一种医疗远程监护方法和系统与流程

本发明涉及医疗监护，具体是一种医疗远程监护方法和系统。背景技术：1、医疗远程监护是利用数字化手段实现医疗专业人员对患者身体指标的远程监测及疾病远程诊断。医疗远程监护包括三个步骤：身体指标数据采集、身体指标数据传输、身体指标数据分析及诊断。然而目前，医疗远程监护还存在以下问题：首先是异常数据干扰问题，产生异常数据的原因包括监测设备采样数据跳变、外界环境因素导致监测数据异常等，现有医疗远程监护方法往往通过单一或相互关联的少量指标进行疾病诊断，这些方法极易受到异常监测数据的干扰，影响诊断的鲁棒性；其次是现有的医疗远程监护系统在监测数据采集过程中，往往采用固定采样频率，导致采样数据缺乏针对性，且源端监测数据量臃肿，影响数据处理效率。该系统可以运用于监测数据存在异常干扰、监测数据量过大，缺乏自适应动态调节监测数据采样频率情况下的医疗远程监护。技术实现思路1、(1)要解决的技术问题2、本发明的目的在于提供一种医疗远程监护方法和系统，以解决医疗监护源端采集数据异常及数据量臃肿影响诊断效果问题。3、(2)技术方案4、为实现上述目的，一方面，本发明提供了一种医疗远程监护方法，所述方法包括：5、步骤1：读取第一档案数据，所述第一档案数据包括第一健康类型、第一采样指标和第一采样频率；所述第一健康类型、第一采样指标和第一采样频率均为数组，且所述第一采样指标与第一采样频率具有一一映射关系；构建第一样本人群，建立第一样本人群与第一健康类型的映射关系；以所述第一采样频率为采样频率，采集第一时间范围内所述第一样本人群的第一采样指标的监测数据序列；通过改进分级标度法，将所述第一样本人群的第一采样指标的监测数据序列进行分级标度，得到第一样本人群的第一健康指标标度；根据所述第一样本人群与第一健康类型的映射关系和所述第一样本人群的第一健康指标标度，得到所述第一健康类型和第一健康指标标度的映射关系；6、步骤2：将所述第一健康类型和第一健康指标标度进行合并，得到第一训练样本；将所述第一训练样本输入bp神经网络，输出bp神经网络权重参数，得到第一bp神经网络；将第二采样频率初始化为第一采样频率，将第二采样指标初始化为第一采样指标，并启动医疗远程监护；7、步骤3：以所述第二采样频率为采样频率，采集预先设定的时间范围内所述被监测对象的第二采样指标的监测数据序列；通过改进分级标度法，将所述被监测对象的第二采样指标的监测数据序列进行分级标度，得到被监测对象的第二健康指标标度；将所述被监测对象的第二健康指标标度输入所述第一bp神经网络，得到被监测对象的健康类型；将所述被监测对象的健康类型克隆至被监测对象的健康类型库；利用第二采样频率修正法对第二采样频率进行修正，将第二采样频率赋值为修正后的第二采样频率；检查所述被监测对象的健康类型库中所包含的相同健康类型数目是否达到预先设定的第一健康数目门槛值，若否，则重复实施所述步骤3；8、步骤4：将所述被监测对象的健康类型库通过通信网络传输至医疗人员处。9、进一步地，所述通过改进分级标度法，将所述第一样本人群的第一采样指标的监测数据序列进行分级标度，得到第一样本人群的第一健康指标标度的方法包括：10、步骤11：将所述第一样本人群的第一采样指标的监测数据序列克隆至第一监测元胞矩阵；所述第一监测元胞矩阵中的每个元素为对应的所述第一样本人群的第一采样指标的监测数据序列；对所述第一监测元胞矩阵中的所有元素分别求取平均值，得到第一采样矩阵；将第一采样矩阵按列分割为t个第一指标均值数组，t为所述第一采样矩阵的列数；建立所述第一指标均值数组与所述第一采样指标的映射关系；11、步骤12：将所述t个第一指标均值数组分别散布到t个独立的二维坐标平面，并分别进行最大似然估计拟合，得到第一指标均值数组的概率密度曲线簇；建立所述第一采样指标与所述第一指标均值数组的概率密度曲线簇的映射关系；12、步骤13：将所述第一指标均值数组的概率密度曲线簇中的每个概率密度曲线根据累积分布进行分级分隔，得到第一采样矩阵的分级映射关系；将所述第一采样矩阵按照所述分级映射关系进行映射，得到第一样本人群的第一健康指标标度。13、进一步地，所述将所述第一指标均值数组的概率密度曲线簇中的每个概率密度曲线根据累积分布进行分级分隔，得到第一采样矩阵的分级映射关系的方法包括：14、步骤131：采用改进的集中度评估方法，得到所述第一指标均值数组的概率密度曲线簇中的每个概率密度曲线的分级量；将所述第一指标均值数组的概率密度曲线簇中的每个概率密度曲线的分级量进行加权平均，并向上取整，得到总体分级量x；15、步骤132：对所述第一指标均值数组的概率密度曲线簇中的任一概率密度曲线，分别让横坐标变量从负无穷开始，正向搜索该概率密度曲线的积分面积，当积分面积为时，将对应的横坐标变量数值记为该概率密度曲线的第i间隔点，将i遍历1到2x区间内的所有整数，得到该概率密度曲线的第一间隔点到第2x间隔点；16、步骤133：遍历所述第一指标均值数组的概率密度曲线簇中的所有概率密度曲线，分别重复所述间隔点构建过程；17、步骤134：建立所述概率密度曲线与第一采样指标的映射关系；对所述所有概率密度曲线，将各概率密度曲线横坐标以该概率密度曲线的所有所述间隔点为间隔，划分为2x+1个区间，并顺次命名为该概率密度曲线所对应的第一采样指标元素的第一区间到第2x+1区间；18、步骤135：建立第一采样矩阵的分级映射关系；所述第一采样矩阵的分级映射关系的输入为所述第一采样矩阵，输出为-x到x范围内的整数构成的矩阵；当所述第一采样矩阵元素数值落在与之对应的第m区间，则对应输出矩阵中同一位置的元素为-x+m-1，1≤m≤2x+1。19、进一步地，所述采用改进的集中度评估方法，得到所述第一指标均值数组的概率密度曲线簇中的每个概率密度曲线的分级量的方法包括：20、步骤1311：计算所述第一指标均值数组的概率密度曲线簇中的每个概率密度曲线对应的变量方差；21、步骤1312：将所述变量方差输入预先设定的方差逻辑映射表，得到每个概率密度曲线的分级量。22、进一步地，所述利用第二采样频率修正法对第二采样频率进行修正的方法包括：23、步骤31：读取修正次数；24、步骤32：利用第二采样频率增益公式求得频率增益系数k，其中l为所述修正次数，c1为预先设定的增益速度常数，c2为预先设定的增益幅度常数，c3为预先设定的增益基准常数；25、步骤33：将所述第一采样频率分别乘以所述频率增益系数k，得到修正后的第二采样频率。26、基于同一发明构思，另一方面，本发明还提供了一种医疗远程监护系统，所述系统包括：27、第一健康样本构建模块，用于读取第一档案数据，所述第一档案数据包括第一健康类型、第一采样指标和第一采样频率；所述第一健康类型、第一采样指标和第一采样频率均为数组，且所述第一采样指标与第一采样频率具有一一映射关系；构建第一样本人群，建立第一样本人群与第一健康类型的映射关系；以所述第一采样频率为采样频率，采集第一时间范围内所述第一样本人群的第一采样指标的监测数据序列；通过改进分级标度法，将所述第一样本人群的第一采样指标的监测数据序列进行分级标度，得到第一样本人群的第一健康指标标度；根据所述第一样本人群与第一健康类型的映射关系和所述第一样本人群的第一健康指标标度，得到所述第一健康类型和第一健康指标标度的映射关系；28、第一bp神经网络训练模块与第一健康样本构建模块连接，用于将所述第一健康类型和第一健康指标标度进行合并，得到第一训练样本；将所述第一训练样本输入bp神经网络，输出bp神经网络权重参数，得到第一bp神经网络；将第二采样频率初始化为第一采样频率，将第二采样指标初始化为第一采样指标，并启动医疗远程监护；29、被监测对象采样诊断模块与第一bp神经网络训练模块连接，用于以所述第二采样频率为采样频率，采集预先设定的时间范围内所述被监测对象的第二采样指标的监测数据序列；通过改进分级标度法，将所述被监测对象的第二采样指标的监测数据序列进行分级标度，得到被监测对象的第二健康指标标度；将所述被监测对象的第二健康指标标度输入所述第一bp神经网络，得到被监测对象的健康类型；将所述被监测对象的健康类型克隆至被监测对象的健康类型库；利用第二采样频率修正法对第二采样频率进行修正，将第二采样频率赋值为修正后的第二采样频率；检查所述被监测对象的健康类型库中所包含的相同健康类型数目是否达到预先设定的第一健康数目门槛值，若否，则再次进入被监测对象采样诊断模块；30、监测数据传输模块与被监测对象采样诊断模块连接，用于将所述被监测对象的健康类型库通过通信网络传输至医疗人员处。31、进一步地，所述第一健康样本构建模块包括：32、第一指标均值数组构建模块，用于将所述第一样本人群的第一采样指标的监测数据序列克隆至第一监测元胞矩阵；所述第一监测元胞矩阵中的每个元素为对应的所述第一样本人群的第一采样指标的监测数据序列；对所述第一监测元胞矩阵中的所有元素分别求取平均值，得到第一采样矩阵；将第一采样矩阵按列分割为t个第一指标均值数组，t为所述第一采样矩阵的列数；建立所述第一指标均值数组与所述第一采样指标的映射关系；33、第一指标均值数组的概率密度曲线簇构建模块与第一指标均值数组构建模块连接，用于将所述t个第一指标均值数组分别散布到t个独立的二维坐标平面，并分别进行最大似然估计拟合，得到第一指标均值数组的概率密度曲线簇；建立所述第一采样指标与所述第一指标均值数组的概率密度曲线簇的映射关系；34、第一样本人群的第一健康指标标度构建模块与第一指标均值数组的概率密度曲线簇构建模块连接，用于将所述第一指标均值数组的概率密度曲线簇中的每个概率密度曲线根据累积分布进行分级分隔，得到第一采样矩阵的分级映射关系；将所述第一采样矩阵按照所述分级映射关系进行映射，得到第一样本人群的第一健康指标标度。35、进一步地，所述第一样本人群的第一健康指标标度构建模块包括：36、总体分级量构建模块，用于采用改进的集中度评估方法，得到所述第一指标均值数组的概率密度曲线簇中的每个概率密度曲线的分级量；将所述第一指标均值数组的概率密度曲线簇中的每个概率密度曲线的分级量进行加权平均，并向上取整，得到总体分级量x；37、间隔点构建模块与总体分级量构建模块连接，用于对所述第一指标均值数组的概率密度曲线簇中的任一概率密度曲线，分别让横坐标变量从负无穷开始，正向搜索该概率密度曲线的积分面积，当积分面积为时，将对应的横坐标变量数值记为该概率密度曲线的第i间隔点，将i遍历1到2x区间内的所有整数，得到该概率密度曲线的第一间隔点到第2x间隔点；38、间隔点遍历模块与间隔点构建模块连接，用于遍历所述第一指标均值数组的概率密度曲线簇中的所有概率密度曲线，分别重复所述间隔点构建过程；39、间隔区间构建模块与间隔点遍历模块连接，用于建立所述概率密度曲线与第一采样指标的映射关系；对所述所有概率密度曲线，将各概率密度曲线横坐标以该概率密度曲线的所有所述间隔点为间隔，划分为2x+1个区间，并顺次命名为该概率密度曲线所对应的第一采样指标元素的第一区间到第2x+1区间；40、映射连接模块与间隔区间构建模块连接，用于建立第一采样矩阵的分级映射关系；所述第一采样矩阵的分级映射关系的输入为所述第一采样矩阵，输出为-x到x范围内的整数构成的矩阵；当所述第一采样矩阵元素数值落在与之对应的第m区间，则对应输出矩阵中同一位置的元素为-x+m-1，1≤m≤2x+1。41、进一步地，所述总体分级量构建模块包括：42、方差计算模块，用于计算所述第一指标均值数组的概率密度曲线簇中的每个概率密度曲线对应的变量方差；43、方差逻辑表映射模块与方差计算模块连接，用于将所述变量方差输入预先设定的方差逻辑映射表，得到每个概率密度曲线的分级量。44、进一步地，所述被监测对象采样诊断模块包括：45、修正次数读取模块，用于读取修正次数；46、频率增益计算模块与修正次数读取模块连接，用于利用第二采样频率增益公式求得频率增益系数k，其中l为所述修正次数，c1为预先设定的增益速度常数，c2为预先设定的增益幅度常数，c3为预先设定的增益基准常数；47、第二采样频率修正模块与频率增益计算模块连接，用于将所述第一采样频率分别乘以所述频率增益系数k，得到修正后的第二采样频率。48、(3)有益效果49、与现有技术相比，本发明的有益效果是：50、1、将医疗远程监护采样数据根据样本统计规律，通过改进分级标度法进行数据预处理，实现了以下有益效果：一方面能够通过分布式的边缘计算，有效提取数据关键特征，降低数据处理量，提高系统算力；另一方面，通过样本数据的估计和拟合获取标度值，降低了主观因素的干扰；此外，通过分级标度法进行数据预处理，能够降低异常数据的干扰，提升数据分析和诊断的鲁棒性。51、2、通过采用第二采样频率修正法对采样频率进行自适应动态修正，能够提升系统数据处理的针对性，提高数据处理效率。