【技术实现步骤摘要】
基于人工智能的患者生命体征监控方法及系统
[0001]本申请涉及数据监控
,具体而言,涉及基于人工智能的患者生命体征监控方法及系统
。
技术介绍
[0002]生命体征就是用来判断病人的病情轻重和危急程度的指征
。
主要有心率
、
脉搏
、
血压
、
呼吸
、
疼痛
、
血氧
、
瞳孔和角膜反射的改变等等
。
正常人在安静状态下,脉搏为
60—100
次
/
分
(
一般为
70—80
次
/
分
)。
当心功能不全
、
休克
、
高热
、
严重的贫血和疼痛
、
甲状腺危象
、
心肌炎,以及阿托品等药物中毒时,心率和脉搏显著加快
。
当颅内压增高
、
完全性房室传导阻滞时,脉搏减慢
。
在一般情况下心率与脉搏是一致的,但在心房颤动
、
频发性早搏等心律失常时,脉搏会少于心率,称为短绌脉
。
[0003]现目前,针对生命体征的监控通常采用的是人工监控或者是单独的一个监测设备的监控,不能将所有的监控设备整合,这样一来,就可能存在监控不到位的情况,不能准确了解到患者的生命体征,因此,亟需一种技术方案以改善上述技术问题
。 />
技术实现思路
[0004]为改善相关技术中存在的技术问题,本申请提供了基于人工智能的患者生命体征监控方法及系统
。
[0005]第一方面,提供一种基于人工智能的患者生命体征监控方法,所述方法包括:在获得到待解析患者生命体征监测数据时,对所述待解析患者生命体征监测数据的重要指示进行数据解析,得到待定数据核;依据所述待解析患者生命体征监测数据,对所述待定数据核进行去优化处理,得到所述待定数据核对应的优化数据核以及所述优化数据核对应的压缩生命体征数据集;所述压缩生命体征数据集包括
A
个压缩生命体征数据;一个压缩生命体征数据是依据所述优化数据核中的一个优化窗口对所述待解析患者生命体征监测数据进行压缩处理后所得到的;
A
为大于0的整数;分别对所述
A
个压缩生命体征数据中的各个压缩生命体征数据进行分类处理,得到与所述重要指示相匹配的分类结果;所述分类结果包括
C
个生命体征监控种类;
C
为不大于
A
且
C
为大于0的整数;在所述优化数据核中,对所述
C
个生命体征监控种类对应的优化窗口分别进行调试处理,得到
C
个用于表示所述待解析患者生命体征监测数据中的所述重要指示的调试窗口,通过所述重要指示的调试窗口获得患者生命体征监控结果
。
[0006]可以理解的是,携带有数据解析功能的在获得到待解析患者生命体征监测数据时,可以对待解析患者生命体征监测数据的重要指示进行数据解析,得到待定数据核
。
其中,这里的待定数据核是由该原始识别到的重要指示所在约束范围构成的
。
为了能够有效确保重要指示所在约束范围的精确度,该在得到待定数据核之后,可以对待定数据核进行二次优化处理
(
包括去优化处理和调试处理
)。
首先,该可以基于待解析患者生命体征监测数据,对待定数据核进行去优化处理,得到待定数据核对应的优化数据核以及优化数据核
对应的压缩生命体征数据集
。
其中,这里的压缩生命体征数据集包括
A
个压缩生命体征数据;一个压缩生命体征数据是基于优化数据核中的一个优化窗口对待解析患者生命体征监测数据进行压缩处理后所得到的;
A
为大于0的整数
。
然后,该可以综合考虑数据解析结果和生命体征数据之间的关联性,对已经去优化处理后的待定数据核
(
即优化数据核
)
再次进行调试处理,即分别对
A
个压缩生命体征数据中的各个压缩生命体征数据进行分类处理,得到与重要指示相匹配的分类结果,进而可以在优化数据核中,对分类结果包括的
C
个生命体征监控种类所对应的优化窗口分别进行调试处理,以精准得到
C
个用于表示待解析患者生命体征监测数据中的重要指示的约束范围
(
即调试窗口
)。
其中,
C
为不大于
A
且
C
为大于0的整数
。
由此可见,本申请实施例提供的这种数据解析方法通过去优化处理
、
以及综合考虑数据解析结果和生命体征数据之间的关联性,高度重视重要指示所在约束范围的定位准确性指标,从而得到了能够更加精准指示待解析患者生命体征监测数据的重要指示的调试窗口,进而有效提高了数据解析的精确度,从而能够保障患者生命体征监控结果精确性和可靠性
。
[0007]在一种独立实施的实施例中,在对所述待解析患者生命体征监测数据的重要指示进行数据解析,得到待定数据核之前,所述方法还包括:获得用于对第一
Ab
解析线程进行配置的第一范例生命体征数据
、
以及用于表示所述第一范例生命体征数据的当前种类的第一范例目录;所述第一范例生命体征数据是对原始范例生命体征数据的重要指示进行预处理后所得到的;调用所述第一
Ab
解析线程,对所述第一范例生命体征数据进行数据解析,得到所述第一范例生命体征数据针对所述重要指示的预测解析种类可信系数;依据所述第一范例生命体征数据的预测解析种类可信系数以及所述第一范例生命体征数据的当前种类,对所述第一
Ab
解析线程进行配置,得到用于对所述待解析患者生命体征监测数据的重要指示进行数据解析的数据解析线程
。
[0008]可以理解的是,在对待解析患者生命体征监测数据的重要指示进行数据解析,得到待定数据核之前需要对待解析患者生命体征监测数据进行分析,这样可以保障待解析患者生命体征监测数据的精确性和可靠性
。
[0009]在一种独立实施的实施例中,所述依据所述第一范例生命体征数据的预测解析种类可信系数以及所述第一范例生命体征数据的当前种类,对所述第一
Ab
解析线程进行配置,得到用于对所述待解析患者生命体征监测数据的重要指示进行数据解析的数据解析线程,包括:对所述第一范例生命体征数据的预测解析种类可信系数以及所述第一范例生命体征数据的当前种类进行测评指标计算处理,确定所述第一
Ab
解析线程的线程测评指标;依据所述第一
Ab
解析线程的线程测评指标,对所述第一
Ab
解析线程进行配置本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于人工智能的患者生命体征监控方法,其特征在于,所述方法包括:在获得到待解析患者生命体征监测数据时,对所述待解析患者生命体征监测数据的重要指示进行数据解析,得到待定数据核;依据所述待解析患者生命体征监测数据,对所述待定数据核进行去优化处理,得到所述待定数据核对应的优化数据核以及所述优化数据核对应的压缩生命体征数据集;所述压缩生命体征数据集包括
A
个压缩生命体征数据;一个压缩生命体征数据是依据所述优化数据核中的一个优化窗口对所述待解析患者生命体征监测数据进行压缩处理后所得到的;
A
为大于0的整数;分别对所述
A
个压缩生命体征数据中的各个压缩生命体征数据进行分类处理,得到与所述重要指示相匹配的分类结果;所述分类结果包括
C
个生命体征监控种类;
C
为不大于
A
且
C
为大于0的整数;在所述优化数据核中,对所述
C
个生命体征监控种类对应的优化窗口分别进行调试处理,得到
C
个用于表示所述待解析患者生命体征监测数据中的所述重要指示的调试窗口,通过所述重要指示的调试窗口获得患者生命体征监控结果
。2.
根据权利要求1所述的方法,其特征在于,在对所述待解析患者生命体征监测数据的重要指示进行数据解析,得到待定数据核之前,所述方法还包括:获得用于对第一
Ab
解析线程进行配置的第一范例生命体征数据
、
以及用于表示所述第一范例生命体征数据的当前种类的第一范例目录;所述第一范例生命体征数据是对原始范例生命体征数据的重要指示进行预处理后所得到的;调用所述第一
Ab
解析线程,对所述第一范例生命体征数据进行数据解析,得到所述第一范例生命体征数据针对所述重要指示的预测解析种类可信系数;依据所述第一范例生命体征数据的预测解析种类可信系数以及所述第一范例生命体征数据的当前种类,对所述第一
Ab
解析线程进行配置,得到用于对所述待解析患者生命体征监测数据的重要指示进行数据解析的数据解析线程
。3.
根据权利要求2所述的方法,其特征在于,所述依据所述第一范例生命体征数据的预测解析种类可信系数以及所述第一范例生命体征数据的当前种类,对所述第一
Ab
解析线程进行配置,得到用于对所述待解析患者生命体征监测数据的重要指示进行数据解析的数据解析线程,包括:对所述第一范例生命体征数据的预测解析种类可信系数以及所述第一范例生命体征数据的当前种类进行测评指标计算处理,确定所述第一
Ab
解析线程的线程测评指标;依据所述第一
Ab
解析线程的线程测评指标,对所述第一
Ab
解析线程进行配置,得到第一线程配置结果;若所述第一线程配置结果指示配置后的第一
Ab
解析线程符合第一线程收敛要求,则将符合所述第一线程收敛要求的第一
Ab
解析线程作为第二
Ab
解析线程;对所述第二
Ab
解析线程的线程架构进行架构解析,确定用于对所述待解析患者生命体征监测数据的重要指示进行数据解析的数据解析线程
。4.
根据权利要求3所述的方法,其特征在于,所述对所述第二
Ab
解析线程的线程架构进行架构解析,确定用于对所述待解析患者生命体征监测数据的重要指示进行数据解析的数据解析线程,包括:
对所述第二
Ab
解析线程的线程架构进行架构解析,得到解析结果;若所述解析结果指示所述第二
Ab
解析线程的线程架构中存在归总单元,则将所述归总单元切换为已配置有滑动步长的第一特征提取单元;依据所述归总单元的线程系数,为所述第一特征提取单元进行赋值,得到第二特征提取单元;将包括所述第二特征提取单元的第二
Ab
解析线程作为用于对所述待解析患者生命体征监测数据的重要指示进行数据解析的数据解析线程
。5.
根据权利要求1所述的方法,其特征在于,所述依据所述待解析患者生命体征监测数据,对所述待定数据核进行去优化处理,得到所述待定数据核对应的优化数据核以及所述优化数据核对应的压缩生命体征数据集,包括:基于重复数据修正网络,对所述待定数据核进行去重处理,得到待处理数据核;所述待处理数据核包括待定窗口
Ab
;
b
为不大于
M
的大于0的整数;
M
用于表示所述待处理数据核中的待定窗口总数目;调用生命体征数据优化线程,通过所述待解析患者生命体征监测数据对所述待定窗口
Ab
进行优化处理,得到优化窗口
Cb
以及所述优化窗口
Cb
对应的压缩生命体征数据;在得到
M
个优化窗口时,依据去重方式,对所述
M
个优化窗口进行去重处理;将去重处理后的优化窗口作为所述待定数据核对应的优化数据核,且将去重处理后的优化窗口对应的压缩生命体征数据作为所述优化数据核对应的压缩生命体征数据集
。6.
根据权利要求5所述的方法,其特征在于,所述待定数据核是在调用数据解析线程,对所述待解析患者生命体征监测数据的重要指示进行数据解析时所得到的;所述待定数据核包括
N
个待定窗口;
N
为大于0的整数;所述数据解析线程还用于确定所述
N
个待定窗口中的各个待定窗口分别对应的预测解析种类可信系数;所述基于重复数据修正网络,对所述待定数据核进行去重处理,得到待处理数据核,包括:基于重复数据修正网络所指定的生命体征数据压缩率,对所述
N
个待定窗口中的各个待定窗口分别进行压缩处理,得到
N
个压缩窗口;基于
N
个预测解析种类可信系数,对所述
N
个压缩窗口进行排序处理,得到分布情况;将所述分布情况中的携带有最大预测解析种类可信系数的压缩窗口作为第一压缩窗口,将所述分布情况中除所述第一压缩窗口之外的(
N
‑1)个压缩窗口作为第一待清洗集;依据所述第一压缩窗口与所述第一待清洗集中的各个压缩窗口之间的重复率,对所述
N
个压缩窗口进行去重处理,得到保留数据核;依据所述生命体征数据压缩率,对所述保留数据核中的各个压缩窗口分别进行生命体征数据衍生处理,得到待处理数据核;其中,所述依据所述第一压缩窗口与所述第一待清洗集中的各个压缩窗口之间的重复率,对所述
N
个压缩窗口进行去重处理,得到保留数据核,包括:分别确定所述第一压缩窗口与所述第一待清洗集中的各个压缩窗口之间的重复率;若所述第一待清洗集中存在重复率大于重复率目标值的重复压缩窗口,则保留所述第一压缩窗口,且在所述第一待清洗集中清洗所述重复压缩窗口;在清洗后的第一待清洗集中,将携带有最大预测解析种类可信系数的压缩窗口作为第二压缩窗口,将除所述第二压缩窗口之外的压缩窗口作...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。