CN117393153B - 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统 - Google Patents
基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统 Download PDFInfo
- Publication number
- CN117393153B CN117393153B CN202311690984.6A CN202311690984A CN117393153B CN 117393153 B CN117393153 B CN 117393153B CN 202311690984 A CN202311690984 A CN 202311690984A CN 117393153 B CN117393153 B CN 117393153B
- Authority
- CN
- China
- Prior art keywords
- time
- data
- early warning
- risk early
- series data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012544 monitoring process Methods 0.000 title claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 22
- 230000035939 shock Effects 0.000 title abstract description 11
- 238000013135 deep learning Methods 0.000 title abstract description 5
- 201000010099 disease Diseases 0.000 claims abstract description 79
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 29
- 238000010801 machine learning Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000002457 bidirectional effect Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013441 quality evaluation Methods 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 206010070559 Distributive shock Diseases 0.000 claims description 2
- 206010021138 Hypovolaemic shock Diseases 0.000 claims description 2
- 206010073708 Obstructive shock Diseases 0.000 claims description 2
- 206010007625 cardiogenic shock Diseases 0.000 claims description 2
- 238000012880 independent component analysis Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 206010040560 shock Diseases 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006855 networking Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 241001265525 Edgeworthia chrysantha Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/60—Healthcare; Welfare
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统。目前的医疗应用场景的需要同时结合来自医疗物联网的时序数据和医院信息系统采集获取的医疗信息,在传统诊疗过程中融入物理联网技术、智能感知设备、人工智能平台等技术,从而满足特殊医疗情景如突发的高发危重症疾病救治以及管理协同需求。这对医疗领域中的生理监测等时序数据的处理提出诸多挑战,因为这类动态监测的时序数据具有高维度、复杂动态和非线性特征,挖掘医疗时序数据的深度信息能辅助做出更准确的早期临床预测,对于医院尤其是方舱医院的早期休克的预警与救治具有重要意义。
Description
技术领域
本发明涉及智能医疗技术领域,更具体地,涉及一种基于医疗物联网时序数据和深度学习算法的疾病实时风险预警监测模型的构建方法和疾病实时风险预警监测方法、系统、设备及计算机可读存储介质。
背景技术
方舱医院:旨在快速开展医疗应急救治业务,需要实现资源快速协同,包括物联网、远程医疗、人工智能、多源异构数据融合(医疗物联网的时序数据和HIS/EMR/LIS/PACS/ICU/手麻/护理/医嘱/等医院信息系统采集获取的信息),从而实现线上诊疗、机器人查房、智能配送、智能辅助诊疗业务的融合,满足突发的高发危重症疾病救治以及管理协同需求。
这对医疗领域中的生理监测等时序数据的处理提出诸多挑战,因为这类动态监测的时序数据具有高维度、复杂动态和非线性特征,传统的数据处理方法往往不能充分挖掘利用这些时序数据中的信息,现有的机器学习模型在考虑时序数据的演变趋势、周期性和长程依赖性时表现不佳,无法全面捕捉数据中的关键时域特征,这种不足在医疗领域中尤为显著,挖掘医疗时序数据的深度信息能辅助做出更准确的预警监测,对于医院尤其是方舱医院患者早期休克的预警与救治具有重要意义。
发明内容
鉴于上述问题,本发明提供一种基于时序数据的疾病实时风险预警监测模型的构建方法,利用数据处理和特征提取捕捉时序数据中的信息,并对疾病预测模型的参数提出改进,并进行有效优化,从而构建形成适用于临床的疾病实时风险预警监测模型。
一种基于时序数据的疾病实时风险预警监测模型的构建方法,包括:
获取时序数据集,所述时序数据集的每个样本包括患者的临床时序数据及标签;
对所述时序数据集进行数据预处理得到预处理后的数据,所述数据预处理包括数据增强,所述数据增强的步骤包括:
第1步,将所述时序数据集进行稀疏表示得到所述时序数据集的稀疏表示,
第2步,评估所述稀疏表示的不确定性得到数据不确定性,
第3步,根据所述数据不确定性计算压缩感知算法的参数,
第4步,采用所述参数更新压缩感知算法的参数,对所述稀疏表示进行数据重建得到增强数据;
将所述预处理后的数据输入机器学习模型中,得到预测的分类结果,将所述预测的分类结果与所述数据集中的标签进行对比,根据对比结果优化所述机器学习模型,得到疾病实时风险预警监测模型。
进一步,所述数据增强技术的步骤还包括对所述增强数据进行质量评估得到质量评估指标,所述质量评估指标由所述增强数据与所述时序数据集之间的相似性决定,根据所述质量评估指标进行判断,如果所述质量评估指标未达到设定的阈值,则根据所述质量评估指标更新所述压缩感知算法参数,所述压缩感知算法采用所述参数对所述稀疏表示进行数据重建得到迭代后的增强数据,重复上述步骤直至所述迭代后的增强数据的质量评估指标达到设定的阈值后输出迭代后的增强数据。
进一步,所述数据预处理还包括信号处理,所述信号处理包括下列方法中的一种或几种:滤波、去噪、采样与重构、时频转换、标准化、相位调整、去趋势、数字信号处理、谱分析。
进一步,所述稀疏表示根据所述时序数据集的特性动态选择变换域进行稀疏表示得到数据的最优稀疏表示,所述最优稀疏表示在各变换域中信号的非零成分最少。
进一步,使用信息熵评估得到所述稀疏表示的所述数据不确定性,所述信息熵的计算公式为
其中,S是稀疏表示,H(S)是所述稀疏表示信息熵。
进一步,先使用贝叶斯公式得到给定所述时序数据集D条件下的稀疏表示S的后验概率p(S|D),计算公式如下:
然后,根据所述稀疏表示S的后验概率p(S|D)使用信息熵评估得到所述稀疏表示的数据不确定性,计算公式如下:
其中,表示在给定的所述时序数据集D条件下稀疏表示S的不确定性。
进一步,所述质量评估方法包括下列方法中的一种或几种:均方根误差、峰值信噪比、结构相似性指数、峭度和偏度、频谱分析。
进一步,所述预处理后的数据进行特征提取后输入所述机器学习模型,所述特征提取的方法包括下列方法的一种或几种:傅里叶变换、小波变换、卷积神经网络、循环神经网络、自编码器、主成分分析、独立成分分析、局部感知字段、注意力机制、特征提取神经网络。
进一步,所述特征提取神经网络包括输入层、双向长短时记忆网络层、全连接层、卷积层、注意力增强层和输出层,所述预处理后的数据经过双向长短时记忆网络层提取数据的时域相关性,所述双向长短时记忆网络的输出传入全连接层后进行时频变换得到数据的时频矩阵,所述时频矩阵经过卷积层后提取得到数据的深度时频特征,所述深度时频特征经过注意力增强层后输出提取特征。
进一步,所述注意力增强层的步骤包括:
第1步,将所述深度时频特征转换为一维向量;
第2步,计算所述一维向量的注意力评分;
第3步,转换所述注意力评分得到转换后的评分向量;
第4步,对所述评分向量进行缩放得到缩放注意力评分;
第5步,将所述缩放注意力评分和所述一维向量结合,输出注意力增强的特征。
进一步,所述机器学习模型包括下列模型中的一种或几种:线性回归、逻辑回归、决策树、支持向量机、支持向量回归、k近邻算法、随机森林、梯度提升、多层感知机、卷积神经网络、循环神经网络、反馈型神经网络、自注意力模型、生成对抗网络、自编码器、深度强化学习模型、预训练模型、联邦学习。
进一步,所述反馈型神经网络包括下列模型中的一种或几种:简单循环神经网络、长短时记忆网络、门控循环单元、Echo State Network、Hopfield网络、双向循环神经网络。
进一步,所述Hopfield网络模型的构建方法包括:
第1步:根据所述预处理后的数据或所述提取特征初始化所述Hopfield网络的参数得到初始化的Hopfield网络,其中,所述Hopfield网络的参数包括初始权重和高阶相互作用项,其中,所述预处理后的数据或所述提取特征来自训练集;
第2步:将所述训练集输入所述初始化的Hopfield网络,得到预测的分类结果,将所述预测的分类结果与所述训练集中的标签进行对比,根据对比结果优化所述Hopfield网络的权重、高阶相互作用项和学习率,直至达到停止条件得到训练好的第一Hopfield网络。
进一步,所述Hopfield网络模型的构建步骤还包括:
第1步,所述预处理后的数据或所述提取特征还包括测试集,使用所述训练好的第一Hopfield网络对所述测试集进行分类得到分类结果;
第2步,根据所述分类结果计算所述训练好的第一Hopfield网络的决策置信度,若所述置信度未达到预设的阈值,则根据所述置信度更新训练好的第一Hopfield网络的权重、高阶相互作用项和学习率后继续训练,重复上述步、第1步至第2步直至所述置信度达到预设的阈值输出构建好的训练好的第二Hopfield网络模型。
进一步,所述疾病包括下列疾病中的一种或几种:低血容量性休克、分布性休克、梗阻性休克和心源性休克。
一种基于时序数据的疾病实时风险预警监测方法,所述方法包括:
获取被试的时序数据;
将所述被试的时序数据输入训练好的机器学习模型输出预测分类,如果所述预测分类显示存在疾病风险则进行疾病实时风险预警监测,所述训练好的机器学习模型采用上述的基于时序数据的疾病实时风险预警监测方法训练完成。
一种基于时序数据的疾病实时风险预警监测设备,包括:
存储器和处理器;所述存储器用于存储程序指令;所述处理器用于调用程序指令,当程序指令被执行时实现上述的基于时序数据的疾病实时风险预警监测模型的构建方法的步骤或实现上述的基于时序数据的疾病实时风险预警监测方法。
一种基于时序数据的疾病实时风险预警监测系统,所述系统包括计算机程序,所述计算机程序被处理器执行时实现上述的基于时序数据的疾病实时风险预警监测模型的构建方法的步骤或实现上述的基于时序数据的疾病实时风险预警监测方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于时序数据的疾病实时风险预警监测模型的构建方法的步骤或实现上述的基于时序数据的疾病实时风险预警监测方法。
本申请的优势:
1、本申请在传统信号处理的基础上进行创新,引入数据增强,并通过评估数据不确定性来增强数据,使得预处理后的数据能够更准确地捕捉和增强临床时序数据中的关键信息;
2、本申请在特征提取过程中引入了双向长短时记忆网络和注意力增强层,不仅提高了时序数据特征的捕获能力,还能增强机器学习模型对重要特征的关注度,从而提升预测准确性;
3、在分类阶段,本发明在Hopfield网络中引入高阶相互作用项来捕获数据中的更复杂模式,提高了模型分类的能力。
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取其他的附图。
图1是本发明实施例提供的一种基于时序数据的疾病实时风险预警监测模型的构建方法的示意流程图;
图2是本发明实施例提供的一种基于时序数据的疾病实时风险预警监测方法的示意流程图;
图3是本发明实施例提供的一种基于时序数据的疾病实时风险预警监测模型的构建系统的示意流程图;
图4是本发明实施例提供的一种基于时序数据的疾病实时风险预警监测系统的示意流程图;
图5是本发明实施例提供的一种基于时序数据的疾病实时风险预警监测设备的示意框图;
图6是本发明实施例提供的特征提取网络模型的示意流程图;
图7是本发明实施例提供的双向长短时记忆网络的示意图。
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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如S101、S102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
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,本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的一种基于时序数据的疾病实时风险预警监测模型的构建方法的示意流程图,具体地,所述方法包括如下步骤:
S101:获取时序数据集,所述时序数据集的每个样本包括患者的临床时序数据及标签;
在一个具体实施例中,所使用的数据为心电数字信号数据,采集自心率传感器。具体的,心电数字信号数据可以表示为一系列的时间序列,其特点是随时间变化而产生不同的心率指标测量值,在一个实施例中,可以表示为:
其中,表示在时间的心电图数据,表示在时间点的测量值,为数据序列
的长度。
在一个具体实施例中,通过心率传感器在某一时刻采集到的心率信号为,这个时序数据代表了心脏在时间的电活动。然后对时序数据进行
标注,在一个具体实施例中,采用二元分类方法来标记数据,以区分正常心电信号与异常心
电信号,其中,异常心电信号预示休克风险。
在一个具体实施例中,标注表示为:
其中,表示心电信号的标签,其中表示正常心电信号,表示存
在休克风险的心电信号。
所述时序数据基于物联网采集获得,所述物联网是指通过各种感知设备、传感器和嵌入式计算设备将现实世界中的物体连接到互联网或局域网的网络中,所述现实世界中的物体包括心率监测器、血压计、呼吸率监测器、体温计、健康监测设置、智能手表和健康手环、智能体重秤、远程医疗设备、远程心电图仪、远程X射线设备、远程医疗机器人、智能药盒、可穿戴药物传输设备、康复设备、环境监测设备、空气质量监测器、感染控制设备。
S102:对所述时序数据集进行数据预处理得到预处理后的数据,所述数据预处理包括数据增强,所述数据增强的步骤包括:
第1步,将所述时序数据集进行稀疏表示得到所述时序数据集的稀疏表示,
第2步,评估所述稀疏表示的不确定性得到数据不确定性,
第3步,根据所述数据不确定性计算压缩感知算法的参数,
第4步,采用所述参数更新压缩感知算法的参数,对所述稀疏表示进行数据重建得到增强数据;
将时序数据转换为适合深度学习算法处理的格式。
在一个具体实施例中,首先进行去噪处理,即处理信号中的随机噪声,以提高信号
的质量。设原始心率信号为,去噪后的信号表示为。
在一个具体实施例中采用高斯滤波器进行去噪处理,可以表示为:
其中,表示高斯滤波函数,为高斯分布的标准差,用于控制滤波程度。
在一个具体实施例中,为了减少来自物联网的不同心率传感器之间的数据差异,对信号进行标准化处理。
在一个具体实施例中,设和分别为的均值和标准差,则标准化后
的信号可以表示为:
然后,进行数据增强处理。
在一个具体实施例中,采用压缩感知算法进行数据增强,具体的,首先根据心率信号的特性,动态选择合适的变换域进行稀疏表示,将心率信号表示为稀疏形式。
具体的,首先选择变换域,在一个具体实施例中采用小波变换,可以表示为。
则,稀疏表示的方式可以表示为:
其中,表示范数,用于衡量向量中非零元素的个数。且小波变换通过选
择适合心率信号特性的基函数来进行,以确保在变换后的域中,信号表示最为稀疏。为最
优稀疏表示,使得在所选变换域中,信号的非零成分最少。
在一个具体实施例中,利用贝叶斯方法和信息熵来评估数据的不确定性,并据此
调整压缩感知算法的关键参数,包括重建算法的稀疏度水平和正则化参数。具体的,设表示给定数据下稀疏表示的后验概率,利用贝叶斯方法进行评估的方式可以表示
为:
在一个具体实施例中,利用信息熵来评估的方法可以表示为:
其中,为信息熵,用于评估的不确定性。
则,压缩感知算法的关键参数的调整策略可以表示为:
其中,是学习率,控制参数更新的速度。通过评估的不确定性,动态调整压缩感
知参数。
在一个具体实施例中,应用改进的压缩感知算法进行数据重建,重建并增强心率信号,压缩感知重建问题可以表示为:
且,使得。其中,是范数,用于促进解的稀疏性。
在一个具体实施例中,重建误差可以表示为:
其中,表示范数。重建误差衡量重建质量,目标是最小化该误差。
在一个具体实施例中,对增强后的数据进行质量评估,如通过比较原始数据与重
建数据的差异来检验重建效果。根据这一评估,进行反馈调整,优化数据增强过程。具体的,
质量评估指标的计算方式可以表示为:
其中,衡量重建数据与原始数据的相似度,越接近1表示质量越高。若质量评估指
标达到预设的阈值,则数据增强完成,否则进行反馈调整,反馈调整策略可以表示为:
其中,是优化学习率,控制反馈调整的速度。
通过数据增强后的数据设为数组,将该数组输入到特征提
取网络模型中进行特征提取。特征提取神经网络模型包含输入层、双向长短时记忆网络层、
全连接层、卷积层、注意力增强层和输出层。
在一个具体实施例中,用特征提取该网络模型进行心率电数字信号的特征提取过程如附图6所示:特征提取神经网络包括输入层、双向长短时记忆网络层、全连接层、卷积层、注意力增强层和输出层,输入心率电数字信号数据集,输入的数据集通过双向长短时记忆网络(BiLTSM)进行双向传播对输入的心率电数字信号的时序特征进行选择性筛选得到筛选后的特征,筛选后的特征传入全连接层后进行时频变换得到数据的时频矩阵,时频矩阵经过卷积层后提取得到数据的深度时频特征,深度时频特征经过注意力增强层后输出提取特征。
其中,双向长短时记忆网络的工作机制如附图7所示:该网络具有前向传播和后向
传播的结构特性,时序数据输入BiLTSM,所述时序数据按照时间顺序传递给正向的长短时
记忆网络(LTSM),在每个时间步,LSTM单元计算新的隐藏状态和输出,并将其传递到下一个
时间步;同时所述时序数据按照时间逆序传递给逆向的LSTM网络,逆向LSTM也在每个时间
步计算新的隐藏状态和输出,并将其传递到前一个时间步;在每个时间步,BiLSTM将正向和
逆向LSTM的隐藏状态连接在一起,形成一个更全面的隐藏状态表示,这样,每个时间步的输
出包含了整个序列的信息,包括过去和未来的上下文。这样BiLTSM在双向结构处理时序心
率电数字信号的基础上提高了网络的稳定性。双向长短时记忆网络主要提取的是心率电数
字信号中的时域相关性,其核心是利用记忆块对输入的心率电数字信号脉冲进行长期或短
期的记忆,通过门机制进行管理实现一种多层次的特征选。具体的,双向长短时记忆网络层
以c(t)为长记忆时间轴,h(t)为短记忆时间轴,通过长短时记忆功能将时序心率电数字信
号脉冲信息进行选择性的遗忘,从而保留有效特征,剔除无效或重复信息。如果在时刻双
向长短时记忆网络前向传播输出的隐藏状态为,而反向的输出隐藏状态为,则双向长短
时记忆网络输出的是前向网络与后向网络在每个时刻的综合输出,总输出的隐藏状态可以
表示为:
其中,为全连接操作;是在时间点的总输出隐藏状态,表示在该时刻网络对输
入信号的编码;是在相同时间点的前向长短时记忆网络的隐藏状态输出;是在时间点
的后向长短时记忆网络的隐藏状态输出。
在一个具体实施例中,双向长短时记忆网络的输出传入全连接层后利用时频变换
获得一个新的心率电数字信号时频矩阵,当时频矩阵经过由多个卷积层与最大池化层交替
堆叠组成的卷积层后,对心率电数字信号进行深度特征提取。在卷积层提取心率电数字信
号的时频特征时,通过连续小波变换获得心率电数字信号时频特征矩阵,其中包含具有时
频特征的心率电数字信号数组和每组所对应的特征标签,
心率电数字信号数组由个心率电数字信号脉冲元素组成,可以表示为,此
过程的目标是找到模型参数,使得在给定心率电数字信号数据 X 的情况下,模型能够最
大化正确预测标签 Y 的概率,目标函数可以表示为:
当单通道心率电数字信号时频矩阵作为输入时,具有时频特征的心率电数字信号
数组里元素向量为,且,其中是心率电数字信号元素数量,是矢量维度。通过设
置的过滤器提取输入心率电数字信号的时频特征,可以表示为:
其中,是卷积核,是卷积核的大小,是由到个心率电数字信号脉
冲元素组成的数组向量,是偏差项。
在经过卷积层处理后,特征矩阵可以表示为:
在一个具体实施例中,将特征矩阵通过池化层对心率电数字信号的局部特征矩
阵进行下采样处理,生成局部值的最佳解。此处使用最大池化的方法,可以表示为:
进而,经过池化操作后,每个卷积核提取的特征向量在一定程度上有所减少,但仍保留了心率电数字信号核心的时频特征相关信息。
在一个具体实施例中,将得到多组时频特征向量输入到注意力增强层进行注意力
增强操作。由于特征提取神经网络从心率电数字信号时频矩阵中获取时频特征时,卷积层
的输出结果易出现过拟合,在卷积层后增加注意力增强,能够忽略少部分的非重要特征,增
强重要特征的相互作用,使得特征提取神经网络不会形成依赖的状况,提高网络模型的泛
化能力。注意力增强层首先将多组时频特征向量进行级联,表示为一个一维向量,对于该
向量,计算一个初始的注意力评分,计算方式通过向量与其自身的转置的非线性映射来实
现,具体的,使用一个参数化的小型神经网络函数进行计算,可以表示为:
其中,是参数矩阵,在该参数化的小型神经网络训练过程中学习。
在一个具体实施例中,对注意力评分进行非线性转换。采用ReLU激活函数和参
数矩阵进行非线性变换,可以表示为:
其中,每个是一个参数矩阵,是一个非线性函数,是转换的层数,是变换后的
注意力评分。
下一步,对评分向量进行自适应缩放,以便更好捕获向量中的相对重要性。设
置参数,是通过一个sigmoid函数控制的,对评分向量进行自适应缩放,自适应缩放
的方式可以表示为:
其中,是一个参数向量。
下一步,将缩放的注意力评分与原始向量结合,以产生最终的注意力增强向量,
可以表示为:
其中,表示向量的元素乘积。
S103:将所述预处理后的数据输入机器学习模型中,得到预测的分类结果,将所述预测的分类结果与所述数据集中的标签进行对比,根据对比结果优化所述机器学习模型,得到疾病实时风险预警监测模型。
在一个具体实施例中,将特征提取后的数据输入到改进的Hopfield网络中进行分类。本发明的改进的Hopfield网络包含高阶相互作用项,允许网络捕捉数据中的更复杂模式,特别是心电数字信号数据中的非线性特征。
具体的,在改进的Hopfield网络的训练过程中,首先根据特征提取后的特性初始
化改进的Hopfield网络,包括设置高阶相互作用项和初始权重。设特征提取后的数据样本
为,则网络权重初始化的方式可以表示为:
其中,表示二阶相互作用,即Hopfield网络中的权重。表示神经元索引,表示
特征索引。
在一个具体实施例中,引入高阶项,用于表示三个神经元之间的相互作用,初
始化为:
其中,为新引入的高阶项,捕获样本间更复杂的相互关系。
在一个具体实施例中,在训练过程中,根据分类错误率和置信度评估结果动态调
整学习率和网络权重。设分类错误率为,初始学习率为,则学习率调整策略可以表示:
其中,是调整因子。
在一个具体实施例中,权重和高阶项的更新方式可以表示为:
。
其中,和为基于梯度下降的权重更新项。
在一个具体实施例中,利用训练好的改进的Hopfield网络对新的心率信号样本进行分类,可以表示为:
其中,为第个神经元的输出。
同时,计算每个决策的置信度,计算方式可以表示为:
其中,表示置信度,用于评估分类决策的可靠性。为基于置信度的权重更新率。
在一个具体实施例中,根据分类决策的置信度评估结果,进一步优化网络的权重和参数,以提高未来分类的准确性。具体的,若置信度未达到预设的阈值,则更新权重,更新的方式可以表示为:
若置信度达到预设的阈值,则表示网络训练完成。
机器学习模型可以使用联邦学习训练,所述联邦学习新联步骤包括:
第一步,在中央服务器上初始化一个全局模型;
第二步,将所述全局模型发送到多个用户端,所述用户端在本地设备上使用本地数据对模型进行训练;
第三步,将本地设备训练后的模型参数发送回中央服务器;
第四步,中央服务器聚合所有本地设备的模型参数,更新全局模型;
重复上述步骤,直至损失函数收敛或训练轮数达到模型预设轮数。
图2本发明实施例提供的一种基于时序数据的疾病实时风险预警监测方法的示意流程图。
S201:获取被试的时序数据;
S202:将所述被试的时序数据输入训练好的机器学习模型输出预测分类,如果所述预测分类显示存在疾病风险则进行疾病实时风险预警监测,所述训练好的机器学习模型根据上述基于时序数据的预警模型的构建方法得到。
在一个具体实施例中,在进行休克实时风险预警时,分类结果包括0和1,可以表示为:
其中,表示心电信号的标签,其中表示正常心电信号,表示存
在休克风险的心电信号。异常心电信号预示休克风险。
在一个具体实施例中,通过物联网设备持续监测并传输患者的心率信号,实时应用基于时序数据的疾病实时风险预警监测方法进行分类。一旦模型识别出表示休克风险的心率信号,并且置信度高于设定阈值,预警机制将被触发。预警机制包括自动通知医疗专业人员、激活紧急响应系统等。
图3是本发明实施例提供的一种基于时序数据的疾病实时风险预警监测模型的构建系统的示意流程图。
一种基于时序数据的疾病实时风险预警监测的构建系统,包括:
获取模块301:用于获取时序数据集;
数据处理模块302:用于对所述时序数据集进行数据预处理得到预处理后的数据;
机器学习训练模块303:将所述预处理后的数据输入机器学习模型中,得到预测的分类结果,将所述预测的分类结果与所述数据集中的标签进行对比,根据对比结果优化所述机器学习模型,得到所述训练好的机器学习模型。
图4是本发明实施例提供的一种基于时序数据的疾病实时风险预警监测系统的示意流程图。
一种基于时序数据的疾病实时风险预警监测系统,包括:
实时信号采集模块401:用于实时采集被试的时序数据;
预测模块402:用于将所述被试的时序数据输入训练好的机器学习模型输出预测分类,如果所述预测分类显示存在疾病风险则进行疾病实时风险预警监测,所述训练好的机器学习模型是采用上述的基于时序数据的疾病实时风险预警监测模型的构建方法训练完成。
图5是本发明实施例提供的一种基于时序数据的疾病实时风险预警监测设备的示意框图。
一种基于时序数据的疾病实时风险预警监测设备,包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行时实现上述的基于时序数据的疾病实时风险预警监测方法的步骤。
所述患病风险的分类结果包括但不限于:是否患病的二分类结果、多种疾病的多分类结果、疾病风险的高低概率、疾病的分期、疾病的分型等等。
一种计算机可读存储介质,所述计算机可读取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实现上述的疾病风险预测方法步骤。
本验证实施例的验证结果表明,为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (20)
1.一种基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述方法的步骤包括:
获取时序数据集,所述时序数据集的每个样本包括患者的临床时序数据及标签;
对所述时序数据集进行数据预处理得到预处理后的数据,所述数据预处理包括数据增强,所述数据增强的步骤包括:
第1步:将所述时序数据集进行稀疏表示得到所述时序数据集的稀疏表示,
第2步:评估所述稀疏表示的不确定性得到数据不确定性,
第3步:根据所述数据不确定性动态调整压缩感知算法的参数得到调整后的参数,所述动态调整可以表示为:
其中,是学习率,控制参数更新的速度,S是稀疏表示,/>评估/>的不确定性,
第4步:采用所述调整后的参数更新压缩感知算法的参数,对所述稀疏表示进行数据重建得到增强数据;
将所述预处理后的数据输入机器学习模型中,得到预测的分类结果,将所述预测的分类结果与所述数据集中的标签进行对比,根据对比结果优化所述机器学习模型,得到疾病实时风险预警监测模型。
2.根据权利要求1所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述数据增强的步骤还包括第5步:对所述增强数据进行质量评估得到质量评估指标,所述质量评估指标由所述增强数据与所述时序数据集之间的相似性决定,根据所述质量评估指标进行判断,如果所述质量评估指标未达到设定的阈值,则根据所述质量评估指标更新所述调整后的参数得到更新后的参数,压缩感知算法采用所述更新后的参数对所述稀疏表示进行数据重建得到迭代后的增强数据,重复第5步直至所述迭代后的增强数据的质量评估指标达到设定的阈值后输出迭代后的增强数据。
3.根据权利要求1所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述数据预处理还包括信号处理,所述信号处理包括下列方法中的一种或几种:滤波、去噪、采样与重构、时频转换、标准化、相位调整、去趋势、数字信号处理、谱分析。
4.根据权利要求1所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述稀疏表示根据所述时序数据集的特性动态选择变换域进行稀疏表示得到数据的最优稀疏表示,所述最优稀疏表示在各变换域中信号的非零成分最少。
5.根据权利要求1所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,使用信息熵评估得到所述稀疏表示的所述数据不确定性,所述信息熵的计算公式为
其中,S是稀疏表示,H(S)是所述稀疏表示信息熵。
6.根据权利要求1所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,先使用贝叶斯公式得到给定时序数据集D条件下的稀疏表示S的后验概率p(S|D),计算公式如下:
然后,根据所述稀疏表示S的后验概率p(S|D)使用信息熵评估得到所述稀疏表示的数据不确定性,计算公式如下:
其中,表示在给定的所述时序数据集D条件下稀疏表示S的不确定性。
7.根据权利要求2所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述质量评估的方法包括下列方法中的一种或几种:均方根误差、峰值信噪比、结构相似性指数、峭度和偏度、频谱分析。
8.根据权利要求1所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述预处理后的数据进行特征提取后输入所述机器学习模型,所述特征提取的方法包括下列方法的一种或几种:傅里叶变换、小波变换、卷积神经网络、循环神经网络、自编码器、主成分分析、独立成分分析、局部感知字段、注意力机制、特征提取神经网络。
9.根据权利要求8所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述特征提取神经网络包括输入层、双向长短时记忆网络层、全连接层、卷积层、注意力增强层和输出层,所述预处理后的数据经过双向长短时记忆网络层提取数据的时域相关性,所述双向长短时记忆网络层的输出传入全连接层后进行时频变换得到数据的时频矩阵,所述时频矩阵经过卷积层后提取得到数据的深度时频特征,所述深度时频特征经过注意力增强层后输出提取特征。
10.根据权利要求9所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述注意力增强层的步骤包括:
第1步,将所述深度时频特征转换为一维向量;
第2步,计算所述一维向量的注意力评分;
第3步,转换所述注意力评分得到转换后的评分向量;
第4步,对所述评分向量进行缩放得到缩放注意力评分;
第5步,将所述缩放注意力评分和所述一维向量结合,输出注意力增强的特征。
11.根据权利要求1-8任意一项所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述机器学习模型包括下列模型中的一种或几种:线性回归、逻辑回归、决策树、支持向量机、支持向量回归、k近邻算法、随机森林、梯度提升、多层感知机、卷积神经网络、循环神经网络、反馈型神经网络、自注意力模型、生成对抗网络、自编码器、深度强化学习模型、预训练模型、联邦学习。
12.根据权利要求9-10任意一项所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述机器学习模型包括下列模型中的一种或几种:线性回归、逻辑回归、决策树、支持向量机、支持向量回归、k近邻算法、随机森林、梯度提升、多层感知机、卷积神经网络、循环神经网络、反馈型神经网络、自注意力模型、生成对抗网络、自编码器、深度强化学习模型、预训练模型、联邦学习。
13.根据权利要求12所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述反馈型神经网络包括下列模型中的一种或几种:简单循环神经网络、长短时记忆网络、门控循环单元、Echo State Network、Hopfield网络、双向循环神经网络。
14.根据权利要求13所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述Hopfield网络的构建方法包括:
根据所述预处理后的数据或所述提取特征初始化所述Hopfield网络的参数得到初始化的Hopfield网络,其中,所述Hopfield网络的参数包括初始权重和高阶相互作用项,其中,所述预处理后的数据或所述提取特征来自训练集;
将所述训练集输入所述初始化的Hopfield网络,得到预测的分类结果,将所述预测的分类结果与所述训练集中的标签进行对比,根据对比结果优化所述Hopfield网络的权重、高阶相互作用项和学习率,直至达到停止条件得到训练好的第一Hopfield网络。
15.根据权利要求14所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述Hopfield网络的构建步骤还包括:
第1步,所述预处理后的数据或所述提取特征还包括测试集,使用所述训练好的第一Hopfield网络对所述测试集进行分类得到分类结果;
第2步,根据所述分类结果计算所述训练好的第一Hopfield网络的决策置信度,若所述置信度未达到预设的阈值,则根据所述置信度更新训练好的第一Hopfield网络的权重、高阶相互作用项和学习率后继续训练,重复上述第1步至第2步直至所述置信度达到预设的阈值输出构建好的训练好的第二Hopfield网络。
16.根据权利要求1所述的基于时序数据的疾病实时风险预警监测模型的构建方法,其特征在于,所述疾病包括下列疾病中的一种或几种:低血容量性休克、分布性休克、梗阻性休克和心源性休克。
17.一种基于时序数据的疾病实时风险预警监测方法,其特征在于,所述方法包括:
获取被试的时序数据;
将所述被试的时序数据输入训练好的机器学习模型输出预测分类,如果所述预测分类显示存在疾病风险则进行疾病实时风险预警监测,所述训练好的机器学习模型根据权利要求1-16任意一项的构建方法得到。
18.一种基于时序数据的疾病实时风险预警监测设备,其特征在于,包括:
存储器和处理器;所述存储器用于存储程序指令;所述处理器用于调用程序指令,当程序指令被执行时实现权利要求1-16任意一项所述的基于时序数据的疾病实时风险预警监测模型的构建方法或实现权利要求17所述的基于时序数据的疾病实时风险预警监测方法。
19.一种基于时序数据的疾病实时风险预警监测系统,其特征在于,所述系统包括计算机程序,所述计算机程序被处理器执行时实现权利要求1-16任意一项所述的基于时序数据的疾病实时风险预警监测模型的构建方法或实现权利要求17所述的基于时序数据的疾病实时风险预警监测方法。
20.一种计算机可读存储介质,其上存储有计算机程序,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1-16任意一项所述的基于时序数据的疾病实时风险预警监测模型的构建方法或实现权利要求17所述的基于时序数据的疾病实时风险预警监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311690984.6A CN117393153B (zh) | 2023-12-11 | 2023-12-11 | 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311690984.6A CN117393153B (zh) | 2023-12-11 | 2023-12-11 | 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117393153A CN117393153A (zh) | 2024-01-12 |
CN117393153B true CN117393153B (zh) | 2024-03-08 |
Family
ID=89441368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311690984.6A Active CN117393153B (zh) | 2023-12-11 | 2023-12-11 | 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117393153B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015048232A1 (en) * | 2013-09-26 | 2015-04-02 | Tokitae Llc | Systems, devices, and methods for classification and sensor identification using enhanced sparsity |
CN109101768A (zh) * | 2018-09-20 | 2018-12-28 | 中国人民解放军国防科技大学 | 基于压缩感知的叶端定时传感器布局优化设计方法 |
CN110781945A (zh) * | 2019-10-22 | 2020-02-11 | 太原理工大学 | 一种融合多种特征的脑电信号情感识别方法及系统 |
CN111184508A (zh) * | 2020-01-19 | 2020-05-22 | 武汉大学 | 一种基于联合神经网络的心电信号检测装置及分析方法 |
CN113421654A (zh) * | 2021-07-12 | 2021-09-21 | 军事科学院系统工程研究院卫勤保障技术研究所 | 创伤后失血性休克动态早期预警深度学习系统 |
US11177041B1 (en) * | 2018-07-20 | 2021-11-16 | MedAmerica Data Services, LLC | Method and system for cardiac risk assessment of a patient using historical and real-time data |
CN114190884A (zh) * | 2020-09-18 | 2022-03-18 | 深圳大学 | 一种脑疾病数据的纵向分析方法、系统及装置 |
CN115331658A (zh) * | 2022-10-13 | 2022-11-11 | 山东商业职业技术学院 | 一种语音识别方法 |
CN116525105A (zh) * | 2023-06-29 | 2023-08-01 | 中国人民解放军总医院 | 一种心源性休克预后预测预警系统、设备及可存储介质 |
CN116525116A (zh) * | 2023-06-29 | 2023-08-01 | 中国人民解放军总医院 | 一种心源性休克实时风险预警监测系统、设备及可存储介质 |
CN116546219A (zh) * | 2023-04-07 | 2023-08-04 | 中山大学 | 一种基于学习的点云几何颜色联合压缩方法 |
CN117158997A (zh) * | 2023-10-12 | 2023-12-05 | 哈尔滨理工大学 | 一种基于深度学习的癫痫脑电信号分类模型的建立方法、分类方法 |
WO2023231961A1 (zh) * | 2022-06-02 | 2023-12-07 | 华为技术有限公司 | 一种多智能体强化学习方法及相关装置 |
-
2023
- 2023-12-11 CN CN202311690984.6A patent/CN117393153B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015048232A1 (en) * | 2013-09-26 | 2015-04-02 | Tokitae Llc | Systems, devices, and methods for classification and sensor identification using enhanced sparsity |
US11177041B1 (en) * | 2018-07-20 | 2021-11-16 | MedAmerica Data Services, LLC | Method and system for cardiac risk assessment of a patient using historical and real-time data |
CN109101768A (zh) * | 2018-09-20 | 2018-12-28 | 中国人民解放军国防科技大学 | 基于压缩感知的叶端定时传感器布局优化设计方法 |
CN110781945A (zh) * | 2019-10-22 | 2020-02-11 | 太原理工大学 | 一种融合多种特征的脑电信号情感识别方法及系统 |
CN111184508A (zh) * | 2020-01-19 | 2020-05-22 | 武汉大学 | 一种基于联合神经网络的心电信号检测装置及分析方法 |
CN114190884A (zh) * | 2020-09-18 | 2022-03-18 | 深圳大学 | 一种脑疾病数据的纵向分析方法、系统及装置 |
CN113421654A (zh) * | 2021-07-12 | 2021-09-21 | 军事科学院系统工程研究院卫勤保障技术研究所 | 创伤后失血性休克动态早期预警深度学习系统 |
WO2023231961A1 (zh) * | 2022-06-02 | 2023-12-07 | 华为技术有限公司 | 一种多智能体强化学习方法及相关装置 |
CN115331658A (zh) * | 2022-10-13 | 2022-11-11 | 山东商业职业技术学院 | 一种语音识别方法 |
CN116546219A (zh) * | 2023-04-07 | 2023-08-04 | 中山大学 | 一种基于学习的点云几何颜色联合压缩方法 |
CN116525105A (zh) * | 2023-06-29 | 2023-08-01 | 中国人民解放军总医院 | 一种心源性休克预后预测预警系统、设备及可存储介质 |
CN116525116A (zh) * | 2023-06-29 | 2023-08-01 | 中国人民解放军总医院 | 一种心源性休克实时风险预警监测系统、设备及可存储介质 |
CN117158997A (zh) * | 2023-10-12 | 2023-12-05 | 哈尔滨理工大学 | 一种基于深度学习的癫痫脑电信号分类模型的建立方法、分类方法 |
Non-Patent Citations (5)
Title |
---|
压缩感知的多参数链路故障定位算法;王汝言;吴晴;熊余;谢雨;赵莹;;电子与信息学报(11);60-65 * |
基于信息熵的高维稀疏大数据降维算法研究;何兴高;李蝉娟;王瑞锦;邓伏虎;刘行;;电子科技大学学报(02);77-83 * |
基于稀疏表示的时间序列最近邻分类;杨冠仪;於志勇;郭文忠;黄昉菀;;福州大学学报(自然科学版)(02);22-29 * |
基于超声特征集成学习的甲状腺结节分类方法研究;陈德华;吴迪;潘乔;;智能计算机与应用;20161228(第06期);12-16 * |
广义Hopfield神经网络模型;王阿明,梁明理;中国医学物理学杂志(01);29-33 * |
Also Published As
Publication number | Publication date |
---|---|
CN117393153A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160139B (zh) | 心电信号的处理方法、装置及终端设备 | |
CN110944577B (zh) | 一种血氧饱和度的检测方法与系统 | |
CN113421652B (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
Das et al. | Evaluation of ensemble methods for diagnosing of valvular heart disease | |
Tiwari et al. | A smart decision support system to diagnose arrhythymia using ensembled ConvNet and ConvNet-LSTM model | |
CN111292853A (zh) | 基于多参数的心血管疾病风险预测网络模型及其构建方法 | |
CN107451407A (zh) | 一种中医智能诊断方法、系统及中医医疗系统 | |
Goswami et al. | Electrocardiogram signal classification using VGGNet: a neural network based classification model | |
Xu et al. | Intelligent emotion detection method based on deep learning in medical and health data | |
CN117542474A (zh) | 基于大数据的远程护理监测系统及方法 | |
Koçer et al. | Classifying neuromuscular diseases using artificial neural networks with applied Autoregressive and Cepstral analysis | |
He et al. | Simultaneous human health monitoring and time-frequency sparse representation using EEG and ECG signals | |
GB2578325A (en) | Computer based object detection within a video or image | |
Peng et al. | Heart disease prediction using artificial neural networks: a survey | |
CN115376638A (zh) | 一种基于多源健康感知数据融合的生理特征数据分析方法 | |
Zebardast et al. | A new generalized regression artificial neural networks approach for diagnosing heart disease | |
Taşkıran et al. | A deep learning based decision support system for diagnosis of Temporomandibular joint disorder | |
WO2022216220A1 (en) | Method and system for personalized prediction of infection and sepsis | |
Vijayaganth et al. | Smart sensor based prognostication of cardiac disease prediction using machine learning techniques | |
Christabel et al. | KPCA-WRF-prediction of heart rate using deep feature fusion and machine learning classification with tuned weighted hyper-parameter | |
CN117393153B (zh) | 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统 | |
Schwob et al. | Robust multimodal heartbeat detection using hybrid neural networks | |
Yan | Gingivitis detection by fractional Fourier entropy with optimization of hidden neurons | |
Meng et al. | Biosignal Classification Based on Multi-Feature Multi-Dimensional WaveNet-LSTM Models. | |
Almazroa et al. | An internet of things (iot) homecare management system using cardiac arrhythmia classification |
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 |