[发明专利]一种基于深度神经网络的术后病人行为监测方法

摘要

本发明公开了一种基于深度神经网络的术后病人行为监测方法，包括在病人身上设置信息采集装置，利用隐马尔科夫HMM模型和双层GRU模型对信息采集装置采集到的数据进行解析和分类，从而能对术后病人进行实时监测和行为识别，解决了对住院术后病人进行行为识别和体征监控的技术问题，为医生的诊疗提供了参考数据，减少了护士人员的工作强度。

主权项

1.一种基于深度神经网络的术后病人行为监测方法，其特征在于：包括如下步骤：步骤1：在病人身上设置信息采集装置，信息采集装置用于采集病人生命体征数据，生命体征数据包括心电信号ECG、血氧饱和度数据SpO2、位置信息、加速度信号和角速度信号；在医院病房部署监测中心服务器，信息采集装置通过无线网络与监测中心服务器通信；监控中心服务器设有DTU，信息采集装置通过无线网络与DTU通信，DTU通过串口与监控中心服务器通信；步骤2：在监测中心服务器中预设深度神经网络模型，信息采集装置将生命体征数据发送给监测中心服务器，监测中心服务器对生命体征数据进行预处理；步骤3：监测中心服务器对生命体征数据进行窗口分割：使用加窗的方法分割时间序列上的生命体征数据，即，使用窗口长度为在2s时间上的采取的样本点的矩形窗分割生命体征数据，步长设置为有50％的数据重叠；步骤4：监测中心服务器对生命体征数据中的加速度和角速度信号进行特征提取：采用滑动窗口提取时域特征和频域特征；频域特征为生命体征数据中的周期性信息，频域特征的分析用快速傅里叶变换计算；时域特征的提取包括如下步骤：步骤S1：用n来表示一个时间窗口的大小，用i来表示第i行数据，利用以下公式计算加速度和角速度信号数据的均值mean、标准差std、相关系数p和过均值点个数above mean；其中，n取自然数，i取自然数；cov(x,y)表示x,y的相关系数；σx，σy表示x,y的标准差；sign()为判断函数，当a_i＞mean的条件成立时，sign()结果取值为1，否则为0；a_i为第i行数据；频域特征的提取包括如下步骤：步骤S2：用n来表示一个时间窗口的大小，用i来表示第i行数据，通过快速傅里叶变换分析加速度和角速度数据频域分析，利用以下公式得到的幅度统计的几个量包括均值amp_mean、标准差amp_std、斜度amp_skew、峭度amp_kurt和形状统计的几个量包括均值shape_mean、标准差shape_std、斜度shape_skew、峭度shape_kurt；其中C(i)为第i个窗口的频率幅度值，N表示窗口数，步骤S3：选择生命体征数据的加速度和角速度信号的时域和频域特征来进行行为识别；步骤5：监测中心服务器进行特征选择：将生命体征数据分类为人体生命体征状况数据和行为数据；步骤6：监测中心服务器基于时间序列对行为数据进行计算，对病人进行行为识别，其具体步骤如下：步骤A1：将信息采集装置多次采集到的位置信息、加速度信号和角速度信号进行小波去噪后生成行为样本集；步骤A2：建立隐马尔科夫HMM模型和双层GRU模型，利用行为样本集中的数据对隐马尔科夫HMM模型和双层GRU模型进行训练；步骤A3：将行为样本集中最近一次采集到的位置信息、加速度信号和角速度信号作为实时行为数据，并将实时行为数据加入到测试行为样本集中；步骤A4：通过隐马尔科夫HMM模型中的Viterbi算法对测试行为样本集进行分类，去除脏数据，生产行为序列数据，步骤A5：将行为分类为5个类型，5个类型包括行走、躺着、坐着、喝水和站立；步骤A6：利用双层GRU模型对行为序列数据进行识别，判断并输出行为序列数据属于步骤A5中定义的哪一个类型；步骤7：监测中心服务器基于时间序列对人体生命体征状况数据进行计算，识别病人的生命体证状况，其具体步骤如下：步骤B1：将信息采集装置多次采集到的心电信号ECG和血氧饱和度数据SpO2进行小波去噪后生成体征样本集；步骤B2：建立双层GRU模型，利用体征样本集中的数据对双层GRU模型进行训练；步骤B3：将体征样本集中最近一次采集到的心电信号ECG和血氧饱和度数据SpO2作为实时行为数据，并将实时行为数据加入到测试体征样本集中；步骤B4：将体征分为分为四级：一级是生命体征严重危险的病人，二级是生命体征危险的病人，三级是生命体征状态中等的病人，四级是生命体征状态良好的病人；步骤B5：利用双层GRU模型对测试体征样本集进行识别，判断并输出测试体征样本集中的数据属于步骤B4中定义的哪一个类型。