智能型卧床护理防压疮臀部气垫设备的制作方法

1.本技术涉及智能型护理设备领域，且更为具体地，涉及一种智能型卧床护理防压疮臀部气垫设备。


背景技术：

2.需要长期卧床的患者，过了一些时间就得翻身，来防止褥疮感染。这就使得陪伴患者的家属，在后半夜就得折腾好几次，一天两天还可以忍受，如果是几个月甚至几年，那都得崩溃掉。并且，患者也要老被翻过来覆过去，睡觉也睡不安稳。
3.因此，期待一种解决方案。


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智能型卧床护理防压疮臀部气垫设备，其采用基于深度学习的人工智能检测技术，以通过多尺度邻域提取模块来提取气囊的气压值和电磁阀的开度值中所蕴含的时序动态变化特征，并以转移矩阵的方式来揭示气囊充气的动态规律和机理，以优化电磁阀控制算法，进而实现更加精准和稳定的控制。通过这样的方式，使得气体流速控制能够适配于气囊内的压力均匀攀升，以实现均匀提高臀部的技术目的，从而避免对患者的睡眠产生干扰。
5.相应地，根据本技术的一个方面，提供了一种智能型卧床护理防压疮臀部气垫设备，其包括：
6.数据采集模块，用于获取预定时间段内多个预定时间点的气囊的气压值和所述多个预定时间点的电磁阀的开度值；
7.气压特征提取模块，用于将所述多个预定时间点的气囊的气压值按照时间维度排列为气压输入向量后通过多尺度邻域提取模块以得到气压时序特征向量；
8.开度特征提取模块，用于将所述多个预定时间点的电磁阀的开度值按照时间维度排列为阀门开度输入向量后通过所述多尺度邻域提取模块以得到阀门开度时序特征向量；
9.数据增强模块，用于基于高斯密度图分别对所述气压时序特征向量和所述阀门开度时序特征向量进行特征级数据增强以得到气压时序特征矩阵和阀门开度时序特征矩阵；
10.转移关联模块，用于计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵作为分类特征矩阵；
11.特征分布优化模块，用于基于所述气压时序特征矩阵和所述阀门开度时序特征矩阵之间的矩阵粒度的转移性响应，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及
12.控制结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的阀门开度值应增大、应减小或保持不变。
13.在上述智能型卧床护理防压疮臀部气垫设备中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连
接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
14.在上述智能型卧床护理防压疮臀部气垫设备中，所述气压特征提取模块，进一步用于：使用所述多尺度邻域特征提取模块的所述第一卷积层以如下第一卷积公式对所述气压输入向量进行一维卷积编码以得到第一尺度气压特征向量；其中，所述第一卷积公式为：
[0015][0016]
其中，a为第一一维卷积核在x方向上的宽度、f(a)为第一一维卷积核参数向量、g(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，x表示所述气压输入向量，cov(x)表示对所述气压输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的所述第二卷积层以如下第二卷积公式对所述气压输入向量进行一维卷积编码以得到第二尺度气压特征向量；其中，所述第二卷积公式为：
[0017][0018]
其中，b为第二一维卷积核在x方向上的宽度、f(b)为第二一维卷积核参数向量、g(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，x表示所述气压输入向量，cov(x)表示对所述气压输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度气压特征向量和所述第二尺度气压特征向量进行级联以得到所述气压时序特征向量。
[0019]
在上述智能型卧床护理防压疮臀部气垫设备中，所述数据增强模块，包括：高斯密度融合单元，用于构造所述气压时序特征向量的第一自高斯密度图，所述第一自高斯密度图的均值向量为所述气压时序特征向量，所述第一自高斯密度图的协方差矩阵中各个位置的值为所述气压时序特征向量中相应两个位置的特征值之间的方差；以及，高斯离散化单元，用于对所述第一自高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述气压时序特征矩阵。
[0020]
在上述智能型卧床护理防压疮臀部气垫设备中，所述高斯离散化单元，包括：降维子单元，用于对所述第一自高斯密度图中各个位置的高斯分布进行高斯离散化处理以将所述第一自高斯密度图中各个位置的高斯分布降维为一维的特征向量；以及，二维排列子单元，用于将所述各个位置的一维的特征向量进行二维排列以生成所述气压时序特征矩阵。
[0021]
在上述智能型卧床护理防压疮臀部气垫设备中，所述转移关联模块，进一步用于：以如下转移公式计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵作为分类特征矩阵；其中，所述转移公式为：
[0022][0023]
其中m1表示所述气压时序特征矩阵，m2表示所述阀门开度时序特征矩阵，mc表示所述转移矩阵，表示矩阵相乘。
[0024]
在上述智能型卧床护理防压疮臀部气垫设备中，所述特征分布优化模块，包括：卷
积式字典对照响应学习单元，用于基于所述气压时序特征矩阵对于所述阀门开度时序特征矩阵进行卷积式字典对照响应学习以获得矩阵粒度的转移响应特征矩阵；以及，融合与优化单元，用于将所述转移响应特征矩阵与所述分类特征矩阵进行融合以得到所述优化分类特征矩阵。
[0025]
在上述智能型卧床护理防压疮臀部气垫设备中，所述卷积式字典对照响应学习单元，进一步用于：基于所述气压时序特征矩阵对于所述阀门开度时序特征矩阵以如下优化公式进行卷积式字典对照响应学习以获得矩阵粒度的转移响应特征矩阵；其中，所述优化公式为：
[0026][0027]
其中，m1和m2分别表示所述气压时序特征矩阵和所述阀门开度时序特征矩阵，||
·
||f表示矩阵的frobenius范数，表示按位置相减，表示矩阵乘法，表示矩阵加法，m
t
表示所述转移响应特征矩阵。
[0028]
在上述智能型卧床护理防压疮臀部气垫设备中，所述控制结果生成模块，包括：展开单元，用于将所述优化分类特征矩阵按照行向量或者列向量展开为优化分类特征向量；概率化单元，用于将所述优化分类特征向量输入所述分类器的softmax分类函数以得到所述优化分类特征向量归属于各个分类标签的概率值；以及，分类结果生成单元，用于将最大概率值对应的分类标签确定为所述分类结果。
[0029]
根据本技术的另一方面，还提供了一种智能型卧床护理防压疮臀部气垫设备的运行方法，其包括：
[0030]
获取预定时间段内多个预定时间点的气囊的气压值和所述多个预定时间点的电磁阀的开度值；
[0031]
将所述多个预定时间点的气囊的气压值按照时间维度排列为气压输入向量后通过多尺度邻域提取模块以得到气压时序特征向量；
[0032]
将所述多个预定时间点的电磁阀的开度值按照时间维度排列为阀门开度输入向量后通过所述多尺度邻域提取模块以得到阀门开度时序特征向量；
[0033]
基于高斯密度图分别对所述气压时序特征向量和所述阀门开度时序特征向量进行特征级数据增强以得到气压时序特征矩阵和阀门开度时序特征矩阵；
[0034]
计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵作为分类特征矩阵；
[0035]
基于所述气压时序特征矩阵和所述阀门开度时序特征矩阵之间的矩阵粒度的转移性响应，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及
[0036]
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的阀门开度值应增大、应减小或保持不变。
[0037]
与现有技术相比，本技术提供的智能型卧床护理防压疮臀部气垫设备，其采用基于深度学习的人工智能检测技术，以通过多尺度邻域提取模块来提取气囊的气压值和电磁阀的开度值中所蕴含的时序动态变化特征，并以转移矩阵的方式来揭示气囊充气的动态规律和机理，以优化电磁阀控制算法，进而实现更加精准和稳定的控制。通过这样的方式，使得气体流速控制能够适配于气囊内的压力均匀攀升，以实现均匀提高臀部的技术目的，从
而避免对患者的睡眠产生干扰。
附图说明
[0038]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0039]
图1为根据本技术实施例的智能型卧床护理防压疮臀部气垫设备的应用场景图。
[0040]
图2为根据本技术实施例的智能型卧床护理防压疮臀部气垫设备的框图。
[0041]
图3为根据本技术实施例的智能型卧床护理防压疮臀部气垫设备的架构示意图。
[0042]
图4为根据本技术实施例的智能型卧床护理防压疮臀部气垫设备中控制结果生成模块的框图。
[0043]
图5为根据本技术实施例的智能型卧床护理防压疮臀部气垫设备的运行方法的流程图。
具体实施方式
[0044]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0045]
申请概述
[0046]
在本技术的技术方案中，考虑到翻身的本质是避免同一个点持续受压。另外，压疮发生率最多的是臀部这一块，因此，可在患者臀部区域设置气囊，并通过充气的气囊来缓慢抬升患者的臀部高度，这样抬起的一侧从臀部到脚后跟，肩部都解放了压力，同时对侧虽然受力，但是躺平和有一定角度的倾斜，受力点也改变了，其实也缓解了压力。然后就规定时间换着来。因为抬起角度不大，患者可以继续睡觉，不至于被翻过来翻过去，同时家属也能踏实睡和养足精神。
[0047]
并且，在充气过程中，期待能够匀速地抬升患者的臀部，以避免抬升过程会对患者的睡眠产生干扰。在现有的气囊流速控制方案中，采用恒定的气体流速通入控制方案，但这种气体流速通入方案因没考虑到气囊本身的结构和性能差异，而使得臀部的高度提升是波动的，会对患者的睡眠产生干扰。更具体地，气囊在充气过程中会产生较大的变形，并且气体的流动方式也会受到气囊内部结构的影响。因此，当进入气囊内的气体流速恒定时，气囊内部会存在局部压力分布不均的情况，从而导致臀部抬升高度的增加不均匀。另外，在气囊底部存在较大空隙的情况下，气囊顶部的压力可能会更高，从而导致顶部的抬升速度更快，底部的抬升速度更慢的现象出现。
[0048]
基于此，在本技术的技术方案中，期待在气体流速控制中，能够基于气囊内的气压值进行自适应地调整阀门开度，通过这样的方式，使得气体流速控制能够适配于气囊内的压力均匀攀升，以实现均匀提高臀部的技术目的，从而避免对患者的睡眠产生干扰。
[0049]
具体地，在本技术的技术方案中，首先获取预定时间段内多个预定时间点的气囊的气压值和所述多个预定时间点的电磁阀的开度值。在具体实施中，在气囊系统中安装压
力传感器以测量气囊内部的气压，并在电磁阀上安装位置传感器以测量电磁阀的开度值，这样在预定的时间点上，通过读取传感器输出的电信号来获得气囊的气压值和电磁阀的开度值。当然，在本技术的技术方案中，也可以使用其他类型的传感器或测量仪器来获取所需的数据。
[0050]
然后，将所述多个预定时间点的气囊的气压值按照时间维度排列为气压输入向量，并通过多尺度邻域提取模块以得到气压时序特征向量。使用多尺度邻域特征提取模块对所述气压输入向量进行处理的目的是将不同时间尺度的特征信息融合起来，使得模型可以更全面地理解时间序列数据中的时空关系。在该技术场景中，气压的变化往往具有复杂的时空动态特征，而这些特征可能同时存在于不同的时间尺度上。因此，通过在不同时间尺度上提取特征，并将这些特征进行组合，可以更好地捕捉气压变化的细节和整体趋势。同时，多尺度邻域特征提取还可以增强模型的鲁棒性，使其对噪声、干扰等信号变化具有更好的适应性和鉴别能力。
[0051]
在本技术的技术方案中，所述多尺度邻域特征提取模块是一个深度神经网络模块，可以用于抽取时间序列数据中的动态特征。该模块的结构通常包括以下几个主要组成部分：输入层：接收原始时间序列数据作为输入，将其转换为网络可处理的格式；多尺度卷积层：采用不同大小的卷积核对输入进行卷积操作，以捕捉不同时间尺度上的动态特征信息；连接层：将不同尺度的动态特征信息进行聚合。在本技术一个具体的示例中，所述多尺度卷积层包括第一卷积层和第二卷积层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
[0052]
接着，将所述多个预定时间点的电磁阀的开度值按照时间维度排列为阀门开度输入向量并通过所述多尺度邻域提取模块以得到阀门开度时序特征向量。这里，在本技术的技术方案中，使用多尺度邻域特征提取模块对所述阀门开度输入向量进行处理的目的和对气压输入向量进行处理类似。在实际应用场景中，阀门开度的变化可能也存在不同的时间尺度上的动态特征。通过使用多尺度邻域特征提取模块对阀门开度输入向量进行处理，可以捕捉到这些不同时间尺度上的动态特征信息，并将其综合起来，以更好地理解系统的状态。同时，使用多尺度邻域特征提取模块还可以增强模型的鲁棒性，使其能够更好地适应信号的变化和噪声的影响，从而提高模型的准确性和可靠性。
[0053]
接下来，基于高斯密度图分别对所述气压时序特征向量和所述阀门开度时序特征向量进行特征级数据增强，以得到气压时序特征矩阵和阀门开度时序特征矩阵。这里，在本技术的技术方案中，气压和阀门开度的变化往往不是完全连续的，而是存在一定的离散性。同时，由于传感器等因素的限制，采集到的数据可能存在一定的噪声和误差。为了更好地反映系统状态的真实情况，并减少噪声和误差对模型的影响，可以使用基于高斯密度图的特征级数据增强方法。具体来说，该方法将原始特征向量转换为高斯密度图的形式，并对其进行平滑处理和增强，从而使得特征向量具有更好的空间分布特性、更明显的时序关系和更高的特征表达能力。通过这种方式，可以有效地提高模型的鲁棒性和准确性，从而更好地实现气囊系统的控制。
[0054]
进而，计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵作为分类特征矩阵。这里，计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵是为了捕捉气压特征向量与阀门开度特征向量之间的时序关系。通过分析气压
信号和阀门开度信号之间的关联性，可以更好地理解气囊系统的状态和动态特性，并实现精准的控制和调节。
[0055]
具体来说，所述气压时序特征矩阵和所述阀门开度时序特征矩阵都是由多个时刻的特征向量组成的，分别反映了气囊充气过程中气压和阀门开度的变化情况。通过计算它们之间的转移矩阵，可以得到不同时间点上气压和阀门开度之间的关系，进而揭示气囊充气的动态规律和机理。基于转移矩阵的分析结果，可以进一步设计并优化电磁阀控制算法，以实现更加精准和稳定的控制效果。
[0056]
最后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的阀门开度值应增大、应减小或保持不变。也就是，使用所述分类器来确定所述分类特征矩阵所属的类概率标签，其中，所述类概率标签包括阀门开度值应增大(第一标签)，当前时间点的阀门开度值应减小(第二标签)，以及，当前时间点的阀门开度值保持不变(第三标签)。应注意到，所述类概率标签为阀门控制策略标签。因此，在得到所述分类结果后，能够基于所述分类结果来自适应地控制所述电磁阀的阀门开度值。
[0057]
这里，计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵作为所述分类特征矩阵时，由于所述转移矩阵的计算是以所述转移矩阵的行向量与所述阀门开度时序特征矩阵的列向量为单位进行计算的，如果能够提升所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的矩阵粒度的转移性响应的表达效果，则可以提升所述分类特征矩阵的分类结果的准确性。
[0058]
基于此，本技术的申请人基于所述气压时序特征矩阵m1对于所述阀门开度时序特征矩阵，例如记为m2进行卷积式字典对照响应学习以获得矩阵粒度的转移响应特征矩阵，例如记为m
t
，表示为：
[0059][0060]
其中||
·
||f表示矩阵的frobenius范数。
[0061]
也就是，基于所述气压时序特征矩阵m1的类卷积神经网络的卷积核表征的邻域操作符属性，通过基于对应特征之间的差分特征流的卷积式字典对照学习，来对于所述阀门开度时序特征矩阵m2的特征值的n级(n-hop)邻居进行本征先验结构的特征表达，并将低秩表示下的结构化差异的先验知识作为高维特征分布的特征响应参照，从而学习到特征间的可解释性响应，这样，就使得所获得的转移响应特征矩阵m
t
具有对所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的矩阵粒度的转移性响应的表达效果，然后，再将所述转移响应特征矩阵m
t
与所述分类特征矩阵进行融合以优化所述分类特征矩阵，就可以提升优化后的分类特征矩阵通过分类器得到的分类结果的准确性。
[0062]
图1为根据本技术实施例的智能型卧床护理防压疮臀部气垫设备的应用场景图。如图1所示，在该应用场景中，首先由安装于气囊系统(例如，如图1中所示意的abs)中的压力传感器(例如，如图1中所示意的se1)和安装于电磁阀(例如，如图1中所示意的v)上的位置传感器(例如，如图1中所示意的se2)来分别获取预定时间段内多个预定时间点的气囊(例如，如图1中所示意的b)的气压值和所述多个预定时间点的电磁阀的开度值。进而，将所述多个预定时间点的气囊的气压值和所述多个预定时间点的电磁阀的开度值输入至所述智能型卧床护理防压疮臀部气垫设备(例如，如图1所示意的d)的数据处理器(例如，如图1
所示意的p)中，其中，所述数据处理器能够基于预定算法对所述多个预定时间点的气囊的气压值和所述多个预定时间点的电磁阀的开度值进行处理，以得到用于表示当前时间点的阀门开度值应增大、应减小或保持不变的分类结果。
[0063]
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。
[0064]
示例性系统
[0065]
图2为根据本技术实施例的智能型卧床护理防压疮臀部气垫设备的框图。如图2所示，根据本技术实施例的智能型卧床护理防压疮臀部气垫设备100，包括：数据采集模块110，用于获取预定时间段内多个预定时间点的气囊的气压值和所述多个预定时间点的电磁阀的开度值；气压特征提取模块120，用于将所述多个预定时间点的气囊的气压值按照时间维度排列为气压输入向量后通过多尺度邻域提取模块以得到气压时序特征向量；开度特征提取模块130，用于将所述多个预定时间点的电磁阀的开度值按照时间维度排列为阀门开度输入向量后通过所述多尺度邻域提取模块以得到阀门开度时序特征向量；数据增强模块140，用于基于高斯密度图分别对所述气压时序特征向量和所述阀门开度时序特征向量进行特征级数据增强以得到气压时序特征矩阵和阀门开度时序特征矩阵；转移关联模块150，用于计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵作为分类特征矩阵；特征分布优化模块160，用于基于所述气压时序特征矩阵和所述阀门开度时序特征矩阵之间的矩阵粒度的转移性响应，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，控制结果生成模块170，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的阀门开度值应增大、应减小或保持不变。
[0066]
图3为根据本技术实施例的智能型卧床护理防压疮臀部气垫设备的架构示意图。如图3所示，首先，获取预定时间段内多个预定时间点的气囊的气压值和所述多个预定时间点的电磁阀的开度值；接着，将所述多个预定时间点的气囊的气压值按照时间维度排列为气压输入向量后通过多尺度邻域提取模块以得到气压时序特征向量，同时，将所述多个预定时间点的电磁阀的开度值按照时间维度排列为阀门开度输入向量后通过所述多尺度邻域提取模块以得到阀门开度时序特征向量；然后，基于高斯密度图分别对所述气压时序特征向量和所述阀门开度时序特征向量进行特征级数据增强以得到气压时序特征矩阵和阀门开度时序特征矩阵；继而，计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵作为分类特征矩阵；随后，基于所述气压时序特征矩阵和所述阀门开度时序特征矩阵之间的矩阵粒度的转移性响应，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；最后，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的阀门开度值应增大、应减小或保持不变。
[0067]
在本技术的技术方案中，考虑到翻身的本质是避免同一个点持续受压。另外，压疮发生率最多的是臀部这一块，因此，可在患者臀部区域设置气囊，并通过充气的气囊来缓慢抬升患者的臀部高度，这样抬起的一侧从臀部到脚后跟，肩部都解放了压力，同时对侧虽然受力，但是躺平和有一定角度的倾斜，受力点也改变了，其实也缓解了压力。然后就规定时间换着来。因为抬起角度不大，患者可以继续睡觉，不至于被翻过来翻过去，同时家属也能踏实睡和养足精神。
[0068]
并且，在充气过程中，期待能够匀速地抬升患者的臀部，以避免抬升过程会对患者的睡眠产生干扰。在现有的气囊流速控制方案中，采用恒定的气体流速通入控制方案，但这种气体流速通入方案因没考虑到气囊本身的结构和性能差异，而使得臀部的高度提升是波动的，会对患者的睡眠产生干扰。更具体地，气囊在充气过程中会产生较大的变形，并且气体的流动方式也会受到气囊内部结构的影响。因此，当进入气囊内的气体流速恒定时，气囊内部会存在局部压力分布不均的情况，从而导致臀部抬升高度的增加不均匀。另外，在气囊底部存在较大空隙的情况下，气囊顶部的压力可能会更高，从而导致顶部的抬升速度更快，底部的抬升速度更慢的现象出现。
[0069]
基于此，在本技术的技术方案中，期待在气体流速控制中，能够基于气囊内的气压值进行自适应地调整阀门开度，通过这样的方式，使得气体流速控制能够适配于气囊内的压力均匀攀升，以实现均匀提高臀部的技术目的，从而避免对患者的睡眠产生干扰。
[0070]
在上述智能型卧床护理防压疮臀部气垫设备100中，所述数据采集模块110，用于获取预定时间段内多个预定时间点的气囊的气压值和所述多个预定时间点的电磁阀的开度值。在具体实施中，在气囊系统中安装压力传感器以测量气囊内部的气压，并在电磁阀上安装位置传感器以测量电磁阀的开度值，这样在预定的时间点上，通过读取传感器输出的电信号来获得气囊的气压值和电磁阀的开度值。当然，在本技术的技术方案中，也可以使用其他类型的传感器或测量仪器来获取所需的数据。
[0071]
在上述智能型卧床护理防压疮臀部气垫设备100中，所述气压特征提取模块120，用于将所述多个预定时间点的气囊的气压值按照时间维度排列为气压输入向量后通过多尺度邻域提取模块以得到气压时序特征向量。使用多尺度邻域特征提取模块对所述气压输入向量进行处理的目的是将不同时间尺度的特征信息融合起来，使得模型可以更全面地理解时间序列数据中的时空关系。在该技术场景中，气压的变化往往具有复杂的时空动态特征，而这些特征可能同时存在于不同的时间尺度上。因此，通过在不同时间尺度上提取特征，并将这些特征进行组合，可以更好地捕捉气压变化的细节和整体趋势。同时，多尺度邻域特征提取还可以增强模型的鲁棒性，使其对噪声、干扰等信号变化具有更好的适应性和鉴别能力。
[0072]
在本技术的技术方案中，所述多尺度邻域特征提取模块是一个深度神经网络模块，可以用于抽取时间序列数据中的动态特征。该模块的结构通常包括以下几个主要组成部分：输入层：接收原始时间序列数据作为输入，将其转换为网络可处理的格式；多尺度卷积层：采用不同大小的卷积核对输入进行卷积操作，以捕捉不同时间尺度上的动态特征信息；连接层：将不同尺度的动态特征信息进行聚合。在本技术一个具体的示例中，所述多尺度卷积层包括第一卷积层和第二卷积层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；所述连接层为与所述第一卷积层和所述第二卷积层连接的多尺度融合层。
[0073]
具体地，在本技术实施例中，所述气压特征提取模块120的编码过程，包括：首先，使用所述多尺度邻域特征提取模块的所述第一卷积层以如下第一卷积公式对所述气压输入向量进行一维卷积编码以得到第一尺度气压特征向量；其中，所述第一卷积公式为：
[0074][0075]
其中，a为第一一维卷积核在x方向上的宽度、f(a)为第一一维卷积核参数向量、g(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，x表示所述气压输入向量，cov(x)表示对所述气压输入向量进行一维卷积编码；接着，使用所述多尺度邻域特征提取模块的所述第二卷积层以如下第二卷积公式对所述气压输入向量进行一维卷积编码以得到第二尺度气压特征向量；其中，所述第二卷积公式为：
[0076][0077]
其中，b为第二一维卷积核在x方向上的宽度、f(b)为第二一维卷积核参数向量、g(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，x表示所述气压输入向量，cov(x)表示对所述气压输入向量进行一维卷积编码；然后，使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度气压特征向量和所述第二尺度气压特征向量进行级联以得到所述气压时序特征向量。
[0078]
在上述智能型卧床护理防压疮臀部气垫设备100中，所述开度特征提取模块130，用于将所述多个预定时间点的电磁阀的开度值按照时间维度排列为阀门开度输入向量后通过所述多尺度邻域提取模块以得到阀门开度时序特征向量。这里，在本技术的技术方案中，使用多尺度邻域特征提取模块对所述阀门开度输入向量进行处理的目的和对气压输入向量进行处理类似。在实际应用场景中，阀门开度的变化可能也存在不同的时间尺度上的动态特征。通过使用多尺度邻域特征提取模块对阀门开度输入向量进行处理，可以捕捉到这些不同时间尺度上的动态特征信息，并将其综合起来，以更好地理解系统的状态。同时，使用多尺度邻域特征提取模块还可以增强模型的鲁棒性，使其能够更好地适应信号的变化和噪声的影响，从而提高模型的准确性和可靠性。
[0079]
在上述智能型卧床护理防压疮臀部气垫设备100中，所述数据增强模块140，用于基于高斯密度图分别对所述气压时序特征向量和所述阀门开度时序特征向量进行特征级数据增强以得到气压时序特征矩阵和阀门开度时序特征矩阵。这里，在本技术的技术方案中，气压和阀门开度的变化往往不是完全连续的，而是存在一定的离散性。同时，由于传感器等因素的限制，采集到的数据可能存在一定的噪声和误差。为了更好地反映系统状态的真实情况，并减少噪声和误差对模型的影响，可以使用基于高斯密度图的特征级数据增强方法。具体来说，该方法将原始特征向量转换为高斯密度图的形式，并对其进行平滑处理和增强，从而使得特征向量具有更好的空间分布特性、更明显的时序关系和更高的特征表达能力。通过这种方式，可以有效地提高模型的鲁棒性和准确性，从而更好地实现气囊系统的控制。
[0080]
具体地，在本技术实施例中，所述数据增强模块140，包括：高斯密度融合单元，用于构造所述气压时序特征向量的第一自高斯密度图，所述第一自高斯密度图的均值向量为所述气压时序特征向量，所述第一自高斯密度图的协方差矩阵中各个位置的值为所述气压时序特征向量中相应两个位置的特征值之间的方差；以及，高斯离散化单元，用于对所述第
一自高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述气压时序特征矩阵。
[0081]
其中，所述高斯离散化单元的编码过程，包括：首先，通过降维子单元对所述第一自高斯密度图中各个位置的高斯分布进行高斯离散化处理以将所述第一自高斯密度图中各个位置的高斯分布降维为一维的特征向量；然后，通过二维排列子单元将所述各个位置的一维的特征向量进行二维排列以生成所述气压时序特征矩阵。
[0082]
在上述智能型卧床护理防压疮臀部气垫设备100中，所述转移关联模块150，用于计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵作为分类特征矩阵。这里，计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵是为了捕捉气压特征向量与阀门开度特征向量之间的时序关系。通过分析气压信号和阀门开度信号之间的关联性，可以更好地理解气囊系统的状态和动态特性，并实现精准的控制和调节。
[0083]
具体来说，所述气压时序特征矩阵和所述阀门开度时序特征矩阵都是由多个时刻的特征向量组成的，分别反映了气囊充气过程中气压和阀门开度的变化情况。通过计算它们之间的转移矩阵，可以得到不同时间点上气压和阀门开度之间的关系，进而揭示气囊充气的动态规律和机理。基于转移矩阵的分析结果，可以进一步设计并优化电磁阀控制算法，以实现更加精准和稳定的控制效果。
[0084]
在本技术实施例中，以如下转移公式计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵作为分类特征矩阵；其中，所述转移公式为：
[0085][0086]
其中m1表示所述气压时序特征矩阵，m2表示所述阀门开度时序特征矩阵，mc表示所述转移矩阵，表示矩阵相乘。
[0087]
在上述智能型卧床护理防压疮臀部气垫设备100中，所述特征分布优化模块160，用于基于所述气压时序特征矩阵和所述阀门开度时序特征矩阵之间的矩阵粒度的转移性响应，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵。这里，计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵作为所述分类特征矩阵时，由于所述转移矩阵的计算是以所述转移矩阵的行向量与所述阀门开度时序特征矩阵的列向量为单位进行计算的，如果能够提升所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的矩阵粒度的转移性响应的表达效果，则可以提升所述分类特征矩阵的分类结果的准确性。
[0088]
基于此，本技术的申请人基于所述气压时序特征矩阵m1对于所述阀门开度时序特征矩阵，例如记为m2进行卷积式字典对照响应学习以获得矩阵粒度的转移响应特征矩阵，例如记为m
t
，表示为：
[0089][0090]
其中，m1和m2分别表示所述气压时序特征矩阵和所述阀门开度时序特征矩阵，||
·
||f表示矩阵的frobenius范数，表示按位置相减，表示矩阵乘法，表示矩阵加法，m
t
表示所述转移响应特征矩阵。
[0091]
也就是，基于所述气压时序特征矩阵m1的类卷积神经网络的卷积核表征的邻域操作符属性，通过基于对应特征之间的差分特征流的卷积式字典对照学习，来对于所述阀门
开度时序特征矩阵m2的特征值的n级(n-hop)邻居进行本征先验结构的特征表达，并将低秩表示下的结构化差异的先验知识作为高维特征分布的特征响应参照，从而学习到特征间的可解释性响应，这样，就使得所获得的转移响应特征矩阵m
t
具有对所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的矩阵粒度的转移性响应的表达效果，然后，再将所述转移响应特征矩阵m
t
与所述分类特征矩阵进行融合以优化所述分类特征矩阵，就可以提升优化后的分类特征矩阵通过分类器得到的分类结果的准确性。
[0092]
具体地，在本技术实施例中，所述特征分布优化模块160，包括：卷积式字典对照响应学习单元，用于基于所述气压时序特征矩阵对于所述阀门开度时序特征矩阵进行卷积式字典对照响应学习以获得矩阵粒度的转移响应特征矩阵；以及，融合与优化单元，用于将所述转移响应特征矩阵与所述分类特征矩阵进行融合以得到所述优化分类特征矩阵。
[0093]
在上述智能型卧床护理防压疮臀部气垫设备100中，所述控制结果生成模块170，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的阀门开度值应增大、应减小或保持不变。也就是，使用所述分类器来确定所述分类特征矩阵所属的类概率标签，其中，所述类概率标签包括阀门开度值应增大(第一标签)，当前时间点的阀门开度值应减小(第二标签)，以及，当前时间点的阀门开度值保持不变(第三标签)。应注意到，所述类概率标签为阀门控制策略标签。因此，在得到所述分类结果后，能够基于所述分类结果来自适应地控制所述电磁阀的阀门开度值。
[0094]
图4为根据本技术实施例的智能型卧床护理防压疮臀部气垫设备中控制结果生成模块的框图。如图4所示，所述控制结果生成模块170，包括：展开单元171，用于将所述优化分类特征矩阵按照行向量或者列向量展开为优化分类特征向量；概率化单元172，用于将所述优化分类特征向量输入所述分类器的softmax分类函数以得到所述优化分类特征向量归属于各个分类标签的概率值；以及，分类结果生成单元173，用于将最大概率值对应的分类标签确定为所述分类结果。
[0095]
综上，基于本技术实施例的智能型卧床护理防压疮臀部气垫设备100被阐明，其采用基于深度学习的人工智能检测技术，以通过多尺度邻域提取模块来提取气囊的气压值和电磁阀的开度值中所蕴含的时序动态变化特征，并以转移矩阵的方式来揭示气囊充气的动态规律和机理，以优化电磁阀控制算法，进而实现更加精准和稳定的控制。通过这样的方式，使得气体流速控制能够适配于气囊内的压力均匀攀升，以实现均匀提高臀部的技术目的，从而避免对患者的睡眠产生干扰。
[0096]
示例性方法
[0097]
图5为根据本技术实施例的智能型卧床护理防压疮臀部气垫设备的运行方法的流程图。如图5所示，根据本技术实施例的智能型卧床护理防压疮臀部气垫设备的运行方法，包括：s110，获取预定时间段内多个预定时间点的气囊的气压值和所述多个预定时间点的电磁阀的开度值；s120，将所述多个预定时间点的气囊的气压值按照时间维度排列为气压输入向量后通过多尺度邻域提取模块以得到气压时序特征向量；s130，将所述多个预定时间点的电磁阀的开度值按照时间维度排列为阀门开度输入向量后通过所述多尺度邻域提取模块以得到阀门开度时序特征向量；s140，基于高斯密度图分别对所述气压时序特征向量和所述阀门开度时序特征向量进行特征级数据增强以得到气压时序特征矩阵和阀门开度时序特征矩阵；s150，计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的
转移矩阵作为分类特征矩阵；s160，基于所述气压时序特征矩阵和所述阀门开度时序特征矩阵之间的矩阵粒度的转移性响应，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，s170，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的阀门开度值应增大、应减小或保持不变。
[0098]
这里，本领域技术人员可以理解，上述智能型卧床护理防压疮臀部气垫设备的运行方法中的各个步骤和操作已经在上面参考图1到图4的智能型卧床护理防压疮臀部气垫设备100的描述中得到了详细介绍，并因此，将省略其重复描述。
[0099]
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。
[0100]
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。
[0101]
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。
[0102]
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技术。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。
[0103]
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：
1.一种智能型卧床护理防压疮臀部气垫设备，其特征在于，包括：数据采集模块，用于获取预定时间段内多个预定时间点的气囊的气压值和所述多个预定时间点的电磁阀的开度值；气压特征提取模块，用于将所述多个预定时间点的气囊的气压值按照时间维度排列为气压输入向量后通过多尺度邻域提取模块以得到气压时序特征向量；开度特征提取模块，用于将所述多个预定时间点的电磁阀的开度值按照时间维度排列为阀门开度输入向量后通过所述多尺度邻域提取模块以得到阀门开度时序特征向量；数据增强模块，用于基于高斯密度图分别对所述气压时序特征向量和所述阀门开度时序特征向量进行特征级数据增强以得到气压时序特征矩阵和阀门开度时序特征矩阵；转移关联模块，用于计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵作为分类特征矩阵；特征分布优化模块，用于基于所述气压时序特征矩阵和所述阀门开度时序特征矩阵之间的矩阵粒度的转移性响应，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及控制结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的阀门开度值应增大、应减小或保持不变。2.根据权利要求1所述的智能型卧床护理防压疮臀部气垫设备，其特征在于，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。3.根据权利要求2所述的智能型卧床护理防压疮臀部气垫设备，其特征在于，所述气压特征提取模块，进一步用于：使用所述多尺度邻域特征提取模块的所述第一卷积层以如下第一卷积公式对所述气压输入向量进行一维卷积编码以得到第一尺度气压特征向量；其中，所述第一卷积公式为：其中，a为第一一维卷积核在x方向上的宽度、f(a)为第一一维卷积核参数向量、g(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，x表示所述气压输入向量，cov(x)表示对所述气压输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的所述第二卷积层以如下第二卷积公式对所述气压输入向量进行一维卷积编码以得到第二尺度气压特征向量；其中，所述第二卷积公式为：其中，b为第二一维卷积核在x方向上的宽度、f(b)为第二一维卷积核参数向量、g(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，x表示所述气
压输入向量，cov(x)表示对所述气压输入向量进行一维卷积编码；以及使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度气压特征向量和所述第二尺度气压特征向量进行级联以得到所述气压时序特征向量。4.根据权利要求3所述的智能型卧床护理防压疮臀部气垫设备，其特征在于，所述数据增强模块，包括：高斯密度融合单元，用于构造所述气压时序特征向量的第一自高斯密度图，所述第一自高斯密度图的均值向量为所述气压时序特征向量，所述第一自高斯密度图的协方差矩阵中各个位置的值为所述气压时序特征向量中相应两个位置的特征值之间的方差；以及高斯离散化单元，用于对所述第一自高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述气压时序特征矩阵。5.根据权利要求4所述的智能型卧床护理防压疮臀部气垫设备，其特征在于，所述高斯离散化单元，包括：降维子单元，用于对所述第一自高斯密度图中各个位置的高斯分布进行高斯离散化处理以将所述第一自高斯密度图中各个位置的高斯分布降维为一维的特征向量；以及二维排列子单元，用于将所述各个位置的一维的特征向量进行二维排列以生成所述气压时序特征矩阵。6.根据权利要求5所述的智能型卧床护理防压疮臀部气垫设备，其特征在于，所述转移关联模块，进一步用于：以如下转移公式计算所述气压时序特征矩阵相对于所述阀门开度时序特征矩阵的转移矩阵作为分类特征矩阵；其中，所述转移公式为：其中m1表示所述气压时序特征矩阵，m2表示所述阀门开度时序特征矩阵，m
c
表示所述转移矩阵，表示矩阵相乘。7.根据权利要求6所述的智能型卧床护理防压疮臀部气垫设备，其特征在于，所述特征分布优化模块，包括：卷积式字典对照响应学习单元，用于基于所述气压时序特征矩阵对于所述阀门开度时序特征矩阵进行卷积式字典对照响应学习以获得矩阵粒度的转移响应特征矩阵；以及融合与优化单元，用于将所述转移响应特征矩阵与所述分类特征矩阵进行融合以得到所述优化分类特征矩阵。8.根据权利要求7所述的智能型卧床护理防压疮臀部气垫设备，其特征在于，所述卷积式字典对照响应学习单元，进一步用于：基于所述气压时序特征矩阵对于所述阀门开度时序特征矩阵以如下优化公式进行卷积式字典对照响应学习以获得矩阵粒度的转移响应特征矩阵；其中，所述优化公式为：其中，m1和m2分别表示所述气压时序特征矩阵和所述阀门开度时序特征矩阵，||
·
||
f
表示矩阵的frobenius范数，表示按位置相减，表示矩阵乘法，表示矩阵加法，m
t
表
示所述转移响应特征矩阵。9.根据权利要求8所述的智能型卧床护理防压疮臀部气垫设备，其特征在于，所述控制结果生成模块，包括：展开单元，用于将所述优化分类特征矩阵按照行向量或者列向量展开为优化分类特征向量；概率化单元，用于将所述优化分类特征向量输入所述分类器的softmax分类函数以得到所述优化分类特征向量归属于各个分类标签的概率值；以及分类结果生成单元，用于将最大概率值对应的分类标签确定为所述分类结果。

技术总结
本申请涉及智能型护理设备领域，其具体地公开了一种智能型卧床护理防压疮臀部气垫设备，其采用基于深度学习的人工智能检测技术，以通过多尺度邻域提取模块来提取气囊的气压值和电磁阀的开度值中所蕴含的时序动态变化特征，并以转移矩阵的方式来揭示气囊充气的动态规律和机理，以优化电磁阀控制算法，进而实现更加精准和稳定的控制。通过这样的方式，使得气体流速控制能够适配于气囊内的压力均匀攀升，以实现均匀提高臀部的技术目的，从而避免对患者的睡眠产生干扰。免对患者的睡眠产生干扰。免对患者的睡眠产生干扰。


技术研发人员：彭亚文 柴伟
受保护的技术使用者：中国人民解放军总医院第一医学中心
技术研发日：2023.04.27
技术公布日：2023/7/25