CN117438083B - 一种基于人工智能的中老年疾病预测系统 - Google Patents
一种基于人工智能的中老年疾病预测系统 Download PDFInfo
- Publication number
- CN117438083B CN117438083B CN202311285647.9A CN202311285647A CN117438083B CN 117438083 B CN117438083 B CN 117438083B CN 202311285647 A CN202311285647 A CN 202311285647A CN 117438083 B CN117438083 B CN 117438083B
- Authority
- CN
- China
- Prior art keywords
- aged
- vital sign
- information
- elderly
- elderly people
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 92
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 92
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 83
- 238000011217 control strategy Methods 0.000 claims abstract description 23
- 230000010365 information processing Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000013441 quality evaluation Methods 0.000 claims description 31
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 19
- 239000008280 blood Substances 0.000 claims description 19
- 210000004369 blood Anatomy 0.000 claims description 19
- 230000036772 blood pressure Effects 0.000 claims description 19
- 229910052760 oxygen Inorganic materials 0.000 claims description 19
- 239000001301 oxygen Substances 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000007418 data mining Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- 238000012098 association analyses Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000007717 exclusion Effects 0.000 claims description 4
- 239000000523 sample Substances 0.000 claims description 4
- 210000001367 artery Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000006820 Arthralgia Diseases 0.000 description 1
- 206010006458 Bronchitis chronic Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010013082 Discomfort Diseases 0.000 description 1
- 208000007882 Gastritis Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010033645 Pancreatitis Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 208000032023 Signs and Symptoms Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000007451 chronic bronchitis Diseases 0.000 description 1
- 208000023652 chronic gastritis Diseases 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 208000030603 inherited susceptibility to asthma Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Optics & Photonics (AREA)
- Vascular Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于人工智能的中老年疾病预测系统,属于疾病预测技术领域,包括:信息采集模块、信息处理模块、分析预测模块、信息存储模块和智能管控模块,用于确定出中老年疾病预测管控策略,按照中老年疾病预测管控策略对中老年疾病预测情况进行智能管控。本发明解决了现有不能对中老年人的生命体征信息进行实时监测及综合评估,导致中老年疾病预测准确度差,且不能给予中老年人相应的管控治疗建议,降低了中老年人使用体验感的问题,本发明可对中老年人的生命体征信息进行实时监测及综合评估,提高中老年疾病预测准确度,且可给予中老年人相应的管控治疗建议,提升中老年人使用体验感。
Description
技术领域
本发明涉及疾病预测技术领域,具体为一种基于人工智能的中老年疾病预测系统。
背景技术
中老年疾病即指中老年容易患的疾病,人到中老年,身体状况逐渐走下坡路,各个器官的功能开始减退,免疫系统低下,一些疾病就会随之而来。中老年人常见病包括高血压、高血脂、冠心病、脑中风、糖尿病、支气管哮喘、慢性支气管炎、慢性胃炎、老年痴呆症、胰腺炎、女性更年期综合征等,中年以后,人的神经反应逐渐迟钝,患病后常常没有典型的症状和体征,即使病情加重,表现也不明显,任何中老年人出现一般的不适,都需要予以重视,如食欲不振、疲劳与虚弱、眩晕、晕厥、头痛、关节痛、发热等。对这些轻微的不适,没有引起足够的重视,就会失去早期发现疾病的机会,错过治疗的最好时机。
公开号为CN116186422A的中国专利公开了一种基于社交媒体和人工智能的疾病相关舆情分析系统,包括:数据采集模块、数据预处理模块和数据分析模块;通过构造了多个疾病相关的模型,能够增强舆情分析系统在医疗领域的适配性;自动化地提取社交文本中的实体信息;自动化地判断疾病相关实体的情感极性,可获取更加细粒度的实时舆情分析结果,提供更加精准的舆情监察服务。但是该专利在实际使用过程中存在以下缺陷:
不能对中老年人的生命体征信息进行实时监测及综合评估,导致中老年疾病预测准确度差,且不能给予中老年人相应的管控治疗建议,降低了中老年人使用体验感。
发明内容
本发明的目的在于提供一种基于人工智能的中老年疾病预测系统,可对中老年人的生命体征信息进行实时监测及综合评估,提高中老年疾病预测准确度,且可给予中老年人相应的管控治疗建议,提升中老年人使用体验感,解决了上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于人工智能的中老年疾病预测系统,包括:
信息采集模块,与信息处理模块建立连接,用于实时采集中老年人的生命体征信息,且将实时采集的中老年人的生命体征信息发送给信息处理模块,其中中老年人的生命体征信息包括但不限于心率、脉搏、血压、血氧饱和度;
信息处理模块,与分析预测模块建立连接,用于对实时采集的中老年人的生命体征信息进行处理,获取中老年人的生命体征信息,且对生命体征信息进行检索、分组及排序,确定出中老年人的生命体征表征信息;
分析预测模块,与智能管控模块建立连接,用于对中老年人的生命体征表征信息进行分析预测,获取中老年人的生命体征表征信息,且参照存储的生命体征阈值信息,确定出中老年人的生命体征分析预测报告;
信息存储模块,与分析预测模块建立连接,用于存储中老年人的生命体征阈值信息,基于存储的中老年人的生命体征阈值信息,为中老年人的生命体征表征信息进行分析预测提供参照指导依据;
智能管控模块,与分析预测模块建立连接,用于对中老年疾病预测情况进行智能管控,获取中老年人的生命体征分析预测报告,基于数据挖掘技术,对中老年人的生命体征分析预测报告进行相关性及关联性分析,确定出中老年疾病预测管控策略,按照中老年疾病预测管控策略对中老年疾病预测情况进行智能管控。
优选的,所述信息采集模块包括:
心率监测传感器,用于实时获取中老年人的心率信号,确定出中老年人的心率信息;
脉搏传感器,用于实时获取中老年人的脉搏信号,利用脉搏传感器检测动脉搏动时产生的压力变化,且将之转换成更直观观察和检测的电信号,确定出中老年人的脉搏信息;
血压传感器,用于实时获取中老年人的血压信号,确定出中老年人的血压信息;
血氧饱和度探头,用于实时获取中老年人的血氧饱和度信号,确定出中老年人的血氧饱和度信息;
基于实时采集的中老年人的心率信息、脉搏信息、血压信息及血氧饱和度信息,确定出中老年人的实时的生命体征信息。
优选的,所述信息处理模块包括:
信息检索单元,用于对中老年人的生命体征信息进行检索,基于顺序检索方法,过滤掉中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息,确定出对中老年疾病预测有价值的生命体征信息;
信息分组单元,用于对确定出来的对中老年疾病预测有价值的生命体征信息进行分组,基于互斥性原则,对中老年人的生命体征信息进行分组,确定出基于不同类别的生命体征信息组别;
信息排序单元,用于对生命体征信息组别内的生命体征信息进行排序,按照生命体征信息的采集时间,对生命体征信息进行有效的排序,确定出中老年人的生命体征表征信息。
优选的,所述信息处理模块还包括:
第一生命体征信息提取模块,用于提取当前接收到的中老年的生命体征信息;
第二生命体征信息提取模块,用于提取从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息;
第一质量评价模块,用于利用所述当前接收到的中老年的生命体征信息和从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息获取当前生命体征信息的质量评价参数;其中,所述质量评价参数通过如下公式获取:
其中,K表示质量评价参数;Cz表示从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息的数据总量;C表示当前接收到的中老年的生命体征信息的数据总量;n表示生命体征信息的特征种类数量;Ci表示当前接收到的第i种生命体征信息的无价值的生命体征信息的数据量;Cdi表示当前接收到的当前接收到的第i种生命体征信息的总数据量;
第一比较模块,用于当当前生命体征信息的质量评价参数低于预设的参数阈值时,则放弃当前一次接收到的中老年的生命体征信息;
第二质量评价模块,用于获取下一次接收到的中老年的生命体征信息和从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息对应的质量评价参数;
第二比较模块,用于如果所述下一次接收到的中老年的生命体征信息和从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息对应的质量评价参数仍低于预设的参数阈值时,则进行信息采集异常报警。
优选的,所述分析预测模块包括:
索引调取单元,用于索引调取生命体征阈值信息,获取中老年人的生命体征表征信息,基于生命体征表征信息,从存储的多个生命体征阈值信息中索引出与中老年人的生命体征表征信息相匹配的生命体征阈值信息,且将索引出的生命体征阈值信息调取出来;
分析预测单元,用于对中老年人的生命体征表征信息进行分析预测,获取中老年人的生命体征表征信息及生命体征阈值信息,基于生命体征阈值信息,对生命体征表征信息进行分析预测,确定出中老年人的生命体征分析预测报告。
优选的,所述信息存储模块包括:
体征存储单元,用于存储实时采集的中老年人的生命体征信息;
阈值存储单元,用于存储多个生命体征阈值信息,基于存储的中老年人的生命体征阈值信息,为中老年人的生命体征表征信息进行分析预测提供参照指导依据。
优选的,所述智能管控模块包括:
挖掘分析单元,用于对中老年人的生命体征分析预测报告进行挖掘分析,获取中老年人的生命体征分析预测报告,基于数据挖掘技术,对中老年人的生命体征分析预测报告进行相关性及关联性分析,基于机器学习算法,确定出中老年疾病预测管控策略;
智能管控单元,用于对中老年疾病预测情况进行智能管控,获取中老年疾病预测管控策略,按照中老年疾病预测管控策略对中老年疾病预测情况进行智能管控及相应预警。
优选的,对实时采集的中老年人的生命体征信息进行处理,执行以下操作:
获取实时采集的中老年人的生命体征信息;
基于顺序检索方法,过滤掉中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息,确定出对中老年疾病预测有价值的生命体征信息;
获取确定出来的对中老年疾病预测有价值的生命体征信息;
基于互斥性原则,对中老年人的生命体征信息进行分组,确定出基于不同类别的生命体征信息组别;
获取生命体征信息组别;
按照生命体征信息的采集时间,对生命体征信息进行有效的排序,确定出中老年人的生命体征表征信息。
优选的,对中老年人的生命体征表征信息进行分析预测,执行以下操作:
获取中老年人的生命体征分析预测报告;
基于中老年人的生命体征分析预测报告,索引调取出与中老年人的生命体征表征信息相匹配的生命体征阈值信息;
获取中老年人的生命体征表征信息及与中老年人的生命体征表征信息相匹配的生命体征阈值信息;
基于生命体征阈值信息,对生命体征表征信息进行分析预测,确定出中老年人的生命体征分析预测报告;
针对生命体征表征信息在生命体征阈值信息范围内的情况,则确定出的中老年人的生命体征分析预测报告为中老年人的生命体征正常,其预测中老年人不存在中老年疾病风险;
针对生命体征表征信息不在生命体征阈值信息范围内的情况,则确定出的中老年人的生命体征分析预测报告为中老年人的生命体征异常,其预测中老年人存在中老年疾病风险。
优选的,对中老年疾病预测情况进行智能管控,执行以下操作:
针对中老年人存在中老年疾病风险的情况,则基于数据挖掘技术,对中老年人的生命体征分析预测报告进行相关性及关联性分析,基于机器学习算法,确定出中老年疾病预测管控策略;
按照中老年疾病预测管控策略对中老年疾病预测情况进行智能管控及相应预警,为中老年人提供疾病预测建议,且指导中老年人进行相应的治疗。
与现有技术相比,本发明的有益效果是:
本发明的基于人工智能的中老年疾病预测系统,实时采集中老年人的生命体征信息,且对生命体征信息进行检索、分组及排序,确定出中老年人的生命体征表征信息,基于中老年人的生命体征表征信息,且参照存储的生命体征阈值信息,确定出中老年人的生命体征分析预测报告,基于数据挖掘技术,对中老年人的生命体征分析预测报告进行相关性及关联性分析,确定出中老年疾病预测管控策略,按照中老年疾病预测管控策略对中老年疾病预测情况进行智能管控及相应预警,为中老年人提供疾病预测建议,且指导中老年人进行相应的治疗,可对中老年人的生命体征信息进行实时监测及综合评估,提高中老年疾病预测准确度,且可给予中老年人相应的管控治疗建议,提升中老年人使用体验感。
附图说明
图1为本发明的基于人工智能的中老年疾病预测系统的模块原理图;
图2为本发明的基于人工智能的中老年疾病预测系统的结构图;
图3为本发明的基于人工智能的中老年疾病预测系统的算法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
为了解决现有的不能对中老年人的生命体征信息进行实时监测及综合评估,导致中老年疾病预测准确度差,且不能给予中老年人相应的管控治疗建议,降低了中老年人使用体验感的问题,请参阅图1-图3,本实施例提供以下技术方案:
一种基于人工智能的中老年疾病预测系统,包括:
信息采集模块,可实时采集中老年人的生命体征信息,且将实时采集的中老年人的生命体征信息发送给信息处理模块;
其中中老年人的生命体征信息包括但不限于心率、脉搏、血压、血氧饱和度;
需要说明的是,信息采集模块包括:心率监测传感器、脉搏传感器、血压传感器及血氧饱和度探头;
利用心率监测传感器可实时获取中老年人的心率信号,确定出中老年人的心率信息;
利用脉搏传感器可实时获取中老年人的脉搏信号,利用脉搏传感器检测动脉搏动时产生的压力变化,且将之转换成更直观观察和检测的电信号,确定出中老年人的脉搏信息;
利用血压传感器可实时获取中老年人的血压信号,确定出中老年人的血压信息;
利用血氧饱和度探头可实时获取中老年人的血氧饱和度信号,确定出中老年人的血氧饱和度信息;
基于实时采集的中老年人的心率信息、脉搏信息、血压信息及血氧饱和度信息,确定出中老年人的实时的生命体征信息。
信息处理模块,与分析预测模块建立连接,用于对实时采集的中老年人的生命体征信息进行处理,获取中老年人的生命体征信息,且对生命体征信息进行检索、分组及排序,确定出中老年人的生命体征表征信息;
需要说明的是,信息处理模块包括:信息检索单元、信息分组单元及信息排序单元;
利用信息检索单元可对中老年人的生命体征信息进行检索,基于顺序检索方法,过滤掉中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息,确定出对中老年疾病预测有价值的生命体征信息;
同时,具体的,所述信息处理模块还包括:
第一生命体征信息提取模块,用于提取当前接收到的中老年的生命体征信息;
第二生命体征信息提取模块,用于提取从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息;
第一质量评价模块,用于利用所述当前接收到的中老年的生命体征信息和从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息获取当前生命体征信息的质量评价参数;其中,所述质量评价参数通过如下公式获取:
其中,K表示质量评价参数;Cz表示从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息的数据总量;C表示当前接收到的中老年的生命体征信息的数据总量;n表示生命体征信息的特征种类数量;Ci表示当前接收到的第i种生命体征信息的无价值的生命体征信息的数据量;Cdi表示当前接收到的当前接收到的第i种生命体征信息的总数据量;
第一比较模块,用于当当前生命体征信息的质量评价参数低于预设的参数阈值时,则放弃当前一次接收到的中老年的生命体征信息;
第二质量评价模块,用于获取下一次接收到的中老年的生命体征信息和从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息对应的质量评价参数;
第二比较模块,用于如果所述下一次接收到的中老年的生命体征信息和从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息对应的质量评价参数仍低于预设的参数阈值时,则进行信息采集异常报警。
上述技术方案的技术效果为:该方案使用两个生命体征信息提取模块,分别用于提取当前接收到的中老年人的生命体征信息和过滤掉无价值信息。这有助于从混杂的生命体征数据中提取出重要的特征用于后续的分析和预测。
通过第一质量评价模块,利用提取的生命体征信息和过滤掉的无价值信息,得到当前生命体征信息的质量评价参数。这个参数的计算考虑了不同特征种类的数量和每种特征的数据量,有助于判断当前接收到的生命体征信息的可靠程度。
通过第一比较模块,将当前的质量评价参数与预设的参数阈值进行比较。如果参数低于预设阈值,说明当前生命体征信息的质量较差,可能不适合进行后续的分析和预测,因此将放弃当前接收到的信息。
通过第二质量评价模块,获取下一次接收到的生命体征信息对应的质量评价参数。再通过第二比较模块,如果下一次接收到的信息的质量评价参数仍低于预设的参数阈值,说明连续多次接收到的信息质量较差,可能存在异常情况,可能需要进行信息采集异常报警,以提醒监护人或医护人员注意可能出现的问题。
综上所述,该技术方案通过提取和评估中老年人的生命体征信息,并根据质量评价参数进行合理判断和异常报警,从而实现对中老年人健康状况的监测和预警,有助于提高健康管理的效率和准确性。
具体的,过滤掉中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息,其中实时采集的生命体征信息中包含有重复及缺失的生命体征信息,过滤掉中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息,即为过滤掉这些重复及缺失的生命体征信息。
利用信息分组单元可对确定出来的对中老年疾病预测有价值的生命体征信息进行分组,基于互斥性原则,对中老年人的生命体征信息进行分组,确定出基于不同类别的生命体征信息组别;
利用信息排序单元可对生命体征信息组别内的生命体征信息进行排序,按照生命体征信息的采集时间,对生命体征信息进行有效的排序,确定出中老年人的生命体征表征信息。
分析预测模块,与智能管控模块建立连接,用于对中老年人的生命体征表征信息进行分析预测,获取中老年人的生命体征表征信息,且参照存储的生命体征阈值信息,确定出中老年人的生命体征分析预测报告;
需要说明的是,分析预测模块包括:索引调取单元及分析预测单元;
利用索引调取单元可索引调取生命体征阈值信息,获取中老年人的生命体征表征信息,基于生命体征表征信息,从存储的多个生命体征阈值信息中索引出与中老年人的生命体征表征信息相匹配的生命体征阈值信息,且将索引出的生命体征阈值信息调取出来;
利用分析预测单元可对中老年人的生命体征表征信息进行分析预测,获取中老年人的生命体征表征信息及生命体征阈值信息,基于生命体征阈值信息,对生命体征表征信息进行分析预测,确定出中老年人的生命体征分析预测报告。
具体的,对中老年人的生命体征表征信息进行分析预测,包括:
获取中老年人的生命体征分析预测报告;
基于中老年人的生命体征分析预测报告,索引调取出与中老年人的生命体征表征信息相匹配的生命体征阈值信息;
获取中老年人的生命体征表征信息及与中老年人的生命体征表征信息相匹配的生命体征阈值信息;
基于生命体征阈值信息,对生命体征表征信息进行分析预测,确定出中老年人的生命体征分析预测报告;
针对生命体征表征信息在生命体征阈值信息范围内的情况,则确定出的中老年人的生命体征分析预测报告为中老年人的生命体征正常,其预测中老年人不存在中老年疾病风险;
针对生命体征表征信息不在生命体征阈值信息范围内的情况,则确定出的中老年人的生命体征分析预测报告为中老年人的生命体征异常,其预测中老年人存在中老年疾病风险。
具体的,对中老年人的生命体征表征信息进行分析预测,其分析预测情况如下:
一)实时采集中老年人的心率信息,依据心率阈值,进行分析预测,其分析预测如表1所示:
表1:心率分析预测情况
二)实时采集中老年人的脉搏信息,依据脉搏阈值,进行分析预测,其分析预测如表2所示:
表2:脉搏分析预测情况
三)实时采集中老年人的血压信息,依据血压阈值,进行分析预测,其分析预测如表3所示:
表3:血压分析预测情况
四)实时采集中老年人的血氧饱和度信息,依据血氧饱和度阈值,进行分析预测,其分析预测如表4所示:
表4:血氧饱和度分析预测情况
信息存储模块,与分析预测模块建立连接,用于存储中老年人的生命体征阈值信息,基于存储的中老年人的生命体征阈值信息,为中老年人的生命体征表征信息进行分析预测提供参照指导依据;
需要说明的是,信息存储模块包括:体征存储单元及阈值存储单元;
体征存储单元,用于存储实时采集的中老年人的生命体征信息;
阈值存储单元,用于存储多个生命体征阈值信息,基于存储的中老年人的生命体征阈值信息,为中老年人的生命体征表征信息进行分析预测提供参照指导依据。
智能管控模块,与分析预测模块建立连接,用于对中老年疾病预测情况进行智能管控,获取中老年人的生命体征分析预测报告,基于数据挖掘技术,对中老年人的生命体征分析预测报告进行相关性及关联性分析,确定出中老年疾病预测管控策略,按照中老年疾病预测管控策略对中老年疾病预测情况进行智能管控。
需要说明的是,智能管控模块包括:挖掘分析单元及智能管控单元;
利用挖掘分析单元可对中老年人的生命体征分析预测报告进行挖掘分析,获取中老年人的生命体征分析预测报告,基于数据挖掘技术,对中老年人的生命体征分析预测报告进行相关性及关联性分析,基于机器学习算法,确定出中老年疾病预测管控策略;
利用智能管控单元可对中老年疾病预测情况进行智能管控,获取中老年疾病预测管控策略,按照中老年疾病预测管控策略对中老年疾病预测情况进行智能管控及相应预警。
具体的,对中老年疾病预测情况进行智能管控,包括:
针对中老年人存在中老年疾病风险的情况,则基于数据挖掘技术,对中老年人的生命体征分析预测报告进行相关性及关联性分析,基于机器学习算法,确定出中老年疾病预测管控策略;
按照中老年疾病预测管控策略对中老年疾病预测情况进行智能管控及相应预警,为中老年人提供疾病预测建议,且指导中老年人进行相应的治疗。
综上,本发明的基于人工智能的中老年疾病预测系统,实时采集中老年人的生命体征信息,且对生命体征信息进行检索、分组及排序,确定出中老年人的生命体征表征信息,基于中老年人的生命体征表征信息,且参照存储的生命体征阈值信息,确定出中老年人的生命体征分析预测报告,基于数据挖掘技术,对中老年人的生命体征分析预测报告进行相关性及关联性分析,确定出中老年疾病预测管控策略,按照中老年疾病预测管控策略对中老年疾病预测情况进行智能管控及相应预警,为中老年人提供疾病预测建议,且指导中老年人进行相应的治疗,可对中老年人的生命体征信息进行实时监测及综合评估,提高中老年疾病预测准确度,且可给予中老年人相应的管控治疗建议,提升中老年人使用体验感。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种基于人工智能的中老年疾病预测系统,其特征在于,包括:
信息采集模块,与信息处理模块建立连接,用于实时采集中老年人的生命体征信息,且将实时采集的中老年人的生命体征信息发送给信息处理模块,其中中老年人的生命体征信息包括心率、脉搏、血压、血氧饱和度;
信息处理模块,与分析预测模块建立连接,用于对实时采集的中老年人的生命体征信息进行处理,获取中老年人的生命体征信息,且对生命体征信息进行检索、分组及排序,确定出中老年人的生命体征表征信息;
分析预测模块,与智能管控模块建立连接,用于对中老年人的生命体征表征信息进行分析预测,获取中老年人的生命体征表征信息,且参照存储的生命体征阈值信息,确定出中老年人的生命体征分析预测报告;
信息存储模块,与分析预测模块建立连接,用于存储中老年人的生命体征阈值信息,基于存储的中老年人的生命体征阈值信息,为中老年人的生命体征表征信息进行分析预测提供参照指导依据;
智能管控模块,与分析预测模块建立连接,用于对中老年疾病预测情况进行智能管控,获取中老年人的生命体征分析预测报告,基于数据挖掘技术,对中老年人的生命体征分析预测报告进行相关性及关联性分析,确定出中老年疾病预测管控策略,按照中老年疾病预测管控策略对中老年疾病预测情况进行智能管控;
所述信息采集模块包括:
心率监测传感器,用于实时获取中老年人的心率信号,确定出中老年人的心率信息;
脉搏传感器,用于实时获取中老年人的脉搏信号,利用脉搏传感器检测动脉搏动时产生的压力变化,且将之转换成更直观观察和检测的电信号,确定出中老年人的脉搏信息;
血压传感器,用于实时获取中老年人的血压信号,确定出中老年人的血压信息;
血氧饱和度探头,用于实时获取中老年人的血氧饱和度信号,确定出中老年人的血氧饱和度信息;
基于实时采集的中老年人的心率信息、脉搏信息、血压信息及血氧饱和度信息,确定出中老年人的实时的生命体征信息;
所述信息处理模块包括:
信息检索单元,用于对中老年人的生命体征信息进行检索,基于顺序检索方法,过滤掉中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息,确定出对中老年疾病预测有价值的生命体征信息;
信息分组单元,用于对确定出来的对中老年疾病预测有价值的生命体征信息进行分组,基于互斥性原则,对中老年人的生命体征信息进行分组,确定出基于不同类别的生命体征信息组别;
信息排序单元,用于对生命体征信息组别内的生命体征信息进行排序,按照生命体征信息的采集时间,对生命体征信息进行有效的排序,确定出中老年人的生命体征表征信息;
所述信息处理模块还包括:
第一生命体征信息提取模块,用于提取当前接收到的中老年的生命体征信息;
第二生命体征信息提取模块,用于提取从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息;
第一质量评价模块,用于利用所述当前接收到的中老年的生命体征信息和从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息获取当前生命体征信息的质量评价参数;其中,所述质量评价参数通过如下公式获取:
其中,K表示质量评价参数;n表示生命体征信息的特征种类数量;Ci表示当前接收到的第i种生命体征信息的无价值的生命体征信息的数据量;Cdi表示当前接收到的第i种生命体征信息的总数据量;K0表示预设的基准参数值;
第一比较模块,用于当当前生命体征信息的质量评价参数低于预设的参数阈值时,则放弃当前一次接收到的中老年的生命体征信息;
第二质量评价模块,用于获取下一次接收到的中老年的生命体征信息和从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息对应的质量评价参数;
第二比较模块,用于如果所述下一次接收到的中老年的生命体征信息和从所述当前接收到的中老年的生命体征信息中过滤掉的中老年人的生命体征信息中对中老年疾病预测无价值的生命体征信息对应的质量评价参数仍低于预设的参数阈值时,则进行信息采集异常报警;
所述分析预测模块包括:
索引调取单元,用于索引调取生命体征阈值信息,获取中老年人的生命体征表征信息,基于生命体征表征信息,从存储的多个生命体征阈值信息中索引出与中老年人的生命体征表征信息相匹配的生命体征阈值信息,且将索引出的生命体征阈值信息调取出来;
分析预测单元,用于对中老年人的生命体征表征信息进行分析预测,获取中老年人的生命体征表征信息及生命体征阈值信息,基于生命体征阈值信息,对生命体征表征信息进行分析预测,确定出中老年人的生命体征分析预测报告。
2.根据权利要求1所述的一种基于人工智能的中老年疾病预测系统,其特征在于,所述信息存储模块包括:
体征存储单元,用于存储实时采集的中老年人的生命体征信息;
阈值存储单元,用于存储多个生命体征阈值信息,基于存储的中老年人的生命体征阈值信息,为中老年人的生命体征表征信息进行分析预测提供参照指导依据。
3.根据权利要求2所述的一种基于人工智能的中老年疾病预测系统,其特征在于,所述智能管控模块包括:
挖掘分析单元,用于对中老年人的生命体征分析预测报告进行挖掘分析,获取中老年人的生命体征分析预测报告,基于数据挖掘技术,对中老年人的生命体征分析预测报告进行相关性及关联性分析,基于机器学习算法,确定出中老年疾病预测管控策略;
智能管控单元,用于对中老年疾病预测情况进行智能管控,获取中老年疾病预测管控策略,按照中老年疾病预测管控策略对中老年疾病预测情况进行智能管控及相应预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311285647.9A CN117438083B (zh) | 2023-10-07 | 2023-10-07 | 一种基于人工智能的中老年疾病预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311285647.9A CN117438083B (zh) | 2023-10-07 | 2023-10-07 | 一种基于人工智能的中老年疾病预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117438083A CN117438083A (zh) | 2024-01-23 |
CN117438083B true CN117438083B (zh) | 2024-03-19 |
Family
ID=89547142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311285647.9A Active CN117438083B (zh) | 2023-10-07 | 2023-10-07 | 一种基于人工智能的中老年疾病预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117438083B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680680A (zh) * | 2017-09-07 | 2018-02-09 | 广州九九加健康管理有限公司 | 基于精准健康管理的心脑血管疾病风险预警方法及系统 |
CN112568876A (zh) * | 2020-12-07 | 2021-03-30 | 深圳镭洱晟科创有限公司 | 基于lstm多生理参数的老年人健康预测系统及预测方法 |
CN113130085A (zh) * | 2021-03-25 | 2021-07-16 | 边缘智能研究院南京有限公司 | 一种基于大数据的5g智能感控预测系统 |
CN113764105A (zh) * | 2021-10-21 | 2021-12-07 | 南方医科大学南方医院 | 一种中老年心血管数据预测方法 |
-
2023
- 2023-10-07 CN CN202311285647.9A patent/CN117438083B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680680A (zh) * | 2017-09-07 | 2018-02-09 | 广州九九加健康管理有限公司 | 基于精准健康管理的心脑血管疾病风险预警方法及系统 |
CN112568876A (zh) * | 2020-12-07 | 2021-03-30 | 深圳镭洱晟科创有限公司 | 基于lstm多生理参数的老年人健康预测系统及预测方法 |
CN113130085A (zh) * | 2021-03-25 | 2021-07-16 | 边缘智能研究院南京有限公司 | 一种基于大数据的5g智能感控预测系统 |
CN113764105A (zh) * | 2021-10-21 | 2021-12-07 | 南方医科大学南方医院 | 一种中老年心血管数据预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117438083A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
WO2023098303A1 (zh) | 面向癫痫视频脑电图检查的癫痫发作实时检测监控系统 | |
CN107252313A (zh) | 一种安全驾驶的监测方法及系统、汽车、可读存储介质 | |
CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
CN115862877A (zh) | 睡眠可持续性检测量化及辅助干预的方法、系统和装置 | |
JP2023544242A (ja) | 心イベントを検出及び/又は予測するための、心電図処理システム | |
CN102106730A (zh) | 基于分形特征的脑电信号处理及警觉度检测方法 | |
JP5544365B2 (ja) | マルチパラメーターモニタリングにおける改善又はマルチパラメーターモニタリングに関する改善 | |
CN109567832A (zh) | 一种基于智能手环的检测愤怒驾驶状态的方法及系统 | |
CN117612693B (zh) | 一种患者实时监测和预警方法、装置、计算机及存储介质 | |
CN117438083B (zh) | 一种基于人工智能的中老年疾病预测系统 | |
CN112617833A (zh) | 一种基于静息态脑电波检测抑郁症的装置 | |
CN116942182A (zh) | 一种体质健康监控装置 | |
Chumrit et al. | Ecg-based arrhythmia detection using average energy and zero-crossing features with support vector machine | |
Javel et al. | Epileptic seizure detection via EEG using tree-based pipeline optimization tool | |
CN115376692A (zh) | 一种健康数据的处理方法、装置、电子设备及存储介质 | |
Gu et al. | Detecting epileptic seizures via non-uniform multivariate embedding of EEG signals | |
CN117958763B (zh) | 一种基于时间轴的患者360度指标检测方法 | |
CN114664445A (zh) | 一种脑卒中复发风险患者用预测系统 | |
CN117958763A (zh) | 一种基于时间轴的患者360度指标检测方法 | |
CN112545535B (zh) | 一种基于振幅整合脑电图的睡眠觉醒周期的分析方法 | |
Islamiyah et al. | Identification of epilepsy phase based on time domain feature using ECG signals | |
CN117387909B (zh) | 一种医用光学仪器性能检测系统 | |
Rahman | An Analytics of Sleep Apnea Classification using Caswideresnet Algorithm |
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 |