[發明專利]一種非接觸式生命體征預測監測設備及監測方法

在審

• 申請號: 202011024174.3
• 申請日: 2020-09-25
• 公開（公告）號: CN112022133A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 張廣淵;王康;高曉楠;趙峰;王朋;謝振華;李克峰
• 申請（專利權）人: 山東交通學院
• 主分類號: A61B5/024
• 分類號: A61B5/024;G06N3/04
• 代理公司: 北京艾皮專利代理有限公司 11777
• 代理人: 李德勝

1.一種非接觸式生命體征預測監測設備，包括床板(1)和醫用床墊(2)，醫用床墊(2)位于床板(1)上方，其特征在于，床板(1)和醫用床墊(2)之間設有薄膜壓電傳感器(3)，還包括處理器(4)，所述處理器(4)通過FFC排線(5)與薄膜壓電傳感器(3)連接。

2.如權利要求1所述的一種非接觸式生命體征預測監測設備，其特征在于，所述處理器(4)側面設有顯示屏(7)、蜂鳴器(8)、開關(9)和電源接頭(6)。

3.如權利要求1所述的一種非接觸式生命體征預測監測設備，其特征在于，所述處理器(4)包括模數轉換模塊、神經網絡模塊和報警模塊，所述模數轉換模塊用于將從薄膜壓電傳感器(3)采集到的模擬量轉換為數字量；神經網絡模塊采用遞歸神經網絡對薄膜壓電傳感器(3)采集到的壓力(N)信號進行分析；報警模塊用于在監測到異常變化趨勢時向護士站發送警報，并控制蜂鳴器(8)蜂鳴報警。

4.如權利要求1所述的一種非接觸式生命體征預測監測設備，其特征在于，神經網絡模塊中設有神經網絡模型，所述神經網絡模型包括輸入層、殘差層、雙向長短期記憶網絡層、注意力層、單向長短期記憶網絡層和全連接層。

5.一種非接觸式生命體征預測監測方法，利用權利要求1至3中任意一項所述的監測設備，其特征在于，具體步驟如下；

(1)啟動裝置，等待系統初始化完成；

(2)患者上床躺臥，此時床墊底部的薄膜壓電傳感器陣列將其上各個部分的壓力(N)信息通過FFC排線傳輸給ARM處理器；

(3)ARM處理器中的模數轉換模塊將采集到的壓力模擬信號轉化為數字信號；

(4)ARM處理器中的神經網絡模塊通過分析得到的薄膜壓電傳感器陣列上壓力(N)變化的趨勢，提前預測出患者的生命體征變化趨勢；

(5)ARM處理器將神經網絡模塊的預測監測到的各項生命體征數據實時傳輸到顯示屏；

(6)當監測到患者生命體征有發生異常的趨勢時，ARM處理器中的報警模塊提前向護士站發送警報，使醫護人員可提前做好必要的準備，并且開啟蜂鳴器蜂鳴報警。

6.如權利要求5所述的一種非接觸式生命體征預測監測方法，其特征在于，步驟(4)中，ARM處理器的神經網絡模塊中設有神經網絡模型，該神經網絡模型采用預訓練與推理的方式進行布署，其中預訓練階段包括以下兩部分：

數據采集階段：在時刻t處，使用薄膜壓力傳感器采集患者的壓力(N)信息，并且使用接觸式生命體征測量設備獲取t時刻患者的生命體征；

訓練階段：該神經網絡模型使用監督學習的方式進行預訓練，即將薄膜壓力傳感器采集到的壓力(N)信號作為輸入數據傳遞給神經網絡模型，同時將接觸式生命體征測量設備獲取到的t時刻患者的生命體征作為訓練標簽傳遞給神經網絡模型進行迭代訓練。在這個迭代訓練過程中，神經網絡模型將會學習到薄膜壓力傳感器采集到的壓力(N)信號變化趨勢與患者生命體征變化趨勢的映射關系。

完成訓練的神經網絡模型在布署完成后將始終處于推理模式，在推理模式下該神經網絡模型將結合過去一段時間t-δ_t薄膜壓力傳感器采集到的患者壓力(N)變化趨勢，提前預測出未來一段時間t+δ_t患者生命體征的變化趨勢，使醫護人員可提前做好必要的準備，減少醫護人員的負擔提高工作效率。

7.如權利要求6所述的一種非接觸式生命體征預測監測方法，其特征在于，所述神經網絡模型的設計基于以下兩個假設：

(1)當生命體征(如心跳)發生異變時，存在一個變化過程，不會瞬間陡增；

(2)當生命體征(如心跳)平穩時，在短時間Δt內，生命體征基本保持不變。

8.如權利要求5所述的一種非接觸式生命體征預測監測方法，其特征在于，步驟(4)中，生命體征變化趨勢計算過程中神經網絡模型各部分的功能及計算過程如下：

(1)輸入層：該部分所起到的功能是將從薄膜壓力傳感器中采集到的壓力數據(N)進行歸一化處理(將壓力歸一到0～1之間)以便于神經網絡模型進行計算與推理，并且將歸一化后的壓力數據整理為神經網絡模型所需的矩陣形式。為方便后續的敘述現定義一下符號：

x₁,x₂,x₃,x₄,...,x_k：從薄膜壓力傳感器中采集到的壓力(N)數據(k為薄膜壓力傳感器陣列5中的壓力感應點數)；

x_n1,x_n2,x_n3,x_n4,...,x_nk：歸一化后的傳感器數據(n代表歸一化)；

X_r×c：經過(1)輸入層處理后傳感器數據；

其中：r為將傳感器數據轉換成矩陣后的矩陣行數，c為將傳感器數據轉換成矩陣后的矩陣列數，即k＝r×c。

則：

其中：x_i：為薄膜壓力傳感器陣列中第i個感應點的壓力(N)數據；

x_min,x_max：分別別為x_i的最小和最大值。

為方便敘述，后將X_r×c簡記為X。

(2)殘差層：該部分所起到的功能是將矩陣化的傳感器數據X轉換為神經網絡模型所需的一維向量模式，并且降低神經網絡模型在反向傳播時梯度由網絡深層向網絡淺層傳播的難度，提高模型精度。

殘差塊的數學表示形式為：

x_l+1＝x_l+F(x_l,W_l)

其中：l：殘差層的層數；

x_l：l層的輸入數據(l＝1即為(1)輸入層所產出的X)；

x_l+1：l+1層的輸入數據，亦即l層的輸出數據；

F：代表的是卷積操作；

W_l：第l層卷積核權重。

X在經過l個(層)殘差層，即可轉換為向量形式的并且降低了反向傳播中梯度回傳的難度。

(3)雙向長短期記憶網絡層：考慮到這是一個與時間強相關的任務，即某一時刻t的數據會受到過去一段時間t-δ_t的影響，且當前時刻t的數據亦會影響將來一段時間t+δ_t。因此當我們在預測的過程中同時考慮過去t-δ_t和將來t+δ_t時間段內的數據時，便會得到更為精確的時刻t的生命體征。而雙向長短期記憶網絡可以實現將過去和將來的數據聯合在一起分析計算，因此在神經網絡模型的該部分設計使用了雙向長短期記憶網絡層。

雙向長短期記憶網絡層包含正向長短期記憶網絡層和反向長短期記憶網絡層，兩者的形式一致只不過計算的方向不一致，故在此只詳述其一，如正向長短期記憶網絡層。當(2)殘差層部分得到的向量形式的傳遞至此時，會經過下述運算得到t時刻的激活值。

Γ_u＝σ(W_u[a^＜t-1＞,x^＜t＞]+b_u)

Γ_f＝σ(W_f[a^＜t-1＞,x^＜t＞]+b_f)

Γ_o＝σ(W_o[a^＜t-1＞,x^＜t＞]+b_o)

a^＜t＞＝Γ_o*tanh(c^＜t＞)

其中：b_c,b_u,b_f,b_o：為長短期記憶網絡訓練參數；

c^＜t＞：為t時刻的隱藏態，記錄有t-1時刻的信息；

Γ_u：為更新門，指示將更新為c^＜t＞的程度，即指示更新掉原有的隱藏態信息的程度；

Γ_f：為遺忘門，指示遺忘掉c^＜t-1＞的程度，即指示不考慮t-1時刻的信息的程度；

Γ_o：為輸出門，指示依據c^＜t＞輸出a^＜t＞的程度。

(4)注意力層：該部分所起到的功能是使用注意力機制學習雙向長短期記憶網絡層輸出的各時刻的激活值a^＜t＞對(5)單向長短期記憶網絡層輸入值的影響程度，對影響小的時刻給予一個小的權重。

在本部分中首先輸入通過(3)雙向長短期記憶網絡層來得到個時刻的激活值[a^＜1＞,a^＜2＞,...,a^Tx]，然后用for循環調用one_step_attention()函數T_y次(T_y為(5)單向長短期記憶網絡層的時間步數，即想要預測的時間長度)，這個循環每一次迭代都會計算出一個context^＜t＞(對(3)雙向長短期記憶網絡層激活值的修正值)，作為(5)單向長短期記憶網絡層的輸入。

其中：表示(3)雙向長短期記憶網絡層中前向和反向輸出激活的拼接；

α^＜t，t'＞：將(5)單向長短期記憶網絡層中的隱藏狀態c^＜t-1＞的值復制T_x次，而后通過Concatenation()函數將c^＜t-1＞和a^＜t＞拼接為e^＜t,t'＞，最后將e^＜t,t'＞傳入到softmax()函數中計算得到α^＜t,t'＞。

(在此部分中z_i為e^＜t,t'＞，C為T_x)

(5)單向長短期記憶網絡層：該部分為前向長短期記憶網絡層，計算與(3)中描述的計算過程一致不在贅述，該部分計算(4)注意力層得到的context^＜t＞之間的內在聯系，進一步的進行計算得到各時刻的激活值

(6)全連接層：該部分所起到的功能是給出將來一定時間范圍內的患者生命體征的預測值。在該部分將(6)單向長短期記憶網絡層各時刻的激活值使用下述公式進行計算得到最終的生命體征，為方便敘述此處的生命體征指心跳，但不限于心跳。

Y＝X@W+b

其中：X：(5)單向長短期記憶網絡層各時刻的激活值

W：全連接層層間訓練權重；

b：偏置單元；

Y：預測的最終的生命體征；

@：矩陣乘法運算。

對于上述網絡模型所采用的損失函數為MAE(Mean Absolute Error平方絕對誤差)。

其中：x_i：為歸一化后的傳感器數據；

y_i：為使用接觸式生命體征測量設備測量得到的患者生命體征；

h(x_i)：神經網絡模型基于x_i給出的生命體征預測值；

m：為訓練樣本數。

對于上述神經網絡模型所使用的優化器為Adam優化器，其中學習率lr＝0.005，beta_1＝0.9，beta_2＝0.999，decay＝0.01 。