CN115089139A - 结合生物特征识别的个性化生理参数测量方法 - Google Patents

结合生物特征识别的个性化生理参数测量方法 Download PDF

Info

Publication number
CN115089139A
CN115089139A CN202210708269.XA CN202210708269A CN115089139A CN 115089139 A CN115089139 A CN 115089139A CN 202210708269 A CN202210708269 A CN 202210708269A CN 115089139 A CN115089139 A CN 115089139A
Authority
CN
China
Prior art keywords
physiological
user
signals
physiological parameter
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.)
Pending
Application number
CN202210708269.XA
Other languages
English (en)
Inventor
杨翠微
王道淼
胡启晗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN202210708269.XA priority Critical patent/CN115089139A/zh
Publication of CN115089139A publication Critical patent/CN115089139A/zh
Pending legal-status Critical Current

Links

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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1102—Ballistocardiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/33—Heart-related electrical modalities, e.g. electrocardiography [ECG] specially adapted for cooperation with other devices
    • 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

Abstract

本发明提供一种结合生物特征识别的个性化生理参数测量方法。所述方法包括：对获取的生理信号进行采样并生成一维序列；对原始信号降噪并实现数据片段分割；利用质量评估模块选取符合要求的片段并归一化；通过数理变换获取多维数据特征矩阵；使用具有捕捉长程依赖能力的可拓展深度网络实现用户的生物特征识别；基于多尺度深度融合网络提取潜在特征实现不同用户的个性化生理参数测量。本发明方法提供了一种无创便携的生理参数测量方法，可实现日常生活中的个性化监测，其应用范围涵盖所有生理参数的测量，在心血管疾病研究、用户生物特征识别及生理信号处理研究领域均具有一定的应用价值，并有利于个性化的主动管理健康及相关慢性疾病的长期监测。

Description

结合生物特征识别的个性化生理参数测量方法
技术领域
本发明涉及一种结合生物特征识别的个性化生理参数测量方法。
背景技术
心脏是人体最重要的器官之一，是血液循环的动力泵，通过有规律的搏动将血液运送至身体的各个部分，以供血满足人体新陈代谢的需求。大量系统性的回顾研究显示，心血管疾病已经成为全球人口死亡或致残的主要原因。心血管疾病在人口中的风险和发生概率随着年龄的增长逐步上升，与各种慢性或急性的心脏疾病相关的长期监测与实时预警变得愈发重要，与心血管相关的各项生理参数测量扮演着非常重要的角色，对于心血管疾病的防治有着重大的实际意义。
在现有的生理参数测量方法中，受试者的个体差异被长期忽略。由于个体的先天(遗传性)或后天(获得性)因素对机体发生的质变或量变，在临床上不同受试者之间的生理信号存在着显著的个体差异(例如，信号的幅度、频率、变异性等)，这要求测量系统能够根据受试者的实际情况做出及时的针对性调整，实现个性化医疗，推动精准医疗战略的实施。目前，普遍使用的生理参数检测设备，包括心电图机、连续血压监测系统、心输出量监测系统、动脉硬化监测仪等，它们能够提供高精度的评估结果，然而，这类设备不仅在检测过程中需要佩戴大量的传感器，并且设备过大的体量、昂贵的价格决定了其无法满足日常生活中对于生理参数测量的需求。另外，这类设备普遍不具备针对不同受试者自动化调整的能力，难以适应以个性化医疗为代表、精准医疗为基础的下一代医疗体系的发展趋势。
近年来随着柔性材料、边缘计算平台的蓬勃发展，可穿戴技术使得日常生活中长程的生理参数测量成为可能。同时，深度学习技术所取得突破使得以生理参数测量为基础的个人健康监测从传统医院环境到日常生活的过渡成为可能，极大地拓展了实时健康监测、慢病长期管理、个性化医疗的实施场景。
目前对于个性化的医疗需求是通过医生或受试者手动记录实现分类管理，此种方法效率低下，造成了人力、物力及医疗资源的极大浪费；另一种方法是引入其他个人生物特征信息实现自动化的个体身份识别，例如指纹、虹膜、面部信息等，此类方法带来了设备成本提高、设备体积增大等问题。
与此同时，针对生理信号这一具有显著周期性的一维时间序列，传统方法大多采用单一尺度的卷积神经网络实现自动化特征提取，因而忽略了时间序列的长程依赖关系，使得生理参数的测量准确率较低。另一方面，一些使用递归神经网络或长短时记忆模块的深度学习方法，其庞大的参数量与计算成本，使其实际应用受限。
发明内容
为克服上述缺陷、顺应精准医疗趋势、满足实际应用需求，本发明的目的在于提出一种结合生物特征识别的个性化生理参数测量方法。本发明在最大限度降低模型计算复杂度的前提下，借助端到端一维卷积神经网络，基于可拓展策略对可穿戴设备采集到的生理信号进行信号长程依赖关系的建模，充分提取不同感受野的特征信息，基于待测生理信号自身实现用户生物特征识别；继而根据识别到的特定用户个体，自动分配评估系统中专属的多尺度融合网络进行与生理参数相关的特征提取与回归，得到待测量生理参数估计值的输出，从而实现高精度、个性化的生理参数测量。
本发明提出了一种结合生物特征识别的个性化生理参数测量方法，具体步骤如下：
(1)通过专用采集设备获取原始信号，所述原始信号为不同用户个体的生理信号，对所获取的原始信号部署稳健的信号预处理模块，以提高输入数据的信号质量：首先考虑到采集设备的不同配置，对原始信号重采样到固定频率，采用滤波器或数字信号处理中的降噪方法，移除原始信号中的噪声成分(包括基线漂移、工频干扰、呼吸及运动伪迹和心电、体表肌电等其他生理信号)，接着使用滑动时间窗口对滤波后的信号进行数据段分割，并使用质量评估模块进行信号质量评估，选取符合要求的已分割片段，最后对已分割片段进行归一化处理，从而得到干净的一维生理信号片段；
(2)对于步骤(1)得到的一维生理信号片段，使用数学变换获取其信号动力学信息或使用数理变换、数字信号处理技术获取其他特征，得到多维矩阵
Figure BDA0003706730830000021
其中：
Figure BDA0003706730830000022
为分段后第i个用户的第j个数据片段、N1为评估系统内的用户总数，
Figure BDA0003706730830000023
为第i用户分段后数据集的片段总数，C为经过变换后的信号维度数，L表示信号分段后每段信号的长度(每个样本的采样点数)；
(3)对于步骤(2)得到的多维矩阵
Figure BDA0003706730830000031
依据其生理信号的自然前后顺序，按特定的比例ratio划分训练集
Figure BDA0003706730830000032
和测试集
Figure BDA0003706730830000033
(4)提取用于生物特征识别的特征表示并生成用户的生物特征提取模型，该生物特征提取模型包含两个模块，为基于残差模型的主干神经网络模块和基于可拓展策略的卷积模块；
基于残差连接神经网络模块，按照先验的可拓展卷积层层数M部署多尺度网络架构，用以对生理信号的长程依赖关系建模及潜在特征提取，然后将步骤(2)得到的多维矩阵
Figure BDA0003706730830000034
输入统一尺度的浅层卷积模块，得到维度相同的第一级特征映射S0；随后利用基于可拓展策略的卷积模块实现多尺度、长距离生理特征的挤压与选择，继而得到优化的、与待测生理参数更相关的第二级特征映射S1；在可拓展卷积层的第M层后，利用全连接层对所述第二级特征映射S1进行蒸馏表征，生成用于用户生物特征识别的模板
Figure BDA0003706730830000035
其中Yi(i∈Z+，i＝1...N1)表示第i个用户，将该模板存储于生物特征识别系统已认证的用户池；
(5)构建用于估计生理参数测量值的深度神经网络模型，该深度神经网络模型基于残差连接网络，包括多尺度特征融合模块、混合注意力机制和卷积网络层三个部分：根据先验设置的卷积网络层层数I设计多尺度融合卷积网络，将步骤(2)得到的多维矩阵
Figure BDA0003706730830000036
输入该多尺度融合网络，得到第一特征数据三维矩阵S2；利用混合注意力机制挖掘出与待测生理参数相关的第二特征数据三维矩阵S3；按照设定的卷积网络层层数I，利用卷积网络层对所述第二特征数据三维矩阵S3进行回归计算生成生理参数的估计值，从而获取第i个用户的二维数据矩阵
Figure BDA0003706730830000037
与评估推理模型
Figure BDA0003706730830000038
其中，
Figure BDA0003706730830000039
为第i个用户的第j个数据片段的待测生理参数估计值；
(6)将步骤(3)所获得的训练集
Figure BDA00037067308300000310
和输入到步骤(4)中的可拓展模型进行迭代训练和优化，得到可信、高安全性的认证用户模板，将测试集
Figure BDA0003706730830000041
输入用户认证模板识别推理模型进行测试，验证其识别用户的准确性；
(7)将步骤(3)所获得的训练集
Figure BDA0003706730830000042
输入到步骤(5)中的多尺度特征融合模型进行训练和迭代优化，分别得到适应于不同用户个体的生理参数评估模型，将测试集
Figure BDA0003706730830000043
输入生成的评估模型进行性能测试，验证其进行生理参数评估的准确性；
(8)对步骤(4)识别到的用户Yi自动匹配该用户在步骤(5)生成的个性化生理参数评估推理模型
Figure BDA0003706730830000044
基于待测生理信号实现用户身份的生物特征识别及生理参数的个性化评估。
本发明中，所述生理参数包括但不限于心率、血压、呼吸率、心功能指数或动脉硬化指数等中的一种及以上。
本发明中，步骤(1)所不同用户个体的生理信号为包含心血管系统生理病理信息的生理信号，主要包括以下类型：心电信号、脉搏波信号、心冲击信号、心震图信号或心音信号中的一种或多种。
本发明中，步骤(1)所使用的质量评估模块采用的信号质量评估方法包括偏度、峰度、样本熵等统计学特征与波形线下面积、波形斜度变异性等形态学特征的一种或几种。
本发明中，步骤(2)中对于一维生理信号片段进行维度扩充的数学变换方法，所述方法包含以下类型：差分运算、积分运算、傅里叶级数分解、小波变换、经验模态分解、奇异值分解及变分模态分解中任一种。
本发明中，步骤(4)中用于捕捉生理信号长程依赖关系的基于可拓展卷积模块，其中实现可拓展策略的方法包括叠加多尺度卷积核、非局部化加权、全局注意力机制及特征通道注意力机制。
本发明中，步骤(5)中的多尺度特征融合模块能够进一步挖掘与待估计生理参数相关的特征信息，所述融合方法包括数据层多维度融合、特征层多尺度融合、决策层多权重融合。
本发明中，步骤(6)和(7)中所述训练集用于生成和保存推理模型，测试集则用于验证生物特征识别与生理参数测量模型在未知数据集上的性能指标。
本发明中，步骤(8)中的基于识别到的具体用户自动匹配系统内已有个性化生理参数评估模型；若识别到的个体为系统内不存在的新用户，则使用不区分用户的通用模型给出该次生理参数估计测量的结果，并对采集到的信号进行记录和积累，用于后续生成个性化生理参数评估模型。
本发明具有以下有益效果：
1.本发明充分考虑生理信号的个体差异，基于不同待测对象自动分配专属个性化生理参数评估模型，有利于提高其测量的准确性，推动个性化医疗、精准医疗的发展；
2.本发明通过对生理信号施加数理变换，在较低计算复杂度的前提下实现数据维度扩充，能够挖掘生理信号于不同时空视角、不同时频转换域中的潜在信息，从而获取更为完备的特征表示，实现更为精确的生理参数测量；
3.本发明利用基于可拓展策略的卷积运算，捕捉生理信号的长程依赖关系，表征卷积操作在不同感受野下的丰富信息，有利于提升用户识别的准确性和安全性，同时可作为针对不同用户的自动生成与匹配个性化模型的基础；
4.本发明利用多尺度融合技术充分提取原始生理信号中不同尺度的潜在信息，提供可信赖的个人健康数据评估与测量结果，从而确保生理参数测量的准确性；
5.本发明的卷积运算均基于一维卷积操作，共享相同的残差连接网络结构，在保证较低计算复杂度和实时性的同时，采用可拓展测量和多尺度融合能够保证识别的精度、系统的安全性和生理参数测量的准确率；
6.本发明方法提供了一种无创便携的生理参数测量方法，可实现日常生活中的个性化监测，其应用范围涵盖所有生理参数的测量，在心血管疾病研究、用户生物特征识别及生理信号处理研究领域均具有一定的应用价值，同时有利于个性化的主动管理健康以及相关慢性疾病的长期精准监测。
附图说明
图1为原始脉搏波信号(PPG)与预处理后的脉搏波信号示意图，其中横坐标为时间，纵坐标为信号幅值。(a)经由预处理模块降噪前后的脉搏波信号对比示意图；(b)对预处理后的干净脉搏波信号分别施加一阶差分和二阶差分运算获取的VPG与APG信号，即经过数理变换后得到的多维矩阵，作为用户生物特征识别网络和生理参数估计模型。
图2展示了本发明实施例1中基于脉搏波信号的生物特征识别系统示意图。
图3给出了本发明实施例1中的生物特征识别模型捕捉长程依赖的示意图。其中A为叠加多尺度卷积核的特征提取过程，B为非局部化操作的特征输出过程,C为全局注意力机制的特征输出过程。
图4展示了本发明实施例1中多尺度融合生理参数测量网络的初始化设置，尺度数量设置为3的多尺度特征融合卷积层的架构及执行流程。
图5为本发明实施例1实现的血压测量模型的输出值与真实值之间的相关性分析。(a)舒张压的相关性分析，(b)收缩压的相关性分析；(c)舒张压的Bland-Altman分析，(d)收缩压的Bland-Altman分析。图4的坐标中，横轴均为真实值，纵轴均为模型的输出值。
具体实施方式
下面结合附图和实施例对本发明方法及其应用做进一步说明。这些实施方式并不限制本发明；本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
实施例1：将本发明的结合生物特征识别的个性化生理参数测量方法应用于基于脉搏波的舒张压和收缩压测量任务中，并采用多个公开数据库进行性能测试。选取PRRB、BIDMC和VitalDB数据库对基于可拓展策略的生物特征识别模型进行横跨多个数据库交叉性能验证，上述三个数据库均包含脉搏波信号(PPG)，采样率为125Hz。BIDMC与VitalDB数据库还包含心电图信号和动脉血压信号(ABP)，二者采样率为125Hz，同时也用于多尺度融合网络的生理参数测量模型的测试，应用PPG信号实现血压值的测量，ABP信号作为真实值与通过模型测量得到的血压值进行比对。采用本发明的结合生物特征识别的个性化生理参数测量方法，具体步骤如下：
(1)如图1的(a)上部所示的原始脉搏波信号，首先使用小波变换对原始信号中的工频干扰和基线漂移等噪声进行移除；然后使用8秒宽度的滑动时间窗口对脉搏波信号进行分段，再使用偏度作为评估指标对所有数据段进行信号质量评估(移除显著的运动伪迹)，最后对符合要求的数据片段施加零均值归一化处理，得到干净且均匀分段的脉搏波信号，如图1的(a)下部所示。
(2)如图1(b)所示，对均匀分段的数据分别施加一阶差分和二阶差分进行扩充维度，获得脉搏波速度信号(VPG)和脉搏波加速度信号(APG)，得到三维的输入矩阵[3,1000]。
(3)按照8:2的比例，分别将三个数据库各自划分为训练集与测试集，构成3个独立的数据集；提取用于生物特征识别的特征表示并生成用户的生物特征匹配模板：如图2所示，基于脉搏波信号的生物特征识别系统的流程主要包括生理信号采集模块、生理特征提取模块和基于用户模板的识别模块三个主要部分，即将本实施例步骤(1)、(2)获取到的信号输入生物特征提取的训练模型，用于生成认证用户池中需匹配的用户模板；生物特征识别主要包括两阶段，阶段I为系统内新用户到来进行注册和认证操作，阶段II为匹配系统内已有用户进行识别和决策的过程；随后经过认证的用户将被自动分配到所属的个性化模型进行收缩压和舒张压的估计与测量。
(4)提取用于生物特征识别的特征表示并生成用户的生物特征匹配模板，该特征提取模型包含两个主要模块，基于残差模型的主干神经网络和基于可拓展策略的卷积模块。其中，基于残差模型的主干神经网络作为共享模型，由6个步骤组成，分别为输出为[X,32,1000]的第一卷积表征层、输出为[X,32,1000]的最大池化层、最终输出为[X,256,63]的残差连接层、输出为[X,256,1]的均值池化层、输出为[X,256]的全连接层和输出为[X,256]的softmax层(其中，X为生成模型的样本数)，从而获取用于用户识别的生物特征输出模板；残差连接层由多个基于可拓展策略的残差模块组成，生物特征提取的训练模型所使用的可拓展策略如图3所示，包括叠加多尺度卷积核、非局部化操作和注意力机制三个不同的角度。
(5)本实施例于三个公开数据集(PRRB、BIDMC和VitalDB)上用户生物特征识别的准确率(ACC)及等错误率(EER)如表1所示，其中ACC越高表示性能越好，EER越低说明性能越好。SKNet、Res2Net和ROCKET基于叠加多尺度卷积核设计，其中，SKNet为分支型多尺度卷积，Res2Net为网络层之间的多尺度卷积，ROCKET基于随机多尺度卷积核进行特征提取；NL和SNL使用了非局部化操作，其中，NL为计算全局范围权重的非局部化操作，SNL为基于谱特征的非局部化操作；SENet和A2参考注意力机制实现，其中，SENet为卷积通道间注意力机制，A2为双重注意力机制。结果表明，可拓展机制能够取得更高的识别准确率和更低的等错误率。
表1是基于三种可拓展策略在三个公开数据集上进行生物特征识别的性能表现对比表，评价指标为准确率(ACC)及等错误率(EER)。
表1：
Figure BDA0003706730830000081
(6)如图4所示，多尺度融合生理信号测量网络模型的构建由5个步骤组成，5个步骤分别包含1,2,3,3,3个多尺度融合卷积层，每一个步骤的第一个多尺度卷积操作实现降采样。该实施例中的多尺度融合卷积层的具体结构如图5所示，其中ConvK表示卷积核大小为K的卷积层(该实施例中K分别为1,7,9,11)。为降低计算量，将多尺度融合卷积层的尺度数量设置为3，大小为7,9,11的卷积层基于膨胀卷积操作实现。多尺度融合网络模型的原始输入矩阵为[X,3,1000](其中，X为生成模型的样本数)，经由卷积核大小为1的卷积获取浅层特征矩阵[X,256,32]，然后使用注意力模块，收缩压和舒张压子任务卷积网络分别经由两路通道数为512的卷积层、平均池化层和全连接层获取最后卷积层的特征矩阵[X,256,32]，再经过混合注意力模块和softmax函数得到最终的生理参数矩阵[X,2]；由于该实施例为动态测量模式，提取到的血压估计值构成一维序列，收缩压序列[Xs,1]和舒张压序列[Xd,1]，s表示收缩压的测量次数，d表示舒张压的测量次数。
(7)本实施例的性能测试结果如图5所示：图5的(a)、(b)反映了生理参数测量模型在测试集上收缩压与舒张压的测量值与真实值之间的相关性；图5的(c)、(d)反映了生理参数测量模型在测试集上收缩压与舒张压的测量值与真实值之间的Bland-Altman分析。结果表明，本实施例构建的生理参数测量模型可以准确地测量收缩压与舒张压，能够有效地针对单一用户生成个性化的生理参数评估模型。
(8)本实施例中，系统获取用户的脉搏波信号，经过稳健且高效的数据预处理模块，首先输入给基于可拓展策略的生物特征识别网络，识别脉搏波信号所属的用户，然后自动分配系统内的个性化模型进行生理参数测量与评估。本实施例体现，本发明方法在低计算复杂度的前提下，充分考虑生理信号的个体差异性，从而提高了生理参数测量的准确率。

Claims (9)

1.一种结合生物特征识别的个性化生理参数测量方法，其特征在于，具体步骤如下：
(1)通过采集设备获取原始信号，所述原始信号为不同用户个体的生理信号，对所获取的原始信号部署信号预处理模块，以提高输入数据的信号质量：首先考虑到采集设备不同配置，对原始信号重采样到固定频率，采用滤波器或数字信号处理中的降噪方法，移除原始信号中的噪声成分，所述噪声成分包括基线漂移、工频干扰、呼吸及运动伪迹和心电和体表肌电等其他生理信号，接着使用滑动时间窗口对滤波后的信号进行数据段分割，并使用质量评估模块进行信号质量评估，选取符合要求的已分割片段，最后对已分割片段进行归一化处理，从而得到干净的一维生理信号片段；
(2)对于步骤(1)得到的一维生理信号片段，使用数学变换获取其信号动力学信息，或使用数理变换、数字信号处理技术获取其他特征，得到多维矩阵
Figure FDA0003706730820000011
其中：
Figure FDA0003706730820000012
为分段后第i个用户的第j个数据片段、N1为评估系统内的用户总数，
Figure FDA0003706730820000013
为第i用户分段后数据集的片段总数，C为经过变换后的信号维度数，L表示信号分段后每段信号的长度或每个样本的采样点数；
(3)对于步骤(2)得到的多维矩阵
Figure FDA0003706730820000014
依据其生理信号的自然前后顺序，按比例ratio划分训练集
Figure FDA0003706730820000015
和测试集
Figure FDA0003706730820000016
(4)提取用于生物特征识别的特征表示并生成用户的生物特征提取模型，该生物特征提取模型包含基于残差模型的主干神经网络模块和基于可拓展策略的卷积模块；
基于残差连接神经网络模块，按照先验的可拓展卷积层层数M部署多尺度网络架构，用以对生理信号的长程依赖关系建模及潜在特征提取，然后将步骤(2)得到的多维矩阵
Figure FDA0003706730820000017
输入统一尺度的浅层卷积模块，得到维度相同的第一级特征映射S0；随后利用基于可拓展策略的卷积模块实现多尺度、长距离生理特征的挤压与选择，继而得到优化的、与待测生理参数更相关的第二级特征映射S1；在可拓展卷积层的第M层后，利用全连接层对所述第二级特征映射S1进行蒸馏表征，生成用于用户生物特征识别的模板
Figure FDA0003706730820000021
其中Yi(i∈Z+，i＝1...N1)表示第i个用户，将该模板存储于生物特征识别系统已认证的用户池；
(5)构建用于估计生理参数测量值的深度神经网络模型，该深度神经网络模型基于残差连接网络，包括多尺度特征融合模块、混合注意力机制和卷积网络层三部分：根据先验设置的卷积网络层层数I设计多尺度融合卷积网络，将步骤(2)得到的多维矩阵
Figure FDA0003706730820000022
输入该多尺度融合网络，得到第一特征数据三维矩阵S2；利用混合注意力机制挖掘出与待测生理参数相关的第二特征数据三维矩阵S3；按照设定的卷积网络层层数I，利用卷积网络层对所述第二特征数据三维矩阵S3进行回归计算生成生理参数的估计值，从而获取第i个用户的二维数据矩阵
Figure FDA0003706730820000023
与评估推理模型
Figure FDA0003706730820000024
其中，
Figure FDA0003706730820000025
为第i个用户的第j个数据片段的待测生理参数估计值；
(6)将步骤(3)所获得的训练集
Figure FDA0003706730820000026
和输入到步骤(4)中的可拓展模型进行迭代训练和优化，得到可信、高安全性的认证用户模板，将测试集
Figure FDA0003706730820000027
输入用户认证模板识别推理模型进行测试，验证其识别用户的准确性；
(7)将步骤(3)所获得的训练集
Figure FDA0003706730820000028
输入到步骤(5)中的多尺度特征融合模型进行训练和迭代优化，分别得到适应于不同用户个体的生理参数评估模型，将测试集
Figure FDA0003706730820000029
输入生成的评估模型进行性能测试，验证其进行生理参数评估的准确性；
(8)对步骤(4)识别到的用户Yi自动匹配该用户在步骤(5)生成的个性化生理参数评估推理模型
Figure FDA00037067308200000210
基于待测生理信号实现用户身份的生物特征识别及生理参数的个性化评估。
2.根据权利要求1所述的方法，其特征在于，所述生理参数为心率、血压、呼吸率、心功能指数或动脉硬化指数中的一种及以上。
3.根据权利要求1所述的方法，其特征在于，步骤(1)中所述不同用户个体的生理信号为包含心血管系统生理病理信息的生理信号，具体为：心电信号、脉搏波信号、心冲击信号、心震图信号或心音信号中的一种或多种。
4.根据权利要求1所述的方法，其特征在于，步骤(1)所使用的质量评估模块采用的信号质量评估方法包括偏度、峰度、样本熵、波形线下面积或波形斜度变异性特征中的一种或几种。
5.根据权利要求1所述的方法，其特征在于，步骤(2)中对于一维生理信号片段使用数学变换方法得到多维矩阵，所述数学变换方法包含差分运算、积分运算、傅里叶级数分解、小波变换、经验模态分解、奇异值分解或变分模态分解中任一种。
6.根据权利要求1所述的方法，其特征在于，步骤(4)中所述基于可拓展卷积模块捕捉生理信号长程依赖关系，实现可拓展策略的方法包括叠加多尺度卷积核、非局部化加权、全局注意力机制及特征通道注意力机制中任一种。
7.根据权利要求1所述的方法，其特征在于，步骤(5)中的多尺度特征融合模块能够进一步挖掘与待估计生理参数相关的特征信息，具体为数据层多维度融合、特征层多尺度融合或决策层多权重融合中的一种或几种。
8.根据权利要求1所述的方法，其特征在于，步骤(6)和(7)中所述训练集用于生成和保存推理模型，其训练方法包括监督学习、半监督学习、弱监督学习或无监督学习中的一种或几种。
9.根据权利要求1所述的方法，其特征在于，步骤(8)中的基于识别到的具体用户自动匹配系统内已有个性化生理参数评估模型，其个性化模型生成方法包括基于每个用户分别进行训练、预训练模型、迁移学习或风格迁移中的一种或几种。
CN202210708269.XA 2022-06-22 2022-06-22 结合生物特征识别的个性化生理参数测量方法 Pending CN115089139A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210708269.XA CN115089139A (zh) 2022-06-22 2022-06-22 结合生物特征识别的个性化生理参数测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210708269.XA CN115089139A (zh) 2022-06-22 2022-06-22 结合生物特征识别的个性化生理参数测量方法

Publications (1)

Publication Number Publication Date
CN115089139A true CN115089139A (zh) 2022-09-23

Family

ID=83292302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210708269.XA Pending CN115089139A (zh) 2022-06-22 2022-06-22 结合生物特征识别的个性化生理参数测量方法

Country Status (1)

Country Link
CN (1) CN115089139A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115644835A (zh) * 2022-11-01 2023-01-31 北京测态培元科技有限公司 基于可视图和深度残差网络的无袖套血压测量方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115644835A (zh) * 2022-11-01 2023-01-31 北京测态培元科技有限公司 基于可视图和深度残差网络的无袖套血压测量方法

Similar Documents

Publication Publication Date Title
CN111461176B (zh) 基于归一化互信息的多模态融合方法、装置、介质及设备
Zheng et al. A novel hybrid energy fraction and entropy-based approach for systolic heart murmurs identification
CN100418480C (zh) 基于心音分析的心脏病自动分类系统及其心音分段方法
Wang et al. Arrhythmia classification algorithm based on multi-head self-attention mechanism
CN109961017A (zh) 一种基于卷积循环神经网络的心音信号分类方法
Altan Diagnosis of coronary artery disease using deep belief networks
CN108090509B (zh) 一种数据长度自适应的心电图分类方法
Khan et al. Automated classification of lung sound signals based on empirical mode decomposition
Siam et al. PPG-based human identification using Mel-frequency cepstral coefficients and neural networks
CN111067503A (zh) 一种基于心率变异性的睡眠分期方法
CN104636580A (zh) 一种基于人脸的健康监控手机
CN112869716B (zh) 一种基于双通道卷积神经网络的脉搏特征识别系统及方法
CN111759345A (zh) 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置
CN113855038B (zh) 基于多模型集成的心电信号危急值的预测方法及装置
Singh et al. Short unsegmented PCG classification based on ensemble classifier
Prakash et al. A system for automatic cardiac arrhythmia recognition using electrocardiogram signal
CN115363586A (zh) 一种基于脉搏波信号的心理压力等级评估系统及方法
CN112806977A (zh) 基于多尺度融合网络的生理参数测量方法
Ge et al. Detection of pulmonary hypertension associated with congenital heart disease based on time-frequency domain and deep learning features
CN115089139A (zh) 结合生物特征识别的个性化生理参数测量方法
CN109033990B (zh) 基于类内类间距离的cnn模型心拍分类方法
CN113749658A (zh) 基于集成学习的心肺耦合抑郁状态识别方法及系统
Ma et al. Application of time-frequency domain and deep learning fusion feature in non-invasive diagnosis of congenital heart disease-related pulmonary arterial hypertension
CN108338777A (zh) 一种脉搏信号检测分析方法及装置
CN113116300A (zh) 一种基于模型融合的生理信号分类方法

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