CN111063453A - 一种心力衰竭早期检测方法 - Google Patents

一种心力衰竭早期检测方法 Download PDF

Info

Publication number
CN111063453A
CN111063453A CN201811200508.0A CN201811200508A CN111063453A CN 111063453 A CN111063453 A CN 111063453A CN 201811200508 A CN201811200508 A CN 201811200508A CN 111063453 A CN111063453 A CN 111063453A
Authority
CN
China
Prior art keywords
physiological
heart failure
data
patient
signal
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.)
Granted
Application number
CN201811200508.0A
Other languages
English (en)
Other versions
CN111063453B (zh
Inventor
周春姐
戴鹏飞
张振兴
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.)
Ludong University
Original Assignee
Ludong University
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 Ludong University filed Critical Ludong University
Priority to CN201811200508.0A priority Critical patent/CN111063453B/zh
Publication of CN111063453A publication Critical patent/CN111063453A/zh
Application granted granted Critical
Publication of CN111063453B publication Critical patent/CN111063453B/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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种心力衰竭早期检测方法，旨在将大数据与人工智能技术引入到医疗健康领域，发现各种疾病和综合症，挖掘有价值的信息，为心力衰竭的诊断和治疗提供系统决策。其技术要点是，通过云端平台收集患者的日常生理数据，提出了统一描述海量医疗数据特性并满足复杂语义的心电数据关联关系分析，和基于时间序列的生理指标相似性评估策略，从而进行心力衰竭的早期检测和预警。该方法使用从132例患者（47例失代偿事件和85例正常事件）收集的血压，呼吸频率，心率和体重等心电监测的生理数据，验证了所提方案特别适用于检测早期心力衰竭代偿失调，从而为用户提供高效、智能、个性化的服务。本发明适用于心力衰竭的早期检测，从而可以通过改变生活方式和药物干预等，有效延缓心力衰竭的发展。

Description

一种心力衰竭早期检测方法
技术领域
本发明属于新一代信息技术领域，涉及大数据和人工智能应用于医养健康的版权保护。
背景技术
心力衰竭（HF）患病率逐年攀升，是医疗保险中成本最高的疾病之一。美国的心力衰竭患者约570万人，每年约825,000个新病例，年费约330亿美元。欧洲所有死亡人数中有45%来自心血管疾病，超过20%的欧洲公民患有慢性心血管疾病，如心肌梗死，心律失常和心力衰竭。中国的心力衰竭患者高达3000多万，确诊后5年内的死亡率高达50%，平均每年约150万人死于心力衰竭。可见，心力衰竭已经成为一个重大的公共卫生问题，造成相当大的发病率和死亡率。研究发现，如果能够提供心力衰竭的早期检测，通过改变生活方式和药物干预等，可以有效延缓心力衰竭的发展。然而，由于症状的多样性，心力衰竭是一种复杂的异质性疾病，在日常护理中难以检测。因此如何做好心力衰竭的早期检测成为亟待解决的问题。
现有的离散傅立叶变换和奇异值分解等方法，只限于单个条件，最多两个，当包含大量条件时，建模系统的复杂性就会急剧增加。而实际上心力衰竭经常伴随和引起多种并发症，从而使得这些建模方法错误百出；另外，现有方法也没有考虑时间序列的高维度性，缺乏实时处理能力。而海量的医疗数据具有实时高频、多源异构、关系复杂、个性随机等特点，所有这些因素使得及时发现心电异常，准确发出预警信号变得非常困难。
发明内容
本发明的目的是提供一种基于小波分解和卡胡南-洛夫变换的心力衰竭早期检测方法，图1展示了本发明的功能架构。云端的医疗、健康机构及专家对感知到的用户心电数据进行关联关系分析和趋势相似性评估，从而通过健康云向用户发出健康预警。该发明所提出的心力衰竭早期检测技术可以应用于社区医疗和居家养老等领域。其中关联关系分析的具体过程描述如下：
第一步：构建数据样本：HeartCarer是一个基于云平台的家庭远程监控系统，专门用于心力衰竭患者的监督，并适时地进行干预。该系统通过可穿戴技术监测各项生理指标，并通过移动设备或电话线将其上传到云端。通过云端的专家系统进行智能分析，从而向患者提供专业建议和反馈。
第二步：构建某项生理指标进展的高层视图：根据患者的历史生理指标数据，构建出某项生理指标进展的高层视图H = a1→ a2→…→ an。其中ai是离散变量，它的值是一个ICD代码，对应于患者n次生理指标记录中的第i次。
第三步：历史记录H可以用一个历史矢量v=v(H)来表示，该矢量是一个有固定长度的二进制值。其中，每个向量元素对应一个特定的生理指标编码，当且仅当相对应的生理指标在历史记录中存在时，其值为1：
Figure RE-211024DEST_PATH_IMAGE001
（1）
其中，A是生理指标编码的集合，i(a)指向历史矢量中的生理指标编码a，H1,2是空历史记录的退化形式。
第四步：生理指标进展建模问题被简化成求解不同时刻生理指标之间的转换概率问题；
Figure RE-392606DEST_PATH_IMAGE002
（2）。
第五步：从表示过去存在的某个特定生理指标编码的历史矢量转换到一种过去不存在的生理指标是不可能的，即：
Figure RE-37739DEST_PATH_IMAGE003
（3）
然而，其反过程并不成立。
第六步：只有历史矢量没有变化的，或者一个附加生理指标的重新编码才可以进行转换；
Figure RE-671982DEST_PATH_IMAGE004
（4）
此公式给出了
Figure RE-175776DEST_PATH_IMAGE005
个转换中非零转换概率的数目上限。实际应用中，转换的真实数目少得多，从而可以高效地存储和访问该模型。
第七步：与第j个患者相关的各项生理指标数据e1,e2,…en表示为Fj,1,Fj,2,…Fj,k。例如，如果我们监测5项生理指标，而某位患者的e1,e2和e4指标存在异常，则可以表示为(F1,1,F1,2,…,F1,5) = (1,1,0,1,0)。
第八步：利用贝叶斯分类器的思想来得到F0的概率，其中，F0代表生理指标e0出现异常这一事件；
Figure RE-477444DEST_PATH_IMAGE006
（5）
同时，生理指标e0没有出现异常这一事件的概率
Figure RE-290548DEST_PATH_IMAGE007
为：
Figure RE-412088DEST_PATH_IMAGE008
（6）。
第九步：患者pj和某数据e0之间的关联关系可以表示为一个日志记录函数，即生理指标e0出现异常的概率除以e0未出现异常的概率；
Figure RE-719573DEST_PATH_IMAGE009
（7）
其中，
Figure RE-62698DEST_PATH_IMAGE010
表示患者pj和数据e0之间的关系，
Figure RE-797436DEST_PATH_IMAGE010
的值越大，表示数据e0和患者pj越相关，即数据e0出现异常的概率越大。
第十步：将
Figure RE-406272DEST_PATH_IMAGE010
做如下简化：
Figure RE-501136DEST_PATH_IMAGE011
（8）
利用所采集数据的特点，可以对上述公式做进一步的简化。由于一个数据只有两种状态—“正常”或“异常”，因此，利用
Figure RE-511817DEST_PATH_IMAGE012
和
Figure RE-417456DEST_PATH_IMAGE007
的可能属性，公式（8）中的
Figure RE-513588DEST_PATH_IMAGE013
和
Figure RE-403354DEST_PATH_IMAGE014
可以被消掉，从而
Figure RE-268542DEST_PATH_IMAGE010
可以表示为：
Figure RE-345082DEST_PATH_IMAGE015
（9）。
第十一步：由条件概率的概念可知，以下联合概率成立：
Figure RE-53144DEST_PATH_IMAGE016
（10）
因此，公式（8）可以进一步简化为：
Figure RE-755390DEST_PATH_IMAGE017
（11）
其中，
Figure RE-412767DEST_PATH_IMAGE018
。
第十二步：对所有数据按照
Figure RE-722526DEST_PATH_IMAGE010
的大小进行降序排序。序列中值越大的数据表示患者
Figure RE-980201DEST_PATH_IMAGE019
在该项生理指标上出现异常的概率越大。
本发明所述趋势相似性评估的具体步骤描述如下：
第一步：垂直偏移去除：为了消除垂直偏移，模板信号X(t)首先被修改为X(t)= X(t)-
Figure RE-971290DEST_PATH_IMAGE020
，其中
Figure RE-938634DEST_PATH_IMAGE020
是模板X(t)的均值。
第二步：模板的小波分解：一个离散小波变换过程被应用于模板信号X(t)，然后根据原序列的近似值和一些细节操作进行分解。假设模板信号的长度为N，则原始信号可以表示为公式（12），即N个正交基的集合函数
Figure RE-606244DEST_PATH_IMAGE021
；
Figure RE-101948DEST_PATH_IMAGE022
（12）
基础函数
Figure RE-693466DEST_PATH_IMAGE023
是系数
Figure RE-574703DEST_PATH_IMAGE024
的正交和合并，因此，
Figure RE-491844DEST_PATH_IMAGE025
，其中
Figure RE-209264DEST_PATH_IMAGE026
，是一个特定的Haar小波基。
第三步：最佳基还原：使用小波变换时，原正交基集合的还原通常是由分解水平确定的。基于能量和熵的概念，以确定最佳的分解水平。
第四步：为了减少小波基的数量，本发明采用卡胡南-洛夫变换。KLT的基函数可以通过计算由小波基组成的协方差矩阵的特征向量（也称主成分）来得到。就L2标准误差而言，选取协方差矩阵的J个最高特征值所对应的正交基，即是信号X(t)的最佳近似值；
Figure RE-791424DEST_PATH_IMAGE027
（13）
该过程中，参数
Figure RE-605796DEST_PATH_IMAGE028
是预先定义的，用来指定近似的精度。事实上，该参数决定了还原过程中所考虑的正交基数目，使L2标准误差最小，如公式（14）；
Figure RE-365942DEST_PATH_IMAGE029
（14）。
第五步：信号描述：与模板X(t)相比，信号
Figure RE-822856DEST_PATH_IMAGE030
最初被描述为基函数
Figure RE-959439DEST_PATH_IMAGE023
的线性组合，这些基函数是用于描述模板的；
Figure RE-815268DEST_PATH_IMAGE031
（15）
由于基是正交的，系数
Figure RE-746315DEST_PATH_IMAGE032
总是存在的，并且可以定义为下面的等式，其中操作数<a,b>是点积；
Figure RE-687595DEST_PATH_IMAGE033
（16）。
第六步：模板X(t)和信号Y(t)之间的相似性度量取决于两个向量系数
Figure RE-362290DEST_PATH_IMAGE034
和
Figure RE-72626DEST_PATH_IMAGE035
之间的距离，即，
Figure RE-502470DEST_PATH_IMAGE036
。在此使用的是欧氏距离，定义为下列等式：
Figure RE-681779DEST_PATH_IMAGE037
（17）。
第七步：根据等式（17），该距离可以直接转换为相似性度量
Figure RE-146783DEST_PATH_IMAGE038
，其中
Figure RE-727937DEST_PATH_IMAGE039
；
Figure RE-374688DEST_PATH_IMAGE040
（18）。
第八步：趋势度量（ST）可以描述为下列等式（19），其中nps表示正号的数量；
Figure RE-41292DEST_PATH_IMAGE041
（19）
如果所有系数
Figure RE-120107DEST_PATH_IMAGE042
都是正的，表示模板和信号呈现完全相同的趋势。因此，nps(
Figure RE-805035DEST_PATH_IMAGE043
)=J，趋势相似性度量ST(
Figure RE-576682DEST_PATH_IMAGE044
)= 1。反之，如果所有系数都是负的，则信号呈现出完全相反的趋势。此时，nps(
Figure RE-465004DEST_PATH_IMAGE043
)=0，并且ST(
Figure RE-549108DEST_PATH_IMAGE044
)=0。其他情况下，nps(
Figure RE-901592DEST_PATH_IMAGE043
)和ST(
Figure RE-781823DEST_PATH_IMAGE044
)的取值范围分别为：
Figure RE-344392DEST_PATH_IMAGE045
和
Figure RE-951959DEST_PATH_IMAGE046
。
第九步：多变量趋势相似性：如果时间序列（生理指标）的数量大于1，则可以计算包含n个时间序列的两个生理指标
Figure RE-549163DEST_PATH_IMAGE047
和
Figure RE-662612DEST_PATH_IMAGE048
之间的趋势相似性，从而呈现出信号Xi(t)和Yi(t)之间的个体相似性组合。在最简单的情况下，公式（18）和（19）中的多变量相似性和趋势相似性可以被认为是公式（20）和（21）中个体化趋势的平均值；
Figure RE-525526DEST_PATH_IMAGE049
（20）
Figure RE-939714DEST_PATH_IMAGE050
（21）
其中
Figure RE-938894DEST_PATH_IMAGE051
, i=1,…,n，是从公式（15）对信号Yi(t)的描述得到的系数，其中使用了公式（13）中描述信号Xi(t)的正交基。
该方法使用从132例患者（47例失代偿事件和85例正常事件）收集的血压，呼吸频率，心率和体重等心电监测的生理数据，验证了所提方案特别适用于检测早期HF代偿失调，从而为用户提供高效、智能、个性化的服务。本发明适用于心力衰竭的早期检测，从而可以通过改变生活方式和药物干预等，有效延缓心力衰竭的发展。
附图说明
图1展示了本发明的功能架构。
图2展示了不同相似性度量的评估。
图3显示了基于马尔可夫过程的方法和本发明所提方法的累积匹配特征曲线。
图4显示了预测窗口大小对使用不同特征类型构建的分类器的预测性能的影响。
图5展示了失代偿事件和正常事件的预测过程示例。
具体实施方式：
第一步：构建数据样本：HeartCarer是一个基于云平台的家庭远程监控系统，专门用于心力衰竭患者的监督，并适时地进行干预。该系统用于北京安贞、协和等六家医院的168例患者的出院康复观察性研究，试验的入组阶段为9个月，患者随访12个月。在研究中，患者被要求每天进行日常测量。研究的168例患者中，有132例（78%）被认为是可分析的，即超过30天的远程监控测量。远程终端聘请六名心脏病专家分析了数据，确定哪些患者需要住院治疗（即失代偿事件，47例），哪些患者不需要（即正常事件，85例）。随访患者主要是男性（70%）和60岁以上（63.8±12岁）。
第二步：构建某项生理指标进展的高层视图：根据患者的历史生理指标数据，构建出某项生理指标进展的高层视图H = a1→ a2→…→ an。其中ai是离散变量，它的值是一个ICD代码，对应于患者n次生理指标记录中的第i次；
本发明使用80-20比例的数据分别进行训练和测试。其中，80%的数据语料库用于学习模型参数–本发明所提方法中的条件概率p（H→a | H）和基于马尔可夫过程模型的p（a→a'）。其余20％的数据用作测试输入。
第三步：历史记录H可以用一个历史矢量v=v(H)来表示，该矢量是一个有固定长度的二进制值。其中，每个向量元素对应一个特定的生理指标编码，当且仅当相对应的生理指标在历史记录中存在时，其值为1：
Figure RE-223245DEST_PATH_IMAGE001
(1)
其中，A是生理指标编码的集合，i(a)指向历史矢量中的生理指标编码a，H1,2是空历史记录的退化形式；
对于每位测试患者，我们考虑了利用所有可能的历史数据来进行预测。换句话说，给定患者的完整入院史H = a1→ a2→…→ an，我们使用部分病史获得预测Hk = a1→...→ak，其中 k = 1…n-1。
第四步：生理指标进展建模问题被简化成求解不同时刻生理指标之间的转换概率问题；
Figure RE-822723DEST_PATH_IMAGE002
　 （2）
从表示过去存在的某个特定生理指标编码的历史矢量转换到一种过去不存在的生理指标是不可能的，即：
Figure RE-788405DEST_PATH_IMAGE003
（3）
然而，其反过程并不成立。
第五步：只有历史矢量没有变化的，或者一个附加生理指标的重新编码才可以进行转换；
Figure RE-94621DEST_PATH_IMAGE004
（4）
此公式给出了
Figure RE-471245DEST_PATH_IMAGE005
个转换中非零转换概率的数目上限。实际应用中，转换的真实数目少得多，从而可以高效地存储和访问该模型。
第六步：与第j个患者相关的各项生理指标数据e1,e2,…en表示为Fj,1,Fj,2,…Fj,k。例如，如果我们监测5项生理指标，而某位患者的e1,e2和e4指标存在异常，则可以表示为(F1,1,F1,2,…,F1,5) = (1,1,0,1,0)；
本发明提出了一种通过删除某患者j的随机选择的生理指标e* 来获得一组验证数据的方法。 e* 作为黄金标准存储，将与预测的生理指标进行比较以评估系统。该评估方法的灵感来自信息检索（IR）领域中的均值平均精度（MAP）评估方法。
第七步：利用贝叶斯分类器的思想来得到F0的概率，其中，F0代表生理指标e0出现异常这一事件；
Figure RE-371068DEST_PATH_IMAGE006
（5）
同时，生理指标e0没有出现异常这一事件的概率
Figure RE-874861DEST_PATH_IMAGE007
为：
Figure RE-366410DEST_PATH_IMAGE008
（6）
本发明为每个生理指标分配相关性权重，并将数据库中的所有生理指标排列为列表，其中，具有较高相关性权重的生理指标将更有可能被选中。
第八步：患者pj和某数据e0之间的关联关系可以表示为一个日志记录函数，即生理指标e0出现异常的概率除以e0未出现异常的概率；
Figure RE-726984DEST_PATH_IMAGE009
（7）
其中，
Figure RE-51786DEST_PATH_IMAGE010
表示患者pj和数据e0之间的关系，
Figure RE-421588DEST_PATH_IMAGE010
的值越大，表示数据e0和患者pj越相关，即数据e0出现异常的概率越大；
同理，可以得到在排序列表L的前M个生理指标中正确预测e* 的比率。当M> = 1时，只要e* 在前M个预测的生理指标内，我们认为预测是正确的。我们采用M = 1和M = 3，这意味着生理指标e* 排在前1或前3的患者比例。
第九步：将
Figure RE-499134DEST_PATH_IMAGE010
做如下简化：
Figure RE-233872DEST_PATH_IMAGE011
（8）
利用所采集数据的特点，可以对上述公式做进一步的简化。由于一个数据只有两种状态—“正常”或“异常”，因此，利用
Figure RE-29658DEST_PATH_IMAGE012
和
Figure RE-140834DEST_PATH_IMAGE007
的可能属性，公式（8）中的
Figure RE-338466DEST_PATH_IMAGE013
和
Figure RE-306422DEST_PATH_IMAGE014
可以被消掉，从而
Figure RE-340237DEST_PATH_IMAGE010
可以表示为：
Figure RE-241721DEST_PATH_IMAGE015
（9）。
第十步：由条件概率的概念可知，以下联合概率成立：
Figure RE-356177DEST_PATH_IMAGE016
（10）
因此，公式（8）可以进一步简化为：
Figure RE-432717DEST_PATH_IMAGE017
（11）
其中，
Figure RE-203096DEST_PATH_IMAGE018
。
第十一步：对所有数据按照
Figure RE-452812DEST_PATH_IMAGE010
的大小进行降序排序。序列中值越大的数据表示患者
Figure RE-375768DEST_PATH_IMAGE019
在该项生理指标上出现异常的概率越大；
表1 运行示例
Desired indicator e<sup>*</sup> Ranked recommendation indicators list M=1 M=3
patient<sub>1</sub> e<sub>9</sub> e<sub>9 </sub>&gt; e<sub>7 </sub>&gt; e<sub>65 </sub>&gt; … top<sub>1,1</sub> = 1 top<sub>1,3</sub> = 1
Patient<sub>2</sub> e<sub>16</sub> e<sub>25</sub>&gt; e<sub>8</sub>&gt; e<sub>16 </sub>&gt; … top<sub>2,1</sub> = 0 top<sub>2,3</sub> = 1
Patient<sub>3</sub> e<sub>2</sub> e<sub>73 </sub>&gt; e<sub>9 </sub>&gt; e<sub>95 </sub>&gt; … top<sub>3,1</sub> = 0 top<sub>3,3</sub> = 0
表1给出了所提方法的运行示例。假设我们有100个生理指标，3个患者。从所提的方法中为每位患者获得排序列表，并与该患者的期望生理指标进行比较。“>”仅是表示左侧部分的相关权重大于右侧部分的相关性权重的符号。我们可以看到e *对于患者1排名第1，对于患者2排名第3，对于患者3没有排在前3位。
本发明所述心力衰竭早期检测的具体步骤描述如下：
第一步：垂直偏移去除：为了消除垂直偏移，模板信号X(t)首先被修改为X(t)= X(t)-
Figure RE-685527DEST_PATH_IMAGE020
，其中
Figure RE-934413DEST_PATH_IMAGE020
是模板X(t)的均值。
第二步：模板的小波分解：一个离散小波变换过程被应用于模板信号X(t)，然后根据原序列的近似值和一些细节操作进行分解。假设模板信号的长度为N，则原始信号可以表示为公式（12），即N个正交基的集合函数
Figure RE-987819DEST_PATH_IMAGE021
；
Figure RE-765283DEST_PATH_IMAGE022
（12）
基础函数
Figure RE-245942DEST_PATH_IMAGE023
是系数
Figure RE-725334DEST_PATH_IMAGE024
的正交和合并，因此，
Figure RE-582432DEST_PATH_IMAGE052
，其中
Figure RE-214401DEST_PATH_IMAGE026
，是一个特定的Haar小波基。
第三步：最佳基还原：使用小波变换时，原正交基集合的还原通常是由分解水平确定的。基于能量和熵的概念，以确定最佳的分解水平。
第四步：为了减少小波基的数量，本发明采用卡胡南-洛夫变换。KLT的基函数可以通过计算由小波基组成的协方差矩阵的特征向量（也称主成分）来得到。就L2标准误差而言，选取协方差矩阵的J个最高特征值所对应的正交基，即是信号X(t)的最佳近似值；
Figure RE-865963DEST_PATH_IMAGE027
（13）
该过程中，参数
Figure RE-98230DEST_PATH_IMAGE028
是预先定义的，用来指定近似的精度。事实上，该参数决定了还原过程中所考虑的正交基数目，使L2标准误差最小，如公式（14）；
Figure RE-493439DEST_PATH_IMAGE029
（14）。
第五步：信号描述：与模板X(t)相比，信号
Figure RE-979915DEST_PATH_IMAGE030
最初被描述为基函数
Figure RE-67957DEST_PATH_IMAGE023
的线性组合，这些基函数是用于描述模板的；
Figure RE-521941DEST_PATH_IMAGE031
（15）
由于基是正交的，系数
Figure RE-658524DEST_PATH_IMAGE032
总是存在的，并且可以定义为下面的等式，其中操作数<a,b>是点积；
Figure RE-61824DEST_PATH_IMAGE033
（16）。
第六步：模板X(t)和信号Y(t)之间的相似性度量取决于两个向量系数
Figure RE-320767DEST_PATH_IMAGE034
和
Figure RE-264976DEST_PATH_IMAGE035
之间的距离，即，
Figure RE-939671DEST_PATH_IMAGE036
。在此使用的是欧氏距离，定义为下列等式：
Figure RE-650007DEST_PATH_IMAGE037
（17）。
第七步：根据等式（17），该距离可以直接转换为相似性度量
Figure RE-79852DEST_PATH_IMAGE038
，其中
Figure RE-993581DEST_PATH_IMAGE039
；
Figure RE-721234DEST_PATH_IMAGE040
（18）。
第八步：趋势度量（ST）可以描述为下列等式（19），其中nps表示正号的数量；
Figure RE-364705DEST_PATH_IMAGE041
（19）
如果所有系数
Figure RE-637555DEST_PATH_IMAGE042
都是正的，表示模板和信号呈现完全相同的趋势。因此，nps(
Figure RE-553427DEST_PATH_IMAGE043
)=J，趋势相似性度量ST(
Figure RE-569925DEST_PATH_IMAGE044
)= 1。反之，如果所有系数都是负的，则信号呈现出完全相反的趋势。此时，nps(
Figure RE-257782DEST_PATH_IMAGE043
)=0，并且ST(
Figure RE-763850DEST_PATH_IMAGE044
)=0。其他情况下，nps(
Figure RE-917751DEST_PATH_IMAGE043
)和ST(
Figure RE-987207DEST_PATH_IMAGE044
)的取值范围分别为：
Figure RE-277374DEST_PATH_IMAGE045
和
Figure RE-406873DEST_PATH_IMAGE046
为了说明相似性度量对早期检测方案的影响，图2展示了对模板X（t）而言，不同相似性度量（SΩ，ST）的评估。对于相似性度量SΩ和ST，小波KLT变换中使用的基数为J = 2，从而能够获得近似信号
Figure RE-844807DEST_PATH_IMAGE053
。
第九步：多变量趋势相似性：如果时间序列（生理指标）的数量大于1，则可以计算包含n个时间序列的两个生理指标
Figure RE-203108DEST_PATH_IMAGE047
和
Figure RE-862628DEST_PATH_IMAGE048
之间的趋势相似性，从而呈现出信号Xi(t)和Yi(t)之间的个体相似性组合。在最简单的情况下，公式（18）和（19）中的多变量相似性和趋势相似性可以被认为是公式（20）和（21）中个体化趋势的平均值；
Figure RE-648181DEST_PATH_IMAGE049
（20）
Figure RE-573412DEST_PATH_IMAGE050
（21）
其中
Figure RE-925283DEST_PATH_IMAGE051
, i=1,…,n，是从公式（15）对信号Yi(t)的描述得到的系数，其中使用了公式（13）中描述信号Xi(t)的正交基。
该方法使用从132例患者（47例失代偿事件和85例正常事件）收集的血压，呼吸频率，心率和体重等心电监测的生理数据，验证了所提方案特别适用于检测早期HF代偿失调，从而为用户提供高效、智能、个性化的服务。本发明适用于心力衰竭的早期检测，从而可以通过改变生活方式和药物干预等，有效延缓心力衰竭的发展。
本发明有效性验证
为了证明本发明的有效性，本发明将其与基于马尔可夫过程的方法性能进行了比较。对于每位测试患者，我们考虑了利用所有可能的历史数据来进行预测。换句话说，给定患者的完整入院史H = a1→ a2→…→ an，我们使用部分病史获得预测Hk = a1→...→ak，其中k = 1…n-1。
图3显示了两种方法的累积匹配特征曲线 - 曲线上的每个点表示实际正确的准入类型与最差预测（纵坐标）的比例。从图中可以看出，本发明所提出的方法远远优于基于马尔可夫过程的方法。它正确地预测了82%的病例（等级-1）下一次入院的类型。在等级2中，其准确率已经达到了90%。相比之下，基于马尔可夫过程的方法在等级1处仅达到35％的准确度，在等级2处小于50％。
图4显示了改变预测窗口大小对使用不同特征类型构建的分类器的预测性能的影响。正如所预期的，通过将预测窗口大小从60天增加到720天，MAP方法的性能从74%（73%-75%）降低到65%（63%-66%），CorrectRate1为81%（80%-83%）至73%（72%-75%），CorrectRate3为83%（82%-85%）至76%（74%-77%）。
预测过程示例如图5所示。我们使用最近邻法来描述所选择的49个案例的分类。该结果展示了每种情况（模板）和历史数据集中确定的最相似的示例之间的相似性度量。在该特定示例中，预测中使用的模式数量是M = 2，根据（19），其基于针对失代偿事件（STi，i∈mD）和正常事件（STi，i∈mN）计算的相似度。
由此可见，该方法特别适用于检测早期HF代偿失调，从而为用户提供高效、智能、个性化的服务。本发明适用于心力衰竭的早期检测，从而可以通过改变生活方式和药物干预等，有效延缓心力衰竭的发展。

Claims (8)

1.基于小波分解和卡胡南-洛夫变换的心力衰竭早期检测方法，具体步骤为：
1）各项生理指标，以及生理指标和患者之间的关联关系分析；
2）基于小波分解和卡胡南-洛夫变换的趋势相似性评估策略。
2.如权力要求1所述的心力衰竭早期检测方法，其特征在于，步骤1）中的构建数据样本方法如下：HeartCarer是一个基于云平台的家庭远程监控系统，专门用于心力衰竭患者的监督，并适时地进行干预；该系统通过可穿戴技术监测各项生理指标，并通过移动设备或电话线将其上传到云端；通过云端的专家系统进行智能分析，从而向患者提供专业建议和反馈。
3.如权力要求1所述的心力衰竭早期检测方法，其特征在于，步骤1）中的关联关系分析包括构建生理指标进展的高层视图，生理指标进展建模，生理指标和患者的关联关系分析。
4.如权力要求3所述的心力衰竭早期检测方法，其特征在于，构建某项生理指标进展的高层视图包括以下步骤：根据患者的历史生理指标数据，构建出某项生理指标进展的高层视图H = a1→ a2→…→ an；其中ai是离散变量，它的值是一个ICD代码，对应于患者n次生理指标记录中的第i次；历史记录H可以用一个历史矢量v=v(H)来表示，该矢量是一个有固定长度的二进制值；其中，每个向量元素对应一个特定的生理指标编码，当且仅当相对应的生理指标在历史记录中存在时，其值为1：
Figure RE-297562DEST_PATH_IMAGE001
(1)
其中，A是生理指标编码的集合，i(a)指向历史矢量中的生理指标编码a，H1,2是空历史记录的退化形式；
生理指标进展建模问题包括以下步骤：求解不同时刻生理指标之间的转换概率问题；
Figure RE-135068DEST_PATH_IMAGE002
　 （2）
从表示过去存在的某个特定生理指标编码的历史矢量转换到一种过去不存在的生理指标是不可能的，即：
Figure RE-701178DEST_PATH_IMAGE003
（3）
然而，其反过程并不成立；只有历史矢量没有变化的，或者一个附加生理指标的重新编码才可以进行转换；
Figure RE-924218DEST_PATH_IMAGE004
（4）
此公式给出了
Figure RE-550371DEST_PATH_IMAGE005
个转换中非零转换概率的数目上限；实际应用中，转换的真实数目少得多，从而可以高效地存储和访问该模型。
5.如权力要求3所述的心力衰竭早期检测方法，其特征在于，生理指标和患者的关联关系包括以下步骤：与第j个患者相关的各项生理指标数据e1,e2,…en表示为Fj,1,Fj,2,…Fj,k；例如，如果我们监测5项生理指标，而某位患者的e1,e2和e4指标存在异常，则可以表示为(F1,1,F1,2,…,F1,5) = (1,1,0,1,0)；利用贝叶斯分类器的思想来得到F0的概率，其中，F0代表生理指标e0出现异常这一事件；
Figure RE-609594DEST_PATH_IMAGE006
（5）
同时，生理指标e0没有出现异常这一事件的概率
Figure RE-979396DEST_PATH_IMAGE007
为：
Figure RE-322521DEST_PATH_IMAGE008
（6）
患者pj和某数据e0之间的关联关系可以表示为一个日志记录函数，即生理指标e0出现异常的概率除以e0未出现异常的概率；
Figure RE-119576DEST_PATH_IMAGE009
（7）
其中，
Figure RE-666095DEST_PATH_IMAGE010
表示患者pj和数据e0之间的关系，
Figure RE-760959DEST_PATH_IMAGE011
的值越大，表示数据e0和患者pj越相关，即数据e0出现异常的概率越大；将
Figure RE-771640DEST_PATH_IMAGE011
做如下简化：
Figure RE-739596DEST_PATH_IMAGE012
（8）
利用所采集数据的特点，可以对上述公式做进一步的简化；由于一个数据只有两种状态—“正常”或“异常”，因此，利用
Figure RE-773411DEST_PATH_IMAGE013
和
Figure RE-485015DEST_PATH_IMAGE007
的可能属性，公式（8）中的
Figure RE-817381DEST_PATH_IMAGE014
和
Figure RE-956239DEST_PATH_IMAGE015
可以被消掉，从而
Figure RE-211771DEST_PATH_IMAGE016
可以表示为：
Figure RE-727066DEST_PATH_IMAGE017
（9）
由条件概率的概念可知，以下联合概率成立：
Figure RE-836973DEST_PATH_IMAGE018
（10）
因此，公式（8）可以进一步简化为：
Figure RE-333682DEST_PATH_IMAGE019
（11）
其中，
Figure RE-138827DEST_PATH_IMAGE020
对所有数据按照
Figure RE-129917DEST_PATH_IMAGE021
的大小进行降序排序，序列中值越大的数据表示患者
Figure RE-156648DEST_PATH_IMAGE022
在该项生理指标上出现异常的概率越大。
6.如权力要求1所述的心力衰竭早期检测方法，其特征在于，步骤2）中的趋势相似形评估包括垂直偏移去除，模板的小波分解，最佳基还原，利用卡胡南-洛夫变换减少小波基的数量，信号描述，模板和信号之间的相似性度量，趋势相似性度量和多变量趋势相似性度量。
7.如权力要求6所述的心力衰竭早期检测方法，其特征在于，垂直偏移去除包括以下步骤：为了消除垂直偏移，模板信号X(t)首先被修改为X(t)= X(t)-
Figure RE-637308DEST_PATH_IMAGE023
，其中
Figure RE-133011DEST_PATH_IMAGE023
是模板X(t)的均值；
模板的小波分解包括以下步骤：一个离散小波变换过程被应用于模板信号X(t)，然后根据原序列的近似值和一些细节操作进行分解；假设模板信号的长度为N，则原始信号可以表示为公式（12），即N个正交基的集合函数
Figure RE-914410DEST_PATH_IMAGE024
；
Figure RE-874275DEST_PATH_IMAGE025
（12）
基础函数
Figure RE-650470DEST_PATH_IMAGE026
是系数
Figure RE-367891DEST_PATH_IMAGE027
的正交和合并，因此，
Figure RE-763100DEST_PATH_IMAGE029
，其中
Figure RE-764423DEST_PATH_IMAGE030
，是一个特定的Haar小波基；
最佳基还原包括以下步骤：使用小波变换时，原正交基集合的还原通常是由分解水平确定的；基于能量和熵的概念，以确定最佳的分解水平；
卡胡南-洛夫变换包括以下步骤：KLT的基函数可以通过计算由小波基组成的协方差矩阵的特征向量（也称主成分）来得到；就L2标准误差而言，选取协方差矩阵的J个最高特征值所对应的正交基，即是信号X(t)的最佳近似值；
Figure RE-524568DEST_PATH_IMAGE031
（13）
该过程中，参数
Figure RE-791602DEST_PATH_IMAGE032
是预先定义的，用来指定近似的精度；事实上，该参数决定了还原过程中所考虑的正交基数目，使L2标准误差最小，如公式（14）
Figure RE-177453DEST_PATH_IMAGE033
（14）
信号描述包括以下步骤：与模板X(t)相比，信号
Figure RE-846331DEST_PATH_IMAGE034
最初被描述为基函数
Figure RE-777378DEST_PATH_IMAGE026
的线性组合，这些基函数是用于描述模板的；
Figure RE-531708DEST_PATH_IMAGE035
（15）
由于基是正交的，系数
Figure RE-724179DEST_PATH_IMAGE036
总是存在的，并且可以定义为下面的等式，其中操作数<a,b>是点积
Figure RE-247564DEST_PATH_IMAGE037
（16）
模板X(t)和信号Y(t)之间的相似性度量取决于两个向量系数
Figure RE-349512DEST_PATH_IMAGE038
和
Figure RE-591138DEST_PATH_IMAGE039
之间的距离，即，
Figure RE-318791DEST_PATH_IMAGE040
；在此使用的是欧氏距离，定义为下列等式：
Figure RE-696683DEST_PATH_IMAGE041
（17）
根据等式（17），该距离可以直接转换为相似性度量
Figure RE-235112DEST_PATH_IMAGE042
，其中
Figure RE-698454DEST_PATH_IMAGE043
；
Figure RE-229799DEST_PATH_IMAGE044
（18）
趋势相似性度量包括以下步骤：趋势度量（ST）可以描述为下列等式（19），其中nps表示正号的数量；
Figure RE-462197DEST_PATH_IMAGE045
（19）
如果所有系数
Figure RE-171527DEST_PATH_IMAGE046
都是正的，表示模板和信号呈现完全相同的趋势；因此，nps(
Figure RE-309116DEST_PATH_IMAGE047
)=J，趋势相似性度量ST(
Figure RE-191621DEST_PATH_IMAGE048
)= 1；反之，如果所有系数都是负的，则信号呈现出完全相反的趋势；此时，nps(
Figure RE-481788DEST_PATH_IMAGE047
)=0，并且ST(
Figure RE-424337DEST_PATH_IMAGE048
)=0；其他情况下，nps(
Figure RE-52152DEST_PATH_IMAGE047
)和ST(
Figure RE-676031DEST_PATH_IMAGE048
)的取值范围分别为：
Figure RE-69972DEST_PATH_IMAGE049
和
Figure RE-183421DEST_PATH_IMAGE050
；
多变量趋势相似性度量包括以下步骤：如果时间序列（生理指标）的数量大于1，则可以计算包含n个时间序列的两个生理指标
Figure RE-46335DEST_PATH_IMAGE051
和
Figure RE-457594DEST_PATH_IMAGE052
之间的趋势相似性，从而呈现出信号Xi(t)和Yi(t)之间的个体相似性组合；在最简单的情况下，公式（18）和（19）中的多变量相似性和趋势相似性可以被认为是公式（20）和（21）中个体化趋势的平均值；
Figure RE-722353DEST_PATH_IMAGE053
（20）
Figure RE-741125DEST_PATH_IMAGE054
（21）
其中
Figure RE-340602DEST_PATH_IMAGE055
, i=1,…,n，是从公式（15）对信号Yi(t)的描述得到的系数，其中使用了公式（13）中描述信号Xi(t)的正交基。
8.一种采用如权力要求1-7任一项所述的心力衰竭早期检测方法，其特征在于，云端的医疗、健康机构及专家对感知到的用户心电数据进行关联关系分析和趋势相似性评估，从而通过健康云向用户发出健康预警，从而可以通过改变生活方式和药物干预等，有效延缓心力衰竭的发展。
CN201811200508.0A 2018-10-16 2018-10-16 一种心力衰竭早期检测方法 Active CN111063453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811200508.0A CN111063453B (zh) 2018-10-16 2018-10-16 一种心力衰竭早期检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811200508.0A CN111063453B (zh) 2018-10-16 2018-10-16 一种心力衰竭早期检测方法

Publications (2)

Publication Number Publication Date
CN111063453A true CN111063453A (zh) 2020-04-24
CN111063453B CN111063453B (zh) 2024-01-19

Family

ID=70296282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811200508.0A Active CN111063453B (zh) 2018-10-16 2018-10-16 一种心力衰竭早期检测方法

Country Status (1)

Country Link
CN (1) CN111063453B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050256413A1 (en) * 2003-04-24 2005-11-17 Magnus Astrom Apparatus for analyzing cardiac events
CN101057248A (zh) * 2004-11-16 2007-10-17 国际商业机器公司 指纹生物统计机器
CN101527048A (zh) * 2009-03-23 2009-09-09 北京航空航天大学 一种基于非对称小波基的超光谱图像小波压缩方法及装置
CN101689220A (zh) * 2007-04-05 2010-03-31 奥利安实验室有限公司 用于治疗、诊断和预测医学病症发生的系统和方法
CN101828918A (zh) * 2010-05-12 2010-09-15 重庆大学 基于波形特征匹配的心电信号r波峰检测方法
WO2012057860A1 (en) * 2010-10-28 2012-05-03 Medtronic, Inc. Heart failure monitoring and notification
US20130116578A1 (en) * 2006-12-27 2013-05-09 Qi An Risk stratification based heart failure detection algorithm
US20160270682A1 (en) * 2013-11-08 2016-09-22 Spangler Scientific Llc Non-invasive prediction of risk for sudden cardiac death

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050256413A1 (en) * 2003-04-24 2005-11-17 Magnus Astrom Apparatus for analyzing cardiac events
CN101057248A (zh) * 2004-11-16 2007-10-17 国际商业机器公司 指纹生物统计机器
US20130116578A1 (en) * 2006-12-27 2013-05-09 Qi An Risk stratification based heart failure detection algorithm
CN101689220A (zh) * 2007-04-05 2010-03-31 奥利安实验室有限公司 用于治疗、诊断和预测医学病症发生的系统和方法
CN101527048A (zh) * 2009-03-23 2009-09-09 北京航空航天大学 一种基于非对称小波基的超光谱图像小波压缩方法及装置
CN101828918A (zh) * 2010-05-12 2010-09-15 重庆大学 基于波形特征匹配的心电信号r波峰检测方法
WO2012057860A1 (en) * 2010-10-28 2012-05-03 Medtronic, Inc. Heart failure monitoring and notification
US20160270682A1 (en) * 2013-11-08 2016-09-22 Spangler Scientific Llc Non-invasive prediction of risk for sudden cardiac death

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SARA ARGERICH: "Evaluation of Periodic Breathing in Respiratory Flow Signal of Elderly Patients using SVM and Linear Discriminant Analysis" *
周春姐: "物联网中具有时间持续性特征的乱序事件查询处理技术研究", vol. 43, no. 5 *
崔朝辉: "图像活跃度在图像分解中的应用", vol. 16, no. 5 *
郑光远: "医学影像计算机辅助检测与诊断系统综述", vol. 29, no. 5 *

Also Published As

Publication number Publication date
CN111063453B (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
Shi et al. Automated heartbeat classification based on deep neural network with multiple input layers
Ghosh et al. Septic shock prediction for ICU patients via coupled HMM walking on sequential contrast patterns
Abdulhay et al. Automated diagnosis of epilepsy from EEG signals using ensemble learning approach
CN111968741B (zh) 基于深度学习与集成学习的糖尿病并发症高危预警系统
CN111951975B (zh) 一种基于深度学习模型gpt-2的脓毒症早期预警方法
CN109935337B (zh) 一种基于相似性度量的病案查找方法及系统
Gangavarapu et al. FarSight: long-term disease prediction using unstructured clinical nursing notes
Jiang et al. A hybrid intelligent model for acute hypotensive episode prediction with large-scale data
US11531851B2 (en) Sequential minimal optimization algorithm for learning using partially available privileged information
Liu et al. Noninvasive evaluation of mental stress using by a refined rough set technique based on biomedical signals
CN113838577A (zh) 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法
Feng et al. Dcmn: Double core memory network for patient outcome prediction with multimodal data
US10650667B1 (en) False alarm reduction systems and related methods
CN113284627B (zh) 基于患者表征学习的用药推荐方法
Zhang et al. Survival prediction by an integrated learning criterion on intermittently varying healthcare data
Lin et al. Medical Concept Embedding with Variable Temporal Scopes for Patient Similarity.
CN116884612A (zh) 疾病风险等级的智能分析方法、装置、设备及存储介质
Sideris et al. A data-driven feature extraction framework for predicting the severity of condition of congestive heart failure patients
CN116759082A (zh) 一种基于知识图谱的健康评估系统
US20110218823A1 (en) Method and System for Determining Precursors of Health Abnormalities from Processing Medical Records
CN111063453A (zh) 一种心力衰竭早期检测方法
Jiang et al. Explainable deep learning for readmission prediction with tree-glove embedding
Senyukova et al. Ensemble decomposition learning for optimal utilization of implicitly encoded knowledge in biomedical applications
CN110265151B (zh) 一种基于ehr中异构时态数据的学习方法
CN114664400A (zh) 病历档案归档方法及装置

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