买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京裕隆生物医学发展有限公司

摘要：本发明涉及医疗数据监测系统技术领域，公开了用于医疗数据管理平台的远程实时监测协作方法及系统，系统包括设备层、数据库层和控制层，所述设备层包括输入设备和输出设备，所述输入设备包括医疗数据采集设备，所述输出设备包括显示装置和设备故障预警装置，所述数据库层用于存储系统工作过程中采集的数据，所述控制层包括CPU、关联模型构建模块、异常监测模块、关联数据检索模块和通讯模块，所述关联模型构建模块基于医疗数据构建关联模型，所述异常监测模块基于关联模型监测异常，所述关联数据检索模块检索潜在异常医疗数据。本发明能够监测异常医疗数据，并根据监测出的异常医疗数据，检索潜在异常，提高医疗系统可靠性。

主权项：1.用于医疗数据管理平台的远程实时监测协作系统，其特征在于，所述系统包括设备层、数据库层和控制层，所述设备层包括输入设备和输出设备，所述输入设备包括医疗数据采集设备，所述医疗数据采集设备用于采集各项医疗数据，所述输出设备包括显示装置和预警装置，所述显示装置用于显示系统的监测结果，所述预警装置用于在监测出医疗数据有异常时进行预警；所述数据库层用于存储系统工作过程中采集的数据，所述控制层包括CPU、关联模型构建模块、异常监测模块、关联数据检索模块和通讯模块；所述关联模型构建模块基于由所述医疗数据采集设备实时采集的各种医疗数据构建关联模型，所述关联模型为一个无向图G，G包含节点集合V，边集合E，节点属性矩阵X和邻接矩阵A，分别按照以下步骤构建节点集合V，边集合E，节点属性矩阵X和邻接矩阵A：所述医疗数据采集设备实时地采集各种医疗数据，并每隔一个周期上传所采集的各种医疗数据，所述各种医疗数据为时间序列数据，设所述医疗数据采集设备采集的医疗数据的种数为n；S1：构建节点集合V，V＝{v1,v2,...,vn}，其中第i个节点vi表示第i种医疗数据；S2：构建节点属性矩阵X，X∈Rn×T，其中Rn×T表示维度为n×T的实数空间，其中T表示一个周期内的所述医疗数据包含的时间步总数，设X的第i行为向量xi，xi∈R1×T，其中R1×T表示维度为1×T的实数空间，则向量xi表示G中第i个节点vi的属性向量，该属性向量为所述医疗数据采集设备在一个周期内采集的第i种医疗数据；S3：构建边集合E＝{e1,...,em}，E中包含的每个元素为两个节点之间的一条边，其中m为边的总数，设第i个节点vi和第j个节点vj之间的边为集合E中的第p条边ep，则ep的值由以下规则确定：计算节点vi对应的属性向量xi和节点vj对应的属性向量xj之间的皮尔逊相关系数，计算公式如下： 其中Pearsonxi,xj表示xi和xj之间的皮尔逊相关系数，Pearsonxi,xj∈[-1,1]，covxi,xj表示xi和xj之间的协方差，σxi表示xi的标准差，σxj表示xj的标准差，则ep的值为： 当ep＝0时，表示第i个节点vi和第j个节点vj之间不存在边，反之则存在边；S4：构建邻接矩阵A，A∈Rn×n，其中Rn×n表示维度为n×n的实数空间，邻接矩阵A的第i行第j列的元素为ai,j，ai,j的值为所述第i个节点vi和第j个节点vj之间的边的值，设第i个节点vi和第j个节点vj之间的边为边集合E＝{e1,...,em}中第p条边ep，则ai,j值等于ep的值；所述异常监测模块基于所述关联模型构建异常监测模型用于检测出现异常的医疗数据，所述异常监测模型由编码器和解码器构成，所述编码器由五层图卷积神经网络构成，所述图卷积神经网络层用如下公式表示：Hl+1＝fHl,A|Wl；其中Hl表示第l层图卷积神经网络层的输入数据，Hl+1表示第l+1层图卷积神经网络层的输入数据，也表示第l层图卷积神经网络层的输出数据，当l＝1时，H1为所述节点属性矩阵X，X∈Rn×T，其中表示维度为n×hl的实数空间，表示维度为n×hl+1的实数空间，Rn×T表示维度为n×T的实数空间，hl和hl+1为设置好的实数，当l＝1时，h1＝T，Wl表示第l层图卷积神经网络层的可训练权重矩阵，其中表示维度为hl×hl+1的实数空间，f表示所述图卷积神经网络层的图卷积操作；所述解码器包括邻接矩阵解码器和节点属性矩阵解码器，所述邻接矩阵解码器以编码器的输出结果Z为输入，输出预测的邻接矩阵设第i个节点vi和第j个节点vj之间的边ep的预测值为则ep＝ai,j，其中ai,j表示邻接矩阵A第i行第j列的值，表示预测的邻接矩阵第i行第j列的值，且其中zi表示编码器的输出结果Z的第i行向量，zj表示编码器的输出结果Z的第j行向量，表示zj的转置，sigmoid表示sigmoid激活函数，则所述邻接矩阵解码器的工作工程用如下公式表示： 其中ZT表示Z的转置；所述节点属性矩阵解码器由一层图卷积神经网络层构成，节点属性矩阵解码器的工作过程用如下公式表示： 其中Z为所述编码器模块的输出结果，f表示所述图卷积神经网络层的图卷积操作，W表示所述解码器中图卷积神经网络层的可训练权重矩阵，为节点属性矩阵解码器的输出结果，所述异常监测模型使用如下损失函数训练： 其中X为所述节点属性矩阵，为节点属性矩阵解码器的输出结果，A为邻接矩阵，为邻接矩阵解码器的输出结果，η为设定的参数，η∈[0,1]；所述异常监测模块设置阈值Q1和阈值Q2，并根据如下公式计算所述节点集合V中，第i个节点vi对应的第i种医疗数据的节点异常分数： 其中向量xi表示G中第i个节点vi的属性向量，为节点属性矩阵解码器的输出结果的第i行向量，xi∈R1×T，比较所述异常监测模块阈值Q1和score1vi，若Q1≥score1vi，则说明节点vi对应的第i种医疗数据没有异常，若Q1＜score1vi，则说明节点vi对应的第i种医疗数据有异常；所述异常监测模块根据如下公式计算所述节点集合V中，第p条边节点ep的边异常分数： 其中，ep表示第i个节点vi和第j个节点vj之间的边，ep＝ai,j，ai,j表示邻接矩阵A第i行第j列的值，为ep的预测值，表示邻接矩阵解码器的输出结果第i行第j列的值，比较所述异常监测模块阈值Q2和score2ep，若Q2≥score2ep，则说明第i个节点vi和第j个节点vj之间的边ep没有异常，若Q2＜score2ep，则说明第i个节点vi和第j个节点vj之间的边ep有异常；所述关联数据检索模块根据所述异常监测模块的检测结果，检索有潜在异常的医疗数据，设异常监测模块检测出节点vi和边ep有异常，则对于有异常的节点vi，使用深度优先搜索算法检索G与节点vi连通的最大连通子图，将该最大连通子图中的所有节点对应的医疗数据都视为有潜在异常的医疗数据，对于有异常的边ep，设第i个节点vi和第j个节点vj之间边为ep，则将第i个节点vi和第j个节点vj对应的医疗数据都视为有潜在异常的医疗数据，对于有潜在异常的医疗数据，计算该医疗数据对应的节点的节点异常分数，根据阈值Q1判断该节点是否有异常，对于有异常的节点和节点对应的医疗数据，使用所述预警装置进行预警。

全文数据：

权利要求：

百度查询： 南京裕隆生物医学发展有限公司 用于医疗数据管理平台的远程实时监测协作方法及系统