【技術實現步驟摘要】
本申請涉及智慧醫療，特別是涉及一種基于深度學習的重癥風險護理評估預警方法、系統、計算機設備、存儲介質和計算機程序產品。
技術介紹
1、重癥監護室是專門收治危重病癥并給予精心監測和精確治療的單位，危重癥醫學是以危重病為主要研究對象，以基礎醫學與臨床醫學的相互結合為基礎，以應用現代化的監測及干預性技術為方法，對危重病進行更全面的理解和通過對危重病有效的治療措施而最終提高危重病人生存率為目的的醫學專業學科。
2、現有公告號為cn112618895b的中國專利公開了一種一種重癥監護室呼吸機警報管理系統與方法。所述管理系統包括監控呼吸機、邊緣計算終端以及遠端監控終端。邊緣計算終端接收監控呼吸機發送的監控待處理信號進行邊緣計算處理后，生成第一本地處理結果并將所述第一本地處理結果通過廣播組件廣播；遠端監控終端生成觸感反饋信號發送至便攜式手腕觸感反饋模塊；所述觸感反饋信號指示對所述監控待處理信號中的所述警報信號進行過濾或者增強后的警報調節信號。
3、然而，目前的上述方法，僅能在患者出現呼吸異常且被設備識別檢測出后才能實現告警，而在病患在出現較為強烈的生命體征變化前也會有一段生命體征出現緩慢變化的時間，而傳統方案則會耽誤這段能夠用于搶救的時間。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種能夠根據生命體征實現提前警示醫護人員關注病患的基于深度學習的重癥風險護理評估預警方法、系統、計算機設備、計算機可讀存儲介質和計算機程序產品。
2、第一方面，本申請提
3、獲取關鍵生命體征數據，通過預設生命體征數據識別模型對關鍵生命體征數據進行識別，以獲取關鍵生命體征數據中出現的關鍵峰值數據；
4、對所述關鍵峰值數據以及所述關鍵峰值數據出現時的時間戳數據進行存儲；
5、將相鄰的兩個峰值數據代入預設峰值變化率計算方程計算得到峰值變化率；
6、判斷峰值變化率是否高于預設關鍵生命體征峰值變化率；
7、若是，則輸出第一告警信息。
8、在其中一個實施例中，所述關鍵生命體征數據包括心電圖數據，所述預設生命體征數據識別模型包括預設心電圖波形識別模型，用以對所述心電圖數據的特征波形進行識別；
9、所述通過預設生命體征數據識別模型對關鍵生命體征數據進行識別，以獲取關鍵生命體征數據中出現的關鍵峰值數據的具體步驟包括：
10、通過預設心電圖波形識別模型對心電圖數據進行識別；
11、提取從心電圖數據中識別到的r型波數據，并獲取r型波數據的峰值，作為心電圖數據中出現的關鍵峰值數據。
12、在其中一個實施例中，所述方法還包括：
13、根據關鍵峰值數據對心率數據進行分割，以獲取待分析周期數據；
14、對所述待分析周期數據進行fft變換，以獲取周期頻譜數據；
15、將所述周期頻譜數據與預設頻譜分布樣本進行匹配，并計算匹配度；
16、判斷所述匹配度是否小于預設匹配度閾值；
17、若是，則輸出預警信息。
18、在其中一個實施例中，所述周期頻譜數據包括頻率數據及與所述頻率數據一一對應的幅值數據，所述將所述周期頻譜數據與預設頻譜分布樣本進行匹配，并計算匹配度的具體步驟包括：
19、分別計算頻率數據與預設頻率分布的匹配度，以及幅值數據與預設幅值數據的匹配度；
20、根據預設權重對頻率數據與預設頻率分布的匹配度、以及幅值數據與預設幅值數據的匹配度進行加權平均計算，以計算的所述周期頻譜數據與預設頻譜分布樣本的匹配度。
21、在其中一個實施例中，所述將相鄰的兩個峰值數據代入預設峰值變化率計算方程計算得到峰值變化率的具體步驟包括：
22、計算相鄰兩個峰值數據所對應的時間戳數據的差值，以計算得到峰值時間間隔數據；
23、判斷峰值時間間隔數據是否位于預設峰值時間間隔區間內；
24、若否，則輸出第二告警信息。
25、第二方面，本申請還提供了一種基于深度學習的重癥風險護理評估預警系統，該系統包括：
26、生命體征數據采集模塊，用于采集并獲取關鍵生命體征數據；
27、存儲模塊，用于存儲預設生命體征數據識別模型、關鍵生命體征數據、關鍵峰值數據、關鍵峰值數據出現時的時間戳數據等數據資料；
28、數據處理與計算模塊，用于運行預設生命體征數據識別模型對關鍵生命體征數據進行識別，以獲取關鍵生命體征數據中出現的關鍵峰值數據，以及將相鄰的兩個峰值數據代入預設峰值變化率計算方程計算得到峰值變化率，并判斷峰值變化率是否高于預設關鍵生命體征峰值變化率。
29、告警模塊：用于輸出告警信息，所述告警信息包括第一告警信息。
30、在其中一個實施例中，數據處理與計算模塊還用于根據關鍵峰值數據對心率數據進行分割，以獲取待分析周期數據；
31、所述系統還包括dsp模塊，用于對所述待分析周期數據進行fft變換，以獲取周期頻譜數據，并將所述周期頻譜數據輸出至數據處理與計算模塊。。
32、第三方面，本申請還提供了一種計算機設備，該計算機設備包括存儲器和處理器，該存儲器存儲有計算機程序，該處理器執行所述計算機程序時實現以下步驟：
33、獲取關鍵生命體征數據，通過預設生命體征數據識別模型對關鍵生命體征數據進行識別，以獲取關鍵生命體征數據中出現的關鍵峰值數據；
34、對所述關鍵峰值數據以及所述關鍵峰值數據出現時的時間戳數據進行存儲；
35、將相鄰的兩個峰值數據代入預設峰值變化率計算方程計算得到峰值變化率，
36、判斷峰值變化率是否高于預設關鍵生命體征峰值變化率；
37、若是，則輸出第一告警信息。
38、第四方面，本申請還提供了一種計算機可讀存儲介質，該計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現以下步驟：
39、獲取關鍵生命體征數據，通過預設生命體征數據識別模型對關鍵生命體征數據進行識別，以獲取關鍵生命體征數據中出現的關鍵峰值數據；
40、對所述關鍵峰值數據以及所述關鍵峰值數據出現時的時間戳數據進行存儲；
41、將相鄰的兩個峰值數據代入預設峰值變化率計算方程計算得到峰值變化率，
42、判斷峰值變化率是否高于預設關鍵生命體征峰值變化率；
43、若是，則輸出第一告警信息。
44、第五方面，本申請還提供了一種計算機程序產品，該計算機程序產品包括計算機程序，該計算機程序被處理器執行時實現以下步驟：
45、獲取關鍵生命體征數據，通過預設生命體征數據識別模型對關鍵生命體征數據進行識別，以獲取關鍵生命體征數據中出現的關鍵峰值數據；
46、對所述關鍵峰值數據以及所述關鍵峰值數據出現時的時間戳數據進行存儲；...
【技術保護點】
1.一種基于深度學習的重癥風險護理評估預警方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的重癥風險護理評估預警方法，其特征在于：所述關鍵生命體征數據包括心電圖數據，所述預設生命體征數據識別模型包括預設心電圖波形識別模型，用以對所述心電圖數據的特征波形進行識別；
3.根據權利要求2所述的基于深度學習的重癥風險護理評估預警方法，其特征在于，所述方法還包括：
4.根據權利要求3所述的基于深度學習的重癥風險護理評估預警方法，其特征在于，所述周期頻譜數據包括頻率數據及與所述頻率數據一一對應的幅值數據，所述將所述周期頻譜數據與預設頻譜分布樣本進行匹配，并計算匹配度的具體步驟包括：
5.根據權利要求4所述的基于深度學習的重癥風險護理評估預警方法，其特征在于，所述將相鄰的兩個峰值數據代入預設峰值變化率計算方程計算得到峰值變化率的具體步驟包括：
6.一種基于深度學習的重癥風險護理評估預警系統，其特征在于，所述系統包括：
7.根據權利要求1所述的基于深度學習的重癥風險護理評估預警系統，其特征在于，所述數據處理與計
8.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至6中任一項所述的方法的步驟。
9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至6中任一項所述的方法的步驟。
10.一種計算機程序產品，包括計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1至6中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種基于深度學習的重癥風險護理評估預警方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的重癥風險護理評估預警方法，其特征在于：所述關鍵生命體征數據包括心電圖數據，所述預設生命體征數據識別模型包括預設心電圖波形識別模型，用以對所述心電圖數據的特征波形進行識別；
3.根據權利要求2所述的基于深度學習的重癥風險護理評估預警方法，其特征在于，所述方法還包括：
4.根據權利要求3所述的基于深度學習的重癥風險護理評估預警方法，其特征在于，所述周期頻譜數據包括頻率數據及與所述頻率數據一一對應的幅值數據，所述將所述周期頻譜數據與預設頻譜分布樣本進行匹配，并計算匹配度的具體步驟包括：
5.根據權利要求4所述的基于深度學習的重癥風險護理評估預警方法，其特征在于，所述將相鄰的兩個峰值數據代入預設峰值變化率計...
【專利技術屬性】
技術研發人員：嚴麗華，賁麗云，朱玉玲，王飛，徐澄，黃曉亮，
申請(專利權)人：南通市第一人民醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。