CN117038050A - 生理参数异常处理方法、系统及医疗设备 - Google Patents
生理参数异常处理方法、系统及医疗设备 Download PDFInfo
- Publication number
- CN117038050A CN117038050A CN202311303596.8A CN202311303596A CN117038050A CN 117038050 A CN117038050 A CN 117038050A CN 202311303596 A CN202311303596 A CN 202311303596A CN 117038050 A CN117038050 A CN 117038050A
- Authority
- CN
- China
- Prior art keywords
- data
- alarm
- waveform data
- abnormal
- parameter
- 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.)
- Granted
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 74
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 153
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 99
- 239000013598 vector Substances 0.000 claims description 84
- 238000012549 training Methods 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000003058 natural language processing Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 206010003119 arrhythmia Diseases 0.000 description 11
- 230000006793 arrhythmia Effects 0.000 description 11
- 230000036772 blood pressure Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 238000011282 treatment Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000036471 bradycardia Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 101000637031 Homo sapiens Trafficking protein particle complex subunit 9 Proteins 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 208000007888 Sinus Tachycardia Diseases 0.000 description 1
- 206010040741 Sinus bradycardia Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 102100031926 Trafficking protein particle complex subunit 9 Human genes 0.000 description 1
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036543 hypotension Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000006794 tachycardia Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Heart & Thoracic Surgery (AREA)
- Mathematical Physics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Epidemiology (AREA)
- General Business, Economics & Management (AREA)
- Psychiatry (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Business, Economics & Management (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
Abstract
本发明适用于生理参数监测技术领域,提供了一种生理参数异常处理方法、系统及医疗设备,该方法包括预先定义各种异常类别;实时对被监测者的参数数据及波形数据进行监测,当监测到发生异常时记录对应的参数数据、波形数据及添加有报警时间和异常类别的报警数据;根据报警时间、异常类别、参数数据及波形数据生成定位信息并添加至报警数据,将报警数据、参数数据及波形数据保存至数据库;当获取到搜索内容时,根据搜索内容在数据库中搜索出对应的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据;根据预设排序分类方式对搜索结果进行排序及分类显示。本发明解决了现有设备无法对生理异常情况进行快速搜索定位的问题。
Description
技术领域
本发明属于生理参数监测技术领域,尤其涉及一种生理参数异常处理方法、系统及医疗设备。
背景技术
医疗设备是用于监测、诊断、治疗或预防疾病的仪器、装置、器械、材料或其他物品。医疗设备通常会对病人的生理现象进行参数数据、波形数据和报警数据的记录,以便于医护人员及时了解病人的情况,并采取相应的措施。对于医疗设备监测出来异常的生理现象,我们是需要极度的谨慎和重视的,有时候我们需要对某一个病人的某些异常生理参数发生的情况进行汇总整理,有利于我们对该病人的病情或治疗情况更加全面和深入的了解。
然而,目前市面上研发的医疗设备产品,会对病人异常的生理现象进行参数数据、波形数据和报警数据的记录,而且这三方面数据的异常情况,暂时只靠报警数据进行各自独立的关联定位(即参数和报警,波形和报警,参数和波形),无法从整体视角上进行关联查看,更加无法进一步分类管理,缺少一种全局性。同时它们各自只能按照时间顺序遍历,缺乏快速定位功能,效率较低。对于异常的生理现象,目前的设备只能通过报警数据进行提示,缺乏可视化和交互式的展示方式,无法直观地呈现出异常现象的特征和规律。
发明内容
本发明实施例的目的在于提供一种生理参数异常处理方法、系统及医疗设备,旨在解决现有设备无法对生理异常情况进行快速搜索定位的问题。
本发明实施例是这样实现的,一种生理参数异常处理方法,所述方法包括:
根据不同划分方式预先定义各种异常类别;
实时对被监测者的参数数据及波形数据进行监测,并当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据;
根据报警时间、异常类别、参数数据及波形数据生成相互关联索引的定位信息并添加至报警数据中,并将报警数据、参数数据及波形数据保存至数据库中;
当获取到符合根据报警时间和/或异常类别所预置的搜索条件的搜索内容时,根据搜索内容在数据库中搜索出对应的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据;
根据预设排序分类方式对由报警数据、参数数据及波形数据组成的搜索结果进行排序及分类显示。
更进一步地,所述当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据的步骤包括:
建立一个深度神经网络模型,所述深度神经网络模型包含输入层、隐藏层和输出层,其中输入层接收被监测者的参数数据和波形数据,输出层输出异常类别的概率分布;
采用标注过的异常数据作为训练集,对深度神经网络模型进行训练和优化;
实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到训练和优化后的深度神经网络模型中,得到输出层的异常类别的概率分布;
根据预设的阈值从输出层的异常类别的概率分布中选择一个异常类别作为最终分类结果,并记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
更进一步地,所述当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据的步骤包括:
建立包含特征提取模块和聚类算法模块的聚类分析模型,其中特征提取模块用于从被监测者的参数数据和波形数据中提取出特征向量,聚类算法模块用于根据特征向量将异常数据分为不同的类别;
采用未标注的异常数据作为训练集,对聚类分析模型进行训练和优化;
实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到特征提取模块中,得到特征向量,并将特征向量输入到聚类算法模块中,得到异常类别的标签;
根据异常类别的标签,记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
更进一步地,所述实时对被监测者的参数数据及波形数据进行监测的步骤包括:
建立包含状态方程和观测方程的卡尔曼滤波器,其中状态方程描述被监测者的参数数据及波形数据的动态变化,观测方程描述对参数数据及波形数据的测量;
根据已知的正常或异常的参数数据及波形数据作为初始值对卡尔曼滤波器进行初始化,得到初始状态向量和初始协方差矩阵;
获取当前时刻被监测者的参数数据和波形数据,并将其作为观测值输入到卡尔曼滤波器中得到预测状态向量和预测协方差矩阵;
根据预测状态向量和预测协方差矩阵,以及观测值和所对应的观测噪声协方差矩阵,计算出卡尔曼增益矩阵;
根据卡尔曼增益矩阵以及预测状态向量和观测值,计算出更新状态向量;
根据卡尔曼增益矩阵以及预测协方差矩阵和观测噪声协方差矩阵,计算出更新协方差矩阵;
将更新状态向量和更新协方差矩阵作为下一时刻的初始状态向量和初始协方差矩阵,并将更新状态向量中的参数数据和波形数据作为当前时刻的输出。
更进一步地,所述根据搜索内容在数据库中搜索出对应的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据的步骤包括:
建立一个语义分析模型,所述语义分析模型包含一个自然语言处理模块和一个语义相似度计算模块,其中自然语言处理模块用于将用户输入的搜索内容转换为标准化的查询语句,语义相似度计算模块用于计算查询语句与数据库中的报警数据之间的语义相似度;
根据已知的搜索内容和查询语句作为训练集对语义分析模型进行训练和优化;
当获取到所输入的搜索内容时,将其输入到自然语言处理模块中,得到标准化的查询语句;
将标准化的查询语句输入到语义相似度计算模块中,并与数据库中的报警数据进行比较,得到每个报警数据与查询语句之间的语义相似度得分;
根据各个报警数据的语义相似度得分确定大于预设的阈值的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据。
本发明另一实施例的目的还在于提供一种生理参数异常处理系统,所述系统包括:
异常类别定义模块,用于根据不同划分方式预先定义各种异常类别;
异常监测模块,用于实时对被监测者的参数数据及波形数据进行监测,并当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据;
异常存储模块,用于根据报警时间、异常类别、参数数据及波形数据生成相互关联索引的定位信息并添加至报警数据中,并将报警数据、参数数据及波形数据保存至数据库中;
异常搜索模块,用于当获取到符合根据报警时间和/或异常类别所预置的搜索条件的搜索内容时,根据搜索内容在数据库中搜索出对应的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据;
异常显示模块,用于根据预设排序分类方式对由报警数据、参数数据及波形数据组成的搜索结果进行排序及分类显示。
更进一步地,所述异常监测模块包括:
第一模型建立单元,用于建立一个深度神经网络模型,所述深度神经网络模型包含输入层、隐藏层和输出层,其中输入层接收被监测者的参数数据和波形数据,输出层输出异常类别的概率分布;
第一模型训练单元,用于采用标注过的异常数据作为训练集,对深度神经网络模型进行训练和优化;
第一模型输出单元,用于实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到训练和优化后的深度神经网络模型中,得到输出层的异常类别的概率分布;
第一异常记录单元,用于根据预设的阈值从输出层的异常类别的概率分布中选择一个异常类别作为最终分类结果,并记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
更进一步地,所述异常监测模块包括:
第二模型建立单元,用于建立包含特征提取模块和聚类算法模块的聚类分析模型,其中特征提取模块用于从被监测者的参数数据和波形数据中提取出特征向量,聚类算法模块用于根据特征向量将异常数据分为不同的类别;
第二模型训练单元,用于采用未标注的异常数据作为训练集,对聚类分析模型进行训练和优化;
第二模型输出单元,用于实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到特征提取模块中,得到特征向量,并将特征向量输入到聚类算法模块中,得到异常类别的标签;
第二异常记录单元,用于根据异常类别的标签,记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
更进一步地,所述异常监测模块包括:
滤波器建立单元,用于建立包含状态方程和观测方程的卡尔曼滤波器,其中状态方程描述被监测者的参数数据及波形数据的动态变化,观测方程描述对参数数据及波形数据的测量;
滤波器初始单元,用于根据已知的正常或异常的参数数据及波形数据作为初始值对卡尔曼滤波器进行初始化,得到初始状态向量和初始协方差矩阵;
滤波器预测单元,用于获取当前时刻被监测者的参数数据和波形数据,并将其作为观测值输入到卡尔曼滤波器中得到预测状态向量和预测协方差矩阵;
增益矩阵计算单元,用于根据预测状态向量和预测协方差矩阵,以及观测值和所对应的观测噪声协方差矩阵,计算出卡尔曼增益矩阵;
更新状态向量计算单元,用于根据卡尔曼增益矩阵以及预测状态向量和观测值,计算出更新状态向量;
更新协方差矩阵计算单元,用于根据卡尔曼增益矩阵以及预测协方差矩阵和观测噪声协方差矩阵,计算出更新协方差矩阵;
数据输出单元,用于将更新状态向量和更新协方差矩阵作为下一时刻的初始状态向量和初始协方差矩阵,并将更新状态向量中的参数数据和波形数据作为当前时刻的输出。
更进一步地,所述异常搜索模块包括:
第三模型建立单元,用于建立一个语义分析模型,所述语义分析模型包含一个自然语言处理模块和一个语义相似度计算模块,其中自然语言处理模块用于将用户输入的搜索内容转换为标准化的查询语句,语义相似度计算模块用于计算查询语句与数据库中的报警数据之间的语义相似度;
第三模型训练单元,用于根据已知的搜索内容和查询语句作为训练集对语义分析模型进行训练和优化;
查询语句确定模块,用于当获取到所输入的搜索内容时,将其输入到自然语言处理模块中,得到标准化的查询语句;
语义相似度确定模块,用于将标准化的查询语句输入到语义相似度计算模块中,并与数据库中的报警数据进行比较,得到每个报警数据与查询语句之间的语义相似度得分;
数据确定单元,用于根据各个报警数据的语义相似度得分确定大于预设的阈值的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据。
本发明另一实施例的目的还在于提供一种医疗设备,所述医疗设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行如上述所述的生理参数异常处理方法。
本发明实施例提供的生理参数异常处理方法,通过预先定义各种异常类别,可以实现对不同类型的异常情况进行快速识别和区分,提高异常处理的准确性和针对性;通过实时监测和记录参数数据及波形数据,并添加报警时间和异常类别,可以实现对异常情况的及时发现和记录,提高异常处理的时效性和完整性;通过生成相互关联索引的定位信息并保存至数据库中,可以实现对异常情况的有效存储和管理,提高异常处理的可追溯性和可靠性;通过根据搜索内容在数据库中搜索出对应的报警数据,并根据定位信息确定出对应的参数数据及波形数据,可以实现对异常情况的快速检索和定位,提高异常处理的便捷性和灵活性;通过根据预设排序分类方式对搜索结果进行排序及分类显示,可以实现对异常情况的清晰展示和分析,提高异常处理的效率和质量,解决了现有设备无法对生理异常情况进行快速搜索定位的问题。
附图说明
图1是本发明实施例提供的一种生理参数异常处理方法的流程图;
图2是本发明实施例提供的一种生理参数异常处理系统的结构示意图;
图3是本发明实施例提供的一种医疗设备的结构示意图;
以下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,是本发明第一实施例提供的一种生理参数异常处理方法的流程示意图,为了便于说明,仅示出了与本发明实施例相关的部分,该方法包括:
步骤S10,根据不同划分方式预先定义各种异常类别;
其中,在本发明的一个实施例中,该生理参数异常处理方法应用于对患者进行生理参数进行监测或者给予支持的医疗设备中,其中该医疗设备可为麻醉机、呼吸机和监护仪等,其医疗设备通常会对患者的生理现象进行参数数据、波形数据和报警数据的记录,以便于医护人员及时了解患者情况,并可在患者出现异常生理现象时采取相应的措施。其中异常生理现象通常指临床上对患者的生理参数进行监测过程中超过医护人员设定的数据或临床数据阈值,或者出现了生理模块预定的阈值时所出现的现象,例如心率或脉搏过高过低、血氧饱和度过高过低、血压的过高过低、呼末二氧化碳过高、心律失常等等。而参数数据是指生理参数数据,比如心率值、血压值、血氧饱和度值、呼末二氧化碳值、体温等;波形数据是指监测人体出现的对应波形数据,比如心电波形、脑电波形、肌电波形、呼吸波形、呼末二氧化碳波形、血氧波形等;报警数据是指当参数数据超过正常设定的阈值时产生的报警(例如心率过低)、超过了生理模块预定的值产生的报警(例如心律失常)以及医疗设备本身产生的技术报警(例如心电导联脱落)。
为了方便对医疗设备的异常生理现象进行分类和处理,可以根据医疗设备的技术规范,预先设定一些异常类别的信息,包括异常的名称、等级、模块、机制和类型等。具体的,按照等级划分可将异常类别划分为高级、中级、低级和提示,按照模块划分可将异常类别划分为ECG模块、NIBP模块、SpO2模块、CO2模块等,按照机制划分可将异常类别划分为主动产生、手动产生,按照类型划分可将异常类别划分为非自定义、自定义一、自定义二等。这些信息可以存储在一个数据表中,每一行代表一个异常类别,每一列代表一个信息属性。这样,当医疗设备出现异常时,可以根据数据表中的信息,快速地判断异常的性质和严重程度,并采取相应的措施。例如,如下表1是一个示例的数据表,其中列出了一些常见的异常名称及其对应的ID值、等级类别、模块类别、机制类别及类型类别。
表1:
因此,例如后续医疗设备在检测到心率超过正常范围时,就会在数据表中查找对应的异常类别信息,并显示为“心率过高(中级报警)”,同时提示用户注意身体状况,并联系医生。如果产品检测到血压低于正常范围,就会在数据表中查找对应的异常类别信息,并显示为“血压过低(高级报警)”,同时提示用户立即就医,并发送紧急信号。如果产品检测到温度传感器无法正常工作,就会在数据表中查找对应的异常类别信息,并显示为“温度传感器故障(低级报警)”,同时提示用户检查设备是否连接正确,并联系维修人员等。
因此,该步骤的目的是为了能够根据不同的监测指标和标准,将可能出现的异常生理现象分为不同的类别,以便于后续的报警和处理。在本发明的一个实施例中,该步骤可通过如下方式实现:
首先,确定需要监测的参数数据和波形数据的种类和范围,例如心率、血压、血氧、心电图等。
其次,根据各种参数数据和波形数据的正常值和异常值的范围,以及可能导致异常的原因和危害,将异常情况分为不同的等级、模块、机制及类型,例如高级、中级、低级和提示等等。
最后,为每种异常类别定义一个唯一的标识符和描述,例如A1表示心率过高,A2表示心率过低,A3表示心率不齐,A4表示心电波形失真等等。
需要指出的,上述预先定义各种异常类别仅为本发明中的一种示例,可以理解的,在本发明的其他实施例中,其还可以根据其他实际使用需要相应的设置定义其他的异常类别,在此不做具体限定。
步骤S20,实时对被监测者的参数数据及波形数据进行监测,并当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据;
其中,本发明的一个实施例中,该步骤的目的是为了能够及时发现被监测者的身体状况是否有异常,并将相关的数据记录下来,以便于后续的分析和处理。具体的实现步骤如下:
首先,使用相应的传感器和设备,实时采集被监测者的参数数据和波形数据,并将其转换为数字信号,并通过无线或有线方式传输到监控中心或移动设备上。
其次,使用相应的软件和算法,实时对接收到的参数数据和波形数据进行分析和比较,判断是否有异常发生,并根据预先定义好的异常类别进行分类确定出所发生的异常类别。
最后,当检测到有异常发生时,记录下当时的参数数据和波形数据,并生成一条包含报警时间及异常类别的报警数据。
进一步的,在本发明的一个实施例中,由于实时监测和记录被监测者的参数数据和波形数据可能会受到各种因素的干扰,例如传感器的误差、信号的噪声、数据的丢失等。这可能会影响到异常的检测和定位,以及搜索和排序的可靠性。因此,需要对参数数据和波形数据进行有效的校验、滤波、补全等处理,以提高数据质量和准确性。具体来说,实时对被监测者的参数数据及波形数据进行监测的步骤包括:
建立包含状态方程和观测方程的卡尔曼滤波器,其中状态方程描述被监测者的参数数据及波形数据的动态变化,观测方程描述对参数数据及波形数据的测量;
根据已知的正常或异常的参数数据及波形数据作为初始值对卡尔曼滤波器进行初始化,得到初始状态向量和初始协方差矩阵;
获取当前时刻被监测者的参数数据和波形数据,并将其作为观测值输入到卡尔曼滤波器中得到预测状态向量和预测协方差矩阵;
根据预测状态向量和预测协方差矩阵,以及观测值和所对应的观测噪声协方差矩阵,计算出卡尔曼增益矩阵;
根据卡尔曼增益矩阵以及预测状态向量和观测值,计算出更新状态向量;
根据卡尔曼增益矩阵以及预测协方差矩阵和观测噪声协方差矩阵,计算出更新协方差矩阵;
将更新状态向量和更新协方差矩阵作为下一时刻的初始状态向量和初始协方差矩阵,并将更新状态向量中的参数数据和波形数据作为当前时刻的输出。
具体的,为建立合适的卡尔曼滤波器,需要根据监测的参数数据和波形数据的特点,选择合适的数学模型来描述它们的动态变化。例如若监测的是心率、血压、血氧饱和度等参数,可以使用线性或非线性的动态系统模型;若监测的是心电图、脑电图、肌电图等波形数据,可以使用自回归移动平均模型或其他时域或频域模型。其中以采用线性卡尔曼滤波器为例,上述根据预测状态向量和预测协方差矩阵,以及观测值和观测噪声协方差矩阵,计算出卡尔曼增益矩阵可以采用以下公式进行计算:其中,/>是卡尔曼增益矩阵,/>是预测协方差矩阵,/>是观测方程的系数矩阵,/>是观测噪声协方差矩阵。
其中上述根据卡尔曼增益矩阵以及预测状态向量和观测值,计算出更新状态向量可以采用以下公式进行计算:其中,/>是更新状态向量,/>是预测状态向量,/>是卡尔曼增益矩阵,/>是观测值,/>是观测方程的系数矩阵。
其中上述根据卡尔曼增益矩阵以及预测协方差矩阵和观测噪声协方差矩阵,计算出更新协方差矩阵可以采用以下公式进行计算:其中,/>是更新协方差矩阵,/>是卡尔曼增益矩阵,/>是观测方程的系数矩阵,/>是预测协方差矩阵,/>是单位矩阵。
可以理解的,当使用的是非线性卡尔曼滤波器,则需要使用相应的公式计算卡尔曼增益矩阵、更新状态向量及更新协方差矩阵。因此通过利用卡尔曼滤波器对医疗设备中传感器所采集的参数数据和波形数据进行最优估计,从而消除噪声和干扰,提高数据的准确性和可信度。
进一步的,在本发明实施例中,在监测到参数数据和波形数据发生异常时确定所对应的异常类别包括如下多种确定方式:
基于规则或阈值的方法,通过预先定义一些规则或阈值,来判断参数数据和波形数据是否超出了正常范围或出现了异常变化。例如根据心率、血压等参数数据的正常值范围,或者根据心电图、脑电图等波形数据的正常形态,来识别出异常情况,并根据异常的程度、持续时间、频率等特征,来划分为不同的异常类别。具体的,根据不同划分方式预先定义各种异常类别,并为每个异常类别设定一个规则或阈值,用来判断参数数据或波形数据是否属于该类别。例如,根据心率的正常范围,可以设定心率过快和心率过慢两个异常类别,分别对应心率大于100次/分钟和小于60次/分钟的规则,然后实时对被监测者的参数数据及波形数据进行监测,并将其与规则或阈值进行比较,如果发现参数数据或波形数据不符合规则或超出阈值,就认为发生了异常,如果被监测者的心率低于60次/分钟,就可以判断为心动过慢;如果高于100次/分钟,就可以判断为心动过快。正常人的心电图有一定的波形规律和时间间隔,如果被监测者的心电图出现波形变形、间隔延长或缩短等情况,就可以判断为心律失常,并根据具体的波形和间隔变化来区分为不同的心律失常类型,如窦性心动过缓、窦性心动过速、室性期前收缩、心房颤动等,因此可以相应的确定出异常类别。
基于统计或概率的方法,通过对参数数据和波形数据进行统计分析或概率计算,来判断参数数据和波形数据是否符合某种分布或模型。例如根据参数数据和波形数据的均值、方差、偏度、峰度等统计量,或者根据参数数据和波形数据的马氏距离、置信区间、假设检验等概率量来识别出异常情况,并根据异常的大小、方向、显著性等特征来划分为不同的异常类别。具体的,通过计算和分析一组参数数据和波形数据的一些数学特征,来判断这组数据是否存在偏离正常分布或模式的情况,并根据偏离的程度和特点,来区分为不同的异常类型。例如,如果一组参数数据的均值是50,方差是10,偏度是0.5,峰度是3.2,那么根据这些统计量来描述这组数据的集中趋势、离散程度、分布形状等特征,并与正态分布或其他参考分布进行比较,看是否有明显的差异或异常。如果一组波形数据是由多个正弦波叠加而成的,那么根据马氏距离、置信区间、假设检验等概率量来衡量这组波形数据与理想正弦波之间的相似度或差异度,并看是否有显著的偏差或异常,因此可以相应的确定出异常类别。
基于机器学习或深度学习的方法,通过利用机器学习或深度学习的算法,来对参数数据和波形数据进行自动学习和分类。例如根据主成分分析、自编码器、孤立森林等算法来降维、压缩、重构或隔离参数数据和波形数据,并根据重构误差、异常得分、分类结果等指标来识别出异常情况,并根据异常的类型、来源、影响等特征来划分为不同的异常类别。具体的,根据不同划分方式预先定义各种异常类别,并为每个异常类别收集或标注一些样本数据,用来训练和评估机器学习或深度学习的模型。例如,根据心率、血压等参数数据的正常值范围,可以收集或标注一些正常和异常的数据样本,分别对应心率正常、心率过快、心率过慢等类别。然后根据不同的数据类型、特征、标签和目标,选择合适的机器学习或深度学习的算法,如支持向量机、决策树、神经网络、自编码器等,并设计合适的网络结构、损失函数、优化器等参数,来构建和训练一个分类或聚类的模型。例如根据心电图波形数据的时序特征,可以选择使用循环神经网络或长短期记忆网络,并设计一个二分类或多分类的输出层,来构建和训练一个心律失常检测的模型。最后,使用训练好的模型对新的参数数据或波形数据进行预测或推理,并根据模型的输出结果,判断是否发生了异常,并给出相应的异常类别和置信度。例如,使用训练好的心律失常检测模型对新的心电图波形数据进行预测,并根据模型的输出概率,判断是否发生了心律失常,并给出相应的心律失常类型和置信度。
具体的,在本发明的一个具体实施例中,上述当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据的步骤包括:
建立一个深度神经网络模型,所述深度神经网络模型包含输入层、隐藏层和输出层,其中输入层接收被监测者的参数数据和波形数据,输出层输出异常类别的概率分布;
采用标注过的异常数据作为训练集,对深度神经网络模型进行训练和优化;
实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到训练和优化后的深度神经网络模型中,得到输出层的异常类别的概率分布;
根据预设的阈值从输出层的异常类别的概率分布中选择一个异常类别作为最终分类结果,并记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
具体的,在本发明的另一个具体实施例中,上述当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据的步骤包括:
建立包含特征提取模块和聚类算法模块的聚类分析模型,其中特征提取模块用于从被监测者的参数数据和波形数据中提取出特征向量,聚类算法模块用于根据特征向量将异常数据分为不同的类别;
采用未标注的异常数据作为训练集,对聚类分析模型进行训练和优化;
实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到特征提取模块中,得到特征向量,并将特征向量输入到聚类算法模块中,得到异常类别的标签;
根据异常类别的标签,记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
步骤S30,根据报警时间、异常类别、参数数据及波形数据生成相互关联索引的定位信息并添加至报警数据中,并将报警数据、参数数据及波形数据保存至数据库中;
其中,在本发明的一个实施例中,该步骤的目的是为了能够将不同类型和来源的数据进行关联和存储,以便于后续的检索和展示。具体的实现步骤如下:
首先,使用一种合适的数据库管理系统(例如SQL或NoSQL),建立一个数据库,并设计合适的表结构和字段,用于存储报警数据、参数数据及波形数据。
其次,使用一种合适的编码方式(例如Base64或MD5),对报警时间、异常类别、参数数据及波形数据进行编码,并生成一个唯一且可逆的定位信息,例如可以使用时间戳、序号、标签等方式生成定位信息。
最后,将定位信息添加到报警数据中,并将报警数据、参数数据及波形数据插入到数据库中,并建立相应的索引和外键关系。
例如,假设在某个时刻T1,ECG仪器检测到病人的心率为120次/分钟,超过了设定的正常范围(60-100次/分钟),则会产生一个“心率过高”的报警数据,并根据映射表赋予一个ID值A1的报警数据。同时在这个时刻T1(即报警时间),ECG仪器也会把当前的参数数据P1(比如心率、血压等)和波形数据W1(比如心电波形图)记录下来保存到数据库,并生成一个对应的key值K1(即定位信息)。此时,可以把A1-T1-P1-W1-K1作为一个关联元组存储到数据库。
其中定位信息可以用不同的方式来生成,例如,使用哈希函数、加密算法、编码规则等。定位信息可以用于在数据库中快速找到对应的报警数据、参数数据及波形数据。其中,定位信息的生成和使用方法如下:假设有一个报警数据表,其中包含报警时间、异常类别、参数数据文件名和波形数据文件名等字段,此时可以使用哈希函数,例如MD5,对每一行的报警时间和异常类别进行加密,得到一个唯一的定位信息,然后将这个定位信息作为报警数据表的主键,并在参数数据表和波形数据表中添加一个外键字段,用于关联报警数据表。
步骤S40,当获取到符合根据报警时间和/或异常类别所预置的搜索条件的搜索内容时,根据搜索内容在数据库中搜索出对应的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据;
其中,在本发明的一个实施例中,该步骤的目的是为了能够根据用户的需求,从数据库中检索出相关的数据。具体的实现步骤如下:
首先,提供一个用户界面,让用户可以输入或选择报警时间和/或异常类别作为搜索条件,并提交搜索内容。
其次,使用相应的查询语句(例如SQL或NoSQL),根据搜索内容在数据库中搜索出符合条件的报警数据,并返回给用户。
最后,根据报警数据中的定位信息,解码出对应的参数数据及波形数据。
例如,当有搜索定位需求时,在提前预置好的触控位置点击弹出全局“搜索框”,然后搜索框会提前预置一下搜索条件,比如类别和时间,或者自定义条件内容。例如,假设医护人员想要查看所有发生在某个时间段内的高级报警数据,可以在搜索框中输入“等级类别=高级 AND 时间=T4-T5”,其中T4和T5是指定的时间范围。搜索范围可囊括“参数、波形和报警”三方面数据,搜索过程会在这三个数据存储库里进行,然后把结果呈现出来。例如,假设在搜索条件下,找到了两个符合的关联元组,分别是A3-T4-P4-W4-K4和A3-T5-P5-W5-K5,其中A3表示“心律不齐”的报警类别,T4和T5表示发生的时间点,P4和P5表示对应的参数数据,W4和W5表示对应的波形数据,K4和K5表示对应的key值。
进一步的,在本发明的一个实施例中,根据搜索内容在数据库中搜索出对应的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据的步骤包括:
建立一个语义分析模型,所述语义分析模型包含一个自然语言处理模块和一个语义相似度计算模块,其中自然语言处理模块用于将用户输入的搜索内容转换为标准化的查询语句,语义相似度计算模块用于计算查询语句与数据库中的报警数据之间的语义相似度;
根据已知的搜索内容和查询语句作为训练集对语义分析模型进行训练和优化;
当获取到所输入的搜索内容时,将其输入到自然语言处理模块中,得到标准化的查询语句;
将标准化的查询语句输入到语义相似度计算模块中,并与数据库中的报警数据进行比较,得到每个报警数据与查询语句之间的语义相似度得分;
根据各个报警数据的语义相似度得分确定大于预设的阈值的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据。
具体的,使用自然语言处理模块中的分词、词性标注、命名实体识别、依存句法分析等技术,提取出搜索内容中的关键词和逻辑符号,使得将用户输入的搜索内容转换为标准化的查询语句。 而计算查询语句与数据库中的报警数据之间的语义相似度,可以使用语义相似度计算模块中的词向量、句向量、文本相似度度量等技术,将查询语句和报警数据中的信息(如异常类别、报警时间)转换为数值向量,并计算它们之间的余弦相似度、欧氏距离、杰卡德相似度等指标,得到一个介于0到1之间的数值,表示它们之间的语义相似度得分。而确定大于预设阈值的报警数据,可以使用一个排序算法(如快速排序、归并排序等),将所有报警数据按照语义相似度得分从高到低进行排序,并选择大于某个阈值(如0.8)的报警数据作为最终的搜索结果。而根据报警数据中的定位信息确定出对应的参数数据及波形数据,可以使用一个索引查找算法(如二分查找、哈希查找等),根据报警数据表中的主键查找到关联参数数据表和波形数据表的外键字段,使得在数据库中快速地定位和获取对应的参数数据和波形数据。
步骤S50,根据预设排序分类方式对由报警数据、参数数据及波形数据组成的搜索结果进行排序及分类显示;
其中,在本发明的一个实施例中,该步骤的目的是为了能够让用户更方便地查看和分析搜索结果,并发现其中的规律和异常。具体的实现步骤如下:
首先,提供一个用户界面,让用户可以选择或更改排序分类方式,例如按照报警时间、异常类别、异常等级、被监测者等进行排序或分类。
其次,使用相应的算法(例如冒泡排序或快速排序),根据用户选择的排序分类方式对搜索结果进行排序或分类,并返回给用户。
最后,使用相应的图形或表格(例如折线图或柱状图),根据用户选择的排序分类方式对搜索结果进行可视化显示,并提供相应的统计和分析功能。
例如,在呈现的搜索结果里可进行二次排序分类,比如排序时间顺序、模块顺序、异常程度、异常类型等,同时,每个搜索结果里都自带链接信息,当点击该搜索结果时,可自动跳转定位到具体的表格数据中,其中表格数据包括波形数据图、参数数据图和表、及异常类别数据表。例如,假设医护人员想要查看第一个搜索结果的详细信息,可以点击该结果,然后会自动跳转到一个新的页面。
因此,本发明实施例可解决如下问题:可针对某个或某类生理异常情况快速搜索以及定位; 可针对某个或某类生理异常情况快速有序分类:参数数据、波形数据或报警数据;可针对某段时间内出现的某个或某类生理异常情况进行搜索定位, 对某个或某类生理异常情况全局性阅览,把控生理异常情况产生时数据的整体性,方便医护人员快速诊断和治疗,提高效率;病人出现生理异常情况时,得以全盘且有逻辑性的数据呈现,减少医患纠纷。
本发明实施例的有益效果是:通过提前定义好异常类别,可以实现对医疗设备异常数据的分类管理,便于医护人员对不同类型的异常进行区分和处理;通过报警时间及异常类型与参数数据及波形数据进行关联索引的方式,可以实现对医疗设备异常数据的全局性关联查看,便于医护人员对异常情况的整体把握和分析;通过搜索和定位信息的设置,可以实现对医疗设备异常数据的快速定位,提高了搜索效率和准确性。
本实施例中,通过预先定义各种异常类别,可以实现对不同类型的异常情况进行快速识别和区分,提高异常处理的准确性和针对性;通过实时监测和记录参数数据及波形数据,并添加报警时间和异常类别,可以实现对异常情况的及时发现和记录,提高异常处理的时效性和完整性;通过生成相互关联索引的定位信息并保存至数据库中,可以实现对异常情况的有效存储和管理,提高异常处理的可追溯性和可靠性;通过根据搜索内容在数据库中搜索出对应的报警数据,并根据定位信息确定出对应的参数数据及波形数据,可以实现对异常情况的快速检索和定位,提高异常处理的便捷性和灵活性;通过根据预设排序分类方式对搜索结果进行排序及分类显示,可以实现对异常情况的清晰展示和分析,提高异常处理的效率和质量,解决了现有设备无法对生理异常情况进行快速搜索定位的问题。
实施例二
请参阅图2,是本发明第二实施例提供的生理参数异常处理系统的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,该系统包括:
异常类别定义模块11,用于根据不同划分方式预先定义各种异常类别;
异常监测模块12,用于实时对被监测者的参数数据及波形数据进行监测,并当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据;
异常存储模块13,用于根据报警时间、异常类别、参数数据及波形数据生成相互关联索引的定位信息并添加至报警数据中,并将报警数据、参数数据及波形数据保存至数据库中;
异常搜索模块14,用于当获取到符合根据报警时间和/或异常类别所预置的搜索条件的搜索内容时,根据搜索内容在数据库中搜索出对应的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据;
异常显示模块15,用于根据预设排序分类方式对由报警数据、参数数据及波形数据组成的搜索结果进行排序及分类显示。
进一步地,在本发明的一个实施例中,异常监测模块12包括:
第一模型建立单元,用于建立一个深度神经网络模型,所述深度神经网络模型包含输入层、隐藏层和输出层,其中输入层接收被监测者的参数数据和波形数据,输出层输出异常类别的概率分布;
第一模型训练单元,用于采用标注过的异常数据作为训练集,对深度神经网络模型进行训练和优化;
第一模型输出单元,用于实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到训练和优化后的深度神经网络模型中,得到输出层的异常类别的概率分布;
第一异常记录单元,用于根据预设的阈值从输出层的异常类别的概率分布中选择一个异常类别作为最终分类结果,并记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
进一步地,在本发明的一个实施例中,异常监测模块12包括:
第二模型建立单元,用于建立包含特征提取模块和聚类算法模块的聚类分析模型,其中特征提取模块用于从被监测者的参数数据和波形数据中提取出特征向量,聚类算法模块用于根据特征向量将异常数据分为不同的类别;
第二模型训练单元,用于采用未标注的异常数据作为训练集,对聚类分析模型进行训练和优化;
第二模型输出单元,用于实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到特征提取模块中,得到特征向量,并将特征向量输入到聚类算法模块中,得到异常类别的标签;
第二异常记录单元,用于根据异常类别的标签,记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
进一步地,在本发明的一个实施例中,异常监测模块12包括:
滤波器建立单元,用于建立包含状态方程和观测方程的卡尔曼滤波器,其中状态方程描述被监测者的参数数据及波形数据的动态变化,观测方程描述对参数数据及波形数据的测量;
滤波器初始单元,用于根据已知的正常或异常的参数数据及波形数据作为初始值对卡尔曼滤波器进行初始化,得到初始状态向量和初始协方差矩阵;
滤波器预测单元,用于获取当前时刻被监测者的参数数据和波形数据,并将其作为观测值输入到卡尔曼滤波器中得到预测状态向量和预测协方差矩阵;
增益矩阵计算单元,用于根据预测状态向量和预测协方差矩阵,以及观测值和所对应的观测噪声协方差矩阵,计算出卡尔曼增益矩阵;
更新状态向量计算单元,用于根据卡尔曼增益矩阵以及预测状态向量和观测值,计算出更新状态向量;
更新协方差矩阵计算单元,用于根据卡尔曼增益矩阵以及预测协方差矩阵和观测噪声协方差矩阵,计算出更新协方差矩阵;
数据输出单元,用于将更新状态向量和更新协方差矩阵作为下一时刻的初始状态向量和初始协方差矩阵,并将更新状态向量中的参数数据和波形数据作为当前时刻的输出。
进一步地,在本发明的一个实施例中,异常搜索模块14包括:
第三模型建立单元,用于建立一个语义分析模型,所述语义分析模型包含一个自然语言处理模块和一个语义相似度计算模块,其中自然语言处理模块用于将用户输入的搜索内容转换为标准化的查询语句,语义相似度计算模块用于计算查询语句与数据库中的报警数据之间的语义相似度;
第三模型训练单元,用于根据已知的搜索内容和查询语句作为训练集对语义分析模型进行训练和优化;
查询语句确定模块,用于当获取到所输入的搜索内容时,将其输入到自然语言处理模块中,得到标准化的查询语句;
语义相似度确定模块,用于将标准化的查询语句输入到语义相似度计算模块中,并与数据库中的报警数据进行比较,得到每个报警数据与查询语句之间的语义相似度得分;
数据确定单元,用于根据各个报警数据的语义相似度得分确定大于预设的阈值的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据。
本发明实施例所提供的一种生理参数异常处理系统,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,系统实施例部分未提及之处,可参考前述方法实施例中相应内容。
实施例三
本发明另一方面还提出一种医疗设备,请参阅图3,所示为本发明第三实施例当中的医疗设备,包括存储器20、处理器10以及存储在存储器20上并可在处理器10上运行的计算机程序30,所述处理器10执行所述计算机程序30时实现如上述的生理参数异常处理方法。
其中,处理器10在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如执行访问限制程序等。
其中,存储器20至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是医疗设备的内部存储单元,例如该医疗设备的硬盘。存储器20在另一些实施例中也可以是医疗设备的外部存储装置,例如医疗设备上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(FlashCard)等。进一步地,存储器20还可以既包括医疗设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于医疗设备的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
需要指出的是,图3示出的结构并不构成对医疗设备的限定,在其它实施例当中,该医疗设备可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
本发明实施例还提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如前述方法实施例中所述的生理参数异常处理方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种生理参数异常处理方法,其特征在于,所述方法包括:
根据不同划分方式预先定义各种异常类别;
实时对被监测者的参数数据及波形数据进行监测,并当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据;
根据报警时间、异常类别、参数数据及波形数据生成相互关联索引的定位信息并添加至报警数据中,并将报警数据、参数数据及波形数据保存至数据库中;
当获取到符合根据报警时间和/或异常类别所预置的搜索条件的搜索内容时,根据搜索内容在数据库中搜索出对应的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据;
根据预设排序分类方式对由报警数据、参数数据及波形数据组成的搜索结果进行排序及分类显示。
2.根据权利要求1所述的生理参数异常处理方法,其特征在于,所述当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据的步骤包括:
建立一个深度神经网络模型,所述深度神经网络模型包含输入层、隐藏层和输出层,其中输入层接收被监测者的参数数据和波形数据,输出层输出异常类别的概率分布;
采用标注过的异常数据作为训练集,对深度神经网络模型进行训练和优化;
实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到训练和优化后的深度神经网络模型中,得到输出层的异常类别的概率分布;
根据预设的阈值从输出层的异常类别的概率分布中选择一个异常类别作为最终分类结果,并记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
3.根据权利要求1所述的生理参数异常处理方法,其特征在于,所述当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据的步骤包括:
建立包含特征提取模块和聚类算法模块的聚类分析模型,其中特征提取模块用于从被监测者的参数数据和波形数据中提取出特征向量,聚类算法模块用于根据特征向量将异常数据分为不同的类别;
采用未标注的异常数据作为训练集,对聚类分析模型进行训练和优化;
实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到特征提取模块中,得到特征向量,并将特征向量输入到聚类算法模块中,得到异常类别的标签;
根据异常类别的标签,记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
4.根据权利要求1所述的生理参数异常处理方法,其特征在于,所述实时对被监测者的参数数据及波形数据进行监测的步骤包括:
建立包含状态方程和观测方程的卡尔曼滤波器,其中状态方程描述被监测者的参数数据及波形数据的动态变化,观测方程描述对参数数据及波形数据的测量;
根据已知的正常或异常的参数数据及波形数据作为初始值对卡尔曼滤波器进行初始化,得到初始状态向量和初始协方差矩阵;
获取当前时刻被监测者的参数数据和波形数据,并将其作为观测值输入到卡尔曼滤波器中得到预测状态向量和预测协方差矩阵;
根据预测状态向量和预测协方差矩阵,以及观测值和所对应的观测噪声协方差矩阵,计算出卡尔曼增益矩阵;
根据卡尔曼增益矩阵以及预测状态向量和观测值,计算出更新状态向量;
根据卡尔曼增益矩阵以及预测协方差矩阵和观测噪声协方差矩阵,计算出更新协方差矩阵;
将更新状态向量和更新协方差矩阵作为下一时刻的初始状态向量和初始协方差矩阵,并将更新状态向量中的参数数据和波形数据作为当前时刻的输出。
5.根据权利要求1所述的生理参数异常处理方法,其特征在于,所述根据搜索内容在数据库中搜索出对应的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据的步骤包括:
建立一个语义分析模型,所述语义分析模型包含一个自然语言处理模块和一个语义相似度计算模块,其中自然语言处理模块用于将用户输入的搜索内容转换为标准化的查询语句,语义相似度计算模块用于计算查询语句与数据库中的报警数据之间的语义相似度;
根据已知的搜索内容和查询语句作为训练集对语义分析模型进行训练和优化;
当获取到所输入的搜索内容时,将其输入到自然语言处理模块中,得到标准化的查询语句;
将标准化的查询语句输入到语义相似度计算模块中,并与数据库中的报警数据进行比较,得到每个报警数据与查询语句之间的语义相似度得分;
根据各个报警数据的语义相似度得分确定大于预设的阈值的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据。
6.一种生理参数异常处理系统,其特征在于,所述系统包括:
异常类别定义模块,用于根据不同划分方式预先定义各种异常类别;
异常监测模块,用于实时对被监测者的参数数据及波形数据进行监测,并当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据;
异常存储模块,用于根据报警时间、异常类别、参数数据及波形数据生成相互关联索引的定位信息并添加至报警数据中,并将报警数据、参数数据及波形数据保存至数据库中;
异常搜索模块,用于当获取到符合根据报警时间和/或异常类别所预置的搜索条件的搜索内容时,根据搜索内容在数据库中搜索出对应的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据;
异常显示模块,用于根据预设排序分类方式对由报警数据、参数数据及波形数据组成的搜索结果进行排序及分类显示。
7.根据权利要求6所述的生理参数异常处理系统,其特征在于,所述异常监测模块包括:
第一模型建立单元,用于建立一个深度神经网络模型,所述深度神经网络模型包含输入层、隐藏层和输出层,其中输入层接收被监测者的参数数据和波形数据,输出层输出异常类别的概率分布;
第一模型训练单元,用于采用标注过的异常数据作为训练集,对深度神经网络模型进行训练和优化;
第一模型输出单元,用于实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到训练和优化后的深度神经网络模型中,得到输出层的异常类别的概率分布;
第一异常记录单元,用于根据预设的阈值从输出层的异常类别的概率分布中选择一个异常类别作为最终分类结果,并记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
8.根据权利要求6所述的生理参数异常处理系统,其特征在于,所述异常监测模块包括:
第二模型建立单元,用于建立包含特征提取模块和聚类算法模块的聚类分析模型,其中特征提取模块用于从被监测者的参数数据和波形数据中提取出特征向量,聚类算法模块用于根据特征向量将异常数据分为不同的类别;
第二模型训练单元,用于采用未标注的异常数据作为训练集,对聚类分析模型进行训练和优化;
第二模型输出单元,用于实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到特征提取模块中,得到特征向量,并将特征向量输入到聚类算法模块中,得到异常类别的标签;
第二异常记录单元,用于根据异常类别的标签,记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
9.根据权利要求6所述的生理参数异常处理系统,其特征在于,所述异常监测模块包括:
滤波器建立单元,用于建立包含状态方程和观测方程的卡尔曼滤波器,其中状态方程描述被监测者的参数数据及波形数据的动态变化,观测方程描述对参数数据及波形数据的测量;
滤波器初始单元,用于根据已知的正常或异常的参数数据及波形数据作为初始值对卡尔曼滤波器进行初始化,得到初始状态向量和初始协方差矩阵;
滤波器预测单元,用于获取当前时刻被监测者的参数数据和波形数据,并将其作为观测值输入到卡尔曼滤波器中得到预测状态向量和预测协方差矩阵;
增益矩阵计算单元,用于根据预测状态向量和预测协方差矩阵,以及观测值和所对应的观测噪声协方差矩阵,计算出卡尔曼增益矩阵;
更新状态向量计算单元,用于根据卡尔曼增益矩阵以及预测状态向量和观测值,计算出更新状态向量;
更新协方差矩阵计算单元,用于根据卡尔曼增益矩阵以及预测协方差矩阵和观测噪声协方差矩阵,计算出更新协方差矩阵;
数据输出单元,用于将更新状态向量和更新协方差矩阵作为下一时刻的初始状态向量和初始协方差矩阵,并将更新状态向量中的参数数据和波形数据作为当前时刻的输出。
10.根据权利要求6所述的生理参数异常处理系统,其特征在于,所述异常搜索模块包括:
第三模型建立单元,用于建立一个语义分析模型,所述语义分析模型包含一个自然语言处理模块和一个语义相似度计算模块,其中自然语言处理模块用于将用户输入的搜索内容转换为标准化的查询语句,语义相似度计算模块用于计算查询语句与数据库中的报警数据之间的语义相似度;
第三模型训练单元,用于根据已知的搜索内容和查询语句作为训练集对语义分析模型进行训练和优化;
查询语句确定模块,用于当获取到所输入的搜索内容时,将其输入到自然语言处理模块中,得到标准化的查询语句;
语义相似度确定模块,用于将标准化的查询语句输入到语义相似度计算模块中,并与数据库中的报警数据进行比较,得到每个报警数据与查询语句之间的语义相似度得分;
数据确定单元,用于根据各个报警数据的语义相似度得分确定大于预设的阈值的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据。
11.一种医疗设备,其特征在于,所述医疗设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行如权利要求1至5任一项所述的生理参数异常处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311303596.8A CN117038050B (zh) | 2023-10-10 | 2023-10-10 | 生理参数异常处理方法、系统及医疗设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311303596.8A CN117038050B (zh) | 2023-10-10 | 2023-10-10 | 生理参数异常处理方法、系统及医疗设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117038050A true CN117038050A (zh) | 2023-11-10 |
CN117038050B CN117038050B (zh) | 2024-01-26 |
Family
ID=88602758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311303596.8A Active CN117038050B (zh) | 2023-10-10 | 2023-10-10 | 生理参数异常处理方法、系统及医疗设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117038050B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612693A (zh) * | 2024-01-24 | 2024-02-27 | 四川互慧软件有限公司 | 一种患者实时监测和预警方法、装置、计算机及存储介质 |
CN117976176A (zh) * | 2023-11-29 | 2024-05-03 | 中山大学附属第三医院 | 一种麻醉监护设备运行状态监测方法及系统 |
CN118280507A (zh) * | 2024-06-04 | 2024-07-02 | 南通市妇幼保健院 | 妇产科电子病历管理系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3053376A1 (en) * | 2011-06-27 | 2013-01-03 | Amazon Technologies, Inc. | System and method for implementing a scalable data storage service |
EP2980748A1 (en) * | 2014-07-31 | 2016-02-03 | Palantir Technologies, Inc. | Querying medical claims data |
CN107273482A (zh) * | 2017-06-12 | 2017-10-20 | 北京市天元网络技术股份有限公司 | 基于HBase的告警数据存储方法及装置 |
CN108309263A (zh) * | 2018-02-24 | 2018-07-24 | 乐普(北京)医疗器械股份有限公司 | 多参数监护数据分析方法和多参数监护系统 |
CN109431490A (zh) * | 2018-09-28 | 2019-03-08 | 上海优加利健康管理有限公司 | 用于心电监测的人工智能实时分析方法和系统 |
WO2019219036A1 (zh) * | 2018-05-16 | 2019-11-21 | 上海术木医疗科技有限公司 | 一种基于第三方业务的医疗云平台数据共享系统及方法 |
CN111291076A (zh) * | 2020-01-16 | 2020-06-16 | 江苏禹治流域管理技术研究院有限公司 | 基于大数据的异常用水监测报警系统及其构建方法 |
CN113691417A (zh) * | 2021-08-14 | 2021-11-23 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于工业协议的工控信息监控系统及方法 |
CN115795330A (zh) * | 2021-09-09 | 2023-03-14 | 上海市徐汇区大华医院 | 一种基于ai算法的医疗信息异常检测方法及系统 |
CN116327114A (zh) * | 2021-12-23 | 2023-06-27 | 深圳市理邦精密仪器股份有限公司 | 监护仪的回顾方法、监护仪以及计算机可读存储介质 |
-
2023
- 2023-10-10 CN CN202311303596.8A patent/CN117038050B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3053376A1 (en) * | 2011-06-27 | 2013-01-03 | Amazon Technologies, Inc. | System and method for implementing a scalable data storage service |
EP2980748A1 (en) * | 2014-07-31 | 2016-02-03 | Palantir Technologies, Inc. | Querying medical claims data |
CN107273482A (zh) * | 2017-06-12 | 2017-10-20 | 北京市天元网络技术股份有限公司 | 基于HBase的告警数据存储方法及装置 |
CN108309263A (zh) * | 2018-02-24 | 2018-07-24 | 乐普(北京)医疗器械股份有限公司 | 多参数监护数据分析方法和多参数监护系统 |
WO2019219036A1 (zh) * | 2018-05-16 | 2019-11-21 | 上海术木医疗科技有限公司 | 一种基于第三方业务的医疗云平台数据共享系统及方法 |
CN109431490A (zh) * | 2018-09-28 | 2019-03-08 | 上海优加利健康管理有限公司 | 用于心电监测的人工智能实时分析方法和系统 |
CN111291076A (zh) * | 2020-01-16 | 2020-06-16 | 江苏禹治流域管理技术研究院有限公司 | 基于大数据的异常用水监测报警系统及其构建方法 |
CN113691417A (zh) * | 2021-08-14 | 2021-11-23 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于工业协议的工控信息监控系统及方法 |
CN115795330A (zh) * | 2021-09-09 | 2023-03-14 | 上海市徐汇区大华医院 | 一种基于ai算法的医疗信息异常检测方法及系统 |
CN116327114A (zh) * | 2021-12-23 | 2023-06-27 | 深圳市理邦精密仪器股份有限公司 | 监护仪的回顾方法、监护仪以及计算机可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117976176A (zh) * | 2023-11-29 | 2024-05-03 | 中山大学附属第三医院 | 一种麻醉监护设备运行状态监测方法及系统 |
CN117612693A (zh) * | 2024-01-24 | 2024-02-27 | 四川互慧软件有限公司 | 一种患者实时监测和预警方法、装置、计算机及存储介质 |
CN117612693B (zh) * | 2024-01-24 | 2024-04-05 | 四川互慧软件有限公司 | 一种患者实时监测和预警方法、装置、计算机及存储介质 |
CN118280507A (zh) * | 2024-06-04 | 2024-07-02 | 南通市妇幼保健院 | 妇产科电子病历管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117038050B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117038050B (zh) | 生理参数异常处理方法、系统及医疗设备 | |
Shi et al. | A hierarchical method based on weighted extreme gradient boosting in ECG heartbeat classification | |
Ebadollahi et al. | Predicting patient’s trajectory of physiological data using temporal trends in similar patients: a system for near-term prognostics | |
CN112365978B (zh) | 心动过速事件早期风险评估的模型的建立方法及其装置 | |
CN110459328B (zh) | 临床监护设备 | |
Begum et al. | A case‐based decision support system for individual stress diagnosis using fuzzy similarity matching | |
Clifford et al. | Robust parameter extraction for decision support using multimodal intensive care data | |
US20150257712A1 (en) | Methods and systems for calculating and using statistical models to predict medical events | |
Hravnak et al. | Real alerts and artifact classification in archived multi-signal vital sign monitoring data: implications for mining big data | |
Ayar et al. | Chaotic-based divide-and-conquer feature selection method and its application in cardiac arrhythmia classification | |
US20120041277A1 (en) | System and method for predicting near-term patient trajectories | |
Ordonez et al. | Using modified multivariate bag-of-words models to classify physiological data | |
CN111553478B (zh) | 基于大数据的社区老年人心血管疾病预测系统与方法 | |
Taloba et al. | Machine algorithm for heartbeat monitoring and arrhythmia detection based on ECG systems | |
CN117854665A (zh) | 儿科患者电子健康记录系统 | |
CN101877035A (zh) | 基于金标准数据库的心电图分析系统 | |
Goswami et al. | Weak supervision for affordable modeling of electrocardiogram data | |
WO2023097780A1 (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
Ordóñez et al. | Visualizing multivariate time series data to detect specific medical conditions | |
CN116628590A (zh) | 基于逻辑回归的医疗设备不良事件风险分级模型及其应用 | |
Ordónez et al. | Classification of patients using novel multivariate time series representations of physiological data | |
Al-Shammary et al. | Efficient ECG classification based on the probabilistic Kullback-Leibler divergence | |
US9408550B2 (en) | Evolving serial comparison system with critical alert notifications | |
CN115862897A (zh) | 一种基于临床数据的症候群监测方法及系统 | |
CN114724701A (zh) | 基于叠加集成算法和自动编码器的无创通气疗效预测系统 |
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 |