CN114098667A - 监护方法及设备 - Google Patents

Abstract

本发明实施例提供一种监护方法及设备，该方法包括：获取生理信号；对生理信号进行波形检测，确定目标波形位置序列；对目标波形位置序列所对应的生理信号片段进行波形分类，确定目标波形位置序列所对应的各生理信号片段的波形类别；采用预设的至少两种异常检测方法对已分类的生理信号片段进行异常检测，并根据至少两种异常检测方法的检测结果生成目标报警事件序列；输出目标报警事件序列。本发明实施例的方法不仅可以充分利用原始生理信号的信息，而且可以利用至少两种异常检测方法的优点，减少了误报和漏报，提高了报警的准确性。

Description

监护方法及设备

技术领域

本发明涉及医疗设备技术领域，具体涉及一种监护方法及设备。

背景技术

监护设备因其可向医护人员提供表示患者生命体征的监护数据，使临床医生能够更全面、直观和及时地掌握患者病情的变化情况，为制定治疗方案和进行应急处理提供重要依据，获得最佳的治疗效果，而被广泛应用于医院的重症监护室(Intensive Care Unit，ICU)、重症冠心病监护室(Coronary Care Unit，CCU)、麻醉手术室及有关临床科室。

现有监护设备通过对采集到的生理信号进行特征提取，根据从生理信号中提取的特征确定生理参数。然而特征仅是原始生理信号在部分角度上的抽象，并没有全面利用原始生理信号的信息。预示不同疾病的生理信号可能会提取出相同的特征，导致误报或者漏报，降低了报警的准确性。因此，现有监护设备的报警准确性还有待进一步提高。

发明内容

本发明实施例提供一种监护方法及设备，用于解决现有监护设备报警准确性低的问题。

根据第一方面，一种实施例中提供一种监护方法，包括：

获取生理信号；

对生理信号进行波形检测，确定目标波形位置序列；

对目标波形位置序列所对应的生理信号片段进行波形分类，确定目标波形位置序列所对应的各生理信号片段的波形类别；

采用预设的至少两种异常检测方法对已分类的生理信号片段进行异常检测，并根据至少两种异常检测方法的检测结果生成目标报警事件序列，目标报警事件序列中的报警事件为根据已分类的生理信号片段中的异常生理信号片段确定的报警事件；

输出目标报警事件序列。

根据第二方面，一种实施例中提供一种监护方法，包括：

获取生理信号；

采用预设的波形检测方法对生理信号进行波形检测，确定目标波形位置序列；

采用预设的波形分类方法对目标波形位置序列所对应的生理信号片段进行波形分类，确定目标波形位置序列所对应的各生理信号片段的波形类别；

采用预设的异常检测方法对已分类的生理信号片段进行异常检测，并根据预设的异常检测方法的检测结果生成目标报警事件序列，目标报警事件序列中的报警事件为根据已分类的生理信号片段中的异常生理信号片段确定的报警事件；

输出目标报警事件序列；

其中，预设的波形检测方法的数量、预设的波形分类方法的数量和预设的异常检测方法的数量之中至少一项为两个以上。

根据第三方面，一种实施例中提供一种监护设备，包括：

信号采集电路，用于获取生理信号；

输出装置，用于输出报警事件；

存储器，用于存储程序；以及

处理器，用于通过执行所述存储器存储的程序以实现本文中任一实施例所述的监护方法。

根据第四方面，一种实施例中提供一种计算机可读存储介质，包括程序，所述程序能够被处理器执行以实现本文中任一实施例所述的监护方法。

依据上述实施例的监护方法及设备，通过对生理信号进行波形检测与分类，采用预设的至少两种异常检测方法对已分类的生理信号片段进行异常检测，并根据至少两种异常检测方法的检测结果生成目标报警事件序列，不仅充分利用了原始生理信号的信息，而且可以综合至少两种异常检测方法的优点，减少了误报和漏报，提高了报警的准确性。

附图说明

图1为一实施例提供的监护设备的结构示意图；

图2为另一实施例提供的监护设备的结构示意图；

图3为一实施例提供的监护方法的流程图；

图4为一实施例提供的人工智能波形检测模型的结构示意图；

图5为一实施例提供的波形检测方法的流程图；

图6为又一实施例提供的波形检测方法的流程图；

图7为一实施例提供的人工智能波形分类模型的结构示意图；

图8为一实施例提供的波形分类方法的流程图；

图9为又一实施例提供的波形分类方法的流程图；

图10为一实施例提供的人工智能报警模型的结构示意图；

图11为一实施例提供的异常检测方法的流程图；

图12为又一实施例提供的异常检测方法的流程图；

图13为一实施例提供的优先级模型的架构示意图；

图14为又一实施例提供的监护设备的结构示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。

如图1所示，提供了一种可用于多参数监测的监护设备100的结构示意图。监护设备100可以具有独立的外壳，外壳面板上可以具有传感器接口区，其中传感器接口区可以集成多个传感器接口，用于与外部的各个生理参数传感器附件111连接，外壳面板上还可以包括小型IXD显示器区、显示器119、输入接口电路122和报警电路120(如LED报警区)等。监护设备100可具有用于与主机进行通讯和从主机取电的对外通讯和电源接口116。监护设备100还可以支持外插参数模块，可以通过***参数模块形成插件式监护设备100主机，作为监护设备100的一部分，也可以通过电缆与主机连接，外插参数模块作为监护设备100外置的一个配件。

监护设备100的内部电路置于外壳内，如图1所示，包括至少两个生理参数对应的信号采集电路112、前端信号处理电路113和主处理器115，信号采集电路112可以选自于心电电路、呼吸电路、体温电路、血氧电路、无创血压电路、有创血压电路等等，这些信号采集电路112分别与相应的传感器接口电连接，用于电连接到不同的生理参数对应的传感器附件111，其输出端耦合到前端信号处理电路113，前端信号处理电路113的通讯口耦合到主处理器115，主处理器115与对外通讯和电源接口116电连接。各种生理参数对应的传感器附件111和信号采集电路112可采用现有技术中的通用电路，前端信号处理电路113完成信号采集电路112输出信号的采样和模数转换，并输出控制信号控制生理信号的测量过程，这些参数包括但不限于：心电，呼吸，体温，血氧，无创血压和有创血压参数。前端信号处理电路113可采用单片机或其它半导体器件实现，例如可以选用PHLIPS公司的LPC2136，或者ADI的ADuC7021等混合信号单片机，也可以采用ASIC或FPGA实现。前端信号处理电路113可由隔离电源供电，采样得到的数据经过简单处理打包后，通过隔离通讯接口发送至主处理器115，例如前端信号处理电路113可以通过隔离电源和通讯接口114耦合到主处理器115上。前端信号处理电路113由隔离电源供电的原因是通过变压器隔离的DC/DC电源，起到了隔离患者与供电设备的作用，主要目的是：1、隔离患者，通过隔离变压器，将应用部分浮地，使患者漏电流足够小；2、防止除颤或电刀应用时的电压或能量影响主控板等中间电路的板卡及器件(用爬电距离和电气间隙保证)。当然，前端信号处理电路113还可以通过电缆124与主处理器115连接。主处理器115用于完成生理参数的计算，并通过对外通讯和电源接口116将参数的计算结果和波形发送到主机(如带显示器的主机、PC机、中央站等等)；其中主处理器115可以通过电缆125与对外通讯和电源接口116连接以进行通讯和/或取电；监护设备100还可以包括电源和电池管理电路117，电源和电池管理电路117通过对外通讯和电源接口116从主机取电，并经过处理后供应给主处理器115，例如整流和滤波等；电源和电池管理电路117还可以对通过对外通讯和电源接口116从主机所取得的电进行监测、管理和供电保护。对外通讯和电源接口116可以是以太网(Ethernet)、令牌环(Token Ring)、令牌总线(TokenBus)以及作为这三种网的骨干网光纤分布数据接口(FDDI)构成的局域网接口中的一个或其组合，还可以是红外、蓝牙、wifi、WMTS通讯等无线接口中的一个或其组合，或者还可以是RS232、USB等有线数据连接接口中的一个或其组合。对外通讯和电源接口116也可以是无线数据传输接口和有线数据传输接口中的一种或两种的组合。主机可以是监护设备100的主机、心电图机，超声诊断仪，计算机等任何一个计算机设备，安装配合的软件，就能够组成一个监护设备100。主机还可以是通讯设备，例如手机，监护设备100通过蓝牙接口将数据发送到支持蓝牙通讯的手机上，实现数据的远程传输。主处理器115还用于对信号采集电路112采集的生理信号进行检测，在检测到异常情况时输出报警信息。可以采用报警电路120和显示器119作为输出模块，用于输出报警信息，例如可以在显示器119上显示生成的报警信息，或者可以通过报警电路120发出报警音进行提示。存储器118可以存储监护设备100的中间和最终的数据，以及存储用于被主处理器115等执行的程序指令或代码。若监护设备100具有血压测量的功能，则还可以包括一个泵阀驱动电路121，泵阀驱动电路121用于在主处理器115的控制下进行充气或放气操作。

图1所示的监护设备100是多参数监测的监护设备，监护设备100也可以是单个生理参数的监护设备，图2就是单个生理参数的监护设备的一个例子，相同内容可参见上述图1的内容，此处不再赘述。

如图3所示，本发明实施例提供一种监护方法，可以应用于图1或者图2所示的监护设备中，以提高监护设备的报警准确性。如图3所示，本实施例提供的监护方法可以包括：

S101、获取生理信号。

本实施例中的生理信号既可以是由信号采集电路通过传感器附件采集到的原始信号，还可以是对采集到的原始信号进行通用性预处理后生成的信号。通用性预处理例如可以包括信号滤波处理、导联脱落处理、信号去噪处理、信号饱和处理以及信号的规格化处理等。其中，信号的规格化处理可以将生理信号的采样率、分辨率统一为预设值，同时对于多通道的生理信号还可以按照临床通用排布顺序排列各通道的生理信号。以心电信号为例，可以将其分辨率统一调整为200Lsb/mV，采样率统一调整为250Hz，并按照I\II\III\aVR\aVL\aVF\V1～V6的顺序排布各导联。本实施例中的生理信号为连续的生理信号，而非离散的参数值，避免了从连续生理信号到离散参数值的提取过程中产生信息缺失而导致的报警准确性的降低。

本实施例中的生理信号包括但不限于心电信号、呼吸信号、体温信号、血氧信号和血压信号等。其中，心电信号包括但不限于通过3导、5导、12导等导联***采集到的信号，血压信号包括但不限于通过袖带式血压采集***采集到的信号。

S102、波形检测。对生理信号进行波形检测，确定目标波形位置序列。

在获取生理信号之后，对生理信号中包含的典型波形进行检测，确定各典型波形在生理信号中的位置，生成目标波形位置序列。对于心电信号而言，可以进行QRS波形检测，例如可以采用Tomkings算法对心电信号ECG进行波形检测。

在一种可选的实施方式中，可以将生理信号划分为预设长度的生理信号片段，然后判断各个生理信号片段中是否包含典型波形。若包含，则将该生理信号片段的标签设置为1，否则设置为0，生成目标波形位置序列。可以理解的是，对于生理信号的划分可以采取部分重叠的方式进行。

S103、波形分类。对目标波形位置序列所对应的生理信号片段进行波形分类，确定目标波形位置序列所对应的各生理信号片段的波形类别。

对于从生理信号中检测出的典型波形进行分类，确定各典型波形的波形类别。例如对于心电信号而言，可以分为窦性心搏、室上性心搏、节性心搏、室性心搏等类别。

S104、异常检测。采用预设的至少两种异常检测方法对已分类的生理信号片段进行异常检测，并根据至少两种异常检测方法的检测结果生成目标报警事件序列，目标报警事件序列中的报警事件为根据已分类的生理信号片段中的异常生理信号片段确定的报警事件。

对已分类的生理信号片段进行异常检测，根据检测出的异常生理信号片段生成报警事件。单一的异常检测方法不可避免地会存在一定的局限性，而本实施例采用至少两种异常检测方法进行异常检测，便可以充分利用并综合两种方法的优点，以提高报警准确性。

S105、输出目标报警事件序列。

本实施例中可以通过监护设备的输出模块，例如显示器、扬声器、信号灯等输出目标报警事件序列。如可以在显示器上对目标报警事件序列进行显示；通过扬声器对目标报警事件序列进行播报；对于目标报警事件序列中不同类别的报警事件，通过不同的信号灯进行提示。

当目标报警事件序列中包括多个报警事件时，可以按照各个报警事件的生成时间进行排序，基于时间先后顺序输出报警事件；还可以对各个报警事件的置信度、紧急程度及重要程度进行综合评估，确定各报警事件的优先级，按照优先级从高至低的顺序输出报警事件。

可选的，还可以提供选择按钮，供用户选择是按时间顺序还是按优先级顺序输出目标报警事件序列。

本实施例提供的监护方法，通过对生理信号进行波形检测与分类，采用预设的至少两种异常检测方法对已分类的生理信号片段进行异常检测，并根据至少两种异常检测方法的检测结果生成目标报警事件序列，实现了监护报警。在波形检测、波形分类及异常检测的过程中，均是针对生理信号进行的，充分利用了原始生理信号的信息；而且采用至少两种异常检测方法进行异常检测，可以充分利用并综合两种方法的优点。因此，本实施例提供的监护方法可以减少误报和漏报，提高报警的准确性。

在上述实施例的基础上，下面分别针对波形检测、波形分类及异常检测进行详细说明。

首先通过几个具体的实施例来详细说明如何进行波形检测。为了避免由单一波形检测方法的局限性而导致的波形检测准确性的降低，本实施例中采用预设的至少两种波形检测方法对生理信号进行波形检测，并根据至少两种波形检测方法的检测结果确定目标波形位置序列。例如可以采用两种、三种及三种以上的波形检测方法进行波形检测，具体数量可以根据实际需要设定，如可以根据检测精度要求和/或监护设备的处理能力确定。下面以采用第一波形检测方法与第二波形检测方法两种不同的波形检测方法进行波形检测为例进行说明，而对于采用三种及三种以上的波形检测方法进行波形检测的情况，可以参考采用两种方法的情况来实现。

至少两种波形检测方法中的第一波形检测方法与第二波形检测方法为不同的方法。在一种可选的实施方式中，当第一波形检测方法和第二波形检测方法中的一个方法为根据生理信号的幅度、斜率和间期中的至少一项，基于预设检测阈值，对生理信号进行波形检测时，另一个方法可以为采用预训练好的人工智能波形检测模型对生理信号进行波形检测，人工智能波形检测模型基于标注了波形位置序列的生理信号训练而成。其中，人工智能波形检测模型的训练集由标注了波形位置序列的生理信号组成，训练集可以采用如下方式构建：截取至少两个生理周期的生理信号，设定适当阈值(对心电信号而言，可以设定为典型QRS波的宽度即120ms)对生理信号进行分段，若生理信号片段含有某个QRS波的绝大部分，则将该生理信号片段的标签设置为1，否则设置为0。

请参考图4，提供了一种采用深度卷积神经网络的人工智能波形检测模型。如图4所示，该模型由多个卷积层(Conv)、最大池化层(Max pool)和全连接层(FC)组成。输入为生理信号，输出为代表QRS波等典型波形有无的0-1序列。

对于采用三种及三种以上波形检测方法的情况，多种波形检测方法例如可以为采用预训练好的多个不同的人工智能波形检测模型分别对生理信号进行波形检测。

请参考图5，在一种可选的实施方式中，采用预设的至少两种波形检测方法对生理信号进行波形检测，并根据至少两种波形检测方法的检测结果确定目标波形位置序列可以包括：

S201、采用第一波形检测方法对生理信号进行波形检测，确定第一波形位置序列。

S202、采用第二波形检测方法对生理信号进行波形检测，确定第二波形位置序列。

需要说明的是，本实施例对于步骤S201和步骤S202的执行顺序不作限制，可以同时执行，也可以先后执行。

S203、根据第一波形位置序列和第二波形位置序列，确定目标波形位置序列。

本实施例中在分别采用第一波形检测方法和第二波形检测方法对生理信号进行波形检测，生成第一波形位置序列和第二波形位置序列之后，可以根据置信度、匹配度或者用户指令对两种波形位置序列进行综合。

一种可选的实施方式中，根据置信度对两种波形位置序列进行综合可以包括：

若第一波形检测方法的置信度高于第二波形检测方法的置信度，则目标波形位置序列为第一波形位置序列；

若第一波形检测方法的置信度低于或等于第二波形检测方法的置信度，则目标波形位置序列为第二波形位置序列。

其中，波形检测方法的置信度可以根据波形检测方法在离线数据库上的检测准确度确定，预置于监护设备中，并且在监护的过程中，可以根据用户对波形检测结果的确认对两种波形检测方法的置信度进行更新。

具体地，对波形检测方法的置信度进行更新可以包括：

根据第一波形位置序列中被确认的波形位置数量占比，更新第一波形检测方法的置信度；

根据第二波形位置序列中被确认的波形位置数量占比，更新第二波形检测方法的置信度。

例如可以将用户确认的波形位置数量在第一波形位置序列包括的波形总数量中所占的百分比，作为第一波形检测方法的置信度；可以将用户确认的波形位置数量在第二波形位置序列包括的波形总数量中所占的百分比，作为第二波形检测方法的置信度。

一种可选的实施方式中，根据匹配度对两种波形位置序列进行综合可以包括：

将第一波形位置序列与第二波形位置序列中相匹配的波形位置纳入目标波形位置序列；和/或，

对于生理信号中的任一生理信号片段，当第一波形位置序列中对应生理信号片段的第一波形位置与第二波形位置序列中对应生理信号片段的第二波形位置不匹配时，将生理信号片段、第一波形位置和第二波形位置与历史波形数据库进行匹配，历史波形数据库中存储有生理信号片段和对应检测出的波形位置之间的对应关系；

将第一波形位置与第二波形位置中匹配成功的纳入目标波形位置序列；将第一波形位置与第二波形位置中匹配失败的确定为误检。

其中，相匹配可以理解为相同或者差异性满足预设条件。例如，对于第一波形位置序列和第二波形位置序列中均给出的波形位置，则纳入目标波形位置序列。而对于仅在第一波形位置序列或者仅在第二波形位置序列中给出的波形位置，可以截取该波形位置对应的生理信号片段，在历史波形数据库中进行匹配。

可选的，还可以将纳入目标波形位置序列中的波形位置所对应的生理信号片段添加至历史波形数据库中。

一种可选的实施方式中，根据用户指令对两种波形位置序列进行综合可以包括：根据用户指令确定输出第一波形位置序列或者输出第二波形位置序列。例如可以提供选择按钮，供用户选择输出第一波形位置序列还是输出第二波形位置序列。

本实施例提供的监护方法，在上述实施例的基础上，分别采用第一波形检测方法和第二波形检测方法对生理信号进行波形检测，并对两种波形检测方法生成的波形位置序列进行综合，提高了波形检测的准确性，进而可以有效地提高报警的准确性。

参考上述方法，对于采用三种及三种以上波形检测方法的情况，可以在分别确定多个波形位置序列之后，根据置信度、匹配度或者用户指令对多个波形位置序列进行综合。例如可以将目标波形位置序列确定为置信度最高的波形检测方法所检测出的波形位置序列；可以根据用户指令输出多个波形位置序列中的一个；可以将多个波形位置序列中相匹配的波形位置直接纳入目标波形位置序列，而对于不匹配的波形位置，则在历史波形数据库中进行匹配。

请参考图6，在另一种可选的实施方式中，采用预设的至少两种波形检测方法对生理信号进行波形检测，并根据至少两种波形检测方法的检测结果确定目标波形位置序列可以包括：

S301、采用第一波形检测方法对生理信号进行波形检测，确定第三波形位置序列。

S302、采用第二波形检测方法对第三波形位置序列所对应的生理信号片段进行波形检测，确定目标波形位置序列。

第一波形检测方法的敏感性高于第二波形检测方法的敏感性，第二波形检测方法的特异性高于第一波形检测方法的特异性。

本实施例中的敏感性是指在进行波形检测时不漏掉包含典型波形的生理信号片段的概率，敏感性越高漏检的概率越小；特异性是指在进行波形检测时不误检的概率，特异性越高误检的概率越小。对于基于预设检测阈值的波形检测方法，可以通过改变预设检测阈值来调整敏感性和特异性；而对于基于人工智能波形检测模型的波形检测方法，可以通过调整用于训练人工智能波形检测模型的训练集中样本的数量和比例来调整敏感性和特异性。

一种可选的实施方式中，可以将采用第二波形检测方法对第三波形位置序列所对应的生理信号片段进行波形检测，所得到的波形位置序列，确定为目标波形位置序列。

在另一种可选的实施方式中，采用第二波形检测方法对第三波形位置序列所对应的生理信号片段进行波形检测，确定目标波形位置序列可以包括：

对于第三波形位置序列中的任一生理信号片段，采用第二波形检测方法检测生理信号片段得到第二波形位置，并根据第二波形位置和通过第一波形检测方法检测生理信号片段得到的第一波形位置，确定生理信号片段的目标波形位置；根据第三波形位置序列中的各生理信号片段的目标波形位置确定目标波形位置序列。

本实施例提供的监护方法，在上述实施例的基础上，首先采用敏感性较高的第一波形检测方法进行波形检测，以便筛选出所有可能存在典型波形的生理信号片段，可以有效地避免漏检，然后采用特异性较高的第二波形检测方法对于第一波形检测方法筛选出的生理信号片段进行再次确认，可以有效地避免误检。通过两种波形检测方法的优势互补，提高了波形检测的准确性，进而可以提高报警的准确性。

参考上述方法，对于采用三种及三种以上波形检测方法的情况，可以首先按照敏感性从高到低，特异性从低到高的顺序对多种波形检测方法进行排序，然后依次进行波形检测。

然后将通过几个具体的实施例来详细说明如何进行波形分类。为了避免由单一波形分类方法的局限性而导致的波形分类准确性的降低，本实施例中采用预设的至少两种波形分类方法对目标波形位置序列所对应的生理信号片段进行波形分类，并根据至少两种波形分类方法的分类结果确定目标波形位置序列所对应的各生理信号片段的波形类别。例如可以采用两种、三种及三种以上的波形分类方法进行波形分类，具体数量可以根据实际需要设定，如可以根据分类精度要求和/或监护设备的处理能力确定。下面以采用第一波形分类方法与第二波形分类方法两种不同的波形分类方法进行波形分类为例进行说明，而对于采用三种及三种以上的波形分类方法进行波形分类的情况，可以参考采用两种方法的情况来实现。

至少两种波形分类方法中的第一波形分类方法与第二波形分类方法为不同的方法。在一种可选的实施方式中，当第一波形分类方法和第二波形分类方法中的一个方法为根据幅度、斜率和间期中的至少一项，基于预设分类阈值，对生理信号片段进行波形分类时，另一个方法为采用预训练好的人工智能波形分类模型对生理信号片段进行波形分类，人工智能波形分类模型基于标注了波形类别的生理信号片段训练而成。请参考图7，提供了一种采用深度卷积神经网络的人工智能波形分类模型。如图7所示，该模型不仅包括多个卷积层(Conv)、最大池化层(Max pool)和全连接层(FC)，并且考虑到长时间监护中产生的波形分类依赖于时序特征，故引入了长短时记忆神经网络(LSTM)。输入为生理信号片段，输出为波形类别。

对于采用三种及三种以上波形分类方法的情况，多种波形分类方法例如可以为采用预训练好的多个不同的人工智能波形分类模型分别对生理信号片段进行波形分类。

请参考图8，在一种可选的实施方式中，采用预设的至少两种波形分类方法对目标波形位置序列所对应的生理信号片段进行波形分类，并根据至少两种波形分类方法的分类结果确定目标波形位置序列所对应的各生理信号片段的波形类别可以包括：

S401、采用第一波形分类方法对目标波形位置序列所对应的生理信号片段进行波形分类，确定第一波形类别序列。

S402、采用第二波形分类方法对目标波形位置序列所对应的生理信号片段进行波形分类，确定第二波形类别序列。

需要说明的是，本实施例对于步骤S401和步骤S402的执行顺序不作限制，可以同时执行，也可以先后执行。

S403、根据第一波形类别序列和第二波形类别序列，确定目标波形位置序列所对应的各生理信号片段的波形类别。

本实施例中在分别采用第一波形分类方法和第二波形分类方法对生理信号片段进行波形分类，生成第一波形类别序列和第二波形类别序列之后，可以根据置信度、匹配度或者用户指令对两种波形位置序列进行综合。

一种可选的实施方式中，根据第一波形类别序列和第二波形类别序列，确定目标波形位置序列所对应的各生理信号片段的波形类别，可以包括：

若第一波形分类方法的置信度高于第二波形分类方法的置信度，则目标波形位置序列所对应的各生理信号片段的波形类别采用第一波形类别序列；

若第一波形分类方法的置信度低于或等于第二波形分类方法的置信度，则目标波形位置序列所对应的各生理信号片段的波形类别采用第二波形类别序列。

其中，波形分类方法的置信度可以根据波形分类方法在离线数据库上的分类准确度确定，预置于监护设备中，并且在监护的过程中，可以根据用户对波形分类结果的确认对两种波形分类方法的置信度进行更新。

具体地，对波形分类方法的置信度进行更新可以包括：

根据第一波形类别序列中被确认的波形类别数量占比，更新第一波形分类方法的置信度；

根据第二波形类别序列中被确认的波形类别数量占比，更新第二波形分类方法的置信度。

又一种可选的实施方式中，根据第一波形类别序列和第二波形类别序列，确定目标波形位置序列所对应的各生理信号片段的波形类别，可以包括：

将第一波形类别序列和第二波形类别序列中相同的波形类别，确定为相应生理信号片段的波形类别；和/或，

对于目标波形位置序列所对应的任一生理信号片段，当第一波形类别序列中对应所述生理信号片段的第一波形类别与第二波形类别序列中对应所述生理信号片段的第二波形类别不同时，将所述生理信号片段、所述第一波形类别和所述第二波形类别与历史波形类别数据库进行匹配，历史波形类别数据库中存储有生理信号片段和对应的波形类别之间的对应关系；

将第一波形类别与第二波形类别中匹配成功的确定为相应生理信号片段的波形类别；将第一波形类别与第二波形类别中匹配失败的确定为误分类。

本实施例提供的监护方法，在上述实施例的基础上，分别采用第一波形分类方法和第二波形分类方法对生理信号片段进行波形分类，并对两种波形分类方法生成的波形类别序列进行综合，提高了波形分类的准确性，有助于提高报警的准确性。

参考上述方法，对于采用三种及三种以上波形分类方法的情况，可以在分别确定多个波形类别序列之后，根据置信度、匹配度或者用户指令对多个波形类别序列进行综合。例如可以将目标波形位置序列所对应的各生理信号片段的波形类别，确定为置信度最高的波形分类方法生成的波形类别序列；可以根据用户指令输出多个波形类别序列中的一个；可以将多个波形类别序列中相同的波形类别，确定为相应生理信号片段的波形类别，而对于不相同的波形类别，则在历史波形类别数据库中进行匹配。

请参考图9，在另一种可选的实施方式中，采用预设的至少两种波形分类方法对目标波形位置序列所对应的生理信号片段进行波形分类，并根据至少两种波形分类方法的分类结果确定目标波形位置序列所对应的各生理信号片段的波形类别可以包括：

S501、采用第一波形分类方法对目标波形位置序列所对应的生理信号片段进行波形分类，确定第三波形类别序列。

S502、采用第二波形分类方法对第三波形类别序列所对应的生理信号片段进行波形分类，确定目标波形位置序列所对应的各生理信号片段的波形类别。

第一波形分类方法的敏感性高于第二波形分类方法的敏感性，第二波形分类方法的特异性高于第一波形分类方法的特异性。

一种可选的实施方式中，可以将采用第二波形分类方法对第三波形类别序列所对应的生理信号片段进行波形分类，所得到的波形类别序列，确定为目标波形位置序列所对应的各生理信号片段的波形类别。

在另一种可选的实施方式中，采用第二波形分类方法对第三波形类别序列所对应的生理信号片段进行波形分类，确定目标波形位置序列所对应的各生理信号片段的波形类别可以包括：

对于第三波形类别序列中的任一生理信号片段，采用第二波形分类方法分类生理信号片段得到第二波形类别，并根据第二波形类别和通过第一波形分类方法分类生理信号片段得到的第一波形类别，确定生理信号片段的目标波形类别；根据第三波形类别序列中的各生理信号片段的目标波形类别确定目标波形类别序列。

本实施例提供的监护方法，在上述实施例的基础上，首先采用敏感性较高的第一波形分类方法进行波形分类，然后采用特异性较高的第二波形分类方法对于第一波形分类方法输出的波形类别进行再次确认。通过两种波形分类方法的优势互补，提高了波形分类的准确性，有助于提高报警的准确性。

参考上述方法，对于采用三种及三种以上波形分类方法的情况，可以首先按照敏感性从高到低，特异性从低到高的顺序对多种波形分类方法进行排序，然后依次进行波形分类。

最后通过几个具体的实施例来详细说明如何进行异常检测。为了避免由单一异常检测方法的局限性而导致的报警准确性的降低，本实施例中采用预设的至少两种异常检测方法对已分类的生理信号片段进行异常检测，并根据至少两种异常检测方法的检测结果生成目标报警事件序列。例如可以采用两种、三种及三种以上的异常检测方法进行异常检测，具体数量可以根据实际需要设定，如可以根据报警精度要求和/或监护设备的处理能力确定。下面以采用第一异常检测方法与第二异常检测方法两种不同的异常检测方法进行异常检测为例进行说明，而对于采用三种及三种以上的异常检测方法进行异常检测的情况，可以参考采用两种方法的情况来实现。

至少两种异常检测方法中的第一异常检测方法与第二异常检测方法为不同的方法。在一种可选的实施方式中，当第一异常检测方法和第二异常检测方法中的一个方法为根据生理信号片段的波形类别、波形起止点、心率、幅度和间期中的至少一项，基于预设报警阈值，对生理信号片段进行异常检测时，另一个方法为采用预训练好的人工智能报警模型对生理信号片段进行异常检测，人工智能报警模型基于标注了报警事件的生理信号片段训练而成。

其中，预设报警阈值可以根据临床经验和医学指南确定。例如可以根据当前及历史检出的波形位置及类别，对形态进行进一步分析，分析波形的各组成成分的起止点并计算诸如心率、幅度、间期等参数，进而根据这些特征利用预设报警阈值判断当前数据是否异常。人工智能报警模型包括但不限于不限于深度卷积神经网络、决策树等，输入生理信号片段，输出报警事件。该模型的训练集可以由标注了报警事件的生理信号片段组成，训练集可以采用如下方式构建：截取10秒以上的生理信号，根据生理信号的波形特征逐秒进行标注，如果当前秒内不足以判定异常，则标注为“正常”，对于异常数据段标注相应的报警事件。

请参考图10，提供了一种采用深度卷积神经网络的人工智能报警模型。如图10所示，该模型不仅包括卷积层(Conv)、最大池化层(Max pool)和全连接层(FC)，并且考虑到长时间监护中产生的报警事件依赖于时序特征，故引入了长短时记忆神经网络(LSTM)和注意力模块以突显异常信息。

对于采用三种及三种以上的异常检测方法的情况，多种异常检测方法例如可以为采用预训练好的多个不同的人工智能报警模型分别对生理信号片段进行异常检测。

请参考图11，在一种可选的实施方式中，采用预设的至少两种异常检测方法对已分类的生理信号片段进行异常检测，并根据至少两种异常检测方法的检测结果生成目标报警事件序列，可以包括：

S601、采用第一异常检测方法对已分类的生理信号片段进行异常检测，生成第一报警事件序列。

S602、采用第二异常检测方法对已分类的生理信号片段进行异常检测，生成第二报警事件序列。

需要说明的是，本实施例对于步骤S601和步骤S602的执行顺序不作限制，可以同时执行，也可以先后执行。

S603、根据第一报警事件序列和第二报警事件序列，生成目标报警事件序列。

本实施例中在分别采用第一异常检测方法和第二异常检测方法对已分类的生理信号片段进行异常检测，生成第一报警事件序列和第二报警事件序列之后，可以根据置信度、匹配度或者用户指令对两种报警事件序列进行综合。

一种可选的实施方式中，根据置信度对第一报警事件序列和第二报警事件序列进行综合，可以包括：

若第一异常检测方法的置信度高于第二异常检测方法的置信度，则目标报警事件序列为第一报警事件序列；

若第一异常检测方法的置信度低于或等于第二异常检测方法的置信度，则目标报警事件序列为第二报警事件序列。

其中，异常检测方法的置信度可以根据异常检测方法在离线数据库上的检测准确度确定，预置于监护设备中，并且在监护的过程中，可以根据用户对异常检测结果的确认对两种异常检测方法的置信度进行更新。

具体地，对异常检测方法的置信度进行更新可以包括：

根据第一报警事件序列中被确认的报警事件数量占比，更新第一异常检测方法的置信度；和/或，

根据第二报警事件序列中被确认的报警事件数量占比，更新第二异常检测方法的置信度。

例如可以将用户确认的报警事件数量在第一报警事件序列包括的报警事件总数量中所占的百分比，作为第一异常检测方法的置信度；可以将用户确认的报警事件数量在第二报警事件序列包括的报警事件总数量中所占的百分比，作为第二异常检测方法的置信度。

一种可选的实施方式中，根据匹配度对第一报警事件序列和第二报警事件序列进行综合，可以包括：

将第一报警事件序列与第二报警事件序列中相匹配的报警事件纳入目标报警事件序列；和/或，

对于已分类的生理信号片段中的任一生理信号片段，当所述第一报警事件序列中对应所述生理信号片段的第一报警事件与所述第二报警事件序列中对应所述生理信号片段的第二报警事件不匹配时，将所述生理信号片段、所述第一报警事件和所述第二报警事件与历史报警数据库进行匹配，所述历史报警数据库中存储有生理信号片段和对应检测出的报警事件之间的对应关系；

将所述第一报警事件与所述第二报警事件中匹配成功的纳入所述目标报警事件序列；将所述第一报警事件与所述第二报警事件中匹配失败的确定为误报警。

其中，相匹配可以理解为相同或者差异性满足预设条件。例如对于第一报警事件序列与第二报警事件序列中均给出的报警事件，则纳入目标报警事件序列进行输出。而对于仅在第一报警事件序列或者仅在第二报警事件序列中出现的报警事件，可以截取该报警事件对应的生理信号片段，在历史报警数据库中进行匹配。

可选的，还可以将纳入目标报警事件序列中的报警事件及其对应的生理信号片段添加至历史报警数据库中。

一种可选的实施方式中，根据用户指令对两种报警事件序列进行综合可以包括：根据用户指令确定输出第一报警事件序列或者输出第二报警事件序列。例如可以提供选择按钮，供用户选择输出第一报警事件序列还是输出第二报警事件序列。

本实施例提供的监护方法，在上述实施例的基础上，分别采用第一异常检测方法和第二异常检测方法对已分类的生理信号片段进行异常检测，并对两种异常检测方法生成的报警事件序列进行综合，可以有效地提高报警的准确性。

参考上述方法，对于采用三种及三种以上异常检测方法的情况，可以在生成多个报警事件序列之后，根据置信度、匹配度或者用户指令对多个报警事件序列进行综合。例如可以将置信度最高的异常检测方法生成的报警事件序列，确定为目标报警事件序列；可以将多个报警事件序列中相匹配的报警事件纳入目标报警事件序列，不匹配的报警事件在历史报警数据库中进行匹配；可以根据用户指令从多个报警事件序列中输出一个。

请参考图12，在另一种可选的实施方式中，采用预设的至少两种异常检测方法对已分类的生理信号片段进行异常检测，并根据至少两种异常检测方法的检测结果生成目标报警事件序列，可以包括：

S701、采用第一异常检测方法对已分类的生理信号片段进行异常检测，生成第三报警事件序列。

S702、采用第二异常检测方法对第三报警事件序列所对应的生理信号片段进行异常检测，生成目标报警事件序列。

其中，第一异常检测方法的敏感性高于第二异常检测方法的敏感性，第二异常检测方法的特异性高于第一异常检测方法的特异性。

本实施例中的敏感性是指在进行异常检测时不漏掉异常生理信号片段的概率，敏感性越高漏检的概率越小；特异性是指在进行异常检测时不误检的概率，特异性越高误检的概率越小。对于基于预设报警阈值的异常检测方法，可以通过改变预设报警阈值来调整敏感性和特异性；而对于基于人工智能报警模型的异常检测方法，可以通过调整用于训练人工智能报警模型的训练集中样本的数量和比例来调整敏感性和特异性。

在一种可选的实施方式中，可以将采用第二异常检测方法对第三报警事件序列所对应的生理信号片段进行异常检测所生成的报警事件序列，确定为目标告警事件序列。

在另一种可选的实施方式中，采用第二异常检测方法对第三报警事件序列所对应的生理信号片段进行异常检测，生成目标报警事件序列，可以包括：

对于第三报警事件序列中的任一报警事件所对应的生理信号片段，采用第二异常检测方法检测生理信号片段得到第二报警事件，并根据第二报警事件和通过第一异常检测方法检测生理信号片段得到的第一报警事件，确定生理信号片段对应的目标报警事件；根据第三报警事件序列中的各生理信号片段对应的目标报警事件确定目标报警事件序列。

本实施例提供的监护方法，在上述实施例的基础上，首先采用敏感性较高的第一异常检测方法进行异常检测，以便筛选出所有可能存在异常的生理信号片段，可以有效地避免漏报，然后采用特异性较高的第二异常检测方法对于第一异常检测方法筛选出的异常生理信号片段进行再次确认，可以有效地避免误报。通过两种异常检测方法的优势互补，提高了报警的准确性。

参考上述方法，对于采用三种及三种以上异常检测方法的情况，可以首先按照敏感性从高到低，特异性从低到高的顺序对多种异常检测方法进行排序，然后依次进行异常检测。

为了避免重要的报警事件淹没于大量报警事件之中，在上述任一实施例的基础上，本实施例提供的监护方法还包括对报警事件的报警价值进行度量。本实施例中采用优先级度量报警价值，优先级越高则报警价值越高，并根据优先级对报警事件进行排序，以便捷呈现有临床价值的报警事件。采用预设的异常检测方法对已分类的生理信号片段进行异常检测，生成目标报警事件序列具体可以包括：采用预设的异常检测方法对已分类的生理信号片段进行异常检测，生成报警事件集；针对报警事件集中的任一报警事件，获取报警事件的多个与优先级相关的特征信息；将多个特征信息分别输入多个对应的预训练好的报警优先级模型，以得到报警事件的多个子优先级；根据报警事件的多个子优先级确定报警事件的目标优先级；根据报警事件集中各报警事件的目标优先级，对报警事件集中的各报警事件进行排序，得到目标报警事件序列。

报警事件的优先级与多种因素相关，例如患者性别、年龄、病类、生理参数值、当前报警时刻前后预设时间段内的报警事件序列及其波形信号等。可以将与优先级相关的信息划分为多个不同类别，使同一类别内的信息强相关，不同类别间的信息弱相关，针对不同类别的信息设计不同的报警优先级模型。然后对多个报警优先级模型输出的子优先级进行综合，确定报警事件的目标优先级。请参考图13，图13为一实施例提供的优先级模型的架构示意图，包括4个报警优先级模型：模型1、模型2、模型3和模型4，分别用于根据一类与优先级相关的信息确定一个子优先级。其中，模型1可以用于根据当前报警时刻前后预设时间段内的报警事件序列确定报警事件的子优先级1；模型2可以用于根据当前报警时刻前后预设时间段内的生理参数值确定报警事件的子优先级2；模型3可以用于根据当前报警时刻前后预设时间段内的波形信号确定报警事件的子优先级3；模型4可以用于根据患者信息，如性别、年龄、病类等确定报警事件的子优先级4。优先级综合模型用于根据报警事件的所有子优先级确定报警事件的目标优先级。

在上述任一实施例的基础上，还可以根据生理信号的时频域特征或者基于原始生理信号采用预训练好的人工智能信号质量评估模型确定生理信号的信号质量指数。具体地，可以在对生理信号进行波形检测之前，对生理信号进行分析，以获取生理信号的信号质量指数。

在一种可选的实施方式中，可以根据生理信号的幅度、斜率和功率谱中的至少一项，确定所述生理信号的信号质量指数。例如可以根据生理信号的幅度、斜率、功率谱等参量在合理范围内的占比对信号质量进行评价。具体地，可以根据如下公式确定生理信号的信号质量指数，

δ＝1-(α+β+2*γ)/4；

其中，δ表示信号质量指数，α表示生理信号的幅度超过预设幅度范围的比例，可以根据临床经验和医学指南，确定信号的预设幅度范围，统计超过该范围的比例α，α可反映饱和段低频噪声强度；β表示生理信号的斜率超过预设斜率范围的比例，可以根据临床经验和医学指南所指示的信号差分或者高阶差分的合理范围，确定生理信号的预设斜率范围，统计超过该范围的比例β，β可以反映高频噪声干扰的强度；γ表示生理信号在预设频率范围之外的功率占比，可以计算生理信号的频谱-功率分布图，并根据临床经验和医学指南确定生理信号的预设频率范围，统计超出该预设频率范围的功率占比γ，γ可综合反映高低频噪声的强度。

在另一种可选的实施方式中，可以采用预训练好的人工智能信号质量评估模型确定生理信号的信号质量指数。具体地，可以将生理信号输入预训练好的人工智能信号质量评估模型，得到生理信号的信号质量指数，人工智能信号质量评估模型基于标注了信号质量指数的生理信号训练而成。

可以采集大量含有不同强度噪声的生理信号数据，并为生理信号数据标注信号质量指数，以建立生理信号质量评估数据库。可以对生理信号质量评估数据库中的生理信号数据进行规格化处理，然后标注信号质量指数标签，信号质量指数既可以为连续性的百分数，也可以为离散型序列。以心电信号为例，例如可以每隔1秒对心电信号片段进行质量评估，标注信号质量指数；对于大于1秒的数据片段，其信号质量指数可以为其中所含所有1秒心电信号片段的信号质量指数的加权平均；多导情况下，最终的信号质量指数是对所有导联上信号质量指数的平均。然后，基于所建立的生理信号质量评估数据库训练人工智能信号质量评估模型，人工智能信号质量评估模型可以为深度卷积模型。在使用训练好的模型进行信号质量评估时，只需要将生理信号输入该模型即可输出信号质量指数。

信号质量指数既可以采用连续性指标进行度量，也可以采用离散型指标进行度量。信号质量指数可以为描述质量等级的序列，如“信号质量良好”、“信号质量较差，限制使用”、“信号质量极差，不可使用”等；或者“一级信号”、“二级信号”、“三级信号”、“四级信号”等。也可以将极差信号的信号质量指数设定为0，可正常使用信号的信号质量指数设定为100，其余信号的信号质量指数可以在0～100内连续变化。

在确定生理信号的信号质量指数之后，还可以通过监护设备的输出模块输出生理信号的信号质量指数。如可以将信号质量指数显示在屏幕上用于指示用户确认，提示用户改进信号质量。

本发明实施例还提供一种监护方法，包括：

获取生理信号；

采用预设的波形检测方法对所述生理信号进行波形检测，确定目标波形位置序列；

采用预设的波形分类方法对所述目标波形位置序列所对应的生理信号片段进行波形分类，确定所述目标波形位置序列所对应的各生理信号片段的波形类别；

采用预设的异常检测方法对已分类的生理信号片段进行异常检测，并根据所述预设的异常检测方法的检测结果生成目标报警事件序列，所述目标报警事件序列中的报警事件为根据所述已分类的生理信号片段中的异常生理信号片段确定的报警事件；

输出所述目标报警事件序列；

其中，所述预设的波形检测方法的数量、所述预设的波形分类方法的数量和所述预设的异常检测方法的数量之中至少一项为两个以上。

本发明实施例还提供一种监护设备，请参见图14所示。如图14所示，本实施例提供的监护设备80可以包括：信号采集电路801、输出模块802、存储器803、处理器804和总线805。其中，总线805用于实现各元件之间的连接。

信号采集电路801，利用与病人连接的传感器附件获取生理信号；

输出模块802，用于输出报警信息；

存储器803中存储有计算机程序，计算机程序被处理器804执行时可以实现上述任一方法实施例的技术方案。

本文参照了各种示范实施例进行说明。然而，本领域的技术人员将认识到，在不脱离本文范围的情况下，可以对示范性实施例做出改变和修正。例如，各种操作步骤以及用于执行操作步骤的组件，可以根据特定的应用或考虑与***的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。

另外，如本领域技术人员所理解的，本文的原理可以反映在计算机可读存储介质上的计算机程序产品中，该可读存储介质预装有计算机可读程序代码。任何有形的、非暂时性的计算机可读存储介质皆可被使用，包括磁存储设备(硬盘、软盘等)、光学存储设备(CD-ROM、DVD、Blu Ray盘等)、闪存和/或诸如此类。这些计算机程序指令可被加载到通用计算机、专用计算机或其他可编程数据处理设备上以形成机器，使得这些在计算机上或其他可编程数据处理装置上执行的指令可以生成实现指定的功能的装置。这些计算机程序指令也可以存储在计算机可读存储器中，该计算机可读存储器可以指示计算机或其他可编程数据处理设备以特定的方式运行，这样存储在计算机可读存储器中的指令就可以形成一件制造品，包括实现指定功能的实现装置。计算机程序指令也可以加载到计算机或其他可编程数据处理设备上，从而在计算机或其他可编程设备上执行一系列操作步骤以产生一个计算机实现的进程，使得在计算机或其他可编程设备上执行的指令可以提供用于实现指定功能的步骤。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (33)

1.一种监护方法，其特征在于，包括：

获取生理信号；

对所述生理信号进行波形检测，确定目标波形位置序列；

对所述目标波形位置序列所对应的生理信号片段进行波形分类，确定所述目标波形位置序列所对应的各生理信号片段的波形类别；

采用预设的至少两种异常检测方法对已分类的生理信号片段进行异常检测，并根据所述至少两种异常检测方法的检测结果生成目标报警事件序列，所述目标报警事件序列中的报警事件为根据所述已分类的生理信号片段中的异常生理信号片段确定的报警事件；

输出所述目标报警事件序列。

2.如权利要求1所述的方法，其特征在于，所述对所述生理信号进行波形检测，确定目标波形位置序列包括：

采用预设的至少两种波形检测方法对所述生理信号进行波形检测，并根据所述至少两种波形检测方法的检测结果确定目标波形位置序列。

3.如权利要求2所述的方法，其特征在于，所述至少两种波形检测方法中的第一波形检测方法与第二波形检测方法为不同的方法，所述采用预设的至少两种波形检测方法对所述生理信号进行波形检测，并根据所述至少两种波形检测方法的检测结果确定目标波形位置序列包括：

采用所述第一波形检测方法对所述生理信号进行波形检测，确定第一波形位置序列；

采用所述第二波形检测方法对所述生理信号进行波形检测，确定第二波形位置序列；

根据所述第一波形位置序列和所述第二波形位置序列，确定目标波形位置序列。

4.如权利要求2所述的方法，其特征在于，所述至少两种波形检测方法中的第一波形检测方法与第二波形检测方法为不同的方法，所述采用预设的至少两种波形检测方法对所述生理信号进行波形检测，并根据所述至少两种波形检测方法的检测结果确定目标波形位置序列包括：

采用所述第一波形检测方法对所述生理信号进行波形检测，确定第三波形位置序列；

采用所述第二波形检测方法对所述第三波形位置序列所对应的生理信号片段进行波形检测，确定目标波形位置序列；

所述第一波形检测方法的敏感性高于所述第二波形检测方法的敏感性，所述第二波形检测方法的特异性高于所述第一波形检测方法的特异性。

5.根据权利要求4所述的方法，其特征在于，所述采用所述第二波形检测方法对所述第三波形位置序列所对应的生理信号片段进行波形检测，确定目标波形位置序列包括：

对于所述第三波形位置序列中的任一生理信号片段，采用所述第二波形检测方法检测所述生理信号片段得到第二波形位置，并根据所述第二波形位置和通过所述第一波形检测方法检测所述生理信号片段得到的第一波形位置，确定所述生理信号片段的目标波形位置；

根据所述第三波形位置序列中的各生理信号片段的目标波形位置确定所述目标波形位置序列。

6.如权利要求3所述的方法，其特征在于，所述根据所述第一波形位置序列和所述第二波形位置序列，确定目标波形位置序列，包括：

若第一波形检测方法的置信度高于第二波形检测方法的置信度，则目标波形位置序列为第一波形位置序列；

若第一波形检测方法的置信度低于或等于第二波形检测方法的置信度，则目标波形位置序列为第二波形位置序列。

7.如权利要求6所述的方法，其特征在于，所述方法还包括：

根据所述第一波形位置序列中被确认的波形位置数量占比，更新所述第一波形检测方法的置信度；

根据所述第二波形位置序列中被确认的波形位置数量占比，更新所述第二波形检测方法的置信度。

8.如权利要求3所述的方法，其特征在于，所述根据所述第一波形位置序列和所述第二波形位置序列，确定目标波形位置序列，包括：

将所述第一波形位置序列与所述第二波形位置序列中相匹配的波形位置纳入目标波形位置序列；和/或，

对于所述生理信号中的任一生理信号片段，当所述第一波形位置序列中对应所述生理信号片段的第一波形位置与所述第二波形位置序列中对应所述生理信号片段的第二波形位置不匹配时，将所述生理信号片段、所述第一波形位置和所述第二波形位置与历史波形数据库进行匹配，所述历史波形数据库中存储有生理信号片段和对应检测出的波形位置之间的对应关系；

将所述第一波形位置与所述第二波形位置中匹配成功的纳入所述目标波形位置序列；将所述第一波形位置与所述第二波形位置中匹配失败的确定为误检。

9.如权利要求3至8中任一项所述的方法，其特征在于，

当所述第一波形检测方法和所述第二波形检测方法中的一个方法为根据生理信号的幅度、斜率和间期中的至少一项，基于预设检测阈值，对生理信号进行波形检测时，另一个方法为采用预训练好的人工智能波形检测模型对生理信号进行波形检测，所述人工智能波形检测模型基于标注了波形位置序列的生理信号训练而成。

10.如权利要求1所述的方法，其特征在于，所述对所述目标波形位置序列所对应的生理信号片段进行波形分类，确定所述目标波形位置序列所对应的各生理信号片段的波形类别包括：

采用预设的至少两种波形分类方法对所述目标波形位置序列所对应的生理信号片段进行波形分类，并根据所述至少两种波形分类方法的分类结果确定目标波形位置序列所对应的各生理信号片段的波形类别。

11.如权利要求10所述的方法，其特征在于，所述至少两种波形分类方法中的第一波形分类方法与第二波形分类方法为不同的方法，所述采用预设的至少两种波形分类方法对所述目标波形位置序列所对应的生理信号片段进行波形分类，并根据所述至少两种波形分类方法的分类结果确定目标波形位置序列所对应的各生理信号片段的波形类别包括：

采用第一波形分类方法对所述目标波形位置序列所对应的生理信号片段进行波形分类，确定第一波形类别序列；

采用第二波形分类方法对所述目标波形位置序列所对应的生理信号片段进行波形分类，确定第二波形类别序列；

根据第一波形类别序列和第二波形类别序列，确定所述目标波形位置序列所对应的各生理信号片段的波形类别。

12.如权利要求10所述的方法，其特征在于，所述至少两种波形分类方法中的第一波形分类方法与第二波形分类方法为不同的方法，所述采用预设的至少两种波形分类方法对所述目标波形位置序列所对应的生理信号片段进行波形分类，并根据所述至少两种波形分类方法的分类结果确定目标波形位置序列所对应的各生理信号片段的波形类别包括：

采用第一波形分类方法对所述目标波形位置序列所对应的生理信号片段进行波形分类，确定第三波形类别序列；

采用第二波形分类方法对所述第三波形类别序列所对应的生理信号片段进行波形分类，确定所述目标波形位置序列所对应的各生理信号片段的波形类别；

所述第一波形分类方法的敏感性高于所述第二波形分类方法的敏感性，所述第二波形分类方法的特异性高于所述第一波形分类方法的特异性。

13.根据权利要求12所述的方法，其特征在于，所述采用第二波形分类方法对所述第三波形类别序列所对应的生理信号片段进行波形分类，确定所述目标波形位置序列所对应的各生理信号片段的波形类别包括：

对于所述第三波形类别序列中的任一生理信号片段，采用所述第二波形分类方法分类所述生理信号片段得到第二波形类别，并根据所述第二波形类别和通过所述第一波形分类方法分类所述生理信号片段得到的第一波形类别，确定所述生理信号片段的目标波形类别；

根据所述第三波形类别序列中的各生理信号片段的目标波形类别确定所述目标波形类别序列。

14.如权利要求11所述的方法，其特征在于，所述根据第一波形类别序列和第二波形类别序列，确定所述目标波形位置序列所对应的各生理信号片段的波形类别，包括：

若第一波形分类方法的置信度高于第二波形分类方法的置信度，则所述目标波形位置序列所对应的各生理信号片段的波形类别采用第一波形类别序列；

若第一波形分类方法的置信度低于或等于第二波形分类方法的置信度，则所述目标波形位置序列所对应的各生理信号片段的波形类别采用第二波形类别序列。

15.如权利要求14所述的方法，其特征在于，所述方法还包括：

根据所述第一波形类别序列中被确认的波形类别数量占比，更新第一波形分类方法的置信度；

根据所述第二波形类别序列中被确认的波形类别数量占比，更新第二波形分类方法的置信度。

16.如权利要求11所述的方法，其特征在于，所述根据第一波形类别序列和第二波形类别序列，确定所述目标波形位置序列所对应的各生理信号片段的波形类别，包括：

将所述第一波形类别序列和所述第二波形类别序列中相同的波形类别，确定为相应生理信号片段的波形类别；和/或，

对于所述目标波形位置序列所对应的任一生理信号片段，当所述第一波形类别序列中对应所述生理信号片段的第一波形类别与所述第二波形类别序列中对应所述生理信号片段的第二波形类别不同时，将所述生理信号片段、所述第一波形类别和所述第二波形类别与历史波形类别数据库进行匹配，所述历史波形类别数据库中存储有生理信号片段和对应的波形类别之间的对应关系；

将所述第一波形类别与所述第二波形类别中匹配成功的确定为相应生理信号片段的波形类别；将所述第一波形类别与所述第二波形类别中匹配失败的确定为误分类。

17.如权利要求11至16中任一项所述的方法，其特征在于，

当所述第一波形分类方法和所述第二波形分类方法中的一个方法为根据幅度、斜率和间期中的至少一项，基于预设分类阈值，对生理信号片段进行波形分类时，另一个方法为采用预训练好的人工智能波形分类模型对生理信号片段进行波形分类，所述人工智能波形分类模型基于标注了波形类别的生理信号片段训练而成。

18.如权利要求1所述的方法，其特征在于，所述至少两种异常检测方法中的第一异常检测方法与第二异常检测方法为不同的方法，所述采用预设的至少两种异常检测方法对已分类的生理信号片段进行异常检测，并根据所述至少两种异常检测方法的检测结果生成目标报警事件序列，包括：

采用所述第一异常检测方法对已分类的生理信号片段进行异常检测，生成第一报警事件序列；

采用所述第二异常检测方法对已分类的生理信号片段进行异常检测，生成第二报警事件序列；

根据所述第一报警事件序列和所述第二报警事件序列，生成目标报警事件序列。

19.如权利要求1所述的方法，其特征在于，所述至少两种异常检测方法中的第一异常检测方法与第二异常检测方法为不同的方法，所述采用预设的异常检测方法对已分类的生理信号片段进行异常检测，并根据所述至少两种异常检测方法的检测结果生成目标报警事件序列，包括：

采用所述第一异常检测方法对已分类的生理信号片段进行异常检测，生成第三报警事件序列；

采用所述第二异常检测方法对所述第三报警事件序列所对应的生理信号片段进行异常检测，生成目标报警事件序列；

所述第一异常检测方法的敏感性高于所述第二异常检测方法的敏感性，所述第二异常检测方法的特异性高于所述第一异常检测方法的特异性。

20.根据权利要求19所述的方法，其特征在于，所述采用所述第二异常检测方法对所述第三报警事件序列所对应的生理信号片段进行异常检测，生成目标报警事件序列包括：

对于所述第三报警事件序列中的任一报警事件所对应的生理信号片段，采用所述第二异常检测方法检测所述生理信号片段得到第二报警事件，并根据所述第二报警事件和通过所述第一异常检测方法检测所述生理信号片段得到的第一报警事件，确定所述生理信号片段对应的目标报警事件；

根据所述第三报警事件序列中的各生理信号片段对应的目标报警事件确定所述目标报警事件序列。

21.如权利要求18所述的方法，其特征在于，所述根据第一报警事件序列和第二报警事件序列，生成目标报警事件序列，包括：

若第一异常检测方法的置信度高于第二异常检测方法的置信度，则目标报警事件序列为第一报警事件序列；

若第一异常检测方法的置信度低于或等于第二异常检测方法的置信度，则目标报警事件序列为第二报警事件序列。

22.如权利要求21所述的方法，其特征在于，所述方法还包括：

根据所述第一报警事件序列中被确认的报警事件数量占比，更新第一异常检测方法的置信度；和/或，

根据所述第二报警事件序列中被确认的报警事件数量占比，更新第二异常检测方法的置信度。

23.如权利要求18所述的方法，其特征在于，所述根据第一报警事件序列和第二报警事件序列，生成目标报警事件序列，包括：

将所述第一报警事件序列与所述第二报警事件序列中相匹配的报警事件纳入目标报警事件序列；和/或，

对于已分类的生理信号片段中的任一生理信号片段，当所述第一报警事件序列中对应所述生理信号片段的第一报警事件与所述第二报警事件序列中对应所述生理信号片段的第二报警事件不匹配时，将所述生理信号片段、所述第一报警事件和所述第二报警事件与历史报警数据库进行匹配，所述历史报警数据库中存储有生理信号片段和对应检测出的报警事件之间的对应关系；

将所述第一报警事件与所述第二报警事件中匹配成功的纳入所述目标报警事件序列；将所述第一报警事件与所述第二报警事件中匹配失败的确定为误报警。

24.如权利要求18至23中任一项所述的方法，其特征在于，

当所述第一异常检测方法和所述第二异常检测方法中的一个方法为根据生理信号片段的波形类别、波形起止点、心率、幅度和间期中的至少一项，基于预设报警阈值，对生理信号片段进行异常检测时，另一个方法为采用预训练好的人工智能报警模型对生理信号片段进行异常检测，所述人工智能报警模型基于标注了报警事件的生理信号片段训练而成。

25.如权利要求1所述的方法，其特征在于，所述采用预设的至少两种异常检测方法对已分类的生理信号片段进行异常检测，并根据所述至少两种异常检测方法的检测结果生成目标报警事件序列包括：

采用预设的至少两种异常检测方法对已分类的生理信号片段进行异常检测，生成报警事件集；

针对所述报警事件集中的任一报警事件，获取所述报警事件的多个与优先级相关的特征信息；

将多个所述特征信息分别输入多个对应的预训练好的报警优先级模型，以得到所述报警事件的多个子优先级；

根据所述报警事件的多个子优先级确定所述报警事件的目标优先级；

根据所述报警事件集中各报警事件的目标优先级，对所述报警事件集中的各报警事件进行排序，得到目标报警事件序列。

26.如权利要求1所述的方法，其特征在于，所述对所述生理信号进行波形检测之前，所述方法还包括：

对所述生理信号进行分析，以获取所述生理信号的信号质量指数。

27.如权利要求26所述的方法，其特征在于，所述对所述生理信号进行分析，以获取所述生理信号的信号质量指数，包括：

根据所述生理信号的幅度、斜率和功率谱中的至少一项，确定所述生理信号的信号质量指数。

28.如权利要求27所述的方法，其特征在于，所述根据所述生理信号的幅度、斜率和功率谱中的至少一项，确定所述生理信号的信号质量指数，包括：

根据如下公式确定生理信号的信号质量指数，

δ＝1-(α+β+2*γ)/4；

其中，δ表示信号质量指数，α表示生理信号的幅度超过预设幅度范围的比例，β表示生理信号的斜率超过预设斜率范围的比例，γ表示生理信号的频率超过预设频率范围的功率占比。

29.如权利要求26所述的方法，其特征在于，所述对所述生理信号进行分析，以获取所述生理信号的信号质量指数，包括：

将所述生理信号输入预训练好的人工智能信号质量评估模型，得到所述生理信号的信号质量指数，所述人工智能信号质量评估模型基于标注了信号质量指数的生理信号训练而成。

30.如权利要求26所述的方法，其特征在于，所述方法还包括：

输出所述生理信号的信号质量指数。

31.一种监护方法，其特征在于，包括：

获取生理信号；

采用预设的波形检测方法对所述生理信号进行波形检测，确定目标波形位置序列；

采用预设的波形分类方法对所述目标波形位置序列所对应的生理信号片段进行波形分类，确定所述目标波形位置序列所对应的各生理信号片段的波形类别；

采用预设的异常检测方法对已分类的生理信号片段进行异常检测，并根据所述预设的异常检测方法的检测结果生成目标报警事件序列，所述目标报警事件序列中的报警事件为根据所述已分类的生理信号片段中的异常生理信号片段确定的报警事件；

输出所述目标报警事件序列；

其中，所述预设的波形检测方法的数量、所述预设的波形分类方法的数量和所述预设的异常检测方法的数量之中至少一项为两个以上。

32.一种监护设备，其特征在于，包括：

信号采集电路，用于获取生理信号；

输出装置，用于输出报警事件；

存储器，用于存储程序；以及

处理器，用于通过执行所述存储器存储的程序以实现如权利要求1-30中任一项所述的监护方法。

33.一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求1-31中任一项所述的监护方法。

Images