CN116982953B - 基于5g技术的孕产妇远程监测系统 - Google Patents
基于5g技术的孕产妇远程监测系统 Download PDFInfo
- Publication number
- CN116982953B CN116982953B CN202311260549.XA CN202311260549A CN116982953B CN 116982953 B CN116982953 B CN 116982953B CN 202311260549 A CN202311260549 A CN 202311260549A CN 116982953 B CN116982953 B CN 116982953B
- Authority
- CN
- China
- Prior art keywords
- heart rate
- fetal heart
- time sequence
- rate time
- spatial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000005516 engineering process Methods 0.000 title claims abstract description 36
- 210000002458 fetal heart Anatomy 0.000 claims abstract description 239
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 54
- 239000011159 matrix material Substances 0.000 claims description 51
- 230000008774 maternal effect Effects 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 239000003623 enhancer Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000035935 pregnancy Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000001605 fetal effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000001951 Fetal Death Diseases 0.000 description 1
- 206010055690 Foetal death Diseases 0.000 description 1
- 208000036029 Uterine contractions during pregnancy Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 231100000479 fetal death Toxicity 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02411—Detecting, measuring or recording pulse rate or heart rate of foetuses
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0011—Foetal or obstetric data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Gynecology & Obstetrics (AREA)
- Pregnancy & Childbirth (AREA)
- Reproductive Health (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
公开了一种基于5G技术的孕产妇远程监测系统。其首先通过传感器采集预定时间段内多个预定时间点的胎心率值,接着,将所述多个预定时间点的胎心率值通过5G通信模块传输至云平台,然后,在所述云平台,对所述多个预定时间点的胎心率进行时序特征分析以得到胎心率时序关联特征,最后,基于所述胎心率时序关联特征,确定被监测婴儿的胎心率是否正常。这样,可以使得医生和医疗团队可以及时获取最新的数据,并做出相应的判断和决策。
Description
技术领域
本申请涉及远程监测领域,且更为具体地,涉及一种基于5G技术的孕产妇远程监测系统。
背景技术
孕产妇监测是指对孕妇在孕期中的生理参数进行监测和评估,以确保母婴的健康和安全。传统上,孕妇需要定期到医院进行产前检查,医生通过测量血压、胎心率、宫缩等参数来评估孕妇的健康状况。然而,这种方式存在一些局限性,如频繁的医院访问会产生较高的时间成本和医疗资源分配不均等问题,而且对于远离医疗资源的地区或特殊情况下的孕妇来说,频繁的医院检查可能会带来不便和风险。因此,为了解决这些问题,现有技术在孕产妇的远程监测上得到了不断的发展和应用。
在进行孕产妇远程监测的过程中,系统的可靠性对于准确获取和传输孕妇的生理数据至关重要。然而,传统的孕产妇远程监测系统通常依赖于传统的无线通信网络或互联网进行数据传输,这种传输方式可能存在数据延迟、不稳定性和带宽限制等问题,影响了数据的实时性和准确性。此外,传统的远程监测系统通常需要将采集到的孕妇生理参数数据传输到医疗机构或专业医疗团队进行数据分析和解读,而这往往依赖于人工操作,需要专业的医疗知识和经验,可能导致结果的不一致性和误判。并且,由于医疗资源的分布不均衡,一些地区可能缺乏足够的医疗专家和专业团队,这导致了远程监测系统在提供专业医疗支持方面的困难,尤其是对于远离医疗资源的地区或特殊情况下的孕妇来说。
因此,期望一种基于5G技术的孕产妇远程监测系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于5G技术的孕产妇远程监测系统,其可以使得医生和医疗团队可以及时获取最新的数据,并做出相应的判断和决策。
根据本申请的一个方面,提供了一种基于5G技术的孕产妇远程监测系统,其包括:
数据采集模块,用于通过传感器采集预定时间段内多个预定时间点的胎心率值;
数据传输模块,用于将所述多个预定时间点的胎心率值通过5G通信模块传输至云平台;
胎心率时序分析模块,用于在所述云平台,对所述多个预定时间点的胎心率进行时序特征分析以得到胎心率时序关联特征;以及
胎心率检测模块,用于基于所述胎心率时序关联特征,确定被监测婴儿的胎心率是否正常。
与现有技术相比,本申请提供的基于5G技术的孕产妇远程监测系统,其首先通过传感器采集预定时间段内多个预定时间点的胎心率值,接着,将所述多个预定时间点的胎心率值通过5G通信模块传输至云平台,然后,在所述云平台,对所述多个预定时间点的胎心率进行时序特征分析以得到胎心率时序关联特征,最后,基于所述胎心率时序关联特征,确定被监测婴儿的胎心率是否正常。这样,可以使得医生和医疗团队可以及时获取最新的数据,并做出相应的判断和决策。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的基于5G技术的孕产妇远程监测系统的框图示意图。
图2为根据本申请实施例的基于5G技术的孕产妇远程监测系统中的所述胎心率时序分析模块的框图示意图。
图3为根据本申请实施例的基于5G技术的孕产妇远程监测系统中的所述胎心率检测模块的框图示意图。
图4为根据本申请实施例的基于5G技术的孕产妇远程监测方法的流程图。
图5为根据本申请实施例的基于5G技术的孕产妇远程监测系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
针对上述技术问题,本申请的技术构思为通过传感器实时监测采集孕产妇的胎心率值,并将采集的数据利用5G通信模块传输至云平台,以实现远程的数据传输。同时,在后端还引入了数据处理和分析算法来进行所述胎心率值的时序分析,以此来在孕期中实时了解孕妇的健康状况,及时发现异常情况并采取相应的干预措施,通过这样的方式,实现了自动化的孕产妇状态监测,为医生提供及时的健康状态反馈,减少了对医疗团队的依赖,提高了对于孕产妇远程监测的效果和可行性,从而提高了医疗服务的效率和质量。
图1为根据本申请实施例的基于5G技术的孕产妇远程监测系统的框图示意图。如图1所示,根据本申请实施例的基于5G技术的孕产妇远程监测系统100,包括:数据采集模块110,用于通过传感器采集预定时间段内多个预定时间点的胎心率值;数据传输模块120,用于将所述多个预定时间点的胎心率值通过5G通信模块传输至云平台;胎心率时序分析模块130,用于在所述云平台,对所述多个预定时间点的胎心率进行时序特征分析以得到胎心率时序关联特征;以及,胎心率检测模块140,用于基于所述胎心率时序关联特征,确定被监测婴儿的胎心率是否正常。
具体地,在本申请的技术方案中,首先,获取由传感器采集的预定时间段内多个预定时间点的胎心率值。在实时采集到所述胎心率值后,为了能够对于婴儿的胎心率进行实时监测和分析,以实时地对孕产妇状态进行监测和反馈,需要将所述多个预定时间点的胎心率值通过5G通信模块传输至云平台。应可以理解,通过使用所述5G通信模块可以实现高速、低延迟的数据传输。这意味着所采集到的所述胎心率值可以在实时的情况下传输到所述云平台,使得医生和医疗团队可以及时获取最新的数据,并做出相应的判断和决策。
然后,考虑到由于所述胎心率值在时间维度上具有着时序变化规律,并且,所述胎心率值在时间维度上具有着波动性,导致难以通过传统的特征提取方式来进行有效地时序分析。因此,为了能够充分有效地捕捉和刻画出所述胎心率值的时序变化特征,在本申请的技术方案中,需要在所述云平台,将接收到的所述多个预定时间点的胎心率值按照时间维度排列为胎心率时序输入向量,以此来整合所述胎心率值在时序上的分布信息。
然后,为了更好地提取所述胎心率值的时序特征,在本申请的技术方案中,进一步将所述胎心率时序输入向量通过向量-图像转换模块以得到胎心率时序图像。通过将所述胎心率时序输入向量转换为图像的形式,可以利用图像处理和分析算法来处理和分析该图像数据,以更为准确地对于所述胎心率值的时序变化特征和趋势进行分析,从而进行婴儿的胎心率异常检测。这是由于图像具有丰富的信息表达能力,可以包含空间和时间上的结构特征,而向量数据则无法直接捕捉到这些特征,通过对于所述胎心率时序图像进行分析能够获取更多的胎心率时序变化模式和信息。这些时序特征可以更好地反映婴儿的胎心率动态变化,为后续的胎心率异常检测提供更准确的信息。
在将所述胎心率时序输入向量转化为所述胎心率时序图像后,使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的胎心率时序关联特征提取器对所述胎心率时序图像进行特征挖掘,以提取出所述胎心率时序图像中有关于被监测婴儿的胎心率时序变化特征和空间特征信息,从而得到胎心率时序关联特征矩阵,有利于后续对于婴儿胎心率进行更为准确地异常检测。
进一步地,将所述胎心率时序关联特征矩阵通过基于空间注意力模块的特征空间维度强化器以得到空间强化胎心率时序关联特征矩阵。应可以理解,通过使用所述基于空间注意力模块的特征空间维度强化器,可以对胎心率时序关联特征矩阵进行空间位置的特征增强。这样,可以突出空间上的重要胎心率特征,抑制噪声和冗余信息,提高特征的表达能力和区分度,以此来更好地捕捉到与胎儿健康相关的关键信息。并且,所述胎心率时序关联特征矩阵中的不同特征之间存在一定的空间关联性。通过所述基于空间注意力模块的特征空间维度强化器,可以对这种空间关联性进行建模和利用。模型可以自动学习特征之间的关联权重,使得重要的特征得到更多的关注和强化,从而提高了特征的判别能力和表达效果。
相应地,如图2所示,所述胎心率时序分析模块130,包括:胎心率时序排列单元131,用于在所述云平台,将所述多个预定时间点的胎心率值按照时间维度排列为胎心率时序输入向量;域转换单元132,用于将所述胎心率时序输入向量通过向量-图像转换模块以得到胎心率时序图像;胎心率时序特征提取单元133,用于通过基于深度神经网络模型的胎心率时序关联特征提取器对所述胎心率时序图像进行特征提取以得到胎心率时序关联特征矩阵;以及,特征空间强化单元134,用于对所述胎心率时序关联特征矩阵进行空间强化处理以得到所述胎心率时序关联特征。应可以理解,胎心率时序分析模块130包括胎心率时序排列单元131、域转换单元132、胎心率时序特征提取单元133和特征空间强化单元134四个单元。其中,胎心率时序排列单元131将胎心率数据按照时间顺序进行排列,形成一个胎心率时序的输入向量,以便后续处理。域转换单元132用于将胎心率时序输入向量通过向量-图像转换模块,将胎心率时序数据转换为胎心率时序图像,这个转换过程可以帮助可视化胎心率的时序变化,使得后续的特征提取更加方便和有效。胎心率时序特征提取单元133利用深度神经网络模型对胎心率时序图像进行分析和学习,提取出与胎心率时序相关的特征,形成一个特征矩阵。特征空间强化单元134可以对特征矩阵进行进一步的处理和优化,增强特征之间的关联性和区分度,提高后续任务的准确性和效果。这些单元相互配合,完成了胎心率时序分析的过程,从胎心率数据的排列、转换、特征提取,到特征空间的强化,为后续的任务提供了更有用和有价值的信息。
更具体地,在所述胎心率时序特征提取单元133中,所述深度神经网络模型为卷积神经网络模型。值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,专门用于处理具有网格结构的数据。卷积神经网络主要由卷积层、池化层和全连接层组成。以下是卷积神经网络的主要组成部分和其作用:1.卷积层:卷积层是卷积神经网络的核心部分。它通过使用一系列可学习的滤波器(卷积核)对输入数据进行卷积操作,提取输入数据中的局部特征。卷积操作可以捕捉到输入数据的空间结构和局部相关性,使得网络能够对图像的不同特征进行学习。2.池化层:池化层用于对卷积层输出的特征图进行降采样操作,减少特征图的维度。常用的池化操作有最大池化和平均池化,它们可以提取特征的空间不变性,减少数据的维度,并且有助于减小模型的参数量。3.全连接层:全连接层将前面的卷积层和池化层的输出连接起来,将高维特征映射到最终的输出类别或特征向量。全连接层通过学习输入数据的非线性组合关系,实现对复杂特征的建模和分类。卷积神经网络在图像处理任务中具有以下优势:1.局部感知性:卷积操作能够捕捉到输入数据的局部特征,对于图像等具有局部相关性的数据具有很好的处理能力。2.参数共享:卷积层的参数在整个输入数据上共享,减少了需要学习的参数量,提高了模型的训练效率。3.平移不变性:卷积操作具有平移不变性,即对于输入数据的平移,卷积操作的结果保持不变。这使得卷积神经网络能够识别出不同位置上的相似特征。在胎心率时序特征提取单元中使用卷积神经网络模型,可以利用其对时序图像进行特征提取。通过卷积层的卷积操作,网络可以学习时序图像中的局部模式和时序相关性,提取出与胎心率时序相关的特征。这些特征可以用于进一步的分析、分类或预测任务。
更具体地,所述特征空间强化单元134,用于:将所述胎心率时序关联特征矩阵通过基于空间注意力模块的特征空间维度强化器以得到空间强化胎心率时序关联特征矩阵作为所述胎心率时序关联特征。值得一提的是,空间注意力模块(Spatial AttentionModule)是一种用于增强特征空间维度的模块,它可以帮助模型在特征图的不同空间位置上分配不同的注意力权重,以强化对重要特征的关注。在深度学习中,空间注意力模块通常通过学习可调节的权重来对输入特征进行加权融合,从而实现对特征图的空间维度进行增强。它可以根据输入的特征图中的空间位置信息,自动学习到不同位置的重要性,并对特征进行加权,使得模型更加关注重要的特征区域。空间注意力模块在图像处理任务中具有以下优势:1.强化关键特征:通过空间注意力模块,模型可以自动学习到输入特征图中的重要位置和区域,并对其进行加权,从而强化关键特征的表示。这有助于模型更好地捕捉到图像中的重要信息,提高模型的性能和鲁棒性。2.抑制噪声和背景:空间注意力模块可以帮助模型抑制无关的噪声和背景信息,将注意力集中在图像中的有用区域。通过减少噪声和背景的干扰,模型可以更好地提取和利用有意义的特征。3.空间上下文建模:空间注意力模块可以捕捉到输入特征图中的空间上下文信息,即不同位置之间的关系。这有助于模型更好地理解图像中的结构和语义,并提高对复杂场景的建模能力。在特征空间强化单元中使用基于空间注意力模块的特征空间维度强化器,可以对胎心率时序关联特征矩阵进行空间上的加权和调节,以增强关键特征的表示。通过引入空间注意力机制,模型可以更好地理解胎心率时序关联特征矩阵中不同位置的重要性,并提高对胎心率时序关联特征的表达能力。这有助于提高模型的性能和对胎心率时序数据的分析能力。
继而,再将所述空间强化胎心率时序关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测婴儿的胎心率是否正常。也就是说,利用空间显化后的有关于所述胎心率的时序动态变化特征信息来进行分类处理,以此来对于被监测婴儿的胎心率进行实时监测,通过这样的方式,能够在孕期中实时了解孕妇的健康状况,及时发现异常情况并采取相应的干预措施,实现了自动化的孕产妇状态监测,为医生提供及时的健康状态反馈。
相应地,如图3所示,所述胎心率检测模块140,包括:特征分布优化单元141,用于对所述空间强化胎心率时序关联特征矩阵展开得到的空间强化胎心率时序关联特征向量进行希尔伯特正交空间域表示解耦以得到优化空间强化胎心率时序关联特征矩阵;以及,胎心率异常检测单元142,用于将所述优化空间强化胎心率时序关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测婴儿的胎心率是否正常。应可以理解,胎心率检测模块包括特征分布优化单元141和胎心率异常检测单元142。特征分布优化单元141用于对空间强化胎心率时序关联特征矩阵进行处理,以得到优化的特征表示。具体来说,它将空间强化胎心率时序关联特征矩阵展开为特征向量,并进行希尔伯特正交空间域表示解耦。希尔伯特正交空间域表示解耦可以将特征向量中的不同频率成分进行分离,使得特征向量更具可解释性和区分性。通过优化特征分布,该单元有助于提取出更加有区分度和代表性的特征,为后续的胎心率异常检测提供更好的输入。胎心率异常检测单元142使用分类器对优化的空间强化胎心率时序关联特征矩阵进行处理,以得到胎心率的异常检测结果。具体来说,它将优化的特征矩阵输入到分类器中,通过分类器对特征进行判别,判断被监测婴儿的胎心率是否正常。胎心率异常检测单元可以根据训练数据中的正常和异常样本进行学习,建立一个分类模型来进行胎心率异常的判定。通过该单元的处理,可以及时发现胎心率异常情况,提供帮助和指导给医护人员,以保障婴儿的健康。综合的说,特征分布优化单元141用于优化特征表示,而胎心率异常检测单元142用于对优化后的特征进行分类判定,以实现胎心率的异常检测。两个单元的协同工作有助于提高胎心率检测模块的准确性和可靠性。
特别地,在本申请的技术方案中,将所述胎心率时序输入向量通过向量-图像转化模块以得到胎心率时序图像,可以对胎心率在时间维度下的分布进行基于时序细分位置的多维度分布表示,这样,再通过基于卷积神经网络模型的胎心率时序关联特征提取器和所述空间注意力模块后,就可以提升所述空间强化胎心率时序关联特征矩阵对于胎心率在时间维度下的分布的时序多维度交叉关联特征表示效果,但是,考虑到胎心率在时序方向上的分布不均匀,在进行基于时序细分位置的多维度分布表示时,也会扩大时序多维度分布空间内的胎心率分布不均匀,导致所述空间强化胎心率时序关联特征矩阵也具有多样化的局部特征表达,从而在将所述空间强化胎心率时序关联特征矩阵通过分类器进行分类回归时,影响所述空间强化胎心率时序关联特征矩阵作为整体在分类域内的泛化效果,影响分类结果的准确性。
基于此,本申请的申请人在对所述空间强化胎心率时序关联特征矩阵进行分类
时,优选地对所述空间强化胎心率时序关联特征矩阵展开得到的空间强化胎心率时序关联
特征向量,例如记为进行希尔伯特正交空间域表示解耦。
更具体地,在一个具体示例中,所述特征分布优化单元141,用于:以如下优化公式对所述空间强化胎心率时序关联特征矩阵展开得到的空间强化胎心率时序关联特征向量进行希尔伯特正交空间域表示解耦以得到所述优化空间强化胎心率时序关联特征矩阵;其中,所述优化公式为:
其中,是所述空间强化胎心率时序关联特征矩阵展开得到的空间强化胎心率
时序关联特征向量,是所述空间强化胎心率时序关联特征矩阵展开得到的空间强化胎心
率时序关联特征向量的全局特征均值,是所述空间强化胎心率时序关联特征矩阵展
开得到的空间强化胎心率时序关联特征向量的二范数,是所述空间强化胎心率时序关
联特征矩阵展开得到的空间强化胎心率时序关联特征向量的长度,且是单位向量,表
示向量减法,表示一维卷积处理,是所述优化空间强化胎心率时序关联特征
矩阵展开得到的优化空间强化胎心率时序关联特征向量。
这里,所述希尔伯特正交空间域表示解耦用于通过强调所述空间强化胎心率时序
关联特征向量的多样化特征表达内的本质域特定(domain-specific)信息,即,通过基
于向量自空间度量和向量自内积表示下的希尔伯特空间度量,来从所述空间强化胎心率时
序关联特征向量的整体域表示内进行域恒定(domain-invariant)表征的正交空间域解
耦,以提升所述空间强化胎心率时序关联特征向量在分类域内的域自适应泛化性能,从
而改进所述空间强化胎心率时序关联特征矩阵的分类效果。这样,能够在孕期中实时了解
孕妇的健康状况,及时发现异常情况并采取相应的干预措施,从而实现了自动化的孕产妇
状态监测,为医生提供及时的健康状态反馈,并且还减少了对医疗团队的依赖,提高了对于
孕产妇远程监测的效果和可行性,从而提高了医疗服务的效率和质量。
进一步地,所述胎心率异常检测单元142,用于:将所述优化空间强化胎心率时序关联特征矩阵按照行向量或者列向量展开为优化分类特征向量;使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括被监测婴儿的胎心率正常(第一标签),以及,被监测婴儿的胎心率不正常(第二标签),其中,所述分类器通过软最大值函数来确定所述优化空间强化胎心率时序关联特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“被监测婴儿的胎心率是否正常”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,被监测婴儿的胎心率是否正常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“被监测婴儿的胎心率是否正常”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
综上,基于本申请实施例的基于5G技术的孕产妇远程监测系统100被阐明,其可以使得医生和医疗团队可以及时获取最新的数据,并做出相应的判断和决策。
如上所述,根据本申请实施例的基于本申请实施例的基于5G技术的孕产妇远程监测系统100可以实现在各种终端设备中,例如具有基于本申请实施例的基于5G技术的孕产妇远程监测算法的服务器等。在一个示例中,基于本申请实施例的基于5G技术的孕产妇远程监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的基于5G技术的孕产妇远程监测系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的基于5G技术的孕产妇远程监测系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的基于5G技术的孕产妇远程监测系统100与该终端设备也可以是分立的设备,并且该基于5G技术的孕产妇远程监测系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图4为根据本申请实施例的基于5G技术的孕产妇远程监测方法的流程图。如图4所示,根据本申请实施例的基于5G技术的孕产妇远程监测方法,其包括:S110,通过传感器采集预定时间段内多个预定时间点的胎心率值;S120,将所述多个预定时间点的胎心率值通过5G通信模块传输至云平台;S130,在所述云平台,对所述多个预定时间点的胎心率进行时序特征分析以得到胎心率时序关联特征;以及,S140,基于所述胎心率时序关联特征,确定被监测婴儿的胎心率是否正常。
在一个具体示例中,在上述基于5G技术的孕产妇远程监测方法中,在所述云平台,对所述多个预定时间点的胎心率进行时序特征分析以得到胎心率时序关联特征,包括:在所述云平台,将所述多个预定时间点的胎心率值按照时间维度排列为胎心率时序输入向量;将所述胎心率时序输入向量通过向量-图像转换模块以得到胎心率时序图像;通过基于深度神经网络模型的胎心率时序关联特征提取器对所述胎心率时序图像进行特征提取以得到胎心率时序关联特征矩阵;以及,对所述胎心率时序关联特征矩阵进行空间强化处理以得到所述胎心率时序关联特征。
在一个具体示例中,在上述基于5G技术的孕产妇远程监测方法中,所述深度神经网络模型为卷积神经网络模型。
这里,本领域技术人员可以理解,上述基于5G技术的孕产妇远程监测方法中的各个步骤的具体操作已经在上面参考图1到图3的基于5G技术的孕产妇远程监测系统100的描述中得到了详细介绍,并因此,将省略其重复描述。
图5为根据本申请实施例的基于5G技术的孕产妇远程监测系统的应用场景图。如图5所示,在该应用场景中,首先,通过传感器采集预定时间段内多个预定时间点的胎心率值(例如,图5中所示意的D),然后,将所述多个预定时间点的胎心率值输入至部署有基于5G技术的孕产妇远程监测算法的服务器中(例如,图5中所示意的S),其中,所述服务器能够使用所述基于5G技术的孕产妇远程监测算法对所述多个预定时间点的胎心率值进行处理以得到用于被监测婴儿的胎心率是否正常的分类结果。
进一步地,在本申请的另一个示例中,涉及一种针对34周以后孕妇或28到30周的高危孕产妇院外远程监测系统。以实现高危孕产妇的远程监测,实现医疗数据实时采集;指标异常智能预警;实现医患实时沟通,在线面诊;区域协同救治;实以及现高危孕产妇院内外全流程管理。
应可以理解,传统方式在医院胎心监护室部署,使胎心监护室可以为本院孕妇,提供实时监护,及时发现胎儿健康问题随时通知孕妇进行紧急处理。远程实时监护可以不受时间限制,感觉不适,随时可以连接到医院胎心实时监护工作站实时监护,不用等待排号预约,可以随时做胎心监护,降低了胎死功能的风险,同时也解决了为了胎心监护用户每周必去医院的来回奔波。
通过本申请,建立“建档-筛查-评估-入户随访-宣教-远程问诊-居家管理-急救-转运”院内外全流程管理模式,以妊娠风险评估“五色管理”的橙色、红色、紫色以及高危孕产妇为重点,一人一档,专人专案,动态监测,精细做到按照不同使用场景、不同角色功能划分,全流程覆盖,构建互联网+的服务模式,建立“医院+社区+家庭”在线互联互动的工作机制,孕产妇居家线上预约,视频问诊,医生在线指导,实时判读,孕产妇足不出户,无需来回奔波,即可产检,打破时间、空间限制,孕期产检的便利性,同时缓解了产科门诊的压力,监测结果与属地医院实时同步,便于属地管理,跟踪随访,以及健康指导。同时利用5G技术作为支撑,依托家庭医生签约,建立健康服务快车,整合便携式超声、母胎监护、血压、血糖、生化检验设备,可实现入户随访,上门产检,数据实时上传,院内专家实时在线指导,结合检查结果生成个性化健康指导意见,产检结果导入高危孕产妇管理系统,提高管理效率。入户产检模式方便快捷,缓解孕产妇的焦虑情绪,提高孕产妇满意度,特别是在特殊时期,作为重点关注人群,该申请的应用切实为高危孕产妇的生命安全保驾护航,全方位保障孕产妇孕期安全。
本申请提供远程实时胎心监护系统的工作方法,其方法包括以下步骤:步骤一:医院门诊产检室部署远程实时监护系统的工作站,使其成为远程产检室;步骤二:远程产检室工作站启动,登录后台服务器;步骤三:用户端通过APP登录居家管理系统,通过5G网络与“产检箱”设备连接;步骤四:用户端“母胎监测”功能发起实时监护;步骤五:产检室大屏幕上实时显示此时监测数据;步骤六:监测过程中如出现异常指标,会出现实时报警;步骤七:用户端通过“咨询”功能发起咨询,同时可进行实时视频会诊;步骤八:通过上传的数据,对孕妇进一步指导。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (4)
1.一种基于5G技术的孕产妇远程监测系统,其特征在于,包括:
数据采集模块,用于通过传感器采集预定时间段内多个预定时间点的胎心率值;
数据传输模块,用于将所述多个预定时间点的胎心率值通过5G通信模块传输至云平台;
胎心率时序分析模块,用于在所述云平台,对所述多个预定时间点的胎心率进行时序特征分析以得到胎心率时序关联特征;以及
胎心率检测模块,用于基于所述胎心率时序关联特征,确定被监测婴儿的胎心率是否正常;
所述胎心率时序分析模块,包括:
胎心率时序排列单元,用于在所述云平台,将所述多个预定时间点的胎心率值按照时间维度排列为胎心率时序输入向量;
域转换单元,用于将所述胎心率时序输入向量通过向量-图像转换模块以得到胎心率时序图像;
胎心率时序特征提取单元,用于通过基于深度神经网络模型的胎心率时序关联特征提取器对所述胎心率时序图像进行特征提取以得到胎心率时序关联特征矩阵;以及
特征空间强化单元,用于对所述胎心率时序关联特征矩阵进行空间强化处理以得到所述胎心率时序关联特征;
所述胎心率检测模块,包括:
特征分布优化单元,用于对所述空间强化胎心率时序关联特征矩阵展开得到的空间强化胎心率时序关联特征向量进行希尔伯特正交空间域表示解耦以得到优化空间强化胎心率时序关联特征矩阵;以及
胎心率异常检测单元,用于将所述优化空间强化胎心率时序关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测婴儿的胎心率是否正常;
所述特征分布优化单元,用于:
以如下优化公式对所述空间强化胎心率时序关联特征矩阵展开得到的空间强化胎心率时序关联特征向量进行希尔伯特正交空间域表示解耦以得到所述优化空间强化胎心率时序关联特征矩阵;
其中,所述优化公式为:
其中,是所述空间强化胎心率时序关联特征矩阵展开得到的空间强化胎心率时序关
联特征向量,是所述空间强化胎心率时序关联特征矩阵展开得到的空间强化胎心率时序
关联特征向量的全局特征均值,是所述空间强化胎心率时序关联特征矩阵展开得到
的空间强化胎心率时序关联特征向量的二范数,是所述空间强化胎心率时序关联特征
矩阵展开得到的空间强化胎心率时序关联特征向量的长度,且是单位向量,表示向量
减法,表示一维卷积处理,是所述优化空间强化胎心率时序关联特征矩阵展
开得到的优化空间强化胎心率时序关联特征向量。
2.根据权利要求1所述的基于5G技术的孕产妇远程监测系统,其特征在于,所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的基于5G技术的孕产妇远程监测系统,其特征在于,所述特征空间强化单元,用于:
将所述胎心率时序关联特征矩阵通过基于空间注意力模块的特征空间维度强化器以得到空间强化胎心率时序关联特征矩阵作为所述胎心率时序关联特征。
4.根据权利要求3所述的基于5G技术的孕产妇远程监测系统,其特征在于,所述胎心率异常检测单元,用于:
将所述优化空间强化胎心率时序关联特征矩阵按照行向量或者列向量展开为优化分类特征向量;
使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311260549.XA CN116982953B (zh) | 2023-09-27 | 2023-09-27 | 基于5g技术的孕产妇远程监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311260549.XA CN116982953B (zh) | 2023-09-27 | 2023-09-27 | 基于5g技术的孕产妇远程监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116982953A CN116982953A (zh) | 2023-11-03 |
CN116982953B true CN116982953B (zh) | 2023-12-08 |
Family
ID=88525285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311260549.XA Active CN116982953B (zh) | 2023-09-27 | 2023-09-27 | 基于5g技术的孕产妇远程监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116982953B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761242A (zh) * | 2016-01-27 | 2016-07-13 | 北京航空航天大学 | 一种基于计算机双目视觉与惯性测量的盲人行走定位方法 |
CN110632465A (zh) * | 2019-11-13 | 2019-12-31 | 西南石油大学 | 一种基于hht一化迭代的高压直流输电线路故障测距方法 |
CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助系统及其应用 |
CN113876354A (zh) * | 2021-09-30 | 2022-01-04 | 深圳信息职业技术学院 | 胎心率信号的处理方法、装置、电子设备及存储介质 |
WO2022256460A1 (en) * | 2021-06-01 | 2022-12-08 | Buildingestimates.Com Limited | Systems for rapid accurate complete detailing and cost estimation for building construction from 2d plans |
CN116001716A (zh) * | 2022-12-29 | 2023-04-25 | 陕西省君凯电子科技有限公司 | 机械设备的智能远程管理系统 |
WO2023077297A1 (zh) * | 2021-11-03 | 2023-05-11 | 北京小米移动软件有限公司 | 信息反馈方法及装置、存储介质 |
CN116407104A (zh) * | 2023-03-15 | 2023-07-11 | 江苏科技大学 | 基于经验模态分解和多重信号分类的胎心率估计方法 |
CN116407098A (zh) * | 2023-02-27 | 2023-07-11 | 江苏信臣健康科技股份有限公司 | 一种胎儿胎动监测技术方法 |
CN116734750A (zh) * | 2023-08-15 | 2023-09-12 | 山西锦烁生物医药科技有限公司 | 基于光纤传感器的冰场冰层厚度智能检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11854706B2 (en) * | 2019-10-20 | 2023-12-26 | Cognitivecare Inc. | Maternal and infant health insights and cognitive intelligence (MIHIC) system and score to predict the risk of maternal, fetal and infant morbidity and mortality |
-
2023
- 2023-09-27 CN CN202311260549.XA patent/CN116982953B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761242A (zh) * | 2016-01-27 | 2016-07-13 | 北京航空航天大学 | 一种基于计算机双目视觉与惯性测量的盲人行走定位方法 |
CN110632465A (zh) * | 2019-11-13 | 2019-12-31 | 西南石油大学 | 一种基于hht一化迭代的高压直流输电线路故障测距方法 |
CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助系统及其应用 |
WO2022256460A1 (en) * | 2021-06-01 | 2022-12-08 | Buildingestimates.Com Limited | Systems for rapid accurate complete detailing and cost estimation for building construction from 2d plans |
CN113876354A (zh) * | 2021-09-30 | 2022-01-04 | 深圳信息职业技术学院 | 胎心率信号的处理方法、装置、电子设备及存储介质 |
WO2023077297A1 (zh) * | 2021-11-03 | 2023-05-11 | 北京小米移动软件有限公司 | 信息反馈方法及装置、存储介质 |
CN116001716A (zh) * | 2022-12-29 | 2023-04-25 | 陕西省君凯电子科技有限公司 | 机械设备的智能远程管理系统 |
CN116407098A (zh) * | 2023-02-27 | 2023-07-11 | 江苏信臣健康科技股份有限公司 | 一种胎儿胎动监测技术方法 |
CN116407104A (zh) * | 2023-03-15 | 2023-07-11 | 江苏科技大学 | 基于经验模态分解和多重信号分类的胎心率估计方法 |
CN116734750A (zh) * | 2023-08-15 | 2023-09-12 | 山西锦烁生物医药科技有限公司 | 基于光纤传感器的冰场冰层厚度智能检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
"Theta Oscillation Reveals the Temporal Involvement of Different Attentional Networks in Contingent Reorienting";Chi-Fu Chang;《frontiers in human neuroscience》;全文 * |
"基于深度学习的人脸视频心率检测技术研究";任杰;《中国优秀硕士学位论文全文数据库(电子期刊)》;第2-4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN116982953A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdar et al. | UncertaintyFuseNet: robust uncertainty-aware hierarchical feature fusion model with ensemble Monte Carlo dropout for COVID-19 detection | |
DE112014000897T5 (de) | Lernende Gesundheitssysteme und -verfahren | |
Fathima et al. | Predictive analysis for the arbovirus-dengue using svm classification | |
Ramírez Ávila et al. | Classification of cardiovascular time series based on different coupling structures using recurrence networks analysis | |
CN104471542A (zh) | 用于状态监视中流动的传感器数据的分类的判别隐卡尔曼滤波器 | |
CN105611872A (zh) | 用于评估多通道ecg信号的装置和方法 | |
JP2020115312A (ja) | モデル生成装置、モデル生成方法、モデル生成プログラム、モデル生成システム、検査システム、及び監視システム | |
CN114600084A (zh) | 综合分析方法、综合分析装置以及综合分析程序 | |
Sasi Kumar et al. | DeepQ Residue Analysis of Brain Computer Classification and Prediction Using Deep CNN | |
CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
CN117476214A (zh) | 一种基于医院信息的数据治理方法和系统 | |
CN116982953B (zh) | 基于5g技术的孕产妇远程监测系统 | |
Araghi et al. | A conceptual framework to support discovering of patients' pathways as operational process charts | |
Debelo et al. | Detection and severity identification of neonatal seizure using deep convolutional neural networks from multichannel EEG signal | |
Vavekanand | SUBMIP: Smart Human Body Health Prediction Application System Based on Medical Image Processing | |
Zhang et al. | Heart failure classification using deep learning to extract spatiotemporal features from ECG | |
CN113724853A (zh) | 一种基于深度学习的智慧医疗系统 | |
Koul et al. | Enhancing the detection of airway disease by applying deep learning and explainable artificial intelligence | |
CN113314217A (zh) | 一种基于检验医学大数据的常见疾病辅助自诊系统 | |
Karling et al. | Prediction of Breast Cancer Using Machine Learning Techniques for Health Data | |
Jin et al. | Cardiologist-level interpretable knowledge-fused deep neural network for automatic arrhythmia diagnosis | |
Li et al. | MwoA auxiliary diagnosis via RSN-based 3D deep multiple instance learning with spatial attention mechanism | |
Lu et al. | MT-1DCG: A Novel Model for Multivariate Time Series Classification | |
CN118098482B (zh) | 基于5g技术的智慧医疗管理系统及方法 | |
AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |