CN115089145A - 基于多尺度残差网络和ppg信号的智能血压预测方法 - Google Patents
基于多尺度残差网络和ppg信号的智能血压预测方法 Download PDFInfo
- Publication number
- CN115089145A CN115089145A CN202210690723.3A CN202210690723A CN115089145A CN 115089145 A CN115089145 A CN 115089145A CN 202210690723 A CN202210690723 A CN 202210690723A CN 115089145 A CN115089145 A CN 115089145A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- ppg signal
- pressure prediction
- residual error
- scale residual
- 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 93
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000013186 photoplethysmography Methods 0.000 description 77
- 238000013135 deep learning Methods 0.000 description 3
- 230000035487 diastolic blood pressure Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000035488 systolic blood pressure Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000000709 aorta Anatomy 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
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 208000021822 hypotensive Diseases 0.000 description 1
- 230000001077 hypotensive effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000541 pulsatile effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003371 toe Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 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
- A61B5/02—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
-
- 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
- A61B5/7264—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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Vascular Medicine (AREA)
- Fuzzy Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及无创血压预测技术领域,具体公开了一种基于多尺度残差网络和PPG信号的智能血压预测方法,包括:采集PPG信号;对PPG信号进行滤波;滤波后的PPG信号进行分割和贴上对应的血压标签;划分训练数据和测试数据;构建基于多尺度残差网络的血压预测模型;将训练集输入到血压预测网络模型中进行训练;将测试集输入到训练好的血压预测网络模型中,验证血压预测网络模型的有效性。本发明提供的基于多尺度残差网络和PPG信号的智能血压预测方法,能够从PPG信号中提取到更丰富的特征信息,随后采用3×1卷积核的卷积层加深网络,提高了血压预测网络的泛化性,能够有效提高血压预测网络的预测精度。
Description
技术领域
本发明涉及无创血压预测技术领域,更具体地,涉及一种基于多尺度残差网络和PPG信号的智能血压预测方法。
背景技术
为了实现连续、舒适、长时间的血压(blood pressure,BP)监测,许多无袖无创传感器被提出,能够进行长时间、连续、舒适的BP监测。这些无袖传感器甚至可以以可穿戴设备的形式收集长时间的数据,用于BP估计。无袖口血压测量装置正被广泛使用以改善血压的测量。这些设备中有许多采用了光电容积描记(photoplethysmography,PPG)传感器。PPG传感器通过将光照射在组织体积的一侧,并在另一侧接收透射光或在同一侧接收反射光来测量脉搏动脉血容量波形。与其他体积描记仪(如超声波)相比,这些传感器易于使用,只需要极少的硬件。传统的PPG传感器以手夹的形式出现在指尖、脚趾或耳垂上,以反射贴片的形式出现在鼻子、前额或其他位置。通过专用传感器或摄像机,反射式PPG传感器现在也可以在智能手机和智能手表上使用,而且还可能成为一种适用的生物电子系统。
然而,值得注意的是,即使PPG,心电(electrocardiogram,ECG)传感器成功地获得了脉搏波传导速度(pulse wave velocity,PWV),脉冲传输时间(pulse transit time,PTT)和脉冲到达时间(pulse arrival time,PAT),也从未充分证明PTT或PAT能够准确估计BP。这是因为,要描述人体真实的心血管系统的动力学,单单通过考虑PWV,PTT和PAT是不够的。实际上,测量的PPG波形高度依赖于人与人之间心血管特征的变化。对于这些人来说,常常通过设计用于提取不同时间间隔的许多预先确定的(或手工制作的)特征的给定算法来进行BP预测,但可能会得到错误的特征。此外,不同受试者检测血管周围及血管上方的皮肤、组织、脂肪和骨骼的光学特性也会影响PPG的波形特征,更不用说测量位置可能出现的错误定位。随着智能回归研究的不断深入,各种各样的信号预处理技术被用来从原始测量PPG波形中提取质量特征,而原始测量PPG波形通常具有较大的直流漂移和高频噪声。另一组报道的研究利用上述各种回归方法从PPG波形中提取非生理特征来估计BP值。
最近,已经报道了一些使用深度学习方法直接从PPG数据中提取特征来预测BP的工作。融合特征提取和回归计算的深度学习模型可以更好地解决由于手工提取特征而造成的BP预测误差较大的问题。此外,深度学习为使用单个PPG传感器实现更好的BP精度提供了机会。在此基础上,如何采用深度学习方法设计一种高精高效的BP预测模型是研究的重点。
发明内容
针对现有技术中存在的上述弊端,本发明提供了一种基于多尺度残差网络和PPG信号的智能血压预测方法,在处理PPG信号过程中,能够帮助血压预测网络提取到不同尺度的特征,提高网络的学习能力,能够有效提高血压预测网络的预测精度。
作为本发明的第一个方面,提供一种基于多尺度残差网络和PPG信号的智能血压预测方法,包括以下步骤:
步骤S1:采集用户的PPG信号;
步骤S2:对采集到的用户PPG信号进行滤波处理,得到滤波后的PPG信号;
步骤S3:根据预先设置的样本时长对所述滤波后的PPG信号进行分割,得到多个PPG信号样本;
步骤S4:将分割后的多个PPG信号样本分为训练集和测试集,并将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本进行归一化处理;
步骤S5:构建初始多尺度残差网络血压预测模型;
步骤S6:将所述训练集中归一化处理后的PPG信号样本输入到所述初始多尺度残差网络血压预测模型中进行训练,得到训练后的多尺度残差网络血压预测模型;
步骤S7:将所述测试集中归一化处理后的PPG信号样本输入到所述训练后的多尺度残差网络血压预测模型中进行血压预测,得到用户的血压预测结果。
进一步地,还包括以下步骤:
通过PPG信号采集设备采集所述用户的PPG信号;
设置每次进行分析的样本时长,并根据样本时长采用滑动窗口的方法对所述PPG信号进行分割,将分割后的PPG信号样本分为训练集和测试集。
进一步地,所述将分割后的多个PPG信号样本分为训练集和测试集,并将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本进行归一化处理,还包括:
将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本采用min-max归一化的方法进行比例缩放。
进一步地,所述构建初始多尺度残差网络血压预测模型,还包括:
根据Resnet-18网络的结构参数确定所述初始多尺度残差网络血压预测模型各个模块的超参数,包括各个卷积层的卷积核尺寸、通道数和步长、各个池化层的池化尺寸和步长;所述初始多尺度残差网络血压预测模型的具体构建过程如下:
步骤S5.1:在输入层后构建3个1×1卷积核的卷积层和1个最大池化层,其中2个1×1卷积核的卷积层后分别紧跟3×1和5×1卷积核的卷积层,最大池化层后紧跟1×1卷积核的卷积层,用于捕获PPG信号中的多尺度特征;
步骤S5.2:随后构建通道拼接层,及依次构建4个通道数为16、卷积核大小为3×1以及步长为1的卷积层,同时在两个卷积层之间添加跳跃连接,一共添加两个跳跃连接;
步骤S5.3:紧接着依次构建4个通道数为32、卷积核大小为3×1、步长为1的卷积层,其中第一个卷积层的步长为2,用于压缩特征,同时在后两个卷积层之间添加跳跃连接;
步骤S5.4:紧接着依次构建4个通道数为64、卷积核大小为3×1、步长为1的卷积层,其中第一个卷积层的步长为2,同时在后两个卷积层之间添加跳跃连接;
步骤S5.5:最后构建一个全局平均池化层,并将所述全局平均池化层输出的PPG信号的多尺度特征输入到神经元个数为2的全连接层中,以获取所述训练后的多尺度残差网络血压预测模型。
进一步地,将所述训练集中归一化处理后的PPG信号样本输入到所述初始多尺度残差网络血压预测模型中进行训练,学习率设置为0.001,采用Adam优化器最小化真实血压值和预测血压值的均方误差。
本发明提供的一种基于多尺度残差网络和PPG信号的智能血压预测方法具有以下优点:采用多尺度残差网络,能够从PPG信号中提取到更丰富的特征信息,随后采用3×1卷积核的卷积层加深网络,提高了血压预测网络的泛化性,能够有效提高血压预测网络的预测精度。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。
图1为本发明提供的基于多尺度残差网络和PPG信号的智能血压预测方法的流程图。
图2为本发明提供的基于多尺度残差网络和PPG信号的智能血压预测方法的具体实施方式流程图。
图3为本发明提供的多尺度残差网络血压预测模型的整体结构示意图。
图4为本发明提供的收缩压预测结果的回归分析图。
图5为本发明提供的舒张压预测结果的回归分析图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于多尺度残差网络和PPG信号的智能血压预测方法其具体实施方式、结构、特征及其功效,详细说明如后。显然,所描述的实施例为本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
在本实施例中提供了一种基于多尺度残差网络和PPG信号的智能血压预测方法,如图1-2所示,一种基于多尺度残差网络和PPG信号的智能血压预测方法包括:
步骤S1:采集用户的PPG信号;
需要说明的是,PPG信号为光电血管容积图信号。
步骤S2:对采集到的用户PPG信号进行滤波处理,去除其中的基线漂移和高频噪声,得到滤波后的PPG信号;
步骤S3:根据预先设置的样本时长对所述滤波后的PPG信号进行分割,得到多个PPG信号样本,并为每个样本贴上对应的舒张压和收缩压标签;
步骤S4:将分割后的多个PPG信号样本分为训练集和测试集,并将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本进行归一化处理;
步骤S5:构建初始多尺度残差网络血压预测模型;
步骤S6:将所述训练集中归一化处理后的PPG信号样本输入到所述初始多尺度残差网络血压预测模型中进行训练,得到训练后的多尺度残差网络血压预测模型;
需要说明的是,训练后的多尺度残差网络血压预测模型为一个用于PPG信号的特征提取模型和血压预测模型。
步骤S7:将所述测试集中归一化处理后的PPG信号样本输入到所述训练后的多尺度残差网络血压预测模型中进行血压预测,得到用户的血压预测结果。
优选地,还包括以下步骤:
通过PPG信号采集设备采集所述用户的PPG信号;
设置每次进行分析的样本时长,例如样本时长为8s,并根据样本时长采用滑动窗口的方法对所述PPG信号进行分割,将分割后的PPG信号样本分为训练集和测试集。
优选地,所述将分割后的多个PPG信号样本分为训练集和测试集,并将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本进行归一化处理,还包括:
将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本采用min-max归一化的方法进行比例缩放,将信号的幅值进行缩小,以此提高初始多尺度残差网络血压预测模型的训练效率和识别精度。
优选地,如图3所示,所述构建初始多尺度残差网络血压预测模型,还包括:
根据Resnet-18网络的结构参数确定所述初始多尺度残差网络血压预测模型各个模块的超参数,包括各个卷积层的卷积核尺寸、通道数和步长、各个池化层的池化尺寸和步长;所述初始多尺度残差网络血压预测模型的具体构建过程如下:
步骤S5.1:在输入层后构建3个1×1卷积核的卷积层和1个最大池化层,其中2个1×1卷积核的卷积层后分别紧跟3×1和5×1卷积核的卷积层,最大池化层后紧跟1×1卷积核的卷积层,用于捕获PPG信号中的多尺度特征;
步骤S5.2:随后构建通道拼接层,及依次构建4个通道数为16、卷积核大小为3×1以及步长为1的卷积层,同时在两个卷积层之间添加跳跃连接,一共添加两个跳跃连接;
步骤S5.3:紧接着依次构建4个通道数为32、卷积核大小为3×1、步长为1的卷积层,其中第一个卷积层的步长为2,用于压缩特征,同时在后两个卷积层之间添加跳跃连接;
步骤S5.4:紧接着依次构建4个通道数为64、卷积核大小为3×1、步长为1的卷积层,其中第一个卷积层的步长为2,同时在后两个卷积层之间添加跳跃连接;
步骤S5.5:最后构建一个全局平均池化层,并将所述全局平均池化层输出的PPG信号的多尺度特征输入到神经元个数为2的全连接层中,以获取所述训练后的多尺度残差网络血压预测模型。
优选地,将所述训练集中归一化处理后的PPG信号样本输入到所述初始多尺度残差网络血压预测模型中进行训练,学习率设置为0.001,采用Adam优化器最小化真实血压值和预测血压值的均方误差。
需要说明的是,PPG信号来自PhysioNet提供的重症监护多参数智能监测(MIMIC)II在线波形数据库中的数据,数据集包括正常、高血压和低血压人群。
需要注意的是,PPG信号是通过血氧仪采集指尖PPG信号获得,血压是通过主动脉有创记录ABP计算得到。
在本发明实施例中,血压预测结果如图4-5所示,可以看到收缩压SBP和舒张压DBP的估计值的拟合线与真实血压值的拟合线非常接近,具有很好的预测效果。
本发明提供的一种基于多尺度残差网络和PPG信号的智能血压预测方法,采用多尺度残差网络,能够从PPG信号中提取到更丰富的特征信息,随后采用3×1卷积核的卷积层加深网络,提高了血压预测网络的泛化性,能够有效提高血压预测网络的预测精度。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (5)
1.一种基于多尺度残差网络和PPG信号的智能血压预测方法,其特征在于,包括以下步骤:
步骤S1:采集用户的PPG信号;
步骤S2:对采集到的用户PPG信号进行滤波处理,得到滤波后的PPG信号;
步骤S3:根据预先设置的样本时长对所述滤波后的PPG信号进行分割,得到多个PPG信号样本;
步骤S4:将分割后的多个PPG信号样本分为训练集和测试集,并将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本进行归一化处理;
步骤S5:构建初始多尺度残差网络血压预测模型;
步骤S6:将所述训练集中归一化处理后的PPG信号样本输入到所述初始多尺度残差网络血压预测模型中进行训练,得到训练后的多尺度残差网络血压预测模型;
步骤S7:将所述测试集中归一化处理后的PPG信号样本输入到所述训练后的多尺度残差网络血压预测模型中进行血压预测,得到用户的血压预测结果。
2.根据权利要求1所述的一种基于多尺度残差网络和PPG信号的智能血压预测方法,其特征在于,还包括以下步骤:
通过PPG信号采集设备采集所述用户的PPG信号;
设置每次进行分析的样本时长,并根据样本时长采用滑动窗口的方法对所述PPG信号进行分割,将分割后的PPG信号样本分为训练集和测试集。
3.根据权利要求1所述的一种基于多尺度残差网络和PPG信号的智能血压预测方法,其特征在于,所述将分割后的多个PPG信号样本分为训练集和测试集,并将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本进行归一化处理,还包括:
将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本采用min-max归一化的方法进行比例缩放。
4.根据权利要求1所述的一种基于多尺度残差网络和PPG信号的智能血压预测方法,其特征在于,所述构建初始多尺度残差网络血压预测模型,还包括:
根据Resnet-18网络的结构参数确定所述初始多尺度残差网络血压预测模型各个模块的超参数,包括各个卷积层的卷积核尺寸、通道数和步长、各个池化层的池化尺寸和步长;所述初始多尺度残差网络血压预测模型的具体构建过程如下:
步骤S5.1:在输入层后构建3个1×1卷积核的卷积层和1个最大池化层,其中2个1×1卷积核的卷积层后分别紧跟3×1和5×1卷积核的卷积层,最大池化层后紧跟1×1卷积核的卷积层,用于捕获PPG信号中的多尺度特征;
步骤S5.2:随后构建通道拼接层,及依次构建4个通道数为16、卷积核大小为3×1以及步长为1的卷积层,同时在两个卷积层之间添加跳跃连接,一共添加两个跳跃连接;
步骤S5.3:紧接着依次构建4个通道数为32、卷积核大小为3×1、步长为1的卷积层,其中第一个卷积层的步长为2,用于压缩特征,同时在后两个卷积层之间添加跳跃连接;
步骤S5.4:紧接着依次构建4个通道数为64、卷积核大小为3×1、步长为1的卷积层,其中第一个卷积层的步长为2,同时在后两个卷积层之间添加跳跃连接;
步骤S5.5:最后构建一个全局平均池化层,并将所述全局平均池化层输出的PPG信号的多尺度特征输入到神经元个数为2的全连接层中,以获取所述训练后的多尺度残差网络血压预测模型。
5.根据权利要求1所述的一种基于多尺度残差网络和PPG信号的智能血压预测方法,其特征在于,将所述训练集中归一化处理后的PPG信号样本输入到所述初始多尺度残差网络血压预测模型中进行训练,学习率设置为0.001,采用Adam优化器最小化真实血压值和预测血压值的均方误差。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210690723.3A CN115089145A (zh) | 2022-06-17 | 2022-06-17 | 基于多尺度残差网络和ppg信号的智能血压预测方法 |
LU502768A LU502768B1 (en) | 2022-06-17 | 2022-07-20 | Intelligent blood pressure prediction method based on multi-scale residual network and ppg signal |
PCT/CN2022/106628 WO2023240739A2 (zh) | 2022-06-17 | 2022-07-20 | 基于多尺度残差网络和ppg信号的智能血压预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210690723.3A CN115089145A (zh) | 2022-06-17 | 2022-06-17 | 基于多尺度残差网络和ppg信号的智能血压预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115089145A true CN115089145A (zh) | 2022-09-23 |
Family
ID=83290207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210690723.3A Pending CN115089145A (zh) | 2022-06-17 | 2022-06-17 | 基于多尺度残差网络和ppg信号的智能血压预测方法 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN115089145A (zh) |
LU (1) | LU502768B1 (zh) |
WO (1) | WO2023240739A2 (zh) |
Cited By (1)
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 |
-
2022
- 2022-06-17 CN CN202210690723.3A patent/CN115089145A/zh active Pending
- 2022-07-20 WO PCT/CN2022/106628 patent/WO2023240739A2/zh unknown
- 2022-07-20 LU LU502768A patent/LU502768B1/en active IP Right Grant
Cited By (1)
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 |
Also Published As
Publication number | Publication date |
---|---|
WO2023240739A2 (zh) | 2023-12-21 |
LU502768B1 (en) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017024457A1 (zh) | 连续血压测量装置、测量模型建立方法和系统 | |
WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
Zhou et al. | The noninvasive blood pressure measurement based on facial images processing | |
CN112274120B (zh) | 一种基于单路脉搏波的无创动脉硬化检测方法、装置 | |
CN112971797A (zh) | 连续生理信号质量评估方法 | |
CN110840428B (zh) | 基于一维U-Net网络的无创血压估计方法 | |
CN113729648B (zh) | 一种基于多脉搏传感器的穿戴式脉诊手环系统 | |
Argha et al. | Blood pressure estimation from korotkoff sound signals using an end-to-end deep-learning-based algorithm | |
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 | |
CN115089145A (zh) | 基于多尺度残差网络和ppg信号的智能血压预测方法 | |
Yen et al. | Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN. | |
Zhang et al. | Classification of pulmonary arterial pressure using photoplethysmography and bi-directional LSTM | |
Ma et al. | PPG-based continuous BP waveform estimation using polarized attention-guided conditional adversarial learning model | |
CN110491504B (zh) | 一种心音信号医学指标数据的获取方法 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
CN115836847A (zh) | 一种血压预测装置及设备 | |
CN111067500A (zh) | 一种基于ppg信号实现连续血压的监测系统 | |
CN113456043A (zh) | 一种连续血压检测方法及装置 | |
Sun et al. | Noninvasive Blood Pressure Prediction Based on Dual Encoder U-Net | |
Pankaj et al. | Blood pressure estimation and classification using a reference signal-less photoplethysmography signal: a deep learning framework | |
Raju et al. | Real-Time Hemoglobin Measurement Using Smartphone Video and Artificial Neural Network | |
CN114145722B (zh) | 一种面向胰腺炎患者的脉搏病理特征挖掘方法 | |
Mohan et al. | Real-time signal processing of photoplethysmographic signals to estimate the on-demand and continuous heart rate by spectral analysis |
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 |