CN117524489A - 患者的健康监测管理系统及方法 - Google Patents
患者的健康监测管理系统及方法 Download PDFInfo
- Publication number
- CN117524489A CN117524489A CN202410020693.4A CN202410020693A CN117524489A CN 117524489 A CN117524489 A CN 117524489A CN 202410020693 A CN202410020693 A CN 202410020693A CN 117524489 A CN117524489 A CN 117524489A
- Authority
- CN
- China
- Prior art keywords
- semantic feature
- sequence
- electrocardiosignal
- feature vectors
- segment
- 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
- 230000036541 health Effects 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 327
- 239000012634 fragment Substances 0.000 claims abstract description 80
- 230000003993 interaction Effects 0.000 claims abstract description 72
- 230000003862 health status Effects 0.000 claims abstract description 19
- 230000002452 interceptive effect Effects 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000004217 heart function Effects 0.000 abstract description 7
- 239000012530 fluid Substances 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 30
- 208000024172 Cardiovascular disease Diseases 0.000 description 10
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 230000000747 cardiac effect Effects 0.000 description 5
- 238000013399 early diagnosis Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 206010019280 Heart failures Diseases 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 210000001124 body fluid Anatomy 0.000 description 4
- 239000010839 body fluid Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010028851 Necrosis Diseases 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 159000000000 sodium salts Chemical class 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012795 verification 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
- 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
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- 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
-
- 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
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Surgery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Cardiology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种患者的健康监测管理系统及方法，涉及智能化健康监测技术领域，其获取被监控患者在预定时间段内的心电信号和生物阻抗信号；对所述心电信号和所述生物阻抗信号进行语义特征提取以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列；将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列进行特征交互以得到心电信号‑生物阻抗信号语义交互特征向量；以及，基于所述心电信号‑生物阻抗信号语义交互特征向量，确定所述被监控患者的健康状态的类别。这样，可以更好地评估患者的心功能和体液状态，从而更准确地判断患者的健康状态。
Description
技术领域
本发明涉及智能化健康监测技术领域，尤其涉及一种患者的健康监测管理系统及方法。
背景技术
心血管疾病由于其隐蔽性和突发性等特点，严重威胁着人类的健康，因此早期诊断和预防是非常重要的。目前，医院普遍通过12导联动态检测仪(Holter)来进行健康的检测与监测。
但是，Holter功耗和体积较大，穿戴时一般需要医生的指导。并且，目前的Holter的心电监测判断不能实现全天候即时预警的需求。此外，单独使用心电数据不能很好地预测心力衰竭的情况。因此，期待一种优化的患者的健康监测管理方法。
发明内容
本发明为了克服上述缺陷，提供一种患者的健康监测管理系统及方法。
本发明提供了一种患者的健康监测管理系统，其包括：
信号获取模块，用于获取被监控患者在预定时间段内的心电信号和生物阻抗信号；
语义特征提取模块，用于对所述心电信号和所述生物阻抗信号进行语义特征提取以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列；
特征交互模块，用于将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列进行特征交互以得到心电信号-生物阻抗信号语义交互特征向量；以及
健康状态的类别确定模块，用于基于所述心电信号-生物阻抗信号语义交互特征向量，确定所述被监控患者的健康状态的类别；
其中，所述特征交互模块，包括：
相关度计算单元，用于计算所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量之间的相关度；
心电信号交互式更新单元，用于基于所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中所有生物阻抗信号片段语义特征向量之间的相关度以及所述生物阻抗信号片段语义特征向量的序列中所有生物阻抗信号片段语义特征向量，对所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量进行交互式更新以得到更新心电信号片段语义特征向量的序列；
生物阻抗信号交互式更新单元，用于基于所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量与所述心电信号片段语义特征向量的序列中所有心电信号片段语义特征向量之间的相关度以及所述心电信号片段语义特征向量的序列中所有心电信号片段语义特征向量，对所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量进行交互式更新以得到更新生物阻抗信号片段语义特征向量的序列；
心电信号融合单元，用于融合所述心电信号片段语义特征向量的序列和所述更新心电信号片段语义特征向量的序列以得到交互融合心电信号片段语义特征向量的序列；
生物阻抗信号融合单元，用于融合所述生物阻抗信号片段语义特征向量的序列和所述更新生物阻抗信号片段语义特征向量的序列以得到交互融合生物阻抗信号片段语义特征向量的序列；以及
向量拼接单元，用于将所述交互融合心电信号片段语义特征向量的序列和所述交互融合生物阻抗信号片段语义特征向量的序列进行拼接以得到所述心电信号-生物阻抗信号语义交互特征向量。
进一步地，所述语义特征提取模块，包括：
数据预处理单元，用于对所述心电信号和所述生物阻抗信号进行数据预处理以得到心电信号片段的序列和生物阻抗信号片段的序列；以及
语义重构单元，用于利用深度学习网络模型对所述心电信号片段的序列和所述生物阻抗信号片段的序列进行语义重构以得到所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列。
进一步地，所述数据预处理单元，用于：
将所述心电信号和所述生物阻抗信号进行信号切分以得到所述心电信号片段的序列和所述生物阻抗信号片段的序列。
进一步地，所述深度学习网络模型为基于文本重构网络的信号语义重构模块；
其中，所述语义重构单元，用于：
将所述心电信号片段的序列和所述生物阻抗信号片段的序列通过所述基于文本重构网络的信号语义重构模块以得到所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列。
进一步地，所述相关度计算单元，用于：
以如下公式来计算所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量之间的相关度，其中，所述公式为：
；
其中，表示所述心电信号片段语义特征向量的序列中第/>个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中第/>个生物阻抗信号片段语义特征向量之间的相关度，/>表示向量的转置，/>表示所述心电信号片段语义特征向量的序列中第/>个心电信号片段语义特征向量，且/>表示生物阻抗信号片段语义特征向量的序列中第/>个生物阻抗信号片段语义特征向量。
进一步地，所述健康状态的类别确定模块，包括：
特征分布校正单元，用于对所述心电信号-生物阻抗信号语义交互特征向量进行特征分布校正以得到校正后心电信号-生物阻抗信号语义交互特征向量；以及
分类单元，用于将所述校正后心电信号-生物阻抗信号语义交互特征向量通过分类器以得到分类结果，所述分类结果用于表示所述被监控患者的健康状态的类别标签。
本发明实施例还提供了一种患者的健康监测管理方法，其包括：
获取被监控患者在预定时间段内的心电信号和生物阻抗信号；
对所述心电信号和所述生物阻抗信号进行语义特征提取以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列；
将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列进行特征交互以得到心电信号-生物阻抗信号语义交互特征向量；以及
基于所述心电信号-生物阻抗信号语义交互特征向量，确定所述被监控患者的健康状态的类别；
其中，将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列进行特征交互以得到心电信号-生物阻抗信号语义交互特征向量，包括：
计算所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量之间的相关度；
基于所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中所有生物阻抗信号片段语义特征向量之间的相关度以及所述生物阻抗信号片段语义特征向量的序列中所有生物阻抗信号片段语义特征向量，对所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量进行交互式更新以得到更新心电信号片段语义特征向量的序列；
基于所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量与所述心电信号片段语义特征向量的序列中所有心电信号片段语义特征向量之间的相关度以及所述心电信号片段语义特征向量的序列中所有心电信号片段语义特征向量，对所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量进行交互式更新以得到更新生物阻抗信号片段语义特征向量的序列；
融合所述心电信号片段语义特征向量的序列和所述更新心电信号片段语义特征向量的序列以得到交互融合心电信号片段语义特征向量的序列；
融合所述生物阻抗信号片段语义特征向量的序列和所述更新生物阻抗信号片段语义特征向量的序列以得到交互融合生物阻抗信号片段语义特征向量的序列；以及
将所述交互融合心电信号片段语义特征向量的序列和所述交互融合生物阻抗信号片段语义特征向量的序列进行拼接以得到所述心电信号-生物阻抗信号语义交互特征向量。
进一步地，对所述心电信号和所述生物阻抗信号进行语义特征提取以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列，包括：
对所述心电信号和所述生物阻抗信号进行数据预处理以得到心电信号片段的序列和生物阻抗信号片段的序列；以及
利用深度学习网络模型对所述心电信号片段的序列和所述生物阻抗信号片段的序列进行语义重构以得到所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列。
本发明通过获取被监控患者在预定时间段内的心电信号和生物阻抗信号；对所述心电信号和所述生物阻抗信号进行语义特征提取以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列；将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列进行特征交互以得到心电信号-生物阻抗信号语义交互特征向量；以及，基于所述心电信号-生物阻抗信号语义交互特征向量，确定所述被监控患者的健康状态的类别，这样，可以更好地评估患者的心功能和体液状态，从而更准确地判断患者的健康状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中提供的一种患者的健康监测管理系统的框图。
图2为本发明实施例中提供的一种患者的健康监测管理方法的流程图。
图3为本发明实施例中提供的一种患者的健康监测管理方法的系统架构的示意图。
图4为本发明实施例中提供的一种患者的健康监测管理系统的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，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的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅只是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
患者的健康监测在心血管疾病的早期诊断和预防中起着至关重要的作用。健康监测可以帮助识别患者的心血管疾病风险因素，如高血压、高血脂、糖尿病等，通过定期测量血压、血脂和血糖水平，医生可以及早发现这些潜在的风险因素，并采取相应的干预措施，如药物治疗、饮食控制和生活方式改变，以减少心血管疾病的风险。
对于已经被诊断为心血管疾病的患者，健康监测可以帮助医生了解疾病的进展情况，例如，定期进行心电图、心脏超声等检查可以评估心脏功能的变化，有助于及早发现并处理潜在的并发症。对于正在接受药物治疗的患者，健康监测可以评估药物的疗效和安全性，通过定期检查血压、心率、血脂和其他相关指标，医生可以调整药物剂量或更换药物，以确保患者获得最佳的治疗效果，并减少不良反应的风险。健康监测不仅可以帮助医生更好地了解患者的疾病情况，还可以为患者提供相关的教育和支持，通过定期与医生交流，患者可以了解自己的疾病风险和管理策略，并获得必要的指导和建议，以促进健康的生活方式和自我管理。
在本发明的一个实施例中，图1为本发明实施例中提供的一种患者的健康监测管理系统的框图。如图1所示，根据本发明实施例的患者的健康监测管理系统100，包括：信号获取模块110，用于获取被监控患者在预定时间段内的心电信号和生物阻抗信号；语义特征提取模块120，用于对所述心电信号和所述生物阻抗信号进行语义特征提取以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列；特征交互模块130，用于将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列进行特征交互以得到心电信号-生物阻抗信号语义交互特征向量；以及，健康状态的类别确定模块140，用于基于所述心电信号-生物阻抗信号语义交互特征向量，确定所述被监控患者的健康状态的类别。
在所述信号获取模块110中，获取被监控患者在预定时间段内的心电信号和生物阻抗信号，在操作过程中，确保信号获取设备的正确使用，如心电图仪器和生物阻抗仪器的正确放置和连接，以获得准确的信号数据。通过获取心电信号和生物阻抗信号，可以提供患者的生理信息，如心脏电活动和身体组织的阻抗变化，这些信号是评估患者心血管健康状况的重要指标，有助于进行后续的分析和诊断。
在所述语义特征提取模块120中，对心电信号和生物阻抗信号进行语义特征提取，以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列，在特征提取过程中，需要选择合适的特征提取算法和参数设置，以确保提取到的特征能够准确地反映信号的语义信息。通过语义特征提取，可以将原始信号转化为具有更高层次的表示，捕捉到信号中的重要特征，有助于降低数据维度、提取关键信息，并为后续的特征交互和健康状态分类提供更有意义的输入。
在所述特征交互模块130中，将心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列进行特征交互，以得到心电信号-生物阻抗信号语义交互特征向量，在特征交互过程中，选择适当的交互方式，如拼接、加权相加或其他形式的特征融合，以充分利用两类信号之间的相关性。通过特征交互，可以将心电信号和生物阻抗信号的语义信息进行有效整合，增强两类信号之间的互补性，有助于提高特征的表达能力，捕捉到更全面和丰富的信息，从而提高后续健康状态分类的准确性。
在所述健康状态的类别确定模块140中，基于心电信号-生物阻抗信号语义交互特征向量，用于确定被监控患者的健康状态的类别。在进行分类时，选择适当的机器学习或深度学习算法，并进行模型训练和验证，以确保分类模型的准确性和泛化能力。通过健康状态的类别确定，可以将患者的健康状态分为不同的类别，如正常、高风险或存在特定疾病，有助于及早发现患者的心血管疾病风险或病情变化，并采取相应的干预措施，以实现早期诊断和预防的目标。
本申请的普通技术人员应当了解，心力衰竭是一种严重的心血管疾病，它的发生和发展受到多种因素的影响，如心脏负荷、心肌代谢等。单独使用心电数据不能很好地预测心力衰竭的情况，因为心电数据只能反映心脏的电活动，而不能反映心脏的机械功能和血液动力学状态。心电数据也不能反映其他器官和系统对心脏功能的影响，如肺、肾等。因此，单独使用心电数据可能会漏诊或误诊心力衰竭，导致延误治疗或不适当治疗。也就是说，仅仅依靠心电信号无法提供足够的信息来全面评估患者的健康状态。
针对上述技术问题，本申请的技术构思是利用多模态生理信号来确定患者的健康状态信息，以实现全天候的健康状态监控。这里，多模态生理信号可以提供更全面和更准确的信息，从不同的角度和层次反映患者的健康状况。例如，心电信号可以反映心脏的电活动和节律，生物阻抗信号可以反映人体的生理参数和水分平衡。通过综合分析这两种信号，可以更好地评估患者的心功能和体液状态，从而更准确地判断患者的健康状态。其次，多模态生理信号可以提高监测的灵敏度，降低误报率和漏报率。
基于此，在本申请的技术方案中，首先获取被监控患者在预定时间段内的心电信号和生物阻抗信号。这里，心电信号和生物阻抗信号可以反映出心脏是否有缺血、缺氧、炎症、坏死等异常情况，以及是否有心律失常、传导阻滞等节律问题。这些问题都会影响心脏的收缩能力和舒张能力。生物阻抗信号可以反映出人体的体液分布和水分平衡情况，以及人体对钠盐和水分摄入和排出的调节能力。这些因素都会影响人体的循环负荷和血容量，从而影响左右心室的前负荷和后负荷，进而影响心功能。
然后，在本申请的一个实施例中，所述语义特征提取模块，包括：数据预处理单元，用于对所述心电信号和所述生物阻抗信号进行数据预处理以得到心电信号片段的序列和生物阻抗信号片段的序列；以及，语义重构单元，用于利用深度学习网络模型对所述心电信号片段的序列和所述生物阻抗信号片段的序列进行语义重构以得到所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列。
所述数据预处理单元用于对心电信号和生物阻抗信号进行预处理，以得到心电信号片段的序列和生物阻抗信号片段的序列。在数据预处理过程中，可以进行滤波、去噪、降采样等操作，以提取有效的信号信息并降低噪声的影响，数据预处理有助于减少数据的冗余性、提高数据的质量，并为后续的特征提取和分析提供更可靠的输入。
所述语义重构单元利用深度学习网络模型对心电信号片段的序列和生物阻抗信号片段的序列进行语义重构，以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列。通过深度学习模型的学习和表示能力，可以将原始信号转化为语义上更富有表达力的特征表示，语义重构有助于提取信号中的高级特征和抽象概念，捕捉到信号中的关键信息，从而提高后续特征交互和健康状态分类的准确性。
数据预处理单元和语义重构单元在心血管疾病监测系统中具有重要作用，数据预处理单元可以提高信号数据的质量和可靠性，减少噪声的干扰，为后续分析提供更好的数据基础。语义重构单元利用深度学习模型将原始信号转化为语义特征向量的序列，提取信号中的重要特征，增强特征的表达能力，从而为后续的特征交互和健康状态分类提供更有意义的输入；这些单元的有效运用可以提高系统的性能和准确性，从而更好地支持心血管疾病的监测和诊断。
接着，将所述心电信号和所述生物阻抗信号进行信号切分以得到心电信号片段的序列和生物阻抗信号片段的序列；并将所述心电信号片段的序列和所述生物阻抗信号片段的序列通过基于文本重构网络的信号语义重构模块以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列。也就是，利用文本重构网络来对所述心电信号片段的序列和所述生物阻抗信号片段的序列进行语义特征提取。在本申请的一个具体示例中，所述基于文本重构网络的信号语义重构模块使用一个卷积神经网络（convolutional neural network，CNN）作为编码器，把输入数据转化成一个固定长度的向量表示，再使用循环神经网络 （recurrent neural networks，RNN）作为解码器，来还原生成各个信号片段的语义信息。
在本申请的一个具体实施例中，所述数据预处理单元，用于：将所述心电信号和所述生物阻抗信号进行信号切分以得到所述心电信号片段的序列和所述生物阻抗信号片段的序列。
在本申请的一个具体实施例中，所述深度学习网络模型为基于文本重构网络的信号语义重构模块；其中，所述语义重构单元，用于：将所述心电信号片段的序列和所述生物阻抗信号片段的序列通过所述基于文本重构网络的信号语义重构模块以得到所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列。
然后，将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列通过基于注意力机制的序列间特征交互模块以得到心电信号-生物阻抗信号语义交互特征向量。应可以理解，心电信号和生物阻抗信号具有不同的特征和信息，它们分别反映了心脏电活动和体液动态等生理过程。通过将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列进行交互，可以利用彼此之间的关联和互补性信息，提供更加全面和准确的健康状态评估。
特别地，在本申请的技术方案中，利用所述基于注意力机制的序列间特征交互模块来实现两者之间的交互。具体来说，所述基于注意力机制的序列间特征交互模块可以学习所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量和所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量之间的相关性，并将这些相关性应用于特征交互的过程，以引导模型更加关注重要性更高的特征区域。
在本申请的一个实施例中，所述特征交互模块，用于：将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列通过基于注意力机制的序列间特征交互模块以得到所述心电信号-生物阻抗信号语义交互特征向量。
所述特征交互模块，包括：相关度计算单元，用于计算所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量之间的相关度；心电信号交互式更新单元，用于基于所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中所有生物阻抗信号片段语义特征向量之间的相关度以及所述生物阻抗信号片段语义特征向量的序列中所有生物阻抗信号片段语义特征向量，对所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量进行交互式更新以得到更新心电信号片段语义特征向量的序列；生物阻抗信号交互式更新单元，用于基于所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量与所述心电信号片段语义特征向量的序列中所有心电信号片段语义特征向量之间的相关度以及所述心电信号片段语义特征向量的序列中所有心电信号片段语义特征向量，对所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量进行交互式更新以得到更新生物阻抗信号片段语义特征向量的序列；心电信号融合单元，用于融合所述心电信号片段语义特征向量的序列和所述更新心电信号片段语义特征向量的序列以得到交互融合心电信号片段语义特征向量的序列；生物阻抗信号融合单元，用于融合所述生物阻抗信号片段语义特征向量的序列和所述更新生物阻抗信号片段语义特征向量的序列以得到交互融合生物阻抗信号片段语义特征向量的序列；以及，向量拼接单元，用于将所述交互融合心电信号片段语义特征向量的序列和所述交互融合生物阻抗信号片段语义特征向量的序列进行拼接以得到所述心电信号-生物阻抗信号语义交互特征向量。
进一步地，在本申请的一个具体实施例中，所述相关度计算单元，用于：以如下公式来计算所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量之间的相关度，其中，所述公式为：
；
其中，表示所述心电信号片段语义特征向量的序列中第/>个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中第/>个生物阻抗信号片段语义特征向量之间的相关度，/>表示向量的转置，/>表示所述心电信号片段语义特征向量的序列中第/>个心电信号片段语义特征向量，且/>表示生物阻抗信号片段语义特征向量的序列中第/>个生物阻抗信号片段语义特征向量。
在本申请的一个实施例中，所述健康状态的类别确定模块，包括：特征分布校正单元，用于对所述心电信号-生物阻抗信号语义交互特征向量进行特征分布校正以得到校正后心电信号-生物阻抗信号语义交互特征向量；以及，分类单元，用于将所述校正后心电信号-生物阻抗信号语义交互特征向量通过分类器以得到分类结果，所述分类结果用于表示所述被监控患者的健康状态的类别标签。
在上述技术方案中，所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列分别用于表达所述心电信号和所述生物阻抗信号经由信号切分确定的局部时域内的信号语义特征，由此，将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列通过基于注意力机制的序列间特征交互模块时，考虑到所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列之间的源信号语义在局部时域划分下的时序分布差异带来的信号语义特征分布不一致，可能导致基于各自信号语义特征的序列间特征注意力交互稀疏性，从而影响所述心电信号-生物阻抗信号语义交互特征向量的表达效果，因此期望基于所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列各自的特征表达显著性和关键性来进行特征一致性优化，从而提升所述心电信号-生物阻抗信号语义交互特征向量的表达效果。
基于此，本申请的申请人对于所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列进行校正，具体表示为：以如下优化公式对于所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列进行校正以得到校正特征向量；其中，所述优化公式为：
；
其中，是所述心电信号片段语义特征向量的序列级联得到的第一级联特征向量，且/>是所述生物阻抗信号片段语义特征向量的序列级联得到的第二级联特征向量，表示特征向量的逐位置开方，/>和/>分别是特征向量/>和/>最大特征值的倒数，/>和/>是权重超参数，/>是所述校正特征向量，/>表示按位置减法，/>表示按位置点乘；以及，将所述校正特征向量与所述心电信号-生物阻抗信号语义交互特征向量融合以得到所述校正后心电信号-生物阻抗信号语义交互特征向量。
这里，通过所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列的各个特征值的开方值来获得特征值集合的预分割的局部组，并从其中回归所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列的关键最大值特征，这样，可以基于最远点采样的思想来提升特征值的按位置显著性分布，从而通过具有显著分布的关键特征来进行特征向量间的稀疏一致性控制，以实现校正特征向量对于所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列的原始特征流形几何表示的还原。这样，再将所述校正特征向量/>与所述心电信号-生物阻抗信号语义交互特征向量融合，就可以提升所述校正后心电信号-生物阻抗信号语义交互特征向量的表达效果，从而提升其通过分类器得到的分类结果的准确性。
进一步地，将所述校正后心电信号-生物阻抗信号语义交互特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控患者的健康状态的类别标签。其中，在本申请的实际应用场景中，所述被监控患者的健康状态的类别标签可以是正常状态、异常状态或紧急状态。
分类器利用校正后心电信号-生物阻抗信号语义交互特征向量对患者的健康状态进行分类，将其分为不同的类别标签，如正常、高风险或存在特定疾病，有助于医疗专业人员对患者的健康状况进行评估和判断，以便及早发现潜在的心血管疾病风险或病情变化。通过分类结果，可以为患者提供个性化的健康管理建议和干预措施，不同健康状态的患者可能需要不同的治疗方案、生活方式调整或药物管理，分类结果可以为医疗团队提供重要的参考，帮助制定针对个体患者的定制化治疗计划。
通过分类结果，可以及早发现患者的心血管疾病风险或病情变化，实现早期诊断和预防的目标，早期诊断可以提供更多的治疗选择和干预机会，有助于避免疾病的进一步发展和恶化。通过定期对患者进行分类结果的监测和追踪，可以评估患者的健康状况的变化和趋势，有助于医疗团队及时调整治疗计划、监控治疗效果，并提供持续的关怀和支持。
综上，基于本发明实施例的患者的健康监测管理系统100被阐明，其利用多模态生理信号来确定患者的健康状态信息，以实现全天候的健康状态监控。这里，多模态生理信号可以提供更全面和更准确的信息，从不同的角度和层次反映患者的健康状况。通过综合分析这两种信号，可以更好地评估患者的心功能和体液状态，从而更准确地判断患者的健康状态。
如上所述，根据本发明实施例的患者的健康监测管理系统100可以实现在各种终端设备中，例如用于患者的健康监测管理的服务器等。在一个示例中，根据本发明实施例的患者的健康监测管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该患者的健康监测管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该患者的健康监测管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该患者的健康监测管理系统100与该终端设备也可以是分立的设备，并且该患者的健康监测管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图2为本发明实施例中提供的一种患者的健康监测管理方法的流程图。图3为本发明实施例中提供的一种患者的健康监测管理方法的系统架构的示意图。如图2和图3所示，一种患者的健康监测管理方法，包括：210，获取被监控患者在预定时间段内的心电信号和生物阻抗信号；220，对所述心电信号和所述生物阻抗信号进行语义特征提取以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列；230，将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列进行特征交互以得到心电信号-生物阻抗信号语义交互特征向量；以及，240，基于所述心电信号-生物阻抗信号语义交互特征向量，确定所述被监控患者的健康状态的类别。
在所述患者的健康监测管理方法中，对所述心电信号和所述生物阻抗信号进行语义特征提取以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列，包括：对所述心电信号和所述生物阻抗信号进行数据预处理以得到心电信号片段的序列和生物阻抗信号片段的序列；以及，利用深度学习网络模型对所述心电信号片段的序列和所述生物阻抗信号片段的序列进行语义重构以得到所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列。
本领域技术人员可以理解，上述患者的健康监测管理方法中的各个步骤的具体操作已经在上面参考图1的患者的健康监测管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图4为本发明实施例中提供的一种患者的健康监测管理系统的应用场景图。如图4所示，在该应用场景中，首先，获取被监控患者在预定时间段内的心电信号（例如，如图4中所示意的C1）和生物阻抗信号（例如，如图4中所示意的C2）；然后，将获取的心电信号和生物阻抗信号输入至部署有患者的健康监测管理算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于患者的健康监测管理算法对所述心电信号和所述生物阻抗信号进行处理，以确定所述被监控患者的健康状态的类别。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种患者的健康监测管理系统，其特征在于，包括：
信号获取模块，用于获取被监控患者在预定时间段内的心电信号和生物阻抗信号；
语义特征提取模块，用于对所述心电信号和所述生物阻抗信号进行语义特征提取以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列；
特征交互模块，用于将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列进行特征交互以得到心电信号-生物阻抗信号语义交互特征向量；
健康状态的类别确定模块，用于基于所述心电信号-生物阻抗信号语义交互特征向量，确定所述被监控患者的健康状态的类别；
其中，所述特征交互模块，包括：
相关度计算单元，用于计算所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量之间的相关度；
心电信号交互式更新单元，用于基于所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中所有生物阻抗信号片段语义特征向量之间的相关度以及所述生物阻抗信号片段语义特征向量的序列中所有生物阻抗信号片段语义特征向量，对所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量进行交互式更新以得到更新心电信号片段语义特征向量的序列；
生物阻抗信号交互式更新单元，用于基于所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量与所述心电信号片段语义特征向量的序列中所有心电信号片段语义特征向量之间的相关度以及所述心电信号片段语义特征向量的序列中所有心电信号片段语义特征向量，对所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量进行交互式更新以得到更新生物阻抗信号片段语义特征向量的序列；
心电信号融合单元，用于融合所述心电信号片段语义特征向量的序列和所述更新心电信号片段语义特征向量的序列以得到交互融合心电信号片段语义特征向量的序列；
生物阻抗信号融合单元，用于融合所述生物阻抗信号片段语义特征向量的序列和所述更新生物阻抗信号片段语义特征向量的序列以得到交互融合生物阻抗信号片段语义特征向量的序列；
向量拼接单元，用于将所述交互融合心电信号片段语义特征向量的序列和所述交互融合生物阻抗信号片段语义特征向量的序列进行拼接以得到所述心电信号-生物阻抗信号语义交互特征向量。
2.根据权利要求1所述的患者的健康监测管理系统，其特征在于，所述语义特征提取模块，包括：
数据预处理单元，用于对所述心电信号和所述生物阻抗信号进行数据预处理以得到心电信号片段的序列和生物阻抗信号片段的序列；
语义重构单元，用于利用深度学习网络模型对所述心电信号片段的序列和所述生物阻抗信号片段的序列进行语义重构以得到所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列。
3.根据权利要求2所述的患者的健康监测管理系统，其特征在于，所述数据预处理单元，用于：
将所述心电信号和所述生物阻抗信号进行信号切分以得到所述心电信号片段的序列和所述生物阻抗信号片段的序列。
4.根据权利要求3所述的患者的健康监测管理系统，其特征在于，所述深度学习网络模型为基于文本重构网络的信号语义重构模块；
其中，所述语义重构单元，用于：
将所述心电信号片段的序列和所述生物阻抗信号片段的序列通过所述基于文本重构网络的信号语义重构模块以得到所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列。
5.根据权利要求4所述的患者的健康监测管理系统，其特征在于，所述相关度计算单元，用于：
以如下公式来计算所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量之间的相关度，其中，所述公式为：
；
其中，表示所述心电信号片段语义特征向量的序列中第/>个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中第/>个生物阻抗信号片段语义特征向量之间的相关度，/>表示向量的转置，/>表示所述心电信号片段语义特征向量的序列中第/>个心电信号片段语义特征向量，且/>表示生物阻抗信号片段语义特征向量的序列中第/>个生物阻抗信号片段语义特征向量。
6.根据权利要求5所述的患者的健康监测管理系统，其特征在于，所述健康状态的类别确定模块，包括：
特征分布校正单元，用于对所述心电信号-生物阻抗信号语义交互特征向量进行特征分布校正以得到校正后心电信号-生物阻抗信号语义交互特征向量；
分类单元，用于将所述校正后心电信号-生物阻抗信号语义交互特征向量通过分类器以得到分类结果，所述分类结果用于表示所述被监控患者的健康状态的类别标签。
7.一种患者的健康监测管理方法，其特征在于，包括：
获取被监控患者在预定时间段内的心电信号和生物阻抗信号；
对所述心电信号和所述生物阻抗信号进行语义特征提取以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列；
将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列进行特征交互以得到心电信号-生物阻抗信号语义交互特征向量；
基于所述心电信号-生物阻抗信号语义交互特征向量，确定所述被监控患者的健康状态的类别；
其中，将所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列进行特征交互以得到心电信号-生物阻抗信号语义交互特征向量，包括：
计算所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量之间的相关度；
基于所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量与所述生物阻抗信号片段语义特征向量的序列中所有生物阻抗信号片段语义特征向量之间的相关度以及所述生物阻抗信号片段语义特征向量的序列中所有生物阻抗信号片段语义特征向量，对所述心电信号片段语义特征向量的序列中各个心电信号片段语义特征向量进行交互式更新以得到更新心电信号片段语义特征向量的序列；
基于所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量与所述心电信号片段语义特征向量的序列中所有心电信号片段语义特征向量之间的相关度以及所述心电信号片段语义特征向量的序列中所有心电信号片段语义特征向量，对所述生物阻抗信号片段语义特征向量的序列中各个生物阻抗信号片段语义特征向量进行交互式更新以得到更新生物阻抗信号片段语义特征向量的序列；
融合所述心电信号片段语义特征向量的序列和所述更新心电信号片段语义特征向量的序列以得到交互融合心电信号片段语义特征向量的序列；
融合所述生物阻抗信号片段语义特征向量的序列和所述更新生物阻抗信号片段语义特征向量的序列以得到交互融合生物阻抗信号片段语义特征向量的序列；
将所述交互融合心电信号片段语义特征向量的序列和所述交互融合生物阻抗信号片段语义特征向量的序列进行拼接以得到所述心电信号-生物阻抗信号语义交互特征向量。
8.根据权利要求7所述的患者的健康监测管理方法，其特征在于，对所述心电信号和所述生物阻抗信号进行语义特征提取以得到心电信号片段语义特征向量的序列和生物阻抗信号片段语义特征向量的序列，包括：
对所述心电信号和所述生物阻抗信号进行数据预处理以得到心电信号片段的序列和生物阻抗信号片段的序列；
利用深度学习网络模型对所述心电信号片段的序列和所述生物阻抗信号片段的序列进行语义重构以得到所述心电信号片段语义特征向量的序列和所述生物阻抗信号片段语义特征向量的序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410020693.4A CN117524489B (zh) | 2024-01-08 | 2024-01-08 | 患者的健康监测管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410020693.4A CN117524489B (zh) | 2024-01-08 | 2024-01-08 | 患者的健康监测管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117524489A true CN117524489A (zh) | 2024-02-06 |
| CN117524489B CN117524489B (zh) | 2024-03-08 |
Family
ID=89755416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410020693.4A Active CN117524489B (zh) | 2024-01-08 | 2024-01-08 | 患者的健康监测管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117524489B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201121497A (en) * | 2009-12-31 | 2011-07-01 | Univ Southern Taiwan Tech | Physiological monitoring system being used during people use toilet with function of health management |
| US20150106020A1 (en) * | 2013-10-10 | 2015-04-16 | Wireless Medical Monitoring Inc. | Method and Apparatus for Wireless Health Monitoring and Emergent Condition Prediction |
| CN105827731A (zh) * | 2016-05-09 | 2016-08-03 | 包磊 | 基于融合模型的智能化健康管理服务器、系统及其控制方法 |
| CN108781314A (zh) * | 2016-02-22 | 2018-11-09 | Mc10股份有限公司 | 用于贴身数据和电力传输的系统、设备和方法 |
| CN112263262A (zh) * | 2020-10-26 | 2021-01-26 | 生物岛实验室 | 健康监测设备 |
| CN112294274A (zh) * | 2020-05-29 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 检测方法和装置 |
| CN113397510A (zh) * | 2021-05-07 | 2021-09-17 | 华南师范大学 | 一种连续血压测量方法、系统、装置及存储介质 |
| CN114587307A (zh) * | 2022-03-15 | 2022-06-07 | 桂林电子科技大学 | 一种基于电容耦合电极的非接触血压检测仪及方法 |
| CN114983347A (zh) * | 2022-05-20 | 2022-09-02 | 香港心脑血管健康工程研究中心有限公司 | 多模态生理信号的处理方法、装置、电子设备及存储介质 |
| CN217442609U (zh) * | 2022-05-26 | 2022-09-16 | 香港心脑血管健康工程研究中心有限公司 | 多模态传感器模块及多模态生理信号监测系统 |
-
2024
- 2024-01-08 CN CN202410020693.4A patent/CN117524489B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201121497A (en) * | 2009-12-31 | 2011-07-01 | Univ Southern Taiwan Tech | Physiological monitoring system being used during people use toilet with function of health management |
| US20150106020A1 (en) * | 2013-10-10 | 2015-04-16 | Wireless Medical Monitoring Inc. | Method and Apparatus for Wireless Health Monitoring and Emergent Condition Prediction |
| CN108781314A (zh) * | 2016-02-22 | 2018-11-09 | Mc10股份有限公司 | 用于贴身数据和电力传输的系统、设备和方法 |
| CN105827731A (zh) * | 2016-05-09 | 2016-08-03 | 包磊 | 基于融合模型的智能化健康管理服务器、系统及其控制方法 |
| CN112294274A (zh) * | 2020-05-29 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 检测方法和装置 |
| CN112263262A (zh) * | 2020-10-26 | 2021-01-26 | 生物岛实验室 | 健康监测设备 |
| CN113397510A (zh) * | 2021-05-07 | 2021-09-17 | 华南师范大学 | 一种连续血压测量方法、系统、装置及存储介质 |
| CN114587307A (zh) * | 2022-03-15 | 2022-06-07 | 桂林电子科技大学 | 一种基于电容耦合电极的非接触血压检测仪及方法 |
| CN114983347A (zh) * | 2022-05-20 | 2022-09-02 | 香港心脑血管健康工程研究中心有限公司 | 多模态生理信号的处理方法、装置、电子设备及存储介质 |
| CN217442609U (zh) * | 2022-05-26 | 2022-09-16 | 香港心脑血管健康工程研究中心有限公司 | 多模态传感器模块及多模态生理信号监测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 赵秀秀;徐磊;: "光电容积脉搏波在监测心血管系统功能中的应用进展", 临床麻醉学杂志, no. 01, 15 January 2020 (2020-01-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117524489B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Miao et al. | Continuous blood pressure measurement from one-channel electrocardiogram signal using deep-learning techniques | |
| Lin et al. | A deep-learning algorithm (ECG12Net) for detecting hypokalemia and hyperkalemia by electrocardiography: algorithm development | |
| JP6564475B2 (ja) | 数学的分析および機械学習を使用して病気を診断する方法およびシステム | |
| Wang et al. | A RR interval based automated apnea detection approach using residual network | |
| Sideris et al. | Building continuous arterial blood pressure prediction models using recurrent networks | |
| CN103038772B (zh) | 预测患者的存活性的系统和装置 | |
| Maqsood et al. | A survey: From shallow to deep machine learning approaches for blood pressure estimation using biosensors | |
| KR20220104144A (ko) | Ecg 기반 미래 심방세동 예측기 시스템들 및 방법들 | |
| Lee et al. | Artificial intelligence for detection of cardiovascular-related diseases from wearable devices: a systematic review and meta-analysis | |
| US20220175324A1 (en) | Computer-based prediction of fetal and maternal outcomes | |
| US20230290511A1 (en) | Training of computerized model and detection of a life-threatening condition using the trained computerized model | |
| Gahane et al. | An analytical review of heart failure detection based on IoT and machine learning | |
| Kumar et al. | An investigation of the contextual distribution of false positives in a deep learning-based atrial fibrillation detection algorithm | |
| Rueda et al. | Compelling new electrocardiographic markers for automatic diagnosis | |
| Zabihi et al. | Bp-net: Cuff-less and non-invasive blood pressure estimation via a generic deep convolutional architecture | |
| Oresko | Portable heart attack warning system by monitoring the ST segment via smartphone electrocardiogram processing | |
| CN117524489B (zh) | 患者的健康监测管理系统及方法 | |
| Liaqat et al. | A review and comparison of the state-of-the-art techniques for atrial fibrillation detection and skin hydration | |
| Jothiramalingam et al. | Review of Computational Techniques for the Analysis of Abnormal Patterns of ECG Signal Provoked by Cardiac Disease. | |
| KR20230025955A (ko) | 비동기 심전도를 이용한 건강상태 예측 시스템 | |
| Nour et al. | Machine Learning and Electrocardiography Signal‐Based Minimum Calculation Time Detection for Blood Pressure Detection | |
| da Silva | Clinical deterioration detection for continuous vital signs monitoring using wearable sensors | |
| KR102645586B1 (ko) | 생체신호를 이용한 수면 호흡 상태 분류 장치 및 방법 | |
| EP4371493A1 (en) | Method for ecg reading service providing | |
| US20230200746A1 (en) | System for acquisition and analysis of maternal and/or fetal physiological signals |
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 |