用于疾病诊测的呼吸频率监测系统、方法、介质及设备

技术领域

本申请涉及医疗设备技术领域，具体而言，涉及一种用于疾病诊测的呼吸频率监测系统、方法、介质及设备。

背景技术

呼吸率是指每分钟的呼吸次数，是反映呼吸频率和节律的重要指标。在呼吸功能监测中，呼吸率作为反映呼吸状况的重要指标之一，具有特殊的价值和应用潜力。

现有技术中，呼吸率监测方法通常需要使用传感器等设备，利用胸带或鼻夹等与人体直接接触。如此，用户需要保持特定的体位或配戴设备，限制了测量的实时性和连续性，还可能引入的干扰因素。相比之下，远程光电容积脉搏波描记法(remotephotoplethysmography,缩写rPPG)是通过摄像头等传感器来捕捉由心动周期造成的皮肤颜色周期变化的技术。利用rPPG技术可以提取血液体积脉冲信号，进而测量心率、呼吸率和心跳变异性等心动周期相关的生理指标。在一些应用医学技术领域，rPPG技术已经能够对人脸视频的分析，即，从人的面部的微小血流变化中提取呼吸率信号，实现了对呼吸率的非接触式测量。这种非接触式的测量方法不仅方便快捷，还能提高用户的舒适度和使用体验。

rPPG技术的呼吸率监测不需要任何附加的传感器或设备，避免了传统监测方法可能引入的干扰因素。这种无干扰性的特点使得rPPG技术在各种环境下都能稳定地进行呼吸率监测，并能够应用于不同人群和场景，提高了监测的可靠性和适用性。通过rPPG技术监测呼吸率，获取关于呼吸频率的信息，从而评估呼吸状况及相关健康问题。异常的呼吸率可能与多种疾病和身体状况有关，包括呼吸系统疾病、心血管疾病、神经系统疾病以及代谢性疾病等。

发明内容

本申请的主要目的在于提供一种用于疾病诊测的呼吸频率监测系统、方法、介质及设备，使得对于疾病诊测便捷、高效。

为了实现上述目的，第一方面，本申请提供了用于疾病诊测的呼吸频率监测系统，所述系统包括：数据采集单元，用于获取目标人群数据基本信息以及相应的疾病信息，并进行脱敏处理；预处理单元，通过类别不平衡分类方法预处理人脸视频数据和样本；处理单元，通过归一化处理和对齐的方法提取出与呼吸率异常变化相关的数值和特征以及相应的疾病风险；模型构建单元，基于所述呼吸率异常变化相关的数值和特征，结合个人基本信息，构建逻辑回归分类认知识别模型；判定单元，基于所述逻辑回归分类认知识别模型，得出异常呼吸率相关的疾病风险判定和认知的结果。

在一些实施例中，所述数据采集单元中，所述目标人群数据基本信息包括：姓名、年龄、性别、身高、体重、血压、职业、温度、睡眠质量、运动记录、吸烟史、饮酒史、用药史、过敏史、手术史、呼吸系统疾病史、心血管疾病史、心脏疾病史、脑部疾病史、当前健康状态、当前心理状态、当前运动状态和所处位置。

在一些实施例中，对所述目标人群数据基本信息中的不规整、不统一的数据进行数据类型转换、数据修改、数据删除操作。

在一些实施例中，按照以下公式对呼吸率异常变化的向量进行对齐：

第二方面，本申请还提供了一种基于呼吸频率诊测疾病的方法，包括：获取目标人群数据基本信息以及相应的疾病信息，并进行脱敏处理；通过类别不平衡分类方法预处理人脸视频数据和样本；通过归一化处理和对齐的方法提取出与呼吸率异常变化相关的数值和特征以及相应的疾病风险；基于所述呼吸率异常变化相关的数值和特征，结合个人基本信息，构建逻辑回归分类认知识别模型；基于所述逻辑回归分类认知识别模型，得出异常呼吸率相关的疾病风险判定和认知的结果。

在一些实施例中，所述目标人群数据基本信息包括：姓名、年龄、性别、身高、体重、血压、职业、温度、睡眠质量、运动记录、吸烟史、饮酒史、用药史、过敏史、手术史、呼吸系统疾病史、心血管疾病史、心脏疾病史、脑部疾病史、当前健康状态、当前心理状态、当前运动状态和所处位置。

在一些实施例中，对所述目标人群数据基本信息中的不规整、不统一的数据进行数据类型转换、数据修改、数据删除操作。

在一些实施例中，按照以下公式对呼吸率异常变化的向量进行对齐：

第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行所述计算机程序时实现上述基于呼吸频率诊测疾病的方法的步骤。

第四方面，本申请还提供了一种电子设备，包括：存储器，用于存储计算机程序产品；处理器，用于执行所述存储器中存储的计算机程序产品，且所述计算机程序产品被执行时，实现上述基于呼吸频率诊测疾病的方法的步骤。

与现有技术相比，本申请包括以下优点：

本申请提供的用于疾病诊测的呼吸频率监测系统、方法、介质及设备，使得对于疾病诊测便捷、高效。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了本申请示例性实施例的用于疾病诊测的呼吸频率监测系统的示意图；

图2示出了本申请示例性实施例的基于呼吸频率诊测疾病的方法流程图；

图3示出了本申请示例性实施例的电子设备的装置示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

另外，术语“多个”的含义应为两个以及两个以上。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了本申请示例性实施例的用于疾病诊测的呼吸频率监测系统的示意图。其中，用于疾病诊测的呼吸频率监测系统100包括：数据采集单元102、预处理单元104、处理单元106、模型构建单元108和判定单元110。

数据采集单元102，用于获取目标人群数据基本信息以及相应的疾病信息，并将该人体呼吸率变化信息以及对应疾病信息进行分类存储，并作为原始数据集。

在一些实施例中，目标人群数据基本信息包括：姓名、年龄、性别、身高、体重、血压、职业、温度、睡眠质量、运动记录、吸烟史、饮酒史、用药史、过敏史、手术史、呼吸系统疾病史、心血管疾病史、心脏疾病史、脑部疾病史、当前健康状态、当前心理状态、当前运动状态、所处位置、海拔高度等。另外，目标人群数据基本信息包含众多私密信息，可以对其中的敏感隐私信息进行编码脱敏保护。上述各信息可直接或间接影响测试者所得出的呼吸率数值，如新生儿和婴儿的呼吸率相对成年人要高，女性的换气速度一般比男性快1-2次，进行剧烈运动、体力劳动后呼吸率会增高，随着人体体温增高呼吸率也会增加，深度睡眠或放松状态下呼吸率通常会降低。测试者的基本属性数据对所得出的异常呼吸率与疾病风险判定结果有着重要影响作用。

预处理单元104，用于预处理一定数量的人脸视频数据和样本，该模块利用了rPPG(远程光电容积脉搏波描记法)技术，通过分析人脸视频中的光反射和皮肤色调变化，预测出不同年龄、不同人群、不同身体状况在不同时间段的运动或静息状态下，以及在不同运动强度和运动方式条件下的呼吸率变化数据。

在一些实施例中，rPPG利用摄像头记录皮肤表面的光强变化，当心脏跳动时，血液会随着脉搏进入到皮肤血管中，引起皮肤的微小颜色变化；呼吸运动会导致胸部和腹部的皮肤微小膨胀和收缩，进而影响皮肤颜色。通过分析视频中的光强变化，可以提取出与呼吸率相关的频谱成分。通过使用信号处理和频谱分析技术，可以从rPPG信号中提取呼吸率信息。典型的方法包括使用傅里叶变换或小波变换来将时域信号转换为频域信号，并提取出与呼吸频率相关的频率成分。然后，通过检测和分析这些频率成分的强度和周期性，可以计算出呼吸率。

在一些实施例中，可以对目标人群数据基本信息中的不规整、不统一的数据进行数据类型转换、数据修改、数据删除操作。例如，数据类型转换可以包括：二值型数据转换、连续型数据转换。在一些实施例中，二值型数据类型中常见的性别字段“男”或“女”、居住地字段“南方”或“北方”、血压≥140/90mmHg字段“是”或“否”，以及吸烟史、饮酒史、用药史、过敏史、手术史、呼吸系统疾病史、心血管疾病史、心脏疾病史、脑部疾病史等字段“是”或“否”，即可分别表示“1”或“0”；连续型数据转换，比如：血氧{95～99％，90～94％，85～89％，70～84％}转换为{0，1，2，3}；心率(次/分){55～90，91～100，101～110，111～130，131～180}转换为{0，1，2，3，4}……数据填充即对各健康项目的相关空值字段进行均值填充，用以提高模型训练的精准性。

处理单元106，用于建立呼吸率变化数据的训练集，并通过归一化处理和对齐等方法提取出与呼吸率异常变化相关的数值和特征以及它们对应的疾病风险。

在一些实施例中，首先，处理单元对呼吸率变化数据进行归一化处理，使其具有统一的尺度，以便进行比较和分析。然后，通过仿射变换方法对归一化后的呼吸率异常变化进行对齐，使得不同年龄、不同人群、不同身体状况在不同时间段的运动或静息状态下，以及在不同运动强度和运动方式条件下的呼吸率异常变化数据具有一致的形状和结构。其中，仿射变换方法可以参照公式(1)：

其中，

模型构建单元108，基于所获取到的呼吸率异常变化的数值和特征，结合个人基本信息，构建一种异常呼吸率与疾病风险的逻辑回归分类认知识别模型。

通过使用该逻辑回归分类算法对经过处理过的呼吸率异常变化的数值和个人基础信息进行计算，可以获得关键的核心信息特征，这些特征在描述呼吸率异常变化时起到核心影响作用。在此基础上，构建核心特征信息集，将其与疾病风险特征信息集之间进行匹配和标注，并利用这些关联关系构建认知识别模型。

逻辑回归的基本原理是通过拟合一个线性模型来预测样本的分类概率。模型通过对输入特征进行加权求和，然后将结果经过逻辑函数映射到0到1之间的概率值。一般情况下，概率大于0.5的样本被预测为正类，概率小于等于0.5的样本被预测为负类。多分类逻辑回归的工作原理是将多个二分类逻辑回归模型组合在一起。在每个模型中，将一个类别与其他类别进行比较，得到该类别的概率分数。然后，通过将所有类别的概率分数进行比较，确定最终的预测类别。在训练过程中，多分类逻辑回归通过最大化似然函数来估计模型的参数，以使模型能够最好地拟合训练数据。一旦模型训练完成，就可以将其应用于新的样本，预测其所属的类别。

假设有给定n个带标签的样本(已知每个样本的类别)，

其中，

过程如下：1)采用极大似然估计建立似然函数表达式(3):

其中，i为正整数，y代表类别，

2)建立损失函数表达式，其中对似然函数两边取对数获取。

3)采用梯度下降法来更新权重。首先，设v

上式第二行，我们能够将

最后，权重向量

判定单元110，用于通过已构建的分类模型，对待识别的人脸视频样本进行智能识别和评估，得出异常呼吸率相关的疾病风险判定和认知的结果。

在一些实施例中，1)、呼吸率<8次/分：称为呼吸抑制，根据部位分为中枢性呼吸抑制和外周性呼吸抑制，中枢性呼吸抑制主要见于脊髓神经元损伤、麻醉药物、麻醉下镇痛药物的使用等，外周性呼吸抑制主要见于高位硬膜外阻滞，以及低钾血症等；2)、呼吸率<12次/分：称为呼吸过缓，常见于肺功能减退、肝功能衰竭、颅内压升高、肾功能衰竭、呼吸衰竭等。3)、呼吸率﹥20次/分：称为呼吸过速，常见于肺炎，肺梗塞，弥漫性肺间质，胸腔积液，肺结核，气胸等。4)、呼吸率﹥30次/分：常见于重症肺炎、急性支气管哮喘，大量胸腔积液、肺纤维化、肺不张、严重的胸廓畸形，膈肌麻痹、重症肌无力、充血性心力衰竭、代谢亢进以及神经精神障碍等。

图2示出了一种基于呼吸频率诊测疾病的方法200，包括：步骤202，获取目标人群数据基本信息以及相应的疾病信息，并进行脱敏处理；步骤204，通过类别不平衡分类方法预处理人脸视频数据和样本；步骤206，通过归一化处理和对齐的方法提取出与呼吸率异常变化相关的数值和特征以及相应的疾病风险；步骤208，基于所述呼吸率异常变化相关的数值和特征，结合个人基本信息，构建逻辑回归分类认知识别模型；步骤210，基于所述逻辑回归分类认知识别模型，得出异常呼吸率相关的疾病风险判定和认知的结果。

在一些实施例中，所述目标人群数据基本信息包括：姓名、年龄、性别、身高、体重、血压、职业、温度、睡眠质量、运动记录、吸烟史、饮酒史、用药史、过敏史、手术史、呼吸系统疾病史、心血管疾病史、心脏疾病史、脑部疾病史、当前健康状态、当前心理状态、当前运动状态和所处位置。

在一些实施例中，对所述目标人群数据基本信息中的不规整、不统一的数据进行数据类型转换、数据修改、数据删除操作。

在一些实施例中，按照以下公式对呼吸率异常变化的向量进行对齐：

图3示出了本申请示例性实施例的电子设备300示意图。电子设备300可以包括：至少一个处理器302；以及至少一个存储器304，其包括计算机程序代码，至少一个存储器304和计算机程序代码306被配置为利用至少一个处理器302，使得电子设备300执行：获取目标人群数据基本信息以及相应的疾病信息，并进行脱敏处理；通过类别不平衡分类方法预处理人脸视频数据和样本；通过归一化处理和对齐的方法提取出与呼吸率异常变化相关的数值和特征以及相应的疾病风险；基于所述呼吸率异常变化相关的数值和特征，结合个人基本信息，构建逻辑回归分类认知识别模型；基于所述逻辑回归分类认知识别模型，得出异常呼吸率相关的疾病风险判定和认知的结果。

在一些实施例中，所述目标人群数据基本信息包括：姓名、年龄、性别、身高、体重、血压、职业、温度、睡眠质量、运动记录、吸烟史、饮酒史、用药史、过敏史、手术史、呼吸系统疾病史、心血管疾病史、心脏疾病史、脑部疾病史、当前健康状态、当前心理状态、当前运动状态和所处位置。

在一些实施例中，对所述目标人群数据基本信息中的不规整、不统一的数据进行数据类型转换、数据修改、数据删除操作。

在一些实施例中，按照以下公式对呼吸率异常变化的向量进行对齐：

本申请还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行所述计算机程序时实现：获取目标人群数据基本信息以及相应的疾病信息，并进行脱敏处理；通过类别不平衡分类方法预处理人脸视频数据和样本；通过归一化处理和对齐的方法提取出与呼吸率异常变化相关的数值和特征以及相应的疾病风险；基于所述呼吸率异常变化相关的数值和特征，结合个人基本信息，构建逻辑回归分类认知识别模型；基于所述逻辑回归分类认知识别模型，得出异常呼吸率相关的疾病风险判定和认知的结果。

在一些实施例中，所述目标人群数据基本信息包括：姓名、年龄、性别、身高、体重、血压、职业、温度、睡眠质量、运动记录、吸烟史、饮酒史、用药史、过敏史、手术史、呼吸系统疾病史、心血管疾病史、心脏疾病史、脑部疾病史、当前健康状态、当前心理状态、当前运动状态和所处位置。

在一些实施例中，对所述目标人群数据基本信息中的不规整、不统一的数据进行数据类型转换、数据修改、数据删除操作。

在一些实施例中，按照以下公式对呼吸率异常变化的向量进行对齐：

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。