CN113598734A - 一种基于深度神经网络模型的无袖带血压预测方法 - Google Patents

Abstract

本发明公开了一种基于深度神经网络模型的无袖带血压预测方法，包括：获取包括脉搏波信号和心电信号的数据集；对获取到的脉搏波信号和心电信号进行预处理，获得可用信号；所述预处理包括信号滤波、定长切割、峰值切割/波谷切割、重采样和获取标签值；将所述可用信号输入深度神经网络模型，获得预测的收缩压值和舒张压值；所述深度神经网络模型包括依次连接的卷积适应层、带有压缩激励模块的残差网络和全连接层；所述卷积适应层的输入为所述可用信号；所述全连接层的输出为所述收缩压值和舒张压值。本发明通过对脉搏波信号和心电信号进行分析，实现对连续动态血压值进行无袖带预测。

Description

一种基于深度神经网络模型的无袖带血压预测方法

技术领域

本发明属于生物信号处理领域，具体涉及一种基于深度神经网络模型的无袖带血压预测方法。

背景技术

高血压是导致大多数心血管疾病的主要因素，血压评估和动态检测对于及时了解高血压的发病情况具有重要意义。在对血压估计的研究中，现有的有袖带血压测量不能得到连续的血压值。所以，基于无袖带测量的血压连续估计技术成为了当前的一个技术研究热点。大量研究证明，使用光电体积描记图(plethysmography)和心电图(electrocardiogram)信号的组合输入可以有效地预测动态血压(ambulatory bloodpressure)。脉搏到达时间(pulse arrival time)的定义是在特定时间内内从心电信号的r峰到脉搏波的下一个谷值的时间延迟。脉搏波传导速度(pulse wave velocity)、脉搏传导时间(pulse transit time)、脉搏到达时间也用于与血压建立复杂的线性或非线性关系，从而计算动态血压值。

现有的技术包括了直接对血压与脉搏波传导时间或脉搏波传导速度做线性回归，这种直接的方法往往因为波形的特定点定位不够准确造成预测误差较大。使用滤波后的信号虽然能在一定程度上缓解这种情况，但由于简单的线性、非线性模型不足以评估复杂的血压变化规律，这种方法的性能往往不佳。

对于机器学习在此领域的应用上，早期的实验结论发现使用人为标定的带有医学含义的特征点作为模型的输入往往能够达到较好的预测精度。但由于需人工标定特征点提取位置，且需要具有一定的生物医学信号知识，故这种方法的代价过高。

目前在无袖带血压估计领域中，使用最广泛的组合结构是基于特征提取和时间相关性的模型。如全连接/卷积神经网络-循环神经网络/长短期记忆网络(单/双向)这类的组合搭配。由于基于前后序的特征输入和带有时序相关性，这种模型搭配容易受到波形不稳定的影响造成预测不准确，且被测样本容量往往比较低。

发明内容

为解决无袖带血压估计因依靠时序网络而具有的样本容量数较低、易受整体波形基线漂移和高频噪声影响的问题，本发明提供了一种基于深度神经网络模型的无袖带血压预测方法，在含有较多人数的数据集上通过脉搏波信号和心电信号对动态血压值进行稳定而可靠的预估。

本发明采用如下技术方案：

一种基于深度神经网络模型的无袖带血压预测方法，包括：

步骤一，信号预处理。

A，训练数据集构建：

从数据库中提取被测者的数据，其中包含大量波形信息。由于每个样本的血流动力学信息是唯一的，通过观察分析周期形态也证实了相同的血压值可能对应不同的波形信息。因此，每个受试者将提供部分数据用于训练。这种分类方法保证了模型能够从每个受试者中提取够的波形特征信息。

B，信号预处理：

由于脉搏波、心电信号波形中含有较多的高低频噪音以及每个人在特定时间内所截取的信号周期不同的问题，需对生物信号进行预处理。

步骤B1，信号滤波，包括滤除高频噪声和低频噪声(基线漂移)。

步骤B2，信号定长切割。

步骤B3，对步骤B2中的定长切割信号再进行峰值切割以及重采样。

步骤B4，取步骤B3中的峰值切割信号范围计算对应血压值作为模型标签。

上述步骤B1中，滤波的方法可选用低通、高通滤波组合方法，也可直接选用带通滤波方法。在进一步滤除噪声的过程中，可采用小波变换或平滑滤波的方法对剩余噪声进行进一步过滤,使信号更加光滑。

上述步骤B2中，要选取合适的定长窗口大小对波形信号进行切割，具体窗口大小根据重采样数所决定，通常采用固定点不重叠的窗口效果较好。

上述步骤B3中，对从B2得到定长信号，每固定峰值数做一次峰值切割。每次得到两组带有固定波峰数的(分别是脉搏波、心电信号)信号片段。

上述步骤B4中取B3标定的峰值范围，由于脉搏波和心电信号的峰值不一定吻合，故范围应设定在步骤B3中峰值范围的并集。在这个并集中对动态血压值取波峰和波谷处即收缩压、舒张压，作为模型的标签值。

步骤二，深度神经网络模型的构建：

模型主要分为三大部分，包括卷积神经网络-适应层模块(产生输入)、带有压缩激励模块的残差网络模块(特征抽取)以及全连接层(产生输出)。由于能够通过卷积适应层调整卷积感受野以及参数，这种复合的模型结构可以有效的利用带有压缩激励模块的残差网络增强模型在实时信号提取特征的能力，并且可以调整合适的层数以适应信号的复杂度。

C.卷积神经网络-适应层模块(产生输入)：

残差网络结构一般用来处理长宽一致的输入信号，因此输入需要适应固定的格式。本次设计使用的卷积适应层主要包含卷积层、批处理标准化层和最大池化层。适应层的卷积核大小需要根据脉搏波和心电信号的特征点长度来调整。具体的大小由重采样点确定，即感受野应该尽可能的包含这两种信号的特征点。

D.带有压缩激励模块的残差网络结构(特征抽取)：

残差网络最初被设计用于处理图像分类问题，因此需要步骤C中的适应层以产生合适的输出格式。压缩激励模块不是一个完整的网络结构，是一种注意力机制，可以提高通道之间的相互依赖性，是提升卷积神经网络模块特征提取能力的有效途径。利用带有压缩激励模块的残差网络结构，基于全局信息的通道权重被重新分配，它选择性地增强有用信息并抑制无用信息。

E.全连接层(产生输出)：

由特征提取层产生的输出不能直接用于误差计算，需要对输出进行进一步整合，使用全连接对步骤D产生的特征数据进行整合。

上述步骤E中，全连接的输出维度为2，分别对应收缩压、舒张压值。

步骤三，模型训练结果分析

通过对模型预测值与真实血压测量值进行比较来对模型的训练结果进行评估，以达到预测要求的准确度。

本发明的有益效果如下：

(1)本发明提出了一种新的信号预处理手段，具体的方法为使用先定长切割、再峰值切割/波谷切割，先定长切割的优点在于可有效的防止异常点对整段信号的影响,随后再使用峰值切割/波谷切割方法在定长信号中进一步处理；每个可用的信号片段为包含固定峰值数量的周期信号，这种可用信号的组合作为模型的最终输入；

(2)本发明搭建了一种完全基于实时波形图信息的模型框架，本发明对切割后的输入信号片段进行独立处理分析，即完全忽略不同信号片段的上下时序相关性，使得输出结果不易受到生物信号中噪声多的影响；

(3)本发明提出的深度神经网络模型对无袖带动态血压进行预测，深度神经网络模型采取了卷积适应层、带有压缩激励模块的残差网络和全连接层网络结构，实现对无袖带血压测量的精度进一步提升；在卷积适应层中通过调整感受野使模型能够完全提取到脉搏波和心电信号的特征点；将提取到的特征信息进一步送入带有压缩激励模块的残差网络结构中，这种设计不仅可以通过灵活调整模型层数有效防止输入信号的过拟合，并且可以加强模型提取特征的能力，使其不依靠时序信息，只依靠当前输入的波形信息就可以在含有大量被测者的数据集中表现稳定。

以下结合附图及实施例对本发明作进一步详细说明，但本发明的一种基于深度神经网络模型的无袖带血压预测方法不局限于实施例。

附图说明

图1为本发明实施例的基于深度神经网络模型的无袖带血压预测方法的处理流程图；

图2为本发明实施例的基于深度神经网络模型的无袖带血压预测方法的框架流程图；

图3为本发明实施例的神经网络模型收缩压与舒张压预测值与真实值相关性结果比较图；其中，(a)表示收缩压的预测值与真实值相关性结果比较；(b)表示舒张压的预测值与真实值相关性结果比较；

图4为本发明实施例的神经网络模型收缩压与舒张压预测值与真实值箱形图对比图；其中，(a)表示收缩压的预估值与真实值的箱形图对比；(b)表示舒张压的预估值与真实值的箱形图对比；盒中横线为统计数据中的中位数，十字形标志为数据中的异常值点。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。应当说明的是，此处所述具体实施例仅用于方便说明和解释本发明的具体实施方式，并不用于限定本发明。

为了使本发明的目的、技术方案更加清晰明了，以下结合附图以及案例，对本发明进行进一步说明。应当理解，此处所描述的案例仅用于解释本发明，并不用于限定本发明。

本发明实施例的数据集采集自Multiparameter Intelligent Monitoring inIntensive Care(MIMIC-II)数据库。所述数据库中包括通过可穿戴设备和/或医疗监控设备收集的脉搏波信号和心电信号的数据集。

参见图1和图2所示，本发明一种基于深度神经网络模型的无袖带血压预测方法，主要包含以下步骤：

步骤一，信号预处理。

A，数据集的构建：

数据集被分为训练集和测试集。从数据库中提取包含1200人的数据集，每个被测者的数据集均足够长以满足训练集和测试集的分割要求。训练集和测试集均包含每个人的数据，但这些数据均没有重合。每个被测者的数据集被分成70％和30％的片段分别放入训练集和测试集。

本发明通过训练集对深度神经网络模型进行训练，训练完成后，基于训练好的深度神经网络模型对测试集进行验证。

B，脉搏波/心电信号信号预处理。

进行深度学习前对信号进行信号滤波、定长切割、峰值切割、等预处理过程。它的具体步骤如下：

步骤B1，对原始信号波形进行低通、高通组合滤波。后用小波变换使信号变得更加光滑，防止噪声影响模型的学习。

步骤B2，在样本集中抽取训练信号，每1000个定长采样点做一次信号切割动作。原始采样率为125Hz，本次采用每1000个点切割一次的方案，因此每次切割表示脉搏波和心电信号信号的8秒片段长度。若每2000个点切割则对应16秒，以此类推。

步骤B3，在步骤B2中，存在对应于心电信号的r峰和脉搏波的收缩峰的连续峰。每三个峰值提取一段信号用于下一预处理阶段。信号中所取的波峰个数是可变的如3，4，5等。随后对信号进行512个点的重采样、重采样点也可根据模型的输入任意调整，如512、1024等，随后进行归一化处理。

步骤B4，利用一个周期内脉搏波和心电信号的最大范围来提取动态血压的边界。其中x1…xn代表脉搏波的采样点范围，z1…zn代表心电信号的采样点范围。则动态血压的提取边界为[min(x1，z1)，max(xn，zn)]

上述步骤B2中，首先进行定长分割的原因是为了防止个别异常点所带来的全局峰值提取错误，使用这种切割方法可以将异常点的影响降至最低。

上述步骤B3中，峰值切割时的选峰数量是人为决定的，也可选择波谷切割的方式对信号进行预处理。

上述步骤B4中，这种动态血压的提取方法可以尽可能的保证标签值与输入信号的一一对应关系。

步骤二，深度神经网络模型的构建

C.卷积神经网络-适应层模块(产生输入)：

卷积层的具体参数由重采样点决定，由于使用了512个重采样点其中含有三个波峰信息，为了保证每个波峰尽可能的被纳入卷积感受野。每次输入到模型的可用信号个数为32。将输入信号视作在一个通道上的二维序列，本次卷积窗口采用64*2，步长为2，输入通道为1，输出通道为57。最大池化的卷积核为3*3，步长为2。最终产生的喂给下一层网络的输入大小为批次训练数量(batchsize)*1*114*114。激活函数为ReLu。

上述步骤C中，可能由于设置不同的重采样点而造成卷积适应层的输出通道或最大池化层的大小发生变化。激活函数可更换为sigmoid、tanh等。

D.带有压缩激励模块的残差网络(特征抽取)：

残差网络的卷积块采用1*1，3*3，1*1的结构实现，这些模块均带有压缩激励模块结构以加强其通道上的注意力能力。通道增长数量设计为1～128，用于防止复杂模型引起的过拟合，激活函数可选择为ReLu、sigmoid、tanh等，比率r设置为16。

上述步骤D中，比率参数设置、激活函数选择等，可根据需要调整。一个具体的模型结构范例如图2。卷积层的具体层数本次定为25层，层数亦可更多或更少。卷积块本次采用1*1，3*3，1*1的结构实现，亦可采用3*3，3*3等常见的残差块结构。

本具体实施方案的神经网络模型具体参数值见表1。

表1

E.全连接层(产生输出)：

将上一层特征抽取维度的输出打平后送入全连接层，输出维度为2，分别对应收缩压、舒张压。激活函数使用sigmoid，使输出归一化，更易与标签计算误差。

步骤三，模型训练结果准确率分析

根据美国医疗仪器促进协会(the association for the advancement ofmedical instrumentation)和英国高血压协会(british hypertension society)的要求，采用平均误差(mean error)、平均绝对误差(mean absolute error)、均方根误差(rootmean squard error)和皮尔森相关系数对模型的训练性能进行评估。

以下为定量评价血压预测水平的公式：

其中，N等于2；i取不同值，P_i分别表示深度神经网络模型模型输出的收缩压值和舒张压值，Y_i分别表示收缩压的标签值和舒张压的标签值；ME表示平均误差；MAE表示平均绝对误差；RMSE表示均方根误差；R表示皮尔森相关系数；conv(P_i,Y_i)表示协方差；

表示P_i的标准差；

表示Y_i的标准差。

模型在含有1200个被测者的数据集中误差表现结果见表2，神经网络模型收缩压与舒张压预测值与真实值相关性结果比较见图3，模型收缩压与舒张压预测值与真实值箱形图对比见图4。

表2

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进与变换，而所有这些改进与变化都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种基于深度神经网络模型的无袖带血压预测方法，其特征在于，包括：

获取包括脉搏波信号和心电信号的数据集；

对获取到的脉搏波信号和心电信号进行预处理，获得可用信号；所述预处理包括信号滤波、定长切割、峰值切割/波谷切割、重采样和获取标签值；

将所述可用信号输入深度神经网络模型，获得预测的收缩压值和舒张压值；所述深度神经网络模型包括依次连接的卷积适应层、带有压缩激励模块的残差网络和全连接层；所述卷积适应层的输入为所述可用信号；所述全连接层的输出为所述收缩压值和舒张压值。

2.根据权利要求1所述的基于深度神经网络模型的无袖带血压预测方法，其特征在于，所述数据集包括若干不同被测者的数据集，每个被测者的数据集长度能够满足分割要求。

3.根据权利要求1所述的基于深度神经网络模型的无袖带血压预测方法，其特征在于，所述预处理，具体包括：

步骤B1，信号滤波；

步骤B2，对滤波后的信号进行定长切割，获得定长切割信号；

步骤B3，对所述定长切割信号进行峰值切割以及重采样；

步骤B4，获取步骤B3处理后的峰值切割信号范围，计算对应血压值作为模型标签；

步骤B1中，信号滤波的方法包括低通滤波和高通滤波组合方法，或者，包括带通滤波方法；还包括小波变换或平滑滤波方法；

步骤B2中，选取合适的定长窗口大小对波形信号进行切割；

步骤B3中，对从步骤B2得到的定长切割信号，每固定峰值数做一次峰值切割；每次得到两组带有固定波峰数的信号片段；两组带有固定波峰数的信号片段分别为脉搏波信号和心电信号；

步骤B4中，获取步骤B3标定的峰值范围，由于脉搏波和心电信号的峰值不一定吻合，故范围设定在步骤B3中峰值范围的并集，在这个并集中对动态血压值取波峰和波谷处的值即收缩压和舒张压，作为模型的标签值。

4.根据权利要求3所述的基于深度神经网络模型的无袖带血压预测方法，其特征在于，步骤B2中，采用固定点不重叠的窗口。

5.根据权利要求3所述的基于深度神经网络模型的无袖带血压预测方法，其特征在于，步骤B4中，利用一个周期内脉搏波信号和心电信号的最大范围来提取动态血压的边界；令x1…xn代表脉搏波的采样点范围，z1…zn代表心电信号的采样点范围，则动态血压的提取边界为[min(x1，z1)，max(xn，zn)]，舒张压和收缩压标签值分别对应该动态血压范围内的波谷和波峰。

6.根据权利要求1所述的基于深度神经网络模型的无袖带血压预测方法，其特征在于，所述卷积适应层包括依次连接的卷积层、批处理标准化层和最大池化层；所述卷积适应层的卷积核大小需要根据脉搏波信号和心电信号的特征点长度来调整；具体的大小由重采样点确定，即感受野包括脉搏波信号和心电信号的特征点。

7.根据权利要求1所述的基于深度神经网络模型的无袖带血压预测方法，其特征在于，带有压缩激励模块的残差网络的卷积块采用1*1、3*3和1*1的结构实现，这些模块均带有压缩激励模块结构以加强其通道上的注意力能力；通道增长数量设计为1～128，用于防止复杂模型引起的过拟合；带有压缩激励模块的残差网络的激活函数包括ReLu、sigmoid或tanh；比率r可设置。

8.根据权利要求1所述的基于深度神经网络模型的无袖带血压预测方法，其特征在于，使用全连接层对带有压缩激励模块的残差网络输出的特征数据进行整合，全连接层输出维度为2，分别对应收缩压和舒张压；全连接层的激活函数使用sigmoid，使输出归一化，以与标签值计算误差。

9.根据权利要求1所述的基于深度神经网络模型的无袖带血压预测方法，其特征在于，还包括：采用平均误差、平均绝对误差、均方根误差和皮尔森相关系数对模型的训练性能进行评估，具体如下：

其中，N等于2；i取不同值，P_i分别表示深度神经网络模型模型输出的收缩压值和舒张压值，Y_i分别表示收缩压的标签值和舒张压的标签值；ME表示平均误差；MAE表示平均绝对误差；RMSE表示均方根误差；R表示皮尔森相关系数；conv(P_i,Y_i)表示协方差；

表示P_i的标准差；

表示Y_i的标准差。

Images