CN116269249B - 一种脑卒中风险预测方法和系统 - Google Patents
一种脑卒中风险预测方法和系统 Download PDFInfo
- Publication number
- CN116269249B CN116269249B CN202310112567.7A CN202310112567A CN116269249B CN 116269249 B CN116269249 B CN 116269249B CN 202310112567 A CN202310112567 A CN 202310112567A CN 116269249 B CN116269249 B CN 116269249B
- Authority
- CN
- China
- Prior art keywords
- data
- brain
- pulse wave
- index
- blood pressure
- 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
- 208000006011 Stroke Diseases 0.000 title claims abstract description 78
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 73
- 206010008190 Cerebrovascular accident Diseases 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 21
- 210000004556 brain Anatomy 0.000 claims abstract description 155
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 127
- 239000001301 oxygen Substances 0.000 claims abstract description 127
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 124
- 230000036772 blood pressure Effects 0.000 claims abstract description 74
- 230000005611 electricity Effects 0.000 claims abstract description 42
- 230000001105 regulatory effect Effects 0.000 claims abstract description 17
- 230000010365 information processing Effects 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 74
- 238000001228 spectrum Methods 0.000 claims description 63
- 230000008878 coupling Effects 0.000 claims description 60
- 238000010168 coupling process Methods 0.000 claims description 60
- 238000005859 coupling reaction Methods 0.000 claims description 60
- 230000008451 emotion Effects 0.000 claims description 42
- 230000003860 sleep quality Effects 0.000 claims description 35
- 230000003727 cerebral blood flow Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 21
- 239000008280 blood Substances 0.000 claims description 17
- 210000004369 blood Anatomy 0.000 claims description 17
- 230000008344 brain blood flow Effects 0.000 claims description 17
- 230000000284 resting effect Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 15
- 230000002457 bidirectional effect Effects 0.000 claims description 13
- 230000036651 mood Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 8
- 230000004622 sleep time Effects 0.000 claims description 8
- 230000008909 emotion recognition Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000000241 respiratory effect Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 208000019116 sleep disease Diseases 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 101100283936 Caenorhabditis elegans gsr-1 gene Proteins 0.000 description 4
- 230000036541 health Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- 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
- A61B5/72—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本申请涉及一种脑卒中风险预测方法和系统。系统包括：信息收集模块，用于获取脑卒中高危人群的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据；信息处理分析模块，用于对信息收集模块的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据进行特征提取和分析；脑卒中风险预测模块，用于根据信息处理分析模块得到的特征进行脑卒中风险预测；交互模块，用于显示脑卒中风险预测模块预测出的脑卒中风险等级，根据脑卒中风险预测结果的变化情况，经医生调整确认后，及时告知用户。
Description
技术领域
本发明涉及健康管理领域，特别涉及一种脑卒中风险预测方法和系统。
背景技术
脑卒中具有高发病率、高致残率、高死亡率、高复发率、高经济负担五大特点，给家庭和社会造成了巨大负担。现阶段，主要是通过对临床生化数据指标、影像学等信息进行计算和分析，进行脑卒中早期风险预测，但是基于生化和影像学的脑卒中风险预测需要到医疗机构进行专业检查，依赖大型的临床医疗设备，实际推广应用存在一定的局限性，并未能高效、简便、及时的对脑卒中风险进行预测。
为此，本发明研究设计脑卒中风险预测方法及系统，能够较为方便、准确的对脑卒中的风险进行预测，及早发现，在健康管理领域具有非常广泛的应用前景。
发明内容
为实现本发明之目的，采用以下技术方案予以实现：
本发明的一个方面提供了一种脑卒中风险预测方法，包括以下步骤：
获取脑卒中高危人群的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据；
对所述脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据进行特征提取和分析；
根据分析得到的特征进行脑卒中风险预测，
其中，对静息态下的血压和脑氧数据进行耦合计算，以得到用户的脑血流调节数据指数，对静息态下的脉搏波和脑氧数据通过功率谱计算方法，以得到用户的脑血流压力数据指数，对采集的脉搏波数据和皮肤电数据通过提取两个信号的时域和频域特征，建立脉搏-皮电的情绪数据指数，并且对采集的睡眠体动次数和深睡时间、心率和呼吸的数据计算得出睡眠质量指数。
在一个有利实施例中，根据以下公式计算所述脑血流调节数据指数：
其中Dnp为脑血流调节数据指数，BRLC为用户的血压数据与左侧脑区脑氧数据的耦合值，BRRC为用户的血压数据与右侧脑区脑氧数据的耦合值，λ为校正系数。
优选地，所述血压数据与左侧脑区脑氧数据的耦合值BRLC以及所述血压数据与右侧脑区脑氧数据的耦合值BRRC分别计算如下：
其中，N为左侧脑区的通道数量，BRi(w)为血压连续时间序列与左侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NRLi(w)为左侧脑区中通道i的脑氧信号的自功率谱；
其中，M为右侧脑区的通道数量，BRj(w)为血压连续时间序列与右侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NRLj(w)为右侧脑区中通道j的脑氧信号的自功率谱。
在另一个有利实施例中，对静息态下的脉搏波和脑氧数据通过功率谱计算方法，得到用户的脑血流压力数据指数：
其中，MRbp为脑血流压力数据指数，即不同通道的脑血氧信号与脉搏波的耦合强度，N+M为用户左右两侧脑区的脑氧通道数量，MRi(w)为脉搏波时间序列与不同通道的脑氧信号的功率谱，Pu(w)为脉搏波时间序列的自功率谱，NRi(w)为通道i的脑氧信号的自功率谱。
在又一个有利实施例中，如下提取脉搏波信号的时域和频域特征，以建立脉搏-皮电的情绪数据指数：
通过长短时记忆网络对脉搏波信号进行时频域特征提取，输出脉搏波特征向量PuLSTM：
PuLSTM＝σ(WLSTM1*Pu+BLSTM1)+tanh(WLSTM2*Pu+BLSTM2)
其中,σ为激活函数，WLSTM1、WLSTM2为长短时记忆网络输入门和遗忘门的权重，BLSTM1、BLSTM2为长短时记忆网络输入门和遗忘门的偏置，Pu为输入的脉搏波信号。
优选地，如下提取皮肤电信号的时域和频域特征，以输出皮肤电特征向量GSRLSTM：
GSRLSTM＝σ(WLSTM3*GSR+BLSTM3)+tanh(WLSTM4*GSR+BLSTM4)
其中,σ为激活函数，WLSTM3、WLSTM4为长短时记忆网络输入门和遗忘门的权重，BLSTM3、BLSTM4为长短时记忆网络输入门和遗忘门的偏置，GSR为输入的皮肤电信号。
进一步优选地，基于多粒度双向注意力机制对脉搏波特征向量和皮肤电特征向量进行特征融合，
其中，脉搏波特征向量多粒度双向注意力机制的权重公式为：
其中wPuj为脉搏波特征向量第j个特征的权重值，ρj为脉搏波特征向量第j个特征的波动值，PuLSTMj为脉搏波特征向量的第j个特征，n为脉搏波特征向量的第n个特征；
其中，皮肤电特征向量多粒度双向注意力机制的权重公式为：
其中wGSRj为皮肤电特征向量第j个特征的权重值，为皮肤电特征向量第j个特征的波动值，GSRLSTMj为皮肤电特征向量的第j个特征，n为皮肤电特征向量的第n个特征，
将以上的各个特征进行耦合，融合后的特征向量为：
PuGSRLSTM＝[wPu1PuLSTM1,...wPujPuLSTMj,...wGSR1GSRLSTM1,...wGSRnGSRLSTMn]。
有利地，将融合后的特征向量PuGSRLSTM输入到softmax分类器中进行情感识别，
E＝softmax(Wk*PuGSRLSTM+Bk)
其中，E为情绪分类结果，Wk、Bk是分类器softmax的参数，
统计一天中用户消极情绪的次数所占的比重作为情绪数据指数：
其中，P为情绪数据指数，sort(Ex)为一天中用户消极情绪的次数。
在一个有利实施例中，根据以下公式计算睡眠质量指数：
S＝GCNN-LSTM(Cm,T,HR,LC)
其中，Cm、T、HR、LC为用户睡眠后的体动次数和深睡时间、心率和呼吸参数，GCNN-LSTM为训练好卷积-长短时记忆神经网络模型，S为用户的睡眠质量指数。
本发明的另一方面提供了一种脑卒中风险预测系统，包括：
信息收集模块，用于获取脑卒中高危人群的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据；
信息处理分析模块，用于对信息收集模块所收集的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据进行特征提取和分析；
脑卒中风险预测模块，用于根据由信息处理分析模块分析得到的特征进行脑卒中风险预测；
交互模块，用于显示脑卒中风险预测模块预测出的脑卒中风险等级，
其中，所述信息处理分析模块包括血压-脑氧耦合指标模块、脉搏-脑氧耦合指标模块、情绪指标模块和睡眠质量指标模块，其中所述血压-脑氧耦合模块是对静息态下的血压和脑氧数据进行耦合计算，以得到用户的脑血流调节数据指数，其中所述脉搏-脑氧耦合模块是对静息态下的脉搏波和脑氧数据通过功率谱计算方法，以得到用户的脑血流压力数据指数，其中所述情绪指标模块是对采集的脉搏波数据和皮肤电数据通过提取两个信号的时域和频域特征，建立脉搏-皮电的情绪数据指数，其中所述睡眠质量指标模块是对采集的睡眠体动次数和深睡时间、心率和呼吸的数据计算得出睡眠质量指数。
在一个有利实施例中，所述血压-脑氧耦合模块根据以下公式计算所述脑血流调节数据指数：
其中Dnp为脑血流调节数据指数，BRLC为用户的血压数据与左侧脑区脑氧数据的耦合值，BRRC为用户的血压数据与右侧脑区脑氧数据的耦合值，λ为校正系数。
在另一个有利实施例中，所述血压数据与左侧脑区脑氧数据的耦合值BRLC以及所述血压数据与右侧脑区脑氧数据的耦合值BRRC分别计算如下：
其中，N为左侧脑区的通道数量，BRi(w)为血压连续时间序列与左侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NRLi(w)为左侧脑区中通道i的脑氧信号的自功率谱；
其中，M为右侧脑区的通道数量，BRj(w)为血压连续时间序列与右侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NRLj(w)为右侧脑区中通道j的脑氧信号的自功率谱。
优选地，所述脉搏-脑氧耦合模块根据以下公式计算用户的脑血流压力数据指数：
其中，MRbp为脑血流压力数据指数，即不同通道的脑血氧信号与脉搏波的耦合强度，N+M为用户左右两侧脑区的脑氧通道数量，MRi(w)为脉搏波时间序列与不同通道的脑氧信号的功率谱，Pu(w)为脉搏波时间序列的自功率谱，NRi(w)为通道i的脑氧信号的自功率谱。
在另一个有利实施例中，所述情绪指标模块如下提取脉搏波信号的时域和频域特征：
通过长短时记忆网络对脉搏波信号进行时频域特征提取，输出脉搏波特征向量PuLSTM：
PuLSTM＝σ(WLSTM1*Pu+BLSTM1)+tanh(WLSTM2*Pu+BLSTM2)
其中,σ为激活函数，WLSTM1、WLSTM2为长短时记忆网络输入门和遗忘门的权重，BLSTM1、BLSTM2为长短时记忆网络输入门和遗忘门的偏置，Pu为输入的脉搏波信号。
优选地，所述情绪指标模块如下提取皮肤电信号的时域和频域特征：
GSRLSTM＝σ(WLSTM3*GSR+BLSTM3)+tanh(WLSTM4*GSR+BLSTM4)
其中,σ为激活函数，WLSTM3、WLSTM4为长短时记忆网络输入门和遗忘门的权重，BLSTM3、BLSTM4为长短时记忆网络输入门和遗忘门的偏置，GSR为输入的皮肤电信号。
在又一个有利实施例中，基于多粒度双向注意力机制对脉搏波特征向量和皮肤电特征向量进行特征融合，
其中，脉搏波特征向量多粒度双向注意力机制的权重公式为：
其中，wPuj为脉搏波特征向量第j个特征的权重值，ρj为脉搏波特征向量第j个特征的波动值，PuLSTMj为脉搏波特征向量的第j个特征，n为脉搏波特征向量的第n个特征，
其中，皮肤电特征向量多粒度双向注意力机制的权重公式为：
其中，wGSRj为皮肤电特征向量第j个特征的权重值，为皮肤电特征向量第j个特征的波动值，GSRLSTMj为皮肤电特征向量的第j个特征，n为皮肤电特征向量的第n个特征，
将以上的各个特征进行耦合，融合后的特征向量为：
PuGSRLSTM＝[wPu1PuLSTM1,...wPujPuLSTMj,...wGSR1GSRLSTM1,...wGSRnGSRLSTMn]。
在又一个有利实施例中，将融合特征PuGSRLSTM输入到softmax分类器中进行情感识别，
E＝softmax(Wk*PuGSRLSTM+Bk)
其中，E为情绪分类结果，Wk、Bk是分类器softmax的参数。
所述睡眠质量指标模块根据以下公式计算睡眠质量指数：
S＝GCNN-LSTM(Cm,T,HR,LC)
其中，Cm、T、HR、LC为用户睡眠后的体动次数和深睡时间、心率和呼吸参数，GCNN-LSTM为训练好卷积-长短时记忆神经网络模型，S为用户的睡眠质量指数。
与现有技术相对比，本发明的有益效果是：
(1)通过建立血压-脑氧耦合模型、脉搏-脑氧耦合模型、情绪模型和睡眠质量模型等4中模型，综合分析脑卒中高危人群的脑血流调节数据指数、脑血流压力数据指数、情绪数据指数、睡眠质量指数，进行脑卒中风险预测，充分发挥多源异构数据的关联性和互补性。
(2)通过采集低成本、易监测的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据等对脑卒中高危人群进行高效、简便、及时的风险预测，使脑卒中风险预测更具有操作性和实际应用价值。
(3)利用该方法和系统，能够通过收集脑卒中脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据，进行定期的脑卒中风险预测，能够使脑卒中高危人群人群获得更加精准的脑卒中风险预测结果，从而提醒脑卒中高危人群人群根据预测的结果及时采取干预措施，降低脑卒中发病风险。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1为本发明脑卒中风险预测系统示意图；
图2为根据本发明的脑卒中风险预方法的流程图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
下面结合附图1和2对本发明的具体实施方式进行详细说明。
如图1所示，本发明的脑卒中风险预测系统包括信息收集模块、信息处理分析模块、脑卒中风险预测模块、交互模块。
信息收集模块用于获取脑卒中高危人群的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据。脑氧数据是利用便携式近红外光谱仪连续监测用户15分钟静息态下的脑氧信息。血压数据是利用连续血压监测仪连续监测用户15分钟的血压信息，并且与脑氧数据进行同步监测。脉搏波数据和皮肤电数据是利用智能手环连续监测用户的脉搏波和皮肤电信息。睡眠数据是利用智能床垫连续监测睡眠体动次数和深睡时间、心率和呼吸等数据信息。
信息处理分析模块用于对信息收集模块的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据进行特征提取和分析。
脑卒中风险预测模块用于根据信息处理分析模块得到的特征进行脑卒中风险预测。
交互模块用于显示脑卒中风险预测模块预测出的脑卒中风险等级，根据脑卒中风险预测结果的变化情况，经医生调整确认后，及时告知用户。
如图2所示，在脑卒中风险预测系统中，信息处理分析模块包括血压-脑氧耦合指标模块、脉搏-脑氧耦合指标模块、情绪指标模块和睡眠质量指标模块。
血压-脑氧耦合模块是对静息态下的血压和脑氧数据进行耦合计算，得到用户的脑血流调节数据指数。
情绪指标模块是对采集的脉搏波数据和皮肤电数据通过提取两个信号时域和频域特征，建立脉搏-皮电的情绪数据指数。
脉搏-脑氧耦合模块是对静息态下的脉搏波和脑氧数据通过功率谱计算方法，得到用户的脑血流压力数据指数。
睡眠质量指标模块是对采集的睡眠体动次数和深睡时间、心率和呼吸等数据计算得出睡眠质量指数。
血压-脑氧耦合模块根据以下公式计算所述脑血流调节数据指数：
其中Dnp为脑血流调节数据指数，BRLC为用户的血压数据与左侧脑区脑氧数据的耦合值，BRRC为用户的血压数据与右侧脑区脑氧数据的耦合值，λ为校正系数。
血压数据与左侧脑区脑氧数据的耦合值BRLC以及所述血压数据与右侧脑区脑氧数据的耦合值BRRC分别计算如下：
其中，N为左侧脑区的通道数量，BRi(w)为血压连续时间序列与左侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NRLi(w)为左侧脑区中通道i的脑氧信号的自功率谱；
其中，M为右侧脑区的通道数量，BRj(w)为血压连续时间序列与右侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NRLj(w)为右侧脑区中通道j的脑氧信号的自功率谱。
脉搏-脑氧耦合模块根据以下公式计算用户的脑血流压力数据指数：
其中，MRbp为脑血流压力数据指数，即不同通道的脑血氧信号与脉搏波的耦合强度，N+M为用户左右两侧脑区的脑氧通道数量，MRi(w)为脉搏波时间序列与不同通道的脑氧信号的功率谱，Pu(w)为脉搏波时间序列的自功率谱，NRi(w)为通道i的脑氧信号的自功率谱。
情绪指标模块如下提取脉搏波信号的时域和频域特征：
通过长短时记忆网络对脉搏波信号进行时频域特征提取，输出脉搏波特征向量PuLSTM：
PuLSTM＝σ(WLSTM1*Pu+BLSTM1)+tanh(WLSTM2*Pu+BLSTM2)
其中,σ为激活函数，WLSTM1、WLSTM2为长短时记忆网络输入门和遗忘门的权重，BLSTM1、BLSTM2为长短时记忆网络输入门和遗忘门的偏置，Pu为输入的脉搏波信号。
情绪指标模块如下提取皮肤电信号的时域和频域特征：
GSRLSTM＝σ(WLSTM3*GSR+BLSTM3)+tanh(WLSTM4*GSR+BLSTM4)
其中,σ为激活函数，WLSTM3、WLSTM4为长短时记忆网络输入门和遗忘门的权重，BLSTM3、BLSTM4为长短时记忆网络输入门和遗忘门的偏置，GSR为输入的皮肤电信号。
基于多粒度双向注意力机制对脉搏波特征向量和皮肤电特征向量进行特征融合，
其中，脉搏波特征向量多粒度双向注意力机制的权重公式为：
其中，wPuj为脉搏波特征向量第j个特征的权重值，ρj为脉搏波特征向量第j个特征的波动值，PuLSTMj为脉搏波特征向量的第j个特征，n为脉搏波特征向量的第n个特征，
其中，皮肤电特征向量多粒度双向注意力机制的权重公式为：
其中，wGSRj为皮肤电特征向量第j个特征的权重值，为皮肤电特征向量第j个特征的波动值，GSRLSTMj为皮肤电特征向量的第j个特征，n为皮肤电特征向量的第n个特征，
将以上的各个特征进行耦合，融合后的特征向量为：
PuGSRLSTM＝[wPu1PuLSTM1,...wPujPuLSTMj,...wGSR1GSRLSTM1,...wGSRnGSRLSTMn]。
在又一个有利实施例中，将融合特征PuGSRLSTM输入到softmax分类器中进行情感识别，
E＝softmax(Wk*PuGSRLSTM+Bk)
其中，E为情绪分类结果，Wk、Bk是分类器softmax的参数。
睡眠质量指标模块根据以下公式计算睡眠质量指数：
S＝GCNN-LSTM(Cm,T,HR,LC)
其中，Cm、T、HR、LC为用户睡眠后的体动次数和深睡时间、心率和呼吸参数，GCNN-LSTM为训练好卷积-长短时记忆神经网络模型，S为用户的睡眠质量指数。
以下接合图2描述利用根据本发明的脑卒中风险预测模块进行脑卒中风险预测的方法。
该方法包括以下步骤：
获取脑卒中高危人群的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据；
对所述脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据进行特征提取和分析；
根据分析得到的特征进行脑卒中风险预测，
其中，对静息态下的血压和脑氧数据进行耦合计算，以得到用户的脑血流调节数据指数，对静息态下的脉搏波和脑氧数据通过功率谱计算方法，以得到用户的脑血流压力数据指数，对采集的脉搏波数据和皮肤电数据通过提取两个信号的时域和频域特征，建立脉搏-皮电的情绪数据指数，并且对采集的睡眠体动次数和深睡时间、心率和呼吸的数据计算得出睡眠质量指数。
血压-脑氧耦合模块根据以下公式计算用户的脑血流调节数据指数：
其中Dnp为脑血流调节数据指数，BRLC为用户的血压数据与左侧脑区脑氧数据的耦合值，BRRC为用户的血压数据与右侧脑区脑氧数据的耦合值，λ为校正系数。
血压数据与左侧脑区脑氧数据的耦合值BRLC计算如下：
其中，N为左侧脑区的通道数量，BRi(w)为血压连续时间序列与左侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NRLi(w)为左侧脑区中通道i的脑氧信号的自功率谱。
血压数据与右侧脑区脑氧数据的耦合值BRRC计算如下：
其中，M为右侧脑区的通道数量，BRj(w)为血压连续时间序列与右侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NRLj(w)为右侧脑区中通道j的脑氧信号的自功率谱。
脉搏-脑氧耦合模块根据以下公式计算用户的脑血流压力数据指数：
其中，MRbp为脑血流压力数据指数，即不同通道的脑血氧信号与脉搏波的耦合强度，N+M为用户左右两侧脑区的脑氧通道数量，MRi(w)为脉搏波时间序列与不同通道的脑氧信号的功率谱，Pu(w)为脉搏波时间序列的自功率谱，NRi(w)为通道i的脑氧信号的自功率谱。
情绪指标模块根据以下步骤建立脉搏-皮电的情绪数据指数：
S1：利用巴特沃斯低通滤波器去除脉搏波信号的噪声干扰，基于样条插值和标准差的方法去除伪迹，得到预处理后的脉搏波信号Pu；利用2s的时间窗作为基线值去除皮肤电信号中的噪声干扰，保持信号的原始特性，得到预处理后的皮肤电信号GSR。
S2：通过长短时记忆网络对脉搏波信号进行时频域特征提取，输出脉搏波特征向量PuLSTM：
PuLSTM＝σ(WLSTM1*Pu+BLSTM1)+tanh(WLSTM2*Pu+BLSTM2)
其中,σ为激活函数，WLSTM1、WLSTM2为长短时记忆网络输入门和遗忘门的权重，BLSTM1、BLSTM2为长短时记忆网络输入门和遗忘门的偏置，Pu为输入的脉搏波信号。
S3：通过长短时记忆网络对皮肤电信号进行时频域特征提取，输出皮肤电特征向量GSRLSTM。
GSRLSTM＝σ(WLSTM3*GSR+BLSTM3)+tanh(WLSTM4*GSR+BLSTM4)
其中,σ为激活函数，WLSTM3、WLSTM4为长短时记忆网络输入门和遗忘门的权重，BLSTM3、BLSTM4为长短时记忆网络输入门和遗忘门的偏置，GSR为输入的皮肤电信号。
S4：基于多粒度双向注意力机制对脉搏波特征向量和皮肤电特征向进行特征融合。
脉搏波特征向量多粒度双向注意力机制的权重公式为：
其中，wPuj为步骤2得到的脉搏波特征向量第j个特征的权重值，ρj为脉搏波特征向量第j个特征的波动值，PuLSTMj为脉搏波特征向量的第j个特征，n为脉搏波特征向量的第n个特征。
皮肤电特征向量多粒度双向注意力机制的权重公式为：
其中，wGSRj为步骤3得到的皮肤电特征向量第j个特征的权重值，为皮肤电特征向量第j个特征的波动值，GSRLSTMj为皮肤电特征向量的第j个特征，n为皮肤电特征向量的第n个特征。
融合后的特征向量为：
PuGSRLSTM＝[w Pu1PuLSTM1,...wPu jPuLSTMj,...wGSR1GSRLSTM1,...wGSRnGSRLSTM n]。
S5：将步骤4中得到的融合特征PuGSRLSTM输入到softmax分类器中进行情感识别，并将情绪识别结果分为：消极、中性、积极。
E＝softmax(Wk*PuGSRLSTM+Bk)
其中，E为情绪分类结果，Wk、Bk是分类器softmax的参数。
优选地，当E取值为[0.6,0.9)时为积极情绪，取值为[0.3,0.6)为中性情绪,取值为(0,0.3]为消极情绪。
S6：提取用户每天早上6点到晚上10点之间的脉搏波和皮肤电数据，将每隔10分钟的数据按照步骤S1-S5进行处理，得到每隔10分钟的情绪结果，统计一天中用户消极情绪的次数所占的比重作为情绪数据指数。
其中，P为情绪数据指数，sort(Ex)为一天中用户消极情绪的次数。
睡眠质量指标模块根据以下公式计算睡眠质量指数：
S＝GCNN-LSTM(Cm,T,HR,LC)
其中，Cm、T、HR、LC为用户睡眠后的体动次数和深睡时间、心率和呼吸参数，GCNN-LSTM为训练好卷积-长短时记忆神经网络模型，S为用户的睡眠质量指数。
进一步地，睡眠质量指数主要是通过分析智能床垫晚上10点到第二天早上6点之间用户处于睡眠状态期间的体动次数和深睡时间、心率和呼吸等数据。
在脑卒中风险预测系统中，脑卒中风险预测模块用于根据信息处理分析模块得到的特征进行脑卒中风险预测，预测结果如下：
K＝A1*Dnp+A2*MRbp+A3*P+A4*S
其中，K为脑卒中风险等级，高危一级、高危二级、高危三级，A1、A2、A3、A4分别为系数。
当脑血流调节数据指数和压力指数两周内任一个连续3次及以上分别超过各自阈值，情绪指数和睡眠质量指数连续7天均未超过各自阈值，则A1＝1或A2＝1，A3＝A4＝0，此时脑卒中风险等级为高危一级；当脑血流调节数据指数和压力指数两周内连续3次均超过阈值，情绪指数和睡眠质量指数连续7天均未超过各自阈值，则A1＝A2＝1，A3＝A4＝0，此时脑卒中风险等级为高危二级，当脑血流调节数据指数和压力指数两周内任一个连续3次及以上分别超过各自阈值，情绪指数和睡眠质量指数连续7天超过阈值，A1＝A2＝1，A3＝A4＝1则为高危三级。
最后，显示脑卒中风险预测模块预测出的脑卒中风险等级，根据脑卒中风险预测结果的变化情况，经医生调整确认后，及时告知用户。
根据本申请，对某用户的脑卒中风险进行预测，首先对该用户最近2个周的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据等进行连续采集、监测、预处理，然后计算用户的血压-脑氧耦合指标模块、脉搏-脑氧耦合指标模块、情绪指标模块和睡眠质量指标模块，获取用户每天的脑血流调节数据指数、脑血流压力指数、情绪指数和睡眠质量指数，再判断用户每天脑血流调节数据指数、脑血流压力指数、情绪指数和睡眠质量指数是否超过阈值，最后根据用户近2周内的脑血流调节数据指数、脑血流压力指数、情绪指数和睡眠质量指数超过阈值的情况，综合判断得出用户的脑卒中风险结果。例如若得出的用户的脑卒中风险等级为高危三级，则用户即可及时进行就医，从而降低脑卒中发病风险。
上述概述仅仅是为了说明的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
Claims (7)
1.一种脑卒中风险预测方法，其特征在于，包括以下步骤：
获取脑卒中高危人群的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据；
对所述脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据进行特征提取和分析；
根据分析得到的特征进行脑卒中风险预测，
其中，对静息态下的血压和脑氧数据进行耦合计算，以得到用户的脑血流调节数据指数，对静息态下的脉搏波和脑氧数据通过功率谱计算方法，以得到用户的脑血流压力数据指数，对采集的脉搏波数据和皮肤电数据通过提取两个信号的时域和频域特征，建立脉搏-皮电的情绪数据指数，并且对采集的睡眠体动次数和深睡时间、心率和呼吸的数据计算得出睡眠质量指数，
根据以下公式计算所述脑血流调节数据指数：
其中Dnp为脑血流调节数据指数，BRLC为用户的血压数据与左侧脑区脑氧数据的耦合值，BRRC为用户的血压数据与右侧脑区脑氧数据的耦合值，λ为校正系数，
所述血压数据与左侧脑区脑氧数据的耦合值BRLC以及所述血压数据与右侧脑区脑氧数据的耦合值BRRC分别计算如下：
其中，N为左侧脑区的通道数量，BRi(w)为血压连续时间序列与左侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NRLi(w)为左侧脑区中通道i的脑氧信号的自功率谱；
其中，M为右侧脑区的通道数量，BRj(w)为血压连续时间序列与右侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NRLj(w)为右侧脑区中通道j的脑氧信号的自功率谱，
对静息态下的脉搏波和脑氧数据通过功率谱计算方法，得到用户的脑血流压力数据指数：
其中，MRbp为脑血流压力数据指数，即不同通道的脑血氧信号与脉搏波的耦合强度，N+M为用户左右两侧脑区的脑氧通道数量，MRi(w)为脉搏波时间序列与不同通道的脑氧信号的功率谱，Pu(w)为脉搏波时间序列的自功率谱，NRi(w)为通道i的脑氧信号的自功率谱，
统计一天中用户消极情绪的次数所占的比重作为情绪数据指数，
其中，P为情绪数据指数，sort(Ex)为一天中用户消极情绪的次数。
2.根据权利要求1所述的脑卒中风险预测方法，其特征在于，如下提取脉搏波信号的时域和频域特征，以建立脉搏-皮电的情绪数据指数：
通过长短时记忆网络对脉搏波信号进行时频域特征提取，输出脉搏波特征向量PuLSTM：
PuLSTM＝σ(WLSTM1*Pu+BLSTM1)+tanh(WLSTM2*Pu+BLSTM2)
其中,σ为激活函数，WLSTM1、WLSTM2为长短时记忆网络输入门和遗忘门的权重，BLSTM1、BLSTM2为长短时记忆网络输入门和遗忘门的偏置，Pu为输入的脉搏波信号。
3.根据权利要求2所述的脑卒中风险预测方法，其特征在于，如下提取皮肤电信号的时域和频域特征，以输出皮肤电特征向量GSRLSTM：
GSRLSTM＝σ(WLSTM3*GSR+BLSTM3)+tanh(WLSTM4*GSR+BLSTM4)
其中,σ为激活函数，WLSTM3、WLSTM4为长短时记忆网络输入门和遗忘门的权重，BLSTM3、BLSTM4为长短时记忆网络输入门和遗忘门的偏置，GSR为输入的皮肤电信号。
4.根据权利要求3所述的脑卒中风险预测方法，其特征在于，基于多粒度双向注意力机制对脉搏波特征向量和皮肤电特征向量进行特征融合，
其中，脉搏波特征向量多粒度双向注意力机制的权重公式为：
其中wPuj为脉搏波特征向量第j个特征的权重值，ρj为脉搏波特征向量第j个特征的波动值，PuLSTMj为脉搏波特征向量的第j个特征，n为脉搏波特征向量的第n个特征；
其中，皮肤电特征向量多粒度双向注意力机制的权重公式为：
其中wGSRj为皮肤电特征向量第j个特征的权重值，为皮肤电特征向量第j个特征的波动值，GSRLSTMj为皮肤电特征向量的第j个特征，n为皮肤电特征向量的第n个特征，
将以上的各个特征进行耦合，融合后的特征向量为：
5.根据权利要求4所述的脑卒中风险预测方法，其特征在于，将融合后的特征向量PuGSRLSTM输入到softmax分类器中进行情感识别，
E＝softmax(Wk*PuGSRLSTM+Bk)
其中，E为情绪分类结果，Wk、Bk是分类器softmax的参数。
6.根据权利要求1所述的脑卒中风险预测方法，其特征在于，根据以下公式计算睡眠质量指数：
S＝GCNN-LSTM(Cm,T,HR,LC)
其中，Cm、T、HR、LC为用户睡眠后的体动次数和深睡时间、心率和呼吸参数，GCNN-LSTM为训练好卷积-长短时记忆神经网络模型，S为用户的睡眠质量指数。
7.一种脑卒中风险预测系统，其特征在于，包括：
信息收集模块，用于获取脑卒中高危人群的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据；
信息处理分析模块，用于对信息收集模块所收集的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据进行特征提取和分析；
脑卒中风险预测模块，用于根据由信息处理分析模块分析得到的特征进行脑卒中风险预测；
交互模块，用于显示脑卒中风险预测模块预测出的脑卒中风险等级，
其中，所述信息处理分析模块包括血压-脑氧耦合指标模块、脉搏-脑氧耦合指标模块、情绪指标模块和睡眠质量指标模块，其中所述血压-脑氧耦合模块是对静息态下的血压和脑氧数据进行耦合计算，以得到用户的脑血流调节数据指数，其中所述脉搏-脑氧耦合模块是对静息态下的脉搏波和脑氧数据通过功率谱计算方法，以得到用户的脑血流压力数据指数，其中所述情绪指标模块是对采集的脉搏波数据和皮肤电数据通过提取两个信号的时域和频域特征，建立脉搏-皮电的情绪数据指数，其中所述睡眠质量指标模块是对采集的睡眠体动次数和深睡时间、心率和呼吸的数据计算得出睡眠质量指数，
根据以下公式计算所述脑血流调节数据指数：
其中Dnp为脑血流调节数据指数，BRLC为用户的血压数据与左侧脑区脑氧数据的耦合值，BRRC为用户的血压数据与右侧脑区脑氧数据的耦合值，λ为校正系数，
所述血压数据与左侧脑区脑氧数据的耦合值BRLC以及所述血压数据与右侧脑区脑氧数据的耦合值BRRC分别计算如下：
其中，N为左侧脑区的通道数量，BRi(w)为血压连续时间序列与左侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NRLi(w)为左侧脑区中通道i的脑氧信号的自功率谱；
其中，M为右侧脑区的通道数量，BRj(w)为血压连续时间序列与右侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NRLj(w)为右侧脑区中通道j的脑氧信号的自功率谱，
对静息态下的脉搏波和脑氧数据通过功率谱计算方法，得到用户的脑血流压力数据指数：
其中，MRbp为脑血流压力数据指数，即不同通道的脑血氧信号与脉搏波的耦合强度，N+M为用户左右两侧脑区的脑氧通道数量，MRi(w)为脉搏波时间序列与不同通道的脑氧信号的功率谱，Pu(w)为脉搏波时间序列的自功率谱，NRi(w)为通道i的脑氧信号的自功率谱，
统计一天中用户消极情绪的次数所占的比重作为情绪数据指数，
其中，P为情绪数据指数，sort(Ex)为一天中用户消极情绪的次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310112567.7A CN116269249B (zh) | 2023-02-14 | 2023-02-14 | 一种脑卒中风险预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310112567.7A CN116269249B (zh) | 2023-02-14 | 2023-02-14 | 一种脑卒中风险预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116269249A CN116269249A (zh) | 2023-06-23 |
| CN116269249B true CN116269249B (zh) | 2023-11-17 |
Family
ID=86831541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310112567.7A Active CN116269249B (zh) | 2023-02-14 | 2023-02-14 | 一种脑卒中风险预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116269249B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238478A (zh) * | 2023-06-27 | 2023-12-15 | 开滦总医院 | 基于睡眠监测的脑卒中风险预警模型生成方法 |
| CN117243569A (zh) * | 2023-10-12 | 2023-12-19 | 国家康复辅具研究中心 | 一种基于多源信息融合的认知功能评估方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101316549A (zh) * | 2005-09-26 | 2008-12-03 | 阿利兹菲西奥尼克斯有限公司 | 用于非侵入检测和监控心脏与血液参数的系统和方法 |
| CN107273652A (zh) * | 2017-03-10 | 2017-10-20 | 马立伟 | 智能脑卒中风险监控系统 |
| CN108670238A (zh) * | 2018-05-18 | 2018-10-19 | 苏州爱琴生物医疗电子有限公司 | 基于脑氧信号与血压信号的脑血流自主调节能力评价方法 |
| CN108771533A (zh) * | 2018-07-02 | 2018-11-09 | 西北工业大学 | 一种面向中风预测的睡眠数据分析方法 |
| CN109512409A (zh) * | 2018-12-10 | 2019-03-26 | 重庆医科大学 | 一种心血管健康评估装置及其使用方法 |
| WO2019075522A1 (en) * | 2017-10-19 | 2019-04-25 | Medibio Limited | RISK INDICATOR |
| CN113243898A (zh) * | 2021-05-14 | 2021-08-13 | 苏州爱琴生物医疗电子有限公司 | 一种脑卒中数据处理设备及方法 |
| CN114203295A (zh) * | 2021-11-23 | 2022-03-18 | 国家康复辅具研究中心 | 脑卒中风险预测干预方法及系统 |
| WO2022058964A1 (en) * | 2020-09-18 | 2022-03-24 | ResMed Pty Ltd | Systems and methods for monitoring comorbidities |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102281816B (zh) * | 2008-11-20 | 2015-01-07 | 人体媒介公司 | 用于确定危重护理参数的方法和设备 |
| WO2011057084A2 (en) * | 2009-11-05 | 2011-05-12 | Somanetics Corporation | Cerebral autoregulation indices |
| US20180192895A1 (en) * | 2015-06-21 | 2018-07-12 | Yissum Research Development Company Of The Hebrew University Of Jerusalem Ltd. | Detection of peripheral arterial disease |
| KR101970481B1 (ko) * | 2017-03-31 | 2019-04-22 | 한국표준과학연구원 | 뇌졸중 모니터링 시스템 |
| US20220192919A1 (en) * | 2018-09-21 | 2022-06-23 | The Regents Of The University Of California | Real-time methods to enable precision-guided cpr to improve neurological outcome and predict brain damage after ischemic injury and reperfusion |
-
2023
- 2023-02-14 CN CN202310112567.7A patent/CN116269249B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101316549A (zh) * | 2005-09-26 | 2008-12-03 | 阿利兹菲西奥尼克斯有限公司 | 用于非侵入检测和监控心脏与血液参数的系统和方法 |
| CN107273652A (zh) * | 2017-03-10 | 2017-10-20 | 马立伟 | 智能脑卒中风险监控系统 |
| WO2019075522A1 (en) * | 2017-10-19 | 2019-04-25 | Medibio Limited | RISK INDICATOR |
| CN108670238A (zh) * | 2018-05-18 | 2018-10-19 | 苏州爱琴生物医疗电子有限公司 | 基于脑氧信号与血压信号的脑血流自主调节能力评价方法 |
| CN108771533A (zh) * | 2018-07-02 | 2018-11-09 | 西北工业大学 | 一种面向中风预测的睡眠数据分析方法 |
| CN109512409A (zh) * | 2018-12-10 | 2019-03-26 | 重庆医科大学 | 一种心血管健康评估装置及其使用方法 |
| WO2022058964A1 (en) * | 2020-09-18 | 2022-03-24 | ResMed Pty Ltd | Systems and methods for monitoring comorbidities |
| CN113243898A (zh) * | 2021-05-14 | 2021-08-13 | 苏州爱琴生物医疗电子有限公司 | 一种脑卒中数据处理设备及方法 |
| CN114203295A (zh) * | 2021-11-23 | 2022-03-18 | 国家康复辅具研究中心 | 脑卒中风险预测干预方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Rustam,Z,et al.The Global Kernelk-means Clustering Algorithm for Cerebral Infarction Classification.Journal or Physics：Conference Series.2019,1417012027. * |
| 基于NIRS的缺血性脑卒中LFOs特征及机理研究;马云菲;燕山大学学报;第45卷(第3期);254-261 * |
| 脉搏波传导速度与缺血性脑卒中相关性的Meta分析;杨妮，等;中国循环杂志;第37卷(第9期);940-945 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116269249A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116269249B (zh) | 一种脑卒中风险预测方法和系统 | |
| CN111616721B (zh) | 基于深度学习和脑机接口的情绪识别系统及应用 | |
| CN109994203B (zh) | 一种基于eeg信号深度多视角特征学习的癫痫检测方法 | |
| CN111407260B (zh) | 方向盘嵌入心电传感器的基于脑电和心电的疲劳检测方法 | |
| CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
| CN111544256A (zh) | 基于图卷积和迁移学习的脑控智能全肢体康复方法 | |
| Mustafa et al. | The analysis of eeg spectrogram image for brainwave balancing application using ann | |
| Harender et al. | DWT based epileptic seizure detection from EEG signal using k-NN classifier | |
| Wang et al. | Automatic sleep staging method of EEG signal based on transfer learning and fusion network | |
| Yuan et al. | Multivariate sleep stage classification using hybrid self-attentive deep learning networks | |
| CN116058800A (zh) | 基于深度神经网络与脑机接口的自动睡眠分期系统 | |
| Nguyen et al. | A potential approach for emotion prediction using heart rate signals | |
| Zeng et al. | Epileptic seizure detection with deep EEG features by convolutional neural network and shallow classifiers | |
| CN110916672A (zh) | 一种基于一维卷积神经网络的老年人日常活动监测方法 | |
| Kanna et al. | Smart Detection and Removal of Artifacts in Cognitive Signals Using Biomedical Signal Intelligence Applications | |
| Guntari et al. | Classification of post-stroke eeg signal using genetic algorithm and recurrent neural networks | |
| CN111613338B (zh) | 棘慢复合波检测模型构建方法、系统 | |
| CN113925459A (zh) | 一种基于脑电特征融合的睡眠分期方法 | |
| Masoudi et al. | Early detection of apnea-bradycardia episodes in preterm infants based on coupled hidden Markov model | |
| Arslan et al. | Subject-dependent and subject-independent classification of mental arithmetic and silent reading tasks | |
| Zheng et al. | Seizure prediction model based on method of common spatial patterns and support vector machine | |
| Nawasalkar et al. | EEG based stress recognition system based on Indian classical music | |
| Immanuel et al. | ANALYSIS OF DIFFERENT EMOTIONS WITH BIO-SIGNALS (EEG) USING DEEP CNN | |
| Pakistan | Canonical correlation analysis and neural network (CCA-NN) based method to detect epileptic seizures from EEG signals | |
| Shao et al. | EEG-Based Mental Workload Classification Method Based on Hybrid Deep Learning Model Under IoT |
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 |