云服务器、提醒的方法及计算机可读存储介质与流程

文档序号:11199682
云服务器、提醒的方法及计算机可读存储介质与流程

本发明涉及通信技术领域,尤其涉及一种云服务器、提醒的方法及计算机可读存储介质。



背景技术:

目前,对于慢性阻塞性肺疾病COPD一般是在发病后进行就诊,待好转后用户即返回家中进行辅助治疗。由于慢性阻塞性肺疾病具有反复发作的特点,复发的时间不能预先确定,因此如何根据用户的历史就诊情况,在用户可能出现异常时及时提醒用户成为亟待解决的问题。



技术实现要素:

本发明的目的在于提供一种云服务器、提醒的方法及计算机可读存储介质,旨在基于云服务器及大数据处理的神经网络系统技术,根据用户的历史就诊情况,在用户可能出现异常时能够及时提醒用户。

为实现上述目的,本发明提供一种云服务器,其特征在于,所述云服务器包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的处理程序,所述处理程序被所述处理器执行时实现如下步骤:

S1,获取用户在非住院期间的时间数据及在非住院期间呼吸机的治疗数据;

S2,将所述时间数据及所述治疗数据输入至预先建立的神经网络系统,并获取所述神经网络系统输出的异常提醒概率;

S3,若所述异常提醒概率大于等于预设的概率阈值,则向用户呼吸机发送提醒信息。

优选地,所述处理程序被所述处理器执行实现所述步骤S2之前,还包括:

获取神经网络系统的训练集,所述训练集包括第一预设数量的用户的在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及对应的异常提醒概率;

获取神经网络系统的验证集,所述验证集包括第二预设数量的用户的在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及对应的异常提醒概率;

利用训练集中各用户对应的时间数据、治疗数据及异常提醒概率训练该神经网络系统的模型函数;

利用验证集中各用户对应的时间数据、治疗数据及异常提醒概率验证训练后的神经网络系统的模型函数;

若验证通过率大于等于预设阈值,则训练完成,以训练后的神经网络系统作为所述步骤S2中建立的神经网络系统,否则增加所述训练集的用户的数量,以重新进行训练及验证。

优选地,所述治疗数据包括压力数据P、呼吸频率均值B、潮气量均值V、血氧均值S、心率数据H及持续使用天数D,所述模型函数为:异常提醒概率Q=P*W1+B*W2+V*W3+S*W4+H*W5+D*W6,其中,所述W1为压力数据的权值,所述W2为呼吸频率均值的权值,所述W3为潮气量的权值,所述W4为血氧的权值,所述W5为心率的权值,所述W6为持续使用天数的权值。

优选地,所述处理程序被所述处理器执行实现所述步骤S1之后,还包括:

获取用户在住院期间呼吸机的治疗数据,基于用户在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及在住院期间呼吸机的治疗数据生成使用报告,并将所述使用报告反馈给用户呼吸机或预定的用户终端上,以进行显示。

为实现上述目的,本发明还提供一种提醒的方法,所述提醒的方法包括:

S1,获取用户在非住院期间的时间数据及在非住院期间呼吸机的治疗数据;

S2,将所述时间数据及所述治疗数据输入至预先建立的神经网络系统,并获取所述神经网络系统输出的异常提醒概率;

S3,若所述异常提醒概率大于等于预设的概率阈值,则向用户呼吸机发送提醒信息。

优选地,所述步骤S2之前,还包括:

获取神经网络系统的训练集,所述训练集包括第一预设数量的用户的在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及对应的异常提醒概率;

获取神经网络系统的验证集,所述验证集包括第二预设数量的用户的在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及对应的异常提醒概率;

利用训练集中各用户对应的时间数据、治疗数据及异常提醒概率训练该神经网络系统的模型函数;

利用验证集中各用户对应的时间数据、治疗数据及异常提醒概率验证训练后的神经网络系统的模型函数;

若验证通过率大于等于预设阈值,则训练完成,以训练后的神经网络系统作为所述步骤S2中建立的神经网络系统,否则增加所述训练集的用户的数量,以重新进行训练及验证。

优选地,所述治疗数据包括压力数据P、呼吸频率均值B、潮气量均值V、血氧均值S、心率数据H及持续使用天数D,所述模型函数为:异常提醒概率Q=P*W1+B*W2+V*W3+S*W4+H*W5+D*W6,其中,所述W1为压力数据的权值,所述W2为呼吸频率均值的权值,所述W3为潮气量的权值,所述W4为血氧的权值,所述W5为心率的权值,所述W6为持续使用天数的权值。

优选地,所述步骤S1之后,还包括:

获取用户在住院期间呼吸机的治疗数据,基于用户在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及在住院期间呼吸机的治疗数据生成使用报告,并将所述使用报告反馈给用户呼吸机或预定的用户终端上,以进行显示。

本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有处理程序,所述处理程序被处理器执行时实现如上述的提醒的方法的步骤。

本发明的有益效果是:本发明的呼吸机在使用过程中通过网络将时间数据及治疗数据实时传至云服务器,云服务器利用神经网络系统算法对这些数据进行分析,得出对应的异常提醒概率,当异常提醒概率大于等于预设的概率阈值时,发送提醒信息以提醒用户关注近期的病情情况。本发明基于云服务器及大数据处理的神经网络系统技术,根据用户的历史就诊情况,在用户可能出现异常时能够及时提醒用户。

附图说明

图1为本发明各个实施例一可选的应用环境示意图;

图2是图1中云服务器一实施例的硬件架构的示意图;

图3为本发明提醒的方法一实施例的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。

参阅图1,是本发明各个实施例一可选的应用环境示意图。在本实施例中,本发明可应用于包括,但不仅限于,云服务器1、外部网络2、Wifi/3G/4G(3)及用户呼吸机4的应用环境中。

其中,所述云服务器1可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备,该应用服务器2可以是独立的服务器,也可以是多个服务器所组成的服务器集群。优选地,云服务器1通常由呼吸机厂家、大型医院或者政府相关职能部门建立。

所述外部网络2可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,GSM)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。其中,所述云服务器1中通过所述外部网络2及各Wifi/3G/4G(3)与对应的一个或多个用户呼吸机4通信连接。

参阅图2,是图1中云服务器1一可选的硬件架构的示意图,本实施例中,云服务器1可包括,但不仅限于,相互通信连接的存储器11、处理器12、网络接口13。需要指出的是,图2仅示出了具有组件10-13的云服务器1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。

其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器11可以是所述云服务器1的内部存储单元,例如该云服务器1的硬盘或内存。在另一些实施例中,所述存储器11也可以是所述云服务器1的外部存储设备,例如该云服务器1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器11还可以既包括所述云服务器1的内部存储单元也包括其外部存储设备。本实施例中,所述存储器11通常用于存储安装于所述云服务器1的操作系统和各类应用软件,例如所述处理程序的程序代码等。此外,所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述云服务器1的总体操作,例如执行与所述外部网络2进行数据交互或者通信相关的控制和处理等。本实施例中,所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据,例如运行所述处理程序等。

所述网络接口13可包括无线网络接口或有线网络接口,该网络接口13通常用于在所述云服务器1与其他设备之间建立通信连接。本实施例中,所述网络接口13用于通过所述外部网络2与各Wifi/3G/4G(3)连接,以通过Wifi/3G/4G(3)与一个或多个用户呼吸机4连接,以建立数据传输通道和通信连接。

其中,上述处理程序被所述处理器12执行时实现如下步骤:

步骤S1,获取用户在非住院期间的时间数据及在非住院期间呼吸机的治疗数据;

本实施例中,由于用户呼吸机4及云服务器1一般应用在医院的封闭系统中,因此,优选地,用户在非住院期间的时间数据及在非住院期间呼吸机的治疗数据由用户呼吸机4上传至云服务器1中。

其中,选取用户近期非住院时间的时间数据及所选取的非住院时间内的治疗数据,例如,用户在2016/12/1-016/12/10、2017/1/3-2017/1/10、2017/2/5-2017/2/10期间住院(2017/2/10至今未住院),则选取2017/1/10-2017/2/5、2017/2/10至今两段时间的时间数据及治疗数据。

其中,时间数据包括非住院时间的时间起点及非住院时间的时间结束点;治疗数据包括压力数据P、呼吸频率均值B、潮气量均值V、血氧均值S、心率数据H及持续使用天数D。

步骤S2,将所述时间数据及所述治疗数据输入至预先建立的神经网络系统,并获取所述神经网络系统输出的异常提醒概率;

步骤S3,若所述异常提醒概率大于等于预设的概率阈值,则向呼吸机发送提醒信息。

其中,首先采用大量的用户的在非住院期间的时间数据及在非住院期间呼吸机的治疗数据进行预定的神经网络系统的学习,以建立供使用的神经网络系统,优选地,该神经网络系统为BP神经网络系统。

在建立神经网络系统后,对于某一用户,可以将其近期非住院时间的时间数据及所选取的非住院时间内的治疗数据作为该神经网络系统的输入,由该神经网络系统进行计算,并输出对应的异常提醒概率,该异常提醒概率为该用户最近一次出院后至今的异常概率。

优选地,可以在用户近期非住院时间中,以连续三天的时间数据及治疗数据为神经网络的一次输入,若输出的异常提醒概率连续三次均大于等于预设的概率阈值(该预设的概率阈值为先验概率,例如为0.7),则对用户进行提醒,例如云服务器1通过外部网路2向用户呼吸机4发送提醒信息,或者云服务器1通过外部网路2向预定的用户终端(例如手机或平板电脑等)发送提醒信息,以提醒用户关注近期的病情情况。

与现有技术相比,本实施例呼吸机在使用过程中通过网络将时间数据及治疗数据实时传至云服务器,云服务器利用神经网络系统算法对这些数据进行分析,得出对应的异常提醒概率,当异常提醒概率大于等于预设的概率阈值时,发送提醒信息以提醒用户关注近期的病情情况。本实施例基于云服务器及大数据处理的神经网络系统技术,根据用户的历史就诊情况,在用户可能出现异常时能够及时提醒用户。

在一优选的实施例中,在上述图2的实施例的基础上,所述处理程序被所述处理器12执行实现所述步骤S2之前,还包括:

获取神经网络系统的训练集,所述训练集包括第一预设数量的用户的在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及对应的异常提醒概率。其中,第一预设数量例如为7万,每一用户均包括其在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及对应的异常提醒概率。

获取神经网络系统的验证集,所述验证集包括第二预设数量的用户的在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及对应的异常提醒概率。其中,第二预设数量例如为3万,每一用户均包括其在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及对应的异常提醒概率。

利用训练集中各用户对应的时间数据、治疗数据及异常提醒概率训练该神经网络系统的模型函数。

其中,所述模型函数为:异常提醒概率Q=P*W1+B*W2+V*W3+S*W4+H*W5+D*W6,其中,所述W1为压力数据的权值,所述W2为呼吸频率均值的权值,所述W3为潮气量的权值,所述W4为血氧的权值,所述W5为心率的权值,所述W6为持续使用天数的权值。

其中,除持续使用天数D外,剩余的压力数据P、呼吸频率均值B、潮气量均值V、血氧均值S、心率数据H以数组的形式给出,例如以天为单位,用户在一天中的压力数据P、呼吸频率均值B、潮气量均值V、血氧均值S、心率数据H分别为一个数组。

其中,在经过大量数据训练该神经网络系统的模型函数后,最终得出压力数据的权值W1、呼吸频率均值的权值W2、潮气量的权值W3、血氧的权值W4、心率的权值W5及持续使用天数的权值W6的最优值。

利用验证集中各用户对应的时间数据、治疗数据及异常提醒概率验证训练后的神经网络系统的模型函数。

若验证通过率大于等于预设阈值(预设阈值例如为0.98),则训练完成,以训练后的神经网络系统作为所述步骤S2中建立的神经网络系统,否则增加所述训练集的用户的数量,以重新进行训练及验证。

在一优选的实施例中,在上述图2的实施例的基础上,所述处理程序被所述处理器12执行实现所述步骤S1之后,还包括:

获取用户在住院期间呼吸机的治疗数据,基于用户在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及在住院期间呼吸机的治疗数据生成使用报告,并将所述使用报告反馈给用户呼吸机或预定的用户终端上,以进行显示。

本实施例中,云服务器1在接收到用户的时间数据及治疗数据后,可以结合用户在住院期间呼吸机的治疗数据生成对应的使用报告,使用报告的内容包括呼吸机的压力,用户的平均呼吸频率,用户的平均潮气量,用户的平均血氧和心率等信息。进一步地,还可以将压力、平均呼吸频率、平均潮气量、平均血氧和心率生成对应的波形图,例如,以天为横轴,将相邻天的数据连接起来得到波形图,该波形图附在使用报告中。最后将使用报告反馈给用户呼吸机或预定的用户终端上,进行显示,供用户查看或参考。

如图3所示,图3为本发明提醒的方法一实施例的流程示意图,该提醒的方法应用于云服务器中,包括以下步骤:

步骤S1,获取用户在非住院期间的时间数据及在非住院期间呼吸机的治疗数据;

本实施例中,由于用户呼吸机及云服务器一般应用在医院的封闭系统中,因此,优选地,用户在非住院期间的时间数据及在非住院期间呼吸机的治疗数据由用户呼吸机上传至云服务器中。

其中,选取用户近期非住院时间的时间数据及所选取的非住院时间内的治疗数据,例如,用户在2016/12/1-016/12/10、2017/1/3-2017/1/10、2017/2/5-2017/2/10期间住院(2017/2/10至今未住院),则选取2017/1/10-2017/2/5、2017/2/10至今两段时间的时间数据及治疗数据。

其中,时间数据包括非住院时间的时间起点及非住院时间的时间结束点;治疗数据包括压力数据P、呼吸频率均值B、潮气量均值V、血氧均值S、心率数据H及持续使用天数D。

步骤S2,将所述时间数据及所述治疗数据输入至预先建立的神经网络系统,并获取所述神经网络系统输出的异常提醒概率;

步骤S3,若所述异常提醒概率大于等于预设的概率阈值,则向用户呼吸机发送提醒信息。

其中,首先采用大量的用户的在非住院期间的时间数据及在非住院期间呼吸机的治疗数据进行预定的神经网络系统的学习,以建立供使用的神经网络系统,优选地,该神经网络系统为BP神经网络系统。

在建立神经网络系统后,对于某一用户,可以将其近期非住院时间的时间数据及所选取的非住院时间内的治疗数据作为该神经网络系统的输入,由该神经网络系统进行计算,并输出对应的异常提醒概率,该异常提醒概率为该用户最近一次出院后至今的异常概率。

优选地,可以在用户近期非住院时间中,以连续三天的时间数据及治疗数据为神经网络的一次输入,若输出的异常提醒概率连续三次均大于等于预设的概率阈值(该预设的概率阈值为先验概率,例如为0.7),则对用户进行提醒,例如云服务器通过外部网路向用户呼吸机发送提醒信息,或者云服务器通过外部网路向预定的用户终端(例如手机或平板电脑等)发送提醒信息,以提醒用户关注近期的病情情况。

与现有技术相比,本实施例呼吸机在使用过程中通过网络将时间数据及治疗数据实时传至云服务器,云服务器利用神经网络系统算法对这些数据进行分析,得出对应的异常提醒概率,当异常提醒概率大于等于预设的概率阈值时,发送提醒信息以提醒用户关注近期的病情情况。本实施例基于云服务器及大数据处理的神经网络系统技术,根据用户的历史就诊情况,在用户可能出现异常时能够及时提醒用户。

在一优选的实施例中,在上述图3的实施例的基础上,所述步骤S2之前,还包括:

获取神经网络系统的训练集,所述训练集包括第一预设数量的用户的在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及对应的异常提醒概率。其中,第一预设数量例如为7万,每一用户均包括其在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及对应的异常提醒概率。

获取神经网络系统的验证集,所述验证集包括第二预设数量的用户的在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及对应的异常提醒概率。其中,第二预设数量例如为3万,每一用户均包括其在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及对应的异常提醒概率。

利用训练集中各用户对应的时间数据、治疗数据及异常提醒概率训练该神经网络系统的模型函数。

其中,所述模型函数为:异常提醒概率Q=P*W1+B*W2+V*W3+S*W4+H*W5+D*W6,其中,所述W1为压力数据的权值,所述W2为呼吸频率均值的权值,所述W3为潮气量的权值,所述W4为血氧的权值,所述W5为心率的权值,所述W6为持续使用天数的权值。

其中,除持续使用天数D外,剩余的压力数据P、呼吸频率均值B、潮气量均值V、血氧均值S、心率数据H以数组的形式给出,例如以天为单位,用户在一天中的压力数据P、呼吸频率均值B、潮气量均值V、血氧均值S、心率数据H分别为一个数组。

其中,在经过大量数据训练该神经网络系统的模型函数后,最终得出压力数据的权值W1、呼吸频率均值的权值W2、潮气量的权值W3、血氧的权值W4、心率的权值W5及持续使用天数的权值W6的最优值。

利用验证集中各用户对应的时间数据、治疗数据及异常提醒概率验证训练后的神经网络系统的模型函数;

若验证通过率大于等于预设阈值(预设阈值例如为0.98),则训练完成,以训练后的神经网络系统作为所述步骤S2中建立的神经网络系统,否则增加所述训练集的用户的数量,以重新进行训练及验证。

在一优选的实施例中,在上述图3的实施例的基础上,所述步骤S1之后,还包括:

获取用户在住院期间呼吸机的治疗数据,基于用户在非住院期间的时间数据、在非住院期间呼吸机的治疗数据及在住院期间呼吸机的治疗数据生成使用报告,并将所述使用报告反馈给用户呼吸机或预定的用户终端上,以进行显示。

本实施例中,云服务器在接收到用户的时间数据及治疗数据后,可以结合用户在住院期间呼吸机的治疗数据生成对应的使用报告,使用报告的内容包括呼吸机的压力,用户的平均呼吸频率,用户的平均潮气量,用户的平均血氧和心率等信息。进一步地,还可以将压力、平均呼吸频率、平均潮气量、平均血氧和心率生成对应的波形图,例如,以天为横轴,将相邻天的数据连接起来得到波形图,该波形图附在使用报告中。最后将使用报告反馈给用户呼吸机或预定的用户终端上,进行显示,供用户查看或参考。

本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有处理程序,所述处理程序被处理器执行时实现上述的提醒的方法的步骤。

上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。

通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1