CN115336977B - 一种精准icu警报分级评估方法 - Google Patents

一种精准icu警报分级评估方法 Download PDF

Info

Publication number
CN115336977B
CN115336977B CN202210925989.1A CN202210925989A CN115336977B CN 115336977 B CN115336977 B CN 115336977B CN 202210925989 A CN202210925989 A CN 202210925989A CN 115336977 B CN115336977 B CN 115336977B
Authority
CN
China
Prior art keywords
patient
alarm
icu
data
training set
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
CN202210925989.1A
Other languages
English (en)
Other versions
CN115336977A (zh
Inventor
黄伟红
岳丽青
周建辉
胡建中
胡硕婷
聂慧宇
李靖
黄佳
高武强
刘硕
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.)
Xiangya Hospital of Central South University
Original Assignee
Xiangya Hospital of Central South University
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 Xiangya Hospital of Central South University filed Critical Xiangya Hospital of Central South University
Priority to CN202210925989.1A priority Critical patent/CN115336977B/zh
Publication of CN115336977A publication Critical patent/CN115336977A/zh
Application granted granted Critical
Publication of CN115336977B publication Critical patent/CN115336977B/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
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • 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
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及ICU警报级别评估的技术领域，揭露了一种精准ICU警报分级评估方法，包括：采集病人体征数据，利用FFT方法对采集的生命体征检查时序数据进行特征提取，构成病人体征数据指标集合；基于线性局部切空间排列算法对病人体征数据指标集合进行流形学习；利用混合采样模型对所构建的训练集进行均衡化采样；基于概率图理论构建病人ICU警报分级评估模型；将所采集到的病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出ICU警报分级评估结果。本发明所述方法基于线性局部切空间排列算法对数据集进行降维，通过先验概率以及条件概率将体征指标与ICU警报级别建立发生概率的对应关系，得到体征指标导致不同ICU警报级别发生的概率。

Description

一种精准ICU警报分级评估方法
技术领域
本发明涉及ICU警报级别评估的技术领域，尤其涉及一种精准ICU警报分级评估方法。
背景技术
重症监护病房患者病情复杂多变，应用了较多的医疗设备。在医疗设备使用过程中警报频繁，据某科室统计，在2021年2月14日-18日期间，连续观察时间120h，共产生警报次数为897次如如附图1所示，其中发生次数最多的警报名称分别是(排名前三位)：SPO2占71.35％、导联脱落17.84％、血压4.13％。其中虚假警报发生次数821次(91.5％)，真实警报发生次数64次(7.2％)，干扰警报发生次数12次(1.3％)。虚假和干扰警报发生的原因多为患者不配合，活动(体位改变，如厕，进食，换衣服)和护士在做床旁护理或检查。目前没有较好的识别虚假警报方式，基本都是人为排除，造成该问题的重要原因是对病人体征数据处理简单，无法从病人体征数据中获取完整的时序信息和指标信息，同时简化处理指标数据，造成ICU警报虚警率较高，而对于大量警报产生时，没有有效的真实性识别以及进行优先等级处理，长此以往，易造成因虚假警报过多导致医护人员出现警报疲劳，如能及时识别虚假警报，根据不同的警报建立对应的优先级别能够有效降低医护人员工作量和精神紧张度。针对该问题，本专利提出一种精准ICU警报分级评估方法。
发明内容
有鉴于此，本发明提供一种精准ICU警报分级评估方法，目的在于(1)通过采集时序数据避免了单个数据误差造成的误报，使得特征更具稳定性；(2)通过利用基于线性局部切空间排列算法对指标数据进行数据降维，从而去除指标相关性，提高后续ICU警报分级评估的准确性，防止同类型指标在进行分级评估过程中重复使用；(3)基于概率图理论构建病人ICU警报分级评估模型，通过先验概率以及条件概率将体征指标与ICU警报级别建立发生概率的对应关系，得到病人体征指标数据导致不同ICU警报级别发生的概率，从而选取发生概率最高的ICU警报级别作为警报级别评估结果，根据不同的警报级别评估结果建立对应的优先级别能够有效降低医护人员工作量。
实现上述目的，本发明提供的一种精准ICU警报分级评估方法，包括以下步骤：
S1：采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和入院48小时内实验室检查指标数据集合A1，并利用FFT方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合A1共同构成病人体征数据指标集合A；
S2：基于线性局部切空间排列算法对构建的病人体征数据指标集合A进行流形学习，最大限度保留原始高维特征数据信息，得到降维后的病人体征指标数据B；
S3：按照步骤S1、S2方法采集大量病人的病人体征指标数据构成训练集C，并构建混合采样模型对训练集C进行均衡化采样，得到均衡化后的训练集D；
S4：基于概率图理论构建病人ICU警报分级评估模型，其中所述模型的输入为病人体征指标数据，输出为ICU警报分级评估结果；
S5：利用均衡化后的训练集D对病人ICU警报分级评估模型进行训练，得到训练优化后的病人ICU警报分级评估模型；
S6：实时采集病人的病人体征指标数据，并将所采集到的病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出ICU警报分级评估结果，医护人员根据ICU警报分级评估结果进行相应处置措施，减少警报疲劳。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集病人体征数据，构成病人体征数据指标集合A，包括：
在本发明实施例中，当病人进入ICU后，每隔一段时间利用汞柱式血压计测量病人的血压值，利用胸导联线的电极片测量病人的实时心率，利用监护仪测量病人的实时呼吸频率，将得到的病人血压、心率以及呼吸频率时序数据作为生命体征检查时序数据，并在入院48小时内进行实验室检查，得到病人的尿检情况以及血检情况，将病人的尿检情况以及血检情况作为实验室检查指标数据集合，其中尿检情况包括病人尿液的酸碱度、pH值、尿比重、尿蛋白、尿糖、管型、胆红素，血检情况包括病人血液的白细胞数量、白细胞中五类细胞的数量及比例、红细胞数量、红细胞压积、血红蛋白浓度、平均红细胞体积、平均红细胞血红蛋白量、平均红细胞血红蛋白浓度、血小板的数量、血小板压积以及三种血小板的比例；
在病人进入ICU后，采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和病人入院48h内的实验室检查指标数据集合A1，所述生命体征检查时序数据为病人血压、心率以及呼吸频率的时序数据，所述入院48小时内的实验室检查指标包括病人尿液的酸碱度lab1、pH值lab2、尿比重lab3、尿蛋白lab4、尿糖lab5、管型lab6、胆红素lab7，病人血液的白细胞数量lab8、白细胞中五类细胞的数量及比例lab9、红细胞数量lab10、红细胞压积lab11、血红蛋白浓度lab12、平均红细胞体积lab13、平均红细胞血红蛋白量lab14、平均红细胞血红蛋白浓度lab15、血小板的数量lab16、血小板压积lab17以及三种血小板的比例指标lab18，所采集的病人体征数据为：
{x1(n1)，x2(n2)，x3(n3)，A1}
其中：
x1(n1)为病人血压的时序数据，n1＝0，1，...，N1，N1为时序数据长度；
x2(n2)为病人心率的时序数据，n2＝0，1，...，N2，N2为时序数据长度；
x3(n3)为病人呼吸频率的时序数据，n3＝0，1，...，N3，N3为时序数据长度；
A1为病人的实验室检查指标数据集合，包括18种的实验室检查指标{labnum|num∈[1，18]}；
利用FFT方法对采集的生命体征检查时序数据进行特征提取，所述基于FFT方法的特征提取流程为：
S11：将xi(ni)划分为奇偶两个时序数据，其中i＝1，2，3：
Figure BDA0003779596780000021
其中：
odd为奇数，
Figure BDA0003779596780000022
为xi(ni)中ni值为奇数的生命体征检查时序数据；
even为偶数，
Figure BDA0003779596780000023
为xi(ni)中ni值为偶数的生命体征检查时序数据；
S12：对所划分的奇偶时序数据进行FFT处理，所述FFT处理的公式为：
Figure BDA0003779596780000024
Figure BDA0003779596780000025
其中：
j为虚数单位，j2＝-1，e为自然常数，k为FFT处理的点数，将其设置为32；
Xi(k)为xi(ni)的特征，X1(k)表示病人的血压特征，X2(k)表示病人的心率特征，X1(k)表示病人的呼吸特征；
将所提取特征与检查指标数据集合A1共同构成病人体征数据指标集合A＝{X1(k)，X2(k)，X3(k)，A1}，通过采集时序数据避免了单个数据误差造成的误报，使得特征更具稳定性。
可选地，所述S2步骤中基于线性局部切空间排列算法对构建的病人体征数据指标集合A进行流形学习，得到病人体征指标数据B，包括：
基于线性局部切空间排列算法对构建的病人体征数据指标集合A进行流形学习，得到降维后的病人体征指标数据B，所述流形学习的流程为：
S21：将病人体征数据指标集合A转换为特征矩阵M：
M＝[X1(k)，X2(k)，X3(k)，lab1，lab2，...，lab18]＝[M1，M2，...，M21]
其中：
M1为特征矩阵M中的第一行，表示病人体征数据指标集合A中的X1(k)；
S22：构建中心化矩阵Ω：
Ω＝I-hhT/21
其中：
T表示矩阵的转置；
I为单位矩阵，h为元素全部为1的2l维列向量；
S23：对于特征矩阵中的任意一行Mc，计算McΩ的21个最大奇异值，将21个最大奇异值的右向量构成奇异矩阵Vc；
S24：构建线性局部空间矩阵Sp：
Sp＝[Sp1，Sp2，...，Spc，...，Sp21]
Figure BDA0003779596780000031
S25：构建特征矩阵M的低维映射表示：
|MΩSpMT-λI|＝0
其中：
λ为特征值，MΩSpMTα＝λMΩSpMTα，α为λ所对应的特征向量；
计算得到最大的m′个特征值，其中m′为所设置的降维后的维度，m′＜21：
将前m′大的特征值所对应的特征向量构成向量矩阵M′，则病人体征指标数据B为B＝(M′)TMΩ，通过对指标数据进行数据降维，从而去除指标相关性，提高后续ICU警报分级评估的准确性，防止同类型指标在进行分级评估过程中重复使用。
可选地，所述S3步骤按照步骤S1、S2方法采集大量病人的病人体征指标数据构成训练集C，包括：
按照步骤S1、S2方法采集大量病人的病人体征指标数据构成训练集C，所述训练集C的表示形式为：
C＝{(Bu，levelu)|u∈[1，U]}
其中：
Bu表示训练集C中第u名病人的病人体征指标数据，levelu为Bu所对应的ICU警报级别，U表示训练集C中病人的总数；
将ICU警报级别设置为四种警报级别，分别为I、II、III、IV，其中I为处理优先级最高的警报级别，IV为处理优先级最低的警报级别。
可选地，所述S3步骤中构建混合采样模型对训练集C进行均衡化采样，得到均衡化后的训练集D，包括：
构建混合采样模型对训练集C进行均衡化采样，解决样本不平衡导致的模型分类偏差问题，提高分级准确性，所述均衡化采样的流程为：
计算训练集C的不平衡比率r＝numax/numin，其中numax为训练集C中四种警报级别中的最大样本数量，numin为训练集C中四种警报级别中的最小样本数量；
将训练集C按警报级别划分为四种警报级别数据集，其中Cmax为样本数量最多的警报级别数据集，Cmin为样本数量最少的警报级别数据集；
对警报级别训练集Cmax进行如下步骤的采样：
S31：计算警报级别训练集Cmax中任意样本的局部密度以及样本差异度：
ρmax，d＝NUM(Bmax，d，dis)
δmax，d＝min(ρmax，d，ρmax，d′)
其中：
ρmax，d为警报级别训练集Cmax中任意第d个样本的局部密度；
Bmax，d为警报级别训练集Cmax中任意第d个样本的病人体征指标数据；
NUM(Bmax，d，dis)为警报级别训练集Cmax中与Bmax，d之间距离小于dis的病人体征指标数据数量，dis为所设定的距离阈值；
δmax，d表示样本差异度，ρmax，d′＞ρmax，d，min(ρmax，d，ρmax，d′)表示任意第d个样本与更大局部密度样本的最小距离，所述距离的计算为病人体征指标数据的欧式距离计算；
删除局部密度为1的样本，得到警报级别训练集C′max；
S32：计算警报级别训练集C′max中任意样本的样本权重：
weightmax，d＝ρmax，dδmax，d
其中：
weightmax，d为警报级别训练集C′max中任意第d个样本的样本权重；
按样本权重降序对警报级别训练集C′max中的样本进行排序，按照采样率α1对排序后的样本进行采样，得到采样后的警报级别训练集C″max，所述采样率为随机选出的采样样本集占原始训练集的比例，其中：
Figure BDA0003779596780000041
对警报级别训练集Cmin进行如下步骤的采样：
1)计算警报级别训练集Cmin中任意样本的局部密度，其中局部密度的计算方法同警报级别训练集Cmax的采样方法；删除局部密度为1的样本，得到警报级别训练集C′min；
2)计算警报级别训练集Cmin中待合成的样本数n′min：
n′min＝(n′max-numin)×β
其中：
nu′max为警报级别训练集C″max中的样本数量；
β为采样系数，将其设置为0.3；
3)在警报级别训练集C′min中选取前n′min个局部密度最大的样本作为基础样本，每个基础样本生成一个样本，得到n′min个生成样本，所述样本的生成公式为：
Figure BDA0003779596780000042
其中：
Bmin，d为警报级别训练集C′min中基础样本的病人体征指标数据，Bmin，d′为所生成样本的病人体征指标数据，并为该病人体征指标数据标记警报级别训练集C′min的警报级别，得到生成样本；
rand(0，1)为0～1之间的随机数；
Figure BDA0003779596780000043
为Bmin，d的邻近数据；
4)将生成样本添加到警报级别训练集C′min中得到警报级别训练集C″min，按照采样率α2对警报级别训练集C″min进行采样，得到采样后的警报级别训练集C″′min，其中：
Figure BDA0003779596780000044
对其余两个警报级别训练集按照0.4的采样率进行随机采样；
将采样后的警报级别训练集作为均衡化后的训练集D。
可选地，所述S4步骤中基于概率图理论构建病人ICU警报分级评估模型，包括：
基于概率图理论构建病人ICU警报分级评估模型，通过先验概率以及条件概率将体征指标与ICU警报级别建立发生概率的对应关系，得到病人体征指标数据导致不同ICU警报级别发生的概率，从而选取发生概率最高的ICU警报级别作为评估结果，所述ICU警报分级评估模型为图结构G＝(E，V)，其中E表示节点集合，节点包括病人体征指标数据中的向量vector以及四种警报级别节点(E1，E2，E3，E4)，所述病人体征指标数据为降维后的矩阵，矩阵中的列即为向量，V表示边集合，所述边为有向边，有向边vectora→vectorb表示在发生vectora的情况下，发生vectorb的概率P(vectorb|vectora)，所有的病人体征指标数据中的向量vector均指向警报级别节点；
所述病人ICU警报分级评估模型的输入为病人体征指标数据，根据输入的病人体征指标数据计算不同警报级别节点发生的概率：
Figure BDA0003779596780000051
其中：
F为输入模型的病人体征指标数据，f为病人体征指标数据中的向量；
wf为向量f的权重；
通过利用余弦相似度算法计算f与所构建概率图中向量vector的相似度，将相似度最高的vectosim作为f在概率图中的表示，即
Figure BDA0003779596780000052
选取发生概率最大的警报级别节点作为所评估的ICU警报级别，其中E1对应ICU警报级别I，E2对应ICU警报级别II，E3对应ICU警报级别III，E4对应ICU警报级别IV。
可选地，所述S5步骤中利用均衡化后的训练集D对病人ICU警报分级评估模型进行训练，包括：
利用均衡化后的训练集D中的样本数据对病人ICU警报分级评估模型进行训练，其中将样本中病人体征指标数据的向量作为病人ICU警报分级评估模型中的向量vector节点，并根据训练集D计算不同向量vector节点之间以及向量vector节点与警报级别节点之间的发生概率关系，构建得到基于概率图理论的病人ICU警报分级评估模型；
构建病人ICU警报分级评估模型训练的目标函数Fun：
Figure BDA0003779596780000053
Figure BDA0003779596780000054
其中：
Bz为训练集D中第z个样本的病人体征指标数据，
Figure BDA0003779596780000055
为Bz中的向量，
Figure BDA0003779596780000056
为向量的权重；
max(P(Ey|Bz))输出P(Ey|Bz)最大的ICU警报级别，为模型评估结果；
levelz为训练集D中第z个样本的真实ICU警报级别；
对模型中的权重参数进行训练，所述权重参数训练流程为：
Figure BDA0003779596780000057
其中：
W(k′)为在第k′迭代时的模型权重向量；
k′为权重参数向量的迭代次数，初始值为0，W(0)为随机生成的权重参数向量；
重复参数训练迭代流程，直到权重参数向量稳定不变或达到最大迭代次数Max，将训练得到的权重参数向量作为病人ICU警报分级评估模型的参数向量，得到训练优化后的病人ICU警报分级评估模型。
可选地，所述S6步骤中实时采集病人的病人体征指标数据，并将所采集到的病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出ICU警报分级评估结果，包括：
实时采集病人的体征数据，将所采集的体征数据按照步骤S1的方法构建为病人体征数据指标集合，并按照步骤S2的方法将病人体征数据指标集合降维为病人体征指标数据；将病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出发生概率最大的ICU警报分级评估结果，医护人员根据ICU警报分级评估结果进行相应处置措施，处理优先级由高到低为I、II、III、IV，减少警报疲劳。
为了解决上述问题，本发明还提供一种精准ICU警报分级评估装置，其特征在于，所述装置包括：
特征提取模块，用于采集病人体征数据，利用FFT方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合共同构成病人体征数据指标集合；基于线性局部切空间排列算法对构建的病人体征数据指标集合进行流形学习，得到降维后的病人体征指标数据；
训练集获取装置，用于采集大量病人的病人体征指标数据构成训练集C，并构建混合采样模型对训练集C进行均衡化采样，得到均衡化后的训练集D；
ICU警报分级评估装置，用于基于概率图理论构建病人ICU警报分级评估模型，利用均衡化后的训练集D对病人ICU警报分级评估模型进行训练，实时采集病人的病人体征指标数据，并将所采集到的病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出ICU警报分级评估结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的精准ICU警报分级评估方法。
为了解决上述问题，本发明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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的精准ICU警报分级评估方法。
相对于现有技术，本发明提出一种精准ICU警报分级评估方法，该技术具有以下优势：
首先，本方案提出一种数据集降维方法，通过基于线性局部切空间排列算法对构建的病人体征数据指标集合A进行流形学习，得到降维后的病人体征指标数据B，所述流形学习的流程为：1)将病人体征数据指标集合A转换为特征矩阵M：
M＝[X1(k)，X2(k)，X3(k)，lab1，lab2，...，lab18]＝[M1，M2，...，M21]
其中：M1为特征矩阵M中的第一行，表示病人体征数据指标集合A中的X1(k)；2)构建中心化矩阵Ω：
Ω＝I-hhT/21
其中：T表示矩阵的转置；I为单位矩阵，h为元素全部为1的21维列向量；3)对于特征矩阵中的任意一行Mc，计算McΩ的21个最大奇异值，将21个最大奇异值的右向量构成奇异矩阵Vc；4)构建线性局部空间矩阵Sp：
Sp＝[Sp1，Sp2，...，Spc，...，Sp21]
Figure BDA0003779596780000061
5)构建特征矩阵M的低维映射表示：
|MΩSpMT-λI|＝0
其中：λ为特征值，MΩSpMTα＝λMΩSpMTα，α为λ所对应的特征向量；计算得到最大的m′个特征值，其中m′为降维后的维度，m′＜21：将前m′大的特征值所对应的特征向量构成向量矩阵M′，则病人体征指标数据B为B＝(M′)TMΩ，通过对指标数据进行数据降维，从而去除指标相关性，提高后续ICU警报分级评估的准确性，防止同类型指标在进行分级评估过程中重复使用。
同时，本方案提出一种均衡化采样方法，通过构建混合采样模型对训练集C进行均衡化采样，解决样本不平衡导致的模型分类偏差问题，提高分级准确性，相较于传统方案，本方案分别对样本数量最多以及样本数量最少的警报级别数据集建立不同的采样方式，采取一种基于不平衡比率的自适应采样方法对训练集C进行采样，所述均衡化采样的流程为：计算训练集C的不平衡比率r＝numax/numin，其中numax为训练集C中四种警报级别中的最大样本数量，numin为训练集C中四种警报级别中的最小样本数量；将训练集C按警报级别划分为四种警报级别数据集，其中Cmax为样本数量最多的警报级别数据集，Cmin为样本数量最少的警报级别数据集；对警报级别训练集Cmax进行如下步骤的采样：1)计算警报级别训练集Cmax中任意样本的局部密度以及样本差异度：
ρmax，d＝NUM(Bmax，d，dis)
δmax，d＝min(ρmax，d，ρmax，d′)
其中：ρmax，d为警报级别训练集Cmax中任意第d个样本的局部密度；Bmax，d为警报级别训练集Cmax中任意第d个样本的病人体征指标数据；NUM(Bmax，d，dis)为警报级别训练集Cmax中与Bmax，d之间距离小于dis的病人体征指标数据数量，dis为所设定的距离阈值；δmax，d表示样本差异度，ρmax，d′＞ρmax，d，min(ρmax，d，ρmax，d′)表示任意第d个样本与更大局部密度样本的最小距离，所述距离的计算为病人体征指标数据的欧式距离计算；删除局部密度为1的样本，得到警报级别训练集C′max；2)计算警报级别训练集C′max中任意样本的样本权重：
weightmax，d＝ρmax，dδmax，d
其中：weightmax，d为警报级别训练集C′max中任意第d个样本的样本权重；按样本权重降序对警报级别训练集C′max中的样本进行排序，按照采样率α1对排序后的样本进行采样，得到采样后的警报级别训练集C″max，所述采样率为随机选出的采样样本集占原始训练集的比例，其中：
Figure BDA0003779596780000071
对警报级别训练集Cmin进行如下步骤的采样：1)计算警报级别训练集Cmin中任意样本的局部密度，其中局部密度的计算方法同警报级别训练集Cmax的采样方法；删除局部密度为1的样本，得到警报级别训练集C′min；2)计算警报级别训练集Cmin中待合成的样本数n′min：
n′min＝(nu′max-numin)×β
其中：nu′max为警报级别训练集C″ma中的样本数量；β为采样系数，将其设置为0.3；3)在警报级别训练集C′min中选取前n′min个局部密度最大的样本作为基础样本，每个基础样本生成一个样本，得到n′min个生成样本，所述样本的生成公式为：
Figure BDA0003779596780000074
其中：Bmmin，d为警报级别训练集C′min中基础样本的病人体征指标数据，Bmin，d′为所生成样本的病人体征指标数据，并为该病人体征指标数据标记警报级别训练集C′min的警报级别，得到生成样本；rand(0，1)为0～1之间的随机数；
Figure BDA0003779596780000072
为Bmin，d的邻近数据；4)将生成样本添加到警报级别训练集C′min中得到警报级别训练集C″min，按照采样率α2对警报级别训练集C″min进行采样，得到采样后的警报级别训练集C″′min，其中：
Figure BDA0003779596780000073
对其余两个警报级别训练集按照0.4的采样率进行随机采样；将采样后的警报级别训练集作为均衡化后的训练集D。
最后，本方案基于概率图理论构建病人ICU警报分级评估模型，通过先验概率以及条件概率将体征指标与ICU警报级别建立发生概率的对应关系，得到病人体征指标数据导致不同ICU警报级别发生的概率，从而选取发生概率最高的ICU警报级别作为评估结果，所述ICU警报分级评估模型为图结构G＝(E，V)，其中E表示节点集合，节点包括病人体征指标数据中的向量vector以及四种警报级别节点(E1，E2，E3，E4)，所述病人体征指标数据为降维后的矩阵，矩阵中的列即为向量，V表示边集合，所述边为有向边，有向边vectora→vectorb表示在发生vectora的情况下，发生vectorb的概率P(vectorb|vectora)，所有的病人体征指标数据中的向量vector均指向警报级别节点；所述病人ICU警报分级评估模型的输入为病人体征指标数据，根据输入的病人体征指标数据计算不同警报级别节点发生的概率：
Figure BDA0003779596780000081
其中：F为输入模型的病人体征指标数据，f为病人体征指标数据中的向量；wf为向量f的权重；通过利用余弦相似度算法计算f与所构建概率图中向量vector的相似度，将相似度最高的vectorsim作为f在概率图中的表示，即
Figure BDA0003779596780000082
P(Ey|vectorsim)；选取发生概率最大的警报级别节点作为所评估的ICU警报级别，其中E1对应ICU警报级别I，E2对应ICU警报级别II，E3对应ICU警报级别III，E4对应ICU警报级别IV。本方案通过实时采集病人的体征数据，将所采集的体征数据按照步骤S1的方法构建为病人体征数据指标集合，并按照步骤S2的方法将病人体征数据指标集合降维为病人体征指标数据；将病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出发生概率最大的ICU警报分级评估结果，医护人员根据ICU警报分级评估结果进行相应处置措施，处理优先级由高到低为I、II、III、IV，减少警报疲劳。
附图说明
图1为申请人某科室连续120h内ICU警报查检统计表；
图2为本发明一实施例提供的一种精准ICU警报分级评估方法的流程示意图；
图3为本发明一实施例提供的病人ICU警报分级评估模型的模型结构示意图；
图4为本发明一实施例提供的精准ICU警报分级评估装置的功能模块图；
图5为本发明一实施例提供的实现精准ICU警报分级评估方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种精准ICU警报分级评估方法。所述精准ICU警报分级评估方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述精准ICU警报分级评估方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和入院48小时内实验室检查指标数据集合A1，并利用FFT方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合A1共同构成病人体征数据指标集合A。
所述S1步骤中采集病人体征数据，构成病人体征数据指标集合A，包括：
在本发明实施例中，当病人进入ICU后，每隔一段时间利用汞柱式血压计测量病人的血压值，利用胸导联线的电极片测量病人的实时心率，利用监护仪测量病人的实时呼吸频率，将得到的病人血压、心率以及呼吸频率时序数据作为生命体征检查时序数据，并在入院48小时内进行实验室检查，得到病人的尿检情况以及血检情况，将病人的尿检情况以及血检情况作为实验室检查指标数据集合，其中尿检情况包括病人尿液的酸碱度、pH值、尿比重、尿蛋白、尿糖、管型、胆红素，血检情况包括病人血液的白细胞数量、白细胞中五类细胞的数量及比例、红细胞数量、红细胞压积、血红蛋白浓度、平均红细胞体积、平均红细胞血红蛋白量、平均红细胞血红蛋白浓度、血小板的数量、血小板压积以及三种血小板的比例；
在病人进入ICU后，采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和病人入院48h内的实验室检查指标数据集合A1，所述生命体征检查时序数据为病人血压、心率以及呼吸频率的时序数据，所述入院48小时内的实验室检查指标包括病人尿液的酸碱度lab1、pH值lab2、尿比重lab3、尿蛋白lab4、尿糖lab5、管型lab6、胆红素lab7，病人血液的白细胞数量lab8、白细胞中五类细胞的数量及比例lab9、红细胞数量lab10、红细胞压积lab11、血红蛋白浓度lab12、平均红细胞体积lab13、平均红细胞血红蛋白量lab14、平均红细胞血红蛋白浓度lab15、血小板的数量lab16、血小板压积lab17以及三种血小板的比例指标lab18，所采集的病人体征数据为：
{x1(n1)，x2(n2)，x3(n3)，A1}
其中：
x1(n1)为病人血压的时序数据，n1＝0，1，...，N1，N1为时序数据长度；
x2(n2)为病人心率的时序数据，n2＝0，1，...，N2，N2为时序数据长度；
x3(n3)为病人呼吸频率的时序数据，n3＝0，1，...，N3，N3为时序数据长度；
A1为病人的实验室检查指标数据集合，包括18种的实验室检查指标{labnum|num∈[1，18]}；
利用FFT方法对采集的生命体征检查时序数据进行特征提取，所述基于FFT方法的特征提取流程为：
S11：将xi(ni)划分为奇偶两个时序数据，其中i＝1，2，3：
Figure BDA0003779596780000091
其中：
odd为奇数，
Figure BDA0003779596780000092
为xi(ni)中ni值为奇数的生命体征检查时序数据；
even为偶数，
Figure BDA0003779596780000093
为xi(ni)中ni值为偶数的生命体征检查时序数据；
S12：对所划分的奇偶时序数据进行FFT处理，所述FFT处理的公式为：
Figure BDA0003779596780000094
Figure BDA0003779596780000095
其中：
j为虚数单位，j2＝-1，e为自然常数，k为FFT处理的点数，将其设置为32；
Xi(k)为xi(ni)的特征，X1(k)表示病人的血压特征，X2(k)表示病人的心率特征，X1(k)表示病人的呼吸特征；
将所提取特征与检查指标数据集合A1共同构成病人体征数据指标集合A＝{X1(k)，X2(k)，X3(k)，A1}，通过采集时序数据避免了单个数据误差造成的误报，使得特征更具稳定性。
S2：基于线性局部切空间排列算法对构建的病人体征数据指标集合A进行流形学习，最大限度保留原始高维特征数据信息，得到降维后的病人体征指标数据B。
所述S2步骤中基于线性局部切空间排列算法对构建的病人体征数据指标集合A进行流形学习，得到病人体征指标数据B，包括：
基于线性局部切空间排列算法对构建的病人体征数据指标集合A进行流形学习，得到降维后的病人体征指标数据B，所述流形学习的流程为：
S21：将病人体征数据指标集合A转换为特征矩阵M：
M＝[X1(k)，X2(k)，X3(k)，lab1，lab2，...，lab18]＝[M1，M2，...，M21]
其中：
M1为特征矩阵M中的第一行，表示病人体征数据指标集合A中的X1(k)；
S22：构建中心化矩阵Ω：
Ω＝I-hhT/21
其中：
T表示矩阵的转置；
I为单位矩阵，h为元素全部为1的21维列向量；
S23：对于特征矩阵中的任意一行Mc，计算McΩ的21个最大奇异值，将21个最大奇异值的右向量构成奇异矩阵Vc；
S24：构建线性局部空间矩阵Sp：
Sp＝[Sp1，Sp2，...，Spc，...，Sp21]
Figure BDA0003779596780000101
S25：构建特征矩阵M的低维映射表示：
|MΩSpMT-λI|＝0
其中：
λ为特征值，MΩSpMTα＝λMΩSpMTα，α为λ所对应的特征向量；
计算得到最大的m′个特征值，其中m′为所设置的降维后的维度，m′＜21：
将前m′大的特征值所对应的特征向量构成向量矩阵M′，则病人体征指标数据B为B＝(M′)TMΩ，通过对指标数据进行数据降维，从而去除指标相关性，提高后续ICU警报分级评估的准确性，防止同类型指标在进行分级评估过程中重复使用。
S3：按照步骤S1、S2方法采集大量病人的病人体征指标数据构成训练集C，并构建混合采样模型对训练集C进行均衡化采样，得到均衡化后的训练集D。
所述S3步骤按照步骤S1、S2方法采集大量病人的病人体征指标数据构成训练集C，包括：
按照步骤S1、S2方法采集大量病人的病人体征指标数据构成训练集C，所述训练集C的表示形式为：
C＝{(Bu，levelu)|u∈[1，U]}
其中：
Bu表示训练集C中第u名病人的病人体征指标数据，levelu为Bu所对应的ICU警报级别，U表示训练集C中病人的总数；
将ICU警报级别设置为四种警报级别，分别为I、II、III、IV，其中I为处理优先级最高的警报级别，IV为处理优先级最低的警报级别。
所述S3步骤中构建混合采样模型对训练集C进行均衡化采样，得到均衡化后的训练集D，包括：
构建混合采样模型对训练集C进行均衡化采样，解决样本不平衡导致的模型分类偏差问题，提高分级准确性，所述均衡化采样的流程为：
计算训练集C的不平衡比率r＝numax/numin，其中numax为训练集C中四种警报级别中的最大样本数量，numin为训练集C中四种警报级别中的最小样本数量；
将训练集C按警报级别划分为四种警报级别数据集，其中Cmax为样本数量最多的警报级别数据集，Cmin为样本数量最少的警报级别数据集；
对警报级别训练集Cmax进行如下步骤的采样：
S31：计算警报级别训练集Cmax中任意样本的局部密度以及样本差异度：
ρmax，d＝NUM(Bmax，d，dis)
δmax，d＝min(ρmax，d，ρmax，d′)
其中：
ρmax，d为警报级别训练集Cmax中任意第d个样本的局部密度；
Bmax，d为警报级别训练集Cmax中任意第d个样本的病人体征指标数据；
NUM(Bmax，d，dis)为警报级别训练集Cmax中与Bmax，d之间距离小于dis的病人体征指标数据数量，dis为所设定的距离阈值；
δmax，d表示样本差异度，ρmax，d′＞ρmax，d，mm(ρmax，d，ρmax，d′)表示任意第d个样本与更大局部密度样本的最小距离，所述距离的计算为病人体征指标数据的欧式距离计算；
删除局部密度为1的样本，得到警报级别训练集C′max；
S32：计算警报级别训练集C′max中任意样本的样本权重：
weightmax，d＝ρmax，dδmax，d
其中：
weightmax，d为警报级别训练集C′max中任意第d个样本的样本权重；
按样本权重降序对警报级别训练集C′max中的样本进行排序，按照采样率α1对排序后的样本进行采样，得到采样后的警报级别训练集C″max，所述采样率为随机选出的采样样本集占原始训练集的比例，其中：
Figure BDA0003779596780000111
对警报级别训练集Cmin进行如下步骤的采样：
1)计算警报级别训练集Cmin中任意样本的局部密度，其中局部密度的计算方法同警报级别训练集Cmax的采样方法；删除局部密度为1的样本，得到警报级别训练集C′min；
2)计算警报级别训练集Cmin中待合成的样本数n′min：
n′min＝(nu′max-numin)×β
其中：
nu′max为警报级别训练集C″max中的样本数量；
β为采样系数，将其设置为0.3；
3)在警报级别训练集C′min中选取前n′min个局部密度最大的样本作为基础样本，每个基础样本生成一个样本，得到n′min个生成样本，所述样本的生成公式为：
Figure BDA0003779596780000112
其中：
Bmin，d为警报级别训练集C′min中基础样本的病人体征指标数据，Bmin，d′为所生成样本的病人体征指标数据，并为该病人体征指标数据标记警报级别训练集C′min的警报级别，得到生成样本；
rand(0，1)为0～1之间的随机数；
Figure BDA0003779596780000113
为Bmin，d的邻近数据；
4)将生成样本添加到警报级别训练集C′min中得到警报级别训练集C″min，按照采样率α2对警报级别训练集C″min进行采样，得到采样后的警报级别训练集C″′min，其中：
Figure BDA0003779596780000114
对其余两个警报级别训练集按照0.4的采样率进行随机采样；
将采样后的警报级别训练集作为均衡化后的训练集D。
S4：基于概率图理论构建病人ICU警报分级评估模型，其中所述模型的输入为病人体征指标数据，输出为ICU警报分级评估结果。
所述S4步骤中基于概率图理论构建病人ICU警报分级评估模型，包括：
基于概率图理论构建病人ICU警报分级评估模型，参照图2所示，为本发明一实施例提供的病人ICU警报分级评估模型的模型结构示意图，通过先验概率以及条件概率将体征指标与ICU警报级别建立发生概率的对应关系，得到病人体征指标数据导致不同ICU警报级别发生的概率，从而选取发生概率最高的ICU警报级别作为评估结果，所述ICU警报分级评估模型为图结构G＝(E，V)，其中E表示节点集合，节点包括病人体征指标数据中的向量vector以及四种警报级别节点(E1，E2，E3，E4)，所述病人体征指标数据为降维后的矩阵，矩阵中的列即为向量，V表示边集合，所述边为有向边，有向边vectora→vectorb表示在发生vectora的情况下，发生vectorb的概率P(vectorb|vectora)，所有的病人体征指标数据中的向量vector均指向警报级别节点；
所述病人ICU警报分级评估模型的输入为病人体征指标数据，根据输入的病人体征指标数据计算不同警报级别节点发生的概率：
Figure BDA0003779596780000121
其中：
F为输入模型的病人体征指标数据，f为病人体征指标数据中的向量；
wf为向量f的权重；
通过利用余弦相似度算法计算f与所构建概率图中向量vector的相似度，将相似度最高的vectorsim作为f在概率图中的表示，即
Figure BDA0003779596780000122
P(Ey|vectorsim)；
选取发生概率最大的警报级别节点作为所评估的ICU警报级别，其中E1对应ICU警报级别I，E2对应ICU警报级别II，E3对应ICU警报级别III，E4对应ICU警报级别IV。
S5：利用均衡化后的训练集D对病人ICU警报分级评估模型进行训练，得到训练优化后的病人ICU警报分级评估模型。
所述S5步骤中利用均衡化后的训练集D对病人ICU警报分级评估模型进行训练，包括：
利用均衡化后的训练集D中的样本数据对病人ICU警报分级评估模型进行训练，其中将样本中病人体征指标数据的向量作为病人ICU警报分级评估模型中的向量vector节点，并根据训练集D计算不同向量vector节点之间以及向量vector节点与警报级别节点之间的发生概率关系，构建得到基于概率图理论的病人ICU警报分级评估模型；
构建病人ICU警报分级评估模型训练的目标函数Fun：
Figure BDA0003779596780000123
Figure BDA0003779596780000124
其中：
Bz为训练集D中第z个样本的病人体征指标数据，
Figure BDA0003779596780000125
为Bz中的向量，
Figure BDA0003779596780000126
为向量的权重；
max(P(Ey|Bz))输出P(Ey|Bz)最大的ICU警报级别，为模型评估结果；
levelz为训练集D中第z个样本的真实ICU警报级别；
对模型中的权重参数进行训练，所述权重参数训练流程为：
Figure BDA0003779596780000131
其中：
W(k′)为在第k′迭代时的模型权重向量；
k′为权重参数向量的迭代次数，初始值为0，W(0)为随机生成的权重参数向量；
重复参数训练迭代流程，直到权重参数向量稳定不变或达到最大迭代次数Max，将训练得到的权重参数向量作为病人ICU警报分级评估模型的参数向量，得到训练优化后的病人ICU警报分级评估模型。
S6：实时采集病人的病人体征指标数据，并将所采集到的病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出ICU警报分级评估结果，医护人员根据ICU警报分级评估结果进行相应处置措施，减少警报疲劳。
所述S6步骤中实时采集病人的病人体征指标数据，并将所采集到的病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出ICU警报分级评估结果，包括：
实时采集病人的体征数据，将所采集的体征数据按照步骤S1的方法构建为病人体征数据指标集合，并按照步骤S2的方法将病人体征数据指标集合降维为病人体征指标数据；将病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出发生概率最大的ICU警报分级评估结果，医护人员根据ICU警报分级评估结果进行相应处置措施，处理优先级由高到低为I、II、III、IV，减少警报疲劳。
实施例2：
如图3所示，是本发明一实施例提供的精准ICU警报分级评估装置的功能模块图，其可以实现实施例1中的精准ICU警报分级评估方法。
本发明所述精准ICU警报分级评估装置100可以安装于电子设备中。根据实现的功能，所述精准ICU警报分级评估装置可以包括特征提取模块101、训练集获取装置102及ICU警报分级评估装置103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
特征提取模块101，用于采集病人体征数据，利用FFT方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合共同构成病人体征数据指标集合；基于线性局部切空间排列算法对构建的病人体征数据指标集合进行流形学习，得到降维后的病人体征指标数据；
训练集获取装置102，用于采集大量病人的病人体征指标数据构成训练集C，并构建混合采样模型对训练集C进行均衡化采样，得到均衡化后的训练集D；
ICU警报分级评估装置103，用于基于概率图理论构建病人ICU警报分级评估模型，利用均衡化后的训练集D对病人ICU警报分级评估模型进行训练，实时采集病人的病人体征指标数据，并将所采集到的病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出ICU警报分级评估结果。
详细地，本发明实施例中所述精准ICU警报分级评估装置100中的所述各模块在使用时采用与上述的图1中所述的精准ICU警报分级评估方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图4所示，是本发明一实施例提供的实现精准ICU警报分级评估方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如精准ICU警报分级评估程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如精准ICU警报分级评估程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(精准ICU警报分级评估程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的精准ICU警报分级评估程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和入院48小时内实验室检查指标数据集合A1，并利用FFT方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合A1共同构成病人体征数据指标集合A；
基于线性局部切空间排列算法对构建的病人体征数据指标集合A进行流形学习，最大限度保留原始高维特征数据信息，得到降维后的病人体征指标数据B；
采集大量病人的病人体征指标数据构成训练集C，并构建混合采样模型对训练集C进行均衡化采样，得到均衡化后的训练集D；
基于概率图理论构建病人ICU警报分级评估模型，其中所述模型的输入为病人体征指标数据，输出为ICU警报分级评估结果；
利用均衡化后的训练集D对病人ICU警报分级评估模型进行训练，得到训练优化后的病人ICU警报分级评估模型；
实时采集病人的病人体征指标数据，并将所采集到的病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出ICU警报分级评估结果，医护人员根据ICU警报分级评估结果进行相应处置措施，减少警报疲劳。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图4对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种精准ICU警报分级评估方法，其特征在于，所述方法包括：
S1：采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和入院48小时内实验室检查指标数据集合A1，并利用FFT方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合A1共同构成病人体征数据指标集合A；
采集病人体征数据，构成病人体征数据指标集合A，包括：
在病人进入ICU后，采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和病人入院48h内的实验室检查指标数据集合A1，所述生命体征检查时序数据为病人血压、心率以及呼吸频率的时序数据，所述入院48小时内的实验室检查指标包括病人尿液的酸碱度lab1、pH值lab2、尿比重lab3、尿蛋白lab4、尿糖lab5、管型lab6、胆红素lab7，病人血液的白细胞数量lab8、白细胞中五类细胞的数量及比例lab9、红细胞数量lab10、红细胞压积lab11、血红蛋白浓度lab12、平均红细胞体积lab13、平均红细胞血红蛋白量lab14、平均红细胞血红蛋白浓度lab15、血小板的数量lab16、血小板压积lab17以及三种血小板的比例指标lab18，所采集的病人体征数据为：
{x1(n1)，x2(n2)，x3(n3)，A1}
其中：
x1(n1)为病人血压的时序数据，n1＝0，1，...，N1，N1为时序数据长度；
x2(n2)为病人心率的时序数据，n2＝0，1，...，N2，N2为时序数据长度；
x3(n3)为病人呼吸频率的时序数据，n3＝0，1，...，N3，N3为时序数据长度；
A1为病人的实验室检查指标数据集合，包括18种的实验室检查指标{labnum|num∈[1，18]}；
利用FFT方法对采集的生命体征检查时序数据进行特征提取，所述利用FFT方法的特征提取流程为：
S11：将xi(ni)划分为奇偶两个时序数据，其中i＝1，2，3：
Figure FDA0004121726140000011
其中：
odd为奇数，
Figure FDA0004121726140000012
为xi(ni)中ni值为奇数的生命体征检查时序数据；
even为偶数，
Figure FDA0004121726140000013
为xi(ni)中ni值为偶数的生命体征检查时序数据；
S12：对所划分的奇偶时序数据进行FFT处理，所述FFT处理的公式为：
Figure FDA0004121726140000014
ni，1＝ni，2＝0，1，2，...，
Figure FDA0004121726140000015
其中：
j为虚数单位，j2＝-1，e为自然常数，k为FFT处理的点数，将其设置为32；
Xi(k)为xi(ni)的特征，X1(k)表示病人的血压特征，X2(k)表示病人的心率特征，X1(k)表示病人的呼吸特征；
将所提取特征与检查指标数据集合A1共同构成病人体征数据指标集合A＝{X1(k)，X2(k)，X3(k)，A1}；
S2：基于线性局部切空间排列算法对构建的病人体征数据指标集合A进行流形学习，得到降维后的病人体征指标数据B；
S3：按照步骤S1、S2方法采集大量病人的病人体征指标数据构成训练集C，并构建混合采样模型对训练集C进行均衡化采样，得到均衡化后的训练集D；
S4：基于概率图理论构建病人ICU警报分级评估模型，其中所述模型的输入为病人体征指标数据，输出为ICU警报分级评估结果；
S5：利用均衡化后的训练集D对病人ICU警报分级评估模型进行训练，得到训练优化后的病人ICU警报分级评估模型，所述利用均衡化后的训练集D对病人ICU警报分级评估模型进行训练，包括：
利用均衡化后的训练集D中的样本数据对病人ICU警报分级评估模型进行训练，其中将样本中病人体征指标数据的向量作为病人ICU警报分级评估模型中的向量vector节点，并根据训练集D计算不同向量vector节点之间以及向量vector节点与警报级别节点之间的发生概率关系，构建得到基于概率图理论的病人ICU警报分级评估模型；
构建病人ICU警报分级评估模型训练的目标函数Fun：
Figure FDA0004121726140000021
Figure FDA0004121726140000022
其中：
Bz为训练集D中第z个样本的病人体征指标数据，
Figure FDA0004121726140000023
为Bz中的向量，
Figure FDA0004121726140000024
为向量的权重；
max(P(Ey|Bz))输出P(Ey|Bz)最大的ICU警报级别，为模型评估结果；
levelz为训练集D中第z个样本的真实ICU警报级别；
对模型中的权重参数进行训练，所述权重参数训练流程为：
Figure FDA0004121726140000025
其中：
W(k′)为在第k′迭代时的模型权重向量；
k′为权重参数向量的迭代次数，初始值为0，W(0)为随机生成的权重参数向量；
重复参数训练迭代流程，直到权重参数向量稳定不变或达到最大迭代次数Max，将训练得到的权重参数向量作为病人ICU警报分级评估模型的参数向量，得到训练优化后的病人ICU警报分级评估模型；
S6：实时采集病人的病人体征指标数据，并将所采集到的病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出ICU警报分级评估结果，医护人员根据ICU警报分级评估结果进行相应处置措施。
2.如权利要求1所述的一种精准ICU警报分级评估方法，其特征在于，所述S2步骤中基于线性局部切空间排列算法对构建的病人体征数据指标集合A进行流形学习，得到病人体征指标数据B，包括：
基于线性局部切空间排列算法对构建的病人体征数据指标集合A进行流形学习，得到降维后的病人体征指标数据B，所述流形学习的流程为：
S21：将病人体征数据指标集合A转换为特征矩阵M：
M＝[X1(k)，X2(k)，X3(k)，lab1，lab2，...，lab18]＝[M1，M2，...，M21]
其中：
M1为特征矩阵M中的第一行，表示病人体征数据指标集合A中的X1(k)；
S22：构建中心化矩阵Ω：
Ω＝I-hhT/21
其中：
T表示矩阵的转置；
I为单位矩阵，h为元素全部为1的21维列向量；
S23：对于特征矩阵中的任意一行Mc，计算McΩ的21个最大奇异值，将21个最大奇异值的右向量构成奇异矩阵Vc；
S24：构建线性局部空间矩阵Sp：
Sp＝[Sp1，Sp2，...，Spc，...，Sp21]
Spc＝Ω(I-VcVc T)[Ω(I-VcVc T)]T
S25：构建特征矩阵M的低维映射表示：
|MΩSpMT-λI|＝0
其中：
λ为特征值，MΩSpMTα＝λMΩSpMTα，α为λ所对应的特征向量；
计算得到最大的m′个特征值，其中m′为所设置的降维后的维度，m′＜21：
将前m′大的特征值所对应的特征向量构成向量矩阵M′，则病人体征指标数据B为B＝(M′)TMΩ。
3.如权利要求1-2任一一项所述的一种精准ICU警报分级评估方法，其特征在于，所述S3步骤按照步骤S1、S2方法采集大量病人的病人体征指标数据构成训练集C，包括：
按照步骤S1、S2方法采集大量病人的病人体征指标数据构成训练集C，所述训练集C的表示形式为：
C＝{(Bu，levelu)|u∈[1，U]}
其中：
Bu表示训练集C中第u名病人的病人体征指标数据，levelu为Bu所对应的ICU警报级别，U表示训练集C中病人的总数；
将ICU警报级别设置为四种警报级别，分别为I、II、III、IV，其中I为处理优先级最高的警报级别，IV为处理优先级最低的警报级别。
4.如权利要求3所述的一种精准ICU警报分级评估方法，其特征在于，所述S3步骤中构建混合采样模型对训练集C进行均衡化采样，得到均衡化后的训练集D，包括：
构建混合采样模型对训练集C进行均衡化采样，所述均衡化采样的流程为：
计算训练集C的不平衡比率r＝numax/numin，其中numax为训练集C中四种警报级别中的最大样本数量，numin为训练集C中四种警报级别中的最小样本数量；
将训练集C按警报级别划分为四种警报级别数据集，其中Cmax为样本数量最多的警报级别数据集，Cmin为样本数量最少的警报级别数据集；
对警报级别训练集Cmax进行如下步骤的采样：
S31：计算警报级别训练集Cmax中任意样本的局部密度以及样本差异度：
ρmax，d＝NUM(Bmax，d，dis)
δmax，d＝min(ρmax，d，ρmax，d′)
其中：
ρmax，d为警报级别训练集Cmax中任意第d个样本的局部密度；
Bmax，d为警报级别训练集Cmax中任意第d个样本的病人体征指标数据；
NUM(Bmax，d，dis)为警报级别训练集Cmax中与Bmax，d之间距离小于dis的病人体征指标数据数量，dis为所设定的距离阈值；
δmax，d表示样本差异度，ρmax，d′＞ρmax，d，min(ρmax，d，ρmax，d′)表示任意第d个样本与更大局部密度样本的最小距离，所述距离的计算为病人体征指标数据的欧式距离计算；
删除局部密度为1的样本，得到警报级别训练集C′max；
S32：计算警报级别训练集C′max中任意样本的样本权重：
weightmax，d＝ρmax，dδmax，d
其中：
weightmax，d为警报级别训练集C′max中任意第d个样本的样本权重；
按样本权重降序对警报级别训练集C′max中的样本进行排序，按照采样率α1对排序后的样本进行采样，得到采样后的警报级别训练集C″max，所述采样率为随机选出的采样样本集占原始训练集的比例，其中：
Figure FDA0004121726140000041
对警报级别训练集Cmin进行如下步骤的采样：
1)计算警报级别训练集Cmin中任意样本的局部密度，其中局部密度的计算方法同警报级别训练集Cmax的采样方法；删除局部密度为1的样本，得到警报级别训练集C′min；
2)计算警报级别训练集Cmin中待合成的样本数n′min：
n′min＝(nu′max-numin)×β
其中：
nu′max为警报级别训练集C″max中的样本数量；
＝为采样系数，将其设置为0.3；
3)在警报级别训练集C′min中选取前n′min个局部密度最大的样本作为基础样本，每个基础样本生成一个样本，得到n′min个生成样本，所述样本的生成公式为：
Figure FDA0004121726140000044
其中：
Bmin，d为警报级别训练集C′min中基础样本的病人体征指标数据，Bmin，d′为所生成样本的病人体征指标数据，并为该病人体征指标数据标记警报级别训练集C′min的警报级别，得到生成样本；
rand(0，1)为0～1之间的随机数；
Figure FDA0004121726140000045
为Bmin，d的邻近数据；
4)将生成样本添加到警报级别训练集C′min中得到警报级别训练集C″min，按照采样率α2对警报级别训练集C″min进行采样，得到采样后的警报级别训练集C″′min，其中：
Figure FDA0004121726140000042
对其余两个警报级别训练集按照0.4的采样率进行随机采样；
将采样后的警报级别训练集作为均衡化后的训练集D。
5.如权利要求1所述的一种精准ICU警报分级评估方法，其特征在于，所述S4步骤中基于概率图理论构建病人ICU警报分级评估模型，包括：
基于概率图理论构建病人ICU警报分级评估模型，所述ICU警报分级评估模型为图结构G＝(E，V)，其中E表示节点集合，节点包括病人体征指标数据中的向量vector以及四种警报级别节点(E1，E2，E3，E4)，所述病人体征指标数据为降维后的矩阵，矩阵中的列即为向量，V表示边集合，所述边为有向边，有向边vectora→vectorb表示在发生vectora的情况下，发生vectorb的概率P(vectorb|vectora)，所有的病人体征指标数据中的向量vector均指向警报级别节点；
所述病人ICU警报分级评估模型的输入为病人体征指标数据，根据输入的病人体征指标数据计算不同警报级别节点发生的概率：
Figure FDA0004121726140000043
其中：
F为输入模型的病人体征指标数据，f为病人体征指标数据中的向量；
wf为向量f的权重；
通过利用余弦相似度算法计算f与所构建概率图中向量vector的相似度，将相似度最高的vectorsim作为f在概率图中的表示，即
Figure FDA0004121726140000051
选取发生概率最大的警报级别节点作为所评估的ICU警报级别，其中E1对应ICU警报级别I，E2对应ICU警报级别II，E3对应ICU警报级别III，E4对应ICU警报级别IV。
6.如权利要求1所述的一种精准ICU警报分级评估方法，其特征在于，所述S6步骤中实时采集病人的病人体征指标数据，并将所采集到的病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出ICU警报分级评估结果，包括：
实时采集病人的体征数据，将所采集的体征数据按照步骤S1的方法构建为病人体征数据指标集合，并按照步骤S2的方法将病人体征数据指标集合降维为病人体征指标数据；将病人体征指标数据输入到训练优化后的病人ICU警报分级评估模型中，模型输出发生概率最大的ICU警报分级评估结果，医护人员根据ICU警报分级评估结果进行相应处置措施，处理优先级由高到低为I、II、III、IV，减少警报疲劳。
CN202210925989.1A 2022-08-03 2022-08-03 一种精准icu警报分级评估方法 Active CN115336977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210925989.1A CN115336977B (zh) 2022-08-03 2022-08-03 一种精准icu警报分级评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210925989.1A CN115336977B (zh) 2022-08-03 2022-08-03 一种精准icu警报分级评估方法

Publications (2)

Publication Number Publication Date
CN115336977A CN115336977A (zh) 2022-11-15
CN115336977B true CN115336977B (zh) 2023-05-02

Family

ID=83950702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210925989.1A Active CN115336977B (zh) 2022-08-03 2022-08-03 一种精准icu警报分级评估方法

Country Status (1)

Country Link
CN (1) CN115336977B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116763268B (zh) * 2023-05-10 2024-01-26 广州培生信息技术有限公司 一种人体多指标检测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103476328A (zh) * 2011-04-14 2013-12-25 皇家飞利浦有限公司 用于患者监测器的阶梯式警报方法
CN112712898A (zh) * 2020-12-29 2021-04-27 中南大学湘雅医院 一种颅脑创伤专科病情早期预警方法及运行终端
CN112987675A (zh) * 2021-05-06 2021-06-18 北京瑞莱智慧科技有限公司 一种异常检测的方法、装置、计算机设备和介质
CN113792952A (zh) * 2021-02-23 2021-12-14 北京沃东天骏信息技术有限公司 用于生成模型的方法和装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112015001034B4 (de) * 2014-02-27 2023-08-10 Drägerwerk AG & Co. KGaA Alarmverwaltung für eine medizinische Vorrichtung
US20210282649A1 (en) * 2019-10-31 2021-09-16 Peach Intellihealth, Inc. Systems and methods for predicting high frequency and low frequency patient parameters
CN111695626B (zh) * 2020-06-10 2023-10-31 湖南湖大金科科技发展有限公司 基于混合采样与特征选择的高维度不平衡数据分类方法
CN112465006B (zh) * 2020-11-24 2022-08-05 中国人民解放军海军航空大学 一种图神经网络目标跟踪方法及装置
CN113349746A (zh) * 2021-07-21 2021-09-07 中南大学湘雅医院 一种生命体征监测报警系统
CN113990502A (zh) * 2021-10-28 2022-01-28 浙江大学 一种基于异构图神经网络的icu心衰预测系统
CN114398479A (zh) * 2021-11-13 2022-04-26 重庆邮电大学 基于时序交互图神经网络的文本分类方法、装置及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103476328A (zh) * 2011-04-14 2013-12-25 皇家飞利浦有限公司 用于患者监测器的阶梯式警报方法
CN112712898A (zh) * 2020-12-29 2021-04-27 中南大学湘雅医院 一种颅脑创伤专科病情早期预警方法及运行终端
CN113792952A (zh) * 2021-02-23 2021-12-14 北京沃东天骏信息技术有限公司 用于生成模型的方法和装置
CN112987675A (zh) * 2021-05-06 2021-06-18 北京瑞莱智慧科技有限公司 一种异常检测的方法、装置、计算机设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
临床警报相关不良事件发生的影响因素及对策.《中国护理管理》.2019,第720-724页. *

Also Published As

Publication number Publication date
CN115336977A (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
Sopic et al. Real-time event-driven classification technique for early detection and prevention of myocardial infarction on wearable systems
Mao et al. An integrated data mining approach to real-time clinical monitoring and deterioration warning
CN108492887A (zh) 医疗知识图谱构建方法及装置
CN109785976A (zh) 一种基于Soft-Voting的痛风病分期预测系统
US20170147753A1 (en) Method for searching for similar case of multi-dimensional health data and apparatus for the same
CN108135548A (zh) 用于监测压力状态的方法和系统
US20070066906A1 (en) Complexity-based dynamical analysis of a network
Udhayakumar et al. Understanding irregularity characteristics of short-term HRV signals using sample entropy profile
CN115336977B (zh) 一种精准icu警报分级评估方法
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及系统
CN111243753A (zh) 一种面向医疗数据的多因素相关性交互式分析方法
CN112786203A (zh) 一种机器学习糖尿病视网膜病变发病风险预测方法及应用
CN107506606A (zh) 常见疾病风险预测方法及系统
Patil et al. An Adaptive parameter free data mining approach for healthcare application
CN112397204B (zh) 一种预测高原病的方法、装置、计算机设备和存储介质
US11961204B2 (en) State visualization device, state visualization method, and state visualization program
CN116884612A (zh) 疾病风险等级的智能分析方法、装置、设备及存储介质
CN111292852A (zh) 基于随机森林算法的脑炎、脑膜炎智能辅助诊断系统
CN107194918B (zh) 数据分析方法及装置
CN110853761A (zh) 一种基于极端梯度提升算法的精神病高危识别模型
CN109102896A (zh) 一种分类模型生成方法、数据分类方法及装置
Hussain et al. Diagnosing neurally mediated syncope using classification techniques
Martins et al. Be-sys: Big data e-health system for analysis and detection of risk of septic shock in adult patients
CN111755086A (zh) 数据异常检测方法及装置
CN115399738B (zh) 一种快速icu虚假警报识别方法

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