基于时序深度学习的神经外科术后颅内压趋势预警方法

本发明属于医用诊断测量，尤其涉及基于时序深度学习的神经外科术后颅内压趋势预警方法。

背景技术：

1、神经外科术后颅内压监测是神经重症监护的核心内容。术后颅内压持续升高可导致脑灌注压下降、脑缺血甚至脑疝形成，是影响患者预后的关键因素。目前临床常规监测手段包括脑室内导管测压和脑实质型压力传感器测压，通过连续记录icp数值并在超过20mmhg的临床阈值时触发报警。已有研究将深度学习方法应用于icp预测，如采用长短期记忆网络（lstm）对icp时序数据进行单变量预测，或采用时序transformer网络建模icp信号的长程依赖关系实现多步预测。部分研究尝试通过注意力机制对icp波形进行特征提取和分类，亦有研究将贝叶斯持续学习策略应用于生理时间序列的在线建模。上述技术为本发明提供了基础，但现有的技术路径仍存在以下不足。

2、现有icp预警方法主要依赖固定数值阈值作为预警触发条件，未考虑不同患者个体间icp正常水平和波动模式的差异，对不同患者的普适性差。现有深度学习icp预测方法多采用离线训练、静态部署的方式——模型在历史数据上训练完成后参数固定，无法随患者术后病程演变（如脑水肿消退、引流调整、药物干预等）进行自适应更新，导致长期监测精度下降。此外，现有方法多为数据驱动的“黑箱”模型，仅输出预测结果而无法提供决策依据，临床医生难以理解模型判断的来源，降低了预警信息的临床采纳率。少数研究虽尝试将持续学习应用于医学信号，但其增量更新缺乏针对性——对所有参数进行无差别更新，容易造成对已学正常模式的灾难性遗忘；且其模型更新不涉及原型记忆库的演化，无法实现监测基准的持续优化。上述缺陷导致现有技术难以实现兼具个体化、前瞻性、可解释性和长期稳定性的术后颅内压趋势预警。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明提供了基于时序深度学习的神经外科术后颅内压趋势预警方法，解决了现有技术中icp预警技术存在静态模型无法自适应、个体化预警缺失、缺乏可解释性及增量更新无针对性导致灾难性遗忘的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、基于时序深度学习的神经外科术后颅内压趋势预警方法，包括以下步骤：

4、s1：采集神经外科术后患者的颅内压监测信号并进行预处理，获得颅内压时序数据；

5、s2：构建编码器，采用对比学习方法训练所述编码器，训练完成后对颅内压时序数据的表征向量进行聚类，获得多个原型向量并构建原型记忆库；

6、s3：将当前采集的颅内压时序数据输入所述编码器获得当前表征向量，计算其与所述原型记忆库中各原型向量的距离值，当所述距离值满足第一预设条件时，判定当前颅内压模式偏离正常模式，执行s4；

7、s4：提取所述编码器的注意力分配数值构成归因分布，计算所述归因分布与基准归因分布之间的差异值，根据所述差异值识别关键驱动因子，执行s5；

8、s5：根据所述关键驱动因子对所述编码器进行增量训练，使所述编码器针对所述关键驱动因子对应的参数维度进行更新，计算所述编码器的参数变化量，当所述参数变化量满足第二预设条件时触发所述原型记忆库的更新，执行s6；

9、s6：根据所述归因分布与所述基准归因分布之间的差异值输出预警等级。

10、优选的，s1中所述颅内压监测信号通过侵入式压力传感器以100hz至1000hz的采样频率连续采集；所述预处理包括带通滤波去噪、基线漂移校正、幅值离群值剔除以及基于波形峰值检测的逐拍分割，输出固定时间窗口长度为30秒至300秒的颅内压时序数据。

11、优选的，s2中所述编码器包含时序深度学习网络，所述编码器的训练目标为根据输入时间窗口内的颅内压时序数据预测未来时间窗口内各时刻的颅内压数值；所述对比学习方法为：对同一颅内压时序数据样本执行数据增强操作生成两个增强视图作为正样本对，所述数据增强操作选自以下一种或多种：以随机比例裁剪原始序列的时间子段、以随机因子缩放序列幅值、在随机时间位置添加高斯噪声、对序列局部进行时间轴形变；将不同样本的增强视图作为负样本对；采用对比损失函数训练所述编码器，所述对比损失函数使得正样本对在表征空间中的相似度最大化且负样本对在表征空间中的相似度最小化。

12、优选的，s2中所述原型记忆库的构建方法为：对训练数据中颅内压峰值低于20mmhg的时序数据样本的表征向量执行聚类运算，以各聚类中心作为所述原型向量，每个原型向量代表一类正常术后颅内压恢复的时间序列模式；所述原型向量的数量为5至20个。

13、优选的，s3中所述距离值为欧氏距离；所述第一预设条件为：所述当前表征向量与所述原型记忆库中所有原型向量的最小欧氏距离大于第一阈值，且该最小欧氏距离在连续多个时间窗口内呈单调递增趋势；所述第一阈值根据患者入组后初期时段采集的颅内压时序数据计算所得的初始距离值确定，所述第一阈值为所述初始距离值的1.5倍至3倍。

14、优选的，s2中所述编码器为时序transformer网络，包含时序分块嵌入层、多头自注意力层和前馈网络层；所述时序分块嵌入层用于将颅内压时序数据分割为固定长度的多个时间补丁，并通过可学习的位置编码向量添加时序位置信息；所述多头自注意力层的注意力头数量为4至16个；s4中所述提取注意力分配数值的方法为：提取所述多头自注意力层中用于表征全局信息的令牌对各时间补丁的注意力权重，对各注意力头和网络各层的注意力权重进行聚合运算获得各时间补丁的注意力权重值，将各时间补丁的注意力权重值经归一化后的概率分布作为所述归因分布。

15、优选的，s4中所述基准归因分布为当前时刻之前预设时长内各时刻归因分布的时间平均值；所述差异值为jensen-shannon散度；所述差异值的判定标准为：所述jensen-shannon散度大于第二阈值且该散度值在连续多个时间窗口内呈单调递增趋势；所述第二阈值的取值范围为0.05至0.3。

16、优选的，s5中所述增量训练采用贝叶斯持续学习策略，包括：对所述编码器的每一参数引入概率分布表示；增量训练的损失函数包含预测损失项和正则项，所述预测损失项为所述编码器对未来时间窗口内各时刻颅内压数值的预测值与实际采集值之间的误差度量，所述正则项用于约束参数变化幅度，其值为各参数重要性与各参数变化量平方乘积的加权和，所述参数重要性以fisher信息矩阵的对角元素度量，所述fisher信息矩阵的对角元素采用在线近似计算方式，以当前批次数据下损失函数对参数的一阶梯度平方的经验平均值作为fisher信息矩阵对角元素的近似值；所述关键驱动因子所对应的参数维度根据所述编码器的注意力权重在各特征维度的分布确定，所述关键驱动因子为所述归因分布中归因分数排名前列的时间窗口或波形特征，所述排名前列的时间窗口或波形特征所激活的网络神经元对应的参数即为所述关键驱动因子所对应的参数维度；在所述正则项中，所述关键驱动因子所对应的参数维度被赋予比其他参数维度更小的正则化强度，使所述关键驱动因子所对应的参数获得更大的更新自由度；通过最小化所述增量训练的损失函数，采用变分推理更新各参数的概率分布。

17、优选的，s5中所述增量训练还包括维护经验回放缓冲池，用于存储历史采集的颅内压时序数据样本；每次增量训练时从所述缓冲池中采样历史样本与当前批次新增样本混合训练；所述参数变化量的计算方法为计算增量训练后各参数值与增量训练前各参数值的相对变化幅度的平均值；所述第二预设条件为所述相对变化幅度的平均值大于第三阈值；所述原型记忆库的更新方式为：以当前表征向量与各原型向量距离最近者为分配依据，将当前采集的颅内压时序数据分配至对应聚类，当某一聚类累计分配的新增样本数量超过该聚类原有样本数量的10%至30%时，重新计算该聚类中心并替换原有原型向量。

18、优选的，s6中所述预警等级根据所述归因分布与所述基准归因分布之间的差异值确定，具体方式为：根据所述差异值计算风险评分，所述差异值越大则风险评分越高；所述风险评分归一化至0至1区间；当所述风险评分小于第一分级阈值时输出无预警状态，当所述风险评分大于等于第一分级阈值且小于第二分级阈值时输出一级预警，当所述风险评分大于等于第二分级阈值时输出二级预警；所述第一分级阈值为0.3至0.5，所述第二分级阈值为0.6至0.8。

19、本发明基于时序深度学习的神经外科术后颅内压趋势预警方法的技术效果和优点：

20、1、该发明中s3、s4、s5是存在紧密的时序依赖和逻辑因果关系：s3的偏离度触发条件激活s4的归因分析，s4识别出的关键驱动因子引导s5的增量训练方向和参数更新策略，s5对原型记忆库的更新又直接反馈至s3的监测基准。三者构成“感知（s3）—诊断（s4）—适应（s5）”的完整技术闭环，缺少任一环节均无法实现本发明所述的闭环递进预警功能，属于一个总的发明构思。同时，s3以“欧氏距离大于第一阈值且连续多个时间窗口呈单调递增趋势”作为触发条件，s4以“归因分布与基准归因分布的js散度大于第二阈值”识别关键驱动因子，s5以“关键驱动因子对应参数维度被赋予更小正则化强度”引导定向更新——三层之间形成“条件触发→归因诊断→定向更新”的因果递进链条，彼此不可分割，从根本上克服了多个独立预警信号并行输出所带来的单一性缺陷，符合专利法第三十一条的规定。

21、2、该发明在s3中通过对比学习预训练构建正常模式原型记忆库，每位患者入组后独立计算个体化偏离度基线，第一阈值根据个体初始距离值确定。第一预设条件要求偏离度既超过个体化阈值又在连续多个时间窗口内呈单调递增趋势——这一双重判定标准能够有效排除icp正常生理波动造成的瞬时偏离。本发明不依赖固定的icp数值阈值，而是通过表征空间中原型记忆库与当前icp模式的偏离程度进行早期感知。在icp数值尚未显著升高、未达到临床关注阈值时，本发明即可通过偏离度的趋势性变化捕捉到脑代偿功能减退的早期信号，实现超前预警。同时，个体化基线的设定使本发明对不同患者具有良好的自适应性，克服了统一数值阈值对不同患者普适性差、误报率高的固有缺陷。

22、3、该发明在s4中提取编码器对历史时刻的注意力分配数值构成归因分布，计算当前归因分布与基准归因分布之间的js散度，识别导致偏离的关键驱动因子。归因分析使临床医生能够直观理解模型当前关注的时间窗口和波形特征——即预警的依据是哪些历史时段和波形形态发生了异常变化。这一可解释机制克服了传统深度学习模型“黑箱”决策的缺陷，增强了临床医生对预警信息的信任度，提高了预警信息的临床采纳率。同时，归因分布的时序漂移（js散度增大）本身即反映了icp动力学模式的质性变化，在icp数值尚在正常范围时即可作为预警信号。

23、4、该发明在s5中利用s4归因分析识别出的关键驱动因子引导增量训练的方向——编码器针对关键驱动因子所对应的参数维度进行重点更新，而非对所有参数进行无差别调整。在正则项中，关键驱动因子对应参数维度被赋予更小的正则化强度，使其获得更大的更新自由度，从而快速学习新的病理模式；其他参数保持较大正则化强度，维持已学正常模式不被遗忘。本发明通过归因引导实现模型更新的精准定向——只更新与当前异常相关的参数维度，既保证了模型对新模式的学习速度，又防止了对已学正常模式的灾难性遗忘。这一机制使模型能够随患者术后病程的演变持续自适应优化，保持长期监测精度不衰减。

24、5、该发明在s5中维护经验回放缓冲池存储近期采集的历史样本，每次增量训练时混合历史样本与新增样本，防止增量更新过程中的灾难性遗忘。计算增量训练后参数相对变化幅度的平均值作为参数变化量，当参数变化量超过阈值时触发原型记忆库的更新。这一机制使原型记忆库中的正常模式表征随患者群体的积累和临床实践的演进持续更新，避免固定原型库随着时间的推移而逐渐偏离真实临床状态，确保了本发明的长期临床适用性。

25、6、该发明在s6中根据归因分布与基准归因分布之间的差异值计算风险评分，输出无预警、一级预警、二级预警三级信息。分级输出使临床医生能够根据预警等级采取差异化的临床应对措施，避免了传统二元预警“全有或全无”的局限性。同时，差异化值的连续评分机制使预警信息更加精细，能够反映颅内压代偿状态的渐进性恶化过程，而非仅报告超限事件。