CN114708972A - 一种vte风险预警*** - Google Patents

一种vte风险预警*** Download PDF

Info

Publication number
CN114708972A
CN114708972A CN202210627168.XA CN202210627168A CN114708972A CN 114708972 A CN114708972 A CN 114708972A CN 202210627168 A CN202210627168 A CN 202210627168A CN 114708972 A CN114708972 A CN 114708972A
Authority
CN
China
Prior art keywords
early warning
time
data
user
processing result
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.)
Granted
Application number
CN202210627168.XA
Other languages
English (en)
Other versions
CN114708972B (zh
Inventor
丁霞
银萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Second People's Hospital Of Anhui Province Affiliated Hospital Of Anhui Medical College Anhui Institute Of Occupational Disease Control
Original Assignee
Second People's Hospital Of Anhui Province Affiliated Hospital Of Anhui Medical College Anhui Institute Of Occupational Disease Control
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Second People's Hospital Of Anhui Province Affiliated Hospital Of Anhui Medical College Anhui Institute Of Occupational Disease Control filed Critical Second People's Hospital Of Anhui Province Affiliated Hospital Of Anhui Medical College Anhui Institute Of Occupational Disease Control
Priority to CN202210627168.XA priority Critical patent/CN114708972B/zh
Publication of CN114708972A publication Critical patent/CN114708972A/zh
Application granted granted Critical
Publication of CN114708972B publication Critical patent/CN114708972B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/003—Detecting lung or respiration noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Pulmonology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及医疗预警技术领域，具体涉及一种VTE风险预警***，包括：数据采集端，与数据处理端连接，用于获取用户当前的身体状态数据，并将所述身体状态数据发送至数据处理端；数据处理端，分别与数据采集端和结果预警端连接，用于对接收到的身体状态数据进行分析处理，以得到处理结果，并将所述处理结果发送至结果预警端；结果预警端，用于根据接收到的处理结果进行及时预警提醒。即本发明的方案能够通过风险预警***，对检测到的用户身体状态数据进行处理、分析，进而得到对应的处理结果，进行及时预警。

Description

一种VTE风险预警***
技术领域
本发明涉及医疗预警技术领域，具体为一种VTE风险预警***。
背景技术
急性肺栓塞是静脉血栓栓塞症（VTE）最严重的表现形式，在心血管死亡原因中位列第3，仅次于冠心病和卒中。新近流行病学资料显示，高危急性肺栓塞患者30d病死率达22%。利用数据驱动方式，早期识别危险因素，做好风险评估，及时进行干预，可减少或避免肺栓塞的发生。
而现有存在的问题是：目前对用户的肺音信息以及呼吸行为的采集存在一定的采集误差，最终对用户病情的诊断具有不良的影响。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种VTE风险预警***，所采用的技术方案具体如下：
一种VTE风险预警***，包括：
据采集端，与数据处理端连接，用于获取用户当前时间的身体状态数据，并将所述身体状态数据发送至数据处理端；其中，身体状态数据包括用户的呼吸行为量以及肺音数据；
数据处理端，分别与数据采集端和结果预警端连接，用于对接收到的身体状态数据进行分析处理，以得到处理结果，并将所述处理结果发送至结果预警端；
其中，所述处理结果的具体过程为：
根据所述呼吸行为量以及肺音数据，构建呼吸特征描述子；
对所述呼吸特征描述子进行相空间重构，得到当前新的m维数据序列；
采集用户的当前时间的血氧浓度值，根据当前时间的血氧浓度值、当前新的m维数据序列、任一历史时间对应的历史m维数据序列以及历史血氧浓度值，计算当前时间的用户的身体状态与历史时间的用户的身体状态的差异性，根据所述差异性，确定当前时间的身体状态数据的处理结果；
结果预警端，用于根据接收到的处理结果进行及时预警提醒。
进一步地，所述用户的呼吸行为量包括吸气时间与呼气时间的比值以及呼吸停留时间；
所述肺音数据为吸气时左右肺的梅尔频率倒频谱系数的相似度以及呼气时左右肺的梅尔频率倒频谱系数的相似度。
进一步地，所述呼吸特征描述子为将所述呼吸行为量与肺音数据合并成4维数据序列。
进一步地，所述差异性是先获取用户的当前时间的血氧浓度值以及任一历史时间对应的历史m维数据序列、历史血氧浓度值，后利用余弦相似度计算当前新的m维数据序列与历史m维数据序列的相似度，将历史血氧浓度值与当前时间的血氧浓度值的差值绝对值与相似度相乘得到。
进一步地，所述处理结果是通过将所述差异性按照从小到大排序，计算前K个差异性均值得到的。
进一步地，根据接收到的处理结果进行及时预警提醒为：比较处理结果与设定标准的大小，当处理结果大于设定标准，则及时提醒医生。
本发明的有益效果：
本发明通过构建的风险预警***，获取用户的身体状态数据，对身体状态数据进行数据处理，获取处理结果发送至结果预警端，进行及时提醒，其中对于处理结果的数据处理，其是将身体状态数据，也即呼吸行为量以及肺音数据，构建成呼吸特征描述子，并基于用户数据的混沌性，采用相空间重构，得到当前新的m维数据序列；又引入血氧浓度值，将血氧浓度值与m维数据序列结合，构建一种呼吸模式相空间跟踪结果对应的血氧浓度状态的VTE风险假设空间，来确定用户的身体状态的处理结果，用于进行预警。
本发明的方案还利用大数据技术，可以在临床查房和精力有限的情况下实时动态分析患者病情突发变化特征，及时预警VTE的风险。
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和优点，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的介绍，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它附图。
图1是本发明的一种VTE风险预警***的结构框图。
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，对依据本发明的方案，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。
本发明针对的是肺栓塞这一疾病的相关数据的处理，其中肺栓塞是住院患者疾病状态和卧床少动的高发合并疾病，大面积肺栓塞可突发致死。因此，对住院患者实施VTE评分管理可预估风险，及时警示医师进行会诊，从而及时使用药物与非药物干预，可有效降低VTE发生率。
具体地，对本发明提供的一种VTE风险预警***进行详细介绍，请参阅图1所示，包括：数据采集端、数据处理端以及结果预警端，数据采集端与数据处理端连接，数据处理端分别与数据采集端和结果预警端连接。
其中，数据采集端，用于获取用户当前的身体状态数据，并将所述身体状态数据发送至数据处理端；其中，身体状态数据包括用户的呼吸行为量以及肺音数据。
本实施例中的用户的呼吸行为量包括吸气时间与呼气时间的比值以及呼吸停留时间，即𝐵=(𝑅,𝑇)。
其中的吸气时间与呼气时间的比值是通过分析患者每次呼吸周期中吸气时间和呼气时间之比得到的。对于VTE风险观测的患者，获取呼吸时间可以通过辅助呼吸机或基于测量胸廓的方法得到吸气时间和呼气时间。
具体地，患者的一个呼吸周期下的吸气时间
Figure 967831DEST_PATH_IMAGE001
和呼气时间
Figure 478447DEST_PATH_IMAGE002
，基于两者的比值可 以得到呼吸时间比：
Figure 992605DEST_PATH_IMAGE003
；当呼吸时间比R的比值会处于1附近，当患者在观测过程中发 生缺氧、胸闷、心慌等等不适感觉时，生物的本能会导致患者吸气更加深入，时间更长，而呼 气时间不会有大幅的变化，因此R>1时，则认为患者的不适程度较高。
其中的呼吸停留时间T为一个呼吸周期中患者吸气后切换的时间。
需要说明的是，当一个患者吸入空气后，肺部张开导致受损区域的不适感较重，会快速回到未吸气的肺不张开状态，因此呼吸时间比R和停留时间T能够代表该患者的呼吸行为。
本实施例中的肺音数据为吸气时左右肺的梅尔频率倒频谱系数的相似度以及呼 气时左右肺的梅尔频率倒频谱系数的相似度，即
Figure 122235DEST_PATH_IMAGE004
。
具体地，分别采集吸气和呼气过程中的左右肺音信号，分别对左右语音信号进行预加重、分帧和加窗处理；对每一个短时分析窗，通过FFT得到对应的频谱；将上面的频谱通过Mel滤波器组得到Mel频谱；在Mel频谱上面进行倒谱分析（取对数，做逆变换，实际逆变换一般是通过DCT离散余弦变换来实现，取DCT后的第2个到第13个系数作为MFCC系数），获得Mel频率倒谱系数MFCC；由于梅尔倒谱系数的计算方式是公知的，此处不再具体赘述。
根据获取的吸气和呼气过程中的左右肺音信号的Mel频率倒谱系数，计算吸气时左右肺音信号的Mel频率倒谱系数的相似度以及呼气时左右肺音信号的Mel频率倒谱系数的相似度：
Figure 280815DEST_PATH_IMAGE005
Figure 837698DEST_PATH_IMAGE006
其中，对于吸气过程，左右肺的Mel频率倒谱系数分别为
Figure 839152DEST_PATH_IMAGE007
；对 于呼气过程，左右肺的Mel频率倒谱系数分别为
Figure 631527DEST_PATH_IMAGE008
。
上述实施例中，以10维MFCC进行分析，即获取肺音左右位置的10维MFCCs，并基于吸气和呼气过程构建4个10维度的MFCC向量。
需要说明的是，由于肺音特征在诊断过程中即使被计算为梅尔频率倒谱系数，其依然在特征上过于冗杂，因此在呼吸特征和左右肺的肺音特征比照上，采用梅尔频率倒谱系数的相似度体现呼气的肺部变化特征，降低了处理数据的复杂性。
上述中获取的梅尔频率倒谱系数的相似度，是对于肺部受损的、疑似肺部受损的患者，在容易出现肺栓塞的情况下，即使肺部没有严重受损，患者若出现不适，可以通过左右肺的不适反应所导致的肺音变化来进一步反应患者当前的呼吸情况。
其中，数据处理端，用于对接收到的身体状态数据进行分析处理，以得到处理结果，并将所述处理结果发送至结果预警端；
其中，上述中的处理结果的具体过程为：
根据所述呼吸行为量以及肺音数据，构建呼吸特征描述子；
对呼吸特征描述子进行相空间重构，得到当前新的m维数据序列；
采集用户的当前时间的血氧浓度值，根据当前时间的血氧浓度值、当前新的m维数据序列、任一历史时间对应的历史m维数据序列以及历史血氧浓度值，计算用户当前时间下的身体状况与历史时间的差异性，根据所述差异性，确定用户当前的身体状态数据的处理结果。
上述实施例中的呼吸特征描述子为
Figure 34827DEST_PATH_IMAGE009
。
上述实施例中的对呼吸特征描述子进行相空间重构得到新的m维数据序列的过程为：
首先，将呼吸特征描述子
Figure 762612DEST_PATH_IMAGE010
记为呼吸特征时间序列
Figure 251362DEST_PATH_IMAGE011
，其中，本实施例中的n取4。
其次，利用改进的C-C法求解处理后的呼吸特征时间序列的最佳延迟时间
Figure 831116DEST_PATH_IMAGE012
和嵌入 维数
Figure 88922DEST_PATH_IMAGE013
，根据最佳延迟时间
Figure 253188DEST_PATH_IMAGE012
和嵌入维数
Figure 353868DEST_PATH_IMAGE013
，利用延迟坐标法将呼吸特征时间序列
Figure 97833DEST_PATH_IMAGE011
重构 到m维相空间中，具体方法为：
对呼吸特征时间序列
Figure 475724DEST_PATH_IMAGE014
，定义嵌入时间序列的关联积分为：
Figure 420678DEST_PATH_IMAGE015
其中，i为时间序列点数，M为重构相空间中每维的点数，r为定义的空间半径，Z() 为阶跃函数，
Figure 618441DEST_PATH_IMAGE016
、
Figure 431676DEST_PATH_IMAGE017
为呼吸特征时间序列重构相空间中的两个点向量；
然后，构造检验统计量：
Figure 788708DEST_PATH_IMAGE018
计算上式的过程，使用分块平均策略，且令i趋于正无穷时：
Figure 294776DEST_PATH_IMAGE019
选择对应检验统计量值最大和最小时的两个空间半径[
Figure 714256DEST_PATH_IMAGE020
]，两个半径之间 没有必然的大小关系，定义
Figure 705083DEST_PATH_IMAGE021
和
Figure 791988DEST_PATH_IMAGE022
在相同的
Figure 203378DEST_PATH_IMAGE013
和
Figure 500367DEST_PATH_IMAGE012
下对
Figure 655405DEST_PATH_IMAGE023
变化快慢的量分 别为
Figure 862395DEST_PATH_IMAGE024
、
Figure 710266DEST_PATH_IMAGE025
Figure 979704DEST_PATH_IMAGE026
根据BDS统计定理得到
Figure 938433DEST_PATH_IMAGE027
的合理估计，取
Figure 734350DEST_PATH_IMAGE028
、
Figure 612177DEST_PATH_IMAGE029
、
Figure 759124DEST_PATH_IMAGE030
，
Figure 521544DEST_PATH_IMAGE031
为时间序列的标准差，
Figure 811449DEST_PATH_IMAGE032
=1，2，3；计算：
Figure 469963DEST_PATH_IMAGE033
。
再者，在对应检验统计量的基础上比较
Figure 104207DEST_PATH_IMAGE034
和
Figure 529372DEST_PATH_IMAGE022
，在上述步骤中， 固定
Figure 299882DEST_PATH_IMAGE035
，当i趋于正无穷时，
Figure 394877DEST_PATH_IMAGE022
将随着
Figure 391783DEST_PATH_IMAGE012
的增大而出现不断增长的高频波动，而在 相同条件下，总体上
Figure 496005DEST_PATH_IMAGE034
和
Figure 121021DEST_PATH_IMAGE022
有着相同的起伏规律，但去除了
Figure 511551DEST_PATH_IMAGE022
的 高频波动，改进的C-C法通过选取
Figure 854808DEST_PATH_IMAGE036
的第一个局部最小值作为最优时延
Figure 762721DEST_PATH_IMAGE012
；另外，对于 伪周期为T的呼吸特征时间序列，当固定
Figure 507823DEST_PATH_IMAGE037
趋于正无穷时，
Figure 318522DEST_PATH_IMAGE038
，即是
Figure 149075DEST_PATH_IMAGE039
的局部极大值 点又是
Figure 595100DEST_PATH_IMAGE040
的零点，C为大于零的整数，因此
Figure 53763DEST_PATH_IMAGE041
周期点存在比较明显的局部峰值， 寻找
Figure 927041DEST_PATH_IMAGE041
周期点作为最优嵌入窗1；通过公式
Figure 244890DEST_PATH_IMAGE042
，求得嵌入维数m；
最后，通过求出的
Figure 104393DEST_PATH_IMAGE043
，利用延迟坐标法将初始的
Figure 824087DEST_PATH_IMAGE011
重构到m维相空间中，其矩阵 序列表达式如下：
Figure 602687DEST_PATH_IMAGE044
，
其中，M’为延迟向量个数，
Figure 532466DEST_PATH_IMAGE045
。
至此，将预处理的
Figure 320293DEST_PATH_IMAGE011
经过相空间重构得到了一个新的m维数据序列
Figure 628915DEST_PATH_IMAGE046
。
需要说明的是，以上是一个患者自监视开始后的相空间跟踪，得到新的m维数据序 列
Figure 217897DEST_PATH_IMAGE047
的过程，新的m维数据序列
Figure 244759DEST_PATH_IMAGE047
能够代表患者缺氧不适、吸气模式、呼吸不适、左右 肺效用不均的多重模式特征。
上述实施例中的差异性获取过程为：
1）对用户一段时间内的呼吸均进行记录，即根据该用户当前时间之前的历史时间内的呼吸行为量和肺音数据，得到对应的历史m维数据序列；需要说明的是，历史m维数据序列与上述中新的m维数据序列的获取方法是相同的，此处不再过多赘述。
2）获取用户一段时间内的血氧浓度值，包括当前时间的血氧浓度值和历史血氧浓 度值；其中，血氧浓度值是一个惯性较大的指标，直接利用血氧浓度的指标来判断用户当前 时间的VTE风险存在很大的迟滞，并结合相空间重构的结果
Figure 836277DEST_PATH_IMAGE048
，当一同视为趋势的代表值 时，能够分析患者在呼吸过程中的肺部对身体的血氧浓度影响。
3）根据步骤1）和2）获取的数据，计算当前时间的用户与任一历史时间的用户的身体状态的差异性，进而得到当前时间的用户所有的差异性：
Figure 124039DEST_PATH_IMAGE049
其中，
Figure 510021DEST_PATH_IMAGE050
为p时间的数据序列，
Figure 289758DEST_PATH_IMAGE051
为q时间的数据序列，
Figure 419388DEST_PATH_IMAGE052
为p时间的血氧浓度 值，
Figure 312389DEST_PATH_IMAGE053
为q时间的血氧浓度值；本实施例中将p时间作为当前时间。
上述中的
Figure 134851DEST_PATH_IMAGE054
能够代表用户两段时间的身体变化情况是否相似，因此 在假设空间中距离被缩放至相近的距离上，即该项趋于1，反之被疏远到较远的距离。
进一步地，按照从小到大的顺序，对差异性进行排序，选取前K个差异性，计算当前相空间跟踪结果的处理结果：
Figure 136305DEST_PATH_IMAGE055
其中，
Figure 194260DEST_PATH_IMAGE056
为p时间的用户与q时间的用户身体状态的差异性，
Figure 66401DEST_PATH_IMAGE057
为第p时 间的前K个差异性的集合。
需要说明的是，选取上述中的前K个差异性，能够保证前K个差异性对应的时间与当前时间的用户的身体状态是相似的，因此利用前K个差异性的均值作为处理结果，进行后续的分析。
需要说明的是，当当前时间的相空间跟踪结果的呼吸行为与其余历史时间的相空间跟踪结果统一时，相空间跟踪结果的用户的身体变化情况的特征与其状态空间周围的密集度越高，可达距离越小；反之意味着密集度低，该相空间跟踪结果行为具有“独特性”。
其中，结果预警端，用于根据接收到的处理结果进行及时预警提醒。
本实施例中通过比较处理结果与设定标准的大小，当处理结果大于设定标准，则认为该处理结果对应的用户当前的身体状况需要进行提醒，及时提醒医生关注，并进行后续的诊断。
上述中的设定标准是根据大数据中已经确定的具有VTE风险的用户的身体状态数据，计算出的处理结果，用于进行待测用户是否存在VTE风险的预判；其还可以根据实际情况进行设定。
其中，在进行后续的诊断时，医生可以观察每个呼吸周期下
Figure 59765DEST_PATH_IMAGE058
的序列，从而确 定最低
Figure 922417DEST_PATH_IMAGE058
时的情况，以及整体趋势，根据趋势变化来决策是否更深入观察患者当前情 况，以预测VTE风险。
需要说明的是，上述处理结果同时代表了呼吸行为、肺部肺音数据以及呼吸行为下对应的血氧浓度的实时状态是否处于正常的指标，对任一导致VTE风险加剧的因素都较为敏感，节省了医生结合巨量临床数据分析风险的时间。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种VTE风险预警***，其特征在于，包括：
数据采集端，与数据处理端连接，用于获取用户当前时间的身体状态数据，并将所述身体状态数据发送至数据处理端；其中，身体状态数据包括用户的呼吸行为量以及肺音数据；
数据处理端，分别与数据采集端和结果预警端连接，用于对接收到的身体状态数据进行分析处理，以得到处理结果，并将所述处理结果发送至结果预警端；
其中，所述处理结果的具体过程为：
根据所述呼吸行为量以及肺音数据，构建呼吸特征描述子；
对所述呼吸特征描述子进行相空间重构，得到当前新的m维数据序列；
采集用户的当前时间的血氧浓度值，根据当前时间的血氧浓度值、当前新的m维数据序列、任一历史时间对应的历史m维数据序列以及历史血氧浓度值，计算当前时间的用户的身体状态与历史时间的用户的身体状态的差异性，根据所述差异性，确定当前时间的身体状态数据的处理结果；
结果预警端，用于根据接收到的处理结果进行及时预警提醒。
2.根据权利要求1所述的一种VTE风险预警***，其特征在于，所述用户的呼吸行为量包括吸气时间与呼气时间的比值以及呼吸停留时间；
所述肺音数据为吸气时左右肺的梅尔频率倒频谱系数的相似度以及呼气时左右肺的梅尔频率倒频谱系数的相似度。
3.根据权利要求2所述的一种VTE风险预警***，其特征在于，所述呼吸特征描述子为将所述呼吸行为量与肺音数据合并成4维数据序列。
4.根据权利要求1所述的一种VTE风险预警***，其特征在于，所述差异性是先获取用户的当前时间的血氧浓度值以及任一历史时间对应的历史m维数据序列、历史血氧浓度值，后利用余弦相似度计算当前新的m维数据序列与历史m维数据序列的相似度，将历史血氧浓度值与当前时间的血氧浓度值的差值绝对值与相似度相乘得到。
5.根据权利要求4所述的一种VTE风险预警***，其特征在于，所述处理结果是通过将所述差异性按照从小到大排序，计算前K个差异性均值得到的。
6.根据权利要求5所述的一种VTE风险预警***，其特征在于，根据接收到的处理结果进行及时预警提醒为：比较处理结果与设定标准的大小，当处理结果大于设定标准，则及时提醒医生。
CN202210627168.XA 2022-06-06 2022-06-06 一种vte风险预警*** Active CN114708972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210627168.XA CN114708972B (zh) 2022-06-06 2022-06-06 一种vte风险预警***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210627168.XA CN114708972B (zh) 2022-06-06 2022-06-06 一种vte风险预警***

Publications (2)

Publication Number Publication Date
CN114708972A true CN114708972A (zh) 2022-07-05
CN114708972B CN114708972B (zh) 2022-09-02

Family

ID=82177699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210627168.XA Active CN114708972B (zh) 2022-06-06 2022-06-06 一种vte风险预警***

Country Status (1)

Country Link
CN (1) CN114708972B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160213287A1 (en) * 2014-06-03 2016-07-28 Myair, Llc Breath volume monitoring system and method
CN112151172A (zh) * 2019-06-28 2020-12-29 希尔-罗姆服务公司 基于来自医疗机构中多种来源的数据的患者风险评估
CN112166475A (zh) * 2018-05-29 2021-01-01 健康网络公司 基于呼吸***的声音管理呼吸状况
CN112786199A (zh) * 2019-11-05 2021-05-11 希尔-罗姆服务公司 显示患者数据的界面
CN113327679A (zh) * 2021-05-27 2021-08-31 上海市闵行区中心医院 一种肺栓塞临床风险及预后评分方法与***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160213287A1 (en) * 2014-06-03 2016-07-28 Myair, Llc Breath volume monitoring system and method
CN112166475A (zh) * 2018-05-29 2021-01-01 健康网络公司 基于呼吸***的声音管理呼吸状况
US20210145306A1 (en) * 2018-05-29 2021-05-20 Aliaksei Karankevich Managing respiratory conditions based on sounds of the respiratory system
CN112151172A (zh) * 2019-06-28 2020-12-29 希尔-罗姆服务公司 基于来自医疗机构中多种来源的数据的患者风险评估
CN112786199A (zh) * 2019-11-05 2021-05-11 希尔-罗姆服务公司 显示患者数据的界面
CN113327679A (zh) * 2021-05-27 2021-08-31 上海市闵行区中心医院 一种肺栓塞临床风险及预后评分方法与***

Also Published As

Publication number Publication date
CN114708972B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
Gjoreski et al. Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds
Lin et al. A deep-learning algorithm (ECG12Net) for detecting hypokalemia and hyperkalemia by electrocardiography: algorithm development
US11712198B2 (en) Estimation of sleep quality parameters from whole night audio analysis
Alaskar et al. The implementation of pretrained AlexNet on PCG classification
US20230100732A1 (en) Screening device, method, and system for structural heart disease
CN113436726B (zh) 一种基于多任务分类的肺部病理音自动化分析方法
CA2799094A1 (en) System and methods of acoustical screening for obstructive sleep apnea during wakefulness
Yadav et al. Analysis of heart disease using parallel and sequential ensemble methods with feature selection techniques: heart disease prediction
CN113520343A (zh) 睡眠风险预测方法、装置和终端设备
Abushakra et al. Lung capacity estimation through acoustic signal of breath
US10426426B2 (en) Methods and apparatus for performing dynamic respiratory classification and tracking
Chen et al. Patient emotion recognition in human computer interaction system based on machine learning method and interactive design theory
Vatanparvar et al. Speechspiro: Lung function assessment from speech pattern as an alternative to spirometry for mobile health tracking
Liu et al. Respiratory sounds feature learning with deep convolutional neural networks
CN114708972B (zh) 一种vte风险预警***
Li et al. Tfformer: A time frequency information fusion based cnn-transformer model for osa detection with single-lead ecg
Muñoz-Montoro et al. A system for biomedical audio signal processing based on high performance computing techniques
Sanchez-Perez et al. Enabling Continuous Breathing-Phase Contextualization via Wearable-based Impedance Pneumography and Lung Sounds: A Feasibility Study
Melms et al. Training one model to detect heart and lung sound events from single point auscultations
Pasha et al. Two-stage artificial intelligence clinical decision support system for cardiovascular assessment using convolutional neural networks and decision trees
CN116189899B (zh) 一种基于机器学习的急危重症辅助评估***
Gupta et al. Correlating spirometry findings with auscultation sounds for diagnosis of respiratory diseases
Castro et al. Real-time identification of respiratory movements through a microphone
US20240197201A1 (en) Remote Monitoring of Respiration
Du et al. A novel deep domain adaptation method for automated detection of sleep apnea/hypopnea events

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