一种基于深层相似性的干预效果分析方法

摘要

一种基于深层相似性的干预效果分析方法，所述该方法包括如下步骤：1）采集用户原始信号，并选择待分析行为：2）基于所选行为，通过知识库映射对应数据类型，并计算对应数据矩阵；3）获取数据间的相似性特征；4）迭代获取相似性特征的深层相似性特征并可分析，本发明的方法在与同类基于心电图的药物心脏作用识别技术相比，具有个性化的特点，且对数值的本质变化较为敏感等特点。

说明书

技术领域

本发明涉及机器学习领域，具体涉及一种基于深层相似性的干预效果分析方法。

背景技术

干预作用可分为正向作用和负面作用，如药物作用包含药效和药毒性。在心脏疾病的临床治疗中，即使是抗心律失常药物，也同样会伴有一定的致心律失常效果，具有代表性的一种药物心脏毒性是获得性QT间期延长，可进而演变为尖端扭转型室性过速。已知市面有超过 120种药物已知会、可能会或有条件性地延长QT间期，其中不乏应用于院外居家服药治疗的门诊常开药物。

在药物干预过程中，患者常反馈服用药物后药效不明显，进而难以维持其长期依从性；此外，对药物毒性的戒心也会降低其依从性。究其原因，是患者缺少一种对药效和药毒性的客观感知手段。

现阶段对药物副作用的监测主要通过基于大范围群体统计经验而形成的数值区间来实现。比如，对QT间期的异常判断主要看是否在320-480ms中，对P波振幅的异常判断主要看是否在0.05-0.25mV中，而对心率的异常判断主要看是否在50-100bpm中。这些区间的确定和应用是几百年来的学者通过各地区研究和验证而总结出的经验，在保有一定效果的同时控制住了异常监测成本，属于人员密集型方法。然而，该方法在许多异常状态的识别上能力较弱。比如，当患者服用某药后的QT间期从321ms变化为479ms，且P波从0.24mV骤降为0.06mV 时，虽然变化极大，但仍处于各自区间内，因此这种基于数值区间的判断方法就无法敏感地告警。总的来说，基于群体数值区间的药物副作用监测在个性化和多参数识别的表现上存在缺陷。

心电图的各子波的识别算法早已成熟，QRS波、P波、T波的起始位置均已有多种算法可以实现，且准确率极高。基于各子波识别的各种心电图分析算法已有坚实的基础，而药物副作用监测在这基础上也逐渐出现一些解决方法。2003年Peter Boileau等人公布了一种可监测药物对心脏电信号影响的植入装置(DE602004011704T2)，该技术通过将患者心电特征与受药物影响的心电特征模板进行对比，可在准确识别心电特征的前提下监测药物影响。该技术需要提前知晓药物的所有心电变化并设定成模板，这种模板的本质是一种基于群体经验的数值区间。因此，该技术在如P波朝向、ST-T形态等形态判断方面会效果明显，但在如QT间期、P波振幅等数值判断方面仍无法跳出上文所述数值区间方法的局限，特别是在个性化方面。

发明内容

本发明提出一种基于深层相似性的干预效果分析方法，采用专家知识库控制干预行为与待分析数据之间的映射关系，并基于所选特征的频域深层相似性进行聚合和展示。与同类基于心电图的药物心脏作用识别技术相比，本方法具有个性化的特点，且对数值的本质变化较为敏感，本发明一种基于深层相似性的干预效果分析方法，所述该方法包括如下步骤：

1)采集用户原始信号，并选择待分析行为：

2)基于所选行为，通过知识库映射对应数据类型，并计算对应数据矩阵；

3)获取数据间的相似性特征；

4)迭代获取相似性特征的深层相似性特征并可直接分析。

作为优选：所述步骤1中的原始信号包括生物信号和运动信号，该待分析行为生物信号和运动信号所对应数据或通过生物信号和运动信号计算出的数据，该数据包括心率、心电特定波段幅度和长度、运动状态。

作为优选：所述步骤2中的知识库中的待分析行为可映射一种、两种或三种数据类型，其最终结果分别在一维、二维、三维空间中进行展示。

作为优选：所述步骤3中相似性特征为不含时域信息的频域数据相似性特征，通过以下函数获得：

其中，Y

其中，p是入参向量的范阶，n是提升范数的幂，h是向量带宽。

作为优选：所述步骤4中深层相似性特征通过迭代相似性特征函数获得，可由以下公式表示：

Y

本发明的方法在与同类基于心电图的药物心脏作用识别技术相比，具有个性化的特点，且对数值的本质变化较为敏感等特点。

附图说明

图1为本申请实施例提供的一种药物心脏作用的告警方法的流程示意图；

图2为本申请实施例涉及的心电信号采集设备的使用示意图；

图3为本申请实施例涉及的心电信号采集设备的整机原理图；

图4为本申请实施例涉及的知识库对映数据类型的流程示意图；

图5为本申请实施例涉及的知识库的示意图；

图6为本申请实施例涉及的一种药物影响数据在频域上的初始分布示意图；

图7为本申请实施例涉及的一种药物影响数据的频域相似性特征的分布示意图；

图8为本申请实施例涉及的一种药物影响数据的频域深层相似性特征的分布示意图；

图9为本申请实施例涉及的另一种药物影响数据在频域上的初始分布示意图；

图10为本申请实施例涉及的另一种药物的影响数据的频域深层相似性特征的分布示意图。

具体实施方式

下面将结合附图对本发明作详细的说明：如图1所示：一种基于深层相似性的干预效果分析方法，所述该方法包括如下步骤：

1)采集用户原始信号，并选择待分析行为：

4)基于所选行为，通过知识库映射对应数据类型，并计算对应数据矩阵；

5)获取数据间的相似性特征；

4)迭代获取相似性特征的深层相似性特征并展示。

作为优选：所述步骤1中的原始信号包括生物信号和运动信号，该待分析行为生物信号和运动信号所对应数据或通过生物信号和运动信号计算出的数据，该数据包括心率、心电特定波段幅度和长度、运动状态。

作为优选：所述步骤2中的知识库中的待分析行为可映射一种、两种或三种数据类型，其最终结果分别在一维、二维、三维空间中进行展示。

作为优选：所述步骤3中相似性特征为不含时域信息的频域数据相似性特征，通过以下函数获得：

其中，Y

其中，p是入参向量的范阶，n是提升范数的幂，h是向量带宽。

作为优选：所述步骤4中深层相似性特征通过迭代相似性特征函数获得，可由以下公式表示：

Y

具体实施例：

通过如图2所示的采集器进行采集心电信号，并选择奎尼丁用药作为待分析行为。手指接触采集器的LA、RA两电极后，如图3所示，唤醒MCU开始采集ECG模拟数据，生物电信号后通过内部电路差分放大、滤波得出心电波形，再经过ADC转换实现模拟信号数字化，数据经由MCU集成的通信模块实现与手机通信。

S120、基于药物知识库选择并计算数据。本实施例中以奎尼丁的心脏影响为例进行说明，流程如下：由患者选择正在长期服用的药物为奎尼丁后，依据知识库确定奎尼丁所映射的数据类型为心电数据的QT间期、ST段下移和QRS增宽，如图4所示。然后，计算S110中所采集心电图的QT间期、ST段下移程度和QRS波宽度，并依据时间戳将QT间期、ST段下移程度和QRS波宽度结合为不含时间信息的3维数据矩阵,该矩阵可视为包含n个由QT间期、ST段下移程度和QRS波宽度组成的3维向量。如下所示：

矩阵中，QT为QT间期，ST为ST波幅值变化量，QRS为QRS宽度，n为所计算的数据量。矩阵在三维空间的分布如图6所示，其中x轴为QT间期，Y轴为QRS宽度，Z轴为ST波幅值变化量，上标Q的点为受奎尼丁影响的数据，未标Q的点为正常生理数据，清晰可见奎尼丁对QT间期、QRS间期、ST幅值的影响，本方法用于将受奎尼丁影响的数据与未受影响的数据进行分离，并借此展示该药物的影响。

可选地，为矩阵进行间距归一化处理。获取n个QT、ST、QRS各自的最大值QTmax、STmax、 QRSmax和最小值QTmin、STmin、QRSmin，并计算各自极差。通过原矩阵各行除以各行极差实现间距归一化，并使用结果矩阵代替原矩阵进行后续处理。

S130、获取数据间的频域相似性特征。所述频域相似性特征可通过以下公式获得：

上述公式中，Y

上述公式中，p是入参向量的范阶，n是提升范数的幂，h是向量带宽。因本实施例中涉及向量为3维向量，p为3。

通过遍历矩阵，基于n个K值可获得n个频域相似性特征值，与矩阵中的n个3维向量一一对应。结果分布如图7所示，表示奎尼丁影响期间的QT间期、QRS间期、ST幅值之间的相似性特征。

S140、迭代获取相似性特征的深层相似性特征并展示。通常，如图7所示的基于原数据初次获得的相似性特征所呈现的分离性并不明显，在用于区分药物作用时与图7所示的原数据并没有本质区别，均无法直观地区分药物作用数据，因此需要迭代获取深层特征。迭代公式如下：

Y

如图8所示，在迭代至20次后，数据稳定在两个区域范围内，并接近向量带宽所约束的极限。将该数据记为待展示的深层相似性特征，并向用户展示，以表示奎尼丁对用户身体产生了显著影响。

并非所有药物都会对身体数据产生显著影响。图9为服用雷诺嗪期间的数据和正常数据的混合分布，图10为使用本方法迭代4次获得的深层相似性数据，其中R表示雷诺嗪数据，数字表示服药后小时数，未标记的数据为正常数据。可见深层相似性数据中雷诺嗪数据与正常数据仍处于混合状态，未出现清晰明确的数据分离，可见服用雷诺嗪期间的生理数据与正常生理数据无明显差异。可通过K-mean等方法对深层相似性数据进行聚类，并计算和展示所聚得的各类中的雷诺嗪数据占比，来直观地表现雷诺嗪使用后的影响效果。本实施例中占比接近50％，远低于预期的100％，故可定为服用雷诺嗪期间的生理数据与正常生理数据无明显差异。

在另一个实施例中，采集的数据可包括心电数据和加速度计数据，数据矩阵为：

矩阵中，QT为QT间期，ST为ST波幅值变化量，G为三轴加速度计数据，n为所计算的数据量。通过获取该数据矩阵的深层相似性数据，本方法可将受药物影响的数据(QT间期与ST 幅值)与未受影响的数据基于不同运动状态进行分离，并借此更客观地展示该药物的影响。