CN111685748A - 一种基于分位数的血压预警方法、装置、设备及存储介质 - Google Patents
一种基于分位数的血压预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111685748A CN111685748A CN202010546564.0A CN202010546564A CN111685748A CN 111685748 A CN111685748 A CN 111685748A CN 202010546564 A CN202010546564 A CN 202010546564A CN 111685748 A CN111685748 A CN 111685748A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- quantile
- value
- early warning
- feature
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于分位数的血压预警方法、装置、设备及存储介质。方法包括:获取当前时刻之前第一时长的历史数据,基于分位数确定血压区间预测模型,确定当前时刻之后第二时长内的多个可预测的第一特征,将历史数据和多个第一特征输入血压区间预测模型进行处理,得到当前时刻之后第二时长内的分位数预测区间,根据预设的安全血压值和分位数预测区间发出分级预警信息。通过将历史数据和未来可预测的第一特征输入血压区间预测模型,得到分位数预测区间,并根据分位数预测区间与安全血压值的关系,发出分级预警信息,实现血压分级预警功能,可以使患者根据预警信息的级别,提前采取措施调节未来一段时间的血压值,降低突发疾病风险。
Description
技术领域
本发明实施例涉及医疗技术领域,尤其涉及一种基于分位数的血压预警方法、装置、设备及存储介质。
背景技术
近年来,高血压在人群中的发病率不断上升,并经常引发心脏病、中风等并发症,严重威胁人体健康。而对于接受手术的患者或ICU接受治疗的急性或重症患者,低血压或低血压症可能是严重医学并发症甚至死亡的预兆,而日常生活中的血压突变也极易诱发突发心脑血管疾病,如夜间上厕所时或清晨起床站立起来时,血压增高,易诱发中风和心梗,《基于健康信息的急性心血管疾病早期预警》中指出夜间收缩压每升高10mmHg,因心血管死亡的相对风险会增加近20%,高血压人群在高强度运动后,血压也有可能突然升高到一个危险的高度从而对患者造成致命的伤害。因此。为了预防血压的不良变化带来严重后果,血压监测是个人健康管理中不可或缺的一个部分。
血压监测包括测量和预测两种方法,绝大部分血压计采用听诊法和示波法等换算测量得到某一时刻的血压值。测量只能获得当前的血压值,而无法对未来血压值进行预测。随着健康管理的普及,从连续的历史血压数据来提前预测近期可能的血压变化成为可能。然而,现有的预测方法通常只是提供未来一段时间内的预测的血压值,而无法对提供分级预警。
发明内容
本发明提供一种基于分位数的血压预警方法、装置、设备及存储介质,能够根据分位数预测区间与安全血压值的关系,发出分级预警信息,实现血压分级预警功能,可以使患者根据预警信息的级别,提前采取措施调节未来一段时间的血压值,降低突发疾病风险。
第一方面,本发明实施例提供了一种基于分位数的血压预警方法,包括:
获取当前时刻之前第一时长的历史数据,所述历史数据包括血压值序列和与所述血压值序列关联的特征序列;
基于分位数确定血压区间预测模型;
确定当前时刻之后第二时长内的多个可预测的第一特征,所述第一特征关联对血压值具有影响的因素;
将所述历史数据和多个所述第一特征输入所述血压区间预测模型进行处理,得到当前时刻之后第二时长内的分位数预测区间,所述分位数预测区间由至少两条分位数曲线构成;
根据预设的安全血压值和所述分位数预测区间发出分级预警信息。
第二方面,本发明实施例还提供了一种基于分位数的血压区间预测模型的训练方法,包括:
获取多个训练数据,所述训练数据包括第一时长的历史数据样本和第二时长的血压观测值序列,所述历史数据样本包括血压值序列样本和与所述血压值序列样本关联的特征序列样本;
确定血压区间预测模型;
获取第二时长内的多个第一特征样本,所述第一特征样本关联对血压值具有影响的因素;
将所述历史数据样本和多个所述第一特征样本输入所述血压区间预测模型进行处理,得到各分位数对应的血压预测值;
通过分位数损失函数计算分位数对应的血压预测值与血压观测值的损失值;
基于所述损失值更新所述血压区间预测模型的参数。
第三方面,本发明实施例还提供了一种基于分位数的血压预警装置,包括:
历史数据获取模块,用于获取当前时刻之前第一时长的历史数据,所述历史数据包括血压值序列和与所述血压值序列关联的特征序列;
预测模型确定模块,用于基于分位数确定血压区间预测模型;
第一特征确定模块,用于确定当前时刻之后第二时长内的多个可预测的第一特征,所述第一特征关联对血压值具有影响的因素;
预测区间确定模块,用于将所述历史数据和多个所述第一特征输入所述血压区间预测模型进行处理,得到当前时刻之后第二时长内的分位数预测区间,所述分位数预测区间由至少两条分位数曲线构成;
预警信息发送装置,用于根据预设的安全血压值和所述分位数预测区间发出分级预警信息。
第四方面,本发明实施例还提供了一种基于分位数的血压区间预测模型的训练装置,包括:
训练数据获取模块,用于获取多个训练数据,所述训练数据包括第一时长的历史数据样本和第二时长的血压观测值序列,所述历史数据样本包括血压值序列样本和与所述血压值序列样本关联的特征序列样本;
预测模型确定模块,用于确定血压区间预测模型;
第一特征样本获取模块,用于获取第二时长内的多个第一特征样本,所述第一特征样本关联对血压值具有影响的因素;
血压预测值确定模块,用于将所述历史数据样本和多个所述第一特征样本输入所述血压区间预测模型进行处理,得到各分位数对应的血压预测值;
损失计算模块,用于通过分位数损失函数计算分位数对应的血压预测值与血压观测值的损失值;
参数更新模块,用于基于所述损失值更新所述血压区间预测模型的参数。
第五方面,本发明实施例还提供了一种计算机设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明第一方面提供的基于分位数的血压预警方法,或实现如本发明第二方面提供的基于分位数的血压区间预测模型的训练方法。
第六方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明第一方面提供的基于分位数的血压预警方法,或实现如本发明第二方面提供的基于分位数的血压区间预测模型的训练方法。
本发明实施例提供的基于分位数的血压预警方法,包括:获取当前时刻之前第一时长的历史数据,历史数据包括血压值序列和与血压值序列关联的特征序列,基于分位数确定血压区间预测模型,确定当前时刻之后第二时长内的多个可预测的第一特征,第一特征关联对血压值具有影响的因素,将历史数据和多个第一特征输入血压区间预测模型进行处理,得到当前时刻之后第二时长内的分位数预测区间,分位数预测区间由至少两条分位数曲线构成,根据预设的安全血压值和分位数预测区间发出分级预警信息。通过将历史数据和未来可预测的第一特征输入血压区间预测模型,得到分位数预测区间,并根据分位数预测区间与安全血压值的关系,发出分级预警信息,实现血压分级预警功能,可以使患者根据预警信息的级别,提前采取措施调节未来一段时间的血压值,降低突发疾病风险。
附图说明
图1A为本发明实施例一提供的一种基于分位数的血压预警方法的流程图;
图1B为本发明实施例提供的一种血压预警的时序图;
图1C为本发明实施例提供的一种分位数曲线图;
图2A是本发明实施例二提供的一种基于分位数的血压预警方法的流程图;
图2B为本发明实施例二提供的一种血压区间预测模型的结构示意图;
图2C为本发明实施例提供的一种循环神经网络的结构示意图;
图2D为本发明实施例二提供的一种第一感知机和第二感知机的结构示意图;
图2E为本发明实施例提供的一种预警方案的示意图;
图2F为本发明实施例提供的另一种预警方案的示意图;
图2G为本发明实施例提供的另一种预警方案的示意图;
图3A为本发明实施例三提供的一种基于分位数的血压区间预测模型的训练方法;
图3B为本发明实施例三提供的一种训练数据的获取示意图;
图4为本发明实施例四提供的一种基于分位数的血压预警装置的结构示意图;
图5为本发明实施例五提供的一种基于分位数的血压区间预测模型的训练装置的结构示意图;
图6为本发明实施例六提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1A为本发明实施例一提供的一种基于分位数的血压预警方法的流程图,本实施例可适用于血压分级预警的情况,该方法可以由本发明实施例提供的基于分位数的血压预警装置来执行,该装置可以由软件和/或硬件的方式实现,通常配置于计算机设备中,具体的,如图1A所示,该方法包括如下步骤:
S101、获取当前时刻之前第一时长的历史数据。
图1B为本发明实施例提供的一种血压预警的时序图,如图1B所示,具体的,历史数据包括血压值序列Y和与血压值序列关联的特征序列X。
示例性的,第一时长Lcontext可以是当前时刻T0之前的一段时间,例如,第一时长Lcontext为当前时刻T0之前60min。血压值序列Y可以是在第一时长Lcontext内以一定的采集频率采集得到的多个血压值,即血压值序列Y=[y1,y2,y3,……,yn]示例性的,在本发明实施例中,血压值序列Y可以是以间隔1min的采集频率,采集得到的60个按采集时间顺序排列的血压值序列。血压值可以是舒张压或收缩压,本发明实施例在此不做限定。
特征序列X为与血压值序列Y相关联的一组特征,特征序列Y中的每一特征与血压值序列中的每一血压值对应关联,即在当前时刻之前的第一时长Lcontext内某一时刻采集的血压值的同时,采集的与该血压值关联的特征。特征序列X可以包括一个或多个不同种类的特征,例如,特征序列可以包括环境温度、周期时间、降血压药等用药情况、饮酒情况、运动情况、吃饭信息和心率中的至少一个种类,即特征序列X=[x1,x2,x3,……,xn]。当特征序列包括一个种类的特征时,其为一个一维特征序列,当特征序列包括2个或多个种类的特征时,其为一个2维或多维特征序列。
S102、基于分位数确定血压区间预测模型。
具体的,在本发明实施例中,可以采用循环神经网络和卷积神经网络、或循环神经网络和感知机,或循环神经网络和全连接网络,采用分位数损失函数对模型进行训练,提高血压区间预测模型的区间预测准确性,进而提高血压预警的准确性。本发明实施例中,循环神经网络可以是长短期记忆网络(Long Short-Term Memory,LSTM)、双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)或时间卷积网络(TemporalConvolutional Network,TCN),其中,LSTM一种特殊的循环神经网络,该网络设计出来是为了解决长依赖问题。BiLSTM是由前向LSTM与后向LSTM组合而成,TCN是一种能够处理时间序列数据的网络结构。本发明实施例对提取时序特征的网络类型不做限定。本发明实施例中,卷积神经网络可以是LeNet、AlexNet、GoogLeNet或ResNet等。本发明实施例中,对循环神经网络和卷积神经网络的具体形式不做限定。
S103、确定当前时刻之后第二时长内的多个可预测的第一特征。
具体的,如图1B所示,第二时长Lsteps可以是当前时刻T0之后未来的一段时间,例如,当前时刻T0之后未来的10min。第一特征为当前时刻T0之后的第二时长Lsteps内某一时刻下对血压值具有影响的特征,第一特征关联对血压值具有影响的因素。对血压值具有影响的因素可以是周期时间、即将进行的用药行为等,这些因素的具有较强的周期性,因此,可以根据这些因素确定第一特征。示例性的,当前时刻之后的第二时长Lsteps以1min为间隔分为10等份,具有10个时刻,确定每一时刻下是否存在影响血压值的因素,并根据每一时刻下的因素确定每一时刻下的第一特征。若在某一时刻下不存在影响血压值的因素,则该时刻下的第一特征可以记为零。
S104、将历史数据和多个第一特征输入血压区间预测模型进行处理,得到当前时刻之后第二时长内的分位数预测区间。
具体的,将历史数据和多个第一特征输入血压区间预测模型中,血压区间预测模型对历史数据和第一特征进行拼接、加权、特征变换、特征提取等操作,输出各分位数对应的多个血压预测值,示例性的,在本发明实施例中,当前时刻T0之后的第二时长Lsteps分以1min为间隔分为10等份,具有10个时刻,则血压区间预测模型输出各分位数对应的10个血压预测值,将各分位数对应的多个血压预测值按照时间顺序依次连接得到各分位数曲线。各分位数曲线构成分位数预测区间。
图1C为本发明实施例提供的一种分位数曲线图,如图1C所示,图中T0为当前时刻,T0之前为第一时长Lcontext,T0之后为第二时长Lsteps。输出的分位数曲线分别为分位数为25%对应的P25分位数曲线、分位数为50%对应的P50分位数曲线和分位数为75%对应的P75分位数曲线。分位数曲线表示当前时刻T0之后的第一时长内,真实血压值在该分位数曲线以下的概率为该分位数曲线对应的分位数,示例性,P75分位数曲线表示当前时刻T0之后的第一时长内,真实血压值在P75分位数曲线以下的概率为75%。分位数预测区间由至少两条分位数曲线构成,示例性的,P25分位数曲线和P75分位数曲线之间的区间即为一个分位数预测区间,该分位数预测区间表示当前时刻T0之后的第一时长内,真实血压值在该分位数预测区间内的概率为50%,该分位数预测区间也可以称之为50%置信区间。
此外,P25分位数曲线和P50分位数曲线形成一个分位数预测区间,P50分位数曲线和P75分位数曲线也形成一个分位数预测区间。
S105、根据预设的安全血压值和分位数预测区间发出分级预警信息。
具体的,安全血压值可以根据用户的实际情况自行设定,在本发明的具体实施例中,以血压值为收缩压为例,对本发明进行说明。示例性的,可以设置收缩压的安全血压值,例如,可以设定安全血压值的最高收缩压SBup和最低收缩压SBdown。根据预设的安全血压值和分位数预测区间的相对关系,发出相应级别的预警信息。示例性的,当最高收缩压SBup位于P50分位数和P75分位数形成的分位数预测区间时,表示当前时刻T0之后的第一时长内,收缩压高于最高收缩压SBup的风险大于25%小于50%,则发出与该风险对应级别的预警信息,例如可以是一级预警。用户可以根据预警信息的级别,采取相应的措施,提前调节自身的血压值。示例性的,当预警信息为一级预警时,用户可以采取适当休息,降低运动量等缓和措施来提前降低血压;当预警信息的级别较高时,用于可以采取立即停止活动,及时服药甚至及时就医等措施来提前调节血压。
本发明实施例提供的基于分位数的血压预警方法,包括:获取当前时刻之前第一时长的历史数据,历史数据包括血压值序列和与血压值序列关联的特征序列,基于分位数确定血压区间预测模型,确定当前时刻之后第二时长内的多个可预测的第一特征,第一特征关联对血压值具有影响的因素,将历史数据和多个第一特征输入血压区间预测模型进行处理,得到当前时刻之后第二时长内的分位数预测区间,分位数预测区间由至少两条分位数曲线构成,根据预设的安全血压值和分位数预测区间发出分级预警信息。通过将历史数据和未来可预测的第一特征输入血压区间预测模型,得到分位数预测区间,并根据分位数预测区间与安全血压值的关系,发出分级预警信息,实现血压分级预警功能,可以使患者根据预警信息的级别,提前采取措施调节未来一段时间的血压值,降低突发疾病风险。
实施例二
图2A是本发明实施例二提供的一种基于分位数的血压预警方法的流程图,本实施例在上述实施例一的基础上进行细化,详细描述了血压区间预测模型的处理过程,如图2A所示,该方法包括:
S201、获取当前时刻之前第一时长的历史数据。
历史数据包括血压值序列和与血压值序列关联的特征序列。具体的,在本发明实施例中,第一时长Lcontext为当前时刻T0之前60min,血压值序列可以是以间隔1min的采集频率,采集得到的60个按采集时间顺序排列的收缩压序列,即血压值序列Y=[yT0-60,yT0-59,……,yT0-1,yT0]。特征序列为与收缩压序列相关联的心率序列,心率序列中的心率与收缩压序列中的每一收缩压对应关联。即本发明实施例中,特征序列为仅包括心率的一维特征序列,即特征序列X=[x1]。x1=[xT0-60,xT0-59,……,xT0-1,xT0]。
S202、基于分位数确定血压区间预测模型。
图2B为本发明实施例二提供的一种血压区间预测模型的结构示意图,如图2B所示,具体的,在本发明实施例中,血压区间预测模型基于“Seq2Seq”模型,包括Encoder部分和Decoder部分。Encoder部分包括循环神经网络,Decoder部分包括第一感知机和第二感知机。其中,循环神经网络与第一感知机连接,第一感知机与第二感知机连接。循环神经网络接收历史数据,并进行处理后输出给第一感知机,第一感知机接收循环神经网络的输出和第一特征,并进行处理后输出给第二感知机,第二感知机接收第一感知机的输出和第一特征,并进行处理后输出分位数预测区间。
在构建好血压区间预测模型的架构后,给循环神经网络、第一感知机和第二感知机设定初始参数,输入训练数据,并采用分位数损失函数对模型进行训练,以更新循环神经网络、第一感知机和第二感知机的参数,提高血压区间预测模型的区间预测准确性,进而提高血压预警的准确性。
需要说明的是,上述实施例中血压区间预测模型的网络架构为对本发明实施例的示例性说明而非限定,在本发明其他实施例中,也可以采用其他网络架构,本发明实施例在此不做限定。
S203、确定当前时刻之后第二时长内的多个可预测的第一特征。
第一特征关联对血压值具有影响的因素,具体的,在本发明实施例中,第二时长Lsteps为当前时刻T0之后10min。第一特征为当前时刻T0之后的第二时长Lsteps内某一时刻下对血压值具有影响的特征,第一特征关联对血压值具有影响的因素。对血压值具有影响的因素可以是周期时间、即将进行的用药行为等。示例性的,当前时刻之后的第二时长Lsteps分以1min为间隔分为10等份,具有10个时刻,确定每一时刻下是否存在影响血压值的因素,并根据每一时刻下的因素确定每一时刻下的第一特征值。若在某一时刻下不存在影响血压值的因素,则该时刻下的第一特征可以记为零。设第一特征为xf,则在本实施例中,第一特征xf=[xfT0+1,……,xfT0+9,xfT0+10]。
S204、将历史数据输入循环神经网络进行处理,得到第一特征向量。
具体的,将历史数据输入循环神经网络进行处理,利用循环神经网络对血压值序列Y和与血压值序列关联的特征序列X,循环神经网络不仅将当前输入的历史数据作为网络的输入,还将之前感知到的一并作为输入,适应于解决长依赖问题。
图2C为本发明实施例提供的一种循环神经网络的结构示意图,示例性的,如图2C所示,在本发明实施例中,循环神经网络为长短期记忆网络,长短期记忆网络包括多个串接的记忆单元A,具体的,在本发明实施例中,记忆单元的数量为61个,长短期记忆网络对历史数据的处理过程如下:
将第K个历史数据和第K-1个记忆单元输出的细胞信息输入第K个记忆单元进行处理,得到第K个记忆单元的细胞信息。记忆单元中通过忘记门、输入门和输出门来控制细胞信息。具体的,将第K个历史数据[xT0-K、yT0-K]和第K-1个记忆单元输出的细胞信息hT0-K-1输入第K个记忆单元,第K个记忆单元中的忘记门通过sigmoid对接收到的历史数据[xT0-K、yT0-K]进行处理,输出一个0-1之间的向量,该向量里面的0-1值表示第K-1个记忆单元输出的细胞信息hT0-K-1中的哪些信息保留或丢弃多少。接着将历史数据[xT0-K、yT0-K]通过输入门的操作来决定更新哪些信息。然后利用历史数据[xT0-K、yT0-K]通过一个tanh层得到新的候选细胞信息,这些候选细胞信息可能会被更新到细胞信息中。通过忘记门选择忘记旧细胞信息的一部分,通过输入门选择添加候选细胞信息的一部分得到新的细胞信息hT0-K。
将最后一个记忆单元输出的细胞信息hT0作为第一特征向量,本发明实施例中,第一特征向量hT0为一个1*4的一维向量。
S205、将多个第一特征和第一特征向量输入第一感知机进行处理,分别得到多个第二特征和第二特征向量。
其中,第一感知机可以是多层感知机,多层感知机除了输入层和输出层外,它中间可以有至少一个隐藏层(全连接层),每个隐藏层包括多个隐藏节点,隐藏节点即为神经元,多层感知机的层与层之间是全连接的。
图2D为本发明实施例二提供的一种第一感知机和第二感知机的结构示意图,示例性的,如图2D所示,第一感知机包括第一全连接层、第二全连接层和激活函数层,第一感知机对第一特征和第一特征向量的处理过程如下:
将第一特征xf=[xfT0+1,……,xfT0+9,xfT0+10]和第一特征向量hT0进行拼接,得到第一子特征,第一子特征为1*14的向量。
将第一子特征输入第一全连接层进行处理,得到第二子特征。具体的,第一全连接层包括14个隐藏节点,从第一子特征到第一全连接层中间的参数矩阵为(14,14)维的,将第一子特征中每一参数与第一全连接层中的每一隐藏节点相连接。每一隐藏节点用于将所有输入(即第一子特征的所有参数)加权求和,根据预定义的激活函数产生一个输出给第二全连接层。第一全连接层输出第二子特征,第二子特征为1*14的向量。
将第二子特征输入第二全连接层进行处理,得到第三子特征。具体的,第二全连接层包括14个隐藏节点,从第一全连接层到第二全连接层中间的参数矩阵为(14,14)维的,将第一全连接层的每一隐藏节点与第二全连接层中的每一隐藏节点相连接。第二全连接层中的每一隐藏节点用于将第一全连接层中所有隐藏节点的输出加权求和,根据预定义的激活函数产生一个输出给激活函数层。第二全连接层输出第三子特征,第三子特征为1*14的向量。
将第三子特征输入激活函数层进行处理,得到多个第二特征和第二特征向量。具体的,在本发明实施例中,激活函数层的激活函数为ReLu函数,ReLu函数提供了一个简单的非线性变换,ReLU函数只保留第三子特征中的正数元素,并将负数元素清零,进而得到多个第二特征[CT0+1,……,CT0+9,CT0+10]和第二特征向量Ca。其中,多个第二特征[CT0+1,……,CT0+9,CT0+10]对应的输入为多个第一特征[xfT0+1,……,xfT0+9,xfT0+10],第二特征向量Ca对应的输入为第一特征向量hT0。
S206、将第一特征、第二特征和第二特征向量输入第二感知机进行处理,得到当前时刻之后第二时长内的分位数预测区间。
其中,第二感知机可以是多层感知机,多层感知机除了输入层和输出层外,它中间可以有至少一个隐藏层(全连接层),每个隐藏层包括多个隐藏节点,隐藏节点即为神经元,多层感知机的层与层之间是全连接的。
具体的,在本发明实施例中,如图2D所示,第二感知机包括第三全连接层和第四全连接层,每一第一特征携带有时间戳,时间戳用于表示第一特征的时间。第二感知机对第一特征、第二特征和第二特征向量的处理过程如下:
将第一特征和第二特征向量分别与每一第二特征进行拼接,得到多个第四子特征。具体的,将第一特征[xfT0+1,……,xfT0+9,xfT0+10]、第二特征向量Ca分别与第二特征进行拼接,得到多个第四子特征。示例性的,将xfT0+1、Ca和CT0+1进行拼接,得到一个1*6的第四子特征;将xfT0+2、Ca和CT0+2进行拼接,得到一个1*6的第四子特征,依次类推,将xfT0+10、Ca和CT0+10进行拼接,得到一个1*6的第四子特征,即总共10个第四子特征。
将第四子特征输入第三全连接层进行处理,得到第五子特征。具体的,第三全连接层包括3个隐藏节点,从第四子特征到第三全连接层中间的参数矩阵为(6,3)维的,将第四子特征中每一参数与第三全连接层中的每一隐藏节点相连接。每一隐藏节点用于将所有输入(即第四子特征的所有参数)加权求和,根据预定义的激活函数产生一个输出给第四全连接层。每一个第四子特征对应输出一个第五子特征,第三全连接层输出10个第五子特征,第五子特征为1*3的向量。
将第五子特征输入第四全连接层进行处理,得到第二特征携带的时间戳下个各分位数对应的血压预测值。具体的,第四全连接层包括3个隐藏节点,从第三全连接层到第四全连接层中间的参数矩阵为(3,3)维的,将第三全连接层的每一隐藏节点与第四全连接层中的每一隐藏节点相连接。第四全连接层中的每一隐藏节点用于将第三全连接层中所有隐藏节点的输出加权求和,根据预定义的激活函数得到第二特征携带的时间戳下个各分位数对应的血压预测值。时间戳T0+K对应的血压预测值以1*n的向量形式输出。示例性的,如图2D所示,本实施例中,以5%、50%和95%三个分位数为例,进行说明。时间戳T0+K对应的血压预测值分别为和即第四全连接层输出10个1*3的向量。
将各分位数对应的血压预测值按照时间戳依次连接,得到分位数曲线,所述分位数预测区间由至少两条所述分位数曲线构成。具体的,可以将第四全连接层输出10个1*3的向量拼接,并变换为3*10的矩阵,该矩阵的三行数值分别表示三个分位数对应的血压预测值。将各分位数对应的血压预测值按照时间戳依次连接,得到三条分位数曲线。各分位数曲线构成分位数预测区间,具体的,对分位数预测区间的介绍在前述实施例中已有详细记载,本发明实施例在此不再赘述。
S207、根据预设的安全血压值和分位数预测区间发出分级预警信息。
具体的,可以设置收缩压的安全血压值,例如,可以设定安全血压值的最高收缩压SBup和最低收缩压SBdown。根据预设的安全血压值和分位数预测区间的相对关系,发出相应级别的预警信息。
图2E为本发明实施例提供的一种预警方案的示意图,图2F为本发明实施例提供的另一种预警方案的示意图,图2G为本发明实施例提供的另一种预警方案的示意图,如图2E-图2G所示,该实施例中,分位数预测区间由三条分位数曲线构成,分别为第一分位数曲线P95、第二分位数曲线P50和第三分位数曲线P5,第一分位数曲线P95、第二分位数曲线P50和第三分位数曲线P5分别对应第一分位数95%,第二分位数50%和第三分位数5%,第一分位数95%,第二分位数50%和第三分位数5%依次减小,具体的,预警方案如下:
判断各分位数曲线与安全血压值的位置关系。具体的,可以判断各分位数曲线与最高收缩压SBup对应的血压线的相对位置关系。
当第一分位数曲线上存在大于安全血压值的点时,发出一级预警信息。具体的,如图2E所示,本实施例中,安全血压值的最高收缩压SBup设定为140mmHg,当第一分位数曲线P95上存在大于安全血压值的点时,或者,第一分位数曲线P95位于最高收缩压SBup的血压线之上时,说明最高收缩压SBup位于P95分位数和P50分位数形成的分位数预测区间,表示当前时刻T0之后的10min内,收缩压高于最高收缩压SBup的风险大于5%小于50%,则发出一级预警信息,用户根据一级预警信息,采用适当休息,降低运动量等缓和措施来提前降低血压。当第一分位数曲线上不存在大于安全血压值的点时,或第一分位数曲线P95位于最高收缩压SBup的血压线之下时,表示当前时刻T0之后的10min内,收缩压高于最高收缩压SBup的风险小于5%,则可以不发出预警信息。
当第二分位数曲线上存在大于安全血压值的点时,发出二级预警信息。具体的,如图2F所示,本实施例中,安全血压值的最高收缩压SBup设定为128mmHg,当第二分位数曲线P50上存在大于安全血压值的点时,或者说,第二分位数曲线P50位于最高收缩压SBup的血压线以上时,说明最高收缩压SBup位于P50分位数和P5分位数形成的分位数预测区间,表示当前时刻T0之后的10min内,收缩压高于最高收缩压SBup的风险大于50%小于95%,则发出二级预警信息,用户根据二级预警信息,采用立即停止活动等措施来提前降低血压。
当第三分位数曲线上存在大于安全血压值的点时,发出三级预警信息。具体的,如图2G所示,本实施例中,安全血压值的最高收缩压SBup设定为112mmHg,当第三分位数曲线P5上存在大于安全血压值的点时,或者说,第三分位数曲线P5位于最高收缩压SBup的血压线以上时,说明最高收缩压SBup位于P5分位数以下的分位数预测区间,表示当前时刻T0之后的10min内,收缩压高于最高收缩压SBup的风险大于95%,则发出三级预警信息,用户根据三级预警信息,采用服药或就医等有效的降压措施来提前降低血压。
本发明实施例提供的基于分位数的血压预警方法,包括:获取当前时刻之前第一时长的历史数据,历史数据包括血压值序列和与血压值序列关联的特征序列,基于分位数确定血压区间预测模型,确定当前时刻之后第二时长内的多个可预测的第一特征,第一特征关联对血压值具有影响的因素,将历史数据和多个第一特征输入血压区间预测模型进行处理,得到当前时刻之后第二时长内的分位数预测区间,分位数预测区间由至少两条分位数曲线构成,根据预设的安全血压值和分位数预测区间发出分级预警信息。通过将历史数据和未来可预测的第一特征输入血压区间预测模型,得到分位数预测区间,并根据分位数预测区间与安全血压值的关系,发出分级预警信息,实现血压分级预警功能,可以使患者根据预警信息的级别,提前采取措施调节未来一段时间的血压值,降低突发疾病风险。
实施例三
图3A为本发明实施例三提供的一种基于分位数的血压区间预测模型的训练方法,本实施例可用于本发明上述实施例提供的血压区间预测模型训练,该方法可以由本发明实施例提供的基于分位数的血压区间预测模型的训练装置来执行,该装置可以由软件和/或硬件的方式实现,通常配置于计算机设备中。如图3A所示,该方法具体包括如下步骤:
S301、获取训练数据。
训练数据包括第一时长的历史数据样本和第二时长的血压观测值序列,历史数据样本包括血压值序列样本和与血压值序列样本关联的特征序列样本。
图3B为本发明实施例三提供的一种训练数据的获取示意图,如图3B所示,记录的是110小时的连续血压值SBP和心率值HR,每分钟测量一次,共660分钟。
从上述记录的110小时的连续血压值和心率值中以步长为1min截取时长为70min的530个训练数据。以时间t为界,每一训练数据中的前60min数据作为历史数据样本XL,后10min的血压值作为血压观测值序列YG。
S302、确定血压区间预测模型。
如图2B所示,具体的,在本发明实施例中,血压区间预测模型基于“Seq2Seq”模型,包括Encoder部分和Decoder部分。Encoder部分包括循环神经网络,Decoder部分包括第一感知机和第二感知机。其中,循环神经网络与第一感知机连接,第一感知机与第二感知机连接。具体的,血压区间预测模型的具体结构在前述实施例中已有详细记载,本发明实施例在此不再赘述。
S303、获取第二时长内的多个第一特征样本。
具体的,第一特征样本为训练数据后10min内某一时刻下对血压值具有影响的特征,第一特征样本关联对血压值具有影响的因素。对血压值具有影响的因素可以是周期时间、即将进行的用药行为等。示例性的,训练数据后10min内以1min为间隔分为10等份,具有10个时刻,获取每一时刻下是否存在影响血压值的因素,并根据每一时刻下的因素确定每一时刻下的第一特征样本。若在某一时刻下不存在影响血压值的因素,则该时刻下的第一特征样本可以记为零。
S304、将历史数据样本和多个第一特征样本输入血压区间预测模型进行处理,得到各分位数对应的血压预测值。
具体的,将历史数据样本和多个第一特征样本输入血压区间预测模型中,血压区间预测模型对历史数据样本和第一特征样本进行拼接、加权、特征变换、特征提取等操作,输出各分位数对应的多个血压预测值。示例性的,在本发明实施例中,训练数据后10min内以1min为间隔分为10等份,具有10个时刻,则血压区间预测模型输出各分位数对应的10个血压预测值。
具体的,血压区间预测模型对历史数据样本和第一特征样本的具体处理过程可以参考前述实施例中血压区间预测模型对历史数据和第一特征的处理过程,本发明实施例在此不再赘述。
S305、通过分位数损失函数计算分位数对应的血压预测值与血压观测值的损失值。
具体的,在本发明实施例中,分位数损失函数如下所示:
其中,其中t为训练数据的起始时间点,在本例中训练数据的起始时间点仅有一个值,因此,无需对t求和,q表示分位数值,在本发明实施例中,q=[0.05,0.5,0.95],分别对应三个分位数5%、50%和95%,k为输出时间点,k=[1,2,3……10]。其中,单个时间点的损失函数如下:
(x)+=max(0,x)..........(3)
具体的,以某一分位数对应的多个血压预测值为例,首先,(2)式所示,计算血压观测值y’减去血压预测值的第一差值如(3)式所示,当第一差值大于零时,则将第一差值与该分位数的乘积作为第一数值,当第一差值小于零时,则将零作为第一数值。
接着,如(2)式所示,计算血压预测值减去血压观测值的第二差值如(3)式所示,当第二差值大于零时,则将第二差值与一减去该分位数差值((1-q))相乘,得到的乘积作为第二数值,当第二差值小于零时,则将零作为第二数值。
S306、基于损失值更新血压区间预测模型的参数。
具体的,将第三损失值与预设的阈值进行比较,在第三损失值大于阈值时,对血压区间预测模型的参数进行更新,并返回执行S301、获取训练数据的步骤;在第三损失值小于或等于阈值时,确定血压区间预测模型训练完成。
其中,对血压区间预测模型的参数进行更新包括对循环神经网络、第二感知机和第二感知机中的权重、偏置、激活函数等参数进行更新。
本发明实施例提供的基于分位数的血压区间预测模型的训练方法,包括:获取训练数据,训练数据包括第一时长的历史数据样本和第二时长的血压观测值序列,历史数据样本包括血压值序列样本和与血压值序列样本关联的特征序列样本;确定血压区间预测模型;获取第二时长内的多个第一特征样本,第一特征样本关联对血压值具有影响的因素;将历史数据样本和多个第一特征样本输入血压区间预测模型进行处理,得到各分位数对应的血压预测值;通过分位数损失函数计算分位数对应的血压预测值与血压观测值的损失值;基于损失值更新血压区间预测模型的参数。通过对血压区间预测模型进行训练,通过分位数损失函数计算分位数对应的血压预测值与血压观测值的损失值;基于损失值更新血压区间预测模型的参数,使得血压区间预测模型能够输出分位数预测区间,进而可以根据分位数预测区间与安全血压值的关系,发出分级预警信息,实现血压分级预警功能,可以使患者根据预警信息的级别,提前采取措施调节未来一段时间的血压值,降低突发疾病风险。
实施例四
图4为本发明实施例四提供的一种基于分位数的血压预警装置的结构示意图,如图4所示,该装置包括:
历史数据获取模块401,用于获取当前时刻之前第一时长的历史数据,所述历史数据包括血压值序列和与所述血压值序列关联的特征序列;
预测模型确定模块402,用于基于分位数确定血压区间预测模型;
第一特征确定模块403,用于确定当前时刻之后第二时长内的多个可预测的第一特征,所述第一特征关联对血压值具有影响的因素;
预测区间确定模块404,用于将所述历史数据和多个所述第一特征输入所述血压区间预测模型进行处理,得到当前时刻之后第二时长内的分位数预测区间,所述分位数预测区间由至少两条分位数曲线构成;
预警信息发送模块405,用于根据预设的安全血压值和所述分位数预测区间发出分级预警信息。
在本发明的一些实施例中,预测区间确定模块404可以包括:
第一获取子模块,用于将所述历史数据输入循环神经网络进行处理,得到第一特征向量;
第二获取子模块,用于将多个所述第一特征和所述第一特征向量输入第一感知机进行处理,分别得到多个第二特征和第二特征向量;
区间确定子模块,用于将所述第一特征、第二特征和第二特征向量输入第二感知机进行处理,得到当前时刻之后第二时长内的分位数预测区间。
在本发明的一些实施例中,所述循环神经网络为长短期记忆网络,所述长短期记忆网络包括多个串接的记忆单元,第一获取子模块可以包括:
细胞信息获取单元,用于将第K个历史数据和第K-1个记忆单元输出的细胞信息输入第K个记忆单元进行处理,得到第K个记忆单元的细胞信息;
第一获取单元,用于将最后一个记忆单元输出的细胞信息作为第一特征向量。
在本发明的一些实施例中,所述第一感知机包括第一全连接层、第二全连接层和激活函数层,第二获取子模块可以包括:
第一子特征获取单元,用于将多个所述第一特征和所述第一特征向量进行拼接,得到第一子特征;
第二子特征获取单元,用于将所述第一子特征输入所述第一全连接层进行处理,得到第二子特征;
第三子特征获取单元,用于将所述第二子特征输入所述第二全连接层进行处理,得到第三子特征;
第二获取单元,用于将所述第三子特征输入所述激活函数层进行处理,得到多个第二特征和第二特征向量。
在本发明的一些实施例中,所述第二感知机包括第三全连接层和第四全连接层,每一所述第一特征携带有时间戳,区间确定子模块可以包括:
第四子特征获取单元,用于将所述第一特征和所述第二特征向量分别与每一所述第二特征进行拼接,得到多个第四子特征;
第五子特征获取单元,用于将所述第四子特征输入所述第三全连接层进行处理,得到第五子特征;
血压预测值获取单元,用于将所述第五子特征输入所述第四全连接层进行处理,得到所述第二特征携带的时间戳下个各分位数对应的血压预测值;
区间确定单元,用于将各分位数对应的血压预测值按照时间戳依次连接,得到分位数曲线,所述分位数预测区间由至少两条所述分位数曲线构成。
在本发明的一些实施例中,分位数预测区间由三条分位数曲线构成,分别为第一分位数曲线、第二分位数曲线和第三分位数曲线,所述第一分位数曲线、第二分位数曲线和第三分位数曲线分别对应第一分位数,第二分位数和第三分位数,所述第一分位数、第二分位数和第三分位数依次减小,预警信息发送模块405可以包括:
判断子模块,用于判断所述各分位数曲线与所述安全血压值的位置关系;
第一发送子模块,用于当所述第一分位数曲线上存在大于所述安全血压值的点时,发出一级预警信息;
第二发送子模块,用于当所述第二分位数曲线上存在大于所述安全血压值的点时,发出二级预警信息;
第三发送子模块,用于当所述第三分位数曲线上存在大于所述安全血压值的点时,发出三级预警信息。
上述装置可执行本发明实施例一或实施例二所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种基于分位数的血压区间预测模型的训练装置的结构示意图,如图5所示,该装置包括:
训练数据获取模块501,用于获取训练数据,所述训练数据包括第一时长的历史数据样本和第二时长的血压观测值序列,所述历史数据样本包括血压值序列样本和与所述血压值序列样本关联的特征序列样本;
预测模型确定模块502,用于确定血压区间预测模型;
第一特征样本获取模块503,用于获取第二时长内的多个第一特征样本,所述第一特征样本关联对血压值具有影响的因素;
血压预测值确定模块504,用于将所述历史数据样本和多个所述第一特征样本输入所述血压区间预测模型进行处理,得到各分位数对应的血压预测值;
损失计算模块505,用于通过分位数损失函数计算分位数对应的血压预测值与血压观测值的损失值;
参数更新模块506,用于基于所述损失值更新所述血压区间预测模型的参数。
在本发明的一些实施例中,损失计算模块505可以包括:
第一差值计算单元,用于计算所述血压观测值减去所述血压预测值的第一差值;
第一数值计算单元,用于当所述第一差值大于零时,则将所述第一差值与所述分位数的乘积作为第一数值;以及当所述第一差值小于零时,则将零作为第一数值;
第二差值计算单元,用于计算所述血压预测值减去所述血压观测值的第二差值;
第二数值计算单元,用于当所述第二差值大于零时,则将所述第二差值与一减去所述分位数的乘积作为第二数值;以及当所述第二差值小于零时,则将零作为第二数值;
第一损失值计算单元,用于计算所述第一数值与第二数值的和,得到单个时间点的血压预测值与血压观测值的第一损失值;
第二损失值计算单元,用于对所述分位数对应的各时间点的血压预测值与血压观测值的第一损失值求和,得到所述分位数对应的第二损失值;
第三损失值计算单元,用于对多个分位数对应的第二损失值求和,得到所述训练数据对应的第三损失值。
在本发明的一些实施例中,参数更新模块506可以包括:
比较单元,用于将所述第三损失值与预设的阈值进行比较;
参数更新单元,用于在所述第三损失值大于所述阈值时,对血压区间预测模型的参数进行更新,返回执行获取多个训练数据的步骤;
训练完成确定单元,用于在所述第三损失值小于或等于所述阈值时,确定所述血压区间预测模型训练完成。
上述装置可执行本发明实施例三所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例六
本发明实施例六提供了一种计算机设备,图6为本发明实施例六提供的一种计算机设备的结构示意图,如图6所示,该计算机设备包括处理器601、存储器602、通信模块603、输入装置604和输出装置605;计算机设备中处理器601的数量可以是一个或多个,图6中以一个处理器601为例;计算机设备中的处理器601、存储器602、通信模块603、输入装置604和输出装置605可以通过总线或其他方式连接,图6中以通过总线连接为例。上述处理器601、存储器602、通信模块603、输入装置604和输出装置605可以集成在计算机设备的控制主板上。
存储器602作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本实施例中的基于分位数的血压预警方法或基于分位数的血压区间预测模型的训练方法对应的模块。处理器601通过运行存储在存储器602中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述实施例提供的基于分位数的血压预警方法或基于分位数的血压区间预测模型的训练方法。
存储器602可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器602可进一步包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块603,用于与外界设备(例如智能终端)建立连接,并实现与外界设备的数据交互。输入装置604可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。
本实施例提供的一种计算机设备,可执行本发明上述任意实施例提供的基于分位数的血压预警方法或基于分位数的血压区间预测模型的训练方法,具体相应的功能和有益效果。
实施例七
本发明实施例七提供了一种包含计算机可执行指令的存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明上述任意实施例提供的基于分位数的血压预警方法或基于分位数的血压区间预测模型的训练方法。
基于分位数的血压预警方法包括:
获取当前时刻之前第一时长的历史数据,所述历史数据包括血压值序列和与所述血压值序列关联的特征序列;
基于分位数确定血压区间预测模型;
确定当前时刻之后第二时长内的多个可预测的第一特征,所述第一特征关联对血压值具有影响的因素;
将所述历史数据和多个所述第一特征输入所述血压区间预测模型进行处理,得到当前时刻之后第二时长内的分位数预测区间,所述分位数预测区间由至少两条分位数曲线构成;
根据预设的安全血压值和所述分位数预测区间发出分级预警信息。
基于分位数的血压区间预测模型的训练方法包括:
获取训练数据,所述训练数据包括第一时长的历史数据样本和第二时长的血压观测值序列,所述历史数据样本包括血压值序列样本和与所述血压值序列样本关联的特征序列样本;
确定血压区间预测模型;
获取第二时长内的多个第一特征样本,所述第一特征样本关联对血压值具有影响的因素;
将所述历史数据样本和多个所述第一特征样本输入所述血压区间预测模型进行处理,得到各分位数对应的血压预测值;
通过分位数损失函数计算分位数对应的血压预测值与血压观测值的损失值;
基于所述损失值更新所述血压区间预测模型的参数。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明实施例所提供的基于分位数的血压预警方法或基于分位数的血压区间预测模型的训练方法中的相关操作。
需要说明的是,对于装置、设备和存储介质实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是机器人,个人计算机,服务器,或者网络设备等)执行本发明任意实施例所述的基于分位数的血压预警方法或基于分位数的血压区间预测模型的训练方法。
值得注意的是,上述装置中,所包括的各个模块、子模块和单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
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装置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”等的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。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (13)
1.一种基于分位数的血压预警方法,其特征在于,包括:
获取当前时刻之前第一时长的历史数据,所述历史数据包括血压值序列和与所述血压值序列关联的特征序列;
基于分位数确定血压区间预测模型;
确定当前时刻之后第二时长内的多个可预测的第一特征,所述第一特征关联对血压值具有影响的因素;
将所述历史数据和多个所述第一特征输入所述血压区间预测模型进行处理,得到当前时刻之后第二时长内的分位数预测区间,所述分位数预测区间由至少两条分位数曲线构成;
根据预设的安全血压值和所述分位数预测区间发出分级预警信息。
2.根据权利要求1所述的基于分位数的血压预警方法,其特征在于,所述将所述历史数据和所述第一特征输入所述血压区间预测模型进行处理,包括:
将所述历史数据输入循环神经网络进行处理,得到第一特征向量;
将多个所述第一特征和所述第一特征向量输入第一感知机进行处理,分别得到多个第二特征和第二特征向量;
将所述第一特征、第二特征和第二特征向量输入第二感知机进行处理,得到当前时刻之后第二时长内的分位数预测区间。
3.根据权利要求2所述的基于分位数的血压预警方法,其特征在于,所述循环神经网络为长短期记忆网络,所述长短期记忆网络包括多个串接的记忆单元,所述将所述历史数据输入循环神经网络进行处理,包括:
将第K个历史数据和第K-1个记忆单元输出的细胞信息输入第K个记忆单元进行处理,得到第K个记忆单元的细胞信息;
将最后一个记忆单元输出的细胞信息作为第一特征向量。
4.根据权利要求2所述的基于分位数的血压预警方法,其特征在于,所述第一感知机包括第一全连接层、第二全连接层和激活函数层,所述将多个所述第一特征和所述第一特征向量输入第一感知机进行处理,包括:
将多个所述第一特征和所述第一特征向量进行拼接,得到第一子特征;
将所述第一子特征输入所述第一全连接层进行处理,得到第二子特征;
将所述第二子特征输入所述第二全连接层进行处理,得到第三子特征;
将所述第三子特征输入所述激活函数层进行处理,得到多个第二特征和第二特征向量。
5.根据权利要求2所述的基于分位数的血压预警方法,其特征在于,所述第二感知机包括第三全连接层和第四全连接层,每一所述第一特征携带有时间戳,所述将所述第一特征、第二特征和第二特征向量输入第二感知机进行处理,包括:
将所述第一特征和所述第二特征向量分别与每一所述第二特征进行拼接,得到多个第四子特征;
将所述第四子特征输入所述第三全连接层进行处理,得到第五子特征;
将所述第五子特征输入所述第四全连接层进行处理,得到所述第二特征携带的时间戳下个各分位数对应的血压预测值;
将各分位数对应的血压预测值按照时间戳依次连接,得到分位数曲线,所述分位数预测区间由至少两条所述分位数曲线构成。
6.根据权利要求1所述的基于分位数的血压预警方法,其特征在于,分位数预测区间由三条分位数曲线构成,分别为第一分位数曲线、第二分位数曲线和第三分位数曲线,所述第一分位数曲线、第二分位数曲线和第三分位数曲线分别对应第一分位数,第二分位数和第三分位数,所述第一分位数、第二分位数和第三分位数依次减小,所述根据预设的安全血压值和所述分位数预测区间发出分级预警信息,所述包括:
判断所述各分位数曲线与所述安全血压值的位置关系;
当所述第一分位数曲线上存在大于所述安全血压值的点时,发出一级预警信息;
当所述第二分位数曲线上存在大于所述安全血压值的点时,发出二级预警信息;
当所述第三分位数曲线上存在大于所述安全血压值的点时,发出三级预警信息。
7.一种基于分位数的血压区间预测模型的训练方法,其特征在于,包括:
获取训练数据,所述训练数据包括第一时长的历史数据样本和第二时长的血压观测值序列,所述历史数据样本包括血压值序列样本和与所述血压值序列样本关联的特征序列样本;
确定血压区间预测模型;
获取第二时长内的多个第一特征样本,所述第一特征样本关联对血压值具有影响的因素;
将所述历史数据样本和多个所述第一特征样本输入所述血压区间预测模型进行处理,得到各分位数对应的血压预测值;
通过分位数损失函数计算分位数对应的血压预测值与血压观测值的损失值;
基于所述损失值更新所述血压区间预测模型的参数。
8.根据权利要求7所述的基于分位数的血压区间预测模型的训练方法,其特征在于,所述通过分位数损失函数计算分位数对应的血压预测值与血压观测值的损失值,包括:
计算所述血压观测值减去所述血压预测值的第一差值;
当所述第一差值大于零时,则将所述第一差值与所述分位数的乘积作为第一数值;
当所述第一差值小于零时,则将零作为第一数值;
计算所述血压预测值减去所述血压观测值的第二差值;
当所述第二差值大于零时,则将所述第二差值与一减去所述分位数的乘积作为第二数值;
当所述第二差值小于零时,则将零作为第二数值;
计算所述第一数值与第二数值的和,得到单个时间点的血压预测值与血压观测值的第一损失值;
对所述分位数对应的各时间点的血压预测值与血压观测值的第一损失值求和,得到所述分位数对应的第二损失值;
对多个分位数对应的第二损失值求和,得到所述训练数据对应的第三损失值。
9.根据权利要求8所述的基于分位数的血压区间预测模型的训练方法,其特征在于,所述基于所述损失值更新所述血压区间预测模型的参数,包括:
将所述第三损失值与预设的阈值进行比较;
在所述第三损失值大于所述阈值时,对血压区间预测模型的参数进行更新,返回执行获取多个训练数据的步骤;
在所述第三损失值小于或等于所述阈值时,确定所述血压区间预测模型训练完成。
10.一种基于分位数的血压预警装置,其特征在于,包括:
历史数据获取模块,用于获取当前时刻之前第一时长的历史数据,所述历史数据包括血压值序列和与所述血压值序列关联的特征序列;
预测模型确定模块,用于基于分位数确定血压区间预测模型;
第一特征确定模块,用于确定当前时刻之后第二时长内的多个可预测的第一特征,所述第一特征关联对血压值具有影响的因素;
预测区间确定模块,用于将所述历史数据和多个所述第一特征输入所述血压区间预测模型进行处理,得到当前时刻之后第二时长内的分位数预测区间,所述分位数预测区间由至少两条分位数曲线构成;
预警信息发送装置,用于根据预设的安全血压值和所述分位数预测区间发出分级预警信息。
11.一种基于分位数的血压区间预测模型的训练装置,其特征在于,包括:
训练数据获取模块,用于获取训练数据,所述训练数据包括第一时长的历史数据样本和第二时长的血压观测值序列,所述历史数据样本包括血压值序列样本和与所述血压值序列样本关联的特征序列样本;
预测模型确定模块,用于确定血压区间预测模型;
第一特征样本获取模块,用于获取第二时长内的多个第一特征样本,所述第一特征样本关联对血压值具有影响的因素;
血压预测值确定模块,用于将所述历史数据样本和多个所述第一特征样本输入所述血压区间预测模型进行处理,得到各分位数对应的血压预测值;
损失计算模块,用于通过分位数损失函数计算分位数对应的血压预测值与血压观测值的损失值;
参数更新模块,用于基于所述损失值更新所述血压区间预测模型的参数。
12.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的基于分位数的血压预警方法,或实现如权利要求7-9中任一所述的基于分位数的血压区间预测模型的训练方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的基于分位数的血压预警方法,或实现如权利要求7-9中任一所述的基于分位数的血压区间预测模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546564.0A CN111685748B (zh) | 2020-06-15 | 2020-06-15 | 一种基于分位数的血压预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546564.0A CN111685748B (zh) | 2020-06-15 | 2020-06-15 | 一种基于分位数的血压预警方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111685748A true CN111685748A (zh) | 2020-09-22 |
CN111685748B CN111685748B (zh) | 2023-08-01 |
Family
ID=72481190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010546564.0A Active CN111685748B (zh) | 2020-06-15 | 2020-06-15 | 一种基于分位数的血压预警方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111685748B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113057586A (zh) * | 2021-03-17 | 2021-07-02 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、设备及介质 |
CN113850418A (zh) * | 2021-09-02 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 时间序列中异常数据的检测方法和装置 |
CN114098681A (zh) * | 2021-11-12 | 2022-03-01 | 南京海量物联科技有限公司 | 一种基于tcn模型和ppg信号的智能血压预测方法 |
CN115359890A (zh) * | 2022-10-17 | 2022-11-18 | 中科厚立信息技术(成都)有限公司 | 基于迁移学习的单病种资源消耗分析方法、系统及终端 |
JP7177540B1 (ja) | 2021-12-21 | 2022-11-24 | Essence research株式会社 | 血圧予測装置、血圧予測プログラム、及び、血圧予測方法 |
WO2023097486A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳迈瑞生物医疗电子股份有限公司 | 监护方法及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777874A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院自动化研究所 | 基于循环神经网络构建预测模型的方法 |
US20170181649A1 (en) * | 2015-12-28 | 2017-06-29 | Amiigo, Inc. | Systems and Methods for Determining Blood Pressure |
CN108022016A (zh) * | 2017-12-08 | 2018-05-11 | 宏谷信息科技(珠海)有限公司 | 一种基于人工智能的股票价格预测方法及系统 |
CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
WO2019105105A1 (zh) * | 2017-11-28 | 2019-06-06 | 深圳市岩尚科技有限公司 | 脉搏波血压测量装置的分类预测数据处理方法 |
CN109872820A (zh) * | 2019-03-29 | 2019-06-11 | 广州视源电子科技股份有限公司 | 一种无袖带血压测量方法、装置、设备及存储介质 |
CN110739033A (zh) * | 2019-08-20 | 2020-01-31 | 严卫丽 | 中国7-17岁儿童青少年水银柱血压测量结果精确评估方法 |
CN111242098A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种结合特征提取和inception网络的心电数据分类方法及系统 |
-
2020
- 2020-06-15 CN CN202010546564.0A patent/CN111685748B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170181649A1 (en) * | 2015-12-28 | 2017-06-29 | Amiigo, Inc. | Systems and Methods for Determining Blood Pressure |
CN106777874A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院自动化研究所 | 基于循环神经网络构建预测模型的方法 |
WO2019105105A1 (zh) * | 2017-11-28 | 2019-06-06 | 深圳市岩尚科技有限公司 | 脉搏波血压测量装置的分类预测数据处理方法 |
CN108022016A (zh) * | 2017-12-08 | 2018-05-11 | 宏谷信息科技(珠海)有限公司 | 一种基于人工智能的股票价格预测方法及系统 |
CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
CN109872820A (zh) * | 2019-03-29 | 2019-06-11 | 广州视源电子科技股份有限公司 | 一种无袖带血压测量方法、装置、设备及存储介质 |
CN110739033A (zh) * | 2019-08-20 | 2020-01-31 | 严卫丽 | 中国7-17岁儿童青少年水银柱血压测量结果精确评估方法 |
CN111242098A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种结合特征提取和inception网络的心电数据分类方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113057586A (zh) * | 2021-03-17 | 2021-07-02 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、设备及介质 |
CN113057586B (zh) * | 2021-03-17 | 2024-03-12 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、设备及介质 |
CN113850418A (zh) * | 2021-09-02 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 时间序列中异常数据的检测方法和装置 |
CN114098681A (zh) * | 2021-11-12 | 2022-03-01 | 南京海量物联科技有限公司 | 一种基于tcn模型和ppg信号的智能血压预测方法 |
WO2023097486A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳迈瑞生物医疗电子股份有限公司 | 监护方法及设备 |
JP7177540B1 (ja) | 2021-12-21 | 2022-11-24 | Essence research株式会社 | 血圧予測装置、血圧予測プログラム、及び、血圧予測方法 |
JP2023091942A (ja) * | 2021-12-21 | 2023-07-03 | Essence research株式会社 | 血圧予測装置、血圧予測プログラム、及び、血圧予測方法 |
CN115359890A (zh) * | 2022-10-17 | 2022-11-18 | 中科厚立信息技术(成都)有限公司 | 基于迁移学习的单病种资源消耗分析方法、系统及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN111685748B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111685748B (zh) | 一种基于分位数的血压预警方法、装置、设备及存储介质 | |
US11335450B2 (en) | Dehydration amount prediction method for hemodialysis and electronic device using the same | |
TWI710352B (zh) | 血壓預測方法與使用該方法的電子裝置 | |
CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
CN111772619A (zh) | 一种心电图心搏识别方法、终端设备及存储介质 | |
Yunda et al. | A Web-based fuzzy inference system based tool for cardiovascular disease risk assessment | |
Ali et al. | An efficient hybrid LSTM-ANN joint classification-regression model for PPG based blood pressure monitoring | |
CN111785366A (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
CN116831523A (zh) | 基于健康监测的报警方法、装置、设备及存储介质 | |
CN113180679A (zh) | 一种单导联心电异常信号识别方法 | |
CN114758786A (zh) | 基于无创参数的创伤后失血性休克动态早期预警系统 | |
Tahir et al. | Neural networks algorithm to inquire previous preeclampsia factors in women with chronic hypertension during pregnancy in childbirth process | |
CN113905664A (zh) | 一种用于检测生理状况的事件驱动脉冲神经网络系统 | |
CN115836847A (zh) | 一种血压预测装置及设备 | |
CN113951845B (zh) | 创伤严重失血伤情预测方法与系统 | |
Naemi et al. | Prediction of patients severity at emergency department using NARX and ensemble learning | |
CN114550855A (zh) | 基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质 | |
CN113192603A (zh) | 一种基于大数据的精神状态评估方法和系统 | |
CN110859605B (zh) | 一种智能化妊高征监测装置 | |
Funkner et al. | Motif identification in vital signs of chronic patients | |
CN114831643B (zh) | 一种心电信号监测装置和可穿戴设备 | |
CN113130070B (zh) | 一种颅脑疾患的综合诊断方法及系统 | |
JP7455892B2 (ja) | 異常予測システム、方法及びコンピュータプログラム | |
CN115910339B (zh) | 体重监测方法、系统、计算机设备和存储介质 | |
CN110211701B (zh) | 一种模型生成方法、数据处理方法及对应装置 |
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 |