CN117243592A - 呼吸规律异常确定方法、装置、设备及存储介质 - Google Patents
呼吸规律异常确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117243592A CN117243592A CN202311426661.6A CN202311426661A CN117243592A CN 117243592 A CN117243592 A CN 117243592A CN 202311426661 A CN202311426661 A CN 202311426661A CN 117243592 A CN117243592 A CN 117243592A
- Authority
- CN
- China
- Prior art keywords
- breathing
- phase
- abnormality
- curve
- abnormal
- 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.)
- Pending
Links
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 204
- 230000005856 abnormality Effects 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000000241 respiratory effect Effects 0.000 claims abstract description 89
- 230000002159 abnormal effect Effects 0.000 claims abstract description 57
- 230000000737 periodic effect Effects 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 2
- 238000004891 communication Methods 0.000 description 8
- 238000009499 grossing Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003434 inspiratory effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pulmonology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种呼吸规律异常确定方法、装置、设备及存储介质。确定用于反映目标对象呼吸过程的第一呼吸曲线；如果确定所述第一呼吸曲线连续出现N次同一第一异常事件，则输出用于表示呼吸规律性异常的第一提示信息，所述第一异常事件为幅值异常、周期性异常或设定呼吸阶段持续时长异常；其中，所述N大于或等于2，所述周期性异常基于序列相关性确定，所述幅值异常基于目标呼吸阶段的最大值或最小值确定，所述设定呼吸阶段与所述目标呼吸阶段基于隐马尔可夫模型确定，所述隐马尔可夫模型的模型参数基于鲍姆韦尔奇算法确定。本发明实施例能够通过检测目标对象的呼吸规律性提高所确定的穿刺策略的准确性。
Description
技术领域
本发明涉及生理数据处理技术领域，尤其涉及一种呼吸规律异常确定方法、装置、设备及存储介质。
背景技术
在经皮介入手术过程中，患者的呼吸平稳可以方便医生入针，从而提高经皮介入手术的成功率，避免医疗事故发生。现有手术导航系统通常仅关注呼吸幅值，以采用呼吸门控法确定穿刺时机，这导致很难进一步提高穿刺策略的准确性。
发明内容
本发明提供了一种呼吸规律异常确定方法、装置、设备及存储介质，以提高现有手术导航系统确定的穿刺策略的准确性。
根据本发明的一方面，提供了一种呼吸规律异常确定方法，包括：
确定用于反映目标对象呼吸过程的第一呼吸曲线；
如果确定所述第一呼吸曲线连续出现N次同一第一异常事件，则输出用于表示呼吸规律性异常的第一提示信息，所述第一异常事件为幅值异常、周期性异常或设定呼吸阶段持续时长异常；
其中，N大于或等于2，所述周期性异常基于序列相关性确定，所述幅值异常基于目标呼吸阶段的最大值或最小值确定，所述设定呼吸阶段与所述目标呼吸阶段基于隐马尔可夫模型确定，所述隐马尔可夫模型的模型参数基于鲍姆韦尔奇算法确定。
根据本发明的另一方面，提供了一种呼吸规律异常确定装置，包括：
确定模块，确定用于反映目标对象呼吸过程的第一呼吸曲线；
第一监测模块，用于如果确定所述第一呼吸曲线连续出现N次同一第一异常事件，则输出用于表示呼吸规律性异常的第一提示信息，所述第一异常事件为幅值异常、周期性异常或设定呼吸阶段持续时长异常；
其中，N大于或等于2，所述周期性异常基于序列相关性确定，所述幅值异常基于目标呼吸阶段的最大值或最小值确定，所述设定呼吸阶段与所述目标呼吸阶段基于隐马尔可夫模型确定。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的呼吸规律异常确定方法。
根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的呼吸规律异常确定方法。
本发明实施例提供的呼气规律异常检测方法的技术方案，通过鲍姆韦尔奇算法实现隐马尔可夫模型的无监督学习，实现为每个目标对象量身打造隐马尔可夫模型，通过隐马尔可夫模型与第一呼吸曲线的配合使用，估计设定呼气阶段与目标呼气阶段，提高了呼吸阶段估计的准确性，以及基于目标呼吸阶段的最大值或最小值确定的幅值异常的准确性，以及设定呼吸阶段持续时长异常的准确性，从而提高呼吸规律性监测的准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是根据本发明实施例提供的呼吸规律异常确定方法的流程图；
图2是根据本发明实施例提供的呼吸阶段估计方法的流程图；
图3A是根据本发明实施例提供的初始呼吸曲线的示意图；
图3B是根据本发明实施例提供的第一呼吸曲线的示意图；
图4是根据本发明实施例提供的呼吸规律异常确定装置的结构示意图；
图5是根据本发明实施例提供的又一呼吸规律异常确定装置的结构示意图；
图6是实现本发明实施例的呼吸规律异常确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供的呼吸规律异常确定方法的流程图，本实施例可适用于自动检测目标对象呼吸是否规律的情况，该方法可以由呼吸规律异常确定装置来执行，该呼吸规律异常确定装置可以采用硬件和/或软件的形式实现，该呼吸规律异常确定装置可配置于电子设备的处理器中。如图1所示，该方法包括：
S110、确定用于反映目标对象呼吸过程的第一呼吸曲线。
其中，目标对象为待穿刺患者。
在一个实施例中，第一呼吸曲线用于反映目标对象的呼吸运动在主运动方向上的运动分量的变化情况，主运动方向为呼吸运动信号的第一主成分对应的协方差矩阵特征向量方向。
在一个实施例中，在目标对象的胸部表面设置至少一个观测贴片；通过该至少一个观测贴片采集对应体表观测点在当前时刻的三维位置信息；根据该至少一个三维位置信息，确定用于反映患者呼吸运动的第一呼吸曲线。具体地，根据该至少一个三维位置信息，确定初始呼吸曲线之后，对该初始呼吸曲线进行预处理以得到第一呼吸曲线，比如去除基线漂移、数据降维、数据平滑处理等。其中，数据降维包括通过主成分分析得到投影方向，投影方向即为主运动方向。
S120、如果确定所述第一呼吸曲线连续出现N次同一第一异常事件，则输出用于表示呼吸规律性异常的第一提示信息，所述第一异常事件为幅值异常、周期性异常或设定呼吸阶段持续时长异常。
其中，N大于或等于2，所述周期性异常基于序列相关性确定，所述幅值异常基于目标呼吸阶段的最大值或最小值确定，所述设定呼吸阶段与所述目标呼吸阶段基于隐马尔可夫模型确定，所述隐马尔可夫模型的模型参数基于鲍姆韦尔奇算法确定。
正常的呼吸信号是规律的，比如，峰值周期性重复，各呼吸阶段持续时间基本相同。第一异常事件是指与目标对象呼吸规律性相关的事件，比如幅值异常、周期性异常、设定呼吸阶段持续时间异常等。
其中，周期性异常，是指目标对象的呼吸运动对应的呼吸曲线不具有周期性了。
其中，设定呼吸阶段持续时间异常，是指设定呼吸阶段的持续时间相较于先前的呼吸周期过长或者过短。
在一个实施例中，如果目标对象出现最大幅值异常或最小幅值异常，则认为该目标对象存在幅值异常。
具体地，通过以下步骤确定第一呼吸曲线出现幅值异常：
步骤a1，基于第一分段时长对所述第一呼吸曲线执行分段处理，以得到分段结果，所述第一分段时长大于0.5个周期，小于一个呼吸周期。
在一个实施例中，第一分段时长为滚动窗口的窗宽。
步骤a2、如果所述分段结果包括吸气末阶段或呼气末阶段，且该吸气末阶段时长大于对应整个吸气末阶段时长的一半，该呼气末阶段时长大于对应整个呼气末阶段时长的一半，则提取所述分段结果的最大值或最小值。
由于吸气末过程对应最大幅值，呼气末过程对应最小幅值，因此如果分段结果包括吸气末阶段，则从所述分段结果中提取最大值，该最大值即为最大幅值；如果分段结果包括呼气末阶段，则从所述分段结果中提取最小值，该最小值即为最小幅值。
步骤a3、如果所述最大值或最小值与设定周期的最大值或最小值之间的不符合设定幅值条件，则将所述最大值或最小值标记为幅值异常。
其中，设定周期可以是基准周期或者前一周期。基准周期为用户从第一呼吸曲线上选择的周期，或者为第一呼吸曲线中重复性较好时段内的任一周期。
在一个实施例中如果当前的最大值与前一周期的最大值之间不符合第一设定幅值条件，则将该最大值标记为最大幅值异常；如果当前的最小值与前一周期的最小值之间不符合第二设定幅值条件，则将该最小值标记为最小幅值异常。
其中，第一设定幅值条件与第二幅值条件可以是差值幅值条件，也可以是比值幅值条件。如果第一设定幅值条件为差值幅值条件，则需确定当前的最大值与前一周期的最大值之间的差值是否符合该差值幅值条件，如果第一设定幅值条件为比值幅值条件，则确定当前最大值与前一周期的最大值之间的比值是否符合对应的比值幅值条件。
步骤a4、如果连续出现N次幅值异常，则判定所述第一呼吸曲线出现幅值异常。
其中，N可根据经验取2、3或4等值。
以N为3举例，如果第一呼吸曲线连续出现3次幅值异常，则判定该第一呼吸曲线出现幅值异常。
在一个实施例中，通过以下步骤确定所述第一呼吸曲线出现周期性异常：
步骤b1、在基于第二分段时长在所述第一呼吸曲线上确定当前呼吸曲线段的情况下，基于自相关运算确定当前呼吸曲线段与设定呼吸曲线段之间相关性度量值，所述第二分段时长大于一个呼吸周期，小于两个呼吸周期。
其中，设定呼吸曲线段为基准呼吸曲线段或前一呼吸曲线段。基准呼吸曲线段为用户从第一呼吸曲线上选择的呼吸曲线段，或者为第一呼吸曲线中周期性良好时段中的任一呼吸曲线段。
其中，自相关(Autocorrelation)，也叫序列相关，是一个信号与其自身在不同时间点的互相关。非正式地来说，自相关是对同一信号在不同时间的两次观察，通过对比来评判两者的相似程度。自相关函数就是信号x(t)和它的时移信号x(t-τ)的乘积平均值。它是时移变量τ的函数。
在一个实施例中，第二分段时长可选为1.5个呼吸周期。
b2、如果所述相关性度量值不符合设定度量匹配条件，则将当前呼吸曲线段记录为重复性异常。
简单地说，如果相关性度量值不符合设定度量条件，则认为当前呼吸曲线段与前一呼吸曲线段之间的相似性较低，即该第一呼吸曲线在前一呼吸曲线段，与当前呼吸曲线段之间的重复性较差，因此将当前呼吸曲线段记录为重复性异常。
步骤b3、如果连续出现N次重复性异常，则判定所述第一呼吸曲线出现周期重复性异常。
以N为3举例，如果第一呼吸曲线连续出现3次周期重复性异常，则判定该第一呼吸曲线出现周期性异常。
在一个实施例中，设定呼气阶段为用户期待的呼吸阶段。针对胸腹穿刺场景，用户期待的是呼气末阶段，因此设定呼气阶段为呼气末阶段。
在一个实施例中，通过以下步骤确定呼气末阶段持续时长异常：
步骤c1、如果所述第一呼吸曲线中，当前绘制点对应的呼吸阶段为呼气末阶段，则将与该呼气末阶段对应的绘制点总数加1，直至所述当前呼吸阶段为吸气阶段的起始时刻。
可以理解的是，在呼吸过程中，呼气末阶段结束后，自动进入吸气阶段，因此本实施例在检测到吸气阶段的起始时刻时，结束呼气末阶段对应的绘制点总数的累计。该步骤旨在统计最新呼气末阶段对应的绘制点总数。
步骤c2、根据与所述呼气末阶段对应的绘制点总数确定所述呼气末阶段的持续时长。
由于第一呼吸曲线的绘制点是基于设定采用时间间隔采集的，因此可以通过统计呼气末阶段对应的绘制点总数，来确定呼气末阶段对应的持续时长。
步骤c3、如果所述呼气末阶段的持续时长异常则将所述呼气末阶段标记为异常呼气末阶段。
如果呼气末阶段的持续时长不符合设定时长条件，则将当前呼气末阶段标记为异常呼气末阶段。在一个实施例中，如果呼气末阶段的持续时长与目标持续时长之间的差值大于设定时长阈值，则将当前呼气末阶段标记为异常呼气末阶段。可以理解的是，不同目标对象的目标持续时长通常是不同的，因此在对目标对象进行呼吸规律检测之前，需先确定针对该目标对象的目标持续时长。
在一个实施例中，可通过预先采集目标对象的多次呼吸过程数据，并基于该多次呼吸过程数据确定初始呼吸曲线，基于该初始呼吸曲线确定目标对象的呼气末阶段持续时长分布，然后根据该呼气末阶段持续时长分布确定目标持续时长。比如，从呼气末阶段持续时长分布结果中剔除奇异持续时长，然后将剩余的呼气末阶段持续时长的均值作为目标时长。或者，采用设定模型对该初始呼气曲线进行分析，以得到目标对象的呼气末阶段的持续时长。
步骤c4、如果连续出现N次异常呼气末阶段，则判定所述第一呼吸曲线出现呼气末阶段持续时长异常。
以N为3举例，如果第一呼吸曲线连续出现3次呼气末阶段持续时长异常，则判定该第一呼吸曲线出现呼气末阶段持续时长异常。
在一个实施例中，在检测到所述第一提示信息的情况下，控制所述隐马尔可夫模型进入学习阶段；在检测到所述隐马尔可夫模型学习结束的情况下，返回如果确定所述第一呼吸曲线连续出现N次同一第一异常事件，则输出用于表示呼吸规律性异常的第一提示信息的步骤。也就是说，如果检测到第一呼吸曲线出现呼吸规律性异常，则停止呼吸规律性的监测，同时使隐马尔可夫模型重新进行学习，并在学习结束后，重新进行呼吸规律的监测。该实施例适应于患者状态改变后，需重新预测，比如患者从紧张状态进入放松状态，或者从放松状态进入紧张状态。
在一个实施例中，在检测到第二提示信息的情况下，控制所述隐马尔可夫模型进入学习阶段；在检测到所述隐马尔可夫模型学习结束的情况下，使用当前的隐马尔可夫模型进行呼吸规律性监测。也就是说，如果检测到第二提示信息，则表示目标对象发生了移动，此时需停止呼吸规律性的监测，同时使隐马尔可夫模型重新进行学习，确定新的基线漂移数据；并在学习结束后，采用当前的隐马尔可夫模型重新进行呼吸规律的监测。该实施例适应于患者胸腹部发生移位的情况。
本发明实施例提供的呼气规律异常检测方法的技术方案，通过鲍姆韦尔奇算法实现隐马尔可夫模型的无监督学习，实现为每个目标对象量身打造隐马尔可夫模型，通过隐马尔可夫模型与第一呼吸曲线的配合使用，估计设定呼气阶段与目标呼气阶段，提高了呼吸阶段估计的准确性，以及基于目标呼吸阶段的最大值或最小值确定的幅值异常的准确性，以及设定呼吸阶段持续时长异常的准确性，从而提高呼吸规律性监测的准确性。
图2为本发明实施例提供的呼吸阶段估计方法的流程图，本实施例用于细化上述实施例基于隐马尔可夫模型估计呼吸阶段的步骤。如图2所示，该方法包括：
S210、确定所述分段结果的各绘制点对应的观测序列，所述观测序列包括与各绘制点对应的呼吸相位。
其中，绘制点可理解为采样点。
其中，第一呼吸曲线中，某一点的呼吸相位可理解为该点的相角，比如90度相角、0度相角等。
在一个实施例中，在目标对象的胸部表面设置至少一个观测贴片；通过该至少一个观测贴片采集对应体表观测点在当前时刻的三维位置信息；根据该至少一个三维位置信息，确定用于反映患者呼吸运动的第一呼吸曲线；确定第一呼吸曲线中各绘制点对应的呼吸相位。
在一个实施例中，通过以下步骤确定第一呼吸曲线。根据该至少一个三维位置信息，确定初始呼吸曲线(参见图3A)，对该初始呼吸曲线进行预处理以得到第一呼吸曲线，比如去除低频基线漂移、数据降维、数据平滑处理等。其中，数据降维包括通过主成分分析得到投影方向，投影方向即为主运动方向。
在一个实施例中，关于去除低频基线漂移。针对初始呼吸曲线中各维度的位置信息序列执行以下步骤：使用长度大于一个呼吸周期的结构元素分别对初始呼吸曲线进行形态学膨胀和形态学腐蚀，将膨胀结果和腐蚀结果的均值作为低频基线漂移；从初始呼吸曲线中去除低频基线漂移。其中，各维度的位置信息序列对应的结构元素相同。
在一个实施例中，数据平滑处理方式为投影信号轨迹平滑。具体使用移动窗口平滑。为避免由窗口长度L带来的相位差，使用第一呼吸曲线中，前一呼吸周期中当前呼吸相位之后的K个实际绘制点的数据预测未来K个预测绘制点的数据，基于该K个实际绘制点的数据与该K个预测绘制点的数据确定数据平滑处理结果，以更新所述第一呼吸曲线。具体地，将该K个实际绘制点的数据与该K个预测绘制点的数据的对应加权平均结果，作为第一呼吸曲线中未来K个绘制点的数据，以更新第一呼吸曲线(参参见图3B)。K大于或等于窗口宽度的一半。
在一个实施例中，第一呼吸曲线用于反映目标对象的呼吸运动在主运动方向上的运动分量的变化情况，主运动方向为呼吸运动信号的第一主成分对应的协方差矩阵特征向量方向。由于呼吸运动在主运动方向上的运动分量可以准确地反映患者的呼吸过程，因此根据第一呼吸曲线可以准确地确定出各绘制点对应的呼吸相位。
其中，各绘制点对应的观测序列基于正态分布φ(O|μOj,σOj)与基于呼吸相位的先验概率φ(θt|μθi,σθi)确定，观测序列中各观测项具体为：
bj(O)＝φ(O|μOj,σOj)·φ(θt|μθi,σθi)/∑1≤i≤Nφ(θt|μθi,σθi)
其中，μθi,σθi为经验值，i大于或等于1且小于或等于呼吸阶段的总数，比如1≤i≤4。观测序列记为B，具体可表示为，B＝{μOj,σOj}，其中，j为大于或等于1且小于或等于呼吸阶段总数，比如1≤j≤4。
其中，π为初始状态概率。在呼吸阶段总数为4个的情况下，其具体可表示为：π＝{π1,π2,π3,π4}，其中，πj＝P{q1＝Sj},1≤j≤4。
隐马尔可夫模型的模型参数可记为λ＝{A,B,π}。鲍姆-韦尔奇算法就是Em(Expectation Maximization，期望最大化)算法，用于求解隐马尔可夫模型的学习问题，是一种无监督学习方法。隐马尔科夫模型在学习阶段需要学习上述模型参数。
其中，呼吸阶段被设置为隐藏状态。相应的，隐马尔可夫模型的隐藏序列包括三个或四个呼吸阶段标识。隐藏序列包括的具体呼吸阶段标识与呼吸周期的划分方式有关。
在一个实施例中，一个完整的呼吸周期可被划分为四个阶段，具体为，呼吸阶段、呼气末阶段、吸气阶段与吸气末阶段；可表示为s＝{S1,S2,S3,S4}。
在一个实施例中，一个完整的呼吸周期可被划分为三个阶段，具体为，呼气阶段、呼气末阶段与吸气阶段。
假设隐藏状态按照S1→S2→S3→S4→S1→…的顺序因此转换；隐藏状态之间的状态转移概率矩阵可定义为：
其中，aij＝P{qt+1＝Sj|qt＝Si},1≤i,j≤4，即从状态Si转移到状态Sj的概率。
S220、确定在隐马尔可夫模型下，与各所述绘制点对应的观测序列对应的呼吸阶段。
隐马尔可夫模型的模型参数确定后，基于维特比算法确定在隐马尔可夫模型下当前观测序列对应的呼吸阶段。其中，维特比算法为现有算法，其实际上是采用动态规划的方式来解决隐马尔可夫模型的预测问题。
可以理解的是，如果隐藏序列包括四个呼吸阶段标识，那么对应的马尔科夫模型可用于估计四个呼吸阶段；如果隐藏序列包括三个呼吸阶段标识，那么对应的马尔科夫模型可用于估计三个呼吸阶段。
可以理解的是，不同患者的具体呼吸过程是不同的。具体地，不同患者的吸气过程不同，和/或，呼气过程不同。反映在呼吸曲线上，有的患者的呼气阶段的部分呼吸曲线的时间跨度比较大，有的患者的呼气阶段的部分呼吸曲线的时间跨度比较小，即便不同患者呼气阶段的部分呼吸曲线的时间跨度相同，但有的患者可能在相位A时开始进入呼气末阶段，有的患者可能在相位B时才开始进入呼气末阶段，相位B大于相位A，因此相较于现有技术仅基于固定的幅值阈值或者相位阈值确定呼气末阶段来说，本申请通过鲍姆-韦尔奇算法确定隐马尔可夫模型的模型参数，为每个患者量身建立观测序列与呼吸阶段的隐藏对应关系；由于观测序列是基于呼吸相位的先验概率确定的，因此可看作为每个患者建立呼吸相位与呼吸阶段的对应关系，从而实现基于呼吸相位准确地估计患者呼吸阶段的技术效果。
S230、根据与各所述绘制点对应的观测序列对应的呼吸阶段，确定所述分段结果包括的呼吸阶段。
各绘制点对应的呼吸阶段确定后，各分段结果所包括的绘制点对应的呼吸阶段就确定了，各绘制点包括的呼吸阶段也就确定了。
本发明实施例达到了基于呼吸相位与隐马尔可夫模型准确估计呼吸阶段的技术效果。
图4为本发明实施例提供的呼吸规律异常确定装置的结构示意图。如图4所示，该装置包括：确定模块31，确定用于反映目标对象呼吸过程的第一呼吸曲线；第一监测模块32，用于如果确定所述第一呼吸曲线连续出现N次同一第一异常事件，则输出用于表示呼吸规律性异常的第一提示信息，所述第一异常事件为幅值异常、周期性异常或设定呼吸阶段持续时长异常；其中，N大于或等于2，所述周期性异常基于序列相关性确定，所述幅值异常基于目标呼吸阶段的最大值或最小值确定，所述设定呼吸阶段与所述目标呼吸阶段基于隐马尔可夫模型确定。
在一个实施例中，如图5所示，该装置还包括第二监测模块33，该第二监测模块33用于：
如果根据所述第一呼吸曲线确定出基线漂移异常的情况下，输出用于表示目标对象运动的第二提示信息。
在一个实施例中，通过幅值单元确定所述第一呼吸曲线出现幅值异常，该幅值单元具体用于：
基于第一分段时长对所述第一呼吸曲线执行分段处理，以得到分段结果，所述第一分段时长大于0.75个周期，小于一个呼吸周期；
如果所述分段结果包括吸气末阶段或呼气末阶段，且该吸气末阶段时长大于对应整个吸气末阶段时长的一半，该呼气末阶段时长大于对应整个呼气末阶段时长的一半，则提取所述分段结果的最大值或最小值；
如果所述最大值或最小值与设定周期的最大值或最小值之间不符合设定幅值条件，则将所述最大值或最小值标记为幅值异常；
如果连续出现N次幅值异常，则判定所述第一呼吸曲线出现幅值异常。
在一个实施例中，通过呼吸阶段估计单元确定所述分段结果包括的呼吸阶段，该呼吸阶段具体用于：
确定所述分段结果的各绘制点对应的观测序列，所述观测序列包括与各绘制点对应的呼吸相位；
确定在隐马尔可夫模型下，与各所述绘制点对应的观测序列对应的呼吸阶段；
根据与各所述绘制点对应的观测序列对应的呼吸阶段，确定所述分段结果包括的呼吸阶段。
在一个实施例中，通过周期性单元确定所述第一呼吸曲线出现周期性异常，该周期性单元具体用于：
在基于第二分段时长在所述第一呼吸曲线上确定当前呼吸曲线段的情况下，基于自相关运算确定当前呼吸曲线段与设定呼吸曲线段之间相关性度量值，所述第二分段时长大于一个呼吸周期，小于两个呼吸周期；
如果所述相关性度量值不符合设定度量匹配条件，则将当前呼吸曲线段记录为重复性异常；
如果连续出现N次重复性异常，则判定所述第一呼吸曲线出现周期重复性异常。
在一个实施例中，所述设定呼吸阶段为呼气末阶段；
通过持续时长单元确定呼气末阶段持续时长异常，该持续时长单元具体用于：
如果所述第一呼吸曲线中，当前绘制点对应的呼吸阶段为呼气末阶段，则将与该呼气末阶段对应的绘制点总数加1，直至所述当前呼吸阶段为吸气阶段的起始时刻；
根据与所述呼气末阶段对应的绘制点总数确定所述呼气末阶段的持续时长；
如果所述呼气末阶段的持续时长异常则将所述呼气末阶段标记为异常呼气末阶段；
如果连续出现N次异常呼气末阶段，则判定所述第一呼吸曲线出现呼气末阶段持续时长异常。
在一个实施例中，该装置还包括循环模块，该循环模块用于：
在检测到所述第一提示信息的情况下，控制所述隐马尔可夫模型进入学习阶段；
在检测到所述隐马尔可夫模型学习结束的情况下，返回如果确定所述第一呼吸曲线连续出现N次同一第一异常事件，则输出用于表示呼吸规律性异常的第一提示信息的步骤。
本发明实施例提供的呼气规律异常检测装置的技术方案，通过鲍姆韦尔奇算法实现隐马尔可夫模型的无监督学习，实现为每个目标对象量身打造隐马尔可夫模型，通过隐马尔可夫模型与第一呼吸曲线的配合使用，估计设定呼气阶段与目标呼气阶段，提高了呼吸阶段估计的准确性，以及基于目标呼吸阶段的最大值或最小值确定的幅值异常的准确性，以及设定呼吸阶段持续时长异常的准确性，从而提高呼吸规律性监测的准确性。
本发明实施例所提供的呼吸规律异常确定装置可执行本发明任意实施例所提供的呼吸规律异常确定方法，具备执行方法相应的功能模块和有益效果。
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如呼吸规律异常确定方法。
在一些实施例中，呼吸规律异常确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的呼吸规律异常确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行呼吸规律异常确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种呼吸规律异常确定方法，其特征在于，包括：
确定用于反映目标对象呼吸过程的第一呼吸曲线；
如果确定所述第一呼吸曲线连续出现N次同一第一异常事件，则输出用于表示呼吸规律性异常的第一提示信息，所述第一异常事件为幅值异常、周期性异常或设定呼吸阶段持续时长异常；
其中，N大于或等于2，所述周期性异常基于序列相关性确定，所述幅值异常基于目标呼吸阶段的最大值或最小值确定，所述设定呼吸阶段与所述目标呼吸阶段基于隐马尔可夫模型确定，所述隐马尔可夫模型的模型参数基于鲍姆韦尔奇算法确定。
2.根据权利要求1所述的方法，其特征在于，还包括：
如果根据所述第一呼吸曲线确定出基线漂移异常的情况下，输出用于表示目标对象运动的第二提示信息。
3.根据权利要求1所述的方法，其特征在于，
通过以下步骤确定所述第一呼吸曲线出现幅值异常：
基于第一分段时长对所述第一呼吸曲线执行分段处理，以得到分段结果，所述第一分段时长大于0.75个周期，小于一个呼吸周期；
如果所述分段结果包括吸气末阶段或呼气末阶段，且该吸气末阶段时长大于对应整个吸气末阶段时长的一半，该呼气末阶段时长大于对应整个呼气末阶段时长的一半，则提取所述分段结果的最大值或最小值；
如果所述最大值或最小值与设定周期的最大值或最小值之间不符合设定幅值条件，则将所述最大值或最小值标记为幅值异常；
如果连续出现N次幅值异常，则判定所述第一呼吸曲线出现幅值异常。
4.根据权利要求3所述的方法，其特征在于，通过以下步骤确定各所述分段结果包括的呼吸阶段，包括：
确定所述分段结果的各绘制点对应的观测序列，所述观测序列包括与各绘制点对应的呼吸相位；
确定在隐马尔可夫模型下，与各所述绘制点对应的观测序列对应的呼吸阶段；
根据与各所述绘制点对应的观测序列对应的呼吸阶段，确定所述分段结果包括的呼吸阶段。
5.根据权利要求1所述的方法，其特征在于，通过以下步骤确定所述第一呼吸曲线出现周期性异常：
在基于第二分段时长在所述第一呼吸曲线上确定当前呼吸曲线段的情况下，基于自相关运算确定当前呼吸曲线段与设定呼吸曲线段之间相关性度量值，所述第二分段时长大于一个呼吸周期，小于两个呼吸周期；
如果所述相关性度量值不符合设定度量匹配条件，则将当前呼吸曲线段记录为重复性异常；
如果连续出现N次重复性异常，则判定所述第一呼吸曲线出现周期重复性异常。
6.根据权利要求1所述的方法，其特征在于，
所述设定呼吸阶段为呼气末阶段；
通过以下步骤确定呼气末阶段持续时长异常：
如果所述第一呼吸曲线中，当前绘制点对应的呼吸阶段为呼气末阶段，则将与该呼气末阶段对应的绘制点总数加1，直至所述当前呼吸阶段为吸气阶段的起始时刻；
根据与所述呼气末阶段对应的绘制点总数确定所述呼气末阶段的持续时长；
如果所述呼气末阶段的持续时长异常则将所述呼气末阶段标记为异常呼气末阶段；
如果连续出现N次异常呼气末阶段，则判定所述第一呼吸曲线出现呼气末阶段持续时长异常。
7.根据权利要求1所述的方法，其特征在于，还包括：
在检测到所述第一提示信息的情况下，控制所述隐马尔可夫模型进入学习阶段；
在检测到所述隐马尔可夫模型学习结束的情况下，返回如果确定所述第一呼吸曲线连续出现N次同一第一异常事件，则输出用于表示呼吸规律性异常的第一提示信息的步骤。
8.一种呼吸规律异常确定装置，其特征在于，包括：
确定模块，确定用于反映目标对象呼吸过程的第一呼吸曲线；
第一监测模块，用于如果确定所述第一呼吸曲线连续出现N次同一第一异常事件，则输出用于表示呼吸规律性异常的第一提示信息，所述第一异常事件为幅值异常、周期性异常或设定呼吸阶段持续时长异常；
其中，N大于或等于2，所述周期性异常基于序列相关性确定，所述幅值异常基于目标呼吸阶段的最大值或最小值确定，所述设定呼吸阶段与所述目标呼吸阶段基于隐马尔可夫模型确定。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的呼吸规律异常确定方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的呼吸规律异常确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311426661.6A CN117243592A (zh) | 2023-10-30 | 2023-10-30 | 呼吸规律异常确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311426661.6A CN117243592A (zh) | 2023-10-30 | 2023-10-30 | 呼吸规律异常确定方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117243592A true CN117243592A (zh) | 2023-12-19 |
Family
ID=89133262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311426661.6A Pending CN117243592A (zh) | 2023-10-30 | 2023-10-30 | 呼吸规律异常确定方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117243592A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117731376A (zh) * | 2024-02-20 | 2024-03-22 | 四川省肿瘤医院 | 一种妇科肿瘤影像术前智能导向识别系统 |
-
2023
- 2023-10-30 CN CN202311426661.6A patent/CN117243592A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117731376A (zh) * | 2024-02-20 | 2024-03-22 | 四川省肿瘤医院 | 一种妇科肿瘤影像术前智能导向识别系统 |
| CN117731376B (zh) * | 2024-02-20 | 2024-04-19 | 四川省肿瘤医院 | 一种妇科肿瘤影像术前智能导向识别系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9795306B2 (en) | Method of estimating blood pressure based on image | |
| EP3136297A1 (en) | System and method for determining information and outliers from sensor data | |
| KR20160094265A (ko) | 컴퓨팅 장치 및 그것의 생리적 레이트 특징들을 분석하는 방법 | |
| CN117243592A (zh) | 呼吸规律异常确定方法、装置、设备及存储介质 | |
| US20220304610A1 (en) | Method and apparatus for processing an electrocardiogram signal and electronic device | |
| WO2022202942A1 (ja) | 心電図解析支援装置、プログラム、心電図解析支援方法、心電図解析支援システム、ピーク推定モデル生成方法、及び区間推定モデル生成方法 | |
| CN114494327A (zh) | 一种目标对象的航迹处理方法、装置及设备 | |
| CN108125678B (zh) | 心电信号的方向检测方法、装置及电子设备 | |
| US11298065B2 (en) | Fetal heart rate extraction within a processor constrained environment | |
| WO2022202943A1 (ja) | 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム | |
| CN108520237B (zh) | 一种风险行为识别方法 | |
| US10515200B2 (en) | Evaluation device, evaluation method, and computer-readable non-transitory medium | |
| KR102551184B1 (ko) | 생체신호 처리 방법 및 생체신호 처리 장치 | |
| EP3977482A1 (en) | System and method for filtering time-varying data for physiological signal prediction | |
| CN111407261A (zh) | 生物信号的周期信息的测量方法及装置、电子设备 | |
| CN116502124A (zh) | 脉搏波信号的质量评估方法及装置、计算机可读存储介质 | |
| US20160120479A1 (en) | Respiration Monitoring Method and Device with Context-Aware Event Classification | |
| CN116644353A (zh) | 非接触式心率测量方法和装置 | |
| CN117497117A (zh) | 呼吸数据处理方法、装置、设备及存储介质 | |
| US10878238B2 (en) | Biometric authentication device, biometric authentication method and computer-readable non-transitory medium | |
| CN114255200A (zh) | 基于实时电影成像的心肌应力分析方法及装置 | |
| US11363969B2 (en) | Exercise intensity estimation method, exercise intensity estimation device, and program | |
| US20210085232A1 (en) | Fatigue degree estimation method, fatigue degree estimation device and program | |
| CN111870250A (zh) | 用户状态监测方法、装置、计算设备及计算机存储介质 | |
| CN118094090B (zh) | 一种移动识别方法、移动识别装置、美容仪及存储介质 |
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 |