首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

昏迷患者的实时体征监测系统及其方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:吉林大学

摘要:本申请公开了一种昏迷患者的实时体征监测系统及其方法,涉及医疗信息处理技术领域,其采用基于深度学习的人工智能技术对昏迷患者的生命体征数据进行持续监测分析,捕捉到患者生命体征的时序变化模式,挖掘出患者生命体征的时序稳定性信息,从而智能判断患者病情是否发生恶化。这样,可以及时掌握患者的病情变化以便采取相应的治疗措施,从而提高昏迷患者的医疗护理效率和质量。

主权项:1.一种昏迷患者的实时体征监测系统,其特征在于,包括:生命体征监测模块,用于通过生命体征监测设备采集被监控昏迷患者的生命体征数据的时间序列,其中,所述生命体征数据包括心率值、血压值、体温值和脉搏值;生命体征时域分析模块,用于对所述生命体征数据的时间序列进行时域特征分析以得到生命体征时序局部关联特征图;局部特征分解模块,用于将所述生命体征时序局部关联特征图分解为生命体征局部时序关联特征向量的序列;生命体征稳定性表征模块,用于提取所述生命体征局部时序关联特征向量的序列的语义波动特征以得到生命体征时序稳定性表征特征向量;病情状态识别模块,用于基于所述生命体征时序稳定性表征特征向量,确定患者病情的识别结果;其中,所述生命体征稳定性表征模块,包括:锚定参考特征构造单元,用于计算所述生命体征局部时序关联特征向量的序列的按位置均值向量作为锚定参考特征向量;语义波动度量单元,用于计算所述生命体征局部时序关联特征向量的序列中的各个所述生命体征局部时序关联特征向量相对于所述锚定参考特征向量的生命体征时序语义波动系数以得到由多个生命体征时序语义波动系数组成的所述生命体征时序稳定性表征特征向量;其中,所述语义波动度量单元,用于:计算所述锚定参考特征向量中各个特征值的对数以得到对数转换锚定参考特征向量;将所述生命体征局部时序关联特征向量的序列中的各个所述生命体征局部时序关联特征向量和所述对数转换锚定参考特征向量分别进行对应元素相乘以得到多个语义波动特征向量;分别计算所述多个语义波动特征向量中各个语义波动特征向量的全局均值以得到所述多个生命体征时序语义波动系数;其中,所述局部特征分解模块,用于:将所述生命体征时序局部关联特征图沿着通道维度进行局部特征散化以得到所述生命体征局部时序关联特征向量的序列;其中,还包括用于对所述基于卷积神经网络模型的生命体征时域模式特征提取器和所述基于分类器的病情状态识别器进行训练的训练模块;其中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括被监控昏迷患者的训练生命体征数据的时间序列,以及真实的生命体征时序稳定性表征特征向量和病情是否发生恶化的真实值,其中,所述训练生命体征数据包括心率值、血压值、体温值和脉搏值;训练数据时序整合单元,用于将所述训练生命体征数据的时间序列按照时间维度和参数样本维度排列为训练生命体征时序框架整合矩阵;训练数据时域模式特征提取单元,用于将所述训练生命体征时序框架整合矩阵通过所述基于卷积神经网络模型的生命体征时域模式特征提取器以得到训练生命体征时序局部关联特征图;训练数据特征散化单元,用于将所述训练生命体征时序局部关联特征图沿着通道维度进行局部特征散化以得到训练生命体征局部时序关联特征向量的序列;训练锚定参考特征构造单元,用于计算所述训练生命体征局部时序关联特征向量的序列的按位置均值向量作为训练锚定参考特征向量;训练数据语义波动计算单元,用于计算所述训练生命体征局部时序关联特征向量的序列中的各个所述训练生命体征局部时序关联特征向量相对于所述训练锚定参考特征向量的训练生命体征时序语义波动系数以得到由多个训练生命体征时序语义波动系数组成的训练生命体征时序稳定性表征特征向量;分类损失单元,用于将所述训练生命体征时序稳定性表征特征向量通过所述基于分类器的病情状态识别器以得到分类损失函数值;交叉熵损失单元,用于计算真实的生命体征时序稳定性表征特征向量与所述训练生命体征时序稳定性表征特征向量之间的交叉熵损失函数值;模型训练单元,用于以所述分类损失函数值和所述交叉熵损失函数值的加权和作为差异损失函数值来对所述基于卷积神经网络模型的生命体征时域模式特征提取器和所述基于分类器的病情状态识别器进行训练,其中,在所述训练的每一轮迭代中,对所述训练生命体征时序稳定性表征特征向量进行迭代优化;其中,以如下优化公式对所述训练生命体征时序稳定性表征特征向量进行优化,以得到优化后训练生命体征时序稳定性表征特征向量,其中,所述优化公式为: ;其中,是所述训练生命体征时序稳定性表征特征向量,、和分别是特征集合的均值、标准差和最大值,为以2为底的对数,且为权重超参数,表示逐元素相乘,表示逐元素相加,表示逐元素相减,是所述优化后训练生命体征时序稳定性表征特征向量;在上述优化公式中,通过以包含由均值和标准值代表的概率统计特征的交互表示和作为隐变量特征的和的分布交互表示的短序列来作为所述训练生命体征时序稳定性表征特征向量的复杂流形网络下的子流形潜在模体,来将得到的所述训练生命体征时序稳定性表征特征向量的潜在模体特征信息模式和特征分布模式来作为其全局结构推断单元,从而基于连接地以全局结构潜在模体字典的形式来重构所述训练生命体征时序稳定性表征特征向量的复杂流形结构,以提升模型在迭代过程当中对于由复杂特征关联表示维度的关联特征对应的流形结构的生成和演化理解能力,提升模型迭代过程中对于局部-全局通道域下维度展开-聚合交互的复杂特征关联表示维度的特征表达效果。

全文数据:

权利要求:

百度查询: 吉林大学 昏迷患者的实时体征监测系统及其方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。