法律状态公告日
法律状态信息
法律状态
2022-06-28
公开
发明专利申请公布
技术领域
本发明涉及个人健康风险评估技术领域，具体涉及一种猝死预警系统。
背景技术
心脏性猝死是指由各类心脏原因导致的意外性、非暴力性自然死亡，其特点为快速、不可预测，多数患者发病前处于正常生活状态甚至是睡眠之中，但在急性症状开始1小时内即可出现骤然意识丧失。心脏性猝死的主要原因是血液动力学发生变化，当患者的冠状动脉血管受到阻碍，心肌代谢出现异常、自主神经张力变化的时候极易导致患者出现心脏性猝死。目前临床对于心脏性猝死尚无有效治疗措施，而早期预防与风险评估，在降低心脏性猝死发生风险方面就显得尤为重要。
发明内容
针对现有技术存在的不足，本发明提出一种猝死预警系统，可以评估用户的猝死风险趋势，以降低猝死发生风险，具体技术方案如下：
一种猝死预警系统，在第一种可实现方式中，包括：
用户终端，配置为采集用户的低频猝死风险因子信息、中频猝死风险因子信息和高频猝死风险因子信息；
预警云平台，设置有智能分析模块和风险评估模块；
所述智能分析模块配置为根据所述低频猝死风险因子信息、中频猝死风险因子信息和高频猝死风险因子信息，以及各项猝死风险因子对应的权重，计算用户的猝死风险指数；
所述风险评估模块配置为通过相应的历史猝死风险指数评估用户的猝死风险趋势。
结合第一种可实现方式，在第二种可实现方式中，所述用户终端包括风险因子选择模块，配置选择需采集的猝死风险因子。
结合第一种可实现方式，在第三种可实现方式中，所述低频猝死风险因子信息包括用户个人基本信息，长期生活习惯信息，长期用药习惯信息，长期身体症状信息，家族疾病史信息，个人疾病史信息；
所述中频猝死风险因子信息包括用户短期生活习惯信息，短期用药习惯信息，短期身体症状信息，体检报告参数信息；
所述高频猝死风险因子信息包括用户的实时生理特征信息，语音信息，当日生活习惯信息。
结合第三种可实现方式，在第四种可实现方式中，猝死风险因子对应的权重包括：
结合第二种可实现方式，在第五种可实现方式中，所述预警云平台还包括风险因子排序模块，所述风险因子排序模块配置为对所述风险因子选择模块选择的猝死风险因子进行排序。
结合第五种可实现方式，在第六种可实现方式中，所述风险因子排序模块包括：
数据采集单元，配置为采集多位用户选择的猝死风险因子对应的猝死风险因子数据，构建猝死风险因子数据集；
聚类分析单元，配置为采用聚类算法对猝死风险因子数据集进行聚类分析；
风险因子排序单元，配置为基于所述聚类分析单元的分析结果，采用随机森林模型对所有猝死风险因子进行重要性排序。
结合第一种可实现方式，在第七种可实现方式中，所述智能分析模块包括：
指数计算单元，配置为根据低频猝死风险因子信息、中频猝死风险因子信息和高频猝死风险因子信息，分别计算用户的低频猝死风险指数、中频猝死风险指数和高频猝死风险指数；
综合计算单元，配置为结合所述低频猝死风险指数、中频猝死风险指数和高频猝死风险指数，以及相应的权重系数，计算用户的所述猝死风险指数。
结合第七种可实现方式，在第八种可实现方式中，所述指数计算单元包括：
信息采集单元，配置为采集多位专家的调查问卷数据；
矩阵构建单元，配置为通过采集到的调查问卷数据，构建猝死风险因子的模糊邻接关系矩阵和模糊可达矩阵；
权重计算单元，配置为根据所述模糊邻接关系矩阵和模糊可达矩阵的阈值分布情况进行权重分析，得出每种猝死风险因子的权重；
风险指数计算单元，配置为基于相应的猝死风险因子的权重，分别根据所述低频猝死风险因子信息、中频猝死风险因子信息和高频猝死风险因子信息，计算用户的低频猝死风险指数、中频猝死风险指数和高频猝死风险指数。
结合第八种可实现方式，在第九种可实现方式中，所述用户终端包括权重调整模块，该权重调整模块配置为对所述权重计算单元得出的各种猝死风险因子的权重进行调整。
结合第一种可实现方式，在第十种可实现方式中，所述风险评估模块包括：
指数序列构建单元，配置为获取用户的历史猝死风险指数，并按照猝死风险指数的得出时间进行排序，得到用户的预警指数序列；
指数序列处理单元，配置为对所述预警指数序列中的历史猝死风险指数进行对数处理，得到对数风险变化率序列；
预警模型构建单元，配置为根据所述对数风险变化率序列，构建自回归条件异方差回归模型；
预警指数预测单元，配置为通过所述自回归条件异方差回归模型预测用户未来的猝死预警指数；
猝死风险评估单元，配置为将未来的猝死预警指数与历史猝死风险指数进行比较，评估用户的猝死风险趋势。
结合第一种可实现方式，在第十一种可实现方式中，所述用户终端还包括智能推送模块，该智能推送模块配置为根据所述风险评估模块的评估结果，向用户推送相应的健康知识信息。
结合第一种可实现方式，在第十二种可实现方式中，所述用户终端还包括报警模块，该报警模块配置为根据所述风险评估模块的评估结果向用户发送报警信息。
结合第一种可实现方式，在第十三种可实现方式中，还包括可穿戴设备，该可穿戴设备用于采集用户的实时生理特征信息。
有益效果：采用本发明的猝死预警系统，通过设置的用户终端可以采集用户关于猝死风险的各种风险因子信息，通过设置的智能分析模块可以对采集到风险因子信息进行分析，得出用户未来的猝死风险指数，通过设置的风险评估模块可以结合预测的猝死风险指数和用户过去的猝死风险指数，评估用户的猝死风险趋势，以便用户进行健康管理，降低猝死风险。
附图说明
为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍。在所有附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明一实施例提供的猝死预警系统的系统框图；
图2为本发明一实施例提供的风险因子排序模块的的系统框图；
图3为本发明一实施例提供的指数计算单元的的系统框图；
图4为本发明一实施例提供的风险评估模块的的系统框图；
图5为本发明一实施例提供的用户终端的系统框图；
图6为模糊邻接矩阵阈值和模糊可达矩阵阈值的分布情况示意图；
图7为本发明一实施例提供的预警系统的系统界面；
图8为本发明一实施例提供的风险因子选择模块的系统界面；
图9为本发明一实施例提供的猝死风险因子的量化柱。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
如图1所示的猝死预警系统的系统框图，该预警系统包括：
用户终端，配置为采集用户的低频猝死风险因子信息、中频猝死风险因子信息和高频猝死风险因子信息；
预警云平台，设置有智能分析模块和风险评估模块；
所述智能分析模块配置为根据所述低频猝死风险因子信息、中频猝死风险因子信息和高频猝死风险因子信息，以及各项猝死风险因子对应的权重，计算用户的猝死风险指数；
所述风险评估模块配置为通过相应的历史猝死风险指数评估用户的猝死风险趋势。
具体而言，预警系统由用户终端和预警云平台组成，其中，用户终端包括信息采集模块，信息采集模块可以采集与用户相关的低频猝死风险因子信息、中频猝死风险因子信息和高频猝死风险因子信息，并将采集到的信息上传给预警云平台。预警云平台包括智能分析模块和风险评估模块，智能分析模块可以根据用户终端采集到的所有风险因子信息，对用户的猝死风险进行分析，得到用户未来的猝死风险指数。风险评估模块可以根据用户未来的猝死风险指数和过去的历史猝死风险指数，评估用户的猝死风险趋势，以便用户进行健康管理。
下文将结合附图2至9对预警系统的具体构成进行详细说明。
在本实施例中，可选的，用户终端采集的低频猝死风险因子信息包括用户的生活习惯、用药习惯、个人病史等。用户终端可以通过问卷调查的方式采集用户的生活习惯、用药习惯等信息。对于个人病史，用户终端可以与医院的管理系统建立起连接，以直接从医院的管理系统中调取用户的个人病史等信息。
中频猝死风险因子信息包括用户的短期生活习惯，短期用药习惯，短期身体症状和体检报告等信息。用户可以通过用户终端录入短期生活习惯，短期用药习惯，短期身体症状等信息。对于体检报告，用户终端可以直接从医院的管理系统调取，如心电图数据，血液检验参数，医学影像数据。
用户可以通过用户终端自身的输入输出设备填写生活习惯等信息，在填写短期生活习惯，短期用药习惯等信息的时候，用户终端可以将这些猝死风险因子以量化柱的形式进行显示，用户可以直接通过量化柱录入生活习惯等信息，以便每项猝死风险因子信息的快速手动录入。
具体的，如图9所示，用户终端可以将猝死风险因子的量化评价划分为5 级，采用量化柱的形式进行展示，一级评价对应于最低的量化柱，五级评价对应于最高的量化柱。
高频猝死风险因子信息包括用户的实时生理特征信息，如实时心电、实时心率、血压、血糖、血氧等信息，还包括用户当日的生活习惯，如运动情况、饮食情况、饮酒情况、吸烟情况等。用户终端可以通过用于监测生理特征信息的可穿戴设备采集用户的实时生理特征信息。对于用户当日的生活习惯等信息，用户可以通过手机等终端填写这些信息并发送给用户终端。
在本实施例中，可选的，所述用户终端包括风险因子选择模块，配置选择需采集的猝死风险因子。如图8所示，用户终端设置有风险因子选择模块，用户可以通过风险因子选择模块选择自身所存在的猝死风险因子发送给预警云平台，以便预警云平台制定个性化的猝死风险评估方式，得出个性化的猝死预警评估结果。
在本实施例中，可选的，所述预警云平台还包括风险因子排序模块，所述风险因子排序模块配置为对所述风险因子选择模块选择的猝死风险因子进行排序。用户可以将重点关注的风险因子排序在前，这样更有利于用户移动端的使用。
在本实施例中，可选的，所述风险因子排序模块包括：
数据采集单元，配置为采集多位用户的猝死风险因子数据，构建猝死风险因子数据集；
聚类分析单元，配置为采用聚类算法对猝死风险因子数据集进行聚类分析；
风险因子排序单元，配置为基于所述聚类分析单元的分析结果，采用随机森林模型对所有猝死风险因子进行重要性排序。
具体而言，风险因子排序模块是由数据采集单元、聚类分析单元和风险因子排序单元组成。其中，数据采集单元可以采集多位用户的猝死风险因子数据，构建起猝死风险因子数据集。数据采集单元可以直接从用户终端调取多位用户的风险因子信息，从而获取到多位用户的猝死风险因子数据，调取的猝死风险因子数据包括用户的频猝死风险因子数据、中频猝死风险因子数据和高频猝死风险因子数据。
聚类分析单元可以采用聚类算法，如K-均值聚类算法对数据采集单元构建的猝死风险因子数据集中的数据进行聚类分析，将猝死风险因子数据集中的猝死风险因子数据分类成猝死低危数据和猝死高危数据。
具体的，首先，从猝死风险因子数据集中随机地将2个数据点分到2个簇中，并将该2个点视为当前簇的质心。基于接下来每个点到这2个初始点之间的质心距离，确定下一个给定的输入数据点将被划分到哪一个簇中。待所有点归类结束，重新计算所有簇的质心，然后再次计算每一个点到质心的距离。该过程不断重复，直至满足收敛状态。
风险因子排序单元可以采用随机森林重要性排序方法对聚类分析单元的聚类结果进行排序，具体的：
首先，用有抽样放回的方法从猝死风险因子数据集中选取若干样本作为训练集；然后，用抽样得到的训练集生成一棵决策树。在生成的每一个结点随机不重复地选择若干个猝死风险因子对训练集进行划分，找到最佳的划分猝死风险因子，寻找过程中可用基尼系数、增益率或者信息增益等进行判别。如此重复步骤多次，从而构建起多个决策树；之后，确定每种猝死风险因子对于每颗决策树的贡献值，取平均值，记为每种猝死风险因子的权重。最后，按照每种猝死风险因子的权重对所有猝死风险因子进行排序。
在本实施例中，可选的，所述智能分析模块包括：
指数计算单元，配置为根据低频猝死风险因子信息、中频猝死风险因子信息和高频猝死风险因子信息，分别计算用户的低频猝死风险指数、中频猝死风险指数和高频猝死风险指数；
综合计算单元，配置为结合所述低频猝死风险指数、中频猝死风险指数和高频猝死风险指数，以及相应的权重系数，计算用户的所述猝死风险指数。
具体而言，智能分析模块是由指数计算单元和综合计算单元组成。其中，指数计算单元可以从用户终端调取与用户的低频猝死风险因子信息、中频猝死风险因子信息和高频猝死风险因子信息。指数计算单元可以根据低频猝死风险因子信息计算用户的低频猝死风险指数，根据中频猝死风险因子信息计算用户的中频猝死风险指数，以及通过高频猝死风险因子信息计算用户的高频猝死风险指数。
指数计算单元可以将计算得出用户的低频猝死风险指数、中频猝死风险指数和高频猝死风险指数发送给综合计算单元。综合计算单元可以根据低频猝死风险指数、中频猝死风险指数和高频猝死风险指数，以及预设的低频猝死风险指数、中频猝死风险指数和高频猝死风险指数对应的权重系数，计算出用户的猝死风险指数。具体的计算式如下：
CS＝LC×LC
其中，CS为猝死风险指数，LC为低频猝死风险指数，LC
在本实施例中，可选的，所述指数计算单元包括：
信息采集单元，配置为采集多位专家的调查问卷数据；
矩阵构建单元，配置为通过采集到的调查问卷数据，构建猝死风险因子的模糊邻接关系矩阵和模糊可达矩阵；
权重计算单元，配置为根据所述模糊邻接关系矩阵和模糊可达矩阵的阈值分布情况进行权重分析，得出每种猝死风险因子的权重；
风险指数计算单元，配置为基于相应的猝死风险因子的权重，分别根据所述低频猝死风险因子信息、中频猝死风险因子信息和高频猝死风险因子信息，计算用户的低频猝死风险指数、中频猝死风险指数和高频猝死风险指数。
具体而言，指数计算单元是由信息采集单元、矩阵构建单元、权重计算单元和风险指数计算单元组成。其中，信息采集单元可以采集多份关于影响猝死的风险因子调查信息。可以通过向多位医疗与健康行业的资深临床医师及研究人员进行调研，从而采集到风险因子调查信息。
具体的调研方式可以是信息采集单元向每位专家人员所使用的电脑或手机发送调查问卷，专家人员通过电脑或手机填写完问卷后，将填写好的调查问卷信息通过电脑或手机等用户终端发送给信息采集单元。
信息采集单元可以将采集到的调查问卷信息发送给矩阵构建单元，调查问卷信息包括专家人员评估的每项猝死风险因子的权重数据。矩阵构建单元可以对所有调查问卷信息中的数据进行统计，确定每项猝死风险因子对应的权重平均值，再基于所有猝死风险因子对应的权重平均值，构建起猝死风险因子的模糊邻接关系矩阵和模糊可达矩阵。
矩阵构建单元在构建模糊邻接关系矩阵和模糊可达矩阵时，以问卷的形式对15名资深专家进行调研，得到初步的问卷结果后，对其中的有效问卷数据求算术平均值，整理后构建起猝死风险因子之间的初始模糊关系矩阵A
根据构建起的模糊邻接矩阵和模糊可达矩阵，可以得到模糊邻接矩阵的阈值集合，具体如下表1所示。阈值集合的分布情况如图6所示：
表1模糊邻接矩阵阈值集合
权重计算单元可以选取出模糊可达矩阵中的非0和1的数据，得出如下表所示的模糊可达矩阵的阈值集合，再求出阈值集合的截距阵，采用ISM算法计算出初始模糊关系矩阵中不同猝死风险因子之间的可达矩阵和骨架矩阵。
表2模糊可达矩阵阈值集合
权重计算单元可以根据计算出的可达矩阵和骨架矩阵构建起ANP网络架构，并基于ANP网络架构构造未加权矩阵，通过未加权矩阵确定每项猝死风险因子的权重。通过ANP网络结构分析得到的猝死风险因子的权重如下表所示：
表3猝死风险因子权重表
风险指数计算单元可以基于权重计算单元得出的每种猝死风险因子的权重和预设的灰色评价矩阵，根据用户的低频猝死风险因子信息、中频猝死风险因子信息和高频猝死风险因子信息，计算出用户的低频猝死风险指数、中频猝死风险指数和高频猝死风险指数。
风险指数计算单元可以基于信息采集单元采集到的调查问卷信息构建起风险等级评价样本，并根据风险等级评价样本构建起样本矩阵。风险指数计算单元可以通过样本矩阵确定风险等级评价样本的灰度和可能度函数，并以此计算得到灰色评价系数，从而构建起灰色评价矩阵。风险指数计算单元可以结合每项猝死风险因子的权重和灰色评价矩阵计算出用户的猝死风险指数。
在本实施例中，可选的，所述用户终端包括权重调整模块，该权重调整模块配置为对所述权重计算单元得出的各种猝死风险因子的权重进行调整。
权重计算单元可以将计算出每项猝死风险因子的权重发送给用户终端，用户可以通过用户终端的权重调整模块对每项猝死风险因子的权重进行调整，加大或减小每项猝死风险因子的权重，从而得到与用户对应的个性化的猝死预警指数。
在本实施例中，可选的，所述风险评估模块包括：
指数序列构建单元，配置为获取用户的历史猝死风险指数，并按照猝死风险指数的得出时间进行排序，得到用户的预警指数序列；
指数序列处理单元，配置为对所述预警指数序列中的历史猝死风险指数进行对数处理，得到对数风险变化率序列；
预警模型构建单元，配置为根据所述对数风险变化率序列，构建自回归条件异方差回归模型；
预警指数预测单元，配置为通过所述自回归条件异方差回归模型预测用户未来的猝死预警指数；
猝死风险评估单元，配置为将未来的猝死预警指数与历史猝死风险指数进行比较，评估用户的猝死风险趋势。
具体而言，风险评估模块由指数序列构建单元、指数序列处理单元、预警模型构建单元、预警指数预测单元和猝死风险评估单元组成。其中，指数序列构建单元可以采集智能分析模块计算出的用户未来的猝死风险指数和过去的历史猝死风险指数，并按照计算时间顺序对采集到的猝死风险指数和历史猝死风险指数进行排序，生成用户的预警指数序列w
指数序列处理单元可以对指数序列构建单元生成的预警指数序列w
预警模型构建单元可以根据对数风险变化率序列，构建自回归条件异方差回归模型，模型的具体构建步骤如下：
首先，设随机残差项ε
ε
建立广义自回归条件异方差回归模型GARCH，GARCH模型表达为如下形式：
其中，α
在实际应用中，为了计算的简便，通常采用GARCH(1，1)模型来刻画条件方差，即GARCH(1，1)模型可以是；
根据所述对数风险变化率序列w
y
其中，E为截距系数，F为滞后项系数。
预警模型构建单元可以将构建好的自回归条件异方差回归模型发送给预警指数预测单元，预警指数预测单元通过自回归条件异方差回归模型预测未来一定时间段内用户的猝死预警指数，并将预测得到的猝死预警指数发送给猝死风险评估单元，猝死风险评估单元可以将未来的猝死预警指数与历史猝死风险指数进行比较，从而评估用户的猝死风险趋势，得出的猝死风险趋势如图7 所示。如果猝死预警指数大于历史猝死风险指数，则表明用户的猝死风险增大，用户需要进行健康管理，反之则不需要进行健康管理。
在本实施例中，可选的，所述用户终端还包括智能推送模块，该智能推送模块配置为根据所述风险评估模块的评估结果，向用户推送相应的健康知识信息。
具体而言，用户终端还包括智能推送模块，该智能推送模块可以根据预警云平台的评估结果，向用户推送相应的健康知识信息。比如，当用户的猝死风险增大时，智能推送模块就可以向用户以邮件、短信等方式发送相关的健康信息。
在本实施例中，可选的，所述用户终端还包括报警模块，该报警模块配置为根据所述风险评估模块的评估结果向用户发送报警信息。具体的，用户终端还包括报警模块，当预警云平台评估出用户的猝死风险增大时，该报警模块可以声光的形式发出报警信号。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
