一种颅脑健康预警方法和装置

摘要: 本申请实施例涉及健康预警,尤其涉及一种颅脑健康预警方法和装置。背景技术:1、神经重症患者的颅脑健康状态监测面临显著挑战。临床观察显示,病情恶化过程通常始于多模态...
一种颅脑健康预警方法和装置

本申请实施例涉及健康预警,尤其涉及一种颅脑健康预警方法和装置。

背景技术:

1、神经重症患者的颅脑健康状态监测面临显著挑战。临床观察显示,病情恶化过程通常始于多模态生理信号间的隐性失衡,而非单一指标的突变,例如,脑血流灌注的渐进性减弱可能早于脑氧饱和度的明显降低,脑电节律的细微扰动往往与脑氧供需关系共同反映意识状态的潜在转变。现有监护系统普遍采用基于固定阈值的单指标报警机制,虽能识别极端异常值,却无法有效捕捉多模态信号间的协同变化模式,这种局限性导致系统难以将多个生理参数的轻微偏离转化为直观、连续的病情风险量化指标,造成早期预警窗口的错失。

2、同时,引入机器学习或深度学习模型虽能处理多源数据,但其输出结果缺乏临床透明度,模型生成的概率值或分类标签无法向医护人员清晰阐释风险成因,例如无法说明脑电、脑血流与脑氧数据如何共同影响预警决策,这种黑盒特性严重阻碍了医生对报警事件的理解与信任,使得技术方案难以融入实际诊疗流程,因此,临床迫切需要一种能够融合多模态生理特征、提供可解释健康评分并支持动态监测的预警机制,以解决现有技术在风险量化与临床适用性方面的根本缺陷。

技术实现思路

1、为实现上述目的,本公开实施例的第一方面提出了一种颅脑健康预警方法,所述方法包括:

2、获取目标对象的时间序列和多模态特征;其中,所述时间序列包括脑电、脑血流和脑氧数据;所述多模态特征包括从所述脑电、所述脑血流和所述脑氧数据中分别提取的模态特征;

3、将所述多模态特征中的每一所述模态特征与预设的临床规则匹配,以确定每一所述模态特征对应的规则评分,并根据所述规则评分,确定所述目标对象的第一颅脑健康评分;其中,所述临床规则基于健康对象的健康脑电、健康脑血流和健康脑氧数据构建;

4、将所述多模态特征输入至预设的机器学习模型,得到所述机器学习模型输出的所述目标对象的第二颅脑健康评分;

5、将所述时间序列输入至深度学习模型中,得到所述深度学习模型输出的所述目标对象的第三颅脑健康评分;

6、根据所述第一颅脑健康评分、所述第二颅脑健康评分和所述第三颅脑健康评分,得到所述目标对象的颅脑健康总评分;

7、在所述颅脑健康总评分低于预设阈值的情况下,产生报警。

8、本申请实施例提供的上述方法,至少具有如下的有益效果:

9、本方法通过引入基于临床规则的第一颅脑健康评分,其直接来源于对生理指标与临床正常范围的匹配,使得医护人员能够直观地理解部分报警原因;进一步融合了机器学习模型和深度学习模型,机器学习模型能够从多模态特征中学习复杂的非线性模式,捕捉到临床规则可能无法直接定义的风险因素,深度学习模型则专注于分析时间序列的动态演变,识别出早期病理变化的动态特征。通过将这三种不同来源的健康概率进行综合,构建了一个鲁棒且全面的颅脑健康总评分,有效弥补了单一评估方式的局限性,临床规则提供了生理学基础和可解释性,机器学习模型提供了对复杂特征模式的识别能力,而深度学习模型则提供了对时序动态变化的捕捉能力。由此,能够将多模态的轻微异常转化为一个直观、可量化、可连续观察的健康评分,并在此基础上实现及时预警,显著提升了颅脑健康监测的准确性和实用性。

10、为实现上述目的,本公开实施例的第二方面提出了一种颅脑健康预警装置,所述装置包括:

11、数据获取模块,用于获取目标对象的时间序列和多模态特征;其中,所述时间序列包括脑电、脑血流和脑氧数据;所述多模态特征包括从所述脑电、所述脑血流和所述脑氧数据中分别提取的模态特征;

12、第一计算模块,用于将所述多模态特征中的每一所述模态特征与预设的临床规则匹配,以确定每一所述模态特征对应的规则评分,并根据所述规则评分,确定所述目标对象的第一颅脑健康评分;其中,所述临床规则基于健康对象的健康脑电、健康脑血流和健康脑氧数据构建;

13、第二计算模块,用于将所述多模态特征输入至预设的机器学习模型,得到所述机器学习模型输出的所述目标对象的第二颅脑健康评分;

14、第三计算模块,用于将所述时间序列输入至深度学习模型中,得到所述深度学习模型输出的所述目标对象的第三颅脑健康评分;

15、第四计算模块,用于根据所述第一颅脑健康评分、所述第二颅脑健康评分和所述第三颅脑健康评分,得到所述目标对象的颅脑健康总评分;

16、预警模块,用于在所述颅脑健康总评分低于预设阈值的情况下,产生报警。

17、为实现上述目的,本公开实施例的第三方面提出了一种电子设备,包括至少一个控制器和用于与所述控制器通信连接的存储器;所述存储器存储有能够被所述至少一个控制器执行的指令,所述指令被至少一个所述控制器执行,以使至少一个所述控制器执行:如第一方面实施例任一项所述的一种颅脑健康预警方法。

18、为实现上述目的,本公开实施例的第四方面还提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行:如第一方面实施例任一项所述的一种颅脑健康预警方法。

19、可以理解的是,上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同,可以参见上述第一方面中的相关描述,在此不再赘述。

1.一种颅脑健康预警方法,其特征在于,所述方法包括:

2.根据权利要求1所述的一种颅脑健康预警方法,其特征在于,在所述将所述多模态特征中的每一所述模态特征与预设的临床规则匹配之前,所述方法还包括:

3.根据权利要求2所述的一种颅脑健康预警方法,其特征在于,所述将所述多模态特征中的每一所述模态特征与预设的临床规则匹配,以确定每一所述模态特征对应的规则评分,并根据所述规则评分,确定所述目标对象的第一颅脑健康评分,包括:

4.根据权利要求3所述的一种颅脑健康预警方法,其特征在于,所述根据属于所述脑电特征的所述模态特征的规则评分,计算所述脑电特征的脑电评分,包括:

5.根据权利要求1所述的一种颅脑健康预警方法,其特征在于,所述机器学习模型为基于xgboost的分类模型。

6.根据权利要求1所述的一种颅脑健康预警方法,其特征在于,得到所述深度学习模型输出的所述目标对象的第三颅脑健康评分的过程,包括:

7.根据权利要求1所述的一种颅脑健康预警方法,其特征在于,所述根据所述第一颅脑健康评分、所述第二颅脑健康评分和所述第三颅脑健康评分,得到所述目标对象的颅脑健康总评分,包括:

8.一种颅脑健康预警装置,其特征在于,所述装置包括:

9.一种电子设备,其特征在于,包括:至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行权利要求1至7任一项所述的一种颅脑健康预警方法。

10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行权利要求1至7任一项所述的一种颅脑健康预警方法。