本發(fā)明涉及人工智能，尤其涉及一種生理參數(shù)動態(tài)評價方法。

背景技術(shù)：

1、生理參數(shù)信息可以反應(yīng)人體的身體狀況，對生理參數(shù)信息進行評價可以實現(xiàn)對身體狀態(tài)的動態(tài)預(yù)警。在對肝衰竭患者進行處理時，往往需要隨時掌握患者的生命體征，以防止患者病情惡化?，F(xiàn)有使用的生命體征檢查器往往只是單獨對每一類生理信號進行檢測并處理，而對于急重癥患者，其生理參數(shù)往往呈現(xiàn)多變和時變特征，僅僅根據(jù)一類生理參數(shù)難以對用戶的生命體征進行快速準(zhǔn)確監(jiān)測。如何對患者的多類生理信號進行融合處理，對其生命體征進行快速準(zhǔn)確監(jiān)測，以提高患者護理的質(zhì)量和效率是當(dāng)前亟需解決的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于，提供一種生理參數(shù)動態(tài)評價方法，利用人工智能方法，對用戶的生理參數(shù)進行動態(tài)評價，為臨床干預(yù)預(yù)留充足預(yù)警時間，能夠為醫(yī)生設(shè)計患者治療方案提供充足時間。

2、為了解決上述技術(shù)問題，本發(fā)明實施例公開了一種膿毒癥患者的不良預(yù)后動態(tài)預(yù)警方法，所述方法包括：

3、s1，獲取用戶生理參數(shù)信息；所述用戶生理參數(shù)信息包括腦電信息、心電信息、近紅外信息和血液信息；

4、s2，對所述用戶生理參數(shù)信息進行預(yù)處理，得到預(yù)處理生理參數(shù)信息；所述預(yù)處理生理參數(shù)信息包括預(yù)處理腦電信息、預(yù)處理心電信息、預(yù)處理近紅外信息和預(yù)處理血液信息；

5、s3，利用所述預(yù)處理生理參數(shù)信息，對預(yù)設(shè)的生理參數(shù)動態(tài)評價模型進行訓(xùn)練，得到優(yōu)化生理參數(shù)動態(tài)評價模型；

6、s4，利用所述優(yōu)化生理參數(shù)動態(tài)評價模型，對待處理的用戶生理參數(shù)信息進行處理，得到生理參數(shù)動態(tài)評價結(jié)果。

7、作為一種可選的實施方式，本發(fā)明實施例中，所述對所述用戶生理參數(shù)信息進行預(yù)處理，得到預(yù)處理生理參數(shù)信息，包括：

8、s21，對所述用戶生理參數(shù)信息進行異常檢查處理，得到第一生理參數(shù)信息；

9、s22，對所述第一生理參數(shù)信息進行歸一化處理，得到第二生理參數(shù)信息；

10、s23，對所述第二生理參數(shù)信息進行去噪處理，得到預(yù)處理生理參數(shù)信息。

11、作為一種可選的實施方式，本發(fā)明實施例中，所述對所述第二生理參數(shù)信息進行去噪處理，得到預(yù)處理生理參數(shù)信息，包括：

12、s231，對所述第二生理參數(shù)信息進行處理，得到實部分量和虛部分量；

13、s232，對所述實部分量進行小波變換，得到第一小波參數(shù)信息；

14、s233，對所述虛部分量進行小波變換，得到第二小波參數(shù)信息；

15、s234，對所述第一小波參數(shù)信息進行濾波處理,得到第三小波參數(shù)信息；

16、s235，對所述第二小波參數(shù)信息進行濾波處理,得到第四小波參數(shù)信息；

17、s236，對所述第三小波參數(shù)信息和所述第四小波參數(shù)信息進行重構(gòu)，得到預(yù)處理生理參數(shù)信息。

18、作為一種可選的實施方式，本發(fā)明實施例中，所述利用所述預(yù)處理生理參數(shù)信息，對預(yù)設(shè)的生理參數(shù)動態(tài)評價模型進行訓(xùn)練，得到優(yōu)化生理參數(shù)動態(tài)評價模型，包括：

19、s31，對所述預(yù)處理生理參數(shù)信息進行特征提取，得到生理參數(shù)特征信息；所述生理參數(shù)特征信息包括腦電特征參數(shù)信息、心電特征參數(shù)信息、近紅外特征參數(shù)信息和血液特征參數(shù)信息；

20、s32，對所述腦電特征參數(shù)信息、所述心電特征參數(shù)信息、所述近紅外特征參數(shù)信息和所述血液特征參數(shù)信息進行融合，得到融合特征參數(shù)信息；

21、s33，利用所述融合特征參數(shù)信息，對預(yù)設(shè)的生理參數(shù)動態(tài)評價模型進行訓(xùn)練，得到優(yōu)化生理參數(shù)動態(tài)評價模型。

22、作為一種可選的實施方式，本發(fā)明實施例中，所述對所述預(yù)處理生理參數(shù)信息進行特征提取，得到生理參數(shù)特征信息，包括：

23、s311，對所述預(yù)處理腦電信息進行特征提取，得到腦電特征參數(shù)信息；

24、s312，對所述預(yù)處理心電信息進行特征提取，得到心電特征參數(shù)信息；

25、s313，對所述預(yù)處理近紅外信息進行特征提取，得到近紅外特征參數(shù)信息；

26、s314，對所述預(yù)處理血液信息進行特征提取，得到血液特征參數(shù)信息。

27、作為一種可選的實施方式，本發(fā)明實施例中，所述對預(yù)處理腦電信息進行特征提取，得到腦電特征參數(shù)信息，包括：

28、s3111，對預(yù)處理腦電信息進行時頻特征提取，得到時頻特征參數(shù)；

29、所述時頻特征參數(shù)表達式為：

30、

31、式中，s(m,n)為時頻特征參數(shù)，x(t)表示預(yù)處理腦電信息，g(i-nt)表示窗函數(shù)，t表示滑動窗口長度，n表示離散傅里葉變換長度，m,n分別表示時頻特征參數(shù)頻點和時刻，l表示預(yù)處理腦電信息長度，i表示預(yù)處理腦電信息樣點；

32、s3112，對所述時頻特征參數(shù)進行濾波，得到腦電特征參數(shù)信息，包括：

33、設(shè)置初始閾值δth的目標(biāo)區(qū)間[α,β],其中0≤α＜β≤max{s(m,n)}，s(m,n)為時頻特征參數(shù)；

34、將所述目標(biāo)區(qū)間[α,β]劃分為l等份；

35、將初始閾值δth設(shè)置為α，按照的步長進行遞增迭代，得到閾值

36、利用閾值計算每一次迭代后的濾波處理后的時頻特征參數(shù)

37、

38、其中，s(m,n)表示時頻特征參數(shù)，表示濾波處理后的時頻特征參數(shù)，a,b表示閾值中的時間、頻率參量；

39、計算每一次迭代與上一次迭代的得到的時頻特征參數(shù)的差值i1＝1,2,…，i1為迭代次數(shù)；

40、將差值進行曲線擬合，得到曲線c，當(dāng)曲線c出現(xiàn)拐點時，對應(yīng)的閾值為最優(yōu)閾值；

41、利用所述最優(yōu)閾值，對所述時頻特征參數(shù)s(m,n)進行最優(yōu)閾值濾波，得到濾波處理后的時頻特征參數(shù)，所述濾波處理后的時頻特征參數(shù)為腦電特征參數(shù)信息。

42、作為一種可選的實施方式，本發(fā)明實施例中，所述對所述預(yù)處理心電信息進行特征提取，得到心電特征參數(shù)信息，包括：

43、s3121，對所述預(yù)處理心電信息進行處理，得到模糊參數(shù)信息；所述模糊參數(shù)信息表達式為：

44、

45、其中，x(t)為預(yù)處理心電信息，ax(θ,τ)為模糊參數(shù)信息，t為時間變量，τ為時移變量，θ為與τ對應(yīng)的頻率變量，*表示取共軛；

46、s3122，對所述模糊參數(shù)信息與預(yù)設(shè)的核函數(shù)進行hadamard積計算，得到心電特征參數(shù)信息；

47、hadamard積計算公式為：

48、

49、其中，cx為心電特征參數(shù)信息，積分范圍為-∞～∞，g(θ,τ)為預(yù)設(shè)的核函數(shù)，a＝0.001，β＝50，u,t為時間變量，τ為時移變量，ω為與u對應(yīng)的頻率變量，θ為與τ對應(yīng)的頻率變量。

50、作為一種可選的實施方式，本發(fā)明實施例中，所述對所述預(yù)處理近紅外信息進行特征提取，得到近紅外特征參數(shù)信息，包括：

51、s3131，利用近紅外信息分析模型，對所述近紅外信息進行時頻處理，得到第一近紅外特征參數(shù)信息；

52、所述近紅外信息分析模型表達式為：

53、

54、式中，t表示時間，ω表示頻率，x()表示近紅外信息，τ表示延時，w(t,ω)為第一近紅外特征參數(shù)信息，*表示取共軛；

55、s3132，利用預(yù)設(shè)的濾波模型，對所述第一近紅外特征參數(shù)信息w(t,ω)進行濾波，得到近紅外特征參數(shù)信息

56、所述預(yù)設(shè)的濾波模型表達式為：

57、

58、式中，w(τ,θ)表示第一近紅外特征參數(shù)信息，w1(t-τ,ω-θ)為二維模板，和是兩個高斯函數(shù)，分別表示空間域核和像素域核，τ為時域變量，θ為頻域變量；

59、和具體表達式為：

60、

61、式中，a、b表示輸入像素的橫縱坐標(biāo)，i、j表示二維模板中心的坐標(biāo)，σs、σr表示高斯函數(shù)標(biāo)準(zhǔn)差。

62、作為一種可選的實施方式，本發(fā)明實施例中，所述對所述預(yù)處理血液信息進行特征提取，得到血液特征參數(shù)信息，包括：

63、s3141，對所述預(yù)處理血液信息進行矩陣分解，得到左奇異矩陣、奇異值矩陣和右奇異矩陣；

64、所述矩陣分解表達式為：

65、y＝uav

66、其中，u為左奇異矩陣，y為預(yù)處理血液信息，a為奇異值矩陣，v為右奇異矩陣，u和v均為正交矩陣，a為對角矩陣；

67、s3142，對所述左奇異矩陣和所述右奇異矩陣進行差值計算，得到差值矩陣；

68、s3143，對所述差值矩陣和所述奇異值矩陣進行互相關(guān)計算，得到血液特征參數(shù)信息。

69、作為一種可選的實施方式，本發(fā)明實施例中，所述對所述腦電特征參數(shù)信息、所述心電特征參數(shù)信息、所述近紅外特征參數(shù)信息和所述血液特征參數(shù)信息進行融合，得到融合特征參數(shù)信息，包括：

70、s3211，利用數(shù)據(jù)中心化模型，對所述腦電特征參數(shù)信息、所述心電特征參數(shù)信息、所述近紅外特征參數(shù)信息和所述血液特征參數(shù)信息進行處理，得到中心化參數(shù)信息；

71、所述數(shù)據(jù)中心化模型表達式為：

72、

73、所述中心化參數(shù)信息為x＝[w1-u,w2-u,w3-u,w4-u]，w1為腦電特征參數(shù)信息，w2為心電特征參數(shù)信息，w3為近紅外特征參數(shù)信息，w4為血液特征參數(shù)信息，a1為w1的加權(quán)系數(shù)，a2為w2的加權(quán)系數(shù)，a3為w3的加權(quán)系數(shù)，a4為w4的加權(quán)系數(shù)，a1+a2+a3+a4＝1；

74、s3212，對所述中心化參數(shù)信息進行處理，得到協(xié)方差矩陣；

75、所述協(xié)方差矩陣表達式為：

76、∑＝xxt

77、其中，σ為協(xié)方差矩陣，t為轉(zhuǎn)置；

78、s3213，對所述協(xié)方差矩陣進行特征值分解，得到m個特征值；

79、s3214，對所述m個特征值進行排序，取出前k個特征值對應(yīng)的特征向量；

80、s3215，利用特征向量重構(gòu)模型，對所述前k個特征值對應(yīng)的特征向量進行處理，得到融合特征參數(shù)信息；

81、所述特征向量重構(gòu)模型表達式為：

82、y＝[u1x,u2x,…,ukx]

83、其中，y為融合特征參數(shù)信息，[u1,u2,…,uk]為所述前k個特征值對應(yīng)的特征向量。

84、與現(xiàn)有技術(shù)相比，本發(fā)明實施例具有以下有益效果：

85、本發(fā)明公開了一種生理參數(shù)動態(tài)評價方法，該方法包括：獲取用戶生理參數(shù)信息；對多項生理指標(biāo)進行挖掘與分析，得到生理參數(shù)動態(tài)評價結(jié)果。本發(fā)明方法僅使用常用的無創(chuàng)參數(shù)，對用戶的生理參數(shù)進行動態(tài)評價，為臨床干預(yù)預(yù)留充足預(yù)警時間，能夠為醫(yī)生設(shè)計患者治療方案提供充足時間。