CN114145723A - 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，一实施例中所述方法包括：获取生理信号；通过多个人工智能报警子模型分别对获取到的生理信号进行检测，每个人工智能报警子模型以生理信号作为输入，用于检测一种类型的异常情况，在检测到异常情况时输出报警信息；对多个人工智能报警子模型输出的报警信息进行综合；输出综合后的报警信息。本发明实施例的方法，针对不同类型的异常情况，采用了不同的人工智能报警子模型进行检测。

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

监护设备通过采集患者的生理信号，对生理信号进行分析，在出现异常情况时进行报警以提示医护人员。传统的监护设备，一般为基于阈值的专家***，而阈值往往是根据临床经验统计而来的，缺乏个体性和综合考量。随着机器学习的快速发展，传统基于阈值的专家***正逐步被基于人工智能的解决方案所替代。

目前基于人工智能的解决方案，通过大量标注了报警类别的生理信号样本，对人工智能模型进行有监督的训练。采用训练好的人工智能模型对患者的生理信号进行检测，识别异常情况，进行报警。不同类别的报警所需重点关注的信息并不一致，在模型训练过程中可能会相互制约，导致报警准确性的降低。因此，现有基于人工智能的解决方案，其报警准确性还有待提高。

发明内容

本发明主要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；

通过多个人工智能报警子模型分别对获取到的生理信号进行检测，每个人工智能报警子模型以生理信号作为输入，用于检测一种类型的异常情况，在检测到异常情况时输出报警信息；

对多个人工智能报警子模型输出的报警信息进行综合；

输出综合后的报警信息。

根据第二方面，一种实施例中提供一种监护设备，包括：

信号采集电路，利用与病人连接的传感器附件获取生理信号；

输出模块，用于输出报警信息；

存储器，用于存储程序；

处理器，用于通过执行所述存储器存储的程序以实现如第一方面任一项所述的监护方法。

根据第三方面，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方法。

本发明实施例提供的监护方法及设备，通过获取生理信号；通过多个人工智能报警子模型分别对获取到的生理信号进行检测，每个人工智能报警子模型以生理信号作为输入，用于检测一种类型的异常情况，在检测到异常情况时输出报警信息；对多个人工智能报警子模型输出的报警信息进行综合；输出综合后的报警信息。实现了针对不同类型的异常情况，采用了不同的人工智能报警子模型进行检测，有助于提高报警信息的准确性。

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为另一种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为一实施例提供的根据检测异常情况所需生理信号的长度确定人工智能子模型的示意图；

图5为图4中人工智能报警子模型的结构示意图；

图6为一实施例提供的报警配置界面的示意图；

图7为一实施例提供的多个人工智能报警子模型的组合结构的示意图；

图8为另一实施例提供的多个人工智能报警子模型的组合结构的示意图；

图9为又一种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所示的就是一个例子，相同内容可参见上述图1的内容。

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：

S301、获取生理信号。

本实施例中的生理信号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导联脱落处理、饱和处理、滤波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信号的采样率、分辨率统一为预设值，同时对于多通道的信号还可以按照临床通用排布顺序排列各通道信号。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、呼吸、体温、血氧和血压等。其中，心电信号采集***包括但不限于3导、5导、12导等导联***，血压采集***包括但不限于袖带式血压采集***。

S302、通过多个人工智能报警子模型分别对获取到的生理信号进行检测，每个人工智能报警子模型以生理信号作为输入，用于检测一种类型的异常情况，在检测到异常情况时输出报警信息。

在获取生理信号之后，则可以通过多个人工智能报警子模型分别对获取到的生理信号进行检测。本实施例中各人工智能报警子模型例如可以是基于标注了报警名称及置信度的生理信号预先训练好的。每个人工智能报警子模型用于检测一种类型的异常情况，以生理信号作为输入，在检测到异常情况时输出报警信息，报警信息可以包括报警名称及相应的置信度。

若采用单一模型，则无法对多种类型的异常情况进行特异性识别，因为识别不同类型的异常情况所需重点关注的信息并不一致。举例来说，在检测室颤时，重点需要关注QRS波群存在与否；而在检测房颤时，则主要关注P波、F波的有无。通过多个人工智能报警子模型对多种类型的异常情况分别进行检测，可以有针对性的关注不同的信息。

若采用单一模型，则对于罕见样本的异常情况的识别性能不佳。由于罕见样本相对于其他样本而言，数量较少，因此训练出的单一模型对于罕见样本的异常情况的识别准确性很难保证。例如一种罕见样本在数据库的自然分布中仅占1％，训练出的单一模型，虽然整体准确性达98％以上，但可能已将该类罕见样本的异常情况全部预测错误。而本实施例中可以对罕见样本单独训练人工智能报警子模型，针对罕见样本的异常情况进行检测，以便提高罕见样本的异常情况的识别准确性。

本实施例中可以根据检测异常情况所需生理信号的长度，和/或，检测异常情况所需的预处理操作，和/或，异常情况对应波形的相似度确定各人工智能报警子模型用于检测的异常情况。

用于检测不同类别疾病产生的异常情况所需生理信号的长度并不一致。例如准确识别房颤异常节律等需要较长时间段，一般为30秒以上，而检测心室早搏仅需若干心搏即可判别。若在一个模型中既检测房颤又检测室性早搏，为了保证房颤检测的准确度，则需要输入长度为30秒以上的生理信号片段，但是过长的生理信号片段对室性早搏检测而言，含有过多的冗余信息，反而会增加室性早搏检测的难度且降低了准确性。因此，在一种可选的实施方式中，可以根据检测异常情况所需生理信号的长度来确定各人工智能报警子模型用于检测的异常情况。即对于所需生理信号的长度不同的异常情况，可以采用不同的人工智能子模型进行检测。

请参考图4，对于二联律、三联律和多形室性早搏(Premature VentricularContractions，简称：PVC)等报警类1所需的最佳检测数据长度为5秒，可以通过人工智能报警子模型1来检测报警类1的异常情况；对于房颤、房扑和不规则节律等报警类2所需的最佳检测数据长度为30秒，可以通过人工智能报警子模型2来检测报警类2的异常情况；对于室性心动过速、室性心动过缓和室颤等报警类n所需的最佳检测数据长度为10秒，可以通过人工智能报警子模型n来检测报警类n的异常情况。

各人工智能报警子模型可以采用相同的结构，也可以采用不同的结构。请参考图5，示出了图4中人工智能报警子模型1和人工智能报警子模型2的结构示意图。如图5所示，人工智能报警子模型2输入的生理信号的长度为人工智能报警子模型1输入的生理信号的长度的5倍。两者虽然都采用了卷积神经网络，但是针对不同的报警类采用了不同的结构。

进一步地，识别不同类型的异常情况所需的特异化预处理操作有所不同。举例来说，对于识别房颤而言，QRS波的形态并非关键，重点是TQ波的特征，因此为了提升检测房颤的准确度，需要凸显TQ波的特征并减弱QRS波的特征；而对于识别室性早搏而言，QRS波的形态至关重要，因此为了提升检测室性早搏的准确度，需要凸显QRS波的形态特征并消除TQ波的变异度。显而易见，若使用一个模型同时检测房颤和室性早搏，则无法进行特异化预处理操作。因此，在另一种可选的实施方式中，可以根据检测异常情况所需的预处理操作来确定各人工智能报警子模型用于检测的异常情况。即对于所需预处理操作不同的异常情况，可以采用不同的人工智能子模型进行检测，以便于有针对性地进行特异化预处理，以凸显识别该类异常时所需的关键信息。

在另一种可选的实施方式中，还可以根据异常情况对应波形的相似度确定各人工智能报警子模型用于检测的异常情况。不同异常情况对应的波形可能具有一定的相似度，当该相似度大于预设相似度阈值时，可以将其纳入同一种类型的异常情况。即对于波形相似度大于预设相似度阈值的多个异常情况，可以采用相同的人工智能子模型进行检测，以便在提高检测准确性的同时，提高检测效率。

需要说明的是，还可以根据检测异常情况所需生理信号的长度、检测异常情况所需的预处理操作以及异常情况对应波形的相似度中的两个或者全部来确定各人工智能报警子模型用于检测的异常情况。

针对不同类型的异常情况训练不同的人工智能报警子模型，有针对性地对异常情况进行检测，有助于提高报警的准确性。

S303、对多个人工智能报警子模型输出的报警信息进行综合。

多个人工智能报警子模型可能会输出多个报警信息，每个报警信息均可以包括报警名称及相应的置信度。在一种可选的实施方式中，可以根据各人工智能报警子模型输出报警信息的置信度，对多个人工智能报警子模型输出的报警信息进行综合。例如可以预设或者根据用户指令设置置信度阈值，仅输出置信度高于置信度阈值的报警信息。需要说明的是，既可以对所有报警信息设置相同的置信度阈值，也可以针对不同的报警信息设置不同的置信度阈值。

进一步地，还可以确定各人工智能报警子模型输出报警信息的优先级。具体地，可以预设或者根据用户指令设置各人工智能报警子模型的优先级，报警信息的优先级根据输出该报警信息的人工智能报警子模型的优先级确定，优先级例如可以包括：高、中和低。在另一种可选的实施方式中，还可以根据各人工智能报警子模型输出报警信息的优先级，对多个人工智能报警子模型输出的报警信息进行综合。例如，在某些特定场景下，如急救场合，仅输出高优先级的报警信息；或者，在高优先级报警信息的持续期间内，对出现的低优先级报警不予显示。

可选的，还可以根据预设或者用户设定的不应期，对报警信息进行综合。即在某项报警信息输出后，开始计时，在计时未超过不应期时，不再进行同类报警。

对于多个人工智能报警子模型输出的报警信息，还可以根据预先训练好的价值指数模型，分别确定各个报警信息的价值指数，根据价值指数对报警信息进行排序。价值指数模型的输入可以为生理信号波形数据及其信号质量指数、报警名称及其置信度、报警优先级、报警信息前后若干时间段内的报警信息等，输出则为当前报警信息的价值指数。

S304、输出综合后的报警信息。

在对多个人工智能报警子模型输出的报警信息进行综合之后，可以通过监护设备的输出模块，例如显示器、扬声器、信号灯等输出综合后的报警信息。如可以在显示器上显示报警名称及相应的置信度；通过扬声器播放报警信息的报警名称及相应的置信度；对于不同的报警信息，通过不同的信号灯进行提示。

本实施例提供的监护方法，通过多个人工智能报警子模型分别对获取到的生理信号进行检测，每个人工智能报警子模型以生理信号作为输入，用于检测一种类型的异常情况，在检测到异常情况时输出报警信息，所述报警信息包括报警名称及相应的置信度；对多个人工智能报警子模型输出的报警信息进行综合；输出综合后的报警信息。针对不同类型的异常情况，采用了不同的人工智能报警子模型进行检测，有助于提高报警信息的准确性。

在上述实施例的基础上，本实施例提供的方法还包括：生成报警配置界面，以便用户根据场景需求及个人操作习惯进行报警配置。

在一种可选的实施方式中，报警配置界面可以显示有各个人工智能报警子模型的工作状态，所述工作状态包括使能状态和非使能状态；并且可以响应于用户对工作状态的操作，更新相应的人工智能报警子模型的工作状态。例如可以在报警配置界面中为各个人工智能报警子模型设定使能状态按键，用户可根据需求，点击各子模型对应的按键以选择性开启或者关闭对应的子模型。如在急救场合，可以仅打开用于检测节律分析异常情况的子模型，而关闭用于检测形态分析异常情况的子模型，因为此时由于运动干扰等影响，使得精细化的形态分析准确度大大降低、误报增多。

在又一种可选的实施方式中，报警配置界面还可以显示有处于使能状态的人工智能报警子模型的报警置信度阈值；响应于用户对报警置信度阈值的操作，更新相应的人工智能报警子模型的报警置信度阈值。例如可以在报警配置界面中为各个人工智能报警子模型设置置信度下限设定框，支持用户为处于使能状态的人工智能报警子模型通过置信度下限设定框输入报警置信度阈值。各人工智能报警子模型对于检测出的报警置信度低于用户设定的置信度下限的异常情况，不输出报警结果，这样可以有效规避大量误报。

在另一种可选的实施方式中，报警配置界面还可以显示有多个人工智能报警子模型的组合结构；并可以响应于用户对组合结构的操作，更新多个人工智能报警子模型的组合结构。初始时，多个人工智能报警子模型的组合结构可以采用预设结构，通过可视化界面供用户重新定义组合结构，提高了用户管理模型的便利性。

具体的报警配置界面可以参考图6所示。其中，处于使能状态的子模型1的置信度下限为75％，也就是说子模型1仅输出置信度高于75％的报警信息。多个人工智能报警子模型的组合结构可以为串行结构、并行结构或者混合结构，图6中所示为混合结构。下面通过具体的示例对模型的组合结构以及针对不同的组合结构，如何对报警信息进行综合进行详细说明。

请参考图7，多个人工智能报警子模型的组合结构为并行结构，可以同时运行多个人工智能报警子模型，并将多个人工智能报警子模型输出的报警信息中置信度最大且大于报警置信度阈值的报警信息，作为综合后的报警信息。

请参考图8，多个人工智能报警子模型的组合结构为串行结构。例如可以根据各人工智能报警子模型的优先级顺序将其组织为串行结构，可以同时运行，或者按照优先级顺序依次运行各个子模块，并将多个人工智能报警子模型输出的报警信息中置信度大于报警置信度阈值，且优先级最高的报警信息，作为综合后的报警信息。

而对于图6所示的混合结构，可以将其分解为并行结构和串行结构确定综合后的报警信息。

为了适应不同的应用场景，提高报警的灵活性，本实施例提供的监护方法还可以包括：获取应用场景与多个所述人工智能报警子模型的工作状态的对应关系；根据用户操作确定当前应用场景；根据当前应用场景所对应的多个所述人工智能报警子模型的工作状态，开启或者关系相应的人工智能报警子模型。

在不同的应用场景下，用户期望监护设备输出的报警信息的种类并不相同。如在做静息心电图检查时，用户期望输出全部可能的异常情况；而在急救和除颤场合，用户期望仅输出室颤等致命性异常情况，多余的报警信息反而会浪费用户的精力和其他资源。因此可以预先设置或者根据用户指令设置各人工智能报警子模型的工作状态与应用场景的对应关系。对于静息心电图应用场景，所有人工智能报警子模型的工作状态均为使能状态；对于急救应用场景，仅有用于检测室颤的人工智能子模型的工作状态为使能状态，其他人工智能子模型的工作状态均为非使能状态。本实施例提供的方法，可以针对不同的应用场景，进行灵活报警。

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，可以在通过多个人工智能报警子模型分别对获取到的生理信号进行检测之前，对所述生理信号进行分析获取所述生理信号的信号质量指数；根据所述信号质量指数对通过多个人工智能报警子模型对生理信号进行检测的过程进行控制。

在一种可选的实施方式中，可以根据生理信号的时频域特征确定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。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表示生理信号的频率超过预设频率范围的功率占比，可以计算信号的频谱-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信号质量评估模型，获取生理信号的信号质量指数，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数据，并为每个数据标注信号质量指数，以建立信号质量评估数据库。信号质量评估数据库中的数据已进行规格化处理，标注标签既可以为连续性的百分数，也可以为离散型序列。具体地，可以每隔1秒对实时单导信号片段进行质量评估，而大于1秒的数据片段为其中所含所有1秒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，基于所建立的信号质量评估数据库训练信号质量评估模型，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，只需要将已经规格化的生理信号片段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质量指数设定为0，可正常使用的信号质量指数设定为100，其余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。

在确定生理信号的信号质量指数之后，还可以根据信号质量指数对通过多个人工智能报警子模型对生理信号进行检测的过程进行控制。

在一种可选的实施方式中，可以根据信号质量指数，确定多个人工智能报警子模型的工作状态；通过处于使能状态的人工智能报警子模型分别对获取到的生理信号进行检测。有些人工智能报警子模型对于信号质量有着较高的要求，当信号质量不能满足要求时，报警的准确性将大幅降低，导致大量的误报、漏报发生。因此当信号质量指数较低时，可以将这些人工智能报警子模型的工作状态设置为非使能状态，不参与异常情况的检测，避免产生误报和漏报。

在另一种可选的实施方式中，可以根据信号质量指数确定报警信息的置信度。各人工智能报警子模型输出报警信息的置信度与所述信号质量指数正相关。也就是说，信号质量越高，则输出的报警信息的置信度越高。

本发明实施例还提供一种监护设备，请参见图9所示。如图9所示，本实施例提供的监护设备90可以包括：信号采集电路901、输出模块902、存储器903、处理器904和总线905。其中，总线905用于实现各元件之间的连接。

信号采集电路901，利用与病人连接的传感器附件获取生理信号；

输出模块902，用于输出报警信息；

存储器903中存储有计算机程序，计算机程序被处理器904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 (21)

1.一种监护方法，其特征在于，包括：

获取生理信号，所述生理信号包括波形、参数序列或者以上两者的组合；

通过多个人工智能报警子模型分别对获取到的生理信号进行检测，每个人工智能报警子模型以生理信号作为输入，用于检测一种类型的异常情况，在检测到异常情况时输出报警信息；

对多个人工智能报警子模型输出的报警信息进行综合；

输出综合后的报警信息。

2.如权利要求1所述的方法，其特征在于，根据检测异常情况所需生理信号的长度，和/或，检测异常情况所需的预处理操作，和/或，异常情况对应波形的相似度确定各人工智能报警子模型用于检测的异常情况。

3.如权利要求1所述的方法，其特征在于，所述对多个人工智能报警子模型输出的报警信息进行综合，包括：

根据各人工智能报警子模型输出报警信息的置信度，对多个人工智能报警子模型输出的报警信息进行综合。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

确定各人工智能报警子模型输出报警信息的优先级。

5.如权利要求4所述的方法，其特征在于，所述对多个人工智能报警子模型输出的报警信息进行综合，包括：

根据各人工智能报警子模型输出报警信息的优先级，对多个人工智能报警子模型输出的报警信息进行综合。

6.如权利要求3所述的方法，其特征在于，多个所述人工智能报警子模型的组合结构为串行结构、并行结构或者混合结构。

7.如权利要求6所述的方法，其特征在于，若多个所述人工智能报警子模型的组合结构为串行结构，则所述对多个人工智能报警子模型输出的报警信息进行综合，包括：

将多个所述人工智能报警子模型输出报警信息中置信度大于报警置信度阈值，且优先级最高的报警信息，作为综合后的报警信息。

8.如权利要求6所述的方法，其特征在于，若多个所述人工智能报警子模型的组合结构为并行结构，则所述对多个人工智能报警子模型输出的报警信息进行综合，包括：

将多个人工智能报警子模型输出的报警信息中置信度最大且大于报警置信度阈值的报警信息，作为综合后的报警信息。

9.如权利要求3所述的方法，其特征在于，所述方法还包括：

生成报警配置界面，所述报警配置界面显示有各个人工智能报警子模型的工作状态，所述工作状态包括使能状态和非使能状态；

响应于用户对工作状态的操作，更新相应的人工智能报警子模型的工作状态。

10.如权利要求9所述的方法，其特征在于，

所述报警配置界面还显示有处于使能状态的人工智能报警子模型的报警置信度阈值；

响应于用户对所述报警置信度阈值的操作，更新相应的人工智能报警子模型的报警置信度阈值。

11.如权利要求9所述的方法，其特征在于，

所述报警配置界面还显示有多个所述人工智能报警子模型的组合结构；

响应于用户对组合结构的操作，更新多个所述人工智能报警子模型的组合结构。

12.如权利要求1所述的方法，其特征在于，所述方法还包括：

获取应用场景与多个所述人工智能报警子模型的工作状态的对应关系；

根据用户操作确定当前应用场景；

根据当前应用场景所对应的多个所述人工智能报警子模型的工作状态，开启或者关系相应的人工智能报警子模型。

13.如权利要求1所述的方法，其特征在于，所述通过多个人工智能报警子模型分别对获取到的生理信号进行检测之前，所述方法还包括：

对所述生理信号进行分析获取所述生理信号的信号质量指数；

根据所述信号质量指数对通过多个人工智能报警子模型对生理信号进行检测的过程进行控制。

14.如权利要求13所述的方法，其特征在于，所述根据所述信号质量指数对通过多个人工智能报警子模型对生理信号进行检测的过程进行控制，包括：

根据所述信号质量指数，确定多个所述人工智能报警子模型的工作状态；

通过处于使能状态的人工智能报警子模型分别对获取到的生理信号进行检测。

15.如权利要求13所述的方法，其特征在于，所述根据所述信号质量指数对通过多个人工智能报警子模型对生理信号进行检测的过程进行控制，包括：

各人工智能报警子模型输出报警信息的置信度与所述信号质量指数正相关。

16.如权利要求13所述的方法，其特征在于，所述对所述生理信号进行分析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。

17.如权利要求16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。

18.如权利要求13所述的方法，其特征在于，所述对所述生理信号进行分析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信号质量评估模型，获取所述生理信号的信号质量指数，所述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。

19.如权利要求13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。

20.一种监护设备，其特征在于，包括：

信号采集电路，利用与病人连接的传感器附件获取生理信号；

输出模块，用于输出报警信息；

存储器，用于存储程序；

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1-19中任一项所述的监护方法。

21.一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1-19中任一项所述的监护方法。

Images