CN116628577B - 一种心室辅助设备的不良事件检测方法及装置 - Google Patents

一种心室辅助设备的不良事件检测方法及装置 Download PDF

Info

Publication number
CN116628577B
CN116628577B CN202310925402.1A CN202310925402A CN116628577B CN 116628577 B CN116628577 B CN 116628577B CN 202310925402 A CN202310925402 A CN 202310925402A CN 116628577 B CN116628577 B CN 116628577B
Authority
CN
China
Prior art keywords
importance
candidate
feature
candidate feature
determining
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
CN202310925402.1A
Other languages
English (en)
Other versions
CN116628577A (zh
Inventor
殷安云
戴明
解启莲
程洁
王新宇
杨浩
李修宝
余洪龙
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.)
Anhui Tongling Bionic Technology Co Ltd
Original Assignee
Anhui Tongling Bionic Technology Co Ltd
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 Anhui Tongling Bionic Technology Co Ltd filed Critical Anhui Tongling Bionic Technology Co Ltd
Priority to CN202310925402.1A priority Critical patent/CN116628577B/zh
Publication of CN116628577A publication Critical patent/CN116628577A/zh
Application granted granted Critical
Publication of CN116628577B publication Critical patent/CN116628577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • External Artificial Organs (AREA)

Abstract

本申请实施例提供了一种心室辅助设备的不良事件检测方法及装置，涉及医疗器械技术领域，上述方法包括：确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度；基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征；基于所述全局特征以及每一候选特征的初始重要度，确定每一候选特征的最终重要度；基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于所述目标特征，检测所述心室辅助设备是否发生不良事件，得到检测结果。应用本实施例提供的方案，能够得到准确的心室辅助设备不良事件的检测结果。

Description

一种心室辅助设备的不良事件检测方法及装置
技术领域
本申请涉及医疗器械技术领域，特别是涉及一种心室辅助设备的不良事件检测方法及装置。
背景技术
心室辅助设备是针对患有心脏相关疾病的患者，如心衰患者，提供支撑或辅助功能的装置，用于辅助心脏将血液泵送至身体其他各部位。若心室辅助设备发生不良事件，极大影响心室辅助设备的工作性能，基于此，亟需一种心室辅助设备的不良事件检测方案。
发明内容
本申请实施例的目的在于提供一种心室辅助设备的不良事件检测方法及装置，以得到准确的心室辅助设备不良事件的检测结果。具体技术方案如下：
第一方面，本申请实施例提供了一种心室辅助设备的不良事件检测方法，所述方法包括：
确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度；
基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征；
基于所述全局特征以及每一候选特征的初始重要度，确定每一候选特征的最终重要度；
基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于所述目标特征，检测所述心室辅助设备是否发生不良事件，得到检测结果。
本申请的一个实施例中，上述基于所述全局特征以及每一候选特征的初始重要度，确定每一候选特征的最终重要度，包括：
针对每一候选特征，计算该候选特征与每一其他特征之间的第一匹配度，基于所述第一匹配度与全局特征的初始重要度，计算该候选特征的第一备选重要度，其中，所述其他特征为：各候选特征中除该候选特征、全局特征之外的特征；
基于每一候选特征的第一备选重要度以及初始重要度，确定每一候选特征的最终重要度。
本申请的一个实施例中，上述基于每一候选特征的第一备选重要度以及初始重要度，确定每一候选特征的最终重要度，包括：
针对每一候选特征，计算该候选特征与全局特征之间的第二匹配度，基于所述第二匹配度与该候选特征的初始重要度，计算该候选特征的第二备选重要度；
基于每一候选特征的第一备选重要度以及第二备选重要度，计算融合重要度；
基于所计算的融合重要度，确定每一候选特征的最终重要度。
本申请的一个实施例中，上述基于所计算的融合重要度，确定每一候选特征的最终重要度，包括：
若所计算的融合重要度不满足收敛条件，将每一候选特征的初始重要度更新为所对应的融合重要度，并基于更新后的初始重要度，迭代返回执行所述基于每一候选特征的初始重要度，确定表征运行数据全局特征的全局特征的步骤；
若所计算的融合重要度满足收敛条件，将所计算的融合重要度确定为所对应每一候选特征的最终重要度。
本申请的一个实施例中，上述基于每一候选特征的第一备选重要度以及第二备选重要度，计算融合重要度，包括：
在当前迭代次数小于预设迭代次数的情况下，基于第二备选重要度，调整第一备选重要度，将调整后的第一备选重要度确定为融合重要度；
在当前迭代次数大于或者等于预设迭代次数的情况下，基于第一备选重要度，调整第二备选重要度，将调整后的第二备选重要度确定为融合重要度。
第二方面，本申请实施例提供了一种心室辅助设备的不良事件检测装置，所述装置包括：
第一重要度确定模块，用于确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度；
全局特征确定模块，用于基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征；
第二重要度确定模块，用于基于所述全局特征以及每一候选特征的初始重要度，确定每一候选特征的最终重要度；
不良事件检测模块，用于基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于所述目标特征，检测所述心室辅助设备是否发生不良事件，得到检测结果。
本申请的一个实施例中，上述第二重要度确定模块，包括：
第一重要度计算子模块，用于针对每一候选特征，计算该候选特征与每一其他特征之间的第一匹配度，基于所述第一匹配度与全局特征的初始重要度，计算该候选特征的第一备选重要度，其中，所述其他特征为：各候选特征中除该候选特征、全局特征之外的特征；
第二重要度计算子模块，用于基于每一候选特征的第一备选重要度以及初始重要度，确定每一候选特征的最终重要度。
本申请的一个实施例中，上述第二重要度计算子模块，包括：
第一重要度计算单元，用于针对每一候选特征，计算该候选特征与全局特征之间的第二匹配度，基于所述第二匹配度与该候选特征的初始重要度，计算该候选特征的第二备选重要度；
第二重要度计算单元，用于基于每一候选特征的第一备选重要度以及第二备选重要度，计算融合重要度；
第三重要度计算单元，用于基于所计算的融合重要度，确定每一候选特征的最终重要度。
本申请的一个实施例中，上述第三重要度计算单元，包括：
重要度更新子单元，用于若所计算的融合重要度不满足收敛条件，将每一候选特征的初始重要度更新为所对应的融合重要度，并基于更新后的初始重要度，迭代触发所述全局特征确定模块；
重要度确定子单元，用于若所计算的融合重要度满足收敛条件，将所计算的融合重要度确定为所对应每一候选特征的最终重要度。
本申请的一个实施例中，上述第二重要度计算单元，具体用于在当前迭代次数小于预设迭代次数的情况下，基于第二备选重要度，调整第一备选重要度，将调整后的第一备选重要度确定为融合重要度；在当前迭代次数大于或者等于预设迭代次数的情况下，基于第一备选重要度，调整第二备选重要度，将调整后的第二备选重要度确定为融合重要度。
第三方面，本申请实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面所述的方法步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法步骤。
由以上可见，应用本申请实施例提供的方案，基于所确定的目标特征进行不良事件的检测，而目标特征是基于心室辅助设备的运行数据的每一候选特征的最终重要度所确定的。由于最终重要度是基于全局特征以及初始重要度确定的，又由于全局特征是从运行数据的全局角度反映数据特性，而运行数据的全局数据特性能够更准确地反映运行数据的特性，减少边缘数据的干扰，那么，所确定的最终重要度在初始重要度基础上，结合运行数据的全局数据特性进行综合确定，从而使得所确定的最终重要度的能够较为准确地反映每一候选特征的重要性程度。这样，基于每一候选特征的最终重要度，能够较为准确地确定目标特征，从而提高了不良事件检测的准确度。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的一种轴流泵的结构示意图；
图2为本申请实施例提供的第一种心室辅助设备的不良事件检测方法的流程示意图；
图3为本申请实施例提供的第二种心室辅助设备的不良事件检测方法的流程示意图；
图4为本申请实施例提供的第三种心室辅助设备的不良事件检测方法的流程示意图；
图5为本申请实施例提供的第四种心室辅助设备的不良事件检测方法的流程示意图；
图6为本申请实施例提供的第五种心室辅助设备的不良事件检测方法的流程示意图；
图7为本申请实施例提供的第一种心室辅助设备的不良事件检测装置的结构示意图；
图8为本申请实施例提供的第二种心室辅助设备的不良事件检测装置的结构示意图；
图9为本申请实施例提供的第三种心室辅助设备的不良事件检测装置的结构示意图；
图10为本申请实施例提供的第四种心室辅助设备的不良事件检测装置的结构示意图
图11为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本申请保护的范围。
本申请的心室辅助设备可被附接到心脏的左心室、右心室或者两个心室的心尖上。心室辅助设备可以是轴流泵、离心泵或磁悬浮泵。
以下结合图1以轴流泵为例，对心室辅助设备的结构进行说明。图1示出了轴流泵的结构示意图，包括依次连接固定的猪尾管106、血液流入口105、血液流道104、血液流出口103、电机壳体102和导管101，电机壳体102内部安装有电机，电机的转轴贯穿电机壳体，与在血液流道104内部的轴流叶轮固定连接。
电机带动轴流叶轮旋转，在此驱动作用下，心脏中的血液从血液流入口105流入，经过血液流道104，从血液流出口103流出。
除了图1所示的结构之外，还可以将电机通过柔性驱动轴与叶轮连接，这样可以缩小心室辅助设备的尺寸，电机通过柔性驱动轴驱动叶轮旋转，实现心室辅助设备的辅助泵血功能。
本申请各实施例的执行主体可以是心室辅助设备的控制器，控制器用于检测心室辅助设备/患者的相关参数、以及控制心室辅助设备的运行。
参见图2，图2为本申请实施例提供的第一种心室辅助设备的不良事件检测方法的流程示意图，上述方法包括以下步骤S201-S204。
步骤S201：确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度。
心室辅助设备的运行数据是指心室辅助设备当前运行实时的运行参数数据。心室辅助设备的运行数据可以包括：心室辅助设备的转速、泵血流量、电机电流、出入口压力值等。除了采用心室辅助设备的运行数据之外，还可以采用患者的生理数据，如心率、左心室血量等。
运行数据的特征表示运行数据的数据特性。上述特征可以是存储在存储器中，在实现本实施例的方案时，可以读取存储器所存储的心室辅助设备的运行数据的特征；上述特征还可以是获取心室辅助设备的运行数据后，实时对上述运行数据进行特征提取得到的。
无论上述哪种方式，均涉及到特征提取。在进行特征提取时，可以采用以下方式：可以计算运行数据的最大值、最小值、平均值，作为运行数据的时域特征；还可以对运行数据进行傅里叶变化，得到频域信号，计算频域信号的次谐波频带能量与谐波能量频带能量的比值，作为运行数据的频域特征；还可以计算运行数据的瞬时频率的标准差与平均值，基于标准差与平均值计算时频域特征。将上述所提取的至少一种特征作为运行数据的特征。
初始重要度是指候选特征的重要度参数项的初始取值。候选特征的重要度参数项的取值用于表征在所有候选特征中该候选特征的重要程度，当取值越高，表示候选特征越重要，当取值越低，表示候选特征越不重要。
上述初始重要度可以是工作人员基于经验设定的。还可以是基于每一候选特征之间的相似性，对每一候选特征进行聚类，确定聚类集合的中心特征；计算每一候选特征在聚类集合所在的位置与中心特征所在的位置之间的距离，上述距离与重要度成反比，当距离越短，表示重要度越高，当距离越长，表示重要度越低，因此，可以将所计算的距离转换为重要度，如可以对所计算的距离进行归一化处理，计算1与上述归一化处理后的数据之间的差值，将计算得到的差值确定为重要度。
步骤S202：基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征。
上述全局特征表征运行数据的全局特征。运行数据的全局特性可以理解为从运行数据的整体角度上所反映的整体运行数据的数据特性。
在确定全局特征时，一种实施方式中，可以将候选特征中预设数量个最高的初始重要度的候选特征确定为全局特征。上述预设数量可以为1、3、5等。另一种实施方式中，可以基于每一候选特征的初始重要度，采用多个等级重要度阈值，对候选特征进行多个等级分类，得到每一等级所对应的候选特征，从每一等级所对应的候选特征中选择特征，作为全局特征。例如，可以将每一等级所对应的候选特征中最高初始重要度的候选特征作为全局特征。
步骤S203：基于全局特征以及每一候选特征的初始重要度，确定每一候选特征的最终重要度。
在确定每一候选特征的最终重要度时，一种实施方式中，可以计算每一候选特征与全局特征之间的距离，将计算得到的距离输入预设的目标函数，得到调整系数，基于调整系数调整每一候选特征的初始重要度。
上述目标函数用于表征特征距离与调整系数之间映射关系。基于上述目标函数，可以确定所计算的距离对应的调整系数。
在基于调整系数调整初始重要度时，可以计算调整系数与初始重要度之间的乘积，作为每一候选特征的最终重要度。
确定每一候选特征的最终重要度的其他方式可以参见后续图3对应的实施例。在此不进行详述。
步骤S204：基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于目标特征，检测心室辅助设备是否发生不良事件，得到检测结果。
由于候选特征的最终重要度能够准确地表征候选特征的重要程度，因此，基于候选特征的最终重要度，能够准确地确定用于检测不良事件的目标特征。
在确定目标特征中，一种实施方式中，可以选择最终重要度最高或者多个最终重要度最高的特征，作为目标特征，如可以选择5、8 个最终重要度最高的特征作为目标特征。
心室辅助设备所发生的不良事件可以包括：运行异常、抽吸事件、反流事件、产生血栓等。在检测心室辅助设备是否发生不良事件时，一种实施方式中，可以将目标特征与不良事件的预设特征进行匹配，若匹配度大于预设匹配度阈值，确定心室辅助设备发生不良事件；若匹配度小于或者等于预设匹配度阈值，确定心室辅助设备未发生不良事件。
另一种实施方式中，可以预先训练支持向量机模型，将目标特征输入上述支持向量机模型，支持向量机模型为：基于心室辅助设备的运行数据的特征进行不良事件检测的模型，获得支持向量机所输出的不良事件检测结果。
由以上可见，应用本实施例提供的方案，基于所确定的目标特征进行不良事件的检测，而目标特征是基于心室辅助设备的运行数据的每一候选特征的最终重要度所确定的。由于最终重要度是基于全局特征以及初始重要度确定的，又由于全局特征是从运行数据的全局角度反映数据特性，而运行数据的全局数据特性能够更准确地反映运行数据的特性，减少边缘数据的干扰，那么，所确定的最终重要度在初始重要度基础上，结合运行数据的全局数据特性进行综合确定，从而使得所确定的最终重要度的能够较为准确地反映每一候选特征的重要性程度。这样，基于每一候选特征的最终重要度，能够较为准确地确定目标特征，从而提高了不良事件检测的准确度。
在前述图2对应的实施例的步骤S203中，除了采用所提及的方式确定每一候选特征的最终重要度时，还可以按照以下步骤S303-S304实现。基于此，参见图3，图3为本申请实施例提供的第二种心室辅助设备的不良事件检测方法的流程示意图，上述方法包括以下步骤S301-S305。
步骤S301：确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度。
步骤S302：基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征。
上述步骤S301-S302与前述图2对应的实施例的步骤S201-S202相同，在此不再赘述。
步骤S303：针对每一候选特征，计算该候选特征与每一其他特征之间的第一匹配度，基于第一匹配度与全局特征的初始重要度，计算该候选特征的第一备选重要度。
上述其他特征为：各候选特征中除该候选特征、全局特征之外的特征。如候选特征包括[T1、T2、T3、……、T20]，其中，当前所针对的候选特征为T3、全局特征为T5、T8、T12，那么，其他特征为[T1、T2、T4、T6、T7、T9、…T11、T13、…、T20]。
上述第一匹配度表示候选特征与每一其他特征的差异信息。在计算第一匹配度时，可以采用预设的特征匹配度算法，对候选特征与每一其他特征进行匹配，得到第一匹配度。
由于第一备选重要度是基于第一匹配度与全局特征的初始重要度计算得到的，一方面，全局特征是从运行数据全局角度反映全局特性，那么，第一备选重要度考虑了运行数据的全局特性；另一方面，第一匹配度是候选特征与其他特征之间的匹配程度，那么，第一备选重要度还考虑了候选特征中不同特征之间的差异信息，以保证参考信息多样性。综合上述两方面，所确定的第一备选重要度，既考虑到运行数据的全局特性，又考虑到不同特征之间的差异信息，参考多方信息综合确定，从而使得第一备选重要度的准确度较高。
在计算第一备选重要度时，一种实施方式中，可以确定第一匹配度所对应的重要度系数，计算第一匹配度与所确定的重要度系数之间的乘积，将计算得到的乘积值与全局特征的初始重要度之和，确定为第一备选重要度。
可以预先针对每一预设匹配度范围设定相对应的重要度系数，确定第一匹配度所属预设匹配度范围所对应的重要度系数，作为第一匹配度所对应的重要度系数。例如：预设匹配度范围包括：[0,20%]、(20%-40%]、(40%,60%]、(60%-80%]、(80%,100%]，每一预设匹配度范围所对应重要度系数依次为：1、3、5、7、9，若第一匹配度为50%，属于(40%,60%]内，由于(40%,60%]所对应的重要度系数为5，所以，第一匹配度对应的重要度系数为5。
除了将计算得到的乘积值与全局特征的初始重要度之和确定为第一备选重要度之外，还可以引入第一随机重要度，也就是，将计算得到的乘积值、全局特征的初始重要度以及第一随机重要度之和，确定为第一备选重要度。上述随机重要度可以从预设重要度范围内随机选择的重要度。
步骤S304：基于每一候选特征的第一备选重要度以及初始重要度，确定每一候选特征的最终重要度。
在确定每一候选特征的最终重要度时，一种实施方式中，可以针对每一候选特征，基于预设的权重系数，对该候选特征的第一备选重要度与初始重要度进行加权求和，将计算得到的值确定为该候选特征的最终重要度。
确定最终重要度的其他实施方式可以参见后续图4对应的实施例，在此不进行详述。
步骤S305：基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于目标特征，检测心室辅助设备是否发生不良事件，得到检测结果。
上述步骤S305与前述图2对应的实施例的步骤S204相同，在此不再赘述。
由以上可见，在本实施例中，由于最终重要度是基于第一备选重要度以及初始重要度确定的，又由于第一备选重要度既考虑到运行数据的全局特性，又考虑到不同特征之间的差异信息，同时初始重要度是与候选特征本身有关。这样，在确定最终重要度时，既考虑多方信息，包括运行数据全局特性信息、不同特征之间的差异信息，同时还保留了候选特征自身信息，使得综合了多方不同维度的信息确定最终重要度，这样使得所确定的最终重要度能更为准确地反映候选特征的重要程度。
在前述图3对应的实施例的步骤S304中，除了采用前述所提及的方式确定最终重要度之外，还可以采用下述步骤S404-S406实现。基于此，参见图4，图4为本申请实施例提供的第三种心室辅助设备的不良事件检测方法的流程示意图，上述方法包括以下步骤S401-S407。
步骤S401：确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度。
步骤S402：基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征。
步骤S403：针对每一候选特征，计算该候选特征与每一其他特征之间的第一匹配度，基于第一匹配度与全局特征的初始重要度，计算该候选特征的第一备选重要度。
其中，其他特征为：各候选特征中除该候选特征、全局特征之外的特征。
上述步骤S401-S403与前述图3对应的实施例的步骤S301-S303相同，在此不再赘述。
步骤S404：针对每一候选特征，计算该候选特征与全局特征之间的第二匹配度，基于第二匹配度与该候选特征的初始重要度，计算该候选特征的第二备选重要度。
上述第二匹配度表示候选特征与全局特征的差异信息。在计算第二匹配度时，可以采用预设的特征匹配度算法，对候选特征与全局特征进行匹配，得到第二匹配度。
由于第二备选重要度是基于第二匹配度与候选特征的初始重要度计算得到的，一方面，候选特征的初始重要度与候选特征所对应运行数据的自身特性相关，那么，第二备选重要度考虑了每一候选特征自身的数据特性；另一方面，第二匹配度是候选特征与全局特征之间的匹配程度，那么，第二备选重要度还考虑了候选特征与全局特征之间的差异信息。这样，既保留了候选特征自身的数据特性，同时又考虑全局特征与候选特征之间的差异信息，参考多方信息综合确定，避免数据陷入局部最优情况，使得第二备选重要度的准确度较高。
在计算第二备选重要度时，一种实施方式中，可以确定第二匹配度所对应的重要度系数，计算第二匹配度与所确定的重要度系数之间的乘积，对上述乘积值与候选特征的初始重要度进行加权求和，将计算得到的值确定为第二备选重要度。
除了采用计算得到的乘积值与候选特征的初始重要度之外，还可以第二随机重要度，也就是，将计算得到的乘积值、候选特征的初始重要度以及第二随机重要度之和，确定为第二备选重要度。上述第二随机重要度可以从预设重要度范围内随机选择的重要度。
步骤S405：基于每一候选特征的第一备选重要度以及第二备选重要度，计算融合重要度。
由于融合重要度是基于第一备选重要度以及第二备选重要度计算得到的，一方面，第一备选重要度是以运行数据的全局数据特性为主，同时考虑了不同候选特征之间的差异，第二备选重要度则是以每一运行数据的自身数据特性为主，同时考虑到候选特征与全局特征之间的差异信息。所以，融合重要度充分学习到运行数据的全局数据特性以及自身数据特性，同时还结合不同候选特征之间的差异、以及候选特征与全局特征之间的差异，这样使得所计算的融合重要度的准确度较高。
一种实施方式中，可以针对每一候选特征，对该候选特征的第一备选重要度与第二备选重要度进行加权求和，将计算得到的值确定为融合重要度。
计算融合重要度的其他实施方式可以参见后续实施例，在此不进行详述。
步骤S406：基于所计算的融合重要度，确定每一候选特征的最终重要度。
在确定最终重要度时，可以直接将所计算的融合重要度确定为每一候选特征的最终重要度。还可以采用迭代调整方式确定最终重要度，迭代调整的实施方式可以参见后续图5对应的实施例，在此不进行详述。
步骤S407：基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于目标特征，检测心室辅助设备是否发生不良事件，得到检测结果。
上述步骤S407与前述图3对应的实施例的步骤S305相同，在此不再赘述。
由以上可见，在本实施例，每一候选特征的最终重要度是基于所计算的融合重要度确定的，由于融合重要度充分学习到运行数据的全局数据特性以及自身数据特性，同时还结合不同候选特征之间的差异、以及候选特征与全局特征之间的差异，进一步提高了所确定的最终重要度的准确度，从而显著提高了不良事件检测的准确度。
在前述图4对应的实施例的步骤S406中，提及可以采用迭代调整的实施方式确定最终重要度，具体实施方式可以按照下述步骤S506-S507实现。基于此，参见图5，图5为本申请实施例提供的第四种心室辅助设备的不良事件检测方法的流程示意图，上述方法包括以下步骤S501-S508。
步骤S501：确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度。
步骤S502：基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征。
步骤S503：针对每一候选特征，计算该候选特征与每一其他特征之间的第一匹配度，基于所计算的第一匹配度与全局特征的初始重要度，计算该候选特征的第一备选重要度。
其中，其他特征为：各候选特征中除该候选特征、全局特征之外的特征。
步骤S504：针对每一候选特征，计算该候选特征与全局特征之间的第二匹配度，基于第二匹配度与该候选特征的初始重要度，计算该候选特征的第二备选重要度。
步骤S505：基于每一候选特征的第一备选重要度以及第二备选重要度，计算融合重要度。
上述步骤S501-S505与前述图4对应的实施例的步骤S401-S405相同，在此不再赘述。
步骤S506：若所计算的融合重要度不满足收敛条件，将每一候选特征的初始重要度更新为所对应的融合重要度，并基于更新后的初始重要度，迭代返回执行步骤S502。
上述收敛条件可以是预先设定的，如可以将“所计算的融合重要度满足预设的重要度范围”设定为收敛条件，还可以将预设的迭代调整次数设定为收敛条件。
若所计算的融合重要度不满足收敛条件，需要进行迭代调整。在开始迭代时，将每一候选特征的初始重要度更新为所对应的融合重要度，开始执行步骤S502，直至得到满足收敛条件的融合重要度。也就是说，每一次迭代，执行步骤S502-S505，每次迭代输入数据是步骤S505所计算的融合重要度。
步骤S507：若所计算的融合重要度满足收敛条件，将所计算的融合重要度确定为所对应每一候选特征的最终重要度。
若所计算的融合重要度满足收敛条件，不需要进行迭代调整，将所计算的融合重要度确定为所对应每一候选特征的最终重要度。
步骤S508：基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于目标特征，检测心室辅助设备是否发生不良事件，得到检测结果。
上述步骤S508与前述图4对应的实施例的步骤S407相同，在此不再赘述。
由以上可见，在本实施例中，在所计算的融合重要度不满足收敛条件时，通过迭代调整方式，最终得到满足收敛条件的融合重要度。采用这种迭代调整方式，能够使得最终所确定的融合重要度充分学习到运行数据的各维度的数据特性，从而进一步提高了每一候选特征的最终重要度的准确度，进而提高了检测结果的准确度。
在前述图5对应的实施例中，采用迭代调整的方式，每次迭代时执行前述步骤S502-S505。其中，在每次迭代时，前述步骤S505，可以按照下述步骤S605-S606实现。基于此，参见图6，图6为本申请实施例提供的第五种心室辅助设备的不良事件检测方法的流程示意图，上述方法包括以下步骤S601-S609。
步骤S601：确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度。
步骤S602：基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征。
步骤S603：针对每一候选特征，计算该候选特征与每一其他特征之间的第一匹配度，基于第一匹配度与全局特征的初始重要度，计算该候选特征的第一备选重要度。
其中，其他特征为：各候选特征中除该候选特征、全局特征之外的特征。
步骤S604：针对每一候选特征，计算该候选特征与全局特征之间的第二匹配度，基于第二匹配度与该候选特征的初始重要度，计算该候选特征的第二备选重要度。
上述步骤S601-S604与前述图5对应的实施例的步骤S501-S504相同，在此不再赘述。
步骤S605：在当前迭代次数小于预设迭代次数的情况下，基于第二备选重要度，调整第一备选重要度，将调整后的第一备选重要度确定为融合重要度。
预设迭代次数可以是预先设定的，如20次、30次等。
当前迭代次数表征当前已经执行迭代操作的次数。当前迭代次数小于预设迭代次数，表示当前迭代调整处于前期调整阶段；当前迭代次数等于或者大于预设迭代次数，表示当前迭代调整处于后期调整阶段。
由于是在当前迭代调整处于前期迭代调整阶段，基于第二备选重要度调整第一备选重要度，也就是以第一备选重要度为主，第二备选重要度作为辅助参考信息调整第一备选重要度，又由于第一备选重要度又是以运行数据的全局数据特性为主，所以，前期迭代调整更加关注运行数据的全局数据特性，通过学习全局数据特性，能够实现快速学习运行数据的整体特性，从而加快迭代调整的收敛速度，节省大量的计算资源。
在调整第一备选重要度时，可以对第二备选重要度进行归一化处理，计算归一化处理的数据与第一备选重要度之间的和值，作为调整后的第一备选重要度。
步骤S606：在当前迭代次数大于或者等于预设迭代次数的情况下，基于第一备选重要度，调整第二备选重要度，将调整后的第二备选重要度确定为融合重要度。
由于是在当前迭代调整处于后期迭代调整阶段，基于第一备选重要度调整第二备选重要度，也就是以第二备选重要度为主，第一备选重要度作为辅助参考信息调整第二备选重要度，又由于第二备选重要度又是以运行数据的自身数据特性为主，所以，后期迭代调整更加关注运行数据的自身数据特性，在前期已经学习到全局数据特性的基础上，再学习自身数据特性，能够实现精准学习运行数据的整体特性和自身特性，从而实现迭代调整的精准性，有效利用计算资源。
在调整第二备选重要度时，可以对第一备选重要度进行归一化处理，计算归一化处理的数据与第二备选重要度之间的和值，作为调整后的第二备选重要度。
步骤S607：若所计算的融合重要度不满足收敛条件，将每一候选特征的初始重要度更新为所对应的融合重要度，并基于更新后的初始重要度，迭代返回执行步骤S602。
步骤S608：若所计算的融合重要度满足收敛条件，将所计算的融合重要度确定为所对应每一候选特征的最终重要度。
步骤S609：基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于目标特征，检测心室辅助设备是否发生不良事件，得到检测结果。
上述步骤S607-S609与前述图5对应的实施例的步骤S506-S508相同，在此不再赘述。
由以上可见，由于融合重要度是基于当前迭代调整所处阶段不同，采用不同方式确定的。在前期迭代调整阶段，通过学习运行数据的全局数据特性加快迭代调整收敛速度，节省大量计算资源；在后期迭代调整阶段，在已经学习到全局特征的基础上精准学习运行数据的自身特性，在加快迭代调整效率的基础上，提高了迭代调整的精准度。
与上述心室辅助设备的不良事件检测方法相对应，本申请实施例还提供了一种心室辅助设备的不良事件检测装置。
参见图7，图7为本申请实施例提供的第一种心室辅助设备的不良事件检测装置的结构示意图，上述装置包括701-704。
第一重要度确定模块701，用于确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度；
全局特征确定模块702，用于基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征；
第二重要度确定模块703，用于基于所述全局特征以及每一候选特征的初始重要度，确定每一候选特征的最终重要度；
不良事件检测模块704，用于基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于所述目标特征，检测所述心室辅助设备是否发生不良事件，得到检测结果。
由以上可见，应用本实施例提供的方案，基于所确定的目标特征进行不良事件的检测，而目标特征是基于心室辅助设备的运行数据的每一候选特征的最终重要度所确定的。由于最终重要度是基于全局特征以及初始重要度确定的，又由于全局特征是从运行数据的全局角度反映数据特性，而运行数据的全局数据特性能够更准确地反映运行数据的特性，减少边缘数据的干扰，那么，所确定的最终重要度在初始重要度基础上，结合运行数据的全局数据特性进行综合确定，从而使得所确定的最终重要度的能够较为准确地反映每一候选特征的重要性程度。这样，基于每一候选特征的最终重要度，能够较为准确地确定目标特征，从而提高了不良事件检测的准确度。
参见图8，图8为本申请实施例提供的第二种心室辅助设备的不良事件检测装置的结构示意图，上述装置包括801-805。
第一重要度确定模块801，用于确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度；
全局特征确定模块802，用于基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征；
第一重要度计算子模块803，用于针对每一候选特征，计算该候选特征与每一其他特征之间的第一匹配度，基于所述第一匹配度与全局特征的初始重要度，计算该候选特征的第一备选重要度，其中，所述其他特征为：各候选特征中除该候选特征、全局特征之外的特征；
第二重要度计算子模块804，用于基于每一候选特征的第一备选重要度以及初始重要度，确定每一候选特征的最终重要度。
不良事件检测模块805，用于基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于所述目标特征，检测所述心室辅助设备是否发生不良事件，得到检测结果。
前述801、802、805分别与前述图7对应的实施例的701、702、704相同。
由以上可见，在本实施例中，由于最终重要度是基于第一备选重要度以及初始重要度确定的，又由于第一备选重要度既考虑到运行数据的全局特性，又考虑到不同特征之间的差异信息，同时初始重要度是与候选特征本身有关。这样，在确定最终重要度时，既考虑多方信息，包括运行数据全局特性信息、不同特征之间的差异信息，同时还保留了候选特征自身信息，使得综合了多方不同维度的信息确定最终重要度，这样使得所确定的最终重要度能更为准确地反映候选特征的重要程度。
参见图9，图9为本申请实施例提供的第三种心室辅助设备的不良事件检测装置的结构示意图，上述装置包括901-907。
第一重要度确定模块901，用于确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度；
全局特征确定模块902，用于基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征；
第一重要度计算子模块903，用于针对每一候选特征，计算该候选特征与每一其他特征之间的第一匹配度，基于所述第一匹配度与全局特征的初始重要度，计算该候选特征的第一备选重要度，其中，所述其他特征为：各候选特征中除该候选特征、全局特征之外的特征；
第一重要度计算单元904，用于针对每一候选特征，计算该候选特征与全局特征之间的第二匹配度，基于所述第二匹配度与该候选特征的初始重要度，计算该候选特征的第二备选重要度；
第二重要度计算单元905，用于基于每一候选特征的第一备选重要度以及第二备选重要度，计算融合重要度；
第三重要度计算单元906，用于基于所计算的融合重要度，确定每一候选特征的最终重要度。
不良事件检测模块907，用于基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于所述目标特征，检测所述心室辅助设备是否发生不良事件，得到检测结果。
前述901-903、907分别与前述图8对应的实施例的801-803、805相同。
由以上可见，在本实施例，每一候选特征的最终重要度是基于所计算的融合重要度确定的，由于融合重要度充分学习到运行数据的全局数据特性以及自身数据特性，同时还结合不同候选特征之间的差异、以及候选特征与全局特征之间的差异，进一步提高了所确定的最终重要度的准确度，从而显著提高了不良事件检测的准确度。
参见图10，图10为本申请实施例提供的第四种心室辅助设备的不良事件检测装置的结构示意图，上述装置包括1001-1008。
第一重要度确定模块1001，用于确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度；
全局特征确定模块1002，用于基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征；
第一重要度计算子模块1003，用于针对每一候选特征，计算该候选特征与每一其他特征之间的第一匹配度，基于所述第一匹配度与全局特征的初始重要度，计算该候选特征的第一备选重要度，其中，所述其他特征为：各候选特征中除该候选特征、全局特征之外的特征；
第一重要度计算单元1004，用于针对每一候选特征，计算该候选特征与全局特征之间的第二匹配度，基于所述第二匹配度与该候选特征的初始重要度，计算该候选特征的第二备选重要度；
第二重要度计算单元1005，用于基于每一候选特征的第一备选重要度以及第二备选重要度，计算融合重要度；
重要度更新子单元1006，用于若所计算的融合重要度不满足收敛条件，将每一候选特征的初始重要度更新为所对应的融合重要度，并基于更新后的初始重要度，迭代触发所述全局特征确定模块；
重要度确定子单元1007，用于若所计算的融合重要度满足收敛条件，将所计算的融合重要度确定为所对应每一候选特征的最终重要度。
不良事件检测模块1008，用于基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于所述目标特征，检测所述心室辅助设备是否发生不良事件，得到检测结果。
前述1001-1005、1008分别与前述图9对应的实施例的901-905、907相同。
由以上可见，在本实施例中，在所计算的融合重要度不满足收敛条件时，通过迭代调整方式，最终得到满足收敛条件的融合重要度。采用这种迭代调整方式，能够使得最终所确定的融合重要度充分学习到运行数据的各维度的数据特性，从而进一步提高了每一候选特征的最终重要度的准确度，进而提高了检测结果的准确度。
本申请的一个实施例中，上述第二重要度计算单元，具体用于在当前迭代次数小于预设迭代次数的情况下，基于第二备选重要度，调整第一备选重要度，将调整后的第一备选重要度确定为融合重要度；在当前迭代次数大于或者等于预设迭代次数的情况下，基于第一备选重要度，调整第二备选重要度，将调整后的第二备选重要度确定为融合重要度。
由以上可见，由于融合重要度是基于当前迭代调整所处阶段不同，采用不同方式确定的。在前期迭代调整阶段，通过学习运行数据的全局数据特性加快迭代调整收敛速度，节省大量计算资源；在后期迭代调整阶段，在已经学习到全局特征的基础上精准学习运行数据的自身特性，在加快迭代调整效率的基础上，提高了迭代调整的精准度。
与上述心室辅助设备的不良事件检测方法相对应，本申请实施例还提供了一种电子设备。
参见图11，图11为本申请实施例提供的一种电子设备的结构示意图，包括处理器1101、通信接口1102、存储器1103和通信总线1104，其中，处理器1101，通信接口1102，存储器1103通过通信总线1104完成相互间的通信，
存储器1103，用于存放计算机程序；
处理器1101，用于执行存储器1103上所存放的程序时，实现本申请实施例提供的心室辅助设备的不良事件检测方法。
上述电子设备提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例提供的心室辅助设备的不良事件检测方法。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行时实现本申请实施例提供的心室辅助设备的不良事件检测方法。
由以上可见，应用本实施例提供的方案，基于所确定的目标特征进行不良事件的检测，而目标特征是基于心室辅助设备的运行数据的每一候选特征的最终重要度所确定的。由于最终重要度是基于全局特征以及初始重要度确定的，又由于全局特征是从运行数据的全局角度反映数据特性，而运行数据的全局数据特性能够更准确地反映运行数据的特性，减少边缘数据的干扰，那么，所确定的最终重要度在初始重要度基础上，结合运行数据的全局数据特性进行综合确定，从而使得所确定的最终重要度的能够较为准确地反映每一候选特征的重要性程度。这样，基于每一候选特征的最终重要度，能够较为准确地确定目标特征，从而提高了不良事件检测的准确度。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (8)

1.一种心室辅助设备的不良事件检测方法，其特征在于，所述方法包括：
确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度；
基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征；
基于所述全局特征以及每一候选特征的初始重要度，确定每一候选特征的最终重要度；
基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于所述目标特征，检测所述心室辅助设备是否发生不良事件，得到检测结果；
所述基于所述全局特征以及每一候选特征的初始重要度，确定每一候选特征的最终重要度，包括：
针对每一候选特征，计算该候选特征与每一其他特征之间的第一匹配度，基于所述第一匹配度与全局特征的初始重要度，计算该候选特征的第一备选重要度，其中，所述其他特征为：各候选特征中除该候选特征、全局特征之外的特征；所述第一备选重要度与运行数据的全局特性、不同特征之间的差异信息、以及该候选特征自身特性相关联；
基于每一候选特征的第一备选重要度以及初始重要度，确定每一候选特征的最终重要度。
2.根据权利要求1所述的方法，其特征在于，所述基于每一候选特征的第一备选重要度以及初始重要度，确定每一候选特征的最终重要度，包括：
针对每一候选特征，计算该候选特征与全局特征之间的第二匹配度，基于所述第二匹配度与该候选特征的初始重要度，计算该候选特征的第二备选重要度；
基于每一候选特征的第一备选重要度以及第二备选重要度，计算融合重要度；
基于所计算的融合重要度，确定每一候选特征的最终重要度。
3.根据权利要求2所述的方法，其特征在于，所述基于所计算的融合重要度，确定每一候选特征的最终重要度，包括：
若所计算的融合重要度不满足收敛条件，将每一候选特征的初始重要度更新为所对应的融合重要度，并基于更新后的初始重要度，迭代返回执行所述基于每一候选特征的初始重要度，确定表征运行数据全局特征的全局特征的步骤；
若所计算的融合重要度满足收敛条件，将所计算的融合重要度确定为所对应每一候选特征的最终重要度。
4.根据权利要求3所述的方法，其特征在于，所述基于每一候选特征的第一备选重要度以及第二备选重要度，计算融合重要度，包括：
在当前迭代次数小于预设迭代次数的情况下，基于第二备选重要度，调整第一备选重要度，将调整后的第一备选重要度确定为融合重要度；
在当前迭代次数大于或者等于预设迭代次数的情况下，基于第一备选重要度，调整第二备选重要度，将调整后的第二备选重要度确定为融合重要度。
5.一种心室辅助设备的不良事件检测装置，其特征在于，所述装置包括：
第一重要度确定模块，用于确定心室辅助设备的运行数据的特征，作为候选特征，并确定每一候选特征的初始重要度；
全局特征确定模块，用于基于每一候选特征的初始重要度，确定候选特征中表征运行数据全局特性的特征，作为全局特征；
第二重要度确定模块，用于基于所述全局特征以及每一候选特征的初始重要度，确定每一候选特征的最终重要度；
不良事件检测模块，用于基于每一候选特征的最终重要度，确定候选特征中的目标特征，基于所述目标特征，检测所述心室辅助设备是否发生不良事件，得到检测结果；
所述第二重要度确定模块，包括：
第一重要度计算子模块，用于针对每一候选特征，计算该候选特征与每一其他特征之间的第一匹配度，基于所述第一匹配度与全局特征的初始重要度，计算该候选特征的第一备选重要度，其中，所述其他特征为：各候选特征中除该候选特征、全局特征之外的特征；所述第一备选重要度与运行数据的全局特性、不同特征之间的差异信息、以及该候选特征自身特性相关联；
第二重要度计算子模块，用于基于每一候选特征的第一备选重要度以及初始重要度，确定每一候选特征的最终重要度。
6.根据权利要求5所述的装置，其特征在于，所述第二重要度计算子模块，包括：
第一重要度计算单元，用于针对每一候选特征，计算该候选特征与全局特征之间的第二匹配度，基于所述第二匹配度与该候选特征的初始重要度，计算该候选特征的第二备选重要度；
第二重要度计算单元，用于基于每一候选特征的第一备选重要度以及第二备选重要度，计算融合重要度；
第三重要度计算单元，用于基于所计算的融合重要度，确定每一候选特征的最终重要度。
7.根据权利要求6所述的装置，其特征在于，所述第三重要度计算单元，包括：
重要度更新子单元，用于若所计算的融合重要度不满足收敛条件，将每一候选特征的初始重要度更新为所对应的融合重要度，并基于更新后的初始重要度，迭代触发所述全局特征确定模块；
重要度确定子单元，用于若所计算的融合重要度满足收敛条件，将所计算的融合重要度确定为所对应每一候选特征的最终重要度。
8.根据权利要求7所述的装置，其特征在于，所述第二重要度计算单元，具体用于在当前迭代次数小于预设迭代次数的情况下，基于第二备选重要度，调整第一备选重要度，将调整后的第一备选重要度确定为融合重要度；在当前迭代次数大于或者等于预设迭代次数的情况下，基于第一备选重要度，调整第二备选重要度，将调整后的第二备选重要度确定为融合重要度。
CN202310925402.1A 2023-07-26 2023-07-26 一种心室辅助设备的不良事件检测方法及装置 Active CN116628577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310925402.1A CN116628577B (zh) 2023-07-26 2023-07-26 一种心室辅助设备的不良事件检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310925402.1A CN116628577B (zh) 2023-07-26 2023-07-26 一种心室辅助设备的不良事件检测方法及装置

Publications (2)

Publication Number Publication Date
CN116628577A CN116628577A (zh) 2023-08-22
CN116628577B true CN116628577B (zh) 2023-10-31

Family

ID=87597740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310925402.1A Active CN116628577B (zh) 2023-07-26 2023-07-26 一种心室辅助设备的不良事件检测方法及装置

Country Status (1)

Country Link
CN (1) CN116628577B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619253A (zh) * 2018-06-19 2019-12-27 北京京东尚科信息技术有限公司 身份识别的方法和装置
CN112951405A (zh) * 2021-01-26 2021-06-11 北京搜狗科技发展有限公司 一种实现特征排序的方法、装置及设备
CN113361656A (zh) * 2021-07-13 2021-09-07 人民中科(济南)智能技术有限公司 一种特征模型的生成方法、系统、设备及存储介质
KR20220064243A (ko) * 2020-11-11 2022-05-18 아주대학교산학협력단 인공지능 기반의 이상 반응 감시 방법 및 이에 대한 시스템
CN115083604A (zh) * 2022-06-07 2022-09-20 中山大学孙逸仙纪念医院 一种术后不良事件预测模型的构建方法、系统和预测装置
CN115392256A (zh) * 2022-08-29 2022-11-25 重庆师范大学 一种基于语义分割的药物不良事件关系抽取方法
CN115905960A (zh) * 2023-03-08 2023-04-04 安徽通灵仿生科技有限公司 一种基于心室辅助装置的不良事件检测方法及装置
CN115887906A (zh) * 2022-11-09 2023-04-04 安徽通灵仿生科技有限公司 一种心室导管泵的抽吸事件检测方法及装置
CN115985491A (zh) * 2023-03-21 2023-04-18 安徽通灵仿生科技有限公司 一种介入式心室导管泵的医学信息处理系统
CN116370819A (zh) * 2023-04-18 2023-07-04 安徽通灵仿生科技有限公司 一种心室辅助装置的泵血流量估测方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180315507A1 (en) * 2017-04-27 2018-11-01 Yale-New Haven Health Services Corporation Prediction of adverse events in patients undergoing major cardiovascular procedures
KR102586845B1 (ko) * 2021-06-30 2023-10-06 주식회사 하이텍정보 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619253A (zh) * 2018-06-19 2019-12-27 北京京东尚科信息技术有限公司 身份识别的方法和装置
KR20220064243A (ko) * 2020-11-11 2022-05-18 아주대학교산학협력단 인공지능 기반의 이상 반응 감시 방법 및 이에 대한 시스템
CN112951405A (zh) * 2021-01-26 2021-06-11 北京搜狗科技发展有限公司 一种实现特征排序的方法、装置及设备
CN113361656A (zh) * 2021-07-13 2021-09-07 人民中科(济南)智能技术有限公司 一种特征模型的生成方法、系统、设备及存储介质
CN115083604A (zh) * 2022-06-07 2022-09-20 中山大学孙逸仙纪念医院 一种术后不良事件预测模型的构建方法、系统和预测装置
CN115392256A (zh) * 2022-08-29 2022-11-25 重庆师范大学 一种基于语义分割的药物不良事件关系抽取方法
CN115887906A (zh) * 2022-11-09 2023-04-04 安徽通灵仿生科技有限公司 一种心室导管泵的抽吸事件检测方法及装置
CN115905960A (zh) * 2023-03-08 2023-04-04 安徽通灵仿生科技有限公司 一种基于心室辅助装置的不良事件检测方法及装置
CN115985491A (zh) * 2023-03-21 2023-04-18 安徽通灵仿生科技有限公司 一种介入式心室导管泵的医学信息处理系统
CN116370819A (zh) * 2023-04-18 2023-07-04 安徽通灵仿生科技有限公司 一种心室辅助装置的泵血流量估测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Regurgitation during the fully supported condition of the percutaneous left ventricular assist device;Anyun Yin等;《Physiological Measurement》;全文 *
Supervised Machine Learning‑Based Decision Support for Signal Validation Classification;Muhammad Imran等;《Drug Safety》;第583-596页 *
体外诊断医疗器械不良事件全程化云监测模式研究;茅鸯对等;《中国医疗器械杂志》;第43卷(第3期);第205-219页 *

Also Published As

Publication number Publication date
CN116628577A (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN116943015B (zh) 一种心室辅助设备的控制方法及装置
CN116492588B (zh) 一种心室导管泵的位置检测方法及装置
CN116870354A (zh) 一种心室辅助设备的转速控制方法及装置
KR20170125720A (ko) 심층 신경망 기반의 인식 장치, 트레이닝 장치, 및 이들의 방법
TWI711035B (zh) 方位角估計的方法、設備、語音交互系統及儲存介質
CN116370819B (zh) 一种心室辅助装置的泵血流量估测方法及装置
CN117323558B (zh) 一种心室辅助设备的自适应控制方法及装置
CN107644638A (zh) 语音识别方法、装置、终端和计算机可读存储介质
JP7040104B2 (ja) 学習プログラム、学習方法および学習装置
EP3793631B1 (en) Current-speed relationship for instantaneous suction detection algorithm in lvads
CN116077826B (zh) 一种心室导管泵的转速控制方法及装置
CN115845248B (zh) 一种心室导管泵的定位方法及装置
WO2021051556A1 (zh) 深度学习权值更新方法、系统、计算机设备及存储介质
WO2018161429A1 (zh) 一种噪声检测方法及终端设备
CN116628577B (zh) 一种心室辅助设备的不良事件检测方法及装置
CN110875059A (zh) 收音结束的判断方法、装置以及储存装置
CN116370815B (zh) 一种iabp球囊的充气时刻预测方法及装置
JP6148150B2 (ja) 音響分析フレーム信頼度計算装置と音響モデル適応装置と音声認識装置とそれらのプログラムと、音響分析フレーム信頼度計算方法
CN115905960B (zh) 一种基于心室辅助装置的不良事件检测方法及装置
CN115887906A (zh) 一种心室导管泵的抽吸事件检测方法及装置
CN115985491B (zh) 一种介入式心室导管泵的医学信息处理系统
CN115463336A (zh) 一种心室导管泵的监测方法及装置
CN109274562B (zh) 一种语音指令执行的方法、装置、智能家电设备及介质
CN117258138B (zh) 一种心室辅助系统的冲洗设备的控制方法及装置
CN117244171B (zh) 一种心室辅助系统的冲洗设备的自适应控制方法及装置

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