CN115067912A - 一种基于elm模型的无创血液粘稠度预测方法及装置 - Google Patents
一种基于elm模型的无创血液粘稠度预测方法及装置 Download PDFInfo
- Publication number
- CN115067912A CN115067912A CN202210534685.2A CN202210534685A CN115067912A CN 115067912 A CN115067912 A CN 115067912A CN 202210534685 A CN202210534685 A CN 202210534685A CN 115067912 A CN115067912 A CN 115067912A
- Authority
- CN
- China
- Prior art keywords
- blood viscosity
- ppg
- value
- output
- hidden layer
- 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
- 210000004369 blood Anatomy 0.000 title claims abstract description 120
- 239000008280 blood Substances 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013186 photoplethysmography Methods 0.000 claims abstract description 96
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 208000024172 Cardiovascular disease Diseases 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000013256 coordination polymer Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010011409 Cross infection Diseases 0.000 description 1
- 206010020710 Hyperphagia Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 235000020830 overeating Nutrition 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000002792 vascular 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
- A61B5/026—Measuring blood flow
- A61B5/0295—Measuring blood flow using plethysmography, i.e. measuring the variations in the volume of a body part as modified by the circulation of blood therethrough, e.g. impedance plethysmography
-
- 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
- A61B5/026—Measuring blood flow
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Hematology (AREA)
- Cardiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于ELM模型的无创血液粘稠度预测方法及装置，获取光电容积脉搏波PPG信号以及血液粘稠度的相关人体参数；对获取的光电容积脉搏波PPG信号进行预处理、特征提取得到PPG波形的极大值以及极小值，计算出平均血容积，从而计算出PPG特征参数k；基于PPG特征参数k与血液粘稠度的拟合公式进行计算得出血液粘稠度初步预估值；将所述血液粘稠度初步预估值和相关人体参数输入预训练好的ELM网络模型，根据所述ELM网络模型的输出，得到血液粘稠度预测结果。本发明通过常规预估方法与机器学习方法相结合，不仅提高了血液粘稠度的计算精度，并且实际应用中能够进行连续实时的无创血液粘稠度预测。
Description
技术领域
本发明属于医学领域信号处理技术领域，涉及一种基于ELM模型的无创血液粘稠度预测方法及装置，主要用于医用或者家庭人体血液粘稠度检测。
背景技术
当今社会，随着生活与工作节奏的不断加快，人们的不良作息习惯以及暴饮暴食的不良饮食习惯，对身体健康的影响越来越大，其中所引起的心血管疾病越来越突出，心血管疾病的发病率和死亡率都在逐年升高，并且有年轻化的趋势。很多心血管疾病在前期很难被察觉，而只有发病后才能被重视，经研究发现，在心血管疾病前期，人的血液外周阻力和血管顺应性等人体生理参数都已经发生了很大的变化。大量研究表明，心血管疾病的发生与血液粘稠度的异常变化有很大的关系。因此，血液粘稠度作为一项重要的身体生理参数逐渐被重视起来。
目前，血液粘度检测技术主要分为无创检测和有创检测。有创检测是从人体内抽取一定量的血液，在血液粘度计中进行检测，获得血液粘度。有创检测的优点是准确性高，但检测设备操作比较复杂，容易造成交叉感染，并且无法对病人做到实时的检测。
发明内容
本发明的目的在于提供一种基于ELM模型的无创血液粘稠度预测方法，从而克服上述现有技术中的缺陷。
无创检测当前主要分为生物力学建模和脉搏波特征提取生物力学建模是利用了人体的流体力学原理，结合了集成化检测设备对血液粘稠度进行检测。无创血液检测可以连续实时的对血液粘稠度进行检测，其不但大大减轻了病人的痛苦，并且做到了对于其他并发症的预防。
本方法通过红外光照射人体表面提取PPG信号波形，先进行滤波处理，消除ppg信号中的高频噪声与基线漂移，再对滤波后的波形进行特征点提取，通过特征点计算特征值，后面通过最小二乘法拟合建立PPG特征参数k与血液粘度值之间的关系式，从而实现了血液粘稠度的初步预估，后面将该值与其他与血液粘稠度相关人体参数作为输入参数导入到ELM模型中进行训练，生成了基于ELM网络的血液粘稠度预测模型，从而进一步提升了血液粘稠度的预测精度。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
第一方面，提供一种无创血液粘稠度预测方法，包括：
获取光电容积脉搏波PPG信号以及血液粘稠度的相关人体参数；
对获取的光电容积脉搏波PPG信号进行预处理；
对预处理后的PPG信号进行特征提取得到特征值，所述特征值包括PPG波形的极大值Qmax以及极小值Qmin；
根据PPG波形的极大值Qmax以及极小值Qmin，计算出平均血容积Qm，从而计算出PPG特征参数k；
基于PPG特征参数k与血液粘稠度的拟合公式进行计算得出血液粘稠度初步预估值；
将所述血液粘稠度初步预估值和相关人体参数输入预训练好的ELM网络模型，根据所述ELM网络模型的输出，得到血液粘稠度预测结果。
在一些实施例中，光电容积脉搏波PPG信号的采集方法为通过光电采集设备采用透射式的方法采集光电容积脉搏波(PPG)信号，进一步地，所述光电采集设备用波长为950nm的可见红外光(I-Red)作为发射光源。
在一些实施例中，所述相关人体参数包括：年龄，身高，体重以及BMI。
在一些实施例中，对获取的光电容积脉搏波PPG信号进行预处理包括：使用滑动平均滤波与小波变换相结合的滤波算法有效的进行信号预处理。
在一些实施例中，平均血容积Qm计算方法包括：
其中，T为光电容积脉搏波单个周期，Q(t)为光电容积脉搏波的血容量随时间变化的函数。
在一些实施例中，PPG特征参数k计算方法包括：
在一些实施例中，PPG特征参数k与血液粘稠度的拟合公式的获得方法为：采用最小二乘法对PPG特征参数k与对应的血液粘稠度实测值进行拟合得到。
在一些实施例中，所述ELM网络模型的训练方法包括：
获取带标签的光电容积脉搏波PPG信号以及血液粘稠度的相关人体参数；所述标签为光电容积脉搏波PPG信号对应的血液粘稠度实测值；
对获取的光电容积脉搏波PPG信号进行预处理；
对预处理后的PPG信号进行特征提取得到特征值，所述特征值包括PPG波形的极大值Qmax以及极小值Qmin；
根据PPG波形的极大值Qmax以及极小值Qmin，计算出平均血容积Qm，从而计算出PPG特征参数k；
基于PPG特征参数k与血液粘稠度的拟合公式进行计算得出血液粘稠度初步预估值；
将所述血液粘稠度初步预估值和相关人体参数输入ELM网络模型进行训练，并以ELM网络模型的输出值与样本真实值来求最小平方差当做训练的目标函数，对模型参数进行优化，得到训练好的ELM网络模型。
在一些实施例中，所述ELM网络模型包含输入层、隐藏层以及输出层；
训练的样本总数为100个，用q表示；输入参数类型数用n表示；输出参数类型数个数用m表示；隐藏层节点个数设置为10个；对于样本为(xn，tq)，x为输入参数,t为输出参数xn＝[x1，x2，…，xn]T∈Rn,tq＝[tq1，tq2，…，tqm]T∈Rm，T为转置矩阵，q＝(1,...,100)，R为有理数集合，有10个隐藏层节点的ELM网络模型的输出f(x)计算方式如下：
其中hi(x)为输入样本x在第i个隐藏层神经元的输出矩阵，hi(x)表示如下：
hi(x)＝G(ai，bi，x)＝G(aix+bi),ai∈R,bi∈R
G(ai，bi，x)为ELM网络中隐藏层的激活函数，ai＝[ai1，ai2，…，ain]T为第i个输入层和隐藏层之间的连接权值，bi为第i个隐藏层节点的偏置值，βi＝[βi1，βi2，…，βim]是第i个隐藏层节点和输出层间的权重列向量；
选择Sigmoid函数作为ELM网络中隐藏层的激活函数，计算公式为：
将ELM网络模型的输出值与样本真实值来求最小平方差当做训练的目标函数：
其中T＝[t1，t2，...，t100]T是期望输出矩阵，即为训练样本真实输出值；F表示范数；H为隐藏层输出；T表示矩阵的转置。
在ELM网络模型训练的过程中输入层与隐藏层之间的连接权值a与偏置阈值b都是随机生成的，在网络训练的过程中只需要对输出权值β求解即可；对输出权值β进行凸优化，是经典的最小二乘求解问题；
求解得：
为输出矩阵的广义逆。
第二方面，本发明提供了一种无创血液粘稠度预测装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
与现有技术相比，本发明具有如下有益效果：本发明提供一种基于ppg特征值的无创血液粘稠度计算方法，通过实时采集脉搏波信号，进行滤波处理后，进行特征点提取，并据此计算出脉搏波特征参数，并进行特征参数值拟合，从而初步预测除了血液粘稠度，再将该值与其他与血液粘稠度相关的人体参数导入ELM模型中进行训练，生成最佳预测模型，实验证明该预测模型能够有效的提升血液粘稠度预测精度。与传统方法相比提升了计算的精度，传统生物力学建模方式复杂不易在实际中去使用，该方法更易于使用，且提升了预测精度，同时在实际应用中能够进行连续实时的进行无创血液粘稠度预测。
附图说明
图1是本发明基于ELM的无创血液粘稠度预测方法的流程图。
图2是ppg(光电容积脉搏波)图。
图3是基于ELM的无创血液粘稠度预测模型的网络结构示意图。
图4是通过基于ELM的无创血液粘稠度预测模型得到的血液粘度预测值与血液粘度真实值对比图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图及具体方法对本发明进行详细描述。
在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
实施例1
一种无创血液粘稠度预测方法，包括：
获取光电容积脉搏波PPG信号以及血液粘稠度的相关人体参数；
对获取的光电容积脉搏波PPG信号进行预处理；
对预处理后的PPG信号进行特征提取得到特征值，所述特征值包括PPG波形的极大值Qmax以及极小值Qmin；
根据PPG波形的极大值Qmax以及极小值Qmin，计算出平均血容积Qm，从而计算出PPG特征参数k；
基于PPG特征参数k与血液粘稠度的拟合公式进行计算得出血液粘稠度初步预估值；
将所述血液粘稠度初步预估值和相关人体参数输入预训练好的ELM网络模型，根据所述ELM网络模型的输出，得到血液粘稠度预测结果。
在一些实施例中，如图1所示，本发明提供了一种基于ELM模型的无创血液粘稠度预测方法，包括如下步骤：
步骤(1)：采集数据，通过光电采集设备采用透射式的方法采集光电容积脉搏波(PPG)信号；
步骤(2)：对步骤(1)中采集到的PPG信号进行信号预处理；
步骤(3)：对步骤(2)中预处理后的PPG信号进行特征值提取，并提取其他与血液粘稠度相关人体参数值；
步骤(4)：通过步骤(3)中提取的PPG特征值计算出PPG特征参数k并与血液粘稠度实测值进行拟合，从而得出两者的拟合公式，根据拟合公式进行计算，初步得出血液粘稠度预估值；
步骤(5)：设计ELM网络模型，将步骤(4)中得到的血液粘稠度初步预测值与步骤(3)提取的其他相关人体参数值输入ELM网络模型从而训练网络模型，建立基于ELM模型的无创血液粘稠度预测模型；
步骤(6)：检测血液粘度值，将通过步骤(4)的方法得到的血液粘稠度初步预测值与其他人体参数输入基于ELM网络的无创血液粘稠度预测模型中，即可获得人体血液粘度精确值。
本发明选用穿透效果较好的波长为950nm的可见红外光(I-Red)作为发射光源采集PPG信号。信号的稳定性差，PPG作为一种毫伏级的信号，极易受噪声的影响。同时，信号具有时变性，不同时刻采集的信号会随情绪、运动状态、健康状况等因素的影响而产生差异。所以对采集到的信号进行滤波、归一化等预处理，消除高频干扰、基线漂移等获取优质的PPG信号波形，使用滑动平均滤波与小波变换相结合的滤波算法有效的去除频率在0.1-0.4hz的基线漂移干扰以及50hz的高频干扰。
通过上述步骤去除了基线漂移和高频干扰后，即可获得优质的PPG波形，随后对优质的PPG波形进行特征提取，即提取PPG波形的极大值Qmax以及极小值Qmin，从而根据提取特征点可以计算出平均血容积Qm，平均血容积Qm计算公式如下：
同时，研究发现人的年龄，身高，体重以及BMI与血液粘稠度也具有很强的相关性，因此，也将这些参数作为后续训练输入参数提取出来，即年龄L，身高H，体重G，BMI为B。
根据提取的PPG波形的极大值Qmax，极小值Qmin以及计算出平均血容积Qm，从而计算出PPG特征参数k具体公式如下：
经过研究发现脉搏波波形特征参数k与十余项血流动力学密切相关，且与血液粘稠度具有很强的相关性，血液粘稠度的改变往往伴随着k的变化，且两者大致成线性关系，因此用最小二乘法对两者进行拟合对其具体的关系做进一步的推导，即CP＝A*k+B(A的取值范围为15.9左右，B的取范围值为(-0.05，0.05))，CP即为预估的血液粘稠度值，从而建立了两者之间具体的拟合公式。从而可以直接根据ppg特征量k去计算血液粘度值，进而得出血液粘稠度的初步预估值。
ELM网络包含输入层、隐藏层以及输出层。ELM网络的算法主要思路为：首先随机生成输入层与隐藏层之间的连接权值a及隐藏层神经元的偏置阈值b，但其维度须与输入参数的维度保持一致，并且训练过程中这两个参数都固定保持不变，且不需要调整；之后只要设好隐藏层神经元的节点数，那么经过一次计算，便能够得到唯一的最优类或最优预测值。如图3所示为单隐藏层神经网络结构图，图中输出节点为1个，因为本专利中的输出只有一个，如需改变，也可以进行修改。
训练的样本总数为100个，用q表示；输入参数类型数为5个，用n表示；输出参数类型数个数为1，用m表示；隐藏层节点个数设置为10个。对于样本为(xn，tq)，，xn＝[x1，x2，…，xn]T∈Rn,tq＝[tq1，tq2，…，tqm]T∈Rm，q＝(1,...,100)，那么有10个隐藏层节点的ELM网络模型的输出计算方式如下：
其中hi(x)为输入样本x在第i个隐藏层神经元的输出矩阵，hi(x)表示如下：
hi(x)＝G(ai，bi，x)＝G(aix+bi),ai∈R,bi∈R
G(ai，bi，x)为ELM网络中隐藏层的激活函数，ai＝[ai1，ai2，…，ain]T为第i个输入层和隐藏层之间的连接权值，bi为第i个隐藏层节点的偏置值，βi＝[βi1，βi2，…，βim是第i个隐藏层节点和输出层间的权重列向量。本专利选择Sigmoid函数作为ELM网络中隐藏层的激活函数，其计算公式为：
为了确保训练结果的误差最小化，将ELM网络的输出值与样本真实值来求最小平方差当做训练的目标函数，其目标函数如下：
其中T＝[t1，t2，...，t100]T是期望输出矩阵，即为训练样本真实输出值；F表示范数，H为隐藏层输出，T表示矩阵的转置。
在ELM模型训练的过程中输入层与隐藏层之间的连接权值a与偏置阈值b都是随机生成的，而且在网络训练的过程中不用进行求解与修改，只需要对输出权值β求解即可。对输出权值β进行凸优化，是经典的最小二乘求解问题。
求解得：
为输出矩阵的广义逆。
基于ELM网络的血液粘度模型具体设计步骤如下，首先确定输入层参数个数为5个，分别为：年龄，身高，体重，BMI，血液粘稠度初步预估值。然后，设置隐藏层神经元的个数为10。其次，将训练样本与预测样本进行标准化处理。其中训练样本数据的输出为标准血液粘度值，由血液粘度计实测获得。随机初始化输入权值a和隐层偏置b。通过训练学习计算出输出权值矩阵β。至此基于ELM网络的血液粘度模型建立完毕。
本发明通过实时采集脉搏波信号，进行滤波处理后，再进行特征点提取算法，并据此计算出脉搏波特征参数，并进行特征参数值拟合，最后得到了基于ppg特征参数的血液粘稠度计算公式，从而初步预测除了血液粘稠度，再将该值与其他与血液粘稠度相关的人体参数导入ELM模型中进行训练，生成最佳预测模型，实验证明该预测模型能够有效的提升血液粘稠度预测精度。与传统方法相比提升了计算的精度，传统生物力学建模方式复杂不易在实际中去使用，该方法更易于使用，且提升了预测精度，同时在实际应用中能够进行连续实时的进行无创血液粘稠度预测。
实施例2
第二方面，本实施例提供了一种无创血液粘稠度预测装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据实施例1所述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种无创血液粘稠度预测方法，其特征在于，包括：
获取光电容积脉搏波PPG信号以及血液粘稠度的相关人体参数；
对获取的光电容积脉搏波PPG信号进行预处理；
对预处理后的PPG信号进行特征提取得到特征值，所述特征值包括PPG波形的极大值Qmax以及极小值Qmin；
根据PPG波形的极大值Qmax以及极小值Qmin，计算出平均血容积Qm，从而计算出PPG特征参数k；
基于PPG特征参数k与血液粘稠度的拟合公式进行计算得出血液粘稠度初步预估值；
将所述血液粘稠度初步预估值和相关人体参数输入预训练好的ELM网络模型，根据所述ELM网络模型的输出，得到血液粘稠度预测结果。
2.根据权利要求1所述的无创血液粘稠度预测方法，其特征在于：光电容积脉搏波PPG信号的采集方法为通过光电采集设备采用透射式的方法采集光电容积脉搏波PPG信号，所述光电采集设备用波长为950nm的可见红外光作为发射光源。
3.根据权利要求1所述的无创血液粘稠度预测方法，其特征在于，所述相关人体参数包括：年龄，身高，体重以及BMI。
4.根据权利要求1所述的无创血液粘稠度预测方法，其特征在于：对获取的光电容积脉搏波PPG信号进行预处理包括：
使用滑动平均滤波与小波变换相结合的滤波算法有效的进行信号预处理。
5.根据权利要求1所述的无创血液粘稠度预测方法，其特征在于：平均血容积Qm计算方法包括：
其中，T为光电容积脉搏波单个周期，Q(t)为光电容积脉搏波的血容量随时间变化的函数。
6.根据权利要求1所述的无创血液粘稠度预测方法，其特征在于：PPG特征参数k计算方法包括：
7.根据权利要求1所述的无创血液粘稠度预测方法，其特征在于，PPG特征参数k与血液粘稠度的拟合公式的获得方法为：采用最小二乘法对PPG特征参数k与对应的血液粘稠度实测值进行拟合得到。
8.根据权利要求1所述的无创血液粘稠度预测方法，其特征在于：所述ELM网络模型的训练方法包括：
获取带标签的光电容积脉搏波PPG信号以及血液粘稠度的相关人体参数；所述标签为光电容积脉搏波PPG信号对应的血液粘稠度实测值；
对获取的光电容积脉搏波PPG信号进行预处理；
对预处理后的PPG信号进行特征提取得到特征值，所述特征值包括PPG波形的极大值Qmax以及极小值Qmin；
根据PPG波形的极大值Qmax以及极小值Qmin，计算出平均血容积Qm，从而计算出PPG特征参数k；
基于PPG特征参数k与血液粘稠度的拟合公式进行计算得出血液粘稠度初步预估值；
将所述血液粘稠度初步预估值和相关人体参数输入ELM网络模型进行训练，并以ELM网络模型的输出值与样本真实值来求最小平方差当做训练的目标函数，对模型参数进行优化，得到训练好的ELM网络模型。
9.根据权利要求1所述的无创血液粘稠度预测方法，其特征在于，所述ELM网络模型包含输入层、隐藏层以及输出层；
训练的样本总数为100个，用q表示；输入参数类型数用n表示；输出参数类型数个数用m表示；隐藏层节点个数设置为10个；对于样本为(xn，tq)，x为输入参数,t为输出参数xn＝[x1，x2，…，xn]T∈Rn,tq＝[tq1，tq2，…，tqm]T∈Rm，T为转置矩阵，q＝(1,...,100)，R为有理数集合，有10个隐藏层节点的ELM网络模型的输出f(x)计算方式如下：
其中hi(x)为输入样本x在第i个隐藏层神经元的输出矩阵，hi(x)表示如下：
hi(x)＝G(ai，bi，x)＝G(aix+bi),ai∈R,bi∈R
G(ai，bi，x)为ELM网络中隐藏层的激活函数，ai＝[ai1，ai2，…，ain]T为第i个输入层和隐藏层之间的连接权值，bi为第i个隐藏层节点的偏置值，βi＝[βi1，βi2，…，βim]是第i个隐藏层节点和输出层间的权重列向量；
选择Sigmoid函数作为ELM网络中隐藏层的激活函数，计算公式为：
将ELM网络模型的输出值与样本真实值来求最小平方差当做训练的目标函数：
其中T＝[t1，t2，...，t100]T是期望输出矩阵，即为训练样本真实输出值；F表示范数；H为隐藏层输出；T表示矩阵的转置。
在ELM网络模型训练的过程中输入层与隐藏层之间的连接权值a与偏置阈值b都是随机生成的，在网络训练的过程中只需要对输出权值β求解即可；对输出权值β进行凸优化，是经典的最小二乘求解问题；
求解得：
为输出矩阵的广义逆。
10.一种无创血液粘稠度预测装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1至9任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210534685.2A CN115067912A (zh) | 2022-05-17 | 2022-05-17 | 一种基于elm模型的无创血液粘稠度预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210534685.2A CN115067912A (zh) | 2022-05-17 | 2022-05-17 | 一种基于elm模型的无创血液粘稠度预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115067912A true CN115067912A (zh) | 2022-09-20 |
Family
ID=83248038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210534685.2A Pending CN115067912A (zh) | 2022-05-17 | 2022-05-17 | 一种基于elm模型的无创血液粘稠度预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115067912A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116861217A (zh) * | 2023-07-18 | 2023-10-10 | 菏泽学院 | 用于移动终端的身份识别方法及系统 |
-
2022
- 2022-05-17 CN CN202210534685.2A patent/CN115067912A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116861217A (zh) * | 2023-07-18 | 2023-10-10 | 菏泽学院 | 用于移动终端的身份识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106980746B (zh) | 一种基于时序分析的通用无创血糖预测方法 | |
| Venkatesan et al. | Mobile cloud computing for ECG telemonitoring and real-time coronary heart disease risk detection | |
| CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
| Zuo et al. | Comparison of three different types of wrist pulse signals by their physical meanings and diagnosis performance | |
| CN112133442B (zh) | 一种连续无创血糖检测装置及方法 | |
| Xu et al. | Pulse images recognition using fuzzy neural network | |
| CN109730663A (zh) | 基于脉搏波传导速度非线性分析的血压评估方法 | |
| CN111728590A (zh) | 基于动态功能连接的个体认知能力预测方法和系统 | |
| CN109288508A (zh) | 一种基于crnn-bp的血压值智能测量方法 | |
| TW201424683A (zh) | 脈波與體質健康風險評估系統與方法 | |
| CN110558960A (zh) | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 | |
| Cui et al. | Wrist pulse diagnosis of stable coronary heart disease based on acoustics waveforms | |
| Wu et al. | Continuous cuff-less blood pressure estimation based on combined information using deep learning approach | |
| CN115067912A (zh) | 一种基于elm模型的无创血液粘稠度预测方法及装置 | |
| Yen et al. | Applying a deep learning network in continuous physiological parameter estimation based on photoplethysmography sensor signals | |
| CN113729648B (zh) | 一种基于多脉搏传感器的穿戴式脉诊手环系统 | |
| Priyanka et al. | Estimating blood pressure via artificial neural networks based on measured photoplethysmography waveforms | |
| Shukla | Estimation of blood pressure from non-invasive data | |
| Hassan et al. | Discrimination of ECG signal based on S-interpolation and Quantum Neural Network | |
| Akhmed-Zaki et al. | Using Wavelet Transform and Machine Learning to Predict Heart Fibrillation Disease on ECG | |
| CN116649924A (zh) | 一种脉搏分析方法及装置 | |
| CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
| CN112686091B (zh) | 基于深度神经网络的两步骤心律失常分类方法 | |
| 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 | |
| Zhang et al. | Computerized radial artery pulse signal classification for lung cancer detection |
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 |