CN112914527B - 一种基于脉搏波光电容积描记术的动脉血压信号采集方法 - Google Patents
一种基于脉搏波光电容积描记术的动脉血压信号采集方法 Download PDFInfo
- Publication number
- CN112914527B CN112914527B CN202110184194.5A CN202110184194A CN112914527B CN 112914527 B CN112914527 B CN 112914527B CN 202110184194 A CN202110184194 A CN 202110184194A CN 112914527 B CN112914527 B CN 112914527B
- Authority
- CN
- China
- Prior art keywords
- layer
- downsampling
- blood pressure
- level
- arterial blood
- 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.)
- Active
Links
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
- A61B5/021—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于脉搏波光电容积描记术的动脉血压信号采集方法,包括:第一步,构建从脉搏波到动脉血压波形的映射,具体采用以Wave‑U‑Net为基础架构的神经网络,整个网络包括:下采样路径、中间层、上采样路径和输出层;第二步,训练网络,调整参数,得到将脉搏波信号转换为动脉血压信号的最优模型,包括:数据获取、数据预处理、网络训练。本发明将从指尖位置处获得的无创可穿戴式的脉搏波信号,通过深度神经网络,转换为目前通常采用有创侵入式才能获得的高质量的动脉血压信号,降低了高质量动脉血压信号采集的复杂程度,提供了动脉血压信号长期无创监测的可能性,进而推动移动健康监测技术的发展。
Description
技术领域
本发明涉及无创可持续生理信号分析及采集技术领域,具体涉及一种基于脉搏波光电容积描记术的动脉血压信号采集方法。
背景技术
近年来,随着传感器技术的不断发展,基于光电容积描记术(photoplethysmography,PPG)的血压监测方法逐渐成为一大研究热点。PPG技术利用LED光源和光电传感器测量人体血管和组织反射、吸收后的衰减光,描记出血管的搏动状态并测量脉搏波。这种脉搏波与心脏周期性活动有关,且与动脉血压信号的相关性极高。在移动健康监测领域,研究人员利用PPG技术开发出了许多可持续血压监测方法。
目前使用脉搏波信号来采集血压信息的方法普遍存在的一个问题是:利用脉搏波无法获得高质量的连续动脉血压波形信号。现有的基于脉搏波采集血压信号的方法大体分为基于特征提取的方法以及端到端的深度学习方法。
基于特征提取的方法需要研究人员对脉搏波信号、脉搏波的一阶导数速度容积描记波(velocity plethysmography,VPG)以及PPG的二阶导数加速度容积描记波(acceleration plethysmography,APG)进行特征提取,再将提取到的若干个特征送入回归模型进行血压水平的预测。这类方法的缺陷十分明显。首先,特征提取过程不可避免得会造成信息丢失;其次,这种方法对于信号的质量要求较高,对于一些质量较低的信号,许多特征会有较大误差甚至无法提取;最后,这一类方法只能获得从脉搏波特征到某些固定的血压特征的映射过程,获得的信息十分有限。
端到端的深度学习方法在特征提取法的基础上进行了改进,它利用深度学习快速强大的处理能力,将复杂的特征提取过程交由神经网络学习完成,直接实现从脉搏波信号到生理参数的映射。这种方法具有计算成本低、对信号质量要求不高等优点。然而,现有的端到端方法没有克服基于特征提取的方法只能获得几个固定的生理参数的缺点,无法从脉搏波信号中提取出连续的动脉血压波形。此外,由于深度学习方法的特性,神经网络一旦生成,其输出的特征数目就难以更改,这就使得脉搏波信号中的大量信息最终只能映射到有限的几个特征,一旦用户需求发生改变,就不得不抛弃原有的模型,这限制了PPG技术在移动健康监测领域的推广。
发明内容
本发明是为避免上述现有技术的不足,提供一种基于脉搏波光电容积描记术的动脉血压信号采集方法,以期能够直接利用脉搏波信号采集到准确的动脉血压信号,降低高质量动脉血压信号采集过程的复杂程度,并提高在移动健康监测领域内血压信息获取的准确性和鲁棒性。
本发明为解决技术问题采用如下方案:
本发明一种基于脉搏波光电容积描记术的动脉血压信号采集方法的特点包括以下步骤:
步骤一、构建以Wave-U-Net为基础架构的神经网络,包括:下采样路径、中间层、上采样路径以及输出层;
步骤1.1、所述下采样路径由M个下采样模块级联而成,M个下采样模块分别记为DownBlock1,...,DownBlockm,...,DownBlockM;其中,DownBlockm表示第m级下采样模块,m=1,2,...,M;第m级下采样模块DownBlockm由第m级一维下采样自适应卷积核卷积层DSKConv1dm和第m级下采样层Downsamplingm组成;
第m级一维自适应卷积核卷积层DSKConv1dm包括:第m个分离卷积层、第m个压缩再激励处理层和第m个加权组合层,第m级一维下采样自适应卷积核卷积层DSKConv1dm的输出记为DSKresultm;
第m个分离卷积层中包括:X个并行的分离卷积、X个批归一化层以及X个斜率为α的LeakyReLU激活函数层;其中,第x个分离卷积的卷积核大小为Fx,且与第x+1个分离卷积的卷积核Fx+1之间的差值为k,x=0,1,...,X-1;令初始化F0=p;
步骤1.2、所述上采样路径由M个上采样模块级联而成,M个上采样模块分别记为UpBlock1,...,UpBlockm,...,UpBlockM;其中,UpBlockm表示第m级上采样模块;第m级上采样模块UpBlockm由第m级上Upsamplingm采样层和第m级一维上采样自适应卷积核卷积层USKConv1dm组成;所述第m级一维上采样自适应卷积核卷积层USKConv1dm的结构与下采样路径中的和第m级一维下采样自适应卷积核卷积层DSKConv1dm相同,第m级一维上采样自适应卷积核卷积层USKConv1dm的输出记为USKresultm;
第m级上采样层Upsamplingm采用线性插值的方法将信号的时间分辨率变为原来的r倍,第m级上采样层Upsamplingm的输出记为Upresultm;
步骤1.3、所述中间层为一维卷积层,包括:一个卷积核大小为q的一维卷积、一个批归一化层以及一个斜率为α的LeakyReLU激活函数层;所述中间层的输出记为Mresult;
所述输出层为另一个一维卷积层,包括:一个卷积核大小为q的一维卷积、一个批归一化层以及一个tanh激活函数层;所述输出层的输出记为ABPest,即为动脉血压信号;
步骤1.4、输入信号输入所述神经网络中并依次经过下采样路径、中间层、上采样路径以及输出层的处理后,输出动脉血压信号ABPest;其中:
当m=1,2,...,M-1时,下采样路径中第m级下采样模块DownBlockm中的第m级一维下采样自适应卷积核卷积层DSKConv1dm的输出DSKresultm除了作为第m级下采样层Downsamplingm的输入以外,还与第m+1级上采样模块UpBlockm+1中的第m+1级一维上采样自适应卷积核卷积层USKConv1dm的输出USKresultm+1共同作为第m级上采样模块UpBlockm中第m级一维自适应卷积核卷积层USKConv1dm的输入;
下采样路径中第M级下采样模块DownBlockM中第M级一维下采样自适应卷积核卷积层DSKConv1dM的输出DSKresultM除了作为第M级下采样层DownsamplingM的输入以外,还与中间层的输出Mresult共同作为第M级上采样模块UpBlockM中第M级一维上采样自适应卷积核卷积层USKConv1dM的输入;
步骤1.5、利用式(1)建立损失函数L并作为卷积神经网络的优化目标:
L=Lmse+λLmax (1)
式(1)中,Lmse为均方损失,并由式(2)得到;Lmax为最大值损失函数,并由式(3)得到;λ为Lmax的权重;
式(3)中,max为取最大值函数;
步骤二、训练网络,得到将脉搏波信号转换为动脉血压信号的最优模型;
步骤2.1、从数据库中获取处理窗长为L的指尖脉搏波信号P和侵入式血压传感器采集到的动脉血压信号A;
步骤2.2、数据预处理;
步骤2.2.1、对脉搏波信号P进行去趋势、归一化处理,得到预处理后的脉搏波信号再对预处理后的脉搏波信号/>求一阶差分和二阶差分得到一阶导数速度容积描记波信号/>和二阶导数加速度容积描记波/>最后将预处理后的脉搏波信号/>一阶导数速度容积描记波信号/>和二阶导数加速度容积描记波/>合并为3×L矩阵,并作为神经网络的输入信号IN;
步骤2.2.2、将动脉血压信号A进行归一化处理,得到归一化后的动脉血压信号ABPref,并将归一化后的动脉血压信号ABPref作为输入信号IN的长度为L的同步参考信号;
步骤2.3、网络训练;
将输入信号IN送入神经网络,并将对应的参考信号ABPref作为优化目标计算损失函数L,使得损失函数L在训练过程中趋于平稳,当损失函数L的变化量ΔL的绝对值始终小于所设定的阈值θ时,训练停止,并得到最优模型;
步骤2.4、动脉血压信号后处理:
将最优模型输出的动脉血压信号ABPest的幅值还原为原本的量纲,从而得到转换后的动脉血压信号。
与已有技术相比,本发明的有益效果体现在:
1、本发明通过以Wave-U-Net为基础架构的神经网络直接将脉搏波信号映射到动脉血压信号,规避了手动特征提取的过程,避免了因手动提取特征而造成的信息丢失。Wave-U-Net是一种专门针对一维信号处理的神经网络结构,它在语音信号分离和去噪领域已经取得了一定的成果。与传统的时间序列处理网络长短时记忆网络(Long Short-terrmMemory Networks,LSTM)和卷积神经网络(Convolutional Neural Networks,CNN)相比,Wave-U-Net的下采样层能够敏锐捕捉到一维信号中不同尺度的特征,从而更加充分地利用输入信号的信息,进而得到更准确的结果。PPG信号到ABP信号的转换本质上就是两个具有较高相关性的一维信号的映射关系,使用Wave-U-Net架构能够很好地得到这一映射关系。
2、本发明充分考虑到输入信号对于神经网络的学习过程的影响,对神经网络的输入进行了特殊的设计,在不改变网络结构的前提下为网络提供更丰富的信息。传统的基于深度学习的方法常单独使用脉搏波信号作为输入,而本发明将脉搏波信号、速度容积描记波信号和加速度容积描记波信号同时作为神经网络的输入,充分利用了PPG信号中包含的时域信息,降低了网络学习从PPG信号到ABP信号映射的难度,进而提高了输出ABP波形的准确性。
3、本发明针对波形映射的特点,在传统损失函数的基础上增加了新的用于提高波形局部特征质量的损失函数,使得网络生成的ABP波形不仅在总体形状和相位上与有创ABP波形高度一致,在具体细节上也能保持与有创ABP波形相近,更好地保留ABP信号的形状信息。在网络的损失函数中,除了传统的均方误差损失外,本发明还额外添加了一项最大值损失。最大值损失的优化目标是降低输出波形和参考波形之间误差的最大值。在单独使用均方误差损失的情况下,网络的输出波形在大体趋势和较为平缓的位置能够较好的与参考波形接近,然而在波形的局部尖锐部分,单独使用均方误差损失无法获得良好的效果。最大值损失针对波形尖锐部分的误差具有极大的惩罚效果,能够很好地提高输出波形在尖锐处的输出质量,进而提高了输出ABP波形的准确性。
4、本发明上采样路径和下采样路径中,使用一维自适应卷积核卷积层替代了传统的Wave-U-Net结构中的一维卷积层。传统一维卷积层的卷积核是固定不变的,这就导致整个网络的感受野被限定在一个固定的范围,会造成一定程度的信息丢失。一维自适应卷积核卷积层通过多个拥有不同大小的卷积核的并行卷积,能够在多个感受野上进行特征提取,最后加权求和,从而到更多、更全面的非线性特征,以提高输出ABP波形的准确性。
附图说明
图1为本发明方法流程图;
图2为本发明卷积神经网络的整体框架图;
图3为本发明下采样模块结构图;
图4为本发明方法的一维自适应卷积核卷积层结构图;
图5为本发明上采样模块结构图。
具体实施方式
本实例中,一种基于脉搏波光电容积描记术的动脉血压信号采集方法,具体流程如图1所示,包括以下步骤:
步骤一、构建以Wave-U-Net为基础架构的神经网络,包括下采样路径、中间层、上采样路径以及输出层,网络的整体结构如图2所示;
步骤1.1、下采样路径由M个下采样模块级联而成,M个下采样模块分别记为DownBlock1,...,DownBlockm,...,DownBlockM;其中,DownBlockm表示第m级下采样模块,m=1,2,...,M;第m级下采样模块DownBlockm由第m级一维下采样自适应卷积核卷积层DSKConv1dm和第m级下采样层Downsamplingm组成,本实例中M=8,第m级下采样模块结构如图3所示;
第m级一维自适应卷积核卷积层DSKConv1dm包括:第m个分离卷积层、第m个压缩再激励处理层和第m个加权组合层,第m级一维下采样自适应卷积核卷积层DSKConv1dm的输出记为DSKresultm;
第m级的一维自适应卷积核卷积层DSKConv1dm的具体结构如图4所示,第m个分离卷积层中包括:X个并行的分离卷积、X个批归一化层以及X个斜率为α的LeakyReLU激活函数层;其中,第x个分离卷积的卷积核大小为Fx,且与第x+1个分离卷积的卷积核Fx+1之间的差值为k,x=0,1,...,X-1;令初始化F0=p;在本实例中X=2,α=0.1,p=15,r1=…=rm=…=r8=2,卷积步长为1,自适应填充补零;
当m=1时,下采样路径中第一级一维下采样自适应卷积核卷积层DSKConv1d1中每个卷积的输入通道数为3,输出通道数为24.,当m=2,3,...,8时,第m级一维下采样自适应卷积卷积层DSKConv1dm中每个卷积的输入通道数为24×(m-1),输出通道数为24×m,m=2,3,...,8;
以第m级一维下采样自适应卷积核卷积层DSKConv1dm为例,其处理过程如下:得到输入信号Downresultm-1后,首先进行分离卷积过程,对Downresultm-1分别进行两次一维卷积、批归一化以及LeakyReLU,卷积核分别为15和20,得到两个特征图Um1和Um2;将Um1和Um2进行元素间的相加得到Um,对Um在通道维度上求平均,得到每个通道的统计信息Sm;然后进行压缩再激励过程,Sm通过一个全连接层、一个批归一化层、一个LeakyReLU激活函数将通道数压缩到原来的一半,完成维数压缩,得到一个特征向量Zm,Zm分别通过两个全连接层将通道数还原,完成激励,再将两个向量进行softmax操作得到两个注意力向量Am和Bm;最后,DSKConv1dm的输出DSKresultm=Am·Um1+Bm·Um2;
步骤1.2、上采样路径由M个上采样模块级联而成,M个上采样模块分别记为UpBlock1,...,UpBlockm,...,UpBlockM,第m级上采样模块的具体结构如图5所示;其中,UpBlockm表示第m级上采样模块;第m级上采样模块UpBlockm由第m级上采样层Upsamplingm和第m级一维上采样自适应卷积核卷积层USKConv1dm组成;和第m级一维上采样自适应卷积核卷积层USKConv1dm的结构与下采样路径中的和第m级一维下采样自适应卷积核卷积层DSKConv1dm相同,第m级一维上采样自适应卷积核卷积层USKConv1dm的输出记为USKresultm;
第m级上采样层Upsamplingm采用线性插值的方法将信号的时间分辨率变为原来的r倍,第m级上采样层Upsamplingm的输出记为Upresultm;
上采样路径中第m级一维上采样自适应卷积卷积层USKConv1dm的结构与第m级一维下采样自适应卷积卷积层DSKConv1dm完全一致,不同之处为第m级一维上采样自适应卷积卷积层USKConv1dm中的分离卷积层的每个卷积的输入通道数为48×m,输出通道数为24×m,m=1,2,...,8;
步骤1.3、中间层为一维卷积层,包括:一个卷积核大小为q的一维卷积、一个批归一化层以及一个斜率为α的LeakyReLU激活函数层;中间层的输出记为Mresult;
输出层为另一个一维卷积层,包括:一个卷积核大小为q的一维卷积、一个批归一化层以及一个tanh激活函数层;输出层的输出记为ABPest,即为动脉血压信号;
在本实例中,q=15,中间层的输入通道数和输出通道数均为192,输出层的输入通道数为27,输出通道数为1;
步骤1.4、输入信号输入神经网络中并依次经过下采样路径、中间层、上采样路径以及输出层的处理后,输出动脉血压信号ABPest;其中:
当m=1,2,...,M-1时,下采样路径中第m级下采样模块DownBlockm中的第m级一维下采样自适应卷积核卷积层DSKConv1dm的输出DSKresultm除了作为第m级下采样层Downsamplingm的输入以外,还与第m+1级上采样模块UpBlockm+1中的第m+1级一维上采样自适应卷积核卷积层USKConv1dm的输出USKresultm+1共同作为第m级上采样模块UpBlockm中第m级一维自适应卷积核卷积层USKConv1dm的输入;
下采样路径中第M级下采样模块DownBlockM中第M级一维下采样自适应卷积核卷积层DSKConv1dM的输出DSKresultM除了作为第M级下采样层DownsamplingM的输入以外,还与中间层的输出Mresult共同作为第M级上采样模块UpBlockM中第M级一维上采样自适应卷积核卷积层USKConv1dM的输入;
步骤1.5、利用式(1)建立损失函数L并作为卷积神经网络的优化目标:
L=Lmse+λLmax (1)
式(1)中,Lmse为均方损失,由式(2)得到;Lmax为最大值损失函数,由式(3)得到;λ为Lmax的权重;Lmse能够使得网络的输出在整体上与参考信号尽可能相近,但这并不足以满足我们对ABP波形细节的要求,因此我们添加了能够对波形的细节特征进行惩罚的Lmax,以保证不管是宏观上的趋势还是局部特征,网络的生成波形都能尽可能与参考信号接近。在本实例中,λ=0.005,这样设置能够将两项在量纲上统一,并以Lmse为主要惩罚项,Lmax为修正项,以达到最优效果;
式(3)中,max为取最大值函数;
步骤二、训练网络,得到将脉搏波信号转换为动脉血压信号的最优模型;
步骤2.1、从数据库中获取处理窗长为L的指尖脉搏波信号P和侵入式血压传感器采集到的动脉血压信号A;
在本实例中,L=1024。所使用的原始数据来自公开数据集MIMIC II中同时包括脉搏波信号、动脉血压信号的受试者的数据。MIMIC II数据集的采集场景为重症监护室,脉搏波信号的采集方式为接触式指脉搏测量,动脉血压信号的采集方式为有创测量。所有信号的采样率为125Hz。
步骤2.2、数据预处理;
步骤2.2.1、对脉搏波信号P进行去趋势、归一化处理,得到预处理后的脉搏波信号再对预处理后的脉搏波信号/>求一阶差分和二阶差分得到一阶导数速度容积描记波信号/>和二阶导数加速度容积描记波/>最后将预处理后的脉搏波信号/>一阶导数速度容积描记波信号/>和二阶导数加速度容积描记波/>合并为3×L矩阵,并作为神经网络的输入信号IN;
在本实施例中,利用式(4)对脉搏波信号进行去趋势得到去趋势后的脉搏波信号Pd,这种去趋势方式能够保留脉搏波信号的时域频域特征,并将信号中第低频噪声信号去除;在脉搏波信号的采集过程中,被采集者的呼吸等微小的周期性运动都会干扰到脉搏波的频率成分,因此,我们使用去趋势来去除脉搏波信号中的低频成分;利用式(6)对脉搏波信号进行归一化得到预处理完成的脉搏波信号这种归一化方式能够保留脉搏波信号的时域频域特征,并将信号转变为均值为0,标准差为1,幅值在区间[0,1]上的规范化信号,便于神经网络的训练;
式(4)中I为1024阶单位阵,常数λ设定为10,D2∈R(x-3)×(x-1)为式(5)所示的二阶差分矩阵;
式(6)中,μ为去趋势后的脉搏波信号Pd的均值,σ为去趋势后的脉搏波信号Pd的标准差;
步骤2.2.2、将动脉血压信号A进行归一化处理,得到ABPref,并将ABPref作为输入信号IN的长度为L的同步参考信号;在本实例中,将动脉血压信号的幅值压缩为原来的1/200;网络中输出层的激活函数为tanh函数,因此,网络输出信号的幅值只能在区间[0,1]之间;直接对幅值进行放缩便于网络的训练,在实际使用时也能十分方便的对结果进行还原;
步骤2.3、网络训练;
将输入信号IN送入神经网络,并将对应的参考信号ABPref作为优化目标计算损失函数L,使得损失函数L在训练过程中趋于平稳,当损失函数L的变化量ΔL的绝对值始终小于所设定的阈值θ时,训练停止,并得到最优模型;
在本实例中,θ=4×10-5;使用最优模型进行测试时,只需要将脉搏波信号、VPG、APG信号组合成的维度为3×1024的矩阵作为输入,即可获得相对应的ABP波形,并将获得的ABP波形用于心血管相关参数的提取以及心血管疾病的诊断;
步骤2.4、动脉血压信号后处理:
将最优模型输出的动脉血压信号ABPest的幅值还原为原本的量纲,从而得到转换后的动脉血压信号,在本实例中,将网络的输出波形的幅值直接乘以200即可将量纲还原。
Claims (1)
1.一种基于脉搏波光电容积描记术的动脉血压信号采集方法,其特征包括以下步骤:
步骤一、构建以Wave-U-Net为基础架构的神经网络,包括:下采样路径、中间层、上采样路径以及输出层;
步骤1.1、所述下采样路径由M个下采样模块级联而成,M个下采样模块分别记为DownBlock1,...,DownBlockm,...,DownBlockM;其中,DownBlockm表示第m级下采样模块,m=1,2,...,M;第m级下采样模块DownBlockm由第m级一维下采样自适应卷积核卷积层DSKConv1dm和第m级下采样层Downsamplingm组成;
第m级一维自适应卷积核卷积层DSKConv1dm包括:第m个分离卷积层、第m个压缩再激励处理层和第m个加权组合层,第m级一维下采样自适应卷积核卷积层DSKConv1dm的输出记为DSKresultm;
第m个分离卷积层中包括:X个并行的分离卷积、X个批归一化层以及X个斜率为α的LeakyReLU激活函数层;其中,第x个分离卷积的卷积核大小为Fx,且与第x+1个分离卷积的卷积核Fx+1之间的差值为k,x=0,1,...,X-1;令初始化F0=p;
步骤1.2、所述上采样路径由M个上采样模块级联而成,M个上采样模块分别记为UpBlock1,...,UpBlockm,...,UpBlockM;其中,UpBlockm表示第m级上采样模块;第m级上采样模块UpBlockm由第m级上Upsamplingm采样层和第m级一维上采样自适应卷积核卷积层USKConv1dm组成;所述第m级一维上采样自适应卷积核卷积层USKConv1dm的结构与下采样路径中的和第m级一维下采样自适应卷积核卷积层DSKConv1dm相同,第m级一维上采样自适应卷积核卷积层USKConv1dm的输出记为USKresultm;
第m级上采样层Upsamplingm采用线性插值的方法将信号的时间分辨率变为原来的r倍,第m级上采样层Upsamplingm的输出记为Upresultm;
步骤1.3、所述中间层为一维卷积层,包括:一个卷积核大小为q的一维卷积、一个批归一化层以及一个斜率为α的LeakyReLU激活函数层;所述中间层的输出记为Mresult;
所述输出层为另一个一维卷积层,包括:一个卷积核大小为q的一维卷积、一个批归一化层以及一个tanh激活函数层;所述输出层的输出记为ABPest,即为动脉血压信号;
步骤1.4、输入信号输入所述神经网络中并依次经过下采样路径、中间层、上采样路径以及输出层的处理后,输出动脉血压信号ABPest;其中:
当m=1,2,...,M-1时,下采样路径中第m级下采样模块DownBlockm中的第m级一维下采样自适应卷积核卷积层DSKConv1dm的输出DSKresultm除了作为第m级下采样层Downsamplingm的输入以外,还与第m+1级上采样模块UpBlockm+1中的第m+1级一维上采样自适应卷积核卷积层USKConv1dm的输出USKresultm+1共同作为第m级上采样模块UpBlockm中第m级一维自适应卷积核卷积层USKConv1dm的输入;
下采样路径中第M级下采样模块DownBlockM中第M级一维下采样自适应卷积核卷积层DSKConv1dM的输出DSKresultM除了作为第M级下采样层DownsamplingM的输入以外,还与中间层的输出Mresult共同作为第M级上采样模块UpBlockM中第M级一维上采样自适应卷积核卷积层USKConv1dM的输入;
步骤1.5、利用式(1)建立损失函数L并作为卷积神经网络的优化目标:
L=Lmse+λLmax (1)
式(1)中,Lmse为均方损失,并由式(2)得到;Lmax为最大值损失函数,并由式(3)得到;λ为Lmax的权重;
式(3)中,max为取最大值函数;
步骤二、训练网络,得到将脉搏波信号转换为动脉血压信号的最优模型;
步骤2.1、从数据库中获取处理窗长为L的指尖脉搏波信号P和侵入式血压传感器采集到的动脉血压信号A;
步骤2.2、数据预处理;
步骤2.2.1、对脉搏波信号P进行去趋势、归一化处理,得到预处理后的脉搏波信号再对预处理后的脉搏波信号/>求一阶差分和二阶差分得到一阶导数速度容积描记波信号/>和二阶导数加速度容积描记波/>最后将预处理后的脉搏波信号/>一阶导数速度容积描记波信号/>和二阶导数加速度容积描记波/>合并为3×L矩阵,并作为神经网络的输入信号IN;
步骤2.2.2、将动脉血压信号A进行归一化处理,得到归一化后的动脉血压信号ABPref,并将归一化后的动脉血压信号ABPref作为输入信号IN的长度为L的同步参考信号;
步骤2.3、网络训练;
将输入信号IN送入神经网络,并将对应的参考信号ABPref作为优化目标计算损失函数L,使得损失函数L在训练过程中趋于平稳,当损失函数L的变化量ΔL的绝对值始终小于所设定的阈值θ时,训练停止,并得到最优模型;
步骤2.4、动脉血压信号后处理:
将最优模型输出的动脉血压信号ABPest的幅值还原为原本的量纲,从而得到转换后的动脉血压信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110184194.5A CN112914527B (zh) | 2021-02-08 | 2021-02-08 | 一种基于脉搏波光电容积描记术的动脉血压信号采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110184194.5A CN112914527B (zh) | 2021-02-08 | 2021-02-08 | 一种基于脉搏波光电容积描记术的动脉血压信号采集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112914527A CN112914527A (zh) | 2021-06-08 |
CN112914527B true CN112914527B (zh) | 2023-06-30 |
Family
ID=76169702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110184194.5A Active CN112914527B (zh) | 2021-02-08 | 2021-02-08 | 一种基于脉搏波光电容积描记术的动脉血压信号采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112914527B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113693575A (zh) * | 2021-08-06 | 2021-11-26 | 武汉理工大学 | 一种基于轻量级神经网络的ppg血压检测方法 |
CN113674376B (zh) * | 2021-08-23 | 2024-03-05 | 合肥工业大学 | 一种基于深度学习的超声平面波复合成像方法 |
CN114224303A (zh) * | 2021-10-19 | 2022-03-25 | 安徽大学 | 一种无创血压预测方法及系统 |
CN114145725B (zh) * | 2022-02-08 | 2022-05-06 | 广东工业大学 | 一种基于无创连续血压测量的ppg采样率估算方法 |
CN114818910B (zh) * | 2022-04-22 | 2023-04-28 | 北京邮电大学 | 一种非接触式血压检测模型训练方法、血压检测方法及装置 |
CN114788691B (zh) * | 2022-06-20 | 2022-10-04 | 广东工业大学 | 一种基于多通道格拉姆角场的血压预测方法、系统 |
CN116383617B (zh) * | 2023-04-21 | 2023-09-22 | 复旦大学 | 一种基于脉搏波波形特征的智能血压检测方法及系统 |
CN116400264B (zh) * | 2023-06-09 | 2023-08-18 | 广东工业大学 | 一种逆变器开路故障诊断方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
WO2020007041A1 (zh) * | 2018-07-03 | 2020-01-09 | 京东方科技集团股份有限公司 | 血压测量装置、血压测量方法、电子设备以及计算机可读存储介质 |
CN110840428A (zh) * | 2019-11-29 | 2020-02-28 | 苏州大学 | 基于一维U-Net网络的无创血压估计方法 |
CN111493850A (zh) * | 2020-04-13 | 2020-08-07 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的血压测量方法及装置 |
-
2021
- 2021-02-08 CN CN202110184194.5A patent/CN112914527B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
WO2020007041A1 (zh) * | 2018-07-03 | 2020-01-09 | 京东方科技集团股份有限公司 | 血压测量装置、血压测量方法、电子设备以及计算机可读存储介质 |
CN110840428A (zh) * | 2019-11-29 | 2020-02-28 | 苏州大学 | 基于一维U-Net网络的无创血压估计方法 |
CN111493850A (zh) * | 2020-04-13 | 2020-08-07 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的血压测量方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于脉搏波和小波神经网络的血压预测;刘艳萍;李杰;金菲;崔彤;;河北工业大学学报(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112914527A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112914527B (zh) | 一种基于脉搏波光电容积描记术的动脉血压信号采集方法 | |
CN112587153B (zh) | 一种基于vPPG信号的端到端的非接触房颤自动检测系统和方法 | |
WO2023185873A1 (zh) | 一种基于多阶多模态的非袖带式血压测量装置及方法 | |
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 | |
CN113116321A (zh) | 基于pso-grnn神经网络的无创连续血压测量系统 | |
CN114469124A (zh) | 一种运动过程中异常心电信号的识别方法 | |
CN114569096A (zh) | 一种基于视频流的非接触式连续血压测量方法及系统 | |
CN116369877A (zh) | 一种基于光电容积脉搏波的无创血压估计方法 | |
CN117357079A (zh) | 基于个体校正的人体血压测量方法 | |
Sivanjaneyulu et al. | Cnn based ppg signal quality assessment using raw ppg signal for energy-efficient ppg analysis devices in internet of medical things | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
CN114668375A (zh) | 一种基于深度神经网络模型的无袖带血压预测系统 | |
Kuang et al. | Remote photoplethysmography signals enhancement based on generative adversarial networks | |
CN114947782A (zh) | 一种基于ppg信号的中心动脉压波形重构的系统及方法 | |
CN115089145A (zh) | 基于多尺度残差网络和ppg信号的智能血压预测方法 | |
Sivanjaneyulu et al. | Compressive Sensing-Based Automatic PPG Signal Quality Assessment Using CNN for Energy-Constrained Medical Devices | |
CN115905819B (zh) | 基于生成对抗网络的rPPG信号生成方法及装置 | |
Anbukarasu et al. | Tiny-HR: Towards an interpretable machine learning pipeline for heart rate estimation on edge devices | |
CN114947792B (zh) | 一种基于视频的生理信号测量与增强方法 | |
CN114788691B (zh) | 一种基于多通道格拉姆角场的血压预测方法、系统 | |
CN118177806B (zh) | 基于图像编码的心电信号精神压力检测方法及装置 | |
CN116889388B (zh) | 一种基于rPPG技术的智能检测系统及方法 | |
CN116035548B (zh) | 心律状态检测方法、装置、智能穿戴设备及存储介质 | |
CN115836846B (zh) | 一种基于自监督迁移学习的无创血压估计方法 | |
CN115553745B (zh) | 基于机器学习的血液容积脉搏波信号增强方法及系统 |
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 |