基于时空信息融合的术中低血压预测方法及相关产品技术

本发明专利技术涉及医学临床技术领域，公开了基于时空信息融合的术中低血压预测方法及相关产品，本发明专利技术使用术中监测的生理指标，利用基于时空融合的深度学习模型对术中低血压进行提前预测，通过FCN层从所述输入矩阵中提取空间特征再通过GRU层从所述空间特征中提取生理指标的时间特征充分考虑了监测数据的局部空间特征和时间特征，有利于提高术中低血压的预测准确性；另外，本发明专利技术通过对原始样本数据的错误数据进行保留，并使用常值

【技术实现步骤摘要】
基于时空信息融合的术中低血压预测方法及相关产品


[0001]本专利技术涉及医学临床
，尤其涉及基于时空信息融合的术中低血压预测方法及相关产品。

技术介绍

[0002]术中低血压会给患者带来一系列的术后不良症状，提前预测术中低血压可以帮助医生尽早采取措施，从而降低患者经历术中低血压的频率。术中低血压预测是利用历史术中监测数据预测未来一段时间内是否会发生术中低血压，而术中监测数据是典型的时间序列，因此通常把术中低血压预测视为时间序列的二分类任务。
[0003]目前术中低血压预测有一部分是基于动脉压波形数据进行的，通过人工设计特征提取算法从原始的动脉压波形数据中提取特征，再使用机器学习方法，例如逻辑回归(Logistic Regression,LR)、朴素贝叶斯(Naive Bayes,NB)、支持向量机(Support Vector Machine,SVM)对提取的特征进行分类。以上方法需要人工设计特征，而深度学习可以自动学习和识别特征，常被用于术中低血压预测。按照数据使用的类型可以划分为两类，一类是从动脉波形数据中按照一定的频率(例如100HZ)下采样数据，再使用深度学习的方法进行分类。但血压的变化和其他生理指标息息相关，有研究者开始尝试第二类，将血压指标和其他生理指标联合用于术中低血压预测。深度学习方法中LSTM因为能够解决时间序列的长时间依赖问题，被广泛用于术中低血压预测。CNN因为其卷积操作能够提取多变量时间序列的局部空间特征和捕获变量之间的关联，也有研究者开始尝试将其用于术中低血压预测。
[0004]但是，本申请专利技术人在实现本申请实施例中专利技术技术方案的过程中，发现上述技术方案至少存在如下技术问题：
[0005](1)正负例样本不均衡。医学数据中正常数据总是比发病数据多，也就是正负例样本不均衡问题，该问题会严重影响模型的分类效果。
[0006](2)无法同时兼顾多变量时间序列的时间特征和空间特征。现有的基于多个生理指标预测术中低血压的方法使用叠加的LSTM或者叠加的CNN无法同时提取到多变量时间序列的时间特征和空间特征。

技术实现思路

[0007]为了解决上述技术问题，本专利技术使用术中监测的生理指标，利用基于时空融合的深度学习模型对术中低血压进行提前预测，从而让医生提前采取措施，降低患者的术后不良风险和死亡风险。
[0008]主要通过以下技术方案实现上述专利技术目的：
[0009]第一方面，基于时空信息融合的术中低血压预测方法，包括：
[0010]监测术中生理指标数据；
[0011]将监测得到的生理指标数据输入到基于时空融合的深度学习模型中，输出术中低血压预测结果；
[0012]其中所述基于时空融合的深度学习模型包括预处理层、FCN层、GRU层和输出层，所述模型的训练方法包括：
[0013]步骤1，预处理层将术中监测的生理指标数据作为原始样本数据X，并处理得到所述模型可以接收的输入矩阵针对所述原始样本数据X中的错误数据进行保留，并使用
‑
1的方式填补缺失数据，再通过滑动窗口的方法生成一个新的样本数据，并在间隙窗口中根据术中低血压的定义为观察间隙中的数据打上相应的标签，标签包括0和1，其中，标签1表示对应的数据为低血压数据，标签0表示对应的数据为正常血压数据；
[0014]步骤2，FCN层使用三个叠加的卷积模块从所述输入矩阵中提取生理指标的空间特征
[0015]步骤3，将空间特征输入由三个叠加的GRU中提取生理指标的时间特征
[0016]步骤4，输出层根据提取到的时空融合特征计算并输出未来一段时间术中低血压发生和不发生的概率，所述时空融合特征包含所述空间特征和时间特征
[0017]第二方面，基于时空信息融合的术中低血压预测装置，包括：
[0018]生理指标模块，用于监测术中生理指标数据；
[0019]术中低血压预测模块，用于将监测得到的生理指标数据输入到基于时空融合的深度学习模型中，输出术中低血压预测结果；
[0020]所述基于时空融合的深度学习模型包括：
[0021]预处理模块，用于将术中监测的生理指标数据作为原始样本数据X，并处理得到所述模型可以接收的输入矩阵针对所述原始样本数据X中的错误数据进行保留，并使用
‑
1的方式填补缺失数据，再通过滑动窗口的方法生成一个新的样本数据，并在间隙窗口中根据术中低血压的定义为观察间隙中的数据打上相应的标签，标签包括0和1，其中，标签1表示对应的数据为低血压数据，标签0表示对应的数据为正常血压数据；
[0022]FCN模块，用于使用三个叠加的卷积模块从所述输入矩阵中提取生理指标的空间特征
[0023]GRU模块，用于将空间特征输入由三个叠加的GRU中提取生理指标的时间特征
[0024]输出模块，用于根据提取到的时空融合特征计算并输出未来一段时间术中低血压发生和不发生的概率，所述时空融合特征包含所述空间特征和时间特征
[0025]第三方面，一种电子设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述基于时空信息融合的术中低血压预测方法的部分或全部步骤。
[0026]第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于时空信息融合的术中低血压预测方法的部分或全部步骤。
[0027]相较于现有技术的有益效果：本专利技术使用术中监测的生理指标，利用基于时空融合的深度学习模型对术中低血压进行提前预测，从而让医生提前采取措施，降低患者的术后不良风险和死亡风险，分别通过FCN层和GRU层从所述输入矩阵中提取生理指标的空间特征和时间特征充分考虑了生理指标的局部空间特征和时间特征，先使用FCN使用三个叠加的卷积模块提取生理指标的局部空间特征和捕获变量之间的关联，再使用三个叠加的
GRU层充分学习数据的时间依赖关系，有利于提高术中低血压的预测准确性；另外，本专利技术通过对所述原始样本数据X中的错误数据进行保留，并使用常值
‑
1的方式填补缺失数据(由于医学数据中的错误数据通常为负值)，扩展样本数据，再通过滑动窗口的方法生成一个新的样本数据，并在间隙窗口中根据术中低血压的定义为观察间隙中的数据打上相应的标签，得到模型的输入矩阵数据，解决了由于医学数据普遍存在着数据缺失和错误的问题，通过样本上采样解决了正常数据普遍比发病数据多而导致的正负例样本不均衡的问题。
附图说明
[0028]图1为本专利技术实施例一提供的基于时空融合的深度学习模型总体结构示意图；
[0029]图2为本专利技术实施例一提供的基于时空融合的深度学习模型训练方法的流程示意图；
[0030]图3为本专利技术实施例一提供的滑动窗口填补缺失数据的示意图；
[0031]图4为本专利技术实施例一提供的三层叠加GRU的结构示意图；
[0032]图5为本专利技术实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于时空信息融合的术中低血压预测方法，其特征在于，包括：监测术中生理指标数据；将监测得到的生理指标数据输入到基于时空融合的深度学习模型中，输出术中低血压预测结果；其中所述基于时空融合的深度学习模型包括预处理层、FCN层、GRU层和输出层，所述模型的训练方法包括：步骤1，预处理层将术中监测的生理指标数据作为原始样本数据X，并处理得到所述模型可以接收的输入矩阵针对所述原始样本数据X中的错误数据进行保留，并使用
‑
1的方式填补缺失数据，再通过滑动窗口的方法生成一个新的样本数据，并在间隙窗口中根据术中低血压的定义为观察间隙中的数据打上相应的标签，标签包括0和1，其中，标签1表示对应的数据为低血压数据，标签0表示对应的数据为正常血压数据；步骤2，FCN层使用三个叠加的卷积模块从所述输入矩阵中提取生理指标的空间特征步骤3，将空间特征输入由三个叠加的GRU中提取生理指标的时间特征步骤4，输出层根据提取到的时空融合特征计算并输出未来一段时间术中低血压发生和不发生的概率，所述时空融合特征包含所述空间特征和时间特征2.如权利要求1所述的基于时空信息融合的术中低血压预测方法，其特征在于，所述步骤2具体包括：在FCN层使用BN对所述输入矩阵中的样本数据进行标准化；将标准化后的样本数据分别输入三个叠加的卷积模块中，每个卷积模块包含一个一维卷积，通过一维卷积进行卷积操作以提取时间序列的空间特征3.如权利要求2所述的基于时空信息融合的术中低血压预测方法，其特征在于，所述通过一维卷积进行卷积操作以提取时间序列的空间特征具体包括：使用一个滑动窗口在所述输入矩阵中从上到下滑动，并让窗口内的数据与卷积核内的数据逐个相乘再求和，滑动步长为1，其中滑动窗口和卷积核大小为3*n，其中n为生理指标数量。4.如权利要求2或3所述的基于时空信息融合的术中低血压预测方法，其特征在于，还包括：采用ReLU函数作为激活函数增加神经网络的非线性因素。5.如权利要求4所述的基于时空信息融合的术中低血压预测方法，其特征在于，所述步骤3具体包括：采用三层叠加的GRU提取生理指标的时间特征其中每层GRU包括重置门r
i
和更新门z
i
，其中r
i
负责将新的输入信息s
i
与记忆h
i
‑1相结合，z
i
负责确定记忆h
i
‑1中哪些需要在记忆h
i
中保留；r
i...

【专利技术属性】
技术研发人员：舒红平，幸享兰，朱涛，陈果，郝学超，王亚强，
申请(专利权)人：四川大学华西医院，
类型：发明
国别省市：