本發明涉及醫療數據監測，尤其涉及一種用于慢性心血管病的數據監測系統。

背景技術：

1、在慢性心血管病的管理中，實時數據監測對于疾病的早期發現和長期管理至關重要，通過智能穿戴設備例如智能手表或健康手環集成多種傳感器，包括ecg傳感器、光電容積脈搏波傳感器(ppg)、血壓監測傳感器等，能夠同時獲取心率、血壓、心電圖及其他生理指標，這些傳感器的集成提升了數據采集的全面性和準確性，并通過內置的數據處理單元能夠實時處理傳感器采集的數據，應用先進的算法對生理信號進行分析，檢測出異常心電圖變化、血壓波動等潛在問題，分析結果即時反饋給用戶，并提供健康預警。然而，傳統的心血管數據監測方法主要包括定期的醫院檢查和手動記錄，這種方法雖然可以提供一定的健康數據，但存在監測數據不夠全面以及分析不夠精準的問題，從而導致了慢性心血管病患者的管理效率低下。

技術實現思路

1、基于此，本發明有必要提供一種用于慢性心血管病的數據監測系統，以解決至少一個上述技術問題。

2、為實現上述目的，一種用于慢性心血管病的數據監測系統，包括以下模塊：

3、患者生理指標數據流采集模塊，用于通過智能穿戴設備實時采集慢性心血管病患者心率、ecg信號、血氧飽和度以及血壓實時生理指標數據，并對慢性心血管病患者心率、ecg信號、血氧飽和度以及血壓實時生理指標數據進行流數據融合處理，得到患者生理指標實時數據流；通過無線傳輸模塊將患者生理指標實時數據流發送并傳輸至數據處理單元；

4、生理指標變化特征向量轉換模塊，用于通過數據處理單元對患者生理指標實時數據流進行生理指標基線校正處理，以得到患者生理指標基線校正數據流；對患者生理指標基線校正數據流內的每一個生理指標進行時序同步處理，得到在同一時序維度下的患者生理指標數據流；對在同一時序維度下的患者生理指標數據流進行生理特征向量轉換處理，得到患者實時生理指標變化特征向量；

5、生理指標特征塌陷異常量化模塊，用于獲取歷史慢性心血管病例患者生理指標數據，并對歷史慢性心血管病例患者生理指標數據進行一致的生理特征向量轉換，以得到歷史病例患者生理指標變化特征向量；基于歷史病例患者生理指標變化特征向量對患者實時生理指標變化特征向量進行生理指標特征塌陷異常量化計算，得到患者實時生理指標變化特征塌陷異常值；

6、患者生理指標異常響應預警模塊，用于基于患者實時生理指標變化特征塌陷異常值對患者實時生理指標變化特征向量內相對應的患者生理指標進行生理指標異常響應處理，以生成患者生理指標變化異常響應信號；將患者生理指標變化異常響應信號作用于智能穿戴設備，以執行相應的患者生理指標異常預警提示工作。

7、進一步的，所述患者生理指標數據流采集模塊包括以下功能：

8、通過智能穿戴設備實時采集慢性心血管病患者心率、ecg信號、血氧飽和度以及血壓實時生理指標數據；

9、通過流數據處理架構對慢性心血管病患者心率、ecg信號、血氧飽和度以及血壓實時生理指標數據進行流數據映射轉換，以生成慢性心血管病患者心率數據子流、慢性心血管病患者ecg信號數據子流、慢性心血管病患者血氧飽和度數據子流以及慢性心血管病患者血壓數據子流；

10、對慢性心血管病患者心率數據子流、慢性心血管病患者ecg信號數據子流、慢性心血管病患者血氧飽和度數據子流以及慢性心血管病患者血壓數據子流進行流數據融合處理，得到患者生理指標實時數據流；

11、通過無線傳輸模塊將患者生理指標實時數據流發送并傳輸至數據處理單元。

12、進一步的，所述對慢性心血管病患者心率數據子流、慢性心血管病患者ecg信號數據子流、慢性心血管病患者血氧飽和度數據子流以及慢性心血管病患者血壓數據子流進行流數據融合處理包括：

13、對慢性心血管病患者心率數據子流、慢性心血管病患者ecg信號數據子流、慢性心血管病患者血氧飽和度數據子流以及慢性心血管病患者血壓數據子流進行數據流分層抽取處理，得到慢性心血管病患者分層生理指標數據流；

14、對慢性心血管病患者分層生理指標數據流進行時序特征統計分析，得到慢性心血管病患者分層生理指標時序特征數據集；

15、對慢性心血管病患者分層生理指標時序特征數據集內每一種生理指標數據子流的時序特征進行特征平滑及增強處理，以得到患者分層生理指標增強時序特征數據集；

16、對患者分層生理指標增強時序特征數據集內不同的生理指標時序特征之間進行時序關聯挖掘分析，得到慢性心血管病患者不同生理指標時序特征之間的時序關聯關系；基于慢性心血管病患者不同生理指標時序特征之間的時序關聯關系對患者分層生理指標增強時序特征數據集內不同的生理指標時序特征之間進行關聯特征圖譜連接構建，以生成患者生理指標動態關聯特征圖譜；

17、基于患者生理指標動態關聯特征圖譜對慢性心血管病患者心率數據子流、慢性心血管病患者ecg信號數據子流、慢性心血管病患者血氧飽和度數據子流以及慢性心血管病患者血壓數據子流進行流數據融合處理，得到患者生理指標實時數據流。

18、進一步的，所述生理指標變化特征向量轉換模塊包括以下功能：

19、通過數據處理單元內的高通濾波器對患者生理指標實時數據流進行低頻干擾消除處理，得到患者生理指標低頻干擾消除數據流；

20、通過數據處理單元內的低通濾波器對患者生理指標低頻干擾消除數據流進行高頻消噪處理，得到患者生理指標高頻消噪數據流；

21、對患者生理指標高頻消噪數據流進行生理指標基線校正處理，以得到患者生理指標基線校正數據流；

22、對患者生理指標基線校正數據流內的每一個生理指標進行時序同步處理，得到在同一時序維度下的患者生理指標數據流；

23、對在同一時序維度下的患者生理指標數據流進行生理特征向量轉換處理，得到患者實時生理指標變化特征向量。

24、進一步的，所述對患者生理指標高頻消噪數據流進行生理指標基線校正處理包括：

25、對患者生理指標高頻消噪數據流進行生理指標信號頻域分析，以生成患者生理指標信號頻率分布圖譜；

26、基于患者生理指標信號頻率分布圖譜對相對應的患者生理指標高頻消噪數據流進行生理指標基線漂移檢測，得到患者生理指標信號分布基線漂移趨勢數據；

27、對患者生理指標信號分布基線漂移趨勢數據進行基線漂移校正分析，得到患者生理指標信號分布基線漂移校正指數；

28、基于患者生理指標信號分布基線漂移校正指數對相對應的患者生理指標高頻消噪數據流進行數據流基線校正調整處理，以得到患者生理指標基線校正數據流。

29、進一步的，所述對在同一時序維度下的患者生理指標數據流進行生理特征向量轉換處理包括：

30、對在同一時序維度下的患者生理指標數據流內的慢性心血管病患者心率進行變異性特征統計分析，得到慢性心血管病患者心率變異性特征；

31、對在同一時序維度下的患者生理指標數據流內的慢性心血管病患者ecg信號進行信號波形特征統計分析，得到慢性心血管病患者ecg信號波形特征；

32、對在同一時序維度下的患者生理指標數據流內的慢性心血管病患者血氧飽和度進行血氧活動水平特征分析，得到慢性心血管病患者血氧活動水平特征；

33、對在同一時序維度下的患者生理指標數據流內的慢性心血管病患者血壓進行血壓異常波動特征分析，得到慢性心血管病患者血壓異常波動特征；

34、將慢性心血管病患者心率變異性特征、慢性心血管病患者ecg信號波形特征、慢性心血管病患者血氧活動水平特征以及慢性心血管病患者血壓異常波動特征進行生理特征向量轉換處理，得到患者實時生理指標變化特征向量。

35、進一步的，所述生理指標特征塌陷異常量化模塊包括以下功能：

36、獲取歷史慢性心血管病例患者生理指標數據；

37、對歷史慢性心血管病例患者生理指標數據進行一致的生理特征向量轉換，以得到歷史病例患者生理指標變化特征向量；

38、對歷史病例患者生理指標變化特征向量以及患者實時生理指標變化特征向量進行特征向量空間同步映射處理，以得到在同一特征向量空間維度下的歷史病歷生理指標特征向量以及實時生理指標特征向量；

39、基于在同一特征向量空間維度下的歷史病歷生理指標特征向量對相對應的實時生理指標特征向量進行生理指標特征塌陷異常量化計算，得到患者實時生理指標變化特征塌陷異常值。

40、進一步的，所述基于在同一特征向量空間維度下的歷史病歷生理指標特征向量對相對應的實時生理指標特征向量進行生理指標特征塌陷異常量化計算包括：

41、對在同一特征向量空間維度下的歷史病歷生理指標特征向量以及實時生理指標特征向量內每一個相對應的生理指標特征之間進行特征空間距離度量計算，以得到每一個歷史生理指標特征向量與相對應實時生理指標特征向量之間的特征空間距離度量值；

42、對在同一特征向量空間維度下的歷史病歷生理指標特征向量以及實時生理指標特征向量進行特征向量空間基準映射分析，以得到生理指標特征向量空間基準映射矩陣；

43、基于生理指標特征向量空間基準映射矩陣對在同一特征向量空間維度下的實時生理指標特征向量進行特征空間重構維數差分分析，得到患者實時生理指標特征向量空間重構維數差分值；

44、基于每一個歷史生理指標特征向量與相對應實時生理指標特征向量之間的特征空間距離度量值以及患者實時生理指標特征向量空間重構維數差分值利用生理指標特征塌陷異常計算公式對相對應的實時生理指標特征向量進行生理指標特征塌陷異常量化計算，得到患者實時生理指標變化特征塌陷異常值。

45、進一步的，所述生理指標特征塌陷異常計算公式具體為：

46、

47、δd(t)＝ut*(xr,i(t)―xl,i(t))；

48、式中，ec為患者實時生理指標變化特征塌陷異常值，t1為積分初始時間變量，t2為積分終止時間變量，t為積分時間變量參數，n為生理指標特征向量的總數量，i為生理指標特征向量的項次度量參數，xs,i(t)為在同一特征向量空間維度下時間t處的第i個歷史生理指標特征向量，xl,i(t)為在同一特征向量空間維度下時間t處相對應的第i個實時生理指標特征向量，‖·‖2為特征空間距離度量范式，σi為第i個生理指標特征向量之間的距離標準差，α為特征向量空間距離加權系數，δd(t)為在時間t處的患者實時生理指標特征向量空間重構維數差分值，β為空間重構維數差分加權系數，u為生理指標特征向量空間基準映射矩陣，t為矩陣轉置符號，xr,o(t)為在原始空間維度下時間t處的第i個實時生理指標特征向量，η為患者實時生理指標變化特征塌陷異常值的修正系數。

49、進一步的，所述患者生理指標異常響應預警模塊包括以下功能：

50、根據預設的生理指標特征塌陷異常閾值對患者實時生理指標變化特征塌陷異常值進行比較判斷，當患者實時生理指標變化特征塌陷異常值大于或等于預設的生理指標特征塌陷異常閾值時，則對相對應的患者實時生理指標變化特征向量進行異常特征映射處理，以生成患者生理指標異常特征映射圖譜；當患者實時生理指標變化特征塌陷異常值小于預設的生理指標特征塌陷異常閾值時，則不做任何處理；

51、基于患者生理指標異常特征映射圖譜對患者實時生理指標變化特征向量內相對應的患者生理指標進行生理指標異常響應處理，以生成患者生理指標變化異常響應信號；

52、通過無線傳輸模塊將患者生理指標變化異常響應信號發送并作用于智能穿戴設備內的預警控制器進行異常預警控制處理，生成患者生理指標異常預警提示控制指令，以執行相應的患者生理指標異常預警提示工作。

53、本發明的有益效果：

54、本發明所提出的用于慢性心血管病的數據監測系統，與現有技術相比，本技術所述用于慢性心血管病的數據監測系統整體上由患者生理指標數據流采集模塊、生理指標變化特征向量轉換模塊、生理指標特征塌陷異常量化模塊以及患者生理指標異常響應預警模塊組成，其有益效果在于通過使用智能穿戴設備實時采集慢性心血管病患者的心率、ecg信號、血氧飽和度以及血壓等不同的生理指標數據，這一步驟的關鍵在于能夠持續、準確地監測慢性心血管病患者的生理狀態，可以在患者日常生活中進行非侵入式數據采集，不需要額外的醫療干預，從而提升了患者的舒適度和數據的采集頻率，這種實時監測對于慢性心血管病患者尤其重要，因為其健康狀況會在短時間內發生變化，通過持續監測能夠及時發現異常數據，提前預警潛在的健康問題，有助于醫生和患者快速響應，采取必要的醫療措施，從而降低疾病急性發作的風險，從而能夠提高了對慢性心血管病患者生理數據監測的全面性。并且，通過對慢性心血管病患者心率、ecg信號、血氧飽和度以及血壓實時生理指標數據進行流數據融合處理，這一步驟的關鍵在于能夠體現在綜合分析多個數據維度，提供全面的健康監測視圖，數據融合能夠將單獨的生理指標綜合起來，從而發現潛在的健康趨勢和關聯。例如，心率和血壓數據的結合可以揭示出血管健康的整體狀況，而ecg信號與心率的融合則可以幫助分析潛在的心律不齊問題，綜合數據分析不僅能夠提供更準確的健康評估，還可以通過模式識別和異常檢測，提高早期預警的效果，幫助醫生更好地理解患者的健康狀況并制定個性化的異常預警工作方案。同時，通過使用內置的無線傳輸模塊將患者生理指標實時數據流發送至數據處理單元，這一步驟的關鍵在于實現了融合數據流的遠程實時傳輸，提升了數據處理的靈活性和響應速度，無線傳輸模塊使得患者數據能夠快速、無縫地傳送至數據處理單元，避免了傳統有線連接帶來的不便，實時數據傳輸使得醫生和醫療人員能夠即時獲取患者的健康信息，進行遠程監控，這種及時的數據傳輸不僅提升了患者的護理質量，從而節省了時間和成本，還能夠支持在緊急情況下的快速數據上傳，從而增強了對慢性心血管病患者突發健康事件的反應能力。其次，通過使用數據處理單元對患者生理指標實時數據流進行生理指標基線校正處理，這一步驟的有益效果在于修正因時間、設備偏差或測量條件變化而導致的數據基線漂移，生理指標數據在不同時間點或不同條件下會出現基線偏移，從而影響數據的準確性，通過基線校正處理能夠對數據進行標準化，使得每個數據點都以一個統一的參考點進行比較，從而消除因設備或環境變化引起的偏差，這種處理能夠確保數據的長期一致性，提高數據的可比性，為醫生提供更可靠的健康監測信息，有助于做出更加科學的決策。還通過對患者生理指標基線校正數據流內的每一個生理指標進行時序同步處理，這一步驟的關鍵在于使不同的生理指標能夠在相同的時間軸上進行比較和分析，不同的生理指標(如心率、血氧飽和度等)具有不同的采樣頻率和時間戳，時序同步處理將這些指標對齊，確保所有數據都反映在相同的時間維度上，幫助醫生更好地理解各個生理參數之間的關系，從而提升對患者健康狀態的整體把握。通過對在同一時序維度下的患者生理指標數據流進行生理特征向量轉換處理，這樣能夠將多維度的生理數據轉化為可分析的特征向量，提取出關鍵的生理變化信息，這種轉換可以將復雜的時間序列數據壓縮為更易處理和解讀的特征向量，便于機器學習算法或其他分析方法進行進一步分析。通過特征向量的生成，能夠更好地捕捉生理指標的變化趨勢和異常模式，從而提高慢性心血管病患者生理數據分析的準確性和異常管理效率，這不僅優化了數據分析過程，還為實現精準醫療和個性化健康管理提供了強大的數據支持。然后，通過獲取歷史慢性心血管病例患者生理指標數據，這一步驟的關鍵在于提供了一個寶貴的參考基準，用于比較和分析當前患者的健康狀況，歷史數據不僅包括患者的長期健康趨勢，還涵蓋不同階段的數據和病情變化，通過匯集這些歷史數據，能夠更好地理解患者的病情發展過程、反應和健康趨勢，對歷史病例數據的獲取為后續的數據分析奠定了堅實的基礎，使得在對比實時數據時能夠發現更為微妙的變化和異常情況。還通過對歷史慢性心血管病例患者生理指標數據進行一致的生理特征向量轉換，這一處理過程的關鍵在于將歷史數據標準化為與先前實時監測數據一致的特征表示形式，使得數據能夠被有效地比較和分析，特征向量轉換能夠將復雜的生理數據簡化為更易于處理的向量形式，保留了數據的關鍵特征，同時消除了數據在不同測量條件和時間點上的差異。通過一致的特征向量轉換，可以確保歷史病例數據在分析時的比較基礎是統一的，從而提高了后續分析過程的可靠性和一致性。并且，通過基于歷史病例患者生理指標變化特征向量對患者實時生理指標變化特征向量進行生理指標的塌陷異常量化計算，這一處理步驟的關鍵在于能夠量化實時數據相對于歷史數據的異常程度，提供具體的異常值指標用于臨床判斷，生理指標特征塌陷異常量化計算通過將實時數據與歷史數據的標準進行對比，能夠揭示出患者當前健康狀況的顯著變化或異常趨勢，這種量化計算有助于識別那些被忽視的潛在健康問題，使醫生能夠及時采取干預措施，預防疾病的進一步惡化或急性發作，通過提供明確的異常值，醫生可以更加精準地調整健康決策方案和健康管理策略，提高醫療干預的針對性和有效性，從而提升慢性心血管病患者的健康預后。最后，通過基于先前量化計算得到的患者實時生理指標變化特征塌陷異常值對患者實時生理指標變化特征向量內相對應的患者生理指標進行生理指標異常響應處理，這一步驟顯著提升了對異常情況的響應能力，能夠更準確地識別出哪些生理指標發生了異常變化，這種處理方式使得異常響應處理更加精準和有針對性，生成的異常響應信號不僅能夠及時反映出健康狀況的變化，還能為醫療人員提供詳細的信息以進行進一步分析和干預，這一步驟有助于更快地定位問題，減少患者面臨的健康風險，并為制定個性化的異常風險處理方案提供依據。此外，還通過使用無線傳輸模塊將患者生理指標變化異常響應信號發送至智能穿戴設備，從而生成異常預警提示控制指令來執行相應的患者生理指標異常預警工作，這一過程大大提升了實時預警的有效性和響應速度，無線傳輸模塊的使用確保了數據的即時傳遞，無需物理連接或人為干預，降低了數據傳輸延遲，這使得預警系統能夠在異常情況發生時迅速做出反應，發送相應的預警信號給穿戴設備，智能穿戴設備內的預警控制器接收到信號后，會生成預警提示控制指令，及時提醒患者及醫療人員潛在的健康風險，這樣的自動化預警機制不僅提升了患者對自身健康狀況的及時了解，還能夠讓醫療團隊在第一時間內采取行動，預防潛在的健康問題，這種實時預警和反饋機制極大地提高了健康管理的效率和準確性，有助于改善患者的預后和生活質量。