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: 2024115704415
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.妊娠期糖尿病智能预测系统,其特征在于:包括:

收集模块,用于收集妊娠期指标数据,并对所述指标数据进行预处理,提取预处理后的数据特征;

评估模块,用于根据所述数据特征提取时域特征与频域特征进行同步性和节律性分析,对多个生理信号之间的同步性通过交叉相关进行量化,建立生理周期相关性模型,评估生理节律的同步性和紊乱程度;

预测模块,用于根据所述生理周期相关性模型分析结果,分析相关风险因子,构建风险预测模型,预测生理状态风险水平;

所述相关风险因子包括年龄标准化得分、孕前BMI标准化得分、空腹血糖标准化得分、糖尿病家族史指标、既往妊娠史风险得分、生活方式评分、妊娠期体重增长率标准化得分以及血压标准化得分;

所述指标数据包括睡眠质量数据、荷尔蒙周期数据和昼夜节律数据;

所述睡眠质量数据包括睡眠时长、入睡时间、睡眠效率以及睡眠分期数据;睡眠分期数据分为深睡、浅睡和REM期;

所述荷尔蒙周期数据包括基础体温、雌激素水平、孕激素水平以及促性腺激素水平;

所述昼夜节律数据包括心率变异性、皮质醇水平、褪黑激素分泌曲线以及活动量变化;

基于所述数据特征构建生理周期相关性模型,评估生理节律的同步性和紊乱程度,表示为:;

其中,为生理周期同步性评估指数,为观测周期总长度,为时间变量,表示观测时间点;表示瞬时相位差函数,用于计算两个生理信号在时间时刻的相位差的绝对值;为相位差衰减系数;表示归一化交叉相关方差,反映信号同步的稳定性;表示互信息熵,表示互信息熵基准值;

设定生理周期同步性评估指数的阈值,根据模型的输出,判定阈值范围,分析评估生理节律的同步性和紊乱程度;

基于所述生理周期同步性评估指数构建风险预测模型,表示为:;

其中,为风险预测指数,为风险基准系数,用于标准化风险值,为生理周期同步性评估指数,为第个风险因子的权重系数,为第个风险因子值,,为值的24小时变化量,为波动敏感度系数,和分别为观察周期内的最大和最小值,为观察周期内的平均值,为考虑的风险因子数量;

根据预测模型的结果,划分为第一阈值、第二阈值和第三阈值,且第一阈值<第二阈<第三阈值;

若风险预测指数≤第一阈值,表示生理周期同步性评估指数位于最高区间,昼夜波动幅度位于基线波动范围内,所有风险因子评分均位于正常参考范围内,则维持基础生理指标监测频率,定期记录基础健康数据;

若第一阈值<风险预测指数<第二阈值,表示生理周期同步性评估指数低于最高区间但高于警戒区间,波动幅度超出基线范围但未达预警线,任一风险因子评分超出正常参考范围但未达警戒值,则强化血糖监测方案,增加监测时间点,加密健康监测频率;

若第二阈值≤风险预测指数<第三阈值,表示生理周期同步性评估指数降至警戒区间,波动幅度达到预警线,多项风险因子评分达到警戒值,风险指数短期内超过波动阈值,则血糖监测频次提升至基础频率的倍,执行严格的饮食控制方案;

若第三阈值≤风险预测指数,表示生理周期同步性评估指数降至最低区间,波动幅度超过预警线,关键风险因子超过警戒值,系统稳定性降至最低水平,则实施全天候监测,建立实时预警机制,实施全方位健康管理。

2.如权利要求1所述的妊娠期糖尿病智能预测系统,其特征在于:基于所述收集模块收集妊娠期指标数据,并对数据进行初步预处理,获取经预处理的高质量数据基础,提取数据特征;所述评估模块根据提取的数据特征分析数据的时域特征与频域特征,构建生理周期相关性模型,评估生理节律的同步性和紊乱程度,判断个体的生理节律是否处于正常范围,所述预测模块根据生理周期相关性模型的结果构建风险预测模型,预测生理状态风险水平,预测健康状态,且反馈健康风险预测结果至收集模块,调整未来的数据采集重点。

3.妊娠期糖尿病智能预测方法,基于权利要求1所述的妊娠期糖尿病智能预测系统,其特征在于:包括:收集妊娠期指标数据,并对所述指标数据进行预处理,提取预处理后的数据特征;

基于提取的数据特征进行同步性和节律性分析,建立生理周期相关性模型,评估生理节律的同步性和紊乱程度;

基于所述生理周期相关性模型的分析结果,构建风险预测模型,预测生理状态风险水平。

4.如权利要求3所述的妊娠期糖尿病智能预测方法,其特征在于:基于所述指标数据进行预处理,包括异常值处理、缺失值补充、数据标准化以及时间序列的对齐;

所述异常值处理通过建立关联规则或多模态数据融合模型,检测并识别单一数据流中的不合理值;设定采集的时间序列为心率数据和活动量数据,使用Pearson相关系数计算心率和活动量的相关性,当相关系数低于设定阈值时视为异常,表示为:;

其中,表示观测窗口的时间长度,表示时间时的心率,为时间时的活动量,为窗口内心率的均值,为窗口内活动量的均值;

所述缺失值补充通过其他已知数据源预测缺失数据的可能值,使用线性插值来推测数据缺失的值,表示为:;

其中,和为相邻有效数据点的缺失值水平,为插值后的缺失值;

所述时间序列的对齐采用多尺度时间窗口法,多尺度时间窗口法是通过将高频数据使用小窗口,低频数据使用大窗口,并在每个窗口中使用平均值或插值方法对齐,设定窗口长度为和,则:;

;

其中,为高频数据的窗口长度,为低频数据的窗口长度,和分别为在各自窗口内的平均值和插值,和分别表示心率数据和活动量数据在时间和处的值,,,表示高频数据窗口长度内的采样点数,表示低频数据窗口长度内的采样点数。

5.如权利要求4所述的妊娠期糖尿病智能预测方法,其特征在于:所述生理周期相关性模型的构建,包括:基于预处理后的数据特征提取识别生理规律和异常的时域特征与频域特征;

所述时域特征通过提取预处理后数据的均值和方差,统计数据的整体趋势和离散程度,反映生理数据的稳定性和波动性,对时间序列的均值计算表示为:;

其中,表示时间序列的均值,表示时刻的观测值,表示时间序列的总长度;

方差表示为:

;

其中,表示时间序列的方差;

基于自动相关函数识别出周期信号,分析数据中的周期性规律,获取周期性特征,对于时间序列,自动相关函数表示为:;

其中,为自动相关函数,表示时间序列在时间滞后步数下的自相关性,表示时间滞后步数,表示时间序列中相对于位置向后滞后个时间点的数据值;

所述频域特征是根据时域特征的数据基础,采用傅里叶变换分析数据的频谱信息,明确生理信号中不同频率成分的分布,对于一个时间序列其离散傅里叶变换表示为:;

其中,表示时刻的观测值,表示频率变量,表示时间序列数据的总长度,为复指数项,其中是虚数;

;

其中,表示信号在频率下傅里叶变换结果的幅值,为频率对应的功率。

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3~5任一所述的妊娠期糖尿病智能预测方法的步骤。

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3~5任一所述的妊娠期糖尿病智能预测方法的步骤。