CN115607125A - 随机信号之间转换的方法和设备 - Google Patents

随机信号之间转换的方法和设备 Download PDF

Info

Publication number
CN115607125A
CN115607125A CN202210756464.XA CN202210756464A CN115607125A CN 115607125 A CN115607125 A CN 115607125A CN 202210756464 A CN202210756464 A CN 202210756464A CN 115607125 A CN115607125 A CN 115607125A
Authority
CN
China
Prior art keywords
signal
components
component
target
source
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
CN202210756464.XA
Other languages
English (en)
Inventor
E·S·博尔格
S·巴拉吉拉马钱德兰
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.)
Analog Devices International ULC
Original Assignee
Analog Devices International ULC
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 Analog Devices International ULC filed Critical Analog Devices International ULC
Publication of CN115607125A publication Critical patent/CN115607125A/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
    • A61B5/021—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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • 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
    • A61B5/24—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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier 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
    • 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
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/045—Combinations of networks
    • 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)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Vascular Medicine (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Hematology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本公开涉及随机信号之间转换的方法和设备。利用分解过程将源随机信号分解为其固有分量。对固有分量进行转换，并定义和训练一组机器学习模型，以处理转换分量中的各个分量。因此，根据经验将源随机信号分解为基础分量，然后将其用作机器学习模型集的学习数据集，以预测目标分量。然后对目标分量进行单独预测和组合，以重建预测的目标随机信号。源随机信号和目标随机信号可以是具有相关或共同起源的生物信号，例如光体积图信号和动脉血压波形。

Description

随机信号之间转换的方法和设备
技术领域
本发明涉及将第一随机信号转换为第二随机信号。特别地，但并非唯一地，本发明涉及第一随机生物信号到第二随机生物信号的自动转换；更具体地说，其中第一随机生物信号是光容积图或心电图信号，并且第二随机生物信号是动脉血压波形。
背景技术
在目前的临床实践中，血压测量要么使用动脉内导管进行有创性测量，要么使用示波法或听诊法通过袖带进行无创性测量。侵入性测量本质上是连续的，但有风险(例如感染、出血、血栓)。因此，有创测量仅用于危重患者，而不用于大多数慢性高血压患者。间歇性袖带充气是慢性高血压患者血压测量的金标准，它是无创的，但不允许连续测量血压。
光体积图(PPG)是一种非侵入性循环信号，与组织中血液的脉动体积有关，通常由脉搏血氧仪采集。血压可以通过PPG信号来估计，PPG信号可以从各种设备获得。此类设备包括移动或可穿戴设备，例如智能手表、活动跟踪器等。然而，PPG信号容易出现可能对测量精度产生负面影响的伪影。这些人工制品可能导致大量误导性诊断。由于移动设备的移动增加，这些伪影在移动设备收集的PPG信号中更加明显。读数的准确性可能因血流、设备放置和设备佩戴者的静止度等因素而异。
血压估计通常作为一个回归问题来处理，即从生物信号的组合中提取特征，其中通常包括PPG和心电图(ECG)。特征还可以包括从诸如加速计、压力传感器、血氧传感器等活动或环境传感器获得的信号。然后将这些特征输入到机器学习算法中，以预测血压。适用于血压预测的机器学习算法包括线性回归、支持向量回归、贝叶斯回归和基于回归的深度神经网络。在回归过程中，这些技术可以预测收缩压(SBP)、舒张压(DBP)和/或平均动脉压(MAP)。分类方法，如逻辑回归，也可用于预测分类指标，如正常、高血压前期、一期高血压和二期高血压。
上述方法的一个问题是，精细特征，如双旋凹口和双旋峰，并不总是存在于PPG信号中，并且难以可靠捕获。这些特征的提取在计算上也很昂贵。另一个问题是，运动损坏的信号很难修复。即使提取了双循环凹口和双循环峰值等精细特征，运动损坏也会增加错误。因此，大多数现有的估计技术直接取消了运动损坏信号的资格。
发明内容
在本发明中，使用分解过程将源随机信号解构为其固有分量。对固有分量进行转换，并定义和训练一组机器学习模型，以处理转换分量中的各个分量。因此，根据经验将源随机信号分解为基础分量，然后将其用作机器学习模型集的学习数据集，以预测目标分量。然后对目标分量进行单独预测和组合，以重建预测的目标随机信号。源随机信号和目标随机信号可以是具有相关或共同起源的生物信号，例如光体积图信号和动脉血压波形。
本发明提供了一种用于翻译随机信号，尤其是具有相关起源的生物信号的方法和装置。将源信号解构为多个解构源分量，并对多个解构源分量执行变换，以生成相应的多个变换源分量。多个机器学习模型用于将多个变换的源分量映射到多个估计的目标分量。对多个机器学习模型中的每一个进行训练，以将多个变换源分量中的相应一个映射到多个估计目标分量中的相应一个。对所述多个估计目标分量执行逆变换，以生成相应的多个变换目标分量。通过组合多个变换后的目标分量来生成目标信号。
因此，本发明的各个方面具有关于输入和输出信号的组成的先验信息，这有助于通过使机器学习模型能够学习信号的基本分量而不是整个信号来消除任何数据依赖性偏差。底层分量没有原始目标信号复杂，因此机器学习模型更容易学习传递函数。这允许使用比预测原始目标信号更简单和/或更小的模型。使用更简单和/或更小的型号可能有助于更有效地利用存储空间，并在使用中消耗更少的电能，这两种型号对于低功耗设备(如可穿戴设备、活动跟踪器或智能手表)的使用都特别有利。
所附权利要求中提供了本发明的进一步特征和方面。
附图说明
现在将仅参考附图以示例的方式描述本发明，其中：
图1示出根据本发明的方面的用于将源信号转换为目标信号的过程；
图2示出根据本发明实施例的用于信号去噪的基于小波的多分辨率分析；
图3示出根据本发明实施例的示例经验模式分解；
图4示出适用于与本发明实施例一起使用的示例U-net架构；
图5示出根据本发明的实施例的用于对变换的目标分量求和以生成目标信号的公式；
图6示出根据本发明的方面的一种将源信号转换为目标信号的方法；
图7示出根据本发明实施例的将源信号转换为多个分量的过程；
图8示出根据本发明实施例的将多个估计分量转换为目标信号的过程；
图9示出适合于执行本发明实施例的设备；和
图10示出适用于执行本发明实施例的可穿戴设备。
具体实施方式
信号处理领域中的许多应用涉及具有相关或共同起源的随机信号。例如，第一心脏信号和第二不同的心脏信号在各种心腔的收缩扩张和血液泵送作用中都有共同的起源。本发明涉及具有相关或共同原点的随机信号的自动转换。
本发明使用诸如经验模式分解(EMD)之类的分解过程，将源随机信号分解为其固有分量，例如信号的固有模式函数(IMF)。例如，将分解的分量转换为合适的时频表示，并定义和训练一组机器学习模型，以使用单个分量而不是整个源随机信号进行操作(如现有技术方法中的典型情况)。尽管传统的机器学习模型只接受一种类型的输入信号，但本发明的一个好处是，根据经验将源随机信号的每一段分解为基础分量，然后作为机器学习模型集的学习数据集来预测目标分量。分别预测目标分量，然后组合以重构预测的目标信号。
本发明的一个方面将上述过程应用于生物随机信号的转换，以实现无袖带血压预测。将信号处理和机器学习相结合，将无创性光体积图(PPG)或心电图(ECG)信号转换为连续动脉血压(ABP)波形。这种ABP波形可用于进一步估计收缩压、舒张压和中心血压值。
因此，本发明解决了在家、连续和非侵入性血压监测的需要，该监测在人群差异中是可靠的。虽然一些现有技术使用PPG和ECG信号来解决此问题，但本发明说明了生理相关参数，分别提取缓慢变化和高度动态的随机信号分量来预测整个ABP波形，并且仅需要PPG测量来预测。
图1示出根据本发明的一个方面的用于将源信号102转换为目标信号104的过程100。通常，过程100包括解构阶段106、映射阶段108和重构阶段110。
如下文将更详细地描述的，从源信号102生成多个分量112、114，并随后使用多个经过训练的机器学习模型120、122映射到相应的多个估计分量116、118。然后，从多个估计的分量116、118生成目标信号104。
有益的是，通过将源信号分解为各个固有分量，并在每个分量的基础上训练一组机器学习模型，本发明可以帮助确保各个机器学习模型的“学习”在时间和频率特征的水平上有很大的细微差别(随机允许变化)。这可以通过单独捕获和建模高度动态的随机信号分量，而不是捕获和建模整个信号，以更准确地估计目标信号。
在一个示例中，源信号102和目标信号104都是具有相关或共同原点的随机信号。虽然本发明适用于具有相关起源的任何合适的随机信号的翻译，但本发明主要针对具有相关或共同起源的生物信号，更具体地，涉及用于无袖带血压预测的生物信号。在这种设置中，源随机信号是PPG或ECG信号，并且目标随机信号是ABP信号。在这种情况下，PPG或ECG信号和ABP信号在各种心腔的收缩扩张和血泵作用中具有共同的来源。因此，在以下描述中，在某些情况下，对源信号的引用可以指PPG或ECG信号，而对目标信号的引用可以指ABP信号。
可以从输入信号(未示出)获得源信号102。输入信号可以是从诸如PPG传感器或ECG传感器之类的传感器获得的连续信号或波形。在一个实施例中，源信号102包括从输入信号获得的预定义长度的间隔。预定义长度定义源信号102的时间长度，例如2秒、4秒、8秒等。因此，虽然源信号102可以表示与预定义长度的间隔相对应的离散信号，但本文描述的过程和功能可以在从输入信号获得的连续间隔上重复执行，以再现连续的目标信号。
为了在去除噪声的同时保持重要的信号特征，可以在获得源信号102之前对输入信号进行预处理。或者，可以在获得源信号102之后对其进行预处理。在一个示例中，信号的预处理至少包括对信号去噪。因此，可以在获得源信号102之前对输入信号进行去噪。
在一个示例中，去噪基于信号的小波分解(即，输入信号或源信号102的小波分解)。有益的是，对信号进行小波分解有助于改善相位响应。这可以在计算复杂性、不同信噪比区域的自适应性和非平稳伪影方面提供改进的效率。基于小波的多分辨率分析可以将时间序列(如输入信号或源信号102)分解为一组具有明确定义的层次结构的组成序列，如图2所示。
图2示出分解为分层结构204的信号202(可以是输入信号或源信号102)，该分层结构204包括跨多个层级的近似系数204-1和细节系数204-2。分解是根据尺度和方向进行的。基于小波的多分辨率分析可以使用级联滤波器组206来实现，其中低通滤波器(例如低通滤波器208)和高通滤波器(例如高通滤波器210)满足某些特定约束。由于多尺度分解，可以在去除噪声的同时保留重要的信号特征。
再次参考图1，在可选地对输入信号或源信号102进行预处理之后，在解构阶段106中从源信号102生成多个分量112、114。解构阶段106对应于从源信号102生成多个分量112、114的变换过程。因此，多个分量112、114可替代地称为多个变换分量。通常，在解构阶段106期间执行的变换过程可以对应于任何合适的变换过程或变换函数，其具有可在重构阶段110期间执行的相应逆变换过程或函数。
因此，本发明根据经验将源信号102分解为基础分量，即多个分量112、114。这些底层源分量被映射到相应的底层目标分量，这些分量可以被重构以形成目标信号。通过解构和映射信号的各个分量，而不是映射原始源信号，可以对源信号的更细微特性和特征进行建模，并随后在目标信号中重建。因此，本发明可以提供用于在随机信号之间进行转换的更准确和鲁棒的过程。
在一个方面，在解构阶段106期间执行的转换过程对应于解构124和转换126。解构124将源信号102解构为多个解构源分量128、130，并且多个解构源分量128、130的变换126生成对应于多个分量112、114的对应多个变换源分量。也就是说，多个分量112、114中的第一分量112和第二分量114可以通过首先将源信号102分解或解构为第一解构源分量128和第二解构源分量130来生成。可以使用变换函数从第一解构源分量128生成第一分量112，并且可以使用变换函数从第二解构源分量130生成第二分量114。因此，变换126可以对应于应用于解构124期间产生的分解或解构的源分量的特定变换函数。
可选地，变换过程还包括从源信号生成第三分量。在一个示例中，通过上述关于第一分量112和第二分量114的解构124和变换126步骤，从源随机信号生成第三分量。也就是说，解构124可以产生第三解构源分量，并且第三分量是通过第三解构源分量的变换126产生的。
在一个特定方面中，使用经验模式分解(EMD)执行源信号102到多个解构源分量128、130的解构124，并且使用希尔伯特变换执行多个解构源分量128、130的变换126。
经验模式分解将源信号分解为一组完全数据自适应的解构分量。解构分量也可以称为分量、分解分量、基函数或固有模式函数(IMF)。EMD的基本理论是，任何数据集本质上都由有限个不同的简单振荡模式(即分量或IMF)组成。有益的是，与傅里叶变换和基于小波变换等方法相比，EMD没有先验定义的基础。因此，EMD可以有效地处理非线性和非平稳数据。这对于PPG或ECG等随机生物信号可特别有用。
图3示出信号302的经验模式分解的示例。可以认为信号302等效于图1所示的源信号102，并且可以是随机信号，例如PPG信号或ECG信号。
在图3中，已使用EMD将信号302分解为第一分解或解构分量304、第二分解或解构分量306、第三分解或解构分量308和第四分解或解构分量310。还显示残差312。在本发明中，从EMD生成的分量被视为包括残差。
再次参考图1，在解构阶段106期间，可以执行多个解构源分量128、130的变换126，以生成相应的多个变换源分量，其可以对应于从解构阶段106输出的多个分量112、114。在EMD用于源信号102的解构124、然后用于多个解构源分量128的变换126的实施例中，130可以包括每个解构源分量的希尔伯特变换(即，对第一解构源分量128执行希尔伯特变换，对第二解构源分量130独立执行希尔伯特变换)。众所周知，希尔伯特变换将解析信号形成为与正频率轴的频谱内容相对应的复时间信号。因此，希尔伯特变换允许计算解构源分量的瞬时属性，尤其是包络振幅和瞬时频率。
在替代实施例中，在解构阶段106执行的变换处理对应于源信号102的希尔伯特-黄变换(HHT)，从而通过对源信号102执行HHT来生成多个分量112、114。
HHT已应用于许多科学研究，如生物医学信号处理、地球物理、图像处理、结构测试、故障诊断、核物理等。与其他光谱技术一样，HHT能够在三维绘图或图像中表示振幅和瞬时频率，其中振幅是时频平面上的高度。
因此，当使用希尔伯特变换或HHT时，变换后的源分量，例如第一分量112和第二分量114，是可以表示为三维向量或图像的能量-频率-时间分布。因此，使用希尔伯特变换或HHT能够以高分辨率的时间和频率表示分量，这可有助于提高正在重建的信号的精度。
在解构阶段106生成了多个分量112、114(即，多个变换的源分量)之后，在映射阶段108将多个分量112、114映射到相应的多个估计分量116、118。多个估计分量116、188可替代地称为多个估计目标分量。
预测模型，例如第一训练的机器学习模型120和第二训练的机器学习模型122，用于从一组变换的源分量(例如分量112、114)预测一组估计的目标分量，例如多个估计分量116、118。在一个示例实现中，预测模型还包括第三训练机器学习模型123，用于从第三分量预测第三估计分量。
训练预测模型以将源信号的分量映射到目标信号的相应分量。也就是说，可以使用已知源信号和相应目标信号的数据集(例如具有已知对应ABP波形的PPG/ECG信号的数据集)来训练单个预测模型，例如，单个机器学习模型或神经网络。可以将PPG/ECG信号和相应的ABP波形解构为单个分量，以便可以训练预测模型，以从单个PPG/ECG分量预测到相应的ABP分量(例如，训练以从PPG波形的第一分量或IMF预测ABP波形的第一分量或IMF)。如前所述，在每个分量的基础上训练一组机器学习模型可能有助于确保各个机器学习模型的“学习”在时间和频率特征方面具有高度的细微差别。这可以通过分别捕获和建模高度动态的随机信号分量，而不是捕获和建模原始源信号和目标信号，更准确地估计目标信号。此外，基础分量比原始信号复杂，因此预测模型更容易学习传递函数(即，学习从源分量映射到估计的目标分量)。这允许使用比从原始源信号预测原始目标信号更简单和/或更小的模型。当本发明体现在诸如可穿戴设备的低能量设备中时，这可特别有益。
如下文将更详细地描述的，映射阶段108期间使用的预测模型可以对应于经过训练以从源分量预测估计的目标分量的任何合适的机器学习模型。在一个示例实现中，第一个经过训练的机器学习模型120和第二个经过训练的机器学习模型122是经过训练的编码器-解码器神经网络，例如经过训练的U-net模型或经过训练的VGG模型。其他合适的神经网络架构包括语言翻译网络、递归神经网络、卷积神经网络等。因此，预测模型可以是任何合适的经过训练的机器学习模型或经过训练的深度学习模型。
训练单个机器学习模型，以从相应的源分量预测相应的估计目标分量。例如，如果将源信号转换为四个源分量，则训练第一机器学习模型以将第一源分量映射到第一估计目标分量，训练第二机器学习模型以将第二源分量映射到第二估计目标分量，依此类推。可选地，预测估计的目标分量可以涉及提供给机器学习模型的多个源分量。在这种情况下，将第一分量映射到第一估计分量包括提供第一分量和第二分量作为第一训练机器学习模型的输入。此外，或者，将第二源分量映射到第二估计目标分量包括提供第一源分量和第二源分量作为第二训练机器学习模型的输入。
可以使用特定于基础任务的任何合适的数据集和特定于所使用的基础机器学习算法的训练方法来训练经过训练的机器学习模型。在下面描述的一个示例实现中，机器学习模型包括在MIMIC-III数据集上训练的U-net模型。
图4显示了适用于本发明的示例U-net体系结构400。示例U-net架构400基于VGG-16架构，并使用专用解码器网络，而不是在完全卷积网络(FCN)中使用的最小解码器。U-nets利用非池化层来恢复空间信息，并广泛使用跳过连接。这些连接利用编码路径中的空间信息和特征图的串联。
MIMIC-III数据库是一个大型的免费数据库，包含与2001至2021期间在贝斯以色列女执事医疗中心重症监护室住院的4万多名患者相关的未经确认的健康相关数据。U-net模型在MIMIC-III波形数据库匹配子集上进行训练，该子集包含10282名不同ICU患者的22317条波形记录和22247条数字记录。这些记录通常包括数字信号，如ECG、ABP、呼吸和PPG。这些记录还包含心率、血氧饱和度、收缩压、平均压和舒张压等测量值。该数据库是MIMIC-III波形数据库的子集，代表已识别患者的记录，其相应的临床记录可在MIMIC-III临床数据库中找到。从MIMIC-III波形数据库匹配子集获得的训练数据包括对应于PPG信号的训练实例和对应于ABP信号的训练目标。训练实例和训练目标都包含14896个长度为1024的波形。在当前描述的实现中，使用诸如Hilbert-Huang变换之类的适当变换过程，将训练实例和训练目标分解为四个变换的基函数和伴随的残差。在替代实现中，转换的基函数的数量可以大于或小于四个，并且可以使用其他合适的转换过程。训练五个U网络神经网络，以在五个基础信号分量之间映射，即在训练实例(PPG分量或基函数)和训练目标(ABP分量或基函数)之间映射。例如，训练第一U网络神经网络，以将第一PPG基函数映射到第一ABP基函数。本领域技术人员将理解，神经网络的数量，或更一般的机器学习模型，对应于分解分量的数量。因此，在替代实现中，神经网络或机器学习模型的数量可以大于或小于5个。在当前描述的实现中，使用了图4所示的标准U-net体系结构。本领域技术人员将理解，也可以使用图4所示之外的替代U-net体系结构。使用ADAM优化程序，使用平均绝对误差损失对U-net神经网络进行训练。训练过程在100多个时期内执行，批量大小为255(带洗牌)，并且30％的训练数据用于验证。
再次参考图1，在映射阶段108预测了多个估计分量116、118之后，在重构阶段110生成目标信号104。
通常，在重构阶段110应用与解构阶段106期间使用的变换过程或函数的逆相对应的第二变换过程或函数，以从多个估计分量116、118生成目标信号104。在使用第三机器学习模型123的实现中，从第一估计分量116、第二估计分量118和第三估计分量生成目标信号104。
在示例实现中，在重构阶段110期间执行的逆变换处理对应于变换132和重构134。变换132将多个估计分量116、118变换为相应的多个变换后的目标分量136、138。执行多个变换的目标分量136、138的重构134以生成目标信号104。可以使用变换函数从第一估计分量116生成第一变换目标分量136，并且可以使用变换函数从第二估计分量118生成第二变换目标分量138。因此，变换132可以对应于应用于估计的目标分量的特定变换函数。在一个示例中，在变换132处应用的变换函数是在变换126处应用的变换函数的逆函数。在其中在变换126处执行希尔伯特变换的实现中，然后在变换132处执行逆希尔伯特变换。
多个变换目标分量136、138的重构134组合多个变换目标分量136、138以生成目标信号104。可以使用用于组合多个变换的目标分量136、138以生成目标信号104的任何合适方法。在一个示例实现中，可以通过对多个变换后的目标分量136、138(其优选地包括相应的残差)求和来重构目标信号104。图5显示了根据此实现的示例求和。目标信号502被确定为包括残差504和单个变换目标分量506的多个变换目标分量之和。
可选地，可以输出目标信号502以供用户查看或进一步分析。例如，目标信号502可以输出到设备或可穿戴设备的显示器。或者，可以将目标信号502发送到外部设备以进行存储或进一步的分析/处理。
有益的是，本发明使用经过训练的机器学习模型从源信号分解的相应分量预测目标信号分解的分量。源信号和目标信号都可以是具有相关或共同原点的随机信号。本发明可以帮助提高所预测的目标随机信号的准确性和质量。此外，由于特定噪声分量与分解的源随机信号的分量相关联，因此本发明可以提供改进的噪声处理。也就是说，将源随机信号分解为一组分量可以为概率噪声提供本机噪声去除优势。这可能有助于消除机器学习模型不需要学习的噪声，即共同来源的潜在噪声，而不仅仅是测量结果产生的噪声。此外，由于分解的信号远比源随机信号简单，因此本发明可以提供相对于“真实”目标随机信号的相位的改进的相位预测。
图6示出根据本发明的一个方面的用于将源信号转换为目标信号的方法600。方法600包括步骤602、604、606，并且可选地包括步骤601、607。
可选地，方法600首先获得601源信号，例如图1所示的源信号102。在一个示例中，获得601源信号包括获得源光体积图(PPG)信号。如上所述，源信号可以从输入信号获得，输入信号可以是连续信号，也可以是从传感器(例如PPG传感器或ECG传感器)获得的波形。在一个示例中，源信号包括从输入信号获得的预定义长度的间隔。为了在去除噪声的同时保持重要的信号特征，可以在获得601之前对输入信号进行预处理。或者，可以在获得601之后对源信号进行预处理。信号的预处理可包括至少对信号去噪。
方法600包括从源信号生成602多个分量。在一个示例中，从源信号生成602多个分量包括使用第一变换过程将源信号变换为多个分量。在另一示例中，从源信号生成602多个分量包括使用第一变换过程将源PPG信号变换为多个PPG分量。
图7示出根据一个示例实现可以作为生成602的一部分执行的转换过程700。
变换过程700包括将源信号解构为多个解构702的源分量。在一个示例中，解构702包括执行源信号的经验模式分解(EMD)，以生成多个解构的源信号。
变换过程700还包括对多个解构源分量中的每一个执行704第一变换，以生成相应的多个变换源分量。在EMD用于解构702的实现中，执行704第一变换以变换多个解构源分量包括使用希尔伯特变换作为第一变换。因此，希尔伯特变换应用于多个解构目标分量中的每个解构源分量。
再次参考图6，在替代示例中，在生成602步骤执行的第一变换过程对应于希尔伯特-黄变换。或者，可以使用任何合适的变换过程将源信号解构为多个分量。用于解构源信号的变换过程可以具有相应的逆变换过程，该逆变换过程可用于恢复或重构目标信号。
方法600还包括使用多个经过训练的机器学习模型将多个分量映射604到相应的多个估计分量。多个经过训练的机器学习模型中的每一个都可以经过训练，以将多个分量中的相应一个映射到多个估计分量中的相应一个。因此，映射604可以包括使用第一训练的机器学习模型预测来自多个分量的第一分量的第一估计分量，以及使用第二训练的机器学习模型预测来自多个分量的第二分量的第二估计分量。
如上文更详细地描述的，所使用的机器学习模型可以对应于任何经过适当训练的机器学习模型，例如经过训练的U-net模型或经过训练的VGG模型。其他合适的神经网络架构包括语言翻译网络、递归神经网络、卷积神经网络等。上文结合图4描述了适用于本发明的U-net模型的示例训练过程。
在一个示例实现中，映射604包括使用多个预测模型预测来自多个PPG分量的多个预测动脉血压(ABP)分量。多个预测模型中的每个预测模型可用于从多个PPG分量中的一个或多个PPG分量映射到多个预测ABP分量中的预测ABP分量。
方法600还包括从多个估计分量生成606目标信号。在一个示例中，从多个估计分量生成606目标信号包括使用第二变换过程将多个估计分量变换为目标信号。在另一示例中，从多个估计分量生成606目标信号包括使用第二变换过程将多个预测ABP分量变换为目标ABP信号。
图8示出根据一个特定实现可以作为生成606的一部分执行的转换过程800。
转换过程800包括对多个估计目标分量中的每一个执行802第二转换过程，以生成多个转换的目标分量。第二变换过程可以是在源信号解构期间执行的第一变换过程的逆过程(例如，在图7的步骤704执行的第一变换过程)。在将希尔伯特变换用作第一变换过程的实现中，可以将逆希尔伯特变换用作第二变换过程。
变换过程800还包括组合804所述多个变换的目标分量以生成目标信号。如图5所示并在上文中更详细地描述，组合804所述多个变换的目标分量可对应于估计的目标分量(包括残差)的总和以生成目标信号。
再次参考图6，在替代实现中，当在生成步骤602执行的第一变换过程对应于希尔伯特-黄变换时，在生成步骤606执行的第二变换过程对应于希尔伯特-黄变换。
可选地，方法600包括导致607输出目标信号。在一个示例中，导致607目标信号的输出包括导致目标ABP信号的输出。另外或可选地，导致607输出目标信号可以包括使目标信号输出到设备或可穿戴设备的显示器。或者，导致607输出目标信号可以包括使目标信号被发送到外部设备，例如用于进一步处理。
图9中示出适合于执行本公开的上述方面的设备。图9显示示例计算系统的框图。
计算系统900可以被配置为执行本文公开的任何操作。计算系统包括一个或多个计算设备902。计算系统900的一个或多个计算设备902包括一个或多个处理器904和存储器906。一个或多个处理器904可以是配置为执行一组指令(即，一组可执行指令)的任何通用处理器。例如，一个或多个处理器904可以是一个或多个通用处理器、一个或多个现场可编程门阵列(FPGA)和/或一个或多个专用集成电路(ASIC)。在一个示例中，一个或多个处理器904包括一个处理器。或者，一个或多个处理器904包括操作连接的多个处理器。一个或多个处理器904经由地址总线908、控制总线910和数据总线912通信地耦合到存储器906。存储器906可以是随机存取存储器(RAM)、只读存储器(ROM)、诸如硬盘驱动器的持久存储设备、可擦除可编程只读存储器(EPROM)等。一个或多个计算设备902还包括可通信地耦合到地址总线908、控制总线910和数据总线912的输入/输出接口914。
存储器906可以存储可由一个或多个处理器904访问的信息。例如，存储器906(例如，一个或多个非暂时性计算机可读存储介质、存储器设备)可以包括可由一个或多个处理器904执行的计算机可读指令(未示出)。计算机可读指令可以是用任何合适的编程语言编写的软件，或者可以用硬件实现。此外，或者可选地，计算机可读指令可以在一个或多个处理器904上以逻辑和/或实际上独立的线程执行。例如，存储器906可以存储当由一个或多个处理器904执行时使一个或多个处理器904执行诸如为其配置计算系统900的任何操作和功能的操作的指令(未示出)，如本文所述。此外，或者可选地，存储器906可以存储可以获得、接收、访问、写入、操作、创建和/或存储的数据(未示出)。例如，数据可以包括本文中相对于图1至图8描述的数据和/或信息。在一些实现中，计算设备902可以从远离计算系统900的一个或多个存储器设备中获得和/或存储数据。
计算系统900还包括存储单元916、网络接口918、输入控制器920和输出控制器922。存储单元916、网络接口918、输入控制器920和输出控制器922经由I/O接口914通信地耦合到计算设备902。
存储单元916是计算机可读介质，优选非暂时性计算机可读介质或非暂时性机器可读介质，包括一个或多个程序，该一个或多个程序包括指令，当由一个或多个处理器904执行时，该指令使计算系统900执行本发明的方法步骤。或者，存储单元916是临时计算机可读介质。存储单元916可以是持久存储设备，例如硬盘驱动器、云存储设备或任何其他适当的存储设备。
网络接口918可以是Wi-Fi模块、网络接口卡、蓝牙模块和/或任何其他合适的有线或无线通信设备。在一个示例中，网络接口918被配置为连接到诸如局域网(LAN)或广域网(WAN)、因特网或intranet之类的网络。
图10中示出适用于执行本发明上述方面的可穿戴设备。在一个示例中，可穿戴设备是一种用于无袖带血压估计的设备。
图10示出包括计算环境1002、屏幕1004和频带1006的可穿戴设备1000。计算环境1002包括第一传感器1008、第二传感器1010、一个或多个处理器1012和存储器1014。应注意，图10中所示的计算环境1002被有意简化，并且在一些实施例中可以更接近于图9中所示的计算系统900。应注意，屏幕1004和频带1006都是可选的。
在一个示例中，第一传感器1008包括光体积图(PPG)传感器，并且第二传感器1010包括心电图(ECG)传感器。在示例实施例中，计算环境1002仅包括第一传感器1008或第二传感器1010中的一个。在又一示例中，第一传感器1008和/或第二传感器1010与计算环境1002分离，并可通过单独的接口或控制器(例如图9中所示的输入控制器920)访问。
第一传感器1008和第二传感器1010被配置为获得可由一个或多个处理器1012接收的测量或信号，例如PPG信号和ECG传感器。一个或多个处理器1012可以是配置为执行一组指令的任何通用处理器。例如，一个或多个处理器1012可以是一个或多个通用处理器、一个或多个现场可编程门阵列(FPGA)和/或一个或多个专用集成电路(ASIC)。在一个示例中，一个或多个处理器1012包括一个处理器。或者，一个或多个处理器1012包括操作连接的多个处理器。一个或多个处理器1012经由地址总线、控制总线和数据总线(未示出)通信地耦合到存储器1014。
存储器1014可以是随机存取存储器(RAM)、只读存储器(ROM)、诸如硬盘驱动器的持久存储设备、可擦除可编程只读存储器(EPROM)等。存储器1014可以存储可由一个或多个处理器1012访问的信息。例如，存储器1014(例如，一个或多个非暂时性计算机可读存储介质、存储器设备)可以包括可由一个或多个处理器1012执行的计算机可读指令(未示出)。计算机可读指令可以是用任何合适的编程语言编写的软件，或者可以用硬件实现。另外，或者可选地，计算机可读指令可以在一个或多个处理器1012上以逻辑和/或实际上独立的线程执行。例如，存储器1014可以存储指令(未示出)，当由一个或多个处理器1012执行时，这些指令使得一个或多个处理器1012执行诸如可穿戴计算设备1000为其配置的任何操作和功能的操作，如本文所述。此外，或者可选地，存储器1014可以存储可以获得、接收、访问、写入、操作、创建和/或存储的数据(未示出)。例如，数据可以包括本文中相对于图1至图8描述的数据和/或信息。在一些实现中，可穿戴计算设备1000可以从远离可穿戴计算设备1000的一个或多个存储器设备中获得和/或存储数据。
图9和图10示出可用于实现本发明各方面的示例系统900、1000。这些计算系统并不打算限制其他计算系统，也可以使用示例系统900、1000的各种修改。本文讨论的计算任务可以在远离各自系统的地方执行，反之亦然。可以在不偏离本发明范围的情况下实现此类配置。使用基于计算机的系统可以在分量之间进行各种可能的配置、组合、任务划分和功能划分。计算机实现的操作可以在单个分量上执行，也可以跨多个分量执行。计算机执行的任务和/或操作可以按顺序或并行执行。数据和指令可以存储在单个存储设备中，也可以跨多个存储设备存储。
应注意，前述描述仅用于使技术人员能够理解本发明，而无意将本发明的适用性限制到读者可以容易理解和/或设想的其他实施例。特别地，虽然本发明主要针对源(随机)生物信号到目标(随机)生物信号的转换，但技术人员将理解，本发明适用于涉及具有共同或相关起源的随机信号转换的其他技术领域。
在本发明中，除非另有明确说明或上下文清楚，否则单数形式的项目应理解为包括复数形式的项目，反之亦然。语法连词旨在表达连词、句子、单词等的任何和所有析取和连词组合，除非上下文另有说明或明确说明。因此，术语“或”通常应理解为指“和/或”等。本文提供的任何和所有示例或示例性语言(“例如”，“如”，“包括”等)的使用仅旨在更好地说明实施例，而不对实施例或权利要求的范围构成限制。
本发明的系统和方法适用于任何合适的编程语言或环境，包括但不限于Java、C、C++、任何合适的汇编语言、Python、C#、JavaScript、Ruby、PHP等。
本文描述的一些方面可涉及具有非暂时性计算机可读介质(也可称为非暂时性处理器可读介质)的计算机存储产品，其上具有用于执行各种计算机实现的操作的指令或计算机代码。计算机可读介质(或处理器可读介质)是非瞬态的，因为它本身不包括瞬态传播信号(例如，在诸如空间或电缆之类的传输介质上承载信息的传播电磁波)。媒体和计算机代码(也可以称为代码)可以是为特定目的而设计和构造的代码。非暂时性计算机可读介质的示例包括但不限于磁存储介质，例如硬盘、软盘和磁带；光盘/数字视频光盘(CD/DVD)、光盘只读存储器(CD-ROM)和全息设备等光学存储介质；磁光存储介质，如光盘；载波信号处理模块；以及专门配置为存储和执行程序代码的硬件设备，如专用集成电路(ASIC)、可编程逻辑器件(PLD)、只读存储器(ROM)和随机存取存储器(RAM)设备。本文描述的其他实施例涉及临时计算机程序产品，其可以包括例如本文讨论的指令和/或计算机代码。
本文描述的一些过程/方法可以通过软件(在硬件上执行)、硬件或其组合来执行。硬件模块包括例如通用处理器、现场可编程门阵列(FPGA)和/或专用集成电路(ASIC)。软件模块(在硬件上执行)可以用各种软件语言(例如计算机代码)表示，包括C、C++、Java、Ruby、Visual Basic、Python和/或其他面向对象、过程或其他编程语言和开发工具。计算机代码的示例包括但不限于微代码或微指令、机器指令(如编译器生成的)、用于生成web服务的代码以及包含由计算机使用解释器执行的更高级指令的文件。例如，可以使用命令式编程语言(例如C、Fortran等)、函数式编程语言(Haskell、Erlang等)、逻辑编程语言(例如Prolog)、面向对象编程语言(例如Java、C++等)或其他合适的编程语言和/或开发工具来实现这些过程/方法。计算机代码的其他示例包括但不限于控制信号、加密代码和压缩代码。

Claims (20)

1.一种将源信号转换为目标信号的方法，该方法包括：
将所述源信号解构为多个解构的源分量；
对所述多个解构的源分量中的每一个执行变换，以生成相应的多个变换的源分量；
使用多个机器学习模型将多个变换的源分量映射到多个估计的目标分量，其中所述多个机器学习模型中的每一个都经过训练，以将所述多个变换的源分量中的相应一个映射到所述多个估计的目标分量中的相应一个；
对所述所述多个估计的目标分量中的每一个执行逆变换，以生成相应的多个变换的目标分量；和
通过组合所述多个变换的目标分量来生成所述目标信号。
2.根据权利要求1所述的方法，其中所述源信号和所述目标信号是具有相关起源的生物信号。
3.根据权利要求1或2所述的方法，其中所述源信号是光容积图(PPG)信号或心电图(ECG)信号，并且所述目标信号是动脉血压(ABP)信号。
4.根据任何前述权利要求所述的方法，其中所述源信号包括从去噪输入信号获得的预定义长度的间隔。
5.根据任何前述权利要求所述的方法，其中使用经验模式分解，所述源信号被解构为所述多个解构的源分量。
6.根据任何前述权利要求所述的方法，其中所述变换包括希尔伯特变换，并且所述逆变换包括希尔伯特逆变换。
7.一种用于无袖带血压估计的设备，该设备包括一个或多个处理器和一个或多个非暂时性计算机可读介质，这些介质共同存储指令，当由一个或多个处理器执行时，这些指令会导致该设备执行操作，这些操作包括：
获得源光体积图(PPG)信号；
使用第一变换过程将源PPG信号变换为多个PPG分量；
使用多个预测模型预测来自所述多个PPG分量的多个预测动脉血压(ABP)分量，其中所述多个预测模型的每个预测模型可操作以从所述多个PPG分量的一个或多个PPG分量映射到所述多个预测ABP分量的预测ABP分量；和
使用第二变换过程将所述多个预测的ABP分量变换为目标ABP信号。
8.根据权利要求7所述的设备，其中所述操作还包括：
引起所述目标ABP信号的输出。
9.根据权利要求7或8所述的设备，其中所述第二变换过程是所述第一变换过程的逆过程。
10.根据权利要求9所述的设备，其中所述第一变换过程包括希尔伯特-黄变换，并且所述第二变换过程包括逆希尔伯特-黄变换。
11.根据权利要求7至10中任一权利要求所述的设备，其中所述源PPG信号包括从输入PPG信号获得的预定义长度的间隔。
12.根据权利要求11所述的设备，其中所述操作还包括：
在获得所述源PPG信号之前对所述输入PPG信号进行去噪。
13.根据权利要求7至12中任一权利要求所述的设备，其中所述多个预测模型包括多个训练的深度学习模型。
14.根据权利要求13所述的设备，其中所述多个训练的深度学习模型包括多个训练的U-net模型。
15.根据权利要求7至14中任一权利要求所述的设备，其中该设备为可穿戴设备。
16.一种非暂时性机器可读介质，存储可执行指令，当由一个或多个处理器执行时，可执行指令使一个或多个处理器执行操作，所述操作包括：
从源随机信号生成第一分量和第二分量；
使用第一训练的机器学习模型将所述第一分量映射到第一估计的分量；
使用第二训练的机器学习模型将所述第二分量映射到第二估计的分量；和
从所述第一估计的分量和所述第二估计的分量生成目标随机信号。
17.权利要求16所述的非暂时性机器可读介质，其中生成第一分量和第二分量包括：
将所述源随机信号分解为第一分解的分量和第二分解的分量；
使用第一变换函数从所述第一分解的分量生成第一分量；和
使用第一变换函数从所述第二分解的分量生成第二分量。
18.权利要求17所述的非暂时性机器可读介质，其中生成目标随机信号包括：
使用第二变换函数从所述第一估计的分量生成第一目标分量，其中所述第二变换函数是所述第一变换函数的逆函数；
使用所述第二变换函数从所述第二估计的分量生成第二目标分量；和
将所述第一目标分量和所述第二目标分量相结合来重构所述目标随机信号。
19.权利要求16至18中任一权利要求所述的非暂时性机器可读介质，其中将所述第一分量映射到所述第一估计的分量包括提供第一分量和第二分量作为第一训练机器学习模型的输入。
20.权利要求16至19中任一权利要求所述的非暂时性机器可读介质，其中所述操作还包括：
从所述源随机信号生成第三分量；和
使用第三训练的机器学习模型将所述第三分量映射到第三估计的分量；
其中所述目标随机信号由所述第一估计的分量、所述第二估计的分量和所述第三估计的分量生成。
CN202210756464.XA 2021-06-29 2022-06-29 随机信号之间转换的方法和设备 Pending CN115607125A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202163216485P 2021-06-29 2021-06-29
US63/216,485 2021-06-29
US17/528,407 2021-11-17
US17/528,407 US20220414181A1 (en) 2021-06-29 2021-11-17 Method and device for translating between stochastic signals

Publications (1)

Publication Number Publication Date
CN115607125A true CN115607125A (zh) 2023-01-17

Family

ID=82799809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210756464.XA Pending CN115607125A (zh) 2021-06-29 2022-06-29 随机信号之间转换的方法和设备

Country Status (3)

Country Link
US (1) US20220414181A1 (zh)
EP (1) EP4111953A1 (zh)
CN (1) CN115607125A (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3773155B1 (en) * 2018-03-30 2023-03-01 Koninklijke Philips N.V. System and method for non-invasive determination of blood pressure dip based on trained prediction models
US20220004810A1 (en) * 2018-09-28 2022-01-06 Pavel Sinha Machine learning using structurally regularized convolutional neural network architecture
CN111374652A (zh) * 2018-12-29 2020-07-07 中兴通讯股份有限公司 一种计算血压的装置和电子设备

Also Published As

Publication number Publication date
US20220414181A1 (en) 2022-12-29
EP4111953A1 (en) 2023-01-04

Similar Documents

Publication Publication Date Title
Ibtehaz et al. Ppg2abp: Translating photoplethysmogram (ppg) signals to arterial blood pressure (abp) waveforms using fully convolutional neural networks
Kumar et al. Heart rate monitoring and therapeutic devices: a wavelet transform based approach for the modeling and classification of congestive heart failure
Afandizadeh Zargari et al. An accurate non-accelerometer-based ppg motion artifact removal technique using cyclegan
Rasti-Meymandi et al. A deep learning-based framework For ECG signal denoising based on stacked cardiac cycle tensor
WO2020228420A1 (zh) 降噪自编码器的训练方法、心电信号的降噪方法及其装置
KR20140139564A (ko) Ｅｃｇ 모니터링을 위한 시스템들 및 방법들
Mahmud et al. NABNet: A Nested Attention-guided BiConvLSTM network for a robust prediction of Blood Pressure components from reconstructed Arterial Blood Pressure waveforms using PPG and ECG signals
CN113116321A (zh) 基于pso-grnn神经网络的无创连续血压测量系统
Fotoohinasab et al. A greedy graph search algorithm based on changepoint analysis for automatic QRS complex detection
Xi et al. Weighted combination and singular spectrum analysis based remote photoplethysmography pulse extraction in low-light environments
Wang et al. Ppg signal reconstruction using deep convolutional generative adversarial network
Berger et al. Generative adversarial networks in electrocardiogram synthesis: Recent developments and challenges
Hou et al. An ECG denoising method based on adversarial denoising convolutional neural network
Ho et al. Quickly convert photoplethysmography to electrocardiogram signals by a banded kernel ensemble learning method for heart diseases detection
Zabihi et al. Bp-net: Cuff-less and non-invasive blood pressure estimation via a generic deep convolutional architecture
Wang et al. IMSF-Net: An improved multi-scale information fusion network for PPG-based blood pressure estimation
CN116942172A (zh) 一种基于编解码结构的小波双通道单导联心电去噪方法
He et al. Dual attention convolutional neural network based on adaptive parametric ReLU for denoising ECG signals with strong noise
CN115607125A (zh) 随机信号之间转换的方法和设备
Sheu et al. Lightweight denoising autoencoder design for noise removal in electrocardiography
Zhu et al. FM-FCN: a neural network with filtering modules for accurate vital signs extraction
Liu et al. Energy-efficient intelligent pulmonary auscultation for post COVID-19 era wearable monitoring enabled by two-stage hybrid neural network
WO2021248188A1 (en) A method of estimating blood pressure of a subject
Anbukarasu et al. Tiny-HR: Towards an interpretable machine learning pipeline for heart rate estimation on edge devices
CN115553745B (zh) 基于机器学习的血液容积脉搏波信号增强方法及系统

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