CN117457173B - 一种用于心内科的可穿戴设备心律失常监测系统 - Google Patents
一种用于心内科的可穿戴设备心律失常监测系统 Download PDFInfo
- Publication number
- CN117457173B CN117457173B CN202311786457.5A CN202311786457A CN117457173B CN 117457173 B CN117457173 B CN 117457173B CN 202311786457 A CN202311786457 A CN 202311786457A CN 117457173 B CN117457173 B CN 117457173B
- Authority
- CN
- China
- Prior art keywords
- data
- quality
- coefficient
- monitoring
- data quality
- 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 133
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 23
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 53
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 238000004891 communication Methods 0.000 claims abstract description 18
- 238000007689 inspection Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 39
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000001755 vocal effect Effects 0.000 claims 1
- 230000033764 rhythmic process Effects 0.000 abstract description 20
- 230000000747 cardiac effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000005189 cardiac health Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000844 transformation Methods 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
- 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
- G16H40/40—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 management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- 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
- A61B5/02405—Determining heart rate variability
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Pathology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pure & Applied Mathematics (AREA)
- Veterinary Medicine (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Operations Research (AREA)
Abstract
本发明公开了一种用于心内科的可穿戴设备心律失常监测系统,涉及心律失常监测技术领域,由分析结果搭建监测数据的数据质量集合,生成当前接收周期内的数据质量系数,若所获取的数据质量系数低于质量阈值,使用训练后的运行状态预测模型对监测数据的数据质量进行预测,并由预测结果生成若干有序排列的数据质量系数,若数据质量系数呈下降趋势,由回归方程内自变量的回归系数生成环境条件对可穿戴设备的影响系数,若其超过影响阈值,通信单元向外部发出调整指令;对运行区域内的环境条件做适应性调整,若调整效果未能达到预期,对可穿戴设备做质检。输出与实际数据偏差较小的有效数据,在将可穿戴设备用于患者的心律监测时,可靠性更高。
Description
技术领域
本发明涉及心律失常监测技术领域,具体为一种用于心内科的可穿戴设备心律失常监测系统。
背景技术
心律监测是一种通过特定的设备或技术来持续观察和记录心脏跳动频率的过程,主要应用于医疗诊断:医生可以通过心律监测数据来诊断和监测各种心脏疾病,以及健康管理:对于普通人,定期的心律监测可以帮助了解自己的心脏健康状况,及时调整生活习惯和锻炼方式。心律监测是维护心脏健康的重要手段,无论是使用专业医疗设备还是日常的可穿戴设备,定期的心律监测都能为我们提供宝贵的心脏健康信息,监测设备主要包括:专业医疗设备:如心电图机(ECG),能够在医院或实验室环境下提供精确的心律数据;可穿戴设备:如智能手环或手表,它们经常配备有心率监测功能,适合在日常生活中进行心律的持续监测。
在申请公布号CN105943021A为的中国发明专利中,公开了一种可穿戴心脏节律监测装置,包括处理器和与处理器相通讯的心率传感器、运动传感器、至少两片心电电极片、存储器和心电记录模块;处理器包括平均心率计算模块、正常心率变动范围计算模块、心率分类模块、快速性心率运动校验模块;存储器用于接收并存储数据信息;
以上申请中记载的监测装置,主要侧重于从医学角度监测、可收集所有与心律失常相关的关键数据:心率、运动、心电图、血氧饱和度,自动监测可记录心律监测程序发现的心律失常事件;对每一个心跳进行多维度的自动分析,并进行准确分类,从而发现多种潜在的心律失常问题。
但是在结合以上申请及现有技术的基础上,以上申请还存在如下缺陷:
在使用可穿戴设备对患者做心律监测时,所输出的监测数据用于对患者的健康程度作出判断,但是,若可穿戴设备在外部环境存在一定的变化甚至发生异常时,例如,环境内存在电磁干扰源,或者湿度大幅度进行增加时,可穿戴设备的运行状态会受到一定程度影响,所输出的监测数据的数据质量也会降低,若是将这类数据直接进行应用,在评价患者的健康状态时,做出错误判断的风险也较大,现有的心律监测系统在输出监测数据后,虽然会对监测数据做出预处理,但是在使用时,对其所在环境并未做出充分考量,这就导致环境一旦产生变化,监测系数就存在较大失真风险。
为此,本发明提供了一种用于心内科的可穿戴设备心律失常监测系统。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种用于心内科的可穿戴设备心律失常监测系统,通过分析结果搭建监测数据的数据质量集合,生成当前接收周期内的数据质量系数,若所获取的数据质量系数低于质量阈值,使用训练后的运行状态预测模型对监测数据的数据质量进行预测,并由预测结果生成若干有序排列的数据质量系数,若数据质量系数呈下降趋势,由回归方程内自变量的回归系数生成环境条件对可穿戴设备的影响系数,若其超过影响阈值,通信单元向外部发出调整指令;对运行区域内的环境条件做适应性调整,若调整效果未能达到预期,对可穿戴设备做质检。在将可穿戴设备用于患者的心律监测时,可靠性更高,从而解决了背景技术中提出的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种用于心内科的可穿戴
设备心律失常监测系统,包括如下步骤:由环境检测单元对可穿戴设备所处的运行区域内
的环境条件进行检测,由检测结果构建运行条件集合,将运行条件集合发送至处理单元,由
运行条件集合生成运行条件系数,若所获取的运行条件系数超过条件阈值,
通信单元向外部发出预警指令;
接收可穿戴设备发出的监测数据,经过预处理后,获取若干个监测数据列;由数据
识别单元对监测数据列做数据质量分析,由分析结果搭建监测数据的数据质量集合,将数
据质量集合发生至处理单元,由数据质量集合生成当前接收周期内的数据质量系数
,若所获取的数据质量系数低于质量阈值,通信单元发出验证指令;
由处理单元构建可穿戴设备的运行状态预测模型,使用训练后的运行状态预测模
型对监测数据的数据质量进行预测,并由预测结果生成若干有序排列的数据质量系数,若数据质量系数呈下降趋势,通信单元向外部发出分析指令;
由处理单元构建回归方程,并由回归方程内自变量的回归系数生成环境条件对可
穿戴设备的影响系数,从回归方程内分别获取与温度T、湿度rH及电磁干扰度Rd相应
的回归系数,并以所述回归系数作为相应的影响因子及,依照如下公式:
权重系数取值为:,;若影响系数超过影响阈
值,通信单元向外部发出调整指令;
在接收到调整指令后,对运行区域内的环境条件做适应性调整,若调整效果未能
达到预期,对可穿戴设备做质检,修正单元对数据质量系数低于质量阈值的监测数
据列内的异常数据做修正,将修正后的监测数据列输出。
进一步的,在运行区域内设置检测点,在检测周期内对运行区域内的环境条件进行检测,其中,所述环境条件包括:运行区域内的温度T及湿度rH;对电磁干扰的强度进行检测,获取相应的电磁干扰度Rd,将以上在各个检测周期内检测获取的检测数据汇总后,构建运行区域内的运行条件集合。
进一步的,由运行条件集合生成运行条件系数,其具体方式如下:将温度T、
湿度rH及电磁干扰度Rd做线性归一化处理,将相应的数据值映射至区间内,再依据如
下方式:
其中,m,m为大于1的正整数,为检测周期的个数,为温度的均值,为湿度的均值,为电磁干扰度的均值;权重系数:,,,且。
进一步的,在接收周期内持续接收可穿戴设备发出的监测数据,做预处理后,连续获取若干个接收周期内的监测数据,对各项数据进行分类,获取若干个监测数据集合;接收到预警指令后,依据产生的时间节点,将监测数据沿着时间轴的延展方向做有序排列,获取若干个监测数据列,对所获取的监测数据列做数据质量分析,获取相应的分析结果:所述分析结果包括各个监测数据列的相对极差Rr、偏态系数Co和峰度Ko;将若干个监测数据列的分析结果汇总后,搭建数据质量集合。
进一步的,由获取的数据质量集合生成当前接收周期内的数据质量系数,
具体的方式如下:将相对极差Rr、偏态系数Co和峰度Ko做线性归一化处理,并将相应的数据
值映射至区间内,并依照如下方式:获取各个监测数据列的质量评估值,具体方
式如下:
权重系数:,,且。
进一步的,由各个监测数据列的质量评估值获取数据质量系数,具
体方式如下:
其中,为权重系数,,,且,为质量评
估值的均值,n为监测数据列的个数,是大于1的正整数,。
进一步的,采集可穿戴设备的使用数据,使用Bp神经网络搭建初始模型,对初始模
型进行训练和测试,将训练后的初始模型作为可穿戴设备的运行状态预测模型;在接收到
验证指令后,以运行条件集合内的环境条件数据作为输入,使用训练后的运行状态预测模
型,对由可穿戴设备输出的监测数据的数据质量进行预测,以每个预测周期的结束时间点
作为预测节点,获取连续若干个预测节点处的数据质量系数;将若干个数据质量系
数沿着时间轴做有序排列,获取相应的数据列,对数据列做趋势分析。
进一步的,在连续获取若干个数据质量系数后,结合历史数据,以运行条件
集合内的环境条件作为自变量,以数据质量系数作为因变量,做多重线性回归分析,
由分析结果构建相应回归方程;从回归方程内获取与各个自变量相对应的回归系数,获取
环境条件的影响系数。
进一步的,依据与各个自变量相对应的回归系数,对运行条件集合内的环境条件
参数做适应性调整,并以改后的环境条件为修正条件,以修正条件做输入,使用训练
后的运行状态预测模型,连续预测获取若干个预测节点上的数据质量系数;
若数据质量系数呈上升趋势,继续对环境条件参数做调整,直至使数据质
量系数超过预先设置的质量阈值;若在经过多次调整后,对应的数据质量系数仍未
超过预先设置的质量阈值,向外部发出质检指令。
进一步的,在可穿戴设备发出的监测数据质量未能超过质量阈值时,对其中异常数据进行修正,对监测数据列做函数拟合,经过K-S验证后获取相应的拟合函数,结合预先设置的异常标准,从各个监测数据列中筛选出相应的异常数据;确定产生异常数据的时间节点后,由拟合函数生成对应的替换值,对异常数据进行替换,将修正后的监测数据列输出。
(三)有益效果
本发明提供了一种用于心内科的可穿戴设备心律失常监测系统,具备以下有益效果:
1、以数据质量系数对可穿戴设备在运行区域内的运行状态作出评价,以确
认其当前的运行状态是否异常,若是存在异常,对可穿戴设备进行质检,或者对运行区域内
的环境条件进行调整,从而使可穿戴设备在用于对患者采取心律做监测时,所输出的监测
数据与实际值的偏差更小,失真风险更低,真实性更高。
2、若可穿戴设备仍在运行区域内维持运行状态,以训练后的运行状态预测模型对
其工作状态进行预测,依据数据质量系数的变化,对可穿戴设备的运行状态形成预
测和评估。
3、若可穿戴设备的运行状态在逐渐变差,可穿戴设备所受到的干扰和负面影响是累积的,通过发出分析指令,以便于做进一步的分析,在对运行区域内的环境条件作调整时,能够调整的更为细致和明确。
4、判断各个参数对数据质量系数具体的影响程度;在影响系数超过
影响阈值时,为了降低环境条件对数据质量系数的影响,对运行区域内的环境条件
做出适应性的调整,既能够改善患者所处的环境,也能够改善可穿戴设备的运行条件。
5、对相应的修正条件的有效性进行验证,对运行区域内环境条件的调整的效果形成确认和保障,并在多次调整后,使运行区域内的环境条件进入可预期的最佳状态,从而对可穿戴设备的工作状态形成保障,维持监测数据的有效性,通过发出质检指令,在可穿戴设备的运行状态可能存在异常时,通过相应的质量检测,则能够及时的进行维护。
6、在筛选出异常数据后,对其中明显异常的数据做出替换和修正,从而使可穿戴设备运用时,能够输出与实际数据偏差较小的有效数据,在将可穿戴设备用于患者的心律监测时,稳定性和可靠性更高,能够受到环境影响更少。
附图说明
图1为本发明可穿戴设备心律失常监测系统结构示意图;
图2为本发明可穿戴设备心律失常监测方法流程示意图。
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。
请参阅图1及图2,本发明提供一种用于心内科的可穿戴设备心律失常监测系统,
步骤一、由环境检测单元对可穿戴设备所处的运行区域内的环境条件进行检测,
由检测结果构建运行条件集合,将运行条件集合发送至处理单元,由运行条件集合生成运
行条件系数,若所获取的运行条件系数超过条件阈值,通信单元向外部发出
预警指令;
所述步骤一包括如下内容:
步骤101、在需要通过可穿戴设备对患者的心律进行持续监测时,确定所述可穿戴设备的运行区域,在运行区域内设置检测点;设置检测周期后,例如,以3分钟或者5分钟为一个检测周期,在检测周期内对运行区域内的环境条件进行检测,其中,所述环境条件包括:运行区域内的温度T及湿度rH;
若可穿戴设备在运行区域内受到一定的电磁干扰,对该电磁干扰的强度进行检测,获取相应的电磁干扰度Rd,将以上在各个检测周期内检测获取的检测数据汇总后,构建运行区域内的运行条件集合;
步骤102、由运行条件集合生成运行条件系数,其具体方式如下:将温度T、
湿度rH及电磁干扰度Rd做线性归一化处理,将相应的数据值映射至区间内,再依据如
下方式:
其中,m,m为大于1的正整数,为检测周期的个数,为温度的均值,为湿度的均值,为电磁干扰度的均值;权重系数:,,,且,其中,权重系数可参考层次分析法确定,或者由用户设置;
作为补充说明,为温度在i位置上的值,为湿度在i位置上的值;为电磁干
扰度在i位置上的值;
需要说明的是:层次分析法是一种定性和定量相结合的分析方法,它可以将复杂的问题分解为多个层次,通过比较各层次因素的重要性,可以帮助决策者对复杂问题进行决策,确定最终的决策方案,在这个过程中,层次分析法可以用来确定这些指标的权重系数;层次分析法的步骤如下:
明确问题:首先需要明确决策问题,确定决策的目标和备选方案;
建立层次结构模型:根据问题的性质和决策目标,将问题分解为不同的层次,通常包括目标层、准则层和方案层;目标层是决策问题的总目标,准则层是用于评估备选方案的准则,方案层是备选方案;
构造判断矩阵:通过两两比较同一层次中的元素相对于上一层中某一元素的重要性,构造判断矩阵。判断矩阵中的元素表示两个元素相对重要性的比值;
层次单排序:根据判断矩阵,计算同一层次中元素相对于上一层中某一元素的相对重要性排序权重。这一过程称为层次单排序;
一致性检验:检验判断矩阵的一致性,即检验判断矩阵是否满足一致性条件。如果满足一致性条件,则认为层次单排序结果是合理的;
层次总排序:计算各层元素对系统目标的合成权重,进行总排序,以确定递阶结构图中最底层各个元素的总排序权重;
通过层次分析法,决策者可以将复杂的决策问题分解为不同的层次,并基于定性和定量的分析进行决策;这种方法能够提高决策的准确性和有效性,特别适用于那些难以用定量方法解决的复杂问题。
作为进一步的说明,对于温度T、湿度rH及电磁干扰度Rd会对可穿戴设备造成的影响,作以下举例说明:
温度对可穿戴设备的影响如下:
设备性能:高温或低温环境可能会影响可穿戴设备的性能,例如,处理器的运行速度、电池的续航能力等都可能受到温度的影响;
数据准确性:一些可穿戴设备,如健康追踪器,依赖于温度感应来收集准确的数据,温度变化可能会干扰这些设备的读数,从而影响数据的准确性。
湿度对可穿戴设备的影响如下:
在性能方面,湿度对可穿戴设备的电子元件和电池也可能产生不良影响,高湿度环境可能导致设备内部的电子元件受潮,从而引发短路或故障,此外,湿度还可能影响电池的性能和寿命,因为湿度可能导致电池内部的化学反应加速,从而缩短电池的使用时间。
电磁干扰对可穿戴设备的影响如下:
电磁干扰可能导致可穿戴设备的某些功能异常,例如,如果设备中的指南针受到电磁干扰,可能会导致方向定位不准确,这在运动、导航等场景下会造成困扰。此外,电磁干扰也可能影响设备的计数准确性,如步数、距离等数据的记录。
电磁干扰还会对可穿戴设备的传感器产生影响,可能会影响手表、手机中的磁性传感器,导致设备的屏幕显示错乱,或者影响设备的气压、位置等传感器,从而影响相关功能的正常使用。
结合历史数据及对可穿戴设备的管理预期,预先条件阈值,若所获取的运行条件
系数超过预先设置的条件阈值,则说明当前的运行区域内的环境条件可能会对可穿
戴设备运行和工作起到一定的负面影响,可能会使其产生的监测数据和实际数据间存在一
定偏差,使监测数据失真,最终对患者的心律状态产生一定的误判,此时,向外部发出预警
指令,以便于对此情形及时做出相应的处理;
使用时,结合步骤101及102中的内容:
在将可穿戴设备用于对患者做心律监测时,为了维持可穿戴设备的可用性,在限
定其使用区域后,对使用区域内的环境条件进行采集和评估,由运行条件集合生成运行条
件系数,以运行条件系数对当前的环境条件做出综合评价,从而可以判断可
穿戴设备在当前的环境下能否保持正常的运行状态,若是可穿戴设备受到来自温度、湿度
或者电磁干扰影响较大,则说明可穿戴设备的运行状态可能存在一定的异常。
而在现有技术中:在使用可穿戴设备对患者做心律监测时,所输出的监测数据用于对患者的健康程度做出判断,但是,若可穿戴设备在外部环境存在一定的变化甚至发生异常时,例如,环境内存在电磁干扰源,或者湿度大幅度进行增加时,可穿戴设备的运行状态会受到一定程度影响,所输出的监测数据的数据质量也会降低,若是将这类数据直接进行应用,在评价患者的健康状态时,做出错误判断的风险也较大,现有的心律监测系统在输出监测数据后,虽然会对监测数据做出预处理,但是在使用时,对其所在环境并未做出充分考量,这就导致环境一旦产生变化,监测系数就存在较大失真风险。
步骤二、在接收周期内持续接收可穿戴设备发出的监测数据,经过预处理后,获取
若干个监测数据列;由数据识别单元对监测数据列做数据质量分析,由分析结果搭建监测
数据的数据质量集合,将数据质量集合发生至处理单元,由数据质量集合生成当前接收周
期内的数据质量系数,若所获取的数据质量系数低于质量阈值,通信单元发
出验证指令;
所述步骤二包括如下内容:
步骤201、若可穿戴设备在运行区域内处于运行状态,预先设置数据接收周期,例如,使接收周期与检测周期等长,在接收周期内持续接收可穿戴设备发出的监测数据,对监测数据做预处理,其中,预处理过程可以参考如下内容:
数据清洗:检查数据中的缺失值、异常值和重复值,并进行相应的处理。缺失值可以通过插补方法(如均值插补、中位数插补等)进行填补,异常值可以进行剔除或用适当的方法进行修正,重复值则需要进行去重处理;
数据变换:对数据进行变换以满足模型的要求。常见的数据变换包括缩放(如标准化、归一化)、对数变换、幂变换等。这些变换可以使数据更符合正态分布,提高模型的稳定性和解释性。
变量选择:根据研究问题和数据特征,选择合适的自变量进入模型。过多的自变量可能会导致模型过拟合和解释性下降。可以采用一些变量选择方法,如逐步回归、Lasso回归等,来选择重要的自变量。
检测和处理多重共线性:多重共线性是指自变量之间存在高度线性相关关系。多重共线性会导致模型参数估计的不稳定性和解释性的下降。可以通过计算变量间的相关系数、方差膨胀因子(VIF)等指标来检测多重共线性,并采用一些方法(如岭回归、主成分回归等)来处理。
完成预处理后,连续获取若干个接收周期内的监测数据,依据监测数据种类对各项数据进行分类,获取若干个监测数据集合;
步骤202、接收到预警指令后,依据产生的时间节点,将监测数据沿着时间轴的延展方向做有序排列,获取若干个监测数据列,对所获取的监测数据列做数据质量分析,获取相应的分析结果:所述分析结果包括各个监测数据列的相对极差Rr、偏态系数Co和峰度Ko;将若干个监测数据列的分析结果汇总后,搭建数据质量集合;
步骤203、由获取的数据质量集合生成当前接收周期内的数据质量系数,具
体的方式如下:将相对极差Rr、偏态系数Co和峰度Ko做线性归一化处理,并将相应的数据值
映射至区间内,并依照如下方式:
获取各个监测数据列的质量评估值,具体方式如下:
权重系数:,,且;权重系数可以参考层次分析法确定,
或者由用户设置;
由各个监测数据列的质量评估值获取数据质量系数,具体方式如
下:
其中,为权重系数,,,且,具体值可由用户调
整设置,为质量评估值的均值,n为监测数据列的个数,是大于1的正整数,;
结合历史数据及对监测数据质量管理的预期,预先设置质量阈值;若所获取的数
据质量系数低于质量阈值,则说明当前的可穿戴设备在使用时存在一定的瑕疵,需
要及时的处理或者验证,若不能及时进行处理,较低的数据质量不利于可穿戴设备的持续
使用,也不利于对患者病情做出准确的判断,此时,向外部发出验证指令;
使用时,结合步骤201至203中的内容:
在可穿戴设备持续运行时,对其运行状态进行监测和评价,获取可穿戴设备输出
的监测数据后,对监测数据做数据分析后,构建数据质量集合生成数据质量系数,以
数据质量系数对可穿戴设备在运行区域内的运行状态作出评价,以确认其当前的运
行状态是否异常,若是存在异常,则说明可穿戴设备当前运行状态较差,不足以继续使用;
此时,需要对可穿戴设备进行质检,或者对运行区域内的环境条件进行调整,先通过对环境条件进行调整和改善,减少环境条件对可穿戴设备带来的负面影响,从而使可穿戴设备在用于对患者采取心律做监测时,所输出的监测数据与实际值的偏差更小,失真风险更低,真实性更高。
作为进一步的描述:
相对极差是指极差的相对值,可以用于表示数值的离散(集中)程度。相对极差的计算公式为:相对极差(%)=极差(绝对极差)/数值平均值×100%。
偏态系数又称偏差系数,是衡量统计数据分布偏斜程度的一个数值,偏态系数的计算公式为:偏态系数=三次中心矩/标准差的三次方。偏态系数以平均值与中位数之差对标准差之比率来衡量偏斜的程度。偏态系数小于0,因为平均数在众数之左,是一种左偏的分布,又称为负偏。偏态系数大于0,因为均值在众数之右,是一种右偏的分布,又称为正偏。
峰度又称峰态系数,是表征概率密度分布曲线在平均值处峰值高低的特征数,它反映了峰部的尖度,直观看来,峰度反映了峰部的尖锐程度。样本的峰度是和正态分布相比较而言,如果峰度大于三,峰的形状比较尖,比正态分布峰要陡峭。反之亦然。在统计学中,峰度衡量实数随机变量概率分布的峰态。
步骤三、经过样本数据训练后,由处理单元构建可穿戴设备的运行状态预测模型,
使用训练后的运行状态预测模型对监测数据的数据质量进行预测,并由预测结果生成若干
有序排列的数据质量系数,若数据质量系数呈下降趋势,通信单元向外部发
出分析指令;
所述步骤三包括如下内容:
步骤301、为了对可穿戴设备的使用状态进行验证,构建可穿戴设备的运行状态预测模型,具体方式如下:采集可穿戴设备的使用数据,包括,运行区域内环境条件,例如环境温度湿度等;可穿戴设备的运行状态数据,例如运行温度、运行负载等;可穿戴设备的规格属性数据、通信状态数据、输出的监测数据的数据质量指标等等;
对以上数据做特征识别后,获取相应的数据特征,在汇总后搭建数据特征集合,从数据特征集合内抽取部分数据分别作为训练集和测试集,使用Bp神经网络,在选择网络架构后搭建初始模型,对初始模型进行训练和测试,将训练后的初始模型作为可穿戴设备的运行状态预测模型;
步骤302、设置预测周期,例如使预测周期与检测周期等长,在接收到验证指令后,
以运行条件集合内的环境条件数据作为输入,使用训练后的运行状态预测模型,对由可穿
戴设备输出的监测数据的数据质量进行预测,以每个预测周期的结束时间点作为预测节
点,获取连续若干个预测节点处的数据质量系数;
使用时,通过使用样本数据训练获取运行状态预测模型,若可穿戴设备仍在运行
区域内维持运行状态,以训练后的运行状态预测模型对其工作状态进行预测,也即对预测
节点处的数据质量系数进行预测,从而依据数据质量系数的变化,对可穿戴
设备的运行状态形成预测和评估。
步骤303、将若干个数据质量系数沿着时间轴做有序排列,获取相应的数据
列,对数据列做趋势分析后,若数据质量系数的变化呈下降趋势,则说明环境条件对
其影响大于预期,需要对运行区域内的环境条件做出调整,此时,向外部发出分析指令;
使用时,结合步骤301及303的内容:
在可穿戴设备处于持续运行状态时,对由数据质量系数构成的数据列做趋
势分析,实现对可穿戴设备受环境条件的影响程度进行感知,若可穿戴设备的运行状态在
逐渐变差,则可以了解到,可穿戴设备所受到的干扰和负面影响是累积的,需要及时的进行
处理,否则输出的监测数据和实际数据的偏离越来越大;此时,通过发出分析指令,以便于
做进一步的分析,在对运行区域内的环境条件做调整时,能够调整的更为细致和明确。
步骤四、由处理单元构建回归方程,并由回归方程内自变量的回归系数生成环境
条件对可穿戴设备的影响系数,若影响系数超过影响阈值,通信单元向外部发
出调整指令;
所述步骤四包括如下内容:
步骤401、在连续获取若干个数据质量系数后,结合历史数据,以运行条件
集合内的环境条件作为自变量,以数据质量系数作为因变量,做多重线性回归分析,
由分析结果构建相应回归方程;
其中,多重线性回归分析可以参考如下内容:
多重线性回归分析是一种统计方法,用于研究一个因变量与多个自变量之间的关系,以下是进行多重线性回归分析的一般过程:
收集数据:收集相关的因变量和自变量的数据,这些数据可以是历史数据、调查数据或其他来源的数据;
建立模型:使用多重线性回归模型来描述因变量与自变量之间的关系;
估计参数:使用最小二乘法或其他方法来估计回归系数,这些系数表示了自变量对因变量的影响程度。
模型评估:评估模型的拟合程度和预测能力,常用的评估指标包括决定系数,调整决定系数还需要进行残差分析,以检查模型的假设是否满足。
步骤402、从回归方程内获取与各个自变量相对应的回归系数,依照如下方式获取
环境条件的影响系数;其具体方式如下:从回归方程内分别获取与温度T、湿度rH及
电磁干扰度Rd相应的回归系数,并以所述回归系数作为相应的影响因子及,依照如
下公式:
权重系数取值为:,;
结合历史数据及对监测数据的管理预期,预先设置影响阈值,若影响系数超
过影响阈值,则说明可穿戴设备的运行状态及所输出的监测数据的数据质量,在当前运行
环境下会受到一定程度影响;此时,需要向外部发出调整指令,以便于对其运行环境做出一
定的调整,进而使可穿戴设备的工作状态形成调整;
使用时,结合步骤401及402中的内容:
在做线性回归分析时,为了减少工作量,只在运行区域内选择若干个代表性的参
数,以数据质量系数做因变量,判断各个参数对数据质量系数具体的影响程
度;在影响系数超过影响阈值时,为了降低环境条件对数据质量系数的影响,
对运行区域内的环境条件做出适应性的调整,既能够改善患者所处的环境,也能够改善可
穿戴设备的运行条件。
步骤五、在接收到调整指令后,对运行区域内的环境条件做适应性调整,若调整效
果未能达到预期,对可穿戴设备做质检,修正单元对数据质量系数低于质量阈值的
监测数据列内的异常数据做修正,将修正后的监测数据列输出;
所述步骤五包括如下内容:
步骤501、依据与各个自变量相对应的回归系数,对运行条件集合内的环境条件参
数做适应性调整,并以改后的环境条件为修正条件,以修正条件做输入,使用训练后的运行
状态预测模型,连续预测获取若干个预测节点上的数据质量系数;
将若干个数据质量系数沿着时间轴做有序排列,获取相应的数据列,做趋势分析
后,若数据质量系数呈上升趋势,则说明当前的修改是能够起到一定的正面改善,此
时,可以继续对环境条件参数做调整,直至使数据质量系数超过预先设置的质量阈值,此
时,对运行区域内的环境条件的调整达到预期;
若在经过多次调整后,例如经过3次调整后,对应的数据质量系数仍未超过
预先设置的质量阈值,也即其未达到预期,此时,可以考虑对可穿戴设备进行质检,判断可
穿戴设备当前是否存在故障,向外部发出质检指令;
使用时,在完成对运行区域内的环境条件完成调整后,使用训练后的运行状态预测模型对相应的修正条件的有效性进行验证,从而对运行区域内环境条件的调整的效果形成确认和保障,并在多次调整后,使运行区域内的环境条件进入可预期的最佳状态,从而对可穿戴设备的工作状态形成保障,维持监测数据的有效性;同时,通过发出质检指令,在可穿戴设备的运行状态可能存在异常时,通过相应的质量检测,则能够及时的进行维护。
步骤502、在可穿戴设备发出的监测数据质量未能超过质量阈值时,对其中异常数据进行修正,包括如下内容:参考IQR方法设置异常数据的标准,其中,四分位距(IQR)是第三四分位数与第一四分位数的差距,超出IQR1.5倍距离的点被认为是异常值:
对监测数据列做函数拟合,经过K-S验证后获取相应的拟合函数,结合预先设置的异常标准,从各个监测数据列中筛选出相应的异常数据;确定产生异常数据的时间节点后,由拟合函数生成对应的替换值,对异常数据进行替换,将修正后的监测数据列输出,此时,完成对数据的修正;
使用时,结合步骤501至502中的内容:
在数据质量系数当前未能达到预期时,为了提高监测数据的有效性,在筛
选出异常数据后,对其中明显异常的数据做出替换和修正,从而使可穿戴设备运用时,能够
输出与实际数据偏差较小的有效数据,从而,在将可穿戴设备用于患者的心律监测时,稳定
性和可靠性更高,能够受到环境影响更少。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一些逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (7)
1.一种用于心内科的可穿戴设备心律失常监测系统,其特征在于:包括:环境检测单元、处理单元、通信单元、数据识别单元及修正单元,其中,
由环境检测单元对可穿戴设备所处的运行区域内的环境条件进行检测,由检测结果构建运行条件集合,将运行条件集合发送至处理单元,由运行条件集合生成运行条件系数,若所获取的运行条件系数/>超过条件阈值,通信单元向外部发出预警指令;其中,由运行条件集合生成运行条件系数/>,其具体方式如下:将温度T、湿度rH及电磁干扰度Rd做线性归一化处理,将相应的数据值映射至区间/>内,再依据如下方式:
,
其中,i=1,2,...,m,m为大于1的正整数,为检测周期的个数,为温度的均值,/>为湿度的均值,/>为电磁干扰度的均值;权重系数:/>,/>,/>,且;
接收可穿戴设备发出的监测数据,经过预处理后,获取若干个监测数据列;由数据识别单元对监测数据列做数据质量分析,由分析结果搭建监测数据的数据质量集合,将数据质量集合发送至处理单元,由数据质量集合生成当前接收周期内的数据质量系数,若所获取的数据质量系数/>低于质量阈值,通信单元发出验证指令;其中,由各个监测数据列的质量评估值/>获取数据质量系数/>,具体方式如下:
,
其中,为权重系数,/> ,/>,且/>,/>为质量评估值的均值,n为监测数据列的个数,是大于1的正整数,/>;
其中,由获取的数据质量集合生成当前接收周期内的数据质量系数,具体的方式如下:将相对极差Rr、偏态系数Co和峰度Ko做线性归一化处理,并将相应的数据值映射至区间/>内,并依照如下方式:获取各个监测数据列的质量评估值/>,具体方式如下:
,
权重系数:,/>,且/>;
由处理单元构建可穿戴设备的运行状态预测模型,使用训练后的运行状态预测模型对监测数据的数据质量进行预测,并由预测结果生成若干个有序排列的数据质量系数,若数据质量系数/>呈下降趋势,通信单元向外部发出分析指令;其中,采集可穿戴设备的使用数据,使用Bp神经网络搭建初始模型,对初始模型进行训练和测试,将训练后的初始模型作为可穿戴设备的运行状态预测模型;
由处理单元构建回归方程,并由回归方程内自变量的回归系数生成环境条件对可穿戴设备的影响系数,其中,从回归方程内分别获取与温度T、湿度rH及电磁干扰度Rd相应的回归系数,并以所述回归系数作为相应的影响因子/>及/>,依照如下公式:
,
权重系数取值为:,/>;若影响系数/>超过影响阈值,通信单元向外部发出调整指令;
在接收到调整指令后,对运行区域内的环境条件做适应性调整,若调整效果未能达到预期,对可穿戴设备做质检,修正单元对数据质量系数低于质量阈值的监测数据列内的异常数据做修正,将修正后的监测数据列输出。
2.根据权利要求1所述的用于心内科的可穿戴设备心律失常监测系统,其特征在于:
在运行区域内设置检测点,在检测周期内对运行区域内的环境条件进行检测,其中,所述环境条件包括:运行区域内的温度T及湿度rH;对电磁干扰的强度进行检测,获取相应的电磁干扰度Rd,将以上在各个检测周期内检测获取的检测数据汇总后,构建运行区域内的运行条件集合。
3.根据权利要求1所述的用于心内科的可穿戴设备心律失常监测系统,其特征在于:
在接收周期内持续接收可穿戴设备发出的监测数据,做预处理后,连续获取若干个接收周期内的监测数据,对各项数据进行分类,获取若干个监测数据集合;
接收到预警指令后,依据产生的时间节点,将监测数据沿着时间轴的延展方向做有序排列,获取若干个监测数据列,对所获取的监测数据列做数据质量分析,获取相应的分析结果:所述分析结果包括各个监测数据列的相对极差Rr、偏态系数Co和峰度Ko;将若干个监测数据列的分析结果汇总后,搭建数据质量集合。
4.根据权利要求1所述的用于心内科的可穿戴设备心律失常监测系统,其特征在于:
在接收到验证指令后,以运行条件集合内的环境条件数据作为输入,使用训练后的运行状态预测模型,对由可穿戴设备输出的监测数据的数据质量进行预测,以每个预测周期的结束时间点作为预测节点,获取连续若干个预测节点处的数据质量系数;将若干个数据质量系数/>沿着时间轴做有序排列,获取相应的数据列,对数据列做趋势分析。
5.根据权利要求4所述的用于心内科的可穿戴设备心律失常监测系统,其特征在于:
在连续获取若干个数据质量系数后,结合历史数据,以运行条件集合内的环境条件作为自变量,以数据质量系数/>作为因变量,做多重线性回归分析,由分析结果构建相应回归方程;从回归方程内获取与各个自变量相对应的回归系数,获取环境条件的影响系数/>。
6.根据权利要求5所述的用于心内科的可穿戴设备心律失常监测系统,其特征在于:
依据与各个自变量相对应的回归系数,对运行条件集合内的环境条件参数做适应性调整,并以改后的环境条件为修正条件,以修正条件做输入,使用训练后的运行状态预测模型,连续预测获取若干个预测节点上的数据质量系数;
若数据质量系数呈上升趋势,继续对环境条件参数做调整,直至使数据质量系数超过预先设置的质量阈值;若在经过多次调整后,对应的数据质量系数/>仍未超过预先设置的质量阈值,向外部发出质检指令。
7.根据权利要求6所述的用于心内科的可穿戴设备心律失常监测系统,其特征在于:
在可穿戴设备发出的监测数据质量未能超过质量阈值时,对其中异常数据进行修正,对监测数据列做函数拟合,经过K-S验证后获取相应的拟合函数,结合预先设置的异常标准,从各个监测数据列中筛选出相应的异常数据;确定产生异常数据的时间节点后,由拟合函数生成对应的替换值,对异常数据进行替换,将修正后的监测数据列输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311786457.5A CN117457173B (zh) | 2023-12-25 | 2023-12-25 | 一种用于心内科的可穿戴设备心律失常监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311786457.5A CN117457173B (zh) | 2023-12-25 | 2023-12-25 | 一种用于心内科的可穿戴设备心律失常监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117457173A CN117457173A (zh) | 2024-01-26 |
CN117457173B true CN117457173B (zh) | 2024-03-12 |
Family
ID=89584104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311786457.5A Active CN117457173B (zh) | 2023-12-25 | 2023-12-25 | 一种用于心内科的可穿戴设备心律失常监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117457173B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828539B (zh) * | 2024-03-06 | 2024-05-24 | 昆明智合力兴信息系统集成有限公司 | 数据智能融合分析系统及方法 |
CN118070199A (zh) * | 2024-04-18 | 2024-05-24 | 云南钧衡电力检测技术有限公司 | 一种电力设备检测方法及检测系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006009830A2 (en) * | 2004-06-18 | 2006-01-26 | Vivometrics Inc. | Systems and methods for real-time physiological monitoring |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN111539553A (zh) * | 2020-03-31 | 2020-08-14 | 华北电力大学 | 基于svr算法和偏峰度的风电机组发电机故障预警方法 |
WO2022126526A1 (zh) * | 2020-12-17 | 2022-06-23 | 浙江吉利控股集团有限公司 | 一种电池温度预测方法及系统 |
CN116794751A (zh) * | 2023-02-21 | 2023-09-22 | 中国农业科学院果树研究所 | 应用于果园的气象灾害动态监测数据感知系统 |
CN116894166A (zh) * | 2023-09-11 | 2023-10-17 | 中国标准化研究院 | 一种基于智能传感网络的土壤环境参数信息监测系统 |
CN117078017A (zh) * | 2023-09-15 | 2023-11-17 | 国网浙江省电力有限公司金华供电公司 | 一种用于电力电网设备监控智能化决策分析系统 |
CN117133464A (zh) * | 2023-10-26 | 2023-11-28 | 中国人民解放军总医院第二医学中心 | 一种老年人健康智能监测系统及监测方法 |
CN117153336A (zh) * | 2023-10-26 | 2023-12-01 | 中国人民解放军总医院第二医学中心 | 一种基于血液透析机的血液透析监测系统及其方法 |
CN117253616A (zh) * | 2023-11-17 | 2023-12-19 | 深圳市健怡康医疗器械科技有限公司 | 一种神经内科康复程度评价方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11410777B2 (en) * | 2012-11-02 | 2022-08-09 | The University Of Chicago | Patient risk evaluation |
-
2023
- 2023-12-25 CN CN202311786457.5A patent/CN117457173B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006009830A2 (en) * | 2004-06-18 | 2006-01-26 | Vivometrics Inc. | Systems and methods for real-time physiological monitoring |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN111539553A (zh) * | 2020-03-31 | 2020-08-14 | 华北电力大学 | 基于svr算法和偏峰度的风电机组发电机故障预警方法 |
WO2022126526A1 (zh) * | 2020-12-17 | 2022-06-23 | 浙江吉利控股集团有限公司 | 一种电池温度预测方法及系统 |
CN116794751A (zh) * | 2023-02-21 | 2023-09-22 | 中国农业科学院果树研究所 | 应用于果园的气象灾害动态监测数据感知系统 |
CN116894166A (zh) * | 2023-09-11 | 2023-10-17 | 中国标准化研究院 | 一种基于智能传感网络的土壤环境参数信息监测系统 |
CN117078017A (zh) * | 2023-09-15 | 2023-11-17 | 国网浙江省电力有限公司金华供电公司 | 一种用于电力电网设备监控智能化决策分析系统 |
CN117133464A (zh) * | 2023-10-26 | 2023-11-28 | 中国人民解放军总医院第二医学中心 | 一种老年人健康智能监测系统及监测方法 |
CN117153336A (zh) * | 2023-10-26 | 2023-12-01 | 中国人民解放军总医院第二医学中心 | 一种基于血液透析机的血液透析监测系统及其方法 |
CN117253616A (zh) * | 2023-11-17 | 2023-12-19 | 深圳市健怡康医疗器械科技有限公司 | 一种神经内科康复程度评价方法及系统 |
Non-Patent Citations (4)
Title |
---|
Anomaly Detection in Power Generation Plants Using Machine Learninig and Neural Networks;Jecinta Mulongo等;《Applied Artificial Intelligence》;20191119;全文 * |
基于可穿戴设备的高处作业建筑工人生理疲劳与不安全行为关系研究;陈玮;《中国优秀硕士论文 工程科技Ⅰ辑》;20230501;全文 * |
结构健康监测-智能信息处理及应用;姜绍飞;;工程力学;20091215(S2);全文 * |
面向热工过程状态监测及诊断的机器学习理论和方法研究;范伟;《中国优秀硕士论文 工程科技Ⅱ辑》;20221101;面向热工过程状态监测及诊断的机器学习理论和方法研究 * |
Also Published As
Publication number | Publication date |
---|---|
CN117457173A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117457173B (zh) | 一种用于心内科的可穿戴设备心律失常监测系统 | |
JP5388580B2 (ja) | ヒトの健康に関する残差ベースの管理 | |
CN106714682B (zh) | 用于评估加重和/或入院的风险的装置、系统、方法和计算机程序 | |
US20130331723A1 (en) | Respiration monitoring method and system | |
JP2010514497A (ja) | リスク層別化のための患者間比較 | |
CN109564586B (zh) | 系统监测器及系统监测方法 | |
JP7045405B2 (ja) | センサの動作ステータスを検出するための方法および状態機械システム | |
EP3370175A1 (en) | Method for providing a wearable device, method for predicting an acute exacerbation and system for predicting an acute exacerbation | |
CN111919242B (zh) | 用于处理多个信号的系统和方法 | |
CN116344050B (zh) | 一种基于多维度健康管理模型的评测方法 | |
CN115204227A (zh) | 基于深度学习的设备故障诊断中不确定性量化校准方法 | |
EP3861558A1 (en) | Continuous monitoring of a user's health with a mobile device | |
CN109935327A (zh) | 基于智能决策支持的高血压患者心血管危险分层评估方法 | |
CN116739037A (zh) | 具有人格特征的人格模型构建方法及装置 | |
EP3901965A1 (en) | Stress twin for individuals | |
Al Rasyid et al. | Anomaly detection in wireless body area network using Mahalanobis distance and sequential minimal optimization regression | |
CN117238434B (zh) | 一种基于预防心内科潜在并发症的护理方法及系统 | |
Kapur et al. | GlucoBreath: Non-Invasive Glucometer to Detect Diabetes using Breath | |
KR102570665B1 (ko) | 맥파를 이용한 cnn 기반의 운동 강도 분류 시스템 | |
CN214505007U (zh) | 一种医用心电图智能分析系统 | |
Mahesh et al. | Implementation of a Deep Neural Network-Based Framework for Actigraphy Analysis and Prediction of Schizophrenia | |
KR102650936B1 (ko) | 정신건강 위험신호 탐지 시스템, 그리고 이를 이용한 정신건강 위험신호 탐지 방법 | |
US20220151531A1 (en) | Heart failure predictor and heart failure predicting method | |
CN117653053A (zh) | 一种通过智能手表预测健康风险的方法 | |
CN118503799A (zh) | 一种多维度传感器数据处理方法及装置 |
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 |