CN113349746A

CN113349746A - 一种生命体征监测报警系统

Info

Publication number: CN113349746A
Application number: CN202110834939.8A
Authority: CN
Inventors: 黄伟红; 胡建中; 周建辉; 岳丽青; 黄凌瑾; 赖娟; 张磊; 刘硕; 高武强; 黄佳
Original assignee: Beijing Hezheng Medical Technology Co ltd; Xiangya Hospital of Central South University
Current assignee: Beijing Hezheng Medical Technology Co ltd; Xiangya Hospital of Central South University
Priority date: 2021-07-21
Filing date: 2021-07-21
Publication date: 2021-09-07

Abstract

一种生命体征监测报警系统，其特征在于：包括如下步骤：S1、数据采集，即通过各类测量设备对人体的生命体征信息进行测量，并收集得到电子化、数值化的各种体征信息，将至少连续采集8周的数据通过物联网存到数据库中；将数据库分为两个子集，其中一个子集为训练集，另一个为测试集；S2、总结不同体征信息特征值，不断验证这些特征值的可用性；S3、通过机器学习，形成真实警报/无效警报分类模型；S4、通过交叉验证结合训练算法及验证算法验证分类模型的稳健性。本发明提供的生命体征监测警报方法，可以减少无效警报发生的概率，以便合理的分配医护资源，提高医护工作效率及服务质量。

Description

一种生命体征监测报警系统

技术领域

本发明涉及生命信息监测技术领域，具体涉及一种生命体征监测报警系统。

背景技术

医生救治病患时，需要采集病人的生命体征信息，生命体征包含了体温（T）、呼吸（R）、脉搏（P）、血压(BP)等，通过生命体征信息，医护人员可以观察病情变化，为疾病的诊断、治疗及护理提供重要依据。因此对于病人生命体征信息的及时监测相当重要，现有技术中已经存在一些能对生命体征数据进行测量的仪器以及可根据生命体征测量结果自动发出警报监测方法，例如CN110522413A公开了一种生命体征监测系统，包括生命体征监测模块、终端，终端包括生命体征显示模块、生命体征对比分析模块、数据存储模块和报警模块，生命体征监测模块用于监测患者的生命体征；生命体征显示模块用于显示患者的生命体征；生命体征对比分析模块用于将监测到的患者生命体征数据与录入的标准生命体征数据进行对比分析；数据存储模块用于记录和储存患者的生命体征数据；报警模块用于对患者生命体征异常的现象发出警报。该发明对患者生命体征的监测多样化，使得医护人员或陪护人员可以实时了解患者的实时生命体征变化，且可以保证患者无人陪护时不会出现危险情况。但在实际使用过程中，其报警功能的实现存在缺陷，比如不区分紧急度优先级；因导联脱落、佩戴检测设备脱落等原因导致的无效报警过多。

本申请旨在提供一种可以有效判别生命体征监测报警真实性的生命体征监测警报方法，减少无效警报发生的概率，以便合理的分配医护资源，提高医护工作效率及服务质量。

发明内容

本发明的目的是：克服现有技术的不足，提供一种生命体征监测报警系统，可以减少无效警报发生的概率，以便合理的分配医护资源，提高医护工作效率及服务质量。

本发明的技术方案是：一种生命体征监测报警系统，工作过程包括如下步骤：

S1、数据采集，

即通过各类测量设备对人体的生命体征信息进行测量，并收集得到电子化、数值化的各种体征信息；

S2、总结不同体征信息特征值，不断验证这些特征值的可用性；

S3、通过机器学习，形成真实警报/无效警报分类模型；

S4、通过交叉验证结合训练算法及验证算法验证分类模型的稳健性。

进一步的，在步骤S1中建立数据库，将至少连续采集8周的数据通过物联网存到数据库中。

进一步的，将数据库分为两个子集，其中一个子集为训练集，另一个为测试集。

进一步的，训练集的数据量与测试集的数据量大体相当。

进一步的，以1/20Hz的频率记录心率、呼吸频率和脉搏血氧饱和度以及收缩压和舒张压的无创生命体征监测数据；

进一步的，将心率<40 或 > 140；呼吸频率 < 8 或 > 36；收缩压 <80 或 > 200；舒张压 > 110；脉搏血氧饱和度 < 85 %，定义为危象事件，危象事件需要进行警报通知。

进一步的，使危象事件持续40秒的容差，并且如果是间歇性的，则最少持续4分钟或累积持续5分钟中的4分钟。40 秒的容差表明，如果下一次超标发生在当前超标的 40 秒内，则它们是同一事件。由于采样频率为 1/20 Hz，这也意味着只允许在两个异常读数之间出现一个正常读数。

进一步的，在步骤S2中，使用训练集数据来确定警报事件定义为真实或无效的规则。将训练集数据中的 1/20 Hz 时间图提供给至少3位临床专家组成的审阅者，由审阅者根据临床经验将警报数据分类为真实或无效，以建立“基本事实”的判断条件。

进一步的，在“基本事实”基础上采用SVM支持向量机提取特征值。这些规则捕获了每个生命体征的多数事件，并演变成文本规则，描述了最常遇到的无效事件的多信号模式。对于数字特征提取，这些文本规则被转换为从多信号时间序列数据中导出的数字特征集。

进一步的，所有特征值通过一个迭代细化，用于每个生命体征的所选特征。如标签与特征化规则不一致的事件由专家重新审查，然后重新标记它们，派生出新特征，或者重新定义文本规则，进而重新定义它们的特征。临床专家审阅者同时将测试集中的所有警报注释为真实或无效，以作为测试集。特征学习步骤结束时确定数字特征，并使用AUC与ROC曲线判断特征值的可用性。

进一步的，为了降低机器学习模型的复杂性和过度拟合的风险，使用0.7的AUC分数作为血压和脉搏血氧饱和度的任意分界点，以及0.85的呼吸频率分界点来过滤信息较少的特征，为脉搏血氧饱和度留下10个特征，为呼吸频率留下5个特征，为血压留下5个特征。

进一步的，步骤S3中，在上一步给定了特征值的情况下分类警报的二进制标签，即警报为真实或无效两种状态。使用的机器学习算法有：K个最近邻（KNN，在不同的K）、线性判别分析（LDA）、朴素贝叶斯分类器（NB）、逻辑回归（LR）、支持向量机（SVM）和随机森林(RF)。以上算法均为公知机械学习算法，主要目的是完成特征值的计算，形成明确判断条件。

进一步的，在步骤S4中，使用十折交叉验证结合训练算法及验证算法AUC分数确定应用与不同体征信息的最佳分类模型。将选定的模型应用于测试集中的数据得出结果。AUC得分来自对三类生命体征事件的算法阵列的十折交叉验证实验。

与现有技术相比本发明的有益效果：本发明提供的生命体征监测报警系统，可以减少无效警报发生的概率，以便合理的分配医护资源，提高医护工作效率及服务质量。

附图说明

图1为本发明的实施例1中的各种算法的AUC图；

图2为本发明的实施例1中的ROC图,其中图a、b分别针对集1与集2；

图中：NN-最近邻、LDA -线性判别分析、NB -朴素贝叶斯分类器、LR-逻辑回归、SVM-支持向量机、RF-随机森林、RR -呼吸频率、BP-血压、SpO2 -外周脉搏血氧饱和度。

具体实施方式

以下将结合具体实施例对本发明做进一步详细说明，本实施例中未具体说明的方法或工艺，均为现有技术。

实施例1

本实施例是一种生命体征监测报警系统的具体实现，具体工作过程包括下列步骤：

1.数据准备：

通过物联网方式，将体征监护警报信息数据化、电子化并采集连续8周数据进入数据库。将整体数据库分为两个集，集1为训练集，共308人次入院；集2为测试集，共326 人次入院。

2.算法设计：

1）以1/20Hz的频率记录心率、呼吸频率和脉搏血氧饱和度以及收缩压和舒张压的无创生命体征监测数据。

心肺不稳风险阈值设置如下：

心率<40 或 > 140；

呼吸频率 < 8 或 > 36；

收缩压 <80 或 > 200；

舒张压 > 110；

脉搏血氧饱和度 < 85 %；

当监测的对应生命体征偏移超过上述的阈值，则定义为心肺不稳的危象事件，危象事件必须进行警报通知。本实施例中在两个集中发生危象共634,137次。

本实施例中，要求事件最初持续40秒的容差，并且如果是间歇性的，则最少持续4分钟或累积持续5分钟中的4分钟（80% 占空比）。40 秒的容差表明，如果下一次超标发生在当前超标的 40 秒内，则它们是同一事件。

由于采样频率为 1/20 Hz，这也意味着我们只允许在两个异常读数之间出现一个正常读数，本实施例中产生了 2333 个合格事件，其中集1中有812 个；集2中有1521 个。

2）使用集1数据来确定警报事件定义为真实或无效的规则。将集1数据中的 1/20Hz 时间图提供给3位临床专家审阅者，由审阅者根据临床经验将警报数据分类为真实或无效，建立“基本事实”的判断条件。本实要施例中审阅者将集1中812个事件中的493个（60%）注释为真实，319 个（40%）注释为无效。在无效事件中，43%是呼吸频率，40%是脉搏血氧饱和度，15%是血压，2%是心率。

3）在前述“基本事实”基础上采用SVM支持向量机提取特征值。向量机中的一些规则捕获了每个生命体征的多数事件，并演变成文本规则，描述了最常遇到的无效事件的多信号模式。对于数字特征提取，这些文本规则被转换为从多信号时间序列数据中导出的数字特征集。

4）所有特征值通过一个迭代细化，用于每个生命体征的所选特征。如标签与特征化规则不一致的事件由专家重新审查，然后重新标记它们，派生出新特征，或者重新定义文本规则，进而重新定义它们的特征。临床专家审阅者同时将集2中的所有警报注释为真实或无效，以作为测试集。特征学习步骤结束时确定数字特征，并使用AUC与ROC曲线判断特征值的可用性。为了降低机器学习模型的复杂性和过度拟合的风险，如图1所示，本实施例中使用0.7的AUC分数作为血压和脉搏血氧饱和度的任意分界点，以及0.85的呼吸频率分界点来过滤信息较少的特征，为脉搏血氧饱和度留下10个特征，为呼吸频率留下5个特征，为血压留下5个特征。

3.算法实现：

应用各种机器学习算法来学习和验证分类模型，以在给定所选特征值的情况下分类警报的二进制标签（真实或无效）。本实施例中使用的机器学习算法有：K个最近邻（KNN，在不同的K）、线性判别分析（LDA）、朴素贝叶斯分类器（NB）、逻辑回归（LR）、支持向量机（SVM）和随机森林(RF)，以上算法均为公知机械学习算法，主要目的是完成特征值的计算，形成明确判断条件。

4.算法验证：

本实施例中使用十折交叉验证结合训练算法及验证算法AUC分数确定应用与不同体征信息的最佳分类模型。将选定的模型应用于集2数据得出结果。如图2所示，AUC得分来自对三类生命体征事件的算法阵列的十折交叉验证实验。显示在集1（灰线）数据上的训练和验证（十折交叉验证），以及在集2测试集数据（黑线）上测试算法时的平均 AUC 分数。性能最佳的算法因生命体征类型而异：呼吸频率 (RR) 的随机森林、血压 (BP) 的逻辑回归、脉搏血氧饱和度 (SpO2) 的朴素贝叶斯。

图2显示了从集1 数据（RR 的随机森林、BP 的逻辑回归和 SpO2 的朴素贝叶斯）学习，并在集2 数据上测试真阳性率 (TPR) 相对于假阳性率 (FPR; 7A) 和真阴性率(TNR) 相对于假阴性率 (FNR, 7B) 的三个重要类别的最佳模型的性能。呼吸频率（RR，深灰线）是最容易分类的，脉搏血氧饱和度（SpO2，黑线）是最难区分的。血压表现（BP，浅灰线）介于两者之间。

正指真实警报，负指无效警报。

以上仅为本发明的部分实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有前述各种技术特征的组合和变型，本领域的技术人员在不脱离本发明的精神和范围的前提下，对本发明的改进、变型、等同替换，或者将本发明的结构或方法用于其它领域以取得同样的效果，都属于本发明包括的保护范围。

Claims

1.一种生命体征监测报警系统，其特征在于：工作过程包括如下步骤：S1、数据采集，即通过各类测量设备对人体的生命体征信息进行测量，并收集得到电子化、数值化的各种体征信息，将至少连续采集8周的数据通过物联网存到数据库中；将数据库分为两个子集，其中一个子集为训练集，另一个为测试集；S2、总结不同体征信息特征值，不断验证这些特征值的可用性；S3、通过机器学习，形成真实警报/无效警报分类模型；S4、通过交叉验证结合训练算法及验证算法验证分类模型的稳健性。

2.根据权利要求1所述的一种生命体征监测报警系统，其特征在于：在步骤S1中，训练集的数据量与测试集的数据量相当。

3.根据权利要求2所述的一种生命体征监测报警系统，其特征在于：在步骤S1中，以1/20Hz的频率记录心率、呼吸频率和脉搏血氧饱和度以及收缩压和舒张压的无创生命体征监测数据。

4.根据权利要求3所述的一种生命体征监测报警系统，其特征在于：将心率<40 或 >140；呼吸频率 < 8 或 > 36；收缩压 <80 或 > 200；舒张压 > 110；脉搏血氧饱和度 < 85%，定义为危象事件，危象事件需要进行警报通知。

5.根据权利要求4所述的一种生命体征监测报警系统，其特征在于：使危象事件持续40秒的容差，并且如果是间歇性的，则最少持续4分钟或累积持续5分钟中的4分钟。

6.根据权利要求1所述的一种生命体征监测报警系统，其特征在于：在步骤S2中，使用训练集数据来确定警报事件定义为真实或无效的规则，将训练集数据中的 1/20 Hz 时间图提供给至少3位临床专家组成的审阅者，由审阅者根据临床经验将警报数据分类为真实或无效，以建立基本事实的判断条件。

7.根据权利要求6所述的一种生命体征监测报警系统，其特征在于：在基本事实基础上采用SVM支持向量机提取特征值。

8.根据权利要求7所述的一种生命体征监测报警系统，其特征在于：所有特征值通过一个迭代细化，作为某个生命体征的一个所选特征。

9.根据权利要求8所述的一种生命体征监测报警系统，其特征在于：使用AUC与ROC曲线判断特征值的可用性。

10.根据权利要求9所述的一种生命体征监测报警系统，其特征在于：在步骤S4中，使用十折交叉验证结合训练算法及验证算法AUC分数确定应用与不同体征信息的最佳分类模型，将选定的模型应用于测试集中的数据得出结果。