CN109363652A - 基于深度学习的ppg信号重构方法及设备 - Google Patents
基于深度学习的ppg信号重构方法及设备 Download PDFInfo
- Publication number
- CN109363652A CN109363652A CN201811150627.XA CN201811150627A CN109363652A CN 109363652 A CN109363652 A CN 109363652A CN 201811150627 A CN201811150627 A CN 201811150627A CN 109363652 A CN109363652 A CN 109363652A
- Authority
- CN
- China
- Prior art keywords
- ppg signal
- reconstruct
- ppg
- signal
- depth network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
PPG即光电容积脉搏波描记法,具体做法为将LED光射向皮肤,用光敏传感器接受经过皮肤组织吸收后被反射回来或透射过去的光,将光敏传感器得到的电信号转化为数字信号就可以得到最终的PPG信号。由于在采集过程中PPG信号容易受到测量部位运动,温度和环境光干扰等因素的影响,采集到的信号往往会有一定的干扰,为了能够更好的提取信号中的有用信息,往往需要对PPG信号进行重构。由于深度学习具有较好的非线性特性,对数据中的噪声有较高的容忍度,因此本发明把深度学习应用于对PPG信号的重构,选用高斯模型来拟合单周期PPG信号,通过深度学习技术预测用于重构的高斯分布的参数,通过拟合后单周期PPG信号的参数可以计算得到人体的血压值。
Description
技术领域
本发明属于血压测量设备领域,尤其是一种基于深度学习的PPG信号重构方法及设备。
背景技术
PPG即光电容积脉搏波描记法,具体做法为将LED光射向皮肤,用光敏传感器接受经过皮肤组织吸收后被反射回来或透射过去的光,将光敏传感器得到的电信号转化为数字信号就可以得到最终的PPG信号。由于在采集过程中PPG信号容易受到测量部位运动,温度和环境光线等因素的影响,采集到的信号往往会有一定的干扰。
发明内容
由于深度学习具有较好的非线性特性,对数据中的噪声有较高的容忍度,因此本发明把深度学习应用于对PPG信号的重构,通过深度学习技术预测用于重构的高斯分布的参数,同时获得有效信息,基于此,本发明提出一种基于深度学习的血压测量设备,采用的技术方案如下:
一种基于深度学习的血压测量设备,所述设备利用深度网络模型重构PPG信号,通过重构PPG信号确定血压时,使用的参数包括重构PPG信号的峰谷值。
进一步的,所述设备重构的PPG信号为,从原始测量信号中分割得到的单周期PPG信号。
进一步的,重构PPG信号使用的深度网络模型结构为,依次相连的4层卷积深度网络层、全局池化层和全连接层。
进一步的,基于高斯分布重构PPG信号。
进一步的,训练深度网络模型时使用的误差损失函数为:
其中N为一个周期PPG信号P的长度,x为一个周期PPG信号的数据点,θ(P)为将数据点输入深度网络模型后输出的参数。
进一步的,训练模型时使用的正则化损失函数为:
L2=(θ)2
其中θ为深度网络模型参数。
进一步的,整个深度网络模型的损失函数为:
L=α1*L1+α2*L2
其中α1,α2为两个损失函数的权重。
进一步的,两个损失函数权重分别设定为1,0.00005。
进一步的,使用Adam算法对网络参数进行优化,训练时每次输入深度网络模型的数据量设定为1。
与现有技术相比,本发明的有益效果在于:
1.使用高斯分布对PPG单个周期信号进行重构从而去除噪声获得有效信息。
2.使用深度学习技术预测重构所需要的参数。
3.训练时使用重构误差进行约束,不需要额外标注。
附图说明
图1是深度网络模型结构示意图;
图2是残差结构示意图;
图3是重构信号流程示意图。
具体实施方式
由于深度学习具有较好的非线性特性,对数据中的噪声有较高的容忍度,因此本发明把深度学习应用于对PPG信号的重构,通过深度学习技术预测用于重构时所需的参数。在本实施例中使用一维高斯分布来拟合PPG信号,假设随机变量X服从位置参数为μ,尺度参数为σ的分布,那么概率密度函数为:
高斯分布的最高峰处于均值处,两边关于均值对称,另外均值处最大值为了拟合PPG信号,需要两个高斯分布,设重构函数为G。则
G(x)=max(a1*f1(x),a2*f2(x))
所以一共需要估计a1,μ1,σ1,a2,μ2,σ2这六个参数。
如图1所示,重构PPG信号使用的深度网络模型结构包括依次相连的4层卷积深度网络层。一般深度学习网络拟合一个潜在的恒等映射函数H(x)=x时,在训练过程中往往无法收敛或者拟合的很好,但是如图2所示,如果把网络设计为H(x)=F(x)+x,可以转换为学习一个残差函数F(x)=H(x)-x,只要F(x)=0,就构成了一个恒等映射H(x)=x,从而使拟合残差肯定更加容易。基于此,为了加快训练并综合利用低维特征和高位特征,在卷积深度网络层中增加了残差结构,使用残差结构可以将深度网络的底层信号直接传输至深层卷积网络,丰富深层卷积网络的信息,有效提高深度网络特征信号的传播效率。由于输入数据长度不定,最后卷积深度网络得到的特征长度也不能确定,因此在卷积深度网络层之后增加全局池化层,全局池化层之后连接全连接层,用于输出拟合所需要的参数。
其中深度网络模型的参数如下表:
表1
为了训练深度网络,对原始PPG信号进行周期分割得到单个周期的PPG信号,将单个周期的PPG信号作为训练模型时的输入。
基于重构函数G(x),训练深度网络模型时使用的误差损失函数为:
其中N为一个周期PPG信号P的长度,x为一个周期PPG信号的数据点,θ(P)为将数据点输入深度网络模型后输出的参数,包括a1,a2,μ1,μ2,σ1,σ2。
训练模型时使用的正则化损失函数为:
L2=(θ)2
其中θ为深度网络模型参数。
整个深度网络模型的损失函数为:
L=α1*L1+α2*L2
其中α1,α2为两个损失函数的权重。两个损失函数权重分别设定为1,0.00005。
训练时使用Adam算法对网络参数进行优化,当损失函数收敛时停止训练。由于每个周期的PPG信号长度不定,所以将每次输入网络的样本量(batch)设定为1。
使用时把分割好的单周期PPG信号输入网络模型,然后就可以得到高斯重构所需要的参数a1,μ1,σ1,a2,μ2,σ2,利用PPG信号的两个峰值a1,a2以及两个峰值之间的距离|μ1-μ2|可以得到血压值或微循环值。
本实施例中计算血压时使用的公式如下:
sbp=a+b*d
dsp=sbp*K
其中sbp收缩压,dbp为舒张压;a和b为通过大数据进行拟合得到的参数,d为一个完整单周期的PPG信号重构后两个高斯模型峰峰值之间的距离,K为微循环。
其中计算微循环值使用的公式如下:
K=a(2)*k2+a(1)*k+a(0)
其中:K为微循环,向量a经过大量数据拟合得到的多项式系数,自变量k=amp谷*10/AC,AC为一个单周期的交流值:AC=ABS(amp峰-amp谷),amp峰为单周期PPG信号最大峰值处的幅值,amp谷为最小波谷处的幅值。
以上所述仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明创造的保护范围之内。
Claims (9)
1.一种PPG信号重构方法,其特征在于,所述方法利用深度网络模型重构单周期PPG信号,重构PPG信号使用的函数为:
G(x)=max(a1*f1(x),a2*f2(x))
其中f(x)为高斯函数:
深度网络模型用于计算重构G(x)时使用的参数a1,a2,μ1,μ2,σ1,σ2,a1,a2为重构后单周期PPG信号的两个峰值,重构PPG信号使用的深度网络模型结构包括,依次相连的4层卷积深度网络层、全局池化层和全连接层,其中第一层卷积深度网络层的网络映射为恒等映射函数,第三层卷积深度网络层的网络映射为残差函数。
2.如权利要求1所述一种PPG信号重构方法,其特征在于,训练深度网络模型时使用的误差损失函数为:
其中N为一个周期PPG信号P的长度,x为一个周期PPG信号的数据点,θ(P)为将数据点输入深度网络模型后输出的参数。
3.如权利要求2所述一种PPG信号重构方法,其特征在于,训练模型时使用的正则化损失函数为:
L2=(θ)2
其中θ为深度网络模型参数。
4.如权利要求3所述一种PPG信号重构方法,其特征在于,整个深度网络模型的损失函数为:
L=s1*L1+s2*L2
其中s1,s2为两个损失函数的权重。
5.如权利要求4所述一种PPG信号重构方法,其特征在于,使用Adam算法对网络参数进行优化,训练时每次输入深度网络模型的样本量为1。
6.如权利要求5所述一种PPG信号重构方法,其特征在于,训练模型时使用的样本集为,从原始测量信号中分割得到的单周期PPG信号的集合。
7.一种基于深度学习的血压测量设备,其特征在于,所述设备利用深度网络模型重构单周期PPG信号,通过重构PPG信号确定血压时,使用的参数包括重构PPG信号的最小波谷值、最大波峰值、交流幅值及主峰次峰的间距。
8.如权利要求7所述一种基于深度学习的血压测量设备,其特征在于,使用重构PPG信号的最大波峰值、最小波谷值及交流幅值确定的测量值还包括微循环值。
9.如权利要求7或8任意所述一种基于深度学习的血压测量设备,其特征在于,所述设备利用所述深度网络模型重构单周期PPG信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811150627.XA CN109363652B (zh) | 2018-09-29 | 2018-09-29 | 基于深度学习的ppg信号重构方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811150627.XA CN109363652B (zh) | 2018-09-29 | 2018-09-29 | 基于深度学习的ppg信号重构方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109363652A true CN109363652A (zh) | 2019-02-22 |
CN109363652B CN109363652B (zh) | 2021-05-07 |
Family
ID=65403098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811150627.XA Active CN109363652B (zh) | 2018-09-29 | 2018-09-29 | 基于深度学习的ppg信号重构方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109363652B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110755059A (zh) * | 2019-10-11 | 2020-02-07 | 中国科学院深圳先进技术研究院 | 一种血压波形监测方法及装置 |
CN112336325A (zh) * | 2020-10-12 | 2021-02-09 | 乐普(北京)医疗器械股份有限公司 | 一种融合标定光体积描计信号数据的血压预测方法和装置 |
TWI733378B (zh) * | 2020-03-18 | 2021-07-11 | 英業達股份有限公司 | 建立血壓模型的方法 |
CN113116361A (zh) * | 2021-03-09 | 2021-07-16 | 山东大学 | 一种基于单导脑电的睡眠分期方法 |
CN114098679A (zh) * | 2021-12-30 | 2022-03-01 | 中新国际联合研究院 | 基于深度学习和射频感知的生命体征监测波形的恢复方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023187820A1 (en) * | 2022-03-31 | 2023-10-05 | Ultrahuman Healthcare Pvt Ltd | Electronic ring for optimizing health and fitness parameters measured by optical sensors |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8668649B2 (en) * | 2010-02-04 | 2014-03-11 | Siemens Medical Solutions Usa, Inc. | System for cardiac status determination |
EP3061391A1 (en) * | 2015-02-27 | 2016-08-31 | Preventicus GmbH | Apparatus and method for determining blood pressure |
CN108334868A (zh) * | 2018-03-21 | 2018-07-27 | 华南师范大学 | 一种基于ppg信号和图像增强的脉象分析方法 |
-
2018
- 2018-09-29 CN CN201811150627.XA patent/CN109363652B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8668649B2 (en) * | 2010-02-04 | 2014-03-11 | Siemens Medical Solutions Usa, Inc. | System for cardiac status determination |
EP3061391A1 (en) * | 2015-02-27 | 2016-08-31 | Preventicus GmbH | Apparatus and method for determining blood pressure |
CN108334868A (zh) * | 2018-03-21 | 2018-07-27 | 华南师范大学 | 一种基于ppg信号和图像增强的脉象分析方法 |
Non-Patent Citations (2)
Title |
---|
吴仁彪: "基于双通道卷积神经网络的航班延误预测模型", 《计算机应用》 * |
温亮 等: "基于高斯拟合的神经网络血压测量方法", 《传感器与微系统》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110755059A (zh) * | 2019-10-11 | 2020-02-07 | 中国科学院深圳先进技术研究院 | 一种血压波形监测方法及装置 |
CN110755059B (zh) * | 2019-10-11 | 2022-03-04 | 中国科学院深圳先进技术研究院 | 一种血压波形监测方法及装置 |
TWI733378B (zh) * | 2020-03-18 | 2021-07-11 | 英業達股份有限公司 | 建立血壓模型的方法 |
CN112336325A (zh) * | 2020-10-12 | 2021-02-09 | 乐普(北京)医疗器械股份有限公司 | 一种融合标定光体积描计信号数据的血压预测方法和装置 |
CN112336325B (zh) * | 2020-10-12 | 2024-02-23 | 乐普(北京)医疗器械股份有限公司 | 一种融合标定光体积描计信号数据的血压预测方法和装置 |
CN113116361A (zh) * | 2021-03-09 | 2021-07-16 | 山东大学 | 一种基于单导脑电的睡眠分期方法 |
CN114098679A (zh) * | 2021-12-30 | 2022-03-01 | 中新国际联合研究院 | 基于深度学习和射频感知的生命体征监测波形的恢复方法 |
CN114098679B (zh) * | 2021-12-30 | 2024-03-29 | 中新国际联合研究院 | 基于深度学习和射频感知的生命体征监测波形的恢复方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109363652B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109363652A (zh) | 基于深度学习的ppg信号重构方法及设备 | |
Ieong et al. | A 0.83-$\mu {\rm W} $ QRS Detection Processor Using Quadratic Spline Wavelet Transform for Wireless ECG Acquisition in 0.35-$\mu {\rm m} $ CMOS | |
US6381559B1 (en) | Empirical mode decomposition apparatus, method and article of manufacture for analyzing biological signals and performing curve fitting | |
Long et al. | The influence of inflow boundary conditions on intra left ventricle flow predictions | |
CN107730497A (zh) | 一种基于深度迁移学习的血管内斑块属性分析方法 | |
CN106037650B (zh) | 一种混合变差生物电阻抗成像方法 | |
CN106170246A (zh) | 用于四维(4d)流磁共振成像的设备、方法和产品 | |
CN108714026A (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
CN109002686A (zh) | 一种自动生成样本的多牌号化工过程软测量建模方法 | |
CN103985099B (zh) | 一种弥散张量磁共振图像张量域非局部均值去噪方法 | |
CN102178514A (zh) | 一种基于非线性与复杂性多重指标的昏迷程度评价方法 | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
Huang et al. | Improved imaging resolution of electrical impedance tomography using artificial neural networks for image reconstruction | |
KR20200006447A (ko) | 동맥압 파형을 이용한 심박출량 획득 방법 및 그 프로그램 | |
WO2021164349A1 (zh) | 一种基于光体积变化描记图法信号的血压预测方法和装置 | |
CN109948646A (zh) | 一种时序数据相似度度量方法及度量系统 | |
CN110516759A (zh) | 一种基于机器学习的软组织肉瘤转移风险预测系统 | |
Charles et al. | Determining subject-specific lower-limb muscle architecture data for musculoskeletal models using diffusion tensor imaging | |
Jiang et al. | Continuous blood pressure estimation based on multi-scale feature extraction by the neural network with multi-task learning | |
Petrov | Anisotropic spherical head model and its application to imaging electric activity of the brain | |
US20230181120A1 (en) | System and method for testing for sars-cov-2/covid-19 based on wearable medical sensors and neural networks | |
Gong et al. | PDhms: pulse diagnosis via wearable healthcare sensor network | |
Ma et al. | A multichannel nonlinear adaptive noise canceller based on generalized FLANN for fetal ECG extraction | |
Kuhlmann et al. | From μCT data to CFD: an open-source workflow for engineering applications | |
Sui et al. | Simultaneous image reconstruction and lesion segmentation in accelerated MRI using multitasking learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |