CN112420195A - 一种高血压风险预测方法及装置 - Google Patents
一种高血压风险预测方法及装置 Download PDFInfo
- Publication number
- CN112420195A CN112420195A CN202011232137.1A CN202011232137A CN112420195A CN 112420195 A CN112420195 A CN 112420195A CN 202011232137 A CN202011232137 A CN 202011232137A CN 112420195 A CN112420195 A CN 112420195A
- Authority
- CN
- China
- Prior art keywords
- blood oxygen
- hypertension
- oxygen signal
- risk prediction
- neural network
- 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
- 206010020772 Hypertension Diseases 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 45
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical group [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 167
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 167
- 239000001301 oxygen Substances 0.000 claims abstract description 167
- 239000008280 blood Substances 0.000 claims abstract description 162
- 210000004369 blood Anatomy 0.000 claims abstract description 162
- 238000001228 spectrum Methods 0.000 claims abstract description 45
- 238000013058 risk prediction model Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- 208000008784 apnea Diseases 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 206010021079 Hypopnoea Diseases 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 206010012601 diabetes mellitus Diseases 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 208000001797 obstructive sleep apnea Diseases 0.000 description 82
- 238000005070 sampling Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009098 adjuvant therapy Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000002496 oximetry Methods 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 1
- 206010020591 Hypercapnia Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010041235 Snoring Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 230000002618 waking effect Effects 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Optics & Photonics (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种高血压风险预测方法及装置。该方法包括如下步骤:获得待检测数据,该待检测数据包括OSA患者的血氧信号图像、功率谱特征图像和临床特征;将待检测数据输入到预先训练好的高血压风险预测模型中;高血压风险预测模型的输出结果为OSA患者的高血压患病概率。本发明通过血氧信号图像和功率谱特征图像实现为高血压风险预测模型提供更多的高血压关联信息,以提高其高血压预测准确率。另一方面,通过高血压风险预测模型从血氧信号图像和功率谱特征图像中自动提取出血氧信号的相关特征,无需经过人工提取和处理特征即可得到高血压预测结果,大大减少了人工误差,进一步提高了OSA患者的高血压预测精度和效率。
Description
技术领域
本发明涉及一种高血压风险预测方法,同时涉及相应的高血压风险预测装置,属于人工智能辅助诊断技术领域。
背景技术
阻塞性睡眠呼吸暂停(obstructive sleep apnea,简写为OSA)是一种以睡眠打鼾伴呼吸暂停和日间思睡为主要临床表现的睡眠呼吸疾病,患病率为4%。该病可引起间歇性低氧、高碳酸血症以及睡眠结构紊乱,并可导致高血压、冠心病、心律失常、脑血管病、认知功能障碍、2型糖尿病等多器官多系统损害。
高血压是导致心血管疾病的主要原因,患病率为20%。但由于其慢性发病的特点,全球范围内超过50%的高血压人群没有意识到自己患有高血压。由于呼吸暂停导致血氧频繁下降,OSA人群更加容易患有高血压,其中伴随高血压人群占比高达50%。通常,人们对自身的健康状况意识不够,也无法在疾病初期立即发现病情,往往在疾病发展到较为严重的情况才进行治疗,因此容易错过最佳的干预和治疗时间。
目前,人工智能(AI)技术正在蓬勃发展之中,并且开始渗透到医疗辅助诊断的各个方面。2017年,国家卫生健康委员会发布了《人工智能辅助治疗技术管理规范》,以规范人工智能辅助治疗技术的临床应用,保证医疗质量和医疗安全。针对高血压敏感的OSA人群,如何有效利用人工智能技术准确预测未来的高血压患病风险,仍然是一个亟待解决的问题。
发明内容
本发明所要解决的首要技术问题在于提供一种高血压风险预测方法。
本发明所要解决的另一技术问题在于提供一种高血压风险预测装置。
为了实现上述目的,本发明采用下述的技术方案:
根据本发明实施例的第一方面,提供一种高血压风险预测方法,包括如下步骤:
步骤S1、获得待检测数据,该待检测数据包括OSA患者的血氧信号图像、功率谱特征图像和临床特征;
步骤S2、将所述待检测数据输入到预先训练好的高血压风险预测模型中;
步骤S3、所述高血压风险预测模型的输出结果为OSA患者的高血压患病概率。
其中较优地,获得所述血氧信号图像时,包括如下步骤:
步骤S11、获得OSA患者的原始血氧信号,并进行预处理;
步骤S12、将预处理后的血氧信号转换为预设尺寸的血氧信号图像。
其中较优地,对OSA患者的原始血氧信号进行预处理的过程是对所述原始血氧信号依次进行重采样、异常值线性拟合和平滑处理。
其中较优地,获得预设尺寸的血氧信号图像,包括如下步骤:
步骤S120、将预处理后的血氧信号投影到横纵坐标范围固定的坐标系中,得到血氧信号曲线;
步骤S121、将所述血氧信号曲线转换为预设尺寸的血氧信号图像。
其中较优地,获得所述功率谱特征图像时,利用步骤S11中预处理后的血氧信号进行谱估计得到,具体包括如下步骤:
步骤S13、将步骤S11预处理后的血氧信号进行数据分段;
步骤S14、对每段数据依次进行窗处理和傅里叶变换,得到每段数据的功率谱;
步骤S15、将每段数据的功率谱按时间顺序拼接作图,得到OSA患者的功率谱特征图像。
其中较优地,所述高血压风险预测模型经过如下步骤得到:
步骤S21、获得多组OSA患者的检测数据,每一组检测数据为某一位OSA患者的血氧信号图像、功率谱特征图像和临床特征;
步骤S22、采用多组OSA患者的检测数据训练预先设计的高血压风险预测模型,得到最优高血压风险预测模型。
其中较优地,OSA患者的临床特征包括但不限于性别、年龄、身体质量指数、糖尿病、呼吸暂停-低通气指数和氧饱和度指数中的任意一种或多种。
其中较优地,所述高血压风险预测模型包括第一卷积神经网络、第二卷积神经网络和第三神经网络,所述第一卷积神经网络和所述第二卷积神经网络分别连接所述第三神经网络;
所述第一卷积神经网络,用于从输入的OSA患者的血氧信号图像中提取出OSA患者整夜睡眠过程中的血氧信号的血氧波动特征;
所述第二卷积神经网络,用于从输入的功率谱特征图像中提取出OSA患者整夜睡眠过程中血氧信号的频谱特征;
所述第三神经网络,用于根据所述血氧信号的血氧波动特征、频谱特征以及OSA患者的临床特征,判断出OSA患者患有高血压的概率。
其中较优地,所述第一卷积神经网络和所述第二卷积神经网络均包括N个网络块和一个全连接层,所述第三神经网络包括一个全连接层;每个网络块由卷积层、批标准化层、激活函数层和池化层组成,N为正整数。
根据本发明实施例的第二方面,提供一种高血压风险预测装置,包括处理器和存储器,所述处理器读取所述存储器中的计算机程序,用于执行以下操作:
获得待检测数据,该待检测数据包括OSA患者的血氧信号图像、功率谱特征图像和临床特征;
将所述待检测数据输入到预先训练好的高血压风险预测模型中;
所述高血压风险预测模型的输出结果为OSA患者的高血压患病概率。
本发明所提供的高血压风险预测方法及装置,通过采样OSA患者整夜睡眠过程中的血氧信号,并相应地转换为血氧信号图像和功率谱特征图像,从而实现为高血压风险预测模型提供了更多的高血压关联信息,以提高其高血压预测准确率。另一方面,通过高血压风险预测模型从血氧信号图像和功率谱特征图像中自动提取出血氧信号的相关特征,无需经过人工提取和处理特征即可得到高血压预测结果,大大减少了人工误差,进一步提高了OSA患者的高血压预测精度和效率,可以有效辅助医生的诊断和治疗工作。
附图说明
图1为本发明实施例提供的高血压风险预测方法的流程示意图;
图2为本发明实施例提供的高血压风险预测方法中,功率谱特征图像示意图;
图3为本发明实施例提供的高血压风险预测方法中,高血压风险预测模型的原理图;
图4为本发明实施例提供的高血压风险预测装置的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体地说明。
针对高血压敏感的OSA人群,为了帮助医生准确预测未来的高血压患病风险,如图1所示,本发明实施例提供的高血压风险预测方法,包括如下步骤:
步骤S1、获得待检测数据,该待检测数据包括OSA患者的血氧信号图像、功率谱特征图像和临床特征。
获得OSA患者的血氧信号图像时,包括如下步骤:
步骤S11、获得OSA患者的原始血氧信号,并进行预处理。
血氧(Peripheric Oxygen Saturation,SpO2)信号包含重要的高血压预测信息。在现实场景中,医生非常关注血氧的振幅变化情况、周期性、氧降事件平均次数等指标,从而预测出OSA患者的高血压风险。因此,预测OSA患者的高血压风险时首先要获得该OSA患者晚上从入睡到睡醒过程中的原始血氧信号。一般情况下,OSA患者晚上的睡眠时间大概在6~12小时。下面以获得OSA患者12小时睡眠过程中的原始血氧信号为例,详细说明对OSA患者的原始血氧信号的预处理过程。
获得多个血氧信号采样设备采样的OSA患者12小时睡眠过程中的血氧信号,并对该OSA患者的原始血氧信号进行预处理。对OSA患者的原始血氧信号进行预处理的过程是对原始血氧信号依次进行重采样、异常值线性拟合和平滑处理。
具体地说,由于多个血氧信号采样设备采样OSA患者的血氧信号的采样率不同,因此需要对OSA患者的原始血氧信号以某个重采样频率进行重采样,从而实现将多个血氧信号采样设备采样的OSA患者的原始血氧信号的采样频率统一为预设采样频率。例如,获得两个血氧信号采样设备采样的OSA患者12小时睡眠过程中的血氧信号,其采样频率分别为2Hz和5Hz,以重采样频率为1Hz对OSA患者的原始血氧信号进行重采样,即将两个血氧信号采样设备采样的OSA患者的原始血氧信号进行归一化处理,得到采样频率为1Hz的OSA患者的血氧信号。
进行重采样后的OSA患者的血氧信号中可能出现血氧异常值的问题,因此需要将重采样后的OSA患者的血氧信号进行异常值线性拟合,以剔除OSA患者的血氧信号中的血氧异常值。其中,OSA患者的血氧信号中的异常值为由于血氧信号采样设备接触不良导致的小于60%的血氧数值。
进行异常值线性拟合后的OSA患者的血氧信号中可能出现噪声和血氧数值不一致的问题,因此需要对异常值线性拟合后的OSA患者的血氧信号进行平滑处理。例如,可以采用3s的移动平均方法对异常值线性拟合后的OSA患者的血氧信号进行平滑处理。
步骤S12、将预处理后的血氧信号转换为预设尺寸的血氧信号图像。
将经步骤S11预处理后的血氧信号转换为预设尺寸的血氧信号图像时,血氧信号图的尺寸根据高血压风险预测模型的输入图像尺寸要求而定,即血氧信号图的尺寸与需要输入到高血压风险预测模型的图像的尺寸一致。例如,高血压风险预测模型的输入图像尺寸要求为224x224像素,那么,血氧信号图的尺寸也为224x224像素。获得预设尺寸的血氧信号图像,包括如下步骤:
步骤S120、将预处理后的血氧信号投影到横纵坐标范围固定的坐标系中,得到血氧信号曲线。
由于预处理后的OSA患者12小时睡眠过程中的血氧信号属于长时间序列,因此以横坐标为固定范围的时间,纵坐标为固定范围的血氧数值建立坐标系,并将预处理后的血氧信号投影到该坐标系中,得到血氧信号曲线。例如,根据多年临床经验,以横坐标为0-8小时,纵坐标为60%-105%范围的血氧数值建立坐标系。
步骤S121、将血氧信号曲线转换为预设尺寸的血氧信号图像。
利用现有作图软件(如采用matlab软件)将步骤S120中得到的血氧信号曲线转换为背景为黑色,血氧信号曲线为白色的224x224像素的血氧信号图像。
获得OSA患者的功率谱特征图像时,利用步骤S11中预处理后的血氧信号进行谱估计得到。对步骤S11中预处理后的血氧信号进行谱估计时,包括如下步骤:
步骤S13、将步骤S11预处理后的血氧信号进行数据分段。
由于每个OSA患者的睡眠时间不同,使得预处理后的血氧信号的长度不一致,即预处理后的血氧信号的血氧数值的数量不同;因此可以以某一时间为界限,将预处理后的血氧信号的长度固定。例如,以12小时为界限,若预处理后的血氧信号的长度不满12小时的血氧信号的长度,则可以对该预处理后的血氧信号的血氧数值进行填充,直到达到血氧信号的长度为12小时的血氧信号的长度。若预处理后的血氧信号的长度超过12小时的血氧信号的长度,则可以将预处理后的血氧信号位于12小时以后的血氧数值删掉。例如,12小时的血氧信号的长度为28800个血氧数值,如预处理后的血氧信号的长度为7小时的血氧信号的长度,则可以将7~12小时的血氧数值全部填充为0,直到预处理后的血氧信号的长度达到28800个血氧数值。
将长度固定的血氧信号,以预设数量的血氧数值进行分段,每一段数据与上一段数据重叠预设数量的血氧数值。例如,将长度为28800个血氧数值的血氧信号,以2048个血氧数值作为一段数据进行分段,即以每34分钟的血氧信号长度作为一段数据进行分段,并且每段数据与上一段数据的重叠血氧数值的数量为1024,最后得到27段数据。
步骤S14、对每段数据依次进行窗处理和傅里叶变换,得到每段数据的功率谱。
对每段数据进行窗处理时选择窗长为每段数据的血氧数值数量的Hanning窗,以减少频谱泄露。例如,对每段数据进行窗处理时选择窗长为2048个血氧数值的Hanning窗。对经过窗处理后的每段数据分别进行傅里叶变换,得到每段数据的功率谱。例如,对每段数据的2048个血氧数值进行傅里叶变换,得到每段数据的功率谱。
步骤S15、将每段数据的功率谱按时间顺序拼接作图,得到OSA患者的功率谱特征图像。
利用现有作图软件将每段数据的功率谱按时间顺序拼接在一起作图后,转换为与血氧信号图像的图像尺寸相同的功率谱特征图像。如图2所示,可以采用matlab软件将每段数据的功率谱按时间顺序拼接在一起作图后,转换为224x224像素的功率谱特征图像。
OSA患者的临床特征包括但不限于性别、年龄、身体质量指数(Body Mass Index,BMI)、糖尿病、呼吸暂停-低通气指数(Apnea–Hypopnea Index,AHI)和氧饱和度指数(Oxygen Desaturation Index,ODI)等中的任意一种或多种。其中,AHI和ODI在一定程度上可以形容血氧信号的振幅变化和氧降事件次数。
步骤S2、将待检测数据输入到预先训练好的高血压风险预测模型中。
预先训练好的高血压风险预测模型经过如下步骤得到:
步骤S21、获得多组OSA患者的检测数据,每一组检测数据为某一位OSA患者的血氧信号图像、功率谱特征图像和临床特征。
采用步骤S1中获得待检测数据的方法,获得多组OSA患者的检测数据,用于训练预先设计的高血压风险预测模型。
步骤S22、采用多组OSA患者的检测数据训练预先设计的高血压风险预测模型,得到最优高血压风险预测模型。
如图3所示,预先设计的高血压风险预测模型包括第一卷积神经网络1、第二卷积神经网络2和第三神经网络3,第一卷积神经网络1和第二卷积神经网络2分别连接第三神经网络3。将OSA患者的血氧信号图像、功率谱特征图像和临床特征同时对应输入到第一卷积神经网络1、第二卷积神经网络2和第三神经网络3中,第一卷积神经网络1从输入的OSA患者的血氧信号图像中提取出OSA患者整夜睡眠过程中的血氧信号的血氧波动特征;第二卷积神经网络2从输入的功率谱特征图像中提取出OSA患者整夜睡眠过程中血氧信号的频谱特征;第一卷积神经网络1与第二神经网络2特征将所提取的血氧信号的相关特征输入分别输入到第三神经网络3中,第三神经网络3中根据输入的OSA患者整夜睡眠过程中血氧信号的血氧波动特征、频谱特征以及OSA患者的临床特征,判断出OSA患者患有高血压的概率。
其中,如图3所示,第一卷积神经网络1和第二卷积神经网络2均包括N个网络块和一个全连接层,第三神经网络包括一个全连接层。每个网络块由卷积层、批标准化层、激活函数层和池化层组成,其中N为正整数。
以采用步骤S1中获得待检测数据的方法,获得7000组OSA患者的检测数据为例,每更新一次第一卷积神经网络、第二卷积神经网络和第三神经网络的学习率和迭代次数后,将7000组OSA患者的检测数据同时对应输入到第一卷积神经网络、第二卷积神经网络和第三神经网络中,得到OSA患者患有高血压的概率。判断第三神经网络输出的OSA患者患有高血压的概率是否达到高血压风险预测模型的精度要求,若未达到高血压风险预测模型的精度要求,则继续更新第一卷积神经网络、第二卷积神经网络和第三神经网络的学习率和迭代次数,直到第三神经网络输出的OSA患者患有高血压的概率达到高血压风险预测模型的精度要求,从而得到最优高血压风险预测模型。
步骤S3、高血压风险预测模型的输出结果为OSA患者患有高血压的概率。
将步骤S1获得的待检测数据输入到预先训练好的高血压风险预测模型中,该高血压风险预测模型会输出0-1范围内的OSA患者患有高血压的概率,以便于在没有高血压测量仪器时可根据该OSA患者患有高血压的概率和高血压患病判断条件,判断出该OSA患者是否患有高血压。其中,高血压患病判断条件为,OSA患者患有高血压的概率超过预设概率,则认为OSA患者患有高血压;反之,则认为OSA患者患没有患有高血压。例如,高血压患病判断条件为,OSA患者患有高血压的概率超过0.5,则认为OSA患者患有高血压。
为实现本发明所提供的高血压风险预测方法,本发明还提供一种用于辅助医生诊断的高血压风险预测装置。如图4所示,该高血压风险预测装置包括处理器32和存储器31,还可以根据实际需要进一步包括通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口。其中,存储器、通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口均与该处理器32连接。其中,存储器31可以是静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器等,处理器可以是中央处理器(CPU)、图形处理器(GPU)、现场可编程逻辑门阵列(FPGA)、专用集成电路(ASIC)、数字信号处理(DSP)芯片等。其它通信组件、传感器组件、电源组件、多媒体组件等均可以采用现有智能设备中的通用部件实现,在此就不具体说明了。
另一方面,在高血压风险预测装置中,处理器32读取存储器31中的计算机程序,用于执行以下操作:
获得待检测数据,该待检测数据包括OSA患者的血氧信号图像、功率谱特征图像和临床特征。
将待检测数据输入到预先训练好的高血压风险预测模型中。
高血压风险预测模型的输出结果为OSA患者患有高血压的概率。
本发明所提供的高血压风险预测方法及装置通过采样OSA患者整夜睡眠过程中的血氧信号,并相应的转换为血氧信号图像和功率谱特征图像,从而实现为高血压风险预测模型提供了更多的高血压关联信息,以提高其高血压预测准确率。另一方面,通过高血压风险预测模型从血氧信号图像和功率谱特征图像中自动提取出血氧信号的相关特征,无需经过人工提取和处理特征即可得到高血压预测结果,大大减少了人工误差,进一步提高了OSA患者的高血压预测精度和效率,可以有效辅助医生的诊断和治疗工作。
上面对本发明实施例所提供的高血压风险预测方法及装置进行了详细的说明。对本领域的一般技术人员而言,在不背离本发明实质内容的前提下对它所做的任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应的法律责任。
Claims (10)
1.一种高血压风险预测方法,其特征在于包括如下步骤:
步骤S1、获得待检测数据,该待检测数据包括OSA患者的血氧信号图像、功率谱特征图像和临床特征;
步骤S2、将所述待检测数据输入到预先训练好的高血压风险预测模型中;
步骤S3、所述高血压风险预测模型的输出结果为OSA患者的高血压患病概率。
2.如权利要求1所述的高血压风险预测方法,其特征在于获得所述血氧信号图像,包括如下步骤:
步骤S11、获得OSA患者的原始血氧信号,并进行预处理;
步骤S12、将预处理后的血氧信号转换为预设尺寸的血氧信号图像。
3.如权利要求2所述的高血压风险预测方法,其特征在于:
对OSA患者的原始血氧信号进行预处理的过程是对所述原始血氧信号依次进行重采样、异常值线性拟合和平滑处理。
4.如权利要求2所述的高血压风险预测方法,其特征在于获得预设尺寸的血氧信号图像,包括如下步骤:
步骤S120、将预处理后的血氧信号投影到横纵坐标范围固定的坐标系中,得到血氧信号曲线;
步骤S121、将所述血氧信号曲线转换为预设尺寸的血氧信号图像。
5.如权利要求2所述的高血压风险预测方法,其特征在于:
获得所述功率谱特征图像时,利用步骤S11中预处理后的血氧信号进行谱估计得到,包括如下步骤:
步骤S13、将步骤S11预处理后的血氧信号进行数据分段;
步骤S14、对每段数据依次进行窗处理和傅里叶变换,得到每段数据的功率谱;
步骤S15、将每段数据的功率谱按时间顺序拼接作图,得到OSA患者的功率谱特征图像。
6.如权利要求1所述的高血压风险预测方法,其特征在于:
所述高血压风险预测模型经过如下步骤得到:
步骤S21、获得多组OSA患者的检测数据,每一组检测数据为某一位OSA患者的血氧信号图像、功率谱特征图像和临床特征;
步骤S22、采用多组OSA患者的检测数据训练预先设计的高血压风险预测模型,得到最优高血压风险预测模型。
7.如权利要求1或6所述的高血压风险预测方法,其特征在于:
OSA患者的临床特征包括但不限于性别、年龄、身体质量指数、糖尿病、呼吸暂停-低通气指数和氧饱和度指数中的任意一种或多种。
8.如权利要求6所述的高血压风险预测方法,其特征在于:
所述高血压风险预测模型包括第一卷积神经网络、第二卷积神经网络和第三神经网络,所述第一卷积神经网络和所述第二卷积神经网络分别连接所述第三神经网络;
所述第一卷积神经网络,用于从输入的OSA患者的血氧信号图像中提取出OSA患者整夜睡眠过程中的血氧信号的血氧波动特征;
所述第二卷积神经网络,用于从输入的功率谱特征图像中提取出OSA患者整夜睡眠过程中血氧信号的频谱特征;
所述第三神经网络,用于根据所述血氧信号的血氧波动特征、频谱特征以及OSA患者的临床特征,判断出OSA患者患有高血压的概率。
9.如权利要求8所述的高血压风险预测方法,其特征在于:
所述第一卷积神经网络和所述第二卷积神经网络均包括N个网络块和一个全连接层,所述第三神经网络包括一个全连接层;每个网络块由卷积层、批标准化层、激活函数层和池化层组成,N为正整数。
10.一种高血压风险预测装置,其特征在于包括处理器和存储器,所述处理器读取所述存储器中的计算机程序,用于执行以下操作:
获得待检测数据,该待检测数据包括OSA患者的血氧信号图像、功率谱特征图像和临床特征;
将所述待检测数据输入到预先训练好的高血压风险预测模型中;
所述高血压风险预测模型的输出结果为OSA患者的高血压患病概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011232137.1A CN112420195A (zh) | 2020-11-06 | 2020-11-06 | 一种高血压风险预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011232137.1A CN112420195A (zh) | 2020-11-06 | 2020-11-06 | 一种高血压风险预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112420195A true CN112420195A (zh) | 2021-02-26 |
Family
ID=74781978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011232137.1A Pending CN112420195A (zh) | 2020-11-06 | 2020-11-06 | 一种高血压风险预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112420195A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022206641A1 (zh) * | 2021-03-31 | 2022-10-06 | 华为技术有限公司 | 高血压风险检测方法及相关装置 |
CN117275726A (zh) * | 2023-09-21 | 2023-12-22 | 复旦大学 | 一种基于多组学生物标志物的osa发病风险预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504297A (zh) * | 2015-01-21 | 2015-04-08 | 甘肃百合物联科技信息有限公司 | 一种利用神经网络的高血压预测方法 |
CN104545818A (zh) * | 2015-01-29 | 2015-04-29 | 吉林大学 | 一种基于脉搏与血氧信号的睡眠呼吸暂停综合征检测方法 |
US20150286793A1 (en) * | 2014-04-02 | 2015-10-08 | University Health Network | System and method for sleep apnea assessment |
CN107945179A (zh) * | 2017-12-21 | 2018-04-20 | 王华锋 | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 |
CN109492690A (zh) * | 2018-11-06 | 2019-03-19 | 广州大学 | 一种基于卷积神经网络检测ct图像的方法 |
-
2020
- 2020-11-06 CN CN202011232137.1A patent/CN112420195A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150286793A1 (en) * | 2014-04-02 | 2015-10-08 | University Health Network | System and method for sleep apnea assessment |
CN104504297A (zh) * | 2015-01-21 | 2015-04-08 | 甘肃百合物联科技信息有限公司 | 一种利用神经网络的高血压预测方法 |
CN104545818A (zh) * | 2015-01-29 | 2015-04-29 | 吉林大学 | 一种基于脉搏与血氧信号的睡眠呼吸暂停综合征检测方法 |
CN107945179A (zh) * | 2017-12-21 | 2018-04-20 | 王华锋 | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 |
CN109492690A (zh) * | 2018-11-06 | 2019-03-19 | 广州大学 | 一种基于卷积神经网络检测ct图像的方法 |
Non-Patent Citations (4)
Title |
---|
PRASAD, B 等: "《Deep learning applied to polysomnography to predict blood pressure in obstructive sleep apnea and obesity hypoventilation: a proof-of-concept study》", 《JOURNAL OF CLINICAL SLEEP MEDICINE》 * |
由育阳: "《机器学习智能诊断理论与应用》", 30 September 2020, 北京:北京理工大学出版社 * |
罗淼: "《阻塞性睡眠呼吸暂停综合征临床预测模型及热适应抗低氧》", 《中国优秀硕博士学位论文全文数据库(博士) 医药卫生科技辑》 * |
莫晓云 等: "《阻塞性睡眠呼吸暂停低通气综合征合并高血压的特点及危险因素》", 《中华高血压杂志》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022206641A1 (zh) * | 2021-03-31 | 2022-10-06 | 华为技术有限公司 | 高血压风险检测方法及相关装置 |
CN117275726A (zh) * | 2023-09-21 | 2023-12-22 | 复旦大学 | 一种基于多组学生物标志物的osa发病风险预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622797B (zh) | 一种基于声音的身体状况确定系统及方法 | |
CN112420195A (zh) | 一种高血压风险预测方法及装置 | |
Thorey et al. | AI vs Humans for the diagnosis of sleep apnea | |
WO2020151312A1 (zh) | 心脑血管疾病展示方法、装置、设备及存储介质 | |
AU2019360358A1 (en) | A method and apparatus for diagnosis of maladies from patient sounds | |
CN113520343A (zh) | 睡眠风险预测方法、装置和终端设备 | |
CN113576401A (zh) | 基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置 | |
CN111685774A (zh) | 基于概率集成回归模型的osahs诊断方法 | |
CN115762771A (zh) | 一种老年人健康风险预警系统和操作方法 | |
Lin et al. | Contactless sleep apnea detection in snoring signals using hybrid deep neural networks targeted for embedded hardware platform with real-time applications | |
CN117557850A (zh) | 一种基于多模态脑数据融合的意识障碍评估方法及装置 | |
CN114121270A (zh) | 疾病风险等级预测方法及装置 | |
CN110265127B (zh) | 病种费用测算方法、装置及终端设备 | |
CN110074759B (zh) | 语音数据辅助诊断方法、装置、计算机设备及存储介质 | |
CN116681790A (zh) | 一种超声造影图像生成模型的训练方法及图像的生成方法 | |
Fang et al. | Monitoring of Sleep Breathing States Based on Audio Sensor Utilizing Mel‐Scale Features in Home Healthcare | |
CN115758122A (zh) | 基于多尺度卷积神经网络的睡眠呼吸事件定位方法及装置 | |
CN113052930A (zh) | 一种胸部dr双能量数字减影图像生成方法 | |
Yue et al. | Validity study of a multiscaled fusion network using single-lead electrocardiogram signals for obstructive sleep apnea diagnosis | |
Lee et al. | Development of generalizable automatic sleep staging using heart rate and movement based on large databases | |
US20240008765A1 (en) | Establishing method of sleep apnea assessment program, sleep apnea assessment system, and sleep apnea assessment method | |
CN116630247B (zh) | 脑血流图像处理方法及装置、脑血流监测系统 | |
KR102650641B1 (ko) | 수면 단계 예측 장치 및 방법 | |
Pei et al. | Artificial intelligence in screening for obstructive sleep apnoea syndrome (OSAS): a narrative review | |
Mubeen et al. | Deep learning of facial depth maps for obstructive sleep apnea Prediction |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210716 Address after: No.168 Litang Road, Dongxiaokou Town, Changping District, Beijing 102218 Applicant after: BEIJING TSINGHUA CHANGGUNG Hospital Applicant after: TSINGHUA University Address before: 100084 Tsinghua Yuan, Beijing, Haidian District Applicant before: TSINGHUA University |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |