一种智能化妊高征监测装置

摘要

本发明提供了一种智能化妊高征监测装置，包括信息输入模块、数据采集模块、生命体征标准值估算模块、数据存储模块、妊高征风险预测模块、报警模块和结果显示模块，所述生命体征标准值估算模块包括估算模块和样本库。生命体征标准值估算模块根据监测者的基础信息以及医学规定的生命体征正常值，通过与样本库中的样本进行相似度匹配，确定监测者的生命体征标准值；以生命体征标准值为控制限，通过实时采集监测者的生命体征参数，对监测者的妊高征风险进行预测和预警。本发明能够针对不同监测者的个体状态，有针对性的进行监测和预警，具有高效性和高度准确性，克服了个体差异以及时间差异造成的监测误差问题。

权利要求

1.一种智能化妊高征监测装置，其特征在于，包括信息输入模块、数据采集模块、生命体征标准值估算模块、数据存储模块、妊高征风险预测模块、报警模块、结果显示模块；

所述信息输入模块，用于输入监测者的基础信息；

所述数据采集模块，用于采集监测者的生命体征参数；

所述生命体征标准值估算模块，用于估算监测者的生命体征标准值；

所述数据存储模块，用于存储所述信息输入模块和数据采集模块的数据以及监测者的生命体征标准值；

所述妊高征风险预测模块，通过妊高征风险预测模型对监测者的妊高征风险进行预测；

所述报警模块用于根据监测者的妊高征风险进行预警；

所述结果显示模块，用于显示监测者的妊高征风险以及监测者的生命体征参数，所述妊高征风险预测模型是基于在线监测数据的妊高征风险预测模型，其输入有监测者正常状态的监测数据所构成的时间序列、妊高征状态监测数据时间序列、实时监测数据时间序列，输出为一张残差序列的控制图，模型当中最关键的三个模块为正常状态监测数据自回归滑动平均拟合模型的建立、标志监测者妊高征的自组织临界态的残差临界点的计算方法及残差控制图的控制限计算，详细步骤为：(1)挑选出监测者正常状态下连续时段在线监测数据，取等间隔长度为a时间点上的监测数据k个组成时间序列{A(t),t＝a,2a,3a,…,ka},建立序列A(t)的自回归滑动平均拟合模型表达式F，如下式所示：式中，和θ是不为零的待定系数，ε为独立的误差项，p和q为自回归滑动平均拟合模型阶数，若选取自回归模型，则q＝0，若选取移动平均模型，则p＝0；

(2)选取多个妊高征样本时间序列U(t)，代入表达式F计算模型值Fu(t)，计算对应时刻残差Su(t)＝∣A(t)-Fu(t)∣，以此残差序列作为特征量，通过统计方法找出标志监测者妊高征临界态的残差临界点sc；

(3)基于监测数据组成时间序列预估所有潜在的风险点；

(4)如果找到临界点，则选取大于临界点的妊高征残差作为样本，利用加权方差的方法建立控制限；若未找到临界点，则采用普通方法建立3倍标准差控制限；

(5)根据计算的控制限绘制控制图，将监测者的实时监测数据生成时间序列R(t)，代入表达式F产生拟合值Fr(t)，并计算对应时刻的残差Sr(t)绘制于控制图上，一旦有残差点超过控制限或产生风险点，则发出妊高征风险预警，以此实现妊高征风险的监测。

2.根据权利要求1所述的一种智能化妊高征监测装置，其特征在于，所述生命体征参数包括血压数据、脉搏数据和心率数据。

3.根据权利要求2所述的一种智能化妊高征监测装置，其特征在于，监测者的血管数据通过血管监测设备采集，包括血管血压、血管硬化指数和血管阻力指数，所述脉搏数据通过脉搏计采集，所述心率数据通过心率检测设备采集。

4.根据权利要求1所述的一种智能化妊高征监测装置，其特征在于，所述监测者的基础信息包括监测者的姓名、年龄、体重、身高、饮食习惯、病史、家族情况、用药情况、运动情况。

5.根据权利要求1所述的一种智能化妊高征监测装置，其特征在于，所述生命体征标准值估算模块包括估算模块和样本库，生命体征标准值的估算方法包括以下步骤：S101.获取监测者的基础信息，确定基础信息中各指标的权值；

S102.计算监测者的基础信息中各指标与样本库中各指标的相似度；

S103.根据各指标的权值和各指标的相似度获取监测者的基础信息与样本库的整体相似度；

S104.将样本库中与监测者的基础信息的整体相似度最接近的样本的生命体征标准值作为监测者的生命体征标准值。

6.根据权利要求5所述的一种智能化妊高征监测装置，其特征在于，所述样本库中的样本存储有样本的基础信息以及对应的生命体征标准值。

7.根据权利要求5所述的一种智能化妊高征监测装置，其特征在于，所述监测者的生命体征标准值包括早上8点至晚上8点期间的生命体征标准值，以及晚上8点至第二天早上8点的生命体征标准值。

说明书

一种智能化妊高征监测装置

技术领域

[0001] 本发明属于医疗监测技术领域，尤其涉及一种智能化妊高征监测装置。

背景技术

[0002] 妊娠期高血压疾病(妊高征)是妊娠期特有的疾病，多发生在妊娠20周以后，我国发病率为9.4％～10.4％。临床表现为高血压、蛋白尿、水肿，严重者有头痛、头晕、眼花等症状。由于病因不明，无有效的预防方法，尤其是重度妊高征对母婴危害极大，是孕产妇和围生儿死亡率的主要原因。因此，如何全方位考虑妊高征发展过程中涉及到的多种变量，并通过多种变量的监测，将其运用到妊高征的监测和预测过程中，从而获得高准确度的妊高征风险预测结果，是亟待解决的问题。

[0003] 24h动态血压监测可以全面的显示出病人白昼、夜间血压的变化、最高血压发生的时间及血压负荷，并能排除“白大衣”高血压，对了解及分析患者24h血压变化规律、指导临床合理用药有重要指导意义。通过24h动态血压监测，能够实时获取妊娠期患者的血压水平，通过合适的妊高征风险预测模型，根据妊娠期患者的血压监测数据，获得患者的妊高征风险，从而及时发现和诊治，将妊高征对母婴的危害降至最低。

[0004] 然而，由于被监测者本身生命特征的差异性，同一血压水平的妊娠期不同的被监测者发生妊高征的风险可能不同；对同一个被监测者，对于不同妊娠阶段，同一血压水平发生妊高征的风险可能也不同。因此，急需提供一种具有针对性的智能化妊高征监测装置，根据患者本身的生命特征，进行准确有效的妊高征风险监测和预测。

发明内容

[0005] 针对上述现有技术存在的问题，本发明的目的在于提供一种智能化妊高征监测装置，利用生命体征标准值估算模块，根据监测者的基础信息以及医学规定的生命体征正常值，通过与样本库中的样本进行相似度匹配，确定监测者的生命体征标准值；以生命体征标准值为控制限，通过实时采集监测者的生命体征参数，对监测者的妊高征风险进行预测和预警。实现了针对性的监测和预警，具有高效性和高度准确性。

[0006] 为实现上述目的，本发明采用以下技术方案实现：

[0007] 一种智能化妊高征监测装置，包括信息输入模块、数据采集模块、生命体征标准值估算模块、数据存储模块、妊高征风险预测模块、报警模块、结果显示模块；

[0008] 所述信息输入模块，用于输入监测者的基础信息；

[0009] 所述数据采集模块，用于采集监测者的生命体征参数；

[0010] 所述生命体征标准值估算模块，用于根据监测者的基础信息以及医学规定的生命体征正常值，估算监测者的生命体征标准值；

[0011] 所述数据存储模块，用于存储所述信息输入模块和数据采集模块的数据以及监测者的生命体征标准值；

[0012] 所述妊高征风险预测模块，用于根据监测者的基础信息、监测者的生命体征参数以及监测者的生命体征标准值，通过妊高征风险预测模型对监测者的妊高征风险进行预测；

[0013] 所述报警模块用于根据监测者的妊高征风险进行预警；

[0014] 所述结果显示模块，用于显示监测者的妊高征风险以及监测者的生命体征参数。

[0015] 进一步的，所述生命体征参数包括血压数据、脉搏数据和心率数据。

[0016] 进一步的，所述监测者的血管数据通过血管监测设备采集，包括血管血压、血管硬化指数和血管阻力指数，所述脉搏数据通过脉搏计采集，所述心率数据通过心率检测设备采集。

[0017] 进一步的，所述监测者的基础信息包括监测者的姓名、年龄、体重、身高、饮食习惯、病史、家族情况、用药情况、运动情况。

[0018] 进一步的，所述生命体征标准值估算模块包括估算模块和样本库，生命体征标准值的估算方法包括以下步骤：

[0019] S101.获取监测者的基础信息，确定基础信息中各指标的权值；

[0020] S102.计算监测者的基础信息中各指标与样本库中各指标的相似度；

[0021] S103.根据各指标的权值和各指标的相似度获取监测者的基础信息与样本库的整体相似度；

[0022] S104.将样本库中与监测者的基础信息的整体相似度最接近的样本的生命体征标准值作为监测者的生命体征标准值。

[0023] 进一步的，所述样本库中的样本存储有样本的基础信息以及对应的生命体征标准值。

[0024] 进一步的，所述监测者的生命体征标准值包括早上8点至晚上8点期间的生命体征标准值，以及晚上8点至第二天早上8点的生命体征标准值。

[0025] 进一步的，所述妊高征风险预测模块通过妊高征风险预测模型对监测者的妊高征风险进行预测，包括以下步骤：

[0026] S201.获取在线生命体征参数监测数据；

[0027] S202.建立监测者正常状态时的监测数据自回归滑动平均拟合模型；

[0028] S203.计算监测值与所述生命体征标准值的残差，并用此值来识别监测者的妊高征风险；

[0029] S204.基于监测数据组成时间序列预估所有潜在的风险点；

[0030] S205.以残差值为特征量分析监测者的自组织临界性；

[0031] S206.根据自组织临界性建立残差的控制图；

[0032] S207.残差值越限时进行报警，实现对监测者妊高征风险的预测。

[0033] 有益效果

[0034] 与现有技术相比，本发明提供的智能化妊高征监测装置具有如下有益效果：

[0035] (1)本发明提供的智能化妊高征监测装置包括信息输入模块、数据采集模块、生命体征标准值估算模块、数据存储模块、妊高征风险预测模块、报警模块和结果显示模块。通过信息输入模块输入监测者的基础信息，然后生命体征标准值估算模块根据监测者的基础信息及医学规定的生命体征正常值范围，估算出监测者的生命体征标准值；在实际监测时，数据采集模块实时采集监测者的生命体征参数，妊高征风险预测模块根据监测者的基础信息、监测者的生命体征参数以及监测者的生命体征标准值，对监测者的妊高征风险进行监测和预警。通过本发明提供的智能化妊高征监测装置能够实现对妊高征风险的准确、高效的监测和预警。

[0036] (2)本发明提供的智能化妊高征监测装置中，生命体征标准值估算模块包括估算模块和样本库，样本库中的样本存储有样本的基础信息以及对应的生命体征标准值。生命体征标准值估算模块首先根据监测者的基础信息，确定基础信息中各指标的权值；然后计算监测者的基础信息中各指标与样本库中各指标的相似度；接着根据各指标的权值和各指标的相似度获取监测者的基础信息与样本库的整体相似度；最后将样本库中与监测者的基础信息的整体相似度最接近的样本的生命体征标准值作为监测者的生命体征标准值。针对不同监测者的个体特征，确定不同的生命体征标准值，排除个体差异造成的监测误差，从而显著提高监测有效性和准确性。

[0037] (3)本发明提供的智能化妊高征监测装置的生命体征标准值估算模块通过粒子群优化算法获取各指标的权值，准确度较高，进而提高了监测结果的准确性，克服了传统方法的利用专家评议法或专家调查法的主观性强、过度依赖于领域专家的经验的问题。

[0038] (4)本发明提供的智能化妊高征监测装置首先建立监测者正常状态时的监测数据自回归滑动平均拟合模型，然后通过计算监测值与所述生命体征标准值的残差，来识别监测者的妊高征风险，比直接从监测值本身来判断妊高征风险更为有效。

附图说明

[0039] 图1为本发明提供的一种智能化妊高征监测装置的组成结构框图；

[0040] 图2为生命体征标准值估算模块估算监测者的生命体征标准值的流程示意图；

[0041] 图3为妊高征风险预测的流程示意图。

具体实施方式

[0042] 以下将对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例；基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

[0043] 请参阅图1所示，本发明提供一种智能化妊高征监测装置，包括信息输入模块、数据采集模块、生命体征标准值估算模块、数据存储模块、妊高征风险预测模块、报警模块、结果显示模块。所述信息输入模块、数据采集模块和生命体征标准值估算模块分别与所述数据存储模块相连，所述信息输入模块还与所述生命体征标准值估算模块相连，所述数据存储模块与所述妊高征风险预测模块相连，所述妊高征风险预测模块分别与所述报警模块和所述结果显示模块相连。

[0044] 所述信息输入模块，用于输入监测者的基础信息。

[0045] 作为优选，所述监测者的基础信息包括监测者的姓名、年龄、体重、身高、饮食习惯、病史、家族情况、用药情况、运动情况等，依次记为第1,2,…,k个指标。监测者的年龄、体重、身高、饮食习惯、病史、家族情况、用药情况、运动情况等基础信息不同，其个体状态一般不同，发生妊高征风险的生命体征参数值也不同。因此，通过录入监测者的基础信息，有助于针对监测者的个体状态，有针对性的进行妊高征监测。

[0046] 所述数据采集模块，用于采集监测者的生命体征参数。

[0047] 作为优选，所述生命体征参数包括血压数据、脉搏数据和心率数据。

[0048] 作为优选，所述监测者的血管数据通过血管监测设备采集，包括血管血压、血管硬化指数和血管阻力指数，所述脉搏数据通过脉搏计采集，所述心率数据通过心率检测设备采集。

[0049] 所述生命体征标准值估算模块，用于根据监测者的基础信息以及医学规定的生命体征正常值，估算监测者的生命体征标准值。

[0050] 所述医学规定的生命体征正常值为：血压数据中，收缩压的正常值为90～139mmHg，舒张压的正常值为60～89mmHg，脉搏的正常值为60～100次/分，心率的正常值为
60～100次/分。

[0051] 作为优选，所述样本库中的样本存储有样本的基础信息以及对应的生命体征标准值。

[0052] 所述数据存储模块，用于存储所述信息输入模块和数据采集模块的数据以及监测者的生命体征标准值。

[0053] 所述妊高征风险预测模块，用于根据监测者的基础信息、监测者的生命体征参数以及监测者的生命体征标准值，通过妊高征风险预测模型对监测者的妊高征风险进行预测。

[0054] 所述报警模块用于根据监测者的妊高征风险进行预警。

[0055] 所述结果显示模块，用于显示监测者的妊高征风险以及监测者的血管数据、脉搏数据和心率数据。

[0056] 请参阅图2所示，所述生命体征标准值估算模块包括估算模块和样本库，生命体征标准值的估算方法包括以下步骤：

[0057] S101.获取监测者的基础信息，确定基础信息中各指标的权值；

[0058] 其中，各指标的权值通过粒子群优化算法获取，设基础信息中各指标的权值矩阵如式(1)所示：

[0059] W＝[W1,W2,L,Wk]   (1)

[0060] 式中，Wi(i＝1,2,…,k)表示第i个指标的权值，以该矩阵作为粒子群算法中的一个粒子，取n个这样的粒子组成粒子群。以第一次通过关系加权K-近邻算法计算出的监测者预测准确率向量作为个体极值；以个体中准确率最高的极值作为全局极值，其对应的权值矩阵作为最佳权值矩阵。具体获取过程如下：

[0061] 1、使用随机数初始化n个粒子的位置和速度，为粒子群优化算法设置的终止条件，该终止条件为：最大迭代次数m次；

[0062] 2、将每个粒子对应矩阵带入关系加权K-近邻算法，计算每个监测者预测的准确率，并根据准确率高低更新个体极值和全局极值；

[0063] 3、按公式(2)、(3)更新每个粒子的位置和速度；

[0064] vidk+1＝vidk+c1random1k(pbestidk-widk)+c2random2k(gbestdk-widk)   (2)[0065] widk+1＝widk+vidk+1   (3)

[0066] 式中，random1、random2分别是[0,1]之间的随机数；vidk是粒子i在第k次迭代中第d维的速度；widk是粒子i在第k次迭代中第d维的当前位置；c1、c2分别为两个学习因子，一般取c1、c2∈[0,4]；pbestid为粒子i在第d维的个体极值点中的位置；gbestd为整个粒子群在第d维的全局极值点的位置。

[0067] (4)如果满足终止条件则输出W，否则继续执行步骤(2)。

[0068] S102.根据式(4)计算监测者的基础信息中各指标与样本库中各指标的相似度s；

[0069]

[0070] 式中，b、c——分别是指标能量平衡值的取值范围的两个阈值；ar(x)为监测者x的第r(r＝1,2,…,k)个指标的能量平衡值；ar(xi)为样本xi(i＝1,2,…,n)的第r(r＝1,2,…,k)个指标的能量平衡值。

[0071] S103.根据各指标的权值和各指标的相似度获取监测者的基础信息与样本库的整体相似度S，如式(5)所示：

[0072]

[0073] 式中，wr为第r(r＝1,2,…,k)个指标的权值，S越小表示监测者与样本的相似度越高。

[0074] S104.将样本库中与监测者的基础信息的整体相似度最接近的样本的生命体征标准值作为监测者的生命体征标准值。

[0075] 作为优选，所述监测者的生命体征标准值包括早上8点至晚上8点期间的生命体征标准值，以及晚上8点至第二天早上8点的生命体征标准值。鉴于监测者在一天中的不同时间段的生命体征参数存在差异性，因此针对不同时间段设置不同的生命体征标准值，从而提高监测准确性。

[0076] 通过上述生命体征标准值的计算，能够实现针对不同监测者的个体特征，确定不同的生命体征标准值，排除个体差异造成的监测误差，从而显著提高监测有效性和准确性。

[0077] 请参阅图3所示，所述妊高征风险预测模块通过妊高征风险预测模型对监测者的妊高征风险进行预测，包括以下步骤：

[0078] S201.获取在线生命体征参数监测数据；

[0079] S202.建立监测者正常状态时的监测数据自回归滑动平均拟合模型；

[0080] S203.计算监测值与所述生命体征标准值的残差，并用此值来识别监测者的妊高征风险；

[0081] S204.基于监测数据组成时间序列预估所有潜在的风险点

[0082] S205.以残差值为特征量分析监测者的自组织临界性；

[0083] S206.根据自组织临界性建立残差的控制图；

[0084] S207.残差值越限时进行报警，实现对监测者妊高征风险的预测。

[0085] 基于在线监测数据的妊高征风险预测模型，其输入主要有监测者正常状态的监测数据所构成的时间序列、妊高征状态监测数据时间序列、实时监测数据时间序列，输出为一张残差序列的控制图。模型当中最关键的三个模块为正常状态监测数据自回归滑动平均拟合模型的建立、标志监测者妊高征的自组织临界态的残差临界点的计算方法及残差控制图的控制限计算。详细步骤为：

[0086] (1)挑选出监测者正常状态下连续时段在线监测数据，取等间隔长度为a时间点上的监测数据k个组成时间序列{A(t),t＝a,2a,3a,…,ka}。建立序列A(t)的自回归滑动平均拟合模型表达式F，如式(6)所示：

[0087]

[0088] 式中，Q为检验统计量，p和q为自回归滑动平均拟合模型阶数，若选取自回归模型，则q＝0，若选取移动平均模型，则p＝0。

[0089] (2)选取多个妊高征样本时间序列U(t)，代入表达式F计算模型值Fu(t)，计算对应时刻残差Su(t)＝∣A(t)-Fu(t)∣，以此残差序列作为特征量，通过统计方法找出标志监测者妊高征临界态的残差临界点sc。

[0090] (3)基于监测数据组成时间序列预估所有潜在的风险点。

[0091] (4)如果找到临界点，则选取大于临界点的妊高征残差作为样本，利用加权方差的方法建立控制限；若未找到临界点，则采用普通方法建立3倍标准差控制限。

[0092] (5)根据计算的控制限绘制控制图，将监测者的实时监测数据生成时间序列R(t)，代入表达式F产生拟合值Fr(t)，并计算对应时刻的残差Sr(t)绘制于控制图上，一旦有残差点超过控制限或产生风险点，则发出妊高征风险预警，以此实现妊高征风险的监测。

[0093] 上述风险点的识别方法如下：

[0094] 步骤S1：初始参数估计和风险点检测

[0095] (1)基于监测数据组成时间序列的最大似然估计，在第一次迭代的时候选用原始时间的序列，之后选用基于风险点的信息调整后的序列。

[0096] (2)对于每一时刻，计算对应时刻的标准检验统计量，当该标准检验统计量大于指定值的时候，则该点为潜在风险点。

[0097] (3)若没有检测到风险点，直接跳到本步骤的(4)，否则，依据风险点类型，从测量值和残差序列中减去风险点的影响，然后回到本步骤的(2)继续检测有没有新的风险点。

[0098] (4)如果在第一次迭代中没有发现风险点，则认为该序列中没有风险点，停止检测。如果迭代过程中检测到了风险点，则回到本步骤的(1)重新进行最大似然估计并进行接下来的计算，直到当次(2)的检测中没有风险点的出现。

[0099] 步骤S2：进行风险点和监测数据的联合估计

[0100] (1)若在步骤一中检测到了多个风险点，则对各个风险点的风险效应的大小进行估计。

[0101] (2)计算各个风险点的统计量，当其绝对值最小值不大于步骤一中的指定值时，则从探测到的风险点数据中减去该最小值对应的点，然后回到本步骤的(1)进行再次计算，否则到本步骤的(3)。

[0102] (3)基于最近一次本步骤的(1)中对于风险效应大小的估计值，从序列中减去风险点的影响，得到调整后的时间序列的监测数据。

[0103] (4)基于(3)中调整后的时间序列计算监测数据的最大似然估计值，如果本次最大似然估计值与上次最大似然估计值的残差标准差之间的差异不大于指定误差，则跳到步骤三的(1)，否则转到本步骤的(1)进行更多次数的计算。

[0104] 步骤S3：基于步骤二的(4)中的监测数据的最大似然估计值对时间序列的监测数据计算残差。

[0105] 本发明提供的智能化妊高征监测装置的监测方法为：通过信息输入模块输入监测者的基础信息，然后生命体征标准值估算模块根据监测者的基础信息及医学规定的生命体征正常值范围，估算出监测者的生命体征标准值；在实际监测时，数据采集模块实时采集监测者的生命体征参数，妊高征风险预测模块根据监测者的基础信息、监测者的生命体征参数以及监测者的生命体征标准值，对监测者的妊高征风险进行监测；当监测结果显示为具有妊高征风险时，报警模块及时发出预警信号，结果显示模块实时显示监测者的妊高征风险以及监测者的生命体征参数。通过本发明提供的智能化妊高征监测装置能够实现对妊高征风险的准确、高效的监测和预警。

[0106] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。