一种高血压风险预测方法及装置制造方法及图纸

本发明专利技术公开了一种高血压风险预测方法及装置。该方法包括如下步骤：获得待检测数据，该待检测数据包括OSA患者的血氧信号图像、功率谱特征图像和临床特征；将待检测数据输入到预先训练好的高血压风险预测模型中；高血压风险预测模型的输出结果为OSA患者的高血压患病概率。本发明专利技术通过血氧信号图像和功率谱特征图像实现为高血压风险预测模型提供更多的高血压关联信息，以提高其高血压预测准确率。另一方面，通过高血压风险预测模型从血氧信号图像和功率谱特征图像中自动提取出血氧信号的相关特征，无需经过人工提取和处理特征即可得到高血压预测结果，大大减少了人工误差，进一步提高了OSA患者的高血压预测精度和效率。高了OSA患者的高血压预测精度和效率。高了OSA患者的高血压预测精度和效率。

【技术实现步骤摘要】
一种高血压风险预测方法及装置


[0001]本专利技术涉及一种高血压风险预测方法，同时涉及相应的高血压风险预测装置，属于人工智能辅助诊断


技术介绍

[0002]阻塞性睡眠呼吸暂停(obstructive sleep apnea，简写为OSA)是一种以睡眠打鼾伴呼吸暂停和日间思睡为主要临床表现的睡眠呼吸疾病，患病率为4％。该病可引起间歇性低氧、高碳酸血症以及睡眠结构紊乱，并可导致高血压、冠心病、心律失常、脑血管病、认知功能障碍、2型糖尿病等多器官多系统损害。
[0003]高血压是导致心血管疾病的主要原因，患病率为20％。但由于其慢性发病的特点，全球范围内超过50％的高血压人群没有意识到自己患有高血压。由于呼吸暂停导致血氧频繁下降，OSA人群更加容易患有高血压，其中伴随高血压人群占比高达50％。通常，人们对自身的健康状况意识不够，也无法在疾病初期立即发现病情，往往在疾病发展到较为严重的情况才进行治疗，因此容易错过最佳的干预和治疗时间。
[0004]目前，人工智能(AI)技术正在蓬勃发展之中，并且开始渗透到医疗辅助诊断的各个方面。2017年，国家卫生健康委员会发布了《人工智能辅助治疗技术管理规范》，以规范人工智能辅助治疗技术的临床应用，保证医疗质量和医疗安全。针对高血压敏感的OSA人群，如何有效利用人工智能技术准确预测未来的高血压患病风险，仍然是一个亟待解决的问题。

技术实现思路

[0005]本专利技术所要解决的首要技术问题在于提供一种高血压风险预测方法。
[0006]本专利技术所要解决的另一技术问题在于提供一种高血压风险预测装置。
[0007]为了实现上述目的，本专利技术采用下述的技术方案：
[0008]根据本专利技术实施例的第一方面，提供一种高血压风险预测方法，包括如下步骤：
[0009]步骤S1、获得待检测数据，该待检测数据包括OSA患者的血氧信号图像、功率谱特征图像和临床特征；
[0010]步骤S2、将所述待检测数据输入到预先训练好的高血压风险预测模型中；
[0011]步骤S3、所述高血压风险预测模型的输出结果为OSA患者的高血压患病概率。
[0012]其中较优地，获得所述血氧信号图像时，包括如下步骤：
[0013]步骤S11、获得OSA患者的原始血氧信号，并进行预处理；
[0014]步骤S12、将预处理后的血氧信号转换为预设尺寸的血氧信号图像。
[0015]其中较优地，对OSA患者的原始血氧信号进行预处理的过程是对所述原始血氧信号依次进行重采样、异常值线性拟合和平滑处理。
[0016]其中较优地，获得预设尺寸的血氧信号图像，包括如下步骤：
[0017]步骤S120、将预处理后的血氧信号投影到横纵坐标范围固定的坐标系中，得到血
氧信号曲线；
[0018]步骤S121、将所述血氧信号曲线转换为预设尺寸的血氧信号图像。
[0019]其中较优地，获得所述功率谱特征图像时，利用步骤S11中预处理后的血氧信号进行谱估计得到，具体包括如下步骤：
[0020]步骤S13、将步骤S11预处理后的血氧信号进行数据分段；
[0021]步骤S14、对每段数据依次进行窗处理和傅里叶变换，得到每段数据的功率谱；
[0022]步骤S15、将每段数据的功率谱按时间顺序拼接作图，得到OSA患者的功率谱特征图像。
[0023]其中较优地，所述高血压风险预测模型经过如下步骤得到：
[0024]步骤S21、获得多组OSA患者的检测数据，每一组检测数据为某一位OSA患者的血氧信号图像、功率谱特征图像和临床特征；
[0025]步骤S22、采用多组OSA患者的检测数据训练预先设计的高血压风险预测模型，得到最优高血压风险预测模型。
[0026]其中较优地，OSA患者的临床特征包括但不限于性别、年龄、身体质量指数、糖尿病、呼吸暂停-低通气指数和氧饱和度指数中的任意一种或多种。
[0027]其中较优地，所述高血压风险预测模型包括第一卷积神经网络、第二卷积神经网络和第三神经网络，所述第一卷积神经网络和所述第二卷积神经网络分别连接所述第三神经网络；
[0028]所述第一卷积神经网络，用于从输入的OSA患者的血氧信号图像中提取出OSA患者整夜睡眠过程中的血氧信号的血氧波动特征；
[0029]所述第二卷积神经网络，用于从输入的功率谱特征图像中提取出OSA患者整夜睡眠过程中血氧信号的频谱特征；
[0030]所述第三神经网络，用于根据所述血氧信号的血氧波动特征、频谱特征以及OSA患者的临床特征，判断出OSA患者患有高血压的概率。
[0031]其中较优地，所述第一卷积神经网络和所述第二卷积神经网络均包括N个网络块和一个全连接层，所述第三神经网络包括一个全连接层；每个网络块由卷积层、批标准化层、激活函数层和池化层组成，N为正整数。
[0032]根据本专利技术实施例的第二方面，提供一种高血压风险预测装置，包括处理器和存储器，所述处理器读取所述存储器中的计算机程序，用于执行以下操作：
[0033]获得待检测数据，该待检测数据包括OSA患者的血氧信号图像、功率谱特征图像和临床特征；
[0034]将所述待检测数据输入到预先训练好的高血压风险预测模型中；
[0035]所述高血压风险预测模型的输出结果为OSA患者的高血压患病概率。
[0036]本专利技术所提供的高血压风险预测方法及装置，通过采样OSA患者整夜睡眠过程中的血氧信号，并相应地转换为血氧信号图像和功率谱特征图像，从而实现为高血压风险预测模型提供了更多的高血压关联信息，以提高其高血压预测准确率。另一方面，通过高血压风险预测模型从血氧信号图像和功率谱特征图像中自动提取出血氧信号的相关特征，无需经过人工提取和处理特征即可得到高血压预测结果，大大减少了人工误差，进一步提高了OSA患者的高血压预测精度和效率，可以有效辅助医生的诊断和治疗工作。
附图说明
[0037]图1为本专利技术实施例提供的高血压风险预测方法的流程示意图；
[0038]图2为本专利技术实施例提供的高血压风险预测方法中，功率谱特征图像示意图；
[0039]图3为本专利技术实施例提供的高血压风险预测方法中，高血压风险预测模型的原理图；
[0040]图4为本专利技术实施例提供的高血压风险预测装置的结构示意图。
具体实施方式
[0041]下面结合附图和具体实施例对本专利技术的
技术实现思路
进行详细具体地说明。
[0042]针对高血压敏感的OSA人群，为了帮助医生准确预测未来的高血压患病风险，如图1所示，本专利技术实施例提供的高血压风险预测方法，包括如下步骤：
[0043]步骤S1、获得待检测数据，该待检测数据包括OSA患者的血氧信号图像、功率谱特征图像和临床特征。
[0044]获得OSA患者的血氧信号图像时，包括如下步骤：
[0045]步骤S11、获得OSA患者的原始血氧信号，并进行预处理。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高血压风险预测方法，其特征在于包括如下步骤：步骤S1、获得待检测数据，该待检测数据包括OSA患者的血氧信号图像、功率谱特征图像和临床特征；步骤S2、将所述待检测数据输入到预先训练好的高血压风险预测模型中；步骤S3、所述高血压风险预测模型的输出结果为OSA患者的高血压患病概率。2.如权利要求1所述的高血压风险预测方法，其特征在于获得所述血氧信号图像，包括如下步骤：步骤S11、获得OSA患者的原始血氧信号，并进行预处理；步骤S12、将预处理后的血氧信号转换为预设尺寸的血氧信号图像。3.如权利要求2所述的高血压风险预测方法，其特征在于：对OSA患者的原始血氧信号进行预处理的过程是对所述原始血氧信号依次进行重采样、异常值线性拟合和平滑处理。4.如权利要求2所述的高血压风险预测方法，其特征在于获得预设尺寸的血氧信号图像，包括如下步骤：步骤S120、将预处理后的血氧信号投影到横纵坐标范围固定的坐标系中，得到血氧信号曲线；步骤S121、将所述血氧信号曲线转换为预设尺寸的血氧信号图像。5.如权利要求2所述的高血压风险预测方法，其特征在于：获得所述功率谱特征图像时，利用步骤S11中预处理后的血氧信号进行谱估计得到，包括如下步骤：步骤S13、将步骤S11预处理后的血氧信号进行数据分段；步骤S14、对每段数据依次进行窗处理和傅里叶变换，得到每段数据的功率谱；步骤S15、将每段数据的功率谱按时间顺序拼接作图，得到OSA患者的功率谱特征图像。6.如权利要求1所述的高血压风险预测方法，其特征在于：所述高血压风险预测模型经过如下步骤得到：步骤S21、获得多组OSA患者的检测数据，每一组检测数据为某一位OSA患者的血氧信号图...

【专利技术属性】
技术研发人员：叶京英，吴及，尤静媛，高键东，
申请(专利权)人：清华大学，
类型：发明
国别省市：