CN118236072B - 一种用于麻醉过程的患者体征状态监测方法 - Google Patents
一种用于麻醉过程的患者体征状态监测方法 Download PDFInfo
- Publication number
- CN118236072B CN118236072B CN202410676702.5A CN202410676702A CN118236072B CN 118236072 B CN118236072 B CN 118236072B CN 202410676702 A CN202410676702 A CN 202410676702A CN 118236072 B CN118236072 B CN 118236072B
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- point
- points
- attention point
- high attention
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 29
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 230000008569 process Effects 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 230000005856 abnormality Effects 0.000 claims abstract description 42
- 230000001932 seasonal effect Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 9
- 206010013700 Drug hypersensitivity Diseases 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 201000005311 drug allergy Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 206010002198 Anaphylactic reaction Diseases 0.000 description 3
- 206010020751 Hypersensitivity Diseases 0.000 description 3
- 208000026935 allergic disease Diseases 0.000 description 3
- 208000003455 anaphylaxis Diseases 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 208000030961 allergic reaction Diseases 0.000 description 2
- 230000003444 anaesthetic effect Effects 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 238000000718 qrs complex Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 230000000172 allergic effect Effects 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 230000036783 anaphylactic response Effects 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
- A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pharmacology & Pharmacy (AREA)
- Chemical & Material Sciences (AREA)
- Fuzzy Systems (AREA)
- Medicinal Chemistry (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种用于麻醉过程的患者体征状态监测方法,包括:获取患者的心电信号,得到若干心电信号段;获取每个心电信号段的五个关键极值点,根据心电信号段中每个关键极值点对应的时间,获取每个心电信号段中每个关键极值点的相对位置差异;得到若干高关注点;根据高关注点类别中每个高关注点对应电压值与参考电压值的差异,得到每个高关注点类别中每个高关注点的异常程度;根据异常程度得到每个高关注点类别中每个高关注点的异常因子;依据异常因子的大小,得到若干异常心电信号段。本发明提高了异常数据点监测的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于麻醉过程的患者体征状态监测方法。
背景技术
麻醉监测是手术中至关重要的环节,通过对患者的生理状态进行实时、准确的监测,以确保患者在手术过程中处于安全的麻醉状态。在麻醉过程中,通过监测患者心脏的电活动信息,医护人员可以及时发现心律失常等问题,并采取必要的措施。
由于各种因素的影响,如药物过敏、疾病影响,使得监测患者的心电信号常常受到影响。例如药物过敏会导致心电信号产生异常波动,使得心电信号不稳定,出现异常数据,影响了对患者麻醉状态的准确监测,此时就需要进行异常数据的进行判断。
然而,心电信号波动即使是出现异常,也在一定的波动范围内,与正常的信号波动差异较小,其信号波动不会出现较为显著的异常变化,无法很好地检测出心电信号的变化特性,导致异常数据波动监测不够准确。
发明内容
为解决上述问题,本发明提供一种用于麻醉过程的患者体征状态监测方法。
本发明的一种用于麻醉过程的患者体征状态监测方法采用如下技术方案:
本发明一个实施例提供了一种用于麻醉过程的患者体征状态监测方法,该方法包括以下步骤:
获取患者的心电信号,所述心电信号为连续时间信号,所述心电信号包含若干电压值;
将心电信号分为若干心电信号段;获取每个心电信号段的五个关键极值点,所述五个关键极值点为心电信号段中P波、QRS波及T波对应的极值点;
根据心电信号段中每个关键极值点对应的时间,获取每个心电信号段中每个关键极值点的相对位置差异;依据相对位置差异的大小得到若干高关注点;
对所有高关注点进行分类,得到若干高关注点类别;根据不同心电信号段中关键极值点之间的距离和高关注点类别中高关注点对应的电压值,得到参考电压值;根据高关注点类别中每个高关注点对应电压值与参考电压值的差异,得到每个高关注点类别中每个高关注点的异常程度;
根据异常程度得到每个高关注点类别中每个高关注点的异常因子;依据异常因子的大小,得到若干异常心电信号段。
进一步地,所述根据心电信号段中每个关键极值点对应的时间,获取每个心电信号段中每个关键极值点的相对位置差异,包括的具体步骤如下:
将每个心电信号段的初始时间均设置为1,依次连续增加;
式中,为第个心电信号段中第个关键极值点对应的时间,为心电信号段的数量,为第个心电信号段中第个关键极值点对应的时间,为取绝对值,为第个心电信号段中第个关键极值点的相对位置差异。
进一步地,所述依据相对位置差异的大小得到若干高关注点,包括的具体步骤如下:
将所有心电信号段中所有关键极值点的相对位置差异的均值,记为第一均值,若第个心电信号段中第个关键极值点的相对位置差异大于第一均值,将第个心电信号段中第个关键极值点,记为一个高关注点。
进一步地,所述对所有高关注点进行分类,得到若干高关注点类别,包括的具体步骤如下:
对于所有心电信号段中第个关键极值点,将属于高关注点的所有第个关键极值点构成的集合,记为一个高关注点类别。
进一步地,所述根据不同心电信号段中关键极值点之间的距离和高关注点类别中高关注点对应的电压值,得到参考电压值,包括的具体步骤如下:
式中,的具体获取方法如下:将所有心电信号段中第个关键极值点与第个心电信号段中第个关键极值点之间的欧式距离,均记为第个心电信号段中第个关键极值点的第一欧式距离,将第个心电信号段中第个关键极值点的所有第一欧式距离的平均值,记为;为预设的超参数,为所有高关注点类别中所有高关注点对应的电压值的均值,为参考电压值。
进一步地,所述根据高关注点类别中每个高关注点对应电压值与参考电压值的差异,得到每个高关注点类别中每个高关注点的异常程度,包括的具体步骤如下:
将任意一个高关注点类别,记为目标高关注点类别;
式中,为目标高关注点类别中第个高关注点在所属心电信号段中对应的时间,所述心电信号段的初始时间为1,依次连续增加;为所有高关注点类别中所有高关注点在所属心电信号段中对应时间的均值,为目标高关注点类别中第个高关注点对应的电压值,为参考电压值,为目标高关注点类别中第个高关注点的异常程度。
进一步地,所述根据异常程度得到每个高关注点类别中每个高关注点的异常因子,包括的具体步骤如下:
将任意一个高关注点类别,记为目标高关注点类别;
式中,为目标高关注点类别中第个高关注点的异常程度,为目标高关注点类别中所有高关注点的异常程度的均值,为目标高关注点类别中第个高关注点对应的电压值,为目标高关注点类别中所有高关注点对应的电压值的均值,为sigmoid函数,为目标高关注点类别中第个高关注点的异常因子。
进一步地,所述依据异常因子的大小,得到若干异常心电信号段,包括的具体步骤如下:
将任意一个高关注点类别,记为目标高关注点类别;
预设一个第一阈值,若目标高关注点类别中第个高关注点的异常因子大于第一阈值,第个高关注点所在的心电信号段存在异常,记为一个异常心电信号段。
进一步地,所述将心电信号分为若干心电信号段,包括的具体步骤如下:
对心电信号进行STL分解,得到心电信号的季节项;获取季节项的若干周期;依据季节项的若干周期对心电信号进行分段,得到若干心电信号段。
进一步地,所述依据季节项的若干周期对心电信号进行分段,得到若干心电信号段,包括的具体步骤如下:
将季节项的每个周期在心电信号中对应的部分心电信号,作为每个周期对应的心电信号段。
本发明的技术方案的有益效果是:本发明在获取到患者的心电信号后,通过对心电信号进行分解,得到心电信号的季节项,依据季节项的若干周期对心电信号进行分段,得到若干心电信号段,通过季节项的周期分段,更好的表现心电信号段的波动规律,通过心电信号段中表征患者的心脏跳动等体征状态的关键信息的关键极值点对应的时间,获取关键极值点的相对位置差异,相对位置差异表现了不同心电信号段中同一种波对应极值点之间的位置差异,可以更好的反映患者发生过敏反映时,心电信号段中关键极值点的相对位置较历史发生时刻出现的变化,便于分析异常信号与正常信号之间的波动差异,减少信号波动不显著的影响,进而得到高关注点,高关注点为相对位置差异较大的关键极值点,为过敏反应对应的极值点,通过高关注点类别中每个高关注点对应电压值与参考电压值的差异,得到每个高关注点类别中每个高关注点的异常程度,进而得到高关注点的异常因子,通过计算异常因子,减少患者出现药物过敏时心电信号发生突变的影响,并依据异常因子的大小,得到异常点和异常点所在的异常心电信号段,提高了异常数据点监测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种用于麻醉过程的患者体征状态监测方法的步骤流程图;
图2为本发明一个实施例所提供的获取异常心电信号段的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于麻醉过程的患者体征状态监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于麻醉过程的患者体征状态监测方法的具体方案。
请参阅图1和图2,其示出了本发明一个实施例提供的一种用于麻醉过程的患者体征状态监测方法的步骤流程图和获取异常心电信号段的流程图,该方法包括以下步骤:
步骤S001、获取患者的心电信号。
具体的,获取任意一个患者在麻醉过程中的心电信号。需要说明的是,获取患者的心电信号为现有方法,本实施例不再赘述,心电信号为连续时间信号,心电信号包含若干电压值。
至此,得到患者的心电信号。
步骤S002、对心电信号进行分解,得到心电信号的季节项;获取季节项的若干周期;依据季节项的若干周期对心电信号进行分段,得到若干心电信号段;获取每个心电信号段的五个关键极值点;根据心电信号段中每个关键极值点对应的时间,获取每个心电信号段中每个关键极值点的相对位置差异;依据相对位置差异的大小得到若干高关注点。
需要说明的是,在麻醉过程中,由于麻醉药物的影响会对神经系统进行抑制以及对心血管系统进行调节,会导致心率减慢,心率的波动程度下降。患者在受到药物过敏的影响时会导致记录的心电信号发生异常,心电信号的波动出现较为显著的变化,导致信号中数据点之间的电压值差异较大,在对数据点进行差异程度分析时会由于不同的区域划分,导致数据点的差异程度不能很好的体现出来,在对每个区域的异常程度计算中,对每个区域的异常程度进行修正并筛选,从而在减少了计算量的同时获得异常数据区域,进而提高对异常数据检测的准确性。
需要说明的是,因为患者的心电信号具有明显的波动周期性,通过确定波动周期对心电信号进行分段,使得数据点的差异程度更好的体现出来。
具体的,对心电信号进行分解,得到心电信号的季节项,具体如下:
对心电信号进行STL(Seasonal and Trend decomposition using Loess)分解,得到心电信号的季节项。
进一步地,获取季节项的若干周期,具体如下:
对心电信号的季节项进行自相关函数分析,得到季节项的若干周期。需要说明的是,对季节项进行自相关函数分析,得到季节项的若干周期为现有方法,本实施例不再赘述。
进一步地,依据季节项的若干周期对心电信号进行分段,得到若干心电信号段。
将季节项的每个周期在心电信号中对应的部分心电信号,作为每个周期对应的心电信号段。
需要说明的是,心电信号的季节项可以很好的反映信号的周期,因此通过STL时序分解,进而得到心电信号段。
需要说明的是,上述得到了若干心电信号段,由于心电信号是引起心脏收缩和恢复过程的电波动,具体是心房和心室的收缩和恢复,其中,心房收缩过程会在心电图上产生一个被称为P波的波,心室收缩过程会产生一个QRS综合波,心室恢复过程会产生一个T波,每个心电信号段内包含和P波、QRS综合波及T波相关的5个关键极值点,关键极值点表征着患者的心脏跳动等体征状态的关键信息,又因为不同心电信号段内其心电信号的波动变化基本时间相似,而若是患者发生过敏反应则会使得心电信号段内的关键极值点发生变化,即相对于历史心电信号段上某一个极值点的发生位置,发生过敏时,其关键极值点的相对位置较历史发生时刻会出现较大的变化。
具体的,获取每个心电信号段的五个关键极值点,所述五个关键极值点为心电信号段中P波、QRS波及T波对应的极值点;需要说明的是,获取每个心电信号段的五个关键极值点为现有方法,本实施例不再赘述。
具体的,根据心电信号段中每个关键极值点对应的时间,获取每个心电信号段中每个关键极值点的相对位置差异,作为一种实施例,具体的计算方法如下:
将每个心电信号段的初始时间均设置为1,依次连续增加。
式中,为第个心电信号段中第个关键极值点对应的时间,为心电信号段的数量,为第个心电信号段中第个关键极值点对应的时间,为取绝对值,为第个心电信号段中第个关键极值点的相对位置差异。
需要说明的是,上述将每个心电信号段的初始时间均设置为1,即相邻心电信号段的时间不会叠加,均是单独计时,过敏会使患者产生排异反应,而排异反应会使得身体的新陈代谢增强,心率加快,其心电信号的关键极值点会相较于平稳状态下发生变化,因此通过第个心电信号段中第个关键极值点对应的时间与所有心电信号段中第个关键极值点对应的时间的均值差异,得到第个心电信号段中第个关键极值点的相对位置差异,越大,说明第个心电信号段中第个关键极值点偏离平均位置越大,越有可能为过敏反应对应的极值点。
进一步地,依据相对位置差异的大小得到若干高关注点,具体如下:
将所有心电信号段中所有关键极值点的相对位置差异的均值,记为第一均值,若第个心电信号段中第个关键极值点的相对位置差异大于第一均值,将第个心电信号段中第个关键极值点,记为一个高关注点,反之则不记为高关注点。
至此,得到若干高关注点。
步骤S003、对所有高关注点进行分类,得到若干高关注点类别;根据不同心电信号段中关键极值点之间的距离和高关注点类别中高关注点对应的电压值,得到参考电压值;根据高关注点类别中每个高关注点对应电压值与参考电压值的差异,得到每个高关注点类别中每个高关注点的异常程度。
需要说明的是,因为麻醉过程中患者的体征状态会趋于平稳状态,在心电信号上会表现出极值点的幅值(电压值)有缓慢下降的趋势,也即极值点的幅值会逐渐减小,有减小的趋势,而当患者在麻醉过程中身体产生过敏反应,其身体代谢增强,使得心电信号的减小趋势发生变化,出现异常突变或者幅值的变化。因此通过对心电信号的高关注点进行分类,计算每个类别内高关注点的位置及幅值的变化。
具体的,对所有高关注点进行分类,得到若干高关注点类别,具体如下:
对于所有心电信号段中第个关键极值点,将属于高关注点的所有第个关键极值点构成的集合,记为一个高关注点类别。
进一步地,根据不同心电信号段中关键极值点之间的距离和高关注点类别中高关注点对应的电压值,得到参考电压值,作为一种实施例,具体的计算方法如下:
式中,的具体获取方法如下:将所有心电信号段中第个关键极值点与第个心电信号段中第个关键极值点之间的欧式距离,均记为第个心电信号段中第个关键极值点的第一欧式距离,将第个心电信号段中第个关键极值点的所有第一欧式距离的平均值,记为;为预设的超参数,本实施例以进行叙述,为所有高关注点类别中所有高关注点对应的电压值的均值,为参考电压值。
需要说明的是,因为在麻醉状态下患者的心电信号的关键极值点的幅值会缓慢下降,因此在进行计算是考虑到幅值的缓慢变化趋势,故对参考电压值根据在时序上的距离乘以超参数进行收缩来获取。
进一步地,根据高关注点类别中每个高关注点对应电压值与参考电压值的差异,得到每个高关注点类别中每个高关注点的异常程度,作为一种实施例,具体的计算方法如下:
将任意一个高关注点类别,记为目标高关注点类别。
式中,为目标高关注点类别中第个高关注点在所属心电信号段中对应的时间,所述心电信号段的初始时间为1,依次连续增加;为所有高关注点类别中所有高关注点在所属心电信号段中对应时间的均值,为目标高关注点类别中第个高关注点对应的电压值,为参考电压值,为目标高关注点类别中第个高关注点的异常程度。
需要说明的是,表示目标高关注点类别中第个高关注点对应时间与参考时间的变化,表示参考时间,当越大,表示目标高关注点类别中第个高关注点的偏离量越大,表明目标高关注点类别中第个高关注点的异常程度越高,表示目标高关注点类别中第个高关注点的幅值变化,越大,表明目标高关注点类别中第个高关注点为患者在麻醉过程中出现过敏反应的可能性越大,也即第个高关注点的异常程度越大,表示高关注点对应电压值与参考电压值的差异。
至此,得到每个高关注点类别中每个高关注点的异常程度。
步骤S004、根据异常程度得到每个高关注点类别中每个高关注点的异常因子;依据异常因子的大小,得到若干异常心电信号段。
需要说明的是,因为在每个心电信号段上心电信号波动的差异程度并不显著,若直接使用每个心电信号段中高关注点的异常程度去判断存在异常的心电信号段,可能会因为数据点的误差较小产生误判。因此通过修正,获得每个高关注点的修正程度。因为患者在麻醉状态下,心率会变慢,心电信号波动程度会减小,整体的变化仍是平稳变化的,在一个心电信号段其心电信号变化平稳时,若出现药物过敏心电信号会发生突变,破坏心电信号的平稳性,在一个心电信号段内局部极值点更多,异常的表现更为明显,据此根据异常程度对各个高关注点类别中的高关注点进行修正,得到异常因子。
具体的,根据异常程度得到每个高关注点类别中每个高关注点的异常因子,作为一种实施例,具体的计算方法如下:
式中,为目标高关注点类别中第个高关注点的异常程度,为目标高关注点类别中所有高关注点的异常程度的均值,为目标高关注点类别中第个高关注点对应的电压值,为目标高关注点类别中所有高关注点对应的电压值的均值,为sigmoid函数,用于归一化,为目标高关注点类别中第个高关注点的异常因子。
需要说明的是,越大,表示目标高关注点类别中第个高关注点的差异程度越大,即对第个高关注点的异常因子越大,也即第个高关注点为患者在麻醉过程中出现药物过敏的可能性越大,即第个高关注点对应的时间患者可能发生了药物过敏,需要采取相应的措施进行处理。
进一步地,依据异常因子的大小,得到若干异常心电信号段,具体如下:
预设一个第一阈值,本实施例以第一阈值为0.8进行叙述,若目标高关注点类别中第个高关注点的异常因子大于第一阈值,第个高关注点所在的心电信号段存在异常,记为一个异常心电信号段,若目标高关注点类别中第个高关注点的异常因子小于或等于第一阈值,第个高关注点所在的心电信号段不存在异常。需要说明的是,若目标高关注点类别中第个高关注点的异常因子大于第一阈值,第个高关注点为一个异常点,所在的心电信号段即为一个异常心电信号段。
通过以上步骤,完成一种用于麻醉过程的患者体征状态监测方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种用于麻醉过程的患者体征状态监测方法,其特征在于,该方法包括以下步骤:
获取患者的心电信号,所述心电信号为连续时间信号,所述心电信号包含若干电压值;
将心电信号分为若干心电信号段;获取每个心电信号段的五个关键极值点,所述五个关键极值点为心电信号段中P波、QRS波及T波对应的极值点;
根据心电信号段中每个关键极值点对应的时间,获取每个心电信号段中每个关键极值点的相对位置差异;依据相对位置差异的大小得到若干高关注点;
对所有高关注点进行分类,得到若干高关注点类别;根据不同心电信号段中关键极值点之间的距离和高关注点类别中高关注点对应的电压值,得到参考电压值;根据高关注点类别中每个高关注点对应电压值与参考电压值的差异,得到每个高关注点类别中每个高关注点的异常程度;
根据异常程度得到每个高关注点类别中每个高关注点的异常因子;依据异常因子的大小,得到若干异常心电信号段;
所述根据心电信号段中每个关键极值点对应的时间,获取每个心电信号段中每个关键极值点的相对位置差异,包括的具体步骤如下:
将每个心电信号段的初始时间均设置为1,依次连续增加;
式中,为第个心电信号段中第个关键极值点对应的时间,为心电信号段的数量,为第个心电信号段中第个关键极值点对应的时间,为取绝对值,为第个心电信号段中第个关键极值点的相对位置差异;
所述依据相对位置差异的大小得到若干高关注点,包括的具体步骤如下:
将所有心电信号段中所有关键极值点的相对位置差异的均值,记为第一均值,若第个心电信号段中第个关键极值点的相对位置差异大于第一均值,将第个心电信号段中第个关键极值点,记为一个高关注点;
所述根据不同心电信号段中关键极值点之间的距离和高关注点类别中高关注点对应的电压值,得到参考电压值,包括的具体步骤如下:
式中,的具体获取方法如下:将所有心电信号段中第个关键极值点与第个心电信号段中第个关键极值点之间的欧式距离,均记为第个心电信号段中第个关键极值点的第一欧式距离,将第个心电信号段中第个关键极值点的所有第一欧式距离的平均值,记为;为预设的超参数,为所有高关注点类别中所有高关注点对应的电压值的均值,为参考电压值;
所述根据异常程度得到每个高关注点类别中每个高关注点的异常因子,包括的具体步骤如下:
将任意一个高关注点类别,记为目标高关注点类别;
式中,为目标高关注点类别中第个高关注点的异常程度,为目标高关注点类别中所有高关注点的异常程度的均值,为目标高关注点类别中第个高关注点对应的电压值,为目标高关注点类别中所有高关注点对应的电压值的均值,为sigmoid函数,为目标高关注点类别中第个高关注点的异常因子。
2.根据权利要求1所述一种用于麻醉过程的患者体征状态监测方法,其特征在于,所述对所有高关注点进行分类,得到若干高关注点类别,包括的具体步骤如下:
对于所有心电信号段中第个关键极值点,将属于高关注点的所有第个关键极值点构成的集合,记为一个高关注点类别。
3.根据权利要求1所述一种用于麻醉过程的患者体征状态监测方法,其特征在于,所述根据高关注点类别中每个高关注点对应电压值与参考电压值的差异,得到每个高关注点类别中每个高关注点的异常程度,包括的具体步骤如下:
将任意一个高关注点类别,记为目标高关注点类别;
式中,为目标高关注点类别中第个高关注点在所属心电信号段中对应的时间,所述心电信号段的初始时间为1,依次连续增加;为所有高关注点类别中所有高关注点在所属心电信号段中对应时间的均值,为目标高关注点类别中第个高关注点对应的电压值,为参考电压值,为目标高关注点类别中第个高关注点的异常程度。
4.根据权利要求1所述一种用于麻醉过程的患者体征状态监测方法,其特征在于,所述依据异常因子的大小,得到若干异常心电信号段,包括的具体步骤如下:
将任意一个高关注点类别,记为目标高关注点类别;
预设一个第一阈值,若目标高关注点类别中第个高关注点的异常因子大于第一阈值,第个高关注点所在的心电信号段存在异常,记为一个异常心电信号段。
5.根据权利要求1所述一种用于麻醉过程的患者体征状态监测方法,其特征在于,所述将心电信号分为若干心电信号段,包括的具体步骤如下:
对心电信号进行STL分解,得到心电信号的季节项;获取季节项的若干周期;依据季节项的若干周期对心电信号进行分段,得到若干心电信号段。
6.根据权利要求5所述一种用于麻醉过程的患者体征状态监测方法,其特征在于,所述依据季节项的若干周期对心电信号进行分段,得到若干心电信号段,包括的具体步骤如下:
将季节项的每个周期在心电信号中对应的部分心电信号,作为每个周期对应的心电信号段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410676702.5A CN118236072B (zh) | 2024-05-29 | 2024-05-29 | 一种用于麻醉过程的患者体征状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410676702.5A CN118236072B (zh) | 2024-05-29 | 2024-05-29 | 一种用于麻醉过程的患者体征状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118236072A CN118236072A (zh) | 2024-06-25 |
CN118236072B true CN118236072B (zh) | 2024-08-06 |
Family
ID=91564298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410676702.5A Active CN118236072B (zh) | 2024-05-29 | 2024-05-29 | 一种用于麻醉过程的患者体征状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118236072B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118415615B (zh) * | 2024-07-04 | 2024-09-10 | 大连泰嘉瑞佰科技有限公司 | 一种创伤患者远程护理监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101427917A (zh) * | 2008-09-08 | 2009-05-13 | 电子科技大学 | 基于固有趋势子序列模式分解的ecg异常检测方法 |
CN104102915A (zh) * | 2014-07-01 | 2014-10-15 | 清华大学深圳研究生院 | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8024030B2 (en) * | 2009-08-12 | 2011-09-20 | Siemens Aktiengesellschaft | System and method for analyzing an electrocardiogram signal |
CN108478209B (zh) * | 2018-02-24 | 2021-06-11 | 上海乐普云智科技股份有限公司 | 心电信息动态监护方法和动态监护系统 |
KR20200125256A (ko) * | 2019-04-26 | 2020-11-04 | 삼성에스디에스 주식회사 | 심전도 분석 장치 및 방법 |
CN111513706B (zh) * | 2020-04-20 | 2022-09-27 | 重庆邮电大学 | 一种针对含有异常r波的心电信号的检测方法和装置 |
WO2022185544A1 (ja) * | 2021-03-05 | 2022-09-09 | 日本電信電話株式会社 | 状態推定装置、状態推定方法及びプログラム |
CN113349791B (zh) * | 2021-05-31 | 2024-07-16 | 平安科技(深圳)有限公司 | 异常心电信号的检测方法、装置、设备及介质 |
CN116135147A (zh) * | 2021-11-17 | 2023-05-19 | 广州视源电子科技股份有限公司 | 心电信号的处理方法及装置、电子设备及存储介质 |
CN114305438A (zh) * | 2021-12-24 | 2022-04-12 | 上海数创医疗科技有限公司 | 一种基于遗传算法及元胞自动机的异常心电信号检测方法 |
CN115153583A (zh) * | 2022-07-26 | 2022-10-11 | 杭州数智莱达科技有限公司 | 一种基于特征提取的心电信号分类识别方法及系统 |
CN118021316A (zh) * | 2024-02-29 | 2024-05-14 | 深圳市圣洛氪医疗器械技术有限公司 | 动态心电数据处理方法及装置、电子设备及存储介质 |
-
2024
- 2024-05-29 CN CN202410676702.5A patent/CN118236072B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101427917A (zh) * | 2008-09-08 | 2009-05-13 | 电子科技大学 | 基于固有趋势子序列模式分解的ecg异常检测方法 |
CN104102915A (zh) * | 2014-07-01 | 2014-10-15 | 清华大学深圳研究生院 | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118236072A (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Juneja et al. | Leveraging blockchain for retraining deep learning architecture in patient-specific arrhythmia classification | |
CN106725428B (zh) | 一种心电信号分类方法及装置 | |
CN118236072B (zh) | 一种用于麻醉过程的患者体征状态监测方法 | |
EP2099359B1 (en) | Biomedical signal morphology analysis method | |
Maglaveras et al. | An adaptive backpropagation neural network for real-time ischemia episodes detection: development and performance analysis using the European ST-T database | |
Schmidt et al. | Segmentation of heart sound recordings by a duration-dependent hidden Markov model | |
Eerikäinen et al. | Detecting atrial fibrillation and atrial flutter in daily life using photoplethysmography data | |
Melillo et al. | Discrimination power of long-term heart rate variability measures for chronic heart failure detection | |
US7769434B2 (en) | Method of physiological data analysis and measurement quality check using principal component analysis | |
JP6140369B2 (ja) | 心不全を検出するための装置 | |
EP1750580A2 (en) | Signal analysis method | |
WO2013036718A1 (en) | Determining acceptability of physiological signals | |
Wang et al. | Temporal-framing adaptive network for heart sound segmentation without prior knowledge of state duration | |
Sedighian et al. | Pediatric heart sound segmentation using Hidden Markov Model | |
CN112617850B (zh) | 心电信号的早搏心拍检测系统 | |
Chen et al. | Heart murmurs clustering using machine learning | |
Cai et al. | Rule-based rough-refined two-step-procedure for real-time premature beat detection in single-lead ECG | |
Tung et al. | Multi-lead ECG classification via an information-based attention convolutional neural network | |
Liao et al. | Automatic classification of heartbeats using ECG signals via higher order hidden Markov model | |
Jiang et al. | Heartbeat classification system based on modified stacked denoising autoencoders and neural networks | |
CN113940682B (zh) | 一种基于统计特征的房颤识别方法 | |
Qin et al. | Multi-classification of cardiac diseases utilizing wavelet thresholding and support vector machine | |
Phukan et al. | Fast straightforward RR interval extraction based atrial fibrillation detection using Shannon entropy and machine learning classifiers for wearables | |
Wen et al. | ECG beat classification using GreyART network | |
Liu et al. | Signal quality index-based two-step method for heart rate estimation by combining electrocardiogram and arterial blood pressure signals |
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 |