一种数据处理方法及装置
阅读：23发布：2022-02-25
专利汇可以提供一种数据处理方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种 数据处理 方法，包括：实时从 导联 睡眠装置中获取第一导联监测数据；所述第一导联监测数据包含至少一类导联数据；针对第一导联监测数据的每类导联数据，利用聚类 算法 ，确定对应导联数据中的无效数据，得到第二导联检测数据；利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据；输出第三导联监测数据；所述第三导联监测数据为有效数据。本发明同时还公开了一种数据处理装置。，下面是一种数据处理方法及装置专利的具体信息内容。
1.一种数据处理方法，其特征在于，所述方法包括：
实时从导联睡眠装置中获取第一导联监测数据；
针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据；
利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据；
输出第三导联监测数据；所述第三导联监测数据表征所述第一导联监测数据中的有效数据。
2.根据权利要求1所述的方法，其特征在于，针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据之前，所述方法还包括：
从信号频率角度，对所述第一导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据；
相应地，针对第四导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联监测数据。
3.根据权利要求2所述的方法，其特征在于，得到第四导联监测数据之前，所述方法还包括：
对所述第一导联监测数据进行预处理，以消除非人体信号数据，得到第五导联监测数据；
相应地，从信号频率角度，对第五导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据。
4.根据权利要求3所述的方法，其特征在于，对所述第一导联监测数据进行预处理，包括：
针对所述第一导联监测数据的每类导联数据，基于设置的监测范围，将对应的导联数据进行波峰、波谷削平处理。
5.根据权利要求1所述的方法，其特征在于，所述针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据，包括：
针对所述第一导联监测数据的每类导联数据，利用对应的导联数据提取对应的特征值，利用提取的特征值生成对应导联数据的特征向量；
对生成的特征向量进行归一化处理；
利用归一化处理后的特征向量，确定对应导联数据的欧式距离；
利用确定的欧式距离与样本的欧式距离进行相似度匹配，确定对应导联数据中的异常数据，得到所述第二导联监测数据。
6.根据权利要求1所述的方法，其特征在于，所述利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据，包括：
针对第二导联数据中存在关联关系的每类导联数据，提取对应的特征值，并生成对应导联数据的特征向量；
对生成的特征向量进行归一化处理；并利用利用归一化处理后的特征向量，确定对应导联数据的欧式距离；
通过确定的欧式距离与睡眠模型的欧式距离之间匹配的相似度，为所述对应导联数据标记睡眠类型；
通过比较存在关联关系的每类导联数据中同一时间段的各类导联数据的睡眠类型是否冲突，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：
利用所述第二导联监测数据，提取包含至少两个维度的、用于疾病预测的特征值；并进行归一化处理；
利用归一化处理后的特征值，确定欧式距离；
利用确定的欧式距离，并结合K最近邻KNN分类算法，预测所述第二导联监测数据对应的疾病诊断方向；
输出预测的疾病诊断方向。
8.一种数据处理方法，其特征在于，所述方法包括：
利用导联睡眠装置中输出的导联监测数据，提取至少两个维度的、用于疾病预测的特征值；并进行归一化处理；
利用归一化处理后的特征值，确定欧式距离；
利用确定的欧式距离，并结合KNN分类算法，预测所述导联监测数据对应的疾病诊断方向；
输出预测的疾病诊断方向。
9.根据权利要求8所述的方法，其特征在于，所述利用导联睡眠装置中输出的导联监测数据，提取至少两个维度的用于疾病预测的特征值，包括：
利用所述导联监测数据，统计血氧饱和度参数、心率参数；
利用所述导联监测数据，确定被监测者腿动参数、呼吸暂停参数及低通气参数。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
利用所述导联监测数据，统计睡眠时长；
相应地，当统计的睡眠时长不满足预设条件时，利用归一化处理后的特征值，确定欧式距离；所述预设条件表征睡眠正常。
11.根据权利要求8、9或10所述的方法，其特征在于，所述利用确定的欧式距离，并结合KNN分类算法，预测所述导联监测数据对应的疾病诊断方向，包括：
将确定的欧氏距离与N个样本的欧式距离进行比较，选取与确定的欧式距离最近的k个样本的欧式距离；N、k均为大于等于3的整数；
通过选取的k各样本的欧式距离所对应的疾病诊断方向来预测所述导联监测数据对应的基本诊断方向。
12.一种数据处理装置，其特征在于，所述装置包括：
获取单元，用于实时从导联睡眠装置中获取第一导联监测数据；
第一无效处理单元，用于针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据；
第二无效处理单元，用于利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据；
第一输出单元，用于输出第三导联监测数据；所述第三导联监测数据为有效数据。
13.根据权利要求12所述的装置，其特征在于，所述装置还包括：
滤波单元，用于从信号频率角度，对所述第一导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据；
相应地，所述第一无效处理单元，用于针对第四导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联监测数据。
14.根据权利要求13所述的装置，其特征在于，所述装置还包括：
预处理单元，用于对所述第一导联监测数据进行预处理，以消除非人体信号数据，得到第五导联监测数据；
相应地，所述滤波单元，用于从信号频率角度，对第五导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据。
15.根据权利要求12至14任一项所述的装置，其特征在于，所述装置包括：
提取单元，用于利用所述第二导联监测数据，提取包含至少两个维度的、用于疾病预测的特征值；并进行归一化处理；
确定单元，用于利用归一化处理后的特征值，确定欧式距离；
疾病预测单元，用于利用确定的欧式距离，并结合KNN分类算法，预测所述第二导联监测数据对应的疾病诊断方向；
第二输出单元，用于输出预测的疾病诊断方向。
16.一种数据处理装置，其特征在于，所述装置包括：
提取单元，用于利用导联睡眠装置中输出的导联监测数据，提取至少两个维度的用于疾病预测的特征值；并进行归一化处理；
确定单元，用于利用归一化处理后的特征值，确定欧式距离；
疾病预测单元，用于利用确定的欧式距离，并结合KNN分类算法，预测所述第二导联监测数据对应的疾病诊断方向；
第二输出单元，用于输出预测的疾病诊断方向。
17.根据权利要求16所述的装置，其特征在于，所述疾病预测单元，具体用于：
将确定的欧氏距离与N个样本的欧式距离进行比较，选取与确定的欧式距离最近的k个样本的欧式距离；
通过选取的k各样本的欧式距离所对应的疾病诊断方向来预测所述导联监测数据对应的基本诊断方向。
一种数据处理方法及装置
技术领域
[0001] 本发明涉及数据处理技术，尤其涉及一种数据处理方法及装置。
背景技术
[0003] 多导睡眠监测装置通过监测一整夜睡眠脑电、眼电、肌电，可以客观评价患者睡眠质量、进行睡眠时间、睡眠效率及分期的监测，排除睡眠认知错误观念，使患者正确认识自己的睡眠问题，对自己的睡眠质量有一个客观的评价和认识。
[0004] 然而，目前多导睡眠监测装置只能针对一种或几种特征数据进行分析，而且，在分析时，一般都是建立在默认采集信号准确的基础上，所以分析的精度不够。对于医院使用的专用多导睡眠监测，监测数据以睡眠图的形式交由专业技师判读，需要花费的时间比较长，不能保障实时性，即不能实时诊断疾病的方向。
发明内容
[0005] 为解决现有存在的至少一个技术问题，本发明实施例提供一种数据处理方法及装置。
[0006] 本发明实施例的技术方案是这样实现的：
[0007] 本发明实施例提供了一种数据处理方法，包括：
[0008] 实时从导联睡眠装置中获取第一导联监测数据；
[0010] 利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据；
[0011] 输出第三导联监测数据；所述第三导联监测数据表征所述第一导联监测数据中的有效数据。
[0012] 上述方案中，针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据之前，所述方法还包括：
[0014] 相应地，针对第四导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联监测数据。
[0015] 上述方案中，得到第四导联监测数据之前，所述方法还包括：
[0016] 对所述第一导联监测数据进行预处理，以消除非人体信号数据，得到第五导联监测数据；
[0017] 相应地，从信号频率角度，对第五导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据。
[0018] 上述方案中，对所述第一导联监测数据进行预处理，包括：
[0019] 针对所述第一导联监测数据的每类导联数据，基于设置的监测范围，将对应的导联数据进行波峰、波谷削平处理。
[0020] 上述方案中，所述针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据，包括：
[0021] 针对所述第一导联监测数据的每类导联数据，利用对应的导联数据提取对应的特征值，利用提取的特征值生成对应导联数据的特征向量；
[0022] 对生成的特征向量进行归一化处理；
[0023] 利用归一化处理后的特征向量，确定对应导联数据的欧式距离；
[0024] 利用确定的欧式距离与样本的欧式距离进行相似度匹配，确定对应导联数据中的异常数据，得到所述第二导联监测数据。
[0025] 上述方案中，所述利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据，包括：
[0026] 针对第二导联数据中存在关联关系的每类导联数据，提取对应的特征值，并生成对应导联数据的特征向量；
[0027] 对生成的特征向量进行归一化处理；并利用利用归一化处理后的特征向量，确定对应导联数据的欧式距离；
[0028] 通过确定的欧式距离与睡眠模型的欧式距离之间匹配的相似度，为所述对应导联数据标记睡眠类型；
[0029] 通过比较存在关联关系的每类导联数据中同一时间段的各类导联数据的睡眠类型是否冲突，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据。
[0030] 上述方案中，所述方法还包括：
[0031] 利用所述第二导联监测数据，提取包含至少两个维度的、用于疾病预测的特征值；并进行归一化处理；
[0032] 利用归一化处理后的特征值，确定欧式距离；
[0033] 利用确定的欧式距离，并结合K最近邻(KNN，K-Nearest Neighbor)分类算法，预测所述第二导联监测数据对应的疾病诊断方向；
[0034] 输出预测的疾病诊断方向。
[0035] 本发明实施例还提供了一种数据处理方法，包括：
[0036] 利用导联睡眠装置中输出的导联监测数据，提取至少两个维度的、用于疾病预测的特征值；并进行归一化处理；
[0037] 利用归一化处理后的特征值，确定欧式距离；
[0038] 利用确定的欧式距离，并结合KNN分类算法，预测所述导联监测数据对应的疾病诊断方向；
[0039] 输出预测的疾病诊断方向。
[0040] 上述方案中，所述利用导联睡眠装置中输出的导联监测数据，提取至少两个维度的用于疾病预测的特征值，包括：
[0042] 利用所述导联监测数据，确定被监测者腿动参数、呼吸暂停参数及低通气参数。
[0043] 上述方案中，所述方法还包括：
[0044] 利用所述导联监测数据，统计睡眠时长；
[0045] 相应地，当统计的睡眠时长不满足预设条件时，利用归一化处理后的特征值，确定欧式距离；所述预设条件表征睡眠正常。
[0046] 上述方案中，所述利用确定的欧式距离，并结合KNN分类算法，预测所述导联监测数据对应的疾病诊断方向，包括：
[0047] 将确定的欧氏距离与N个样本的欧式距离进行比较，选取与确定的欧式距离最近的k个样本的欧式距离；N、k均为大于等于3的整数；
[0048] 通过选取的k各样本的欧式距离所对应的疾病诊断方向来预测所述导联监测数据对应的基本诊断方向。
[0049] 本发明实施例又提供了一种数据处理装置，包括：
[0050] 获取单元，用于实时从导联睡眠装置中获取第一导联监测数据；
[0051] 第一无效处理单元，用于针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据；
[0052] 第二无效处理单元，用于利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据；
[0053] 第一输出单元，用于输出第三导联监测数据；所述第三导联监测数据为有效数据。
[0054] 上述方案中，所述装置还包括：
[0055] 滤波单元，用于从信号频率角度，对所述第一导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据；
[0056] 相应地，所述第一无效处理单元，用于针对第四导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联监测数据。
[0057] 上述方案中，所述装置还包括：
[0058] 预处理单元，用于对所述第一导联监测数据进行预处理，以消除非人体信号数据，得到第五导联监测数据；
[0059] 相应地，所述滤波单元，用于从信号频率角度，对第五导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据。
[0060] 上述方案中，所述装置包括：
[0061] 提取单元，用于利用所述第二导联监测数据，提取包含至少两个维度的、用于疾病预测的特征值；并进行归一化处理；
[0062] 确定单元，用于利用归一化处理后的特征值，确定欧式距离；
[0063] 疾病预测单元，用于利用确定的欧式距离，并结合KNN分类算法，预测所述第二导联监测数据对应的疾病诊断方向；
[0064] 第二输出单元，用于输出预测的疾病诊断方向。
[0065] 本发明实施例还提供了一种数据处理装置，包括：
[0066] 提取单元，用于利用导联睡眠装置中输出的导联监测数据，提取至少两个维度的用于疾病预测的特征值；并进行归一化处理；
[0067] 确定单元，用于利用归一化处理后的特征值，确定欧式距离；
[0068] 疾病预测单元，用于利用确定的欧式距离，并结合KNN分类算法，预测所述第二导联监测数据对应的疾病诊断方向；
[0069] 第二输出单元，用于输出预测的疾病诊断方向。
[0070] 上述方案中，所述疾病预测单元，具体用于：
[0071] 将确定的欧氏距离与N个样本的欧式距离进行比较，选取与确定的欧式距离最近的k个样本的欧式距离；
[0072] 通过选取的k各样本的欧式距离所对应的疾病诊断方向来预测所述导联监测数据对应的基本诊断方向。
[0073] 本发明实施例提供的数据处理方法及装置，实时从导联睡眠装置中获取第一导联监测数据；针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据；利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据；输出第三导联监测数据；所述第三导联监测数据表征所述第一导联监测数据中的有效数据。从第一导联监测数据中去除了无效数据，如此，能提高采集信号的准确性，从而增加后续分析的精度。
[0074] 利用导联睡眠装置中输出的导联监测数据，提取至少两个维度的、用于疾病预测的特征值；利用提取的特征值，确定欧式距离；利用确定的欧式距离，并结合KNN分类算法，预测所述导联监测数据对应的疾病诊断方向；输出预测的疾病诊断方向，通过KNN分类算法，来自动预测导联监测数据对应的疾病诊断方向，如此，不需要专业技术花费大量时间去分析这些数据来预测疾病的诊断方向，从而保障了预测的实时性。附图说明
[0075] 在附图(其不一定是按比例绘制的)中，相似的附图标记可在不同的视图中描述相似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。
[0076] 图1为本发明实施例一数据处理的方法流程示意图；
[0077] 图2为本发明实施例导联检测数据的类型示意图；
[0078] 图3为本发明实施例二数据处理的方法流程示意图；
[0079] 图4为本发明实施例三实现睡眠信号质量监控、元数据提取及疾病预诊的流程示意图；
[0080] 图5为本发明实施例三采集信号质量监控流程示意图；
[0081] 图6为本发明实施例三进行削顶处理的效果示意图；
[0082] 图7为本发明实施例三进行滤波处理后的效果示意图；
[0083] 图8为本发明实施例三匹配是否为正常心电波形的示意图；
[0084] 图9为本发明实施例三关联的脑电信号和鼻气流波形示意图；
[0085] 图10为本发明实施例三预测疾病诊断的方向流程示意图；
[0086] 图11A为本发明实施例三疾病诊断方向预测的训练模型示意图；
[0087] 图11B为本发明实施例三计算的欧式距离在病诊断方向预测的训练模型中的一种位置关系；
[0088] 图11C为本发明实施例三计算的欧式距离在病诊断方向预测的训练模型中的另一种位置关系；
[0089] 图12为本发明实施例四一种数据装置结构示意图；
[0090] 图13本发明实施例四另一种数据装置结构示意图；
[0091] 图14为本发明实施例五数据装置结构示意图。
具体实施方式
[0092] 下面结合附图及实施例对本发明再作进一步详细的描述。
[0093] 多导睡眠监测装置通过监测一整夜睡眠脑电、眼电、肌电，可以客观评价患者睡眠质量、进行睡眠时间、睡眠效率及分期的监测，排除睡眠认知错误的观念，使患者正确认识自己的睡眠问题，对自己的睡眠质量有一个客观的评价和认识。同时，可以通过监测口鼻气流、血氧饱和度及鼾声，对睡眠呼吸紊乱患者进行分期、分级的检查。此外，针对患者不同的睡眠障碍事件，如周期性腿动、不宁腿综合症等，可以设置不同的导联，对其进行相关监测，以充分认识引起失眠的病因。
[0094] 随着多导睡眠监测技术的发展，目前多导睡眠监测设备可以分为医院使用的专业多导睡眠监测系统和各式各样的家用简化便携式睡眠监测仪两大类。医院使用的专业多导睡眠监测系统通过一整夜的监测，能记录睡眠结构、呼吸事件、血氧饱和度、微觉醒等分析所需要的详细信息，经过专业技师数小时的睡眠图判读，提供精确的监测结果。而家用的简化便携式睡眠监测仪，通常只监测呼吸气流、血氧饱和度以及心电或心率数据，其优点是可以在监测的同时，为用户提供粗略的睡眠质量评估结果，包括睡眠分期、睡眠结构等内容。
[0095] 目前多导睡眠监测装置支持从多种不同角度评估睡眠质量，常见的评估方式和技术角度包括：针对呼吸暂停提出的预警、针对睡眠姿势的评估、针对心电信号的监测、用于睡眠结构分析、用于睡眠分期判断。
[0096] 下面详细描每种评估方式。
[0097] 1、针对呼吸暂停提出的预警
[0098] 比如申请号CN201210540180.3的中国专利申请公开的方案，其基本思想是：非接触生物雷达前端通过发射天线向睡眠者胸壁定向发射脉冲序列信号，通过接收天线拾取睡眠者含有呼吸信息的反射回波信号，经过相关检测和可变延迟处理后输出给DSP处理器，DSP处理器对睡眠者呼吸信号进行预处理、呼吸特征向量提取和聚类分析等步骤实现呼吸模式自动识别和控制，在不影响人体正常睡眠的前提下，可进行声光报警，强制让呼吸暂停的睡眠者清醒。
[0099] 2、针对睡眠姿势的评估
[0100] 具体来说，利用体感设备采集人体的姿态信息，获取人体的睡眠信息，将人体的睡眠信息与预设的标准睡眠信息进行比对，分析所述人体的睡眠质量的健康程度。
[0101] 3、针对心电信号的监测
[0102] 比如申请号为201210540180.3的中国专利申请公开的方案，其基本思想是：提取被测试者的脑电信号和心率变异信号；从脑电信号、心率变异信号中共提取9个特征向量；对9个特征向量进行主成分分析；特征提取后，使用支持向量机分类器对特征进行识别，进行自动睡眠分期。
[0103] 4、用于睡眠结构分析
[0104] 比如申请号为201210591111.5的中国专利申请公开的方案，其基本思想时：获得采集的体征信号，对采集的体征信号进行信号质量评估；对于信号质量评估结果满足预定条件的体征信号，将该体征信号直接用于睡眠结构分析，对于信号质量评估结果不满足预定条件的体征信号，将该体征信号以及该体征信号以外的其他体征信号进行综合分析，根据综合分析结果进行睡眠结构分析。
[0105] 5、用于睡眠分期判断
[0106] 比如申请号为CN201380048809.5的中国专利申请，其基本思想是可以访问与身体移动和/或呼吸运动相关的数据信号，对该检测到的信号的至少一部分进行分析，以计算呼吸变化。所述呼吸变化可包括呼吸速率变化和呼吸幅度变化中的一个或多个。处理器可随后基于呼吸变化和身体运动中的一个或多个，确定睡眠阶段，例如结合二者来确定。所述睡眠阶段的确定可以在深睡眠与睡眠的其他阶段之间进行区别，或者可以在深睡眠、浅睡眠和眼球快速运动睡眠(REM)睡眠之间区别化。
[0107] 目前多导睡眠监测装置面临的主要困境包括：
[0108] 困境一：对睡眠数据的体征分析大部分都是默认采集信号具有准确度，即在默认采集信号准确的基础上去进行体征分析，然而患者在整夜的监测过程中，通常会受到多种外因的干扰，出现如信号脱落、噪声混杂等问题，导致监测数据异常，间接影响装置在睡眠分期、睡眠结构等睡眠质量分析的准确性(也有部分装置通过滤波器等元器件实现硬件层面的信号质量控制，但这种方式对于介于正常信号幅值范围和频率内的无效数据并无法识别和剔除)；
[0109] 困境二：目前的便携式多导睡眠装置通常是基于一个或少数几个导联进行监测数据的特征分析(如申请号为CN201210540180.3的中国专利申请采集的是呼吸类信号，申请号为CN201210540180.3的中国专利申请采集的是脑电和心率变异信号，而申请号未接CN201380048809.5中国的专利申请采集的是呼吸和身体移动信号)，这种监测方式的自动化判读在准确性还有欠缺，只能作为自我护理的方式，而不能作为医疗诊断的依据，如果要作为医疗诊断的依据，还需要更全面的导联数据提取和分析；
[0110] 困境三：对于医院使用的专用多导睡眠监测，监测数据以睡眠图的形式交由专业技师判读，需要花费的时间比较长，这样使得患者得到的诊疗报告通常不具备实时性。然而，监测的导联数据中的元数据信息(如最低血氧饱和度(SpO2)、睡眠时长统计等)，在监测结束后就可以统计得出，并实时提供给患者作为疾病初筛的依据，加快和简化患者的就诊流程。
[0111] 基于此，在本发明的各种实施例中：对于分析所用的数据，实时从导联睡眠装置中获取第一导联监测数据；所述第一导联监测数据包含至少一类导联数据；针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据；利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据；输出第三导联监测数据；所述第三导联监测数据为有效数据。对于疾病的预测，利用导联监测数据，生成包含至少两个维度的、用于疾病预测的特征值；并进行归一化处理；利用归一化处理后的特征值，确定欧式距离；利用确定的欧式距离，并结合KNN分类算法，预测所述第二导联监测数据对应的疾病诊断方向；输出预测的疾病诊断方向。
[0112] 实施例一
[0113] 本发明实施例数据处理的方法，具体来说是一种监测数据质量监控的方法，如图1所示，包括以下步骤：
[0114] 步骤101：实时从导联睡眠装置中获取第一导联监测数据；
[0115] 这里，所述第一导联监测数据包含至少一类导联数据。
[0116] 实际应用时，如图2所示，所述第一导联监测数据一般包括：脑电、眼电、下颌肌电、心电或心率、呼吸气流、腿动、体位和SpO2八类。其中，在图2中，从上到下的信号分为眼电(E1、E2)、脑电(F3、F4、C3、C4、O1、O2)、下颌肌电(Chin1、Chin2)、心电(ECG)、腿动(Lleg、RLeg)、呼吸气流(Snore鼾声，Nasal鼻压力，Airflow鼻气流，Thor胸部呼吸，Adbo腹部呼吸)、血氧饱和度(SpO2)和体位(Pos Sensor)。
[0117] 步骤102：针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据；
[0118] 具体地，针对所述第一导联监测数据的每类导联数据，利用对应的导联数据提取对应的特征值，利用提取的特征值生成对应导联数据的特征向量；
[0119] 对生成的特征向量进行归一化处理；
[0120] 利用归一化处理后的特征向量，确定对应导联数据的欧式距离；
[0121] 利用确定的欧式距离与样本的欧式距离进行相似度匹配，确定对应导联数据中的异常数据，得到所述第二导联监测数据。
[0122] 其中，实际应用时，根据每类导联数据的物理含义和特征来选取对应的特征值。
[0123] 通过欧式距离来确定与样本的欧式距离的相似度匹配的实现方式可以称为K-Means聚类算法。
[0124] 利用确定的欧式距离与样本的欧式距离进行相似度匹配，确定对应导联数据中的异常数据时，如果能匹配上对应的样本的欧式距离，则认为信号质量良好，采集的数据为有效数据。如果不能匹配上对应的样本的欧式距离，则认为信号质量异常，是异常信号，采集的数据为无效数据。
[0125] 这里，实际应用时，受监测过程中的各种外因影响，比如噪声等问题，获取的第一导联监测数据并不能真正反映被监测者的真实情况。
[0126] 基于此，在执行本步骤之前，该方法还可以包括：
[0127] 从信号频率角度，对所述第一导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据；
[0128] 相应地，针对第四导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联监测数据。
[0129] 其中，实际应用时，还有可能会出现信号脱落等意外情况，所以也要将这些数据去除。
[0130] 基于此，在得到第四导联监测数据之前，该方法还可以包括：
[0131] 对所述第一导联监测数据进行预处理，以消除非人体信号数据，得到第五导联监测数据；
[0132] 相应地，从信号频率角度，对第五导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据。
[0133] 具体地，针对所述第一导联监测数据的每类导联数据，基于设置的监测范围，将对应的导联数据进行波峰、波谷削平处理。
[0135] 步骤103：利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据；
[0136] 具体地，针对第二导联数据中存在关联关系的每类导联数据，提取对应的特征值，并生成对应导联数据的特征向量；并利用生成的特征向量，确定对应导联数据的欧式距离；
[0137] 通过确定的欧式距离与睡眠模型的欧式距离之间匹配的相似度，为所述对应导联数据标记睡眠类型；
[0138] 通过比较存在关联关系的每类导联数据中同一时间段的各类导联数据的睡眠类型是否冲突，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据。
[0139] 其中，考虑到多导睡眠装置采集的导联数据中，导联数据并不是完全独立的，有些类导联数据之间是存在关联关系的，对于这类导联数据，可以通过提取同一时间刻度的特征值，分析特征值对应的睡眠类型(含义)，当分析结果矛盾，则认为相关数据采集有误，是无效数据。
[0140] 步骤104：输出第三导联监测数据。
[0141] 这里，所述第三导联监测数据表征所述第一导联监测数据中的有效数据。
[0142] 实际应用时，在进行数据输出时，可以将步骤102和103中的无效数据标记为无效数据，以此来确定第一导联监测数据中的有效数据。
[0143] 同时，当在步骤102和103中确定出现长时间数据无效的现象，则可以通过报警的方式，及时提醒基层医院技术人员或家人检查设备连接；其它情况会在专业技师判读时，通过标注方式将异常数据显示在判读图上，以帮助专业技师了解数据的准确性。
[0144] 这里，输出第三导联检测数据的目的是：进行数据分析，以便进行疾病的预测。
[0145] 目前，当拿到导联监测数据后，一般是依靠专业技师去分析这些数据，也就是说，需要人工去预测疾病诊断方向，如此，花费时间长，不能保障预测的实时性。
[0146] 基于此，在一实施例中，该方法还可以包括：
[0147] 利用所述第二导联监测数据，提取包含至少两个维度的、用于疾病预测的特征值；并进行归一化处理；
[0148] 利用归一化处理后的特征值，确定欧式距离；
[0149] 利用确定的欧式距离，并结合KNN分类算法，预测所述第二导联监测数据对应的疾病诊断方向；
[0150] 输出预测的疾病诊断方向。
[0151] 其中，实际应用时，进行疾病诊断方向预测时，为了保证预测的准确性，可以采用比较全面的特征值去分析，所以一般包括：SpO2、心率、腿动、呼吸暂停和低通气事件发生时长这几个特征值。
[0152] 基于此，所述利用导联睡眠装置中输出的导联监测数据，提取至少两个维度的用于疾病预测的特征值，包括：
[0153] 利用所述导联监测数据，统计SpO2参数、心率参数；
[0154] 利用所述导联监测数据，确定被监测者腿动参数、呼吸暂停参数及低通气参数。
[0155] 这里，SpO2参数可以包括：最低值和平均值；所述心率参数可以包括：平均值、最大值和最小值。
[0156] 腿动参数一般是腿动次数；呼吸暂停参数一般是呼吸暂停时长；低通气参数一般是低通气时长。
[0157] 因此，利用所述导联监测数据，确定被监测者腿动参数、呼吸暂停参数及低通气参数时，可以根据左右腿动波形、鼻压力和鼻气流波形，来分析是否发生腿动、呼吸暂停和低通气，进而可以统计腿动次数、呼吸暂停和低通气的时长。
[0158] 这里，呼吸暂停以及低通气所满足的条件可以根据医院所使用的标准来定义。
[0159] 实际应用时，该方法还可以包括：
[0160] 利用所述导联监测数据，统计睡眠时长；
[0161] 相应地，当统计的睡眠时长不满足预设条件时，再利用归一化处理后的特征值，确定欧式距离；所述预设条件表征睡眠正常，然后利用确定的欧式距离，并结合KNN分类算法，预测所述导联监测数据对应的疾病诊断方向；并输出预测的疾病诊断方向。
[0162] 所述利用确定的欧式距离，并结合KNN分类算法，预测所述导联监测数据对应的疾病诊断方向，包括：
[0163] 将确定的欧氏距离与N个样本的欧式距离进行比较，选取与确定的欧式距离最近的k个样本的欧式距离；N、k均为大于等于3的整数；
[0164] 通过选取的k各样本的欧式距离所对应的疾病诊断方向来预测所述导联监测数据对应的基本诊断方向。
[0165] 其中，实际应用时，先以SpO2、心率、腿动、呼吸暂停和低通气事件发生时长作为特征值，训练患者疾病诊断结果和导联监测数据的集合，从而得到疾病诊断预测的训练模型，在得到的训练模型中，包含N个样本的欧式距离。
[0166] 本发明实施例提供的数据处理方法，实时从导联睡眠装置中获取第一导联监测数据；针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据；利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据；输出第三导联监测数据；所述第三导联监测数据表征所述第一导联监测数据中的有效数据。从第一导联监测数据中去除了无效数据，如此，能提高采集信号的准确性，从而增加后续分析的精度。
[0167] 另外，从信号频率角度，对所述第一导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据；针对第四导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联监测数据，通过频率监测，消除了噪声数据，如此，能进一步提高采集信号的准确性。
[0168] 对所述第一导联监测数据进行预处理，以消除非人体信号数据，得到第五导联监测数据；从信号频率角度，对第五导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据，通过阈值监测，消除了非人体信号等外因对采集数据的影响，如此，进一步提高了采集信号的准确性。
[0169] 除此以外，利用所述第二导联监测数据，生成包含至少两个维度的、用于疾病预测的特征值；并进行归一化处理；利用归一化处理后的特征值，确定欧式距离；利用确定的欧式距离，并结合KNN分类算法，预测所述第二导联监测数据对应的疾病诊断方向；输出预测的疾病诊断方向，通过KNN分类算法，来自动预测导联监测数据对应的疾病诊断方向，如此，不需要专业技术花费大量时间去分析这些数据来预测疾病的诊断方向，从而保障了预测的实时性。
[0170] 实施例二
[0171] 本实施例数据处理的方法，具体来说是一种利用导联监测数据预测疾病诊断方向的方法，如图3所示，包括以下步骤：
[0172] 步骤301：利用导联睡眠装置中输出的导联监测数据，提取至少两个维度的、用于疾病预测的特征值；并进行归一化处理；
[0173] 其中，实际应用时，进行疾病诊断方向预测时，为了保证预测的准确性，可以采用比较全面的特征值去分析，所以一般包括：SpO2、心率、腿动、呼吸暂停和低通气事件发生时长这几个特征值。
[0174] 基于此，本步骤的具体实现可以包括：
[0175] 利用所述导联监测数据，统计SpO2参数、心率参数；
[0176] 利用所述导联监测数据，确定被监测者腿动参数、呼吸暂停参数及低通气参数。
[0177] 这里，SpO2参数可以包括：最低值和平均值；所述心率参数可以包括：平均值、最大值和最小值。
[0178] 腿动参数一般是腿动次数；呼吸暂停参数一般是呼吸暂停时长；低通气参数一般是低通气时长。
[0179] 因此，利用所述导联监测数据，确定被监测者腿动参数、呼吸暂停参数及低通气参数时，可以根据左右腿动波形、鼻压力和鼻气流波形，来分析是否发生腿动、呼吸暂停和低通气，进而可以统计腿动次数、呼吸暂停和低通气的时长。
[0180] 这里，呼吸暂停以及低通气所满足的条件可以根据医院所使用的标准来定义。
[0181] 实际应用时，该方法还可以包括：
[0182] 利用所述导联监测数据，统计睡眠时长；
[0183] 相应地，当统计的睡眠时长不满足预设条件时，再利用归一化处理后的特征值，确定欧式距离；所述预设条件表征睡眠正常，然后利用确定的欧式距离，并结合KNN分类算法，预测所述导联监测数据对应的疾病诊断方向；并输出预测的疾病诊断方向。即执行步骤302～304。
[0184] 步骤302：利用归一化处理后的特征值，确定欧式距离；
[0185] 步骤303：利用确定的欧式距离，并结合KNN分类算法，预测所述导联监测数据对应的疾病诊断方向；
[0186] 将确定的欧氏距离与N个样本的欧式距离进行比较，选取与确定的欧式距离最近的k个样本的欧式距离；N、k均为大于等于3的整数；
[0187] 通过选取的k各样本的欧式距离所对应的疾病诊断方向来预测所述导联监测数据对应的基本诊断方向。
[0188] 其中，实际应用时，先以SpO2、心率、腿动、呼吸暂停和低通气事件发生时长作为特征值，训练患者疾病诊断结果和导联监测数据的集合，从而得到疾病诊断预测的训练模型，在得到的训练模型中，包含N个样本的欧式距离。
[0189] 步骤304：输出预测的疾病诊断方向。
[0190] 本发明实施例提供的数据处理方法，利用导联睡眠装置中输出的导联监测数据，提取至少两个维度的、用于疾病预测的特征值；并进行归一化处理；利用归一化处理后的特征值，确定欧式距离；利用确定的欧式距离，并结合KNN分类算法，预测所述导联监测数据对应的疾病诊断方向；输出预测的疾病诊断方向，通过KNN分类算法，来自动预测导联监测数据对应的疾病诊断方向，如此，不需要专业技术花费大量时间去分析这些数据来预测疾病的诊断方向，从而保障了预测的实时性。
[0191] 实施例三
[0192] 在实施例一、二的基础上，本实施例详细描述对采集信号进行质量监控的过程及预测疾病诊断方向的过程。
[0193] 如图4所示，以医院使用的专用多导监测睡眠装置为处理对象，通过向多导睡眠采集设备中添加信号质量监测模块和导联元数据初筛模块，实现睡眠信号质量监控和元数据提取、疾病预诊。
[0194] 其中，对于采集信号质量监控过程，针对医院使用的专用多导监测睡眠系统，在多导睡眠仪中添加信号质量监测模块，对采集的信号进行分类，通过单特征和多特征关联分析，保障监测数据的信号质量。
[0195] 具体来说，如图5所示，该过程包括以下步骤：
[0196] 步骤501：从导联睡眠装置中实时输出各类导联监测的数据；
[0198] 输出的各类导联数据包括：脑电、眼电、下颌肌电、心电或心率、呼吸气流、腿动、体位和SpO2八个大类。
[0199] 步骤502：对输出导联监测数据进行阈值监测；
[0200] 这里，执行本步骤的目的是监测噪声或信号脱落等原因出现的非人体信号数值，对该部分数据进行削顶处理。
[0201] 具体来说，针对各导联数据采集数值的大小，设定各导值域界限，对于超过阈值的数据，进行削顶处理，处理效果如图6所示。
[0202] 其中，由于导联睡眠装置采集的数据既包括出现疾病时可能出现的非正常数值(这部分数据一般比较接近正常值)，又包括噪音或信号脱落等原因造成的远远偏离正常值的非人体信号数据，因此，在设定各导联数据的阈值时，要针对这些非人体信号数据设定阈值，以消除这些非人体信号数据。
[0203] 从图6中可以看出，对导联数据的波峰和波谷均进行了削顶(削平)处理。
[0204] 步骤503：对经过步骤502处理后的导联监测数据进行频率监测；
[0205] 这里，执行本步骤的目的是：目的是监测频率过低或过高的信号，这类信号通常都是噪声导致的，通过高通或低通滤波计算，可以将这部分数据从导联监测数据中剥离出去。
[0206] 具体来说，通过高通和/或低通滤波计算，从频率角度过滤与有效导联信号混杂在一起的噪声信号，处理效果如图7所示。在图7中，左侧是采样数据中夹杂高频噪声信号，通过低通滤波计算后，过滤得到右侧的信号数据。
[0207] 从上面的描述中可以看出，在步骤502和503中，通过设置阈值和频率参数，分别对各信号从值域和低通/高通方面进行了质量监控。
[0208] 步骤504：根据各导联数据特点，提取特征值，生成特征向量，并对特征向量进行归一化处理；
[0209] 换句话说，针对每类导联数据，根据导联含义和特征选取特征值，生成特征向量，并对特征向量进行归一化处理。
[0210] 步骤505：针对每类导联数据，根据导联类型，通过K-Means聚类算法与导联规范样本进行相似度匹配，剔除无效数据；
[0211] 如果能匹配上样本案例，则认为信号质量良好，数据为有效数据，否则将认定为异常信号，数据为无效数据。举个例子来说，以心电信号为例，如图8所示，特征向量为：提取的自P波、R波、T波的波值与各波之间的时间间隔，通过分析各波的峰值和波形间的时间间隔，匹配是否为正常心电波形。
[0212] 实际应用时，对于不同类型的导联，其特征向量选取与相似度比较的方法略有不同，主要分为：
[0213] 1、心电或心率导联
[0214] 对于心电或心率导联，则提取出P波、R波、T波的波值与各波之间的时间间隔作为其特征向量，表示为：(f1:x1,t1,v1；f2:x2,t2,v2；…fn:xn,tn,vn)，xn、tn、vn代表的含义分别为各波的持续时间、间隔时间和波形峰值；进行归一化处理后，根据公式(1)计算欧氏距离：
[0215]
[0216] 利用计算的欧式距离与已知各波的典型案例分别进行相似度匹配，判断波形是属于P波、R波、T波或异常波；
[0217] 将P波、R波、T波或异常波按心电事件发生的顺序重新组合，形成完整的心电波形，并可以判断出是否是正常心电波形。
[0218] 2、血氧导联
[0219] 对于血氧导联数据，提取出血氧数值发生波动的数据段，将波动数据段表示为：(f1:x1,n1,t1；f2:x2,n2,t2；…fn:xm,nm,tm)，xm、nm、tm代表的含义分别为波动段的最大值，最小值，波动持续时间，这些参数生成特征向量；对特征向量进行归一化处理后，根据公式(2)计算欧式距离：
[0220]
[0221] 利用计算的欧式距离与波动中的极值案列进行相似度匹配，当欧式距离大于最小案例的欧式距离(dmin)时，认为波动数据范围出现异常，采集的血氧数据存在问题，是无效数据。
[0222] 3、其他导联
[0223] 对于其它导联数据，可以根据数据阈值将监测的导联数据划分为多个等级，将监测结果转换为对应的等级后，抽样组成特征向量，对特征向量进行归一化处理后，计算对应的欧式距离；将计算得到的欧式距离与已知数据样本的欧式距离进行相似度匹配，从而判断是否出现采集异常，即判断数据是否为无效数据。
[0224] 举个例子来说，首先，基于监测结果生成特征向量：v＝{f1,w1；f2,w2；…；fn,wn}，并将特征向量归一化；
[0225] 其次，计算欧氏距离；
[0226] 第三，将计算的欧式距离与已有类别的模型(以欧式距离体现)分别进行相似度匹配，比较特征向量v与已有类别的模型特征向量的欧氏距离D，从已有类别的模型中找到与计算的欧式距离(di)距离最小的dmin；
[0227] 如果dmin≤SD(根据需要设置的一个阈值)，则认为该波形与已有波形模型一致，采集信号无异常，采集的导联数据为有效数据；否则，认为采集信号不准确；采集的导联数据为无效数据。
[0228] 从上面的描述可以看出，步骤504～505中通过K-Means聚类算法，分析心电或心率的波形规律、SpO2的骤变限度以及其余各信号的波动情况，剔除不符合导联变化的信号数据。
[0229] 步骤506：通过多特征提取，关联分析心电或心率与脑电、呼吸气流等之间的相互影响，发掘导联隐含信息不一致的数据；
[0230] 举个例子来说，如脑电数据表示患者当前处于深睡眠期，而呼吸气流表示患者当前呼吸紊乱，两者信息对立。
[0231] 这里，考虑到多导睡眠装置采集的导联信号中，导联数据不是完全独立，而是存在关联关系的，对于这类信号，可以通过提取同一时间刻度的特征值，分析特征值对应的睡眠含义(类型)，如导联分析结果矛盾，则认为相关数据采集有误，是无效数据。
[0232] 具体来说，对于互相存在关联关系的各类导联数据，分别提取相关导联的特征向量，首先判断特征一致的向量之间是否存在冲突(即执行步骤505)，若无冲突则合并成为一个特征向量，然后并与已知样本进行匹配，再次判断导联间是否存在冲突，更具体地，[0233] 首先，对各相关导联信号，提取特征向量，并进行归一化处理，然后采用归一化处理后的特征向量计算欧式距离，利用计算的欧式距离与已知睡眠模型进行相似度匹配，以为导联数据标记睡眠含义；
[0234] 接着，比较同一时间片段的导联信号，是否对应的睡眠含义是冲突的，如果对应的睡眠含义是冲突的(矛盾的)，表明相关导联数据为无效数据，如果对应的睡眠含义是一致的，表明相关导联数据为有效数据。举个例子来说，如图9所示，对于脑电信号，对应的睡眠含义是深睡眠，而鼻气流(呼吸气流)信号对应的睡眠含义是不是深睡眠，呼吸紊乱，所以鼻气流的导联数据是无效数据，需要剔除。
[0235] 步骤507：输出有效导联监测数据。
[0236] 这里，实际应用时，对检测出的信号质量问题，如果严重(影响到患者的身体状况或大批量数据异常，比如出现长时间数据无效现象等)，应及时提醒基层医院技术人员或家人检查设备连接，其余情况则在专业技师标注时加以提示，以实现输出有效数据的目的。
[0237] 对于元数据提取和疾病诊断方向预测过程，针对医院使用的专用多导监测睡眠系统，在监测的同时添加对信号的统计功能，以便在监测结束后，可以迅速提供患者监测的基本信息，并通过这些信息预测疾病诊断的方向。
[0238] 具体来说，如图10所示，该过程包括以下步骤：
[0239] 步骤1001：利用有效的导联监测数据，精确统计睡眠时长、SpO2最低值、平均值、心率的平均值、最高值、最低值；
[0240] 这里，实际应用时，得到统计信息后，可以输出这些统计信息，以方便使用。
[0241] 步骤1002：通过特征提取，粗略计算腿动次数、呼吸暂停和低通气时长；
[0242] 具体地，根据左右腿动波形、鼻压力和鼻气流波形，粗略分析是否发生腿动、呼吸暂停和低通气，并统计腿动次数、呼吸暂停和低通气的时长。
[0243] 其中，呼吸暂停以及低通气所满足的条件可以根据医院所使用的标准来定义。
[0244] 实际应用时，得到统计信息后，可以输出这些统计信息，以方便使用。
[0245] 步骤1003：利用统计的睡眠时长，来判断睡眠是否正常，如果睡眠正常，然后执行步骤1004；
[0246] 这里，首先可以考虑睡眠本身的问题，当睡眠时长正常时再考虑其他病症。
[0247] 睡眠时长是一个大致分类的过程，比如低于5h的睡眠这份数据表示患者失眠严重，大于10h表示患者嗜睡。
[0248] 步骤1004：通过训练模型，结合KNN算法，将患者监测信息统计结果转换为预测疾病诊断的主要方向；
[0249] 具体地，将SpO2、心率、腿动次数、呼吸暂停和低通气事件发生时长作为特征值，生成特征向量，计算欧式距离。换句话说，抽象成函数(f1:s1,e1,l1,a1,n1；f2:s2,e2,l2,a2,n2；…fn:sn,en,ln,an,nn)，以(f0:0,0,0,0,0)为原点坐标，根据公式(3)计算欧氏距离：
[0250]
[0251] 利用计算的欧式距离，通过训练模型，结合KNN算法，预测疾病诊断方向。
[0252] 其中，KNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。
[0253] 实际应用时，由于统计了SpO2的最低值和平均值，在进行欧式距离计算时，当平均值在预设范围内时，计算欧式距离时采用SpO2的平均值；当平均值低于预设范围时，计算欧式距离时采用SpO2的最低值。
[0254] 同样地，由于统计了心率的平均值、最高值、最低值，进行欧式距离计算时，当平均值在预设范围内时，计算欧式距离时采用心率的平均值；当平均值低于预设范围时，计算欧式距离时采用心率的最高值与最低值的差值。
[0255] 下面通过距离的方式详细描述通过KNN算法预测疾病诊断方向的具体实现过程。
[0256] 假设训练模型中已有确定诊断方向样本n份，分别计算每一份的特征值，即欧式距离，记为fi。同时，假设根据被监测者的SpO2、心率、腿动次数、呼吸暂停和低通气事件发生时长信息，计算的特征值记为f。
[0257] 首先，设置k值为3，计算f与fi之间的绝对值并依次排序，选取距离最小的3个值查看诊断方向，若某一诊断方向占比超过70％，则将被监测者的诊断方向归类为该诊断方向，否则将k值设置为原k值+2，循环该过程，直到某一诊断方向占比超过70％，或k值超过15(则认为该被监测者诊断方向不明显，交由技师人工判断)。
[0258] 下面结合图11A-C来说明使用KNN算法来预测疾病诊断方向的过程。图11A为通过训练患者疾病诊断结果和监测数据的集合，得到疾病诊断方向预测的训练模型。图11B和11C为通过采用设置的k值对疾病诊断方向的预测结果；在图11中，三角表示一种常见的疾病诊断结果，称为疾病一，方块表示另一种常见的疾病诊断结果，称为疾病二，五角星表示根据特征向量计算的特征值，根据图11A中的训练模型决定赋予哪类诊断结果：
[0259] 对于图11B，根据k取值的不同，被监测者诊断的方向则会发生变化，若k＝3，则患者诊断为绿色方块代表的疾病二，若k＝12，则患者诊断为蓝色三角代表的疾病一，因此，实际应用时，可以通过多种k值方案比较，取相对预测次数较多的几种疾病诊断结果作为主诊方向。
[0260] 对于图11C，当k值在相近数值区域变化时，被监测者诊断的方向不会发生显著变化，均为三角代表的疾病一，因此只需把该诊断方向作为患者的主诊方向。
[0261] 这里，实际应用时，通过训练患者疾病诊断结果和监测数据的集合，可以得到疾病诊断预测的训练模型。
[0262] 其中，实际应用时，通过对被监测者的导联监测数据的学习，可以自动更新已有的训练模型，以保证预测的准确性。
[0263] 步骤1005：输出预测的疾病诊断方向。
[0264] 从上面的描述中可以看出，本发明实施例提供的方案是一种基于多导睡眠监测装置的信号质量监控和元数据提取方法，以去除多导睡眠监测数据中通过硬件设备无法检测的误差或干扰数据；同时根据监测数据的统计信息，提取特征向量进行聚类分析，预测疾病诊断的主要方向。主要包括：
[0265] 1、针对采集信号的质量监控，筛除干扰数据，提高采集信号的准确性[0266] 具体来说，通过将采集的信号分为脑电、眼电、下颌肌电、心电或心率、呼吸气流、腿动、体位和血氧饱和度几个类别，设置阈值和频度参数，对各信号从值域和频率方面进行质量监控；同时通过单特征和多特征提取，对心电或心率的波形规律、血氧饱和度的骤变限度以及其余各信号的波动情况分别分析，剔除不符合导联变化的信号数据；并考虑心电或心率与脑电、呼吸气流之间的相互影响，发掘导联隐含信息不一致的数据；综合上述几个方面，筛除干扰数据，提高信号的准确性。
[0267] 2、针对导联元数据的统计和初筛，预测患者疾病诊断的主要方向
[0268] 具体地，将通过质量监控的信号根据分析精确度分为可精确统计和粗略统计的监测数据，对睡眠时长、SpO2最低和平均值、平均、最快和最慢心率等数据进行精确统计，对腿动次数、呼吸暂停和低通气时长进行特征提取和粗略计算；然后从提取的患者监测信息统计结果中提取特征向量，与疾病诊断预测的训练模型进行比对分析，转换为预测疾病诊断的主要方向。
[0269] 采用本发明实施例的方案，可以带来以下技术效果：
[0270] 第一，被监测者在整夜的监测过程中，通常会受到多种外因的干扰，导致监测数据异常的现象，提出对采集信号进行质量监控，去除通过硬件设备无法检测的误差或干扰数据，以提高专业技师的判读准确性，同时检测的异常数据可以根据信号质量问题的严重程度，分别通过报警提醒和人工标注提示两种方式展示。
[0271] 第二，本发明实施例对监测元数据进行快速统计，在统计数据的基础上利用大量诊断结果训练模型，判断疾病诊断的方向，为患者提供就诊结果预测，这样，能保障预测的实时性，且在预测疾病诊断方向的过程中，可以利用被监测者的数据继续训练已有的训练模型，起到自动学习的目的，这样可以保证预测的准确性。
[0272] 需要说明的是：上述过程中，当得到对应的特征向量时，需要先进行归一化处理，归一化的作用时保持相关导联信号保持在同一数值区间，防止某一导联信号或某几导联信号对数据影响过大，比如鼻气流(Airflow)导联数据以V位单位，而鼻压力(Nasal)导联数据以mV为单位，如果不做归一化处理，前者对欧式距离的影响远远大于后者，后者的作用就容易被忽略。
[0273] 实施例四
[0274] 为实现本发明实施例一的方法，本实施例提供一种数据处理装置，如图12所示，该装置包括：
[0275] 获取单元121，用于实时从导联睡眠装置中获取第一导联监测数据；
[0276] 第一无效处理单元122，用于针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据；
[0277] 第二无效处理单元123，用于利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据；
[0278] 第一输出单元124，用于输出第三导联监测数据；所述第三导联监测数据为有效数据。
[0279] 这里，所述第一导联监测数据包含至少一类导联数据。
[0280] 实际应用时，如图2所示，所述第一导联监测数据一般包括：脑电、眼电、下颌肌电、心电或心率、呼吸气流、腿动、体位和SpO2八类。其中，在图2中，从上到下的信号分为眼电(E1、E2)、脑电(F3、F4、C3、C4、O1、O2)、下颌肌电(Chin1、Chin2)、心电(ECG)、腿动(Lleg、RLeg)、呼吸气流(Snore鼾声，Nasal鼻压力，Airflow鼻气流，Thor胸部呼吸，Adbo腹部呼吸)、血氧饱和度(SpO2)和体位(Pos Sensor)。
[0281] 第一无效处理单元122，具体用于：
[0282] 针对所述第一导联监测数据的每类导联数据，利用对应的导联数据提取对应的特征值，利用提取的特征值生成对应导联数据的特征向量；
[0283] 对生成的特征向量进行归一化处理；
[0284] 利用归一化处理后的特征向量，确定对应导联数据的欧式距离；
[0285] 利用确定的欧式距离与样本的欧式距离进行相似度匹配，确定对应导联数据中的异常数据，得到所述第二导联监测数据。
[0286] 其中，实际应用时，根据每类导联数据的物理含义和特征来选取对应的特征值。
[0287] 通过欧式距离来确定与样本的欧式距离的相似度匹配的实现方式可以称为K-Mean所聚类算法。
[0288] 利用确定的欧式距离与样本的欧式距离进行相似度匹配，确定对应导联数据中的异常数据时，如果能匹配上对应的样本的欧式距离，则所述第一无效处理单元122认为信号质量良好，采集的数据为有效数据。如果不能匹配上对应的样本的欧式距离，则所述第一无效处理单元122认为信号质量异常，是异常信号，采集的数据为无效数据。
[0289] 这里，实际应用时，受监测过程中的各种外因影响，比如噪声等问题，获取的第一导联监测数据并不能真正反映被监测者的真实情况。
[0290] 基于此，在一实施例中，如图13所示，该装置还可以包括：
[0291] 滤波单元125，用于从信号频率角度，对所述第一导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据；
[0292] 相应地，所述第一无效处理单元122，用于针对第四导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联监测数据。
[0293] 其中，实际应用时，还有可能会出现信号脱落等意外情况，所以也要将这些数据去除。
[0294] 基于此，如图13所示，该装置还可以包括：
[0295] 预处理单元126，用于对所述第一导联监测数据进行预处理，以消除非人体信号数据，得到第五导联监测数据；
[0296] 相应地，所述滤波单元125，用于从信号频率角度，对第五导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据。
[0297] 其中，所述预处理单元126，具体用于：
[0298] 针对所述第一导联监测数据的每类导联数据，基于设置的监测范围，将对应的导联数据进行波峰、波谷削平处理。
[0299] 换句话说，采用阈值监测方式。具体来说，分别设置波峰和波谷所对应的阈值，即针对各类导联数据采集数值的大小，设定各导值域界限，从而形成设置的监测范围，所述预处理单元126对于超过阈值的数据，进行削顶处理。
[0300] 所述第二无效处理单元123，具体用于：
[0301] 针对第二导联数据中存在关联关系的每类导联数据，提取对应的特征值，并生成对应导联数据的特征向量；并利用生成的特征向量，确定对应导联数据的欧式距离；
[0302] 通过确定的欧式距离与睡眠模型的欧式距离之间匹配的相似度，为所述对应导联数据标记睡眠类型；
[0303] 通过比较存在关联关系的每类导联数据中同一时间段的各类导联数据的睡眠类型是否冲突，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据。
[0304] 其中，考虑到多导睡眠装置采集的导联数据中，导联数据并不是完全独立的，有些类导联数据之间是存在关联关系的，对于这类导联数据，可以通过提取同一时间刻度的特征值，分析特征值对应的睡眠类型(含义)，当分析结果矛盾，则认为相关数据采集有误，是无效数据。
[0305] 所述第三导联监测数据表征所述第一导联监测数据中的有效数据。
[0306] 实际应用时，在进行数据输出时，可以将第一无效处理单元122和第二无效处理单元123处理后的无效数据标记为无效数据，以此来确定第一导联监测数据中的有效数据。
[0307] 同时，当第一无效处理单元122和第二无效处理单元123确定出现长时间数据无效的现象，则可以通过报警的方式，及时提醒基层医院技术人员或家人检查设备连接；其它情况会在专业技师判读时，第一输出单元124通过标注方式将异常数据显示在判读图上，以帮助专业技师了解数据的准确性。
[0308] 这里，输出第三导联检测数据的目的是：进行数据分析，以便进行疾病的预测。
[0309] 目前，当拿到导联监测数据后，一般是依靠专业技师去分析这些数据，也就是说，需要人工去预测疾病诊断方向，如此，花费时间长，不能保障预测的实时性。
[0310] 基于此，在一实施例中，该装置还可以包括：
[0311] 提取单元，用于利用所述第二导联监测数据，提取包含至少两个维度的、用于疾病预测的特征值；并进行归一化处理；
[0312] 确定单元，用于利用归一化处理后的特征值，确定欧式距离；
[0313] 疾病预测单元，用于利用确定的欧式距离，并结合KNN分类算法，预测所述第二导联监测数据对应的疾病诊断方向；
[0314] 第二输出单元，用于输出预测的疾病诊断方向。
[0315] 其中，实际应用时，进行疾病诊断方向预测时，为了保证预测的准确性，可以采用比较全面的特征值去分析，所以一般包括：SpO2、心率、腿动、呼吸暂停和低通气事件发生时长这几个特征值。
[0316] 基于此，提取单元，具体用于：
[0317] 利用所述导联监测数据，统计SpO2参数、心率参数；
[0318] 利用所述导联监测数据，确定被监测者腿动参数、呼吸暂停参数及低通气参数。
[0319] 这里，SpO2参数可以包括：最低值和平均值；所述心率参数可以包括：平均值、最大值和最小值。
[0320] 腿动参数一般是腿动次数；呼吸暂停参数一般是呼吸暂停时长；低通气参数一般是低通气时长。
[0321] 因此，利用所述导联监测数据，确定被监测者腿动参数、呼吸暂停参数及低通气参数时，所述提取单元可以根据左右腿动波形、鼻压力和鼻气流波形，来分析是否发生腿动、呼吸暂停和低通气，进而可以统计腿动次数、呼吸暂停和低通气的时长。
[0322] 这里，呼吸暂停以及低通气所满足的条件可以根据医院所使用的标准来定义。
[0323] 实际应用时，所述提取单元，还用于利用所述导联监测数据，统计睡眠时长；
[0324] 相应地，所述确定单元，用于当统计的睡眠时长不满足预设条件时，再利用归一化处理后的特征值，确定欧式距离。
[0325] 疾病预测单元，具体用于：
[0326] 将确定的欧氏距离与N个样本的欧式距离进行比较，选取与确定的欧式距离最近的k个样本的欧式距离；N、k均为大于等于3的整数；
[0327] 通过选取的k各样本的欧式距离所对应的疾病诊断方向来预测所述导联监测数据对应的基本诊断方向。
[0328] 其中，实际应用时，先以SpO2、心率、腿动、呼吸暂停和低通气事件发生时长作为特征值，训练患者疾病诊断结果和导联监测数据的集合，从而得到疾病诊断预测的训练模型，在得到的训练模型中，包含N个样本的欧式距离。
[0329] 实际应用时，所述获取单元121、第一无效处理单元122、第二无效处理单元123、第一输出单元124、滤波单元125、预处理单元126、提取单元、确定单元、疾病预测单元、第二输出单元可由数据处理装置中的中央处理器(CPU，Central Processing Unit)、微处理器(MCU，Micro Control Unit)、数字信号处理器(DSP，Digital Signal Processor)或可编程逻辑阵列(FPGA，Field－Programmable Gate Array)实现。
[0330] 本发明实施例提供的方案，实时从导联睡眠装置中获取第一导联监测数据；针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据；利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据；输出第三导联监测数据；所述第三导联监测数据表征所述第一导联监测数据中的有效数据。从第一导联监测数据中去除了无效数据，如此，能提高采集信号的准确性，从而增加后续分析的精度。
[0331] 另外，从信号频率角度，对所述第一导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据；针对第四导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联监测数据，通过频率监测，消除了噪声数据，如此，能进一步提高采集信号的准确性。
[0332] 对所述第一导联监测数据进行预处理，以消除非人体信号数据，得到第五导联监测数据；从信号频率角度，对第五导联监测数据进行滤波处理，以消息噪声信号，得到第四导联监测数据，通过阈值监测，消除了非人体信号等外因对采集数据的影响，如此，进一步提高了采集信号的准确性。
[0333] 除此以外，利用所述第二导联监测数据，生成包含至少两个维度的、用于疾病预测的特征值；并进行归一化处理；利用归一化处理后的特征值，确定欧式距离；利用确定的欧式距离，并结合KNN分类算法，预测所述第二导联监测数据对应的疾病诊断方向；输出预测的疾病诊断方向，通过KNN分类算法，来自动预测导联监测数据对应的疾病诊断方向，如此，不需要专业技术花费大量时间去分析这些数据来预测疾病的诊断方向，从而保障了预测的实时性。
[0334] 实施例五
[0335] 为实现本发明实施例二的方法，本实施例提供一种数据处理装置，如图14所示，该装置包括：
[0336] 提取单元141，用于利用导联睡眠装置中输出的导联监测数据，提取至少两个维度的用于疾病预测的特征值；并进行归一化处理；
[0337] 确定单元142，用于利用归一化处理后的特征值，确定欧式距离；
[0338] 疾病预测单元143，用于利用确定的欧式距离，并结合KNN分类算法，预测所述第二导联监测数据对应的疾病诊断方向；
[0339] 第二输出单元144，用于输出预测的疾病诊断方向。
[0340] 其中，实际应用时，进行疾病诊断方向预测时，为了保证预测的准确性，可以采用比较全面的特征值去分析，所以一般包括：SpO2、心率、腿动、呼吸暂停和低通气事件发生时长这几个特征值。
[0341] 基于此，提取单元141，具体用于：
[0342] 利用所述导联监测数据，统计SpO2参数、心率参数；
[0343] 利用所述导联监测数据，确定被监测者腿动参数、呼吸暂停参数及低通气参数。
[0344] 这里，SpO2参数可以包括：最低值和平均值；所述心率参数可以包括：平均值、最大值和最小值。
[0345] 腿动参数一般是腿动次数；呼吸暂停参数一般是呼吸暂停时长；低通气参数一般是低通气时长。
[0346] 因此，利用所述导联监测数据，确定被监测者腿动参数、呼吸暂停参数及低通气参数时，所述提取单元141可以根据左右腿动波形、鼻压力和鼻气流波形，来分析是否发生腿动、呼吸暂停和低通气，进而可以统计腿动次数、呼吸暂停和低通气的时长。
[0347] 这里，呼吸暂停以及低通气所满足的条件可以根据医院所使用的标准来定义。
[0348] 实际应用时，所述提取单元141，还用于利用所述导联监测数据，统计睡眠时长；
[0349] 相应地，所述确定单元142，用于当统计的睡眠时长不满足预设条件时，再利用归一化处理后的特征值，确定欧式距离。
[0350] 所述疾病预测单元143，具体用于：
[0351] 将确定的欧氏距离与N个样本的欧式距离进行比较，选取与确定的欧式距离最近的k个样本的欧式距离；N、k均为大于等于3的整数；
[0352] 通过选取的k各样本的欧式距离所对应的疾病诊断方向来预测所述导联监测数据对应的基本诊断方向。
[0353] 其中，实际应用时，先以SpO2、心率、腿动、呼吸暂停和低通气事件发生时长作为特征值，训练患者疾病诊断结果和导联监测数据的集合，从而得到疾病诊断预测的训练模型，在得到的训练模型中，包含N个样本的欧式距离。
[0354] 实际应用时，所述提取单元141、确定单元142、疾病预测单元143、第二输出单元144可由数据处理装置中的CPU、MCU、DSP或FPGA实现。
[0355] 本发明实施例提供的方案，利用导联睡眠装置中输出的导联监测数据，提取至少两个维度的、用于疾病预测的特征值；利用提取的特征值，确定欧式距离；利用确定的欧式距离，并结合KNN分类算法，预测所述导联监测数据对应的疾病诊断方向；输出预测的疾病诊断方向，通过KNN分类算法，来自动预测导联监测数据对应的疾病诊断方向，如此，不需要专业技术花费大量时间去分析这些数据来预测疾病的诊断方向，从而保障了预测的实时性。
[0356] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0357] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0358] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0359] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0360] 以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种查找信号峰值功率并削峰的方法和装置 | 2020-05-13 | 859 |
| 基于削峰电路的自动补水控制系统 | 2020-05-14 | 810 |
| 一种具有削峰除污能力的雨水口 | 2020-05-15 | 217 |
| 一种信号波峰削除的方法及设备 | 2020-05-15 | 750 |
| 削峰控制装置 | 2020-05-11 | 597 |
| 时隙削峰方法及系统 | 2020-05-12 | 847 |
| 削除峰值功率的方法 | 2020-05-12 | 450 |
| 设置削峰单元门限值的削峰补偿装置及一种发射机 | 2020-05-14 | 422 |
| 一种信号削峰方法及设备 | 2020-05-15 | 199 |
| 窗式削峰方法 | 2020-05-11 | 51 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈