CN117598674A - 多参数心脏功能监测系统及方法 - Google Patents
多参数心脏功能监测系统及方法 Download PDFInfo
- Publication number
- CN117598674A CN117598674A CN202410097231.2A CN202410097231A CN117598674A CN 117598674 A CN117598674 A CN 117598674A CN 202410097231 A CN202410097231 A CN 202410097231A CN 117598674 A CN117598674 A CN 117598674A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature vector
- training
- parameter
- heart
- 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
- 230000004217 heart function Effects 0.000 title claims abstract description 63
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 294
- 239000008280 blood Substances 0.000 claims abstract description 99
- 210000004369 blood Anatomy 0.000 claims abstract description 99
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 98
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 98
- 239000001301 oxygen Substances 0.000 claims abstract description 98
- 230000036772 blood pressure Effects 0.000 claims abstract description 97
- 206010003119 arrhythmia Diseases 0.000 claims abstract description 29
- 230000006793 arrhythmia Effects 0.000 claims abstract description 29
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 153
- 230000004927 fusion Effects 0.000 claims description 41
- 230000000747 cardiac effect Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 208000019622 heart disease Diseases 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000002604 ultrasonography Methods 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
- A61B5/02—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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Optics & Photonics (AREA)
- Vascular Medicine (AREA)
- Probability & Statistics with Applications (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种多参数心脏功能监测系统及方法，涉及心脏功能监测领域。其首先将获取的心脏状态相关数据时间序列按照时间维度和参数样本维度进行数据规整以得到血压时序输入向量、血氧饱和度时序输入向量和心率时序输入向量，然后，通过基于深度神经网络模型的时序关联特征提取器分别对所述血压时序输入向量、所述血氧饱和度时序输入向量和所述心率时序输入向量进行特征提取，接着，将得到的血压时序关联特征向量、血氧饱和度时序关联特征向量和心率时序关联特征向量进行融合以得到心脏状态多参数时序关联特征，最后，基于所述心脏状态多参数时序关联特征，确定是否存在心律不齐。这样，可以辅助早期发现和处理患者的心脏问题。
Description
技术领域
本申请涉及心脏功能监测领域，且更为具体地，涉及一种多参数心脏功能监测系统及方法。
背景技术
心脏疾病是全球范围内的主要健康问题之一，及时监测和了解患者的心脏功能状况对于预防和治疗心脏疾病至关重要。心律不齐是一种常见的心脏疾病，指的是心脏搏动的节律或速度异常，可能导致心脏功能不全、血栓形成、脑卒中等严重并发症。目前，常用的心律不齐诊断方法有心电图、动态心电图、心脏超声等，但这些方法都存在一定的局限性，如需要患者到医院进行定期检查，同时依赖专业设备和人员，这限制了对心脏功能监测的效率和实时性。此外，传统的心脏功能监测系统通常是通过分别监测不同的心脏功能参数，并与阈值进行比较来实现心律不齐的监测和判断，这种方式并不能关注到不同心脏功能参数之间的相互性和关联关系，导致对于心律不齐的监测精度达不到要求，影响对于心脏功能的监测和对患者心脏疾病的预防。
因此，期望一种优化的多参数心脏功能监测系统及方法。
发明内容
有鉴于此，本申请提出了一种多参数心脏功能监测系统及方法，其可以通过患者对象佩戴的智能穿戴设备来实时监测采集心脏状态相关数据，并在后端引入数据处理和分析算法来进行这些心脏状态相关数据的时序协同关联分析，以此来判断该患者对象是否存在心律不齐的情况。
根据本申请的一方面，提供了一种多参数心脏功能监测系统，其包括：
心脏状态数据采集模块，用于获取由智能穿戴设备采集的被监控对象的心脏状态相关数据时间序列，其中，心脏状态相关数据包括血压值、血氧饱和度和心率值；
心脏状态数据规整模块，用于将所述心脏状态相关数据时间序列按照时间维度和参数样本维度进行数据规整以得到血压时序输入向量、血氧饱和度时序输入向量和心率时序输入向量；
心脏状态数据时序特征分析模块，用于通过基于深度神经网络模型的时序关联特征提取器分别对所述血压时序输入向量、所述血氧饱和度时序输入向量和所述心率时序输入向量进行特征提取以得到血压时序关联特征向量、血氧饱和度时序关联特征向量和心率时序关联特征向量；
心脏状态多参数时序关联编码模块，用于融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征；
心率检测模块，用于基于所述心脏状态多参数时序关联特征，确定是否存在心律不齐；
其中，所述心脏状态多参数时序关联编码模块，用于：使用维度稀疏特征融合模块以如下融合公式来融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征向量作为所述心脏状态多参数时序关联特征；
其中，所述融合公式为：
；
；
；
；
其中，为所述血压时序关联特征向量，/>为所述血氧饱和度时序关联特征向量，/>为所述心率时序关联特征向量，/>、/>和/>分别为所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量的转换矩阵，/>、/>和/>分别为所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量的类间散布向量，/>为所述心脏状态多参数时序关联特征向量。
在上述的多参数心脏功能监测系统中，所述基于深度神经网络模型的时序关联特征提取器为基于一维卷积层的时序关联特征提取器。
在上述的多参数心脏功能监测系统中，所述心率检测模块，用于：将所述心脏状态多参数时序关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在心律不齐。
在上述的多参数心脏功能监测系统中，还包括用于对所述基于一维卷积层的时序关联特征提取器、所述维度稀疏特征融合模块和所述分类器进行训练的训练模块。
在上述的多参数心脏功能监测系统中，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括由智能穿戴设备采集的被监控对象的训练心脏状态相关数据时间序列，以及，是否存在心律不齐的真实值，其中，所述训练心脏状态相关数据包括训练血压值、训练血氧饱和度和训练心率值；
训练心脏状态数据规整单元，用于将所述训练心脏状态相关数据时间序列按照时间维度和参数样本维度进行数据规整以得到训练血压时序输入向量、训练血氧饱和度时序输入向量和训练心率时序输入向量；
训练心脏状态数据时序特征分析单元，用于通过所述基于一维卷积层的时序关联特征提取器分别对所述训练血压时序输入向量、所述训练血氧饱和度时序输入向量和所述训练心率时序输入向量进行特征提取以得到训练血压时序关联特征向量、训练血氧饱和度时序关联特征向量和训练心率时序关联特征向量；
训练心脏状态多参数时序关联编码单元，用于使用所述维度稀疏特征融合模块来融合所述训练血压时序关联特征向量、所述训练血氧饱和度时序关联特征向量和所述训练心率时序关联特征向量以得到训练心脏状态多参数时序关联特征向量；
训练分类损失单元，用于将所述训练心脏状态多参数时序关联特征向量通过所述分类器以得到分类损失函数值；
损失训练单元，用于以所述分类损失函数值来对所述基于一维卷积层的时序关联特征提取器、所述维度稀疏特征融合模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练心脏状态多参数时序关联特征向量进行校正。
根据本申请的另一方面，提供了一种多参数心脏功能监测方法，其包括：
获取由智能穿戴设备采集的被监控对象的心脏状态相关数据时间序列，其中，心脏状态相关数据包括血压值、血氧饱和度和心率值；
将所述心脏状态相关数据时间序列按照时间维度和参数样本维度进行数据规整以得到血压时序输入向量、血氧饱和度时序输入向量和心率时序输入向量；
通过基于深度神经网络模型的时序关联特征提取器分别对所述血压时序输入向量、所述血氧饱和度时序输入向量和所述心率时序输入向量进行特征提取以得到血压时序关联特征向量、血氧饱和度时序关联特征向量和心率时序关联特征向量；
融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征；
基于所述心脏状态多参数时序关联特征，确定是否存在心律不齐；
其中，融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征，包括：使用维度稀疏特征融合模块以如下融合公式来融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征向量作为所述心脏状态多参数时序关联特征；
其中，所述融合公式为：
；
；
；
；
其中，为所述血压时序关联特征向量，/>为所述血氧饱和度时序关联特征向量，/>为所述心率时序关联特征向量，/>、/>和/>分别为所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量的转换矩阵，/>、/>和/>分别为所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量的类间散布向量，/>为所述心脏状态多参数时序关联特征向量。
在上述的多参数心脏功能监测方法中，所述基于深度神经网络模型的时序关联特征提取器为基于一维卷积层的时序关联特征提取器。
在本申请中，其首先将获取的心脏状态相关数据时间序列按照时间维度和参数样本维度进行数据规整以得到血压时序输入向量、血氧饱和度时序输入向量和心率时序输入向量，然后，通过基于深度神经网络模型的时序关联特征提取器分别对所述血压时序输入向量、所述血氧饱和度时序输入向量和所述心率时序输入向量进行特征提取，接着，将得到的血压时序关联特征向量、血氧饱和度时序关联特征向量和心率时序关联特征向量进行融合以得到心脏状态多参数时序关联特征，最后，基于所述心脏状态多参数时序关联特征，确定是否存在心律不齐。这样，可以辅助早期发现和处理患者的心脏问题。
根据下面参考附图对本申请的详细说明，本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
图1示出根据本申请的实施例的多参数心脏功能监测系统的框图。
图2示出根据本申请的实施例的多参数心脏功能监测方法的流程图。
图3示出根据本申请的实施例的多参数心脏功能监测方法的架构示意图。
图4示出根据本申请的实施例的多参数心脏功能监测系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好地说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
针对上述技术问题，本申请的技术构思为通过患者对象佩戴的智能穿戴设备来实时监测采集心脏状态相关数据，例如血压值、血氧饱和度和心率值，并在后端引入数据处理和分析算法来进行这些心脏状态相关数据的时序协同关联分析，以此来判断该患者对象是否存在心律不齐的情况。这样，能够通过患者心脏状态的多参数数据来综合判断该患者是否存在心脏功能异常的情况，从而帮助医生和患者能够及时了解患者的心脏功能状况，有助于辅助早期发现和处理患者的心脏问题。
图1示出根据本申请的实施例的多参数心脏功能监测系统的框图示意图。如图1所示，根据本申请实施例的多参数心脏功能监测系统100，包括：心脏状态数据采集模块110，用于获取由智能穿戴设备采集的被监控对象的心脏状态相关数据时间序列，其中，心脏状态相关数据包括血压值、血氧饱和度和心率值；心脏状态数据规整模块120，用于将所述心脏状态相关数据时间序列按照时间维度和参数样本维度进行数据规整以得到血压时序输入向量、血氧饱和度时序输入向量和心率时序输入向量；心脏状态数据时序特征分析模块130，用于通过基于深度神经网络模型的时序关联特征提取器分别对所述血压时序输入向量、所述血氧饱和度时序输入向量和所述心率时序输入向量进行特征提取以得到血压时序关联特征向量、血氧饱和度时序关联特征向量和心率时序关联特征向量；心脏状态多参数时序关联编码模块140，用于融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征；以及，心率检测模块150，用于基于所述心脏状态多参数时序关联特征，确定是否存在心律不齐。
应可以理解，心脏状态数据规整模块120将心脏状态相关数据时间序列按照时间维度和参数样本维度进行数据规整，这样可以将原始数据整理成适合后续处理的格式。心脏状态数据时序特征分析模块130通过提取血压时序输入向量、血氧饱和度时序输入向量和心率时序输入向量的特征，可以捕捉到数据中的关键模式和趋势，得到血压时序关联特征向量、血氧饱和度时序关联特征向量和心率时序关联特征向量。心脏状态多参数时序关联编码模块140可以将不同参数之间的关联信息进行编码，提供更全面和综合的心脏状态分析。心率检测模块150通过分析心脏状态的特征，可以检测到心率的异常情况，例如心律不齐，这对于及时发现和监测心脏疾病或其他相关问题非常重要。这些模块共同组成了多参数心脏功能监测系统100，通过采集、规整、特征提取和关联编码等步骤，可以对心脏状态进行全面的监测和分析，提供有关血压、血氧饱和度和心率等参数的时序关联特征，帮助识别心脏问题并提供相关的医疗辅助决策。
具体地，在本申请的技术方案中，首先，获取由智能穿戴设备采集的被监控对象的心脏状态相关数据时间序列，其中，所述心脏状态相关数据包括血压值、血氧饱和度和心率值。接着，考虑到由于所述心脏状态相关数据中的血压值、血氧饱和度和心率值都在时间维度上都具有着时序的动态变化规律。因此，为了能够对于这些心脏状态相关数据中的各个数据参数进行时序分析和关联，在本申请的技术方案中，需要先将所述心脏状态相关数据时间序列按照时间维度和参数样本维度进行数据规整以得到血压时序输入向量、血氧饱和度时序输入向量和心率时序输入向量，以此来分别整合所述心脏状态相关数据中的各个参数项的时序分布信息。
然后，将所述血压时序输入向量、所述血氧饱和度时序输入向量和所述心率时序输入向量分别通过基于一维卷积层的时序关联特征提取器中进行特征挖掘，以分别提取出所述血压值、所述血氧饱和度和所述心率值在时间维度上的时序关联特征信息，从而得到血压时序关联特征向量、血氧饱和度时序关联特征向量和心率时序关联特征向量。
相应地，在所述心脏状态数据时序特征分析模块130中，所述基于深度神经网络模型的时序关联特征提取器为基于一维卷积层的时序关联特征提取器。值得一提的是，一维卷积层是深度神经网络中常用的一种层类型，用于处理具有时序结构的数据，它在时序数据的一个维度上应用卷积操作，通过学习局部特征和模式来捕捉数据中的时序关联信息。一维卷积层的工作原理类似于二维卷积层，但是在处理时序数据时只在一个维度上进行卷积操作。它使用一个滑动窗口（卷积核）在时序数据上滑动，并在每个位置上进行元素乘积和求和运算。这样可以从局部区域提取特征，并通过多个卷积核学习不同的特征表示。一维卷积层在时序数据分析中具有以下用途：1.特征提取：通过卷积操作，一维卷积层可以自动学习数据中的局部模式和特征，它可以捕捉到时序数据中的变化、趋势和周期性等特征，从而提供更高级别的表示。2.降维：一维卷积层可以通过卷积核的数量和大小的设置来控制输出特征的维度。通过适当选择卷积核的数量和大小，可以将输入数据的维度降低，减少模型的复杂性和计算量。3.时序关联建模：一维卷积层可以对时序数据中的时序关联进行建模。通过学习卷积核的权重，它可以捕捉到不同时间步之间的依赖关系，从而提取时序数据的关联特征。在心脏状态数据时序特征分析模块130中，基于一维卷积层的时序关联特征提取器利用一维卷积层来处理血压、血氧饱和度和心率等时序数据。它能够自动学习这些数据中的时序模式和关联特征，从而提取出有用的特征表示，用于后续的分析和编码。通过使用一维卷积层，可以有效地捕捉到心脏状态数据中的时序关联信息，帮助识别和分析心脏问题。
应可以理解，在多参数心脏功能监测系统中，血压、血氧饱和度和心率等参数都可以提供有关患者心脏功能的重要信息。然而，单独使用每个参数的时序关联特征向量可能无法充分捕捉到心脏状态的全貌。因此，为了将心脏状态相关数据中的不同参数的时序关联特征向量进行融合，以获得有关于心脏状态的更高维度和更全面的特征表示，在本申请的技术方案中，进一步使用维度稀疏特征融合模块来融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征向量。应可以理解，通过使用维度稀疏特征融合模块来融合血压、血氧饱和度和心率参数的时序关联特征向量，可以将它们之间的时序关联性和相互作用考虑在内，从而提供更准确和全面的心脏状态特征。这样，可以更好地反映患者的心脏功能状况，为后续的分类和分析提供更有价值的信息。
相应地，所述心脏状态多参数时序关联编码模块140，用于：使用维度稀疏特征融合模块来融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征向量作为所述心脏状态多参数时序关联特征。
应可以理解，维度稀疏特征融合模块是心脏状态多参数时序关联编码模块中的一个组成部分，它用于将血压时序关联特征向量、血氧饱和度时序关联特征向量和心率时序关联特征向量进行融合，以得到心脏状态多参数时序关联特征向量。维度稀疏特征融合模块的目的是在保留重要信息的同时，减少特征维度。它可以通过以下方式实现：1.特征选择：维度稀疏特征融合模块可以对输入的特征向量进行选择，只保留与目标任务相关的重要特征。这样可以减少特征维度，提高计算效率，并且有助于减少过拟合的风险。2.特征加权：维度稀疏特征融合模块可以对不同特征向量进行加权，以调整它们在融合结果中的贡献程度。这样可以根据特征的重要性进行自适应的特征融合，提高模型的表达能力和性能。3.特征组合：维度稀疏特征融合模块可以将不同特征向量进行组合，生成新的特征表示。这样可以捕捉到不同特征之间的交互关系和互补性，提供更丰富和综合的特征表示。通过维度稀疏特征融合模块的操作，可以将血压、血氧饱和度和心率等多个参数的时序关联特征向量融合成一个综合的心脏状态多参数时序关联特征向量。这个融合后的特征向量将包含更全面和综合的信息，有助于提高对心脏状态的分析和判断。同时，维度稀疏特征融合模块的特征选择和加权等操作可以帮助提高模型的效率和准确性。
具体地，在一个示例中，所述心脏状态多参数时序关联编码模块140，用于：使用维度稀疏特征融合模块以如下融合公式来融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到所述心脏状态多参数时序关联特征向量；其中，所述融合公式为：
；
；
；
；
其中，为所述血压时序关联特征向量，/>为所述血氧饱和度时序关联特征向量，/>为所述心率时序关联特征向量，/>、/>和/>分别为所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量的转换矩阵，/>、/>和/>分别为所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量的类间散布向量，/>为所述心脏状态多参数时序关联特征向量。
继而，再将所述心脏状态多参数时序关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在心律不齐。也就是说，利用患者对象的心脏状态多参数时序协同关联特征信息来进行分类处理，以此来判断该患者对象是否存在心律不齐的情况。这样，能够通过患者心脏状态的多参数数据来综合判断该患者是否存在心脏功能异常的情况，从而帮助医生和患者能够及时了解患者的心脏功能状况，有助于辅助早期发现和处理患者的心脏问题。
相应地，所述心率检测模块150，用于：将所述心脏状态多参数时序关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在心律不齐。具体地，在一个示例中，所述心率检测模块150，进一步用于：使用所述分类器的全连接层对所述心脏状态多参数时序关联特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本申请的技术方案中，所述分类器的标签包括存在心律不齐(第一标签)，以及，不存在心律不齐(第二标签)，其中，所述分类器通过软最大值函数来确定所述心脏状态多参数时序关联特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否存在心律不齐”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否存在心律不齐的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否存在心律不齐”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM（SupportVector Machine，支持向量机）等常用于解决二分类问题，对于多分类问题（multi-classclassification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
进一步地，在本申请的技术方案中，所述的多参数心脏功能监测系统，其还包括用于对所述基于一维卷积层的时序关联特征提取器、所述维度稀疏特征融合模块和所述分类器进行训练的训练模块。应可以理解，训练模块在多参数心脏功能监测系统中扮演着关键的角色，它用于对基于一维卷积层的时序关联特征提取器、维度稀疏特征融合模块和分类器进行训练。训练模块的主要作用如下：1.模型参数学习：训练模块通过使用已标记的训练数据，对模型中的各个组件（如一维卷积层、维度稀疏特征融合模块和分类器）的参数进行学习。这包括调整参数的权重和偏置，以使模型能够更好地适应训练数据，并提高对心脏状态的预测能力。2.特征表示学习：训练模块通过训练过程中的优化算法，帮助模型学习如何从原始的时序数据中提取有用的特征表示。一维卷积层和维度稀疏特征融合模块的参数会根据训练数据的特征分布进行调整，以最大程度地捕捉到数据中的模式和关联信息。3.模型性能优化：训练模块通过监督学习的方式，根据训练数据的标签信息来评估模型的性能，并通过优化算法来最小化预测结果与真实标签之间的差距。这样可以提高模型的准确性、鲁棒性和泛化能力，使其能够更好地应用于未见过的测试数据。通过训练模块的训练过程，各个组件的参数将被调整到最佳状态，从而使多参数心脏功能监测系统能够更准确地分析和预测心脏状态。训练模块的训练过程通常需要大量的标记数据和适当的优化算法，以确保模型能够从数据中学习到有用的知识和规律。
其中，在一个示例中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括由智能穿戴设备采集的被监控对象的训练心脏状态相关数据时间序列，以及，是否存在心律不齐的真实值，其中，所述训练心脏状态相关数据包括训练血压值、训练血氧饱和度和训练心率值；训练心脏状态数据规整单元，用于将所述训练心脏状态相关数据时间序列按照时间维度和参数样本维度进行数据规整以得到训练血压时序输入向量、训练血氧饱和度时序输入向量和训练心率时序输入向量；训练心脏状态数据时序特征分析单元，用于通过所述基于一维卷积层的时序关联特征提取器分别对所述训练血压时序输入向量、所述训练血氧饱和度时序输入向量和所述训练心率时序输入向量进行特征提取以得到训练血压时序关联特征向量、训练血氧饱和度时序关联特征向量和训练心率时序关联特征向量；训练心脏状态多参数时序关联编码单元，用于使用所述维度稀疏特征融合模块来融合所述训练血压时序关联特征向量、所述训练血氧饱和度时序关联特征向量和所述训练心率时序关联特征向量以得到训练心脏状态多参数时序关联特征向量；训练分类损失单元，用于将所述训练心脏状态多参数时序关联特征向量通过所述分类器以得到分类损失函数值；以及，损失训练单元，用于以所述分类损失函数值来对所述基于一维卷积层的时序关联特征提取器、所述维度稀疏特征融合模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练心脏状态多参数时序关联特征向量进行校正。
在本申请的技术方案中，所述训练血压时序关联特征向量、所述训练血氧饱和度时序关联特征向量和所述训练心率时序关联特征向量分别表达训练血压值、训练血氧饱和度和训练心率值的局部时序关联特征，因此，其分别表达不同子心脏状态相关数据模式下对应的时序关联特征。但是，考虑到所述训练血压值、所述训练血氧饱和度和所述训练心率值在时间序列上的局部时序特征分布的不均衡性，所述训练血压时序关联特征向量、所述训练血氧饱和度时序关联特征向量和所述训练心率时序关联特征向量之间也会具有跨样本空间的时序关联特征分布信息差异，由此，虽然使用维度稀疏特征融合模块来融合所述训练血压时序关联特征向量、所述训练血氧饱和度时序关联特征向量和所述训练心率时序关联特征向量时，可以将各自的特征分布映射到同一稀疏化的高维特征空间内，但是其在所述训练高维空间内各自对应的局部特征分布仍然会使得所述训练心脏状态多参数时序关联特征向量具有异分布时序信息博弈离散化，从而影响所述训练心脏状态多参数时序关联特征向量通过分类器的分类训练。
基于此，本申请的申请人优选地在所述训练心脏状态多参数时序关联特征向量每次通过分类器进行迭代训练时，对所述训练心脏状态多参数时序关联特征向量进行校正。
相应地，在一个示例中，在所述训练的每一轮迭代中，以如下校正公式对所述训练心脏状态多参数时序关联特征向量进行校正以得到校正后的训练心脏状态多参数时序关联特征向量；其中，所述校正公式为：
；
其中，是所述训练心脏状态多参数时序关联特征向量的第/>个特征值，/>是所述训练心脏状态多参数时序关联特征向量的第（i-j）个位置的特征值，且/>是尺度超参数，表示以2为底的对数函数，/>是所述校正后的训练心脏状态多参数时序关联特征向量的第/>个特征值。
具体地，当所述训练心脏状态多参数时序关联特征向量通过分类器进行迭代训练时，训练时所述分类器的权重矩阵将作用于所述训练心脏状态多参数时序关联特征向量上，由于所述权重矩阵本身的致密特性，会使得所述训练心脏状态多参数时序关联特征向量的各个位置的特征值之间的异分布时序信息博弈离散化产生大规模信息博弈，导致分类解无法在博弈基础上收敛到纳什均衡，尤其是在存在以各自样本空间下的时序特征分布为基础的大规模非完美博弈离散化信息的情况下，这样，通过基于所述训练心脏状态多参数时序关联特征向量的向量信息自控均衡邻域对所述训练心脏状态多参数时序关联特征向量进行信息博弈均衡化的等效收敛，可以通过特征值在局部邻域内的自博弈来促进收敛，从而提高所述训练心脏状态多参数时序关联特征向量通过分类器的训练效果。这样，能够通过患者心脏状态的多参数数据来综合判断该患者是否存在心脏功能异常的情况，从而帮助医生和患者能够及时了解患者的心脏功能状况，有助于辅助早期发现和处理患者的心脏问题。
综上，基于本申请实施例的多参数心脏功能监测系统100被阐明，其可以辅助早期发现和处理患者的心脏问题。
如上所述，根据本申请实施例的所述多参数心脏功能监测系统100可以实现在各种终端设备中，例如具有多参数心脏功能监测算法的服务器等。在一个示例中，多参数心脏功能监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该多参数心脏功能监测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该多参数心脏功能监测系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该多参数心脏功能监测系统100与该终端设备也可以是分立的设备，并且该多参数心脏功能监测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图2示出根据本申请的实施例的多参数心脏功能监测方法的流程图。图3示出根据本申请的实施例的多参数心脏功能监测方法的系统架构的示意图。如图2和图3所示，根据本申请实施例的多参数心脏功能监测方法，其包括：S110，获取由智能穿戴设备采集的被监控对象的心脏状态相关数据时间序列，其中，所述心脏状态相关数据包括血压值、血氧饱和度和心率值；S120，将所述心脏状态相关数据时间序列按照时间维度和参数样本维度进行数据规整以得到血压时序输入向量、血氧饱和度时序输入向量和心率时序输入向量；S130，通过基于深度神经网络模型的时序关联特征提取器分别对所述血压时序输入向量、所述血氧饱和度时序输入向量和所述心率时序输入向量进行特征提取以得到血压时序关联特征向量、血氧饱和度时序关联特征向量和心率时序关联特征向量；S140，融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征；以及，S150，基于所述心脏状态多参数时序关联特征，确定是否存在心律不齐。
在一种可能的实现方式中，所述基于深度神经网络模型的时序关联特征提取器为基于一维卷积层的时序关联特征提取器。
在一种可能的实现方式中，融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征，包括：使用维度稀疏特征融合模块来融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征向量作为所述心脏状态多参数时序关联特征。
这里，本领域技术人员可以理解，上述多参数心脏功能监测方法中的各个步骤的具体操作已经在上面参考图1的多参数心脏功能监测系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图4示出根据本申请的实施例的多参数心脏功能监测系统的应用场景图。如图4所示，在该应用场景中，首先，获取由智能穿戴设备采集的被监控对象的心脏状态相关数据时间序列（例如，图4中所示意的D），其中，所述心脏状态相关数据包括血压值、血氧饱和度和心率值，然后，将所述心脏状态相关数据时间序列输入至部署有多参数心脏功能监测算法的服务器（例如，图4中所示意的S）中，其中，所述服务器能够使用所述多参数心脏功能监测算法对所述心脏状态相关数据时间序列进行处理以得到用于表示是否存在心律不齐的分类结果。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器，上述计算机程序指令可由装置的处理组件执行以完成上述方法。
本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种多参数心脏功能监测系统，其特征在于，包括：
心脏状态数据采集模块，用于获取由智能穿戴设备采集的被监控对象的心脏状态相关数据时间序列，其中，心脏状态相关数据包括血压值、血氧饱和度和心率值；
心脏状态数据规整模块，用于将所述心脏状态相关数据时间序列按照时间维度和参数样本维度进行数据规整以得到血压时序输入向量、血氧饱和度时序输入向量和心率时序输入向量；
心脏状态数据时序特征分析模块，用于通过基于深度神经网络模型的时序关联特征提取器分别对所述血压时序输入向量、所述血氧饱和度时序输入向量和所述心率时序输入向量进行特征提取以得到血压时序关联特征向量、血氧饱和度时序关联特征向量和心率时序关联特征向量；
心脏状态多参数时序关联编码模块，用于融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征；
心率检测模块，用于基于所述心脏状态多参数时序关联特征，确定是否存在心律不齐；
其中，所述心脏状态多参数时序关联编码模块，用于：使用维度稀疏特征融合模块以如下融合公式来融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征向量作为所述心脏状态多参数时序关联特征；
其中，所述融合公式为：
；
；
；
；
其中，为所述血压时序关联特征向量，/>为所述血氧饱和度时序关联特征向量，/>为所述心率时序关联特征向量，/>、/>和/>分别为所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量的转换矩阵，/>、/>和/>分别为所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量的类间散布向量，/>为所述心脏状态多参数时序关联特征向量。
2.根据权利要求1所述的多参数心脏功能监测系统，其特征在于，所述基于深度神经网络模型的时序关联特征提取器为基于一维卷积层的时序关联特征提取器。
3.根据权利要求2所述的多参数心脏功能监测系统，其特征在于，所述心率检测模块，用于：将所述心脏状态多参数时序关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在心律不齐。
4.根据权利要求3所述的多参数心脏功能监测系统，其特征在于，还包括用于对所述基于一维卷积层的时序关联特征提取器、所述维度稀疏特征融合模块和所述分类器进行训练的训练模块。
5.根据权利要求4所述的多参数心脏功能监测系统，其特征在于，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括由智能穿戴设备采集的被监控对象的训练心脏状态相关数据时间序列，以及，是否存在心律不齐的真实值，其中，所述训练心脏状态相关数据包括训练血压值、训练血氧饱和度和训练心率值；
训练心脏状态数据规整单元，用于将所述训练心脏状态相关数据时间序列按照时间维度和参数样本维度进行数据规整以得到训练血压时序输入向量、训练血氧饱和度时序输入向量和训练心率时序输入向量；
训练心脏状态数据时序特征分析单元，用于通过所述基于一维卷积层的时序关联特征提取器分别对所述训练血压时序输入向量、所述训练血氧饱和度时序输入向量和所述训练心率时序输入向量进行特征提取以得到训练血压时序关联特征向量、训练血氧饱和度时序关联特征向量和训练心率时序关联特征向量；
训练心脏状态多参数时序关联编码单元，用于使用所述维度稀疏特征融合模块来融合所述训练血压时序关联特征向量、所述训练血氧饱和度时序关联特征向量和所述训练心率时序关联特征向量以得到训练心脏状态多参数时序关联特征向量；
训练分类损失单元，用于将所述训练心脏状态多参数时序关联特征向量通过所述分类器以得到分类损失函数值；
损失训练单元，用于以所述分类损失函数值来对所述基于一维卷积层的时序关联特征提取器、所述维度稀疏特征融合模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练心脏状态多参数时序关联特征向量进行校正。
6.一种多参数心脏功能监测方法，其特征在于，包括：
获取由智能穿戴设备采集的被监控对象的心脏状态相关数据时间序列，其中，心脏状态相关数据包括血压值、血氧饱和度和心率值；
将所述心脏状态相关数据时间序列按照时间维度和参数样本维度进行数据规整以得到血压时序输入向量、血氧饱和度时序输入向量和心率时序输入向量；
通过基于深度神经网络模型的时序关联特征提取器分别对所述血压时序输入向量、所述血氧饱和度时序输入向量和所述心率时序输入向量进行特征提取以得到血压时序关联特征向量、血氧饱和度时序关联特征向量和心率时序关联特征向量；
融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征；
基于所述心脏状态多参数时序关联特征，确定是否存在心律不齐；
其中，融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征，包括：使用维度稀疏特征融合模块以如下融合公式来融合所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量以得到心脏状态多参数时序关联特征向量作为所述心脏状态多参数时序关联特征；
其中，所述融合公式为：
；
；
；
；
其中，为所述血压时序关联特征向量，/>为所述血氧饱和度时序关联特征向量，/>为所述心率时序关联特征向量，/>、/>和/>分别为所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量的转换矩阵，/>、/>和/>分别为所述血压时序关联特征向量、所述血氧饱和度时序关联特征向量和所述心率时序关联特征向量的类间散布向量，/>为所述心脏状态多参数时序关联特征向量。
7.根据权利要求6所述的多参数心脏功能监测方法，其特征在于，所述基于深度神经网络模型的时序关联特征提取器为基于一维卷积层的时序关联特征提取器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410097231.2A CN117598674B (zh) | 2024-01-24 | 2024-01-24 | 多参数心脏功能监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410097231.2A CN117598674B (zh) | 2024-01-24 | 2024-01-24 | 多参数心脏功能监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117598674A true CN117598674A (zh) | 2024-02-27 |
| CN117598674B CN117598674B (zh) | 2024-04-12 |
Family
ID=89960244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410097231.2A Active CN117598674B (zh) | 2024-01-24 | 2024-01-24 | 多参数心脏功能监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117598674B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001085019A2 (en) * | 2000-05-09 | 2001-11-15 | Cardionetics Limited | Heart monitoring apparatus and method |
| CN109788923A (zh) * | 2016-08-02 | 2019-05-21 | 美敦力公司 | 用于提示物理动作以测量植入式设备中的生理响应的移动应用程序 |
| CN114616628A (zh) * | 2019-07-18 | 2022-06-10 | 费斯科有限公司 | 用于改善人的心血管健康的系统和方法 |
| CN115515476A (zh) * | 2020-05-01 | 2022-12-23 | 国立研究开发法人理化学研究所 | 医疗系统以及医疗信息处理装置 |
| CN115563484A (zh) * | 2022-11-08 | 2023-01-03 | 东南大学 | 一种基于生理唤醒识别的街道绿化品质检测方法 |
| CN115624321A (zh) * | 2022-11-08 | 2023-01-20 | 深圳市鑫一代科技有限公司 | 一种台式健康监测仪 |
| CN116036639A (zh) * | 2023-02-28 | 2023-05-02 | 福建省龙德新能源有限公司 | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 |
| CN116098595A (zh) * | 2023-01-16 | 2023-05-12 | 广东海纳医疗科技有限公司 | 一种心源性及脑源性猝死监测预防系统和方法 |
| CN116234497A (zh) * | 2020-09-30 | 2023-06-06 | 心道乐科技股份有限公司 | 用于检测和/或预测心脏事件的心电图处理系统 |
| CN116310565A (zh) * | 2023-03-23 | 2023-06-23 | 江西中翔健康产业有限公司 | 尿频尿急的中药制作方法及装置 |
| WO2023184598A1 (zh) * | 2022-03-31 | 2023-10-05 | 胡冠彤 | 基于人工智能的心脏模拟器数据矫正系统和方法 |
| CN117379016A (zh) * | 2023-12-11 | 2024-01-12 | 吉林省牛人网络科技股份有限公司 | 用于肉牛养殖的远程监控系统及其方法 |
| CN117438024A (zh) * | 2023-12-15 | 2024-01-23 | 吉林大学 | 急诊病人体征数据的智能采集分析系统及方法 |
-
2024
- 2024-01-24 CN CN202410097231.2A patent/CN117598674B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001085019A2 (en) * | 2000-05-09 | 2001-11-15 | Cardionetics Limited | Heart monitoring apparatus and method |
| CN109788923A (zh) * | 2016-08-02 | 2019-05-21 | 美敦力公司 | 用于提示物理动作以测量植入式设备中的生理响应的移动应用程序 |
| CN114616628A (zh) * | 2019-07-18 | 2022-06-10 | 费斯科有限公司 | 用于改善人的心血管健康的系统和方法 |
| CN115515476A (zh) * | 2020-05-01 | 2022-12-23 | 国立研究开发法人理化学研究所 | 医疗系统以及医疗信息处理装置 |
| CN116234497A (zh) * | 2020-09-30 | 2023-06-06 | 心道乐科技股份有限公司 | 用于检测和/或预测心脏事件的心电图处理系统 |
| WO2023184598A1 (zh) * | 2022-03-31 | 2023-10-05 | 胡冠彤 | 基于人工智能的心脏模拟器数据矫正系统和方法 |
| CN115563484A (zh) * | 2022-11-08 | 2023-01-03 | 东南大学 | 一种基于生理唤醒识别的街道绿化品质检测方法 |
| CN115624321A (zh) * | 2022-11-08 | 2023-01-20 | 深圳市鑫一代科技有限公司 | 一种台式健康监测仪 |
| CN116098595A (zh) * | 2023-01-16 | 2023-05-12 | 广东海纳医疗科技有限公司 | 一种心源性及脑源性猝死监测预防系统和方法 |
| CN116036639A (zh) * | 2023-02-28 | 2023-05-02 | 福建省龙德新能源有限公司 | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 |
| CN116310565A (zh) * | 2023-03-23 | 2023-06-23 | 江西中翔健康产业有限公司 | 尿频尿急的中药制作方法及装置 |
| CN117379016A (zh) * | 2023-12-11 | 2024-01-12 | 吉林省牛人网络科技股份有限公司 | 用于肉牛养殖的远程监控系统及其方法 |
| CN117438024A (zh) * | 2023-12-15 | 2024-01-23 | 吉林大学 | 急诊病人体征数据的智能采集分析系统及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
| CN117598700B (zh) * | 2024-01-23 | 2024-03-29 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117598674B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A high-precision arrhythmia classification method based on dual fully connected neural network | |
| Chitra et al. | Heart disease prediction system using supervised learning classifier | |
| CN117598674B (zh) | 多参数心脏功能监测系统及方法 | |
| Mansour et al. | Internet of things and synergic deep learning based biomedical tongue color image analysis for disease diagnosis and classification | |
| Begum et al. | Classification of physiological signals for wheel loader operators using multi-scale entropy analysis and case-based reasoning | |
| Parisi et al. | Evolutionary denoising-based machine learning for detecting knee disorders | |
| Prakash et al. | A system for automatic cardiac arrhythmia recognition using electrocardiogram signal | |
| CN117476214A (zh) | 一种基于医院信息的数据治理方法和系统 | |
| CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
| Carvalho et al. | COVID-19 diagnosis in CT images using CNN to extract features and multiple classifiers | |
| Kumar et al. | A Comparison of Supervised Learning Algorithms to Prediction Heart Disease | |
| Likitha et al. | Heart Disease Detection using Machine Learning Technique | |
| Sanz et al. | A decision tree based approach with sampling techniques to predict the survival status of poly-trauma patients | |
| Patil et al. | Impact of K-Means on the performance of classifiers for labeled data | |
| CN117643461B (zh) | 基于人工智能的心率智能监测系统及方法 | |
| Sivagami | Supervised learning approach for breast cancer classification | |
| Vetrithangam et al. | Multi disease prediction based on combined deep reinforcement Boltzmann machines | |
| Sarankumar et al. | Bidirectional gated recurrent unit with auto encoders for detecting arrhythmia using ECG data | |
| Ramasamy et al. | A novel Adaptive Neural Network-Based Laplacian of Gaussian (AnLoG) classification algorithm for detecting diabetic retinopathy with colour retinal fundus images | |
| CN117577270B (zh) | 患者的智能化营养管理方法及系统 | |
| Prabha et al. | A Novel Analysis and Detection of Autism Spectrum Disorder in Artificial Intelligence Using Hybrid Machine Learning | |
| CN117831743A (zh) | 基于物联网技术的居家养老健康监测管理系统及方法 | |
| Ratawal et al. | Medical Diagnostic Systems Using Artificial Intelligence (AI) Algorithms | |
| Goel et al. | Comparative Analysis of Single Classifier Models against Aggregated Fusion Models for Heart Disease Prediction | |
| Ahamed et al. | Spatiotemporal Ground Reaction Force Analysis using Convolutional Neural Networks to Analyze Parkinsonian Gait |
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 |