CN116383617B - 一种基于脉搏波波形特征的智能血压检测方法及系统 - Google Patents

一种基于脉搏波波形特征的智能血压检测方法及系统 Download PDF

Info

Publication number
CN116383617B
CN116383617B CN202310434424.8A CN202310434424A CN116383617B CN 116383617 B CN116383617 B CN 116383617B CN 202310434424 A CN202310434424 A CN 202310434424A CN 116383617 B CN116383617 B CN 116383617B
Authority
CN
China
Prior art keywords
blood pressure
pulse wave
data set
waveform
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310434424.8A
Other languages
English (en)
Other versions
CN116383617A (zh
Inventor
岑宇晖
罗静静
罗竞春
王洪波
韩辗
彭易衡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN202310434424.8A priority Critical patent/CN116383617B/zh
Publication of CN116383617A publication Critical patent/CN116383617A/zh
Application granted granted Critical
Publication of CN116383617B publication Critical patent/CN116383617B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/68—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
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6824—Arm or wrist
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Fuzzy Systems (AREA)
  • Psychiatry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Vascular Medicine (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Signal Processing (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开一种基于脉搏波波形特征的智能血压检测方法及系统，涉及智能血压检测领域。该方法包括：步骤S1—S4。该系统包括：脉搏波脉搏波信号采集装置和数据存储与计算装置。本发明提供的基于脉搏波波形特征的智能血压检测方法，数据预处理包含标签分布平滑算法，能提高训练过程中非正常血压值标签关注度；使用全尺寸并行计算卷积核能快速得到最佳感受野，捕捉脉搏波单个心动周期波形特征；通过视觉转换器提取类二维图像特征矩阵中脉搏波多个心动周期波形特征；融合个体信息进行血压检测。该方法通过经迭代训练的最佳血压预测网络模型智能地提取脉搏波信号中单/多个心动周期的波形特征，实现基于脉搏波波形特征的个性化精准血压检测。

Description

一种基于脉搏波波形特征的智能血压检测方法及系统
技术领域
本发明涉及智能血压预测技术领域，具体涉及一种基于脉搏波波形特征的智能血压检测方法及系统。
背景技术
现有的智能血压预测方法中，常见的神经网络模型的输入信号数据为光电容积脉搏波(PPG)信号，但PPG信号数据的获取较为不易并且预处理方式复杂多样。压力脉搏波信号中含有丰富的人体血压方面的特征信息，其某些波形特征已被证明与血压有直接联系。
根据公开号为：CN114569097A，公开日期为2022-06-03的发明专利，具体公开了一种基于耳廓PPG信号预处理的血压预测方法，包括以下步骤：获取目标对象耳廓处的PPG信号，通过奇异谱分析对所述PPG信号进行降噪生成第一特征信号；同时，通过经验模态分析方法对所述PPG信号进行降噪处理生成第二特征信号，将所述第二特征信号进行求导处理生成第三特征信号，对所述第三特征信号进行二次求导处理生成第四特征信号；获取所述第一特征信号、第三特征信号及第四特征信号中的特征点信息，并将所述特征点信息转变为相应的特征值；通过所述特征值结合目标用户的生理特征建立血压预测模型，根据所述血压预测模型进行目标对象血压额评估与预测。其主要的技术效果是：获取目标对象耳廓处的PPG信号，结合奇异谱分析与经验模态分析对PPG信号进行降噪处理，并提取特征信号，计算相应特征值，根据所述特征值结合目标对象的生理特征构建模型进行血压的预测，对PPG信号进行预处理，提高信号了的可用性，简化了特征提取的复杂性，间接提高了特征提取的准确性与可靠度。
上述专利中，使用的是耳廓处基于微动脉的容积脉搏波信号，本申请中提出手腕处使用薄膜传感器采集桡动脉处的脉搏波信号，桡动脉作为连接主动脉和小动脉的中动脉，具有最丰富的脉搏波波形特征，薄膜传感器能形变贴合手腕内侧不平整区域，适用于在桡动脉处进行佩戴和采集，耳廓处PPG信号处理主要内容为降噪处理，未进行数据预处理加强波形特征，且降噪处理后采用手工定义的方式特征提取，特征提取能力有限。公开号为CN112022126A的中国专利公开了一种基于CNN-BiLSTM模型和PPG的智能血压预测方法，该方案以PPG信号为原始数据集，PPG信号数据的获取较为不易并且预处理方式复杂多样，并构建了CNN-BiLSTM神经网络模型，利用训练集训练模型并用测试集来预测血压。该方法使用了深度学习网络提取PPG信号特征，但未对脉搏波数据进行波形特征增强预处理，不利于波形特征提取，并且其网络模型的训练过程中对高/低血压标签数据学习不充分；此外，CNN卷积神经网络、LSTM长短期记忆网络等网络模型为通用网络模型结构，对脉搏波信号的波形特征提取能力不足，尤其是不能有针对性地提取单个心动周期和多个心动周期的波形特征信息，目前尚面临着精度不足的问题。为此，本发明提出一种基于脉搏波波形特征的智能血压检测方法及系统，以全面且有效地利用脉搏波波形特征信息来预测血压。
发明内容
本发明的目的是提供一种基于脉搏波波形特征的智能血压检测方法及系统，以全面且有效地利用脉搏波波形特征信息来预测血压。
为了实现上述目的，本发明提供如下技术方案：一种基于脉搏波波形特征的智能血压检测方法，包括以下步骤：
S1、通过脉搏波信号采集装置针对目标对象采集脉搏波信号，形成原始数据信号集，并记录对应目标对象的血压作为样本标签，记录个体信息形成最终数据集，脉搏波信号采集装置将最终数据集发送至数据存储与计算装置中保存，并传输至数据存储与计算装置的数据预处理单元；
S2、数据预处理单元接收原始数据集，对原始数据集进行带通滤波，通过标签分布平滑算法获取原始样本标签的重加权空间，对数据集进行去基线漂移，对数据集进行归一化，上述步骤用于加强数据中的波形形状特征，将数据集划分为训练数据集、验证数据集和测试数据集；
S3、步骤S2中获得的训练数据集脉搏波信号输入到智能血压预测网络模型中，通过单周期波形特征提取层将脉搏波信号转为类二维图像特征矩阵输出，经过多周期波形特征提取层转化并提取信号时间序列内所有心动周期的波形特征信息，输入到个体信息融合血压预测层，进行特征拼接和训练数据集的血压预测，重复S3内的前述步骤直至获得最佳血压预测网络模型；
S4、输入步骤S1中测试数据集至步骤S3中获得的最佳血压预测网络模型，获取目标对象的血压预测值。
作为优选的，所述步骤S3中，对智能血压预测网络模型进行迭代训练的步骤包括：
S3.1、将一批次的训练数据集输入智能血压预测网络模型进行训练；
S3.2、训练数据集进入智能血压预测网络模型的单周期波形特征提取层；
S3.3、单周期波形特征提取层通过一组顺序有效尺寸的卷积核并行提取训练数据集的脉搏波信号中单个心动周期的波形特征信息，并将波形特征信息转化为类二维图像矩阵，再将类二维图像特征矩阵传输至多周期波形特征提取层；
S3.4、多周期波形特征提取层接收类二维图像矩阵，并将类二维图像矩阵转化为图像块，对其位置进行编码，获取训练数据集脉搏波信号的多个心动周期的波形特征信息，并将融合单个和多个心动周期的波形特征信息传输至个体信息融合血压预测层；
S3.5、个体信息融合血压预测层将融合单个和多个心动周期的波形特征信息与步骤S1中记录的个体信息进行特征拼接，通过多层感知机回归预测S3.1中输入批次样本的血压值；
S3.6、将步骤S3.5中的回归值反归一化并根据步骤S2中获得的重加权空间优化损失函数；
S3.7、反向传播并更新智能血压预测网络模型参数；
S3.8、向更新后的智能血压预测网络模型输入验证数据集进行验证并且损失函数使用重加权损失函数；
S3.9、判断验证数据集损失函数是否经过固定轮数后不再下降，如果否，重复上述步骤S3.1—S3.9，反之，则获得最佳血压预测网络模型。
作为优选的，所述步骤S3.3中单周期波形特征提取层对训练数据集的处理步骤包括：
S3.3.1、生成顺序有效尺寸的一维卷积核并进行一维卷积；
S3.3.2、层归一化；
S3.3.3、使用激活函数ReLu增加非线性因素；
S3.3.4、将转化后的类二维图像矩阵输出。
作为优选的，所述步骤S3.4中多周期波形特征提取层对类二维图像特征处理包括以下步骤：
S3.4.1、通过二维卷积将类二维图像矩阵划分为多个图像块，形成图像块矩阵，通过二维卷积可以给智能血压预测网络模型快捷地提供整体数据的综合局部特征；
S3.4.2、将图像块矩阵重新排列；
S3.4.3、层归一化，通过层归一化加快智能血压预测网络模型收敛的速度；
S3.4.4、位置嵌入，对图像块矩阵进行位置编码，形成令牌空间，用于给智能血压预测网络模型提供图像块间关系信息，加强数据的整体特征；
S3.4.5、通过转换器编码块提取多个心动周期的波形特征信息并融合单个心动周期的波形特征信息，最终输出融合单个和多个心动周期的波形特征信息。
作为优选的，所述步骤S2中，数据预处理的步骤包括：
S2.1、对步骤S1中输出的最终数据集进行带通滤波，同时通过标签分布平滑算法获取原始样本标签的重加权空间；
S2.2、针对步骤S2.1中带通滤波后数据集进行去基线漂移；
S2.3、对步骤S2.1中去基线漂移处理后的数据集进行归一化；
S2.4、对步骤S2.3中进行归一化处理后的数据集进行划分，划分为训练数据集、验证数据集和测试数据集。
作为优选的，所述标签分布平滑算法的步骤包括：
S2.1.1、设置高斯核函数的范围参数，所述高斯核函数的表达式为：
其中，xi表示空间中任意一点，xc表示中心点，σ表示范围参数；
S2.1.2、计算每个样本标签的核函数分布值；
S2.1.3、对所有样本标签的核函数分布值进行归一化，并取其倒数；
S2.1.4、获取样本标签的重加权空间；
所述步骤S3.8中所述的最佳血压预测网络模型为重加权损失函数loss收敛结束的血压预测网络模型，所述重加权损失函数为使用标签分布平滑算法计算得到的重加权空间对均方差损失函数的优化，所述重加权损失函数loss的表达式为：
其中，Wi为标签重加权空间，为标签值，yi为预测值，n为样本数。
作为优选的，所述步骤S2.2中，去基线漂移的具体公式为：
其中，fnew为经过去基线漂移的信号，forg为原始信号，g1为生成全部以1作为元素的数组的函数，ws为窗口的尺寸，ss为信号的尺寸，*为卷积操作。
一种基于脉搏波波形特征的智能血压检测系统，包括：
脉搏波信号采集装置，通过所述脉搏波信号采集装置采集目标对象的一维脉搏波时间序列信号，并将采集到的信号输出；
数据存储与计算装置，所述数据储存与计算装置包括保持数据连接的数据预处理单元与智能血压预测网络模型，所述数据预处理单元接收脉搏波信号采集装置输出的一维脉搏波时间序列信号并对其进行预处理，并将预处理后的信号传输至智能血压预测网络模型；
通过所述智能血压预测网络模型接收数据预处理单元输出信号，并根据接收到的信号预测目标对象的血压值。
作为优选的，所述智能血压预测网络模型包括：
单周期波形特征提取层，用于将接收的脉搏波信号转化为类二维图像特征矩阵并输出；
多周期波形特征提取层，其用于将接收的类二维图像特征矩阵转化为图像块并提取出信号时间序列内所有心动周期的波形特征信息，将波形特征信息输出；
个体信息融合血压预测层，其用于将接收到的波形特征信息与个体信息特征进行拼接，形成新的特征矩阵，并通过多层感知机回归预测新的特征矩阵血压值中的收缩压或者舒张压。
作为优选的，所述脉搏波信号采集装置包括：
薄膜传感器，用以实时采集目标对象的脉搏波信号；
信号发射器，所述信号发射器与薄膜传感器保持数据连接，所述信号发射器，实时将所述薄膜传感器采集到的脉搏波信号传输至所述数据预处理单元；
压力自适应绑带，所述薄膜传感器、信号发射器均设置于压力自适应绑带上。
在上述技术方案中，本发明提供的一种基于脉搏波波形特征的智能血压检测方法及系统，具备以下有益效果：
该发明，智能血压预测网络模型的单周期波形特征提取层通过一组顺序有效尺寸的卷积核来捕捉脉搏波单个心动周期波形的最佳感受野，从而提取单个心动周期的波形特征信息，采用所有卷积核并行卷积计算可以快速将一维脉搏波信号转化为类二维图像特征矩阵，通过多周期波形特征提取层提取信号时间序列内所以后心动周期的波形特征信息，将融合单个和多个心动周期的波形特征信息传输至个体信息融合血压预测层，一维脉搏波时间序列信号的单个心动周期的波形特征信息和多个心动周期的波形特征信息最终都被充分提取和融合，并用于血压预测，该智能血压预测网络模型采用复合结构，可解释性强，数据预处理单元对接收到的原始数据集进行数据预处理的过程包括对原始数据集进行标签分布平滑算法处理，可以有效改善原始标签空间存在的“长尾效应”，提高对模型训练过程中少量非正常血压值标签的关注程度；个体信息融合血压预测层将接收到的特征信息与个体信息特征进行特征拼接，以目标对象个性化的理念进行设计，将从多周期波形特征提取层输出的特征信息矩阵与具有个性化特点的个体信息相拼接，提升血压预测结果的精确性，只需获取一种脉搏波信号，通过对获取脉搏波信号的处理，完成目标对象的血压检测工作，信号获取方式简便、快捷。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明公开的基于脉搏波波形特征信息的智能血压检测系统的整体框架示意图；
图2为本发明实施例中的脉搏波信号采集装置结构示意图；
图3为本发明中智能血压预测网络模型的结构示意图；
图4为本发明中单波形周期特征提取层的一维卷积核掩码表的一种案例示意图；
图5为本发明中多波形周期特征提取层的转换器编码块的结构示意图；
图6为本发明中数据预处理单元的步骤流程图；
图7为本发明中标签分布平滑算法的步骤流程图；
图8为本发明公开的基于脉搏波波形特征的智能血压检测方法的步骤流程图；
图9为本发明提供的标签分布平滑算法与带通滤波并行处理的步骤流程图。
附图标记说明：
1、脉搏波信号采集装置；11、薄膜传感器；12、信号发射器；13、压力自适应绑带。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明中智能血压预测网络模型的输入信号可以为任意与血压有关的一维脉搏波时间序列信号，在本发明的实施例中，脉搏波信号采集装置1采集的信号为压力脉搏波信号，将压力脉搏波信号作为输入信号。
请参阅图1—9，一种基于脉搏波波形特征的智能血压检测方法，包括以下步骤：
S1、通过脉搏波信号采集装置1针对N个目标对象采集N份时长为M秒的压力脉搏波信号，形成原始数据信号集，并记录对应目标对象的血压作为原始样本标签，记录个体信息形成原始数据集，脉搏波信号采集装置1将原始数据集发送至数据存储与计算装置中保存，并传输至数据存储与计算装置的数据预处理单元；
S2、数据预处理单元接收原始数据集，对原始数据集进行带通滤波，通过标签分布平滑算法获取原始样本标签的重加权空间，对数据集进行去基线漂移，对数据集进行归一化，将数据集划分为训练数据集、验证数据集和测试数据集；
如图6所示，数据预处理单元对接收到的原始数据集进行数据预处理的过程包括以下步骤：
S2.1、对步骤S1中输出的最终数据集进行带通滤波；
具体地，带通滤波采用多阶巴特沃斯带阻滤波器，设置巴特沃斯带阻滤波器的滤波频率阈值大小，并获取所有满足阈值范围内的有效信号，优选的，采用5阶巴特沃斯带阻滤波器，滤波频率的最小和最大的阈值分别选0.5Hz和10Hz；
请参阅图9，作为本发明提供的实施例，在进行带通滤波的同时通过标签分布平滑算法获取原始样本标签的重加权空间；
请参阅图7、标签分布平滑算法包括以下步骤：
S2.1.1、设置高斯核函数的范围参数，高斯核函数的表达式为：
其中，xi表示空间中任意一点，xc表示中心点，σ表示范围参数；
S2.1.2、计算每个原始样本标签的核函数分布值；
S2.1.3、对所有原始样本标签的核函数分布值进行归一化，并取其倒数；
S2.1.4、获取原始样本标签的重加权空间。
S2.2、针对步骤S2.1中带通滤波后数据集进行去基线漂移；
具体地，为了排除目标对象佩戴脉搏波信号采集装置1进行信号采集时无法保持绝对静止导致的信号基线不一致，需要对采集到的信号进行去基线漂移，去基线漂移的具体公式为：
其中，fnew为经过去基线漂移的信号，forg为原始信号，g1为生成全部以1作为元素的数组的函数，ws为窗口的尺寸，ss为信号的尺寸；
S2.3、对步骤S2.1中去基线漂移处理后的数据集进行归一化；
S2.4、对步骤S2.3中进行归一化处理后的数据集进行划分，划分为训练数据集、验证数据集和测试数据集；
具体地，对进行归一化处理后的数据集按照6:2:2的比例划分成训练数据集、验证数据集和测试数据集。
S3、步骤S2中获得的训练数据集压力脉搏波信号输入到智能血压预测网络模型中，通过单周期波形特征提取层将压力脉搏波信号转为类二维图像特征矩阵输出经过多周期波形特征提取层转化并提取信号时间序列内所有心动周期的波形特征信息，输入到个体信息融合血压预测层，进行特征拼接和训练数据集的血压预测，重复S3内的前述步骤直至获得最佳血压预测网络模型。
步骤S3中，对智能血压预测网络模型进行迭代训练的步骤包括：
S3.1、将一批次的训练数据集输入智能血压预测网络模型进行训练；
S3.2、训练数据集进入智能血压预测网络模型的单周期波形特征提取层；
S3.3、单周期波形特征提取层通过一组顺序有效尺寸的卷积核并行提取训练数据集的压力脉搏波信号中单个心动周期的波形特征信息，并将波形特征信息转化为类二维图像矩阵，再将类二维图像特征矩阵传输至多周期波形特征提取层；
步骤S3.3包括以下步骤：
S3.3.1、生成顺序有效尺寸的一维卷积核并进行一维卷积；
S3.3.2、层归一化；
S3.3.3、使用激活函数ReLu增加非线性因素；
S3.3.4、将转化后的类二维图像矩阵输出；
作为本发明提供的进一步实施例，如图3所示：
S3.3.1、生成一组顺序有效尺寸的一维卷积核，并进行一维卷积；
S3.3.2、层归一化，用于加快智能血压预测网络模型的收敛速度；
S3.3.3、再使用激活函数ReLu增加非线性因素，用于让智能血压预测网络模型具有非线性拟合能力，解决复杂的数据拟合问题；
S3.3.4、将数据预处理单元传输的压力脉搏波信号转化后的类二维图像特征矩阵传输至多周期波形特征信息提取层。
具体地，单周期波形特征提取层的一维卷积由一组k个顺序有效尺寸的一维卷积核实现，k与采集的压力脉搏波单个心动周期的波形信号点个数l相等，该组一维卷积核的有效尺寸集合为：
{1，2，3，...，k-1,k|k＝l}
产生一组k个顺序有效尺寸的一维卷积核的实现步骤为：
设定一维卷积的输入通道为1，输出通道为k，步长为1，即生成k个尺寸为(1,k)且卷积过程移动步长为1的一维卷积核，每个一维卷积核包含k个随机权重参数，形成1张尺寸为(k，k)的卷积核权重参数表Tk；
生成1张尺寸为(k，k)并且所有元素的值均为0的零矩阵；
按照自上而下的顺序，将上述零矩阵的第i行第1至第i位元素的值设置为1，形成掩码表Tm，参见图4，本发明提供的实施例中，k＝9；
将该组一维卷积核权重参数表Tk和掩码表Tm点积操作，用以生成新的卷积核权重参数表Ta，从而产生一组k个顺序有效尺寸的一维卷积核。
需要注意的是，在进行一维卷积过程中，需要先为输入的压力脉搏波信号的右侧填充k-1个值为0的时间序列点，所有卷积核并行卷积计算，可快速捕捉单个压力脉搏波波形周期的最佳感受野，从而获得单心动周期的波形最佳特征信息，单周期波形特征提取层输出的类二维图像特征矩阵维度为[1×k×w]。
S3.4、多周期波形特征提取层接收类二维图像矩阵，并将类二维图像矩阵转化为图像块，对其位置进行编码，获取训练数据集压力脉搏波信号的多个心动周期的波形特征信息，并将融合单个和多个心动周期的波形特征信息传输至个体信息融合血压预测层；
步骤S3.4中多周期波形特征提取层对类二维图像特征处理包括以下步骤：
S3.4.1、通过二维卷积将类二维图像矩阵划分为多个图像块，形成图像块矩阵，通过二维卷积可以给智能血压预测网络模型快捷地提供整体数据的综合局部特征；
S3.4.2、将图像块矩阵重新排列；
S3.4.3、层归一化，通过层归一化加快智能血压预测网络模型收敛的速度；
S3.4.4、位置嵌入，对图像块矩阵进行位置编码，形成令牌空间，用于给智能血压预测网络模型提供图像块间关系信息，加强数据的整体特征；
S3.4.5、通过转换器编码块提取多个心动周期的波形特征信息并融合单个心动周期的波形特征信息，最终输出融合单个和多个心动周期的波形特征信息。
作为本发明提供的进一步实施例，在本发明的一个实施例中，多周期波形特征提取层接收单周期波形特征提取层输出的维度为[1×k×w]的类二维图像特征矩阵，将接收到的类二维图像特征矩阵转化成一系列具备一定高度、宽度和通道数的图像块，对其进行位置编码，获取压力脉搏波信号的多个心动周期的波形特征信息，并将融合单个和多个心动周期的波形特征信息传输至个体信息融合血压预测层，具体地，多周期波形特征提取层依次包含二维卷积、层归一化、位置嵌入、令牌空间和转换器编码块。
在本发明的实施例中，二维卷积将输入的维度为[1×k×w]的类二维图像特征矩阵分割并转化成一系列高宽为[1×p]和通道数为c的图像块，图像块的总数为w/p，形成数据形状为[c×1×(w/p)]的图像块矩阵，优选地，图像块宽度p为2。需要注意的是，二维卷积Conv2D对类图像特征矩阵进行了升维和分割的操作，将原先一维压力脉搏波时间序列信号用更小的时间尺度和更高维的空间来表示，目的是为了获得一维压力脉搏波信号与血压关联的参数化特征向量。然后再将图像块矩阵的形状重新排列为[1×(w/p)×c]。层归一化实现将图像块矩阵沿着通道数c轴方向进行归一化LN。最后，位置嵌入使用Pytorch中的可训练随机位置参数pe对图像块矩阵进行位置编码，从而形成令牌空间Z。具体地，通过令牌空间Z可表示为：
Z＝[LN(Conv2D(x1)),LN(Conv2D(x2)),...,LN(Conv2D(xW/P))]+pe
转换器编码块的结构参见图5，依次包括层归一化、多头注意力机制、神经元随机丢弃、残差计算、层归一化、多层感知机块、神经元随机丢弃和残差计算，多层感知机块的结构依次包括线性层、激活函数GELU、神经元随机丢弃、线性层和神经元随机丢弃。具体地，令牌空间(具有位置编码的图像块)Z1作为转换器编码块的第一输入，输入的令牌空间Z1依次经层归一化LN和多头注意力机制MHA之后与最初输入的令牌空间Z1求和的结果作为第二输入Y1，第二输入Y1依次经层归一化LN和多层感知机块MLP之后与最初的第二输入Y1求和的结果作为转换器编码块的输出Z2，输出至个体信息融合血压预测层；具体地，通过转换器编码块输出的Z2可表示为：
Y1＝MHA(LN(Z1))+Z1
Z2＝MLP(LN(Y1))+Y1
需要了解的是，在转换器编码块中引入多头注意力机制，能够有效解决模型过度将注意力集中在自身位置的问题，并且优化令牌空间中每个令牌的不同特征，同时均衡一种注意力机制可能产生的偏差。多头注意力机制的具体结构较为复杂，其结构已经是深度学习领域研究人员所熟知的内容，因此这里不做赘述。
由于视觉转换器模型其结构中多头注意力机制和多层感知机块结构的存在，以转换器编码块为核心的视觉转换器模型能够反映二维图像复杂的空间特征变换信息和长距离像素点的特征依赖性，从而使得多周期波形特征提取层能够获得一维压力脉搏波时间序列信号所有心动周期的波形特征信息表示。
S3.5、个体信息融合血压预测层将融合单个和多个心动周期的波形特征信息与步骤S1中记录的个体信息进行特征拼接，通过多层感知机回归预测S3.1中输入批次样本的血压值；
S3.6、将步骤S3.5中的回归值反归一化并根据步骤S2中获得的重加权空间优化损失函数；
S3.7、反向传播并更新智能血压预测网络模型参数；
S3.8、向更新后的智能血压预测网络模型输入验证数据集进行验证并且损失函数使用重加权损失函数；
S3.9、判断数据集损失函数是否经过M轮后不再下降，如果否，重复上述步骤S3.1—S3.9，反之，则获得最佳血压预测网络模型。作为本发明提供的实施例，M＝30。
具体地，最佳血压预测网络模型为重加权损失函数loss收敛结束的血压预测网络模型，重加权损失函数为使用标签分布平滑算法计算得到的重加权空间对均方差损失函数的优化，重加权损失函数loss的表达式为：
其中，Wi为标签重加权空间，为标签值，yi为预测值，n为样本数；
本发明实施例中的损失函数loss利用标签分布平滑算法中获得的标签重加权空间来适当地调整每轮训练得到的损失函数loss的大小，以降低样本数量较少的高/低血压标签与其对应的预测值的误差，从而实现提高模型训练过程对高/低血压标签数据的关注程度，补偿智能血压预测网络模型对数据集中高/低血压标签数据学习的不充分情况；
S4、根据步骤S3中获得的最佳血压预测网络模型获取目标对象的血压预测值。
具体地，在获得最佳血压预测网络模型后，可输入测试数据集至最佳血压预测网络模型，从而预测目标对象的血压值(收缩压/舒张压)。
在本发明的实施例中，个体信息融合血压预测层接收转换器编码块输出的特征矩阵，将接收到的特征矩阵与个体信息特征矩阵进行特征拼接，并将拼接后的特征矩阵作为多层感知机的输入去进行血压预测。具体地，个体信息特征包括所采集到的目标对象的性别、年龄、身高、体重和BMI。
该发明，智能血压预测网络模型的单周期波形特征提取层通过一组顺序有效尺寸的卷积核来捕捉压力脉搏波单个心动周期波形的最佳感受野，从而提取单个心动周期的波形特征信息，采用所有卷积核并行卷积计算可以快速将一维压力脉搏波信号转化为类二维图像特征矩阵，通过多周期波形特征提取层提取信号时间序列内所以后心动周期的波形特征信息，将融合单个和多个心动周期的波形特征信息传输至个体信息融合血压预测层，一维压力脉搏波时间序列信号的单个心动周期的波形特征信息和多个心动周期的波形特征信息最终都被充分提取和融合，并用于血压预测，该智能血压预测网络模型采用复合结构，可解释性强，数据预处理单元对接收到的数据集进行数据预处理的过程包括对数据集进行标签分布平滑处理，可以有效改善原始标签空间存在的“长尾效应”，提高对模型训练过程中少量非正常血压值标签的关注程度；个体信息融合血压预测层将接收到的特征信息与个体信息特征进行特征拼接，以目标对象个性化的理念进行设计，将从多周期波形特征提取层输出的特征信息矩阵与具有个性化特点的个体信息相拼接，提升血压预测结果的精确性，只需获取一种压力脉搏波信号，通过对获取的压力脉搏波信号的处理，完成目标对象的血压检测工作，信号获取方式简便、快捷。
请参阅图1和图2，一种基于脉搏波波形特征的智能血压检测系统，包括：
脉搏波信号采集装置1，通过所述脉搏波信号采集装置1采集目标对象的一维压力脉搏波时间序列信号，并将采集到的信号输出；
数据存储与计算装置，所述数据储存与计算装置包括保持数据连接的数据预处理单元与智能血压预测网络模型，所述数据预处理单元接收脉搏波信号采集装置1输出的一维压力脉搏波时间序列信号并对其进行预处理，并将预处理后的信号传输至智能血压预测网络模型；
通过所述智能血压预测网络模型接收数据预处理单元输出信号，并根据接收到的信号预测目标对象的血压值。
脉搏波信号采集装置1的具体结构如图2所示，具体的，脉搏波信号采集装置1包括薄膜传感器11、信号发射器12和压力自适应绑带13，优选的，薄膜传感器11对应于目标对象的手腕内侧桡动脉位置，用以采集目标对象的脉搏波信号，手腕处使用薄膜传感器11采集桡动脉处的压力脉搏波信号，桡动脉作为连接主动脉和小动脉的中动脉，具有最丰富的脉搏波波形特征，薄膜传感器11能形变贴合手腕内侧不平整区域，适用于在桡动脉处进行佩戴和采集。具体的，作为本发明提供的实施例，薄膜传感器11为压力脉搏波传感器，可以用于采集目标对象的压力脉搏波信号，需要指出的是，可以通过选用不同的传感器型号与脉搏波检测位置，来获取不同类型的与血压有关的一维脉搏波时间序列信号，薄膜传感器11输出的信号与传感器的型号相适配，通过信号发射器12将采集到的压力脉搏波信号传输到数据存储与计算装置用以保存和计算；压力自适应绑带13优选为弹性材料，可使得脉搏波信号采集装置1佩戴在目标对象的腕部时能根据目标对象手腕的粗细自适应地施加一定压力，以保证薄膜传感器11能够采集到合适的压力脉搏波信号，在佩戴时，将压力自适应绑带13绑定至目标对象手腕上，并调整薄膜传感器11的位置至对应于目标对象的手腕内侧桡动脉位置。
作为本发明提供的进一步实施例，脉搏波信号采集装置1中的信号发射器12将采集到的压力脉搏波信号传输至数据存储与计算装置保存，数据存储与计算装置中的数据预处理单元将接收到的压力脉搏波信号进行一系列的数据处理，包括但不限于滤波、去基线漂移、归一化和数据集划分等，并将处理过后的压力脉搏波信号传输至智能血压预测网络模型。
智能血压预测网络模型包括单周期波形特征提取层、多周期波形特征提取层和个体信息融合血压预测层，其中，单周期波形特征提取层将数据预处理单元传输的预处理后的压力脉搏波信号转化成类二维图像特征矩阵，用以提取压力脉搏波信号单个心动周期的波形特征信息，并将其传输至多周期波形特征提取层；
多周期波形特征提取层接收单周期波形特征提取层传输的类二维图像特征矩阵，并将接收到的类二维图像特征矩阵转化成一系列具备一定高度、宽度和通道数的图像块，对其进行位置编码，再利用转换器编码块，用以提取压力脉搏波信号时间序列内所有心动周期的波形特征信息，并将其传输至个体信息融合血压预测层；
个体信息融合血压预测层接收多周期波形特征提取层输出的数据，并将接收到的数据与个体信息特征进行特征拼接形成特征矩阵，用以多层感知机对血压值的回归预测。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，所述电子设备具体包括如下内容：
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述处理器用于调用所述存储器中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
S1、通过脉搏波信号采集装置1针对目标对象采集脉搏波信号，形成原始数据信号集，并记录对应目标对象的血压作为样本标签，记录个体信息形成最终数据集，脉搏波信号采集装置1将最终数据集发送至数据存储与计算装置中保存，并传输至数据存储与计算装置的数据预处理单元；
S2、数据预处理单元接收原始数据集，对原始数据集进行带通滤波，通过标签分布平滑算法获取原始样本标签的重加权空间，对数据集进行去基线漂移，对数据集进行归一化，将数据集划分为训练数据集、验证数据集和测试数据集；
S3、步骤S2中获得的训练数据集脉搏波信号输入到智能血压预测网络模型中，通过单周期波形特征提取层将脉搏波信号转为类二维图像特征矩阵输出，经过多周期波形特征提取层转化并提取信号时间序列内所有心动周期的波形特征信息，输入到个体信息融合血压预测层，进行特征拼接和训练数据集的血压预测，重复S3内的前述步骤直至获得最佳血压预测网络模型；
S4、输入步骤S1中测试数据集至步骤S3中获得的最佳血压预测网络模型，获取目标对象的血压预测值。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
S1、通过脉搏波信号采集装置1针对目标对象采集脉搏波信号，形成原始数据信号集，并记录对应目标对象的血压作为样本标签，记录个体信息形成最终数据集，脉搏波信号采集装置1将最终数据集发送至数据存储与计算装置中保存，并传输至数据存储与计算装置的数据预处理单元；
S2、数据预处理单元接收原始数据集，对原始数据集进行带通滤波，通过标签分布平滑算法获取原始样本标签的重加权空间，对数据集进行去基线漂移，对数据集进行归一化，将数据集划分为训练数据集、验证数据集和测试数据集；
S3、步骤S2中获得的训练数据集脉搏波信号输入到智能血压预测网络模型中，通过单周期波形特征提取层将脉搏波信号转为类二维图像特征矩阵输出，经过多周期波形特征提取层转化并提取信号时间序列内所有心动周期的波形特征信息，输入到个体信息融合血压预测层，进行特征拼接和训练数据集的血压预测，重复本步骤内的重复S3内的前述步骤直至获得最佳血压预测网络模型；
S4、输入步骤S1中测试数据集至步骤S3中获得的最佳血压预测网络模型，获取目标对象的血压预测值。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块/单元分别描述。当然，在实施本说明书实施例时可以把各模块/单元的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。
在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (8)

1.一种基于脉搏波波形特征的智能血压检测方法，其特征在于，包括以下步骤：
S1、通过脉搏波信号采集装置（1）针对目标对象采集脉搏波信号，形成原始数据信号集，并记录对应目标对象的血压作为原始样本标签，记录个体信息形成原始数据集，脉搏波信号采集装置（1）将原始数据集发送至数据存储与计算装置中保存，并传输至数据存储与计算装置的数据预处理单元；
S2、数据预处理单元接收原始数据集，对原始数据集进行带通滤波，通过标签分布平滑算法获取原始样本标签的重加权空间，对数据集进行去基线漂移，对数据集进行归一化，将数据集划分为训练数据集、验证数据集和测试数据集；
S3、步骤S2中获得的训练数据集脉搏波信号输入到智能血压预测网络模型中，单周期波形特征提取层对训练数据集脉搏波信号的处理步骤为：生成顺序有效尺寸的一维卷积核并进行一维卷积，层归一化，使用激活函数ReLu增加非线性因素，输出类二维图像特征矩阵，该矩阵的维度为[1×k×w]，k为一维卷积核的数量，多周期波形特征提取层接收类二维图像特征矩阵并提取信号时间序列内多个心动周期的波形特征信息，个体信息融合血压预测层将融合单个、多个心动周期的波形特征信息与个体信息进行特征拼接，然后进行训练数据集的血压预测，重复S3内的前述步骤进行迭代训练直至获得最佳血压预测网络模型；
S4、输入步骤S2中测试数据集至步骤S3中获得的最佳血压预测网络模型，获取目标对象的血压预测值。
2.根据权利要求1所述的一种基于脉搏波波形特征的智能血压检测方法，其特征在于，所述步骤S3中，对智能血压预测网络模型进行迭代训练的步骤包括：
S3.1、将一批次的训练数据集输入智能血压预测网络模型进行训练；
S3.2、训练数据集进入血压预测网络模型的单周期波形特征提取层；
S3.3、单周期波形特征提取层通过一组顺序有效尺寸的卷积核并行提取训练数据集的脉搏波信号中单个心动周期的波形特征信息，并将波形特征信息转化为类二维图像特征矩阵，再将类二维图像特征矩阵传输至多周期波形特征提取层；
S3.4、多周期波形特征提取层接收类二维图像特征矩阵，并将类二维图像特征矩阵转化为图像块，对其位置进行编码，获取训练数据集脉搏波信号的多个心动周期的波形特征信息，并将融合单个和多个心动周期的波形特征信息传输至个体信息融合血压预测层；
S3.5、个体信息融合血压预测层将融合单个和多个心动周期的波形特征信息与步骤S1中记录的个体信息进行特征拼接，通过多层感知机回归预测S3.1中输入批次样本的血压值；
S3.6、将步骤S3.5中的回归值反归一化并根据步骤S2中获得的重加权空间优化损失函数；
S3.7、反向传播并更新智能血压预测网络模型参数；
S3.8、向更新后的智能血压预测网络模型输入验证数据集进行验证并且损失函数使用重加权损失函数；
S3.9、判断验证数据集损失函数是否经过固定轮数后不再下降，如果否，重复上述步骤S3.1—S3.9，反之，则获得最佳血压预测网络模型。
3.根据权利要求2所述的一种基于脉搏波波形特征的智能血压检测方法，其特征在于，所述步骤S3.4中多周期波形特征提取层对类二维图像特征处理包括以下步骤：
S3.4.1、通过二维卷积将类二维图像特征矩阵划分为多个图像块，形成图像块矩阵；
S3.4.2、将图像块矩阵重新排列；
S3.4.3、层归一化；
S3.4.4、位置嵌入，对图像块矩阵进行位置编码，形成令牌空间；
S3.4.5、通过转换器编码块提取多个心动周期的波形特征信息并融合单个心动周期的波形特征信息，最终输出融合单个和多个心动周期的波形特征信息。
4.根据权利要求1所述的一种基于脉搏波波形特征的智能血压检测方法，其特征在于，所述步骤S2中，数据预处理的步骤包括：
S2.1、对步骤S1中输出的最终数据集进行带通滤波，同时通过标签分布平滑算法获取原始样本标签的重加权空间；
S2.2、针对步骤S2.1中带通滤波后数据集进行去基线漂移；
S2.3、对步骤S2.1中去基线漂移处理后的数据集进行归一化；
S2.4、对步骤S2.3中进行归一化处理后的数据集进行划分，划分为训练数据集、验证数据集和测试数据集。
5.根据权利要求2和4任一项所述的一种基于脉搏波波形特征的智能血压检测方法，其特征在于，所述标签分布平滑算法的步骤包括：
S2.1.1、设置高斯核函数的范围参数，所述高斯核函数的表达式为：
；
其中，表示空间中任意一点，/>表示中心点，/>表示范围参数；
S2.1.2、计算每个样本标签的核函数分布值；
S2.1.3、对所有样本标签的核函数分布值进行归一化，并取其倒数；
S2.1.4、获取样本标签的重加权空间；
所述步骤S3.9中所述的最佳血压预测网络模型为重加权损失函数loss收敛结束的血压预测网络模型，所述重加权损失函数为使用标签分布平滑算法计算得到的重加权空间对均方差损失函数的优化，所述重加权损失函数loss的表达式为：
；
其中，为标签重加权空间，/>为标签值，/>为预测值，/>为样本数。
6.根据权利要求4所述的一种基于脉搏波波形特征的智能血压检测方法，其特征在于，所述步骤S2.2中，去基线漂移的具体公式为：
；
其中，为经过去基线漂移的信号，/>为原始信号，/>为生成全部以1作为元素的数组的函数，/>为窗口的尺寸，/>为信号的尺寸，*为卷积操作。
7.一种应用于上述权利要求1—6所述的基于脉搏波波形特征的智能血压检测方法的智能血压检测系统，其特征在于，包括：
脉搏波信号采集装置（1），通过所述脉搏波信号采集装置（1）采集目标对象的一维脉搏波时间序列信号，并将采集到的信号输出；
数据存储与计算装置，所述数据储存与计算装置包括保持数据连接的数据预处理单元与智能血压预测网络模型，所述数据预处理单元接收脉搏波信号采集装置（1）输出的一维脉搏波时间序列信号并对其进行预处理，并将预处理后的信号传输至智能血压预测网络模型；
通过所述智能血压预测网络模型接收数据预处理单元输出信号，并根据接收到的信号预测目标对象的血压值；
所述智能血压预测网络模型包括：
单周期波形特征提取层，用于将接收的脉搏波信号转化为类二维图像特征矩阵并输出，具体为：生成顺序有效尺寸的一维卷积核并进行一维卷积，层归一化，使用激活函数ReLu增加非线性因素，输出类二维图像特征矩阵，输出的类二维图像特征矩阵的维度为[1×k×w]，k为一维卷积核的数量；
多周期波形特征提取层，其用于将接收的类二维图像特征矩阵转化为图像块并提取出信号时间序列内所有心动周期的波形特征信息，将波形特征信息输出；
个体信息融合血压预测层，其用于将接收到的波形特征信息与个体信息特征进行拼接，形成新的特征矩阵，并通过多层感知机回归预测新的特征矩阵血压值中的收缩压或者舒张压。
8.根据权利要求7所述的一种基于脉搏波波形特征的智能血压检测系统，其特征在于，所述脉搏波信号采集装置（1）包括：
薄膜传感器（11），用以实时采集目标对象的脉搏波信号；
信号发射器（12），所述信号发射器与薄膜传感器保持数据连接，所述信号发射器，实时将所述薄膜传感器采集到的脉搏波信号传输至所述数据预处理单元；
压力自适应绑带（13），所述薄膜传感器、信号发射器均设置于压力自适应绑带上。
CN202310434424.8A 2023-04-21 2023-04-21 一种基于脉搏波波形特征的智能血压检测方法及系统 Active CN116383617B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310434424.8A CN116383617B (zh) 2023-04-21 2023-04-21 一种基于脉搏波波形特征的智能血压检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310434424.8A CN116383617B (zh) 2023-04-21 2023-04-21 一种基于脉搏波波形特征的智能血压检测方法及系统

Publications (2)

Publication Number Publication Date
CN116383617A CN116383617A (zh) 2023-07-04
CN116383617B true CN116383617B (zh) 2023-09-22

Family

ID=86971010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310434424.8A Active CN116383617B (zh) 2023-04-21 2023-04-21 一种基于脉搏波波形特征的智能血压检测方法及系统

Country Status (1)

Country Link
CN (1) CN116383617B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116864112B (zh) * 2023-07-18 2024-05-07 湘南学院 用于人体芯片的用户数据智能管理系统及其方法
CN116758619B (zh) * 2023-08-17 2023-11-24 山东大学 基于面部视频的情感分类方法、系统、存储介质及设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015174499A1 (ja) * 2014-05-14 2015-11-19 国立大学法人信州大学 血圧推定方法および血圧測定装置
CN106037694A (zh) * 2016-05-13 2016-10-26 吉林大学 一种基于脉搏波的连续血压测量装置
CN109288508A (zh) * 2018-08-18 2019-02-01 浙江好络维医疗技术有限公司 一种基于crnn-bp的血压值智能测量方法
WO2019105105A1 (zh) * 2017-11-28 2019-06-06 深圳市岩尚科技有限公司 脉搏波血压测量装置的分类预测数据处理方法
CN111528814A (zh) * 2020-04-29 2020-08-14 浙江工业大学 基于lstm神经网络的机器学习监测血压的方法
CN112336326A (zh) * 2020-10-21 2021-02-09 华南师范大学 容积脉搏波信号处理方法、血压测量装置和存储介质
CN112914527A (zh) * 2021-02-08 2021-06-08 合肥工业大学 一种基于脉搏波光电容积描记术的动脉血压信号采集方法
CN113116321A (zh) * 2021-03-03 2021-07-16 吉林大学珠海学院 基于pso-grnn神经网络的无创连续血压测量系统
CN113143230A (zh) * 2021-05-11 2021-07-23 重庆理工大学 一种外周动脉血压波形重构系统
CN113509160A (zh) * 2021-08-04 2021-10-19 天津工业大学 一种连续无创血压监测方法及装置
WO2021208490A1 (zh) * 2020-04-13 2021-10-21 中国科学院深圳先进技术研究院 一种基于深度神经网络的血压测量方法及装置
CN113598737A (zh) * 2021-09-08 2021-11-05 上海中医药大学 一种基于特征融合的血压预测方法
CN114821439A (zh) * 2022-05-10 2022-07-29 合肥中聚源智能科技有限公司 一种基于令牌学习的人脸视频心率估计系统及方法
CN114826947A (zh) * 2022-03-18 2022-07-29 华南师范大学 一种基于自动编码器的流量矩阵恢复预测方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015174499A1 (ja) * 2014-05-14 2015-11-19 国立大学法人信州大学 血圧推定方法および血圧測定装置
CN106037694A (zh) * 2016-05-13 2016-10-26 吉林大学 一种基于脉搏波的连续血压测量装置
WO2019105105A1 (zh) * 2017-11-28 2019-06-06 深圳市岩尚科技有限公司 脉搏波血压测量装置的分类预测数据处理方法
CN109288508A (zh) * 2018-08-18 2019-02-01 浙江好络维医疗技术有限公司 一种基于crnn-bp的血压值智能测量方法
WO2021208490A1 (zh) * 2020-04-13 2021-10-21 中国科学院深圳先进技术研究院 一种基于深度神经网络的血压测量方法及装置
CN111528814A (zh) * 2020-04-29 2020-08-14 浙江工业大学 基于lstm神经网络的机器学习监测血压的方法
CN112336326A (zh) * 2020-10-21 2021-02-09 华南师范大学 容积脉搏波信号处理方法、血压测量装置和存储介质
CN112914527A (zh) * 2021-02-08 2021-06-08 合肥工业大学 一种基于脉搏波光电容积描记术的动脉血压信号采集方法
CN113116321A (zh) * 2021-03-03 2021-07-16 吉林大学珠海学院 基于pso-grnn神经网络的无创连续血压测量系统
CN113143230A (zh) * 2021-05-11 2021-07-23 重庆理工大学 一种外周动脉血压波形重构系统
CN113509160A (zh) * 2021-08-04 2021-10-19 天津工业大学 一种连续无创血压监测方法及装置
CN113598737A (zh) * 2021-09-08 2021-11-05 上海中医药大学 一种基于特征融合的血压预测方法
CN114826947A (zh) * 2022-03-18 2022-07-29 华南师范大学 一种基于自动编码器的流量矩阵恢复预测方法及系统
CN114821439A (zh) * 2022-05-10 2022-07-29 合肥中聚源智能科技有限公司 一种基于令牌学习的人脸视频心率估计系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于潜在空间特征的无袖带血压估计方法;樊艳梦等;《合肥工业大学学报(自然科学版)》;全文 *

Also Published As

Publication number Publication date
CN116383617A (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN116383617B (zh) 一种基于脉搏波波形特征的智能血压检测方法及系统
Singh et al. A new ECG denoising framework using generative adversarial network
Dasan et al. A novel dimensionality reduction approach for ECG signal via convolutional denoising autoencoder with LSTM
Naeini et al. A real-time PPG quality assessment approach for healthcare Internet-of-Things
CN111772619B (zh) 一种基于深度学习的心搏识别方法、终端设备及存储介质
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
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
CN111248882B (zh) 一种预测血压的方法和装置
CN110946566B (zh) 一种基于U-Net网络的心拍分类方法、装置、设备及存储介质
CN111291727A (zh) 一种光体积变化描记图法信号质量检测方法和装置
Yu et al. Modality fusion network and personalized attention in momentary stress detection in the wild
Magbool et al. Aortic blood pressure estimation: a hybrid machine-learning and cross-relation approach
Wang et al. Mixed-precision quantization and parallel implementation of multispectral riemannian classification for brain-machine interfaces
Ai et al. Flexible coding scheme for robotic arm control driven by motor imagery decoding
CN116712056B (zh) 心电图数据的特征图像生成与识别方法、设备及存储介质
Chen et al. A novel imbalanced dataset mitigation method and ECG classification model based on combined 1D_CBAM-autoencoder and lightweight CNN model
CN117137451A (zh) 基于远程脉搏波信号的非接触式应激检测方法和系统
Yun et al. Lightweight end-to-end stress recognition using binarized CNN-LSTM models
CN116350233A (zh) 一种基于自编码器的心电信号质量评估方法
CN113655884A (zh) 设备控制方法、终端及系统
CN116035548B (zh) 心律状态检测方法、装置、智能穿戴设备及存储介质
CN115905819B (zh) 基于生成对抗网络的rPPG信号生成方法及装置
CN117393153B (zh) 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统
Xu et al. An ECG Sparse Noise Reduction Method based on Deep Unfolding Network
CN117577270B (zh) 患者的智能化营养管理方法及系统

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
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Luo Jingjing

Inventor after: Cen Yuhui

Inventor after: Luo Jingchun

Inventor after: Wang Hongbo

Inventor after: Han Zhan

Inventor after: Peng Yiheng

Inventor before: Cen Yuhui

Inventor before: Luo Jingjing

Inventor before: Luo Jingchun

Inventor before: Wang Hongbo

Inventor before: Han Zhan

Inventor before: Peng Yiheng

CB03 Change of inventor or designer information