基于血氧饱和度和脉率趋势图的心肺健康检测系统和方法与流程

1.本发明涉及有源医疗器械领域，具体是基于血氧饱和度和脉率趋势图的心肺健康检测系统和方法。


背景技术：

2.指夹式脉搏血氧仪通常供家用，一般只具有测量血氧饱和度和脉率的功能，只显示这两个参数，而一般用户往往缺乏医学知识，很难根据这两个数据对自己的健康状况作出判断，这就使这类产品的实用性大打折扣。由于脉搏与心脏跳动相关度很高，而血氧饱和度又与肺功能有较高的相关性，利用指夹式脉搏血氧仪测得的血氧饱和度和脉率数据，根据医学诊断标准，可以了解心肺健康状况。
3.单一时间的血氧饱和度和脉率不能全面反映人的心肺健康，往往需要观察一定时间(通常几分钟内)的变化趋势，才能分析出人的心肺健康状况。鉴于血氧饱和度和脉率趋势的多样性，单纯从医学诊断标准出发，机械地根据趋势图的基本走向来判断心肺健康状况，往往会造成误判和漏判。


技术实现要素：

4.本发明的目的在于提供基于血氧饱和度和脉率趋势图的心肺健康检测系统和方法，在产生血氧饱和度趋势图和脉率趋势图的基础上，通过人工智能的神经网络算法，心脏和肺健康程度分析，从而判断心肺健康状况的技术，以提高基于脉搏血氧饱和度测试的心肺健康检测准确性。
5.为实现上述目的，本发明首先利用ppg技术测量血氧脉搏波，在此基础上通过特定算法可以得到即时血氧饱和度和脉率值。这是常规血氧仪的功能。本发明是在此基础上，对ppg测试血氧脉搏波功能的扩展。由于脉搏与心脏跳动高度相关，而血氧饱和度又与肺功能相关性较高，ppg测试血氧脉搏波可以用于判断心肺功能健康状况。但血氧脉搏波与心肺健康的关联较为复杂，仅根据血氧和脉率的即时值，是不能准确判断心肺健康的。
6.为解决上述问题，本发明首先推出血氧饱和度趋势图和脉率趋势图，供用户根据知识和经验来判断心肺健康。血氧饱和度趋势图和脉率趋势图，就是取一段时间内变化的血氧饱和度或脉率的值，以时间为横轴，以血氧饱和度或脉率的数值为纵轴的波形数据。血氧饱和度几分钟内的变化趋势可以反映肺功能的健康状况，脉率几分钟内的变化趋势则可以反映心脏功能的健康状况。
7.为实现上述目的，本发明提供如下技术方案：
8.基于血氧饱和度和脉率趋势图的心肺健康检测方法，其检测方法步骤如下：
9.步骤一：对于血氧饱和度和脉率，分别连续取3秒的数据值，以时间为横轴，数据值为纵轴进行波形显示，即显示血氧饱和度趋势图和脉率趋势图，并对3秒钟的数据求平均值；
10.步骤二：新的3秒钟的数据覆盖掉前3秒的数据，继续显示，求平均值，如此延续；
11.步骤三：连续3分钟的数据，血氧饱和度和脉率分别有60个平均值，分别作为各自神经网络算法模型的输入，即心脏健康神经网络算法模型和肺健康神经网络算法模型的输入；
12.步骤四：采集大量的样本，分别对心脏和肺健康对应的神经网络模型进行训练；
13.步骤五：在完成上述四个步骤后，心脏和肺健康对应的两种算法模型就已经确定，可以将血氧饱和度和脉率趋势图数据作为输入，进行心肺健康判断。
14.作为本发明进一步的方案：所述步骤三中对每种模型，这60个平均值，按照时间顺序，分别与图2中t1时刻血氧饱和度或脉率值、t2时刻血氧饱和度或脉率值、
……
、t60时刻血氧饱和度或脉率值对应，心脏健康模型对应的是各时刻的脉率值，肺健康模型则对应的是各时刻的血氧饱和度值。
15.作为本发明再进一步的方案：所述步骤四中误差的bp算法采用随机梯度下降(sgd)算法，随着误差的反向传播不断改变加权系数wij和w’jk的值，当误差的均方根小于0.001时，停止学习训练，此时的加权系数wij和w’jk的值为算法模型的最终值。
16.作为本发明再进一步的方案：所述步骤五中当输出值小于或等于0.5时，将输出值强制为0；当输出值大于0.5时，将输出值强制为1。
17.基于血氧饱和度和脉率趋势图的心肺健康检测方法用检测系统，包括ppg测试模块、数据存储模块、显示模块和数据更新模块，所述ppg测试模块与数据存储模块连接，所述数据存储模块与显示模块连接，所述显示模块与数据更新模块连接。
18.与现有技术相比，本发明的有益效果是：
19.1、本发明先在通过ppg测量血氧饱和度和脉率的基础上，收集3分钟的血氧饱和度和脉率的数据，显示的血氧饱和度趋势图和脉率趋势图则是3秒钟的数据，每3秒钟更新，血氧饱和度趋势图和脉率趋势图每幅图像即3秒钟的数据取平均值，分别作为肺健康神经网络和心脏健康神经网络的输入，并根据先后顺序与图1中神经网络t1到t60时刻相对应，再采用人工智能的神经网络算法，根据大量样本的血氧饱和度趋势图和脉率趋势图的数据，分别对肺健康神经网络模型和心脏健康神经网络模型进行训练，最终使实际值与神经网络的输出值的误差均方根小于设定的阈值(0.001)，从而得到最终心脏健康神经网络模型和肺健康神经网络模型，并采用这两个模型的算法得出心脏健康和肺健康的判断结果，提高了基于脉搏血氧饱和度测试的心肺健康检测准确性；
20.2、本发明将人工智能的神经网络算法应用于心脏和肺健康的判断，人工神经网络通过对大量样本的学习训练，记忆了各种与健康状况相关的特征，通过算法直接给出判断结果，不仅不需要用户通过医学知识来判断，判断结果的准确性也大幅提高。将上述技术应用于指夹式脉搏血氧仪相关产品，可以扩展其用途，方便用户了解自己的心肺健康状况，具有较高的社会效益和经济效益。
附图说明
21.图1为血氧饱和度和脉率趋势图建立流程及数据去向图。
22.图2为神经网络的算法模型图。
23.图3为心脏健康神经网络算法模型对临床样本的实际运行结果与实际健康状况对比图。
具体实施方式
24.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.请参阅图1～3，本发明实施例中，基于血氧饱和度和脉率趋势图的心肺健康检测系统和方法，其检测方法步骤如下：
26.步骤一：对于血氧饱和度和脉率，分别连续取3秒的数据值，以时间为横轴，数据值为纵轴进行波形显示，即显示血氧饱和度趋势图和脉率趋势图；对3秒钟的数据求平均值；
27.步骤二：新的3秒钟的数据覆盖掉前3秒的数据，继续显示，求平均值，如此延续；
28.步骤三：连续3分钟的数据，血氧饱和度和脉率分别有60个平均值，分别作为各自神经网络算法模型的输入，即心脏健康神经网络算法模型和肺健康神经网络算法模型的输入。对每种模型，这60个平均值，按照时间顺序，分别与图2中t1时刻血氧饱和度或脉率值、t2时刻血氧饱和度或脉率值、
……
、t60时刻血氧饱和度或脉率值对应，心脏健康模型对应的是各时刻的脉率值，肺健康模型则对应的是各时刻的血氧饱和度值；
29.步骤四：采集大量的样本，分别对心脏和肺健康对应的神经网络模型进行训练，误差的bp算法采用随机梯度下降(sgd)算法，随着误差的反向传播不断改变加权系数wij和w’jk的值，当误差的均方根小于0.001时，停止学习训练，此时的加权系数wij和w’jk的值为算法模型的最终值；
30.步骤五：在完成上述四个步骤后，心脏和肺健康对应的两种算法模型就已经确定，可以将血氧饱和度和脉率趋势图数据作为输入，进行心肺健康判断。当输出值小于或等于0.5时，将输出值强制为0；当输出值大于0.5时，将输出值强制为1，这样，就可以判断出心肺的哪些健康状况成立，哪些不成立，从而得出健康结论。
31.基于血氧饱和度和脉率趋势图的心肺健康检测系统，包括ppg测试模块、数据存储模块、显示模块和数据更新模块，所述ppg测试模块与数据存储模块连接，所述数据存储模块与显示模块连接，所述显示模块与数据更新模块连接；
32.ppg测试不断得到即时血氧饱和度和脉率数据，系统对这些数据进行存储；由于系统存储单元数量有限，只能存有限的数据，这里设定为3秒钟的数据，并在显示屏上，以时间为横轴，数据值为纵轴进行波形显示。然后，新的3秒钟数据覆盖原先3秒钟的数据，显示屏也更新显示，如此连续进行。这样，用户就可以观察到血氧饱和度和脉率的变化趋势，如果具有一定的医学知识，就可以判断出自己的心肺健康状况；
33.然而上述的心肺健康检测方法，需要一定的医学知识，且主观因素的影响较大；趋势图的走势又往往会出现某些特殊情况，诊断标准不一定会涵盖。因此，以这种方式判断自己的心肺健康，虽然有一定效果，但也会造成误判和漏判。
34.鉴于此，用户根据血氧饱和度和脉率趋势图主观判断自己心肺健康的的方法，仅做参考。
35.本发明则是在上述检测心肺健康方法的基础上，同样基于血氧饱和度趋势图和脉率趋势图，将人对自己心肺健康的主观判断，转化为机器算法的客观判断。为了使判断的结果更为准确，本发明采用了人工智能的神经网络算法模型，通过对大量样本(包括各种特殊
血氧饱和度和脉率趋势的样本)进行学习训练，最终得到能够满足需要的固定参数算法模型，作为基于血氧饱和度和脉率趋势图的机器算法，用于判断人的心肺健康。
36.本发明的神经网络算法模型有两种，分别对应心脏健康和肺健康判断，但两种模型的基本结构是一样的，如图2，心脏健康模型各时刻的输入为脉率值，肺健康模型各时刻的输入为则血氧饱和度值。图2中的神经网络模型包括一个60维度的输入层(两种模型均为60维度输入)，一个具有100个神经元的中间层，和一个输出层。输出层的维数这里为不定数n，因为这两种模型输出层的维数不一样，即使同一种模型，也可能会根据需要调整输出判定结果的数量。输出层各项对应不同的判断结果，如心肺健康、心动过速等。中间层神经元的激活函数为sigmoid函数。每项期望输出只有1和0两个值，1则代表该项成立，0则不成立。wij和w’jk是各加权系数，在学习训练的过程中，通过期望值与实际输出值的误差均方根反向传播而不断调整。
37.通过采用本发明的心脏健康神经网络模型对临床样本的实际运行结果与实际健康状况对比，如图3，本发明模型输出层共有健康、早搏、心动过速和心动过缓四个判断结果。十个临床测试对象只有一人出现漏判。
38.临床测试
39.为了验证本发明的系统和方法的实际效果，我们对50人的样本进行了临床测试。
40.对每一个测试样本，进行3种测试进行对比：1、本发明的神经网络测试；2、基于本发明两种趋势图的3人主观测试，测试准确度取3人平均值；3、基于血氧仪即时血氧饱和度和心率值的3人主观测试，测试准确度取3人平均值。
41.测试结果
42.测试结果如表1所示，即：第1种的漏诊率为2％(仅有一例，将早搏漏诊)，误诊率为0；第2种的漏诊率为8％，误诊率为2％；第3种的漏诊率为22％，误诊率为14％。可以看出，本发明的神经网络测试的误判率和漏判率均最低，基于本发明两种趋势图的3人主观测试的误判率和漏判率均高于前者，而基于血氧仪即时血氧饱和度和心率值的3人主观测试的误判率和漏判率均最高。
43.表1
[0044][0045]
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.基于血氧饱和度和脉率趋势图的心肺健康检测方法，其特征在于：其检测方法步骤如下：步骤一：对于血氧饱和度和脉率，分别连续取3秒的数据值，以时间为横轴，数据值为纵轴进行波形显示，即显示血氧饱和度趋势图和脉率趋势图，并对3秒钟的数据求平均值；步骤二：新的3秒钟的数据覆盖掉前3秒的数据，继续显示，求平均值，如此延续；步骤三：连续3分钟的数据，血氧饱和度和脉率分别有60个平均值，分别作为各自神经网络算法模型的输入，即心脏健康神经网络算法模型和肺健康神经网络算法模型的输入；步骤四：采集大量的样本，分别对心脏和肺健康对应的神经网络模型进行训练；步骤五：在完成上述四个步骤后，心脏和肺健康对应的两种算法模型就已经确定，可以将血氧饱和度和脉率趋势图数据作为输入，进行心肺健康判断。2.根据权利要求1所述的基于血氧饱和度和脉率趋势图的心肺健康检测方法，其特征在于：所述步骤三中对每种模型，这60个平均值，按照时间顺序，分别与图2中t1时刻血氧饱和度或脉率值、t2时刻血氧饱和度或脉率值、
……
、t60时刻血氧饱和度或脉率值对应，心脏健康模型对应的是各时刻的脉率值，肺健康模型则对应的是各时刻的血氧饱和度值。3.根据权利要求1所述的基于血氧饱和度和脉率趋势图的心肺健康检测方法，其特征在于：所述步骤四中误差的bp算法采用随机梯度下降(sgd)算法，随着误差的反向传播不断改变加权系数wij和w’jk的值，当误差的均方根小于0.001时，停止学习训练，此时的加权系数wij和w’jk的值为算法模型的最终值。4.根据权利要求1所述的基于血氧饱和度和脉率趋势图的心肺健康检测方法，其特征在于：所述步骤五中当输出值小于或等于0.5时，将输出值强制为0；当输出值大于0.5时，将输出值强制为1。5.根据权利要求1所述的基于血氧饱和度和脉率趋势图的心肺健康检测方法用检测系统，包括ppg测试模块、数据存储模块、显示模块和数据更新模块，其特征在于：所述ppg测试模块与数据存储模块连接，所述数据存储模块与显示模块连接，所述显示模块与数据更新模块连接。

技术总结
本发明公开了基于血氧饱和度和脉率趋势图的心肺健康检测系统和方法，涉及有源医疗器械领域，其检测方法步骤如下：步骤一：对于血氧饱和度和脉率，分别连续取3秒的数据值，以时间为横轴，数据值为纵轴进行波形显示，并对3秒钟的数据求平均值；步骤二：新的3秒钟的数据覆盖掉前3秒的数据，继续显示，求平均值，如此延续；步骤三：连续3分钟的数据，血氧饱和度和脉率分别有60个平均值，分别作为各自神经网络算法模型的输入；步骤四：采集大量的样本，对心脏和肺健康对应的神经网络模型进行训练；步骤五：将血氧饱和度和脉率趋势图数据作为输入，进行心肺健康判断，本发明提高了基于脉搏血氧饱和度测试的心肺健康检测准确性。测试的心肺健康检测准确性。测试的心肺健康检测准确性。


技术研发人员：沈盈廷 袁博 尤剑鸣 陈春莉
受保护的技术使用者：上海雍恩医疗器械有限公司
技术研发日：2023.05.09
技术公布日：2023/8/6