本發(fā)明涉及醫(yī)療器械，特別涉及一種基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置及方法。

背景技術(shù)：

1、目前，冠心病患者在接受經(jīng)橈動脈路徑冠狀動脈介入術(shù)治療的過程中，由于介入術(shù)對患者的穿刺途徑較長，術(shù)中需使用抗凝劑預(yù)防血栓發(fā)生，術(shù)后對穿刺動脈處均會進行壓迫止血2-6小時；但是由于穿刺不順利，多次反復(fù)穿刺，患者血管畸形等多種因素，導(dǎo)致臨床患者術(shù)后發(fā)生皮下血腫屢見不鮮；因此十分容易導(dǎo)致患者出現(xiàn)橈動脈痙攣、閉塞、前臂血腫、局部出血和骨筋膜室綜合征等外周血管并發(fā)癥。同時術(shù)后患者因緊張情緒影響、術(shù)后尿儲留、空腹時間過長、血容量不足、疼痛等原因會導(dǎo)致患者迷走神經(jīng)反射發(fā)生率增加，嚴重時會危及患者生命。但臨床中有時候必不可免發(fā)生皮下血腫，所以及時發(fā)現(xiàn)患者生命體征惡化，對減少術(shù)后并發(fā)癥和迷走神經(jīng)反射發(fā)生率顯的尤為重要。

2、但是，現(xiàn)在未有一種基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置及方法實現(xiàn)了對患者在當(dāng)前時刻后發(fā)生迷走神經(jīng)反射的可能性進行量化，并未減少術(shù)后并發(fā)癥和迷走神經(jīng)反射發(fā)生率，難以提升患者的安全感和滿意度。

3、因此，本發(fā)明提出了一種基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置及方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置及方法，用以根據(jù)患者智能穿戴設(shè)備在當(dāng)前時刻前預(yù)設(shè)時間段內(nèi)每個時刻的所有類傳感器參數(shù)，獲得所有相似患者，實現(xiàn)了從數(shù)據(jù)庫的所歷史患者中篩選出的術(shù)后生理信號和健康數(shù)據(jù)與患者相似的部分歷史患者，根據(jù)患者智能穿戴設(shè)備在當(dāng)前時刻前預(yù)設(shè)時間段內(nèi)所有時刻的所有類傳感器參數(shù)，獲得患者的所有類傳感器參數(shù)的時域趨勢值，實現(xiàn)了對患者的每類傳感器參數(shù)在時域上綜合發(fā)展趨勢進行量化，進而根據(jù)所有相似患者的所有類傳感器參數(shù)的時域趨勢值，獲得患者的標準趨勢矩陣，便于后續(xù)確定患者的分析趨勢矩陣，根據(jù)患者的所有類傳感器參數(shù)的時域趨勢值和患者的標準趨勢矩陣，獲得患者的分析趨勢矩陣，便于后續(xù)患者的迷走神經(jīng)反射發(fā)生值的計算，進而根據(jù)患者的分析趨勢矩陣、患者的標準趨勢矩陣及所有相似患者的迷走神經(jīng)反射發(fā)生結(jié)果，獲得患者的迷走神經(jīng)反射發(fā)生值，實現(xiàn)了對患者在當(dāng)前時刻后發(fā)生迷走神經(jīng)反射的可能性進行量化，最終根據(jù)患者的迷走神經(jīng)反射發(fā)生值，獲得患者智能穿戴設(shè)備的術(shù)后預(yù)警結(jié)果，有助于醫(yī)護及早發(fā)現(xiàn)患者生命體征惡化，減少術(shù)后并發(fā)癥，減少迷走神經(jīng)反射發(fā)生率，提升患者的安全感和滿意度。

2、本發(fā)明提供一種基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置，包括：

3、篩選模塊，用于基于患者智能穿戴設(shè)備在當(dāng)前時刻前預(yù)設(shè)時間段內(nèi)每個時刻的所有類傳感器參數(shù)，獲得所有相似患者；

4、第一計算模塊，用于基于患者智能穿戴設(shè)備在當(dāng)前時刻前預(yù)設(shè)時間段內(nèi)所有時刻的所有類傳感器參數(shù)，獲得患者的所有類傳感器參數(shù)的時域趨勢值；

5、構(gòu)建模塊，用于基于所有相似患者的所有類傳感器參數(shù)的時域趨勢值，獲得患者的標準趨勢矩陣，并基于患者的所有類傳感器參數(shù)的時域趨勢值和患者的標準趨勢矩陣，獲得患者的分析趨勢矩陣；

6、第二計算模塊，用于基于患者的分析趨勢矩陣、患者的標準趨勢矩陣及所有相似患者的迷走神經(jīng)反射發(fā)生結(jié)果，獲得患者的迷走神經(jīng)反射發(fā)生值；

7、預(yù)警模塊，用于基于患者的迷走神經(jīng)反射發(fā)生值，獲得患者智能穿戴設(shè)備的術(shù)后預(yù)警結(jié)果。

8、優(yōu)選的，基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置，篩選模塊，包括：

9、第一獲取子模塊，用于獲取患者智能穿戴設(shè)備在當(dāng)前時刻前預(yù)設(shè)時間段內(nèi)每個時刻的所有類傳感器參數(shù)，其中所有類傳感器參數(shù)包括心率參數(shù)、血壓參數(shù)、體溫參數(shù)及血氧飽和度參數(shù)；

10、判斷子模塊，用于將數(shù)據(jù)庫內(nèi)的所有歷史患者，均作為參照患者，若患者智能穿戴設(shè)備在當(dāng)前時刻前預(yù)設(shè)時間段內(nèi)初始時刻的每類傳感器參數(shù)，與每個參照患者智能穿戴設(shè)備在整個術(shù)后預(yù)警時間段內(nèi)每個時刻的對應(yīng)類傳感器參數(shù)之間的數(shù)值差值小于對應(yīng)類傳感器參數(shù)差值閾值時，判定患者與對應(yīng)參照患者在對應(yīng)時刻的對應(yīng)類傳感器參數(shù)上相似；

11、篩選子模塊，用于當(dāng)判定患者與每個參照患者在任一時刻的所有類傳感器參數(shù)上相似時，判定對應(yīng)參照患者為相似患者。

12、優(yōu)選的，基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置，還包括：

13、報警模塊，用以當(dāng)患者智能穿戴設(shè)備在當(dāng)前時刻的所有類傳感器參數(shù)內(nèi)，存在至少一類傳感器參數(shù)不處于對應(yīng)類傳感器參數(shù)范圍內(nèi)時，控制患者智能穿戴設(shè)備紅燈亮。

14、優(yōu)選的，基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置，第一計算模塊，包括：

15、處理子模塊，用于將患者智能穿戴設(shè)備在當(dāng)前時刻前預(yù)設(shè)時間段內(nèi)相鄰的兩個時刻，作為患者的一組相鄰時刻，獲得患者的所有組相鄰時刻，并將患者的每組相鄰時刻內(nèi)的兩個時刻的每類傳感器參數(shù)的數(shù)值差值，與預(yù)設(shè)時刻間隔數(shù)值之間的商值，作為患者的對應(yīng)組相鄰時刻的對應(yīng)類傳感器參數(shù)的趨勢值；

16、第一計算子模塊，用于基于患者的所有組相鄰時刻的每類傳感器參數(shù)的趨勢值，獲得患者的每類傳感器參數(shù)的時域趨勢值。

17、優(yōu)選的，基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置，第一計算子模塊基于患者的所有組相鄰時刻的每類傳感器參數(shù)的趨勢值，獲得患者的每類傳感器參數(shù)的時域趨勢值的方法，包括：

18、

19、其中，β為患者的當(dāng)前計算類傳感器參數(shù)的時域趨勢值，α為患者的所有組相鄰時刻的組數(shù)，μx為患者的所有組相鄰時刻的當(dāng)前計算類傳感器參數(shù)的趨勢值的標準差，μz為患者的所有組相鄰時刻的當(dāng)前計算類傳感器參數(shù)的趨勢值的均值，μmax為患者的所有組相鄰時刻的當(dāng)前計算類傳感器參數(shù)的趨勢值中的最大值，μmin為患者的所有組相鄰時刻的當(dāng)前計算類傳感器參數(shù)的趨勢值中的最小值，ln為自然對數(shù)，且自然常數(shù)e的取值為2.718。

20、優(yōu)選的，基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置，構(gòu)建模塊，包括：

21、預(yù)處理子模塊，用于將患者與每個相似患者在所有類傳感器參數(shù)上相似的時刻，作為對應(yīng)相似患者的相似時刻，并判斷每個相似患者智能穿戴設(shè)備在整個術(shù)后預(yù)警時間段內(nèi)，第一個相似時刻之后的剩余時間段的時間長度是否大于預(yù)設(shè)時間段的時間長度，若是，則從對應(yīng)剩余時間段內(nèi)從前至后截取出與預(yù)設(shè)時間段的時間長度相同的時間段，當(dāng)作對應(yīng)相似患者的相似時間段，否則，將對應(yīng)剩余時間段進行時間段補齊，并將獲得的補齊后的剩余時間段當(dāng)作對應(yīng)相似患者的相似時間段；

22、第一構(gòu)建子模塊，用于基于每個相似患者智能穿戴設(shè)備在相似時間段內(nèi)所有時刻的所有類傳感器參數(shù)，獲得每個相似患者的所有類傳感器參數(shù)的時域趨勢值，并按每個相似患者的所有類傳感器參數(shù)的時域趨勢值的和值從大至小的順序，對所有相似患者進行從1開始遞增的序數(shù)定義，獲得序數(shù)定義結(jié)果，基于所有相似患者的所有類傳感器參數(shù)的時域趨勢值和序數(shù)定義結(jié)果，獲得患者的標準趨勢矩陣，即為：

23、

24、其中，q為患者的標準趨勢矩陣，w1為序數(shù)定義結(jié)果為1的相似患者的心率參數(shù)的時域趨勢值，r1為序數(shù)定義結(jié)果為1的相似患者的血壓參數(shù)的時域趨勢值，h1為序數(shù)定義結(jié)果為1的相似患者的體溫參數(shù)的時域趨勢值，b1為序數(shù)定義結(jié)果為1的相似患者的血氧飽和度參數(shù)的時域趨勢值，w2為序數(shù)定義結(jié)果為2的相似患者的心率參數(shù)的時域趨勢值，r2為序數(shù)定義結(jié)果為2的相似患者的血壓參數(shù)的時域趨勢值，h2為序數(shù)定義結(jié)果為2的相似患者的體溫參數(shù)的時域趨勢值，b2為序數(shù)定義結(jié)果為2的相似患者的血氧飽和度參數(shù)的時域趨勢值，wn為序數(shù)定義結(jié)果為n的相似患者的心率參數(shù)的時域趨勢值，rn為序數(shù)定義結(jié)果為n的相似患者的血壓參數(shù)的時域趨勢值，hn為序數(shù)定義結(jié)果為n的相似患者的體溫參數(shù)的時域趨勢值，bn為序數(shù)定義結(jié)果為n的相似患者的血氧飽和度參數(shù)的時域趨勢值，n為相似患者的總?cè)藬?shù)；

25、第二構(gòu)建子模塊，用于基于患者的所有類傳感器參數(shù)的時域趨勢值和患者的標準趨勢矩陣，獲得患者的分析趨勢矩陣。

26、優(yōu)選的，基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置，第二構(gòu)建子模塊，包括：

27、預(yù)處理單元，用于將每個相似患者的所有類傳感器參數(shù)的時域趨勢值的和值，與患者的所有類傳感器參數(shù)的時域趨勢值的和值之間的差值，作為患者和每個相似患者之間的趨勢差值，并將患者和所有相似患者之間的趨勢差值的最小值對應(yīng)的相似患者，作為替換患者；

28、第二構(gòu)建單元，用于將患者的標準趨勢矩陣內(nèi)的替換患者對應(yīng)的矩陣列的所有矩陣元素，替換為患者的對應(yīng)類傳感器參數(shù)的時域趨勢值，獲得患者的分析趨勢矩陣。

29、優(yōu)選的，基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置，第二計算模塊，包括：

30、第二獲取子模塊，用于獲取所有相似患者的迷走神經(jīng)反射發(fā)生結(jié)果，并判斷每個相似患者的迷走神經(jīng)反射發(fā)生結(jié)果，是否為發(fā)生迷走神經(jīng)反射，若是，則將1作為對應(yīng)相似患者的迷走神經(jīng)反射發(fā)生賦分值，否則，將0作為對應(yīng)相似患者的迷走神經(jīng)反射發(fā)生賦分值；

31、第二計算子模塊，用于基于患者的分析趨勢矩陣、患者的標準趨勢矩陣及所有相似患者的迷走神經(jīng)反射發(fā)生賦分值，獲得患者的迷走神經(jīng)反射發(fā)生值，即為：

32、

33、其中，τ為患者的迷走神經(jīng)反射發(fā)生值，為所有相似患者中迷走神經(jīng)反射發(fā)生賦分值為1的人數(shù)，為所有相似患者中迷走神經(jīng)反射發(fā)生賦分值為0的人數(shù)，q為患者的標準趨勢矩陣的秩，e為患者的分析趨勢矩陣的秩，n為相似患者的總?cè)藬?shù)，ln為自然對數(shù)，且自然常數(shù)e的取值為2.718。

34、優(yōu)選的，基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置，預(yù)警模塊基于患者的迷走神經(jīng)反射發(fā)生值，獲得患者智能穿戴設(shè)備的術(shù)后預(yù)警結(jié)果的方法，包括：

35、判斷患者的迷走神經(jīng)反射發(fā)生值是否大于預(yù)設(shè)迷走神經(jīng)反射發(fā)生值閾值，若是，則控制患者智能穿戴設(shè)備紅燈亮，否則，控制患者智能穿戴設(shè)備綠燈亮。

36、本發(fā)明提供了一種基于智能穿戴設(shè)備的術(shù)后預(yù)警方法，應(yīng)用于執(zhí)行權(quán)利要求1至9中任一一種基于智能穿戴設(shè)備的術(shù)后預(yù)警裝置，包括：

37、s1：基于患者智能穿戴設(shè)備在當(dāng)前時刻前預(yù)設(shè)時間段內(nèi)每個時刻的所有類傳感器參數(shù)，獲得所有相似患者；

38、s2：基于患者智能穿戴設(shè)備在當(dāng)前時刻前預(yù)設(shè)時間段內(nèi)所有時刻的所有類傳感器參數(shù)，獲得患者的所有類傳感器參數(shù)的時域趨勢值；

39、s3：基于所有相似患者的所有類傳感器參數(shù)的時域趨勢值，獲得患者的標準趨勢矩陣，并基于患者的所有類傳感器參數(shù)的時域趨勢值和患者的標準趨勢矩陣，獲得患者的分析趨勢矩陣；

40、s4：基于患者的分析趨勢矩陣、患者的標準趨勢矩陣及所有相似患者的迷走神經(jīng)反射發(fā)生結(jié)果，獲得患者的迷走神經(jīng)反射發(fā)生值；

41、s5：基于患者的迷走神經(jīng)反射發(fā)生值，獲得患者智能穿戴設(shè)備的術(shù)后預(yù)警結(jié)果。

42、本發(fā)明相對于現(xiàn)有技術(shù)產(chǎn)生的有益效果為：根據(jù)患者智能穿戴設(shè)備在當(dāng)前時刻前預(yù)設(shè)時間段內(nèi)每個時刻的所有類傳感器參數(shù)，獲得所有相似患者，實現(xiàn)了從數(shù)據(jù)庫的所歷史患者中篩選出的術(shù)后生理信號和健康數(shù)據(jù)與患者相似的部分歷史患者，根據(jù)患者智能穿戴設(shè)備在當(dāng)前時刻前預(yù)設(shè)時間段內(nèi)所有時刻的所有類傳感器參數(shù)，獲得患者的所有類傳感器參數(shù)的時域趨勢值，實現(xiàn)了對患者的每類傳感器參數(shù)在時域上綜合發(fā)展趨勢進行量化，進而根據(jù)所有相似患者的所有類傳感器參數(shù)的時域趨勢值，獲得患者的標準趨勢矩陣，便于后續(xù)確定患者的分析趨勢矩陣，根據(jù)患者的所有類傳感器參數(shù)的時域趨勢值和患者的標準趨勢矩陣，獲得患者的分析趨勢矩陣，便于后續(xù)患者的迷走神經(jīng)反射發(fā)生值的計算，進而根據(jù)患者的分析趨勢矩陣、患者的標準趨勢矩陣及所有相似患者的迷走神經(jīng)反射發(fā)生結(jié)果，獲得患者的迷走神經(jīng)反射發(fā)生值，實現(xiàn)了對患者在當(dāng)前時刻后發(fā)生迷走神經(jīng)反射的可能性進行量化，最終根據(jù)患者的迷走神經(jīng)反射發(fā)生值，獲得患者智能穿戴設(shè)備的術(shù)后預(yù)警結(jié)果，有助于醫(yī)護及早發(fā)現(xiàn)患者生命體征惡化，減少術(shù)后并發(fā)癥，減少迷走神經(jīng)反射發(fā)生率，提升患者的安全感和滿意度。

43、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的本技術(shù)文件中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。

44、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。