一种基于LSTM网络的氧减状态预测方法技术

本发明专利技术公开了一种基于LSTM网络的氧减状态预测方法，包括，采集待测人员不同指标的数据并进行处理，获取测试数据；构建预测网络并对预测网络进行训练，输出训练后的预测网络；将测试数据输入训练后的预测网络中进行处理；预测网络输出预测结果。本发明专利技术的有益效果：能够通过待测人员的血氧饱和度和脉搏频率数据，预测其处于氧减状态概率，帮助待测人员或医务人员判断其是否需要接受进一步诊断治疗，特别是对于慢性阻塞性肺疾病的潜在患者具有很大帮助。

【技术实现步骤摘要】
一种基于LSTM网络的氧减状态预测方法
本专利技术涉及氧减状态预测的
，尤其涉及一种基于LSTM网络的氧减状态预测方法。
技术介绍
近年来，慢性阻塞性肺疾病的氧减状态作为一项非常关键的诊断依据，医护人员需要根据慢性阻塞性肺疾病氧减状态所呈现出来的特性，判断待诊人员是否有患病的可能性和征兆。现阶段，医护人员在进行判断时，通常是获取待诊人员在一段时间内的血氧饱和度指数以及脉率的数据，根据经验手动标定血脉氧指数中处于氧减状态的数据点，并根据氧减状态下的血脉氧、心率等数据表现出来的特征，如脉率是否有明显变化、氧减状态持续的时间、血氧饱和度指数下降的幅度等，并根据这些特征来判断待测人员是否有可能患病而需要进一步接受具体诊断。但是这样的判断方式，一来需要等待获取数据的设备传递数据以及对大量数据进行手工标注的问题，二来医护人员自身的经验也会对诊断结果有影响。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术解决的技术问题是：提出一种基于LSTM网络的氧减状态预测方法，能够对慢性阻塞性肺疾病氧减状态进行预测，预测出待测人员的患病风险。为解决上述技术问题，本专利技术提供如下技术方案：一种基于LSTM网络的氧减状态预测方法，包括，采集待测人员不同指标的数据并进行处理，获取测试数据；构建预测网络并对预测网络进行训练，输出训练后的预测网络；将测试数据输入训练后的预测网络中进行处理；预测网络输出预测结果。作为本专利技术所述的基于LSTM网络的氧减状态预测方法的一种优选方案，其中：所述采集数据还包括以下步骤，令待测人员穿戴测试仪器，并进行运动；通过测试仪器得到的待测人员的相关指标数据；根据相关指标数据和测试时长得到原始数据矩阵。作为本专利技术所述的基于LSTM网络的氧减状态预测方法的一种优选方案，其中：所述原始数据矩阵表示为，其中，矩阵M中四列元素分别对应索引、时刻、血氧饱和度和脉搏频率四个指标，n为采集数据的时刻长度，且i∈[1,n]。作为本专利技术所述的基于LSTM网络的氧减状态预测方法的一种优选方案，其中：所述对采集到的数据进行处理还包括对血氧饱和度进行窗口特征和梯度特征的提取，并由提取出的特征值和原始数据中的血氧饱和度以及脉搏频率构成测试数据矩阵M'，表示如下，其中，矩阵M'中四列元素分别对应血氧饱和度、脉搏频率、窗口特征提取值和梯度特征提取值四个特征指标，n为采集数据的时刻长度，且i∈[1,n]。作为本专利技术所述的基于LSTM网络的氧减状态预测方法的一种优选方案，其中：所述窗口特征的提取计算公式如下，其中，winsize表示窗口大小，此处窗口大小为10，m'i,3表示矩阵M'第i行第三列的血氧饱和度窗口特征提取值。作为本专利技术所述的基于LSTM网络的氧减状态预测方法的一种优选方案，其中：所述梯度特征的计算公式为，其中，m'i,4表示第i行第四列的血氧饱和度梯度特征提取值，m'i,1为该时刻对应的血氧饱和度值。作为本专利技术所述的基于LSTM网络的氧减状态预测方法的一种优选方案，其中：所述构建的预测网络包括长短时记忆网络，网络结构中包括输入门、输出门和遗忘门。作为本专利技术所述的基于LSTM网络的氧减状态预测方法的一种优选方案，其中：所述对预测网络进行训练还包括以下步骤，获取训练数据；将训练数据依次输入至预测网络中；根据预测网络输出结果判断预测的准确率并重复训练；当预测准确率不再增加时，结束训练。作为本专利技术所述的基于LSTM网络的氧减状态预测方法的一种优选方案，其中：所述获取训练数据包括采集原始训练数据，得到原始训练数据矩阵X，原始训练数据矩阵X表示为，其中，元素A、B、C、D、E、F和G分别表示索引、时刻、血氧饱和度、脉搏频率、数据是否有效、数据质量和是否发生氧减的指标，n表示采集数据的时长，单位为秒，xi,j表示第i个时间点第j列的数据值，且i∈[1,n]，j∈[1,7]。作为本专利技术所述的基于LSTM网络的氧减状态预测方法的一种优选方案，其中：所述获取训练数据还包括对原始训练数据进行处理，对原始训练数据进行窗口特征和梯度特征的提取；去除原始训练数据矩阵X中的索引和时刻列；在原始数训练据矩阵X中加入窗口特征和梯度特征值，构成新的矩阵X1，矩阵X1表示如下：其中，A1、B1、C1、D1、E1、F1和G1分别代表血氧饱和度、脉搏频率、血氧饱和度特征、变化幅度、数据是否有效、数据质量和是否发生氧减的指标；对矩阵X1中的数据进行整合，得到训练数据矩阵X*，矩阵X*表示如下：其中，A*、B*、C*、D*和E*分别代表血氧饱和度、脉搏频率、血氧饱和度特征、变化幅度和标签值。本专利技术的有益效果：本专利技术提出的氧减状态预测方法，能够通过待测人员的血氧饱和度和脉搏频率数据，预测其处于氧减状态概率，帮助待测人员或医务人员判断其是否需要接受进一步诊断治疗，特别是对于慢性阻塞性肺疾病的潜在患者具有很大帮助。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本专利技术所述基于LSTM网络的氧减状态预测方法的整体流程示意图；图2为本专利技术所述LSTM网络单元中包含的输入门、输出门和遗忘门的结构示意图；图3为一个待测人员工作特征曲线的示意图；图4为实验中采用不同方法下得到的待测人员工作特征曲线对比示意图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术的保护的范围。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。本专利技术结合示意图进行详细描述，在详述本专利技术实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示本文档来自技高网...

【技术保护点】
1.一种基于LSTM网络的氧减状态预测方法，其特征在于：包括，/n采集待测人员不同指标的数据并进行处理，获取测试数据；/n构建预测网络并对预测网络进行训练，输出训练后的预测网络；/n将测试数据输入训练后的预测网络中进行处理；/n预测网络输出预测结果。/n

【技术特征摘要】
1.一种基于LSTM网络的氧减状态预测方法，其特征在于：包括，
采集待测人员不同指标的数据并进行处理，获取测试数据；
构建预测网络并对预测网络进行训练，输出训练后的预测网络；
将测试数据输入训练后的预测网络中进行处理；
预测网络输出预测结果。


2.如权利要求1所述的基于LSTM网络的氧减状态预测方法，其特征在于：所述采集数据还包括以下步骤，
令待测人员穿戴测试仪器，并进行运动；
通过测试仪器得到的待测人员的相关指标数据；
根据相关指标数据和测试时长得到原始数据矩阵。


3.如权利要求1或2所述的基于LSTM网络的氧减状态预测方法，其特征在于：所述原始数据矩阵表示为，



其中，矩阵M中四列元素分别对应索引、时刻、血氧饱和度和脉搏频率四个指标，n为采集数据的时刻长度，且i∈[1,n]。


4.如权利要求3所述的基于LSTM网络的氧减状态预测方法，其特征在于：所述对采集到的数据进行处理还包括对血氧饱和度进行窗口特征和梯度特征的提取，并由提取出的特征值和原始数据中的血氧饱和度以及脉搏频率构成测试数据矩阵M'，表示如下，



其中，矩阵M'中四列元素分别对应血氧饱和度、脉搏频率、窗口特征提取值和梯度特征提取值四个特征指标，n为采集数据的时刻长度，且i∈[1,n]。


5.如权利要求4所述的基于LSTM网络的氧减状态预测方法，其特征在于：所述窗口特征的提取计算公式如下，



其中，winsize表示窗口大小，此处窗口大小为10，m′i,3表示矩阵M'第i行第三列的血氧饱和度窗口特征提取值。


6.如权利要求4或5所述的基于LSTM网络的氧减状态预测方法，其特征在于：所述梯度特征的计算公式为，



其中，m′i,4表示第i行第四列...

【专利技术属性】
技术研发人员：於东军，宋晓宁，冯振华，
申请(专利权)人：上海蠡图信息科技有限公司，
类型：发明
国别省市：上海;31