一种慢性病患者健康趋势监测与预警系统
阅读说明：本技术 一种慢性病患者健康趋势监测与预警系统 (Health trend monitoring and early warning system for chronic disease patients ) 是由 卢国梁 叶新来 毕新杰 欧德怀 闫鹏 于 2021-08-10 设计创作，主要内容包括：本发明公开了一种慢性病患者健康趋势监测与预警系统,其技术方案为：包括压力采集模块、数据处理模块和预警与报警模块,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；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；通过动态图模型计算优化指标；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。本发明通过模块化设计,能够灵活搭配监测垫,实现生命体征状态监测；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。(The invention discloses a system for monitoring and early warning the health trend of a chronic patient, which adopts the technical scheme that: the device comprises a pressure acquisition module, a data processing module and an early warning and alarming module, wherein the pressure acquisition module is distributed by a plurality of pressure sensors in a matrix form and is used for acquiring a multidimensional pressure signal representing vital sign parameters; the data processing module is used for fusing the multidimensional pressure signal data to obtain a one-dimensional dynamic index; establishing a dynamic graph model by taking a plurality of continuous index points as nodes of the graph model; calculating an optimization index through a dynamic graph model; the early warning and alarming module is used for comparing the optimized index with a threshold value to perform trend early warning; and carrying out abnormity alarm based on a hypothesis testing method. According to the invention, through the modular design, the monitoring pad can be flexibly matched to realize the monitoring of the vital sign state; based on the dynamic graph model building module, the monitoring data can be processed in real time to obtain an optimized index, and corresponding prediction and alarm are given according to different types of data overrun or abnormal states.)
技术领域
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
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。
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。
发明内容
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。
为了实现上述目的，本发明是通过如下的技术方案来实现：
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：
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；
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；
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。
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；
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。
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；
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。
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。
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。
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。
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；
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。
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。
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。
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。
本发明的有益效果如下：
(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。
(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。
(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
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。
图1是本发明根据一个或多个实施方式的系统框图；
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
实施例一：
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：
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；
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；
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。
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。
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。
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。
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。
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。
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。
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。
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：
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：
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，…xn]。
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：
1)将连续的j个指标点看作图模型的节点{v1，v2，…vj}，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Gi，并将其表示为矩阵：
2)建模后原始指标被表示为一系列图模型：X：＝Γ＝{G1，G2，...，Gn}，并使用中值图吸收正常波动：
M(·，·)是一种距离度量，此处选择DEWV距离度量，即：
其中Δ{a，b}计算如下：
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Gn+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：
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。
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。
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：
H0：正常：sn+1∈A
HA：异常：
其中A＝[μn-3σn，μn+3σn]为置信区间，μn为均值，σn为标准差，如下式：
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)。
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。
对于动态图模型构建模块中得到的一系列图模型Γ＝{G1，G2，...，Gn}，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。
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Mwed的计算公式如下：
其中Δi，j由下式计算：
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)。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。