CN117582219A - 基于六分钟步行试验的连续生理数据的运动性低血氧预测方法及其装置 - Google Patents
基于六分钟步行试验的连续生理数据的运动性低血氧预测方法及其装置 Download PDFInfo
- Publication number
- CN117582219A CN117582219A CN202311543838.0A CN202311543838A CN117582219A CN 117582219 A CN117582219 A CN 117582219A CN 202311543838 A CN202311543838 A CN 202311543838A CN 117582219 A CN117582219 A CN 117582219A
- Authority
- CN
- China
- Prior art keywords
- blood oxygen
- reduction area
- oxygen reduction
- physiological data
- hypoxia
- 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
- 206010021143 Hypoxia Diseases 0.000 title claims abstract description 27
- 230000007954 hypoxia Effects 0.000 title claims abstract description 27
- 238000012360 testing method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 230000004899 motility Effects 0.000 claims abstract description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 103
- 239000001301 oxygen Substances 0.000 claims description 103
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 101
- 239000008280 blood Substances 0.000 claims description 100
- 210000004369 blood Anatomy 0.000 claims description 98
- 238000011084 recovery Methods 0.000 claims description 11
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000000241 respiratory effect Effects 0.000 claims description 8
- 230000037396 body weight Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000011947 six minute walk test Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000036387 respiratory rate Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 3
- 208000014085 Chronic respiratory disease Diseases 0.000 description 3
- 208000029448 Chylomicron retention disease Diseases 0.000 description 3
- 208000000059 Dyspnea Diseases 0.000 description 3
- 206010013975 Dyspnoeas Diseases 0.000 description 3
- 201000006754 cone-rod dystrophy Diseases 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000004199 lung function Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000036569 Carp sprivivirus Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000013123 lung function test Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000001225 therapeutic 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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Optics & Photonics (AREA)
- Pulmonology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及一种基于六分钟步行试验的连续生理数据的运动性低血氧预测方法及其装置，其包括：通过穿戴设备获取受试者的连续生理数据；自所述连续生理数据通过特征提取单元得到提取特征；将该提取特征作为输入特征输入到预测单元；由预测单元根据输入特征计算出运动性低血氧预测结果。本申请的基于六分钟步行试验的连续生理数据的运动性低血氧预测方法及其装置，通过六分钟步行试验来进行EID预测，指标简易、预测可靠。
Description
技术领域
本申请涉及运动性低血氧预测，尤其涉及基于六分钟步行试验的连续生理数据的运动性低血氧预测方法及其装置。
背景技术
据报道，47％的慢性呼吸系统疾病(chronic respiratory disease,CRD)患者在运动过程中会出现血氧饱和度下降。运动引起的血氧饱和度下降(exercise-induceddesaturation,EID)使得患者不能忍受高强度的训练，使肺康复的效果受到限制，并且，EID也与患者的生活质量、再住院率和死亡率的增加有很大关系。预测EID有助于慢性呼吸疾病患者的临床管理，以确保在运动期间维持正常血氧饱和度，并避免低氧血症的潜在不良后果。
目前EID的预测指标大多使用肺功能指标，但肺功能测试需要专门的技术人员、患者的高度配合和相对昂贵的费用，不便长期监测，这不利于促使患者长期坚持健康行为的肺康复的实施。采用主观评估量表，如：改良英国医学研究学会呼吸困难量表(modifiedmedical research council dyspnea scale,mMRC)、慢性阻塞性肺病评估测试(COPDassessment test,CAT)评分，这可能受患者主观理解及感受的偏见影响，尤其是对于一些文化程度低及理解能力欠佳的患者。
6-MWT通过6分钟内尽可能多地行走来评估CRD患者的运动能力、预后和治疗疗效。6-MWT作为一种次极量运动试验，这种步行的方式，能较好地代表日常活动。
发明内容
鉴于上述问题，本申请旨在提出一种基于六分钟步行试验的连续生理数据的运动性低血氧预测方法及其装置，通过六分钟步行试验来进行EID预测。
根据本申请的第一方面，本申请提出一种基于六分钟步行试验的连续生理数据的运动性低血氧预测方法，其包括：
通过穿戴设备获取受试者的连续生理数据；
自所述连续生理数据通过特征提取单元得到提取特征；
将该提取特征作为输入特征输入到预测单元；
由预测单元根据输入特征计算出运动性低血氧预测结果。
根据本申请的第二方面，本申请提出一种基于六分钟步行试验的连续生理数据的运动性低血氧预测装置，其包括：特征提取单元、预测单元；
特征提取单元用于自受试者的连续生理数据来获取提取特征，该连续生理数据通过穿戴设备获取；该提取特征用于输入到预测单元；
预测单元用于通过该提取特征计算出运动性低血氧预测结果。
优选地，所述连续生理数据为血氧；所述特征提取单元自血氧中获取的提取特征为血氧下降面积(DA)，将血氧下降面积输入到所述预测单元中；该血氧下降面积为六分钟步行试验中血氧下降面积之和；
所述预测单元将输入的血氧下降面积与第一临界值进行比较，如果输入的血氧下降面积高于第一临界值，则认为受试者会出现运动性低血氧；
所述第一临界值为936min％。
优选地，所述连续生理数据为血氧；所述特征提取单元自血氧中获取的提取特征为血氧下降面积与距离比(DDR)，将血氧下降面积与距离比输入到所述预测单元中；该血氧下降面积为六分钟步行试验中血氧下降面积除以步行距离；
所述预测单元将输入的血氧下降面积与距离比与第二临界值进行比较，如果输入的血氧下降面积高于第二临界值，则认为受试者会出现运动性低血氧；
所述第二临界值为1.976min％/m。
优选地，所述连续生理数据为心电信号、血氧信号、呼吸信号、三轴加速度信号；
所述特征提取单元自心电信号中获取的提取特征包括：基础心率、结束心率、1分钟心率恢复、心率加速斜率；
所述特征提取单元自血氧信号中获取的特征包括：血氧下降面积(DA)、血氧下降面积与距离比(DDR)、血氧下降到90％所用的时间、血氧恢复时间、血氧下降到最低值所用的时间、血氧下降4％所用的时间、血氧基础值、血氧结束值、血氧下降值；
所述特征提取单元自呼吸信号中获取的提取特征包括：基础呼吸率、结束呼吸率、最大呼吸率；
所述特征提取单元自三轴加速度信号中获取的提取特征包括：6-MWD、6-MWW；
所述预测单元包括经训练的LightGBM模型；
所述输入特征还包括人口统计学特征，该人口统计学特征包括：基线阶段Borg呼吸量表、体重、BMI、恢复阶段Borg疲劳量表、基线阶段Borg疲劳量表；
经训练的LightGBM模型根据输入特征进行计算而输出受试者是否会出现运动性低血氧。
本申请还提出一种计算机可读存储介质，其记录有用于执行上述的运动性低血氧预测方法的计算机程序。
本申请的基于六分钟步行试验的连续生理数据的运动性低血氧预测方法及其装置，通过六分钟步行试验来进行EID预测，指标简易、预测可靠，使得通过六分钟步行试验来预测EID成为可能。
附图说明
图1为特征提取流程图；
图2为数据筛选流程图；
图3为EID首次发生时间分布图；
图4为6-MWT中用于识别EID的生理参数临界值；
图5为不同机器学习模型和量表预测的ROC曲线。
具体实施方式
数据集构建：根据ATS的标准进行6-MWT，使用SensEcho随行监护系统收集心率(heart rate，HR)、呼吸率(respiration rate，RR)、血氧饱和度(oxygen saturation，SpO2)、脉搏等基本生理数据和六分钟步行距离(six minute walk distance，6-MWD)、6分钟步行做功(six minute walk work,6-MWW)等步行数据，然后指导患者填写Borg呼吸困难评分和Borg疲劳评分。从医院信息系统(hospital information system，HIS)提取人口统计学及肺功能特征，包括：年龄、性别、身高、体重、BMI等。
EID定义为6-MWT中的血氧低于88％，排除6-MWT前静息血氧低于88％的患者。按照6-MWT开始后连续监测下观察到的SpO2是否低于88％，将所有数据分为两组：EID组和非EID组。
数据预处理与特征提取：使用Hamilton的方法对心电信号进行滤波，去除异常值，检测R波峰值；使用Khodadad的方法处理呼吸信号，去除异常值，检测波峰波谷。数据排除标准包括：设备故障(频繁丢包、信号丢失等)、峰值(ECG信号中的R波峰值、呼吸信号中的波峰波谷)检测不准确、数据采集时间长度不足(缺乏静息和试验结束后的恢复数据)。基于文献调研和专家咨询，从处理后的信号中提取心率、呼吸率和SpO2不同时域的相关特征，特征提取流程如图1所示，提取的6-MWT生理数据特征如表1所示。
表1提取的6-MWT生理数据特征
特征选择：
单参预测数模型：计量资料首先进行正态性检验,符合正态分布的以 表示,不满足正态分布的用四分位间距表示。连续变量采用独立样本t检验。分类变量采用卡方检验，采用数量(比例)来描述。P＜0.05表示差异具有统计学意义。P＜0.001表示具有显著差异。筛选P＜0.001的特征，并通过受试者工作特征(receiver operatingcharacteristic,ROC)分析，筛选曲线下面积(area under the curve,AUC)＞0.8的特征分析预测事件的临界值。
综合预测模型：纳入提取的全部特征。
模型构建与训练：数据集包括2个类别(有无EID)，作二分类预测。将所选特征纳入不同机器学习模型进行训练和验证，包括：Logistic Regression、SVCs、Random Forest、XGBoost和LightGBM。利用5折交叉验证，将数据随机划分为训练集和验证集，其中80％的样本划定为训练集，20％的样本划定为验证集。
模型性能评估：采用AUC、敏感度(Sensitivity,SN)、特异度(specificity,SP)、正似然比(positive likelihood ratio,+LR)、负似然比(negative likelihood ratio,-LR)评价模型性能。
具体实施例：
共纳入2045例6-MWT数据(来自1996位患者)，如图2所示。连续监测EID的发生率为21.9％(448/2045)。
根据SensEcho连续监测显示，364名患者在测试期间有一个血氧下降期，66名患者有两个血氧下降期，18名患者有三个血氧下降期。1920例患者在6-MWT中没有暂停休息，44例休息一次，81例至少休息两次。EID发生的持续时间为258.93±184.37秒，245名患者发生EID后一直持续到6-MWT结束。如图3所示，约95％的EID发生在6-MWT开始后1分钟。
按照连续监测下观察到的SpO2是否低于88％，将所有数据分为两组：无EID组，1597例(78.1％)，EID组，448例(21.9％)。根据EID的时间分布，提取6-MWT静息前2分钟及开始后前1分钟时间段的生理数据特征，包括：HR base,RR base,SpO2 base,HR max,RRbase,RR max，SpO2 base,SpO2min,DA,DDR等。完成测试的两组患者的人口特征及6-MWT所获的数据见表1。
表2两组患者人口统计学及6-MWT生理特征比较
根据表2(P＜0.001)的结果，进行ROC分析，如表3所示。
表3独立预测EID特征筛选
其中，Borg difficult breath base表示基线阶段Borg呼吸量表，Borg fatigueend表示恢复阶段Borg疲劳量表，Borg fatigue base表示基线阶段Borg疲劳量表。
选取准确度较好的参数(AUC＞0.8)分析临界值。如图4所示，DA的临界值为936min％，DDR的临界值为1.976min％/m。
使用5折交叉验证对不同机器学习模型进行分类比较，如表3所示。ROC曲线显示了5次交叉验证的平均结果。如图5所示，在机器学习模型中，LightGBM模型性能最好，平均AUC为0.958。
表4不同机器学习模型的比较
其中，AUC表示曲线下面积，SN表示敏感性，SP表示特异性，+LR表示正似然比，-SR表示负似然比。
长期慢性低氧会导致肺血管持续收缩及重构，EID对患者造成的不良预后已被多项研究证实。进行6-MWT的COPD患者，伴有EID的患者夜间低氧发生率更高，住院率及死亡率较无EID的患者高，并且FEV 1这一肺功能指标、活动耐力、生活质量也较无EID的患者下降更明显。协助评估EID的发生，是CRD患者长期诊疗的一个重要环节。基于可穿戴设备的持续监测可以识别更多潜在的EID，本申请提出了相对简易、可靠的指标来预测EID的发生。本申请通过6-MWT中的生理数据来预测EID，结果显示，6-MWT可以敏感和简单的早期识别EID。其中，DA单参数预测的临界值为936min％，DDR为1.976min％/m；LightGBM模型可提供综合的EID预测模型，AUC达到0.958。
除非另有定义，本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的，而非限制性的。
虽然已结合具体实施方式对本发明进行了描述，在本申请的发明主旨下，本领域的技术人员可以进行适当的替换、修改和变化，这种替换、修改和变化仍属于本申请的保护范围。
Claims (9)
1.一种基于六分钟步行试验的连续生理数据的运动性低血氧预测方法，其包括：
通过穿戴设备获取受试者的连续生理数据；
自所述连续生理数据通过特征提取单元得到提取特征；
将该提取特征作为输入特征输入到预测单元；
由预测单元根据输入特征计算出运动性低血氧预测结果。
2.根据权利要求1所述的运动性低血氧预测方法，其特征在于：
所述连续生理数据为血氧；所述特征提取单元自血氧中获取的提取特征为血氧下降面积(DA)，将血氧下降面积输入到所述预测单元中；该血氧下降面积为六分钟步行试验中血氧下降面积之和；
所述预测单元将输入的血氧下降面积与第一临界值进行比较，如果输入的血氧下降面积高于第一临界值，则认为受试者会出现运动性低血氧；
所述第一临界值为936min％。
3.根据权利要求1所述的运动性低血氧预测方法，其特征在于：
所述连续生理数据为血氧；所述特征提取单元自血氧中获取的提取特征为血氧下降面积与距离比(DDR)，将血氧下降面积与距离比输入到所述预测单元中；该血氧下降面积为六分钟步行试验中血氧下降面积除以步行距离；
所述预测单元将输入的血氧下降面积与距离比与第二临界值进行比较，如果输入的血氧下降面积高于第二临界值，则认为受试者会出现运动性低血氧；
所述第二临界值为1.976min％/m。
4.根据权利要求1所述的运动性低血氧预测方法，其特征在于：
所述连续生理数据为心电信号、血氧信号、呼吸信号、三轴加速度信号；
所述特征提取单元自心电信号中获取的提取特征包括：基础心率、结束心率、1分钟心率恢复、心率加速斜率；
所述特征提取单元自血氧信号中获取的特征包括：血氧下降面积(DA)、血氧下降面积与距离比(DDR)、血氧下降到90％所用的时间、血氧恢复时间、血氧下降到最低值所用的时间、血氧下降4％所用的时间、血氧基础值、血氧结束值、血氧下降值；
所述特征提取单元自呼吸信号中获取的提取特征包括：基础呼吸率、结束呼吸率、最大呼吸率；
所述特征提取单元自三轴加速度信号中获取的提取特征包括：6-MWD、6-MWW；
所述预测单元包括经训练的LightGBM模型；
所述输入特征还包括人口统计学特征，该人口统计学特征包括：基线阶段Borg呼吸量表、体重、BMI、恢复阶段Borg疲劳量表、基线阶段Borg疲劳量表；
经训练的LightGBM模型根据输入特征进行计算而输出受试者是否会出现运动性低血氧。
5.一种基于六分钟步行试验的连续生理数据的运动性低血氧预测装置，其包括：特征提取单元、预测单元；
特征提取单元用于自受试者的连续生理数据来获取提取特征，该连续生理数据通过穿戴设备获取；该提取特征用于输入到预测单元；
预测单元用于通过该提取特征计算出运动性低血氧预测结果。
6.根据权利要求5所述的运动性低血氧预测装置，其特征在于：
所述连续生理数据为血氧；所述特征提取单元自血氧中获取的提取特征为血氧下降面积(DA)，将血氧下降面积输入到所述预测单元中；该血氧下降面积为六分钟步行试验中血氧下降面积之和；
所述预测单元将输入的血氧下降面积与第一临界值进行比较，如果输入的血氧下降面积高于第一临界值，则认为受试者会出现运动性低血氧；
所述第一临界值为936min％。
7.根据权利要求5所述的运动性低血氧预测装置，其特征在于：
所述连续生理数据为血氧；所述特征提取单元自血氧中获取的提取特征为血氧下降面积与距离比(DDR)，将血氧下降面积与距离比输入到所述预测单元中；该血氧下降面积为六分钟步行试验中血氧下降面积除以步行距离；
所述预测单元将输入的血氧下降面积与距离比与第二临界值进行比较，如果输入的血氧下降面积高于第二临界值，则认为受试者会出现运动性低血氧；
所述第二临界值为1.976min％/m。
8.根据权利要求5所述的运动性低血氧预测装置，其特征在于：
所述连续生理数据为心电信号、血氧信号、呼吸信号、三轴加速度信号；
所述特征提取单元自心电信号中获取的提取特征包括：基础心率、结束心率、1分钟心率恢复、心率加速斜率；
所述特征提取单元自血氧信号中获取的特征包括：血氧下降面积(DA)、血氧下降面积与距离比(DDR)、血氧下降到90％所用的时间、血氧恢复时间、血氧下降到最低值所用的时间、血氧下降4％所用的时间、血氧基础值、血氧结束值、血氧下降值；
所述特征提取单元自呼吸信号中获取的提取特征包括：基础呼吸率、结束呼吸率、最大呼吸率；
所述特征提取单元自三轴加速度信号中获取的提取特征包括：6-MWD、6-MWW；
所述预测单元包括经训练的LightGBM模型；
所述输入特征还包括人口统计学特征，该人口统计学特征包括：基线阶段Borg呼吸量表、体重、BMI、恢复阶段Borg疲劳量表、基线阶段Borg疲劳量表；
经训练的LightGBM模型根据输入特征进行计算而输出受试者是否会出现运动性低血氧。
9.一种计算机可读存储介质，其记录有用于执行权利要求1-4中任一项所述的运动性低血氧预测方法的计算机程序。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2023100156521 | 2023-01-04 | ||
| CN202310015652 | 2023-01-04 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117582219A true CN117582219A (zh) | 2024-02-23 |
| CN117582219B CN117582219B (zh) | 2024-05-24 |
Family
ID=89917491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311543838.0A Active CN117582219B (zh) | 2023-01-04 | 2023-11-20 | 基于六分钟步行试验的连续生理数据的运动性低血氧预测方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117582219B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015107152A (ja) * | 2013-12-03 | 2015-06-11 | パシフィックメディコ株式会社 | パルスオキシメータ |
| CN104771149A (zh) * | 2014-01-09 | 2015-07-15 | 白春学 | 6分钟步行试验多维实时监测系统 |
| US20180014779A1 (en) * | 2007-06-13 | 2018-01-18 | Zoll Medical Corporation | Wearable medical monitoring device |
| CN108852377A (zh) * | 2018-04-13 | 2018-11-23 | 中国科学院苏州生物医学工程技术研究所 | 基于多生理参数的人体运动性疲劳监测系统 |
| CN109965848A (zh) * | 2019-04-18 | 2019-07-05 | 天津大学 | 一种基于血氧信号分类的睡眠呼吸暂停综合征的检测方法 |
-
2023
- 2023-11-20 CN CN202311543838.0A patent/CN117582219B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180014779A1 (en) * | 2007-06-13 | 2018-01-18 | Zoll Medical Corporation | Wearable medical monitoring device |
| JP2015107152A (ja) * | 2013-12-03 | 2015-06-11 | パシフィックメディコ株式会社 | パルスオキシメータ |
| CN104771149A (zh) * | 2014-01-09 | 2015-07-15 | 白春学 | 6分钟步行试验多维实时监测系统 |
| CN108852377A (zh) * | 2018-04-13 | 2018-11-23 | 中国科学院苏州生物医学工程技术研究所 | 基于多生理参数的人体运动性疲劳监测系统 |
| CN109965848A (zh) * | 2019-04-18 | 2019-07-05 | 天津大学 | 一种基于血氧信号分类的睡眠呼吸暂停综合征的检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117582219B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102008196B1 (ko) | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 | |
| US9801553B2 (en) | System, method, and computer program product for the real-time mobile evaluation of physiological stress | |
| US7433732B1 (en) | Real-time brain monitoring system | |
| CA2820653C (en) | Analysis of eeg signals to detect hypoglycaemia | |
| KR102129730B1 (ko) | 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 | |
| CN106714682B (zh) | 用于评估加重和/或入院的风险的装置、系统、方法和计算机程序 | |
| JP2017038924A (ja) | 双方向の遠隔的な患者監視および状態管理介入システム | |
| US20230240545A1 (en) | Heart Rate Variability Composite Scoring and Analysis | |
| US7678047B2 (en) | Chaologic brain function diagnosis apparatus | |
| Begum et al. | Mental state monitoring system for the professional drivers based on Heart Rate Variability analysis and Case-Based Reasoning | |
| Cogan et al. | A wrist-worn biosensor system for assessment of neurological status | |
| JP2019515732A (ja) | 発作の特徴付けのためのシステムおよび方法 | |
| Böttcher et al. | Detecting tonic-clonic seizures in multimodal biosignal data from wearables: methodology design and validation | |
| WO2021225744A1 (en) | Heart rate variability monitoring and analysis | |
| US11653871B2 (en) | Atrial fibrillation prediction using heart rate variability | |
| CN105266764B (zh) | 一种中医宗气测评装置 | |
| Erazo et al. | A benchmark on automatic obstructive sleep apnea screening algorithms in children | |
| CN117582219B (zh) | 基于六分钟步行试验的连续生理数据的运动性低血氧预测方法及其装置 | |
| Mohamed et al. | Evidence-based prediction of Atrial Fibrillation using physiological signals | |
| Malhotra et al. | Improved ECG based stress prediction using optimization and machine learning techniques | |
| CN114631780A (zh) | 一种基于多级分类的低功耗可穿戴癫痫发作检测系统 | |
| CN113261924A (zh) | 一种脑卒中智能预警系统及方法 | |
| Elhannani et al. | QASIS: a QoC aware stress identification system using machine learning approach | |
| RU2445916C2 (ru) | Способ доврачебной оценки функционального состояния человека и автоматическая система оценки функционального состояния пользователя (варианты) | |
| Seo et al. | A Deep Neural Network Based Wake-After-Sleep-Onset Time Aware Sleep Apnea Severity Estimation Scheme Using Single-Lead ECG Data |
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 |