基于机器学习的患者护理风险预警系统的制作方法

本发明涉及健康数据处理，具体涉及基于机器学习的患者护理风险预警系统。

背景技术：

1、随着个性化医疗的兴起，在护理过程中，及时识别高风险患者可以显著降低并发症和医疗成本。基于机器学习的患者护理风险预警系统是一种运用人工智能技术，旨在预测和识别患者护理过程中可能出现的风险因素的工具。该系统通过分析大量患者数据，帮助医护人员提前识别潜在风险，从而采取相应措施降低风险，最终提升患者安全和护理质量。

2、然而，现有的基于机器学习的患者护理风险预警系统主要依赖于实时获取患者的行为图像，以提取其行为特征并监测状态。然而，患者的行为模式复杂，且在图像中，患者可能会受到环境中医疗器械的遮挡，或与周围人员紧密接触。这使得传统的特征提取方法难以准确捕捉患者的行为特征，从而可能导致监测结果的误判。因此，急需一种更高效、可靠的患者护理风险预警系统。

技术实现思路

1、为了解决现有的基于机器学习的患者护理风险预警系统中的特征提取方法难以准确捕捉患者的行为特征，可能导致监测结果的误判的技术问题，本发明的目的在于提供基于机器学习的患者护理风险预警系统，通过采集护理环境区域中至少一个目标的图像数据并对图像数据进行分析确定图像数据中的每一超像素区域的区域活跃因子，以通过区域活跃因子确定目标活跃区域的潜在行为风险系数，进而利用潜在行为分风险系数确定目标活跃区域的自适应边缘保留尺度系数，从而利用自适应边缘保留尺度系数获取目标的行为特征数据确定出目标的行为风险值，以基于行为风险值进行目标的风险预警，实现有效的护理风险预警。

2、所采用的技术方案具体如下：提供基于机器学习的患者护理风险预警系统，所述基于机器学习的患者护理风险预警系统，包括：采集端，获取采集区域中至少一个目标的图像数据；第一处理端，获取所述图像数据中的至少一个超像素区域，并确定每一所述超像素区域的区域活跃因子；以及获取所述图像数据中的至少一个目标活跃区域，利用所述区域活跃因子确定每一所述目标活跃区域的潜在冲突系数，进而利用所述潜在冲突系数确定每一所述目标活跃区域的潜在行为风险系数；第二处理端，利用所述潜在行为分风险系数确定每一所述目标活跃区域的自适应边缘保留尺度系数，并利用所述自适应边缘保留尺度系数获取所述目标的行为特征数据，进而确定出所述目标的行为风险值，并以所述行为风险值进行所述目标的风险预警。

3、在本发明一实施例中，所述采集端，包括：数据采集模块，获取所述采集区域中至少一个所述目标的多个行为图像，以组成所述图像数据；数据预处理模块，对所述图像数据进行预处理，并将预处理之后的所述图像数据存储在本地数据库中，其中，所述预处理至少包括去噪处理、亮度调节处理、对比度调节处理。

4、在本发明一实施例中，所述第一处理端，包括：第一处理模块，获取所述图像数据中的至少一个超像素区域，并获取每一所述超像素区域的位移尺度系数和像素值集合，进而利用所述位移尺度系数和所述像素值集合，确定每一所述超像素区域的区域活跃因子；第二处理模块，获取所述图像数据中的至少一个目标活跃区域，并获取所述目标活跃区域的区域参数，利用所述区域活跃因子确定每一所述目标活跃区域的潜在冲突系数，以及利用所述区域参数确定每一所述目标活跃区域的区域完整系数；进而利用所述潜在冲突系数和所述区域完整系数确定每一所述目标活跃区域的潜在行为分风险系数。

5、在本发明一实施例中，所述获取所述图像数据中的至少一个目标活跃区域，包括：利用所述区域活跃因子和预设活跃阈值对所述超像素区域进行判断，并将所述区域活跃因子大于所述活跃阈值的所述超像素区域，作为所述目标活跃区域。

6、在本发明一实施例中，所述第一处理模块，包括：第一获取组件，获取所述图像数据中的至少一个超像素区域，并获取每一所述超像素区域的所述像素值集合，以及获取每一所述超像素区域在相邻图像数据中的所述位移尺度系数，还获取每一所述超像素区域的相邻时刻图像集合；第一计算组件，利用所述位移尺度系数、所述像素值集合和所述相邻时刻图像集合，确定每一所述超像素区域的区域活跃因子。

7、在本发明一实施例中，所述第一获取组件的操作如下：利用超像素区域分割方式对所述图像数据进行区域分割，获取多个具有相似像素特征的局部区域，并以所述局部区域作为所述超像素区域；利用所述超像素区域的质心坐标位置，获取同一所述超像素区域在相邻帧图像中的质心坐标之间的第一欧式距离，并以所述第一欧式距离作为所述位移尺度系数。

8、在本发明一实施例中，所述第二处理模块，包括：第二获取组件，获取所述图像数据中的至少一个目标活跃区域，并获取所述目标活跃区域的光流向量；第二计算组件，利用所述光流向量确定每一所述目标活跃区域的运动方向向量与水平方向向量的夹角，利用所述夹角和所述区域活跃因子，确定每一所述目标活跃区域的潜在冲突系数；第三获取组件，获取所述目标活跃区域的区域参数，其中，所述区域参数至少包括边缘曲线周长和区域轮廓面积；第三计算组件，利用所述边缘曲线周长和所述区域轮廓面积确定每一所述目标活跃区域的区域完整系数；第四计算组件，利用所述潜在冲突系数和所述区域完整系数，确定每一所述目标活跃区域的潜在行为分风险系数。

9、在本发明一实施例中，所述第四计算组件，还包括：第一子获取组件，获取不同的所述目标活跃区域的质心坐标之间的第二欧式距离；修正组件，利用所述潜在冲突系数和所述区域完整系数，确定每一所述目标活跃区域的修正冲突系数；第一子计算组件，利用所述修正冲突系数、所述第二欧式距离和所述区域活跃因子，确定每一所述目标活跃区域的所述潜在行为分风险系数。

10、在本发明一实施例中，所述第二处理端，包括：第四获取组件，获取所述目标活跃区域的初始边缘保留尺度系数；第五计算组件，利用所述初始边缘保留尺度系数和所述潜在行为风险系数，确定每一所述目标活跃区域的自适应边缘保留尺度系数；第六计算组件，利用所述自适应边缘保留尺度系数获取图像数据中所有的所述目标活跃区域的目标边缘曲线，利用所述目标边缘曲线获取所述目标的行为特征数据；评估组件，利用所述行为特征数据确定出所述目标在实时行为中的行为风险值，并以所述行为风险值进行所述目标的风险预警。

11、在本发明一实施例中，所述评估组件，还包括：神经网络训练子组件，利用所述行为特征数据进行训练，以优化所述目标在实时行为中的行为风险值；确定子组件，利用优化后的所述行为风险值进行所述目标的风险预警。

12、本发明的有益效果如下：本发明中基于机器学习的患者护理风险预警系统，包括：采集端，获取采集区域中至少一个目标的图像数据；第一处理端，获取图像数据中的至少一个超像素区域，并确定每一超像素区域的区域活跃因子；以及获取图像数据中的至少一个目标活跃区域，利用区域活跃因子确定每一目标活跃区域的潜在冲突系数，进而利用潜在冲突系数确定每一目标活跃区域的潜在行为风险系数；第二处理端，利用潜在行为分风险系数确定每一目标活跃区域的自适应边缘保留尺度系数，并利用自适应边缘保留尺度系数获取目标的行为特征数据，进而确定出目标的行为风险值，并以行为风险值进行目标的风险预警；即本技术通过采集端采集护理环境区域中至少一个目标的图像数据，通过第一处理端对图像数据进行分析确定图像数据中的每一超像素区域的区域活跃因子，以通过区域活跃因子确定目标活跃区域的潜在行为风险系数，进而第二处理端利用潜在行为分风险系数确定目标活跃区域的自适应边缘保留尺度系数，从而利用自适应边缘保留尺度系数获取目标的行为特征数据确定出目标的行为风险值。即发明以基于行为风险值进行目标的风险预警，实现有效的护理风险预警。