基于数据特征挖掘的远程护理管理系统及方法

本技术涉及远程护理领域，且更为具体地，涉及一种基于数据特征挖掘的远程护理管理系统及方法。

背景技术：

1、远程护理管理系统是一种利用信息技术和通信技术，是实现护理服务远程监测、管理和交流的系统。它通过将传感器、设备和通信技术与护理服务相结合，提供远程护理和监护，使护理人能够实时获取患者的健康数据，随时了解患者的健康状况，及时采取必要的干预措施，提高护理效果。

2、目前，患者护理通常采用线下护理的方式，线下护理通常需要患者亲自前往医疗机构，这对于行动不便、病情较重或居住在偏远地区的患者来说可能存在困难。其次，线下护理可能面临医疗资源不足的问题，特别是在人口密集地区或医疗资源相对匮乏的地方，患者可能面临长时间等待或无法获得及时的医疗服务。此外，线下护理还存在着高昂的费用和时间成本，包括交通费用、住宿费用和等待时间等，这对患者和家属来说可能是一种负担。

3、因此，期望一种基于数据特征挖掘的远程护理管理系统及方法。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于数据特征挖掘的远程护理管理系统及方法，其首先获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据，然后通过生理参数特征编码模块、生理参数时序特征提取模块、活动数据特征编码模块、活动数据时序特征提取模块以及关联模块得到平滑融合特征矩阵，进一步地，将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图，最后将所述分类特征图通过分类器以得到分类结果，以判断是否产生预警提示信号至被监测人的护理人，以提高护理管理的准确性和及时性，进而保障被监测人的生命和健康。

2、根据本技术的一个方面，提供了一种基于数据特征挖掘的远程护理管理系统，其包括：

3、监测数据采集模块，用于获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据，其中，所述生理参数包括生理参数值、血压值、呼吸频率值、体温值、血糖值，所述活动数据包括步数值、运动时间值、卧床时间值；

4、生理参数特征编码模块，用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数通过包含一维卷积层和全连接层的第一序列关联编码器以得到生理参数特征向量；

5、生理参数时序特征提取模块，用于将所述生理参数特征向量通过第一多尺度邻域特征提取模块以得到生理参数关联特征向量；

6、活动数据特征编码模块，用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据通过包含一维卷积层和全连接层的第二序列关联编码器以得到活动数据特征向量；

7、活动数据时序特征提取模块，用于将所述活动数据特征向量通过第二多尺度邻域特征提取模块以得到活动数据关联特征向量；

8、关联模块，用于对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化融合以得到平滑融合特征矩阵；

9、关联特征提取模块，用于将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图；

10、分类模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测人的护理人。

11、在上述基于数据特征挖掘的远程护理管理系统中，所述生理参数特征编码模块，包括：第一输入向量排列单元，用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数排列为一维的输入向量；第一一维卷积单元，用于使用所述第一序列关联编码器的一维卷积层以如下编码公式对所述第一输入向量排列单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述编码公式为：

12、

13、其中，a为第一卷积核在x方向上的宽度，f(a)为第一卷积核参数向量，g(x-a)为与第一卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述第一输入向量排列单元获得的所述输入向量，cov(x)表示对所述第一输入向量排列单元获得的所述输入向量进行一维卷积编码；

14、第一全连接单元，用于使用所述第一序列关联编码器的全连接层以如下排列公式对所述第一输入向量排列单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述排列公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，表示矩阵乘。

15、在上述基于数据特征挖掘的远程护理管理系统中，所述生理参数时序特征提取模块，包括：生理参数第一特征提取单元，用于将所述生理参数特征向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度生理参数特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；生理参数第二特征提取单元，用于将所述生理参数特征向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度生理参数特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；生理参数特征级联单元，用于将所述第一尺度生理参数特征向量与第二尺度生理参数特征向量分别进行级联以得到所述生理参数关联特征向量。

16、在上述基于数据特征挖掘的远程护理管理系统中，所述活动数据特征编码模块，包括：第二输入向量排列单元，用于将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据排列为一维的输入向量；第二一维卷积单元，用于使用所述第二序列关联编码器的一维卷积层以如下第二编码公式对所述第二输入向量排列单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述第二编码公式为：

17、

18、其中，b为第二卷积核在x方向上的宽度，f(b)为第二卷积核参数向量，g(x-b)为与第二卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，y表示所述第二输入向量排列单元获得的所述输入向量，cov(y)表示对所述第二输入向量排列单元获得的所述输入向量进行一维卷积编码；

19、第二全连接单元，用于使用所述第二序列关联编码器的全连接层以如下第二排列公式对所述第二输入向量排列单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述第二排列公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，表示矩阵乘。

20、在上述基于数据特征挖掘的远程护理管理系统中，所述活动数据时序特征提取模块，包括：活动数据第一特征提取单元，用于将所述活动数据特征向量输入所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度活动数据特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；活动数据第二特征提取单元，用于将所述生理参数特征向量输入所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度生理参数特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；活动数据特征级联单元，用于将所述第一尺度生理参数特征向量与第二尺度生理参数特征向量分别进行级联以得到所述活动数据关联特征向量。

21、在上述基于数据特征挖掘的远程护理管理系统中，所述关联模块，包括：对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化以得到秩序化生理参数关联特征向量、秩序化活动数据关联特征向量、生理参数关联特征向量位置索引向量和活动数据关联特征向量位置索引向量；基于所述生理参数关联特征向量位置索引向量和所述活动数据关联特征向量位置索引向量，对所述秩序化生理参数关联特征向量和所述秩序化活动数据关联特征向量进行融合以得到初始融合特征矩阵；对所述初始融合特征矩阵进行基于特征值的矩阵分解以得到多个特征值向量；将所述多个特征值向量排列为矩阵以得到所述平滑融合特征矩阵。

22、在上述基于数据特征挖掘的远程护理管理系统中，所述关联特征提取模块，包括：使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于通道维度的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述分类特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述平滑融合特征矩阵。

23、在上述基于数据特征挖掘的远程护理管理系统中，所述分类模块，包括：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果，其中，所述分类公式为：

24、softmax{(wn，bn)：...：(w1，b1)|project(f)}

25、其中project(f)表示将所述分类特征图投影为向量，w1至

26、wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。

27、根据本技术的另一方面，提供了一种基于数据特征挖掘的远程护理管理方法，其包括：

28、获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据，其中，所述生理参数包括生理参数值、血压值、呼吸频率值、体温值、血糖值，所述活动数据包括步数值、运动时间值、卧床时间值；

29、将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数通过包含一维卷积层和全连接层的第一序列关联编码器以得到生理参数特征向量；

30、将所述生理参数特征向量通过第一多尺度邻域特征提取模块以得到生理参数关联特征向量；

31、将所述由医疗仪器采集的被监测人在预定时间段内多个预定时间点的活动数据通过包含一维卷积层和全连接层的第二序列关联编码器以得到活动数据特征向量；

32、将所述活动数据特征向量通过第二多尺度邻域特征提取模块以得到活动数据关联特征向量；

33、对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化融合以得到平滑融合特征矩阵；

34、将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图；

35、将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测人的护理人。

36、在上述基于数据特征挖掘的远程护理管理方法中，对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化融合以得到平滑融合特征矩阵，包括：对所述生理参数关联特征向量和所述活动数据关联特征向量进行位移秩序化以得到秩序化生理参数关联特征向量、秩序化活动数据关联特征向量、生理参数关联特征向量位置索引向量和活动数据关联特征向量位置索引向量；基于所述生理参数关联特征向量位置索引向量和所述活动数据关联特征向量位置索引向量，对所述秩序化生理参数关联特征向量和所述秩序化活动数据关联特征向量进行融合以得到初始融合特征矩阵；对所述初始融合特征矩阵进行基于特征值的矩阵分解以得到多个特征值向量；将所述多个特征值向量排列为矩阵以得到所述平滑融合特征矩阵。

37、与现有技术相比，本技术提供的一种基于数据特征挖掘的远程护理管理系统及方法，其首先获取由医疗仪器采集的被监测人在预定时间段内多个预定时间点的生理参数和活动数据，然后通过生理参数特征编码模块、生理参数时序特征提取模块、活动数据特征编码模块、活动数据时序特征提取模块以及关联模块得到平滑融合特征矩阵，进一步地，将所述平滑融合特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图，最后将所述分类特征图通过分类器以得到分类结果，以判断是否产生预警提示信号至被监测人的护理人，以提高护理管理的准确性和及时性，进而保障被监测人的生命和健康。