[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115399738A - 一种快速icu虚假警报识别方法 - Google Patents

一种快速icu虚假警报识别方法 Download PDF

Info

Publication number
CN115399738A
CN115399738A CN202210988923.7A CN202210988923A CN115399738A CN 115399738 A CN115399738 A CN 115399738A CN 202210988923 A CN202210988923 A CN 202210988923A CN 115399738 A CN115399738 A CN 115399738A
Authority
CN
China
Prior art keywords
alarm
patient
index data
data
icu
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210988923.7A
Other languages
English (en)
Other versions
CN115399738B (zh
Inventor
黄伟红
岳丽青
周建辉
胡硕婷
聂慧宇
李靖
黄佳
高武强
高晨雨
刘硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangya Hospital of Central South University
Original Assignee
Xiangya Hospital of Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiangya Hospital of Central South University filed Critical Xiangya Hospital of Central South University
Priority to CN202210988923.7A priority Critical patent/CN115399738B/zh
Publication of CN115399738A publication Critical patent/CN115399738A/zh
Application granted granted Critical
Publication of CN115399738B publication Critical patent/CN115399738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及ICU虚假警报识别的技术领域，揭露了一种快速ICU虚假警报识别方法，包括：采集病人体征数据，构成病人体征指标数据；利用生成对抗网络构建病人指标数据样本生成模型，利用病人指标数据样本生成模型生成大量病人体征指标数据；基于概率图理论构建ICU警报识别模型；利用分裂梯度算法对所构建的ICU警报识别模型进行快速优化，得到训练优化后的ICU警报识别模型；当医院系统检测到警报时，采集与警报相关病人的病人体征指标数据，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及处理优先级，医护人员根据模型输出结果进行相应的处置措施。本发明所述方法实现大量可用样本数据的生成，实现基于概率图的虚假警报识别、警报名称识别以及处理优先级识别。

Description

一种快速ICU虚假警报识别方法
技术领域
本发明涉及ICU虚假警报识别的技术领域，尤其涉及一种快速ICU虚假警报识别方法。
背景技术
在医院ICU，由于医疗资源和相应的管理方式，都是专人专管，目前现有的ICU警报都是基于阈值诊断警报，容易产生大量虚假警报现象，虚假警报发生的原因多为患者不配合以及患者活动，比如体位改变，如厕，进食，换衣服、指夹脱落、贴片脱落等。随着人工智能、机器学习等技术的不断发展，越来越多人工智能技术应用于ICU虚假警报，降低医护人员工作压力，但是现有技术存在模型时间训练时间长，数据样本量稀少的问题，针对该问题，本专利提出一种快速ICU虚拟警报识别方法。
发明内容
有鉴于此，本发明提供一种快速ICU虚假警报识别方法，目的在于(1)通过利用生成对抗网络构建病人指标数据样本生成模型，利用病人指标数据样本生成模型生成大量病人体征指标数据，从而构建得到ICU警报识别模型；(2)通过将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及警报名称所对应的处理优先级，其中处理优先级由高到中，医护人员根据处理优先级以及模型输出的警报名称进行相应的处置措施，从而实现虚拟警报的快速识别，警报名称的判断以及所对应的处理优先级的输出，减少警报疲劳，帮助医护人员实现更有针对性的救治。
实现上述目的，本发明提供的一种快速ICU虚假警报识别方法，包括以下步骤：
S1：采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和入院48小时内实验室检查指标数据集合，并利用傅里叶变换方法以及小波分解方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合共同构成病人体征指标数据；
S2：按照步骤S1方法采集大量病人的病人体征指标数据以及对应的警报级别构成训练集A1，并利用生成对抗网络构建病人指标数据样本生成模型，利用病人指标数据样本生成模型生成大量病人体征指标数据，将所生成的数据同训练集A1构成训练集A；
S3：基于概率图理论构建ICU警报识别模型，其中所述模型的输入为病人体征指标数据，输出是否虚假警报的识别结果，以及对应的警报名称和警报级别；
S4：基于训练集A，利用分裂梯度算法对所构建的ICU警报识别模型进行快速优化，得到训练优化后的ICU警报识别模型；
S5：当医院系统检测到警报时，采集与警报相关病人的病人体征指标数据，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及处理优先级，医护人员根据模型输出结果进行相应的处置措施。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集病人体征数据，包括：
在病人进入ICU后，采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和病人入院48h内的实验室检查指标数据集合，所述生命体征检查时序数据为病人的心率以及呼吸频率的时序数据，所述入院48小时内的实验室检查指标包括病人尿液的酸碱度k1、pH值k2、尿比重k3、尿蛋白k4、尿糖k5以及管型k6，病人血液的白细胞数量k7、白细胞中五类细胞的数量及比例k8、红细胞数量k9、红细胞压积k10、血红蛋白浓度k11、平均红细胞体积k12、血小板的数量k13以及血小板压积k14，所采集的病人体征数据为：
{x1(n1),x2(n2),K}
K＝{knum|num∈[1,14]}
其中：
x1(n1)为病人心率的时序数据，n1＝0,1,…,N1-1，N1为时序数据长度；
x2(n2)为病人呼吸频率的时序数据，n2＝0,1,…,N2-1，N2为时序数据长度；
K为病人的实验室检查指标数据集合，包括14种的实验室检查指标。
可选地，所述S1步骤中利用傅里叶变换方法以及小波分解方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合共同构成病人体征指标数据，包括：
对所采集的生命体征检查时序数据进行特征提取，所述特征提取流程为：
S11：利用傅里叶变换方法提取病人呼吸频率的特征f2(p)，其中p为傅里叶变换处理的采样点数，将p设置为64，所述傅里叶变换方法的公式为：
Figure BDA0003803131480000021
其中：
j为虚数单位，j2＝-1；
e为自然常数；
S12：利用小波分解方法对病人心率的特征进行提取，所述小波分解结果为：
Figure BDA0003803131480000022
其中：
q(a,x1(n1))为x1(n1)在尺度a上的小波系数，a表示小波分解过程中的最大尺度；
将小波系数作为病人心率的特征f1(a)，若q(a，x1(nR))＞0.4×max{q(a，x1(n1))}，n1＝0,1,…,N1-1，则将时序位置nR在特征f1(a)中标记为R峰。
可选地，所述S2步骤采集大量病人的病人体征指标数据以及对应的警报级别构成训练集A1，包括：
按照步骤S1方法采集大量病人的病人体征指标数据以及对应的警报级别构成训练集A1，所述训练集A1的表示形式为：
A1＝{datau＝(f1,u(a),f2,u(p),judgeu,nameu,levelu)|u∈[1,U]}
其中：
datau为所采集的第u名病人的病人体征指标数据以及对应的警报级别，U表示训练集A1中病人的总数；
f1,u(a)表示所采集的第u名病人的心率特征，f2,u(p)为所采集的第u名病人的呼吸频率特征；
judgeu＝{0,1}，judgeu＝0表示该病人所对应的警报为虚假警报，并将nameu以及levelu均设置为null；judgeu＝1表示该病人所对应的警报不为虚假警报；
nameu表示该病人所对应警报的名称，nameu∈{1,2,3,…,15}，所述警报名称包括SPO2、导联脱落、血压、HR(心率)、室早、心脏停搏、PR过高、Resp窒息、室颤、RONT、室早二联律、ST(ST段)、室早三联律、房早以及室速，依次对应nameu＝1至nameu＝15；
levelu表示该病人所对应的警报级别，levelu＝{1,2}，levelu＝1表示高优先级的警报，levelu＝2表示中优先级的警报；
在本发明一个具体实施例中，中优先级的警报警报有SPO2、房早、室早、心率、PR过高、RONT、血压、导联脱落、ST段、室早二联律、室早三联律以及Rsep窒息，高优先级的警报警报有室速、室颤以及心脏停搏。
可选地，所述S2步骤中利用生成对抗网络构建病人指标数据样本生成模型，利用病人指标数据样本生成模型生成大量病人体征指标数据，将所生成的数据同训练集A1构成训练集A，包括：
利用生成对抗网络构建病人指标数据样本生成模型，其中所述病人指标数据样本生成模型包括编码器Ge(·)和解码器Gd(·)，所述编码器的输入值为训练集A1中的病人体征指标数据，通过利用编码器Ge(·)对输入的病人体征指标数据进行编码，利用解码器Gd(·)对编码结果进行解码，得到重构后的病人体征指标数据，将解码结果作为模型的样本生成结果；
计算训练集A1中judge＝0的病人所占的比例，若该比例小于0.6，则选取judge＝0的病人所对应的病人体征指标数据作为病人指标数据样本生成模型中编码器的输入，编码器对输入结果进行编码后，利用解码器对编码结果进行解码，得到重构后的病人体征指标数据，将重构得到的病人体征指标数据的judge参数设置为0，所述样本生成后judge＝0的病人所占的比例达到0.6，得到训练集A2；
计算训练集A2中不同警报名称的病人数，选取病人数最少的5个警报名称，将所选取的警报名称下的病人体征指标数据以及对应的警报级别分别构成五个数据集A2min1,A2min2，A2min3，A2min4以及A2min5，其中每个数据集中病人体征指标数据所对应的警报名称相同，选取任意数据集的所有病人体征指标数据作为病人指标数据样本生成模型中编码器的输入，编码器对输入结果进行编码后，利用解码器对编码结果进行解码，得到重构后的病人体征指标数据，向该重构后的病人体征指标数据添加该数据集所对应的警报名称，以及警报名称所对应的警报级别，并将judge参数设置为1，得到生成样本，所述生成样本的生成数量为(num_A2max-num_A2minj′)×β，其中num_A2max为训练集A2中出现频率最高的警报名称的病人人数，j′∈{1,2,3,4,5}，num_A2minj′为数据集A2minj′内的病人人数，β为样本生成参数，将其设置为0.3，将所生成的数据同训练集A2构成训练集A；
构建病人指标数据样本生成模型中编码器Ge(·)和解码器Gd(·)的训练目标函数：
Figure BDA0003803131480000031
其中：
f为病人指标数据样本生成模型中编码器Ge(·)的输入值，包括病人的心率特征以及呼吸频率特征，p(f)为f的分布；
E(·)表示期望值计算；
Figure BDA0003803131480000032
为编码器Ge(·)的参数，
Figure BDA0003803131480000033
为解码器Gd(·)的参数；
||·||2为L2范数；
将多组病人的心率特征以及呼吸频率特征输入到训练目标函数中，使得训练目标函数达到最小的模型参数即为训练优化得到的模型参数，利用训练优化后的病人指标数据样本生成模型进行数据生成。
可选地，所述S3步骤中基于概率图理论构建ICU警报识别模型，包括：
基于概率图理论构建ICU警报识别模型，其中所述模型的输入为病人体征指标数据，输出是否虚假警报的识别结果，若识别为虚假警报则输出警报名称以及警报级别为null，否则输出对应的警报名称和警报级别；
所述ICU警报识别模型为图结构G＝(E,V)，其中E表示节点集合，节点包括警报名称节点name、judge＝0的节点、judge＝1的节点、多种不同的病人心率特征节点以及呼吸频率特征节点，V表示边集合，所述边为有向边，有向边fq→nameb表示在病人特征为fq的情况下，发生警报nameb的概率P(nameb|fq)；
所述ICU警报识别模型的输入为病人体征指标数据[f1,*(a),f2,*(p)]，利用余弦相似度算法分别计算f1,*(a)以及f2,*(p)与所构建概率图中病人心率特征节点以及呼吸频率特征节点的相似度，将相似度最高的病人心率特征节点以及呼吸频率特征节点[f1,sim(a),f2,sim(p)]作为[f1,*(a),f2,*(p)]在概率图中的表示结果，分别计算该病人体征指标数据为虚假警报的概率以及非虚假警报的概率：
P(judge＝0|f1,sim(a),f2,sim(p))＝w1P(judge＝0|f1,sim(a))w2P(judge＝0|f2,sim(p))
P(judge＝1|f1,sim(a),f2,sim(p))＝w1P(judge＝1|f1,sim(a))w2P(judge＝1|f2,sim(p))
其中：
w1为心率特征在概率图的权重参数，w2为呼吸频率特征在概率图中的权重参数；
P(judge＝0|f1,sim(a),f2,sim(p))为该病人体征指标数据为虚假警报的概率；
P(judge＝1|f1,sim(a),f2,sim(p))为该病人体征指标数据为非虚假警报的概率；
若P(judge＝0|f1,sim(a),f2,sim(p))≥P(judge＝1|f1,sim(a),f2,sim(p))则说明该病人所对应的警报为虚假警报，则直接输出警报名称以及警报级别为null；
否则计算该病人体征指标数据会导致不同警报发生的概率：
P(name＝m|f1,sim(a),f2,sim(p))＝P(name＝m|f1,sim(a))P(name＝m|f2,sim(p))
其中：
m∈{1,2,3,…,15}，对应不同的警报名称；
选取发生概率最大的警报名称以及警报对应的警报级别作为模型的输出。
可选地，所述S4步骤中利用分裂梯度算法对所构建的ICU警报识别模型进行快速优化，包括：
利用训练集A中的样本数据对所构建的ICU警报识别模型进行快速优化，能够快速得到可用的模型参数，所述ICU警报识别模型的优化流程为：
S41：利用K-means算法将训练集A所有病人体征指标数据进行聚类处理，将每类的聚类中心作为概率图中病人心率特征节点以及呼吸频率特征节点，病人心率特征节点以及呼吸频率特征节点与警报名称节点之间的条件概率，即为聚类中心邻近病人体征指标数据与警报名称节点条件概率的累乘，并忽略条件概率为0的点；
S42：构建ICU警报识别模型训练的目标函数：
Figure BDA0003803131480000041
其中：
fz为训练集A中第z个病人的病人体征指标数据，Z为训练集A中病人的总数；
w1,w2为待训练优化的权重参数，令w＝[w1,w2]；
S43：设置当前分裂梯度算法迭代次数为n，分裂梯度算法参数ε>0，σ∈(0,1)，设置
Figure BDA0003803131480000042
S44：若
Figure BDA0003803131480000043
终止算法迭代流程，输出当前的权重参数wn，其中wn表示第n次迭代时的权重参数，将训练得到的权重参数作为ICU警报识别模型的权重参数，得到训练优化后的ICU警报识别模型；否则转向下一步；
S45：若
Figure BDA0003803131480000044
则令dn＝gn，否则令dn＝-gn；
S46：计算第n+1次迭代的权重参数：
wn+1＝wn+λndn
Figure BDA0003803131480000045
令n＝n+1，返回步骤S44。
可选地，所述S5步骤中当医院系统检测到警报时，采集与警报相关病人的病人体征指标数据，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及处理优先级，包括：
当医院系统检测到警报时，按照步骤S1方法采集与警报相关病人的病人体征指标数据，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及警报名称所对应的处理优先级，其中处理优先级由高到中，医护人员根据处理优先级以及模型输出的警报名称进行相应的处置措施，减少警报疲劳。
为了解决上述问题，本发明还提供一种快速ICU虚假警报识别装置，其特征在于，所述装置包括：
特征提取模块，用于采集病人体征数据，利用傅里叶变换方法以及小波分解方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合共同构成病人体征指标数据；
训练集获取装置，用于采集大量病人的病人体征指标数据以及对应的警报级别构成训练集A1，并利用生成对抗网络构建病人指标数据样本生成模型，利用病人指标数据样本生成模型生成大量病人体征指标数据，将所生成的数据同训练集A1构成训练集A；
ICU警报识别装置，用于基于概率图理论构建ICU警报识别模型，基于训练集A，利用分裂梯度算法对所构建的ICU警报识别模型进行快速优化，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及处理优先级。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的快速ICU虚假警报识别方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的快速ICU虚假警报识别方法。
相对于现有技术，本发明提出一种快速ICU虚假警报识别方法，该技术具有以下优势：
首先，本方案提出一种数据样本生成方法，由于现有数据样本大多为虚假警报样本，较难获取带有警报名称的数据样本，因此本方案利用生成对抗网络构建病人指标数据样本生成模型，从而生成得到大量可用的数据样本用于构建ICU警报识别模型，其中所述病人指标数据样本生成模型包括编码器Ge(·)和解码器Gd(·)，所述编码器的输入值为训练集A1中的病人体征指标数据，通过利用编码器Ge(·)对输入的病人体征指标数据进行编码，利用解码器Gd(·)对编码结果进行解码，得到重构后的病人体征指标数据，将解码结果作为模型的样本生成结果；计算训练集A1中judge＝0的病人所占的比例，若该比例小于0.6，则选取judge＝0的病人所对应的病人体征指标数据作为病人指标数据样本生成模型中编码器的输入，编码器对输入结果进行编码后，利用解码器对编码结果进行解码，得到重构后的病人体征指标数据，将重构得到的病人体征指标数据的judge参数设置为0，所述样本生成后judge＝0的病人所占的比例达到0.6，得到训练集A2；计算训练集A2中不同警报名称的病人数，选取病人数最少的5个警报名称，将所选取的警报名称下的病人体征指标数据以及对应的警报级别分别构成五个数据集A2min1,A2min2，A2min3，A2min4以及A2min5，其中每个数据集中病人体征指标数据所对应的警报名称相同，选取任意数据集的所有病人体征指标数据作为病人指标数据样本生成模型中编码器的输入，编码器对输入结果进行编码后，利用解码器对编码结果进行解码，得到重构后的病人体征指标数据，向该重构后的病人体征指标数据添加该数据集所对应的警报名称，以及警报名称所对应的警报级别，并将judge参数设置为1，得到生成样本，所述生成样本的生成数量为(num_A2max-num_A2minj′)×β，其中num_A2max为训练集A2中出现频率最高的警报名称的病人人数，j′∈{1,2,3,4,5}，num_A2minj′为数据集A2minj′内的病人人数，β为样本生成参数，将其设置为0.3，将所生成的数据同训练集A2构成训练集A；构建病人指标数据样本生成模型中编码器Ge(·)和解码器Gd(·)的训练目标函数：
Figure BDA0003803131480000061
其中：f为病人指标数据样本生成模型中编码器Ge(·)的输入值，包括病人的心率特征以及呼吸频率特征，p(f)为f的分布；E(·)表示期望值计算；
Figure BDA0003803131480000062
为编码器Ge(·)的参数，
Figure BDA0003803131480000063
为解码器Gd(·)的参数；||·||2为L2范数；将多组病人的心率特征以及呼吸频率特征输入到训练目标函数中，使得训练目标函数达到最小的模型参数即为训练优化得到的模型参数，利用训练优化后的病人指标数据样本生成模型进行数据生成。
同时，本方案基于概率图理论构建ICU警报识别模型，其中所述模型的输入为病人体征指标数据，输出是否虚假警报的识别结果，若识别为虚假警报则输出警报名称以及警报级别为null，否则输出对应的警报名称和警报级别；所述ICU警报识别模型为图结构G＝(E,V)，其中E表示节点集合，节点包括警报名称节点name、judge＝0的节点、judge＝1的节点、多种不同的病人心率特征节点以及呼吸频率特征节点，V表示边集合，所述边为有向边，有向边fq→nameb表示在病人特征为fq的情况下，发生警报nameb的概率P(nameb|fq)；所述ICU警报识别模型的输入为病人体征指标数据[f1,*(a),f2,*(p)]，利用余弦相似度算法分别计算f1,*(a)以及f2,*(p)与所构建概率图中病人心率特征节点以及呼吸频率特征节点的相似度，将相似度最高的病人心率特征节点以及呼吸频率特征节点[f1,sim(a),f2,sim(p)]作为[f1,*(a),f2,*(p)]在概率图中的表示结果，分别计算该病人体征指标数据为虚假警报的概率以及非虚假警报的概率：
P(judge＝0|f1,sim(a),f2,sim(p))＝w1P(judge＝0|f1,sim(a))w2P(judge＝0|f2,sim(p))
P(judge＝1|f1,sim(a),f2,sim(p))＝w1P(judge＝1|f1,sim(a))w2P(judge＝1|f2,sim(p))
其中：w1为心率特征在概率图的权重参数，w2为呼吸频率特征在概率图中的权重参数；P(judge＝0|f1,sim(a),f2,sim(p))为该病人体征指标数据为虚假警报的概率；
P(judge＝1|f1,sim(a),f2,sim(p))为该病人体征指标数据为非虚假警报的概率；若
P(judge＝0|f1,sim(a),f2,sim(p))≥P(judge＝1|f1,sim(a),f2,sim(p))则说明该病人所对应的警报为虚假警报，则直接输出警报名称以及警报级别为null；否则计算该病人体征指标数据会导致不同警报发生的概率：
P(name＝m|f1,sim(a),f2,sim(p))＝P(name＝m|f1,sim(a))P(name＝m|f2,sim(p))
其中：m∈{1,2,3,…,15}，对应不同的警报名称；选取发生概率最大的警报名称以及警报对应的警报级别作为模型的输出。当医院系统检测到警报时，采集与警报相关病人的病人体征指标数据，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及警报名称所对应的处理优先级，其中处理优先级由高到中，医护人员根据处理优先级以及模型输出的警报名称进行相应的处置措施，从而实现虚拟警报的快速识别，警报名称的判断以及所对应的处理优先级的输出，减少警报疲劳，帮助医护人员实现更有针对性的救治。
附图说明
图1为本发明一实施例提供的一种快速ICU虚假警报识别方法的流程示意图；
图2为本发明一实施例提供的病人ICU警报识别模型的模型结构示意图；
图3为本发明一实施例提供的快速ICU虚假警报识别装置的功能模块图；
图4为本发明一实施例提供的实现快速ICU虚假警报识别方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种快速ICU虚假警报识别方法。所述快速ICU虚假警报识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述快速ICU虚假警报识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和入院48小时内实验室检查指标数据集合，并利用傅里叶变换方法以及小波分解方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合共同构成病人体征指标数据。
所述S1步骤中采集病人体征数据，包括：
在病人进入ICU后，采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和病人入院48h内的实验室检查指标数据集合，所述生命体征检查时序数据为病人的心率以及呼吸频率的时序数据，所述入院48小时内的实验室检查指标包括病人尿液的酸碱度k1、pH值k2、尿比重k3、尿蛋白k4、尿糖k5以及管型k6，病人血液的白细胞数量k7、白细胞中五类细胞的数量及比例k8、红细胞数量k9、红细胞压积k10、血红蛋白浓度k11、平均红细胞体积k12、血小板的数量k13以及血小板压积k14，所采集的病人体征数据为：
{x1(n1),x2(n2),K}
K＝{knum|num∈[1,14]}
其中：
x1(n1)为病人心率的时序数据，n1＝0,1,…,N1-1，N1为时序数据长度；
x2(n2)为病人呼吸频率的时序数据，n2＝0,1,…,N2-1，N2为时序数据长度；
K为病人的实验室检查指标数据集合，包括14种的实验室检查指标。
所述S1步骤中利用傅里叶变换方法以及小波分解方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合共同构成病人体征指标数据，包括：
对所采集的生命体征检查时序数据进行特征提取，所述特征提取流程为：
S11：利用傅里叶变换方法提取病人呼吸频率的特征f2(p)，其中p为傅里叶变换处理的采样点数，将p设置为64，所述傅里叶变换方法的公式为：
Figure BDA0003803131480000071
其中：
j为虚数单位，j2＝-1；
e为自然常数；
S12：利用小波分解方法对病人心率的特征进行提取，所述小波分解结果为：
Figure BDA0003803131480000081
其中：
q(a,x1(n1))为x1(n1)在尺度a上的小波系数，a表示小波分解过程中的最大尺度；
将小波系数作为病人心率的特征f1(a)，若q(a，x1(nR))＞0.4×max{q(a，x1(n1))}，n1＝0,1,…,N1-1，则将时序位置nR在特征f1(a)中标记为R峰。
S2：按照步骤S1方法采集大量病人的病人体征指标数据以及对应的警报级别构成训练集A1，并利用生成对抗网络构建病人指标数据样本生成模型，利用病人指标数据样本生成模型生成大量病人体征指标数据，将所生成的数据同训练集A1构成训练集A。
所述S2步骤采集大量病人的病人体征指标数据以及对应的警报级别构成训练集A1，包括：
按照步骤S1方法采集大量病人的病人体征指标数据以及对应的警报级别构成训练集A1，所述训练集A1的表示形式为：
A1＝{datau＝(f1,u(a),f2,u(p),judgeu,nameu,levelu)|u∈[1,U]}
其中：
datau为所采集的第u名病人的病人体征指标数据以及对应的警报级别，U表示训练集A1中病人的总数；
f1,u(a)表示所采集的第u名病人的心率特征，f2,u(p)为所采集的第u名病人的呼吸频率特征；
judgeu＝{0,1}，judgeu＝0表示该病人所对应的警报为虚假警报，并将nameu以及levelu均设置为null；judgeu＝1表示该病人所对应的警报不为虚假警报；
nameu表示该病人所对应警报的名称，nameu∈{1,2,3,…,15}，所述警报名称包括SPO2、、血压、HR(心率)、室早、心脏停搏、PR过高、Resp窒息、室颤、RONT、室早二联律、ST(ST段)、室早三联律、房早以及室速，依次对应nameu＝1至nameu＝15；
levelu表示该病人所对应的警报级别，levelu＝{1,2}，levelu＝1表示高优先级的警报，levelu＝2表示中优先级的警报；
在本发明一个具体实施例中，如血压、HR(心率)、心脏停搏及Resp窒息其中某一项指标突然异常，而其他指标又是正常的情况下，则可以快速判定为虚假警报。导联脱落是较多造成虚假警报的原因，根据多种体征参数的综合判断，如一个患者血压正常、心率正常，突然出现血压为0的情况，一定是出现了虚假警报；可以通过体征的综合指标判断，体征本身是相互关联的，不会全部体征都正常突然出现没有呼吸的情况。
在本发明一个具体实施例中，中优先级的警报有SPO2、房早、室早、心率、PR过高、RONT、血压、导联脱落、ST段、室早二联律、室早三联律以及Rsep窒息，高优先级的警报警报有室速、室颤以及心脏停搏。
所述S2步骤中利用生成对抗网络构建病人指标数据样本生成模型，利用病人指标数据样本生成模型生成大量病人体征指标数据，将所生成的数据同训练集A1构成训练集A，包括：
利用生成对抗网络构建病人指标数据样本生成模型，其中所述病人指标数据样本生成模型包括编码器Ge(·)和解码器Gd(·)，所述编码器的输入值为训练集A1中的病人体征指标数据，通过利用编码器Ge(·)对输入的病人体征指标数据进行编码，利用解码器Gd(·)对编码结果进行解码，得到重构后的病人体征指标数据，将解码结果作为模型的样本生成结果；
计算训练集A1中judge＝0的病人所占的比例，若该比例小于0.6，则选取judge＝0的病人所对应的病人体征指标数据作为病人指标数据样本生成模型中编码器的输入，编码器对输入结果进行编码后，利用解码器对编码结果进行解码，得到重构后的病人体征指标数据，将重构得到的病人体征指标数据的judge参数设置为0，所述样本生成后judge＝0的病人所占的比例达到0.6，得到训练集A2；
计算训练集A2中不同警报名称的病人数，选取病人数最少的5个警报名称，将所选取的警报名称下的病人体征指标数据以及对应的警报级别分别构成五个数据集A2min1,A2min2，A2min3，A2min4以及A2min5，其中每个数据集中病人体征指标数据所对应的警报名称相同，选取任意数据集的所有病人体征指标数据作为病人指标数据样本生成模型中编码器的输入，编码器对输入结果进行编码后，利用解码器对编码结果进行解码，得到重构后的病人体征指标数据，向该重构后的病人体征指标数据添加该数据集所对应的警报名称，以及警报名称所对应的警报级别，并将judge参数设置为1，得到生成样本，所述生成样本的生成数量为(num_A2max-num_A2minj′)×β，其中num_A2max为训练集A2中出现频率最高的警报名称的病人人数，j′∈{1,2,3,4,5}，num_A2minj′为数据集A2minj′内的病人人数，β为样本生成参数，将其设置为0.3，将所生成的数据同训练集A2构成训练集A；
构建病人指标数据样本生成模型中编码器Ge(·)和解码器Gd(·)的训练目标函数：
Figure BDA0003803131480000091
其中：
f为病人指标数据样本生成模型中编码器Ge(·)的输入值，包括病人的心率特征以及呼吸频率特征，p(f)为f的分布；
E(·)表示期望值计算；
Figure BDA0003803131480000092
为编码器Ge(·)的参数，
Figure BDA0003803131480000093
为解码器Gd(·)的参数；
||·||2为L2范数；
将多组病人的心率特征以及呼吸频率特征输入到训练目标函数中，使得训练目标函数达到最小的模型参数即为训练优化得到的模型参数，利用训练优化后的病人指标数据样本生成模型进行数据生成。
S3：基于概率图理论构建ICU警报识别模型，其中所述模型的输入为病人体征指标数据，输出是否虚假警报的识别结果，以及对应的警报名称和警报级别。
所述S3步骤中基于概率图理论构建ICU警报识别模型，包括：
基于概率图理论构建ICU警报识别模型，参见图2所示，为本发明一实施例提供的病人ICU警报识别模型的模型结构示意图，其中f1、f2分别为心率特征节点以及呼吸频率特征节点，name为警报名称节点，judge＝0or1为虚假警报节点，其中所述模型的输入为病人体征指标数据，输出是否虚假警报的识别结果，若识别为虚假警报则输出警报名称以及警报级别为null，否则输出对应的警报名称和警报级别；
所述ICU警报识别模型为图结构G＝(E,V)，其中E表示节点集合，节点包括警报名称节点name、judge＝0的节点、judge＝1的节点、多种不同的病人心率特征节点以及呼吸频率特征节点，V表示边集合，所述边为有向边，有向边fq→nameb表示在病人特征为fq的情况下，发生警报nameb的概率P(nameb|fq)；
所述ICU警报识别模型的输入为病人体征指标数据[f1,*(a),f2,*(p)]，利用余弦相似度算法分别计算f1,*(a)以及f2,*(p)与所构建概率图中病人心率特征节点以及呼吸频率特征节点的相似度，将相似度最高的病人心率特征节点以及呼吸频率特征节点[f1,sim(a),f2,sim(p)]作为[f1,*(a),f2,*(p)]在概率图中的表示结果，分别计算该病人体征指标数据为虚假警报的概率以及非虚假警报的概率：
P(judge＝0|f1,sim(a),f2,sim(p))＝w1P(judge＝0|f1,sim(a))w2P(judge＝0|f2,sim(p))
P(judge＝1|f1,sim(a),f2,sim(p))＝w1P(judge＝1|f1,sim(a))w2P(judge＝1|f2,sim(p))
其中：
w1为心率特征在概率图的权重参数，w2为呼吸频率特征在概率图中的权重参数；
P(judge＝0|f1,sim(a),f2,sim(p))为该病人体征指标数据为虚假警报的概率；
P(judge＝1|f1,sim(a),f2,sim(p))为该病人体征指标数据为非虚假警报的概率；
若P(judge＝0|f1,sim(a),f2,sim(p))≥P(judge＝1|f1,sim(a),f2,sim(p))则说明该病人所对应的警报为虚假警报，则直接输出警报名称以及警报级别为null；
否则计算该病人体征指标数据会导致不同警报发生的概率：
P(name＝m|f1,sim(a),f2,sim(p))＝P(name＝m|f1,sim(a))P(name＝m|f2,sim(p))
其中：
m∈{1,2,3,…,15}，对应不同的警报名称；
选取发生概率最大的警报名称以及警报对应的警报级别作为模型的输出。
S4：基于训练集A，利用分裂梯度算法对所构建的ICU警报识别模型进行快速优化，得到训练优化后的ICU警报识别模型。
所述S4步骤中利用分裂梯度算法对所构建的ICU警报识别模型进行快速优化，包括：
利用训练集A中的样本数据对所构建的ICU警报识别模型进行快速优化，所述ICU警报识别模型的优化流程为：
S41：利用K-means算法将训练集A所有病人体征指标数据进行聚类处理，将每类的聚类中心作为概率图中病人心率特征节点以及呼吸频率特征节点，病人心率特征节点以及呼吸频率特征节点与警报名称节点之间的条件概率，即为聚类中心邻近病人体征指标数据与警报名称节点条件概率的累乘，并忽略条件概率为0的点；
S42：构建ICU警报识别模型训练的目标函数：
Figure BDA0003803131480000101
其中：
fz为训练集A中第z个病人的病人体征指标数据，Z为训练集A中病人的总数；
w1,w2为待训练优化的权重参数，令w＝[w1,w2]；
S43：设置当前分裂梯度算法迭代次数为n，分裂梯度算法参数ε>0，σ∈(0,1)，设置
Figure BDA0003803131480000102
S44：若
Figure BDA0003803131480000103
终止算法迭代流程，输出当前的权重参数wn，其中wn表示第n次迭代时的权重参数，将训练得到的权重参数作为ICU警报识别模型的权重参数，得到训练优化后的ICU警报识别模型；否则转向下一步；
S45：若
Figure BDA0003803131480000104
则令dn＝gn，否则令dn＝-gn；
S46：计算第n+1次迭代的权重参数：
wn+1＝wn+λndn
Figure BDA0003803131480000105
令n＝n+1，返回步骤S44。
S5：当医院系统检测到警报时，采集与警报相关病人的病人体征指标数据，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及处理优先级，医护人员根据模型输出结果进行相应的处置措施。
所述S5步骤中当医院系统检测到警报时，采集与警报相关病人的病人体征指标数据，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及处理优先级，包括：
当医院系统检测到警报时，按照步骤S1方法采集与警报相关病人的病人体征指标数据，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及警报名称所对应的处理优先级，其中处理优先级由高到中，医护人员根据处理优先级以及模型输出的警报名称进行相应的处置措施，减少警报疲劳。
实施例2：
如图3所示，是本发明一实施例提供的快速ICU虚假警报识别装置的功能模块图，其可以实现实施例1中的快速ICU虚假警报识别方法。
本发明所述快速ICU虚假警报识别装置100可以安装于电子设备中。根据实现的功能，所述快速ICU虚假警报识别装置可以包括特征提取模块101、训练集获取装置102及ICU警报识别装置103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
特征提取模块101，用于采集病人体征数据，利用傅里叶变换方法以及小波分解方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合共同构成病人体征指标数据；
训练集获取装置102，用于采集大量病人的病人体征指标数据以及对应的警报级别构成训练集A1，并利用生成对抗网络构建病人指标数据样本生成模型，利用病人指标数据样本生成模型生成大量病人体征指标数据，将所生成的数据同训练集A1构成训练集A；
ICU警报识别装置103，用于基于概率图理论构建ICU警报识别模型，基于训练集A，利用分裂梯度算法对所构建的ICU警报识别模型进行快速优化，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及处理优先级。
详细地，本发明实施例中所述快速ICU虚假警报识别装置100中的所述各模块在使用时采用与上述的图1中所述的快速ICU虚假警报识别方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图4所示，是本发明一实施例提供的实现快速ICU虚假警报识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如快速ICU虚假警报识别程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如快速ICU虚假警报识别程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(快速ICU虚假警报识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的快速ICU虚假警报识别程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和入院48小时内实验室检查指标数据集合，并利用傅里叶变换方法以及小波分解方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合共同构成病人体征指标数据；
采集大量病人的病人体征指标数据以及对应的警报级别构成训练集A1，并利用生成对抗网络构建病人指标数据样本生成模型，利用病人指标数据样本生成模型生成大量病人体征指标数据，将所生成的数据同训练集A1构成训练集A；
基于概率图理论构建ICU警报识别模型，其中所述模型的输入为病人体征指标数据，输出是否虚假警报的识别结果，以及对应的警报名称和警报级别；
基于训练集A，利用分裂梯度算法对所构建的ICU警报识别模型进行快速优化，得到训练优化后的ICU警报识别模型；
当医院系统检测到警报时，采集与警报相关病人的病人体征指标数据，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及处理优先级，医护人员根据模型输出结果进行相应的处置措施。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图4对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种快速ICU虚假警报识别方法，其特征在于，所述方法包括：
S1：采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和入院48小时内实验室检查指标数据集合，并利用傅里叶变换方法以及小波分解方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合共同构成病人体征指标数据；
S2：按照步骤S1方法采集大量病人的病人体征指标数据以及对应的警报级别构成训练集A1，并利用生成对抗网络构建病人指标数据样本生成模型，利用病人指标数据样本生成模型生成大量病人体征指标数据，将所生成的数据同训练集A1构成训练集A；
S3：基于概率图理论构建ICU警报识别模型，其中所述模型的输入为病人体征指标数据，输出是否虚假警报的识别结果，以及对应的警报名称和警报级别；
S4：基于训练集A，利用分裂梯度算法对所构建的ICU警报识别模型进行快速优化，得到训练优化后的ICU警报识别模型，其中所述分裂梯度算法，包括：
利用训练集A中的样本数据对所构建的ICU警报识别模型进行快速优化，所述ICU警报识别模型的优化流程为：
S41：利用K-means算法将训练集A所有病人体征指标数据进行聚类处理，将每类的聚类中心作为概率图中病人心率特征节点以及呼吸频率特征节点，病人心率特征节点以及呼吸频率特征节点与警报名称节点之间的条件概率，即为聚类中心邻近病人体征指标数据与警报名称节点条件概率的累乘，并忽略条件概率为0的点；
S42：构建ICU警报识别模型训练的目标函数：
Figure FDA0003803131470000011
其中：
fz为训练集A中第z个病人的病人体征指标数据，Z为训练集A中病人的总数；
w1,w2为待训练优化的权重参数，令w＝[w1,w2]；
S43：设置当前分裂梯度算法迭代次数为n，分裂梯度算法参数ε>0，σ∈(0,1)，设置
Figure FDA0003803131470000012
S44：若
Figure FDA0003803131470000013
终止算法迭代流程，输出当前的权重参数wn，其中wn表示第n次迭代时的权重参数，将训练得到的权重参数作为ICU警报识别模型的权重参数，得到训练优化后的ICU警报识别模型；否则转向下一步；
S45：若
Figure FDA0003803131470000014
则令dn＝gn，否则令dn＝-gn；
S46：计算第n+1次迭代的权重参数：
wn+1＝wn+λndn
Figure FDA0003803131470000015
令n＝n+1，返回步骤S44；
S5：当医院系统检测到警报时，采集与警报相关病人的病人体征指标数据，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及处理优先级，医护人员根据模型输出结果进行相应的处置措施。
2.如权利要求1所述的一种快速ICU虚假警报识别方法，其特征在于，所述S1步骤中采集病人体征数据，包括：
在病人进入ICU后，采集病人体征数据，其中所述体征数据包括生命体征检查时序数据和病人入院48h内的实验室检查指标数据集合，所述生命体征检查时序数据为病人的心率以及呼吸频率的时序数据，所述入院48小时内的实验室检查指标包括病人尿液的酸碱度k1、pH值k2、尿比重k3、尿蛋白k4、尿糖k5以及管型k6，病人血液的白细胞数量k7、白细胞中五类细胞的数量及比例k8、红细胞数量k9、红细胞压积k10、血红蛋白浓度k11、平均红细胞体积k12、血小板的数量k13以及血小板压积k14，所采集的病人体征数据为：
{x1(n1),x2(n2),K}
K＝{knum|num∈[1,14]}
其中：
x1(n1)为病人心率的时序数据，n1＝0,1,…,N1-1，N1为时序数据长度；
x2(n2)为病人呼吸频率的时序数据，n2＝0,1,…,N2-1，N2为时序数据长度；
K为病人的实验室检查指标数据集合，包括14种的实验室检查指标。
3.如权利要求2所述的一种快速ICU虚假警报识别方法，其特征在于，所述S1步骤中利用傅里叶变换方法以及小波分解方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合共同构成病人体征指标数据，包括：
对所采集的生命体征检查时序数据进行特征提取，所述特征提取流程为：
S11：利用傅里叶变换方法提取病人呼吸频率的特征f2(p)，其中p为傅里叶变换处理的采样点数，将p设置为64，所述傅里叶变换方法的公式为：
Figure FDA0003803131470000021
其中：
j为虚数单位，j2＝-1；
e为自然常数；
S12：利用小波分解方法对病人心率的特征进行提取，所述小波分解结果为：
Figure FDA0003803131470000022
其中：
q(a,x1(n1))为x1(n1)在尺度a上的小波系数，a表示小波分解过程中的最大尺度；
将小波系数作为病人心率的特征f1(a)，若q(a，x1(nR))＞0.4×max{q(a，x1(n1))}，n1＝0,1,…,N1-1，则将时序位置nR在特征f1(a)中标记为R峰。
4.如权利要求2-3所述的一种快速ICU虚假警报识别方法，其特征在于，所述S2步骤采集大量病人的病人体征指标数据以及对应的警报级别构成训练集A1，包括：
按照步骤S1方法采集大量病人的病人体征指标数据以及对应的警报级别构成训练集A1，所述训练集A1的表示形式为：
A1＝{datau＝(f1,u(a),f2,u(p),judgeu,nameu,levelu)|u∈[1,U]}
其中：
datau为所采集的第u名病人的病人体征指标数据以及对应的警报级别，U表示训练集A1中病人的总数；
f1,u(a)表示所采集的第u名病人的心率特征，f2,u(p)为所采集的第u名病人的呼吸频率特征；
judgeu＝{0,1}，judgeu＝0表示该病人所对应的警报为虚假警报，并将nameu以及levelu均设置为null；judgeu＝1表示该病人所对应的警报不为虚假警报；
nameu表示该病人所对应警报的名称，nameu∈{1,2,3,…,15}，所述警报名称包括SPO2、导联脱落、血压、心率、室早、心脏停搏、PR过高、Resp窒息、室颤、RONT、室早二联律、ST段、室早三联律、房早以及室速，依次对应nameu＝1至nameu＝15；
levelu表示该病人所对应的警报级别，levelu＝{1,2}，levelu＝1表示高优先级的警报，levelu＝2表示中优先级的警报。
5.如权利要求4所述的一种快速ICU虚假警报识别方法，其特征在于，所述S2步骤中利用生成对抗网络构建病人指标数据样本生成模型，利用病人指标数据样本生成模型生成大量病人体征指标数据，将所生成的数据同训练集A1构成训练集A，包括：
利用生成对抗网络构建病人指标数据样本生成模型，其中所述病人指标数据样本生成模型包括编码器Ge(·)和解码器Gd(·)，所述编码器的输入值为训练集A1中的病人体征指标数据，通过利用编码器Ge(·)对输入的病人体征指标数据进行编码，利用解码器Gd(·)对编码结果进行解码，得到重构后的病人体征指标数据，将解码结果作为模型的样本生成结果；
计算训练集A1中judge＝0的病人所占的比例，若该比例小于0.6，则选取judge＝0的病人所对应的病人体征指标数据作为病人指标数据样本生成模型中编码器的输入，编码器对输入结果进行编码后，利用解码器对编码结果进行解码，得到重构后的病人体征指标数据，将重构得到的病人体征指标数据的judge参数设置为0，所述样本生成后judge＝0的病人所占的比例达到0.6，得到训练集A2；
计算训练集A2中不同警报名称的病人数，选取病人数最少的5个警报名称，将所选取的警报名称下的病人体征指标数据以及对应的警报级别分别构成五个数据集A2min1,A2min2，A2min3，A2min4以及A2min5，其中每个数据集中病人体征指标数据所对应的警报名称相同，选取任意数据集的所有病人体征指标数据作为病人指标数据样本生成模型中编码器的输入，编码器对输入结果进行编码后，利用解码器对编码结果进行解码，得到重构后的病人体征指标数据，向该重构后的病人体征指标数据添加该数据集所对应的警报名称，以及警报名称所对应的警报级别，并将judge参数设置为1，得到生成样本，所述生成样本的生成数量为(num_A2max-num_A2minj′)×β，其中num_A2max为训练集A2中出现频率最高的警报名称的病人人数，j′∈{1,2,3,4,5}，num_A2minj′为数据集A2minj′内的病人人数，β为样本生成参数，将其设置为0.3，将所生成的数据同训练集A2构成训练集A；
构建病人指标数据样本生成模型中编码器Ge(·)和解码器Gd(·)的训练目标函数：
Figure FDA0003803131470000031
其中：
f为病人指标数据样本生成模型中编码器Ge(·)的输入值，包括病人的心率特征以及呼吸频率特征，p(f)为f的分布；
E(·)表示期望值计算；
Figure FDA0003803131470000032
为编码器Ge(·)的参数，
Figure FDA0003803131470000033
为解码器Gd(·)的参数；
||·||2为L2范数；
将多组病人的心率特征以及呼吸频率特征输入到训练目标函数中，使得训练目标函数达到最小的模型参数即为训练优化得到的模型参数，利用训练优化后的病人指标数据样本生成模型进行数据生成。
6.如权利要求1所述的一种快速ICU虚假警报识别方法，其特征在于，所述S3步骤中基于概率图理论构建ICU警报识别模型，包括：
基于概率图理论构建ICU警报识别模型，其中所述模型的输入为病人体征指标数据，输出是否虚假警报的识别结果，若识别为虚假警报则输出警报名称以及警报级别为null，否则输出对应的警报名称和警报级别；
所述ICU警报识别模型为图结构G＝(E,V)，其中E表示节点集合，节点包括警报名称节点name、judge＝0的节点、judge＝1的节点、多种不同的病人心率特征节点以及呼吸频率特征节点，V表示边集合，所述边为有向边，有向边fq→nameb表示在病人特征为fq的情况下，发生警报nameb的概率P(nameb|fq)；
所述ICU警报识别模型的输入为病人体征指标数据[f1,*(a),f2,*(p)]，利用余弦相似度算法分别计算f1,*(a)以及f2,*(p)与所构建概率图中病人心率特征节点以及呼吸频率特征节点的相似度，将相似度最高的病人心率特征节点以及呼吸频率特征节点[f1,sim(a),f2,sim(p)]作为[f1,*(a),f2,*(p)]在概率图中的表示结果，分别计算该病人体征指标数据为虚假警报的概率以及非虚假警报的概率：
P(judge＝0|f1,sim(a),f2,sim(p))＝w1P(judge＝0|f1,sim(a))w2P(judge＝0|f2,sim(p))
P(judge＝1|f1,sim(a),f2,sim(p))＝w1P(judge＝1|f1,sim(a))w2P(judge＝1|f2,sim(p))
其中：
w1为心率特征在概率图的权重参数，w2为呼吸频率特征在概率图中的权重参数；
P(judge＝0|f1,sim(a),f2,sim(p))为该病人体征指标数据为虚假警报的概率；
P(judge＝1|f1,sim(a),f2,sim(p))为该病人体征指标数据为非虚假警报的概率；
若P(judge＝0|f1,sim(a),f2,sim(p))≥P(judge＝1|f1,sim(a),f2,sim(p))则说明该病人所对应的警报为虚假警报，则直接输出警报名称以及警报级别为null；
否则计算该病人体征指标数据会导致不同警报发生的概率：
P(name＝m|f1,sim(a),f2,sim(p))＝P(name＝m|f1,sim(a))P(name＝m|f2,sim(p))
其中：
m∈{1,2,3,…,15}，对应不同的警报名称；
选取发生概率最大的警报名称以及警报对应的警报级别作为模型的输出。
7.如权利要求1所述的一种快速ICU虚假警报识别方法，其特征在于，所述S5步骤中当医院系统检测到警报时，采集与警报相关病人的病人体征指标数据，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及处理优先级，包括：
当医院系统检测到警报时，按照步骤S1方法采集与警报相关病人的病人体征指标数据，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及警报名称所对应的处理优先级，其中处理优先级由高到中，医护人员根据处理优先级以及模型输出的警报名称进行相应的处置措施。
8.一种快速ICU虚假警报识别装置，其特征在于，所述装置包括：
特征提取模块，用于采集病人体征数据，利用傅里叶变换方法以及小波分解方法对采集的生命体征检查时序数据进行特征提取，将提取特征与检查指标数据集合共同构成病人体征指标数据；
训练集获取装置，用于采集大量病人的病人体征指标数据以及对应的警报级别构成训练集A1，并利用生成对抗网络构建病人指标数据样本生成模型，利用病人指标数据样本生成模型生成大量病人体征指标数据，将所生成的数据同训练集A1构成训练集A；
ICU警报识别装置，用于基于概率图理论构建ICU警报识别模型，基于训练集A，利用分裂梯度算法对所构建的ICU警报识别模型进行快速优化，将所采集到的病人体征指标数据输入到训练优化后的ICU警报识别模型中，模型输出是否为虚假警报，若该警报不是虚假警报，则继续输出警报名称以及处理优先级，以实现一种如权利要求1-7任一一项所述的快速ICU虚假警报识别方法。
CN202210988923.7A 2022-08-17 2022-08-17 一种快速icu虚假警报识别方法 Active CN115399738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210988923.7A CN115399738B (zh) 2022-08-17 2022-08-17 一种快速icu虚假警报识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210988923.7A CN115399738B (zh) 2022-08-17 2022-08-17 一种快速icu虚假警报识别方法

Publications (2)

Publication Number Publication Date
CN115399738A true CN115399738A (zh) 2022-11-29
CN115399738B CN115399738B (zh) 2023-05-16

Family

ID=84160469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210988923.7A Active CN115399738B (zh) 2022-08-17 2022-08-17 一种快速icu虚假警报识别方法

Country Status (1)

Country Link
CN (1) CN115399738B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678092A (zh) * 2016-02-01 2016-06-15 中国人民解放军第三军医大学第三附属医院 基于物联网的重症监护智能报警管理系统
US20170100048A1 (en) * 2014-04-25 2017-04-13 The Regents Of The University Of California Methods for determining whether patient monitor alarms are true or false based on a multi resolution wavelet transform and inter-leads variability
CN110024043A (zh) * 2016-11-29 2019-07-16 皇家飞利浦有限公司 错误警报检测
US10650667B1 (en) * 2017-11-17 2020-05-12 Arizona Board Of Regents Acting For And On Behalf Of Northern Arizona University False alarm reduction systems and related methods
CN111544720A (zh) * 2020-05-29 2020-08-18 中日友好医院(中日友好临床医学研究所) 一种呼吸机假阳性报警的识别方法及系统
CN111938607A (zh) * 2020-08-20 2020-11-17 中国人民解放军总医院 基于多元参数融合的智能监护报警方法及其系统
CN112245728A (zh) * 2020-06-03 2021-01-22 北京化工大学 一种基于集成树的呼吸机假阳性报警信号识别方法及系统
US20220061688A1 (en) * 2020-08-28 2022-03-03 Shenzhen Mindray Bio-Medical Electronics Co., Ltd. Monitoring method and device

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170100048A1 (en) * 2014-04-25 2017-04-13 The Regents Of The University Of California Methods for determining whether patient monitor alarms are true or false based on a multi resolution wavelet transform and inter-leads variability
CN105678092A (zh) * 2016-02-01 2016-06-15 中国人民解放军第三军医大学第三附属医院 基于物联网的重症监护智能报警管理系统
CN110024043A (zh) * 2016-11-29 2019-07-16 皇家飞利浦有限公司 错误警报检测
US10650667B1 (en) * 2017-11-17 2020-05-12 Arizona Board Of Regents Acting For And On Behalf Of Northern Arizona University False alarm reduction systems and related methods
CN111544720A (zh) * 2020-05-29 2020-08-18 中日友好医院(中日友好临床医学研究所) 一种呼吸机假阳性报警的识别方法及系统
CN112245728A (zh) * 2020-06-03 2021-01-22 北京化工大学 一种基于集成树的呼吸机假阳性报警信号识别方法及系统
CN111938607A (zh) * 2020-08-20 2020-11-17 中国人民解放军总医院 基于多元参数融合的智能监护报警方法及其系统
US20220061688A1 (en) * 2020-08-28 2022-03-03 Shenzhen Mindray Bio-Medical Electronics Co., Ltd. Monitoring method and device

Also Published As

Publication number Publication date
CN115399738B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
Khemphila et al. Heart disease classification using neural network and feature selection
CN110363090B (zh) 智能心脏疾病检测方法、装置及计算机可读存储介质
CN112614578B (zh) 医生智能推荐方法、装置、电子设备及存储介质
CN114781805B (zh) 基于大数据的护理人员护理技能评估方法、系统及装置
CN113674858A (zh) 在线医疗处方用药智能检查方法、装置、设备及存储介质
CN115497616A (zh) 一种感染性疾病辅助决策的方法、系统、设备及存储介质
CN113053513A (zh) 一种基于智慧社区的智慧医疗系统
CN114420279A (zh) 一种医疗资源推荐方法、装置、设备及存储介质
CN114420231A (zh) 一种可解释的急性肾损伤持续预警方法、系统、存储介质及电子设备
CN111063448A (zh) 输血不良反应数据库建立方法、存储系统以及主动预警系统
Gong et al. Learning to summarize electronic health records using cross-modality correspondences
Gao et al. Reconstructing missing ehrs using time-aware within-and cross-visit information for septic shock early prediction
CN114864088B (zh) 一种基于医疗健康的数字孪生建立方法、装置和存储介质
CN114334175B (zh) 医院疫情监测方法、装置、计算机设备及存储介质
CN109119155B (zh) 基于深度学习的icu死亡危险性评估系统
CN114446470A (zh) 基于人工智能模型的急性肾损伤恢复时间预测方法
CN112530602A (zh) 药品副作用分析方法、装置、电子设备及计算机存储介质
CN115399738A (zh) 一种快速icu虚假警报识别方法
CN115336977A (zh) 一种精准icu警报分级评估方法
CN116705301A (zh) 一种应用于家庭护理下的健康管理方法及系统
Pantelopoulos et al. Design of the new prognosis wearable system-prototype for health monitoring of people at risk
CN116434955A (zh) 一种员工健康状态评价方法及装置
Hammoud et al. Multimodal early septic shock prediction model using lasso regression with decaying response
CN113436743A (zh) 基于表示学习的多结局疗效预测方法、装置及存储介质
CN114864032B (zh) 基于his系统的临床数据采集方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant