CN117838072B - 智能床垫的心血管疾病监控方法、装置、设备及存储介质 - Google Patents
智能床垫的心血管疾病监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117838072B CN117838072B CN202410259643.1A CN202410259643A CN117838072B CN 117838072 B CN117838072 B CN 117838072B CN 202410259643 A CN202410259643 A CN 202410259643A CN 117838072 B CN117838072 B CN 117838072B
- Authority
- CN
- China
- Prior art keywords
- cardiovascular
- feature
- information
- feature set
- cardiovascular disease
- 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
- 208000024172 Cardiovascular disease Diseases 0.000 title claims abstract description 118
- 238000012544 monitoring process Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000002526 effect on cardiovascular system Effects 0.000 claims abstract description 166
- 230000008859 change Effects 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 230000024883 vasodilation Effects 0.000 claims abstract description 30
- 238000003745 diagnosis Methods 0.000 claims abstract description 20
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 17
- 230000008030 elimination Effects 0.000 claims abstract description 9
- 238000003379 elimination reaction Methods 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012797 qualification Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000746 purification Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000002792 vascular Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 5
- 230000000704 physical effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 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
- 230000004044 response Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1115—Monitoring leaving of a patient support, e.g. a bed or a wheelchair
-
- 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
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6892—Mats
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Cardiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computing Systems (AREA)
- Vascular Medicine (AREA)
- Pulmonology (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于智能床垫的心血管疾病监控方法、装置、设备及存储介质。所述方法包括:实时获取用户的心跳信息、血管舒张信息及压力分布矩阵;计算预设时间段内所述心跳信息、血管舒张信息的特征变化得到心血管变动特征集合,及计算预设时间段内所述压力分布矩阵的特征变化得到压力变动特征;对压力变动特征进行心血管特征变化预测操作得到心血管干扰特征集合,并利用所述心血管干扰特征集合对所述心血管变动特征集合进行特征消除操作得到降干扰血管变动特征集合;对所述降干扰血管变动特征集合进行全连接分类判断,得到心血管疾病发病确诊概率。本发明可以对睡眠中的用户进行心血管疾病监控,保护用户的生命安全。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于智能床垫的心血管疾病监控方法、装置、设备及计算机可读存储介质。
背景技术
随着社会产能的提升,人们生活水平逐渐提高,导致人们的饮食结构发生变化,更多的摄入高脂肪、高糖、高盐等不健康食品,容易产生心血管疾病。再加上人们出行变得便利,人们普遍缺乏身体锻炼,更容易造成心血管疾病。
心血管疾病发生时具有明显疼痛感,当在白天并发时,患者更加清醒,更容易呼救得到有效的救治。而当用户在睡眠状态下病发,可能无法及时察觉,且夜晚的医疗资源受到限制,两种因素会导致患者难以及时救助,造成生命危险。
发明内容
本发明提供一种基于智能床垫的心血管疾病监控方法、装置、设备及存储介质,其主要目的在于对睡眠中的用户进行心血管疾病监控,保护用户的生命安全。
为实现上述目的,本发明提供的一种基于智能床垫的心血管疾病监控方法,包括:
利用预构建的智能床垫中的毫米波雷达实时获取用户的心跳信息及血管舒张信息,利用所述智能床垫中的压力传感器实时获取用户的压力分布矩阵;
利用预训练的心血管疾病监控模型,对所述心跳信息及血管舒张信息进行特征工程操作,得到心血管信息特征集合,及对所述压力分布矩阵进行高斯滤波处理,得到降噪压力矩阵;
计算预设时间段内所述心血管信息特征集合的特征变化,得到心血管变动特征集合,及计算所述预设时间段内所述降噪压力矩阵的特征变化,得到压力变动特征;
对所述压力变动特征进行心血管特征变化预测操作,得到心血管干扰特征集合,并利用所述心血管干扰特征集合对所述心血管变动特征集合进行特征消除操作,得到降干扰血管变动特征集合;
对所述降干扰血管变动特征集合进行全连接分类判断,得到心血管疾病发病确诊概率,当所述心血管疾病发病确诊概率大于预设的报警阈值,生成报警提示信息发送至预构建的救护人员。
可选的,所述利用预训练的心血管疾病监控模型,对所述心跳信息及血管舒张信息进行特征工程操作,得到心血管信息特征集合,包括:
利用预训练的心血管疾病监控模型,根据预设的工程算法,对所述心跳信息及血管舒张信息进行预处理操作,得到干净心血管信息集合;
对所述干净心血管信息集合进行特征提取,得到心血管特征集合;
利用皮尔逊相关系数算法,对所述心血管特征集合中各个心血管特征进行相关性分析,并对相关性分析的结果进行热力图配置,得到心血管关联特征集合;
根据决策树算法,对所述心血管关联特征集合中的各个心血管关联特征进行重要性评估,得到特征评估排列表,并获取所述特征评估排列表中重要性评估分数高于的预设阈值的特征,得到心血管信息特征集合。
可选的,所述计算预设时间段内所述心血管信息特征集合的特征变化,得到心血管变动特征集合,包括:
获取秒时间段内所述心血管信息特征集合中各个心血管信息的平均特征、最大特征及最小特征;
在预设的时间段内,根据所述各个心血管信息的平均特征、最大特征及最小特征,计算各个心血管信息的方差值,并将所述方差值大于预设的第一阈值的特征进行提取,得到心血管变动特征集合。
可选的,所述计算所述预设时间段内所述降噪压力矩阵的特征变化,得到压力变动特征,包括:
计算各的单位时间对应的降噪压力矩阵之间的矩阵方差,当矩阵方差大于预设的第二阈值时,将所述矩阵方差定义为有效变动压力方差;
在预设的时间段内,对所有所述有效变动压力方差进行累计,得到有效变动压力方差集合,并对所述有效变动压力方差集合进行特征提取,得到压力变动特征。
可选的,所述对所述压力变动特征进行心血管特征变化预测操作,得到心血管干扰特征集合,包括:
对所述压力变动特征进行基于身体姿势的全连接分类识别,得到身体姿势变化序列;
对所述身体姿势变化序列配备时间特征,得到时间动作变化序列,对所述时间动作变化序列进行全连接层预测,得到与所述心血管信息特征集合中各心血管信息类别相对应的心血管干扰特征集合。
可选的,所述利用预训练的心血管疾病监控模型之前,所述方法还包括:
获取预构建的心血管疾病监控模型,及预构建的训练样本集合;
依次从所述训练样本集合中提取一个目标样本,利用所述心血管疾病监控模型对所述训练样本进行网络正向计算,得到发病率预测结果,并利用预构建的网络中间层接口,得到心血管干扰预测结果;
利用交叉熵损失算法计算所述心血管干扰预测结果与目标样本对应的干扰标签之间的多分类损失值,得到第一损失值,及计算所述发病率预测结果与所述目标样本的真实发病标签的二分类损失,得到第二损失值;
根据梯度下降算法,根据所述第一损失值及第二损失值,进行网络逆向参数更新操作,得到更新心血管疾病监控模型;
判断所述第二损失值是否小于预设的合格阈值;
当所述第二损失值大于或等于所述合格阈值时,返回上述依次从所述训练样本集合中提取一个目标样本的训练过程,对所述更新心血管疾病监控模型进行迭代优化;
当所述第二损失值小于所述合格阈值时,停止训练过程,得到训练完成的心血管疾病监控模型。
可选的,所述心血管疾病监控模型处于所述智能床垫之中,利用边缘计算实时计算用户的心血管疾病发病确诊概率。
为了解决上述问题,本发明还提供一种基于智能床垫的心血管疾病监控装置,所述装置包括:
信息获取模块,用于利用预构建的智能床垫中的毫米波雷达实时获取用户的心跳信息及血管舒张信息,利用所述智能床垫中的压力传感器实时获取用户的压力分布矩阵;
特征提取模块,用于利用预训练的心血管疾病监控模型,对所述心跳信息及血管舒张信息进行特征工程操作,得到心血管信息特征集合,及对所述压力分布矩阵进行高斯滤波处理,得到降噪压力矩阵;
特征提纯模块,用于计算预设时间段内所述心血管信息特征集合的特征变化,得到心血管变动特征集合,及计算所述预设时间段内所述降噪压力矩阵的特征变化,得到压力变动特征,及对所述压力变动特征进行心血管特征变化预测操作,得到心血管干扰特征集合,并利用所述心血管干扰特征集合对所述心血管变动特征集合进行特征消除操作,得到降干扰血管变动特征集合;
疾病监控模块,用于对所述降干扰血管变动特征集合进行全连接分类判断,得到心血管疾病发病确诊概率,当所述心血管疾病发病确诊概率大于预设的报警阈值,生成报警提示信息发送至预构建的救护人员。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于智能床垫的心血管疾病监控方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于智能床垫的心血管疾病监控方法。
本发明实施例首先通过智能床垫获取用户的生理信息,例如心跳信息及血管舒张信息,再获取用户在智能床垫上的压力分布矩阵,其中,通过所述压力分布矩阵可以查看用户是否存在身体上的动作,这些身体动作可以影响身体内的心跳、呼吸、血压等生理信息,从而干扰后续对心血管疾病的预测;本发明通过心血管疾病监控模型先根据压力变化特征捕捉人体运动,然后识别人体运动对用户体内的各指标信息的干扰,从而得到降干扰血管变动特征集合,然后通过神经网络模型计算对心血管疾病发病率进行准确预测。因此,本发明实施例提供的一种基于智能床垫的心血管疾病监控方法、装置、设备及存储介质,能够对睡眠中的用户进行心血管疾病监控,保护用户的生命安全。
附图说明
图1为本发明一实施例提供的基于智能床垫的心血管疾病监控方法的流程示意图;
图2为本发明一实施例提供的基于智能床垫的心血管疾病监控方法中一个步骤的详细流程示意图;
图3为本发明一实施例提供的基于智能床垫的心血管疾病监控方法中一个步骤的详细流程示意图;
图4为本发明一实施例提供的基于智能床垫的心血管疾病监控装置的功能模块图;
图5为本发明一实施例提供的实现所述基于智能床垫的心血管疾病监控方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于智能床垫的心血管疾病监控方法。本申请实施例中,所述基于智能床垫的心血管疾病监控方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于智能床垫的心血管疾病监控方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于智能床垫的心血管疾病监控方法的流程示意图。在本实施例中,所述基于智能床垫的心血管疾病监控方法包括:
S1、利用预构建的智能床垫中的毫米波雷达实时获取用户的心跳信息及血管舒张信息,利用所述智能床垫中的压力传感器实时获取用户的压力分布矩阵。
本发明实施例中,所述智能床垫包括毫米波雷达、压力传感器及边缘计算处理器。
其中,所述毫米波雷达工作在高频段,具有较短的波长,使得毫米波雷达能够实现更高的分辨率和精度,此外毫米波雷达还有抗干扰性与人体穿透性,能够准确识别人体生理信息,本发明以心血管疾病监控为例,主要采集心跳信息及血管舒张信息。
所述压力传感器可以获取用户躺在智能床垫上的受力分布情况,可以侧面反映出用户姿势是否发生变化,从而降低身体变化对于体内各生理指标造成的干扰。
所述边缘计算处理器是指实时接收毫米波雷达及压力传感器采集的数据,并无需上传网络中心,直接在本地进行计算的组件,大大缓解被采集数据的传输压力,提高响应速度。
S2、利用预训练的心血管疾病监控模型,对所述心跳信息及血管舒张信息进行特征工程操作,得到心血管信息特征集合,及对所述压力分布矩阵进行高斯滤波处理,得到降噪压力矩阵。
本发明实施例中,所述心血管疾病监控模型是一种基于Transformer的神经网络模型,其中需要训练的部分包括用户动作识别网路与心血管疾病预测网络。所述用户动作识别网路用于根据压力分布矩阵的变化而推断出用户姿势的变化,从而推断动作对人体指标的影响。所述心血管疾病预测网络用于根据心血管变动特征预测心血管疾病是否即将或已经病发。
详细地,参考图2所示,本发明实施例中,所述利用预训练的心血管疾病监控模型,对所述心跳信息及血管舒张信息进行特征工程操作,得到心血管信息特征集合,包括:
S21、利用预训练的心血管疾病监控模型,根据预设的工程算法,对所述心跳信息及血管舒张信息进行预处理操作,得到干净心血管信息集合;
S22、对所述干净心血管信息集合进行特征提取,得到心血管特征集合;
S23、利用皮尔逊相关系数算法,对所述心血管特征集合中各个心血管特征进行相关性分析,并对相关性分析的结果进行热力图配置,得到心血管关联特征集合;
S24、根据决策树算法,对所述心血管关联特征集合中的各个心血管关联特征进行重要性评估,得到特征评估排列表,并获取所述特征评估排列表中重要性评估分数高于预设阈值的特征,得到心血管信息特征集合。
本发明实施例利用预设的工程算法对所述心跳信息及血管舒张信息进行特征工程操作,得到心血管信息特征集合。其中,所述预设工程算法是指对原始数据进行处理和转换,以提取出具有代表性和有用的特征的方法。本发明根据所述工程算法能够获取心跳信息及血管舒张信息中的有用信息。
本发明实施例中在数据采集阶段先通过除噪声、填补缺失值、标准化等预处理方法,确保数据的质量和一致性。然后再通过特征提取将全部特征进行提取出来,最后通过统计方法对各个特征进行重要性评估,从而得到心血管信息特征集合。
具体的,本发明实施例中,先通过相关系数对全部的心血管特征集合进行相关性分析,了解特征之间的相关性强弱。其中,所述相关系数是一种常见的方法来评估特征之间的线性相关性,本发明采用皮尔逊相关系数对数据进行评估,所述皮尔逊相关系数衡量了两个变量之间的线性关系的强度和方向。它的取值范围在-1到1之间,其中-1表示完全负相关,1表示完全正相关,0表示无相关性。
本发明实施例进一步根据相关性分析结果进行热力图配置,得到心血管关联特征集合,这样可以可视化增强信息间的关联。
最后,本发明实施例通过决策树算法对所述心血管关联特征集合中的各个心血管关联特征进行重要性评估,得到特征评估排列表。
其中,决策树算法是指:将数据集划分为特征矩阵和目标变量。特征矩阵包含所有的特征,目标变量是需要预测或分类的变量;使用决策树算法对数据进行训练,可以使用交叉验证等方法来选择最佳的模型参数;根据训练好的模型,可以使用节点分裂准则(如信息增益、基尼系数)来计算特征的重要性。
本发明实施例中获取所述特征评估排列表中重要性评估分数高于的预设阈值的特征,得到心血管信息特征集合。
进一步地,本发明实施例中,所述利用预训练的心血管疾病监控模型之前,所述方法还包括:
获取预构建的心血管疾病监控模型,及预构建的训练样本集合;
依次从所述训练样本集合中提取一个目标样本,利用所述心血管疾病监控模型对所述训练样本进行网络正向计算,得到发病率预测结果,并利用预构建的网络中间层接口,得到心血管干扰预测结果;
利用交叉熵损失算法计算所述心血管干扰预测结果与目标样本对应的干扰标签之间的多分类损失值,得到第一损失值,及计算所述发病率预测结果与所述目标样本的真实发病标签的二分类损失,得到第二损失值;
根据梯度下降算法,根据所述第一损失值及第二损失值,进行网络逆向参数更新操作,得到更新心血管疾病监控模型;
判断所述第二损失值是否小于预设的合格阈值;
当所述第二损失值大于或等于所述合格阈值时,返回上述依次从所述训练样本集合中提取一个目标样本的训练过程,对所述更新心血管疾病监控模型进行迭代优化;
当所述损失值小于所述合格阈值时,停止训练过程,得到训练完成的心血管疾病监控模型。
本发明实施例中需要训练两个网络部分,因此利用预构建的网络中间层接口,获取得到心血管干扰预测结果,再通过最终模型输出接口获取发病率预测结果,进而根据交叉熵损失算法计算得到第一损失值与第二损失值。本发明实施例中所述心血管干扰预测结果对所述发病率预测结果的计算具有前提作用,因此只有当心血管干扰预测结果识别准确后,所述发病率预测结果才会准确,因此,本发明实施例只需要控制第二损失值即可把握模型的训练进程。
本发明实施例中通过配置一个合格阈值,如零点零几,当模型的第二损失值小于所述合格阈值,则表明模型已经具有良好的准确度,因此,可以停止训练过程,得到训练完成的心血管疾病监控模型。
S3、计算预设时间段内所述心血管信息特征集合的特征变化,得到心血管变动特征集合,及计算所述预设时间段内所述降噪压力矩阵的特征变化,得到压力变动特征。
详细地,本发明实施例中,所述计算预设时间段内所述心血管信息特征集合的特征变化,得到心血管变动特征集合,包括:
获取秒时间段内所述心血管信息特征集合中各个心血管信息的平均特征、最大特征及最小特征;
在预设的时间段内,根据所述各个心血管信息的平均特征、最大特征及最小特征,计算各个心血管信息的方差值,并将所述方差值大于预设的第一阈值的特征进行提取,得到心血管变动特征集合。
进一步地,本发明实施例中,所述计算所述预设时间段内所述降噪压力矩阵的特征变化,得到压力变动特征,包括:
计算各的单位时间对应的降噪压力矩阵之间的矩阵方差,当矩阵方差大于预设的第二阈值时,将所述矩阵方差定义为有效变动压力方差;
在预设的时间段内,对所有所述有效变动压力方差进行累计,得到有效变动压力方差集合,并对所述有效变动压力方差集合进行特征提取,得到压力变动特征。
详细地,本发明实施例中,所述为3秒,即每9秒为一个计算阶段,每1秒获取一次降噪压力矩阵。
因此,生理指标信息部分先计算3秒内所述心血管信息特征集合中各个心血管信息的【平均特征、最大特征及最小特征】,然后对相连的三个【平均特征、最大特征及最小特征】进行方差计算,并将方差计算结果与第一阈值进行比较,得到心血管变动特征集合。
然后,压力分布部分再计算每一相邻帧对应的降噪压力矩阵之间的矩阵方差,并与第二阈值进行对比,得到压力变动特征。其中,所述第一阈值与第二阈值相互独立,取决于测试时的实验数据及经验数据。
S4、对所述压力变动特征进行心血管特征变化预测操作,得到心血管干扰特征集合,并利用所述心血管干扰特征集合对所述心血管变动特征集合进行特征消除操作,得到降干扰血管变动特征集合。
详细地,参考图3所示,本发明实施例中,所述对所述压力变动特征进行心血管特征变化预测操作,得到心血管干扰特征集合,包括:
S41、对所述压力变动特征进行基于身体姿势的全连接分类识别,得到身体姿势变化序列;
S42、对所述身体姿势变化序列配备时间特征,得到时间动作变化序列,对所述时间动作变化序列进行全连接层预测,得到与所述心血管信息特征集合中各心血管信息类别相对应的心血管干扰特征集合。
本发明实施例中先根据压力变动特征计算出身体姿势变化序列,然后查看各个身体姿势变化序列是否剧烈,因此,将时间特征进行拼接,时间越短,动作越剧烈,对人体内各生理指标的影响就越大。
当时间特征拼接完成后,通过预构建的全连接层进行全连接分类判断,得到各个类型指标的心血管干扰特征集合。然而,所述心血管信息特征集合经过特征工程操作之后只包括部分重要指标,因此,所述心血管干扰特征集合在输出时也只需要这些重要指标。
进一步地,本发明实施例将所述心血管干扰特征集合与所述心血管变动特征集合进行对齐,确保心血管干扰特征和检测到的心血管特征集合在相同的时间点上,然后将心血管干扰特征集合从所述心血管变动特征集合剔除,得到降干扰血管变动特征集合。
S5、对所述降干扰血管变动特征集合进行全连接分类判断,得到心血管疾病发病确诊概率,当所述心血管疾病发病确诊概率大于预设的报警阈值,生成报警提示信息发送至预构建的救护人员。
本发明实施例中利用所述心血管疾病监控模型的心血管疾病预测网络部分,即可对所述降干扰血管变动特征集合进行全连接分类判断,得到心血管疾病发病确诊概率。
然后本发明实施例中配置一个报警阈值,例如60%,当所述心血管疾病发病确诊概率大于60%,则生成报警提示信息发送至预构建的救护人员,保证用户得到及时救治。其中,所述救护人员可以与医护救援人员、家庭成员等进行多种通信方式绑定操作。
本发明实施例首先通过智能床垫获取用户的生理信息,例如心跳信息及血管舒张信息,再获取用户在智能床垫上的压力分布矩阵,其中,通过所述压力分布矩阵可以查看用户是否存在身体上的动作,这些身体动作可以影响身体内的心跳、呼吸、血压等生理信息,从而干扰后续对心血管疾病的预测;本发明通过心血管疾病监控模型先根据压力变化特征捕捉人体运动,然后识别人体运动对用户体内的各指标信息的干扰,从而得到降干扰血管变动特征集合,然后通过神经网络模型计算对心血管疾病发病率进行准确预测。因此,本发明实施例提供的一种基于智能床垫的心血管疾病监控方法,能够对睡眠中的用户进行心血管疾病监控,保护用户的生命安全。
如图4所示,是本发明一实施例提供的基于智能床垫的心血管疾病监控装置的功能模块图。
本发明所述基于智能床垫的心血管疾病监控装置100可以安装于电子设备中。根据实现的功能,所述基于智能床垫的心血管疾病监控装置100可以包括信息获取模块101、特征提取模块102、特征提纯模块103及疾病监控模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述信息获取模块101,用于利用预构建的智能床垫中的毫米波雷达实时获取用户的心跳信息及血管舒张信息,利用所述智能床垫中的压力传感器实时获取用户的压力分布矩阵;
所述特征提取模块102,用于利用预训练的心血管疾病监控模型,对所述心跳信息及血管舒张信息进行特征工程操作,得到心血管信息特征集合,及对所述压力分布矩阵进行高斯滤波处理,得到降噪压力矩阵;
所述特征提纯模块103,用于计算预设时间段内所述心血管信息特征集合的特征变化,得到心血管变动特征集合,及计算所述预设时间段内所述降噪压力矩阵的特征变化,得到压力变动特征,及对所述压力变动特征进行心血管特征变化预测操作,得到心血管干扰特征集合,并利用所述心血管干扰特征集合对所述心血管变动特征集合进行特征消除操作,得到降干扰血管变动特征集合;
所述疾病监控模块104,用于对所述降干扰血管变动特征集合进行全连接分类判断,得到心血管疾病发病确诊概率,当所述心血管疾病发病确诊概率大于预设的报警阈值,生成报警提示信息发送至预构建的救护人员。
详细地,本申请实施例中所述基于智能床垫的心血管疾病监控装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于智能床垫的心血管疾病监控方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于智能床垫的心血管疾病监控方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于智能床垫的心血管疾病监控程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于智能床垫的心血管疾病监控程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于智能床垫的心血管疾病监控程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于智能床垫的心血管疾病监控程序是多个指令的组合,在所述处理器10中运行时,可以实现:
利用预构建的智能床垫中的毫米波雷达实时获取用户的心跳信息及血管舒张信息,利用所述智能床垫中的压力传感器实时获取用户的压力分布矩阵;
利用预训练的心血管疾病监控模型,对所述心跳信息及血管舒张信息进行特征工程操作,得到心血管信息特征集合,及对所述压力分布矩阵进行高斯滤波处理,得到降噪压力矩阵;
计算预设时间段内所述心血管信息特征集合的特征变化,得到心血管变动特征集合,及计算所述预设时间段内所述降噪压力矩阵的特征变化,得到压力变动特征;
对所述压力变动特征进行心血管特征变化预测操作,得到心血管干扰特征集合,并利用所述心血管干扰特征集合对所述心血管变动特征集合进行特征消除操作,得到降干扰血管变动特征集合;
对所述降干扰血管变动特征集合进行全连接分类判断,得到心血管疾病发病确诊概率,当所述心血管疾病发病确诊概率大于预设的报警阈值,生成报警提示信息发送至预构建的救护人员。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
利用预构建的智能床垫中的毫米波雷达实时获取用户的心跳信息及血管舒张信息,利用所述智能床垫中的压力传感器实时获取用户的压力分布矩阵;
利用预训练的心血管疾病监控模型,对所述心跳信息及血管舒张信息进行特征工程操作,得到心血管信息特征集合,及对所述压力分布矩阵进行高斯滤波处理,得到降噪压力矩阵;
计算预设时间段内所述心血管信息特征集合的特征变化,得到心血管变动特征集合,及计算所述预设时间段内所述降噪压力矩阵的特征变化,得到压力变动特征;
对所述压力变动特征进行心血管特征变化预测操作,得到心血管干扰特征集合,并利用所述心血管干扰特征集合对所述心血管变动特征集合进行特征消除操作,得到降干扰血管变动特征集合;
对所述降干扰血管变动特征集合进行全连接分类判断,得到心血管疾病发病确诊概率,当所述心血管疾病发病确诊概率大于预设的报警阈值,生成报警提示信息发送至预构建的救护人员。
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,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
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或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,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 (9)
1.一种基于智能床垫的心血管疾病监控方法,其特征在于,所述方法包括:
利用预构建的智能床垫中的毫米波雷达实时获取用户的心跳信息及血管舒张信息,利用所述智能床垫中的压力传感器实时获取用户的压力分布矩阵;
利用预训练的心血管疾病监控模型,对所述心跳信息及血管舒张信息进行特征工程操作,得到心血管信息特征集合,及对所述压力分布矩阵进行高斯滤波处理,得到降噪压力矩阵,其中,所述利用预训练的心血管疾病监控模型,对所述心跳信息及血管舒张信息进行特征工程操作,得到心血管信息特征集合,包括:
利用预训练的心血管疾病监控模型,根据预设的工程算法,对所述心跳信息及血管舒张信息进行预处理操作,得到干净心血管信息集合;
对所述干净心血管信息集合进行特征提取,得到心血管特征集合;
利用皮尔逊相关系数算法,对所述心血管特征集合中各个心血管特征进行相关性分析,并对相关性分析的结果进行热力图配置,得到心血管关联特征集合;
根据决策树算法,对所述心血管关联特征集合中的各个心血管关联特征进行重要性评估,得到特征评估排列表,并获取所述特征评估排列表中重要性评估分数高于的预设阈值的特征,得到心血管信息特征集合;
计算预设时间段内所述心血管信息特征集合的特征变化,得到心血管变动特征集合,及计算所述预设时间段内所述降噪压力矩阵的特征变化,得到压力变动特征;
对所述压力变动特征进行心血管特征变化预测操作,得到心血管干扰特征集合,并利用所述心血管干扰特征集合对所述心血管变动特征集合进行特征消除操作,得到降干扰血管变动特征集合;
对所述降干扰血管变动特征集合进行全连接分类判断,得到心血管疾病发病确诊概率,当所述心血管疾病发病确诊概率大于预设的报警阈值,生成报警提示信息发送至预构建的救护人员。
2.如权利要求1所述的基于智能床垫的心血管疾病监控方法,其特征在于,所述计算预设时间段内所述心血管信息特征集合的特征变化,得到心血管变动特征集合,包括:
获取秒时间段内所述心血管信息特征集合中各个心血管信息的平均特征、最大特征及最小特征;
在预设的时间段内,根据所述各个心血管信息的平均特征、最大特征及最小特征,计算各个心血管信息的方差值,并将所述方差值大于预设的第一阈值的特征进行提取,得到心血管变动特征集合。
3.如权利要求2所述的基于智能床垫的心血管疾病监控方法,其特征在于,所述计算所述预设时间段内所述降噪压力矩阵的特征变化,得到压力变动特征,包括:
计算各的单位时间对应的降噪压力矩阵之间的矩阵方差,当矩阵方差大于预设的第二阈值时,将所述矩阵方差定义为有效变动压力方差;
在预设的时间段内,对所有所述有效变动压力方差进行累计,得到有效变动压力方差集合,并对所述有效变动压力方差集合进行特征提取,得到压力变动特征。
4.如权利要求1所述的基于智能床垫的心血管疾病监控方法,其特征在于,所述对所述压力变动特征进行心血管特征变化预测操作,得到心血管干扰特征集合,包括:
对所述压力变动特征进行基于身体姿势的全连接分类识别,得到身体姿势变化序列;
对所述身体姿势变化序列配备时间特征,得到时间动作变化序列,对所述时间动作变化序列进行全连接层预测,得到与所述心血管信息特征集合中各心血管信息类别相对应的心血管干扰特征集合。
5.如权利要求1所述的基于智能床垫的心血管疾病监控方法,其特征在于,所述利用预训练的心血管疾病监控模型之前,所述方法还包括:
获取预构建的心血管疾病监控模型,及预构建的训练样本集合;
依次从所述训练样本集合中提取一个目标样本,利用所述心血管疾病监控模型对所述训练样本进行网络正向计算,得到发病率预测结果,并利用预构建的网络中间层接口,得到心血管干扰预测结果;
利用交叉熵损失算法计算所述心血管干扰预测结果与目标样本对应的干扰标签之间的多分类损失值,得到第一损失值,及计算所述发病率预测结果与所述目标样本的真实发病标签的二分类损失,得到第二损失值;
根据梯度下降算法,根据所述第一损失值及第二损失值,进行网络逆向参数更新操作,得到更新心血管疾病监控模型;
判断所述第二损失值是否小于预设的合格阈值;
当所述第二损失值大于或等于所述合格阈值时,返回上述依次从所述训练样本集合中提取一个目标样本的训练过程,对所述更新心血管疾病监控模型进行迭代优化;
当所述第二损失值小于所述合格阈值时,停止训练过程,得到训练完成的心血管疾病监控模型。
6.如权利要求1所述的基于智能床垫的心血管疾病监控方法,其特征在于,所述心血管疾病监控模型处于所述智能床垫之中,利用边缘计算实时计算用户的心血管疾病发病确诊概率。
7.一种基于智能床垫的心血管疾病监控装置,其特征在于,所述装置包括:
信息获取模块,用于利用预构建的智能床垫中的毫米波雷达实时获取用户的心跳信息及血管舒张信息,利用所述智能床垫中的压力传感器实时获取用户的压力分布矩阵;
特征提取模块,用于利用预训练的心血管疾病监控模型,对所述心跳信息及血管舒张信息进行特征工程操作,得到心血管信息特征集合,及对所述压力分布矩阵进行高斯滤波处理,得到降噪压力矩阵,其中,所述利用预训练的心血管疾病监控模型,对所述心跳信息及血管舒张信息进行特征工程操作,得到心血管信息特征集合,包括:利用预训练的心血管疾病监控模型,根据预设的工程算法,对所述心跳信息及血管舒张信息进行预处理操作,得到干净心血管信息集合;对所述干净心血管信息集合进行特征提取,得到心血管特征集合;利用皮尔逊相关系数算法,对所述心血管特征集合中各个心血管特征进行相关性分析,并对相关性分析的结果进行热力图配置,得到心血管关联特征集合;根据决策树算法,对所述心血管关联特征集合中的各个心血管关联特征进行重要性评估,得到特征评估排列表,并获取所述特征评估排列表中重要性评估分数高于的预设阈值的特征,得到心血管信息特征集合;
特征提纯模块,用于计算预设时间段内所述心血管信息特征集合的特征变化,得到心血管变动特征集合,及计算所述预设时间段内所述降噪压力矩阵的特征变化,得到压力变动特征,及对所述压力变动特征进行心血管特征变化预测操作,得到心血管干扰特征集合,并利用所述心血管干扰特征集合对所述心血管变动特征集合进行特征消除操作,得到降干扰血管变动特征集合;
疾病监控模块,用于对所述降干扰血管变动特征集合进行全连接分类判断,得到心血管疾病发病确诊概率,当所述心血管疾病发病确诊概率大于预设的报警阈值,生成报警提示信息发送至预构建的救护人员。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的基于智能床垫的心血管疾病监控方法。
9.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于智能床垫的心血管疾病监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410259643.1A CN117838072B (zh) | 2024-03-07 | 2024-03-07 | 智能床垫的心血管疾病监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410259643.1A CN117838072B (zh) | 2024-03-07 | 2024-03-07 | 智能床垫的心血管疾病监控方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117838072A CN117838072A (zh) | 2024-04-09 |
CN117838072B true CN117838072B (zh) | 2024-05-28 |
Family
ID=90529092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410259643.1A Active CN117838072B (zh) | 2024-03-07 | 2024-03-07 | 智能床垫的心血管疾病监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117838072B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM486395U (zh) * | 2014-04-22 | 2014-09-21 | Sheng-Rong Huang | 多功能非侵入式智慧型心血管監測與診斷裝置 |
WO2020248847A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
CN113556971A (zh) * | 2019-05-27 | 2021-10-26 | 赢创运营有限公司 | 用于监测生理参数的系统 |
CN116687394A (zh) * | 2023-08-04 | 2023-09-05 | 亿慧云智能科技(深圳)股份有限公司 | 基于毫米波雷达的摔倒检测方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023150172A1 (en) * | 2022-02-02 | 2023-08-10 | Sleep Number Corporation | Bed with features for determining risk of congestive heart failure |
-
2024
- 2024-03-07 CN CN202410259643.1A patent/CN117838072B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM486395U (zh) * | 2014-04-22 | 2014-09-21 | Sheng-Rong Huang | 多功能非侵入式智慧型心血管監測與診斷裝置 |
CN113556971A (zh) * | 2019-05-27 | 2021-10-26 | 赢创运营有限公司 | 用于监测生理参数的系统 |
WO2020248847A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
CN116687394A (zh) * | 2023-08-04 | 2023-09-05 | 亿慧云智能科技(深圳)股份有限公司 | 基于毫米波雷达的摔倒检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117838072A (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
CN111657888A (zh) | 重度急性呼吸窘迫综合症预警方法及系统 | |
CN108461152A (zh) | 医疗模型训练方法、医疗识别方法、装置、设备及介质 | |
CN116942149B (zh) | 基于毫米波雷达的腰椎监控方法、装置、设备及存储介质 | |
CN116311539B (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
CN113270197A (zh) | 一种基于人工智能的健康预测方法、系统及存储介质 | |
CN113674858B (zh) | 在线医疗处方用药智能检查方法、装置、设备及存储介质 | |
CN113707337B (zh) | 基于多源数据的疾病预警方法、装置、设备及存储介质 | |
CN113990482A (zh) | 健康数据处理系统及方法 | |
CN107563997B (zh) | 一种皮肤病诊断系统、构建方法、分类方法和诊断装置 | |
CN114334175B (zh) | 医院疫情监测方法、装置、计算机设备及存储介质 | |
CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
CN114343585B (zh) | 认知和行为障碍的预警方法、装置、设备及存储介质 | |
CN116681923A (zh) | 一种基于人工智能的眼科疾病自动分类方法及系统 | |
CN117393109A (zh) | 场景自适应的饮食监控方法、装置、设备及存储介质 | |
CN117838072B (zh) | 智能床垫的心血管疾病监控方法、装置、设备及存储介质 | |
CN112530602A (zh) | 药品副作用分析方法、装置、电子设备及计算机存储介质 | |
CN112783949B (zh) | 人体数据预测方法、装置、电子设备和存储介质 | |
KR102541362B1 (ko) | 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법 | |
EP3255593A1 (en) | Performance analysing and forecasting system | |
CN113205053A (zh) | 一种癫痫患者病房安全监测方法及系统 | |
CN114388125A (zh) | 基于人机交互的体质辨识方法、系统及存储介质 | |
CN113724891A (zh) | 医院疫情监测方法、装置及相关设备 | |
CN113780457A (zh) | 中医资源消耗的异常检测方法、装置、设备及介质 | |
CN116687357B (zh) | 基于毫米波雷达的睡眠监测方法、装置、设备及存储介质 |
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 |