CN109662708A - 一种基于深度神经网络的术后病人行为监测方法 - Google Patents
一种基于深度神经网络的术后病人行为监测方法 Download PDFInfo
- Publication number
- CN109662708A CN109662708A CN201910052122.8A CN201910052122A CN109662708A CN 109662708 A CN109662708 A CN 109662708A CN 201910052122 A CN201910052122 A CN 201910052122A CN 109662708 A CN109662708 A CN 109662708A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- vital sign
- sign
- patient
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- A61B5/1112—Global tracking of patients, e.g. by using GPS
-
- 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
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- 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
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- 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
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Dentistry (AREA)
- Data Mining & Analysis (AREA)
- Optics & Photonics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Cardiology (AREA)
- Spectroscopy & Molecular Physics (AREA)
Abstract
本发明公开了一种基于深度神经网络的术后病人行为监测方法,包括在病人身上设置信息采集装置,利用隐马尔科夫HMM模型和双层GRU模型对信息采集装置采集到的数据进行解析和分类,从而能对术后病人进行实时监测和行为识别,解决了对住院术后病人进行行为识别和体征监控的技术问题,为医生的诊疗提供了参考数据,减少了护士人员的工作强度。
Description
技术领域
本发明属于医疗器械技术领域,尤其涉及一种基于深度神经网络的术后病人行为监测方法。
背景技术
术后健康监控过程能够保障在生命体征出现异常情况时可以进行及时处理,同时术后康复训练及效果评估也需要有效的工具进行支持,对住院术后病人实施有效的监护预警是检测和提高病人生存时间的重要手段。
目前,现有的院内监护设备具有心电信息的采集、存储、智能分析预警等功能,由于过多功能的设计,使得监护装置过大,因此不能携带。此外,使用该装置时需要连电源线,使得病人的活动范围受到了很大的限制,不利于病人的康复。
发明内容
本发明的目的是提供一种基于深度神经网络的术后病人行为监测方法,解决了对住院术后病人进行行为识别和体征监控的技术问题。
为实现上述目的,本发明采用如下技术方案:
一种基于深度神经网络的术后病人行为监测方法,包括如下步骤:
步骤1:在病人身上设置信息采集装置,信息采集装置用于采集病人生命体征数据,生命体征数据包括心电信号ECG、血氧饱和度数据SpO2、位置信息、加速度信号和角速度信号;
在医院病房部署监测中心服务器,信息采集装置通过无线网络与监测中心服务器通信;
监控中心服务器设有DTU,信息采集装置通过无线网络与DTU通信,DTU通过串口与监控中心服务器通信;
步骤2:在监测中心服务器中预设深度神经网络模型,信息采集装置将生命体征数据发送给监测中心服务器,监测中心服务器对生命体征数据进行预处理;
步骤3:监测中心服务器对生命体征数据进行窗口分割:使用加窗的方法分割时间序列上的生命体征数据,即,使用窗口长度为在2s时间上的采取的样本点的矩形窗分割生命体征数据,步长设置为有50%的数据重叠;
步骤4:监测中心服务器对生命体征数据中的加速度和角速度信号进行特征提取:采用滑动窗口提取时域特征和频域特征;频域特征为生命体征数据中的周期性信息,频域特征的分析用快速傅里叶变换计算;
时域特征的提取包括如下步骤:
步骤S1:用n来表示一个时间窗口的大小,用i来表示第i行数据,利用以下公式计算加速度和角速度信号数据的均值mean、标准差std、相关系数p和过均值点个数abovemean;
其中,n取自然数,i取自然数;cov(x,y)表示x,y的相关系数;σx,σy表示x,y的标准差;sign()为判断函数,当ai>mean的条件成立时,sign()结果取值为1,否则为0;ai为第i行数据;
频域特征的提取包括如下步骤:
步骤S2:用n来表示一个时间窗口的大小,用i来表示第i行数据,通过快速傅里叶变换分析加速度和角速度数据频域分析,利用以下公式得到的幅度统计的几个量包括均值ampmean、标准差ampstd、斜度ampskew、峭度ampkurt和形状统计的几个量包括均值shapemean、标准差shapestd、斜度shapeskew、峭度shapekurt;
其中C(i)为第i个窗口的频率幅度值,N表示窗口数,
步骤S3:选择生命体征数据的加速度和角速度信号的时域和频域特征来进行行为识别;
步骤5:监测中心服务器进行特征选择:将生命体征数据分类为人体生命体征状况数据和行为数据;
步骤6:监测中心服务器基于时间序列对行为数据进行计算,对病人进行行为识别,其具体步骤如下:
步骤A1:将信息采集装置多次采集到的位置信息、加速度信号和角速度信号进行小波去噪后生成行为样本集;
步骤A2:建立隐马尔科夫HMM模型和双层GRU模型,利用行为样本集中的数据对隐马尔科夫HMM模型和双层GRU模型进行训练;
步骤A3:将行为样本集中最近一次采集到的位置信息、加速度信号和角速度信号作为实时行为数据,并将实时行为数据加入到测试行为样本集中;
步骤A4:通过隐马尔科夫HMM模型中的Viterbi算法对测试行为样本集进行分类,去除脏数据,生产行为序列数据,
步骤A5:将行为分类为5个类型,5个类型包括行走、躺着、坐着、喝水和站立;
步骤A6:利用双层GRU模型对行为序列数据进行识别,判断并输出行为序列数据属于步骤A5中定义的哪一个类型;
步骤7:监测中心服务器基于时间序列对人体生命体征状况数据进行计算,识别病人的生命体证状况,其具体步骤如下:
步骤B1:将信息采集装置多次采集到的心电信号ECG和血氧饱和度数据SpO2进行小波去噪后生成体征样本集;
步骤B2:建立双层GRU模型,利用体征样本集中的数据对双层GRU模型进行训练;
步骤B3:将体征样本集中最近一次采集到的心电信号ECG和血氧饱和度数据SpO2作为实时行为数据,并将实时行为数据加入到测试体征样本集中;
步骤B4:将体征分为分为四级:一级是生命体征严重危险的病人,二级是生命体征危险的病人,三级是生命体征状态中等的病人,四级是生命体征状态良好的病人;
步骤B5:利用双层GRU模型对测试体征样本集进行识别,判断并输出测试体征样本集中的数据属于步骤B4中定义的哪一个类型。
优选的,在执行步骤6时,GRU模型作为LSTM长短期记忆网络的一种变体,将忘记门和输入门合成了一个单一的更新门,双层GRU模型是将前一层GRU的输出作为后一层的输入。
优选的,所述信息采集装置包括单片机、GPRS模块、锂电池、AD模块、纽扣式电极贴片、充电模块、血氧探头和惯性传感器,蓝牙模块、AD模块、血氧探头和惯性传感器均与单片机连接,纽扣式电极贴片连接AD模块;锂电池为单片机、蓝牙模块、锂电池、AD模块、纽扣式电极贴片、血氧探头和惯性传感器供电,充电模块连接锂电池。
优选的,所述单片机的型号为赛普拉斯集成BLE功能的CY8C4247单片机;所述AD模块的型号为ADS1291;所述血氧探头的型号为IR2R413UT-038型血氧探头传感器;惯性传感器的型号为MPU6050;所述GPRS模块的型号为SIM800A。
优选的,所述DTU的型号为USR-GPRS-734。
本发明所述的一种基于深度神经网络的术后病人行为监测方法,解决了对住院术后病人进行行为识别和体征监控的技术问题,为医生的诊疗提供了参考数据,减少了护士人员的工作强度。
附图说明
图1是本发明的总流程示意图;
图2是本发明的***结构示意图;
图3是本发明的行为识别和生命体征状况的数据处理总流程图;
图4是本发明的行为识别算法的流程图;
图5是本发明的生命体征状况算法的流程图。
具体实施方式
如图1-图5所示的一种基于深度神经网络的术后病人行为监测方法,包括如下步骤:
步骤1:在病人身上设置信息采集装置,信息采集装置用于采集病人生命体征数据,生命体征数据包括心电信号ECG、血氧饱和度数据SpO2、位置信息、加速度信号和角速度信号;
在医院病房部署监测中心服务器,信息采集装置通过无线网络与监测中心服务器通信;
监控中心服务器设有DTU,信息采集装置通过无线网络与DTU通信,DTU通过串口与监控中心服务器通信;
步骤2:在监测中心服务器中预设深度神经网络模型,信息采集装置将生命体征数据发送给监测中心服务器,监测中心服务器对生命体征数据进行预处理;
实际采集的数据一般都有噪声,需要进行预处理,预处理的方法包括平滑、去噪、归一化和标准化;
本实施例的指数平滑的公式为:St=α·yt+(1-α)St-1;其中St为t期平滑值,α为平滑常数,yt为t期实际值,S1=y1即为第一期的预测值等于观测值;
本实施例采用基于小波变换的时间序列去噪,其包括小波分解与重构法去噪;小波分解与重构法去噪为现有技术,故不详细叙述。
步骤3:监测中心服务器对生命体征数据进行窗口分割:使用加窗的方法分割时间序列上的生命体征数据,即,使用窗口长度为在2s时间上的采取的样本点的矩形窗分割生命体征数据,步长设置为有50%的数据重叠;
步骤4:监测中心服务器对生命体征数据中的加速度和角速度信号进行特征提取:采用滑动窗口提取时域特征和频域特征;频域特征为生命体征数据中的周期性信息,频域特征的分析用快速傅里叶变换计算;
时域特征的提取包括如下步骤:
步骤S1:用n来表示一个时间窗口的大小,用i来表示第i行数据,利用以下公式计算加速度和角速度信号数据的均值mean、标准差std、相关系数p和过均值点个数abovemean;
其中,n取自然数,i取自然数;cov(x,y)表示x,y的相关系数;σx,σy表示x,y的标准差;sign()为判断函数,当ai>mean的条件成立时,sign()结果取值为1,否则为0;ai为第i行数据;
频域特征的提取包括如下步骤:
步骤S2:用n来表示一个时间窗口的大小,用i来表示第i行数据,通过快速傅里叶变换分析加速度和角速度数据频域分析,利用以下公式得到的幅度统计的几个量包括均值ampmean、标准差ampstd、斜度ampskew、峭度ampkurt和形状统计的几个量包括均值shapemean、标准差shapestd、斜度shapeskew、峭度shapekurt;
其中C(i)为第i个窗口的频率幅度值,N表示窗口数,
步骤S3:选择生命体征数据的加速度和角速度信号的时域和频域特征来进行行为识别;
步骤5:监测中心服务器进行特征选择:将生命体征数据分类为人体生命体征状况数据和行为数据;
步骤6:监测中心服务器基于时间序列对行为数据进行计算,对病人进行行为识别,其具体步骤如下:
步骤A1:将信息采集装置多次采集到的位置信息、加速度信号和角速度信号进行小波去噪后生成行为样本集;
步骤A2:建立隐马尔科夫HMM模型和双层GRU模型,利用行为样本集中的数据对隐马尔科夫HMM模型和双层GRU模型进行训练;
HMM模型可由以下参数描述:
N:模型中状态的个数。N个状态的集合S={S1,S2,...,SN}。记t时刻状态为qt,显然qt∈{S1,S2,...,SN}。
M:观测符号的个数。观测符号的集合为V={v1,v2,...,vm}。
T:观测序列的长度。观测序列可记为O={o1,o2,...,oT},记t时刻的观测值为ot,,其中ot∈{v1,v2,...,vm}。
π:初始的状态概率为π={π1,π2,...,πN},
其中πi=p(qi=Si),1≤i≤N;
A:状态转移概率矩阵,A={aij},
其中aij=p(qt+1=Sj|qt=Si),1≤i,j≤N;
B:观察值概率矩阵,B={bjk},
其中bjk=p(ot=vk|qt=Sj),1≤j≤N,1≤k≤M;
一个HMM为:λ=(N,M,π,A,B)简写为λ=(π,A,B)。
双层GRU模型为在神经网络的深度不断拓展,即在第一层GRU基础上,再叠加一层GRU,叠加方法就是把每个输入对应的GRU层的输出作为下一层GRU神经网络层相应节点的输入,因为两者完全是一一对应的,所以很好叠加这两层神经网络。
步骤A3:将行为样本集中最近一次采集到的位置信息、加速度信号和角速度信号作为实时行为数据,并将实时行为数据加入到测试行为样本集中;
步骤A4:通过隐马尔科夫HMM模型中的Viterbi算法对测试行为样本集进行分类,去除脏数据,生产行为序列数据,Viterbi算法为在已知模型参数λ和观测序列O=o1,o2,...,oT的条件下,寻找最佳的状态序列Q*=q1*,q2*,...qT*,即使P(Q,O|λ)最大的状态序列。
步骤A5:将行为分类为5个类型,5个类型包括行走、躺着、坐着、喝水和站立;
步骤A6:利用双层GRU模型对行为序列数据进行识别,判断并输出行为序列数据属于步骤A5中定义的哪一个类型;
步骤7:监测中心服务器基于时间序列对人体生命体征状况数据进行计算,识别病人的生命体证状况,其具体步骤如下:
步骤B1:将信息采集装置多次采集到的心电信号ECG和血氧饱和度数据SpO2进行小波去噪后生成体征样本集;
步骤B2:建立双层GRU模型,利用体征样本集中的数据对双层GRU模型进行训练;
步骤B3:将体征样本集中最近一次采集到的心电信号ECG和血氧饱和度数据SpO2作为实时行为数据,并将实时行为数据加入到测试体征样本集中;
步骤B4:将体征分为分为四级:一级是生命体征严重危险的病人,二级是生命体征危险的病人,三级是生命体征状态中等的病人,四级是生命体征状态良好的病人;
步骤B5:利用双层GRU模型对测试体征样本集进行识别,判断并输出测试体征样本集中的数据属于步骤B4中定义的哪一个类型。
优选的,在执行步骤6时,GRU模型作为LSTM长短期记忆网络的一种变体,将忘记门和输入门合成了一个单一的更新门,双层GRU模型是将前一层GRU的输出作为后一层的输入。
优选的,所述信息采集装置包括单片机、GPRS模块、锂电池、AD模块、纽扣式电极贴片、充电模块、血氧探头和惯性传感器,蓝牙模块、AD模块、血氧探头和惯性传感器均与单片机连接,纽扣式电极贴片连接AD模块;锂电池为单片机、蓝牙模块、锂电池、AD模块、纽扣式电极贴片、血氧探头和惯性传感器供电,充电模块连接锂电池。
优选的,所述单片机的型号为赛普拉斯集成BLE功能的CY8C4247单片机;所述AD模块的型号为ADS1291;所述血氧探头的型号为IR2R413UT-038型血氧探头传感器;惯性传感器的型号为MPU6050;所述GPRS模块的型号为SIM800A。
优选的,所述DTU的型号为USR-GPRS-734
所述信息采集装置还包括TMB09A03型蜂鸣器、HYY1027型震动器和数个LED灯,TMB09A03型蜂鸣器、HYY1027型震动器和数个LED灯均与STM32微处理器的IO口电连接。
信息采集装置通过MB09A03型蜂鸣器、HYY1027型震动器和LED灯向佩戴者发出报警信息。
本发明所述的一种基于深度神经网络的术后病人行为监测方法,解决了对住院术后病人进行行为识别和体征监控的技术问题,为医生的诊疗提供了参考数据,减少了护士人员的工作强度。
Claims (5)
1.一种基于深度神经网络的术后病人行为监测方法,其特征在于:包括如下步骤:
步骤1:在病人身上设置信息采集装置,信息采集装置用于采集病人生命体征数据,生命体征数据包括心电信号ECG、血氧饱和度数据SpO2、位置信息、加速度信号和角速度信号;
在医院病房部署监测中心服务器,信息采集装置通过无线网络与监测中心服务器通信;
监控中心服务器设有DTU,信息采集装置通过无线网络与DTU通信,DTU通过串口与监控中心服务器通信;
步骤2:在监测中心服务器中预设深度神经网络模型,信息采集装置将生命体征数据发送给监测中心服务器,监测中心服务器对生命体征数据进行预处理;
步骤3:监测中心服务器对生命体征数据进行窗口分割:使用加窗的方法分割时间序列上的生命体征数据,即,使用窗口长度为在2s时间上的采取的样本点的矩形窗分割生命体征数据,步长设置为有50%的数据重叠;
步骤4:监测中心服务器对生命体征数据中的加速度和角速度信号进行特征提取:采用滑动窗口提取时域特征和频域特征;频域特征为生命体征数据中的周期性信息,频域特征的分析用快速傅里叶变换计算;
时域特征的提取包括如下步骤:
步骤S1:用n来表示一个时间窗口的大小,用i来表示第i行数据,利用以下公式计算加速度和角速度信号数据的均值mean、标准差std、相关系数p和过均值点个数above mean;
其中,n取自然数,i取自然数;cov(x,y)表示x,y的相关系数;σx,σy表示x,y的标准差;sign()为判断函数,当ai>mean的条件成立时,sign()结果取值为1,否则为0;ai为第i行数据;
频域特征的提取包括如下步骤:
步骤S2:用n来表示一个时间窗口的大小,用i来表示第i行数据,通过快速傅里叶变换分析加速度和角速度数据频域分析,利用以下公式得到的幅度统计的几个量包括均值ampmean、标准差ampstd、斜度ampskew、峭度ampkurt和形状统计的几个量包括均值shapemean、标准差shapestd、斜度shapeskew、峭度shapekurt;
其中C(i)为第i个窗口的频率幅度值,N表示窗口数,
步骤S3:选择生命体征数据的加速度和角速度信号的时域和频域特征来进行行为识别;
步骤5:监测中心服务器进行特征选择:将生命体征数据分类为人体生命体征状况数据和行为数据;
步骤6:监测中心服务器基于时间序列对行为数据进行计算,对病人进行行为识别,其具体步骤如下:
步骤A1:将信息采集装置多次采集到的位置信息、加速度信号和角速度信号进行小波去噪后生成行为样本集;
步骤A2:建立隐马尔科夫HMM模型和双层GRU模型,利用行为样本集中的数据对隐马尔科夫HMM模型和双层GRU模型进行训练;
步骤A3:将行为样本集中最近一次采集到的位置信息、加速度信号和角速度信号作为实时行为数据,并将实时行为数据加入到测试行为样本集中;
步骤A4:通过隐马尔科夫HMM模型中的Viterbi算法对测试行为样本集进行分类,去除脏数据,生产行为序列数据,
步骤A5:将行为分类为5个类型,5个类型包括行走、躺着、坐着、喝水和站立;
步骤A6:利用双层GRU模型对行为序列数据进行识别,判断并输出行为序列数据属于步骤A5中定义的哪一个类型;
步骤7:监测中心服务器基于时间序列对人体生命体征状况数据进行计算,识别病人的生命体证状况,其具体步骤如下:
步骤B1:将信息采集装置多次采集到的心电信号ECG和血氧饱和度数据SpO2进行小波去噪后生成体征样本集;
步骤B2:建立双层GRU模型,利用体征样本集中的数据对双层GRU模型进行训练;
步骤B3:将体征样本集中最近一次采集到的心电信号ECG和血氧饱和度数据SpO2作为实时行为数据,并将实时行为数据加入到测试体征样本集中;
步骤B4:将体征分为分为四级:一级是生命体征严重危险的病人,二级是生命体征危险的病人,三级是生命体征状态中等的病人,四级是生命体征状态良好的病人;
步骤B5:利用双层GRU模型对测试体征样本集进行识别,判断并输出测试体征样本集中的数据属于步骤B4中定义的哪一个类型。
2.如权利要求1所述的一种基于深度神经网络的术后病人行为监测方法,其特征在于:在执行步骤6时,GRU模型作为LSTM长短期记忆网络的一种变体,将忘记门和输入门合成了一个单一的更新门,双层GRU模型是将前一层GRU的输出作为后一层的输入。
3.如权利要求1所述的一种基于深度神经网络的术后病人行为监测方法,其特征在于:所述信息采集装置包括单片机、GPRS模块、锂电池、AD模块、纽扣式电极贴片、充电模块、血氧探头和惯性传感器,蓝牙模块、AD模块、血氧探头和惯性传感器均与单片机连接,纽扣式电极贴片连接AD模块;锂电池为单片机、蓝牙模块、锂电池、AD模块、纽扣式电极贴片、血氧探头和惯性传感器供电,充电模块连接锂电池。
4.如权利要求3所述的一种基于深度神经网络的术后病人行为监测方法,其特征在于:所述单片机的型号为赛普拉斯集成BLE功能的CY8C4247单片机;所述AD模块的型号为ADS1291;所述血氧探头的型号为IR2R413UT-038型血氧探头传感器;惯性传感器的型号为MPU6050;所述GPRS模块的型号为SIM800A。
5.如权利要求1所述的一种基于深度神经网络的术后病人行为监测方法,其特征在于:所述DTU的型号为USR-GPRS-734。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910052122.8A CN109662708A (zh) | 2019-01-21 | 2019-01-21 | 一种基于深度神经网络的术后病人行为监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910052122.8A CN109662708A (zh) | 2019-01-21 | 2019-01-21 | 一种基于深度神经网络的术后病人行为监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109662708A true CN109662708A (zh) | 2019-04-23 |
Family
ID=66150959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910052122.8A Pending CN109662708A (zh) | 2019-01-21 | 2019-01-21 | 一种基于深度神经网络的术后病人行为监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109662708A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314486A (zh) * | 2020-03-12 | 2020-06-19 | 深圳市科瑞康实业有限公司 | 一种低延时的ai人工智能分析数据传输方法 |
CN112890828A (zh) * | 2021-01-14 | 2021-06-04 | 重庆兆琨智医科技有限公司 | 一种密集连接门控网络的脑电信号识别方法及*** |
CN114999649A (zh) * | 2022-06-06 | 2022-09-02 | 广州培生智能科技有限公司 | 一种基于深度学习的老人体征数据监控预警方法和*** |
-
2019
- 2019-01-21 CN CN201910052122.8A patent/CN109662708A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314486A (zh) * | 2020-03-12 | 2020-06-19 | 深圳市科瑞康实业有限公司 | 一种低延时的ai人工智能分析数据传输方法 |
CN112890828A (zh) * | 2021-01-14 | 2021-06-04 | 重庆兆琨智医科技有限公司 | 一种密集连接门控网络的脑电信号识别方法及*** |
CN114999649A (zh) * | 2022-06-06 | 2022-09-02 | 广州培生智能科技有限公司 | 一种基于深度学习的老人体征数据监控预警方法和*** |
CN114999649B (zh) * | 2022-06-06 | 2022-12-27 | 广州培生智能科技有限公司 | 一种基于深度学习的老人体征数据监控预警方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | HeartToGo: a personalized medicine technology for cardiovascular disease prevention and detection | |
CN105877766B (zh) | 一种基于多生理信号融合的精神状态检测***及方法 | |
Belgacem et al. | ECG based human authentication using wavelets and random forests | |
CN102138789B (zh) | 一种动态心电和运动记录与分析*** | |
CN108765876A (zh) | 基于多模信号的驾驶疲劳深度分析预警***及方法 | |
TW201918222A (zh) | 事件檢測方法及設備、房顫檢測方法和非暫時性儲存介質 | |
CN108388912A (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
CN109662708A (zh) | 一种基于深度神经网络的术后病人行为监测方法 | |
CN107103182A (zh) | 一种基于深度学习算法的心脏性疾病风险预警***及方法 | |
CN106446811A (zh) | 基于深度学习的驾驶员疲劳检测方法及装置 | |
Shuzan et al. | A novel non-invasive estimation of respiration rate from motion corrupted photoplethysmograph signal using machine learning model | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
CN106446533A (zh) | 一种人体健康数据处理***及其方法 | |
CN106559744A (zh) | 一种基于稀疏识别与压缩感知的体域网节能方法 | |
CN103970975B (zh) | 心电数据处理方法和*** | |
CN110327055A (zh) | 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法 | |
CN109119172B (zh) | 一种基于蜂群算法的人体行为检测方法 | |
CN110916672A (zh) | 一种基于一维卷积神经网络的老年人日常活动监测方法 | |
CN107516019A (zh) | 无创健康预测***及方法 | |
Gong et al. | PDhms: pulse diagnosis via wearable healthcare sensor network | |
CN109009005A (zh) | 一种可穿戴式中医脉象采集与分析*** | |
CN110491500B (zh) | 一种基于心脏功能动态监测与分析的身份识别***及方法 | |
Ahmed et al. | CapNet: A Deep Learning-based Framework for Estimation of Capnograph Signal from PPG | |
CN113593702A (zh) | 宠物健康预警诊疗*** | |
CN114431829A (zh) | 一种癫痫发作判断模型的建模方法、癫痫监控方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190423 |