雲伺服器、提醒的方法及計算機可讀存儲介質與流程
2023-12-07 02:59:51 1
本發明涉及通信技術領域，尤其涉及一種雲伺服器、提醒的方法及計算機可讀存儲介質。
背景技術：
目前，對於慢性阻塞性肺疾病copd一般是在發病後進行就診，待好轉後用戶即返回家中進行輔助治療。由於慢性阻塞性肺疾病具有反覆發作的特點，復發的時間不能預先確定，因此如何根據用戶的歷史就診情況，在用戶可能出現異常時及時提醒用戶成為亟待解決的問題。
技術實現要素：
本發明的目的在於提供一種雲伺服器、提醒的方法及計算機可讀存儲介質，旨在基於雲伺服器及大數據處理的神經網絡系統技術，根據用戶的歷史就診情況，在用戶可能出現異常時能夠及時提醒用戶。
為實現上述目的，本發明提供一種雲伺服器，其特徵在於，所述雲伺服器包括：存儲器、處理器及存儲在所述存儲器上並可在所述處理器上運行的處理程序，所述處理程序被所述處理器執行時實現如下步驟：
s1，獲取用戶在非住院期間的時間數據及在非住院期間呼吸機的治療數據；
s2，將所述時間數據及所述治療數據輸入至預先建立的神經網絡系統，並獲取所述神經網絡系統輸出的異常提醒概率；
s3，若所述異常提醒概率大於等於預設的概率閾值，則向用戶呼吸機發送提醒信息。
優選地，所述處理程序被所述處理器執行實現所述步驟s2之前，還包括：
獲取神經網絡系統的訓練集，所述訓練集包括第一預設數量的用戶的在非住院期間的時間數據、在非住院期間呼吸機的治療數據及對應的異常提醒概率；
獲取神經網絡系統的驗證集，所述驗證集包括第二預設數量的用戶的在非住院期間的時間數據、在非住院期間呼吸機的治療數據及對應的異常提醒概率；
利用訓練集中各用戶對應的時間數據、治療數據及異常提醒概率訓練該神經網絡系統的模型函數；
利用驗證集中各用戶對應的時間數據、治療數據及異常提醒概率驗證訓練後的神經網絡系統的模型函數；
若驗證通過率大於等於預設閾值，則訓練完成，以訓練後的神經網絡系統作為所述步驟s2中建立的神經網絡系統，否則增加所述訓練集的用戶的數量，以重新進行訓練及驗證。
優選地，所述治療數據包括壓力數據p、呼吸頻率均值b、潮氣量均值v、血氧均值s、心率數據h及持續使用天數d，所述模型函數為：異常提醒概率q＝p*w1+b*w2+v*w3+s*w4+h*w5+d*w6，其中，所述w1為壓力數據的權值，所述w2為呼吸頻率均值的權值，所述w3為潮氣量的權值，所述w4為血氧的權值，所述w5為心率的權值，所述w6為持續使用天數的權值。
優選地，所述處理程序被所述處理器執行實現所述步驟s1之後，還包括：
獲取用戶在住院期間呼吸機的治療數據，基於用戶在非住院期間的時間數據、在非住院期間呼吸機的治療數據及在住院期間呼吸機的治療數據生成使用報告，並將所述使用報告反饋給用戶呼吸機或預定的用戶終端上，以進行顯示。
為實現上述目的，本發明還提供一種提醒的方法，所述提醒的方法包括：
s1，獲取用戶在非住院期間的時間數據及在非住院期間呼吸機的治療數據；
s2，將所述時間數據及所述治療數據輸入至預先建立的神經網絡系統，並獲取所述神經網絡系統輸出的異常提醒概率；
s3，若所述異常提醒概率大於等於預設的概率閾值，則向用戶呼吸機發送提醒信息。
優選地，所述步驟s2之前，還包括：
獲取神經網絡系統的訓練集，所述訓練集包括第一預設數量的用戶的在非住院期間的時間數據、在非住院期間呼吸機的治療數據及對應的異常提醒概率；
獲取神經網絡系統的驗證集，所述驗證集包括第二預設數量的用戶的在非住院期間的時間數據、在非住院期間呼吸機的治療數據及對應的異常提醒概率；
利用訓練集中各用戶對應的時間數據、治療數據及異常提醒概率訓練該神經網絡系統的模型函數；
利用驗證集中各用戶對應的時間數據、治療數據及異常提醒概率驗證訓練後的神經網絡系統的模型函數；
若驗證通過率大於等於預設閾值，則訓練完成，以訓練後的神經網絡系統作為所述步驟s2中建立的神經網絡系統，否則增加所述訓練集的用戶的數量，以重新進行訓練及驗證。
優選地，所述治療數據包括壓力數據p、呼吸頻率均值b、潮氣量均值v、血氧均值s、心率數據h及持續使用天數d，所述模型函數為：異常提醒概率q＝p*w1+b*w2+v*w3+s*w4+h*w5+d*w6，其中，所述w1為壓力數據的權值，所述w2為呼吸頻率均值的權值，所述w3為潮氣量的權值，所述w4為血氧的權值，所述w5為心率的權值，所述w6為持續使用天數的權值。
優選地，所述步驟s1之後，還包括：
獲取用戶在住院期間呼吸機的治療數據，基於用戶在非住院期間的時間數據、在非住院期間呼吸機的治療數據及在住院期間呼吸機的治療數據生成使用報告，並將所述使用報告反饋給用戶呼吸機或預定的用戶終端上，以進行顯示。
本發明還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有處理程序，所述處理程序被處理器執行時實現如上述的提醒的方法的步驟。
本發明的有益效果是：本發明的呼吸機在使用過程中通過網絡將時間數據及治療數據實時傳至雲伺服器，雲伺服器利用神經網絡系統算法對這些數據進行分析，得出對應的異常提醒概率，當異常提醒概率大於等於預設的概率閾值時，發送提醒信息以提醒用戶關注近期的病情情況。本發明基於雲伺服器及大數據處理的神經網絡系統技術，根據用戶的歷史就診情況，在用戶可能出現異常時能夠及時提醒用戶。
附圖說明
圖1為本發明各個實施例一可選的應用環境示意圖；
圖2是圖1中雲伺服器一實施例的硬體架構的示意圖；
圖3為本發明提醒的方法一實施例的流程示意圖。
具體實施方式
為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，並不用於限定本發明。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
需要說明的是，在本發明中涉及「第一」、「第二」等的描述僅用於描述目的，而不能理解為指示或暗示其相對重要性或者隱含指明所指示的技術特徵的數量。由此，限定有「第一」、「第二」的特徵可以明示或者隱含地包括至少一個該特徵。另外，各個實施例之間的技術方案可以相互結合，但是必須是以本領域普通技術人員能夠實現為基礎，當技術方案的結合出現相互矛盾或無法實現時應當認為這種技術方案的結合不存在，也不在本發明要求的保護範圍之內。
參閱圖1，是本發明各個實施例一可選的應用環境示意圖。在本實施例中，本發明可應用於包括，但不僅限於，雲伺服器1、外部網絡2、wifi/3g/4g(3)及用戶呼吸機4的應用環境中。
其中，所述雲伺服器1可以是機架式伺服器、刀片式伺服器、塔式伺服器或機櫃式伺服器等計算設備，該應用伺服器2可以是獨立的伺服器，也可以是多個伺服器所組成的伺服器集群。優選地，雲伺服器1通常由呼吸機廠家、大型醫院或者政府相關職能部門建立。
所述外部網絡2可以是企業內部網(intranet)、網際網路(internet)、全球移動通訊系統(globalsystemofmobilecommunication，gsm)、寬帶碼分多址(widebandcodedivisionmultipleaccess，wcdma)、4g網絡、5g網絡、藍牙(bluetooth)、wi-fi等無線或有線網絡。其中，所述雲伺服器1中通過所述外部網絡2及各wifi/3g/4g(3)與對應的一個或多個用戶呼吸機4通信連接。
參閱圖2，是圖1中雲伺服器1一可選的硬體架構的示意圖，本實施例中，雲伺服器1可包括，但不僅限於，相互通信連接的存儲器11、處理器12、網絡接口13。需要指出的是，圖2僅示出了具有組件10-13的雲伺服器1，但是應理解的是，並不要求實施所有示出的組件，可以替代的實施更多或者更少的組件。
其中，所述存儲器11至少包括一種類型的可讀存儲介質，所述可讀存儲介質包括快閃記憶體、硬碟、多媒體卡、卡型存儲器(例如，sd或dx存儲器等)、隨機訪問存儲器(ram)、靜態隨機訪問存儲器(sram)、只讀存儲器(rom)、電可擦除可編程只讀存儲器(eeprom)、可編程只讀存儲器(prom)、磁性存儲器、磁碟、光碟等。在一些實施例中，所述存儲器11可以是所述雲伺服器1的內部存儲單元，例如該雲伺服器1的硬碟或內存。在另一些實施例中，所述存儲器11也可以是所述雲伺服器1的外部存儲設備，例如該雲伺服器1上配備的插接式硬碟，智能存儲卡(smartmediacard,smc)，安全數字(securedigital,sd)卡，快閃記憶體卡(flashcard)等。當然，所述存儲器11還可以既包括所述雲伺服器1的內部存儲單元也包括其外部存儲設備。本實施例中，所述存儲器11通常用於存儲安裝於所述雲伺服器1的作業系統和各類應用軟體，例如所述處理程序的程序代碼等。此外，所述存儲器11還可以用於暫時地存儲已經輸出或者將要輸出的各類數據。
所述處理器12在一些實施例中可以是中央處理器(centralprocessingunit，cpu)、控制器、微控制器、微處理器、或其他數據處理晶片。該處理器12通常用於控制所述雲伺服器1的總體操作，例如執行與所述外部網絡2進行數據交互或者通信相關的控制和處理等。本實施例中，所述處理器12用於運行所述存儲器11中存儲的程序代碼或者處理數據，例如運行所述處理程序等。
所述網絡接口13可包括無線網絡接口或有線網絡接口，該網絡接口13通常用於在所述雲伺服器1與其他設備之間建立通信連接。本實施例中，所述網絡接口13用於通過所述外部網絡2與各wifi/3g/4g(3)連接，以通過wifi/3g/4g(3)與一個或多個用戶呼吸機4連接，以建立數據傳輸通道和通信連接。
其中，上述處理程序被所述處理器12執行時實現如下步驟：
步驟s1，獲取用戶在非住院期間的時間數據及在非住院期間呼吸機的治療數據；
本實施例中，由於用戶呼吸機4及雲伺服器1一般應用在醫院的封閉系統中，因此，優選地，用戶在非住院期間的時間數據及在非住院期間呼吸機的治療數據由用戶呼吸機4上傳至雲伺服器1中。
其中，選取用戶近期非住院時間的時間數據及所選取的非住院時間內的治療數據，例如，用戶在2016/12/1-016/12/10、2017/1/3-2017/1/10、2017/2/5-2017/2/10期間住院(2017/2/10至今未住院)，則選取2017/1/10-2017/2/5、2017/2/10至今兩段時間的時間數據及治療數據。
其中，時間數據包括非住院時間的時間起點及非住院時間的時間結束點；治療數據包括壓力數據p、呼吸頻率均值b、潮氣量均值v、血氧均值s、心率數據h及持續使用天數d。
步驟s2，將所述時間數據及所述治療數據輸入至預先建立的神經網絡系統，並獲取所述神經網絡系統輸出的異常提醒概率；
步驟s3，若所述異常提醒概率大於等於預設的概率閾值，則向呼吸機發送提醒信息。
其中，首先採用大量的用戶的在非住院期間的時間數據及在非住院期間呼吸機的治療數據進行預定的神經網絡系統的學習，以建立供使用的神經網絡系統，優選地，該神經網絡系統為bp神經網絡系統。
在建立神經網絡系統後，對於某一用戶，可以將其近期非住院時間的時間數據及所選取的非住院時間內的治療數據作為該神經網絡系統的輸入，由該神經網絡系統進行計算，並輸出對應的異常提醒概率，該異常提醒概率為該用戶最近一次出院後至今的異常概率。
優選地，可以在用戶近期非住院時間中，以連續三天的時間數據及治療數據為神經網絡的一次輸入，若輸出的異常提醒概率連續三次均大於等於預設的概率閾值(該預設的概率閾值為先驗概率，例如為0.7)，則對用戶進行提醒，例如雲伺服器1通過外部網路2向用戶呼吸機4發送提醒信息，或者雲伺服器1通過外部網路2向預定的用戶終端(例如手機或平板電腦等)發送提醒信息，以提醒用戶關注近期的病情情況。
與現有技術相比，本實施例呼吸機在使用過程中通過網絡將時間數據及治療數據實時傳至雲伺服器，雲伺服器利用神經網絡系統算法對這些數據進行分析，得出對應的異常提醒概率，當異常提醒概率大於等於預設的概率閾值時，發送提醒信息以提醒用戶關注近期的病情情況。本實施例基於雲伺服器及大數據處理的神經網絡系統技術，根據用戶的歷史就診情況，在用戶可能出現異常時能夠及時提醒用戶。
在一優選的實施例中，在上述圖2的實施例的基礎上，所述處理程序被所述處理器12執行實現所述步驟s2之前，還包括：
獲取神經網絡系統的訓練集，所述訓練集包括第一預設數量的用戶的在非住院期間的時間數據、在非住院期間呼吸機的治療數據及對應的異常提醒概率。其中，第一預設數量例如為7萬，每一用戶均包括其在非住院期間的時間數據、在非住院期間呼吸機的治療數據及對應的異常提醒概率。
獲取神經網絡系統的驗證集，所述驗證集包括第二預設數量的用戶的在非住院期間的時間數據、在非住院期間呼吸機的治療數據及對應的異常提醒概率。其中，第二預設數量例如為3萬，每一用戶均包括其在非住院期間的時間數據、在非住院期間呼吸機的治療數據及對應的異常提醒概率。
利用訓練集中各用戶對應的時間數據、治療數據及異常提醒概率訓練該神經網絡系統的模型函數。
其中，所述模型函數為：異常提醒概率q＝p*w1+b*w2+v*w3+s*w4+h*w5+d*w6，其中，所述w1為壓力數據的權值，所述w2為呼吸頻率均值的權值，所述w3為潮氣量的權值，所述w4為血氧的權值，所述w5為心率的權值，所述w6為持續使用天數的權值。
其中，除持續使用天數d外，剩餘的壓力數據p、呼吸頻率均值b、潮氣量均值v、血氧均值s、心率數據h以數組的形式給出，例如以天為單位，用戶在一天中的壓力數據p、呼吸頻率均值b、潮氣量均值v、血氧均值s、心率數據h分別為一個數組。
其中，在經過大量數據訓練該神經網絡系統的模型函數後，最終得出壓力數據的權值w1、呼吸頻率均值的權值w2、潮氣量的權值w3、血氧的權值w4、心率的權值w5及持續使用天數的權值w6的最優值。
利用驗證集中各用戶對應的時間數據、治療數據及異常提醒概率驗證訓練後的神經網絡系統的模型函數。
若驗證通過率大於等於預設閾值(預設閾值例如為0.98)，則訓練完成，以訓練後的神經網絡系統作為所述步驟s2中建立的神經網絡系統，否則增加所述訓練集的用戶的數量，以重新進行訓練及驗證。
在一優選的實施例中，在上述圖2的實施例的基礎上，所述處理程序被所述處理器12執行實現所述步驟s1之後，還包括：
獲取用戶在住院期間呼吸機的治療數據，基於用戶在非住院期間的時間數據、在非住院期間呼吸機的治療數據及在住院期間呼吸機的治療數據生成使用報告，並將所述使用報告反饋給用戶呼吸機或預定的用戶終端上，以進行顯示。
本實施例中，雲伺服器1在接收到用戶的時間數據及治療數據後，可以結合用戶在住院期間呼吸機的治療數據生成對應的使用報告，使用報告的內容包括呼吸機的壓力，用戶的平均呼吸頻率，用戶的平均潮氣量，用戶的平均血氧和心率等信息。進一步地，還可以將壓力、平均呼吸頻率、平均潮氣量、平均血氧和心率生成對應的波形圖，例如，以天為橫軸，將相鄰天的數據連接起來得到波形圖，該波形圖附在使用報告中。最後將使用報告反饋給用戶呼吸機或預定的用戶終端上，進行顯示，供用戶查看或參考。
如圖3所示，圖3為本發明提醒的方法一實施例的流程示意圖，該提醒的方法應用於雲伺服器中，包括以下步驟：
步驟s1，獲取用戶在非住院期間的時間數據及在非住院期間呼吸機的治療數據；
本實施例中，由於用戶呼吸機及雲伺服器一般應用在醫院的封閉系統中，因此，優選地，用戶在非住院期間的時間數據及在非住院期間呼吸機的治療數據由用戶呼吸機上傳至雲伺服器中。
其中，選取用戶近期非住院時間的時間數據及所選取的非住院時間內的治療數據，例如，用戶在2016/12/1-016/12/10、2017/1/3-2017/1/10、2017/2/5-2017/2/10期間住院(2017/2/10至今未住院)，則選取2017/1/10-2017/2/5、2017/2/10至今兩段時間的時間數據及治療數據。
其中，時間數據包括非住院時間的時間起點及非住院時間的時間結束點；治療數據包括壓力數據p、呼吸頻率均值b、潮氣量均值v、血氧均值s、心率數據h及持續使用天數d。
步驟s2，將所述時間數據及所述治療數據輸入至預先建立的神經網絡系統，並獲取所述神經網絡系統輸出的異常提醒概率；
步驟s3，若所述異常提醒概率大於等於預設的概率閾值，則向用戶呼吸機發送提醒信息。
其中，首先採用大量的用戶的在非住院期間的時間數據及在非住院期間呼吸機的治療數據進行預定的神經網絡系統的學習，以建立供使用的神經網絡系統，優選地，該神經網絡系統為bp神經網絡系統。
在建立神經網絡系統後，對於某一用戶，可以將其近期非住院時間的時間數據及所選取的非住院時間內的治療數據作為該神經網絡系統的輸入，由該神經網絡系統進行計算，並輸出對應的異常提醒概率，該異常提醒概率為該用戶最近一次出院後至今的異常概率。
優選地，可以在用戶近期非住院時間中，以連續三天的時間數據及治療數據為神經網絡的一次輸入，若輸出的異常提醒概率連續三次均大於等於預設的概率閾值(該預設的概率閾值為先驗概率，例如為0.7)，則對用戶進行提醒，例如雲伺服器通過外部網路向用戶呼吸機發送提醒信息，或者雲伺服器通過外部網路向預定的用戶終端(例如手機或平板電腦等)發送提醒信息，以提醒用戶關注近期的病情情況。
與現有技術相比，本實施例呼吸機在使用過程中通過網絡將時間數據及治療數據實時傳至雲伺服器，雲伺服器利用神經網絡系統算法對這些數據進行分析，得出對應的異常提醒概率，當異常提醒概率大於等於預設的概率閾值時，發送提醒信息以提醒用戶關注近期的病情情況。本實施例基於雲伺服器及大數據處理的神經網絡系統技術，根據用戶的歷史就診情況，在用戶可能出現異常時能夠及時提醒用戶。
在一優選的實施例中，在上述圖3的實施例的基礎上，所述步驟s2之前，還包括：
獲取神經網絡系統的訓練集，所述訓練集包括第一預設數量的用戶的在非住院期間的時間數據、在非住院期間呼吸機的治療數據及對應的異常提醒概率。其中，第一預設數量例如為7萬，每一用戶均包括其在非住院期間的時間數據、在非住院期間呼吸機的治療數據及對應的異常提醒概率。
獲取神經網絡系統的驗證集，所述驗證集包括第二預設數量的用戶的在非住院期間的時間數據、在非住院期間呼吸機的治療數據及對應的異常提醒概率。其中，第二預設數量例如為3萬，每一用戶均包括其在非住院期間的時間數據、在非住院期間呼吸機的治療數據及對應的異常提醒概率。
利用訓練集中各用戶對應的時間數據、治療數據及異常提醒概率訓練該神經網絡系統的模型函數。
其中，所述模型函數為：異常提醒概率q＝p*w1+b*w2+v*w3+s*w4+h*w5+d*w6，其中，所述w1為壓力數據的權值，所述w2為呼吸頻率均值的權值，所述w3為潮氣量的權值，所述w4為血氧的權值，所述w5為心率的權值，所述w6為持續使用天數的權值。
其中，除持續使用天數d外，剩餘的壓力數據p、呼吸頻率均值b、潮氣量均值v、血氧均值s、心率數據h以數組的形式給出，例如以天為單位，用戶在一天中的壓力數據p、呼吸頻率均值b、潮氣量均值v、血氧均值s、心率數據h分別為一個數組。
其中，在經過大量數據訓練該神經網絡系統的模型函數後，最終得出壓力數據的權值w1、呼吸頻率均值的權值w2、潮氣量的權值w3、血氧的權值w4、心率的權值w5及持續使用天數的權值w6的最優值。
利用驗證集中各用戶對應的時間數據、治療數據及異常提醒概率驗證訓練後的神經網絡系統的模型函數；
若驗證通過率大於等於預設閾值(預設閾值例如為0.98)，則訓練完成，以訓練後的神經網絡系統作為所述步驟s2中建立的神經網絡系統，否則增加所述訓練集的用戶的數量，以重新進行訓練及驗證。
在一優選的實施例中，在上述圖3的實施例的基礎上，所述步驟s1之後，還包括：
獲取用戶在住院期間呼吸機的治療數據，基於用戶在非住院期間的時間數據、在非住院期間呼吸機的治療數據及在住院期間呼吸機的治療數據生成使用報告，並將所述使用報告反饋給用戶呼吸機或預定的用戶終端上，以進行顯示。
本實施例中，雲伺服器在接收到用戶的時間數據及治療數據後，可以結合用戶在住院期間呼吸機的治療數據生成對應的使用報告，使用報告的內容包括呼吸機的壓力，用戶的平均呼吸頻率，用戶的平均潮氣量，用戶的平均血氧和心率等信息。進一步地，還可以將壓力、平均呼吸頻率、平均潮氣量、平均血氧和心率生成對應的波形圖，例如，以天為橫軸，將相鄰天的數據連接起來得到波形圖，該波形圖附在使用報告中。最後將使用報告反饋給用戶呼吸機或預定的用戶終端上，進行顯示，供用戶查看或參考。
本發明還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有處理程序，所述處理程序被處理器執行時實現上述的提醒的方法的步驟。
上述本發明實施例序號僅僅為了描述，不代表實施例的優劣。
通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到上述實施例方法可藉助軟體加必需的通用硬體平臺的方式來實現，當然也可以通過硬體，但很多情況下前者是更佳的實施方式。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟體產品的形式體現出來，該計算機軟體產品存儲在一個存儲介質(如rom/ram、磁碟、光碟)中，包括若干指令用以使得一臺終端設備(可以是手機，計算機，伺服器，空調器，或者網絡設備等)執行本發明各個實施例所述的方法。
以上僅為本發明的優選實施例，並非因此限制本發明的專利範圍，凡是利用本發明說明書及附圖內容所作的等效結構或等效流程變換，或直接或間接運用在其他相關的技術領域，均同理包括在本發明的專利保護範圍內。