CN117030987A - 血液凝固分析系统、方法、设备及存储介质 - Google Patents
血液凝固分析系统、方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117030987A CN117030987A CN202310907704.6A CN202310907704A CN117030987A CN 117030987 A CN117030987 A CN 117030987A CN 202310907704 A CN202310907704 A CN 202310907704A CN 117030987 A CN117030987 A CN 117030987A
- Authority
- CN
- China
- Prior art keywords
- model
- blood coagulation
- detection
- coagulation
- blood
- 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.)
- Granted
Links
- 230000023555 blood coagulation Effects 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 195
- 230000015271 coagulation Effects 0.000 claims abstract description 83
- 238000005345 coagulation Methods 0.000 claims abstract description 83
- 230000005477 standard model Effects 0.000 claims abstract description 81
- 239000008280 blood Substances 0.000 claims abstract description 55
- 210000004369 blood Anatomy 0.000 claims abstract description 55
- 206010053567 Coagulopathies Diseases 0.000 claims abstract description 35
- 230000035602 clotting Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 5
- 238000004879 turbidimetry Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 description 6
- 238000004848 nephelometry Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000019838 Blood disease Diseases 0.000 description 1
- 206010018910 Haemolysis Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010023126 Jaundice Diseases 0.000 description 1
- 206010071229 Procedural haemorrhage Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 208000014951 hematologic disease Diseases 0.000 description 1
- 208000018706 hematopoietic system disease Diseases 0.000 description 1
- 230000008588 hemolysis Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000008279 sol Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/49—Blood
- G01N33/4905—Determining clotting time of blood
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/4875—Details of handling test elements, e.g. dispensing or storage, not specific to a particular test method
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Hematology (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Molecular Biology (AREA)
- Food Science & Technology (AREA)
- Biophysics (AREA)
- Urology & Nephrology (AREA)
- Ecology (AREA)
- Optics & Photonics (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了血液凝固分析系统、方法、设备及存储介质，涉及血液凝固检测技术领域，解决了现有技术难以准确识别并剔除各种干扰因素的影响，影响所测量凝血时间准确性的技术问题；本发明对血液样品进行凝血检测，获取光强序列；基于光强序列求解构建的光强变化模型，获取凝血检测模型；基于凝血检测模型确定血液样品的凝血时间；本发明较现有技术处理速度更快，得到的凝血时间更加可靠；本发明将凝血检测模型和凝血标准模型在关联时间段的积分值比值作为识别特征；基于人工智能模型提取若干识别特征对应的影响因素；本发明能够通过人工智能模型识别出血液样品中的影响因素，辅助检测人员或者医务人员做决策。
Description
技术领域
本发明属于血液凝固检测领域，具体是血液凝固分析系统、方法、设备及存储介质。
背景技术
凝血时间是指血液从血管中抽出放入试管中，从液态的溶胶状态变为半固体凝胶状态所需要的时间。凝血时间在很多场景中均需要检测，如为了避免手术中出血，在患者手术前要进行血液凝固项目的检测；此外，凝血时间也可作为某些疾病的筛查依据。
光学法凝血测试是目前常用的方法，光学法根据不同的光学测量原理还可分为散射比浊法和投射比浊法。透射比浊法需要进行信号校正，而且该方法的精度较差；相比而言，散射比浊法更加合理。但通过散射比浊法进行凝血时间测定时，经常需要在数据处理过程中对本底浊度的影响进行扣除，这会引起测量数据的整体变化；而且散射光强度达到50%所需时间会受到各种干扰因素的影响，得到的凝血时间与无干扰下的凝血时间存在一定差距。
本发明提供了血液凝固分析系统、方法、设备及存储介质，以解决上述问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了血液凝固分析系统、方法、设备及存储介质，用于解决现有技术利用散射比浊法测量凝血时间时，难以准确识别并剔除各种干扰因素的影响，影响所测量凝血时间准确性的技术问题。
为实现上述目的，本发明的第一方面提供了血液凝固分析系统，包括中枢控制模块，以及与之相连接的数据交互模块；数据交互模块分别与智能终端和血凝检测设备相连接；中枢控制模块通过血凝检测设备对血液样品进行凝血检测，获取光强序列；基于光强序列求解构建的光强变化模型，获取凝血检测模型；基于凝血检测模型确定血液样品的凝血时间；中枢控制模块按照设定的单位周期对凝血检测模型和凝血标准模型的检测时间进行分割，获取若干时间段；在若干时间段的基础上分别对凝血检测模型和凝血标准模型进行积分处理，获取若干积分值；以及将凝血检测模型和凝血标准模型在关联时间段的积分值比值作为识别特征；基于人工智能模型提取若干识别特征对应的影响因素；将影响因素和凝血时间发送至智能终端。
本发明中的中枢控制模块主要负责数据处理，与数据交互模块通信和/或电气连接。数据交互模块分别与智能终端和血凝检测设备通信和/或电气连接，通过血凝检测设备来获取检测数据，也就是光强序列；还可以通过智能终端获取一些标准数据，以及将血液凝固检测结果发送给检测人员。血凝检测设备主要利用散射比浊法来检测血液，有些时候也可使用投射比浊法。
本发明中的光强变化模型为原始曲线模型，在另外一些优选的方案中还可以选择其他能够准确描述光强变化状态的数学模型。凝血标准模型是在标准检测环境下检测正常血液获取的曲线或者其他数学模型；标准检测环境是常温、常压等环境，在后续的血液检测对比过程中不需要对环境进行刻意控制；正常血液是指没有本底浊度、没有受到其他能够影响凝血时间的干扰因素的影响的血液（事先检测验证），也就是说凝血标准模型可作为参考模型来验证凝血检测模型是否正常。
优选的，所述中枢控制模块通过血凝检测设备对血液样品进行凝血检测，包括：在标准检测环境中通过血凝检测设备对血液样品进行凝血检测；在凝血检测开始时持续采集光强信号，待光强信号达到最大值且稳定不变时停止检测；将采集的光强信号按照采集时间整合，获取光强序列。
在检测血液样品的凝血时间之前，需要保证获取的血液样品能够满足检测要求。本发明将标准检测环境设置的与凝血检测模型获取的环境一致，然后通过血凝检测设备对血液样品进行检测，随着时间可采集到越来越强的（散射）光强信号，当光强信号达到最大值而且趋于稳定时，则将刚开始采集到光强信号达到最大值这段时间的光强信号整合为光强序列。
本发明设置标准检测环境是为了在处理比对凝血检测模型和凝血标准模型时直接排除环境因素的干扰，提高数据处理效率。本发明在光强信号达到最大值且趋于稳定时整合获取光强序列，但并没有将光强信号稳定部分纳入到光强序列，因此光强序列只是光强信号强度发生变化的那一部分，剔除了对于凝血时间检测来说无用的数据，提高后续数据处理效率的同时也能够保证结果的准确性。
优选的，所述基于光强序列求解构建的光强变化模型，包括：识别凝血标准模型中光强变化规律，根据光强变化规律构建原始曲线模型，将该原始曲线模型标记为光强变化模型；将光强序列划分为两部分；一部分用于求解光强变化模型，另外一部分用于验证求解结果，验证通过之后得到凝血检测模型。
本发明的原始曲线模型是基于凝血标准模型得到的，识别凝血标准模型中光强的变化规律，根据变化规律确定曲线的主要构成，或者直接提取凝血标准模型的主要构成，这里的主要构成包括指数、对数等，其中涉及到的比例系数、次幂、对数底数等用未知量代替，得到原始曲线模型。通过光强序列来求解原始曲线模型中的未知量，进而得到凝血检测模型。需要说明的是，利用光强序列求解原始曲线模型中的未知量时，可以分成两部分，一部分求解，另一部分验证。
本发明基于凝血标准模型来确定原始曲线模型，能够保证得到的凝血检测模型符合常规的凝血时间检测变化规律；若血液样品的光强序列不符合该变化规律，则检测该血液样品得到的凝血时间也不可靠。
优选的，所述基于凝血检测模型确定血液样品的凝血时间，包括：调取凝血检测模型；分别计算凝血检测模型在光强为0%和光强为50%对应的时刻点，将两时刻点的差值绝对值作为对应血液样品的凝血时间。
凝血时间一般是光强从0%到50%需要的时长。但若血液样品中含有高脂、血症、黄疸和溶血或底纤维蛋白原血症的特殊样本时，其作为起始点0％的基线会随之上移或下移。本发明中的凝血检测模型是以时间为自变量，光强为因变量的曲线，因此可计算出光强为0%和50%对应的时刻，两时刻之间的差值可作为凝血时间。相对于常用的从本底扣除的方法，本发明处理步骤简单，能够保证凝血时间的可靠性。
优选的，所述中枢控制模块按照设定的单位周期对凝血检测模型和凝血标准模型的检测时间进行分割，包括：基于凝血检测模型或者凝血标准模型的检测时间设置单位周期；根据单位周期将凝血检测模型或者凝血标准模型的检测时间划分为若干时间段；将凝血检测模型或者凝血标准模型在检测时间中对应的时间段关联。
正常情况下凝血时间在一个时间段内就是满足要求，如凝血时间在五分钟内。但是，血液样品会受到各种影响因素的影响，使得凝血检测中光强变化异常。本发明通过对凝血检测模型进一步分析，确定血液样品受到的影响因素，为检测人员或者相关医务人员提供建议。
本发明判断凝血检测模型和凝血标准模型中哪一个的检测时间更长，根据加长的检测时间确定单位周期。根据设定的单位周期对凝血检测模型和凝血标准模型的检测时间进行分割，获取若干时间段。关联顺序一致的两个时间段。本发明设定单位周期，以及根据单位周期确定若干时间段为了后续提取每个时间段中的光强特征，进而根据这些光强特征匹配影响因素。
优选的，所述在若干时间段的基础上分别对凝血检测模型和凝血标准模型进行积分处理，包括：将凝血检测模型和凝血标准模型的曲线函数分别标记为FJ（t）和FB（t），将二者对应的时间段分别标记为SJ（i）和SB（j）；将曲线函数FJ（t）在时间段SJ（i）范围内积分，获取若干积分值；以及将曲线函数FB（t）在时间段SB（j）范围内积分，获取若干积分值。
本发明通过计算凝血检测模型和凝血标准模型在各时间段内的积分值，每一时间段的积分值均能够表达光强在这一时间段的变化幅度和变化速率。通过积分值之间的比较能够识别出光强出现了哪些不同的变化，通过前后积分值的变化还能够识别出特征的变化趋势，有利于识别血液样品中的影响因素。
优选的，所述将凝血检测模型和凝血标准模型在关联时间段的积分值比值作为识别特征，包括：依次提取各时间段中凝血检测模型和凝血标准模型的积分值；计算凝血检测模型和凝血标准模型在同一时间段内的积分值比值，作为识别特征；按照时间顺序将识别特征拼接成模型识别序列。
每个时间段均会存在凝血检测模型和凝血标准模型对应两个积分值，获取同一时间段内的两个积分值的比值作为一个识别特征。按照时间顺序将各时间段对应的识别特征拼接起来作为模型识别序列。
本发明的识别特征能够表示出与正常血液相比，血样样品在某一时间段存在的差别；而模型识别序列则表示了前后连贯的多个差别，根据这多个差别便能够快速识别出血液样品中存在的影响因素。
优选的，在所述依次提取各时间段中凝血检测模型和凝血标准模型的积分值之后，对积分值进行校验，包括：比较凝血检测模型和凝血标准模型，判断凝血检测模型或者凝血标准模型中是否存在非关联时间段；当凝血检测模型中存在非关联时间段，则在凝血标准模型中设置临时时间段；当凝血标准模型中存在非关联时间段，则凝血检测模型中设置临时时间段；其中，，临时时间段与非关联时间段进行关联；对临时时间段的积分值进行赋值。
本发明在根据检测时间确定时间段，并对凝血检测模型和凝血标准模型的检测时间进行划分时，无法保证检测时间（光强序列对应的时长）是一致的。因此，两个检测时间所划分出的时间段数量不一定相同。因此，需要对时间段数量较少的检测时间后面设置临时时间段，以保证另外一个检测时间的所有时间段均存在关联时间段。
优选的，所述基于人工智能模型提取若干识别特征对应的影响因素，包括：通过标准训练数据对人工智能模型进行训练，获取特征识别模型；将模型识别序列输入至特征识别模型，提取对应的影响因素。
优选的，所述通过标准训练数据对人工智能模型进行训练，包括：根据模拟检测数据提取各已知影响因素单独或者联合影响下的若干模型识别序列，整合为标准输入数据，将对应的影响因素整合为标准输出数据；通过标准输入数据和标准输出数据对构建的人工智能模型进行训练，将训练完成的人工智能模型标记为特征识别模型。
本发明可通过模拟各种已知影响因素对凝血时间的影响，得到若干模型识别序列。根据这些数据可训练人工智能模型，得到特征识别模型。将根据凝血检测模型和凝血标准模型得到的模型识别序列输入至特征识别模型中，可得到识别出血液样品中的影响因素。
本发明的第二方面提供了血液凝固分析方法，包括：对血液样品进行凝血检测，获取光强序列；基于光强序列求解构建的光强变化模型，获取凝血检测模型；基于凝血检测模型确定血液样品的凝血时间；按照设定的单位周期对凝血检测模型和凝血标准模型的检测时间进行分割，获取若干时间段；在若干时间段的基础上分别对凝血检测模型和凝血标准模型进行积分处理，获取若干积分值；将凝血检测模型和凝血标准模型在关联时间段的积分值比值作为识别特征；基于人工智能模型提取若干识别特征对应的影响因素。
本发明的第三方面提供了一种计算机设备，包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器中存储的计算机程序执行血液凝固分析方法。
本发明的第四方面提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时执行血液凝固分析方法。
与现有技术相比，本发明的有益效果是：
1.本发明对血液样品进行凝血检测，获取光强序列；基于光强序列求解构建的光强变化模型，获取凝血检测模型；基于凝血检测模型确定血液样品的凝血时间；本发明通过简单的数据处理能够剔除本底浓度的影响，较现有技术处理速度更快，得到的凝血时间更加可靠。
2.本发明在若干时间段的基础上分别对凝血检测模型和凝血标准模型进行积分处理，获取若干积分值；将凝血检测模型和凝血标准模型在关联时间段的积分值比值作为识别特征；基于人工智能模型提取若干识别特征对应的影响因素；本发明能够通过人工智能模型识别出血液样品中的影响因素，辅助检测人员或者医务人员做决策。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的系统原理示意图；
图2为本发明的方法步骤示意图；
图3为本发明的光强序列的获取流程图；
图4为本发明的临时时间段的设置流程图。
具体实施方式
下面将结合实施例对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-图2，本发明第一方面实施例提供了血液凝固分析系统，包括中枢控制模块，以及与之相连接的数据交互模块；数据交互模块分别与智能终端和血凝检测设备相连接；中枢控制模块通过血凝检测设备对血液样品进行凝血检测，获取光强序列；基于光强序列求解构建的光强变化模型，获取凝血检测模型；基于凝血检测模型确定血液样品的凝血时间；中枢控制模块按照设定的单位周期对凝血检测模型和凝血标准模型的检测时间进行分割，获取若干时间段；在若干时间段的基础上分别对凝血检测模型和凝血标准模型进行积分处理，获取若干积分值；以及将凝血检测模型和凝血标准模型在关联时间段的积分值比值作为识别特征；基于人工智能模型提取若干识别特征对应的影响因素；将影响因素和凝血时间发送至智能终端。
本实施例的第一步是中枢控制模块通过血凝检测设备对血液样品进行凝血检测，获取光强序列；基于光强序列求解构建的光强变化模型，获取凝血检测模型；基于凝血检测模型确定血液样品的凝血时间。
请参阅图3，在获取的血液样品之后，先按照标准检测环境对血液样品所处的环境进行控制。待环境稳定之后，血凝检测设备结合散射比浊法对血压样品进行检测。持续对散射光进行检测，等散射光强达到最大值而且稳定在最大值时停止检测。将检测起始时刻到散射光强达到最大值的时刻之间的光强信号进行整合，获取光强序列。
在标准检测环境中对正常血液进行凝血测试，得到凝血标准曲线，也就是凝血标准模型。识别凝血标准模型中存在的数学模型，如对数函数、指数函数、幂函数等，按照数学模型在凝血标准模型中的作用整合成原始曲线模型。
假如凝血标准模型为NB=α×ln（t+1）+t^2+β，α为大于0的比例系数，β为误差常数，且α和β在凝血标准模型中已知；可识别出凝血标准模型函数的基本构成，则原始曲线模型可简化为NJ=α1×logx（t+1）+t^y+β1，α1用来代替α，β1用来代替β，α1和β1均为未知待求解的参数。光强序列中包括若干时间t以及对应的光强NJ，通过光强序列可求解出α1、x、y和β1，得到凝血检测模型。将NJ=1和NJ=50%带入到凝血检测模型中，分别得到对应的时刻t1和t2，则|t2-t1|即为血液样品的凝血时间。
本实施例通过数学模型来构建求解凝血检测模型，进而根据凝血检测模型计算出凝血时间。相较于传统方法对本底浊度的影响进行本底扣除，本发明直接通过简单的数据处理计算出凝血时间，能够保证凝血时间的可靠性。
本实施例的第二步是中枢控制模块按照设定的单位周期对凝血检测模型和凝血标准模型的检测时间进行分割，获取若干时间段；在若干时间段的基础上分别对凝血检测模型和凝血标准模型进行积分处理，获取若干积分值。
本实施例分别获取凝血检测模型和凝血标准模型的检测时间，也可以理解为光强序列对应的时长。比较两个检测时间的大小，将较大的检测时间与设定的单位周期相结合，可得到若干时间段。将凝血检测模型和凝血标准模型对应的时间段分别标记为SJ（i）和SB（j）；i和j均为正整数。
当i和j相等时，则将对应的SJ（i）和SB（j）关联。将凝血检测模型和凝血标准模型的曲线函数分别标记为FJ（t）和FB（t），在两个模型对应的若干时间段范围内进行积分处理，每个时间段均会对应一个积分值。
本实施例的第三步是将凝血检测模型和凝血标准模型在关联时间段的积分值比值作为识别特征；基于人工智能模型提取若干识别特征对应的影响因素；将影响因素和凝血时间发送至智能终端。
计算同一时间段的两个积分值比值，则可得到若干时间段对应的积分值比值，将该积分值比值拼接成模型识别序列。将模型识别序列输入至特征识别模型中，通过人工智能技术可以识别出模型识别序列中的影响因素。
特征识别模型主要是根据模拟数据或者历史经验数据构建，如在正常血液中引入一种或者多种已知影响因素，之后进行凝血检测。将凝血检测结果与凝血标准模型进行积分处理，同样可得到对应的特征识别序列。则改变模拟条件可得到多组特征识别序列，将多组特征识别序列整合为标准输入数据，将若干特征识别序列对应的影响因素作为标准输出数据，可训练人工智能模型得到特征识别模型。通过特征识别模型识别血液样品对应的特征识别序列，提取影响血液样品的影响因素，反馈给检测人员或者医务人员。
请参阅图4，在另外一个优选的实施例中，由于两个模型的检测时间不一致，因此i和j的最大值可能不同。如i=1，2，3，4，5；j=1，2，3，4，5，6，则实际上SB（6）在凝血检测模型中没有与之关联的时间段。则本实施例为凝血检测模型额外设定一个临时时间段，也就是SJ（6）。但凝血检测模型在时间段SJ（6）并不存在积分值，因此直接将凝血检测模型在该时间段SJ（6）的积分值赋值为1或者-1，在后续进行积分值比值计算时保证数据有意义。值得注意的是，临时时间段的设置更加能够突出凝血检测模型与凝血标准模型之间的区别，即有利于提高影响因素的识别效率和识别精度。
本发明第二方面实施例提供了一种计算机设备，该计算机设备包括存储器和处理器；存储器用于存储计算机程序；处理器通过执行存储器中存储的计算机程序来实现上述血液凝固的检测流程。
本发明第三方面的实施例提供了一种计算机刻度存储介质存储有计算机程序，所述计算机程序被处理器执行时执行血液凝固分析方法。
上述公式中的部分数据是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理：对血液样品进行凝血检测，获取光强序列；基于光强序列求解构建的光强变化模型，获取凝血检测模型；基于凝血检测模型确定血液样品的凝血时间。按照设定的单位周期对凝血检测模型和凝血标准模型的检测时间进行分割，获取若干时间段；在若干时间段的基础上分别对凝血检测模型和凝血标准模型进行积分处理，获取若干积分值。将凝血检测模型和凝血标准模型在关联时间段的积分值比值作为识别特征；基于人工智能模型提取若干识别特征对应的影响因素。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (13)
1.血液凝固分析系统，包括中枢控制模块，以及与之相连接的数据交互模块；数据交互模块分别与智能终端和血凝检测设备相连接；其特征在于：
中枢控制模块通过血凝检测设备对血液样品进行凝血检测，获取光强序列；基于光强序列求解构建的光强变化模型，获取凝血检测模型；基于凝血检测模型确定血液样品的凝血时间；其中，光强变化模型为原始曲线模型；
中枢控制模块按照设定的单位周期对凝血检测模型和凝血标准模型的检测时间进行分割，获取若干时间段；在若干时间段的基础上分别对凝血检测模型和凝血标准模型进行积分处理，获取若干积分值；以及，
将凝血检测模型和凝血标准模型在关联时间段的积分值比值作为识别特征；基于人工智能模型提取若干识别特征对应的影响因素；将影响因素和凝血时间发送至智能终端；其中，凝血标准模型是在标准检测环境下检测正常血液获取。
2.根据权利要求1所述的血液凝固分析系统，其特征在于，所述中枢控制模块通过血凝检测设备对血液样品进行凝血检测，包括：
在标准检测环境中通过血凝检测设备对血液样品进行凝血检测；其中，标准检测环境为凝血标准模型获取的检测环境，血凝检测设备使用散射比浊法检测；
在凝血检测开始时持续采集光强信号，待光强信号达到最大值且稳定不变时停止检测；将采集的光强信号按照采集时间整合，获取光强序列。
3.根据权利要求1所述的血液凝固分析系统，其特征在于，所述基于光强序列求解构建的光强变化模型，包括：
识别凝血标准模型中光强变化规律，根据光强变化规律构建原始曲线模型，将该原始曲线模型标记为光强变化模型；
将光强序列划分为两部分；一部分用于求解光强变化模型，另外一部分用于验证求解结果，验证通过之后得到凝血检测模型。
4.根据权利要求1所述的血液凝固分析系统，其特征在于，所述基于凝血检测模型确定血液样品的凝血时间，包括：
调取凝血检测模型；
分别计算凝血检测模型在光强为0%和光强为50%对应的时刻点，将两时刻点的差值绝对值作为对应血液样品的凝血时间。
5.根据权利要求1任意一项所述的血液凝固分析系统，其特征在于，所述中枢控制模块按照设定的单位周期对凝血检测模型和凝血标准模型的检测时间进行分割，包括：
基于凝血检测模型或者凝血标准模型的检测时间设置单位周期；其中，单位周期包括10秒、30秒或者60秒；
根据单位周期将凝血检测模型或者凝血标准模型的检测时间划分为若干时间段；将凝血检测模型或者凝血标准模型在检测时间中对应的时间段关联。
6.根据权利要求5所述的血液凝固分析系统，其特征在于，所述在若干时间段的基础上分别对凝血检测模型和凝血标准模型进行积分处理，包括：
将凝血检测模型和凝血标准模型的曲线函数分别标记为FJ（t）和FB（t），将二者对应的时间段分别标记为SJ（i）和SB（j）；其中，t为检测时间，i和j均为正整数，且i和j相等时，则时间段SJ（i）和时间段SB（j）关联；
将曲线函数FJ（t）在时间段SJ（i）范围内积分，获取若干积分值；以及将曲线函数FB（t）在时间段SB（j）范围内积分，获取若干积分值。
7.根据权利要求6所述的血液凝固分析系统，其特征在于，所述将凝血检测模型和凝血标准模型在关联时间段的积分值比值作为识别特征，包括：
依次提取各时间段中凝血检测模型和凝血标准模型的积分值；
计算凝血检测模型和凝血标准模型在同一时间段内的积分值比值，作为识别特征；按照时间顺序将识别特征拼接成模型识别序列。
8.根据权利要求7所述的血液凝固分析系统，其特征在于，在所述依次提取各时间段中凝血检测模型和凝血标准模型的积分值之后，对积分值进行校验，包括：
比较凝血检测模型和凝血标准模型，判断凝血检测模型或者凝血标准模型中是否存在非关联时间段；
当凝血检测模型中存在非关联时间段，则在凝血标准模型中设置临时时间段；当凝血标准模型中存在非关联时间段，则凝血检测模型中设置临时时间段；其中，临时时间段与非关联时间段进行关联；识别凝血检测模型或者凝血标准模型之间是否存在非关联时间段；若是，则在另外一个模型中设置临时时间段，临时时间段与非关联时间段进行关联；若否，则不进行额外处理；
对临时时间段的积分值进行赋值；其中，赋值为1或者-1。
9.根据权利要求8所述的血液凝固分析系统，其特征在于，所述基于人工智能模型提取若干识别特征对应的影响因素，包括：
通过标准训练数据对人工智能模型进行训练，获取特征识别模型；其中，人工智能模型包括RBF神经网络模型或者BP神经网络模型；
将模型识别序列输入至特征识别模型，提取对应的影响因素。
10.根据权利要求9所述的血液凝固分析系统，其特征在于，所述通过标准训练数据对人工智能模型进行训练，包括：
从模拟检测数据提取各已知影响因素单独或者联合影响下的若干模型识别序列，整合为标准输入数据，将对应的影响因素整合为标准输出数据；
通过标准输入数据和标准输出数据对构建的人工智能模型进行训练，将训练完成的人工智能模型标记为特征识别模型。
11.血液凝固分析方法，基于权利要求1至10任意一项所述的血液凝固分析系统运行，其特征在于，包括：
对血液样品进行凝血检测，获取光强序列；基于光强序列求解构建的光强变化模型，获取凝血检测模型；基于凝血检测模型确定血液样品的凝血时间；
按照设定的单位周期对凝血检测模型和凝血标准模型的检测时间进行分割，获取若干时间段；在若干时间段的基础上分别对凝血检测模型和凝血标准模型进行积分处理，获取若干积分值；
将凝血检测模型和凝血标准模型在关联时间段的积分值比值作为识别特征；基于人工智能模型提取若干识别特征对应的影响因素。
12.一种计算机设备，其特征在于，包括存储器和处理器；
所述存储器用于存储计算机程序；所述处理器用于执行所述存储器中存储的计算机程序，实现权利要求11所述的血液凝固分析方法。
13.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求11所述的血液凝固分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310907704.6A CN117030987B (zh) | 2023-07-24 | 2023-07-24 | 血液凝固分析系统、方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310907704.6A CN117030987B (zh) | 2023-07-24 | 2023-07-24 | 血液凝固分析系统、方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117030987A true CN117030987A (zh) | 2023-11-10 |
| CN117030987B CN117030987B (zh) | 2024-03-15 |
Family
ID=88636401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310907704.6A Active CN117030987B (zh) | 2023-07-24 | 2023-07-24 | 血液凝固分析系统、方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117030987B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0932041A2 (en) * | 1998-01-23 | 1999-07-28 | Medical Laboratory Automation Inc. | Blood coagulation analyzer |
| CN103543278A (zh) * | 2012-07-16 | 2014-01-29 | 微点生物科技有限公司 | 确定血液凝固特性 |
| CN106133526A (zh) * | 2014-04-01 | 2016-11-16 | 株式会社日立高新技术 | 自动分析装置 |
| US20180120292A1 (en) * | 2016-10-28 | 2018-05-03 | Sysmex Corporation | Blood coagulation analysis method, blood coagulation analyzer, and computer program |
| CN109270256A (zh) * | 2017-07-17 | 2019-01-25 | 豪夫迈·罗氏有限公司 | 用于确定凝血结果的技术 |
| CN110967507A (zh) * | 2018-09-28 | 2020-04-07 | 希森美康株式会社 | 血液凝固分析方法及装置、及包含可执行程序的存储介质 |
| CN115268988A (zh) * | 2022-07-28 | 2022-11-01 | 上海太阳生物技术有限公司 | 一种凝血项目检测方法及装置 |
| CN116472354A (zh) * | 2020-10-29 | 2023-07-21 | 积水医疗株式会社 | 凝血反应的检测方法 |
-
2023
- 2023-07-24 CN CN202310907704.6A patent/CN117030987B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0932041A2 (en) * | 1998-01-23 | 1999-07-28 | Medical Laboratory Automation Inc. | Blood coagulation analyzer |
| CN103543278A (zh) * | 2012-07-16 | 2014-01-29 | 微点生物科技有限公司 | 确定血液凝固特性 |
| CN103543191A (zh) * | 2012-07-16 | 2014-01-29 | 微点生物科技有限公司 | 检验血液凝固特性 |
| CN106133526A (zh) * | 2014-04-01 | 2016-11-16 | 株式会社日立高新技术 | 自动分析装置 |
| US20180120292A1 (en) * | 2016-10-28 | 2018-05-03 | Sysmex Corporation | Blood coagulation analysis method, blood coagulation analyzer, and computer program |
| CN109270256A (zh) * | 2017-07-17 | 2019-01-25 | 豪夫迈·罗氏有限公司 | 用于确定凝血结果的技术 |
| CN110967507A (zh) * | 2018-09-28 | 2020-04-07 | 希森美康株式会社 | 血液凝固分析方法及装置、及包含可执行程序的存储介质 |
| CN116472354A (zh) * | 2020-10-29 | 2023-07-21 | 积水医疗株式会社 | 凝血反应的检测方法 |
| CN115268988A (zh) * | 2022-07-28 | 2022-11-01 | 上海太阳生物技术有限公司 | 一种凝血项目检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 刘建新;苏磊;袁卫英;冯璐琼;王博;邢家伟;: "血液凝固分析仪检测原理和质量控制管理的研究", 中国医学装备, no. 05, pages 50 - 52 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117030987B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110160980B (zh) | 样本吸光度变化率的分析方法、分析装置及光学检测系统 | |
| CN108318436B (zh) | 反应曲线生成方法、装置及光学检测系统 | |
| CN109270256B (zh) | 用于确定凝血结果的技术 | |
| CN113053535B (zh) | 一种医疗信息预测系统及医疗信息预测方法 | |
| CN112070239B (zh) | 基于用户数据建模的分析方法、系统、介质及设备 | |
| JP6776319B2 (ja) | 体液試料内の一時誤りを検出すること | |
| CN112149296B (zh) | 一种判定水文时间序列平稳性类型的方法 | |
| CN112202630A (zh) | 一种基于无监督模型的网路质量异常检测方法及装置 | |
| CN110448306B (zh) | 一种基于连续血糖监测系统的在线故障检测与诊断方法 | |
| US20230393156A1 (en) | Method for detecting blood coagulation reaction | |
| CN117030987B (zh) | 血液凝固分析系统、方法、设备及存储介质 | |
| CN111603144A (zh) | 一种新型冠状病毒感染患者快速初筛检测仪和检测方法 | |
| CN111326255A (zh) | 一种基于大数据的血糖浓度校正方法、存储介质及系统 | |
| CN114842978B (zh) | 一种基于医疗大数据的血气分析智能检测系统及方法 | |
| CN116189909A (zh) | 基于推举算法的临床医学判别方法及系统 | |
| CN114330859A (zh) | 一种实时质量控制的优化方法、系统和设备 | |
| CN117171478B (zh) | 一种医学检测数据误差识别模型构建方法与装置 | |
| CN113177074B (zh) | 一种提升环境自适应性的光学性能监测系统及方法 | |
| CN114548189B (zh) | 一种凝血酶原时间的检测方法、检测装置及计算机可读存储介质 | |
| CN114271799B (zh) | 一种基于智能终端的心血管检测方法 | |
| CN117607367A (zh) | 大气环境监测设备自动质控方法、装置、设备及存储介质 | |
| CN113421643B (zh) | 一种ai模型可靠性判断方法、装置、设备及存储介质 | |
| CN110968862B (zh) | 一种数据异常检测方法及终端 | |
| CN116976750A (zh) | 产品合格率检测方法、装置、设备及存储介质 | |
| CN117831026A (zh) | 基于机器学习的食品质量检测方法及装置 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Blood coagulation analysis system, method, equipment, and storage medium Granted publication date: 20240315 Pledgee: China Construction Bank Corporation Nanjing Qinhuai sub branch Pledgor: Nanjing Ruimai Technology Development Co.,Ltd. Registration number: Y2024980017737 |