欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024109500181
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多参数的血液透析患者数据分析系统,其特征在于,包括:血容量监测模块,用于获取由监测仪采集的血容量数据的时间序列;

变化率计算模块,用于计算所述血容量数据的时间序列中各个预定时间点的血容量变化率以得到血容量变化率的时间序列;

时序关联分析模块,用于对所述血容量数据的时间序列和所述血容量变化率的时间序列进行时序关联分析以得到血容量时序关联隐含特征向量和血容量变化率时序关联隐含特征向量;

公共空间映射关联模块,用于将所述血容量时序关联隐含特征向量和所述血容量变化率时序关联隐含特征向量进行公共空间映射关联以得到血容量多阶次时序关联表示矩阵;

预警结果生成模块,用于基于所述血容量多阶次时序关联表示矩阵来确定预警结果;

其中,所述公共空间映射关联模块,包括:

深度调制单元,用于将所述血容量时序关联隐含特征向量输入基于全连接层的特征深度调制映射模块以得到深度强化血容量时序关联隐含特征向量;

公共空间模式关联单元,用于将所述深度强化血容量时序关联隐含特征向量和所述血容量变化率时序关联隐含特征向量输入公共空间模式关联器以得到所述血容量多阶次时序关联表示矩阵;

其中,所述时序关联分析模块,用于:

将所述血容量数据的时间序列和所述血容量变化率的时间序列输入时间序列编码器以得到所述血容量时序关联隐含特征向量和所述血容量变化率时序关联隐含特征向量;

其中,所述时间序列编码器为基于双向长短期记忆神经网络模型的时间序列编码器;

其中,所述公共空间模式关联单元,包括:

血容量多阶次关联子单元,用于计算所述深度强化血容量时序关联隐含特征向量与所述血容量变化率时序关联隐含特征向量的转置向量以得到血容量多阶次关联矩阵;

关联离散归一化表示子单元,用于将所述血容量多阶次关联矩阵除以血容量多阶次关联矩阵的迹以得到所述血容量多阶次时序关联表示矩阵,其中,所述血容量多阶次关联矩阵的迹是所述血容量多阶次关联矩阵中对角线元素的和;

其中,所述预警结果生成模块,用于:

将所述血容量多阶次时序关联表示矩阵输入基于分类器的低血压预警器以得到所述预警结果,所述预警结果用于表示发生低血压风险是否超过预定阈值。

2.根据权利要求1所述的基于多参数的血液透析患者数据分析系统,其特征在于,还包括用于对所述基于双向长短期记忆神经网络模型的时间序列编码器、所述基于全连接层的特征深度调制映射模块、所述公共空间模式关联器和所述基于分类器的低血压预警器进行训练的训练模块。

3.根据权利要求2所述的基于多参数的血液透析患者数据分析系统,其特征在于,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括训练血容量数据的时间序列以及发生低血压风险是否超过预定阈值的真实值;

训练血容量变化率计算单元,用于计算所述训练血容量数据的时间序列中各个预定时间点的血容量变化率以得到训练血容量变化率的时间序列;

训练时间序列编码单元,用于将所述训练血容量数据的时间序列和所述训练血容量变化率的时间序列输入所述基于双向长短期记忆神经网络模型的时间序列编码器以得到训练血容量时序关联隐含特征向量和训练血容量变化率时序关联隐含特征向量;

训练特征深度调制映射单元,用于将所述训练血容量时序关联隐含特征向量输入所述基于全连接层的特征深度调制映射模块以得到训练深度强化血容量时序关联隐含特征向量;

训练公共空间模式关联单元,用于将所述训练深度强化血容量时序关联隐含特征向量和所述训练血容量变化率时序关联隐含特征向量输入所述公共空间模式关联器以得到训练血容量多阶次时序关联表示矩阵;

训练分类单元,用于将所述训练血容量多阶次时序关联表示矩阵输入所述基于分类器的低血压预警器以得到风险概率值、无风险概率值和分类损失函数值;

训练单元,用于以所述分类损失函数值来对所述基于双向长短期记忆神经网络模型的时间序列编码器、所述基于全连接层的特征深度调制映射模块、所述公共空间模式关联器和所述基于分类器的低血压预警器进行训练,其中,在所述训练的每一轮迭代中,对所述训练血容量多阶次时序关联表示矩阵进行迭代优化。

4.一种基于多参数的血液透析患者数据分析方法,其特征在于,包括:获取由监测仪采集的血容量数据的时间序列;

计算所述血容量数据的时间序列中各个预定时间点的血容量变化率以得到血容量变化率的时间序列;

对所述血容量数据的时间序列和所述血容量变化率的时间序列进行时序关联分析以得到血容量时序关联隐含特征向量和血容量变化率时序关联隐含特征向量;

将所述血容量时序关联隐含特征向量和所述血容量变化率时序关联隐含特征向量进行公共空间映射关联以得到血容量多阶次时序关联表示矩阵;

基于所述血容量多阶次时序关联表示矩阵来确定预警结果;

其中,将所述血容量时序关联隐含特征向量和所述血容量变化率时序关联隐含特征向量进行公共空间映射关联以得到血容量多阶次时序关联表示矩阵,包括:将所述血容量时序关联隐含特征向量输入基于全连接层的特征深度调制映射模块以得到深度强化血容量时序关联隐含特征向量;

将所述深度强化血容量时序关联隐含特征向量和所述血容量变化率时序关联隐含特征向量输入公共空间模式关联器以得到所述血容量多阶次时序关联表示矩阵;

其中,对所述血容量数据的时间序列和所述血容量变化率的时间序列进行时序关联分析以得到血容量时序关联隐含特征向量和血容量变化率时序关联隐含特征向量,包括:将所述血容量数据的时间序列和所述血容量变化率的时间序列输入时间序列编码器以得到所述血容量时序关联隐含特征向量和所述血容量变化率时序关联隐含特征向量;

其中,所述时间序列编码器为基于双向长短期记忆神经网络模型的时间序列编码器;

其中,将所述深度强化血容量时序关联隐含特征向量和所述血容量变化率时序关联隐含特征向量输入公共空间模式关联器以得到所述血容量多阶次时序关联表示矩阵,包括:计算所述深度强化血容量时序关联隐含特征向量与所述血容量变化率时序关联隐含特征向量的转置向量以得到血容量多阶次关联矩阵;

将所述血容量多阶次关联矩阵除以血容量多阶次关联矩阵的迹以得到所述血容量多阶次时序关联表示矩阵,其中,所述血容量多阶次关联矩阵的迹是所述血容量多阶次关联矩阵中对角线元素的和;

其中,基于所述血容量多阶次时序关联表示矩阵来确定预警结果,包括:将所述血容量多阶次时序关联表示矩阵输入基于分类器的低血压预警器以得到所述预警结果,所述预警结果用于表示发生低血压风险是否超过预定阈值。