欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024109177443
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于5G物联网技术的患者护理智能预警系统,其特征在于,包括:

生命体征监控模块,用于通过可穿戴设备采集被监控患者对象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、血压值和血糖水平;

生命体征数据传输模块,用于将所述生命体征数据的时间序列通过5G网络传输至远程监控服务器;

时序模式特征提取模块,用于在所述远程监控服务器,对所述生命体征数据的时间序列进行基于参数样本维度的时序模式特征提取以得到心率时序关联特征向量、血压时序关联特征向量和血糖水平时序关联特征向量;

元素级信息整合模块,用于在所述远程监控服务器,对所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量进行元素级动态整合以得到生命体征多模态时序融合特征向量;

中风风险预警模块,用于在所述远程监控服务器,基于所述生命体征多模态时序融合特征向量,确定所述被监控患者对象中风的风险预警结果;

其中,所述中风风险预警模块,用于:

将所述生命体征多模态时序融合特征向量通过基于分类器的中风风险预警模块以得到所述风险预警结果,所述风险预警结果用于表示被监控患者对象发生中风的几率是否超过预设阈值;

其中,将所述生命体征多模态时序融合特征向量通过基于分类器的中风风险预警模块以得到所述风险预警结果,包括:以如下公式计算优化的生命体征多模态时序融合特征向量;

其中,

其中,所述时序模式特征提取模块,包括:

数据规整单元,用于将所述生命体征数据的时间序列分别按照参数样本维度进行数据规整以得到心率值的时间序列、血压值的时间序列和血糖水平的时间序列;

空间协方差矩阵构造单元,用于构造所述心率值的时间序列、所述血压值的时间序列和所述血糖水平的时间序列的空间协方差矩阵以得到心率值时序空间协方差矩阵、血压值时序空间协方差矩阵和血糖水平时序空间协方差矩阵;

时序关联编码单元,用于将所述心率值时序空间协方差矩阵、所述血压值时序空间协方差矩阵和所述血糖水平时序空间协方差矩阵通过基于卷积层的时序模式特征提取器以得到所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量;

其中,所述元素级信息整合模块,包括:

共空间嵌入单元,用于将所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量通过基于全连接层的共空间嵌入映射器以得到共空间嵌入心率时序关联特征向量、共空间嵌入血压时序关联特征向量和共空间嵌入血糖水平时序关联特征向量;

多模态时序融合单元,用于将所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量通过特征元素级动态整合模块以得到所述生命体征多模态时序融合特征向量;

其中,所述多模态时序融合单元,用于:以特征元素级动态融合公式对所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量进行特征逐元素融合以得到所述生命体征多模态时序融合特征向量,其中,所述特征元素级动态融合公式为:其中,

2.根据权利要求1所述的基于5G物联网技术的患者护理智能预警系统,其特征在于,所述空间协方差矩阵构造单元,用于:将所述心率值的时间序列按照时间维度排列为心率值时序输入向量;

将所述心率值时序输入向量乘以自身的转置向量以得到心率值时序自相关矩阵;

将所述心率值时序自相关矩阵除以其对角线元素之和以得到所述心率值时序空间协方差矩阵。

3.根据权利要求2所述的基于5G物联网技术的患者护理智能预警系统,其特征在于,所述多模态时序融合单元,包括:信息整合平衡门限计算子单元,用于计算所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量之间的信息整合平衡门限值;

特征逐元素融合子单元,用于基于所述信息整合平衡门限值,对所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量进行特征逐元素融合以得到所述生命体征多模态时序融合特征向量。

4.根据权利要求3所述的基于5G物联网技术的患者护理智能预警系统,其特征在于,所述信息整合平衡门限计算子单元,用于:将所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量进行级联以得到多模态生命体征级联特征向量;

将所述多模态生命体征级联特征向量和变换向量进行相乘以得到门限打分系数;

将所述门限打分系数和预定偏置参数进行相加以得到偏置门限打分系数;

将所述偏置门限打分系数通过sigmoid激活函数以得到所述信息整合平衡门限值。

5.根据权利要求4所述的基于5G物联网技术的患者护理智能预警系统,其特征在于,所述特征逐元素融合子单元,用于:分别计算所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量的各个特征值的以自然常数为底的指数函数值以得到指数化心率时序关联特征向量、指数化血压时序关联特征向量和指数化血糖水平时序关联特征向量;

基于所述信息整合平衡门限值确定第一权重、第二权重和第三权重,其中,所述第一权重为所述信息整合平衡门限值,所述第二权重为预定权重超参数,所述第三权重为一与所述第一权重和所述第二权重之和的差值;

以所述第一权重对所述指数化心率时序关联特征向量进行逐位置加权以得到加权心率时序关联特征向量,以所述第二权重对所述指数化血压时序关联特征向量进行逐位置加权以得到加权血压时序关联特征向量,以所述第三权重对所述指数化血糖水平时序关联特征向量进行逐位置加权以得到加权血糖水平时序关联特征向量;

对所述加权心率时序关联特征向量、所述加权血压时序关联特征向量和所述加权血糖水平时序关联特征向量进行对应元素相加以得到所述生命体征多模态时序融合特征向量。

6.根据权利要求5所述的基于5G物联网技术的患者护理智能预警系统,其特征在于,还包括用于对所述基于卷积层的时序模式特征提取器、所述基于全连接层的共空间嵌入映射器、所述特征元素级动态整合模块和所述基于分类器的中风风险预警模块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,所述训练数据包括由可穿戴设备采集的被监控患者对象的训练生命体征数据的时间序列,以及被监控患者对象发生中风的几率是否超过预设阈值的真实值,其中,所述训练生命体征数据包括心率值、血压值和血糖水平;

训练数据传输单元,用于将所述训练生命体征数据的时间序列通过5G网络传输至远程监控服务器;

训练数据规整单元,用于将所述训练生命体征数据的时间序列分别按照参数样本维度进行数据规整以得到训练心率值的时间序列、训练血压值的时间序列和训练血糖水平的时间序列;

训练数据协方差矩阵计算单元,用于构造所述训练心率值的时间序列、所述训练血压值的时间序列和所述训练血糖水平的时间序列的空间协方差矩阵以得到训练心率值时序空间协方差矩阵、训练血压值时序空间协方差矩阵和训练血糖水平时序空间协方差矩阵;

训练数据时序模式特征提取单元,用于将所述训练心率值时序空间协方差矩阵、所述训练血压值时序空间协方差矩阵和所述训练血糖水平时序空间协方差矩阵通过所述基于卷积层的时序模式特征提取器以得到训练心率时序关联特征向量、训练血压时序关联特征向量和训练血糖水平时序关联特征向量;

训练数据共空间嵌入单元,用于将所述训练心率时序关联特征向量、所述训练血压时序关联特征向量和所述训练血糖水平时序关联特征向量通过所述基于全连接层的共空间嵌入映射器以得到训练共空间嵌入心率时序关联特征向量、训练共空间嵌入血压时序关联特征向量和训练共空间嵌入血糖水平时序关联特征向量;

训练数据特征整合单元,用于将所述训练共空间嵌入心率时序关联特征向量、所述训练共空间嵌入血压时序关联特征向量和所述训练共空间嵌入血糖水平时序关联特征向量通过所述特征元素级动态整合模块以得到训练生命体征多模态时序融合特征向量;

分类损失单元,用于将所述训练生命体征多模态时序融合特征向量通过所述基于分类器的中风风险预警模块以得到类概率值和分类损失函数值;

多分布噪声损失单元,用于基于所述类概率值,计算分布度量损失函数值;

模型训练单元,用于以所述分类损失函数值和所述分布度量损失函数值的加权和作为损失函数值对所述基于卷积层的时序模式特征提取器、所述基于全连接层的共空间嵌入映射器、所述特征元素级动态整合模块和所述基于分类器的中风风险预警模块进行训练。

7.一种基于5G物联网技术的患者护理智能预警方法,其特征在于,包括:

通过可穿戴设备采集被监控患者对象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、血压值和血糖水平;

将所述生命体征数据的时间序列通过5G网络传输至远程监控服务器;

在所述远程监控服务器,对所述生命体征数据的时间序列进行基于参数样本维度的时序模式特征提取以得到心率时序关联特征向量、血压时序关联特征向量和血糖水平时序关联特征向量;

在所述远程监控服务器,对所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量进行元素级动态整合以得到生命体征多模态时序融合特征向量;

在所述远程监控服务器,基于所述生命体征多模态时序融合特征向量,确定所述被监控患者对象中风的风险预警结果;

其中,在所述远程监控服务器,基于所述生命体征多模态时序融合特征向量,确定所述被监控患者对象中风的风险预警结果,包括:将所述生命体征多模态时序融合特征向量通过基于分类器的中风风险预警模块以得到所述风险预警结果,所述风险预警结果用于表示被监控患者对象发生中风的几率是否超过预设阈值;

其中,将所述生命体征多模态时序融合特征向量通过基于分类器的中风风险预警模块以得到所述风险预警结果,包括:以如下公式计算优化的生命体征多模态时序融合特征向量;

其中,

其中,在所述远程监控服务器,对所述生命体征数据的时间序列进行基于参数样本维度的时序模式特征提取以得到心率时序关联特征向量、血压时序关联特征向量和血糖水平时序关联特征向量,包括:将所述生命体征数据的时间序列分别按照参数样本维度进行数据规整以得到心率值的时间序列、血压值的时间序列和血糖水平的时间序列;

构造所述心率值的时间序列、所述血压值的时间序列和所述血糖水平的时间序列的空间协方差矩阵以得到心率值时序空间协方差矩阵、血压值时序空间协方差矩阵和血糖水平时序空间协方差矩阵;

将所述心率值时序空间协方差矩阵、所述血压值时序空间协方差矩阵和所述血糖水平时序空间协方差矩阵通过基于卷积层的时序模式特征提取器以得到所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量;

其中,在所述远程监控服务器,对所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量进行元素级动态整合以得到生命体征多模态时序融合特征向量,包括:将所述心率时序关联特征向量、所述血压时序关联特征向量和所述血糖水平时序关联特征向量通过基于全连接层的共空间嵌入映射器以得到共空间嵌入心率时序关联特征向量、共空间嵌入血压时序关联特征向量和共空间嵌入血糖水平时序关联特征向量;

将所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量通过特征元素级动态整合模块以得到所述生命体征多模态时序融合特征向量;

其中,将所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量通过特征元素级动态整合模块以得到所述生命体征多模态时序融合特征向量,包括:以特征元素级动态融合公式对所述共空间嵌入心率时序关联特征向量、所述共空间嵌入血压时序关联特征向量和所述共空间嵌入血糖水平时序关联特征向量进行特征逐元素融合以得到所述生命体征多模态时序融合特征向量,其中,所述特征元素级动态融合公式为:其中,