CN117253599A - 基于数据特征挖掘的远程护理管理***及方法 - Google Patents
基于数据特征挖掘的远程护理管理***及方法 Download PDFInfo
- Publication number
- CN117253599A CN117253599A CN202311280426.2A CN202311280426A CN117253599A CN 117253599 A CN117253599 A CN 117253599A CN 202311280426 A CN202311280426 A CN 202311280426A CN 117253599 A CN117253599 A CN 117253599A
- Authority
- CN
- China
- Prior art keywords
- feature
- vector
- physiological parameter
- association
- activity 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
- 238000005065 mining Methods 0.000 title claims abstract description 53
- 230000000474 nursing effect Effects 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 123
- 239000011159 matrix material Substances 0.000 claims abstract description 83
- 238000000605 extraction Methods 0.000 claims abstract description 77
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 316
- 238000007726 management method Methods 0.000 claims description 56
- 238000010586 diagram Methods 0.000 claims description 22
- 238000006073 displacement reaction Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 10
- 239000008280 blood Substances 0.000 claims description 8
- 210000004369 blood Anatomy 0.000 claims description 8
- 230000036772 blood pressure Effects 0.000 claims description 8
- 230000036760 body temperature Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000036387 respiratory rate Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000036391 respiratory frequency Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 4
- 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 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及远程护理领域,其具体地公开了一种基于数据特征挖掘的远程护理管理***及方法,其首先获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据,然后通过生理参数特征编码模块、生理参数时序特征提取模块、活动数据特征编码模块、活动数据时序特征提取模块以及关联模块得到平滑融合特征矩阵,进一步地,将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图,最后将所述分类特征图通过分类器以得到分类结果,以判断是否产生预警提示信号至被监测人的护理人,以提高护理管理的准确性和及时性,进而保障被监测人的生命和健康。
Description
技术领域
本申请涉及远程护理领域,且更为具体地,涉及一种基于数据特征挖掘的远程护理管理***及方法。
背景技术
远程护理管理***是一种利用信息技术和通信技术,是实现护理服务远程监测、管理和交流的***。它通过将传感器、设备和通信技术与护理服务相结合,提供远程护理和监护,使护理人能够实时获取患者的健康数据,随时了解患者的健康状况,及时采取必要的干预措施,提高护理效果。
目前,患者护理通常采用线下护理的方式,线下护理通常需要患者亲自前往医疗机构,这对于行动不便、病情较重或居住在偏远地区的患者来说可能存在困难。其次,线下护理可能面临医疗资源不足的问题,特别是在人口密集地区或医疗资源相对匮乏的地方,患者可能面临长时间等待或无法获得及时的医疗服务。此外,线下护理还存在着高昂的费用和时间成本,包括交通费用、住宿费用和等待时间等,这对患者和家属来说可能是一种负担。
因此,期望一种基于数据特征挖掘的远程护理管理***及方法。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于数据特征挖掘的远程护理管理***及方法,其首先获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据,然后通过生理参数特征编码模块、生理参数时序特征提取模块、活动数据特征编码模块、活动数据时序特征提取模块以及关联模块得到平滑融合特征矩阵,进一步地,将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图,最后将所述分类特征图通过分类器以得到分类结果,以判断是否产生预警提示信号至被监测人的护理人,以提高护理管理的准确性和及时性,进而保障被监测人的生命和健康。
根据本申请的一个方面,提供了一种基于数据特征挖掘的远程护理管理***,其包括:
监测数据采集模块,用于获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据,其中,所述生理参数包括生理参数值、血压值、呼吸频率值、体温值、血糖值,所述活动数据包括步数值、运动时间值、卧床时间值;
生理参数特征编码模块,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数通过包含一维卷积层和全连接层的第一序列关联编码器以得到生理参数特征向量;
生理参数时序特征提取模块,用于将所述生理参数特征向量通过第一多尺度邻域特征提取模块以得到生理参数关联特征向量;
活动数据特征编码模块,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据通过包含一维卷积层和全连接层的第二序列关联编码器以得到活动数据特征向量;
活动数据时序特征提取模块,用于将所述活动数据特征向量通过第二多尺度邻域特征提取模块以得到活动数据关联特征向量;
关联模块,用于对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化融合以得到平滑融合特征矩阵;
关联特征提取模块,用于将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图;
分类模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生预警提示信号至所述被监测人的护理人。
在上述基于数据特征挖掘的远程护理管理***中,所述生理参数特征编码模块,包括:第一输入向量排列单元,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数排列为一维的输入向量;第一一维卷积单元,用于使用所述第一序列关联编码器的一维卷积层以如下编码公式对所述第一输入向量排列单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述编码公式为:
其中,a为第一卷积核在x方向上的宽度,F(a)为第一卷积核参数向量,G(x-a)为与第一卷积核函数运算的局部向量矩阵,W为第一卷积核的尺寸,X表示所述第一输入向量排列单元获得的所述输入向量,Cov(X)表示对所述第一输入向量排列单元获得的所述输入向量进行一维卷积编码;
第一全连接单元,用于使用所述第一序列关联编码器的全连接层以如下排列公式对所述第一输入向量排列单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述排列公式为:其中X是所述输入向量,Y是输出向量,W是权重矩阵,/>表示矩阵乘。
在上述基于数据特征挖掘的远程护理管理***中,所述生理参数时序特征提取模块,包括:生理参数第一特征提取单元,用于将所述生理参数特征向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度生理参数特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;生理参数第二特征提取单元,用于将所述生理参数特征向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度生理参数特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;生理参数特征级联单元,用于将所述第一尺度生理参数特征向量与第二尺度生理参数特征向量分别进行级联以得到所述生理参数关联特征向量。
在上述基于数据特征挖掘的远程护理管理***中,所述活动数据特征编码模块,包括:第二输入向量排列单元,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据排列为一维的输入向量;第二一维卷积单元,用于使用所述第二序列关联编码器的一维卷积层以如下第二编码公式对所述第二输入向量排列单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述第二编码公式为:
其中,b为第二卷积核在x方向上的宽度,F(b)为第二卷积核参数向量,G(x-b)为与第二卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,Y表示所述第二输入向量排列单元获得的所述输入向量,Cov(Y)表示对所述第二输入向量排列单元获得的所述输入向量进行一维卷积编码;
第二全连接单元,用于使用所述第二序列关联编码器的全连接层以如下第二排列公式对所述第二输入向量排列单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述第二排列公式为:其中X是所述输入向量,Y是输出向量,W是权重矩阵,/>表示矩阵乘。
在上述基于数据特征挖掘的远程护理管理***中,所述活动数据时序特征提取模块,包括:活动数据第一特征提取单元,用于将所述活动数据特征向量输入所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度活动数据特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;活动数据第二特征提取单元,用于将所述生理参数特征向量输入所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度生理参数特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;活动数据特征级联单元,用于将所述第一尺度生理参数特征向量与第二尺度生理参数特征向量分别进行级联以得到所述活动数据关联特征向量。
在上述基于数据特征挖掘的远程护理管理***中,所述关联模块,包括:对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化以得到秩序化生理参数关联特征向量、秩序化活动数据关联特征向量、生理参数关联特征向量位置索引向量和活动数据关联特征向量位置索引向量;基于所述生理参数关联特征向量位置索引向量和所述活动数据关联特征向量位置索引向量,对所述秩序化生理参数关联特征向量和所述秩序化活动数据关联特征向量进行融合以得到初始融合特征矩阵;对所述初始融合特征矩阵进行基于特征值的矩阵分解以得到多个特征值向量;将所述多个特征值向量排列为矩阵以得到所述平滑融合特征矩阵。
在上述基于数据特征挖掘的远程护理管理***中,所述关联特征提取模块,包括:使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于通道维度的均值池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述分类特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述平滑融合特征矩阵。
在上述基于数据特征挖掘的远程护理管理***中,所述分类模块,包括:使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果,其中,所述分类公式为:
softmax{(Wn,Bn):...:(W1,B1)|Project(F)}
其中Project(F)表示将所述分类特征图投影为向量,W1至
Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面,提供了一种基于数据特征挖掘的远程护理管理方法,其包括:
获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据,其中,所述生理参数包括生理参数值、血压值、呼吸频率值、体温值、血糖值,所述活动数据包括步数值、运动时间值、卧床时间值;
将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数通过包含一维卷积层和全连接层的第一序列关联编码器以得到生理参数特征向量;
将所述生理参数特征向量通过第一多尺度邻域特征提取模块以得到生理参数关联特征向量;
将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据通过包含一维卷积层和全连接层的第二序列关联编码器以得到活动数据特征向量;
将所述活动数据特征向量通过第二多尺度邻域特征提取模块以得到活动数据关联特征向量;
对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化融合以得到平滑融合特征矩阵;
将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图;
将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生预警提示信号至所述被监测人的护理人。
在上述基于数据特征挖掘的远程护理管理方法中,对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化融合以得到平滑融合特征矩阵,包括:对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化以得到秩序化生理参数关联特征向量、秩序化活动数据关联特征向量、生理参数关联特征向量位置索引向量和活动数据关联特征向量位置索引向量;基于所述生理参数关联特征向量位置索引向量和所述活动数据关联特征向量位置索引向量,对所述秩序化生理参数关联特征向量和所述秩序化活动数据关联特征向量进行融合以得到初始融合特征矩阵;对所述初始融合特征矩阵进行基于特征值的矩阵分解以得到多个特征值向量;将所述多个特征值向量排列为矩阵以得到所述平滑融合特征矩阵。
与现有技术相比,本申请提供的一种基于数据特征挖掘的远程护理管理***及方法,其首先获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据,然后通过生理参数特征编码模块、生理参数时序特征提取模块、活动数据特征编码模块、活动数据时序特征提取模块以及关联模块得到平滑融合特征矩阵,进一步地,将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图,最后将所述分类特征图通过分类器以得到分类结果,以判断是否产生预警提示信号至被监测人的护理人,以提高护理管理的准确性和及时性,进而保障被监测人的生命和健康。
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数据特征挖掘的远程护理管理***的框图。
图2为根据本申请实施例的基于数据特征挖掘的远程护理管理***中生理参数特征编码模块的框图。
图3为根据本申请实施例的基于数据特征挖掘的远程护理管理***中生理参数时序特征提取模块的框图。
图4为根据本申请实施例的基于数据特征挖掘的远程护理管理***中活动数据特征编码模块的框图。
图5为根据本申请实施例的基于数据特征挖掘的远程护理管理***中活动数据时序特征提取模块的框图。
图6为根据本申请实施例的基于数据特征挖掘的远程护理管理方法的流程图。
图7为根据本申请实施例的基于数据特征挖掘的远程护理管理方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。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。
示例性***
图1为根据本申请实施例的基于数据特征挖掘的远程护理管理***的框图。如图1所示,根据本申请实施例的基于数据特征挖掘的远程护理管理***100,包括:监测数据采集模块110,用于获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据,其中,所述生理参数包括括生理参数值、血压值、呼吸频率值、体温值、血糖值,所述活动数据包括步数值、运动时间值、卧床时间值;生理参数特征编码模块120,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数通过包含一维卷积层和全连接层的第一序列关联编码器以得到生理参数特征向量;生理参数时序特征提取模块130,用于将所述生理参数特征向量通过第一多尺度邻域特征提取模块以得到生理参数关联特征向量;活动数据特征编码模块140,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据通过包含一维卷积层和全连接层的第二序列关联编码器以得到活动数据特征向量;活动数据时序特征提取模块150,用于将所述活动数据特征向量通过第二多尺度邻域特征提取模块以得到活动数据关联特征向量;关联模块160,用于对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化融合以得到平滑融合特征矩阵;关联特征提取模块170,用于将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图;分类模块180,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生预警提示信号至所述被监测人的护理人。
在上述基于数据特征挖掘的远程护理管理******100中,所述监测数据采集模块110,用于获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据,其中,所述生理参数包括括生理参数值、血压值、呼吸频率值、体温值、血糖值,所述活动数据包括步数值、运动时间值、卧床时间值。应可以理解,活动数据的改善可以对生理参数进行改变,而活动数据的监测可以提供对生理参数的反馈和调整,例如通过监测步数、运动时间和卧床时间等活动数据,可以了解个体的运动水平和休息质量,从而更好地管理血压、呼吸频率、体温和血糖等生理参数。生理参数和活动数据在患者身体上相互影响,因此,通过监测生理参数和活动数据来了解它们之间的相互关系,进行必要的调整,是基于数据特征挖掘的远程护理管理***及其方法的关键所在。
在上述基于数据特征挖掘的远程护理管理******100中,所述生理参数特征编码模块120,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数通过包含一维卷积层和全连接层的第一序列关联编码器以得到生理参数特征向量。应可以理解,在本申请的技术方案中,为了提取和编码生理参数数据中的相关特征,使用包含一维卷积层和全连接层的第一序列关联编码器帮助捕捉生理参数数据中的时序模式、趋势和周期性,以得到生理参数特征向量。特别地,一维卷积层在时间维度上进行滑动窗口的卷积操作,可以捕捉到生理参数数据中的局部模式,这对于监测和识别生理参数中的短期变化和突发事件非常有用。更为具体地,全连接层可以在卷积层的基础上进一步整合和提取特征,全连接层可以将卷积层输出的特征进行线性组合和非线性变换,从而得到更高级别的特征表示,全连接层可以帮助我们将生理参数数据中的特征映射到更抽象和语义化的表示空间,将复杂的生理参数数据转化为更具表达力和可解释性的特征表示。
图2为根据本申请实施例的基于数据特征挖掘的远程护理管理***中生理参数特征编码模块的框图。如图2所示,在本申请一个具体的实施例中,所述生理参数特征编码模块模块120,包括:第一输入向量排列单元121,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数排列为一维的输入向量;第一一维卷积单元122,用于使用所述第一序列关联编码器的一维卷积层以如下编码公式对所述第一输入向量排列单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述编码公式为:
其中,a为第一卷积核在x方向上的宽度,F(a)为第一卷积核参数向量,G(x-a)为与第一卷积核函数运算的局部向量矩阵,W为第一卷积核的尺寸,X表示所述第一输入向量排列单元获得的所述输入向量,Cov(X)表示对所述第一输入向量排列单元获得的所述输入向量进行一维卷积编码;
第一全连接单元123,用于使用所述第一序列关联编码器的全连接层以如下排列公式对所述第一输入向量排列单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述排列公式为:其中X是所述输入向量,Y是输出向量,W是权重矩阵,/>表示矩阵乘。
在上述基于数据特征挖掘的远程护理管理******100中,所述生理参数时序特征提取模块130,用于将所述生理参数特征向量通过第一多尺度邻域特征提取模块以得到生理参数关联特征向量。应可以理解,将所述生理参数特征向量通过第一多尺度邻域特征提取模块以得到生理参数关联特征向量。由于考虑到所述生理参数会呈现出不同的状态模式,例如在不同的周期中生理参数中各数据会进行变化,因此为了能够准确地提取出所述生理参数的动态特征,就需要对于所述生理参数的关联特征进行深度挖掘,也就是,在本申请的技术方案中,进一步将所述生理参数特征向量通过第一多尺度邻域特征提取模块中进行处理,以提取出所述生理参数特征向量在不同时间跨度下的多尺度邻域关联特征,从而得到生理参数关联特征向量。
图3为根据本申请实施例的基于数据特征挖掘的远程护理管理***中生理参数时序特征提取模块的框图。如图3所示,在本申请一个具体的实施例中,所述生理参数时序特征提取模块130,包括:生理参数第一特征提取单元131,用于将所述生理参数特征向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度生理参数特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;生理参数第二特征提取单元132,用于将所述生理参数特征向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度生理参数特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;生理参数特征级联单元133,用于将所述第一尺度生理参数特征向量与第二尺度生理参数特征向量分别进行级联以得到所述生理参数关联特征向量。
在上述基于数据特征挖掘的远程护理管理******100中,所述活动数据特征编码模块140,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据通过包含一维卷积层和全连接层的第二序列关联编码器以得到活动数据特征向量。应可以理解,了将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据转化为更具有表征性的特征向量表示,使用包含一维卷积层和全连接层的第二序列关联编码器以得到活动数据特征向量。应可以理解,一维卷积层在处理时序数据时具有很好的特征提取能力,通过卷积操作,一维卷积层可以捕捉到活动数据中的局部模式和时序关系,这对于识别和提取活动数据中的重要特征非常有帮助。卷积层的滤波器可以通过学习来自动地提取与任务相关的特征,全连接层则可以进一步将卷积层输出的特征映射到更抽象的表示空间中,从而更好地表示活动数据的语义信息,全连接层的神经元之间的连接权重可以通过训练来学习,以适应特定任务的需求。通过将一维卷积层和全连接层组合在一起,第二序列关联编码器可以提取活动数据中的关键信息,用以减少数据维度,提高模型的效率和性能。
图4为根据本申请实施例的基于数据特征挖掘的远程护理管理***中活动数据特征编码模块的框图。如图4所示,在本申请一个具体的实施例中,所述活动数据特征编码模块140,包括:第二输入向量排列单元141,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据排列为一维的输入向量;第二一维卷积单元142,用于使用所述第二序列关联编码器的一维卷积层以如下第二编码公式对所述第二输入向量排列单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述编码公式为:
其中,b为第二卷积核在x方向上的宽度,F(b)为第二卷积核参数向量,G(x-b)为与第二卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,Y表示所述第二输入向量排列单元获得的所述输入向量,Cov(Y)表示对所述第二输入向量排列单元获得的所述输入向量进行一维卷积编码;第二全连接单元143,用于使用所述第二序列关联编码器的全连接层以如下第二排列公式对所述第二输入向量排列单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述第二排列公式为:其中X是所述输入向量,Y是输出向量,W是权重矩阵,/>表示矩阵乘。
在上述基于数据特征挖掘的远程护理管理******100中,所述活动数据时序特征提取模块150,用于将所述活动数据特征向量通过第二多尺度邻域特征提取模块以得到活动数据关联特征向量。应可以理解,为了挖掘活动数据中的关联性和上下文信息,提高对活动数据的理解和表示能力,在本技术方案中,将所述活动数据特征向量通过第二多尺度邻域特征提取模块以得到活动数据关联特征向量。应可以理解,第二多尺度邻域特征提取模块包括多个并行的卷积层或注意力机制,用于在不同尺度上对活动数据特征进行提取和聚合,这些不同尺度的特征提取可以捕捉到不同层次的关联性和上下文信息。例如,较小尺度的卷积核可以捕捉到局部的关联性,而较大尺度的卷积核可以捕捉到更宽范围的上下文信息。通过第二多尺度邻域特征提取模块,可以获得更丰富的活动数据关联特征,这些关联特征可以帮助模型更好地理解活动数据之间的时序关系、空间关系或其他相关性。通过多尺度邻域特征提取,可以捕捉到不同时间尺度上的关联性,从而更好地表示活动数据的时序特征。
图5为根据本申请实施例的基于数据特征挖掘的远程护理管理***中活动数据时序特征提取模块的框图。如图5所示,在本申请一个具体的实施例中,所述活动数据时序特征提取模块150,包括:活动数据第一特征提取单元151,用于将所述活动数据特征向量输入所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度活动数据特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;活动数据第二特征提取单元152,用于将所述生理参数特征向量输入所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度生理参数特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;活动数据特征级联单元153,用于将所述第一尺度生理参数特征向量与第二尺度生理参数特征向量分别进行级联以得到所述活动数据关联特征向量。
在上述基于数据特征挖掘的远程护理管理******100中,所述关联模块160,用于对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化融合以得到平滑融合特征矩阵。应可以理解,在本申请的技术方案中,考虑到所述生理参数关联特征向量和所述活动数据关联特征向量之间存在特征冗余,直接融合所述生理参数关联特征向量和所述活动数据关联特征向量会导致这种特征冗余带入到分类特征图,因此,在融合所述生理参数关联特征向量和所述活动数据关联特征向量的过程中,如果能够消除所述生理参数关联特征向量和所述活动数据关联特征向量之间的相关性,则显然可以提高分类特征图通过分类器的分类回归的精准度。
具体地,在本申请的技术方案中,首先将所述生理参数关联特征向量和所述活动数据关联特征向量分别表示为矩阵形式,接着,对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化,即将两个特征向量的分量按照从大到小的顺序重新排列,并记录每个分量的原始位置,进而基于所述生理参数关联特征向量位置索引向量和所述活动数据关联特征向量位置索引向量,对所述秩序化生理参数关联特征向量和所述秩序化活动数据关联特征向量进行融合以得到初始融合特征矩阵,即,将两个特征向量的分量按照原始位置索引的顺序依次相加,并将结果存储在一个新的矩阵中。继而,对所述初始融合特征矩阵进行基于特征值的矩阵分解以得到多个特征值向量,并将所述多个特征值向量排列为矩阵以得到所述平滑融合特征矩阵。
这样,所述位移秩序化融合可以有效地消除特征向量之间的相关性,从而提高所述平滑融合特征矩阵的信息量和表达能力。并且,在上述位移秩序化融合中,还引入了矩阵分解,因此,可以增加特征表示的稀疏性,以提高所述分类特征图通过分类器的分类结果的精准度。
在本申请一个具体的实施例中,所述关联模块160,包括:对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化以得到秩序化生理参数关联特征向量、秩序化活动数据关联特征向量、生理参数关联特征向量位置索引向量和活动数据关联特征向量位置索引向量;基于所述生理参数关联特征向量位置索引向量和所述活动数据关联特征向量位置索引向量,对所述秩序化生理参数关联特征向量和所述秩序化活动数据关联特征向量进行融合以得到初始融合特征矩阵;对所述初始融合特征矩阵进行基于特征值的矩阵分解以得到多个特征值向量;将所述多个特征值向量排列为矩阵以得到所述平滑融合特征矩阵。
在上述基于数据特征挖掘的远程护理管理******100中,所述关联特征提取模块170,用于将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图。应可以理解,使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来对于所述平滑融合特征矩阵进行深层关联特征挖掘,以提取出所述生理参数关联特征向量和所述活动数据关联特征向量的隐藏关联性特征信息,从而得到分类特征图。在本申请一个具体的实施例中,所述关联特征提取模块170,包括:使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于通道维度的均值池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述分类特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述平滑融合特征矩阵。
在上述基于数据特征挖掘的远程护理管理******100中,所述分类模块180,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生预警提示信号至所述被监测人的护理人。
在本申请一个具体的实施例中,所述分类模块180,包括:使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果,其中,所述分类公式为:
softmax{(Wn,Bn):...:(W1,B1)|Project(F)}
其中Project(F)表示将所述分类特征图投影为向量,W1至
Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
综上,本申请实施例首先获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据,然后通过生理参数特征编码模块、生理参数时序特征提取模块、活动数据特征编码模块、活动数据时序特征提取模块以及关联模块得到平滑融合特征矩阵,进一步地,将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图,最后将所述分类特征图通过分类器以得到分类结果,以判断是否产生预警提示信号至被监测人的护理人,以提高护理管理的准确性和及时性,进而保障被监测人的生命和健康。
示例性方法
图6为根据本申请实施例的基于数据特征挖掘的远程护理管理方法的流程图。图7为根据本申请实施例的基于数据特征挖掘的远程护理管理方法的架构示意图。如图6和图7所示,根据本申请实施例的基于数据特征挖掘的远程护理管理方法,其包括:S110,获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据,其中,所述生理参数包括括生理参数值、血压值、呼吸频率值、体温值、血糖值,所述活动数据包括步数值、运动时间值、卧床时间值;S120,将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数通过包含一维卷积层和全连接层的第一序列关联编码器以得到生理参数特征向量;S130,将所述生理参数特征向量通过第一多尺度邻域特征提取模块以得到生理参数关联特征向量;S140,将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据通过包含一维卷积层和全连接层的第二序列关联编码器以得到活动数据特征向量;S150,将所述活动数据特征向量通过第二多尺度邻域特征提取模块以得到活动数据关联特征向量;S160,对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化融合以得到平滑融合特征矩阵;S170,将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图;S180,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生预警提示信号至所述被监测人的护理人。
Claims (10)
1.一种基于数据特征挖掘的远程护理管理***及方法,其特征在于,包括:
监测数据采集模块,用于获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据,其中,所述生理参数包括生理参数值、血压值、呼吸频率值、体温值、血糖值,所述活动数据包括步数值、运动时间值、卧床时间值;
生理参数特征编码模块,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数通过包含一维卷积层和全连接层的第一序列关联编码器以得到生理参数特征向量;
生理参数时序特征提取模块,用于将所述生理参数特征向量通过第一多尺度邻域特征提取模块以得到生理参数关联特征向量;
活动数据特征编码模块,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据通过包含一维卷积层和全连接层的第二序列关联编码器以得到活动数据特征向量;
活动数据时序特征提取模块,用于将所述活动数据特征向量通过第二多尺度邻域特征提取模块以得到活动数据关联特征向量;
关联模块,用于对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化融合以得到平滑融合特征矩阵;
关联特征提取模块,用于将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图;
分类模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生预警提示信号至所述被监测人的护理人。
2.根据权利要求1所述的基于数据特征挖掘的远程护理管理***,其特征在于,所述生理参数特征编码模块,包括:
第一输入向量排列单元,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数排列为一维的输入向量;
第一一维卷积单元,用于使用所述第一序列关联编码器的一维卷积层以如下编码公式对所述第一输入向量排列单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述编码公式为:
其中,a为第一卷积核在x方向上的宽度,F(a)为第一卷积核参数向量,G(x-a)为与第一卷积核函数运算的局部向量矩阵,W为第一卷积核的尺寸,X表示所述第一输入向量排列单元获得的所述输入向量,Cov(X)表示对所述第一输入向量排列单元获得的所述输入向量进行一维卷积编码;
第一全连接单元,用于使用所述第一序列关联编码器的全连接层以如下排列公式对所述第一输入向量排列单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述排列公式为:其中X是所述输入向量,Y是输出向量,W是权重矩阵,/>表示矩阵乘。
3.根据权利要求2所述的基于数据特征挖掘的远程护理管理***,其特征在于,所述生理参数时序特征提取模块,包括:
生理参数第一特征提取单元,用于将所述生理参数特征向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度生理参数特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
生理参数第二特征提取单元,用于将所述生理参数特征向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度生理参数特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;
生理参数特征级联单元,用于将所述第一尺度生理参数特征向量与第二尺度生理参数特征向量分别进行级联以得到所述生理参数关联特征向量。
4.根据权利要求3所述的基于数据特征挖掘的远程护理管理***,其特征在于,所述活动数据特征编码模块,包括:
第二输入向量排列单元,用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据排列为一维的输入向量;
第二一维卷积单元,用于使用所述第二序列关联编码器的一维卷积层以如下第二编码公式对所述第二输入向量排列单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述第二编码公式为:
其中,b为第二卷积核在x方向上的宽度,F(b)为第二卷积核参数向量,G(x-b)为与第二卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,Y表示所述第二输入向量排列单元获得的所述输入向量,Cov(Y)表示对所述第二输入向量排列单元获得的所述输入向量进行一维卷积编码;
第二全连接单元,用于使用所述第二序列关联编码器的全连接层以如下第二排列公式对所述第二输入向量排列单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述第二排列公式为:其中X是所述输入向量,Y是输出向量,W是权重矩阵,/>表示矩阵乘。
5.根据权利要求4所述的基于数据特征挖掘的远程护理管理***,其特征在于,所述活动数据时序特征提取模块,包括:
活动数据第一特征提取单元,用于将所述活动数据特征向量输入所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度活动数据特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
活动数据第二特征提取单元,用于将所述生理参数特征向量输入所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度生理参数特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;
活动数据特征级联单元,用于将所述第一尺度生理参数特征向量与第二尺度生理参数特征向量分别进行级联以得到所述活动数据关联特征向量。
6.根据权利要求5所述的基于数据特征挖掘的远程护理管理***,其特征在于,所述关联模块,包括:
对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化以得到秩序化生理参数关联特征向量、秩序化活动数据关联特征向量、生理参数关联特征向量位置索引向量和活动数据关联特征向量位置索引向量;
基于所述生理参数关联特征向量位置索引向量和所述活动数据关联特征向量位置索引向量,对所述秩序化生理参数关联特征向量和所述秩序化活动数据关联特征向量进行融合以得到初始融合特征矩阵;
对所述初始融合特征矩阵进行基于特征值的矩阵分解以得到多个特征值向量;
将所述多个特征值向量排列为矩阵以得到所述平滑融合特征矩阵。
7.根据权利要求6所述的基于数据特征挖掘的远程护理管理***,其特征在于,所述关联特征提取模块,包括:
使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中分别进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于通道维度的均值池化处理以得到池化特征图;
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述分类特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述平滑融合特征矩阵。
8.根据权利要求7所述的基于数据特征挖掘的远程护理管理***,其特征在于,所述分类模块,包括:
使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果,其中,所述分类公式为:
softmax{(Wn,Bn):...:(W1,B1)|Project(F)}
其中Project(F)表示将所述分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
9.一种基于数据特征挖掘的远程护理管理方法,其特征在于,包括:
获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据,其中,所述生理参数包括生理参数值、血压值、呼吸频率值、体温值、血糖值,所述活动数据包括步数值、运动时间值、卧床时间值;
将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数通过包含一维卷积层和全连接层的第一序列关联编码器以得到生理参数特征向量;
将所述生理参数特征向量通过第一多尺度邻域特征提取模块以得到生理参数关联特征向量;
将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据通过包含一维卷积层和全连接层的第二序列关联编码器以得到活动数据特征向量;
将所述活动数据特征向量通过第二多尺度邻域特征提取模块以得到活动数据关联特征向量;
对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化融合以得到平滑融合特征矩阵;
将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图;
将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生预警提示信号至所述被监测人的护理人。
10.根据权利要求9所述的基于数据特征挖掘的远程护理管理方法,其特征在于,对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化融合以得到平滑融合特征矩阵,包括:
对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化以得到秩序化生理参数关联特征向量、秩序化活动数据关联特征向量、生理参数关联特征向量位置索引向量和活动数据关联特征向量位置索引向量;
基于所述生理参数关联特征向量位置索引向量和所述活动数据关联特征向量位置索引向量,对所述秩序化生理参数关联特征向量和所述秩序化活动数据关联特征向量进行融合以得到初始融合特征矩阵;
对所述初始融合特征矩阵进行基于特征值的矩阵分解以得到多个特征值向量;
将所述多个特征值向量排列为矩阵以得到所述平滑融合特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311280426.2A CN117253599A (zh) | 2023-10-02 | 2023-10-02 | 基于数据特征挖掘的远程护理管理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311280426.2A CN117253599A (zh) | 2023-10-02 | 2023-10-02 | 基于数据特征挖掘的远程护理管理***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117253599A true CN117253599A (zh) | 2023-12-19 |
Family
ID=89132783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311280426.2A Pending CN117253599A (zh) | 2023-10-02 | 2023-10-02 | 基于数据特征挖掘的远程护理管理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117253599A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556220A (zh) * | 2024-01-09 | 2024-02-13 | 吉林大学 | 用于康复护理的智能辅助***及方法 |
CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测***及方法 |
CN117995411A (zh) * | 2024-04-03 | 2024-05-07 | 吉林大学 | 患者护理的运动数据采集分析***及方法 |
-
2023
- 2023-10-02 CN CN202311280426.2A patent/CN117253599A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556220A (zh) * | 2024-01-09 | 2024-02-13 | 吉林大学 | 用于康复护理的智能辅助***及方法 |
CN117556220B (zh) * | 2024-01-09 | 2024-03-22 | 吉林大学 | 用于康复护理的智能辅助***及方法 |
CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测***及方法 |
CN117598700B (zh) * | 2024-01-23 | 2024-03-29 | 吉林大学 | 智能化血氧饱和度检测***及方法 |
CN117995411A (zh) * | 2024-04-03 | 2024-05-07 | 吉林大学 | 患者护理的运动数据采集分析***及方法 |
CN117995411B (zh) * | 2024-04-03 | 2024-06-07 | 吉林大学 | 患者护理的运动数据采集分析***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117253599A (zh) | 基于数据特征挖掘的远程护理管理***及方法 | |
CN110444263B (zh) | 基于联邦学习的疾病数据处理方法、装置、设备及介质 | |
Sunil Kumar et al. | Bio-signals Compression Using Auto Encoder | |
Oh et al. | Learning to exploit invariances in clinical time-series data using sequence transformer networks | |
CN109119130A (zh) | 一种基于云计算的大数据健康管理***及方法 | |
Zhou et al. | Optimizing autoencoders for learning deep representations from health data | |
CN117556220B (zh) | 用于康复护理的智能辅助***及方法 | |
CN117116498A (zh) | 移动查房数据处理***及其方法 | |
CN117438087A (zh) | 基于健康监测数据分析的健康管理方法及*** | |
CN117598700B (zh) | 智能化血氧饱和度检测***及方法 | |
CN117542524A (zh) | 智能护理信息处理***及方法 | |
EP3890598A1 (en) | Passive data collection and use of machine-learning models for event prediction | |
CN112331349B (zh) | 一种脑卒中复发监测*** | |
CN111933270A (zh) | 一种基于物联网的移动医疗数据采集与传输*** | |
Kirubakaran et al. | Echo state learned compositional pattern neural networks for the early diagnosis of cancer on the internet of medical things platform | |
CN117034142B (zh) | 一种不平衡医疗数据缺失值填充方法及*** | |
Zhu et al. | Using a vae-som architecture for anomaly detection of flexible sensors in limb prosthesis | |
CN117711607A (zh) | 基于循证医学的智能医疗诊断***及方法 | |
CN116884615A (zh) | 一种高血压风险预测方法、***、电子设备及存储介质 | |
CN116172514A (zh) | 基于ts-bert神经网络模型架构的ecg信号分类方法 | |
Sury et al. | Brain-Computer Interface of Motor Imagery and Emotion Using Multiple Recurrent Neural Networks | |
CN117393153B (zh) | 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及*** | |
CN117594195B (zh) | 基于大数据的肾病患者饮食情况分析***及方法 | |
CN117524400B (zh) | 患者数据可视化管理***及方法 | |
CN117690582B (zh) | 护理工作站的信息管理***及方法 |
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 |