CN117877748B - 一种多参数心肺功能测试设备及其数据处理方法 - Google Patents
一种多参数心肺功能测试设备及其数据处理方法 Download PDFInfo
- Publication number
- CN117877748B CN117877748B CN202410268819.XA CN202410268819A CN117877748B CN 117877748 B CN117877748 B CN 117877748B CN 202410268819 A CN202410268819 A CN 202410268819A CN 117877748 B CN117877748 B CN 117877748B
- Authority
- CN
- China
- Prior art keywords
- data processing
- analysis
- parameters
- data
- parameter
- 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
- 238000013123 lung function test Methods 0.000 title claims abstract description 17
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 202
- 238000012360 testing method Methods 0.000 claims abstract description 113
- 238000004458 analytical method Methods 0.000 claims abstract description 108
- 230000006870 function Effects 0.000 claims abstract description 58
- 230000002612 cardiopulmonary effect Effects 0.000 claims abstract description 56
- 238000013499 data model Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000002564 cardiac stress test Methods 0.000 claims abstract description 13
- 230000004217 heart function Effects 0.000 claims abstract description 12
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 30
- 238000000611 regression analysis Methods 0.000 claims description 19
- 230000000241 respiratory effect Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 15
- 239000001569 carbon dioxide Substances 0.000 claims description 15
- 238000012512 characterization method Methods 0.000 claims description 15
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 11
- 229910052760 oxygen Inorganic materials 0.000 claims description 11
- 239000001301 oxygen Substances 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000036772 blood pressure Effects 0.000 claims description 5
- 239000008280 blood Substances 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 4
- 239000007789 gas Substances 0.000 claims description 4
- 230000036391 respiratory frequency Effects 0.000 claims description 4
- 238000009423 ventilation Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000003066 decision tree 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
- 238000002407 reforming Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000003434 inspiratory effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 201000006306 Cor pulmonale Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000009325 pulmonary function Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种多参数心肺功能测试设备及其数据处理方法，属于电数字数据处理技术领域，其中，方法包括：步骤1：获取心肺功能测试设备的测试模式；步骤2：基于心肺运动试验方案，根据测试模式，获取第一采集参数；步骤3：获取回归数据模型；步骤4：基于回归数据模型，根据分析需求，获取第二采集参数；步骤5：基于第二采集参数的参数类型进行数据处理。本发明的一种多参数心肺功能测试设备的数据处理方法，引入心肺运动试验方案，根据测试模式获取第一采集参数。引入回归数据模型，根据分析需求，确定第二采集参数，采集数据的全面性更高；基于第二采集参数的参数类型对第二采集参数进行数据处理，适宜性更高，后续测试结果更精确。
Description
技术领域
本发明涉及电数字数据处理技术领域，特别涉及一种多参数心肺功能测试设备及其数据处理方法。
背景技术
心肺功能测试系统是针对静态肺功能和动态心肺功能评测的仪器，系统与运动心电图仪、运动血压监护仪、运动脉搏血氧仪、跑台或功率车设备联机使用。系统是通过测试者在特定的运动负荷下，收集测试者呼出的气体流量、O2浓度、CO2浓度、血压、血氧和心功能等参数的数据，利用Wasserman九图法，分析测量人体的心肺功能、肺活量指数、基础代谢率和脂肪代谢等，从而供医师评价心肺功能的整体情况和储备能力，进行营养评估和心肺功能预警。
申请号为：CN202311060991.8的发明专利公开了用于心肺康复管理系统的数据处理方法，其中，方法包括：获取心肺患者数据序列以及序列中单字符种类数，进而获取非连续码段、连续码段以及连续码段对应的连续段个数，进而获取初始编码字典；根据初始编码字典获取第一编码长度；根据单字符种类数以及连续段个数种类数获取第二编码长度，进而获取单字符字典及连续段个数字典；根据第一编码长度、单字符字典以及连续段字典，获取编码字典，得到压缩数据，进而完成对压缩数据的解压。上述发明根据心肺患者数据序列中连续出现的码段构成的较长码段进行编码，极大地增大了传统的LZ编码算法划分的码段长度，降低了字典的存储空间，并通过增加码段长度提高了编码效率。
但是，上述现有技术只针对心肺患者数据序列进行处理，而用于心肺康复管理的生理数据不止心肺患者数据序列一种，这样会导致后续进行测试分析的数据不够全面，进一步的，影响后续测试结果的精准性。
有鉴于此，亟需一种多参数心肺功能测试设备及其数据处理方法，以至少解决上述不足。
发明内容
本发明目的之一在于提供了一种多参数心肺功能测试设备及其数据处理方法，引入心肺运动试验方案，根据获取的测试模式，通过心肺功能测试设备获取第一采集参数。引入回归数据模型，根据分析需求，确定第一采集参数中的第二采集参数，提升了采集数据的全面性；基于第二采集参数的参数类型对第二采集参数进行数据处理获得处理数据，提高了处理数据的适宜性，进一步提高了后续测试结果的精确性。
本发明实施例提供的一种多参数心肺功能测试设备的数据处理方法，包括：
步骤1：获取心肺功能测试设备的测试模式，测试模式包括：动态心肺功能测试和静态心肺功能测试；
步骤2：基于心肺运动试验方案，根据测试模式，通过心肺功能测试设备获取第一采集参数；
步骤3：获取回归数据模型；
步骤4：基于回归数据模型，根据分析需求，获取第一采集参数中的第二采集参数；
步骤5：基于第二采集参数的参数类型，对第二采集参数进行数据处理，获得处理数据。
优选的，步骤1：获取心肺功能测试设备的测试模式，包括：
获取设备使用方输入心肺功能测试设备的测试模式选择信息；
根据测试模式选择信息，确定测试模式。
优选的，步骤2：基于心肺运动试验方案，根据测试模式，通过心肺功能测试设备获取第一采集参数，包括：
若测试模式为静态心肺功能测试，获取第一目标参数，第一目标参数包括：从设备主机采集参数、联合设备采集参数、吸气肺活量、深吸气量、补呼气量、潮气量、最大通气量以及用力肺活量；
若测试模式为动态心肺功能测试，获取第二目标参数，第二目标参数包括：从设备主机采集参数、联合设备采集参数、二氧化碳排出量、呼吸交换率、氧脉率、二氧化碳当量、呼气潮气量、呼吸储备、呼吸频率以及呼吸末二氧化碳分压；
将第一目标参数或第二目标参数作为第一采集参数；
其中，从设备主机采集参数包括：呼吸气体流速范围、呼吸氧气浓度以及呼吸二氧化碳浓度；
其中，联合设备采集参数包括：心电参数、血压参数、血氧参数、跑台负载功率以及功率车负载功率。
优选的，步骤3：获取回归数据模型，包括：
获取回归分析数据；
基于AI数据模型算法，根据回归分析数据，构建回归数据模型，其中，AI数据模型算法为：线性回归、逻辑回归、多项式回归、支持向量机回归、决策树回归和随机森林回归中的一种。
优选的，获取回归分析数据，包括：
获取进行医学变量分析的分析记录；
解析分析记录，获取分析参数，计算分析参数和第一采集参数的参数相似度，并将参数相似度作为第一选拔系数；
根据分析记录，获取医学变量分析的分析目标；
获取心肺功能测试设备的测试功能；
根据分析目标和测试功能，计算目标相似度，并将目标相似度作为第二选拔系数；
获取分析记录的分析方的分析可靠性判定依据；
根据分析可靠性判定依据，确定第三选拔系数；
计算第一选拔系数、第二选拔系数和第三选拔系数的累加和，获得选拔指数，确定选拔指数大于等于预设的选拔指数阈值的分析记录作为回归分析数据。
优选的，步骤4：基于回归数据模型，根据分析需求，获取第一采集参数中的第二采集参数，包括：
根据分析需求，获取所需分析参数种类；
根据第一采集参数和所需分析参数种类，获取待回归参数；
基于回归数据模型，根据待回归参数，确定第二采集参数。
优选的，步骤5：基于第二采集参数的参数类型，对第二采集参数进行数据处理，获得处理数据，包括：
依次遍历每一参数类型的第二采集参数，并将当前正在遍历的参数类型的第二采集参数作为第三采集参数；
获取第三采集参数的数据处理策略集；
根据分析需求，获取第三采集参数的数据处理特征组；
根据数据处理特征组，确定第三采集参数的选取数据处理策略；
基于选取数据处理策略对第三采集参数进行数据处理，获得处理子数据；
当所有参数类型的第二采集参数遍历完成后，将处理子数据共同作为处理数据。
优选的，根据数据处理特征组，确定第三采集参数的选取数据处理策略，包括：
获取数据处理策略挑选记录集；
根据数据处理策略挑选记录集，构建数据处理特征-触发特征对照库；
基于数据处理特征-触发特征对照库，根据数据处理特征组，确定第三采集参数的选取数据处理策略。
优选的，根据数据处理策略挑选记录集，构建数据处理特征-触发特征对照库，包括：
获取数据处理策略挑选记录集中的数据处理策略挑选记录的处理结果；
获取处理结果的对照组；
获取对照组的对照类型，对照类型包括：历史对照，实时对照和未来对照；
根据对照类型，确定对照干扰因子；
获取对照组的对照结果；
根据处理结果和对照结果，确定第一记录挑选值；
根据对照干扰因子对第一记录挑选值进行修正，获得第二记录挑选值；
确定第二记录挑选值最大的挑选记录，并汇总挑选记录，获得重整记录集；
根据重整记录集，确定策略挑选逻辑；
根据策略挑选逻辑，构建数据处理特征集和触发特征集的对应关系，并将对应关系存入预设的空白数据。
本发明实施例提供的一种多参数心肺功能测试设备的数据处理方法，还包括：
获取处理数据的关联历史数据，根据关联历史数据和处理数据，获取目标测试者的未来预测数据，根据未来预测数据生成建议信息；
其中，根据未来预测数据生成建议信息，包括：
调取医疗大数据；
获取目标测试者的素质信息；
根据目标测试者的素质信息对医疗大数据进行筛选，确定目标医疗大数据；
根据目标医疗大数据，确定梯度提醒警戒数据；
根据梯度提醒警戒数据和未来预测数据，确定梯度提醒时间节点；
获取目标测试者预先输入的空闲时间；
当空闲时间与梯度提醒时间节点存在重合，获取相应梯度提醒时间节点的梯度提醒等级；
根据空闲时间与梯度提醒时间节点的重合情况，确定建议检测时间范围；
根据梯度提醒等级和预设的建议迫切程度确定规则，确定建议迫切程度；
基于预设的建议信息表征向量构建模板，根据建议检测时间范围和建议迫切程度，构建建议信息表征向量；
根据建议信息表征向量和预设的建议信息生成规则，生成建议信息；
其中，根据关联历史数据和处理数据，获取目标测试者的未来预测数据，包括：
根据关联历史数据和处理数据进行数据拟和，确定拟和数据；
获取当前时刻之后的拟和数据，并作为未来预测数据。
本发明实施例提供一种多参数心肺功能测试设备，运用到任意一项上述实施例所述的数据处理方法进行数据处理。
本发明的有益效果为：
本发明引入心肺运动试验方案，根据获取的测试模式，通过心肺功能测试设备获取第一采集参数。引入回归数据模型，根据分析需求，确定第一采集参数中的第二采集参数，提升了采集数据的全面性；基于第二采集参数的参数类型对第二采集参数进行数据处理获得处理数据，提高了处理数据的适宜性，进一步提高了后续测试结果的精确性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过本申请文件中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种多参数心肺功能测试设备的数据处理方法的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种多参数心肺功能测试设备的数据处理方法，如图1所示，包括：
步骤1：获取心肺功能测试设备的测试模式，测试模式包括：动态心肺功能测试和静态心肺功能测试；其中，心肺功能测试设备为：用于测量和评估人体心脏和肺部功能的设备；动态心肺功能测试为：在运动负荷下进行的心肺功能测试；静态心肺功能测试为：在静止状态下进行的心肺功能测试；
步骤2：基于心肺运动试验方案，根据测试模式，通过心肺功能测试设备获取第一采集参数；其中，心肺运动试验方案为：人工预先设置的心肺运动试验方法；第一采集参数为：心肺功能测试设备采集的生理参数；
步骤3：获取回归数据模型；其中，回归数据模型为：对已有数据进行分析和建模，得出的用于预测或解释因变量与自变量之间关系的数学模型；
步骤4：基于回归数据模型，根据分析需求，获取第一采集参数中的第二采集参数；其中，分析需求为：需要进行测试的项目；第二采集参数为：根据第一采集参数和回归数据模型衍生的参数；
步骤5：基于第二采集参数的参数类型，对第二采集参数进行数据处理，获得处理数据。其中，参数类型为：第二采集参数的参数种类；数据处理为：对第二采集参数进行计算、转换或过滤等处理，以获得更有用或更易于分析的数据。
上述技术方案的工作原理及有益效果为：
本申请引入心肺运动试验方案，根据获取的测试模式，通过心肺功能测试设备获取第一采集参数。引入回归数据模型，根据分析需求，确定第一采集参数中的第二采集参数，提升了采集数据的全面性；基于第二采集参数的参数类型对第二采集参数进行数据处理获得处理数据，提高了处理数据的适宜性，进一步提高了后续测试结果的精确性。
在一个实施例中，步骤1：获取心肺功能测试设备的测试模式，包括：
获取设备使用方输入心肺功能测试设备的测试模式选择信息；其中，设备使用方为：使用心肺功能测试设备进行测试的人员；测试模式选择信息为：设备使用方的输入指令；
根据测试模式选择信息，确定测试模式。
上述技术方案的工作原理及有益效果为：
本申请根据获取的设备使用方输入心肺功能测试设备的测试模式选择信息，确定测试模式，测试模式的获取更适宜。
在一个实施例中，步骤2：基于心肺运动试验方案，根据测试模式，通过心肺功能测试设备获取第一采集参数，包括：
若测试模式为静态心肺功能测试，获取第一目标参数，第一目标参数包括：从设备主机采集参数、联合设备采集参数、吸气肺活量、深吸气量、补呼气量、潮气量、最大通气量以及用力肺活量；
若测试模式为动态心肺功能测试，获取第二目标参数，第二目标参数包括：从设备主机采集参数、联合设备采集参数、二氧化碳排出量、呼吸交换率、氧脉率、二氧化碳当量、呼气潮气量、呼吸储备、呼吸频率以及呼吸末二氧化碳分压；
将第一目标参数或第二目标参数作为第一采集参数；
其中，从设备主机采集参数包括：呼吸气体流速范围、呼吸氧气浓度以及呼吸二氧化碳浓度；
其中，联合设备采集参数包括：心电参数、血压参数、血氧参数、跑台负载功率以及功率车负载功率。
上述技术方案的工作原理及有益效果为：
本申请根据测试模式的不同，分别获取第一采集参数。第一种，当测试模式为静态心肺功能测试时，获取从设备主机采集参数、联合设备采集参数、吸气肺活量、深吸气量、补呼气量、潮气量、最大通气量以及用力肺活量；第二种，当测试模式为动态心肺功能测试时，获取从设备主机采集参数、联合设备采集参数、二氧化碳排出量、呼吸交换率、氧脉率、二氧化碳当量、呼气潮气量、呼吸储备、呼吸频率以及呼吸末二氧化碳分压，提高了第一采集参数获取的针对性。
在一个实施例中，步骤3：获取回归数据模型，包括：
获取回归分析数据；其中，回归分析数据为：进行回归分析的数据集合，包括自变量和目标变量的观测值；
基于AI数据模型算法，根据回归分析数据，构建回归数据模型，其中，AI数据模型算法为：线性回归、逻辑回归、多项式回归、支持向量机回归、决策树回归和随机森林回归中的一种。回归数据模型为：对数据进行分析和建模，预测或解释目标变量的变化的智能AI模型。
上述技术方案的工作原理及有益效果为：
本申请获取回归分析数据，引入AI数据模型算法、根据回归分析数据构建回归数据模型，通过回归数据模型对测试结果进行预测，辅助进行健康管理指导，提高了采集数据的全面性。
在一个实施例中，获取回归分析数据，包括：
获取进行医学变量分析的分析记录；其中，分析记录为：进行医学变量分析的人工记录；
解析分析记录，获取分析参数，计算分析参数和第一采集参数的参数相似度，并将参数相似度作为第一选拔系数；其中，分析参数为：分析记录中进行分析的医学变量；参数相似度为：参数相似程度；
根据分析记录，获取医学变量分析的分析目标；其中，分析目标为：分析记录中的分析项目；
获取心肺功能测试设备的测试功能；其中，测试功能为：心肺功能测试设备所拥有的测试项目；
根据分析目标和测试功能，计算目标相似度，并将目标相似度作为第二选拔系数；其中，目标相似度为：分析目标和测试功能的功能相似程度；
获取分析记录的分析方的分析可靠性判定依据；其中，分析方为：分析记录中的分析人员；分析可靠性判定依据为：判断分析方的分析结果可靠性的依据或标准；
根据分析可靠性判定依据，确定第三选拔系数；其中，第三选拔系数为：根据分析可靠性判定依据确定的分析方的可靠值；
计算第一选拔系数、第二选拔系数和第三选拔系数的累加和，获得选拔指数，确定选拔指数大于等于预设的选拔指数阈值的分析记录作为回归分析数据。其中，预设的选拔指数阈值由人工预先设置。
上述技术方案的工作原理及有益效果为：
选择回归分析数据时，不是所有的分析记录都可用于回归数据模型训练的。因此，获取分析记录的分析参数，计算分析参数和第一采集参数的参数相似度作为第一选拔系数。确定分析记录中的分析目标，将分析目标和测试功能进行对比计算目标相似度作为第二选拔系数。根据获取的分析方的分析可靠性判定依据计算分析方的可靠值，并作为第三选拔系数，将第一选拔系数、第二选拔系数和第三选拔系数的累加和作为选拔指数，并将选拔指数与选拔指数阈值比较筛选出回归分析数据，回归分析数据的获取更精准。
在一个实施例中，步骤4：基于回归数据模型，根据分析需求，获取第一采集参数中的第二采集参数，包括：
根据分析需求，获取所需分析参数种类；其中，所需分析参数种类为：根据分析需求确定的测试项目的相关测试所需的参数种类；
根据第一采集参数和所需分析参数种类，获取待回归参数；其中，待回归参数为：参数种类为所需分析参数种类的第一采集参数；
基于回归数据模型，根据待回归参数，确定第二采集参数。其中，第二采集参数为：基于回归数据模型对待回归参数进行衍生的参数。
上述技术方案的工作原理及有益效果为：
本申请根据分析需求，获取所需分析参数种类，根据第一采集参数和所需分析参数种类获取待回归参数，根据训练的回归数据模型和待回归参数获取第二采集参数，第二采集参数的获取过程更合理。
在一个实施例中，步骤5：基于第二采集参数的参数类型，对第二采集参数进行数据处理，获得处理数据，包括：
依次遍历每一参数类型的第二采集参数，并将当前正在遍历的参数类型的第二采集参数作为第三采集参数；
获取第三采集参数的数据处理策略集；其中，数据处理策略集为：用于第三采集数据的处理的数据处理策略的集合；
根据分析需求，获取第三采集参数的数据处理特征组；其中，数据处理特征组为：按照预先设置的数据处理特征类型顺序填入数据处理特征的向量组，数据处理特征为：第三采集参数的分析需求的特征化表示；
根据数据处理特征组，确定第三采集参数的选取数据处理策略；其中，选取数据处理策略为：基于数据处理特征组确定的数据处理策略集中第三采集参数的数据处理策略；
基于选取数据处理策略对第三采集参数进行数据处理，获得处理子数据；
当所有参数类型的第二采集参数遍历完成后，将处理子数据共同作为处理数据。
上述技术方案的工作原理及有益效果为：
考虑到同一参数可能被用于多个测试项目的分析，且，不同的分析目的对应的数据处理策略也不同，因此，本申请引入获取当前正在遍历的参数类型的第二采集参数的数据处理策略集。根据分析需求，获取第三采集参数的数据处理特征组，根据数据处理特征组，确定选取数据处理策略，基于选取数据处理策略对第三采集参数进行数据处理获取处理子数据，当所有参数类型的第二采集参数遍历完成后，获得处理数据，提高了处理数据获取的精准程度。
在一个实施例中，根据数据处理特征组，确定第三采集参数的选取数据处理策略，包括：
获取数据处理策略挑选记录集；其中，数据处理策略挑选记录集为：数据处理策略挑选记录组成的集合，数据处理策略挑选记录为：人工进行数据处理策略挑选的过程记录；
根据数据处理策略挑选记录集，构建数据处理特征-触发特征对照库；其中，数据处理特征-触发特征对照库包括：多个一一对应的数据处理特征集和触发特征集，数据处理特征集为数据处理策略挑选记录中人工挑选数据处理策略时的分析需求的特征化表示的集合；触发特征集为：数据处理策略挑选记录中人工挑选的数据处理策略的触发条件的特征化表示的集合；
基于数据处理特征-触发特征对照库，根据数据处理特征组，确定第三采集参数的选取数据处理策略。其中，基于数据处理特征-触发特征对照库，根据数据处理特征组，确定第三采集参数的选取数据处理策略时，将数据处理特征组和数据处理特征-触发特征对照库中的数据处理特征集进行数据处理特征匹配，将匹配符合的数据处理特征集相应的触发特征集触发的数据处理策略作为选取数据处理策略。
上述技术方案的工作原理及有益效果为：
本申请引入数据处理策略挑选记录集，根据数据处理策略挑选记录集构建用于后续确定第三采集参数的选取数据处理策略的数据处理特征-触发特征对照库，基于数据处理特征-触发特征对照库，根据数据处理特征组，确定第三采集参数的选取数据处理策略，选取数据处理策略的确定更具适用性。
在一个实施例中，根据数据处理策略挑选记录集，构建数据处理特征-触发特征对照库，包括：
获取数据处理策略挑选记录集中的数据处理策略挑选记录的处理结果；其中，处理结果为：数据处理策略挑选记录对应的数据处理策略进行处理后的目标完成度；
获取处理结果的对照组；其中，对照组为：在与数据处理策略挑选记录的挑选情况相似的挑选情况下其他数据处理策略下的数据处理过程；
获取对照组的对照类型，对照类型包括：历史对照，实时对照和未来对照；其中，历史对照为：已经发生的、进行过数据处理的挑选情况；实时对照为：实验设置的与处理结果进行对比的数据；未来对照为：已经获知挑选情况相似的挑选情况下，数据处理策略尚未执行的数据处理过程；
根据对照类型，确定对照干扰因子；其中，对照干扰因子为：根据对照类型确定的干扰因素；
获取对照组的对照结果；其中，对照结果为：对照组的目标完成度；
根据处理结果和对照结果，确定第一记录挑选值；其中，第一记录挑选值为：处理结果或对照结果的目标完成度；
根据对照干扰因子对第一记录挑选值进行修正，获得第二记录挑选值；其中，第二记录挑选值为：考虑到对照干扰因子对数据处理过程的影响，对第一记录挑选值修正后获得的结果；
确定第二记录挑选值最大的挑选记录，并汇总挑选记录，获得重整记录集；其中，挑选记录为：第二记录挑选值最大的数据处理策略挑选记录集中的数据处理策略挑选记录或对照组的数据处理策略挑选记录；
根据重整记录集，确定策略挑选逻辑；其中，策略挑选逻辑为：何种数据处理特征集对应何种触发特征集；
根据策略挑选逻辑，构建数据处理特征集和触发特征集的对应关系，并将对应关系存入预设的空白数据。其中，预设的空白数据由人工预先设置。
上述技术方案的工作原理及有益效果为：
考虑到不同数据处理策略挑选记录的挑选逻辑合理性的不同，本申请引入数据处理策略挑选记录集中的数据处理策略挑选记录的处理结果，同时，获取处理结果的对照组，引入不同的对照类型，并基于对照类型确定干扰因素。根据处理结果和对照结果，确定处理结果或对照结果的目标完成度，并作为处理结果或对照结果的第一记录挑选值。根据对照干扰因子对第一记录挑选值进行修正，获取第二记录挑选值。确定第二记录挑选值最大的挑选记录，并汇总获得重整记录集，确定策略挑选逻辑，根据策略挑选逻辑构建数据处理特征集和触发特征集的对应关系并存入空白数据，获得数据处理特征-触发特征对照库，提高了数据处理特征-触发特征对照库的构建质量。
在一个实施例中，还包括：
获取处理数据的关联历史数据，根据关联历史数据和处理数据，获取目标测试者的未来预测数据，根据未来预测数据生成建议信息；其中，关联历史数据为：处理数据的测试者历史上进行心肺测试的数据；未来预测数据为：根据关联历史数据和处理数据预测的测试者未来时间的心肺测试数据；建议信息为：建议检测时间和建议迫切程度；
其中，根据未来预测数据生成建议信息，包括：
调取医疗大数据；其中，医疗大数据为：可以公开采用的医疗就诊信息；
获取目标测试者的素质信息；其中，目标测试者为处理数据的测试者，素质信息为：目标测试者的身体素质信息；
根据目标测试者的素质信息对医疗大数据进行筛选，确定目标医疗大数据；其中，目标医疗大数据为：和目标测试者身体素质相似且与心肺检查相关的医疗数据；
根据目标医疗大数据，确定梯度提醒警戒数据；其中，梯度提醒警戒数据为：根据目标医疗大数据确定的患者出现心肺疾病之前预设的时间长度的医疗检查数据的均值，预设的时间长度由人工预先设置，比如：3天，7天，14天以及一个月；
根据梯度提醒警戒数据和未来预测数据，确定梯度提醒时间节点；其中，梯度提醒时间节点为：不同提醒程度的未来的提醒时间点；
获取目标测试者预先输入的空闲时间；其中，空闲时间为目标测试者输入的有空进行检测的未来时间；
当空闲时间与梯度提醒时间节点存在重合，获取相应梯度提醒时间节点的梯度提醒等级；其中，梯度提醒等级越高，建议检测程度越迫切；
根据空闲时间与梯度提醒时间节点的重合情况，确定建议检测时间范围；其中，建议检测时间范围为：梯度提醒时间节点之后连续的空闲时间；
根据梯度提醒等级和预设的建议迫切程度确定规则，确定建议迫切程度；其中，建议迫切程度确定规则由人工预先设置，比如：梯度提醒等级为1，迫切程度为1；
基于预设的建议信息表征向量构建模板，根据建议检测时间范围和建议迫切程度，构建建议信息表征向量；其中，根据建议检测时间范围和建议迫切程度构建建议信息表征向量，比如：时间为：2024年3月11日，14:00-15:00，建议迫切程度为3，则建议信息表征向量为[2024，03，11，14.00，15.00，3]；
根据建议信息表征向量和预设的建议信息生成规则，生成建议信息；其中，预设的建议信息生成规则由人工预先设置；
其中，根据关联历史数据和处理数据，获取目标测试者的未来预测数据，包括：
根据关联历史数据和处理数据进行数据拟和，确定拟和数据；
获取当前时刻之后的拟和数据，并作为未来预测数据。
上述技术方案的工作原理及有益效果为：
本申请引入处理数据的关联历史数据，根据关联历史数据和处理数据进行拟和，获得未来预测数据。另外，引入医疗大数据，根据目标测试者的素质信息和医疗大数据，确定适宜于目标测试者参照的目标医疗大数据，确定目标测试者适宜的梯度提醒警戒数据，根据梯度提醒警戒数据和未来预测数据，确定梯度提醒时间节点。同时，获取目标测试者的空闲时间，根据空闲时间和梯度提醒时间节点的重合情况，确定建议检测时间范围和梯度提醒等级，根据梯度提醒等级确定建议迫切程度。引入建议信息表征向量生成建议信息，提升了建议信息的生成速度和生成准确性。
本发明实施例提供一种多参数心肺功能测试设备，运用到任意一项上述实施例所述的数据处理方法进行数据处理。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (2)
1.一种多参数心肺功能测试设备的数据处理方法，其特征在于，包括：
步骤1：获取心肺功能测试设备的测试模式，测试模式包括：动态心肺功能测试和静态心肺功能测试；
步骤2：基于心肺运动试验方案，根据测试模式，通过心肺功能测试设备获取第一采集参数；
步骤3：获取回归数据模型；
步骤4：基于回归数据模型，根据分析需求，获取第一采集参数中的第二采集参数；
步骤5：基于第二采集参数的参数类型，对第二采集参数进行数据处理，获得处理数据；
步骤2：基于心肺运动试验方案，根据测试模式，通过心肺功能测试设备获取第一采集参数，包括：
若测试模式为静态心肺功能测试，获取第一目标参数，第一目标参数包括：从设备主机采集参数、联合设备采集参数、吸气肺活量、深吸气量、补呼气量、潮气量、最大通气量以及用力肺活量；
若测试模式为动态心肺功能测试，获取第二目标参数，第二目标参数包括：从设备主机采集参数、联合设备采集参数、二氧化碳排出量、呼吸交换率、氧脉率、二氧化碳当量、呼气潮气量、呼吸储备、呼吸频率以及呼吸末二氧化碳分压；
将第一目标参数或第二目标参数作为第一采集参数；
其中，从设备主机采集参数包括：呼吸气体流速范围、呼吸氧气浓度以及呼吸二氧化碳浓度；
其中，联合设备采集参数包括：心电参数、血压参数、血氧参数、跑台负载功率以及功率车负载功率；
步骤3：获取回归数据模型，包括：
获取回归分析数据；
基于AI数据模型算法，根据回归分析数据，构建回归数据模型，其中，AI数据模型算法为：线性回归、逻辑回归、多项式回归、支持向量机回归、决策树回归和随机森林回归中的一种；
获取回归分析数据，包括：
获取进行医学变量分析的分析记录，分析记录为：进行医学变量分析的人工记录；
解析分析记录，获取分析参数，计算分析参数和第一采集参数的参数相似度，并将参数相似度作为第一选拔系数，分析参数为：分析记录中进行分析的医学变量；
根据分析记录，获取医学变量分析的分析目标，分析目标为：分析记录中的分析项目；
获取心肺功能测试设备的测试功能；
根据分析目标和测试功能，计算目标相似度，并将目标相似度作为第二选拔系数，目标相似度为：分析目标和测试功能的功能相似程度；
获取分析记录的分析方的分析可靠性判定依据；
根据分析可靠性判定依据，确定第三选拔系数；
计算第一选拔系数、第二选拔系数和第三选拔系数的累加和，获得选拔指数，确定选拔指数大于等于预设的选拔指数阈值的分析记录作为回归分析数据；
步骤4：基于回归数据模型，根据分析需求，获取第一采集参数中的第二采集参数，包括：
根据分析需求，获取所需分析参数种类，所需分析参数种类为：根据分析需求确定的测试项目的相关测试所需的参数种类；
根据第一采集参数和所需分析参数种类，获取待回归参数，待回归参数为：参数种类为所需分析参数种类的第一采集参数；
基于回归数据模型，根据待回归参数，确定第二采集参数，第二采集参数为：基于回归数据模型对待回归参数进行衍生的参数；
步骤5：基于第二采集参数的参数类型，对第二采集参数进行数据处理，获得处理数据，包括：
依次遍历每一参数类型的第二采集参数，并将当前正在遍历的参数类型的第二采集参数作为第三采集参数；
获取第三采集参数的数据处理策略集；
根据分析需求，获取第三采集参数的数据处理特征组，数据处理特征组为：按照预先设置的数据处理特征类型顺序填入数据处理特征的向量组，数据处理特征为：第三采集参数的分析需求的特征化表示；
根据数据处理特征组，确定第三采集参数的选取数据处理策略；
基于选取数据处理策略对第三采集参数进行数据处理，获得处理子数据；
当所有参数类型的第二采集参数遍历完成后，将处理子数据共同作为处理数据；
根据数据处理特征组，确定第三采集参数的选取数据处理策略，包括：
获取数据处理策略挑选记录集；
根据数据处理策略挑选记录集，构建数据处理特征-触发特征对照库，数据处理特征-触发特征对照库包括：多个一一对应的数据处理特征集和触发特征集，数据处理特征集为数据处理策略挑选记录中人工挑选数据处理策略时的分析需求的特征化表示的集合；触发特征集为：数据处理策略挑选记录中人工挑选的数据处理策略的触发条件的特征化表示的集合；
基于数据处理特征-触发特征对照库，根据数据处理特征组，确定第三采集参数的选取数据处理策略；
根据数据处理策略挑选记录集，构建数据处理特征-触发特征对照库，包括：
获取数据处理策略挑选记录集中的数据处理策略挑选记录的处理结果；
获取处理结果的对照组，对照组为：在与数据处理策略挑选记录的挑选情况相似的挑选情况下其他数据处理策略下的数据处理过程；
获取对照组的对照类型，对照类型包括：历史对照，实时对照和未来对照；
根据对照类型，确定对照干扰因子，对照干扰因子为：根据对照类型确定的干扰因素；
获取对照组的对照结果，对照结果为：对照组的目标完成度；
根据处理结果和对照结果，确定第一记录挑选值，第一记录挑选值为：处理结果或对照结果的目标完成度；
根据对照干扰因子对第一记录挑选值进行修正，获得第二记录挑选值；
确定第二记录挑选值最大的挑选记录，并汇总挑选记录，获得重整记录集；
根据重整记录集，确定策略挑选逻辑；
根据策略挑选逻辑，构建数据处理特征集和触发特征集的对应关系，并将对应关系存入预设的空白数据。
2.如权利要求1所述的一种多参数心肺功能测试设备的数据处理方法，其特征在于，步骤1：获取心肺功能测试设备的测试模式，包括：
获取设备使用方输入心肺功能测试设备的测试模式选择信息；
根据测试模式选择信息，确定测试模式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410268819.XA CN117877748B (zh) | 2024-03-11 | 2024-03-11 | 一种多参数心肺功能测试设备及其数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410268819.XA CN117877748B (zh) | 2024-03-11 | 2024-03-11 | 一种多参数心肺功能测试设备及其数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117877748A CN117877748A (zh) | 2024-04-12 |
| CN117877748B true CN117877748B (zh) | 2024-05-14 |
Family
ID=90584897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410268819.XA Active CN117877748B (zh) | 2024-03-11 | 2024-03-11 | 一种多参数心肺功能测试设备及其数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117877748B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
| CN107181776A (zh) * | 2016-03-10 | 2017-09-19 | 华为技术有限公司 | 一种数据处理方法及相关设备、系统 |
| CN108206046A (zh) * | 2017-12-28 | 2018-06-26 | 新华三大数据技术有限公司 | 一种数据处理方法及装置 |
| CN109830303A (zh) * | 2019-02-01 | 2019-05-31 | 上海众恒信息产业股份有限公司 | 基于互联网一体化医疗平台的临床数据挖掘分析与辅助决策方法 |
| CN112370043A (zh) * | 2020-09-24 | 2021-02-19 | 江苏苏云医疗器材有限公司 | 一种便携式多功能心肺功能测试装置及其测试方法 |
| CN116362101A (zh) * | 2021-12-17 | 2023-06-30 | 新智我来网络科技有限公司 | 基于联合学习的数据处理方法、数据模型生成方法及装置 |
| CN116350208A (zh) * | 2023-05-15 | 2023-06-30 | 扬州大学附属医院（扬州市第一人民医院） | 一种心肺功能测试装置及其使用方法 |
| CN116701886A (zh) * | 2023-08-07 | 2023-09-05 | 知心健(南京)科技有限公司 | 一种运动肺测试数据智能分析管理系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8388530B2 (en) * | 2000-05-30 | 2013-03-05 | Vladimir Shusterman | Personalized monitoring and healthcare information management using physiological basis functions |
-
2024
- 2024-03-11 CN CN202410268819.XA patent/CN117877748B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
| CN107181776A (zh) * | 2016-03-10 | 2017-09-19 | 华为技术有限公司 | 一种数据处理方法及相关设备、系统 |
| CN108206046A (zh) * | 2017-12-28 | 2018-06-26 | 新华三大数据技术有限公司 | 一种数据处理方法及装置 |
| CN109830303A (zh) * | 2019-02-01 | 2019-05-31 | 上海众恒信息产业股份有限公司 | 基于互联网一体化医疗平台的临床数据挖掘分析与辅助决策方法 |
| CN112370043A (zh) * | 2020-09-24 | 2021-02-19 | 江苏苏云医疗器材有限公司 | 一种便携式多功能心肺功能测试装置及其测试方法 |
| CN116362101A (zh) * | 2021-12-17 | 2023-06-30 | 新智我来网络科技有限公司 | 基于联合学习的数据处理方法、数据模型生成方法及装置 |
| CN116350208A (zh) * | 2023-05-15 | 2023-06-30 | 扬州大学附属医院（扬州市第一人民医院） | 一种心肺功能测试装置及其使用方法 |
| CN116701886A (zh) * | 2023-08-07 | 2023-09-05 | 知心健(南京)科技有限公司 | 一种运动肺测试数据智能分析管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117877748A (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210137391A1 (en) | Hybrid sensing based physiological monitoring and analyzing method and system | |
| US20030208106A1 (en) | Method of cardiac risk assessment | |
| CN110051324A (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
| CN115083604B (zh) | 一种术后不良事件预测模型的构建方法、系统和预测装置 | |
| CN116705238A (zh) | 基于体医结合的运动处方健康数据管理平台 | |
| CN112582067A (zh) | 基于大数据的年龄估计模型训练、年龄估计方法和装置 | |
| Vainamo et al. | Artificial neural networks for aerobic fitness approximation | |
| KR101603308B1 (ko) | 생체 나이 연산 모델 생성 방법 및 시스템과, 그 생체 나이 연산 방법 및 시스템 | |
| CN113903466A (zh) | 辅助评估人群心血管疾病危险程度的数据处理装置、系统及其应用 | |
| CN117877748B (zh) | 一种多参数心肺功能测试设备及其数据处理方法 | |
| Speroff et al. | Lens Model Analysis of Hemodynamic status in the critically III | |
| CN116453656B (zh) | 一种心理健康评估预警系统及方法 | |
| CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
| CN115775629B (zh) | 一种术前基于亚极量运动试验评估PPCs风险的方法 | |
| Romagnoli et al. | Signal Processing for athletic cardiovascular monitoring with wearable sensors: Fully automatic detection of training phases from heart rate data | |
| WO2020220403A1 (zh) | 疲劳状态检测方法、装置、设备及存储介质 | |
| KR102477592B1 (ko) | 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 | |
| CN112043251B (zh) | 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统 | |
| KR20160146465A (ko) | 호흡가스 분석에 기반하여 미병 분류를 보조하는 컴퓨팅 시스템 및 방법 | |
| Hansen et al. | Validity and reliability of seismocardiography for the estimation of cardiorespiratory fitness | |
| CN112669973B (zh) | 基于大数据深度学习的疾病协同递进预测方法和机器人 | |
| CN113425279B (zh) | 一种用于呼吸窘迫综合征的动物实验方法 | |
| CN210354670U (zh) | 一种基于混合传感的生理监测及分析系统 | |
| Wu et al. | Artifact Detection in Invasive Blood Pressure Data using Forecasting Methods and Machine Learning | |
| CN116439713A (zh) | 一种基于血流动力学参数与bp神经网络的体力负荷评估方法 |
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 |