本發(fā)明屬于大數(shù)據(jù)領(lǐng)域，具體是基于大數(shù)據(jù)的家庭參與式婦產(chǎn)科病房管理分析系統(tǒng)。

背景技術(shù)：

1、傳統(tǒng)的婦產(chǎn)科病房管理通常由醫(yī)院的醫(yī)護(hù)人員負(fù)責(zé)，但這種方式存在一些問題，首先，醫(yī)護(hù)資源有限，無法滿足日益增長的婦產(chǎn)科患者需求；其次，傳統(tǒng)的管理方式可能存在信息傳遞不暢、工作效率低下以及與患者和家屬之間的溝通不足等問題，影響了婦產(chǎn)科病房的管理和患者的體驗(yàn)；針對上述問題，醫(yī)院誕生了家庭參與式婦產(chǎn)科病房管理系統(tǒng)，旨在通過信息技術(shù)的支持，建立起醫(yī)院、患者和家屬之間更緊密的聯(lián)系與互動，但是現(xiàn)有的家庭參與式婦產(chǎn)科病房管理系統(tǒng)操作繁瑣，醫(yī)學(xué)數(shù)據(jù)對于家屬來說過于晦澀，使得患者和家屬的體驗(yàn)不佳。

技術(shù)實(shí)現(xiàn)思路

1、針對上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供基于大數(shù)據(jù)的家庭參與式婦產(chǎn)科病房管理分析系統(tǒng)，針對傳統(tǒng)的婦產(chǎn)科病房管理通常由醫(yī)院的醫(yī)護(hù)人員負(fù)責(zé)，無法滿足日益增長的婦產(chǎn)科患者需求，本發(fā)明引進(jìn)家庭參與式婦產(chǎn)科病房管理分析系統(tǒng)，以信息技術(shù)的方式，讓患者與家屬共同參與到病房的管理過程中，減輕醫(yī)護(hù)人員的工作壓力，同時(shí)增加醫(yī)院、患者和家屬之間更緊密的聯(lián)系與互動；針對現(xiàn)有的家庭參與式婦產(chǎn)科病房管理系統(tǒng)操作繁瑣，醫(yī)學(xué)數(shù)據(jù)對于家屬來說過于晦澀，本發(fā)明采用基于大數(shù)據(jù)分析的方式，將患者的健康情況直接展示在系統(tǒng)中，無需家屬的過多操作，就能直觀得知患者的健康情況以及可能存在的病情變化；本發(fā)明綜合采用基于搜索算法優(yōu)化的vmd信號分解方法與遺傳優(yōu)化的lstm模型，使用大數(shù)據(jù)對信號分解方法與lstm模型進(jìn)行訓(xùn)練，使用訓(xùn)練好的模型對患者健康趨勢進(jìn)行預(yù)測，提高預(yù)測的準(zhǔn)確性，患者家屬可根據(jù)預(yù)測結(jié)果采取相應(yīng)的治療措施，醫(yī)生與醫(yī)療團(tuán)隊(duì)可根據(jù)預(yù)測結(jié)果更好地了解病情的發(fā)展趨勢和治療效果，做出更明智和準(zhǔn)確的治療決策。

2、本發(fā)明提供的基于大數(shù)據(jù)的家庭參與式婦產(chǎn)科病房管理分析系統(tǒng)，包括中央控制模塊、數(shù)據(jù)收集與整合模塊、實(shí)時(shí)監(jiān)測模塊、數(shù)據(jù)分析與預(yù)測模塊、家庭參與平臺模塊、信息共享模塊和數(shù)據(jù)隱私模塊；

3、所述中央控制模塊，直接控制管理分析系統(tǒng)的所有模塊，對所有模塊的參數(shù)、界面進(jìn)行控制，并接收存儲所有模塊產(chǎn)生的數(shù)據(jù)；

4、所述數(shù)據(jù)收集與整合模塊，利用大數(shù)據(jù)技術(shù)，從網(wǎng)上采集婦產(chǎn)科病房患者的血壓時(shí)序圖、心率時(shí)序圖、體溫時(shí)序圖和呼吸時(shí)序圖，并將所有的時(shí)序圖整合為訓(xùn)練集與測試集，發(fā)送至數(shù)據(jù)分析與預(yù)測模塊和信息共享模塊；

5、所述實(shí)時(shí)監(jiān)測模塊，采集患者的病情數(shù)據(jù)，采用血壓監(jiān)測儀、心電圖儀、紅外體溫計(jì)和呼吸檢測儀，實(shí)時(shí)采集病房內(nèi)患者的血壓時(shí)序圖、心率時(shí)序圖、體溫時(shí)序圖和呼吸時(shí)序圖，并將所有的時(shí)序圖作為實(shí)時(shí)數(shù)據(jù)集，發(fā)送至數(shù)據(jù)分析與預(yù)測模塊和數(shù)據(jù)隱私模塊；

6、所述數(shù)據(jù)分析與預(yù)測模塊，在對訓(xùn)練集、測試集與實(shí)時(shí)數(shù)據(jù)集進(jìn)行預(yù)處理后，使用基于禁忌搜索算法優(yōu)化的vmd信號分解方法，對訓(xùn)練集、測試集與實(shí)時(shí)數(shù)據(jù)集進(jìn)行模態(tài)分解與重構(gòu)，得到特征優(yōu)化的訓(xùn)練集、測試集與實(shí)時(shí)數(shù)據(jù)集，再使用特征優(yōu)化的訓(xùn)練集與測試集，對遺傳優(yōu)化的lstm模型進(jìn)行訓(xùn)練與測試，并使用訓(xùn)練好的模型對特征優(yōu)化的實(shí)時(shí)數(shù)據(jù)集進(jìn)行分類預(yù)測，得到患者的健康狀況分類和預(yù)測結(jié)果，并將健康狀況分類結(jié)果發(fā)送至家庭參與平臺模塊，將所有病房的患者的病情數(shù)據(jù)、vmd信號分解方法和lstm模型的參數(shù)發(fā)送至信息共享模塊；

7、所述家庭參與平臺模塊，展示醫(yī)護(hù)人員針對患者定制的的醫(yī)療計(jì)劃、治療進(jìn)展，直接展示患者的病情數(shù)據(jù)以及患者的健康狀況分類和預(yù)測結(jié)果，支持患者與家屬同醫(yī)護(hù)人員之間的在線溝通；

8、所述數(shù)據(jù)隱私模塊，將所有病房的患者的病情數(shù)據(jù)進(jìn)行保密處理；

9、所述信息共享模塊，供所有使用本管理分析系統(tǒng)的病房共享所有病房的患者的病情數(shù)據(jù)、vmd信號分解方法和lstm模型的參數(shù)，所有共享數(shù)據(jù)僅供本管理分析系統(tǒng)的優(yōu)化。

10、進(jìn)一步的，在數(shù)據(jù)分析與預(yù)測模塊中，使用基于禁忌搜索算法優(yōu)化的vmd信號分解方法，對訓(xùn)練集、測試集與實(shí)時(shí)數(shù)據(jù)集進(jìn)行模態(tài)分解與重構(gòu)，得到特征優(yōu)化的訓(xùn)練集、測試集與實(shí)時(shí)數(shù)據(jù)集，具體包括以下步驟：

11、步驟s1：初始化禁忌搜索算法所需的參數(shù)，參數(shù)包括禁忌表長度、禁忌期限、禁忌對象、相鄰解生成方法、相似解判定方法和禁忌搜索算法周期迭代次數(shù)；

12、步驟s2：定義vmd模型中的種群個(gè)體，所用公式如下：

13、；

14、其中，為種群個(gè)體，為二次懲罰項(xiàng)，為分解層次數(shù)；

15、步驟s3：將禁忌對象定義為vmd模型中下限，初始化迭代優(yōu)化算法，開始進(jìn)行禁忌搜索算法的周期迭代；

16、步驟s4：將訓(xùn)練集、測試集與實(shí)時(shí)數(shù)據(jù)集輸入vmd模型，對訓(xùn)練集、測試集與實(shí)時(shí)數(shù)據(jù)集進(jìn)行vmd分解，得到個(gè)固有模態(tài)函數(shù)分量，設(shè)置迭代優(yōu)化算法迭代次數(shù)，開始vmd模型的周期迭代；

17、步驟s5：對個(gè)模態(tài)函數(shù)分量的最小排列熵值進(jìn)行計(jì)算，所用公式如下：

18、；

19、其中，為排列熵，表示個(gè)分量的最小排列熵值，表示第個(gè)分量的排列熵值；

20、步驟s6：將最小排列熵值定義為下一個(gè)vmd模型的迭代循環(huán)的初始值；

21、步驟s7：重復(fù)步驟s34至步驟s36，直到達(dá)到vmd模型的迭代次數(shù)結(jié)束迭代，得到最終的最小排列熵值，并定義該最小排列熵值為全局最優(yōu)解，使用鄰域搜索方法生成候選解；

22、步驟s8：判斷候選解是否優(yōu)于當(dāng)前全局最優(yōu)解，得到判斷結(jié)果，并根據(jù)判斷結(jié)果對候選解進(jìn)行替換；

23、步驟s9：重復(fù)步驟s2至步驟s8，達(dá)到禁忌搜索算法周期迭代次數(shù)結(jié)束迭代，對最終得到的最優(yōu)解所對應(yīng)的模態(tài)函數(shù)進(jìn)行重構(gòu)，特征優(yōu)化的訓(xùn)練集、測試集與實(shí)時(shí)數(shù)據(jù)集。

24、進(jìn)一步的，在數(shù)據(jù)分析與預(yù)測模塊中，遺傳優(yōu)化lstm模型，具體包括以下步驟：

25、步驟q1：初始化lstm模型參數(shù)，初始化lstm模型，設(shè)定參數(shù)，參數(shù)包括輸入層層數(shù)、隱藏層層數(shù)、輸出層層數(shù)、輸入門、輸出門、權(quán)重矩陣、隱藏層神經(jīng)元數(shù)量、迭代次數(shù)和學(xué)習(xí)率，初始化麻雀搜索算法參數(shù)；

26、步驟q2：定義適應(yīng)度函數(shù)，將lstm模型最終分類預(yù)測的準(zhǔn)確性作為適應(yīng)度函數(shù)；

27、步驟q3：初始化種群，將隱藏層神經(jīng)元數(shù)量、權(quán)重矩陣和學(xué)習(xí)率定義種群個(gè)體參數(shù)，使用遺傳算法初始化種群個(gè)體；

28、步驟q4：根據(jù)麻雀搜索算法設(shè)定搜索策略，根據(jù)種群個(gè)體，計(jì)算適應(yīng)度；

29、步驟q5：個(gè)體選擇，所有種群個(gè)體對應(yīng)的適應(yīng)度進(jìn)行排序，設(shè)置適應(yīng)度閾值，選擇適應(yīng)度大于適應(yīng)度閾值的種群個(gè)體作為父代；

30、步驟q6：將父代中的種群個(gè)體的參數(shù)進(jìn)行交叉，得到子代個(gè)體，對子代個(gè)體的參數(shù)進(jìn)行隨機(jī)微調(diào)，得到變異子代個(gè)體；

31、步驟q7：使用麻雀搜索算法的搜索策略，更新變異子代個(gè)體與父代個(gè)體的位置；

32、步驟q8：對更新位置后的變異子代個(gè)體與父代個(gè)體進(jìn)行適應(yīng)度計(jì)算，將適應(yīng)度最高的個(gè)體定義為全局最優(yōu)解；

33、步驟q9：重復(fù)步驟q5至步驟q8，得到最終的全局最優(yōu)解，將最終的全局最優(yōu)解的個(gè)體的參數(shù)設(shè)定為lstm模型的優(yōu)化參數(shù)，得到遺傳優(yōu)化的lstm模型。

34、采用上述方案本發(fā)明取得的有益成果如下：

35、（1）針對傳統(tǒng)的婦產(chǎn)科病房管理通常由醫(yī)院的醫(yī)護(hù)人員負(fù)責(zé)，無法滿足日益增長的婦產(chǎn)科患者需求，本發(fā)明引進(jìn)家庭參與式婦產(chǎn)科病房管理分析系統(tǒng)，以信息技術(shù)的方式，讓患者與家屬共同參與到病房的管理過程中，減輕醫(yī)護(hù)人員的工作壓力，同時(shí)增加醫(yī)院、患者和家屬之間更緊密的聯(lián)系與互動；

36、（2）針對現(xiàn)有的家庭參與式婦產(chǎn)科病房管理系統(tǒng)操作繁瑣，醫(yī)學(xué)數(shù)據(jù)對于家屬來說過于晦澀，本發(fā)明采用基于大數(shù)據(jù)分析的方式，將患者的健康情況直接展示在系統(tǒng)中，無需家屬的過多操作，就能直觀得知患者的健康情況以及可能存在的病情變化；

37、（3）本發(fā)明綜合采用基于搜索算法優(yōu)化的vmd信號分解方法與遺傳優(yōu)化的lstm模型，使用大數(shù)據(jù)對信號分解方法與lstm模型進(jìn)行訓(xùn)練，使用訓(xùn)練好的模型對患者健康趨勢進(jìn)行預(yù)測，提高預(yù)測的準(zhǔn)確性，患者家屬可根據(jù)預(yù)測結(jié)果采取相應(yīng)的治療措施，醫(yī)生與醫(yī)療團(tuán)隊(duì)可根據(jù)預(yù)測結(jié)果更好地了解病情的發(fā)展趨勢和治療效果，做出更明智和準(zhǔn)確的治療決策。