CN112998676A - 基于光电阵列增强信号多特征提取的连续血压测量方法 - Google Patents

基于光电阵列增强信号多特征提取的连续血压测量方法 Download PDF

Info

Publication number
CN112998676A
CN112998676A CN202110333169.9A CN202110333169A CN112998676A CN 112998676 A CN112998676 A CN 112998676A CN 202110333169 A CN202110333169 A CN 202110333169A CN 112998676 A CN112998676 A CN 112998676A
Authority
CN
China
Prior art keywords
signal
pulse wave
blood pressure
coefficient
dominant
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.)
Pending
Application number
CN202110333169.9A
Other languages
English (en)
Inventor
曹燕
王文娟
韦岗
王一歌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110333169.9A priority Critical patent/CN112998676A/zh
Publication of CN112998676A publication Critical patent/CN112998676A/zh
Pending legal-status Critical Current

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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Cardiology (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光电阵列增强信号多特征提取的连续血压测量方法，步骤如下：采集用户的光电阵列脉搏波信号；对采集到的脉搏波信号进行预处理；对预处理后的脉搏波信号进行信号增强；对信号增强后的脉搏波信号基于先验知识提取显性特征；对信号增强后的脉搏波信号基于残差卷积模块提取隐性特征；基于显性特征和隐性特征分别训练模型并且保留模型参数；采用加权平均的方式进行模型融合，输出收缩压和舒张压。本发明在数据采集上更充分利用信号的有效成分；在特征提取层面提高模型预测的准确度。另外，通过模型融合的方式结合了显性特征和隐性特征的优点，可实现连续精准的血压测量。

Description

基于光电阵列增强信号多特征提取的连续血压测量方法
技术领域
本发明涉及血压测量技术领域，具体涉及一种基于光电阵列增强信号多特征提取的连续血压测量方法。
背景技术
现有的采集脉搏波信号的装置主要是单通道的光电传感器，由于光的反射方向是不固定的，这种方法采集脉搏波信号会损失部分有效信号成分。在实际应用中，单通道的脉搏波采集装置在手腕处采集到的信号很微弱甚至采集不到信号，通过阵列多通道采集可以更容易采集到脉搏波信号，既然有多通道的脉搏波信号，就完全可以采用信号增强方法进一步提升对信号有效成分的利用。
现有的提取脉搏波信号的参数特征的方法主要基于先验知识，比如已知血压和脉搏波的周期、主波上升时间等因素是有关的，基于这个经验就可以提取脉搏波的周期、主波上升时间作为特征。已有研究表明，血压值和脉搏波形态，即是波形的样子，主峰的尖锐程度有一定相关性，本方法提取特征峭度K来表征该信息。另外，这些提取脉搏波生理学参数的方法只能适用于处理典型的脉搏波信号，而对于某些波形形态特殊的脉搏波信号则无法进行处理，并且很难全面地表示脉搏波中蕴含的血压信息。因此本方法采用基于先验知识提取显性特征，并结合基于残差卷积模块提取隐性特征，将提取到的特征输入到模型当中，最终通过模型融合的方式预测血压。基于先验知识提取显性特征可以更容易提取到强特征，但是提取的特征很难全面表示脉搏波信号蕴含的信息。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于光电阵列增强信号多特征提取的连续血压测量方法。
本发明的目的可以通过采取如下技术方案达到：
一种基于光电阵列增强信号多特征提取的连续血压测量方法，所述连续血压测量方法包括下列步骤：
S1、采集用户的光电阵列脉搏波信号；
S2、对采集到的脉搏波信号进行预处理；
S3、对步骤S2得到的预处理后的脉搏波信号进行信号增强；
S4、基于先验知识，对步骤S3得到的经过信号增强后的脉搏波信号提取显性特征，所述显性特征包括脉动周期T、主波上升时间T1、主波下降时间T2、相邻周期主波波峰点的时间间隔T3、同一周期内主波和次波波峰点的时间间隔T4以及描述主峰尖锐程度的峭度K，其中，峭度K计算公式如下：
Figure BDA0002997065410000021
其中，X[j]为信号增强后的脉搏波信号，
Figure BDA0002997065410000022
为信号增强后的脉搏波信号的均值，j为时刻，m为信号增强后的脉搏波信号X[j]的信号长度；
S5将步骤S4得到的显性特征输入多元线性回归模型，得到收缩压Ps1和舒张压Pd1；
S6、将步骤S3得到的经过信号增强后的脉搏波信号输入ResNet回归模型，其中，ResNet回归模型包括依次顺序连接的残差卷积模块和全连接神经网络模块，信号增强后的脉搏波信号首先输入残差卷积模块提取隐性特征，接着隐性特征输入全连接神经网络模块得到收缩压Ps2和舒张压Pd2；
多元线性回归模型和ResNet回归模型在训练时或者在实际使用时通过上述模型计算得到血压值，实际使用时通过保留的模型参数计算得到血压值；
S7、采用加权平均的方式进行模型融合，模型融合的计算方法：
Ps＝as*Ps1+bs*Ps2 公式(2)
Pd＝ad*Pd1+bd*Pd2 公式(3)
其中，as为多元线性回归模型得到的收缩压的系数，ad为多元线性回归模型得到的舒张压的系数，bs为ResNet回归模型得到的收缩压的系数，bd为ResNet回归模型得到的舒张压的系数，Ps为最终得到的收缩压，Pd为最终得到的舒张压。
多元线性回归模型得到的血压系数as、ad及ResNet回归模型得到的血压系数bs、bd通常根据经验设定，可以把as，ad，bs，bd均设定为0.5；
其中，步骤S1～S6是训练多元线性回归模型和ResNet回归模型所需的步骤，步骤S1～S7是用户实际使用时所需的步骤。
进一步地，所述的步骤S1中采用阵列传感器采集得到用户的多通道的脉搏波信号。
进一步地，所述的步骤S2过程如下：
S201、采用数字信号处理的方式对脉搏波信号去噪；
S202、以窗口长度M和滑动步长N对脉搏波信号分帧；
S203、计算自相关系数设定阈值剔除周期性差的异常数据。
进一步地，所述的步骤S3过程如下：
S301、以能量最大为准则，选取一个通道的脉搏波信号为基准信号，脉搏波信号的能量计算方法：
Figure BDA0002997065410000031
其中，xi[j]为第i个通道的脉搏波信号，n为第i个通道的脉搏波信号的长度，j为时刻；
计算每个通道的脉搏波信号的能量，选择能量最大的对应通道的脉搏波信号作为基准信号，基准信号表示为xs[j]；
S302、以选取的基准信号为准，将第i个通道的信号与基准信号对齐，第i个通道的信号与基准信号的差距计算方法：
Figure BDA0002997065410000041
其中，xs[j]为基准信号，xi[j-τi]为待融合的第i个通道的脉搏波信号向右平移了τi，τi为第i个通道的信号相对于基准信号xs[j]的偏移，ai为xi[j-τi]的系数，ai代表纵坐标幅度变换的倍数，ai>1时为扩大；0<ai<1时为缩小；
根据公式(5)计算出第i个通道的信号相对步骤S301中选定的基准信号的偏移τi和系数ai，所求的偏移τi和系数ai需使得第i个通道的脉搏波信号经过平移和幅度变换以后和基准信号最相似，即所述第i个通道的信号与基准信号的差距J(τi)最小。
系数ai的计算步骤为，结合公式(5)计算J(τi)对ai的偏导数，令J(τi)对ai的偏导数为0以求得J(τi)的极小值，解方程组：
Figure BDA0002997065410000042
得到幅度变换系数ai的公式：
Figure BDA0002997065410000043
其中，xs[j]为基准信号，xi[j-τi]为待融合的向右平移τi的第i个通道的脉搏波信号；
偏移τi的计算过程为：将公式(6)代入公式(5)中消除变量ai，令
Figure BDA0002997065410000044
Figure BDA0002997065410000045
其中，Ti为第i个通道的脉搏波信号的周期，τi取整数，在τi的取值范围内用穷举法计算得到令J(τi)最小的τi，计算所得的τi即为第i个通道的脉搏波信号相对基准信号的偏移。
根据公式(6)计算对应的幅度变换系数ai，如果幅度变换系数ai小于一定阈值就舍弃对应通道的信号；
S303、采用加权平均的方法把各个通道的信号进行融合得到信号增强以后的脉搏波信号X[j]：
Figure BDA0002997065410000051
其中，xi[j]为第i通道的脉搏波信号，k为预处理后的脉搏波信号的通道数。
进一步地，所述的步骤S4过程如下：
S401、对信号增强后的脉搏波信号进行特征点检测，其中，特征点包括主波峰点、次波峰点和次波峰两侧的谷点，根据检测出的特征点提取脉动周期T、主波上升时间T1、主波下降时间T2、相邻周期主波波峰点的时间间隔T3和同一周期内主波和次波波峰点的时间间隔T4等特征；
S402、根据峭度K计算公式(1)提取特征峭度K。
进一步地，所述的步骤S5过程如下：
通过多元线性回归方法建立包含6个特征的多元线性回归模型，得到多元线性回归模型的模型参数，多元线性回归模型的表达式如下：
Figure BDA0002997065410000052
其中，
Figure BDA0002997065410000053
表示血压，θ1～θ6为显性特征系数，b为截距，K为描述主峰尖锐程度的峭度。
进一步地，所述的残差卷积模块包括直接映射单元、残差单元和单位加操作单元，其中，直接映射单元和残差单元均以残差卷积模块的输入为输入，将直接映射单元的输出和残差单元的输出做单位加操作得到残差卷积模块提取的隐性特征，所述残差单元包括依次顺序连接的一维卷积层1、Relu激活层1、Maxpooling池化层1、一维卷积层2、Relu激活层2、Maxpooling池化层2；
所述的全连接神经网络模块包括依次顺序连接的括Relu激活层3和全连接层，全连接层输出为收缩压Ps2和舒张压Pd2。
进一步地，所述的步骤S7过程如下：
在采用脉搏波光电阵列信号连续采集用户的脉搏波信号的过程中，每采集到长度为M的脉搏波信号，就把采集到的脉搏波进行预处理、信号增强并且提取特征，使用步骤S5中保留的多元线性回归模型参数可以计算出收缩压Ps1和舒张压Pd1，使用步骤S6中保留的ResNet回归模型的模型参数可以计算出收缩压Ps2和舒张压Pd2，根据公式(2)和公式(3)计算加权平均的方式得到最终的收缩压Ps和舒张压Pd。
本发明相对于现有技术具有如下的优点及效果：
1)本发明基于阵列脉搏波信号进行了信号增强，在折中解决了光能量的利用率与感光件接收的光照强度问题和提高信号强度和有效信号成分的基础上，充分利用了信号有效成分，方便后续对信号的使用和处理。
2)已有研究表明，血压值和脉搏波形态有一定相关性，本发明提取特征峭度K来表征该信息，从特征提取层面提高模型预测血压的准确度。
3)基于先验知识提取显性特征可以更容易提取到强特征，但是提取的特征很难全面表示脉搏波信号蕴含的信息，本发明通过模型融合的方式结合了基于先验知识提取显性特征和基于残差卷积模块提取隐性特征的优点，可以提升血压的预测准确度。
4)本发明采集脉搏波信号仅需要一个传感器，把训练好的模型参数嵌入到脉搏波信号采集装置上可以做到即时输出血压，操作便捷简单，可以很好的实现血压的连续预测。
附图说明
图1是本发明实施例中公开的一种基于光电阵列增强信号多特征提取的连续血压测量方法的流程图；
图2是本发明实施例中信号预处理的流程图；
图3是本发明实施例中信号增强的流程图；
图4是本发明实施例中基于先验知识提取显性特征的示意图；
图5是本发明实施例中基于先验知识提取显性特征获取血压的流程图；
图6是本发明实施例中残差卷积模块的流程图；
图7是本发明实施例中基于残差卷积模块提取隐性特征获取血压的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本实施例公开了一种基于光电阵列增强信号多特征提取的连续血压测量方法，如图1所示，具体步骤如下：
S1、采集用户的光电阵列脉搏波信号；
其中，在脉搏波信号采集时需用电子血压计同步记录志愿者的参考血压值，包括收缩压和舒张压。
采用阵列的方式采集脉搏波信号折中解决了光能量的利用率与感光件接收的光照强度问题，并且提高了信号强度和有效信号成分。
S2、对采集到的脉搏波信号进行预处理；
本实施例对采集到的脉搏波信号进行预处理，如图2所示，包括去噪、分帧、信号筛选。
采集到的脉搏波信号存在各种噪声干扰信号，一般包括基线漂移、工频干扰、高频干扰等。本实施例根据脉搏波信号以及常见噪声的特点，采用的去噪步骤如下：
采用db8的小波经离散小波变换将脉搏波信号分解成9级，提取代表低频分量的近似系数和代表高频分量的细节系数，将第1级的低频分量近似系数和7-9级的高频分量细节系数置零，基于分解系数进行脉搏波信号重构。
为了保证脉搏波信号的长度一致，本实施例对脉搏波信号进行分帧，采用的分帧步骤如下：
使用窗口长度为8秒以及滑动步长为8秒的滑动窗口将重构的脉搏波信号进行切分，得时间长度为8秒的脉搏波信号。
为了剔除异常数据，本实施例对脉搏波信号进行信号筛选，质量好的脉搏波信号通常表现为有较好的周期性，本实施例通过计算自相关系数并且设定阈值剔除周期性差的数据。
S3、对步骤S2得到的预处理后的脉搏波信号进行信号增强，如图3所示，具体步骤如下；
S301、以能量最大为准则，选取一个通道的脉搏波信号为基准信号，脉搏波信号的能量计算方法：
Figure BDA0002997065410000081
其中，xi[j]为第i个通道的脉搏波信号，n为第i个通道的脉搏波信号的长度，j为时刻。
计算每个通道的脉搏波信号的能量，选择能量最大的对应通道的脉搏波信号作为基准信号，基准信号表示为xs[j]。
S302、以选取的基准信号为准，将第i个通道的信号与基准信号对齐，第i个通道的信号与基准信号的差距计算方法：
Figure BDA0002997065410000091
其中，xs[j]为基准信号，xi[j-τi]为待融合的第i个通道的脉搏波信号向右平移了τi，τi为第i个通道的信号相对于基准信号xs[j]的偏移，ai为xi[j-τi]的系数，ai代表纵坐标幅度变换的倍数，ai>1时为扩大；0<ai<1时为缩小。
根据公式(b)计算出第i个通道的信号相对步骤S301中选定的基准信号的偏移τi和系数ai，所求的偏移τi和系数ai需使得第i个通道的脉搏波信号经过平移和幅度变换以后和基准信号最相似，即所述第i个通道的信号与基准信号的差距J(τi)最小。
系数ai的计算步骤为，结合公式(b)计算J(τi)对ai的偏导数，令J(τi)对ai的偏导数为0以求得J(τi)的极小值，解方程组：
Figure BDA0002997065410000092
得到幅度变换系数ai的公式：
Figure BDA0002997065410000093
其中，xs[j]为基准信号，xi[j-τi]为待融合的向右平移τi的第i个通道的脉搏波信号；
偏移τi的计算过程为：将公式(c)代入公式(b)中消除变量ai，令
Figure BDA0002997065410000094
Figure BDA0002997065410000095
其中，Ti为第i个通道的脉搏波信号的周期，τi取整数，在τi的取值范围内用穷举法计算得到令J(τi)最小的τi，计算所得的τi即为第i个通道的脉搏波信号相对基准信号的偏移。
根据公式(c)计算对应的幅度变换系数ai，如果幅度变换系数ai小于一定阈值就舍弃对应通道的信号；
S303、采用加权平均的方法把各个通道的信号进行融合得到信号增强以后的脉搏波信号X[j]：
Figure BDA0002997065410000101
其中，xi[j]为第i通道的脉搏波信号，k为预处理后的脉搏波信号的通道数。
本实施例在脉搏波信号采集装置上采用阵列传感器采集得到多通道的脉搏波信号的基础上，提出了信号增强方法，本方法在折中解决了光能量的利用率与感光件接收的光照强度问题和提高信号强度和有效信号成分的基础上，充分利用了信号有效成分，方便后续对信号的使用和处理。
S4、基于先验知识，对步骤S3得到的经过信号增强后的脉搏波信号提取显性特征，所述显性特征包括脉动周期T、主波上升时间T1、主波下降时间T2、相邻周期主波波峰点的时间间隔T3、同一周期内主波和次波波峰点的时间间隔T4以及描述主峰尖锐程度的峭度K，其中，峭度K计算公式如下：
Figure BDA0002997065410000102
其中，X[j]为信号增强后的脉搏波信号，
Figure BDA0002997065410000103
为信号增强后的脉搏波信号的均值，j为时刻，m为信号增强后的脉搏波信号X[j]的信号长度。
本实施例中，脉动周期T，主波上升时间T1，主波下降时间T2，相邻周期主波波峰点的时间间隔T3，同一周期内主波和次波波峰点的时间间隔T4为通用特征，如图4所示。已有研究表明，血压值和脉搏波形态有一定相关性，本实例提取特征峭度K来表征该信息。峭度K可以反映信号的分布特性，是归一化4阶中心矩，若K＝3，则表明信号具有正常峰度(即零峭度)；若K>3，则表明信号具有正峭度。可见不同的K值反应了波形不同的尖锐程度。
S5、将步骤S4得到的显性特征输入多元线性回归模型，得到收缩压Ps1和舒张压Pd1。通过多元线性回归方法建立包含6个特征的多元线性回归模型，得到多元线性回归模型的模型参数，多元线性回归模型的表达式如下：
Figure BDA0002997065410000111
其中，
Figure BDA0002997065410000112
表示血压，θ1～θ6为显性特征系数，b为截距，T1为主波上升时间，T2为主波下降时间，T3为相邻周期主波波峰点的时间间隔，T4为同一周期内主波和次波波峰点的时间间隔，T为脉动周期，K为描述主峰尖锐程度的峭度；
通过多元线性回归模型获取血压的流程如图5所示。训练多元线性回归模型时，将步骤S4中提取的显性特征代入公式(f)，损失函数是
Figure BDA0002997065410000113
其中，n′为训练样本个数，i′是第i′个训练样本，yi′是第i′个训练样本对应的真实血压值，
Figure BDA0002997065410000114
是训练过程中把第i′个训练样本输入多元线性回归模型得到的血压值，根据损失最小原则更新多元线性回归模型的模型参数，直到训练结束。保留多元线性回归模型的模型参数。
S6、将步骤S3得到的经过信号增强后的脉搏波信号输入ResNet回归模型，其中，ResNet回归模型包括依次顺序连接的残差卷积模块和全连接神经网络模块，信号增强后的脉搏波信号首先输入残差卷积模块提取隐性特征，接着隐性特征输入全连接神经网络模块得到收缩压Ps2和舒张压Pd2；
上述残差卷积模块包括直接映射单元、残差单元和单位加操作单元，其中，直接映射单元和残差单元均以残差卷积模块的输入为输入，将直接映射单元的输出和残差单元的输出做单位加操作得到残差卷积模块提取的隐性特征，所述残差单元包括依次顺序连接的一维卷积层1、Relu激活层1、Maxpooling池化层1、一维卷积层2、Relu激活层2、Maxpooling池化层2；
上述全连接神经网络模块包括依次顺序连接的括Relu激活层3和全连接层，全连接层输出为收缩压Ps2和舒张压Pd2。
卷积层带来的参数共享和池化层带来的较大的感受范围和平移不变性实现了以较少的参数量获得了很强的特征学习能力。人的血压是连续变化的，当前时刻的血压不仅和当前时刻的脉搏波信号有关，相邻时刻的脉搏波信号在一定程度上也蕴含着预测血压所需的信息。卷积核是局部连接的，可以认为卷积核适合捕捉这种时序特征。
残差卷积模块如图6所示，weight layer包括依次顺序连接一维卷积层、Relu激活层和Maxpooling池化层，x是输入，relu是激活层，F(x)是输入到多层weight layer即残差单元的输出，weight layer层的层数和具体参数根据实际情况设定，弧线表示把输入x直接映射到输出层，残差卷积模块的输出为output＝F(x)+x，把输入x直接映射到输出层，使得网络需要学习的知识变少，容易学习。ResNet回归模型的结构如图7所示，训练时，数据集按人进行划分，保证训练-验证的合理性，本实例中验证集占所有样本的比例是0.2，初始学习率为0.01，训练45个epoch，batch size为128。本实例采用随机初始化的方式初始化模型的参数，将选取的训练数据集通过前向传播获得预测值，优化器采用Adam，损失函数loss的计算方法：
Figure BDA0002997065410000121
其中，n″为训练样本个数，i″为第i″个训练样本，yi″s为第i″个训练样本的真实收缩压值，
Figure BDA0002997065410000122
为神经网络预测的第i″个训练样本的收缩值，yi″d为第i″个训练样本的真实舒张压值，
Figure BDA0002997065410000123
为神经网络预测的第i″个训练样本的舒张压值。
通过反向传播更新模型参数，反复运行前向传播到反向传播的步骤，直到训练结束。
特别说明的是，步骤S5中需要训练两个多元线性回归模型，其中一个模型用于获取收缩压，另外一个模型用于获取舒张压。步骤S6中仅需训练一个ResNet回归模型，全连接神经网络模块的输出层使用两个神经元，可以同时获取收缩压和舒张压。
S7、采用加权平均的方式进行模型融合，模型融合的计算方法：
Ps＝as*Ps1+bs*Ps2 公式(h)
Pd＝ad*Pd1+bd*Pd2 公式(i)
其中，as为多元线性回归模型得到的收缩压的系数，ad为多元线性回归模型得到的舒张压的系数，bs为ResNet回归模型得到的收缩压的系数，bd为ResNet回归模型得到的舒张压的系数，Ps为最终得到的收缩压，Pd为最终得到的舒张压。
基于先验知识提取显性特征可以更容易提取到强特征，但是提取的特征很难全面表示脉搏波信号蕴含的信息，本方法通过模型融合的方式结合了基于先验知识提取显性特征和基于残差卷积模块提取隐性特征的优点。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于光电阵列增强信号多特征提取的连续血压测量方法，其特征在于，所述连续血压测量方法包括下列步骤：
S1、采集用户的光电阵列脉搏波信号；
S2、对采集到的脉搏波信号进行预处理；
S3、对步骤S2得到的预处理后的脉搏波信号进行信号增强；
S4、基于先验知识，对步骤S3得到的经过信号增强后的脉搏波信号提取显性特征，所述显性特征包括脉动周期T、主波上升时间T1、主波下降时间T2、相邻周期主波波峰点的时间间隔T3、同一周期内主波和次波波峰点的时间间隔T4以及描述主峰尖锐程度的峭度K，其中，峭度K计算公式如下：
Figure RE-FDA0003060839460000011
其中，X[j]为信号增强后的脉搏波信号，
Figure RE-FDA0003060839460000012
为信号增强后的脉搏波信号的均值，j为时刻，m为信号增强后的脉搏波信号X[j]的样点数；
S5、将步骤S4得到的显性特征输入多元线性回归模型，得到收缩压Ps1和舒张压Pd1；
S6、将步骤S3得到的经过信号增强后的脉搏波信号输入ResNet回归模型，其中，ResNet回归模型包括依次顺序连接的残差卷积模块和全连接神经网络模块，信号增强后的脉搏波信号首先输入残差卷积模块提取隐性特征，接着隐性特征输入全连接神经网络模块得到收缩压Ps2和舒张压Pd2；
S7、采用加权平均的方式进行模型融合，模型融合的计算方法：
Ps＝as*Ps1+bs*Ps2 公式(2)
Pd＝ad*Pd1+bd*Pd2 公式(3)
其中，as为多元线性回归模型得到的收缩压的系数，ad为多元线性回归模型得到的舒张压的系数，bs为ResNet回归模型得到的收缩压的系数，bd为ResNet回归模型得到的舒张压的系数，Ps为最终得到的收缩压，Pd为最终得到的舒张压。
2.根据权利要求1所述的基于光电阵列增强信号多特征提取的连续血压测量方法，其特征在于，所述的步骤S1中采用阵列传感器采集得到用户的多通道的脉搏波信号。
3.根据权利要求1所述的基于光电阵列增强信号多特征提取的连续血压测量方法，其特征在于，所述的步骤S2过程如下：
S201、对脉搏波信号去噪；
S202、以窗口长度M和滑动步长N对脉搏波信号分帧；
S203、计算自相关系数设定阈值剔除周期性差的异常数据。
4.根据权利要求1所述的基于光电阵列增强信号多特征提取的连续血压测量方法，其特征在于，所述的步骤S3过程如下：
S301、以能量最大为准则，选取一个通道的脉搏波信号为基准信号，脉搏波信号的能量计算方法：
Figure RE-FDA0003060839460000021
其中，xi[j]为第i个通道的脉搏波信号，n为第i个通道的脉搏波信号的样点数，j为时刻；
计算每个通道的脉搏波信号的能量，选择能量最大的对应通道的脉搏波信号作为基准信号，基准信号表示为xs[j]；
S302、以选取的基准信号为准，将第i个通道的信号与基准信号对齐，第i个通道的信号与基准信号的差距计算方法：
Figure RE-FDA0003060839460000022
其中，xs[j]为基准信号，xi[j-τi]为待融合的第i个通道的脉搏波信号向右平移了τi，τi为第i个通道的信号相对于基准信号xs[j]的偏移，ai为xi[j-τi]的系数，系数ai表示纵坐标幅度变换的倍数，ai>1时为扩大；0<ai<1时为缩小；
根据公式(5)计算出第i个通道的信号相对步骤S301中选定的基准信号的偏移τi和系数ai，所求的偏移τi和系数ai需使得第i个通道的脉搏波信号经过平移和幅度变换以后和基准信号最相似，即所述第i个通道的信号与基准信号的差距J(τi)最小。
系数ai的计算步骤为，结合公式(5)计算J(τi)对ai的偏导数，令J(τi)对ai的偏导数为0以求得J(τi)的极小值，解方程组：
Figure RE-FDA0003060839460000031
得到幅度变换系数ai的公式：
Figure RE-FDA0003060839460000032
其中，xs[j]为基准信号，xi[j-τi]为待融合的向右平移τi的第i个通道的脉搏波信号；
偏移τi的计算过程为：将公式(6)代入公式(5)中消除变量ai，令
Figure RE-FDA0003060839460000033
Figure RE-FDA0003060839460000034
其中，Ti为第i个通道的脉搏波信号的周期，τi取整数，在τi的取值范围内用穷举法计算得到令J(τi)最小的τi，计算所得的τi即为第i个通道的脉搏波信号相对基准信号的偏移。
根据公式(6)计算对应的幅度变换系数ai，如果幅度变换系数ai小于一定阈值就舍弃对应通道的信号；
S303、采用加权平均的方法把各个通道的信号进行融合得到信号增强以后的脉搏波信号X[j]：
Figure RE-FDA0003060839460000041
其中，xi[j]为第i通道的脉搏波信号，k为预处理后的脉搏波信号的通道数。
5.根据权利要求1所述的基于光电阵列增强信号多特征提取的连续血压测量方法，其特征在于，所述的步骤S4过程如下：
S401、对信号增强后的脉搏波信号进行特征点检测，其中，特征点包括主波峰点、次波峰点和次波峰两侧的谷点，根据检测出的特征点提取脉动周期T、主波上升时间T1、主波下降时间T2、相邻周期主波波峰点的时间间隔T3和同一周期内主波和次波波峰点的时间间隔T4等特征；
S402、根据峭度K计算公式(1)提取特征峭度K。
6.根据权利要求1所述的基于光电阵列增强信号多特征提取的连续血压测量方法，其特征在于，所述的步骤S5过程如下：
通过多元线性回归方法建立包含6个特征的多元线性回归模型，得到多元线性回归模型的模型参数，多元线性回归模型的表达式如下：
Figure RE-FDA0003060839460000042
其中，
Figure RE-FDA0003060839460000043
表示血压，θ1～θ6为显性特征系数，b为截距，K为描述主峰尖锐程度的峭度。
7.根据权利要求1所述的基于光电阵列增强信号多特征提取的连续血压测量方法，其特征在于，所述的残差卷积模块包括直接映射单元、残差单元和单位加操作单元，其中，直接映射单元和残差单元均以残差卷积模块的输入为输入，将直接映射单元的输出和残差单元的输出做单位加操作得到残差卷积模块提取的隐性特征，所述残差单元包括依次顺序连接的一维卷积层1、Relu激活层1、Maxpooling池化层1、一维卷积层2、Relu激活层2、Maxpooling池化层2；
所述的全连接神经网络模块包括依次顺序连接的括Relu激活层3和全连接层，全连接层输出为收缩压Ps2和舒张压Pd2。
CN202110333169.9A 2021-03-29 2021-03-29 基于光电阵列增强信号多特征提取的连续血压测量方法 Pending CN112998676A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110333169.9A CN112998676A (zh) 2021-03-29 2021-03-29 基于光电阵列增强信号多特征提取的连续血压测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110333169.9A CN112998676A (zh) 2021-03-29 2021-03-29 基于光电阵列增强信号多特征提取的连续血压测量方法

Publications (1)

Publication Number Publication Date
CN112998676A true CN112998676A (zh) 2021-06-22

Family

ID=76408645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110333169.9A Pending CN112998676A (zh) 2021-03-29 2021-03-29 基于光电阵列增强信号多特征提取的连续血压测量方法

Country Status (1)

Country Link
CN (1) CN112998676A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113647905A (zh) * 2021-07-13 2021-11-16 广东省科学院健康医学研究所 深度神经网络预测血压的训练方法、计算机装置和存储介质
CN115553745A (zh) * 2022-11-02 2023-01-03 济南大学 基于机器学习的血液容积脉搏波信号增强方法及系统
CN115956889A (zh) * 2022-12-05 2023-04-14 出门问问信息科技有限公司 一种血压监测方法、装置及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113647905A (zh) * 2021-07-13 2021-11-16 广东省科学院健康医学研究所 深度神经网络预测血压的训练方法、计算机装置和存储介质
CN115553745A (zh) * 2022-11-02 2023-01-03 济南大学 基于机器学习的血液容积脉搏波信号增强方法及系统
CN115956889A (zh) * 2022-12-05 2023-04-14 出门问问信息科技有限公司 一种血压监测方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN112998676A (zh) 基于光电阵列增强信号多特征提取的连续血压测量方法
CN108498089B (zh) 一种基于深度神经网络的无创连续血压测量方法
US20190295729A1 (en) Universal non-invasive blood glucose estimation method based on time series analysis
EP4122382A1 (en) Blood pressure prediction method and device using multiple data sources
CN100457023C (zh) 一种基于提升小波的脉搏信号处理方法
CN109907752A (zh) 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统
CN112998690B (zh) 一种基于脉搏波多特征融合的呼吸率提取方法
CN109833034A (zh) 一种脉搏波信号中提取血压数据的方法及装置
CN112788200B (zh) 频谱信息的确定方法及装置、存储介质、电子装置
CN111248879A (zh) 一种基于多模态注意力融合的高血压老年人活动分析方法
CN113116321A (zh) 基于pso-grnn神经网络的无创连续血压测量系统
CN111772669A (zh) 基于自适应长短时记忆网络的肘关节收缩肌力估计方法
CN118044826B (zh) 一种基于时频分析的跨被试脑电信号对齐方法及相关设备
CN117357079A (zh) 基于个体校正的人体血压测量方法
CN115905819B (zh) 基于生成对抗网络的rPPG信号生成方法及装置
Reddy et al. Optimization Driven Spike Deep Belief Neural Network classifier: a deep-learning based Multichannel Spike Sorting Neural Signal Processor (NSP) module for high-channel-count Brain Machine Interfaces (BMIs)
CN116049674A (zh) 一种基于生成对抗网络的有创血压波形估计的方法及系统
CN116702056A (zh) 一种基于深度学习的心率变异性特征分析方法
CN116644353A (zh) 非接触式心率测量方法和装置
CN113940638B (zh) 基于频域双特征融合的脉搏波信号识别分类方法
CN109620198A (zh) 心血管指数检测、模型训练方法及装置
CN114617536A (zh) 一种血压预测方法、装置和计算机可读存储介质
CN108403100A (zh) 基于振荡波波形包络特征的血压计算方法
CN114869249A (zh) 脉搏波特征参数的获取方法、装置、电子设备及介质
CN114118157A (zh) 一种基于植物电信号的光照信息诊断方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210622