[发明专利]基于生成对抗网络的术中实时血流动力学状态的识别方法

说明书

本发明公开了一种基于生成对抗网络的术中实时血流动力学状态的识别方法，属于医疗技术领域，该识别方法具体步骤如下：数据采集、数据质检及标准化处理；数据切割；数据合并；模型构建；模型验证；模型应用；本发明基于生成对抗网络，通过学习高频率采集的进阶血流动力学监测数据，实现从常规的围手术期数据中自动评估患者的血流动力学状态，进而辅助医生决策，提高手术质量；将本发明的模型内置进软件，无需额外购置仪器就可评估手术中异常情况下的全身血流动力学状态，可解决手术和全身麻醉状态下，医生难以判断病人异常情况原因的问题，相较于现有的特殊血流动力学监测仪器而言，大大减少了医疗成本。

技术领域

本发明涉及医疗技术领域，尤其涉及基于生成对抗网络的术中实时血流动力学状态的识别方法。

背景技术

血流动力学(hemodynamics)是指血液在心血管系统中流动的力学，主要研究血流量、血流阻力、血压以及它们之间的相互关系；血流动力学监测主要用于重大手术的围手术期管理以及心肌梗死、心力衰竭、休克和严重创伤等急危重症患者；这些患者随时面临死亡威胁，需要严密的循环系统功能监测，以便指导心血管活性药物或其它药物的使用；尽管如此，进阶的血流动力学指标(包括心输出量、血管阻力、组织氧饱和度等)目前只能通过专门的监测仪器通过特殊的方法获取或计算，而这些监测仪器费用昂贵，不仅在很多医院无法开展，也会加重患者的医疗负担；在现阶段的临床实践中，往往只监测少数容易获得的常规指标(包括血压、心率、脉搏氧浓度、呼吸频率、体温等)，但是进阶的血流动力学指标能够为临床医生提供更多信息，从而辅助医疗决策，改善患者的预后；因此发明出一种不需要额外仪器的、利用手术中的常规监测指标来获取进阶血流动力学信息的方法变得尤为重要；

各种血流动力学指标之间存在相互关联，例如平均动脉血压(MAP)和心输出量(CO)及和系统血管阻力(SVR)的乘积成正比，即：MAP∝CO×SVR；而CO由每搏量(SV)和心率(HR)决定，即：CO＝SV×HR；当交感神经兴奋时，患者的血压和HR均会增加。也就是说这些指标之间的内在联系，给了我们在不增加额外监测仪器的情况下，利用手术中便捷、常规的监测指标就可以获取进阶的血流动力学信息的可能；本发明通过同时采集手术中的常规数据和进阶数据，利用生成对抗网络，在常规数据和进阶数据之间建立映射关系，从而实现从常规监测数据到进阶监测数据的“修复”；

经检索，中国专利号CN1031476A公开了一种人体血流动力学计算机自动监护仪器，该发明虽然能够对人体多个器官的血流动力学参数进行异常值提示，但这类方法属于硬件范围；国外现有的术中血流动力学状态监测方法也大多通过血流动力学监测仪器获取或计算，其缺点是费用昂贵，易增加医院医疗成本，同时也会加重患者的医疗负担，不适用于一些普通市县级或乡镇级医院；为此，我们提出的一种基于生成对抗网络的手术中实时血流动力学状态的识别方法，可解决上述问题。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的基于生成对抗网络的术中实时血流动力学状态的识别方法。

为了实现上述目的，本发明采用了如下技术方案：

基于生成对抗网络的术中实时血流动力学状态的识别方法，该识别方法具体步骤如下：

步骤一、数据采集、数据质检及标准化处理，在手术过程中对病人进行连续监测，获取多通道的时间序列数据，同时提取患者的电子病历中的基本数据；对其进行数据质检及标准化处理；

步骤二、数据切割，获取经过数据质检及标准化处理的时间序列数据，根据手术中的异常血压事件，对时间序列数据进行切割，作为机器学习的基本单元；

步骤三、数据合并，提取经过数据质检及标准化处理后的电子病历基本数据以及经过切割后的时间序列数据，通过神经网络模型对其进行数据合并，形成样本集；

步骤四、模型构建，将步骤四所述样本集划分为训练集和测试集，搭建以多种神经网络为基本架构的生成器网络和判别器网络，将训练集作为输入数据输入其中进行训练，并调整参数优化生成对抗网络模型；