CN113693575A - 一种基于轻量级神经网络的ppg血压检测方法 - Google Patents
一种基于轻量级神经网络的ppg血压检测方法 Download PDFInfo
- Publication number
- CN113693575A CN113693575A CN202110902027.XA CN202110902027A CN113693575A CN 113693575 A CN113693575 A CN 113693575A CN 202110902027 A CN202110902027 A CN 202110902027A CN 113693575 A CN113693575 A CN 113693575A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- ghost
- module
- ppg
- pressure detection
- 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
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 96
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 16
- 238000011176 pooling Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 206010020772 Hypertension Diseases 0.000 abstract description 7
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000013186 photoplethysmography Methods 0.000 description 78
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000035487 diastolic blood pressure Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000035488 systolic blood pressure Effects 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 210000000707 wrist Anatomy 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
- A61B5/021—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
-
- 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
- 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
Abstract
本发明提供了一种基于轻量级神经网络的PPG血压检测方法,首先采集PPG血压数据;然后对采集的PPG血压数据进行去噪处理,并对去噪后的数据进行数据清洗;接着基于构建PPG血压检测模型,其中,PPG血压检测模型包括输入层、卷积层、池化层、逐点卷积层以及全连接层;再将构建的PPG血压检测模型部署至嵌入式设备中,得到嵌入式血压检测系统,最后利用嵌入式血压检测系统对清洗后的PPG数据进行检测。本发明构建了轻量级神经网络模型,适合于部署在嵌入式设备中,为对高血压的检测工作提供方便。
Description
技术领域
本发明涉及血压检测技术领域,尤其涉及一种基于轻量级神经网络的PPG血压检测方法。
背景技术
高血压是一种常见的心血管疾病。长期的高血压会引起血管壁的损伤,导致人体心、脑、肾等器官的病变。由于高血压的普遍性和危害性,时刻了解自身血压状况,提早进行高血压的防控,对心血管疾病的预防有着重要的意义。
血压的检测方法通常分为有创血压检测和无创血压检测两种,相比有创血压检测,无创检测方法不会对人体造成伤害,已出现振荡法、容积补偿法、扁平张力法、光电容积脉搏波法等无创检测方法。由于光电容积脉搏波(PPG)传感器的低成本、小巧的特性,利用人体PPG信号检测血压的光电容积脉搏波法成为了无创检测方法里的一个重要研究对象。本发明就是利用PPG信号来检测血压。
PPG信号是一种反映人的活体组织血液容积变化的光电信号,PPG传感器发射一束特定波长的光照射在人体表面,光通过人体血管时,血液中的细胞会吸收一部分光并反射,传感器通过测量反射光强度的变化,来反映每个心动周期内人体PPG信号的变化。用PPG传感器做成的血压检测设备,能够实时的检测血压,从而使用户更加方便地了解自身血压状况,提前预防高血压。
PPG血压检测模型一般应用于血压检测仪、智能手机等移动嵌入设备上,传统神经网络难以在设备上部署。
发明内容
本发明提出一种基于轻量级神经网络的PPG血压检测方法,用于解决或者至少部分解决现有神经网络难以部署的技术问题。
为了解决上述技术问题,本发明提供了一种基于轻量级神经网络的PPG血压检测方法,包括:
S1:采集PPG血压数据;
S2:对采集的PPG血压数据进行去噪处理,对去噪后的数据进行数据清洗;
S3:构建PPG血压检测模型,其中,PPG血压检测模型包括输入层、卷积层、池化层、逐点卷积层以及全连接层,输入层用于接收输入的PPG血压数据,卷积层包括多个轻量级非本地幻影瓶颈模块NG-bneck,用于对输入数据进行特征提取,NG-bneck包括多个轻量级非本地幻影模块NL-Ghost,NL-Ghost由幻影网络结构中的幻影瓶颈模块Ghost Bottleneck与轻量级非本地模块LightNL结合得到,池化层和逐点卷积层用于对特征图进行下采样来对感受域内的特征进行筛选,提取最具代表性的特征,全连接层用于对处理后的特征图进行分类;
S4:将构建的PPG血压检测模型部署至嵌入式设备中,得到嵌入式血压检测系统;
S5:利用嵌入式血压检测系统对清洗后的PPG数据进行检测。
在一种实施方式中,步骤S2中对采集的PPG血压数据进行去噪处理,包括:选用通带频率范围为0.5-10Hz的巴特沃斯带通滤波器去除高频噪声和基线漂移。
在一种实施方式中,步骤S2中对去噪后的数据进行数据清洗,包括:
将不符合预设要求的数据进行过滤或者删除。
在一种实施方式中,步骤S3包括:
将LightNL模块与幻影网络GhostNet中Ghost Bottleneck结合,构建NL-Ghost模块,其中,Ghost Bottleneck包括两个堆叠的Ghost模块,第一个Ghost模块用于增加通道数,第二个Ghost模块用于减少通道数;
由NL-Ghost模块构成轻量级非本地幻影瓶颈模块NG-bneck,进而构建PPG血压检测模型。
在一种实施方式中,Ghost模块用于将原始特征图进行简单线性变换生成幻影特征图,从而获取所需的特征图,其中,原始特征图的计算公式:
Y′=X*f′
X表示输入数据,Y′表示原始特征图,f′∈Rc×k×k×m表示使用的过滤器,m表示原始特征图个数,c和k分别为通道数和卷积核大小,对原始特征图进行线性变换为:yij=Φi,j(y′i),j=1,...,s
y′i表示Y′中的第i个特征图,Φi,j表示第j个线性运算,s表示重影特征个数,yij为生成的幻影特征图。
在一种实施方式中,每个Ghost模块包括逐点卷积模块,将LightNL模块与幻影网络GhostNet中Ghost Bottleneck结合,构建NL-Ghost模块,包括:
在每个Ghost模块的逐点卷积模块之后加入LightNL模块,构建NL-Ghost模块。
在一种实施方式中,在步骤S5之前所述方法还包括:
判断清洗后的数据的质量是否满足要求。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本发明提供的一种基于轻量级神经网络的PPG血压检测方法,在采集PPG血压数据后,对采集的PPG血压进行清洗以及去噪处理;然后构建PPG血压检测模型,接着将构建的PPG血压检测模型部署至嵌入式设备中,得到嵌入式血压检测系统;最后利用嵌入式血压检测系统对清洗后的PPG数据进行检测。由于本发明构建的PPG血压检测模型中,卷积层包括多个轻量级非本地幻影瓶颈模块NG-bneck,NG-bneck包括多个轻量级非本地幻影模块NL-Ghost,而NL-Ghost由幻影网络结构中的幻影瓶颈模块Ghost Bottleneck与轻量级非本地模块LightNL结合得到,PPG血压检测模型是基于幻影网络结构(GhostNet)构建的,GhostNet首先采用正常的卷积计算,得到通道较少的特征图,然后利用简单线性变换得到更多的特征图,再不同的特征图连接到一起,组合成新的输出,并加入了LightNL模块,Lightweight Non-local是一种轻量级非本地模块,对特征变换进行了共享和计算简化,因此构建的是一种轻量级的神经网络模型,方便在嵌入式设备上进行部署,大大降低了部署难度,并且利用GhostNet对于长距离特征的提取能力,提高了PPG血压检测模型的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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例,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为本发明具体实施例中血压检测流程图;
图2为本发明具体实施例中PPG数据采集示意图;
图3为本发明具体实施例中1D-GhostNet网络结构图;
图4为本发明具体实施例中NL-Ghost模块示意图;
图5为本发明具体实施例中构建的血压检测模型的具体的应用流程图。
具体实施方式
本发明的目的在于提供一种根据MIMIC-III数据库(由麻省理工学院计算生理学实验室开发的公开可用数据集)的PPG数据进行血压检测的方法。
本发明的技术方案包括:
对PPG传感器数据采集与PPG信号处理。根据PPG信号的特点,对PPG数据进行了清洗,并对信号进行了去噪处理。
基于PPG信号构建1D-GhostNet轻量级神经网络回归模型,压缩模型的计算量和参数量,提高模型的计算效率。然后在模型中引入了Light-NL模块,建立了NGNet模型(PPG血压检测模型),提高了1D-GhostNet模型对于长距离特征的提取能力,从而提高模型预测精度。
将构建的PPG血压检测模型部署至嵌入式设备中,得到嵌入式血压检测系统;再利用嵌入式血压检测系统对清洗后的PPG数据进行检测。
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。
本发明实施例提供了一种基于轻量级神经网络的PPG血压检测方法,包括:
S1:采集PPG血压数据;
S2:对采集的PPG血压进行清洗;
S3:对清洗后的PPG血压数据进行去噪处理;
S4:构建PPG血压检测模型,其中,PPG血压检测模型包括输入层、卷积层、池化层、逐点卷积层以及全连接层,输入层用于接收输入的PPG血压数据,卷积层包括多个轻量级非本地幻影瓶颈模块NG-bneck,用于对输入数据进行特征提取,NG-bneck包括多个轻量级非本地幻影模块NL-Ghost,NL-Ghost由幻影网络结构中的幻影瓶颈模块Ghost Bottleneck与轻量级非本地模块LightNL结合得到,池化层和逐点卷积层用于对特征图进行下采样来对感受域内的特征进行筛选,提取最具代表性的特征,全连接层用于对处理后的特征图进行分类;
S5:将构建的PPG血压检测模型部署至嵌入式设备中,得到嵌入式血压检测系统;
S6:利用嵌入式血压检测系统对清洗后的PPG数据进行检测。
具体实施过程中,将手指或手腕贴近HXDZ-30102-ACC传感器,并利用绑带进行固定,以采集较为稳定的PPG数据。PPG数据采集如图2所示。然后根据PPG信号(数据)的特点,对PPG数据进行了清洗,再对信号进行去噪处理。
PPG血压检测模型即NGNet模型,包括多个轻量级非本地幻影瓶颈模块NG-bneck,在模型的构建中,进入LightNL模块,Ghost Bottleneck与LightNL结合得到NL-Ghost模块,LightNL是一种轻量级的Non-local(非本地)模块,对特征变换进行了共享和计算简化,使用更小的特征图计算亲和矩阵。将一维卷积GhostNet运用到特征提取。本发明以GhostNet轻量级网络为基础建立了一维卷积回归模型,对一维PPG信号进行血压检测训练。
本发明基于PPG信号构建了1D-GhostNet轻量级神经网络回归模型,压缩模型的计算量和参数量,提高模型的计算效率。然后在模型中引入了LightNL模块,建立了NGNet模型,提高了1D-GhostNet模型对于长距离特征的提取能力,从而提高模型预测精度。
在一种实施方式中,步骤S2中对采集的PPG血压数据进行去噪处理,包括:
选用通带频率范围为0.5-10Hz的巴特沃斯带通滤波器去除高频噪声和基线漂移。
具体来说,各种信号的采集过程中往往伴随着噪声,人体PPG信号的有效频率通常小于20Hz,主要集中于0.5Hz到10Hz间。由电磁干扰造成的工频噪声频率较高且相对集中,可用低通滤波器对此部分高频噪声进行去除;而由人体的运动造成的基线漂移噪声频率较为分散,虽然基线漂移噪声频率与PPG信号主要频率有部分重合,但基线漂移主要频率分布在0.2Hz与3Hz之间,使用高通滤波器便能够消除主要的基线漂移噪声。为此,本实施例使用带通滤波器同时去除高频噪声和低频基线漂移。而经过实验结果得出巴特沃斯滤波器对于PPG信号噪声的滤波效果更好,最终选用通带频率范围为0.5-10Hz的巴特沃斯带通滤波器。
在一种实施方式中,步骤S2中对去噪后的数据进行数据清洗,包括:
将不符合预设要求的数据进行过滤或者删除。
在具体实施过程中,不符合预设要求的数据包括时长小于预设时长的数据、预设比例长度存在缺失或者相同的数据等。本实施例中,预设时长为10分钟,预设比例长度为5%。为了对误差数据进行过滤,首先需要清洗数据。考虑到较短的数据可能存在的误差较大的问题,过滤掉长度在10分钟以下的PPG血压数据。针对在部分数据中存在数据缺失和一段数据相同的问题,如果存在5%长度的数据有缺失或相同,就删除该条数据,如果部分周期存在问题,就删除PPG和对应的血压信号的该周期。
在一种实施方式中,步骤S4包括:
将LightNL模块与幻影网络GhostNet中Ghost Bottleneck结合,构建NL-Ghost模块,其中,Ghost Bottleneck包括两个堆叠的Ghost模块,第一个Ghost模块用于增加通道数,第二个Ghost模块用于减少通道数;
由NL-Ghost模块构成轻量级非本地幻影瓶颈模块NG-bneck,进而构建PPG血压检测模型。
在一种实施方式中,Ghost模块用于将原始特征图进行简单线性变换生成幻影特征图,从而获取所需的特征图,其中,原始特征图的计算公式:
Y′=X*f′
X表示输入数据,Y′表示原始特征图,f′∈Rc×k×k×m表示使用的过滤器,m表示原始特征图个数,c和k分别为通道数和卷积核大小,对原始特征图进行线性变换为:yij=Φi,j(y′i),j=1,...,s
y′i表示Y′中的第i个特征图,Φi,j表示第j个线性运算,s表示重影特征个数,yij为生成的幻影特征图。
在一种实施方式中,每个Ghost模块包括逐点卷积模块,将LightNL模块与幻影网络GhostNet中Ghost Bottleneck结合,构建NL-Ghost模块,包括:
在每个Ghost模块的逐点卷积模块之后加入LightNL模块,构建NL-Ghost模块。
在一种实施方式中,在步骤S5之前所述方法还包括:判断清洗后的数据的质量是否满足要求。
具体实施过程中,在构建PPG血压检测模型时,首先可以根据幻影网络(GhostNet)结构构建一维卷积(1D-GhostNet)回归模型结构。幻影网络(GhostNet)基于幻影瓶颈(Ghost Bottleneck)构成,而幻影瓶颈(Ghost Bottleneck)主要由两个幻影(Ghost)模块堆叠而成。第一个Ghost模块的作用是扩展层,用来增加通道数,第二个Ghost模块减少通道数。Ghost模块提出利用大小较小且由普通卷积核生成的原始特征,将原始特征图进行廉价的线性变换生成“幻影”特征图,从而获取所需的特征图。
其中,1D-GhostNet网络结构如图3所示。图中PPG代表PPG(光电容积脉搏波)信号,Conv1d表示一维卷积层,AvgPool表示平均池化层。G-bneck表示Ghost Bottleneck(幻影瓶颈)模块。Dense表示全连接层。SBP(Systolic Blood Pressure)表示收缩压,DBP(Diastolic Blood Pressure)表示舒张压。
由于GhostNet模型感受野有限,未能较好的提取PPG信号的长距离特征。需要构建出具有更大感受野的模型。本发明将LightNL与GhostNet结合构建NL-Ghost(轻量级非本地幻影)模块。LightNL(Lightweight Non-local)是一种轻量级非本地模块,对特征变换进行了共享和计算简化。非本地(Non-local)模块中使用了θ(x)和g(x)两个卷积层来进行特征变换,计算公式如下:
其中,x表示输入,C(x)是归一化参数,θ(x)和g(x)表示两个1×1卷积层。轻量级非本地(LightNL)模块使用g(x)变换代替θ(x),对g(x)特征变换进行共享,计算公式如下:
为了进一步简化计算,考虑到神经网络在曲线拟合方面强大的学习能力,轻量级非本地(LightNL)模块将g(x)卷积运算交由网络模型的学习来完成,简化后的计算公式如下:
其中x为g(x)的省略表示。轻量级非本地(LightNL)模块使用更小的特征图计算亲和矩阵。对于输入的特征的高宽和通道数(H,W,C),轻量级非本地(LightNL)模块在维度和通道数上进行了下采样,得到(xC,xSC,xS)来代替x。轻量级非本地(LightNL)的计算公式如下:
其中xC代表沿通道维度的下采样特征表示,xS代表沿空间维度的下采样特征表示,xSC代表沿通道以及空间维度的下采样特征表示。将LightNL模块与GhostNet回归模型结合,构建NL-Ghost模块。在1D-GhostNet回归模型中的卷积层的每个幻影瓶颈(GhostBottleneck)模块中,在每个Ghost模块的Pointwise(逐点)卷积之后加入了轻量级非本地(LightNL)模块,构建NL-Ghost模块,多个NL-Ghost模块构成NG-bneck模块,以提高模型对PPG信号的感受野,建立长跨度的依赖。NL-Ghost模块示意图如图4所示。图中input代表输入,HW(Height,Width)是空间尺寸,C表示通道数,conv表示卷积操作,Φ(y)表示线性运算,Depthwise表示深度卷积操作,xC表示沿通道维度的下采样特征表示,xS表示沿空间维度的下采样特征表示,xSC表示沿通道以及空间维度的下采样特征表示。
最后,通过多个NG-bneck模块构建出NGNet血压检测模型。NGNet模型包括输入层,卷积层(NG-bneck模块),池化层和逐点卷积层,全连接层。
具体示例中,输入层使用了具有16个卷积核的标准卷积层。考虑到人的心动周期,模型中使用了大小为100的卷积核。
卷积层的作用是对输入数据进行特征提取,通过卷积核矩阵对原始数据中隐含关联性进行抽象。本模型(NGNet血压检测模型)在第一层输入层后堆叠了16层NG-Bottleneck(NG-bneck模块),作为卷积层。NG-Bottleneck根据输入特征图的大小分为不同的阶段。每个阶段的最后一个NG-Bottleneck的stride为2,而其他Ghost bottleneck的stride则为1。在每个NG-Bottleneck中的第一个NL-Ghost模块后使用ReLu激活函数,与输入层相同,模型中使用了大小为100的卷积核。
池化层和逐点卷积层通过将特征图进行下采样来对感受域内的特征进行筛选,提取最具代表性的特征,从而有效地降低输出特征的尺度,减少模型所需要的参数量。本模型使用了平均池化层和逐点卷积层将特征图转化为特征向量。
全连接层在整个网络中起到分类器的作用。本发明的NGNet回归模型最后一层使用了Dense全连接层,并使用Sigmoid函数作为最后一层的激活函数,将输出标签进行归一化。
血压检测的整体流程如图1所示,其中,在进行信号去噪时,可以在客户端绘制PPG波形图,判断数据质量是否较好可以采用皮尔逊相关系数来判断。在利用嵌入式血压检测系统对清洗后的PPG数据进行检测之后,可以在客户端显示血压值以及分类的结果。
请参见图5,为本发明构建的血压检测模型以及具体的应用流程图,本发明提供了构建了基于NGNet的轻量级神经网络,然后基于该神经网络进行血压检测的方法,首先,对经过PGG传感器传入的部分误差数据进行清洗过滤以减少数据噪声对模型精度的影响,并使用了0.5-10Hz巴特沃斯带通滤波器去除高频噪声和基线漂移;然后利用皮尔逊相关系数对采集到的PPG信号进行质量判断,若系数小于0.75,则认为信号质量较低,需要重新采集信号。若系数大于0.75,则认为采集的PPG信号质量符合要求,然后,然后通过部署在嵌入式设备上的NGNet血压检测模型对采集到的PPG信号进行血压的预测。
本发明的有益效果是:构建轻量级神经网络模型,适合于部署在嵌入式设备中,为对高血压的检测工作提供方便。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于轻量级神经网络的PPG血压检测方法,其特征在于,包括:
S1:采集PPG血压数据;
S2:对采集的PPG血压数据进行去噪处理,对去噪后的数据进行数据清洗;
S3:构建PPG血压检测模型,其中,PPG血压检测模型包括输入层、卷积层、池化层、逐点卷积层以及全连接层,输入层用于接收输入的PPG血压数据,卷积层包括多个轻量级非本地幻影瓶颈模块NG-bneck,用于对输入数据进行特征提取,NG-bneck包括多个轻量级非本地幻影模块NL-Ghost,NL-Ghost由幻影网络结构中的幻影瓶颈模块Ghost Bottleneck与轻量级非本地模块LightNL结合得到,池化层和逐点卷积层用于对特征图进行下采样来对感受域内的特征进行筛选,提取最具代表性的特征,全连接层用于对处理后的特征图进行分类;
S4:将构建的PPG血压检测模型部署至嵌入式设备中,得到嵌入式血压检测系统;
S5:利用嵌入式血压检测系统对清洗后的PPG数据进行检测。
2.如权利要求1所述的PPG血压检测方法,其特征在于,步骤S2中对采集的PPG血压数据进行去噪处理,包括:选用通带频率范围为0.5-10Hz的巴特沃斯带通滤波器去除高频噪声和基线漂移。
3.如权利要求1所述的PPG血压检测方法,其特征在于,步骤S2中对去噪后的数据进行数据清洗,包括:
将不符合预设要求的数据进行过滤或者删除。
4.如权利要求1所述的PPG血压检测方法,其特征在于,步骤S3包括:
将LightNL模块与幻影网络GhostNet中Ghost Bottleneck结合,构建NL-Ghost模块,其中,Ghost Bottleneck包括两个堆叠的Ghost模块,第一个Ghost模块用于增加通道数,第二个Ghost模块用于减少通道数;
由NL-Ghost模块构成轻量级非本地幻影瓶颈模块NG-bneck,进而构建PPG血压检测模型。
6.如权利要4所述的PPG血压检测方法,其特征在于,每个Ghost模块包括逐点卷积模块,将LightNL模块与幻影网络GhostNet中Ghost Bottleneck结合,构建NL-Ghost模块,包括:
在每个Ghost模块的逐点卷积模块之后加入LightNL模块,构建NL-Ghost模块。
7.如权利要1所述的PPG血压检测方法,其特征在于,在步骤S5之前所述方法还包括:
判断清洗后的数据的质量是否满足要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902027.XA CN113693575A (zh) | 2021-08-06 | 2021-08-06 | 一种基于轻量级神经网络的ppg血压检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902027.XA CN113693575A (zh) | 2021-08-06 | 2021-08-06 | 一种基于轻量级神经网络的ppg血压检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113693575A true CN113693575A (zh) | 2021-11-26 |
Family
ID=78651741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110902027.XA Pending CN113693575A (zh) | 2021-08-06 | 2021-08-06 | 一种基于轻量级神经网络的ppg血压检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113693575A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130012823A1 (en) * | 2011-07-04 | 2013-01-10 | Sabirmedical S.L. | Methods and Systems for Non-Invasive Measurement of Blood Pressure |
US20160310084A1 (en) * | 2015-04-27 | 2016-10-27 | Tata Consultancy Services Limited | Method and system for noise cleaning of photoplethysmogram signals |
CN112022126A (zh) * | 2020-09-28 | 2020-12-04 | 无锡博智芯科技有限公司 | 一种基于CNN-BiLSTM模型和PPG的智能血压预测方法 |
CN112022125A (zh) * | 2020-09-28 | 2020-12-04 | 无锡博智芯科技有限公司 | 一种基于CNN-BiGRU模型和PPG的智能血压预测方法 |
CN112914527A (zh) * | 2021-02-08 | 2021-06-08 | 合肥工业大学 | 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 |
-
2021
- 2021-08-06 CN CN202110902027.XA patent/CN113693575A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130012823A1 (en) * | 2011-07-04 | 2013-01-10 | Sabirmedical S.L. | Methods and Systems for Non-Invasive Measurement of Blood Pressure |
US20160310084A1 (en) * | 2015-04-27 | 2016-10-27 | Tata Consultancy Services Limited | Method and system for noise cleaning of photoplethysmogram signals |
CN112022126A (zh) * | 2020-09-28 | 2020-12-04 | 无锡博智芯科技有限公司 | 一种基于CNN-BiLSTM模型和PPG的智能血压预测方法 |
CN112022125A (zh) * | 2020-09-28 | 2020-12-04 | 无锡博智芯科技有限公司 | 一种基于CNN-BiGRU模型和PPG的智能血压预测方法 |
CN112914527A (zh) * | 2021-02-08 | 2021-06-08 | 合肥工业大学 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113408508B (zh) | 基于Transformer的非接触式心率测量方法 | |
CN110236518B (zh) | 基于神经网络的心电及心震信号联合分类的方法及装置 | |
CN113343821B (zh) | 一种基于时空注意力网络和输入优化的非接触式心率测量方法 | |
CN111358455B (zh) | 一种多数据源的血压预测方法和装置 | |
WO2018112613A1 (en) | System and method for contactless blood pressure determination | |
WO2020228420A1 (zh) | 降噪自编码器的训练方法、心电信号的降噪方法及其装置 | |
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 | |
CN112598597A (zh) | 一种降噪模型的训练方法及相关装置 | |
Berwal et al. | Design of high performance QRS complex detector for wearable healthcare devices using biorthogonal spline wavelet transform | |
CN107072550A (zh) | 体动记录方法和装置 | |
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 | |
CN112370036A (zh) | 基于级联型rls自适应滤波的ppg心率提取装置和方法 | |
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 | |
CN111370120B (zh) | 一种基于心音信号的心脏舒张功能障碍的检测方法 | |
CN116012916A (zh) | 远程光体积描记信号和心率检测模型构建方法及检测方法 | |
CN114391824A (zh) | 一种基于ppg信号的心率估计方法、电子设备及存储介质 | |
Yen et al. | Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN. | |
CN113693575A (zh) | 一种基于轻量级神经网络的ppg血压检测方法 | |
Abdulrahaman | Two-stage motion artifact reduction algorithm for rPPG signals obtained from facial video recordings | |
CN114557685A (zh) | 一种非接触式运动鲁棒心率测量方法及测量装置 | |
CN110495878B (zh) | 基于ecg的疾病预测方法、装置及电子设备 | |
US20230404414A1 (en) | AI-enhanced Wearable Photo-Electro-Tonoarteriography (PETAG) Method And Apparatus | |
CN110477863A (zh) | 一种基于心脏功能动态监控的人工智能算法模型系统及方法 | |
CN115624322A (zh) | 一种基于高效时空建模的非接触生理信号检测方法及系统 | |
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 |
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: 20211126 |