一种基于置信区间融合阈值判据的疼痛识别系统
阅读说明：本技术 一种基于置信区间融合阈值判据的疼痛识别系统 (Pain recognition system based on confidence interval fusion threshold criterion ) 是由 张瑜 张露 曹超宇 龚卫娟 朱林 刘林 邹焱 毕雅昕 于 2021-07-12 设计创作，主要内容包括：本发明公开了一种基于置信区间融合阈值判据的疼痛识别系统,包括监测数据采集模块、阈值处理模块、疼痛识别模块、输出模块和报警模块；监测数据采集模块用于采集多维度的监测数据；阈值处理模块用于融合阈值判据对疼痛监测数据进行预处理；疼痛识别模块利用构建的疼痛监测数据分级模型对所述监测数据进行函数训练,确定疼痛检测数据置信区间,输出模块用于对各个实时监测数据训练所对应的疼痛级别范围进行显示,并传送至医护人员电脑；报警模块用于判断监测数据是否在有效范围内,若监测数据无效则发出报警信息提示医护人员进行处理。本发明能对患者疼痛程度进行实时和精确化的监测识别,从而实现患者的有效疼痛评估和处理。(The invention discloses a pain recognition system based on confidence interval fusion threshold criterion, which comprises a monitoring data acquisition module, a threshold processing module, a pain recognition module, an output module and an alarm module, wherein the monitoring data acquisition module is used for acquiring a threshold value; the monitoring data acquisition module is used for acquiring multi-dimensional monitoring data; the threshold processing module is used for fusing threshold criteria to preprocess the pain monitoring data; the pain recognition module performs function training on the monitoring data by using the constructed pain monitoring data grading model to determine a confidence interval of pain detection data, and the output module is used for displaying a pain grade range corresponding to each real-time monitoring data training and transmitting the pain grade range to a medical staff computer; the alarm module is used for judging whether the monitoring data is in an effective range or not, and if the monitoring data is invalid, the alarm module sends alarm information to prompt medical staff to process the monitoring data. The invention can carry out real-time and accurate monitoring and identification on the pain degree of the patient, thereby realizing effective pain evaluation and treatment of the patient.)
技术领域
本发明涉及医疗
技术领域
，特别涉及一种基于置信区间融合阈值判据的疼痛识别系统。背景技术
疼痛是许多疾病的特征，会给患者带来一定的痛苦。当患者发生病情变化时，疼痛会愈加强烈；当病情好转时，疼痛会减弱；彻底康复时，疼痛会消失。目前，疼痛评估的结果在临床上已经可以作为监测病情和衡量治疗效果的重要指标。然而疼痛是一种主观感受，容易受诸多因素干扰，例如意识状态、情绪、感觉和心理作用等，正因为其主观性的缘故，给医护人员的痛觉客观评估和后续治疗带来了不利因素。目前疼痛的评估主要包括自我评估和观察者评估两种方法。患者的自我评估方法方便主观，具有很好的参考意义，是目前应用最为广泛的评估方法，但自我评估不能保证每次评估都准确可信，而且一些特殊人群(如失去意识的患者、失语患者、重症监护的患者、痴呆症患者、新生儿、精神受损等患者)往往无法准确表达出自己的疼痛部位和疼痛程度。对于此类患者,目前主要通过其代理人，如专业的医疗人士、婴儿的父母等，来评估疼痛程度并进行治疗。但这种方法依赖于代理人持续地观察和辨别，效率较低，受观察者的主观影响性较大，也给医护人员的治疗带来不便。另外不适当的疼痛评估会进一步导致临床中的不恰当处置，镇痛药物使用的不足或过度都会给患者的生理和心理造成损害。因此，就需要更加客观准确的方法来评估患者的疼痛程度。
近年来，随着机器学习和计算机技术的发展，基于情感识别和深度学习的自动疼痛识别技术越来越受到国内外学者的重视。目前这些技术基本上都基于传统的机器学习算法，往往收集患者生命体征甚至脑电波、肌电信号等生理指标，其中生命体征监测收集的指标单一，未对数据进行处理，训练方法简单，往往在训练过程中会存在误差和假阳性的情况；脑电波、肌电图等采集方式相对比较复杂，在实际临床实践中需要较高的设备和技术要求；基于面部表情的疼痛识别方法也越来越受到国内外学者的关注，但由于成人面部表情的复杂性以及可控制性，在面部选取的特征点很少，对面部状况及表情的划分较为笼统，较难准确检测出患者自身主观感受的疼痛程度。
而国内外多项研究指出，生命体征如血压(BP)，呼吸频率(RR)和心率(HR)是最常见的疼痛生理指标。疼痛会产生生理压力反应，包括增加心率和血压，从而为重要器官提供氧气和其他营养。这些促使患者对疼痛做出生理反应，例如心动过速，呼吸急促或高血压，因此生命体征可作为疼痛评估的指标。另外疼痛会影响睡眠质量，导致睡眠障碍；持续失眠的患者通常会出现慢性疼痛，睡眠质量也反映出患者一段时间的疼痛状况。因此，采集多维度多方面的监测数据可能会更加全面地反映患者的疼痛程度。另外目前通过生命体征等数据对疼痛进行识别的研究仅限于监测数据的数值本身对应的疼痛级别，但由于生命体征等监测数据的个体差异性较大，应还需要对其数据的变化量进行监测，使得对疼痛的识别更加个体化、精准化。
因此，如何利用深度学习等技术来实现精确、高效、自动的疼痛识别从而对疼痛患者进行实时评估是一个亟待解决的问题。
发明内容
本发明的目的是克服现有技术缺陷，提供一种基于置信区间融合阈值判据的疼痛识别系统，能对患者疼痛程度进行实时和精确化的监测识别，从而实现患者的有效疼痛评估和处理。
本发明的目的是这样实现的：一种基于置信区间融合阈值判据的疼痛识别系统，包括监测数据采集模块、阈值处理模块、疼痛识别模块、输出模块和报警模块；
所述监测数据采集模块用于采集多维度的监测数据，通过生命体征检测仪采集患者的生命体征数据，通过睡眠感应装置采集患者的睡眠状况数据，通过医护信息系统录入患者的疼痛评分监测数据；
所述阈值处理模块用于融合阈值判据对疼痛监测数据进行预处理，将采集到的生命体征数据、睡眠状况数据和疼痛评分监测数据进行两步阈值预处理；
所述疼痛识别模块利用构建的疼痛监测数据分级模型对所述监测数据进行函数训练，得到对应的疼痛级别，确定疼痛检测数据置信区间，得到具体某一个疼痛级别所对应的最大概率的疼痛监测数值范围；
所述输出模块用于对各个实时监测数据训练所对应的疼痛级别范围进行显示，并传送至医护人员电脑；
所述报警模块用于判断监测数据是否在有效范围内，若监测数据无效则发出报警信息提示医护人员进行处理。
本发明采用以上技术方案，与现有技术相比有益效果为：1)阈值处理模块融合阈值判据对初始数据进行两步预处理，去除无效数据，提高模型训练的高效性，使训练结果能够更加精确地贴近患者的疼痛真值；2)疼痛识别模块采用构建的神经网络疼痛监测数据分级模型实现了对疼痛患者的实时、精确、全面地疼痛评估，并根据评估结果做出相应的实时反馈和保护报警，从而能减轻了医护工作者的工作负担，并能为患者提供更全面的医疗保障和及时的救助，从而能够精确、高效、自动地实现对患者疼痛症状的实时监护。
进一步的，所述生命体征数据包括患者的心率值、血压值、呼吸值、血氧饱和度以及体温；所述睡眠状况数据包括患者的睡眠总时间、入睡时间、睡眠中断时间及深睡眠占比。
为了去除无效数据，提高模型训练的高效性，使训练结果能够更加精确地贴近患者的疼痛真值，所述两步阈值预处理具体包括：
第一步预处理，将采集到的所有监测数据与预设阈值进行比较，预设阈值范围为最大监测阈值和最小监测阈值之间的区域，若监测数据在预设阈值的范围之内，即监测数据的数值在有效范围内，则进一步输入构建的疼痛监测数据分级模型中；若当前时刻的监测数据不在患者正常静息状态或所设疼痛阈值的范围内，则报警模块发出报警信息，提醒医护人员进行相应处理；
第二步预处理，将采集到的生命体征数据和睡眠状况数据通过处理，计算某一时刻的生命体征数据和睡眠状况数据的变化量，并与静息状态下监测数据的最大变化量进行比较，若某一时刻的监测数据的变化量大于静息状态下的最大变化量，说明患者的生命体征和睡眠状况波动较大，则该时刻的监测数据进一步输入构建的疼痛监测数据分级模型中。
为了实现了对疼痛患者的实时、精确、全面地疼痛评估，所述构建的疼痛监测数据分级模型具体包括一个数据输入层、I个隐藏层和一个输出处理层组。
进一步的，所述数据输入层用于输入疼痛监测指标所对应的实时数据，包括生命体征数据、睡眠状况数据和疼痛评分的实时数值以及生命体征数据的实时变化量和睡眠状况数据的实时变化量。
进一步的，所述隐藏层组共设为I个隐藏层，任意第i个隐藏层组依次包含两个卷积层、一个池化层和一个正则化层，第i层的疼痛级别表示为Hi，在MATLAB程序中对疼痛监测数值0到Xt范围内所对应的疼痛级别Hi进行参数函数的拟合，获得5阶限定下疼痛级别Hi(Xt)所对应的最佳限定函数：
其中，Hi(Xt)为5阶限定下疼痛级别的最佳限定函数；xt为某一疼痛监测指标的实时具体数值；α1，α2，α3，α4，α5，α6为5阶限定函数的最佳拟合系数；隐藏层的初始维度设为100，其后隐藏层的维度根据得出的Hi与真正的实验值H0之间的差值计算下一个隐藏层的维度，则第i层隐藏层的维度表示为：
进一步的，所述输出处理层组包括平坦化层、第一全连接层、第I+1个正则化层和第二全连接层；所述第二全连接层将第I+1个正则化层的输入的特征向量全连接至自身的M个疼痛级别并进行处理，得到一个维度为M的特征向量后输入softmax回归分类器中，从而输出M个疼痛级别所对应的疼痛监测数据的概率并完成训练。
为了进一步提高模型预测的精确性，所述确定疼痛检测数据置信区间具体包括输入生命体征数值Xt以及对应得到的疼痛级别Hi导入到MATLAB程序中对Weibull方程条件下的方程f(Xt)进行自动拟合，得到Weibull方程模式为：
式中，f(Xt)为疼痛监测数值Xt的Weibull方程模式，表示为某一疼痛级别中各个疼痛监测数值出现的次数或概率；b1为Weibull方程的形状参数；b2为Weibull方程的尺寸参数；b3为Weibull方程的位置参数；e为指数量；t为疼痛监测数据的数值编号，通过绘制Weibull概率分布图，取f(Xt)95％的置信区间即表示为某一个疼痛级别所对应的最大概率的疼痛监测数值范围。
附图说明
图1本发明的系统框图。
图2本发明阈值模块对疼痛监测数据进行预处理的流程图。
图3本发明疼痛监测数据分级模型示意图。
图4本发明疼痛监测数据数值的某一疼痛程度数据分析图(以心率数值为例)。
图5本发明疼痛监测数据变化量的某一疼痛程度数据分析图(以收缩压变化量为例)。
具体实施方式
如图1所示的一种基于置信区间融合阈值判据的疼痛识别系统，包括监测数据采集模块、阈值处理模块、疼痛识别模块、输出模块和报警模块；
监测数据采集模块用于采集多维度的监测数据，通过生命体征检测仪采集患者的生命体征数据，通过睡眠感应装置采集患者的睡眠状况数据，通过医护信息系统录入患者的疼痛评分监测数据；生命体征数据包括患者的心率值、血压值、呼吸值、血氧饱和度以及体温；睡眠状况数据包括患者的睡眠总时间、入睡时间、睡眠中断时间及深睡眠占比；医护信息系统录入的患者数字评分(NRS)疼痛评分等数值，数值范围为0-10分，0分表示无痛，10表示无法忍受的疼痛。
如图2所示，阈值处理模块用于融合阈值判据对疼痛监测数据进行预处理，将采集到的生命体征数据、睡眠状况数据和疼痛评分监测数据进行两步阈值预处理；
第一步预处理，将采集到的所有监测数据与预设阈值进行比较，预设阈值范围为最大监测阈值X2和最小监测阈值X1之间的区域，若监测数据在预设阈值的范围之内，即监测数据的数值在有效范围内，则进一步输入构建的疼痛监测数据分级模型中；若当前时刻的监测数据不在患者正常静息状态或所设疼痛阈值的范围内，则报警模块发出报警信息；报警模块用于判断监测数据是否在有效范围内，若监测数据无效则发出报警信息提示医护人员进行处理。
第一步预处理的具体方法为：生命体征监测仪监测的心率值记为A，血压值包括收缩压B和舒张压b，呼吸值记为C，血氧饱和度记为D，体温记为E；睡眠感应器监测的睡眠总时间记为F，入睡时间G，睡眠中断时间H，深睡眠占比I,医护信息系统录入的疼痛评分记为J。
当A1≤A≤A2时，表示患者心率在有效范围内，其中A1和A2分别表示患者疼痛时心率的最小和最大阈值；
当B1≤B≤B2时，表示患者收缩压在有效范围内，其中B1和B2分别表示患者疼痛时收缩压的最小和最大阈值；
当b1≤b≤b2时，表示患者舒张压在有效范围内，其中b1和b2分别表示患者疼痛时舒张压的最小和最大阈值；
以此类推……
当I1≤I≤I2时，表示患者深睡眠占比在有效范围内，其中I1和I2分别表示患者疼痛时深睡眠占比的最小和最大阈值；
当J1≤J≤J2时，表示患者的疼痛评分在有效范围内，其中J1和J2分别表示患者疼痛时疼痛评分的最小和最大阈值。
由于生命体征及睡眠状况监测数据间接反映患者的疼痛状况，受个体差异的影响性较大，因此收集的生命体征和睡眠状况监测数据会进入第二步处理；
第二步预处理，将采集到的生命体征数据和睡眠状况数据通过处理，计算某一时刻的生命体征数据和睡眠状况数据的变化量，并与静息状态下监测数据的最大变化量进行比较，若某一时刻的监测数据的变化量大于静息状态下的最大变化量说明患者的生命体征和睡眠状况波动较大，则该时刻的监测数据进一步输入构建的疼痛监测数据分级模型中。
上述第二步处理的具体方法为：①生命体征监测仪测得的患者静息状态下的数据：心率数据集合为A合＝{a1,a2,a3,…,an}，收缩压数据集合为B合＝{b高1,b高2,b高3,…,b高n}，舒张压数据集合为b合＝{b低1,b低2,b低3,…,b低n}，呼吸数据集合为C合＝{c1,c2,c3,…,cn}，血氧饱和度数据集合为D合＝{d1,d2,d3,…,dn},体温数据集合为E合＝{e1,e2,e3,…,en}；②睡眠感应装置测得的患者静息状态下的数据：睡眠总时间数据集合为F合＝{f1,f2,f3,…,fn}，入睡时间数据集合为G合＝{g1,g2,g3,…,gn}，睡眠中断时间数据集合为H合＝{h1,h2,h3,…,hn}，深睡眠占比数据集合为I合＝{i1,i2,i3,…,in}。以患者静息状态下的监测数值为基准，根据公式分别计算某一具体时刻患者的生命体征数据和某一日的睡眠状态数据的变化量。
当|at-amin|＞|amax-amin|时，表示患者某一时刻的心率数据的变化量大于静息状态下的最大变化量，则进入疼痛分级训练模型，其中，at表示患者监测状态下某一时刻的心率，amax和amin表示患者静息状态下的最大和最小心率；
当|b高t-b高min|＞|b高max-b高min|时，表示患者某一时刻的收缩压数据的变化量大于静息状态下的最大变化量，则进入疼痛分级训练模型，其中，b高t表示患者监测状态下某一时刻的收缩压，b高max和b高min表示患者静息状态下的最大和最小收缩压；
当|b低t-b低min|＞|b低max-b低min|时，表示患者某一时刻的舒张压数据的变化量大于静息状态下的最大变化量，则进入神经网络模型，其中，b低t表示患者监测状态下某一时刻的舒张压，b低max和b低min表示患者静息状态下的最大和最小舒张压；
以此类推……
当|ht-hmin|＞|hmax-hmin|时，表示患者某一日的睡眠中断时间数据的变化量大于静息状态下的最大变化量，则进入疼痛分级训练模型，其中，ht表示患者监测状态下某一日的睡眠中断时间，hmax和hmin表示患者静息状态下的最大和最小睡眠中断时间；
当|it–imax|＞|imin-imax|时，表示患者某一日的深睡眠占比数据的变化量大于静息状态下的最大变化量，则进入疼痛分级训练模型，其中，it表示患者监测状态下某一日的深睡眠占比，imax和imin表示患者静息状态下的最大和最小深睡眠占比。
疼痛识别模块利用构建的疼痛监测数据分级模型对所述监测数据进行函数训练，得到对应的疼痛级别，确定疼痛检测数据置信区间，得到具体某一个疼痛级别所对应的最大概率的疼痛监测数值范围；
如图3所示，构建的疼痛监测数据分级模型具体包括一个数据输入层、I个隐藏层和一个输出处理层组；
数据输入层用于输入疼痛监测指标所对应的实时数据，包括生命体征数据(心率P、血压BP、呼吸R、血氧饱和度SpO2和体温T)、睡眠状况数据(睡眠总时间，入睡时间，睡眠中断时间和深睡眠占比)和疼痛评分的实时数值以及生命体征数据(心率P、血压BP、呼吸R、血氧饱和度SpO2和体温T)的实时变化量和睡眠状况数据(睡眠总时间，入睡时间，睡眠中断时间和深睡眠占比)的实时变化量。
隐藏层组共设为I个隐藏层，任意第i个隐藏层组依次包含两个卷积层、一个池化层和一个正则化层，第i层的疼痛级别表示为Hi，在MATLAB程序中对疼痛监测数值0到Xt范围内所对应的疼痛级别Hi进行参数函数的拟合，获得5阶限定下疼痛级别Hi(Xt)所对应的最佳限定函数：
其中，Hi(Xt)为5阶限定下疼痛级别的最佳限定函数；xt为某一疼痛监测指标的实时具体数值；α1，α2，α3，α4，α5，α6为5阶限定函数的最佳拟合系数；隐藏层的初始维度设为100，其后隐藏层的维度根据得出的Hi与真正的实验值H0之间的差值计算下一个隐藏层的维度，则第i层隐藏层的维度表示为：
具体计算过程为：疼痛监测数据通过阈值处理后进入第一个隐藏层，第一个隐藏层的维度为100个维度，任意n个疼痛监测数据进过第一个隐藏层的处理之后得到相应的疼痛级别H1，因此第一个疼痛监测数据所对应的其中，xt为某一监测数值某一时刻具体的数值，通过函数运算并经过第一Relu非线性映射后输入第二个隐藏层；
第二个隐藏层的维度为经过第一层函数计算后的疼痛数值经过第二个隐藏层的处理后得到其中，xt为某一监测数值某一时刻具体的数值，并经过第二Relu非线性映射后输入第三个隐藏层；
……
则第i个隐藏层的维度为经过上一层函数计算后的疼痛数值经过第i个隐藏层的处理后得到并经过第i个Relu非线性映射后输入输出层。
输出处理层组包括平坦化层、第一全连接层、第I+1个正则化层和第二全连接层；第二全连接层将第I+1个正则化层的输入的特征向量全连接至自身的M个疼痛级别并进行处理，得到一个维度为M的特征向量后输入softmax回归分类器中，从而输出M个疼痛级别所对应的疼痛监测数据的概率并完成训练。
为了进一步提高模型预测的精确性，确定疼痛检测数据置信区间具体包括输入生命体征数值Xt以及对应得到的疼痛级别Hi导入到MATLAB程序中对Weibull方程条件下的方程f(Xt)进行自动拟合，得到Weibull方程模式为：
式中，f(Xt)为疼痛监测数值Xt的Weibull方程模式，表示为某一疼痛级别中各个疼痛监测数值出现的次数或概率；b1为Weibull方程的形状参数；b2为Weibull方程的尺寸参数；b3为Weibull方程的位置参数；e为指数量；t为疼痛监测数据的数值编号。
如图4、图5所示，通过绘制Weibull概率分布图,取f(Xt)95％的置信区间即表示为某一个疼痛级别所对应的最大概率的疼痛监测数值范围。
输出模块用于对各个实时监测数据训练所对应的疼痛级别范围进行显示，并传送至医护人员电脑；医护人员根据疼痛监测数据分级模型得出的每个疼痛级别所对应的疼痛监测数值范围，最后根据数据所占权重来最终确定患者的疼痛状况。
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。