一种基于5G的远程评估生命体征方法及系统与流程

本发明涉及远程医疗护理领域，具体地说是一种基于5g的远程评估生命体征方法及系统。

背景技术：

医疗应急救护作为国民经济发展的重要环节，为实现医疗应急救护运行管理和控制现代化，确保伤员得到及时治疗，对防止伤情加重，挽救伤员生命发挥着重要作用。

目前医疗资源一直都处于紧缺状态，尤其是各大医院的急救中心。在病患到达急救中心时能将一切抢救工作准备好是保证抢救成功率的关键。等待在抢救室的抢救医生对病患状况的了解不够深入会导致抢救准备不足，严重浪费医疗资源，造成上述问题的主要原因是缺少了实时可靠的病患身体状况的信息。故如何能够使医护人员并及时获取患者信息，根据患者具体情况提前做好抢救准备，提高抢救成功率并节约医疗资源是目前亟待解决的技术问题。

专利号为cn109473166a的专利文献公开了公开了一种基于多网融合的智能远程医疗护理系统及方法，设置有处理器，所述处理器接收生命体征检测模块、视频监控模块、呼叫模块的信号，处理器连接有网络接入模块；网络接入模块通过网络连接远程控制器。该发明设置有生命体征检测，可以随时对病人的体征进行远程了解，当病人体征不正常后可以随时进行治疗；该发明设置有排泄处理模块，可以对病人的排泄物进行随时处理；该发明设置有远程控制器，可以对护理过程进行远程控制。该技术方案可能会出现信息的延迟，影响患者信息传递的实时性，进而影响医护人员及时获取患者信息，可能会降低抢救的成功率。

技术实现要素：

本发明的技术任务是提供一种基于5g的远程评估生命体征方法及系统，来解决如何能够使医护人员并及时获取患者信息，根据患者具体情况提前做好抢救准备，提高抢救成功率并节约医疗资源的问题。

本发明的技术任务是按以下方式实现的，一种基于5g的远程评估生命体征方法，该方法是利用5g网络将现场采集到的视频、图片及文字信息发送给医院急救中心的医疗服务器，医疗服务器结合ai算法技术分析视频、图片及文字信息后，给病患进行生命体征的等级评估，方便急救中心的医护人员根据患者具体情况提前做好抢救准备；具体如下：

s1、现场的急救医生配戴头戴式设备，头戴式设备包括高清摄像头、语音识别录入模块和红外热像仪；

s2、高清摄像头拍摄视频和图片，并通过5g网络将视频和图片实时传输给急救中的医疗服务器；

s3、医疗服务器结合ai算法从视频和图片中获取心率信号并完成血压测量；

s4、利用高清摄像头拍摄观察病患头部及出血位置，获取瞳孔及角膜信息以及出血情况，并发送到医疗服务器，医疗服务器计算信息变化并给出评估结果；

s5、利用红外热像仪远距离获取病患体温，直接通过5g网络发送给急救中心的医疗服务器；

s6、现场的急救医生将病患的脉搏、呼吸频率、疼痛及清醒程度的信息通过语音识别录入模块进行语音输入，并利用语音识别录入模块将语音转换为文字信息，再将文字信息通过5g网络发送给急救中心的医疗服务器。

作为优选，所述步骤s3中获取心率信号具体如下：

s301-1、医疗服务器结合ai算法从视频和图片中提取人脸颜色变化信息；

s301-2、通过欧拉放大算法(eulerianvideomagnification)放大人脸颜色信号变化，获得rgb三通道的信号；

s301-3、对rgb三通道的信号进行归一化处理，得到色度信号；

s301-4、将色度信号采用傅氏变换(fouriertransform)转换至频域获取心率。

更优地，所述步骤s3中完成血压测量具体如下：

s302-1、医疗服务器结合ai算法从视频和图片中提取不同人体部位肤色图像；

s302-2、经过adaptiveboosting算法进行肤色的分割和提取；

s302-3、通过欧拉放大算法(eulerianvideomagnification)处理图像并从中获取人体双路脉搏信号；

s302-4、基于bp神经网络的双重血压预测的模型完成对血压的检测。

更优地，所述步骤s302-4中基于bp神经网络的双重血压预测的模型完成对血压的检测具体如下：

(1)、人体血压序列单尺度分解：使用db4小波作为血压序列小波分析的基函数，对原始血压序列x(t)进行低频和高频小波分解，由小波变换的mallat算法分解，先通过低通滤波器和高通滤波器对原始信号进行滤波处理，再进行采样，从而得到分解系数，公式如下：

cj＝hcj-1；

dj＝gcj-1；

其中，cj和dj分别表示原始信号在2^-j分辨率下的低频和高频信息；h表示低通滤波器；g表示高通滤波器；j表示分解尺度，j＝1，2，…,j；

(2)、低频与高频分量的重构：基于分解所选用的小波基函数分别对血压序列的低频函数和高频函数进行单支重构，低频和高频分解系数经小波算法重构到原尺度上，得到血压低频分量l(t)和高频分量h(t)；

(3)、神经网络预测：利用bp神经网络模型对l(t)和h(t)分别进行预测，从输入层经隐含层逐层处理，直至输出层输出各层分量和

(4)、预测序列合成：将和序列预测结果叠加得到x(t)的预测值即获得对应于原始血压序列的预测结果，公式如下：

更优地，所述步骤(3)中神经网络预测具体如下：

①、设一个具有单隐含层bp神经网络结构预测模型，预测模型的输入层神经元个数6个，输入神经元个数1，隐含层神经元个数根据如下公式确定：

其中，m表示输入层节点数；n表示输出节点数；a∈[0,10]；

②、通过试凑法，经过多次对比，确定低频分量预测模型的隐含层神经元最佳数目为12，高频分量预测模型的隐含层神经元最佳数目为7，隐含层中神经元采用sigmoid变换函数，输出层神经元采用线性传递函数，网络训练函数选用trainlm，该函数利用levenberg-marquard算法训练前向网络，该算法训练速度比梯度下降法要更快；

③、网络输入为小波分解与重构后的l(t)和h(t)，从输入层经隐含层逐层处理，直至输出层输出各层分量和

一种基于5g的远程评估生命体征系统，该系统包括头戴式设备和医疗服务器，头戴式设备包括高清摄像头、语音识别录入模块和红外热像仪；高清摄像头、语音识别录入模块和红外热像仪分别通过5g网络连接医疗服务器；

其中，高清摄像头用于拍摄视频和图片，并通过5g网络将视频和图片实时传输给急救中的医疗服务器；

语音识别录入模块用于现场的急救医生关于病患的脉搏、呼吸频率、疼痛及清醒程度的语音信息转换为文字信息并通过5g网络发送给急救中心的医疗服务器；

红外热像仪用于远距离获取病患体温，直接通过5g网络发送给急救中心的医疗服务器；

医疗服务器用于将病患的所有生命体征统计并结合ai算法获取心率信号及完成血压测量，评出病危等级，提前做好抢救准备。

作为优选，所述获取心率信号具体如下：

(ⅰ)、医疗服务器结合ai算法从视频和图片中提取人脸颜色变化信息；

(ⅱ)、通过欧拉放大算法(eulerianvideomagnification)放大人脸颜色信号变化，获得rgb三通道的信号；

(ⅲ)、对rgb三通道的信号进行归一化处理，得到色度信号；

(ⅳ)、将色度信号采用傅氏变换(fouriertransform)转换至频域获取心率。

更优地，所述完成血压测量具体如下：

(ⅰ)、医疗服务器结合ai算法从视频和图片中提取不同人体部位肤色图像；

(ⅱ)、经过adaptiveboosting算法进行肤色的分割和提取；

(ⅲ)、通过欧拉放大算法(eulerianvideomagnification)处理图像并从中获取人体双路脉搏信号；

(ⅳ)、基于bp神经网络的双重血压预测的模型完成对血压的检测；具体如下：

人体血压序列单尺度分解：使用db4小波作为血压序列小波分析的基函数，对原始血压序列x(t)进行低频和高频小波分解，由小波变换的mallat算法分解，先通过低通滤波器和高通滤波器对原始信号进行滤波处理，再进行采样，从而得到分解系数，公式如下：

cj＝hcj-1；

dj＝gcj-1；

其中，cj和dj分别表示原始信号在2^-j分辨率下的低频和高频信息；h表示低通滤波器；g表示高通滤波器；j表示分解尺度，j＝1，2，…,j；

低频与高频分量的重构：基于分解所选用的小波基函数分别对血压序列的低频函数和高频函数进行单支重构，低频和高频分解系数经小波算法重构到原尺度上，得到血压低频分量l(t)和高频分量h(t)；

神经网络预测：利用bp神经网络模型对l(t)和h(t)分别进行预测；设一个具有单隐含层bp神经网络结构预测模型，预测模型的输入层神经元个数6个，输入神经元个数1，隐含层神经元个数根据如下公式确定：

其中，m表示输入层节点数；n表示输出节点数；a∈[0,10]；

通过试凑法，经过多次对比，确定低频分量预测模型的隐含层神经元最佳数目为12，高频分量预测模型的隐含层神经元最佳数目为7，隐含层中神经元采用sigmoid变换函数，输出层神经元采用线性传递函数，网络训练函数选用trainlm，该函数利用levenberg-marquard算法训练前向网络，该算法训练速度比梯度下降法要更快；

网络输入为小波分解与重构后的l(t)和h(t)，从输入层经隐含层逐层处理，直至输出层输出各层分量和

预测序列合成：将和序列预测结果叠加得到x(t)的预测值即获得对应于原始血压序列的预测结果，公式如下：

本发明的基于5g的远程评估生命体征方法及系统具有以下优点：

(一)、本发明基于5g网络低延迟高带宽的特性，利用头戴式设备在第一时间将有关伤者或处于生命危急状态下的病患的各种生命体征以视频、图片和文字信息的方式发送给急救中心，并通过与人工智能算法的结合，从视频中采集到患者的生命体征，方便急救中心根据患者具体情况提前做好抢救准备；与现有技术相比，本发明可以使急救中心的抢救医师对病患的状况有清楚的了解，方便医护人员根据患者具体情况提前做好抢救准备，有效提高医院急救中心医护人员的工作效率，大大节省公共医疗资源；

(二)本发明借助5g技术，确保更加网络灵敏，传输信息更加快速，实时性更加出色，实时视频的传输效率会很高，大大提高了医护人员的抢救效率，节省了大量的医疗资源；

(三)本发明不仅仅基于生命四大体征来判断患者的当前状况，还根据其他的体征如心率、瞳孔变化等为患者病危等级打分，帮助等待的医护人员提前为抢救做好准备；

(四)本发明通过视频、图片及现场医生观察到的信息，急救中心的医护人员可以即时了解病患情况，按需进行抢救准备，提高了工作效率。

(五)本发明的头戴式设备包括语音识别录入模块，由于视频无法检测出所有体征，如脉搏、呼吸频率、疼痛、清醒程度等等，语音识别录入模块方便医生在极短的时间内用语音输入的方式，将语音转化成文字信息并发送给急救中心，确保及时性。

附图说明

下面结合附图对本发明进一步说明。

附图1为基于5g的远程评估生命体征方法的流程框图；

附图2为基于5g的远程评估生命体征系统的结构框图。

具体实施方式

参照说明书附图和具体实施例对本发明的一种基于5g的远程评估生命体征方法及系统作以下详细地说明。

实施例1：

如附图1所示，本发明的基于5g的远程评估生命体征方法,该方法是利用5g网络将现场采集到的视频、图片及文字信息发送给医院急救中心的医疗服务器，医疗服务器结合ai算法技术分析视频、图片及文字信息后，给病患进行生命体征的等级评估，方便急救中心的医护人员根据患者具体情况提前做好抢救准备；具体如下：

s1、现场的急救医生配戴头戴式设备，头戴式设备包括高清摄像头、语音识别录入模块和红外热像仪；

s2、高清摄像头拍摄视频和图片，并通过5g网络将视频和图片实时传输给急救中的医疗服务器；

s3、医疗服务器结合ai算法从视频和图片中获取心率信号并完成血压测量；其中，获取心率信号具体如下：

s301-1、医疗服务器结合ai算法从视频和图片中提取人脸颜色变化信息；

s301-2、通过欧拉放大算法(eulerianvideomagnification)放大人脸颜色信号变化，获得rgb三通道的信号；

s301-3、对rgb三通道的信号进行归一化处理，得到色度信号；

s301-4、将色度信号采用傅氏变换(fouriertransform)转换至频域获取心率。

完成血压测量具体如下：

s302-1、医疗服务器结合ai算法从视频和图片中提取不同人体部位肤色图像；

s302-2、经过adaptiveboosting算法进行肤色的分割和提取；

s302-3、通过欧拉放大算法(eulerianvideomagnification)处理图像并从中获取人体双路脉搏信号；

s302-4、基于bp神经网络的双重血压预测的模型完成对血压的检测；具体如下：

(1)、人体血压序列单尺度分解：使用db4小波作为血压序列小波分析的基函数，对原始血压序列x(t)进行低频和高频小波分解，由小波变换的mallat算法分解，先通过低通滤波器和高通滤波器对原始信号进行滤波处理，再进行采样，从而得到分解系数，公式如下：

cj＝hcj-1；

dj＝gcj-1；

其中，cj和dj分别表示原始信号在2^-j分辨率下的低频和高频信息；h表示低通滤波器；g表示高通滤波器；j表示分解尺度，j＝1，2，…,j；

(2)、低频与高频分量的重构：基于分解所选用的小波基函数分别对血压序列的低频函数和高频函数进行单支重构，低频和高频分解系数经小波算法重构到原尺度上，得到血压低频分量l(t)和高频分量h(t)；

(3)、神经网络预测：利用bp神经网络模型对l(t)和h(t)分别进行预测；具体如下：

①、设一个具有单隐含层bp神经网络结构预测模型，预测模型的输入层神经元个数6个，输入神经元个数1，隐含层神经元个数根据如下公式确定：

其中，m表示输入层节点数；n表示输出节点数；a∈[0,10]；

②、通过试凑法，经过多次对比，确定低频分量预测模型的隐含层神经元最佳数目为12，高频分量预测模型的隐含层神经元最佳数目为7，隐含层中神经元采用sigmoid变换函数，输出层神经元采用线性传递函数，网络训练函数选用trainlm，该函数利用levenberg-marquard算法训练前向网络，该算法训练速度比梯度下降法要更快；

③、网络输入为小波分解与重构后的l(t)和h(t)，从输入层经隐含层逐层处理，直至输出层输出各层分量和

(4)、预测序列合成：将和序列预测结果叠加得到x(t)的预测值即获得对应于原始血压序列的预测结果，公式如下：

s4、利用高清摄像头拍摄观察病患头部及出血位置，获取瞳孔及角膜信息以及出血情况，并发送到医疗服务器，医疗服务器计算信息变化并给出评估结果；现场医生利用高清摄像头可近距离拍摄医患的患处如创伤面，图片会被发送给急救中心等待的医生，方便他们对患者的情况加深了解，同时根据患者出血情况，为患者计算一个评分，稍后会被计入总体病危等级计算。

其中，针对瞳孔及角膜变化的检测，可简单的计算分析视频中病患的瞳孔及角膜变化的频率。

s5、利用红外热像仪远距离获取病患体温，直接通过5g网络发送给急救中心的医疗服务器；

s6、现场的急救医生将病患的脉搏、呼吸频率、疼痛及清醒程度的信息通过语音识别录入模块进行语音输入，并利用语音识别录入模块将语音转换为文字信息，再将文字信息通过5g网络发送给急救中心的医疗服务器。

实施例2：

如附图2所示，本发明的基于5g的远程评估生命体征系统，该系统包括头戴式设备和医疗服务器，头戴式设备包括高清摄像头、语音识别录入模块和红外热像仪；高清摄像头、语音识别录入模块和红外热像仪分别通过5g网络连接医疗服务器；

其中，高清摄像头用于拍摄视频和图片，并通过5g网络将视频和图片实时传输给急救中的医疗服务器；

语音识别录入模块用于现场的急救医生关于病患的脉搏、呼吸频率、疼痛及清醒程度的语音信息转换为文字信息并通过5g网络发送给急救中心的医疗服务器；

红外热像仪用于远距离获取病患体温，直接通过5g网络发送给急救中心的医疗服务器；

医疗服务器用于将病患的所有生命体征统计并结合ai算法获取心率信号及完成血压测量，评出病危等级，提前做好抢救准备；其中，获取心率信号具体如下：

(ⅰ)、医疗服务器结合ai算法从视频和图片中提取人脸颜色变化信息；

(ⅱ)、通过欧拉放大算法(eulerianvideomagnification)放大人脸颜色信号变化，获得rgb三通道的信号；

(ⅲ)、对rgb三通道的信号进行归一化处理，得到色度信号；

(ⅳ)、将色度信号采用傅氏变换(fouriertransform)转换至频域获取心率。

完成血压测量具体如下：

(ⅰ)、医疗服务器结合ai算法从视频和图片中提取不同人体部位肤色图像；

(ⅱ)、经过adaptiveboosting算法进行肤色的分割和提取；

(ⅲ)、通过欧拉放大算法(eulerianvideomagnification)处理图像并从中获取人体双路脉搏信号；

(ⅳ)、基于bp神经网络的双重血压预测的模型完成对血压的检测；具体如下：

人体血压序列单尺度分解：使用db4小波作为血压序列小波分析的基函数，对原始血压序列x(t)进行低频和高频小波分解，由小波变换的mallat算法分解，先通过低通滤波器和高通滤波器对原始信号进行滤波处理，再进行采样，从而得到分解系数，公式如下：

cj＝hcj-1；

dj＝gcj-1；

其中，cj和dj分别表示原始信号在2^-j分辨率下的低频和高频信息；h表示低通滤波器；g表示高通滤波器；j表示分解尺度，j＝1，2，…,j；

低频与高频分量的重构：基于分解所选用的小波基函数分别对血压序列的低频函数和高频函数进行单支重构，低频和高频分解系数经小波算法重构到原尺度上，得到血压低频分量l(t)和高频分量h(t)；

神经网络预测：利用bp神经网络模型对l(t)和h(t)分别进行预测；设一个具有单隐含层bp神经网络结构预测模型，预测模型的输入层神经元个数6个，输入神经元个数1，隐含层神经元个数根据如下公式确定：

其中，m表示输入层节点数；n表示输出节点数；a∈[0,10]；

通过试凑法，经过多次对比，确定低频分量预测模型的隐含层神经元最佳数目为12，高频分量预测模型的隐含层神经元最佳数目为7，隐含层中神经元采用sigmoid变换函数，输出层神经元采用线性传递函数，网络训练函数选用trainlm，该函数利用levenberg-marquard算法训练前向网络，该算法训练速度比梯度下降法要更快；

网络输入为小波分解与重构后的l(t)和h(t)，从输入层经隐含层逐层处理，直至输出层输出各层分量和

预测序列合成：将和序列预测结果叠加得到x(t)的预测值即获得对应于原始血压序列的预测结果，公式如下：

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。