CN119446507A 一种基于可穿戴设备的患者疼痛预测方法及装置 （华中科技大学同济医学院附属同济医院）

一种基于可穿戴设备的患者疼痛预测方法本发明公开了一种基于可穿戴设备的患者疼痛多模态评估模型包括学习识别模块、1_all块；将当前生理数据输入至疼痛多模态评估模2通过电子病历系统获取患者的疼痛评估报告，所述疼痛评估报告包括疼痛强度评分、疼痛发作的频率与持续时间以及治疗与干预方根据所述生理数据与所述疼痛评估报告建立疼痛多模态评估模型；模态评估模型包括学习识别模块、1_all策略模块、时序预测模块以及多模态融合评估模将当前生理数据输入至所述疼痛多模态评估模型，预测所述患者的疼所述疼痛强度评分包括所述疼痛强度评分包括口述分级评分表、McGi所述学习识别模块根据所述患者的多维特征和生理指标变化规律集所述1_all策略模块根据所述患者疼痛学习结果进行模糊逻辑运算，得到第一生理状所述时序预测模块根据第一生理数据与所述疼痛评估报告对第二生理数据进行预测，所述多模态融合评估模块根据所述第一生理状态决策输出结果和所述第二生理状态3δD为疾病WHT所述患者疼痛学习结果进行模糊逻辑运算得到第一生理状态决策输出结果根据所述根据第一生理数据与所述疼痛评估报告构建SARIM根据AIC网格搜索算法搜索所述SARIMA预测模型的最优42为y1和y2τ为校准系数。8.根据权利要求1_7中任一项所述的基于可穿戴设备的患者疼痛预测方法，其特征在第二获取模块，用于通过电子病历系统获取患者的疼痛评估模型建立模块，用于根据所述生理数据与所述疼痛评估报告建立疼痛多模态评估模评估模块，用于将当前生理数据输入至所述疼痛多模态评估模型，预测所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器56[0014]所述1_all策略模块根据所述患者疼痛学习结果进行模糊逻辑运算，得到第一生[0015]所述时序预测模块根据第一生理数据与所述疼痛评估报告对第二生理数据进行[0016]所述多模态融合评估模块根据所述第一生理状态决策输出结果和所述第二生理7[0029]根据AIC网格搜索算法搜索所述SARIMA预测模型的最优y1和y2τ为校准系数。述皮肤电导反应GSR传感器用于测量皮肤电导反应；所述活动追踪APP用于记录行走距离、[0042]根据本发明提供的方案，通过可穿戴设备收集患者的历史生8[0043]上述说明仅是本发明技术方案的概述，为了能够更清楚[0051]图1示出了本发明实施例的基于可穿戴设备的患者疼痛预测方法的流程示意图。9[0062]所述1_all策略模块根据所述患者疼痛学习结果进行模糊逻辑运算，得到第一生[0063]所述时序预测模块根据第一生理数据与所述疼痛评估报告对第二生理数据进行[0064]所述多模态融合评估模块根据所述第一生理状态决策输出结果和所述第二生理[0067]1_all策略模块根据疼痛学习结果进行模糊逻辑运算，得到第一生理状态决策输[0069]多模态融合评估模块综合第一生理状态决策输出结果(模糊逻辑运算的结果)和[0090]根据AIC网格搜索算法搜索所述SARIMA预测模型的最优在构建预测模型前是平稳的，能够避免伪回归现象。SARIMA(SeasonalAutoregressiveIntegratedMovingAverage)模型结合ARIMA模型处理非季节性时间序列的能力和季节性差分处理季节性时间序列的能力，更适于具有明显季节性或周期性变化的生理数据的预测。采用AIC(AkaikeInformationCriterion)网格搜索算法搜索SARIMA模型的最优参数和季节性自回归/移动平均项中用于确定季节性观测值之间间隔的参数。本实施例中，够更好捕捉和预测复杂季节性模式的时间序列数据。假设最终得到的最优参数组合为p=y1和y2τ为校准系数。[0097]本实施例中，陡峭因子θ1在上述函数中起到调节曲线斜率的作用，通过调整θ1的[0100]根据本发明提供的方案，通过可穿戴设备收集患者的历史生[0101]图4示出了本发明实施例的基于可穿戴设备的患者疼痛预测装置的结构示意图。[0106]图5示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算于执行程序510，具体可以执行上述基于可穿戴设备的患者疼痛预测方法实施例中的相关[0110]处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(Application[0112]根据本发明提供的方案，通过