一种基于可穿戴设备的心脏骤停分级响应预警方法和系统技术方案

本发明专利技术属于医疗检测特定计算模型的技术领域，公开了一种基于可穿戴设备的心脏骤停分级响应预警方法和系统，包括：数据获取步骤：可穿戴智能医疗设备检测并实时获取被检测人员身体健康指标数据及位置信息；数据处理步骤：对身体健康指标数据预处理得到各模态的数据；构建多模态集成核嵌入网络，对每一种模态的数据进行深度嵌入表示后进行加权融合；分析评级步骤：将生成的多模态集成核嵌入加权矩阵输入到构建的分析评级模型中并输出心脏危险等级；响应示警步骤：根据不同的心脏危险等级做出不同的响应。本发明专利技术解决了当心脏疾病患者身体健康指数异于常值时及时提醒并分级响应，为病患提供有效的救治指导，显著提高救治效率。显著提高救治效率。显著提高救治效率。

【技术实现步骤摘要】
一种基于可穿戴设备的心脏骤停分级响应预警方法和系统


[0001]本专利技术涉及医疗检测特定计算模型领域，更具体地，涉及一种基于可穿戴设备的心脏骤停分级响应预警方法和系统。

技术介绍

[0002]在急救医疗场景中，救护车往往因为120急救调度中心、道路情况、患者情况反馈等信息的延时而耗费时间在急救出车的路上，而对于因心脏问题而突发昏迷的病人，时间就是生命，因为心脏骤停的严重后果以秒计算，患者心脏骤停10
‑
20秒意识障碍，突然倒地，15秒抽搐，30秒呼吸停止，1
‑
2分钟瞳孔固定，4分钟糖无氧代谢停止，5分钟脑内ATP枯竭，能量代谢完全停止，6分钟神经元不可逆损伤，所以现场需要对病患进行及时的应急救治措施以及体征信息检测，这些操作首先对急救反应有着较高的要求，其次近年来对疾病的预测，早发现，早反应的需求也越来越明显。
[0003]心脏骤停是指在没有任何预兆的情况下，心脏收缩功能突然停止，从而造成心、脑、肾等器官的缺血、缺氧，最终导致生命终止。
[0004]心脏骤停发病可以分为四个时期：前驱期、发病期、心脏停搏期和死亡期。
[0005]前驱期是指许多病人在发生心脏骤停前有数天或数周，甚至数月的前驱症状，如心绞痛、气急或心悸的加重，易于疲劳及其他非特异性的主诉。这些前驱症状并非心源性猝死所特有，而常见于任何心脏病发作之前。有资料显示50%的心源性猝死者在猝死前一月内曾求诊过，但其主诉常不一定与心脏有关。在医院外发生心脏骤停的存活者中，28%在心脏骤停前有心绞痛或气急的加重。但前驱症状仅提示有发生心血管病的危险，而不能识别那些发生心源性猝死的亚群。所以通过前驱期预防心脏骤停的实际工作量大，却效果甚微。
[0006]发病期亦即导致心脏骤停前的急性心血管改变时期，通常不超过1小时。典型表现包括：长时间的心绞痛或急性心肌梗死的胸痛，急性呼吸困难，突然心悸，持续心动过速，头晕目眩等。若心脏骤停瞬间发生，事前无预兆警告，则95%为心源性，并有冠状动脉病变。从心脏猝死者所获得的连续心电图记录中可见在猝死前数小时或数分钟内常有心电活动的改变，其中以心率增快和室性早搏的恶化升级为最常见。猝死于心室颤动者，常先有一阵持续的或非持续的室性心动过速。这些以心律失常发病的患者，在发病前大多清醒并在日常活动中，发病期（自发病到心脏骤停）短。心电图异常大多为心室颤动。另有部分病人以循环衰竭发病，在心脏骤停前已处于不活动状态，甚至已昏迷，其发病期长。
[0007]意识完全丧失为心脏停搏期的特征，如不立即抢救，一般在数分钟内进入死亡期。罕有自发逆转者。及早的普及实时检测易于发展成心脏骤停的患者、老人等人群特定身体指标并反馈，当指标异于常值时发出提醒，严重偏离常值时发出警报，具有十分重要的实际意义。

技术实现思路

[0008]本专利技术旨在克服上述现有技术的至少一种缺陷，提供一种基于可穿戴设备的心脏
骤停分级响应预警方法和系统，用于解决为病患第一时间提供合理有效的救治预测，显著提高救治效率，减轻医疗服务压力的问题。针对上述问题，本专利技术提出了一种基于可穿戴设备的心脏骤停患者的分级响应预警方法与系统，通过医疗检测设备对特定人群进行身体指标检测分析，实时反馈检测数据，当其异于常值时主动提醒并分级响应预警，为病患第一时间提供合理有效的救治预测，显著提高救治效率，减轻医疗服务压力。
[0009]本专利技术采取的技术方案包括：一种基于可穿戴设备的心脏骤停分级响应预警方法，包括：S1、数据获取步骤：可穿戴智能医疗设备检测并实时获取被检测人员与心脏相关的身体健康指标数据以及被检测人的位置信息，形成训练数据库。
[0010]所述数据获取步骤包括：S11、招募临床上确定为四种不同程度的心脏骤停患者若干，由急诊科医生依据心脏骤停患者的患病程度对患者发病记录的数据进行心脏危险评级：Ⅰ，Ⅱ，Ⅲ，Ⅳ；确保每种等级的患者数量大致相同，将人工评级作为心脏危险等级的样本标签。
[0011]S12、利用可穿戴智能医疗设备进行多模态生理客观指标数据的连续采集；可穿戴智能医疗设备实时检测并获取被检测人员的身体健康指标，包括被检测人员的脉搏、血压、血氧、呼吸、心率、心电、体温、步频；通过结合步骤S11中的样本标签形成训练数据库，经预处理作为构建的多模态集成核嵌入网络的输入。
[0012]S2、数据处理步骤：首先对脉搏、血压、血氧、呼吸、心率、心电、体温、步频身体生理信号使用不同类型滤波器消除噪声并进行归一化得到各模态数据归一化矩阵，构建多模态集成核嵌入网络，对每一种模态的数据进行深度嵌入表示，使用对应带宽的高斯核，对每一种模态构建核矩阵，得到每一种模态的原始核矩阵，通过集成Nystr
ö
m方法对得到的原始数据的核矩阵进行低秩近似以及通过矩阵分解形成集成密集嵌入来解决核方法带来的稀疏性和高维性问题，最终得到多模态集成核嵌入加权矩阵。
[0013]首先，对身体生理信号使用不同类型滤波器消除噪声并进行归一化处理得到各模态数据归一化矩阵；构建多模态集成核嵌入网络，对每一种模态的数据进行深度嵌入表示，最终得到多模态集成核嵌入加权矩阵。
[0014]S21、对可穿戴智能医疗设备采集的各身体健康指标进行预处理，然后进行归一化为矩阵作为特征提取模型的输入。
[0015]将预处理和归一化后的脉搏、血压、血氧、体温、呼吸、心率、心电、步频数据Xm，m=1、2、
…
、8；分别求出其均值μ
m
和标准差σ
m
，利用Z
‑
Score标准化：；对各指标数据进行处理得到各模态数据归一化矩阵。
[0016]S22、构建多模态集成核嵌入网络，对每一种模态的数据进行深度嵌入表示，使用不同带宽σ的高斯核，对每一种模态构建核矩阵。
[0017]S23、通过集成Nystr
ö
m方法对S22得到的每一种模态数据的原始核矩阵进行低秩近似，减少数据量过大导致的核矩阵后期计算复杂度，得到每一种模态数据集成核嵌入加权矩阵。
[0018]S24、通过矩阵分解形成集成密集嵌入解决核方法带来的稀疏性和高维性问题。
[0019]S3、分析评级步骤：将生成的多模态集成核嵌入加权矩阵输入到构建的ConvLSTM分析评级模型中对分析评级模型进行训练，不断迭代，将除训练样本余下的患者作为测试集，对生成的模型进行测试，保存最优模型；智能健康数据平台通过部署的最优模型接收可穿戴智能医疗设备获取的待检测人员与身体健康多模态指标数据并输出心脏危险等级。
[0020]将处理得到的多模态集成核嵌入加权矩阵输入到构建的ConvLSTM分析评级模型中的ConvLSTM网络进行特征提取得到多模态指标的深层时空特征对心脏骤停进行分析评级，输出心脏危险等级。
[0021]所述ConvLSTM网络的基本结构包括：输入门Input gate、遗忘门Forget gate、输出门Output gate、记忆单元；所述输入门Input本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可穿戴设备的心脏骤停分级响应预警方法，其特征在于，包括：数据获取步骤：可穿戴智能医疗设备检测并实时获取被检测人员与心脏相关的身体健康指标数据以及被检测人的位置信息，形成训练数据库；数据处理步骤：对身体健康指标数据使用不同类型滤波器消除噪声并进行归一化处理得到各模态的数据；构建多模态集成核嵌入网络，对每一种模态的数据进行深度嵌入表示后进行加权融合，最终得到多模态集成核嵌入加权矩阵；分析评级步骤：将生成的多模态集成核嵌入加权矩阵输入到构建的ConvLSTM分析评级模型中并输出心脏危险等级；响应示警步骤：根据不同的心脏危险等级做出不同的应急响应处理。2.根据权利要求1所述的一种基于可穿戴设备的心脏骤停分级响应预警方法，其特征在于，所述数据获取步骤还包括：招募临床上确定为四种不同程度的心脏骤停患者，经人工评级将心脏危险评为：Ⅰ级，Ⅱ级，Ⅲ级，Ⅳ级；设定差值范围，所述每种等级的患者数量相差不大于所设差值范围。3.根据权利要求1所述的一种基于可穿戴设备的心脏骤停分级响应预警方法，其特征在于，所述数据处理步骤具体包括：将消除噪声后的身体健康指标数据分别求出其均值和标准差，利用Z
‑
Score标准化对各身体健康指标数据进行归一化得到各模态的归一化矩阵；使用对应带宽的高斯核函数，对每一种模态构建核矩阵，以计算每一个样本在高维空间的内积，并得到多个模态数据的原始核矩阵；通过集成Nystr
ö
m方法对每一种模态的数据的原始核矩阵进行低秩近似；通过矩阵分解形成集成密集嵌入，并进行加权融合，最终得到多模态集成核嵌入加权矩阵。4.根据权利要求3所述的一种基于可穿戴设备的心脏骤停分级响应预警方法，其特征在于，所述消除噪声具体包括：对于脉搏信号，采用经验模态分解处理；对于血压信号，采用血压动脉收缩压变异性的谱分析数据；对于血氧信号，通过小波变换提取血氧饱和度的特征参数，最大值和最小值作为心脏骤停智能分类的特征数据；对于呼吸信号，采用巴特沃斯带通滤波器滤除干扰；对于心电信号，采用巴特沃斯滤波器消除工频干扰和基线漂移并采用希尔伯特变换算法提取心电信号的QRS波群以及R波、P波和T波峰值数据；对于心率信号，提取心率变异性的数据，心率变异性的频谱划分范围0~0.04Hz，对心率变异时间序列进行重采样，通过小波变换去除信号中的高频噪声，再通过小波变换的多分辨率特性将心率信号分解为不同频段的信号，通过设置阈值去除心率信号中的噪声，再通过逆变换得到去除干扰后的信号；对于体温数据，去除体温中的异常值，采样体温升高前后5s的数据，对分割片段的数据进行Z
‑
Score标准化，将标准化的温升数据的每一帧转化为灰度图；对于步频数据，通过获取被测试人员的每一步的长度，时间以及加速度特征。5.根据权利要求1所述的一种基于可穿戴设备的心脏骤停分级响应预警方法，其特征
在于，所述ConvLSTM分析评级模型中的ConvLSTM网络的基本结构包括输入门Input gate、遗忘门Forget gate、输出门Output gate、记忆单元；所述输入门Inputgate：；所述遗忘门Forgetgate：；所述输出门Outputgate：；所述记忆单元状态更新：；输出：；在每个LSTM单元中，χ
t
为LSTM特征提取网络在t时刻输入的由数据处理步骤得到的多模态集成核嵌入加权矩阵；σ为Sigmoid激活函数；w
xi
，w
hi
，W
ci
和b
i
分别表示输入门的权重矩阵和偏差；w

【专利技术属性】
技术研发人员：刘治，陶可猛，王聪聪，郭浩，曹艳坤，崔笑笑，孙保林，刘得成，胡喜风，马佳霖，李一然，隋金雁，张继洲，
申请(专利权)人：山东大学，
类型：发明
国别省市：