CN112545501A - 一种血液成分浓度检测方法及装置 - Google Patents
一种血液成分浓度检测方法及装置 Download PDFInfo
- Publication number
- CN112545501A CN112545501A CN202011434780.2A CN202011434780A CN112545501A CN 112545501 A CN112545501 A CN 112545501A CN 202011434780 A CN202011434780 A CN 202011434780A CN 112545501 A CN112545501 A CN 112545501A
- Authority
- CN
- China
- Prior art keywords
- electrolyte concentration
- detection model
- concentration detection
- electrocardiosignals
- electrolyte
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 253
- 239000012503 blood component Substances 0.000 title claims abstract description 36
- 239000003792 electrolyte Substances 0.000 claims abstract description 443
- 238000000034 method Methods 0.000 claims description 56
- 230000002159 abnormal effect Effects 0.000 claims description 53
- 230000000747 cardiac effect Effects 0.000 claims description 6
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 19
- 230000015654 memory Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- 239000011591 potassium Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002336 repolarization Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- A61B5/145—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种血液成分浓度检测方法及装置，在获取到心电信号，并在达到稳定状态的情况下，确定目标特征信息，通过调用至少一个电解质浓度检测模型进行检测，且在输出的电解质浓度满足预设模型触发条件的情况下，调用其它的电解质浓度检测模型再次检测。基于输出的电解质浓度，得到心电信号的电解质浓度。应用于本技术方案，由于通过心电信号间接得到电解质浓度可视为是一种无创方式，故避免开设创口，无需专业人士操作。并且，在对心电信号进行实际计算前，进行了稳定性的判断，排除信号不稳定带来的误差问题，同时，在输出的电解质浓度满足预设模型触发条件的情况下，调用其它模型进行检测，避免了模型不可靠所带来的误差大的问题。
Description
技术领域
本申请涉及信号处理技术领域，特别是涉及一种血液成分浓度检测方法及装置。
背景技术
电解质是血液成分中的一种重要组成物质，其广泛分布在细胞内外，参与体内许多重要的功能和代谢活动，对正常生命活动的维持起着非常重要的作用。体内电解质的动态平衡是通过针对神经、体液的调节实现。电解质浓度的增高与降低都会影响心肌的除极与复极及激动的传导。
目前，为了检测体内电解质浓度，通常是采用有创的方式进行。有创的方式虽然准确，但是只能在医院等有条件的医疗场所由专业人士进行操作。
由此可见，如何便捷地检测电解质浓度是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种血液成分浓度检测方法及装置，用于检测电解质浓度，实现过程中无需开设创口，操作过程便捷，且准确度较高。
为解决上述技术问题，本申请提供一种血液成分浓度检测方法，包括：
获取心电信号；
在心电信号达到稳定状态的情况下，确定心电信号对应的目标特征信息；
调用至少一个电解质浓度检测模型对所述目标特征信息进行检测，得到所调用的电解质浓度检测模型输出的电解质浓度，且在所调用的电解质浓度检测模型输出的电解质浓度满足预设模型触发条件的情况下，调用其它的电解质浓度检测模型对所述目标特征信息进行检测得到电解质浓度；
基于所述电解质浓度检测模型输出的电解质浓度，得到所述目标特征信息对应的心电信号的电解质浓度。
优选地，所述在心电信号达到稳定状态的情况下，确定心电信号对应的目标特征信息包括：
确定达到稳定状态的心电信号对应的获取时刻；
若在所述获取时刻之后获取到的心电信号均为处于稳定状态的正常心电信号，确定所述正常心电信号对应的目标特征信息；
若在所述获取时刻之后获取到的心电信号中存在不稳定状态的异常心电信号，则剔除获取到的心电信号中的所述异常心电信号，并将获取到的心电信号中处于稳定状态的正常心电信号按照采集顺序重组以得到目标心电信号，确定所述目标心电信号对应的目标特征信息。
优选地，心电信号达到稳定状态通过如下方式确定：
从心电信号中获取相同类型的子波在N个周期内的各波峰之间的波峰波动值和各波谷之间的波谷波动值中的至少一种波动值，N为正整数；
若当前所获取的所述波动值满足预设条件，则确定心电信号达到稳定状态，否则，确定心电信号未达到稳定状态。
优选地，所述基于所述电解质浓度检测模型输出的电解质浓度，得到所述目标特征信息对应的心电信号的电解质浓度包括：
若每个所述电解质浓度检测模型输出的电解质浓度都在正常浓度范围或都在异常浓度范围，基于每个所述电解质浓度检测模型的准确度，从每个所述电解质浓度检测模型输出的电解质浓度中选择一个电解质浓度，将所选择的电解质浓度确定为所述目标特征信息对应的心电信号的电解质浓度；
若所有输出的电解质浓度中存在位于正常浓度范围也存在位于异常浓度范围的情况或者所有输出的电解质浓度中存在处于模糊区间的情况，基于所有输出的电解质浓度，得到所述目标特征信息对应的心电信号的电解质浓度。
优选地，所述电解质浓度检测模型包含主电解质浓度检测模型和至少一个从电解质浓度检测模型，所述主电解质浓度检测模型的准确度大于所述从电解质浓度检测模型的准确度；
所述调用至少一个电解质浓度检测模型对所述目标特征信息进行检测，得到所调用的电解质浓度检测模型输出的电解质浓度，且在所调用的电解质浓度检测模型输出的电解质浓度满足预设模型触发条件的情况下，调用其它的电解质浓度检测模型对所述目标特征信息进行检测得到电解质浓度包括：
调用所述主电解质浓度检测模型对所述目标特征信息进行检测，得到所述主电解质浓度检测模型输出的电解质浓度；
若所述主电解质浓度检测模型输出的电解质浓度没有处于模糊区间内，则禁止调用所述从电解质浓度检测模型对所述目标特征信息进行检测；
若所述主电解质浓度检测模型输出的电解质浓度处于所述模糊区间内，则调用至少一个所述从电解质浓度检测模型对所述目标特征信息进行检测，得到由所调用的所述从电解质浓度检测模型输出的电解质浓度。
优选地，还包括：
在所调用的电解质浓度检测模型输出的电解质浓度均位于异常浓度范围或所述目标特征信息对应的心电信号的电解质浓度位于异常浓度范围的情况下，输出异常提示信号。
为解决上述技术问题，本申请还提供一种血液成分浓度检测装置，包括：
获取模块，用于获取心电信号；
确定模块，用于在心电信号达到稳定状态的情况下，确定心电信号对应的目标特征信息；
调用模块，用于调用至少一个电解质浓度检测模型对所述目标特征信息进行检测，得到所调用的电解质浓度检测模型输出的电解质浓度，且在所调用的电解质浓度检测模型输出的电解质浓度满足预设模型触发条件的情况下，调用其它的电解质浓度检测模型对所述目标特征信息进行检测得到电解质浓度；
浓度确定模块，用于基于所述电解质浓度检测模型输出的电解质浓度，得到所述目标特征信息对应的心电信号的电解质浓度。
优选地，所述确定模块包括：
确定单元，用于确定达到稳定状态的心电信号对应的获取时刻；
获取单元，用于若在所述获取时刻之后获取到的心电信号均为处于稳定状态的正常心电信号，确定所述正常心电信号对应的目标特征信息；
重组单元，用于若在所述获取时刻之后获取到的心电信号中存在不稳定状态的异常心电信号，则剔除获取到的心电信号中的所述异常心电信号，并将获取到的心电信号中处于稳定状态的正常心电信号按照采集顺序重组以得到目标心电信号，确定所述目标心电信号对应的目标特征信息。
优选地，所述确定模块还包括：
判稳单元，用于从心电信号中获取相同类型的子波在N个周期内的各波峰之间的波峰波动值和各波谷之间的波谷波动值中的至少一种波动值，N为正整数；若当前所获取的所述波动值满足预设条件，则确定心电信号达到稳定状态，否则，确定心电信号未达到稳定状态。
优选地，所述浓度确定模块包括：
第一浓度确定单元，用于若每个所述电解质浓度检测模型输出的电解质浓度都在正常浓度范围或都在异常浓度范围，基于每个所述电解质浓度检测模型的准确度，从每个所述电解质浓度检测模型输出的电解质浓度中选择一个电解质浓度，将所选择的电解质浓度确定为所述目标特征信息对应的心电信号的电解质浓度；
第二浓度确定单元，用于若所有输出的电解质浓度中存在位于正常浓度范围也存在位于异常浓度范围的情况或者所有输出的电解质浓度中存在处于模糊区间的情况，基于所有输出的电解质浓度，得到所述目标特征信息对应的心电信号的电解质浓度。
优选地，所述电解质浓度检测模型包含主电解质浓度检测模型和至少一个从电解质浓度检测模型，所述主电解质浓度检测模型的准确度大于所述从电解质浓度检测模型的准确度；
所述调用模块包括：
调用单元，用于调用所述主电解质浓度检测模型对所述目标特征信息进行检测，得到所述主电解质浓度检测模型输出的电解质浓度；
控制单元，用于若所述主电解质浓度检测模型输出的电解质浓度没有处于模糊区间内，则禁止所述调用单元调用所述从电解质浓度检测模型对所述目标特征信息进行检测，以及用于若所述主电解质浓度检测模型输出的电解质浓度处于所述模糊区间内，则触发所述调用单元调用至少一个所述从电解质浓度检测模型对所述目标特征信息进行检测，得到由所调用的所述从电解质浓度检测模型输出的电解质浓度。
为解决上述技术问题，本申请还提供一种血液成分浓度检测装置，包括存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述血液成分浓度检测方法的步骤。
最后，为解决上述技术问题，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述血液成分浓度检测方法的步骤。
本申请提供的血液成分浓度检测方法，在获取到心电信号，并在心电信号达到稳定状态的情况下，确定心电信号对应的目标特征信息，通过调用至少一个电解质浓度检测模型对目标特征信息进行检测，且在所调用的电解质浓度检测模型输出的电解质浓度满足预设模型触发条件的情况下，调用其它的电解质浓度检测模型再次检测。基于电解质浓度检测模型输出的电解质浓度，得到心电信号的电解质浓度。应用于本技术方案，由于通过心电信号间接得到电解质浓度可以视为是一种无创方式，故可以采用无创方式即可得到电解质浓度，避免开设创口，无需专业人士操作。并且，在对心电信号进行实际计算前，进行了稳定性的判断，能够排除信号不稳定带来的计算结果有误差的问题，同时，在输出的电解质浓度满足预设模型触发条件的情况下，调用其它模型进行检测，避免了模型不可靠所带来的误差大的问题。
此外，本申请所述提供的血液成分浓度检测装置，与上述方法对应，效果同上。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种电解质浓度检测系统的组成架构；
图2为本申请实施例提供的一种血液成分浓度检测方法的流程图；
图3为本申请实施例提供的另一种血液成分浓度检测方法的流程图；
图4为本申请实施例提供的一种血液成分浓度检测装置的结构图；
图5为本申请实施例提供的另一种血液成分浓度检测装置的结构图。
具体实施方式
正常范围的电解质浓度是维持正常生命活动的必要条件，目前，为了获取电解质浓度，通常是采用有创的方式。在操作过程中，需要对特定部位消毒处理，并且需要专用的仪器对血液进行分析。如此，存在感染的风险，同时操作过程较为复杂。
鉴于目前存在的上述问题，本申请提出了一种血液成分浓度检测方法及装置，本技术方案是通过采集心电信号，对心电信号进行分析间接得到对应的电解质浓度，故能够避免开设创口，同时操作过程较为便捷。
为了便于理解，下面对本申请的技术方案所适用的系统架构进行介绍。参见图1所示出的本申请实施例提供的一种电解质浓度检测系统的组成架构。
如图1所示，本申请的电解质浓度检测系统可以包括心电图机1、用户终端2，服务器3和本地终端4。
在具体实施中，心电图机1用于采集心电信号，包括电极和主机，电极通常被固定于被测体的相应部位，主要用于采集被测部位的心电信号，并传输至主机。主机主要包括AD转换电路、滤波电路以及无线通信模块等。其中，AD转换电路用于将模拟信号转换为电信号。滤波电路用于对心电信号进行滤波，减少干扰信号。无线通信模块包括蓝牙模块和/或Wi-Fi模块等，用于与用户终端2或其它终端无线连接，以便将经过处理后的心电信号发送至用户终端2或其它终端。心脏除极，复极过程中产生的心电向量，通过容积导电传至身体各部，并产生电位差，将两电极置于被测体的任何两点与主机连接，就可描记出心电图，这种放置电极并与主机连接的线路，称为心电图导联。本申请中所用到的导联可以是标准导联，亦称双极肢体导联，反映两个肢体之间的电位差。当然除了标准导联还可以是非标准导联，不影响本申请技术方案的实现。
用户终端2是实现心电图机1和服务器3之间通信的纽带，用户终端2需要经过服务器3的认证，具体的，可以是在用户终端上下载相应应用程序(APP)，用于完成用户注册。在使用过程中，用户终端2在获取到心电图机1的心电信号后，将心电信号上传，使得服务器3可以接收到该信号，并对该信号进行分析处理。可以理解地是，本申请中的用户终端2包括但不限于安装了上述提到的APP的智能手机、平板电脑、台式计算机以及穿戴式设备等。
服务器3用于与用户终端2无线连接，具体可采用Wi-Fi、4G网络、5G网络等实现。服务器3在接收到用户终端2上传的心电信号后，对心电信号进行分析处理，得到与所对应的心电信号的电解质浓度。服务器3可将电解质浓度发送至用户终端2和本地终端4，以便供用户和工作人员查看。
需要说明的是，上述提到的电解质浓度检测系统的组成架构只是一种较佳的实现方式，但并不代表只能由这一种组成架构实现。在其它实施例中，还可以直接将检测方法对应的应用程序烧录至其它电子设备来实现。例如，直接由心电图机1来完成对心电信号的分析处理，不需要涉及用户终端2和服务器3以及本地终端4。还可以是由心电图机1采集心电信号，由用户终端2来完成对心电信号的分析处理，不需要服务器3以及本地终端4。还可以是由心电图机1采集心电信号，由本地终端4来完成对心电信号的分析处理，不需要用户终端2和服务器3。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其它实施例，都属于本申请保护范围。
图2为本申请实施例提供的一种血液成分浓度检测方法的流程图。如图2所示，该方法可基于服务器或手机等存储有用于实现本方案的程序的设备来实现，下文中以服务器为例说明。需要说明的是，以下步骤的序号只是为了方便说明而编撰，并不代表只能以这一种顺序实现，并且，每个步骤执行的次数也可能相同，可能不同。图2所示的方法包括：
S10：获取心电信号。
心电信号具体由心电图机采集，由于采集的过程需要一定时长，故本步骤中获取的心电信号通常是包含多个周期的信号，每一个周期的心电信号可能相同，也可能不同，但均是同一个被测体。
心电信号可以是采用实时获取的方式，即用户终端获取到心电图机采集的心电信号后，实时上传至服务器，也可以是非实时获取，即用户终端获取到心电图机采集的一段完整采集周期后，统一将该采集周期的心电信号上传。另外，为了降低服务器的运算压力，通常情况下，服务器接获取到的心电信号是经过用户终端或主机处理后的信号。对于干扰信号的处理，可以通过硬件电路实现，例如，在主机中，通过滤波电路对心电信号进行滤波处理。具体的，滤波电路对接收到的心电信号进行高通、低通及带通滤波，滤除可能存在的高频干扰信号和低频干扰信号，滤除掉50Hz附近的工频干扰信号。通带的截止频率设定必须保证滤除后的信号最大限度地保留心电信号的应有特征反映，例如，保留0.1Hz-40Hz的信号。
S11：在心电信号达到稳定状态的情况下，确定心电信号对应的目标特征信息。
心电信号中包含有大量的特征信息用于对电解质浓度进行计算，如果将每一个特征信息都参与到后续的分析，则大大降低了计算效率，故本步骤中，需要确定心电信号对应的目标特征信息。可以理解的是，目标特征信息的种类不作限定。例如，可以对所获取到的心电信号的时域和频域进行分析，按照最佳复原心电图子波的要求，提取心电信号中各子波的幅值、幅值变化参数、频谱能量以及最大幅值对应的时刻，将以上参数作为目标特征信息。在具体实施中，子波包括P波、QRS波、T波、U波以及J波。在提取心电信号中的各子波的目标特征信息时，需要保证相同子波在不同导联的相应时间节点完全一致。
考虑到某些心电信号的某些子波存在幅值过小，需要对幅值过小的子波单独频域变换，从频域中确定该子波的幅值，例如，采用小波变换。考虑到某些心电信号的某些子波的起点和终点难以确定的情况，需要计算该子波的左肩斜率和右肩斜率，从左肩中线处与左肩同一斜率的延长线与基线的交点作为起点，从右肩中线处与右肩同一斜率的延长线与基线的交点作为终点。
另外，在目标特征信息提取之前，如果心电信号对应的子波的时域不明显，可以通过傅里叶变换、小波变换、基线漂移修正中的至少一种算法对心电信号进行处理得到各子波的频域，以此可以有效提高各子波的频域显现，有利于目标特征信息的提取。
需要说明的是，本步骤中的判断心电信号是否达到稳定状态可由服务器实现，当然也可以由用户终端实现。对于前者而言，服务器先获取心电信号，再判断出心电信号达到稳定状态后，再确定心电信号对应的目标特征信息。对于后者而言，用户终端先获取心电信号，在判断出心电信号达到稳定状态后，再将心电信号上传至服务器，对于服务器而言，其获取到的心电信号就是达到稳定状态的心电信号，然后再确定心电信号对应的目标特征信息。或者还可以是用户终端只要获取到心电信号就上传，并且，还判断心电信号是否达到稳定状态，在达到稳定状态的情况下，向服务器发送稳定标识，服务器在接收到该标识后，再确定达到稳定状态后的心电信号对应的目标特征信息。
综上所述，对于步骤S10和S11来说，二者没有严格的先后顺序，只要保证心电信号达到稳定状态后再确定心电信号对应的目标特征信息即可，以此能够提高检测结果的准确性。
S12：调用至少一个电解质浓度检测模型对目标特征信息进行检测，得到所调用的电解质浓度检测模型输出的电解质浓度，且在所调用的电解质浓度检测模型输出的电解质浓度满足预设模型触发条件的情况下，调用其它的电解质浓度检测模型对目标特征信息进行检测得到电解质浓度。
在具体实施中，服务器存储有电解质浓度检测模型，该模型的数量不作限定，通常情况下，需要至少两个。电解质浓度检测模型可由心电信号和对应的生化检测结果组成的训练样本进行训练得到。在具体实施中，会将样本分为训练样本、测试样本和验证样本，其中，训练样本的数量越多，则电解质浓度检测模型的输出结果越准确。电解质浓度检测模型可以通过神经网络和支持向量机方式得到，具体的，神经网络包括：卷积神经网络(CNN)、长短期记忆网络(LSTM)、循环神经网络或递归神经网络(RNN)、极限树分类器(Extra TreesClassifier)、随机森林(Random Forest Classifier)、决策树(Decision TreesClassifier)等。
本实施例中，对于预设模型触发条件不作限定，例如，可以是当前所调用的电解质浓度检测模型输出的电解质浓度处于模糊区间，或者是当前所调用的电解质浓度检测模型(至少两个模型)输出的电解质浓度结果不一致(这里的结果不一致是指定性结果，而不是数值结果)，即这些电解质浓度既有处于正常浓度范围内的，又有处于异常浓度范围内的。或者是当前所调用的电解质浓度检测模型(至少两个模型)输出的电解质浓度的差值超过预设值。可以理解的是，以上提到的预设模型触发条件仅仅是具体的实现方式，并不代表只有这三种。本申请中提到的电解质浓度处于正常浓度范围是指在处于该范围的电解质浓度一定是正常的，本申请中提到的电解质浓度处于异常浓度范围是指在处于该范围的电解质浓度一定是异常的，相对于正常浓度范围和异常浓度范围，后文还提到了模糊区间，所谓的模糊区间是指处于该区间的电解质浓度有可能是正常的，也有可能是异常的，需要进一步确定。本申请中，对于正常浓度范围和异常浓度范围以及模糊区间的界限值不作限定，可参考医学标准。为了让本领域技术人员更加清楚本申请中提到的正常浓度范围和异常浓度范围以及模糊区间，可参考图2所示的血钾浓度示意图。图2中，以电解质中的血钾为例，医学标准规定大于5mEq/L为高血钾，则由于电解质浓度检测模型的误差等原因，其输出的电解质浓度与实际浓度也会存在误差，故由模型输出的电解质浓度处于5mEq/L±△区间内时，有可能是正常的，也有可能是异常的。具体的，△可以根据实际情况确定，例如，0.01mEq/L，那么当由模型输出的电解质浓度处于4.99mEq/L-5.01mEq/L时，该结果有可能是正常的，也有可能是异常的，所以4.99mEq/L-5.01mEq/L就可以作为模糊区间，不超过4.99mEq/L就可以认为是正常浓度范围，超过5.01mEq/L就可以认为是异常浓度范围。
当所调用的电解质浓度检测模型输出的电解质浓度满足预设触发条件时，需要调用其它的电解质浓度检测模型再次对目标特征信息进行检测。可以理解的是，此处的其它的电解质浓度检测模型与之前所调用的电解质浓度检测模型不同，也就是说，本步骤中，通过输出的电解质浓度是否满足预设模触发条件来确定是否需要更多的电解质浓度检测模型参与到计算中。很显然，调用的电解质浓度检测模型越多，越能够有效避免电解质浓度检测模型自身带来的误差的问题，所得到的电解质浓度越准确。
S13：基于电解质浓度检测模型输出的电解质浓度，得到目标特征信息对应的心电信号的电解质浓度。
由于步骤S12中，所调用的电解质浓度检测模型可能是一个，也可能是多个，故所得到的电解质浓度的个数也至少是一个。本步骤中，对于各电解质浓度检测模型所得到的电解质浓度与最终的电解质浓度的关系不作限定。例如，一种情况下，步骤S12中所调用的电解质浓度检测模型输出的电解质浓度不满足预设模型触发条件，且所调用的电解质浓度检测模型为一个，则可以将该模型输出的电解质浓度作为最终的电解质浓度，即目标特征信息对应的心电信号的电解质浓度，如果所调用的电解质浓度检测模型大于一个，则可以将所调用的各电解质浓度检测模型输出的各电解质浓度取平均值或加权处理作为最终的电解质浓度。另一种情况下，步骤S12中所调用的电解质浓度检测模型输出的电解质浓度满足预设模型触发条件，则可以将全部电解质浓度检测模型输出的电解质浓度取平均值或加权处理作为最终的电解质浓度。当然，在所调用的电解质浓度检测模型数量较多时，还可以依据所得到的电解质浓度与正常浓度范围或异常浓度范围的关系剔除一些异常结果，例如，一共调用了五个电解质浓度检测模型，其中四个电解质浓度检测模型输出的电解质浓度均处于正常浓度范围内，一个电解质浓度检测模型输出的电解质浓度处于异常浓度范围内，则可将处于异常浓度范围内的电解质浓度剔除，将其余的四个电解质浓度取平均值作为最终的电解质浓度。
在具体实施中，在得到最终的电解质浓度后，为了便于用户和工作人员查看，还包括：输出与目标特征信息对应的心电信号的波形和电解质浓度。对应的，用户可以通过用户终端查看电解质浓度，工作人员可以通过本地终端查看电解质浓度。另外，该方法还包括：获取与目标特征信息对应的心电信号的生化检测结果；将生化检测结果作为测试样本添加至原训练样本中，对原训练样本进行补充；利用新的训练样本进行训练从而得到新的电解质浓度检测模型。由于训练样本的增加，新的电解质浓度检测模型相较于原电解质浓度检测模型的参数有所调整，实现自学习的目的，并且新加入的样本为生化检测结果，准确性较高，使得新的电解质浓度检测模型的检测结果更准确。
本实施例提供的血液成分浓度检测方法，在获取到心电信号，并在心电信号达到稳定状态的情况下，确定心电信号对应的目标特征信息，通过调用至少一个电解质浓度检测模型对目标特征信息进行检测，且在所调用的电解质浓度检测模型输出的电解质浓度满足预设模型触发条件的情况下，调用其它的电解质浓度检测模型再次检测。基于电解质浓度检测模型输出的电解质浓度，得到心电信号的电解质浓度。应用于本技术方案，由于通过心电信号间接得到电解质浓度可以视为是一种无创方式，故可以采用无创方式即可得到电解质浓度，避免开设创口，无需专业人士操作。并且，在对心电信号进行实际计算前，进行了稳定性的判断，能够排除信号不稳定带来的计算结果有误差的问题，同时，在输出的电解质浓度满足预设模型触发条件的情况下，调用其它模型进行检测，避免了模型不可靠所带来的误差大的问题。
在上述实施例中，在对心电信号进行稳定性判断后，就将后续的心电信号视为稳定信号，并参与到后续的计算中，但是在实际操作过程中，由于信号传输的影响或者电极松动等原因，均会造成心电信号再次出现不稳定的情况。故在上述实施例的基础上，对心电信号再一次进行稳定性判断。图3为本申请实施例提供的另一种血液成分浓度检测方法的流程图。如图3所示，S11包括：
S110：确定达到稳定状态的心电信号对应的获取时刻。
S111：判断在获取时刻之后获取到的心电信号是否均为处于稳定状态的正常心电信号，如果是，则进入S112，否则，进入S113。
S112：确定正常心电信号对应的目标特征信息，并进入S12。
S113：剔除获取到的心电信号中的异常心电信号，并将获取到的心电信号中处于稳定状态的正常心电信号按照采集顺序重组以得到目标心电信号，确定目标心电信号对应的目标特征信息，并进入S12。
在具体实施中，为了防止心电信号不稳定而造成误判，需要心电信号达到稳定状态的时长维持预设时长才视为心电信号达到稳定状态。例如，在T1时刻时心电信号是稳定的，而在T2(T2晚于T1)时刻不稳定，此时如果对T1时刻之前的心电信号进行判断，结论就是处于稳定状态，则导致所得到的电解质浓度不准确。
由于心电信号在传输过程中受到的干扰不可避免，如果每次出现心电信号处于不稳定状态就丢弃，会导致采集时间过长，本实施例中，考虑到该问题，在对获取时刻之后获取到的心电信号(存在处于不稳定状态的心电信号)进行重组得到目标心电信号，从而避免大量心电信号丢弃的问题，提高了采集效率。
本实施例中，如果首次确定心电信号达到稳定状态是由服务器执行，则获取时刻就是服务器首次确定心电信号达到稳定状态的时刻，如果首次确定心电信号达到稳定状态是由用户终端执行，则获取时刻可以是用户终端向服务器发送达到稳定状态的时刻，也可以是服务器记录获取处于稳定状态的心电信号的时刻，将该时刻作为获取时刻。
上述实施例中，对于如何确定心电信号是否达到稳定状态的方式不作限定，本实施例中，心电信号达到稳定状态通过如下方式确定：
从心电信号中获取相同类型的子波在N个周期内的各波峰之间的波峰波动值和各波谷之间的波谷波动值中的至少一种波动值，N为正整数；
若当前所获取的波动值满足预设条件，则确定心电信号达到稳定状态，否则，确定心电信号未达到稳定状态。
具体的，N可以为5-10。另外，本实施例中预设条件依据当前所获取的波动值的类型确定，具体如下：
1)若当前所获取的波动值为从心电信号中获取相同类型的子波在N个周期内的各波峰之间的波峰波动值，则预设条件为任意一个波峰波动值均小于第一预设值。
2)若当前所获取的波动值为从心电信号中获取相同类型的子波在N个周期内的各波谷之间的波谷波动值，则预设条件为任意一个波谷波动值均小于第二预设值。
3)若当前所获取的波动值为从心电信号中获取相同类型的子波在N个周期内的各波峰之间的波峰波动值和各波谷之间的波谷波动值，则预设条件为任意一个波峰波动值均小于第一预设值且任意一个波谷波动值均小于第二预设值。
需要说明的是，以上提到的第一预设值和第二预设值可以相同，也可以不同，作为优选地实施方式，当前所获取的波动值通常为波峰波动值和波谷波动值两种，以此能够提高稳定性判断的准确性。
在具体实施中，对于心电信号达到稳定状态的判断过程可以由用户终端实现，以此减小服务器的运算压力，也减少无用信号的传输。用户终端中具有缓存模块，用于缓存所得到的心电信号，具体的，可以设定采样频率为200/秒至2000/秒，当心电信号达到稳定状态后，将达到稳定状态的心电信号上传至服务器，如果心电信号未达到稳定状态，则不上传。在缓存过程中，采用循环存储，先入先出(FIFO)，保证缓存中的信号始终是最近采集的信号。
另外，为了避免由于心电信号持续不稳定而长时间进行无效采集，在其它实施例中，还可以设定采集时长阈值，当实际采集时长超过采集时长阈值且心电信号未达到稳定状态时，输出信号不稳定信息，以便提示工作人员查看具体原因，如被测体持续移动，某个电极脱落等。作为优选地实施方式，采集时长阈值为30秒。进一步的，还可以根据当前所采集的心电信号确定对应的解决方案，例如，心电信号中全部子波存在不连续的情况，对应的解决方案是固定被测体。在具体实施中，输出信号不稳定信息的方式不做限定，可以是在本地终端和用户终端的显示界面显示，或者控制心电图机上的指示灯点亮。
在上述实施例中，对于如何得到目标特征信息对应的心电信号的电解质浓度不做限定。考虑到所调用的电解质浓度检测模型的准确度以及个数不同，本实施例中，采用如下两种方式确定最终的电解质浓度：
1)若每个电解质浓度检测模型输出的电解质浓度都在正常浓度范围或都在异常浓度范围，基于每个电解质浓度检测模型的准确度，从每个电解质浓度检测模型输出的电解质浓度中选择一个电解质浓度，将所选择的电解质浓度确定为目标特征信息对应的心电信号的电解质浓度。
由于各电解质浓度均在正常浓度范围或异常浓度范围，则说明当前所调用的电解质浓度检测模型输出的各电解质浓度所表征的定性结果一致，故任意一个电解质浓度都能定性反映最终的电解质浓度。为了提高准确度，本实施例中将准确度最高的电解质浓度检测模型输出的电解质浓度作为最终的电解质浓度。
2)若所有输出的电解质浓度中存在位于正常浓度范围也存在位于异常浓度范围的情况或者所有输出的电解质浓度中存在处于模糊区间的情况，基于所有输出的电解质浓度，得到目标特征信息对应的心电信号的电解质浓度。
本实施例中提到的“所有输出的电解质浓度中存在位于正常浓度范围也存在位于异常浓度范围的情况”是指至少一个电解质浓度位于正常浓度范围且至少一个电解质浓度位于异常浓度范围。本实施例中提到的“所有输出的电解质浓度中存在处于模糊区间的情况”是指至少一个电解质浓度处于模糊区间，即可以是全部电解质浓度处于模糊区间，也可以是部分电解质浓度出模糊区间。
由于各电解质浓度所表征的定性结果不一致，如果选取其中一个作为最终的电解质浓度，则导致检测结果存在较大的误差，故本实施例中将所有的电解质浓度均作为考虑对象，综合得到最终的电解质浓度。作为优选地实施方式，可以将所有电解质浓度进行加权处理，各电解质浓度的权重即为各自对应的电解质浓度检测模型的权重，各电解质浓度检测模型的权重与其准确度呈正相关关系，即电解质浓度检测模型的准确度越高，则其对应的权重越大。加权处理具体通过如下公式计算：
以上提到的两种方式主要是针对调用多个电解质浓度检测模型的情况，即针对得到多个电解质浓度的情况。可以理解的是，如果所调用的电解质浓度检测模型仅有一个(该模型输出的电解质浓度必然没有满足预设模型触发条件)，则其输出的电解质浓度就是最终的电解质浓度。
可以理解的是，电解质浓度检测模型的准确度越高，则其得到的结果越可靠，故本实施例中，在上述实施例的基础上，电解质浓度检测模型包含主电解质浓度检测模型和至少一个从电解质浓度检测模型，主电解质浓度检测模型的准确度大于从电解质浓度检测模型的准确度。在此基础上，S12包括：
S120：调用主电解质浓度检测模型对目标特征信息进行检测，得到主电解质浓度检测模型输出的电解质浓度；
S121：判断主电解质浓度检测模型输出的电解质浓度是否处于模糊区间内，如果否，则进入S122，如果是，则进入S123。
S122：禁止调用从电解质浓度检测模型对目标特征信息进行检测，并进入S13。
S123：调用至少一个从电解质浓度检测模型对目标特征信息进行检测，得到由所调用的从电解质浓度检测模型输出的电解质浓度，并进入S13。
在具体实施中，电解质浓度检测模型的准确度可以根据上文中提到的验证样本确定，由于主电解质浓度检测模型的准确度大于从电解质浓度检测模型的准确度，故在S120中通常是调用一个主电解质浓度检测模型即可。基于主电解质浓度检测模型的准确度，如果其输出的电解质浓度没有处于模糊区间，则视为该结果可以用于表征心电信号对应的电解质浓度，故不再调用其它从电解质浓度检测模型，以此能够提高检测效率。
可以理解的是，S123中，从电解质浓度检测模型的数量不做限定，通常大于2个。
在上述实施例的基础上，血液成分浓度检测方法还包括：
在所调用的电解质浓度检测模型输出的电解质浓度均位于异常浓度范围或目标特征信息对应的心电信号的电解质浓度位于异常浓度范围的情况下，输出异常提示信号。
在具体实施中，如果所调用的电解质浓度检测模型输出的电解质浓度均位于异常浓度范围，则无论最终的电解质浓度是否位于异常浓度范围，均要进行提示，有效防止对多个位于异常浓度范围的电解质浓度进行处理时，所得到的电解质浓度位于正常浓度范围的情况。
本实施例中，对于异常提示信号的类型不做限定，可以是在本地终端显示结果时，显示红色或添加特殊标记。
另外，在其它实施例中，血液成分浓度检测方法还包括：确定与最终的电解质浓度对应的注意事项信息，并输出注意事项信息，以供用户和工作人员查看。
在上述实施例中，对于血液成分浓度检测方法进行了详细描述，本申请还提供血液成分浓度检测装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件结构的角度。
图4为本申请实施例提供的一种血液成分浓度检测装置的结构图。如图4所示，该装置包括：
获取模块10，用于获取心电信号；
确定模块11，用于在心电信号达到稳定状态的情况下，确定心电信号对应的目标特征信息；
调用模块12，用于调用至少一个电解质浓度检测模型对目标特征信息进行检测，得到所调用的电解质浓度检测模型输出的电解质浓度，且在所调用的电解质浓度检测模型输出的电解质浓度满足预设模型触发条件的情况下，调用其它的电解质浓度检测模型对目标特征信息进行检测得到电解质浓度；
浓度确定模块13，用于基于电解质浓度检测模型输出的电解质浓度，得到目标特征信息对应的心电信号的电解质浓度。
作为优选地实施方式，确定模块11包括：
确定单元，用于确定达到稳定状态的心电信号对应的获取时刻；
获取单元，用于若在获取时刻之后获取到的心电信号均为处于稳定状态的正常心电信号，确定正常心电信号对应的目标特征信息；
重组单元，用于若在获取时刻之后获取到的心电信号中存在不稳定状态的异常心电信号，则剔除获取到的心电信号中的异常心电信号，并将获取到的心电信号中处于稳定状态的正常心电信号按照采集顺序重组以得到目标心电信号，确定目标心电信号对应的目标特征信息。
作为优选地实施方式，确定模块11还包括：
判稳单元，用于从心电信号中获取相同类型的子波在N个周期内的各波峰之间的波峰波动值和各波谷之间的波谷波动值中的至少一种波动值，N为正整数；若当前所获取的波动值满足预设条件，则确定心电信号达到稳定状态，否则，确定心电信号未达到稳定状态。
作为优选地实施方式，浓度确定模块13包括：
第一浓度确定单元，用于若每个电解质浓度检测模型输出的电解质浓度都在正常浓度范围或都在异常浓度范围，基于每个电解质浓度检测模型的准确度，从每个电解质浓度检测模型输出的电解质浓度中选择一个电解质浓度，将所选择的电解质浓度确定为目标特征信息对应的心电信号的电解质浓度；
第二浓度确定单元，用于若所有输出的电解质浓度中存在位于正常浓度范围也存在位于异常浓度范围的情况或者所有输出的电解质浓度中存在处于模糊区间的情况，基于所有输出的电解质浓度，得到目标特征信息对应的心电信号的电解质浓度。
作为优选地实施方式，电解质浓度检测模型包含主电解质浓度检测模型和至少一个从电解质浓度检测模型，主电解质浓度检测模型的准确度大于从电解质浓度检测模型的准确度。调用模块12包括：
调用单元，用于调用主电解质浓度检测模型对目标特征信息进行检测，得到主电解质浓度检测模型输出的电解质浓度；
控制单元，用于若主电解质浓度检测模型输出的电解质浓度没有处于模糊区间内，则禁止调用单元调用从电解质浓度检测模型对目标特征信息进行检测，以及用于若主电解质浓度检测模型输出的电解质浓度处于模糊区间内，则触发调用单元调用至少一个从电解质浓度检测模型对目标特征信息进行检测，得到由所调用的从电解质浓度检测模型输出的电解质浓度。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本实施例提供的血液成分浓度检测装置，在获取到心电信号，并在心电信号达到稳定状态的情况下，确定心电信号对应的目标特征信息，通过调用至少一个电解质浓度检测模型对目标特征信息进行检测，且在所调用的电解质浓度检测模型输出的电解质浓度满足预设模型触发条件的情况下，调用其它的电解质浓度检测模型再次检测。基于电解质浓度检测模型输出的电解质浓度，得到心电信号的电解质浓度。应用于本技术方案，由于通过心电信号间接得到电解质浓度可以视为是一种无创方式，故可以采用无创方式即可得到电解质浓度，避免开设创口，无需专业人士操作。并且，在对心电信号进行实际计算前，进行了稳定性的判断，能够排除信号不稳定带来的计算结果有误差的问题，同时，在输出的电解质浓度满足预设模型触发条件的情况下，调用其它模型进行检测，避免了模型不可靠所带来的误差大的问题。
图5为本申请实施例提供的另一种血液成分浓度检测装置的结构图。如图5所示，基于硬件结构的角度，血液成分浓度检测装置包括存储器20，用于存储计算机程序；
处理器21，用于执行所述计算机程序时实现如上述实施例所提供的血液成分浓度检测方法的步骤。
本实施例提供的血液成分浓度检测装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的心电信号检测方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于电解质浓度等。
在一些实施例中，血液成分浓度检测装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解，图5中示出的结构并不构成对血液成分浓度检测装置的限定，可以包括比图示更多或更少的组件。
本申请实施例提供的血液成分浓度检测装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：在获取到心电信号，并在心电信号达到稳定状态的情况下，确定心电信号对应的目标特征信息，通过调用至少一个电解质浓度检测模型对目标特征信息进行检测，且在所调用的电解质浓度检测模型输出的电解质浓度满足预设模型触发条件的情况下，调用其它的电解质浓度检测模型再次检测。基于电解质浓度检测模型输出的电解质浓度，得到心电信号的电解质浓度。应用于本技术方案，由于通过心电信号间接得到电解质浓度可以视为是一种无创方式，故可以采用无创方式即可得到电解质浓度，避免开设创口，无需专业人士操作。并且，在对心电信号进行实际计算前，进行了稳定性的判断，能够排除信号不稳定带来的计算结果有误差的问题，同时，在输出的电解质浓度满足预设模型触发条件的情况下，调用其它模型进行检测，避免了模型不可靠所带来的误差大的问题。
最后，本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请所提供的心电信号检测方法及装置进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (11)
1.一种血液成分浓度检测方法，其特征在于，包括：
获取心电信号；
在心电信号达到稳定状态的情况下，确定心电信号对应的目标特征信息；
调用至少一个电解质浓度检测模型对所述目标特征信息进行检测，得到所调用的电解质浓度检测模型输出的电解质浓度，且在所调用的电解质浓度检测模型输出的电解质浓度满足预设模型触发条件的情况下，调用其它的电解质浓度检测模型对所述目标特征信息进行检测得到电解质浓度；
基于所述电解质浓度检测模型输出的电解质浓度，得到所述目标特征信息对应的心电信号的电解质浓度。
2.根据权利要求1所述的方法，其特征在于，所述在心电信号达到稳定状态的情况下，确定心电信号对应的目标特征信息包括：
确定达到稳定状态的心电信号对应的获取时刻；
若在所述获取时刻之后获取到的心电信号均为处于稳定状态的正常心电信号，确定所述正常心电信号对应的目标特征信息；
若在所述获取时刻之后获取到的心电信号中存在不稳定状态的异常心电信号，则剔除获取到的心电信号中的所述异常心电信号，并将获取到的心电信号中处于稳定状态的正常心电信号按照采集顺序重组以得到目标心电信号，确定所述目标心电信号对应的目标特征信息。
3.根据权利要求1或2所述的方法，其特征在于，心电信号达到稳定状态通过如下方式确定：
从心电信号中获取相同类型的子波在N个周期内的各波峰之间的波峰波动值和各波谷之间的波谷波动值中的至少一种波动值，N为正整数；
若当前所获取的所述波动值满足预设条件，则确定心电信号达到稳定状态，否则，确定心电信号未达到稳定状态。
4.根据权利要求1或2所述的方法，其特征在于，所述基于所述电解质浓度检测模型输出的电解质浓度，得到所述目标特征信息对应的心电信号的电解质浓度包括：
若每个所述电解质浓度检测模型输出的电解质浓度都在正常浓度范围或都在异常浓度范围，基于每个所述电解质浓度检测模型的准确度，从每个所述电解质浓度检测模型输出的电解质浓度中选择一个电解质浓度，将所选择的电解质浓度确定为所述目标特征信息对应的心电信号的电解质浓度；
若所有输出的电解质浓度中存在位于正常浓度范围也存在位于异常浓度范围的情况或者所有输出的电解质浓度中存在处于模糊区间的情况，基于所有输出的电解质浓度，得到所述目标特征信息对应的心电信号的电解质浓度。
5.根据权利要求4所述的方法，其特征在于，所述电解质浓度检测模型包含主电解质浓度检测模型和至少一个从电解质浓度检测模型，所述主电解质浓度检测模型的准确度大于所述从电解质浓度检测模型的准确度；
所述调用至少一个电解质浓度检测模型对所述目标特征信息进行检测，得到所调用的电解质浓度检测模型输出的电解质浓度，且在所调用的电解质浓度检测模型输出的电解质浓度满足预设模型触发条件的情况下，调用其它的电解质浓度检测模型对所述目标特征信息进行检测得到电解质浓度包括：
调用所述主电解质浓度检测模型对所述目标特征信息进行检测，得到所述主电解质浓度检测模型输出的电解质浓度；
若所述主电解质浓度检测模型输出的电解质浓度没有处于模糊区间内，则禁止调用所述从电解质浓度检测模型对所述目标特征信息进行检测；
若所述主电解质浓度检测模型输出的电解质浓度处于所述模糊区间内，则调用至少一个所述从电解质浓度检测模型对所述目标特征信息进行检测，得到由所调用的所述从电解质浓度检测模型输出的电解质浓度。
6.根据权利要求1所述的方法，其特征在于，还包括：
在所调用的电解质浓度检测模型输出的电解质浓度均位于异常浓度范围或所述目标特征信息对应的心电信号的电解质浓度位于异常浓度范围的情况下，输出异常提示信号。
7.一种血液成分浓度检测装置，其特征在于，包括：
获取模块，用于获取心电信号；
确定模块，用于在心电信号达到稳定状态的情况下，确定心电信号对应的目标特征信息；
调用模块，用于调用至少一个电解质浓度检测模型对所述目标特征信息进行检测，得到所调用的电解质浓度检测模型输出的电解质浓度，且在所调用的电解质浓度检测模型输出的电解质浓度满足预设模型触发条件的情况下，调用其它的电解质浓度检测模型对所述目标特征信息进行检测得到电解质浓度；
浓度确定模块，用于基于所述电解质浓度检测模型输出的电解质浓度，得到所述目标特征信息对应的心电信号的电解质浓度。
8.根据权利要求7所述的装置，其特征在于，所述确定模块包括：
确定单元，用于确定达到稳定状态的心电信号对应的获取时刻；
获取单元，用于若在所述获取时刻之后获取到的心电信号均为处于稳定状态的正常心电信号，确定所述正常心电信号对应的目标特征信息；
重组单元，用于若在所述获取时刻之后获取到的心电信号中存在不稳定状态的异常心电信号，则剔除获取到的心电信号中的所述异常心电信号，并将获取到的心电信号中处于稳定状态的正常心电信号按照采集顺序重组以得到目标心电信号，确定所述目标心电信号对应的目标特征信息。
9.根据权利要求7或8所述的装置，其特征在于，所述确定模块还包括：
判稳单元，用于从心电信号中获取相同类型的子波在N个周期内的各波峰之间的波峰波动值和各波谷之间的波谷波动值中的至少一种波动值，N为正整数；若当前所获取的所述波动值满足预设条件，则确定心电信号达到稳定状态，否则，确定心电信号未达到稳定状态。
10.根据权利要求7或8所述的装置，其特征在于，所述浓度确定模块包括：
第一浓度确定单元，用于若每个所述电解质浓度检测模型输出的电解质浓度都在正常浓度范围或都在异常浓度范围，基于每个所述电解质浓度检测模型的准确度，从每个所述电解质浓度检测模型输出的电解质浓度中选择一个电解质浓度，将所选择的电解质浓度确定为所述目标特征信息对应的心电信号的电解质浓度；
第二浓度确定单元，用于若所有输出的电解质浓度中存在位于正常浓度范围也存在位于异常浓度范围的情况或者所有输出的电解质浓度中存在处于模糊区间的情况，基于所有输出的电解质浓度，得到所述目标特征信息对应的心电信号的电解质浓度。
11.根据权利要求10所述的装置，其特征在于，所述电解质浓度检测模型包含主电解质浓度检测模型和至少一个从电解质浓度检测模型，所述主电解质浓度检测模型的准确度大于所述从电解质浓度检测模型的准确度；
所述调用模块包括：
调用单元，用于调用所述主电解质浓度检测模型对所述目标特征信息进行检测，得到所述主电解质浓度检测模型输出的电解质浓度；
控制单元，用于若所述主电解质浓度检测模型输出的电解质浓度没有处于模糊区间内，则禁止所述调用单元调用所述从电解质浓度检测模型对所述目标特征信息进行检测，以及用于若所述主电解质浓度检测模型输出的电解质浓度处于所述模糊区间内，则触发所述调用单元调用至少一个所述从电解质浓度检测模型对所述目标特征信息进行检测，得到由所调用的所述从电解质浓度检测模型输出的电解质浓度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011434780.2A CN112545501A (zh) | 2020-12-10 | 2020-12-10 | 一种血液成分浓度检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011434780.2A CN112545501A (zh) | 2020-12-10 | 2020-12-10 | 一种血液成分浓度检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112545501A true CN112545501A (zh) | 2021-03-26 |
Family
ID=75060314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011434780.2A Pending CN112545501A (zh) | 2020-12-10 | 2020-12-10 | 一种血液成分浓度检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112545501A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117607227A (zh) * | 2023-11-27 | 2024-02-27 | 南京机电职业技术学院 | 基于深度学习的电解质分析仪实时监测与异常预警方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202110799U (zh) * | 2011-05-14 | 2012-01-11 | 徐岩 | 基于芯片at89s52无线通信系统显示器 |
| US20140088442A1 (en) * | 2011-04-29 | 2014-03-27 | Medtronic, Inc. | Method and device to monitor patients with kidney disease |
| CN103735401A (zh) * | 2013-10-11 | 2014-04-23 | 中国医学科学院北京协和医院 | 基于脉搏血氧的心肺复苏质量反馈控制系统 |
| CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
| CN104783783A (zh) * | 2015-04-23 | 2015-07-22 | 康泰医学系统（秦皇岛）股份有限公司 | 一种手持式心电检测仪自动开启心电图记录的方法 |
| US20160183829A1 (en) * | 2010-07-14 | 2016-06-30 | Mayo Foundation For Medical Education And Research | Non-invasive monitoring of physiological conditions |
| CN107693948A (zh) * | 2017-08-21 | 2018-02-16 | 深圳先进技术研究院 | 红外理疗效果的监测方法、装置、医疗设备及存储介质 |
| WO2018148690A1 (en) * | 2017-02-10 | 2018-08-16 | Alivecor, Inc. | Systems and methods of analyte measurement analysis |
| CN108714026A (zh) * | 2018-03-27 | 2018-10-30 | 杭州电子科技大学 | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 |
| US20180350468A1 (en) * | 2015-11-23 | 2018-12-06 | Paul A. Friedman | Processing physiological electrical data for analyte assessments |
| CN109276241A (zh) * | 2018-11-28 | 2019-01-29 | 深圳还是威健康科技有限公司 | 一种压力识别方法及设备 |
| CN109559797A (zh) * | 2018-10-31 | 2019-04-02 | 青岛大学附属医院 | 一种血液透析康复运动训练方法及系统、终端 |
| CN109691994A (zh) * | 2019-01-31 | 2019-04-30 | 英菲泰克(天津)科技有限公司 | 一种基于心电图的心率监测分析方法 |
| KR20190066332A (ko) * | 2017-12-05 | 2019-06-13 | 아주대학교산학협력단 | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 |
| EP3654347A1 (en) * | 2018-11-16 | 2020-05-20 | Kaunas University of Technology | A system and method for personalized monitoring of life-threatening health conditions in patients with chronic kidney disease |
| CN111603135A (zh) * | 2020-05-11 | 2020-09-01 | 江南大学 | 一种基于主从支持向量机的低功耗癫痫检测电路 |
| US20200298002A1 (en) * | 2019-03-21 | 2020-09-24 | Medtronic, Inc. | T-wave morphology analysis for pathological event detection |
-
2020
- 2020-12-10 CN CN202011434780.2A patent/CN112545501A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160183829A1 (en) * | 2010-07-14 | 2016-06-30 | Mayo Foundation For Medical Education And Research | Non-invasive monitoring of physiological conditions |
| US20140088442A1 (en) * | 2011-04-29 | 2014-03-27 | Medtronic, Inc. | Method and device to monitor patients with kidney disease |
| CN202110799U (zh) * | 2011-05-14 | 2012-01-11 | 徐岩 | 基于芯片at89s52无线通信系统显示器 |
| CN103735401A (zh) * | 2013-10-11 | 2014-04-23 | 中国医学科学院北京协和医院 | 基于脉搏血氧的心肺复苏质量反馈控制系统 |
| CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
| CN104783783A (zh) * | 2015-04-23 | 2015-07-22 | 康泰医学系统（秦皇岛）股份有限公司 | 一种手持式心电检测仪自动开启心电图记录的方法 |
| US20180350468A1 (en) * | 2015-11-23 | 2018-12-06 | Paul A. Friedman | Processing physiological electrical data for analyte assessments |
| CN110650671A (zh) * | 2015-11-23 | 2020-01-03 | 梅奥医学教育和研究基金会 | 处理用于分析物评估的生理电数据 |
| WO2018148690A1 (en) * | 2017-02-10 | 2018-08-16 | Alivecor, Inc. | Systems and methods of analyte measurement analysis |
| CN107693948A (zh) * | 2017-08-21 | 2018-02-16 | 深圳先进技术研究院 | 红外理疗效果的监测方法、装置、医疗设备及存储介质 |
| KR20190066332A (ko) * | 2017-12-05 | 2019-06-13 | 아주대학교산학협력단 | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 |
| CN108714026A (zh) * | 2018-03-27 | 2018-10-30 | 杭州电子科技大学 | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 |
| CN109559797A (zh) * | 2018-10-31 | 2019-04-02 | 青岛大学附属医院 | 一种血液透析康复运动训练方法及系统、终端 |
| EP3654347A1 (en) * | 2018-11-16 | 2020-05-20 | Kaunas University of Technology | A system and method for personalized monitoring of life-threatening health conditions in patients with chronic kidney disease |
| CN109276241A (zh) * | 2018-11-28 | 2019-01-29 | 深圳还是威健康科技有限公司 | 一种压力识别方法及设备 |
| CN109691994A (zh) * | 2019-01-31 | 2019-04-30 | 英菲泰克(天津)科技有限公司 | 一种基于心电图的心率监测分析方法 |
| US20200298002A1 (en) * | 2019-03-21 | 2020-09-24 | Medtronic, Inc. | T-wave morphology analysis for pathological event detection |
| CN111603135A (zh) * | 2020-05-11 | 2020-09-01 | 江南大学 | 一种基于主从支持向量机的低功耗癫痫检测电路 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117607227A (zh) * | 2023-11-27 | 2024-02-27 | 南京机电职业技术学院 | 基于深度学习的电解质分析仪实时监测与异常预警方法 |
| CN117607227B (zh) * | 2023-11-27 | 2024-06-21 | 南京机电职业技术学院 | 基于深度学习的电解质分析仪实时监测与异常预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109414203A (zh) | 基于光学测量的在线心率估计 | |
| US10602944B2 (en) | Detecting artifacts in a signal | |
| EP2688468A1 (en) | Apparatus and method for measuring physiological signal quality | |
| WO1998043071A1 (en) | Method and apparatus for arbitrating to obtain best estimates for blood constituent values and rejecting harmonics | |
| US20140257124A1 (en) | Atrial fibrillation analyzer and program | |
| CN108511067A (zh) | 预警方法及电子设备 | |
| JP6393984B2 (ja) | 脈拍計測装置、脈拍計測方法及び脈拍計測プログラム | |
| CN209032422U (zh) | 一种心音信号检测设备 | |
| CN104720808A (zh) | 一种检测人体睡眠呼吸的方法和装置 | |
| WO2021082259A1 (zh) | Ecg心电测量模式切换方法、装置和可穿戴设备及存储介质 | |
| WO2020147149A1 (zh) | 纠偏心率的方法、装置及存储介质 | |
| CN111683318A (zh) | 一种耳机佩戴检测方法、装置、耳机及可读存储介质 | |
| CN112656392A (zh) | 一种低功耗ppg心率计算方法及电子设备 | |
| CN112494001A (zh) | Ppg信号质量评估方法、装置、穿戴式设备及存储介质 | |
| CN112545501A (zh) | 一种血液成分浓度检测方法及装置 | |
| KR102342106B1 (ko) | 인체상태 판단을 위한 비접촉식 생체신호 분석 시스템 | |
| CN114403904A (zh) | 基于肌电信号与肌肉血氧饱和度确定肌肉状态的装置 | |
| CN106805943B (zh) | 基于分数阶微分方程的血糖数据处理方法及装置 | |
| CN204260739U (zh) | 心电图的数据质量实时控制系统 | |
| CN116746900B (zh) | 心律失常的识别方法和可穿戴设备 | |
| CN112545526A (zh) | 一种心电信号检测方法及装置 | |
| KR20190035059A (ko) | 비정상 심전도 신호 정보 출력 디바이스 및 방법 | |
| CN108198623A (zh) | 人体身体状态检测方法、装置、存储介质及电子设备 | |
| CN112006698A (zh) | 心理状态检测方法、装置、处理设备以及可穿戴设备 | |
| De Dominicis et al. | Acquisition and elaboration of cardiac signal in android Smartphone devices |
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: 20220218 Address after: 266003 No. 16, Jiangsu Road, Qingdao, Shandong Applicant after: THE AFFILIATED HOSPITAL OF QINGDAO University Address before: 266003 No.4, Longshan Road, Shinan District, Qingdao City, Shandong Province Applicant before: Xu Yan |