1.一种患者血液透析过程的在线监测方法,其特征在于,包括:获取多模态监测数据,并进行预处理;
使用深度学习模型,将预处理后的多模态监测数据融合成综合特征向量;
基于融合后的综合特征向量,生成血液状态评价矩阵和行为状态评价系数;
基于血液成分的状态值和行为状态评价系数构建感染风险预测模型;
通过自适应学习优化感染风险预测模型;
根据感染风险预测结果,生成血液透析在线监测报告;
所述获取多模态监测数据,并进行预处理,包括:通过血液检测设备定期采集血液样本并分析,获取血液检测数据;
通过利用穿戴式设备持续监测生理信号;
通过透析室内的高清摄像头获取患者的视频数据;
使用均值插补法对血液检测数据进行清洗;
采用巴特沃斯滤波器对生理信号进行噪声过滤;
应用背景减除算法去除视频数据的背景干扰;
所述使用深度学习模型,将预处理后的多模态监测数据融合成综合特征向量,包括:将预处理后的血液检测数据和生理信号数据按时间顺序排列成序列;
将序列数据输入到LSTM模型中,从LSTM模型的最后一层提取血液检测数据和生理信号数据的特征向量;
将预处理后的视频数据输入到CNN模型中,模型通过前向传播过程提取视频帧的特征向量;
通过LSTM模型将提取出的特征向量进行融合,表达式为:所述基于融合后的综合特征向量,生成血液状态评价矩阵和行为状态评价系数,包括:定义一个n×m血液状态评价矩阵M评估血液成分的变化情况,矩阵的每一行代表一个特定的血液成分,列代表时间点t;
对于每个时间点t,根据F中血液监测数据的特征向量f使用融合后的综合特征向量F中的生理信号数据的特征向量f
2.如权利要求1所述的患者血液透析过程的在线监测方法,其特征在于,所述基于血液成分的状态值和行为状态评价系数构建感染风险预测模型,包括:结合血液成分的状态值和行为状态评价系数B(t),构建感染风险评价模型,评估患者在给定时间点t的感染风险,表达式为:
3.如权利要求2所述的患者血液透析过程的在线监测方法,其特征在于,所述通过自适应学习优化感染风险预测模型,包括:使用交叉熵损失函数,对于每个时间点t,计算预测值P(t)和实际标签y(t)之间的交叉熵损失,表达式为:将α和β进行整合形成向量w=[α
使用梯度下降进行权重更新,表达式为:优化后的权重向量w
4.如权利要求3所述的患者血液透析过程的在线监测方法,其特征在于,所述根据感染风险预测结果,生成血液透析在线监测报告,包括:将更新后的模型参数,血液成分c的权重α基于优化后的感染风险预测模型的预测概率p
5.一种患者血液透析过程的在线监测系统,基于权利要求1~4任一所述的患者血液透析过程的在线监测方法,其特征在于,包括:数据采集与预处理模块、多模态数据融合模块、状态评价模块、感染风险预测模块、自适应学习优化模块、在线监测报告生成模块;
数据采集与预处理模块用于从不同传感器和设备中获取多模态监测数据,对获取的数据进行预处理;
多模态数据融合模块用于对预处理后的多模态监测数据进行融合处理;
状态评价模块用于基于综合特征向量生成血液状态评价矩阵,评估患者血液的生理指标状态;
感染风险预测模块用于利用血液成分的状态值和行为状态评价系数来构建感染风险预测模型;
自适应学习优化模块用于针对感染风险预测模型进行持续训练和优化,以提高预测准确度;
在线监测报告生成模块用于根据感染风险概率,生成相应的在线监测报告。