CN112329812A - 慢阻肺急性加重自动预警方法和平台、及可读存储介质 - Google Patents
慢阻肺急性加重自动预警方法和平台、及可读存储介质 Download PDFInfo
- Publication number
- CN112329812A CN112329812A CN202011048494.2A CN202011048494A CN112329812A CN 112329812 A CN112329812 A CN 112329812A CN 202011048494 A CN202011048494 A CN 202011048494A CN 112329812 A CN112329812 A CN 112329812A
- Authority
- CN
- China
- Prior art keywords
- acute exacerbation
- nursing
- data
- obstructive pulmonary
- time data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000009798 acute exacerbation Effects 0.000 title claims abstract description 71
- 230000000414 obstructive effect Effects 0.000 title claims abstract description 32
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 32
- 230000000474 nursing effect Effects 0.000 claims abstract description 75
- 230000008569 process Effects 0.000 claims abstract description 30
- 230000001684 chronic effect Effects 0.000 claims abstract description 27
- 230000000241 respiratory effect Effects 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 24
- 238000007477 logistic regression Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 230000036772 blood pressure Effects 0.000 claims description 6
- 230000036760 body temperature Effects 0.000 claims description 6
- 238000009423 ventilation Methods 0.000 claims description 6
- 230000036391 respiratory frequency Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 abstract description 4
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 208000020053 Abnormal inflammatory response Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
Description
技术领域
本发明涉及计算机数据处理技术领域,尤其涉及一种慢阻肺急性加重自动预警方法和平台、及计算机可读存储介质。
背景技术
慢性阻塞性肺疾病(chronic obstructive pulmonary diseases,COPD),简称慢阻肺,是一种破坏性的肺部疾病,以不完全可逆的呈进行性发展的气流受限为特征,并与肺对有害颗粒或气体的异常炎症反应有关。该病症作为一种慢性病,具有病程长且病程反复的特点,患有该疾病的患者大部分时间处于家中静养的状态,而大部分医生更注重慢阻肺急性加重期的病情控制,而忽略了稳定期的恢复和治疗,以致急性加重次数增加。慢阻肺急性加重具有反复发作和复发时间具有不定性的特点,并且当前并没有较准确的预测方法,所以根据当前患者的身体情况对急性加重进行预警具有十分重要的现实意义。
发明内容
本发明的主要目的在于提供一种科学、客观的慢阻肺急性加重自动预警方法和平台,解决现有技术中慢阻肺急性加重预测中存在的问题。
为实现上述目的,本发明提供的慢阻肺急性加重自动预警方法,其特征在于,包括步骤:
S1,对获取用户在呼吸护理过程中产生的时间数据以及与该时间数据对应的护理数据进行预处理;
S2,将预处理过后的所述时间数据和所述护理数据输入至预先建立好的学习模型中,并获取所述学习模型输出的急性加重结果;其中,所述学习模型函数为Res为用户当前时刻的急性加重的概率,x为所述护理数据中的一项具体护理数据的特征向量值,θ为所述x对应的的权重向量,T为常数;
S3,在所述模型预测的结果为急性加重,向正在用呼吸机进行护理的用户发送报警信息。
进一步地,在所述步骤S2包括,将预处理过后的所述时间数据和所述护理数据输入至预先建立好的学习模型中,并获取所述学习模型输出的Res是否大与预设的阈值,在所述Res大于等于0.5时,所述学习模型函数输出结果为急性加重;在所述Res小于0.5时,所述学习模型函数输出结果非急性加重。
进一步地,所述阈值为0.5。
进一步地,所述护理数据包括血压均值P、呼吸频率均值B、血氧均值S、心率均值H、体温均值T及分钟通气量MV中的至少一个。
进一步地,所述步骤S2之前,还包括:
获取用于训练逻辑回归模型的训练集,所述训练集包括第一预设数量的用户在呼吸护理过程中产生的时间数据、呼吸护理过程中产生的护理数据及对应的急性加重分类结果;
获取用于验证逻辑回归模型的验证集,所述验证集包括第二预设数量的用户在呼吸护理过程中产生的时间数据、呼吸护理过程中产生的护理数据及对应的急性加重分类结果;
利用训练集中不同用户对应的时间数据、护理数据及急性加重分类结果对逻辑回归模型进行构建;
利用验证集中不同用户对应的时间数据、护理数据及急性加重分类结果对之前构建的逻辑回归模型进行验证;
若验证集的通过率大于等于之前设定的通过率阈值,那么表示逻辑回归模型训练完成,并且以训练并验证后的该逻辑回归模型作为步骤S2中的模型,否则继续调整训练参数和增加训练集,再重新训练和验证,直到通过率满足为止。
进一步地,所述步骤S1中的预处理方法,包括:对所述所述时间数据和所述护理数据进行归一化处理的步骤。
进一步地,所述步骤S1中的预处理方法,包括:
对所述时间数据和所述护理数据进行丢包检测,在丢包率大于预设阈值时,发出数据丢失报警信号,在丢包率大于0且小于所述预设阈值时,获取在丢包时刻之前的所述护理数据,并根据所述丢包时刻之前的所述护理数据的平均值,对丢失的所述时间数据和所述护理数据进行补全。
进一步地,还包括步骤:
基于用户在呼吸护理过程中产生的所述时间数据以及与该时间数据对应的所述护理数据,生成相应的护理报告,并发送给对应的用户端。
本发明还提供一种慢阻肺急性加重自动预警平台,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上任一项所述的方法的步骤。
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上任一项所述的方法的步骤。
本发明的有益效果是:本发明在慢阻肺急性加重自动预警方法及平台中,通过呼吸机、穿戴设备其他医疗器械等呼吸护理过程中采集患者的护理数据,对获取用户在呼吸护理过程中产生的时间数据以及与该时间数据对应的护理数据进行预处理;将预处理过后的所述时间数据和所述护理数据输入至预先建立好的学习模型中,并获取所述学习模型输出的急性加重结果;在所述模型预测的结果为急性加重,向正在用呼吸机进行护理的用户发送报警信息。
附图说明
图1为本发明一个实施例中慢阻肺急性加重自动预警方法的应用场景图;
图2为本发明一实施例中的慢阻肺急性加重自动预警平台的模块结构示意图;
图3为本发明一个实施例中慢阻肺急性加重自动预警方法的流程图。
本发明目的实现、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用以解释本发明,并不用于限定本发明。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本申请提供的慢阻肺急性加重自动预警方法,可以应用于如图1所示的应用环境中。慢阻肺急性加重自动预警平台100包括架构有慢阻肺急性加重自动预警程序的后台服务器20。慢阻肺监护单元1可以包括多个护理终端10,护理终端10通过网络直接或者间接与后台服务器20通过网络进行通信。其中,医生或者患者可以通过各自的终端设备10上安装的APP或者网站向后台服务器20 发送和接收数据。护理终端10包括但不限于是呼吸机、脉氧仪、血压计、体温计等。
其中,后台服务器20可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
所述服务器可以是计算机、大型计算机服务器(例如多个网络服务器组成的服务器组)、云端计算服务器(例如基于云计算的由大量主机或者网络服务器构成的云)。
后台服务器20可以包括:存储器71、处理器72、以及电源74等部件。本领域技术人员可以理解,图2中示出的结构并不构成对计算机设备的限定,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置;例如,在图2示出的示例中,计算机设备还包括通信单元75。
存储器71可用于存储软件程序以及各种数据。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器72是计算机设备7的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器71内的软件程序和/或模块,以及调用存储在存储器71内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。处理器72可包括一个或多个处理单元;优选的,处理器72可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器72中。
在一实施例中,计算机设备还包括存储在存储器71上并可在处理器72上运行的计算机程序,处理器执行计算机程序时实现本发明所述的任意一项慢阻肺急性加重自动预警方法的步骤。
请参阅图3,在一个实施例中,提供一种慢阻肺急性加重自动预警方法,以该方法应用于图1中的后台服务器20为例进行说明,包括如下步骤:
S1,对获取用户在呼吸护理过程中产生的时间数据以及与该时间数据对应的护理数据进行预处理。
具体的,慢阻肺监护单元1的护理终端10包括但不限于是呼吸机、脉氧仪、血压计、体温计等。其中,呼吸机可以负责采集患者的分钟通气量MV和呼吸频率均值MV,血压计负责采集血压P,体温计负责采集体温T、脉氧仪负责采集血氧S和心率H,各个护理终端10将数据采集完毕后直接发送至后台服务器 20或者发送给网关,网关继续将解析后的数据发送给架构有慢阻肺急性加重自动预警程序的后台服务器20。
在本实施例中,由于慢阻肺监护单元1中有多种不同的护理终端10,不同的护理终端10的数据对应的传输方式和数据类型也不一样,因此,优选地,慢阻肺监护单元1中同一时刻不同采集设备产生的数据先进行预处理。例如,先汇总到网关(图未示出),网关处理完毕后再上传给后台服务器20;在其他实施例中,也可以由后台服务器20进行预处理。
优选地,在一实施例中,所述步骤S1中的预处理方法,包括:对所述所述时间数据和所述护理数据进行归一化处理的步骤。
优选地,在另一实施例中,所述步骤S1中的预处理方法,包括:对所述时间数据和所述护理数据进行丢包检测,在丢包率大于预设阈值时,发出数据丢失报警信号,在丢包率大于0且小于所述预设阈值时,获取在丢包时刻之前的所述护理数据,并根据所述丢包时刻之前的所述护理数据的平均值,对丢失的所述时间数据和所述护理数据进行补全。
具体的,在一具体示例中,用户在2018/03/01-2018/12/01之间于慢阻肺监护单元1中产生的数据包括:时间数据以及与该时间数据对应的护理数据;其中,采集到的护理数据包括血压均值B、呼吸频率均值B、血氧均值S、心率均值H、体温均值T及分钟通气量MV;以及护理数据对应的时间。
S2,将预处理过后的所述时间数据和所述护理数据输入至预先建立好的学习模型中并获取所述学习模型输出的急性加重结果;其中,所述学习模型函数为,Res为用户当前时刻的急性加重的概率,x为所述护理数据中的一项具体护理数据的特征向量值,T为常数。
在一具体示例中,采集到的护理数据包括血压均值B、呼吸频率均值B、血氧均值S、心率均值H、体温均值T及分钟通气量MV;经过预处理后的护理数据中包含了每一项具体护理数据的特征向量值x,θ为所述x对应的的权重向量(W1,W2,W3,W4,W5,W6),其中W1为血压均值数据的权值,所述W2为呼吸频率均值的权值,所述W3为血氧数据的权值,所述W4为心率均值数据的权值,所述W5为体温均值的权值,所述W6为分钟通气量的权值。
在所述步骤S2具体包括,将预处理过后的所述时间数据和所述护理数据输入至预先建立好的学习模型中,并获取所述学习模型输出的Res是否大与预设的阈值,在所述Res大于等于所述阈值时,所述学习模型函数输出结果为急性加重;在所述Res小于所述阈值时,所述学习模型函数输出结果非急性加重。其中,所述阈值可以为0.5;在其他实例中,所述阈值也可以根据护理的安全性,相应设置。
S3,在所述模型预测的结果为急性加重,向正在用呼吸机进行护理的用户发送报警信息。
本实施例中在慢阻肺急性加重自动预警方法及平台中,通过呼吸机、穿戴设备其他医疗器械等呼吸护理过程中采集患者的护理数据,对获取用户在呼吸护理过程中产生的时间数据以及与该时间数据对应的护理数据进行预处理;将预处理过后的所述时间数据和所述护理数据输入至预先建立好的学***台,慢阻肺急性加重自动预警平台利用机器学习模型对这些数据进行分析,得出对应的急性加重分类结果,当分类结果为急性加重时,发送报警信息以提醒用户关注近期的病情情况;从而通过采集慢阻肺患者的体征数据,并利用机器学习方法对患者的历史数据进行预测,判断当前时刻患者的病情是否处于急性加重状态。
所述步骤S2之前,还包括:
获取用于训练逻辑回归模型的训练集,所述训练集包括第一预设数量的用户在呼吸护理过程中产生的时间数据、呼吸护理过程中产生的护理数据及对应的急性加重分类结果;
获取用于验证逻辑回归模型的验证集,所述验证集包括第二预设数量的用户在呼吸护理过程中产生的时间数据、呼吸护理过程中产生的护理数据及对应的急性加重分类结果;
利用训练集中不同用户对应的时间数据、护理数据及急性加重分类结果对逻辑回归模型进行构建;
利用验证集中不同用户对应的时间数据、护理数据及急性加重分类结果对之前构建的逻辑回归模型进行验证;
若验证集的通过率大于等于之前设定的通过率阈值,那么表示逻辑回归模型训练完成,并且以训练并验证后的该逻辑回归模型作为步骤S2中的模型,否则继续调整训练参数和增加训练集,再重新训练和验证,直到通过率满足为止。
优选地,在一实施方式中,还包括步骤:基于用户在呼吸护理过程中产生的所述时间数据以及与该时间数据对应的所述护理数据,生成相应的护理报告,并发送给对应的用户端。
此外,本发明还提供一种计算机可读存储介质,计算机可读介质存储有计算机程序,该计算机程序被处理器执行时实现上述的慢阻肺急性加重自动预警方法的步骤。
需要说明的是,由于计算机可读存储介质的计算机程序被处理器执行时实现上述的慢阻肺急性加重自动预警方法的步骤,因此上述方法的所有实施例均适用于该计算机可读存储介质,且均能达到相同或相似的有益效果。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
2.根据权利要求1所述的慢阻肺急性加重自动预警方法,其特征在于,在所述步骤S2包括,将预处理过后的所述时间数据和所述护理数据输入至预先建立好的学习模型中,并获取所述学习模型输出的Res是否大与预设的阈值,在所述Res大于等于所述阈值时,所述学习模型函数输出结果为急性加重;在所述Res小于所述阈值时,所述学习模型函数输出结果非急性加重。
3.根据权利要求1所述的慢阻肺急性加重自动预警方法,其特征在于,所述阈值为0.5。
4.根据权利要求1所述的慢阻肺急性加重自动预警方法,其特征在于,所述护理数据包括血压均值P、呼吸频率均值B、血氧均值S、心率均值H、体温均值T及分钟通气量MV中的至少一个。
5.根据权利要求1所述的慢阻肺急性加重自动预警方法,其特征在于,所述步骤S2之前,还包括:
获取用于训练逻辑回归模型的训练集,所述训练集包括第一预设数量的用户在呼吸护理过程中产生的时间数据、呼吸护理过程中产生的护理数据及对应的急性加重分类结果;
获取用于验证逻辑回归模型的验证集,所述验证集包括第二预设数量的用户在呼吸护理过程中产生的时间数据、呼吸护理过程中产生的护理数据及对应的急性加重分类结果;
利用训练集中不同用户对应的时间数据、护理数据及急性加重分类结果对逻辑回归模型进行构建;
利用验证集中不同用户对应的时间数据、护理数据及急性加重分类结果对之前构建的逻辑回归模型进行验证;
若验证集的通过率大于等于之前设定的通过率阈值,那么表示逻辑回归模型训练完成,并且以训练并验证后的该逻辑回归模型作为步骤S2中的模型,否则继续调整训练参数和增加训练集,再重新训练和验证,直到通过率满足为止。
6.根据权利要求1所述的慢阻肺急性加重自动预警方法,其特征在于,所述步骤S1中的预处理方法,包括:对所述所述时间数据和所述护理数据进行归一化处理的步骤。
7.根据权利要求1所述的慢阻肺急性加重自动预警方法,其特征在于,所述步骤S1中的预处理方法,包括:
对所述时间数据和所述护理数据进行丢包检测,在丢包率大于预设阈值时,发出数据丢失报警信号,在丢包率大于0且小于所述预设阈值时,获取在丢包时刻之前的所述护理数据,并根据所述丢包时刻之前的所述护理数据的平均值,对丢失的所述时间数据和所述护理数据进行补全。
8.根据权利要求1所述的慢阻肺急性加重自动预警方法,其特征在于,还包括步骤:
基于用户在呼吸护理过程中产生的所述时间数据以及与该时间数据对应的所述护理数据,生成相应的护理报告,并发送给对应的用户端。
9.一种慢阻肺急性加重自动预警平台,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,所述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8任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011048494.2A CN112329812A (zh) | 2020-09-29 | 2020-09-29 | 慢阻肺急性加重自动预警方法和平台、及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011048494.2A CN112329812A (zh) | 2020-09-29 | 2020-09-29 | 慢阻肺急性加重自动预警方法和平台、及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112329812A true CN112329812A (zh) | 2021-02-05 |
Family
ID=74313705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011048494.2A Pending CN112329812A (zh) | 2020-09-29 | 2020-09-29 | 慢阻肺急性加重自动预警方法和平台、及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329812A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612885A (zh) * | 2023-04-26 | 2023-08-18 | 浙江大学 | 一种基于多模态的慢性阻塞性肺病急性加重的预测装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220491A (zh) * | 2017-05-18 | 2017-09-29 | 湖南明康中锦医疗科技发展有限公司 | 云服务器、提醒的方法及计算机可读存储介质 |
CN108257675A (zh) * | 2018-02-07 | 2018-07-06 | 平安科技(深圳)有限公司 | 慢阻肺发病风险预测方法、服务器及计算机可读存储介质 |
CN111657888A (zh) * | 2020-05-28 | 2020-09-15 | 首都医科大学附属北京天坛医院 | 重度急性呼吸窘迫综合症预警方法及*** |
-
2020
- 2020-09-29 CN CN202011048494.2A patent/CN112329812A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220491A (zh) * | 2017-05-18 | 2017-09-29 | 湖南明康中锦医疗科技发展有限公司 | 云服务器、提醒的方法及计算机可读存储介质 |
CN108257675A (zh) * | 2018-02-07 | 2018-07-06 | 平安科技(深圳)有限公司 | 慢阻肺发病风险预测方法、服务器及计算机可读存储介质 |
CN111657888A (zh) * | 2020-05-28 | 2020-09-15 | 首都医科大学附属北京天坛医院 | 重度急性呼吸窘迫综合症预警方法及*** |
Non-Patent Citations (1)
Title |
---|
李勇 等: "《复杂情感分析方法及其应用》", 29 February 2020, 冶金工业出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612885A (zh) * | 2023-04-26 | 2023-08-18 | 浙江大学 | 一种基于多模态的慢性阻塞性肺病急性加重的预测装置 |
CN116612885B (zh) * | 2023-04-26 | 2024-03-22 | 浙江大学 | 一种基于多模态的慢性阻塞性肺病急性加重的预测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
El Zouka et al. | Secure IoT communications for smart healthcare monitoring system | |
Akmandor et al. | Smart, secure, yet energy-efficient, internet-of-things sensors | |
CN108430570B (zh) | 从可植入医疗装置获取高分辨率信息 | |
US7621871B2 (en) | Systems and methods for monitoring and evaluating individual performance | |
KR20190101002A (ko) | 애완동물의 건강 상태 관리 방법 및 시스템 | |
US20110124982A1 (en) | Residual-Based Monitoring of Human Health | |
Hu et al. | Predictive combinations of monitor alarms preceding in-hospital code blue events | |
CN110732068B (zh) | 一种基于云平台的呼吸状态预测方法 | |
WO2018218310A1 (en) | Digital health monitoring system | |
Waluyo et al. | Mobisense: Mobile body sensor network for ambulatory monitoring | |
CN114678097A (zh) | 一种面向智慧服装的人工智能与数字孪生***及方法 | |
CN112329812A (zh) | 慢阻肺急性加重自动预警方法和平台、及可读存储介质 | |
Mortensen et al. | Multi-class stress detection through heart rate variability: A deep neural network based study | |
Panagiotou et al. | A multi: modal decision making system for an ambient assisted living environment | |
Pathak et al. | Complex event processing based remote health monitoring system | |
CN111899862B (zh) | 一种呼吸机参数获取方法、装置、设备及存储介质 | |
Zhao et al. | Intelligent Gateway Based Human Cardiopulmonary Health Monitoring System | |
Biswas et al. | Remote monitoring of soldier safety through body posture identification using wearable sensor networks | |
CN113499037A (zh) | 用户睡眠质量的确定方法和装置、电子设备和存储介质 | |
CN112151178A (zh) | 一种基于Java语言开发的智慧健康云平台 | |
CN111759289A (zh) | 基于大数据的健康终端管理方法 | |
Park et al. | Pit-a-Pat: A smart electrocardiogram system for detecting arrhythmia | |
Pantelopoulos et al. | A health prognosis wearable system with learning capabilities using nns | |
Amit et al. | Evaluation of IoT based Real-Time Pulse & Temperature Monitoring System | |
CN111261252A (zh) | 一种手术信息查看方法、装置、服务器和介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |
|
RJ01 | Rejection of invention patent application after publication |