CN115299916A - 一种基于cnn-gru网络模型的脑血流检测方法 - Google Patents
一种基于cnn-gru网络模型的脑血流检测方法 Download PDFInfo
- Publication number
- CN115299916A CN115299916A CN202211050697.4A CN202211050697A CN115299916A CN 115299916 A CN115299916 A CN 115299916A CN 202211050697 A CN202211050697 A CN 202211050697A CN 115299916 A CN115299916 A CN 115299916A
- Authority
- CN
- China
- Prior art keywords
- blood flow
- cerebral blood
- cnn
- gru
- network
- 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
- 230000003727 cerebral blood flow Effects 0.000 title claims abstract description 84
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000005311 autocorrelation function Methods 0.000 claims abstract description 29
- 238000009792 diffusion process Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000011002 quantification Methods 0.000 claims abstract description 17
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000005065 mining Methods 0.000 claims abstract description 5
- 238000011897 real-time detection Methods 0.000 claims abstract description 5
- 125000004122 cyclic group Chemical group 0.000 claims abstract 2
- 238000012549 training Methods 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 17
- 230000008859 change Effects 0.000 abstract description 14
- 206010006322 Breath holding Diseases 0.000 abstract description 13
- 230000017531 blood circulation Effects 0.000 abstract description 13
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000008344 brain blood flow Effects 0.000 abstract description 6
- 230000003595 spectral effect Effects 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000007787 long-term memory Effects 0.000 abstract description 2
- 230000006403 short-term memory Effects 0.000 abstract description 2
- 238000005728 strengthening Methods 0.000 abstract 1
- 210000001519 tissue Anatomy 0.000 description 15
- 238000005259 measurement Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 8
- 239000000835 fiber Substances 0.000 description 8
- 239000010410 layer Substances 0.000 description 8
- 239000013307 optical fiber Substances 0.000 description 8
- 239000000523 sample Substances 0.000 description 7
- 210000001061 forehead Anatomy 0.000 description 5
- 230000001427 coherent effect Effects 0.000 description 4
- 238000005100 correlation spectroscopy Methods 0.000 description 4
- 238000004611 spectroscopical analysis Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010009244 Claustrophobia Diseases 0.000 description 1
- 206010021079 Hypopnoea Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000010455 autoregulation Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000036995 brain health Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 208000001797 obstructive sleep apnea Diseases 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 208000019899 phobic disease Diseases 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 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
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Hematology (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于CNN‑GRU网络模型的脑血流检测方法，用于解决现有扩散相关光谱血流量化方法存在计算繁琐、操作复杂和速度低等问题。针对脑血流变化多样实时性要求高的特点，提出一种基于卷积神经网络CNN和门控循环单元GRU的网络模型，实现脑血流的实时量化，具体包括获取憋气或深呼吸试验下的脑血流变化数据；建立CNN‑GRU网络，通过CNN强大的特征提取能力，挖掘扩散相关光谱所采集的光强自相关函数g2(τ)的有效特征；利用GRU网络建立时间节点下的预测模型，加强历史时刻重要信息对预测输出的表达；通过全连接层建立与脑血流之间的联系，实现脑血流的实时检测。本发明将CNN的特征提取能力与GRU融合长短期记忆的能力相结合，充分挖掘脑血流复杂变化下的有效信息，为扩散相关光谱脑血流的实时量化提供了新方法。
Description
技术领域
本发明涉及生物医学工程技术领域，尤其涉及一种基于CNN-GRU网络模型的脑血流检测方法。
背景技术
脑血流(Cerebral blood flow,CBF)是大脑健康和功能的重要生物标志物，不仅反映了脑代谢活动的程度，而且是脑自动调节(Cerebral autoregulation,CA)能力判断的关键。因此，脑血流变化的检测在脑卒中等脑血管疾病诊断中尤为重要。目前，临床上用于脑血流检测的代表性技术主要有颅脑磁共振成像(Magnetic resonance imaging,MRI)和经颅多普勒超声(Transcranial doppler ultrasound,TCD)。其中，颅脑磁共振成像(MRI)耗时较长不能连续测量，且患有幽闭恐惧症或体内有金属植入物如假牙、心脏支架等不能进行颅脑核磁共振检查；经颅多普勒超声(TCD)检查限于观察大血管，不能准确反映脑血管疾病患者的微血管灌注。
扩散相关光谱(Diffuse Correlation Spectroscopy,DCS)技术利用长相干光检测组织内散射颗粒的动态特性提供血流变化，无创、适用范围广、检测要求低，且适用于长时间的床边检测。可见，基于扩散相关光谱的脑血流检测有望为脑卒中等脑血管病的诊断提供有效的解决方案。然而，现有扩散相关光谱组织血流量化方法需通过迭代拟合实现，存在计算繁琐、操作复杂和速度低等问题，尚未有开展针对脑血流量化的深度学习方法研究。原因在于，脑组织结构及其功能的复杂性使得脑血流的变化多样，而且脑循环依赖于致密的血管网运输充足的氧气与营养同时排出代谢产物，故而相比于其他骨骼肌组织血流的检测，对脑血流检测的实时性要求更高，亟需一种面向脑血流检测的扩散相关光谱组织血流量化方法。
参考文献
[1]卞海阔.阿尔兹海默症静息态功能磁共振与脑血流指标研究[D].电子科技大学.
[2]Hou Y,Shang Y,Cheng R,et al.Obstructive sleep apnea-hypopnearesults in significant variations in cerebral hemodynamics detected bydiffuse optical spectroscopies[J].Physiological Measurement,2014,35(10):2135.
[3]Durduran T,Yodh A G.Diffuse correlation spectroscopy for non-invasive,micro-vascular cerebral blood flow measurement[J].Neuroimage,2014,85:51-63.
[4]梁佳明,王晶,梅建生,等.基于扩散相关光谱的血流检测方法研究[J].光谱学与光谱分析,2012,32(010):2749-2752.
发明内容
有鉴于此，针对现有扩散相关光谱组织血流量化方法需通过迭代拟合实现，存在计算繁琐、操作复杂和速度低等问题，且尚未有开展针对脑血流量化的深度学习方法研究，提出了一种基于CNN-GRU网络模型的脑血流检测方法。具体而言，该方法以实现脑血流的实时获取为目标，针对脑血流变化多样实时性要求高的特点，提出一种基于卷积神经网络(Convolutional neural networks,CNN)和门控循环单元(Gated recurrent unit,GRU)的网络模型，实现脑血流的实时量化。首先，通过CNN强大的特征提取能力，挖掘扩散相关光谱所采集的光强自相关函数g2(τ)的有效特征，充分利用输入信息；然后，利用GRU网络建立时间节点下的预测模型，加强历史时刻重要信息对预测输出的表达；最后，通过全连接层建立与脑血流之间的联系，实现脑血流的实时检测。
为达上述目的，本发明所采用的技术方案为：
一种基于CNN-GRU网络模型的脑血流检测方法，详见下文描述：
步骤(1)：数据采集。利用扩散相关光谱组织血流检测系统，获取憋气或深呼吸试验下的脑血流变化数据。首先，招募被测试志愿者；然后，采集被测试者前额部位在平稳状态、憋气或深呼吸状态、恢复状态条件下的光强自相关函数g2(τ)数据；最后，通过传统非线性拟合方法利用光强自相关函数g2(τ)计算得到脑血流，以此作为CNN-GRU网络输出的标签。
步骤(2)：数据预处理。对于步骤(1)所获得光强自相关函数g2(τ)数据，进行归一化预处理后，将上述归一化后的g2(τ)数据随机分为训练集和测试集两组，其中训练集数据将作为CNN-GRU网络的数据输入。
步骤(3)：CNN-GRU网络构建。针对脑血流变化多样实时性要求高的特点，为实现脑血流的实时量化。首先，通过CNN强大的特征提取能力，挖掘扩散相关光谱所采集的光强自相关函数g2(τ)的有效特征，充分利用输入信息；然后，利用GRU网络建立时间节点下的预测模型，加强历史时刻重要信息对预测输出的表达；最后，通过全连接层建立与脑血流之间的联系，实现脑血流的实时检测。CNN-GRU网络结构如下：依次经过两种CNN卷积对光强自相关函数进行不同的特征提取，通过最大池化对特征进行压缩，加快了计算速度并防止过拟合；将得到的两种特征拼接后，再次通过卷积得到融合后的特征，经过最大池化去除冗余信息、再依次通过两层GRU网络以及一个全连接层。即通过深度学习方法提取光强自相关函数g2(τ)的时序特征，从而基于上述时序特征建立其与脑血流(CBF,cm2/s)之间的关系，以实现组织脑血流的测量；
步骤(4)：CNN-GRU网络训练与脑血流实时量化的实现。步骤(2)中训练集样本数据输入步骤(3)所构建的CNN-GRU网络中进行训练，训练完成后将测试集样本数据输入已训练好的网络模型中进行脑血流的量化，从而实现脑血流的实时量化。
进一步的，本发明所用的扩散相关光谱组织血流检测系统的光源采用波长分别为785nm、的半导体连续波激光器，激光功率大于50mW，相干长度大于10m，经由多模光纤引导到待测组织表面；检测端由单模光纤束放置在距光源20mm处；检测到的光信号经由单模光纤进入高灵敏度单光子计数器；单光子计数器通过软件相关器处理后进入上位机，实现系统控制和数据的采集、处理与显示。
进一步的，本发明所述上位机包括软件相关器，将单光子计数器输入的电脉冲信号进行计数和自相关运算。
进一步的，步骤(1)中数据采集部分所涉及的憋气或深呼吸试验的测量部位为前额。数据采集部分所涉及为3个测量阶段，即平稳阶段、憋气或者深呼吸阶段、恢复阶段。
进一步的，步骤(2)中训练集数据和测试集数据均为光强自相关函数g2(τ)数据，光强自相关函数g2(τ)数据的长度为64。
有益效果
本发明提出一种基于CNN-GRU网络模型的脑血流检测方法。首先，基于扩散相关光谱技术，通过憋气或深呼吸试验等在体试验获取光强自相关函数g2(τ)数据；然后，构建CNN-GRU网络将光强自相关函数g2(τ)数据为输入，以脑血流变化为输出，进行训练；最后，将测试集数据送入训练好的CNN-GRU网络模型中，实现脑血流的实时量化。
现有扩散相关光谱组织血流量化方法需通过迭代拟合实现，存在计算繁琐、操作复杂和速度低等问题，尚未有开展针对脑血流量化的深度学习方法研究。因此，本发明提出了一种基于CNN-GRU网络模型的脑血流检测方法，该方法解决了传统迭代拟合方法计算繁琐、操作复杂和速度低等问题，并且针对脑血流变化多样实时性要求高的特点，将CNN的特征提取能力与GRU融合长短期记忆的能力相结合，充分挖掘脑血流复杂变化下的有效信息，为扩散相关光谱脑血流的实时量化提供了新方法。
附图说明
图1为本发明方法的整体流程图；
图2为本发明所涉及扩散相关光谱脑血流检测系统示意图；
图3为本发明所提出的CNN和GRU模型网络构架图。
附图中，各标号所代表的部件列表如下：
1：长相干激光器(785nm) 2：光源光纤
3：测量探头 4：被测组织
5：探测光纤 6：单光子计数器
7：光子相关器(软件相关器) 8：上位机
9：电缆
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下结合具体实施例，并参照附图，对本发明实施方式作进一步地详细描述。
本发明提供一种尤其涉及一种基于CNN-GRU网络模型的脑血流检测方法。
图1展示了本发明所提出方法的整体流程图，具体而言包括以下步骤：
步骤(1)：数据采集。利用扩散相关光谱组织血流检测系统，获取憋气或深呼吸试验下的脑血流变化数据。首先，招募被测试志愿者；然后，采集被测试者前额部位在平稳状态、憋气或深呼吸状态、恢复状态条件下的光强自相关函数g2(τ)数据；最后，通过传统非线性拟合方法利用光强自相关函数g2(τ)计算得到脑血流，以此作为CNN-GRU网络输出的标签。
进一步的，本发明所用的是扩散相关光谱组织血流检测系统，如图2所示，长相干激光器(1)分别采用波长为785nm的半导体连续波激光器，激光功率大于50mW，相干长度大于10m，经由光源光纤(3)与测量探头(4)相连放置在待测组织(5)表面；探测光纤束放置在距光源光纤20mm处；检测到的光信号经由探测光纤(6)进入单光子计数器(7)；单光子计数器(7)通过软件相关器(8)处理后进入上位机(9)，实现系统控制和数据的采集、处理与显示。
进一步的，光源光纤为多模光纤，芯径为50μm、62.5μm、100μm或以上。
进一步的，探测光纤为单模光纤，芯径为5μm或9μm，但不局限于上述两种。
进一步的，单模光纤的个数为1个，分别到探测光源的距离为20mm。
进一步的，本发明所述上位机包括软件相关器，将单光子计数器输入的电脉冲信号进行计数和自相关运算。
进一步的，数据采集部分所涉及的平稳状态实验的测量部位为前额；所涉及的憋气或者深呼吸实验的测量部位为前额。
进一步的，袖带加压实验分为三个阶段，分别是平稳阶段、憋气或者深呼吸阶段以及恢复阶段。单次憋气实验的测量时长为120s左右，单次深呼吸实验的测量时长为150s左右，采样频率为10Hz，共进行了2次憋气和2次深呼吸实验。平稳阶段保持均匀呼吸；憋气阶段持续30s，深呼吸阶段持续1min；恢复阶段，瞬间恢复均匀呼吸。
在体憋气或者深呼吸实验所获得的光强自相关函数数据共计109800例，每例数据即每个光强自相关函数的数据长度都为64。
现有的脑血流指数的计算过程如下：通过检测光斑的光强度变化来替代光斑的电场变化，归一化后的光斑光强度的时间自相关函数g2(r,t,τ)＝<I(t)I(t+τ)>/<I(t)>2与电场时间自相关函数g1(r,t,τ)＝G1(r,t,τ)/<E(t)E*(t)>通过Siegert关系式得到
g2(r,t,τ)＝1+β|g1(r,t,τ)|2
式中，β取值受光源相干度，检测光纤参数，外部光线等因素影响。
将检测得到的光强度自相关函数与上述理论函数曲线进行拟合得到脑血流指数(CBF)。
步骤(2)：数据预处理。对于步骤(1)所获得光强自相关函数g2(τ)数据，进行归一化预处理后，将上述归一化后的g2(τ)数据随机分为训练集和测试集两组，其中训练集数据将作为CNN-GRU网络的数据输入。
进一步的，数据预处理的训练集数据和测试集数据均为步骤(1)所采集的光强和光强自相关函数数据。其中，训练集数据为74100例，测试集数据为17700例。
步骤(3)CNN-GRU网络构建。针对脑血流变化多样实时性要求高的特点，为实现脑血流的实时量化。首先，通过CNN强大的特征提取能力，挖掘扩散相关光谱所采集的光强自相关函数g2(τ)的有效特征，充分利用输入信息；然后，利用GRU网络建立时间节点下的预测模型，加强历史时刻重要信息对预测输出的表达；最后，通过全连接层建立与脑血流之间的联系，实现脑血流的实时检测。CNN-GRU网络结构如下：依次经过两种CNN卷积对光强自相关函数进行不同的特征提取，通过最大池化对特征进行压缩，加快了计算速度并防止过拟合；将得到的两种特征拼接后，再次通过卷积得到融合后的特征，经过最大池化去除冗余信息、再依次通过两层GRU网络以及一个全连接层。
由于实验所采集的光强自相关数据是一段与时间相关的序列信号，CNN卷积神经网络和GRU(Gated Recurrent Unit)网络，在提取相关特征和时间序列预测方面有广泛的应用，因此本发明利用CNN结合GRU网络模型来量化相对脑血流变化。光强自相关函数进行非线性拟合得到血流指数，因此网络的输入是对应波长的光强自相关函数g2(τ)数据，根据所采集的光强自相关函数的数据的大小，将归一化后的光强自相关函数的数据通过步长为1，1×16的卷积核和步长为2，1×18的卷积核进行不同特征的提取，并经过最大池化对特征进行压缩，然后，将两种卷积的输出进行拼接，再通过卷积融合特征，经过最大池化去除冗余信息，进而输入到第一层GRU网络中，经第二层GRU网络，最后通过一个全连接层输出预测的脑血流指数；从而产生脑血流作为输出。即通过深度学习方法提取光强自相关函数g2(τ)的时序特征，从而基于上述时序特征建立其与脑血流(CBF,cm2/s)之间的关系，以实现组织脑血流的测量。
步骤(4)：CNN-GRU网络训练与脑血流实时量化的实现。步骤(2)中训练集样本数据输入步骤(3)所构建的CNN-GRU网络中进行训练，训练完成后将测试集样本数据输入已训练好的网络模型中进行脑血流的量化，从而实现脑血流的实时量化。网络训练时，将传统方法计算的脑血流变化作为真实值，真实值与网络预测值之间的均方误差函数作为损失函数，当损失函数达到最小值时，训练结束，训练完成后将测试集样本数据输入已训练好的网络模型中进行预测。
进一步的，网络损失函数MSE计算公式为：
式中，yi为网络的标签值，即为根据传统方法计算得到的脑血流，y′为网络的预测值，即为网络预测得到的脑血流的值。
最后所应说明的是，虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的群里保护范围之内。
Claims (5)
1.一种基于CNN-GRU网络模型的脑血流检测方法，具体而言，该方法以实现脑血流的实时获取为目标，针对脑血流变化多样实时性要求高的特点，提出一种基于卷积神经网络(Convolutionalneuralnetworks,CNN)和门控循环单元(Gated recurrent unit,GRU)的网络模型，实现脑血流的实时量化。首先，通过CNN强大的特征提取能力，挖掘扩散相关光谱所采集的光强自相关函数g2(τ)的有效特征，充分利用输入信息；然后，利用GRU网络建立时间节点下的预测模型，加强历史时刻重要信息对预测输出的表达；最后，通过全连接层建立与脑血流之间的联系，实现脑血流的实时检测，其特征在于：
步骤(1)：数据采集：通过基于扩散相关光谱的检测系统，分别采集平稳状态、深呼吸状态以及恢复状态条件下的光强自相关数据，进而得到脑血流，并把脑血流数据作为深度学习网络输出的标签；
步骤(2)：数据预处理；对于步骤(1)所获得光强自相关数据进行归一化处理，并随机选取，然后组成训练集；
步骤(3)：构建深度学习网络：根据所采集的光强自相关数据的大小，将归一化后的光强自相关数据通过两个并行的卷积核进行不同特征的提取，每个卷积核之后设有第一次最大池化对特征进行压缩，然后，将两路压缩后的输出进行拼接，再通过卷积融合特征，经过第二次最大池化去除冗余信息，进而输入到第一层GRU网络中，经第二层GRU网络，最后通过一个全连接层输出预测的脑血流；
步骤(4)：网络训练与检测：步骤(2)中训练集样本数据输入步骤(3)所构建的网络中进行训练，将传统方法计算得到的脑血流作为真实值，真实值与网络预测值之间的均方误差函数作为损失函数对系统进行训练，网络训练时，当损失函数达到最小值时，训练结束；利用训练完成的深度学习网络，对待测样本数据进行诊断，得到脑血流数据集。
2.根据权利要求1所述的一种基于CNN-GRU网络模型的脑血流检测方法，其特征在于所述两个并行的卷积核分别为步长为1，1×16的卷积核以及步长为2，1×18的卷积核。
3.根据权利要求1或2所述的一种基于CNN-GRU网络模型的脑血流检测方法，其特征在于所述第一次最大池化尺寸为1×8池化核，步长为4；第二次最大池化尺寸为1×4池化核，步长为2。
4.根据权利要求1所述的一种基于CNN-GRU网络模型的脑血流检测方法，其特征在于，拼接后卷积的尺寸为1×4卷积核，步长为1。
5.根据权利要求1所述的一种基于CNN-GRU网络模型的脑血流检测方法，其特征在于，所述的两层GRU隐藏层数为12。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211050697.4A CN115299916A (zh) | 2022-08-29 | 2022-08-29 | 一种基于cnn-gru网络模型的脑血流检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211050697.4A CN115299916A (zh) | 2022-08-29 | 2022-08-29 | 一种基于cnn-gru网络模型的脑血流检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115299916A true CN115299916A (zh) | 2022-11-08 |
Family
ID=83865456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211050697.4A Pending CN115299916A (zh) | 2022-08-29 | 2022-08-29 | 一种基于cnn-gru网络模型的脑血流检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115299916A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200015755A1 (en) * | 2018-07-12 | 2020-01-16 | The Chinese University Of Hong Kong | Deep learning approach for long term, cuffless, and continuous arterial blood pressure estimation |
| WO2020151075A1 (zh) * | 2019-01-23 | 2020-07-30 | 五邑大学 | 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法 |
| CN112022125A (zh) * | 2020-09-28 | 2020-12-04 | 无锡博智芯科技有限公司 | 一种基于CNN-BiGRU模型和PPG的智能血压预测方法 |
| CN112587118A (zh) * | 2020-12-11 | 2021-04-02 | 北京工业大学 | 一种基于深度学习的扩散相关光谱血流量化方法 |
| CN114724020A (zh) * | 2022-04-14 | 2022-07-08 | 南京邮电大学 | 一种基于cnn-gru的移动应用识别方法 |
-
2022
- 2022-08-29 CN CN202211050697.4A patent/CN115299916A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200015755A1 (en) * | 2018-07-12 | 2020-01-16 | The Chinese University Of Hong Kong | Deep learning approach for long term, cuffless, and continuous arterial blood pressure estimation |
| WO2020151075A1 (zh) * | 2019-01-23 | 2020-07-30 | 五邑大学 | 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法 |
| CN112022125A (zh) * | 2020-09-28 | 2020-12-04 | 无锡博智芯科技有限公司 | 一种基于CNN-BiGRU模型和PPG的智能血压预测方法 |
| CN112587118A (zh) * | 2020-12-11 | 2021-04-02 | 北京工业大学 | 一种基于深度学习的扩散相关光谱血流量化方法 |
| CN114724020A (zh) * | 2022-04-14 | 2022-07-08 | 南京邮电大学 | 一种基于cnn-gru的移动应用识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘彩彩 等: "诱发生理状态下的脑血流动力学的无创光学评估", 中国医疗设备, no. 02, 10 February 2020 (2020-02-10) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Homecare-oriented intelligent long-term monitoring of blood pressure using electrocardiogram signals | |
| CN112587118B (zh) | 一种基于深度学习的扩散相关光谱血流量化方法 | |
| US20240215887A1 (en) | Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease | |
| CN113143230B (zh) | 一种外周动脉血压波形重构系统 | |
| CN106175834A (zh) | 便携式多功能脑循环动力学监测分析仪 | |
| Humeau-Heurtier et al. | Linguistic analysis of laser speckle contrast images recorded at rest and during biological zero: comparison with laser Doppler flowmetry data | |
| CN115486824B (zh) | 一种基于不确定性度量的无袖带连续血压估计系统 | |
| US20230172565A1 (en) | Systems, devices, and methods for developing a model for use when performing oximetry and/or pulse oximetry and systems, devices, and methods for using a fetal oximetry model to determine a fetal oximetry value | |
| Li et al. | Hybrid D1DCnet using forehead iPPG for continuous and noncontact blood pressure measurement | |
| Jiang et al. | Continuous blood pressure estimation based on multi-scale feature extraction by the neural network with multi-task learning | |
| Naumova et al. | Method for the analysis of tissue oxygen saturation disorders using an optical analyzer of visible and IR spectra | |
| CN112587119B (zh) | 一种基于深度学习的外周动脉特征提取方法 | |
| CN112836647B (zh) | 一种基于ppg信号的无创式甘油三酯估计系统 | |
| Zheng et al. | UTransBPNet: A General Deep Learning Model for Cuffless Blood Pressure Estimation under Activities | |
| CN113662520A (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 | |
| CN117017310A (zh) | 基于知识蒸馏的声电双模先天性心脏病预测装置 | |
| CN115299916A (zh) | 一种基于cnn-gru网络模型的脑血流检测方法 | |
| WO2001005304A1 (en) | Method of living organism multimodal functional mapping | |
| CN114081483A (zh) | 一种基于深度学习扩散相关光谱的组织血流和血氧饱和度测量方法 | |
| JP2024532279A (ja) | 上昇左心室拡張末期圧を非侵襲的に査定するための方法及びシステム | |
| Xiong et al. | Single-point curved fiber optic pulse sensor for physiological signal prediction based on the genetic algorithm-support vector regression model | |
| CN111493832A (zh) | 一种基于En face-OCT的内窥成像方法 | |
| Zhang et al. | Automated and precise heartbeat detection in ballistocardiography signals using bidirectional LSTM | |
| Liao et al. | LRCN-based Noninvasive Blood Glucose Level Estimation | |
| Li et al. | DFENet: Deep Feature Enhancement Network for Accurate Calculation of Instantaneous Wave-Free Ratio |
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 |