一种脑卒中风险预测方法和系统技术方案

本申请涉及一种脑卒中风险预测方法和系统。系统包括：信息收集模块，用于获取脑卒中高危人群的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据；信息处理分析模块，用于对信息收集模块的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据进行特征提取和分析；脑卒中风险预测模块，用于根据信息处理分析模块得到的特征进行脑卒中风险预测；交互模块，用于显示脑卒中风险预测模块预测出的脑卒中风险等级，根据脑卒中风险预测结果的变化情况，经医生调整确认后，及时告知用户。及时告知用户。及时告知用户。

【技术实现步骤摘要】
一种脑卒中风险预测方法和系统


[0001]本专利技术涉及健康管理领域，特别涉及一种脑卒中风险预测方法和系统。

技术介绍

[0002]脑卒中具有高发病率、高致残率、高死亡率、高复发率、高经济负担五大特点，给家庭和社会造成了巨大负担。现阶段，主要是通过对临床生化数据指标、影像学等信息进行计算和分析，进行脑卒中早期风险预测，但是基于生化和影像学的脑卒中风险预测需要到医疗机构进行专业检查，依赖大型的临床医疗设备，实际推广应用存在一定的局限性，并未能高效、简便、及时的对脑卒中风险进行预测。
[0003]为此，本专利技术研究设计脑卒中风险预测方法及系统，能够较为方便、准确的对脑卒中的风险进行预测，及早发现，在健康管理领域具有非常广泛的应用前景。

技术实现思路

[0004]为实现本专利技术之目的，采用以下技术方案予以实现：
[0005]本专利技术的一个方面提供了一种脑卒中风险预测方法，包括以下步骤：
[0006]获取脑卒中高危人群的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据；
[0007]对所述脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据进行特征提取和分析；
[0008]根据分析得到的特征进行脑卒中风险预测，
[0009]其中，对静息态下的血压和脑氧数据进行耦合计算，以得到用户的脑血流调节数据指数，对静息态下的脉搏波和脑氧数据通过功率谱计算方法，以得到用户的脑血流压力数据指数，对采集的脉搏波数据和皮肤电数据通过提取两个信号的时域和频域特征，建立脉搏
‑
皮电的情绪数据指数，并且对采集的睡眠体动次数和深睡时间、心率和呼吸的数据计算得出睡眠质量指数。
[0010]在一个有利实施例中，根据以下公式计算所述脑血流调节数据指数：
[0011][0012]其中D
np
为脑血流调节数据指数，BR
LC
为用户的血压数据与左侧脑区脑氧数据的耦合值，BR
RC
为用户的血压数据与右侧脑区脑氧数据的耦合值，λ为校正系数。
[0013]优选地，所述血压数据与左侧脑区脑氧数据的耦合值BR
LC
以及所述血压数据与右侧脑区脑氧数据的耦合值BR
RC
分别计算如下：
[0014][0015]其中，N为左侧脑区的通道数量，BR
i
(w)为血压连续时间序列与左侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NR
Li
(w)为左侧脑区中通道i
的脑氧信号的自功率谱；
[0016][0017]其中，M为右侧脑区的通道数量，BR
j
(w)为血压连续时间序列与右侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NR
Lj
(w)为右侧脑区中通道j的脑氧信号的自功率谱。
[0018]在另一个有利实施例中，对静息态下的脉搏波和脑氧数据通过功率谱计算方法，得到用户的脑血流压力数据指数：
[0019][0020]其中，MR
bp
为脑血流压力数据指数，即不同通道的脑血氧信号与脉搏波的耦合强度，N+M为用户左右两侧脑区的脑氧通道数量，MR
i
(w)为脉搏波时间序列与不同通道的脑氧信号的功率谱，Pu(w)为脉搏波时间序列的自功率谱，NR
i
(w)为通道i的脑氧信号的自功率谱。
[0021]在又一个有利实施例中，如下提取脉搏波信号的时域和频域特征，以建立脉搏
‑
皮电的情绪数据指数：
[0022]通过长短时记忆网络对脉搏波信号进行时频域特征提取，输出脉搏波特征向量Pu
LSTM
：
[0023]Pu
LSTM
＝σ(W
LSTM1
*Pu+B
LSTM1
)+tanh(W
LSTM2
*Pu+B
LSTM2
)
[0024]其中,σ为激活函数，W
LSTM1
、W
LSTM2
为长短时记忆网络输入门和遗忘门的权重，B
LSTM1
、B
LSTM2
为长短时记忆网络输入门和遗忘门的偏置，Pu为输入的脉搏波信号。
[0025]优选地，如下提取皮肤电信号的时域和频域特征，以输出皮肤电特征向量GSR
LSTM
：
[0026]GSR
LSTM
＝σ(W
LSTM3
*GSR+B
LSTM3
)+tanh(W
LSTM4
*GSR+B
LSTM4
)
[0027]其中,σ为激活函数，W
LSTM3
、W
LSTM4
为长短时记忆网络输入门和遗忘门的权重，B
LSTM3
、B
LSTM4
为长短时记忆网络输入门和遗忘门的偏置，GSR为输入的皮肤电信号。
[0028]进一步优选地，基于多粒度双向注意力机制对脉搏波特征向量和皮肤电特征向量进行特征融合，
[0029]其中，脉搏波特征向量多粒度双向注意力机制的权重公式为：
[0030][0031]其中w
Puj
为脉搏波特征向量第j个特征的权重值，ρ
j
为脉搏波特征向量第j个特征的波动值，Pu
LSTMj
为脉搏波特征向量的第j个特征，n为脉搏波特征向量的第n个特征；
[0032]其中，皮肤电特征向量多粒度双向注意力机制的权重公式为：
[0033][0034]其中w
GSRj
为皮肤电特征向量第j个特征的权重值，为皮肤电特征向量第j个特征的波动值，GSR
LSTMj
为皮肤电特征向量的第j个特征，n为皮肤电特征向量的第n个特征，
[0035]将以上的各个特征进行耦合，融合后的特征向量为：
[0036]PuGSR
LSTM
＝[w
Pu1
Pu
LSTM1
,...w
Puj
Pu
LSTMj
,...w
GSR1
GSR
LSTM1
,...w
GSRn
GSR
LSTMn
]。
[0037]有利地，将融合后的特征向量PuGSR
LSTM
输入到softmax分类器中进行情感识别，
[0038]E＝softmax(W
k
*PuGSR
LSTM
+B
k
)
[0039]其中，E为情绪分类结果，W
k
、B
k
是分类器softmax的参数，
[0040]统计一天中用户消极情绪的次数所占的比重作为情绪本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑卒中风险预测方法，其特征在于，包括以下步骤：获取脑卒中高危人群的脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据；对所述脑氧数据、血压数据、脉搏波数据、皮肤电数据以及睡眠数据进行特征提取和分析；根据分析得到的特征进行脑卒中风险预测，其中，对静息态下的血压和脑氧数据进行耦合计算，以得到用户的脑血流调节数据指数，对静息态下的脉搏波和脑氧数据通过功率谱计算方法，以得到用户的脑血流压力数据指数，对采集的脉搏波数据和皮肤电数据通过提取两个信号的时域和频域特征，建立脉搏
‑
皮电的情绪数据指数，并且对采集的睡眠体动次数和深睡时间、心率和呼吸的数据计算得出睡眠质量指数。2.根据权利要求1所述的脑卒中风险预测方法，其特征在于，根据以下公式计算所述脑血流调节数据指数：其中D
np
为脑血流调节数据指数，BR
LC
为用户的血压数据与左侧脑区脑氧数据的耦合值，BR
RC
为用户的血压数据与右侧脑区脑氧数据的耦合值，λ为校正系数。3.根据权利要求2所述的脑卒中风险预测方法，其特征在于，所述血压数据与左侧脑区脑氧数据的耦合值BR
LC
以及所述血压数据与右侧脑区脑氧数据的耦合值BR
RC
分别计算如下：其中，N为左侧脑区的通道数量，BR
i
(w)为血压连续时间序列与左侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NR
Li
(w)为左侧脑区中通道i的脑氧信号的自功率谱；其中，M为右侧脑区的通道数量，BR
j
(w)为血压连续时间序列与右侧脑区不同通道的脑氧信号的功率谱，BP(w)为血压连续时间序列的自功率谱，NR
Lj
(w)为右侧脑区中通道j的脑氧信号的自功率谱。4.根据权利要求1所述的脑卒中风险预测方法，其特征在于，对静息态下的脉搏波和脑氧数据通过功率谱计算方法，得到用户的脑血流压力数据指数：其中，MR
bp
为脑血流压力数据指数，即不同通道的脑血氧信号与脉搏波的耦合强度，N+M为用户左右两侧脑区的脑氧通道数量，MR
i
(w)为脉搏波时间序列与不同通道的脑氧信号的功率谱，Pu(w)为脉搏波时间序列的自功率谱，NR
i
(w)为通道i的脑氧信号的自功率谱。5.根据权利要求1所述的脑卒中风险预测方法，其特征在于，如下提取脉搏波信号的时
域和频域特征，以建立脉搏
‑
皮电的情绪数据指数：通过长短时记忆网络对脉搏波信号进行时频域特征提取，输出脉搏波特征向量Pu
LSTM
：Pu
LSTM
＝σ(W
LSTM1
*Pu+B
LSTM1
)+tanh(W
LSTM2
*Pu+B
LSTM2
)其中,σ为激活函数，W
LSTM1
、W
LSTM2
为长短时记忆网络输入门和遗忘门的权重，B
LSTM1
、B
LSTM2
为长短时记忆网络输入门和遗忘门的偏置，Pu为输入的脉搏波信号。6.根据权利要求5所述的脑卒中风险预测方法，其特征在于，如下提取皮肤电信号的时域和频域特征，以输出皮肤电特征向量GSR
LSTM
：GSR
LSTM
＝σ(W
LSTM3
*GSR+B
LSTM3
...

【专利技术属性】
技术研发人员：张静莎，李增勇，张腾宇，李文昊，
申请(专利权)人：国家康复辅具研究中心，
类型：发明
国别省市：