CN117542474A - 基于大数据的远程护理监测系统及方法 - Google Patents
基于大数据的远程护理监测系统及方法 Download PDFInfo
- Publication number
- CN117542474A CN117542474A CN202311743059.5A CN202311743059A CN117542474A CN 117542474 A CN117542474 A CN 117542474A CN 202311743059 A CN202311743059 A CN 202311743059A CN 117542474 A CN117542474 A CN 117542474A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- blood pressure
- time sequence
- training
- big data
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000000474 nursing effect Effects 0.000 title abstract description 9
- 230000036772 blood pressure Effects 0.000 claims abstract description 79
- 239000003814 drug Substances 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 136
- 239000008280 blood Substances 0.000 claims description 127
- 238000012549 training Methods 0.000 claims description 60
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 229940079593 drug Drugs 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 abstract description 8
- 230000036541 health Effects 0.000 abstract description 7
- 201000010099 disease Diseases 0.000 abstract description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000001684 chronic effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 17
- 238000009826 distribution Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000011176 pooling Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000035790 physiological processes and functions Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
-
- 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
- A61B5/02—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Vascular Medicine (AREA)
- Evolutionary Biology (AREA)
- Nursing (AREA)
Abstract
本申请公开了一种基于大数据的远程护理监测系统及方法,涉及智能监测领域,其通过智能手环采集患者的生理数据,例如心率值和血压值数据,并在后端利用大数据和人工智能技术来对于这些生理数据进行时序协同分析,以此来提供个性化的药物管理指导,例如药物剂量、用药时间和用药方式等方面的建议。通过这样的方式,能够实时地监测和管理老年人或慢性病患者的健康数据,有效地识别患者的疾病风险,并提供及时的干预和指导,从而改善医疗服务的效率和质量。
Description
技术领域
本申请涉及智能监测领域,且更为具体地,涉及一种基于大数据的远程护理监测系统及方法。
背景技术
随着人口老龄化和慢性疾病的增加,对医疗资源和护理服务的需求也在不断增加。护理监测是指对患者的生理参数、病情变化和治疗效果进行定期或连续性的监测和评估。通过监测患者的健康状况,医护人员可以及时了解患者的生理状态和病情变化,并及时发现异常情况,采取相应的护理干预和治疗措施。
然而,传统的护理监测方式通常需要医务人员对患者进行定期的检查和监测,这无法实时地获取患者的健康数据。同时,医疗机构的资源也有限,无法满足大量患者的监测需求,导致监测过程的延迟和不便。此外,现有的一些护理监测系统往往无法提供个性化的药物管理指导,它们通常只能提供原始的生理参数数据,而无法根据患者的具体情况和需求给出针对性的药物管理建议,例如药物剂量、用药时间和用药方式等。
因此,期望一种基于大数据的远程护理监测系统。
发明内容
为了解决上述技术问题,提出了本申请。
根据本申请的一个方面,提供了一种基于大数据的远程护理监测系统,其包括:
数据采集模块,用于通过智能手环采集被监控患者在预定时间段内多个预定时间点的心率值和血压值;
数据处理模块,用于利用大数据技术对所述多个预定时间点的心率值和血压值进行分析以得到分析结果,并根据所述分析结果来判断是否提示被监控患者服用药物;
数据展示和远程监控模块,用于将所述分析结果和判断结果在远程监控端进行显示。
根据本申请的另一个方面,提供了一种基于大数据的远程护理监测方法,其包括:
通过智能手环采集被监控患者在预定时间段内多个预定时间点的心率值和血压值;
利用大数据技术对所述多个预定时间点的心率值和血压值进行分析以得到分析结果,并根据所述分析结果来判断是否提示被监控患者服用药物;
将所述分析结果和判断结果在远程监控端进行显示。
与现有技术相比,本申请提供的一种基于大数据的远程护理监测系统及方法,其通过智能手环采集患者的生理数据,例如心率值和血压值数据,并在后端利用大数据和人工智能技术来对这些生理数据进行时序协同分析,以此来提供个性化的药物管理指导,例如药物剂量、用药时间和用药方式等方面的建议。通过这样的方式,能够实时地监测和管理老年人或慢性病患者的健康数据,有效地识别患者的疾病风险,并提供及时的干预和指导,从而改善医疗服务的效率和质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于大数据的远程护理监测系统的框图;
图2为根据本申请实施例的基于大数据的远程护理监测系统的系统架构图;
图3为根据本申请实施例的基于大数据的远程护理监测系统的训练阶段的框图;
图4为根据本申请实施例的基于大数据的远程护理监测系统中数据处理模块的框图;
图5为根据本申请实施例的基于大数据的远程护理监测系统中心率-血压局部时序关联编码单元的框图;
图6为根据本申请实施例的基于大数据的远程护理监测方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
传统的护理监测方式通常需要医务人员对患者进行定期的检查和监测,这无法实时地获取患者的健康数据。同时,医疗机构的资源也有限,无法满足大量患者的监测需求,导致监测过程的延迟和不便。此外,现有的一些护理监测系统往往无法提供个性化的药物管理指导,它们通常只能提供原始的生理参数数据,而无法根据患者的具体情况和需求给出针对性的药物管理建议,例如药物剂量、用药时间和用药方式等。因此,期望一种基于大数据的远程护理监测系统。
在本申请的技术方案中,提出了一种基于大数据的远程护理监测系统。图1为根据本申请实施例的基于大数据的远程护理监测系统的框图。图2为根据本申请实施例的基于大数据的远程护理监测系统的系统架构图。如图1和图2所示,本申请的实施例的基于大数据的远程护理监测系统300,包括:数据采集模块310,用于通过智能手环采集被监控患者在预定时间段内多个预定时间点的心率值和血压值;数据处理模块320,用于利用大数据技术对所述多个预定时间点的心率值和血压值进行分析以得到分析结果,并根据所述分析结果来判断是否提示被监控患者服用药物;数据展示和远程监控模块330,用于将所述分析结果和判断结果在远程监控端进行显示。
特别地,所述数据采集模块310,用于通过智能手环采集被监控患者在预定时间段内多个预定时间点的心率值和血压值。应可以理解,通过智能手环在日常生活中来检测患者的生理状态数据,能够减轻医疗机构的负担,并提供了更便捷的监测方式。
特别地,所述数据处理模块320,用于利用大数据技术对所述多个预定时间点的心率值和血压值进行分析以得到分析结果,并根据所述分析结果来判断是否提示被监控患者服用药物。特别地,在本申请的一个具体示例中,如图4所示,所述数据处理模块320,包括:数据时序排列单元321,用于将所述多个预定时间点的心率值和血压值分别按照时间维度排列为心率时序输入向量和血压时序输入向量;心率-血压局部时序关联编码单元322,用于通过基于深度神经网络模型的心率-血压时序关联特征提取器对所述心率时序输入向量和所述血压时序输入向量进行局部时序关联分析以得到心率-血压局部时序关联特征向量的序列;心率-血压全局时序语义关联单元323,用于对所述心率-血压局部时序关联特征向量的序列进行时序上下文编码处理以得到心率-血压全局语义时序关联特征;药物服用提示单元324,用于基于所述心率-血压全局语义时序关联特征,确定是否提示被监控患者服用药物。
具体地,所述数据时序排列单元321,用于将所述多个预定时间点的心率值和血压值分别按照时间维度排列为心率时序输入向量和血压时序输入向量。考虑到所述被监控患者的心率值和血压值分别在时间维度上都具有着时序的动态变化规律,而且这两者之间还具有着时序的关联关系。因此,为了能够捕捉和刻画出所述心率值和所述血压值的关联特征,在本申请的技术方案中,需要将所述多个预定时间点的心率值和血压值分别按照时间维度排列为心率时序输入向量和血压时序输入向量,以此来分别整合所述心率值和所述血压值在时序上的分布信息。
具体地,所述心率-血压局部时序关联编码单元322,用于通过基于深度神经网络模型的心率-血压时序关联特征提取器对所述心率时序输入向量和所述血压时序输入向量进行局部时序关联分析以得到心率-血压局部时序关联特征向量的序列。特别地,在本申请的一个具体示例中,如图5所示,所述心率-血压局部时序关联编码单元322,包括:向量切分子单元3221,用于对所述心率时序输入向量和所述血压时序输入向量进行向量切分以得到心率局部时序输入向量的序列和血压局部时序输入向量的序列;心率-血压局部时序关联子单元3222,用于对所述心率局部时序输入向量的序列和所述血压局部时序输入向量的序列中对应时间段的心率局部时序输入向量和血压局部时序输入向量进行关联编码以得到心率-血压局部时序关联矩阵的序列;心率-血压局部时序关联特征提取子单元3223,用于将所述心率-血压局部时序关联矩阵的序列分别通过基于卷积神经网络模型的心率-血压时序关联特征提取器以得到心率-血压局部时序关联特征向量的序列。
更具体地,所述向量切分子单元3221,用于对所述心率时序输入向量和所述血压时序输入向量进行向量切分以得到心率局部时序输入向量的序列和血压局部时序输入向量的序列。应可以理解,由于心率和血压都会随着时间的变化而变化,在整个时序上,患者的心率和血压在不同的时间周期内可能会呈现出不同的变化模式,并且如果对整个时序上的心率和血压数据进行分析可能会存在大量的冗余信息。因此,在本申请的技术方案中,对所述心率时序输入向量和所述血压时序输入向量进行向量切分以得到心率局部时序输入向量的序列和血压局部时序输入向量的序列,以此来将长期的时序信息转化为一系列较短的局部时序信息。这样,可以更好地捕捉到心率和血压的短期变化特征,以便于后续的特征提取和分析,帮助识别潜在的异常情况或趋势,同时,这样还可以减少数据的冗余性。
更具体地,所述心率-血压局部时序关联子单元3222,用于对所述心率局部时序输入向量的序列和所述血压局部时序输入向量的序列中对应时间段的心率局部时序输入向量和血压局部时序输入向量进行关联编码以得到心率-血压局部时序关联矩阵的序列。考虑到心率和血压是患者生理状态的两个重要指标,它们之间存在一定的关联关系,因此,为了捕捉心率和血压之间的时序关联特征信息,在本申请的技术方案中,进一步对所述心率局部时序输入向量的序列和所述血压局部时序输入向量的序列中对应时间段的心率局部时序输入向量和血压局部时序输入向量进行关联编码以得到心率-血压局部时序关联矩阵的序列。应可以理解,所述心率-血压局部时序关联矩阵的序列可以作为心率和血压的联合表示,用以更全面地描述患者的生理状态,帮助识别潜在的异常情况或趋势。
更具体地,所述心率-血压局部时序关联特征提取子单元3223,用于将所述心率-血压局部时序关联矩阵的序列分别通过基于卷积神经网络模型的心率-血压时序关联特征提取器以得到心率-血压局部时序关联特征向量的序列。也就是,在本申请的技术方案中。将所述心率-血压局部时序关联矩阵的序列分别通过基于卷积神经网络模型的心率-血压时序关联特征提取器中进行特征挖掘,以提取出所述患者的心率值和血压值在时间维度上的局部时序关联特征信息,从而得到心率-血压局部时序关联特征向量的序列。在一个具体示例中,将所述心率-血压局部时序关联矩阵的序列分别通过基于卷积神经网络模型的心率-血压时序关联特征提取器以得到心率-血压局部时序关联特征向量的序列,包括:使用所述基于卷积神经网络模型的心率-血压时序关联特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于卷积神经网络模型的心率-血压时序关联特征提取器的最后一层的输出为所述心率-血压局部时序关联特征向量的序列,所述基于卷积神经网络模型的心率-血压时序关联特征提取器的第一层的输入为所述心率-血压局部时序关联矩阵的序列。
值得注意的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,特别适用于处理具有网格结构的数据,如图像和语音。CNN在计算机视觉领域广泛应用,用于图像分类、目标检测、图像分割等任务。CNN的核心思想是通过卷积层、池化层和全连接层来提取和组合数据的特征。以下是CNN的主要组成部分:卷积层:卷积层通过应用一组可学习的滤波器(卷积核)对输入数据进行卷积操作,从而提取局部特征。卷积操作可以有效捕捉图像中的空间局部相关性;池化层:池化层用于减小特征图的空间尺寸,并保留重要的特征。最常用的池化操作是最大池化,它选择每个区域中的最大值作为池化结果;激活函数:在卷积层和全连接层之间,通常会使用非线性激活函数来引入非线性性质,增强模型的表达能力;全连接层:全连接层将卷积层和池化层的输出连接起来,并将其作为输入传递给下一层。全连接层通常用于最后的分类任务,将高级特征映射到目标类别。CNN的训练过程通常使用反向传播算法进行参数优化。通过大量的标记数据和损失函数,CNN可以自动学习到适合特定任务的特征表示。
值得一提的是,在本申请的其他具体示例中,还可以利用其他方式通过基于深度神经网络模型的心率-血压时序关联特征提取器对所述心率时序输入向量和所述血压时序输入向量进行局部时序关联分析以得到心率-血压局部时序关联特征向量的序列,例如:收集心率和血压的时序数据;将心率和血压数据分别表示为心率时序输入向量和血压时序输入向量;设计一个适合处理时序数据的深度神经网络模型,可以使用循环神经网络或卷积神经网络等模型;确定模型的输入层和输出层;在模型中添加心率-血压时序关联特征提取器,用于分析局部时序关联;对心率时序输入向量和血压时序输入向量进行必要的预处理,例如归一化、填充缺失值等;使用已标注的训练数据对深度神经网络模型进行训练;定义适当的损失函数来衡量模型预测值与实际值之间的差异,并选择合适的优化算法进行模型参数的更新;将心率时序输入向量和血压时序输入向量输入到训练好的模型中;在特征提取器中进行局部时序关联分析,提取心率-血压的局部时序关联特征;将得到的心率-血压局部时序关联特征转换为特征向量序列。
具体地,所述心率-血压全局时序语义关联单元323,用于对所述心率-血压局部时序关联特征向量的序列进行时序上下文编码处理以得到心率-血压全局语义时序关联特征。考虑到所述被监控患者的心率值和血压值在时间维度上的不同局部时序跨度下呈现出的关联模式之间具有着时序的关联关系。也就是说,所述心率-血压局部时序关联特征向量的序列包含了每个时间段内心率和血压的关联信息。然而,单独考虑每个时间段的关联特征可能无法捕捉到整个时序数据的全局语义关联。因此,进一步将所述心率-血压局部时序关联特征向量的序列通过基于转换器的时序上下文编码器以得到心率-血压全局语义时序关联特征向量。应可以理解,通过所述基于转换器的时序上下文编码器来进行编码可以学习到整个时序数据的全局关联模式,它能够考虑不同时间段之间的关系,捕捉到心率和血压的全局语义关联特征。更具体地,将所述心率-血压局部时序关联特征向量的序列通过基于转换器的时序上下文编码器以得到心率-血压全局语义时序关联特征向量作为所述心率-血压全局语义时序关联特征,包括:将所述心率-血压局部时序关联特征向量的序列进行一维排列以得到全局心率-血压时序关联特征向量;计算所述全局心率-血压时序关联特征向量与所述心率-血压局部时序关联特征向量的序列中各个心率-血压局部时序关联特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述心率-血压局部时序关联特征向量的序列中各个心率-血压局部时序关联特征向量进行加权以得到所述多个上下文语义心率-血压时序关联特征向量;以及,将所述多个上下文语义心率-血压时序关联特征向量进行级联以得到所述心率-血压全局语义时序关联特征向量。
具体地,所述药物服用提示单元324,用于基于所述心率-血压全局语义时序关联特征,确定是否提示被监控患者服用药物。也就是,在本申请的技术方案中,将所述心率-血压全局语义时序关联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是否提示被监控患者服用药物。也就是,利用所述患者的心率和血压的局部时序关联特征基于时序全局的上下文关联特征信息来进行分类处理,以此来提供个性化的药物管理指导,例如药物剂量、用药时间和用药方式等方面的建议,通过这样的方式,能够实时地监测和管理老年人或慢性病患者的健康数据,有效地识别患者的疾病风险,并提供及时的干预和指导。更具体地,将所述心率-血压全局语义时序关联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是否提示被监控患者服用药物,包括:使用所述分类器的多个全连接层对所述心率-血压全局语义时序关联特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
分类器是指一种机器学习模型或算法,用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分,它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中,每个神经元都与上一层的所有神经元相连接,每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入,并通过权重对这些输入进行加权求和,然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数,用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值,并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层,特别适用于多分类问题,因为它能够将网络输出映射为各个类别的概率分布。在训练过程中,Softmax函数的输出可以用于计算损失函数,并通过反向传播算法来更新网络参数。值得注意的是,Softmax函数的输出并不会改变元素之间的相对大小关系,只是对其进行了归一化处理。因此,Softmax函数并不改变输入向量的特性,只是将其转化为概率分布形式。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式利用大数据技术对所述多个预定时间点的心率值和血压值进行分析以得到分析结果,并根据所述分析结果来判断是否提示被监控患者服用药物,例如:收集被监控患者的心率和血压数据,确保数据对应的时间点是一致的;对心率和血压数据进行必要的预处理,例如去除噪声、填充缺失值、归一化等;将预处理后的心率和血压数据存储到适当的大数据存储系统中;使用大数据技术(如分布式计算框架、数据挖掘算法等)对心率和血压数据进行分析;可以使用统计分析、机器学习、深度学习等方法来挖掘数据中的潜在模式和关联规律;从心率和血压数据中提取特征,例如平均值、变异性、频域特征等;运用模式识别技术,如分类算法、聚类分析等,识别出与服用药物相关的模式;基于分析结果,建立模型或规则来判断是否提示被监控患者服用药物;可以使用机器学习算法训练分类模型,或者定义规则和阈值进行判断;根据分析结果判断是否提示被监控患者服用药物,生成相应的提示信息。
特别地,所述数据展示和远程监控模块330,用于将所述分析结果和判断结果在远程监控端进行显示。应可以理解,将分析结果和判断结果显示在远程监控端,可以实时监测被监控患者的心率和血压情况。如果分析结果提示可能服用药物或出现异常情况,监控端可以立即收到警报并采取相应的行动。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述基于卷积神经网络模型的心率-血压时序关联特征提取器、所述基于转换器的时序上下文编码器和所述分类器进行训练。也就是说,根据本申请的基于大数据的远程护理监测系统300,还包括训练阶段400,用于对所述基于卷积神经网络模型的心率-血压时序关联特征提取器、所述基于转换器的时序上下文编码器和所述分类器进行训练。
图3为本申请实施例的基于大数据的远程护理监测系统的训练阶段的框图。如图3所示,本申请实施例的基于大数据的远程护理监测系统300,包括:训练阶段400,包括:训练数据获取单元410,用于获取训练数据,所述训练数据包括通过智能手环采集被监控患者在预定时间段内多个预定时间点的训练心率值和训练血压值;训练数据排列单元420,用于将所述多个预定时间点的训练心率值和训练血压值分别按照时间维度排列为训练心率时序输入向量和训练血压时序输入向量;训练心率-血压局部时序关联编码单元430,用于通过基于深度神经网络模型的心率-血压时序关联特征提取器对所述训练心率时序输入向量和所述训练血压时序输入向量进行局部时序关联分析以得到训练心率-血压局部时序关联特征向量的序列;训练心率-血压全局时序语义关联单元440,用于对所述训练心率-血压局部时序关联特征向量的序列进行时序上下文编码处理以得到训练心率-血压全局语义时序关联特征向量;特征优化单元450,用于对所述训练心率-血压全局语义时序关联特征向量的各个特征值进行优化以得到所述优化训练心率-血压全局语义时序关联特征向量;分类损失单元460,用于将所述优化训练心率-血压全局语义时序关联特征向量通过所述分类器以得到分类损失函数值;以及,训练单元470,用于基于所述分类损失函数值对所述基于卷积神经网络模型的心率-血压时序关联特征提取器、所述基于转换器的时序上下文编码器和所述分类器进行训练。
其中,所述分类损失单元,用于:使用所述分类器对所述优化训练心率-血压全局语义时序关联特征向量进行处理以得到训练分类结果:以及,计算所述训练分类结果与所述是否提示被监控患者服用药物的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
特别地,在本申请的技术方案中,所述心率-血压局部时序关联矩阵的序列分别表达心率值和血压值在全局时域经过向量切分确定的局部时域内的全局部时域关联,由此,在将所述心率-血压局部时序关联矩阵的序列分别通过基于卷积神经网络模型的心率-血压时序关联特征提取器,所述心率-血压局部时序关联特征向量的序列中的每个心率-血压局部时序关联特征向量表达局部时域下的细分局部时序关联特征,而在将所述心率-血压局部时序关联特征向量的序列通过基于转换器的时序上下文编码器后,得到的所述心率-血压全局语义时序关联特征向量进一步表达全局时域下的细分局部时序关联特征的局部时域上下文关联,由此,所述心率-血压全局语义时序关联特征向量具有全局时域下的多尺度时域划分的时序关联特征。因此,考虑到所述心率-血压全局语义时序关联特征向量的这种多尺度时域划分时序关联会导致所述心率-血压全局语义时序关联特征向量的整体特征分布的跨时域空间尺度时序关联特征分布的分布稀疏化,从而导致将所述心率-血压全局语义时序关联特征向量通过分类器进行类概率回归映射时,所述心率-血压全局语义时序关联特征向量的各个特征值的回归概率的概率密度分布的收敛性差,影响通过分类器得到的分类结果的准确性。因此,优选地,具体表示为:
;
其中和/>是所述心率-血压全局语义时序关联特征向量的第/>和第/>个特征值,且/>是所述心率-血压全局语义时序关联特征向量的全局特征均值,表示向量的指数运算,/>是所述优化心率-血压全局语义时序关联特征向量。具体地,针对所述心率-血压全局语义时序关联特征向量在高维特征空间内的稀疏分布导致的概率空间内概率密度分布的局部概率密度不匹配,通过正则化全局自洽类编码,来模仿所述心率-血压全局语义时序关联特征向量的高维特征在概率空间内的编码行为的全局自洽关系,以调整在高维开放空间域内的特征流形的误差景观,实现所述心率-血压全局语义时序关联特征向量的高维特征对显式概率空间嵌入的自洽匹配式类编码,从而提升所述心率-血压全局语义时序关联特征向量的回归概率的概率密度分布的收敛性,改进其通过分类器得到的分类结果的准确性。这样,能够实时地监测和管理老年人或慢性病患者的健康数据,有效地识别患者的疾病风险,并提供及时的干预和指导,从而改善医疗服务的效率和质量。
如上所述,根据本申请实施例的基于大数据的远程护理监测系统300可以实现在各种无线终端中,例如具有基于大数据的远程护理监测算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于大数据的远程护理监测系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于大数据的远程护理监测系统300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于大数据的远程护理监测系统300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于大数据的远程护理监测系统300与该无线终端也可以是分立的设备,并且该基于大数据的远程护理监测系统300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
进一步地,还提供一种基于大数据的远程护理监测方法。
图6为根据本申请实施例的基于大数据的远程护理监测方法的流程图。如图6所示,根据本申请实施例的基于大数据的远程护理监测方法,包括步骤:S1,通过智能手环采集被监控患者在预定时间段内多个预定时间点的心率值和血压值;S2,利用大数据技术对所述多个预定时间点的心率值和血压值进行分析以得到分析结果,并根据所述分析结果来判断是否提示被监控患者服用药物;S3,将所述分析结果和判断结果在远程监控端进行显示。
综上,根据本申请实施例的基于大数据的远程护理监测方法被阐明,其通过智能手环采集患者的生理数据,例如心率值和血压值数据,并在后端利用大数据和人工智能技术来对于这些生理数据进行时序协同分析,以此来提供个性化的药物管理指导,例如药物剂量、用药时间和用药方式等方面的建议。通过这样的方式,能够实时地监测和管理老年人或慢性病患者的健康数据,有效地识别患者的疾病风险,并提供及时的干预和指导,从而改善医疗服务的效率和质量。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种基于大数据的远程护理监测系统,其特征在于,包括:
数据采集模块,用于通过智能手环采集被监控患者在预定时间段内多个预定时间点的心率值和血压值;
数据处理模块,用于利用大数据技术对所述多个预定时间点的心率值和血压值进行分析以得到分析结果,并根据所述分析结果来判断是否提示被监控患者服用药物;
数据展示和远程监控模块,用于将所述分析结果和判断结果在远程监控端进行显示。
2.根据权利要求1所述的基于大数据的远程护理监测系统,其特征在于,所述数据处理模块,包括:
数据时序排列单元,用于将所述多个预定时间点的心率值和血压值分别按照时间维度排列为心率时序输入向量和血压时序输入向量;
心率-血压局部时序关联编码单元,用于通过基于深度神经网络模型的心率-血压时序关联特征提取器对所述心率时序输入向量和所述血压时序输入向量进行局部时序关联分析以得到心率-血压局部时序关联特征向量的序列;
心率-血压全局时序语义关联单元,用于对所述心率-血压局部时序关联特征向量的序列进行时序上下文编码处理以得到心率-血压全局语义时序关联特征;
药物服用提示单元,用于基于所述心率-血压全局语义时序关联特征,确定是否提示被监控患者服用药物。
3.根据权利要求2所述的基于大数据的远程护理监测系统,其特征在于,所述心率-血压局部时序关联编码单元,包括:
向量切分子单元,用于对所述心率时序输入向量和所述血压时序输入向量进行向量切分以得到心率局部时序输入向量的序列和血压局部时序输入向量的序列;
心率-血压局部时序关联子单元,用于对所述心率局部时序输入向量的序列和所述血压局部时序输入向量的序列中对应时间段的心率局部时序输入向量和血压局部时序输入向量进行关联编码以得到心率-血压局部时序关联矩阵的序列;
心率-血压局部时序关联特征提取子单元,用于将所述心率-血压局部时序关联矩阵的序列分别通过基于卷积神经网络模型的心率-血压时序关联特征提取器以得到心率-血压局部时序关联特征向量的序列。
4.根据权利要求3所述的基于大数据的远程护理监测系统,其特征在于,所述心率-血压全局时序语义关联单元,用于:将所述心率-血压局部时序关联特征向量的序列通过基于转换器的时序上下文编码器以得到心率-血压全局语义时序关联特征向量作为所述心率-血压全局语义时序关联特征。
5.根据权利要求4所述的基于大数据的远程护理监测系统,其特征在于,所述药物服用提示单元,用于:将所述心率-血压全局语义时序关联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是否提示被监控患者服用药物。
6.根据权利要求5所述的基于大数据的远程护理监测系统,其特征在于,还包括用于对所述基于卷积神经网络模型的心率-血压时序关联特征提取器、所述基于转换器的时序上下文编码器和所述分类器进行训练的训练模块。
7.根据权利要求6所述的基于大数据的远程护理监测系统,其特征在于,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括通过智能手环采集被监控患者在预定时间段内多个预定时间点的训练心率值和训练血压值;
训练数据排列单元,用于将所述多个预定时间点的训练心率值和训练血压值分别按照时间维度排列为训练心率时序输入向量和训练血压时序输入向量;
训练心率-血压局部时序关联编码单元,用于通过基于深度神经网络模型的心率-血压时序关联特征提取器对所述训练心率时序输入向量和所述训练血压时序输入向量进行局部时序关联分析以得到训练心率-血压局部时序关联特征向量的序列;
训练心率-血压全局时序语义关联单元,用于对所述训练心率-血压局部时序关联特征向量的序列进行时序上下文编码处理以得到训练心率-血压全局语义时序关联特征向量;
特征优化单元,用于对所述训练心率-血压全局语义时序关联特征向量的各个特征值进行优化以得到所述优化训练心率-血压全局语义时序关联特征向量;
分类损失单元,用于将所述优化训练心率-血压全局语义时序关联特征向量通过所述分类器以得到分类损失函数值;
训练单元,用于基于所述分类损失函数值对所述基于卷积神经网络模型的心率-血压时序关联特征提取器、所述基于转换器的时序上下文编码器和所述分类器进行训练。
8.根据权利要求7所述的基于大数据的远程护理监测系统,其特征在于,所述分类损失单元,用于:
使用所述分类器对所述优化训练心率-血压全局语义时序关联特征向量进行处理以得到训练分类结果:
计算所述训练分类结果与所述是否提示被监控患者服用药物的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
9.一种基于大数据的远程护理监测方法,其特征在于,包括:
通过智能手环采集被监控患者在预定时间段内多个预定时间点的心率值和血压值;
利用大数据技术对所述多个预定时间点的心率值和血压值进行分析以得到分析结果,并根据所述分析结果来判断是否提示被监控患者服用药物;
将所述分析结果和判断结果在远程监控端进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743059.5A CN117542474A (zh) | 2023-12-18 | 2023-12-18 | 基于大数据的远程护理监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743059.5A CN117542474A (zh) | 2023-12-18 | 2023-12-18 | 基于大数据的远程护理监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117542474A true CN117542474A (zh) | 2024-02-09 |
Family
ID=89784323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311743059.5A Pending CN117542474A (zh) | 2023-12-18 | 2023-12-18 | 基于大数据的远程护理监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117542474A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854738A (zh) * | 2024-03-08 | 2024-04-09 | 吉林大学第一医院 | 一种基于智联终端的医疗护理系统 |
-
2023
- 2023-12-18 CN CN202311743059.5A patent/CN117542474A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854738A (zh) * | 2024-03-08 | 2024-04-09 | 吉林大学第一医院 | 一种基于智联终端的医疗护理系统 |
CN117854738B (zh) * | 2024-03-08 | 2024-05-03 | 吉林大学第一医院 | 一种基于智联终端的医疗护理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
Yang | Medical multimedia big data analysis modeling based on DBN algorithm | |
CN117542474A (zh) | 基于大数据的远程护理监测系统及方法 | |
CN116386869A (zh) | 一种基于多变量的病情危重程度评估方法 | |
CN113990482A (zh) | 健康数据处理系统及方法 | |
Kirubakaran et al. | Echo state learned compositional pattern neural networks for the early diagnosis of cancer on the internet of medical things platform | |
CN114343585B (zh) | 认知和行为障碍的预警方法、装置、设备及存储介质 | |
CN117476214A (zh) | 一种基于医院信息的数据治理方法和系统 | |
CN111047590A (zh) | 基于眼底图像的高血压分类方法及设备 | |
CN117476217B (zh) | 一种慢性心脏病病情发展趋势预测系统 | |
CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
Sri et al. | A Relative Analysis of Machine Learning based approaches to Detect Human Pain Intensity using Facial Expressions | |
Mitra et al. | Analyzing Clinical 12-Lead ECG Images Using Deep Learning Algorithms for Objective Detection of Cardiac Diseases | |
CN114651264A (zh) | 将模型输出组合为组合模型输出 | |
CN117643461B (zh) | 基于人工智能的心率智能监测系统及方法 | |
CN117727072B (zh) | 患者护理安全的信息化管理系统及方法 | |
CN117617921B (zh) | 基于物联网的智能血压监控系统及方法 | |
CN116246776B (zh) | 一种辅助脑卒中诊断决策的方法及系统 | |
CN117393153B (zh) | 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统 | |
Sahu et al. | Emotion classification based on EEG signals in a stable environment | |
Priya et al. | A novel intelligent diagnosis and disease prediction algorithm in green cloud using machine learning approach | |
CN117421548B (zh) | 基于卷积神经网络对生理指标数据缺失的治理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |