远程医疗监护系统及其方法与流程

1.本技术涉及智能化监护技术领域，并且更具体地，涉及一种远程医疗监护系统及其方法。


背景技术：

2.随着社会压力的增大和视频隐患的存在，越来越多的人患有慢性疾病，需要长期监护身体状况的人群只增不减。然而，经常去医院的监护方式较为不便，因此需要远程医疗监控系统来缓解这个问题。但是，现有的医疗健康监测系统存在着监护设备功能单一、信息滞后等问题，导致监护信息不准确。
3.因此，期望一种优化的远程医疗监护系统，以提高远程医疗监护的准确性和时效性，为远程医疗提供了更好的技术支持。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种远程医疗监护系统及其方法，其获取被监测对象在预定时间段内多个预定时间点的体征数据；采用基于深度学习的人工智能技术，进行所述各个体征数据参数之间的时序协同关联特征信息的充分表达，以此来对于目标对象的身体状态进行实时准确地监测，从而提高远程医疗监护的准确性和时效性，为远程医疗提供了更好的技术支持。
5.第一方面，提供了一种远程医疗监护系统，其包括：数据采集模块，用于获取被监测对象在预定时间段内多个预定时间点的体征数据，其中，所述体征数据包括血压参数、血糖参数、血氧参数、胎心参数和心电参数；数据参数全时序排列模块，用于将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵；空间注意力特征提取模块，用于将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵；矩阵切分模块，用于将所述参数间时序关联特征矩阵进行特征矩阵切分以得到多个参数间时序子特征矩阵；全局关联编码模块，用于将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器以得到分类特征向量；以及身体状态检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控对象的身体状态是否异常。
6.在上述远程医疗监护系统中，所述数据参数全时序排列模块，包括：行向量排列单元，用于将所述多个预定时间点的体征数据分别按照时间维度排列为用全参数输入行向量；以及，二维矩阵化单元，用于将所述全参数输入行向量按照样本维度进行二维排列以得到所述全参数全时序输入矩阵。
7.在上述远程医疗监护系统中，所述空间注意力特征提取模块，用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位
置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述参数间时序关联特征矩阵。
8.在上述远程医疗监护系统中，所述全局关联编码模块，包括：上下文编码单元，用于将所述多个参数间时序子特征矩阵通过所述包含嵌入层的上下文编码器以得到多个上下文参数间时序子特征向量；矩阵展开单元，用于将所述多个参数间时序子特征矩阵进行矩阵展开以得到多个参数间时序子特征向量；特征优化单元，用于融合所述多个参数间时序子特征向量和所述多个上下文参数间时序子特征向量以得到多个优化上下文参数间时序子特征向量；以及，级联单元，用于将所述多个优化上下文参数间时序子特征向量进行级联以得到所述分类特征向量。
9.在上述远程医疗监护系统中，所述上下文编码单元，包括：矩阵展开子单元，用于将所述多个参数间时序子特征矩阵展开为多个参数间时序子特征向量；向量构造子单元，用于将所述多个参数间时序子特征向量进行一维排列以得到参数间全局特征向量；自注意子单元，用于计算所述参数间全局特征向量与所述多个参数间时序子特征向量中各个参数间时序子特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个参数间时序子特征向量中各个参数间时序子特征向量进行加权以得到所述多个上下文参数间时序子特征向量。
10.在上述远程医疗监护系统中，所述特征优化单元，用于：以如下优化公式对所述参数间时序子特征向量和对应的所述上下文参数间时序子特征向量进行局部序列语义的片段式富化融合以得到所述优化上下文参数间时序子特征向量；其中，所述优化公式为：，其中，是所述参数间时序子特征向量， 是所述上下文参数间时序子特征向量，是所述上下文参数间时序子特征向量的转置向量， 为所述参数间时序子特征向量和所述上下文参数间时序子特征向量之间的距离矩阵，和均为列向量，且
ꢀꢀ
是权重超参数，表示向量乘法， 表示向量加法，是所述优化上下文参数间时序子特征向量。
11.在上述远程医疗监护系统中，所述身体状态检测模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
12.第二方面，提供了一种远程医疗监护方法，其包括：获取被监测对象在预定时间段
内多个预定时间点的体征数据，其中，所述体征数据包括血压参数、血糖参数、血氧参数、胎心参数和心电参数；将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵；将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵；将所述参数间时序关联特征矩阵进行特征矩阵切分以得到多个参数间时序子特征矩阵；将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控对象的身体状态是否异常。
13.在上述远程医疗监护方法中，将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵，包括：将所述多个预定时间点的体征数据分别按照时间维度排列为用全参数输入行向量；以及，将所述全参数输入行向量按照样本维度进行二维排列以得到所述全参数全时序输入矩阵。
14.在上述远程医疗监护方法中，将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵，包括：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述参数间时序关联特征矩阵。
15.与现有技术相比，本技术提供的远程医疗监护系统及其方法，其获取被监测对象在预定时间段内多个预定时间点的体征数据；采用基于深度学习的人工智能技术，进行所述各个体征数据参数之间的时序协同关联特征信息的充分表达，以此来对于目标对象的身体状态进行实时准确地监测，从而提高远程医疗监护的准确性和时效性，为远程医疗提供了更好的技术支持。
附图说明
16.为了更清楚地说明本技术实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1为根据本技术实施例的远程医疗监护系统的应用场景图。
18.图2为根据本技术实施例的远程医疗监护系统的框图。
19.图3为根据本技术实施例的远程医疗监护系统中所述数据参数全时序排列模块的框图。
20.图4为根据本技术实施例的远程医疗监护系统中所述全局关联编码模块的框图。
21.图5为根据本技术实施例的远程医疗监护系统中所述上下文编码单元的框图。
22.图6为根据本技术实施例的远程医疗监护系统中所述身体状态检测模块的框图。
23.图7为根据本技术实施例的远程医疗监护方法的流程图。
24.图8为根据本技术实施例的远程医疗监护方法的系统架构的示意图。
具体实施方式
25.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
26.除非另有说明，本技术实施例所使用的所有技术和科学术语与本技术的技术领域的技术人员通常理解的含义相同。本技术中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本技术的范围。
27.在本技术实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
28.需要说明的是，本技术实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本技术的实施例可以除了在这里图示或描述的那些以外的顺序实施。
29.如上所述，现有的医疗健康监测系统存在着监护设备功能单一、信息滞后等问题，导致监护信息不准确。因此，期望一种优化的远程医疗监护系统，以提高远程医疗监护的准确性和时效性，为远程医疗提供了更好的技术支持。
30.相应地，考虑到在实际进行远程医疗监护的过程中，为了提高远程医疗监护系统的准确性和时效性，关键在于对于目标对象的体征数据进行及时准确地分析，从而判断目标对象的身体状态是否正常。但是，由于目标对象的体征数据都在时间维度上有着各自的动态变化规律性，并且各个体征数据参数，例如血压参数、血糖参数、血氧参数、胎心参数和心电参数之间还存在着时序协同关联特征，同时所述各个体征数据参数之间的时序关联性不同，且这种关联特征为小尺度的隐含关联特征信息，难以通过传统的特征提取方式进行充分捕捉。因此，在此过程中，难点在于如何进行所述各个体征数据参数之间的时序协同关联特征信息的充分表达，以此来对于目标对象的身体状态进行实时准确地监测，从而提高远程医疗监护的准确性和时效性，为远程医疗提供了更好的技术支持。
31.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述各个体征数据参数之间的时序协同关联特征信息提供了新的解决思路和方案。
32.具体地，在本技术的技术方案中，首先，获取被监测对象在预定时间段内多个预定时间点的体征数据，其中，所述体征数据包括血压参数、血糖参数、血氧参数、胎心参数和心电参数。接着，考虑到由于所述被监测对象的体征数据中的各个数据参数不仅都在时间维度上有着各自的动态变化特征，而且所述体征数据中的各个数据参数之间还具有着时序的协同关联关系。因此，为了能够捕捉刻画出所述各个数据参数之间的隐含关联特征，以此来进行所述被监测对象的身体状态检测评估，在本技术的技术方案中，进一步将所述多个预
定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵，以此来整合所述体征数据中的各个数据参数在时间维度和样本维度上的分布信息。
33.然后，使用在局部隐含关联特征提取方案具有优异表现的卷积神经网络模型来进行所述全参数全时序输入矩阵的特征挖掘，以此来提取出所述体征数据中的各个数据参数之间的时序关联特征信息。特别地，考虑到由于所述各个数据参数之间在不同的时间跨度下和不同的参数类型跨度下呈现出不同的关联特性。为了能够捕捉到特定时间跨度和参数类型跨度下的时序关联特征信息，以此来准确地进行被监控对象的身体状态分析，在本技术的技术方案中，将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型，以提取出所述全参数全时序输入矩阵中聚焦于空间位置上的关于所述体征数据中各个数据参数的时序协同关联特征信息，从而得到参数间时序关联特征矩阵。
34.进一步地，还考虑到由于所述体征数据中各个数据参数之间的时序协同关联特征为小尺度的隐性关联特征信息，并且由于卷积运算的固有局限性，纯cnn的方法很难学习明确的全局和远程语义信息交互。为了能够捕捉到所述各个数据参数之间的局部时序关联基于全局的时序协同关联特征信息，在本技术的技术方案中，进一步将所述参数间时序关联特征矩阵进行特征矩阵切分以得到多个参数间时序子特征矩阵后，将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器中进行编码，以提取出所述体征数据中各个数据参数之间的局部关联特征基于全局的时序协同关联特征信息，从而得到分类特征向量。
35.接着，进一步将所述分类特征向量通过分类器中进行分类处理，以得到用于表示被监控对象的身体状态是否异常的分类结果。也就是，在本技术的技术方案中，所述分类器的标签包括被监控对象的身体状态异常(第一标签)，以及，被监控对象的身体状态正常(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被监控对象的身体状态是否异常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，被监控对象的身体状态是否异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被监控对象的身体状态是否异常”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为被监控对象的身体状态是否异常的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来对于目标对象的身体状态进行监测，从而提高远程医疗监护的准确性和时效性。
36.特别地，在本技术的技术方案中，所述参数间时序关联特征矩阵表达体征数据的时序-样本间局部关联特征，而通过将所述参数间时序关联特征矩阵进行特征矩阵切分得到的所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器，得到的多个上下文参数间时序子特征向量可以表达参数间时序关联特征的各个局部分布之间的全局上下文分布。因此，为了充分利用体征数据的时序-样本间局部关联特征和全局关联特征，优选地通过融合所述参数间时序子特征矩阵展开后得到的参数间时序子特征向量及其对应的上下文参数间时序子特征向量来优化所述上下文参数间时序子特征向量，从而提升所述上下文参数间时序子特征向量的表达效果。
37.进一步地，考虑到所述参数间时序子特征向量对于体征数据的时序-样本间的局
部特征表达，因此期望提升所述参数间时序子特征向量及其对应的上下文参数间时序子特征向量之间的基于小粒度局部序列分布的融合效果。
38.基于此，本技术的申请人对所述参数间时序子特征向量，例如记为及其对应的上下文参数间时序子特征向量，例如记为进行局部序列语义的片段式富化融合，以获得优化的上下文参数间时序子特征向量，例如记为，具体表示为：，为特征向量和特征向量之间的距离矩阵，即 ，和均为列向量，且是权重超参数。
39.这里，所述局部序列语义的片段式富化融合基于序列的片段特征分布对序列的预定分布方向上的方向性语义的编码效果，来以序列片段之间的相似性嵌入作为用于序列间关联的重加权因数，从而对序列之间在各个片段级别（patch-level）的基于特征表象（feature appearance）的相似性进行捕获，实现了所述参数间时序子特征向量及其对应的上下文参数间时序子特征向量的局部片段级语义的富化式融合，从而提升了所述上下文参数间时序子特征向量的表达效果，也就提升了所述上下文参数间时序子特征向量级联得到的所述分类特征向量的表达效果。这样，能够对于目标对象的身体状态进行实时准确地监测，从而提高远程医疗监护的准确性和时效性，为远程医疗提供了更好的技术支持。
40.图1为根据本技术实施例的远程医疗监护系统的应用场景图。如图1所示，在该应用场景中，首先，获取被监测对象（例如，如图1中所示意的m）在预定时间段内多个预定时间点的体征数据（例如，如图1中所示意的c），其中，所述体征数据包括血压参数、血糖参数、血氧参数、胎心参数和心电参数；然后，将获取的体征数据输入至部署有远程医疗监护算法的服务器（例如，如图1中所示意的s）中，其中所述服务器能够基于远程医疗监护算法对所述体征数据进行处理，以生成用于表示被监控对象的身体状态是否异常的分类结果。
41.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
42.在本技术的一个实施例中，图2为根据本技术实施例的远程医疗监护系统的框图。如图2所示，根据本技术实施例的远程医疗监护系统100，包括：数据采集模块110，用于获取被监测对象在预定时间段内多个预定时间点的体征数据，其中，所述体征数据包括血压参数、血糖参数、血氧参数、胎心参数和心电参数；数据参数全时序排列模块120，用于将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵；空间注意力特征提取模块130，用于将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵；矩阵切分模块140，用于将所述参数间时序关联特征矩阵进行特征矩阵切分以得到多个参数间时序子特征矩阵；全局关联编码模块150，用于将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器以得到分类特征向量；以及，身体状态检测模块160，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控对象的身体状态是否异常。
43.具体地，在本技术实施例中，所述数据采集模块110，用于获取被监测对象在预定时间段内多个预定时间点的体征数据，其中，所述体征数据包括血压参数、血糖参数、血氧参数、胎心参数和心电参数。如上所述，现有的医疗健康监测系统存在着监护设备功能单一、信息滞后等问题，导致监护信息不准确。因此，期望一种优化的远程医疗监护系统，以提高远程医疗监护的准确性和时效性，为远程医疗提供了更好的技术支持。
44.相应地，考虑到在实际进行远程医疗监护的过程中，为了提高远程医疗监护系统的准确性和时效性，关键在于对于目标对象的体征数据进行及时准确地分析，从而判断目标对象的身体状态是否正常。但是，由于目标对象的体征数据都在时间维度上有着各自的动态变化规律性，并且各个体征数据参数，例如血压参数、血糖参数、血氧参数、胎心参数和心电参数之间还存在着时序协同关联特征，同时所述各个体征数据参数之间的时序关联性不同，且这种关联特征为小尺度的隐含关联特征信息，难以通过传统的特征提取方式进行充分捕捉。因此，在此过程中，难点在于如何进行所述各个体征数据参数之间的时序协同关联特征信息的充分表达，以此来对于目标对象的身体状态进行实时准确地监测，从而提高远程医疗监护的准确性和时效性，为远程医疗提供了更好的技术支持。
45.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述各个体征数据参数之间的时序协同关联特征信息提供了新的解决思路和方案。
46.具体地，在本技术的技术方案中，首先，获取被监测对象在预定时间段内多个预定时间点的体征数据，其中，所述体征数据包括血压参数、血糖参数、血氧参数、胎心参数和心电参数。
47.具体地，在本技术实施例中，所述数据参数全时序排列模块120，用于将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵。接着，考虑到由于所述被监测对象的体征数据中的各个数据参数不仅都在时间维度上有着各自的动态变化特征，而且所述体征数据中的各个数据参数之间还具有着时序的协同关联关系。因此，为了能够捕捉刻画出所述各个数据参数之间的隐含关联特征，以此来进行所述被监测对象的身体状态检测评估，在本技术的技术方案中，进一步将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵，以此来整合所述体征数据中的各个数据参数在时间维度和样本维度上的分布信息。
48.图3为根据本技术实施例的远程医疗监护系统中所述数据参数全时序排列模块的框图，如图3所示，所述数据参数全时序排列模块120，包括：行向量排列单元121，用于将所述多个预定时间点的体征数据分别按照时间维度排列为用全参数输入行向量；以及，二维矩阵化单元122，用于将所述全参数输入行向量按照样本维度进行二维排列以得到所述全参数全时序输入矩阵。
49.具体地，在本技术实施例中，所述空间注意力特征提取模块130，用于将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵。然后，使用在局部隐含关联特征提取方案具有优异表现的卷积神经网络模型来进行所述全参数全时序输入矩阵的特征挖掘，以此来提取出所述体征数据中的各个数据参数之间的时序关联特征信息。特别地，考虑到由于所述各个数据参数之间在不同的时间跨度下和不同的参数类型跨度下呈现出不同的关联特性。
50.为了能够捕捉到特定时间跨度和参数类型跨度下的时序关联特征信息，以此来准确地进行被监控对象的身体状态分析，在本技术的技术方案中，将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型，以提取出所述全参数全时序输入矩阵中聚焦于空间位置上的关于所述体征数据中各个数据参数的时序协同关联特征信息，从而得到参数间时序关联特征矩阵。
51.其中，所述空间注意力特征提取模块130，用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述参数间时序关联特征矩阵。
52.注意力机制是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面，注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方；另一方面，注意力机制通过神经网络的操作生成一个掩码mask, mask上的值的权重。 一般来说，空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
53.具体地，在本技术实施例中，所述矩阵切分模块140，用于将所述参数间时序关联特征矩阵进行特征矩阵切分以得到多个参数间时序子特征矩阵。进一步地，还考虑到由于所述体征数据中各个数据参数之间的时序协同关联特征为小尺度的隐性关联特征信息，并且由于卷积运算的固有局限性，纯cnn的方法很难学习明确的全局和远程语义信息交互。为了能够捕捉到所述各个数据参数之间的局部时序关联基于全局的时序协同关联特征信息，在本技术的技术方案中，进一步将所述参数间时序关联特征矩阵进行特征矩阵切分以得到多个参数间时序子特征矩阵具体地，在本技术实施例中，所述全局关联编码模块150，用于将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器以得到分类特征向量。然后，将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器中进行编码，以提取出所述体征数据中各个数据参数之间的局部关联特征基于全局的时序协同关联特征信息，从而得到分类特征向量。
54.图4为根据本技术实施例的远程医疗监护系统中所述全局关联编码模块的框图，如图4所示，所述全局关联编码模块150，包括：上下文编码单元151，用于将所述多个参数间时序子特征矩阵通过所述包含嵌入层的上下文编码器以得到多个上下文参数间时序子特征向量；矩阵展开单元152，用于将所述多个参数间时序子特征矩阵进行矩阵展开以得到多个参数间时序子特征向量；特征优化单元153，用于融合所述多个参数间时序子特征向量和所述多个上下文参数间时序子特征向量以得到多个优化上下文参数间时序子特征向量；以及，级联单元154，用于将所述多个优化上下文参数间时序子特征向量进行级联以得到所述分类特征向量。
55.其中，图5为根据本技术实施例的远程医疗监护系统中所述上下文编码单元的框图，如图5所示，所述上下文编码单元151，包括：矩阵展开子单元1511，用于将所述多个参数间时序子特征矩阵展开为多个参数间时序子特征向量；向量构造子单元1512，用于将所述多个参数间时序子特征向量进行一维排列以得到参数间全局特征向量；自注意子单元1513，用于计算所述参数间全局特征向量与所述多个参数间时序子特征向量中各个参数间时序子特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元1514，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元1515，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，注意力施加子单元1516，用于分别以所述多个概率值中各个概率值作为权重对所述多个参数间时序子特征向量中各个参数间时序子特征向量进行加权以得到所述多个上下文参数间时序子特征向量。
56.上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：cnn(convolutional neural network，卷积神经网络)、recursive nn(recursiveneural network，递归神经网络)、语言模型(language model)等。基于cnn的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(long-term dependency)问题效果欠佳，因此基于bi-lstm(long short
‑ꢀ
term memory，长短期记忆网络)的编码器被广泛使用。recursive nn把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用 较少。transformer是应用广泛的网络结构了，同时具有cnn和rnn的特性，对于全局特征有较好的提取效果，同时相较于rnn(recurrentneural network，循环神经网络)在并行计算上具有一定优势。
57.特别地，在本技术的技术方案中，所述参数间时序关联特征矩阵表达体征数据的时序-样本间局部关联特征，而通过将所述参数间时序关联特征矩阵进行特征矩阵切分得到的所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器，得到的多个上下文参数间时序子特征向量可以表达参数间时序关联特征的各个局部分布之间的全局上下文分布。因此，为了充分利用体征数据的时序-样本间局部关联特征和全局关联特征，优选地通过融合所述参数间时序子特征矩阵展开后得到的参数间时序子特征向量及其对应的上下文参数间时序子特征向量来优化所述上下文参数间时序子特征向量，从而提升所述上下文参数间时序子特征向量的表达效果。
58.进一步地，考虑到所述参数间时序子特征向量对于体征数据的时序-样本间的局部特征表达，因此期望提升所述参数间时序子特征向量及其对应的上下文参数间时序子特征向量之间的基于小粒度局部序列分布的融合效果。
59.基于此，本技术的申请人对所述参数间时序子特征向量，例如记为及其对应的上下文参数间时序子特征向量，例如记为进行局部序列语义的片段式富化融合，以获得优化的上下文参数间时序子特征向量，例如记为，具体表示为：以如下优化公式对所述参数间时序子特征向量和对应的所述上下文参数间时序子特征向量进行局部序列语义的片段式富化融合以得到所述优化上下文参数间时序子特征向量；其中，所述优化公
式为：，其中，是所述参数间时序子特征向量， 是所述上下文参数间时序子特征向量，是所述上下文参数间时序子特征向量的转置向量， 为所述参数间时序子特征向量和所述上下文参数间时序子特征向量之间的距离矩阵，和均为列向量，且
ꢀꢀ
是权重超参数，表示向量乘法， 表示向量加法，是所述优化上下文参数间时序子特征向量。
60.这里，所述局部序列语义的片段式富化融合基于序列的片段特征分布对序列的预定分布方向上的方向性语义的编码效果，来以序列片段之间的相似性嵌入作为用于序列间关联的重加权因数，从而对序列之间在各个片段级别（patch-level）的基于特征表象（feature appearance）的相似性进行捕获，实现了所述参数间时序子特征向量及其对应的上下文参数间时序子特征向量的局部片段级语义的富化式融合，从而提升了所述上下文参数间时序子特征向量的表达效果，也就提升了所述上下文参数间时序子特征向量级联得到的所述分类特征向量的表达效果。这样，能够对于目标对象的身体状态进行实时准确地监测，从而提高远程医疗监护的准确性和时效性，为远程医疗提供了更好的技术支持。
61.具体地，在本技术实施例中，所述身体状态检测模块160，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控对象的身体状态是否异常。接着，进一步将所述分类特征向量通过分类器中进行分类处理，以得到用于表示被监控对象的身体状态是否异常的分类结果。也就是，在本技术的技术方案中，所述分类器的标签包括被监控对象的身体状态异常(第一标签)，以及，被监控对象的身体状态正常(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。
62.值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被监控对象的身体状态是否异常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，被监控对象的身体状态是否异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被监控对象的身体状态是否异常”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为被监控对象的身体状态是否异常的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来对于目标对象的身体状态进行监测，从而提高远程医疗监护的准确性和时效性。
63.图6为根据本技术实施例的远程医疗监护系统中所述身体状态检测模块的框图，如图6所示，所述身体状态检测模块160，包括：全连接编码单元161，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元162，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
64.综上，基于本技术实施例的远程医疗监护系统100被阐明，其获取被监测对象在预定时间段内多个预定时间点的体征数据；采用基于深度学习的人工智能技术，进行所述各
个体征数据参数之间的时序协同关联特征信息的充分表达，以此来对于目标对象的身体状态进行实时准确地监测，从而提高远程医疗监护的准确性和时效性，为远程医疗提供了更好的技术支持。
65.如上所述，根据本技术实施例的远程医疗监护系统100可以实现在各种终端设备中，例如用于远程医疗监护的服务器等。在一个示例中，根据本技术实施例的远程医疗监护系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该远程医疗监护系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该远程医疗监护系统100同样可以是该终端设备的众多硬件模块之一。
66.替换地，在另一示例中，该远程医疗监护系统100与该终端设备也可以是分立的设备，并且该远程医疗监护系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
67.在本技术的一个实施例中，图7为根据本技术实施例的远程医疗监护方法的流程图。如图7所示，根据本技术实施例的远程医疗监护方法，其包括：210，获取被监测对象在预定时间段内多个预定时间点的体征数据，其中，所述体征数据包括血压参数、血糖参数、血氧参数、胎心参数和心电参数；220，将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵；230，将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵；240，将所述参数间时序关联特征矩阵进行特征矩阵切分以得到多个参数间时序子特征矩阵；250，将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器以得到分类特征向量；以及，260，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控对象的身体状态是否异常。
68.图8为根据本技术实施例的远程医疗监护方法的系统架构的示意图。如图8所示，在所述远程医疗监护方法的系统架构中，首先，获取被监测对象在预定时间段内多个预定时间点的体征数据，其中，所述体征数据包括血压参数、血糖参数、血氧参数、胎心参数和心电参数；然后，将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵；接着，将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵；然后，将所述参数间时序关联特征矩阵进行特征矩阵切分以得到多个参数间时序子特征矩阵；接着，将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器以得到分类特征向量；以及，最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控对象的身体状态是否异常。
69.在一个具体示例中，在上述远程医疗监护方法中，将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵，包括：将所述多个预定时间点的体征数据分别按照时间维度排列为用全参数输入行向量；以及，将所述全参数输入行向量按照样本维度进行二维排列以得到所述全参数全时序输入矩阵。
70.在一个具体示例中，在上述远程医疗监护方法中，将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵，包括：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以
生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述参数间时序关联特征矩阵。
71.在一个具体示例中，在上述远程医疗监护方法中，将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器以得到分类特征向量，包括：将所述多个参数间时序子特征矩阵通过所述包含嵌入层的上下文编码器以得到多个上下文参数间时序子特征向量；将所述多个参数间时序子特征矩阵进行矩阵展开以得到多个参数间时序子特征向量；融合所述多个参数间时序子特征向量和所述多个上下文参数间时序子特征向量以得到多个优化上下文参数间时序子特征向量；以及，将所述多个优化上下文参数间时序子特征向量进行级联以得到所述分类特征向量。
72.在一个具体示例中，在上述远程医疗监护方法中，将所述多个参数间时序子特征矩阵通过所述包含嵌入层的上下文编码器以得到多个上下文参数间时序子特征向量，包括：将所述多个参数间时序子特征矩阵展开为多个参数间时序子特征向量；将所述多个参数间时序子特征向量进行一维排列以得到参数间全局特征向量；计算所述参数间全局特征向量与所述多个参数间时序子特征向量中各个参数间时序子特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述多个参数间时序子特征向量中各个参数间时序子特征向量进行加权以得到所述多个上下文参数间时序子特征向量。
73.在一个具体示例中，在上述远程医疗监护方法中，融合所述多个参数间时序子特征向量和所述多个上下文参数间时序子特征向量以得到多个优化上下文参数间时序子特征向量，包括：以如下优化公式对所述参数间时序子特征向量和对应的所述上下文参数间时序子特征向量进行局部序列语义的片段式富化融合以得到所述优化上下文参数间时序子特征向量；其中，所述优化公式为：，其中，是所述参数间时序子特征向量， 是所述上下文参数间时序子特征向量，是所述上下文参数间时序子特征向量的转置向量， 为所述参数间时序子特征向量和所述上下文参数间时序子特征向量之间的距离矩阵，和均为列向量，且
ꢀꢀ
是权重超参数，表示向量乘法， 表示向量加法，是所述优化上下文参数间时序子特征向量。
74.在一个具体示例中，在上述远程医疗监护方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控对象的身体状态是否异常，包括：使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
75.本领域技术人员可以理解，上述远程医疗监护方法中的各个步骤的具体操作已经在上面参考图1到图6的远程医疗监护系统的描述中得到了详细介绍，并因此，将省略其重复描述。
76.本技术还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
77.在本技术的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
78.应可以理解，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等) 上实施的计算机程序产品的形式。
79.本技术实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
80.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
81.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
82.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
83.本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
84.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
85.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本
申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
86.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
87.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种远程医疗监护系统，其特征在于，包括：数据采集模块，用于获取被监测对象在预定时间段内多个预定时间点的体征数据，其中，所述体征数据包括血压参数、血糖参数、血氧参数、胎心参数和心电参数；数据参数全时序排列模块，用于将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵；空间注意力特征提取模块，用于将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵；矩阵切分模块，用于将所述参数间时序关联特征矩阵进行特征矩阵切分以得到多个参数间时序子特征矩阵；全局关联编码模块，用于将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器以得到分类特征向量；以及身体状态检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控对象的身体状态是否异常。2.根据权利要求1所述的远程医疗监护系统，其特征在于，所述数据参数全时序排列模块，包括：行向量排列单元，用于将所述多个预定时间点的体征数据分别按照时间维度排列为用全参数输入行向量；以及二维矩阵化单元，用于将所述全参数输入行向量按照样本维度进行二维排列以得到所述全参数全时序输入矩阵。3.根据权利要求2所述的远程医疗监护系统，其特征在于，所述空间注意力特征提取模块，用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述参数间时序关联特征矩阵。4.根据权利要求3所述的远程医疗监护系统，其特征在于，所述全局关联编码模块，包括：上下文编码单元，用于将所述多个参数间时序子特征矩阵通过所述包含嵌入层的上下文编码器以得到多个上下文参数间时序子特征向量；矩阵展开单元，用于将所述多个参数间时序子特征矩阵进行矩阵展开以得到多个参数间时序子特征向量；特征优化单元，用于融合所述多个参数间时序子特征向量和所述多个上下文参数间时序子特征向量以得到多个优化上下文参数间时序子特征向量；以及级联单元，用于将所述多个优化上下文参数间时序子特征向量进行级联以得到所述分类特征向量。5.根据权利要求4所述的远程医疗监护系统，其特征在于，所述上下文编码单元，包括：矩阵展开子单元，用于将所述多个参数间时序子特征矩阵展开为多个参数间时序子特征向量；向量构造子单元，用于将所述多个参数间时序子特征向量进行一维排列以得到参数间全局特征向量；自注意子单元，用于计算所述参数间全局特征向量与所述多个参数间时序子特征向量中各个参数间时序子特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个参数间时序子特征向量中各个参数间时序子特征向量进行加权以得到
所述多个上下文参数间时序子特征向量。6.根据权利要求5所述的远程医疗监护系统，其特征在于，所述特征优化单元，用于：以如下优化公式对所述参数间时序子特征向量和对应的所述上下文参数间时序子特征向量进行局部序列语义的片段式富化融合以得到所述优化上下文参数间时序子特征向量；其中，所述优化公式为：，其中，是所述参数间时序子特征向量， 是所述上下文参数间时序子特征向量，是所述上下文参数间时序子特征向量的转置向量， 为所述参数间时序子特征向量和所述上下文参数间时序子特征向量之间的距离矩阵，和均为列向量，且
ꢀꢀ
是权重超参数，表示向量乘法， 表示向量加法，是所述优化上下文参数间时序子特征向量。7.根据权利要求6所述的远程医疗监护系统，其特征在于，所述身体状态检测模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。8.一种远程医疗监护方法，其特征在于，包括：获取被监测对象在预定时间段内多个预定时间点的体征数据，其中，所述体征数据包括血压参数、血糖参数、血氧参数、胎心参数和心电参数；将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵；将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵；将所述参数间时序关联特征矩阵进行特征矩阵切分以得到多个参数间时序子特征矩阵；将所述多个参数间时序子特征矩阵通过包含嵌入层的上下文编码器以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控对象的身体状态是否异常。9.根据权利要求8所述的远程医疗监护方法，其特征在于，将所述多个预定时间点的体征数据按照时间维度和样本维度排列为全参数全时序输入矩阵，包括：将所述多个预定时间点的体征数据分别按照时间维度排列为用全参数输入行向量；以及将所述全参数输入行向量按照样本维度进行二维排列以得到所述全参数全时序输入矩阵。10.根据权利要求9所述的远程医疗监护方法，其特征在于，将所述全参数全时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到参数间时序关联特征矩阵，包括：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述参数间时序关联特征矩阵。

技术总结
一种远程医疗监护系统及其方法，其获取被监测对象在预定时间段内多个预定时间点的体征数据；采用基于深度学习的人工智能技术，进行所述各个体征数据参数之间的时序协同关联特征信息的充分表达，以此来对于目标对象的身体状态进行实时准确地监测，从而提高远程医疗监护的准确性和时效性，为远程医疗提供了更好的技术支持。的技术支持。的技术支持。


技术研发人员：郑栋
受保护的技术使用者：杭州医锐联科技有限公司
技术研发日：2023.05.29
技术公布日：2023/8/1