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: 2025100381497
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 医学或兽医学;卫生学
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.重症患者智慧化护理管理方法,其特征在于:包括:设置多生理信号采集通道,同步采集患者的多维度生理信号,并对采集的信号进行预处理,包括信号滤波、去噪和时间对齐操作,形成标准化的多模态生理数据流;

将预处理后的多模态生理数据输入到基于LSTM和多头注意力机制的深度学习模型中,结合动态权重自适应算法,实现对不同生理信号的智能融合分析,并建立患者个体化的生理系统耦合模型;

基于深度学习模型的分析结果,实时计算患者的病情风险评估值,并根据设定的多级预警阈值,输出具体的预警等级,同时通过在线学习机制不断优化模型参数,提高预警准确性。

2.如权利要求1所述的重症患者智慧化护理管理方法,其特征在于:所述多生理信号采集通道包括心血管系统信号采集通道、呼吸系统信号采集通道、体温监测通道、神经系统监测通道、生化参数监测通道以及体动监测通道;

所述心血管系统信号采集通道采集心电信号和血压信号;

所述呼吸系统信号采集通道采集呼吸波形信号和血氧饱和度信号;

所述体温监测通道采集体温数据;

所述神经系统监测通道采集脑电图数据和肌电图数据;

所述生化参数监测通道监测血糖数据;

所述体动监测通道检测体位数据。

3.如权利要求2所述的重症患者智慧化护理管理方法,其特征在于:所述预处理包括信号滤波处理、信号去噪处理和时间对齐处理;

所述信号滤波处理包括心电信号滤波和呼吸信号滤波处理,心电信号滤波处理采用陷波滤波器消除工频干扰,传递函数表示为:;

其中,是系统的传递函数,为工频,为采样频率,为滤波器极点半径,表示信号延迟一个采样周期,表示信号延迟两个采样周期;

采用基线漂移校正处理心电信号滤波漂移,所述基线漂移校正使用高通切比雪夫滤波器,传递函数表示为:;

其中,表示传递函数,表示通带纹波系数,表示切比雪夫多项式,表示滤波器阶数,表示复变量,表示虚数单位,表示截止频率;

呼吸信号滤波处理采用巴特沃斯滤波器消除工频干扰,传递函数的幅度平方表示为:;

其中,表示幅度平方响应,表示角频率,表示截止频率,表示滤波器阶数。

4.如权利要求3所述的重症患者智慧化护理管理方法,其特征在于:所述信号去噪处理通过小波阈值去噪,其中的软阈值函数表示为:;

;

其中,为待处理信号;为阈值,采用VisuShrink准则自动选择;为噪声标准差;为信号长度;

所述时间对齐处理采用动态时间规整算法,通过累积最小距离找到最佳对齐路径,公式表示为:;

其中,表示局部距离,计算当前两个点之间的距离,表示选择最小累积距离,其中表示从上方来的路径,表示从左方来的路径,表示从左上方来的路径。

5.如权利要求4所述的重症患者智慧化护理管理方法,其特征在于:基于经预处理的多模态生理信号数据,每个信号包含时序特征序列,计算每个输入通道的LSTM输出,表示为:;

其中,表示第个LSTM单元的输出函数,第个输入特征序列,为输入权重矩阵,为循环权重矩阵,为前一时刻隐藏状态,为偏置向量,表示sigmoid函数作用于细胞状态;

通过LSTM处理原始时序数据,输出隐藏状态矩阵,将隐藏状态作为多头注意力机制的输入,对每个注意力头,计算函数表示为:;

其中,为第个注意力头的计算函数,为查询矩阵,为Key键矩阵的转置矩阵,为Value值矩阵,为缩放因子;

根据LSTM和多头注意力机制的计算结果,构建深度学习模型,表示为:;

其中,表示多模态生理信号融合后的特征向量,表示第个LSTM单元的输出函数,为第个注意力头的计算函数,为第个特征的动态权重系数,为输入特征数量,为注意力头数,为能量调节系数,为系统总能量,为空间特征调节系数,为空间特征总量。

6.如权利要求5所述的重症患者智慧化护理管理方法,其特征在于:基于所述多头注意力机制的注意力分数,通过查询与键之间的相似度延伸至生理信号关联度,建立各生理信号间的关联关系,分析信号间的时序依赖性,表示为:;

其中,为信号和之间的关联系数,为第个信号在时刻的值,为第个信号在时刻的值,为信号的均值,为信号的均值,为时间序列长度;

在关联度的基础上,引入时间因素计算耦合强度,表示为:;

其中,为信号和之间的耦合强度,为关联系数的绝对值,为时间衰减系数,为信号和之间的时间延迟;

通过计算各信号的正常波动范围,识别典型的信号交互模式,分析信号响应的快慢特点,评估系统波动的幅度,整合系统模型建立患者个体化的生理系统耦合模型,表示为:;

其中,为预测的信号在时刻的值,为相关联的信号,为个体化参数集,为非线性激活函数。

7.如权利要求6所述的重症患者智慧化护理管理方法,其特征在于:基于所述深度学习模型的分析结果,计算患者的病情风险评估值,表示为:;

;

其中,为时刻的总体风险值,为第个指标的权重系数,为单个指标的风险贡献,为系统整体稳定性指标,为风险映射函数,为预测的第个信号在时刻的值,为个体基线值,为允许波动范围,为动态权重;

根据患者的病情风险评估值,设定多级预警阈值,包括第一阈值,第二阈值,第三阈值,且第一阈值<第二阈值<第三阈值,对患者的单器官功能进行预警,具体的:若单个器官的总体风险值异常,且总体风险值超过其正常上限但低于第一预警阈值,则设定预警等级为一级预警,表示该器官功能轻度异常,波动超出正常范围,需加强监测频率,准备针对性干预方案;

若该器官风险值超过第一预警阈值但低于第二预警阈值,则设定预警等级为二级预警,表示该器官功能中度异常,需要及时干预,启动器官特异性干预方案,密切监控其他器官状态;

若该器官风险值超过第二预警阈值,则设定预警等级为三级预警,表示该器官功能严重异常,存在功能衰竭风险,需立即启动急救预案。

8.重症患者智慧化护理管理系统,基于权利要求1~7任一所述的重症患者智慧化护理管理方法,其特征在于:包括:采集模块,设置多生理信号采集通道,同步采集患者的多维度生理信号,并对采集的信号进行预处理,包括信号滤波、去噪和时间对齐操作,形成标准化的多模态生理数据流;

构建模块,用于将预处理后的多模态生理数据输入到基于LSTM和多头注意力机制的深度学习模型中,结合动态权重自适应算法,实现对不同生理信号的智能融合分析,并建立患者个体化的生理系统耦合模型;

预警模块,基于深度学习模型的分析结果,实时计算患者的病情风险评估值,并根据设定的多级预警阈值,输出具体的预警等级。