CN117789977A - 一种新型压疮智能预警和预防一体化方法和系统 - Google Patents

一种新型压疮智能预警和预防一体化方法和系统 Download PDF

Info

Publication number
CN117789977A
CN117789977A CN202311639067.5A CN202311639067A CN117789977A CN 117789977 A CN117789977 A CN 117789977A CN 202311639067 A CN202311639067 A CN 202311639067A CN 117789977 A CN117789977 A CN 117789977A
Authority
CN
China
Prior art keywords
suspicious region
target
pressure sore
data
body surface
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
Application number
CN202311639067.5A
Other languages
English (en)
Other versions
CN117789977B (zh
Inventor
曾明
周敏
官小莉
向雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji Hospital Affiliated To Tongji Medical College Of Huazhong University Of Science & Technology
Original Assignee
Tongji Hospital Affiliated To Tongji Medical College Of Huazhong University Of Science & Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji Hospital Affiliated To Tongji Medical College Of Huazhong University Of Science & Technology filed Critical Tongji Hospital Affiliated To Tongji Medical College Of Huazhong University Of Science & Technology
Priority to CN202311639067.5A priority Critical patent/CN117789977B/zh
Publication of CN117789977A publication Critical patent/CN117789977A/zh
Application granted granted Critical
Publication of CN117789977B publication Critical patent/CN117789977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请涉及一种新型压疮智能预警和预防一体化方法和系统。方法包括:获取用户在不同时段的身体数据、卧床习性信息、以及环境信息,并将各身体数据拆分为体表数据、以及体内数据;基于用户的卧床习性信息和环境信息,分析用户的体表中的可疑区域,并分析每个可疑区域的皮肤变化信息;基于各体内数据,分析每个可疑区域的皮肤变化原因,并基于每个可疑区域的皮肤变化信息和皮肤变化原因,筛选目标可疑区域;基于目标可疑区域的皮肤变化信息、以及卧床习性信息,通过压疮预测策略,预测目标可疑区域的压疮生成时长和压疮生成范围,并将目标可疑区域的压疮生成时长和压疮生成范围发送至压疮预防设备。采用本方法能够提升用户的压疮预测精准度。

Description

一种新型压疮智能预警和预防一体化方法和系统
技术领域
本申请涉及集成电路芯片技术领域,特别是涉及一种新型压疮智能预警和预防一体化方法和系统。
背景技术
卧床病患长时间处于卧床状态,容易出现压力性损伤,即压疮。而压疮会给患者带来痛苦和不必要的医疗费用,甚至可能导致感染和死亡。因此,预防监测和管理卧床病患的压疮非常重要。
目前压疮预测方式是主要对病患的生理参数,如温湿度以及压力情况,并结合病患的病理信息以及基本情况,人工分析用户压疮的可能;但是该方式无法预测具体压疮的位置,并且人工分析主要依靠工作人员的经验,经验的不同预测的精准度差异也不同,从而导致用户的压疮预测精准度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种新型压疮智能预警和预防一体化方法和系统。
第一方面,本申请提供了一种新型压疮智能预警和预防一体化方法。所述方法包括:
获取用户在不同时段的身体数据、所述用户的卧床习性信息、以及所述用户所处的环境信息,并将各所述身体数据拆分为体表数据、以及体内数据;
基于所述用户的卧床习性信息、以及所述用户所处的环境信息,分析所述用户的体表中易产生压疮的可疑区域,并基于各所述体表数据,分析每个可疑区域的皮肤变化信息;
基于各所述体内数据,分析每个可疑区域的皮肤变化原因,并基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域;
基于所述目标可疑区域的皮肤变化信息、以及所述用户的卧床习性信息,通过压疮预测策略,预测所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围,并将所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围发送至压疮预防设备。
可选的,所述基于所述用户的卧床习性信息、以及所述用户所处的环境信息,分析所述用户的体表中易产生压疮的可疑区域,包括:
将所述用户的体表,按照体表皮肤类别划分为多个体表区域,并基于所述用户的卧床习性信息,识别各所述体表区域的受压频率;
采集生成压疮的目标环境数据、以及所述生成压床的目标受压频率,并基于所述用户所处的环境信息,识别所述环境信息中的当前环境数据;
计算所述目标环境数据与所述当前环境数据之间的相似度,并将所述相似度进行归一化处理,得到所述受压频率的权重值;
分别将各所述体表区域的受压频率乘以所述权重值,得到各所述体表区域的实际受压频率,并将不小于目标受压频率的实际受压频率对应的体表区域,作为可疑区域。
可选的,所述基于各所述体表数据,分析每个可疑区域的皮肤变化信息,包括:
针对每个体表数据,在所述体表数据中,分别筛选每个可疑区域的子体表数据,并针对每个可疑区域,按照时间顺序,将所述可疑区域的各子体表数据进行排序,得到所述可疑区域的体表数据分布序列;
在所述体表数据分布序列中筛选非波动变化的子体表数据,作为所述可疑区域的目标子体表数据,并基于各所述目标子体表数据在所述体表数据分布序列中的分布信息,计算所有目标子体表数据的渐变梯度、以及所有目标子体表数据的曲率值;
将所述渐变梯度、以及所述曲率值,作为所述可疑区域的皮肤变化信息。
可选的,所述基于各所述体内数据,分析每个可疑区域的皮肤变化原因,包括:
将所述体内数据按照时间顺序进行排序,得到体内数据序列,并提取所述体内数据序列中相邻序列的体内数据不同的子序列,作为体内数据变化序列;
基于所述体内数据变化序列,识别所述用户的身体异常类型,并基于预设的身体异常类型与皮肤变化的关联信息,计算所述体内数据变化序列对应的身体异常类型与皮肤变化的关联度;
在所述关联度不大于关联度阈值的情况下,将每个可疑区域的体表数据,作为每个可疑区域的皮肤变化原因;
在所述关联度大于关联度阈值的情况下,计算所述体内数据变化序列对应的身体异常类型与皮肤变化的关联度、与所述体内数据变化序列的变化斜率的乘积值,并将所述乘积值进行归一化处理,得到所述皮肤变化权重值;将所述皮肤变化权重值作为各所述可疑区域的皮肤变化原因。
可选的,所述基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域,包括:
在所述皮肤变化原因为每个可疑区域的体表数据的情况下,针对每个可疑区域,在所述可疑区域的渐变梯度大于第一梯度值、且所述可疑区域的曲率值大于第一曲率值的情况下,将所述可疑区域作为目标可疑区域;
在所述皮肤变化原因为皮肤变化权重值的情况下,分别将每个可疑区域的渐变梯度、以及每个可疑区域的曲率值乘以皮肤变化权重值,得到每个可疑区域的新渐变梯度、以及每个可疑区域的新曲率值,并在每个可疑区域中,筛选大于第一梯度值的新渐变梯度、且大于第一曲率值的新曲率值对应的可疑区域,作为目标可疑区域。
可选的,所述基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域之后,还包括:
获取压疮生成前的不同阶段的体表变化数据,并识别每个阶段之间的时间间距;
针对每个阶段,计算所述阶段的体表变化数据的变化梯度、以及所述阶段的体表变化数据的曲率范围,并将所有阶段的变化梯度、所有阶段的曲率范围、以及每个阶段之间的时间间距,作为压疮预测策略。
可选的,所述基于所述目标可疑区域的皮肤变化信息、以及所述用户的卧床习性信息,通过压疮预测策略,预测所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围,包括:
针对每个目标可疑区域,基于所述用户的卧床习性信息,识别所述目标可疑区域中的体表受压频率分布信息,并按照受压频率从大到小的顺序,在所述受压概率分布信息中,筛选大于所述受压频率分布信息的平均受压频率的受压频率对应的体表范围,作为所述目标可疑区域的压疮生成范围;
基于所述目标可疑区域的渐变梯度、以及所述目标可疑区域的曲率值,在所述压疮预测策略的各阶段中,筛选与所述目标可疑区域的渐变梯度的第一相似度大于相似度阈值、且所述目标可疑区域的曲率值属于所述阶段的曲率范围的阶段,作为所述目标可疑区域的目标阶段,并将所述第一相似度乘以所述目标阶段到压疮生成时的所有时间间距对应的时长,得到所述目标可疑区域的压疮生成时长。
可选的,所述方法还包括:
基于所述目标可疑区域的压疮生成时长,识别所述目标可疑区域的压疮生成阶段,并基于所述压疮阶段,确定所述目标可疑区域的压疮预防策略;
基于所述目标可疑区域的压疮生成范围,确定所述压疮预防设备的预防位置信息,并基于所述目标可疑区域的压疮预防策略,生成所述压疮预防设备的垫片温度变化策略;
基于所述压疮预防设备的预防位置信息、以及所述压疮预防设备的垫片温度变化策略,生成所述压疮预防设备的控制指令,并基于所述控制指令,控制所述压疮预防设备对所述目标可疑区域进行压疮预防处理;
所述目标可疑区域的垫片在执行压疮预防处理策略时,通过控制设置于所述垫片的LED灯进行闪烁,从而向工作人员预警压疮生成位置。
第二方面,本申请还提供了一种新型压疮智能预警和预防一体化系统,所述系统,包括:
获取模块,用于获取用户在不同时段的身体数据、所述用户的卧床习性信息、以及所述用户所处的环境信息,并将各所述身体数据拆分为体表数据、以及体内数据;
第一分析模块,用于基于所述用户的卧床习性信息、以及所述用户所处的环境信息,分析所述用户的体表中易产生压疮的可疑区域,并基于各所述体表数据,分析每个可疑区域的皮肤变化信息;
第二分析模块,用于基于各所述体内数据,分析每个可疑区域的皮肤变化原因,并基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域;
预测模块,用于基于所述目标可疑区域的皮肤变化信息、以及所述用户的卧床习性信息,通过压疮预测策略,预测所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围,并将所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围发送至压疮预防设备。
可选的,所述第一分析模块,具体用于:
将所述用户的体表,按照体表皮肤类别划分为多个体表区域,并基于所述用户的卧床习性信息,识别各所述体表区域的受压频率;
采集生成压疮的目标环境数据、以及所述生成压床的目标受压频率,并基于所述用户所处的环境信息,识别所述环境信息中的当前环境数据;
计算所述目标环境数据与所述当前环境数据之间的相似度,并将所述相似度进行归一化处理,得到所述受压频率的权重值;
分别将各所述体表区域的受压频率乘以所述权重值,得到各所述体表区域的实际受压频率,并将不小于目标受压频率的实际受压频率对应的体表区域,作为可疑区域。
可选的,所述第一分析模块,具体用于:
针对每个体表数据,在所述体表数据中,分别筛选每个可疑区域的子体表数据,并针对每个可疑区域,按照时间顺序,将所述可疑区域的各子体表数据进行排序,得到所述可疑区域的体表数据分布序列;
在所述体表数据分布序列中筛选非波动变化的子体表数据,作为所述可疑区域的目标子体表数据,并基于各所述目标子体表数据在所述体表数据分布序列中的分布信息,计算所有目标子体表数据的渐变梯度、以及所有目标子体表数据的曲率值;
将所述渐变梯度、以及所述曲率值,作为所述可疑区域的皮肤变化信息。
可选的,所述第二分析模块,具体用于:
将所述体内数据按照时间顺序进行排序,得到体内数据序列,并提取所述体内数据序列中相邻序列的体内数据不同的子序列,作为体内数据变化序列;
基于所述体内数据变化序列,识别所述用户的身体异常类型,并基于预设的身体异常类型与皮肤变化的关联信息,计算所述体内数据变化序列对应的身体异常类型与皮肤变化的关联度;
在所述关联度不大于关联度阈值的情况下,将每个可疑区域的体表数据,作为每个可疑区域的皮肤变化原因;
在所述关联度大于关联度阈值的情况下,计算所述体内数据变化序列对应的身体异常类型与皮肤变化的关联度、与所述体内数据变化序列的变化斜率的乘积值,并将所述乘积值进行归一化处理,得到所述皮肤变化权重值;将所述皮肤变化权重值作为各所述可疑区域的皮肤变化原因。
可选的,所述第二分析模块,具体用于:
在所述皮肤变化原因为每个可疑区域的体表数据的情况下,针对每个可疑区域,在所述可疑区域的渐变梯度大于第一梯度值、且所述可疑区域的曲率值大于第一曲率值的情况下,将所述可疑区域作为目标可疑区域;
在所述皮肤变化原因为皮肤变化权重值的情况下,分别将每个可疑区域的渐变梯度、以及每个可疑区域的曲率值乘以皮肤变化权重值,得到每个可疑区域的新渐变梯度、以及每个可疑区域的新曲率值,并在每个可疑区域中,筛选大于第一梯度值的新渐变梯度、且大于第一曲率值的新曲率值对应的可疑区域,作为目标可疑区域。
可选的,所述系统还包括:
识别模块,用于获取压疮生成前的不同阶段的体表变化数据,并识别每个阶段之间的时间间距;
确定模块,用于针对每个阶段,计算所述阶段的体表变化数据的变化梯度、以及所述阶段的体表变化数据的曲率范围,并将所有阶段的变化梯度、所有阶段的曲率范围、以及每个阶段之间的时间间距,作为压疮预测策略。
可选的,所述预测模块,具体用于:
针对每个目标可疑区域,基于所述用户的卧床习性信息,识别所述目标可疑区域中的体表受压频率分布信息,并按照受压频率从大到小的顺序,在所述受压概率分布信息中,筛选大于所述受压频率分布信息的平均受压频率的受压频率对应的体表范围,作为所述目标可疑区域的压疮生成范围;
基于所述目标可疑区域的渐变梯度、以及所述目标可疑区域的曲率值,在所述压疮预测策略的各阶段中,筛选与所述目标可疑区域的渐变梯度的第一相似度大于相似度阈值、且所述目标可疑区域的曲率值属于所述阶段的曲率范围的阶段,作为所述目标可疑区域的目标阶段,并将所述第一相似度乘以所述目标阶段到压疮生成时的所有时间间距对应的时长,得到所述目标可疑区域的压疮生成时长。
可选的,所述系统还包括:
确定模块,用于基于所述目标可疑区域的压疮生成时长,识别所述目标可疑区域的压疮生成阶段,并基于所述压疮阶段,确定所述目标可疑区域的压疮预防策略;
生成模块,用于基于所述目标可疑区域的压疮生成范围,确定所述压疮预防设备的预防位置信息,并基于所述目标可疑区域的压疮预防策略,生成所述压疮预防设备的垫片温度变化策略;
控制模块,用于基于所述压疮预防设备的预防位置信息、以及所述压疮预防设备的垫片温度变化策略,生成所述压疮预防设备的控制指令,并基于所述控制指令,控制所述压疮预防设备对所述目标可疑区域进行压疮预防处理;
所述目标可疑区域的垫片在执行压疮预防处理策略时,通过控制设置于所述垫片的LED灯进行闪烁,从而向工作人员预警压疮生成位置。
第三方面,本申请提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质。其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
第五方面,本申请提供了一种计算机程序产品。所述计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
上述新型压疮智能预警和预防一体化方法和系统,通过获取用户在不同时段的身体数据、所述用户的卧床习性信息、以及所述用户所处的环境信息,并将各所述身体数据拆分为体表数据、以及体内数据;基于所述用户的卧床习性信息、以及所述用户所处的环境信息,分析所述用户的体表中易产生压疮的可疑区域,并基于各所述体表数据,分析每个可疑区域的皮肤变化信息;基于各所述体内数据,分析每个可疑区域的皮肤变化原因,并基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域;基于所述目标可疑区域的皮肤变化信息、以及所述用户的卧床习性信息,通过压疮预测策略,预测所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围,并将所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围发送至压疮预防设备。本方案通过用户的卧床习性信息、以及用户所处的环境信息,分析用户的体表中易生成压疮的可疑区域,然后通过可疑区域的体表数据对应的皮肤变化信息、以及可疑区域的体内数据对应的皮肤变化原因,进一步筛选会生成压疮的目标可疑区域。再通过可疑区域的皮肤变化信息、以及所述用户的卧床习性信息,预测目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围,不仅减少了预测计算量,通过限缩范围后进行预测,提升了预测精准度,并且,通过卧床习性信息和皮肤变化信息,预测可疑区域的压疮生成范围和压疮生成时长,不仅在确保预测精准度的同时,优化了预测的数据量,避免了人工预测由于经验不同导致的精准度不同的问题,而且为后续工作人员对相应压疮生成范围采取不同程度的防范措施提供了精准的参考依据,从而提升了用户的压疮预测精准度。
附图说明
图1为一个实施例中新型压疮智能预警和预防一体化方法的流程示意图;
图2为一个实施例中压疮预防设备的结构示意图;
图3为一个实施例中新型压疮智能预警和预防一体化系统的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的新型压疮智能预警和预防一体化方法,可以应用于病患体表压疮预测的应用环境中。该方法可以应用于终端,也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。其中,终端通过用户的卧床习性信息、以及用户所处的环境信息,分析用户的体表中易生成压疮的可疑区域,然后通过可疑区域的体表数据对应的皮肤变化信息、以及可疑区域的体内数据对应的皮肤变化原因,进一步筛选会生成压疮的目标可疑区域。再通过可疑区域的皮肤变化信息、以及所述用户的卧床习性信息,预测目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围,不仅减少了预测计算量,通过限缩范围后进行预测,提升了预测精准度,并且,通过卧床习性信息和皮肤变化信息,预测可疑区域的压疮生成范围和压疮生成时长,不仅在确保预测精准度的同时,优化了预测的数据量,避免了人工预测由于经验不同导致的精准度不同的问题,而且为后续工作人员对相应压疮生成范围采取不同程度的防范措施提供了精准的参考依据,从而提升了用户的压疮预测精准度。
在一个实施例中,如图1所示,提供了一种新型压疮智能预警和预防一体化方法,以该方法应用于终端为例进行说明,包括以下步骤:
步骤S101,获取用户在不同时段的身体数据、用户的卧床习性信息、以及用户所处的环境信息,并将各身体数据拆分为体表数据、以及体内数据。
本实施例中,终端基于预设于用户体表的传感器,采集用户在不同时段的体表数据、并通过接收工作人员上传的定时检测用户的体液样本得到用户的体内数据。其中体表数据用于表征用户体表皮肤的状态信息,体内数据用户表征用户体内的状态信息。然后,终端通过接收工作人员上传的,通过工作人员记录得到的用户的卧床习性,得到用户的卧床习性信息,其中卧床习性信息包括用户的躺姿的种类,用户躺姿的变化情况等。然后,终端通过接收穿感激采集的用户的所处环境的湿度数据、以及温度数据,得到用户所处的环境信息。
步骤S102,基于用户的卧床习性信息、以及用户所处的环境信息,分析用户的体表中易产生压疮的可疑区域,并基于各体表数据,分析每个可疑区域的皮肤变化信息。
本实施例中,终端基于用户的卧床习性信息、以及用户所处的环境信息,分析用户的体表中易产生压疮的可疑区域,并基于各体表数据,分析每个可疑区域的皮肤变化信息。其中皮肤变化信息为该用户的可以区域的皮肤状态变化情况。
步骤S103,基于各体内数据,分析每个可疑区域的皮肤变化原因,并基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域。
本实施例中,终端基于各体内数据,分析每个可疑区域的皮肤变化原因,并基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域。其中,皮肤变化原因包括体内状态变化导致的皮肤变化,以及非体内状态变化导致的皮肤变化,具体的分析过程后续将详细说明,终端通过皮肤变化原因,分析每个可以区域的皮肤变化信息会发展成压疮的可能,从而筛选目标可疑区域。
步骤S104,基于目标可疑区域的皮肤变化信息、以及用户的卧床习性信息,通过压疮预测策略,预测目标可疑区域的压疮生成时长,以及目标可疑区域的压疮生成范围,并将目标可疑区域的压疮生成时长,以及目标可疑区域的压疮生成范围发送至压疮预防设备。
本实施例中,终端基于目标可疑区域的皮肤变化信息、以及用户的卧床习性信息,通过压疮预测策略,预测目标可疑区域的压疮生成时长,以及目标可疑区域的压疮生成范围,并将目标可疑区域的压疮生成时长,以及目标可疑区域的压疮生成范围发送至压疮预防设备。其中压疮预测策略为识别压疮生成前的不同阶段的体表数据变化信息对应的策略。具体的预测过程后续将详细说明。
基于上述方案,通过用户的卧床习性信息、以及用户所处的环境信息,分析用户的体表中易生成压疮的可疑区域,然后通过可疑区域的体表数据对应的皮肤变化信息、以及可疑区域的体内数据对应的皮肤变化原因,进一步筛选会生成压疮的目标可疑区域。再通过可疑区域的皮肤变化信息、以及所述用户的卧床习性信息,预测目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围,不仅减少了预测计算量,通过限缩范围后进行预测,提升了预测精准度,并且,通过卧床习性信息和皮肤变化信息,预测可疑区域的压疮生成范围和压疮生成时长,不仅在确保预测精准度的同时,优化了预测的数据量,避免了人工预测由于经验不同导致的精准度不同的问题,而且为后续工作人员对相应压疮生成范围采取不同程度的防范措施提供了精准的参考依据,从而提升了用户的压疮预测精准度。
可选的,基于用户的卧床习性信息、以及用户所处的环境信息,分析用户的体表中易产生压疮的可疑区域,包括:将用户的体表,按照体表皮肤类别划分为多个体表区域,并基于用户的卧床习性信息,识别各体表区域的受压频率;采集生成压疮的目标环境数据、以及生成压床的目标受压频率,并基于用户所处的环境信息,识别环境信息中的当前环境数据;计算目标环境数据与当前环境数据之间的相似度,并将相似度进行归一化处理,得到受压频率的权重值;分别将各体表区域的受压频率乘以权重值,得到各体表区域的实际受压频率,并将不小于目标受压频率的实际受压频率对应的体表区域,作为可疑区域。
本实施例中,终端将用户的体表,按照体表皮肤类别划分为多个体表区域,并基于用户的卧床习性信息,识别各体表区域的受压频率。其中划分方式为预设于终端的体表区域和皮肤类别的对应关系得到的方式,皮肤类别包括背部皮肤、胸部皮肤,腹部皮肤,四肢皮肤、腰部皮肤等。终端通过识别卧床习性信息中的每个躺姿的平均时间、以及每个躺姿对应的受压皮肤区域对应的体表区域,计算每个体表区域的受压频率。
终端采集生成压疮的目标环境数据(包括目标温度数据、以及目标湿度数据)、以及生成压床的目标受压频率,并基于用户所处的环境信息,识别环境信息中的当前环境数据。其中当前环境数据包括当前温度数据、以及当前湿度数据。终端通过计算当前温度数据与目标温度数据之间的比例值,得到当前温度数据与目标温度数据之间的第一相似度,然后,终端计算当前湿度数据与目标湿度数据之间的比例值,得到当前湿度数据与目标湿度数据之间的第二相似度,再后,终端计算两个相似度的平均值,得到目标环境数据与当前环境数据之间的相似度,再后,终端将该相似度进行归一化处理,得到受压频率的权重值。
终端分别将各体表区域的受压频率乘以权重值,得到各体表区域的实际受压频率,并将不小于目标受压频率的实际受压频率对应的体表区域,作为可疑区域。
基于上述方案,通过结合环境信息以及体表区域的受压频率,分析可疑区域,提升了得到的可疑区域的精准度。
可选的,基于各体表数据,分析每个可疑区域的皮肤变化信息,包括:针对每个体表数据,在体表数据中,分别筛选每个可疑区域的子体表数据,并针对每个可疑区域,按照时间顺序,将可疑区域的各子体表数据进行排序,得到可疑区域的体表数据分布序列;在体表数据分布序列中筛选非波动变化的子体表数据,作为可疑区域的目标子体表数据,并基于各目标子体表数据在体表数据分布序列中的分布信息,计算所有目标子体表数据的渐变梯度、以及所有目标子体表数据的曲率值;将渐变梯度、以及曲率值,作为可疑区域的皮肤变化信息。
本实施例中,终端针对每个体表数据,在该体表数据中,分别筛选每个可疑区域的子体表数据,并针对每个可疑区域,按照时间顺序,将可疑区域的各子体表数据进行排序,得到可疑区域的体表数据分布序列。
然后,终端在体表数据分布序列中筛选非波动变化的子体表数据,作为可疑区域的目标子体表数据。其中非波动变化的子体表数据的识别过程为通过识别体表数据分布序列的多个分布范围,得到体表数据分布序列的平均分布范围,然后,终端将该体表数据分布序列划分为多个线性子分布序列,并识别每个子分部序列的波动范围,终端将大于平均分布范围的波动范围对应的线性子分部序列中的各子体表数据,作为非波动变化的子体表数据。
终端基于各目标子体表数据在体表数据分布序列中的分布信息,计算所有目标子体表数据的渐变梯度、以及所有目标子体表数据的曲率值。其中渐变梯度的计算方式为通过微分计算每个目标子体表数据的单位变化梯度,得到所有目标字体表数据的渐变梯度。具体的,子体表数据为f(x,y,z)其中,x,y,z分别表征一个体表数据类型,例如,x为体表温度、y为体表平整度、z为皮肤厚度/硬度等。
则计算每个目标子体表数据的单位变化梯度的计算公式为:
上式中,为单位变化梯度,所有子体表数据的单位梯度之和为,渐变梯度;/>为目标子体表数据的体表温度的变化梯度,/>为目标子体表数据的体表平整度的变化梯度,为目标子体表数据的皮肤厚度/硬度的变化梯度,êx为体表温度的变化量,êy为体表平整度的变化量,êz为皮肤厚度/硬度的变化量。
然后,终端通过曲率算法,计算所有子体表数据对应的线性变化趋势的曲率值。
最后,终端将渐变梯度、以及曲率值,作为可疑区域的皮肤变化信息。
基于上述方案,通过计算渐变梯度和曲率值,得到可疑区域的皮肤变化信息,提升了得到的可疑区域的全面性。
可选的,基于各体内数据,分析每个可疑区域的皮肤变化原因,包括:将体内数据按照时间顺序进行排序,得到体内数据序列,并提取体内数据序列中相邻序列的体内数据不同的子序列,作为体内数据变化序列;基于体内数据变化序列,识别用户的身体异常类型,并基于预设的身体异常类型与皮肤变化的关联信息,计算体内数据变化序列对应的身体异常类型与皮肤变化的关联度;在关联度不大于关联度阈值的情况下,将每个可疑区域的体表数据,作为每个可疑区域的皮肤变化原因;在关联度大于关联度阈值的情况下,计算体内数据变化序列对应的身体异常类型与皮肤变化的关联度、与体内数据变化序列的变化斜率的乘积值,并将乘积值进行归一化处理,得到皮肤变化权重值;将皮肤变化权重值作为各可疑区域的皮肤变化原因。
本实施例中,终端将体内数据按照时间顺序进行排序,得到体内数据序列,并提取体内数据序列中相邻序列的体内数据不同的子序列,作为体内数据变化序列。然后,终端基于体内数据变化序列,识别用户的身体异常类型。其中,身体异常类型表征用户的患病类型,该类型包括身体内循环对应的患病类型、以及身体体表问题对应的患病类型,其中身体体表问题对应的患病类型为患病时,患病特征表征于用户体表的患病类型。然后,终端基于预设的身体异常类型与皮肤变化的关联信息,计算体内数据变化序列对应的身体异常类型与皮肤变化的关联度。其中,身体内循环对应的患病类型与皮肤变化的关联信息较少或无,身体体表问题对应的患病类型与皮肤变化的关联信息较多。其中患病特征表征于用户体表的患病类型越明显,该身体异常类型与皮肤变化的关联度越高。
终端预设关联度阈值,并在关联度不大于关联度阈值的情况下,将每个可疑区域的体表数据,作为每个可疑区域的皮肤变化原因。在关联度大于关联度阈值的情况下,终端计算体内数据变化序列对应的身体异常类型与皮肤变化的关联度、与体内数据变化序列的变化斜率的乘积值,并将乘积值进行归一化处理,得到皮肤变化权重值。最后,终端将皮肤变化权重值作为各可疑区域的皮肤变化原因。
基于上述方案,通过识别患病类型,从而判断皮肤变化原因,从而进一步明细用户体表是否会生成压疮,还是患病类型对应的患病特征,提升了识别压疮的精准度。
可选的,基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域,包括:在皮肤变化原因为每个可疑区域的体表数据的情况下,针对每个可疑区域,在可疑区域的渐变梯度大于第一梯度值、且可疑区域的曲率值大于第一曲率值的情况下,将可疑区域作为目标可疑区域;在皮肤变化原因为皮肤变化权重值的情况下,分别将每个可疑区域的渐变梯度、以及每个可疑区域的曲率值乘以皮肤变化权重值,得到每个可疑区域的新渐变梯度、以及每个可疑区域的新曲率值,并在每个可疑区域中,筛选大于第一梯度值的新渐变梯度、且大于第一曲率值的新曲率值对应的可疑区域,作为目标可疑区域。
本实施例中,终端在皮肤变化原因为每个可疑区域的体表数据的情况下,针对每个可疑区域,在可疑区域的渐变梯度大于第一梯度值、且可疑区域的曲率值大于第一曲率值的情况下,将可疑区域作为目标可疑区域。其中,第一梯度值与第一曲率值为预设于终端的数值。
在皮肤变化原因为皮肤变化权重值的情况下,终端分别将每个可疑区域的渐变梯度、以及每个可疑区域的曲率值乘以皮肤变化权重值,得到每个可疑区域的新渐变梯度、以及每个可疑区域的新曲率值,并在每个可疑区域中,筛选大于第一梯度值的新渐变梯度、且大于第一曲率值的新曲率值对应的可疑区域,作为目标可疑区域。
基于上述方案,通过考虑生病原因引起的皮肤异常变化,从而判定可能生压疮的部位对应的目标可疑区域,提升了识别目标可疑区域的精准度。
可选的,基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域之后,还包括:获取压疮生成前的不同阶段的体表变化数据,并识别每个阶段之间的时间间距;针对每个阶段,计算阶段的体表变化数据的变化梯度、以及阶段的体表变化数据的曲率范围,并将所有阶段的变化梯度、所有阶段的曲率范围、以及每个阶段之间的时间间距,作为压疮预测策略。
本实施例中,终端获取压疮生成前的不同阶段的体表变化数据,并识别每个阶段之间的时间间距。然后针对每个阶段,终端计算阶段的体表变化数据的变化梯度、以及阶段的体表变化数据的曲率范围,并将所有阶段的变化梯度、所有阶段的曲率范围、以及每个阶段之间的时间间距,作为压疮预测策略。
基于上述方案,终端通过预先采集压疮生成前不同阶段的体表变化数据,以及不同阶段间的时间间距,为后续预测每个目标可疑区域的压疮生成范围、以及压疮生成时间提供预测依据,提升了预测每个目标可疑区域的压疮生成范围、以及压疮生成时间的精准度。
可选的,基于目标可疑区域的皮肤变化信息、以及用户的卧床习性信息,通过压疮预测策略,预测目标可疑区域的压疮生成时长,以及目标可疑区域的压疮生成范围,包括:针对每个目标可疑区域,基于用户的卧床习性信息,识别目标可疑区域中的体表受压频率分布信息,并按照受压频率从大到小的顺序,在受压概率分布信息中,筛选大于受压频率分布信息的平均受压频率的受压频率对应的体表范围,作为目标可疑区域的压疮生成范围;基于目标可疑区域的渐变梯度、以及目标可疑区域的曲率值,在压疮预测策略的各阶段中,筛选与目标可疑区域的渐变梯度的第一相似度大于相似度阈值、且目标可疑区域的曲率值属于阶段的曲率范围的阶段,作为目标可疑区域的目标阶段,并将第一相似度乘以目标阶段到压疮生成时的所有时间间距对应的时长,得到目标可疑区域的压疮生成时长。
本实施例中,终端针对每个目标可疑区域,基于用户的卧床习性信息,识别目标可疑区域中的体表受压频率分布信息,并按照受压频率从大到小的顺序,在受压概率分布信息中,筛选大于受压频率分布信息的平均受压频率的受压频率对应的体表范围,作为目标可疑区域的压疮生成范围。
然后,终端基于目标可疑区域的渐变梯度、以及目标可疑区域的曲率值,在压疮预测策略的各阶段中,筛选与目标可疑区域的渐变梯度的第一相似度大于相似度阈值、且目标可疑区域的曲率值属于阶段的曲率范围的阶段,作为目标可疑区域的目标阶段。
其中计算第一相似度的算法为欧式距离算法,该算法的计算公式为:
上式中,a为目标可疑区域的渐变梯度,b为目标阶段的变化梯度,i为虚拟编号,为第i个目标可疑区域的单位变化梯度,/>为第i个目标阶段的单位变化梯度。
最后,终端将第一相似度乘以目标阶段到压疮生成时的所有时间间距对应的时长,得到目标可疑区域的压疮生成时长。
基于上述方案,通过计算目标可疑区域与目标阶段的之间的第一相似度,从而得到目标可以区域的压疮生成时长,并基于卧床习性信息,识别每个压疮生成范围,提升了获取压疮生成时长,和压疮生成范围效率。
可选的,方法还包括:基于目标可疑区域的压疮生成时长,识别目标可疑区域的压疮生成阶段,并基于压疮阶段,确定目标可疑区域的压疮预防策略;基于目标可疑区域的压疮生成范围,确定压疮预防设备的预防位置信息,并基于目标可疑区域的压疮预防策略,生成压疮预防设备的垫片温度变化策略;基于压疮预防设备的预防位置信息、以及压疮预防设备的垫片温度变化策略,生成压疮预防设备的控制指令,并基于控制指令,控制压疮预防设备对目标可疑区域进行压疮预防处理;目标可疑区域的垫片在执行压疮预防处理策略时,通过控制设置于所述垫片的LED灯进行闪烁,从而向工作人员预警压疮生成位置。
本实施例中,如图2所示为一种压疮预防设备,该压疮预防设备包括多个垫片、加热装置、LED灯、以及控制设备,其中,加热装置设置于垫片下侧、LED灯设置于垫片上侧,控制设备通过电线与每个垫片电连接。其中,该加热装置的温度可自定义调整,也可以基于终端生成的垫片温度变化策略而调整。其中垫片上侧的LED灯在该垫片接收到垫片温度变化策略时,按照固定频率进行闪烁预警。
终端基于目标可疑区域的压疮生成时长,识别目标可疑区域的压疮生成阶段,并基于压疮阶段,确定目标可疑区域的压疮预防策略。其中压疮生成阶段与压疮预防策略的对应关系预先存储与数据库中,每个压疮生成阶段对应一个压疮生成时长范围,终端通过识别该目标可疑区域的压疮生成时长对应的压疮生成时长范围,确定该目标可疑区域的压疮生成阶段,并在数据库中,查询该压疮生成阶段对应的压疮预防策略,作为该目标可疑区域的压疮预防策略。其中,压疮预防策略为对目标可疑区域的迭代加热策略,该迭代加热策略包括不同时间的加热温度,单次加热的时长,以及两次加热的间隔时长等。
终端基于目标可疑区域的压疮生成范围,确定压疮预防设备的预防位置信息。其中,该预防位置信息为压疮预防设备的目标垫片的位置信息,该目标垫片为该压疮生成范围内的垫片。然后,终端基于目标可疑区域的压疮预防策略,生成压疮预防设备的垫片温度变化策略。即垫片不同时间的加热温度,单次加热的时长,以及两次加热的间隔时长等。终端基于压疮预防设备的预防位置信息、以及压疮预防设备的垫片温度变化策略,生成压疮预防设备的控制指令,并基于控制指令,控制压疮预防设备对目标可疑区域进行压疮预防处理。
基于上述方案,通过预测的压疮生成时长和压疮生成范围,生成压疮预防设备的控制指令,从而对目标可疑区域进行压疮预防处理,避免目标可疑区域生成压疮,提升了对用户的压疮生成预防效果。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的新型压疮智能预警和预防一体化方法的新型压疮智能预警和预防一体化系统。该系统所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个新型压疮智能预警和预防一体化系统实施例中的具体限定可以参见上文中对于新型压疮智能预警和预防一体化方法的限定,在此不再赘述。
在一个实施例中,如图3所示,提供了一种新型压疮智能预警和预防一体化系统,该系统包括:获取模块310、第一分析模块320、第二分析模块320、以及预测模块340,其中:
获取模块310,用于获取用户在不同时段的身体数据、所述用户的卧床习性信息、以及所述用户所处的环境信息,并将各所述身体数据拆分为体表数据、以及体内数据;
第一分析模块320,用于基于所述用户的卧床习性信息、以及所述用户所处的环境信息,分析所述用户的体表中易产生压疮的可疑区域,并基于各所述体表数据,分析每个可疑区域的皮肤变化信息;
第二分析模块320,用于基于各所述体内数据,分析每个可疑区域的皮肤变化原因,并基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域;
预测模块340,用于基于所述目标可疑区域的皮肤变化信息、以及所述用户的卧床习性信息,通过压疮预测策略,预测所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围,并将所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围发送至压疮预防设备。
可选的,所述第一分析模块320,具体用于:
将所述用户的体表,按照体表皮肤类别划分为多个体表区域,并基于所述用户的卧床习性信息,识别各所述体表区域的受压频率;
采集生成压疮的目标环境数据、以及所述生成压床的目标受压频率,并基于所述用户所处的环境信息,识别所述环境信息中的当前环境数据;
计算所述目标环境数据与所述当前环境数据之间的相似度,并将所述相似度进行归一化处理,得到所述受压频率的权重值;
分别将各所述体表区域的受压频率乘以所述权重值,得到各所述体表区域的实际受压频率,并将不小于目标受压频率的实际受压频率对应的体表区域,作为可疑区域。
可选的,所述第一分析模块320,具体用于:
针对每个体表数据,在所述体表数据中,分别筛选每个可疑区域的子体表数据,并针对每个可疑区域,按照时间顺序,将所述可疑区域的各子体表数据进行排序,得到所述可疑区域的体表数据分布序列;
在所述体表数据分布序列中筛选非波动变化的子体表数据,作为所述可疑区域的目标子体表数据,并基于各所述目标子体表数据在所述体表数据分布序列中的分布信息,计算所有目标子体表数据的渐变梯度、以及所有目标子体表数据的曲率值;
将所述渐变梯度、以及所述曲率值,作为所述可疑区域的皮肤变化信息。
可选的,所述第二分析模块320,具体用于:
将所述体内数据按照时间顺序进行排序,得到体内数据序列,并提取所述体内数据序列中相邻序列的体内数据不同的子序列,作为体内数据变化序列;
基于所述体内数据变化序列,识别所述用户的身体异常类型,并基于预设的身体异常类型与皮肤变化的关联信息,计算所述体内数据变化序列对应的身体异常类型与皮肤变化的关联度;
在所述关联度不大于关联度阈值的情况下,将每个可疑区域的体表数据,作为每个可疑区域的皮肤变化原因;
在所述关联度大于关联度阈值的情况下,计算所述体内数据变化序列对应的身体异常类型与皮肤变化的关联度、与所述体内数据变化序列的变化斜率的乘积值,并将所述乘积值进行归一化处理,得到所述皮肤变化权重值;将所述皮肤变化权重值作为各所述可疑区域的皮肤变化原因。
可选的,所述第二分析模块320,具体用于:
在所述皮肤变化原因为每个可疑区域的体表数据的情况下,针对每个可疑区域,在所述可疑区域的渐变梯度大于第一梯度值、且所述可疑区域的曲率值大于第一曲率值的情况下,将所述可疑区域作为目标可疑区域;
在所述皮肤变化原因为皮肤变化权重值的情况下,分别将每个可疑区域的渐变梯度、以及每个可疑区域的曲率值乘以皮肤变化权重值,得到每个可疑区域的新渐变梯度、以及每个可疑区域的新曲率值,并在每个可疑区域中,筛选大于第一梯度值的新渐变梯度、且大于第一曲率值的新曲率值对应的可疑区域,作为目标可疑区域。
可选的,所述系统还包括:
识别模块,用于获取压疮生成前的不同阶段的体表变化数据,并识别每个阶段之间的时间间距;
确定模块,用于针对每个阶段,计算所述阶段的体表变化数据的变化梯度、以及所述阶段的体表变化数据的曲率范围,并将所有阶段的变化梯度、所有阶段的曲率范围、以及每个阶段之间的时间间距,作为压疮预测策略。
可选的,所述预测模块340,具体用于:
针对每个目标可疑区域,基于所述用户的卧床习性信息,识别所述目标可疑区域中的体表受压频率分布信息,并按照受压频率从大到小的顺序,在所述受压概率分布信息中,筛选大于所述受压频率分布信息的平均受压频率的受压频率对应的体表范围,作为所述目标可疑区域的压疮生成范围;
基于所述目标可疑区域的渐变梯度、以及所述目标可疑区域的曲率值,在所述压疮预测策略的各阶段中,筛选与所述目标可疑区域的渐变梯度的第一相似度大于相似度阈值、且所述目标可疑区域的曲率值属于所述阶段的曲率范围的阶段,作为所述目标可疑区域的目标阶段,并将所述第一相似度乘以所述目标阶段到压疮生成时的所有时间间距对应的时长,得到所述目标可疑区域的压疮生成时长。
可选的,所述系统还包括:
确定模块,用于基于所述目标可疑区域的压疮生成时长,识别所述目标可疑区域的压疮生成阶段,并基于所述压疮阶段,确定所述目标可疑区域的压疮预防策略;
生成模块,用于基于所述目标可疑区域的压疮生成范围,确定所述压疮预防设备的预防位置信息,并基于所述目标可疑区域的压疮预防策略,生成所述压疮预防设备的垫片温度变化策略;
控制模块,用于基于所述压疮预防设备的预防位置信息、以及所述压疮预防设备的垫片温度变化策略,生成所述压疮预防设备的控制指令,并基于所述控制指令,控制所述压疮预防设备对所述目标可疑区域进行压疮预防处理。
上述新型压疮智能预警和预防一体化系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种新型压疮智能预警和预防一体化方法,其特征在于,所述方法包括:
获取用户在不同时段的身体数据、所述用户的卧床习性信息、以及所述用户所处的环境信息,并将各所述身体数据拆分为体表数据、以及体内数据;
基于所述用户的卧床习性信息、以及所述用户所处的环境信息,分析所述用户的体表中易产生压疮的可疑区域,并基于各所述体表数据,分析每个可疑区域的皮肤变化信息;
基于各所述体内数据,分析每个可疑区域的皮肤变化原因,并基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域;
基于所述目标可疑区域的皮肤变化信息、以及所述用户的卧床习性信息,通过压疮预测策略,预测所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围,并将所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围发送至压疮预防设备。
2.根据权利要求1所述的方法,其特征在于,所述基于所述用户的卧床习性信息、以及所述用户所处的环境信息,分析所述用户的体表中易产生压疮的可疑区域,包括:
将所述用户的体表,按照体表皮肤类别划分为多个体表区域,并基于所述用户的卧床习性信息,识别各所述体表区域的受压频率;
采集生成压疮的目标环境数据、以及所述生成压床的目标受压频率,并基于所述用户所处的环境信息,识别所述环境信息中的当前环境数据;
计算所述目标环境数据与所述当前环境数据之间的相似度,并将所述相似度进行归一化处理,得到所述受压频率的权重值;
分别将各所述体表区域的受压频率乘以所述权重值,得到各所述体表区域的实际受压频率,并将不小于目标受压频率的实际受压频率对应的体表区域,作为可疑区域。
3.根据权利要求2所述的方法,其特征在于,所述基于各所述体表数据,分析每个可疑区域的皮肤变化信息,包括:
针对每个体表数据,在所述体表数据中,分别筛选每个可疑区域的子体表数据,并针对每个可疑区域,按照时间顺序,将所述可疑区域的各子体表数据进行排序,得到所述可疑区域的体表数据分布序列;
在所述体表数据分布序列中筛选非波动变化的子体表数据,作为所述可疑区域的目标子体表数据,并基于各所述目标子体表数据在所述体表数据分布序列中的分布信息,计算所有目标子体表数据的渐变梯度、以及所有目标子体表数据的曲率值;
将所述渐变梯度、以及所述曲率值,作为所述可疑区域的皮肤变化信息。
4.根据权利要求3所述的方法,其特征在于,所述基于各所述体内数据,分析每个可疑区域的皮肤变化原因,包括:
将所述体内数据按照时间顺序进行排序,得到体内数据序列,并提取所述体内数据序列中相邻序列的体内数据不同的子序列,作为体内数据变化序列;
基于所述体内数据变化序列,识别所述用户的身体异常类型,并基于预设的身体异常类型与皮肤变化的关联信息,计算所述体内数据变化序列对应的身体异常类型与皮肤变化的关联度;
在所述关联度不大于关联度阈值的情况下,将每个可疑区域的体表数据,作为每个可疑区域的皮肤变化原因;
在所述关联度大于关联度阈值的情况下,计算所述体内数据变化序列对应的身体异常类型与皮肤变化的关联度、与所述体内数据变化序列的变化斜率的乘积值,并将所述乘积值进行归一化处理,得到所述皮肤变化权重值;将所述皮肤变化权重值作为各所述可疑区域的皮肤变化原因。
5.根据权利要求4所述的方法,其特征在于,所述基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域,包括:
在所述皮肤变化原因为每个可疑区域的体表数据的情况下,针对每个可疑区域,在所述可疑区域的渐变梯度大于第一梯度值、且所述可疑区域的曲率值大于第一曲率值的情况下,将所述可疑区域作为目标可疑区域;
在所述皮肤变化原因为皮肤变化权重值的情况下,分别将每个可疑区域的渐变梯度、以及每个可疑区域的曲率值乘以皮肤变化权重值,得到每个可疑区域的新渐变梯度、以及每个可疑区域的新曲率值,并在每个可疑区域中,筛选大于第一梯度值的新渐变梯度、且大于第一曲率值的新曲率值对应的可疑区域,作为目标可疑区域。
6.根据权利要求1所述的方法,其特征在于,所述基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域之后,还包括:
获取压疮生成前的不同阶段的体表变化数据,并识别每个阶段之间的时间间距;
针对每个阶段,计算所述阶段的体表变化数据的变化梯度、以及所述阶段的体表变化数据的曲率范围,并将所有阶段的变化梯度、所有阶段的曲率范围、以及每个阶段之间的时间间距,作为压疮预测策略。
7.根据权利要求6所述的方法,其特征在于,所述基于所述目标可疑区域的皮肤变化信息、以及所述用户的卧床习性信息,通过压疮预测策略,预测所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围,包括:
针对每个目标可疑区域,基于所述用户的卧床习性信息,识别所述目标可疑区域中的体表受压频率分布信息,并按照受压频率从大到小的顺序,在所述受压概率分布信息中,筛选大于所述受压频率分布信息的平均受压频率的受压频率对应的体表范围,作为所述目标可疑区域的压疮生成范围;
基于所述目标可疑区域的渐变梯度、以及所述目标可疑区域的曲率值,在所述压疮预测策略的各阶段中,筛选与所述目标可疑区域的渐变梯度的第一相似度大于相似度阈值、且所述目标可疑区域的曲率值属于所述阶段的曲率范围的阶段,作为所述目标可疑区域的目标阶段,并将所述第一相似度乘以所述目标阶段到压疮生成时的所有时间间距对应的时长,得到所述目标可疑区域的压疮生成时长。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述目标可疑区域的压疮生成时长,识别所述目标可疑区域的压疮生成阶段,并基于所述压疮阶段,确定所述目标可疑区域的压疮预防策略;
基于所述目标可疑区域的压疮生成范围,确定所述压疮预防设备的预防位置信息,并基于所述目标可疑区域的压疮预防策略,生成所述压疮预防设备的垫片温度变化策略;
基于所述压疮预防设备的预防位置信息、以及所述压疮预防设备的垫片温度变化策略,生成所述压疮预防设备的控制指令,并基于所述控制指令,控制所述压疮预防设备中设置于目标可疑区域的垫片对所述目标可疑区域进行压疮预防处理;
所述目标可疑区域的垫片在执行压疮预防处理策略时,通过控制设置于所述垫片的LED灯进行闪烁,从而向工作人员预警压疮生成位置。
9.一种新型压疮智能预警和预防一体化系统,其特征在于,所述系统包括:
获取模块,用于获取用户在不同时段的身体数据、所述用户的卧床习性信息、以及所述用户所处的环境信息,并将各所述身体数据拆分为体表数据、以及体内数据;
第一分析模块,用于基于所述用户的卧床习性信息、以及所述用户所处的环境信息,分析所述用户的体表中易产生压疮的可疑区域,并基于各所述体表数据,分析每个可疑区域的皮肤变化信息;
第二分析模块,用于基于各所述体内数据,分析每个可疑区域的皮肤变化原因,并基于每个可疑区域的皮肤变化信息、以及每个可疑区域的皮肤变化原因,筛选目标可疑区域;
预测模块,用于基于所述目标可疑区域的皮肤变化信息、以及所述用户的卧床习性信息,通过压疮预测策略,预测所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围,并将所述目标可疑区域的压疮生成时长,以及所述目标可疑区域的压疮生成范围发送至压疮预防设备。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
CN202311639067.5A 2023-11-30 2023-11-30 一种压疮智能预警和预防一体化方法和系统 Active CN117789977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311639067.5A CN117789977B (zh) 2023-11-30 2023-11-30 一种压疮智能预警和预防一体化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311639067.5A CN117789977B (zh) 2023-11-30 2023-11-30 一种压疮智能预警和预防一体化方法和系统

Publications (2)

Publication Number Publication Date
CN117789977A true CN117789977A (zh) 2024-03-29
CN117789977B CN117789977B (zh) 2024-08-20

Family

ID=90390005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311639067.5A Active CN117789977B (zh) 2023-11-30 2023-11-30 一种压疮智能预警和预防一体化方法和系统

Country Status (1)

Country Link
CN (1) CN117789977B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101856293A (zh) * 2010-06-21 2010-10-13 温州医学院 防压疮预警装置
CN104814846A (zh) * 2015-04-22 2015-08-05 陆连芳 一种智能防压疮预警装置
CN105761187A (zh) * 2016-02-15 2016-07-13 苏州慈乐圆投资管理有限公司 一种智能护理管理的报警系统及方法
CN106447660A (zh) * 2016-09-27 2017-02-22 百度在线网络技术(北京)有限公司 图片检测方法和装置
US20170257929A1 (en) * 2016-03-03 2017-09-07 Panasonic Intellectual Property Management Co., Ltd. Control method of information terminal apparatus provided with vibration sensor
CN110403573A (zh) * 2019-07-19 2019-11-05 深圳大学 一种人体压疮易发部位的自动预警方法及系统
JP2020174967A (ja) * 2019-04-19 2020-10-29 株式会社Z−Works 情報処理装置、褥瘡リスク評価方法及び褥瘡リスク評価プログラム
CN112185570A (zh) * 2020-09-15 2021-01-05 姚秀英 一种压力性损伤动态预警系统
CN112289452A (zh) * 2020-10-30 2021-01-29 甘肃省人民医院 一种通过测量压力数据评估压力性损伤的方法
CN112382388A (zh) * 2020-12-14 2021-02-19 中南大学 一种压疮不良事件的预警方法
US20210257087A1 (en) * 2020-02-14 2021-08-19 Taipei Medical University Monitoring system, device and computer-implemented method for monitoring pressure ulcers
WO2021189729A1 (zh) * 2020-03-27 2021-09-30 深圳壹账通智能科技有限公司 复杂关系网络的信息分析方法、装置、设备及存储介质
CN113921105A (zh) * 2021-10-20 2022-01-11 上海爱楷医疗科技有限公司 一种基于大数据和人工智能的成瘾改善方法
KR20220019200A (ko) * 2020-08-07 2022-02-16 주식회사 알파메디아 욕창 방지 시스템
CN115274089A (zh) * 2022-06-06 2022-11-01 安徽省立医院(中国科学技术大学附属第一医院) 一种护理风险评估预警方法及系统
WO2023054768A1 (ko) * 2021-09-30 2023-04-06 주식회사 피플앤드테크놀러지 욕창질환 포착과 단계결정을 위한 딥러닝 모델 시스템, 생성방법 및 이를 이용한 욕창진단 방법
US20230124053A1 (en) * 2021-10-19 2023-04-20 Seohong Tech. Co. Electronic device for managing bedsores based on artificial intelligence model and operating method thereof
CN116077022A (zh) * 2023-01-29 2023-05-09 西安名悦医疗科技有限公司 重症患者压疮预警方法及系统
CN116759045A (zh) * 2023-07-10 2023-09-15 深圳市人民医院 一种基于大数据的卧床病患压疮预防监测管理系统
US20230355166A1 (en) * 2022-05-04 2023-11-09 Ninebell Healthcare Co., Ltd. Artificial intelligece-based posture discrimination device using body pressure sensors and method thereof
KR20230158251A (ko) * 2022-05-11 2023-11-20 건국대학교 산학협력단 신체 정보를 이용한 체력 정보 추정 장치 및 방법

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101856293A (zh) * 2010-06-21 2010-10-13 温州医学院 防压疮预警装置
CN104814846A (zh) * 2015-04-22 2015-08-05 陆连芳 一种智能防压疮预警装置
CN105761187A (zh) * 2016-02-15 2016-07-13 苏州慈乐圆投资管理有限公司 一种智能护理管理的报警系统及方法
US20170257929A1 (en) * 2016-03-03 2017-09-07 Panasonic Intellectual Property Management Co., Ltd. Control method of information terminal apparatus provided with vibration sensor
CN106447660A (zh) * 2016-09-27 2017-02-22 百度在线网络技术(北京)有限公司 图片检测方法和装置
JP2020174967A (ja) * 2019-04-19 2020-10-29 株式会社Z−Works 情報処理装置、褥瘡リスク評価方法及び褥瘡リスク評価プログラム
CN110403573A (zh) * 2019-07-19 2019-11-05 深圳大学 一种人体压疮易发部位的自动预警方法及系统
US20220133216A1 (en) * 2019-07-19 2022-05-05 Shenzhen University Automatic early warning method and system for pressure sore prone part of human body
US20210257087A1 (en) * 2020-02-14 2021-08-19 Taipei Medical University Monitoring system, device and computer-implemented method for monitoring pressure ulcers
WO2021189729A1 (zh) * 2020-03-27 2021-09-30 深圳壹账通智能科技有限公司 复杂关系网络的信息分析方法、装置、设备及存储介质
KR20220019200A (ko) * 2020-08-07 2022-02-16 주식회사 알파메디아 욕창 방지 시스템
CN112185570A (zh) * 2020-09-15 2021-01-05 姚秀英 一种压力性损伤动态预警系统
CN112289452A (zh) * 2020-10-30 2021-01-29 甘肃省人民医院 一种通过测量压力数据评估压力性损伤的方法
CN112382388A (zh) * 2020-12-14 2021-02-19 中南大学 一种压疮不良事件的预警方法
WO2023054768A1 (ko) * 2021-09-30 2023-04-06 주식회사 피플앤드테크놀러지 욕창질환 포착과 단계결정을 위한 딥러닝 모델 시스템, 생성방법 및 이를 이용한 욕창진단 방법
US20230124053A1 (en) * 2021-10-19 2023-04-20 Seohong Tech. Co. Electronic device for managing bedsores based on artificial intelligence model and operating method thereof
CN113921105A (zh) * 2021-10-20 2022-01-11 上海爱楷医疗科技有限公司 一种基于大数据和人工智能的成瘾改善方法
US20230355166A1 (en) * 2022-05-04 2023-11-09 Ninebell Healthcare Co., Ltd. Artificial intelligece-based posture discrimination device using body pressure sensors and method thereof
KR20230158251A (ko) * 2022-05-11 2023-11-20 건국대학교 산학협력단 신체 정보를 이용한 체력 정보 추정 장치 및 방법
CN115274089A (zh) * 2022-06-06 2022-11-01 安徽省立医院(中国科学技术大学附属第一医院) 一种护理风险评估预警方法及系统
CN116077022A (zh) * 2023-01-29 2023-05-09 西安名悦医疗科技有限公司 重症患者压疮预警方法及系统
CN116759045A (zh) * 2023-07-10 2023-09-15 深圳市人民医院 一种基于大数据的卧床病患压疮预防监测管理系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SHUHAO CAO, ET AL: "Research and development of "SMART+" pressure ulcer warning instrument and system", 2021 11TH INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY IN MEDICINE AND EDUCATION (ITME), 1 November 2022 (2022-11-01), pages 314 - 318 *
XIANG, W, ET AL: "The efficacy and safety of moxibustion for pressure injury A protocol for systematic review and meta-analysis", MEDICINE, vol. 101, no. 6, 2 March 2022 (2022-03-02), pages 1 - 4 *
卢静: "基于德尔菲法的手术室压疮预防护理方案的构建及应用", 当代护士, vol. 29, no. 20, 31 July 2022 (2022-07-31), pages 9 - 14 *
杨婷,等: "闭环管理模式结合关键指标在预防医院获得性压疮中的应用研究", 护理研究, vol. 32, no. 15, 31 August 2018 (2018-08-31), pages 2464 - 2467 *

Also Published As

Publication number Publication date
CN117789977B (zh) 2024-08-20

Similar Documents

Publication Publication Date Title
Zhang et al. Automated detection of myocardial infarction using a gramian angular field and principal component analysis network
US11304608B2 (en) Method and apparatus of monitoring foot inflammation
CN108024717B (zh) 确定室性期前收缩(pvc)类型和负荷的系统和方法
CN110033866B (zh) 健康提醒方法、装置、计算机设备及存储介质
JPWO2019044619A1 (ja) 生体情報処理システム、生体情報処理方法、及びコンピュータプログラム
Leite et al. Heartbeat classification with low computational cost using Hjorth parameters
CA2878472A1 (en) System and method for generating composite measures of variability
Veeravalli et al. Real-time, personalized anomaly detection in streaming data for wearable healthcare devices
EP2807625A1 (en) Systems and methods for automatic segment selection for multi-dimensional biomedical signals
EP3494486A1 (en) System monitor and method of system monitoring
WO2011117784A2 (en) Assessment of cardiac health based on heart rate variability
US20220211277A1 (en) Method and apparatus of monitoring foot inflammation
CN118786487A (zh) 使用计算机视觉和机器学习来进行创伤管理和治疗
CN117789977B (zh) 一种压疮智能预警和预防一体化方法和系统
US20240321447A1 (en) Method and System for Personalized Prediction of Infection and Sepsis
KR20220099898A (ko) 뇌파 분석을 이용한 수술후섬망 예측 방법 및 분석장치
Mohamed et al. Intrusion detection based on correlation of multiple health signals in wbsn
Priya et al. Performance analysis of machine learning algorithms for disease prediction
Sörnmo et al. Letter regarding the article “Detecting atrial fibrillation by deep convolutional neural networks” by Xia et al.
Ullah et al. Sepsis detection using extreme gradient boost (XGB): A supervised learning approach
Bellos et al. A support vector machine approach for categorization of patients suffering from chronic diseases
Soleimani et al. Preventing Pressure Ulcers by Image based Posture Detection
US20240144056A1 (en) Method and computing device of establishing prediction model for predicting probability of subject experiencing white coat effect
Kumar et al. A Deep Learning Approach for the Classification of Arrhythmias in ECG Signal
US20230310857A1 (en) Systems and Methods for Seizure Detection Using Compression-Enabled Joint Entropy Estimation

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