CN114587310A - 一种基于光电容积脉搏波实现有创血压波形估计的方法 - Google Patents
一种基于光电容积脉搏波实现有创血压波形估计的方法 Download PDFInfo
- Publication number
- CN114587310A CN114587310A CN202210280125.9A CN202210280125A CN114587310A CN 114587310 A CN114587310 A CN 114587310A CN 202210280125 A CN202210280125 A CN 202210280125A CN 114587310 A CN114587310 A CN 114587310A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- learning model
- photoplethysmography
- data
- training
- 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 73
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013186 photoplethysmography Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013136 deep learning model Methods 0.000 claims abstract description 25
- 230000000877 morphologic effect Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000035487 diastolic blood pressure Effects 0.000 claims description 4
- 230000035488 systolic blood pressure Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000013140 knowledge distillation Methods 0.000 abstract description 12
- 230000004927 fusion Effects 0.000 abstract description 7
- 230000004872 arterial blood pressure Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000007500 overflow downdraw method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000009530 blood pressure measurement Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007211 cardiovascular event Effects 0.000 description 2
- 208000037998 chronic venous disease Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013401 experimental design Methods 0.000 description 2
- 230000008816 organ damage Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000009084 cardiovascular function Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供了一种基于光电容积脉搏波实现有创血压波形估计的方法，包括：采集监测人体的光电容积脉搏波信号，同时收集连续血压波形作为参考血压信号；进行数据预处理，得到训练数据；采用BEFS算法筛选具有鉴别意义的信息参数作为深度学习模型的先验信息；搭建用于无袖带血压波形连续估计监测的深度学习模型，包括深度特征提取网络、先验信息融合模块以及知识蒸馏训练架构；将训练数据划分训练集、验证集和测试集，并训练和验证模型；采集用户PPG数据，输入得到深度学习模型中，输出用户的预测血压波形。本发明通过优化深度特征和整合原始PPG的形态学特征，制定KD‑Informer，提供了连续的血压波形预测，更能反映动脉血管内血压的连续变化。
Description
技术领域
本发明涉及医疗检测技术领域，特别是涉及一种基于光电容积脉搏波实现有创血压波形估计的方法。
背景技术
对血压参数的长期监测有助于改善预后效果，从而降低心血管疾病CVD的死亡率。因此，能够长时间无创监测血压的设备对于CVD患者的诊断治疗非常重要。然而，传统的袖带式血压测量设备尺寸较大、不便携带，也不适用于长期监测。许多研究为了实现便携、舒适和长时间的血压监测，提出了无袖带血压测量技术及设备，其大多使用光学原理测量光电容积脉搏波(photoplethysmography，PPG)信号，从中可导出血氧、心率、血压等生理参数。这种方法能够获取连续动态的血压参数，有效弥补传统袖带血压测量不便、间断测量等不足。许多已有方法结合心电图(electrocardiogram，ECG)提取脉搏传导时间(pulsetransienttime，PTT)，即脉搏波在血管中传播的时间间隔，进而基于脉搏波速度(pulsewave velocity，PWV)理论估算血压。但是，迄今为止，很少有成熟的基于PWV理论的无袖带血压监测设备。目前仍未充分证明PTT能够准确估计血压，并且需要频繁使用袖带血压计进行校准。最后，ECG测量需要电极或双手接触以形成闭环通路，在易用性上较差，同时也使其难以实现全天候的连续血压监测。
上述基于PWV理论估算血压的方法存在一定的问题，与之相比，从PPG波形中提取形态学参数以建立血压模型可能更容易学习到更深层次的生理关联性。很多研究也改进了信号预处理等方法，从而有效抑制生理信号中常见的基线漂移和异常噪声的干扰。采用深度学习方法直接从原始波形中提取深度特征，从而避免了人工定义特征或浅层学习算法在拟合血压方面的不足。此外，考虑到原始波形中存在更多描述心血管功能的有用信息，人工定义的形态学参数有可能遗漏这些特征，序列学习的方法通过对完整信号进行互相关等运算，因此更具准确估算血压的潜力。
发明内容
本发明的目的是提供一种基于光电容积脉搏波实现有创血压波形估计的方法，通过同时优化深度特征和整合原始PPG的形态学特征，为血压波形估计制定一个具有知识蒸馏(Knowledge distillation，KD)策略的新型Informer架构(KD-Informer)，提供了连续的血压波形预测，更能反映动脉血管内血压的连续变化，对心血管事件预测、靶器官损伤具有更高的预测价值。
为实现上述目的，本发明提供了如下方案：
一种基于光电容积脉搏波实现有创血压波形估计的方法，包括如下步骤：
S1，采集监测人体的光电容积脉搏波信号，同时收集连续血压波形作为参考血压信号；
S2，对步骤S1中获得的光电容积脉搏波信号及参考血压信号片段进行数据预处理，得到训练数据；
S3，通过步骤S2数据预处理获取的训练数据，计算得到大量的PPG形态学参数，然后采用BEFS算法筛选具有鉴别意义的信息参数作为深度学习模型的先验信息；
S4，搭建用于无袖带血压波形连续估计监测的深度学习模型，得到具有KD策略的新型Informer架构KD-Informer，KD-Informer采用Informer作为学习共享高级特征的骨干网络，采用带有压缩和激发模块的ResNet结构用于融合先验信息，基于响应的KD策略，将教师Informer学到的知识转移到轻量级学生Informer上；
S5，将步骤S2中数据预处理获取的训练数据按照一定比例划分训练集、验证集和测试集，其中，利用训练集和验证集对步骤S4建立的深度学习模型进行训练和参数选择，测试集用于检验经训练和参数选择后得到的深度学习模型的泛化能力；
S6，采集用户的待测光电容积脉搏波信号数据，输入步骤S5得到的深度学习模型中，输出用户的预测血压波形。
进一步的，所述步骤S2中，所述数据预处理包括重采样、滤波降噪、信号分割、时间对齐以及先验特征提取操作。
进一步的，所述步骤S3中，采用BEFS算法筛选具有鉴别意义的信息参数作为深度学习模型的先验信息，具体包括：
采用Wrapper和Embedded方法分别过滤出具有前k位的特征子集，用于估计收缩压和舒张压，并将合并后的集合作为基线集；
然后，在特征参数的后向消除阶段，依次消除重要性最低的特征，将剩余的特征集输入到回归器以拟合血压值，并根据优化后的回归结果考虑最终的特征集，作为深度学习模型的先验信息。
进一步的，所述步骤S5中，按照7:1.5:1.5的比例划分训练集、验证集和测试集。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于光电容积脉搏波实现有创血压波形估计的方法，充分利用Transformer模型在时间依赖性分析方面的优势，应用Transformer作为网络骨干，结合从PPG信号中提取的形态学特征，并使用具有挤压和激发(squeeze-and-excitation)模块的ResNet结构(SE-ResNet)将其与深度特征融合；引入的先验信息可以促进模型在学习过程中利用更多的鉴别性特征，从而达到更高的预测精度；同时，为了减少内存消耗，实现轻量级计算，本发明采用了基于响应的KD策略，将教师模型学到的知识转移到轻量级的学生模型参数中；此外，本发明通过修正ChiMerge算法、后向消除特征选择(backward elimination feature selection，BEFS)和特征融合方法，不仅可以获得有用特征的稀疏子集，而且在学习过程中，神经网络捕获的序列特征也可以被有效地结合起来。
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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明基于光电容积脉搏波实现有创血压波形估计的方法的流程图；
图2是本发明基于光电容积脉搏波实现有创血压波形估计的方法的具体的实验设计流程图；
图3是本发明数据处理中设计的形态学特征的直观展示图；
图4是本发明所述深度学习模型的整体网络框架；
图5是本发明输入信号示意图；
图6是本发明输出结果示意图。
具体实施方式
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，所描述的实施例仅仅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。
本发明的目的是提供一种基于光电容积脉搏波实现有创血压波形估计的方法，通过同时优化深度特征和整合原始PPG的形态学特征，为血压波形估计制定一个具有知识蒸馏(Knowledge distillation，KD)策略的新型Informer架构(KD-Informer)，提供了连续的血压波形预测，更能反映动脉血管内血压的连续变化，对心血管事件预测、靶器官损伤具有更高的预测价值。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的基于光电容积脉搏波实现有创血压波形估计的方法，包括如下步骤：
S1，采集监测人体的光电容积脉搏波信号，同时收集连续血压波形作为参考血压信号；本发明方法采用MIMIC(重症监护的多参数智能监测)数据集，包含了20000多条从波士顿贝斯以色列医院内科、外科和重症监护室的病人监护仪上记录的生理数据，每条记录通常包含24至48小时的连续数据；
S2，对步骤S1中获得的光电容积脉搏波信号及参考血压信号片段进行数据预处理，得到训练数据；所述数据预处理主要包括重采样、滤波降噪、信号分割、时间对齐以及先验特征提取等操作；
S3，通过步骤S2数据预处理获取的训练数据，计算得到大量的PPG形态学参数，然后采用BEFS算法筛选具有鉴别意义的信息参数作为深度学习模型的先验信息；BEFS算法分为基线集生成和特征参数的后向消除阶段，Wrapper和Embedded方法分别过滤出具有前k位的特征子集，用于估计收缩压和舒张压，并将合并后的集合作为基线集；然后，在特征参数的后向消除阶段，依次消除重要性最低的特征，将剩余的特征集输入到回归器以拟合血压值，并根据优化后的回归结果考虑最终的特征集数量；此外，该步骤也考虑了先验信息与神经网络提取的深度信息进行特征融合的方法设计；
S4，搭建用于无袖带血压波形连续估计监测的深度学习模型，如图2所示，得到具有KD策略的新型Informer架构KD-Informer，KD-Informer采用Informer作为学习共享高级特征的骨干网络，采用带有压缩和激发模块的ResNet结构用于融合先验信息，基于响应的KD策略，将教师Informer学到的知识转移到轻量级学生Informer上；其中，Informer是主要框架，血压波形预测主要关注不同模态生理序列之间的映射关系，因此删除了原始网络中掩码的稀疏概率多头自注意力(multi-head self-attention，MHSA)结构，以避免序列信息泄露；
S5，将步骤S2中数据预处理获取的训练数据按照一定比例划分训练集、验证集和测试集，其中，利用训练集和验证集对步骤S4建立的深度学习模型进行训练和参数选择，测试集用于检验经训练和参数选择后得到的深度学习模型的泛化能力；通过不断向系统模型批量送入训练数据并且通过网络训练来更新网络参数，重复上述操作N次后，将得到的参数视为最优参数；
S6，采集用户的待测光电容积脉搏波信号数据，输入步骤S5得到的深度学习模型中，输出用户的预测血压波形。
其中，基于PPG信号预测血压波形可以被概括为一个实时长序列预测问题。因此，该模型需要通过固定窗长的时滞窗口学习并获取两个序列之间的映射关系。在发明方法中，对于时间窗口t的输入数据PPG序列(即PPG波形)，输出是相应的血压序列(即血压波形)。与单变量预测问题不同，该模型的特征维度不限于单变量的情况。可以选择PPG序列的导数，即PPG的速度序列，PPG的加速度序列。建议的模型接受输入和输出，由公式(1)给出。
Y＝F(X；M；θ) (1)
其中，F(·)是模型函数，
代表引入先验知识，为可选参数，比如PPG波形的形态学特征；θ则代表深度学习模型的超参数。
图2说明了本发明方法具体的实验设计流程图。数据库中收集的PPG和血压信号长度不一，并受到离群值和基线漂移的干扰，因此需要对信号进行预处理，如图3中的方框所示。本发明方法将信号统一重采样到125Hz，这有助于序列的时间对齐。此外，由于小波变换适合分析非平稳信号，在信号突变、压缩重建和信号去噪中具有更好的时频定位。因此，选择sym4小波为基础小波的小波变换进行信号去噪，并根据软阈值函数对噪声的PPG信号进行两阶段独立分解。然后，使用固定尺寸为8秒、滑动步长为3秒的时滞窗口对滤波后的信号进行分割。最后，本发明方法采用最大最小归一化，以确保模型能够快速收敛。MIMIC数据集由80454个8秒片段组成，平均收缩压为140.21±28.97mmHg，舒张压为68.62±15.60mmHg。
最后，本发明方法从归一化的PPG信号中提取形态学特征，以为模型决策提供先验信息。本发明方法分别从PPG信号中提取了75个可解释的特征，包括时域、频域和非线性特征，如时间参数信号偏度(公式2)，无维度指标边缘因子(公式3)，以及面积参数K值(公式4)。大部分的特征展示在图4中。
其中，pmax，pmin和pmean分别代表周期内PPG振幅的最大值、最小值和平均值。
此外，本发明方法额外使用了脉率变异性(pulse rate variability，PRV)来描述序列窗口内的变化模式，如描述序列无序程度的近似熵(approximate entropy，ApEn)。对于PPG序列x，使用长度为m＝2的窗口截断来获得嵌入的序列W＝{w(i),i＝1,2,...,N+m-1}，相似性容忍度为r＝0.1×SD，而ApEn定义为。
其中，
表示在相似性标准r下，整个序列所有长度为m的子片段的平均相似性率，计算公式如下：
其中，w(j)满足max(|w(i)-w(j)|)≤r)/(N-m+1)。
此外，本发明方法对计算出的连续特征进行监督下的ChiMerge分箱离散化，具有一下优点：1)离散特征对异常数据具有较好的稳定性；2)稀疏向量内积乘法操作比较高效；3)离散特征有助于简化模型，降低过拟合的风险。ChiMerge依赖于卡方检验，将相邻的卡方值较低的区间(表明它们具有相似的类分布)结合起来，直到满足停止准则。计算方法如公式(7)所示，Aij表示第i个区间、第j个类别中的实例的数量，相应地，Eij表示Aij的预期频率。
连续特征集可以表示为
其中
称为时间t的s维特征集集合，
代表第t个特征集的平均血压值。本发明方法做进一步改进，首先将血压值等距地分割；然后计算相应类别的值，合并最小区间，从而实现特征离散化。
通过步骤S2数据预处理阶段获取的训练数据计算了大量的PPG形态学参数，然而，过多的特征集合可能包含冗余的信息，仍需要特征选择和融合的操作，以使深度神经网络更好地学习形态相关的先验信息。此外，该步骤也考虑了先验信息与神经网络提取的深度信息进行特征融合的方法设计。本发明方法设计了BEFS算法用于筛选具有鉴别意义的特征作为深度模型的先验信息。
在得到优化的特征集后，本发明方法考虑设计了特征融合策略，将KD-Informer编码器的深度特征与传统的形态学特征相结合。经典的融合方法是通过设置特征权重来确定不同特征集的比例，其计算方法如下：
Ff＝ε·Fm+(1-ε)·Fd (8)
其中，Ff代表融合特征，Fm和Fd分别表示形态学特征和深度特征。然而，虽然这种线性融合方法部署简单，但超参数很难根据数据分布自动调整，需要进行大量的实验来选择合适的比例因子。为此，本发明设计了一种新的特征融合方法，可以自适应地调整特征比例因子。这种方法通过训练多层感知器来更新特征权重，融合操作定义如下。
其中，
b是偏置值。全连接层的非线性空间映射能够更好地权衡先验知识和来自深层特征的信息。
考虑到深度学习模型较高的计算复杂性和较大的存储需求，在步骤S4中，本发明方法采用了基于响应的KD策略，将教师Informer学到的知识转移到轻量级的学生Informer身上。这种方法的主要思想是在教师模型的指导下训练一个高效的学生模型，以获得相当的准确性。从预训练的教师模型中学到的暗知识可以帮助学生模型模仿教师模型的行为，具体的提炼过程如图4所示。教师模型的软几率(logits)包含了特定类别中的有用信息，用于softmax回归任务。温度参数T可以控制分类任务中每个标签的重要性，例如，较高的温度在特定类别zi上产生较弱的概率分布pi(如公式10所示)。然而，血压预测任务的输出是一个时间序列，而不是分类任务中的概率分布或类别单值。在回归任务中，没有这样的软几率(logits)；因此，本发明方法没有使用温度参数，转而使用教师模型的预测输出作为软标签来指导学生的训练。KD-Informer损失可以定义为公式(11)。第一项是蒸馏损失，衡量教师的软预测和学生的预测之间的距离；第二项是学生损失，它衡量学生的预测和参考血压序列之间的距离。超参数用于调整两个损失函数之间的贡献程度。
步骤S5对步骤S2预处理之后的数据按照7:1.5:1.5的比例划分训练集、验证集和测试集，其中训练集和验证集对步骤4建立的系统模型进行训练和参数选择，测试集用于最终检验步骤S5保存下来的最优系统模型的泛化能力。数据切分采用个体间分割的方式，确保每组数据不包含同一患者的数据，从而避免了信息泄露。在训练网络的过程中，使用Adam优化器来进行参数的更新，学习率为0.001，权值衰减为0.999，动量为0.8。
步骤S6中采集用户PPG信号(如图5所示)，将信号波形作为输入深度学习模型中，可自动输出用户的血压信号，如图6所示，实现基于光电容积脉搏波实现有创血压波形的无创估计。
本发明提供的基于光电容积脉搏波实现有创血压波形估计的方法，(1)输入仅由脉搏波组成，因此采集电路只需要采集PPG信号，与传统的基于脉搏波传播速度的方法相比，省去了采集心电信号这一步骤，也无需过多的求导计算，这样方便集成到手环等设备中，不需要袖带等血压测量装备，摆脱了袖带的束缚，使得设备更加便携；(2)本发明的血压估计算法能够实现连续的血压波形估计，也可以实现血压的长期监测，并且可用于日常生活中血压的测量，测量时也不会给人体带来创伤和不适的影响：(3)本发明应用Transformer作为网络骨干提取PPG信号中的大量信息，结合从PPG信号中提取的形态学特征，引入这些先验信息可以促进模型在学习过程中利用更多的鉴别性特征，输入信号包含的信息更丰富，从而使得测量出的血压结果更加稳定，达到更高的预测精度；(4)本发明为了减少内存消耗，实现轻量级计算，采用知识蒸馏策略，将教师模型学到的知识转移到轻量级的学生模型参数中，嵌入到实际的测量设备中，可以大大降低设备的成本；(5)本发明方法设计了详细的特征选择策略，通过修正ChiMerge算法、后向消除特征选择(backwardelimination feature selection,BEFS)和特征融合方法，不仅可以获得有用特征的稀疏子集，而且在学习训练的过程中，神经网络捕获的序列特征也可以被有效地结合起来。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于光电容积脉搏波实现有创血压波形估计的方法，其特征在于，包括以下步骤：
S1，采集监测人体的光电容积脉搏波信号，同时收集连续血压波形作为参考血压信号；
S2，对步骤S1中获得的光电容积脉搏波信号及参考血压信号片段进行数据预处理，得到训练数据；
S3，通过步骤S2数据预处理获取的训练数据，计算得到大量的PPG形态学参数，然后采用BEFS算法筛选具有鉴别意义的信息参数作为深度学习模型的先验信息；
S4，搭建用于无袖带血压波形连续估计监测的深度学习模型，得到具有KD策略的新型Informer架构KD-Informer，KD-Informer采用Informer作为学习共享高级特征的骨干网络，采用带有压缩和激发模块的ResNet结构用于融合先验信息，基于响应的KD策略，将教师Informer学到的知识转移到轻量级学生Informer上；
S5，将步骤S2中数据预处理获取的训练数据按照一定比例划分训练集、验证集和测试集，其中，利用训练集和验证集对步骤S4建立的深度学习模型进行训练和参数选择，测试集用于检验经训练和参数选择后得到的深度学习模型的泛化能力；
S6，采集用户的待测光电容积脉搏波信号数据，输入步骤S5得到的深度学习模型中，输出用户的预测血压波形。
2.根据权利要求1所述的基于光电容积脉搏波实现有创血压波形估计的方法，其特征在于，所述步骤S2中，所述数据预处理包括重采样、滤波降噪、信号分割、时间对齐以及先验特征提取操作。
3.根据权利要求1所述的基于光电容积脉搏波实现有创血压波形估计的方法，其特征在于，所述步骤S3中，采用BEFS算法筛选具有鉴别意义的信息参数作为深度学习模型的先验信息，具体包括：
采用Wrapper和Embedded方法分别过滤出具有前k位的特征子集，用于估计收缩压和舒张压，并将合并后的集合作为基线集；
然后，在特征参数的后向消除阶段，依次消除重要性最低的特征，将剩余的特征集输入到回归器以拟合血压值，并根据优化后的回归结果考虑最终的特征集，作为深度学习模型的先验信息。
4.根据权利要求1所述的基于光电容积脉搏波实现有创血压波形估计的方法，其特征在于，所述步骤S5中，按照7:1.5:1.5的比例划分训练集、验证集和测试集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210280125.9A CN114587310A (zh) | 2022-03-21 | 2022-03-21 | 一种基于光电容积脉搏波实现有创血压波形估计的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210280125.9A CN114587310A (zh) | 2022-03-21 | 2022-03-21 | 一种基于光电容积脉搏波实现有创血压波形估计的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114587310A true CN114587310A (zh) | 2022-06-07 |
Family
ID=81810500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210280125.9A Pending CN114587310A (zh) | 2022-03-21 | 2022-03-21 | 一种基于光电容积脉搏波实现有创血压波形估计的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114587310A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116687418A (zh) * | 2023-08-08 | 2023-09-05 | 深圳市爱保护科技有限公司 | 心电检测的方法、装置、设备及存储介质 |
| CN118044795A (zh) * | 2024-04-16 | 2024-05-17 | 深圳市优创亿科技有限公司 | 基于双路ppg信号的血压测量方法及相关设备 |
-
2022
- 2022-03-21 CN CN202210280125.9A patent/CN114587310A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116687418A (zh) * | 2023-08-08 | 2023-09-05 | 深圳市爱保护科技有限公司 | 心电检测的方法、装置、设备及存储介质 |
| CN116687418B (zh) * | 2023-08-08 | 2023-10-20 | 深圳市爱保护科技有限公司 | 心电检测的方法、装置、设备及存储介质 |
| CN118044795A (zh) * | 2024-04-16 | 2024-05-17 | 深圳市优创亿科技有限公司 | 基于双路ppg信号的血压测量方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11844593B2 (en) | System and method for non-invasive determination of blood pressure dip based on trained prediction models | |
| CN110944577B (zh) | 一种血氧饱和度的检测方法与系统 | |
| Rong et al. | A multi-type features fusion neural network for blood pressure prediction based on photoplethysmography | |
| Tazarv et al. | A deep learning approach to predict blood pressure from ppg signals | |
| CN114376564A (zh) | 一种基于心冲击信号的睡眠分期方法、系统、装置及介质 | |
| CN114587310A (zh) | 一种基于光电容积脉搏波实现有创血压波形估计的方法 | |
| CN111631698A (zh) | 基于运动模式级联约束的可穿戴血压监测及修正方法 | |
| Chen et al. | A new deep learning framework based on blood pressure range constraint for continuous cuffless BP estimation | |
| Jiao et al. | Non-invasive heart rate estimation from ballistocardiograms using bidirectional LSTM regression | |
| Gan et al. | Human-computer interaction based interface design of intelligent health detection using PCANet and multi-sensor information fusion | |
| Roy et al. | BePCon: a photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning | |
| CN116369877A (zh) | 一种基于光电容积脉搏波的无创血压估计方法 | |
| Jiang et al. | Continuous blood pressure estimation based on multi-scale feature extraction by the neural network with multi-task learning | |
| CN113662520B (zh) | 一种基于不确定性量化策略的可穿戴连续血压测量系统 | |
| Li et al. | Hybrid D1DCnet using forehead iPPG for continuous and noncontact blood pressure measurement | |
| Ma et al. | PPG-based continuous BP waveform estimation using polarized attention-guided conditional adversarial learning model | |
| Choi et al. | Attention-lrcn: long-term recurrent convolutional network for stress detection from photoplethysmography | |
| Chan et al. | Estimating heart rate from seismocardiogram signal using a novel deep dominant frequency regressor and domain adversarial training | |
| JP2008253727A (ja) | モニタ装置、モニタシステム及びモニタ方法 | |
| CN115836847A (zh) | 一种血压预测装置及设备 | |
| CN116138755A (zh) | 一种构建用于无创血压监测的模型的方法以及可穿戴设备 | |
| Wang et al. | Personalized Modeling of Blood Pressure With Photoplethysmography: An Error-Feedback Incremental Support Vector Regression Model | |
| CN115089145A (zh) | 基于多尺度残差网络和ppg信号的智能血压预测方法 | |
| Surapaneni et al. | Graph Signal Processing Based Classification of Noisy and Clean PPG Signals Using Machine Learning Classifiers for Intelligent Health Monitor | |
| Akash et al. | Sleep Apnea Detection from Single-Lead ECG A Comprehensive Analysis of Machine Learning and Deep Learning Algorithms |
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 |