一种基于可穿戴设备的心脏骤停分级响应预警方法和系统

1.本发明涉及医疗检测特定计算模型领域，更具体地，涉及一种基于可穿戴设备的心脏骤停分级响应预警方法和系统。


背景技术：

2.在急救医疗场景中，救护车往往因为120急救调度中心、道路情况、患者情况反馈等信息的延时而耗费时间在急救出车的路上，而对于因心脏问题而突发昏迷的病人，时间就是生命，因为心脏骤停的严重后果以秒计算，患者心脏骤停10-20秒意识障碍，突然倒地，15秒抽搐，30秒呼吸停止，1-2分钟瞳孔固定，4分钟糖无氧代谢停止，5分钟脑内atp枯竭，能量代谢完全停止，6分钟神经元不可逆损伤，所以现场需要对病患进行及时的应急救治措施以及体征信息检测，这些操作首先对急救反应有着较高的要求，其次近年来对疾病的预测，早发现，早反应的需求也越来越明显。
3.心脏骤停是指在没有任何预兆的情况下，心脏收缩功能突然停止，从而造成心、脑、肾等器官的缺血、缺氧，最终导致生命终止。
4.心脏骤停发病可以分为四个时期：前驱期、发病期、心脏停搏期和死亡期。
5.前驱期是指许多病人在发生心脏骤停前有数天或数周，甚至数月的前驱症状，如心绞痛、气急或心悸的加重，易于疲劳及其他非特异性的主诉。这些前驱症状并非心源性猝死所特有，而常见于任何心脏病发作之前。有资料显示50%的心源性猝死者在猝死前一月内曾求诊过，但其主诉常不一定与心脏有关。在医院外发生心脏骤停的存活者中，28%在心脏骤停前有心绞痛或气急的加重。但前驱症状仅提示有发生心血管病的危险，而不能识别那些发生心源性猝死的亚群。所以通过前驱期预防心脏骤停的实际工作量大，却效果甚微。
6.发病期亦即导致心脏骤停前的急性心血管改变时期，通常不超过1小时。典型表现包括：长时间的心绞痛或急性心肌梗死的胸痛，急性呼吸困难，突然心悸，持续心动过速，头晕目眩等。若心脏骤停瞬间发生，事前无预兆警告，则95%为心源性，并有冠状动脉病变。从心脏猝死者所获得的连续心电图记录中可见在猝死前数小时或数分钟内常有心电活动的改变，其中以心率增快和室性早搏的恶化升级为最常见。猝死于心室颤动者，常先有一阵持续的或非持续的室性心动过速。这些以心律失常发病的患者，在发病前大多清醒并在日常活动中，发病期（自发病到心脏骤停）短。心电图异常大多为心室颤动。另有部分病人以循环衰竭发病，在心脏骤停前已处于不活动状态，甚至已昏迷，其发病期长。
7.意识完全丧失为心脏停搏期的特征，如不立即抢救，一般在数分钟内进入死亡期。罕有自发逆转者。及早的普及实时检测易于发展成心脏骤停的患者、老人等人群特定身体指标并反馈，当指标异于常值时发出提醒，严重偏离常值时发出警报，具有十分重要的实际意义。


技术实现要素：

8.本发明旨在克服上述现有技术的至少一种缺陷，提供一种基于可穿戴设备的心脏
骤停分级响应预警方法和系统，用于解决为病患第一时间提供合理有效的救治预测，显著提高救治效率，减轻医疗服务压力的问题。针对上述问题，本发明提出了一种基于可穿戴设备的心脏骤停患者的分级响应预警方法与系统，通过医疗检测设备对特定人群进行身体指标检测分析，实时反馈检测数据，当其异于常值时主动提醒并分级响应预警，为病患第一时间提供合理有效的救治预测，显著提高救治效率，减轻医疗服务压力。
9.本发明采取的技术方案包括：一种基于可穿戴设备的心脏骤停分级响应预警方法，包括：s1、数据获取步骤：可穿戴智能医疗设备检测并实时获取被检测人员与心脏相关的身体健康指标数据以及被检测人的位置信息，形成训练数据库。
10.所述数据获取步骤包括：s11、招募临床上确定为四种不同程度的心脏骤停患者若干，由急诊科医生依据心脏骤停患者的患病程度对患者发病记录的数据进行心脏危险评级：ⅰ，ⅱ，ⅲ，ⅳ；确保每种等级的患者数量大致相同，将人工评级作为心脏危险等级的样本标签。
11.s12、利用可穿戴智能医疗设备进行多模态生理客观指标数据的连续采集；可穿戴智能医疗设备实时检测并获取被检测人员的身体健康指标，包括被检测人员的脉搏、血压、血氧、呼吸、心率、心电、体温、步频；通过结合步骤s11中的样本标签形成训练数据库，经预处理作为构建的多模态集成核嵌入网络的输入。
12.s2、数据处理步骤：首先对脉搏、血压、血氧、呼吸、心率、心电、体温、步频身体生理信号使用不同类型滤波器消除噪声并进行归一化得到各模态数据归一化矩阵，构建多模态集成核嵌入网络，对每一种模态的数据进行深度嵌入表示，使用对应带宽的高斯核，对每一种模态构建核矩阵，得到每一种模态的原始核矩阵，通过集成nystr
ö
m方法对得到的原始数据的核矩阵进行低秩近似以及通过矩阵分解形成集成密集嵌入来解决核方法带来的稀疏性和高维性问题，最终得到多模态集成核嵌入加权矩阵。
13.首先，对身体生理信号使用不同类型滤波器消除噪声并进行归一化处理得到各模态数据归一化矩阵；构建多模态集成核嵌入网络，对每一种模态的数据进行深度嵌入表示，最终得到多模态集成核嵌入加权矩阵。
14.s21、对可穿戴智能医疗设备采集的各身体健康指标进行预处理，然后进行归一化为矩阵作为特征提取模型的输入。
15.将预处理和归一化后的脉搏、血压、血氧、体温、呼吸、心率、心电、步频数据xm，m=1、2、
…
、8；分别求出其均值μm和标准差σm，利用z-score标准化：；对各指标数据进行处理得到各模态数据归一化矩阵。
16.s22、构建多模态集成核嵌入网络，对每一种模态的数据进行深度嵌入表示，使用不同带宽σ的高斯核，对每一种模态构建核矩阵。
17.s23、通过集成nystr
ö
m方法对s22得到的每一种模态数据的原始核矩阵进行低秩近似，减少数据量过大导致的核矩阵后期计算复杂度，得到每一种模态数据集成核嵌入加权矩阵。
18.s24、通过矩阵分解形成集成密集嵌入解决核方法带来的稀疏性和高维性问题。
19.s3、分析评级步骤：将生成的多模态集成核嵌入加权矩阵输入到构建的convlstm分析评级模型中对分析评级模型进行训练，不断迭代，将除训练样本余下的患者作为测试集，对生成的模型进行测试，保存最优模型；智能健康数据平台通过部署的最优模型接收可穿戴智能医疗设备获取的待检测人员与身体健康多模态指标数据并输出心脏危险等级。
20.将处理得到的多模态集成核嵌入加权矩阵输入到构建的convlstm分析评级模型中的convlstm网络进行特征提取得到多模态指标的深层时空特征对心脏骤停进行分析评级，输出心脏危险等级。
21.所述convlstm网络的基本结构包括：输入门input gate、遗忘门forget gate、输出门output gate、记忆单元；所述输入门input gate：；所述遗忘门forget gate：；所述输出门output gate：；所述记忆单元状态更新：；输出：；在每个lstm单元中，χ
t
为lstm特征提取网络在t时刻输入的由数据处理步骤得到的脉搏、血压、血氧、体温、呼吸、心率、心电、步频多模态集成核嵌入加权矩阵；σ为sigmoid激活函数；w
xi
，w
hi
，w
ci
和bi分别表示输入门的权重矩阵和偏差；w
xf
，w
hf
，w
cf
和bf分别表示遗忘门的权重矩阵和偏差；w
xo
，w
ho
，w
co
和bo分别表示输出门的权重矩阵和偏差；h
t-1
为t-1时刻的隐藏状态；i
t
，f
t
，o
t
分别为t时刻的输入门、遗忘门和输出门；c
t
是t时刻的cell状态；w
xc
，w
hc
，w
oc
和bc分别表示记忆单元的权重矩阵和偏差。通过一层dropout层和全连接层输出各指标的特征矩阵。
22.将生成的多模态集成核嵌入加权矩阵输入到构建的convlstm分析评级模型中进行训练，不断迭代，保存最优模型。智能健康数据平台通过部署的最优模型接受可穿戴智能医疗设备获取的待检测人员与身体健康多模态指标数据输出心脏危险等级。改进的convlstm在每个单元中进行运算的时候采用了卷积操作
‘
*’，在最终的输出采用哈达玛积（hadamard product）
‘◌’
的矩阵运算。由于输入的多模态身体指标数据在时空结构上具有关联性，对比于传统的lstm，convlstm网络对心脏骤停发生前后连续时间段的数据进行高维时空特征提取，进一步提高了心脏骤停等级分类的准确性。
23.s4、响应示警步骤：根据确定的四种心脏危险等级做出不同的应急响应处理。进一步地，将心脏骤停的分级预警通过危险等级划分为四个等级，按其严重程度可以分为提示，警告，示警和求救。
24.s41、当输出为i响应时，可穿戴智能医疗设备发出提示响应，患者根据语音提示，调整当前的情况；
s42、当输出为ii响应时，可穿戴智能医疗设备发出警告响应，确认被检测人员是否意识清晰以及是否拨打120急救电话；并通过通话咨询被检测人员是否联系第一紧急联系人；s43、当输出为iii响应时，可穿戴智能医疗设备发出示警响应，并且通过语音确认被检测人员意识清晰，清晰状态下由被检测人员确定拨打120急救电话；当被检测人员意识不清晰下，由可穿戴智能医疗设备自动拨打120急救电话并提供被检测人员的个人信息、位置信息、病史信息；同时系统通过通话模块联系第一紧急联系人和第二紧急联系人；s44、当输出为iv响应时，可穿戴智能医疗设备发出求救响应，此时通过语音立即发出求救信息提醒周围人员患者的情况，求助于患者周围人员做心肺复苏，由可穿戴智能医疗设备自动拨打120急救电话并提供被检测人员的个人信息、位置信息、病史信息；同时联系第一紧急联系人、第二紧急联系人、第三紧急联系人。
25.响应标准是通过利用深度学习技术和构建的针对心脏骤停医患共建平行病历确定，使可穿戴智能医疗设备判断的精确性、灵活性进一步提高，避免了一部分由于运动等不确定因素的无病状态做出的误判。
26.一种关于心脏骤停的分级响应预警的系统，该系统包括：身体指标检测部件、指标分析部件、响应模块；所述身体指标检测部件包括：胸部检测装置，手腕检测装置；所述胸部检测装置实时检测身体健康指标数据，并将数据上传至指标分析模块；所述手腕检测装置实时检测与心脏活动相关联的身体健康指标，并将数据上传至指标分析模块；所述指标分析模块接收到数据后进行智能分析，并将分析结果传输至响应模块；进一步地，一种关于心脏骤停的分级响应预警的系统还包括：语音模块、通讯模块。
27.所述指标分析模块包括：输入模块，指标处理模块，分析评级模块；所述输入模块负责将身体指标检测模块采集到脉搏、血压、血氧、呼吸、心率、心电、体温、步频数据实时传输到指标处理模块；所述指标处理模块是指标分析模块的中心环节，它利用多模态融合方法将输入模块输入的值进行深层特征分析，由分析评级模块确定被检测人员的响应级别，并将响应级别传输至响应输出模块。
28.所述响应模块根据分析结果发出不同的响应。分级响应模块就是根据前一模块的输出信息进行响应，此模块包括四种响应方式：提示，警告，示警和求救。
29.当输出为i响应时，可穿戴智能医疗设备发出提示响应，患者根据语音提示，调整当前的情况；当输出为ii响应时，可穿戴智能医疗设备发出警告响应，确认被检测人员是否意识清晰以及是否拨打120急救电话；并通过通话咨询被检测人员是否联系第一紧急联系人；当输出为iii响应时，可穿戴智能医疗设备发出示警响应，并且通过语音确认被检测人员意识清晰，清晰状态下由被检测人员确定拨打120急救电话；当被检测人员意识不清晰下，由可穿戴智能医疗设备自动拨打120急救电话并提供被检测人员的个人信息、位置信息、病史信息；同时系统通过通话模块联系第一紧急联系人和第二紧急联系人；当输出为iv响应时，可穿戴智能医疗设备发出求救响应，此时通过语音立即发出
求救信息提醒周围人员患者的情况，求助于患者周围人员做心肺复苏，由可穿戴智能医疗设备自动拨打120急救电话并提供被检测人员的个人信息、位置信息、病史信息；同时联系第一紧急联系人、第二紧急联系人、第三紧急联系人。
30.进一步地，一种关于心脏骤停的分级响应预警的系统还包括：定位模块、数据节点服务器、网络传输模块、智能身心健康平台。
31.所述定位模块获取被检测人员的位置信息；所述数据节点服务器将被检测人员的身体健康指标与位置信息实时传输至智能身心健康平台，由智能身心健康平台整理成健康信息同步推送并定期将健康信息整理成健康报告。
32.优选地，智能身心健康平台可以将健康报告传输至被检测人、紧急联系人的手机上，可以作为就医时的日常检测数据以及过往病史。
33.优选地，所述网络传输模块为5g网络传输模块，5g网络模块与身体指标检测模块、定位模块、数据节点服务器、智能身心健康平台连接，5g网络模块将身体指标检测模块得到的当前被检测人的数据以及定位模块得到的位置信息传输至经数据节点服务器，经数据节点服务器的处理后上传至智能身心健康平台。此外，5g网络模块与定位模块连接，可实时将被检测者的位置信息传输至紧急联系人的手机或其他移动设备。
34.5g网络传输模块除了“移动宽带增强”（超高速率）之外，还包括“低功率海量连接”以及“低延时高可靠”，“低功耗海量连接”的特点在传感和数据采集为目标的应用场景下，具有小数据包、低功耗、海量连接等特点。“低延时高可靠”，指的是时延和可靠性极高。
35.本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述一种基于可穿戴设备的心脏骤停分级响应预警的方法。
36.一种非瞬态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于可穿戴设备的心脏骤停分级响应预警的方法。
37.与现有技术相比，本发明的有益效果为：（1）本发明利用深度学习网络提取多模态身体指标数据的深层特征对心脏骤停患者分级，提升了心脏骤停患者分级的客观性以及准确性，提高了分级响应的效率。
38.（2）本发明通过构建的多模态核集成嵌入方法对采集的多模态身体指标数据进行嵌入，不仅解决了多模态异构数据的非结构化以及无法深度融合的问题，也减少了特征层和决策层融合的多网络学习的计算复杂度，提升了系统整体的性能。
39.（3）本发明利用分级响应方法，心脏骤停的发现时间有很大提前，操作难度也大大下降，而且在全程智能化处理辅助下减轻医疗系统压力，提高医疗人员工作效率，缩短病患急救等待时间，提高急救成功率。
40.（4）本发明极大的提高了医患联动，可穿戴设备与医院同步急救的结合效率，利用5g的高效率的信息传输能力，极大提高了心脏骤停患者的早发现，早提醒，早治疗，为5g急救打开了新思路。
附图说明
41.图1为本发明实施例1中一种基于可穿戴设备的心脏骤停分级响应预警方法的原理示意图。
42.图2为本发明实施例1中利用多模态融合方法进行分析的原理示意图。
具体实施方式
43.本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
44.实施例 1；下面将参照附图描述本公开的示例性实施例。以下描述中提到的附图中的相同附图标记表示相同或相似的要素，除非以不同方式表示。以下描述中提到的实施例不代表与本公开一致的部分或全部实施例；相反，它们仅是与本发明之权利保护范围详述的本公开的某些方面相一致的装置和方法的示例。
45.本实施例提供一种基于可穿戴设备的心脏骤停分级响应预警方法，如图1、图2所示，包括以下步骤：s1、数据获取步骤：可穿戴智能医疗设备检测并实时获取被检测人员与心脏相关的身体健康指标数据以及被检测人的位置信息，形成训练数据库。
46.所述数据获取步骤包括：s11、招募临床上确定为四种不同程度的心脏骤停患者若干，由急诊科医生依据心脏骤停患者的患病程度对患者发病记录的数据进行心脏危险评级：ⅰ，ⅱ，ⅲ，ⅳ；确保每种等级的患者数量大致相同，将人工评级作为样本标签。优选地，招募临床上确定为四种不同程度的心脏骤停患者共计400名，且确保四种等级的患者数量相差最大不超过10人。
47.s12、利用可穿戴智能医疗设备进行多模态生理客观指标数据的连续采集；可穿戴智能医疗设备实时检测并获取被检测人员的身体健康指标，包括被检测人员的脉搏、血压、血氧、呼吸、心率、心电、体温、步频；通过结合步骤s11中的样本标签形成训练数据库，经过预处理作为构建的多模态集成核嵌入网络的输入。
48.s2、数据处理步骤：首先对脉搏、血压、血氧、呼吸、心率、心电、体温、步频身体健康指标使用不同类型滤波器消除噪声并进行归一化得到各模态数据归一化矩阵，构建多模态集成核嵌入网络，对每一种模态的数据进行深度嵌入表示，使用对应带宽的高斯核，对每一种模态构建核矩阵，得到每一种模态的原始核矩阵，通过集成nystr
ö
m方法对得到的原始数据的核矩阵进行低秩近似，以矩阵分解形成集成密集嵌入来解决核方法带来的稀疏性和高维性问题，最终得到多模态集成核嵌入加权矩阵。
49.首先，对身体生理信号使用不同类型滤波器消除噪声并进行归一化处理得到各模态数据归一化矩阵；构建多模态集成核嵌入网络，对每一种模态的数据进行深度嵌入表示后进行加权融合，最终得到多模态集成核嵌入加权矩阵。
50.s21、对可穿戴智能医疗设备采集的多种身体健康指标进行消除噪声及归一化处理，然后进行归一化为矩阵作为特征提取模型的输入。
51.对于脉搏信号，采用经验模态分解（emd）去除脉搏信号中的工频、肌电干扰和基线漂移；将脉搏信号根据特征时间尺度经emd分解得到n个本征模态函数（imf）和残余分量。噪声主要分布在高频段，所以将分解的n个imf中去掉残余分量和高阶的imf分量，既能消除工频干扰，也能去除基线漂移。
52.对于血压信号，主要利用的是血压动脉收缩压变异性（sbpv）的谱分析数据。通过小波基函数滤除工频噪声并进行基线校正，再利用一阶导数阈值提取血压信号的波峰，根据计算峰值间距平均值作为sbpv的序列间距，构成收缩压变异性（sbpv）信号序列；通过聚束效应 （bunching）对血压数据平滑处理，通过周期图得到血压数据的功率谱密度数据。
53.对于血氧信号，提取被试的血氧饱和度进行处理。当患者的血氧饱和度大于100%时，表明新陈代谢过快，而低于90%表明新陈代谢过慢，人体供氧不足。因此使用0.1~40hz的滤波器去除干扰噪声，通过小波变换提取血氧饱和度的特征参数，最大值和最小值作为心脏骤停智能分类的特征数据。
54.对于呼吸信号，将信号通过一个巴特沃斯带通滤波器滤除干扰，并根据信号周期进行分割，获取呼吸信号周期内的时域幅值并结合频域变换得到的呼吸信号的频域特征进行重构，得到呼吸频率的数据。
55.对于心电信号，选择巴特沃斯滤波器消除工频干扰和基线漂移；心电信号中qrs波群对于临床诊断十分重要，因此采用希尔伯特变换算法（hiberttransform）提取心电信号的qrs波群以及r波、p波和t波峰值数据。
56.对于心率信号，主要提取心率变异性的数据。心率变异性的频谱划分范围0~0.04hz，对心率变异时间序列进行重采样，再通过小波变换去除信号中的高频噪声，通过小波变换的多分辨率特性将心率信号分解为不同频段的信号，通过设置阈值去除心率信号中的噪声，再通过逆变换得到去除干扰后的信号。
57.对于体温数据，去除体温中的异常值，采样体温升高前后5s的数据，对分割片段的数据进行z-score标准化，将标准化的温升数据的每一帧转化为灰度图。
58.对于步频数据，心脏骤停患者发病时步频会存在差异，通过可穿戴装备获取被测试人员的每一步的长度，时间以及加速度等特征，将患者发病时段步频长度和加速度联合形成步频矩阵。
59.将处理后的脉搏、血压、血氧、体温、呼吸、心率、心电、步频数据xm，m=1、2、
…
、8；分别求出其均值μm和标准差σm，利用z-score标准化：。
60.对各指标数据进行处理后得到各模态数据归一化矩阵。
61.s22、构建多模态集成核嵌入网络，对每一种模态的数据进行深度嵌入表示：使用不同带宽σ的高斯核，对每一种模态构建核矩阵，高斯核函数的定义式：。
62.优选地，随机选取n=280名患者作为训练样本，对于某一种模态m的数据其核函数表示为km，m=1、2、3、
…
、8。对于第m种模态预处理（去除噪音和归一化）数据d={x1，x2，
…
，xn}通过核函数计算每一个样本（患者）在高维空间的内积将低维数据映射到高维空间并得到多个模态数据的原始核矩阵km，计算过程：（1）
公式（1）中，x
im
为第m种模态数据的第i个样本矩阵，x
jm
为第m种模态数据的第j个样本矩阵，km《x
im
，x
jm
》是第i个样本矩阵和第j个样本的第m个特征通过核函数km计算所得到的核。
63.s23、通过集成nystr
ö
m方法对s22得到的模态数据的原始核矩阵进行低秩近似，减少数据量过大导致的核矩阵后期计算复杂度。对于第m中核矩阵km，大小为n
×
n，随机采样s列数据构成新矩阵cm，大小为n
×
s。，对核矩阵km重新排列得到，其中wm=cm∩km，大小为s
×
s，em（大小为（n-s）
×
s）和fm（大小为（n-s）
×
（n-s））是k’m
去除wm余下部分。对w求奇异值分解可得，其中um由的s个特征向量组成，σm为对角矩阵，其对角线上为的s个特征值，可以得到核矩阵km低秩近，其中是的wm伪逆矩阵。
64.s24、通过矩阵分解形成集成密集嵌入，并进行加权融合，解决核方法带来的稀疏性和高维性问题。通过对样本第m种模态采样的s列数据和核矩阵km的低秩近似计算映射函数，得到该样本在再生希尔伯特空间不同的表示。其中是由wm倒序排列的前r个特征向量组成，是由wm倒序排列的前r个特征向量对应的特征值组成；对于m中模态的低秩近似核矩阵求得的映射函数lm，m=1、2、3、
…
、8，通过softmax函数得到相应的概率分布矩阵，即为各模态低秩近似核矩阵映射函数的权重pm，softmax函数为：；最终得到多模态集成核嵌入加权矩阵。
65.s3、分析评级步骤：将生成的多模态集成核嵌入加权矩阵输入到构建的convlstm分析评级模型中对分析评级模型进行训练，不断迭代，将除训练样本余下的患者作为测试集，对生成的模型进行测试，保存最优模型；通过部署的最优模型接收可穿戴智能医疗设备获取的待检测人员与身体健康多模态指标数据并输出心脏危险等级。优选地，训练样本的患者与测试集的患者共400名，训练样本为280名，测试集为120名。
66.将处理得到的多模态集成核嵌入加权矩阵输入到构建的convlstm网络进行特征提取得到多模态指标的深层时空特征对心脏骤停进行分析评级，输出心脏危险等级。
67.所述convlstm网络的基本结构包括输入门input gate、遗忘门forget gate、输出门output gate、记忆单元：所述输入门input gate：；所述遗忘门forget gate：；所述输出门output gate：
；所述记忆单元的状态更新：；输出：；在每个lstm单元中，χ
t
为lstm特征提取网络在t时刻输入的由数据处理步骤得到的脉搏、血压、血氧、体温、呼吸、心率、心电、步频多模态集成核嵌入加权矩阵；σ为sigmoid激活函数；w
xi
，w
hi
，w
ci
和bi分别表示输入门的权重矩阵和偏差；wxf，whf，wcf和bf分别表示遗忘门的权重矩阵和偏差；w
xo
，w
ho
，w
co
和bo分别表示输出门的权重矩阵和偏差；h
t-1
为t-1时刻的隐藏状态；i
t
，f
t
，o
t
分别为t时刻的输入门、遗忘门和输出门；c
t
是t时刻的cell状态；w
xc
，w
hc
，w
oc
和bc分别表示记忆单元的权重矩阵和偏差。通过一层dropout层和全连接层输出各指标的特征矩阵。
68.最优模型接受可穿戴智能医疗设备获取的待检测人员与身体健康多模态指标数据输出心脏危险等级。改进的convlstm在每个单元中进行运算的时候采用了卷积操作
‘
*’，在最终的输出采用哈达玛积（hadamard product）
‘○’
的矩阵运算。由于输入的多模态身体指标数据在时空结构上具有关联性，对比于传统的lstm，convlstm网络对心脏骤停发生前后连续时间段的数据进行高维时空特征提取，进一步提高了心脏骤停等级分类的准确性。
69.s4、响应示警步骤：根据确定的四种心脏危险等级做出不同的应急响应处理。进一步地，将心脏骤停的分级预警通过危险等级划分为四个等级对应四个等级的响应：i级、ii、iii级、iv级，按其严重程度可以分为提示，警告，示警和求救。
70.s41、当输出为i响应时，可穿戴智能医疗设备发出提示响应，患者根据语音提示，调整当前的情况；s42、当输出为ii响应时，可穿戴智能医疗设备发出警告响应，确认被检测人员是否意识清晰以及是否拨打120急救电话；并通过通话咨询被检测人员是否联系第一紧急联系人；s43、当输出为iii响应时，可穿戴智能医疗设备发出示警响应，并且通过语音确认被检测人员意识清晰，清晰状态下由被检测人员确定拨打120急救电话；当被检测人员意识不清晰下，由可穿戴智能医疗设备自动拨打120急救电话并提供被检测人员的个人信息、位置信息、病史信息；同时系统通过通话模块联系第一紧急联系人和第二紧急联系人；s44、当输出为iv响应时，可穿戴智能医疗设备发出求救响应，此时通过语音立即发出求救信息提醒周围人员患者的情况，求助于患者周围人员做心肺复苏，由可穿戴智能医疗设备自动拨打120急救电话并提供被检测人员的个人信息、位置信息、病史信息；同时联系第一紧急联系人、第二紧急联系人、第三紧急联系人。
71.响应标准是通过利用深度学习技术和构建的针对心脏骤停医患共建平行病历确定，使可穿戴智能医疗设备判断的精确性、灵活性进一步提高，避免了一部分由于运动等不确定因素的无病状态做出的误判。
72.本实施例还提供一种关于心脏骤停的分级响应预警的系统，该系统包括：身体指标检测部件、指标分析部件、响应模块；所述身体指标检测部件包括：胸部检测装置，手腕检测装置；所述胸部检测装置实
时检测身体健康指标，并将数据上传至指标分析模块；优选地，所述手腕检测装置可为智能手环、智能手表；所述胸部检测装置可为心率贴、胸贴；所述手腕检测装置实时检测与心脏活动相关联的身体健康指标数据，并将数据上传至指标分析模块；优选地，所述胸部检测装置检测的身体健康指标包括：呼吸、心率、心电、体温；所述手腕检测装置检测的与心脏活动相关联的身体健康指标包括：脉搏、血压、血氧、步频。
73.所述指标分析模块接收到数据后进行智能分析，并将分析结果传输至响应模块。
74.进一步地，一种关于心脏骤停的分级响应预警的系统还包括：语音模块、通讯模块。
75.所述指标分析模块包括：输入模块，指标处理模块，分析评级模块；所述输入模块负责将身体指标检测模块采集到脉搏、血压、血氧、呼吸、心率、心电、体温、步频数据实时传输到指标处理模块；所述指标处理模块是指标分析模块的中心环节，它利用多模态融合方法将输入模块输入的值进行深层特征分析，由分析评级模块确定被检测人员的响应级别，并将响应级别传输至响应输出模块。
76.所述响应模块根据分析结果发出不同的响应。分级响应模块就是根据前一模块的输出信息进行响应，此模块包括四种响应方式：提示，警告，示警和求救。
77.当输出为i响应时，可穿戴智能医疗设备发出提示响应，患者根据语音提示，调整当前的情况；当输出为ii响应时，可穿戴智能医疗设备发出警告响应，确认被检测人员是否意识清晰以及是否拨打120急救电话；并通过通话咨询被检测人员是否联系第一紧急联系人；当输出为iii响应时，可穿戴智能医疗设备发出示警响应，并且通过语音确认被检测人员意识清晰，清晰状态下由被检测人员确定拨打120急救电话；当被检测人员意识不清晰下，由可穿戴智能医疗设备自动拨打120急救电话并提供被检测人员的个人信息、位置信息、病史信息；同时系统通过通话模块联系第一紧急联系人和第二紧急联系人；当输出为iv响应时，可穿戴智能医疗设备发出求救响应，此时通过语音立即发出求救信息提醒周围人员患者的情况，求助于患者周围人员做心肺复苏，由可穿戴智能医疗设备自动拨打120急救电话并提供被检测人员的个人信息、位置信息、病史信息；同时联系第一紧急联系人、第二紧急联系人、第三紧急联系人。
78.进一步地，一种关于心脏骤停的分级响应预警的系统还包括：定位模块、数据节点服务器、网络传输模块、智能身心健康平台。
79.所述定位模块获取被检测人员的位置信息；所述数据节点服务器将被检测人员的身体健康指标与位置信息实时传输至智能身心健康平台，由智能身心健康平台整理成健康信息同步推送并定期将健康信息整理成健康报告。
80.优选地，智能身心健康平台可以将健康报告传输至被检测人、紧急联系人的手机上，可以作为就医时的日常检测数据以及过往病史。
81.优选地，所述网络传输模块为5g网络传输模块，5g网络模块与身体指标检测模块、定位模块、数据节点服务器、智能身心健康平台连接，5g网络模块将身体指标检测模块得到的当前被检测人的数据以及定位模块得到的位置信息传输至经数据节点服务器，经数据节点服务器的处理后上传至智能身心健康平台。此外，5g网络模块与定位模块连接，可实时将
被检测者的位置信息传输至紧急联系人的手机或其他移动设备。
82.5g网络传输模块除了“移动宽带增强”（超高速率）之外，还包括“低功率海量连接”以及“低延时高可靠”，“低功耗海量连接”的特点在传感和数据采集为目标的应用场景下，具有小数据包、低功耗、海量连接等特点。“低延时高可靠”，指的是时延和可靠性极高。
83.实施例2；基于与实施例 1相同的构思，本实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现实施例1所提供的一种基于可穿戴设备的心脏骤停分级响应预警方法。
84.本实施例还提供一种非瞬态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所提供的一种基于可穿戴设备的心脏骤停分级响应预警方法。
85.显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明之权利保护范围的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明之权利保护范围之内。