CN113180610A - 针对osahs的动态血压特征提取方法 - Google Patents
针对osahs的动态血压特征提取方法 Download PDFInfo
- Publication number
- CN113180610A CN113180610A CN202110564374.6A CN202110564374A CN113180610A CN 113180610 A CN113180610 A CN 113180610A CN 202110564374 A CN202110564374 A CN 202110564374A CN 113180610 A CN113180610 A CN 113180610A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- night
- baseline
- morning peak
- duration
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请的针对阻塞性睡眠呼吸暂停综合征(OSAHS)的动态血压特征提取方法,其包括:自受试者的24小时动态血压监测数据中提取:夜间血压上升有效高度、夜间血压上升最大高度、夜间血压上升持续时间、夜间血压上升斜率、夜间血压波动频次、夜间血压基线上面积、夜间血压基线下面积、夜间血压下降有效高度、夜间血压下降最大深度、夜间血压下降持续时间、夜间血压下降斜率、夜间血压二次上升持续时间、夜间血压二次上升斜率、夜间血压波动频次、晨峰血压上升最大高度、晨峰血压上升持续时间、晨峰血压上升斜率、晨峰血压下降持续时间、晨峰血压下降斜率、晨峰血压基线上面积中的至少一些。
Description
技术领域
本发明涉及睡眠呼吸领域,具体涉及一种针对OSAHS的动态血压特征提取方法。
背景技术
阻塞性睡眠呼吸暂停低通气综合征(obstructive sleep apnea hypopneasyndrome,OSAHS)是指患者在睡眠过程中反复出现呼吸暂停和低通气,临床上可表现为打鼾,且鼾声不规律,患者自觉憋气,甚至反复被憋醒,常伴有夜尿增多,晨起头痛、头晕和口咽干燥等一系列症候群。近年来,OSAHS的发病特点呈现向年轻化、非肥胖人群发展的趋势,已成为影响人类睡眠质量的主要疾病之一。目前,临床上诊断OSHAS仍然以多导睡眠图(PSG)为主要手段,但PSG检查要求患者在特定的睡眠实验室佩戴相应的设备,检查条件严格,患者依从性和普及性尚有待提高。已有通过心电信号、心肺耦合信号等方法的OSAHS识别手段,然而这些手段尚不能进入临床一线诊断场景中去。
发明内容
鉴于上述问题,本申请旨在提出一种针对OSAHS疾病特点的动态血压特征提取方法,该特征作为机器学习模型的输入,辅助临床医生对OSAHS进行识别筛查。
本申请的针对OSAHS的动态血压特征提取方法,其包括:
自受试者的24小时动态血压监测数据中提取:夜间血压上升有效高度、夜间血压上升最大高度、夜间血压上升持续时间、夜间血压上升斜率、夜间血压波动频次、夜间血压基线上面积、夜间血压基线下面积、夜间血压下降有效高度、夜间血压下降最大深度、夜间血压下降持续时间、夜间血压下降斜率、夜间血压二次上升持续时间、夜间血压二次上升斜率、夜间血压波动频次、晨峰血压上升最大高度、晨峰血压上升持续时间、晨峰血压上升斜率、晨峰血压下降持续时间、晨峰血压下降斜率、晨峰血压基线上面积中的至少一些。
其中,夜间血压上升有效高度Hn为第1个高于基线血压的值,Hn=H(t)-Vn,H(t)表示24小时动态血压监测数据的动态血压曲线函数,Vn为夜间血压基线;
夜间血压上升最大高度Hmax为夜间血压超过基线的最大值。
其中,夜间血压上升持续时间T1n为从基线上升至夜间血压上升有效高度所用的时间;
夜间血压上升斜率UpSlopen为夜间血压上升有效高度与夜间血压上升持续时间的比值。
其中,夜间血压波动频次为基线以上血压值个数;
夜间血压基线上面积Sup为24小时动态血压监测数据的血压曲线大于夜间血压基线的部分在该段时间内的积分;
夜间血压基线下面积Sdn为24小时动态血压监测数据的血压曲线小于夜间血压基线的部分在该段时间内的积分。
其中,夜间血压下降有效高度H′n为第1个低于基线血压的值,H′n=|H(t)-Vn|;
夜间血压下降最大深度Hdip为夜间血压低于基线的最大值;
夜间血压下降持续时间T′1n为从基线下降至夜间血压下降有效高度所用的时间。
其中,夜间血压下降斜率DnSlopen1为夜间血压下降有效高度与夜间血压下降持续时间比值的相反数;
夜间血压二次上升持续时间T′2n为从-H′n上升至-Hx所用的时间,其中Hx≥-H′n+10。
其中,夜间血压二次上升斜率UpSlopen2=H′n/T′2n;
夜间血压波动频次为临时基线以上且高于血压上升的有效阈值的血压值的个数,第1个有效下降H′n点作为临时基线;
其中,晨峰血压上升最大高度Hm为晨峰血压超过基线的最大值;
晨峰血压上升持续时间T1m为从基线上升至晨峰血压上升最大高度所用的时间。
其中,晨峰血压上升斜率UpSlopem为晨峰血压上升最大高度与晨峰血压上升持续时间的比值;
晨峰血压下降持续时间T2m为从晨峰血压上升最大高度降至基线或预定下降高度所用的时间。
其中,晨峰血压下降斜率DnSlopem为晨峰下降高度与晨峰血压下降持续时间比值的相反数;
晨峰血压基线上面积Smup为24小时动态血压监测数据的血压曲线大于晨峰血压基线的部分在该段时间内的积分。
通过本申请的方法提取出的特征,可以用作机器学习,获得OSAHS模型,为医生判断OSAHS提供准确的判断依据,建立了24小时动态血压监测数据与机器学习之间的桥梁,使得通过机器学习判断OSAHS具有的实用意义。
附图说明
图1为夜间血压先上升的情形;
图2为夜间血压先下降的情形;
图3为血压上升计算指标示意图;
图4为血压下降计算指标示意图;
图5为动态血压特征提取算法图;
图6为提取的动态血压特征数据;
图7为识别系统设计示意图;
图8为动态血压原始数据;
图9为数据准备模块处理后的数据;
图10为24小时动态血压数据的特征提取计算图;
图11为混淆矩阵;
图12a为受试者工作特性曲线;
图12b为精确率/召回率曲线;
图13为OSAHS风险识别模型所采用的参数及其系数。
具体实施方式
下面,结合附图对本申请进行详细说明。
首先应确定入睡(晨醒)时间和基线血压,推荐的方法是由患者填写睡眠登记表,记录入睡、晨醒时间;在睡眠记录不完整的情况下可由专业医生判读ABPM曲线,标定基线值;若上述两项均未实现,可将ABPM监测设备指定的入睡时间(22:00)、晨醒时间(定为5:00)作为基线时间;以H(t)表示动态血压曲线函数,血压值单位为毫米汞柱(mmHg),时间单位为小时(h),入睡时间记作t0,对应血压值Vn为“夜间血压基线”;次日晨峰时间记作tm0,对应血压值Vm为“晨峰血压基线”。血压上升的有效阈值记作Hup,血压下降的有效阈值记作Hdn,一般认为阈值波动超过10mmHg有临床意义。
本申请中,提出OSAHS患者夜间血压变化的10种情形
1.夜间血压上升的情形,共区分4种(图1),分别是:(a)先上升到有效高度(第1个高度);(b)先上升且存在有效高度(非第1个高度);(c)先小幅下降后上升到有效高度(不一定是第1个高度);(d)先小幅上升后小幅波动(总体小幅上升)
2.夜间血压下降的情形,共区分6种(图2),分别是:(a)先下降到有效深度(第1个深度)后上升到有效高度;(b)先下降到有效深度(非第1个深度)后上升到有效高度;(c)先小幅上升后下降到有效深度后上升到有效高度;(d)先下降到有效深度后小幅波动;(e)先下降到有效深度后继续下降;(f)先小幅下降后小幅波动(总体小幅下降)
本申请中,定义特征提取规则
规则定义区分夜间血压先上升、夜间血压先下降和晨峰血压三类,定义涵盖时间、幅度、变化率、面积、波动计数等在内的5种20个指标,实际使用时可按需对收缩压(Systolic Blood Pressure)、舒张压(Diastolic Blood Pressure)等分别计算。
1.夜间血压先上升的情况
(1)夜间血压上升有效高度Hn:第1个高于基线血压的值,图3中Hn表示
Hn=H(t)-Vn
有效的Hn应满足条件Hn≥Hup;其对应的时间点记作tnh。
(2)夜间血压上升最大高度Hmax:夜间血压超过基线的最大值,即:
Hmax=max[H(t)-Vn]
(3)夜间血压上升持续时间T1n:从基线上升至Hn所用的时间,即:
T1n=tnh-t0
(4)夜间血压上升斜率UpSlopen:上升高度Hn与上升持续时间T1n的比值,即:
UpSlopen=Hn/T1n
(5)夜间血压波动频次N:基线以上血压值个数,图3中紫色箭头所示点的个数
(6)夜间血压基线上面积Sup:图3中红色阴影部分面积,表示血压增高的程度,其值等于血压曲线H(t)>Vn部分在该段时间内的积分,即:
其中ti1和ti2需通过插值的方法求得。
(7)夜间血压基线下面积Sdn:图4中绿色阴影部分面积,表示血压降低的程度,其值等于血压曲线H(t)<Vn部分在该段时间内的积分,即:
其中tx和ti需通过插值的方法求得。
2.夜间血压先下降的情况
(1)夜间血压下降有效高度Hn:第1个低于基线血压的值,图4中Hn表示
Hn=|H(t)-Vn|
有效的Hn应满足条件Hn≥HdnmmHg;其对应的时间点记作tnh
(2)夜间血压下降最大深度Hdip:夜间血压低于基线最大值,即:
Hdip=-max[|H(t)-Vn|]
(3)夜间血压下降持续时间T1n:从基线下降至Hn所用的时间,即:
T1n=tnh-t0
(4)夜间血压下降斜率DnSlopen1:下降高度Hn与上升持续时间T1n比值的相反数,即:
DnSlopen1=-Hn/T1n
(5)夜间血压二次上升持续时间T2n:从-Hn上升至-Hx所用的时间,其中Hx≥-Hn+10,即:
T2n=tx-tnh
(6)夜间血压二次上升斜率UpSlopen1:上升高度Hn或小于Hn的某个Hx与上升持续时间T2n的比值,即:
UpSlopen2=Hn/T2n
(7)夜间血压波动频次N:第1个有效下降Hn点作为临时基线,临时基线以上且高于Hup血压值的个数,图4中紫色箭头所示点的个数
3.晨峰血压变化的情况
(1)晨峰血压上升最大高度Hm:晨峰血压超过基线的最大值,即:
Hm=max[Hm(t)-Vm]
其对应的时间点记作tmh
(2)晨峰血压上升持续时间T1m:从基线上升至Hm所用的时间,即:
T1m=tmh-tm0
(3)晨峰血压上升斜率UpSlopem:上升高度Hm与上升持续时间T1m的比值,即:
UpSlopem=Hm/T1m
(4)晨峰血压下降持续时间T2m:从Hm将至基线或某个Hxm(txm)所用的时间,即:
T2m=txm-tmh
图4中txm=ti3,ti3需插值求得
(5)晨峰血压下降斜率DnSlopem:下降高度Hxm与下降持续时间T2m比值的相反数,即:
DnSlopem=-Hxm/T2m
(6)晨峰血压基线上面积Smup:图3中tm0时间以后红色阴影部分面积,表示血压增高的程度,其值等于血压曲线Hm(t)>Vm部分在该段时间内的积分,即:
其中ti3需通过插值的方法求得。
方法效果
用算法实现定义的上述规则,本算法实现的基本流程是:
输入ABPM数据——按所定义规则判定并计算——特征输出,具体算法流程图见图5所示。具体步骤如下:
Step1:输入数据为data,确定基线值Vn,对第i个样本的数据data[i]去基线后得到Temp[i],此时根据规则1(4)、2(7)计算波动频次。
Step2:判断Temp[i]与阈值的关系,若其值≥Hup则将数据存入pTemp,表示为先上升的情况;若其值≤-Hdn则存放在nTemp中;否则与0比较,大于0判定为总体上升,上升高度为其平均值;小于0判定为总体下降,下降深度为其平均值。
Step3:pTemp和nTemp相结合判定需要计算的情形,pTemp和nTemp的元素元素个数分别记为pN和nN,当pN>且nN=0时定为先上升情形;当pN>0且nN>0时包含先上升后下降和先下降后上升两种情形;当pN=0且nN>0时包含先下降(含小幅上升)和先下降(有效深度)后继续下降的情况。
Step4:在上述判定好的血压变化情形下,分别使用前面定义的规则进行计算,即可得到相应指标参数。
图6是用本申请提出的算法对若干名行动态血压筛查的OSAHS患者的数据进行特征提取,这些特征将用于训练和测试机器学习分类器,以便识别OSAHS患者,有望对患者进行疾病严重程度评估。
为了验证这些提取特征的有效性,本申请还提出了OSAHS风险识别系统。
一、系统设计
数据准备模块,主要实现动态血压数据的采集、转换和处理功能。包括3个子模块,分别是①数据集创建模块:从动态血压监测设备中读取血压数据原始,并进行文件格式转换和数据存储;②异常值处理模块:用于对原始血压数据中异常值进行检测,并使用相应方法进行处理;③缺失值插补模块:对原始血压数据中缺失的值进行检测,并按照相应方法进行插补。
特征提取模块,使用针对先期开发的针对OSAHS血压特点的特征提取算法,实现对动态血压新特征的提取工作。包括4个子模块,分别是①定义特征规则模块:通过调整特征提取算法的超参数进行规则修改,使得特征提取更全面;②提取算法选择模块:可选择一般特征提取算法(统计描述特征)、自定义特征提取算法(新特征),分别实现不同类型特征的提取;③提取特征模块:批量载入数据准备模块处理后的血压数据,并进行特征提取,保存特征数据至文件;④特征预处理模块:对所提取的特征进行预处理,包括异常值处理、缺失值插补等,做好数据分析的准备。
探索性分析模块,实现对特征数据的统计分析功能。包括3个子模块:①统计推断分析:对特征指标进行统计描述,并对分组特征进行假设检验,描述差异性情况以及统计显著性等;②结果可视化:以统计图、统计表的形式对1中的数据进行可视化,直观展示统计分析的结果,为建模分型做准备;③结果解释模块:对有统计学差异的特征进行解释,给出统计学差异与临床意义之间的关联;对无统计学差异但又较为关注的特征分析其无差异的可能原因。
建模分析模块:使用机器学习方法对提取的特征数据进行分析,以是否为OSAHS患者作二分类问题分析,选择相应的模型进行训练、测试和评估,并得出相应结论。包括8个子模块:①数据集分割:将数据划分为训练集、验证集和测试集合,确定划分比例;②模型选择:选择合适的机器学习模型,医学研究一般使用Logistic回归模型,本系统设计默认使用该模型,但也可提供其他模型供用户使用;③特征选择:使用模型对所提取特征进行选择,本系统默认使用递归特征选择与用户指定相结合的方法;④训练模型:使用训练集训练模型,使用验证集进行超参数调整,以获得更好的模型,本系统采用K折交叉验证的方法实现;⑤测试模型:将测试集输入已训练好的模型,得到测试结果;⑥评估模型:评估原则是模型在验证集和测试集均有较好表现,既要防止过拟合问题,又要保证模型的泛化性能;⑦结果可视化:使用可视化的方法观察模型结果,混淆矩阵、精确率/召回率曲线(P-R curve)以及受试者工作特性曲线(ROC curve)被用于观察模型性能;⑧结果解释:评价总体分类情况,对误分类原因进行分析,决定是否有改进模型的必要。
模型持久化模块,用于更新模型数据集,更新模型参数。包括4个子模块:①保存模型参数:对已训练好的模型参数(包括已调优的超参数)进行保存;②保存训练数据集:对获得良好模型的数据集进行保存,以便后期更新模型;③更新训练数据集:该模块帮助用户扩大训练数据集;④更新模型参数:该模块帮助用户在更新后的数据集上重新训练模型并保存。
临床应用模块,用于单个输入病例的数据分析,在已训练好的模型上预测分析单个病例患OSAHS疾病的风险大小。包括5个子模块:①加载模型:载入已训练好的模型,准备疾病风险预测;②选择病例数据:选择需要评估预测的病例数据;③输入模型:将病例数据输入模型进行分析计算;④显示模型分析结果:模型分析后将给出OSAHS风险(概率,默认阈值为0.5),大于0.5为高风险,提示较大可能患OSAHS,小于0.5为低风险,提示较大可能未患OSAHS;⑤得出疾病诊疗结论:在风险大小基础上,综合患者人口学特征(性别、年龄、身高、体重等)、主诉、病史等因素,为患者给出可能性诊断结果,或建议患者行进一步检查以确诊OSAHS。
方法的效果
数据介绍:本发明所使用的验证数据集来自Physionet网站,为公开数据,总数为249例,其中经PSG确诊的OSAHS患者115例,随机匹配非OSA患者134例,将上述数据分成两组,OSAHS组(病例组)由115例OSAHS患者组成,非OSAHS组(对照组)由134例患者组成。
数据分析的基本流程:按照图7所示的识别系统设计给出的示意图进行,初次使用时,从数据准备模块至临床应用模块,逐个模块执行,直至系统给出训练好的模型,并能给出单个病例患OSAHS风险大小为止;模型训练好以后,用户将主要使用“数据准备——特征提取——临床应用”三个模块即能实现疾病风险评估预测。
本系统使用的原始血压数据格式如图8所示,文件为awp格式,其为24小时动态血压监测(Ambulatory Blood Pressure Monitoring,ABPM)数据。
经数据准备模块处理后的血压数据格式如图9所示,文件为csv格式。其中,Num为编号;TestPoint为采集时间点,单位为分钟;SBP为收缩压;DBP为舒张压;MBP为平均压;PPD为脉压差;PHR为心率。
举例说明
经特征提取模块处理后的特征数据如图6所示。经模型持久化模块处理后,保存了模型参数,以Logistic回归为例,其系数如图13所示。图10显示了某病例的特征提取计算图。
图13中,1)日均舒张压、2)夜均收缩压、3)夜均舒张压、7)血压节律形态、8)24h收缩压负荷、9)24h舒张压负荷、10)日间收缩压负荷、11)日间舒张压负荷,为现有生理参数指标。4)夜间收缩压下降率、5)夜间舒张压下降率、6)夜间平均压下降率通过(11)夜间血压下降斜率得到;12)夜间收缩压上面积由(6)夜间血压基线上面积得到;13)夜间收缩压下面积由(7)夜间血压基线下面积得到;14)夜间收缩压上升最大高度由(2)夜间血压上升最大高度得到;15)夜间收缩压下降最大深度由(9)夜间血压下降最大深度得到;16)夜间收缩压T2持续时间由(12)夜间血压二次上升持续时间得到;17)夜间收缩压K1斜率由(4)夜间血压上升斜率或(11)夜间血压下降斜率得到;18)夜间收缩压波动由(5)夜间血压波动频次或(14)夜间血压波动频次得到;19)夜间收缩压H1高度由(1)夜间血压上升有效高度或(8)夜间血压下降有效高度得到;20)夜间舒张压上面积由(6)夜间血压基线上面积得到;21)夜间舒张压下面积由(7)夜间血压基线下面积得到;22)夜间舒张压上升最大高度由(2)夜间血压上升最大高度得到;23)夜间舒张压下降最大深度由(9)夜间血压下降最大深度得到;24)夜间舒张压K1斜率由(4)夜间血压上升斜率或(11)夜间血压下降斜率得到;25)夜间舒张压波动由(5)夜间血压波动频次或(14)夜间血压波动频次得到;26)夜间舒张压H1高度由(1)夜间血压上升有效高度或(8)夜间血压下降有效高度得到;27)夜间平均压上面积由(6)夜间血压基线上面积得到;28)夜间平均压下面积由(7)夜间血压基线下面积得到;29)夜间平均压上升最大高度由(2)夜间血压上升最大高度得到;30)夜间平均压下降最大深度由(9)夜间血压下降最大深度得到;31)夜间平均压波动由(5)夜间血压波动频次或(14)夜间血压波动频次得到;32)夜间平均压H1高度由(1)夜间血压上升有效高度或(8)夜间血压下降有效高度得到;33)早晨收缩压上面积由(20)晨峰血压基线上面积得到;34)早晨收缩压上升时间由(16)晨峰血压上升持续时间得到;35)早晨收缩压上升最大高度由(15)晨峰血压上升最大高度得到;36)早晨舒张压上面积由(20)晨峰血压基线上面积得到;37)早晨舒张压上升最大高度由(15)晨峰血压上升最大高度得到;38)早晨平均压上面积由(20)晨峰血压基线上面积得到;39)早晨平均压上升最大高度由(15)晨峰血压上升最大高度得到;40)归一化的夜间收缩压T2持续时间由(12)夜间血压二次上升持续时间归一化后得到。
经建模分析模块处理后的模型测试情况,选择Logistic回归模型,图11给出混淆矩阵,0-非OSAHS组,1-OSAHS组,模型预测准确率为84.09%,精确率为94.7%,召回率为75%,F1得分为83.7%;图12a显示受试者工作特性曲线(ROC),曲线下面积AUC=0.85;图12b显示精确率/召回率曲线(P-R),曲线下面积AP=0.91。
经上述模块处理后,该OSAHS风险识别系统已具备评估单个病例患病风险的功能,随机选择1名未在系统中使用的患者的数据执行临床应用模块,得出该病例患OSAHS的风险评分小于0.5,提示其为OSAHS患者,该病例实际经PSG已确诊OSAHS,说明该系统提示的患病风险具有与实际诊断一致的结果。
除非另有定义,本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的,而非限制性的。
虽然已结合具体实施方式对本发明进行了描述,在本申请的发明主旨下,本领域的技术人员可以进行适当的替换、修改和变化,这种替换、修改和变化仍属于本申请的保护范围。
Claims (10)
1.一种针对OSAHS的动态血压特征提取方法,其包括:
自受试者的24小时动态血压监测数据中提取:夜间血压上升有效高度、夜间血压上升最大高度、夜间血压上升持续时间、夜间血压上升斜率、夜间血压波动频次、夜间血压基线上面积、夜间血压基线下面积、夜间血压下降有效高度、夜间血压下降最大深度、夜间血压下降持续时间、夜间血压下降斜率、夜间血压二次上升持续时间、夜间血压二次上升斜率、夜间血压波动频次、晨峰血压上升最大高度、晨峰血压上升持续时间、晨峰血压上升斜率、晨峰血压下降持续时间、晨峰血压下降斜率、晨峰血压基线上面积中的至少一些。
2.根据权利要求1所述的动态血压特征提取方法,其特征在于:
夜间血压上升有效高度Hn为第1个高于基线血压的值,Hn=H(t)-Vn,H(t)表示24小时动态血压监测数据的动态血压曲线函数,Vn为夜间血压基线;
夜间血压上升最大高度Hmax为夜间血压超过基线的最大值。
3.根据权利要求2所述的动态血压特征提取方法,其特征在于:
夜间血压上升持续时间T1n为从基线上升至夜间血压上升有效高度所用的时间;
夜间血压上升斜率UpSlopen为夜间血压上升有效高度与夜间血压上升持续时间的比值。
4.根据权利要求3所述的动态血压特征提取方法,其特征在于:
夜间血压波动频次为基线以上血压值个数;
夜间血压基线上面积Sup为24小时动态血压监测数据的血压曲线大于夜间血压基线的部分在该段时间内的积分;
夜间血压基线下面积Sdn为24小时动态血压监测数据的血压曲线小于夜间血压基线的部分在该段时间内的积分。
5.根据权利要求4所述的动态血压特征提取方法,其特征在于:
夜间血压下降有效高度H′n为第1个低于基线血压的值,H′n=|H(t)-Vn|;
夜间血压下降最大深度Hdip为夜间血压低于基线的最大值;
夜间血压下降持续时间T′1n为从基线下降至夜间血压下降有效高度所用的时间。
6.根据权利要求5所述的动态血压特征提取方法,其特征在于:
夜间血压下降斜率DnSlopen1为夜间血压下降有效高度与夜间血压下降持续时间比值的相反数;
夜间血压二次上升持续时间T′2n为从-H′n上升至-Hx所用的时间,其中Hx≥-H′n+10。
7.根据权利要求6所述的动态血压特征提取方法,其特征在于:
夜间血压二次上升斜率UpSlopen2=H′n/T′2n;
夜间血压波动频次为临时基线以上且高于血压上升的有效阈值的血压值的个数,第1个有效下降H′n点作为临时基线。
8.根据权利要求7所述的动态血压特征提取方法,其特征在于:
晨峰血压上升最大高度Hm为晨峰血压超过基线的最大值;
晨峰血压上升持续时间T1m为从基线上升至晨峰血压上升最大高度所用的时间。
9.根据权利要求8所述的动态血压特征提取方法,其特征在于:
晨峰血压上升斜率UpSlopem为晨峰血压上升最大高度与晨峰血压上升持续时间的比值;
晨峰血压下降持续时间T2m为从晨峰血压上升最大高度降至基线或预定下降高度所用的时间。
10.根据权利要求9所述的动态血压特征提取方法,其特征在于:
晨峰血压下降斜率DnSlopem为晨峰下降高度与晨峰血压下降持续时间比值的相反数;
晨峰血压基线上面积Smup为24小时动态血压监测数据的血压曲线大于晨峰血压基线的部分在该段时间内的积分。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020104539083 | 2020-05-26 | ||
CN202010453908 | 2020-05-26 | ||
CN202010454587 | 2020-05-26 | ||
CN2020104545879 | 2020-05-26 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113180610A true CN113180610A (zh) | 2021-07-30 |
Family
ID=76984889
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110563785.3A Active CN113409941B (zh) | 2020-05-26 | 2021-05-24 | Osahs识别方法、模型、模型建立方法、及装置 |
CN202110564374.6A Pending CN113180610A (zh) | 2020-05-26 | 2021-05-24 | 针对osahs的动态血压特征提取方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110563785.3A Active CN113409941B (zh) | 2020-05-26 | 2021-05-24 | Osahs识别方法、模型、模型建立方法、及装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113409941B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409941A (zh) * | 2020-05-26 | 2021-09-17 | 孙书军 | Osahs识别方法、模型、模型建立方法、及装置 |
CN114271801A (zh) * | 2021-12-03 | 2022-04-05 | 成都泰盟软件有限公司 | 一种移动端人体连续血压监测装置及方法 |
CN114358095A (zh) * | 2022-03-18 | 2022-04-15 | 深圳市帝迈生物技术有限公司 | 一种脉冲信号的筛选方法及相关装置 |
WO2023223209A1 (en) * | 2022-05-16 | 2023-11-23 | Aktiia Sa | Apparatus for determining a cardiovascular risk score of a user |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4664126A (en) * | 1984-12-21 | 1987-05-12 | Baxter Travenol Laboratories, Inc. | Techniques for obtaining information associated with an individual's blood pressure including specifically a stat mode technique |
US20030060721A1 (en) * | 2001-08-27 | 2003-03-27 | Fumio Nakazawa | Electronic blood pressure monitor and blood pressure data processing system |
CN104188639A (zh) * | 2014-09-10 | 2014-12-10 | 朱宇东 | 一种动态血压连续监测和实时分析系统 |
US20190298195A1 (en) * | 2018-03-30 | 2019-10-03 | Koninklijke Philips N.V. | System and method for non-invasive determination of blood pressure dip based on trained prediction models |
CN110418601A (zh) * | 2017-03-14 | 2019-11-05 | 欧姆龙健康医疗事业株式会社 | 血压数据处理装置、血压数据处理方法以及程序 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7309314B2 (en) * | 2003-09-23 | 2007-12-18 | U.S. Department Of Veterans Affairs | Method for predicting apnea-hypopnea index from overnight pulse oximetry readings |
CN113409941B (zh) * | 2020-05-26 | 2024-06-28 | 孙书军 | Osahs识别方法、模型、模型建立方法、及装置 |
-
2021
- 2021-05-24 CN CN202110563785.3A patent/CN113409941B/zh active Active
- 2021-05-24 CN CN202110564374.6A patent/CN113180610A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4664126A (en) * | 1984-12-21 | 1987-05-12 | Baxter Travenol Laboratories, Inc. | Techniques for obtaining information associated with an individual's blood pressure including specifically a stat mode technique |
US20030060721A1 (en) * | 2001-08-27 | 2003-03-27 | Fumio Nakazawa | Electronic blood pressure monitor and blood pressure data processing system |
CN104188639A (zh) * | 2014-09-10 | 2014-12-10 | 朱宇东 | 一种动态血压连续监测和实时分析系统 |
CN110418601A (zh) * | 2017-03-14 | 2019-11-05 | 欧姆龙健康医疗事业株式会社 | 血压数据处理装置、血压数据处理方法以及程序 |
US20190298195A1 (en) * | 2018-03-30 | 2019-10-03 | Koninklijke Philips N.V. | System and method for non-invasive determination of blood pressure dip based on trained prediction models |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409941A (zh) * | 2020-05-26 | 2021-09-17 | 孙书军 | Osahs识别方法、模型、模型建立方法、及装置 |
CN113409941B (zh) * | 2020-05-26 | 2024-06-28 | 孙书军 | Osahs识别方法、模型、模型建立方法、及装置 |
CN114271801A (zh) * | 2021-12-03 | 2022-04-05 | 成都泰盟软件有限公司 | 一种移动端人体连续血压监测装置及方法 |
CN114358095A (zh) * | 2022-03-18 | 2022-04-15 | 深圳市帝迈生物技术有限公司 | 一种脉冲信号的筛选方法及相关装置 |
WO2023223209A1 (en) * | 2022-05-16 | 2023-11-23 | Aktiia Sa | Apparatus for determining a cardiovascular risk score of a user |
Also Published As
Publication number | Publication date |
---|---|
CN113409941B (zh) | 2024-06-28 |
CN113409941A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113180610A (zh) | 针对osahs的动态血压特征提取方法 | |
Al-Angari et al. | Use of sample entropy approach to study heart rate variability in obstructive sleep apnea syndrome | |
Deviaene et al. | Automatic screening of sleep apnea patients based on the spo 2 signal | |
US9357953B2 (en) | System and method for diagnosing sleep apnea | |
AU2010239127B2 (en) | Discrimination of Cheyne -Stokes breathing patterns by use of oximetry signals | |
US20120330565A1 (en) | System and method for evaluating physiological parameter data | |
JP7104076B2 (ja) | 睡眠統計を決定する方法及び装置 | |
CN113243890B (zh) | 睡眠呼吸暂停综合症识别装置 | |
AU2018285950A1 (en) | Mental state indicator | |
CN111685774B (zh) | 基于概率集成回归模型的osahs诊断方法 | |
WO2021184802A1 (zh) | 一种血压分类预测方法和装置 | |
TWM593240U (zh) | 基於單極導程心電圖的呼吸暫停的偵測裝置 | |
CN116098602A (zh) | 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置 | |
WO2019075520A1 (en) | INDICATOR OF RESPIRATORY CONDITION | |
Ghaemmaghami et al. | Normal probability testing of snore signals for diagnosis of obstructive sleep apnea | |
Twomey et al. | Automated detection of perturbed cardiac physiology during oral food allergen challenge in children | |
US20090138252A1 (en) | Method and system of evaluating disease severity | |
Wang et al. | Sleep Apnea Prediction Using Deep Learning | |
TWI748281B (zh) | 基於單極導程心電圖的呼吸暫停的偵測方法 | |
US20230320655A1 (en) | Systems and Methods for Using Triaxial Accelerometer Data for Sleep Monitoring | |
Reddy | An Efficient Method to Detect Sleep Apnea | |
Bhongade et al. | 1D Convolutional Neural Network for Obstructive Sleep Apnea Detection | |
TWI733247B (zh) | 阻塞性睡眠呼吸暫停症狀的偵測裝置和偵測方法 | |
Ravelo-García et al. | Application of RR series and oximetry to a statistical classifier for the detection of sleep apnoea/hypopnoea | |
WO2022183999A1 (en) | Evaluation of sleep data |
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 |