一种慢性病患者健康趋势监测与预警系统的制作方法

1.本发明涉及健康监测系统领域，尤其涉及一种慢性病患者健康趋势监测与预警系统。


背景技术：

2.目前，对于部分慢性病患者，如癫痫等，发病时间随机且无法预测，需要长时间实时监护。发明人发现，常见的居家监测设备有监测手环、穿戴式电极监测设备、视频监控设备等，由于家居监测往往需要穿戴或绑缚设备，对正常生活有一定影响，舒适性较差；不适用于夜间睡眠监测。监控式设备隐私保护性较差，且耗费大量精力。同时这些监测设备实时性较低，也无法对健康趋势给出预警。
3.而且，现有压力垫类产品测点少，实时性差，主要进行静态的压力分布分析，依赖肉眼观察和经验主观决策，耗费大量时间与精力，无法实现实时监测与预警。


技术实现要素：

4.针对现有技术存在的不足，本发明的目的是提供一种慢性病患者健康趋势监测与预警系统，通过模块化设计，能够灵活搭配监测垫，被监测人员只需躺或坐在监测垫上，即可实现生命体征状态监测；且基于动态图模型构建模块，能够对监测数据进行实时处理得到优化指标，根据不同类型的数据超限或异常状态给出相应预测与报警。
5.为了实现上述目的，本发明是通过如下的技术方案来实现：
6.本发明的实施例提供了一种慢性病患者健康趋势监测与预警系统，包括：
7.压力采集模块，由若干压力传感器呈矩阵式分布，用于获取表征生命体征参数的多维压力信号；
8.数据处理模块，用于将多维压力信号数据融合得到一维动态指标；以多个连续的指标点作为图模型的节点，建立动态图模型；通过动态图模型将一维动态指标转变为图模型，基于图模型计算优化指标；
9.预警与报警模块，用于比较优化指标与阈值以进行趋势预警；基于假设检验方法进行异常报警。
10.作为进一步的实现方式，所述数据处理模块包括动态图模型构建模块；
11.动态图模型构建模块用于将连续的多个指标点作为图模型的节点，指标点两两连接形成边；并计算各边的欧式距离，将各欧式距离表示为矩阵即得到对应的图模型。
12.作为进一步的实现方式，所述数据处理模块包括优化指标计算模块；
13.优化指标计算模块用于根据当前模型与正常模型之间的偏离程度，得到优化指标。
14.作为进一步的实现方式，所述正常模型由中值图吸收正常波动获得。
15.作为进一步的实现方式，所述预警与报警模块中，当优化指标值超过阈值时给出健康预警。
16.作为进一步的实现方式，所述预警与报警模块中，基于假设检验方法，以优化指标超出置信区间为判断条件确认异常点。
17.作为进一步的实现方式，所述预警与报警模块包括异常原因分析模块；
18.异常原因分析模块用于将异常点对应的图模型送入k近邻分类器，以确定异常原因。
19.作为进一步的实现方式，根据k近邻样本的类别使用投票法确定被测样本的类别，以确定异常原因，并记录各种状况出现的次数；根据异常原因出现的次数进行统计分析，得出慢性疾病状况变化趋势。
20.作为进一步的实现方式，所述压力采集模块连接预处理模块，预处理模块用于将压力采集模块的模拟信号转换成数字信号；所述预处理模块通过数据传输模块连接数据处理模块。
21.作为进一步的实现方式，所述压力传感器呈矩阵式布置于基座表面。
22.本发明的有益效果如下：
23.(1)本发明的压力采集模块通过模块化设计，可以自由灵活搭配监测垫，被监测人员只需躺或坐在监测垫上，即可实时采集压力变化信号，对体动信息等生命体征状态进行监测，能够保证监测实时性。
24.(2)本发明的上位机包括数据处理模块、预警与报警模块，其中数据处理模块包括动态图模型构建模块、优化指标计算模块，动态图模型构建模块能够得到图模型，优化指标计算模块用于根据当前模型与正常模型之间的偏离程度，得到优化指标；基于动态图模型的优化指标，很好地解决了采集数据的非平稳性和干扰问题，保证检测和识别的准确性。
25.(3)本发明根据优化指标与阈值比较，给出健康预警；预警与报警模块基于假设检验，确定异常点，以对慢性病发作给出警报；预警与报警模块包括异常原因分析模块，异常原因分析模块基于k近邻分类器确定异常原因；通过记录各种状况出现的次数，根据异常原因出现的次数进行统计分析，得出慢性疾病状况变化趋势。
附图说明
26.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
27.图1是本发明根据一个或多个实施方式的系统框图；
28.图2是本发明根据一个或多个实施方式的动态图型建模示意图。
具体实施方式
29.实施例一：
30.本实施例提供了一种慢性病患者健康趋势监测与预警系统，尤其适用于夜间监测，如图1所示，包括：
31.压力采集模块，由若干压力传感器呈矩阵式分布，用于获取表征生命体征参数的多维压力信号；
32.数据处理模块，用于将多维压力信号数据融合得到一维动态指标；以多个连续的指标点作为图模型的节点，建立动态图模型；通过动态图模型将一维动态指标转变为图模
型，基于图模型计算优化指标；
33.预警与报警模块，用于比较优化指标与阈值以进行趋势预警；基于假设检验方法进行异常报警。
34.进一步的，所述压力传感器呈矩阵式布置于基座表面构成压力采集模块。在本实施例中，每64个压力传感器按照8*8形式均匀于正方形基座上；当然，在其他实施例中，压力传感器的个数可以调整为其他值。由压力传感器构成的压力采集模块最大支持384个测点，能够满足对人体心跳、呼吸等生命体征的监测。
35.将若干压力采集模块设置于监测垫，被监测人员只需躺或坐在监测垫上，即可实时采集压力变化信号，以获取生命体征状态信息。
36.在本实施例中，压力传感器采用压电薄膜传感器，具有高灵敏度、高分辨率和快速响应的特点，能够用于体动信息的实时监测。
37.进一步的，所述压力采集模块连接预处理模块，预处理模块用于将压力采集模块的模拟信号转换成数字信号。在本实施例中，预处理模块采用以stm32f103单片机为核心的a/d转换模块；可以理解的，在其他实施例中，预处理模块的单片机也可以选择型号。
38.所述预处理模块通过数据传输模块连接数据处理模块，通过tcp
‑
ip传输，为每一个预处理模块分配一个ip地址；上位机可以自由选择采集一个或多个模块的数据，并行传输，实现模块化灵活配置。
39.其中，上位机包括数据处理模块、显示模块、存储模块、预警与报警模块，显示模块用于通过应力分布图来实时显示应力分布状态，并可以通过显示模块查询监测统计数据，包括睡眠状况、持续体动时间、报警信息等；存储模块用于存储数据。
40.进一步的，所述数据处理模块包括动态图模型构建模块、优化指标计算模块，动态图模型构建模块用于将连续的多个指标点作为图模型的节点，指标点两两连接形成边；并计算各边的欧式距离，将各欧式距离表示为矩阵即得到对应的图模型。
41.更近一步的，动态图模型构建模块中，其执行的建模过程如图2所示，包括：
42.步骤1：多维数据融合，假设传感器数目为m，采集的数据首先采用小波变换滤波除噪实现有用信号的提取，得到多维原始数据：
[0043][0044]
采用主成分分析/自适应加权融合等方法，保留主要的数据波动信息，将m维数据融合为一维的动态指标：x＝[x1，x2，
…
x
n
]。
[0045]
步骤2：动态图模型优化，融合得到的一维指标存在非平稳性和其他干扰等因素，容易产生误报或者检测失败的情况，动态图模型能够很好地解决非线性非平稳性问题，同时对干扰噪声有很好的抑制作用：
[0046]
1)将连续的j个指标点看作图模型的节点{v1，v2，
…
v
j
}，两两连接，每一组节点构成边l
{a，b}
，a，b∈{1，2，...j}，并计算出其欧氏距离d
{a，b}
，得到此分段的图模型g
i
，并将其表示为矩阵：
[0047][0048]
2)建模后原始指标被表示为一系列图模型：x：＝γ＝{g1，g2，...，g
n
}，并使用中值图吸收正常波动：
[0049][0050]
m(
·
，
·
)是一种距离度量，此处选择dewv距离度量，即：
[0051][0052][0053]
其中δ
{a，b}
计算如下：
[0054][0055]
进一步的，优化指标计算模块用于根据当前模型与正常模型之间的偏离程度，得到优化指标，即通过计算g
n 1
和之间的距离，得到当前模型与正常模型之间的偏离程度：
[0056][0057]
进一步的，所述预警与报警模块中，通过设置一个阈值y，与优化指标进行比较，当优化指标值逐渐趋近于阈值y并超过阈值时给出健康预警，表示可能出现慢性健康问题。
[0058]
当癫痫等慢性疾病突然发作，需要及时给出警报；预警与报警模块中，基于假设检验方法，以优化指标超出置信区间为判断条件确认异常点。
[0059]
在本实施例中，基于假设检验的3σ准则，确定置信区间上下控制限，优化指标超出置信区间将被视为异常状况：
[0060]
h0：正常：s
n 1
∈a
[0061]
h
a
：异常：
[0062]
其中a＝[μ
n
‑
3σ
n
，μ
n
3σ
n
]为置信区间，μ
n
为均值，σ
n
为标准差，如下式：
[0063][0064][0065]
报警范围可以根据实际应用场景个性化设定，可以分时段设定与管理，报警方式有警报声音、颜色提醒(通过显示界面热力图)。
[0066]
进一步的，所述预警与报警模块包括异常原因分析模块；异常原因分析模块用于
将异常点对应的图模型送入k近邻分类器，以确定异常原因。
[0067]
对于动态图模型构建模块中得到的一系列图模型γ＝{g1，g2，...，g
n
}，在出现异常后将当前异常时刻的图结构送入k近邻分类器：将被测样本与所有训练样本进行距离度量，从而确定被测样本的k个近邻样本。
[0068]
图距离度量使用加权边距离，对于图g和图g’其加权边距离m
wed
的计算公式如下：
[0069][0070]
其中δ
i，j
由下式计算：
[0071][0072]
最后，根据k近邻样本的类别使用投票法确定被测样本的类别，确定异常原因(发生抽搐、打鼾等)，并记录各种状况出现的次数，最后根据异常原因出现的次数进行统计分析，得出慢性疾病状况变化趋势(无变化/趋好/趋坏)。
[0073]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。