本發(fā)明涉及健康數(shù)據(jù)處理，具體涉及基于機(jī)器學(xué)習(xí)的患者護(hù)理風(fēng)險預(yù)警系統(tǒng)。

背景技術(shù)：

1、隨著個性化醫(yī)療的興起，在護(hù)理過程中，及時識別高風(fēng)險患者可以顯著降低并發(fā)癥和醫(yī)療成本?；跈C(jī)器學(xué)習(xí)的患者護(hù)理風(fēng)險預(yù)警系統(tǒng)是一種運用人工智能技術(shù)，旨在預(yù)測和識別患者護(hù)理過程中可能出現(xiàn)的風(fēng)險因素的工具。該系統(tǒng)通過分析大量患者數(shù)據(jù)，幫助醫(yī)護(hù)人員提前識別潛在風(fēng)險，從而采取相應(yīng)措施降低風(fēng)險，最終提升患者安全和護(hù)理質(zhì)量。

2、然而，現(xiàn)有的基于機(jī)器學(xué)習(xí)的患者護(hù)理風(fēng)險預(yù)警系統(tǒng)主要依賴于實時獲取患者的行為圖像，以提取其行為特征并監(jiān)測狀態(tài)。然而，患者的行為模式復(fù)雜，且在圖像中，患者可能會受到環(huán)境中醫(yī)療器械的遮擋，或與周圍人員緊密接觸。這使得傳統(tǒng)的特征提取方法難以準(zhǔn)確捕捉患者的行為特征，從而可能導(dǎo)致監(jiān)測結(jié)果的誤判。因此，急需一種更高效、可靠的患者護(hù)理風(fēng)險預(yù)警系統(tǒng)。

技術(shù)實現(xiàn)思路

1、為了解決現(xiàn)有的基于機(jī)器學(xué)習(xí)的患者護(hù)理風(fēng)險預(yù)警系統(tǒng)中的特征提取方法難以準(zhǔn)確捕捉患者的行為特征，可能導(dǎo)致監(jiān)測結(jié)果的誤判的技術(shù)問題，本發(fā)明的目的在于提供基于機(jī)器學(xué)習(xí)的患者護(hù)理風(fēng)險預(yù)警系統(tǒng)，通過采集護(hù)理環(huán)境區(qū)域中至少一個目標(biāo)的圖像數(shù)據(jù)并對圖像數(shù)據(jù)進(jìn)行分析確定圖像數(shù)據(jù)中的每一超像素區(qū)域的區(qū)域活躍因子，以通過區(qū)域活躍因子確定目標(biāo)活躍區(qū)域的潛在行為風(fēng)險系數(shù)，進(jìn)而利用潛在行為分風(fēng)險系數(shù)確定目標(biāo)活躍區(qū)域的自適應(yīng)邊緣保留尺度系數(shù)，從而利用自適應(yīng)邊緣保留尺度系數(shù)獲取目標(biāo)的行為特征數(shù)據(jù)確定出目標(biāo)的行為風(fēng)險值，以基于行為風(fēng)險值進(jìn)行目標(biāo)的風(fēng)險預(yù)警，實現(xiàn)有效的護(hù)理風(fēng)險預(yù)警。

2、所采用的技術(shù)方案具體如下：提供基于機(jī)器學(xué)習(xí)的患者護(hù)理風(fēng)險預(yù)警系統(tǒng)，所述基于機(jī)器學(xué)習(xí)的患者護(hù)理風(fēng)險預(yù)警系統(tǒng)，包括：采集端，獲取采集區(qū)域中至少一個目標(biāo)的圖像數(shù)據(jù)；第一處理端，獲取所述圖像數(shù)據(jù)中的至少一個超像素區(qū)域，并確定每一所述超像素區(qū)域的區(qū)域活躍因子；以及獲取所述圖像數(shù)據(jù)中的至少一個目標(biāo)活躍區(qū)域，利用所述區(qū)域活躍因子確定每一所述目標(biāo)活躍區(qū)域的潛在沖突系數(shù)，進(jìn)而利用所述潛在沖突系數(shù)確定每一所述目標(biāo)活躍區(qū)域的潛在行為風(fēng)險系數(shù)；第二處理端，利用所述潛在行為分風(fēng)險系數(shù)確定每一所述目標(biāo)活躍區(qū)域的自適應(yīng)邊緣保留尺度系數(shù)，并利用所述自適應(yīng)邊緣保留尺度系數(shù)獲取所述目標(biāo)的行為特征數(shù)據(jù)，進(jìn)而確定出所述目標(biāo)的行為風(fēng)險值，并以所述行為風(fēng)險值進(jìn)行所述目標(biāo)的風(fēng)險預(yù)警。

3、在本發(fā)明一實施例中，所述采集端，包括：數(shù)據(jù)采集模塊，獲取所述采集區(qū)域中至少一個所述目標(biāo)的多個行為圖像，以組成所述圖像數(shù)據(jù)；數(shù)據(jù)預(yù)處理模塊，對所述圖像數(shù)據(jù)進(jìn)行預(yù)處理，并將預(yù)處理之后的所述圖像數(shù)據(jù)存儲在本地數(shù)據(jù)庫中，其中，所述預(yù)處理至少包括去噪處理、亮度調(diào)節(jié)處理、對比度調(diào)節(jié)處理。

4、在本發(fā)明一實施例中，所述第一處理端，包括：第一處理模塊，獲取所述圖像數(shù)據(jù)中的至少一個超像素區(qū)域，并獲取每一所述超像素區(qū)域的位移尺度系數(shù)和像素值集合，進(jìn)而利用所述位移尺度系數(shù)和所述像素值集合，確定每一所述超像素區(qū)域的區(qū)域活躍因子；第二處理模塊，獲取所述圖像數(shù)據(jù)中的至少一個目標(biāo)活躍區(qū)域，并獲取所述目標(biāo)活躍區(qū)域的區(qū)域參數(shù)，利用所述區(qū)域活躍因子確定每一所述目標(biāo)活躍區(qū)域的潛在沖突系數(shù)，以及利用所述區(qū)域參數(shù)確定每一所述目標(biāo)活躍區(qū)域的區(qū)域完整系數(shù)；進(jìn)而利用所述潛在沖突系數(shù)和所述區(qū)域完整系數(shù)確定每一所述目標(biāo)活躍區(qū)域的潛在行為分風(fēng)險系數(shù)。

5、在本發(fā)明一實施例中，所述獲取所述圖像數(shù)據(jù)中的至少一個目標(biāo)活躍區(qū)域，包括：利用所述區(qū)域活躍因子和預(yù)設(shè)活躍閾值對所述超像素區(qū)域進(jìn)行判斷，并將所述區(qū)域活躍因子大于所述活躍閾值的所述超像素區(qū)域，作為所述目標(biāo)活躍區(qū)域。

6、在本發(fā)明一實施例中，所述第一處理模塊，包括：第一獲取組件，獲取所述圖像數(shù)據(jù)中的至少一個超像素區(qū)域，并獲取每一所述超像素區(qū)域的所述像素值集合，以及獲取每一所述超像素區(qū)域在相鄰圖像數(shù)據(jù)中的所述位移尺度系數(shù)，還獲取每一所述超像素區(qū)域的相鄰時刻圖像集合；第一計算組件，利用所述位移尺度系數(shù)、所述像素值集合和所述相鄰時刻圖像集合，確定每一所述超像素區(qū)域的區(qū)域活躍因子。

7、在本發(fā)明一實施例中，所述第一獲取組件的操作如下：利用超像素區(qū)域分割方式對所述圖像數(shù)據(jù)進(jìn)行區(qū)域分割，獲取多個具有相似像素特征的局部區(qū)域，并以所述局部區(qū)域作為所述超像素區(qū)域；利用所述超像素區(qū)域的質(zhì)心坐標(biāo)位置，獲取同一所述超像素區(qū)域在相鄰幀圖像中的質(zhì)心坐標(biāo)之間的第一歐式距離，并以所述第一歐式距離作為所述位移尺度系數(shù)。

8、在本發(fā)明一實施例中，所述第二處理模塊，包括：第二獲取組件，獲取所述圖像數(shù)據(jù)中的至少一個目標(biāo)活躍區(qū)域，并獲取所述目標(biāo)活躍區(qū)域的光流向量；第二計算組件，利用所述光流向量確定每一所述目標(biāo)活躍區(qū)域的運動方向向量與水平方向向量的夾角，利用所述夾角和所述區(qū)域活躍因子，確定每一所述目標(biāo)活躍區(qū)域的潛在沖突系數(shù)；第三獲取組件，獲取所述目標(biāo)活躍區(qū)域的區(qū)域參數(shù)，其中，所述區(qū)域參數(shù)至少包括邊緣曲線周長和區(qū)域輪廓面積；第三計算組件，利用所述邊緣曲線周長和所述區(qū)域輪廓面積確定每一所述目標(biāo)活躍區(qū)域的區(qū)域完整系數(shù)；第四計算組件，利用所述潛在沖突系數(shù)和所述區(qū)域完整系數(shù)，確定每一所述目標(biāo)活躍區(qū)域的潛在行為分風(fēng)險系數(shù)。

9、在本發(fā)明一實施例中，所述第四計算組件，還包括：第一子獲取組件，獲取不同的所述目標(biāo)活躍區(qū)域的質(zhì)心坐標(biāo)之間的第二歐式距離；修正組件，利用所述潛在沖突系數(shù)和所述區(qū)域完整系數(shù)，確定每一所述目標(biāo)活躍區(qū)域的修正沖突系數(shù)；第一子計算組件，利用所述修正沖突系數(shù)、所述第二歐式距離和所述區(qū)域活躍因子，確定每一所述目標(biāo)活躍區(qū)域的所述潛在行為分風(fēng)險系數(shù)。

10、在本發(fā)明一實施例中，所述第二處理端，包括：第四獲取組件，獲取所述目標(biāo)活躍區(qū)域的初始邊緣保留尺度系數(shù)；第五計算組件，利用所述初始邊緣保留尺度系數(shù)和所述潛在行為風(fēng)險系數(shù)，確定每一所述目標(biāo)活躍區(qū)域的自適應(yīng)邊緣保留尺度系數(shù)；第六計算組件，利用所述自適應(yīng)邊緣保留尺度系數(shù)獲取圖像數(shù)據(jù)中所有的所述目標(biāo)活躍區(qū)域的目標(biāo)邊緣曲線，利用所述目標(biāo)邊緣曲線獲取所述目標(biāo)的行為特征數(shù)據(jù)；評估組件，利用所述行為特征數(shù)據(jù)確定出所述目標(biāo)在實時行為中的行為風(fēng)險值，并以所述行為風(fēng)險值進(jìn)行所述目標(biāo)的風(fēng)險預(yù)警。

11、在本發(fā)明一實施例中，所述評估組件，還包括：神經(jīng)網(wǎng)絡(luò)訓(xùn)練子組件，利用所述行為特征數(shù)據(jù)進(jìn)行訓(xùn)練，以優(yōu)化所述目標(biāo)在實時行為中的行為風(fēng)險值；確定子組件，利用優(yōu)化后的所述行為風(fēng)險值進(jìn)行所述目標(biāo)的風(fēng)險預(yù)警。

12、本發(fā)明的有益效果如下：本發(fā)明中基于機(jī)器學(xué)習(xí)的患者護(hù)理風(fēng)險預(yù)警系統(tǒng)，包括：采集端，獲取采集區(qū)域中至少一個目標(biāo)的圖像數(shù)據(jù)；第一處理端，獲取圖像數(shù)據(jù)中的至少一個超像素區(qū)域，并確定每一超像素區(qū)域的區(qū)域活躍因子；以及獲取圖像數(shù)據(jù)中的至少一個目標(biāo)活躍區(qū)域，利用區(qū)域活躍因子確定每一目標(biāo)活躍區(qū)域的潛在沖突系數(shù)，進(jìn)而利用潛在沖突系數(shù)確定每一目標(biāo)活躍區(qū)域的潛在行為風(fēng)險系數(shù)；第二處理端，利用潛在行為分風(fēng)險系數(shù)確定每一目標(biāo)活躍區(qū)域的自適應(yīng)邊緣保留尺度系數(shù)，并利用自適應(yīng)邊緣保留尺度系數(shù)獲取目標(biāo)的行為特征數(shù)據(jù)，進(jìn)而確定出目標(biāo)的行為風(fēng)險值，并以行為風(fēng)險值進(jìn)行目標(biāo)的風(fēng)險預(yù)警；即本技術(shù)通過采集端采集護(hù)理環(huán)境區(qū)域中至少一個目標(biāo)的圖像數(shù)據(jù)，通過第一處理端對圖像數(shù)據(jù)進(jìn)行分析確定圖像數(shù)據(jù)中的每一超像素區(qū)域的區(qū)域活躍因子，以通過區(qū)域活躍因子確定目標(biāo)活躍區(qū)域的潛在行為風(fēng)險系數(shù)，進(jìn)而第二處理端利用潛在行為分風(fēng)險系數(shù)確定目標(biāo)活躍區(qū)域的自適應(yīng)邊緣保留尺度系數(shù)，從而利用自適應(yīng)邊緣保留尺度系數(shù)獲取目標(biāo)的行為特征數(shù)據(jù)確定出目標(biāo)的行為風(fēng)險值。即發(fā)明以基于行為風(fēng)險值進(jìn)行目標(biāo)的風(fēng)險預(yù)警，實現(xiàn)有效的護(hù)理風(fēng)險預(yù)警。