CN116584908A - 一种基于领域自适应的无创连续血压测量方法 - Google Patents
一种基于领域自适应的无创连续血压测量方法 Download PDFInfo
- Publication number
- CN116584908A CN116584908A CN202310408554.4A CN202310408554A CN116584908A CN 116584908 A CN116584908 A CN 116584908A CN 202310408554 A CN202310408554 A CN 202310408554A CN 116584908 A CN116584908 A CN 116584908A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- field
- measurement method
- ppg
- ecg
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009530 blood pressure measurement Methods 0.000 title claims abstract description 20
- 230000036772 blood pressure Effects 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000035487 diastolic blood pressure Effects 0.000 claims abstract description 8
- 230000035488 systolic blood pressure Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 230000004913 activation Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
- A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
-
- 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]
- A61B5/346—Analysis of electrocardiograms
-
- 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
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Vascular Medicine (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于领域自适应的无创连续血压测量方法,包括以下步骤:获取数据集并对数据进行预处理,所述数据集包括PPG数据集、ECG数据集;建立血压预测模型,并使用预处理后的数据集对血压预测模型进行训练;使用测试集进行收缩压和舒张压的预测,本发明对PPG、ECG信号的特征提取,并以此进行血压预测,可防止人工特征提取的不准确问题,实现对血压的准确预测,同时,还可以解决特定设备采集到的数据集数据量不足无法进行准确预测的问题,本发明利用深度学习的领域自适应方法,实现对PPG、ECG信号的特征提取与血压预测,同时解决了普通神经网络因数据集不足的而导致模型泛化性差的问题。
Description
技术领域
本发明属于医疗医疗健康领域检测领域,具体涉及一种基于领域自适应的无创连续血压测量方法。
背景技术
高血压是一种常见的心血管疾病,它会大大增加冠心病和脑卒中的发作风险。血压的日常监测,对于高血压的预防和治疗具有重要意义。
电子血压计作为一种常用的血压计,主要包含袖带和计算显示装置两个部分,使用时需要通过袖带对手臂进行加压,无法实现连续的血压测量,并且由于需要加压,长时间的使用将带来不适。如一种血压计袖带、血压计及血压计袖带的使用方法(CN201610756354),可以实现用户单人的测量操作,但是每次测量时都需要通过血压计袖带进行充气加压,不能进行连续的血压预测,长时间的测量会给手臂部分带来不适。一种手臂式全自动电子血压计(CN202210807532),通过袖套和限位套,避免了使用者自己拆卸袖带的麻烦,适合家庭患者单独测量血压,但每次测量时也需要加压,无法进行连续的血压监测。
PPG、ECG信号与血压有着密切联系,利用PPG、ECG信号进行无创连续的血压预测成为一个研究热门。一种连续血压测量装置(CN201110420955),该装置测量血压时首先从提取的大量特征中,经过特征选择,选出用于血压方程估计的特征,将其送入决策系统,从血压方程组中确定出用于估计血压的方程;然后利用特征选择从特征提取中所提取的特征中选出用于估计血压方程系数的特征,通过统计估计、数值计算等方法估计血压方程系数;最后利用特征选择从特征提取中所提取的特征中选出用于估计血压的特征,将其代入血压方程进行血压估计,利用基于多特征的脉搏波速法和创建血压方程组的方法,利用人工智能和模式识别等方法进行血压估计,虽然能够进行连续的血压预测,但PPG、ECG的信号特征种类与个数需要提前设定,模型无法实现特征自动寻找与提取。连续血压测量装置、测量模型建立方法和系统(CN201580000417),获取同步的多个连续心动周期内的心电信号和脉搏波信号;根据心电信号和脉搏波信号的特性,采用小波变换的方法对所述心电信号和所述脉搏波信号进行滤波处理;提取滤波后的脉搏波信号的第一特征点,所述第一特征点为脉搏波信号的波峰和波谷,并根据所述滤波后的脉搏波信号的第一特征点获取同一心动周期内的滤波后的心电信号的第二特征点;根据所述第一特征点和所述第二特征点获取相应的特征值,根据所述特征值初始化特征参数集,选择评价函数,根据所述评价函数和所述特征参数集生成多个特征参数子集,根据所述评价函数从所述多个特征参数子集中确定出最优特征参数子集,将所述最优特征参数子集确定为特征参数,所述特征参数包括脉搏波传播时间、心动周期、脉搏波收缩期上升时间和脉搏波K值;基于相应的特征参数,建立所述特征参数的血压计算模型。使用基于支持向量机的方法,根据提取出的PPG、ECG信号特征进行血压预测,能够实现连续的血压预测,但信号的特征也需提前选定,容易因为特征漏选少选造成血压预测的不准确。
发明内容
本发明的目的是提出的一种基于领域自适应的无创连续血压测量方法,利用深度学习的领域自适应方法,实现对PPG、ECG信号的特征提取与血压预测,同时解决了普通神经网络因数据集不足的而导致模型泛化性差的问题。对PPG、ECG信号的特征提取,并以此进行血压预测,可防止人工特征提取的不准确问题,实现对血压的准确预测,同时,还可以解决特定设备采集到的数据集数据量不足无法进行准确预测的问题。
本发明至少通过如下技术方案之一实现。
一种基于领域自适应的无创连续血压测量方法,包括以下步骤:
获取数据集并对数据进行预处理,并将预处理后的数据集划分为源训练集、目标训练集、目标测试集;
建立血压预测模型,并使用预处理后的数据集对血压预测模型进行训练;
使用目标测试集进行收缩压和舒张压的预测。
进一步地,所述PPG数据集、ECG数据集分为公开的PPG数据集、ECG数据集以及利用血压预测设备采集的PPG数据集、ECG数据集。
进一步地,对公开的PPG、ECG数据集进行预处理,包括以下步骤:
先对原始的PPG信号和ECG信号进行切断,每段长度为N秒,然后分别进行带通滤波处理,最后进行标准化处理,得到源训练集S。
进一步地,对血压预测设备采集的PPG数据集、ECG数据集进行预处理,包括以下步骤:
对两种信号进行切断处理,每段N秒,再进行带通滤波,接着采样率与源训练集S进行对齐,最后进行标准化处理并按比例分为目标训练集T和目标测试集V。
进一步地,PPG信号的处理包括使用巴特沃斯带通滤波器进行滤波,ECG信号的处理使用2Hz至20Hz的巴特沃斯带通滤波器进行滤波处理。PPG信号和ECG信号最终都使用Z-Score进行标准化处理。
进一步地,所述血压预测模型为卷积神经网络构成的领域自适应模型,包括特征提取器、血压预测器和领域判别器。
进一步地,所述特征提取器用于对输入信号进行特征提取,包括五个卷积块,前两个卷积块都由一层卷积网络构成,后续三个卷积块都由两层卷积网络构成,每个卷积块后面都加一个最大池化层。
进一步地,所述血压预测器用于预测特征提取器提取出的信号特征中的收缩压和舒张压,包括五层的全连接层构成,最后一层为模型的输出。
进一步地,所述领域判别器用于对特征进行判断,判别特征来自源训练集S还是目标训练集T,包括五层全连接层构成的,前四层和血压预测器前四层一样,最后一层由两个神经元构成,领域判别结果的输出。
进一步地,血压预测模型训练过程中,把血压预测器的loss和领域判别器的loss叠加,作为整个模型的loss,使用梯度下降法进行迭代训练。
与现有技术对比,本发明的本发明的有益效果是:
本发明利用领域自适应的血压预测方法,通过建立血压预测模型,并使用预处理后的数据集对血压预测模型进行训练;模型通过训练能自动提取PPG、ECG信号的特征,方便快捷,同时,血压预测模型通过领域判别器D,以大型的源训练集为指引,增强了血压预测模型在目标数据集上的泛化能力,即使目标数据集的数据量不够多,也能训练出很好的血压预测模型。
附图说明
为进一步说明该发明的技术手段,将本发明的原理,目的,特点等更加通俗易懂的呈现,下面将举实施例,并辅以配图;
图1为本发明实施例基于领域自适应的无创连续血压测量方法的流程图;
图2为本发明实施例使用的领域自适应模型架构图;
图3为本发明实施例使用的特征提取器模型架构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,以下将结合附图和具体实施方式对本发明作进一步的详细说明。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。
如图1所示,本实施例的一种基于领域自适应的无创连续血压测量方法,包括以下步骤:
对大型的PPG、ECG数据集进行预处理。先对原始的PPG信号和ECG信号进行切断,每段长度为3秒,然后分别进行带通滤波处理,最后进行标准化处理,得到源训练集S;
对特殊设备采集的PPG、ECG数据集进行预处理,此处的设备,针对的是最终要在上面实现血压预测功能的设备。对两种信号进行切断处理,每段3秒,再进行带通滤波,接着采样率与源训练集S进行对齐,最后进行标准化处理并按8:1的比例分为目标训练集T和目标测试集V;
建立血压预测模型,所述血压预测模型是卷积神经网络构成的领域自适应模型,如图2所示,整个模型主要由三部分组成:特征提取器F、血压预测器C和领域判别器D。其中特征提取器F负责对输入信号进行特征提取,是由5个卷积块构成的,前两个卷积块都由一层卷积网络构成,后续三个卷积块都由两层卷积网络构成,每个卷积块后面都加了一个最大池化层。血压预测器C负责利用提取出的信号特征进行收缩压和舒张压的预测,它是由5层的全连接层构成,最后一层为模型的输出。领域判别器D负责对特征进行判断,判别特征来自源训练集(S)还是目标训练集(T),也是由5层全连接层构成的,前四层和血压预测器C前四层一样,最后一层由两个神经元构成,领域判别结果的输出。
将源训练集S和目标训练集T作为血压预测模型的输入,对模型进行迭代训练。训练过程中,把血压预测器C的loss和领域判别器D的loss叠加,作为整个模型的loss,使用梯度下降法进行迭代训练。
训练好的模型,使用测试集进行收缩压和舒张压的预测。
作为一种优选的实施例,源训练集S是较大型的已有的PPG、ECG数据集,可以是大型的公开数据集(如重症监护数据库MIMIC中的PPG、ECG数据集)。目标训练集T和目标测试集V是最终需要对血压进行预测的设备采集的,即血压预测模型最终落地植入的对象设备采集得到的数据集,比如已搭建的PPG、ECG信号采集处理系统。所有数据集最后都是由预处理后的PPG、ECG信号叠加而成的二维数据。训练过程中,目标训练集T的四分之一数据带标签信息,及对应的血压信息。
作为一种优选的实施例,PPG信号的处理包括使用巴特沃斯带通滤波器进行滤波,频率为1Hz至5Hz。ECG信号的处理使用2Hz至20Hz的巴特沃斯带通滤波器进行滤波处理。PPG信号和ECG信号最终都使用Z-Score进行标准化处理,公式如式(1)所示:
x_norm =(x-μ)/σ (1)
式中x_norm为标准化处理后的数据,x为输入数据,μ为所有输入x的均值,σ则为所有输入x的标准差,如要标准化的为PPG信号数据,则x为单独的一段PPG信号数据,μ为所有PPG信号数据的平均值,σ则为所有PPG信号数据的标准差。
作为另一种实施例,所述特征提取器F由5个卷积块构成的,具体架构如图3所示,前两个卷积块都由一层卷积网络构成,后续三个卷积块都由两层卷积网络构成,每个卷积块后面都加了一个最大池化层。每个卷积网络,后面都加一层全局平均池化层和一个激活函数层,激活函数使用ReLU激活函数。
血压预测器C由5层的全连接层构成。前四层的神经元,采用逐层递减的结构,每一层的神经元个数为上一层神经元个数的二分之一,并且每一层后续都加了一层全局平均池化层,同时,为了增加全连接层的非线性特性,全局平均池化层后面都加上一个ReLU激活函数层。最后一层为模型的输出,即收缩压或舒张压的模型预测值,只有一个神经元。训练过程中,第一二层的全连接层加了dropout,按照0.3的概率将其中的神经网络单元暂时从网络中丢弃,防止过拟合,增加模型的鲁棒性。
领域判别器D也由5层的全连接层构成。前四层依旧为神经元逐层递减的结果,每层后续都加上了一层的全局平均池化层和一个ReLU激活函数层。由于领域判别器D的训练目标是判断输入的特征来自于哪个数据集,与血压预测器C的血压值预测相比,复杂度较低,因此前四层中,每一层的神经元个数都设置为血压预测器C同位置神经元个数的一半,减少整体模型参数,有利于训练速度的提升。最后一层为输出层,由两个神经元和一个softmax函数层构成,输出0代表输入的特征来自源训练集,输出1则代表输入的特征来自于目标训练集。
训练过程中,初始学习率设为0.002,采用梯度随训练次数增加而变化的策略,每经过30次迭代,学习率便会减半,总共进行100次的迭代训练。训练中使用Adam作为优化器,其中weight_decay设置为2e-5,防止模型过拟合,提升模型的鲁棒性。
血压预测模型总的Loss如式(2)所示:
其中是源训练集S作为输入时的模型血压预测值/>与标签值ys的Loss,是源数据集S作为输入时的域分类器预测值/>与域分类标签ds的Loss,/>则是目标数据集T作为输入时的领域判别器D预测值/>与域分类标签dt的Loss,/>则是目标数据集T作为输入时的模型血压预测值/>与标签值yt的Loss。λ是领域判别器D在训练中的权重,其公式如式(3)所示:
其中,i代表当前训练的是第几次迭代,E代表总的迭代次数。训练过程中,λ随着训练次数的增大,从起始的0不断趋近于1。当λ较小时,血压预测模型的Loss主要集中在血压预测器C上,此时血压预测模型通过源训练集S进行训练,增强自身的血压预测能力。当λ不断增大时,域分类器的Loss占比逐渐增大,血压预测模型训练在训练血压预测能力的同时,兼顾减少源训练集S与目标训练集T之间的特征差异,提升血压预测模型在目标训练集T的血压预测能力。
图2中的梯度反向层,前向传播时不起作用,当反向传播时,使梯度乘以-1,实现对梯度的反向工作,使特征提取器对不同数据集提取出的特征差异减小。
最终训练好的血压预测模型,使用目标测试集T进行血压预测的测试,并使用BHS血压预测标准对血压预测模型预测精度进行评估,从而得到最优的血压预测模型,此血压预测模型即可作为对PPG、ECG信号进行连续血压预测的模型。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于领域自适应的无创连续血压测量方法,其特征在于,包括以下步骤:
获取数据集并对数据进行预处理,并将预处理后的数据集划分为源训练集、目标训练集、目标测试集;
建立血压预测模型,并使用预处理后的数据集对血压预测模型进行训练;
使用目标测试集进行收缩压和舒张压的预测。
2.根据权利要求1所述的一种基于领域自适应的无创连续血压测量方法,其特征在于,所述PPG数据集、ECG数据集分为公开的PPG数据集、ECG数据集以及利用血压预测设备采集的PPG数据集、ECG数据集。
3.根据权利要求2所述的一种基于领域自适应的无创连续血压测量方法,其特征在于,对公开的PPG、ECG数据集进行预处理,包括以下步骤:
先对原始的PPG信号和ECG信号进行切断,每段长度为N秒,然后分别进行带通滤波处理,最后进行标准化处理,得到源训练集S。
4.根据权利要求3所述的一种基于领域自适应的无创连续血压测量方法,其特征在于,对血压预测设备采集的PPG数据集、ECG数据集进行预处理,包括以下步骤:
对两种信号进行切断处理,每段N秒,再进行带通滤波,接着采样率与源训练集S进行对齐,最后进行标准化处理并按比例分为目标训练集T和目标测试集V。
5.根据权利要求4所述的一种基于领域自适应的无创连续血压测量方法,其特征在于,PPG信号的处理包括使用巴特沃斯带通滤波器进行滤波,ECG信号的处理使用2Hz至20Hz的巴特沃斯带通滤波器进行滤波处理;PPG信号和ECG信号最终都使用Z-Score进行标准化处理。
6.根据权利要求1所述的一种基于领域自适应的无创连续血压测量方法,其特征在于,所述血压预测模型为卷积神经网络构成的领域自适应模型,包括特征提取器、血压预测器和领域判别器。
7.根据权利要求6所述的一种基于领域自适应的无创连续血压测量方法,其特征在于,所述特征提取器用于对输入信号进行特征提取,包括五个卷积块,前两个卷积块都由一层卷积网络构成,后续三个卷积块都由两层卷积网络构成,每个卷积块后面都加一个最大池化层。
8.根据权利要求6所述的一种基于领域自适应的无创连续血压测量方法,其特征在于,所述血压预测器用于预测特征提取器提取出的信号特征中的收缩压和舒张压,包括五层的全连接层构成,最后一层为模型的输出。
9.根据权利要求6所述的一种基于领域自适应的无创连续血压测量方法,其特征在于,所述领域判别器用于对特征进行判断,判别特征来自源训练集S还是目标训练集T,包括五层全连接层构成的,前四层和血压预测器前四层一样,最后一层由两个神经元构成,领域判别结果的输出。
10.根据权利要求6所述的一种基于领域自适应的无创连续血压测量方法,其特征在于,血压预测模型训练过程中,把血压预测器的loss和领域判别器的loss叠加,作为整个模型的loss,使用梯度下降法进行迭代训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310408554.4A CN116584908A (zh) | 2023-04-17 | 2023-04-17 | 一种基于领域自适应的无创连续血压测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310408554.4A CN116584908A (zh) | 2023-04-17 | 2023-04-17 | 一种基于领域自适应的无创连续血压测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116584908A true CN116584908A (zh) | 2023-08-15 |
Family
ID=87594581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310408554.4A Pending CN116584908A (zh) | 2023-04-17 | 2023-04-17 | 一种基于领域自适应的无创连续血压测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116584908A (zh) |
-
2023
- 2023-04-17 CN CN202310408554.4A patent/CN116584908A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11337626B2 (en) | System and method for contactless blood pressure determination | |
CN108498089B (zh) | 一种基于深度神经网络的无创连续血压测量方法 | |
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 | |
Wu et al. | A novel method for classification of ECG arrhythmias using deep belief networks | |
CN107832737A (zh) | 基于人工智能的心电图干扰识别方法 | |
KR101072452B1 (ko) | 심장질환 진단장치 및 방법 | |
CN111248879B (zh) | 一种基于多模态注意力融合的高血压老年人活动分析方法 | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
CN111631698A (zh) | 基于运动模式级联约束的可穿戴血压监测及修正方法 | |
CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
CN110491506A (zh) | 心房颤动预测模型及其预测系统 | |
KR20220105092A (ko) | 심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법 | |
CN113729648B (zh) | 一种基于多脉搏传感器的穿戴式脉诊手环系统 | |
CN115089139A (zh) | 结合生物特征识别的个性化生理参数测量方法 | |
CN111067500A (zh) | 一种基于ppg信号实现连续血压的监测系统 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
CN115836847A (zh) | 一种血压预测装置及设备 | |
CN115089145A (zh) | 基于多尺度残差网络和ppg信号的智能血压预测方法 | |
CN116369877A (zh) | 一种基于光电容积脉搏波的无创血压估计方法 | |
CN116584908A (zh) | 一种基于领域自适应的无创连续血压测量方法 | |
CN112842355B (zh) | 基于深度学习目标检测的心电信号心搏检测识别方法 | |
CN115067912A (zh) | 一种基于elm模型的无创血液粘稠度预测方法及装置 | |
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 | |
CN112686091A (zh) | 基于深度神经网络的两步骤心律失常分类方法 |
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 |