CN111110208A - 基于lstm的慢性阻塞性肺疾病氧减状态预测方法 - Google Patents
基于lstm的慢性阻塞性肺疾病氧减状态预测方法 Download PDFInfo
- Publication number
- CN111110208A CN111110208A CN201911285829.XA CN201911285829A CN111110208A CN 111110208 A CN111110208 A CN 111110208A CN 201911285829 A CN201911285829 A CN 201911285829A CN 111110208 A CN111110208 A CN 111110208A
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- chronic obstructive
- obstructive pulmonary
- pulmonary disease
- 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.)
- Pending
Links
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 75
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 75
- 239000001301 oxygen Substances 0.000 title claims abstract description 75
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 title claims abstract description 41
- 230000009467 reduction Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000008280 blood Substances 0.000 claims description 19
- 210000004369 blood Anatomy 0.000 claims description 19
- 230000009191 jumping Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 239000011159 matrix material Substances 0.000 description 23
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 208000037656 Respiratory Sounds Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 208000000059 Dyspnea Diseases 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 2
- 229940124630 bronchodilator Drugs 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000004199 lung function Effects 0.000 description 2
- 230000009325 pulmonary function Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010009126 Chronic respiratory failure Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 206010057190 Respiratory tract infections Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 206010047924 Wheezing Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000002551 biofuel Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 208000013116 chronic cough Diseases 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 208000018875 hypoxemia Diseases 0.000 description 1
- 238000003905 indoor air pollution Methods 0.000 description 1
- 230000003434 inspiratory effect Effects 0.000 description 1
- 230000003601 intercostal effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002559 palpation Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 206010037833 rales Diseases 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 210000001562 sternum Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000002417 xiphoid bone Anatomy 0.000 description 1
Images
Classifications
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于LSTM的慢性阻塞性肺疾病氧减状态预测方法，包括以下步骤：首先处理数据，提取血脉氧数据的窗口特征和梯度特征作为新的特征值；然后，整合原始数据标签值，生成新的唯一标签值，然后将新的标签值加入数据中从而生成最终数据；接着，使用LSTM网络结构对训练数据进行训练，获得可用于准确预测的模型；最后，将预测结果通过滤波算法进行处理，得到较为平滑和可靠的预测结果。该方法的意义在于：第一，有效地提取和整合了与氧减状态相关的特征；第二，训练出的模型具有较高的预测准确率和运行速度；第三，模型的训练速度较快；第四，氧减状态的准确判断对于进一步诊断慢性阻塞性肺疾病具有重要意义。
Description
技术领域
本发明涉及计算机技术在慢性阻塞性肺疾病预测领域，具体来说是一种基于LSTM的慢性阻塞性肺疾病氧减状态预测方法。
背景技术
慢性阻塞性肺疾病(chronic obstructive pulmonary disease，COPD)简称慢阻肺，是呼吸系统常见病、多发病，通常呈进行性、不完全可逆性发展，最终导致慢性呼吸衰竭。持续存在的气流受限是慢阻肺的标志性症状，吸入支气管舒张剂后，肺功能无明显改善，即可诊断为慢性阻塞性肺疾病患者。慢性阻塞性肺疾病发病原因与长期吸烟、职业粉尘和化学物质吸入、室内空气污染及生物燃料使用和反复呼吸道感染有关。近年来，慢性阻塞性肺疾病患病率和死亡率日渐升高，其在全球人群死亡因素中排名前列，根据相关科学统计，慢性阻塞性肺疾病病死率还会呈上升趋势。慢性阻塞性肺疾病因高患病率、死亡率而倍受医学界关注。
慢性阻塞性肺疾病的症状主要有：慢性咳嗽、咳痰、气短或呼吸困难、喘息和胸闷等其他特征，主要体征有：视诊时胸廓前后径增大，肋间隙增宽，剑突下胸骨下角增宽，部分患者呼吸变浅，频率增快，严重者可有缩唇呼吸等；触诊时双侧语颤减弱。叩诊肺部过清音，心浊音界缩小，肺下界和肝浊音界下降；听诊时双肺呼吸音减弱，呼气延长，部分患者可闻及湿性啰音和(或)干性啰音。目前的主要临床检查方法有：肺功能检查、胸部X线检查、胸部CT检查、血气检查等，其中肺功能检查因其成本较低、便于实施、易于诊断等优点成为当前医护人员主要采取的检查方法。肺功能检查是判断气流受限的主要客观指标，一秒钟用力呼气容积占用力肺活量百分比(FEV1/FVC)是评价气流受限的一项敏感指标。一秒钟用力呼气容积占预计值百分比(FEVl％预计值)，是评估COPD严重程度的良好指标，其变异性较小，易于操作。吸入支气管扩张剂后FEVl/FVC<70％者，可确定为不能完全可逆的气流受限。肺总量(TLC)、功能残气量(FRC)和残气量(RV)增高，肺活量(VC)降低，深吸气量(IC)降低，IC/TLC下降，一氧化碳弥散量(DLCO)及DLCO与肺泡通气量(VA)比值(DL-CO/VA)下降。
除了采取一秒钟用力呼气容积占用力肺活量百分比这一指标外，医护人员还会记录疑似患病人员在六分钟步行、登楼以及日常活动中的血脉氧指数和脉率数据等指标，用于进一步的诊断。专业医学人员通常将血脉氧指数低于92(并未有明确指标)的状态认定为血脉氧过低的状态，即氧减状态。人体在经过一些运动的情况下血液中的氧气会有所消耗，相应的血脉氧指数也会下降，出现氧减状态，通过分析氧减状态的持续时间、变化幅度等特征，结合心率等其他生理指标，医护人员可以初步诊断慢性阻塞性肺疾病。
但是，血脉氧指数和心率等指标无法直观获取，需要通过专业设备进行接收，这就导致医护人员在实际诊断过程中需要等待设备运转完毕，才能获得用于诊断的相关数据。另外，在目前大数据的时代背景下，有大量慢性阻塞性肺疾病患者的数据可供分析，但是由专业医护人员对数据进行人工打标签的工作量过大，需要一项可用于自动为慢性阻塞性肺疾病患者数据打标签的方法。同时，计算机技术在疾病预测领域的应用越来越广泛，为了进一步提高慢性阻塞性肺疾病的诊断准确率，急需一个可以准确预测慢性阻塞性肺疾病的机器学习模型，辅助专业医学人员进行诊断，而对一个准确预测氧减状态的模型则是实现这一目标的第一步。目前，由于缺少慢性阻塞性肺疾病相关的标准数据库，还没有一个可以准确预测氧减状态以及进一步预测慢性阻塞性肺疾病的模型。
发明内容
为了解决上述慢性阻塞性肺疾病氧减状态预测问题中存在的缺少标准数据和成熟模型的问题，本发明的目的在于提出一种基于LSTM的慢性阻塞性肺疾病氧减状态预测方法。
为达成上述目的，本发明所采用的技术方案如下：
一种基于LSTM的慢性阻塞性肺疾病氧减状态预测方法，包括以下步骤：
第一阶段：原始数据的预处理，过程如下：
步骤1.1：获取原始数据的特征及标签值，由传感器接收并通过图形软件传递的原始数据以文件形式暂存，需要通过图形界面选定处于氧减状态的区间并将该标签值对应到数据文件中的每个数据点，在此基础上形成了医学专家数据库。原始的数据文件中存在索引序号、时间、血脉氧数据、心率数据、数据是否有效、数据质量、数据是否属于意外事件这7列数据，其中数据是否有效、数据质量、数据是否属于意外事件是判断某个数据点是否属于氧减状态的标签值。对于一个n秒的时间序列，原始数据可视为一个n×7的矩阵。
步骤1.2：特征提取，在已有的n×7矩阵的基础上，运用滑动窗口技术为每个时间点上的血脉氧数据提取新的特征，窗口大小设置为10。再计算每个时刻血脉氧数据的变化幅度，将上述两种特征加入初步数据中。同时，去掉原始数据中对于训练过程帮助不大的索引序号、时间这两列数据，从而构成新的n×7的矩阵。
步骤1.3：整合标签值，生成最终用于训练的数据。新的n×7矩阵中，数据是否有效、数据质量、数据是否属于意外事件这三列共同决定了该时间段下的数据点是否处于氧减状态，当这三列值全为True时，即可判断某个数据点是否属于氧减状态，因此通过这样的处理可将n×7的矩阵转化为n×5的用于训练的矩阵。对于待预测样本，需要将原始的待预测样本数据通过步骤2、3的操作生成除了标签值以外的n×4矩阵。
第二阶段：基于LSTM模型对慢性阻塞性肺疾病氧减状态进行预测，并通过自定义滤波算法对预测结果进行过滤，过程如下：
步骤2.1：采用LSTM神经网络结构对处理好的训练数据进行训练，得出一个软分类模型。
步骤2.2：将预测结果通过滤波算法进行处理，得到较为平滑和可靠的预测结果。采取了一种自定义的滤波算法，首先记录一段时间序列中预测出来的标签值发生跳变的点，如果跳变点之间的时间差小于20秒，则认为该段时间的预测结果有误，并将这段时间内的数据点对应的标签值改为相邻时间段的标签值。
由以上本发明的技术方案可知，本发明的有益效果在于：
1.有效地提取和整合了与氧减状态相关的特征；
2.训练出的模型具有较高的预测准确率和运行速度；
3.模型的训练速度较快；
4.氧减状态的准确判断对于进一步诊断慢性阻塞性肺疾病具有重要意义。
附图说明
图1为结合滑动窗口、自定义滤波算法与基于LSTM的慢性阻塞性肺疾病氧减状态预测方法的示意图。
具体实施方式
为了更了解本发明的技术内容，下面结合附图对本发明作进一步的说明。
图1给出了本发明的预测方法系统结构示意图。结合图1所示，根据本发明的实施例，一种基于LSTM的慢性阻塞性肺疾病氧减状态预测方法，包括了以下步骤：
首先通过医学专业数据库获取初步的数据集；其次，进一步处理数据集，运用滑动窗口技术抽取每个时间点上的血脉氧数据特征，同时计算某一时刻血脉氧数据的变化幅度并作为新的特征，将上述两个特征加入初始的训练数据中获得新的数据集；再次，将原始数据中的多项标签值进行整合，生成新的唯一标签值，然后将新的标签值加入数据集中从而生成最终的数据集，并划分训练集和测试集；接着，使用LSTM网络结构对训练集进行训练，获得可用于预测的模型，并通过测试集获得预测结果；最后，将预测结果通过滤波算法进行处理，得到较为平滑和可靠的预测结果。
作为一种具体实施方式，一种基于LSTM的慢性阻塞性肺疾病氧减状态预测方法，包括以下步骤：
第一阶段：原始数据的预处理，过程如下：
步骤1.1：获取原始数据的特征及标签值，由传感器接收并通过图形软件传递的原始数据以文件形式暂存，需要通过图形界面选定处于氧减状态的区间并将该标签值对应到数据文件中的每个数据点，在此基础上形成了医学专家数据库。原始的数据文件中存在索引序号、时间、血脉氧数据、心率数据、数据是否有效、数据质量、数据是否属于意外事件这7列数据，其中数据是否有效、数据质量、数据是否属于意外事件是判断某个数据点是否属于氧减状态的标签值。对于一个n秒的时间序列，原始数据可视为一个n×7的矩阵。
步骤1.2：特征提取，在已有的n×7矩阵的基础上，运用滑动窗口技术为每个时间点上的血脉氧数据提取新的特征，窗口大小设置为10。再计算每个时刻血脉氧数据的变化幅度，将上述两种特征加入初步数据中。同时，去掉原始数据中对于训练过程帮助不大的索引序号、时间这两列数据，从而构成新的n×7的矩阵。
步骤1.3：整合标签值，生成最终用于训练的数据。新的n×7矩阵中，数据是否有效、数据质量、数据是否属于意外事件这三列共同决定了该时间段下的数据点是否处于氧减状态，当这三列值全为True时，即可判断某个数据点是否属于氧减状态，因此通过这样的处理可将n×7的矩阵转化为n×5的用于训练的矩阵。对于待预测样本，需要将原始的待预测样本数据通过步骤2、3的操作生成除了标签值以外的n×4矩阵。
第二阶段：基于LSTM模型对慢性阻塞性肺疾病氧减状态进行预测，并通过自定义滤波算法对预测结果进行过滤，过程如下：
步骤2.1：采用LSTM神经网络结构对处理好的训练数据进行训练，得出一个软分类模型。
步骤2.2：将预测结果通过滤波算法进行处理，得到较为平滑和可靠的预测结果。采取了一种自定义的滤波算法，首先记录一段时间序列中预测出来的标签值发生跳变的点，如果跳变点之间的时间差小于20秒，则认为该段时间的预测结果有误，并将这段时间内的数据点对应的标签值改为相邻时间段的标签值。
下面结合附图所示，更加具体地描述前述过程。
第一阶段：原始数据的预处理，实现过程如下：
步骤1.1：获取原始特征及标签值，通过医学专家数据库整理出初步的数据。
原始的数据文件中存在索引序号、时间、血脉氧数据、心率数据、数据是否有效、数据质量、数据是否属于意外事件这7列数据，其中数据是否有效、数据质量、数据是否属于意外事件是由医学人员手工确定的标签值。对于一个n秒的时间序列，原始数据可视为一个n×7的矩阵X，形式如下：
其中参数A、B、C、D、E、F、G分别代表索引序号、时间、血脉氧数据、心率数据、数据是否有效、数据质量、数据是否属于意外事件这7列数据，xi,j表示第i个时间点上第j列数据的值。
步骤1.2：特征提取，在原始特征的基础上，运用滑动窗口技术为每个时间点上的血脉氧数据提取新的特征，再计算每个时刻血脉氧数据的变化幅度，将上述两种特征加入初步数据中，构成新的数据矩阵X1，形式如下：
其中参数A1、B1、C1、D1、E1、F1、G1分别代表经过特征提取后的特征集合，即：血脉氧数据、心率数据、以10为窗口大小提取的血脉氧数据特征、每时刻血脉氧数据的变化幅度、数据是否有效、数据质量、数据是否属于意外事件这7列数据。
以5为窗口大小提取的血脉氧数据特征计算公式如下：
其中winsize表示窗口大小，本发明中winsize值为10.
每时刻血脉氧数据的变化幅度的计算公式如下：
即用当前时刻的血脉氧值减去前一时刻血脉氧值，再除以前一时刻的血脉氧值，得出当前变化的幅度。
步骤1.3：将数据中的多项标签值进行整合，生成新的唯一标签值，然后将新的标签值加入训练数据中从而生成最终的训练数据矩阵X*，形式如下：
其中
为对X1矩阵中E1、F1、G1这三列数据整合后的数据，即当数据是否有效、数据质量、数据是否属于意外事件这三项值均为True时，对应的
的值则为1，否则为0。
第二阶段：基于LSTM模型对慢性阻塞性肺疾病氧减状态进行预测，并通过自定义滤波算法对预测结果进行过滤，过程如下：
步骤2.1：使用LSTM网络结构对训练数据进行训练，获得可用于准确预测的模型，具体训练过程如下：
本发明设计的LSTM网络中，输入节点有4个，对应X*矩阵的前4列特征，输出节点有2个，分别作为属于氧减状态和不属于氧减状态两个分类的输出。鉴于目前数据的复杂程度不高，本发明设计的LSTM网络使用了两层隐含层，每层包括20个隐含层节点。损失函数使用逻辑交叉熵函数，位置权重为0.5，学习率为0.001，batch大小为80，使用dropout机制防止过拟合。
在LSTM的结构中，遗忘门、输入门和输出门是LSTM功能实现的核心。LSTM通过遗忘门来决定前段时间哪些信息会被舍弃，输入门用于接收当前新信息，输出门决定哪些信息会传递给下一组LSTM单元。
LSTM的遗忘门可通过以下公式进行构造：
ft＝σ(Wf·[ht-1,xt]+bf) (6)
其中ft为遗忘门的输出，范围是[0-1]，0代表完全遗忘，1代表完全不变。Wf和bf分别为遗忘门结构中的权值矩阵和偏置项，ht-1为上一时刻输出门的输出，xt为当前时刻的输入，σ为激活函数(本方法中采用sigmoid函数)。
LSTM的输入门可通过以下公式进行构造：
it＝σ(Wi·[ht-1,xt]+bi) (7)
与遗忘门类似，公式(9)中的Ct为输入门决定的给节点的输入，ft为遗忘门的输出，Ct-1为上一时刻输入门的输出，it为输入门决定的对于当前信息的接收程度，
为新的状态信息。公式(7)与公式(6)类似，Wi和bi分别为输入门结构中的用于确定对于当前信息的接收程度的权值矩阵和偏置项。公式(8)中WC和bC分别为输入门结构中的用于确定新状态信息的权值矩阵和偏置项。
LSTM的输出门可通过以下公式构造：
ot＝σ(Wo·[ht-1,xt]+bo) (10)
ht＝ot*tanh(Ct) (11)
其中ot用于控制那些信息需要输出，Wo和bo分别为输出门结构中的用于确定ot的权值矩阵和偏置项，ht为当前LSTM单元的输出。
对于LSTM的输出，用softmax函数进行处理，使得最终输出的是每组输入属于某一类的概率，得到软分类结果，根据比较两个输出节点的概率大小决定所分的类别。
步骤2.2：将预测结果通过滤波算法进行处理，得到较为平滑和可靠的预测结果，实现方式如下：
本发明采取了一种自定义的滤波算法，首先记录一段时间序列中预测出来的标签值发生跳变的点，如果跳变点之间的时间差小于20秒，则认为该段时间的预测结果有误，并将这段时间内的数据点对应的标签值改为相邻时间段的标签值。
综上所述，本发明的意义在于：第一，有效地提取和整合了与氧减状态相关的特征；第二，训练出的模型具有较高的预测准确率和运行速度；第三，模型的训练速度较快；第四，氧减状态的准确判断对于进一步诊断慢性阻塞性肺疾病具有重要意义。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (7)
1.一种基于LSTM的慢性阻塞性肺疾病氧减状态预测方法，其特征在于，包括以下步骤：
第一阶段：对原始数据进行处理，提取血脉氧数据的窗口特征和梯度特征作为新的特征值，同时对于原始数据中的冗余特征进行整合，生成用于标识是否处于氧减状态的唯一标签；
第二阶段：基于LSTM模型对慢性阻塞性肺疾病氧减状态进行预测，并通过自定义滤波算法对预测结果进行过滤。
2.根据权利要求1所述的基于LSTM的慢性阻塞性肺疾病氧减状态预测方法，其第一阶段的步骤如下：
步骤1.1：获取原始特征及标签值，通过医学专家数据库整理出初步的数据集；
步骤1.2：在原始特征的基础上，运用滑动窗口技术为每个时间点上的血脉氧数据提取窗口特征，再计算每个时刻血脉氧数据的变化幅度作为梯度特征，将上述两种特征加入初步数据中，构成新的数据；
步骤1.3：将步骤1.2中形成的新数据中的冗余标签进行整合，生成新的唯一标签值，然后将新的标签值加入数据中从而生成最终的数据集，并在此数据集基础上划分训练集和测试集。
3.根据权利要求1所述的基于LSTM的慢性阻塞性肺疾病氧减状态预测方法，其第二阶段步骤如下：
步骤2.1：使用LSTM网络结构对训练集进行训练，获得可用于预测的模型，并在测试集上进行测试，得出预测结果；
步骤2.2：将预测结果通过滤波算法进行处理，得到较为平滑和可靠的预测结果。
4.根据权利要求2所述的基于LSTM的慢性阻塞性肺疾病氧减状态预测方法，其特征在于：所述步骤1.2中，去掉原始数据中的索引序号、时间两列数据，从而构成新的数据集。
5.根据权利要求2所述的基于LSTM的慢性阻塞性肺疾病氧减状态预测方法，其特征在于：所述步骤1.3中，新的数据集中数据是否有效、数据质量、数据是否属于意外事件这三列标签共同决定该时间段下的数据点是否处于氧减状态，当这三列值全为True时，即可判断某个数据点是否属于氧减状态。
6.根据权利要求3所述的基于LSTM的慢性阻塞性肺疾病氧减状态预测方法，其特征在于：所述步骤2.1中，采用LSTM神经网络结构对处理好的训练数据进行训练，得出一个软分类模型。
7.根据权利要求3所述的基于LSTM的慢性阻塞性肺疾病氧减状态预测方法，其特征在于，所述步骤2.2中采取的滤波算法为：首先记录一段时间序列中预测出来的标签值发生跳变的点，如果跳变点之间的时间差小于k秒，则认为该段时间的预测结果有误，并将这段时间内的数据点对应的标签值改为相邻时间段的标签值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911285829.XA CN111110208A (zh) | 2019-12-13 | 2019-12-13 | 基于lstm的慢性阻塞性肺疾病氧减状态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911285829.XA CN111110208A (zh) | 2019-12-13 | 2019-12-13 | 基于lstm的慢性阻塞性肺疾病氧减状态预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111110208A true CN111110208A (zh) | 2020-05-08 |
Family
ID=70498915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911285829.XA Pending CN111110208A (zh) | 2019-12-13 | 2019-12-13 | 基于lstm的慢性阻塞性肺疾病氧减状态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111110208A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113057617A (zh) * | 2021-04-30 | 2021-07-02 | 重庆理工大学 | 一种心输出量的无创监测系统 |
| CN113576472A (zh) * | 2021-09-02 | 2021-11-02 | 成都云卫康医疗科技有限公司 | 一种基于全卷积神经网络的血氧信号分割方法 |
| CN113951867A (zh) * | 2021-10-19 | 2022-01-21 | 天津大学 | 一种基于口鼻气流信号的慢性阻塞性肺疾病识别装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5398682A (en) * | 1992-08-19 | 1995-03-21 | Lynn; Lawrence A. | Method and apparatus for the diagnosis of sleep apnea utilizing a single interface with a human body part |
| US5830135A (en) * | 1994-03-31 | 1998-11-03 | Bosque; Elena M. | Fuzzy logic alarm system for pulse oximeters |
| US6839581B1 (en) * | 2000-04-10 | 2005-01-04 | The Research Foundation Of State University Of New York | Method for detecting Cheyne-Stokes respiration in patients with congestive heart failure |
| JP2007020836A (ja) * | 2005-07-15 | 2007-02-01 | Konica Minolta Sensing Inc | 生体情報測定装置 |
| US20100113904A1 (en) * | 2008-11-05 | 2010-05-06 | Nellcor Puritan Bennett Llc | System And Method For Facilitating Observation Of Monitored Physiologic Data |
| CN106709251A (zh) * | 2016-12-23 | 2017-05-24 | 李进让 | 一种评估方法及装置 |
| CN108463166A (zh) * | 2015-08-20 | 2018-08-28 | 塞雷尼姆有限公司 | 儿童阻塞性睡眠呼吸暂停症的诊断系统和方法 |
| CN108694382A (zh) * | 2018-05-14 | 2018-10-23 | 电子科技大学 | 一种基于超宽带雷达传感器的土壤pH分类方法 |
| CN209500109U (zh) * | 2018-09-05 | 2019-10-18 | 成都江雪医疗器械有限公司 | 一种睡眠呼吸暂停电动翻身床的智能控制系统 |
-
2019
- 2019-12-13 CN CN201911285829.XA patent/CN111110208A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5398682A (en) * | 1992-08-19 | 1995-03-21 | Lynn; Lawrence A. | Method and apparatus for the diagnosis of sleep apnea utilizing a single interface with a human body part |
| US5830135A (en) * | 1994-03-31 | 1998-11-03 | Bosque; Elena M. | Fuzzy logic alarm system for pulse oximeters |
| US6839581B1 (en) * | 2000-04-10 | 2005-01-04 | The Research Foundation Of State University Of New York | Method for detecting Cheyne-Stokes respiration in patients with congestive heart failure |
| JP2007020836A (ja) * | 2005-07-15 | 2007-02-01 | Konica Minolta Sensing Inc | 生体情報測定装置 |
| US20100113904A1 (en) * | 2008-11-05 | 2010-05-06 | Nellcor Puritan Bennett Llc | System And Method For Facilitating Observation Of Monitored Physiologic Data |
| CN108463166A (zh) * | 2015-08-20 | 2018-08-28 | 塞雷尼姆有限公司 | 儿童阻塞性睡眠呼吸暂停症的诊断系统和方法 |
| CN106709251A (zh) * | 2016-12-23 | 2017-05-24 | 李进让 | 一种评估方法及装置 |
| CN108694382A (zh) * | 2018-05-14 | 2018-10-23 | 电子科技大学 | 一种基于超宽带雷达传感器的土壤pH分类方法 |
| CN209500109U (zh) * | 2018-09-05 | 2019-10-18 | 成都江雪医疗器械有限公司 | 一种睡眠呼吸暂停电动翻身床的智能控制系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113057617A (zh) * | 2021-04-30 | 2021-07-02 | 重庆理工大学 | 一种心输出量的无创监测系统 |
| CN113576472A (zh) * | 2021-09-02 | 2021-11-02 | 成都云卫康医疗科技有限公司 | 一种基于全卷积神经网络的血氧信号分割方法 |
| CN113576472B (zh) * | 2021-09-02 | 2024-05-28 | 成都云卫康医疗科技有限公司 | 一种基于全卷积神经网络的血氧信号分割方法 |
| CN113951867A (zh) * | 2021-10-19 | 2022-01-21 | 天津大学 | 一种基于口鼻气流信号的慢性阻塞性肺疾病识别装置 |
| CN113951867B (zh) * | 2021-10-19 | 2023-10-17 | 天津大学 | 一种基于口鼻气流信号的慢性阻塞性肺疾病识别装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111110208A (zh) | 基于lstm的慢性阻塞性肺疾病氧减状态预测方法 | |
| JP2023164839A (ja) | 呼吸器疾患を診断するために疾患シグネチャを使用して咳音を分析するための方法 | |
| CN112675393A (zh) | 一种呼吸机撤机管理系统及方法 | |
| CN110051324A (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
| CN109065165B (zh) | 一种基于重建气道树图像的慢性阻塞性肺病预测方法 | |
| Mahmoudi et al. | Sensor-based system for automatic cough detection and classification | |
| Çallı et al. | FRODO: Free rejection of out-of-distribution samples: application to chest x-ray analysis | |
| CN113342973A (zh) | 一种基于疾病二分类器的辅助诊断模型的诊断方法 | |
| CN109907751B (zh) | 一种基于人工智能监督学习的实验室胸痛数据检查辅助识别方法 | |
| Reynolds et al. | Classification of voluntary cough airflow patterns for prediction of abnormal spirometry | |
| WO2021029526A1 (en) | Methods and systems for pulmonary condition assessment | |
| CN117174294A (zh) | 一种构建慢阻肺评估模型方法及系统 | |
| CN114340487A (zh) | 一种处理哮喘患者咳嗽音以应用适当治疗的方法和装置 | |
| CN115633961A (zh) | 基于动态加权决策融合恐高情绪识别模型构建方法与系统 | |
| CN113892909B (zh) | 一种基于认知状态的慢性疾病智能筛查系统 | |
| CN111466877B (zh) | 一种基于lstm网络的氧减状态预测方法 | |
| TWI777650B (zh) | 基於心跳間隔下降率分組之呼吸暫停與不足事件偵測方法 | |
| Xie et al. | Prediction of chronic obstructive pulmonary disease exacerbation using physiological time series patterns | |
| Kazemi et al. | Assessment on methods used to detect asthmatic and non-asthmatic conditions using capnogram signal | |
| CN115804585B (zh) | 一种基于机械通气波形检测气道高阻力的方法及系统 | |
| Jia et al. | A method to detect the onsets and ends of paroxysmal atrial fibrillation episodes based on sliding window and coding | |
| Lynch III | Effort-Independent Asthma Severity Classification | |
| Patel et al. | Performance analysis of deep learning algorithms for classifying chronic obstructive pulmonary disease | |
| CN114595731B (zh) | 基于持续学习的非线性医疗传感器数据的语义分割方法 | |
| CN118266874B (zh) | 基于确定学习的单通道气流睡眠呼吸暂停实时检测系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |