护理数据自动化采集分析方法及系统

本发明涉及数据采集分析领域，尤其涉及一种护理数据自动化采集分析方法及系统。

背景技术：

1、随着医疗信息化的发展，护理工作中产生了大量数据，包括护士的工作日志、患者的生理指标等。这些数据的管理和分析在护理工作中起着至关重要的作用。然而，现有的护理数据管理方法主要依赖人工操作，数据存储存在冗余，分析效率低，无法充分发挥数据的价值，且占用了大量的存储资源，影响了系统的整体性能。在护理数据的采集后，如何高效地进行数据存储是一大难题。传统的数据存储方式将所有数据直接保存，导致存储空间浪费严重。此外，护理数据中蕴含了大量的患者健康信息，如何利用这些数据进行有效的挖掘，发现潜在的健康风险和趋势，是现有技术中的另一个难题。现有的护理数据挖掘模型在处理复杂护理数据时，模型易陷入局部最优解，影响了挖掘结果的准确性。同时，护理工作中的排班管理也面临挑战，现有的排班方式缺乏灵活性，无法根据患者的实时护理需求进行动态调整。

2、因此，开发一种能够自动采集、预处理、存储并分析护理数据的系统，以便为护理决策提供实时、智能化的支持，对于提高护理服务的效率和质量具有重要意义。

技术实现思路

1、为了解决上述技术问题，提出了本技术。

2、本技术提供了一种护理数据自动化采集分析方法，其特征在于，包括以下步骤：

3、步骤s1：自动采集护理数据，包括护士数据和患者数据，护士数据通过护理人员的工作日志获取，包括护理人员的身份及级别、工作时长、班次标记及请假数据；患者数据通过护理设备中配备的多种传感器自动记录及护理人员的填写获取，自动记录的患者数据包括患者的体温、血压、心率、血氧饱和度和疾病对应一类数据，填写的患者数据包括血糖测量值，血脂测量值和疾病对应二类数据；获取的患者数据为第一患者数据；

4、步骤s2：对获取的第一患者数据进行数据预处理，预处理后的第一患者数据作为第二患者数据；对第二患者数据的每项数据计算变化率，将第二患者数据按照数据类型划分为周期型数值数据、非周期型数值数据和非结构化数据，非结构化数据使用评估类别标签进行标记，对于非周期型数值数据计算相邻数据的差值百分比作为变化率，对于周期型数值数据计算相邻周期的均方根误差，均方根误差与周期数据均值的差值百分比作为变化率，对于非结构化数据通过相邻数据的类别标签变化获取变化率，将变化率与第二患者数据进行重组得到第三患者数据，根据第三患者数据进行患者数据的实时评估，得到患者数据的实时评估结果；获取患者的基础病理信息，对第三患者数据进行存储检测，存储检测包括第一存储检测和第二存储检测，分别进行数据点和数据段的数据变化检测；将通过存储检测的第三患者数据进行压缩存储，存储的数据作为第四患者数据，将第三患者数据中未完整存储至第四患者数据中的数据称为隐数据；

5、步骤s3：将历史采集的第四患者数据整理为护理数据挖掘数据集，对护理数据挖掘数据集进行数据变化趋势分析，将趋势分析结果添加至护理数据挖掘数据集中的隐数据，趋势分析结果作为隐数据的数据特征，使用护理数据挖掘数据集训练初始护理数据挖掘模型；

6、步骤s4：对初始护理数据挖掘模型进行类别属性关联优化，获取初始护理数据挖掘模型每个分类类别与数据集的最优配对参数，使用基于分解的多目标量子行为粒子群优化算法对初始护理数据挖掘模型进行超参数的优化，算法在搜索过程中采用两阶段的多样性调节机制，避免模型参数陷入局部最优解，得到护理数据挖掘数据模型；

7、步骤s5：将实时获取的患者数据送入护理数据挖掘数据模型中进行计算，得到护理数据分析结果，根据护理数据分析结果进行患者状态的评估及疾病预测；

8、步骤s6：根据患者状态的评估及疾病预测结果获取患者的预估护理时长，根据所有患者的总预估护理时长和护士数据进行动态排班。

9、作为本发明的一种优选技术方案，存储检测包括：

10、通过第三患者数据获取患者的各项数据中变化率小于15%的数据的平均值，作为患者的基本状态数据，通过患者的基本状态数据获取各项数据的变化率检测阈值，根据患者的基础病理信息获取对应项数据的阈值调整权重，并对变化率检测阈值进行加权计算得到患者的个性化检测阈值；

11、第一存储检测，将第三患者数据中数据的变化率与个性化检测阈值进行比较，将超出个性化检测阈值的数据进行第一标记；

12、第二存储检测，使用一个大小为n的窗口对第三患者数据中的每项数据进行滑动框选，对窗口中数据的变化率进行累加，当窗口内数据的总变化率超出n/k*个性化检测阈值时，其中k为存储变化率期望调控值，对窗口的第一个数据和最后一个数据进行第二标记；

13、对第一标记和第二标记的数据进行压缩存储。

14、作为本发明的一种优选技术方案，压缩存储包括：

15、将第三患者数据以表格形式存储，表格的每一列表示第三患者数据的每一项数据，对于第三患者数据的每一项数据，对第一个时刻的数据进行存储，对第一标记和第二标记的数据进行存储，中间未进行存储的数据视为隐数据，隐数据通过在存储的数据后添加数量编码表示，其内容与对应的存储数据一致，将所有项数据合并为表格，将表格转换为编码格式存储。

16、作为本发明的一种优选技术方案，初始护理数据挖掘模型包括：

17、初始护理数据挖掘模型以长短时神经网络为基础构建，模型包含一个用于输入数据的输入层、l层用于处理数据联系的隐藏层和1个用于输出分类结果的输出层，其中模型的隐藏层数量根据患者数据的数据项数决定，隐藏层的具体数目为所有数据项数随机3个元素的组合数、特定类别的分类隐藏层数目和1个最终分类结果隐藏层；完成初始模型结构的构建后进行模型的训练。

18、作为本发明的一种优选技术方案，初始护理数据挖掘模型的训练包括：

19、通过对存储第四患者数据进行解码还原获取护理数据挖掘数据集，根据数据集中相邻的标记数据获取数据的变化趋势，将变化趋势与隐数据进行重组，为每个患者对应的数据添加分析标签，将护理数据挖掘数据集分割为训练集，验证集和测试集；

20、对初始护理数据挖掘模型进行类别属性关联优化，将护理数据挖掘数据集送入至一个预训练的分类模型中进行计算，获取数据集的分类结果，提取模型隐藏层中分类结果对应的各项数据权重，将同一分析标签对应的样本进行数据权重统计，获取权重统计前三的对应数据项，作为分类类别与数据集的最优配对参数；若权重统计结果前3个数据差异过大，则将对应分析标签作为特定类别；根据最优配对参数和特定类别为初始护理数据挖掘模型的隐藏层分配分析参数；

21、将护理数据挖掘训练集和验证集送入初始护理数据挖掘模型中进行训练，以分析标签为目标，训练得到优化护理数据挖掘模型；

22、将护理数据挖掘测试集送入优化护理数据挖掘模型中进行准确率评估，若评估结果超出设定阈值，则使用基于分解的多目标量子行为粒子群优化算法对初始护理数据挖掘模型进行超参数的优化，直到评估结果在设定范围内，得到最终的护理数据挖掘模型。

23、作为本发明的一种优选技术方案，超参数的优化包括：

24、构造一组均匀分布的权重向量，使用fbi法将目标优化问题分解成一系列单目标子问题；随机生成粒子的初始位置向量，获取粒子的初始个体最好位置，计算种群的平均最好位置，根据不同粒子的历史个体最好位置之间的帕累托支配关系计算全局最优位置；

25、定义一个集合gs，大小记为n(gs)，采用快速非支配排序法对集合gs中的元素与所有的当前个体最好位置向量进行排序，非支配排名越靠前则说明该向量的质量越好，将排名最靠前的个体最好位置向量被选择并被存储进集合gs，集合gs中的所有向量均被视为候选全局最优解，并被随机地应用于下一次迭代以引导种群中各粒子在目标空间内的搜索，获取全局最优位置。

26、作为本发明的一种优选技术方案，动态排班包括：

27、获取患者的护理数据分析结果后，通过患者的个人信息在个性化状态评估策略库中匹配患者状态和疾病预测结果，根据匹配的患者状态和疾病预测结果计算患者的预估护理时长，计算所有患者的总预估护理时长；

28、获取护士数据，根据每个护理人员的月工作时长、周工作时长、班次标记和级别进行动态排班。

29、作为本发明的一种优选技术方案，非结构化数据包括：图片类数据，文字类数据，声音数据，非结构化数据的评估类别标签以大类和等级进行划分，其变化率通过大类和等级的差异进行标量计算。

30、一种护理数据自动化采集分析系统，包括如下模块：

31、数据采集模块，用于自动采集护理数据，包括护士数据和患者数据，护士数据通过护理人员的工作日志获取，包括护理人员的身份及级别、工作时长、班次标记及请假数据；患者数据通过护理设备中配备的多种传感器自动记录及护理人员的填写获取，自动记录的患者数据包括患者的体温、血压、心率、血氧饱和度和疾病对应一类数据，填写的患者数据包括血糖测量值，血脂测量值和疾病对应二类数据；获取的患者数据为第一患者数据；

32、数据存储模块，包括数据预处理单元、变化率计算单元、实时评估单元和存储检测单元，数据预处理单元用于对获取的第一患者数据进行数据预处理，预处理后的第一患者数据作为第二患者数据；变化率计算单元用于对第二患者数据的每项数据计算变化率，将第二患者数据按照数据类型划分为周期型数值数据、非周期型数值数据和非结构化数据，非结构化数据使用评估类别标签进行标记，对于非周期型数值数据计算相邻数据的差值百分比作为变化率，对于周期型数值数据计算相邻周期的均方根误差，均方根误差与周期数据均值的差值百分比作为变化率，对于非结构化数据通过相邻数据的类别标签变化获取变化率，将变化率与第二患者数据进行重组得到第三患者数据，实时评估单元用于根据第三患者数据进行患者数据的实时评估，得到患者数据的实时评估结果；获取患者的基础病理信息，存储检测单元用于对第三患者数据进行存储检测，存储检测包括第一存储检测和第二存储检测，分别进行数据点和数据段的数据变化检测；将通过存储检测的第三患者数据进行压缩存储，存储的数据作为第四患者数据，将第三患者数据中未完整存储至第四患者数据中的数据称为隐数据；

33、患者数据挖掘模块，用于将历史采集的第四患者数据整理为护理数据挖掘数据集，对护理数据挖掘数据集进行数据变化趋势分析，将趋势分析结果添加至护理数据挖掘数据集中的隐数据，趋势分析结果作为隐数据的数据特征，使用护理数据挖掘数据集训练初始护理数据挖掘模型；

34、挖掘优化模块，用于对初始护理数据挖掘模型进行类别属性关联优化，获取初始护理数据挖掘模型每个分类类别与数据集的最优配对参数，使用基于分解的多目标量子行为粒子群优化算法对初始护理数据挖掘模型进行超参数的优化，算法在搜索过程中采用两阶段的多样性调节机制，避免模型参数陷入局部最优解，得到护理数据挖掘数据模型；

35、评估及预测模块，用于将实时获取的患者数据送入护理数据挖掘数据模型中进行计算，得到护理数据分析结果，根据护理数据分析结果进行患者状态的评估及疾病预测；

36、动态排班模块，用于根据患者状态的评估及疾病预测结果获取患者的预估护理时长，根据所有患者的总预估护理时长和护士数据进行动态排班。

37、本发明具有以下优点：

38、本发明通过对护理数据的压缩存储技术，有效减少了冗余数据的存储，特别是针对变化较小的数据进行隐数据处理，显著节省了存储空间，降低了存储成本，同时提高了数据存储效率；利用智能数据挖掘算法，实时分析患者护理数据，提取关键的健康指标和变化趋势，为护理人员提供准确的患者状态评估和疾病预测支持，提高了数据利用率和决策的及时性。

39、本发明通过基于多目标量子行为粒子群优化算法，对数据挖掘模型的超参数进行优化，有效提高了模型的精度和稳定性，避免模型陷入局部最优，确保挖掘结果的可靠性，增强了护理数据的深度分析能力。

40、本发明通过对护理数据分析结果进行智能计算，动态调整护士排班，优化护理资源的分配，能够根据患者的实时需求和护士的工作状态进行灵活调度，提升了护理工作的效率和服务质量。