CN113208578B - 血液灌注信号分离模型训练方法及设备 - Google Patents

血液灌注信号分离模型训练方法及设备 Download PDF

Info

Publication number
CN113208578B
CN113208578B CN202110574947.3A CN202110574947A CN113208578B CN 113208578 B CN113208578 B CN 113208578B CN 202110574947 A CN202110574947 A CN 202110574947A CN 113208578 B CN113208578 B CN 113208578B
Authority
CN
China
Prior art keywords
signal
neural network
electrical impedance
blood perfusion
network model
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
Application number
CN202110574947.3A
Other languages
English (en)
Other versions
CN113208578A (zh
Inventor
管明涛
张昕
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.)
Beijing Huarui Boshi Medical Imaging Technology Co Ltd
Original Assignee
Beijing Huarui Boshi Medical Imaging Technology Co Ltd
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 Beijing Huarui Boshi Medical Imaging Technology Co Ltd filed Critical Beijing Huarui Boshi Medical Imaging Technology Co Ltd
Priority to CN202110574947.3A priority Critical patent/CN113208578B/zh
Publication of CN113208578A publication Critical patent/CN113208578A/zh
Application granted granted Critical
Publication of CN113208578B publication Critical patent/CN113208578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0536—Impedance imaging, e.g. by tomography
    • 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

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)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Signal Processing (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明提供一种血液灌注信号分离模型训练方法及设备，所述方法包括获取训练数据，包括屏息状态下的电阻抗信号和自主呼吸时的电阻抗信号，及相应的标签信息；利用所述训练数据训练组合模型，所述组合模型包括第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于对输入的电阻抗信号进行判别，输出判别结果，所述第二神经网络模型用于从所述自主呼吸时的电阻抗信号中分离出血液灌注信号；根据所述判别结果与所述标签信息的差异，以及分离出的血液灌注信号与所述自主呼吸时的电阻抗信号的差异优化所述组合模型的参数。

Description

血液灌注信号分离模型训练方法及设备
技术领域
本发明涉及电信号识别领域，具体涉及一种血液灌注信号分离模型训练方法及设备。
背景技术
在医学成像领域中，电阻抗成像（Electrical Impedance Tomography, EIT）是通过给人体施加小的安全驱动电流/电压，驱动电流或电压在人体的测量响应信息，重建人体内部的电阻率分布或其变化的图像。
人体在正常呼吸下所测量的响应信号即电阻抗信号，实际上是血液灌注信号和呼吸信号的叠加，为了实现各种监测或诊断，通常需要从此信号中分离出血液灌注信号。
目前从电阻抗成像信号中分离血液灌注信号的方法包括频域滤波法、基于主成分分析的方法等。频域滤波法采用具有特定截止频率的滤波器对信号进行滤波来分离血液灌注信号。这种方法的缺点包括：（1）需要利用病人的心率信息；（2）难以处理通气信号和血液灌注信号在频域重叠的情况；（3）对噪声的抑制效果较差。基于主成分分析的方法首先利用主成分分析生成一系列时域的模板，然后通过利用这些模板对信号进行时域滤波来分离血液灌注信号。这种方法的缺点包括：（1）需要利用病人的心率信息；（2）主成分分析的计算量大，对计算机计算能力的要求高。
发明内容
有鉴于此，本发明提供一种血液灌注信号分离模型训练方法，包括：
获取训练数据，包括屏息状态下的电阻抗信号和自主呼吸时的电阻抗信号，及相应的标签信息；
利用所述训练数据训练组合模型，所述组合模型包括第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于对输入的电阻抗信号进行判别，输出判别结果，所述第二神经网络模型用于从所述自主呼吸时的电阻抗信号中分离出血液灌注信号；根据所述判别结果与所述标签信息的差异，以及分离出的血液灌注信号与所述自主呼吸时的电阻抗信号的差异优化所述组合模型的参数。
可选地，利用所述训练数据训练组合模型具体包括：
利用所述训练数据训练第一神经网络模型，所述第一神经网络模型用于对输入的电阻抗信号进行判别，输出判别结果，根据所述判别结果与所述标签信息的差异优化参数；
利用所述训练数据中的自主呼吸时的电阻抗信号训练组合模型，其中所述第一神经网络模型被配置为使用优化后的参数且被固定，所述第二神经网络模型用于从所述自主呼吸时的电阻抗信号中分离出血液灌注信号，所述第一神经网络模型用于对分离出血液灌注信号进行判别，输出判别结果；根据所述判别结果与所述标签信息的差异，以及分离出的血液灌注信号与所述自主呼吸时的电阻抗信号的差异优化所述组合模型的参数。
可选地，在利用所述训练数据中的自主呼吸时的电阻抗信号训练组合模型的步骤中，使用以所述训练数据中的自主呼吸时的电阻抗信号和第二神经网络模型分离出的血液灌注信号作为输入的损失函数。
可选地，所述损失函数为
Figure DEST_PATH_IMAGE001
，
其中
Figure 832413DEST_PATH_IMAGE002
表示所述组合模型的可被优化的参数，
Figure DEST_PATH_IMAGE003
表示交叉熵函数，
Figure 621378DEST_PATH_IMAGE004
为求信号能量的函数，
Figure DEST_PATH_IMAGE005
表示第一神经网络模型函数，
Figure 159544DEST_PATH_IMAGE006
表示第二神经网络模型分离出的血液灌注信号，
Figure DEST_PATH_IMAGE007
表示所述训练数据中的自主呼吸时的电阻抗信号，
Figure 666749DEST_PATH_IMAGE008
为预设权重。
可选地，第二神经网络模型分离出的血液灌注信号与所述训练数据中的自主呼吸时的电阻抗信号长度相同。
可选地，所述训练数据中的电阻抗信号长度大于或等于15秒。
本发明还提供一种血液灌注信号分离方法，包括：
获取患者自主呼吸时的电阻抗信号；
利用神经网络模型从所述自主呼吸时的电阻抗信号中分离出血液灌注信号，所述神经网络模型是利用包括屏息状态下的电阻抗信号和自主呼吸时的电阻抗信号，及相应的标签信息的训练数据进行训练后的神经网络模型。
可选地，利用神经网络模型从所述自主呼吸时的电阻抗信号中分离出血液灌注信号，包括：
将患者自主呼吸时的电阻抗信号分割为预设长度的信号片段；
将所述信号片段作为所述神经网络模型的输入数据，得到分离出的血液灌注信号片段。
相应地，本发明提供一种血液灌注信号分离模型训练设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述血液灌注信号分离模型训练方法。
相应地，一种血液灌注信号分离设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述血液灌注信号分离方法。
根据本发明提供的血液灌注信号分离方法及设备，在分离血液灌注信号时无需利用心率信息。另外，利用端到端的神经网络模型来进行血液灌注信号分离，借助深度学习硬件可以实现快速实时的信号分离。相比于频域滤波法、基于主成分分析的方法等现有技术，本方案具有更强的便利性，且响应速度更快。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的血液灌注信号分离模型结构示意图；
图2为利用本发明实施例提供的方法对信号的分离结果示意图。
具体实施方式
下面将结合附图对本发明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。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种血液灌注信号分离方法，本方法可以由计算机或服务器等电子设备执行，包括如下步骤：
获取患者自主呼吸时的电阻抗信号。具体可通过环绕患者胸部体表布置的多个电极，连续地向由多个电极组成的每对电极输送交流电或交流电压，接收其余的电极的电压信号或电流信号作为响应数据，从而获取电阻抗信号。
利用神经网络模型从自主呼吸时的电阻抗信号中分离出血液灌注信号，本实施例所使用的神经网络模型是利用包括屏息状态下的电阻抗信号和自主呼吸时的电阻抗信号，及相应的标签信息的训练数据进行训练后的神经网络模型，具体可以是人工神经网络（Artificial Neural Network, ANN）或者卷积神经网络（Convolutional NeuralNetwork, CNN）。
关于训练数据，可以理解为包括两种样本，第一种样本是人体自主呼吸时的电阻抗信号，此信号是血液灌注信号和呼吸信号的叠加信号；第二种样本是人体屏息状态下的电阻抗信号，此信号是单独的血液灌注信号。这两种样本被配置为不同的标签，比如“真”和“假”，分别用“1”和“0”表示。训练过程中，神经网络模型的任务被配置为从第一种样本中分离血液灌注信号，而第二种样本的作用是使模型学习到真实的血液灌注信号的特征，从而使分离的结果更加准确。使用大量的训练数据对神经网络模型进行训练并收敛后，该模型即可从自主呼吸时的电阻抗信号中准确且快速地分离出血液灌注信号。
实际应用时，通常需要持续较长时间采集患者自主呼吸状态下的电阻抗信号，比如持续几分钟或者更长，并实时地得到分离结果。而在训练神经网络模型时，为了提高模型性能及训练效率，所采用的训练数据是较短的信号片段，比如十几秒或者更短。因此在一个可选的实施例中，在获取患者自主呼吸状态下的电阻抗信号时，可以实时地将连续的电阻抗信号分割成较短的片段，分割的长度与训练时所采用的训练数据的长度一致，在优选的实施例中此预设长度是15秒。
神经网络模型实际的输入数据是预设长度的信号片段，其输出的是相应的血液灌注信号片段。之后可以将输出的信号片段拼接成连续的血液灌注信号作为结果呈现给用户。图2示出了多个分离结果示意图，其中虚线表示人体自主呼吸状态下的电阻抗信号，实线表示利用神经网络模型分离出的血液灌注信号。
根据本发明实施例提供的血液灌注信号分离方法，在分离血液灌注信号时无需利用心率信息。另外，利用端到端的神经网络模型来进行血液灌注信号分离，借助深度学习硬件可以实现快速实时的信号分离。相比于频域滤波法、基于主成分分析的方法等现有技术，本方案具有更强的便利性，且响应速度更快。
下面详细介绍一种血液灌注信号分离模型训练方法，本方法可用于训练上述神经网络模型，但下面介绍的训练方法及模型结构只是一些可行的实施方式，并非唯一的实施方式。
首先获取训练数据，包括屏息状态下的电阻抗信号和自主呼吸时的电阻抗信号，及相应的标签信息。在具体的实施例中，招募了若干受试者，对每一位受试者进行电阻抗测量。在测量过程中，受试者首先进行一段时间的自主呼吸，然后进行一段时间的屏气。本实施例获取大量的训练数据，且这些训练数据来自多个不同的个体。
更具体的，在测量过程中受试者首先进行120秒的自主呼吸，然后进行30秒的屏气。为了提高训练效率，本实施例将自主呼吸数据和屏气数据分别分割为长度为15秒的信号片段，作为训练数据。在其它实施例中，也可截取更长或更短时间的信号片段。
如图1所示，本实施例采用一个组合模型，组合模型包括第一神经网络模型11（判别器）和第二神经网络模型12（分离器），第二神经网络模型12用于从自主呼吸时的电阻抗信号（训练数据）中分离出血液灌注信号，分离出的血液灌注信号与训练数据中的自主呼吸时的电阻抗信号长度相同；第一神经网络模型用于对输入的电阻抗信号（训练数据和第二神经网络模型12输出的分离结果）进行判别，输出判别结果，比如“真”和“假”。
利用训练数据训练组合模型，训练过程中根据第一神经网络模型11输出的判别结果与相应的训练数据的标签信息的差异，以及第二神经网络模型12分离出的血液灌注信号与自主呼吸时的电阻抗信号（训练数据）的差异优化组合模型的参数（主要指神经网络中可被优化的权值）。
优化参数的目标是使第一神经网络模型11准确识别输入数据是否为血液灌注信号，并使第二神经网络模型12准确地从自主呼吸时的电阻抗信号中分离出血液灌注信号。其中，第一神经网络模型11能够从训练数据中学习屏气状态下的信号特征与自主呼吸状态下的信号特征，从而具备辨识能力；第二神经网络模型12专注于从训练数据中的自主呼吸状态下的信号中分离信号，由第一神经网络模型11判别其输出的结果是否属于血液灌注信号，判别结果被用于优化第二神经网络模型12的参数，以使其分离结果更准确（将判别器的判别损失作为约束来训练分离器）。
在优选的实施例中，采用如下方式训练组合模型：
首先利用训练数据训练第一神经网络模型11，第一神经网络模型对输入的电阻抗信号进行判别，输出判别结果，根据所述判别结果与所述标签信息的差异优化参数，训练时可以采用二进制交叉熵损失函数。在本步骤中使用全部种类的信号，即包括自主呼吸的信号和屏气状态的信号及其标签信息。本步骤不需要第二神经网络模型12参与训练过程。
然后再利用训练数据中的自主呼吸时的电阻抗信号这一种样本训练组合模型。在本步骤中两个神经网络模型参与训练过程，第一神经网络模型11被配置为使用优化后（经过上一步骤的优化）的参数且被固定，本步骤不再改变其参数。第二神经网络模型12从自主呼吸时的电阻抗信号中分离出血液灌注信号，第一神经网络模型11对分离出血液灌注信号进行判别，输出判别结果。
根据判别结果与标签信息的差异，以及分离出的血液灌注信号与自主呼吸时的电阻抗信号的差异优化组合模型的参数（除第一神经网络模型11的参数以外可被优化的参数）。
进一步地，在利用训练数据中的自主呼吸时的电阻抗信号训练组合模型的步骤中，使用以训练数据中的自主呼吸时的电阻抗信号和第二神经网络模型分离出的血液灌注信号作为输入的损失函数。
作为优选的实施例，损失函数为
Figure 941873DEST_PATH_IMAGE001
，
其中
Figure 195131DEST_PATH_IMAGE002
表示组合模型的可被优化的参数，
Figure 530297DEST_PATH_IMAGE003
表示交叉熵函数，
Figure 728060DEST_PATH_IMAGE004
为求信号能量的函数，
Figure 806875DEST_PATH_IMAGE005
表示第一神经网络模型（判别器）函数，
Figure 101590DEST_PATH_IMAGE006
表示第二神经网络模型分离出的血液灌注信号，
Figure 715979DEST_PATH_IMAGE007
表示训练数据中的自主呼吸时的电阻抗信号，
Figure 666618DEST_PATH_IMAGE008
为预设权重。
Figure DEST_PATH_IMAGE009
是用于调节二进制交叉熵函数和能量函数之间相对权重的参数，具体可根据需求进行设置。
Figure 283544DEST_PATH_IMAGE003
和
Figure 432766DEST_PATH_IMAGE004
可替换为其它类似的函数，尤其是
Figure 375314DEST_PATH_IMAGE004
函数，本实施例中使用了能量约束，但本领域的技术人员应当明白，除了能量约束外，还可以是其他各种可行的约束。
作为举例，第一神经网络模型11（判别器）采用具有4个卷积层和1个全连接层的卷积神经网络；第二神经网络模型12（分离器）采用具有8个卷积层的卷积神经网络；训练判别器时，优化器采用Adam（Adaptive moment estimation），学习率设置为0.001，迭代步数设置为50，批大小设置为128；训练组合模型时，参数λ设置为0.03，优化器采用Adam，学习率设置为0.001，迭代步数设置为50，批大小设置为128。
训练完成后，第二神经网络模型12（分离器）即可用于从自主呼吸状态下的电阻抗信号中分离出血液灌注信号，在应用于分离处理时不再需要使用第一神经网络11。
本发明中首先训练第一神经网络模型11（判别器），然后训练组合模型；在训练组合模型时，固定第一神经网络模型11已优化好的参数，只训练第二神经网络模型12（分离器）。这种训练方法的优点在于训练过程稳定、收敛速度快。理论上，也可以将第一神经网络模型11和第二神经网络模型12同时进行训练，比如采用生成对抗网络（GenerativeAdversarial Nets, GAN）模型及相应的训练方法。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种血液灌注信号分离模型训练方法，其特征在于，包括：
获取训练数据，包括屏息状态下的电阻抗信号和自主呼吸时的电阻抗信号，及相应的标签信息；
利用所述训练数据训练组合模型，所述组合模型包括第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于对输入的电阻抗信号进行判别，输出判别结果，所述第二神经网络模型用于从所述自主呼吸时的电阻抗信号中分离出血液灌注信号；根据所述判别结果与所述标签信息的差异，以及分离出的血液灌注信号与所述自主呼吸时的电阻抗信号的差异优化所述组合模型的参数。
2.根据权利要求1所述的方法，其特征在于，利用所述训练数据训练组合模型具体包括：
利用所述训练数据训练第一神经网络模型，所述第一神经网络模型用于对输入的电阻抗信号进行判别，输出判别结果，根据所述判别结果与所述标签信息的差异优化参数；
利用所述训练数据中的自主呼吸时的电阻抗信号训练组合模型，其中所述第一神经网络模型被配置为使用优化后的参数且被固定，所述第二神经网络模型用于从所述自主呼吸时的电阻抗信号中分离出血液灌注信号，所述第一神经网络模型用于对分离出血液灌注信号进行判别，输出判别结果；根据所述判别结果与所述标签信息的差异，以及分离出的血液灌注信号与所述自主呼吸时的电阻抗信号的差异优化所述组合模型的参数。
3. 根据权利要求2所述的方法，其特征在于，在利用所述训练数据中的自主呼吸时的电阻抗信号训练组合模型的步骤中，使用以所述训练数据中的自主呼吸时的电阻抗信号和第二神经网络模型分离出的血液灌注信号作为输入的损失函数。
4.根据权利要求3所述的方法，其特征在于，所述损失函数为
Figure DEST_PATH_IMAGE002
，
其中
Figure DEST_PATH_IMAGE004
表示所述组合模型的可被优化的参数，
Figure DEST_PATH_IMAGE006
表示交叉熵函数，
Figure DEST_PATH_IMAGE008
为求信号能量的函数，
Figure DEST_PATH_IMAGE010
表示第一神经网络模型函数，
Figure DEST_PATH_IMAGE012
表示第二神经网络模型分离出的血液灌注信号，
Figure DEST_PATH_IMAGE014
表示所述训练数据中的自主呼吸时的电阻抗信号，
Figure DEST_PATH_IMAGE016
为预设权重。
5.根据权利要求1-4中任一项所述的方法，其特征在于，第二神经网络模型分离出的血液灌注信号与所述训练数据中的自主呼吸时的电阻抗信号长度相同。
6.根据权利要求1-4中任一项所述的方法，其特征在于，所述训练数据中的电阻抗信号长度大于或等于15秒。
7.一种血液灌注信号分离方法，其特征在于，包括：
获取患者自主呼吸时的电阻抗信号；
利用神经网络模型从所述自主呼吸时的电阻抗信号中分离出血液灌注信号，所述神经网络模型是利用包括屏息状态下的电阻抗信号和自主呼吸时的电阻抗信号，及相应的标签信息的训练数据进行训练后的神经网络模型。
8.根据权利要求7所述的方法，其特征在于，利用神经网络模型从所述自主呼吸时的电阻抗信号中分离出血液灌注信号，包括：
将患者自主呼吸时的电阻抗信号分割为预设长度的信号片段；
将所述信号片段作为所述神经网络模型的输入数据，得到分离出的血液灌注信号片段。
9.一种血液灌注信号分离模型训练设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-6中任一项所述的血液灌注信号分离模型训练方法。
10.一种血液灌注信号分离设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求7或8所述的血液灌注信号分离方法。
CN202110574947.3A 2021-05-26 2021-05-26 血液灌注信号分离模型训练方法及设备 Active CN113208578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110574947.3A CN113208578B (zh) 2021-05-26 2021-05-26 血液灌注信号分离模型训练方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110574947.3A CN113208578B (zh) 2021-05-26 2021-05-26 血液灌注信号分离模型训练方法及设备

Publications (2)

Publication Number Publication Date
CN113208578A CN113208578A (zh) 2021-08-06
CN113208578B true CN113208578B (zh) 2022-04-26

Family

ID=77098502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110574947.3A Active CN113208578B (zh) 2021-05-26 2021-05-26 血液灌注信号分离模型训练方法及设备

Country Status (1)

Country Link
CN (1) CN113208578B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030216664A1 (en) * 2000-06-09 2003-11-20 Suarez Fernando Sipmann Method and apparatus for displaying information obtained by electrical impedance tomography data
CN105212929A (zh) * 2014-06-25 2016-01-06 德尔格制造股份两合公司 用于处理断层摄影数据的装置和方法
CN111067521A (zh) * 2019-12-31 2020-04-28 北京华睿博视医学影像技术有限公司 基于电阻抗成像的三维血液灌注图像产生方法与装置
US20200221970A1 (en) * 2017-06-28 2020-07-16 Drägerwerk AG & Co. KGaA Device and method for processing and visualizing data relating to cardiac and pulmonary circulation, obtained by means of an electrical impedance tomography device
CN112057073A (zh) * 2020-09-08 2020-12-11 北京华睿博视医学影像技术有限公司 呼吸及血液灌注图像同步生成方法、设备和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030216664A1 (en) * 2000-06-09 2003-11-20 Suarez Fernando Sipmann Method and apparatus for displaying information obtained by electrical impedance tomography data
CN105212929A (zh) * 2014-06-25 2016-01-06 德尔格制造股份两合公司 用于处理断层摄影数据的装置和方法
US20200221970A1 (en) * 2017-06-28 2020-07-16 Drägerwerk AG & Co. KGaA Device and method for processing and visualizing data relating to cardiac and pulmonary circulation, obtained by means of an electrical impedance tomography device
CN111067521A (zh) * 2019-12-31 2020-04-28 北京华睿博视医学影像技术有限公司 基于电阻抗成像的三维血液灌注图像产生方法与装置
CN112057073A (zh) * 2020-09-08 2020-12-11 北京华睿博视医学影像技术有限公司 呼吸及血液灌注图像同步生成方法、设备和系统

Also Published As

Publication number Publication date
CN113208578A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN112656427B (zh) 一种基于维度模型的脑电信号情绪识别方法
Maier et al. DeepFlow: Detecting optimal user experience from physiological data using deep neural networks.
Povinelli et al. Time series classification using Gaussian mixture models of reconstructed phase spaces
Zabihi et al. Patient-specific seizure detection using nonlinear dynamics and nullclines
DK2642914T3 (en) Analysis of EEG signals to detect hypoglycemia
CN107837082A (zh) 基于人工智能自学习的心电图自动分析方法和装置
CN114041795B (zh) 基于多模态生理信息与深度学习的情绪识别方法及系统
Wu et al. Offline EEG-based driver drowsiness estimation using enhanced batch-mode active learning (EBMAL) for regression
Sargolzaei et al. A new method for Foetal Electrocardiogram extraction using Adaptive Nero-Fuzzy Interference System trained with PSO algorithm
Spangler et al. Fractal features for automatic detection of dysarthria
CN111920420A (zh) 一种基于统计学习的患者行为多模态分析与预测系统
De Falco et al. Deep neural network hyper-parameter setting for classification of obstructive sleep apnea episodes
Liang et al. Obstructive sleep apnea detection using combination of CNN and LSTM techniques
CN114847905B (zh) 一种心率失常数据检测识别方法及系统
CN115329818A (zh) 基于vr的多模态融合注意力评估方法、系统及存储介质
CN115969369A (zh) 一种大脑任务负荷识别方法、应用及设备
Johns et al. Force modelling of upper limb biomechanics using ensemble fast orthogonal search on high-density electromyography
CN113208578B (zh) 血液灌注信号分离模型训练方法及设备
Sanchez et al. Student’s executive function assessment tool Using convolutional neural network
CN112057073A (zh) 呼吸及血液灌注图像同步生成方法、设备和系统
Wickramaratne et al. Lstm based gan networks for enhancing ternary task classification using fnirs data
Pakistan Canonical correlation analysis and neural network (CCA-NN) based method to detect epileptic seizures from EEG signals
Rozo et al. Controlled Breathing Effect on Respiration Quality Assessment Using Machine Learning Approaches
CN114305454A (zh) 基于域对抗神经网络的疲劳状态识别方法及装置
Swami et al. SVM based automated EEG seizure detection using ‘Coiflets’ wavelet packets

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