本公开涉及癫痫发作监测技术领域,特别涉及一种基于分布式压力传感器的远程癫痫发作智能监测系统。
背景技术:
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
癫痫发作智能监测是临床医学中癫痫诊断的关键技术,其结果直接影响癫痫患者的及时诊断和后续治疗。
本公开发明人发现,目前临床医疗中对癫痫的监测依赖于医务人员对脑电图(electroencephalography,eeg)的肉眼观察和主观决策,这将带来以下方面的局限:(1)长时间脑电信号的监测数据记录庞大,医务工作者通过人工查找脑电信号的异常变化需要肉眼遍历全部脑电图记录,这将需要医务人员花费大量时间和精力去完成,必然造成极大的检测延迟,这无法满足脑电信号变化实时检测的临床需求;(2)不同医务人员的经验决策存在一定的主观差异性,缺乏客观统一的决策标准,这将造成检测结果存在差异;(3)用于诊断的eeg信号具有高维、低信噪比的特性,并且脑电信号是不具备各态历经性的非平稳随机信号,这些对信号处理、建模、分析和病情诊断方面带来巨大的困难。
技术实现要素:
为了解决现有技术的不足,本公开提供了一种基于分布式压力传感器的远程癫痫发作智能监测系统,以压力信号替代eeg信号,基于分布式压力传感器、数据驱动模型以及数据库的增查操作实现远程癫痫发作智能监测,对潜在的异常进行警报,在提高医护人员工作效率的同时尽可能避免误诊或漏检。
为了实现上述目的,本公开采用如下技术方案:
一种基于分布式压力传感器的远程癫痫发作智能监测系统,包括至少一个服务器端和至少一个客户端,所述服务器端包括信号采集装置和第一数据终端,所述信号采集装置包括基底和阵列式的布置在基底上的多个压力传感器,所述压力传感器用于将压力状态数据实时的传递给第一数据终端;
所述客户端中设有与第一数据终端通信连接的第二数据终端,所述第二数据终端实时调取第一数据终端中的压力状态数据,并依据压力传感器在基底上的排列方式构建矩阵,使得传感器位置与矩阵元素形成一一对应关系,以组建的矩阵为基础绘制应力分布图来实时监测病人的姿态以及应力分布状态,实现对癫痫发作的实时远程监测。
作为可能的一些实现方式,所述第一数据终端把采集的压力状态数据序列化为二进制格式并插入关系型数据库中,所述第二数据终端循环读取数据库中最新记录的数据并反序列化为数值类型,并将反序列化后的数据实时的配置到矩阵式的应力分布图上
作为进一步的限定,所述第一数据终端以1/100分辨率的时间为主键,把采集的压力状态数据序列化为二进制格式并插入关系型数据库mysql中。
作为可能的一些实现方式,所述第二数据终端在进行应力图的绘制时,将矩阵每个元素根据其数值的大小分别映射为不同的颜色块,并以0.01s的频率进行刷新。
作为可能的一些实现方式,所述基底为pvc材料的正方形基底,基底上均匀分布n×n个压力传感器,所述压力传感器将压力变换转换为电阻变化,通过电压转换模块转换为电压变化,通过多通道数据采集卡以多线程方式进行电压变化数据的同步采集并实时传输至第一数据终端。
作为可能的一些实现方式,所述第二数据终端对获取的多维信号构建数据描述模型或者预测模型,基于建立的数学模型与当前时刻实际观测的信号进行比较完成异常分数的量化,并采用基于高斯分布的假设检验方法来对当前时刻病人状态做出预判并对异常发出告警信息,根据告警信息与应力分布图分析病人状态。
作为进一步的限定,先采用信息融合的方法从数据层或者特征层对多维数据进行融合后再建立数据描述模型或预测模型。
作为进一步的限定,对于数据描述模型,将实时观测到数据的模型与上一时刻模型之间的距离作为当前时刻的异常分数。
作为进一步的限定,对于数据预测模型,将模型输出的当前时刻预测值与实际观察值的绝对残差作为当前时刻的异常分数。
作为更进一步的限定,采用基于高斯分布的假设检验来判断在当前时刻病人的状态,具体为:
其中,h0表示在此刻病人状态可能存在异常需要发出预警,h1表示此刻病人状态稳定,
作为更进一步的限定,通过减小置信区间范围以减少漏检率;
进一步的,所述n为3。
与现有技术相比,本公开的有益效果是:
1、本公开所述的系统以压力信号替代了eeg信号,避免了对这些高维、低信噪比信号的进行处理、建模和分析时的困难,极大的提高了数据处理速度和监测效果。
2、本公开所述的系统基于分布式压力传感器、数据驱动模型以及数据库的增查操作实现远程癫痫发作智能监测,对潜在的异常进行警报,在提高医护人员工作效率的同时尽可能避免误诊或漏检。
3、本公开所述的系统基于建立的数学模型与当前时刻实际观测的信号进行比较完成异常分数的量化,并采用基于高斯分布的假设检验方法来对当前时刻病人状态做出预判并对异常发出警报,通过结合应力分布图来对病人状态做出最终评估,避免了只能通过医护人员肉眼观察带来的误差,极大的提高了对癫痫病人的发病监测效果。
4、本公开所述的第一数据终端以1/100分辨率的时间为主键,把采集的压力状态数据序列化为二进制格式并插入关系型数据库mysql中,因为分辨率小于视觉暂留时间1/24s,所以可以达到应力分布图的实时更新;同时通过将矩阵每个元素根据其值的大小分别映射至不同颜色上完成应力图的绘制,使得医护人员能够直观的实时查看应力分布情况和变化情况。
附图说明
图1为本公开实施例1提供的基于分布式压力传感器的远程癫痫发作智能监测系统的结构示意图。
图2为本公开实施例1提供的信号采集装置的结构示意图。
图3为本公开实施例1提供的应力分布示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本公开实施例1提供了一种基于分布式压力传感器的远程癫痫发作智能监测系统,包括服务器端和客户端,所述服务器端包括信号采集装置和第一数据终端;
所述信号采集装置为基于分布式薄膜压力传感器的信号采集设备,如图2所示,右侧为以pvc为基底布置的压力传感器,圆形区域内排放传感器,网格区域内进行布线;左侧为单个传感器的信息采集过程,由于作用在传感器上的压力发生变化将导致传感器自身电阻也随之发生变化,随后通过电压转换模块将电阻的变化转化为电压的变化并将其输入到数据采集卡中的某一通道中,最后通过usb数据将采集到的数据传输至病房中的数据终端。
在服务器端(病房)中的第一数据终端中以分辨率为1/100(小于视觉暂留时间1/24秒)的时间为主键,把采集的压力状态数据序列化为二进制格式并通过insert操作插入关系型数据库mysql中,在客户端(监护站)中的第二数据终端通过select操作循环读取数据库中最新记录的数据完成后续的远程分析。
第二数据终端将从数据库中读取的最新数据反序列化为数值类型,并依据传感器在基底上的排列方式重新组建为n×n的矩阵,使得传感器位置与矩阵元素形成一一对应关系。
随后,一方面以组建的矩阵为基础绘制应力分布图来实时监测病人的姿态以及应力分布状态,另一方面可以直接对多维信号构建数据描述或者预测建模,或者采用信息融合的方法首先对多维压力状态数据进行融合后再进行模型建立。
所述第二数据终端基于建立的数学模型与当前时刻实际观测的信号进行比较完成异常分数的量化,并采用基于高斯分布的假设检验方法来对当前时刻病人状态做出预判并对异常发出警报,医护人员可结合应力分布图来对病人状态做出最终评估,具体步骤如下:
(1)应力分布图的实时显示:标定每个传感器与数据采集卡通道的对应关系,将读取到的数据组建为与传感器位置一一对应的矩阵,将矩阵每个元素根据其值的大小分别映射至蓝色、绿色、黄色等不同颜色上完成应力图的绘制,并以0.01s的频率进行刷新,应力分布图如图3所示。
(2)数据建模:可以直接对t时刻采集的多维信号进行数据描述模型gt的构建,或者建立数据预测模型f,即x’t=f(xt-1),其中x为观测值,x’为预测值。
也可以先采用信息融合的方法从数据层或者特征层对多维数据进行融合后再建立数据描述模型或预测模型。
(3)异常分数量化:对于数据描述模型,可以将实时观测到数据的模型gt与上一时刻模型gt-1之间的距离作为t时刻的异常分数st,即st=|gt-gt-1|d,其中|·|d为距离度量指标。
对于数据预测模型可以将模型输出的t时刻预测值与实际观察值的绝对残差作为此刻的异常分数st,即st=|x’t-xt|=|f(xt-1)-xt|;
(4)异常预警:采用基于高斯分布的假设检验来判断在当前时刻病人的状态:
其中h0表示在此刻病人状态可能存在异常需要发出预警,h1表示此刻病人状态稳定,
{s1,s2,…,st-1}的标准差。另外为了尽可能的减少漏检测,可以进一步的缩小置信区间范围n×σ(n>0,此处默认设置n=3)。
基于监测系统提供的可能存在异常的时间点,医护人员可综合应力分布图、临床经验以及专业知识对癫痫病人状态做出最终评估。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。