CN115736915B - 基于多源信息融合的患者体能评估方法 - Google Patents
基于多源信息融合的患者体能评估方法 Download PDFInfo
- Publication number
- CN115736915B CN115736915B CN202211454731.4A CN202211454731A CN115736915B CN 115736915 B CN115736915 B CN 115736915B CN 202211454731 A CN202211454731 A CN 202211454731A CN 115736915 B CN115736915 B CN 115736915B
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- sample
- heart rate
- grip
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 239000008280 blood Substances 0.000 claims abstract description 26
- 210000004369 blood Anatomy 0.000 claims abstract description 26
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 15
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 15
- 239000001301 oxygen Substances 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 9
- 230000003908 liver function Effects 0.000 claims description 7
- 238000009534 blood test Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000000284 resting effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000037396 body weight Effects 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 239000003623 enhancer Substances 0.000 claims description 3
- 238000007449 liver function test Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000009666 routine test Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 5
- 206010028980 Neoplasm Diseases 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 4
- 230000007105 physical stamina Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000035764 nutrition Effects 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 230000036314 physical performance Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000002720 Malnutrition Diseases 0.000 description 1
- 206010067268 Post procedural infection Diseases 0.000 description 1
- 208000035965 Postoperative Complications Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001071 malnutrition Effects 0.000 description 1
- 235000000824 malnutrition Nutrition 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 208000015380 nutritional deficiency disease Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及临床患者体能状态评估技术领域,提供一种基于多源信息融合的患者体能评估方法,包括:对患者运动过程的心率和血氧饱和度进行数据采集,对患者运动过程的运动信息进行采集,采集患者指定距离的步行速度;对患者的惯用手的最大握力进行采集;并收集患者的临床化验数据;对多源生理数据进行特征提取,得到生理特征数据集;采用基于多元链式方程和集成学习的数据填充方法,对数据集中存在的缺失值进行插补;对患者的生理特征数据集进行数据扩充,将原本类分布不平衡的样本进行数据过采样,得到类别分布平衡的数据集;进行分层次训练,并进行超参数的调优,得到患者体能评估结果。本发明能够对患者的体能进行客观量化评估。
Description
技术领域
本发明涉及临床患者体能状态评估技术领域,尤其涉及一种基于多源信息融合的患者体能评估方法。
背景技术
研究表明,肿瘤患者的治疗后生存质量与体能状态具有相关性。由于肿瘤患者本身常合并多种基础疾病,加之肿瘤对机体的营养消耗,营养消化吸收障碍,明显加剧了病人营养不良发生率,致使许多肿瘤病人的体能水平下降,增加术后并发症的发生率及住院时间和医疗费用。对肿瘤病人在术前采取预康复手段,即给予营养支持和适度的运动计划,有助于改善肿瘤病人的术后身体的体能状况,可提高病人对手术或放化疗的耐受力,减少术后感染等并发症的发生。因此,尽早识别体能等级较差的肿瘤病人,实施体能提升方案是非常必要的。
目前的研究中,仍然没有一种适用于病人的体能评估的方法。由于患者的身体状况较差,身体虚弱,心理状态敏感,无法使用健康人的体能评估模型,仍需要临床医生根据量表对患者进行评估。存在不足:(1)不同医师根据量表的主观评估结果可能不同;(2)评估标准缺乏客观数据支持;(3)对临床医生的操作技术要求较高。
因此,针对肿瘤患者设计一种客观量化的、结合患者生理数据和智能计算方法的患者体能评估方法具有重大的作用和实际应用价值。
发明内容
本发明主要解决当前临床上对患者的体能评估仍由医师通过量表进行主观评估,存在主观性缺乏客观数据支撑的技术问题,提出一种基于多源信息融合的患者体能评估方法,利用多传感器采集的患者的多源生理数据,结合临床的身体成分分析数据以及血液化验数据,运用人工智能方法,对患者的生理特征数据集中的缺失值进行填充,并对患者的体能进行客观量化评估。
本发明提供了一种基于多源信息融合的患者体能评估方法,包括以下过程:
步骤100,将指夹式心率血氧仪夹在患者手指,将惯性传感器佩戴在患者身上;
步骤200,利用指夹式心率血氧仪对患者运动过程的心率和血氧饱和度进行数据采集,并利用惯性传感器对患者运动过程的运动信息进行采集,采集患者指定距离的步行速度;利用电子握力计对患者的惯用手的最大握力进行采集;并收集患者的临床化验数据,所述临床化验数据包括但不限于身体成分分析数据、血液常规化验数据以及肝功能化验数据;
步骤300,针对步骤200中所采集的多源生理数据进行特征提取,得到生理特征数据集X0;其中,所述多源生理数据,包括但不限于:心率、血氧饱和度、运动信息、步行速度、握力、身体成分分析数据、血液常规化验数据以及肝功能化验数据;
步骤400,采用基于多元链式方程和集成学习的数据填充方法,对数据集中存在的缺失值进行插补;
步骤500,利用基于马氏距离和边界限定的数据过采样技术,对步骤400中得到的患者的生理特征数据集进行数据扩充,将原本类分布不平衡的样本进行数据过采样,得到类别分布平衡的数据集;
步骤600,将步骤500中完成数据过采样的数据集作为训练数据,利用多模型融合的分类算法,进行分层次训练,并进行超参数的调优,得到患者体能评估结果。
进一步的,所述步骤300包括步骤301至306:
步骤301,对采集的心率数据,提取患者的轻量运动后的心率恢复率特征,公式如下:
其中,HR_recovery表示心率恢复率特征,T1表示运动后休息时心率恢复到运动前平稳状态的时间,T0表示运动过程中心率达到峰值的时间,f表示采集频率;
步骤302,对采集的心率数据,提取心率储备特征,公式如下:
HRreserve=HRmax-HRrest;
其中,HRreserve表示心率储备特征,HRmax表示运动状态中心率达到的最大值,HRrest表示休息状态心率值,同时提取心率数据的均值,最大值,方差,标准差加入到特征集合X0中;
步骤303,对采集的患者的惯用手最大握力数据,进行握力-体重指数和握力-BMI指数的提取,将得到的握力-体重指数和握力-BMI指数加入到特征集合X0中;
进行握力-体重指数提取的公式:
进行握力-BMI指数提取的公式:
其中,GS_weight_index表示握力-体重指数,GS_BMI_index表示握力-BMI指数,GS表示所测量的最大握力,weight表示患者的体重,BMI表示患者的BMI指数;
步骤304,采集患者的行走速度WS作为步速特征,加入到特征集合X0中;
步骤305,将血氧饱和度数据的均值和方差作为特征,加入到特征集合X0中;
步骤306,将患者临床化验数据中的身体成分分析数据以及血常规报告和肝功能验血报告中的数据作为特征,加入到特征集合X0中。
进一步的,所述步骤400包括步骤401至409:
步骤401,将特征数据集X和标签数据集y,合并为:整体数据集合Xmiss;
步骤402,将整体数据集合Xmiss中存在的全部缺失值的特征所在列的索引,存放在缺失值索引集合变量missing_index中,并对于missing_index中的所有索引值,进行步骤403至步骤409;
步骤403,将整体数据集合Xmiss拆分为当前需要进行数据填充的特征所在的列,记作x[i],剩余部分记作X′,此时,x[i]和X′中均存在缺失值;步骤404,使用基于多元链式方程的数据插补模型MI,对X′中存在的缺失值进行数据填充,得到经过填充的剩余数据集X″,记作:X″=MI(X′,n);
步骤405,将x[i]拆分为(xmiss,x[i]″),将X″拆分为其中xmiss包含了x[i]中的所有的缺失值,x[i]″则为x[i]的剩余部分;
步骤406,将经过填充的剩余数据集X″和x[i]的剩余部分x[i]″作为训练集和标签集,需要进行缺失值预测的目标数据集记作
步骤407,使用基于集成学习的分类器在经过填充的剩余数据集X″和x[i]的剩余部分x[i]″上进行训练,得到缺失值插补器f,并使用缺失值插补器f对需要进行缺失值预测的目标数据集中的缺失值进行填充,得到插补值的集合ximp;
步骤408,通过使用插补值集合ximp中的插补值,替换当前所处理的含有缺失值的特征x[i]中的对应位置的缺失值xmiss,得到完成插补后的特征x′[i];
步骤409,使用步骤408中得到的完成插补后的特征x′[i],替换整体数据集合Xmiss中的缺失值x[i],得到完整数据集X_complete。
进一步的,所述步骤500包括步骤501至步骤506:
步骤501,利用以下公式计算需要合成的样本数量:
G=(ml-ms)β;
其中,G表示需要合成的样本数量,ml表示多数类样本,ms为少数类样本,β∈(0,1);
步骤502,利用以下公式计算样本间的马氏距离:
其中,MD(x)表示马氏距离,x表示需要计算距离的样本,x的均值为μ,协方差矩阵为S;
步骤503,根据马氏距离,计算样本s周围的N近邻样本,如果Nl=N,则样本s周围的N近邻样本都为多数类样本,此时样本s被视作噪声点不进行数据合成操作;如果Nl>Ns,则将该样本s放入待合成样本集合E中;如果Nl<Ns,则该样本s位于多数类与少数类样本的边界区域之外,不予合成;经过此步骤,得到待合成的样本集合E={s1,s2,…si,…,sn};
其中,Nl表示多数类样本,Ns表示少数类样本;
步骤504,以下公式计算样本s的比率,并进行正则化,得到样本s的增广比率:
其中,ri′表示样本s的增广比率ri经过正则化后所得到的比率;
步骤505,集合E={s1,s2,…si,…,sn}中每个需要合成的样本的待合成样本数量:
gi=ri′×G;
其中,gi表示待合成样本数量;
步骤506,将集合E={s1,s2,…si,…,sn}中需要合成的样本si和其N近邻中的一个少数类样本sj,合成样本sij=si+(sj-si)λ;
其中,λ为(0,1)之间的随机数。
进一步的,步骤600包含步骤601至602:
步骤601,在MMDF的第一级中,使用五个分类器作为基础学习器,分别对步骤500中得到的特征集合X进行训练,将每个分类器得到的对每一类样本的后验概率的结果,放入到集合X2中;
步骤602,使用第二级的logistic回归模型作为元学习器来接收第一级的数据集X2,输出最终的分类结果,得到患者体能评估结果。
进一步的,在步骤601中,五个分类器分别为:极度梯度提升树、轻型梯度提升器、随即森林、自适应增强器、梯度提升学习器。
本发明提供的一种基于多源信息融合的患者体能评估方法,利用针对肿瘤患者的体能评估的实验范式对患者进行轻量化运动实验;利用穿戴式传感器采集人体的心率、血氧饱和度、运动加速度、惯用手最大握力、步速;利用特征提取技术对心率,惯用手最大握力,血氧饱和度,运动信号,步速,进行特征提取并加入特征集,并结合患者的身体成分分析报告和血液化验报告中的生理数据,得到生理特征数据集;利用基于马氏距离和边界定位的数据过采样方法进行样本集合的不平衡问题的处理;利用多模型决策融合方法,构建高精度的机器学习分类器,对得到的平衡数据集进行分类;利用基于集成学习与多元链式方程的缺失值插补方法,对部分患者存在的缺失特征进行填补。本发明利用多传感器采集的患者的多源生理数据,结合临床的身体成分分析数据以及血液化验数据,运用人工智能方法,对患者的生理特征数据集中的缺失值进行填充,并对患者的体能进行客观量化评估,能解决由医生主观评估带来的不同医生的评估结果不同、对临床医生的经验要求较高、主观性强缺乏有效的数据支撑的一系列问题,能客观、有效和准确的评估肿瘤患者的体能。由于所采用技术的普适性,本发明同时可以推广到对包括但不限于运动员、军人及军校学生等群体的体能评估领域中。
附图说明
图1是本发明提供的基于多源信息融合的患者体能评估方法的实现流程图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
如图1所示,本发明提供的基于多源信息融合的患者体能评估方法,包括以下过程:
步骤100,将指夹式心率血氧仪夹在患者手指,将惯性传感器佩戴在患者身上。
具体的,将惯性传感器节点佩戴于受试者身上,分别佩戴于两侧脚踝、腰部,血氧饱和度测试仪佩戴于受试者右手中指。
步骤200,利用指夹式心率血氧仪对患者运动过程的心率和血氧饱和度进行数据采集,并利用惯性传感器对患者运动过程的运动信息进行采集,采集患者指定距离的步行速度,指定距离例如为10米;利用电子握力计对患者的惯用手的最大握力进行采集;并收集患者的临床化验数据,所述临床化验数据包括但不限于身体成分分析数据、血液常规化验数据以及肝功能化验数据。
所述运动信息是通过惯性传感器采集的患者运动过程中的三轴加速度原始数据。所述步行速度是通过患者的行走时间和行走距离计算得到,行走时间通过秒表计时。
在本发明中,所述运动过程是轻量化运动,利用轻量化运动的实验范式指导患者在室内环境进行运动,达到对生理数据进行有效采集的目的,步骤200包括步骤201至205:
步骤201,待受试者坐在座椅上安静休息1分钟后,此时采集系统准备完成、受试者的血氧和心率指标平稳,观测并记录此时患者心率,患者根据指令,然后按照规定的起始位置完成距离为10米的行走,到达停止线后停止行走,记录行走时长,完成步速测量试验。
步骤202,进一步,患者根据指令依次完成10次高抬腿动作、10次蹲下—起立动作。所有动作完成后,患者静坐在椅子上休息,惯性传感器采集结束并保存,继续采集心率及血氧数据,直至患者心率恢复至实验前状态,停止采集并保存数据。
步骤203,握力测量实验:采用电子握力计,测量三次患者的惯用手的最大握力并记录,取最大值作为患者的握力数据。其中,握力具体测量方法:(1)握力器的显示屏向外侧,根据手掌大小调节使食指的第二关节接近直角后进行测量。(2)身体挺直双脚自然分开,握力器尽量不要碰到身体或者衣服,测定时不要让握力器来回摆动。
步骤204,肿瘤患者临床化验指标收集及录入,收集并记录患者入院的临床化验数据,包括:身体成分分析数据、血液常规化验数据以及肝功能化验数据。
步骤205,录入临床医生根据ECOG量表对患者进行体能状态评估的结果。
本步骤利用多个传感器采集患者的相关生理数据,并结合医院提供的相关的临床化验数据,完成可用于患者体能评估的多源生理数据的构建。
步骤300,针对步骤200中所采集的多源生理数据进行特征提取,得到生理特征数据集X0。
所述多源生理数据,包括但不限于:心率、血氧饱和度、运动信息、步行速度、握力、身体成分分析数据、血液常规化验数据以及肝功能化验数据。
利用特征提取技术对多源生理数据进行特征提取,构成能够评估患者体能的生理特征集合X0,步骤300包括步骤301至306:
步骤301,对采集的心率数据,提取患者的轻量运动后的心率恢复率特征,公式如下:
其中,HR_recovery表示心率恢复率特征,T1表示运动后休息时心率恢复到运动前平稳状态的时间,T0表示运动过程中心率达到峰值的时间,f表示采集频率;
步骤302,对采集的心率数据,提取心率储备特征,公式如下:
HRreserve=HRmax-HRrest;
其中,HRreserve表示心率储备特征,HRmax表示运动状态中心率达到的最大值,HRrest表示休息状态心率值,同时提取心率数据的均值,最大值,方差,标准差加入到特征集合X0中;
步骤303,对采集的患者的惯用手最大握力数据,进行握力-体重指数和握力-BMI指数的提取,将得到的握力-体重指数和握力-BMI指数加入到特征集合X0中;
进行握力-体重指数提取的公式:
进行握力-BMI指数提取的公式:
其中,GS_weight_index表示握力-体重指数,GS_BMI_index表示握力-BMI指数,GS表示所测量的最大握力,weight表示患者的体重,BMI表示患者的BMI指数;
步骤304,采集患者的行走速度WS作为步速特征,加入到特征集合X0中;
步骤305,将血氧饱和度数据的均值和方差作为特征,加入到特征集合X0中;
步骤306,将患者临床化验数据中的身体成分分析数据以及血常规报告和肝功能验血报告中的数据作为特征,加入到特征集合X0中。
步骤400,采用基于多元链式方程和集成学习的数据填充方法,对数据集中存在的缺失值进行插补。
在本步骤中,针对由于患者生理特征数据集中存在的数据缺失问题,进行缺失值插补,具体的,步骤400包括步骤401至409:
步骤401,将特征数据集X和标签数据集y,合并为:整体数据集合Xmiss;
步骤402,将整体数据集合Xmiss中存在的全部缺失值的特征所在列的索引,存放在缺失值索引集合变量missing_index中,并对于missing_index中的所有索引值,进行步骤403至步骤409;
步骤403,将整体数据集合Xmiss拆分为当前需要进行数据填充的特征所在的列,记作x[i],剩余部分记作X′,此时,x[i]和X′中均存在缺失值;步骤404,使用基于多元链式方程的数据插补模型MI,对X′中存在的缺失值进行数据填充,得到经过填充的剩余数据集X″,记作:X″=MI(X′,n);
步骤405,将x[i]拆分为(xmiss,x[i]″),将X″拆分为其中xmiss包含了x[i]中的所有的缺失值,x[i]″则为x[i]的剩余部分;
步骤406,将经过填充的剩余数据集X″和x[i]的剩余部分x[i]″作为训练集和标签集,需要进行缺失值预测的目标数据集记作
步骤407,使用基于集成学习的分类器在经过填充的剩余数据集X″和x[i]的剩余部分x[i]″上进行训练,得到缺失值插补器f,并使用缺失值插补器f对需要进行缺失值预测的目标数据集中的缺失值进行填充,得到插补值的集合ximp;
步骤408,通过使用插补值集合ximp中的插补值,替换当前所处理的含有缺失值的特征x[i]中的对应位置的缺失值xmiss,得到完成插补后的特征x′[i];
步骤409,使用步骤408中得到的完成插补后的特征x′[i],替换整体数据集合Xmiss中的缺失值x[i],得到完整数据集X_complete。
步骤500,利用基于马氏距离和边界限定的数据过采样技术,对步骤400中得到的患者的生理特征数据集进行数据扩充,将原本类分布不平衡的样本进行数据过采样,得到类别分布平衡的数据集。
具体的,步骤500包括步骤501至步骤506:
步骤501,利用以下公式计算需要合成的样本数量:
G=(ml-ms)β;
其中,G表示需要合成的样本数量,ml表示多数类样本,ms为少数类样本,β∈(0,1);
步骤502,利用以下公式计算样本间的马氏距离:
其中,MD(x)表示马氏距离,x表示需要计算距离的样本,x的均值为μ,协方差矩阵为S;
步骤503,根据马氏距离,计算样本s周围的N近邻样本,如果Nl=N,则样本s周围的N近邻样本都为多数类样本,此时样本s被视作噪声点不进行数据合成操作;如果Nl>Ns,则将该样本s放入待合成样本集合E中;如果Nl<Ns,则该样本s位于多数类与少数类样本的边界区域之外,不予合成;经过此步骤,得到待合成的样本集合E={s1,s2,…si,…,sn};
其中,Nl表示多数类样本,Ns表示少数类样本。
步骤504,以下公式计算样本s的比率,并进行正则化,得到样本s的增广比率。
其中,ri′表示样本s的增广比率ri经过正则化后所得到的比率;
步骤505,集合E={s1,s2,…si,…,sn}中每个需要合成的样本的待合成样本数量:
gi=ri′×G;
其中,gi表示待合成样本数量。
步骤506,将集合E={s1,s2,…si,…,sn}中需要合成的样本si和其N近邻中的一个少数类样本sj,合成样本sij=si+(sj-si)λ。
其中,λ为(0,1)之间的随机数。
步骤600,将步骤500中完成数据过采样的数据集作为训练数据,利用多模型融合的分类算法(MMDF),进行分层次训练,并进行超参数的调优,得到患者体能评估结果。
具体的,步骤600包含步骤601至602:
步骤601,在MMDF的第一级中,使用五个分类器作为基础学习器,分别对步骤500中得到的特征集合X进行训练,将每个分类器得到的对每一类样本的后验概率的结果,放入到集合X2中。
在步骤601中,对所有分类器使用网格搜索方法进行超参数优化。五个分类器分别为:极度梯度提升树XGBoost、轻型梯度提升器LGBMClassifier、随即森林RandomForest、自适应增强器AdaBoost、梯度提升学习器GradientBoosting。
步骤602,使用第二级的logistic回归模型作为元学习器来接收第一级的数据集X2,输出最终的分类结果,得到患者体能评估结果。
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,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 (4)
1.一种基于多源信息融合的患者体能评估方法,其特征在于,包括以下过程:
步骤100,将指夹式心率血氧仪夹在患者手指,将惯性传感器佩戴在患者身上;
步骤200,利用指夹式心率血氧仪对患者运动过程的心率和血氧饱和度进行数据采集,并利用惯性传感器对患者运动过程的运动信息进行采集,采集患者指定距离的步行速度;利用电子握力计对患者的惯用手的最大握力进行采集;并收集患者的临床化验数据,所述临床化验数据包括但不限于身体成分分析数据、血液常规化验数据以及肝功能化验数据;
步骤300,针对步骤200中所采集的多源生理数据进行特征提取,得到生理特征数据集X0;其中,所述多源生理数据,包括但不限于:心率、血氧饱和度、运动信息、步行速度、握力、身体成分分析数据、血液常规化验数据以及肝功能化验数据;
步骤400,采用基于多元链式方程和集成学习的数据填充方法,对数据集中存在的缺失值进行插补;
步骤500,利用基于马氏距离和边界限定的数据过采样技术,对步骤400中得到的患者的生理特征数据集进行数据扩充,将原本类分布不平衡的样本进行数据过采样,得到类别分布平衡的数据集;所述步骤500包括步骤501至步骤506:
步骤501,利用以下公式计算需要合成的样本数量:
G=(ml-ms)β;
其中,G表示需要合成的样本数量,ml表示多数类样本,ms为少数类样本,β∈(0,1);
步骤502,利用以下公式计算样本间的马氏距离:
其中,MD(x)表示马氏距离,x表示需要计算距离的样本,x的均值为μ,协方差矩阵为S;
步骤503,根据马氏距离,计算样本s周围的N近邻样本,如果Nl=N,则样本s周围的N近邻样本都为多数类样本,此时样本s被视作噪声点不进行数据合成操作;如果Nl>Ns,则将该样本s放入待合成样本集合E中;如果Nl<Ns,则该样本s位于多数类与少数类样本的边界区域之外,不予合成;经过此步骤,得到待合成的样本集合E={s1,s2,L si,L,sn};
其中,Nl表示多数类样本,Ns表示少数类样本;
步骤504,以下公式计算样本s的比率,并进行正则化,得到样本s的增广比率:
其中,ri′表示样本s的增广比率ri经过正则化后所得到的比率;
步骤505,集合E={s1,s2,L si,L,sn}中每个需要合成的样本的待合成样本数量:
gi=ri′×G;
其中,gi表示待合成样本数量;
步骤506,将集合E={s1,s2,L si,L,sn}中需要合成的样本si和其N近邻中的一个少数类样本sj,合成样本sij=si+(sj-si)λ;
其中,λ为(0,1)之间的随机数;
步骤600,将步骤500中完成数据过采样的数据集作为训练数据,利用多模型融合的分类算法,进行分层次训练,并进行超参数的调优,得到患者体能评估结果;步骤600包含步骤601至步骤602:
步骤601,在MMDF的第一级中,使用五个分类器作为基础学习器,分别对步骤500中得到的特征集合X进行训练,将每个分类器得到的对每一类样本的后验概率的结果,放入到集合X2中;
步骤602,使用第二级的logistic回归模型作为元学习器来接收第一级的数据集X2,输出最终的分类结果,得到患者体能评估结果。
2.根据权利要求1所述的基于多源信息融合的患者体能评估方法,其特征在于,所述步骤300包括步骤301至步骤306:
步骤301,对采集的心率数据,提取患者的轻量运动后的心率恢复率特征,公式如下:
其中,HR_recovery表示心率恢复率特征,T1表示运动后休息时心率恢复到运动前平稳状态的时间,T0表示运动过程中心率达到峰值的时间,f表示采集频率;
步骤302,对采集的心率数据,提取心率储备特征,公式如下:
HRreserve=HRmax-HRrest;
其中,HRreserve表示心率储备特征,HRmax表示运动状态中心率达到的最大值,HRrest表示休息状态心率值,同时提取心率数据的均值,最大值,方差,标准差加入到特征集合X0中;
步骤303,对采集的患者的惯用手最大握力数据,进行握力-体重指数和握力-BMI指数的提取,将得到的握力-体重指数和握力-BMI指数加入到特征集合X0中;
进行握力-体重指数提取的公式:
进行握力-BMI指数提取的公式:
其中,GS_weight_index表示握力-体重指数,GS_BMI_index表示握力-BMI指数,GS表示所测量的最大握力,weight表示患者的体重,BMI表示患者的BMI指数;
步骤304,采集患者的行走速度WS作为步速特征,加入到特征集合X0中;
步骤305,将血氧饱和度数据的均值和方差作为特征,加入到特征集合X0中;
步骤306,将患者临床化验数据中的身体成分分析数据以及血常规报告和肝功能验血报告中的数据作为特征,加入到特征集合X0中。
3.根据权利要求2所述的基于多源信息融合的患者体能评估方法,其特征在于,所述步骤400包括步骤401至步骤409:
步骤401,将特征数据集X和标签数据集y,合并为:整体数据集合Xmiss;
步骤402,将整体数据集合Xmiss中存在的全部缺失值的特征所在列的索引,存放在缺失值索引集合变量missing_index中,并对于missing_index中的所有索引值,进行步骤403至步骤409;
步骤403,将整体数据集合Xmiss拆分为当前需要进行数据填充的特征所在的列,记作x[i],剩余部分记作X′,此时,x[i]和X′中均存在缺失值;步骤404,使用基于多元链式方程的数据插补模型MI,对X′中存在的缺失值进行数据填充,得到经过填充的剩余数据集X″,记作:X″=MI(X′,n);
步骤405,将x[i]拆分为(xmiss,x[i]″),将X″拆分为其中xmiss包含了x[i]中的所有的缺失值,x[i]″则为x[i]的剩余部分;
步骤406,将经过填充的剩余数据集X″和x[i]的剩余部分x[i]″作为训练集和标签集,需要进行缺失值预测的目标数据集记作
步骤407,使用基于集成学习的分类器在经过填充的剩余数据集X″和x[i]的剩余部分x[i]″上进行训练,得到缺失值插补器f,并使用缺失值插补器f对需要进行缺失值预测的目标数据集中的缺失值进行填充,得到插补值的集合ximp;
步骤408,通过使用插补值集合ximp中的插补值,替换当前所处理的含有缺失值的特征x[i]中的对应位置的缺失值xmiss,得到完成插补后的特征x′[i];
步骤409,使用步骤408中得到的完成插补后的特征x′[i],替换整体数据集合Xmiss中的缺失值x[i],得到完整数据集X_complete。
4.根据权利要求3所述的基于多源信息融合的患者体能评估方法,其特征在于,在步骤601中,五个分类器分别为:极度梯度提升树、轻型梯度提升器、随即森林、自适应增强器、梯度提升学习器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211454731.4A CN115736915B (zh) | 2022-11-21 | 2022-11-21 | 基于多源信息融合的患者体能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211454731.4A CN115736915B (zh) | 2022-11-21 | 2022-11-21 | 基于多源信息融合的患者体能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115736915A CN115736915A (zh) | 2023-03-07 |
CN115736915B true CN115736915B (zh) | 2024-04-26 |
Family
ID=85333452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211454731.4A Active CN115736915B (zh) | 2022-11-21 | 2022-11-21 | 基于多源信息融合的患者体能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115736915B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102046076A (zh) * | 2008-04-03 | 2011-05-04 | Kai医药公司 | 非接触式生理运动传感器及其使用方法 |
CN209347003U (zh) * | 2018-12-11 | 2019-09-06 | 火烈鸟网络(广州)股份有限公司 | 一种智能健康状态检测系统 |
WO2019211220A1 (en) * | 2018-04-30 | 2019-11-07 | Koninklijke Philips N.V. | Flagging a portion of a recording for review |
CN113555132A (zh) * | 2020-04-24 | 2021-10-26 | 华为技术有限公司 | 多源数据处理方法、电子设备和计算机可读存储介质 |
CN114446439A (zh) * | 2021-12-16 | 2022-05-06 | 中山大学 | 一种基于可穿戴设备的运动风险评估方法与系统 |
CN114693170A (zh) * | 2022-04-27 | 2022-07-01 | 沈阳航空航天大学 | 一种基于多源参数融合的飞行员跳伞训练心理评估方法 |
-
2022
- 2022-11-21 CN CN202211454731.4A patent/CN115736915B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102046076A (zh) * | 2008-04-03 | 2011-05-04 | Kai医药公司 | 非接触式生理运动传感器及其使用方法 |
WO2019211220A1 (en) * | 2018-04-30 | 2019-11-07 | Koninklijke Philips N.V. | Flagging a portion of a recording for review |
CN209347003U (zh) * | 2018-12-11 | 2019-09-06 | 火烈鸟网络(广州)股份有限公司 | 一种智能健康状态检测系统 |
CN113555132A (zh) * | 2020-04-24 | 2021-10-26 | 华为技术有限公司 | 多源数据处理方法、电子设备和计算机可读存储介质 |
CN114446439A (zh) * | 2021-12-16 | 2022-05-06 | 中山大学 | 一种基于可穿戴设备的运动风险评估方法与系统 |
CN114693170A (zh) * | 2022-04-27 | 2022-07-01 | 沈阳航空航天大学 | 一种基于多源参数融合的飞行员跳伞训练心理评估方法 |
Non-Patent Citations (3)
Title |
---|
体域网的信道分配协议及姿态识别研究;赖晓晨;中国博士学位论文全文数据库 (信息科技辑);20170615(第2017年第06期);I138-47 * |
可穿戴生理多参数动态监测仪软件系统设计;杜明睿;中国优秀硕士学位论文全文数据库 (信息科技辑);20221115(第2022 年第11期);I137-96 * |
基于可穿戴传感器数据的人体动作识别方法的研究;陈野;中国博士学位论文全文数据库 (信息科技辑);20190215(第2019 年第02期);I140-50 * |
Also Published As
Publication number | Publication date |
---|---|
CN115736915A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Benson et al. | The use of wearable devices for walking and running gait analysis outside of the lab: A systematic review | |
Cosoli et al. | Wrist-worn and chest-strap wearable devices: Systematic review on accuracy and metrological characteristics | |
Wright et al. | How consumer physical activity monitors could transform human physiology research | |
Staudenmayer et al. | An artificial neural network to estimate physical activity energy expenditure and identify physical activity type from an accelerometer | |
Hendry et al. | Development of a human activity recognition system for ballet tasks | |
Kataria et al. | Human Activity Classification using G-XGB | |
Imran | Khail-net: A shallow convolutional neural network for recognizing sports activities using wearable inertial sensors | |
Kossi et al. | Reliability of ActiGraph GT3X+ placement location in the estimation of energy expenditure during moderate and high-intensity physical activities in young and older adults | |
Romanchuk et al. | Sensorimotor Criteria for the Formation of the Autonomic Overstrain of the Athletes’ Cardiovascular System | |
Schuldhaus | Human activity recognition in daily life and sports using inertial sensors | |
Ahamed et al. | Using machine learning and wearable inertial sensor data for the classification of fractal gait patterns in women and men during load carriage | |
Wang et al. | Predicting hydration status using machine learning models from physiological and sweat biomarkers during endurance exercise: a single case study | |
Bansal et al. | Techniques for the detection and management of freezing of gait in Parkinson's disease–A systematic review and future perspectives | |
Rad et al. | Smartswim, a novel imu-based coaching assistance | |
CN115736915B (zh) | 基于多源信息融合的患者体能评估方法 | |
CN116861252A (zh) | 一种基于平衡功能异常的跌倒评估模型的构建方法 | |
Tokmak et al. | Unveiling the relationships between seismocardiogram signals, physical activity types and metabolic equivalent of task scores | |
ŞAHİN | Wearable technologies in athletic performance | |
Li et al. | Physical Fitness Assessment for Cancer Patients Using Multi-Model Decision Fusion Based on Multi-Source Data | |
Vågeskar | Activity recognition for stroke patients | |
Fang | Construction of Physical Education Quality Evaluation Index and Analysis with Wearable Device | |
Rahman | Multi-Sensor Based Activity Recognition˸ Development and Validation in Real-Life context | |
Kashyap et al. | A sensor-based comprehensive objective assessment of motor symptoms in cerebellar ataxia | |
Beck et al. | Determination of cut-off points for the Move4 accelerometer in children aged 8–13 years | |
Ruız | Knee-Ankle Sensor for Gait Characterization: Gender Identification Case |
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 |