本申请涉及病情监测管理技术领域,其具体地公开了一种用于重症患者的病情监测管理系统及方法,其采用基于深度学习的图像分析和特征提取技术来进行各个患者面部图像的面部语义提取,接着对各个患者面部语义特征进行多重结构的特征动态聚合,同时从提取首帧患者面部语义特征和尾帧患者面部语义特征,并基于首帧患者面部语义特征、尾帧患者面部语义特征和患者面部语义动态聚合特征之间的多维表征来智能地判断是否停止计算,并得到目标类型图像数量值和面部目标图像周期时长比。这样,能够更好地理解表情变化的时间连续性,确保不会错过任何重要的表情转变点。同时可以捕捉到更加细微的表情变化,从而提高表情识别的准确性。
背景技术
重症患者因器官功能障碍、严重创伤或疾病,需在重症监护病房(ICU)接受密切监测和强化治疗。这些患者的生命体征不稳定,需要连续、动态的监测以评估其病理生理状态和病情严重性。有效的监测不仅能够帮助医生进行早期预警、准确评估病情严重程度和治疗效果,还能及时调整治疗方案,提高救治成功率。
公开号为CN118737361B的发明公开了一种基于数据分析的重症科室病患监控管理系统,其通过收集并分析患者在不同治疗周期内的面部图像以计算出目标类型图像数量值,并得到面部目标图像周期时长比,同时分析症状、生理指标和医疗资源使用情况等数据,以计算周期病情参考指数和病情变化协方差,并基于这些数据分析,来实时监测患者的病情趋势,并发出预警。
上述专利中目标类型图像数量值是通过对一段视频流中的每一帧图像进行单独面部表情识别后,并统计表现出特定表情(比如痛苦)的图像数量得到的。然而,单独处理每一帧图像可能忽略表情变化的时间连续性和图像之间的语义关联,导致对患者情绪状态的判断不够准确。例如,短暂但重要的表情变化(如从微笑迅速转变为哭泣)可能在单帧检测时被忽略,影响整体情绪状态评估的准确性。此外,这种方法主要关注静态表情特征,对于动态表情变化的捕捉不够敏感,而这些患者的情绪动态变化往往能够提供更丰富的信息,反映患者表情和情绪的真实波动。
因此,期望一种优化的用于重症患者的病情监测管理方案。
实现思路