CN116649904A - 一种基于互联网医院的患者安全监控*** - Google Patents
一种基于互联网医院的患者安全监控*** Download PDFInfo
- Publication number
- CN116649904A CN116649904A CN202310638077.0A CN202310638077A CN116649904A CN 116649904 A CN116649904 A CN 116649904A CN 202310638077 A CN202310638077 A CN 202310638077A CN 116649904 A CN116649904 A CN 116649904A
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- blood pressure
- individual
- abnormality
- 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.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 77
- 230000002159 abnormal effect Effects 0.000 claims abstract description 114
- 230000005540 biological transmission Effects 0.000 claims abstract description 36
- 238000007499 fusion processing Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000005856 abnormality Effects 0.000 claims description 178
- 230000036772 blood pressure Effects 0.000 claims description 137
- 238000012549 training Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 29
- 230000036760 body temperature Effects 0.000 claims description 28
- 230000005484 gravity Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 22
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000002441 reversible effect Effects 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000000835 fiber Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic 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
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
-
- 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
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- 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
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pulmonology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于互联网医院的患者安全监控***,属于患者安全监控领域,设置有患者数据采集模块可以实时采集患者的生理特征数据,并通过数据传输模块传输至数据融合处理模块进行处理分析,以确定患者是否发生异常或者未来是否可能发生异常,若存在异常则通过安全预警模块发出预警信息,从而实现对患者安全的实时监控,保证患者安全的同时,还提高了患者安全监控的效率。
Description
技术领域
本发明属于患者安全监控领域,具体涉及一种基于互联网医院的患者安全监控***。
背景技术
随着人口老龄化时代的到来,病患逐渐增多,病患在就医后,或在医院接收护理治疗,或者在家中接收护理和治疗。但是不管病患在哪里接收治疗,都需要人照顾,定时查看病患的生理特征,以保证病患的安全。
现有的管理方式都是采用人工的方式,需要医护人员或者护理人员定期进行巡查,医护人员在定期巡查过程中根据检查结果进行登记及数据录入以及管理,这种方式不仅需要大量的人力成本,而且方式落后,对于突发状态也不能及时发现。例如,当卧床患者从病床上摔下时,若医护人员不在,则不能及时发现,且还会导致因不能及时发现而致使其他疾病产生,造成更严重的危害。或者,心脏病患者突然发病,但是医护人员或者护理人员不在其身旁,患者容易发生危险。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于互联网医院的患者安全监控***解决了现有技术中存在的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于互联网医院的患者安全监控***,包括患者数据采集模块、远程数据传输模块、数据融合处理模块以及安全预警模块;
所述患者数据采集模块用于采集患者的生理特征序列,并将生理特征序列传输至远程数据传输模块;
所述远程数据传输模块用于承接患者数据采集模块与数据融合处理模块,并在接收到患者数据采集模块传输的生理特征序列后,将生理特征序列通过互联网转发至数据融合处理模块;
所述数据融合处理模块用于远程接收生理特征序列,并对生理特征序列进行融合处理分析,获取异常监测结果以及异常预测结果,并将异常监测结果以及异常预测结果传输至安全预警模块;
所述安全预警模块用于接收异常监测结果以及异常预测结果,并根据异常监测结果以及异常预测结果,向患者监护人或者负责患者的医护人员对应的移动终端发出预警信息。
在一种可能的实施方式中,所述患者数据采集模块包括GPS定位单元、心电采集单元、血压采集单元、脉搏采集单元、体温采集单元以及重力传感单元;
所述GPS定位单元用于采集患者的地理位置数据,所述心电采集单元用于采集患者的心电数据,所述血压采集单元用于采集患者的血压数据,所述脉搏采集单元用于采集患者的脉搏数据,所述体温采集单元用于采集患者的体温数据,所述重力传感单元用于采集患者的重力数据;
所述生理特征序列包括连续时间点上的地理位置数据、心电数据、血压数据、脉搏数据、体温数据以及重力数据;
所述GPS定位单元、心电采集单元、血压采集单元、脉搏采集单元、体温采集单元以及重力传感单元采集数据后,将数据传输至远程数据传输模块。
在一种可能的实施方式中,所述远程数据传输模块包括4G传输单元、5G传输单元和/或光纤传输单元。
在一种可能的实施方式中,所述数据融合处理模块包括异常监测单元以及异常预测单元;
所述异常监测单元用于接收生理特征序列,并对生理特征序列进行异常分析,得到异常监测结果,所述异常监测结果包括患者生理异常或者患者生理正常;
所述异常预测单元用于接收生理特征序列,并根据生理特征序列进行异常预测,得到异常预测结果,所述异常预测结果包括患者在未来时段存在异常风险或者在未来时段不存在异常风险;
所述异常监测结果以及异常预测结果均传输至安全预警模块中。
在一种可能的实施方式中,对生理特征序列进行异常分析,得到异常监测结果,包括:
判断生理特征序列中连续时间点上的地理位置数据是否超过时间阈值不发生变化,若是,则判定患者生理异常,否则对心电数据进行异常监测;
获取生理特征序列中连续时间点上心电数据中超过心电阈值的异常心电数据,并判断异常心电数据的数量是否超过第一数量阈值,若是,则判定患者生理异常,否则对血压数据进行异常监测;
获取生理特征序列中连续时间点上血压数据中超过血压阈值的异常血压数据,并判断异常血压数据的数量是否超过第二数量阈值,若是,则判定患者生理异常,否则对脉搏数据进行异常监测;
获取生理特征序列中连续时间点上脉搏数据中超过脉搏阈值的异常脉搏数据,并判断异常脉搏数据的数量是否超过第三数量阈值,若是,则判定患者生理异常,否则对体温数据进行异常监测;
判断生理特征序列中连续时间点上的体温数据是否存在超过体温阈值的数据,若是,则判定患者生理异常,否则对重力数据进行异常监测;
判断生理特征序列中连续时间点上的重力数据是否存在连续多次变化,若是,则判定患者生理异常,否则判定患者生理正常。
在一种可能的实施方式中,根据生理特征序列进行异常预测,包括对血压数据以及脉搏数据的异常预测;
对血压数据的异常预测包括:
以神经网络模型构建血压异常预测模型,并多次随机初始化血压异常预测模型的第一权重向量,得到第一原始族群;
多次获取发生异常时对应的历史血压时间序列以及异常程度,得到多个第一训练数据,所述历史血压时间序列的长度大于异常血压持续时段,且小于三倍异常血压持续时段;
以第一训练数据以及第一原始族群为基础,采用多方向引导搜索方法对血压异常预测模型进行训练,获取血压异常预测模型的最优权重参数,得到训练完成的血压异常预测模型;
将生理特征序列中连续时间点上的血压参数作为训练完成的血压异常预测模型的输入,获取血压异常预测结果,所述血压异常预测结果包括患者在未来时段存在血压异常风险或者在未来时段不存在血压异常风险;
对脉搏数据的异常预测包括:
以神经网络模型构建脉搏异常预测模型,并多次随机初始化脉搏异常预测模型的第二权重向量,得到第二原始族群;
多次获取发生异常时对应的历史脉搏时间序列以及异常程度,得到多个第二训练数据,所述历史脉搏时间序列的长度大于异常脉搏持续时段,且小于三倍异常脉搏持续时段;
以第一训练数据以及第一原始族群为基础,采用多方向引导搜索方法对脉搏异常预测模型进行训练,获取脉搏异常预测模型的最优权重参数,得到训练完成的脉搏异常预测模型;
将生理特征序列中连续时间点上的脉搏参数作为训练完成的脉搏异常预测模型的输入,获取脉搏异常预测结果,所述脉搏异常预测结果包括患者在未来时段存在脉搏异常风险或者在未来时段不存在脉搏异常风险;
所述血压异常预测结果和/或脉搏异常预测结果存在风险,则判定患者在未来时段存在异常风险。
在一种可能的实施方式中,以第一训练数据以及第一原始族群为基础,采用多方向引导搜索方法对血压异常预测模型进行训练,获取血压异常预测模型的最优权重参数,包括:
A1、设置最低迭代次数Qmin、最高迭代次数Qmax以及当前迭代次数k=1;
A2、构建适应度函数为:
其中,F表示适应度函数,E表示误差函数,dj表示血压异常预测模型的输出层中第j个神经元对应的实际输出,yj表示血压异常预测模型的输出层中第j个神经元对应的期望输出,j=1,2,…,J,J表示输出层中神经元的总数;
A3、将每个训练数据中的历史血压时间序列截取固定长度,将截取的历史血压时间序列进行归一化处理,得到预处理后的历史血压时间序列;
A4、根据第一原始族群(W1,W2,...,Wn,...,WN),以预处理后的历史血压时间序列作为血压异常预测模型的输入,以训练数据中异常程度作为血压异常预测模型的期望输出,获取第一原始族群中每个个体对应的适应度,并记录适应度最大的个体为最佳个体Wbest;其中,Wn表示第一原始族群中第n个权重向量,Wn=(wn1,wn2,...,wnm,...,wnM),wnm表示第n个权重向量中第m个权重值;
A5、对个体Wn进行自搜索,获取一次更新后的个体Wn,并获取个体Wn在更新前后的适应度,若更新后的适应度大于更新前的适应度,则接收个体Wn的更新;若更新后的适应度小于更新前的适应度,则拒绝个体Wn的更新,该搜索为:
其中,表示在第k次更新时,更新前的个体Wn中第m个权重;/>表示更新后的 表示在第k-1次更新时,更新前的个体Wn中第m个权重;rand表示0-1之间的随机数;
A6、从更新后的族群中选出适应度最大的个体,并采用该适应度最大的个体作为新的最佳个体Wbest;
A7、获取一次更新后每个个体在整个族群中的收益,并找出收益大于设定阈值的个体,得到目标个体Wo;根据最佳个体Wbest,扩展目标个体Wo的搜索范围,并进行二次搜索,获取二次更新后的目标个体Wo,并获取目标个体Wo在更新前后的适应度,若更新后的适应度大于更新前的适应度,则接收目标个体Wo的更新;若更新后的适应度小于更新前的适应度,则拒绝目标个体Wo的更新,该二次搜索为:
其中,表示在第k次更新时,更新前的目标个体Wo中第m个权重;/>表示更新后的/>α表示第一更新因子,/>α0表示第一常数;/>表示在第k次更新时,最佳个体Wbest中第m个权重,L(β)表示第二更新因子,/>μ表示第一中间参数,μ满足正态分布/> Γ(*)表示伽马函数,π表示圆周率,β表示第二常数,v表示第二中间参数,v满足正态分布/>δV表示第三常数;
A8、对二次更新后的族群进行正反向搜索,得到三次更新后的个体,并判断当前更新次数是否大于或者等于最低迭代次数Qmin,若是,则进入步骤A9,否则返回步骤A4;
A9、获取每个个体的误差函数值,并判断是否有个体的误差函数值小于设定的阈值,若是,则将误差函数值最小的个体作为血压异常预测模型的最优权重参数,否则进入步骤A10;
A10、判断当前更新次数是否大于或者等于最高迭代次数Qmax,若是,则训练完成,获取每个个体的误差函数值,将误差函数值最小的个体作为血压异常预测模型的最优权重参数,否则返回步骤A5。
在一种可能的实施方式中,对二次更新后的族群进行正反向搜索,包括:
其中,表示在第k次更新过程中,族群中第n个个体中第m个权重;ω表示控制参数,/>表示更新后的/>c1表示第一学习因子,c2表示第二学习因子,rand表示0到1之间的随机数,/>表示族群中第n个个体中第m个权重在k次更新中适应度最大的值;/>表示在第k次更新过程中,二次搜索后最佳个体Wbest中第m个权重;rp表示分界阈值,且rp位于0到1之间。
在一种可能的实施方式中,所述控制参数ω在每次更新过程中更新一次,该更新为:
其中,ωk+1表示更新后的ω,ωmax表示控制参数的最大值,ωmin表示控制参数的最小值。
在一种可能的实施方式中,采用多方向引导搜索方法对血压异常预测模型进行训练时,还包括:
若个体WP在K次更新后的适应度相比初始适应度的减小值小于设定阈值,则将该个体WP淘汰,生成新的个体,并采用新的个体替换该个体WP,该替换为:
其中,wPm'表示新的个体;表示除去个体WP外,所有个体的第m个权重中的最小值;/>表示除去个体WP外,所有个体的第m个权重中的最大值。
本发明的有益效果为:
(1)本发明提供了一种基于互联网医院的患者安全监控***,设置有患者数据采集模块可以实时采集患者的生理特征数据,并通过数据传输模块传输至数据融合处理模块进行处理分析,以确定患者是否发生异常或者未来是否可能发生异常,若存在异常则通过安全预警模块发出预警信息,从而实现对患者安全的实时监控,保证患者安全的同时,还提高了患者安全监控的效率。
(2)本发明设置的数据融合处理模块可以实时识别患者的生理特征数据是否存在异常,并且可以根据患者的生理特征数据,进行预测,以进行提前预警,更进一步地保证了患者的安全。
(3)本发明通过神经网络对患者进行异常预测,能够提前发现患者的异常风险,并且通过多方向引导搜索方法对神经网络进行训练,能够避免神经网络训练时陷入局部最优值的问题,提高了训练效果。
附图说明
图1为本发明实施例提供一种基于互联网医院的患者安全监控***的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示,一种基于互联网医院的患者安全监控***,包括患者数据采集模块、远程数据传输模块、数据融合处理模块以及安全预警模块。
患者数据采集模块用于采集患者的生理特征序列,并将生理特征序列传输至远程数据传输模块。
患者数据采集模块可以是设置于患者身体上的生理特征传感器,通过对患者的生理特征进行采集,并上传云端进行识别,从而可以实现对患者安全的监测。如:可以设置脉搏传感器对患者的脉搏进行监测,从而及时发现患者的脉搏异常。
远程数据传输模块用于承接患者数据采集模块与数据融合处理模块,并在接收到患者数据采集模块传输的生理特征序列后,将生理特征序列通过互联网转发至数据融合处理模块。
远程数据传输模块可以为有线传输设备,如光纤及传输设备。远程数据传输模块可以为无线传输设备,如4G模块或者wifi模块,通过无线传输将数据转发至数据融合处理模块,可以减小前端的数据处理压力,前端的数据处理需求降低,意味着可以降低前端的处理功耗,从而采用低功耗设备进行数据采集和传输,如基于32单片的脉搏采集。
数据融合处理模块用于远程接收生理特征序列,并对生理特征序列进行融合处理分析,获取异常监测结果以及异常预测结果,并将异常监测结果以及异常预测结果传输至安全预警模块。
数据融合处理模块可以是位于云端的服务器,通过服务器强大的数据处理能力,能够更快对生理特征序列进行处理,提高异常监测效率。
安全预警模块用于接收异常监测结果以及异常预测结果,并根据异常监测结果以及异常预测结果,向患者监护人或者负责患者的医护人员对应的移动终端发出预警信息。
可选的,安全预警模块还可以包括可远程控制开启的声光报警器,声光报警器的位置由医护人员或者患者监护人设置于需要提醒的空间内,从而辅助预警。
在一种可能的实施方式中,患者数据采集模块包括GPS定位单元、心电采集单元、血压采集单元、脉搏采集单元、体温采集单元以及重力传感单元;GPS定位单元用于采集患者的地理位置数据,心电采集单元用于采集患者的心电数据,血压采集单元用于采集患者的血压数据,脉搏采集单元用于采集患者的脉搏数据,体温采集单元用于采集患者的体温数据,重力传感单元用于采集患者的重力数据;生理特征序列包括连续时间点上的地理位置数据、心电数据、血压数据、脉搏数据、体温数据以及重力数据;GPS定位单元、心电采集单元、血压采集单元、脉搏采集单元、体温采集单元以及重力传感单元采集数据后,将数据传输至远程数据传输模块。
每个数据采集单元均可以采集时间序列形式的数据,从而使数据融合处理模块可以根据时间序列形式的数据,对患者的异常状态进行识别,保证患者的安全。
在一种可能的实施方式中,远程数据传输模块包括4G传输单元、5G传输单元和/或光纤传输单元。
可选的,远程数据传输模块还可以设置为其他类型的无线通信设备或者有线通信设备,能够保证采集的数据实时传输至数据融合处理模块即可。
在一种可能的实施方式中,数据融合处理模块包括异常监测单元以及异常预测单元;
异常监测单元用于接收生理特征序列,并对生理特征序列进行异常分析,得到异常监测结果,异常监测结果包括患者生理异常或者患者生理正常。
异常预测单元用于接收生理特征序列,并根据生理特征序列进行异常预测,得到异常预测结果,异常预测结果包括患者在未来时段存在异常风险或者在未来时段不存在异常风险。
异常监测结果以及异常预测结果均传输至安全预警模块中。
在一种可能的实施方式中,对生理特征序列进行异常分析,得到异常监测结果,包括:
判断生理特征序列中连续时间点上的地理位置数据是否超过时间阈值不发生变化,若是,则判定患者生理异常,否则对心电数据进行异常监测。
当一个患者长时间地理位置数据不发生变化时,不排除其在睡觉,但是可能发生摔倒不能自理,此时就可以发出患者异常的预警信息,并将患者的地理位置数据一并上传,从而使患者监护人或者负责患者的医护人员能够及时发现患者异常。
获取生理特征序列中连续时间点上心电数据中超过心电阈值的异常心电数据,并判断异常心电数据的数量是否超过第一数量阈值,若是,则判定患者生理异常,否则对血压数据进行异常监测。
值得说明的是,此处的异常心电数据识别应当是以心电图的振幅进行判断,如心电图中T波的振幅,那么此处的心电阈值就是针对T波的阈值,当对其他波段的振幅进行判断时,应当设置对应的心电阈值,此处不再一一赘述。除了对心电图的振幅进行识别,还可以根据心电图的特性进行异常心电数据的识别,如:心电图中的PR间期,成人应当是0.12-0.20S,识别患者的PR间期是否位于0.12-0.20S之间,若是,则正常,否则不正常。其他特性的异常识别类似,此处不再一一赘述。
获取生理特征序列中连续时间点上血压数据中超过血压阈值的异常血压数据,并判断异常血压数据的数量是否超过第二数量阈值,若是,则判定患者生理异常,否则对脉搏数据进行异常监测。
除了对血压进行血压阈值的识别之外,还可以判断血压是否激增或在短时间内增高或者降低,以识别异常血压数据。如:在5S的时间段内,第5秒的血压数据相比于第1秒的血压数据的增加或者降低的数值超过设定阈值,则可以认定该患者的存在血压异常,应当及时通知医护人员。值得说明的是,本发明对血压的异常识别并不全面,也可以以其他的判断依据来确定患者的血压数据是否异常。
获取生理特征序列中连续时间点上脉搏数据中超过脉搏阈值的异常脉搏数据,并判断异常脉搏数据的数量是否超过第三数量阈值,若是,则判定患者生理异常,否则对体温数据进行异常监测。
对患者的脉搏监测与血压的监测类似,也可以采用其他判断依据来进行异常识别,此处不再赘述。
判断生理特征序列中连续时间点上的体温数据是否存在超过体温阈值的数据,若是,则判定患者生理异常,否则对重力数据进行异常监测。值得说明的是,还可以判断体温数据是否存在低于体温阈值的数据,若是,则判定患者生理异常,否则对重力数据进行异常监测。
人体的体温通常维持在一个稳定的范围内,当体温超过该范围,则可以认定患者出现发烧或者失温的情况,应当及时发出异常警报。
判断生理特征序列中连续时间点上的重力数据是否存在连续多次变化,若是,则判定患者生理异常,否则判定患者生理正常。
当卧床患者的重力数据发生连续变化时,则卧床患者可能跌落,而跌落方式的不同,对患者的伤害不同,严重的甚至可能造成生命危险,因此应当计时发出异常警报。
在一种可能的实施方式中,根据生理特征序列进行异常预测,包括对血压数据以及脉搏数据的异常预测;
对血压数据的异常预测包括:
以神经网络模型构建血压异常预测模型,并多次随机初始化血压异常预测模型的第一权重向量,得到第一原始族群。
多次获取发生异常时对应的历史血压时间序列以及异常程度,得到多个第一训练数据,历史血压时间序列的长度大于异常血压持续时段,且小于三倍异常血压持续时段。
发生异常时对应的历史血压时间序列是已经确定异常的数据,为了对异常进行预测,可以截取异常血压前的一段数据作为输入,寻找该段数据与异常程度之间的关系。值得说明的是,不管是训练数据还是实时采集的数据,两者截取的长度应当相同,以保证输入血压异常预测模型的输入数据长度相同,以便实现精准的预测。
以第一训练数据以及第一原始族群为基础,采用多方向引导搜索方法对血压异常预测模型进行训练,获取血压异常预测模型的最优权重参数,得到训练完成的血压异常预测模型。
将生理特征序列中连续时间点上的血压参数作为训练完成的血压异常预测模型的输入,获取血压异常预测结果,血压异常预测结果包括患者在未来时段存在血压异常风险或者在未来时段不存在血压异常风险。
对脉搏数据的异常预测包括:
以神经网络模型构建脉搏异常预测模型,并多次随机初始化脉搏异常预测模型的第二权重向量,得到第二原始族群。
多次获取发生异常时对应的历史脉搏时间序列以及异常程度,得到多个第二训练数据,历史脉搏时间序列的长度大于异常脉搏持续时段,且小于三倍异常脉搏持续时段。
以第一训练数据以及第一原始族群为基础,采用多方向引导搜索方法对脉搏异常预测模型进行训练,获取脉搏异常预测模型的最优权重参数,得到训练完成的脉搏异常预测模型。
将生理特征序列中连续时间点上的脉搏参数作为训练完成的脉搏异常预测模型的输入,获取脉搏异常预测结果,脉搏异常预测结果包括患者在未来时段存在脉搏异常风险或者在未来时段不存在脉搏异常风险。
血压异常预测结果和/或脉搏异常预测结果任一存在风险,则判定患者在未来时段存在异常风险。
可选的,脉搏异常预测模型以及血压异常预测模型均可以采用预测型的神经网络或者分类型的神经网络,以从非线性关系中寻找出数据是否与异常结果存在关联。例如,可以采用BP神经网络作为脉搏异常预测模型以及血压异常预测模型,从而对时间序列数据进行识别。
在一种可能的实施方式中,以第一训练数据以及第一原始族群为基础,采用多方向引导搜索方法对血压异常预测模型进行训练,获取血压异常预测模型的最优权重参数,包括:
A1、设置最低迭代次数Qmin、最高迭代次数Qmax以及当前迭代次数k=1。
A2、构建适应度函数为:
其中,F表示适应度函数,E表示误差函数,dj表示血压异常预测模型的输出层中第j个神经元对应的实际输出,yj表示血压异常预测模型的输出层中第j个神经元对应的期望输出,j=1,2,…,J,J表示输出层中神经元的总数。
适应度越大,预示着误差函数值越小,此时神经网络的权重参数就越接近局部最优值或者全局最优值。
A3、将每个训练数据中的历史血压时间序列截取固定长度,将截取的历史血压时间序列进行归一化处理,得到预处理后的历史血压时间序列。
A4、根据第一原始族群(W1,W2,...,Wn,...,WN),以预处理后的历史血压时间序列作为血压异常预测模型的输入,以训练数据中异常程度作为血压异常预测模型的期望输出,获取第一原始族群中每个个体对应的适应度,并记录适应度最大的个体为最佳个体Wbest。其中,Wn表示第一原始族群中第n个权重向量,Wn=(wn1,wn2,...,wnm,...,wnM),wnm表示第n个权重向量中第m个权重值。
A5、对个体Wn进行自搜索,获取一次更新后的个体Wn,并获取个体Wn在更新前后的适应度,若更新后的适应度大于更新前的适应度,则接收个体Wn的更新。若更新后的适应度小于更新前的适应度,则拒绝个体Wn的更新,该搜索为:
其中,表示在第k次更新时,更新前的个体Wn中第m个权重。/>表示更新后的 表示在第k-1次更新时,更新前的个体Wn中第m个权重。rand表示0-1之间的随机数。
通过自搜索,每个个体可以发现更好的前进方向,使个体不断向局部最优值靠近,但是我们无法判断该局部最优值是某个范围内的最优值,还是全局最优值,因此需要避免产生具备最优值。
A6、从更新后的族群中选出适应度最大的个体,并采用该适应度最大的个体作为新的最佳个体Wbest。
A7、获取一次更新后每个个体在整个族群中的收益,并找出收益大于设定阈值的个体,得到目标个体Wo。根据最佳个体Wbest,扩展目标个体Wo的搜索范围,并进行二次搜索,获取二次更新后的目标个体Wo,并获取目标个体Wo在更新前后的适应度,若更新后的适应度大于更新前的适应度,则接收目标个体Wo的更新。若更新后的适应度小于更新前的适应度,则拒绝目标个体Wo的更新,该二次搜索为:
其中,表示在第k次更新时,更新前的目标个体Wo中第m个权重。/>表示更新后的/>α表示第一更新因子,/>α0表示第一常数。/>表示在第k次更新时,最佳个体Wbest中第m个权重,L(β)表示第二更新因子,/>μ表示第一中间参数,μ满足正态分布/> Γ(*)表示伽马函数,π表示圆周率,β表示第二常数,v表示第二中间参数,v满足正态分布/>δV表示第三常数,如δV=1。
对于适应度较大的个体,应当获得更多的搜索机会,以发现更好的前进方向。通过二次搜索,产生了比自搜索更大的搜索空间,从而实现跳跃效果,从一定程度上可以避免局部最优值。
A8、对二次更新后的族群进行正反向搜索,得到三次更新后的个体,并判断当前更新次数是否大于或者等于最低迭代次数Qmin,若是,则进入步骤A9,否则返回步骤A4。
A9、获取每个个体的误差函数值,并判断是否有个体的误差函数值小于设定的阈值,若是,则将误差函数值最小的个体作为血压异常预测模型的最优权重参数,否则进入步骤A10。
A10、判断当前更新次数是否大于或者等于最高迭代次数Qmax,若是,则训练完成,获取每个个体的误差函数值,将误差函数值最小的个体作为血压异常预测模型的最优权重参数,否则返回步骤A5。
在一种可能的实施方式中,对二次更新后的族群进行正反向搜索,包括:
其中,表示在第k次更新过程中,族群中第n个个体中第m个权重;ω表示控制参数,/>表示更新后的/>c1表示第一学习因子,c2表示第二学习因子,rand表示0到1之间的随机数,/>表示族群中第n个个体中第m个权重在k次更新中适应度最大的值;/>表示在第k次更新过程中,二次搜索后最佳个体Wbest中第m个权重;rp表示分界阈值,且rp位于0到1之间。
通过正反向搜索,避免减少算法停滞以及陷入局部最优值的情况,增加了在搜索空间中寻找新候选解的机会,使训练效果更好。
在一种可能的实施方式中,控制参数ω在每次更新过程中更新一次,该更新为:
其中,ωk+1表示更新后的ω,ωmax表示控制参数的最大值,ωmin表示控制参数的最小值。
控制参数ω决定对搜索空间的影响,随着迭代的进行,需要更小的搜索空间,以提高最优解的质量,因此可以逐渐变化控制参数ω的值,以适应不同的训练时期。
在一种可能的实施方式中,采用多方向引导搜索方法对血压异常预测模型进行训练时,还包括:
若个体WP在K次更新后的适应度相比初始适应度的减小值小于设定阈值,则将该个体WP淘汰,生成新的个体,并采用新的个体替换该个体WP,该替换为:
其中,wPm'表示新的个体;表示除去个体WP外,所有个体的第m个权重中的最小值;/>表示除去个体WP外,所有个体的第m个权重中的最大值。
当一个个体经过多次迭代后,其适应度改进幅度较小,则证明其离最优解的距离较远,应当被淘汰,从而产生新个体替换被淘汰的个体,增加获取最优解的机会。
值得说明的是,当权重参数对应的多次误差函数值的平均值足够小时,也可以认为神经网络训练完成。
本发明提供了一种基于互联网医院的患者安全监控***,设置有患者数据采集模块可以实时采集患者的生理特征数据,并通过数据传输模块传输至数据融合处理模块进行处理分析,以确定患者是否发生异常或者未来是否可能发生异常,若存在异常则通过安全预警模块发出预警信息,从而实现对患者安全的实时监控,保证患者安全的同时,还提高了患者安全监控的效率。
Claims (10)
1.一种基于互联网医院的患者安全监控***,其特征在于,包括患者数据采集模块、远程数据传输模块、数据融合处理模块以及安全预警模块;
所述患者数据采集模块用于采集患者的生理特征序列,并将生理特征序列传输至远程数据传输模块;
所述远程数据传输模块用于承接患者数据采集模块与数据融合处理模块,并在接收到患者数据采集模块传输的生理特征序列后,将生理特征序列通过互联网转发至数据融合处理模块;
所述数据融合处理模块用于远程接收生理特征序列,并对生理特征序列进行融合处理分析,获取异常监测结果以及异常预测结果,并将异常监测结果以及异常预测结果传输至安全预警模块;
所述安全预警模块用于接收异常监测结果以及异常预测结果,并根据异常监测结果以及异常预测结果,向患者监护人或者负责患者的医护人员对应的移动终端发出预警信息。
2.根据权利要求1所述的基于互联网医院的患者安全监控***,其特征在于,所述患者数据采集模块包括GPS定位单元、心电采集单元、血压采集单元、脉搏采集单元、体温采集单元以及重力传感单元;
所述GPS定位单元用于采集患者的地理位置数据,所述心电采集单元用于采集患者的心电数据,所述血压采集单元用于采集患者的血压数据,所述脉搏采集单元用于采集患者的脉搏数据,所述体温采集单元用于采集患者的体温数据,所述重力传感单元用于采集患者的重力数据;
所述生理特征序列包括连续时间点上的地理位置数据、心电数据、血压数据、脉搏数据、体温数据以及重力数据;
所述GPS定位单元、心电采集单元、血压采集单元、脉搏采集单元、体温采集单元以及重力传感单元采集数据后,将数据传输至远程数据传输模块。
3.根据权利要求1所述的基于互联网医院的患者安全监控***,其特征在于,所述远程数据传输模块包括4G传输单元、5G传输单元和/或光纤传输单元。
4.根据权利要求2所述的基于互联网医院的患者安全监控***,其特征在于,所述数据融合处理模块包括异常监测单元以及异常预测单元;
所述异常监测单元用于接收生理特征序列,并对生理特征序列进行异常分析,得到异常监测结果,所述异常监测结果包括患者生理异常或者患者生理正常;
所述异常预测单元用于接收生理特征序列,并根据生理特征序列进行异常预测,得到异常预测结果,所述异常预测结果包括患者在未来时段存在异常风险或者在未来时段不存在异常风险;
所述异常监测结果以及异常预测结果均传输至安全预警模块中。
5.根据权利要求4所述的基于互联网医院的患者安全监控***,其特征在于,对生理特征序列进行异常分析,得到异常监测结果,包括:
判断生理特征序列中连续时间点上的地理位置数据是否超过时间阈值不发生变化,若是,则判定患者生理异常,否则对心电数据进行异常监测;
获取生理特征序列中连续时间点上心电数据中超过心电阈值的异常心电数据,并判断异常心电数据的数量是否超过第一数量阈值,若是,则判定患者生理异常,否则对血压数据进行异常监测;
获取生理特征序列中连续时间点上血压数据中超过血压阈值的异常血压数据,并判断异常血压数据的数量是否超过第二数量阈值,若是,则判定患者生理异常,否则对脉搏数据进行异常监测;
获取生理特征序列中连续时间点上脉搏数据中超过脉搏阈值的异常脉搏数据,并判断异常脉搏数据的数量是否超过第三数量阈值,若是,则判定患者生理异常,否则对体温数据进行异常监测;
判断生理特征序列中连续时间点上的体温数据是否存在超过体温阈值的数据,若是,则判定患者生理异常,否则对重力数据进行异常监测;
判断生理特征序列中连续时间点上的重力数据是否存在连续多次变化,若是,则判定患者生理异常,否则判定患者生理正常。
6.根据权利要求4所述的基于互联网医院的患者安全监控***,其特征在于,根据生理特征序列进行异常预测,包括对血压数据以及脉搏数据的异常预测;
对血压数据的异常预测包括:
以神经网络模型构建血压异常预测模型,并多次随机初始化血压异常预测模型的第一权重向量,得到第一原始族群;
多次获取发生异常时对应的历史血压时间序列以及异常程度,得到多个第一训练数据,所述历史血压时间序列的长度大于异常血压持续时段,且小于三倍异常血压持续时段;
以第一训练数据以及第一原始族群为基础,采用多方向引导搜索方法对血压异常预测模型进行训练,获取血压异常预测模型的最优权重参数,得到训练完成的血压异常预测模型;
将生理特征序列中连续时间点上的血压参数作为训练完成的血压异常预测模型的输入,获取血压异常预测结果,所述血压异常预测结果包括患者在未来时段存在血压异常风险或者在未来时段不存在血压异常风险;
对脉搏数据的异常预测包括:
以神经网络模型构建脉搏异常预测模型,并多次随机初始化脉搏异常预测模型的第二权重向量,得到第二原始族群;
多次获取发生异常时对应的历史脉搏时间序列以及异常程度,得到多个第二训练数据,所述历史脉搏时间序列的长度大于异常脉搏持续时段,且小于三倍异常脉搏持续时段;
以第一训练数据以及第一原始族群为基础,采用多方向引导搜索方法对脉搏异常预测模型进行训练,获取脉搏异常预测模型的最优权重参数,得到训练完成的脉搏异常预测模型;
将生理特征序列中连续时间点上的脉搏参数作为训练完成的脉搏异常预测模型的输入,获取脉搏异常预测结果,所述脉搏异常预测结果包括患者在未来时段存在脉搏异常风险或者在未来时段不存在脉搏异常风险;
所述血压异常预测结果和/或脉搏异常预测结果存在风险,则判定患者在未来时段存在异常风险。
7.根据权利要求6所述的基于互联网医院的患者安全监控***,其特征在于,以第一训练数据以及第一原始族群为基础,采用多方向引导搜索方法对血压异常预测模型进行训练,获取血压异常预测模型的最优权重参数,包括:
A1、设置最低迭代次数Qmin、最高迭代次数Qmax以及当前迭代次数k=1;
A2、构建适应度函数为:
其中,F表示适应度函数,E表示误差函数,dj表示血压异常预测模型的输出层中第j个神经元对应的实际输出,yj表示血压异常预测模型的输出层中第j个神经元对应的期望输出,j=1,2,…,J,J表示输出层中神经元的总数;
A3、将每个训练数据中的历史血压时间序列截取固定长度,将截取的历史血压时间序列进行归一化处理,得到预处理后的历史血压时间序列;
A4、根据第一原始族群(W1,W2,...,Wn,...,WN),以预处理后的历史血压时间序列作为血压异常预测模型的输入,以训练数据中异常程度作为血压异常预测模型的期望输出,获取第一原始族群中每个个体对应的适应度,并记录适应度最大的个体为最佳个体Wbest;其中,Wn表示第一原始族群中第n个权重向量,Wn=(wn1,wn2,...,wnm,...,wnM),wnm表示第n个权重向量中第m个权重值;
A5、对个体Wn进行自搜索,获取一次更新后的个体Wn,并获取个体Wn在更新前后的适应度,若更新后的适应度大于更新前的适应度,则接收个体Wn的更新;若更新后的适应度小于更新前的适应度,则拒绝个体Wn的更新,该搜索为:
其中,表示在第k次更新时,更新前的个体Wn中第m个权重;/>表示更新后的/> 表示在第k-1次更新时,更新前的个体Wn中第m个权重;rand表示0-1之间的随机数;
A6、从更新后的族群中选出适应度最大的个体,并采用该适应度最大的个体作为新的最佳个体Wbest;
A7、获取一次更新后每个个体在整个族群中的收益,并找出收益大于设定阈值的个体,得到目标个体Wo;根据最佳个体Wbest,扩展目标个体Wo的搜索范围,并进行二次搜索,获取二次更新后的目标个体Wo,并获取目标个体Wo在更新前后的适应度,若更新后的适应度大于更新前的适应度,则接收目标个体Wo的更新;若更新后的适应度小于更新前的适应度,则拒绝目标个体Wo的更新,该二次搜索为:
其中,表示在第k次更新时,更新前的目标个体Wo中第m个权重;/>表示更新后的α表示第一更新因子,/>α0表示第一常数;/>表示在第k次更新时,最佳个体Wbest中第m个权重,L(β)表示第二更新因子,/>μ表示第一中间参数,μ满足正态分布/> Γ(*)表示伽马函数,π表示圆周率,β表示第二常数,v表示第二中间参数,v满足正态分布/>δV表示第三常数;
A8、对二次更新后的族群进行正反向搜索,得到三次更新后的个体,并判断当前更新次数是否大于或者等于最低迭代次数Qmin,若是,则进入步骤A9,否则返回步骤A4;
A9、获取每个个体的误差函数值,并判断是否有个体的误差函数值小于设定的阈值,若是,则将误差函数值最小的个体作为血压异常预测模型的最优权重参数,否则进入步骤A10;
A10、判断当前更新次数是否大于或者等于最高迭代次数Qmax,若是,则训练完成,获取每个个体的误差函数值,将误差函数值最小的个体作为血压异常预测模型的最优权重参数,否则返回步骤A5。
8.根据权利要求7所述的基于互联网医院的患者安全监控***,其特征在于,对二次更新后的族群进行正反向搜索,包括:
其中,表示在第k次更新过程中,族群中第n个个体中第m个权重;ω表示控制参数,表示更新后的/>c1表示第一学习因子,c2表示第二学习因子,rand表示0到1之间的随机数,/>表示族群中第n个个体中第m个权重在k次更新中适应度最大的值;/>表示在第k次更新过程中,二次搜索后最佳个体Wbest中第m个权重;rp表示分界阈值,且rp位于0到1之间。
9.根据权利要求8所述的基于互联网医院的患者安全监控***,其特征在于,所述控制参数ω在每次更新过程中更新一次,该更新为:
其中,ωk+1表示更新后的ω,ωmax表示控制参数的最大值,ωmin表示控制参数的最小值。
10.根据权利要求7所述的基于互联网医院的患者安全监控***,其特征在于,采用多方向引导搜索方法对血压异常预测模型进行训练时,还包括:
若个体WP在K次更新后的适应度相比初始适应度的减小值小于设定阈值,则将该个体WP淘汰,生成新的个体,并采用新的个体替换该个体WP,该替换为:
其中,wPm'表示新的个体;表示除去个体WP外,所有个体的第m个权重中的最小值;表示除去个体WP外,所有个体的第m个权重中的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310638077.0A CN116649904A (zh) | 2023-05-31 | 2023-05-31 | 一种基于互联网医院的患者安全监控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310638077.0A CN116649904A (zh) | 2023-05-31 | 2023-05-31 | 一种基于互联网医院的患者安全监控*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116649904A true CN116649904A (zh) | 2023-08-29 |
Family
ID=87716695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310638077.0A Withdrawn CN116649904A (zh) | 2023-05-31 | 2023-05-31 | 一种基于互联网医院的患者安全监控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116649904A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315885A (zh) * | 2023-09-04 | 2023-12-29 | 中国人民解放军总医院第四医学中心 | 一种监测尿袋尿量与心电监护仪的远程共享报警*** |
-
2023
- 2023-05-31 CN CN202310638077.0A patent/CN116649904A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315885A (zh) * | 2023-09-04 | 2023-12-29 | 中国人民解放军总医院第四医学中心 | 一种监测尿袋尿量与心电监护仪的远程共享报警*** |
CN117315885B (zh) * | 2023-09-04 | 2024-05-28 | 中国人民解放军总医院第四医学中心 | 一种监测尿袋尿量与心电监护仪的远程共享报警*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11834052B2 (en) | Estimator generation apparatus, monitoring apparatus, estimator generation method, and computer-readable storage medium storing estimator generation program | |
US20170265765A1 (en) | Electrocardiogram Device and Methods | |
US20100081889A1 (en) | Systems and methods for monitoring and evaluating individual performance | |
JP2020536623A (ja) | モバイルデバイスを用いたユーザの健康の連続的監視 | |
Ling et al. | Genetic-algorithm-based multiple regression with fuzzy inference system for detection of nocturnal hypoglycemic episodes | |
CN102687152A (zh) | Copd恶化预测***和方法 | |
KR20190105163A (ko) | 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 | |
CN116649904A (zh) | 一种基于互联网医院的患者安全监控*** | |
CN110338765B (zh) | 基于lightGBM和蜂群算法的儿童睡眠监测***及监测方法 | |
US20170258410A1 (en) | Method and apparatus for prediction of epileptic seizures | |
Aghalya et al. | Real-time Monitoring and Prediction of Respiratory Diseases Using IoT and Machine Learning | |
CN114727764A (zh) | 使用体温记录贴片的***及方法 | |
US20230088974A1 (en) | Method, device, and computer program for predicting occurrence of patient shock using artificial intelligence | |
CN114974485A (zh) | 一种慢病智能化管理方法及*** | |
WO2023129843A1 (en) | Wound management and treatment using computer vision and machine learning | |
Ma et al. | A prediction method for transport stress in meat sheep based on GA-BPNN | |
AU2021363110A1 (en) | Method and system for personalized prediction of infection and sepsis | |
CN106650206A (zh) | 一种基于增量式神经网络模型的高血压预测方法和预测*** | |
CN117272112A (zh) | 基于多生理参数的癫痫检测方法、***、设备及存储介质 | |
CN116098595B (zh) | 一种心源性及脑源性猝死监测预防***和方法 | |
WO2016203456A1 (en) | Device, system, and method of improved diagnosis, decision-support, and analysis of electroencephalograms | |
CN114903247A (zh) | 基于eeg-nirs和mhgat的智能安全帽*** | |
WO2022050940A1 (en) | Power efficient agent monitoring devices and methods | |
Bhanuteja et al. | CAMISA: An AI Solution for COVID-19 | |
Khan et al. | Artificial Intelligence based prediction of seizures for Epileptic Patients: IoT based Cost effective Solution |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230829 |
|
WW01 | Invention patent application withdrawn after publication |