[發(fā)明專利]一種非接觸式生命體征預(yù)測(cè)監(jiān)測(cè)設(shè)備及監(jiān)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011024174.3
• 申請(qǐng)日: 2020-09-25
• 公開(kāi)（公告）號(hào): CN112022133A
• 公開(kāi)（公告）日: 2020-12-04
• 發(fā)明（設(shè)計(jì)）人: 張廣淵;王康;高曉楠;趙峰;王朋;謝振華;李克峰
• 申請(qǐng)（專利權(quán)）人: 山東交通學(xué)院
• 主分類號(hào): A61B5/024
• 分類號(hào): 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(yù)測(cè)監(jiān)測(cè)設(shè)備，包括床板(1)和醫(yī)用床墊(2)，醫(yī)用床墊(2)位于床板(1)上方，其特征在于，床板(1)和醫(yī)用床墊(2)之間設(shè)有薄膜壓電傳感器(3)，還包括處理器(4)，所述處理器(4)通過(guò)FFC排線(5)與薄膜壓電傳感器(3)連接。

2.如權(quán)利要求1所述的一種非接觸式生命體征預(yù)測(cè)監(jiān)測(cè)設(shè)備，其特征在于，所述處理器(4)側(cè)面設(shè)有顯示屏(7)、蜂鳴器(8)、開(kāi)關(guān)(9)和電源接頭(6)。

3.如權(quán)利要求1所述的一種非接觸式生命體征預(yù)測(cè)監(jiān)測(cè)設(shè)備，其特征在于，所述處理器(4)包括模數(shù)轉(zhuǎn)換模塊、神經(jīng)網(wǎng)絡(luò)模塊和報(bào)警模塊，所述模數(shù)轉(zhuǎn)換模塊用于將從薄膜壓電傳感器(3)采集到的模擬量轉(zhuǎn)換為數(shù)字量；神經(jīng)網(wǎng)絡(luò)模塊采用遞歸神經(jīng)網(wǎng)絡(luò)對(duì)薄膜壓電傳感器(3)采集到的壓力(N)信號(hào)進(jìn)行分析；報(bào)警模塊用于在監(jiān)測(cè)到異常變化趨勢(shì)時(shí)向護(hù)士站發(fā)送警報(bào)，并控制蜂鳴器(8)蜂鳴報(bào)警。

4.如權(quán)利要求1所述的一種非接觸式生命體征預(yù)測(cè)監(jiān)測(cè)設(shè)備，其特征在于，神經(jīng)網(wǎng)絡(luò)模塊中設(shè)有神經(jīng)網(wǎng)絡(luò)模型，所述神經(jīng)網(wǎng)絡(luò)模型包括輸入層、殘差層、雙向長(zhǎng)短期記憶網(wǎng)絡(luò)層、注意力層、單向長(zhǎng)短期記憶網(wǎng)絡(luò)層和全連接層。

5.一種非接觸式生命體征預(yù)測(cè)監(jiān)測(cè)方法，利用權(quán)利要求1至3中任意一項(xiàng)所述的監(jiān)測(cè)設(shè)備，其特征在于，具體步驟如下；

(1)啟動(dòng)裝置，等待系統(tǒng)初始化完成；

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

(3)ARM處理器中的模數(shù)轉(zhuǎn)換模塊將采集到的壓力模擬信號(hào)轉(zhuǎn)化為數(shù)字信號(hào)；

(4)ARM處理器中的神經(jīng)網(wǎng)絡(luò)模塊通過(guò)分析得到的薄膜壓電傳感器陣列上壓力(N)變化的趨勢(shì)，提前預(yù)測(cè)出患者的生命體征變化趨勢(shì)；

(5)ARM處理器將神經(jīng)網(wǎng)絡(luò)模塊的預(yù)測(cè)監(jiān)測(cè)到的各項(xiàng)生命體征數(shù)據(jù)實(shí)時(shí)傳輸?shù)斤@示屏；

(6)當(dāng)監(jiān)測(cè)到患者生命體征有發(fā)生異常的趨勢(shì)時(shí)，ARM處理器中的報(bào)警模塊提前向護(hù)士站發(fā)送警報(bào)，使醫(yī)護(hù)人員可提前做好必要的準(zhǔn)備，并且開(kāi)啟蜂鳴器蜂鳴報(bào)警。

6.如權(quán)利要求5所述的一種非接觸式生命體征預(yù)測(cè)監(jiān)測(cè)方法，其特征在于，步驟(4)中，ARM處理器的神經(jīng)網(wǎng)絡(luò)模塊中設(shè)有神經(jīng)網(wǎng)絡(luò)模型，該神經(jīng)網(wǎng)絡(luò)模型采用預(yù)訓(xùn)練與推理的方式進(jìn)行布署，其中預(yù)訓(xùn)練階段包括以下兩部分：

數(shù)據(jù)采集階段：在時(shí)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(cè)量設(shè)備獲取t時(shí)刻患者的生命體征；

訓(xùn)練階段：該神經(jīng)網(wǎng)絡(luò)模型使用監(jiān)督學(xué)習(xí)的方式進(jìn)行預(yù)訓(xùn)練，即將薄膜壓力傳感器采集到的壓力(N)信號(hào)作為輸入數(shù)據(jù)傳遞給神經(jīng)網(wǎng)絡(luò)模型，同時(shí)將接觸式生命體征測(cè)量設(shè)備獲取到的t時(shí)刻患者的生命體征作為訓(xùn)練標(biāo)簽傳遞給神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練。在這個(gè)迭代訓(xùn)練過(guò)程中，神經(jīng)網(wǎng)絡(luò)模型將會(huì)學(xué)習(xí)到薄膜壓力傳感器采集到的壓力(N)信號(hào)變化趨勢(shì)與患者生命體征變化趨勢(shì)的映射關(guān)系。

完成訓(xùn)練的神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)模型將結(jié)合過(guò)去一段時(shí)間t-δ_t薄膜壓力傳感器采集到的患者壓力(N)變化趨勢(shì)，提前預(yù)測(cè)出未來(lái)一段時(shí)間t+δ_t患者生命體征的變化趨勢(shì)，使醫(yī)護(hù)人員可提前做好必要的準(zhǔn)備，減少醫(yī)護(hù)人員的負(fù)擔(dān)提高工作效率。

7.如權(quán)利要求6所述的一種非接觸式生命體征預(yù)測(cè)監(jiān)測(cè)方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)基于以下兩個(gè)假設(shè)：

(1)當(dāng)生命體征(如心跳)發(fā)生異變時(shí)，存在一個(gè)變化過(guò)程，不會(huì)瞬間陡增；

(2)當(dāng)生命體征(如心跳)平穩(wěn)時(shí)，在短時(shí)間Δt內(nèi)，生命體征基本保持不變。

8.如權(quán)利要求5所述的一種非接觸式生命體征預(yù)測(cè)監(jiān)測(cè)方法，其特征在于，步驟(4)中，生命體征變化趨勢(shì)計(jì)算過(guò)程中神經(jīng)網(wǎng)絡(luò)模型各部分的功能及計(jì)算過(guò)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(shù)據(jù)(N)進(jìn)行歸一化處理(將壓力歸一到0～1之間)以便于神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計(jì)算與推理，并且將歸一化后的壓力數(shù)據(jù)整理為神經(jīng)網(wǎng)絡(luò)模型所需的矩陣形式。為方便后續(xù)的敘述現(xiàn)定義一下符號(hào)：

x₁,x₂,x₃,x₄,...,x_k：從薄膜壓力傳感器中采集到的壓力(N)數(shù)據(jù)(k為薄膜壓力傳感器陣列5中的壓力感應(yīng)點(diǎn)數(shù))；

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

X_r×c：經(jīng)過(guò)(1)輸入層處理后傳感器數(shù)據(jù)；

其中：r為將傳感器數(shù)據(jù)轉(zhuǎn)換成矩陣后的矩陣行數(shù)，c為將傳感器數(shù)據(jù)轉(zhuǎn)換成矩陣后的矩陣列數(shù)，即k＝r×c。

則：

其中：x_i：為薄膜壓力傳感器陣列中第i個(gè)感應(yīng)點(diǎn)的壓力(N)數(shù)據(jù)；

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(jiǎn)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(shù)據(jù)X轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)模型所需的一維向量模式，并且降低神經(jīng)網(wǎng)絡(luò)模型在反向傳播時(shí)梯度由網(wǎng)絡(luò)深層向網(wǎng)絡(luò)淺層傳播的難度，提高模型精度。

殘差塊的數(shù)學(xué)表示形式為：

x_l+1＝x_l+F(x_l,W_l)

其中：l：殘差層的層數(shù)；

x_l：l層的輸入數(shù)據(jù)(l＝1即為(1)輸入層所產(chǎn)出的X)；

x_l+1：l+1層的輸入數(shù)據(jù)，亦即l層的輸出數(shù)據(jù)；

F：代表的是卷積操作；

W_l：第l層卷積核權(quán)重。

X在經(jīng)過(guò)l個(gè)(層)殘差層，即可轉(zhuǎn)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(zhǎng)短期記憶網(wǎng)絡(luò)層：考慮到這是一個(gè)與時(shí)間強(qiáng)相關(guān)的任務(wù)，即某一時(shí)刻t的數(shù)據(jù)會(huì)受到過(guò)去一段時(shí)間t-δ_t的影響，且當(dāng)前時(shí)刻t的數(shù)據(jù)亦會(huì)影響將來(lái)一段時(shí)間t+δ_t。因此當(dāng)我們?cè)陬A(yù)測(cè)的過(guò)程中同時(shí)考慮過(guò)去t-δ_t和將來(lái)t+δ_t時(shí)間段內(nèi)的數(shù)據(jù)時(shí)，便會(huì)得到更為精確的時(shí)刻t的生命體征。而雙向長(zhǎng)短期記憶網(wǎng)絡(luò)可以實(shí)現(xiàn)將過(guò)去和將來(lái)的數(shù)據(jù)聯(lián)合在一起分析計(jì)算，因此在神經(jīng)網(wǎng)絡(luò)模型的該部分設(shè)計(jì)使用了雙向長(zhǎng)短期記憶網(wǎng)絡(luò)層。

雙向長(zhǎng)短期記憶網(wǎng)絡(luò)層包含正向長(zhǎng)短期記憶網(wǎng)絡(luò)層和反向長(zhǎng)短期記憶網(wǎng)絡(luò)層，兩者的形式一致只不過(guò)計(jì)算的方向不一致，故在此只詳述其一，如正向長(zhǎng)短期記憶網(wǎng)絡(luò)層。當(dāng)(2)殘差層部分得到的向量形式的傳遞至此時(shí)，會(huì)經(jīng)過(guò)下述運(yùn)算得到t時(shí)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(zhǎng)短期記憶網(wǎng)絡(luò)訓(xùn)練參數(shù)；

c^＜t＞：為t時(shí)刻的隱藏態(tài)，記錄有t-1時(shí)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(tài)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(shí)刻的信息的程度；

Γ_o：為輸出門，指示依據(jù)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(jī)制學(xué)習(xí)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)層輸出的各時(shí)刻的激活值a^＜t＞對(duì)(5)單向長(zhǎng)短期記憶網(wǎng)絡(luò)層輸入值的影響程度，對(duì)影響小的時(shí)刻給予一個(gè)小的權(quán)重。

在本部分中首先輸入通過(guò)(3)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)層來(lái)得到個(gè)時(shí)刻的激活值[a^＜1＞,a^＜2＞,...,a^Tx]，然后用for循環(huán)調(diào)用one_step_attention()函數(shù)T_y次(T_y為(5)單向長(zhǎng)短期記憶網(wǎng)絡(luò)層的時(shí)間步數(shù)，即想要預(yù)測(cè)的時(shí)間長(zhǎng)度)，這個(gè)循環(huán)每一次迭代都會(huì)計(jì)算出一個(gè)context^＜t＞(對(duì)(3)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)層激活值的修正值)，作為(5)單向長(zhǎng)短期記憶網(wǎng)絡(luò)層的輸入。

其中：表示(3)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)層中前向和反向輸出激活的拼接；

α^＜t，t'＞：將(5)單向長(zhǎng)短期記憶網(wǎng)絡(luò)層中的隱藏狀態(tài)c^＜t-1＞的值復(fù)制T_x次，而后通過(guò)Concatenation()函數(shù)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(shù)中計(jì)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(zhǎng)短期記憶網(wǎng)絡(luò)層：該部分為前向長(zhǎng)短期記憶網(wǎng)絡(luò)層，計(jì)算與(3)中描述的計(jì)算過(guò)程一致不在贅述，該部分計(jì)算(4)注意力層得到的context^＜t＞之間的內(nèi)在聯(lián)系，進(jìn)一步的進(jìn)行計(jì)算得到各時(shí)刻的激活值

(6)全連接層：該部分所起到的功能是給出將來(lái)一定時(shí)間范圍內(nèi)的患者生命體征的預(yù)測(cè)值。在該部分將(6)單向長(zhǎng)短期記憶網(wǎng)絡(luò)層各時(shí)刻的激活值使用下述公式進(jìn)行計(jì)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(zhǎng)短期記憶網(wǎng)絡(luò)層各時(shí)刻的激活值

W：全連接層層間訓(xùn)練權(quán)重；

b：偏置單元；

Y：預(yù)測(cè)的最終的生命體征；

@：矩陣乘法運(yùn)算。

對(duì)于上述網(wǎng)絡(luò)模型所采用的損失函數(shù)為MAE(Mean Absolute Error平方絕對(duì)誤差)。

其中：x_i：為歸一化后的傳感器數(shù)據(jù)；

y_i：為使用接觸式生命體征測(cè)量設(shè)備測(cè)量得到的患者生命體征；

h(x_i)：神經(jīng)網(wǎng)絡(luò)模型基于x_i給出的生命體征預(yù)測(cè)值；

m：為訓(xùn)練樣本數(shù)。

對(duì)于上述神經(jīng)網(wǎng)絡(luò)模型所使用的優(yōu)化器為Adam優(yōu)化器，其中學(xué)習(xí)率lr＝0.005，beta_1＝0.9，beta_2＝0.999，decay＝0.01 。