CN109350006B - 糖尿病并发症视网膜病变数据检测方法、仪器及医疗设备 - Google Patents

Abstract

本发明涉及医疗仪器技术领域，公开了一种糖尿病并发症视网膜病变数据的检测方法、仪器及医疗设备。所述糖尿病并发症视网膜病变数据的检测方法，包括：采集患者的心电信号数据；计算采集的心电信号数据中RR间期序列；对计算的RR间期序列进行特征分析以获取特征数据；将分析获取的特征数据与预先训练的视网膜病变检测模型进行特征匹配；以及根据特征匹配的结果生成糖尿病并发症视网膜病变的检测数据。本发明的技术方案，可方便快捷地基于糖尿病并发症视网膜病变的检测数据、患者病情或结合其他医疗检测数据情进一步分析，以对患者进行视网膜病变的诊断和治疗，提升了糖尿病并发症视网膜病变数据检测的便捷性、舒适性、工作效率和用户体验。

Description

糖尿病并发症视网膜病变数据检测方法、仪器及医疗设备

技术领域

本发明涉及医疗仪器技术领域，尤其涉及一种糖尿病并发症视网膜病变数据的检测方法、仪器及医疗设备。

背景技术

糖尿病影响人体的新陈代谢，还容易引起并发症视网膜病变。目前糖尿病并发症视网膜病变需要患者去医院和采用专业的仪器进行检测，通常采用散瞳眼底检查、眼底荧光血管造影、B超检查或OCT检查等方式进行检测，检测会耗费患者较多时间和精力，同时会给患者带来生理痛苦，导致糖尿病并发症视网膜病变数据检测的便捷性、舒适性、工作效率和用户体验不佳。

发明内容

鉴于此，本发明提供一种糖尿病并发症视网膜病变数据的检测方法、仪器及医疗设备，解决现有糖尿病并发症视网膜病变数据检测的便捷性、舒适性、工作效率和用户体验不佳的技术问题。

根据本发明一个实施例，提供一种糖尿病并发症视网膜病变数据的检测方法，包括：采集患者的心电信号数据；计算采集的心电信号数据中RR间期序列；对计算的RR间期序列进行特征分析以获取特征数据；将分析获取的特征数据与预先训练的视网膜病变检测模型进行特征匹配；以及根据特征匹配的结果生成糖尿病并发症视网膜病变的检测数据。

优选的，所述糖尿病并发症视网膜病变数据的检测方法还包括训练视网膜病变检测模型，所述训练视网膜病变检测模型，包括：采集不同患者不同时间的心电信号以及对应的视网膜病变数据；通过训练模型算法对采集的心电信号以及对应的视网膜病变数据进行训练，以生成心电信号和视网膜病变数据对应关系的模型函数；以及基于生成的模型函数和采集的视网膜病变数据生成视网膜病变检测模型。

优选的，所述特征数据为时域特征、频域特征、非线性特征中的一种或组合。

优选的，所述时域特征为RR间期的平均值、标准差、平均值的标准差、相邻RR间期差值的平方根、相邻RR间期差值大于阈值的数量、相邻RR间期差值大于阈值的数量与全部RR间期的数量的比值中的一种或组合，所述频域特征为心电信号频域图像中不同频段的线下面积、心电信号频域图像中不同频段下线下面积占总线下面积的百分比、心电信号频域图像中不同频段下线下面积相互之间的比值中的一种或组合，所述非线性特征为心电信号去波动趋势后时间序列图像的整体斜率、心电信号去趋势波动分析后第一段时间序列图像的斜率、心电信号去趋势波动分析后第二段时间序列图像的斜率中的一种或组合。

优选的，在所述根据特征匹配的结果生成糖尿病并发症视网膜病变的检测数据之后，还包括：当生成的检测数据超出预设警戒范围时，提醒所述检测数据。

根据本发明另一个实施例，还提供一种糖尿病并发症视网膜病变数据的检测仪器，包括：心电信号采集模块，用于采集患者的心电信号数据；RR间期序列计算模块，用于计算所述心电信号采集模块采集的心电信号数据中RR间期序列；特征数据分析模块，用于对所述RR间期序列计算模块计算的RR间期序列进行特征分析以获取特征数据；检测模型匹配模块，用于将所述特征数据分析模块分析获取的特征数据与预先训练的视网膜病变检测模型进行特征匹配；以及检测数据生成模块，用于根据所述检测模型匹配模块的特征匹配的结果生成糖尿病并发症视网膜病变的检测数据。

优选的，所述糖尿病并发症视网膜病变数据的检测仪器还包括视网膜病变检测模型训练模块，所述视网膜病变检测模型训练模块进一步包括：数据采集单元，用于采集不同患者不同时间的心电信号以及对应的视网膜病变数据；模型函数训练单元，用于通过训练模型算法对所述数据采集单元采集的心电信号以及对应的视网膜病变数据进行训练，以生成心电信号和视网膜病变数据对应关系的模型函数；以及检测模型生成单元，用于基于所述模型函数训练单元生成的模型函数和所述数据采集单元采集的视网膜病变数据生成视网膜病变检测模型。

优选的，所述特征数据为时域特征、频域特征、非线性特征中的一种或组合。

优选的，所述时域特征为RR间期的平均值、标准差、平均值的标准差、相邻RR间期差值的平方根、相邻RR间期差值大于阈值的数量、相邻RR间期差值大于阈值的数量与全部RR间期的数量的比值中的一种或组合，所述频域特征为心电信号频域图像中不同频段的线下面积、心电信号频域图像中不同频段下线下面积占总线下面积的百分比、心电信号频域图像中不同频段下线下面积相互之间的比值中的一种或组合，所述非线性特征为心电信号去波动趋势后时间序列图像的整体斜率、心电信号去趋势波动分析后第一段时间序列图像的斜率、心电信号去趋势波动分析后第二段时间序列图像的斜率中的一种或组合。

根据本发明又一个实施例，还提供一种医疗设备，所述医疗设备包括上述的糖尿病并发症视网膜病变数据的检测仪器。

本发明提供的糖尿病并发症视网膜病变数据的检测方法、仪器及医疗设备，采集患者的心电信号数据；计算采集的心电信号数据中RR间期序列；对计算的RR间期序列进行特征分析以获取特征数据；将分析获取的特征数据与预先训练的视网膜病变检测模型进行特征匹配；以及根据特征匹配的结果生成糖尿病并发症视网膜病变的检测数据，可方便快捷地基于糖尿病并发症视网膜病变的检测数据、患者病情或结合其他医疗检测数据情进一步分析，以对患者进行糖尿病并发症视网膜病变的诊断和治疗，提升了糖尿病并发症视网膜病变数据检测的便捷性、舒适性、工作效率和用户体验。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1为本发明一个实施例中糖尿病并发症视网膜病变数据的检测方法的流程示意图。

图2为本发明一个实施例中训练视网膜病变检测模型的流程示意图。

图3为本发明另一个实施例中糖尿病并发症视网膜病变数据的检测仪器的结构示意图。

图4为本发明又一个实施例中糖尿病并发症视网膜病变数据的检测仪器的结构示意图。

图5为本发明又一个实施例中视网膜病变检测模型训练模块的结构示意图。

图6为本发明再一个实施例中医疗设备的结构示意图。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案作进一步更详细的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，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作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以结合具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

图1为本发明一个实施例中糖尿病并发症视网膜病变数据的检测方法的流程示意图。如图所示，所述糖尿病并发症视网膜病变数据的检测方法，包括：

步骤S101：采集患者的心电信号数据。

在本实施例中，当需要对患者进行糖尿病并发症视网膜病变数据检测时，可选用通用的心电信号采集设备或家用心电采集设备采集患者的心电信号数据，患者可在家自行采集心电信号数据，且采集过程简单而无创伤，提升了糖尿病并发症视网膜病变数据检测的便捷性、舒适性、工作效率和用户体验。

步骤S102：计算采集的心电信号数据中RR间期序列。

在本实施例中，进一步计算采集的心电信号数据中RR间期序列，所述RR间期为心电信号波形中R峰和R峰的时间间隔。

步骤S103：对计算的RR间期序列进行特征分析以获取特征数据。

在本实施例中，对计算的RR间期序列进行特征分析以获取特征数据，所述特征数据可包括时域特征、频域特征和非线性特征。其中，所述时域特征可包括RR间期的平均值、标准差、平均值的标准差、相邻RR间期差值的平方根、相邻RR间期差值大于阈值的数量、相邻RR间期差值大于阈值的数量与全部RR间期的数量的比值中的一种或组合。所述频域特征可包括心电信号频域图像中不同频段的线下面积、心电信号频域图像中不同频段下线下面积占总线下面积的百分比、心电信号频域图像中不同频段下线下面积相互之间的比值中的一种或组合。所述非线性特征可包括心电信号去波动趋势后时间序列图像的整体斜率、心电信号去趋势波动分析后第一段时间序列图像的斜率、心电信号去趋势波动分析后第二段时间序列图像的斜率中的一种或组合。

步骤S104：将分析获取的特征数据与预先训练的视网膜病变检测模型进行特征匹配。

在分析获取到患者的特征数据后，进一步将分析获取的特征数据与预先训练的视网膜病变检测模型进行特征匹配。具体的，将分析获取的所有时域特征、频域特征和非线性特征等特征数据逐项与预先训练的视网膜病变检测模型中的所有特征模板进行相似度匹配，当发现特定特征数据与其中一个特征模板相似度超过预设阈值时，判断两者特征匹配成功，否则判断两者特征匹配失败。

步骤S105：根据特征匹配的结果生成糖尿病并发症视网膜病变的检测数据。

在本实施例中，当分析获取的特征数据与预先训练的视网膜病变检测模型中特定特征模板匹配时，根据所述视网膜病变检测模型中心电信号和视网膜病变数据对应关系的模型函数，可输出所述特定特征模板对应的视网膜病变数据而生成当前患者糖尿病并发症视网膜病变的检测数据，可方便快捷地基于糖尿病并发症视网膜病变的检测数据、患者病情或结合其他医疗检测数据情进一步分析，以对患者进行糖尿病并发症视网膜病变的诊断和治疗，提升了糖尿病并发症视网膜病变数据检测的便捷性、舒适性、工作效率和用户体验。

在一些实施例中，在所述根据特征匹配的结果生成糖尿病并发症视网膜病变的检测数据之后，当生成的检测数据超出预设警戒范围时，进一步可通过文字、语音或跳出警报窗口等方式提醒检测数据，以便根据警报数据准确及时地制定和调整治疗方案，提升了治疗效果。

参见图2，在进行糖尿病并发症视网膜病变数据检测之前，还需要预先训练视网膜病变检测模型，所述训练视网膜病变检测模型，包括：

步骤201：采集不同患者不同时间的心电信号以及对应的视网膜病变数据。

步骤202：通过训练模型算法对采集的心电信号以及对应的视网膜病变数据进行训练，以生成心电信号和视网膜病变数据对应关系的模型函数。

步骤203：基于生成的模型函数和采集的视网膜病变数据生成视网膜病变检测模型。

在本实施例中，首选采集大量不同患者不同时间的心电信号以及对应的视网膜病变数据，然后通过训练模型算法对采集的心电信号以及对应的视网膜病变数据进行大量机器学习和训练，进而生成心电信号和视网膜病变数据对应关系的模型函数，最终基于生成的模型函数和采集的视网膜病变数据生成视网膜病变检测模型。视网膜病变检测模型生成后，可将实时采集的患者心电信号作为输入，根据所述视网膜病变检测模型中心电信号和视网膜病变数据对应关系的模型函数，可输出所述特定特征模板对应的视网膜病变数据而生成当前患者糖尿病并发症视网膜病变的检测数据。

图3为本发明另一个实施例中糖尿病并发症视网膜病变数据的检测仪器的结构示意图。基于上述方法实施例，本实施例提供的糖尿病并发症视网膜病变数据的检测仪器100，包括心电信号采集模块10、RR间期序列计算模块20、特征数据分析模块30、检测模型匹配模块40和检测数据生成模块50。

在本实施例中，当需要对患者进行糖尿病并发症视网膜病变数据检测时，所述心电信号采集模块10可选用通用的心电信号采集设备或家用心电采集设备，采集患者的心电信号数据，患者可在家自行采集心电信号数据，且采集过程简单而无创伤，提升了糖尿病并发症视网膜病变数据检测的便捷性、舒适性、工作效率和用户体验。

在本实施例中，所述RR间期序列计算模块20进一步计算所述心电信号采集模块10采集的心电信号数据中RR间期序列，所述RR间期为心电信号波形中R峰和R峰的时间间隔。

在本实施例中，所述特征数据分析模块30对所述RR间期序列计算模块20计算的RR间期序列进行特征分析以获取特征数据，所述特征数据可包括时域特征、频域特征和非线性特征。其中，所述时域特征可包括RR间期的平均值、标准差、平均值的标准差、相邻RR间期差值的平方根、相邻RR间期差值大于阈值的数量、相邻RR间期差值大于阈值的数量与全部RR间期的数量的比值中的一种或组合。所述频域特征可包括心电信号频域图像中不同频段的线下面积、心电信号频域图像中不同频段下线下面积占总线下面积的百分比、心电信号频域图像中不同频段下线下面积相互之间的比值中的一种或组合。所述非线性特征可包括心电信号去波动趋势后时间序列图像的整体斜率、心电信号去趋势波动分析后第一段时间序列图像的斜率、心电信号去趋势波动分析后第二段时间序列图像的斜率中的一种或组合。

在所述特征数据分析模块30分析获取到患者的特征数据后，所述检测模型匹配模块40进一步将所述特征数据分析模块30分析获取的特征数据与预先训练的视网膜病变检测模型进行特征匹配。具体的，所述检测模型匹配模块40将所述特征数据分析模块30分析获取的所有时域特征、频域特征和非线性特征等特征数据逐项与预先训练的视网膜病变检测模型中的所有特征模板进行相似度匹配，当发现特定特征数据与其中一个特征模板相似度超过预设阈值时，判断两者特征匹配成功，否则判断两者特征匹配失败。

在本实施例中，所述检测模型匹配模块40在进行特征匹配时，当发现所述特征数据分析模块30分析获取的特征数据与预先训练的视网膜病变检测模型中特定特征模板匹配时，所述检测数据生成模块50根据所述视网膜病变检测模型中心电信号和视网膜病变数据对应关系的模型函数，可输出所述特定特征模板对应的视网膜病变数据而生成当前患者糖尿病并发症视网膜病变的检测数据，可方便快捷地基于糖尿病并发症视网膜病变的检测数据、患者病情或结合其他医疗检测数据情进一步分析，以对患者进行糖尿病并发症视网膜病变的诊断和治疗，提升了糖尿病并发症视网膜病变数据检测的便捷性、舒适性、工作效率和用户体验。

参见图4和图5，本发明又一个实施例提供的糖尿病并发症视网膜病变数据的检测仪器100，包括心电信号采集模块10、RR间期序列计算模块20、特征数据分析模块30、检测模型匹配模块40、检测数据生成模块50和视网膜病变检测模型训练模块60。所述视网膜病变检测模型训练模块60进一步包括数据采集单元601、模型函数训练单元602和检测模型生成单元603。

在本实施例中，所述数据采集单元601首选采集大量不同患者不同时间的心电信号以及对应的视网膜病变数据，然后所述模型函数训练单元602通过训练模型算法对采集的心电信号以及对应的视网膜病变数据进行大量机器学习和训练，进而生成心电信号和视网膜病变数据对应关系的模型函数，所述检测模型生成单元603最终基于所述模型函数训练单元602生成的模型函数和所述数据采集单元601采集的视网膜病变数据生成视网膜病变检测模型。在所述视网膜病变检测模型训练模块60生成视网膜病变检测模型后，所述检测数据生成模块50可将实时采集的患者心电信号数据作为输入，根据所述视网膜病变检测模型中心电信号和视网膜病变数据对应关系的模型函数，可输出所述特定特征模板对应的视网膜病变数据而生成当前患者糖尿病并发症视网膜病变的检测数据。

图6为本发明再一个实施例中医疗设备的结构示意图。如图所示，本发明再一实施例还提供一种医疗设备200，所述医疗设备包括上述实施例中的糖尿病并发症视网膜病变数据的检测仪器100，可方便快捷地基于糖尿病并发症视网膜病变的检测数据、患者病情或结合其他医疗检测数据情进一步分析，以对患者进行糖尿病并发症视网膜病变的诊断和治疗，提升了医疗设备对于糖尿病并发症视网膜病变数据检测的便捷性、舒适性、工作效率和用户体验。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.一种糖尿病并发症视网膜病变数据的检测方法，其特征在于，包括：

训练视网膜病变检测模型，所述训练视网膜病变检测模型，包括：采集不同患者不同时间的心电信号以及对应的视网膜病变数据；通过训练模型算法对采集的心电信号以及对应的视网膜病变数据进行训练，以生成心电信号和视网膜病变数据对应关系的模型函数；以及基于生成的模型函数和采集的视网膜病变数据生成视网膜病变检测模型；

采集患者的心电信号数据；

计算采集的心电信号数据中RR间期序列；

对计算的RR间期序列进行特征分析以获取特征数据；

将分析获取的特征数据与预先训练的视网膜病变检测模型进行特征匹配；以及

根据特征匹配的结果生成糖尿病并发症视网膜病变的检测数据。

2.根据权利要求1所述的糖尿病并发症视网膜病变数据的检测方法，其特征在于，所述特征数据为时域特征、频域特征、非线性特征中的一种或组合。

3.根据权利要求2所述的糖尿病并发症视网膜病变数据的检测方法，其特征在于，所述时域特征为RR间期的平均值、标准差、平均值的标准差、相邻RR间期差值的平方根、相邻RR间期差值大于阈值的数量、相邻RR间期差值大于阈值的数量与全部RR间期的数量的比值中的一种或组合，所述频域特征为心电信号频域图像中不同频段的线下面积、心电信号频域图像中不同频段下线下面积占总线下面积的百分比、心电信号频域图像中不同频段下线下面积相互之间的比值中的一种或组合，所述非线性特征为心电信号去波动趋势后时间序列图像的整体斜率、心电信号去趋势波动分析后第一段时间序列图像的斜率、心电信号去趋势波动分析后第二段时间序列图像的斜率中的一种或组合。

4.根据权利要求1所述的糖尿病并发症视网膜病变数据的检测方法，其特征在于，在所述根据特征匹配的结果生成糖尿病并发症视网膜病变的检测数据之后，还包括：当生成的检测数据超出预设警戒范围时，提醒所述检测数据。

5.一种糖尿病并发症视网膜病变数据的检测仪器，其特征在于，包括：

视网膜病变检测模型训练模块，所述视网膜病变检测模型训练模块进一步包括：数据采集单元，用于采集不同患者不同时间的心电信号以及对应的视网膜病变数据；模型函数训练单元，用于通过训练模型算法对所述数据采集单元采集的心电信号以及对应的视网膜病变数据进行训练，以生成心电信号和视网膜病变数据对应关系的模型函数；以及检测模型生成单元，用于基于所述模型函数训练单元生成的模型函数和所述数据采集单元采集的视网膜病变数据生成视网膜病变检测模型；

心电信号采集模块，用于采集患者的心电信号数据；

RR间期序列计算模块，用于计算所述心电信号采集模块采集的心电信号数据中RR间期序列；

特征数据分析模块，用于对所述RR间期序列计算模块计算的RR间期序列进行特征分析以获取特征数据；

检测模型匹配模块，用于将所述特征数据分析模块分析获取的特征数据与预先训练的视网膜病变检测模型进行特征匹配；以及

检测数据生成模块，用于根据所述检测模型匹配模块的特征匹配的结果生成糖尿病并发症视网膜病变的检测数据。

6.根据权利要求5所述的糖尿病并发症视网膜病变数据的检测仪器，其特征在于，所述特征数据为时域特征、频域特征、非线性特征中的一种或组合。

7.根据权利要求6所述的糖尿病并发症视网膜病变数据的检测仪器，其特征在于，所述时域特征为RR间期的平均值、标准差、平均值的标准差、相邻RR间期差值的平方根、相邻RR间期差值大于阈值的数量、相邻RR间期差值大于阈值的数量与全部RR间期的数量的比值中的一种或组合，所述频域特征为心电信号频域图像中不同频段的线下面积、心电信号频域图像中不同频段下线下面积占总线下面积的百分比、心电信号频域图像中不同频段下线下面积相互之间的比值中的一种或组合，所述非线性特征为心电信号去波动趋势后时间序列图像的整体斜率、心电信号去趋势波动分析后第一段时间序列图像的斜率、心电信号去趋势波动分析后第二段时间序列图像的斜率中的一种或组合。

8.一种医疗设备，其特征在于，所述医疗设备包括如权利要求5至7任一项所述的糖尿病并发症视网膜病变数据的检测仪器。

Images