使用连续生理信号预测六分钟步行试验过程中的不良事件的方法及其装置制造方法及图纸

本申请提出一种使用连续生理信号预测六分钟步行试验过程中的不良事件的方法及其装置，其利用可穿戴设备监测受试者在六分钟步行试验期间的连续生理参数，并自该连续生理参数提取相应特征作为机器学习模型的输入，以判断不良事件发生的概率，使得不良事件的发生的预测基于多种参数或特征，且不依赖医护人员的主观判断或经验，为患者提供了更多的安全性。为患者提供了更多的安全性。为患者提供了更多的安全性。

【技术实现步骤摘要】
使用连续生理信号预测六分钟步行试验过程中的不良事件的方法及其装置


[0001]本申请涉及机器学习，尤其涉及使用连续生理信号预测六分钟步行试验过程中的不良事件的方法及其装置。

技术介绍

[0002]六分钟步行试验(6MWT)是一种次极限的、简单的、低成本的、行之有效的运动测试，用于获取中度至重度心肺疾病患者的功能能力(American Thoracic Society,2002,Solway et al.,2001)。六分钟步行距离(6MWD)是临床试验的关键观察指标之一，并可以作为心肺疾病患者诊断、预后和生存的预测指标，如慢性阻塞性肺疾病(COPD)(Meena et al.,2020,Dajczman et al.,2015,Casanova et al.,2008)、间质性肺疾病(Brown and Nathan,2018)、肺动脉高压(Gadre et al.,2017,Farber et al.,2015)和肺移植(Castleberry et al.,2017)。
[0003]尽管6MWT已被作为心肺功能评估标准程序的一部分，并被认为对大多数病人是安全的，但是，鉴于呼吸系统疾病的复杂性和疾病的严重性，6MWT期间的不良事件仍有潜在的危险性，应引起关注。一些研究关注了6MWT期间的不良事件。
[0004]Jenkins and Cecins(2011)建议修改美国胸科协会(ATS)6MWT指南，在6MWT期间连续监测SpO2，因为氧饱和度可能会增加发生心脏或其他并发症的可能性。3.9％的急性心肌梗死(AMI)患者发生心绞痛、血压下降或室性心动过速(Diniz et al.,2017)。Roberts等人(2015)报告说，与没有发生不良事件的病人相比，发生不良事件的病人的生活质量和情绪评分较低。严重的不良事件可能导致住院患者死亡等危及生命的事件发生，或延长现有的住院时间(Morris et al.,2015)。因此，能够简单、快速地预测不良事件尤为重要。
[0005]然而，传统上，不良事件的发生主要是通过医务人员对病人表现的观察和病人的主诉来判断的。即使是在6MWT期间监测血氧饱和度，ATS指南(2002)和一些研究(Douwes et al.,2016,Roberts et al.,2015)也只是间断性地使用血氧仪进行测量。这种主观的判断和短暂的生理参数数据监测对快速识别不良事件的帮助不大。生理参数的变化可以反映人体状态的变化，甚至在不良事件发生前几个小时(Yilmaz et sl.，2020，Leenen et al.，2020，Brekke et al.，2019)。Rodr
í
guez(2017)报道称，6MWT后1分钟心率恢复(HRR1)是COPD急性加重(AECOPD)的独立预测因素。Morita et al.(2018)报道，HRR1可能反映患者的运动能力、生活方式和功能状态。Mazzuco et al.(2017)报告称，心率变异性(HRV)可用于COPD的功能评估。
[0006]可穿戴式生理参数监测系统的出现为6MWT过程中生理参数的连续、无创动态监测提供了技术手段。

技术实现思路

[0007]为了减少患者在6MWT期间的风险，并提醒临床医生注意高危人群，本研究旨在通
过可穿戴设备监测的连续动态生理参数预测6MWT期间不良事件的发生。
[0008]本申请的使用连续生理信号预测六分钟步行试验过程中的不良事件的方法，其包括：机器学习模型；所述机器学习模型为经过训练的模型，其通过自受试者的连续生理信号获得的输入特征计算，预测六分钟步行试验过程中的不良事件的发生概率；所述不良事件包括：呼吸困难、心悸、头晕、胸痛或胸闷、疲劳和低血氧。
[0009]优选地，所述机器学习模型选自：LightGBM、Logistic Regression、SVC linear、SVC poly、XGBoost、Random forest、SVC rbf。
[0010]优选地，所述机器学习模型为LightGBM，该机器学习模型的输入特征包括：
[0011]Spo2一分钟血氧下降值(SpO2_decrease1)、信号向量幅度(SVM)、SpO2一分钟的均值(SpO2 mean)、心率斜率(HR intercept)、6MWT开始后一分钟内心率最大值(HR peak)、SpO2下降面积(SpO2 DA)、6MWT前两分钟静息阶段的呼吸率(RR rest)、6MWT前两分钟静息阶段的心率(HR rest)、6MWT前两分钟静息阶段的高频功率(HF)、6MWT开始后一分钟内最低心率(HR min)、6MWT前两分钟静息阶段逐心搏的标准差(HR rest std)、正常R峰之间间隔的中值(NNI median)、6MWT开始后一分钟内心率增长值(HR increase 1)、6MWT前两分钟静息阶段的总功率(Total power)、6MWT前两分钟静息阶段的心脏迷走神经指数(CVI)、正常R峰之间间隔的均值(NNI mean)。
[0012]优选地，所述输入特征的重要性由高到低的次序为：Spo2一分钟血氧下降值(SpO2_decrease1)、信号向量幅度(SVM)、SpO2一分钟的均值(SpO2mean)、心率斜率(HR intercept)、6MWT开始后一分钟内心率最大值(HR peak)、SpO2下降面积(SpO2 DA)、6MWT前两分钟静息阶段的呼吸率(RR rest)、6MWT前两分钟静息阶段的心率(HR rest)、6MWT前两分钟静息阶段的高频功率(HF)、6MWT开始后一分钟内最低心率(HR min)、6MWT前两分钟静息阶段逐心搏的标准差(HR rest std)、正常R峰之间间隔的中值(NNI median)、6MWT开始后一分钟内心率增长值(HR increase 1)、6MWT前两分钟静息阶段的总功率(Total power)、6MWT前两分钟静息阶段的心脏迷走神经指数(CVI)、正常R峰之间间隔的均值(NNI mean)。
[0013]本申请的使用连续生理信号预测六分钟步行试验过程中的不良事件的装置，其包括计算单元，所述计算单元执行上述所述的方法来预测六分钟步行试验过程中的不良事件。
[0014]优选地，所述连续生理信号通过穿戴式生理采集设备获得。
[0015]优选地，所述生理采集设备为柔性背心；所述柔性背心包括心电电极，用于采集受试者的心电信号；所述柔性背心包括两个弹性带，分别设置在受试者的胸部和腹部，使用呼吸诱导体积描记技术记录胸部和腹部的呼吸运动；所述柔性背心上还设置有三轴加速度传感器。
[0016]优选地，所述计算单元为PAD；
[0017]所述柔性背心包括数据盒；心电电极、弹性带、三轴加速度传感器的测量信号送至数据盒，由数据盒发送至PAD。
[0018]优选地，所述柔性背心的数据盒通过蓝牙连接有血氧仪和血压计，血氧仪和血压计的测量数据通过数据盒发送至PAD。...

【技术保护点】

【技术特征摘要】
1.一种使用连续生理信号预测六分钟步行试验过程中的不良事件的方法，其包括：机器学习模型；所述机器学习模型为经过训练的模型，其通过自受试者的连续生理信号获得的输入特征计算，预测六分钟步行试验过程中的不良事件的发生概率；所述不良事件包括：呼吸困难、心悸、头晕、胸痛或胸闷、疲劳和低血氧。2.根据权利要求1所述的方法，其特征在于：所述机器学习模型选自：LightGBM、Logistic Regression、SVClinear、SVC poly、XGBoost、Random forest、SVC rbf。3.根据权利要求1所述的方法，其特征在于：所述机器学习模型为LightGBM，该机器学习模型的输入特征包括：Spo2一分钟血氧下降值(SpO2_decrease1)、信号向量幅度(SVM)、SpO2一分钟的均值(SpO2 mean)、心率斜率(HR intercept)、6MWT开始后一分钟内心率最大值(HR peak)、SpO2下降面积(SpO2 DA)、6MWT前两分钟静息阶段的呼吸率(RR rest)、6MWT前两分钟静息阶段的心率(HR rest)、6MWT前两分钟静息阶段的高频功率(HF)、6MWT开始后一分钟内最低心率(HR min)、6MWT前两分钟静息阶段逐心搏的标准差(HR rest std)、正常R峰之间间隔的中值(NNImedian)、6MWT开始后一分钟内心率增长值(HR increase 1)、6MWT前两分钟静息阶段的总功率(Totalpower)、6MWT前两分钟静息阶段的心脏迷走神经指数(CVI)、正常R峰之间间隔的均值(NNI mean)。4.根据权利要求3所述的方法，其特征在于：所述输入特征的重要性由高到低的次序为：Spo2一分钟血氧下降值(SpO2_decrease1)、信号向量幅度(SVM)、SpO2一分钟的均值(SpO2mean)、心率斜率(HRintercept)、6...

【专利技术属性】
技术研发人员：李丽轩，张政波，王佳晨，藏雅宁，范勇，
申请(专利权)人：中国人民解放军总医院，
类型：发明
国别省市：