基于深度学习的引流液异常识别与预警方法

本申请属于智能医疗监护，具体是基于深度学习的引流液异常识别与预警方法。

背景技术：

1、在术后常规监护领域，对于创面大出血的辅助诊断普遍依赖于对引流管引流液的流体力学监测。现有方案通过预先设定静态阈值来发出警报。这种方案的隐含假设是：引流管外在检测到的流速状态与体内创面的真实出血状态在时间和空间上是同步的，引流管内的流体信号能够无延迟地代表患者体内的真实状况；

2、然而在实际情况中由于人体体腔中存在大量解剖学死腔，当患者术后发生隐性内出血时，血液并不会立即流向引流管，而是首先在这些体腔的解剖间隙内积聚，一段时间后才会溢出并真正进入引流管。这一物理过程造成了一段客观存在的流体滞后死区：在隐性出血早期阶段，体内血液正在流失，而引流管却持续输出低流速的正常信号，形成虚假安全假象；

3、现有技术忽略了这一物理滞后死区的存在，无法对异常状况发出及时预警。因此，如何打破引流管状态与创面出血状态时空同步的不合理刚性假设，利用其他可实时监测的生理代偿信号，在体内死腔积血尚未溢出至引流管之前，提前发现并提高预警有效性，成为本领域亟需解决的核心技术问题。

技术实现思路

1、本申请的目的在于提供基于深度学习的引流液异常识别与预警方法，能够将对患者实施早期干预的时间窗口大幅提前，有利于降低异常预警的误报率，并持续优化以提高其有效性。

2、本申请的目的可以通过以下技术方案实现：第一方面，基于深度学习的引流液异常识别与预警方法，包括以下步骤：

3、同步获取目标对象在连续时间区间内的生理体征时序序列及其引流物理时序序列；

4、根据预设滑动时间窗口对所述生理体征时序序列和所述引流物理时序序列进行时空对齐与重采样，生成当前滑动时间窗口内的生理体征矩阵与引流物理矩阵；

5、对所述生理体征矩阵进行趋势特征提取，获得表征所述目标对象有效血容量流失速率的生理代偿梯度特征；

6、对所述引流物理矩阵进行均值统计计算，获得基础流体传输参量，当所述基础流体传输参量小于预设的常规溢出基线阈值，对所述引流物理矩阵进行局部波动量化提取，获得表征管路末端流体物理停滞度的物理流体静止特征；

7、当所述生理代偿梯度特征大于第一预设判定阈值，且所述物理流体静止特征小于第二预设判定阈值时，判定时空错位状态成立并生成对应的隐性异常预警指令；

8、获得表征所述隐性异常预警指令准确程度的反馈优化参数，并根据其动态更新所述常规溢出基线阈值。

9、第二方面，基于深度学习的引流液异常识别与预警系统，包括以下模块：

10、数据采集模块，用于同步获取目标对象在连续时间区间内的生理体征时序序列及其引流物理时序序列；

11、矩阵生成模块，用于根据预设滑动时间窗口对所述生理体征时序序列和所述引流物理时序序列进行时空对齐与重采样，生成当前滑动时间窗口内的生理体征矩阵与引流物理矩阵；

12、第一提取模块，用于对所述生理体征矩阵进行趋势特征提取，获得表征所述目标对象有效血容量流失速率的生理代偿梯度特征；

13、第二提取模块，用于对所述引流物理矩阵进行均值统计计算，获得基础流体传输参量，当所述基础流体传输参量小于预设的常规溢出基线阈值，对所述引流物理矩阵进行局部波动量化提取，获得表征管路末端流体物理停滞度的物理流体静止特征；

14、指令生成模块，用于当所述生理代偿梯度特征大于第一预设判定阈值，且所述物理流体静止特征小于第二预设判定阈值时，判定时空错位状态成立并生成对应的隐性异常预警指令；

15、反馈优化模块，用于获得表征所述隐性异常预警指令准确程度的反馈优化参数，并根据其动态更新所述常规溢出基线阈值。

16、第三方面，一种计算机存储介质，其存储有计算机可执行指令，所述计算机可执行指令执行时实现第一方面中所述的基于深度学习的引流液异常识别与预警方法。

17、与现有技术相比，本申请的有益效果是：

18、本申请将心率与血压构成的生理代偿梯度特征，与引流管端的物理流体静止特征进行因果耦合判定，通过生理体征恶化与引流管路平静这一看似矛盾的信号组合，反向推断出血液被解剖死腔截留的隐性出血事实，在体内积血突破死腔极限之前即可发出预警，将对患者实施早期干预的时间窗口大幅提前；

19、通过引入基于瞬态生理波动强度的动态权重机制，将患者躯体运动产生的机械晃动干扰从引流流速的方差计算中有效剥离，显著降低了因患者翻身、咳嗽等动作引起的虚假流速波动对物理流体静止特征判定的干扰，降低误报率，通过统计历史评估周期内的预警准确率，并以此为驱动力对常规溢出基线阈值执行乘积缩放自适应更新，使系统能够针对不同患者群体、不同手术类型和不同临床环境自动校准，持续优化漏报率与误报率。

1.基于深度学习的引流液异常识别与预警方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的引流液异常识别与预警方法，其特征在于，生成生理体征矩阵与引流物理矩阵的过程包括：

3.根据权利要求2所述的基于深度学习的引流液异常识别与预警方法，其特征在于，获得生理代偿梯度特征的过程包括：

4.根据权利要求3所述的基于深度学习的引流液异常识别与预警方法，其特征在于，获得物理流体静止特征的过程包括：

5.根据权利要求4所述的基于深度学习的引流液异常识别与预警方法，其特征在于，所述预设权重参数的获取过程为：

6.根据权利要求1所述的基于深度学习的引流液异常识别与预警方法，其特征在于，生成隐性异常预警指令的过程包括：

7.根据权利要求6所述的基于深度学习的引流液异常识别与预警方法，其特征在于，获得反馈优化参数的过程包括：

8.根据权利要求7所述的基于深度学习的引流液异常识别与预警方法，其特征在于，更新常规溢出基线阈值的过程包括：

9.基于深度学习的引流液异常识别与预警系统，其特征在于，包括以下模块：

10.一种计算机存储介质，其存储有计算机可执行指令，其特征在于，所述计算机可执行指令执行时实现权利要求1-8中任一项所述的基于深度学习的引流液异常识别与预警方法。