CN116821809A - 基于人工智能的生命体征数据采集*** - Google Patents
基于人工智能的生命体征数据采集*** Download PDFInfo
- Publication number
- CN116821809A CN116821809A CN202311101871.8A CN202311101871A CN116821809A CN 116821809 A CN116821809 A CN 116821809A CN 202311101871 A CN202311101871 A CN 202311101871A CN 116821809 A CN116821809 A CN 116821809A
- Authority
- CN
- China
- Prior art keywords
- data
- heart rate
- blood pressure
- time
- sequence
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 230000036772 blood pressure Effects 0.000 claims abstract description 179
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 59
- 230000005856 abnormality Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003203 everyday effect Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims 1
- 210000004369 blood Anatomy 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 14
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 67
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于人工智能的生命体征数据采集***,包括:根据血压时序数据序列和心率时序数据序列中的数据之间的差异,得到数据点集合,再根据所有天中同一时刻上的数据之间的差异,确定血压数据的高斯权重和心率数据的高斯权重,从而确定分类函数,再结合数据点集合分类后的分类错误的数据点数量,确定标准K值,根据分类函数和标准K值构建KNN分类器,得到数据点集合划分的若干个异常类和每个异常类对应的异常程度值,根据异常程度值,确定未来一小时对应的数据采集时间间隔,完成数据采集。本发明可以解决数据分类过程自动化问题,确保数据分析过程中的数据均为可靠且准确的数据。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于人工智能的生命体征数据采集***。
背景技术
基于人工智能的生命体征数据采集***是利用物联网技术与医疗信息化的融合和医疗人工智能的发展,实现生命体征监测的智能化和自动化,为医护人员提供决策支持和效率提升,并在未来医疗监测及诊断中扮演重要角色。
现有的数据采集方法,多采用各式传感器从人体直接采集,并未解决采集过程的数据异常问题,当持续采集的数据出现异常时,其不会通过语音或震动等方式提醒使用者进行装置调整或预警提醒等,而是仍然持续采集数据,因此需要解决数据采集过程中的数据异常问题。
KNN算法是一种简单而常用的分类算法,其不需要显式的训练过程,只需存储训练数据集,当有新样本需要预测时,通过计算距离查找最近的邻居进行分类,可通过KNN算法对采集的生命体征数据进行划分,检测异常数据。
现有问题:KNN算法进行生命体征数据异常分析时,会存在参数的设置问题,当参数的设置不合适时,模型对噪声和异常值敏感,容易产生过拟合,或者模型可能变得过于简单,无法捕捉数据中的复杂关系,导致欠拟合,以及分类错误率增加和计算复杂度增加。
发明内容
本发明提供基于人工智能的生命体征数据采集***,以解决现有的问题。
本发明的基于人工智能的生命体征数据采集***采用如下技术方案:
本发明一个实施例提供了基于人工智能的生命体征数据采集***,该***包括以下步骤:
使用血压传感器和心率传感器采集血压数据和心率数据,分别得到血压时序数据序列和心率时序数据序列;根据血压时序数据序列和心率时序数据序列中的数据之间的差异,得到数据点集合;
根据血压时序数据序列和心率时序数据序列中所有天中同一时刻上的数据之间的差异,分别确定血压时序数据序列和心率时序数据序列中所有天中同一时刻上的血压数据的高斯权重和心率数据的高斯权重;
根据血压时序数据序列和心率时序数据序列中所有天中同一时刻上的血压数据的高斯权重和心率数据的高斯权重、以及所有天中同一时刻上的数据之间的差异,确定KNN算法的分类函数;
根据KNN算法的分类函数和数据点集合分类后的分类错误的数据点数量,确定KNN算法的标准K值;
根据KNN算法的分类函数和标准K值构建KNN分类器,得到数据点集合划分的若干个异常类和每个异常类对应的异常程度值;采集当前一小时的心率数据和血压数据,得到当前一小时对应的数据点和数据点对应的异常程度值;根据当前一小时对应的数据点对应的异常程度值,得到当前一小时的下一小时对应的数据采集时间间隔;根据当前一小时的下一小时对应的数据采集时间间隔,进行当前一小时的下一小时的数据采集。
进一步地,所述根据血压时序数据序列和心率时序数据序列中的数据之间的差异,得到数据点集合,包括的具体步骤如下:
在血压时序数据序列中,不重复的计算每一个小时内的数据方差,得到血压方差数据序列;
在心率时序数据序列中,不重复的计算每一个小时内的数据方差,得到心率方差数据序列;
根据血压方差数据序列和心率方差数据序列构成数据点集合。
进一步地,所述根据血压时序数据序列和心率时序数据序列中所有天中同一时刻上的数据之间的差异,分别确定血压时序数据序列和心率时序数据序列中所有天中同一时刻上的血压数据的高斯权重和心率数据的高斯权重,包括的具体步骤如下:
在一天中任意选取一个时刻,分别根据血压时序数据序列和心率时序数据序列中每一天中所述时刻上的数据和所有天中所述时刻上的数据均值以及所有天中所述时刻上的数据方差,分别确定血压时序数据序列和心率时序数据序列中所有天中同一时刻上的血压数据的高斯权重和心率数据的高斯权重。
进一步地,所述分别根据血压时序数据序列和心率时序数据序列中每一天中所述时刻上的数据和所有天中所述时刻上的数据均值以及所有天中所述时刻上的数据方差,分别确定血压时序数据序列和心率时序数据序列中所有天中同一时刻上的血压数据的高斯权重和心率数据的高斯权重对应的具体计算公式为:
其中为心率时序数据序列中所有天中同一t时刻上的心率数据的高斯权重,/>为血压时序数据序列中所有天中同一t时刻上的血压数据的高斯权重,a为预设的历史天数,/>为心率时序数据序列中第i天内t时刻上的心率数据,/>为心率时序数据序列中所有天中同一t时刻上的心率数据均值,/>为心率时序数据序列中所有天中同一t时刻上的心率数据的方差,/>为血压时序数据序列中第i天内t时刻的血压数据,/>为血压时序数据序列中所有天中同一t时刻上的血压数据均值,/>为血压时序数据序列中所有天中同一t时刻上的血压数据的方差,/>为线性归一化函数。
进一步地,所述根据血压时序数据序列和心率时序数据序列中所有天中同一时刻上的血压数据的高斯权重和心率数据的高斯权重、以及所有天中同一时刻上的数据之间的差异,确定KNN算法的分类函数,包括的具体步骤如下:
根据心率时序数据序列中所有天中同一时刻上的心率数据的高斯权重和心率数据的方差的乘积、血压时序数据序列中所有天中同一时刻上的血压数据的高斯权重和需要数据的方差的乘积,确定经过高斯加权的心率与血压数据的余弦相似度;
根据经过高斯加权的心率与血压数据的余弦相似度、血压时序数据序列中所有天中同一时刻上的血压数据的方差和心率时序数据序列中所有天中同一时刻上的心率数据的方差中的最大值,确定KNN算法的分类函数。
进一步地,所述根据经过高斯加权的心率与血压数据的余弦相似度、血压时序数据序列和心率时序数据序列中所有天中同一时刻上的数据方差中的最大值,确定KNN算法的分类函数对应的具体计算公式为:
其中G为KNN算法的分类函数,为心率时序数据序列中所有天中同一t时刻上的心率数据的高斯权重,/>为血压时序数据序列中所有天中同一t时刻上的血压数据的高斯权重,b为预设的每天采集的数据数量,表示每天总共采集b个时刻上的数据,/>为心率时序数据序列中所有天中同一t时刻上的心率数据的方差,/>为血压时序数据序列中所有天中同一t时刻上的血压数据的方差,/>为经过高斯加权的心率与血压数据的余弦相似度, />为/>和/>中的最大值。
进一步地,所述根据KNN算法的分类函数和数据点集合分类后的分类错误的数据点数量,确定KNN算法的标准K值,包括的具体步骤如下:
将数据点集合中数据点的数量值的算术平方根的向上取整,记为KNN算法的最大K值;
将KNN算法的K值从一开始每次加一迭代至最大K值,得到迭代出的所有K值;
分别根据迭代出的每个K值和KNN算法的分类函数,构建迭代出的每个K值对应的初始KNN分类器;
分别使用迭代出的每个K值对应的初始KNN分类器,对数据点集合进行分类,得到迭代出的每个K值对应的分类错误的数据点数量;
取迭代出的所有K值对应的分类错误的数据点数量中最小值对应的迭代出的K值,记为KNN算法的标准K值。
进一步地,所述采集当前一小时的心率数据和血压数据,得到当前一小时对应的数据点和数据点对应的异常程度值,包括的具体步骤如下:
采集当前一小时的心率数据和血压数据,根据当前一小时的心率数据的方差和当前一小时的血压数据的方差,构成当前一小时对应的数据点;
将当前一小时对应的数据点输入到KNN分类器中,使得KNN分类器输出当前一小时对应的数据点对应的异常程度值。
进一步地,所述根据当前一小时对应的数据点对应的异常程度值,得到当前一小时的下一小时对应的数据采集时间间隔,包括的具体步骤如下:
根据当前一小时对应的数据点对应的异常程度值的归一化值和预设的时间间隔时长,确定当前一小时的下一小时对应的数据采集时间间隔。
进一步地,所述根据当前一小时对应的数据点对应的异常程度值的归一化值和预设的时间间隔时长,确定当前一小时的下一小时对应的数据采集时间间隔对应的具体计算公式为:
其中P为当前一小时的下一小时对应的数据采集时间间隔,N为当前一小时对应的数据点对应的异常程度值的归一化值,R为预设的时间间隔时长,为/>的向上取整值。
本发明的技术方案的有益效果是:
本发明实施例中,根据血压时序数据序列和心率时序数据序列中的数据之间的差异,得到数据点集合,根据血压时序数据序列和心率时序数据序列中所有天中同一时刻上的数据之间的差异,确定血压数据的高斯权重和心率数据的高斯权重,从而确定KNN算法的分类函数,再结合数据点集合分类后的分类错误的数据点数量,确定KNN算法的标准K值。最后根据KNN算法的分类函数和标准K值构建KNN分类器,得到数据点集合划分的若干个异常类和每个异常类对应的异常程度值,再采集当前一小时的心率数据和血压数据,得到当前一小时对应的数据点,将当前一小时对应的数据点输入到KNN分类器中,得到当前一小时对应的数据点对应的异常程度值,从而得到当前一小时的下一小时对应的数据采集时间间隔,以此对下一小时数据进行采集。本发明可以提升数据采集结果以及过程的准确性,并且数据采集分析通过人工智能的KNN算法进行分析,解决数据分类过程自动化问题,确保数据分析过程中的数据均为可靠且准确的数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于人工智能的生命体征数据采集***的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于人工智能的生命体征数据采集***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于人工智能的生命体征数据采集***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的生命体征数据采集***的步骤流程图,该方法包括以下步骤:
步骤S001:使用血压传感器和心率传感器采集血压数据和心率数据,分别得到血压时序数据序列和心率时序数据序列;根据血压时序数据序列和心率时序数据序列中的数据之间的差异,得到数据点集合。
对于人体生命体征数据的采集,为了保障数据的准确性和代表性,需要长时间对于不同的生命体征数据进行间隔时间较短的采集,本实施例以人体的血压和心率为例,通过血压传感器和心率传感器分别采集血压和心率数据。
已知人体的正常心率的取值范围为固定值,而在此范围内心率变化的规律为,即固定时间段内心率的变化波动固定,当固定时间段内心率的变化波动变大或者变小时,此时的数据的采集过程有异常存在的可能性较大。
本实施例设定的数据采集时间间隔为5分钟,故同一类型数据每天采集的数据数量b为288个,采集的历史天数a为30天,周期为1小时,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。使用血压传感器和心率传感器每间隔5分钟采集一次血压数据和心率数据,采集的历史天数为30天,分别得到血压时序数据序列和心率时序数据序列。分别在血压时序数据序列和心率时序数据序列中,不重复的计算每一个小时内的数据方差,分别得到血压方差数据序列和心率方差数据序列。根据血压方差数据序列和心率方差数据序列构成数据点集合,其中/>为血压时序数据序列中第720个小时内的数据方差,/>为心率时序数据序列中第720个小时内的数据方差,720为数据点集合中的数据点数量。
步骤S002:根据血压时序数据序列和心率时序数据序列中所有天中同一时刻上的数据之间的差异,分别确定血压时序数据序列和心率时序数据序列中所有天中同一时刻上的血压数据的高斯权重和心率数据的高斯权重。
KNN算法的需要确定的参数为K值和分类标准,对于分类标准,在传统的KNN算法中,以数据的欧式距离为判断数据是否为一类的标准,在本实施例中,由于是方差数据,以距离为判断依据显然不准确,因此则需要结合数据特征进行分类标准的重新定义。
由于血压数据和心率数据的值在正常值范围内具有较大的重复度,而数据的均值却存在差异,例如心率的范围70-90,而血压的范围为80-100,此时有80-90 这段数据属于重复数据,因此判断均值时,数据的重复度将会降低,70-90 的数据的均值更接近80,80-100 的数据均值更接近90,因此对于数据的分类,当采集的数据集为方差时,方差的接近程度即距离的值应该需要数据均值的辅助,使得数据的分类界线更为明确。
由于以方差为数据的分类依据,分类后的数据作为判断采集的新数据异常程度的依据,但仅采用方差进行评估是不够准确的,由于血压心率在变化趋势上具有关联性,即心率升高,血压会在一定范围内升高,直至心率过高,心房舒张周期过短,导致血压下降,但数据的方差的关联性并不能完全反映数据的关联性,由此需要对心率和血压数据本身进行分析。
由于血压心率数据对于同一个人而言,其变化规律在多天与一天的规律是相似的。即多天的同一时刻的数据是高度相关的。所需说明的是,这里不考虑某一天内的某一时刻使用者存在运动或者其它原因导致的心率和血压不同于其它天的情况,此时的数据可视为数据噪声,且KNN分类对数据噪声不敏感。
由此取血压时序数据序列和心率时序数据序列中每天同一时刻上的数据,统计上述设定的历史a天中每天同一时刻上的血压数据和心率数据,其中a为30,故根据该30天中每天同一时刻上的血压数据的方差和均值,可以构建血压数据的高斯函数模型,根据该30天中每天同一时刻上的心率数据的方差和均值,可以构建心率数据的高斯函数模型。从而根据高斯函数模型,确定KNN算法的分类函数。
采用高斯分布函数的原因为:对于不同人的心率和血压,由于个体不同导致数据分布不同,且数据概率分布具有高斯分布特点,即大多数人的心率血压均位于一个区间,且向两边延伸,而心率数据的方差则符合大多数人的心率血压数据的方差位于正常区间,且符合高斯分布,向两边延伸。且人体的血压和心率数据的方差存在关联,当血压数据方差波动较大,但心率数据方差波动较小,或者当心率数据方差波动较大,但血压数据方差波动较小时,此时的数据则存在异常的可能性较大。
再以血压数据和心率数据的高斯函数模型加权的方式对该30天中每天同一时刻上的心率和血压数据的方差加权,带入到高斯函数模型中,得到对应的高斯权重值。由此可知心率时序数据序列和血压时序数据序列中所有天中同一时刻上的心率数据的高斯权重和血压数据的高斯权重/>和的计算公式为:
其中为心率时序数据序列中所有天中同一t时刻上的心率数据的高斯权重,/>为血压时序数据序列中所有天中同一t时刻上的血压数据的高斯权重,a为设定的历史天数,b为设定的每天采集的数据数量,表示每天总共采集b个时刻上的数据,/>为心率时序数据序列中第i天内t时刻上的心率数据,/>为心率时序数据序列中所有天中同一t时刻上的心率数据均值,/>为心率时序数据序列中所有天中同一t时刻上的心率数据的方差,/>为血压时序数据序列中第i天内t时刻的血压数据,/>为血压时序数据序列中所有天中同一t时刻上的血压数据均值,/>为血压时序数据序列中所有天中同一t时刻上的血压数据的方差。/>为线性归一化函数,将数据值归一化至[0,1]区间内。
由此得到a天中每天所有同一时刻上的心率数据的高斯权重和血压数据的高斯权重,将高斯权重与对应数据方差相乘,得到加权后的数据,至此完成高斯加权。
步骤S003:根据血压时序数据序列和心率时序数据序列中所有天中同一时刻上的血压数据的高斯权重和心率数据的高斯权重、以及所有天中同一时刻上的数据之间的差异,确定KNN算法的分类函数。
对血压和心率数据进行高斯加权的好处在于,进行分类时通过数据的分布规律对数据的方差进行分类,而不仅仅通过方差进行数据的异常判断。因为数据的方差只能说明波动程度的相似,不能对数据本身的关联进行表征。因此通过高斯加权,使得分类结果可以表征数据的不同异常程度,进而新数据采集后,可以快速定位异常程度。
加权后求方差间的关联性,并采用最大方差对关联性进行辅助修正,由于方差关联性大,存在两个数据的方差值较小但关联性高和两个数据的方差值较大且关联性高的情况,此时的异常程度以关联性大小为依据进行判断,显然不够全面,因此采用最大的方差值进行修正,当存在数据的关联性相等的情况下,则方差最大的数据为异常数据,以修正后的关联性作为异常判断的依据。
此时分类过程的标准函数,应为通过高斯加权后的方差值再经过最大方差值修正后的分类函数,由此可知KNN算法的分类函数G的计算公式为:
其中G为KNN算法的分类函数,表示血压和心率数据的加权方差的归类趋近程度,以最大方差为标准修正,方差最大的值的异常程度越高。为心率时序数据序列中所有天中同一t时刻上的心率数据的高斯权重,/>为血压时序数据序列中所有天中同一t时刻上的血压数据的高斯权重,b为设定的每天采集的数据数量,表示每天总共采集b个时刻上的数据,/>为心率时序数据序列中所有天中同一t时刻上的心率数据的方差,/>为血压时序数据序列中所有天中同一t时刻上的血压数据的方差。/>为/>和/>中的最大值。
所需说明的是:为经过高斯加权的心率与血压数据的余弦相似度。/>表示/>和/>的欧式距离。
当心率的方差较大,血压的方差较小或者不变时,由于人体心率与血压的波动关联性,即人体血压和心率在正常情况下是同时变化的,因此此时的数据为异常数据,且最大方差值,代表数据的异常程度越高,即波动最大的心率或血压代表数据的异常程度则相对更为准确。
步骤S004:根据KNN算法的分类函数和数据点集合分类后的分类错误的数据点数量,确定KNN算法的标准K值。
本实施例将会使用KNN算法对数据点集合进行分类,得到划分的各类数据,以及每类数据对应的异常程度值。当后续采集的新数据进入数据集中时,可以快速定位数据的异常程度值,通过采集的数据进入的类别的异常程度值的波动,评估数据采集异常。当数据采集过程中,新的采集数据进行异常判断时,KNN算法可以迅速定位数据的异常程度值,只需判断新数据最近的K个值中属于那一类数据对应的异常程度值最多,则新数据属于该类,用以减少计算量。
故需要确定KNN算法对于生命体征数据的K值,其从生命体征数据中分析和计算获取。
对K值进行计算的好处在于:由于K值的大小决定分类模型的效果,过大容易过拟合,过小容易欠拟合,所以需要对K值进行确定。
KNN算法执行前,需要对数据的多个数据样本先进行数据分类,这里采用构建KD树的方法,采集数据为使用者血压以及心率数据。采用KD树为KNN算法需求,效果是将所有数据之间的按照方差大小构建成树结构,又利用KNN分类。
通过构建KD树可以快速将采集数据进行划分,在后续数据进入分类模型时,对数据进行快速分类,即快速定位异常程度。
将数据点集合作为KD树构建的数据输入,输入数据的KD树建立后,通过最近邻搜索方法,将数据分为多个方差接近,即波动程度接近的数据。
数据与均值的差异大小说明数据的数值异常,即数据与均值的差距越大,数据的异常程度越大,数据的方差说明数据的波动异常,即数据在正常血压或心率的数值范围内,但是数据波动很大,此时数据的异常程度也越大。
KNN的先验假设条件为:越接近的两个个体的波动程度越相似,属于同一类的数据的可能性越高。
KNN算法中的K值数据点最近的K个数据点数量,决定采集的新数据进入KNN分类时,数据属于哪一类。由于K值的大小决定分类模型的效果,过大容易过拟合,过小容易欠拟合,而KNN算法中的K值的最大值不大于数据点集合中数据点的数量值的算术平方根,故将数据点集合中数据点的数量值的算术平方根的向上取整,记为KNN算法的最大K值。再采用交叉验证的方式,将KNN算法的K值从一开始每次加一迭代至最大K值,得到迭代出的所有K值,再分别根据迭代出的所有K值和KNN算法的分类函数,构建初始KNN分类器,分别使用迭代出的所有K值对应的初始KNN分类器,对数据点集合进行分类,得到迭代出的所有K值对应的分类错误的数据点数量,取迭代出所有K值对应的分类错误的数据点数量中最小值对应的迭代出的K值,记为KNN算法的标准K值。
步骤S005:根据KNN算法的分类函数和标准K值构建KNN分类器,得到数据点集合划分的若干个异常类和每个异常类对应的异常程度值;采集当前一小时的心率数据和血压数据,得到当前一小时对应的数据点和数据点对应的异常程度值;根据当前一小时对应的数据点对应的异常程度值,得到当前一小时的下一小时对应的数据采集时间间隔;根据当前一小时的下一小时对应的数据采集时间间隔,进行当前一小时的下一小时的数据采集。
至此,根据标准K值和分类函数G,构建KNN分类器,将数据点集合输入到KNN分类器中,得到若干个异常类,以及每个异常类对应的异常程度值。其中,KNN算法为公知技术,具体方法在此不做介绍。
再按照上述方式采集当前一小时的心率数据和血压数据,得到当前一小时对应的数据点,其中/>为采集当前一小时的血压数据方差,/>为采集当前一小时的心率数据方差。将该数据点输入到KNN分类器中,得到该数据点对应的异常类和异常程度值。
数据采集时间间隔较小时,数据采集频率过快,可能导致装置的耗电加快,因此当数据并无异常时,则应当增加采集时间间隔,即降低采集频率,减少采集数据量,减少装置的耗电,当数据存在异常时,则应当减少采集时间间隔,即提高采集频率,增加采集数据量,便于异常数据分析。
使用最小最大规范法,对KNN分类器中得到的所有异常程度值进行归一化处理至[0,1]区间内。其中最小最大规范法为公知技术,具体方法在此不做介绍。由此可知采集当前一小时的下一小时对应的数据采集时间间隔P的计算公式为:
其中P为当前一小时的下一小时对应的数据采集时间间隔,N为当前一小时对应的数据点对应的异常程度值的归一化值,R为设定的时间间隔时长。为/>的向上取整值。本实施例以R为10分钟为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
根据数据采集时间间隔P,对采集当前一小时的下一小时的心率数据和血压数据进行采集。至此,可以按照上述方式获取未来一小时的数据采集时间间隔,完成生命体征数据采集。
至此,本发明完成。
综上所述,在本发明实施例中,根据血压时序数据序列和心率时序数据序列中的数据之间的差异,得到数据点集合,根据血压时序数据序列和心率时序数据序列中所有天中同一时刻上的数据之间的差异,确定心率数据的高斯权重和血压数据的高斯权重,从而确定KNN算法的分类函数,再结合数据点集合分类后的分类错误的数据点数量,确定KNN算法的标准K值。最后根据KNN算法的分类函数和标准K值构建KNN分类器,得到数据点集合划分的若干个异常类和每个异常类对应的异常程度值,再采集当前一小时的心率数据和血压数据,得到当前一小时对应的数据点,将当前一小时对应的数据点输入到KNN分类器中,得到当前一小时对应的数据点对应的异常程度值,从而得到当前一小时的下一小时对应的数据采集时间间隔,以此对下一小时数据进行采集。本发明可以提升数据采集结果以及过程的准确性,并且数据采集分析通过人工智能的KNN算法进行分析,解决数据分类过程自动化问题,确保数据分析过程中的数据均为可靠且准确的数据。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于人工智能的生命体征数据采集***,其特征在于,该***包括以下步骤:
使用血压传感器和心率传感器采集血压数据和心率数据,分别得到血压时序数据序列和心率时序数据序列;根据血压时序数据序列和心率时序数据序列中的数据之间的差异,得到数据点集合;
根据血压时序数据序列和心率时序数据序列中所有天中同一时刻上的数据之间的差异,分别确定血压时序数据序列和心率时序数据序列中所有天中同一时刻上的血压数据的高斯权重和心率数据的高斯权重;
根据血压时序数据序列和心率时序数据序列中所有天中同一时刻上的血压数据的高斯权重和心率数据的高斯权重、以及所有天中同一时刻上的数据之间的差异,确定KNN算法的分类函数;
根据KNN算法的分类函数和数据点集合分类后的分类错误的数据点数量,确定KNN算法的标准K值;
根据KNN算法的分类函数和标准K值构建KNN分类器,得到数据点集合划分的若干个异常类和每个异常类对应的异常程度值;采集当前一小时的心率数据和血压数据,得到当前一小时对应的数据点和数据点对应的异常程度值;根据当前一小时对应的数据点对应的异常程度值,得到当前一小时的下一小时对应的数据采集时间间隔;根据当前一小时的下一小时对应的数据采集时间间隔,进行当前一小时的下一小时的数据采集。
2.根据权利要求1所述基于人工智能的生命体征数据采集***,其特征在于,所述根据血压时序数据序列和心率时序数据序列中的数据之间的差异,得到数据点集合,包括的具体步骤如下:
在血压时序数据序列中,不重复的计算每一个小时内的数据方差,得到血压方差数据序列;
在心率时序数据序列中,不重复的计算每一个小时内的数据方差,得到心率方差数据序列;
根据血压方差数据序列和心率方差数据序列构成数据点集合。
3.根据权利要求1所述基于人工智能的生命体征数据采集***,其特征在于,所述根据血压时序数据序列和心率时序数据序列中所有天中同一时刻上的数据之间的差异,分别确定血压时序数据序列和心率时序数据序列中所有天中同一时刻上的血压数据的高斯权重和心率数据的高斯权重,包括的具体步骤如下:
在一天中任意选取一个时刻,分别根据血压时序数据序列和心率时序数据序列中每一天中所述时刻上的数据和所有天中所述时刻上的数据均值以及所有天中所述时刻上的数据方差,分别确定血压时序数据序列和心率时序数据序列中所有天中所述同一时刻上的血压数据的高斯权重和心率数据的高斯权重。
4.根据权利要求3所述基于人工智能的生命体征数据采集***,其特征在于,所述分别根据血压时序数据序列和心率时序数据序列中每一天中所述时刻上的数据和所有天中所述时刻上的数据均值以及所有天中所述时刻上的数据方差,分别确定血压时序数据序列和心率时序数据序列中所有天中所述同一时刻上的血压数据的高斯权重和心率数据的高斯权重对应的具体计算公式为:
其中为心率时序数据序列中所有天中同一t时刻上的心率数据的高斯权重,/>为血压时序数据序列中所有天中同一t时刻上的血压数据的高斯权重,a为预设的历史天数,/>为心率时序数据序列中第i天内t时刻上的心率数据,/>为心率时序数据序列中所有天中同一t时刻上的心率数据均值,/>为心率时序数据序列中所有天中同一t时刻上的心率数据的方差,/>为血压时序数据序列中第i天内t时刻的血压数据,/>为血压时序数据序列中所有天中同一t时刻上的血压数据均值,/>为血压时序数据序列中所有天中同一t时刻上的血压数据的方差,/>为线性归一化函数。
5.根据权利要求1所述基于人工智能的生命体征数据采集***,其特征在于,所述根据血压时序数据序列和心率时序数据序列中所有天中同一时刻上的血压数据的高斯权重和心率数据的高斯权重、以及所有天中同一时刻上的数据之间的差异,确定KNN算法的分类函数,包括的具体步骤如下:
根据心率时序数据序列中所有天中同一时刻上的心率数据的高斯权重和心率数据的方差的乘积、血压时序数据序列中所有天中同一时刻上的血压数据的高斯权重和需要数据的方差的乘积,确定经过高斯加权的心率与血压数据的余弦相似度;
根据经过高斯加权的心率与血压数据的余弦相似度、血压时序数据序列中所有天中同一时刻上的血压数据的方差和心率时序数据序列中所有天中同一时刻上的心率数据的方差中的最大值,确定KNN算法的分类函数。
6.根据权利要求5所述基于人工智能的生命体征数据采集***,其特征在于,所述根据经过高斯加权的心率与血压数据的余弦相似度、血压时序数据序列和心率时序数据序列中所有天中同一时刻上的数据方差中的最大值,确定KNN算法的分类函数对应的具体计算公式为:
其中G为KNN算法的分类函数,为心率时序数据序列中所有天中同一t时刻上的心率数据的高斯权重,/>为血压时序数据序列中所有天中同一t时刻上的血压数据的高斯权重,b为预设的每天采集的数据数量,表示每天总共采集b个时刻上的数据,/>为心率时序数据序列中所有天中同一t时刻上的心率数据的方差,/>为血压时序数据序列中所有天中同一t时刻上的血压数据的方差,/>为经过高斯加权的心率与血压数据的余弦相似度,/>为/>和/>中的最大值。
7.根据权利要求1所述基于人工智能的生命体征数据采集***,其特征在于,所述根据KNN算法的分类函数和数据点集合分类后的分类错误的数据点数量,确定KNN算法的标准K值,包括的具体步骤如下:
将数据点集合中数据点的数量值的算术平方根的向上取整,记为KNN算法的最大K值;
将KNN算法的K值从一开始每次加一迭代至最大K值,得到迭代出的所有K值;
分别根据迭代出的每个K值和KNN算法的分类函数,构建迭代出的每个K值对应的初始KNN分类器;
分别使用迭代出的每个K值对应的初始KNN分类器,对数据点集合进行分类,得到迭代出的每个K值对应的分类错误的数据点数量;
取迭代出的所有K值对应的分类错误的数据点数量中最小值对应的迭代出的K值,记为KNN算法的标准K值。
8.根据权利要求1所述基于人工智能的生命体征数据采集***,其特征在于,所述采集当前一小时的心率数据和血压数据,得到当前一小时对应的数据点和数据点对应的异常程度值,包括的具体步骤如下:
采集当前一小时的心率数据和血压数据,根据当前一小时的心率数据的方差和当前一小时的血压数据的方差,构成当前一小时对应的数据点;
将当前一小时对应的数据点输入到KNN分类器中,使得KNN分类器输出当前一小时对应的数据点对应的异常程度值。
9.根据权利要求1所述基于人工智能的生命体征数据采集***,其特征在于,所述根据当前一小时对应的数据点对应的异常程度值,得到当前一小时的下一小时对应的数据采集时间间隔,包括的具体步骤如下:
根据当前一小时对应的数据点对应的异常程度值的归一化值和预设的时间间隔时长,确定当前一小时的下一小时对应的数据采集时间间隔。
10.根据权利要求9所述基于人工智能的生命体征数据采集***,其特征在于,所述根据当前一小时对应的数据点对应的异常程度值的归一化值和预设的时间间隔时长,确定当前一小时的下一小时对应的数据采集时间间隔对应的具体计算公式为:
其中P为当前一小时的下一小时对应的数据采集时间间隔,N为当前一小时对应的数据点对应的异常程度值的归一化值,R为预设的时间间隔时长,为/>的向上取整值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311101871.8A CN116821809B (zh) | 2023-08-30 | 2023-08-30 | 基于人工智能的生命体征数据采集*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311101871.8A CN116821809B (zh) | 2023-08-30 | 2023-08-30 | 基于人工智能的生命体征数据采集*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116821809A true CN116821809A (zh) | 2023-09-29 |
CN116821809B CN116821809B (zh) | 2023-12-12 |
Family
ID=88141385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311101871.8A Active CN116821809B (zh) | 2023-08-30 | 2023-08-30 | 基于人工智能的生命体征数据采集*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116821809B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033061A (zh) * | 2023-10-07 | 2023-11-10 | 天津渤海物联科技股份有限公司 | 一种产量数据的修正方法、装置、设备及存储介质 |
CN117100237A (zh) * | 2023-10-18 | 2023-11-24 | 众保健康科技服务(济南)有限公司 | 一种居家养老用智能监测*** |
CN117874689A (zh) * | 2024-03-13 | 2024-04-12 | 青岛云智霄凡科技有限公司 | 一种心率监测数据的智能处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060122525A1 (en) * | 2000-05-30 | 2006-06-08 | Vladimir Shusterman | Measurement and analysis of trends in physiological and/or health data |
US20120157344A1 (en) * | 2008-08-06 | 2012-06-21 | Tel Hashomer Medical Research Infrastructure And Services Ltd. | Gene expression signature for classification of kidney tumors |
CN111067508A (zh) * | 2019-12-31 | 2020-04-28 | 深圳安视睿信息技术股份有限公司 | 非临床环境下对高血压进行非干预式的监测和评估方法 |
US20210192737A1 (en) * | 2017-10-13 | 2021-06-24 | The Chancellor, Masters And Scholars Of The University Of Oxford | Methods and systems for analyzing time ordered image data |
CN113505935A (zh) * | 2021-07-26 | 2021-10-15 | 上海东方低碳科技产业股份有限公司 | 基于集成算法的电力异常波动检测和预测计算方法 |
CN115795350A (zh) * | 2023-01-29 | 2023-03-14 | 北京众驰伟业科技发展有限公司 | 一种血流变测试杯生产过程中异常数据信息处理方法 |
CN116564529A (zh) * | 2023-05-17 | 2023-08-08 | 天津大学 | 基于svm的脓毒症肝衰竭早期预测*** |
-
2023
- 2023-08-30 CN CN202311101871.8A patent/CN116821809B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060122525A1 (en) * | 2000-05-30 | 2006-06-08 | Vladimir Shusterman | Measurement and analysis of trends in physiological and/or health data |
US20120157344A1 (en) * | 2008-08-06 | 2012-06-21 | Tel Hashomer Medical Research Infrastructure And Services Ltd. | Gene expression signature for classification of kidney tumors |
US20210192737A1 (en) * | 2017-10-13 | 2021-06-24 | The Chancellor, Masters And Scholars Of The University Of Oxford | Methods and systems for analyzing time ordered image data |
CN111067508A (zh) * | 2019-12-31 | 2020-04-28 | 深圳安视睿信息技术股份有限公司 | 非临床环境下对高血压进行非干预式的监测和评估方法 |
CN113505935A (zh) * | 2021-07-26 | 2021-10-15 | 上海东方低碳科技产业股份有限公司 | 基于集成算法的电力异常波动检测和预测计算方法 |
CN115795350A (zh) * | 2023-01-29 | 2023-03-14 | 北京众驰伟业科技发展有限公司 | 一种血流变测试杯生产过程中异常数据信息处理方法 |
CN116564529A (zh) * | 2023-05-17 | 2023-08-08 | 天津大学 | 基于svm的脓毒症肝衰竭早期预测*** |
Non-Patent Citations (2)
Title |
---|
USHA DESAI: "Detection of Anxiety in Psychiatric Patients using Physiological Signals", 《2022 IEEE 19TH INDIA COUNCIL INTERNATIONAL CONFERENCE (INDICON)》 * |
姚洁;李兴美;: "心率、血压变异性与高血压中医证型关系的研究", 中医药导报, no. 08, pages 125 - 128 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033061A (zh) * | 2023-10-07 | 2023-11-10 | 天津渤海物联科技股份有限公司 | 一种产量数据的修正方法、装置、设备及存储介质 |
CN117100237A (zh) * | 2023-10-18 | 2023-11-24 | 众保健康科技服务(济南)有限公司 | 一种居家养老用智能监测*** |
CN117100237B (zh) * | 2023-10-18 | 2024-02-06 | 众保健康科技服务(济南)有限公司 | 一种居家养老用智能监测*** |
CN117874689A (zh) * | 2024-03-13 | 2024-04-12 | 青岛云智霄凡科技有限公司 | 一种心率监测数据的智能处理方法 |
CN117874689B (zh) * | 2024-03-13 | 2024-05-24 | 青岛云智霄凡科技有限公司 | 一种心率监测数据的智能处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116821809B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116821809B (zh) | 基于人工智能的生命体征数据采集*** | |
CN116484307B (zh) | 基于云计算智能戒指远程控制方法 | |
WO2021238455A1 (zh) | 数据处理方法、设备及计算机可读存储介质 | |
EP2677927B1 (en) | Respiration monitoring method and system | |
CN110197235B (zh) | 一种基于独特性注意力机制的人体活动识别方法 | |
EP3422222A1 (en) | Method and state machine system for detecting an operation status for a sensor | |
WO2024021108A1 (en) | Method and device for predicting service life of rolling bearing and computer readable storage medium | |
CN116308963B (zh) | 一种政务数据分析方法及*** | |
CN117807551B (zh) | 基于智能戒指的心率异常捕获方法及*** | |
CN111931616A (zh) | 基于移动智能终端传感器设备的情绪识别方法及*** | |
CN114707608B (zh) | 医疗质控数据处理方法、装置、设备、介质及程序产品 | |
CN116153505A (zh) | 基于医用压力传感器的危重病人体征智能识别方法及*** | |
CN113951868B (zh) | 机械通气患者人机不同步检测方法及装置 | |
CN117251749B (zh) | 一种基于增量分析的物联网数据处理方法 | |
CN110866672B (zh) | 数据处理方法、装置、终端及介质 | |
CN116680613A (zh) | 基于多尺度度量学习的人类活动识别综合优化方法 | |
CN115474108B (zh) | 一种基于边缘计算的事件监控***及监控方法 | |
CN107194918B (zh) | 数据分析方法及装置 | |
CN115115038A (zh) | 一种基于单导联心电信号的模型构建方法及性别识别方法 | |
CN115376638A (zh) | 一种基于多源健康感知数据融合的生理特征数据分析方法 | |
CN111860441B (zh) | 基于无偏深度迁移学习的视频目标识别方法 | |
CN114601455A (zh) | 基于两级神经网络的运动识别方法 | |
CN114358081A (zh) | 心冲击信号的波峰定位方法、装置和电子设备 | |
CN113095386A (zh) | 一种基于三轴加速度空时特征融合的手势识别方法及*** | |
CN113095153A (zh) | 基于深度残差网络的移动终端人类情境识别方法 |
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 |