CN114557691A - 基于多波长的ppg信号的无创血脂检测方法及系统 - Google Patents
基于多波长的ppg信号的无创血脂检测方法及系统 Download PDFInfo
- Publication number
- CN114557691A CN114557691A CN202210463153.4A CN202210463153A CN114557691A CN 114557691 A CN114557691 A CN 114557691A CN 202210463153 A CN202210463153 A CN 202210463153A CN 114557691 A CN114557691 A CN 114557691A
- Authority
- CN
- China
- Prior art keywords
- cnn
- lstm
- neural network
- wavelength
- 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.)
- Granted
Links
- 239000008280 blood Substances 0.000 title claims abstract description 131
- 210000004369 blood Anatomy 0.000 title claims abstract description 131
- 150000002632 lipids Chemical class 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000013186 photoplethysmography Methods 0.000 title description 27
- 230000004927 fusion Effects 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 230000015654 memory Effects 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 67
- 238000012360 testing method Methods 0.000 claims description 36
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 230000007787 long-term memory Effects 0.000 claims description 17
- 230000003287 optical effect Effects 0.000 claims description 17
- 230000006403 short-term memory Effects 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000002411 adverse Effects 0.000 abstract description 2
- 230000017531 blood circulation Effects 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract 2
- 230000008859 change Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 201000005577 familial hyperlipidemia Diseases 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 206010033645 Pancreatitis Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开的一种基于多波长的PPG信号的无创血脂检测方法及系统,包括:采集目标对象指尖的多波长多通道的PPG信号及对应有创血脂值,对多通道的信号进行去噪处理并划分数据集,通过卷积神经网络及长短记忆人工神经网络搭建融合神经网络模型,通过数据集对融合神经网络进行训练,通过训练好的融合神经网络模型进行血脂含量检测,并进行检测准确度评估。本发明使用多波长光同时采集人体不同指尖的PPG信号,有效避免多波长光源之间的相互干扰对血脂评估的不良影响,同时可根据不同部位的信号采集,获得信号间重要特征点的时间差,从而获得人体血液流动速度的相关信息,同时引入融合神经网络,提高了血脂估计准确率。
Description
技术领域
本发明涉及血脂检测技术领域,更具体的,涉及一种基于多波长的PPG信号的无创血脂检测方法及系统。
背景技术
人体血脂检测对人体健康非常重要,人体血脂异常往往意味着人体内环境失调。高血脂会引起头晕、肥胖、胸闷气短、肢体麻木等症状表现,如果血脂长期高于正常范围,不仅会引发各类心血管疾病、高血压、胰腺炎等疾病,甚至导致糖尿病、动脉粥样硬化或形成血栓,严重影响身体健康。
根据有关研究,人体血脂相关分子可与特定波长的光引起共振。由于不同人体真实血液情况不同,因此有关实验的理想血脂分子浓度获得的共振光波长的实验结论不完全具有通用性,即与血脂相关分子高度相关的光波长未被完全找到。根据目前研究,500nm-1400nm的光都可能与血脂分子有关。
而现在对血脂准确测量仍需要有创测量保障,但有创测量的成本较高,需要专业人员进行有创采集样本,同时有创感染风险大;另外对不同光波长进行聚焦处理对周围光线环境的要求较高,对设备的精准度要求也较高。并且现有技术中的前馈神经网络会认为下一时刻输入的内容及结果与当前时刻输入的内容及结果完全无关。但实际上,一个人的血脂值随着时间具有规律性变化,不会有随机性的突变增加或减少,而这些预测模型的网络则无法规避这种突变性预测值变高或变低的误差的产生;使用手背不易固定采集部位,且根据手背静脉血管定位信号采集部位困难。
发明内容
为了解决上述技术问题,本发明提出了一种基于多波长的PPG信号的无创血脂检测方法及系统。
本发明第一方面提供了一种基于多波长的PPG信号的无创血脂检测方法,包括:
获取目标对象指尖的多波长多通道的PPG信号及对应有创血脂值;
对多通道的信号通过变分模态分解进行去噪处理,将去噪后的PPG信号及对应的有创血脂值按时间进行排序生成数据集;
通过卷积神经网络提取多波长特征,生成多波长特征空间,基于卷积神经网络及长短期记忆人工神经网络构建CNN-LSTM融合网络模型,并进行CNN-LSTM融合网络模型的训练;
通过训练好的CNN-LSTM融合网络模型进行血脂含量检测,并进行检测准确率评估。
本方案中,在目标对象同一只手的不同手指指尖处进行不同光波长的信号采集,分别使用500nm、800nm、1000nm、1400nm的光波长,并记录随时间变化的等时间间隔的有创血脂值。
本方案中,通过卷积神经网络提取多波长特征,具体为:
搭建深度卷积神经网络,选择不同光波长各自的波峰位置、峰强度、峰宽、峰面积及相互的特征值比例、各特征值线性相加结果作为特征,在深度卷积神经网络结构中设置对应特征的不同滤波器;
根据所述数据集根据时序进行划分将前40%数据作为深度卷积神经网络训练集,根据所述深度卷积神经网络训练集对深度卷积神经网络进行训练,通过训练后的深度卷积神经网络的卷积层提取数据集的多波长特征,形成多波长特征空间。
本方案中,所述的基于卷积神经网络及长短期记忆人工神经网络构建CNN-LSTM融合网络模型,并进行CNN-LSTM融合网络模型的训练,具体为:
根据所述数据集根据时序进行划分将中间40%数据作为CNN-LSTM融合网络训练集,将后20%数据作为CNN-LSTM融合网络测试集;
获取所述多波长特征空间中1至时刻信号的特征向量、对应的血脂结果序列及目标对象的年龄、性别生理特征作为长短期记忆人工神经网络的第一次
训练输入,将下一时刻的血脂值作为长短期记忆人工神经网络输出结果的真实
值;
在长短期记忆人工神经网络的第二次训练时,将血脂结果序列更新为,多波长特征更新为2至时刻信号的特征向量,结合目标对象的
年龄、性别生理特征作为长短期记忆人工神经网络的第二次训练输入,将血脂值
作为长短期记忆人工神经网络输出结果的真实值,以此类推,对CNN-LSTM融合网络模型进
行迭代训练;
根据迭代训练调整CNN-LSTM融合网络模型的网络参数,不断改善拟合效果。
本方案中,所述的通过训练好的CNN-LSTM融合网络模型进行血脂含量检测,并进行检测准确率评估,具体为:
再将CNN-LSTM网络训练集时刻与测试集第1时刻的信号CNN-LSTM融合网络
模型,则获得CNN-LSTM网络测试集第2时刻的预测血脂值,以此类推,获取CNN-LSTM网络测
试集中所有时刻的预测血脂值;
将CNN-LSTM网络测试集中所有时刻的预测血脂值与对应有创血脂值进行对比生成检测准确率;
判断所述检测准确率是否大于等于预设检测准确率阈值,若大于等于,则说明CNN-LSTM融合网络模型满足预设检测准确率标准;若小于,则生成修正信息,通过所述修正信息对CNN-LSTM融合网络模型进行修正。
本发明第二方面还提供了一种基于多波长的PPG信号的无创血脂检测系统,该系统包括:存储器、处理器,所述存储器中包括一种基于多波长的PPG信号的无创血脂检测方法程序,所述一种基于多波长的PPG信号的无创血脂检测方法程序被所述处理器执行时实现如下步骤:
获取目标对象指尖的多波长多通道的PPG信号及对应有创血脂值;
对多通道的信号通过变分模态分解进行去噪处理,将去噪后的PPG信号及对应的有创血脂值按时间进行排序生成数据集;
通过卷积神经网络提取多波长特征,生成多波长特征空间,基于卷积神经网络及长短期记忆人工神经网络构建CNN-LSTM融合网络模型,并进行CNN-LSTM融合网络模型的训练;
通过训练好的CNN-LSTM融合网络模型进行血脂含量检测,并进行检测准确率评估。
本方案中,在目标对象同一只手的不同手指指尖处进行不同光波长的信号采集,分别使用500nm、800nm、1000nm、1400nm的光波长,并记录随时间变化的等时间间隔的有创血脂值。
本方案中,通过卷积神经网络提取多波长特征,具体为:
搭建深度卷积神经网络,选择不同光波长各自的波峰位置、峰强度、峰宽、峰面积及相互的特征值比例、各特征值线性相加结果作为特征,在深度卷积神经网络结构中设置对应特征的不同滤波器;
根据所述数据集根据时序进行划分将前40%数据作为深度卷积神经网络训练集,根据所述深度卷积神经网络训练集对深度卷积神经网络进行训练,通过训练后的深度卷积神经网络的卷积层提取数据集的多波长特征,形成多波长特征空间。
本方案中,所述的基于卷积神经网络及长短期记忆人工神经网络构建CNN-LSTM融合网络模型,并进行CNN-LSTM融合网络模型的训练,具体为:
根据所述数据集根据时序进行划分将中间40%数据作为CNN-LSTM融合网络训练集,将后20%数据作为CNN-LSTM融合网络测试集;
获取所述多波长特征空间中1至时刻信号的特征向量、对应的血脂结果序列及目标对象的年龄、性别生理特征作为长短期记忆人工神经网络的第一次
训练输入,将下一时刻的血脂值作为长短期记忆人工神经网络输出结果的真实
值;
在长短期记忆人工神经网络的第二次训练时,将血脂结果序列更新为,多波长特征更新为2至时刻信号的特征向量,结合目标对象的
年龄、性别生理特征作为长短期记忆人工神经网络的第二次训练输入,将血脂值
作为长短期记忆人工神经网络输出结果的真实值,以此类推,对CNN-LSTM融合网络模型进
行迭代训练;
根据迭代训练调整CNN-LSTM融合网络模型的网络参数,不断改善拟合效果。
本方案中,所述的通过训练好的CNN-LSTM融合网络模型进行血脂含量检测,并进行检测准确率评估,具体为:
再将CNN-LSTM网络训练集时刻与测试集第1时刻的信号CNN-LSTM融合网络
模型,则获得CNN-LSTM网络测试集第2时刻的预测血脂值,以此类推,获取CNN-LSTM网络测
试集中所有时刻的预测血脂值;
将CNN-LSTM网络测试集中所有时刻的预测血脂值与对应有创血脂值进行对比生成检测准确率;
判断所述检测准确率是否大于等于预设检测准确率阈值,若大于等于,则说明CNN-LSTM融合网络模型满足预设检测准确率标准;若小于,则生成修正信息,通过所述修正信息对CNN-LSTM融合网络模型进行修正。
本发明解决了背景技术中存在的缺陷,具备以下有益效果:
1、本发明中使用指尖进行数据采集,指尖末梢静脉血管密布,容易获得静脉血管反射的光信号,同时指尖便于采集设备的固定,实现无创连续检测血脂,实现人体日常血脂情况健康监测;
2、本发明使用多波长光同时采集人体不同指尖的PPG信号,有效避免多波长光源之间的相互干扰对血脂评估的不良影响,同时可根据不同部位的信号采集,获得信号间重要特征点的时间差,从而获得人体血液流动速度的相关信息;
3、使用变分模态函数对原信号进行分解,可获得不同信号的固定个数的信号分量,并且根据所要求的分量个数可自适应地获得最佳频谱带宽分配的分量,尽量减少模态混叠;
4、引入信号与真实血脂值随时间规律变化的特点进行神经网络的训练,即可引入LSTM神经网络帮助进行数据校准,大大提高血脂估计准确率。
5、基于人体真实情况下的信号中血脂相关特征及涉及到多波长的特征相关情况,仍未有具体定论,因此使用卷积神经网络中的卷积层可对未知可用特征进行最佳提取。
附图说明
图1示出了本发明一种基于多波长的PPG信号的无创血脂检测方法的流程图;
图2示出了本发明一种基于多波长的PPG信号的无创血脂检测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于多波长的PPG信号的无创血脂检测方法的流程图。
如图1所示,本发明第一方面提供了一种基于多波长的PPG信号的无创血脂检测方法,包括:
S102,获取目标对象指尖的多波长多通道的PPG信号及对应有创血脂值;
S104,对多通道的信号通过变分模态分解进行去噪处理,将去噪后的PPG信号及对应的有创血脂值按时间进行排序生成数据集;
S106,通过卷积神经网络提取多波长特征,生成多波长特征空间,基于卷积神经网络及长短期记忆人工神经网络构建CNN-LSTM融合网络模型,并进行CNN-LSTM融合网络模型的训练;
S108,通过训练好的CNN-LSTM融合网络模型进行血脂含量检测,并进行检测准确率评估。
需要说明的是,在目标对象同一只手的不同手指指尖处进行不同光波长的信号采集,分别使用500nm、800nm、1000nm、1400nm的光波长,并记录随时间变化的等时间间隔的有创血脂值。
由于同一时刻各波长的交流频率分布情况类似,对多通道的信号使用变分模态分解(VMD)进行去噪处理,VMD可根据给定的模态分解个数要求,在随后的信号模态求解中自适应地匹配每种模态的最佳中心频率和有限带宽,变分模态分解的具体步骤为:
为了保证分解序列为具有中心频率的有限带宽的模态分量,同时各模态的估计带宽之和最小,令约束条件为所有模态之和为原始信号,则相应约束变分表达式为:
引入拉格朗日乘法算子,将该约束变分问题转变为非约束变分问题,得到如下
增广拉格朗日表达式,其中为二次惩罚因子,一般与数据中的高斯噪声级别成反比,用于
降低噪声的干扰,提高重构保真度,扩展拉格朗日表达式ζ,其中,表示拉格朗日算子,具
体为:
当时所获得的个分量求解结束以后,令为迭代模
态求解结束的条件并检验其是否满足,其中为给定的阈值,如不满足,则令,并更新
拉格朗日算子为,其中为满足信号分解的保真度要求
的噪声容忍度,开始时各分量的求解,继续检验是否满足,如
不满足,则继续按更新拉格朗日算子,并进行继续递
增1的各模态结果求解,直至满足迭代求解的结束条件。
需要说明的是,通过卷积神经网络提取多波长特征,具体为:
搭建深度卷积神经网络,选择不同光波长各自的波峰位置、峰强度、峰宽、峰面积及相互的特征值比例、各特征值线性相加结果作为特征,在深度卷积神经网络结构中设置对应特征的不同滤波器;
根据所述数据集根据时序进行划分将前40%数据作为深度卷积神经网络训练集,根据所述深度卷积神经网络训练集对深度卷积神经网络进行使深度卷积神经网络拟合结果最好的训练训练,则该CNN中的卷积层则可被认为是最佳卷积层,通过训练后的深度卷积神经网络的卷积层提取数据集的多波长特征,形成多波长特征空间。
需要说明的是,所述的基于卷积神经网络及长短期记忆人工神经网络构建CNN-LSTM融合网络模型,并进行CNN-LSTM融合网络模型的训练,具体为:
根据所述数据集根据时序进行划分将中间40%数据作为CNN-LSTM融合网络训练集,将后20%数据作为CNN-LSTM融合网络测试集;
获取所述多波长特征空间中1至时刻信号的特征向量、对应的血脂结果序列及目标对象的年龄、性别生理特征作为长短期记忆人工神经网络的第一次
训练输入,将下一时刻的血脂值作为长短期记忆人工神经网络输出结果的真实
值;
在长短期记忆人工神经网络的第二次训练时,将血脂结果序列更新为,多波长特征更新为2至时刻信号的特征向量,结合目标对象的
年龄、性别生理特征作为长短期记忆人工神经网络的第二次训练输入,将血脂值
作为长短期记忆人工神经网络输出结果的真实值,以此类推,对CNN-LSTM融合网络模型进
行迭代训练;
根据迭代训练调整CNN-LSTM融合网络模型的网络参数,不断改善拟合效果。
需要说明的是,所述的通过训练好的CNN-LSTM融合网络模型进行血脂含量检测,并进行检测准确率评估,具体为:
先将CNN-LSTM网络训练集时刻的信号输入CNN网络,从其卷积层的输出获得特征
向量,再将对应血脂真实值及对应测试者的年龄、性别,三者同时作为LSTM网络的输入,则
可获得CNN-LSTM网络测试集第1时刻的血脂值;
再将CNN-LSTM网络训练集时刻与测试集第1时刻的信号CNN-LSTM融合网络
模型,则获得CNN-LSTM网络测试集第2时刻的预测血脂值,以此类推,获取CNN-LSTM网络测
试集中所有时刻的预测血脂值;
将CNN-LSTM网络测试集中所有时刻的预测血脂值与对应有创血脂值进行对比生成检测准确率;
判断所述检测准确率是否大于等于预设检测准确率阈值,若大于等于,则说明CNN-LSTM融合网络模型满足预设检测准确率标准;若小于,则生成修正信息,通过所述修正信息对CNN-LSTM融合网络模型进行修正。
图2示出了本发明一种基于多波长的PPG信号的无创血脂检测系统的框图。
本发明第二方面还提供了一种基于多波长的PPG信号的无创血脂检测系统2,该系统包括:存储器21、处理器22,所述存储器中包括一种基于多波长的PPG信号的无创血脂检测方法程序,所述一种基于多波长的PPG信号的无创血脂检测方法程序被所述处理器执行时实现如下步骤:
获取目标对象指尖的多波长多通道的PPG信号及对应有创血脂值;
对多通道的信号通过变分模态分解进行去噪处理,将去噪后的PPG信号及对应的有创血脂值按时间进行排序生成数据集;
通过卷积神经网络提取多波长特征,生成多波长特征空间,基于卷积神经网络及长短期记忆人工神经网络构建CNN-LSTM融合网络模型,并进行CNN-LSTM融合网络模型的训练;
通过训练好的CNN-LSTM融合网络模型进行血脂含量检测,并进行检测准确率评估。
需要说明的是,在目标对象同一只手的不同手指指尖处进行不同光波长的信号采集,分别使用500nm、800nm、1000nm、1400nm的光波长,并记录随时间变化的等时间间隔的有创血脂值。
由于同一时刻各波长的交流频率分布情况类似,对多通道的信号使用变分模态分解(VMD)进行去噪处理,VMD可根据给定的模态分解个数要求,在随后的信号模态求解中自适应地匹配每种模态的最佳中心频率和有限带宽,变分模态分解的具体步骤为:
为了保证分解序列为具有中心频率的有限带宽的模态分量,同时各模态的估计带宽之和最小,令约束条件为所有模态之和为原始信号,则相应约束变分表达式为:
引入拉格朗日乘法算子,将该约束变分问题转变为非约束变分问题,得到如下
增广拉格朗日表达式,其中为二次惩罚因子,一般与数据中的高斯噪声级别成反比,用于
降低噪声的干扰,提高重构保真度,扩展拉格朗日表达式ζ,其中,表示拉格朗日算子,具
体为:
当时所获得的个分量求解结束以后,令为迭代模
态求解结束的条件并检验其是否满足,其中为给定的阈值,如不满足,则令,并更新
拉格朗日算子为,其中为满足信号分解的保真度要求
的噪声容忍度,开始时各分量的求解,继续检验是否满足,如
不满足,则继续按更新拉格朗日算子,并进行继续递
增1的各模态结果求解,直至满足迭代求解的结束条件。
需要说明的是,通过卷积神经网络提取多波长特征,具体为:
搭建深度卷积神经网络,选择不同光波长各自的波峰位置、峰强度、峰宽、峰面积及相互的特征值比例、各特征值线性相加结果作为特征,在深度卷积神经网络结构中设置对应特征的不同滤波器;
根据所述数据集根据时序进行划分将前40%数据作为深度卷积神经网络训练集,根据所述深度卷积神经网络训练集对深度卷积神经网络进行使深度卷积神经网络拟合结果最好的训练训练,则该CNN中的卷积层则可被认为是最佳卷积层,通过训练后的深度卷积神经网络的卷积层提取数据集的多波长特征,形成多波长特征空间。
需要说明的是,所述的基于卷积神经网络及长短期记忆人工神经网络构建CNN-LSTM融合网络模型,并进行CNN-LSTM融合网络模型的训练,具体为:
根据所述数据集根据时序进行划分将中间40%数据作为CNN-LSTM融合网络训练集,将后20%数据作为CNN-LSTM融合网络测试集;
获取所述多波长特征空间中1至时刻信号的特征向量、对应的血脂结果序列及目标对象的年龄、性别生理特征作为长短期记忆人工神经网络的第一次
训练输入,将下一时刻的血脂值作为长短期记忆人工神经网络输出结果的真实
值;
在长短期记忆人工神经网络的第二次训练时,将血脂结果序列更新为,多波长特征更新为2至时刻信号的特征向量,结合目标对象的
年龄、性别生理特征作为长短期记忆人工神经网络的第二次训练输入,将血脂值
作为长短期记忆人工神经网络输出结果的真实值,以此类推,对CNN-LSTM融合网络模型进
行迭代训练;
根据迭代训练调整CNN-LSTM融合网络模型的网络参数,不断改善拟合效果。
需要说明的是,所述的通过训练好的CNN-LSTM融合网络模型进行血脂含量检测,并进行检测准确率评估,具体为:
先将CNN-LSTM网络训练集时刻的信号输入CNN网络,从其卷积层的输出获得特征
向量,再将对应血脂真实值及对应测试者的年龄、性别,三者同时作为LSTM网络的输入,则
可获得CNN-LSTM网络测试集第1时刻的血脂值;
再将CNN-LSTM网络训练集时刻与测试集第1时刻的信号CNN-LSTM融合网络
模型,则获得CNN-LSTM网络测试集第2时刻的预测血脂值,以此类推,获取CNN-LSTM网络测
试集中所有时刻的预测血脂值;
将CNN-LSTM网络测试集中所有时刻的预测血脂值与对应有创血脂值进行对比生成检测准确率;
判断所述检测准确率是否大于等于预设检测准确率阈值,若大于等于,则说明CNN-LSTM融合网络模型满足预设检测准确率标准;若小于,则生成修正信息,通过所述修正信息对CNN-LSTM融合网络模型进行修正。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于多波长的PPG信号的无创血脂检测方法,其特征在于,包括以下步骤:
获取目标对象指尖的多波长多通道的PPG信号及对应有创血脂值;
对多通道的信号通过变分模态分解进行去噪处理,将去噪后的PPG信号及对应的有创血脂值按时间进行排序生成数据集;
通过卷积神经网络提取多波长特征,生成多波长特征空间,基于卷积神经网络及长短期记忆人工神经网络构建CNN-LSTM融合网络模型,并进行CNN-LSTM融合网络模型的训练;
通过训练好的CNN-LSTM融合网络模型进行血脂含量检测,并进行检测准确率评估。
2.根据权利要求1所述的一种基于多波长的PPG信号的无创血脂检测方法,其特征在于,在目标对象同一只手的不同手指指尖处进行不同光波长的信号采集,分别使用500nm、800nm、1000nm、1400nm的光波长,并记录随时间变化的等时间间隔的有创血脂值。
3.根据权利要求1所述的一种基于多波长的PPG信号的无创血脂检测方法,其特征在于,通过卷积神经网络提取多波长特征,具体为:
搭建深度卷积神经网络,选择不同光波长各自的波峰位置、峰强度、峰宽、峰面积及相互的特征值比例、各特征值线性相加结果作为特征,在深度卷积神经网络结构中设置对应特征的不同滤波器;
根据所述数据集根据时序进行划分将前40%数据作为深度卷积神经网络训练集,根据所述深度卷积神经网络训练集对深度卷积神经网络进行训练,通过训练后的深度卷积神经网络的卷积层提取数据集的多波长特征,形成多波长特征空间。
4.根据权利要求1所述的一种基于多波长的PPG信号的无创血脂检测方法,其特征在于,所述的基于卷积神经网络及长短期记忆人工神经网络构建CNN-LSTM融合网络模型,并进行CNN-LSTM融合网络模型的训练,具体为:
根据所述数据集根据时序进行划分将中间40%数据作为CNN-LSTM融合网络训练集,将后20%数据作为CNN-LSTM融合网络测试集;
获取所述多波长特征空间中1至时刻信号的特征向量、对应的血脂结果序列及目标对象的年龄、性别生理特征作为长短期记忆人工神经网络的第一次
训练输入,将下一时刻的血脂值作为长短期记忆人工神经网络输出结果的真实
值;
在长短期记忆人工神经网络的第二次训练时,将血脂结果序列更新为,多波长特征更新为2至时刻信号的特征向量,结合目标对象的
年龄、性别生理特征作为长短期记忆人工神经网络的第二次训练输入,将血脂值
作为长短期记忆人工神经网络输出结果的真实值,以此类推,对CNN-LSTM融合网络模型进
行迭代训练;
根据迭代训练调整CNN-LSTM融合网络模型的网络参数,不断改善拟合效果。
5.根据权利要求1所述的一种基于多波长的PPG信号的无创血脂检测方法,其特征在于,所述的通过训练好的CNN-LSTM融合网络模型进行血脂含量检测,并进行检测准确率评估,具体为:
再将CNN-LSTM网络训练集时刻与测试集第1时刻的信号CNN-LSTM融合网络模型,
则获得CNN-LSTM网络测试集第2时刻的预测血脂值,以此类推,获取CNN-LSTM网络测试集中
所有时刻的预测血脂值;
将CNN-LSTM网络测试集中所有时刻的预测血脂值与对应有创血脂值进行对比生成检测准确率;
判断所述检测准确率是否大于等于预设检测准确率阈值,若大于等于,则说明CNN-LSTM融合网络模型满足预设检测准确率标准;若小于,则生成修正信息,通过所述修正信息对CNN-LSTM融合网络模型进行修正。
6.一种基于多波长的PPG信号的无创血脂检测系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括一种基于多波长的PPG信号的无创血脂检测方法程序,所述一种基于多波长的PPG信号的无创血脂检测方法程序被所述处理器执行时实现如下步骤:
获取目标对象指尖的多波长多通道的PPG信号及对应有创血脂值;
对多通道的信号通过变分模态分解进行去噪处理,将去噪后的PPG信号及对应的有创血脂值按时间进行排序生成数据集;
通过卷积神经网络提取多波长特征,生成多波长特征空间,基于卷积神经网络及长短期记忆人工神经网络构建CNN-LSTM融合网络模型,并进行CNN-LSTM融合网络模型的训练;
通过训练好的CNN-LSTM融合网络模型进行血脂含量检测,并进行检测准确率评估。
7.根据权利要求6所述的一种基于多波长的PPG信号的无创血脂检测系统,其特征在于,通过卷积神经网络提取多波长特征,具体为:
搭建深度卷积神经网络,选择不同光波长各自的波峰位置、峰强度、峰宽、峰面积及相互的特征值比例、各特征值线性相加结果作为特征,在深度卷积神经网络结构中设置对应特征的不同滤波器;
根据所述数据集根据时序进行划分将前40%数据作为深度卷积神经网络训练集,根据所述深度卷积神经网络训练集对深度卷积神经网络进行训练,通过训练后的深度卷积神经网络的卷积层提取数据集的多波长特征,形成多波长特征空间。
8.根据权利要求6所述的一种基于多波长的PPG信号的无创血脂检测系统,其特征在于,所述的基于卷积神经网络及长短期记忆人工神经网络构建CNN-LSTM融合网络模型,并进行CNN-LSTM融合网络模型的训练,具体为:
根据所述数据集根据时序进行划分将中间40%数据作为CNN-LSTM融合网络训练集,将后20%数据作为CNN-LSTM融合网络测试集;
获取所述多波长特征空间中1至时刻信号的特征向量、对应的血脂结果序列及目标对象的年龄、性别生理特征作为长短期记忆人工神经网络的第一次
训练输入,将下一时刻的血脂值作为长短期记忆人工神经网络输出结果的真实
值;
在长短期记忆人工神经网络的第二次训练时,将血脂结果序列更新为,多波长特征更新为2至时刻信号的特征向量,结合目标对象的
年龄、性别生理特征作为长短期记忆人工神经网络的第二次训练输入,将血脂值
作为长短期记忆人工神经网络输出结果的真实值,以此类推,对CNN-LSTM融合网络模型进
行迭代训练;
根据迭代训练调整CNN-LSTM融合网络模型的网络参数,不断改善拟合效果。
9.根据权利要求6所述的一种基于多波长的PPG信号的无创血脂检测系统,其特征在于,所述的通过训练好的CNN-LSTM融合网络模型进行血脂含量检测,并进行检测准确率评估,具体为:
再将CNN-LSTM网络训练集时刻与测试集第1时刻的信号CNN-LSTM融合网络模型,
则获得CNN-LSTM网络测试集第2时刻的预测血脂值,以此类推,获取CNN-LSTM网络测试集中
所有时刻的预测血脂值;
将CNN-LSTM网络测试集中所有时刻的预测血脂值与对应有创血脂值进行对比生成检测准确率;
判断所述检测准确率是否大于等于预设检测准确率阈值,若大于等于,则说明CNN-LSTM融合网络模型满足预设检测准确率标准;若小于,则生成修正信息,通过所述修正信息对CNN-LSTM融合网络模型进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210463153.4A CN114557691B (zh) | 2022-04-29 | 2022-04-29 | 基于多波长的ppg信号的无创血脂检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210463153.4A CN114557691B (zh) | 2022-04-29 | 2022-04-29 | 基于多波长的ppg信号的无创血脂检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114557691A true CN114557691A (zh) | 2022-05-31 |
CN114557691B CN114557691B (zh) | 2022-08-02 |
Family
ID=81720732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210463153.4A Expired - Fee Related CN114557691B (zh) | 2022-04-29 | 2022-04-29 | 基于多波长的ppg信号的无创血脂检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114557691B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115998295A (zh) * | 2023-03-24 | 2023-04-25 | 广东工业大学 | 一种结合远近红外光的血脂估测方法、系统及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019161411A1 (en) * | 2018-02-17 | 2019-08-22 | Sanmina Corporation | System and method for obtaining health data using a neural network |
CN112084810A (zh) * | 2019-06-12 | 2020-12-15 | 杭州海康威视数字技术股份有限公司 | 一种障碍物检测方法、装置、电子设备及存储介质 |
CN112836647A (zh) * | 2021-02-05 | 2021-05-25 | 合肥工业大学 | 一种基于ppg信号的无创式甘油三酯估计系统 |
CN113229799A (zh) * | 2021-06-23 | 2021-08-10 | 山东大学 | 一种ppg心率估计方法、系统、存储介质、设备 |
WO2021164346A1 (zh) * | 2020-02-21 | 2021-08-26 | 乐普(北京)医疗器械股份有限公司 | 一种预测血压的方法和装置 |
CN113616201A (zh) * | 2021-07-12 | 2021-11-09 | 深圳市脉度科技有限公司 | 一种ppg传感器、生理参数传感器及智能可穿戴设备 |
-
2022
- 2022-04-29 CN CN202210463153.4A patent/CN114557691B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019161411A1 (en) * | 2018-02-17 | 2019-08-22 | Sanmina Corporation | System and method for obtaining health data using a neural network |
CN112084810A (zh) * | 2019-06-12 | 2020-12-15 | 杭州海康威视数字技术股份有限公司 | 一种障碍物检测方法、装置、电子设备及存储介质 |
WO2021164346A1 (zh) * | 2020-02-21 | 2021-08-26 | 乐普(北京)医疗器械股份有限公司 | 一种预测血压的方法和装置 |
CN112836647A (zh) * | 2021-02-05 | 2021-05-25 | 合肥工业大学 | 一种基于ppg信号的无创式甘油三酯估计系统 |
CN113229799A (zh) * | 2021-06-23 | 2021-08-10 | 山东大学 | 一种ppg心率估计方法、系统、存储介质、设备 |
CN113616201A (zh) * | 2021-07-12 | 2021-11-09 | 深圳市脉度科技有限公司 | 一种ppg传感器、生理参数传感器及智能可穿戴设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115998295A (zh) * | 2023-03-24 | 2023-04-25 | 广东工业大学 | 一种结合远近红外光的血脂估测方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114557691B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11562222B2 (en) | Systems and methods of identity analysis of electrocardiograms | |
CN107374646B (zh) | 基于近红外技术的血糖检测装置及方法、电子装置 | |
US20130211271A1 (en) | Method and apparatus for eliminating motion artifacts of bio signal using personalized bio signal pattern | |
CN112788200B (zh) | 频谱信息的确定方法及装置、存储介质、电子装置 | |
CN114557691B (zh) | 基于多波长的ppg信号的无创血脂检测方法及系统 | |
Periyasamy et al. | Review on heart-rate estimation from photoplethysmography and accelerometer signals during physical exercise | |
CN115281685A (zh) | 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质 | |
Yen et al. | Estimation of beat-by-beat blood pressure and heart rate from ECG and PPG using a fine-tuned deep CNN model | |
Qayyum et al. | Assessment of physiological states from contactless face video: a sparse representation approach | |
CN114569097A (zh) | 基于耳廓ppg信号预处理的血压预测方法、系统及介质 | |
Wang et al. | Ppg signal reconstruction using deep convolutional generative adversarial network | |
CN111598966B (zh) | 一种基于生成对抗网络的磁共振成像方法及装置 | |
CN117357080A (zh) | 近红外光谱信号去噪方法及装置、终端设备、存储介质 | |
Botina-Monsalve et al. | Performance analysis of remote photoplethysmography deep filtering using long short-term memory neural network | |
JP2023116614A (ja) | 心血管パラメータを決定するための方法及びシステム | |
CN116327133A (zh) | 一种多生理指标检测方法、装置及相关设备 | |
Sivanjaneyulu et al. | Cnn based ppg signal quality assessment using raw ppg signal for energy-efficient ppg analysis devices in internet of medical things | |
CN115836847A (zh) | 一种血压预测装置及设备 | |
Sun et al. | Adaptive low-power wrist SpO2 monitoring system design using a multi-filtering scheme | |
CN112545461A (zh) | 一种无创血红蛋白浓度值的检测方法、装置、系统及计算机可读存储介质 | |
Martinez et al. | Strategic attention learning for modality translation | |
Leong et al. | Cuffless Non-invasive Blood Pressure Measurement Using CNN-LSTM Model: A Correlation Study | |
US20230148880A1 (en) | Method and system for determining cardiovascular parameters | |
Long et al. | Reconstruction of Corrupted Photoplethysmography Signals Using Recursive Generative Adversarial Networks | |
CN111214218B (zh) | 一种多生理参数的检测设备 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220802 |