一种用于医疗护理的病患数据远程监控方法及系

本发明涉及数据处理，具体涉及一种用于医疗护理的病患数据远程监控方法及系统。背景技术：1、病患数据远程监控作为一种提高医疗护理质量的有效手段，其具体是通过互联网、物联网、云计算等技术，对病患的生理参数进行实时监测和分析，从而实现对病患健康状况的远程管理，提高医疗护理的效率和质量、降低医疗成本。2、目前，在对病患数据进行远程监控的过程中，通常需要病患预先在手腕上佩戴好监测手环，基于监测手环来获取体征数据，并将其传输到健康数据检测平台进行异常体征数据的检测分析。其中，采用的异常体征数据检测方法包括lof异常检测，该方法具体是将实时体征数据和历史体征数据进行结合，通过识别出其中存在的异常点或离散点，以便及时发现潜在的健康问题或风险。然而，由于病患在不同天数的活动时间、方式以及生理状态可能存在差异，这会导致不同天数的体征数据波动不一致。如果直接将这些具有不同波动特性的实时体征数据和历史体征数据混合使用于异常检测算法（如lof），那么可能会出现误报或漏报的情况，因为算法可能会基于不一致的数据波动特性错误地识别出“异常”，这也会导致后续医疗护理的调整出现误判。技术实现思路1、为了解决基于不一致的数据波动特性错误地识别出“异常”的技术问题，本发明的目的在于提供一种用于医疗护理的病患数据远程监控方法及系统，所采用的技术方案具体如下：2、第一方面，本技术公开了一种用于医疗护理的病患数据远程监控方法，所述方法包括：3、s1、获取病患在过去多天内的历史体征数据，其中，所述历史体征数据由多个指标数据构成，且各所述指标数据的采集频率保持一致；4、s2、针对每个指标数据，分别构建多条波动曲线，其中，每条波动曲线分别描绘了一天内的指标变化趋势；5、s3、基于所述多条波动曲线进行天数聚类，得到各指标数据下天数的聚类结果，其中，每个聚类簇分别示意了具有相似指标变化趋势的天数；6、s4、基于所述聚类结果，根据簇与簇之间的结果相似性对所述历史体征数据进行分组，得到多个历史分组数据；7、s5、获取病患的实时体征数据，并基于所述实时体征数据和所述多个历史分组数据进行异常检查，输出相应检测结果。8、进一步的，步骤s1中，所述指标数据包括心率、体温、血压、血氧饱和度中的至少一种数据。9、进一步的，步骤s3中，所述基于所述多条波动曲线进行天数聚类，得到各指标数据下天数的聚类结果，包括：10、s31、基于波动曲线的特性，选择能够代表曲线形状和波动趋势的特征；11、s32、计算每天波动曲线的特征值，形成相应的目标特征矩阵，其中，矩阵中的每行代表一天，每列代表一个特征；12、s33、基于预设的聚类算法对所述目标特征矩阵进行处理，根据特征之间的相似性将天数分组，得到各指标数据下天数的聚类结果。13、进一步的，步骤s4中，所述基于所述聚类结果，根据簇与簇之间的结果相似性对所述历史体征数据进行分组，得到多个历史分组数据，包括：14、s41、基于所述聚类结果确定基准聚类簇数、以及对应的基准指标；15、s42、遍历基准指标涵盖的每个簇，遍历过程中，从其余指标涵盖的各个簇中，基于结果相似性筛选出初始相似聚类簇；16、s43、基于结果相似性确定基准指标涵盖的每个簇和各初始相似聚类簇之间的有效度，并保留有效度大于预设阈值的目标相似聚类簇；17、s44、筛选基准指标簇中与目标相似聚类簇出现次数大于预设次数阈值的天数，并进行组合以完成对所述历史体征数据的分组，得到多个历史分组数据。18、进一步的，步骤s42中，针对除基准指标外的多个待比较的其余指标，所述遍历过程中，从其余指标涵盖的各个簇中，基于结果相似性筛选出初始相似聚类簇，包括：19、s421、基于所述基准指标的聚类结果，确定当前遍历簇中的第一数据个数；20、s422、针对比较指标，基于聚类结果确定每个比较簇中的第二数据个数、以及与当前遍历簇涵盖相同数据的第三数据个数；21、s423、基于所述第一数据个数与所述第二数据个数，确定当前遍历簇与对应比较簇之间的数据分布总量、以及数据分布差异；22、s424、获取所述第三数据个数在所述数据分布总量中的相对占比，并联合所述相对占比和所述数据分布差异，确定当前遍历簇与对应比较簇之间的结果相似性；23、s425、基于所得的各项结果相似性取值，从中筛选出结果相似性取值最大的比较簇作为当前遍历簇的相似聚类簇。24、进一步的，步骤s43中，所述基于结果相似性确定基准指标涵盖的每个簇和各初始相似聚类簇之间的有效度，并保留有效度大于预设阈值的目标相似聚类簇，包括：25、s431、针对基准指标涵盖的每个簇，获取与之相关的对应指标所关联到的多个相似聚类簇；26、s432、确定每个簇与对应相似聚类簇之间的结果相似性，以及基准指标与所述对应指标之间的聚类簇个数差异；27、s433、基于所述聚类簇个数差异对相应的结果相似性取值进行修正，并在修正完成后，得到每个簇与对应相似聚类簇之间的有效度；28、s434、将所得的各项有效度与预设阈值进行比较，并保留有效度大于预设阈值的目标相似聚类簇。29、进一步的，步骤s44中，所述筛选基准指标簇中与目标相似聚类簇出现次数大于预设次数阈值的天数，并进行组合以完成对所述历史体征数据的分组，得到多个历史分组数据，包括：30、s441、针对基准指标中保留的每个簇，确定其与目标相似聚类簇中同一天数编号出现的次数；31、s442、在确定相应天数编号的出现次数大于预设次数阈值时，保留所述相应天数编号；32、s443、将保留的天数组合成第一波动特性天数组合，并将在所有组合中均未出现的天数构成第二波动特征天数组合；33、s444、获取每个分组中每一天数的体征数据，并将它们组合成同一体征数据组合。34、进一步的，步骤s5中，所述基于所述实时体征数据和所述多个历史分组数据进行异常检查，输出相应检测结果，包括：35、s51、获取病患的实时体征数据，并生成相应的第一体征数据时序波动曲线；36、s52、将所述第一体征数据时序波动曲线与每个历史分组中的第二体征数据时序波动曲线进行比较，计算两者之间的一致性；37、s53、根据一致性度量结果，确定所述实时体征数据所属的目标历史分组；38、s54、基于所述实时体征数据和所述目标历史分组进行异常检测，并输出相应检测结果。39、进一步的，所述方法还包括：40、s6、选择可视化工具，并基于所述可视化工具进行所述检测结果的实时展示。41、第二方面，本技术还公开了一种用于医疗护理的病患数据远程监控系统，所述系统包括历史数据获取模块、历史数据分组模块以及异常检测模块，其中：42、所述历史数据获取模块，用于获取病患在过去多天内的历史体征数据，其中，所述历史体征数据由多个指标数据构成，且各所述指标数据的采集频率保持一致；43、所述历史数据分组模块，用于针对每个指标数据，分别构建多条波动曲线，其中，每条波动曲线分别描绘了一天内的指标变化趋势；44、所述历史数据分组模块，还用于基于所述多条波动曲线进行天数聚类，得到各指标数据下天数的聚类结果，其中，每个聚类簇分别示意了具有相似指标变化趋势的天数；45、所述历史数据分组模块，还用于基于所述聚类结果，根据簇与簇之间的结果相似性对所述历史体征数据进行分组，得到多个历史分组数据；46、所述异常检测模块，用于获取病患的实时体征数据，并基于所述实时体征数据和所述多个历史分组数据进行异常检查，输出相应检测结果。47、本发明具有如下有益效果：48、1、基于波动曲线进行天数聚类，能够将具有相似指标变化趋势的天数聚合在一起，形成聚类簇。这种方法能够有效地提取出数据中隐藏的模式和规律，为后续的数据分析和处理提供基础；49、2、根据簇与簇之间的相似性对历史体征数据进行分组，可以得到多个历史分组数据。每个分组内的数据都具有相似的指标变化趋势，这为后续的数据比较和异常检测提供了便利。通过合理的数据分组，可以更加准确地识别出病患的健康状态变化；50、3、通过获取病患的实时体征数据，并与历史分组数据进行比较和分析，能够避免因实时体征数据和历史体征数据的波动不一致导致后续对实时体征数据的异常检查结果出现的偏误，提高了异常检测的准确性。