基于强化学习技术的高血压患者管理平台制造技术

本发明专利技术公开了一种基于强化学习技术的高血压患者管理平台，具体高血压患者信息管理技术领域，用于解决传统的监测和分析方法考虑因素较为单一，无法结合强化学习技术获取患者当前的状态空间，无法根据当前的状态空间和之前的学习经验选择运动空间中的行动，对患者的监测数据实现有效的监督和分析的问题，包括处理器以及与处理器通讯连接的数据采集模块、数据分析模块、联合评估模块以及数据存储模块；是通过对患者的体外检查数据、血液生化检查数据以及二便生化检查数据进行监测和分析，得到当前的状态空间，结合强化学习算法根据得到的奖励信号和当前的学习经验，更新策略，优化行动选择的决策过程。选择的决策过程。选择的决策过程。

【技术实现步骤摘要】
基于强化学习技术的高血压患者管理平台


[0001]本专利技术涉及数据离线存储
，更具体地说，本专利技术涉及一种基于强化学习技术的高血压患者管理平台。

技术介绍

[0002]高血压是一种常见的心血管疾病，会导致心脏病、脑卒中等严重后果，对患者的健康和生活质量造成很大影响。目前，高血压患者的管理主要依赖于医生的定期随访和药物治疗，但由于患者的生活习惯、药物不良反应等因素的影响，患者的血压控制难以得到有效的保证，需要更加个性化和全面的管理。强化学习是一种基于智能体与环境交互的机器学习方法，它通过不断地试错和学习，最终找到能够最大化长期奖励的行动策略。与传统的监督学习和无监督学习不同，强化学习需要智能体通过与环境的交互来获得奖励信号，从而调整行动策略。因此，强化学习适用于那些需要不断试错和调整的场景。
[0003]医疗健康管理系统能够帮助医疗机构、医生、患者和其他医疗服务提供者管理以及协调医疗保健服务，能够收集、存储和管理患者的健康信息，同时提供医学决策支持、质量控制和数据分析等功能。由于患者的体外检查数据、血液生化检查数据以及二便生化检查数据在长期的高血压治疗过程中在不断变化，体外检查数据、血液生化检查数据以及二便生化检查数据的有效监测和分析就显得非常重要，但是高血压患者的体外检查数据、血液生化检查数据以及二便生化检查数据涉及的因素较多，传统的监测和分析方法考虑因素较为单一，无法结合强化学习技术获取患者当前的状态空间，无法根据当前的状态空间和之前的学习经验选择运动空间中的行动，对患者的监测数据实现有效的监督和分析，也无法将医生对患者进行治疗和干预后的监测数据进行监督和分析，获取奖励信号，并更新状态空间，无法根据得到的奖励信号和当前的学习经验更新策略，优化行动选择的决策过程。
[0004]为了解决上述问题，需要提供一种新的存储方法来解决这个问题。

技术实现思路

[0005]为了克服现有技术的上述缺陷，本专利技术的实施例提供一种基于强化学习技术的高血压患者管理平台，是通过建立环境模型、定义状态空间和行动空间，利用智能体与环境之间的交互来寻找最优的行动参数，通过对患者的体外检查数据、血液生化检查数据以及二便生化检查数据进行监测和分析，得到当前的状态空间，然后根据当前的状态空间和之前的学习经验，选择一个行动空间中的行动，作为当前的行动参数，在医生进行干预和治疗后，对患者的体外检查数据、血液生化检查数据以及二便生化检查数据进行监测，根据监测数据的分级评估得到奖励信号，并更新状态空间，根据得到的奖励信号和当前的学习经验，更新策略，优化行动选择的决策过程，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于强化学习技术的高血压患者管理平台，包括处理器以及与处理器通讯连接的数据采集模块、数据分析模块、联合评估模块以及数据存储模块；
[0008]数据分析模块接收到数据采集模块发送的信息后，通过处理器调用数据存储模块内部存储的数据对综合评估指标进行分析处理，得到不同的评估等级，并将评估等级发送至联合评估模块；
[0009]数据分析模块对监测数据进行分析和处理，生成综合评估指标的评估机制为分别利用外检查数据、血液生化检查数据以及二便生化检查数据获取外检查评估指标、血液生化评估指标以及二便生化评估指标，并将外检查评估指标、血液生化评估指标以及二便生化评估指标进行加权求和，获取综合评估指标，综合评估指标的公式为：
[0010]Q
hz
＝αQ
w
+βQ
x
+γQ
e
；
[0011]式中：Q
hz
为综合评估指标，Q
w
为外检查评估指标，Q
x
为血液生化评估指标，Q
e
为二便生化评估指标，α、β以及γ分别为外检查评估指标、血液生化评估指标以及二便生化评估指标的权重，由医护人员根据患者的健康数据侧重点根据经验进行人为设定。
[0012]作为本专利技术进一步的方案，数据分析模块在获取综合评估指标后，利用综合评估指标的数值创建样本数据集，并获取样本数据集中的均值和方差，利用均值和方差实现数据的标准化，标准化公式为其中z为标准参量，σ为样本数据集的方差，μ为样本数据集的均值，x为样本数据集的数据值，完成标准化后，将标准参量利用函数将数值区间调整至[0，1]之间，并利用f(z)的函数值对健康指标进行分类，分类的机制为：
[0013]当时，综合评估指标的分类为一级；
[0014]当时，综合评估指标的分类为二级。
[0015]在进行患者外检查数据评估时，外检查评估指标存在以下的数值变化规则：
[0016]情况一：患者心率和标准心率差值的绝对值、呼吸频率和标准呼吸频率差值的绝对值、体温和标准体温差值的绝对值、骨密度、肌肉力量等级以及患者肺活量在设定阈值范围内的情况下，在患者血压和标准血压差值的绝对值较大时，患者血压波动幅度较大，外检查评估指标的数值较小，在患者的血压和标准血压差值的绝对值较小时，患者血压波动幅度较小，外检查评估指标的数值较大；
[0017]情况二：患者血压和标准血压差值的绝对值、呼吸频率和标准呼吸频率差值的绝对值、体温和标准体温差值的绝对值、骨密度、肌肉力量等级以及患者肺活量在设定阈值范围内的情况下，在患者心率和标准心率差值的绝对值较大时，患者心率波动幅度较大，外检查评估指标的数值较小，在患者心率和标准心率差值的绝对值较小时，患者心率波动幅度较大，外检查评估指标的数值较大；
[0018]情况三：患者血压和标准血压差值的绝对值、患者心率和标准心率差值的绝对值、体温和标准体温差值的绝对值、骨密度、肌肉力量等级以及患者肺活量在设定阈值范围内的情况下，在患者呼吸频率和标准呼吸频率差值的绝对值较大时，患者呼吸不规律，外检查评估指标的数值较小，在患者呼吸频率和标准呼吸频率差值的绝对值较小时，患者呼吸平稳，外检查评估指标的数值较大；
[0019]情况四：患者血压和标准血压差值的绝对值、患者心率和标准心率差值的绝对值、
呼吸频率和标准呼吸频率差值的绝对值、体温和标准体温差值的绝对值、骨密度、肌肉力量等级以及患者肺活量在设定阈值范围内的情况下，在患者BMI数值较大时，患者BMI数据超标，外检查评估指标较小，在患者BMI数值较小时，患者BMI数据合格或者低于正常水平，外检查评估指标较大；
[0020]情况五：患者血压和标准血压差值的绝对值、患者心率和标准心率差值的绝对值、呼吸频率和标准呼吸频率差值的绝对值、体温和标准体温差值的绝对值、患者BMI数值、骨密度以及肌肉力量等级在设定阈值范围内的情况下，在患者肺活量较大时，患者肺部吞吐气体的容量较大，外检查评估指标的数值较大，在患者肺活量较小时，患者肺部吞吐气体的容量较小，外检查评估指标的数值较小；
[0021]情况六：患者血压和标准血压差值的绝对值、患者心率和标准心率差值的绝对值、呼吸频率和标准呼吸频率差值的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于强化学习技术的高血压患者管理平台，其特征在于，包括处理器以及与处理器通讯连接的数据采集模块、数据分析模块、联合评估模块以及数据存储模块；数据分析模块接收到数据采集模块发送的信息后，通过处理器调用数据存储模块内部存储的数据对综合评估指标进行分析处理，得到不同的评估等级，并将评估等级发送至联合评估模块；数据分析模块对监测数据进行分析和处理，生成综合评估指标的评估机制为分别利用外检查数据、血液生化检查数据以及二便生化检查数据获取外检查评估指标、血液生化评估指标以及二便生化评估指标，并将外检查评估指标、血液生化评估指标以及二便生化评估指标进行加权求和，获取综合评估指标，综合评估指标的公式为：Q
hz
＝αQ
w
+βQ
x
+γQ
e
；式中：Q
hz
为综合评估指标，Q
w
为外检查评估指标，Q
x
为血液生化评估指标，Q
e
为二便生化评估指标，α、β以及γ分别为外检查评估指标、血液生化评估指标以及二便生化评估指标的权重，由医护人员根据患者的健康数据侧重点根据经验进行人为设定。2.根据权利要求1所述的一种基于强化学习技术的高血压患者管理平台，其特征在于：数据分析模块在获取综合评估指标后，利用综合评估指标的数值创建样本数据集，并获取样本数据集中的均值和方差，利用均值和方差实现数据的标准化，标准化公式为其中z为标准参量，σ为样本数据集的方差，μ为样本数据集的均值，x为样本数据集的数据值，完成标准化后，将标准参量利用函数将数值区间调整至[0,1]之间，并利用f(z)的函数值对健康指标进行分类，分类的机制为：当时，综合评估指标的分类为一级；当时，综合评估指标的分类为二级。3.根据权利要求1所述的一种基于强化学习技术的高血压患者管理平台，其特征在于：综合评估指标的公式中，外检查评估指标Q
w
与患者的血压和标准血压差值的绝对值负相关，与患者心率和标准心率差值的绝对值负相关，与患者体温和标准体温差值的绝对值负相关，与患者呼吸频率和标准呼吸频率差值的绝对值负相关，与患者BMI数值负相关，与患者肺活量正相关，与患者骨密度正相关，与肌肉力量正相关，外检查评估指标的公式为：式中：|ΔH|为患者的血压和标准血压差值的绝对值，|ΔR
h
|为患者心率和标准心率差值的绝对值，|ΔR
b
|为户呼吸频率和标准呼吸频率差值的绝对值，|ΔT|为患者体温和标准体温差值的绝对值，k
g
为患者骨密度，k
m
为肌肉力量等级，k
f
为患者肺活量。4.根据权利要求1所述的一种基于强化学习技术的高血压患者管理平台，其特征在于：综合评估指标的公式中，血液生化评估指标与空腹血糖和标准血糖差值的绝对值、血脂水平、谷丙转氨酶和标准谷丙转氨酶的差值、总胆红素、肌酐以及血尿酸负相关，血液生化评估指标的公式为：
式中：|Δk
xt
|为空腹血糖和标准血糖差值的绝对值，k
xz
为血脂水平，|Δk
gb
|为谷丙转氨酶和标准谷丙转氨酶的差值，k
zd
为总胆红素水平，k
jg
为肌酐，k
x
为血尿酸。5.根据权利要求2所述的一种基于强化学习技术的高血压患者管理平台，其特征在于：综合评估指标的公式中，二便生化评估指标与尿蛋白、尿糖、尿潜血、大便白细胞、肪酸酶、胆汁酸以及尿酸负相关，与大便PH、脂正相关，二便生化指标的公...

【专利技术属性】
技术研发人员：刘荣梅，赵秋平，杨肖沫，白羽茜，于铭洋，
申请(专利权)人：阜外华中心血管病医院，
类型：发明
国别省市：