一种检测事件处理方法
技术领域
本发明涉及医疗事件处理技术领域,尤其涉及一种检测事件处理方法。
背景技术
现有技术中,医疗事件可定义为,但不局限于:生命体出现的具有一定持续时间和具有临床或健康意义的非正常状态。比如,房颤事件,昏厥事件,心梗事件,睡眠呼吸障碍事件等等。
现有技术中,对医疗事件的数据获取以及数据处理等过程,通常需要人工进行一一操作和处理。由于医疗数据涉及到人体方方面面的健康信息,例如人体的心跳波动,房颤波动,心脏的节律情况,以及使用者在测试时的运动状态等,因此医疗数据的数据量是比较庞大的。现有技术中,由于受限于医疗数据的庞大数据量,对于病患的实时监控的周期不可能太长,一般设定为24小时观测一次病患数据,甚至更短。即便如此,分析人员或者医师在分析采集到的病患数据时仍然面临着数据量庞大且比较繁杂的问题,需要在较多的医疗数据中费力找出适合此次检测事件的数据,并进行进一步分析和观测,上述过程费时费力,延长了医师诊断的分析时间,加大医师的诊断难度。综上所述,随着科技的发展和可穿戴、微型传感器的应用,虽然能够部分解决长期连续的生命体征数据的获取问题,但同时对高效准确的智能化信息处理产生了巨大的需求,现有技术中并不能较好地处理这种大量杂乱的数据量带来的计算和分析方面的问题。
发明内容
根据现有技术中存在的上述问题,现提供一种检测事件处理方法,旨在减少分析人员或者医师的处理工作量,帮助其更简洁更快速而准确地获得病患情况。
上述技术方案具体包括:
一种检测事件处理方法,适用于医疗领域;其中,包括:
步骤S1,将一段预定的检测时间内接收到的检测信号分解成多维度的相应的子信号;
步骤S2,根据需要判断的检测事件的类型,以及不同维度的所述子信号,在所述检测时间内产生的一段所述检测信号上确定与所述检测事件相对应的一类子事件;
步骤S3,根据所述子信号的相应的维度值,以多个区间划分同一类所述子事件,每个所述区间内包括多个所述子事件;
步骤S4,在一个预设的所述区间内随机选取多个所述子事件,并根据被选取的多个所述子事件判断对应区间是否可信,记录同一类所述子事件中被判断为可信的所述区间;
步骤S5,判断是否对同一类所述子事件中的所有区间均判断完毕:
若存在尚未判断完毕的所述区间,则返回所述步骤S3;
步骤S6,计算同一类所述子事件中可信的所述区间所占的第一比例,并判断所述第一比例是否低于一预设的第一阈值;
若所述第一比例低于所述第一阈值,则丢弃相应的一类所述子事件中包括的所有所述子事件,随后转至步骤S8;
步骤S7,保留相应的一类所述子事件中包括的所有所述子事件;
步骤S8,判断是否对所有类别的所述子事件均判断完毕:
若存在尚未进行判断的一类所述子事件,则转向判断相应类别的所述子事件,并返回所述步骤S4;
若所有类别的所述子事件均判断完毕,则退出。
优选的,该检测事件处理方法,其中,执行所述步骤S1之前,首先于预定的所述检测时间内产生多维的检测信号;
所述步骤S1中,依据产生时的维度,将所述检测信号划分成多个相应的所述子信号。
优选的,该检测事件处理方法,其中,所述步骤S2具体包括:
步骤S21,确定每个所述子信号的所述维度值;
步骤S22,将所述维度值进行归一化处理,以形成相应的维度参数;
步骤S23,根据当前需要判断的所述检测事件的类型,选择预设的一个或多个所述子信号;
步骤S24,依据被选择的所述子信号在所述检测信号上确定相应类型的所有所述子事件。
优选的,该检测事件处理方法,其中,对应每个所述检测事件具有一检测参数集合,所述检测参数集合中包括对应于每个所述子信号的检测参数基准值;
所述步骤S24中,当选择一个所述子信号时,将被选择的所述子信号的所述维度值与所述检测参数基准值进行比较,并将一段连续取值不低于所述检测参数基准值的所述子信号对应的所述检测信号确定为表示相应的一个所述子事件,所述子事件对应的时间内的归一化后的参数值集合作为所述事件具有的一检测参数;或者
当选择多个所述子信号时,将被选择的所述子信号的所述维度值分别与相应的所述检测参数基准值进行比较,并将一段连续取值均不低于任何被选择的所述子信号对应的所述检测参数基准值的所述子信号所对应的所述检测信号确定为表示相应的一个所述子事件,所述子事件对应的时间内的归一化后的参数值集合作为所述事件具有的一检测参数。
优选的,该检测事件处理方法,其中,根据所述子信号与需要判断的所述检测事件的性质之间的关联度,确定对应所述检测信号的一个主要子信号、一个参考子信号以及多个次要子信号;
所述主要子信号为与所述检测事件关联度最大的所述子信号;
所述参考子信号为与所述检测事件关联度最小的所述子信号;
除去所述主要子信号与所述参考子信号的其余所述子信号为所述次要子信号;
所述步骤S23中,被选择的一个或多个所述子信号中包括所述主要子信号。
优选的,该检测事件处理方法,其中,将与所述检测事件的关联度最小的所述子信号确定为参考子信号;
对所述参考子信号的维度值进行归一化处理以得到相应的维度参数;
所述步骤S3具体包括:
步骤S31,根据所述参考子信号的所述维度参数,对同一类所述子事件中包括的所有所述子事件进行排序;
步骤S32,根据所述参考子信号的所述维度参数出现的频率,将经过排序的同一类所述子事件中的所有所述子事件划分成包括在相应的多个所述区间中。优选的,该检测事件处理方法,其中,对每个类型的所述检测事件设定一个预设的第三阈值,并将所述参考子信号的所述维度参数与所述第三阈值进行比较,将一段连续取值不低于所述第三阈值的所述参考子信号设定为有效参考子信号;
所述步骤S32中,根据所述有效参考子信号出现的频率,对所述子事件进行区间划分。
优选的,该检测事件处理方法,其中,所述步骤S4中,判断所述区间是否可信的方法在于:步骤S41,将被随机选取的所述子事件的所述维度参数与一预设的第二阈值进行比较;
若所述维度参数低于所述第二阈值,则判断并记录对应的所述子事件为不可信;
若所述维度参数不低于所述第二阈值,则判断并记录所述子事件为可信;
步骤S42,判断是否对一个预设的所述区间内被随机选取的所有所述子事件均判断完毕;
若存在尚未进行判断的所述子事件,则返回所述步骤S41;
步骤S43,计算可信的所述子事件于对应的所述区间内被随机选取的所有所述子事件中所占的第二比例;
步骤S44,判断所述第二比例是否低于一预设的第四阈值;
若所述第二比例低于所述第四阈值,则将对应的所述区间判断为不可信,随后转至所述步骤S5;
若所述第二比例不低于所述第四阈值,则将对应的所述区间判断并记录为可信,随后转至所述步骤S5。
优选的,该检测事件处理方法,其中,所述步骤S43中,通过一外部的服务器对相应的所述子事件产生的历史记录进行统计与计算,以形成预设的所述第二阈值。
上述技术方案的有益效果是:
1)采用精简的数据处理和数据显示方式,方便分析人员对病患数据进行处理,缩短分析处理的时间;
2)采用统一的和概率统计的筛选数据的方式,方便统一分析人员的分析标准,避免因人为因素导致分析结果不准确,提升病患数据的分析精度。
附图说明
图1是本发明的较佳的实施例中,一种检测事件处理方法的总体流程图;
图2-4是本发明的较佳的实施例中,于图1的基础上,对检测事件处理方法做进一步描述的流程示意图;
图5是本发明的较佳的实施例中,在房颤判断事件判断过程中,应用上述检测事件处理方法的流程示意图;
图6是本发明的较佳的实施例中,检测信号与子信号的关联示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
现有技术中,大数据量的病患数据采集会提升分析人员分析数据的难度,同时降低分析的效率。同时,由于分析人员的医学素养参差不齐,而现有技术中分析数据主要依靠的是分析人员自身的分析和判断,从而可能导致同一组病患数据,不同分析人员得出的结论大相径庭,因此造成病患数据分析结果的精确度下降,尤其在现有病患数据量比较庞大,数据构成复杂度较高的情况下,对病患数据的分析精度难以得到保证。
基于现有技术中存在的上述问题,本发明的较佳的实施例中,提供一种检测事件处理方法。所谓检测事件,是指分析一组病患数据的分析目的。例如,对于房颤事件的分析,或者对于心律紊乱事件的分析,或者对于呼吸障碍症事件的分析等。
因此,如图1所示,本发明的较佳的实施例中,上述检测事件处理方法具体包括:
步骤S1,将一段预定的检测时间内接收到的检测信号分解成多维度的相应的子信号;
本发明的较佳的实施例中,由于检测信号可以被分解为多维度的相应的子信号,因此检测信号本身即为多维度的信号。步骤S1中,根据检测信号的维度,将其分解为相应的子信号。
例如,由心电传感器感应得到的生理信号(例如心电图信号等)以及由物理传感器例如加速度传感器得到的物理信号(例如速度信号或加速度信号等)组成多维的检测信号,并根据该检测信号的维度,在接收到检测信号后将其分解为相应的子信号(例如重新分解为心率变异性即每相邻两次心跳间隔时间的变化的信号以及运动信号,***信号等)。
步骤S2,根据需要判断的检测事件的类型,以及不同维度的子信号,在检测时间内产生的一段检测信号上确定与检测事件相对应的一类子事件;
例如,需要判断的为房颤事件,则可以根据心率变异性信号,以及运动信号,在检测信号上确定相应的发生房颤的子事件对应的心电图波形。
对子事件进行确定的过程在下文中会详述。
步骤S3,根据子信号的相应的维度值,以多个区间划分同一类子事件,每个区间内包括多个子事件;
例如,对于房颤事件而言,根据一预设的子信号的相应的维度值,将房颤事件类别内的所有子事件划分为包括在不同的区间内,即对房颤子事件进行分组。
对子事件进行区间划分的过程在下文中会详述。
步骤S4,在一个预设的区间内随机选取多个子事件,并根据被选取的多个子事件判断对应区间是否可信,记录同一类子事件中被判断为可信的区间;
例如,对于房颤事件的其中一个区间而言,随机抽取其中多个子事件并对其进行判断。判断标准可以为将子事件的值与预设的阈值进行比较,并将取值高于上述阈值的子事件判定为可信。
对于判断区间是否可信的过程在下文中会详述。
本文中所述的判断过程,均可以包括两种方式:
1)***输出数据界面(检测报告),即输出判断相关的数据例如维度值以及参考子信号的值等,监测人员根据输出的数据界面(检测报告)做专业化分析和判断,并将判断结果重新输入***。***根据判断结果继续进行相应的处理。由于现有技术中存在较多用于实现“监测人员根据数据进行分析和判断”以及“将判断结果重新输入***”的方法,因此在此不再赘述。
2)在***内部完成相应的判断和处理的过程,该过程在下文中会详述。因此,在这种实现方式下,上述步骤S4中,于检测信号上标记被保留的所有子事件的对应的波形并显示,这样无论对于第一种实现方式还是第二种实现方式而言,都会大大减少所需要分析的数据量,减少整个处理过程的计算复杂度。
值得注意的是,对于上述第一种方式,于下文中不再赘述实现“监测人员根据数据进行分析和判断”以及“将判断结果重新输入***”的方法,而如何对检测信号进行预先分析等技术特征仍然包括在本发明保护范围之内。
步骤S5,判断是否对同一类子事件中的所有区间均判断完毕:
若存在尚未判断完毕的区间,则返回步骤S3;
步骤S6,计算同一类子事件中可信的区间所占的第一比例,并判断第一比例是否低于一预设的第一阈值;
若第一比例低于第一阈值,则丢弃相应的一类子事件中包括的所有子事件,随后转至步骤S8;
本发明的较佳的实施例中,对于一类子事件,例如对于房颤事件中无运动影响的房颤子事件而言,计算其中包括的可信区间占所有区间的比例,并判断该比例是否高于一预设的阈值,即对于一类房颤子事件而言,其中可信区间的比例是否占大部分。若是,则认为该房颤子事件全体都有效;若否,则认为该房颤子事件全体都无效。
换言之,本发明的较佳的实施例中,采用一个区间内随机选取的多个子事件代表该区间的可信度,并以大部分区间的可信度代表整一类子事件的可信度,从而简化数据分析的过程,减少数据的分析量,提升数据分析的速度和效率。
步骤S7,保留相应的一类子事件中包括的所有子事件;
本发明的较佳的实施例中,保留被认定为有效的子事件,并显示表示该子事件的波形(即检测信号上的相应波形)。
本发明的较佳的实施例中,在波形图上(如图6所示),一个子事件即一个检测窗口所对应的波形表示的检测事件。
图6中所示的检测信号与子信号之间的关系,在下文中会详述。
步骤S8,判断是否对所有类别的子事件均判断完毕:
若存在尚未进行判断的一类子事件,则转向判断相应类别的子事件,并返回步骤S4;
若所有类别的子事件均判断完毕,则退出。
本发明的较佳的实施例中,如图2所示,上述步骤S2具体包括:
步骤S21,确定每个子信号的维度值;
本发明的较佳的实施例中,每个子信号的维度值也就是每个子信号的值,将检测信号分解为多个不同维度的子信号,并获取每个子信号于不同检测时刻上的维度值。例如:
根据检测信号分解形成的子信号为相应的心率变异性信号,则子信号的维度值为心率变异性信号波形上每点的取值,也就是每个检测时刻上心率变异性信号的值;或者
根据检测信号分解形成的子信号为相应的心脏节律变化信号,则子信号的维度为心脏节律变化信号波形上每点的取值,也就是每个检测时刻上心脏节律变化信号的值。
步骤S22,将维度值进行归一化处理,以形成相应的维度参数;
本发明的较佳的实施例中,依据一预设的标准将子信号的维度值均进行归一化处理,以形成相应的维度参数。例如:
当检测信号被分解为包括心率变异性信号时,对心率变异性信号的取值进行归一化处理,即根据一适当设置的标准,将心率变异性信号的取值转换成以下述公式表示:
|x|∈[0,1];
其中,x表示子信号的取值经过归一化处理后得到的值,也就是子信号的维度参数。
本发明的较佳的实施例中,进行归一化处理的好处在于可以简化对维度值的计算和分析,将维度值的取值维持在一个可控的范围内。
步骤S23,根据当前需要判断的检测事件的类型,选择预设的一个或多个子信号;
本发明的较佳的实施例中,根据需要判断的检测事件的不同,选择的子信号也有所不同。
本发明的较佳的实施例中,根据子信号与检测信号的关联度,将子信号区分为主要子信号、次要子信号以及参考子信号。
具体地,本发明的较佳的实施例中,主要子信号为与检测事件的关联度最大的子信号。例如,在检测房颤事件中,主要子信号为与房颤事件关联度最大的心率变异性信号。
本发明的较佳的实施例中,参考子信号为与检测事件的关联度最小的子信号。例如,在检测房颤事件中,参考子信号可以为与房颤事件关联度最小的运动信号,即速度信号或者加速度信号;本发明的另一个较佳的实施例中,在检测呼吸障碍症事件中,参考子信号可以为与该事件关联度最小的信号噪声信息。
本发明的较佳的实施例中,次要子信号为子信号中去除上述主要子信号以及参考子信号之后的其余子信号。
本发明的较佳的实施例中,上述步骤S23中,被选择的一个或多个子信号中必定包括上述主要子信号。例如:
当检测事件为房颤事件时,上述主要子信号可以为心率变异性信号,则在选择子信号时,可以:
选择单一的心率变异性信号,以表示检测对象此时的心率变异性信息;
选择心率变异性信号和速度信号,以表示检测对象于运动状态下的心率变异性信息。
步骤S24,依据被选择的子信号在检测信号上确定相应类型的所有子事件。
本发明的较佳的实施例中,具体而言,依据被选择的子信号的值,与预设的阈值进行比较,以比较结果确定相应类型的所有子事件。
具体地,本发明的较佳的实施例中:
当选择一个子信号时,将被选择的子信号的维度值与检测参数基准值进行比较,并将一段连续取值不低于检测参数基准值的子信号对应的检测信号确定为表示相应的一个子事件;或者
当选择多个子信号时,将被选择的子信号的维度值分别与相应的检测参数基准值进行比较,并将一段连续取值均不低于任何被选择的子信号对应的检测参数基准值的子信号所对应的检测信号确定为表示相应的一个子事件。
如图6所示,直线A用于表示接收到的检测信号,直线B用于表示经过分解形成的心率变异性信号,也就是于房颤事件中的主要子信号。直线C用于表示经过分解形成的次要子信号,在该实施例中,该次要子信号为运动信号。
本发明的较佳的实施例中,以图6中所示的为例,选择一个子信号,即选择心率变异性信号(直线B),并根据该子信号与相应的检测参数基准值进行比较,并将一段连续取值不低于该检测参数基准值的子信号对应的检测信号确定为表示相应的一个子事件,即如图6中所示的检测窗口B1。图6中以虚线a表示与主要子信号对应的检测参数基准值。
本发明的较佳的实施例中,仍然以图6中所示的为例,选择两个子信号,即选择心率变异性信号(直线B)和心电图p波存在与否的信号(某一个预设的次要子信号,以直线D表示),并根据这两个子信号与相应的检测参数基准值分别进行比较,将一段两个子信号连续取值均不低于相应的检测参数基准值所对应的检测信号确定为表示一个相应的子事件(检测是否存在有p波的房颤事件),即如图6中所示的检测窗口C1。图6中以虚线b表示与次要子信号(心率p波信号)对应的检测参数基准值。
本发明的其他实施例中,类似上文中所述,对检测信号进行子事件的划分,以形成不同类别的子事件。
本发明的较佳的实施例中,将与检测事件的关联度最小的子信号确定为参考子信号;并对参考子信号的维度值进行归一化处理以得到相应的维度参数;
因此,如图3所示,上述步骤S3具体包括:
步骤S31,根据参考子信号的维度参数,对同一类子事件中包括的所有子事件进行排序;
本发明的较佳的实施例中,维度参数即上文中所述的维度值经过归一化处理后输出的结果。
本发明的较佳的实施例中,参考子信号为与当前需要判断的检测事件的关联度最小的子信号。具体地,例如:
当前需要判断的检测事件为房颤事件,则可以将速度信号设定为参考子信号。本发明的较佳的实施例中,将速度子信号的维度值与相应预设的标准值进行比较,以将速度子信号的维度值归一化处理成相应的维度参数x(|x|∈[0,1]),随后根据速度信号的维度参数,将对应的子事件进行排序。
本发明的较佳的实施例中,根据速度信号的维度参数从小到大排列,将相应的子事件进行排序。
本文中出现的维度值等参数,具体为相应区间内的相应的离散的信号经由积分或者均值计算形成的用于表示该区间内信号值的一个具体的数值。由于这类计算方法在现有技术中有较多的实现方式,因此在本文中不做描述。
步骤S32,根据参考子信号的维度参数出现的频率,将经过排序的同一类子事件中的所有子事件划分成包括在相应的多个区间内。
本发明的较佳的实施例中,由于速度信号为表示检测对象当前是否处于运动状态或者表示运动状态的激烈程度的检测子信号,因此上述步骤S32中,参考子信号的维度参数出现的频率,具体到本发明的较佳的实施例中以速度信号作为参考子信号的情况而言,是指速度信号具有取值的情况出现的频率,也就是维度参数处于[0,1]范围内的取值于一个预设的子事件(预设的检测窗口)范围内出现的频率,即上文中所述,维度参数处于[0,1]之间,即表示该参考子信号为有效参考子信号。
本发明的较佳的实施例中,根据上述参考子信号的维度参数出现的不同的频率,将上述处于同一类子事件中的所有子事件进行区间划分。例如,对房颤事件中表示无运动房颤的所有子事件进行区间划分。
本发明的较佳的实施例中,如图4所示,上述步骤S4具体包括:
步骤S41,将被随机选取的子事件的维度参数与一预设的第二阈值进行比较;
若维度参数低于第二阈值,则判断并记录对应的子事件为不可信;
若所述维度参数不低于所述第二阈值,则判断并记录所述子事件为可信;
本发明的较佳的实施例中,子事件的值即子事件的维度参数,换言之,为子事件的维度值经过归一化处理后输出的结果。
本发明的较佳的实施例中,对子事件的选择是随机的,即随机抽样同一个区间内的多个子事件代表该区间内的所有子事件。
本发明的较佳的实施例中,将子事件对应的维度参数与预设的第二阈值进行比较,若维度参数不低于该第二阈值,则表示该子事件是可信的;反之,表示该子事件是不可信的。
步骤S42,判断是否对一个预设的区间内被随机选取的所有子事件均判断完毕;
若存在尚未进行判断的子事件,则返回步骤S41;
本发明的较佳的实施例中,经过判断后,记录每个被随机选取的子事件的可信度。
步骤S43,计算可信的子事件于对应的区间内被随机选取的所有子事件中所占的第二比例;
例如,若在一个区间内随机选取5个子事件,其中有2个子事件被判断为可信,则可信子事件所占的第二比例为40%。
步骤S44,判断第二比例是否低于一预设的第四阈值;
若第二比例低于第四阈值,则将对应的区间判断为不可信,随后转至步骤S5;
若第二比例不低于第四阈值,则将对应的区间判断并记录为可信,随后转至步骤S5。
本发明的较佳的实施例中,根据检测事件的不同,对下属的子事件设定相应的第四阈值。例如:
对于房颤事件而言,将上述第四阈值设定为70%,则只有当上述第二比例不低于70%,才能判断对应区间是可信的。
本发明的较佳的实施例中,当执行完上述步骤S44后,继续执行上述步骤S5,即计算可信区间于该类子事件中所占的第一比例,并与预设的第一阈值进行比较。例如:
对于房颤事件而言,将上述第一阈值设定为70%,则只有当上述第一比例不低于70%,才能判断对应的一类子事件可信。
本发明的较佳的实施例中,若对应的一类子事件被判断为可信,则保留该类别中包括的所有子事件;反之,则丢弃该类别下的所有子事件。例如:
当检测事件为房颤事件,而检测子事件为无运动下的房颤事件,则当该类子事件中包括的可信子事件所对应的第一比例不低于70%时,判断无运动下的房颤事件全部有效,因此保留该类别下的所有子事件;反之,丢弃该类别下的所有子事件。
本发明的较佳的实施例中,显示被保留的子事件对应的波形图,即向分析人员显示检测信号上的部分信号波形图(被保留的子事件对应的波形图),而不显示其余的信号波形图(被丢弃的子事件对应的波形图)。
综上所述,本发明的目的在于:在向分析人员显示采集到的病患数据之前,首先对病患数据进行预处理。预处理的方式包括:将检测信号依照采集到的不同的信号维度进行区分,并且依据不同维度的子信号将检测信号划分为表示不同的子事件。对每类子事件均进行区间划分。随机选择一个区间内的多个子事件来判断整个区间的可信度,并且用区间的可信度判断整一类子事件的可信度。以此类推,从而可以去除检测信号中不可信的部分(不可信的部分可以为没有发生异常的部分,或者信号噪声较大的部分,或者其他自定义的情形),最后向分析人员显示的检测信号为去除了大量干扰数据、信息量较小的检测信号。同时在去除信号时统一数据标准,例如对房颤事件而言,以统一的标准找到可信的房颤事件,从而使得分析人员最终分析得到的结果的精确度处于一个可控的范围内,病患数据的分析结果不再由于分析人员自身的医疗知识水平的参差不齐而产生较大的精度波动。
因此,本发明的较佳的实施例中,为了进一步提升判断的精确度,可以通过一外部连接的中心服务器来设定上述第二阈值。进一步地,本发明的较佳的实施例中,上述中心服务器的作用在于收集子事件判断产生的历史记录,并根据历史记录不停修正原有的第二阈值,即通过统计历史记录不断计算得到新的第二阈值,从而能够实现第二阈值设定的自学习功能。
本发明的较佳的实施例中,上述其他阈值的设定方式,可以参照第二阈值的设定方式进行设定,即通过对历史记录进行统计计算以不断修正原有的预设阈值,从而得到更新后的更精确的阈值,以应用到本发明的检测事件处理方法中。
本发明的较佳的实施例中,由于经过精简和筛选后,本发明的检测事件处理方法中,需要处理和分析的数据量大大减少,因此可以处理和存储更长时间内产生的数据。则本发明的一个较佳的实施例中,上文中所述的一段预定的检测时间为7天,使用者也可以将其设定为1天,或者14天,或者其他任意符合实际情况的检测时间。本发明的其他实施例中,可以根据实际情况调整上述预定的检测时间。
本发明的一个较佳的实施例中,应用上述检测事件处理方法,对房颤事件进行处理,步骤如图5所示,包括:
步骤A1,接收检测信号,并分解为相应维度的子信号。
本发明的较佳的实施例中,检测信号包括由心电信号传感器以及运动传感器等感应并发送的信号。
则本发明的较佳的实施例中,将检测信号分解为相应的心电信号以及运动信号。进一步地,心电信号可以包括心率变化信号、二联律信号(如室性早搏PVC二联律)以及三联律信号(如室性早搏PVC三联律)等。运动信号可以为速度信号或者加速度信号。
步骤A2,根据分解得到的不同维度的子信号,将检测事件划分为多个相应的子事件。
例如,单单根据心率变化信号,在检测信号上划分相应的无运动状态下的房颤子事件;或者
根据心率变化信号以及二联律信号,在检测信号上划分具有二联律模式的房颤子事件;或者
根据心率变化信号以及三联律信号,在检测信号上划分具有三联律模式的房颤子事件;或者
根据心率变化信号以及运动信号,在检测信号上划分运动状态下的房颤子事件;或者
根据其他各种房颤事件下预设的子信号的组合类型,在检测信号上划分相应的子事件。
本发明的较佳的实施例中,在对子事件进行划分之前,首先将每个子信号对应的维度值进行归一化处理,以得到相应的维度参数。
步骤A3,根据参考子信号,对一类子事件进行排序;
例如,在该实施例中,将运动信号作为参考子信号,则对于无运动状态下的房颤子事件而言,根据运动信号进行排序。例如根据运动信号由小到大对相应的子事件进行排序。
本发明的较佳的实施例中,在排序前,首先将运动信号对应的维度值进行归一化处理以得到相应的维度参数,随后根据运动信号的维度参数对相应的子事件进行排序。
本发明的较佳的实施例中,根据所检测的检测事件的不同,或者根据关联度设置的不同,参考子信号也可以相应进行调整,例如可以将噪声信号作为参考子信号。
步骤A4,根据参考子信号于子事件中的出现频率,对经过排序的同一类别下的所有子事件进行区间划分;
进一步地,本发明的较佳的实施例中,上述步骤A4中,参考子信号的出现频率,为有效参考子信号的出现频率。所谓有效参考子信号,是指根据上述归一化处理后,参考子信号对应的维度参数包括在[0,1]之间。
例如,若参考子信号为速度信号,则根据有效速度信号于子事件中的出现频率,对一类子事件进行区间划分;或者
若参考子信号为噪声信号,则根据有效噪声信号于子事件中的出现频率,对一类子事件进行区间划分。
步骤A5,随机选取一个区间内的多个子事件进行判断,以判断该区间是否可信,记录区间的可信情况;
本发明的较佳的实施例中,在一个区间内随机选取多个子事件,并分别判断每个子事件的维度参数是否低于一个预设的判断阈值。本发明的较佳的实施例中,对应于一类子事件具有一相应的判断阈值。该判断阈值可以通过***自学习获得,以及根据历史记录进行不断地自我更新和修正。
本发明的较佳的实施例中,若一个子事件的维度参数低于相应的判断阈值,则表示该子事件是不可信的;反之,表示该子事件可信。
本发明的较佳的实施例中,记录子事件是否可信的情况,并计算可信的子事件在所有被随机选择的子事件中所占的比例,判断该比例是否低于一预设的判断阈值。
本发明的较佳的实施例中,上述预设的判断阈值同样与每类子事件相对应。
则本发明的较佳的实施例中,若可信子事件所占的比例低于上述预设的判断阈值,则将对应的区间判断为不可信;反之,将对应的区间判断为可信。
本发明的较佳的实施例中,上述预设的阈值同样经过***自学习获得,并根据历史记录进行不断地自我更新和修正。
步骤A6,计算可信区间于一类子事件中所有区间所占的比例,并判断该比例是否低于一预设的判断阈值,从而判断整一类别的所有子事件是否可信;
本发明的较佳的实施例中,类似上文所述,若可信区间所占比例低于上述预设的判断阈值,则表示整一类别的所有子事件不可信,因此丢弃该类别下的所有子事件;反之,则认为整一类别的所有子事件可信,保留该类别下的所有子事件。
步骤A7,对其余类别的子事件进行上述判断,并显示被保留的所有子事件对应的波形。
本发明的较佳的实施例中,最终显示的为被保留的子事件对应的波形。例如,对于无运动状态下的房颤事件而言,若该类别的子事件被保留,则显示对应的检测信号以及心率变化子信号;或者
若运动状态下的房颤事件被保留,则显示对应的检测信号、心率变化子信号以及运动子信号;或者
若具有二联律的房颤事件被保留,则显示对应的检测信号、心率变化子信号以及二联律子信号;
以此类推。
因此,经过上述步骤的处理,使得分析人员最终看到的检测信号的数据量大大降低,从而降低分析人员分析数据的难度,提升分析效率,并且稳定分析精度。
本发明的另一个较佳的实施例中,应用上述检测事件处理方法,对睡眠时的呼吸障碍症进行处理,步骤类似于上述对房颤事件进行处理的步骤,因此在说明书附图中不示出该实施例的具体步骤。
在该实施例中,检测信号可以包括心律信号、***检测信号、运动信号以及血氧浓度信号等,因此可以分解为相应维度的子信号。
在该实施例中,可以根据***检测信号以及心律信号在检测信号上划分出是否处于平卧或者睡眠状态的子事件;或者
根据***检测信号、心律信号以及血氧浓度信号划分出是否存在呼吸障碍症的子事件等。
因此,该实施例中,仍然将心律信号作为主要子信号。
在该实施例中,同样对子信号进行维度值的归一化处理,以得到相应的维度参数,并根据维度参数确定检测信号上存在的相应类型的子事件。
在该实施例中,参考信号可以为血氧浓度信号。因此,可以根据血氧浓度信号的维度参数对子事件进行排序,并根据血氧浓度信号的维度参数出现的频率对经过排序的子事件进行区间划分。
在该实施例中,如上文所述,在一个区间中随机选取多个子事件并进行判断,并根据判断结果判断该对应的区间是否可信;从而根据可信区间的判断结果判断对应的整一类别的子事件是否可信,并选择保留还是丢弃该类别下的所有子事件。
在该实施例中,最终显示给分析人员的为被保留的所有子事件对应的波形,以供分析人员进行分析。
本发明的其他实施例中,依照上文中所述的检测事件处理方法,可以对不同的检测事件进行信号预处理,以减少检测信号的数据量,方便分析人员进行分析,提升分析效率以及分析精度。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。