[发明专利]一种非接触式生命体征预测监测设备及监测方法

权利要求书

1.一种非接触式生命体征预测监测设备，包括床板(1)和医用床垫(2)，医用床垫(2)位于床板(1)上方，其特征在于，床板(1)和医用床垫(2)之间设有薄膜压电传感器(3)，还包括处理器(4)，所述处理器(4)通过FFC排线(5)与薄膜压电传感器(3)连接。

2.如权利要求1所述的一种非接触式生命体征预测监测设备，其特征在于，所述处理器(4)侧面设有显示屏(7)、蜂鸣器(8)、开关(9)和电源接头(6)。

3.如权利要求1所述的一种非接触式生命体征预测监测设备，其特征在于，所述处理器(4)包括模数转换模块、神经网络模块和报警模块，所述模数转换模块用于将从薄膜压电传感器(3)采集到的模拟量转换为数字量；神经网络模块采用递归神经网络对薄膜压电传感器(3)采集到的压力(N)信号进行分析；报警模块用于在监测到异常变化趋势时向护士站发送警报，并控制蜂鸣器(8)蜂鸣报警。

4.如权利要求1所述的一种非接触式生命体征预测监测设备，其特征在于，神经网络模块中设有神经网络模型，所述神经网络模型包括输入层、残差层、双向长短期记忆网络层、注意力层、单向长短期记忆网络层和全连接层。

5.一种非接触式生命体征预测监测方法，利用权利要求1至3中任意一项所述的监测设备，其特征在于，具体步骤如下；

(1)启动装置，等待系统初始化完成；

(2)患者上床躺卧，此时床垫底部的薄膜压电传感器阵列将其上各个部分的压力(N)信息通过FFC排线传输给ARM处理器；

(3)ARM处理器中的模数转换模块将采集到的压力模拟信号转化为数字信号；

(4)ARM处理器中的神经网络模块通过分析得到的薄膜压电传感器阵列上压力(N)变化的趋势，提前预测出患者的生命体征变化趋势；

(5)ARM处理器将神经网络模块的预测监测到的各项生命体征数据实时传输到显示屏；

(6)当监测到患者生命体征有发生异常的趋势时，ARM处理器中的报警模块提前向护士站发送警报，使医护人员可提前做好必要的准备，并且开启蜂鸣器蜂鸣报警。

6.如权利要求5所述的一种非接触式生命体征预测监测方法，其特征在于，步骤(4)中，ARM处理器的神经网络模块中设有神经网络模型，该神经网络模型采用预训练与推理的方式进行布署，其中预训练阶段包括以下两部分：

数据采集阶段：在时刻t处，使用薄膜压力传感器采集患者的压力(N)信息，并且使用接触式生命体征测量设备获取t时刻患者的生命体征；

训练阶段：该神经网络模型使用监督学习的方式进行预训练，即将薄膜压力传感器采集到的压力(N)信号作为输入数据传递给神经网络模型，同时将接触式生命体征测量设备获取到的t时刻患者的生命体征作为训练标签传递给神经网络模型进行迭代训练。在这个迭代训练过程中，神经网络模型将会学习到薄膜压力传感器采集到的压力(N)信号变化趋势与患者生命体征变化趋势的映射关系。

完成训练的神经网络模型在布署完成后将始终处于推理模式，在推理模式下该神经网络模型将结合过去一段时间t-δ_t薄膜压力传感器采集到的患者压力(N)变化趋势，提前预测出未来一段时间t+δ_t患者生命体征的变化趋势，使医护人员可提前做好必要的准备，减少医护人员的负担提高工作效率。

7.如权利要求6所述的一种非接触式生命体征预测监测方法，其特征在于，所述神经网络模型的设计基于以下两个假设：

(1)当生命体征(如心跳)发生异变时，存在一个变化过程，不会瞬间陡增；

(2)当生命体征(如心跳)平稳时，在短时间Δt内，生命体征基本保持不变。

8.如权利要求5所述的一种非接触式生命体征预测监测方法，其特征在于，步骤(4)中，生命体征变化趋势计算过程中神经网络模型各部分的功能及计算过程如下：

(1)输入层：该部分所起到的功能是将从薄膜压力传感器中采集到的压力数据(N)进行归一化处理(将压力归一到0～1之间)以便于神经网络模型进行计算与推理，并且将归一化后的压力数据整理为神经网络模型所需的矩阵形式。为方便后续的叙述现定义一下符号：

x₁,x₂,x₃,x₄,...,x_k：从薄膜压力传感器中采集到的压力(N)数据(k为薄膜压力传感器阵列5中的压力感应点数)；

x_n1,x_n2,x_n3,x_n4,...,x_nk：归一化后的传感器数据(n代表归一化)；

X_r×c：经过(1)输入层处理后传感器数据；

其中：r为将传感器数据转换成矩阵后的矩阵行数，c为将传感器数据转换成矩阵后的矩阵列数，即k＝r×c。

则：

其中：x_i：为薄膜压力传感器阵列中第i个感应点的压力(N)数据；

x_min,x_max：分别别为x_i的最小和最大值。

为方便叙述，后将X_r×c简记为X。

(2)残差层：该部分所起到的功能是将矩阵化的传感器数据X转换为神经网络模型所需的一维向量模式，并且降低神经网络模型在反向传播时梯度由网络深层向网络浅层传播的难度，提高模型精度。

残差块的数学表示形式为：

x_l+1＝x_l+F(x_l,W_l)

其中：l：残差层的层数；

x_l：l层的输入数据(l＝1即为(1)输入层所产出的X)；

x_l+1：l+1层的输入数据，亦即l层的输出数据；

F：代表的是卷积操作；

W_l：第l层卷积核权重。

X在经过l个(层)残差层，即可转换为向量形式的并且降低了反向传播中梯度回传的难度。

(3)双向长短期记忆网络层：考虑到这是一个与时间强相关的任务，即某一时刻t的数据会受到过去一段时间t-δ_t的影响，且当前时刻t的数据亦会影响将来一段时间t+δ_t。因此当我们在预测的过程中同时考虑过去t-δ_t和将来t+δ_t时间段内的数据时，便会得到更为精确的时刻t的生命体征。而双向长短期记忆网络可以实现将过去和将来的数据联合在一起分析计算，因此在神经网络模型的该部分设计使用了双向长短期记忆网络层。

双向长短期记忆网络层包含正向长短期记忆网络层和反向长短期记忆网络层，两者的形式一致只不过计算的方向不一致，故在此只详述其一，如正向长短期记忆网络层。当(2)残差层部分得到的向量形式的传递至此时，会经过下述运算得到t时刻的激活值。

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：为长短期记忆网络训练参数；

c^＜t＞：为t时刻的隐藏态，记录有t-1时刻的信息；

Γ_u：为更新门，指示将更新为c^＜t＞的程度，即指示更新掉原有的隐藏态信息的程度；

Γ_f：为遗忘门，指示遗忘掉c^＜t-1＞的程度，即指示不考虑t-1时刻的信息的程度；

Γ_o：为输出门，指示依据c^＜t＞输出a^＜t＞的程度。

(4)注意力层：该部分所起到的功能是使用注意力机制学习双向长短期记忆网络层输出的各时刻的激活值a^＜t＞对(5)单向长短期记忆网络层输入值的影响程度，对影响小的时刻给予一个小的权重。

在本部分中首先输入通过(3)双向长短期记忆网络层来得到个时刻的激活值[a^＜1＞,a^＜2＞,...,a^Tx]，然后用for循环调用one_step_attention()函数T_y次(T_y为(5)单向长短期记忆网络层的时间步数，即想要预测的时间长度)，这个循环每一次迭代都会计算出一个context^＜t＞(对(3)双向长短期记忆网络层激活值的修正值)，作为(5)单向长短期记忆网络层的输入。

其中：表示(3)双向长短期记忆网络层中前向和反向输出激活的拼接；

α^＜t，t'＞：将(5)单向长短期记忆网络层中的隐藏状态c^＜t-1＞的值复制T_x次，而后通过Concatenation()函数将c^＜t-1＞和a^＜t＞拼接为e^＜t,t'＞，最后将e^＜t,t'＞传入到softmax()函数中计算得到α^＜t,t'＞。

(在此部分中z_i为e^＜t,t'＞，C为T_x)

(5)单向长短期记忆网络层：该部分为前向长短期记忆网络层，计算与(3)中描述的计算过程一致不在赘述，该部分计算(4)注意力层得到的context^＜t＞之间的内在联系，进一步的进行计算得到各时刻的激活值

(6)全连接层：该部分所起到的功能是给出将来一定时间范围内的患者生命体征的预测值。在该部分将(6)单向长短期记忆网络层各时刻的激活值使用下述公式进行计算得到最终的生命体征，为方便叙述此处的生命体征指心跳，但不限于心跳。

Y＝X@W+b

其中：X：(5)单向长短期记忆网络层各时刻的激活值

W：全连接层层间训练权重；

b：偏置单元；

Y：预测的最终的生命体征；

@：矩阵乘法运算。

对于上述网络模型所采用的损失函数为MAE(Mean Absolute Error平方绝对误差)。

其中：x_i：为归一化后的传感器数据；

y_i：为使用接触式生命体征测量设备测量得到的患者生命体征；

h(x_i)：神经网络模型基于x_i给出的生命体征预测值；

m：为训练样本数。

对于上述神经网络模型所使用的优化器为Adam优化器，其中学习率lr＝0.005，beta_1＝0.9，beta_2＝0.999，decay＝0.01 。