一种基于深度神经网络的术后病人行为监测方法技术

本发明专利技术公开了一种基于深度神经网络的术后病人行为监测方法，包括在病人身上设置信息采集装置，利用隐马尔科夫HMM模型和双层GRU模型对信息采集装置采集到的数据进行解析和分类，从而能对术后病人进行实时监测和行为识别，解决了对住院术后病人进行行为识别和体征监控的技术问题，为医生的诊疗提供了参考数据，减少了护士人员的工作强度。

Postoperative Patient Behavior Monitoring Method Based on Deep Neural Network

The invention discloses a method for monitoring patients'behavior after operation based on deep neural network, which includes setting up an information acquisition device on patients, analyzing and classifying the data collected by the information acquisition device using hidden Markov HMM model and double-layer GRU model, so as to realize real-time monitoring and behavior recognition of patients after operation, and solving the problem of behavior recognition of inpatients after operation. The technical problems of different signs monitoring provide reference data for doctors'diagnosis and treatment, and reduce the work intensity of nurses.

【技术实现步骤摘要】
一种基于深度神经网络的术后病人行为监测方法
本专利技术属于医疗器械
，尤其涉及一种基于深度神经网络的术后病人行为监测方法。
技术介绍
术后健康监控过程能够保障在生命体征出现异常情况时可以进行及时处理，同时术后康复训练及效果评估也需要有效的工具进行支持，对住院术后病人实施有效的监护预警是检测和提高病人生存时间的重要手段。目前，现有的院内监护设备具有心电信息的采集、存储、智能分析预警等功能，由于过多功能的设计，使得监护装置过大，因此不能携带。此外，使用该装置时需要连电源线，使得病人的活动范围受到了很大的限制，不利于病人的康复。
技术实现思路
本专利技术的目的是提供一种基于深度神经网络的术后病人行为监测方法，解决了对住院术后病人进行行为识别和体征监控的技术问题。为实现上述目的，本专利技术采用如下技术方案：一种基于深度神经网络的术后病人行为监测方法，包括如下步骤：步骤1：在病人身上设置信息采集装置，信息采集装置用于采集病人生命体征数据，生命体征数据包括心电信号ECG、血氧饱和度数据SpO2、位置信息、加速度信号和角速度信号；在医院病房部署监测中心服务器，信息采集装置通过无线网络与监测中心服本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的术后病人行为监测方法，其特征在于：包括如下步骤：步骤1：在病人身上设置信息采集装置，信息采集装置用于采集病人生命体征数据，生命体征数据包括心电信号ECG、血氧饱和度数据SpO2、位置信息、加速度信号和角速度信号；在医院病房部署监测中心服务器，信息采集装置通过无线网络与监测中心服务器通信；监控中心服务器设有DTU，信息采集装置通过无线网络与DTU通信，DTU通过串口与监控中心服务器通信；步骤2：在监测中心服务器中预设深度神经网络模型，信息采集装置将生命体征数据发送给监测中心服务器，监测中心服务器对生命体征数据进行预处理；步骤3：监测中心服务器对生命体征数据进行窗口分割：...

【技术特征摘要】
1.一种基于深度神经网络的术后病人行为监测方法，其特征在于：包括如下步骤：步骤1：在病人身上设置信息采集装置，信息采集装置用于采集病人生命体征数据，生命体征数据包括心电信号ECG、血氧饱和度数据SpO2、位置信息、加速度信号和角速度信号；在医院病房部署监测中心服务器，信息采集装置通过无线网络与监测中心服务器通信；监控中心服务器设有DTU，信息采集装置通过无线网络与DTU通信，DTU通过串口与监控中心服务器通信；步骤2：在监测中心服务器中预设深度神经网络模型，信息采集装置将生命体征数据发送给监测中心服务器，监测中心服务器对生命体征数据进行预处理；步骤3：监测中心服务器对生命体征数据进行窗口分割：使用加窗的方法分割时间序列上的生命体征数据，即，使用窗口长度为在2s时间上的采取的样本点的矩形窗分割生命体征数据，步长设置为有50％的数据重叠；步骤4：监测中心服务器对生命体征数据中的加速度和角速度信号进行特征提取：采用滑动窗口提取时域特征和频域特征；频域特征为生命体征数据中的周期性信息，频域特征的分析用快速傅里叶变换计算；时域特征的提取包括如下步骤：步骤S1：用n来表示一个时间窗口的大小，用i来表示第i行数据，利用以下公式计算加速度和角速度信号数据的均值mean、标准差std、相关系数p和过均值点个数abovemean；其中，n取自然数，i取自然数；cov(x,y)表示x,y的相关系数；σx，σy表示x,y的标准差；sign()为判断函数，当ai＞mean的条件成立时，sign()结果取值为1，否则为0；ai为第i行数据；频域特征的提取包括如下步骤：步骤S2：用n来表示一个时间窗口的大小，用i来表示第i行数据，通过快速傅里叶变换分析加速度和角速度数据频域分析，利用以下公式得到的幅度统计的几个量包括均值ampmean、标准差ampstd、斜度ampskew、峭度ampkurt和形状统计的几个量包括均值shapemean、标准差shapestd、斜度shapeskew、峭度shapekurt；其中C(i)为第i个窗口的频率幅度值，N表示窗口数，步骤S3：选择生命体征数据的加速度和角速度信号的时域和频域特征来进行行为识别；步骤5：监测中心服务器进行特征选择：将生命体征数据分类为人体生命体征状况数据和行为数据；步骤6：监测中心服务器基于时间序列对行为数据进行计算，对病人进行行为识别，其具体步骤如下：步骤A1：将信息采集装置多次采集到的位置信息、加速度信号和角速度信号进行小波去噪后生成行为样本集；步骤A2：建立隐马尔科夫HMM模型和双层GRU模型，利用行为样本集中的数据对隐马尔科...

【专利技术属性】
技术研发人员：赵杰，翟运开，陈昊天，崔莉亚，石金铭，卢耀恩，王振博，曹明波，
申请(专利权)人：郑州大学第一附属医院，
类型：发明
国别省市：河南,41