一种体征监测系统技术方案

一种体征监测系统，包括：接收模块，在第一时间采集接收原始呼吸数据；过滤模块，对采集的振动音信号进行放大滤波以及去噪处理并进行模数转换为基础呼吸数据；拟合修正模块，对基础呼吸数据进行高斯性统计，并对突变数据进行修正；比较模块，在第二时间段，基于第一时间段内的高斯性统计数据判断第二时间段内的数字化振动音信号的数据概率，将所述数据概率与经验阈值相比较，当数字化振动音信号的预判断值的数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；报警模块，接收比较模块输出的警告信号，并对外发出报警信号，从而对数字化振动音信号的数据准确率进行判断，本发明专利技术的系统在监控数据处理过程中有自我更新的能力，是可靠性高、复杂度低、输出变量贴切的呼吸数据处理系统。

A physical sign monitoring system

Including a sign monitoring system, a receiving module, collected in the first time, receiving the original respiratory data; the filter module, the vibration sound signal acquisition amplification filtering and denoising and analog-to-digital conversion based on respiratory data; fitting correction module, based on the data of breath Gauss statistics, and the mutation data correction; comparison module in second time, judge the data probability digital vibration sound signal second time Gauss statistics during the first period of time based on the data and experience of probability threshold comparison, when the digital vibration sound signal pre judgment data probability value is greater than the threshold of experience. Results are given second values, and gives a warning signal; alarm module, receiving a warning signal output compare module, and external alarm signal The data accuracy of the digital vibratory sound signal is judged. The system of this invention has the ability of self-renewal in the process of monitoring data processing, and it is a respiratory data processing system with high reliability, low complexity and appropriate output variables.

【技术实现步骤摘要】
一种体征监测系统
本专利技术涉及一种体征监测系统领域，特别是涉及呼吸监测领域。
技术介绍
上个世纪六十年代中期的机械呼吸机被设计成支持肺泡同期并且对由于神经肌肉损伤而不能呼吸的患者提供补充的氧气。从那时起，机械呼吸机已经响应于对肺部病理生理学的不断理解而便得越来越精密和复杂。在努力提升患者对机械通气的耐受性中，研发了辅助通气模式或者患者触发的通气模式。在上世纪七十年代间歇强制通气变得可用时，机械支持补充自发通气的布局正压通气支持对于手术室外的成年人来说成为可能。不断研发了满足严重受伤患者的需求的各种可替选的通气方式。类似地，已经研发出便于使用的小型呼吸机，以支持需求较少的支持的患者。这些呼吸机通常利用非侵入性的极致来与患者进行连接。近年来，已经将微处理器引入到现代呼吸机中。微处理器呼吸机通常配备有检测每次呼吸的流量、压力、容积并且得出机械呼吸参数的传感器。传感器精确地感测并将其转换，特别是与计算机技术相结合，使得临床医生、患者及呼吸机之间的交互相比之前更加精细。现有技术的微处理器控制的呼吸机由于放置了转换数据信号所需要的传感器而成熟。因此，研发了复杂的算法，以使呼吸机可以基于每次呼吸来估计患者肺部中实际上发生了什么。实际上，在计算机控制的现有技术的呼吸机受限于试图模仿提供给患者的呼吸机支持中的因果关系的数学算法的精度、可靠性及实用性。因此，本专利技术不仅需要对大量采集到的呼吸数据进行快速地个性化建模分析，得出针对不同患者最佳的参量函数，同时保证在监控数据处理过程中有自我更新的能力，最后保证输出的变量和曲线更加完美且易于观察。最后研究出这种可靠性高、复杂度低、输出变量贴切的呼吸数据处理方法。
技术实现思路
一种体征监测系统，包括：接收模块，在第一时间采集接收原始呼吸数据，即通过呼吸音传感器所测量的监测对象呼吸时所产生的振动音信号；过滤模块，对采集的振动音信号进行放大滤波以及去噪处理并进行模数转换，转换为数字化振动音信号形成待处理的基础呼吸数据；拟合修正模块，将所述数字化振动音信号输入高斯模型对基础呼吸数据进行高斯性统计，并记录第一时间段内所述数字化振动音信号发生的概率，并且对突变数据进行修正；比较模块，在第二时间段，基于第一时间段内的高斯性统计数据判断第二时间段内的数字化振动音信号的数据概率，同时对突变数据进行修正，将所述数据概率与经验阈值相比较，当所述数据概率小于所述经验阈值时给出第一判断结果值，当在一定时间内多次出现所述数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；机器学习及预判断模块，接收并基于拟合修正模块输出的数据，在第二时间段内对所述数字化振动音信号进行机器学习，从而对数字化振动音信号进行预判断；对所述数字化振动音信号的预判断值的数据概率与经验阈值相比较，当数字化振动音信号的预判断值的数据概率小于所述经验阈值时给出第一判断结果值，当数字化振动音信号的预判断值的数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；报警模块，接收比较模块或机器学习及预判断模块输出的警告信号，并对外发出报警信号。优选地，所述拟合修正模块进一步包括动态轮廓模型，所述动态轮廓模型对高斯模型输出的数字化振动音信号进行拟合形成呼吸特性曲线；所述机器学习及预判断模块进一步包括第二动态轮廓模型，所述第二动态轮廓模型对所述机器学习后输出的数字化振动音信号的预判断值进行拟合形成呼吸特性曲线的预判断曲线。优选地，根据所述动态轮廓模型输出的呼吸特性曲线或第二动态轮廓模型预判断曲线计算出对应的呼吸特征变量，所述呼吸特征变量包括呼吸频率、最强呼吸音、潮气量参考值、呼气吸气时间和呼吸比。优选地，所述呼吸频率为呼吸特性曲线或其预判断曲线自身的频率；所述最强呼吸音为呼吸特性曲线或其预判断曲线最大峰峰值；所述潮气量参考值为一个呼吸周期内所述呼吸特性曲线或其预判断曲线与中心轴之间的面积；呼气吸气时间为一个呼吸周期内所述呼吸特性曲线或其预判断曲线中心线上和下的持续时间，其比值作为呼吸比。优选地，所述机机器学习及预判断模块包括贝叶斯判别，所述贝叶斯判别根据呼吸数据变化自动更新其参数。附图简要说明图1是体征监测系统框图；图2是数据处理流程图。具体实施方式下面结合附图与具体实施方式对本专利技术作进一步详细描述：段接收模块，在第一时间采集接收原始呼吸数据，即通过呼吸音传感器所测量的监测对象呼吸时所产生的振动音信号；过滤模块，对采集的振动音信号进行放大滤波以及去噪处理并进行模数转换，转换为数字化振动音信号形成待处理的基础呼吸数据；拟合修正模块，将所述数字化振动音信号输入高斯模型对基础呼吸数据进行高斯性统计，并记录第一时间段内所述数字化振动音信号发生的概率，并且对突变数据进行修正；比较模块，在第二时间段，基于第一时间段内的高斯性统计数据判断第二时间段内的数字化振动音信号的数据概率，同时对突变数据进行修正，将所述数据概率与经验阈值相比较，当所述数据概率小于所述经验阈值时给出第一判断结果值，当在一定时间内多次出现所述数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；机器学习及预判断模块，接收并基于拟合修正模块输出的数据，在第二时间段内对所述数字化振动音信号进行机器学习，从而对数字化振动音信号进行预判断；对所述数字化振动音信号的预判断值的数据概率与经验阈值相比较，当数字化振动音信号的预判断值的数据概率小于所述经验阈值时给出第一判断结果值，当数字化振动音信号的预判断值的数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；附图1中当接收模块接收呼吸音传感器把患者的呼吸信号转换为电信号的形式的原始呼吸数据之后，过滤模块通过放大、滤波及去噪，模数转换后从而得到可靠性最高的基础呼吸数据。基础呼吸数据输入拟合修正模块，其中包括高斯模型，是在环境不变的情况下，对采集到的初始数据进行建模，也就是在第一时间段，根据个人呼吸特性都服从正态分布的关系，我们可以得到公式式子中，x表示第i个数据的值，μ表示数据的均值，σ表示数据的均方差，Q(xi)表示第i个数据的值为xi的概率。N代表参与初始化的数据总点数，因此可以得出数据点的均值μ和方差σ2的初始化公式为在第二时间段，如果某个数据点的概率小于设定的阈值th，则该点被定义为正常数据点，反之(else)则定义为非正常数据点，即信号首先在高斯模型对数据进行分析，首先对采集到长度为N的数据求均值和方差，然后把求到的参数带入高斯公式与经验阈值做比较，当下一个数据值带入高斯公式时小于阈值说明呼吸正常，反之说明发生突变，同时在正常呼吸数据不断采集的同时对参变量进行不断地更新，用第N+1个数据来替代第1个数据，如此迭代更新，保证无论在任何时候的参变量都是当前环境下可靠性最高的参数。通常高斯模型会对突变数据进行修正，例如发生概率为0的数据进行修正，但是当异常呼吸数据出现频率在一定时间内多次或者持续出现，系统给出报警提示。其次，经过高斯模型筛选后得到患者稳定的呼吸信号交给机器学习及预判断模块，其中的机器学习算法进行预知判定处理。附图2中，信号首先在高斯模型对数据进行分析，首先对采集到长度为N的数据求均值和方差，然后把求到的参数带入高斯公式与经验阈值做比较，当下一个数据值带入高斯公式时小于阈值说明呼吸正常，反之本文档来自技高网...

【技术保护点】
一种体征监测系统，其特征在于：所述体征监测系统包括：接收模块，在第一时间采集接收原始呼吸数据，即通过呼吸音传感器所测量的监测对象呼吸时所产生的振动音信号；过滤模块，对采集的振动音信号进行放大滤波以及去噪处理并进行模数转换，转换为数字化振动音信号形成待处理的基础呼吸数据；拟合修正模块，将所述数字化振动音信号输入高斯模型对基础呼吸数据进行高斯性统计，并记录第一时间段内所述数字化振动音信号发生的概率，并且对突变数据进行修正；比较模块，在第二时间段，基于第一时间段内的高斯性统计数据判断第二时间段内的数字化振动音信号的数据概率，同时对突变数据进行修正，将所述数据概率与经验阈值相比较，当所述数据概率小于所述经验阈值时给出第一判断结果值，当在一定时间内多次出现所述数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；机器学习及预判断模块，接收并基于拟合修正模块输出的数据，在第二时间段内对所述数字化振动音信号进行机器学习，从而对数字化振动音信号进行预判断；对所述数字化振动音信号的预判断值的数据概率与经验阈值相比较，当数字化振动音信号的预判断值的数据概率小于所述经验阈值时给出第一判断结果值，当数字化振动音信号的预判断值的数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；报警模块，接收比较模块或机器学习及预判断模块输出的警告信号，并对外发出报警信号。...

【技术特征摘要】
1.一种体征监测系统，其特征在于：所述体征监测系统包括：接收模块，在第一时间采集接收原始呼吸数据，即通过呼吸音传感器所测量的监测对象呼吸时所产生的振动音信号；过滤模块，对采集的振动音信号进行放大滤波以及去噪处理并进行模数转换，转换为数字化振动音信号形成待处理的基础呼吸数据；拟合修正模块，将所述数字化振动音信号输入高斯模型对基础呼吸数据进行高斯性统计，并记录第一时间段内所述数字化振动音信号发生的概率，并且对突变数据进行修正；比较模块，在第二时间段，基于第一时间段内的高斯性统计数据判断第二时间段内的数字化振动音信号的数据概率，同时对突变数据进行修正，将所述数据概率与经验阈值相比较，当所述数据概率小于所述经验阈值时给出第一判断结果值，当在一定时间内多次出现所述数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；机器学习及预判断模块，接收并基于拟合修正模块输出的数据，在第二时间段内对所述数字化振动音信号进行机器学习，从而对数字化振动音信号进行预判断；对所述数字化振动音信号的预判断值的数据概率与经验阈值相比较，当数字化振动音信号的预判断值的数据概率小于所述经验阈值时给出第一判断结果值，当数字化振动音信号的预判断值的数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告...

【专利技术属性】
技术研发人员：王英美，
申请(专利权)人：青岛康庆和医药科技有限责任公司，
类型：发明
国别省市：山东,37