一种基于机器学习的急危重症辅助评估系统技术方案

本发明专利技术涉及医疗信息分析领域，具体公开了一种基于机器学习的急危重症辅助评估系统，包括显示模块以及与显示模块通讯连接的数据采集模块、数据预处理模块、特征提取模块、支持向量机模型训练评估模块以及数据分析模块；本发明专利技术解决了传统的心肌梗死临床监测参数的处理和评估主要依赖于医生的临床经验，存在一定的主观性和不确定性的问题；通过收集大量的心肌梗死患者的临床数据，使用机器学习算法训练模型，对患者的心电图特征以及生理特征进行评估，帮助分析心肌梗死患者的临床数据。帮助分析心肌梗死患者的临床数据。帮助分析心肌梗死患者的临床数据。

【技术实现步骤摘要】
一种基于机器学习的急危重症辅助评估系统


[0001]本专利技术涉及医疗信息分析领域，更具体地说，本专利技术涉及一种基于机器学习的急危重症辅助评估系统。

技术介绍

[0002]急危重症是指生命威胁严重、需要紧急救治的疾病，例如心肺骤停、心肌梗死、中风、严重创伤以及中毒等等，心肌梗死作为一种常见的危急重症，也被称为冠心病急性心肌梗死，它是由于冠状动脉阻塞导致心肌缺血坏死引起的，心肌梗死的症状因人而异，但是常见的症状有压迫性、紧缩性或重压感的胸痛，通常持续数分钟至数小时，也有持续数天的，胸痛向左臂、颈部、下巴、背部和腹部等部位放射，还会出现恶心、呕吐、出汗和呼吸急促等伴随症状。心肌梗死患者的病情严重程度和早期的病情评估密切相关，传统的心肌梗死临床监测参数的处理和评估主要依赖于医生的临床经验，存在一定的主观性和不确定性，临床检查数据中影响因素较多，单一针对单个因素进行分析和评估科学性较差，大量的临床数据查找和评估起来效率不高。为了解决上述问题，现提供一种技术方案。

技术实现思路

[0003]为了克服现有技术的上述缺陷，本专利技术的实施例提供一种基于机器学习的急危重症辅助评估系统，是通过收集大量的心肌梗死患者的临床数据，使用机器学习算法训练模型，提取出心肌梗死患者心电图中的时域特征、频域特征以及时频域特征，同时获取患者的生理特征，对患者的心电图特征以及生理特征进行评估，帮助分析心肌梗死患者的临床数据，使得分析的结果客观性和准确度提高，同时提升数据查找和评估的效率，实现多因素的综合评估及分类，并根据分类情况获取心肌梗死患者的临床数据评估结果，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于机器学习的急危重症辅助评估系统，包括显示模块以及与显示模块通讯连接的数据采集模块、数据预处理模块、特征提取模块、支持向量机模型训练评估模块以及数据分析模块，数据分析模块通过支持向量机模型训练评估模块获取的患者生理特征评估指标以及心电图特征评估指标进行综合分析，利用心电图特征评估指标与生理特征评估指标的乘积作为综合评估指标，综合评估指标的公式为：；式中：为综合评估指标，为患者的生理特征评估指标，为患者的心电图特征评估指标。
[0005]根据每个患者存在心肌梗死的心电图特征的同时，根据患者的生理特征对患者的心电图特征评估情况进行分析和修正，保证综合评估指标与患者自身生理特征形成的个性化表示，提高综合评估指标的可靠性。
[0006]作为本专利技术进一步的方案，数据采集模块用于从患者的电子病历信息中获取患者
的心电图信息和生理特征信息；数据预处理模块用于对数据采集模块采集的数据进行数据预处理，并将预处理后的数据按照5:4:1的比例将原始数据分成训练集、测试集和验证集。
[0007]作为本专利技术进一步的方案，特征提取模块用于从数据预处理模块获取的原始数据中提取患者心电图信息和生理特征信息中的时域特征、频域特征、时频域特征以及生理特征。
[0008]对心电图信息中的数据进行分析和计算，选取时域特征、频域特征以及时域特征中能够反映心脏功能的特征参数进行评估。
[0009]作为本专利技术进一步的方案，时域特征包括平均心率、R
‑
R间期标准差、P波和ORS波群持续时间、ST段抬高值以及ST段压低值；频域特征包括心电功率谱密度、心率变异性频谱功率谱密度以及心电波谷比；时频域特征包括短时傅里叶变换信号能量、短时傅里叶变换功率谱密度和近似熵；生理特征包括年龄、白细胞计数、血氧饱和度以及血氧分压。
[0010]心肌梗死监测数据的综合评估指标为生理特征评估指标和心电图特征评估指标乘积，相同的心电图特征评估指标在不同的生理特征评估指标的修正下能够获取不同的综合评估指标，生理特征评估指标与其影响因素之间的变化规律存在以下情况：在白细胞计数、血氧饱和度以及血氧分压相同时，生理特征评估指标随着患者的年龄增大而增大；在患者年龄、血氧饱和度以及血氧分压相同时，生理特征评估指标随着白细胞计数的增大而减小；在患者年龄、白细胞计数以及血氧分压相同时，生理特征评估指标随着血氧饱和度的增大而减小；在患者年龄、白细胞计数以及血氧饱和度相同时，生理特征评估指标随着血氧分压的增大而减小。
[0011]综上所述，患者的生理特征评估指标与患者的年龄正相关，与白细胞计数负相关，与血氧饱和度负相关，与血氧分压负相关。
[0012]优选的，生理特征评估指标的公式为：；式中：为患者的年龄，为患者的白细胞计数，为患者的血氧饱和度，为患者的血氧分压。
[0013]心肌梗死监测数据的综合评估指标为生理特征评估指标和心电图特征评估指标乘积，相同的生理特征评估指标在不同的获取时能够获取不同的综合评估指标，心电图特征评估指标与其影响因素之间的变化规律存在以下情况：在心电图信息中获取的时域特征值和频域特征值相同时，心电图特征评估指标随着时频域特征值的增大而变小，心电图特征评估指标随着时频域特征值的减小而增大；在心电图信息中获取的时频域相同时，心电图特征评估指标随着时域特征值和频域特征值的乘积增大而增大，心电图特征评估指标随着时域特征值和频域特征值的乘积减小而减小。
[0014]综上所述，患者的心电图特征评估指标与心电图信息的时域特征值和频域特征值乘积正相关，与时频域特征值负相关。
[0015]优选的，心电图特征评估指标的公式为：；式中：为心电图信息的时域特征值，为心电图信息的频域特征值，为心电图信息的时频域特征。
[0016]在时域特征值的影响因素中，当R
‑
R间期标准差、P波和ORS波持续时间、ST段抬高值以及ST段压低值的均值均相同时，时域特征值随着平均心率的增大而增大，时域特征值随着平均心率的减小而减小；当平均心率、P波和ORS波持续时间、ST段抬高值以及ST段压低值的均值均相同时，时域特征值随着R
‑
R间期标准差的增大而增大，时域特征值随着R
‑
R间期标准差的减小而减小；当平均心率、P波和ORS波持续时间、ST段抬高值以及ST段压低值均相同时，时域特征值随着P波和ORS波持续时间的增大而增大，时域特征值随着P波和ORS波持续时间的减小而减小；当平均心率、R
‑
R间期标准差、P波和ORS波持续时间均相同时，时域特征值随着ST段抬高值以及ST段压低值的增大而增大，时域特征值随着ST段抬高值以及ST段压低值的减小而减小。
[0017]综上所述，时域特征值与平均心率正相关，与R
‑
R间期标准差正相关，与P波和ORS波持续时间正相关，与ST段抬高值以及ST段压低值的均值正相关。
[0018]优选的，时域特征值的公式为：；式中：为患者的平均心率，为患者的R
‑
R间期标准差，为患者的P波和ORS波持续时间，为ST段抬高值以及ST段压低值的均值。
[0019]频域特征值考虑心电图信息在频域上的特征，频域特征值与其影响因素存在以下情况：在心率变异性频谱功率谱密度、心电波本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的急危重症辅助评估系统，包括显示模块以及与显示模块通讯连接的数据采集模块、数据预处理模块、特征提取模块、支持向量机模型训练评估模块以及数据分析模块，其特征在于，数据分析模块通过支持向量机模型训练评估模块获取的患者生理特征评估指标以及心电图特征评估指标进行综合分析，利用心电图特征评估指标与生理特征评估指标的乘积作为综合评估指标，综合评估指标的公式为：；式中：为综合评估指标，为患者的生理特征评估指标，为患者的心电图特征评估指标；患者的生理特征评估指标与患者的年龄正相关，与白细胞计数负相关，与血氧饱和度负相关，与血氧分压负相关，生理特征评估指标的公式为：；式中：为患者的年龄，为患者的白细胞计数，为患者的血氧饱和度，为患者的血氧分压；患者的心电图特征评估指标与心电图信息的时域特征值和频域特征值乘积正相关，与时频域特征值负相关，心电图特征评估指标的公式为：；式中：为心电图信息的时域特征值，为心电图信息的频域特征值，为心电图信息的时频域特征。2.根据权利要求1所述的一种基于机器学习的急危重症辅助评估系统，其特征在于，数据采集模块用于从患者的电子病历信息中获取患者的心电图信息和生理特征信息；数据预处理模块用于对数据采集模块采集的数据进行数据预处理，并将预处理后的数据按照5:4:1的比例将原始数据分成训练集、测试集和验证集。3.根据权利要求1所述的一种基于机器学习的急危重症辅助评估系统，其特征在于，特征提取模块用于从数据预处理模块获取的原始数据中提取患者心电图信息和生理特征信息中的时域特征、频域特征、时频域特征以及生理特征。4.根据权利要求3所述的一种基于机器学习的急危重症辅助评估系统，其特征在于，时域特征包括平均心率、R
...

【专利技术属性】
技术研发人员：刘静，
申请(专利权)人：淄博市中心医院，
类型：发明
国别省市：