CN109363652A - 基于深度学习的ppg信号重构方法及设备 - Google Patents

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

基于深度学习的PPG信号重构方法及设备

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。