申请/专利权人：中国人民解放军总医院

申请日：2023-12-11

公开（公告）日：2024-03-08

公开（公告）号：CN117393153B

主分类号：G16H50/20

分类号：G16H50/20;G06F18/24;G06N3/044;G06N3/0442;G06N3/042;G06N3/048;G06N3/08;G16Y10/60;G06F123/02

优先权：

专利状态码：有效-授权

法律状态：2024.03.08#授权;2024.01.30#实质审查的生效;2024.01.12#公开

摘要：本发明涉及一种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系统。目前的医疗应用场景的需要同时结合来自医疗物联网的时序数据和医院信息系统采集获取的医疗信息，在传统诊疗过程中融入物理联网技术、智能感知设备、人工智能平台等技术，从而满足特殊医疗情景如突发的高发危重症疾病救治以及管理协同需求。这对医疗领域中的生理监测等时序数据的处理提出诸多挑战，因为这类动态监测的时序数据具有高维度、复杂动态和非线性特征，挖掘医疗时序数据的深度信息能辅助做出更准确的早期临床预测，对于医院尤其是方舱医院的早期休克的预警与救治具有重要意义。

主权项：1.一种基于时序数据的疾病实时风险预警监测模型的构建方法，其特征在于，所述方法的步骤包括：获取时序数据集，所述时序数据集的每个样本包括患者的临床时序数据及标签；对所述时序数据集进行数据预处理得到预处理后的数据，所述数据预处理包括数据增强，所述数据增强的步骤包括：第1步：将所述时序数据集进行稀疏表示得到所述时序数据集的稀疏表示，第2步：评估所述稀疏表示的不确定性得到数据不确定性，第3步：根据所述数据不确定性动态调整压缩感知算法的参数得到调整后的参数，所述动态调整可以表示为： 其中，是学习率，控制参数更新的速度，S是稀疏表示，评估的不确定性，第4步：采用所述调整后的参数更新压缩感知算法的参数，对所述稀疏表示进行数据重建得到增强数据；将所述预处理后的数据输入机器学习模型中，得到预测的分类结果，将所述预测的分类结果与所述数据集中的标签进行对比，根据对比结果优化所述机器学习模型，得到疾病实时风险预警监测模型。

全文数据：

权利要求：

百度查询： 中国人民解放军总医院 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系统

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