本技术涉及智能检测领域，且更为具体地，涉及一种用于eicu的重症监护临床信息系统及方法。
背景技术：
1、重症监护病房(icu)患者的病情复杂且变化迅速，需要持续监测和及时干预。重症监护临床信息系统 (cis) 是用于管理重症监护病房患者护理的计算机系统。eicu（电子重症监护病房）是一种远程重症监护模型，允许重症监护专家远程监测和管理多个icu患者。eicu通常配备有先进的技术，例如配备有远程患者监测系统和视频会议系统。
2、传统上，重症监护临床信息系统主要用于记录和存储患者的生命体征数据，但缺乏对这些数据进行实时分析和异常检测的能力，需要专家和医护工作者远程监控，导致难以自动监测icu患者的异常情况或难以预测病情是否会恶化，这可能会导致延误治疗和不良后果。
3、因此，期望一种优化的用于eicu的重症监护临床信息系统及方法。
技术实现思路
1、为了解决上述技术问题，提出了本技术。
2、根据本技术的一个方面，提供了一种用于eicu的重症监护临床信息系统，其包括：
3、生命体征数据采集模块，用于获取被监测重症患者的生命体征数据的时间序列，其中，所述生命体征数据包括心率、血压和体温；
4、生态体征数据时序排列模块，用于将所述被监测重症患者的生命体征数据的时间序列按照时间维度排列为心率时序输入向量、血压时序输入向量和体温时序输入向量；
5、域变换模块，用于将所述心率时序输入向量、所述血压时序输入向量和所述体温时序输入向量通过向量-图像转换模块以得到心率时序图、血压时序图和体温时序图；
6、生命体征多尺度时序语义特征提取模块，用于分别对所述心率时序图、所述血压时序图和所述体温时序图进行基于多尺度的语义编码以得到心率多尺度时序语义特征图、血压多尺度时序语义特征图和体温多尺度时序语义特征图；
7、生命体征后验语义表征模块，用于将所述心率多尺度时序语义特征图、所述血压多尺度时序语义特征图和所述体温多尺度时序语义特征图进行基于类贝叶斯概率的体征后验预测以得到体征后验时序融合语义表征特征；
8、患者体征异常检测模块，用于基于所述体征后验时序融合语义表征特征，确定被监测重症患者的体征是否存在异常；
9、所述生命体征多尺度时序语义特征提取模块，包括：
10、体征局部时序语义特征提取单元，用于将所述心率时序图、所述血压时序图和所述体温时序图分别通过基于卷积神经网络模型的体征局部时序语义特征提取器以得到心率局部时序语义特征图、血压局部时序语义特征图和体温局部时序语义特征图；
11、体征全局时序语义特征提取单元，用于将所述心率时序图、所述血压时序图和所述体温时序图分别通过基于全卷积神经网络模型的体征全时域语义特征提取器以得到心率全局时序语义特征图、血压全局时序语义特征图和体温全局时序语义特征图；
12、体征多尺度时序语义融合单元，用于将所述心率局部时序语义特征图、所述血压局部时序语义特征图和所述体温局部时序语义特征图，以及，所述心率全局时序语义特征图、所述血压全局时序语义特征图和所述体温全局时序语义特征图按照对应的体征参数进行多尺度特征融合以得到心率多尺度时序语义特征图、血压多尺度时序语义特征图和体温多尺度时序语义特征图；
13、所述体征多尺度时序语义融合单元，用于：以如下多尺度特征融合公式对所述心率局部时序语义特征图和所述心率全局时序语义特征图进行多尺度特征融合处理以得到所述心率多尺度时序语义特征图；
14、其中，所述多尺度特征融合公式为：
15、；
16、；
17、；
18、；
19、；
20、；
21、
22、其中，是所述心率局部时序语义特征图和所述心率全局时序语义特征图沿着通道维度聚合得到的拼接特征图，表示对特征图中沿通道维度的各个特征矩阵进行全局均值池化处理，表示对特征图中沿通道维度的各个特征矩阵进行最大值池化处理，为池化融合通道特征向量，表示节点数为 c/r的全连接处理， r表示缩放超参数， c为所述拼接特征图的通道数，表示函数，为通道特征向量，和分别表示不同节点数的全连接处理，为第一全连接特征向量，为第二全连接特征向量，为所述第一全连接特征向量的指数运算，为所述第二全连接特征向量的指数运算，为第一权重向量，为第二权重向量，和分别为所述心率局部时序语义特征图和所述心率全局时序语义特征图，为所述心率多尺度时序语义特征图。
23、在上述的用于eicu的重症监护临床信息系统中，所述生命体征后验语义表征模块，用于：将所述心率多尺度时序语义特征图、所述血压多尺度时序语义特征图和所述体温多尺度时序语义特征图通过基于类贝叶斯概率模型的体征后验预测器以得到体征后验时序融合语义表征特征图作为所述体征后验时序融合语义表征特征。
24、在上述的用于eicu的重症监护临床信息系统中，所述生命体征后验语义表征模块，用于：将所述心率多尺度时序语义特征图、所述血压多尺度时序语义特征图和所述体温多尺度时序语义特征图通过所述基于类贝叶斯概率模型的体征后验预测器以如下体征后验推理公式进行处理以得到所述体征后验时序融合语义表征特征图；
25、其中，所述体征后验推理公式为：
26、；
27、其中，、和分别是所述心率多尺度时序语义特征图、所述血压多尺度时序语义特征图和所述体温多尺度时序语义特征图中的各个位置的特征值，是所述体征后验时序融合语义表征特征图中的各个位置的特征值。
28、在上述的用于eicu的重症监护临床信息系统中，所述患者体征异常检测模块，用于：将所述体征后验时序融合语义表征特征图通过基于分类器的体征异常检测器以得到检测结果，所述检测结果用于表示所述被监测重症患者的体征是否存在异常。
29、在上述的用于eicu的重症监护临床信息系统中，还包括用于对所述基于卷积神经网络模型的体征局部时序语义特征提取器、所述基于全卷积神经网络模型的体征全时域语义特征提取器、所述基于类贝叶斯概率模型的体征后验预测器和所述基于分类器的体征异常检测器进行训练的训练模块。
30、在上述的用于eicu的重症监护临床信息系统中，所述训练模块 包括：
31、训练数据获取单元，用于获取训练数据，所述训练数据包括被监测重症患者的训练生命体征数据的时间序列，其中，所述训练生命体征数据包括心率、血压和体温；
32、训练数据时序排列单元，用于将所述被监测重症患者的训练生命体征数据的时间序列按照时间维度排列为训练心率时序输入向量、训练血压时序输入向量和训练体温时序输入向量；
33、训练域变换单元，用于将所述训练心率时序输入向量、所述训练血压时序输入向量和所述训练体温时序输入向量通过向量-图像转换模块以得到训练心率时序图、训练血压时序图和训练体温时序图；
34、训练多尺度时序语义特征提取单元，用于分别对所述训练心率时序图、所述训练血压时序图和所述训练体温时序图进行基于多尺度的语义编码以得到训练心率多尺度时序语义特征图、训练血压多尺度时序语义特征图和训练体温多尺度时序语义特征图；
35、训练后验语义表征单元，用于将所述训练心率多尺度时序语义特征图、所述训练血压多尺度时序语义特征图和所述训练体温多尺度时序语义特征图通过基于类贝叶斯概率模型的体征后验预测器以得到训练体征后验时序融合语义表征特征图；
36、优化单元，用于对所述训练体征后验时序融合语义表征特征图中的各个特征矩阵进行优化以得到优化训练体征后验时序融合语义表征特征图；
37、分类损失单元，用于将所述优化训练体征后验时序融合语义表征特征图通过基于分类器的体征异常检测器以得到分类损失函数值；
38、训练单元，用于基于所述分类损失函数值对所述基于卷积神经网络模型的体征局部时序语义特征提取器、所述基于全卷积神经网络模型的体征全时域语义特征提取器、所述基于类贝叶斯概率模型的体征后验预测器和所述基于分类器的体征异常检测器进行训练。
39、在上述的用于eicu的重症监护临床信息系统中，所述优化单元，用于：
40、对所述训练体征后验时序融合语义表征特征图中沿通道维度的各个特征矩阵进行基于特征场景的类概率逻辑关联推理以得到多个推理系数组成的推理系数向量；
41、以所述推理系数向量中的各个推理系数作为加权系数对所述体征后验时序融合语义表征特征图的相应的特征矩阵进行加权优化以得到所述优化训练体征后验时序融合语义表征特征图。
42、根据本技术的另一个方面，提供了一种用于eicu的重症监护临床信息方法，其包括：
43、获取被监测重症患者的生命体征数据的时间序列，其中，所述生命体征数据包括心率、血压和体温；
44、将所述被监测重症患者的生命体征数据的时间序列按照时间维度排列为心率时序输入向量、血压时序输入向量和体温时序输入向量；
45、将所述心率时序输入向量、所述血压时序输入向量和所述体温时序输入向量通过向量-图像转换模块以得到心率时序图、血压时序图和体温时序图；
46、分别对所述心率时序图、所述血压时序图和所述体温时序图进行基于多尺度的语义编码以得到心率多尺度时序语义特征图、血压多尺度时序语义特征图和体温多尺度时序语义特征图；
47、将所述心率多尺度时序语义特征图、所述血压多尺度时序语义特征图和所述体温多尺度时序语义特征图进行基于类贝叶斯概率的体征后验预测以得到体征后验时序融合语义表征特征；
48、基于所述体征后验时序融合语义表征特征，确定被监测重症患者的体征是否存在异常；
49、其中，分别对所述心率时序图、所述血压时序图和所述体温时序图进行基于多尺度的语义编码以得到心率多尺度时序语义特征图、血压多尺度时序语义特征图和体温多尺度时序语义特征图，包括：
50、将所述心率时序图、所述血压时序图和所述体温时序图分别通过基于卷积神经网络模型的体征局部时序语义特征提取器以得到心率局部时序语义特征图、血压局部时序语义特征图和体温局部时序语义特征图；
51、将所述心率时序图、所述血压时序图和所述体温时序图分别通过基于全卷积神经网络模型的体征全时域语义特征提取器以得到心率全局时序语义特征图、血压全局时序语义特征图和体温全局时序语义特征图；
52、将所述心率局部时序语义特征图、所述血压局部时序语义特征图和所述体温局部时序语义特征图，以及，所述心率全局时序语义特征图、所述血压全局时序语义特征图和所述体温全局时序语义特征图按照对应的体征参数进行多尺度特征融合以得到心率多尺度时序语义特征图、血压多尺度时序语义特征图和体温多尺度时序语义特征图；
53、其中，将所述心率局部时序语义特征图、所述血压局部时序语义特征图和所述体温局部时序语义特征图，以及，所述心率全局时序语义特征图、所述血压全局时序语义特征图和所述体温全局时序语义特征图按照对应的体征参数进行多尺度特征融合以得到心率多尺度时序语义特征图、血压多尺度时序语义特征图和体温多尺度时序语义特征图，用于：以如下多尺度特征融合公式对所述心率局部时序语义特征图和所述心率全局时序语义特征图进行多尺度特征融合处理以得到所述心率多尺度时序语义特征图；
54、其中，所述多尺度特征融合公式为：
55、；
56、；
57、；
58、；
59、；
60、；
61、；
62、其中，是所述心率局部时序语义特征图和所述心率全局时序语义特征图沿着通道维度聚合得到的拼接特征图，表示对特征图中沿通道维度的各个特征矩阵进行全局均值池化处理，表示对特征图中沿通道维度的各个特征矩阵进行最大值池化处理，为池化融合通道特征向量，表示节点数为 c/r的全连接处理， r表示缩放超参数， c为所述拼接特征图的通道数，表示函数，为通道特征向量，和分别表示不同节点数的全连接处理，为第一全连接特征向量，为第二全连接特征向量，为所述第一全连接特征向量的指数运算，为所述第二全连接特征向量的指数运算，为第一权重向量，为第二权重向量，和分别为所述心率局部时序语义特征图和所述心率全局时序语义特征图，为所述心率多尺度时序语义特征图。
63、与现有技术相比，本技术提供的一种用于eicu的重症监护临床信息系统及方法，其通过实时采集患者的生命体征数据，例如心率、血压和体温数据，并在后端引入数据处理和分析算法来进行这些生命体征数据的时序协同分析，以此来自动监测重症患者的体征是否存在异常。这样，能够帮助临床医生更及时地识别重症监护患者的异常情况，提高了重症监护临床信息系统的智能化程度，为医生的诊断和患者的康复提供帮助。
1.一种用于eicu的重症监护临床信息系统，其特征在于，包括：
2.根据权利要求1所述的用于eicu的重症监护临床信息系统，其特征在于，所述生命体征后验语义表征模块，用于：将所述心率多尺度时序语义特征图、所述血压多尺度时序语义特征图和所述体温多尺度时序语义特征图通过基于类贝叶斯概率模型的体征后验预测器以得到体征后验时序融合语义表征特征图作为所述体征后验时序融合语义表征特征。
3.根据权利要求2所述的用于eicu的重症监护临床信息系统，其特征在于，所述生命体征后验语义表征模块，用于：将所述心率多尺度时序语义特征图、所述血压多尺度时序语义特征图和所述体温多尺度时序语义特征图通过所述基于类贝叶斯概率模型的体征后验预测器以如下体征后验推理公式进行处理以得到所述体征后验时序融合语义表征特征图；
4.根据权利要求3所述的用于eicu的重症监护临床信息系统，其特征在于，所述患者体征异常检测模块，用于：将所述体征后验时序融合语义表征特征图通过基于分类器的体征异常检测器以得到检测结果，所述检测结果用于表示所述被监测重症患者的体征是否存在异常。
5.根据权利要求4所述的用于eicu的重症监护临床信息系统，其特征在于，还包括用于对所述基于卷积神经网络模型的体征局部时序语义特征提取器、所述基于全卷积神经网络模型的体征全时域语义特征提取器、所述基于类贝叶斯概率模型的体征后验预测器和所述基于分类器的体征异常检测器进行训练的训练模块。
6.根据权利要求5所述的用于eicu的重症监护临床信息系统，其特征在于，所述训练模块 包括：
7.根据权利要求6所述的用于eicu的重症监护临床信息系统，其特征在于，所述优化单元，用于：
8.一种用于eicu的重症监护临床信息方法，其特征在于，包括：
