CN116687371B - 一种颅内压检测方法及系统 - Google Patents
一种颅内压检测方法及系统 Download PDFInfo
- Publication number
- CN116687371B CN116687371B CN202310987825.6A CN202310987825A CN116687371B CN 116687371 B CN116687371 B CN 116687371B CN 202310987825 A CN202310987825 A CN 202310987825A CN 116687371 B CN116687371 B CN 116687371B
- Authority
- CN
- China
- Prior art keywords
- description field
- attribute description
- coefficient
- intracranial pressure
- attribute
- 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
Links
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 111
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 30
- 238000007906 compression Methods 0.000 claims description 13
- 230000006835 compression Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009795 derivation Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- 230000004048 modification Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 4
- 238000001212 derivatisation Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 206010048962 Brain oedema Diseases 0.000 description 1
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 208000006752 brain edema Diseases 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/03—Detecting, measuring or recording fluid pressure within the body other than blood pressure, e.g. cerebral pressure; Measuring pressure in body tissues or organs
- A61B5/031—Intracranial pressure
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Theoretical Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Neurosurgery (AREA)
- Hematology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供的一种颅内压检测方法及系统,对每个属性描述字段进行全局描述字段计算,得到每个属性描述字段的全局系数;依据局部系数与全局系数,计算每个属性描述字段中每个范围的关键系数;将每个范围的关键系数与每个属性描述字段进行拼接处理,得到每个属性描述字段对应的待定属性描述字段;对待定属性描述字段进行衍生处理,得到与待检测颅内压数据的置信度关联的目标属性描述字段;对目标属性描述字段进行修正处理,得到待检测颅内压数据对应的修正结果。通过不断的处理,能够尽可能的降低数据丢失等问题,从而保障了颅内压数据的精确性和可靠性,从而确保后续工作的效率。
Description
技术领域
本申请涉及数据检测技术领域,具体而言,涉及一种颅内压检测方法及系统。
背景技术
颅内压监测是颅腔内容物对颅腔壁的压力,需要将颅内压检测探测仪探头置于颅内,将探头置于额部及枕部,通过传感器将颅内压的波形传至工作站,从而完整的了解颅内压的变化情况。通过分析病人颅内压的变化,可以帮助判断患者的伤情脑水肿的情况,从而知道治疗、估计预后。
随着人们越来越关注自身身体健康,针对各项身体指标进行检测十分的重视。现目前,针对颅内压检测存在不准确的情况,这样一来,就不能准确且及时的获得患者颅内压信息,因此,亟需一种技术方案以改善上述技术问题。
发明内容
为改善相关技术中存在的技术问题,本申请提供了一种颅内压检测方法及系统。
第一方面,提供一种颅内压检测方法,所述方法包括:获得头部PPG信号,提取所述PPG中的信号包络数据,将所述信号包络数据输入至神经网络中进行推理,获得待检测颅内压数据,并对所述待检测颅内压数据进行描述字段压缩处理,得到若干个属性描述字段;对每个属性描述字段进行范围描述字段计算,得到每个属性描述字段的局部系数;对每个属性描述字段进行全局描述字段计算,得到每个属性描述字段的全局系数;依据所述局部系数与所述全局系数,计算每个属性描述字段中每个范围的关键系数;将所述每个范围的关键系数与每个属性描述字段进行拼接处理,得到所述每个属性描述字段对应的待定属性描述字段;对所述待定属性描述字段进行衍生处理,得到与所述待检测颅内压数据的置信度关联的目标属性描述字段;对所述目标属性描述字段进行修正处理,得到所述待检测颅内压数据对应的修正结果。
在一种独立实施的实施例中,所述对每个属性描述字段进行范围描述字段计算,得到每个属性描述字段的局部系数,包括:对所述每个属性描述字段进行范围投影处理,得到每个属性描述字段中多个范围的范围描述字段;依据所述范围描述字段计算所述每个属性描述字段的局部系数。
在一种独立实施的实施例中,所述对所述每个属性描述字段进行范围投影处理,得到每个属性描述字段中多个范围的范围描述字段,包括:获得待划分范围的范围系数;按照所述范围系数将所述每个属性描述字段划分为多个范围;根据每个属性描述字段与所述范围系数,投影得到每个范围的范围描述字段。
在一种独立实施的实施例中,所述对每个属性描述字段进行全局描述字段计算,得到每个属性描述字段的全局系数,包括:对所述每个属性描述字段进行全局二值化处理,得到所述每个属性描述字段的全局描述字段;依据所述全局描述字段计算所述每个属性描述字段的全局系数。
在一种独立实施的实施例中,所述依据所述局部系数与所述全局系数,计算每个属性描述字段中每个范围的关键系数,包括:将所述局部系数与所述全局系数进行信号方向组合,得到所述每个属性描述字段的组合系数;依据所述局部系数与所述组合系数计算每个属性描述字段中每个范围的关键系数。
在一种独立实施的实施例中,所述对所述待定属性描述字段进行衍生处理,得到与所述待检测颅内压数据的置信度关联的目标属性描述字段,包括:从每个属性描述字段对应的待定属性描述字段中,选取目标种类的待定属性描述字段,得到第一待定属性描述字段;对所述第一待定属性描述字段进行衍生处理后得到第一参考属性描述字段;获得与目标种类靠近的前一种类的第二待定属性描述字段;将所述第一参考属性描述字段与所述第二待定属性描述字段进行描述字段组合,得到组合后属性描述字段;对所述组合后属性描述字段进行关键内容抽取处理,得到与所述第二待定属性描述字段对应的置信度关联的第二参考属性描述字段;获得所述第二参考属性描述字段的置信度;若所述置信度与所述待检测颅内压数据的置信度一致,则确定所述第二参考属性描述字段为目标属性描述字段。
在一种独立实施的实施例中,所述获得所述第二参考属性描述字段的置信度之后,所述方法还包括:若所述置信度与所述待检测颅内压数据的置信度不一致,则将所述第二参考属性描述字段作为第一待定属性描述字段;返回执行所述对所述第一待定属性描述字段进行衍生处理后得到第一参考属性描述字段,直到所述第二参考属性描述字段的置信度与所述待检测颅内压数据的置信度一致。
在一种独立实施的实施例中,所述将所述每个范围的关键系数与每个属性描述字段进行拼接处理,得到所述每个属性描述字段对应的待定属性描述字段之后,所述方法还包括:获得每个属性描述字段的局部系数;依据所述局部系数计算每个属性描述字段中每个范围的局部关键系数;将所述局部关键系数与每个待定属性描述字段进行拼接处理,得到每个参考待定属性描述字段;所述对所述待定属性描述字段进行衍生处理,得到与所述待检测颅内压数据的置信度关联的目标属性描述字段,包括:对所述参考待定属性描述字段进行衍生处理,得到与所述待检测颅内压数据的置信度关联的目标属性描述字段。
在一种独立实施的实施例中,所述对所述目标属性描述字段进行修正处理,得到所述待检测颅内压数据对应的修正结果,包括:对所述目标属性描述字段进行修正处理,得到属性修正结果;将所述属性修正结果与所述待检测颅内压数据进行信号方向组合,得到所述待检测颅内压数据对应的修正结果。
第二方面,提供一种颅内压检测系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
本申请实施例所提供的一种颅内压检测方法及系统,获得待检测颅内压数据,并对所述待检测颅内压数据进行描述字段压缩处理,得到若干个属性描述字段;对每个属性描述字段进行范围描述字段计算,得到每个属性描述字段的局部系数;对每个属性描述字段进行全局描述字段计算,得到每个属性描述字段的全局系数;依据所述局部系数与所述全局系数,计算每个属性描述字段中每个范围的关键系数;将所述每个范围的关键系数与每个属性描述字段进行拼接处理,得到所述每个属性描述字段对应的待定属性描述字段;对所述待定属性描述字段进行衍生处理,得到与所述待检测颅内压数据的置信度关联的目标属性描述字段;对所述目标属性描述字段进行修正处理,得到所述待检测颅内压数据对应的修正结果。这样一来,通过不断的处理,能够尽可能的降低数据丢失等问题,从而保障了颅内压数据的精确性和可靠性,从而确保后续工作的效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种颅内压检测方法的流程图。
图2A为本申请实施例所提供的一种光电容积脉搏波描述意图。
图2B为本申请实施例所提供的一种颅内压示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种颅内压检测方法,该方法可以包括以下步骤101-107所描述的技术方案。
101、获得头部PPG信号,提取所述PPG中的信号包络数据,将所述信号包络数据输入至神经网络中进行推理,获得待检测颅内压数据,并对待检测颅内压数据进行描述字段压缩处理,得到若干个属性描述字段。
其中,本申请和现在技术的区别是采用的信号包络数据如图2A和图2B所示,本申请能够具体的限制约束边缘。从而提高数据的精确性。
其中,图2A和图2B分别表示收缩峰和舒张谷的预约边界。图2A表示光电容积脉搏波描记法,图2B表示颅内压。
进一步地,图2A中的数据进行如下处理获得图2B中所描述的内容。
其中,该待检测颅内压数据可以是通过采集采集头部PPG信号获得数据,提取信号包络,然后送入(input)神经网络,经过神经网络推理,输出估计(output)的颅内压信号包络。
譬如,从计算机设备本地或者与计算机设备连接的服务器中获得待检测颅内压数据,然后通过事先设定信号处理模型提取待检测颅内压数据的属性描述字段,并对该属性描述字段进行多种类压缩关键内容抽取处理,得到多种类的属性描述字段。
102、对每个属性描述字段进行范围描述字段计算,得到每个属性描述字段的局部系数。
可以理解的是,在本实施例中,为了提高对属性描述字段整体数据之间联系的理解,可以获得属性描述字段中的表征局部范围不一致数据之间关系的局部系数与表征属性描述字段全局数据关系的全局系数,并对局部系数与全局系数进行拼接计算,来提高对属性描述字段整体之间联系的理解,从而提高范围描述字段计算的全局合理性。
在一实施例中,对每个属性描述字段进行范围描述字段计算,得到每个属性描述字段的局部系数,可以包括如下步骤。
S21、对每个属性描述字段进行范围投影处理,得到每个属性描述字段中多个范围的范围描述字段。
其中,范围投影处理可以是指通过事先设定信号处理模型中的线性投影函数对属性描述字段中划分的多个范围进行描述字段计算,得到多个范围的范围描述字段。
可选地,对每个属性描述字段进行范围投影处理,得到每个属性描述字段中多个范围的范围描述字段,包括如下步骤。
(1)获得待划分范围的范围系数。
该范围系数可以是事先设定信号处理模型配置得到的。在对每个属性描述字段进行范围投影处理时,可以通过事先设定信号处理模型赋予该范围系数,从而按照范围系数将每个属性描述字段划分为多个范围,或者通过事先设定信号处理模型从计算机设备中对应的存储位置获得该范围系数。
(2)按照范围系数将每个属性描述字段划分为多个范围。
可以理解的是,该待检测颅内压数据的属性描述字段可以组成一个描述字段集。如果是待检测的是颅内压数据,那么对待检测的颅内压数据进行描述字段压缩处理就可以得到一个描述字段集,如果待检测的是修正结果,那么对待检测的修正结果进行描述字段提取就可以得到3个描述字段集。种类压缩的种类与种类之间会有若干个卷积核,上一种类和每个描述字段集跟每个卷积核做卷积,都会产生下一种类的一个描述字段集。
在本实施例中对属性描述字段进行范围划分可以是对属性描述字段对应的描述字段集进行范围划分,得到多个范围。
(3)根据每个属性描述字段与范围系数,投影得到每个范围的范围描述字段。
S22、根据范围描述字段计算每个属性描述字段的局部系数。
其中,该局部系数可以是指范围描述字段对应的局部描述字段系数。
譬如,通过将各个范围描述字段与描述字段计算函数相乘可以得到每个属性描述字段的局部系数。
103、对每个属性描述字段进行全局描述字段计算,得到每个属性描述字段的全局系数。
可以理解的是,在本实施例中,为了提高对属性描述字段整体数据之间联系的理解,可以对每个属性描述字段进行全局描述字段计算,从而得到属性描述字段中表征属性描述字段全局数据关系的全局系数,并对局部系数与全局系数进行拼接计算,来提高对属性描述字段整体之间联系的理解,从而提高描述字段计算的全局合理性。
在一实施例中,对每个属性描述字段进行全局描述字段计算,得到每个属性描述字段的全局系数,可以包括如下步骤。
S31、对每个属性描述字段进行全局二值化处理,得到每个属性描述字段的全局描述字段。
S32、根据全局描述字段计算每个属性描述字段的全局系数。
其中,全局系数用于表征属性描述字段中整体数据之间的关系。
104、根据局部系数与全局系数,计算每个属性描述字段中每个范围的关键系数。
其中,该范围的关键系数是用于表征属性描述字段中每个范围中不一致数据之间关联性的矩阵。
在本实施例中通过局部系数与全局系数,计算每个属性描述字段中每个范围的关键系数,从而使得事先设定信号处理模型可以注意到待检测颅内压数据中不一致部分数据之间的相关性,进而提高属性描述字段计算的全局合理性。
在一实施例中,根据局部系数与全局系数,计算每个属性描述字段中每个范围的关键系数,可以包括如下步骤。
S41、将局部系数与全局系数进行信号方向组合,得到每个属性描述字段的组合系数。
该关键系数可以包括关键系数以及局部关键系数。其中,每个属性描述字段中每个范围的关键系数可以通过局部系数与全局系数来计算,每个属性描述字段中每个范围的局部关键系数可以通过局部系数计算。
S42、根据局部系数与组合系数计算每个属性描述字段中每个范围的关键系数。
105、将每个范围的关键系数与每个属性描述字段进行拼接处理,得到每个属性描述字段对应的待定属性描述字段。
其中,拼接处理可以是将关键系数加载至每个属性描述字段中。待定属性描述字段为加载关键系数后的属性描述字段。
譬如,将每个范围的关键系数加载至每个属性描述字段中得到每个属性描述字段对应的待定属性描述字段。从而使得事先设定信号处理模型可以注意到待检测颅内压数据中不一致部分数据之间的相关性,进而提高属性描述字段计算的全局合理性。
在一实施例中,将每个范围的关键系数与每个属性描述字段进行拼接处理,得到每个属性描述字段对应的待定属性描述字段之后,方法还包括如下步骤。
S51、获得每个属性描述字段的局部系数。
可以理解的是,在本实施例中在将基于局部系数和全局系数计算得到的每个范围的关键系数拼接到属性描述字段,得到待定属性描述字段后,为了更加合理地拼接局部信息与全局信息,可以基于属性描述字段中的局部系数对属性描述字段进行计算,从而得到属性描述字段中各个范围对应的局部关键系数,通过该局部关键系数对待定属性描述字段进行描述字段组合后得到参考待定属性描述字段,可以更合理地平衡属性描述字段中的全局信息与局部信息。
譬如,在通过全局本地多头自注意力模块基于属性描述字段中的局部系数和全局系数计算得到每个范围的关键系数,并将每个范围的关键系数与属性描述字段组合得到待定属性描述字段后,可以基于属性描述字段的局部系数计算得到每个范围的局部关键系数,从而通过该局部关键系数对待定属性描述字段进行描述字段组合后得到参考待定属性描述字段,可以更合理地平衡属性描述字段中的全局信息与局部信息。
S52、根据局部系数计算每个属性描述字段中每个范围的局部关键系数。
S53、将局部关键系数与每个待定属性描述字段进行拼接处理,得到每个参考待定属性描述字段。
其中,拼接处理可以是将该局部关键系数加载至每个待定属性描述字段中。待定属性描述字段为健在关键系数后的属性描述字段。
对应的,对待定属性描述字段进行衍生处理,得到与待检测颅内压数据的置信度关联的目标属性描述字段,可以包括:对参考待定属性描述字段进行衍生处理,得到与待检测颅内压数据的置信度关联的目标属性描述字段。
106、对待定属性描述字段进行衍生处理,得到与待检测颅内压数据的置信度关联的目标属性描述字段。
其中,种类压缩过程中的种类由前到后对应的属性描述字段的置信度由高到低,种类衍生过程中的种类由前到后对应的属性描述字段的置信度由小到大。
可以理解的是,对待检测颅内压数据的属性描述字段进行种类压缩得到若干个待定属性描述字段的过程,对若干个待定属性描述字段进行衍生处理的过程。在对待检测颅内压数据进行种类压缩处理过程中,从前到后压缩得到的属性描述字段对应的置信度依次下降,譬如,相邻种类中后一个种类的属性描述字段的置信度为前一个种类的属性描述字段的置信度的0.5,在对属性描述字段进行关键系数拼接得到各个种类的待定属性描述字段后,可以对待定属性描述字段进行衍生处理,得到与待检测颅内压数据的置信度关联的目标属性描述字段。在对待定属性描述字段进行衍生处理的过程中,从前到后衍生后的每个种类对应的置信度从小到大。因此,在对待定属性描述字段进行衍生处理后的属性描述字段的置信度与待检测颅内压数据的置信度匹配时,相当于对属性描述字段的置信度进行还原,此时衍生处理后的属性描述字段可以作为目标属性描述字段,并可以对目标属性描述字段进行后续处理,后续处理可以是修正处理,以保障颅内压数据的可靠度。
在一实施例中,对待定属性描述字段进行衍生处理,得到与待检测颅内压数据的置信度关联的目标属性描述字段,可以包括如下步骤。
S61、从每个属性描述字段对应的待定属性描述字段中,选取目标种类的待定属性描述字段,得到第一待定属性描述字段。
其中,第一待定属性描述字段为各个种类的待定属性描述字段中的置信度最低的待定属性描述字段。
S62、对第一待定属性描述字段进行衍生处理后得到第一参考属性描述字段。
其中,第一参考属性描述字段的置信度高于第一待定属性描述字段的置信度。
譬如,通过事先设定信号处理模型中的衍生模块对第一待定属性描述字段进行衍生处理,可以将低置信度的第一待定属性描述字段通过处理得到高置信度的第一参考属性描述字段。
S63、获得与目标种类靠近的前一种类的第二待定属性描述字段。
其中,与目标种类靠近的前一种类的第一待定属性描述字段的置信度高于目标种类的待定属性描述字段的置信度。
S64、将第一参考属性描述字段与第二待定属性描述字段进行描述字段组合,得到组合后属性描述字段。
S65、对组合后属性描述字段进行关键内容抽取处理,得到与第二待定属性描述字段对应的置信度关联的第二参考属性描述字段。
譬如,可以通过事先设定信号处理模型中的卷积模块对组合后属性描述字段进行关键内容抽取处理,得到与第二待定属性描述字段对应的置信度关联的第二参考属性描述字段,该第二参考属性描述字段的置信度与目标种类的第二待定属性描述字段的置信度可以一致。
S66、获得第二参考属性描述字段的置信度;
S67、若置信度与待检测颅内压数据的置信度一致,则确定第二参考属性描述字段为目标属性描述字段。
可以理解的是,若第二参考属性描述字段的置信度与待检测颅内压数据的置信度一致,那么可以表示该第二参考属性描述字段相当于对待定属性描述字段的置信度进行还原成功,此时的第二参考属性描述字段可以作为目标属性描述字段,并可以对目标属性描述字段进行后续处理,后续处理可以是修正处理,以保障颅内压数据的可靠度。
S68、若置信度与待检测颅内压数据的置信度不一致,则将第二参考属性描述字段作为第一待定属性描述字段。
S69、返回执行对第一待定属性描述字段进行衍生处理后得到第一参考属性描述字段,直到第二参考属性描述字段的置信度与待检测颅内压数据的置信度一致。
可以理解的是,若第二参考属性描述字段的置信度与待检测颅内压数据的置信度不一致,那么可以表示该第二参考属性描述字段并未对待定属性描述字段的置信度进行还原成功,因此需要返回执行对第一待定属性描述字段进行衍生处理后得到第一参考属性描述字段,获得与目标种类靠近的前一种类的第二待定属性描述字段;将第一参考属性描述字段与第二待定属性描述字段进行描述字段组合,得到组合后属性描述字段;对组合后属性描述字段进行关键内容抽取处理,得到与第二待定属性描述字段对应的置信度关联的第二参考属性描述字段的步骤,直到第二参考属性描述字段的置信度与待检测颅内压数据的置信度一致。
107、对目标属性描述字段进行修正处理,得到待检测颅内压数据对应的修正结果。
进一步地,本申请采用双波长近红外光发射光源、近红外光接收传感器及控制器实现,其中,发射和接收传感器之间的距离L,代表近红外光可以穿透头骨的深度D,他们的关系大概是L = D/1.5。这就代表我们测量PPG信号的深度范围。
在一实施例中,对目标属性描述字段进行修正处理,得到待检测颅内压数据对应的修正结果,包括:对目标属性描述字段进行修正处理,得到属性修正结果;将属性修正结果与待检测颅内压数据进行信号方向组合,得到待检测颅内压数据对应的修正结果。
其中,修正结果包括待检测颅内压数据的亮度通道与属性修正结果对应的颜色通道。
在本申请实施例提供的技术方案中计算机设备可以获得待检测颅内压数据,并对待检测颅内压数据进行描述字段压缩处理,得到若干个属性描述字段;对每个属性描述字段进行范围描述字段计算,得到每个属性描述字段的局部系数;对每个属性描述字段进行全局描述字段计算,得到每个属性描述字段的全局系数;根据局部系数与全局系数,计算每个属性描述字段中每个范围的关键系数;将每个范围的关键系数与每个属性描述字段进行拼接处理,得到每个属性描述字段对应的待定属性描述字段;对待定属性描述字段进行衍生处理,得到与待检测颅内压数据的置信度关联的目标属性描述字段;对目标属性描述字段进行修正处理,得到待检测颅内压数据对应的修正结果。这样一来,通过不断的处理,能够尽可能的降低数据丢失等问题,从而保障了颅内压数据的精确性和可靠性,从而确保后续工作的效率。
在上述基础上,提供了一种颅内压检测装置,所述装置包括:
数据压缩模块,用于获得待检测颅内压数据,并对所述待检测颅内压数据进行描述字段压缩处理,得到若干个属性描述字段;
局部系数得到模块,用于对每个属性描述字段进行范围描述字段计算,得到每个属性描述字段的局部系数;
全局系数得到模块,用于对每个属性描述字段进行全局描述字段计算,得到每个属性描述字段的全局系数;
关键系数计算模块,用于依据所述局部系数与所述全局系数,计算每个属性描述字段中每个范围的关键系数;
属性得到模块,用于将所述每个范围的关键系数与每个属性描述字段进行拼接处理,得到所述每个属性描述字段对应的待定属性描述字段;
置信度得到模块,用于对所述待定属性描述字段进行衍生处理,得到与所述待检测颅内压数据的置信度关联的目标属性描述字段;
结果修正模块,用于对所述目标属性描述字段进行修正处理,得到所述待检测颅内压数据对应的修正结果。
在上述基础上,示出了一种颅内压检测系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,获得待检测颅内压数据,并对所述待检测颅内压数据进行描述字段压缩处理,得到若干个属性描述字段;对每个属性描述字段进行范围描述字段计算,得到每个属性描述字段的局部系数;对每个属性描述字段进行全局描述字段计算,得到每个属性描述字段的全局系数;依据所述局部系数与所述全局系数,计算每个属性描述字段中每个范围的关键系数;将所述每个范围的关键系数与每个属性描述字段进行拼接处理,得到所述每个属性描述字段对应的待定属性描述字段;对所述待定属性描述字段进行衍生处理,得到与所述待检测颅内压数据的置信度关联的目标属性描述字段;对所述目标属性描述字段进行修正处理,得到所述待检测颅内压数据对应的修正结果。这样一来,通过不断的处理,能够尽可能的降低数据丢失等问题,从而保障了颅内压数据的精确性和可靠性,从而确保后续工作的效率。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种颅内压检测方法,其特征在于,所述方法包括:
获得头部PPG信号,提取所述PPG中的信号包络数据,将所述信号包络数据输入至神经网络中进行推理,获得待检测颅内压数据,并对所述待检测颅内压数据进行描述字段压缩处理,得到若干个属性描述字段;
对每个属性描述字段进行范围描述字段计算,得到每个属性描述字段的局部系数;
对每个属性描述字段进行全局描述字段计算,得到每个属性描述字段的全局系数;
依据所述局部系数与所述全局系数,计算每个属性描述字段中每个范围的关键系数;
将所述每个范围的关键系数与每个属性描述字段进行拼接处理,得到所述每个属性描述字段对应的待定属性描述字段;
对所述待定属性描述字段进行衍生处理,得到与所述待检测颅内压数据的置信度关联的目标属性描述字段;
对所述目标属性描述字段进行修正处理,得到所述待检测颅内压数据对应的修正结果。
2.根据权利要求1所述的颅内压检测方法,其特征在于,所述对每个属性描述字段进行范围描述字段计算,得到每个属性描述字段的局部系数,包括:
对所述每个属性描述字段进行范围投影处理,得到每个属性描述字段中多个范围的范围描述字段;
依据所述范围描述字段计算所述每个属性描述字段的局部系数。
3.根据权利要求2所述的颅内压检测方法,其特征在于,所述对所述每个属性描述字段进行范围投影处理,得到每个属性描述字段中多个范围的范围描述字段,包括:
获得待划分范围的范围系数;
按照所述范围系数将所述每个属性描述字段划分为多个范围;
根据每个属性描述字段与所述范围系数,投影得到每个范围的范围描述字段。
4.根据权利要求1所述的颅内压检测方法,其特征在于,所述对每个属性描述字段进行全局描述字段计算,得到每个属性描述字段的全局系数,包括:
对所述每个属性描述字段进行全局二值化处理,得到所述每个属性描述字段的全局描述字段;
依据所述全局描述字段计算所述每个属性描述字段的全局系数。
5.根据权利要求1所述的颅内压检测方法,其特征在于,所述依据所述局部系数与所述全局系数,计算每个属性描述字段中每个范围的关键系数,包括:
将所述局部系数与所述全局系数进行信号方向组合,得到所述每个属性描述字段的组合系数;
依据所述局部系数与所述组合系数计算每个属性描述字段中每个范围的关键系数。
6.根据权利要求1所述的颅内压检测方法,其特征在于,所述对所述待定属性描述字段进行衍生处理,得到与所述待检测颅内压数据的置信度关联的目标属性描述字段,包括:
从每个属性描述字段对应的待定属性描述字段中,选取目标种类的待定属性描述字段,得到第一待定属性描述字段;
对所述第一待定属性描述字段进行衍生处理后得到第一参考属性描述字段;
获得与目标种类靠近的前一种类的第二待定属性描述字段;
将所述第一参考属性描述字段与所述第二待定属性描述字段进行描述字段组合,得到组合后属性描述字段;对所述组合后属性描述字段进行关键内容抽取处理,得到与所述第二待定属性描述字段对应的置信度关联的第二参考属性描述字段;
获得所述第二参考属性描述字段的置信度;
若所述置信度与所述待检测颅内压数据的置信度一致,则确定所述第二参考属性描述字段为目标属性描述字段。
7.根据权利要求6所述的颅内压检测方法,其特征在于,所述获得所述第二参考属性描述字段的置信度之后,所述方法还包括:
若所述置信度与所述待检测颅内压数据的置信度不一致,则将所述第二参考属性描述字段作为第一待定属性描述字段;
返回执行所述对所述第一待定属性描述字段进行衍生处理后得到第一参考属性描述字段,直到所述第二参考属性描述字段的置信度与所述待检测颅内压数据的置信度一致。
8.根据权利要求1所述的颅内压检测方法,其特征在于,所述将所述每个范围的关键系数与每个属性描述字段进行拼接处理,得到所述每个属性描述字段对应的待定属性描述字段之后,所述方法还包括:
获得每个属性描述字段的局部系数;依据所述局部系数计算每个属性描述字段中每个范围的局部关键系数;
将所述局部关键系数与每个待定属性描述字段进行拼接处理,得到每个参考待定属性描述字段;
所述对所述待定属性描述字段进行衍生处理,得到与所述待检测颅内压数据的置信度关联的目标属性描述字段,包括:对所述参考待定属性描述字段进行衍生处理,得到与所述待检测颅内压数据的置信度关联的目标属性描述字段。
9.根据权利要求8所述的颅内压检测方法,其特征在于,所述对所述目标属性描述字段进行修正处理,得到所述待检测颅内压数据对应的修正结果,包括:
对所述目标属性描述字段进行修正处理,得到属性修正结果;
将所述属性修正结果与所述待检测颅内压数据进行信号方向组合,得到所述待检测颅内压数据对应的修正结果。
10.一种颅内压检测系统,其特征在于,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987825.6A CN116687371B (zh) | 2023-08-08 | 2023-08-08 | 一种颅内压检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987825.6A CN116687371B (zh) | 2023-08-08 | 2023-08-08 | 一种颅内压检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116687371A CN116687371A (zh) | 2023-09-05 |
CN116687371B true CN116687371B (zh) | 2023-09-29 |
Family
ID=87826209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310987825.6A Active CN116687371B (zh) | 2023-08-08 | 2023-08-08 | 一种颅内压检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116687371B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203777475U (zh) * | 2014-02-21 | 2014-08-20 | 四川大学华西第二医院 | 基于颅内压反馈调节脑室内脑脊液引流量的装置 |
WO2014168718A1 (en) * | 2013-03-15 | 2014-10-16 | University Of Florida Research Foundation, Inc. | Devices and methods for monitoring directional blood flow and pulse wave velocity with photoplethysmography |
CN111084616A (zh) * | 2019-12-17 | 2020-05-01 | 四川大学 | 一种无创颅内压监测方法及装置 |
CN115423037A (zh) * | 2022-09-27 | 2022-12-02 | 马萃 | 一种基于大数据的用户分类方法及系统 |
WO2023040499A1 (zh) * | 2021-09-16 | 2023-03-23 | 支付宝(杭州)信息技术有限公司 | 知识图谱数据融合 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8512260B2 (en) * | 2008-10-29 | 2013-08-20 | The Regents Of The University Of Colorado, A Body Corporate | Statistical, noninvasive measurement of intracranial pressure |
US20210121087A1 (en) * | 2018-05-02 | 2021-04-29 | Massachusetts Institute Of Technology | System and methods for model-based noninvasive estimation and tracking of intracranial pressure |
EP4106844A4 (en) * | 2020-02-20 | 2024-03-20 | Dexcom Inc | MACHINE LEARNING IN AN ARTIFICIAL PANCREA |
-
2023
- 2023-08-08 CN CN202310987825.6A patent/CN116687371B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014168718A1 (en) * | 2013-03-15 | 2014-10-16 | University Of Florida Research Foundation, Inc. | Devices and methods for monitoring directional blood flow and pulse wave velocity with photoplethysmography |
CN203777475U (zh) * | 2014-02-21 | 2014-08-20 | 四川大学华西第二医院 | 基于颅内压反馈调节脑室内脑脊液引流量的装置 |
CN111084616A (zh) * | 2019-12-17 | 2020-05-01 | 四川大学 | 一种无创颅内压监测方法及装置 |
WO2023040499A1 (zh) * | 2021-09-16 | 2023-03-23 | 支付宝(杭州)信息技术有限公司 | 知识图谱数据融合 |
CN115423037A (zh) * | 2022-09-27 | 2022-12-02 | 马萃 | 一种基于大数据的用户分类方法及系统 |
Non-Patent Citations (3)
Title |
---|
Feng, Junfeng.Real-world appraisal of intracranial pressure monitoring.《LANCET NEUROLOGY》.2020,全文. * |
Liu, Haipeng.Effect of intracranial pressure on photoplethysmographic waveform in different cerebral perfusion territories: A computational study.《FRONTIERS IN PHYSIOLOGY》.2023,全文. * |
孙建.磁感应相位技术监测脑出血导致的颅内压增高的实验研究.《中国优秀博士学位论文全文数据库》.2015,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116687371A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10909671B2 (en) | Region of interest weighted anomaly detection | |
US11826129B2 (en) | Heart rate prediction from a photoplethysmogram | |
CN110929780A (zh) | 视频分类模型构建、视频分类的方法、装置、设备及介质 | |
US20180107574A1 (en) | Detecting anomalous sensors | |
US10748555B2 (en) | Perception based multimedia processing | |
US20210118137A1 (en) | Method and apparatus of labeling target in image, and computer recording medium | |
US11151456B1 (en) | Predicting brain data using machine learning models | |
CN113080988B (zh) | 基于注意力机制的12导联心电图整体分类方法和装置 | |
CN105225222A (zh) | 对不同图像集的感知视觉质量的自动评估 | |
CN116687371B (zh) | 一种颅内压检测方法及系统 | |
EP3614313A1 (en) | Estimating confidence of machine-learning output | |
CN108509179B (zh) | 用于检测人脸的方法、用于生成模型的装置 | |
US11420039B2 (en) | Tree-based data exploration and data-driven protocol | |
US11651289B2 (en) | System to identify and explore relevant predictive analytics tasks of clinical value and calibrate predictive model outputs to a prescribed minimum level of predictive accuracy | |
CN115481197B (zh) | 一种分布式数据处理方法、系统及云平台 | |
CN113605980B (zh) | 基于物联网的智能预警矿井安全的方法及系统 | |
US20220211283A1 (en) | Methods for blood pressure calibration selection and modeling methods thereof | |
US20220008019A1 (en) | Heart Rate Correction Using External Data | |
CN116912351B (zh) | 基于人工智能的颅内结构成像的修正方法及系统 | |
US20210279891A1 (en) | Detecting subject motion in medical imaging | |
CN113611425B (zh) | 基于软件定义的智能化区域医疗集成数据库的方法及系统 | |
CN115631829B (zh) | 一种基于穴位按摩设备的网络连接多模态检测方法及系统 | |
CN116630247B (zh) | 脑血流图像处理方法及装置、脑血流监测系统 | |
CN115409510B (zh) | 一种在线交易安全系统及方法 | |
CN113645063B (zh) | 基于边缘计算的智能集成数据的方法及系统 |
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 |