CN109358289B - 有源植入医疗设备的电池寿命确定方法及设备 - Google Patents

Abstract

本发明提供一种有源植入医疗设备的电池寿命确定方法及设备，所述方法包括：获取有源植入医疗设备的设备信息和用户个人信息；利用至少一个机器学习模型根据所述设备信息和用户个人信息计算所述有源植入医疗设备的电池的剩余寿命信息，其中所述机器学习模型是利用多个样本数据进行训练得到的，所述样本数据包括样本设备信息、样本个人信息及其相应的使用寿命信息。

Description

有源植入医疗设备的电池寿命确定方法及设备

技术领域

本发明涉及医疗器械领域，具体涉及一种有源植入医疗设备的电池寿命确定方法及设备。

背景技术

人体植入式医疗设备(Implantable Medical Device,IMD)是一种安装于用户身体内部的医疗器械，这种设备内部具有电池，芯片，传感器，依靠设定的程序和运行参数来实现相应的疗法，这些运行参数可以按照用户的病症情况采用不同的设置。因为用户病因、病情不相同，因此不同的用户体内安装的可植入式医疗设备，一般具有不同的运行状态，这些运行状态体现在可植入医疗设备的电池电压、运行时间、功率、电流的大小、频率等很多方面。

对于非充电式的IMD，了解其电池的剩余使用时间对于制定对用户的治疗方案而言是很有必要的。现有技术能够评估电池的剩余电量，例如可以采用百分比的形式显示剩余电量，但是IMD功耗的变化比较复杂，通过电量难以了解到其剩余使用时间。

评估IMD的电池寿命是很难的问题，现有技术一般都是根据实验室的测试数据来评估在当前使用条件不变的情况下IMD还能够工作多久。例如根据实验室测试数据，以及设备的工作原理等先验知识，拟合出某种公式，然后根据当前电池剩余电量、病人的刺激参数以及阻抗信息来评估电池的剩余寿命。这种方法有一个重要的局限，即假定在之后的进程中IMD的工作状态不会发生改变。而在实际中，这种情况几乎是不存在的。因此通过某种公式计算剩余寿命的方式准确性较差。

发明内容

有鉴于此，本发明提供一种有源植入医疗设备的电池寿命确定方法，括：

获取有源植入医疗设备的设备信息和用户个人信息；

利用至少一个机器学习模型根据所述设备信息和用户个人信息计算所述有源植入医疗设备的电池的剩余寿命信息，其中所述机器学习模型是利用多个样本数据进行训练得到的，所述样本数据包括样本设备信息、样本个人信息及其相应的使用寿命信息。

优选地，所述设备信息包括电池的当前剩余电量信息和所述有源植入医疗设备的参数。

优选地，所述有源植入医疗设备的参数包括刺激参数和阻抗信息。

优选地，所述用户个人信息包括用户疾病信息、用户体征信息和用户治疗信息中的至少一种信息。

优选地，所述用户疾病信息包括用户当前疾病的诊断信息、用户病史信息和用户当前疾病的症状信息中的至少一种信息。

优选地，所述用户体征信息包括年龄信息、性别信息和生理信息。

优选地，所述用户治疗信息包括用药信息和康复锻炼信息。

优选地，所述用药信息包括药物类别信息、用药频率信息和剂量信息。

优选地，所述利用至少一个机器学习模型根据所述设备信息和用户个人信息计算所述有源植入医疗设备的电池的剩余寿命信息，包括：

利用多个机器学习模型分别根据所述设备信息和用户个人信息计算所述有源植入医疗设备的电池的剩余寿命信息，其中不同的机器学习模型所采用的学习算法不相同；

综合各个机器学习模型计算出的剩余寿命信息得到最终结果。

本发明还提供一种电子设备，包括：至少一个处理器以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述有源植入医疗设备的电池寿命确定方法。

根据本发明提供的有源植入医疗设备的电池寿命确定方法及设备，利用经过样本数据训练的机器学习模型，根据用户个人信息和设备信息对植入医疗设备的剩余寿命进行预测，使得预测过程结合大量历史数据充分考虑用户疾病进展对于电池剩余使用时间的影响，由此可以提高电池剩余寿命的评估准确性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例中的医疗系统示意图；

图2为本发明实施例中的有源植入医疗设备的电池寿命确定方法的流程图；

图3为本发明实施例中的单个机器学习模型的数据处理示意图；

图4为本发明实施例中的多个机器学习模型的数据处理示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

本发明提供的技术方案采用机器学习模型预测有源植入医疗设备的电池寿命，在实施预测之前首先需要建立机器学习模型。可用的机器学习算法(模型)有多种，例如决策树、支持向量机以及各种深度学习模型。通过样本数据对初始的模型进行训练，即可使其能够根据给定的输入数据预测电池寿命信息。

本发明提供的技术方案针对的是非充电植入医疗设备，例如包括DBS(deep brainstimulation，脑深部刺激)、VNS(vagusneve stimulation，迷走神经刺激)、SCS(Spinalcord stimulation,脊髓电刺激)和SNM(Sacral Neuromodulation，骶神经刺激系统)等非充电产品。作为植入医疗设备的生产方或者技术服务方，可以定期对已有用户的个人信息及其使用的植入医疗设备信息进行采集，直至设备电池电量用尽，该设备的工作时间即为电池寿命，这是采集样本数据的过程。不同种类的植入医疗设备的电池寿命差异较大，大多数电池可维持设备工作数年，可挑选设备工作的数年中的用户信息和设备信息作为样本数据。

构建机器学习模型的操作可以由计算机或者服务器等设备执行，首先要获取大量样本数据，各个样本数据分别包括样本设备信息、样本个人信息及其相应的使用寿命信息。

作为一个举例，例如对于同一个用户，假设其使用的植入医疗设备的总寿命为两年，在两年间每隔一个月采集一次用户信息和设备信息，则在第一个月可采集到n种用户信息和n种设备信息；第二个月又可采集到n种用户信息和n种设备信息，按照此方式，对于两年的使用时间可以采集到24组样本数据，两年的使用寿命即为这些样本数据的标签信息。

根据上述举例，还可以针对更多的用户和设备进行信息采集，由此可获得大量的样本数据。

用户信息分为两种情况，第一是不会发生变化的诸如性别的固有信息，另一种是随时间发生变化的生理信息、病症信息、治疗信息等等。设备信息一般情况均会随时间发送变化，例如刺激参数、阻抗等等。在采集样本数据时可针对各种用户信息和设备信息进行全面采集，用户信息包括但不限于以下信息：用户疾病信息、用户个人信息和用户治疗信息。

其中，用户疾病信息包括用户当前疾病的诊断信息、用户病史信息和用户当前疾病的症状信息。用户个人信息包括年龄信息、性别信息和生理信息。用户治疗信息包括用药信息和康复锻炼信息。进一步地，用药信息可包括药物类别信息、用药频率信息和剂量信息。

设备信息包括但不限于当前剩余电量信息和工作参数，例如刺激参数和阻抗信息。

在根据上述过程获取了大量的样本数据后，即可使用这些数据对模型进行训练，使其学习个人信息和设备信息(输入数据)与电池寿命(标签信息)之间的关系，同时设置收敛条件，使其正确率满足使用要求(例如正确率大于95％)。

本发明实施例提供一种有源植入医疗设备的电池寿命确定方法，本方法可以用于确定DBS(deep brain stimulation，脑深部刺激)、VNS(vagusneve stimulation，迷走神经刺激)、SCS(Spinal cord stimulation,脊髓电刺激)和SNM(Sacral Neuromodulation，骶神经刺激系统)等非充电产品的电池寿命，执行本方法的主体可以是服务器、个人计算机、植入医疗设备的程控装置或者植入医疗设备本身。

在一个具体应用场景中，本发明提供的方法由一个服务器来执行，该场景示出了一个医疗系统，如图1所示，该系统包括服务器1、植入医疗设备2、程控装置3和用户终端4。如图2所示，服务器1执行的有源植入医疗设备的电池寿命确定方法包括如下步骤：

S1,获取有源植入医疗设备的设备信息和用户个人信息，其中的设备信息可以由植入医疗设备2自带的传感器进行采集，然后发送到程控装置3，再发送到服务器1；用户信息可以由用户通过用户终端4发送到服务器1，例如以填写表格的方式提供，或者也可以采用其他辅助设备(如智能手环等体征检测装置)进行采集，针对不同种类的用户信息，可采用不同的采集手段。

S2,利用机器学习模型根据设备信息和用户个人信息计算有源植入医疗设备的电池的剩余寿命信息，关于机器学习模型可参照上述对模型构建的介绍。如图3所示，设备信息和用户个人信息是向机器学习模型输入的数据，剩余寿命信息是输出数据。设备信息和个人信息可以分别包括多种，具体种类取决于使用何种数据对模型进行训练，保证数据的种类一致即可。所输入的可以是任一时刻的信息，而输出的是自该时刻起至电量耗尽的时间，具体表达形式可以是天、小时等。服务器1在预测出剩余寿命信息后可将该信息发送至用户终端4。

根据本发明实施例提供的有源植入医疗设备的电池寿命确定方法，利用经过样本数据训练的机器学习模型，根据用户个人信息和设备信息对植入医疗设备的剩余寿命进行预测，使得预测过程结合大量历史数据充分考虑用户疾病进展对于电池剩余使用时间的影响，以此提高电池剩余寿命的评估准确性。

在一个实施例中，上述设备信息可以包括电池的当前剩余电量信息和有源植入医疗设备的参数。剩余电量信息的计算方式有多种，例如可以根据电池厂商提供的电池电量与时间的对应曲线进行查询，或者可以自设备启动开始统计电池耗电量从而获得当前时刻的剩余电量。

设备的参数例如包括刺激参数和阻抗信息，这些参数通常会根据用户的情况发生变化，也即不同的时刻所获取的参数可能是不相同的。例如在使用期间病症发生变化时，用户或者技术服务方、医生可能会调整设备的刺激信号幅度、脉宽、频率、脉冲模式、循环模式和变频等参数。阻抗的变化主要取决与用户的体征变化，也即设备工作环境的变化。

上述实施例充分考虑用户个人情况和电池剩余电量及设备工作参数对剩余寿命的影响，由此可以提高电池寿命的预测准确性。

在一个实施例中，上述用户个人信息可包括用户疾病信息、用户体征信息和用户治疗信息中的至少一种信息。

具体地，用户疾病信息可包括用户当前疾病的诊断信息、用户病史信息和用户当前疾病的症状信息，例如可以选取若干最主要的症状，并对症状进行评分，将分值作为个人信息的一部分。症状例如包括震颤、僵直、步态等，可以采用统一的评估量表如统一UPDRS(UnifiedParkinson’s Disease Rating Scale，统一帕金森病评定量表)，也可以采用如智能手环等智能设备的自动化评估结果；

用户体征信息可包括年龄信息、性别信息和生理信息，如体重、身高等信息；

用户治疗信息可包括用药信息和康复锻炼信息，用药信息可包括药物类别(名称)信息、用药频率信息和剂量信息。

上述实施例充分考虑用户疾病信息、用户体征信息和用户治疗信息以及设备工作情况对剩余寿命的影响，由此可以提高电池寿命的预测准确性。

对电池电量剩余寿命的评估操作可以定期自动地执行，也可以应用户需要而启动执行。为了提高便利性，可以在启动评估操作操作时(步骤S1之前)向用户呈现一个调查表，使用户在给定的各个选项中选择最符合自身情况的选项，以达到获取个人信息的目的，这种方式可以使个人信息统一化，从而提高效率和便利性。

作为一个优选的实施例，上述步骤S2中可以利用多个机器学习模型分别根据设备信息和用户个人信息计算有源植入医疗设备的电池的剩余寿命信息，然后综合各个机器学习模型计算出的剩余寿命信息得到最终结果。其中不同的机器学习模型所采用的学习算法不相同，例如决策树、支持向量机以及各种深度学习算法等等。

图4示出了一个具体的处理方式，在本实施例中采用了2个机器学习模型，它们分别接收相同的设备信息和用户个人信息，由此第一机器学习模型41输出第一剩余寿命信息、第二机器学习模型42输出第二剩余寿命信息，然后将这两个结果作为判断模块43的输入数据，由判断模块根据这两个结果输出一个最终的剩余寿命信息。

判断模块可以采用多种处理方式，例如简单的求平均值的方式，也可以采用比较复杂的交叉验证的方式，所以第一剩余寿命信息和第二剩余寿命信息可以不是以天或小时等时间计量单位表达的结果，而是特征向量，判断模块33可根据特征向量进行进一步分类而得到最终的寿命信息。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种有源植入医疗设备的电池寿命确定方法，其特征在于，包括：

获取有源植入医疗设备的设备信息和用户个人信息，所述用户个人信息包括用户疾病信息、用户体征信息和用户治疗信息中的至少一种信息；

利用至少一个机器学习模型根据所述设备信息和用户个人信息计算所述有源植入医疗设备的电池的剩余寿命信息，其中所述机器学习模型是利用多个样本数据进行训练得到的，所述样本数据包括样本设备信息、样本个人信息及其相应的使用寿命信息。

2.权利要求1所述的方法，其特征在于，所述设备信息包括电池的当前剩余电量信息和所述有源植入医疗设备的参数。

3.权利要求2所述的方法，其特征在于，所述有源植入医疗设备的参数包括刺激参数和阻抗信息。

4.权利要求1所述的方法，其特征在于，所述用户疾病信息包括用户当前疾病的诊断信息、用户病史信息和用户当前疾病的症状信息中的至少一种信息。

5.权利要求1所述的方法，其特征在于，所述用户体征信息包括年龄信息、性别信息和生理信息。

6.权利要求1所述的方法，其特征在于，所述用户治疗信息包括用药信息和康复锻炼信息。

7.权利要求6所述的方法，其特征在于，所述用药信息包括药物类别信息、用药频率信息和剂量信息。

8.权利要求1-7中任一项所述的方法，其特征在于，所述利用至少一个机器学习模型根据所述设备信息和用户个人信息计算所述有源植入医疗设备的电池的剩余寿命信息，包括：

利用多个机器学习模型分别根据所述设备信息和用户个人信息计算所述有源植入医疗设备的电池的剩余寿命信息，其中不同的机器学习模型所采用的学习算法不相同；

综合各个机器学习模型计算出的剩余寿命信息得到最终结果。

9.一种电子设备，其特征在于，包括：至少一个处理器以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-8中任一项所述的有源植入医疗设备的电池寿命确定方法。

Images