基于人工智能和物联网的医疗信息采集方法及系统与流程

本发明属于医疗信息采集领域，尤其涉及一种基于人工智能和物联网的医疗信息采集方法及系统。

背景技术：

1、近年来，人工智能和物联网技术的发展为医疗信息的采集和分析带来了新的机遇。人工智能技术，如机器学习、深度学习和自然语言处理，使得可以分析和理解各种医疗数据。物联网技术使得可以将各种医疗设备、传感器和可穿戴设备连接，实时采集各类参数。传统方法中，医院内部环境参数和病人生理参数的采集间隔通常是固定的，无法根据实际需求进行动态调整。这导致了数据采集的不精确性和实时性的不足。同时，医院内部环境参数和病人生理参数的数据往往受到各种噪声的干扰，如传感器噪声、运动伪影等。传统滤波方法难以准确去噪，导致数据质量下降。现有方法在数据分析过程中往往没有进行特征降维，导致数据特征过多，分析复杂度高，难以从中提取有用的信息。传统方法中，对采集到的数据和统计参数的分析主要依赖于人工经验，缺乏智能化的处理和决策能力。

技术实现思路

1、有鉴于此，本发明提供基于人工智能和物联网的医疗信息采集方法及系统，目的在于于通过提高数据质量、实现实时采集、提取关键信息、智能化分析与决策以及数据安全保护等方面的优势，为医疗信息采集和分析提供了更加可靠、高效和智能的解决方案。

2、实现上述目的，本发明提供的基于人工智能和物联网的医疗信息采集方法，包括以下步骤：

3、s1：利用医院内的传感器和可穿戴设备，基于动态调整采集间隔法采集医院内部环境参数和病人的生理参数；

4、s2：基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪，得到去噪后的数据；

5、s3：对去噪后的数据进行特征降维，并提取去噪后的数据和降维后的数据的统计参数；

6、s4：基于人工智能学习网络对去噪后的数据和降维后的数据及其相应的统计参数进行学习与分析；

7、s5：对去噪后的数据和人工智能学习网络预测出的信息进行加密。

8、作为本发明的进一步改进方法：

9、可选的，所述s1步骤中利用医院内的传感器和可穿戴设备，基于动态调整采集间隔法采集医院内部环境参数和病人的生理参数，包括：

10、利用医院内的传感器和可穿戴设备采集医院内部环境参数和病人的生理参数，所述医院内部环境参数包括病区的温度、湿度、氧气浓度、二氧化碳浓度、臭氧浓度和音量，所述病人的生理参数包括体温、血压、血氧、血氧饱和度、心率以及呼吸频率。基于动态调整采集间隔法控制采集频率，所述动态调整采集间隔法的流程为：

11、s11：构建采集基本模型并初始化：

12、；

13、其中，为第 i次采集的时间点；是上一次采集的时间点；是根据实时需求和数据变化调整的采集间隔；

14、设定初始采集间隔为每5分钟并在设定的初始采集间隔内进行第一次采集；

15、s12：根据实时数据变化，对采集间隔进行调整：

16、采集间隔的调整方式为：

17、；

18、其中， define指示是否人为设置采集间隔，0为否，1为是；为自然常数； k为正常数，用于调整采集间隔的增长速率；为采集数据的变化率；

19、s13：更新采集间隔：

20、根据检测到的数据变化，更新下一次采集的间隔时间，基于更新后的采集间隔进行下一次采样；

21、可选的，所述s2步骤中基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪，得到去噪后的数据，包括：

22、基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪，所述自适应滤波的计算流程为：

23、s21:初始化自适应滤波参数并对数据进行预测：

24、初始自适应滤波参数为0，其中 p， q分别表示自回归系数和移动平均系数的长度；

25、基于初始自适应滤波参数对数据进行预测，所述预测的计算方式为：

26、；

27、其中， x表示实际数据，即采集到的医院内部环境参数和病人的生理参数；表示预测数据； n表示数据点所在位置；为白噪声；

28、s22：计算实际数据与预测数据的误差并更新自适应滤波参数：

29、实际数据与预测数据的误差的计算方式为：

30、；

31、基于实际数据与预测数据的误差更新自适应滤波参数，所述更新通过求解以下两个公式完成：

32、；

33、其中，和分别为实际数据与预测数据的误差关于和的偏导；

34、s23：利用更新完成的自适应滤波参数获得去噪后的数据：

35、求解s22获得更新完成的自适应滤波参数，将其代入s21即可获得去噪后的数据；

36、可选的，所述s3步骤中对去噪后的数据进行特征降维，并提取去噪后的数据和降维后的数据的统计参数，包括：

37、对去噪后的数据进行特征降维，所述特征降维基于主成分分析，计算方式为：

38、s31：将数据零均值化并计算协方差矩阵：

39、零均值化的计算方式为：

40、；

41、其中， x为去噪后的数据构成的数据矩阵，计算数据矩阵的均值；为零均值化后的数据矩阵；

42、协方差矩阵的计算方式为：

43、；

44、其中，为数据的数量；表示矩阵的转置； s为协方差矩阵；

45、s32：求解协方差矩阵的特征值与特征向量，并使用前 m个特征向量对数据矩阵进行降维：

46、协方差矩阵的特征值与特征向量的求解公式为：

47、；

48、其中，为特征值，为特征向量；

49、使用前 m个特征向量对数据矩阵进行降维：

50、；

51、其中，为特征向量中的前 m个向量， y为降维后的数据矩阵；

52、提取去噪后的数据和降维后的数据的统计参数，所述统计参数包括极差、变异系数和偏度，计算方式为：

53、；

54、其中，；和分别代表 z的最大值和最小值；和分别代表 z的均值和标准差；

55、可选的，所述s4步骤中基于人工智能学习网络对去噪后的数据和降维后的数据及其相应的统计参数进行学习与分析，包括：

56、s41：定义人工智能学习网络需要学习的任务：

57、；

58、其中，； w为人工智能学习网络的参数；和分别代表人工智能学习网络对输入的医院内部环境数据或病人的生理参数数据进行分类和评分的结果信息；

59、s42：计算人工智能学习网络预测的结果与真实结果的误差：

60、；

61、其中，和分别代表人工提前定义的分类和评分标准，医院内部环境数据分为优、良、差三类，分别对应评分为80至100分、60至80分、0至60分，病人的生理参数数据质量分为优、良、差三类，分别对应评分为80至100分、60至80分、0至60分；表示如果真实的分类为第类，则其值为1，否则为0；为人工智能学习网络预测的类别的概率；

62、s43：基于s42计算得到的误差调整人工智能学习网络的参数：

63、网络参数的调整基于梯度下降法，计算方式为：

64、；

65、其中，代表当前迭代状态下的梯度；为人工智能学习网络的学习率，用于控制网络参数每次更新的幅度；表示赋值操作；

66、可选的，所述s5步骤中对去噪后的数据和人工智能学习网络预测出的信息进行加密，包括：

67、s51：密钥生成：

68、随机生成两个素数，，计算模数；

69、选择随机数，满足，其中gcd函数用于计算最大公约数，则公钥为；

70、基于公钥进一步计算私钥：

71、；

72、其中，计算最小公倍数； mod表示取模运算符；

73、s52：基于密钥加密：

74、随机生成数字，满足，计算加密后的信息：

75、；

76、其中，为加密后的信息；为加密前的信息；

77、s53：基于密钥解密：

78、将加密后的信息传输到目标设备后，对加密的信息进行解密的计算方式为：

79、；

80、其中，为解密后的信息。

81、本发明还提供了基于人工智能和物联网的医疗信息采集系统，包括：

82、参数采集模块：基于动态调整采集间隔法采集医院内部环境参数和病人的生理参数；

83、数据去噪模块：基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪；

84、特征处理模块：对数据进行特征降维，并提取数据的统计参数；

85、数据智能分析模块：基于人工智能学习网络对数据及其相应的统计参数进行学习与分析；

86、数据加密模块：对去噪后的数据和人工智能学习网络预测出的信息进行加密。

87、有益效果

88、通过动态调整采集间隔和应用自适应滤波算法进行去噪处理，有效降低了传感器噪声对数据的影响，提高了医院内部环境参数和病人生理参数数据的质量。

89、通过动态调整采集间隔，可以根据实际需求对数据进行实时采集，保证了数据的及时性和准确性。这对于对病人的实时监测和医院内部环境的实时控制具有重要意义。

90、采用特征降维技术对数据进行处理，减少了数据的冗余特征，提取了关键信息。这有助于降低数据分析的复杂度，使得从大量数据中提取有用信息更加高效和准确。

91、通过人工智能学习网络对去噪后的数据和降维后的数据进行学习与分析，实现了智能化的数据处理和决策能力。这使得医疗信息的分析和预测更加准确、快速和智能化。

92、对去噪后的数据和人工智能学习网络预测出的信息进行加密处理，保护敏感信息的安全性和隐私性。这有助于防止未经授权的访问和信息泄露，确保医疗数据的安全。