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: 2024114216664
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:

1.一种产科患者早期监测预警方法,其特征在于,包括:通过可穿戴设备和医院信息系统的途径,采集生理信号、遗传信息、病史记录、生活方式在内的数据集并预处理;

对经过预处理的数据集提取时域、频域和非线性特征,融合形成健康感知特征;

利用统计基线模型和机器学习模型构建异常检测模型,识别并过滤健康感知特征中的异常值,输出经过净化的特征集;

基于净化后的特征集和机器学习模型构建健康风险预测模型,快速适应每个患者的生理状态,输出预测风险等级值;

将实时监测数据输入健康风险预测模型,捕捉时间序列的长期依赖关系,输出实时风险评估结果;

当实时风险评估结果超出预设的安全阈值时,系统即时触发预警机制;

所述对经过预处理的数据集提取时域、频域和非线性特征,融合形成健康感知特征,包括:分别对预处理后的数据集X提取时域特征、频域特征和非线性特征,表达为:;

;

;

其中,Ftime表示提取的时域特征集合,μX表示数据集X的平均值,σX表示数据集X的标准差,max(X)和min(X)分别表示数据集X中的最大值和最小值,γ1(X)表示数据集X的偏斜度,β(X)表示数据集X的峰度;Ffreq表示提取的频域特征集合,fp表示频谱中的峰值频率,Ef表示频谱的能量分布;Fn表示提取的非线性特征集合,SS(X)表示样本熵,Df(X)表示分形维度;

基于sigmoid函数进行非线性转换,得到最终的健康感知特征,表达式为:;

;

其中,H(X)表示健康感知特征,表示融合了时域特征、频域特征和非线性特征后的综合特征向量;

所述利用统计基线模型和机器学习模型构建异常检测模型,识别并过滤健康感知特征中的异常值,输出经过净化的特征集,包括:基于统计基线模型和经过处理的数据集X构建异常检测函数,表达式为:其中,Astd表示异常检测函数,为阈值参数,otherwise表示当条件不满足时的默认情况;

基于机器学习模型中的孤立森林算法构建孤立森林异常检测函数,识别异常值,表达式为:;

其中,Aiso表示孤立森林异常检测函数;

只有当两种模型都标记某观测值为异常时,才将其视为异常值,将数据集X中的异常值过滤掉,保留净化后的数据集;

所述基于净化后的特征集和机器学习模型构建健康风险预测模型,快速适应每个患者的生理状态,输出预测风险等级值,包括:使用梯度提升决策树模型GBDT作为健康风险预测模型的基础;

基于经过净化的特征集构建健康风险预测函数;

健康风险预测模型中的LSTM层接收特征向量序列作为输入,并输出一个包含时间序列上下文信息的隐藏状态向量,LSTM表达式为:;

其中,Ht表示在时间步t的隐藏状态向量,表示在时间步t的净化后的特征向量,Ht-1表示在时间步t-1的隐藏状态向量;

基于GBDT模型构建健康风险预测函数,表达式为:;

其中,R表示健康风险预测函数;

通过专家对患者的健康数据进行标注,得到风险等级标签Y;

使用交叉熵损失函数来优化模型参数,同时,引入正则化项来惩罚模型的复杂度,表达式为:;

其中,表示健康风险预测模型的预测风险等级值,Y表示真实的风险等级标签,θ表示模型参数,λ表示正则化参数,Ω(θ)表示正则化项,表示寻找参数θ的最优值,表示交叉熵损失函数。

2.如权利要求1所述的产科患者早期监测预警方法,其特征在于,所述通过可穿戴设备和医院信息系统的途径,采集生理信号、遗传信息、病史记录、生活方式在内的数据集并预处理,包括:通过可穿戴设备实时监测患者的心率、血压、胎心率、宫缩频率、血氧饱和度的生理信号;

通过医院信息系统收集患者的遗传信息、病史记录以及生活方式数据;

对收集到的数据进行数据清洗和去除噪声的预处理;

设定经过预处理后的数据集为X。

3.如权利要求2所述的产科患者早期监测预警方法,其特征在于,所述将实时监测数据输入健康风险预测模型,捕捉时间序列的长期依赖关系,输出实时风险评估结果,包括:采集实时数据形成实时数据集并进行预处理,包括数据清洗和去除噪声;

对处理后的数据集的多类型数据分别进行特征提取并融合,得到实时健康感知特征;

将实时健康感知特征输入异常检测模型,识别并过滤实时健康感知特征中的异常值,输出经过净化的特征集;

将经过净化的特征集输入健康风险预测模型,输出实时预测风险等级值。

4.如权利要求3所述的产科患者早期监测预警方法,其特征在于,所述当实时风险评估结果超出预设的安全阈值时,系统即时触发预警机制,包括:设定实时预测风险等级值为Rt;

基于实时预测风险等级值Rt构建比较函数,表达式为:;

其中,C(Rt,Λ)表示比较函数,Λ表示设定的安全阈值,otherwise表示当条件不满足时的默认操作;

C(Rt,Λ)的取值为0和1,表示不触发预警机制和触发预警机制,当C(Rt,Λ)的值为0时,则不触发预警机制,当C(Rt,Λ)的值为1时,则触发预警机制。

5.一种产科患者早期监测预警系统,基于权利要求1至4任一所述的产科患者早期监测预警方法,其特征在于,包括:采集模块,负责通过可穿戴设备和医院信息系统收集患者生理信号、遗传信息、病史记录以及生活方式数据,该模块还包括数据清洗和去除噪声的预处理过程;

特征处理模块,负责对预处理后的数据进行时域、频域和非线性特征的提取,随后将这些特征通过权重融合成健康感知特征;

异常检测模块,负责利用统计基线模型和机器学习模型识别并过滤健康感知特征中的异常值,净化特征集,基于净化后的特征集,使用梯度提升决策树GBDT模型和LSTM网络构建健康风险预测模型,对患者进行实时风险等级的预测;

预警模块,负责将实时监测数据输入健康风险预测模型,捕捉时间序列的长期依赖关系,输出实时风险评估结果,当评估结果超出预设的安全阈值时,触发预警机制,并采取相应的响应措施。

6.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一所述的产科患者早期监测预警方法的步骤。

7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4任一所述的产科患者早期监测预警方法的步骤。