[发明专利]基于双重注意力机制的术中低血压预测方法及相关产品

说明书

本发明涉及医学临床技术领域，公开了基于双重注意力机制的术中低血压预测方法及相关产品，使用术中监测的生理指标，利用基于双重注意力机制的深度学习模型对术中低血压进行提前预测，使用多头注意力机制为不同的指标分配不同的权重；还使用步长注意力机制为每个时间步进行加权，让不同的时间步发挥不同的作用。本发明采用了生理指标时间步多头注意力机制和生理指标多头注意力机制的双重注意力机制，同时考虑到了生理指标时间步和生理指标对术中低血压预测的影响和作用，有利于提高术中低血压预测精度，从而让医生提前采取降压措施，降低患者的术后不良风险和死亡风险，解决了现有技术中生理指标之间以及生理指标时间步之间的相关性问题。

技术领域

本发明涉及医学临床技术领域，尤其涉及基于双重注意力机制的术中低血压预测方法及相关产品。

背景技术

术中低血压会给患者带来一系列的术后不良症状，提前预测术中低血压可以帮助医生尽早采取措施，从而降低患者经历术中低血压的频率。术中低血压预测是利用历史术中监测数据预测未来一段时间内是否会发生术中低血压。而随着患者在重症加强护理病房(ICU)中的持续监测，产生的大量数据为预测术中低血压带来更好的便利。其中术中监测的心率、平均动脉血压、收缩压、舒张压等是预测术中低血压常用的生理指标，这些指标是典型的时间序列，因此，术中低血压预测一般被归为多变量时间序列的二分类任务。

目前术中低血压预测有一部分是基于动脉压波形数据进行的，通过人工设计特征提取算法从原始的动脉压波形数据中提取特征，再使用机器学习方法，例如逻辑回归(Logistic Regression,LR)、朴素贝叶斯(Naive Bayes,NB)、支持向量机(Support VectorMachine,SVM)对提取的特征进行分类。以上方法需要人工设计特征，而深度学习可以自动学习和识别特征，常被用于术中低血压预测。

按照数据使用的类型可以划分为两类，一类是从动脉波形数据中按照一定的频率(例如100HZ)下采样数据，再使用深度学习的方法进行分类。但血压的变化和其他生理指标息息相关，有研究者开始尝试第二类，将血压指标和其他生理指标联合用于术中低血压预测。深度学习方法中LSTM因为能够解决时间序列的长时间依赖问题，被广泛用于术中低血压预测。CNN因为其卷积操作能够提取多变量时间序列的局部空间特征和捕获变量之间的关联，也有研究者开始尝试将其用于术中低血压预测。

但是，本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术方案至少存在如下技术问题：

(1)变量之间的相关性问题。在低血压术中预测领域还没有人使用注意力机制，所有相关研究在使用多个生理指标进行术中低血压预测时将所有指标看做同等重要。

(2)时间步之间的相关性问题。时间序列是按照时间先后顺序进行排序的，前一步的数据和后一步的数据有着密切联系且发挥的作用不一样。

发明内容

为了解决上述技术问题，本发明使用术中监测的生理指标数据，利用基于双重注意力机制的深度学习模型对术中低血压进行提前预测，从而让医生提前采取降压措施，降低患者的术后不良风险和死亡风险。

主要通过以下技术方案实现上述发明目的：

第一方面，基于双重注意力机制的术中低血压预测方法，包括：

监测术中生理指标数据；

将监测得到的生理指标数据输入到基于双重注意力机制的深度学习模型中，输出术中低血压预测结果；

其中所述基于双重注意力机制的深度学习模型的训练方法包括：

步骤1，将术中监测的生理指标数据作为原始样本数据X，并将其处理得到所述模型可以接收的输入矩阵

步骤2，使用多头注意力机制为所述输入矩阵中生理指标的每个时间步分配不同的权重，得到时间步权重矩阵；