一种用于预防患者意外拔管的智能监测方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种用于预防患者意外拔管的智能监测方法。

背景技术

意外拔管是指，在患者需要气管插管或气管切开的情况下，气管插管或气管切开突然被患者自行或非计划的拔出；这样导致严重的后果如窒息和气道阻塞危险，因此需要对预防患者意外拔管进行监测；而现有技术中存在的问题在于，在对患者意外拔管的监测中目前常采用对患者的二氧化碳分压进行监测，由于气管漏气的同样会导致监测的患者的二氧化碳分压同样会存在上升的变化趋势，使得对于意外拔管或气管漏气不能准确区分，导致对患者存在的问题出现误判，降低了对于患者意外拔管监测的准确性，进而影响患者的最佳拯救时间。

发明内容

为了解决上述问题，本发明提供一种用于预防患者意外拔管的智能监测方法，所述方法包括：

获取待预防患者的二氧化碳分压序列和若干个历史患者的二氧化碳分压序列；历史患者包括第一类型患者和第二类型患者；二氧化碳分压序列包含若干个呼吸周期；每个呼吸周期包含若干个数据点，每个数据点对应一个位置序号和二氧化碳含量；

根据数据点的位置序号和二氧化碳含量，获取每个呼吸周期中每个数据点的目标位置特征向量集合；

根据数据点的目标位置特征向量集合，获取第一类型患者和第二类型患者的变化特征向量集合；根据第一类型患者和第二类型患者的变化特征向量集合，获取关键特征向量序列和每个呼吸周期的目标数据点；

根据关键特征向量序列和目标数据点对待预防患者存在意外拔管进行预测。

优选的，所述根据数据点的位置序号和二氧化碳含量，获取每个呼吸周期中每个数据点的目标位置特征向量集合，包括的具体方法为：

对于任意一个二氧化碳分压序列的第

根据第

将第

优选的，所述获取第

将第

优选的，所述获取第

将第

优选的，所述根据数据点的目标位置特征向量集合，获取第一类型患者和第二类型患者的变化特征向量集合，包括的具体方法为：

获取任意一个历史患者的二氧化碳分压序列的第

将所有第一类型患者的二氧化碳分压序列的第

优选的，所述获取任意一个历史患者的二氧化碳分压序列的第

利用最小二乘算法对第

优选的，所述根据第一类型患者和第二类型患者的变化特征向量集合，获取关键特征向量序列和每个呼吸周期的目标数据点，包括的具体方法为：

根据第一类型患者和第二类型患者的变化特征向量集合，获取第

在第

优选的，所述获取第

将第一类型患者的变化特征向量集合中所有第一类型患者的二氧化碳分压序列的第

优选的，所述根据关键特征向量序列和目标数据点对待预防患者存在意外拔管进行预测，包括的具体方法为：

根据关键特征向量序列和每个呼吸周期的目标数据点，获取第一模差值和第二模差值；

若第一模差值与第二模差值的比值大于或等于1，则待预防患者存在气管漏气情况；若第一模差值与第二模差值的比值小于1，则待预防患者存在意外拔管情况。

优选的，所述根据关键特征向量序列和每个呼吸周期的目标数据点，获取第一模差值和第二模差值，包括的具体方法为：

对于待预防患者的二氧化碳分压序列中任意一个呼吸周期中任意一个数据点，若所述数据点的位置特征向量与关键特征向量相同，将所述数据点记为关键数据点；将所有关键数据点的位置特征向量构成的向量集合，作为待预防患者的第一位置特征向量集合；利用最小二乘算法对待预防患者的第一位置特征向量集合进行拟合，获得斜率参数向量和截距参数向量；将斜率参数向量和截距参数向量构成的向量序列，作为待预防患者的变化特征向量序列；将所有第一类型患者的二氧化碳分压序列的所有呼吸周期的目标数据点的变化特征向量序列的均值，作为第一类型患者的变化特征向量序列；将所有第二类型患者的二氧化碳分压序列的所有呼吸周期的目标数据点的变化特征向量序列的均值，作为第二类型患者的变化特征向量序列；将待预防患者的变化特征向量序列的模与第一类型患者的变化特征向量序列的模的差值，记为第一模差值；将待预防患者的变化特征向量序列的模与第二类型患者的变化特征向量序列的模的差值，记为第二模差值。

本发明的技术方案的有益效果是：本发明根据第一类型患者和第二类型患者的变化特征向量集合，获取关键特征向量序列和每个呼吸周期的目标数据点；根据关键特征向量序列和目标数据点对待预防患者存在意外拔管进行预测；通过不同类型患者在不同呼吸周期中二氧化碳含量的差异，确定不同类型患者每个呼吸周期的目标数据点，通过关键特征向量序列和目标数据点对待预防患者存在意外拔管进行预测，以此准确区分出待预防患者是否存在意外拔管或气管漏气的情况；进而提高了对于患者意外拔管监测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种用于预防患者意外拔管的智能监测方法的步骤流程图；

图2为本发明一种用于预防患者意外拔管的智能监测方法的特征关系流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于预防患者意外拔管的智能监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种用于预防患者意外拔管的智能监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种用于预防患者意外拔管的智能监测方法的步骤流程图，该方法包括以下步骤：

步骤S001：获取待预防患者的二氧化碳分压序列和若干个历史患者的二氧化碳分压序列。

需要说明的是，由于患者的二氧化碳分压序列可以帮助评估患者的肺部功能和呼吸状况；若患者的二氧化碳分压的水平升高，表明患者的通气不足，意味着患者呼吸变得更加困难，会增加拔管的风险；因此，监测患者的二氧化碳分压水平可以及时发现存在意外拔管的风险，进而通过对患者的二氧化碳分压进行监测来预防意外拔管的可能性。

具体的，首先需要采集待预防患者的二氧化碳分压序列和若干个历史患者的二氧化碳分压序列，具体过程为：

通过呼吸检测设备获取待预防患者的二氧化碳分压序列、若干个存在意外拔管情况患者的二氧化碳分压序列和若干个存在气管漏气情况患者的二氧化碳分压序列；将存在意外拔管情况患者记为第一类型患者；将存在气管漏气情况患者记为第二类型患者；将第一类型患者和第二类型患者统称为历史患者。

至此，获得待预防患者的二氧化碳分压序列和若干个历史患者的二氧化碳分压序列。

具体的，对于任意一个历史患者的二氧化碳分压序列，利用基于改进变分模态分解的生命体征检测算法将所述历史患者的二氧化碳分压序列划分为若干个呼吸周期；其中，每个呼吸周期包含若干个数据点，每个数据点对应一个位置序号和二氧化碳含量。

其中，基于改进变分模态分解的生命体征检测算法为现有技术，本实施例此处不作过多赘述。

至此，通过上述方法得到每个历史患者的二氧化碳分压序列的若干个呼吸周期。

步骤S002：根据数据点的位置序号和二氧化碳含量，获取每个呼吸周期中每个数据点的目标位置特征向量集合。

需要说明的是，对于患者的一个完整呼吸过程不同阶段的二氧化碳含量的变化趋势存在一定的差异，会出现具有明显变化趋势的数据点，利用这些具有明显变化趋势的数据点作为参考点，可以确定任意数据点在患者的二氧化碳分压序列的不同呼吸周期的位置信息；通过位置信息实现对待预防患者的二氧化碳分压序列中数据点进行匹配，用于区分待预防患者是否存在意外拔管情况。

具体的，对于任意一个二氧化碳分压序列中第

对于第

至此，获得二氧化碳分压序列的每个呼吸周期中每个数据点的位置特征向量。

需要说明的是，若仅仅根据相邻两个呼吸周期中同位置下的数据点之间是否满足相似性最大，去进行数据点匹配的话，会出现以下问题：由于仅考虑局部数据点的相似性，导致虽然能够满足使得局部相似性最小，但是不能保证整个数据的之间存在较大的相似性，即在匹配过程中会出现将误差的积累，导致最终的误差较大；因此，需要使得所有呼吸周期中数据点都具有较高的相似性。

具体的，对于任意一个二氧化碳分压序列，将第

至此，通过上述方法得到二氧化碳分压序列的每个呼吸周期中每个数据点的目标位置特征向量集合。

步骤S003：根据数据点的目标位置特征向量集合，获取第一类型患者和第二类型患者的变化特征向量集合；根据第一类型患者和第二类型患者的变化特征向量集合，获取关键特征向量序列和每个呼吸周期的目标数据点。

需要说明的是，由于不同历史患者的二氧化碳分压序列存在着差异，导致相同位置的数据点其所对应的位置特征向量之间也存在着差异；进而可以利用同一历史患者的二氧化碳分压序列中不同呼吸周期中数据点的特征的目标位置特征向量集合之间的变化关系反应二氧化碳分压序列的变化特征。

具体的，对于任意一个历史患者的二氧化碳分压序列的第

其中，最小二乘算法为现有技术，本实施例此处不作过多赘述。

至此，获得每个历史患者的二氧化碳分压序列的每个呼吸周期中每个数据点的变化特征向量序列。

具体的，将所有第一类型患者的二氧化碳分压序列的第

需要说明的是，为了找到具有代表性的数据点，需要数据点对应的二氧化碳分压序列的变化特征在意外拔管和气管漏气之间存在较大的差异；但是不同患者可能存在不同的呼吸病症和不同的呼吸周期，导致获取的数据点在意外拔管的集合中存在较大的差异，使得获取的特征点容易受到这上述因素的干扰，即此时数据点的特征在第一类型患者的变化特征向量集合中各不相同；导致获取的数据点不具备意外拔管特征的代表性；另一方面，存在气管漏气的患者二氧化碳分压序列中数据点的特征受到漏气程度的影响，导致数据点的变化特征各不相同，即此时数据点的特征在第二类型患者的变化特征向量集合中各不相同，但是都表现出漏气的现状。

具体的，将第一类型患者的变化特征向量集合中所有第一类型患者的二氧化碳分压序列的第

进一步的，在第

至此，通过上述方法得到关键特征向量序列和每个呼吸周期的目标数据点。

步骤S004：根据关键特征向量序列和目标数据点对待预防患者存在意外拔管进行预测。

具体的，对于待预防患者的二氧化碳分压序列中任意一个呼吸周期中任意一个数据点，若所述数据点的位置特征向量与关键特征向量相同，将所述数据点记为关键数据点；将所有关键数据点的位置特征向量构成的向量集合，作为待预防患者的第一位置特征向量集合；利用最小二乘算法对待预防患者的第一位置特征向量集合进行拟合，获得斜率参数向量和截距参数向量；将斜率参数向量和截距参数向量构成的向量序列，作为待预防患者的变化特征向量序列；将所有第一类型患者的二氧化碳分压序列的所有呼吸周期的目标数据点的变化特征向量序列的均值，作为第一类型患者的变化特征向量序列；将所有第二类型患者的二氧化碳分压序列的所有呼吸周期的目标数据点的变化特征向量序列的均值，作为第二类型患者的变化特征向量序列；将待预防患者的变化特征向量序列的模与第一类型患者的变化特征向量序列的模的差值，记为第一模差值；将待预防患者的变化特征向量序列的模与第二类型患者的变化特征向量序列的模的差值，记为第二模差值。

若第一模差值与第二模差值的比值大于或等于1，则待预防患者存在气管漏气情况；若第一模差值与第二模差值的比值小于1，则待预防患者存在意外拔管情况。

请参阅图2，其示出了一种用于预防患者意外拔管的智能监测方法的特征关系流程图。

至此，本实施例完成。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。