CN117598700B - 智能化血氧饱和度检测***及方法 - Google Patents
智能化血氧饱和度检测***及方法 Download PDFInfo
- Publication number
- CN117598700B CN117598700B CN202410089399.9A CN202410089399A CN117598700B CN 117598700 B CN117598700 B CN 117598700B CN 202410089399 A CN202410089399 A CN 202410089399A CN 117598700 B CN117598700 B CN 117598700B
- Authority
- CN
- China
- Prior art keywords
- blood oxygen
- oxygen saturation
- time sequence
- training
- feature
- 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
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 416
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 416
- 239000001301 oxygen Substances 0.000 title claims abstract description 416
- 239000008280 blood Substances 0.000 title claims abstract description 415
- 210000004369 blood Anatomy 0.000 title claims abstract description 413
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 211
- 238000012549 training Methods 0.000 claims description 116
- 238000012546 transfer Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 9
- 230000036541 health Effects 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 20
- 238000012544 monitoring process Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 206010021143 Hypoxia Diseases 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007954 hypoxia Effects 0.000 description 2
- 238000006213 oxygenation reaction Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000002106 pulse oximetry Methods 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 208000008784 apnea Diseases 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping 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
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000000707 wrist Anatomy 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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Optics & Photonics (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种智能化血氧饱和度检测***及方法,涉及智能检测领域,其通过目标对象佩戴的便携式血氧传感器实时监测采集血氧饱和度数据,并在后端引入数据处理和分析算法来进行所述血氧饱和度数据的时序分析,以此来判断目标对象的血氧饱和度是否存在异常,通过这样的方式,能够实现对用户血氧饱和度的实时监测和预警,从而提供更多的健康指标和个性化建议,帮助用户更好地管理和改善健康状况。
Description
技术领域
本申请涉及智能检测领域,且更为具体地,涉及一种智能化血氧饱和度检测***及方法。
背景技术
血氧饱和度是指血液中携带氧气的红细胞的比例,它反映了人体的氧气供应情况,通常以百分比表示。血氧饱和度是评估人体氧合状态和呼吸功能的重要指标之一。血氧饱和度过低或过高都可能导致严重的健康问题,如缺氧、心脏病和肺部疾病等。因此,及时监测和识别血氧饱和度异常是非常重要的。
在医疗领域,血氧饱和度的监测广泛应用于手术室、急诊室、重症监护室等环境中,以及患有呼吸***疾病的患者的家庭监护中。然而,传统的血氧饱和度监测通常需要使用专用的监测设备,如脉搏氧饱和度仪或医疗设备,这些设备通常较大且不便携,需要专业人员操作,限制了监测的灵活性和便利性。此外,传统的监测方式通常是点测式的,即在特定时间点进行一次测量,无法提供连续的血氧饱和度数据,无法捕捉到血氧饱和度的变化趋势和波动情况。
因此,期望一种智能化血氧饱和度检测***。
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,提供了一种智能化血氧饱和度检测***,其包括:
血氧饱和度数据采集模块,用于获取由目标对象佩戴的血氧传感器采集的所述目标对象在预定时间段内多个预定时间点的血氧饱和度数据;
血氧饱和度时序排列模块,用于将所述多个预定时间点的血氧饱和度数据按照时间维度排列为血氧饱和度时序输入向量;
血氧饱和度局部时序特征分析模块,用于对所述血氧饱和度时序输入向量进行局部时序特征提取以得到血氧饱和度局部时序特征向量的序列;
血氧饱和度局部时序特征间转移关联编码模块,用于对所述血氧饱和度局部时序特征向量的序列中每相邻两个血氧饱和度局部时序特征向量进行转移关联编码以得到血氧饱和度时序特征向量;
波动嵌入血氧饱和度时序语义分析模块,用于对所述血氧饱和度局部时序特征向量的序列和所述血氧饱和度局部时序特征向量的序列进行嵌入式融合分析以得到波动嵌入血氧饱和度时序语义特征;
血氧饱和度异常检测模块,用于基于所述波动嵌入血氧饱和度时序语义特征,确定被检测目标对象的血氧饱和度是否存在异常。
在上述智能化血氧饱和度检测***中,所述血氧饱和度局部时序特征分析模块,包括:
向量切分单元,用于将所述血氧饱和度时序输入向量进行向量切分以得到血氧饱和度局部时序输入向量的序列;
局部时序特征提取单元,用于将所述血氧饱和度局部时序输入向量的序列分别通过基于一维卷积层的血氧饱和度局部时序特征提取器以得到所述血氧饱和度局部时序特征向量的序列。
在上述智能化血氧饱和度检测***中,所述血氧饱和度局部时序特征间转移关联编码模块,用于:计算所述血氧饱和度局部时序特征向量的序列中每相邻两个血氧饱和度局部时序特征向量之间的转移矩阵的全局均值以得到由多个全局均值组成的所述血氧饱和度时序特征向量。
在上述智能化血氧饱和度检测***中,所述波动嵌入血氧饱和度时序语义分析模块,用于:将所述血氧饱和度局部时序特征向量的序列和所述血氧饱和度时序特征向量通过特征嵌入模块以得到波动嵌入血氧饱和度时序语义特征向量作为所述波动嵌入血氧饱和度时序语义特征。
在上述智能化血氧饱和度检测***中,所述血氧饱和度异常检测模块,用于:将所述波动嵌入血氧饱和度时序语义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检测目标对象的血氧饱和度是否存在异常。
在上述智能化血氧饱和度检测***中,还包括用于对所述基于一维卷积层的血氧饱和度局部时序特征提取器、所述特征嵌入模块和所述分类器进行训练的训练模块。
在上述智能化血氧饱和度检测***中,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括由目标对象佩戴的血氧传感器采集的所述目标对象在预定时间段内多个预定时间点的训练血氧饱和度数据;
时序排列单元,用于将所述多个预定时间点的训练血氧饱和度数据按照时间维度排列为训练血氧饱和度时序输入向量;
训练向量切分单元,用于将所述训练血氧饱和度时序输入向量进行向量切分以得到训练血氧饱和度局部时序输入向量的序列;
训练局部时序特征提取单元,用于将所述训练血氧饱和度局部时序输入向量的序列分别通过基于一维卷积层的血氧饱和度局部时序特征提取器以得到训练血氧饱和度局部时序特征向量的序列;
局部时序特征间转移关联编码单元,用于计算所述训练血氧饱和度局部时序特征向量的序列中每相邻两个训练血氧饱和度局部时序特征向量之间的转移矩阵的全局均值以得到由多个全局均值组成的训练血氧饱和度时序特征向量;
时序语义分析单元,用于将所述训练血氧饱和度局部时序特征向量的序列和所述训练血氧饱和度时序特征向量通过特征嵌入模块以得到训练波动嵌入血氧饱和度时序语义特征向量;
优化单元,用于在每次迭代时对所述训练波动嵌入血氧饱和度时序语义特征向量进行训练优化以得到优化训练波动嵌入血氧饱和度时序语义特征向量;
分类损失单元,用于将所述优化训练波动嵌入血氧饱和度时序语义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血氧饱和度局部时序特征提取器、所述特征嵌入模块和所述分类器进行训练。
在上述智能化血氧饱和度检测***中,所述分类损失单元,用于:
使用所述分类器对所述优化训练波动嵌入血氧饱和度时序语义特征向量进行处理以得到训练分类结果:以及,
计算所述训练分类结果与所述被检测目标对象的血氧饱和度是否存在异常的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
根据本申请的另一个方面,提供了一种智能化血氧饱和度检测方法,其包括:
获取由目标对象佩戴的血氧传感器采集的所述目标对象在预定时间段内多个预定时间点的血氧饱和度数据;
将所述多个预定时间点的血氧饱和度数据按照时间维度排列为血氧饱和度时序输入向量;
对所述血氧饱和度时序输入向量进行局部时序特征提取以得到血氧饱和度局部时序特征向量的序列;
对所述血氧饱和度局部时序特征向量的序列中每相邻两个血氧饱和度局部时序特征向量进行转移关联编码以得到血氧饱和度时序特征向量;
对所述血氧饱和度局部时序特征向量的序列和所述血氧饱和度局部时序特征向量的序列进行嵌入式融合分析以得到波动嵌入血氧饱和度时序语义特征;
基于所述波动嵌入血氧饱和度时序语义特征,确定被检测目标对象的血氧饱和度是否存在异常。
与现有技术相比,本申请提供的一种智能化血氧饱和度检测***及方法,其通过目标对象佩戴的便携式血氧传感器实时监测采集血氧饱和度数据,并在后端引入数据处理和分析算法来进行所述血氧饱和度数据的时序分析,以此来判断目标对象的血氧饱和度是否存在异常,通过这样的方式,能够实现对用户血氧饱和度的实时监测和预警,从而提供更多的健康指标和个性化建议,帮助用户更好地管理和改善健康状况。
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智能化血氧饱和度检测***的框图;
图2为根据本申请实施例的智能化血氧饱和度检测***的***架构图;
图3为根据本申请实施例的智能化血氧饱和度检测***的训练阶段的框图;
图4为根据本申请实施例的智能化血氧饱和度检测***中血氧饱和度局部时序特征分析模块的框图;
图5为根据本申请实施例的智能化血氧饱和度检测方法的流程图。
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。
传统的血氧饱和度监测通常需要使用专用的监测设备,如脉搏氧饱和度仪或医疗设备,这些设备通常较大且不便携,需要专业人员操作,限制了监测的灵活性和便利性。此外,传统的监测方式通常是点测式的,即在特定时间点进行一次测量,无法提供连续的血氧饱和度数据,无法捕捉到血氧饱和度的变化趋势和波动情况。因此,期望一种智能化血氧饱和度检测***。
在本申请的技术方案中,提出了一种智能化血氧饱和度检测***。图1为根据本申请实施例的智能化血氧饱和度检测***的框图。图2为根据本申请实施例的智能化血氧饱和度检测***的***架构图。如图1和图2所示,根据本申请的实施例的智能化血氧饱和度检测***300,包括:血氧饱和度数据采集模块310,用于获取由目标对象佩戴的血氧传感器采集的所述目标对象在预定时间段内多个预定时间点的血氧饱和度数据;血氧饱和度时序排列模块320,用于将所述多个预定时间点的血氧饱和度数据按照时间维度排列为血氧饱和度时序输入向量;血氧饱和度局部时序特征分析模块330,用于对所述血氧饱和度时序输入向量进行局部时序特征提取以得到血氧饱和度局部时序特征向量的序列;血氧饱和度局部时序特征间转移关联编码模块340,用于对所述血氧饱和度局部时序特征向量的序列中每相邻两个血氧饱和度局部时序特征向量进行转移关联编码以得到血氧饱和度时序特征向量;波动嵌入血氧饱和度时序语义分析模块350,用于对所述血氧饱和度局部时序特征向量的序列和所述血氧饱和度局部时序特征向量的序列进行嵌入式融合分析以得到波动嵌入血氧饱和度时序语义特征;血氧饱和度异常检测模块360,用于基于所述波动嵌入血氧饱和度时序语义特征,确定被检测目标对象的血氧饱和度是否存在异常。
特别地,所述血氧饱和度数据采集模块310,用于获取由目标对象佩戴的血氧传感器采集的所述目标对象在预定时间段内多个预定时间点的血氧饱和度数据。其中,血氧传感器是一种用于测量人体血液中氧气饱和度的设备。血氧饱和度是指血液中氧气与血红蛋白结合的比例,通常以百分比表示。血氧传感器可以提供实时的血氧饱和度数据,用于监测人体的氧合情况。在一个具体示例中,它通常使用非侵入性的方式,如指夹式传感器或手腕式传感器,通过红外光或LED光源照射皮肤,然后测量被照射后的光的吸收情况来确定血氧饱和度。
特别地,所述血氧饱和度时序排列模块320,用于将所述多个预定时间点的血氧饱和度数据按照时间维度排列为血氧饱和度时序输入向量。考虑到所述血氧饱和度数据在时间维度上具有着时序的动态变化规律,也就是说,所述多个预定时间点的血氧饱和度数据之间存在着时序的关联关系。因此,为了能够对于所述血氧饱和度数据的时序变化模式和趋势进行分析和特征刻画,需要将所述多个预定时间点的血氧饱和度数据按照时间维度排列为血氧饱和度时序输入向量,以此来整合所述血氧饱和度数据在时序上的分布信息。
特别地,所述血氧饱和度局部时序特征分析模块330,用于对所述血氧饱和度时序输入向量进行局部时序特征提取以得到血氧饱和度局部时序特征向量的序列。特别地,在本申请的一个具体示例中,如图4所示,所述血氧饱和度局部时序特征分析模块330,包括:向量切分单元331,用于将所述血氧饱和度时序输入向量进行向量切分以得到血氧饱和度局部时序输入向量的序列;局部时序特征提取单元332,用于将所述血氧饱和度局部时序输入向量的序列分别通过基于一维卷积层的血氧饱和度局部时序特征提取器以得到所述血氧饱和度局部时序特征向量的序列。
具体地,所述向量切分单元331,用于将所述血氧饱和度时序输入向量进行向量切分以得到血氧饱和度局部时序输入向量的序列。应可以理解,血氧饱和度是一个随时间变化的信号,其数值在不同时间点存在着波动和变化。并且,血氧饱和度在不同的时间周期内存在着不同的时序动态变化规律性。因此,为了能够更好地捕捉血氧饱和度的时序特征和变化趋势,在本申请的技术方案中,将所述血氧饱和度时序输入向量进行向量切分以得到血氧饱和度局部时序输入向量的序列。通过将所述血氧饱和度时序输入向量进行向量切分,可以更细致地观察和分析血氧饱和度在不同时间段内的时序变化,这样可以帮助***捕捉到血氧饱和度的短期波动、周期性变化或突变等特征,从而更准确地识别血氧饱和度的异常情况,如低氧血症、呼吸暂停等。
具体地,所述局部时序特征提取单元332,用于将所述血氧饱和度局部时序输入向量的序列分别通过基于一维卷积层的血氧饱和度局部时序特征提取器以得到所述血氧饱和度局部时序特征向量的序列。也就是,将所述血氧饱和度局部时序输入向量的序列分别通过基于一维卷积层的血氧饱和度局部时序特征提取器中进行特征挖掘,以分别提取出所述血氧饱和度在各个局部时间段内的局部时序动态特征信息,从而得到血氧饱和度局部时序特征向量的序列。更具体地将所述血氧饱和度局部时序输入向量的序列分别通过基于一维卷积层的血氧饱和度局部时序特征提取器以得到所述血氧饱和度局部时序特征向量的序列,包括:使用所述基于一维卷积层的血氧饱和度局部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血氧饱和度局部时序特征提取器的最后一层的输出为所述血氧饱和度局部时序特征向量的序列,所述基于一维卷积层的血氧饱和度局部时序特征提取器的第一层的输入为所述血氧饱和度局部时序输入向量的序列。
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。
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血氧饱和度时序输入向量进行局部时序特征提取以得到血氧饱和度局部时序特征向量的序列,例如:确定用于提取局部时序特征的窗口大小。窗口大小决定了每个局部特征向量所包含的时间步数;从血氧饱和度时序输入向量的起始位置开始,按照窗口大小和滑动步长的设置,在时序上滑动窗口进行特征提取。滑动步长决定了相邻窗口之间的时间步数间隔;对于每个滑动窗口,从血氧饱和度时序输入向量中提取局部时序特征。可以使用各种特征提取方法,如统计特征(平均值、方差等)、频域特征(傅里叶变换、功率谱密度等)、时域特征(自相关函数、差分等)等。提取的特征将形成局部时序特征向量;根据滑动步长的设置,重复进行滑动窗口提取和特征提取的步骤,直到覆盖整个血氧饱和度时序输入向量;将提取得到的局部时序特征向量按照时间顺序排列,形成血氧饱和度的局部时序特征向量序列。
特别地,所述血氧饱和度局部时序特征间转移关联编码模块340,用于对所述血氧饱和度局部时序特征向量的序列中每相邻两个血氧饱和度局部时序特征向量进行转移关联编码以得到血氧饱和度时序特征向量。考虑到所述血氧饱和度的变化通常具有一定的连续性和相关性。也就是说,所述血氧饱和度在各个局部时间段内的局部时序特征之间存在着一定的隐含关联关系,这种关联关系对于判断血氧饱和度是否存在异常或规律性变化尤为重要。因此,为了能够更为充分和准确地分析所述血氧饱和度的时序变化特征,以此来更加准确地进行血氧饱和度的异常检测,在本申请的技术方案中,进一步计算所述血氧饱和度局部时序特征向量的序列中每相邻两个血氧饱和度局部时序特征向量之间的转移矩阵的全局均值以得到由多个全局均值组成的血氧饱和度时序特征向量。特别地,这里,相邻的血氧饱和度局部时序特征向量之间的转移矩阵可以反映血氧饱和度在不同时间段内的时序特征之间的关系,而全局均值可以提供血氧饱和度的整体水平和变化趋势的信息。通过这样的方式,可以捕捉到所述血氧饱和度的长期趋势和变化模式,有助于判断血氧饱和度是否存在异常或规律性变化。
特别地,所述波动嵌入血氧饱和度时序语义分析模块350,用于对所述血氧饱和度局部时序特征向量的序列和所述血氧饱和度局部时序特征向量的序列进行嵌入式融合分析以得到波动嵌入血氧饱和度时序语义特征。考虑到所述血氧饱和度局部时序特征向量的序列包含了所述血氧饱和度在各个局部时间片段中的局部时序特征信息,所述血氧饱和度时序特征向量包含了所述血氧饱和度在各个局部时序片段中的时序特征之间的转移性关联特征信息,这些特征包含了有关于所述被监测目标对象的血氧饱和度的波动、趋势和周期性变化等特征信息。因此,为了更好地表示血氧饱和度的时序语义特征,在本申请的技术方案中,将所述血氧饱和度局部时序特征向量的序列和所述血氧饱和度时序特征向量通过特征嵌入模块以得到波动嵌入血氧饱和度时序语义特征向量。通过将所述血氧饱和度局部时序特征向量的序列和所述血氧饱和度时序特征向量进行特征嵌入,可以综合考虑到血氧饱和度的局部时序细节变化特征和波动情况,有助于更好地表示血氧饱和度的时序波动、趋势和语义特征信息,从而更为准确地进行所述被检测目标对象的血氧饱和度的异常检测。
特别地,所述血氧饱和度异常检测模块360,用于基于所述波动嵌入血氧饱和度时序语义特征,确定被检测目标对象的血氧饱和度是否存在异常。特别地,在本申请的技术方案中,将所述波动嵌入血氧饱和度时序语义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检测目标对象的血氧饱和度是否存在异常。也就是说,利用所述血氧饱和度的局部时序波动语义特征嵌入到所述血氧饱和度的局部时序变化特征的融合特征信息来进行分类处理,以此来判断目标对象的血氧饱和度是否存在异常,通过这样的方式,能够实现对用户血氧饱和度的实时监测和预警,从而提供更多的健康指标和个性化建议,帮助用户更好地管理和改善健康状况。具体地,将所述波动嵌入血氧饱和度时序语义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检测目标对象的血氧饱和度是否存在异常,包括:使用所述分类器的多个全连接层对所述波动嵌入血氧饱和度时序语义特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
分类器是指一种机器学习模型或算法,用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分,它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中,每个神经元都与上一层的所有神经元相连接,每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入,并通过权重对这些输入进行加权求和,然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数,用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值,并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层,特别适用于多分类问题,因为它能够将网络输出映射为各个类别的概率分布。在训练过程中,Softmax函数的输出可以用于计算损失函数,并通过反向传播算法来更新网络参数。值得注意的是,Softmax函数的输出并不会改变元素之间的相对大小关系,只是对其进行了归一化处理。因此,Softmax函数并不改变输入向量的特性,只是将其转化为概率分布形式。
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层的血氧饱和度局部时序特征提取器、所述特征嵌入模块和所述分类器进行训练。也就是说,根据本申请的智能化血氧饱和度检测***300,还包括训练阶段400,用于对所述基于一维卷积层的血氧饱和度局部时序特征提取器、所述特征嵌入模块和所述分类器进行训练。
图3为根据本申请实施例的智能化血氧饱和度检测***的训练阶段的框图。如图3所示,根据本申请实施例的智能化血氧饱和度检测***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,所述训练数据包括由目标对象佩戴的血氧传感器采集的所述目标对象在预定时间段内多个预定时间点的训练血氧饱和度数据;时序排列单元420,用于将所述多个预定时间点的训练血氧饱和度数据按照时间维度排列为训练血氧饱和度时序输入向量;训练向量切分单元430,用于将所述训练血氧饱和度时序输入向量进行向量切分以得到训练血氧饱和度局部时序输入向量的序列;训练局部时序特征提取单元440,用于将所述训练血氧饱和度局部时序输入向量的序列分别通过基于一维卷积层的血氧饱和度局部时序特征提取器以得到训练血氧饱和度局部时序特征向量的序列;局部时序特征间转移关联编码单元450,用于计算所述训练血氧饱和度局部时序特征向量的序列中每相邻两个训练血氧饱和度局部时序特征向量之间的转移矩阵的全局均值以得到由多个全局均值组成的训练血氧饱和度时序特征向量;时序语义分析单元460,用于将所述训练血氧饱和度局部时序特征向量的序列和所述训练血氧饱和度时序特征向量通过特征嵌入模块以得到训练波动嵌入血氧饱和度时序语义特征向量;优化单元470,用于在每次迭代时对所述训练波动嵌入血氧饱和度时序语义特征向量进行训练优化以得到优化训练波动嵌入血氧饱和度时序语义特征向量;分类损失单元480,用于将所述优化训练波动嵌入血氧饱和度时序语义特征向量通过分类器以得到分类损失函数值;训练单元490,用于基于所述分类损失函数值对所述基于一维卷积层的血氧饱和度局部时序特征提取器、所述特征嵌入模块和所述分类器进行训练。
其中,所述分类损失单元,用于使用所述分类器对所述优化训练波动嵌入血氧饱和度时序语义特征向量进行处理以得到训练分类结果:以及,计算所述训练分类结果与所述被检测目标对象的血氧饱和度是否存在异常的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
特别地,在上述技术方案中,所述训练血氧饱和度局部时序特征向量的序列表达所述训练血氧饱和度数据在全局时域通过向量切分得到的局部时域下的局部时域内局部时序关联特征,由此,所述训练血氧饱和度时序特征向量表达相邻局部时域时序关联域转移时序波动特征,且所述训练波动嵌入血氧饱和度时序语义特征向量表达经由局部时域内局部时序关联特征的局部时域序列间全局时域分布约束下的相邻局部时域时序关联域转移时序波动特征。因此,所述训练波动嵌入血氧饱和度时序语义特征向量在时域多尺度上具有特征绝对时域表示-特征时域相对转移表示的多维度时序关联特征表示,这就使得其整体特征分布具有较为显著的不一致和不稳定,导致所述训练波动嵌入血氧饱和度时序语义特征向量存在多尺度多维度分布信息博弈离散化,从而影响所述训练波动嵌入血氧饱和度时序语义特征向量通过分类器的分类训练。基于此,本申请优选地在所述训练波动嵌入血氧饱和度时序语义特征向量每次通过分类器进行迭代训练时,对所述训练波动嵌入血氧饱和度时序语义特征向量进行训练优化。
具体地,所述优化单元470,用于:在每次迭代时以如下公式对所述训练波动嵌入血氧饱和度时序语义特征向量进行训练优化以得到优化训练波动嵌入血氧饱和度时序语义特征向量;其中,所述公式为:
;
其中,是所述训练波动嵌入血氧饱和度时序语义特征向量的第/>个位置的特征值,/>是所述训练波动嵌入血氧饱和度时序语义特征向量的第/>个位置的特征值,且/>是尺度超参数,/>表示以2为底的对数函数值,/>是所述优化训练波动嵌入血氧饱和度时序语义特征向量的第/>个位置的特征值。
具体地,当所述训练波动嵌入血氧饱和度时序语义特征向量通过分类器进行迭代训练时,训练时所述分类器的权重矩阵将作用于所述波动嵌入血氧饱和度时序语义特征向量上,由于所述权重矩阵本身的致密特性,会使得所述训练波动嵌入血氧饱和度时序语义特征向量的各个位置的特征值之间的时序关联特征信息博弈离散化产生大规模信息博弈,导致分类解无法在博弈基础上收敛到纳什均衡,尤其是在存在以时域多尺度和多维度特征分布为基础的大规模非完美博弈离散化信息的情况下,这样,通过基于所述训练波动嵌入血氧饱和度时序语义特征向量的向量信息自控均衡邻域对所述训练波动嵌入血氧饱和度时序语义特征向量进行信息博弈均衡化的等效收敛,可以通过特征值在局部邻域内的自博弈来促进收敛,从而提高所述训练波动嵌入血氧饱和度时序语义特征向量通过分类器的训练效果。这样,能够实现对用户的血氧饱和度的实时监测和预警,从而提供更多的健康指标和个性化建议,帮助用户更好地管理和改善健康状况。
如上所述,根据本申请实施例的智能化血氧饱和度检测***300可以实现在各种无线终端中,例如具有智能化血氧饱和度检测算法的服务器等。在一种可能的实现方式中,根据本申请实施例的智能化血氧饱和度检测***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,该智能化血氧饱和度检测***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,该智能化血氧饱和度检测***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,该智能化血氧饱和度检测***300与该无线终端也可以是分立的设备,并且该智能化血氧饱和度检测***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。
进一步地,还提供一种智能化血氧饱和度检测方法。
图5为根据本申请实施例的智能化血氧饱和度检测方法的流程图。如图5所示,根据本申请实施例的智能化血氧饱和度检测方法,包括步骤:S1,获取由目标对象佩戴的血氧传感器采集的所述目标对象在预定时间段内多个预定时间点的血氧饱和度数据;S2,将所述多个预定时间点的血氧饱和度数据按照时间维度排列为血氧饱和度时序输入向量;S3,对所述血氧饱和度时序输入向量进行局部时序特征提取以得到血氧饱和度局部时序特征向量的序列;S4,对所述血氧饱和度局部时序特征向量的序列中每相邻两个血氧饱和度局部时序特征向量进行转移关联编码以得到血氧饱和度时序特征向量;S5,对所述血氧饱和度局部时序特征向量的序列和所述血氧饱和度局部时序特征向量的序列进行嵌入式融合分析以得到波动嵌入血氧饱和度时序语义特征;S6,基于所述波动嵌入血氧饱和度时序语义特征,确定被检测目标对象的血氧饱和度是否存在异常。
综上,根据本申请实施例的智能化血氧饱和度检测方法被阐明,其通过目标对象佩戴的便携式血氧传感器实时监测采集血氧饱和度数据,并在后端引入数据处理和分析算法来进行所述血氧饱和度数据的时序分析,以此来判断目标对象的血氧饱和度是否存在异常,通过这样的方式,能够实现对用户血氧饱和度的实时监测和预警,从而提供更多的健康指标和个性化建议,帮助用户更好地管理和改善健康状况。
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 (8)
1.一种智能化血氧饱和度检测***,其特征在于,包括:
血氧饱和度数据采集模块,用于获取由目标对象佩戴的血氧传感器采集的所述目标对象在预定时间段内多个预定时间点的血氧饱和度数据;
血氧饱和度时序排列模块,用于将所述多个预定时间点的血氧饱和度数据按照时间维度排列为血氧饱和度时序输入向量;
血氧饱和度局部时序特征分析模块,用于对所述血氧饱和度时序输入向量进行局部时序特征提取以得到血氧饱和度局部时序特征向量的序列;
血氧饱和度局部时序特征间转移关联编码模块,用于对所述血氧饱和度局部时序特征向量的序列中每相邻两个血氧饱和度局部时序特征向量进行转移关联编码以得到血氧饱和度时序特征向量;
波动嵌入血氧饱和度时序语义分析模块,用于对所述血氧饱和度局部时序特征向量的序列和所述血氧饱和度时序特征向量进行嵌入式融合分析以得到波动嵌入血氧饱和度时序语义特征;
血氧饱和度异常检测模块,用于基于所述波动嵌入血氧饱和度时序语义特征,确定被检测目标对象的血氧饱和度是否存在异常;
其中,所述波动嵌入血氧饱和度时序语义分析模块,用于:将所述血氧饱和度局部时序特征向量的序列和所述血氧饱和度时序特征向量通过特征嵌入模块以得到波动嵌入血氧饱和度时序语义特征向量作为所述波动嵌入血氧饱和度时序语义特征。
2.根据权利要求1所述的智能化血氧饱和度检测***,其特征在于,所述血氧饱和度局部时序特征分析模块,包括:
向量切分单元,用于将所述血氧饱和度时序输入向量进行向量切分以得到血氧饱和度局部时序输入向量的序列;
局部时序特征提取单元,用于将所述血氧饱和度局部时序输入向量的序列分别通过基于一维卷积层的血氧饱和度局部时序特征提取器以得到所述血氧饱和度局部时序特征向量的序列。
3.根据权利要求2所述的智能化血氧饱和度检测***,其特征在于,所述血氧饱和度局部时序特征间转移关联编码模块,用于:计算所述血氧饱和度局部时序特征向量的序列中每相邻两个血氧饱和度局部时序特征向量之间的转移矩阵的全局均值以得到由多个全局均值组成的所述血氧饱和度时序特征向量。
4.根据权利要求3所述的智能化血氧饱和度检测***,其特征在于,所述血氧饱和度异常检测模块,用于:将所述波动嵌入血氧饱和度时序语义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检测目标对象的血氧饱和度是否存在异常。
5.根据权利要求4所述的智能化血氧饱和度检测***,其特征在于,还包括用于对所述基于一维卷积层的血氧饱和度局部时序特征提取器、所述特征嵌入模块和所述分类器进行训练的训练模块。
6.根据权利要求5所述的智能化血氧饱和度检测***,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,所述训练数据包括由目标对象佩戴的血氧传感器采集的所述目标对象在预定时间段内多个预定时间点的训练血氧饱和度数据;
时序排列单元,用于将所述多个预定时间点的训练血氧饱和度数据按照时间维度排列为训练血氧饱和度时序输入向量;
训练向量切分单元,用于将所述训练血氧饱和度时序输入向量进行向量切分以得到训练血氧饱和度局部时序输入向量的序列;
训练局部时序特征提取单元,用于将所述训练血氧饱和度局部时序输入向量的序列分别通过基于一维卷积层的血氧饱和度局部时序特征提取器以得到训练血氧饱和度局部时序特征向量的序列;
局部时序特征间转移关联编码单元,用于计算所述训练血氧饱和度局部时序特征向量的序列中每相邻两个训练血氧饱和度局部时序特征向量之间的转移矩阵的全局均值以得到由多个全局均值组成的训练血氧饱和度时序特征向量;
时序语义分析单元,用于将所述训练血氧饱和度局部时序特征向量的序列和所述训练血氧饱和度时序特征向量通过特征嵌入模块以得到训练波动嵌入血氧饱和度时序语义特征向量;
优化单元,用于在每次迭代时对所述训练波动嵌入血氧饱和度时序语义特征向量进行训练优化以得到优化训练波动嵌入血氧饱和度时序语义特征向量;
分类损失单元,用于将所述优化训练波动嵌入血氧饱和度时序语义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血氧饱和度局部时序特征提取器、所述特征嵌入模块和所述分类器进行训练。
7.根据权利要求6所述的智能化血氧饱和度检测***,其特征在于,所述分类损失单元,用于:
使用所述分类器对所述优化训练波动嵌入血氧饱和度时序语义特征向量进行处理以得到训练分类结果;
计算所述训练分类结果与所述被检测目标对象的血氧饱和度是否存在异常的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
8.一种智能化血氧饱和度检测方法,其特征在于,包括:
获取由目标对象佩戴的血氧传感器采集的所述目标对象在预定时间段内多个预定时间点的血氧饱和度数据;
将所述多个预定时间点的血氧饱和度数据按照时间维度排列为血氧饱和度时序输入向量;
对所述血氧饱和度时序输入向量进行局部时序特征提取以得到血氧饱和度局部时序特征向量的序列;
对所述血氧饱和度局部时序特征向量的序列中每相邻两个血氧饱和度局部时序特征向量进行转移关联编码以得到血氧饱和度时序特征向量;
对所述血氧饱和度局部时序特征向量的序列和所述血氧饱和度时序特征向量进行嵌入式融合分析以得到波动嵌入血氧饱和度时序语义特征;
基于所述波动嵌入血氧饱和度时序语义特征,确定被检测目标对象的血氧饱和度是否存在异常;
其中,对所述血氧饱和度局部时序特征向量的序列和所述血氧饱和度时序特征向量进行嵌入式融合分析以得到波动嵌入血氧饱和度时序语义特征,包括:将所述血氧饱和度局部时序特征向量的序列和所述血氧饱和度时序特征向量通过特征嵌入模块以得到波动嵌入血氧饱和度时序语义特征向量作为所述波动嵌入血氧饱和度时序语义特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089399.9A CN117598700B (zh) | 2024-01-23 | 2024-01-23 | 智能化血氧饱和度检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089399.9A CN117598700B (zh) | 2024-01-23 | 2024-01-23 | 智能化血氧饱和度检测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117598700A CN117598700A (zh) | 2024-02-27 |
CN117598700B true CN117598700B (zh) | 2024-03-29 |
Family
ID=89960169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410089399.9A Active CN117598700B (zh) | 2024-01-23 | 2024-01-23 | 智能化血氧饱和度检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117598700B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912711B (zh) * | 2024-03-19 | 2024-05-24 | 吉林大学 | 血液透析数据采集分析***及方法 |
CN118136222A (zh) * | 2024-05-08 | 2024-06-04 | 湖南新云医疗装备工业有限公司 | 一种面向医疗环境的数字化智能制氧*** |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114073498A (zh) * | 2020-08-13 | 2022-02-22 | 深圳迈瑞生物医疗电子股份有限公司 | 监护设备及其生理参数处理方法 |
CN115798708A (zh) * | 2022-11-25 | 2023-03-14 | 西安交通大学 | 基于长时间序列的急救伤情分类方法 |
CN117040917A (zh) * | 2023-09-21 | 2023-11-10 | 深圳汉光电子技术有限公司 | 一种具有监测预警功能的智慧型交换机 |
CN117063820A (zh) * | 2023-10-16 | 2023-11-17 | 武安市园林绿化管理局 | 基于大数据的智慧园林监控平台及其方法 |
CN117151121A (zh) * | 2023-10-26 | 2023-12-01 | 安徽农业大学 | 一种基于波动阈值与分割化的多意图口语理解方法 |
CN117253599A (zh) * | 2023-10-02 | 2023-12-19 | 吉林大学 | 基于数据特征挖掘的远程护理管理***及方法 |
CN117278150A (zh) * | 2023-11-23 | 2023-12-22 | 成都工业学院 | 一种室内无线网络信号测量计算方法、设备和介质 |
CN117270082A (zh) * | 2023-09-28 | 2023-12-22 | 浙江非线数联科技股份有限公司 | 基于多传感器数据融合的降水量预测***及其方法 |
CN117289736A (zh) * | 2023-09-24 | 2023-12-26 | 南阳杜尔气体装备有限公司 | 用于高温防腐储藏罐的温度控制方法及*** |
CN117319223A (zh) * | 2023-10-20 | 2023-12-29 | 河南得实信息技术有限公司 | 一种基于数字孪生技术的领导驾驶舱可视化方法及*** |
CN117349657A (zh) * | 2023-10-16 | 2024-01-05 | 黄骅市骅水工程项目管理有限公司 | 一种用于水利工程环境监测的分布式数据采集模块及监测*** |
CN117375237A (zh) * | 2023-10-20 | 2024-01-09 | 浙江日新电气有限公司 | 基于数字孪生技术变电站运维方法及*** |
CN117390529A (zh) * | 2023-11-03 | 2024-01-12 | 深圳市优斯玛信息技术有限公司 | 多因素溯源的数据中台信息管理方法 |
WO2024011732A1 (zh) * | 2022-07-14 | 2024-01-18 | 福建省杭氟电子材料有限公司 | 六氟丁二烯储放场所的气体监测***及其监测方法 |
CN117579101A (zh) * | 2024-01-17 | 2024-02-20 | 南京飞腾电子科技有限公司 | 载波通讯模块的控制方法及其*** |
CN117582222A (zh) * | 2024-01-18 | 2024-02-23 | 吉林大学 | 信息化血糖监测***及方法 |
CN117598674A (zh) * | 2024-01-24 | 2024-02-27 | 吉林大学 | 多参数心脏功能监测***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140171769A1 (en) * | 2012-12-18 | 2014-06-19 | Covidien Lp | Systems and methods for distinguishing between central apnea and obstructive apnea |
-
2024
- 2024-01-23 CN CN202410089399.9A patent/CN117598700B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114073498A (zh) * | 2020-08-13 | 2022-02-22 | 深圳迈瑞生物医疗电子股份有限公司 | 监护设备及其生理参数处理方法 |
WO2024011732A1 (zh) * | 2022-07-14 | 2024-01-18 | 福建省杭氟电子材料有限公司 | 六氟丁二烯储放场所的气体监测***及其监测方法 |
CN115798708A (zh) * | 2022-11-25 | 2023-03-14 | 西安交通大学 | 基于长时间序列的急救伤情分类方法 |
CN117040917A (zh) * | 2023-09-21 | 2023-11-10 | 深圳汉光电子技术有限公司 | 一种具有监测预警功能的智慧型交换机 |
CN117289736A (zh) * | 2023-09-24 | 2023-12-26 | 南阳杜尔气体装备有限公司 | 用于高温防腐储藏罐的温度控制方法及*** |
CN117270082A (zh) * | 2023-09-28 | 2023-12-22 | 浙江非线数联科技股份有限公司 | 基于多传感器数据融合的降水量预测***及其方法 |
CN117253599A (zh) * | 2023-10-02 | 2023-12-19 | 吉林大学 | 基于数据特征挖掘的远程护理管理***及方法 |
CN117063820A (zh) * | 2023-10-16 | 2023-11-17 | 武安市园林绿化管理局 | 基于大数据的智慧园林监控平台及其方法 |
CN117349657A (zh) * | 2023-10-16 | 2024-01-05 | 黄骅市骅水工程项目管理有限公司 | 一种用于水利工程环境监测的分布式数据采集模块及监测*** |
CN117375237A (zh) * | 2023-10-20 | 2024-01-09 | 浙江日新电气有限公司 | 基于数字孪生技术变电站运维方法及*** |
CN117319223A (zh) * | 2023-10-20 | 2023-12-29 | 河南得实信息技术有限公司 | 一种基于数字孪生技术的领导驾驶舱可视化方法及*** |
CN117151121A (zh) * | 2023-10-26 | 2023-12-01 | 安徽农业大学 | 一种基于波动阈值与分割化的多意图口语理解方法 |
CN117390529A (zh) * | 2023-11-03 | 2024-01-12 | 深圳市优斯玛信息技术有限公司 | 多因素溯源的数据中台信息管理方法 |
CN117278150A (zh) * | 2023-11-23 | 2023-12-22 | 成都工业学院 | 一种室内无线网络信号测量计算方法、设备和介质 |
CN117579101A (zh) * | 2024-01-17 | 2024-02-20 | 南京飞腾电子科技有限公司 | 载波通讯模块的控制方法及其*** |
CN117582222A (zh) * | 2024-01-18 | 2024-02-23 | 吉林大学 | 信息化血糖监测***及方法 |
CN117598674A (zh) * | 2024-01-24 | 2024-02-27 | 吉林大学 | 多参数心脏功能监测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117598700A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113627518B (zh) | 利用迁移学习实现神经网络脑电情感识别模型的方法 | |
CN117598700B (zh) | 智能化血氧饱和度检测***及方法 | |
Lekha et al. | Real-time non-invasive detection and classification of diabetes using modified convolution neural network | |
CN110020623B (zh) | 基于条件变分自编码器的人体活动识别***及方法 | |
JP2019084343A (ja) | ウェアラブルデバイスを用いた高い正確度の光電容積脈波基盤の心房細動検出のための方法及び装置 | |
US20070010720A1 (en) | Non-parametric modeling apparatus and method for classification, especially of activity state | |
CN117438024B (zh) | 急诊病人体征数据的智能采集分析***及方法 | |
Nishadi | Predicting heart diseases in logistic regression of machine learning algorithms by Python Jupyterlab | |
Cimr et al. | Automatic seizure detection by convolutional neural networks with computational complexity analysis | |
Aggarwal et al. | A structured learning approach with neural conditional random fields for sleep staging | |
CN117643461B (zh) | 基于人工智能的心率智能监测***及方法 | |
CN117476214A (zh) | 一种基于医院信息的数据治理方法和*** | |
CN116369877A (zh) | 一种基于光电容积脉搏波的无创血压估计方法 | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
Yan et al. | Topological descriptors of gait nonlinear dynamics toward freezing-of-gait episodes recognition in parkinson’s disease | |
CN114334162A (zh) | 疾病患者智能预后预测方法、装置、存储介质及设备 | |
Vijayvargiya et al. | PC-GNN: Pearson Correlation-Based Graph Neural Network for Recognition of Human Lower Limb Activity Using sEMG Signal | |
Paragliola et al. | A deep learning-based approach for the recognition of sleep disorders in patients with cognitive diseases: A case study. | |
Johar et al. | Interfering sensed input classification model using assimilated whale optimization and deep Q-learning for remote patient monitoring | |
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 | |
Garimella et al. | Comparison of Fall Risk Prediction of Patients using Tree Algorithms implemented on a wearable belt | |
Jothi et al. | Deep Transfer Learning Approach for Obstructive Sleep Apnea Classification with Photoplethysmography Signal | |
CN116019429B (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
Schellenberger et al. | An ensemble lstm architecture for clinical sepsis detection | |
Farid | Machine Learning in Neuromuscular Disease Classification |
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 |