基于可穿戴设备监控的体征信号的呼吸道疾病重症预测方法

本发明涉及信号处理技术与深度学习领域，具体为基于可穿戴设备监控的体征信号的呼吸道疾病重症预测方法。

背景技术：

1、呼吸道疾病的爆发对全球经济和整个社区的健康产生了破坏性影响。由于呼吸道疾病大流行对重症监护设施造成了巨大压力，因此能够在患者入院时对其进行风险分层将有助于集中治疗，从而防止病情恶化。最近，许多研究人员专注于研发新的方法来筛选患者，以找到患者的临床特征与病程严重程度之间的显著关联，一些研究人员正在利用人工智能和机器学习技术，来预测患者转为严重病情或甚至面临死亡的可能性。然而，目前大部分的研究方法，使用的数据特征都是带有标签的离散临床数据，在实际应用中，这些临床特征的测量相对复杂，需要分配大量的人力和物力资源，且对这些属性的评估是在患者入院时或在较长的时间间隔内进行的，因此数据的时间分布非常分散。

2、在疾病预测与重症预警任务中，这种测量模式可能无法全面捕捉患者病情的动态变化，因为临床状态可能在测量点之间发生重大变化。基于此，本发明提出基于可穿戴设备监控的体征信号的呼吸道疾病重症预测方法，在其应用中，仅依靠心率、血氧、体温等连续便于监测的生命体征信号，不限于使用场景且无需频繁采集临床离散特征，降低了监测成本并具有较高的灵活性。且针对电子病例标签的粗略时间分辨率问题，本发明介绍了一种病程加权的组合抗噪性损失函数和时间编码方法，对不同时间点的患者数据赋予不同的权重，更加关注患者病情发展的关键阶段，捕捉患者病情的动态变化，从而提高预测的准确性和可靠性，进而提高系统的整体性能。

技术实现思路

1、本发明提供了基于可穿戴设备监控的体征信号的呼吸道疾病重症预测方法，其特征在于，所述方法包括：

2、步骤1，通过可穿戴设备采集患者体征信号，并收集电子病例；

3、步骤2，对患者体征信号做清洗过滤、时长筛选、质量评估等处理；

4、步骤3，待训练干净特征信号的归一化与时间编码处理；

5、步骤4，以临床结论为参照，根据临床数据分析呼吸道疾病病程趋势，并以此为先验知识，设计合适的病程拟合曲线函数；

6、步骤5，分析临床信号特点，构建针对一维信号特征提取骨干网络；

7、步骤6，依托病程拟合曲线，构建针对噪声标签的鲁棒性损失函数，以训练深度学习分类网络，用来预测呼吸道疾病患者的重症情况；

8、步骤7，多次重复步骤4和6，不断优化病程拟合曲线与特征提取骨干网络，寻找最具普遍性的呼吸道疾病病程趋势，以此构建呼吸道疾病重症预测系统；

9、具体地，在步骤1中，所述通过可穿戴设备采集患者体征信号，并收集电子病例，包括：借助可穿戴设备监控呼吸道疾病患者生命体征信号，包括但不限于患者心率hr、血氧spo2、体表温度t，并根据可穿戴设备检测患者腕部活动频率、步数频率，推断是否处于静息与休息状态，并打上标签lr，由此收集呼吸道疾病患者原始临床数据集sraw。收集专家通过临床诊断写成的电子病例，并赋予每个患者每天的标签lday。

10、具体地，在步骤2中，所述对患者体征信号做清洗过滤、时长筛选、质量评估等处理，包括：首先对步骤1收集的信号sraw滤除佩戴天数小于wd、每天平均佩戴时长小于wh的低时长分布信号，设计观测窗口时长wo，以保证信号时长分布均匀。其次，对处理后的数据做质量评估，考虑患者在活动中采集质量下降，筛选静息状态lr的信号。以此得到高质量信号sf。

11、具体地，在步骤3中，所述待训练干净特征信号的归一化与时间编码处理，包括：将步骤2处理后的高质量信号sf，对其进行min-max归一化，这种归一化的方式将输入的信号缩放到指定的最小值和最大值区间[0,1]范围内，公式为其中snorm代表归一化之后的信号，smin与smax分别是原始数据中最小值和最大值。此外，将同一患者的多个体征信号拼接成矩阵其中h代表时序信号长度。为了提高网络对数据的理解能力，对矩阵x本身加入时序信息，公式为xemb＝x+te(x)，其中te代表的编码函数是te＝c/(1-x)，其中，x表示代表观测窗口wo内的天数。

12、具体地，在步骤4中，所述以临床结论为参照，根据临床数据分析呼吸道疾病病程趋势，并以此为先验知识，设计合适的病程拟合曲线函数，包括：收集n例呼吸道疾病患者，记录观测窗口时长wo内包括脉搏、血氧、体温、呼吸率等四种体征以及发热情况、咳嗽情况、呼吸音异常等三种症状表现，通过临床表现差异分析，绘制患者病程趋势与异常比例，设计拟合点集合xm,ym,n∈{[xm_1,ym_1,n1],...,[xm_i,ym_i,ni]}，根据多项式拟合函数pb(x)进行拟合，其中pb(x)中x表示观测窗口时长wo内的归一化数值，归一化方式为x/wo。

13、具体地，在步骤5中，所述分析临床信号特点，构建针对一维信号特征提取骨干网络，包括：首先将步骤4处理的信号矩阵使用1d卷积扩展以λ为因子扩张通道维度至随后搭建轻量级模块，由卷积、激活函数、归一化等子模块构成，因子α控制网络的深度，抽取信号特征xs。网络设计比较灵活，可根据样本量、任务需求等调整超参。

14、具体地，在步骤6中，所述依托病程拟合曲线，构建针对噪声标签的鲁棒性损失函数，以训练深度学习分类网络，用来预测呼吸道疾病患者的重症情况，包括：根据步骤4分析的呼吸道疾病病程趋势，分析标签lday存在噪声ln，具体表现为在观测窗口wo的第i天其临床表现为而标签为设计组合抗噪声损失函数其中p(yk|x)表示输入x被预测为标签yk的概率，c代表类别数。受限于类别样本不均衡因素，w1设置为第i类别总数的倒数为进一步增强神经网络理解呼吸道疾病病程概念，将步骤4设计的病程拟合集合xm,ym,n∈{[xm_1,ym_1,n1],...,[xm_i,ym_i,ni]}经过多项式拟合函数pb(x)进行拟合，将其映射到损失权重w2中。以该组合损失函数训练优化分类网络参数θ，用来预测呼吸道疾病患者的重症情况。

15、具体地，在步骤7中，所述多次重复步骤4和6，不断优化病程拟合曲线与特征提取骨干网络，寻找最具普遍性的呼吸道疾病病程趋势，以此构建呼吸道疾病重症预测系统，包括：依据病程趋势抖缓趋势，设计k个初始点集合θ∈[θ1,...θk]，依据目标函数object：优化初始点θbest，其中fp_θ(x)表示在θ初始点下多项式函数pθ(x)以训练神经网络f，auc表示该网络在验证集上的roc曲线下面积得分。接着，在寻找到的最优初始点θbest的基础上，设计拟合点集合根据目标函数优化拟合点，其中pi(x)设计的不同拟合点对应的多项式拟合函数，lday代表患者每天的标签，以此寻找最具普遍性的呼吸道疾病病程趋势多项式拟合pb(x)，以此赋予在损失函数权重w2，构建完整的呼吸道疾病重症预测系统。

16、本发明针对现阶段基于离散临床数据的呼吸道疾病重症预测方法中模型无法全面捕捉患者病情的动态变化从而导致泛化性与精度欠佳的情况，从可穿戴设备的出发，以更容易监控的心率、血氧、体温等体征信号替代昂贵的临床离散信号，结合病程加权的组合抗噪性损失函数和时间编码方法，提升网络对捕捉患者病情的动态变化的能力，以达到更鲁棒、更灵活、精度更高的呼吸道疾病重症预测预警效果。