神经内科临床安全隐患检测方法及系统与流程

1.本发明涉及医疗信息领域，具体为神经内科临床安全隐患检测方法及系统。


背景技术：

2.脑电图检查对于诊断癫痫病有着决定性的作用，一般来说，通过脑电图检查，80％左右的癫痫病人间隙期都有脑电图异常，而只有5％～20％的癫痫病人发作间歇期脑电图可表现正常，通过脑电图检查就能确诊是否为癫痫病。所以脑电图在诊疗和预测癫痫发作起到重要的作用。
3.以往在患者住院时，医护人员需要时刻保证有人照看着患者，从而在发作时及时介入，对于一些不能长期照看的患者而言，发作后无人介入而导致的安全隐患很大，为了实现临床安全隐患的检测。传统的技术中通常使用可穿戴设备的加速度信息来分析异常，然而患者在住院期间是长期自主生活的，起床、打喷嚏等情况会引起误报，若系统经常出现错误推送，反倒会影响医师的判断。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供神经内科临床安全隐患检测方法及系统，所采用的技术方案具体如下：
5.本发明提供的神经内科临床安全隐患检测方法，包括以下步骤：
6.构建安全隐患训练数据集；
7.所述安全隐患训练数据集的获取过程为：
8.获取历史记录中各患者发病前后的脑电图信号序列，得到各患者的发病趋势特征码；
9.获取各患者发病前的肌电极信号响应数据，得到肌电极信号响应数据的中值以及各患者发作前的肌电极响应直方图；基于肌电极响应直方图，确定各患者发病的典型程度；
10.基于各患者对应的发病趋势特征码、典型程度以及肌电极信号响应数据的中值，对所有患者的发病过程状态进行分类，得到不同的类别簇，选取非孤立的类别簇作为后续的分类结果；
11.基于分类结果，随机选取其中一患者，确定该患者的k个近邻患者集，基于k个近邻患者集中的各患者的肌电极信号响应数据，对每个患者的肌电极信号响应数据进行划分，得到每个患者的直方图，得到对应的相似类型特征码；
12.计算各相似类型特征码的隶属程度，当隶属程度小于设定阈值，则患者出现异常，标签记为0；反之，标签记为1；其中，脑电图信号序列、肌电极信号响应数据以及标签构成安全隐患训练数据集；
13.利用所述安全隐患检测数据集训练网络模型，得到训练好的网络模型；实时获取患者的脑电图信号序列、肌电极信号响应数据，将患者的脑电图信号序列、肌电极信号响应数据输入训练好的网络模型，得到患者的安全隐患分析结果。
14.优选地，所述发病趋势特征码的获取过程为：
15.基于各患者发病前后的脑电图信号序列，得到发病前后的差值序列，将差值序列记为发病趋势特征码。
16.优选地，确定各患者发病的典型程度的具体过程为：
17.根据当前患者的发作前的肌电极信号响应数据以及当前患者的发作前的历史记录中的肌电极信号响应数据，计算当前患者的当前数据与历史记录中的任一数据的欧式距离，将欧式距离按照由大到小进行排序，选取欧式距离最大值，作为当前患者自身的最相似的直方图；根据当前患者发作前的肌电极信号响应数据以及其他所有患者发作前的历史记录中的肌电极信号响应数据，计算当前患者与其他任一患者的欧式距离，将欧式距离按照由大到小进行排序，选取欧式距离最大值，作为当前患者与其他所有患者历史记录中最相似的直方图；
18.根据当前患者的肌电极信号响应数据以及患者历史记录中的最相似的直方图以及与其他患者排除患者历史记录中最相似的直方图，计算得到典型程度：
[0019][0020]
其中，t
feat
为肌电极信号响应数据，t
baseline1
为患者历史记录中的最相似的直方图t
baseline2
为当前患者与其他所有患者历史记录中最相似的直方图，cos()为余弦相似度函数。
[0021]
优选地，所述分类的具体过程为：
[0022]
基于所有患者对应的发病趋势特征码、典型程度以及肌电极信号响应数据的中值，计算任意两患者发病时状态的差异距离；
[0023]
基于差异距离，采用optics算法对各患者的各发病记录进行分类，得到不同的类别簇。
[0024]
优选地，所述相似类型特征码的获取过程为：
[0025]
基于k个近邻患者集中的各患者的肌电极信号响应数据，对每个患者的肌电极信号响应数据进行划分，得到每个患者的直方图；其中每个患者都有历史记录中，按照肌电极信号响应数据的大小；将肌电极信号响应数据的最大值作为直方图的上界；然后按照5等分的方式构建直方图，得到每个患者的相似类型特征码。
[0026]
优选地，所述网络模型还包括损失函数，其中损失函数的权重的确定过程为：
[0027]
根据获取的所有患者的隶属程度，获取前3个较大隶属程度的患者的历史记录，并根据前3个较大的隶属程度对应的各患者的历史记录，搜索与其distance(x,y)近邻的若干历史记录样本，对前3个较大的隶属程度的患者，获取差异距离，对差异距离进行极差标准化，分别得到各患者对应的权重。
[0028]
本发明还提供了神经内科临床安全隐患检测系统，包括处理器和存储器，所述处理器用于执行所述存储器存储的实现上述的神经内科临床安全隐患检测方法的步骤。
[0029]
本发明的有益效果：
[0030]
本发明的方案能够联合脑电图信号序列以及肌电极信号响应数据，对典型的患者数据和该患者本身的数据记录进行分析，从而针对该患者构建一种隐患预测的机器学习过程，从而提高判断成功率，然后在即将发作时将脑电图、肌电极信息有效地推送给医师，进
而帮助医师决策是否要前往介入。
附图说明
[0031]
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0032]
图1是本发明的神经内科临床安全隐患检测方法的方法流程图。
具体实施方式
[0033]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0034]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0035]
本发明的方案提出一种联合脑电图信号以及肌电极信号，对典型的患者数据和该患者本身的数据记录进行比对分析，从而针对该患者构建一种安全隐患预测的机器学习过程，通过机器学习的智能算法得到的分析结果，为后续医师进行患者的病情诊断，提供了一定的数据支撑，进而帮助医师决策是否要前往介入。
[0036]
具体地，以癫痫患者为例，对本发明提供的神经内科临床安全隐患检测方法进行具体介绍，请参阅图1所示，包括以下步骤：
[0037]
首先，构建安全隐患训练数据集。
[0038]
本实施例中获取安全隐患训练数据集的具体过程为：
[0039]
获取历史记录中各患者发病前后的脑电图信号序列，得到各患者的发病趋势特征码；
[0040]
获取各患者发病前的肌电极信号响应数据，得到肌电极信号响应数据的中值；基于肌电极信号响应数据，确定各患者发病的典型程度；
[0041]
基于各患者对应的发病趋势特征码、典型程度以及肌电极信号响应数据的中值，对所有患者的发病过程状态进行分类，得到不同的类别簇，选取非孤立的类别簇作为后续的分类结果；
[0042]
基于分类结果，随机选取其中一患者，确定该患者的k个近邻患者集，基于k个近邻患者集中的各患者的肌电极信号响应数据，对每个患者的肌电极信号响应数据进行划分，得到每个患者的直方图，得到对应的相似类型特征码；
[0043]
计算各相似类型特征码的隶属程度，当隶属程度小于设定阈值，则患者出现异常，标签记为0；反之，标签记为1；其中，脑电图信号序列、肌电极信号响应数据以及标签构成安全隐患训练数据集。
[0044]
上述中的患者的发病趋势特征码的获取过程为：
[0045]
基于患者发病前后的脑电图信号序列，得到发病前后的差值序列，将差值序列记
为发病趋势特征码，即q＝(var1(v
前
)-var1(v
后
)，
…
，varn(v
前
)-varn(v
后
))，其中，var1(v
前
)为发病前的第1通道的脑电图信号序列的方差，var1(v
后
)为发病后的第1通道的脑电图信号序列的方差，varn(v
前
)为发病前的第n通道的脑电图信号序列的方差，varn(v
后
)为发病后的第n通道的脑电图信号序列的方差。
[0046]
需要说明的是，针对脑电图信号序列的每个通道，在患者记录中查询得到患者发作的脑电图各通道信号序列，针对信号序列在发作前期和后期的方差得到异常波动的发展趋势，得到发病趋势特征码；针对每个患者发作时的发病趋势特征码，可以大致分为不同的脑电图变化情况。此发病趋势特征码用来表示各患者历史癫痫发作的全局情况，表征每个患者的历史记录的个体的脑电图变化情况。上述中患者发作前以及发作后的脑电图信号序列的历史记录在时间上是相同的，以发作时刻起点，分别向前和向后截取相同的时间，并获取对应的脑电图信号序列；上述中的脑电图信号序列的多个通道对应的波形包括α波、β波、θ波以及δ波。
[0047]
本实施例中，为了研究患者历史的癫痫发作性质，首先研究能够体现当前患者历史的运动先兆特征，从而体现各个患者历史的运动先兆过程中的响应情况，并得到相对的分布，在不逆推患者生活习惯的情况下分析信号的分布情况；具体如下：
[0048]
本实施例中通过分析各患者历史发作前的一段时间的肌电极信号响应数据t(也即发作前运动先兆特征)，得到患者发作性质，确定当前患者历史产生疑似抽搐行为的典型程度p。
[0049]
需要说明的是，无论多少个肌电极信号响应数据，肌电极信号响应数据的刷新率为多少，基于所有数值的整个值域等比例划分多个统计区间，本实施例中统计区间个数为15，即最低响应到最高响应的记录值中，等距划分15个统计区间，至此得到了发作前的肌电极信号响应数据t
feat
＝{t1，t2…
t
15
}。
[0050]
之后在所有患者历史记录中寻找相对于当前患者的最相近的历史记录中的基准运动先兆特征参考，其中基准运动先兆特征参考包括当前患者历史记录中的其他记录中的最相似的直方图t
baseline1
以及除该患者之外的其他患者，与该患者的肌电极信号响应数据的最相似的直方图t
baseline2
。
[0051]
上述中的最相似的直方图t
baseline1
和最相似的直方图t
baseline2
的获取方式为：
[0052]
根据当前患者的发作前的肌电极信号响应数据t
feat
以及当前患者的发作前的历史记录中的肌电极信号响应数据，计算当前患者的当前数据与历史记录中的任一数据的l2距离，将l2距离按照由大到小进行排序，选取l2距离最大值，作为当前患者自身的最相似的直方图t
baseline1
；根据当前患者的发作前的肌电极信号响应数据t
feat
以及其他所有患者的发作前的历史记录中的肌电极信号响应数据，计算当前患者与其他任一患者的l2距离，将l2距离按照由大到小进行排序，选取l2距离最大值，作为当前患者与其他所有患者历史记录中最相似的直方图t
baseline2
。需要说明的是l2距离为欧式距离。
[0053]
本实施例中，由于当前患者的肌电极信号响应数据t
feat
为15维向量，向量的分量代表了各个响应区间的用时占比。
[0054]
至此，基于得到患者历史记录中的最相似的直方图t
baseline1
以及与其他患者排除患者历史记录中最相似的直方图t
baseline2
，计算典型程度p：
[0055][0056]
其中，cos()为余弦相似度函数。
[0057]
需要说明的是，上述两个baseline是基准的行为性质参考，由此来约束患者于其他患者的行为模式是否相似由此，基于基准行为性质参考，确定当前癫痫发作性质的典型程度p，如果与其它患者的异太大，则认为患者的发作情况较为罕见，则p小，反之p大。
[0058]
至此，每次的癫痫发作记录中：基于脑电图的各通道变化趋势特征码q、发作前癫痫发作性质的典型程度p。
[0059]
其中，癫痫发作性质的典型程度p能够体现当前患者历史运动先兆响应分布是否正常，是否可能存在异常的肌电极抽动情况。
[0060]
由于各患者肌电极采集和获取方式是多样的，目前可以随身的肌电极较多，可以按照各厂商接口、数据开放平台直接获取，本发明不再赘述。至此对各患者历史每次的运动先兆响应统计得到肌电极响应直方图t
feat
。
[0061]
需要说明的是，由于发作的程度有别，还需要分析患者的运动先兆特征。患者在失去知觉前，身体的某些部位会产生不自觉的刻板僵硬动作，这是传统可穿戴设备无法监测的，比如四肢的伸屈发力时的状态。
[0062]
本实施例中，各患者对应的发病趋势特征码、典型程度以及肌电极信号响应数据的中值，对所有患者的发病过程状态进行分类，得到不同的类别簇；具体地，本实施例中基于optics算法对患者的发病情况进行聚类；其中的搜索半径eps默认为0.15，簇内最小值minpts设定为4；聚类的差异距离为：
[0063]
distance(x,y)＝(1-similarity(q
x
,qy))*(1 l1(p
x
,py))*|median(t)
x-median(t)y|
[0064]
其中，q
x
为患者x的发病趋势特征码，qy为患者y的发病趋势特征码，p
x
为患者x的典型特征，py为患者y的典型特征，median(t)
x
为患者x的肌电极信号响应数据的中值，median(t)y为患者y的肌电极信号响应数据的中值。
[0065]
上述公式中的q的趋势分布代表了发作的脑电图变化趋势，从而约束不同发作情况时的运动先兆异常程度；p为相对的典型程度的差异；median(t)所代表的不仅仅是发作时肌肉的紧张状态的典型大小，也代表了患者体格的特征，因此相对地比较和约束肌肉紧张程度。
[0066]
在此约束下，各个行为记录可以被分为不同的簇，从而位于不同的簇类型中，对于这次记录，每个患者下次记录属于哪种簇类型，是能够被相对统计得到的。
[0067]
至此，得到了每个记录样本的簇，并对簇类型进行编号，编号的方式由optics算法(密度聚类)结果的簇标签获得。其中标签有-1和不小于零的整数标签，即[0, ∞)，-1代表过于离群的孤立记录不再纳入下述分析。
[0068]
需要说明的是，上述实施例中，由于癫痫发作出现的独特情况因素较复杂，与患者历史内癫痫发作相关，因此，基于该院所有记录的患者的发作的所有的历史记录，确定多个癫痫发作过程状态。对获得的病区癫痫发作的过程状态进行独特程度的计算，并确定任意两个状态之间的差异距离。将当前的病区癫痫发作状态分成多个不同的类别，聚类过程中出现孤立的点，为少见的典型病区癫痫发作前后的异常特征，因此对孤立点单独成簇，作为
一个新的独特状态分析。
[0069]
本实施例中相似类型特征码的获取过程为：
[0070]
基于分类结果，随机选取其中一患者，确定该患者的k个近邻患者集；
[0071]
基于k个近邻患者集中的各患者的肌电极信号响应数据，对每个患者的肌电极信号响应数据进行划分，得到每个患者的直方图；其中每个患者都有历史记录中，median(t)的大小；对每个患者历史中median(t)进行直方图h
t
的构建，其中直方图的上界为整个数据中median(t)最大值，最小值即整个数据中，median(t)最小值；然后按照5等分的方式构建直方图，至此构建了每个患者的相似类型特征码h
t
。这样做的目的是，median(t)所代表的不仅仅是发作时肌肉的紧张状态的典型大小，也代表了患者体格的特征。
[0072]
需要说明的是，上述中的k个近邻中包括患者自身的记录。因此对于当前患者也有历史中的h
t
。
[0073]
本实施例中，对当前患者的相似类型特征码h
t
的隶属程度e的计算，具体如下：
[0074]
基于第k可达距离，计算每个发作时发作过程样本的第k局部可达密度lrd(m)：
[0075][0076]
其中，nk(m)为样本q的邻域样本集合，reach_distk(q,m)为样本q的第k局部可达密度。
[0077]
需要说明的是，样本m的第k局部可达密度，即样本m的第k距离邻域内的所有样本到样本m的平均第k可达距离的倒数。它表征了样本m的密度情况，当样本m与周围样本密集度越高，各样本的可达距离越可能是较小的各自的第k距离，此时lrd值越大；当样本m与周围样本的密集度越低，各样本的可达距离越可能是较的两样本之间的实际距离，此时lrd值越小。
[0078]
至此患者的历史记录中，每个h
t
的隶属程度可以作为发作时发作过程情况是否典型的依据，当lrd过于低，且低于设定阈值，则可以保守认为整个发作时发作过程的肌肉运动先兆不正常，进而得到所有患者的lrd。
[0079]
本实施例中，基于上述中获取的所有患者的隶属程度，获取前3个较大隶属程度的患者的历史记录，并根据前3个较大的lrd对应的各患者的历史记录，搜索与其distance(x,y)近邻的若干历史记录样本，权重为动态权重d：
[0080]
其中，对于一个患者的若干历史记录样本的数量可以是较大的，例如1000个，那么，对于3个患者，则共3000个近邻样本被添加到数据集中。
[0081]
具体地，以top-1的患者的历史记录样本为例，此时，根据近邻的距离的相对大小找到此样本每个样本分配权重：首先对所有距离进行极差标准化，得到与这个样本的相对距离d；然后对top-2等剩余的样本做如此操作；此时，可能会有一部分样本是重复出现的，对于重复出现的样本进行剔除，只保留在重复的样本中d最小时的样本；至此，根据top-3的较大的e的记录，得到若干历史记录样本和对应的归一化的权重d。然后添加该患者其余样本，d为0；将得到的样本的标签记为1。
[0082]
上述作为患者的有安全隐患的状态的样本，即每个样本对应发作前后一段时间的脑电图多通道数据和肌电图多通道数据，对于所属的前一段时间，本实施例截取发作前15s和发作过程的5min作为训练集。
[0083]
本实施例中，对于患者正常时期的其它记录，也作为训练样本，时长不限，标签为0；对于患者正常时期的其它记录，其序列可以随机加在标签为1(发作的样本数据)的样本之前，从而增广训练集。
[0084]
至此，将所有患者的脑电图信号序列、肌电极信号响应数据以及标签构成安全隐患训练数据集。
[0085]
本实施例中的方案，为了训练机器学习模型，而当前患者专属的历史记录较少，难以训练。因此，需要获取多个患者的训练样本的数据，构建安全隐患检测数据集d。
[0086]
其次，利用所述安全隐患检测数据集训练网络模型，得到训练好的网络模型；实时获取患者的脑电图信号序列、肌电极信号响应数据，将患者的脑电图信号序列、肌电极信号响应数据输入训练好的网络模型，得到患者的安全隐患分析结果。
[0087]
本实施例中，将训练样本集中的所有患者的脑电图信号序列、肌电极信号响应数据作为网络模型的输入，标签作为网络模型的输出，对构建的神经网络模型进行训练。其中，网络模型的输出的标签是一种0和1组成的数值序列，称其为v值。其中的v是一种考虑了患者前期行为模式的机器学习指标，能够在一段时间内的患者持续的信号产生过程中，通过tcn习得的特征提取方法，映射此时的v大小。
[0088]
上述网络模型的损失函数为：
[0089]
在训练过程中，损失函数为：loss＝(1-d)loss，其中，loss为均方差函数。
[0090]
本实施例中的神经网络模型采tcn网络模型。
[0091]
本实施例中将实时获取患者的脑电图信号序列、肌电极信号响应数据到训练好的网络模型中，输出分析结果，将分析结果推送给医师。
[0092]
本实施例中，假设医师设定了设定阈值2，当v连续2s超出医师设定阈值时，为护士站、医师提供波形的推送，甚至病床画面(如果医院有此配置)。
[0093]
本发明还提供了神经内科临床安全隐患检测系统，包括处理器和存储器，处理器用于执行存储器存储的实现上述的神经内科临床安全隐患检测方法的方法实施例，由于神经内科临床安全隐患检测方法的方法实施例已经在上述进行了详细的描述，此处不再过多赘述。
[0094]
至此，本发明提供了一种神经内科临床安全隐患检测方法及系统；由于推送准确度大大提高，实现了避免频繁查房、远程查看患者带来的精力流失，甚至造成侵犯患者隐私的不良体验、又能在临床阶段基于所检测出的安全隐患来查看患者此时的状态。
[0095]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。