CN114190949B - 生理状态评估方法与生理状态评估装置 - Google Patents

生理状态评估方法与生理状态评估装置 Download PDF

Info

Publication number
CN114190949B
CN114190949B CN202110245934.1A CN202110245934A CN114190949B CN 114190949 B CN114190949 B CN 114190949B CN 202110245934 A CN202110245934 A CN 202110245934A CN 114190949 B CN114190949 B CN 114190949B
Authority
CN
China
Prior art keywords
data
physiological
model
user
processor
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.)
Active
Application number
CN202110245934.1A
Other languages
English (en)
Other versions
CN114190949A (zh
Inventor
李俊贤
蔡宗宪
陈骏宏
王维庭
李颖灏
郑浩民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Acer Intelligent Medical Co ltd
Acer Inc
Original Assignee
Acer Intelligent Medical Co ltd
Acer Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Acer Intelligent Medical Co ltd, Acer Inc filed Critical Acer Intelligent Medical Co ltd
Publication of CN114190949A publication Critical patent/CN114190949A/zh
Application granted granted Critical
Publication of CN114190949B publication Critical patent/CN114190949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • 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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)
  • Electrotherapy Devices (AREA)

Abstract

本发明提供一种生理状态评估方法与生理状态评估装置。所述方法包括：通过心电图检测装置获得用户的原始心电图数据；将所述原始心电图数据转换为数字整合数据；根据所述数字整合数据获得多个生理特征参数；通过至少一过滤模型从所述多个生理特征参数中过滤至少一显著特征参数，其中所述至少一显著特征参数在所述至少一过滤模型的决策过程中的决策重要性高于门槛值；根据所述至少一显著特征参数建立预测模型；以及通过所述预测模型评估所述用户的生理状态。因此，可提升对用户的生理状态评估效率。

Description

生理状态评估方法与生理状态评估装置
技术领域
本发明涉及一种生理状态评估技术，尤其涉及一种生理状态评估方法与生理状态评估装置。
背景技术
传统的心电图检测必须由医生来对心电图检测装置输出的心电图数据进行判读。搭配病患的血压测量，医生可根据心电图数据与血压测量结果来确定患者是否存在心血管方面的问题。然而，针对不同的患者测得的心电图数据及血压测量结果有成千上万种组合，不同的医生根据相同的心电图数据及血压测量结果也可能会有不同的诊断结果。因此，实务上往往造成患者在心血管方面的诊断错误。
发明内容
本发明提供一种生理状态评估方法与生理状态评估装置，可提升对用户的生理状态评估效率。
本发明的实施例提供一种生理状态评估方法，其包括：通过心电图检测装置获得用户的原始心电图数据；将所述原始心电图数据转换为数字整合数据；根据所述数字整合数据获得多个生理特征参数；通过至少一过滤模型从所述多个生理特征参数中过滤至少一显著特征参数，其中所述至少一显著特征参数在所述至少一过滤模型的决策过程中的决策重要性高于门槛值；根据所述至少一显著特征参数建立预测模型；以及通过所述预测模型评估所述用户的生理状态。
本发明的实施例另提供一种生理状态评估装置，其包括存储电路与处理器。所述存储电路用以存储通过心电图检测装置获得的用户的原始心电图数据。所述处理器连接至所述存储电路。其中所述处理器用以将所述原始心电图数据转换为数字整合数据。所述处理器还用以根据所述数字整合数据获得多个生理特征参数。所述处理器还用以通过至少一过滤模型从所述多个生理特征参数中过滤至少一显著特征参数，其中所述至少一显著特征参数在所述至少一过滤模型的决策过程中的决策重要性高于门槛值。所述处理器还用以根据所述至少一显著特征参数建立预测模型。所述处理器还用以通过所述预测模型评估所述用户的生理状态。
基于上述，在通过心电图检测装置获得用户的原始心电图数据后，所述原始心电图数据可被转换为数字整合数据。根据所述数字整合数据，多个生理特征参数可被获得。接着，至少一过滤模型可用以从所述多个生理特征参数中过滤至少一显著特征参数。特别是，所述显著特征参数在所述过滤模型的决策过程中的决策重要性高于门槛值。接着，一或多个预测模型可根据所述显著特征参数而被建立。尔后，所述预测模型可用以评估用户的生理状态。
附图说明
图1是根据本发明的一实施例所示出的生理状态评估系统的示意图；
图2是根据本发明的一实施例所示出的心电图检测装置检测用户的心血管状态的示意图；
图3与图4是根据本发明的一实施例所示出的原始心电图数据的示意图；
图5与图6是根据本发明的一实施例所示出的文字数据的示意图；
图7是根据本发明的一实施例所示出的生理状态评估方法的流程图；
图8是根据本发明的一实施例所示出的生理状态评估方法的流程图；
图9是根据本发明的一实施例所示出的生理状态评估方法的流程图；
图10是根据本发明的一实施例所示出的生理状态评估方法的流程图。
具体实施方式
现将详细地参考本发明的示范性实施例，示范性实施例的实例说明于附图中。只要有可能，相同元件符号在附图和描述中用来表示相同或相似部分。
图1是根据本发明的一实施例所示出的生理状态评估系统的示意图。请参照图1，生理状态评估系统10包括心电图检测装置11与生理状态评估装置12。
心电图检测装置11可用以检测用户在运动状态下与非运动状态下的心血管状态并产生对应于此用户的心电图数据(亦称为原始心电图数据)。例如，此原始心电图数据可包括运动心电图测量数据。运动心电图测量数据可反映用户在运动状态下的心血管状态，例如血压和/或心率等。此外，由心电图检测装置11产生的原始心电图数据是以可移植文档格式(Portable Document Format,PDF)的文件格式或图像文件的格式输出。
图2是根据本发明的一实施例所示出的心电图检测装置检测用户的心血管状态的示意图。请参照图2，在一实施例中，用户可以使用跑步机21等运动器材来运动。例如，用户可以在跑步机21上走或跑，以处于运动状态。当用户处于运动状态时，心电图检测装置11可通过心率传感器22与血压传感器23来分别检测用户在运动状态下的心率与血压等心血管状态。根据检测结果，心电图检测装置11可输出对应于此用户的原始心电图数据。例如，心电图检测装置11可将心率传感器22与血压传感器23所测量到的信号转换为原始心电图数据中的文字或图像并将其输出。
回到图1，生理状态评估装置12连接至心电图检测装置11。生理状态评估装置12可根据心电图检测装置11产生的原始心电图数据评估用户的生理状态。例如，此生理状态可反映用户的心血管健康状态和/或用户罹患特定心血管疾病的风险或机率等。在一实施例中，若进一步参照用户的个人数据(例如年龄、身高、体重和/或性别等)和/或其他类型的检测数据(例如血液检测数据和/或尿液检测数据等)，此生理状态也可反映此用户其他面向的生理状态，例如用户的整体健康状态和/或用户罹患特定器官(例如肝、肾等)的疾病的风险或机率等。
生理状态评估装置12包括存储电路121与处理器122。存储电路121可包括易失性存储电路与非易失性存储电路。易失性存储电路用以易失性地暂存数据。例如，易失性存储电路可包括随机存储器(Random Access Memory,RAM)。非易失性存储电路用以非易失性地存储数据。例如，非易失性存储电路可包括固态硬盘(Solid State Drive,SSD)和/或传统硬盘(Hard Disk Drive,HDD)。心电图检测装置11产生的原始心电图数据可存储于存储电路121。
处理器122连接至存储电路121。处理器122可负责生理状态评估装置12的整体或部分操作。例如，处理器122可包括中央处理单元(CPU)、或是其他可编程的一般用途或特殊用途的微处理器、数字信号处理器(Digital Signal Processor,DSP)、可编程控制器、专用集成电路(Application Specific Integrated Circuits,ASIC)、可编程逻辑器件(Programmable Logic Device,PLD)或其他类似装置或这些装置的组合。处理器122可存取存储电路121中的原始心电图数据并根据所述原始心电图数据评估用户的生理状态。
在一实施例中，生理状态评估装置12还可包括各式输入/输出界面装置，例如鼠标、键盘、屏幕、网络界面卡和/或电源供应电路等，本发明不加以限制。此外，生理状态评估装置12可实作为台式计算机、平板计算机、笔记本计算机、工业计算机或服务器等各式计算机装置，本发明不加以限制。
在获得原始心电图数据后，处理器122可将原始心电图数据转换为数字整合数据。例如，处理器122可从原始心电图数据中获取所需的信息并整合此些信息以产生数字整合数据。此数字整合数据可以计算机可读的文字形式记载与用户的生理特征有关的描述数据，例如用户的血压、心率、年龄和/或体重等。
在一实施例中，处理器122可将原始心电图数据转换为文字数据。例如，假设原始心电图数据的文件格式为PDF或某种图像文件的文件格式，则数字整合数据的文件格式可为逗号分隔值(Comma-Separated Values,CSV)或文字文件(TXT)等。处理器122可根据默认规则从此文字数据中获取与用户的生理特征有关的描述数据。处理器122可根据所获取的描述数据产生所述数字整合数据。
图3与图4是根据本发明的一实施例所示出的原始心电图数据的示意图。图5与图6是根据本发明的一实施例所示出的文字数据的示意图。请参照图3至图6，原始心电图数据可包括PDF文件31与41。PDF文件31与41呈现了某一用户的年龄、性别、血压、心率及测量时间等信息。处理器122可通过图像识别等图文转换技术从PDF文件31与41中获取所需的信息并根据所获取的信息产生文字数据。例如，所产生的文字数据包括图5与图6中的文字文件51与61。文字文件51与61分别以文字的形式反映PDF文件31与41中相关的文字内容。
在一实施例中，处理器122可检测文字数据中的至少一关键字并获取对应于所述关键字的描述数据(亦称为第一描述数据)。以图5为例，处理器122可检测文字文件51中的关键字“yrs”、“Max BP”及“Max ST Level”并获得此些关键字所分别对应的第一描述数据。所获取的第一描述数据可记载如下表1所示。其他有用的描述数据也可通过上述关键字检测的方式从文字数据中获取出来。
表1
关键字 yrs Max BP Max ST Level
描述数据 54 174/75 -2.40
在一实施例中，处理器122可根据默认栏位格式获取文字数据中的描述数据(亦称为第二描述数据)。以图5为例，处理器122可根据“Phase Name”、“Stage Name”及“Time inStage”等不同数据栏位的默认字符长度，从文字文件51中获取出相应的第二描述数据。所获取的第二描述数据可记载如下表2所示。其他有用的描述数据也可通过上述默认栏位格式检测的方式从文字数据中获取出来。
表2
Phase Name Stage Name Time in Stage
PRETEST SUPINE 00:22
空白 空白 00:24
EXERCISE STAGE 1 03:00
空白 STAGE 2 03:00
空白 STAGE 3 03:00
空白 STAGE 4 01:44
在一实施例中，处理器122可检测文字数据中的空白数据区域并获取记录在所述空白数据区域后的描述数据(亦称为第三描述数据)。以图6为例，处理器122可根据文字文件51中非规律出现的空白数据区域，获取记录在所述空白数据区域后的第三描述数据。所获取的第三描述数据可记载如下表3所示。其他有用的描述数据也可通过上述空白数据区域检测的方式从文字数据中获取出来。
表3
EXERCISE EXERCISE EXERCISE EXERCISE
STAGE 1 STAGE 1 STAGE 1 STAGE 1
1:56 2:01 2:06 2:11
92 92 92 94
空白 空白 空白 132/76
4.4 4.6 4.6 4.6
在一实施例中，处理器122可根据所获取的描述数据产生如下表4和/或下表5所示的数字整合数据。例如，表4的数字整合数据记载了多个用户的“年龄(Age)”、“Max BP”及“Max ST Level”等生理特征参数。表5的数字整合数据记载了编号为“1”的用户在不同测量时间与不同测试阶段下测得的血压、心率及ST段差等生理特征参数。其中，测验前与恢复期是指用户处于非运动状态，而测验中是指用户处于运动状态。此外，其他有用的信息也可记载于所述数字整合数据中。
表4
用户ID Age Max BP Max ST Level
100001 54 174/75 -2.40
… … … …
100100 68 155/66 -0.22
表5
用户 收缩压 舒张压 心率 ST段差 测量时间 测试阶段
1 138 79 70 0.02 11:10 测验前
1 144 79 71 0.15 11:12 测验前
1 147 99 74 0.23 11:14 测验中
1 148 100 76 0.10 11:16 测验中
1 150 75 89 0.08 11:18 测验中
1 155 81 91 0.06 11:20 测验中
1 156 76 100 -0.07 11:22 测验中
1 160 76 155 -0.03 11:23 测验中
1 127 85 79 -0.04 11:24 恢复期
1 140 80 76 0.06 11:25 恢复期
1 139 76 75 0.17 11:30 恢复期
在一实施例中，处理器122可获得默认数据在所获取的描述数据中的出现次数。然后，处理器122可根据此出现次数验证所述数字整合数据是否为有效数据。例如，处理器122可统计至少一关键字各别在原始心电图数据(或文字数据)与所获取的描述数据中的出现次数。若此些关键字在原始心电图数据与所获取的描述数据中的出现次数之间的差异不大(例如不大于一差异门槛值)，则处理器122可判定所述数字整合数据为有效数据。然而，若此些关键字在原始心电图数据与所获取的描述数据中的出现次数之间的差异较大(例如大于差异门槛值)，则处理器122可判定所述数字整合数据非为有效数据。若判定所述数字整合数据非为有效数据，则处理器122可重新执行上述将原始心电图数据转换为数字整合数据的操作和/或执行其他错误处理操作，在此不重复赘述。
以图3与图4为例，默认数据可以是指特定的关键字，例如“Tabular Summary”、“Sample Card.Cycles”、“Phase Name”及“EXERCISE”。此些关键字在原始心电图数据(或文字数据)与所获取的描述数据中的出现次数可记载如下表6所示。
表6
关键字 原始心电图数据中的出现次数 数字整合数据中的出现次数
Tabular Summary 1 1
Sample Card.Cycles 1 1
Phase Name 5 4
EXERCISE 20 19
处理器122可根据表6计算一个用来表示差异度的参数D。例如，D＝((1-1)+(1-1)+(5-4)+(20-19))/4＝0.5。若参数D不大于差异门槛值X(例如2)，处理器122可判定所产生的数字整合数据为有效数据。或者，若参数D大于差异门槛值X(例如2)，则处理器122可判定所产生的数字整合数据非为有效数据。
在一实施例中，处理器122可根据数字整合数据(例如判定为有效数据的数字整合数据)获得多个生理特征参数。例如，所述生理特征参数包括时间相关特征参数与逻辑相关特征参数。所述时间相关特征参数反映用户在多个时间点所测得的生理特征。所述逻辑相关特征参数反映用户的符合特定逻辑条件的生理特征。以表5为例，时间相关特征参数可包括用户在不同时间点和/或不同测验阶段下测得的收缩压、舒张压、心率及ST段差等生理特征参数。此外，逻辑相关特征参数则可包括对单一测验阶段或跨测验阶段中的生理特征参数进行逻辑分析所产生的特征参数。
在一实施例中，搭配表5，逻辑相关特征参数可包括测验前的最大收缩压(例如144)、测验中的心率平均值(例如97.5)、最大心率比(例如155(即测验中的最大心率)/170(即预期心率220-年龄)＝91.2％)、最大收缩压(例如160)、最大ST段差(例如0.23)、测验前与测验中心率最大递降斜率(例如1-(155/70)＝-1.21)和/或测验前与测验中心率差异最大的时间差(例如13分钟)。须注意的是，上述时间相关特征参数与逻辑相关特征参数皆为范例，实务上还可以调整所采用的时间相关特征参数和/或逻辑相关特征参数。
在获得所述多个生理特征参数后，处理器122可通过至少一过滤模型从所述多个生理特征参数中过滤至少一显著特征参数。所述过滤模型可存储于存储电路121中。例如，所述过滤模型可包括支持向量机(Support Vector Machine,SVM)模型、单类(One Class)SVM模型、随机森林(Random Forest)模型及逻辑(Logistic)分类模型的至少其中之一，且过滤模型的类型不限于此。
须注意的是，所述显著特征参数在所述至少一过滤模型的决策过程中的决策重要性高于门槛值。换言之，在所述至少一过滤模型的决策过程中，所述显著特征参数对于决策过程的重要性和/或影响力将普遍高于其余生理特征参数的重要性和/或影响力。
在一实施例中，处理器122可将所获得的多个生理特征参数输入所述至少一过滤模型进行处理。然后，处理器122可根据所述多个生理特征参数中的特定生理特征参数(亦称为第一生理特征参数)在所述至少一过滤模型的决策过程中的参与度，决定对应于第一生理特征参数的重要性评估值。若此重要性评估值大于一评估门槛值，处理器122可将第一生理特征参数决定为所述显著特征参数的其中之一。
在一实施例中，处理器122可将多个生理特征参数P1～P5是否在3个过滤模型M1～M3的重复2次的决策过程中被选择做为决策重要性较高(例如高于门槛值)的生理特征参数的结果记载于下表7。例如，根据表7，生理特征参数P1在过滤模型M1～M3的重复2次的决策过程中都有被选择做为决策重要性较高的生理特征参数，而生理特征参数P2在过滤模型M1～M3的重复2次的决策过程中仅在过滤模型M1与M2的第一次决策过程中有被选择做为决策重要性较高的生理特征参数，依此类推。
表7
Figure GDA0004158163550000081
在一实施例中，处理器122可根据表7的信息，将生理特征参数P1～P5分别被过滤模型M1～M3选中的次数与机率以及所产生的重要性评估值记录于下表8。以生理特征参数P1为例，生理特征参数P1的重要性评估值可根据((1×1/3)+(1×1/3)+(1×1/3)＝1)而获得，而生理特征参数P2的重要性评估值可根据((0.5×1/3)+(0.5×1/3)+(0×1/3)＝1/3)而获得，以此类推。假设评估门槛值为“1/5”，则处理器122可将重要性评估值大于“1/5”的生理特征参数P1～P3及P5决定为显著特征参数。
表8
Figure GDA0004158163550000091
在决定显著特征参数后，处理器122可根据所述显著特征参数建立至少一个预测模型。尔后，处理器122可通过所建立的预测模型来评估用户的生理状态。
在一实施例中，处理器122可将所述显著特征参数输入至少一候选模型进行处理。所述候选模型可存储于存储电路121中。例如，所述候选模型可包括长短时记忆(LongShort Term Memory,LSTM)模型、SVM模型、One Class SVM模型、Random Forest模型及Logistic分类模型的至少其中之一，且候选模型的类型不限于此。根据处理结果，处理器122可将所述至少一候选模型的预测准确度与一准确度门槛值进行比较。若所述至少一候选模型中的某一候选模型(亦称为第一候选模型)的预测准确度(亦称为第一预测准确度)高于准确度门槛值，处理器122可将第一候选模型决定为所欲建立的预测模型。
在一实施例中，所述预测准确度是以敏感性(sensitivity)、特异度(specificity)、阳性预测值(Positive predictive value,PPV)、阴性预测值(Negativepredictive value,NPV)、阳性似然比(Positive likelihood ratio,LR+)及阴性似然比(Negative likelihood ratio,LR-)的至少其中之一来表示。
换言之，根据不同的候选模型使用显著特征参数执行预测的预测结果，处理器122可获得不同的候选模型使用显著特征参数执行预测的预测准确度。在一实施例中，假设以LR+作为预测准确度的表示类型，则某一候选模型(例如Random Forest模型)使用显著特征参数的预测准确度可表示为数值“1.65”，而另一候选模型(例如LSTM模型)使用相同的显著特征参数的预测准确度可表示为数值“2.75”。在此实施例中，LSTM模型的预测准确度大于Random Forest模型的预测准确度，因此，处理器122可根据LSTM模型来建立最终使用的预测模型。
在一实施例中，处理器122可根据传统上使用的Treadmill评分方法来设定准确度门槛值。例如，所述Treadmill评分方法可直接分析原始心电图数据并产生相应的LR+分数。实务上，医生可根据此LR+分数来评估当前使用的一个默认模型的好坏。或者，医生也可根据此LR+分数来评估是否需要对病患执行手术。假设以传统的Treadmill评分方法所获得的LR+分数为“2.70”，则准确度门槛值可设定为“2.70”。在一实施例中，Random Forest模型的预测准确度(例如“1.65”)不大于此准确度门槛值，但LSTM模型的预测准确度(例如“2.75”)大于此准确度门槛值，故处理器122可根据LSTM模型来建立最终使用的预测模型。此外，所述准确度门槛值也可根据其他机制进行设定，本发明不加以限制。
在一实施例中，处理器122可将多个候选模型使用显著特征参数执行预测的预测准确度进行交互比较，和/或将多个候选模型使用显著特征参数执行预测的预测准确度与单一个准确度门槛值进行比较，本发明不加以限制，只要可以根据所设定的比较规则来从所述多个候选模型中选择至少其中之一并根据所选择的候选模型建立最终使用的预测模型即可。
须注意的是，相较于SVM模型、One Class SVM模型、Random Forest模型和/或Logistic分类模型，在LSTM模型等与时间特征相关的预测模型的决策过程中，LSTM模型可进一步针对所述生理特征参数中的时间相关特征参数进行处理。因此，采用LSTM模型等与时间特征相关的预测模型作为候选模型的至少其中之一可提高所述候选模型整体的预测准确度。
在一实施例中，所述LSTM模型等与时间特征相关的预测模型也可进一步搭配深度神经网络(Deep Neural Network,DNN)进行设计而产生LSTM+DNN的混合模型。此混合模型也可作为所述候选模型的其中之一。
在一实施例中，所建立的默认模型可进一步进行训练。例如，训练的过程可参考前述实施例中获得显著特征参数的操作，并将所述显著特征参数输入至预测模型中进行预测与训练，从而提高预测模型的预测准确度。经训练的预测模型可更准确地评估用户的生理状态。
在一实施例中，在以图2的方式或类似方式测得某一用户的原始心电图数据后，此原始心电图数据可经过处理器122的处理并将相应的生理特征参数(或显著特征参数)输入至所建立的预测模型中。根据所输入的生理特征参数(或显著特征参数)，预测模型可产生评估数据以反映此用户的生理状态。
图7是根据本发明的一实施例所示出的生理状态评估方法的流程图。请参照图7，在步骤S701中，通过心电图检测装置获得用户的原始心电图数据。在步骤S702中，将所述原始心电图数据转换为数字整合数据。在步骤S703中，根据所述数字整合数据获得多个生理特征参数。在步骤S704中，通过至少一过滤模型从所述多个生理特征参数中过滤至少一显著特征参数，其中所述至少一显著特征参数在所述至少一过滤模型的决策过程中的决策重要性高于门槛值。在步骤S705中，根据所述至少一显著特征参数建立预测模型。在步骤S706中，通过所述预测模型评估所述用户的生理状态。
图8是根据本发明的一实施例所示出的生理状态评估方法的流程图。请参照图8，在步骤S801中，将原始心电图数据转换为文字数据。在步骤S802中，根据默认规则从所述文字数据中获取与用户的生理特征有关的描述数据。在步骤S803中，根据所获取的描述数据产生所述数字整合数据。
图9是根据本发明的一实施例所示出的生理状态评估方法的流程图。请参照图9，在步骤S901中，将多个生理特征参数输入至至少一过滤模型。在步骤S902中，根据所述多个生理特征参数中的第一生理特征参数在所述至少一过滤模型的决策过程中的参与度，决定对应于所述第一生理特征参数的重要性评估值。在步骤S903中，判断所述重要性评估值是否大于评估门槛值。若所述重要性评估值大于评估门槛值，在步骤S904中，将所述第一生理特征参数决定为显著特征参数。或者，若所述重要性评估值不大于评估门槛值，可回到步骤S902持续获得其他生理特征参数的重要性评估值并执行步骤S903的判断。
图10是根据本发明的一实施例所示出的生理状态评估方法的流程图。请参照图10，在步骤S1001中，将至少一显著特征参数输入至至少一候选模型。在步骤S1002中，将所述至少一候选模型的预测准确度与准确度门槛值进行比较。在步骤S1003中，根据比较结果将所述至少一候选模型中的第一候选模型决定为最终使用的预测模型。
然而，图7至图10中各步骤已详细说明如上，在此便不再赘述。值得注意的是，图7至图10中各步骤可以实作为多个程式码或是电路，本发明不加以限制。此外，图7至图10的方法可以搭配以上范例实施例使用，也可以单独使用，本发明不加以限制。
综上所述，在通过心电图检测装置获得用户的原始心电图数据后，所述原始心电图数据可被转换为数字整合数据。根据所述数字整合数据，多个生理特征参数可被获得。接着，至少一过滤模型可用以从所述多个生理特征参数中过滤至少一显著特征参数。特别是，所述显著特征参数在所述过滤模型的决策过程中的决策重要性高于门槛值。接着，一或多个预测模型可根据所述显著特征参数而被建立。尔后，所述预测模型可用以评估用户的生理状态。藉此，可提升对用户的生理状态评估效率。
虽然本发明已以实施例揭示如上，然其并非用以限定本发明，任何所属技术领域中技术人员，在不脱离本发明的精神和范围内，当可作些许的更改与润饰，故本发明的保护范围当视后附的权利要求所界定的为准。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (16)

1.一种生理状态评估方法，其特征在于，包括：
通过心电图检测装置获得用户的原始心电图数据；
将所述原始心电图数据转换为文字数据；
根据默认规则从所述文字数据中获取与所述用户的生理特征有关的描述数据；
根据所获取的描述数据产生数字整合数据；
根据所述数字整合数据获得多个生理特征参数；
通过至少一过滤模型从所述多个生理特征参数中过滤至少一显著特征参数，其中所述至少一显著特征参数在所述至少一过滤模型的决策过程中的决策重要性高于门槛值；
将所述至少一显著特征参数输入至至少一候选模型；
将所述至少一候选模型的预测准确度与准确度门槛值进行比较；
若所述至少一候选模型中的第一候选模型的第一预测准确度高于所述准确度门槛值，将所述第一候选模型决定为预测模型；以及
通过所述预测模型评估所述用户的生理状态。
2.根据权利要求1所述的生理状态评估方法，其中所述原始心电图数据包括运动心电图测量数据。
3.根据权利要求1所述的生理状态评估方法，其中根据所述默认规则从所述文字数据中获取与所述用户的所述生理特征有关的所述描述数据的步骤包括以下多个步骤的至少其中之一：
检测所述文字数据中的关键字并获取对应于所述关键字的第一描述数据；
根据默认栏位格式获取所述文字数据中的第二描述数据；以及
检测所述文字数据中的空白数据区域并获取记录在所述空白数据区域后的第三描述数据。
4.根据权利要求1所述的生理状态评估方法，还包括：
获得默认数据在所获取的描述数据中的出现次数；以及
根据所述出现次数验证所述数字整合数据是否为有效数据。
5.根据权利要求1所述的生理状态评估方法，其中所述多个生理特征参数包括时间相关特征参数与逻辑相关特征参数，所述时间相关特征参数反映所述用户在多个时间点所测得的生理特征，且所述逻辑相关特征参数反映所述用户的符合逻辑条件的生理特征。
6.根据权利要求1所述的生理状态评估方法，其中通过至少一过滤模型从所述多个生理特征参数中过滤所述至少一显著特征参数的步骤包括：
将所述多个生理特征参数输入至所述至少一过滤模型；
根据所述多个生理特征参数中的第一生理特征参数在所述至少一过滤模型的所述决策过程中的参与度，决定对应于所述第一生理特征参数的重要性评估值；以及
若所述重要性评估值大于评估门槛值，将所述第一生理特征参数决定为所述至少一显著特征参数的其中之一。
7.根据权利要求1所述的生理状态评估方法，其中所述至少一候选模型包括长短时记忆模型、支持向量机模型、单类SVM模型、随机森林模型及逻辑分类模型的至少其中之一。
8.根据权利要求1所述的生理状态评估方法，其中所述预测准确度是以敏感性、特异度、阳性预测值、阴性预测值、阳性似然比及阴性似然比的至少其中之一表示。
9.一种生理状态评估装置，其特征在于，包括：
存储电路，用以存储通过心电图检测装置获得的用户的原始心电图数据；以及
处理器，连接至所述存储电路，
其中所述处理器用以将所述原始心电图数据转换为文字数据，
所述处理器还用以根据默认规则从所述文字数据中获取与所述用户的生理特征有关的描述数据，
所述处理器还用以根据所获取的描述数据产生数字整合数据，
所述处理器还用以根据所述数字整合数据获得多个生理特征参数，
所述处理器还用以通过至少一过滤模型从所述多个生理特征参数中过滤至少一显著特征参数，其中所述至少一显著特征参数在所述至少一过滤模型的决策过程中的决策重要性高于门槛值，
所述处理器还用以将所述至少一显著特征参数输入至至少一候选模型，
所述处理器还用以将所述至少一候选模型的预测准确度与准确度门槛值进行比较，
若所述至少一候选模型中的第一候选模型的第一预测准确度高于所述准确度门槛值，所述处理器还用以将所述第一候选模型决定为预测模型，并且
所述处理器还用以通过所述预测模型评估所述用户的生理状态。
10.根据权利要求9所述的生理状态评估装置，其中所述原始心电图数据包括运动心电图测量数据。
11.根据权利要求9所述的生理状态评估装置，其中根据所述默认规则从所述文字数据中获取与所述用户的所述生理特征有关的所述描述数据的操作包括以下多个操作的至少其中之一：
检测所述文字数据中的关键字并获取对应于所述关键字的第一描述数据；
根据默认栏位格式获取所述文字数据中的第二描述数据；以及
检测所述文字数据中的空白数据区域并获取记录在所述空白数据区域后的第三描述数据。
12.根据权利要求9所述的生理状态评估装置，其中所述处理器还用以：
获得默认数据在所获取的描述数据中的出现次数；以及
根据所述出现次数验证所述数字整合数据是否为有效数据。
13.根据权利要求9所述的生理状态评估装置，其中所述多个生理特征参数包括时间相关特征参数与逻辑相关特征参数，所述时间相关特征参数反映所述用户在多个时间点所测得的生理特征，且所述逻辑相关特征参数反映所述用户的符合逻辑条件的生理特征。
14.根据权利要求9所述的生理状态评估装置，其中通过至少一过滤模型从所述多个生理特征参数中过滤所述至少一显著特征参数的操作包括：
将所述多个生理特征参数输入至所述至少一过滤模型；
根据所述多个生理特征参数中的第一生理特征参数在所述至少一过滤模型的所述决策过程中的参与度，决定对应于所述第一生理特征参数的重要性评估值；以及
若所述重要性评估值大于评估门槛值，将所述第一生理特征参数决定为所述至少一显著特征参数的其中之一。
15.根据权利要求9所述的生理状态评估装置，其中所述至少一候选模型包括长短时记忆模型、支持向量机模型、单类SVM模型、随机森林模型及逻辑分类模型的至少其中之一。
16.根据权利要求9所述的生理状态评估装置，其中所述预测准确度是以敏感性、特异度、阳性预测值、阴性预测值、阳性似然比及阴性似然比的至少其中之一表示。
CN202110245934.1A 2020-09-17 2021-03-05 生理状态评估方法与生理状态评估装置 Active CN114190949B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW109132117A TWI790479B (zh) 2020-09-17 2020-09-17 生理狀態評估方法與生理狀態評估裝置
TW109132117 2020-09-17

Publications (2)

Publication Number Publication Date
CN114190949A CN114190949A (zh) 2022-03-18
CN114190949B true CN114190949B (zh) 2023-07-04

Family

ID=80625914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110245934.1A Active CN114190949B (zh) 2020-09-17 2021-03-05 生理状态评估方法与生理状态评估装置

Country Status (3)

Country Link
US (1) US11529083B2 (zh)
CN (1) CN114190949B (zh)
TW (1) TWI790479B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI763215B (zh) * 2020-12-29 2022-05-01 財團法人國家衛生研究院 篩選用於預測生理狀態的特徵的電子裝置和方法
CN115063891B (zh) * 2022-08-19 2022-11-04 山东新蓝海科技股份有限公司 一种人体异常体征数据监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002177229A (ja) * 2000-12-13 2002-06-25 Terumo Corp 心電図データ通信システム、心電図データ送信システム、および心電図データ格納方法
JP2009233003A (ja) * 2008-03-26 2009-10-15 Fukuda Denshi Co Ltd 生体情報測定装置
CN110070873A (zh) * 2019-05-07 2019-07-30 上海良相智能化工程有限公司 一种监察数字审讯系统及设备
TW202016947A (zh) * 2018-10-30 2020-05-01 宏碁股份有限公司 生理狀態的風險評估系統、方法及電子裝置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070208232A1 (en) * 2006-03-03 2007-09-06 Physiowave Inc. Physiologic monitoring initialization systems and methods
CN101785670A (zh) 2009-01-22 2010-07-28 陈跃军 模糊心电图智能在线分析仪系统
US20110066042A1 (en) * 2009-09-15 2011-03-17 Texas Instruments Incorporated Estimation of blood flow and hemodynamic parameters from a single chest-worn sensor, and other circuits, devices and processes
EP2547252B1 (en) * 2010-03-17 2021-06-02 Web Biotechnology Pte Ltd Electrocardiographic monitoring system
CN102973263B (zh) 2012-12-05 2014-05-07 上海宏康信息科技有限公司 一种智能移动心电图综合处理装置
CN104398254B (zh) 2014-11-14 2017-02-22 中国科学院深圳先进技术研究院 一种心电图分析系统、分析设备及预测模型采集设备
CN105147248B (zh) * 2015-07-30 2019-02-05 华南理工大学 基于生理信息的抑郁症评估系统及其评估方法
CN105105743B (zh) 2015-08-21 2017-03-29 山东省计算中心（国家超级计算济南中心） 基于深度神经网络的心电图智能处理方法
WO2019173189A1 (en) * 2018-03-04 2019-09-12 Akili Interactive Labs, Inc. Cognitive screens, monitor and cognitive treatments targeting immune-mediated and neuro-degenerative disorders
EP3539464A1 (en) * 2018-03-16 2019-09-18 Tata Consultancy Services Limited System and method for classification of coronary artery disease based on metadata and cardiovascular signals
US12076119B2 (en) * 2018-04-26 2024-09-03 Vektor Medical, Inc. Bootstrapping a simulation-based electromagnetic output of a different anatomy
TWI784256B (zh) * 2020-04-10 2022-11-21 宏碁股份有限公司 分析心電圖訊號的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002177229A (ja) * 2000-12-13 2002-06-25 Terumo Corp 心電図データ通信システム、心電図データ送信システム、および心電図データ格納方法
JP2009233003A (ja) * 2008-03-26 2009-10-15 Fukuda Denshi Co Ltd 生体情報測定装置
TW202016947A (zh) * 2018-10-30 2020-05-01 宏碁股份有限公司 生理狀態的風險評估系統、方法及電子裝置
CN110070873A (zh) * 2019-05-07 2019-07-30 上海良相智能化工程有限公司 一种监察数字审讯系统及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
心电图数字化诊断管理系统的优势与应用价值;阮蓉;;中医药管理杂志(第13期);全文 *
数字化时代的医学革命;王正国;;中国数字医学(第01期);全文 *

Also Published As

Publication number Publication date
TW202211870A (zh) 2022-04-01
US20220079463A1 (en) 2022-03-17
TWI790479B (zh) 2023-01-21
CN114190949A (zh) 2022-03-18
US11529083B2 (en) 2022-12-20

Similar Documents

Publication Publication Date Title
US8554580B2 (en) Automated management of medical data using expert knowledge and applied complexity science for risk assessment and diagnoses
US20180150609A1 (en) Server and method for predicting future health trends through similar case cluster based prediction models
US20180107798A1 (en) Method for aiding a diagnosis, program and apparatus
JP7337788B2 (ja) 機械学習法において使用するゲノムの発見
Srivastava et al. Medi-Assist: A Decision Tree based Chronic Diseases Detection Model
CN114190949B (zh) 生理状态评估方法与生理状态评估装置
US20100217094A1 (en) Point-of-care enactive medical system and method
Hossain et al. Heart disease prediction using distinct artificial intelligence techniques: performance analysis and comparison
JP6379199B2 (ja) データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム
JP4254892B1 (ja) 特徴量候補作成装置および特徴量候補作成方法
Inbar et al. A machine learning approach to the interpretation of cardiopulmonary exercise tests: Development and validation
Kanikar et al. Prediction of cardiovascular diseases using support vector machine and Bayesien classification
US7996073B2 (en) System and method for interpreting electrocardiograms
Dessouky et al. Computer-aided diagnosis system for Alzheimer’s disease using different discrete transform techniques
JP2006163489A (ja) 発症確率算出装置、および、プログラム
CN113096756A (zh) 病情演变分类方法、装置、电子设备和存储介质
Mandava MDensNet201-IDRSRNet: Efficient cardiovascular disease prediction system using hybrid deep learning
KR20220075046A (ko) 빅데이터 기반의 질환 발병 위험도 예측 시스템, 예측 방법, 및 프로그램
Ketpupong et al. Applying text mining for classifying disease from symptoms
Sideris et al. A data-driven feature extraction framework for predicting the severity of condition of congestive heart failure patients
Deepa et al. Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle
Alshakrani et al. A Comparative Study of Heart Disease Prediction Using Classification Techniques
CN114144837A (zh) 用于动态预测普通病房中的患者的出院准备的模型
EP3933715A1 (en) Method and system for generating synthetic time domain signals to build a classifier
JP2011257816A (ja) 受診者状態推定装置及びプログラム

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