欢迎来到知嘟嘟! 联系电话:13095918853 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13095918853
知嘟嘟经纪人
收藏
专利号: 2023106138315
申请人: 杭州医锐联科技有限公司
专利类型:发明专利
专利状态:授权未缴费
更新日期:2023-10-19
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种远程医疗监护系统,其特征在于,包括:

数据采集模块,用于获取被监测对象在预定时间段内多个预定时间点的体征数据,其中,所述体征数据包括血压参数、血糖参数、血氧参数、胎心参数和心电参数;

数据参数全时序排列模块,用于将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵;

空间注意力特征提取模块,用于将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵;

矩阵切分模块,用于将所述参数间时序关联特征矩阵进行特征矩阵切分以得到多个参数间时序子特征矩阵;

全局关联编码模块,用于将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器以得到分类特征向量;以及身体状态检测模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示被监控对象的身体状态是否异常;

其中,所述空间注意力特征提取模块,用于:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;

对所述卷积特征图进行池化处理以生成池化特征图;

对所述池化特征图进行非线性激活以生成激活特征图;

计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;

计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;

其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述参数间时序关联特征矩阵;

其中,所述全局关联编码模块,包括:

上下文编码单元,用于将所述多个参数间时序子特征矩阵通过所述包含嵌入层的上下文编码器以得到多个上下文参数间时序子特征向量;

矩阵展开单元,用于将所述多个参数间时序子特征矩阵进行矩阵展开以得到多个参数间时序子特征向量;

特征优化单元,用于融合所述多个参数间时序子特征向量和所述多个上下文参数间时序子特征向量以得到多个优化上下文参数间时序子特征向量;以及级联单元,用于将所述多个优化上下文参数间时序子特征向量进行级联以得到所述分类特征向量;

其中,所述上下文编码单元,包括:

矩阵展开子单元,用于将所述多个参数间时序子特征矩阵展开为多个参数间时序子特征向量;

向量构造子单元,用于将所述多个参数间时序子特征向量进行一维排列以得到参数间全局特征向量;

自注意子单元,用于计算所述参数间全局特征向量与所述多个参数间时序子特征向量中各个参数间时序子特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;

标准化子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;

关注度计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述多个参数间时序子特征向量中各个参数间时序子特征向量进行加权以得到所述多个上下文参数间时序子特征向量。

2.根据权利要求1所述的远程医疗监护系统,其特征在于,所述数据参数全时序排列模块,包括:行向量排列单元,用于将所述多个预定时间点的体征数据分别按照时间维度排列为用全参数输入行向量;以及二维矩阵化单元,用于将所述全参数输入行向量按照样本维度进行二维排列以得到所述全参数全时序输入矩阵。

3.根据权利要求2所述的远程医疗监护系统,其特征在于,所述特征优化单元,用于:以如下优化公式对所述参数间时序子特征向量和对应的所述上下文参数间时序子特征向量进行局部序列语义的片段式富化融合以得到所述优化上下文参数间时序子特征向量;

其中,所述优化公式为:

T

其中,V1k是所述参数间时序子特征向量,V2k是所述上下文参数间时序子特征向量,V2k是所述上下文参数间时序子特征向量的转置向量,D(V1k,V2k)为所述参数间时序子特征向量和所述上下文参数间时序子特征向量之间的距离矩阵,V1k和V2k均为列向量,且α是权重超参数, 表示向量乘法,⊕表示向量加法,V2k′是所述优化上下文参数间时序子特征向量。

4.根据权利要求3所述的远程医疗监护系统,其特征在于,所述身体状态检测模块,包括:全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

5.一种远程医疗监护方法,其特征在于,包括:

获取被监测对象在预定时间段内多个预定时间点的体征数据,其中,所述体征数据包括血压参数、血糖参数、血氧参数、胎心参数和心电参数;

将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵;

将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵;

将所述参数间时序关联特征矩阵进行特征矩阵切分以得到多个参数间时序子特征矩阵;

将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器以得到分类特征向量;以及将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示被监控对象的身体状态是否异常;

其中,将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;

对所述卷积特征图进行池化处理以生成池化特征图;

对所述池化特征图进行非线性激活以生成激活特征图;

计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;

计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;

其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述参数间时序关联特征矩阵;

其中,将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器以得到分类特征向量,包括:将所述多个参数间时序子特征矩阵通过所述包含嵌入层的上下文编码器以得到多个上下文参数间时序子特征向量;

将所述多个参数间时序子特征矩阵进行矩阵展开以得到多个参数间时序子特征向量;

融合所述多个参数间时序子特征向量和所述多个上下文参数间时序子特征向量以得到多个优化上下文参数间时序子特征向量;以及将所述多个优化上下文参数间时序子特征向量进行级联以得到所述分类特征向量;

其中,将所述多个参数间时序子特征矩阵通过所述包含嵌入层的上下文编码器以得到多个上下文参数间时序子特征向量,包括:将所述多个参数间时序子特征矩阵展开为多个参数间时序子特征向量;

将所述多个参数间时序子特征向量进行一维排列以得到参数间全局特征向量;

计算所述参数间全局特征向量与所述多个参数间时序子特征向量中各个参数间时序子特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;

分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;

将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及分别以所述多个概率值中各个概率值作为权重对所述多个参数间时序子特征向量中各个参数间时序子特征向量进行加权以得到所述多个上下文参数间时序子特征向量。

6.根据权利要求5所述的远程医疗监护方法,其特征在于,将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵,包括:将所述多个预定时间点的体征数据分别按照时间维度排列为用全参数输入行向量;以及将所述全参数输入行向量按照样本维度进行二维排列以得到所述全参数全时序输入矩阵。