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 PDFInfo
- 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
Links
- 206010019280 Heart failures Diseases 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000036541 health Effects 0.000 claims abstract description 8
- 230000003111 delayed effect Effects 0.000 claims abstract description 6
- 238000011161 development Methods 0.000 claims abstract description 6
- 239000003814 drug Substances 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 238000011524 similarity measure Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000005284 basis set Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000010219 correlation analysis Methods 0.000 claims 1
- 239000003550 marker Substances 0.000 claims 1
- 201000010099 disease Diseases 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000013209 evaluation strategy Methods 0.000 abstract 1
- 238000005065 mining Methods 0.000 abstract 1
- 208000011580 syndromic disease Diseases 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241000201320 Ligustrum japonicum Species 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
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:
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;
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:
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;
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;
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;
第十一步:由条件概率的概念可知,以下联合概率成立:
因此,公式(8)可以进一步简化为:
其中,
本发明所述趋势相似性评估的具体步骤描述如下:
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;
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;
如果所有系数都是正的,表示模板和信号呈现完全相同的趋势。因此,nps()=J,趋势相似性度量ST()= 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()=0,并且ST()=0。其他情况下,nps()和ST()的取值范围分别为:和。
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和之间的趋势相似性,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;
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:
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;
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:
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;
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;
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;
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。
第十步:由条件概率的概念可知,以下联合概率成立:
因此,公式(8)可以进一步简化为:
其中,
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>> e<sub>7 </sub>> e<sub>65 </sub>> … | top<sub>1,1</sub> = 1 | top<sub>1,3</sub> = 1 |
Patient<sub>2</sub> | e<sub>16</sub> | e<sub>25</sub>> e<sub>8</sub>> e<sub>16 </sub>> … | top<sub>2,1</sub> = 0 | top<sub>2,3</sub> = 1 |
Patient<sub>3</sub> | e<sub>2</sub> | e<sub>73 </sub>> e<sub>9 </sub>> e<sub>95 </sub>> … | 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;
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;
如果所有系数都是正的,表示模板和信号呈现完全相同的趋势。因此,nps()=J,趋势相似性度量ST()= 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()=0,并且ST()=0。其他情况下,nps()和ST()的取值范围分别为:和
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和之间的趋势相似性,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;
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:
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;
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:
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;
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;
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;
由条件概率的概念可知,以下联合概率成立:
因此,公式(8)可以进一步简化为:
其中,
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。
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;
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;
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;
如果所有系数都是正的,表示模板和信号呈现完全相同的趋势;因此,nps()=J,趋势相似性度量ST()= 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()=0,并且ST()=0;其他情况下,nps()和ST()的取值范围分别为:和;
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和之间的趋势相似性,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;
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。
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)
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 |
-
2018
- 2018-10-16 CN CN201811200508.0A patent/CN111063453B/zh active Active
Patent Citations (8)
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)
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 |