用于确定氧饱和度水平的基于AI的方法与流程

用于确定氧饱和度水平的基于ai的方法


背景技术：

1.血氧测定法是一种用于测量血液中氧合血红蛋白的光学方法。血氧测定法是基于不同形式的血红蛋白吸收不同波长的光的能力来进行的。氧合血红蛋白(hbo2)最大吸收发生于红色波长处，并且脱氧血红蛋白或还原血红蛋白(rhb)最大吸收发生于近红外波长处。当红光和红外光穿过血管时，每种波长的透射率与血液中hbo2和rhb的浓度成反比。脉动血氧计可以将来自动脉脉动的交替光输入与静脉和其他非脉动元素的恒定水平贡献区分开来。通常，仅选择交替光输入用于分析。脉动血氧测定法已证明是一种高精度技术。脉动血氧计通常提供动脉氧饱和度、心率和光电容积脉搏波(ppg)信号，诸如红色信号和红外信号。


技术实现要素：

2.本文描述的具体实施公开了一种用于使用所训练的神经网络来生成氧饱和度水平输出信号的基于人工智能(ai)的方法。在一个具体实施中，该方法包括接收光电容积脉搏波(ppg)信号，该信号包括红色ppg信号和红外ppg信号；通过执行ppg信号的时频变换来生成一个或多个输入特征矩阵；使用输入特征矩阵和氧饱和度水平输入信号来训练神经网络；以及使用所训练的神经网络来生成氧饱和度水平输出信号。
3.一种确定氧饱和度水平的方法包括接收光电容积脉搏波(ppg)信号，该ppg信号包括红色ppg信号和红外ppg信号；通过执行ppg信号的时频变换来生成输入特征矩阵；使用输入特征矩阵和氧饱和度水平输入信号来训练神经网络；以及使用所训练的神经网络来生成氧饱和度水平输出信号。在一个具体实施中，通过执行ppg信号的时频变换来生成输入特征矩阵还包括通过执行ppg信号的小波变换来生成输入特征矩阵。
4.在一个具体实施中，通过执行ppg信号的时频变换来生成输入特征矩阵还包括跨时频平面来生成模量值向量和相位值向量。替代地，通过执行ppg信号的时频变换来生成输入特征矩阵还包括跨时频平面来生成实值向量和虚值向量。又替代地，通过执行ppg信号的小波变换来生成输入特征矩阵还包括通过执行ppg信号的莫奈特小波变换(morlet wavelet transform)来生成输入特征矩阵。
5.在一个具体实施中，该方法还包括通过基线对ppg信号进行归一化以生成归一化的ppg信号，其中生成输入特征矩阵还包括通过执行归一化的ppg信号的时频变换来生成输入特征矩阵。替代地，该方法还包括在使用输入特征矩阵训练神经网络之前非线性地重新缩放输入特征矩阵。又替代地，非线性地重新缩放输入特征矩阵还包括使用对数缩放来重新缩放输入特征矩阵。替代地，执行ppg信号的时频变换还包括以下之一：执行ppg信号的短时傅立叶变换(short time fourier transform，stft)，执行ppg信号的维格纳维尔变换(wignerville transform)以及执行ppg信号的s变换。替代地，该方法还包括将输入特征矩阵的两个或更多个向量组合以生成组合特征向量，并且其中训练神经网络还包括用组合特征向量来训练神经网络。
6.在计算环境中，一种在至少一个处理器上至少部分地执行的方法，该方法包括接
收光电容积脉搏波(ppg)信号，该ppg信号包括红色ppg信号和红外ppg信号；通过执行ppg信号的时频变换来生成输入特征矩阵；使用输入特征矩阵和氧饱和度水平输入信号来训练神经网络；以及使用所训练的神经网络来生成氧饱和度水平输出信号。
7.一种物理制品，该物理制品包括一个或多个有形计算机可读存储介质，该一个或多个有形计算机可读存储介质编码用于在计算机系统上执行计算机过程的计算机可执行指令以为计算设备提供到协作事件的自动化连接，该计算机过程包括：接收光电容积脉搏波(ppg)信号，该ppg信号包括红色ppg信号和红外ppg信号；通过执行ppg信号的时频变换来生成输入特征矩阵；以及使用输入特征矩阵和氧饱和度水平输入信号来训练神经网络。
8.提供此发明内容是为了以简化的形式介绍下文的具体实施方式中进一步描述的一系列概念。本发明内容不旨在用于确定权利要求的主题的主要或基本特征，也不旨在用于限制权利要求主题的范围。
9.本文还描述和陈述了其他具体实施。
附图说明
10.参考在说明书的剩余部分中描述的附图，可实现对本发明技术的本质和优点的进一步理解。
11.图1示出了基于ai的系统的示例性示意图，该系统用于使用时频预处理确定输入特征来确定氧去饱和度水平。
12.图2示出了用以生成输入特征矩阵的小波变换过程的示例性示意图200。
13.图3示出了从ppg导出的小波变换模量和相位图的示例性描绘。
14.图4示出了被输入到深度学习模型的红色和红外ppg信号的模量矩阵的示例性示意图。
15.图5示出了深度学习网络的示例性具体实施。
16.图6示出了与真实氧饱和度水平相比的深度学习模型的示例性输出。
17.图7示出了深度学习模型的另一示例性输入的替代示例性示意图，其中红色和红外信号模量和相位都被输入到网络。
18.图8示出了由本文公开的时频变换器生成的变换的实部和虚部的示例性描绘。
19.图9示出了以对数方式重新缩放的示例性变换模量。
20.图10示出了本文公开的确定氧饱和度水平的基于ai的方法的示例性操作。
21.图11示出了可用于实现所描述的技术的示例性计算系统。
具体实施方式
22.低氧血症是一种指示患者的动脉血中的氧水平低于正常浓度的状况。低氧血症可导致患者的缺氧或低氧状况，其特征在于患者组织中的氧含量不足。脉动血氧计可用于测量动脉血的氧含量以指示现有的缺氧状况以便预测即将发生的缺氧。脉动血氧计生成各种输出信号，包括指示脉动血氧计描记的波动时间序列，或红色和红外光电容积脉搏波(ppg)信号。红色和红外ppg信号可经处理以生成氧饱和度水平，也称为spo2值。
23.使用深度学习进行时间序列分析，诸如根据红色和红外ppg信号确定spo2值，可能只涉及将原始ppg输入到网络中，诸如长短期记忆(lstm)网络或卷积神经网络(cnn)。然而，
可以通过预处理数据以提供输入特征来获得改进的结果，这些输入特征可以更简便地捕获来自ppg信号的信息。本文公开的用于确定氧饱和度水平的基于ai的方法包括对红色和红外ppg信号进行时频处理，以生成输入特征矩阵，该输入特征矩阵接着被输入到机器学习模型中，诸如基于cnn的深度学习ai模型。
24.图1示出了基于ai的系统100的示例性示意图，该系统用于使用时频预处理确定输入特征来确定氧去饱和度水平。血氧计104可用于测量患者的氧饱和度(spo2)水平。例如，脉动血氧计104可附接到患者的拇指。脉动血氧计104可通信地连接到计算系统130。例如，脉动血氧计104可无线地连接到计算系统130，并且其可在一时间段内发送由血氧计104测量的输入信号序列110。例如，可以每秒传达此类输入信号序列110。在一个具体实施中，输入信号序列110可包括ppg信号，诸如红色信号110a、红外信号110b等。脉动血氧计104也可使用红色信号110a和红外信号110b的值来生成氧饱和度水平(spo2水平)的值。此类由脉动血氧计104生成的spo2水平的序列示出为氧饱和度水平序列120(或spo2水平序列120)。
25.计算系统130可以是包括微处理器132和在存储器134上实施的各种其他组件的计算系统。下文在图10中公开了此类计算系统130的示例。在本文公开的方法中，存储器134可用于存储由脉动血氧计104生成的输入信号序列110、由脉动血氧计104生成的spo2水平序列120以及基于输入信号序列110生成的一个或多个输入特征矩阵142。输入矩阵142的组合也可称为张量。例如，时频变换器140可用于基于输入信号序列110来生成输入特征矩阵142。
26.在一个具体实施中，时频变换器140可以是小波变换器，该小波变换器允许信号被分解，使得可以同时突出显示时间序列中特定特征的频率特性和位置。小波变换的性质使得其非常适合于分析信号，其中较高频率需要的时间分辨率比较低频率(诸如ppg信号)更精确。此外，当分析较高频率时，通过采用可变宽度的窗口，可有效地放大时间信号，从而在必要时提供更高的时间分辨率。在一个具体实施中，连续实值时间信号x(t)相对于小波函数ψ的小波变换被定义为：
[0027][0028]
其中t是时间，a是扩张参数，b是位置参数，ψ((t-b)/a)是卷积中使用的分析小波，并且ψ*((t-b)/a)是其复共轭，并且x(t)是正在研究中的信号，在本技术中，该信号可以是从脉动血氧计104获得的ppg信号110。可供时频变换器140使用的各种小波的示例可以包括莫奈特小波、墨西哥帽小波(mexican hat wavelet)、保罗小波(paul wavelet)等。替代地，也可以使用具有对应离散小波的离散小波变换。在其他具体实施中，也可以使用相同小波的变体，诸如具有不同特性(或中心)频率的莫奈特小波。
[0029]
在一个在时频变换器140处使用莫奈特小波的示例性具体实施中，中心频率ω0设置为5.5。然而，也可以使用替代的中心频率，诸如小于5.5的值(例如，2.5或1.5)，它们更适合提取时间信息。替代地，在其他具体实施中，可以使用大于5.5的值(例如，10、15)作为中心频率，它们更适合从信号提取低频度量。在另一具体实施中，时频变换器140可以使用设置为两个或更多个单独的小波中心频率值(ω0)的莫奈特小波在输入信号110上运行连续小波变换，并且将来自这些附加矩阵的模量和相位作为附加输入来输入到神经网络训练阶
段144a中。
[0030]
时频变换器140的输出可以被存储为输入特征矩阵142。输入特征矩阵142可以是时频平面中的复数值矩阵。此类矩阵的示例可以是跨时频平面的模量值矩阵。另一此类示例可以是跨时频平面的相位值矩阵。此类跨时频平面的模量值和相位值在下文图2中示出。
[0031]
在替代具体实施中，时频变换器140可以在计算小波变换之前通过基线对ppg信号110进行归一化。替代地，从时频变换器140输出的变换值可以以非线性方式重新缩放，以便增强信号内的细微特征。例如，从时频变换器140输出的模量值可以以对数方式缩放，并且所缩放的值可以用作输入特征矩阵142的一部分。
[0032]
时频变换器140的具体实施可以使用替代变换，诸如短时傅立叶变换(stft)、维格纳-维尔变换、s变换等。替代地，可以计算此类替代变换并将其与小波变换组合或彼此组合，并且该组合变换可以被输入到神经网络训练阶段144a。类似地，不同的时频变换可以用作神经网络训练阶段144a的附加输入。例如，来自小波变换的相位和模量矩阵加上短时傅立叶变换的相位和模量矩阵可以用作神经网络训练阶段144a的输入。替代地，可仅使用此类变换的一部分，例如实部、虚部、模量或相位，输入到神经网络训练阶段144a。
[0033]
由脉动血氧计104生成的输入特征矩阵142和氧饱和度水平序列120用作输入以在神经网络训练阶段144a处训练新神经网络。例如，神经网络可以是深度学习网络，诸如cnn。
[0034]
一旦神经网络被训练，如所训练的神经网络144b所指示，输入特征矩阵142就可以被输入到所训练的神经网络144b以生成预测的氧饱和度水平序列150。对由脉动血氧计104生成的预测氧饱和度水平序列150和氧饱和度水平序列120进行的比较在160处描绘(并且进一步在下文图5中示出)。
[0035]
在一个具体实施中，输入特征矩阵142的各种向量可以在输入到深度学习神经网络144a中之前以某种方式组合。例如，红色信号小波变换的模量值可以除以红外信号小波变换的模量值。随后，此变换比值可以用作深度学习神经网络144a的输入。也可以采用除了除法之外的其他运算。
[0036]
图2示出了用以生成输入特征矩阵的小波变换过程的示例性示意图200。具体地，示意图200示出了在204处变换输入ppg信号202，以生成时频平面中的模量矩阵206和时频平面中的相位矩阵208。
[0037]
图3示出了从ppg信号302导出的小波变换模量图304和相位图306的示例性描绘300。表示模量图304和相位图306的矩阵可以被输入到深度学习网络，诸如cnn，以便导出氧饱和度水平。
[0038]
图4示出了被输入到深度学习模型的红色和红外ppg信号的模量矩阵400的示例性示意图。具体地，模量矩阵402由红色ppg信号的时频变换生成，并且模量矩阵404由红外ppg信号的时频变换生成。这两个矩阵都被输入到深度学习网络。
[0039]
图5示出了深度学习网络500的示例性具体实施。所示出的深度学习网络500是卷积神经网络(cnn)。此处为可以重复任意次数的一系列块502。
[0040]
图6示出了使用来自图4中描述的红色和红外信号的模量矩阵的输入，与真实氧饱和度水平相比的深度学习模型的输出的示例性比较图600。具体地，图6示出了在一段时间内的连续去饱和事件。如本文所示，虚线602是氧饱和度水平真值，并且实线604是深度学习模型导出的预测氧饱和度水平。
[0041]
图7示出了深度学习模型的另一示例性输入的替代示例性示意图，其中红色和红外信号模量和相位都被输入到网络。具体地，模量矩阵702由红色ppg信号的时频变换生成，并且模量矩阵706由红外ppg信号的时频变换生成。此外，相位矩阵704由红色ppg信号的时频变换生成，并且相位矩阵708由红外ppg信号的时频变换生成。这四个矩阵中的每一者都被输入到深度学习网络。在替代具体实施中，来自多个小波变换的模量矩阵和相位矩阵可以用于红色和红外信号。例如，具体实施可以对每个信号使用多个莫奈特小波变换，其中针对每个变换改变莫奈特分析小波的特性频率。例如，如果使用三种特性频率，则可以生成每信号三个模量矩阵和三个相位矩阵，因此总共为十二个矩阵，并且用作训练网络的输入。
[0042]
图8示出了如由本文公开的时频变换器生成的变换的实部和虚部的示例性描绘800。具体地，变换实部804和变换虚部806构成复合数的实部和虚部，从而构成由短段ppg信号802的时频变换生成的变换矩阵。变换实部804和变换虚部806可以被输入到神经网络训练阶段144a中。
[0043]
图9示出了以对数方式重新缩放的示例性变换模量的时频曲线图900。具体地，902含有原始模量变换矩阵，并且904含有通过对原始变换矩阵的变换值重新缩放生成的对数缩放模量。此类缩放允许原始模量变换矩阵的较小特征不受信号中较高能量特征的支配。除对数缩放以外的缩放方法也可以用于以非线性方式缩放变换值，以便增强信号内的细微特征。
[0044]
图10示出了本文公开的确定氧饱和度水平的基于ai的方法的示例性操作1000。操作1002从血氧计获取红色和红外ppg信号。操作1004计算输入的红色和红外ppg信号的小波变换以生成变换矩阵wtr和wt
ir
。在操作1006处，变换矩阵wtr和wt
ir
被输入到深度学习神经网络中，以用于训练深度学习神经网络以生成所计算的氧饱和度水平或spo2。
[0045]
图11示出了可用于实现所描述的用于提供可证明和可破坏的设备身份的技术的示例性系统1100。用于实现所描述的技术的图11的示例性硬件和操作环境包括：计算设备(诸如呈计算机20的形式的通用计算设备)、移动电话、个人数据助理(pda)、平板电脑、智能手表、游戏遥控器或其他类型的计算设备。在图11的具体实施中，例如，计算机20包括处理单元21、系统存储器22和系统总线23，该系统总线将包括系统存储器的各种系统部件通信地耦接到处理单元21。可存在仅一个或多于一个处理单元21，使得计算机20的处理器包括单个中央处理单元(cpu)或通常称为并行处理环境的多个处理单元。计算机20可以是常规计算机、分布式计算机或任何其他类型的计算机；然而，具体实施并不限于此。
[0046]
系统总线23可以是若干种类型的总线结构中的任一种总线结构，包括存储器总线或存储器控制器、外围总线、交换构架、点对点连接件和使用各种总线架构中的任一种总线架构的局部总线。系统存储器也可简单地称为存储器，并且包括只读存储器(rom)24和随机存取存储器(ram)25。包含诸如在启动期间有助于在计算机20内的元件之间传送信息的基本例程的基本输入/输出系统(bios)26存储在rom 24中。计算机20进一步包括用于从硬盘读取和写入到该硬盘的硬盘驱动器27(未示出)、用于从可移除磁盘29读取或写入到该可移除磁盘的磁盘驱动器28，以及用于从诸如cd rom、dvd或其他光介质的可移除光盘31读取或写入到该可移除光盘的光盘驱动器30。
[0047]
硬盘驱动器27、磁盘驱动器28和光盘驱动器30分别通过硬盘驱动器接口32、磁盘驱动器接口33和光盘驱动器接口34连接到系统总线23。驱动器及其相关联有形计算机可读
介质提供计算机可读指令、数据结构、程序模块和计算机20的其他数据的非易失性存储。本领域的技术人员应理解，可在示例性操作环境中使用任何类型的有形计算机可读介质。
[0048]
多个程序模块可存储在硬盘驱动器27、磁盘28、光盘30、rom 24或ram 25上，包括操作系统35、一个或多个应用程序36、其他程序模块37和程序数据38。用户可通过诸如键盘40和指向设备42的输入设备在个人计算机20上生成提示。其他输入设备(未示出)可包括麦克风(例如，用于语音输入)、相机(例如，用于自然用户界面(nui))、操纵杆、游戏垫、碟形卫星天线、扫描仪等。这些和其他输入设备通常通过耦接到系统总线23的串行端口接口46连接到处理单元21，但也可通过诸如并行端口、游戏端口或通用串行总线(usb)(未示出)的其他接口进行连接。监测仪47或其他类型的显示设备也经由诸如视频适配器48的接口连接到系统总线23。除了监测仪之外，计算机通常还包括诸如扬声器和打印机的其他外围输出设备(未示出)。
[0049]
计算机20可使用到诸如远程计算机49的一个或多个远程计算机的逻辑连接来在联网环境中操作。这些逻辑连接通过耦接到计算机20或其一部分的通信设备来实现；具体实施不限于特定类型的通信设备。远程计算机49可以是另一台计算机、服务器、路由器、网络pc、客户端、对等设备或其他常见网络节点，并且通常包括上文相对于计算机20描述的元件中的许多元件或所有元件。图7中所描绘的逻辑连接包括局域网(lan)51和广域网(wan)52。此类联网环境常见于办公室网络、企业范围的计算机网络、内联网和因特网，这些网络都是各种类型的网络。
[0050]
当在lan联网环境中使用时，计算机20通过网络接口或适配器53连接到局域网51，该网络接口或适配器是一种类型的通信设备。当在wan联网环境中使用时，计算机20通常包括调制解调器54、网络适配器、用于通过广域网52建立通信的一种类型的通信设备或任何其他类型的通信设备。调制解调器54可以是内部的或外部的，经由串行端口接口46连接到系统总线23。在联网环境中，相对于个人计算机20或其部分描述的程序引擎可存储在远程存储器存储设备中。应理解，示出的网络连接为示例，并且可使用用于在计算机之间建立通信链路的通信设备的其他手段。
[0051]
在示例性具体实施中，用于提供可证明和可破坏的设备身份的软件或固件指令可存储在存储器22和/或存储设备29或31中并由处理单元21处理。本文所公开的一个或多个数据存储库可作为永久数据存储库存储在存储器22和/或存储设备29或31中。例如，基于ai的spo2确定模块1102(在个人计算机20内示出)可在计算机20上实现(替代地，基于ai的spo2确定模块1102可在服务器上或在云环境中实现)。基于ai的spo2确定模块1102可利用处理单元21、存储器22、系统总线23和个人计算机20的其他组件中的一者或多者。
[0052]
与有形计算机可读存储介质相比，无形计算机可读通信信号可包含计算机可读指令、数据结构、程序模块或驻留在经调制数据信号中的其他数据，诸如载波或其他信号传输机制。术语“经调制数据信号”意指具有以在信号中编码信息的此类方式被设置或改变的其特性中的一者或多者的信号。以示例的方式而非限制，无形通信信号包括诸如有线网络或直接有线连接的有线介质，和诸如声学、rf、红外和其他无线介质的无线介质。
[0053]
本文所描述的具体实施被实现为一个或多个计算机系统中的逻辑步骤。逻辑操作可被实现为：(1)在一个或多个计算机系统中执行的处理器实现的步骤的序列，以及(2)一个或多个计算机系统内的互连机器或电路模块。具体实施是一个选择问题，取决于所利用
的计算机系统的性能要求。因此，构成本文所述的具体实施的逻辑操作被不同地称为操作、步骤、对象或模块。此外，应理解，逻辑操作可以任何顺序执行，除非另外明确声明或者权利要求语言固有地需要特定顺序。
[0054]
以上说明书、示例和数据提供了对本发明的示例性实施方案的结构和使用的完整描述。由于本发明的许多具体实施可在不脱离本发明的实质和范围的情况下进行，因此本发明存在于下文所附的权利要求书中。此外，在不脱离所陈述的权利要求书的情况下，不同实施方案的结构特征可在又一具体实施中组合。