CN117438024B - 急诊病人体征数据的智能采集分析***及方法 - Google Patents
急诊病人体征数据的智能采集分析***及方法 Download PDFInfo
- Publication number
- CN117438024B CN117438024B CN202311723557.3A CN202311723557A CN117438024B CN 117438024 B CN117438024 B CN 117438024B CN 202311723557 A CN202311723557 A CN 202311723557A CN 117438024 B CN117438024 B CN 117438024B
- Authority
- CN
- China
- Prior art keywords
- feature vector
- time sequence
- contextual
- context
- training
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 238000003745 diagnosis Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 title abstract description 15
- 230000001154 acute effect Effects 0.000 title description 5
- 230000036772 blood pressure Effects 0.000 claims abstract description 141
- 230000036760 body temperature Effects 0.000 claims abstract description 63
- 230000036387 respiratory rate Effects 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 517
- 238000012549 training Methods 0.000 claims description 151
- 230000036391 respiratory frequency Effects 0.000 claims description 104
- 230000005856 abnormality Effects 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000010219 correlation analysis Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 6
- 238000012512 characterization method Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 13
- 230000033764 rhythmic process Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- 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
- 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
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Cardiology (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Pulmonology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种急诊病人体征数据的智能采集分析***及方法，涉及智能分析领域，其通过医疗设备和传感器实时监测采集急诊患者的生命体征数据，如心率、血压、呼吸频率、体温等，并在后端引入数据处理和分析算法来自动检测急诊患者的生命体征是否存在异常数据、数据的趋势变化和变化模式，并对于异常进行预警和显示，通过这样的方式，能够实现急诊患者生命体征数据的自动化采集和智能化分析，以帮助医护人员快速发现病人的病情变化和风险因素，从而提高急诊医疗的效率和质量。
Description
技术领域
本申请涉及智能分析领域，且更为具体地，涉及一种急诊病人体征数据的智能采集分析***及方法。
背景技术
急诊医疗是指对突发疾病、意外伤害或其他急性病情的患者进行紧急治疗和抢救的医疗过程，急诊医疗对医护人员的专业水平和应急能力提出了很高的要求。在急诊过程中，及时准确地监测和分析病人的生命体征数据是判断病情和采取治疗措施的重要依据。
然而，在传统的急诊医疗中，医护人员需要手动采集记录和分析病人的生命体征数据，如心率、血压、呼吸频率、体温等，这种手动采集方式以及人为分析方式过度依赖于人工，不仅费时费力，容易出现人为错误，而且在繁忙的急诊环境下，医护人员可能会错过一些重要的体征异常，导致一些潜在的异常或趋势变化被忽略，延误了对患者病情的判断和处理。此外，传统的急诊医疗数据采集和分析通常是离散的、间断的过程，无法实时监测患者的生命体征数据并及时发出警报，这意味着医护人员可能会错过一些急性变化或危险信号，延误了对患者的干预和治疗。
因此，期望一种急诊病人体征数据的智能采集分析***。
发明内容
为了解决上述技术问题，提出了本申请。
根据本申请的一个方面，提供了一种急诊病人体征数据的智能采集分析***，其包括：
数据采集模块，用于通过医疗设备采集被监测急诊患者在预定时间段内多个预定时间点的生命体征数据，其中，所述生命体征数据包括心率值、血压值、体温值和呼吸频率数据；
生命体征异常检测预警模块，用于对所述多个预定时间点的生命体征数据进行数据分析和理解以检测所述被监测急诊患者的生命体征是否存在异常，其中，响应于所述被监测急诊患者的生命体征存在异常时，产生预警信号；
可视化显示模块，用于将采集的所述生命体征数据和所述预警信号在屏幕上进行显示；
其中，所述生命体征异常检测预警模块，包括：
数据时序排列单元，用于将所述生命体征数据中的各个数据项按照时间维度排列为心率时序输入向量、血压时序输入向量、体温时序输入向量和呼吸频率时序输入向量；
数据时序特征提取单元，用于通过基于深度神经网络模型的时序特征提取器分别对所述心率时序输入向量、所述血压时序输入向量、所述体温时序输入向量和所述呼吸频率时序输入向量进行特征提取以得到心率时序特征向量、血压时序特征向量、体温时序特征向量和呼吸频率时序特征向量；
数据上下文关联编码单元，用于对所述心率时序特征向量、所述血压时序特征向量、所述体温时序特征向量和所述呼吸频率时序特征向量进行关联编码以得到上下文心率时序特征向量、上下文血压时序特征向量、上下文体温时序特征向量和上下文呼吸频率时序特征向量；
数据时序特征相关性分析单元，用于对所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量进行基于整体的相关性分析以得到加权后上下文心率时序特征向量、加权后上下文血压时序特征向量、加权后上下文体温时序特征向量和加权后上下文呼吸频率时序特征向量；
异常检测单元，用于将所述加权后上下文心率时序特征向量、所述加权后上下文血压时序特征向量、所述加权后上下文体温时序特征向量和所述加权后上下文呼吸频率时序特征向量拼接为生命体征时序特征后，确定所述被监测急诊患者对象的生命体征是否存在异常。
进一步地，所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
进一步地，所述数据上下文关联编码单元，用于：将所述心率时序特征向量、所述血压时序特征向量、所述体温时序特征向量和所述呼吸频率时序特征向量通过基于转换器的上下文编码器以得到所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量。
进一步地，所述数据时序特征相关性分析单元，包括：
权重计算子单元，用于分别计算所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个时序特征向量相对于整体的自显著权重值以得到多个自显著权重值；
数据时序特征自显著加权子单元，用于以所述多个自显著权重值作为权重，分别对所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量进行加权以得到所述加权后上下文心率时序特征向量、所述加权后上下文血压时序特征向量、所述加权后上下文体温时序特征向量和所述加权后上下文呼吸频率时序特征向量。
进一步地，所述权重计算子单元，用于：以如下权重公式分别计算所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个时序特征向量相对于整体的自显著权重值以得到所述多个自显著权重值；
其中，所述权重公式为:
；
其中，是所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中的第/>个特征向量，/>和/>是/>的矩阵，/>是所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量的向量数量，/>是所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个特征向量的尺度，/>是Sigmoid函数，/>是所述多个自显著权重值中的第/>个自显著权重值。
进一步地，所述异常检测单元，包括：将所述加权后上下文心率时序特征向量、所述加权后上下文血压时序特征向量、所述加权后上下文体温时序特征向量和所述加权后上下文呼吸频率时序特征向量拼接为分类特征向量作为所述生命体征时序特征后通过分类器以得到分类结果，所述分类结果用于表示所述被监测急诊患者的生命体征是否存在异常。
进一步地，还包括用于对所述基于一维卷积层的时序特征提取器、所述基于转换器的上下文编码器和所述分类器进行训练的训练模块。
进一步地，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括通过医疗设备采集被监测急诊患者在预定时间段内多个预定时间点的训练生命体征数据，其中，所述训练生命体征数据包括训练心率值、训练血压值、训练体温值和训练呼吸频率数据；
训练数据时序排列单元，用于将所述训练生命体征数据中的各个数据项按照时间维度排列为训练心率时序输入向量、训练血压时序输入向量、训练体温时序输入向量和训练呼吸频率时序输入向量；
训练数据时序特征提取单元，用于通过基于一维卷积层的时序特征提取器分别对所述训练心率时序输入向量、所述训练血压时序输入向量、所述训练体温时序输入向量和所述训练呼吸频率时序输入向量进行特征提取以得到训练心率时序特征向量、训练血压时序特征向量、训练体温时序特征向量和训练呼吸频率时序特征向量；
训练数据上下文关联编码单元，用于将所述训练心率时序特征向量、所述训练血压时序特征向量、所述训练体温时序特征向量和所述训练呼吸频率时序特征向量通过基于转换器的上下文编码器以得到训练上下文心率时序特征向量、训练上下文血压时序特征向量、训练上下文体温时序特征向量和训练上下文呼吸频率时序特征向量；
训练数据时序特征相关性分析单元，用于对所述训练上下文心率时序特征向量、所述训练上下文血压时序特征向量、所述训练上下文体温时序特征向量和所述训练上下文呼吸频率时序特征向量进行基于整体的相关性分析以得到训练加权后上下文心率时序特征向量、训练加权后上下文血压时序特征向量、训练加权后上下文体温时序特征向量和训练加权后上下文呼吸频率时序特征向量；
优化单元，用于在每次迭代时对所述分类特征向量进行训练优化分类特征向量；
分类损失单元，用于将所述优化分类特征向量通过分类器以得到分类损失函数值；
训练单元，用于基于所述分类损失函数值对所述基于一维卷积层的时序特征提取器、所述基于转换器的上下文编码器和所述分类器进行训练。
根据本申请的另一个方面，提供了一种急诊病人体征数据的智能采集分析方法，其包括：
通过医疗设备采集被监测急诊患者在预定时间段内多个预定时间点的生命体征数据，其中，所述生命体征数据包括心率值、血压值、体温值和呼吸频率数据；
对所述多个预定时间点的生命体征数据进行数据分析和理解以检测所述被监测急诊患者的生命体征是否存在异常，其中，响应于所述被监测急诊患者的生命体征存在异常时，产生预警信号；
将采集的所述生命体征数据和所述预警信号在屏幕上进行显示；
其中，对所述多个预定时间点的生命体征数据进行数据分析和理解以检测所述被监测急诊患者的生命体征是否存在异常，其中，响应于所述被监测急诊患者的生命体征存在异常时，产生预警信号，包括：
将所述生命体征数据中的各个数据项按照时间维度排列为心率时序输入向量、血压时序输入向量、体温时序输入向量和呼吸频率时序输入向量；
通过基于深度神经网络模型的时序特征提取器分别对所述心率时序输入向量、所述血压时序输入向量、所述体温时序输入向量和所述呼吸频率时序输入向量进行特征提取以得到心率时序特征向量、血压时序特征向量、体温时序特征向量和呼吸频率时序特征向量；
对所述心率时序特征向量、所述血压时序特征向量、所述体温时序特征向量和所述呼吸频率时序特征向量进行关联编码以得到上下文心率时序特征向量、上下文血压时序特征向量、上下文体温时序特征向量和上下文呼吸频率时序特征向量；
对所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量进行基于整体的相关性分析以得到加权后上下文心率时序特征向量、加权后上下文血压时序特征向量、加权后上下文体温时序特征向量和加权后上下文呼吸频率时序特征向量；
将所述加权后上下文心率时序特征向量、所述加权后上下文血压时序特征向量、所述加权后上下文体温时序特征向量和所述加权后上下文呼吸频率时序特征向量拼接为生命体征时序特征后，确定所述被监测急诊患者的生命体征是否存在异常。
与现有技术相比，本申请提供的一种急诊病人体征数据的智能采集分析***及方法，其通过医疗设备和传感器实时监测采集急诊患者的生命体征数据，如心率、血压、呼吸频率、体温等，并在后端引入数据处理和分析算法来自动检测急诊患者的生命体征是否存在异常数据、数据的趋势变化和变化模式，并对于异常进行预警和显示，通过这样的方式，能够实现急诊患者生命体征数据的自动化采集和智能化分析，以帮助医护人员快速发现病人的病情变化和风险因素，从而提高急诊医疗的效率和质量。
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急诊病人体征数据的智能采集分析***的框图；
图2为根据本申请实施例的急诊病人体征数据的智能采集分析***的***架构图；
图3为根据本申请实施例的急诊病人体征数据的智能采集分析***的训练阶段的框图；
图4为根据本申请实施例的急诊病人体征数据的智能采集分析***中生命体征异常检测预警模块的框图；
图5为根据本申请实施例的急诊病人体征数据的智能采集分析方法的流程图。
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。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
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。
在传统的急诊医疗中，医护人员需要手动采集记录和分析病人的生命体征数据，如心率、血压、呼吸频率、体温等，这种手动采集方式以及人为分析方式过度依赖于人工，不仅费时费力，容易出现人为错误，而且在繁忙的急诊环境下，医护人员可能会错过一些重要的体征异常，导致一些潜在的异常或趋势变化被忽略，延误了对患者病情的判断和处理。此外，传统的急诊医疗数据采集和分析通常是离散的、间断的过程，无法实时监测患者的生命体征数据并及时发出警报，这意味着医护人员可能会错过一些急性变化或危险信号，延误了对患者的干预和治疗。因此，期望一种急诊病人体征数据的智能采集分析***。
在本申请的技术方案中，提出了一种急诊病人体征数据的智能采集分析***。图1为根据本申请实施例的急诊病人体征数据的智能采集分析***的框图。图2为根据本申请实施例的急诊病人体征数据的智能采集分析***的***架构图。如图1和图2所示，本申请的实施例的急诊病人体征数据的智能采集分析***300，包括：数据采集模块310，用于通过医疗设备采集被监测急诊患者在预定时间段内多个预定时间点的生命体征数据，其中，所述生命体征数据包括心率值、血压值、体温值和呼吸频率数据；生命体征异常检测预警模块320，用于对所述多个预定时间点的生命体征数据进行数据分析和理解以检测所述被监测急诊患者的生命体征是否存在异常，其中，响应于所述被监测急诊患者的生命体征存在异常时，产生预警信号；可视化显示模块330，用于将采集的所述生命体征数据和所述预警信号在屏幕上进行显示。
特别地，所述数据采集模块310，用于通过医疗设备采集被监测急诊患者在预定时间段内多个预定时间点的生命体征数据，其中，所述生命体征数据包括心率值、血压值、体温值和呼吸频率数据。在一个示例中，可通过心电图仪、血压计、体温计和呼吸频率监测器来获取所述被监测急诊患者在预定时间段内多个预定时间点的心率值、血压值、体温值和呼吸频率数据。
特别地，所述生命体征异常检测预警模块320，用于对所述多个预定时间点的生命体征数据进行数据分析和理解以检测所述被监测急诊患者的生命体征是否存在异常，其中，响应于所述被监测急诊患者的生命体征存在异常时，产生预警信号。特别地，在本申请的一个具体示例中，如图4所示，所述生命体征异常检测预警模块320，包括：数据时序排列单元321，用于将所述生命体征数据中的各个数据项按照时间维度排列为心率时序输入向量、血压时序输入向量、体温时序输入向量和呼吸频率时序输入向量；数据时序特征提取单元322，用于通过基于深度神经网络模型的时序特征提取器分别对所述心率时序输入向量、所述血压时序输入向量、所述体温时序输入向量和所述呼吸频率时序输入向量进行特征提取以得到心率时序特征向量、血压时序特征向量、体温时序特征向量和呼吸频率时序特征向量；数据上下文关联编码单元323，用于对所述心率时序特征向量、所述血压时序特征向量、所述体温时序特征向量和所述呼吸频率时序特征向量进行关联编码以得到上下文心率时序特征向量、上下文血压时序特征向量、上下文体温时序特征向量和上下文呼吸频率时序特征向量；数据时序特征相关性分析单元324，用于对所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量进行基于整体的相关性分析以得到加权后上下文心率时序特征向量、加权后上下文血压时序特征向量、加权后上下文体温时序特征向量和加权后上下文呼吸频率时序特征向量；异常检测单元325，用于将所述加权后上下文心率时序特征向量、所述加权后上下文血压时序特征向量、所述加权后上下文体温时序特征向量和所述加权后上下文呼吸频率时序特征向量拼接为生命体征时序特征后，确定所述被监测急诊患者的生命体征是否存在异常。
具体地，所述数据时序排列单元321，用于将所述生命体征数据中的各个数据项按照时间维度排列为心率时序输入向量、血压时序输入向量、体温时序输入向量和呼吸频率时序输入向量。考虑到所述被监测急诊患者的生命体征数据中的各个数据项在时间维度上都具有有着时序的动态变化规律，也就是说，在所述各个预定时间点的生命体征数据中的各个数据分别在时间维度上都具有着时序的关联关系。因此，在本申请的技术方案中，将所述生命体征数据中的各个数据项按照时间维度排列为心率时序输入向量、血压时序输入向量、体温时序输入向量和呼吸频率时序输入向量。通过将所述生命体征数据中的各个数据项按时间维度进行排序，可以整合所述各个数据项的时序分布信息，以便于后续对所述生命体征中的各个数据的时序变化和趋势进行分析，有利于检测到心率逐渐增加或血压持续升高等趋势，从而帮助医护人员判断患者的病情发展情况。
具体地，所述数据时序特征提取单元322，用于通过基于深度神经网络模型的时序特征提取器分别对所述心率时序输入向量、所述血压时序输入向量、所述体温时序输入向量和所述呼吸频率时序输入向量进行特征提取以得到心率时序特征向量、血压时序特征向量、体温时序特征向量和呼吸频率时序特征向量。也就是，在本申请的技术方案中，将所述心率时序输入向量、所述血压时序输入向量、所述体温时序输入向量和所述呼吸频率时序输入向量通过基于一维卷积层的时序特征提取器中进行特征挖掘，以分别提取出所述生命体征数据中的各个数据项在时间维度上的时序动态特征信息，从而得到心率时序特征向量、血压时序特征向量、体温时序特征向量和呼吸频率时序特征向量。更具体地，使用所述基于一维卷积层的时序特征提取器的各层在层的正向传递中分别对输入数据进行：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特征矩阵的池化以得到池化特征图；以及，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，所述基于一维卷积层的时序特征提取器的最后一层的输出为所述心率时序特征向量、所述血压时序特征向量、所述体温时序特征向量和所述呼吸频率时序特征向量，所述基于一维卷积层的时序特征提取器的第一层的输入为所述心率时序输入向量、所述血压时序输入向量、所述体温时序输入向量和所述呼吸频率时序输入向量。
值得注意的是，一维卷积层是卷积神经网络（CNN）中常用的一种层类型，用于处理具有时序结构的数据。它在输入数据的一个维度上应用卷积操作，以提取局部特征并捕捉输入数据中的时序模式。一维卷积层的主要组成部分是卷积核（也称为滤波器）和激活函数。卷积核是一个小的可学习参数矩阵，它在输入数据上进行滑动窗口的卷积操作。卷积操作通过在窗口内对输入数据和卷积核进行元素乘积并求和，生成一个输出值。通过在输入数据上滑动窗口并应用卷积操作，一维卷积层可以提取输入数据的局部特征。一维卷积层中的激活函数常用的选择包括ReLU（修正线性单元）、sigmoid 和 tanh 等。激活函数引入非线性变换，使得模型能够学习更复杂的特征表示。一维卷积层的输出形状取决于以下几个因素：卷积核的大小、卷积核的数量、卷积的步长和填充方式。通过调整这些参数，可以控制输出特征图的尺寸和特征的提取方式。在深层的卷积神经网络中，一维卷积层通常与其他类型的层（如池化层、全连接层等）交替使用，以构建更复杂的模型结构，并逐渐提取更高级别的特征表示。
具体地，所述数据上下文关联编码单元323，用于对所述心率时序特征向量、所述血压时序特征向量、所述体温时序特征向量和所述呼吸频率时序特征向量进行关联编码以得到上下文心率时序特征向量、上下文血压时序特征向量、上下文体温时序特征向量和上下文呼吸频率时序特征向量。考虑到所述生命体征数据中的各个数据项，例如心率值、血压值、体温值和呼吸频率数据之间具有着时序的相关性关系，这种关联关系能够更为全面和综合地反映出所述被监测急诊患者的生命状态情况。因此，在本申请的技术方案中，进一步将所述心率时序特征向量、所述血压时序特征向量、所述体温时序特征向量和所述呼吸频率时序特征向量通过基于转换器的上下文编码器中进行关联编码，以提取出所述生命体征数据中的各个数据项之间的上下文关联时序语义特征信息，从而得到上下文心率时序特征向量、上下文血压时序特征向量、上下文体温时序特征向量和上下文呼吸频率时序特征向量。这样，能够有助于综合分析不同生命体征数据的变化模式和趋势，提供更全面的生命状态信息来监测患者的病情。
值得注意的是，基于转换器的上下文编码器是一种基于注意力机制的神经网络模型，用于对序列数据进行编码和建模。它最初被引入于自然语言处理领域，并在机器翻译任务中取得了显著的成果，其中最常用的模型是Transformer模型。基于转换器的上下文编码器主要由自注意力机制和前馈神经网络组成。
具体地，所述数据时序特征相关性分析单元324，用于对所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量进行基于整体的相关性分析以得到加权后上下文心率时序特征向量、加权后上下文血压时序特征向量、加权后上下文体温时序特征向量和加权后上下文呼吸频率时序特征向量。应可以理解，由于所述生命体征数据中的各个数据项，例如心率值、血压值、体温值和呼吸频率数据在实际进行急诊患者的生命体征状态检测的贡献度不同。也就是说，所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中的不同的时序特征向量对整体的影响程度不同，同时，不同的时序特征向量在不同的情况下具有不同的重要性。因此，为了能够确定每个时序特征向量在整体中的重要性或贡献度，以此来更为准确地进行所述被监测急诊患者的生命体征异常检测，在本申请的技术方案中，进一步分别计算所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个时序特征向量相对于整体的自显著权重值以得到多个自显著权重值，并以所述多个自显著权重值作为权重，分别对所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量进行加权以得到加权后上下文心率时序特征向量、加权后上下文血压时序特征向量、加权后上下文体温时序特征向量和加权后上下文呼吸频率时序特征向量。应可以理解，通过计算各个时序特征向量相对于整体的自显著权重值，可以评估每个特征向量的重要性。这有助于确定哪些特征对于描述患者的病情变化最为关键，从而更好地指导医护人员的诊断和治疗决策。并且，通过计算该自显著权重值，还可以实现自适应的权重分配，从而能够根据实际情况调整各个特征向量的权重，使得***能够更好地适应不同的患者和病情变化。更具体地，首先，分别计算所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个时序特征向量相对于整体的自显著权重值以得到多个自显著权重值；再以所述多个自显著权重值作为权重，分别对所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量进行加权以得到所述加权后上下文心率时序特征向量、所述加权后上下文血压时序特征向量、所述加权后上下文体温时序特征向量和所述加权后上下文呼吸频率时序特征向量。在一个具体示例中，以如下权重公式分别计算所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个时序特征向量相对于整体的自显著权重值以得到所述多个自显著权重值；其中，所述权重公式为:
；
其中，是所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中的第/>个特征向量，/>和/>是/>的矩阵，/>是所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量的向量数量，/>是所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个特征向量的尺度，/>是Sigmoid函数，/>是所述多个自显著权重值中的第/>个自显著权重值。
具体地，所述异常检测单元325，用于将所述加权后上下文心率时序特征向量、所述加权后上下文血压时序特征向量、所述加权后上下文体温时序特征向量和所述加权后上下文呼吸频率时序特征向量拼接为生命体征时序特征后，确定所述被监测急诊患者的生命体征是否存在异常。也就是，在本申请的技术方案中，将所述加权后上下文心率时序特征向量、所述加权后上下文血压时序特征向量、所述加权后上下文体温时序特征向量和所述加权后上下文呼吸频率时序特征向量拼接为分类特征向量，以此来整合利用贡献度和重要性进行加权后的生命体征数据中各个数据项的上下文关联时序特征，以提供更全面和综合的特征表示后，再将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测急诊患者的生命体征是否存在异常。这样，可以自动化地判断急诊患者的生命体征是否存在异常数据、数据的趋势变化和变化模式，并对于异常进行预警和显示，为医护人员提供辅助决策的依据。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述多个预定时间点的生命体征数据进行数据分析和理解以检测所述被监测急诊患者的生命体征是否存在异常，其中，响应于所述被监测急诊患者的生命体征存在异常时，产生预警信号，例如：对采集到的生命体征数据进行预处理，包括去除噪声、填补缺失值、标准化等；从预处理后的生命体征数据中提取特征，以捕捉数据的关键信息。特征可以包括统计特征（平均值、方差等）、频域特征（功率谱密度等）、时域特征（自相关函数、差分等）等。特征提取的目的是将原始数据转换为更具表征力的特征表示；使用合适的异常检测算法对提取的特征进行分析，以检测生命体征数据中的异常。常用的异常检测方法包括基于阈值的方法、基于统计模型的方法、机器学习方法等。这些方法可以根据特征的分布、变化趋势等来判断是否存在异常；当异常检测算法检测到生命体征数据中存在异常时，生成预警信号。预警信号可以是警报、通知、报警器等形式，用于提醒医护人员或***操作员注意患者的生命体征异常情况。
特别地，所述可视化显示模块330，用于将采集的所述生命体征数据和所述预警信号在屏幕上进行显示。值得一提的是，通过在屏幕上显示生命体征数据和预警信号，医护人员可以实时监测患者的生理状态。可以直接观察到患者的心率、呼吸频率、血压等生命体征数据，并及时发现异常情况。此外，通过屏幕上显示的预警信号可以提醒医护人员注意患者的特定生理指标。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于一维卷积神经网络模型的时序特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述解码器进行训练。也就是说，本申请的急诊病人体征数据的智能采集分析***300，还包括训练阶段400，用于对所述基于一维卷积神经网络模型的时序特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述解码器进行训练。
图3为根据本申请实施例的急诊病人体征数据的智能采集分析***的训练阶段的框图。如图3所示，本申请实施例的急诊病人体征数据的智能采集分析***300，包括：训练阶段400，包括：训练数据获取单元410，用于获取训练数据，所述训练数据包括通过医疗设备采集被监测急诊患者在预定时间段内多个预定时间点的训练生命体征数据，其中，所述训练生命体征数据包括训练心率值、训练血压值、训练体温值和训练呼吸频率数据；训练数据时序排列单元420，用于将所述训练生命体征数据中的各个数据项按照时间维度排列为训练心率时序输入向量、训练血压时序输入向量、训练体温时序输入向量和训练呼吸频率时序输入向量；训练数据时序特征提取单元430，用于通过基于一维卷积层的时序特征提取器分别对所述训练心率时序输入向量、所述训练血压时序输入向量、所述训练体温时序输入向量和所述训练呼吸频率时序输入向量进行特征提取以得到训练心率时序特征向量、训练血压时序特征向量、训练体温时序特征向量和训练呼吸频率时序特征向量；训练数据上下文关联编码单元440，用于将所述训练心率时序特征向量、所述训练血压时序特征向量、所述训练体温时序特征向量和所述训练呼吸频率时序特征向量通过基于转换器的上下文编码器以得到训练上下文心率时序特征向量、训练上下文血压时序特征向量、训练上下文体温时序特征向量和训练上下文呼吸频率时序特征向量；训练数据时序特征相关性分析单元450，用于对所述训练上下文心率时序特征向量、所述训练上下文血压时序特征向量、所述训练上下文体温时序特征向量和所述训练上下文呼吸频率时序特征向量进行基于整体的相关性分析以得到训练加权后上下文心率时序特征向量、训练加权后上下文血压时序特征向量、训练加权后上下文体温时序特征向量和训练加权后上下文呼吸频率时序特征向量；优化单元460，用于在每次迭代时对所述分类特征向量进行训练优化分类特征向量；分类损失单元470，用于将所述优化分类特征向量通过分类器以得到分类损失函数值；训练单元480，用于基于所述分类损失函数值对所述基于一维卷积层的时序特征提取器、所述基于转换器的上下文编码器和所述分类器进行训练。
特别地，在上述技术方案中，所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量分别表达心率值、血压值、体温值和呼吸频率值的全局时域时序特征上下文关联的局部时域时序关联特征，因此，考虑数据本身的异质性及其在时序方向上的全局时域-局部时域多尺度分布差异，在通过其相对于整体的自显著权重值加权后直接拼接为分类特征向量时，所述分类特征向量的整体特征分布会具有较为显著的不一致和不稳定，从而影响所述分类特征向量通过分类器进行分类训练的稳定性。基于此，本申请的申请人在将所述分类特征向量通过分类器进行分类训练时，在每次迭代时对所述分类特征向量进行训练优化，具体表示为：
；
其中是所述分类特征向量，/>是所述分类特征向量的特征值，/>和/>分别是所述分类特征向量的1范数和2范数，/>是所述分类特征向量的长度，且/>是与/>相关的权重超参数，/>表示向量的指数运算，/>是所述优化分类特征向量的特征值。这里，通过所述分类特征向量/>的整体特征分布分别在绝对距离的刚性结构和空间距离的非刚性结构下的结构一致性和稳定性表示，来使得所述分类特征向量/>的全局特征分布对于局部模式变化具有一定重复性，以在所述分类特征向量/>通过分类器进行分类时，对于全局特征分布经由分类器的权重矩阵的尺度和旋转变化具有鲁棒性，提升分类训练的稳定性。这样，能够实现急诊患者生命体征数据的自动化采集和智能化分析，以自动检测急诊患者的生命体征是否存在异常，并对于异常进行预警和显示，从而帮助医护人员快速发现病人的病情变化和风险因素，以提高急诊医疗的效率和质量。
如上所述，根据本申请实施例的急诊病人体征数据的智能采集分析***300可以实现在各种无线终端中，例如具有急诊病人体征数据的智能采集分析算法的服务器等。在一种可能的实现方式中，根据本申请实施例的急诊病人体征数据的智能采集分析***300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该急诊病人体征数据的智能采集分析***300可以是该无线终端的操作***中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该急诊病人体征数据的智能采集分析***300同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该急诊病人体征数据的智能采集分析***300与该无线终端也可以是分立的设备，并且该急诊病人体征数据的智能采集分析***300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的急诊病人体征数据的智能采集分析方法的流程图。如图5所示，根据本申请实施例的急诊病人体征数据的智能采集分析方法，包括步骤：S1，通过医疗设备采集被监测急诊患者在预定时间段内多个预定时间点的生命体征数据，其中，所述生命体征数据包括心率值、血压值、体温值和呼吸频率数据；S2，对所述多个预定时间点的生命体征数据进行数据分析和理解以检测所述被监测急诊患者的生命体征是否存在异常，其中，响应于所述被监测急诊患者的生命体征存在异常时，产生预警信号；S3，将采集的所述生命体征数据和所述预警信号在屏幕上进行显示。
综上，根据本申请实施例的急诊病人体征数据的智能采集分析方法被阐明，其通过医疗设备和传感器实时监测采集急诊患者的生命体征数据，如心率、血压、呼吸频率、体温等，并在后端引入数据处理和分析算法来自动检测急诊患者的生命体征是否存在异常数据、数据的趋势变化和变化模式，并对于异常进行预警和显示，通过这样的方式，能够实现急诊患者生命体征数据的自动化采集和智能化分析，以帮助医护人员快速发现病人的病情变化和风险因素，从而提高急诊医疗的效率和质量。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种急诊病人体征数据的智能采集分析***，其特征在于，包括：
数据采集模块，用于通过医疗设备采集被监测急诊患者在预定时间段内多个预定时间点的生命体征数据，其中，所述生命体征数据包括心率值、血压值、体温值和呼吸频率数据；
生命体征异常检测预警模块，用于对所述多个预定时间点的生命体征数据进行数据分析和理解以检测所述被监测急诊患者的生命体征是否存在异常，其中，响应于所述被监测急诊患者的生命体征存在异常时，产生预警信号；
可视化显示模块，用于将采集的所述生命体征数据和所述预警信号在屏幕上进行显示；
其中，所述生命体征异常检测预警模块，包括：
数据时序排列单元，用于将所述生命体征数据中的各个数据项按照时间维度排列为心率时序输入向量、血压时序输入向量、体温时序输入向量和呼吸频率时序输入向量；
数据时序特征提取单元，用于通过基于深度神经网络模型的时序特征提取器分别对所述心率时序输入向量、所述血压时序输入向量、所述体温时序输入向量和所述呼吸频率时序输入向量进行特征提取以得到心率时序特征向量、血压时序特征向量、体温时序特征向量和呼吸频率时序特征向量；
数据上下文关联编码单元，用于对所述心率时序特征向量、所述血压时序特征向量、所述体温时序特征向量和所述呼吸频率时序特征向量进行关联编码以得到上下文心率时序特征向量、上下文血压时序特征向量、上下文体温时序特征向量和上下文呼吸频率时序特征向量；
数据时序特征相关性分析单元，用于对所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量进行基于整体的相关性分析以得到加权后上下文心率时序特征向量、加权后上下文血压时序特征向量、加权后上下文体温时序特征向量和加权后上下文呼吸频率时序特征向量；
异常检测单元，用于将所述加权后上下文心率时序特征向量、所述加权后上下文血压时序特征向量、所述加权后上下文体温时序特征向量和所述加权后上下文呼吸频率时序特征向量拼接为生命体征时序特征后，确定所述被监测急诊患者的生命体征是否存在异常；
其中，所述数据时序特征相关性分析单元，包括：
权重计算子单元，用于分别计算所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个时序特征向量相对于整体的自显著权重值以得到多个自显著权重值；
数据时序特征自显著加权子单元，用于以所述多个自显著权重值作为权重，分别对所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量进行加权以得到所述加权后上下文心率时序特征向量、所述加权后上下文血压时序特征向量、所述加权后上下文体温时序特征向量和所述加权后上下文呼吸频率时序特征向量；
其中，所述权重计算子单元，用于：以如下权重公式分别计算所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个时序特征向量相对于整体的自显著权重值以得到所述多个自显著权重值；
其中，所述权重公式为:
；
其中，是所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中的第/>个特征向量，/>和/>是1×/>的矩阵，/>是所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量的向量数量，/>是所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个特征向量的尺度，/>是Sigmoid函数，/>是所述多个自显著权重值中的第/>个自显著权重值。
2.根据权利要求1所述的急诊病人体征数据的智能采集分析***，其特征在于，所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
3.根据权利要求2所述的急诊病人体征数据的智能采集分析***，其特征在于，所述数据上下文关联编码单元，用于：将所述心率时序特征向量、所述血压时序特征向量、所述体温时序特征向量和所述呼吸频率时序特征向量通过基于转换器的上下文编码器以得到所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量。
4.根据权利要求3所述的急诊病人体征数据的智能采集分析***，其特征在于，所述异常检测单元，包括：将所述加权后上下文心率时序特征向量、所述加权后上下文血压时序特征向量、所述加权后上下文体温时序特征向量和所述加权后上下文呼吸频率时序特征向量拼接为分类特征向量作为所述生命体征时序特征后通过分类器以得到分类结果，所述分类结果用于表示所述被监测急诊患者的生命体征是否存在异常。
5.根据权利要求4所述的急诊病人体征数据的智能采集分析***，其特征在于，还包括用于对所述基于一维卷积层的时序特征提取器、所述基于转换器的上下文编码器和所述分类器进行训练的训练模块。
6.根据权利要求5所述的急诊病人体征数据的智能采集分析***，其特征在于，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括通过医疗设备采集被监测急诊患者在预定时间段内多个预定时间点的训练生命体征数据，其中，所述训练生命体征数据包括训练心率值、训练血压值、训练体温值和训练呼吸频率数据；
训练数据时序排列单元，用于将所述训练生命体征数据中的各个数据项按照时间维度排列为训练心率时序输入向量、训练血压时序输入向量、训练体温时序输入向量和训练呼吸频率时序输入向量；
训练数据时序特征提取单元，用于通过基于一维卷积层的时序特征提取器分别对所述训练心率时序输入向量、所述训练血压时序输入向量、所述训练体温时序输入向量和所述训练呼吸频率时序输入向量进行特征提取以得到训练心率时序特征向量、训练血压时序特征向量、训练体温时序特征向量和训练呼吸频率时序特征向量；
训练数据上下文关联编码单元，用于将所述训练心率时序特征向量、所述训练血压时序特征向量、所述训练体温时序特征向量和所述训练呼吸频率时序特征向量通过基于转换器的上下文编码器以得到训练上下文心率时序特征向量、训练上下文血压时序特征向量、训练上下文体温时序特征向量和训练上下文呼吸频率时序特征向量；
训练数据时序特征相关性分析单元，用于对所述训练上下文心率时序特征向量、所述训练上下文血压时序特征向量、所述训练上下文体温时序特征向量和所述训练上下文呼吸频率时序特征向量进行基于整体的相关性分析以得到训练加权后上下文心率时序特征向量、训练加权后上下文血压时序特征向量、训练加权后上下文体温时序特征向量和训练加权后上下文呼吸频率时序特征向量；
优化单元，用于在每次迭代时对所述分类特征向量进行训练优化分类特征向量；
分类损失单元，用于将所述优化分类特征向量通过分类器以得到分类损失函数值；
训练单元，用于基于所述分类损失函数值对所述基于一维卷积层的时序特征提取器、所述基于转换器的上下文编码器和所述分类器进行训练。
7.一种急诊病人体征数据的智能采集分析方法，其特征在于，包括：
通过医疗设备采集被监测急诊患者在预定时间段内多个预定时间点的生命体征数据，其中，所述生命体征数据包括心率值、血压值、体温值和呼吸频率数据；
对所述多个预定时间点的生命体征数据进行数据分析和理解以检测所述被监测急诊患者的生命体征是否存在异常，其中，响应于所述被监测急诊患者的生命体征存在异常时，产生预警信号；
将采集的所述生命体征数据和所述预警信号在屏幕上进行显示；
其中，对所述多个预定时间点的生命体征数据进行数据分析和理解以检测所述被监测急诊患者的生命体征是否存在异常，其中，响应于所述被监测急诊患者的生命体征存在异常时，产生预警信号，包括：
将所述生命体征数据中的各个数据项按照时间维度排列为心率时序输入向量、血压时序输入向量、体温时序输入向量和呼吸频率时序输入向量；
通过基于深度神经网络模型的时序特征提取器分别对所述心率时序输入向量、所述血压时序输入向量、所述体温时序输入向量和所述呼吸频率时序输入向量进行特征提取以得到心率时序特征向量、血压时序特征向量、体温时序特征向量和呼吸频率时序特征向量；
对所述心率时序特征向量、所述血压时序特征向量、所述体温时序特征向量和所述呼吸频率时序特征向量进行关联编码以得到上下文心率时序特征向量、上下文血压时序特征向量、上下文体温时序特征向量和上下文呼吸频率时序特征向量；
对所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量进行基于整体的相关性分析以得到加权后上下文心率时序特征向量、加权后上下文血压时序特征向量、加权后上下文体温时序特征向量和加权后上下文呼吸频率时序特征向量；
将所述加权后上下文心率时序特征向量、所述加权后上下文血压时序特征向量、所述加权后上下文体温时序特征向量和所述加权后上下文呼吸频率时序特征向量拼接为生命体征时序特征后，确定所述被监测急诊患者的生命体征是否存在异常；
其中，所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量进行基于整体的相关性分析以得到加权后上下文心率时序特征向量、加权后上下文血压时序特征向量、加权后上下文体温时序特征向量和加权后上下文呼吸频率时序特征向量，包括：
分别计算所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个时序特征向量相对于整体的自显著权重值以得到多个自显著权重值；
以所述多个自显著权重值作为权重，分别对所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量进行加权以得到所述加权后上下文心率时序特征向量、所述加权后上下文血压时序特征向量、所述加权后上下文体温时序特征向量和所述加权后上下文呼吸频率时序特征向量；
其中，分别计算所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个时序特征向量相对于整体的自显著权重值以得到多个自显著权重值，包括：以如下权重公式分别计算所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个时序特征向量相对于整体的自显著权重值以得到所述多个自显著权重值；
其中，所述权重公式为:
；
其中，是所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中的第/>个特征向量，/>和/>是1×/>的矩阵，/>是所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量的向量数量，/>是所述上下文心率时序特征向量、所述上下文血压时序特征向量、所述上下文体温时序特征向量和所述上下文呼吸频率时序特征向量中各个特征向量的尺度，/>是Sigmoid函数，/>是所述多个自显著权重值中的第/>个自显著权重值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311723557.3A CN117438024B (zh) | 2023-12-15 | 2023-12-15 | 急诊病人体征数据的智能采集分析***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311723557.3A CN117438024B (zh) | 2023-12-15 | 2023-12-15 | 急诊病人体征数据的智能采集分析***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117438024A CN117438024A (zh) | 2024-01-23 |
| CN117438024B true CN117438024B (zh) | 2024-03-08 |
Family
ID=89546387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311723557.3A Active CN117438024B (zh) | 2023-12-15 | 2023-12-15 | 急诊病人体征数据的智能采集分析***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117438024B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117598674B (zh) * | 2024-01-24 | 2024-04-12 | 吉林大学 | 多参数心脏功能监测***及方法 |
| CN117612693B (zh) * | 2024-01-24 | 2024-04-05 | 四川互慧软件有限公司 | 一种患者实时监测和预警方法、装置、计算机及存储介质 |
| CN117723158B (zh) * | 2024-02-07 | 2024-04-12 | 吉林大学 | 非接触式体温监测***及其方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109697285A (zh) * | 2018-12-13 | 2019-04-30 | 中南大学 | 增强语义表示的层次BiLSTM中文电子病历疾病编码标注方法 |
| CN110147763A (zh) * | 2019-05-20 | 2019-08-20 | 哈尔滨工业大学 | 基于卷积神经网络的视频语义分割方法 |
| CN113284576A (zh) * | 2021-06-30 | 2021-08-20 | 南通市妇幼保健院 | 一种急诊病人体征数据的智能收集方法及*** |
| CN115381438A (zh) * | 2022-08-24 | 2022-11-25 | 华南师范大学 | 生命体征信号的重建方法、装置、计算机设备和存储介质 |
| CN115660569A (zh) * | 2022-09-07 | 2023-01-31 | 杭州聚医智联科技有限公司 | 居家养老智慧管理平台及其方法 |
| CN116504382A (zh) * | 2023-05-29 | 2023-07-28 | 杭州医锐联科技有限公司 | 远程医疗监护***及其方法 |
| CN116665086A (zh) * | 2023-04-12 | 2023-08-29 | 杭州睿数科技有限公司 | 一种基于学习行为智能分析的教学方法及*** |
| CN116862877A (zh) * | 2023-07-12 | 2023-10-10 | 新疆生产建设兵团医院 | 基于卷积神经网络的扫描图像分析***及其方法 |
| CN117116498A (zh) * | 2023-10-23 | 2023-11-24 | 吉林大学 | 移动查房数据处理***及其方法 |
-
2023
- 2023-12-15 CN CN202311723557.3A patent/CN117438024B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109697285A (zh) * | 2018-12-13 | 2019-04-30 | 中南大学 | 增强语义表示的层次BiLSTM中文电子病历疾病编码标注方法 |
| CN110147763A (zh) * | 2019-05-20 | 2019-08-20 | 哈尔滨工业大学 | 基于卷积神经网络的视频语义分割方法 |
| CN113284576A (zh) * | 2021-06-30 | 2021-08-20 | 南通市妇幼保健院 | 一种急诊病人体征数据的智能收集方法及*** |
| CN115381438A (zh) * | 2022-08-24 | 2022-11-25 | 华南师范大学 | 生命体征信号的重建方法、装置、计算机设备和存储介质 |
| CN115660569A (zh) * | 2022-09-07 | 2023-01-31 | 杭州聚医智联科技有限公司 | 居家养老智慧管理平台及其方法 |
| CN116665086A (zh) * | 2023-04-12 | 2023-08-29 | 杭州睿数科技有限公司 | 一种基于学习行为智能分析的教学方法及*** |
| CN116504382A (zh) * | 2023-05-29 | 2023-07-28 | 杭州医锐联科技有限公司 | 远程医疗监护***及其方法 |
| CN116862877A (zh) * | 2023-07-12 | 2023-10-10 | 新疆生产建设兵团医院 | 基于卷积神经网络的扫描图像分析***及其方法 |
| CN117116498A (zh) * | 2023-10-23 | 2023-11-24 | 吉林大学 | 移动查房数据处理***及其方法 |
Non-Patent Citations (4)
| Title |
|---|
| "A Study on the Performance of Generative Pre-trained Transformer(GPT) in Simulating Depressed Individuals on the Standardized Depressive Symptom Scale";Sijin Cai等;《arXiv》;20230717;全文 * |
| "基于深度学习的自然英文文字识别的研究";邹瑞杰;《中国优秀硕士学位论文全文数据库》;20191231(第2019年第12期期);全文 * |
| 冯兴杰 等."基于交互注意力的可解释性推荐方法".《计算机应用于软件》.第39卷(第10期),全文. * |
| 王韻霏."基于神经网络结构的细粒度实体分类方法研究".2020,(第2020年第03期期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117438024A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117438024B (zh) | 急诊病人体征数据的智能采集分析***及方法 | |
| EP1954184B1 (en) | Residual-based monitoring of human health | |
| CA3069891A1 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
| CN117598700B (zh) | 智能化血氧饱和度检测***及方法 | |
| CN102831288B (zh) | 生理参数指标运算***及方法 | |
| CN105574322A (zh) | 生理参数指标运算***及方法 | |
| JP5544365B2 (ja) | マルチパラメーターモニタリングにおける改善又はマルチパラメーターモニタリングに関する改善 | |
| CN117542474A (zh) | 基于大数据的远程护理监测***及方法 | |
| KR102494310B1 (ko) | 시각화된 바이탈 사인 데이터 분석을 통한 쇼크 발생 가능성 판단 방법, 장치 및 컴퓨터프로그램 | |
| US8416086B2 (en) | Methods for improved forewarning of condition changes in monitoring physical processes | |
| CN117643461B (zh) | 基于人工智能的心率智能监测***及方法 | |
| AU2021236462B2 (en) | Residual-based monitoring of human health | |
| Johar et al. | Interfering sensed input classification model using assimilated whale optimization and deep Q-learning for remote patient monitoring | |
| CN116019429B (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
| CN112545535B (zh) | 一种基于振幅整合脑电图的睡眠觉醒周期的分析方法 | |
| Saranya et al. | Human body temperature and face mask audit system for COVID protocol | |
| 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*** | |
| KR102493242B1 (ko) | 인공지능 학습을 통해 광용적맥파로부터 대동맥판막협착증 및 기타 심혈관 질환 위험도를 판단하는 방법 및 시스템 | |
| WO2022041225A1 (zh) | 用于评估心血管状态的服务器、可穿戴设备及心血管状态评估的方法 | |
| CN116019429A (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
| Chakka et al. | All-purpose Health Monitoring Belt using HIoT Devices | |
| Sambhaji et al. | NSTEMI Heart Disease Diagnosis and Analysis Using CNN Classifier and Raspberry Pi | |
| Manohar et al. | AI driven ECG arrhythmia diagnosis | |
| CN112274119A (zh) | 一种基于神经网络的脉搏波模型预测方法 | |
| CN116869547A (zh) | 一种心电信号质量评估方法及*** |
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 |