本发明属于生理参数监测,尤其涉及一种生理参数异常处理方法、系统及医疗设备。
背景技术:
1、医疗设备是用于监测、诊断、治疗或预防疾病的仪器、装置、器械、材料或其他物品。医疗设备通常会对病人的生理现象进行参数数据、波形数据和报警数据的记录,以便于医护人员及时了解病人的情况,并采取相应的措施。对于医疗设备监测出来异常的生理现象,我们是需要极度的谨慎和重视的,有时候我们需要对某一个病人的某些异常生理参数发生的情况进行汇总整理,有利于我们对该病人的病情或治疗情况更加全面和深入的了解。
2、然而,目前市面上研发的医疗设备产品,会对病人异常的生理现象进行参数数据、波形数据和报警数据的记录,而且这三方面数据的异常情况,暂时只靠报警数据进行各自独立的关联定位(即参数和报警,波形和报警,参数和波形),无法从整体视角上进行关联查看,更加无法进一步分类管理,缺少一种全局性。同时它们各自只能按照时间顺序遍历,缺乏快速定位功能,效率较低。对于异常的生理现象,目前的设备只能通过报警数据进行提示,缺乏可视化和交互式的展示方式,无法直观地呈现出异常现象的特征和规律。
技术实现思路
1、本发明实施例的目的在于提供一种生理参数异常处理方法、系统及医疗设备,旨在解决现有设备无法对生理异常情况进行快速搜索定位的问题。
2、本发明实施例是这样实现的,一种生理参数异常处理方法,所述方法包括:
3、根据不同划分方式预先定义各种异常类别;
4、实时对被监测者的参数数据及波形数据进行监测,并当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据;
5、根据报警时间、异常类别、参数数据及波形数据生成相互关联索引的定位信息并添加至报警数据中,并将报警数据、参数数据及波形数据保存至数据库中;
6、当获取到符合根据报警时间和/或异常类别所预置的搜索条件的搜索内容时,根据搜索内容在数据库中搜索出对应的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据;
7、根据预设排序分类方式对由报警数据、参数数据及波形数据组成的搜索结果进行排序及分类显示。
8、更进一步地,所述当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据的步骤包括:
9、建立一个深度神经网络模型,所述深度神经网络模型包含输入层、隐藏层和输出层,其中输入层接收被监测者的参数数据和波形数据,输出层输出异常类别的概率分布;
10、采用标注过的异常数据作为训练集,对深度神经网络模型进行训练和优化;
11、实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到训练和优化后的深度神经网络模型中,得到输出层的异常类别的概率分布;
12、根据预设的阈值从输出层的异常类别的概率分布中选择一个异常类别作为最终分类结果,并记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
13、更进一步地,所述当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据的步骤包括:
14、建立包含特征提取模块和聚类算法模块的聚类分析模型,其中特征提取模块用于从被监测者的参数数据和波形数据中提取出特征向量,聚类算法模块用于根据特征向量将异常数据分为不同的类别;
15、采用未标注的异常数据作为训练集,对聚类分析模型进行训练和优化;
16、实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到特征提取模块中,得到特征向量,并将特征向量输入到聚类算法模块中,得到异常类别的标签;
17、根据异常类别的标签,记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
18、更进一步地,所述实时对被监测者的参数数据及波形数据进行监测的步骤包括:
19、建立包含状态方程和观测方程的卡尔曼滤波器,其中状态方程描述被监测者的参数数据及波形数据的动态变化,观测方程描述对参数数据及波形数据的测量;
20、根据已知的正常或异常的参数数据及波形数据作为初始值对卡尔曼滤波器进行初始化,得到初始状态向量和初始协方差矩阵;
21、获取当前时刻被监测者的参数数据和波形数据,并将其作为观测值输入到卡尔曼滤波器中得到预测状态向量和预测协方差矩阵;
22、根据预测状态向量和预测协方差矩阵,以及观测值和所对应的观测噪声协方差矩阵,计算出卡尔曼增益矩阵;
23、根据卡尔曼增益矩阵以及预测状态向量和观测值,计算出更新状态向量;
24、根据卡尔曼增益矩阵以及预测协方差矩阵和观测噪声协方差矩阵,计算出更新协方差矩阵;
25、将更新状态向量和更新协方差矩阵作为下一时刻的初始状态向量和初始协方差矩阵,并将更新状态向量中的参数数据和波形数据作为当前时刻的输出。
26、更进一步地,所述根据搜索内容在数据库中搜索出对应的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据的步骤包括:
27、建立一个语义分析模型,所述语义分析模型包含一个自然语言处理模块和一个语义相似度计算模块,其中自然语言处理模块用于将用户输入的搜索内容转换为标准化的查询语句,语义相似度计算模块用于计算查询语句与数据库中的报警数据之间的语义相似度;
28、根据已知的搜索内容和查询语句作为训练集对语义分析模型进行训练和优化;
29、当获取到所输入的搜索内容时,将其输入到自然语言处理模块中,得到标准化的查询语句;
30、将标准化的查询语句输入到语义相似度计算模块中,并与数据库中的报警数据进行比较,得到每个报警数据与查询语句之间的语义相似度得分;
31、根据各个报警数据的语义相似度得分确定大于预设的阈值的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据。
32、本发明另一实施例的目的还在于提供一种生理参数异常处理系统,所述系统包括:
33、异常类别定义模块,用于根据不同划分方式预先定义各种异常类别;
34、异常监测模块,用于实时对被监测者的参数数据及波形数据进行监测,并当监测到参数数据和/或波形数据发生异常时记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据;
35、异常存储模块,用于根据报警时间、异常类别、参数数据及波形数据生成相互关联索引的定位信息并添加至报警数据中,并将报警数据、参数数据及波形数据保存至数据库中;
36、异常搜索模块,用于当获取到符合根据报警时间和/或异常类别所预置的搜索条件的搜索内容时,根据搜索内容在数据库中搜索出对应的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据;
37、异常显示模块,用于根据预设排序分类方式对由报警数据、参数数据及波形数据组成的搜索结果进行排序及分类显示。
38、更进一步地,所述异常监测模块包括:
39、第一模型建立单元,用于建立一个深度神经网络模型,所述深度神经网络模型包含输入层、隐藏层和输出层,其中输入层接收被监测者的参数数据和波形数据,输出层输出异常类别的概率分布;
40、第一模型训练单元,用于采用标注过的异常数据作为训练集,对深度神经网络模型进行训练和优化;
41、第一模型输出单元,用于实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到训练和优化后的深度神经网络模型中,得到输出层的异常类别的概率分布;
42、第一异常记录单元,用于根据预设的阈值从输出层的异常类别的概率分布中选择一个异常类别作为最终分类结果,并记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
43、更进一步地,所述异常监测模块包括:
44、第二模型建立单元,用于建立包含特征提取模块和聚类算法模块的聚类分析模型,其中特征提取模块用于从被监测者的参数数据和波形数据中提取出特征向量,聚类算法模块用于根据特征向量将异常数据分为不同的类别;
45、第二模型训练单元,用于采用未标注的异常数据作为训练集,对聚类分析模型进行训练和优化;
46、第二模型输出单元,用于实时对被监测者的参数数据和波形数据进行预处理,并将预处理后的参数数据和波形数据输入到特征提取模块中,得到特征向量,并将特征向量输入到聚类算法模块中,得到异常类别的标签;
47、第二异常记录单元,用于根据异常类别的标签,记录对应的参数数据、波形数据、以及添加有报警时间和异常类别的报警数据。
48、更进一步地,所述异常监测模块包括:
49、滤波器建立单元,用于建立包含状态方程和观测方程的卡尔曼滤波器,其中状态方程描述被监测者的参数数据及波形数据的动态变化,观测方程描述对参数数据及波形数据的测量;
50、滤波器初始单元,用于根据已知的正常或异常的参数数据及波形数据作为初始值对卡尔曼滤波器进行初始化,得到初始状态向量和初始协方差矩阵;
51、滤波器预测单元,用于获取当前时刻被监测者的参数数据和波形数据,并将其作为观测值输入到卡尔曼滤波器中得到预测状态向量和预测协方差矩阵;
52、增益矩阵计算单元,用于根据预测状态向量和预测协方差矩阵,以及观测值和所对应的观测噪声协方差矩阵,计算出卡尔曼增益矩阵;
53、更新状态向量计算单元,用于根据卡尔曼增益矩阵以及预测状态向量和观测值,计算出更新状态向量;
54、更新协方差矩阵计算单元,用于根据卡尔曼增益矩阵以及预测协方差矩阵和观测噪声协方差矩阵,计算出更新协方差矩阵;
55、数据输出单元,用于将更新状态向量和更新协方差矩阵作为下一时刻的初始状态向量和初始协方差矩阵,并将更新状态向量中的参数数据和波形数据作为当前时刻的输出。
56、更进一步地,所述异常搜索模块包括:
57、第三模型建立单元,用于建立一个语义分析模型,所述语义分析模型包含一个自然语言处理模块和一个语义相似度计算模块,其中自然语言处理模块用于将用户输入的搜索内容转换为标准化的查询语句,语义相似度计算模块用于计算查询语句与数据库中的报警数据之间的语义相似度;
58、第三模型训练单元,用于根据已知的搜索内容和查询语句作为训练集对语义分析模型进行训练和优化;
59、查询语句确定模块,用于当获取到所输入的搜索内容时,将其输入到自然语言处理模块中,得到标准化的查询语句;
60、语义相似度确定模块,用于将标准化的查询语句输入到语义相似度计算模块中,并与数据库中的报警数据进行比较,得到每个报警数据与查询语句之间的语义相似度得分;
61、数据确定单元,用于根据各个报警数据的语义相似度得分确定大于预设的阈值的报警数据,并根据报警数据中的定位信息确定出对应的参数数据及波形数据。
62、本发明另一实施例的目的还在于提供一种医疗设备,所述医疗设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行如上述所述的生理参数异常处理方法。
63、本发明实施例提供的生理参数异常处理方法,通过预先定义各种异常类别,可以实现对不同类型的异常情况进行快速识别和区分,提高异常处理的准确性和针对性;通过实时监测和记录参数数据及波形数据,并添加报警时间和异常类别,可以实现对异常情况的及时发现和记录,提高异常处理的时效性和完整性;通过生成相互关联索引的定位信息并保存至数据库中,可以实现对异常情况的有效存储和管理,提高异常处理的可追溯性和可靠性;通过根据搜索内容在数据库中搜索出对应的报警数据,并根据定位信息确定出对应的参数数据及波形数据,可以实现对异常情况的快速检索和定位,提高异常处理的便捷性和灵活性;通过根据预设排序分类方式对搜索结果进行排序及分类显示,可以实现对异常情况的清晰展示和分析,提高异常处理的效率和质量,解决了现有设备无法对生理异常情况进行快速搜索定位的问题。