阅读说明：本技术 一种睡眠状态中突发疾病的智能预警方法 (Intelligent early warning method for sudden diseases in sleep state ) 是由 薛红涛 吴蒙 周嘉文 于 2019-11-26 设计创作，主要内容包括：本发明公开医疗救治领域中的一种睡眠状态中突发疾病的智能预警方法,运用贝叶斯网络智能算法搭建诊断模型,以智能枕头为载体,利用智能枕头中的传感器采集睡眠状态中的体征信息数据,与正常状态体征数据进行对比处理,通过体征数据处理模块获取相应的体征信息数据波动值集合,将体征信息数据波动值输入贝叶斯网络诊断模块,用以诊断身体异常状态；预警模块结合诊断结果,做出相应的预警反应,对突发疾病做出及时的救治,能够准确地诊断人们在睡眠过程中突发疾病及病状等级,并充分考虑时间片段累积导致的病状变化,从而避免因睡姿改变、做梦等短时间内体征数据波动带来的诊断误差。(The invention discloses an intelligent early warning method for sudden diseases in a sleep state in the field of medical treatment, which is characterized in that a Bayesian network intelligent algorithm is used for building a diagnosis model, an intelligent pillow is used as a carrier, a sensor in the intelligent pillow is used for collecting sign information data in the sleep state, the sign information data is compared with sign data in a normal state, a sign data processing module is used for obtaining a corresponding sign information data fluctuation value set, and the sign information data fluctuation value set is input into the Bayesian network diagnosis module for diagnosing an abnormal state of a body; the early warning module is combined with the diagnosis result to make corresponding early warning response, timely cure the sudden diseases, accurately diagnose the sudden diseases and the symptom grade of people in the sleeping process, and fully consider the symptom change caused by time segment accumulation, thereby avoiding the diagnosis error caused by the fluctuation of sign data in short time such as sleeping posture change, dreaming and the like.)

一种睡眠状态中突发疾病的智能预警方法

技术领域

本发明涉及医疗救治领域，涉及疾病的预警方法，特别是人们在睡眠状态中突发疾病时的预警方法。

背景技术

人们一生有三分之一的时间在睡眠中度过，随着生活节奏的加快，超负荷的工作压力等对人们的睡眠质量和健康带来了严重的影响，例如所引起的潜在的呼吸暂停综合征会导致高血压、冠心病、中风和猝死等问题，严重威胁人们的健康。由于突发疾病而未能及时得到有效的医疗救治而死亡的案例屡见不鲜，为此，出现了各类健康监控装置，其能够监控人们在日常生活中各类生理指标，并且将各类生理指标统计出健康报表并及时反馈，以便人们及时了解自己的身体健康动向。然而，随着独居老人数量的增加，尤其对已经身患心肌梗塞、脑溢血、心脏病等疾病的中老年人来说，在睡眠中监控自己的身体状态是一个很有必要的措施，此类人群迫切希望在睡眠状态突发疾病时能得到及时且有效的医疗救治。中国专利申请号为201711455386.5的文献中提出一种基于酒店的智能枕头的健康检测方法及智能枕头，通过安装在智能枕头上的传感器，实时获取的睡眠者的生理参数信息并进行分析，若生理参数信息超出预设范围，且超出预设范围的持续时长大于第一预设时长，则发出用于提示身体存在异常的第一报警信息，有助于人们及时获知自己的身体是否存在异常，有利于在身体存在异常的情况下能够在最佳时间采取治疗措施。但该方法设定的是只要一项生理数据超出阈值就判定身体存在异常，没有综合考虑多项体征数据，无法判断人们在睡眠时候身体异常的严重程度；同时，该方法忽略了人们在睡眠过程中由于睡姿改变、做梦等因素导致体征数据的波动而带来的误差，其诊断精确度不高。

发明内容

本发明针对现有方法的不足与缺陷，提出了一种睡眠状态中突发疾病的智能预警方法，综合考虑多项体征数据和体征数据的波动性来判断出人们在睡眠时突发疾病和疾病的严重程度，诊断精确度高。

本发明采用的技术方案是：是包括以下步骤：

步骤A：读取网络大数据平台中的正常人体体征数据，将正常人体体征数据的平均值作为人体体征波动值，建立样本数据，构建以人体体征波动值为输入、以身体状态的条件概率为输出的贝叶斯网络诊断模型；将贝叶斯网络诊断模型内置于贝叶斯网络诊断模块中，将贝叶斯网络诊断模块的输出端连接体征数据处理模块的输出端，体征数据处理模块的输入端连接传感器，贝叶斯网络诊断模块的输出端分别连接第一预警模块和综合诊断模块的输入端，综合诊断模块的输出端分别连接第二预警模块和初始参数更新模块，第一预警模块和第二预警模块通过无线方式向用户端APP发送信息；由传感器、体征数据处理模块、贝叶斯网络诊断模块、综合诊断模块、初始参数更新模块、第一、第二预警模块形成智能预警系统，将该智能预警系统整体装在用户睡眠的枕头内；

步骤B：利用传感器采集当前单个时间片内的包括心率H，脉搏P，血压BP，血氧饱和度BS，体温T的用户体征数据，构成体征数据集D{H,P,BP,BS,T}；体征数据处理模块接收传感器采集的体征数据集D{H,P,BP,BS,T}，与内设的初始的人体正常体征信息数据集D′₀{H′₀,P′₀,BP′₀,BS′₀,T′₀}分别对应的一一相减，获取对应的人体体征信息波动值集ΔD{ΔH,ΔP,ΔBP,ΔBS,ΔT}；

步骤C：贝叶斯网络诊断模块利用人体体征信息波动值集ΔD{ΔH,ΔP,ΔBP,ΔBS,ΔT}对用户的身体状态进行诊断，得到正常状态S₀、轻度病状S₁、严重病状S₂的诊断结果；贝叶斯网络诊断模块输出与诊断结果相对应的电压信号V₀、V₁、V₂，S₀对应于V₀，S₁对应于V₁，S₂对应于V₂；诊断为正常状态S₀所对应的体征数据集D{H,P,BP,BS,T}为正常体征数据集D′_a；

步骤D：贝叶斯网络诊断模块将电压信号V₂输至第一预警模块中，将电压信号V₀、V₁以及正常体征数据集D′_a输至综合诊断模块中，第一预警模块通过用户端APP发出通知，综合诊断模块将电压信号V₀、V₁以及正常体征数据集D′_a储存。

进一步地，步骤D中，综合诊断模块将储存电压信号V₀、V₁以及正常体征数据集D′_a后，系统进入下一时间片，重复步骤B-D，综合诊断模块持续储存电压信号V₀、V₁以及正常体征数据集D′_a，在设定的连续M个时间片内储存的电压信号均为V₁，或电压信号V₀和V₁交替出现且在连续N个时间片内电压信号V₁出现了M次，50％≤M/N<1，则判定用户的身体状态为轻度病状S₁。

更进一步地，将轻度病状S₁对应的电压信号V₁输至第二预警模块中，第二预警模块通过用户端APP发出通知。

更进一步地，综合诊断模块将存储的电压信号V₀和正常体征数据集D′_a输至初始参数更新模块，初始参数更新模块对系统运行过程中的所有正常体征数据进行平均值计算，得到新的正常体征数据集并作为下次系统运行时的人体正常体征数据集D′₀。

本发明采用上述技术方案的有益效果是：

1、本发明以智能枕头为载体，利用智能枕头中的传感器采集睡眠状态中的体征信息数据，与正常状态体征数据进行对比处理，通过体征数据处理模块获取相应的体征信息数据波动值集合，将体征信息数据波动值输入贝叶斯网络诊断模块，用以诊断身体异常状态；预警模块结合诊断结果，做出相应的预警反应，对突发疾病做出及时的救治，特别是对易发疾病的独居老人提供智能、准确、快速的医疗保护。

2、本发明运用贝叶斯网络智能算法搭建诊断模型，能够准确地诊断人们在睡眠过程中突发疾病及病状等级，并充分考虑时间片段累积导致的病状变化，从而避免因睡姿改变、做梦等短时间内体征数据波动带来的诊断误差。

附图说明

图1是贝叶斯网络诊断模块的构建结构框图；

图2是图1中的贝叶斯网络结构图；

图3是实现本发明的智能预警系统与用户端APP的硬件结构连接框图；

图4是第一种综合诊断规则示意图；

图5是第二种综合诊断规则示意图；

图6是本发明的工作流程图。

具体实施方式

本发明包括四个阶段，第一阶段是构建贝叶斯网络诊断模型；第二阶段是基于贝叶斯网络诊断模型，对单个时间片段内的用户身体状态进行诊断；第三阶段是结合多个时间片段，对用户身体状态进行综合判断；第四阶段是对用户身体状态的综合判断结束后，对初始参数进行更新。参见图6所示，具体步骤如下：

第一阶段，构建贝叶斯网络诊断模型。参见图1，通过诊断模型搭建模块读取网络大数据平台中的大量的正常人体体征数据，建立样本数据。正常人体体征数据是考虑了多种可能的人体体征数据的波动情况，综合全面地分析人体可能出现的多种体征波动，将平均值作为人体体征波动值。

人体体征波动值的样本数据如下：

1、心率波动数据ΔH。多种可能的心率波动数据分别为ΔH₁，ΔH₂，ΔH₃，ΔH₄(ΔH₄＝0)，ΔH₅，ΔH₆，ΔH₇，并且ΔH₁<ΔH₂<ΔH₃<ΔH₄<ΔH₅<ΔH₆<ΔH₇。心率波动数据ΔH为ΔH₁、ΔH₂、ΔH₃、ΔH₄、ΔH₅、ΔH₆、ΔH₇这7个数据的平均值。

2、脉搏波动数据ΔP。多种可能的的脉搏波动数据分别为ΔP₁，ΔP₂，ΔP₃，ΔP₄(ΔP₄＝0)，ΔP₅，ΔP₆，ΔP₇，并且ΔP₁<ΔP₂<ΔP₃<ΔP₄<ΔP₅<ΔP₆<ΔP₇。脉搏波动数据ΔP为ΔP₁、ΔP₂、ΔP₃、ΔP₄、ΔP₅、ΔP₆、ΔP₇这7个数据的平均值。

3、血压波动数据ΔBP。多种可能的血压波动数据分别为ΔBP₁，ΔBP₂，ΔBP₃，ΔBP₄(ΔBP₄＝0)，ΔBP₅，ΔBP₆，ΔBP₇，并且ΔBP₁<ΔBP₂<ΔBP₃<ΔBP₄<ΔBP₅。血压波动数据ΔBP为ΔBP₁、ΔBP₂、ΔBP₃、ΔBP₄、ΔBP₅、ΔBP₆、ΔBP₇这7个数据的平均值。

4、血氧饱和度波动数据ΔBS。多种可能的的血氧饱和度波动数据分别为ΔBS₁，ΔBS₂，ΔBS₃，ΔBS₄(ΔBS₄＝0)，ΔBS₅，ΔBS₆，ΔBS₇，并且ΔBS₁<ΔBS₂<ΔBS₃<ΔBS₄<ΔBS₅<ΔBS₆<ΔBS₇。血氧饱和度波动数据ΔBS为ΔBS₁、ΔBS₂、ΔBS₃、ΔBS₄、ΔBS₅、ΔBS₆、ΔBS₇这7个数据的的平均值。

5、体温波动数据ΔT。多种可能的体温波动数据分别为ΔT₁，ΔT₂，ΔT₃，ΔT₄(ΔT₄＝0)，ΔT₅，ΔT₆，ΔT₇，并且ΔT₁<ΔT₂<ΔT₃<ΔT₄<ΔT₅<ΔT₆<ΔT₇。体温波动数据ΔT为ΔT₁、ΔT₂、ΔT₃、ΔT₄、ΔT₅、ΔT₆、ΔT₇这7个数据的平均值。

参见图2，诊断模型搭建模块将心率波动数据ΔH、脉搏波动数据ΔP、血压波动数据ΔBP、血氧饱和度波动数据ΔBS、体温波动数据ΔT这5种人体体征波动值作为子节点，将可能出现的身体状态S_i作为父节点，构建贝叶斯网络结构，其中，身体状态S_i分为正常状态S₀、轻度病状S₁和严重病状S₂这三种，i＝0,1,2。所述的正常状态S₀是指用户的健康体征状态，或用户本身患有疾病但处于稳定的未发病状态；轻度病状S₁是指用户的体征数据集与正常状态体征数据集相比出现了一定波动，但并未危及生命；严重病状S₂是指用户的体征数据集在短时间内较正常状态体征数据集而言有大波动，可能危及生命。

诊断模型搭建模块采用以下的贝叶斯公式，计算在不同样本数据的条件下，出现不同身体状态S_i的条件概率，从而构建条件概率表。贝叶斯公式如下：

式中，i＝0,1,2，j＝1,2,3,4,5,6,7，m＝1,2,3,4,5,6,7，n＝1,2,3,4,5,6,7，p＝1,2,3,4,5,6,7，q＝1,2,3,4,5,6,7，P(S_i|ΔH_j,ΔP_m,ΔBP_n,ΔBS_p,ΔT_q)表示在ΔH＝ΔH_j，ΔP＝ΔP_m，ΔBP＝ΔBP_n，ΔBS＝ΔBS_p，ΔT＝ΔT_q的条件下，身体状态为S_i的条件概率；P(S_i)表示身体状态为S_i的全概率；P(ΔH_j)，P(ΔP_m)，P(ΔBP_n)，P(ΔBS_p)，P(ΔT_q)分别表示ΔH＝ΔH_j，ΔP＝ΔP_m，ΔBP＝ΔBP_n，ΔBS＝ΔBS_p，ΔT＝ΔT_q的全概率；P(ΔH_j|S_i)表示在身体状态为S_i的条件下，ΔH＝ΔH_j的概率；P(ΔP_m|S_i)表示在身体状态为S_i的条件下，ΔP＝ΔP_m的条件概率；P(ΔBP_n|S_i)表示在身体状态为S_i的条件下，ΔBP＝ΔBP_n的条件概率；P(ΔBS_p|S_i)表示在身体状态为S_i的条件下，ΔBS＝ΔBS_p的条件概率；P(ΔT_q|S_i)表示在身体状态为S_i的条件下，ΔT＝ΔT_q的条件概率。各概率值可以通过样本数据统计获得。

结合贝叶斯网络结构和条件概率表，构建贝叶斯网络诊断模型。所搭建的模型以人体体征波动值为输入，身体状态S_i的条件概率为输出，当条件概率P(S_i|ΔH_j,ΔP_m,ΔBP_n,ΔBS_p,ΔT_q)≥50％，则可判定为相应的身体状态S_i。

参见图3，将构建的贝叶斯网络诊断模型内置于贝叶斯网络诊断模块中，贝叶斯网络诊断模块的输出端连接体征数据处理模块的输出端，体征数据处理模块的输入端连接传感器，贝叶斯网络诊断模块的输出端分别连接第一预警模块和综合诊断模块的输入端，综合诊断模块的输出端分别连接第二预警模块和初始参数更新模块，而第一预警模块和第二预警模块的输出端通过无线方式向用户端APP发送信息。如此，由传感器、体征数据处理模块、贝叶斯网络诊断模块、综合诊断模块、初始参数更新模块、第一、第二预警模块形成智能预警系统，将该智能预警系统整体安装在用户睡眠的枕头内，称之为智能枕头。其中，传感器为人体体征信息传感器，用于采集用户在睡眠时的体征数据，用户端APP一般为患者家属，第一、第二预警模块输出预警信息给用户端APP，以提醒患者家属。

第二阶段，基于贝叶斯网络诊断模型对单个时间片段内的用户身体状态进行诊断。具体是：

智能枕头中的智能预警系统工作时，以1分钟作为时间片的长度，所述的时间片是系统一次循环工作的时间，包括系统采集体征数据、做出诊断、储存数据以及做出相应预警的整个过程。

利用传感器采集当前单个时间片内的用户体征数据，构成体征数据集D{H,P,BP,BS,T}。体征数据包括心率H，脉搏P，血压BP，血氧饱和度BS，体温T。数据集定义为体征数据集D{H,P,BP,BS,T}。

传感器将采集的用户体征数据信息输至体征数据处理模块中，体征数据处理模块接收传感器采集的体征数据集D{H,P,BP,BS,T}，与体征数据处理模块中内设的初始的人体正常体征信息数据集D′₀{H′₀,P′₀,BP′₀,BS′₀,T′₀}对比，分别进行对应的一一相减计算，获取对应的人体体征信息波动值集ΔD{ΔH,ΔP,ΔBP,ΔBS,ΔT}，即，ΔH＝H-H′₀，ΔP＝P-P′₀，ΔBP＝BP-BP′₀，ΔBS＝BS-BS′₀，ΔT＝T-T′₀。其中，H′₀,P′₀,BP′₀,BS′₀,T′₀分别为智能预警系统上个工作周期内采集的所有正常人体体征数据的平均值。

体征数据处理模块将体征数据集D{H,P,BP,BS,T}和用人体体征信息波动值集ΔD{ΔH,ΔP,ΔBP,ΔBS,ΔT}一并输入到贝叶斯网络诊断模块中，贝叶斯网络诊断模块利用人体体征信息波动值集ΔD{ΔH,ΔP,ΔBP,ΔBS,ΔT}对用户的身体状态进行诊断，得到诊断结果，诊断结果为身体的正常状态S₀、轻度病状S₁、严重病状S₂。贝叶斯网络诊断模块输出与诊断结果相对应的电压信号V₀、V₁、V₂，其中S₀对应于V₀，S₁对应于V₁，S₂对应于V₂。同时，当得到诊断结果后，将诊断为正常状态S₀所对应的体征数据集D{H,P,BP,BS,T}定义为正常体征数据集D′_a。

贝叶斯网络诊断模块将电压信号V₂输至第一预警模块中，将电压信号V₀、V₁以及正常体征数据集D′_a输至综合诊断模块中。第一预警模块接收到表明身体在严重病状S₂的电压信号V₂，通过用户端APP发出通知，通知家属，同时向120急救中心报警，请求急救。综合诊断模块接收到电压信号V₀、V₁时，表明身体在正常状态S₀或轻度病状S₁。由于单个时间片段诊断出的正常状态S₀或轻度病状S₁可能是由于用户睡姿改变、做梦等短时间内体征数据波动而导致的，可能会产生误诊，难以保证诊断准确度，所以需要结合多个时间片段对用户身体状态进行综合诊断。

第三阶段，结合多个时间片段，对用户身体状态进行综合判断，具体步骤如下：

当综合诊断模块接收到电压信号V₀及V₁以及正常体征数据集D′_a后，将电压信号V₀、V₁以及正常体征数据集D′_a储存。系统进入下一时间片，然后循环重复第二阶段的工作，即智能预警系统以下一分钟作为时间片的长度，利用传感器采集当前单个时间片内的用户体征数据，对单个时间片段内的用户身体状态进行诊断。如此，综合诊断模块便持续地储存电压信号V₀、V₁以及正常体征数据集D′_a，此时a可取1,2,3……，代表系统循环工作中单个时间片的推进次数。并从当前时间片开始，统计电压信号V₀、V₁出现的次数。综合诊断模块以预设的次数阈值M为基准，如果连续M个时间片内储存的电压信号均为V₁，即连续M个时间片的诊断结果均为轻度病状，则可判定用户的身体状态为轻度病状S₁，如图4所示的诊断规则图；或者电压信号V₀和V₁交替出现，且在连续N个时间片内，电压信号V₁出现了M次，即M个时间片的诊断结果为轻度病状S₁，其中50％≤M/N<1，则可判定用户的身体状态为轻度病状S₁，如图5所示的诊断规则图。

当经历多个时间片，诊断结果最终确定为轻度病状S₁后，将轻度病状S₁对应的电压信号V₁输至第二预警模块中，第二预警模块接收到电压信号V₁，便通过用户端APP发出通知，告知患者家属，提醒家属对患者进行相应的医疗保健措施。

特别地，在第三阶段的综合诊断过程中，如在后续时间片段内诊断结果为严重病状S₀，则诊断停止，由第一预警模块通过用户端APP通知家属，同时向120急救中心报警，请求急救。

第四阶段，为初始参数更新阶段，具体步骤如下：

步骤1：在第三阶段结束，系统完成用户身体状态诊断及相应预警后，综合诊断模块将存储的电压信号V₀和正常体征数据集D′_a输至初始参数更新模块，初始参数更新模块接收到电压信号V₀和正常体征数据集D′_a后，对系统运行过程中采集到的所有正常体征数据进行平均值计算，得到新的正常体征数据集作为下次系统运行时的人体正常体征数据集D′₀。更新数据的方法如下：

假定系统总运行过程中有Q个时间片内诊断为正常状态，则运行初始参数更新模块提取综合诊断模块中存储的Q个正常状态体征数据集D′₁{H′₁,P′₁,BP′₁,BS′₁,T′₁}，D′₂{H′₂,P′₂,BP′₂,BS′₂,T′₂}，……，D′_Q{H′_Q,P′_Q,BP′_Q,BS′_Q,T′_Q}，将数据集中对应的数据进行取平均值计算，得到人体正常体征数据集D′₀{H′₀,P′₀,BP′₀,BS′₀,T′₀}，作为系统再次运行时的人体正常状态体征数据集。其中，

初始参数更新模块将更新后的正常体征数据集D′₀{H′₀,P′₀,BP′₀,BS′₀,T′₀}输至体征数据处理模块中，体征数据处理模块保存更新后的正常体征数据集，且作为下次系统运行时的人体正常体征数据集D′₀，用于在下次系统运行时与传感器采集的体征数据集D{H,P,BP,BS,T}对比，获得下次系统运行时的人体体征信息波动值集ΔD{ΔH,ΔP,ΔBP,ΔBS,ΔT}，参见上述步骤二。