申请/专利权人：广东海纳医疗科技有限公司

申请日：2023-01-16

公开（公告）日：2023-09-05

公开（公告）号：CN116098595B

主分类号：A61B5/0205

分类号：A61B5/0205;A61B5/00;A61B5/1455;G16H10/60;G16H15/00;G16H40/20;G06N3/04;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2023.09.05#授权;2023.05.30#实质审查的生效;2023.05.12#公开

摘要：本发明公开了一种心源性及脑源性猝死监测预防系统和方法，包括：通过患者佩戴的监测采集端采集患者各项体征数据，将各项体征数据通过5G医疗局域网传输至监测管理端；通过监测管理端对采集的各项体征数据进行预测分析，生成患者体征状态预测分析报告；监测终端实时显示患者的患者体征状态预测分析报告，若分析报告中各项体征数据出现异常值，则启动语音报警，提醒医护人员作出对应处理措施，避免因体征数据出现异常值导致患者心源性及脑源性猝死。通过监测终端实时显示患者生命体征信息，避免医护人员无畏的奔波，节省大量时间；还方便医护人员观察了解患者当前的动态情况，有效预防心源性及脑源性猝死。

主权项：1.一种心源性及脑源性猝死监测预防系统，其特征在于，包括：监测采集单元用于通过患者佩戴的监测采集端采集患者各项体征数据，将各项体征数据通过5G医疗局域网传输至监测管理端；预测分析单元用于通过监测管理端对采集的各项体征数据进行预测分析，生成患者体征状态预测分析报告；监测终端单元用于监测终端实时显示患者的患者体征状态预测分析报告，若分析报告中各项体征数据出现异常值，则启动语音报警，提醒医护人员作出对应处理措施，避免因体征数据出现异常值导致患者心源性及脑源性猝死；所述预测分析单元包括：预测分析第一子单元用于通过监测管理端将采集的对应体征数据进行分析处理，并将对应体征数据进行分类及加密存储处理；预测分析第二子单元用于在分析处理过程中，监测管理端的分析中心将实时采集的对应体征数据输入至神经网络预测模型；预测分析第三子单元通过神经网络预测模型对体征数据进行信息的预读与预处理，结合患者的历史致病因素进行判断与决策，获取患者身体状态评估的走势预测，根据患者身体状态评估的走势预测生成患者体征状态预测分析报告；所述预测分析第三子单元包括：通过神经网络预测模型对体征数据进行信息的预读与预处理之前，构建神经网络预测模型；构建神经网络预测模型过程中，先调取监测管理端的数据库中原始体征数据，将原始体征数据分为网络训练集和用于网络测试的验证集，对原始体征数据进行数据分割，对输入层输入数据进行预处理和数据标准化，然后将与时间序列无关联或无效的数据筛除；隐含层包括15个前后相连接的神经网络单元，神经网络单元间通过状态输出建立相应的关系；输出层通过对应函数对数据进行相对于概率转化，所有的输出概率和为1，数据整合输出的三个数值分别代表的体征状态为正常、低危和高危的概率，输出结果被传至网络训练模块进行预测训练，获取对应的神经网络预测模型；体征数据导入输入层之前，先将原始的体征样本数据分为网络训练集和用于网络测试的验证集，将数据分割为：D＝{HR,T,SPO2,R,PAIN,State}其中，HR表示人体的心率，T表示人体的体温，SPO2表示人体的血氧饱和度，R表示人体的呼吸频率，PAIN表示人体的口述痛感，State表示人体当前体征状态；通过输入层对输入数据进行标准化预处理，标准化预处理公式为： 标准化处理公式将输入数据的范围集中在[0,1]之间，以适配网络，缩短网络训练周期；在对待输入数据进行预处理和数据标准化后，与时间序列无关联或无效的数据被筛除；其中，X表示标准化预处理数值，x表示某个指标对应的数值，表示某个指标所有数值的均值，σ2表示该指标所有数值的方差；通过时间序列的体征分析判断人体体征状态的模型，将任意t时刻输入网络的生理数据向量分割为：Dt＝{HRt,Tt,SPO2t,Rt,PAINt}输入层设置5个输入节点，x＝{x1,x2,x3,x4,x5}，每个节点的输入包括5组生理数据向量，分别传入隐含层；隐含层包括15个前后相连接的神经网络单元，单元间通过状态输出建立相应的关系，t时刻时，神经网络单元接收上一时刻神经网络单元的输出ht-1后，当前时刻的输入xt进入遗忘门、输入门和输出门，通过更新状态控制信息的流动，将ht-1和xt两个时刻的信息输入至输入门和遗忘门，获取输入门系数Gf、遗忘门系数Gi以及待更新隐藏状态G’t；Gf＝sigmoidWf*[ht-1,xt]+bfGi＝sigmoidWi*[ht-1,xt]+biG’t＝tanhWc*[ht-1,xt]+bc其中，ht-1表示上一时刻的历史信息，xt表示为当前信息，sigmoid和tanh表示为激活函数，b为神经网络单元偏置值；tanh层将创建一个新的隐藏状G’t，信息通过遗忘门和输入门得到系数Gf和Gi，将当前神经网络状态Ct-1更新为当前神经网络状态Ct；将ht-1与xt信息输入至输出门，得到输出门系数G0，获取当前信息的输出结果ht；最后通过神经网络单元的输出数据随后进入全连接层，将局部时刻的所有数据重新组合传入网络输出层；输出层通过softmax函数对数据进行相对概率转化，所有的输出概率和为1，将数据整合为输出y＝{y1,y2,y3}，分别代表的体征状态为正常、低危和高危的概率，然后输出结果被传至网络训练模块和预测模型模块；在网络训练模块中对网络的输出结果与实际样本结果进行损失值计算，计算使用交叉熵损失函数： 其中，y为网络输出结果，表示为实际样本结果，训练模块根据损失值对网络进行参数优化，参数包括学习率、权值、迭代次数、偏置；对系统模型进行若干种优化比较后，通过优化算法对网络的超参数进行优化；预测模型记录人体一段时间里各个体征指标的变化趋势，结合生理参数的时序性与趋势变化预测未来某段时间的人体体征状态；在对t+1时刻的体征状态进行预测时，以t时刻之前的若干个连续时刻的体征数据集作为输入数据集合。

全文数据：

权利要求：

百度查询： 广东海纳医疗科技有限公司 一种心源性及脑源性猝死监测预防系统和方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD