基于临床麻醉多模态人体生理信号中风险事件感知方法

技术领域

本发明涉及大数据分析技术领域，具体地，涉及一种基于临床麻醉多模态人体生理信号中风险事件感知方法。

背景技术

随着医疗技术的不断发展，临床麻醉技术在手术和疼痛管理中的应用越来越广泛。麻醉作为手术过程中的重要环节，其安全性和有效性直接关系到患者的手术结果和康复情况。然而，当前的麻醉过程中仍存在一些问题和挑战。

目前，麻醉过程中主要采集的生理信号包括心电图、脑电图、血压等，但是不同设备采集的生理信号往往是相互独立的，缺乏融合和整合，因此这些机器在麻醉过程中无法形成对多模态信号的综合分析和综合预警，仅针对单一信号的应用无法全面了解患者麻醉过程中的生理状况。同时，由于患者生理状态的复杂性，会使麻醉医师难以及时准确地感知到潜在的风险事件，导致对患者风险事件的漏检和误判。

此外，现有技术主要关注生理信号的时域信息，却忽略了频域信息以及对时域频域信息的综合应用。时域频域信息之间存在着密切的联系，综合应用时域频域信息可以提高分析风险事件的准确性和可信度，但目前尚缺乏有效的时域频域信息综合方法。

在现有技术中，麻醉医师在分析生理信号时往往需要花费大量的时间和精力，这限制了麻醉过程的效率和准确性。可见，目前还缺乏自动化智能分析方法，导致对大量生理信号的分析和处理变得繁琐和耗时。

因此，设计一个能够解决上述问题的基于临床麻醉多模态人体生理信号中风险事件感知方法成为本领域技术人员急需解决的问题。

发明内容

本发明的目的是提供一种基于临床麻醉多模态人体生理信号中风险事件感知方法，该感知方法能够实现对患者麻醉过程中风险事件的准确感知和及时预警，大大提高了麻醉过程的安全性和效率。

为了实现上述目的，本发明提供了一种基于临床麻醉多模态人体生理信号中风险事件感知方法，该感知方法包括：

步骤1、获取多模态人体生理信号时序数据；

步骤2、基于傅立叶变换将时序数据从时域转换到频域；

步骤3、利用对比学习方法进行表征对齐；

步骤4、对表征对齐后的数据进行分析并输出分类结果。

优选地，步骤1中包括：采集来自不同设备的人体生理信号，获取其时序数据。

优选地，若步骤1中采集的信号在时域上具有不同的采样率或时间长度，则需要对采集的信号进行预处理以确保数据的一致性和准确性。

优选地，在步骤2中对每个时序数据进行傅立叶变换，将其转换为频域表示。

优选地，傅立叶变换的计算方法为：

其中，N是信号长度，x[n]是离散时间域信号的值，X[k]是频率域表示中的频率分量，j是虚数单位，k是频率的索引，取值范围为0到N-1；

通过随机选择恒定数量的傅立叶分量来表示时间序列，包括高频和低频。优选地，步骤3包括：对时序数据进行表征对齐，将不同模态的时序数据映射到统一的表征空间，使其具有相似的表征特征。

优选地，在步骤3中利用对比学习技术进行表征对齐，对比学习通过数据之间的对比进行表示学习，让相似的样本所得的表示差异小，让不相似的样本所得的表示差异大，以期望学习到更通用的知识；其中，

对比损失为InfoNCE，表示为：

其中，X＝{x

优选地，步骤4包括通过比较不同模态数据的频谱特征和时域特征来探索它们之间的关系和相互作用，然后融合多模态信息对信号进行分类。

根据上述技术方案，本发明通过将时序数据从时域转换到频域，并进行表征对齐，可以实现不同传感器采集的生理信号之间的一致性，从而消除表征上的差异。这有助于更准确地分析和理解生理信号的特征，为医学研究和临床诊断提供有力支持。

本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是根据本发明提供的基于临床麻醉多模态人体生理信号中风险事件感知方法的流程示意图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

参见图1，本发明提供一种基于临床麻醉多模态人体生理信号中风险事件感知方法，该感知方法包括：

步骤1、获取多模态人体生理信号时序数据；具体包括，采集来自不同设备的人体生理信号，如心电图、脑电图、血压等，获取其时序数据。这些信号在时域上可能具有不同的采样率和时间长度，因此需要进行预处理以确保数据的一致性和准确性。

步骤2、基于傅立叶变换将时序数据从时域转换到频域；具体的，对每个时序数据进行傅立叶变换，将其转换为频域表示。这样做可以将时域数据转换为频域数据，从而更好地揭示信号的频率成分和周期性特征，为后续的分析和处理提供基础。

由于不同传感器采集的生理信号可能具有不同的表征，如不同的幅值尺度、相位差等，导致表征上的差异。为了消除这些差异，需要对时序数据进行表征对齐。因此，在步骤3中，利用对比学习方法进行表征对齐，表征对齐的目标是将不同模态的时序数据映射到统一的表征空间，使得它们具有相似的表征特征。

步骤4、对表征对齐后的数据进行分析并输出分类结果。在表征对齐后，不同模态的时序数据处于统一的表征空间中，可以进行更深入的数据分析。例如，可以通过比较不同模态数据的频谱特征、时域特征等，来探索它们之间的关系和相互作用。

其中，在步骤2中，傅立叶变换的计算方法为：

其中，N是信号长度，x[n]是离散时间域信号的值，X[k]是频率域表示中的频率分量，j是虚数单位，k是频率的索引，取值范围为0到N-1；

通过随机选择恒定数量的傅立叶分量来表示时间序列，包括高频和低频。

步骤3中进行表征对齐需要利用对比学习技术，对比学习通过数据之间的对比进行表示学习，让相似的样本所得的表示差异小，让不相似的样本所得的表示差异大，以期望学习到更通用的知识。因此要求模型使用一些特定的损失函数来进行优化，即为对比损失。本方法所用的对比损失为InfoNCE，表示为：

其中，X＝{x

时域和频域存在一种一致性，核心是识别在时间序列数据集中保持不变的通用特性，并利用它来引导有效的预训练迁移学习。时域显示传感器读数随时间的变化，而频域显示信号在整个频谱内每个频率分量中所占的比例。明确考虑频域可以提供对时间序列行为的理解，这是仅仅在时域中无法直接捕捉到的。时域和频域是同一数据的不同视角，可以通过转换(例如傅里叶和逆傅里叶变换)进行相互转换。这两个域之间的关系基于信号处理理论，提供了一种无关的性质，不受时间序列分布的影响，因此可以作为预训练的归纳偏置。

由此可见，该发明的优点在于通过将时序数据从时域转换到频域，并进行表征对齐，可以实现不同传感器采集的生理信号之间的一致性，从而消除表征上的差异。这有助于更准确地分析和理解生理信号的特征，为医学研究和临床诊断提供有力支持。此外，该方法还可应用于其他领域，如智能健康监测等，具有广阔的应用前景。

此外，为了能够便于运行和使用该基于临床麻醉多模态人体生理信号中风险事件感知方法解决实际操作中存在的技术问题，还可以提供一种基于临床麻醉多模态人体生理信号中风险事件感知设备，该基于临床麻醉多模态人体生理信号中风险事件感知设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于临床麻醉多模态人体生理信号中风险事件感知设备执行上述的基于临床麻醉多模态人体生理信号中风险事件感知方法的步骤。

进一步的，为了便于存储本发明提供的基于临床麻醉多模态人体生理信号中风险事件感知方法，还可以提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于临床麻醉多模态人体生理信号中风险事件感知方法的步骤。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。