【技術實現步驟摘要】
本專利技術涉及醫用監護，更具體地說，本專利技術涉及基于智能手環的醫用智能監護系統及方法。
技術介紹
1、隨著智能可穿戴設備的普及，它們逐漸應用于教育、航空和醫療等領域，在醫療領域，可穿戴設備不僅可供醫院患者使用，也適用于居家健康人群和慢性疾病患者，使用這些設備能節省去醫院的費用和時間成本，最常見的設備是醫用智能手環，它可以實時監測患者的健康狀態，如心率和血氧水平，然而，監測過程中數據可能出現誤差，現有技術中較少能有效校正這些數據，影響檢測精度。
2、例如，公開號為cn104055499a的專利提供了連續監控人體生理體征的可穿戴式智能手環及方法，該專利采用獨特的數據分析方法對采集到的人體生理體征進行分析，能夠獲得全面、準確的人體健康狀況，公開號為cn108742563a的專利提供了一種基于智能手環的健康監控系統，該專利包括存儲模塊、健康評估分析終端、健康評估分析終端將生理參數檢測裝置采集的生理信號和環境參數檢測裝置采集的環境參數進行綜合健康狀況分析。
3、現有技術雖然通過智能手環采集生理數據進行分析，但缺乏對生理數據的優化和校正，由于智能手環在采集過程中易受外部因素干擾，導致生理數據中存在噪聲，并且具體數值不夠精確，從而導致后續分析結果的偏差較大。
4、鑒于此，本專利技術提出基于智能手環的醫用智能監護系統及方法以解決上述問題。
技術實現思路
1、為了克服現有技術的上述缺陷，本專利技術提供基于智能手環的醫用智能監護系統及方法。
2、為實現
3、第一方面，基于智能手環的醫用智能監護方法，包括：
4、在預設時間段內獲取m組初始監測數據，計算m組初始監測數據對應的模糊理想解，計算每組初始監測數據與模糊理想解的偏差距離，根據偏差距離從m組初始監測數據篩選出n組目標監測數據，m>n>1；
5、在預設時間段內獲取外部影響數據，基于外部影響數據計算外部影響度值，基于外部影響度值對n組目標監測數據進行校正，得到n組精確監測數據；
6、基于n組精確監測數據生成隸屬判斷矩陣，將n組精確監測數據和隸屬判斷矩陣輸入到預構建的預測評估模型中，獲得評估結果。
7、進一步地，模糊理想解包括正模糊理想解和負模糊理想解，計算m組初始監測數據對應的模糊理想解的方法包括：
8、遍歷m組初始監測數據，將m組初始監測數據中對應元素指標進行組合，以此構建s個模糊集合，基于預設狀態范圍值確定s個模糊集合中的最優元素指標和最差元素指標，將s個最優元素指標進行組合構建正模糊理想解，將s個最差元素指標進行組合構建負模糊理想解，初始監測數據包括s個元素指標。
9、進一步地，偏差距離包括正偏差距離和負偏差距離，計算每組初始監測數據與模糊理想解的正偏差距離的方法包括：
10、
11、式中，為i組初始監測數據與模糊理想解的正偏差距離，xij為i組初始監測數據中的第j個元素指標，為正模糊理想解中對應的最優元素指標。
12、進一步地，計算每組初始監測數據與模糊理想解的負偏差距離的方法包括：
13、
14、式中，為i組初始監測數據與模糊理想解的負偏差距離，為負模糊理想解中對應的最差元素指標。
15、進一步地，根據偏差距離從m組初始監測數據篩選出n組目標監測數據的方法包括：
16、根據偏差距離計算每組初始監測數據對應的實時貼合度值，計算實時貼合度值與標準貼合度值之間的差值絕對值，將差值絕對值大于預設差值閾值的初始監測數據進行剔除，以此篩選出n組目標監測數據。
17、進一步地，計算實時貼合度值的方法包括：
18、
19、式中，ci為第i組初始監測數據對應的實時貼合度值。
20、進一步地，基于外部影響度值對n組目標監測數據進行校正的方法包括：
21、將外部影響度值以及n組目標監測數據輸入到預構建的監測校正模型中，獲得n組精確監測數據；
22、監測校正模型的構建方法包括：
23、獲取樣本數據集，所述樣本數據集中包括歷史外部影響度值、歷史目標監測數據和歷史精確監測數據；
24、將樣本數據集劃分為樣本訓練集和樣本測試集，構建回歸網絡；
25、以樣本訓練集中的歷史外部影響度值以及歷史目標監測數據作為回歸網絡的輸入數據，以樣本訓練集中的歷史精確監測數據作為回歸網絡的輸出數據，對回歸網絡進行訓練，得到用于預測精確監測數據的初始回歸網絡；
26、利用樣本測試集對初始回歸網絡進行測試，輸出小于預設誤差值的初始回歸網絡作為監測校正模型。
27、進一步地，基于n組精確監測數據生成隸屬判斷矩陣的方法包括：
28、遍歷n組精確監測數據，將每組精確監測數據中的每個元素指標進行歸一化處理，基于預設狀態范圍值以及歸一化后的元素指標確定相應的隸屬度，基于n組精確監測數據所對應的隸屬度構建隸屬判斷矩陣。
29、第二方面，基于智能手環的醫用智能監護系統，其用于實現上述的基于智能手環的醫用智能監護方法，包括：
30、過濾模塊：用于在預設時間段內獲取m組初始監測數據，計算m組初始監測數據對應的模糊理想解，計算每組監測數據與模糊理想解的偏差距離，根據偏差距離從m組初始監測數據篩選出n組目標監測數據，m>n>1；
31、校正模塊：用于在預設時間段內獲取外部影響數據，基于外部影響數據計算外部影響度值，基于外部影響度值對n組目標監測數據進行校正，得到n組精確監測數據；
32、評估模塊：基于n組精確監測數據生成隸屬判斷矩陣，將n組精確監測數據和隸屬判斷矩陣輸入到預構建的預測評估模型中，獲得評估結果。
33、第三方面，一種電子設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現上述的基于智能手環的醫用智能監護方法。
34、相比于現有技術，本專利技術的有益效果為：
35、本專利技術先是計算m組初始監測數據對應的模糊理想解，計算每組監測數據與模糊理想解的偏差距離，根據偏差距離從m組初始監測數據篩選出n組目標監測數據，基于外部影響數據計算外部影響度值，基于外部影響度值對n組目標監測數據進行校正，得到n組精確監測數據，最后基于n組精確監測數據生成隸屬判斷矩陣，將n組精確監測數據和隸屬判斷矩陣輸入到預構建的預測評估模型中，獲得評估結果，本專利技術通過上述多層次的數據處理和優化方法，能夠有效過濾掉不準確的初始監測數據，并結合外部影響因素進行智能校正，顯著提升了智能手環數據采集的精度，減少了噪聲干擾對后續評估結果的影響，從而提供更準確、可靠的健康評估。
本文檔來自技高網...【技術保護點】
1.基于智能手環的醫用智能監護方法，其特征在于，包括：
2.根據權利要求1所述的基于智能手環的醫用智能監護方法，其特征在于，所述模糊理想解包括正模糊理想解和負模糊理想解，計算M組初始監測數據對應的模糊理想解的方法包括：
3.根據權利要求2所述的基于智能手環的醫用智能監護方法，其特征在于，所述偏差距離包括正偏差距離和負偏差距離，計算每組初始監測數據與模糊理想解的正偏差距離的方法包括：
4.根據權利要求3所述的基于智能手環的醫用智能監護方法，其特征在于，計算每組初始監測數據與模糊理想解的負偏差距離的方法包括：
5.根據權利要求4所述的基于智能手環的醫用智能監護方法，其特征在于，所述根據偏差距離從M組初始監測數據篩選出N組目標監測數據的方法包括：
6.根據權利要求5所述的基于智能手環的醫用智能監護方法，其特征在于，所述計算實時貼合度值的方法包括：
7.根據權利要求5所述的基于智能手環的醫用智能監護方法，其特征在于，所述基于外部影響度值對N組目標監測數據進行校正的方法包括：
8.根據權利要求7所述的基于智
9.基于智能手環的醫用智能監護系統，其用于實現權利要求1-8中任一項所述的基于智能手環的醫用智能監護方法，其特征在于，包括：
10.一種電子設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，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8任一項所述的基于智能手環的醫用智能監護方法。
...【技術特征摘要】
1.基于智能手環的醫用智能監護方法，其特征在于，包括：
2.根據權利要求1所述的基于智能手環的醫用智能監護方法，其特征在于，所述模糊理想解包括正模糊理想解和負模糊理想解，計算m組初始監測數據對應的模糊理想解的方法包括：
3.根據權利要求2所述的基于智能手環的醫用智能監護方法，其特征在于，所述偏差距離包括正偏差距離和負偏差距離，計算每組初始監測數據與模糊理想解的正偏差距離的方法包括：
4.根據權利要求3所述的基于智能手環的醫用智能監護方法，其特征在于，計算每組初始監測數據與模糊理想解的負偏差距離的方法包括：
5.根據權利要求4所述的基于智能手環的醫用智能監護方法，其特征在于，所述根據偏差距離從m組初始監測數據篩選出n組目標監測數據的方法包括：
6.根據...
【專利技術屬性】
技術研發人員：張永發，劉凱，
申請(專利權)人：江蘇永發醫用設備科技股份有限公司，
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。