CN117813040A - 基于动脉血压小波变换的低血压预测装置、方法及其低血压预测模型的训练方法 - Google Patents

基于动脉血压小波变换的低血压预测装置、方法及其低血压预测模型的训练方法 Download PDF

Info

Publication number
CN117813040A
CN117813040A CN202280055927.8A CN202280055927A CN117813040A CN 117813040 A CN117813040 A CN 117813040A CN 202280055927 A CN202280055927 A CN 202280055927A CN 117813040 A CN117813040 A CN 117813040A
Authority
CN
China
Prior art keywords
hypotension
training
blood pressure
data
arterial blood
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202280055927.8A
Other languages
English (en)
Inventor
金成勋
朴容爽
金俊泰
黄唯真
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guo Liaizhongxin
Asan Foundation
University of Ulsan Foundation for Industry Cooperation
Original Assignee
Guo Liaizhongxin
Asan Foundation
University of Ulsan Foundation for Industry Cooperation
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guo Liaizhongxin, Asan Foundation, University of Ulsan Foundation for Industry Cooperation filed Critical Guo Liaizhongxin
Publication of CN117813040A publication Critical patent/CN117813040A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/05—Surgical care

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Vascular Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于动脉血压小波变换的低血压预测装置、方法以及低血压预测模型的训练方法，所述装置接收受试者的动脉血压数据，根据所述动脉血压数据的每一测定区间的变化，使用低血压预测模型来判断所述受试者是否低血压。

Description

基于动脉血压小波变换的低血压预测装置、方法及其低血压 预测模型的训练方法
技术领域
本发明涉及一种基于动脉血压小波变换(arterial pressure wavelettransform)的低血压预测装置、方法及其低血压预测模型的训练方法。
背景技术
手术期间发生低血压是由多种原因，如出血导致的有效血容量不足、心血管疾病或麻醉剂导致的心肌收缩力下降以及败血症或其他药物导致的血管阻力下降等单独或共同作用产生的。其中，全身麻醉患者因出血或脱水导致的有效血容量不足被认为是手术期间低血压的最主要原因。
然而，传统的低血压预测方法是通过定义特定特征值(feature)或监测原始动脉血压(arterial blood pressure，ABP)值来预测低血压，因此存在无法反映血压变化趋势的问题，而血压变化趋势是与低血压原因直接相关的最重要信息。
发明内容
技术问题
本发明的目的是基于包含血压变化趋势信息的压缩动脉血压(ABP)数据的每一测定区间(interval)的变化，来判断是否低血压。
本发明并不局限于上述内容，本领域技术人员可以在以下详细说明和效果容易推论出的范围内，进一步了解本发明未明示的其他目的。
解决问题的手段
根据本发明的一方面，本发明提供了一种用于预测受试者低血压的装置，该装置包括：存储器，用于存储预训练的低血压预测模型；以及处理器，用于根据输入的所述受试者的动脉血压数据的每一测定区间的变化，使用所述低血压预测模型来判断所述受试者是否低血压。
其中，所述低血压预测模型可以使用训练动脉血压数据作为训练数据，并使用所述训练动脉血压数据的多个区间中的每一区间是否发生低血压作为标签来进行训练。
其中，所述低血压预测模型可以包括：第一层，该第一层被训练以提取每一区间的趋势数据，同时对所述训练动脉血压数据执行小波变换(wavelet transform)以压缩(compress)所述训练动脉血压数据；以及子序列数据生成模块(a shapelet datageneration module)，用于根据行为将每一所述趋势数据生成为子序列数据。
其中，所述低血压预测模型可以使用在所述第一层学到的训练参数对所述训练动脉血压数据进行低通滤波来进行训练。
其中，所述低血压预测模型可以包括：第二层，该第二层被训练以在所述训练动脉血压数据的多个区间中为低血压预测所需的训练区间分配权重；以及第三层，该第三层被训练以根据分配的所述权重来计算所述训练区间的子序列数据与所述趋势数据之间的相似度特征值。
其中，所述处理器可以用于将所述受试者的动脉血压数据输入至所述低血压预测模型，以计算所述动脉血压数据的测定区间中每一区间的趋势数据与所述子序列数据生成模块产生的所述训练的子序列数据之间的相似度。
所述处理器可以用于针对计算出的受试者的动脉血压数据的多个区间中的每一区间的所述趋势数据的相似度，使用逻辑回归层计算低血压发生概率。
根据本发明另一方面，本发明提供了一种由处理器执行的低血压预测模型训练方法，包括以下步骤：输入训练动脉血压数据；训练低血压预测模块以提取每一区间的趋势数据，同时对所述训练动脉血压数据执行小波变换以压缩所述训练动脉血压数据；以及根据行为将每一所述趋势数据生成为子序列数据。
其中，训练低血压预测模块以提取每一区间的趋势数据的步骤可以包括以下步骤：更新在第一层训练的训练参数以对所述训练动脉血压数据进行低通滤波。
此外，所述低血压预测模型训练方法还可以包括以下步骤：训练低血压预测模型，以在多个区间中为低血压预测所需的训练区间分配权重；以及训练低血压预测模型，以根据分配的所述权重来计算所述训练区间的子序列数据与所述趋势数据之间的相似度特征值。
根据本发明另一实施方式，本发明提供了一种受试者的低血压预测方法，包括以下步骤：接收受试者的动脉血压数据；以及根据所述动脉血压数据的每一测定区间的变化，使用低血压预测模型来判断所述受试者是否低血压。
其中，所述低血压预测模型可以使用训练动脉血压数据作为训练数据，并使用所述训练动脉血压数据的多个区间中的每一区间是否发生低血压作为标签来进行训练。
其中，判断所述受试者是否低血压可以包括以下步骤：将所述受试者的动脉血压数据输入至所述低血压预测模型，并计算所述动脉血压数据的测定区间中每一区间的趋势数据与训练的子序列数据之间的相似度。
其中，判断所述受试者是否低血压可以包括以下步骤：针对计算出的测定区间中的每一区间的所述趋势数据的相似度，使用逻辑回归层计算低血压发生概率。
此外，还提供了一种存储有计算机程序的非临时计算机可读记录介质，其包括用于处理器执行低血压预测方法的指令，所述方法包括以下步骤：接收受试者的动脉血压数据；以及根据所述动脉血压数据的每一测定区间的变化，使用低血压预测模型来判断所述受试者是否低血压。
此外，还提供了一种存储在非临时计算机可读存储介质中的计算机程序，其包括用于执行低血压预测方法的指令，所述方法包括以下步骤：接收受试者的动脉血压数据；以及根据所述动脉血压数据的每一测定区间的变化，使用低血压预测模型来判断所述受试者是否低血压。
发明的效果
如上所述，根据本公开的实施方式，可以使用包含血压总体变化趋势信息的压缩动脉血压(ABP)数据来判断是否低血压。
此外，可以根据包含血压总体变化趋势信息的压缩动脉血压(ABP)数据的每一测定区间的变化来判断是否低血压，以便通过将手术期间发生低血压的这些变化与一般形式进行比较来提供适当的治疗。
在以下说明书中描述的效果以及本公开的技术特征所预期的潜在效果，即使在此未明确提及，也视同已在本公开的说明书中描述。
图式简单说明
图1是根据本发明一实施方式的用于预测低血压的装置的示意图；
图2是根据本发明一实施方式的用于预测低血压的方法的流程图；
图3是根据本发明一实施方式的低血压预测模型训练方法的流程图；
图4至图7是示出根据本发明一实施方式的低血压预测模型的示例性结构图；
图8和图9是示出根据本发明一实施方式的对训练动脉血压数据执行小波变换的过程图；
图10是根据本发明一实施方式的生成子序列数据的过程图；
图11是根据本发明一实施方式的为低血压预测所需的训练区间分配权重的训练过程图；
图12是根据本发明一实施方式的计算训练区间的子序列数据与所述趋势数据之间的相似度特征值的训练过程图；
图13是示出根据本发明一实施方式的低血压预测方法中，通过逻辑回归系数分析在训练的子序列中最终选择具有统计意义的子序列的图；
图14是示出根据本发明一实施方式的低血压预测方法中选择的子序列中，搜索各子序列的具有最大相似度的样本，以及在低血压和非低血压的各情况下的样本总数的示意图；
图15是示出根据本发明一实施方式的低血压预测方法中，整个压缩区间内形成权重的各点的总数的示意图；
图16是示出使用根据本发明一实施方式的低血压预测方法，选择的子序列的可视化内容的图。
实施本发明的最佳方式
本发明实施方式的优点和特征以及实现本发明实施方式的方法将从以下结合附图的描述中清楚地了解。然而，本发明的实施方式并不局限于所描述的实施方式，因为本发明的实施方式可以以各种形式实现。此外，本发明的实施方式将参照附图进行详细描述，以便本领域普通技术人员可以方便地实施本发明。
在以下描述中用于组件的后缀“模块”和“部件”是为了规范书写的方便而指定或交换使用的，其本身并不具有不同的含义或作用。
本发明涉及一种基于动脉血压小波变换的低血压预测装置、方法及其低血压预测模型的训练方法。
图1是根据本发明一实施方式的用于预测低血压的装置的示意图。
参考图1，根据本发明一实施方式的用于预测低血压的装置10包括处理器11和存储器12。
根据本发明一实施方式的用于预测低血压的装置10是使用受试者的动脉血压(Arterial Blood Pressure，ABP)作为低血压监测指标来预测受试者是否发生低血压的装置。
如图1所示，用于预测低血压的装置10可在手术期间接收受试者20的动脉血压数据，并根据动脉血压数据的每一测定区间的变化判断受试者是否发生低血压。
根据本发明一实施方式，用于预测低血压的装置10使用预先训练的低血压预测模型，并可在低血压发生时警告并提供有效的决策过程来帮助改善患者的预后。
存储器12可以存储用于处理和控制处理器11的程序(一条或多条指令)，存储预训练的低血压预测模型，并包括闪存类型(flash memory type)、硬盘类型(hard disktype)、多媒体卡微型类型(multimedia card micro type)、卡型存储器(例如SD或XD存储器等)、随机存取存储器(Random Access Memory，RAM)、静态随机存取存储器(StaticRandom Access Memory，SRAM)、只读存储器(Read-Only Memory，ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、磁存储器、磁盘和光盘中的至少一种计算机可读存储介质。
存储器12中存储的程序可根据功能分为多个模块，以及稍后将介绍的预训练低血压预测模型，可配置为软件模块。
处理器11执行存储在存储器12中的一条或多条指令。具体地，处理器11接收受试者的动脉血压数据，并使用低血压预测模型根据动脉血压数据每一测定区间的变化判断受试者是否发生低血压。
在本发明一实施方式中，动脉血压数据的每一测定区间的变化意味着血压总体变化趋势的逐项化。
血压的整体变化是与低血压原因直接相关的最重要信息。
因此，当包含这种趋势信息的压缩动脉血压数据的低频(low frequency)分量被提取并被划分为局部单元(local unit)时，通过利用每一区间的趋势进行预测，就可以通过局部形状的整体变化预测低血压。
其中，处理器11可以根据多个功能分为多个模块，也可以由单个处理器执行多个功能。处理器可包括中央处理器(central processing unit，CPU)、应用处理器(application processor，AP)、微控制器单元(micro controller unit，MCU)和通信处理器(communication processor，CP)中的一个或多个。
根据本发明一实施方式的用于预测低血压的装置10的低血压预测模型使用训练动脉血压数据作为训练数据，并使用训练动脉血压数据的多个区间中的每一区间是否发生低血压作为标签来进行训练。
图4至图7将详细描述根据本发明一实施方式的低血压预测模型。
处理器11将受试者的动脉血压数据输入至低血压预测模型，以计算所述动脉血压数据的测定区间中每个区间的趋势数据与训练的子序列数据之间的相似度。
之后，针对计算出的测定区间中的每一区间的趋势数据的相似度，使用逻辑回归层计算低血压发生概率，基于低血压发生概率预测低血压。
图2是根据本发明一实施方式的用于预测低血压的方法的流程图。
参考图2，根据本发明一实施方式的用于预测低血压的方法由用于预测受试者的低血压的装置执行，并且包括步骤S110，接收受试者的动脉血压数据；以及步骤S120和S130，根据动脉血压数据的每一测定区间的变化，使用低血压预测模型来判断受试者是否低血压。
其中，低血压预测模型使用训练动脉血压数据作为训练数据，并使用训练动脉血压数据的多个区间中的每一区间是否发生低血压作为标签来进行训练。
具体地，在步骤S120中，将受试者的动脉血压数据输入至低血压预测模型，以计算所述动脉血压数据的测定区间中每一区间的趋势数据与训练的子序列数据之间的相似度。
其中，当动脉血压数据被输入到低血压预测模型中时，动脉血压数据会在低血压预测模型中进行优化压缩，并提取趋势数据。
此后，在步骤S130中，针对计算出的测定区间中的每一区间的所述趋势数据的相似度，使用逻辑回归层计算低血压发生概率。
具体地，在压缩动脉血压数据的同时提取趋势数据，并使用滑动(Sliding)方法重叠划分区间。然后，计算每一区间提取的趋势数据与子序列数据之间的相似度，并只选择每个子序列的最大相似度。
例如，如果有30个子序列数据，则只剩下30个相似度。此后，通过逻辑回归层计算概率。
图3是根据本发明一实施方式的低血压预测模型训练方法的流程图。
参考图3，根据本发明一实施方式的低血压预测模型训练方法由处理器执行，在步骤S210中输入训练动脉血压数据。
此后，在步骤S220中，对低血压预测模型进行训练，对训练动脉血压数据进行小波变换(wavelet transform)，以压缩训练动脉血压数据并提取每一区间的趋势数据。
在训练低血压预测模型以提取趋势数据的过程中，更新第一层中训练的训练参数，以便对训练动脉血压数据进行低通滤波(low-pass filter)。
此后，在步骤S230中，根据行为(behavior)将每一趋势数据生成为子序列数据。
在步骤S240中，训练低血压预测模型，以便在多个区间中为低血压预测所需的训练区间分配权重。
具体地，对压缩的动脉血压数据的特定区间赋予权重并进行训练，以做出更好的预测。
在步骤S250中，训练低血压预测模型，以根据训练的权重来计算训练区间的子序列数据与所述趋势数据之间的相似度特征值。
其中，利用低血压预测模型学习被压缩时提取的趋势数据和子序列数据之间的相似度特征值。
图4至图7是示出根据本发明一实施方式的低血压预测模型的示例性结构图。
图4示出了根据本发明一实施方式的低血压预测模型的整体结构。
根据本发明一实施方式的低血压预测模型被设计为能够在模型内实现动脉血压数据的局部单位的趋势特征的可视化。
创建一个预测模型，其将整个时间序列转换为压缩行为，从而可以在手术过程中检查趋势变化，并提供解释力(explanatory power)。
参考图4，根据本发明一实施方式的低血压预测模型包括第一层100、子序列数据生成模块200、第二层300和第三层400。
在本发明一实施方式中，层是指包括至少一层的训练模块，层可以统指具有可重复使用和可训练变量的已知数学结构的函数。
第一层100经过训练，对训练动脉血压数据进行小波变换(wavelet transform)，在压缩所述训练动脉血压数据的同时，提取每一区间的趋势数据。
其中，训练是使用在第一层100中学到的训练参数对用于训练的动脉血压数据进行低通滤波。
第一层100的详细结构将参照图5详细描述，第一层100对训练动脉血压数据的低通滤波操作将参照图8和图9详细描述。
子序列数据生成模块200根据行为将每条趋势数据生成为子序列数据。将参考图10详细描述生成子序列数据的操作。
第二层300经过训练，可在多个区间中为低血压预测所需的训练区间分配权重。第二层300的详细结构将参照图6详细描述，第二层300的权重处理操作将参照图11详细描述。
第三层400经过训练，可以根据训练的权重计算训练区间的子序列数据与所述趋势数据之间的相似度特征值。第三层400的详细结构将参考图7进行描述，第三层400的相似度特征值计算操作将参考图12进行详细描述。
图5示出了根据本发明一实施方式的低血压预测模型中第一层的详细结构。
根据本发明一实施方式的低血压预测模型，是通过训练参数φ对用于训练的动脉血压数据进行低通滤波以进行训练。
参考图5，第一层的第一域θ(x)501可由多个以软加(softplus)为激活函数的卷积(convolution)和最大池化层(max pooling layer)组成。
此外，第二域δ(x)502可包括多个具有relu和sigmoid激活函数的密集(dense)层。
图6示出了根据本发明一实施方式的低血压预测模型中第二层的详细结构。
根据本发明一实施方式的低血压预测模型通过训练参数μ来反映局部重要性的权重。此外，还可以使用训练参数ρ进行训练。
参考图6的(a)，第二层的第一域μ(x)可包括至少一个以软加(softplus)为激活函数的卷积(convolution)、至少一个最大池化层(max pooling layer)以及多个具有relu和sigmoid激活函数的密集(dense)层。
此外，参考图6的(b)，第二层的第二域ρ(x)处理张量以计算每个区间的权重，并根据给定的重要性和标准偏差生成分布。
图7示出了根据本发明一实施方式的低血压预测模型中第三层的详细结构。
根据本发明一实施方式的低血压预测模型经过训练以使用训练参数τ和β执行基于逻辑回归层的概率推断。
参考图7，第三层的第一域τ(x)701处理整个子序列数据相似度张量的重要性张量，并选择具有最大相似度的区间。
此外，第二域β(x)702可包括至少一个具有sigmoid激活函数的密集(dense)层。
图8和图9是示出根据本发明一实施方式的对训练动脉血压数据执行小波变换(wavelet transform)的过程图。
根据本发明一实施方式的低血压预测模型训练方法通过小波变换对时间序列数据进行低通滤波压缩，从而保留整体信号趋势。
首先，如图8所示，从初始ABP输入(input)值开始进行时间序列压缩。在此，用于时间序列压缩的低通(low-pass)滤波公式中的频率截止(frequency cutoff)系数作为模型中训练的参数(parameter)进行训练。
根据本发明一实施方式，时间序列压缩通过低通滤波器的卷积来执行，并且窗口区间被设置为与压缩ABP数据重叠(滑动窗口，sliding window)，从而扩大维度。例如，如图9所示，压缩ABP数据900被划分为帧大小(frame size)为50的局部区间，通过允许窗口的某些区间重叠(901、902、903、904、905)，可对压缩ABP数据进行维度扩展。尽管在本发明一实施方式中示例了帧大小(frame size)，但本公开并不限于此。
图10是根据本发明一实施方式生成子序列数据的过程的示意图。
根据本发明一实施方式的用于预测低血压的装置10根据形状将每条趋势数据生成为子序列数据。
其中，子序列数据是指时间序列中被视为特征的特定区间的形状(局部形状)。
根据本发明一实施方式，将多个趋势数据作为30个子序列数据进行训练，并计算压缩时间序列的所有局部区间与子序列数据之间的相似度。
图11是示出根据本发明一实施方式的用于为低血压预测所需的训练区间分配权重的训练过程的示意图。
根据本发明一实施方式的用于预测低血压的装置10被训练以在多个区间中选择用于预测低血压所需的训练区间并为其分配权重。
具体地，训练是这样进行的，即在压缩时间序列的所有局部时间区间1100中，对曾起到预测低血压作用的五个区间1101、1102、1103、1104和1105进行加权并将其设置为高斯分布的平均值，并且将由五个局部区间1101、1102、1103、1104和1105形成的所有五个高斯分布相加，所得到的概率分布可用作压缩时间序列中的权重。
虽然在本发明一实施方式中作为示例描述了五个区间，但本公开并不限于此。
图12是根据本发明一实施方式的计算训练区间的子序列数据与所述趋势数据之间的相似度特征值的训练过程图。
根据本发明一实施方式的用于预测低血压的装置10经过训练，以根据训练的权重计算训练区间的子序列数据和所述趋势数据之间的相似度特征值。
其中，计算所有局部(local)区间和子序列数据之间的相似度1201后，可根据每一子序列数据计算最高相似度作为特征值1202。
具体地，局部区间与模型之间的相似度乘以每个区间的权重，然后只选择表示局部区间中相似度最高的值。
此后，可以进行逻辑回归(logistic regression)，将“X”作为考虑权重的相似度值，“y”作为低血压的概率。
图13是示出根据本发明一实施方式的低血压预测方法中，通过逻辑回归系数分析在训练的子序列中最终选择具有统计意义的子序列的图。
图13示出了选择与30个局部模型的相似度值之间的相关性为0.8或更小的局部模型的结果，可以确定的是，使用两种方法计算与所选局部模型的相似度值进行逻辑回归的系数(coefficient)，以显示结果的概括性。
图14是示出根据本发明一实施方式的低血压预测方法中选择的子序列中，搜索各子序列的具有最大相似度的样本，以及在低血压和非低血压的各情况下的样本总数的示意图。
参考图14，在每个样本的三个子序列数据中，找到具有最大相似度的子序列数据，并检查与每个子序列数据显示高相似度的样本的目标值。
其中，低血压的存在与否用y＝0/1表示，并可对其进行计数(count)。
图15是示出根据本发明一实施方式的低血压预测方法中，整个压缩区间内形成权重的各点的总数的示意图。
图16是示出使用根据本发明一实施方式的低血压预测方法选择的子序列的可视化内容的图。
图16的(a)示出了与低血压样本类似的子序列数据。
图16的(b)和(c)示出了与非低血压样本类似的子序列数据。
因此，通过将子序列数据的形状可视化，可以直观地解释ABP波形(waveform)低频分量或整体血压趋势变化的可变性，并且可以确定低血压样本和非低血压样本之间的子序列数据形状和系数存在明显差异。
此外，还提供了一种存储有计算机程序的非临时计算机可读的记录介质，其包括用于执行低血压预测方法的指令，所述方法包括以下步骤：接收受试者的动脉血压数据；以及根据动脉血压数据的每一测定区间的变化，使用低血压预测模型来判断所述受试者是否低血压。
此外，还提供了一种存储在非临时计算机可读存储介质中的计算机程序，所述计算机程序包括用于执行低血压预测方法的指令，所述方法包括以下步骤：接收受试者的动脉血压数据；以及根据动脉血压数据的每一测定区间的变化，使用低血压预测模型来判断所述受试者是否低血压。
上述非临时计算机可读介质可存储一条或多条指令、数据文件、数据结构或其组合。记录在记录介质上的一条或多条指令可以是为本发明专门设计和配置的，也可以是公开披露并提供给计算机软件从业者的。计算机可读记录介质的例子包括磁性介质(magnetic media)，如硬盘、软盘和磁带；光学介质(optical media)，如CD-ROM和DVD；磁光介质(magneto-optical media)，如Floptical磁盘；以及专门配置用于存储和执行一条或多条指令的硬件设备，如ROM、RAM、闪存等。一条或多条指令可包含由编译器生成的机器代码，以及由解释器执行的高级语言代码。上述硬件设备可配置为一个或多个软件模块运行，以执行本发明的功能，反之亦然。
以上描述仅仅是本发明的示例性实施方式，本领域技术人员可以理解，在不脱离本发明公开的原始特征的前提下，可以做出各种改变和修改。因此，本发明的保护范围不限于上述实施方式，权利要求书中记载的内容及其等效范围内的所有实施方式均包括在本公开的保护范围内。

Claims (14)

1.一种用于预测受试者低血压的装置，包括：
存储器，用于存储预训练的低血压预测模型；以及
处理器，用于根据输入的所述受试者的动脉血压数据的每一测定区间的变化，使用所述低血压预测模型来判断所述受试者是否低血压。
2.如权利要求1所述的用于预测受试者低血压的装置，其中，
所述低血压预测模型使用训练动脉血压数据作为训练数据，并使用所述训练动脉血压数据的多个区间中的每一区间是否发生低血压作为标签来进行训练。
3.如权利要求2所述的用于预测受试者低血压的装置，其中，
所述低血压预测模型包括：
第一层，被训练以提取每一区间的趋势数据，同时对所述训练动脉血压数据执行小波变换以压缩所述训练动脉血压数据；以及
子序列数据生成模块，用于根据行为将每一所述趋势数据生成为子序列数据。
4.如权利要求3所述的用于预测受试者低血压的装置，其中，
所述低血压预测模型使用在所述第一层学到的训练参数对所述训练动脉血压数据进行低通滤波来进行训练。
5.如权利要求3所述的用于预测受试者低血压的装置，其中，
所述低血压预测模型包括：
第二层，被训练以在所述训练动脉血压数据的多个区间中为低血压预测所需的训练区间分配权重；以及
第三层，被训练以根据分配的所述权重来计算所述训练区间的子序列数据与所述趋势数据之间的相似度特征值。
6.如权利要求3所述的用于预测受试者低血压的装置，其中，
所述处理器用于将所述受试者的动脉血压数据输入至所述低血压预测模型，以计算所述动脉血压数据的测定区间中每一区间的趋势数据与所述子序列数据生成模块产生的所述训练的子序列数据之间的相似度。
7.如权利要求6所述的用于预测受试者低血压的装置，其中，
所述处理器用于针对计算出的受试者的动脉血压数据的多个区间中的每一区间的所述趋势数据的相似度，使用逻辑回归层计算低血压发生概率。
8.一种由处理器执行的低血压预测模型训练方法，包括以下步骤：
输入训练动脉血压数据；
训练低血压预测模块以提取每一区间的趋势数据，同时对所述训练动脉血压数据执行小波变换以压缩所述训练动脉血压数据；以及
根据行为将每一所述趋势数据生成为子序列数据。
9.如权利要求8所述的低血压预测模型训练方法，其中，
训练低血压预测模块以提取每一区间的趋势数据的步骤包括以下步骤：
更新在第一层训练的训练参数以对所述训练动脉血压数据进行低通滤波。
10.如权利要求8所述的低血压预测模型训练方法，还包括以下步骤：
训练低血压预测模型，以在多个区间中为低血压预测所需的训练区间分配权重；以及
训练低血压预测模型，以根据分配的所述权重来计算所述训练区间的子序列数据与所述趋势数据之间的相似度特征值。
11.一种由用于预测受试者低血压的装置执行的低血压预测方法，包括以下步骤：
接收受试者的动脉血压数据；以及
根据所述动脉血压数据的每一测定区间的变化，使用低血压预测模型来判断所述受试者是否低血压。
12.如权利要求11所述的低血压预测方法，其中，
所述低血压预测模型使用训练动脉血压数据作为训练数据，并使用所述训练动脉血压数据的多个区间中的每一区间是否发生低血压作为标签来进行训练。
13.如权利要求11所述的低血压预测方法，其中，
判断所述受试者是否低血压包括以下步骤：
将所述受试者的动脉血压数据输入至所述低血压预测模型，并计算所述动脉血压数据的测定区间中每一区间的趋势数据与训练的子序列数据之间的相似度。
14.如权利要求13所述的低血压预测方法，其中，
判断所述受试者是否低血压包括以下步骤：
针对计算出的测定区间中的每一区间的所述趋势数据的相似度，使用逻辑回归层计算低血压发生概率。
CN202280055927.8A 2021-08-13 2022-08-12 基于动脉血压小波变换的低血压预测装置、方法及其低血压预测模型的训练方法 Pending CN117813040A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2021-0107379 2021-08-13
KR1020210107379A KR102678651B1 (ko) 2021-08-13 2021-08-13 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법
PCT/KR2022/012121 WO2023018299A1 (ko) 2021-08-13 2022-08-12 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법

Publications (1)

Publication Number Publication Date
CN117813040A true CN117813040A (zh) 2024-04-02

Family

ID=85200224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280055927.8A Pending CN117813040A (zh) 2021-08-13 2022-08-12 基于动脉血压小波变换的低血压预测装置、方法及其低血压预测模型的训练方法

Country Status (4)

Country Link
US (1) US20240186005A1 (zh)
KR (1) KR102678651B1 (zh)
CN (1) CN117813040A (zh)
WO (1) WO2023018299A1 (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102042700B1 (ko) * 2017-11-17 2019-11-08 가천대학교 산학협력단 딥러닝 기반의 혈압 예측 시스템 및 방법
KR102400651B1 (ko) * 2020-01-30 2022-05-19 연세대학교 원주산학협력단 딥러닝 기반 환자의 저혈압 예측 방법 및 장치

Also Published As

Publication number Publication date
US20240186005A1 (en) 2024-06-06
KR102678651B1 (ko) 2024-06-26
KR20230025177A (ko) 2023-02-21
WO2023018299A1 (ko) 2023-02-16

Similar Documents

Publication Publication Date Title
CN110832499B (zh) 通过稀疏时间池化网络的弱监督动作定位
Rocha et al. Prediction of acute hypotensive episodes by means of neural network multi-models
US10102444B2 (en) Object recognition method and apparatus based on weakly supervised learning
KR102153920B1 (ko) 정제된 인공지능 강화학습 데이터 생성을 통한 의료영상 판독 시스템 및 그 방법
JP6839342B2 (ja) 情報処理装置、情報処理方法およびプログラム
JP2017049677A (ja) 機械学習管理プログラム、機械学習管理装置および機械学習管理方法
CN111370122A (zh) 一种基于知识指导的时序数据风险预测方法、系统及其应用
US20170140273A1 (en) System and method for automatic selection of deep learning architecture
JP2020537787A (ja) ニューラルネットワークの使用
Hoogendoorn et al. Prediction using patient comparison vs. modeling: A case study for mortality prediction
CN112149717A (zh) 基于置信度加权的图神经网络训练方法及装置
JP6750055B2 (ja) 顔画像からの定性的特徴を評価するコンピュータ実行ツールを構築する方法
Wisaeng Predict the diagnosis of heart disease using feature selection and k-nearest neighbor algorithm
CN113345564B (zh) 一种基于图神经网络的患者住院时长早期预测方法及装置
CN117813040A (zh) 基于动脉血压小波变换的低血压预测装置、方法及其低血压预测模型的训练方法
Zaini et al. Hybrid feature selection algorithm and ensemble stacking for heart disease prediction
US20230245786A1 (en) Method for the prognosis of a desease following upon a therapeutic treatment, and corresponding system and computer program product
CN112951432A (zh) 基于cnn及电子病历预测心衰并发症的方法、系统及预警设备、存储介质
Han et al. Empirical investigation of code and process metrics for defect prediction
KR20210092999A (ko) 산업용 사물인터넷(IIoT) 환경에서의 고장 예측 모델 획득 방법, 장치 및 프로그램
Michelucci Feature Importance and Selection
CN118332481B (zh) 一种用于电力施工的项目数据异常预警方法及系统
KR102711137B1 (ko) 딥러닝 모델의 동적 뇌 연결성 추출을 통한 4D fMRI 자폐증 예측 및 조기 진단 방법 및 장치
EP4451146A1 (en) Computer-implemented method for fast matching of entities from different datasets
CN113379674B (zh) 一种医学图像的检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination