[發明專利]基于移動互聯網的孕產婦健康監護系統有效
| 申請號: | 201410811322.4 | 申請日: | 2014-12-23 |
| 公開(公告)號: | CN104523263A | 公開(公告)日: | 2015-04-22 |
| 發明(設計)人: | 吳凱;杜欣 | 申請(專利權)人: | 華南理工大學;廣州雙悠生物科技有限責任公司 |
| 主分類號: | A61B5/0402 | 分類號: | A61B5/0402;A61B5/1455;H04L29/08;G06Q50/22 |
| 代理公司: | 廣州市華學知識產權代理有限公司 44245 | 代理人: | 裘暉 |
| 地址: | 510640 廣*** | 國省代碼: | 廣東;44 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 基于 移動 互聯網 產婦 健康 監護 系統 | ||
1.基于移動互聯網的孕產婦健康監護系統,其特征在于:包括智能終端、云服務器、心電檢測裝置以及血氧飽和度檢測裝置,所述心電檢測裝置和血氧飽和度檢測裝置分別通過藍牙信號與智能終端連接,所述智能終端通過移動互聯網與云服務器連接,其中:
所述心電檢測裝置,用于采集孕產婦的心電信號,并將心電信號發送到智能終端;
所述血氧飽和度檢測裝置,用于采集孕產婦的血氧飽和度信號,并將血氧飽和度信號發送到智能終端;
所述智能終端,用于接收孕產婦的心電信號和血氧飽和度信號、完成孕產婦的量表篩查以及輸入孕產婦的臨床信息,并將心電信號、血氧飽和度信號、量表篩查的測評結果以及臨床信息上傳到云服務器;
所述云服務器,用于接收醫院上傳的孕產婦生化分析信息和智能終端上傳的信息,從而自動完成對孕產婦的健康現狀分析,并生成相應的護理和保健指導,然后將健康現狀分析結果、護理和保健指導反饋給智能終端。
2.根據權利要求1所述的基于移動互聯網的孕產婦健康監護系統,其特征在于:所述在智能終端上完成的量表篩查包括社會-人口統計學特征調查表、健康狀況調查問卷、焦慮自評量表,抑郁自評量表、愛丁堡產后抑郁量表、壓力感受量表、多維度社會支持感知量表和匹茲堡睡眠質量指數量表。
3.根據權利要求1所述的基于移動互聯網的孕產婦健康監護系統,其特征在于:所述在智能終端上輸入的臨床信息包括身高、體重、年齡、懷孕時長、病史、家族史基本信息和體溫、血壓生理參數檢測數據。
4.根據權利要求3所述的基于移動互聯網的孕產婦健康監護系統,其特征在于:所述云服務器對接收到的心電信號進行如下處理:
對心電信號進行平滑濾波以消除工頻干擾,采用擬合糾正法以消除基線漂移和采用小波變換法消除肌電干擾;對處理后的心電信號,進一步采用峰值檢測法和可變斜率閾值法進行QRS波群實時檢測、采用小波分解與自適應濾波相結合的方法進行QRS波群的模型檢測以及采用雙基準導聯及多基線體系方法進行QRS波群的數學形態學檢測;
在檢測后,對處理后的心電信號進行心率變異性分析,具體包括:
a、時域分析:通過計算一系列有關RR間期的數理統計指標的統計學分析方法,以得到短時程心電信號來獲取心率變異性信息;
b、頻域分析:應用基于FFT的經典譜估計法和基于AR模型的現代譜估計法對RR間期序列進行譜估計;
c、非線性分析:采用混沌理論和分形理論的非線性動力學理論,將非線性分析方法引入到分析心率變異性信號的復雜性。
5.根據權利要求4所述的基于移動互聯網的孕產婦健康監護系統,其特征在于:所述云服務器對接收到的血氧飽和度信號進行如下處理:
對血氧飽和度信號采用中值濾波運算以消除孤立的噪聲點,采用滑動平均運算進行低通濾波,采用LMS運算進行自適應濾波,并進一步采用運動補償算法去除運動過程中產生的運動偽差,得到血氧飽和度數值和血氧脈搏波;
對得到的血氧脈搏波進一步進行時域分析和頻域分析,時域分析方法是在小波變換的基礎上,通過對處理后的血氧脈搏波信號進行多層分解,依據血氧脈搏波信號的頻率分布特點,重構特定的細節分量信號,進而采用閉值法在重構信號的能量值曲線上完成主波P波波峰點的位置的檢測,然后根據P波波峰與其它特征點的位置關系,提取切跡V波波谷點、重搏前波T波波峰點、重搏波D波波峰點、脈搏初始點A等脈象波形的主要特征點;頻域分析方法是采用小波包分解技術將信號正交地、獨立地分解到各個頻帶內,用能量比例棒圖直觀的反映出脈搏信號在各頻帶內的能量大小。
6.根據權利要求5所述的基于移動互聯網的孕產婦健康監護系統,其特征在于:所述云服務器對處理后的心電信號和血氧飽和度信號,以及接收到的生化分析信息、量表篩查的測評結果和臨床信息進行基于大樣本數據信息的機器學習和數據挖掘,如下:
a、采用數據分治與并行處理策略對大樣本數據信息進行基本處理;
b、采用張量分解進行大樣本數據信息的特征選擇:利用Tucker分解方法進行數據分解,以及利用FSOM算法進行特征提取;
c、采用半監督的學習算法對大樣本數據信息進行分類;
d、采用FCM聚類算法對大樣本數據信息進行聚類,并運用MapReduce模型進行數據的大規模并行處理;
e、采用Apriori算法對大樣本數據信息進行關聯分析。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于華南理工大學;廣州雙悠生物科技有限責任公司;,未經華南理工大學;廣州雙悠生物科技有限責任公司;許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201410811322.4/1.html,轉載請聲明來源鉆瓜專利網。





