对人体状态进行连续实时监测的系统和方法与流程

本发明总体上涉及智能医疗辅助监测技术领域，更具体地，涉及一种基于机器学习通过声音识别对人体状态进行连续实时智能监测的系统和方法。

背景技术：

目前在医疗领域，对于人体进行生命体征的监测有体温、脉搏、血压、血氧饱和度、胸腹呼吸音以及肠鸣音等主要指标，其中对于体温、脉搏、血压、血氧饱和度等指标都已经有了成熟的数字化装备，并且可实施持续的长期监测。但对于呼吸音以及肠鸣音等声音信号指标，仍然主要依赖于医生通过耳或听诊器来进行探听来诊断，还没有一种数字化的持续监测手段。

对于呼吸异常，其反映在多种病症中，病变轻者多咳嗽、胸痛，重者则呼吸困难、缺氧，甚至呼吸衰竭而致死，例如睡眠呼吸暂停综合症(osahs)、上呼吸道阻塞(uao)等。其中，睡眠表现有夜间睡眠打鼾伴呼吸暂停和白天嗜睡，是一种有潜在致死性的睡眠呼吸疾病，需要进行长时间的监护管理。uao在重症医学科、儿科、老年科、耳鼻喉科等专科领域中的危害尤为突出，预防uao也是手术期患者管理的重要内容。对于肠鸣音而言，其已经成为诊断腹部疾病的重要指标，对于急性胃肠炎、胃肠道出血、机械性肠梗阻等肠道疾病，肠鸣音具有不同的特征；另外，对于经历腹腔手术的患者而言，肠鸣音则反映了肠道活动是否恢复从而可相应制定患者的饮食计划。

对于上述病症而言，如果出现发病先兆，必须要进行及时的干预，防止相应病情发生或病情恶化，例如对uao事件而言，对其预测应该在血氧饱和度下降之前完成，否则可能发生严重不可逆损伤，甚至威胁患者生命。但目前对于发现uao等呼吸系统疾病主要依靠医护人员的密切临床观察，对医护人员数量和人员经验要求较高，目前还没有一个有效的连续实时监测预警手段。对于肠鸣音，其随机性较强，且混有身体内部心肺音、脉搏等的干扰，目前仅能依赖于医生的听诊和主观经验，也缺乏有效的能进行连续实时的监测手段。

因此，需要一种能对表现为声音异常的疾病进行预警和连续实时监测的医疗辅助诊断手段，其能够实现对上呼吸道阻塞等危急病情做到早期发现和预警，便于医护人员做出及早干预，也利于医生做出诊断意见和治疗方案。

技术实现要素：

本发明的目的在于提供用于诊断、预防呼吸、肠道系统疾病的医疗辅助手段，其旨在针对医院临床呼吸道、肠道等监护的迫切需求，建立一套符合医护人员使用习惯的可信的辅助智能监测系统，代替医护人员进行监测对象呼吸音、肠鸣音的连续数字采集，智能识别病理性呼吸音、异常肠鸣音，应用于家庭自我监护、重症病房监护以及术后病房监护等。

本发明一方面提供一种基于声音对人体状态进行连续实时监测系统，包括：声音采集模块，其配置为连续采集与人体特定部位产生的声音相关的监测信号；声音存储模块，其配置为将所述监测信号转换为数字声音数据并进行存储；声音分析模块，其配置为对所述数字声音数据进行定时截取形成声音片段，并对所述声音片段进行实时分析以确定所述声音片段含有病理性特征音的概率；以及声音判断模块，其配置为至少基于所述病理性特征音的概率对所述人体状态进行判断。

在一实施例中，所述与人体特定部位产生的声音包括呼吸音和肠鸣音中的一种或几种，所述呼吸音的病理性特征音包括痰鸣音、鼾音、喘鸣音、胸膜摩擦音和哮鸣音中的一种或几种。

在一实施例中，所述声音采集模块包括至少一个声音采集头及与其连接的采集头连接器，所述声音存储模块包括滤波放大电路、模数转换电路以及数据存储单元。

在一实施例中，所述声音采集头采用压电传感器，其可贴附于所述人体特定部位，如胸部或腹部。

在一实施例中，所述人体特定部位产生的声音为呼吸音，所述呼吸音的病理性特征为鼾音、喘鸣音和痰鸣音，且所述声音分析模块还配置为对所述声音片段进行实时分析以确定所述呼吸音的呼吸频率、吸气相占比和呼吸节律。

在一实施例中，所述声音判断模块包括ae判别单元和uao判别单元，其中所述ae判别单元配置为至少基于分析所述呼吸音的单个声音片段确定的所述病理性特征音的概率、所述呼吸音的呼吸频率、吸气相占比和呼吸节律来判断所述单个声音片段是否为不良事件或严重不良事件，所述uao判别单元配置为对所述不良事件或严重不良事件进行累加计算并至少基于所述计算结果来判断所述人体状态是否为潜在上呼吸道阻塞。在这种情况下，该系统可应用于例如重症监护室，其可有效地对上呼吸道阻塞等潜在危急病情进行预警。

在一实施例中，所述系统还包括显示模块，其配置为对以下数据类别中的至少一种进行实时显示：所述病理性呼吸音及其概率；所述呼吸音的呼吸频率、吸气相占比和呼吸节律；所述ae判别单元的结果；所述uao判别单元的结果。

在一实施例中，所述系统还包括预警模块，其配置为在所述uao判别单元判断所述人体状态为潜在上呼吸道阻塞时，发出警报信号。

在一实施例中，所述系统还包括通信模块，其配置为将所述数据类别中的一种或多种以有线或无线方式发送至中央监控模块。

在一实施例中，所述声音分析模块配置有识别模型，所述识别模型基于医生标注数据，经神经网络训练得到。

在一实施例中，所述声音分析模块还包括预处理单元，其配置为对所述声音片段进行短时傅里叶变换，经噪声滤波处理后生成声音信号的波谱图作为所述识别模型的输入数据。

本发明的另一方面提供一种人体状态的实时监测方法，包括如下步骤：1)接收人体特定部位产生的声音数据，所述声音数据由对所述人体特定部位产生的声音进行连续实时采集而得到；2)对所述声音数据进行分析，判断所述声音的特征以及是否含有病理性特征音；以及3)根据所述分析结果，对所述人体状态进行判断。

在一实施例中，所述步骤1)中，所述连续实时采集通过将压电传感器贴附于所述患者的特定部位进行。

在一实施例中，所述步骤1)中，通过所述连续实时采集而得到的声音数据的时长不低于一分钟。优选连续采集并监测的时间大于8小时，更优选大于24小时。

在一实施例中，所述步骤1)中，所述人体特定部位产生的声音为呼吸音和肠鸣音中的一种或几种，优选该声音为呼吸音，相应地，所述步骤2)中，所述呼吸音的病理性特征为鼾音、喘鸣音和痰鸣音，所述步骤3)中，判断所述呼吸音是否提示潜在呼吸道阻塞。

在一实施例中，所述步骤2)包括如下步骤：2-1)定时截取所述声音数据形成声音片段，所述截取的步长为0.1-1秒，所述声音片段的长度为2-15秒；2-2)对截取的单个声音片段进行分析，获得呼吸频率、吸气相占比和呼吸节律特征；以及2-3)对所述单个声音片段进行短时傅里叶变化，并经噪声滤波处理后生成声音信号的波谱图，将其作为预先训练完成的神经网络模型的输入数据，获得病理性呼吸音的类型及概率数据。

在一实施例中，所述步骤3)包括如下步骤：3-1)针对所述单个声音片段，基于所述呼吸频率、吸气相占比和呼吸节律，以及所述病理性呼吸音的类型及概率数据，根据预先设定的标准判断所述单个声音片段是否为不良事件或严重不良事件；以及3-2)针对当前获得的所有声音片段，基于对所述所有声音片段的分析结果，根据预先设定的标准判断所述患者是否发生潜在上呼吸道阻塞。

在一实施例中，所述监测方法还包括：4)响应于所述判断提示潜在呼吸道阻塞，生成警报信号并进行发射。

本发明的另一方面提供一种计算机程序产品，其包括有计算机程序指令，所述计算机程序被处理器运行时使处理器执行时上述方法的步骤。

与现有技术相比，采用根据本申请实施例的智能监测人体状态的系统、方法，通过对采集的声音进行实时的采集、存储和分析，上述过程可同步进行，因此可以连续不间断地对人的身体状态进行监测，而无需专门的医护人员监护；此外，本申请的一些具体实施例通过使用特定的分析方式，可以提高对呼吸音等声音表征的病症的识别率，因此可靠性更高。

本申请的上述和其它特征及优点将从下面对示例性实施例的描述而变得显而易见。本申请的监测系统和方法既可应用于家庭、社区、养老院等的老人看护，例如对睡眠鼾声进行监测以评估老人身体状况，也可应用于重症监护病房，例如对病人的呼吸道进行实时监测分析以判断是否存在呼吸道阻塞的可能；另外，本申请的监测系统还可为医生提供一个研究平台，医生可利用此研究平台建立各种声音与病症之间的对应关系，具有广阔的应用前景。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。

图1示出本发明一实施例的基于声音对人体状态进行连续实时监测系统的功能框图；

图2示出本发明一实施例的监测系统的声音分析模块的功能框图；

图3示出了导致上气道阻塞的原理图；

图4示出了一些不同类型的病理性呼吸音的波形图；

图5示出了本发明一实施例的监测系统的声音判断模块的功能框图；

图6示出了本发明一实施例的监测系统的整体架构框图；

图7示出了本发明一实施例的基于声音对人体状态进行实时监测方法的流程图；

图8示出了本发明一实施例的智能监测设备的结构框图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅是用于解释相关发明，而非对该发明的限定。

图1示出根据本发明一实施例的基于声音对人体状态进行连续实时监测系统100。监测系统包括声音采集模块110，其用于连续采集与人体特定部位产生的声音相关的监测信号；声音存储模块120，其用于将所述监测信号转换为数字声音数据并进行存储；声音分析模块130，其用于为对所述数字声音数据进行定时截取形成声音片段，并对所述声音片段进行实时分析以确定所述声音片段含有病理性特征音的概率；声音判断模块140，其用于至少基于所述病理性特征音的概率对所述人体状态进行判断。

本实施例的监测系统通过对人体发出的声音进行采集、分析，从而判断监测对象的身体状态。该声音例如可包括呼吸音(respiratorysounds)和肠鸣音(bowelsounds)中的一种或两种。其中，呼吸音为人呼吸时气流通过呼吸道和肺泡产生湍流引起的振动通过肺组织及胸壁传至体表的声音，呼吸音蕴含大量有价值的信息，异常呼吸音通常指示人身体发生病变，对于危重患者而言，呼吸音的变化则往往预示着病情演进。在本申请一个实施例中，可以检测呼吸音的病理性特征音可包括痰鸣音、鼾音、喘鸣音、胸膜摩擦音和哮鸣音中的一种或几种。肠鸣音为肠管蠕动时肠腔内气体和液体随之流动而产生的声音，它反映了人体肠道的运动状态，肠鸣音的次数、声音频率及响度、音调的变化也常常指示可能患有肠道系统疾病，例如当人体患有肠梗阻等肠道疾病时，常常表现为次数增多、响度增大、音调升高，典型的病理性特征音包括金属音或高调音等异常音。

声音采集模块110包括至少一个声音采集头及与其连接的采集头连接器，虽然本发明并不限制声音采集头的类型，但优选采用压电传感器，其采用膜片状，将呼吸音产生的振动信号转化为电信号。传感器可贴附于所述人体特定部位，对于呼吸音，例如可将传感器贴附于人体的胸部，对于肠鸣音，可将传感器贴附于人体的腹部。当需要对病人同时监测呼吸道和肠道时，则设置两个采集头分别贴附于胸部和腹部，采集头可通过医用胶条粘附于人体特定部位。

所述声音采集头优选采用可替换的分体结构，即在使用一次后可抛弃以避免交叉感染。采集头通过采集头连接器将电信号传送至声音存储模块的传感器接口。作为优选的替代方式，所述采集头连接器也采用分体结构，其包括且可分离的且相互电耦接的第一连接器和第二连接器，其中声音采集头电连接到第一连接器，第二连接器电连接到所述声音存储模块，使用中声音采集头和第一连接器可一体式生产而作为医用一次性消耗品使用，第二连接器并不与病人身体接触，如此可进一步避免不同病人之间的交叉感染同时尽可能节省了装置成本。

声音存储模块120包括滤波放大电路、模数转换电路以及数据存储单元。从传感器处接收的电信号经滤波去除背景噪声等干扰后，再经放大器、模数转换器采样数字化形成数字音频数据。作为一个示例，数据存储单元可采用随机存取存储器(ram)，其可随时对声音数据进行存储和供声音分析模块进行读写操作。

声音分析模块130与声音存储模块120连接，用于对声音数据进行连续实时分析。在一示例中，如图2所示，其包括声音截取单元131和第一分析单元132，其中截取单元131用于从所述声音数据中按照预定步长定时截取预定时长的流数据形成声音片段，截取的步长可小于声音片段的时长。在一具体示例中，截取的步长为0.1-1秒，形成的声音片段的长度为2-15秒。以步长0.5秒、声音片段时长为10秒为例，本发明的分析模块130可在接收到声音数据10秒后即开始对患者进行状态监视，且每分钟将对形成的120段声音数据进行分析。也就是说，本发明在对声音进行采集的同时将按照预定步长截取预定时长的声音片段进行实时分析，相比于现有技术采集过程和分析过程分离的方案，本发明的方案能够应用于icu或手术室中对高危风险的重症病人进行监护，实时性更强。

第一分析单元132用于对截取的声音片段进行实时分析以确定是否含有病理性特征音及其概率数据。针对呼吸音，第一分析单元可用于分析声音片段是否含有痰鸣音、鼾音、喘鸣音、胸膜摩擦音和哮鸣音及各种异常音的概率数据；针对肠鸣音，第一分析单元可用于分析声音片段是否含有金属音或高调音及其概率数据。优选地，声音分析模块130还包括第二分析单元133，其可例如用于分析肠鸣音的次数、响度等数据。第一分析单元132、第二分析单元133的功能实现将在下面进行具体描述。

根据本发明的具体实施例，所述声音分析模块130可采用计算机系统作为计算单元而操作，分析模块130采用中央处理单元(cpu)等通用处理器，也可以是专门设计的处理器或控制器，例如用于处理音频信号的音频协处理器等，其与声音存储模块120、存储器单元通过接口连接，存储器单元可以是包括一个或多个计算机程序产品的组合，例如随机存取存储器(ram)、高速缓冲存储器(cache)等易失性存储器，只读存储器(rom)、硬盘、usb存储器等非易失性存储器。在上述存储器上可以存储一个或多个计算机指令，所述指令构成软件产品，在运行时，中央处理单元可以运行所述计算机指令以实现呼吸音、肠鸣音的识别判定、数据存储等功能。除了存储计算机程序之外，存储器单元还可以存储病人的相关信息数据，并通过接口连接至系统的显示模块、打印模块和通信模块，例如将分析数据形成可视智能分析报告并进行打印，以及将数据发送至远程的监控模块。

声音判断模块140接收声音分析模块130的分析结果，基于预设定的判别方法对人体状态进行判断。例如，可基于病理性特征音的概率数据与设定的阈值进行比较，当概率数据超过阈值时则表示该声音片段含有相应标签的病理性特征音，并可进行告警提示。此外，在对若干连续的声音片段进行分析后，则可以获知一定时间段内的病理性特征音的统计数据，并可基于统计数据形成分析报告供医生查阅以利于了解患者身体状态。

与分析模块130类似，判断模块140可以用具有数据运算和处理能力的单片机、处理器等实现对分析结果的计算处理和监测，在一些示例中，分析模块130和判断模块140可以基于同一处理器而实现，其还可通过接口连接至系统的预警模块，当根据指标判别提示患者具有潜在病症并须及时处理时，判断模块140可生成警报信号。通过监测和报警功能，可减轻患者和医疗工作人员的工作负担，极大地降低了医疗风险，可产生良好的经济效益。

在介绍了本申请的监测系统的组成及原理之后，下面将通过对上呼吸道阻塞的监测为例来具体介绍本申请的优选实施例。可以理解，本发明的监测系统也可应用于肠道监测等其它应用中。

如图3所示，造成上气道阻塞(uao)的病因有很多种，例如气道异物、器官软化、炎症等，产生的病理生理变化主要为机械性阻塞、痉挛和分泌物增多，uao经常导致窒息的危险。尤其在危重患者的急救和治疗过程中，应时刻保持呼吸道通畅，有效清理呼吸道分泌物、解除气道痉挛，避免威胁生命的不良事件发生。理想的对uao事件预测应该在血氧饱和度下降之前完成，否则可能发生错失最佳抢救时间窗口而危及患者生命。而目前还没有一个有效的能uao进行连续监测的预警手段。发明人经研究发现，上述生理变化将使得患者的呼吸音表现为特定类型的异常音，例如机械性阻塞、痉挛致使的uao经常伴随着鼾声、喘鸣音，而分泌物增多则容易导致痰鸣音。本发明的系统通过对这种呼吸音的变化进行连续分析，通过对特征性指标的自动识别，建立特征性指标与uao事件发生之间的对应关系，实现对呼吸音的连续监测，进行可实现通过呼吸音对uao事件的预判。

相应地，在本申请的一实施例中，通过声音采集模块110采集人体特定部位的呼吸音，第一分析单元132配置为对截取的声音片段进行检测以确定声音片段中是否含有鼾音、喘鸣音和痰鸣音以及相应的概率数据。

为了实现对声音片段是否含有病理性呼吸音的智能识别，需要对不同类型的病理性呼吸音进行识别判断。图4显示了一些不同类型的病理性呼吸音的波形图，图4a-图4e分别示出了粗湿罗音、细湿罗音、喘鸣音、胸摩擦音、哮鸣音的波形图，可以看出不同种类的病理性异常呼吸音具有不同类型的波形图，由此通过波形分析可实现呼吸音的识别。但由于实际采集得到的声音除了呼吸音之外，还混有心肺音等其它杂音信号，因此采用波形分析的方式可能存在误差甚至造成误判。

为此，在一实施例中，本申请的第一分析单元132可基于机器学习的方式实现，其配置有识别模型，所述识别模型基于医生标注数据，经神经网络训练得到。训练好的神经网络包括输入层、卷积层、子采样层、全连接层、输出层(分类器)，卷积层和子采样层可以分别具有若干个。

在训练阶段，可以将确诊具有特定呼吸音的呼吸疾病患者的病理性呼吸音进行收集并对其标注而形成数据样本集，为了适应将声音信号作为模型的输入数据，在对声音进行短时傅里叶变换(stft)后生成声音信号的波谱图(spectrogram)，再利用其对卷积神经网络(例如，alexnet)进行训练而得到目标识别模型。波谱图的横轴为时间，纵轴为频率，通过颜色或颜色强度显示不同频率的信号强度，因此在不需对心肺音等信号进行分离的情况下也能实现较高的识别准确度。

相应地，第一分析单元132包括预处理单元，其可对声音片段进行短时傅里叶变换，经噪声滤波处理后经波谱图生成单元生成声音信号的波谱图作为训练获得的特征音识别单元(内置识别模型)的输入数据，识别模型识别出预定类型(鼾声、喘鸣音、痰鸣音)的概率，如果一种类型的数据大于一阈值，则可认为该声音片段包括该种类型的病理性声音，如果每种类型的数据均小于阈值，则认为该声音片段不含有病理性声音。

通过对声音片段是否含有病理性呼吸音的连续实时监测，可实现在呼吸道阻塞的初期阶段进行预判预警，从而为患者争取宝贵的抢救时间。

为了提高监测系统的针对性，如图2所示，声音分析模块130还包括第二分析单元133，其可用于对截取的声音片段进行实时分析以确定呼吸音的呼吸频率、吸气相占比和呼吸节律。对于uao而言，其初期主要体现为吸气相延长和出现病理性呼吸音，加重后患者的呼吸频率和呼吸节律将发生改变，如果不施以抢救，患者将出现血氧饱和度下降甚至窒息的可能。因此，通过引入第二分析单元可使得系统的监测精确度更高。

参考图2，声音截取单元131的时域声音数据同时输送至第一分析单元132和第二分析单元133，第二分析单元可通过波形时域分析即可获得该段数据的呼吸频率、吸气相占比、呼气相占比、呼吸节律、可表征呼吸气量的声能等数据。在此基础上还可分析获得患者的平均呼吸频率、最慢呼吸频率、最快呼吸频率、呼吸暂停次数等数据。

如图5所示，在一具体实施例中，声音判断模块140可包括ae判别单元141和uao判别单元142，其中ae判别单元141可基于分析呼吸音的单个声音片段而确定的病理性特征音的概率、呼吸音的呼吸频率、吸气相占比和呼吸节律等数据利用预定的特征指标识别方法判断所述单个声音片段是否为不良事件(adverseevent)或严重不良事件(seriousadverseevent)。uao判别单元142可配置为对所述不良事件或严重不良事件进行累加计算从而判断人体状态是否为潜在上呼吸道阻塞。

在一具体示例中，ae判别单元141的特征指标识别模型可配置为基于评分的方式进行，例如对呼吸频率、病理性呼吸音的类型及概率、吸气相占比、呼吸节律分别分配一权重(各权重之和例如为10)，其中呼吸频率、呼吸节律的权重可大于吸气相占比、病理性呼吸音的权重。如果呼吸频率、吸气相占比、呼吸节律(呼吸均匀度)大于各自的设定阈值后，该各项监测的结果对应一得分(例如均为1)；如果病理呼吸音的检测概率大于设定阈值后，对应于鼾声、喘鸣音、痰鸣音的监测结果也对应一得分(例如均为0.9)，然后将每项监测的得分乘以其对应的权重并计算各个乘积的总和。如果该总和超过第一设定值，则将该声音片段标记为一次不良事件，如果该总和超过第二设定值，则将该声音片段标记为一次严重不良事件。

uao判别单元142的识别模型可配置于基于对不良事件或严重不良事件统计的方式进行，例如，可每隔一段时间(例如一分钟)即对该时间段内获得的不良事件和严重不良事件进行累加计算，如果统计数据大于第三设定值，则标记为一次疑似uao事件，如果统计数据大于第四设定值，则标记为一次uao事件。同时，考虑到呼吸道阻塞的突发性，uao判别单元142还可配置为基于前述统计结果和该时间段内的最高呼吸频率共同进行判断，在一种方式下，如果统计数据大于第四设定值或最高呼吸频率大于第五设定值，则标记为一次uao事件。

在一实施例中，如图1、5所示，监测系统100还可包括显示模块160，其可与声音分析模块130和声音判断模块140的处理器连接，并配置为对以下数据类别中的至少一种进行实时显示：病理性呼吸音及其概率；呼吸音的呼吸频率、吸气相占比和呼吸节律；ae判别单元141的结果；uao判别单元142的结果。在一些示例中，显示模块160显示的内容可根据具体的需要而进行调整，例如可以显示对当前声音片段的分析的判别结果，也可以显示一段时间内上述数据类别的统计数据，如此可显示患者病情的动态过程。显示模块的个数也可以根据需要而调整，可设置一个显示单元，也可设置多个显示单元，例如分别设置在病床旁和护士站。显示单元可以采用液晶显示屏等形式的显示单元，并且可以是一体式的，也可是分体式的。在一实施例中，显示单元还可以是手持式pda等操作设备，监测数据无线传输至该设备以供医务人员随时查看。

如图5所示，在一示例中，监测系统100还可包括预警模块160，预警模块160可在uao判别单元142判断患者为潜在上呼吸道阻塞(uao或疑似uao)时发出警报信号。如上描述，借助于专业知识库可以对uao事件或疑似uao事件的判断条件进行调整，从而相应调整警报的发生阈值。警报信号可以是诸如声光之类的警报信号，从而引起患者及其家属或者医护人员的注意，提醒关注患者的呼吸道情况，从而减轻了医护人员的工作负担。通过本发明的监测装置可及时发现患者的呼吸异常情况，避免了由于监控过程中医护人员的缺乏或疏忽等原因而造成的医疗风险。

虽然未示出，如前描述，监测系统100还可包括通信模块，其可将病理性呼吸音及其概率、呼吸音的呼吸频率、吸气相占比和呼吸节律、ae判别单元141的结果、uao判别单元142的结果等数据以有线或无线方式发送至中央监控模块。中央监控模块可作为护士站的监控中心、或者医院的监控管理中心的监控功能的一部分，用于实时监控多个监测系统的监测数据，各监测系统的数据处理器可将呼吸相关数据与对应患者的标识信息(姓名、床号等)相关联，并通过通信模块将相应数据以有线或无线方式发送至中央监控模块。

中央监控模块作为一个处理系统，其可包括：数据接收单元，用于接收多个监测系统发送的监测数据，存储单元，用于记录存储所述监测数据，以及第二显示单元，用于同时显示多个监测系统的监测数据，例如可显示患者标识信息、呼吸数据等内容，并通过图像显示病理性呼吸音类型、呼吸频率随时间变化的曲线图等数据。基于上述功能，中央监控模块可集中监控医院病房的某一层或全部床位上的患者的相关呼吸数据，方便统一调度管理。

为了进一步阐述本申请的监测系统的工作原理和具体功能，作为优选实施例，图6显示了本申请的人体状态实时监测系统的整体架构框图。如图6所示，监测系统可包括声音采集模块、声音存储模块、声音分析模块、声音判断模块和事件预警模块。

声音采集模块利用可抛弃型声音采集头对患者的特定身体部位进行呼吸音的连续采集，采集的声音信号经采集头连接器输送至声音存储模块；声音存储模块对声音信号进行数字化存储，实现数据可追溯、并可对患者进行远程诊断。

在对声音进行存储的同时，声音分析模块对声音数据定时截取声音片段，并通过机器学习技术实现呼吸音的各种物理特征指标的智能识别判断，一方面，通过对声音进行频率处理生成波谱图，并基于病理性呼吸音智能识别模型可对包括鼾声、喘鸣音、痰鸣音等病理性呼吸音进行特征识别，另一方面，通过对声音片段的时域分析可对声音蕴含的呼吸频率、吸气相占比、呼吸节律等数据进行特征分析，上述各识别的数据类别可通过可视化方式进行呈现；声音判断模块基于病理性呼吸音类型判断和呼吸音特征分析结果而对人体状态进行判断，提示是否为潜在上呼吸道阻塞。对于判断结果可形成智能分析报告以供医护人员进行查阅、分析。

在专业知识库的指导下，如果呼吸音分析结果单独或与其他其他监护指标相结合而判断患者为危重情况时，预警模块将进行提前预警。预警信号通过信号网关可利用声光电预警、网络信息预警、电话短信预警等不同的手段生成预警信息并可进行发送。

通过上述描述，针对危重患者病情变化快而有限的护理照护力量难以做到早发现、早处置的情况，本申请的监测系统可以智能实现对患者进行床旁监护、识别、预警系统，并可连续记录危重患者病情的动态演变，有效辅助护理团队进行连续的医学观察。同时通过专业知识库可提供智能诊断及应急处置辅助意见，帮助一线医护人员更加全面、及时地掌握患者病情变化，在不增加医护人员数量的前提下，可实现对气道阻塞的早期发现和早期干预，从而降低医疗风险，预防院内不良事件发生的目标。

下面将参照附图来描述利用这些模块实施的人体状态的实时监测方法。图7示出了本发明一实施例的监测方法的流程图。

如图7所示，监测方法始于步骤s210，接收人体特定部位产生的声音数据。例如需要对危重患者进行呼吸管理监测时，将患者安置于病床上，将压电薄膜传感器贴附于患者的胸部、腹部等特定部位对呼吸音、肠鸣音进行连续声音采集。优选地，可将采集的声音数据进行存储以便于步骤s210的进行，同时利于后续的声音分析和日后的数据调取分析。

在一实施例中，在采集获得的声音数据时长超过30秒后，监测系统即可对所述声音数据进行接收并进行后续分析处理，即本发明的监测方法可以实现数据采集和监测过程的基本同步，并可实现例如24小时的连续长时间监测，从而可应用于对重症监护病房等需要实时监测的场景，相应地，所述人体特定部位产生的声音为呼吸音。

进一步，通过所述连续实时采集而得到的声音数据的时长不低于一分钟。为了实现对患者的长期监测，优选的，所述连续采集并监测的时间大于8小时，更优选大于24小时。

在步骤s220中，对所述声音数据进行分析，判断所述声音的特征以及是否含有病理性特征音。以呼吸音为例，该步骤可用于判断呼吸音是否含有鼾音、喘鸣音和痰鸣音等病理性特征。

具体地，可利用前面描述的深度神经网络进行上述判断，同时，为了对上呼吸道阻塞进行精确监测，本发明还可对声音数据的频率、吸气相、节律等数据进行分析以更好地对患者的身体状态进行监测。

在一具体实施例中，步骤s220中可包括如下具体步骤：1)定时截取所述声音数据形成声音片段，截取的步长可小于声音片段的时长，从而实现对患者进行连续不间断地实时监测，在一示例中，所述截取的步长为0.1-1秒，所述声音片段的长度为2-15秒；2)对截取的单个声音片段进行分析，获得呼吸频率、吸气相占比和呼吸节律特征，在一示例中，在此基础上还可分析获得患者一段时间内的平均呼吸频率、最慢呼吸频率、最快呼吸频率、呼吸暂停次数、平均吸气相占比、吸气相占比最大值等数据；3)对所述单个声音片段进行短时傅里叶变化，并经噪声滤波处理后生成声音信号的波谱图，将其作为预先训练完成的神经网络模型的输入数据，获得病理性呼吸音的类型及概率数据。上述步骤2和3可分别利用图2的第一分析单元132、第二分析单元133实现，在此不再赘述。

在分析获得声音数据蕴含的信息后，步骤s230中，可基于预先设定的标准对人体状态进行判断，例如可用于判断呼吸音是否提示潜在呼吸道阻塞。

针对重症监护病房的呼吸道管理监控的应用，在一具体示例中，所述步骤s230可具体包括如下步骤：1)针对所述单个声音片段，基于所述呼吸频率、吸气相占比和呼吸节律，以及所述病理性呼吸音的类型及概率数据，根据预先设定的标准判断所述单个声音片段是否为不良事件或严重不良事件；2)针对当前获得的所有声音片段，基于对所述所有声音片段的分析结果，根据预先设定的标准判断所述患者是否发生潜在上呼吸道阻塞。

在一实施例中，可基于对上述各项指标进行打分的方式进行不良事件/严重不良事件、潜在上呼吸道阻塞的判断，对于每项指标分配一定的分值和权重，累加计算分值和对应权重的乘积之和，如果累加结果超过一阈值则判定为事件触发。具体方法可参照前面描述的过程，此处不再赘述。同时，上述判断标准中的分值、权重可基于专业知识库、或专业医护人员设定，并可根据患者的身体状况而做调整，从而使得监测系统和方法具有更大的灵活性和适用性。

如图7所示，在一实施例中，响应于所述判断提示潜在呼吸道阻塞，所述监测方法还包括步骤s240：生成警报信号并进行发射。由此，可提醒患者家属或者医护人员对病人进行进一步确认检查或者进行抢救。

进一步，为了辅助医生对病人身体状态的监测，本发明的方法还可在对患者监测一段时间后(例如，一个夜晚)自动将监测结果形成分析报告，分析报告可包括监测获得病理性呼吸音的类型及其次数、呼吸频率数据、吸气相占比数据、分析获得的疑似uao事件/uao事件次数等数据，以供医生对病人的身体状况进行评价。以下为一份智能呼吸音监护自动分析报告的部分内容示例：

1.监测上呼吸道呼吸音23小时43分钟。平均呼吸频率25bpm，最慢呼吸频率16bpm，发生于2019-2-2016:14，最快呼吸频率40bpm，发生于2019-2-2012:37。共发生呼吸暂停30次，未见大于10秒的暂停。

2.ti/ttot(吸气时间占整个呼吸周期的百分比)最大值为0.45，发生在2019-2-2002:31。

3.发现鼾声251次，发现喘鸣音400次，未发现痰鸣音。

4.判读疑似uao事件20次，uao事件5次。

以上以呼吸道监测方法为例对本发明的监护方法进行了描述，但应该理解，上述本发明的监测方法同样可应用于人体睡眠、肠道监测等其它领域，相关监测方法应包括在本申请的保护范围中。

图8示出根据本发明一示例性实施例的智能监测设备的结果框图。如图8所示，监测设备包括处理器(主机)及与其连接的声音采集头、预警设备、存储设备、网络设备、显示设备等，它们可通过数据线或总线系统彼此连接。

处理器可以是通用处理器，例如中央处理单元cpu，也可以是数字信号处理器等专门设计的处理器或控制器，其可以运行计算机程序指令以执行前面描述的方法200以及其他操作。计算机程序指令可存储在存储器中。存储器可以是任何类型的非易失性存储器，诸如磁盘、闪存等。除了存储计算机程序之外，存储器还可以存储执行前述方法采集获得的患者声音数据和/或监测分析获得的数据等。

除了上述系统和方法以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书描述的根据本申请各种实施例的对人体状态进行实时监测方法中的各个步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、javascript、c#、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。程序运行平台可以包括windows、linux、安卓、ios、svmbian等。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书描述的根据本申请各种实施例的对人体状态进行实时监测方法中的各个步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、存储卡、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中使用诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的系统和方法中，各模块或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。虽然上面按照一定的顺序描述了方法中的各个步骤，但是应理解，这些步骤也可以按照不同的顺序进行，或者多个步骤可以同时进行。或者在一些实施例中，某些步骤可以一直持续地进行。本发明的方法涵盖所有这些不同的执行顺序。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。任何熟悉本技术领域的技术人员在不脱离本发明的范围和思想的情况下，可以进行形式和细节上的各种变化和修改。即本发明的范围由所附权利要求及其等价物定义。