一種體征監測系統技術方案

一種體征監測系統，包括：接收模塊，在第一時間采集接收原始呼吸數據；過濾模塊，對采集的振動音信號進行放大濾波以及去噪處理并進行模數轉換為基礎呼吸數據；擬合修正模塊，對基礎呼吸數據進行高斯性統計，并對突變數據進行修正；比較模塊，在第二時間段，基于第一時間段內的高斯性統計數據判斷第二時間段內的數字化振動音信號的數據概率，將所述數據概率與經驗閾值相比較，當數字化振動音信號的預判斷值的數據概率大于所述經驗閾值時，給出第二判斷結果值，并給出警告信號；報警模塊，接收比較模塊輸出的警告信號，并對外發出報警信號，從而對數字化振動音信號的數據準確率進行判斷，本發明專利技術的系統在監控數據處理過程中有自我更新的能力，是可靠性高、復雜度低、輸出變量貼切的呼吸數據處理系統。

A physical sign monitoring system

Including a sign monitoring system, a receiving module, collected in the first time, receiving the original respiratory data; the filter module, the vibration sound signal acquisition amplification filtering and denoising and analog-to-digital conversion based on respiratory data; fitting correction module, based on the data of breath Gauss statistics, and the mutation data correction; comparison module in second time, judge the data probability digital vibration sound signal second time Gauss statistics during the first period of time based on the data and experience of probability threshold comparison, when the digital vibration sound signal pre judgment data probability value is greater than the threshold of experience. Results are given second values, and gives a warning signal; alarm module, receiving a warning signal output compare module, and external alarm signal The data accuracy of the digital vibratory sound signal is judged. The system of this invention has the ability of self-renewal in the process of monitoring data processing, and it is a respiratory data processing system with high reliability, low complexity and appropriate output variables.

【技術實現步驟摘要】
一種體征監測系統
本專利技術涉及一種體征監測系統領域，特別是涉及呼吸監測領域。
技術介紹
上個世紀六十年代中期的機械呼吸機被設計成支持肺泡同期并且對由于神經肌肉損傷而不能呼吸的患者提供補充的氧氣。從那時起，機械呼吸機已經響應于對肺部病理生理學的不斷理解而便得越來越精密和復雜。在努力提升患者對機械通氣的耐受性中，研發了輔助通氣模式或者患者觸發的通氣模式。在上世紀七十年代間歇強制通氣變得可用時，機械支持補充自發通氣的布局正壓通氣支持對于手術室外的成年人來說成為可能。不斷研發了滿足嚴重受傷患者的需求的各種可替選的通氣方式。類似地，已經研發出便于使用的小型呼吸機，以支持需求較少的支持的患者。這些呼吸機通常利用非侵入性的極致來與患者進行連接。近年來，已經將微處理器引入到現代呼吸機中。微處理器呼吸機通常配備有檢測每次呼吸的流量、壓力、容積并且得出機械呼吸參數的傳感器。傳感器精確地感測并將其轉換，特別是與計算機技術相結合，使得臨床醫生、患者及呼吸機之間的交互相比之前更加精細。現有技術的微處理器控制的呼吸機由于放置了轉換數據信號所需要的傳感器而成熟。因此，研發了復雜的算法，以使呼吸機可以基于每次呼吸來估計患者肺部中實際上發生了什么。實際上，在計算機控制的現有技術的呼吸機受限于試圖模仿提供給患者的呼吸機支持中的因果關系的數學算法的精度、可靠性及實用性。因此，本專利技術不僅需要對大量采集到的呼吸數據進行快速地個性化建模分析，得出針對不同患者最佳的參量函數，同時保證在監控數據處理過程中有自我更新的能力，最后保證輸出的變量和曲線更加完美且易于觀察。最后研究出這種可靠性高、復雜度低、輸出變量貼切的呼吸數據處理方法。
技術實現思路
一種體征監測系統，包括：接收模塊，在第一時間采集接收原始呼吸數據，即通過呼吸音傳感器所測量的監測對象呼吸時所產生的振動音信號；過濾模塊，對采集的振動音信號進行放大濾波以及去噪處理并進行模數轉換，轉換為數字化振動音信號形成待處理的基礎呼吸數據；擬合修正模塊，將所述數字化振動音信號輸入高斯模型對基礎呼吸數據進行高斯性統計，并記錄第一時間段內所述數字化振動音信號發生的概率，并且對突變數據進行修正；比較模塊，在第二時間段，基于第一時間段內的高斯性統計數據判斷第二時間段內的數字化振動音信號的數據概率，同時對突變數據進行修正，將所述數據概率與經驗閾值相比較，當所述數據概率小于所述經驗閾值時給出第一判斷結果值，當在一定時間內多次出現所述數據概率大于所述經驗閾值時，給出第二判斷結果值，并給出警告信號；機器學習及預判斷模塊，接收并基于擬合修正模塊輸出的數據，在第二時間段內對所述數字化振動音信號進行機器學習，從而對數字化振動音信號進行預判斷；對所述數字化振動音信號的預判斷值的數據概率與經驗閾值相比較，當數字化振動音信號的預判斷值的數據概率小于所述經驗閾值時給出第一判斷結果值，當數字化振動音信號的預判斷值的數據概率大于所述經驗閾值時，給出第二判斷結果值，并給出警告信號；報警模塊，接收比較模塊或機器學習及預判斷模塊輸出的警告信號，并對外發出報警信號。優選地，所述擬合修正模塊進一步包括動態輪廓模型，所述動態輪廓模型對高斯模型輸出的數字化振動音信號進行擬合形成呼吸特性曲線；所述機器學習及預判斷模塊進一步包括第二動態輪廓模型，所述第二動態輪廓模型對所述機器學習后輸出的數字化振動音信號的預判斷值進行擬合形成呼吸特性曲線的預判斷曲線。優選地，根據所述動態輪廓模型輸出的呼吸特性曲線或第二動態輪廓模型預判斷曲線計算出對應的呼吸特征變量，所述呼吸特征變量包括呼吸頻率、最強呼吸音、潮氣量參考值、呼氣吸氣時間和呼吸比。優選地，所述呼吸頻率為呼吸特性曲線或其預判斷曲線自身的頻率；所述最強呼吸音為呼吸特性曲線或其預判斷曲線最大峰峰值；所述潮氣量參考值為一個呼吸周期內所述呼吸特性曲線或其預判斷曲線與中心軸之間的面積；呼氣吸氣時間為一個呼吸周期內所述呼吸特性曲線或其預判斷曲線中心線上和下的持續時間，其比值作為呼吸比。優選地，所述機機器學習及預判斷模塊包括貝葉斯判別，所述貝葉斯判別根據呼吸數據變化自動更新其參數。附圖簡要說明圖1是體征監測系統框圖；圖2是數據處理流程圖。具體實施方式下面結合附圖與具體實施方式對本專利技術作進一步詳細描述：段接收模塊，在第一時間采集接收原始呼吸數據，即通過呼吸音傳感器所測量的監測對象呼吸時所產生的振動音信號；過濾模塊，對采集的振動音信號進行放大濾波以及去噪處理并進行模數轉換，轉換為數字化振動音信號形成待處理的基礎呼吸數據；擬合修正模塊，將所述數字化振動音信號輸入高斯模型對基礎呼吸數據進行高斯性統計，并記錄第一時間段內所述數字化振動音信號發生的概率，并且對突變數據進行修正；比較模塊，在第二時間段，基于第一時間段內的高斯性統計數據判斷第二時間段內的數字化振動音信號的數據概率，同時對突變數據進行修正，將所述數據概率與經驗閾值相比較，當所述數據概率小于所述經驗閾值時給出第一判斷結果值，當在一定時間內多次出現所述數據概率大于所述經驗閾值時，給出第二判斷結果值，并給出警告信號；機器學習及預判斷模塊，接收并基于擬合修正模塊輸出的數據，在第二時間段內對所述數字化振動音信號進行機器學習，從而對數字化振動音信號進行預判斷；對所述數字化振動音信號的預判斷值的數據概率與經驗閾值相比較，當數字化振動音信號的預判斷值的數據概率小于所述經驗閾值時給出第一判斷結果值，當數字化振動音信號的預判斷值的數據概率大于所述經驗閾值時，給出第二判斷結果值，并給出警告信號；附圖1中當接收模塊接收呼吸音傳感器把患者的呼吸信號轉換為電信號的形式的原始呼吸數據之后，過濾模塊通過放大、濾波及去噪，模數轉換后從而得到可靠性最高的基礎呼吸數據。基礎呼吸數據輸入擬合修正模塊，其中包括高斯模型，是在環境不變的情況下，對采集到的初始數據進行建模，也就是在第一時間段，根據個人呼吸特性都服從正態分布的關系，我們可以得到公式式子中，x表示第i個數據的值，μ表示數據的均值，σ表示數據的均方差，Q(xi)表示第i個數據的值為xi的概率。N代表參與初始化的數據總點數，因此可以得出數據點的均值μ和方差σ2的初始化公式為在第二時間段，如果某個數據點的概率小于設定的閾值th，則該點被定義為正常數據點，反之(else)則定義為非正常數據點，即信號首先在高斯模型對數據進行分析，首先對采集到長度為N的數據求均值和方差，然后把求到的參數帶入高斯公式與經驗閾值做比較，當下一個數據值帶入高斯公式時小于閾值說明呼吸正常，反之說明發生突變，同時在正常呼吸數據不斷采集的同時對參變量進行不斷地更新，用第N+1個數據來替代第1個數據，如此迭代更新，保證無論在任何時候的參變量都是當前環境下可靠性最高的參數。通常高斯模型會對突變數據進行修正，例如發生概率為0的數據進行修正，但是當異常呼吸數據出現頻率在一定時間內多次或者持續出現，系統給出報警提示。其次，經過高斯模型篩選后得到患者穩定的呼吸信號交給機器學習及預判斷模塊，其中的機器學習算法進行預知判定處理。附圖2中，信號首先在高斯模型對數據進行分析，首先對采集到長度為N的數據求均值和方差，然后把求到的參數帶入高斯公式與經驗閾值做比較，當下一個數據值帶入高斯公式時小于閾值說明呼吸正常，反之本文檔來自技高網...

【技術保護點】
一種體征監測系統，其特征在于：所述體征監測系統包括：接收模塊，在第一時間采集接收原始呼吸數據，即通過呼吸音傳感器所測量的監測對象呼吸時所產生的振動音信號；過濾模塊，對采集的振動音信號進行放大濾波以及去噪處理并進行模數轉換，轉換為數字化振動音信號形成待處理的基礎呼吸數據；擬合修正模塊，將所述數字化振動音信號輸入高斯模型對基礎呼吸數據進行高斯性統計，并記錄第一時間段內所述數字化振動音信號發生的概率，并且對突變數據進行修正；比較模塊，在第二時間段，基于第一時間段內的高斯性統計數據判斷第二時間段內的數字化振動音信號的數據概率，同時對突變數據進行修正，將所述數據概率與經驗閾值相比較，當所述數據概率小于所述經驗閾值時給出第一判斷結果值，當在一定時間內多次出現所述數據概率大于所述經驗閾值時，給出第二判斷結果值，并給出警告信號；機器學習及預判斷模塊，接收并基于擬合修正模塊輸出的數據，在第二時間段內對所述數字化振動音信號進行機器學習，從而對數字化振動音信號進行預判斷；對所述數字化振動音信號的預判斷值的數據概率與經驗閾值相比較，當數字化振動音信號的預判斷值的數據概率小于所述經驗閾值時給出第一判斷結果值，當數字化振動音信號的預判斷值的數據概率大于所述經驗閾值時，給出第二判斷結果值，并給出警告信號；報警模塊，接收比較模塊或機器學習及預判斷模塊輸出的警告信號，并對外發出報警信號。...

【技術特征摘要】
1.一種體征監測系統，其特征在于：所述體征監測系統包括：接收模塊，在第一時間采集接收原始呼吸數據，即通過呼吸音傳感器所測量的監測對象呼吸時所產生的振動音信號；過濾模塊，對采集的振動音信號進行放大濾波以及去噪處理并進行模數轉換，轉換為數字化振動音信號形成待處理的基礎呼吸數據；擬合修正模塊，將所述數字化振動音信號輸入高斯模型對基礎呼吸數據進行高斯性統計，并記錄第一時間段內所述數字化振動音信號發生的概率，并且對突變數據進行修正；比較模塊，在第二時間段，基于第一時間段內的高斯性統計數據判斷第二時間段內的數字化振動音信號的數據概率，同時對突變數據進行修正，將所述數據概率與經驗閾值相比較，當所述數據概率小于所述經驗閾值時給出第一判斷結果值，當在一定時間內多次出現所述數據概率大于所述經驗閾值時，給出第二判斷結果值，并給出警告信號；機器學習及預判斷模塊，接收并基于擬合修正模塊輸出的數據，在第二時間段內對所述數字化振動音信號進行機器學習，從而對數字化振動音信號進行預判斷；對所述數字化振動音信號的預判斷值的數據概率與經驗閾值相比較，當數字化振動音信號的預判斷值的數據概率小于所述經驗閾值時給出第一判斷結果值，當數字化振動音信號的預判斷值的數據概率大于所述經驗閾值時，給出第二判斷結果值，并給出警告...

【專利技術屬性】
技術研發人員：王英美，
申請(專利權)人：青島康慶和醫藥科技有限責任公司，
類型：發明
國別省市：山東,37