CN117727072B - 患者护理安全的信息化管理系统及方法 - Google Patents

Abstract

本申请公开了一种患者护理安全的信息化管理系统及方法，涉及护理安全领域，其使用基于深度学习领域的人工智能技术来对预定时间段内患者活动监控视频、患者特定部位皮肤的拍摄图像和患者的临床数据进行特征提取与编码，以得到患者是否存在压疮的风险的分类结果。这样，通过智能实时判断患者是否有压疮的风险，有助于防止压疮溃疡的发展和进一步恶化，提高了患者护理的安全性。

Description

患者护理安全的信息化管理系统及方法

技术领域

本申请涉及护理安全领域，尤其涉及一种患者护理安全的信息化管理系统及方法。

背景技术

压疮是指患者局部组织长久受压，身体血液循环不畅，从而导致局部持续缺血、缺氧引起软组织溃烂或者坏死的现象。压疮的治疗和护理一直是护理领域的难题，特大压疮通常久治不愈，易发生感染、全身衰竭甚至危及患者生命。压疮是对患者进行护理时需要考虑的一项重要的护理安全问题。压疮的发生不仅给患者带来痛苦，而且降低患者的生活质量。压疮的外因是压力、摩擦力、剪切力、潮湿、局部皮肤温度增加、局部外伤及感染等，内因是感觉丧失、瘫痪、血管性疾病、营养不良、大小便失禁、皮肤老化、体重、体温等。压疮多发生在受压和缺乏脂肪组织保护、无肌肉包裹或肌层较薄骨隆突处。95 % 的压疮发生于下半身的骨突处，好发部位依次是骶尾部、坐骨结节、股骨大转子、内外踝、足跟部。同时，压疮多好发于长期卧床、脊髓损伤、慢性神经系统疾病（主要是脑血管病）、消耗性疾病、年老体弱以及吸烟患者。若合并低白蛋白血症、大小便失禁、骨折、营养不良等更易发生。间歇性解除压力是有效预防压疮的关键。传统的压疮预防方法是护理人员按照医生的嘱托对患者进行定期翻身和清洗，然而这种方法只能预防压疮，无法提供实时的监测和反馈机制。只有在护理人员进行定期操作时，才能发现和处理压力溃疡的风险，这种延迟可能导致压力溃疡的发展和进一步恶化。

因此，期待一种患者护理安全的信息化管理系统及方法。

发明内容

为了解决上述技术问题，提出了本申请。

根据本申请的一个方面，提供了一种患者护理安全的信息化管理系统，其包括：

患者数据获取模块，用于获取预定时间段内患者活动监控视频、患者特定部位皮肤的拍摄图像和患者的临床数据；

患者体态特征提取模块，用于处理所述预定时间段内患者活动监控视频，得到患者体态特征图；

患者皮肤特征提取模块，用于处理所述患者特定部位皮肤的拍摄图像，得到患者皮肤特征图；

患者临床数据特征提取模块，用于将所述患者临床数据通过基于转换器的患者临床数据特征提取模块以得到患者临床特征矩阵，其中，所述患者临床数据特征提取模块为包含嵌入层的基于转换器的上下文编码器；

患者压疮特征融合模块，用于将所述患者体态特征图、所述患者皮肤特征图和所述患者临床特征矩阵进行融合以得到患者压疮预测特征矩阵；

压疮风险预测模块，用于分析所述患者压疮预测特征矩阵，得到患者是否有压疮的风险的结果；

其中，所述患者体态特征提取模块，包括：

患者活动监控关键帧提取单元，用于从所述预定时间段内患者活动监控视频中提取出多个患者活动监控关键帧；

患者活动骨骼关键帧生成单元，用于将所述多个患者活动监控关键帧通过OpenPose模型进行处理以生成多个患者活动骨骼关键帧；

患者活动骨骼关键帧编码单元，用于将所述多个患者活动骨骼关键帧中各个患者活动骨骼关键帧通过使用空间注意力机制的患者活动骨骼特征提取模块以得到多个体态特征图；

患者活动动态特征提取单元，用于将所述多个体态特征图通过使用三维卷积核的患者体态特征提取模块以得到患者体态特征图。

可选的，所述患者活动骨骼关键帧生成单元，包括：

患者图像特征提取子单元，用于使用所述OpenPose模型的VGG19网络对所述多个患者活动监控关键帧中各个患者活动监控关键帧进行图像特征提取以得到多个患者活动图像特征；

患者骨骼图像生成子单元，用于基于所述患者活动图像特征预测人体关节点位置和关节点之间的空间关系以生成所述多个患者活动骨骼关键帧。

可选的，所述患者活动骨骼关键帧编码单元，包括：

初始卷积子单元，用于使用所述患者活动骨骼特征提取模块的卷积编码部分对所述患者活动骨骼关键帧进行深度卷积编码以得到初始卷积特征图；

空间注意力子单元，用于将所述初始卷积特征图输入所述患者活动骨骼特征提取模块的空间注意力部分以得到空间注意力图；

空间激活子单元，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；

按位置点乘子单元，用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到体态特征图。

可选的，所述患者活动动态特征提取单元，用于：

使用三维卷积核的患者体态特征提取模块在层的正向传递中对输入数据分别进行：

基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；

对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；

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，所述患者体态特征提取模块的最后一层的输出为所述患者体态特征图，所述患者体态特征提取模块的第一层的输入为所述多个体态特征图。

可选的，所述患者皮肤特征提取模块，包括：

患者皮肤纹理特征直方图提取单元，用于将所述患者特定部位皮肤的拍摄图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP患者皮肤纹理特征直方图；

患者皮肤纹理特征提取单元，用于将所述多通道LBP患者皮肤纹理特征直方图通过基于卷积神经网络模型的患者皮肤纹理特征提取器以得到患者皮肤纹理特征图；

患者皮肤颜色特征提取单元，用于将所述患者特定部位皮肤的拍摄图像通过基于卷积神经网络模型的患者皮肤颜色特征提取器以得到患者皮肤颜色特征图；

患者皮肤特征融合单元，用于融合所述患者皮肤纹理特征图和所述患者皮肤颜色特征图以得到患者皮肤特征图。

可选的，所述患者皮肤颜色特征提取单元，用于：

使用所述基于卷积神经网络模型的患者皮肤颜色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局部特征矩阵的池化处理以得到池化特征图；

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患者皮肤颜色特征提取器的最后一层的输出为所述患者皮肤颜色特征图，所述基于卷积神经网络模型的患者皮肤颜色特征提取器的第一层的输入为所述患者特定部位皮肤的拍摄图像。

可选的，所述患者压疮特征融合模块，包括：

按位置均值计算单元，用于计算所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵之间的按位置均值特征矩阵；

按位置差分单元，用于计算所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵之间的按位置差分特征矩阵；

差分偏中心特征计算单元，用于分别计算所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵与所述按位置均值特征矩阵之间的差分特征矩阵以得到第一差分偏中心特征矩阵和第二差分偏中心特征矩阵；

对数差分偏中心特征计算单元，用于计算所述第一差分偏中心特征矩阵和所述第二差分偏中心特征矩阵中各个位置的特征值的以2为底的对数函数值以得到第一对数差分偏中心特征矩阵和第二对数差分偏中心特征矩阵；

按位置加和单元，用于将所述第一对数差分偏中心特征矩阵除以所述第一对数差分偏中心特征矩阵和第二对数差分偏中心特征矩阵之间的按位置加和特征矩阵以得到校正特征矩阵；

患者压疮预测特征计算单元，用于计算所述校正特征矩阵和所述按位置差分特征矩阵的对数按位置差分特征矩阵之间的按位置加权和以得到所述患者压疮预测特征矩阵。

可选的，所述压疮风险预测模块，用于：

将所述患者压疮预测特征矩阵通过分类器以得到分类结果，所述分类结果用于表示患者是否存在压疮的风险。

根据本申请的另一方面，还提供了一种患者护理安全的信息化管理方法，其包括：

获取预定时间段内患者活动监控视频、患者特定部位皮肤的拍摄图像和患者的临床数据；

处理所述预定时间段内患者活动监控视频，得到患者体态特征图；

处理所述患者特定部位皮肤的拍摄图像，得到患者皮肤特征图；

融合所述患者体态特征图和所述患者皮肤特征图以得到患者体态-皮肤特征图；

对所述患者体态-皮肤特征图进行沿通道维度池化处理以得到患者体态-皮肤特征矩阵；

将所述患者临床数据通过基于转换器的患者临床数据特征提取模块以得到患者临床特征矩阵，其中，所述患者临床数据特征提取模块为包含嵌入层的基于转换器的上下文编码器；

对所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵进行高维空间单元流形子维度超凸相关性度量以得到患者压疮预测特征矩阵；

分析所述患者压疮预测特征矩阵，得到患者是否有压疮的风险的结果；

其中，处理所述预定时间段内患者活动监控视频，得到患者体态特征图，包括：

从所述预定时间段内患者活动监控视频中提取出多个患者活动监控关键帧；

将所述多个患者活动监控关键帧通过OpenPose模型进行处理以生成多个患者活动骨骼关键帧；

将所述多个患者活动骨骼关键帧中各个患者活动骨骼关键帧通过使用空间注意力机制的患者活动骨骼特征提取模块以得到多个体态特征图；

将所述多个体态特征图通过使用三维卷积核的患者体态特征提取模块以得到患者体态特征图。

综上所述，本申请提供的患者护理安全的信息化管理系统及方法，其使用基于深度学习领域的人工智能技术来对预定时间段内患者活动监控视频、患者特定部位皮肤的拍摄图像和患者的临床数据进行特征提取与编码，以得到患者是否存在压疮的风险的分类结果。这样，通过智能实时判断患者是否有压疮的风险，有助于防止压疮溃疡的发展和进一步恶化，提高了患者护理的安全性。

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，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，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患者护理安全的信息化管理系统的框图。

图2为根据本申请实施例的患者护理安全的信息化管理系统中患者体态特征提取模块的框图。

图3为根据本申请实施例的患者护理安全的患者活动骨骼关键帧编码单元的框图。

图4为根据本申请实施例的患者护理安全的信息化管理方法的流程图。

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，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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。

图1为根据本申请实施例的患者护理安全的信息化管理系统的框图。如图1所示，根据本申请实施例的患者护理安全的信息化管理系统100，包括：患者数据获取模块110，用于获取预定时间段内患者活动监控视频、患者特定部位皮肤的拍摄图像和患者的临床数据；患者体态特征提取模块120，用于处理所述预定时间段内患者活动监控视频，得到患者体态特征图；患者皮肤特征提取模块130，用于处理所述患者特定部位皮肤的拍摄图像，得到患者皮肤特征图；患者体态-皮肤融合模块140，用于融合所述患者体态特征图和所述患者皮肤特征图以得到患者体态-皮肤特征图；患者体态-皮肤特征降维模块150，用于对所述患者体态-皮肤特征图进行沿通道维度池化处理以得到患者体态-皮肤特征矩阵；患者临床数据特征提取模块160，用于将所述患者临床数据通过基于转换器的患者临床数据特征提取模块以得到患者临床特征矩阵，其中，所述患者临床数据特征提取模块为包含嵌入层的基于转换器的上下文编码器；患者压疮特征融合模块170，用于对所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵进行高维空间单元流形子维度超凸相关性度量以得到患者压疮预测特征矩阵；以及，压疮风险预测模块180，用于分析所述患者压疮预测特征矩阵，得到患者是否有压疮的风险的结果。

在上述的患者护理安全的信息化管理系统100中，所述患者数据获取模块110，用于获取预定时间段内患者活动监控视频、患者特定部位皮肤的拍摄图像和患者的临床数据。如上述背景技术所言，传统的压疮预防方法是护理人员按照医生的嘱托对患者进行定期翻身和清洗，然而这种方法只能预防压疮，无法提供实时的监测和反馈机制。只有在护理人员进行定期操作时，才能发现和处理压力溃疡的风险，这种延迟可能导致压力溃疡的发展和进一步恶化。因此，期待一种患者护理安全的信息化管理系统。

针对上述技术问题，提出了一种患者护理安全的信息化管理系统，其使用基于深度学习领域的人工智能技术来对预定时间段内患者活动监控视频、患者特定部位皮肤的拍摄图像和患者的临床数据进行特征提取与编码，以得到患者是否存在压疮的风险的分类结果。这样，通过智能实时判断患者是否有压疮的风险，有助于防止压疮溃疡的发展和进一步恶化，提高了患者护理的安全性。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为患者护理安全的信息化管理系统提供了新的解决思路和方案。

具体地，首先，获取预定时间段内患者活动监控视频、患者特定部位皮肤的拍摄图像和患者的临床数据。通过获取患者活动监控视频，可以监测和记录患者在预定时间段内的活动情况。这包括患者的姿势变化、行走活动等。具体可以使用摄像头或监控设备对患者进行视频监控。这些设备可以安装在患者住院房间或床边，记录患者在预定时间段内的活动情况。通过获取患者特定部位皮肤的拍摄图像，可以观察和记录患者皮肤的状况。特定部位通常是易受压力和摩擦的区域，如躯干、臀部、脚底等。观察患者的皮肤状况可以检测是否存在红肿、破损、糜烂等压疮的早期迹象，及时发现和处理可能的问题。可以使用数字相机或移动设备，对患者特定部位的皮肤进行拍摄。获取患者的临床数据，包括病历记录、生理参数等，可以提供更全面的患者信息。这些数据具体包括患者的病史、诊断结果、用药情况、体征观察数据。这些数据可以从医院的电子病历系统或其他护理记录系统中获取。收集临床数据可以提供医疗团队对患者的全面了解，有助于评估患者的整体健康状况和疾病风险。

在上述的患者护理安全的信息化管理系统100中，所述患者体态特征提取模块120，用于处理所述预定时间段内患者活动监控视频，得到患者体态特征图。通过将患者活动监控视频进行处理，提取患者体态特征图，可以将视频中的图像信息转化为机器可识别的数据表示形式。这样，系统可以对患者的体态信息进行分析和处理，为压疮风险评估和护理决策提供更全面和准确的依据。

图2为根据本申请实施例的患者护理安全的信息化管理系统中患者体态特征提取模块的框图。如图2所示，所述患者体态特征提取模块120，包括：患者活动监控关键帧提取单元121，用于从所述预定时间段内患者活动监控视频中提取出多个患者活动监控关键帧；患者活动骨骼关键帧生成单元122，用于将所述多个患者活动监控关键帧通过OpenPose模型进行处理以生成多个患者活动骨骼关键帧；患者活动骨骼关键帧编码单元123，用于将所述多个患者活动骨骼关键帧中各个患者活动骨骼关键帧通过使用空间注意力机制的患者活动骨骼特征提取模块以得到多个体态特征图；以及，患者活动动态特征提取单元124，用于将所述多个体态特征图通过使用三维卷积核的患者体态特征提取模块以得到患者体态特征图。

更为具体地，为了减少数据量并提取关键信息，从预定时间段内患者活动监控视频中提取多个患者活动监控关键帧。患者活动监控视频通常是连续的图像序列，包含大量的帧。提取关键帧可以将视频数据进行压缩，减少存储和处理的数据量。关键帧是那些在视频中包含重要信息或显著变化的帧，而其他帧可能是冗余的或没有关键信息的。同时，通过提取关键帧，可以捕捉到患者活动的重要瞬间和关键动作。这些关键帧可以提供有关患者体位变化、移动范围、姿势等方面的信息。关键帧通常包含了患者活动的关键特征，可以更有效地进行后续的分析和处理。

具体地，在本申请实施例中，所述患者活动监控关键帧提取单元121，用于以预定的采样频率从所述预定时间段内患者活动监控视频中提取出多个患者活动监控关键帧。

接着，将多个患者活动监控关键帧通过OpenPose模型进行处理可以生成患者活动骨骼关键帧。通过OpenPose模型，可以对患者的活动关键帧进行姿态分析，提取出患者的骨骼关键点信息。这些关键点可以表示患者的身体姿势、关节角度和运动轨迹等信息。通过分析患者活动骨骼关键帧，可以识别出患者的具体动作。例如，可以判断患者是在坐姿、站立姿势还是行走姿势，或者判断患者是否进行了特定的活动，如躺下、起身等。

具体地，在本申请实施例中，所述患者活动骨骼关键帧生成单元122，包括：患者图像特征提取子单元，用于使用所述OpenPose模型的VGG19网络对所述多个患者活动监控关键帧中各个患者活动监控关键帧进行图像特征提取以得到多个患者活动图像特征；以及，患者骨骼图像生成子单元，用于基于所述患者活动图像特征预测人体关节点位置和关节点之间的空间关系以生成所述多个患者活动骨骼关键帧。

更为具体地，为了提取和表示患者的体态特征，将多个患者活动骨骼关键帧通过使用空间注意力机制的卷积神经网络模型以得到多个体态特征图，以便进行进一步的分析和应用。通过使用卷积神经网络模型，可以从患者活动骨骼关键帧中提取丰富的特征表示。这些特征可以包括患者的身体姿势、关节角度、运动轨迹等信息。通过提取这些特征，可以更好地描述和理解患者的体态状态。使用空间注意力机制可以对患者活动骨骼关键帧中的关键点进行加权，以突出重要的关键点和区域。这样可以更准确地捕捉患者的体态特征，忽略一些无关的或噪声干扰的信息。空间注意力机制可以帮助模型关注患者关键点的空间分布和重要性，提高特征表示的质量和判别能力。通过对各个患者活动骨骼关键帧应用卷积神经网络模型和空间注意力机制，可以得到多个体态特征图。每个体态特征图代表了一个患者在不同时间点的体态特征。

图3为根据本申请实施例的患者护理安全的患者活动骨骼关键帧编码单元的框图。如图3所示，所述患者活动骨骼关键帧编码单元123，包括：初始卷积子单元1231，用于使用所述患者活动骨骼特征提取模块的卷积编码部分对所述患者活动骨骼关键帧进行深度卷积编码以得到初始卷积特征图；空间注意力子单元1232，用于将所述初始卷积特征图输入所述患者活动骨骼特征提取模块的空间注意力部分以得到空间注意力图；空间激活子单元1233，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，按位置点乘子单元1234，用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到体态特征图。

更为具体地，为了将多个体态特征图进行进一步的整合和抽象，将多个体态特征图通过使用三维卷积核的患者体态特征提取模块以得到患者体态特征图的目的是得到更高级别的患者体态特征表示。所述患者体态特征提取模块为具有三维卷积核的卷积神经网络模型。患者的体态特征在时间上具有时序性，通过使用三维卷积核的卷积神经网络模型，可以对多个体态特征图进行时序建模。三维卷积核可以同时考虑特征图的空间和时间维度，从而捕捉到患者体态特征的时序变化和演化。通过使用三维卷积核，可以将多个体态特征图中的信息进行整合。卷积神经网络模型可以学习到特征图之间的空间和时间上的相关性，将不同特征图中的有用信息进行融合和汇总，得到更全面和丰富的患者体态特征表示。同时，三维卷积核可以学习到更高级别的特征表示。通过多层的卷积和池化操作，卷积神经网络模型可以逐渐提取出更抽象和语义化的特征。将多个体态特征图通过三维卷积核进行处理可以得到患者体态特征图，其中每个元素代表了患者在不同时间点和空间位置上的特征。这样的特征矩阵可以更好地表示患者的体态特征，便于后续的分析和应用。

具体地，在本申请实施例中，所述患者活动动态特征提取单元124，用于：使用三维卷积核的患者体态特征提取模块在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；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，所述患者体态特征提取模块的最后一层的输出为所述患者体态特征图，所述患者体态特征提取模块的第一层的输入为所述多个体态特征图。

在上述的患者护理安全的信息化管理系统100中，所述患者皮肤特征提取模块130，用于处理所述患者特定部位皮肤的拍摄图像，得到患者皮肤特征图。皮肤图像可以提供关于患者皮肤完整性和脆弱性的信息。通过分析皮肤图像中的特征，如皮肤纹理、颜色变化和破损情况，可以评估患者是否存在压疮风险。通过处理患者特定部位皮肤的拍摄图像，系统可以提取出皮肤特征矩阵，将图像信息转化为机器可识别的数据表示形式。

更为具体地，为了更好地描述和表示患者皮肤的纹理特征，将患者特定部位皮肤的拍摄图像从RGB颜色空间转化为YCbCr颜色空间，并抽取各个通道的LBP纹理特征直方图可以得到多通道LBP患者皮肤纹理特征直方图。将图像从RGB颜色空间转换为YCbCr颜色空间的主要目的是分离亮度信息和色度信息。Y通道表示图像的亮度信息，Cb和Cr通道表示图像的色度信息。通过将图像转换到YCbCr颜色空间，可以更好地捕捉皮肤区域的亮度和色度特征。LBP（Local Binary Pattern）是一种用于描述图像纹理特征的方法。通过计算每个像素与其邻域像素之间的灰度差异，可以得到一个二进制编码，表示该像素的纹理特征。LBP纹理特征对光照变化和噪声具有一定的鲁棒性，并且可以有效地描述皮肤的纹理特征。将YCbCr颜色空间的各个通道分别进行LBP纹理特征提取，可以得到多个LBP特征直方图。每个通道的LBP特征直方图表示了该通道上皮肤区域的纹理特征分布情况。将多个通道的LBP特征直方图进行整合，可以得到更全面和丰富的患者皮肤纹理特征表示。

具体地，在本申请实施例中，所述患者皮肤特征提取模块130，包括：患者皮肤纹理特征直方图提取单元，用于将所述患者特定部位皮肤的拍摄图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP患者皮肤纹理特征直方图；患者皮肤纹理特征提取单元，用于将所述多通道LBP患者皮肤纹理特征直方图通过基于卷积神经网络模型的患者皮肤纹理特征提取器以得到患者皮肤纹理特征图；患者皮肤颜色特征提取单元，用于将所述患者特定部位皮肤的拍摄图像通过基于卷积神经网络模型的患者皮肤颜色特征提取器以得到患者皮肤颜色特征图；患者皮肤特征融合单元，用于融合所述患者皮肤纹理特征图和所述患者皮肤颜色特征图以得到患者皮肤特征图。

接着，为了进一步提取和学习患者皮肤纹理的高级特征表示，将多通道LBP患者皮肤纹理特征直方图通过患者皮肤纹理特征提取器以得到患者皮肤纹理特征图。所述患者皮肤纹理特征提取器为卷积神经网络模型，卷积神经网络（CNN）是一种强大的特征学习模型，可以通过多层卷积和池化操作来提取图像中的抽象特征。通过将多通道LBP患者皮肤纹理特征直方图输入到CNN模型中，可以利用其强大的特征提取能力，学习到更高级别的患者皮肤纹理特征表示。卷积操作可以有效地捕捉图像中的空间关系。通过在CNN模型中使用卷积操作，可以考虑患者皮肤纹理特征图中不同位置之间的关联性。这有助于提取到更具有区分性的患者皮肤纹理特征，以及更好地描述皮肤纹理的空间结构。通过CNN模型，可以利用局部和全局上下文信息来增强患者皮肤纹理特征的表示。CNN模型通过多层卷积和池化操作，可以逐渐扩大感受野，从而捕捉到更大范围的上下文信息。这有助于提高患者皮肤纹理特征的鉴别能力和泛化能力。

具体地，在本申请实施例中，所述患者皮肤纹理特征提取单元，用于：使用所述基于卷积神经网络模型的患者皮肤纹理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局部特征矩阵的池化处理以得到池化特征图；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患者皮肤纹理特征提取器的最后一层的输出为所述患者皮肤纹理特征图，所述基于卷积神经网络模型的患者皮肤纹理特征提取器的第一层的输入为所述多通道LBP患者皮肤纹理特征直方图。

更为具体地，为了提取和学习患者皮肤的颜色特征表示，将患者特定部位皮肤的拍摄图像通过患者皮肤颜色特征提取器以得到患者皮肤颜色特征图。所述患者皮肤颜色特征提取器为卷积神经网络模型，卷积神经网络（CNN）在图像处理领域具有强大的特征提取能力。通过将患者皮肤图像输入到CNN模型中，可以利用其多层卷积操作来提取图像中的颜色特征。CNN模型可以学习到不同层次的颜色特征表示，从低级的颜色边缘到高级的颜色纹理。不同疾病状态下的皮肤颜色可能会发生变化，通过卷积操作，CNN模型可以考虑患者皮肤图像中不同位置之间的空间关系。这有助于提取到更具有区分性的患者皮肤颜色特征，以及更好地描述皮肤颜色的空间结构。通过卷积神经网络模型，可以捕捉到不同区域和不同尺度上的颜色特征。

具体地，在本申请实施例中，所述患者皮肤颜色特征提取单元，用于：使用所述基于卷积神经网络模型的患者皮肤颜色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局部特征矩阵的池化处理以得到池化特征图；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患者皮肤颜色特征提取器的最后一层的输出为所述患者皮肤颜色特征图，所述基于卷积神经网络模型的患者皮肤颜色特征提取器的第一层的输入为所述患者特定部位皮肤的拍摄图像。

更为具体地，为了综合利用纹理和颜色两方面的信息，融合患者皮肤纹理特征图和患者皮肤颜色特征图以得到患者皮肤特征图，以获得更全面和丰富的患者皮肤特征表示。患者皮肤的纹理和颜色特征提供了不同方面的信息。纹理特征可以描述皮肤的细节、纹理和结构，而颜色特征可以反映皮肤的色调、亮度和饱和度。通过融合这两方面的特征，可以使得患者皮肤特征图更加全面和准确，提供更多的信息用于分析和诊断。纹理和颜色特征在不同场景下都具有一定的鉴别能力。通过融合纹理和颜色特征，可以增强患者皮肤特征图的鉴别能力，使得其更具有区分性和泛化能力。融合特征可以捕捉到不同特征之间的相互关系和相关性，从而提高患者皮肤特征的表达能力。

具体地，在本申请实施例中，所述患者皮肤特征融合单元，用于：以如下融合公式来融合所述患者皮肤纹理特征图和所述患者皮肤颜色特征图以获得所述患者皮肤特征图；其中，所述融合公式为：

；

其中，为所述患者皮肤特征图，/>为所述患者皮肤纹理特征图，/>为所述患者皮肤颜色特征图，“/>”表示所述浅层特征图和所述深层特征图相对应位置处的元素相加，为用于控制所述患者皮肤特征图中所述患者皮肤纹理特征图和所述患者皮肤颜色特征图之间的平衡的加权参数。

在上述的患者护理安全的信息化管理系统100中，所述患者体态-皮肤融合模块140，用于融合所述患者体态特征图和所述患者皮肤特征图以得到患者体态-皮肤特征图。患者的体态特征图反映了其姿势、运动和活动方式等信息，这些信息可以揭示患者的活动水平、姿势变化以及体态稳定性等方面的特征。而患者的皮肤特征图则提供了皮肤状况的信息，包括红肿、损伤、疮疖等。皮肤作为身体最大的器官，对于患者的健康和护理至关重要。通过融合体态特征图和皮肤特征图，可以将这两方面的信息相互补充和丰富。例如，某些体态特征可能与皮肤状况有关，如长时间保持相同姿势可能导致皮肤受压，增加压疮的风险。融合后的体态-皮肤特征图可以更好地反映患者的整体情况，并提供更全面的特征描述。此外，融合体态和皮肤特征还可以提供更准确的压疮风险评估。压疮是一种常见的并发症，与患者的体态和皮肤状况密切相关。通过综合考虑体态和皮肤特征，可以更准确地评估患者的压疮风险，并采取相应的预防和管理措施。

在上述的患者护理安全的信息化管理系统100中，所述患者体态-皮肤特征降维模块150，用于对所述患者体态-皮肤特征图进行沿通道维度池化处理以得到患者体态-皮肤特征矩阵。为了减少特征图的维度，将患者体态-皮肤特征图进行沿通道维度池化处理以得到患者体态-皮肤特征矩阵，提取出更具有代表性的特征，以便后续的分析和处理。患者体态-皮肤特征图通常具有较高的维度，其中每个通道都包含了一定的特征信息。通过沿通道维度进行池化处理，可以减少特征图的维度，从而降低了后续计算和处理的复杂度。这对于大规模数据和复杂模型的应用尤为重要。通过沿通道维度进行池化处理，可以提取出每个通道中最具有代表性的特征。池化操作可以选择通道中的最大值、平均值等，从而保留了最重要的特征信息。这有助于减少冗余信息，提取出更具有判别性的患者皮肤特征。

在上述的患者护理安全的信息化管理系统100中，所述患者临床数据特征提取模块160，用于将所述患者临床数据通过基于转换器的患者临床数据特征提取模块以得到患者临床特征矩阵，其中，所述患者临床数据特征提取模块为包含嵌入层的基于转换器的上下文编码器。为了将患者临床数据通过基于转换器的患者临床数据特征提取模块以得到患者临床特征矩阵的目的是将文本数据转化为表示患者临床特征的数值矩阵。所述患者临床数据特征提取模块是包含嵌入层的基于转换器的上下文编码器。患者临床数据通常以文本形式存在，包含了关于患者病史、症状、诊断等信息。通过基于转换器的上下文编码器（如BERT、GPT等），可以将文本数据转化为语义表示，提取出其中的语义信息。这有助于捕捉患者临床数据中的重要特征和关联关系。

具体地，在本申请实施例中，所述患者临床数据特征提取模块160，包括：嵌入转化单元，用于将所述患者临床数据分别通过嵌入层以将所述患者临床数据中各数据项转化为临床嵌入向量以得到临床嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各数据项进行嵌入编码；编码单元，用于将所述临床嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个临床语义特征向量；以及，矩阵化单元，用于将所述多个临床语义特征向量进行二维排列以得到所述患者临床特征矩阵。

具体地，在本申请实施例中，所述编码单元，包括：查询向量构造子单元，用于将所述临床嵌入向量的序列排列为输入向量；向量转化子单元，用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；自注意子单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；标准化子单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；关注度计算子单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及注意力施加子单元，用于将所述自注意力特征矩阵与所述临床嵌入向量的序列中各个临床嵌入向量分别相乘得到所述多个临床语义特征向量。

在上述的患者护理安全的信息化管理系统100中，所述患者压疮特征融合模块170，用于对所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵进行高维空间单元流形子维度超凸相关性度量以得到患者压疮预测特征矩阵。在本申请技术方案中，考虑到患者体态-皮肤特征矩阵和患者临床特征矩阵来自不同的数据源和特征提取方法，导致它们在高维特征空间中可能存在维度和尺度上的差异。具体地，患者体态-皮肤特征矩阵的数据源包括患者的活动监控视频和特定部位皮肤的拍摄图像，而患者临床特征矩阵的数据源主要是患者的临床数据。这两个数据源的类型和获取方式不同，导致了特征矩阵中的维度差异。为了从不同的数据源中提取特征，患者体态-皮肤特征矩阵和患者临床特征矩阵可能采用不同的特征提取方法。例如，患者体态-皮肤特征矩阵中的体态特征和皮肤特征是通过处理活动监控视频和拍摄图像，并使用OpenPose模型、空间注意力机制、三维卷积核等方法提取的。而患者临床特征矩阵中的临床特征是通过转换器和基于卷积神经网络模型的特征提取器提取的。这些不同的特征提取方法可能导致特征矩阵中的维度和尺度差异。由于维度和尺度差异，融合过程中可能出现局部结构性崩塌或病态对齐等技术问题。局部结构性崩塌指的是在融合过程中，由于维度和尺度差异，特征之间的相关性或结构性信息可能丢失或破坏，导致融合后的特征矩阵失去一些重要信息。病态对齐指的是在融合过程中，由于维度和尺度差异，特征之间的对齐变得困难，导致融合后的特征矩阵存在不稳定或不合理的情况。基于此，本申请对所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵进行高维空间单元流形子维度超凸相关性度量以得到患者压疮预测特征矩阵。

具体地，在本申请实施例中，所述患者压疮特征融合模块170，包括：按位置均值计算单元，用于计算所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵之间的按位置均值特征矩阵；按位置差分单元，用于计算所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵之间的按位置差分特征矩阵；差分偏中心特征计算单元，用于分别计算所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵与所述按位置均值特征矩阵之间的差分特征矩阵以得到第一差分偏中心特征矩阵和第二差分偏中心特征矩阵；对数差分偏中心特征计算单元，用于计算所述第一差分偏中心特征矩阵和所述第二差分偏中心特征矩阵中各个位置的特征值的以2为底的对数函数值以得到第一对数差分偏中心特征矩阵和第二对数差分偏中心特征矩阵；按位置加和单元，用于将所述第一对数差分偏中心特征矩阵除以所述第一对数差分偏中心特征矩阵和第二对数差分偏中心特征矩阵之间的按位置加和特征矩阵以得到校正特征矩阵；以及，患者压疮预测特征计算单元，用于计算所述校正特征矩阵和所述按位置差分特征矩阵的对数按位置差分特征矩阵之间的按位置加权和以得到所述患者压疮预测特征矩阵。

也就是，考虑到所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵在高维特征空间单元中的特征流形存在维度和尺度上的差异，导致在融合所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵的过程中，会出现因维度和尺度差异而导致融合得到的所述患者体态-皮肤特征矩阵容易出现局部结构性崩塌或者病态对齐等技术问题。

针对上述技术问题，在本申请的技术方案中，对所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵进行高维空间单元流形子维度超凸相关性度量，其以所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵的均值特征矩阵作为特征流形伪聚类中心，并通过构建一个基于特征矩阵的特征流形的超凸相关性度量函数，使得特征矩阵间的每个位置的特征值都能够在其子维度上保持与特征流形伪聚类中心的一致性，从而实现特征矩阵的特征流形的超凸相关性匹配，这样有效地衡量特征矩阵间的特征流形的相似性和差异性，增强特征矩阵的特征流形的超凸相关性，提高特征矩阵的特征流形的鲁棒性和准确性。

在上述的患者护理安全的信息化管理系统100中，所述压疮风险预测模块180，用于分析所述患者压疮预测特征矩阵，得到患者是否有压疮的风险的结果。通过分析患者压疮预测特征矩阵，可以确定患者是否存在压疮风险。如果患者被识别为高风险群体，医疗团队可以采取相应的预防措施。及早地预防和干预可以降低患者患压疮的风险，并提高护理的安全性和质量。

更为具体地，将患者压疮预测特征矩阵通过分类器以得到分类结果，用于表示患者是否存在压疮的风险。通过使用分类器，可以将患者的压疮预测特征图映射到一个分类结果，即表示患者是否存在压疮的风险。

具体地，在本申请实施例中，所述压疮风险预测模块180，用于：将所述患者压疮预测特征矩阵通过分类器以得到分类结果，所述分类结果用于表示患者是否存在压疮的风险。

具体地，在本申请实施例中，所述压疮风险预测模块180，进一步用于：使用所述分类器以如下分类公式对所述患者压疮预测特征矩阵进行处理以获得所述分类结果；其中，所述分类公式为：

；

其中，表示将所述患者压疮预测特征矩阵投影为向量，/>为权重矩阵，/>表示偏置向量，/>表示归一化指数函数，/>表示所述分类结果。

综上，根据本申请实施例的患者护理安全的信息化管理系统已被阐明，其使用基于深度学习领域的人工智能技术来对预定时间段内患者活动监控视频、患者特定部位皮肤的拍摄图像和患者的临床数据进行特征提取与编码，以得到患者是否存在压疮的风险的分类结果。这样，通过智能实时判断患者是否有压疮的风险，有助于防止压疮溃疡的发展和进一步恶化，提高了患者护理的安全性。

如上所述，根据本申请实施例的患者护理安全的信息化管理系统 100可以实现在各种终端设备中，例如患者护理安全的信息化管理服务器等。在一个示例中，根据本申请实施例的患者护理安全的信息化管理系统 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，该患者护理安全的信息化管理系统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，该患者护理安全的信息化管理系统 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，该患者护理安全的信息化管理系统100与该终端设备也可以是分立的设备，并且该患者护理安全的信息化管理系统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。

基于同一发明构思，本申请实施例还提供了一种患者护理安全的信息化管理方法，可以用于实现上述实施例所描述的系统，如下面的实施例所述。

图4为根据本申请实施例的患者护理安全的信息化管理方法的流程图。如图4所示，根据本申请实施例的所述患者护理安全的信息化管理方法，包括步骤：S110，获取预定时间段内患者活动监控视频、患者特定部位皮肤的拍摄图像和患者的临床数据；S120，处理所述预定时间段内患者活动监控视频，得到患者体态特征图；S130，处理所述患者特定部位皮肤的拍摄图像，得到患者皮肤特征图；S140，融合所述患者体态特征图和所述患者皮肤特征图以得到患者体态-皮肤特征图；S150，对所述患者体态-皮肤特征图进行沿通道维度池化处理以得到患者体态-皮肤特征矩阵；S160，将所述患者临床数据通过基于转换器的患者临床数据特征提取模块以得到患者临床特征矩阵，其中，所述患者临床数据特征提取模块为包含嵌入层的基于转换器的上下文编码器；S170，对所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵进行高维空间单元流形子维度超凸相关性度量以得到患者压疮预测特征矩阵；以及S180，分析所述患者压疮预测特征矩阵，得到患者是否有压疮的风险的结果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。这里，对于实施例公开的患者护理安全的信息化管理方法而言，本领域技术人员可以理解，上述患者护理安全的信息化管理方法中的各个步骤的具体操作已经在上面参考图1到图3的患者护理安全的信息化管理系统的描述中得到了详细介绍，所以描述的比较简单，相关之处参见患者护理安全的信息化管理部分说明即可，并因此，将省略其重复描述。

综上，根据本申请实施例的患者护理安全的信息化管理方法已被阐明，其使用基于深度学习领域的人工智能技术来对预定时间段内患者活动监控视频、患者特定部位皮肤的拍摄图像和患者的临床数据进行特征提取与编码，以得到患者是否存在压疮的风险的分类结果。这样，通过智能实时判断患者是否有压疮的风险，有助于防止压疮溃疡的发展和进一步恶化，提高了患者护理的安全性。

综上所述，在阅读本详细公开内容之后，本领域技术人员可以明白，前述详细公开内容可以仅以示例的方式呈现，并且可以不是限制性的。尽管这里没有明确说明，本领域技术人员可以理解本申请意图囊括对实施例的各种合理改变，改进和修改。这些改变，改进和修改旨在由本申请提出，并且在本申请的示例性实施例的精神和范围内。

此外，本申请中的某些术语已被用于描述本申请的实施例。例如，“一个实施例”，“实施例”和/或“一些实施例”意味着结合该实施例描述的特定特征，结构或特性可以包括在本申请的至少一个实施例中。因此，可以强调并且应当理解，在本说明书的各个部分中对“实施例”或“一个实施例”或“替代实施例”的两个或更多个引用不一定都指代相同的实施例。此外，特定特征，结构或特性可以在本申请的一个或多个实施例中适当地组合。

而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括上述要素的物品或者设备中还存在另外的相同要素。

应当理解，在本申请的实施例的前述描述中，为了帮助理解一个特征，出于简化本申请的目的，本申请将各种特征组合在单个实施例、附图或其描述中。然而，这并不是说这些特征的组合是必须的，本领域技术人员在阅读本申请的时候完全有可能将其中一部分特征提取出来作为单独的实施例来理解。也就是说，本申请中的实施例也可以理解为多个次级实施例的整合。而每个次级实施例的内容在于少于单个前述公开实施例的所有特征的时候也是成立的。

最后，应理解，本文公开的申请的实施方案是对本申请的实施方案的原理的说明。其他修改后的实施例也在本申请的范围内。因此，本申请披露的实施例仅仅作为示例而非限制。本领域技术人员可以根据本申请中的实施例采取替代配置来实现本申请中的申请。

因此，本申请的实施例不限于申请中被精确地描述过的实施例。

Claims (9)

1.一种患者护理安全的信息化管理系统，其特征在于，包括：

患者数据获取模块，用于获取预定时间段内患者活动监控视频、患者特定部位皮肤的拍摄图像和患者的临床数据；

患者体态特征提取模块，用于处理所述预定时间段内患者活动监控视频，得到患者体态特征图；

患者皮肤特征提取模块，用于处理所述患者特定部位皮肤的拍摄图像，得到患者皮肤特征图；

患者体态-皮肤融合模块，用于融合所述患者体态特征图和所述患者皮肤特征图以得到患者体态-皮肤特征图；

患者体态-皮肤特征降维模块，用于对所述患者体态-皮肤特征图进行沿通道维度池化处理以得到患者体态-皮肤特征矩阵；

患者临床数据特征提取模块，用于将所述患者临床数据通过基于转换器的患者临床数据特征提取模块以得到患者临床特征矩阵，其中，所述患者临床数据特征提取模块为包含嵌入层的基于转换器的上下文编码器；

患者压疮特征融合模块，用于对所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵进行高维空间单元流形子维度超凸相关性度量以得到患者压疮预测特征矩阵；

压疮风险预测模块，用于分析所述患者压疮预测特征矩阵，得到患者是否有压疮的风险的结果；

其中，所述患者体态特征提取模块，包括：

患者活动监控关键帧提取单元，用于从所述预定时间段内患者活动监控视频中提取出多个患者活动监控关键帧；

患者活动骨骼关键帧生成单元，用于将所述多个患者活动监控关键帧通过OpenPose模型进行处理以生成多个患者活动骨骼关键帧；

患者活动骨骼关键帧编码单元，用于将所述多个患者活动骨骼关键帧中各个患者活动骨骼关键帧通过使用空间注意力机制的患者活动骨骼特征提取模块以得到多个体态特征图；

患者活动动态特征提取单元，用于将所述多个体态特征图通过使用三维卷积核的患者体态特征提取模块以得到患者体态特征图。

2.根据权利要求1所述的患者护理安全的信息化管理系统，其特征在于，所述患者活动骨骼关键帧生成单元，包括：

患者图像特征提取子单元，用于使用所述OpenPose模型的VGG19网络对所述多个患者活动监控关键帧中各个患者活动监控关键帧进行图像特征提取以得到多个患者活动图像特征；

患者骨骼图像生成子单元，用于基于所述患者活动图像特征预测人体关节点位置和关节点之间的空间关系以生成所述多个患者活动骨骼关键帧。

3.根据权利要求2所述的患者护理安全的信息化管理系统，其特征在于，所述患者活动骨骼关键帧编码单元，包括：

初始卷积子单元，用于使用所述患者活动骨骼特征提取模块的卷积编码部分对所述患者活动骨骼关键帧进行深度卷积编码以得到初始卷积特征图；

空间注意力子单元，用于将所述初始卷积特征图输入所述患者活动骨骼特征提取模块的空间注意力部分以得到空间注意力图；

空间激活子单元，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；

按位置点乘子单元，用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到体态特征图。

4.根据权利要求3所述的患者护理安全的信息化管理系统，其特征在于，所述患者活动动态特征提取单元，用于：

使用三维卷积核的患者体态特征提取模块在层的正向传递中对输入数据分别进行：

基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；

对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；

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，所述患者体态特征提取模块的最后一层的输出为所述患者体态特征图，所述患者体态特征提取模块的第一层的输入为所述多个体态特征图。

5.根据权利要求4所述的患者护理安全的信息化管理系统，其特征在于，所述患者皮肤特征提取模块，包括：

患者皮肤纹理特征直方图提取单元，用于将所述患者特定部位皮肤的拍摄图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP患者皮肤纹理特征直方图；

患者皮肤纹理特征提取单元，用于将所述多通道LBP患者皮肤纹理特征直方图通过基于卷积神经网络模型的患者皮肤纹理特征提取器以得到患者皮肤纹理特征图；

患者皮肤颜色特征提取单元，用于将所述患者特定部位皮肤的拍摄图像通过基于卷积神经网络模型的患者皮肤颜色特征提取器以得到患者皮肤颜色特征图；

患者皮肤特征融合单元，用于融合所述患者皮肤纹理特征图和所述患者皮肤颜色特征图以得到患者皮肤特征图。

6.根据权利要求5所述的患者护理安全的信息化管理系统，其特征在于，所述患者皮肤颜色特征提取单元，用于：

使用所述基于卷积神经网络模型的患者皮肤颜色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局部特征矩阵的池化处理以得到池化特征图；

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患者皮肤颜色特征提取器的最后一层的输出为所述患者皮肤颜色特征图，所述基于卷积神经网络模型的患者皮肤颜色特征提取器的第一层的输入为所述患者特定部位皮肤的拍摄图像。

7.根据权利要求6所述的患者护理安全的信息化管理系统，其特征在于，所述患者压疮特征融合模块，包括：

按位置均值计算单元，用于计算所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵之间的按位置均值特征矩阵；

按位置差分单元，用于计算所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵之间的按位置差分特征矩阵；

差分偏中心特征计算单元，用于分别计算所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵与所述按位置均值特征矩阵之间的差分特征矩阵以得到第一差分偏中心特征矩阵和第二差分偏中心特征矩阵；

对数差分偏中心特征计算单元，用于计算所述第一差分偏中心特征矩阵和所述第二差分偏中心特征矩阵中各个位置的特征值的以2为底的对数函数值以得到第一对数差分偏中心特征矩阵和第二对数差分偏中心特征矩阵；

按位置加和单元，用于将所述第一对数差分偏中心特征矩阵除以所述第一对数差分偏中心特征矩阵和第二对数差分偏中心特征矩阵之间的按位置加和特征矩阵以得到校正特征矩阵；

患者压疮预测特征计算单元，用于计算所述校正特征矩阵和所述按位置差分特征矩阵的对数按位置差分特征矩阵之间的按位置加权和以得到所述患者压疮预测特征矩阵。

8.根据权利要求7所述的患者护理安全的信息化管理系统，其特征在于，所述压疮风险预测模块，用于：

将所述患者压疮预测特征矩阵通过分类器以得到分类结果，所述分类结果用于表示患者是否存在压疮的风险。

9.一种患者护理安全的信息化管理方法，其特征在于，包括：

获取预定时间段内患者活动监控视频、患者特定部位皮肤的拍摄图像和患者的临床数据；

处理所述预定时间段内患者活动监控视频，得到患者体态特征图；

处理所述患者特定部位皮肤的拍摄图像，得到患者皮肤特征图；

融合所述患者体态特征图和所述患者皮肤特征图以得到患者体态-皮肤特征图；

对所述患者体态-皮肤特征图进行沿通道维度池化处理以得到患者体态-皮肤特征矩阵；

将所述患者临床数据通过基于转换器的患者临床数据特征提取模块以得到患者临床特征矩阵，其中，所述患者临床数据特征提取模块为包含嵌入层的基于转换器的上下文编码器；

对所述患者体态-皮肤特征矩阵和所述患者临床特征矩阵进行高维空间单元流形子维度超凸相关性度量以得到患者压疮预测特征矩阵；

分析所述患者压疮预测特征矩阵，得到患者是否有压疮的风险的结果；

其中，处理所述预定时间段内患者活动监控视频，得到患者体态特征图，包括：

从所述预定时间段内患者活动监控视频中提取出多个患者活动监控关键帧；

将所述多个患者活动监控关键帧通过OpenPose模型进行处理以生成多个患者活动骨骼关键帧；

将所述多个患者活动骨骼关键帧中各个患者活动骨骼关键帧通过使用空间注意力机制的患者活动骨骼特征提取模块以得到多个体态特征图；

将所述多个体态特征图通过使用三维卷积核的患者体态特征提取模块以得到患者体态特征图。