[发明专利]一种基于数据重组的FVC级联预测算法

说明书

本发明公开了一种基于数据重组的FVC级联预测算法，包括以下步骤：S10执行低难度用力肺功能测试；S20进行一级FVC预测，将步骤一中得到的特征向量作为输入向量输入FVC一级预测模型，FVC一级预测模型将输入向量转为特征矩阵；S30进行气流受限识别向量构建，S40进行气流受限识别分类，S50得到FVC预测结果，与现有的技术相比，本发明具有如下优点：该基于数据重组的FVC级联预测算法中模型所需输入参数要足够少；模型中所需输入参数可以在家庭场景下获取，而无需借助其他检测设备。对于降低用力肺功能测试标准的严苛性有巨大改进。该基于数据重组的FVC级联预测算法模型可以与所开发便携设备协作，构成智能化检测设备。

技术领域

本发明涉及医疗设备及神经网络算法技术领域，特别是涉及一种基于数据重组的FVC级联预测算法。

背景技术

慢阻肺是一种高发病率和高死亡率的慢性疾病，目前在全世界很普遍。根据《2022年预防、诊断和管理慢性阻塞性肺病的全球战略报告》，慢阻肺已经是世界前三名的致死原因，并且90％的死亡发生在发展中国家。解决慢阻肺的关键是精确诊断，目前诊断慢阻肺的金标准是通过测量几种特定的参数，包括：FVC、FEV1(第一秒用力呼气容积)以及PEF(最大呼气流速)，通过判断FEV1/FVC值是否大于或者小于0.7进行诊断。但根据美国胸科学会和欧洲呼吸协会颁布的规定，进行肺功能指标测试的患者为了准确测量需要满足开始标准、结束标准和可接受标准。根据调查50％的患者测量无法满足这些标准因此导致测量结果是不准确的，而这些有误的结果会提高误诊和错误治疗的风险。而其中最多的原因是测试中的结束标准，该标准让受试者必须尽最大努力去呼气直到不能呼气为止，但是对于部分肺功能损伤的患者来说这是一个非常大的挑战，这也导致这些患者的FVC参数与真实值有误差。

因此，目前需要一种临床的量化方式保证患者即使并未达到结束标准也可以得到准确的FVC值。目前已有的较为先进的方法是通过极限学习机加正弦激活函数进行FVC值的预测。虽然该方法可以进行FVC值的预测，但是其一方面所用的参数达到15个之多，无法在家庭场景下获取，需要借助其他检测设备。另一方面在模型的应用方面限制较多，无法与便携设备协作，无法适用于COPD家庭管理。本发明提出一个基于数据重组的FVC级联预测算法，使得在未满足用力肺功能测试结束标准的情况下，依然能够获得可接受的FVC值，从而在一定程度上降低用力肺功能测试难度。

发明内容

本发明的目的是为了降低用力肺功能测试标准的严苛性，提高测试结果的可接受性。提供了一种基于数据重组的FVC级联预测算法。在患者未满足用力肺功能测试结束标准的情况下，可以通过预测得到可接受性定义的FVC值。

为了达到上述目的，本发明采用以下方案：

一种基于数据重组的FVC级联预测算法，包括以下步骤：

S10执行低难度用力肺功能测试，

用户通过进行低难度的肺功能测试，得到用户的特征向量包括FEV1、PEF、年龄和性别；

S20进行一级FVC预测，

将步骤一中得到的特征向量作为输入向量输入FVC一级预测模型，FVC一级预测模型将输入向量转为特征矩阵，将特征矩阵作为X，FVC值作为输出Y值，通过回归求出FVC值，FVC一级预测模型的输出结果为一级FVC预测值；

S30进行气流受限识别向量构建，

将得到的一级FVC预测值作为用户的FVC值，并与步骤S10中的特征向量FEV1进行合并，计算FEV1/FVC比值；

再将FEV1/FVC比值与步骤S10中的特征向量PEF、年龄和性别作为气流受限识别输入向量；将FEV1/FVC比值作为参数Z与步骤S20特征矩阵X合并为X’；

S40进行气流受限识别分类，