CN117912711B - 血液透析数据采集分析系统及方法 - Google Patents
血液透析数据采集分析系统及方法 Download PDFInfo
- Publication number
- CN117912711B CN117912711B CN202410309540.1A CN202410309540A CN117912711B CN 117912711 B CN117912711 B CN 117912711B CN 202410309540 A CN202410309540 A CN 202410309540A CN 117912711 B CN117912711 B CN 117912711B
- Authority
- CN
- China
- Prior art keywords
- hemodialysis
- sequence
- parameter
- feature
- semantic
- 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
- 238000001631 haemodialysis Methods 0.000 title claims abstract description 351
- 230000000322 hemodialysis Effects 0.000 title claims abstract description 351
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 238000000502 dialysis Methods 0.000 claims abstract description 154
- 230000008569 process Effects 0.000 claims abstract description 61
- 230000005856 abnormality Effects 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 193
- 238000012549 training Methods 0.000 claims description 107
- 238000012512 characterization method Methods 0.000 claims description 60
- 238000013480 data collection Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000007405 data analysis Methods 0.000 claims description 16
- 230000017531 blood circulation Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000036772 blood pressure Effects 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000000108 ultra-filtration Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 17
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000003053 toxin Substances 0.000 description 2
- 231100000765 toxin Toxicity 0.000 description 2
- 108700012359 toxins Proteins 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 208000001889 Acid-Base Imbalance Diseases 0.000 description 1
- 208000009304 Acute Kidney Injury Diseases 0.000 description 1
- 208000037157 Azotemia Diseases 0.000 description 1
- 206010005746 Blood pressure fluctuation Diseases 0.000 description 1
- 206010014418 Electrolyte imbalance Diseases 0.000 description 1
- 208000033626 Renal failure acute Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 201000011040 acute kidney failure Diseases 0.000 description 1
- 208000012998 acute renal failure Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 208000022831 chronic renal failure syndrome Diseases 0.000 description 1
- 238000007485 conventional hemodialysis Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000013632 homeostatic process Effects 0.000 description 1
- 239000012528 membrane 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
- 238000003062 neural network model Methods 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000009852 uremia Diseases 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- External Artificial Organs (AREA)
Abstract
本申请公开了一种血液透析数据采集分析系统及方法,涉及智能监测技术领域,其利用基于深度学习的人工智能技术来监测和分析血液透析过程中的透析参数时间序列数据,捕捉到透析参数的时序波动信息,以此来表征血液透析过程的全局稳定性,进而智能判断透析过程是否存在异常。这样,能够实现实时的透析过程异常检测,使医生和患者能够及时察觉异常情况,以避免潜在的风险和危害。
Description
技术领域
本申请涉及智能监测技术领域,且更为具体地,涉及一种血液透析数据采集分析系统及方法。
背景技术
血液透析,也称为人工肾或洗肾,是一种血液净化技术,通过使用半透膜原理来清除血液中的废物和多余水分。在血液透析过程中,患者的血液被引入透析器中,通过与透析液的反向流动,借助溶质梯度和渗透梯度等原理,将毒素和多余水分从血液中清除,同时纠正电解质和酸碱平衡紊乱。对于患有急慢性肾功能衰竭或尿毒症的患者,由于肾脏无法充分排泄废物和维持正常的体内平衡,血液透析成为了一种必要的治疗手段。通过定期的血液透析治疗,可以帮助患者清除体内积聚的毒素、多余水分和其他有害物质,缓解病情,提高生活质量。
对血液透析过程进行严密监测是患者血液透析顺利进行的重要保障。然而,传统的血液透析工作主要依赖于医护人员对透析过程中的透析参数进行分析和记录,存在病人多、设备多、工作繁重、实时性较差等问题。目前,现有的一些血液透析监测系统大多基于固定的阈值比较方法,仅能对单一或少数透析参数进行简单异常检测,存在一定的局限性。
因此,期待一种智能化的血液透析数据采集分析系统及方法。
发明内容
为了解决上述技术问题,提出了本申请。
相应地,根据本申请的一个方面,提供了一种血液透析数据采集分析系统,其包括:
透析参数获取模块,用于获取由血液透析机采集的血液透析过程中的透析参数的时间序列;
局部多参数关联特征提取模块,用于提取所述透析参数的时间序列的局部多参数关联特征以得到血透析多参数时序关联语义特征向量的序列;
全局稳定性表征模块,用于计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的血透析特征全局稳定性表征特征向量;
透析过程异常检测模块,用于基于所述血透析特征全局稳定性表征特征向量,确定透析过程是否存在异常;
其中,所述全局稳定性表征模块,用于:
以如下语义波动系数计算公式来计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的所述血透析特征全局稳定性表征特征向量;其中,所述语义波动系数计算公式为:
;
其中,是所述血透析多参数时序关联语义特征向量的序列中第/>个血透析多参数时序关联语义特征向量,/>是所述血透析多参数时序关联语义特征向量的序列中第/>个血透析多参数时序关联语义特征向量,/>表示特征向量的1范数,/>为所述血透析多参数时序关联语义特征向量的序列的长度减一,/>表示所述血透析多参数时序关联语义特征向量的序列,/>为第/>个所述血透析特征语义波动系数。
在上述血液透析数据采集分析系统中,所述透析参数包括血压值、血流量值、超滤量和透析液温度。
在上述血液透析数据采集分析系统中,所述局部多参数关联特征提取模块,包括:透析参数预处理单元,用于基于预定时间尺度对所述透析参数的时间序列进行序列切分以得到透析参数的局部时间序列的集合;参数矩阵构造单元,用于将所述透析参数的局部时间序列的集合中的各个透析参数的局部时间序列按照时间维度和参数样本维度排列为血透析多参数时序关联输入矩阵以得到血透析多参数时序关联输入矩阵的序列;关联特征提取单元,用于利用深度学习网络模型对所述血透析多参数时序关联输入矩阵的序列进行特征提取以得到所述血透析多参数时序关联语义特征向量的序列。
在上述血液透析数据采集分析系统中,所述深度学习网络模型为基于卷积神经网络模型的血透析时序特征提取器。
在上述血液透析数据采集分析系统中,所述关联特征提取单元,用于:将所述血透析多参数时序关联输入矩阵的序列通过所述基于卷积神经网络模型的血透析时序特征提取器以得到所述血透析多参数时序关联语义特征向量的序列。
在上述血液透析数据采集分析系统中,所述透析过程异常检测模块,用于:将所述血透析特征全局稳定性表征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透析过程是否存在异常。
在上述血液透析数据采集分析系统中,还包括用于对所述基于卷积神经网络模型的血透析时序特征提取器和所述分类器进行训练的训练模块。
在上述血液透析数据采集分析系统中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括训练透析参数的时间序列,以及,透析过程是否存在异常的真实值;训练参数序列切分单元,用于基于预定时间尺度对所述训练透析参数的时间序列进行序列切分以得到训练透析参数的局部时间序列的集合;训练参数时序关联编码单元,用于将所述训练透析参数的局部时间序列的集合中的各个训练透析参数的局部时间序列按照时间维度和参数样本维度排列为训练血透析多参数时序关联输入矩阵后通过所述基于卷积神经网络模型的血透析时序特征提取器以得到训练血透析多参数时序关联语义特征向量的序列;训练参数语义波动编码单元,用于计算所述训练血透析多参数时序关联语义特征向量的序列中的各个训练血透析多参数时序关联语义特征向量相对于所述训练血透析多参数时序关联语义特征向量的序列中的所有其他训练血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的训练血透析特征全局稳定性表征特征向量;分类损失函数值计算单元,用于将所述训练血透析特征全局稳定性表征特征向量通过分类器以得到分类损失函数值;模型训练单元,用于以所述分类损失函数值来对所述基于卷积神经网络模型的血透析时序特征提取器和所述分类器进行训练,其中,在分类器的每次迭代训练时,对于所述训练血透析特征全局稳定性表征特征向量进行优化。
根据本申请的另一个方面,提供了一种血液透析数据采集分析的方法,其包括:
获取由血液透析机采集的血液透析过程中的透析参数的时间序列,其中,所述透析参数包括血压值、血流量值、超滤量和透析液温度;
提取所述透析参数的时间序列的局部多参数关联特征以得到血透析多参数时序关联语义特征向量的序列;
计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的血透析特征全局稳定性表征特征向量;
基于所述血透析特征全局稳定性表征特征向量,确定透析过程是否存在异常;
其中,计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的血透析特征全局稳定性表征特征向量,包括:
以如下语义波动系数计算公式来计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的所述血透析特征全局稳定性表征特征向量;其中,所述语义波动系数计算公式为:
;
其中,是所述血透析多参数时序关联语义特征向量的序列中第/>个血透析多参数时序关联语义特征向量,/>是所述血透析多参数时序关联语义特征向量的序列中第/>个血透析多参数时序关联语义特征向量,/>表示特征向量的1范数,/>为所述血透析多参数时序关联语义特征向量的序列的长度减一,/>表示所述血透析多参数时序关联语义特征向量的序列,/>为第/>个所述血透析特征语义波动系数。
与现有技术相比,本申请提供的血液透析数据采集分析系统及方法,其利用基于深度学习的人工智能技术来监测和分析血液透析过程中的透析参数时间序列数据,捕捉到透析参数的时序波动信息,以此来表征血液透析过程的全局稳定性,进而智能判断透析过程是否存在异常。这样,能够实现实时的透析过程异常检测,使医生和患者能够及时察觉异常情况,以避免潜在的风险和危害。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的血液透析数据采集分析系统的框图。
图2为根据本申请实施例的血液透析数据采集分析系统的架构示意图。
图3为根据本申请实施例的血液透析数据采集分析系统中局部多参数关联特征提取模块的框图。
图4为根据本申请实施例的血液透析数据采集分析系统中训练模块的框图。
图5为根据本申请实施例的血液透析数据采集分析的方法的流程图。
具体实施方式
下面,将结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。同时,附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的血液透析数据采集分析系统的框图。图2为根据本申请实施例的血液透析数据采集分析系统的架构示意图。如图1和图2所示,根据本申请实施例的血液透析数据采集分析系统100,包括:透析参数获取模块110,用于获取由血液透析机采集的血液透析过程中的透析参数的时间序列;局部多参数关联特征提取模块120,用于提取所述透析参数的时间序列的局部多参数关联特征以得到血透析多参数时序关联语义特征向量的序列;全局稳定性表征模块130,用于计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的血透析特征全局稳定性表征特征向量;透析过程异常检测模块140,用于基于所述血透析特征全局稳定性表征特征向量,确定透析过程是否存在异常。
如上述背景技术所言,传统的血液透析工作主要依赖于医护人员对透析过程中的透析参数进行分析和记录,存在病人多、设备多、工作繁重、实时性较差等问题。目前,现有的一些血液透析监测系统虽然能够实现血液透析过程中的异常情况自动预警,但这些监测系统大多基于固定的阈值比较方法,仅能对单一或少数透析参数进行简单的异常检测,存在一定的局限性。
针对上述技术问题,本申请的技术构思为利用基于深度学习的人工智能技术来监测和分析血液透析过程中的透析参数时间序列数据,捕捉到透析参数的时序波动信息,以此来表征血液透析过程的全局稳定性,进而智能判断透析过程是否存在异常。这样,能够实现实时的透析过程异常检测,使医生和患者能够及时察觉异常情况,以避免潜在的风险和危害。
在上述血液透析数据采集分析系统100中,所述透析参数获取模块110,用于获取由血液透析机采集的血液透析过程中的透析参数的时间序列。具体地,所述透析参数包括血压值、血流量值、超滤量和透析液温度。应可以理解,血压值、血流量值、超滤量和透析液温度是透析过程中的重要监测指标。具体来说,血压是血液在血管内流动时作用于血管壁的压力。血流量是指透析过程中通过透析器的血液流动速度。血压和血流量的波动可以反映透析过程中的血容量状态、循环动力学变化以及血液凝块、透析器堵塞等问题。超滤量是指透析过程中通过透析器从血液中去除的多余液体量,可以反映透析过程中的水分平衡情况。透析液温度是指透析过程中供给透析器的液体的温度,是影响透析效果和患者舒适度的因素之一。通过采集血液透析过程中的血压值、血流量值、超滤量和透析液温度的时间序列数据,可以了解透析参数在时间上的波动情况,对透析过程进行全面的监测和分析,从而及时发现透析过程中的异常情况并提醒医护人员采取相应的措施。
在上述血液透析数据采集分析系统100中,所述局部多参数关联特征提取模块120,用于提取所述透析参数的时间序列的局部多参数关联特征以得到血透析多参数时序关联语义特征向量的序列。具体地,图3为根据本申请实施例的血液透析数据采集分析系统中局部多参数关联特征提取模块的框图。如图3所示,所述局部多参数关联特征提取模块120,包括:透析参数预处理单元121,用于基于预定时间尺度对所述透析参数的时间序列进行序列切分以得到透析参数的局部时间序列的集合;参数矩阵构造单元122,用于将所述透析参数的局部时间序列的集合中的各个透析参数的局部时间序列按照时间维度和参数样本维度排列为血透析多参数时序关联输入矩阵以得到血透析多参数时序关联输入矩阵的序列;关联特征提取单元123,用于利用深度学习网络模型对所述血透析多参数时序关联输入矩阵的序列进行特征提取以得到所述血透析多参数时序关联语义特征向量的序列。
具体地,所述透析参数预处理单元121,用于基于预定时间尺度对所述透析参数的时间序列进行序列切分以得到透析参数的局部时间序列的集合。应可以理解,考虑到所述透析参数的时间序列是连续的高维数据,直接对整个时间序列进行处理可能会导致计算复杂度过高和资源消耗过大。并且,由于整个透析参数时间序列的时间尺度过大,在后续的透析参数时序特征分析的过程中可能会造成细节信息的损失。因此,为了对所述透析参数的时间序列进行更精细的时序变化特征分析,进一步以预定时间尺度对所述透析参数的时间序列进行序列切分处理,将其划分为多个透析参数的局部时间序列。这样,每个透析参数的局部时间序列代表了一段时间内的透析参数变化情况,通过对各个透析参数的局部时间序列进行独立的时序特征分析,可以更精确地识别透析过程中的异常情况,有助于更好地理解透析过程的细微变化,提高异常监测的准确性和效果。此外,通过切分为局部时间序列,可以将数据的规模减小到可处理的范围内,提高数据处理的效率。
具体地,所述参数矩阵构造单元122,用于将所述透析参数的局部时间序列的集合中的各个透析参数的局部时间序列按照时间维度和参数样本维度排列为血透析多参数时序关联输入矩阵以得到血透析多参数时序关联输入矩阵的序列。在本申请的技术方案中,考虑到在透析过程中的不同透析参数之间存在着时序关联关系。例如,血压值的变化可能会影响超滤量的调节,而血流量值的改变可能会对透析液温度产生影响。因此,为了更好地理解透析过程中不同透析参数的复杂关联关系,进一步将各个所述透析参数的局部时间序列分别按照时间维度和参数样本维度排列为血透析多参数时序关联输入矩阵,以综合利用多项透析参数的时序变化信息,并保留各项透析参数之间的时序关联关系,便于后续的多参数时序关联特征挖掘。
具体地,所述关联特征提取单元123,用于利用深度学习网络模型对所述血透析多参数时序关联输入矩阵的序列进行特征提取以得到所述血透析多参数时序关联语义特征向量的序列。在本申请的一个具体示例中,利用深度学习网络模型对所述血透析多参数时序关联输入矩阵的序列进行特征提取以得到所述血透析多参数时序关联语义特征向量的序列的编码方式是将所述血透析多参数时序关联输入矩阵的序列通过基于卷积神经网络模型的血透析时序特征提取器以得到所述血透析多参数时序关联语义特征向量的序列。应可以理解,卷积神经网络(CNN)在处理时序数据方面具有良好性能。在本申请的技术方案中,所述基于卷积神经网络模型的血透析时序特征提取器通过应用卷积层对所述血透析多参数时序关联输入矩阵进行局部时间窗口内的多参数时序关联语义特征提取,以捕捉透析过程中的多参数局部时序关联模式,例如短时的血压波动或超滤量的突变,从而提高透析过程数据的表征能力,并为后续的异常检测提供更可靠的数据基础。
在上述血液透析数据采集分析系统100中,所述全局稳定性表征模块130,用于计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的血透析特征全局稳定性表征特征向量。应可以理解,透析过程的稳定进行对于患者的透析效果具有重要意义。因此,为了评估透析过程的整体稳定性和一致性,进一步通过计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,来量化每个局部时间序列的透析参数相对于其他时间序列的透析参数的波动性,即其在透析过程中的变化幅度。具体来说,如果所述血透析特征语义波动系数较小,则表示透析过程中透析参数的波动性较小,透析过程相对稳定;反之,如果所述血透析特征语义波动系数较大,则表示透析过程中存在较大的参数波动性,透析过程相对不稳定。
在本申请的一个具体示例中,所述全局稳定性表征模块130,用于:以如下语义波动系数计算公式来计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的所述血透析特征全局稳定性表征特征向量;其中,所述语义波动系数计算公式为:
;
其中,是所述血透析多参数时序关联语义特征向量的序列中第/>个血透析多参数时序关联语义特征向量,/>是所述血透析多参数时序关联语义特征向量的序列中第/>个血透析多参数时序关联语义特征向量,/>表示特征向量的1范数,/>为所述血透析多参数时序关联语义特征向量的序列的长度减一,/>表示所述血透析多参数时序关联语义特征向量的序列,/>为第/>个所述血透析特征语义波动系数。
具体来说,这里,通过计算所述血透析多参数时序关联语义特征向量的序列中的第个血透析多参数时序关联语义特征向量/>与其他各个血透析多参数时序关联语义特征向量之间的1范数(即差值绝对值之和)来衡量同一类别的所述第/>个血透析多参数时序关联语义特征向量/>与所有其他血透析多参数时序关联语义特征向量在特征空间中的距离,并以此来表征所述第/>个血透析多参数时序关联语义特征向量/>的语义波动性,进而反映血液透析过程的稳定性。
在上述血液透析数据采集分析系统100中,所述透析过程异常检测模块140,用于基于所述血透析特征全局稳定性表征特征向量,确定透析过程是否存在异常。在本申请的一个具体示例中,基于所述血透析特征全局稳定性表征特征向量确定透析过程是否存在异常的实现方式是将所述血透析特征全局稳定性表征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透析过程是否存在异常。应可以理解,所述血透析特征全局稳定性表征特征向量包含了透析过程中透析参数的时序波动信息,对血透析过程的全局稳定性具有全面的表征能力。在本申请的技术方案中,使用分类器来对所述血透析特征全局稳定性表征特征向量进行进一步的处理,以根据所述血透析特征全局稳定性表征特征向量中的透析参数的时序波动信息判断透析过程是否存在异常。例如,血流速过快、透析液温度过高、透析液压力过低等异常情况。具体地,首先,分类器通过使用大量带标记的透析参数时间序列数据进行训练,以学习到正常透析状态和异常透析状态的透析参数时序特征与对应标签之间的映射规律,从而能够基于这种映射规律对未知标签的所述血透析特征全局稳定性表征特征向量进行准确分类,并输出用于表示透析过程是否存在异常的分类结果。这样,能够实现实时的透析过程异常检测,给医护人员提供及时的决策支持,以避免潜在的风险和危害。
应可以理解,在利用上述神经网络模型之前,需要对所述基于卷积神经网络模型的血透析时序特征提取器和所述分类器进行训练。也就是说,在本申请的血液透析数据采集分析系统中,还包括用于对所述基于卷积神经网络模型的血透析时序特征提取器和所述分类器进行训练的训练模块。
图4为根据本申请实施例的血液透析数据采集分析系统中训练模块的框图。如图4所示,所述训练模块200,包括:训练数据获取单元210,用于获取训练数据,所述训练数据包括训练透析参数的时间序列,以及,透析过程是否存在异常的真实值;训练参数序列切分单元220,用于基于预定时间尺度对所述训练透析参数的时间序列进行序列切分以得到训练透析参数的局部时间序列的集合;训练参数时序关联编码单元230,用于将所述训练透析参数的局部时间序列的集合中的各个训练透析参数的局部时间序列按照时间维度和参数样本维度排列为训练血透析多参数时序关联输入矩阵后通过所述基于卷积神经网络模型的血透析时序特征提取器以得到训练血透析多参数时序关联语义特征向量的序列;训练参数语义波动编码单元240,用于计算所述训练血透析多参数时序关联语义特征向量的序列中的各个训练血透析多参数时序关联语义特征向量相对于所述训练血透析多参数时序关联语义特征向量的序列中的所有其他训练血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的训练血透析特征全局稳定性表征特征向量;分类损失函数值计算单元250,用于将所述训练血透析特征全局稳定性表征特征向量通过分类器以得到分类损失函数值;模型训练单元260,用于以所述分类损失函数值来对所述基于卷积神经网络模型的血透析时序特征提取器和所述分类器进行训练,其中,在分类器的每次迭代训练时,对于所述训练血透析特征全局稳定性表征特征向量进行优化。
在本申请的技术方案中,所述训练血透析多参数时序关联语义特征向量的序列中的每个训练血透析多参数时序关联语义特征向量表达所述训练透析参数在全局时域通过序列切分确定的局部时域下的样本-时序交叉维度局部关联特征,这样,考虑到所述训练透析参数在全局时域下的各个局部时域间的时序分布不均衡,在进行了样本-时序交叉维度局部关联特征提取后,各个所述训练血透析多参数时序关联语义特征向量的特征分布会存在显著的不均衡和不一致。
由此,当计算所述训练血透析多参数时序关联语义特征向量的序列中各个训练血透析多参数时序关联语义特征向量相对于所述训练血透析多参数时序关联语义特征向量的序列中其他训练血透析多参数时序关联语义特征向量的血透析特征语义波动系数时,考虑到局部时域间的血透析特征语义波动系数由于特征分布的显著的不均衡和不一致而存在显著的数值差异,从而导致分布外离群数值的出现,影响所述训练血透析特征全局稳定性表征特征向量的分布聚合效果,从而影响所述训练血透析特征全局稳定性表征特征向量通过分类器的分类收敛效果,即影响分类训练速度和分类结果的准确性。
因此,本申请优选地在分类器的每次迭代训练时,对于所述训练血透析特征全局稳定性表征特征向量进行优化。
在本申请的一个具体示例中,以如下优化公式对于所述训练血透析特征全局稳定性表征特征向量进行优化以得到优化所述优化后训练血透析特征全局稳定性表征特征向量;其中,所述优化公式为:
;
其中,是所述训练血透析特征全局稳定性表征特征向量,/>是所述训练血透析特征全局稳定性表征特征向量的第/>个位置的特征值,/>是所述训练血透析特征全局稳定性表征特征向量/>的1范数的平方,/>是所述训练血透析特征全局稳定性表征特征向量/>的2范数的平方根的倒数,/>是所述训练血透析特征全局稳定性表征特征向量/>的长度,且/>是缩放超参数,/>表示以2为底的对数函数值,/>是所述优化后训练血透析特征全局稳定性表征特征向量的第/>个位置的特征值。
这里,以基于所述训练血透析特征全局稳定性表征特征向量的范数的低秩化结构表示为所述训练血透析特征全局稳定性表征特征向量/>的特征值集合聚合的投票簇,对所述训练血透析特征全局稳定性表征特征向量/>的每个特征值进行相对于信息感知框架的典范化投票,以通过聚合特征分布的方向和尺度的回归表示来将归属于同一回归类的特征值映射到类似的局部典范化坐标集合,从而提升所述训练血透析特征全局稳定性表征特征向量/>的特征集合的聚合效果,提升所述训练血透析特征全局稳定性表征特征向量/>通过分类器的分类收敛效果,即提升分类训练速度和分类结果的准确性。
综上,根据本申请实施例的血液透析数据采集分析系统被阐明,其利用基于深度学习的人工智能技术来监测和分析血液透析过程中的透析参数时间序列数据,捕捉到透析参数的时序波动信息,以此来表征血液透析过程的全局稳定性,进而智能判断透析过程是否存在异常。这样,能够实现实时的透析过程异常检测,使医生和患者能够及时察觉异常情况,以避免潜在的风险和危害。
图5为根据本申请实施例的血液透析数据采集分析的方法的流程图。如图5所示,根据本申请实施例的血液透析数据采集分析的方法,包括步骤:S1,获取由血液透析机采集的血液透析过程中的透析参数的时间序列,其中,所述透析参数包括血压值、血流量值、超滤量和透析液温度;S2,提取所述透析参数的时间序列的局部多参数关联特征以得到血透析多参数时序关联语义特征向量的序列;S3,计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的血透析特征全局稳定性表征特征向量;S4,基于所述血透析特征全局稳定性表征特征向量,确定透析过程是否存在异常。
这里,本领域技术人员可以理解,上述血液透析数据采集分析的方法中的各个步骤的具体操作已经在上面参考图1到图4的血液透析数据采集分析系统的描述中得到了详细介绍,并因此,将省略其重复描述。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,在本发明中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外,上述实施例的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本发明为必须采用上述具体的细节来实现。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。在本发明所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元也可以由一个单元通过软件或者硬件来实现。
最后应说明的是,为了例示和描述的目的已经给出了以上描述。此外,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种血液透析数据采集分析系统,其特征在于,包括:
透析参数获取模块,用于获取由血液透析机采集的血液透析过程中的透析参数的时间序列;
局部多参数关联特征提取模块,用于提取所述透析参数的时间序列的局部多参数关联特征以得到血透析多参数时序关联语义特征向量的序列;
全局稳定性表征模块,用于计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的血透析特征全局稳定性表征特征向量;
透析过程异常检测模块,用于基于所述血透析特征全局稳定性表征特征向量,确定透析过程是否存在异常;
其中,所述全局稳定性表征模块,用于:
以如下语义波动系数计算公式来计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的所述血透析特征全局稳定性表征特征向量;其中,所述语义波动系数计算公式为:
;
其中,是所述血透析多参数时序关联语义特征向量的序列中第/>个血透析多参数时序关联语义特征向量,/>是所述血透析多参数时序关联语义特征向量的序列中第/>个血透析多参数时序关联语义特征向量,/>表示特征向量的1范数,/>为所述血透析多参数时序关联语义特征向量的序列的长度减一,/>表示所述血透析多参数时序关联语义特征向量的序列,/>为第/>个所述血透析特征语义波动系数;
其中,所述透析参数包括血压值、血流量值、超滤量和透析液温度;
其中,所述局部多参数关联特征提取模块,包括:
透析参数预处理单元,用于基于预定时间尺度对所述透析参数的时间序列进行序列切分以得到透析参数的局部时间序列的集合;
参数矩阵构造单元,用于将所述透析参数的局部时间序列的集合中的各个透析参数的局部时间序列按照时间维度和参数样本维度排列为血透析多参数时序关联输入矩阵以得到血透析多参数时序关联输入矩阵的序列;
关联特征提取单元,用于利用深度学习网络模型对所述血透析多参数时序关联输入矩阵的序列进行特征提取以得到所述血透析多参数时序关联语义特征向量的序列。
2.根据权利要求1所述的血液透析数据采集分析系统,其特征在于,所述深度学习网络模型为基于卷积神经网络模型的血透析时序特征提取器。
3.根据权利要求2所述的血液透析数据采集分析系统,其特征在于,所述关联特征提取单元,用于:
将所述血透析多参数时序关联输入矩阵的序列通过所述基于卷积神经网络模型的血透析时序特征提取器以得到所述血透析多参数时序关联语义特征向量的序列。
4.根据权利要求3所述的血液透析数据采集分析系统,其特征在于,所述透析过程异常检测模块,用于:
将所述血透析特征全局稳定性表征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透析过程是否存在异常。
5.根据权利要求4所述的血液透析数据采集分析系统,其特征在于,还包括用于对所述基于卷积神经网络模型的血透析时序特征提取器和所述分类器进行训练的训练模块。
6.根据权利要求5所述的血液透析数据采集分析系统,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,所述训练数据包括训练透析参数的时间序列,以及,透析过程是否存在异常的真实值;
训练参数序列切分单元,用于基于预定时间尺度对所述训练透析参数的时间序列进行序列切分以得到训练透析参数的局部时间序列的集合;
训练参数时序关联编码单元,用于将所述训练透析参数的局部时间序列的集合中的各个训练透析参数的局部时间序列按照时间维度和参数样本维度排列为训练血透析多参数时序关联输入矩阵后通过所述基于卷积神经网络模型的血透析时序特征提取器以得到训练血透析多参数时序关联语义特征向量的序列;
训练参数语义波动编码单元,用于计算所述训练血透析多参数时序关联语义特征向量的序列中的各个训练血透析多参数时序关联语义特征向量相对于所述训练血透析多参数时序关联语义特征向量的序列中的所有其他训练血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的训练血透析特征全局稳定性表征特征向量;
分类损失函数值计算单元,用于将所述训练血透析特征全局稳定性表征特征向量通过分类器以得到分类损失函数值;
模型训练单元,用于以所述分类损失函数值来对所述基于卷积神经网络模型的血透析时序特征提取器和所述分类器进行训练,其中,在分类器的每次迭代训练时,对于所述训练血透析特征全局稳定性表征特征向量进行优化。
7.一种血液透析数据采集分析的方法,其特征在于,包括:
获取由血液透析机采集的血液透析过程中的透析参数的时间序列,其中,所述透析参数包括血压值、血流量值、超滤量和透析液温度;
提取所述透析参数的时间序列的局部多参数关联特征以得到血透析多参数时序关联语义特征向量的序列;
计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的血透析特征全局稳定性表征特征向量;
基于所述血透析特征全局稳定性表征特征向量,确定透析过程是否存在异常;
其中,计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的血透析特征全局稳定性表征特征向量,包括:
以如下语义波动系数计算公式来计算所述血透析多参数时序关联语义特征向量的序列中的各个血透析多参数时序关联语义特征向量相对于所述血透析多参数时序关联语义特征向量的序列中的所有其他血透析多参数时序关联语义特征向量的血透析特征语义波动系数,以得到由多个血透析特征语义波动系数组成的所述血透析特征全局稳定性表征特征向量;其中,所述语义波动系数计算公式为:
;
其中,是所述血透析多参数时序关联语义特征向量的序列中第/>个血透析多参数时序关联语义特征向量,/>是所述血透析多参数时序关联语义特征向量的序列中第/>个血透析多参数时序关联语义特征向量,/>表示特征向量的1范数,/>为所述血透析多参数时序关联语义特征向量的序列的长度减一,/>表示所述血透析多参数时序关联语义特征向量的序列,/>为第/>个所述血透析特征语义波动系数;
其中,提取所述透析参数的时间序列的局部多参数关联特征以得到血透析多参数时序关联语义特征向量的序列,包括:
基于预定时间尺度对所述透析参数的时间序列进行序列切分以得到透析参数的局部时间序列的集合;
将所述透析参数的局部时间序列的集合中的各个透析参数的局部时间序列按照时间维度和参数样本维度排列为血透析多参数时序关联输入矩阵以得到血透析多参数时序关联输入矩阵的序列;
利用深度学习网络模型对所述血透析多参数时序关联输入矩阵的序列进行特征提取以得到所述血透析多参数时序关联语义特征向量的序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309540.1A CN117912711B (zh) | 2024-03-19 | 2024-03-19 | 血液透析数据采集分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309540.1A CN117912711B (zh) | 2024-03-19 | 2024-03-19 | 血液透析数据采集分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117912711A CN117912711A (zh) | 2024-04-19 |
CN117912711B true CN117912711B (zh) | 2024-05-24 |
Family
ID=90694166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410309540.1A Active CN117912711B (zh) | 2024-03-19 | 2024-03-19 | 血液透析数据采集分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117912711B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118121217B (zh) * | 2024-05-08 | 2024-07-05 | 吉林大学 | 基于人工智能的盆底康复锻炼辅助系统及方法 |
CN118250126A (zh) * | 2024-05-23 | 2024-06-25 | 深圳市丛文安全电子有限公司 | 基于物联网的智能网关系统 |
CN118447991A (zh) * | 2024-07-08 | 2024-08-06 | 吉林大学 | 血液透析护理质量指标数据上报管理系统及终端设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206414548U (zh) * | 2016-08-29 | 2017-08-18 | 重庆医科大学附属永川医院 | 一种血液透析稳定系统 |
CN112509669A (zh) * | 2021-02-01 | 2021-03-16 | 肾泰网健康科技(南京)有限公司 | 基于ai技术的肾脏病血液透析方案定制方法及系统 |
CN115547500A (zh) * | 2022-11-03 | 2022-12-30 | 深圳市龙岗区第三人民医院 | 血液透析病人的健康监测设备及系统 |
CN116682566A (zh) * | 2023-08-03 | 2023-09-01 | 青岛市中医医院(青岛市海慈医院、青岛市康复医学研究所) | 一种血液透析的数据处理方法及系统 |
CN116759047A (zh) * | 2023-06-09 | 2023-09-15 | 河南中医药大学第一附属医院 | 用于血液透析的数据智能监控系统及其方法 |
CN117064382A (zh) * | 2023-08-21 | 2023-11-17 | 迟艳新 | 基于人工智能的血液生化参数智能分析与异常预警系统 |
CN117457229A (zh) * | 2023-12-26 | 2024-01-26 | 吉林大学 | 基于人工智能的麻醉深度监测系统及方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220248956A1 (en) * | 2015-09-07 | 2022-08-11 | Ablacon Inc. | Systems, Devices, Components and Methods for Detecting the Locations of Sources of Cardiac Rhythm Disorders in a Patient's Heart Using Body Surface Electrodes and/or Cardiac Monitoring Patches |
-
2024
- 2024-03-19 CN CN202410309540.1A patent/CN117912711B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206414548U (zh) * | 2016-08-29 | 2017-08-18 | 重庆医科大学附属永川医院 | 一种血液透析稳定系统 |
CN112509669A (zh) * | 2021-02-01 | 2021-03-16 | 肾泰网健康科技(南京)有限公司 | 基于ai技术的肾脏病血液透析方案定制方法及系统 |
CN115547500A (zh) * | 2022-11-03 | 2022-12-30 | 深圳市龙岗区第三人民医院 | 血液透析病人的健康监测设备及系统 |
CN116759047A (zh) * | 2023-06-09 | 2023-09-15 | 河南中医药大学第一附属医院 | 用于血液透析的数据智能监控系统及其方法 |
CN116682566A (zh) * | 2023-08-03 | 2023-09-01 | 青岛市中医医院(青岛市海慈医院、青岛市康复医学研究所) | 一种血液透析的数据处理方法及系统 |
CN117064382A (zh) * | 2023-08-21 | 2023-11-17 | 迟艳新 | 基于人工智能的血液生化参数智能分析与异常预警系统 |
CN117457229A (zh) * | 2023-12-26 | 2024-01-26 | 吉林大学 | 基于人工智能的麻醉深度监测系统及方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN117912711A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117912711B (zh) | 血液透析数据采集分析系统及方法 | |
CN107463633B (zh) | 一种基于eemd-神经网络的实时数据异常值检测方法 | |
CN112107752B (zh) | 血压预测方法与使用该方法的电子装置 | |
CN113671917B (zh) | 针对多模态工业过程异常状态的检测方法、系统、设备 | |
CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN113392894A (zh) | 一种多组学数据的聚类分析方法和系统 | |
CN111033413A (zh) | 监视设备和用于监视系统的方法 | |
CN117153336A (zh) | 一种基于血液透析机的血液透析监测系统及其方法 | |
CN117598700A (zh) | 智能化血氧饱和度检测系统及方法 | |
CN110738272B (zh) | 一种输电线路通道可视化机械类连续告警样本的标注方法 | |
CN110517234B (zh) | 特征骨异常检测方法及装置 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 | |
CN117807551A (zh) | 基于智能戒指的心率异常捕获方法及系统 | |
CN107272648B (zh) | 一种工业过程微小故障的分离方法 | |
CN117747085A (zh) | 一种基于ai智能的中医辅助诊疗平台 | |
CN117633641A (zh) | 用于农田灌溉管道过滤器的过滤性能检测方法 | |
CN111743535A (zh) | 一种基于图模型的脑电异常监测方法及系统 | |
CN116776284A (zh) | 用于机电设备的故障诊断方法、计算机设备及存储介质 | |
CN113780405B (zh) | 基于深度神经网络的空调机参数回归优化方法 | |
CN111938594B (zh) | 基于层次图模型的癫痫脑电信号异常监测系统及设备 | |
CN109528176A (zh) | 一种脑血管特征信息分析系统及方法 | |
CN115184734A (zh) | 一种电网线路故障检测方法和系统 | |
CN114842978A (zh) | 一种基于医疗大数据的血气分析智能检测系统及方法 | |
CN118304503A (zh) | 全流程血液透析信息智能管理系统及方法 | |
Verawati et al. | Artificial Neural Network in Classification of Human Blood Cells Using Faster R-CNN |
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 |