CN115486824A - 一种基于不确定性度量的无袖带连续血压估计系统 - Google Patents
一种基于不确定性度量的无袖带连续血压估计系统 Download PDFInfo
- Publication number
- CN115486824A CN115486824A CN202211133073.9A CN202211133073A CN115486824A CN 115486824 A CN115486824 A CN 115486824A CN 202211133073 A CN202211133073 A CN 202211133073A CN 115486824 A CN115486824 A CN 115486824A
- Authority
- CN
- China
- Prior art keywords
- ppg
- blood pressure
- uncertainty
- distribution
- evidence
- 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.)
- Granted
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 47
- 238000005259 measurement Methods 0.000 title description 6
- 238000009826 distribution Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 230000004872 arterial blood pressure Effects 0.000 claims abstract description 21
- 230000001149 cognitive effect Effects 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000013186 photoplethysmography Methods 0.000 claims description 77
- 238000012549 training Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000035790 physiological processes and functions Effects 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000747 cardiac effect Effects 0.000 claims description 4
- 230000035487 diastolic blood pressure Effects 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- 230000035488 systolic blood pressure Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 12
- 238000000691 measurement method Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 abstract description 4
- 238000013524 data verification Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- 210000001367 artery Anatomy 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000009530 blood pressure measurement Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 210000000748 cardiovascular system Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002321 radial artery Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 210000001994 temporal artery Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification 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
-
- 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
- A61B5/24—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]
-
- 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
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于不确定性度量方法的无袖带血压估计系统，属于信号处理领域，具体包括：信号采集模块，数据预处理模块，特征提取模块和血压估计模块。利用可穿戴设备采集ECG、PPG等生理信号，对信号进行预处理，提取PIR、PWHA等与动脉血压变化相关的生理指标，搭建基于证据回归思想的神经网络模型，在实现精确预测血压的同时度量预测的不确定性。证据回归过程无需采样，可直接训练模型输出证据分布的超参数，量化预测过程中的任意不确定性和认知不确定性。经过实例数据验证，模型推理速度更快，血压预测准确度较高；可输出预测的置信度，辅助决策，同时系统的可拓展性较强。
Description
技术领域
本发明涉及无创连续血压测量领域，具体涉及一种基于不确定性度量的无袖带连续血压估计系统。
背景技术
高血压是心脑血管疾病的一大诱因，使用方便、准确且连续的血压测量设备对于高血压的早期发现、监测和治疗至关重要。传统的血压测量，需要充气式袖带(如基于柯氏音法或示波法的血压测量)，这种方式只能测得血压片段，且加压充气袖带会给患者带来不适。此外侵入性的直接测量方法(如动脉穿刺置管式的血压测量)有创且需要专业人员进行操作，仅适用于临床场景。
随着传感器和人工智能技术的发展，许多学者基于可穿戴设备获取的心电(Electrocardi-o gram，ECG)信号和光电容积脉搏波(Photoplethysmogram，PPG)信号，使用生理模型或神经网络方法对无袖带血压估计进行了广泛的研究。例如一些学者提出从ECG和PPG信号中提取诸如脉搏波传导时间(Pulse Transit Time,PTT)、PPG强度比(Photoplethysmogram Inte nsity Ratio,PIR)和脉搏波脉幅半宽(Pulse Wave HalfWidth,PWHA)等能够反映动脉血压变化的生理指标，建立生理机制模型，进而估测连续动脉血压。另有一些学者利用深度学习技术自动特征提取的特性，从ECG或PPG信号中自动提取特征信息，利用支持向量机(Suppor t Vector Machine,SVM)或长短时记忆(Long ShortTime Memory,LSTM)等网络训练深度模型，以估计动脉血压。
以上模型或方法已被证明具有良好的血压估测性能，然而由于存在模型不确定性的问题，无袖带血压估计的精度难以达到临床医学要求的标准。一方面，可穿戴设备在采集信号的过程中易受到噪声干扰，人群间也存在较强的个体差异性，使得用于训练模型的数据存在不确定性，即任意不确定性(Aleatoric Uncertainty)。另一方面，心血管系统存在高度的动态特性，影响血压变化的因素众多，研究者难以找到完全具备代表性的生理指标，以建立性能完备的血压估测模型，这使得模型的设计和训练存在不确定性，即认知不确定性(Epistemic Uncertainty)。此外，由于心血管系统存在高度的变异性，多数模型对于分布外(Out-of-Distribution，OOD)样本数据的预测性能减弱，用于生理监测时难以及时捕获异常生理状态。在自动驾驶、医学图像分割等众多领域中，推断神经网络模型预测的不确定性，为决策提供置信度，增强模型对分布外(Out-of-Distribution，OOD)样本数据的预测性能，确保决策的可靠性，这对于神经网络的广泛应用至关重要。
贝叶斯神经网络(Bayesian NNs)在网络模型参数上放置概率先验，通过采样来估计输出变量，是度量模型不确定性的重要方式，然而常常面临繁重的计算量和参数先验选择的问题。相反，证据深度学习(Evidential Deep Learning)将学习视为证据获取的过程，将先验信息置于预测目标的似然函数上，通过训练神经网络输出高阶证据分布的超参数，无需抽样即可直接学习任意和认知不确定性。来自麻省理工学院的Amini等学者提出了深度证据回归方法，将证据深度学习应用于连续的回归问题，通过学习证据分布来建模不确定性，详细结果已发表在[1] A.Amini,W.Schwarting,A.Soleimany,et al.Deepevidential regression[J].Advances in Neural Information Processing Systems,2020,33:14927-14937。通过真实数据的基准实验验证，深度证据回归模型与Ensemble、Dropout方法相比，能够获得较为精确的预测性能，且推理速度更快。深度证据回归模型也具有较强的可拓展性，能够拓展到高维的、复杂的单目深度估计任务。
发明内容
本发明的目的在于提供一种基于不确定性度量方法的无袖带连续血压估计系统，能在准确估测血压的同时度量估测的不确定性，为预测提供置信度，辅助决策；此外通过评估分布外 (Out-of-Distribution，OOD)样本数据的不确定性，可以及时捕获异常生理状态，以便做出预警。
本发明技术方案为一种基于不确定性度量方法的无袖带血压估计系统，该系统包括：信号采集模块、数据预处理模块、特征提取模块、血压估计模块；
所述信号采集模块通过可穿戴设备采集人体某处生理信号，如动脉血压(Arterial Blood Pressure，ABP)、心电(Electrocardiogram，ECG)信号或光电容积脉搏波(Photoplethysmog ram，PPG)信号，将采集到的信号传输至数据预处理模块；
所述数据预处理模块对信号采集模块采集到的生理信号进行去噪和放大，然后传输至特征提取模块；
所述特征提取模块对预处理后的ECG信号和PPG信号进行特征提取，将提取的特征传输至血压估计模块；提取的特征如下：
特征1：PPG强度比PIR，即PPG信号的一个周期内，PPG_peak与PPG_valley之比；
特征2：PPG半幅脉冲宽度PWHA，即PPG信号一个周期内，幅度为50％PPG_peak的两个点之间的时间差；
特征3：PPG幅度PA，即PPG信号一个周期内，PPG_peak与PPG_valley之间的幅度差；
特征4：PPG时间PPGP，即两个周期间，PPG_peak1与PPG_peak2之间的时间差；
特征5：PPG一阶导间隔dPPGP，即PPG信号一个周期内，dPPG_peak到dPPG_valley之间的时间差；
其中，PPG_peak表示PPG信号的波峰，PPG_valley表示PPG信号的波谷，dPPG_peak表示PPG信号一阶导数的波峰，dPPG_valley表示PPG信号一阶导数的波谷，PPG_peak1表示一个心动周期内PPG信号波峰，PPG_peak2表示下一个心动周期内PPG信号波峰；
所述血压估计模块包括回归预测和不确定性量化两个部分，包括以下步骤：
步骤1：构建基于证据回归的神经网络模型，为预测目标的似然函数赋予证据先验；
所述神经网络模型，输入为可穿戴设备获取到的与血压相关的生理指标数值，输出为预测的动脉血压值以及与证据分布相关的参数；
所述为预测目标的似然函数赋予证据先验的思路如下：
设神经网络的预测目标yi是从一个高斯分布中提取到的(y1，y2，…，yN)～N(μ，σ2)，在分布参数θ＝(μ，σ2)上分别放置证据先验分布：
在未知均值μ上放置高斯先验分布：μ～N(γ，σ2v-1)；
在未知方差σ2上放置逆伽马先验分布：σ2～Γ-1(α，β)；
计算先验分布的联合分布，即为正态逆伽马分布：
其中，p(μ)表示均值μ的概率密度函数，p(σ2)表示方差σ2的概率密度函数，Γ(·)表示伽马函数；m＝(γ，v，α，β)表示证据分布的超参数，γ∈R，v＞0，α＞1，β＞0。正态逆伽马分布的均值由样本均值为γ的v虚拟观测值估计，方差由样本均值为γ的α虚拟观测值和方差之和2v 估计，β为逆伽马分布的尺度参数；
步骤2：读取特征提取模块提取到的相关生理参数以及对应的参考舒张压、收缩压值，将数据输入步骤1构建的网络；
步骤3：对网络进行训练，迭代更新模型参数，得到训练后的模型，获取证据分布的超参数，计算任意不确定性和认知不确定性，以表征模型预测的置信水平；
步骤4：将测量得到的生理参数输入训练后的模型，实时估计动脉血压及预测不确定性。
进一步地，所述步骤3中，对神经网络模型进行训练基于最大似然估计原则，具体过程如下：
结合贝叶斯统计理论，预测目标yi的似然函数即为边际似然函数，可以表征“模型证据”，计算如下：
其中，p(θ|m)为先验的联合分布，p(yi|θ)表示预测目标yi的概率密度函数：
最大似然估计方法将神经网络模型的损失函数定义为似然函数的负对数：
此外，定义证据正则化器：
其中，E[μ]表示神经网络模型的预测值，
为模型的总证据，为所有推断得到的虚拟观测值之和；
神经网络模型的总损失为：
其中，w表示神经网络模型的参数，λ为正则化系数；
训练完成后，得到证据分布的超参数，m＝(γ，v，α，β)，可以计算神经网络模型的预测值为：
计算任意不确定性为：
任意不确定性的大小评估测试数据与训练数据的一致性，当任意不确定性较大时，表示测试数据与训练数据差异较大，进行生理监测时，表征异常的生理状态，辅助预警。
计算认知不确定性为：
认知不确定性表征模型预测的置信度，模型预测得到的数据分布可以表示为：
其中Yest表示模型预测值，Var表示预测的置信度。
本发明的有益效果：
1、本发明可以实现无袖带连续血压监测，克服了传统袖带法间断测量的瓶颈；
2、本发明所建立的神经网络模型能够更精确地预测血压，也具有良好的鲁棒性；
3、本发明首次提出将证据回归思想应用于血压预测，能够在准确估计血压的同时量化预测的不确定性，为决策提供置信度参考；此外可以通过评估分布外(Out-of-Distribution，OOD) 数据的不确定性，及时捕获异常生理状态。
4、本发明量化不确定性过程无需采样，直接训练神经网络模型输出证据分布的超参数，推理速度更快；
5、本发明的可拓展性较强，可以选择输入新的与动脉血压变化相关的生理指标，或构建更复杂的神经网络，对模型进行持续优化；
附图说明
图1为本发明的系统框图；
图2为血压估测不确定性度量模型的方法流程图；
图3为训练过程中，模型超参数(v，α，β)及损失函数的变化曲线；
图4为证据回归方法与多元线性方法预测性能对比；
图5为模型估计的血压及其置信度的示意图；
具体实施方式
为达到上述目的，本发明采用可穿戴设备(光、电传感器)测量人体心脏及动脉生理信息，得到心电信号、光电容积脉搏波信号及体表动脉血压信号，对信号进行预处理后，提取所述信号中与血压变化相关的生理特征；将提取到的特征输入基于证据回归的神经网络模型进行训练，估计每一拍动脉血压值，并输出预测的不确定性。
所述心脏及动脉搏动测量部位为桡动脉、颈动脉或颞浅动脉；
所提取的与血压变化相关的特征参数包括PPG信号一个周期内PPG_peak与PPG_valley 之比；
所提取的与血压变化相关的特征参数包括PPG信号一个周期内幅度为
PPG_peak的两个点之间的时间差；
所提取的与血压变化相关的特征参数包括PPG信号一个周期内PPG_peak与PPG_valley 之间的幅度差；
所提取的与血压变化相关的特征参数包括PPG信号两个周期内PPG_peak1与PPG_peak2 之间的时间差；
所提取的与血压变化相关的特征参数包括dPPG信号一个周期内dPPG_peak到dPPG_valley之间的时间差；
所述基于不确定性度量的无袖带血压估计方法具体包括以下步骤：
步骤一，选择受检者体表动脉，如桡动脉等作为被测部位；
步骤二，采用连续血压测量系统对受试者被选动脉处的血压进行测量；
步骤三，将可穿戴设备佩戴至受试者另一侧动脉的皮肤表面；
步骤四，开启可穿戴设备，记录受试者心脏及动脉波动产生的信号，同步测量动脉血压；
步骤五，对步骤四采集到的信号进行预处理，包括滤噪及放大等；
步骤六，基于步骤五预处理后的信号，提取与血压变化相关的生理参数；
步骤七，根据证据回归思想，建立基于不确定性度量的神经网络模型，对动脉血压进行实时估计。
进一步，步骤七所述基于不确定性度量的神经网络模型的建立，包括以下步骤：
(1)假设要估计的目标yi服从高斯分布：(y1，y2，…，yN)～N(μ，σ2)，给高斯分布的参数赋予先验分布，假设均值μ服从高斯先验分布：μ～N(γ，σ2v-1)；方差σ2服从逆伽马先验分布：σ2～Γ-1(α，β)；
(2)利用贝叶斯定理，构建神经网络模型，训练模型学习证据分布的超参数来捕获任意和认知不确定性，并对动脉血压进行估计。
进一步地，所述步骤(1)中，对分布参数赋予先验分布后，可以计算先验分布的联合分布，即为正态逆伽马分布：
其中，p(μ)表示均值μ的概率密度函数，p(σ2)表示方差σ2的概率密度函数，Γ(·)表示伽马函数。
进一步地，所述步骤(2)中，所构建的神经网络模型学习证据分布的超参数，量化不确定性的思路如下：
(2.1)根据贝叶斯理论，预测目标yi的边际似然函数可以表征“模型证据”，定义为：
其中θ＝(μ，σ2)表示分布参数，p(θ|m)为先验的联合分布，p(yi|θ)表示预测目标yi的概率密度函数：
Γ(·)表示伽马函数，m＝(γ，v，α，β)表示证据分布参数，γ∈R，v＞0，α＞1，β＞0。对于共轭先验分布参数的一种主流解释是支持给定性质的“虚拟观察”。例如，正态逆伽马分布的均值可以直观地解释为由样本均值为γ的v虚拟观测值估计，而其方差解释为由样本均值为γ的α虚拟观测值和方差之和2v估计，β为逆伽马分布的尺度参数。
(2.2)神经网络模型训练采用最大似然估计法，将模型损失定义为似然函数的负对数，表征模型拟合精度：
(2.3)对神经网络进行正则化，定义证据正则化器：
其中，E[μ]表示神经网络模型的预测值，
为模型的总证据，为所有推断得到的虚拟观测值之和。
(2.4)模型的总损失函数定义为：
公式中w表示神经网络模型的参数，λ为正则化系数，设置为λ＝0.01。
(2.5)模型训练完成后，得到证据分布的超参数，m＝(γ，v，α，β)，计算预测值并量化预测不确定性。
计算预测值为：
计算任意不确定性为：
任意不确定性的大小可以评估测试数据与训练数据的一致性，当任意不确定性较大时，表示测试数据与训练数据差异较大，进行生理监测时，可以表征异常的生理状态，辅助预警。
计算认知不确定性为：
认知不确定性可以表征模型预测的置信度，模型预测得到的数据分布可以表示为：
其中Yest表示模型预测值，Var表示预测的置信度。
进一步地，所述步骤(2)中，所建立的神经网络模型输入为可穿戴设备提取的与血压相关的生理指标，即PIR、PWHA、PA、PPGP、dPPGP；输出为预测的动脉血压值，即SBP和DBP；中间层包含3个隐含层，每个隐含层包含50个神经元，均为全连接层。
模型训练采用Adam优化器，学习率lr＝0.001，batch_size＝16；采用10-折交叉验证法，随机选取90％的数据作为训练集，10％的数据作为测试集，共进行10次实验，将结果取平均。
进一步地，为满足神经网络输入数据尺度一致性的要求，对训练集数据进行归一化。将训练集数据归一化为具有0均值和单位方差的分布，归一化思路如下：
下面结合附图和具体实施例对本发明作进一步说明，以便本领域研究人员能够更好地理解本发明，所举实施例并不用于限制本发明。
为验证本发明所提方法，实验征集了58名志愿者，其中男性32名，女性26名，年龄范围为21-42岁，身高范围为150cm至183cm，体重范围为45.3kg至102.3kg。实验设计遵从赫尔辛基宣言，所有受试者均自愿参加实验，并在实验开始前签署知情同意书。如前所述，具体实施步骤如下：
步骤一，使用可穿戴设备采集受试者的ECG和PPG信号，使用连续血压检测系统同步记录受试者的SBP和DBP值；
步骤二，对采集到的58名受试者的信号进行预处理，使用Butterworth滤波器滤除ECG 和PPG信号中存在的高频噪声；然后使用小波变换滤除信号中的基线漂移；最后对ECG和 PPG信号进行时间同步，消除两信号之间的时延；
步骤三，从预处理后的ECG和PPG信号中提取特征，这些特征可以是与动脉血压变化相关的任何生理参数。本实施方案中，提取了PIR、PWHA、PA、PPGP、dPPGP等5个特征，共17853条数据；
步骤四，将提取到的生理参数及参考血压值(SBP、DBP)分别输入基于证据回归思想的神经网络模型，进行10-折交叉验证，每次随机选取90％的数据用于训练，剩余数据用于测试，最终取所有测试结果的平均值。训练采用Adam优化器，模型参数设置如下：学习率lr＝0.001， batch_size＝16。训练过程中，模型超参数(β，v，α)及损失函数的变化如图3；
步骤五，对模型预测性能进行评估，与多元线性回归方法进行对比；多元线性回归方法使用MATLAB中的regress.m函数进行建模，回归模型可以表示为：
SBP＝a1·PIR+a2·PWHA+a3·PA+a4·PPGP+a5·dPPGP+a6
DBP＝b1·PIR+b2·PWHA+b3·PA+b4·PPGP+b5·dPPGP+b6
采用均方根误差(Root Mean Square Error，RMSE)对结果进行评估：
其中，Yest表示模型预测值，Yref表示参考血压值，N表示测试集样本总数。模型预测性能对比结果如图4，证据回归方法预测DBP、SBP的RMSE分别为4.24mmHg和6.02mmHg，优于多元线性回归模型；证据回归方法10次交叉验证得到的RMSE的标准差(StandardDeviations， SD)分别为0.30mmHg和0.34mmHg，证据回归模型具备较强的鲁棒性。
步骤六，运用得到的最优模型，通过提取可穿戴设备采集到的生理特征，实时估计动脉血压；模型对于DBP的估计及其认知不确定性(置信度水平)如图5。
Claims (2)
1.一种基于不确定性度量方法的无袖带血压估计系统，该系统包括：信号采集模块、数据预处理模块、特征提取模块、血压估计模块；
所述信号采集模块通过可穿戴设备采集人体某处生理信号，如动脉血压(ArterialBlood Pressure，ABP)、心电(Electrocardiogram，ECG)信号或光电容积脉搏波(Photoplethysmog ram，PPG)信号，将采集到的信号传输至数据预处理模块；
所述数据预处理模块对信号采集模块采集到的生理信号进行去噪和放大，然后传输至特征提取模块；
所述特征提取模块对预处理后的ECG信号和PPG信号进行特征提取，将提取的特征传输至血压估计模块；提取的特征如下：
特征1：PPG强度比PIR，即PPG信号的一个周期内，PPG_peak与PPG_valley之比；
特征2：PPG半幅脉冲宽度PWHA，即PPG信号一个周期内，幅度为50％PPG_peak的两个点之间的时间差；
特征3：PPG幅度PA，即PPG信号一个周期内，PPG_peak与PPG_valley之间的幅度差；
特征4：PPG时间PPGP，即两个周期间，PPG_peak1与PPG_peak2之间的时间差；
特征5：PPG一阶导间隔dPPGP，即PPG信号一个周期内，dPPG_peak到dPPG_valley之间的时间差；
其中，PPG_peak表示PPG信号的波峰，PPG_valley表示PPG信号的波谷，dPPG_peak表示PPG信号一阶导数的波峰，dPPG_valley表示PPG信号一阶导数的波谷，PPG_peak1表示一个心动周期内PPG信号波峰，PPG_peak2表示下一个心动周期内PPG信号波峰；
所述血压估计模块包括回归预测和不确定性量化两个部分，包括以下步骤：
步骤1：构建基于证据回归的神经网络模型，为预测目标的似然函数赋予证据先验；
所述神经网络模型，输入为可穿戴设备获取到的与血压相关的生理指特征，输出为预测的动脉血压值以及与证据分布相关的参数；
所述为预测目标的似然函数赋予证据先验如下：
设神经网络的预测目标yi是从一个高斯分布中提取到的(y1，y2，…，yN)～N(μ，σ2)，在分布参数θ＝(μ，σ2)上分别放置证据先验分布：
在未知均值μ上放置高斯先验分布：μ～N(γ，σ2v-1)；
在未知方差σ2上放置逆伽马先验分布：σ2～Γ-1(α，β)；
计算先验分布的联合分布，即为正态逆伽马分布：
其中，p(μ)表示均值μ的概率密度函数，p(σ2)表示方差σ2的概率密度函数，Γ(·)表示伽马函数；m＝(γ，v，α，β)表示证据分布的超参数，γ∈R，v＞0，α＞1，β＞0。正态逆伽马分布的均值由样本均值为γ的v虚拟观测值估计，方差由样本均值为γ的α虚拟观测值和方差之和2v估计，β为逆伽马分布的尺度参数；
步骤2：读取特征提取模块提取到的相关生理参数以及对应的参考舒张压、收缩压值，将数据输入步骤1构建的网络；
步骤3：对网络进行训练，迭代更新模型参数，得到训练后的模型，获取证据分布的超参数，计算任意不确定性和认知不确定性，以表征模型预测的置信水平；
步骤4：将测量得到的生理参数输入训练后的模型，实时估计动脉血压及预测不确定性。
2.如权利要求1所述的一种基于不确定性度量方法的无袖带血压估计系统，其特征在于，所述步骤3中，对神经网络模型进行训练基于最大似然估计原则，具体过程如下：
结合贝叶斯统计理论，预测目标yi的似然函数即为边际似然函数，可以表征“模型证据”，计算如下:
其中，p(θ|m)为先验的联合分布，p(yi|θ)表示预测目标yi的概率密度函数:
最大似然估计方法将神经网络模型的损失函数定义为似然函数的负对数：
此外，定义证据正则化器：
其中，E[μ]表示神经网络模型的预测值，
为模型的总证据，为所有推断得到的虚拟观测值之和；
神经网络模型的总损失为：
其中，w表示神经网络模型的参数，λ为正则化系数；
训练完成后，得到证据分布的超参数，m＝(γ，v，α，β)，可以计算神经网络模型的预测值为：
计算任意不确定性为：
任意不确定性的大小评估测试数据与训练数据的一致性，当任意不确定性较大时，表示测试数据与训练数据差异较大，进行生理监测时，表征异常的生理状态，辅助预警；
计算认知不确定性为：
认知不确定性表征模型预测的置信度，模型预测得到的数据分布可以表示为：
其中Yest表示模型预测值，Var表示预测的置信度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211133073.9A CN115486824B (zh) | 2022-09-16 | 2022-09-16 | 一种基于不确定性度量的无袖带连续血压估计系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211133073.9A CN115486824B (zh) | 2022-09-16 | 2022-09-16 | 一种基于不确定性度量的无袖带连续血压估计系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115486824A true CN115486824A (zh) | 2022-12-20 |
| CN115486824B CN115486824B (zh) | 2024-09-03 |
Family
ID=84470304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211133073.9A Active CN115486824B (zh) | 2022-09-16 | 2022-09-16 | 一种基于不确定性度量的无袖带连续血压估计系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115486824B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117045217A (zh) * | 2023-10-13 | 2023-11-14 | 深圳市奋达智能技术有限公司 | 一种无袖带血压测量方法及其相关设备 |
| EP4435800A1 (en) * | 2023-03-22 | 2024-09-25 | Koninklijke Philips N.V. | Method, device, system and computer program for assessing uncertainty of a clinical metric |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080004904A1 (en) * | 2006-06-30 | 2008-01-03 | Tran Bao Q | Systems and methods for providing interoperability among healthcare devices |
| CN102265279A (zh) * | 2008-12-23 | 2011-11-30 | 霍夫曼-拉罗奇有限公司 | 用于慢性病患者的诊断或者治疗支持的结构化测试方法及其设备 |
| CN102622473A (zh) * | 2012-02-28 | 2012-08-01 | 北京航空航天大学 | 基于贝叶斯理论的步进应力加速退化试验优化设计方法 |
| WO2012130248A1 (en) * | 2011-03-31 | 2012-10-04 | Aarhus Universitet | Ultrasonic system for assessing tissue substance extraction |
| KR101778533B1 (ko) * | 2016-11-04 | 2017-09-26 | 인천대학교 산학협력단 | 기계 학습에 기반한 오실로메트릭 혈압 추정 방법 |
| CN110945597A (zh) * | 2017-07-25 | 2020-03-31 | 赛尔医疗股份有限公司 | 用于预测癫痫发作的方法和系统 |
| US20200397324A1 (en) * | 2019-06-18 | 2020-12-24 | Analytics For Life Inc. | Method and System to Assess Disease Using Dynamical Analysis of Cardiac and Photoplethysmographic Signals |
| CN112584892A (zh) * | 2018-06-20 | 2021-03-30 | 内宇宙股份有限公司 | 治疗情绪障碍的系统和方法 |
| CN113711241A (zh) * | 2019-04-26 | 2021-11-26 | 罗伯特·博世有限公司 | 用标签受到噪声干扰的学习数据来训练可训练模块 |
| CN113940646A (zh) * | 2021-10-28 | 2022-01-18 | 电子科技大学 | 一种基于因果关系的无袖带连续血压监测系统 |
-
2022
- 2022-09-16 CN CN202211133073.9A patent/CN115486824B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080004904A1 (en) * | 2006-06-30 | 2008-01-03 | Tran Bao Q | Systems and methods for providing interoperability among healthcare devices |
| CN102265279A (zh) * | 2008-12-23 | 2011-11-30 | 霍夫曼-拉罗奇有限公司 | 用于慢性病患者的诊断或者治疗支持的结构化测试方法及其设备 |
| WO2012130248A1 (en) * | 2011-03-31 | 2012-10-04 | Aarhus Universitet | Ultrasonic system for assessing tissue substance extraction |
| CN102622473A (zh) * | 2012-02-28 | 2012-08-01 | 北京航空航天大学 | 基于贝叶斯理论的步进应力加速退化试验优化设计方法 |
| KR101778533B1 (ko) * | 2016-11-04 | 2017-09-26 | 인천대학교 산학협력단 | 기계 학습에 기반한 오실로메트릭 혈압 추정 방법 |
| CN110945597A (zh) * | 2017-07-25 | 2020-03-31 | 赛尔医疗股份有限公司 | 用于预测癫痫发作的方法和系统 |
| CN112584892A (zh) * | 2018-06-20 | 2021-03-30 | 内宇宙股份有限公司 | 治疗情绪障碍的系统和方法 |
| CN113711241A (zh) * | 2019-04-26 | 2021-11-26 | 罗伯特·博世有限公司 | 用标签受到噪声干扰的学习数据来训练可训练模块 |
| US20200397324A1 (en) * | 2019-06-18 | 2020-12-24 | Analytics For Life Inc. | Method and System to Assess Disease Using Dynamical Analysis of Cardiac and Photoplethysmographic Signals |
| CN113940646A (zh) * | 2021-10-28 | 2022-01-18 | 电子科技大学 | 一种基于因果关系的无袖带连续血压监测系统 |
Non-Patent Citations (5)
| Title |
|---|
| 商旭升等: "基于多源离散数据的复杂系统可靠性评定方法", 《测控技术》, vol. 40, no. 2, 28 February 2021 (2021-02-28), pages 13 - 17 * |
| 张石清;李乐民;赵知劲;: "人机交互中的语音情感识别研究进展", 电路与系统学报, no. 02, 15 April 2013 (2013-04-15) * |
| 洪永淼等: "大数据、机器学习与统计学:挑战与机遇", 《计量经济学报》, vol. 1, no. 1, 31 January 2021 (2021-01-31), pages 17 - 35 * |
| 王金甲;孔德明;刘建波;王晓敏;洪文学;: "基于传感器数据的人类活动识别研究", 高技术通讯, no. 02, 15 February 2016 (2016-02-15) * |
| 申展等: "电针刺激对术中唤醒麻醉下脑功能区病变切除后氧化应激损伤的影响", 《中国微侵袭神经外科杂志》, vol. 24, no. 6, 30 June 2019 (2019-06-30), pages 274 - 276 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4435800A1 (en) * | 2023-03-22 | 2024-09-25 | Koninklijke Philips N.V. | Method, device, system and computer program for assessing uncertainty of a clinical metric |
| WO2024194100A1 (en) | 2023-03-22 | 2024-09-26 | Koninklijke Philips N.V. | Method, device, system and computer program for assessing uncertainty of a clinical metric |
| CN117045217A (zh) * | 2023-10-13 | 2023-11-14 | 深圳市奋达智能技术有限公司 | 一种无袖带血压测量方法及其相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115486824B (zh) | 2024-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dey et al. | InstaBP: cuff-less blood pressure monitoring on smartphone using single PPG sensor | |
| US20240221948A1 (en) | Systems and methods of analyte measurement analysis | |
| Goh et al. | Robust PPG motion artifact detection using a 1-D convolution neural network | |
| CN115486824B (zh) | 一种基于不确定性度量的无袖带连续血压估计系统 | |
| US5797395A (en) | Continuous cardiac output derived from arterial pressure waveform using pattern recognition | |
| WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
| US20110319724A1 (en) | Methods and systems for non-invasive, internal hemorrhage detection | |
| CN110420019A (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
| Miao et al. | A wearable sensor for arterial stiffness monitoring based on machine learning algorithms | |
| KR102469495B1 (ko) | 심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법 | |
| CN113303776B (zh) | 基于循环神经网络的非接触式血压测量方法 | |
| Chen et al. | A new deep learning framework based on blood pressure range constraint for continuous cuffless BP estimation | |
| Argha et al. | A novel automated blood pressure estimation algorithm using sequences of Korotkoff sounds | |
| 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 | |
| Xiao et al. | Reconstruction of central arterial pressure waveform based on CNN-BILSTM | |
| 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 | |
| Argha et al. | Blood pressure estimation from korotkoff sound signals using an end-to-end deep-learning-based algorithm | |
| US20230218179A1 (en) | A method of estimating blood pressure of a subject | |
| CN117100239A (zh) | 基于cnn+lstm和ppg信号的血压检测系统 | |
| Duggento et al. | Classification of real-world pathological phonocardiograms through multi-instance learning | |
| Chen et al. | Beat-to-beat heart rate detection based on seismocardiogram using BiLSTM network | |
| CN113940646B (zh) | 一种基于因果关系的无袖带连续血压监测系统 | |
| US10251564B2 (en) | Thermal patient signal analysis | |
| Zhang et al. | Automated and precise heartbeat detection in ballistocardiography signals using bidirectional LSTM | |
| Agham et al. | An advanced LAN model based on optimized feature algorithm: Towards hypertension interpretability |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |