本發(fā)明涉及人工智能，尤其涉及一種生理參數(shù)動(dòng)態(tài)評(píng)價(jià)方法。

背景技術(shù)：

1、生理參數(shù)信息可以反應(yīng)人體的身體狀況，對(duì)生理參數(shù)信息進(jìn)行評(píng)價(jià)可以實(shí)現(xiàn)對(duì)身體狀態(tài)的動(dòng)態(tài)預(yù)警。在對(duì)肝衰竭患者進(jìn)行處理時(shí)，往往需要隨時(shí)掌握患者的生命體征，以防止患者病情惡化。現(xiàn)有使用的生命體征檢查器往往只是單獨(dú)對(duì)每一類生理信號(hào)進(jìn)行檢測并處理，而對(duì)于急重癥患者，其生理參數(shù)往往呈現(xiàn)多變和時(shí)變特征，僅僅根據(jù)一類生理參數(shù)難以對(duì)用戶的生命體征進(jìn)行快速準(zhǔn)確監(jiān)測。如何對(duì)患者的多類生理信號(hào)進(jìn)行融合處理，對(duì)其生命體征進(jìn)行快速準(zhǔn)確監(jiān)測，以提高患者護(hù)理的質(zhì)量和效率是當(dāng)前亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于，提供一種生理參數(shù)動(dòng)態(tài)評(píng)價(jià)方法，利用人工智能方法，對(duì)用戶的生理參數(shù)進(jìn)行動(dòng)態(tài)評(píng)價(jià)，為臨床干預(yù)預(yù)留充足預(yù)警時(shí)間，能夠?yàn)獒t(yī)生設(shè)計(jì)患者治療方案提供充足時(shí)間。

2、為了解決上述技術(shù)問題，本發(fā)明實(shí)施例公開了一種膿毒癥患者的不良預(yù)后動(dòng)態(tài)預(yù)警方法，所述方法包括：

3、s1，獲取用戶生理參數(shù)信息；所述用戶生理參數(shù)信息包括腦電信息、心電信息、近紅外信息和血液信息；

4、s2，對(duì)所述用戶生理參數(shù)信息進(jìn)行預(yù)處理，得到預(yù)處理生理參數(shù)信息；所述預(yù)處理生理參數(shù)信息包括預(yù)處理腦電信息、預(yù)處理心電信息、預(yù)處理近紅外信息和預(yù)處理血液信息；

5、s3，利用所述預(yù)處理生理參數(shù)信息，對(duì)預(yù)設(shè)的生理參數(shù)動(dòng)態(tài)評(píng)價(jià)模型進(jìn)行訓(xùn)練，得到優(yōu)化生理參數(shù)動(dòng)態(tài)評(píng)價(jià)模型；

6、s4，利用所述優(yōu)化生理參數(shù)動(dòng)態(tài)評(píng)價(jià)模型，對(duì)待處理的用戶生理參數(shù)信息進(jìn)行處理，得到生理參數(shù)動(dòng)態(tài)評(píng)價(jià)結(jié)果。

7、作為一種可選的實(shí)施方式，本發(fā)明實(shí)施例中，所述對(duì)所述用戶生理參數(shù)信息進(jìn)行預(yù)處理，得到預(yù)處理生理參數(shù)信息，包括：

8、s21，對(duì)所述用戶生理參數(shù)信息進(jìn)行異常檢查處理，得到第一生理參數(shù)信息；

9、s22，對(duì)所述第一生理參數(shù)信息進(jìn)行歸一化處理，得到第二生理參數(shù)信息；

10、s23，對(duì)所述第二生理參數(shù)信息進(jìn)行去噪處理，得到預(yù)處理生理參數(shù)信息。

11、作為一種可選的實(shí)施方式，本發(fā)明實(shí)施例中，所述對(duì)所述第二生理參數(shù)信息進(jìn)行去噪處理，得到預(yù)處理生理參數(shù)信息，包括：

12、s231，對(duì)所述第二生理參數(shù)信息進(jìn)行處理，得到實(shí)部分量和虛部分量；

13、s232，對(duì)所述實(shí)部分量進(jìn)行小波變換，得到第一小波參數(shù)信息；

14、s233，對(duì)所述虛部分量進(jìn)行小波變換，得到第二小波參數(shù)信息；

15、s234，對(duì)所述第一小波參數(shù)信息進(jìn)行濾波處理,得到第三小波參數(shù)信息；

16、s235，對(duì)所述第二小波參數(shù)信息進(jìn)行濾波處理,得到第四小波參數(shù)信息；

17、s236，對(duì)所述第三小波參數(shù)信息和所述第四小波參數(shù)信息進(jìn)行重構(gòu)，得到預(yù)處理生理參數(shù)信息。

18、作為一種可選的實(shí)施方式，本發(fā)明實(shí)施例中，所述利用所述預(yù)處理生理參數(shù)信息，對(duì)預(yù)設(shè)的生理參數(shù)動(dòng)態(tài)評(píng)價(jià)模型進(jìn)行訓(xùn)練，得到優(yōu)化生理參數(shù)動(dòng)態(tài)評(píng)價(jià)模型，包括：

19、s31，對(duì)所述預(yù)處理生理參數(shù)信息進(jìn)行特征提取，得到生理參數(shù)特征信息；所述生理參數(shù)特征信息包括腦電特征參數(shù)信息、心電特征參數(shù)信息、近紅外特征參數(shù)信息和血液特征參數(shù)信息；

20、s32，對(duì)所述腦電特征參數(shù)信息、所述心電特征參數(shù)信息、所述近紅外特征參數(shù)信息和所述血液特征參數(shù)信息進(jìn)行融合，得到融合特征參數(shù)信息；

21、s33，利用所述融合特征參數(shù)信息，對(duì)預(yù)設(shè)的生理參數(shù)動(dòng)態(tài)評(píng)價(jià)模型進(jìn)行訓(xùn)練，得到優(yōu)化生理參數(shù)動(dòng)態(tài)評(píng)價(jià)模型。

22、作為一種可選的實(shí)施方式，本發(fā)明實(shí)施例中，所述對(duì)所述預(yù)處理生理參數(shù)信息進(jìn)行特征提取，得到生理參數(shù)特征信息，包括：

23、s311，對(duì)所述預(yù)處理腦電信息進(jìn)行特征提取，得到腦電特征參數(shù)信息；

24、s312，對(duì)所述預(yù)處理心電信息進(jìn)行特征提取，得到心電特征參數(shù)信息；

25、s313，對(duì)所述預(yù)處理近紅外信息進(jìn)行特征提取，得到近紅外特征參數(shù)信息；

26、s314，對(duì)所述預(yù)處理血液信息進(jìn)行特征提取，得到血液特征參數(shù)信息。

27、作為一種可選的實(shí)施方式，本發(fā)明實(shí)施例中，所述對(duì)預(yù)處理腦電信息進(jìn)行特征提取，得到腦電特征參數(shù)信息，包括：

28、s3111，對(duì)預(yù)處理腦電信息進(jìn)行時(shí)頻特征提取，得到時(shí)頻特征參數(shù)；

29、所述時(shí)頻特征參數(shù)表達(dá)式為：

30、

31、式中，s(m,n)為時(shí)頻特征參數(shù)，x(t)表示預(yù)處理腦電信息，g(i-nt)表示窗函數(shù)，t表示滑動(dòng)窗口長度，n表示離散傅里葉變換長度，m,n分別表示時(shí)頻特征參數(shù)頻點(diǎn)和時(shí)刻，l表示預(yù)處理腦電信息長度，i表示預(yù)處理腦電信息樣點(diǎn)；

32、s3112，對(duì)所述時(shí)頻特征參數(shù)進(jìn)行濾波，得到腦電特征參數(shù)信息，包括：

33、設(shè)置初始閾值δth的目標(biāo)區(qū)間[α,β],其中0≤α＜β≤max{s(m,n)}，s(m,n)為時(shí)頻特征參數(shù)；

34、將所述目標(biāo)區(qū)間[α,β]劃分為l等份；

35、將初始閾值δth設(shè)置為α，按照的步長進(jìn)行遞增迭代，得到閾值

36、利用閾值計(jì)算每一次迭代后的濾波處理后的時(shí)頻特征參數(shù)

37、

38、其中，s(m,n)表示時(shí)頻特征參數(shù)，表示濾波處理后的時(shí)頻特征參數(shù)，a,b表示閾值中的時(shí)間、頻率參量；

39、計(jì)算每一次迭代與上一次迭代的得到的時(shí)頻特征參數(shù)的差值i1＝1,2,…，i1為迭代次數(shù)；

40、將差值進(jìn)行曲線擬合，得到曲線c，當(dāng)曲線c出現(xiàn)拐點(diǎn)時(shí)，對(duì)應(yīng)的閾值為最優(yōu)閾值；

41、利用所述最優(yōu)閾值，對(duì)所述時(shí)頻特征參數(shù)s(m,n)進(jìn)行最優(yōu)閾值濾波，得到濾波處理后的時(shí)頻特征參數(shù)，所述濾波處理后的時(shí)頻特征參數(shù)為腦電特征參數(shù)信息。

42、作為一種可選的實(shí)施方式，本發(fā)明實(shí)施例中，所述對(duì)所述預(yù)處理心電信息進(jìn)行特征提取，得到心電特征參數(shù)信息，包括：

43、s3121，對(duì)所述預(yù)處理心電信息進(jìn)行處理，得到模糊參數(shù)信息；所述模糊參數(shù)信息表達(dá)式為：

44、

45、其中，x(t)為預(yù)處理心電信息，ax(θ,τ)為模糊參數(shù)信息，t為時(shí)間變量，τ為時(shí)移變量，θ為與τ對(duì)應(yīng)的頻率變量，*表示取共軛；

46、s3122，對(duì)所述模糊參數(shù)信息與預(yù)設(shè)的核函數(shù)進(jìn)行hadamard積計(jì)算，得到心電特征參數(shù)信息；

47、hadamard積計(jì)算公式為：

48、

49、其中，cx為心電特征參數(shù)信息，積分范圍為-∞～∞，g(θ,τ)為預(yù)設(shè)的核函數(shù)，a＝0.001，β＝50，u,t為時(shí)間變量，τ為時(shí)移變量，ω為與u對(duì)應(yīng)的頻率變量，θ為與τ對(duì)應(yīng)的頻率變量。

50、作為一種可選的實(shí)施方式，本發(fā)明實(shí)施例中，所述對(duì)所述預(yù)處理近紅外信息進(jìn)行特征提取，得到近紅外特征參數(shù)信息，包括：

51、s3131，利用近紅外信息分析模型，對(duì)所述近紅外信息進(jìn)行時(shí)頻處理，得到第一近紅外特征參數(shù)信息；

52、所述近紅外信息分析模型表達(dá)式為：

53、

54、式中，t表示時(shí)間，ω表示頻率，x()表示近紅外信息，τ表示延時(shí)，w(t,ω)為第一近紅外特征參數(shù)信息，*表示取共軛；

55、s3132，利用預(yù)設(shè)的濾波模型，對(duì)所述第一近紅外特征參數(shù)信息w(t,ω)進(jìn)行濾波，得到近紅外特征參數(shù)信息

56、所述預(yù)設(shè)的濾波模型表達(dá)式為：

57、

58、式中，w(τ,θ)表示第一近紅外特征參數(shù)信息，w1(t-τ,ω-θ)為二維模板，和是兩個(gè)高斯函數(shù)，分別表示空間域核和像素域核，τ為時(shí)域變量，θ為頻域變量；

59、和具體表達(dá)式為：

60、

61、式中，a、b表示輸入像素的橫縱坐標(biāo)，i、j表示二維模板中心的坐標(biāo)，σs、σr表示高斯函數(shù)標(biāo)準(zhǔn)差。

62、作為一種可選的實(shí)施方式，本發(fā)明實(shí)施例中，所述對(duì)所述預(yù)處理血液信息進(jìn)行特征提取，得到血液特征參數(shù)信息，包括：

63、s3141，對(duì)所述預(yù)處理血液信息進(jìn)行矩陣分解，得到左奇異矩陣、奇異值矩陣和右奇異矩陣；

64、所述矩陣分解表達(dá)式為：

65、y＝uav

66、其中，u為左奇異矩陣，y為預(yù)處理血液信息，a為奇異值矩陣，v為右奇異矩陣，u和v均為正交矩陣，a為對(duì)角矩陣；

67、s3142，對(duì)所述左奇異矩陣和所述右奇異矩陣進(jìn)行差值計(jì)算，得到差值矩陣；

68、s3143，對(duì)所述差值矩陣和所述奇異值矩陣進(jìn)行互相關(guān)計(jì)算，得到血液特征參數(shù)信息。

69、作為一種可選的實(shí)施方式，本發(fā)明實(shí)施例中，所述對(duì)所述腦電特征參數(shù)信息、所述心電特征參數(shù)信息、所述近紅外特征參數(shù)信息和所述血液特征參數(shù)信息進(jìn)行融合，得到融合特征參數(shù)信息，包括：

70、s3211，利用數(shù)據(jù)中心化模型，對(duì)所述腦電特征參數(shù)信息、所述心電特征參數(shù)信息、所述近紅外特征參數(shù)信息和所述血液特征參數(shù)信息進(jìn)行處理，得到中心化參數(shù)信息；

71、所述數(shù)據(jù)中心化模型表達(dá)式為：

72、

73、所述中心化參數(shù)信息為x＝[w1-u,w2-u,w3-u,w4-u]，w1為腦電特征參數(shù)信息，w2為心電特征參數(shù)信息，w3為近紅外特征參數(shù)信息，w4為血液特征參數(shù)信息，a1為w1的加權(quán)系數(shù)，a2為w2的加權(quán)系數(shù)，a3為w3的加權(quán)系數(shù)，a4為w4的加權(quán)系數(shù)，a1+a2+a3+a4＝1；

74、s3212，對(duì)所述中心化參數(shù)信息進(jìn)行處理，得到協(xié)方差矩陣；

75、所述協(xié)方差矩陣表達(dá)式為：

76、∑＝xxt

77、其中，σ為協(xié)方差矩陣，t為轉(zhuǎn)置；

78、s3213，對(duì)所述協(xié)方差矩陣進(jìn)行特征值分解，得到m個(gè)特征值；

79、s3214，對(duì)所述m個(gè)特征值進(jìn)行排序，取出前k個(gè)特征值對(duì)應(yīng)的特征向量；

80、s3215，利用特征向量重構(gòu)模型，對(duì)所述前k個(gè)特征值對(duì)應(yīng)的特征向量進(jìn)行處理，得到融合特征參數(shù)信息；

81、所述特征向量重構(gòu)模型表達(dá)式為：

82、y＝[u1x,u2x,…,ukx]

83、其中，y為融合特征參數(shù)信息，[u1,u2,…,uk]為所述前k個(gè)特征值對(duì)應(yīng)的特征向量。

84、與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)施例具有以下有益效果：

85、本發(fā)明公開了一種生理參數(shù)動(dòng)態(tài)評(píng)價(jià)方法，該方法包括：獲取用戶生理參數(shù)信息；對(duì)多項(xiàng)生理指標(biāo)進(jìn)行挖掘與分析，得到生理參數(shù)動(dòng)態(tài)評(píng)價(jià)結(jié)果。本發(fā)明方法僅使用常用的無創(chuàng)參數(shù)，對(duì)用戶的生理參數(shù)進(jìn)行動(dòng)態(tài)評(píng)價(jià)，為臨床干預(yù)預(yù)留充足預(yù)警時(shí)間，能夠?yàn)獒t(yī)生設(shè)計(jì)患者治療方案提供充足時(shí)間。