CN112587118A - 一种基于深度学习的扩散相关光谱血流量化方法 - Google Patents
一种基于深度学习的扩散相关光谱血流量化方法 Download PDFInfo
- Publication number
- CN112587118A CN112587118A CN202011456434.4A CN202011456434A CN112587118A CN 112587118 A CN112587118 A CN 112587118A CN 202011456434 A CN202011456434 A CN 202011456434A CN 112587118 A CN112587118 A CN 112587118A
- Authority
- CN
- China
- Prior art keywords
- blood flow
- data
- deep learning
- diffusion
- 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
- 230000017531 blood circulation Effects 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000009792 diffusion process Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000011002 quantification Methods 0.000 title claims abstract description 19
- 238000001228 spectrum Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000005311 autocorrelation function Methods 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 19
- 238000002474 experimental method Methods 0.000 claims description 19
- 239000013307 optical fiber Substances 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 13
- 239000000835 fiber Substances 0.000 claims description 10
- 239000000523 sample Substances 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 6
- 210000001061 forehead Anatomy 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 210000001367 artery Anatomy 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 210000000245 forearm Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 239000008280 blood Substances 0.000 claims 1
- 210000004369 blood Anatomy 0.000 claims 1
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000013139 quantization Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract 1
- 210000001519 tissue Anatomy 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 7
- 239000010410 layer Substances 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000005100 correlation spectroscopy Methods 0.000 description 4
- 238000004611 spectroscopical analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012669 compression test Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 229910052724 xenon Inorganic materials 0.000 description 2
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
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
- A61B5/026—Measuring blood flow
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
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)
- Veterinary Medicine (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)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Hematology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于深度学习的扩散相关光谱血流量化方法，用于解决目前扩散相关光谱组织血流量化过程中以解析模型或者蒙特卡洛模型迭代拟合存在的耗时长的问题。具体包括：利用扩散相关光谱技术获取被测组织的光强自相关函数数据，通过深度学习方法直接建立从光强自相关函数(g2(τ))到血流指数(BFI)之间的端到端网络，输出得到血流指数数据，训练得到用于扩散相关光谱血流量化的深度学习网络模型，并将测试集数据输入到血流量化深度学习网络模型中进行预测，实现对组织血流变化的量化。该方法利用深度学习模型直接建立光强自相关函数与组织血流之间的量化关系，避免了传统扩散相关光谱拟合方法的不足，在保证量化精度的同时，极大地提高了拟合速度，能够为组织血流的动态纵向测量提供有利条件。
Description
技术领域
本发明涉及生物医学工程技术领域，尤其涉及一种基于深度学习的扩散相关光谱血流量化方法。
背景技术
生物组织的血流是衡量机体正常与否的重要指标，大多数疾病都引起了血流的变化，在人类多种疾病的研究，血流已作为一个重要的生物标志物，因此血流参数可以作为疾病的指示性指标。
扩散相关光谱(Diffuse Correlation Spectroscopy,DCS)[1-4]由于其无创、实时的特性，以及能够提供无标签、床头监测血流变化的能力，在光学成像领域被越来越多地用于评估人体血流。扩散相关光谱利用近红外光谱照射到组织表面，通过计算组织表面散射光斑的光强自相关函数(g2(τ))，推算组织中红细胞的运动状态，从而实现组织血流的定量检测。血流量也是肌肉激活的一个指标，肌肉纤维通过增加血流量增加耗氧量，从而增加供氧量。目前常用的血液动力学(血流)技术一般有两种：超声多普勒和激光多普勒。超声多普勒适应于组织中大血管的血流测量。而激光多普勒则用于测量表层微血管(<3mm)的组织血流。此外，其他的血流测量技术如激光散斑成像，光声检测和多普勒相关层析成像等在近几年发展迅速，但是这些技术也只能测量人体的表层组织的血流或小动物血流成像，不能进行深层组织血流的测量。还有一些比如氙CT(Xenon.CT)，磁共振(MRI)，正电子放射性核素(PET)等血流成像技术，他们所需仪器庞大且昂贵，也不能进行连续血流监测。有几种用于评估组织血流的临床技术，包括计算机断层扫描和磁共振成像。然而，这些模式提供单一快照时间点，不适合在床边设置进行持续、长期的监测。
目前，扩散相关光谱的组织血流量化方法是用传统的解析模型或蒙特卡罗模型曲线迭代拟合测量的强度自相关函数，即采用非线性拟合算法(如Matlab中的lsqnonlin算法)迭代地进行参数拟合。利用上述传统方法进行组织血流量化时，当信噪比降低时，计算量大，精度低；当自相关曲线信噪比低时，拟合方法计算结果不准确；特别是对于动态纵向测量，很耗时，通常作为后处理步骤执行，增加了总计算时间。因此，本发明为了解决上述问题，提出了一种基于深度学习的扩散相关光谱血流量化方法。该方法利用深度学习模型直接建立光强自相关函数与组织血流之间的量化关系，避免了传统拟合方法中利用解析模型或者蒙特卡洛模型迭代拟合的过程，在保证量化精度的同时，极大地提高了拟合速度，能够为组织血流的动态纵向测量提供有利条件。
参考文献
[1]Shang Y,Gurley K,Symons B,et al.Noninvasive opticalcharacterization of muscle blood flow,oxygenation,and metabolism in womenwith fibromyalgia[J].Arthritis Research&Therapy,2012,14(6):R236-R236.
[2]Tanja D,Hollmann J L,Davide T,et al.Compact,multi-exposure specklecontrast optical spectroscopy(SCOS)device for measuring deep tissue bloodflow[J].Biomedical Optics Express,2018,9(1):322.
[3]Quaresima V,Farzam P,Anderson P,et al.Diffuse correlationspectroscopy and frequency-domain near-infrared spectroscopy for measuringmicrovascular blood flow in dynamically exercising human muscles[J].Journalof Applied Physiology,2019,127(5).
[4]梁佳明,王晶,梅建生,等.基于扩散相关光谱的血流检测方法研究[J].光谱学与光谱分析,2012,32(010):2749-2752.
发明内容
针对目前扩散相关光谱组织血流量化方法存在的耗时长的问题，本发明提出了一种基于深度学习的扩散相关光谱血流量化方法。本发明旨在利用深度学习方法提高组织血流拟合的速度，为基于扩散相关光谱的组织血流量化提供了新方法。所涉及的深度学习方法是利用扩散相关光谱技术获取的时间自相关函数预测出血流因子(BFI,cm2/s)，从而替代传统的非线性拟合算法，且实现了速度的提升。
为达上述目的，本发明所采用的技术方案为：
一种基于深度学习的扩散相关光谱血流量化方法，详见下文描述：
步骤(1)：数据采集；通过扩散相关光谱血流检测系统分别采集健康志愿者前额、手臂、手指等部位在平稳状态以及袖带夹压状态等条件下的光强自相关函数数据，利用传统非线性拟合方法计算出不同状态下组织血流变化，把这个值作为标签。
步骤(2)：数据预处理；对于步骤(1)所获得光强自相关数据，进行归一化预处理后，将上述数据随机分为训练集和测试集两组，其中训练集数据将作为深度学习网络的数据输入。
步骤(3)：深度学习网络构建；针对所采集的光强自相关数据特点，本发明利用Unet网络模型来量化相对血流变化，根据所采集的数据，减少了Unet网络的层数，使其更加贴合数据，得到更好的效果，实现轻量化；所构建的Unet网络结构包括对称的两部分，第一部分为卷积和池化下采样；第二部分为卷积和上采样。网络的输入是长度为64的g2(τ)数据，先将其重塑为8×8矩阵，输入到卷积层，进行两次卷积，用于提取特征；后经过最大池化层，再进行卷积和上采样操作，用于对提取特征进行恢复；最后通过一个全连接层输出结果，从而产生血流指数(BFI)作为输出。即通过深度学习方法直接建立从光强自相关函数到血流指数之间的端到端网络，从而得到血流指数数据。
步骤(4)：网络训练与诊断；步骤(2)中训练集样本数据输入步骤(3)所构建的Unet网络中进行训练，训练完成后将测试集样本数据输入已训练好的网络模型中进行诊断，得到结果血流指数数据集，从而计算求得组织血流变化。
进一步的，本发明所用的扩散相关光谱组织血流检测系统的光源采用波长为(785nm)的半导体连续波激光器，激光功率大于50mW，相干长度大于10m，经由多模光纤引导到待测组织表面；检测端由单模光纤束放置在距光源10mm处；检测到的光信号经由单模光纤进入高灵敏度单光子计数器；单光子计数器通过软件相关器处理后进入上位机，实现系统控制和数据的采集、处理与显示。
进一步的，本发明所述上位机包括软件相关器，将单光子计数器输入的电脉冲信号进行计数和自相关运算。
进一步的，步骤(1)中数据采集部分所涉及的平稳状态实验的测量部位包括前额、手臂和手指等；所涉及的袖带夹压实验的测量部位为前臂。平稳状态实验即是测量被测试者在静息状态下组织血流相关参数变化；袖带夹压实验分为三个阶段，分别是平稳阶段、动脉闭塞阶段以及恢复阶段。
进一步的，步骤(1)中平稳状态实验的测量时长为190s左右，采集频率为10Hz，袖带夹压实验的测量时长为250s至420s左右，采样频率为10Hz。
进一步的，步骤(2)中训练集数据和测试集数据均为光强自相关函数数据，每个光强自相关函数数据的长度为64。其中训练集数据为18100例，测试集数据为8900例。
进一步的，步骤(3)中所构建的Unet网络，该网络结构包括对称的两部分，第一部分为卷积和池化下采样；第二部分为卷积和上采样。
有益效果
本发明提供一种基于深度学习的扩散相关光谱血流量化方法。首先，基于扩散相关光谱技术获取被测试者前额、手臂、手指等部位的光强自相关函数数据；然后，基于所提出的Unet网络将采集的光强自相关数据进行训练，直接建立从光强自相关函数到血流指数之间的端到端网络模型；最后，将测试集数据送入训练好的网络模型中，实现血流指数的预测，从而计算出组织血流变化，本发明与传统非线性拟合方法相比较，该方法不仅弥补了传统方法通过非线性拟合方法计算血流指数的不足，比如，进行组织血流量化时，当信噪比降低时，计算量大，精度低；当自相关曲线信噪比低时，拟合方法计算结果不准确；特别是对于动态纵向测量，很耗时，通常作为后处理步骤执行，增加了总计算时间。而我们基于深度学习的扩散相关光谱血流量化方法提高了算法计算速度，为组织血流的动态纵向测量提供了有利条件。
附图说明
图1为本发明方法的整体流程图；
图2为本发明所涉及扩散相关光谱组织血流检测系统示意图；
图3为本发明所提出的深度学习模型网络构架图。
附图中，各标号所代表的部件列表如下：
1：长相干激光器(785nm) 2：光源光纤
3：测量探头 4：被测组织
5：探测光纤 6：单光子计数器
7：光子相关器(软件相关器) 8：上位机
9：电缆
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下结合具体实施例，并参照附图，对本发明实施方式作进一步地详细描述。
本发明提供一种尤其涉及一种基于深度学习的扩散相关光谱血流量化方法。
图1展示了本发明所提出方法的整体流程图，具体而言包括以下步骤：
步骤(1)：数据采集。通过扩散相关光谱血流检测系统分别采集健康志愿者前额、手臂、手指等部位在平稳状态以及袖带夹压状态等条件下的光强自相关函数数据，利用传统非线性拟合方法计算出不同状态下组织血流变化。
进一步的，本发明所用的是扩散相关光谱组织血流检测系统，如图2所示，系统光源(1)采用波长为(785nm)的半导体连续波激光器，激光功率大于50mW，相干长度大于10m，经由光源光纤(2)与测量探头(3)相连放置在待测组织(4)表面；探测光纤束放置在距光源光纤10mm处；检测到的光信号经由探测光纤进入单光子计数器(6)；单光子计数器(6)通过软件相关器(7)处理后进入上位机(8)，实现系统控制和数据的采集、处理与显示。
进一步的，光源光纤为多模光纤，芯径为50μm、62.5μm、100μm或以上。
进一步的，探测光纤为单模光纤，芯径为5μm或9μm，但不局限于上述两种。
进一步的，本发明所述上位机包括软件相关器，将单光子计数器输入的电脉冲信号进行计数和自相关运算。
进一步的，数据采集部分所涉及的平稳状态实验的测量部位包括前额、手臂和手指等；所涉及的袖带夹压实验的测量部位为前臂。
进一步的，平稳状态实验即是测量被测试者在静息状态下组织血流相关参数变化。单次平稳状态实验的测量时长为190s左右，采集频率为10Hz，共进行了四次平稳状态实验。
进一步的，袖带夹压实验分为三个阶段，分别是平稳阶段、动脉闭塞阶段以及恢复阶段。单次袖带夹压实验的测量时长为250s至420s左右，采样频率为10Hz，共进行了四次袖带加压实验。平稳阶段保持袖带压力为零；动脉闭塞阶段，瞬间将袖带压力增加至大于被测试者收缩压；恢复阶段，瞬间将袖带压力释放至零。
进一步的，四次平稳状态实验和四次袖带夹压实验所获得的光强自相关函数数据共计27000例，每例数据即每个光强自相关函数的数据长度为64。
步骤(2)：数据预处理。对于步骤(1)所获得光强自相关数据，进行简单的归一化预处理后，将上述数据随机分为训练集和测试集两组，其中训练集数据将作为深度学习网络的数据输入。
进一步的，光强自相关函数(g2(τ))计算公式为：
式中，I(t)代表t时刻探测的光强，τ为延迟时间，<>代表时间上取平均，t和τ是在单光子计数器中进行的。
进一步的，数据预处理的训练集数据和测试集数据均为步骤(1)所采集的光强自相关函数数据。其中，训练集数据为18100例，测试集数据为8900例。
步骤(3)：深度学习网络构建。针对所采集的光强自相关数据特点，本发明利用Unet网络模型来量化相对血流变化，即通过深度学习方法直接建立从光强自相关函数到血流指数之间的端到端网络，从而得到血流指数数据。
进一步的，所构建的Unet网络结构包括对称的两部分，第一部分为卷积和池化下采样；第二部分为卷积和上采样。
进一步的，所构建的Unet网络输入数据为长度为64的g2(τ)数据，先将其重塑为8×8矩阵，输入到卷积层，后经过最大池化层，再进行卷积和上采样操作后，最后通过一个全连接层输出结果，从而产生血流指数(BFI)作为输出。
步骤(4)：网络训练与诊断。步骤(2)中训练集样本数据输入步骤(3)所构建的Unet网络中进行训练，训练完成后将测试集样本数据输入已训练好的网络模型中进行诊断，得到结果血流指数数据集，从而计算求得组织血流变化。
将传统方法拟合得到的血流指数做为真实值，真实值与网络预测值之间的均方误差函数做为损失函数对系统进行训练。
在对比实验中，传统方法采用非线性拟合方法，计算复杂度高，速度慢(0.65ms)，而本发明所述的改进Unet网络相比传统方法计算速度提升了400％，平均每组数据耗时0.13ms。
最后所应说明的是，虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的群里保护范围之内。
Claims (9)
1.一种基于深度学习的扩散相关光谱血流量化方法，其特征在于：
步骤(1)：数据采集；通过扩散相关光谱血流检测系统分别采集健康志愿者在平稳状态以及袖带夹压状态条件下的光强自相关函数数据g2(τ)，利用传统非线性拟合方法计算出不同状态下组织血流变化，把这个值作为标签；
步骤(2)：数据预处理；对于步骤(1)所获得光强自相关数据，进行归一化预处理后，将上述数据随机分为训练集和测试集两组，其中训练集数据将作为深度学习网络的数据输入；
步骤(3)：深度学习网络构建；针对所采集的光强自相关数据特点，利用改进的Unet网络模型来量化相对血流变化，根据所采集的数据，减少了Unet网络的层数，使其更加贴合数据，得到更好的效果，实现轻量化；所构建的改进的Unet网络结构包括对称的两部分，第一部分为卷积和池化下采样；第二部分为卷积和上采样，网络的输入是长度为64的g2(τ)数据，先将其重塑为8×8矩阵，输入到卷积层，进行两次卷积，用于提取特征；后经过最大池化层，再进行卷积和上采样操作，用于对提取特征进行恢复；最后通过一个全连接层输出结果，从而产生血流指数(BFI)作为输出，即通过深度学习方法直接建立从光强自相关函数到血流指数之间的端到端网络，从而得到血流指数数据；
步骤(4)：网络训练与诊断；步骤(2)中训练集样本数据输入步骤(3)所构建的Unet网络中进行训练，训练完成后将测试集样本数据输入已训练好的网络模型中进行诊断，得到结果血数数据集，从而计算求得组织血流变化。
2.根据权利要求1所述的一种基于深度学习的扩散相关光谱血流量化方法，其特征在于，
网络训练时，当传统非线性拟合方法计算出的血流指数和Unet网络预测得到的血流指数的均方误差达到最小值时，训练结束。
3.根据权利要求1所述的一种基于深度学习的扩散相关光谱血流量化方法，其特征在于所述的扩散相关光谱血流检测系统包括系统光源、光源光纤、测量探头、探测光纤、单光子计数器、软件相关器、以及上位机，其系统光源采用波长为785nm的半导体连续波激光器，激光功率大于50mW，相干长度大于10m，经由光源光纤与测量探头相连放置在待测组织表面；探测光纤束放置在距光源光纤10mm处；检测到的光信号经由探测光纤进入单光子计数器；单光子计数器将数据送入上位机，实现系统控制和数据的采集、处理与显示。
4.根据权利要求2所述的一种基于深度学习的扩散相关光谱血流量化方法，其特征在于，所述的光源光纤为多模光纤，芯径为50μm、62.5μm、100μm或以上。
5.根据权利要求2所述的一种基于深度学习的扩散相关光谱血流量化方法，其特征在于，所述的探测光纤为单模光纤，芯径为5μm或9μm，但不局限于上述两种。
6.根据权利要求2所述的一种基于深度学习的扩散相关光谱血流量化方法，其特征在于，所述的上位机包括软件相关器，软件相关器用于将单光子计数器输入的电脉冲信号进行计数和自相关运算。
7.根据权利要求1所述的一种基于深度学习的扩散相关光谱血流量化方法，其特征在于，所述的平稳状态实验的测量部位包括前额、手臂和手指；
所述的袖带夹压实验的测量部位为前臂。
8.根据权利要求1所述的一种基于深度学习的扩散相关光谱血流量化方法，其特征在于，所述的平稳状态实验即是测量被测试者在静息状态下组织血流相关参数变化；
所述的袖带夹压实验分为三个阶段，分别是平稳阶段、动脉闭塞阶段以及恢复阶段。
9.根据权利要求1所述的一种基于深度学习的扩散相关光谱血流量化方法，其特征在于，所述的光强自相关函数(g2(τ))计算公式为：
式中，I(t)代表t时刻探测的光强，τ为延迟时间，<>代表时间上取平均，t和τ是在单光子计数器中进行的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011456434.4A CN112587118B (zh) | 2020-12-11 | 2020-12-11 | 一种基于深度学习的扩散相关光谱血流量化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011456434.4A CN112587118B (zh) | 2020-12-11 | 2020-12-11 | 一种基于深度学习的扩散相关光谱血流量化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112587118A true CN112587118A (zh) | 2021-04-02 |
| CN112587118B CN112587118B (zh) | 2023-02-28 |
Family
ID=75192930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011456434.4A Active CN112587118B (zh) | 2020-12-11 | 2020-12-11 | 一种基于深度学习的扩散相关光谱血流量化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112587118B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095273A (zh) * | 2021-04-25 | 2021-07-09 | 哈尔滨理工大学 | 一种基于深度学习的人群计数方法 |
| CN114081483A (zh) * | 2021-12-28 | 2022-02-25 | 北京工业大学 | 一种基于深度学习扩散相关光谱的组织血流和血氧饱和度测量方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107613851A (zh) * | 2015-04-09 | 2018-01-19 | 通用医疗公司 | 用于监测绝对血流量的系统和方法 |
| CN109316177A (zh) * | 2018-11-02 | 2019-02-12 | 杜玲娟 | 一种用于外周动脉疾病血管狭窄程度的评估装置及方法 |
| US20190167118A1 (en) * | 2016-08-10 | 2019-06-06 | Samsung Electronics Co., Ltd. | Method and apparatus for measuring blood pressure |
| CN111317462A (zh) * | 2020-03-20 | 2020-06-23 | 佛山科学技术学院 | 一种基于U-net神经网络的血流成像方法及装置 |
| CN111358473A (zh) * | 2020-03-17 | 2020-07-03 | 北京工业大学 | 一种基于近红外光谱的组织血流血氧成像装置及方法 |
-
2020
- 2020-12-11 CN CN202011456434.4A patent/CN112587118B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107613851A (zh) * | 2015-04-09 | 2018-01-19 | 通用医疗公司 | 用于监测绝对血流量的系统和方法 |
| US20190167118A1 (en) * | 2016-08-10 | 2019-06-06 | Samsung Electronics Co., Ltd. | Method and apparatus for measuring blood pressure |
| CN109316177A (zh) * | 2018-11-02 | 2019-02-12 | 杜玲娟 | 一种用于外周动脉疾病血管狭窄程度的评估装置及方法 |
| CN111358473A (zh) * | 2020-03-17 | 2020-07-03 | 北京工业大学 | 一种基于近红外光谱的组织血流血氧成像装置及方法 |
| CN111317462A (zh) * | 2020-03-20 | 2020-06-23 | 佛山科学技术学院 | 一种基于U-net神经网络的血流成像方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095273A (zh) * | 2021-04-25 | 2021-07-09 | 哈尔滨理工大学 | 一种基于深度学习的人群计数方法 |
| CN114081483A (zh) * | 2021-12-28 | 2022-02-25 | 北京工业大学 | 一种基于深度学习扩散相关光谱的组织血流和血氧饱和度测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112587118B (zh) | 2023-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100490461B1 (ko) | 청진기 | |
| CN101732040B (zh) | 一种无创多路脉搏波检测方法 | |
| MAZING et al. | Monitoring of Oxygen Supply of Human Tissues Using A Noninvasive Optical System Based on A Multi Channel Integrated Spectrum Analyzer. | |
| CN112587118B (zh) | 一种基于深度学习的扩散相关光谱血流量化方法 | |
| Fan et al. | Homecare-oriented intelligent long-term monitoring of blood pressure using electrocardiogram signals | |
| CN107374646B (zh) | 基于近红外技术的血糖检测装置及方法、电子装置 | |
| CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
| KR101746763B1 (ko) | 망막 또는 맥락막 내 혈관조영 광가간섭 단층촬영 장치 및 이를 이용한 질병 진단방법 | |
| Humeau-Heurtier et al. | Linguistic analysis of laser speckle contrast images recorded at rest and during biological zero: comparison with laser Doppler flowmetry data | |
| CN104224159A (zh) | 检测穴位体表微循环血流的装置 | |
| US20230172565A1 (en) | Systems, devices, and methods for developing a model for use when performing oximetry and/or pulse oximetry and systems, devices, and methods for using a fetal oximetry model to determine a fetal oximetry value | |
| CN108324286B (zh) | 一种基于pca-narx校正算法的红外光无创血糖检测装置 | |
| Naumova et al. | Method for the analysis of tissue oxygen saturation disorders using an optical analyzer of visible and IR spectra | |
| Savchenko et al. | The use of speckle correlation analysis to determine blood flow velocity | |
| CN105942982B (zh) | 一种基于动态光谱的肿瘤预测仪 | |
| Li et al. | Hybrid D1DCnet using forehead iPPG for continuous and noncontact blood pressure measurement | |
| CN112587119B (zh) | 一种基于深度学习的外周动脉特征提取方法 | |
| CN114081483A (zh) | 一种基于深度学习扩散相关光谱的组织血流和血氧饱和度测量方法 | |
| US7297123B2 (en) | Method and apparatus for accessing oral mucositis | |
| CN104224198A (zh) | 基于拉曼散射的多功能无创便携医疗检测装置及检测方法 | |
| CN115299916A (zh) | 一种基于cnn-gru网络模型的脑血流检测方法 | |
| Hoshi | Near-infrared spectroscopy for studying higher cognition | |
| KR101051406B1 (ko) | 혈관 내피세포 기능 측정 장치 및 방법 | |
| Mistry et al. | Assessing extracerebral contamination in cerebral blood flow pulsatility measured by diffuse correlation spectroscopy | |
| Chen et al. | Enhancing Blood Flow Assessment in Diffuse Correlation Spectroscopy: A Transfer Learning Approach with Noise Robustness Analysis |
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 |