CN117618708B - 用于静脉输液治疗的智能监控系统及方法 - Google Patents
用于静脉输液治疗的智能监控系统及方法 Download PDFInfo
- Publication number
- CN117618708B CN117618708B CN202410107141.7A CN202410107141A CN117618708B CN 117618708 B CN117618708 B CN 117618708B CN 202410107141 A CN202410107141 A CN 202410107141A CN 117618708 B CN117618708 B CN 117618708B
- Authority
- CN
- China
- Prior art keywords
- infusion
- time sequence
- feature vector
- infusion rate
- vector
- 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
- 238000001802 infusion Methods 0.000 title claims abstract description 562
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000001990 intravenous administration Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000002560 therapeutic procedure Methods 0.000 claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 289
- 238000010219 correlation analysis Methods 0.000 claims description 42
- 230000004927 fusion Effects 0.000 claims description 29
- 230000005856 abnormality Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 6
- 239000003814 drug Substances 0.000 description 5
- 229940079593 drug Drugs 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 206010019280 Heart failures Diseases 0.000 description 2
- 206010037423 Pulmonary oedema Diseases 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 206010007556 Cardiac failure acute Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010015866 Extravasation Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000005465 channeling Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036251 extravasation Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 239000003978 infusion fluid Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 208000005333 pulmonary edema Diseases 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Landscapes
- Infusion, Injection, And Reservoir Apparatuses (AREA)
Abstract
本申请涉及智能监控技术领域,其具体地公开了一种用于静脉输液治疗的智能监控系统及方法,其利用基于深度学习的人工智能技术来监测和分析静脉输液过程中输液速率和输液压力的时间序列数据,从中挖掘输液速率和输液压力的协同关联特征,进而判断输液速率是否存在异常。这样,可以实时监控输液速率是否存在异常,从而及时提醒医护人员采取相应的措施,以此来提高静脉输液治疗的安全性,并减轻了医护人员的工作负担。
Description
技术领域
本申请涉及智能监控技术领域,且更为具体地,涉及一种用于静脉输液治疗的智能监控系统及方法。
背景技术
静脉输液是一种常见的医疗治疗方式,通过将药物或营养物质直接输送到血液中,使其迅速地分布到全身,从而达到治疗疾病的目的。由于静脉输液对于一些需要快速起效或不能口服给药的情况非常有效,因此被广泛应用于临床医疗领域。
在静脉输液治疗过程中,不当的输液速率可能导致患者血压波动、心脏负担增加,甚至出现心衰、肺水肿、血管外渗、液体超负荷等症状。因此,正确控制输液速率对患者的治疗效果至关重要。然而,传统的静脉输液监控方法主要依赖医护人员的观察和调整。这种人工监控方式无法对输液过程进行实时监测和预警,对于突发的异常情况反应不及时。其次,医护人员的工作负担较重,长时间、高强度的工作容易引发疲劳,可能会导致判断失误。
因此,期待一种用于静脉输液治疗的智能监控系统及方法。
发明内容
为了解决上述技术问题,提出了本申请。
相应地,根据本申请的一个方面,提供了一种用于静脉输液治疗的智能监控系统,其包括:
静脉输液监控模块,用于获取由传感器采集的输液速率的时间序列和输液压力的时间序列;
时间序列特征分析模块,用于分别提取所述输液速率的时间序列和所述输液压力的时间序列特征以得到输液速率时序特征向量和输液压力时序特征向量;
协同关联分析模块,用于对所述输液速率时序特征向量和所述输液压力时序特征向量进行相关分析以得到输液速率-输液压力协同关联特征向量;
输液速率异常诊断模块,用于基于所述输液速率-输液压力协同关联特征向量,确定是否存在输液速率异常;
其中,所述协同关联分析模块,包括:
相关分析融合单元,用于使用相关分析模块来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量;
其中,所述相关分析融合单元,用于:
使用如下相关分析公式来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量;其中,所述相关分析公式为:
;
;
;
其中,为所述输液速率-输液压力协同关联特征向量,/>为所述输液速率时序特征向量,/>为所述输液压力时序特征向量,/>为所述输液速率时序特征向量的转换矩阵,/>为所述输液压力时序特征向量的转换矩阵,/>为显著化输液速率时序特征向量,/>为显著化输液压力时序特征向量。
在上述用于静脉输液治疗的智能监控系统中,所述时间序列特征分析模块,包括:数据预处理单元,用于对所述输液速率的时间序列和所述输液压力的时间序列分别进行数据预处理以得到输液速率时序输入向量和输液压力时序输入向量;时序特征提取单元,用于使用时间序列特征包算法从所述输液速率时序输入向量和所述输液压力时序输入向量分别提取所述输液速率时序特征向量和所述输液压力时序特征向量。
在上述用于静脉输液治疗的智能监控系统中,所述数据预处理单元,用于:将所述输液速率的时间序列和所述输液压力的时间序列分别按照时间维度进行排列以得到所述输液速率时序输入向量和所述输液压力时序输入向量。
在上述用于静脉输液治疗的智能监控系统中,所述时序特征提取单元,包括:向量分割子单元,用于对所述输液速率时序输入向量进行向量分割以得到输液速率时序片段输入向量的序列;局部特征提取子单元,用于对各个所述输液速率时序片段输入向量进行局部特征提取以得到输液速率局部时序特征向量的序列;集成子单元,用于使用特征袋集成所述输液速率局部时序特征向量的序列以得到所述输液速率时序特征向量。
在上述用于静脉输液治疗的智能监控系统中,所述集成子单元,用于:对所述输液速率局部时序特征向量的序列进行级联处理以得到所述输液速率时序特征向量。
在上述用于静脉输液治疗的智能监控系统中,所述输液速率异常诊断模块,包括:优化单元,用于对所述输液速率-输液压力协同关联特征向量进行特征优化以得到优化后输液速率-输液压力协同关联特征向量;分类单元,用于将所述优化后输液速率-输液压力协同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存在输液速率异常。
在上述用于静脉输液治疗的智能监控系统中,所述分类单元,包括:全连接编码子单元,用于使用所述分类器的全连接层对所述优化后输液速率-输液压力协同关联特征向量进行全连接编码以得到全连接编码特征向量;概率化子单元,用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化后输液速率-输液压力协同关联特征向量归属于各个分类标签的概率值,所述分类标签包括输液速率正常和输液速率存在异常;分类结果确定子单元,用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
根据本申请的另一个方面,提供了一种用于静脉输液治疗的智能监控方法,其包括:
获取由传感器采集的输液速率的时间序列和输液压力的时间序列;
分别提取所述输液速率的时间序列和所述输液压力的时间序列特征以得到输液速率时序特征向量和输液压力时序特征向量;
对所述输液速率时序特征向量和所述输液压力时序特征向量进行相关分析以得到输液速率-输液压力协同关联特征向量;
基于所述输液速率-输液压力协同关联特征向量,确定是否存在输液速率异常;
其中,所述输液速率时序特征向量和所述输液压力时序特征向量进行相关分析以得到输液速率-输液压力协同关联特征向量,包括:
使用相关分析模块来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量;
其中,使用相关分析模块来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量,用于:
使用如下相关分析公式来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量;其中,所述相关分析公式为:
;
;
;
其中,为所述输液速率-输液压力协同关联特征向量,/>为所述输液速率时序特征向量,/>为所述输液压力时序特征向量,/>为所述输液速率时序特征向量的转换矩阵,/>为所述输液压力时序特征向量的转换矩阵,/>为显著化输液速率时序特征向量,/>为显著化输液压力时序特征向量。
与现有技术相比,本申请提供的用于静脉输液治疗的智能监控系统及方法,其利用基于深度学习的人工智能技术来监测和分析静脉输液过程中输液速率和输液压力的时间序列数据,从中挖掘输液速率和输液压力的协同关联特征,进而判断输液速率是否存在异常。这样,可以实时监控输液速率是否存在异常,从而及时提醒医护人员采取相应的措施,以此来提高静脉输液治疗的安全性,并减轻了医护人员的工作负担。
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用于静脉输液治疗的智能监控系统的框图。
图2为根据本申请实施例的用于静脉输液治疗的智能监控系统的架构示意图。
图3为根据本申请实施例的用于静脉输液治疗的智能监控系统中时间序列特征分析模块的框图。
图4为根据本申请实施例的用于静脉输液治疗的智能监控系统中时序特征提取单元的框图。
图5为根据本申请实施例的用于静脉输液治疗的智能监控系统中输液速率异常诊断模块的框图。
图6为根据本申请实施例的用于静脉输液治疗的智能监控系统中分类单元的框图。
图7为根据本申请实施例的用于静脉输液治疗的智能监控方法的流程图。
具体实施方式
下面,将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。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。同时,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用于静脉输液治疗的智能监控系统的框图。图2为根据本申请实施例的用于静脉输液治疗的智能监控系统的架构示意图。如图1和图2所示,根据本申请实施例的用于静脉输液治疗的智能监控系统100,包括:静脉输液监控模块110,用于获取由传感器采集的输液速率的时间序列和输液压力的时间序列;时间序列特征分析模块120,用于分别提取所述输液速率的时间序列和所述输液压力的时间序列特征以得到输液速率时序特征向量和输液压力时序特征向量;协同关联分析模块130,用于对所述输液速率时序特征向量和所述输液压力时序特征向量进行相关分析以得到输液速率-输液压力协同关联特征向量;输液速率异常诊断模块140,用于基于所述输液速率-输液压力协同关联特征向量,确定是否存在输液速率异常。
如上述背景技术所言,在静脉输液治疗过程中,输液速率对患者的治疗有着重要影响。输液速率过快会导致大量液体在短时间内进入人体,血液容量迅速增加,加快了血流速度,造成心脏负担过重,还可能会诱发急性心功能不全问题,甚至发生心衰。并且,如果血液容量迅速增加,超过肺部的排液能力,造成肺水肿,还可能导致呼吸困难和缺氧。而输液速率过慢可能会导致患者血容量不足,进而导致血液循环不畅,无法维持足够的血液压力,造成血压下降,产生头晕、乏力、心悸等症状,严重时甚至会导致晕厥。并且,输液速率过慢会延迟药物的作用时间,可能会影响治疗效果,特别是对于需要迅速起效的药物,如急救药物或抗生素。
然而,传统的静脉输液监控方法主要依赖医护人员的观察和调整。这种人工监控方式无法对输液过程进行实时监测和预警,对于突发的异常情况反应不及时。其次,医护人员的工作负担较重,长时间、高强度的工作容易引发疲劳,可能会导致判断失误。目前,现有的一些利用传感器和电子设备来自动监测输液过程的技术方案通常基于预设的阈值来进行输液异常检测,而实际操作中,由于患者的生理状态和输液条件可能随时间变化,因此,预设阈值的固定性导致了这种监测方式的灵活性不足。此外,预设阈值通常是针对整个群体或平均情况设定的,无法考虑个体差异和输液条件的动态变化。
针对上述技术问题,本申请的技术构思为利用基于深度学习的人工智能技术来监测和分析静脉输液过程中输液速率和输液压力的时间序列数据,从中挖掘输液速率和输液压力的协同关联特征,进而判断输液速率是否存在异常。这样,可以实时监控输液速率是否存在异常,从而及时提醒医护人员采取相应的措施,以此来提高静脉输液治疗的安全性,并减轻了医护人员的工作负担。
在上述用于静脉输液治疗的智能监控系统100中,所述静脉输液监控模块110,用于获取由传感器采集的输液速率的时间序列和输液压力的时间序列。应可以理解,输液速率是指单位时间内输液液体的流动量,通常以毫升/小时为单位。输液压力是指输液过程中液体对输液管路和静脉通路施加的压力。通过监控静脉输液过程中的输液速率和输液压力,可以及时发现输液管路堵塞、输液泵故障、静脉通路异常或患者体位改变等问题。同时,由于静脉输液治疗是一个持续进行的过程,输液速率和输液压力会随着时间的推移而发生变化。因此,通过获取输液速率和输液压力的时间序列数据,可以记录输液速率和输液压力的变化趋势和波动情况,从而更准确地判断是否存在异常情况。
在上述用于静脉输液治疗的智能监控系统100中,所述时间序列特征分析模块120,用于分别提取所述输液速率的时间序列和所述输液压力的时间序列特征以得到输液速率时序特征向量和输液压力时序特征向量。应可以理解,输液速率和输液压力是两个不同的指标,二者反映了输液过程中不同的物理特性。由于输液速率和输液压力在时间维度上具有不同的变化模式和动态特性。通过分别提取所述输液速率的时间序列和所述输液压力的时间序列特征,可以获得更全面、多样化的特征表示,有助于更准确地反映输液过程中的变化和异常情况。
图3为根据本申请实施例的用于静脉输液治疗的智能监控系统中时间序列特征分析模块的框图。如图3所示,所述时间序列特征分析模块120,包括:数据预处理单元121,用于对所述输液速率的时间序列和所述输液压力的时间序列分别进行数据预处理以得到输液速率时序输入向量和输液压力时序输入向量;时序特征提取单元122,用于使用时间序列特征包算法从所述输液速率时序输入向量和所述输液压力时序输入向量分别提取所述输液速率时序特征向量和所述输液压力时序特征向量。
具体地,所述数据预处理单元121,用于对所述输液速率的时间序列和所述输液压力的时间序列分别进行数据预处理以得到输液速率时序输入向量和输液压力时序输入向量。优选地,对所述输液速率的时间序列和所述输液压力的时间序列分别进行数据预处理的处理方式是将所述输液速率的时间序列和所述输液压力的时间序列分别按照时间维度进行排列以得到所述输液速率时序输入向量和所述输液压力时序输入向量。应可以理解,考虑到所述输液速率的时间序列和所述输液压力的时间序列在时间维度上具有着时序的动态变化规律。因此,为了能够便于后续对输液速率和输液压力的时序变化情况进行分析,以捕捉输液过程中的动态变化特征,进一步将所述输液速率的时间序列和所述输液压力的时间序列分别按照时间维度进行排列以得到输液速率时序输入向量和输液压力时序输入向量,以此来保留输液速率和输液压力在时间维度上的时序分布信息。这样,将所述输液速率的时间序列和所述输液压力的时间序列转换为统一的向量表示形式,可以更方便地使用机器学习算法进行进一步的时序特征提取、分析和建模,以挖掘隐藏在时间序列数据中的规律和异常模式,从而更准确地判断输液速率是否存在异常。
具体地,所述时序特征提取单元122,用于使用时间序列特征包算法从所述输液速率时序输入向量和所述输液压力时序输入向量分别提取所述输液速率时序特征向量和所述输液压力时序特征向量。应可以理解,时间序列特征包(time series bag of features,TSBF)算法通过将原始数据分割成多个片段或窗口,分别对每个片段应用特征提取算法以提取出局部特征表示,再使用特征袋(Bag of Features,BoF)将时间序列数据的各部分的局部信息整合为整体的特征表示。在本申请的技术方案中,使用时间序列特征包算法来对所述输液速率时序输入向量和所述输液压力时序输入向量分别进行时序特征提取,能够捕捉输液过程中输液速率和输液压力的局部变化特征,例如输液速率的波动、压力的峰值等,从而强化输液过程中的细微变化特征的表达,有助于更细致地理解输液速率和输液压力的时序特征和模式。此外,时间序列特征包算法通过将输液速率和输液压力的时序片段中的局部信息整合为全局特征表示,能够在保留重要信息的同时减少数据维度,提高建模的效率,且更全面地描述输液过程中输液速率和输液压力的整体动态变化特性。
图4为根据本申请实施例的用于静脉输液治疗的智能监控系统中时序特征提取单元的框图。如图4所示,所述时序特征提取单元122,包括:向量分割子单元1221,用于对所述输液速率时序输入向量进行向量分割以得到输液速率时序片段输入向量的序列;局部特征提取子单元1222,用于对各个所述输液速率时序片段输入向量进行局部特征提取以得到输液速率局部时序特征向量的序列;集成子单元1223,用于使用特征袋集成所述输液速率局部时序特征向量的序列以得到所述输液速率时序特征向量。更为具体地,使用特征袋集成所述输液速率局部时序特征向量的序列以得到所述输液速率时序特征向量的实现方式是对所述输液速率局部时序特征向量的序列进行级联处理以得到所述输液速率时序特征向量。
在上述用于静脉输液治疗的智能监控系统100中,所述协同关联分析模块130,用于对所述输液速率时序特征向量和所述输液压力时序特征向量进行相关分析以得到输液速率-输液压力协同关联特征向量。优选地,在所述协同关联分析模块中包括了用于使用相关分析模块来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量的相关分析融合单元。也就是说,对所述输液速率时序特征向量和所述输液压力时序特征向量进行相关分析的编码方式是使用相关分析模块来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量。应可以理解,考虑到输液速率和输液压力之间往往存在一定的协同关联关系。例如,当输液速率下降时,相应的输液压力也可能会下降。因此,为了捕捉输液速率和输液压力之间的协同关联关系,以此来更全面地描述输液过程中输液速率和输液压力之间的时序关联变化模式,进一步使用相关分析模块来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量。这里,所述相关分析模块能够有效地将所述输液速率时序特征向量和所述输液压力时序特征向量中的同类特征信息进行关联,同时揭示所述输液速率时序特征向量和所述输液压力时序特征向量的内在线性结构,合并相似特征,去除冗余特征,并缩减数据集的维数,以此来提高特征的判别能力,使得融合后的所述输液速率-输液压力协同关联特征向量能够更全面地描述输液过程中输液速率和输液压力的时序关联变化模式,更准确地反映输液过程中的异常情况,提高后续输液速率异常判断的准确性。
更为具体地,所述相关分析融合单元,用于:使用如下相关分析公式来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量;其中,所述相关分析公式为:
;
;
;
其中,为所述输液速率-输液压力协同关联特征向量,/>为所述输液速率时序特征向量,/>为所述输液压力时序特征向量,/>为所述输液速率时序特征向量的转换矩阵,/>为所述输液压力时序特征向量的转换矩阵,/>为显著化输液速率时序特征向量,/>为显著化输液压力时序特征向量。
在上述用于静脉输液治疗的智能监控系统100中,所述输液速率异常诊断模块140,用于基于所述输液速率-输液压力协同关联特征向量,确定是否存在输液速率异常。应可以理解,输液速率和输液压力之间存在一定的关联性。正常情况下,输液速率和输液压力应该在一定范围内相互匹配和协调。通过上述的相关分析融合处理,获得的所述输液速率-输液压力协同关联特征向量捕捉了输液速率和输液压力之间的关联模式和协同变化,提供了更全面的信息来评估输液的正常性。因此,可以进一步利用机器学习算法对输液速率和输液压力之间的协同关联特征进行特征学习和分类判断,以实现输液速率的异常监测任务。
图5为根据本申请实施例的用于静脉输液治疗的智能监控系统中输液速率异常诊断模块的框图。如图5所示,所述输液速率异常诊断模块140,包括:优化单元141,用于对所述输液速率-输液压力协同关联特征向量进行特征优化以得到优化后输液速率-输液压力协同关联特征向量;分类单元142,用于将所述优化后输液速率-输液压力协同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存在输液速率异常。
具体地,所述优化单元141,用于对所述输液速率-输液压力协同关联特征向量进行特征优化以得到优化后输液速率-输液压力协同关联特征向量。在上述技术方案中,所述输液速率时序特征向量和所述输液压力时序特征向量分别表达所述输液速率和所述输液压力的序列化时间关联分布特征,但是,考虑到所述输液速率和所述输液压力在时间序列表达下,沿时序的分布会存在不一致,因此所述时间序列特征包算法通过划分时间序列再通过聚合局部时域内的局部特征来得到全局特征时,会针对所述输液速率时序特征向量和所述输液压力时序特征向量具有全局-局部时序关联计算维度下的变化性。因此,为了提升使用相关分析模块来融合所述输液速率时序特征向量和所述输液压力时序特征向量时,所述输液速率时序特征向量和所述输液压力时序特征向量在基于分类器的类别判定下的融合效果,在本申请的技术方案中,优选地以如下优化融合公式对所述输液速率时序特征向量和所述输液压力时序特征向量以特征值为粒度进行优化融合以得到优化融合特征向量;其中,所述优化融合公式为:
;
其中,和/>分别是所述输液速率时序特征向量/>和所述输液压力时序特征向量的特征值,/>和/>分别表示特征向量的一范数的平方和特征向量的二范数的平方根,/>是特征向量的长度,且/>是权重超参数,/>表示所述优化融合特征向量的特征值。
这里,上述优化融合基于特征值粒度下的对应性来将所述输液速率时序特征向量和所述输液压力时序特征向量/>的序列化融合表示进行基于向量尺度的前景流形和背景流形的划分,以在特征对应通道超流形体聚合机制下堆叠所述输液速率时序特征向量/>和所述输液压力时序特征向量/>的动态的特征值通道化关联,从而标记所述输液速率时序特征向量/>和所述输液压力时序特征向量/>的序列间的变化的特征语义信息,实现根据所述输液速率时序特征向量/>和所述输液压力时序特征向量/>间的语义内容在不同计算维度下的变化性的类全连接式堆叠融合,以提升所述输液速率时序特征向量/>和所述输液压力时序特征向量/>的融合效果。这样,再将所述优化融合特征向量与所述输液速率-输液压力协同关联特征向量进行融合,从而改进所述输液速率-输液压力协同关联特征向量通过分类器得到的分类结果的准确性。
具体地,所述分类单元142,用于将所述优化后输液速率-输液压力协同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存在输液速率异常。应可以理解,分类器是一种机器学习模型,用于根据输入数据的特征模式将其分为相应的类别。在本申请的技术方案中,首先使用包含对应类别标签的训练数据集来对分类器进行训练,使其学习到正常输液模式和异常输液模式之间的特征差异,并能够根据不同的输液特征模式将输入数据正确映射到对应的类别标签中。然后,将所述优化后输液速率-输液压力协同关联特征向量输入训练完成的分类器中,利用分类器学习到的分类映射能力来对所述优化后输液速率-输液压力协同关联特征向量进行二元分类,以得到用于表示是否存在输液速率异常的分类结果。如果分类结果表示输液速率存在异常,则可以触发相应的警报或采取进一步的措施来保障患者的安全。这样,可以实现对输液速率异常的自动化实时监测,从而及时发现异常情况并采取相应的措施,以提高静脉输液治疗的安全性。
图6为根据本申请实施例的用于静脉输液治疗的智能监控系统中分类单元的框图。如图6所示,所述分类单元142,包括:全连接编码子单元1421,用于使用所述分类器的全连接层对所述优化后输液速率-输液压力协同关联特征向量进行全连接编码以得到全连接编码特征向量;概率化子单元1422,用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化后输液速率-输液压力协同关联特征向量归属于各个分类标签的概率值,所述分类标签包括输液速率正常和输液速率存在异常;分类结果确定子单元1423,用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
综上,根据本申请实施例的用于静脉输液治疗的智能监控系统被阐明,其利用基于深度学习的人工智能技术来监测和分析静脉输液过程中输液速率和输液压力的时间序列数据,从中挖掘输液速率和输液压力的协同关联特征,进而判断输液速率是否存在异常。这样,可以实时监控输液速率是否存在异常,从而及时提醒医护人员采取相应的措施,以此来提高静脉输液治疗的安全性,并减轻了医护人员的工作负担。
图7为根据本申请实施例的用于静脉输液治疗的智能监控方法的流程图。如图7所示,根据本申请实施例的用于静脉输液治疗的智能监控方法,包括步骤:S1,获取由传感器采集的输液速率的时间序列和输液压力的时间序列;S2,分别提取所述输液速率的时间序列和所述输液压力的时间序列特征以得到输液速率时序特征向量和输液压力时序特征向量;S3,对所述输液速率时序特征向量和所述输液压力时序特征向量进行相关分析以得到输液速率-输液压力协同关联特征向量;S4,基于所述输液速率-输液压力协同关联特征向量,确定是否存在输液速率异常。
这里,本领域技术人员可以理解,上述用于静脉输液治疗的智能监控方法中的各个步骤的具体操作已经在上面参考图1到图6的用于静脉输液治疗的智能监控系统的描述中得到了详细介绍,并因此,将省略其重复描述。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,在本发明中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外,上述实施例的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本发明为必须采用上述具体的细节来实现。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元也可以由一个单元通过软件或者硬件来实现。
最后应说明的是,为了例示和描述的目的已经给出了以上描述。此外,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种用于静脉输液治疗的智能监控系统,其特征在于,包括:
静脉输液监控模块,用于获取由传感器采集的输液速率的时间序列和输液压力的时间序列;
时间序列特征分析模块,用于分别提取所述输液速率的时间序列和所述输液压力的时间序列特征以得到输液速率时序特征向量和输液压力时序特征向量;
协同关联分析模块,用于对所述输液速率时序特征向量和所述输液压力时序特征向量进行相关分析以得到输液速率-输液压力协同关联特征向量;
输液速率异常诊断模块,用于基于所述输液速率-输液压力协同关联特征向量,确定是否存在输液速率异常;
其中,所述协同关联分析模块,包括:
相关分析融合单元,用于使用相关分析模块来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量;
其中,所述相关分析融合单元,用于:
使用如下相关分析公式来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量;其中,所述相关分析公式为:
;
;
;
其中,为所述输液速率-输液压力协同关联特征向量,/>为所述输液速率时序特征向量,/>为所述输液压力时序特征向量,/>为所述输液速率时序特征向量的转换矩阵,/>为所述输液压力时序特征向量的转换矩阵,/>为显著化输液速率时序特征向量,/>为显著化输液压力时序特征向量;
其中,所述输液速率异常诊断模块,包括:
优化单元,用于对所述输液速率-输液压力协同关联特征向量进行特征优化以得到优化后输液速率-输液压力协同关联特征向量;
分类单元,用于将所述优化后输液速率-输液压力协同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存在输液速率异常;
其中,所述优化单元,包括:
对所述输液速率时序特征向量和所述输液压力时序特征向量以特征值为粒度进行优化融合以得到优化融合特征向量;
将所述优化融合特征向量与所述输液速率-输液压力协同关联特征向量进行融合以得到优化后输液速率-输液压力协同关联特征向量;
其中,以如下优化融合公式对所述输液速率时序特征向量和所述输液压力时序特征向量以特征值为粒度进行优化融合以得到优化融合特征向量;其中,所述优化融合公式为:
;
其中,和/>分别是所述输液速率时序特征向量/>和所述输液压力时序特征向量的特征值,/>和/>分别表示特征向量的一范数的平方和特征向量的二范数的平方根,/>是特征向量的长度,且/>是权重超参数,/>表示所述优化融合特征向量的特征值。
2.根据权利要求1所述的用于静脉输液治疗的智能监控系统,其特征在于,所述时间序列特征分析模块,包括:
数据预处理单元,用于对所述输液速率的时间序列和所述输液压力的时间序列分别进行数据预处理以得到输液速率时序输入向量和输液压力时序输入向量;
时序特征提取单元,用于使用时间序列特征包算法从所述输液速率时序输入向量和所述输液压力时序输入向量分别提取所述输液速率时序特征向量和所述输液压力时序特征向量。
3.根据权利要求2所述的用于静脉输液治疗的智能监控系统,其特征在于,所述数据预处理单元,用于:
将所述输液速率的时间序列和所述输液压力的时间序列分别按照时间维度进行排列以得到所述输液速率时序输入向量和所述输液压力时序输入向量。
4.根据权利要求3所述的用于静脉输液治疗的智能监控系统,其特征在于,所述时序特征提取单元,包括:
向量分割子单元,用于对所述输液速率时序输入向量进行向量分割以得到输液速率时序片段输入向量的序列;
局部特征提取子单元,用于对各个所述输液速率时序片段输入向量进行局部特征提取以得到输液速率局部时序特征向量的序列;
集成子单元,用于使用特征袋集成所述输液速率局部时序特征向量的序列以得到所述输液速率时序特征向量。
5.根据权利要求4所述的用于静脉输液治疗的智能监控系统,其特征在于,所述集成子单元,用于:
对所述输液速率局部时序特征向量的序列进行级联处理以得到所述输液速率时序特征向量。
6.根据权利要求5所述的用于静脉输液治疗的智能监控系统,其特征在于,所述分类单元,包括:
全连接编码子单元,用于使用所述分类器的全连接层对所述优化后输液速率-输液压力协同关联特征向量进行全连接编码以得到全连接编码特征向量;
概率化子单元,用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化后输液速率-输液压力协同关联特征向量归属于各个分类标签的概率值,所述分类标签包括输液速率正常和输液速率存在异常;
分类结果确定子单元,用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
7.一种用于静脉输液治疗的智能监控方法,其特征在于,包括:
获取由传感器采集的输液速率的时间序列和输液压力的时间序列;
分别提取所述输液速率的时间序列和所述输液压力的时间序列特征以得到输液速率时序特征向量和输液压力时序特征向量;
对所述输液速率时序特征向量和所述输液压力时序特征向量进行相关分析以得到输液速率-输液压力协同关联特征向量;
基于所述输液速率-输液压力协同关联特征向量,确定是否存在输液速率异常;
其中,所述输液速率时序特征向量和所述输液压力时序特征向量进行相关分析以得到输液速率-输液压力协同关联特征向量,包括:
使用相关分析模块来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量;
其中,使用相关分析模块来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量,用于:
使用如下相关分析公式来融合所述输液速率时序特征向量和所述输液压力时序特征向量以得到输液速率-输液压力协同关联特征向量;其中,所述相关分析公式为:
;
;
;
其中,为所述输液速率-输液压力协同关联特征向量,/>为所述输液速率时序特征向量,/>为所述输液压力时序特征向量,/>为所述输液速率时序特征向量的转换矩阵,/>为所述输液压力时序特征向量的转换矩阵,/>为显著化输液速率时序特征向量,/>为显著化输液压力时序特征向量;
其中,基于所述输液速率-输液压力协同关联特征向量,确定是否存在输液速率异常,包括:
对所述输液速率-输液压力协同关联特征向量进行特征优化以得到优化后输液速率-输液压力协同关联特征向量;
将所述优化后输液速率-输液压力协同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存在输液速率异常;
其中,对所述输液速率-输液压力协同关联特征向量进行特征优化以得到优化后输液速率-输液压力协同关联特征向量,包括:
对所述输液速率时序特征向量和所述输液压力时序特征向量以特征值为粒度进行优化融合以得到优化融合特征向量;
将所述优化融合特征向量与所述输液速率-输液压力协同关联特征向量进行融合以得到优化后输液速率-输液压力协同关联特征向量;
其中,以如下优化融合公式对所述输液速率时序特征向量和所述输液压力时序特征向量以特征值为粒度进行优化融合以得到优化融合特征向量;其中,所述优化融合公式为:
;
其中,和/>分别是所述输液速率时序特征向量/>和所述输液压力时序特征向量的特征值,/>和/>分别表示特征向量的一范数的平方和特征向量的二范数的平方根,/>是特征向量的长度,且/>是权重超参数,/>表示所述优化融合特征向量的特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410107141.7A CN117618708B (zh) | 2024-01-26 | 2024-01-26 | 用于静脉输液治疗的智能监控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410107141.7A CN117618708B (zh) | 2024-01-26 | 2024-01-26 | 用于静脉输液治疗的智能监控系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117618708A CN117618708A (zh) | 2024-03-01 |
CN117618708B true CN117618708B (zh) | 2024-04-05 |
Family
ID=90022005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410107141.7A Active CN117618708B (zh) | 2024-01-26 | 2024-01-26 | 用于静脉输液治疗的智能监控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117618708B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113456942A (zh) * | 2021-08-16 | 2021-10-01 | 瑞安市人民医院 | 具有分段调节功能的icu用智能输液装置 |
WO2023023583A1 (en) * | 2021-08-18 | 2023-02-23 | Nuwellis, Inc. | Blood filtration system with infusion pump state detector |
CN116629275A (zh) * | 2023-07-21 | 2023-08-22 | 北京无极慧通科技有限公司 | 一种基于大数据的智能决策支持系统及方法 |
CN116666676A (zh) * | 2023-06-28 | 2023-08-29 | 江西江钒科技实业有限公司 | 废旧钒电池电解液的智能修复方法 |
CN116709980A (zh) * | 2021-01-11 | 2023-09-05 | 康福乐医疗公司 | 用于确定和/或治疗微血管阻塞的设备和方法 |
CN116712640A (zh) * | 2023-06-27 | 2023-09-08 | 深圳麦科田生物医疗技术股份有限公司 | 输液管的阻塞识别方法、装置、电子设备及存储介质 |
CN116757773A (zh) * | 2023-06-12 | 2023-09-15 | 龙山土家巧手民族服饰股份有限公司 | 服装电子商务销售管理系统及其方法 |
CN116772944A (zh) * | 2023-08-25 | 2023-09-19 | 克拉玛依市燃气有限责任公司 | 配气站的智能监控系统及其方法 |
CN116862877A (zh) * | 2023-07-12 | 2023-10-10 | 新疆生产建设兵团医院 | 基于卷积神经网络的扫描图像分析系统及其方法 |
CN116983489A (zh) * | 2023-08-11 | 2023-11-03 | 郑州大学第五附属医院 | Vsd引流管恒温自动冲洗装置 |
CN117040917A (zh) * | 2023-09-21 | 2023-11-10 | 深圳汉光电子技术有限公司 | 一种具有监测预警功能的智慧型交换机 |
CN117089855A (zh) * | 2023-10-10 | 2023-11-21 | 湖北鼎信成套设备有限公司 | 酸洗紊流控制装置及其方法 |
CN117116498A (zh) * | 2023-10-23 | 2023-11-24 | 吉林大学 | 移动查房数据处理系统及其方法 |
CN117206063A (zh) * | 2023-10-30 | 2023-12-12 | 德清华通新材料科技有限公司 | 基于深度学习的研磨智能控制系统及方法 |
CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
CN117438087A (zh) * | 2023-11-03 | 2024-01-23 | 上饶汉氏医学健康体检中心有限公司 | 基于健康监测数据分析的健康管理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180146879A9 (en) * | 2004-08-30 | 2018-05-31 | Kalford C. Fadem | Biopotential Waveform Data Fusion Analysis and Classification Method |
-
2024
- 2024-01-26 CN CN202410107141.7A patent/CN117618708B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116709980A (zh) * | 2021-01-11 | 2023-09-05 | 康福乐医疗公司 | 用于确定和/或治疗微血管阻塞的设备和方法 |
CN113456942A (zh) * | 2021-08-16 | 2021-10-01 | 瑞安市人民医院 | 具有分段调节功能的icu用智能输液装置 |
WO2023023583A1 (en) * | 2021-08-18 | 2023-02-23 | Nuwellis, Inc. | Blood filtration system with infusion pump state detector |
CN116757773A (zh) * | 2023-06-12 | 2023-09-15 | 龙山土家巧手民族服饰股份有限公司 | 服装电子商务销售管理系统及其方法 |
CN116712640A (zh) * | 2023-06-27 | 2023-09-08 | 深圳麦科田生物医疗技术股份有限公司 | 输液管的阻塞识别方法、装置、电子设备及存储介质 |
CN116666676A (zh) * | 2023-06-28 | 2023-08-29 | 江西江钒科技实业有限公司 | 废旧钒电池电解液的智能修复方法 |
CN116862877A (zh) * | 2023-07-12 | 2023-10-10 | 新疆生产建设兵团医院 | 基于卷积神经网络的扫描图像分析系统及其方法 |
CN116629275A (zh) * | 2023-07-21 | 2023-08-22 | 北京无极慧通科技有限公司 | 一种基于大数据的智能决策支持系统及方法 |
CN116983489A (zh) * | 2023-08-11 | 2023-11-03 | 郑州大学第五附属医院 | Vsd引流管恒温自动冲洗装置 |
CN116772944A (zh) * | 2023-08-25 | 2023-09-19 | 克拉玛依市燃气有限责任公司 | 配气站的智能监控系统及其方法 |
CN117040917A (zh) * | 2023-09-21 | 2023-11-10 | 深圳汉光电子技术有限公司 | 一种具有监测预警功能的智慧型交换机 |
CN117089855A (zh) * | 2023-10-10 | 2023-11-21 | 湖北鼎信成套设备有限公司 | 酸洗紊流控制装置及其方法 |
CN117116498A (zh) * | 2023-10-23 | 2023-11-24 | 吉林大学 | 移动查房数据处理系统及其方法 |
CN117206063A (zh) * | 2023-10-30 | 2023-12-12 | 德清华通新材料科技有限公司 | 基于深度学习的研磨智能控制系统及方法 |
CN117438087A (zh) * | 2023-11-03 | 2024-01-23 | 上饶汉氏医学健康体检中心有限公司 | 基于健康监测数据分析的健康管理方法及系统 |
CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
Non-Patent Citations (1)
Title |
---|
模糊控制技术在静脉输液速度控制中的应用效果研究;郭威,崔宇琛,郭建军;护理研究;20200531;第34卷(第10期);173-1726 * |
Also Published As
Publication number | Publication date |
---|---|
CN117618708A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
Xia et al. | Generative adversarial network with transformer generator for boosting ECG classification | |
CN107680683A (zh) | 一种ai眼部健康评估方法 | |
CN111724910A (zh) | 一种适用于围手术期患者血液管理的检测评估方法 | |
DE102007048774A1 (de) | Detektion von Operations-Phasen und/oder Eingriffen | |
CN111863238A (zh) | 一种基于平行智能的慢病诊疗系统及诊疗方法 | |
CN112971853B (zh) | 一种基于人工智能分析电子胎心监测数据的方法及装置 | |
WO2021038229A1 (en) | Electrocardiogram-based blood glucose level monitoring | |
KR102494309B1 (ko) | 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법, 장치 및 컴퓨터프로그램 | |
CN117618708B (zh) | 用于静脉输液治疗的智能监控系统及方法 | |
CN111053540A (zh) | 一种基于机器学习的crrt上机病人体温校正系统 | |
WO2023097780A1 (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
CN115336973A (zh) | 基于自注意力机制和单导联心电信号的睡眠分期系统构建方法、及睡眠分期系统 | |
CN112827011B (zh) | 一种基于视觉检测的药物输注泵控制系统 | |
CN111759302A (zh) | 一种可穿戴式个体心电检测方法 | |
CN110841152A (zh) | 一种血液科输血用可加热加压装置 | |
CN113349746A (zh) | 一种生命体征监测报警系统 | |
CN204683620U (zh) | 医疗实验室用快速采血器 | |
CN111603375B (zh) | 一种自动脉冲复苏系统 | |
Hsu | Using GH-Method: math-physical medicine, mentality-personality modeling, and segmentation pattern analysis to compare two clinic cases about linkage between T2D patient’s psychological behavior and physiological characteristics | |
Li et al. | Emergency clinical procedure detection with deep learning | |
KR102645586B1 (ko) | 생체신호를 이용한 수면 호흡 상태 분류 장치 및 방법 | |
Rodrigues et al. | A Fast Algorithm for Facilitating Heartbeat Annotation in Long-Term ECG Signals | |
CN117524489B (zh) | 患者的健康监测管理系统及方法 | |
US20220273224A1 (en) | Detection of Brief Episodes of Atrial Fibrillation |
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 |