CN116759047A - 用于血液透析的数据智能监控系统及其方法 - Google Patents

用于血液透析的数据智能监控系统及其方法 Download PDF

Info

Publication number
CN116759047A
CN116759047A CN202310681262.8A CN202310681262A CN116759047A CN 116759047 A CN116759047 A CN 116759047A CN 202310681262 A CN202310681262 A CN 202310681262A CN 116759047 A CN116759047 A CN 116759047A
Authority
CN
China
Prior art keywords
feature
matrix
classification
scale
global parameter
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.)
Withdrawn
Application number
CN202310681262.8A
Other languages
English (en)
Inventor
崔冰
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.)
First Affiliated Hospital of Henan University of TCM
Original Assignee
First Affiliated Hospital of Henan University of TCM
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 First Affiliated Hospital of Henan University of TCM filed Critical First Affiliated Hospital of Henan University of TCM
Priority to CN202310681262.8A priority Critical patent/CN116759047A/zh
Publication of CN116759047A publication Critical patent/CN116759047A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M1/00—Suction or pumping devices for medical purposes; Devices for carrying-off, for treatment of, or for carrying-over, body-liquids; Drainage systems
    • A61M1/14—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis
    • A61M1/16—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis with membranes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H40/60—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 operation of medical equipment or devices
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Urology & Nephrology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Emergency Medicine (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Surgery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • Bioethics (AREA)
  • Pathology (AREA)
  • Vascular Medicine (AREA)
  • Anesthesiology (AREA)
  • Hematology (AREA)

Abstract

公开了一种用于血液透析的数据智能监控系统及其方法，其采用基于深度学习的人工智能监控技术，以从被血液透析患者的透析参数的时序分布中提取在时间维度上的多尺度波动模式特征，并基于此来判断是否产生状态异常预警提示，进而建立有效的报警机制以保证血液透析的质量。

Description

用于血液透析的数据智能监控系统及其方法
技术领域
本申请涉及血液透析辅助设备领域，且更为具体地，涉及一种用于血液透析的数据智能监控系统及其方法。
背景技术
血液透析是急慢性肾功能衰竭患者肾脏替代治疗方式之一。它通过将体内血液引流至体外，经一个由无数根空心纤维组成的血液透析中，血液与含机体浓度相似的电解质溶液(透析液)在一根根空心纤维内外，通过弥散/对流进行物质交换，清除体内的代谢废物、维持电解质和酸碱平衡；同时清除体内过多的水分，并将经过净化的血液回输。
由于血液透析的复杂性以及技术发展的局限，在血液透析过程中，很有可能出现很多的意外，这些在透析中或者透析后出现的急性并发症统称为急性透析并发症，由于它们通常情况下都是致命的，所以应该引起临床医务工作者足够的重视。急性透析并发症包括失衡综合症、透析低血压、透析高血压、低渗血症、管道内凝血、空气栓塞等等。因此，在血液透析过程中，需要医护人员密切监控每一个患者的情况以及血液透析仪的工作状态，保证血液透析的质量，避免病人发生意外事故。
但是，需要长期进行血液透析的患者数量较多，医院的血液透析室基本处于饱和状态，一个血液透析医护人员可能需要同时监控多个患者的血液透析，因此在监控过程中需要设置有效的报警机制。
因此，期待一种用于血液透析的数据智能监控方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于血液透析的数据智能监控系统及其方法，其采用基于深度学习的人工智能监控技术，以从被血液透析患者的透析参数的时序分布中提取在时间维度上的多尺度波动模式特征，并基于此来判断是否产生状态异常预警提示，进而建立有效的报警机制以保证血液透析的质量。
相应地，根据本申请的一个方面，提供了一种用于血液透析的数据智能监控系统，其包括：
透析监控模块，用于获取预定时间段内多个预定时间点的多项透析参数；
单点透析参数特征提取模块，用于将所述各个预定时间点的多项透析参数通过基于转换器的上下文编码器以得到多个全局参数单点特征向量；
矩阵化模块，用于将所述多个全局参数单点特征向量进行二维矩阵化以得到全时序全局参数输入矩阵；
第一尺度关联模式特征提取模块，用于将所述全时序全局参数输入矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度全时序全局参数特征矩阵；
第二尺度关联模式特征提取模块，用于将所述全时序全局参数输入矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度全时序全局参数特征矩阵；
多尺度融合模块，用于融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵；
特征分布局部异常校正模块，用于对所述分类特征矩阵进行特征分布局部异常校正以得到优化分类特征向量；以及
监控结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生状态异常预警提示。
在上述用于血液透析的数据智能监控系统中，所述多项透析参数包括血液尿素氮浓度、尿素去除率、超滤量、血液流动速率、血液温度、血液压力、血液干重、血液浓度、透析液流动率、透析液温度、透析液浓度和透析液成分比重。
在上述用于血液透析的数据智能监控系统中，所述单点透析参数特征提取模块，包括：嵌入单元，用于将所述各个预定时间点的多项透析参数通过嵌入层以将所述多项透析参数中各项透析参数转化为透析参数嵌入向量以得到多个透析参数嵌入向量，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个预定时间点的多项透析参数进行嵌入编码；上下文编码单元，用于将所述多个透析参数嵌入向量输入所述基于转换器的上下文编码器以得到多个透析参数上下文特征向量；以及，级联单元，用于将所述多个透析参数上下文特征向量进行级联以得到所述全局参数单点特征向量。
在上述用于血液透析的数据智能监控系统中，所述上下文编码单元，进一步用于：将所述多个透析参数嵌入向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述多个透析参数嵌入向量中各个透析参数嵌入向量作为值向量分别进行相乘以得到所述多个透析参数上下文特征向量。
在上述用于血液透析的数据智能监控系统中，所述第一尺度关联模式特征提取模块，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述具有第一尺度的二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度全时序全局参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述全时序全局参数输入矩阵。
在上述用于血液透析的数据智能监控系统中，所述第二尺度关联模式特征提取模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述具有第二尺度的二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度全时序全局参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述全时序全局参数输入矩阵。
在上述用于血液透析的数据智能监控系统中，所述多尺度融合模块，进一步用于：以如下公式来融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵；其中，所述公式为：
其中，Mc为所述分类特征矩阵，Ma为所述第一尺度全时序全局参数特征矩阵，Mb为所述第二尺度全时序全局参数特征矩阵，表示所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵相对应位置处的元素相加，α和β为用于控制所述分类特征矩阵中所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵之间的平衡的加权参数。
在上述用于血液透析的数据智能监控系统中，所述特征分布局部异常校正模块，包括：特征矩阵展开单元，用于将所述分类特征矩阵进行特征矩阵展开以得到分类特征向量；以及，约束单元，用于以如下公式对所述分类特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化分类特征向量，其中，所述公式为：
其中，V是所述分类特征向量，||V||2表示所述分类特征向量的二范数，表示其平方，即所述分类特征向量自身的内积，vi是所述分类特征向量的第i个特征值，且vi'是所述优化分类特征向量的第i个特征值，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
在上述用于血液透析的数据智能监控系统中，所述监控结果生成模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，还提供了一种用于血液透析的数据智能监控方法，其包括：
获取预定时间段内多个预定时间点的多项透析参数；
将所述各个预定时间点的多项透析参数通过基于转换器的上下文编码器以得到多个全局参数单点特征向量；
将所述多个全局参数单点特征向量进行二维矩阵化以得到全时序全局参数输入矩阵；
将所述全时序全局参数输入矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度全时序全局参数特征矩阵；
将所述全时序全局参数输入矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度全时序全局参数特征矩阵；
融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵；
对所述分类特征矩阵进行特征分布局部异常校正以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生状态异常预警提示。
在上述用于血液透析的数据智能监控方法中，所述多项透析参数包括血液尿素氮浓度、尿素去除率、超滤量、血液流动速率、血液温度、血液压力、血液干重、血液浓度、透析液流动率、透析液温度、透析液浓度和透析液成分比重。
在上述用于血液透析的数据智能监控方法中，所述将所述各个预定时间点的多项透析参数通过基于转换器的上下文编码器以得到多个全局参数单点特征向量，包括：将所述各个预定时间点的多项透析参数通过嵌入层以将所述多项透析参数中各项透析参数转化为透析参数嵌入向量以得到多个透析参数嵌入向量，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个预定时间点的多项透析参数进行嵌入编码；将所述多个透析参数嵌入向量输入所述基于转换器的上下文编码器以得到多个透析参数上下文特征向量；以及，将所述多个透析参数上下文特征向量进行级联以得到所述全局参数单点特征向量。
在上述用于血液透析的数据智能监控方法中，所述将所述多个透析参数嵌入向量输入所述基于转换器的上下文编码器以得到多个透析参数上下文特征向量，包括：将所述多个透析参数嵌入向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述多个透析参数嵌入向量中各个透析参数嵌入向量作为值向量分别进行相乘以得到所述多个透析参数上下文特征向量。
在上述用于血液透析的数据智能监控方法中，所述将所述全时序全局参数输入矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度全时序全局参数特征矩阵，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述具有第一尺度的二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度全时序全局参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述全时序全局参数输入矩阵。
在上述用于血液透析的数据智能监控方法中，所述将所述全时序全局参数输入矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度全时序全局参数特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述具有第二尺度的二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度全时序全局参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述全时序全局参数输入矩阵。
在上述用于血液透析的数据智能监控方法中，所述融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵，包括：以如下公式来融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵；其中，所述公式为：
其中，Mc为所述分类特征矩阵，Ma为所述第一尺度全时序全局参数特征矩阵，Mb为所述第二尺度全时序全局参数特征矩阵，表示所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵相对应位置处的元素相加，α和β为用于控制所述分类特征矩阵中所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵之间的平衡的加权参数。
在上述用于血液透析的数据智能监控方法中，所述对所述分类特征矩阵进行特征分布局部异常校正以得到优化分类特征向量，包括：将所述分类特征矩阵进行特征矩阵展开以得到分类特征向量；以及，以如下公式对所述分类特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化分类特征向量，其中，所述公式为：
其中，V是所述分类特征向量，||V||2表示所述分类特征向量的二范数，表示其平方，即所述分类特征向量自身的内积，vi是所述分类特征向量的第i个特征值，且vi'是所述优化分类特征向量的第i个特征值，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
在上述用于血液透析的数据智能监控方法中，所述将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生状态异常预警提示，包括：使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于血液透析的数据智能监控方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于血液透析的数据智能监控方法。
与现有技术相比，本申请提供的用于血液透析的数据智能监控系统及其方法，其采用基于深度学习的人工智能监控技术，以从被血液透析患者的透析参数的时序分布中提取在时间维度上的多尺度波动模式特征，并基于此来判断是否产生状态异常预警提示，进而建立有效的报警机制以保证血液透析的质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于血液透析的数据智能监控系统的框图。
图2为根据本申请实施例的用于血液透析的数据智能监控系统的架构示意图。
图3为根据本申请实施例的用于血液透析的数据智能监控系统中单点透析参数特征提取模块的框图。
图4为根据本申请实施例的用于血液透析的数据智能监控方法的流程图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
相应地，在本申请的技术方案中，可通过传感器系统来采集被血液透析患者的透析参数的时序分布，并基于所述被血液透析患者的透析参数的时序分布中所蕴含的模式特征来判断是否产生状态异常预警提示，而这本质上是一个基于特征模式的分类问题，可以通过基于深度学习的神经网络模型来构建特征提取器，并通过分类器来实现上述技术构思。
具体地，首先获取预定时间段内多个预定时间点的多项透析参数，在本申请的技术方案中，所述多项透析参数包括血液尿素氮浓度、尿素去除率、超滤量、血液流动速率、血液温度、血液压力、血液干重、血液浓度、透析液流动率、透析液温度、透析液浓度和透析液成分比重。考虑到各个预定时间点的多项透析参数间蕴含有效信息，因此，在本申请的技术方案中，首先将所述各个预定时间点的多项透析参数通过基于转换器的上下文编码器以得到多个全局参数单点特征向量。
这里，在所述基于转换器的上下文编码器的编码过程中，其首先对所述各个预定时间点的多项透析参数分别进行嵌入化(例如，通过独热编码)以将所述多项透析参数转化为低维嵌入表示以得到多个透析参数嵌入向量。接着，使用所述基于转换器的上下文编码器对所述多个透析参数嵌入向量进行基于自注意力机制的上下文全文语义编码以得到多个透析参数上下文特征向量，进而简单地将所述多个透析参数上下文特征向量进行级联以得到所述全局参数单点特征向量。特别地，在本申请的技术方案中，一个预定时间点的一项透析参数对应于一个透析参数嵌入向量，且对应于一个透析参数上下文特征向量，而一个预定时间点的多项透析参数则对应于一个全局参数单点特征向量，而所述多个预定时间点的多项透析参数则对应于所述多个全局参数单点特征向量。
接着，将所述多个全局参数单点特征向量进行二维矩阵化以得到全时序全局参数输入矩阵。也就是，在数据结构层面构建所述多个预定时间点的多个全局参数单点特征向量的全时序表达。应可以理解，在进行血液透析的数据监控中，除了关注各个预定时间点的血液透析参数间的关联信息，也期待能够对其在时间维度上的波动模式进行关注。
为了更为充分地，挖掘血液透析参数在时间维度上的波动模式特征，对所述多个预定时间点的多个全局参数单点特征向量的全时序表达进行多尺度卷积编码。具体地，首先将所述全时序全局参数输入矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度全时序全局参数特征矩阵，同时将所述全时序全局参数输入矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度全时序全局参数特征矩阵。本领域普通技术人员应知晓，卷积神经网络模型在提取局部关联特征方面具有优异的性能表现，而不同尺度的卷积核则具有不同的特征感受野，其在基于卷积核的特征过滤时，能够捕捉不同时间窗口内不同透析参数间的关联的高维隐含特征表示。
在得到所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵后，融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵，并将分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生状态异常预警提示。也就是，在得到所述被血液透析患者的透析参数的时序分布中所蕴含的模式特征后，使用所述分类器来确定所述分类特征矩阵所属的类概率标签，通过这样的方式，来判断是否产生状态异常预警提示。
特别地，在本申请的技术方案中，在融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵得到所述分类特征矩阵时，由于所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵分别是透析参数的上下文特征的不同尺度的样本-时序二维关联表达，如果对其直接进行例如点加的融合，则所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵之间的特征分布的不对齐会导致所述分类特征矩阵的整体特征分布内存在异常的局部分布，从而导致所述分类特征矩阵在通过分类器进行分类时对单一分类结果的依赖性差，影响分类结果的准确性。
因此，对所述分类特征矩阵展开后得到的分类特征向量进行向量赋范的希尔伯特概率空间化，具体表示为：
V是所述分类特征向量，||V||2表示所述分类特征向量的二范数，表示其平方，即所述分类特征向量自身的内积，vi是所述分类特征向量V的第i个特征值，且vi'是优化后的分类特征向量V'的第i个特征值。
这里，所述向量赋范的希尔伯特概率空间化通过所述分类特征向量V自身的赋范在定义了向量内积的希尔伯特空间内进行所述分类特征向量V的概率性解释，并降低所述分类特征向量V的特殊的局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动，由此提高所述分类特征向量V的特征分布收敛到预定分类概率的分类回归的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述分类特征向量V的特征分布对分类结果的跨分类器的长程依赖。这样，再将优化后的分类特征向量V'直接通过分类器进行分类，就提升了所述分类特征矩阵在通过分类器进行分类时对分类结果的依赖性，改进了分类结果的准确性。
基于此，本申请提供了一种用于血液透析的数据智能监控系统，其包括：透析监控模块，用于获取预定时间段内多个预定时间点的多项透析参数；单点透析参数特征提取模块，用于将所述各个预定时间点的多项透析参数通过基于转换器的上下文编码器以得到多个全局参数单点特征向量；矩阵化模块，用于将所述多个全局参数单点特征向量进行二维矩阵化以得到全时序全局参数输入矩阵；第一尺度关联模式特征提取模块，用于将所述全时序全局参数输入矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度全时序全局参数特征矩阵；第二尺度关联模式特征提取模块，用于将所述全时序全局参数输入矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度全时序全局参数特征矩阵；多尺度融合模块，用于融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵；特征分布局部异常校正模块，用于对所述分类特征矩阵进行特征分布局部异常校正以得到优化分类特征向量；以及，监控结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生状态异常预警提示。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的用于血液透析的数据智能监控系统的框图。如图1所示，根据本申请实施例的用于血液透析的数据智能监控系统100，包括：透析监控模块110，用于获取预定时间段内多个预定时间点的多项透析参数；单点透析参数特征提取模块120，用于将所述各个预定时间点的多项透析参数通过基于转换器的上下文编码器以得到多个全局参数单点特征向量；矩阵化模块130，用于将所述多个全局参数单点特征向量进行二维矩阵化以得到全时序全局参数输入矩阵；第一尺度关联模式特征提取模块140，用于将所述全时序全局参数输入矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度全时序全局参数特征矩阵；第二尺度关联模式特征提取模块150，用于将所述全时序全局参数输入矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度全时序全局参数特征矩阵；多尺度融合模块160，用于融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵；特征分布局部异常校正模块170，用于对所述分类特征矩阵进行特征分布局部异常校正以得到优化分类特征向量；以及，监控结果生成模块180，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生状态异常预警提示。
图2为根据本申请实施例的用于血液透析的数据智能监控系统的架构示意图。如图2所示，首先，获取预定时间段内多个预定时间点的多项透析参数；接着，将所述各个预定时间点的多项透析参数通过基于转换器的上下文编码器以得到多个全局参数单点特征向量；然后，将所述多个全局参数单点特征向量进行二维矩阵化以得到全时序全局参数输入矩阵；继而，将所述全时序全局参数输入矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度全时序全局参数特征矩阵，同时，将所述全时序全局参数输入矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度全时序全局参数特征矩阵；随后，融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵；再对所述分类特征矩阵进行特征分布局部异常校正以得到优化分类特征向量；最后，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生状态异常预警提示。
在本申请的技术方案中，可通过传感器系统来采集被血液透析患者的透析参数的时序分布，并基于所述被血液透析患者的透析参数的时序分布中所蕴含的模式特征来判断是否产生状态异常预警提示，而这本质上是一个基于特征模式的分类问题，可以通过基于深度学习的神经网络模型来构建特征提取器，并通过分类器来实现上述技术构思。
在上述用于血液透析的数据智能监控系统100中，所述透析监控模块110，用于获取预定时间段内多个预定时间点的多项透析参数。在本申请实施例中，所述多项透析参数包括血液尿素氮浓度、尿素去除率、超滤量、血液流动速率、血液温度、血液压力、血液干重、血液浓度、透析液流动率、透析液温度、透析液浓度和透析液成分比重。
在上述用于血液透析的数据智能监控系统100中，所述单点透析参数特征提取模块120，用于将所述各个预定时间点的多项透析参数通过基于转换器的上下文编码器以得到多个全局参数单点特征向量。考虑到各个预定时间点的多项透析参数间蕴含有效信息，因此，在本申请的技术方案中，首先将所述各个预定时间点的多项透析参数通过基于转换器的上下文编码器以得到多个全局参数单点特征向量。
这里，在所述基于转换器的上下文编码器的编码过程中，其首先对所述各个预定时间点的多项透析参数分别进行嵌入化(例如，通过独热编码)以将所述多项透析参数转化为低维嵌入表示以得到多个透析参数嵌入向量。接着，使用所述基于转换器的上下文编码器对所述多个透析参数嵌入向量进行基于自注意力机制的上下文全文语义编码以得到多个透析参数上下文特征向量，进而简单地将所述多个透析参数上下文特征向量进行级联以得到所述全局参数单点特征向量。特别地，在本申请的技术方案中，一个预定时间点的一项透析参数对应于一个透析参数嵌入向量，且对应于一个透析参数上下文特征向量，而一个预定时间点的多项透析参数则对应于一个全局参数单点特征向量，而所述多个预定时间点的多项透析参数则对应于所述多个全局参数单点特征向量。
图3为根据本申请实施例的用于血液透析的数据智能监控系统中单点透析参数特征提取模块的框图。如图3所示，所述单点透析参数特征提取模块120，包括：嵌入单元121，用于将所述各个预定时间点的多项透析参数通过嵌入层以将所述多项透析参数中各项透析参数转化为透析参数嵌入向量以得到多个透析参数嵌入向量，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个预定时间点的多项透析参数进行嵌入编码；上下文编码单元122，用于将所述多个透析参数嵌入向量输入所述基于转换器的上下文编码器以得到多个透析参数上下文特征向量；以及，级联单元123，用于将所述多个透析参数上下文特征向量进行级联以得到所述全局参数单点特征向量。
具体地，在本申请实施例中，所述上下文编码单元122，进一步用于：将所述多个透析参数嵌入向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述多个透析参数嵌入向量中各个透析参数嵌入向量作为值向量分别进行相乘以得到所述多个透析参数上下文特征向量。
在上述用于血液透析的数据智能监控系统100中，所述矩阵化模块130，用于将所述多个全局参数单点特征向量进行二维矩阵化以得到全时序全局参数输入矩阵。也就是，在数据结构层面构建所述多个预定时间点的多个全局参数单点特征向量的全时序表达。
在上述用于血液透析的数据智能监控系统100中，所述第一尺度关联模式特征提取模块140和所述第二尺度关联模式特征提取模块150，用于将所述全时序全局参数输入矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度全时序全局参数特征矩阵，并同时将所述全时序全局参数输入矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度全时序全局参数特征矩阵。应可以理解，在进行血液透析的数据监控中，除了关注各个预定时间点的血液透析参数间的关联信息，也期待能够对其在时间维度上的波动模式进行关注。为了更为充分地，挖掘血液透析参数在时间维度上的波动模式特征，对所述多个预定时间点的多个全局参数单点特征向量的全时序表达进行多尺度卷积编码。
具体地，首先将所述全时序全局参数输入矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度全时序全局参数特征矩阵，同时将所述全时序全局参数输入矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度全时序全局参数特征矩阵。本领域普通技术人员应知晓，卷积神经网络模型在提取局部关联特征方面具有优异的性能表现，而不同尺度的卷积核则具有不同的特征感受野，其在基于卷积核的特征过滤时，能够捕捉不同时间窗口内不同透析参数间的关联的高维隐含特征表示。
更具体地，在本申请实施例中，所述第一尺度关联模式特征提取模块140，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述具有第一尺度的二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度全时序全局参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述全时序全局参数输入矩阵。
更具体地，在本申请实施例中，所述第二尺度关联模式特征提取模块150，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述具有第二尺度的二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度全时序全局参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述全时序全局参数输入矩阵。
在上述用于血液透析的数据智能监控系统100中，所述多尺度融合模块160，用于融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵。也就是，在得到所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵后，融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵。
具体地，在本申请实施例中，以如下公式来融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵；其中，所述公式为：
其中，Mc为所述分类特征矩阵，Ma为所述第一尺度全时序全局参数特征矩阵，Mb为所述第二尺度全时序全局参数特征矩阵，表示所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵相对应位置处的元素相加，α和β为用于控制所述分类特征矩阵中所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵之间的平衡的加权参数。
在上述用于血液透析的数据智能监控系统100中，所述特征分布局部异常校正模块170，用于对所述分类特征矩阵进行特征分布局部异常校正以得到优化分类特征向量。特别地，在本申请的技术方案中，在融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵得到所述分类特征矩阵时，由于所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵分别是透析参数的上下文特征的不同尺度的样本-时序二维关联表达，如果对其直接进行例如点加的融合，则所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵之间的特征分布的不对齐会导致所述分类特征矩阵的整体特征分布内存在异常的局部分布，从而导致所述分类特征矩阵在通过分类器进行分类时对单一分类结果的依赖性差，影响分类结果的准确性。因此，对所述分类特征矩阵展开后得到的分类特征向量进行向量赋范的希尔伯特概率空间化。
具体地，首先，通过特征矩阵展开单元将所述分类特征矩阵进行特征矩阵展开以得到分类特征向量；然后，通过约束单元以如下公式对所述分类特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化分类特征向量，其中，所述公式为：
其中，V是所述分类特征向量，||V||2表示所述分类特征向量的二范数，表示其平方，即所述分类特征向量自身的内积，vi是所述分类特征向量的第i个特征值，且vi'是所述优化分类特征向量的第i个特征值，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
这里，所述向量赋范的希尔伯特概率空间化通过所述分类特征向量V自身的赋范在定义了向量内积的希尔伯特空间内进行所述分类特征向量V的概率性解释，并降低所述分类特征向量V的特殊的局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动，由此提高所述分类特征向量V的特征分布收敛到预定分类概率的分类回归的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述分类特征向量V的特征分布对分类结果的跨分类器的长程依赖。这样，再将优化后的分类特征向量V'直接通过分类器进行分类，就提升了所述分类特征矩阵在通过分类器进行分类时对分类结果的依赖性，改进了分类结果的准确性。
在上述用于血液透析的数据智能监控系统100中，所述监控结果生成模块180，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生状态异常预警提示。也就是，在得到所述被血液透析患者的透析参数的时序分布中所蕴含的模式特征后，使用所述分类器来确定所述分类特征矩阵所属的类概率标签，通过这样的方式，来判断是否产生状态异常预警提示。
具体地，在本申请实施例中，所述监控结果生成模块180，包括：全连接编码单元，用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的用于血液透析的数据智能监控系统100被阐明，其采用基于深度学习的人工智能监控技术，以从被血液透析患者的透析参数的时序分布中提取在时间维度上的多尺度波动模式特征，并基于此来判断是否产生状态异常预警提示，进而建立有效的报警机制以保证血液透析的质量。
如上所述，根据本申请实施例的用于血液透析的数据智能监控系统100可以实现在各种终端设备中，例如用于血液透析的数据智能监控的服务器等。在一个示例中，根据本申请实施例的用于血液透析的数据智能监控系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于血液透析的数据智能监控系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于血液透析的数据智能监控系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该用于血液透析的数据智能监控系统100与该终端设备也可以是分立的设备，并且该用于血液透析的数据智能监控系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图4为根据本申请实施例的用于血液透析的数据智能监控方法的流程图。如图4所示，根据本申请实施例的用于血液透析的数据智能监控方法，包括：S110，获取预定时间段内多个预定时间点的多项透析参数；S120，将所述各个预定时间点的多项透析参数通过基于转换器的上下文编码器以得到多个全局参数单点特征向量；S130，将所述多个全局参数单点特征向量进行二维矩阵化以得到全时序全局参数输入矩阵；S140，将所述全时序全局参数输入矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度全时序全局参数特征矩阵；S150，将所述全时序全局参数输入矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度全时序全局参数特征矩阵；S160，融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵；S170，对所述分类特征矩阵进行特征分布局部异常校正以得到优化分类特征向量；以及，S180，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生状态异常预警提示。
在一个示例中，在上述用于血液透析的数据智能监控方法中，所述多项透析参数包括血液尿素氮浓度、尿素去除率、超滤量、血液流动速率、血液温度、血液压力、血液干重、血液浓度、透析液流动率、透析液温度、透析液浓度和透析液成分比重。
在一个示例中，在上述用于血液透析的数据智能监控方法中，所述将所述各个预定时间点的多项透析参数通过基于转换器的上下文编码器以得到多个全局参数单点特征向量，包括：将所述各个预定时间点的多项透析参数通过嵌入层以将所述多项透析参数中各项透析参数转化为透析参数嵌入向量以得到多个透析参数嵌入向量，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个预定时间点的多项透析参数进行嵌入编码；将所述多个透析参数嵌入向量输入所述基于转换器的上下文编码器以得到多个透析参数上下文特征向量；以及，将所述多个透析参数上下文特征向量进行级联以得到所述全局参数单点特征向量。
在一个示例中，在上述用于血液透析的数据智能监控方法中，所述将所述多个透析参数嵌入向量输入所述基于转换器的上下文编码器以得到多个透析参数上下文特征向量，包括：将所述多个透析参数嵌入向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述多个透析参数嵌入向量中各个透析参数嵌入向量作为值向量分别进行相乘以得到所述多个透析参数上下文特征向量。
在一个示例中，在上述用于血液透析的数据智能监控方法中，所述将所述全时序全局参数输入矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度全时序全局参数特征矩阵，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述具有第一尺度的二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度全时序全局参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述全时序全局参数输入矩阵。
在一个示例中，在上述用于血液透析的数据智能监控方法中，所述将所述全时序全局参数输入矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度全时序全局参数特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述具有第二尺度的二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度全时序全局参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述全时序全局参数输入矩阵。
在一个示例中，在上述用于血液透析的数据智能监控方法中，所述融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵，包括：以如下公式来融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵；其中，所述公式为：
其中，Mc为所述分类特征矩阵，Ma为所述第一尺度全时序全局参数特征矩阵，Mb为所述第二尺度全时序全局参数特征矩阵，表示所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵相对应位置处的元素相加，α和β为用于控制所述分类特征矩阵中所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵之间的平衡的加权参数。
在一个示例中，在上述用于血液透析的数据智能监控方法中，所述对所述分类特征矩阵进行特征分布局部异常校正以得到优化分类特征向量，包括：将所述分类特征矩阵进行特征矩阵展开以得到分类特征向量；以及，以如下公式对所述分类特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化分类特征向量，其中，所述公式为：
其中，V是所述分类特征向量，||V||2表示所述分类特征向量的二范数，表示其平方，即所述分类特征向量自身的内积，vi是所述分类特征向量的第i个特征值，且vi'是所述优化分类特征向量的第i个特征值，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
在一个示例中，在上述用于血液透析的数据智能监控方法中，所述将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生状态异常预警提示，包括：使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，本申请实施例的用于血液透析的数据智能监控方法被阐明，其采用基于深度学习的人工智能监控技术，以从被血液透析患者的透析参数的时序分布中提取在时间维度上的多尺度波动模式特征，并基于此来判断是否产生状态异常预警提示，进而建立有效的报警机制以保证血液透析的质量。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。图5为根据本申请实施例的电子设备的框图。如图5所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的用于血液透析的数据智能监控方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如透析参数等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于血液透析的数据智能监控方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于血液透析的数据智能监控方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种用于血液透析的数据智能监控系统，其特征在于，包括：
透析监控模块，用于获取预定时间段内多个预定时间点的多项透析参数；
单点透析参数特征提取模块，用于将所述各个预定时间点的多项透析参数通过基于转换器的上下文编码器以得到多个全局参数单点特征向量；
矩阵化模块，用于将所述多个全局参数单点特征向量进行二维矩阵化以得到全时序全局参数输入矩阵；
第一尺度关联模式特征提取模块，用于将所述全时序全局参数输入矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度全时序全局参数特征矩阵；
第二尺度关联模式特征提取模块，用于将所述全时序全局参数输入矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度全时序全局参数特征矩阵；
多尺度融合模块，用于融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵；
特征分布局部异常校正模块，用于对所述分类特征矩阵进行特征分布局部异常校正以得到优化分类特征向量；以及
监控结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生状态异常预警提示。
2.根据权利要求1所述的用于血液透析的数据智能监控系统，其特征在于，所述多项透析参数包括血液尿素氮浓度、尿素去除率、超滤量、血液流动速率、血液温度、血液压力、血液干重、血液浓度、透析液流动率、透析液温度、透析液浓度和透析液成分比重。
3.根据权利要求2所述的用于血液透析的数据智能监控系统，其特征在于，所述单点透析参数特征提取模块，包括：
嵌入单元，用于将所述各个预定时间点的多项透析参数通过嵌入层以将所述多项透析参数中各项透析参数转化为透析参数嵌入向量以得到多个透析参数嵌入向量，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个预定时间点的多项透析参数进行嵌入编码；
上下文编码单元，用于将所述多个透析参数嵌入向量输入所述基于转换器的上下文编码器以得到多个透析参数上下文特征向量；以及
级联单元，用于将所述多个透析参数上下文特征向量进行级联以得到所述全局参数单点特征向量。
4.根据权利要求3所述的用于血液透析的数据智能监控系统，其特征在于，所述上下文编码单元，进一步用于：
将所述多个透析参数嵌入向量排列为输入向量；
将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；
计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；
对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；
将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及
将所述自注意力特征矩阵与以所述多个透析参数嵌入向量中各个透析参数嵌入向量作为值向量分别进行相乘以得到所述多个透析参数上下文特征向量。
5.根据权利要求4所述的用于血液透析的数据智能监控系统，其特征在于，所述第一尺度关联模式特征提取模块，进一步用于：
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行基于所述具有第一尺度的二维卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度全时序全局参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述全时序全局参数输入矩阵。
6.根据权利要求5所述的用于血液透析的数据智能监控系统，其特征在于，所述第二尺度关联模式特征提取模块，进一步用于：
使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行基于所述具有第二尺度的二维卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度全时序全局参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述全时序全局参数输入矩阵。
7.根据权利要求6所述的用于血液透析的数据智能监控系统，其特征在于，所述多尺度融合模块，进一步用于：
以如下公式来融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵；
其中，所述公式为：
其中，Mc为所述分类特征矩阵，Ma为所述第一尺度全时序全局参数特征矩阵，Mb为所述第二尺度全时序全局参数特征矩阵，表示所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵相对应位置处的元素相加，α和β为用于控制所述分类特征矩阵中所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵之间的平衡的加权参数。
8.根据权利要求7所述的用于血液透析的数据智能监控系统，其特征在于，所述特征分布局部异常校正模块，包括：
特征矩阵展开单元，用于将所述分类特征矩阵进行特征矩阵展开以得到分类特征向量；以及
约束单元，用于以如下公式对所述分类特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化分类特征向量，其中，所述公式为：
其中，V是所述分类特征向量，||V||2表示所述分类特征向量的二范数，表示其平方，即所述分类特征向量自身的内积，vi是所述分类特征向量的第i个特征值，且vi'是所述优化分类特征向量的第i个特征值，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
9.根据权利要求8所述的用于血液透析的数据智能监控系统，其特征在于，所述监控结果生成模块，包括：
全连接编码单元，用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
10.一种用于血液透析的数据智能监控方法，其特征在于，包括：
获取预定时间段内多个预定时间点的多项透析参数；
将所述各个预定时间点的多项透析参数通过基于转换器的上下文编码器以得到多个全局参数单点特征向量；
将所述多个全局参数单点特征向量进行二维矩阵化以得到全时序全局参数输入矩阵；
将所述全时序全局参数输入矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度全时序全局参数特征矩阵；
将所述全时序全局参数输入矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度全时序全局参数特征矩阵；
融合所述第一尺度全时序全局参数特征矩阵和所述第二尺度全时序全局参数特征矩阵以得到分类特征矩阵；
对所述分类特征矩阵进行特征分布局部异常校正以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生状态异常预警提示。
CN202310681262.8A 2023-06-09 2023-06-09 用于血液透析的数据智能监控系统及其方法 Withdrawn CN116759047A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310681262.8A CN116759047A (zh) 2023-06-09 2023-06-09 用于血液透析的数据智能监控系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310681262.8A CN116759047A (zh) 2023-06-09 2023-06-09 用于血液透析的数据智能监控系统及其方法

Publications (1)

Publication Number Publication Date
CN116759047A true CN116759047A (zh) 2023-09-15

Family

ID=87947089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310681262.8A Withdrawn CN116759047A (zh) 2023-06-09 2023-06-09 用于血液透析的数据智能监控系统及其方法

Country Status (1)

Country Link
CN (1) CN116759047A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117912711A (zh) * 2024-03-19 2024-04-19 吉林大学 血液透析数据采集分析系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117912711A (zh) * 2024-03-19 2024-04-19 吉林大学 血液透析数据采集分析系统及方法
CN117912711B (zh) * 2024-03-19 2024-05-24 吉林大学 血液透析数据采集分析系统及方法

Similar Documents

Publication Publication Date Title
CN112183747B (zh) 神经网络训练的方法、神经网络的压缩方法以及相关设备
CN116759047A (zh) 用于血液透析的数据智能监控系统及其方法
CN114548246A (zh) 智能设备的控制方法、系统和电子设备
CN116580849B (zh) 医疗数据的采集分析系统及其方法
CN117251699A (zh) 基于人工智能的医疗大数据分析方法及系统
CN116257406A (zh) 用于智慧城市的网关数据管理方法及其系统
CN116307624A (zh) 一种erp系统的资源调度方法及其系统
WO2023108418A1 (zh) 脑图谱构建及神经环路检测的方法和相关产品
CN117438087A (zh) 基于健康监测数据分析的健康管理方法及系统
CN111833984A (zh) 基于机器学习的药品质控分析方法、装置、设备及介质
CN118098482A (zh) 基于5g技术的智慧医疗管理系统及方法
CN114610488A (zh) 基于负载均衡的数据采集方法、系统和电子设备
CN116759053A (zh) 基于物联网系统的医疗体系防控方法及系统
CN117094651A (zh) 一体化储能管理系统及能量管理方法
CN113855008A (zh) 可穿戴式体液监测装置及其运行方法
CN117912641A (zh) 医学影像数据的处理方法、装置、存储介质及电子设备
CN114005498A (zh) 临床试验数据逻辑核查方法和装置、设备、存储介质
CN116404212B (zh) 锌铁液流电池系统容量均衡控制方法及系统
CN116530952A (zh) 基于智能穿戴设备的生命安全监测系统及其方法
CN117316462A (zh) 一种医疗数据管理方法
CN117011609A (zh) 纺织品加工进度自动跟踪系统及其方法
CN117421655A (zh) 工业互联网数据流异常检测方法及系统
CN116486345A (zh) 物业服务平台管理系统及其方法
CN116955992A (zh) 机械设备的控制系统及其方法
CN111643056A (zh) 数据处理方法及系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20230915

WW01 Invention patent application withdrawn after publication