CN118486468A - 基于5g物联网技术的患者护理智能预警系统及方法 - Google Patents
基于5g物联网技术的患者护理智能预警系统及方法 Download PDFInfo
- Publication number
- CN118486468A CN118486468A CN202410917744.3A CN202410917744A CN118486468A CN 118486468 A CN118486468 A CN 118486468A CN 202410917744 A CN202410917744 A CN 202410917744A CN 118486468 A CN118486468 A CN 118486468A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature vector
- heart rate
- training
- vital sign
- 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
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 22
- 208000006011 Stroke Diseases 0.000 claims abstract description 60
- 230000010354 integration Effects 0.000 claims abstract description 60
- 230000000474 nursing effect Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 313
- 238000012549 training Methods 0.000 claims description 146
- 239000008280 blood Substances 0.000 claims description 121
- 210000004369 blood Anatomy 0.000 claims description 121
- 230000036772 blood pressure Effects 0.000 claims description 121
- 239000011159 matrix material Substances 0.000 claims description 102
- 230000004927 fusion Effects 0.000 claims description 89
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 67
- 239000008103 glucose Substances 0.000 claims description 67
- 238000012544 monitoring process Methods 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000023516 stroke disease Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种基于5G物联网技术的患者护理智能预警系统及方法，涉及智能预警技术领域，其采用基于深度学习的人工智能技术对患者的多项生命体征数据进行持续监测分析，捕捉到各项生命体征数据的时序变化模式，并通过对患者各项生命体征数据的时序变化模式特征进行元素级动态整合，以获取多模态的患者生命体征时序模式信息，从而智能评判患者发生中风的几率。这样，可以及时发现患者潜在的中风风险，增强了医护人员对患者安全风险的预见性，从而有效地提高了护理服务的效率和质量。
Description
技术领域
本申请涉及智能预警技术领域，且更为具体地，涉及一种基于5G物联网技术的患者护理智能预警系统及方法。
背景技术
在医疗护理领域，随着物联网技术的快速发展，实时、准确地监控患者生命体征数据，进而进行风险预警已经成为研究的热点。特别是在中风等急性病症的预防和早期发现方面，通过实时监测和分析患者的生命体征数据，可以及时发现潜在的健康风险，为患者提供及时的医疗干预。然而，传统的患者护理预警系统大多基于单一的生命体征数据进行分析，忽略了多模态生命体征数据之间的关联性和互补性，导致预警结果的准确性和可靠性受限。
现有技术中，有一些研究尝试将多模态数据融合技术应用于医疗护理领域。然而，这些研究大多关注于静态数据的融合，缺乏对动态数据的有效处理和分析。如何实现不同数据源之间的有效整合和同步，成为了一个具有挑战性的问题。因此，期待一种优化的基于5G物联网技术的患者护理智能预警系统及方法。
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，提供了一种基于5G物联网技术的患者护理智能预警系统，其包括：
生命体征监控模块，用于通过可穿戴设备采集被监控患者对象的生命体征数据的时间序列，其中，所述生命体征数据包括心率值、血压值和血糖水平；
生命体征数据传输模块，用于将所述生命体征数据的时间序列通过5G网络传输至远程监控服务器；
时序模式特征提取模块，用于在所述远程监控服务器，对所述生命体征数据的时间序列进行基于参数样本维度的时序模式特征提取以得到心率时序关联特征向量、血压时序关联特征向量和血糖水平时序关联特征向量；
元素级信息整合模块，用于在所述远程监控服务器，对所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量进行元素级动态整合以得到生命体征多模态时序融合特征向量；
中风风险预警模块，用于在所述远程监控服务器，基于所述生命体征多模态时序融合特征向量，确定所述被监控患者对象中风的风险预警结果。
在上述基于5G物联网技术的患者护理智能预警系统中，所述时序模式特征提取模块，包括：数据规整单元，用于将所述生命体征数据的时间序列分别按照参数样本维度进行数据规整以得到心率值的时间序列、血压值的时间序列和血糖水平的时间序列；空间协方差矩阵构造单元，用于构造所述心率值的时间序列、所述血压值的时间序列和所述血糖水平的时间序列的空间协方差矩阵以得到心率值时序空间协方差矩阵、血压值时序空间协方差矩阵和血糖水平时序空间协方差矩阵；时序关联编码单元，用于将所述心率值时序空间协方差矩阵、所述血压值时序空间协方差矩阵和所述血糖水平时序空间协方差矩阵通过基于卷积层的时序模式特征提取器以得到所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量。
在上述基于5G物联网技术的患者护理智能预警系统中，所述空间协方差矩阵构造单元，用于：将所述心率值的时间序列按照时间维度排列为心率值时序输入向量；将所述心率值时序输入向量乘以自身的转置向量以得到心率值时序自相关矩阵；将所述心率值时序自相关矩阵除以其对角线元素之和以得到所述心率值时序空间协方差矩阵。
在上述基于5G物联网技术的患者护理智能预警系统中，所述元素级信息整合模块，包括：共空间嵌入单元，用于将所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量通过基于全连接层的共空间嵌入映射器以得到共空间嵌入心率时序关联特征向量、共空间嵌入血压时序关联特征向量和共空间嵌入血糖水平时序关联特征向量；多模态时序融合单元，用于将所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量通过特征元素级动态整合模块以得到所述生命体征多模态时序融合特征向量。
在上述基于5G物联网技术的患者护理智能预警系统中，所述多模态时序融合单元，包括：信息整合平衡门限计算子单元，用于计算所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量之间的信息整合平衡门限值；特征逐元素融合子单元，用于基于所述信息整合平衡门限值，对所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量进行特征逐元素融合以得到所述生命体征多模态时序融合特征向量。
在上述基于5G物联网技术的患者护理智能预警系统中，所述信息整合平衡门限计算子单元，用于：将所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量进行级联以得到多模态生命体征级联特征向量；将所述多模态生命体征级联特征向量和变换向量进行相乘以得到门限打分系数；将所述门限打分系数和预定偏置参数进行相加以得到偏置门限打分系数；将所述偏置门限打分系数通过sigmoid激活函数以得到所述信息整合平衡门限值。
在上述基于5G物联网技术的患者护理智能预警系统中，所述特征逐元素融合子单元，用于：分别计算所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量的各个特征值的以自然常数为底的指数函数值以得到指数化心率时序关联特征向量、指数化血压时序关联特征向量和指数化血糖水平时序关联特征向量；基于所述信息整合平衡门限值确定第一权重、第二权重和第三权重，其中，所述第一权重为所述信息整合平衡门限值，所述第二权重为预定权重超参数，所述第三权重为一与所述第一权重和所述第二权重之和的差值；以所述第一权重对所述指数化心率时序关联特征向量进行逐位置加权以得到加权心率时序关联特征向量，以所述第二权重对所述指数化血压时序关联特征向量进行逐位置加权以得到加权血压时序关联特征向量，以所述第三权重对所述指数化血糖水平时序关联特征向量进行逐位置加权以得到加权血糖水平时序关联特征向量；对所述加权心率时序关联特征向量、所述加权血压时序关联特征向量和所述加权血糖水平时序关联特征向量进行对应元素相加以得到所述生命体征多模态时序融合特征向量。
在上述基于5G物联网技术的患者护理智能预警系统中，所述中风风险预警模块，用于：将所述生命体征多模态时序融合特征向量通过基于分类器的中风风险预警模块以得到所述风险预警结果，所述风险预警结果用于表示被监控患者对象发生中风的几率是否超过预设阈值。
在上述基于5G物联网技术的患者护理智能预警系统中，还包括用于对所述基于卷积层的时序模式特征提取器、所述基于全连接层的共空间嵌入映射器、所述特征元素级动态整合模块和所述基于分类器的中风风险预警模块进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括由可穿戴设备采集的被监控患者对象的训练生命体征数据的时间序列，以及被监控患者对象发生中风的几率是否超过预设阈值的真实值，其中，所述训练生命体征数据包括心率值、血压值和血糖水平；训练数据传输单元，用于将所述训练生命体征数据的时间序列通过5G网络传输至远程监控服务器；训练数据规整单元，用于将所述训练生命体征数据的时间序列分别按照参数样本维度进行数据规整以得到训练心率值的时间序列、训练血压值的时间序列和训练血糖水平的时间序列；训练数据协方差矩阵计算单元，用于构造所述训练心率值的时间序列、所述训练血压值的时间序列和所述训练血糖水平的时间序列的空间协方差矩阵以得到训练心率值时序空间协方差矩阵、训练血压值时序空间协方差矩阵和训练血糖水平时序空间协方差矩阵；训练数据时序模式特征提取单元，用于将所述训练心率值时序空间协方差矩阵、所述训练血压值时序空间协方差矩阵和所述训练血糖水平时序空间协方差矩阵通过所述基于卷积层的时序模式特征提取器以得到训练心率时序关联特征向量、训练血压时序关联特征向量和训练血糖水平时序关联特征向量；训练数据共空间嵌入单元，用于将所述训练心率时序关联特征向量、所述训练血压时序关联特征向量和所述训练血糖水平时序关联特征向量通过所述基于全连接层的共空间嵌入映射器以得到训练共空间嵌入心率时序关联特征向量、训练共空间嵌入血压时序关联特征向量和训练共空间嵌入血糖水平时序关联特征向量；训练数据特征整合单元，用于将所述训练共空间嵌入心率时序关联特征向量、所述训练共空间嵌入血压时序关联特征向量和所述训练共空间嵌入血糖水平时序关联特征向量通过所述特征元素级动态整合模块以得到训练生命体征多模态时序融合特征向量；分类损失单元，用于将所述训练生命体征多模态时序融合特征向量通过所述基于分类器的中风风险预警模块以得到类概率值和分类损失函数值；多分布噪声损失单元，用于基于所述类概率值，计算分布度量损失函数值；模型训练单元，用于以所述分类损失函数值和所述分布度量损失函数值的加权和作为损失函数值对所述基于卷积层的时序模式特征提取器、所述基于全连接层的共空间嵌入映射器、所述特征元素级动态整合模块和所述基于分类器的中风风险预警模块进行训练。
根据本申请的另一个方面，提供了一种基于5G物联网技术的患者护理智能预警方法，其包括：
通过可穿戴设备采集被监控患者对象的生命体征数据的时间序列，其中，所述生命体征数据包括心率值、血压值和血糖水平；
将所述生命体征数据的时间序列通过5G网络传输至远程监控服务器；
在所述远程监控服务器，对所述生命体征数据的时间序列进行基于参数样本维度的时序模式特征提取以得到心率时序关联特征向量、血压时序关联特征向量和血糖水平时序关联特征向量；
在所述远程监控服务器，对所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量进行元素级动态整合以得到生命体征多模态时序融合特征向量；
在所述远程监控服务器，基于所述生命体征多模态时序融合特征向量，确定所述被监控患者对象中风的风险预警结果。
与现有技术相比，本申请提供的基于5G物联网技术的患者护理智能预警系统及方法，其采用基于深度学习的人工智能技术对患者的多项生命体征数据进行持续监测分析，捕捉到各项生命体征数据的时序变化模式，并通过对患者各项生命体征数据的时序变化模式特征进行元素级动态整合，以获取多模态的患者生命体征时序模式信息，从而智能评判患者发生中风的几率。这样，可以及时发现患者潜在的中风风险，增强了医护人员对患者安全风险的预见性，从而有效地提高了护理服务的效率和质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于5G物联网技术的患者护理智能预警系统的框图。
图2为根据本申请实施例的基于5G物联网技术的患者护理智能预警系统的架构示意图。
图3为根据本申请实施例的基于5G物联网技术的患者护理智能预警系统中时序模式特征提取模块的框图。
图4为根据本申请实施例的基于5G物联网技术的患者护理智能预警系统中元素级信息整合模块的框图。
图5为根据本申请实施例的基于5G物联网技术的患者护理智能预警系统中多模态时序融合单元的框图。
图6为根据本申请实施例的基于5G物联网技术的患者护理智能预警系统中训练模块的框图。
图7为根据本申请实施例的基于5G物联网技术的患者护理智能预警方法的流程图。
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。
如上述背景技术所言，现有一些的患者护理预警技术尝试将多模态数据融合技术应用于医疗护理领域。然而，这些研究大多关注于静态数据的融合，缺乏对动态数据的有效处理和分析。针对上述技术问题，本申请的技术构思为采用基于深度学习的人工智能技术对患者的多项生命体征数据进行持续监测分析，捕捉到各项生命体征数据的时序变化模式，并通过对患者各项生命体征数据的时序变化模式特征进行元素级动态整合，以获取多模态的患者生命体征时序模式信息，从而智能评判患者发生中风的几率。这样，可以及时发现患者潜在的中风风险，增强了医护人员对患者安全风险的预见性，从而有效地提高了护理服务的效率和质量。
图1为根据本申请实施例的基于5G物联网技术的患者护理智能预警系统的框图。图2为根据本申请实施例的基于5G物联网技术的患者护理智能预警系统的架构示意图。如图1和图2所示，根据本申请实施例的基于5G物联网技术的患者护理智能预警系统100，包括：生命体征监控模块110，用于通过可穿戴设备采集被监控患者对象的生命体征数据的时间序列，其中，所述生命体征数据包括心率值、血压值和血糖水平；生命体征数据传输模块120，用于将所述生命体征数据的时间序列通过5G网络传输至远程监控服务器；时序模式特征提取模块130，用于在所述远程监控服务器，对所述生命体征数据的时间序列进行基于参数样本维度的时序模式特征提取以得到心率时序关联特征向量、血压时序关联特征向量和血糖水平时序关联特征向量；元素级信息整合模块140，用于在所述远程监控服务器，对所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量进行元素级动态整合以得到生命体征多模态时序融合特征向量；中风风险预警模块150，用于在所述远程监控服务器，基于所述生命体征多模态时序融合特征向量，确定所述被监控患者对象中风的风险预警结果。
在上述基于5G物联网技术的患者护理智能预警系统100中，所述生命体征监控模块110，用于通过可穿戴设备采集被监控患者对象的生命体征数据的时间序列，其中，所述生命体征数据包括心率值、血压值和血糖水平。应可以理解，中风是一种具有较高致残率和致死率的疾病。由于中风等突发性疾病通常伴随明显的生命体征变化，通过早期发现患者的生命体征异常并采取相应干预措施，可以有效降低中风的发病率和死亡率。因此，可利用可穿戴设备对患者的生命体征进行持续、实时的监测，从而在疾病初期及时捕捉到异常信号，为中风疾病的早期干预提供可能。在患者的生命体征监测过程中，患者的心率、血压和血糖等关键指标与中风风险密切相关，心率异常、血压波动及血糖水平失控均可能加大中风风险。基于此，在本申请的技术方案中，通过配备了高精度传感器的可穿戴设备来精确测量和记录被监控患者对象的心率、血压和血糖水平，利用深度学习技术对其进行数据时序分析，从而挖掘出患者的生命体异常变化模式，为患者的中风风险预警奠定基础。
在上述基于5G物联网技术的患者护理智能预警系统100中，所述生命体征数据传输模块120，用于将所述生命体征数据的时间序列通过5G网络传输至远程监控服务器。应可以理解，考虑到患者生命体征数据的实时性分析对于患者的中风风险预警具有重要意义，因此，在本申请的技术方案中，采用5G网络作为数据传输的媒介。5G网络以其高速率、低延迟的特性，能够将所述生命体征数据的时间序列实时传输至远程监控服务器，为生命体征数据的实时、准确传输提供了有力保障，避免因数据传输延迟或丢包而导致预警结果的不准确。而远程监控服务器作为数据处理和分析的中心，具备强大的计算能力和存储能力，能够对接收到的生命体征数据进行高效的处理和分析，实现对多个患者对象生命体征数据的即时共享和集中处理，有助于医生或护理人员实时掌握患者的生命体征状况，及时发现潜在风险，并采取相应的干预措施。
在上述基于5G物联网技术的患者护理智能预警系统100中，所述时序模式特征提取模块130，用于在所述远程监控服务器，对所述生命体征数据的时间序列进行基于参数样本维度的时序模式特征提取以得到心率时序关联特征向量、血压时序关联特征向量和血糖水平时序关联特征向量。其中，图3为根据本申请实施例的基于5G物联网技术的患者护理智能预警系统中时序模式特征提取模块的框图。如图3所示，所述时序模式特征提取模块130，包括：数据规整单元131，用于将所述生命体征数据的时间序列分别按照参数样本维度进行数据规整以得到心率值的时间序列、血压值的时间序列和血糖水平的时间序列；空间协方差矩阵构造单元132，用于构造所述心率值的时间序列、所述血压值的时间序列和所述血糖水平的时间序列的空间协方差矩阵以得到心率值时序空间协方差矩阵、血压值时序空间协方差矩阵和血糖水平时序空间协方差矩阵；时序关联编码单元133，用于将所述心率值时序空间协方差矩阵、所述血压值时序空间协方差矩阵和所述血糖水平时序空间协方差矩阵通过基于卷积层的时序模式特征提取器以得到所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量。
具体地，所述数据规整单元131，用于将所述生命体征数据的时间序列分别按照参数样本维度进行数据规整以得到心率值的时间序列、血压值的时间序列和血糖水平的时间序列。应可以理解，由于不同来源的生命体征数据可能存在格式、精度等方面的差异，因此，为了确保后续处理的准确性和有效性，需要对所述生命体征数据的时间序列中的各项生命体征参数进行统一的数据规整。具体而言，根据心率、血压和血糖等生命体征数据的特性，按照参数样本维度对所述生命体征数据的时间序列进行数据的清洗、标准化和格式化等操作，以消除数据中的异常值，并使得不同数据源之间的数据格式保持一致，从而为后续的多模态数据分析和融合提供清晰、准确的数据支持。
具体地，所述空间协方差矩阵构造单元132，用于构造所述心率值的时间序列、所述血压值的时间序列和所述血糖水平的时间序列的空间协方差矩阵以得到心率值时序空间协方差矩阵、血压值时序空间协方差矩阵和血糖水平时序空间协方差矩阵。应可以理解，考虑到患者的生命体征数据在时间维度上存在一定的时序关联性，即当前时间点的数据值受到之前时间点的数据值影响，因此，为了分别捕捉各项生命体征参数的时序变化模式，在本申请的技术方案中，通过分别构造各项生命体征数据的空间协方差矩阵，以揭示各项生命体征数据的时序相关性。具体而言，空间协方差矩阵的构建基于统计学中的协方差概念，用于描述两个变量之间的相关程度。这里，以所述心率值的时间序列为例，将心率值视为变量，通过计算各个时间点的心率值之间的协方差，构造出对应的心率值时序空间协方差矩阵。其中，所述心率值时序空间协方差矩阵中的每一个元素代表了每两个时间点的心率值之间的相关性程度。通过这种方式，能够有效捕捉到各项生命体征数据的时序变化模式，从而更好地理解各项生命体征数据的时序动态关联。
在本申请的一个具体示例中，所述空间协方差矩阵构造单元132，用于：将所述心率值的时间序列按照时间维度排列为心率值时序输入向量；将所述心率值时序输入向量乘以自身的转置向量以得到心率值时序自相关矩阵；将所述心率值时序自相关矩阵除以其对角线元素之和以得到所述心率值时序空间协方差矩阵。也就是，以如下空间协方差矩阵构造公式来构造所述心率值的时间序列的空间协方差矩阵以得到所述心率值时序空间协方差矩阵；其中，所述空间协方差矩阵构造公式为：
；
其中，为所述心率值的时间序列按照时间维度排列得到的心率值时序输入向量，为所述心率值时序输入向量的转置向量，表示计算矩阵对角线元素之和，为所述心率值时序空间协方差矩阵。
具体地，所述时序关联编码单元133，用于将所述心率值时序空间协方差矩阵、所述血压值时序空间协方差矩阵和所述血糖水平时序空间协方差矩阵通过基于卷积层的时序模式特征提取器以得到所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量。应可以理解，卷积层是深度学习领域中常用的特征提取工具，其通过卷积核在输入数据上进行滑动和计算，能够自动学习到输入数据的局部特征。在本申请的技术方案中，通过使用基于卷积层的时序模式特征提取器对各项生命体征参数的时序空间协方差矩阵进行卷积操作，能够有效提取出各个时序空间协方差矩阵中的时序模式特征，从而揭示各项生命体征数据的时序动态变化特性，为后续的中风风险预警提供了有力的数据支持。
在上述基于5G物联网技术的患者护理智能预警系统中，在上述基于5G物联网技术的患者护理智能预警系统100中，所述元素级信息整合模块140，用于在所述远程监控服务器，对所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量进行元素级动态整合以得到生命体征多模态时序融合特征向量。应可以理解，在上述方案中，所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量提供了关于患者健康状况的不同方面信息，然而，由于三者各自独立，无法直接反映患者生命体征的整体状况。因此，为了更全面、准确地评估患者的中风风险，需要进一步将所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量进行特征融合，以生成更具代表性的患者健康状况描述。
图4为根据本申请实施例的基于5G物联网技术的患者护理智能预警系统中元素级信息整合模块的框图。如图4所示，所述元素级信息整合模块140，包括：共空间嵌入单元141，用于将所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量通过基于全连接层的共空间嵌入映射器以得到共空间嵌入心率时序关联特征向量、共空间嵌入血压时序关联特征向量和共空间嵌入血糖水平时序关联特征向量；多模态时序融合单元142，用于将所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量通过特征元素级动态整合模块以得到所述生命体征多模态时序融合特征向量。
具体地，所述共空间嵌入单元141，用于将所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量通过基于全连接层的共空间嵌入映射器以得到共空间嵌入心率时序关联特征向量、共空间嵌入血压时序关联特征向量和共空间嵌入血糖水平时序关联特征向量。应可以理解，考虑到由于心率、血压和血糖水平数据具有不同的量纲和分布特性，直接将所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量进行融合可能导致信息损失和精度下降。基于此，在本申请的技术方案中，采用基于全连接层的共空间嵌入映射器将所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量映射到同一特征空间中，使得映射后的特征向量具有相同的特征维度和尺度，以便于能够在同一嵌入特征空间中进行有效的特征整合。
具体地，所述多模态时序融合单元142，用于将所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量通过特征元素级动态整合模块以得到所述生命体征多模态时序融合特征向量。应可以理解，考虑到患者病情变化的复杂性，以及各项生命体征数据之间存在的复杂相互作用关系，为了更加准确地反映患者的整体健康状况，在本申请的技术方案中，通过引入特征元素级动态整合模块，对所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量进行动态整合，以充分考虑各项生命体征参数之间的关联性和互补性。具体而言，所述特征元素级动态整合模块通过对输入的各个特征向量进行特征学习，能够自动学习到特征的重要程度，捕捉到不同生命体征参数之间的关联和差异，进而动态地调整不同特征向量在融合过程中的权重，充分利用不同生命体征数据的互补性和动态关联性，进行元素级的特征融合操作，从而实现对患者生命体征的全面、准确描述。
图5为根据本申请实施例的基于5G物联网技术的患者护理智能预警系统中多模态时序融合单元的框图。如图5所示，所述多模态时序融合单元142，包括：信息整合平衡门限计算子单元1421，用于计算所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量之间的信息整合平衡门限值；特征逐元素融合子单元1422，用于基于所述信息整合平衡门限值，对所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量进行特征逐元素融合以得到所述生命体征多模态时序融合特征向量。
具体地，所述信息整合平衡门限计算子单元1421，用于：将所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量进行级联以得到多模态生命体征级联特征向量；将所述多模态生命体征级联特征向量和变换向量进行相乘以得到门限打分系数；将所述门限打分系数和预定偏置参数进行相加以得到偏置门限打分系数；将所述偏置门限打分系数通过sigmoid激活函数以得到所述信息整合平衡门限值。
具体地，所述特征逐元素融合子单元1422，用于：分别计算所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量的各个特征值的以自然常数为底的指数函数值以得到指数化心率时序关联特征向量、指数化血压时序关联特征向量和指数化血糖水平时序关联特征向量；基于所述信息整合平衡门限值确定第一权重、第二权重和第三权重，其中，所述第一权重为所述信息整合平衡门限值，所述第二权重为预定权重超参数，所述第三权重为一与所述第一权重和所述第二权重之和的差值；以所述第一权重对所述指数化心率时序关联特征向量进行逐位置加权以得到加权心率时序关联特征向量，以所述第二权重对所述指数化血压时序关联特征向量进行逐位置加权以得到加权血压时序关联特征向量，以所述第三权重对所述指数化血糖水平时序关联特征向量进行逐位置加权以得到加权血糖水平时序关联特征向量；对所述加权心率时序关联特征向量、所述加权血压时序关联特征向量和所述加权血糖水平时序关联特征向量进行对应元素相加以得到所述生命体征多模态时序融合特征向量。
也就是说，所述多模态时序融合单元142，用于：以特征元素级动态融合公式对所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量进行特征逐元素融合以得到所述生命体征多模态时序融合特征向量，其中，所述特征元素级动态融合公式为：
；
其中，表示所述共空间嵌入心率时序关联特征向量，表示所述共空间嵌入血压时序关联特征向量，表示所述共空间嵌入血糖水平时序关联特征向量，表示所述生命体征多模态时序融合特征向量，表示连接操作，是变换向量，是预定偏置参数，表示激活函数，为预定权重超参数，为信息整合平衡门限值，且。
在上述基于5G物联网技术的患者护理智能预警系统100中，所述中风风险预警模块150，用于在所述远程监控服务器，基于所述生命体征多模态时序融合特征向量，确定所述被监控患者对象中风的风险预警结果。在本申请的一个具体示例中，基于所述生命体征多模态时序融合特征向量确定所述被监控患者对象中风的风险预警结果的实现方式是将所述生命体征多模态时序融合特征向量通过基于分类器的中风风险预警模块以得到所述风险预警结果，所述风险预警结果用于表示被监控患者对象发生中风的几率是否超过预设阈值。也就是，所述中风风险预警模块用于基于所述生命体征多模态时序融合特征向量中的特征信息对患者的中风几率进行准确预测。具体地，所述中风风险预警模块采用了先进的分类算法，通过对大量历史数据的训练学习，以构建出能够从患者生命体征数据中识别出中风风险模式的预测模型。进而，通过设定一个预设的阈值，将风险预警结果转化为一个可操作的指标。当分类器识别到患者的中风几率超过预设阈值时，则可以触发相应的警报或干预措施，从而及时提醒医护人员或患者家属采取必要的行动，以降低中风风险或减轻中风对患者的影响。
特别地，在本申请的技术方案中，针对心率值、血压值和血糖水平各自的全时域空间协方差表示的局部空间关联特征在共同嵌入空间内，由于各个样本的局部-全局时域-空间交叉关联表示集合的分布外噪声导致所述生命体征多模态时序融合特征向量整体的类分布噪声，从而影响分类结果的准确性的技术问题。
在一个优选实施例中，将所述生命体征多模态时序融合特征向量通过基于分类器的中风风险预警模块以得到所述风险预警结果，包括以下步骤：首先计算所述生命体征多模态时序融合特征向量与其自身的转置的自关联矩阵，并计算所述自关联矩阵的第和第行向量的内积，作为权重矩阵的第位置的矩阵值，以得到权重矩阵，然后，将所述权重矩阵与所述自关联矩阵进行矩阵相乘后，进一步与所述生命体征多模态时序融合特征向量进行矩阵-向量相乘以得到校正向量，最后将所述校正向量与所述生命体征多模态时序融合特征向量点乘来获得优化的生命体征多模态时序融合特征向量，并将所述优化的生命体征多模态时序融合特征向量通过基于分类器的中风风险预警模块以得到风险预警结果。
其中优化步骤具体表示为：
；
；
；
其中，表示生命体征多模态时序融合特征向量，表示向量的转置，表示自关联矩阵，和表示所述自关联矩阵的第和第行向量，表示权重矩阵，表示权重矩阵的第位置的矩阵值，表示自关联矩阵的高度，表示实数集合，表示矩阵乘法，表示点乘，表示优化的生命体征多模态时序融合特征向量。
特别地，在本申请的技术方案中，基于作为待调制对象的所述生命体征多模态时序融合特征向量的自关联维度，来基于特征分布的高维特征空间的空间子维度复杂度进行关联扩展，由此将所述生命体征多模态时序融合特征向量的可分解关联维度偏移引入到异质关联嵌入空间内，从而通过异质关联嵌入空间所表示的可分解维度集的联合微调来增强其关联自洽关系，以减少所述生命体征多模态时序融合特征向量整体的类分布噪声，从而提升所述生命体征多模态时序融合特征向量通过基于分类器的中风风险预警模块进行分类时的分类训练的速度和分类结果的准确性。
应可以理解，在利用上述神经网络模型之前，需要对其进行训练。也就是说，在本申请的基于5G物联网技术的患者护理智能预警系统中，还包括用于对所述基于卷积层的时序模式特征提取器、所述基于全连接层的共空间嵌入映射器、所述特征元素级动态整合模块和所述基于分类器的中风风险预警模块进行训练的训练模块。
图6为根据本申请实施例的基于5G物联网技术的患者护理智能预警系统中训练模块的框图。如图6所示，所述训练模块200，包括：训练数据获取单元210，用于获取训练数据，所述训练数据包括由可穿戴设备采集的被监控患者对象的训练生命体征数据的时间序列，以及被监控患者对象发生中风的几率是否超过预设阈值的真实值，其中，所述训练生命体征数据包括心率值、血压值和血糖水平；训练数据传输单元220，用于将所述训练生命体征数据的时间序列通过5G网络传输至远程监控服务器；训练数据规整单元230，用于将所述训练生命体征数据的时间序列分别按照参数样本维度进行数据规整以得到训练心率值的时间序列、训练血压值的时间序列和训练血糖水平的时间序列；训练数据协方差矩阵计算单元240，用于构造所述训练心率值的时间序列、所述训练血压值的时间序列和所述训练血糖水平的时间序列的空间协方差矩阵以得到训练心率值时序空间协方差矩阵、训练血压值时序空间协方差矩阵和训练血糖水平时序空间协方差矩阵；训练数据时序模式特征提取单元250，用于将所述训练心率值时序空间协方差矩阵、所述训练血压值时序空间协方差矩阵和所述训练血糖水平时序空间协方差矩阵通过所述基于卷积层的时序模式特征提取器以得到训练心率时序关联特征向量、训练血压时序关联特征向量和训练血糖水平时序关联特征向量；训练数据共空间嵌入单元260，用于将所述训练心率时序关联特征向量、所述训练血压时序关联特征向量和所述训练血糖水平时序关联特征向量通过所述基于全连接层的共空间嵌入映射器以得到训练共空间嵌入心率时序关联特征向量、训练共空间嵌入血压时序关联特征向量和训练共空间嵌入血糖水平时序关联特征向量；训练数据特征整合单元270，用于将所述训练共空间嵌入心率时序关联特征向量、所述训练共空间嵌入血压时序关联特征向量和所述训练共空间嵌入血糖水平时序关联特征向量通过所述特征元素级动态整合模块以得到训练生命体征多模态时序融合特征向量；分类损失单元280，用于将所述训练生命体征多模态时序融合特征向量通过所述基于分类器的中风风险预警模块以得到类概率值和分类损失函数值；多分布噪声损失单元290，用于基于所述类概率值，计算分布度量损失函数值；模型训练单元300，用于以所述分类损失函数值和所述分布度量损失函数值的加权和作为损失函数值对所述基于卷积层的时序模式特征提取器、所述基于全连接层的共空间嵌入映射器、所述特征元素级动态整合模块和所述基于分类器的中风风险预警模块进行训练。
在本申请的一个优选示例中，在基于分类损失函数通过梯度反向传播更新模型参数时，进一步引入分布度量损失函数，所述分布度量损失函数的计算包括以下步骤：获取所述训练生命体征多模态时序融合特征向量通过分类器的类概率值并计算一与所述类概率值的差值作为逆概率值；计算所述训练生命体征多模态时序融合特征向量中的各个特征值组成的特征集合的均值和方差；计算所述训练生命体征多模态时序融合特征向量中的每个特征值与所述类概率值的第一乘积和所述逆概率值与所述均值的第二乘积之间的差值；对所述训练生命体征多模态时序融合特征向量中的每个特征值对应的所述差值的平方求和并除以所述训练生命体征多模态时序融合特征向量的长度以作为所述分布度量损失函数的第一项；计算所述类概率值和所述逆概率值的平方和并乘以所述方差以作为所述分布度量损失函数的第二项；计算所述第一项与所述第二项之差以得到所述分布度量损失函数值。
这里，上述分布度量损失函数通过基于所述训练生命体征多模态时序融合特征向量通过分类器的类概率值和逆概率值所表达的类概率伯努利分布特性，来设定所述训练生命体征多模态时序融合特征向量的特征集合的分布外噪声相对于特征集合的伯努利采样实例的近似方差期望特性。
由此，通过所述分布度量损失函数来基于所述类概率值和所述逆概率值表达的类概率分布特性来基于统计噪声分布进行分布特征噪声度量，可以基于所述训练生命体征多模态时序融合特征向量的每个特征值在分类过程中的类概率分布时针对方差期望的概率交叉随机选择特性，来对可能的采样噪声特征进行退化，从而在模型参数更新过程中实现自监督学习的类分布噪声消减，以改进所述训练生命体征多模态时序融合特征向量通过基于分类器的中风风险预警模块得到的风险预警结果的准确性。
综上，根据本申请实施例的基于5G物联网技术的患者护理智能预警系统被阐明，其采用基于深度学习的人工智能技术对患者的多项生命体征数据进行持续监测分析，捕捉到各项生命体征数据的时序变化模式，并通过对患者各项生命体征数据的时序变化模式特征进行元素级动态整合，以获取多模态的患者生命体征时序模式信息，从而智能评判患者发生中风的几率。这样，可以及时发现患者潜在的中风风险，增强了医护人员对患者安全风险的预见性，从而有效地提高了护理服务的效率和质量。
图7为根据本申请实施例的基于5G物联网技术的患者护理智能预警方法的流程图。如图7所示，根据本申请实施例的基于5G物联网技术的患者护理智能预警方法，包括步骤：S1，通过可穿戴设备采集被监控患者对象的生命体征数据的时间序列，其中，所述生命体征数据包括心率值、血压值和血糖水平；S2，将所述生命体征数据的时间序列通过5G网络传输至远程监控服务器；S3，在所述远程监控服务器，对所述生命体征数据的时间序列进行基于参数样本维度的时序模式特征提取以得到心率时序关联特征向量、血压时序关联特征向量和血糖水平时序关联特征向量；S4，在所述远程监控服务器，对所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量进行元素级动态整合以得到生命体征多模态时序融合特征向量；S5，在所述远程监控服务器，基于所述生命体征多模态时序融合特征向量，确定所述被监控患者对象中风的风险预警结果。
这里，本领域技术人员可以理解，上述基于5G物联网技术的患者护理智能预警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的基于5G物联网技术的患者护理智能预警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，所述单元划分，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单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理子单元，即可以位于一个地方，或者也可以分布到多个网络子单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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”一词不排除其他子单元或步骤，单数不排除复数。系统权利要求中陈述的多个子单元也可以由一个子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 (9)
1.一种基于5G物联网技术的患者护理智能预警系统，其特征在于，包括：
生命体征监控模块，用于通过可穿戴设备采集被监控患者对象的生命体征数据的时间序列，其中，所述生命体征数据包括心率值、血压值和血糖水平；
生命体征数据传输模块，用于将所述生命体征数据的时间序列通过5G网络传输至远程监控服务器；
时序模式特征提取模块，用于在所述远程监控服务器，对所述生命体征数据的时间序列进行基于参数样本维度的时序模式特征提取以得到心率时序关联特征向量、血压时序关联特征向量和血糖水平时序关联特征向量；
元素级信息整合模块，用于在所述远程监控服务器，对所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量进行元素级动态整合以得到生命体征多模态时序融合特征向量；
中风风险预警模块，用于在所述远程监控服务器，基于所述生命体征多模态时序融合特征向量，确定所述被监控患者对象中风的风险预警结果；
其中，所述时序模式特征提取模块，包括：
数据规整单元，用于将所述生命体征数据的时间序列分别按照参数样本维度进行数据规整以得到心率值的时间序列、血压值的时间序列和血糖水平的时间序列；
空间协方差矩阵构造单元，用于构造所述心率值的时间序列、所述血压值的时间序列和所述血糖水平的时间序列的空间协方差矩阵以得到心率值时序空间协方差矩阵、血压值时序空间协方差矩阵和血糖水平时序空间协方差矩阵；
时序关联编码单元，用于将所述心率值时序空间协方差矩阵、所述血压值时序空间协方差矩阵和所述血糖水平时序空间协方差矩阵通过基于卷积层的时序模式特征提取器以得到所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量。
2.根据权利要求1所述的基于5G物联网技术的患者护理智能预警系统，其特征在于，所述空间协方差矩阵构造单元，用于：
将所述心率值的时间序列按照时间维度排列为心率值时序输入向量；
将所述心率值时序输入向量乘以自身的转置向量以得到心率值时序自相关矩阵；
将所述心率值时序自相关矩阵除以其对角线元素之和以得到所述心率值时序空间协方差矩阵。
3.根据权利要求2所述的基于5G物联网技术的患者护理智能预警系统，其特征在于，所述元素级信息整合模块，包括：
共空间嵌入单元，用于将所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量通过基于全连接层的共空间嵌入映射器以得到共空间嵌入心率时序关联特征向量、共空间嵌入血压时序关联特征向量和共空间嵌入血糖水平时序关联特征向量；
多模态时序融合单元，用于将所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量通过特征元素级动态整合模块以得到所述生命体征多模态时序融合特征向量。
4.根据权利要求3所述的基于5G物联网技术的患者护理智能预警系统，其特征在于，所述多模态时序融合单元，包括：
信息整合平衡门限计算子单元，用于计算所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量之间的信息整合平衡门限值；
特征逐元素融合子单元，用于基于所述信息整合平衡门限值，对所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量进行特征逐元素融合以得到所述生命体征多模态时序融合特征向量。
5.根据权利要求4所述的基于5G物联网技术的患者护理智能预警系统，其特征在于，所述信息整合平衡门限计算子单元，用于：
将所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量进行级联以得到多模态生命体征级联特征向量；
将所述多模态生命体征级联特征向量和变换向量进行相乘以得到门限打分系数；
将所述门限打分系数和预定偏置参数进行相加以得到偏置门限打分系数；
将所述偏置门限打分系数通过sigmoid激活函数以得到所述信息整合平衡门限值。
6.根据权利要求5所述的基于5G物联网技术的患者护理智能预警系统，其特征在于，所述特征逐元素融合子单元，用于：
分别计算所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量的各个特征值的以自然常数为底的指数函数值以得到指数化心率时序关联特征向量、指数化血压时序关联特征向量和指数化血糖水平时序关联特征向量；
基于所述信息整合平衡门限值确定第一权重、第二权重和第三权重，其中，所述第一权重为所述信息整合平衡门限值，所述第二权重为预定权重超参数，所述第三权重为一与所述第一权重和所述第二权重之和的差值；
以所述第一权重对所述指数化心率时序关联特征向量进行逐位置加权以得到加权心率时序关联特征向量，以所述第二权重对所述指数化血压时序关联特征向量进行逐位置加权以得到加权血压时序关联特征向量，以所述第三权重对所述指数化血糖水平时序关联特征向量进行逐位置加权以得到加权血糖水平时序关联特征向量；
对所述加权心率时序关联特征向量、所述加权血压时序关联特征向量和所述加权血糖水平时序关联特征向量进行对应元素相加以得到所述生命体征多模态时序融合特征向量。
7.根据权利要求6所述的基于5G物联网技术的患者护理智能预警系统，其特征在于，所述中风风险预警模块，用于：
将所述生命体征多模态时序融合特征向量通过基于分类器的中风风险预警模块以得到所述风险预警结果，所述风险预警结果用于表示被监控患者对象发生中风的几率是否超过预设阈值。
8.根据权利要求7所述的基于5G物联网技术的患者护理智能预警系统，其特征在于，还包括用于对所述基于卷积层的时序模式特征提取器、所述基于全连接层的共空间嵌入映射器、所述特征元素级动态整合模块和所述基于分类器的中风风险预警模块进行训练的训练模块；
其中，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括由可穿戴设备采集的被监控患者对象的训练生命体征数据的时间序列，以及被监控患者对象发生中风的几率是否超过预设阈值的真实值，其中，所述训练生命体征数据包括心率值、血压值和血糖水平；
训练数据传输单元，用于将所述训练生命体征数据的时间序列通过5G网络传输至远程监控服务器；
训练数据规整单元，用于将所述训练生命体征数据的时间序列分别按照参数样本维度进行数据规整以得到训练心率值的时间序列、训练血压值的时间序列和训练血糖水平的时间序列；
训练数据协方差矩阵计算单元，用于构造所述训练心率值的时间序列、所述训练血压值的时间序列和所述训练血糖水平的时间序列的空间协方差矩阵以得到训练心率值时序空间协方差矩阵、训练血压值时序空间协方差矩阵和训练血糖水平时序空间协方差矩阵；
训练数据时序模式特征提取单元，用于将所述训练心率值时序空间协方差矩阵、所述训练血压值时序空间协方差矩阵和所述训练血糖水平时序空间协方差矩阵通过所述基于卷积层的时序模式特征提取器以得到训练心率时序关联特征向量、训练血压时序关联特征向量和训练血糖水平时序关联特征向量；
训练数据共空间嵌入单元，用于将所述训练心率时序关联特征向量、所述训练血压时序关联特征向量和所述训练血糖水平时序关联特征向量通过所述基于全连接层的共空间嵌入映射器以得到训练共空间嵌入心率时序关联特征向量、训练共空间嵌入血压时序关联特征向量和训练共空间嵌入血糖水平时序关联特征向量；
训练数据特征整合单元，用于将所述训练共空间嵌入心率时序关联特征向量、所述训练共空间嵌入血压时序关联特征向量和所述训练共空间嵌入血糖水平时序关联特征向量通过所述特征元素级动态整合模块以得到训练生命体征多模态时序融合特征向量；
分类损失单元，用于将所述训练生命体征多模态时序融合特征向量通过所述基于分类器的中风风险预警模块以得到类概率值和分类损失函数值；
多分布噪声损失单元，用于基于所述类概率值，计算分布度量损失函数值；
模型训练单元，用于以所述分类损失函数值和所述分布度量损失函数值的加权和作为损失函数值对所述基于卷积层的时序模式特征提取器、所述基于全连接层的共空间嵌入映射器、所述特征元素级动态整合模块和所述基于分类器的中风风险预警模块进行训练。
9.一种基于5G物联网技术的患者护理智能预警方法，其特征在于，包括：
通过可穿戴设备采集被监控患者对象的生命体征数据的时间序列，其中，所述生命体征数据包括心率值、血压值和血糖水平；
将所述生命体征数据的时间序列通过5G网络传输至远程监控服务器；
在所述远程监控服务器，对所述生命体征数据的时间序列进行基于参数样本维度的时序模式特征提取以得到心率时序关联特征向量、血压时序关联特征向量和血糖水平时序关联特征向量；
在所述远程监控服务器，对所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量进行元素级动态整合以得到生命体征多模态时序融合特征向量；
在所述远程监控服务器，基于所述生命体征多模态时序融合特征向量，确定所述被监控患者对象中风的风险预警结果；
其中，在所述远程监控服务器，对所述生命体征数据的时间序列进行基于参数样本维度的时序模式特征提取以得到心率时序关联特征向量、血压时序关联特征向量和血糖水平时序关联特征向量，包括：
将所述生命体征数据的时间序列分别按照参数样本维度进行数据规整以得到心率值的时间序列、血压值的时间序列和血糖水平的时间序列；
构造所述心率值的时间序列、所述血压值的时间序列和所述血糖水平的时间序列的空间协方差矩阵以得到心率值时序空间协方差矩阵、血压值时序空间协方差矩阵和血糖水平时序空间协方差矩阵；
将所述心率值时序空间协方差矩阵、所述血压值时序空间协方差矩阵和所述血糖水平时序空间协方差矩阵通过基于卷积层的时序模式特征提取器以得到所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410917744.3A CN118486468B (zh) | 2024-07-10 | 2024-07-10 | 基于5g物联网技术的患者护理智能预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410917744.3A CN118486468B (zh) | 2024-07-10 | 2024-07-10 | 基于5g物联网技术的患者护理智能预警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118486468A true CN118486468A (zh) | 2024-08-13 |
| CN118486468B CN118486468B (zh) | 2024-09-24 |
Family
ID=92198121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410917744.3A Active CN118486468B (zh) | 2024-07-10 | 2024-07-10 | 基于5g物联网技术的患者护理智能预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118486468B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610781A (zh) * | 2021-07-21 | 2021-11-05 | 中山大学 | 一种时序sar图形的变化检测方法及装置 |
| US20220051796A1 (en) * | 2018-12-07 | 2022-02-17 | Oxford University Innovation Limited | Method and data processing apparatus for generating real-time alerts about a patient |
| CN117577270A (zh) * | 2024-01-15 | 2024-02-20 | 吉林大学 | 患者的智能化营养管理方法及系统 |
| CN118098482A (zh) * | 2024-04-22 | 2024-05-28 | 吉林大学 | 基于5g技术的智慧医疗管理系统及方法 |
| CN118197648A (zh) * | 2024-05-14 | 2024-06-14 | 吉林大学 | 患者身体数据远程采集监测系统及方法 |
| CN118277888A (zh) * | 2024-06-04 | 2024-07-02 | 山东商业职业技术学院 | 基于深度学习的设备量测数据处理方法 |
| CN118315069A (zh) * | 2024-06-05 | 2024-07-09 | 吉林大学 | 住院患者脑卒中高危人群预警系统及方法 |
-
2024
- 2024-07-10 CN CN202410917744.3A patent/CN118486468B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220051796A1 (en) * | 2018-12-07 | 2022-02-17 | Oxford University Innovation Limited | Method and data processing apparatus for generating real-time alerts about a patient |
| CN113610781A (zh) * | 2021-07-21 | 2021-11-05 | 中山大学 | 一种时序sar图形的变化检测方法及装置 |
| CN117577270A (zh) * | 2024-01-15 | 2024-02-20 | 吉林大学 | 患者的智能化营养管理方法及系统 |
| CN118098482A (zh) * | 2024-04-22 | 2024-05-28 | 吉林大学 | 基于5g技术的智慧医疗管理系统及方法 |
| CN118197648A (zh) * | 2024-05-14 | 2024-06-14 | 吉林大学 | 患者身体数据远程采集监测系统及方法 |
| CN118277888A (zh) * | 2024-06-04 | 2024-07-02 | 山东商业职业技术学院 | 基于深度学习的设备量测数据处理方法 |
| CN118315069A (zh) * | 2024-06-05 | 2024-07-09 | 吉林大学 | 住院患者脑卒中高危人群预警系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118486468B (zh) | 2024-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210125722A1 (en) | System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud | |
| US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
| CN109805898B (zh) | 基于注意力机制时序卷积网络算法的危重症死亡预测方法 | |
| EP2891094A1 (en) | Methods and systems for calculating and using statistical models to predict medical events | |
| Moses et al. | A survey of data mining algorithms used in cardiovascular disease diagnosis from multi-lead ECG data | |
| CN116098595B (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
| US20220122735A1 (en) | System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud | |
| Pourhomayoun et al. | Multiple model analytics for adverse event prediction in remote health monitoring systems | |
| CN117542474A (zh) | 基于大数据的远程护理监测系统及方法 | |
| CN118471542B (zh) | 一种基于大数据的医疗健康管理系统 | |
| CN111081379A (zh) | 一种疾病概率决策方法及其系统 | |
| CN114343585B (zh) | 认知和行为障碍的预警方法、装置、设备及存储介质 | |
| Forooghifar et al. | Self-aware anomaly-detection for epilepsy monitoring on low-power wearable electrocardiographic devices | |
| CN114758786A (zh) | 基于无创参数的创伤后失血性休克动态早期预警系统 | |
| Janani et al. | Healthcare monitoring using machine learning based data analytics | |
| CN114118386A (zh) | 一种基于注意力机制和时域卷积神经网络的血压估计方法 | |
| Irshad et al. | Convolutional neural network enable optoelectronic system for predicting cardiac response by analyzing auction-based optimization algorithms | |
| CN118486468B (zh) | 基于5g物联网技术的患者护理智能预警系统及方法 | |
| Silva et al. | Fusion of clinical, self-reported, and multisensor data for predicting falls | |
| Philip et al. | Smart Health Monitoring Using Deep Learning and Artificial Intelligence. | |
| Pugh et al. | High-confidence data programming for evaluating suppression of physiological alarms | |
| CN116259161A (zh) | 一种电力故障预警系统 | |
| CN114587365B (zh) | 一种面向可穿戴设备的心电信号异常检测方法 | |
| TWM635924U (zh) | 基於模型整合之健康醫療事件預測系統 | |
| Pathinarupothi | Clinically aware data summarization at the edge for Internet of Medical Things |
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 |