一种疼痛等级确定方法、装置、存储介质及终端制造方法及图纸

本发明专利技术公开了一种疼痛等级确定方法、装置、存储介质及终端，方法包括：接收来自可穿戴设备采集的目标对象生理参数，并将目标对象生理参数进行去噪处理，生成预处理后的对象生理参数；对预处理后的对象生理参数进行不同视角上的特征提取，生成多模态的疼痛标记物集合；根据多模态的疼痛标记物集合，并结合预先训练的平行回归模型生成多种疼痛等级的概率值；基于多种疼痛等级的概率值确定目标对象的疼痛等级。由于本申请对预处理后的对象生理参数进行不同视角上的特征提取，使得生成的多模态的疼痛标记物集合可以最大程度的对目标对象的生理参数进行特征全面表达，从而可以快速的对任何目标对象进行疼痛等级确定，提升了疼痛评估准确性和评估效率。估准确性和评估效率。估准确性和评估效率。

【技术实现步骤摘要】
一种疼痛等级确定方法、装置、存储介质及终端


[0001]本专利技术涉及数字医疗
以及计算机
，特别涉及一种疼痛等级确定方法、装置、存储介质及终端。

技术介绍

[0002]疼痛是人类进化的一种社会交流倾向，作为一种与伤害相关的特殊感觉体验，能够传递各种有害刺激带来的不适感，随着医学科技的发展及人们医疗观念的改变，疼痛患者及家属对就医舒适性的要求越来越高，降低患者疼痛感已成为一项重要治疗指标,且对于围手术期预后具有重要作用。然而，疼痛感受是一种高度个性化的主观经历，不像血压、呼吸、脉搏和体温具有明确的衡量标准和指标，疼痛难以进行及时有效的标准化度量。
[0003]在现有技术中，疼痛数字模拟量表和疼痛语言评价量表被普遍应用于临床疼痛诊断，这类的疼痛评估方式主要依靠于病人对疼痛的主观感受。医疗工作者会以询问的方式对病人进行疼痛评估，患者以自我报告(语言、手势等方式)表达疼痛程度，该方式十分耗费人力资源和时间资源。不仅如此，该方式仅在患者足够清醒和合作时起作用，对于有语言和认知障碍的患者，无法进行疼痛评估，从而降低了疼痛评估准确性和评估效率。

技术实现思路

[0004]本申请实施例提供了一种疼痛等级确定方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
[0005]第一方面，本申请实施例提供了一种疼痛等级确定方法，方法包括：
[0006]接收来自可穿戴设备采集的目标对象生理参数，并通过带通滤波器将目标对象生理参数进行去噪处理，生成预处理后的对象生理参数；
[0007]对预处理后的对象生理参数进行不同视角上的特征提取，生成多模态的疼痛标记物集合；
[0008]根据多模态的疼痛标记物集合，并结合预先训练的平行回归模型生成多种疼痛等级的概率值；
[0009]基于多种疼痛等级的概率值确定目标对象的疼痛等级。
[0010]可选的，所述目标对象生理参数包括皮肤电信号、心电信号、肌电信号以及心率变异和呼吸率；
[0011]所述通过带通滤波器将所述目标对象生理参数进行去噪处理，生成预处理后的对象生理参数，包括：
[0012]在所述心电信号和所述肌电信号中分别确定出预设频段的目标信号，得到目标心电信号和目标肌电信号；
[0013]将所述皮肤电信号平滑处理，生成平滑后的目标皮肤电信号；将所述心率变异和
呼吸率信号平滑处理，生成平滑后的心率变异和呼吸率信号；
[0014]将所述目标心电信号、目标肌电信号、目标皮肤电信号以及平滑后的心率变异和呼吸率确定为预处理后的对象生理参数。
[0015]可选的，对预处理后的对象生理参数进行不同视角上的特征提取，生成多模态的疼痛标记物集合，包括：
[0016]采用开源工具对预处理后的对象生理参数进行特征提取，得到生物信号特征；
[0017]采用catch22时间序列特征库对预处理后的人体生理参数进行特征提取，得到时间序列特征；
[0018]采用无监督式的自动化特征提取工具transformer encoder对预处理后的人体生理参数进行特征提取，得到一维向量特征；
[0019]将生物信号特征、时间序列特征以及一维向量特征串联后的特征集合确定为多模态的疼痛标记物集合。
[0020]可选的，根据多模态的疼痛标记物集合，并结合预先训练的平行回归模型生成多种疼痛等级的概率值，包括：
[0021]采用结合监督学习和无监督学习的方法，并结合预设条件对多模态的疼痛标记物集合进行特征筛选，生成特征子集；
[0022]对特征子集进行标准归一化处理，生成标准化特征；
[0023]对标准化特征进行数据降维处理，以提取出标准化特征中预设维度的特征向量，得到目标特征向量；
[0024]根据目标特征向量，并结合预先训练的平行回归模型生成多种疼痛等级的概率值。
[0025]可选的，根据目标特征向量，并结合预先训练的平行回归模型生成多种疼痛等级的概率值，包括：
[0026]将目标特征向量输入预先训练的平行回归模型中，输出目标特征向量对应的多种疼痛等级的概率值；其中，
[0027]预先训练的平行回归模型为对于序数变量的广义线性模型；其中，
[0028]预先训练的平行回归模型可表示为：
[0029]其中，logit[]为模型，P()为求概率运算，x为目标特征向量，X
i
为目标特征向量中某个特征向量，n为α
i
、β
i
X
i
中i的总数量，Y＝1,2
…
J并且与序数与j＝1,2
…
J
‑
1相关，公式中α
i
、β
i
均为待估计的参数。当Y取i时候的概率为：
[0030][0031]可选的，基于多种疼痛等级的概率值确定目标对象的疼痛等级，包括：
[0032]将多种疼痛等级的概率值进行降序排列，得到排序后的多种疼痛等级的概率值；
[0033]将排序后的多种疼痛等级的概率值的第一位概率值确定为目标概率值；
[0034]将目标概率值对应的疼痛等级确定为目标对象的疼痛等级；
[0035]或者，
[0036]将多种疼痛等级的概率值中最大概率值对应的疼痛等级确定为目标对象的疼痛等级。
[0037]可选的，在心电信号和肌电信号中分别确定出预设频段的目标信号，得到目标心电信号和目标肌电信号，包括：
[0038]采用滑动窗口算法构建滑窗模型；
[0039]确定心电信号和肌电信号的所属的多个频段；
[0040]将多个频段映射关联至滑窗模型中，并将多个频段中所需的预设频段设置为信号可输出标识符，并将多个频段中不需要的预设频段设置为信号自动过滤标识符，得到最终的滑窗模型；
[0041]将心电信号和肌电信号输入到最终的滑窗模型中，以将不需要的预设频段的信号进行过滤，输出所需的预设频段的信号，得到目标心电信号和目标肌电信号。
[0042]第二方面，本申请实施例提供了一种疼痛等级确定装置，装置包括：
[0043]参数生成模块，用于接收来自可穿戴设备采集的目标对象生理参数，并通过带通滤波器将目标对象生理参数进行去噪处理，生成预处理后的对象生理参数；
[0044]疼痛标记物集合生成模块，用于对预处理后的对象生理参数进行不同视角上的特征提取，生成多模态的疼痛标记物集合；
[0045]概率值生成模块，用于根据多模态的疼痛标记物集合，并结合预先训练的平行回归模型生成多种疼痛等级的概率值；
[0046]疼痛等级确定模块，用于基于多种疼痛等级的概率值确定目标对象的疼痛等级。
[0047]第三方面，本申请实施例提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种疼痛等级确定方法，其特征在于，所述方法包括：接收来自可穿戴设备采集的目标对象生理参数，并通过带通滤波器将所述目标对象生理参数进行去噪处理，生成预处理后的对象生理参数；对预处理后的对象生理参数进行不同视角上的特征提取，生成多模态的疼痛标记物集合；根据多模态的疼痛标记物集合，并结合预先训练的平行回归模型生成多种疼痛等级的概率值；基于所述多种疼痛等级的概率值确定所述目标对象的疼痛等级。2.根据权利要求1所述的方法，其特征在于，所述目标对象生理参数包括皮肤电信号、心电信号、肌电信号以及心率变异和呼吸率；所述通过带通滤波器将所述目标对象生理参数进行去噪处理，生成预处理后的对象生理参数，包括：在所述心电信号和所述肌电信号中分别确定出预设频段的目标信号，得到目标心电信号和目标肌电信号；将所述皮肤电信号平滑处理，生成平滑后的目标皮肤电信号；将所述心率变异和呼吸率信号平滑处理，生成平滑后的心率变异和呼吸率信号；将所述目标心电信号、目标肌电信号、目标皮肤电信号以及平滑后的心率变异和呼吸率确定为预处理后的对象生理参数。3.根据权利要求1所述的方法，其特征在于，所述对预处理后的对象生理参数进行不同视角上的特征提取，生成多模态的疼痛标记物集合，包括：采用开源工具对预处理后的对象生理参数进行特征提取，得到生物信号特征；采用catch22时间序列特征库对预处理后的人体生理参数进行特征提取，得到时间序列特征；采用无监督式的自动化特征提取工具(Transformer encoder)对预处理后的人体生理参数进行特征提取，得到一维向量特征；将生物信号特征、时间序列特征以及一维向量特征串联后的特征集合确定为多模态的疼痛标记物集合。4.根据权利要求1所述的方法，其特征在于，所述根据多模态的疼痛标记物集合，并结合预先训练的平行回归模型生成多种疼痛等级的概率值，包括：采用结合监督学习和无监督学习的方法，并结合预设条件对多模态的疼痛标记物集合进行特征筛选，生成特征子集；对所述特征子集进行标准归一化处理，生成标准化特征；对所述标准化特征进行数据降维处理，以提取出所述标准化特征中预设维度的特征向量，得到目标特征向量；根据所述目标特征向量，并结合预先训练的平行回归模型生成多种疼痛等级的概率值。5.根据权利要求4所述的方法，其特征在于，所述根据所述目标特征向量，并结合预先训练的平行回归模型生成多种疼痛等级的概率值，包括：将目标特征向量输入预先训练的平行回归模型中，输出所述目标特征向量对应的多种
疼痛等级的概率值；其中，所述预先训练的平行回归模型为对于序数变量的广义线性模型；其中，所述预先训练的平行回归模型可表示为：假设i代表因变量的第i个分类，X为目标特征向量，X
j
为目标特征向量中第j特征向量,J为参数总量；模型可以表示为：公式中logit[]为模型，P()为求概率运算，x为目标特征向量，X
i
为目...

【专利技术属性】
技术研发人员：朱红毅，季新伟，张智慧，
申请(专利权)人：爱普科学仪器江苏有限公司，
类型：发明
国别省市：