CN116189899B - 一种基于机器学习的急危重症辅助评估系统 - Google Patents

一种基于机器学习的急危重症辅助评估系统 Download PDF

Info

Publication number
CN116189899B
CN116189899B CN202310459314.7A CN202310459314A CN116189899B CN 116189899 B CN116189899 B CN 116189899B CN 202310459314 A CN202310459314 A CN 202310459314A CN 116189899 B CN116189899 B CN 116189899B
Authority
CN
China
Prior art keywords
patient
module
data
frequency domain
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310459314.7A
Other languages
English (en)
Other versions
CN116189899A (zh
Inventor
刘静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central Hospital of Zibo
Original Assignee
Central Hospital of Zibo
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central Hospital of Zibo filed Critical Central Hospital of Zibo
Priority to CN202310459314.7A priority Critical patent/CN116189899B/zh
Publication of CN116189899A publication Critical patent/CN116189899A/zh
Application granted granted Critical
Publication of CN116189899B publication Critical patent/CN116189899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/353—Detecting P-waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及医疗信息分析领域，具体公开了一种基于机器学习的急危重症辅助评估系统，包括显示模块以及与显示模块通讯连接的数据采集模块、数据预处理模块、特征提取模块、支持向量机模型训练评估模块以及数据分析模块；本发明解决了传统的心肌梗死临床监测参数的处理和评估主要依赖于医生的临床经验，存在一定的主观性和不确定性的问题；通过收集大量的心肌梗死患者的临床数据，使用机器学习算法训练模型，对患者的心电图特征以及生理特征进行评估，帮助分析心肌梗死患者的临床数据。

Description

一种基于机器学习的急危重症辅助评估系统
技术领域
本发明涉及医疗信息分析领域，更具体地说，本发明涉及一种基于机器学习的急危重症辅助评估系统。
背景技术
急危重症是指生命威胁严重、需要紧急救治的疾病，例如心肺骤停、心肌梗死、中风、严重创伤以及中毒等等，心肌梗死作为一种常见的危急重症，也被称为冠心病急性心肌梗死，它是由于冠状动脉阻塞导致心肌缺血坏死引起的，心肌梗死的症状因人而异，但是常见的症状有压迫性、紧缩性或重压感的胸痛，通常持续数分钟至数小时，也有持续数天的，胸痛向左臂、颈部、下巴、背部和腹部等部位放射，还会出现恶心、呕吐、出汗和呼吸急促等伴随症状。心肌梗死患者的病情严重程度和早期的病情评估密切相关，传统的心肌梗死临床监测参数的处理和评估主要依赖于医生的临床经验，存在一定的主观性和不确定性，临床检查数据中影响因素较多，单一针对单个因素进行分析和评估科学性较差，大量的临床数据查找和评估起来效率不高。为了解决上述问题，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于机器学习的急危重症辅助评估系统，是通过收集大量的心肌梗死患者的临床数据，使用机器学习算法训练模型，提取出心肌梗死患者心电图中的时域特征、频域特征以及时频域特征，同时获取患者的生理特征，对患者的心电图特征以及生理特征进行评估，帮助分析心肌梗死患者的临床数据，使得分析的结果客观性和准确度提高，同时提升数据查找和评估的效率，实现多因素的综合评估及分类，并根据分类情况获取心肌梗死患者的临床数据评估结果，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于机器学习的急危重症辅助评估系统，包括显示模块以及与显示模块通讯连接的数据采集模块、数据预处理模块、特征提取模块、支持向量机模型训练评估模块以及数据分析模块，数据分析模块通过支持向量机模型训练评估模块获取的患者生理特征评估指标以及心电图特征评估指标进行综合分析，利用心电图特征评估指标与生理特征评估指标的乘积作为综合评估指标，综合评估指标的公式为：
Figure SMS_1
；
式中：
Figure SMS_2
为综合评估指标，/>
Figure SMS_3
为患者的生理特征评估指标，/>
Figure SMS_4
为患者的心电图特征评估指标。
根据每个患者存在心肌梗死的心电图特征的同时，根据患者的生理特征对患者的心电图特征评估情况进行分析和修正，保证综合评估指标与患者自身生理特征形成的个性化表示，提高综合评估指标的可靠性。
作为本发明进一步的方案，数据采集模块用于从患者的电子病历信息中获取患者的心电图信息和生理特征信息；数据预处理模块用于对数据采集模块采集的数据进行数据预处理，并将预处理后的数据按照5:4:1的比例将原始数据分成训练集、测试集和验证集。
作为本发明进一步的方案，特征提取模块用于从数据预处理模块获取的原始数据中提取患者心电图信息和生理特征信息中的时域特征、频域特征、时频域特征以及生理特征。
对心电图信息中的数据进行分析和计算，选取时域特征、频域特征以及时域特征中能够反映心脏功能的特征参数进行评估。
作为本发明进一步的方案，时域特征包括平均心率、R-R间期标准差、P波和ORS波群持续时间、ST段抬高值以及ST段压低值；频域特征包括心电功率谱密度、心率变异性频谱功率谱密度以及心电波谷比；时频域特征包括短时傅里叶变换信号能量、短时傅里叶变换功率谱密度和近似熵；生理特征包括年龄、白细胞计数、血氧饱和度以及血氧分压。
心肌梗死监测数据的综合评估指标为生理特征评估指标和心电图特征评估指标乘积，相同的心电图特征评估指标在不同的生理特征评估指标的修正下能够获取不同的综合评估指标，生理特征评估指标与其影响因素之间的变化规律存在以下情况：
在白细胞计数、血氧饱和度以及血氧分压相同时，生理特征评估指标随着患者的年龄增大而增大；
在患者年龄、血氧饱和度以及血氧分压相同时，生理特征评估指标随着白细胞计数的增大而减小；
在患者年龄、白细胞计数以及血氧分压相同时，生理特征评估指标随着血氧饱和度的增大而减小；
在患者年龄、白细胞计数以及血氧饱和度相同时，生理特征评估指标随着血氧分压的增大而减小。
综上所述，患者的生理特征评估指标与患者的年龄正相关，与白细胞计数负相关，与血氧饱和度负相关，与血氧分压负相关。
优选的，生理特征评估指标的公式为：
Figure SMS_5
；
式中：
Figure SMS_6
为患者的年龄，/>
Figure SMS_7
为患者的白细胞计数，/>
Figure SMS_8
为患者的血氧饱和度，/>
Figure SMS_9
为患者的血氧分压。
心肌梗死监测数据的综合评估指标为生理特征评估指标和心电图特征评估指标乘积，相同的生理特征评估指标在不同的获取时能够获取不同的综合评估指标，心电图特征评估指标与其影响因素之间的变化规律存在以下情况：
在心电图信息中获取的时域特征值和频域特征值相同时，心电图特征评估指标随着时频域特征值的增大而变小，心电图特征评估指标随着时频域特征值的减小而增大；
在心电图信息中获取的时频域相同时，心电图特征评估指标随着时域特征值和频域特征值的乘积增大而增大，心电图特征评估指标随着时域特征值和频域特征值的乘积减小而减小。
综上所述，患者的心电图特征评估指标与心电图信息的时域特征值和频域特征值乘积正相关，与时频域特征值负相关。
优选的，心电图特征评估指标的公式为：
Figure SMS_10
；
式中：
Figure SMS_11
为心电图信息的时域特征值，/>
Figure SMS_12
为心电图信息的频域特征值，/>
Figure SMS_13
为心电图信息的时频域特征。
在时域特征值的影响因素中，当R-R间期标准差、P波和ORS波持续时间、ST段抬高值以及ST段压低值的均值均相同时，时域特征值随着平均心率的增大而增大，时域特征值随着平均心率的减小而减小；
当平均心率、P波和ORS波持续时间、ST段抬高值以及ST段压低值的均值均相同时，时域特征值随着R-R间期标准差的增大而增大，时域特征值随着R-R间期标准差的减小而减小；
当平均心率、P波和ORS波持续时间、ST段抬高值以及ST段压低值均相同时，时域特征值随着P波和ORS波持续时间的增大而增大，时域特征值随着P波和ORS波持续时间的减小而减小；
当平均心率、R-R间期标准差、P波和ORS波持续时间均相同时，时域特征值随着ST段抬高值以及ST段压低值的增大而增大，时域特征值随着ST段抬高值以及ST段压低值的减小而减小。
综上所述，时域特征值与平均心率正相关，与R-R间期标准差正相关，与P波和ORS波持续时间正相关，与ST段抬高值以及ST段压低值的均值正相关。
优选的，时域特征值的公式为：
Figure SMS_14
；
式中：
Figure SMS_15
为患者的平均心率，/>
Figure SMS_16
为患者的R-R间期标准差，/>
Figure SMS_17
为患者的P波和ORS波持续时间，/>
Figure SMS_18
为ST段抬高值以及ST段压低值的均值。
频域特征值考虑心电图信息在频域上的特征，频域特征值与其影响因素存在以下情况：
在心率变异性频谱功率谱密度、心电波谷比相同时，频域特征值随着心电功率谱密度的增大而增大，随着心电功率谱密度的减小而减小；
在心电功率谱密度和心电波谷比相同时，频域特征值随着心率变异性频谱功率谱密度的增大而增大，随着心率变异性频谱功率谱密度的减小而减小；
在心电功率谱密度和心率变异性频谱功率谱密度相同时，频域特征值随着心电波谷比的增大而减小，心电波谷比的减小而增大。
综上所述，频域特征值与心电功率谱密度正相关，与心率变异性频谱功率谱密度正相关，与心电波谷比负相关。
优选的，频域特征值的公式为：
Figure SMS_19
；
式中：
Figure SMS_20
为心电功率谱密度，/>
Figure SMS_21
为心率变异性频谱功率谱密度，/>
Figure SMS_22
为心电波谷比。
时频域特征值的影响因素选取短时傅里叶变换信号能量、短时傅里叶变换功率谱密度以及近似熵，时频域特征值与其影响因素之间的关系存在以下情况：
在短时傅里叶变换功率谱密度以及近似熵相同时，时频域特征值随着短时傅里叶变换信号能量的增大而增大，随着短时傅里叶变换信号能量的减小而减小；
在短时傅里叶变换信号能量以及近似熵相同时，时频域特征值随着短时傅里叶变换功率谱密度的增大而增大，随着短时傅里叶变换功率谱密度的减小而减小；
在短时傅里叶变换信号能量以及短时傅里叶变换功率谱密度相同时，时频域特征值随着近似熵的增大而减小，随着近似熵的减小而增大。
综上所述，时频域特征值与短时傅里叶变换信号能量正相关，与短时傅里叶变换功率谱密度正相关，与近似熵负相关。
优选的，时频域特征值的公式为：
Figure SMS_23
；
式中：
Figure SMS_24
为短时傅里叶变换信号能量，/>
Figure SMS_25
为短时傅里叶变换功率谱密度，/>
Figure SMS_26
为近似熵。
作为本发明进一步的方案，支持向量机模型训练评估模块利用支持向量机算法使用训练集数据对模型进行训练，获取最优模型参数，使用测试集数据对模型进行评估，优化支持向量机模型的模型参数。
本发明一种基于机器学习的急危重症辅助评估系统的技术效果和优点：
本发明是是通过收集大量的心肌梗死患者的临床数据，使用机器学习算法训练模型，提取出心肌梗死患者心电图中的时域特征、频域特征以及时频域特征，同时获取患者的生理特征，对患者的心电图特征以及生理特征进行评估，帮助分析心肌梗死患者的临床数据，使得分析的结果客观性和准确度提高，同时提升数据查找和评估的效率，实现多因素的综合评估及分类，并根据分类情况获取心肌梗死患者的临床数据评估结果。
附图说明
图1为本发明一种基于机器学习的急危重症辅助评估系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1。本发明一种基于机器学习的急危重症辅助评估系统，是通过收集大量的心肌梗死患者的临床数据，使用机器学习算法训练模型，提取出心肌梗死患者心电图中的时域特征、频域特征以及时频域特征，同时获取患者的生理特征，对患者的心电图特征以及生理特征进行评估，帮助分析心肌梗死患者的临床数据，使得分析的结果客观性和准确度提高，同时提升数据查找和评估的效率，实现多因素的综合评估及分类，并根据分类情况获取心肌梗死患者的临床数据评估结果。
本发明实施例1是对一种基于机器学习的急危重症辅助评估系统进行介绍。
图1给出了本发明基于机器学习的急危重症辅助评估系统的结构示意图，其包括显示模块以及与显示模块通讯连接的数据采集模块、数据预处理模块、特征提取模块、支持向量机模型训练评估模块以及数据分析模块，数据分析模块通过支持向量机模型训练评估模块获取的患者生理特征评估指标以及心电图特征评估指标进行综合分析，利用心电图特征评估指标与生理特征评估指标的乘积作为综合评估指标，综合评估指标的公式为：
Figure SMS_27
；
式中：
Figure SMS_28
为综合评估指标，/>
Figure SMS_29
为患者的生理特征评估指标，/>
Figure SMS_30
为患者的心电图特征评估指标。
根据每个患者存在心肌梗死的心电图特征的同时，根据患者的生理特征对患者的心电图特征评估情况进行分析和修正，保证综合评估指标与患者自身生理特征形成的个性化表示，提高综合评估指标的可靠性。
分析综合评估指标时，在获取综合评估指标的数值在预先设定的范围内时，分析各个特征评估指标的阈值区间以及综合评估指标的变化趋势能够对患者心肌梗死的监测数据进行预测和评估，帮助更好的通过各个特征评估指标以及综合评估指标的数值分析获取数值本身以及数值变化代表的现象和结果。
数据采集模块用于从患者的电子病历信息中获取患者的心电图信息和生理特征信息；数据预处理模块用于对数据采集模块采集的数据进行数据预处理，并将预处理后的数据按照5:4:1的比例将原始数据分成训练集、测试集和验证集。
通过数据采集模块能够获取到心电图信息和生理特征信息中的数据，以便于将数据传输给数据预处理模块进行预处理，提高训练集、测试集和验证集的数据准确性和科学性，进一步提高支持向量机模型的科学性和鲁棒性。
特征提取模块用于从数据预处理模块获取的原始数据中提取患者心电图信息和生理特征信息中的时域特征、频域特征、时频域特征以及生理特征。
通过特征提取模块能够从患者的心电图信息以及生理信息中适用于本发明评估模型的数据，抓取数据和图像特征进行数值分析，以机器学习替代医生的传统经验，提高特征提取的科学性和客观性，同时机器学习进行大量数据特征的抓取相比于人工查找，查找和分析的效率更高，有助于减小医生的工作负担，帮助医生准确抓取需要的数据及特征。
时域特征包括平均心率、R-R间期标准差、P波和ORS波群持续时间、ST段抬高值以及ST段压低值；频域特征包括心电功率谱密度、心率变异性频谱功率谱密度以及心电波谷比；时频域特征包括短时傅里叶变换信号能量、短时傅里叶变换功率谱密度和近似熵；生理特征包括年龄、白细胞计数、血氧饱和度以及血氧分压。
心肌梗死监测数据的综合评估指标为生理特征评估指标和心电图特征评估指标乘积，相同的心电图特征评估指标在不同的生理特征评估指标的修正下能够获取不同的综合评估指标，生理特征评估指标与其影响因素之间的变化规律存在以下情况：
在白细胞计数、血氧饱和度以及血氧分压相同时，生理特征评估指标随着患者的年龄增大而增大；
在患者年龄、血氧饱和度以及血氧分压相同时，生理特征评估指标随着白细胞计数的增大而减小；
在患者年龄、白细胞计数以及血氧分压相同时，生理特征评估指标随着血氧饱和度的增大而减小；
在患者年龄、白细胞计数以及血氧饱和度相同时，生理特征评估指标随着血氧分压的增大而减小。
综上所述，患者的生理特征评估指标与患者的年龄正相关，与白细胞计数负相关，与血氧饱和度负相关，与血氧分压负相关，生理特征评估指标的公式为：
Figure SMS_31
；
式中：
Figure SMS_32
为患者的年龄，/>
Figure SMS_33
为患者的白细胞计数，/>
Figure SMS_34
为患者的血氧饱和度，/>
Figure SMS_35
为患者的血氧分压。
心肌梗死监测数据的综合评估指标为生理特征评估指标和心电图特征评估指标乘积，相同的生理特征评估指标在不同的获取时能够获取不同的综合评估指标，心电图特征评估指标与其影响因素之间的变化规律存在以下情况：
在心电图信息中获取的时域特征值和频域特征值相同时，心电图特征评估指标随着时频域特征值的增大而变小，心电图特征评估指标随着时频域特征值的减小而增大；
在心电图信息中获取的时频域相同时，心电图特征评估指标随着时域特征值和频域特征值的乘积增大而增大，心电图特征评估指标随着时域特征值和频域特征值的乘积减小而减小。
综上所述，患者的心电图特征评估指标与心电图信息的时域特征值和频域特征值乘积正相关，与时频域特征值负相关，心电图特征评估指标的公式为：
Figure SMS_36
；
式中：
Figure SMS_37
为心电图信息的时域特征值，/>
Figure SMS_38
为心电图信息的频域特征值，/>
Figure SMS_39
为心电图信息的时频域特征。
在时域特征值的影响因素中，当R-R间期标准差、P波和ORS波持续时间、ST段抬高值以及ST段压低值的均值均相同时，时域特征值随着平均心率的增大而增大，时域特征值随着平均心率的减小而减小；
当平均心率、P波和ORS波持续时间、ST段抬高值以及ST段压低值的均值均相同时，时域特征值随着R-R间期标准差的增大而增大，时域特征值随着R-R间期标准差的减小而减小；
当平均心率、P波和ORS波持续时间、ST段抬高值以及ST段压低值均相同时，时域特征值随着P波和ORS波持续时间的增大而增大，时域特征值随着P波和ORS波持续时间的减小而减小；
当平均心率、R-R间期标准差、P波和ORS波持续时间均相同时，时域特征值随着ST段抬高值以及ST段压低值的增大而增大，时域特征值随着ST段抬高值以及ST段压低值的减小而减小。
综上所述，时域特征值与平均心率正相关，与R-R间期标准差正相关，与P波和ORS波持续时间正相关，与ST段抬高值以及ST段压低值的均值正相关，时域特征值的公式为：
Figure SMS_40
；
式中：
Figure SMS_41
为患者的平均心率，/>
Figure SMS_42
为患者的R-R间期标准差，/>
Figure SMS_43
为患者的P波和ORS波持续时间，/>
Figure SMS_44
为ST段抬高值以及ST段压低值的均值。
频域特征值考虑心电图信息在频域上的特征，频域特征值与其影响因素存在以下情况：
在心率变异性频谱功率谱密度、心电波谷比相同时，频域特征值随着心电功率谱密度的增大而增大，随着心电功率谱密度的减小而减小；
在心电功率谱密度和心电波谷比相同时，频域特征值随着心率变异性频谱功率谱密度的增大而增大，随着心率变异性频谱功率谱密度的减小而减小；
在心电功率谱密度和心率变异性频谱功率谱密度相同时，频域特征值随着心电波谷比的增大而减小，心电波谷比的减小而增大。
综上所述，频域特征值与心电功率谱密度正相关，与心率变异性频谱功率谱密度正相关，与心电波谷比负相关，频域特征值的公式为：
Figure SMS_45
；
式中：
Figure SMS_46
为心电功率谱密度，/>
Figure SMS_47
为心率变异性频谱功率谱密度，/>
Figure SMS_48
为心电波谷比。
时频域特征值的影响因素选取短时傅里叶变换信号能量、短时傅里叶变换功率谱密度以及近似熵，时频域特征值与其影响因素之间的关系存在以下情况：
在短时傅里叶变换功率谱密度以及近似熵相同时，时频域特征值随着短时傅里叶变换信号能量的增大而增大，随着短时傅里叶变换信号能量的减小而减小；
在短时傅里叶变换信号能量以及近似熵相同时，时频域特征值随着短时傅里叶变换功率谱密度的增大而增大，随着短时傅里叶变换功率谱密度的减小而减小；
在短时傅里叶变换信号能量以及短时傅里叶变换功率谱密度相同时，时频域特征值随着近似熵的增大而减小，随着近似熵的减小而增大。
综上所述，时频域特征值与短时傅里叶变换信号能量正相关，与短时傅里叶变换功率谱密度正相关，与近似熵负相关，时频域特征值的公式为：
Figure SMS_49
；
式中：
Figure SMS_50
为短时傅里叶变换信号能量，/>
Figure SMS_51
为短时傅里叶变换功率谱密度，/>
Figure SMS_52
为近似熵。
支持向量机模型训练评估模块利用支持向量机算法使用训练集数据对模型进行训练，获取最优模型参数，使用测试集数据对模型进行评估，优化支持向量机模型的模型参数。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于机器学习的急危重症辅助评估系统，包括显示模块以及与显示模块通讯连接的数据采集模块、数据预处理模块、特征提取模块、支持向量机模型训练评估模块以及数据分析模块，其特征在于，数据分析模块通过支持向量机模型训练评估模块获取的患者生理特征评估指标以及心电图特征评估指标进行综合分析，利用心电图特征评估指标与生理特征评估指标的乘积作为综合评估指标，综合评估指标的公式为：
Iz＝Ip*Ih；
式中：Iz为综合评估指标，Ip为患者的生理特征评估指标，Ih为患者的心电图特征评估指标；
患者的生理特征评估指标与患者的年龄正相关，与白细胞计数负相关，与血氧饱和度负相关，与血氧分压负相关，生理特征评估指标的公式为：
Figure FDA0004272863740000011
式中：Ny为患者的年龄，Nwc为患者的白细胞计数，Dbo为患者的血氧饱和度，Pxy为患者的血氧分压；
患者的心电图特征评估指标与心电图信息的时域特征值和频域特征值乘积正相关，与时频域特征值负相关，心电图特征评估指标的公式为：
Figure FDA0004272863740000012
式中：Zs为心电图信息的时域特征值，Zp为心电图信息的频域特征值，Zsp为心电图信息的时频域特征值；
特征提取模块用于从数据预处理模块获取的原始数据中提取患者心电图信息和生理特征信息中的时域特征、频域特征、时频域特征以及生理特征；时域特征包括平均心率、R-R间期标准差、P波和ORS波群持续时间、ST段抬高值以及ST段压低值；频域特征包括心电功率谱密度、心率变异性频谱功率谱密度以及心电波谷比；时频域特征包括短时傅里叶变换信号能量、短时傅里叶变换功率谱密度和近似熵；生理特征包括年龄、白细胞计数、血氧饱和度以及血氧分压；时域特征值与平均心率正相关，与R-R间期标准差正相关，与P波和ORS波持续时间正相关，与ST段抬高值以及ST段压低值的均值正相关，时域特征值的公式为：
Figure FDA0004272863740000021
式中：
Figure FDA0004272863740000022
为患者的平均心率，SR-R为患者的R-R间期标准差，tc为患者的P波和ORS波持续时间，/>
Figure FDA0004272863740000023
为ST段抬高值以及ST段压低值的均值；
频域特征值与心电功率谱密度正相关，与心率变异性频谱功率谱密度正相关，与心电波谷比负相关，频域特征值的公式为：
Figure FDA0004272863740000024
式中：ρh为心电功率谱密度，ρbh为心率变异性频谱功率谱密度，Kbg为心电波谷比；
时频域特征值与短时傅里叶变换信号能量正相关，与短时傅里叶变换功率谱密度正相关，与近似熵负相关，时频域特征值的公式为：
Figure FDA0004272863740000025
式中：Qf为短时傅里叶变换信号能量，ρf为短时傅里叶变换功率谱密度，Sjs为近似熵。
2.根据权利要求1所述的一种基于机器学习的急危重症辅助评估系统，其特征在于，数据采集模块用于从患者的电子病历信息中获取患者的心电图信息和生理特征信息；数据预处理模块用于对数据采集模块采集的数据进行数据预处理，并将预处理后的数据按照5:4:1的比例将原始数据分成训练集、测试集和验证集。
3.根据权利要求2所述的一种基于机器学习的急危重症辅助评估系统，其特征在于，支持向量机模型训练评估模块利用支持向量机算法使用训练集数据对模型进行训练，获取最优模型参数，使用测试集数据对模型进行评估，优化支持向量机模型的模型参数。
CN202310459314.7A 2023-04-26 2023-04-26 一种基于机器学习的急危重症辅助评估系统 Active CN116189899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310459314.7A CN116189899B (zh) 2023-04-26 2023-04-26 一种基于机器学习的急危重症辅助评估系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310459314.7A CN116189899B (zh) 2023-04-26 2023-04-26 一种基于机器学习的急危重症辅助评估系统

Publications (2)

Publication Number Publication Date
CN116189899A CN116189899A (zh) 2023-05-30
CN116189899B true CN116189899B (zh) 2023-07-07

Family

ID=86433030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310459314.7A Active CN116189899B (zh) 2023-04-26 2023-04-26 一种基于机器学习的急危重症辅助评估系统

Country Status (1)

Country Link
CN (1) CN116189899B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110897648A (zh) * 2019-12-16 2020-03-24 南京医科大学 基于脑电信号与lstm神经网络模型的情绪识别分类方法
CN115517681A (zh) * 2022-10-24 2022-12-27 无锡市精神卫生中心 Md患者情绪波动监测和情感障碍状态评估的方法和系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103919544A (zh) * 2014-04-30 2014-07-16 苏州博思长健电子科技有限公司 基于穿戴式心电监测设备的冠心病和心肌梗死概率性预警系统
CN109907751B (zh) * 2019-02-27 2021-02-02 严洋 一种基于人工智能监督学习的实验室胸痛数据检查辅助识别方法
CN110782992B (zh) * 2019-10-31 2023-05-30 刘润桑 基于心电信号的康复效果量化评估智能实现方法及系统
CN112365978B (zh) * 2020-11-10 2022-09-23 北京航空航天大学 心动过速事件早期风险评估的模型的建立方法及其装置
KR102559333B1 (ko) * 2020-12-31 2023-07-28 연세대학교 원주산학협력단 수면호흡장애 환자의 인공지능 기반 심혈관질환 예측 모델을 이용한 심혈관질환 예측시스템
CN113113143B (zh) * 2021-04-12 2024-03-01 重庆大学 一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统
CN113558632B (zh) * 2021-07-26 2023-10-20 中国人民解放军陆军军医大学 基于心脑电信号的心肺复苏后神经功能结局评估系统
CN113520406B (zh) * 2021-07-27 2024-05-17 香港心脑血管健康工程研究中心有限公司 用于诊断st段抬高型心肌梗死的频域参数分析方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110897648A (zh) * 2019-12-16 2020-03-24 南京医科大学 基于脑电信号与lstm神经网络模型的情绪识别分类方法
CN115517681A (zh) * 2022-10-24 2022-12-27 无锡市精神卫生中心 Md患者情绪波动监测和情感障碍状态评估的方法和系统

Also Published As

Publication number Publication date
CN116189899A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
Merdjanovska et al. Comprehensive survey of computational ECG analysis: Databases, methods and applications
US11517212B2 (en) Electrocardiogram information dynamic monitoring method and dynamic monitoring system
Signorini et al. Monitoring fetal heart rate during pregnancy: contributions from advanced signal processing and wearable technology
US11350868B2 (en) Electrocardiogram information processing method and electrocardiogram workstation system
Mohebbian et al. Fetal ECG extraction from maternal ECG using attention-based CycleGAN
WO2019161611A1 (zh) 心电信息处理方法和心电工作站
US20220093215A1 (en) Discovering genomes to use in machine learning techniques
CN108095708A (zh) 一种基于混合传感的生理监测及分析方法、系统
Chen et al. Intelligent heartsound diagnostics on a cellphone using a hands-free kit
EP2891094A1 (en) Methods and systems for calculating and using statistical models to predict medical events
Zhou et al. ECG quality assessment using 1D-convolutional neural network
Wołk et al. Early and remote detection of possible heartbeat problems with convolutional neural networks and multipart interactive training
Deevi et al. HeartNetEC: a deep representation learning approach for ECG beat classification
Zaman et al. Estimating reliability of signal quality of physiological data from data statistics itself for real-time wearables
CN116189899B (zh) 一种基于机器学习的急危重症辅助评估系统
CN215349053U (zh) 一种先天性心脏病智能筛查机器人
Alramadeen et al. Multi-level multi-channel bio-signal analysis for health telemonitoring
Degbedzui et al. Preterm birth prediction by classification of spectral features of electrohysterography signals using 1D convolutional neural network: Preliminary results
Bashi et al. Diagnosis of obstructive apnea disease AHI in chemical warfare veterans based on HRV signals analysis using the ANFIS neural network
Liu et al. Health warning based on 3R ECG Sample's combined features and LSTM
Zhou et al. End-Edge Coordinated Multiview Deep Learning for Time-Efficient Atrial Fibrillation Detection
US20240008765A1 (en) Establishing method of sleep apnea assessment program, sleep apnea assessment system, and sleep apnea assessment method
CN109390054A (zh) 用于推测心房颤动的心跳讯号分析系统、方法及可读媒体
Sowmya et al. Detecting anomalies in fetal electrocardiogram records using deep learning models
Vieira Multimodal deep learning for heart sound and electrocardiogram classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant