TWI792333B - 低血壓的預測處理方法與系統 - Google Patents

低血壓的預測處理方法與系統 Download PDF

Info

Publication number
TWI792333B
TWI792333B TW110119774A TW110119774A TWI792333B TW I792333 B TWI792333 B TW I792333B TW 110119774 A TW110119774 A TW 110119774A TW 110119774 A TW110119774 A TW 110119774A TW I792333 B TWI792333 B TW I792333B
Authority
TW
Taiwan
Prior art keywords
group
correlation coefficient
characteristic sequence
blood pressure
characteristic
Prior art date
Application number
TW110119774A
Other languages
English (en)
Other versions
TW202301378A (zh
Inventor
胡翔崴
劉志豪
智軒 阮
陳冠諭
楊鈞宜
Original Assignee
翔安生醫科技股份有限公司
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 翔安生醫科技股份有限公司 filed Critical 翔安生醫科技股份有限公司
Priority to TW110119774A priority Critical patent/TWI792333B/zh
Priority to US17/500,921 priority patent/US20220406464A1/en
Publication of TW202301378A publication Critical patent/TW202301378A/zh
Application granted granted Critical
Publication of TWI792333B publication Critical patent/TWI792333B/zh

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
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • 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
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • A61B5/4869—Determining body composition
    • A61B5/4875—Hydration status, fluid retention of the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M1/00—Suction or pumping devices for medical purposes; Devices for carrying-off, for treatment of, or for carrying-over, body-liquids; Drainage systems
    • A61M1/14—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis
    • A61M1/16—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis with membranes
    • A61M1/1601—Control or regulation
    • A61M1/1603—Regulation parameters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/30—Blood pressure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Physiology (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Urology & Nephrology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Optics & Photonics (AREA)
  • Vascular Medicine (AREA)
  • Psychiatry (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • External Artificial Organs (AREA)

Abstract

一種低血壓的預測處理方法與系統，其係包括獲取多個特徵序列值；根據時間比例關係從特徵序列值中選取兩特徵序列值；將所選取的兩特徵序列值進行加權運算並得到關聯係數；重複選取新的特徵序列值與相應的關聯係數至待輸入群組，直至遍歷符合時間比例關係的特徵序列值為止；將待輸入群組代入血壓預測模型產生訓練結果。

Description

低血壓的預測處理方法與系統
關於一種生理特徵的預測處理方法與系統，特別有關一種低血壓的預測處理方法與系統。
血液透析的過程中，病患可能會面臨的問題。特別是病患發生低血壓時，除了需要終止血液透析的療程外，也會產生其他的副作用。目前偵測低血壓的發生是由醫護人員即時的照看。但是對於醫護中心而言，人力的安排大多都是由單一醫護人員照看多床病患。因此病患在血液透析中發生低血壓時，醫護人員無法於第一時間得知。
有鑑於此，在一些實施例中低血壓的預測處理方法包括獲取多個特徵序列值；根據時間比例關係從特徵序列值中選取兩特徵序列值；將所選取的兩特徵序列值進行加權運算並得到關聯係數；重複選取新的特徵序列值與相應的關聯係數至待輸入群組，直至遍歷符合時間比例關係的特徵序列值為止；將待輸入群組代入血壓預測模型產生訓練結果。透過低血壓的預測處理方法可以提供更多有效的輸入，藉以提高血壓預測模型的訓練。
在一些實施例中，在獲取特徵序列值之步驟包括設定當前週期與過往週期，當前週期與過往週期具有時間對應關係；於當前週期中所獲取的特徵序列值為第一特徵值；於過往週期中所獲取的特徵序列值為第二特徵值，其中每一個第一特徵值根據時間對應關係相應的第二特徵值。
在一些實施例中，在進行加權運算並得到關聯係數之步驟包括處理器根據第一特徵值得到相應的第一關聯係數，處理器根據第二特徵值得到相應的第二關聯係數，處理器根據第一關聯係數將相應的兩第一特徵值加入待輸入群組，處理器根據時間對應關係將所選的第一關聯係數獲取對應的第二關聯係數，處理器根據將所獲取的第二關聯係數所對應的兩第二特徵值加入待輸入群組。
在一些實施例中，加權運算包括差值運算、商值運算、多項式係數運算、趨勢演算、自回歸模型或移動平均模型。
在一些實施例中，在將待輸入群組代入血壓預測模型產生訓練結果之步驟包括將待輸入群組的特徵序列值劃分為訓練群組、驗證群組與測試群組；將訓練群組輸入血壓預測模型，產生相應訓練群組的訓練結果。
在一些實施例中，在將訓練群組輸入血壓預測模型，產生相應訓練群組的訓練結果之步驟包括將測試群組代入訓練結果與血壓預測模型，獲得待驗證結果；根據驗證群組與待驗證結果，獲得校驗結果。
在一些實施力中，在重複選取新的特徵序列值與相應的關聯係數至待輸入群組之步驟包括：關聯係數高於低血壓閥值，將關聯係數與關聯係數所對應的兩特徵序列值歸類至待輸入群組；重複選取新的特徵序列值並歸類至待輸入群組，遍歷所有特徵序列值為止
在一些實施例中，特徵序列值包括心率變異係數、心率平均、血氧變異係數、血氧平均、舒張壓、平均動脈壓、脈搏、收縮壓、脈壓、血液流速、累積交換血液容積、迴路動脈壓、血液溫度、重碳酸鹽濃度、導電度、透析液流速、抗凝劑維持速劑量、鈉離子、目標鈉離子濃度、人工腎臟跨膜壓、機器設定溫度、脫水速率、脫水時間、目前脫水總量、迴路靜脈壓或所選之組合。
在一些實施例中，血壓預測模型包括LightGBM模型、Xgboost模型、Linear Regression模型、Random Forest模型、1DCNN模型、DNN模型、LSTM模型或GRU模型。
在一些實施例中，低血壓的預測訓練系統包括資料收集端與伺服器端；資料收集端接收多筆特徵序列值；伺服器端連接於資料收集端，伺服器端具有處理器、通訊單元與儲存單元，通訊單元連接於資料收集端，通訊單元傳輸所述特徵序列值，儲存單元存儲特徵處理程式與血壓預測模型，處理器執行特徵處理程式，處理器通過傳輸單元獲取所述特徵序列值，處理器根據時間比例關係選取兩特徵序列值，處理器將所選取的兩特徵序列值進行加權運算並得到關聯係數；處理器重複選取新的特徵序列值與相應的關聯係數至待輸入群組，直至遍歷符合時間 比例關係的特徵序列值為止；處理器將待輸入群組代入血壓預測模型產生訓練結果。
所述的低血壓的預測處理方法與系統係根據目標物的各種特徵序列值進而得到關聯係數，並由特徵處理程式對特徵序列值與關聯係數進行分類。特徵處理程式將分類後結果代入血壓預測模型，藉以得到目標物相應的訓練結果。特徵處理程式透過訓練結果與血壓預測模型可以更準確的預測目標物的血壓變化。
001:處理系統
110:目標物
111:特徵序列值
120:資料收集端
130:伺服器端
131:處理器
132:通訊單元
133:儲存單元
134:特徵處理程式
135:血壓預測模型
137:訓練結果
136:待輸入群組
310:當前週期
320:過往週期
511:訓練群組
512:驗證群組
513:測試群組
514:待驗證結果
515:校驗結果
[圖1]係為一實施例的系統架構示意圖。
[圖2]係為一實施例的預測低血壓的訓練處理流程示意圖。
[圖3A]係為一實施例的當前週期中特徵序列與關聯係數獲取之示意圖。
[圖3B]係為一實施例的另一種特徵序列與關聯係數獲取之示意圖。
[圖4A]係為一實施例的預測低血壓的訓練處理流程示意圖。
[圖4B]係為一實施例的對應表2的特徵序列值與關聯係數之折線圖。
[圖4C]係為一實施例的對應表2的另一種特徵序列值與關聯係數之折線圖。
[圖5]係為一實施例的練群組、驗證群組與測試群組的運作流程示 意圖。
[圖6]係為一實施例的當前週期與過往週期的待輸入群組織選取示意圖。
請參考圖1所示，其係為此一實施例的硬體架構示意圖。在一實施例的預測低血壓的處理系統001包括至少一資料收集端120與伺服器端130。資料收集端120連接於伺服器端130，所述連接方式至少包括有線網路連接、無線網路連接或電纜連接。資料收集端120可以是但不限定為不限定為穿戴式裝置，資料接收端也可以是醫療設備，例如：血液透析機或腹膜透析機等。資料收集端120接收目標物110的多筆特徵序列值111。目標物110可以是病患、醫療設備或其組合。換言之，目標物110可以是偵測病患與所屬的醫療設備，圖1中雖以單一目標物110表示但實際上泛指病患與醫療設備的組合。資料收集端120可以即時獲取特徵序列值111，也可以一次將多筆特徵序列值111傳送至伺服器端130。
特徵序列值111包括心率變異係數、心率平均數、血氧變異係數、血氧平均、舒張壓、平均動脈壓、脈搏、收縮壓、脈壓、血液流速、累積交換血液容積、迴路動脈壓、血液溫度、重碳酸鹽濃度、導電度、透析液流速、抗凝劑維持速劑量、鈉離子、目標鈉離子濃度、人工腎臟跨膜壓、機器設定溫度、脫水速率、脫水時間、目前脫水總量、迴路靜脈壓或所選之組合。
資料收集端120於目標物110開始進行血液透析時，資料收集端120以每間隔特定時間以獲取目標物110的特徵序列值111。特徵序列值111除了可以是單一參數外，也可以同時為多組參數集合。舉例來說，特徵序列值111可以選擇收縮壓作為單一的參數。資料收集端120也可以同時選擇收縮壓與舒張壓作為特徵序列值111。若一次血液透析的處理時長為4小時，且資料收集端120可以每10分鐘收集一次目標物110的特徵序列值111。因此資料收集端120可以收集到24筆(4*60÷10)的資料。而收集的所有資料則為特徵序列值111。資料收集端120並不限制前述的十分鐘的時間週期。
資料收集端120的數量係根據現場環境所決定。以穿戴式裝置與血壓透析機為例，穿戴式裝置可以偵測目標物110的脈搏、血壓或體溫。因此資料收集端120可以收集脈搏、血壓或體溫的特徵序列值111。血壓透析機可以偵測目標物110的血氧、血液流速或鈉離子濃度等特徵序列值111。
伺服器端130具有處理器131、通訊單元132與儲存單元133。處理器131電性連接於通訊單元132與儲存單元133。通訊單元132連接於伺服器端130，通訊單元132傳輸特徵序列值111。儲存單元133存儲特徵處理程式134與血壓預測模型135。處理器131執行特徵處理程式134與血壓預測模型135。特徵處理程式134對所獲取的特徵序列值111進行計算與分類，並將所得到的結果代入血壓預測模型135。伺服器端130可以是本地端連接於資料收集端120，也可以透過遠端網路連接至 資料收集端120。請參考圖2所示，其係為一實施例的預測低血壓的訓練處理流程示意圖。此實施例的預測低血壓的訓練處理方法包括以下步驟：
步驟S210：獲取多個特徵序列值；
步驟S220：根據時間比例關係從特徵序列值中選取兩特徵序列值；
步驟S230：將所選取的兩特徵序列值進行加權運算並得到關聯係數；
步驟S240：重複選取新的特徵序列值與相應的關聯係數至待輸入群 組，直至遍歷符合時間比例關係的特徵序列值為止；以及
步驟S250：將待輸入群組代入血壓預測模型產生訓練結果。
資料收集端120獲取目標物110的多個特徵序列值111。為清楚說明特徵序列值111的獲取時段，因此係以進行血液透析為同一獲取時段。而資料收集端120現在獲取時段稱為當前週期310，請配合圖3A所示。
在圖3A中特徵序列值111係以X(m)表示，X係為當前週期310，m為特徵序列值111的採樣回合數(也可以為採樣的時間點)。舉例來說，m為『1』時代表在第「1」回合採樣的特徵序列值111；m為『10』時代表在第「10」回合所採樣的特徵序列值111。若m
Figure 110119774-A0101-12-0007-12
{1.2...,8,9,10}，則特徵序列值X(1)係為血液透析初始時所獲取的資訊，而特徵序列值X(10)則為血液透析結束時所獲取的資訊。
接著，特徵處理程式134根據一時間比例關係從當前週期310中選擇兩特徵序列值。時間比例關係係為採樣特徵序列值的間隔範圍。時間比例關係係以整數表示。若時間比例關係為1時，則表示特徵處理程式134採樣兩組相鄰的特徵序列值，請配合圖3A所示。
以圖3A為例，在當前週期310中存在10筆特徵序列值分別為X(1)~X(10)。假設特徵處理程式134以特徵序列值X(1)為關聯係數的第一回合的計算，並以時間比例關係為『1』的方式選取另一特徵序列值X(0)。由於特徵序列值X(0)不存在因此特徵處理程式134不會計算此回合的關聯係數。在第三回合中，特徵處理程式134係以X(2)與X(3)進行加權運算，並得到關聯係數R(3,2)。在關聯係數的第三回合的計算時，特徵處理程式134會以特徵序列值X(3)為主，並選擇另一特徵序列值X(2)。特徵處理程式134在第4回合的計算中會得到另一組關聯係數R(4,3)。其他回合則依此方式選擇新的特徵序列值與計算關聯係數。
若時間比例關係為2時，則特徵處理程式134以間隔一組特徵序列值的方式取得兩特徵序列值，請配合圖3B所示。選取兩特徵序列值的方式係以當前的特徵序列值X(n)為基準，根據時間比例關係分別取得特徵序列值X(n)與特徵序列值X(n-1)。若n為「0」時，則特徵處理程式134不進行加權運算。同理，當特徵序列值X(n+1)時，則特徵處理程式134將選取特徵序列值X(n+1)與X(n)進行關聯係數的運算。
特徵處理程式134將所選取的兩特徵序列值111進行加權運算，並得到相應的關聯係數R(a,b)。其中，a與b分別表示特徵序列值 所對應的採樣回合數。所述的加權運算的種類包括差值運算、商值運算、多項式係數運算、趨勢演算、自回歸模型或移動平均模型。若以選取差值運算為例，特徵處理程式134選取特徵序列值X(2)與X(1)，並將兩特徵序列值相減(X(2)-X(1))並得到關聯係數R(2,1)。此外，加權運算也可以透過兩特徵序列值的商值計算得到關聯係數。
特徵處理程式134根據時間比例關係依序選取特徵序列值111，直至當前回合310結束。特徵處理程式134將所選的特徵序列值111與相應的關聯係數代入血壓預測模型135並產生相應的訓練結果136。血壓預測模型135的種類可以是但不限定為LightGBM模型(Light Gradient Boosting Decision Tree)、Xgboost模型、線性回歸(Linear Regression)模型、隨機森林(Random Forest)模型、一維卷積神經網路(One Dimensional Convolutional neural network,1D CNN)模型、深度神經網路(Deep Neural Network，DNN)模型、長短期記憶模型(Long Short Term Memory networks，LSTM)模型或閘門遞迴單位(Gated recurrent unit，GRU)模型。
在一實施例中，特徵處理程式134根據低血壓閥值進一步篩選特徵序列值，請參考圖4A所示。在此實施例中，預測低血壓的處理系統001包括至少一資料收集端120與伺服器端130。資料收集端120與伺服器端130的硬體構成與前實施例相同，因此對於元件構成方式不重複說明。在此實施例中，特徵處理程式134執行以下流程：
步驟S410：獲取多個特徵序列值；
步驟S420：根據時間比例關係從特徵序列值中選取兩特徵序列值；
步驟S430：將所選取的兩特徵序列值進行加權運算並得到關聯係數；
步驟S440：判斷關聯係數是否高於低血壓閥值；
步驟S450：若關聯係數高於低血壓閥值，將關聯係數所對應的兩特徵序列值歸類至待輸入群組；
步驟S460：重複選取新的特徵序列值並歸類至待輸入群組，遍歷所有特徵序列值為止；以及
步驟S470：若關聯係數低於低血壓閥值，將待輸入群組代入血壓預測模型產生訓練結果。
特徵處理程式134判斷關聯係數是否高於低血壓閥值。若關聯係數高於低血壓閥值時，特徵處理程式134將關聯係數所對應的兩特徵序列值加入待輸入群組136中。特徵處理程式134重複選取特徵序列值與計算關聯係數，直至遍歷所有特徵序列值為止。低血壓閥值根據不同模型下的低血壓(intradialytic hypotension，簡稱IDH)規範所決定。低血壓閥值可參考下表所示，其係為各種判斷低血壓模型所對應採用的低血壓閥值：
Figure 110119774-A0101-12-0010-1
Figure 110119774-A0101-12-0011-2
表1中收縮壓之直行中係以收縮壓作為各低血壓判斷之條件。而平均動脈壓是通過收縮壓與舒張壓的計算所得到，平均動脈壓MAP=(收縮壓-舒張壓)/3+舒張壓。其中，IDH-2與IDH-3需要滿足符合收縮壓與平均動脈壓的任一設定條件才能判定是否符合低血壓閥值。換言之，IDH-2與IDH-3中的收縮壓或平均動脈壓僅滿足任一條件即符合低血壓閥值。
因此，特徵序列值係為收縮壓與舒張壓的多參數的集合。而IDH-1、IDH-4、IDH-5與IDH-6則是以收縮壓為單一參數。對於本領域者可以根據不同的特徵序列值進而建構其他的低血壓閥值的判斷條件。例如：加權運算為商值計算時，低血壓閥值可以選用各收縮壓的商值或其他組合。
在重複選取特徵序列值的過程中，特徵處理程式134可以透過遞迴呼叫(Recursive)的方式從當前回合的特徵序列值選擇次一回合的特徵序列值。在此實施例中係以時間的遞增作為選擇特徵序列值的方式。換言之，特徵處理程式134從當前回合中選擇最後一筆的特徵序 列值作為次一回合的特徵序列值。
特徵處理程式134根據關聯係數判斷是否高於或少於低血壓閥值。當關聯係數高於低血壓閥值時，特徵處理程式134根據關聯係數將所相應的兩特徵序列值加入一待輸入群組136中。特徵處理程式134在完成待輸入群組136的更新後，特徵處理程式134將進行下一回合的關聯係數的計算與比較。在同一採樣的時間點上，關聯係數的數量至少大於或等於一組。以表1的低血壓閥值為例。在IDH-2與IDH-3的低血壓閥值的判斷需要同時符合收縮壓與平均動脈壓的條件。因此關聯係數也包含收縮壓的計算結果與平均動脈壓的計算結果。
若關聯係數低於低血壓閥值時，特徵處理程式134將停止該回合的特徵序列值的歸類。特徵處理程式134將待輸入群組136代入血壓預測模型135並產生相應的訓練結果136。
為能進一步說明，此實施例的運作以下係以當前週期310中獲取10組特徵序列值以作為說明。但實際上資料收集端120可以以即時方式傳輸特徵序列值以供伺服器端130計算。首先，資料接收端獲取目標物110的特徵序列值，特徵序列值與關聯係數如下表所示：
Figure 110119774-A0101-12-0012-3
Figure 110119774-A0101-12-0013-5
特徵處理程式134接收10組於不同時間點所採樣的特徵序列值X(0)~X(9)。特徵處理程式134係以時間比例關係為『1』作為選擇特徵序列值。在此一示例中，特徵序列值係為收縮壓與平均動脈壓。特徵處理程式134會選擇兩相鄰的特徵序列值進行加權運算。在此實施例中以差值運算為加權運算之說明。特徵處理程式134可以得到如表2的8組關聯係數。由於特徵序列值X(0)之前無資料，因此X(0)無對應的關聯係數產生。特徵處理程式134以IDH-3為低血壓閥值的判斷依據。
請配合圖4B與4C所示。圖4B與圖4C其係為，對應表2的特徵序列值與關聯係數之折線圖。從圖4B中可以得知特徵序列值與關聯 係數(收縮壓)的變化。從圖4C中可以得知特徵序列值與關聯係數(平均動脈壓)的變化。在關聯係數R(x)時，特徵處理程式134判別為符合低血壓閥值。因此特徵處理程式134將特徵序列值X(0)~X(9)與關聯係數RSBP(1)~RSBP(9)、RMAP(1)~RMAP(9)歸類於待輸入群組136中。特徵處理程式134將待輸入組群的各項參數代入血壓預測模型135中，以供血壓預測模型135學習並得到相應的訓練結果136。
在一實施例中，特徵處理程式134將待輸入群組136更劃分為訓練群組511、驗證群組512與測試群組513，請配合圖5所示。訓練群組511包括多個組特徵序列值或關聯係數。驗證群組512包括多個組特徵序列值或關聯係數。測試群組513包括多個組特徵序列值或關聯係數。訓練群組511、驗證群組512與測試群組513可以重複具有相同內容的特徵序列值或關聯係數。處理器131將訓練群組511代入血壓預測模型135並獲得訓練結果136。處理器131將測試群組513代入訓練結果136與血壓預測模型135，以獲得待驗證結果514。處理器131根據驗證群組512與待驗證結果514，以獲得校驗結果515。此外，特徵處理程式134也可以匯入其他時間區段所獲得的特徵序列值，藉以作為訓練群組511、驗證群組512或測試群組513。
在一實施例中，特徵處理程式134除了當前週期310外，更加入過往週期320的特徵序列值的關聯處理。此實施例的處理系統001之架構可以配合圖1所示。為能清楚說明當前週期310與過往週期320的特徵序列值，因此將當前週期310的特徵序列值另稱為第一特徵值，而 過往週期320的特徵序列值為第二特徵值。請參考圖6所示，其係此實施例的當前週期310與過往週期320的特徵序列值之分佈示意圖。
當前週期310與過往週期320具有時間對應關係。資料收集端120現在獲取時段稱為當前週期310，相對於當前週期310的獲取時段則稱為過往週期320。當前週期310與過往週期320間距有一時間對應關係。時間對應關係係為當前週期310與過往週期320相隔指定的時間間距。舉例來說，時間對應關係若為一星期，則當前週期310與過往週期320相隔七天。特徵序列值的表示為Xn(m)，n表示為特徵序列值的週期，m為採樣的回合數。若當前週期310的特徵序列值表示為Xn(m)，且時間對應關係為一週。過往週期320的特徵序列值的表示則為Xn-1(m)。而第一特徵值與第二特徵值間也相互存在時間對應關係。第二特徵值可以預先被儲存於儲存單元133中。
處理器131根據第一特徵值得到相應的第一關聯係數。處理器131根據第二特徵值得到相應的第二關聯係數。特徵處理程式134判斷第一關聯係數是否高於低血壓閥值。若所選的兩第一關聯係數與相應的第一關聯係數高於低血壓閥值時，則特徵處理程式134將第一關聯係數所對應的兩第一特徵值歸類至待輸入群組136。
當第一關聯係數小於低血壓閥值，特徵處理程式134根據待輸入群組136中的第一特徵值讀取相應的第二特徵值。處理器131根據第一關聯係數將相應的兩第一特徵值加入待輸入群組136。舉例來說，特徵處理程式134將第一特徵值Xn(1)~Xn(m)加入待輸入群組136中，如 圖6中虛線框所示。特徵處理程式134另從儲存單元133讀取第二特徵值Xn-1(1)~Xn-1(m)，如圖6中虛線框所示。特徵處理程式134將第二特徵值Xn-1(1)~Xn-1(m)也加入待輸入群組136中。
特徵處理程式134對於第二特徵值進行第二關聯係數的計算。特徵處理程式134將所得到的第一特徵值、第二特徵值、第一關聯係數與第二關聯係數代入血壓預測模型135，並產生訓練結果136。
所述的低血壓的預測處理方法與處理系統001係根據目標物110的各種特徵序列值進而得到關聯係數，並由特徵處理程式134對特徵序列值與關聯係數進行分類。特徵處理程式134將分類後結果代入血壓預測模型135，藉以得到目標物110相應的訓練結果136。特徵處理程式134透過訓練結果136與血壓預測模型135可以更準確的預測目標物110的血壓變化。
S210~S270:步驟流程

Claims (9)

  1. 一種低血壓的預測處理方法，包括：由一資料端獲取一目標物的多個特徵序列值；根據一時間比例關係從該些特徵序列值中選取兩該特徵序列值，其中該時間比例關係為該特徵序列值的間隔範圍；將所選取的兩該特徵序列值進行一加權運算並得到一關聯係數，該加權運算包括一差值運算、一商值運算、一多項式係數運算、一趨勢演算、一自回歸模型或一移動平均模型；判斷該關聯係數是否高於一低血壓閥值；若該關聯係數高於該低血壓閥值，將該關聯係數與該關聯係數所對應的兩該特徵序列值歸類至該待輸入群組；重複選取新的該特徵序列值與相應的該關聯係數至一待輸入群組，直至遍歷符合該時間比例關係的該些特徵序列值為止；以及將該待輸入群組代入一血壓預測模型產生一訓練結果。
  2. 如請求項1的低血壓的預測處理方法，其中在獲取該些特徵序列值之步驟包括：設定一當前週期與一過往週期，該當前週期與該過往週期具有一時間對應關係；於該當前週期中所獲取的該特徵序列值為一第一特徵值；以及於該過往週期中所獲取的該特徵序列值為一第二特徵值，其中每一該第一特徵值根據該時間對應關係相應的該第二特徵值。
  3. 如請求項2的低血壓的預測處理方法，其中在進行該加權運算並得到該關聯係數之步驟包括：根據該些第一特徵值得到相應的一第一關聯係數；以及根據該些第二特徵值得到相應的一第二關聯係數。
  4. 如請求項3的低血壓的預測處理方法，其中在將該關聯係數歸類至該待輸入群組之步驟包括：根據該第一關聯係數將相應的兩該第一特徵值加入該待輸入群組；根據該時間對應關係將所選的該第一關聯係數獲取對應的該第二關聯係數；以及根據將所獲取的該第二關聯係數所對應的兩該第二特徵值加入該待輸入群組。
  5. 如請求項1的低血壓的預測處理方法，其中在將該待輸入群組代入該血壓預測模型產生該訓練結果之步驟包括：將該待輸入群組的該些特徵序列值劃分為一訓練群組、一驗證群組與一測試群組；以及將該訓練群組輸入該血壓預測模型，產生相應該訓練群組的該訓練結果。
  6. 如請求項5的低血壓的預測處理方法，其中在將該訓練群組輸入該血壓預測模型，產生相應該訓練群組的該訓練結果之步驟包括： 將該測試群組代入該訓練結果與該血壓預測模型，獲得一待驗證結果；以及根據該驗證群組與該待驗證結果，獲得一校驗結果。
  7. 如請求項1的低血壓的預測處理方法，其中該特徵序列值包括心率變異係數、心率平均、血氧變異係數、血氧平均、舒張壓、平均動脈壓、脈搏、收縮壓、脈壓、血液流速、累積交換血液容積、迴路動脈壓、血液溫度、重碳酸鹽濃度、導電度、透析液流速、抗凝劑維持速劑量、鈉離子、目標鈉離子濃度、人工腎臟跨膜壓、機器設定溫度、脫水速率、脫水時間、目前脫水總量、迴路靜脈壓或所選之組合。
  8. 如請求項1的低血壓的預測處理方法，其中該血壓預測模型包括LightGBM模型、Xgboost模型、線性回歸模型、隨機森林模型、一維卷積神經網路模型、深度神經網路模型、長短期記憶模型模型或閘門遞迴單位模型。
  9. 一種低血壓的預測處理系統，包括：一資料收集端，接收一目標物的多筆特徵序列值；以及一伺服器端，連接於該資料收集端，該伺服器端具有一處理器、一通訊單元與一儲存單元，該通訊單元連接於該資料收集端，該通訊單元傳輸該些特徵序列值，該儲存單元存儲一特徵處理程式與一血壓預測模型，該處理器執行該特徵處理程式，該處理器通過該傳輸單元獲取該些特徵序列值，該處理器根據一時間比例關係選取兩該特徵序列值，該時間比例關係為該特徵序列值的間隔範圍，該處理器將所選取的兩該特徵 序列值進行一加權運算並得到一關聯係數；該處理器判斷該關聯係數是否高於一低血壓閥值；若該關聯係數高於該低血壓閥值，該處理器將該關聯係數與該關聯係數所對應的兩該特徵序列值歸類至該待輸入群組；該處理器重複選取新的該特徵序列值與相應的該關聯係數至一待輸入群組，直至遍歷符合該時間比例關係的該些特徵序列值為止；該處理器將該待輸入群組代入一血壓預測模型產生一訓練結果；其中，該加權運算包括一差值運算、一商值運算、一多項式係數運算、一趨勢演算、一自回歸模型或一移動平均模型。
TW110119774A 2021-06-18 2021-06-18 低血壓的預測處理方法與系統 TWI792333B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW110119774A TWI792333B (zh) 2021-06-18 2021-06-18 低血壓的預測處理方法與系統
US17/500,921 US20220406464A1 (en) 2021-06-18 2021-10-13 Prediction method and system of low blood pressure

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110119774A TWI792333B (zh) 2021-06-18 2021-06-18 低血壓的預測處理方法與系統

Publications (2)

Publication Number Publication Date
TW202301378A TW202301378A (zh) 2023-01-01
TWI792333B true TWI792333B (zh) 2023-02-11

Family

ID=84489379

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110119774A TWI792333B (zh) 2021-06-18 2021-06-18 低血壓的預測處理方法與系統

Country Status (2)

Country Link
US (1) US20220406464A1 (zh)
TW (1) TWI792333B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117637152A (zh) * 2024-01-17 2024-03-01 中国人民解放军总医院 预测血钠波动的方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0956872A2 (de) * 1998-05-14 1999-11-17 B. Braun Melsungen Ag Blutreinigungsmaschine
WO2011080190A1 (en) * 2009-12-28 2011-07-07 Gambro Lundia Ab Apparatus and method for prediction of rapid symptomatic blood pressure decrease
CN104346521A (zh) * 2013-08-07 2015-02-11 B·布莱恩·阿维图姆股份公司 用于预测透析中参数的装置和方法
CN111939353A (zh) * 2019-05-14 2020-11-17 吴元昊 血液透析中低血压事件的预测模型的构建方法
US20200397972A1 (en) * 2019-06-20 2020-12-24 Wistron Corporation Blood pressure prediction method and electronic device using the same
US20210100455A1 (en) * 2018-04-13 2021-04-08 Vita-Course Technologies Co., Ltd. Systems and methods for determining blood pressure of subject

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0956872A2 (de) * 1998-05-14 1999-11-17 B. Braun Melsungen Ag Blutreinigungsmaschine
WO2011080190A1 (en) * 2009-12-28 2011-07-07 Gambro Lundia Ab Apparatus and method for prediction of rapid symptomatic blood pressure decrease
CN104346521A (zh) * 2013-08-07 2015-02-11 B·布莱恩·阿维图姆股份公司 用于预测透析中参数的装置和方法
US20210100455A1 (en) * 2018-04-13 2021-04-08 Vita-Course Technologies Co., Ltd. Systems and methods for determining blood pressure of subject
CN111939353A (zh) * 2019-05-14 2020-11-17 吴元昊 血液透析中低血压事件的预测模型的构建方法
US20200397972A1 (en) * 2019-06-20 2020-12-24 Wistron Corporation Blood pressure prediction method and electronic device using the same
TW202100093A (zh) * 2019-06-20 2021-01-01 緯創資通股份有限公司 血壓預測方法與使用該方法的電子裝置

Also Published As

Publication number Publication date
TW202301378A (zh) 2023-01-01
US20220406464A1 (en) 2022-12-22

Similar Documents

Publication Publication Date Title
US11335450B2 (en) Dehydration amount prediction method for hemodialysis and electronic device using the same
US11564612B2 (en) Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence
CN109350032B (zh) 一种分类方法、***、电子设备及存储介质
CN109243620B (zh) 基于血药浓度监测的药效优化方法及装置
CN108777873A (zh) 基于加权混合孤立森林的无线传感网络异常数据检测方法
CN108597605B (zh) 一种个人健康生活大数据采集与分析***
WO2021017313A1 (zh) 房颤的检测方法、装置、计算机设备及存储介质
CN109864736A (zh) 心电信号的处理方法、装置、终端设备及介质
CN111095232B (zh) 发掘用于机器学习技术中的基因组
KR20160094265A (ko) 컴퓨팅 장치 및 그것의 생리적 레이트 특징들을 분석하는 방법
CN109243546B (zh) 抗凝药药效优化模型的建立方法及装置
Ogunleye et al. Enhanced XGBoost-based automatic diagnosis system for chronic kidney disease
TW202100093A (zh) 血壓預測方法與使用該方法的電子裝置
CN113095302B (zh) 用于心律失常分类的深度模型、利用该模型的方法及装置
CN109288508A (zh) 一种基于crnn-bp的血压值智能测量方法
TWI792333B (zh) 低血壓的預測處理方法與系統
CN108323158A (zh) 心音的识别方法及云***
CN111785366A (zh) 患者治疗方案的确定方法、装置及计算机设备
CN113053535A (zh) 一种医疗信息预测***及医疗信息预测方法
CN111652135A (zh) 心电图数据生成方法、装置及电子设备
CN110897634A (zh) 一种基于生成对抗网络的心电信号生成方法
CN116110597A (zh) 一种基于数字孪生的患者病症类别智能分析方法及装置
CN114049952A (zh) 一种基于机器学习的术后急性肾损伤智能预测方法及装置
CN111883258B (zh) 一种构建ohss分度分型预测模型的方法
CN116030937B (zh) 一种生成跑步运动处方的方法