CN116763266A - 一种基于特征交互的无创动脉硬化检测方法及系统 - Google Patents
一种基于特征交互的无创动脉硬化检测方法及系统 Download PDFInfo
- Publication number
- CN116763266A CN116763266A CN202310748275.2A CN202310748275A CN116763266A CN 116763266 A CN116763266 A CN 116763266A CN 202310748275 A CN202310748275 A CN 202310748275A CN 116763266 A CN116763266 A CN 116763266A
- Authority
- CN
- China
- Prior art keywords
- feature
- signal
- arteriosclerosis
- pulse
- interaction
- 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
- 208000011775 arteriosclerosis disease Diseases 0.000 title claims abstract description 63
- 206010003210 Arteriosclerosis Diseases 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 230000003993 interaction Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000002452 interceptive effect Effects 0.000 claims abstract description 27
- 230000000877 morphologic effect Effects 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 16
- 210000003423 ankle Anatomy 0.000 claims description 11
- 239000012634 fragment Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 210000001367 artery Anatomy 0.000 claims description 5
- 230000036772 blood pressure Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 208000024172 Cardiovascular disease Diseases 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000002265 prevention Effects 0.000 abstract description 2
- 210000004204 blood vessel Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 201000001320 Atherosclerosis Diseases 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 208000015337 arteriosclerotic cardiovascular disease Diseases 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000001991 pathophysiological effect Effects 0.000 description 1
- 230000036581 peripheral resistance Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000008085 renal dysfunction Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000008733 trauma Effects 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
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
- A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Vascular Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Ophthalmology & Optometry (AREA)
- Computational Linguistics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于特征交互的无创动脉硬化检测方法及系统，属于动脉硬化检测技术领域。包括以下步骤：信号采集；信号预处理：处理脉搏波信号，获取稳定信号片段；特征提取：提取脉搏波的形态特征和导数特征，构建特征集合；交互特征选择：筛选具有交互关系的特征子集；动脉硬化检测：从交互特征中估计检测对象动脉硬化程度。本发明相较于现有技术，其优点在于：通过采集脉搏波信号、信号预处理和特征提取，得到包括形态特征和导数特征的脉搏波特征集，筛选出具有交互关系的特征子集，将该特征子集作为输入，动脉硬化程度作为输出，得到基于交互特征子集的动脉硬化模型，实现动脉硬化的无创检测，对早期发现和预防心血管疾病具有重要意义。
Description
技术领域
本发明涉及动脉硬化检测技术领域，更具体地说，涉及一种基于特征交互的无创动脉硬化检测方法及系统。
背景技术
目前，心血管疾病是严重危害人类健康的重大疾病之一，而大多数心血管疾病在前中期很少有机会进行检查，在后期阶段才有临床表现。动脉硬化病变是大多数心血管疾病共同的病理生理基础，因此，准确检测动脉硬化程度是心血管疾病防治的关键。
现阶段对于检测动脉硬化程度的方法主要分为有创和无创两类，目前用于检测动脉硬化程度的主要方法有以下几种：一、超声检查，通过超声波能够清晰地显示血管壁的厚度和硬化程度，以及管腔内血流情况，其优点是检查简单、无创、无辐射、可重复性好，可以在诊疗室或床边进行，缺点是对于狭窄和血管壁背景不清晰的情况下有一定的诊断难度，对于部分位置临近颈动脉和头骨的血管检测不太方便；二、CT(计算机断层扫描)，通过扫描和重组血管图像，来检测血管狭窄和斑块形态，其优点是检查时间短，精度高，能够全方位地反映血管内部情况，,缺点是需要辐射，对于肾功能不佳、孕妇等人群有一定限制，检查费用较高；三、核磁共振成像(MRI)，类似于CT，通过扫描和重组血管图像，来检测血管狭窄和斑块形态，其优点是无辐射、无创，对患者安全性较高，检查结果较为可靠，缺点是检查需要相对较长的时间，设备及操作费用较高；四、血管造影，指通过导管将造影剂注入动脉，然后用X光或CT进行成像，其优点是直观、准确，可以同时进行疏通和打栓治疗，缺点是有一定的创伤性、辐射性，风险较高，对于年龄较大和伴有肾功能衰竭等病人不适用。
在相关技术中，如中国专利文献CN114587292A提供了一种非接触式动脉粥样硬化的评估装置及方法，通过将电容耦合心电图(CCECG)和电容耦合阻抗容积率(CCIPG)两路信号与动脉粥样硬化程度建立数学模型实现，解决了单一特征源的无创动脉硬化检测无法全面反映心血管动脉硬化程度的局限性，但是该方法准确性差，仅能作为相关疾病的评估，从而辅助医生的判断。
由上可知，相关技术并未对解决无创动脉硬化检测准确性不足的问题给出任何技术启示。
发明内容
1.要解决的技术问题
针对现有技术中存在的无创动脉硬化检测准确性不足的问题，本发明提供了一种基于特征交互的无创动脉硬化检测方法，它可以深入挖掘PPG信号的特征关系，获得交互的PPG特征，实现高精确性无创动脉硬化检测。
2.技术方案
本发明的目的通过以下技术方案实现。
一种基于特征交互的无创动脉硬化检测方法，包括如下步骤，
信号采集：采集目标对象的脉搏波信号，获取脉搏序列；
信号预处理：对脉搏波信号进行处理，从脉搏序列中获取稳定的信号片段；
特征提取：提取脉搏波的形态特征和导数特征，构建特征集合；
交互特征选择：从特征集合中筛选出具有交互关系的特征子集；
动脉硬化检测：从具有交互关系的特征子集中估计被检测对象的动脉硬化程度。
更进一步的，信号采集的步骤具体为，采用光电容积式脉搏波传感器获得受试者指尖脉搏信号，获取脉搏序列。
更进一步的，信号预处理的步骤具体为，采用带通滤波器对采集的脉搏信号进行滤波，带通滤波器的截止频率为0.8Hz-4.0Hz。
更进一步的，采用自适应信号截取从脉搏序列中获得稳定的PPG信号片段，获得三段PPG信号片段，其中截取的信号片段表示为：
yi＝x([n(i-1)+1:n(i+3)])，
yi是截取的信号片段，i＝1，2，…，N/n-3；
N是PPG信号x的长度，n是采样点矩形窗的滑动时间间隔。
更进一步的，定义信号质量和稳定性评价函数QSi：
QSi＝αSNRi-PVi，
去除质量较差的PPG信号片段；PV表示信号振幅的波动；α是信噪比SNR的权重，定义为：
筛选QSi中最大的三个值，三个QSi对应的yi为保留的三个最佳信号片段，对这三个信号片段提取特征。
更进一步的，交互特征选择的步骤具体为，采用特征交互权重IF衡量特征之间的冗余和交互关系，定义为：
fa和fb是从PPG信号中提取的特征，I(fa；fb；T)为特征fa、fb与动脉硬度T之间的互信息，H(fa)和H(fb)分别为特征fa和fb的熵；当IF(fa,fb)<0，fa和fb之间存在冗余关系；当IF(fa,fb)>0，fa和fb之间是交互的；当IF(fa,fb)＝0，fa和fb之间相互独立。
更进一步的，将相互信息的值域规范化为[0,1]，对称不确定性SU表示为：
I(fa；T)为特征fa与动脉硬度T之间的互信息；
根据每个特征的权重调整相关性度量，保留具有交互能力的候选特征，相关性度量表示为：
R(fa；T)＝w(fa)×(1+SU(fa；T))。
更进一步的，动脉硬化检测的具体步骤为，血压袖带分别放在上臂和脚踝上以获得压力脉搏，通过计算上臂和脚踝距离与压力脉搏时间差值之间的比值，计算动脉硬度PWV：
lA和lB分别为心脏到脚踝和心脏到上臂的位置，ΔT为脚踝和上臂压力脉搏波之间的时间差。
更进一步的，使用XgBoost算法训练得到动脉硬化检测模型，在目标函数中引入正则化，正则化表示为：
正则化由K棵树的正则化项相加而来，w是叶子节点的权重，T是叶子的数量，γ和λ是自定义的值，t是从1开始加到T的变量；
该目标函数表示为：
ys和分别为样本s的真实值和估计值，/>为损失函数，/>为k棵树的正则化，K代表算法中树的总个数。
基于上述基于特征交互的无创动脉硬化检测方法的系统，包括，
信号采集模块，用于采集目标对象的脉搏波信号，获取脉搏序列；
信号预处理模块，用于对脉搏波信号进行处理，从脉搏序列中获取稳定的信号片段；
特征提取模块，用于提取脉搏波的形态特征和导数特征，构建特征集合；
交互特征选择模块，用于从特征集合中筛选出具有交互关系的特征子集；
动脉硬化检测模块，用于从具有交互关系的特征子集中估计被检测对象的动脉硬化程度。
3.有益效果
相比于现有技术，本发明的优点在于：
本发明基于特征交互的无创动脉硬化检测方法，通过采集脉搏波信号、信号预处理和特征提取，得到包括形态特征和导数特征的脉搏波特征集，然后通过基于特征交互的特征选择算法筛选出具有交互关系的特征子集，并将该特征子集作为输入，参考动脉硬化程度(脉搏波传导速度PWV)作为输出，使用XgBoost算法训练得到基于交互特征子集的动脉硬化模型，实现动脉硬化的无创检测，减轻被检测人员的不良反应，可以应用于医疗诊断、健康管理等领域，对于早期发现和预防心血管疾病等方面具有重要意义。
附图说明
图1为本发明一实施例中基于特征交互的无创动脉硬化检测方法的流程示意图；
图2为本发明一实施例中PPG特征提取方法有明显重搏波的示意图；
图3为本发明一实施例中PPG特征提取方法无明显重搏波的示意图；
图4为本发明一实施例中男性组特征交互情况示意图；
图5为本发明一实施例中女性组特征交互情况示意图；
图6为本发明一实施例中男性组无创动脉硬度检测结果示意图；
图7为本发明一实施例中女性组无创动脉硬度检测结果示意图。
具体实施方式
下面结合说明书附图和具体的实施例，对本发明作详细描述。
结合图1至图7，本发明的一种基于特征交互的无创动脉硬化检测方法，包括如下步骤：
信号采集：
信号采集即采集目标对象的脉搏波信号(PPG)。采用光电容积式脉搏波传感器，根据血液容积变化，获得受试者指尖脉搏信号，采集时间为1分钟，本实施例中使合肥华科电子的红外脉搏传感器HKG-07C+，采集频率为200Hz，从而获取脉搏序列。
由于动脉硬度跟性别密切相关，所以将男女受试者分为两组，并分别采集PPG信号。
信号预处理：
信号预处理即对脉搏波信号进行带通滤波和稳定脉搏信号片段的截取，获取稳定的信号片段。
采用带通滤波器对采集的脉搏信号进行滤波，带通滤波器的截止频率为0.8Hz-4.0Hz，该截止频率能够最大程度地保留脉搏波的细节特征，同时去除了低频和高频噪声的干扰。
采用自适应信号截取方法从脉搏序列中获得稳定的PPG信号片段，该方法通过设置长度为2000个采样点，滑动间隔时间为500个采样点的矩形窗，获得三段最稳定的PPG信号片段。其中截取的信号片段表示为：
yi＝x([n(i-1)+1:n(i+3)])
其中，yi是截取的信号片段，i为常数，i＝1，2，…，N/n-3；N是PPG信号x的长度，n是矩形窗的滑动时间间隔。
计算所有信号片段的信噪比(SNR)和峰值方差(PV)，SNR值越大，信号质量越好，PV值越小，信号的稳定性就越好。
为了去除质量较差的PPG信号片段，定义了以下信号质量和稳定性评价函数：
QSi＝αSNRi-PVi
其中，α是SNR的权重，定义为：
sgn是一个符号函数，α＝1表示信号片段的信噪比优于平均值，信号质量可以接受；PV表示信号振幅的波动，信号越稳定，PV越小。最终具有三个最大值的QSi被保留，此时其下标i表示保留的三个最佳信号片段。从而对这三个最佳信号片段提取特征，例如脉搏波的形态特征和导数特征。
特征提取：
特征提取即从稳定的信号片段中提取脉搏波的形态特征和导数特征，得到包括形态特征和导数特征的脉搏波特征集。
提取用于动脉硬度检测的PPG特征集，脉搏的形态特征包括各关键点(脉搏起始位置、收缩期峰值、上升支的最大斜率点、切迹、舒张期峰值、脉搏周期结束位置)的宽度、振幅、长度及其相关特征。脉搏的导数特征包含其一阶导数和二阶导数，蕴含了血管外周阻力和血管年龄的相关信息。
如图2至图3所示，PPG特征的提取方法根据有无明显的重搏波分为两类，以及展示了其关键点定位和关键特征点。
交互特征选择：
交互特征选择即从脉搏波特征集中，基于特征交互的特征选择算法，筛选出具有交互关系的特征子集。
采用特征交互权重(IF)用于衡量特征之间的冗余和交互关系，定义为：
其中，fa和fb是从PPG信号中提取的特征，I(fa；fb；T)为特征fa、fb与动脉硬度T之间的互信息，H(fa)，H(fb)分别为特征fa和fb的熵。
当IF(fa,fb)<0，意味着特征fa和fb之间存在冗余关系；相反，当IF(fa,fb)>0，意味着特征fa和fb之间是交互的；当IF(fa,fb)＝0，则表示两特征之间相互独立。
如图4至图5所示，展示了使用IF指标衡量特征之间的交互关系，获得的有交互作用的特征组合。
互信息衡量了特征之间的相关性，并倾向于支持具有较大值的特征。对称不确定性(SU)将相互信息的值域规范化为[0,1]，纠正了基于相互信息的特征选择的偏差。它被表示为：
其中，I(fa；T)为特征fi与动脉硬度T之间的互信息。
根据每个特征的权重来调整相关性度量，并保留具有交互能力的候选特征。为了避免使特征权重w(fi)无效，调整后的相关性度量表示为：
R(fa；T)＝w(fa)×(1+SU(fa；T))
动脉硬化检测：
动脉硬化检测即使用XgBoost算法训练得到动脉硬化检测模型，从具有交互关系的特征子集中估计被检测对象的动脉硬化程度。
在测量动脉硬度(PWV)时，受试者处于放松和稳定的状态。在采集过程中，受试者以自然的仰卧姿势躺着，双手放在身体的两侧，血压袖带分别放在上臂和脚踝上以获得压力脉搏，通过计算两个观测位置的相对距离与压力脉搏时间差值之间的比值，计算动脉硬度，计算过程为：
其中，lA和lB分别为心脏到脚踝和上臂的相对距离，ΔT为脚踝和上臂压力脉搏波之间的时间差。
XgBoost是一种梯度提升方法，使用一个加法模型和前向分布算法来逐步逼近最佳结果，它构建了多个基础学习器，并不断减少预测值和实际值之间的差异。此外，XGBoost算法在目标函数中引入了正则化，以减少模型过拟合的风险，该目标函数被表示为：
ys和分别为样本s的真实值和估计值，/>为损失函数，/>为k棵树的复杂度，K代表算法中树的总个数，k是变量。
这个目标函数包含两部分，第一部分是损失函数，第二部分是正则化，正则化即为模型的复杂性，由K棵树的正则化项相加而来。
此外，一棵树的复杂性被定义为节点和叶子权重的L2范数的函数，表示为：
其中w表示叶子节点的权重，T是叶子的数量，γ和λ是自定义的值，t是从1开始加到T的变量，L2范数是指向量各元素的平方和然后求平方根。
如图6至图7所示，展示了动脉硬度的检测结果。对392名(男：268，女：124)受试者进行测试，使用互补特征组合，结合训练好的模型对目标对象的脉搏波信号进行动脉硬化检测，得到检测结果，在男性组和女性组中分别达到0.88和0.85的相关系数。
本发明的基于特征交互的无创动脉硬化检测方法，通过采集指尖单通道PPG信号，采用带通滤波和信号截取的方式获得稳定的PPG信号片段，提取了用脉搏波信号的形态特征和导数特征，并使用基于特征交互的特征选择算法筛选出具有交互关系的特征子集，然后，利用XgBoost算法训练动脉硬化检测模型，实现动脉硬度的高精度检测。
基于特征交互的无创动脉硬化检测方法的系统包括：
信号采集模块，用于采集目标对象的脉搏波信号，获取脉搏序列；
信号预处理模块，用于对脉搏波信号进行处理，从脉搏序列中获取稳定的信号片段；
特征提取模块，用于提取脉搏波的形态特征和导数特征，构建特征集合；
交互特征选择模块，用于从特征集合中筛选出具有交互关系的特征子集；
动脉硬化检测模块，用于从具有交互关系的特征子集中估计被检测对象的动脉硬化程度。
基于特征交互的无创动脉硬化检测方法的系统具有无创、便捷、精准等特点，为动脉硬化检测领域提供了一种新的解决方案。该方法的实施简单有效，可以为医疗工作者和研究人员提供有力的工具，以改善动脉硬化检测的准确性和效率。
以上示意性地对本发明创造及其实施方式进行了描述，该描述没有限制性，在不背离本发明的精神或者基本特征的情况下，能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一，实际的结构并不局限于此，权利要求中的任何附图标记不应限制所涉及的权利要求。所以，如果本领域的普通技术人员受其启示，在不脱离本创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本专利的保护范围。此外，“包括”一词不排除其他元件或步骤，在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (10)
1.一种基于特征交互的无创动脉硬化检测方法，包括如下步骤，
信号采集：采集目标对象的脉搏波信号，获取脉搏序列；
信号预处理：对脉搏波信号进行处理，从脉搏序列中获取稳定的信号片段；
特征提取：提取脉搏波的形态特征和导数特征，构建特征集合；
交互特征选择：从特征集合中筛选出具有交互关系的特征子集；
动脉硬化检测：从具有交互关系的特征子集中估计被检测对象的动脉硬化程度。
2.根据权利要求1所述的基于特征交互的无创动脉硬化检测方法，其特征在于，
信号采集的步骤具体为，采用光电容积式脉搏波传感器获得受试者指尖脉搏信号，获取脉搏序列。
3.根据权利要求1所述的基于特征交互的无创动脉硬化检测方法，其特征在于，
信号预处理的步骤具体为，采用带通滤波器对采集的脉搏信号进行滤波，带通滤波器的截止频率为0.8Hz-4.0Hz。
4.根据权利要求1所述的基于特征交互的无创动脉硬化检测方法，其特征在于，
采用自适应信号截取从脉搏序列中获得稳定的PPG信号片段，获得三段PPG信号片段，其中截取的信号片段表示为：
yi＝x([n(i-1)+1:n(i+3)])，
yi是截取的信号片段，i＝1，2，…，N/n-3；
N是PPG信号x的长度，n是采样点矩形窗的滑动时间间隔。
5.根据权利要求4所述的基于特征交互的无创动脉硬化检测方法，其特征在于，
定义信号质量和稳定性评价函数QSi：
QSi＝αSNRi-PVi，
去除质量较差的PPG信号片段；PV表示信号振幅的波动；α是信噪比SNR的权重，定义为：
筛选QSi中最大的三个值，三个QSi对应的yi为保留的三个最佳信号片段，对这三个信号片段提取特征。
6.根据权利要求5所述的基于特征交互的无创动脉硬化检测方法，其特征在于，
交互特征选择的步骤具体为，采用特征交互权重IF衡量特征之间的冗余和交互关系，定义为：
fa和fb是从PPG信号中提取的特征，I(fa；fb；T)为特征fa、fb与动脉硬度T之间的互信息，H(fa)和H(fb)分别为特征fa和fb的熵；当IF(fa,fb)<0，fa和fb之间存在冗余关系；当IF(fa,fb)>0，fa和fb之间是交互的；当IF(fa,fb)＝0，fa和fb之间相互独立。
7.根据权利要求6所述的基于特征交互的无创动脉硬化检测方法，其特征在于，
将相互信息的值域规范化为[0,1]，对称不确定性SU表示为：
I(fa；T)为特征fa与动脉硬度T之间的互信息；
根据每个特征的权重调整相关性度量，保留具有交互能力的候选特征，相关性度量表示为：
R(fa；T)＝w(fa)×(1+SU(fa；T))。
8.根据权利要求1所述的基于特征交互的无创动脉硬化检测方法，其特征在于，
动脉硬化检测的具体步骤为，血压袖带分别放在上臂和脚踝上以获得压力脉搏，通过计算上臂和脚踝距离与压力脉搏时间差值之间的比值，计算动脉硬度PWV：
lA和lB分别为心脏到脚踝和心脏到上臂的位置，ΔT为脚踝和上臂压力脉搏波之间的时间差。
9.根据权利要求7所述的基于特征交互的无创动脉硬化检测方法，其特征在于，
使用XgBoost算法训练得到动脉硬化检测模型，在目标函数中引入正则化，正则化表示为：
正则化由K棵树的正则化项相加而来，w是叶子节点的权重，T是叶子的数量，γ和λ是自定义的值，t是从1开始加到T的变量；
该目标函数表示为：
ys和分别为样本s的真实值和估计值，/>为损失函数，/>为k棵树的正则化，K代表算法中树的总个数。
10.基于权利要求1-9任意一项所述的一种基于特征交互的无创动脉硬化检测方法的系统，其特征在于，包括，
信号采集模块，用于采集目标对象的脉搏波信号，获取脉搏序列；
信号预处理模块，用于对脉搏波信号进行处理，从脉搏序列中获取稳定的信号片段；
特征提取模块，用于提取脉搏波的形态特征和导数特征，构建特征集合；
交互特征选择模块，用于从特征集合中筛选出具有交互关系的特征子集；
动脉硬化检测模块，用于从具有交互关系的特征子集中估计被检测对象的动脉硬化程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310748275.2A CN116763266A (zh) | 2023-06-21 | 2023-06-21 | 一种基于特征交互的无创动脉硬化检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310748275.2A CN116763266A (zh) | 2023-06-21 | 2023-06-21 | 一种基于特征交互的无创动脉硬化检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116763266A true CN116763266A (zh) | 2023-09-19 |
Family
ID=87985542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310748275.2A Pending CN116763266A (zh) | 2023-06-21 | 2023-06-21 | 一种基于特征交互的无创动脉硬化检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116763266A (zh) |
-
2023
- 2023-06-21 CN CN202310748275.2A patent/CN116763266A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106974631B (zh) | 一种基于脉搏波波形和心电信号的血压测量方法及装置 | |
| CA2330572A1 (en) | Method and apparatus for non-invasive diagnosis of cardiovascular and related disorders | |
| Miao et al. | A wearable sensor for arterial stiffness monitoring based on machine learning algorithms | |
| Chen et al. | Assessment of algorithms for oscillometric blood pressure measurement | |
| Zhou et al. | The noninvasive blood pressure measurement based on facial images processing | |
| CN111528814A (zh) | 基于lstm神经网络的机器学习监测血压的方法 | |
| CN109730663A (zh) | 基于脉搏波传导速度非线性分析的血压评估方法 | |
| CN110236508A (zh) | 一种无创血压连续监测方法 | |
| CN112274120B (zh) | 一种基于单路脉搏波的无创动脉硬化检测方法、装置 | |
| Wu et al. | Continuous cuff-less blood pressure estimation based on combined information using deep learning approach | |
| CN112089405A (zh) | 一种脉搏波特征参数测量及显示装置 | |
| Cui et al. | Wrist pulse diagnosis of stable coronary heart disease based on acoustics waveforms | |
| Sahani et al. | Carotid and jugular classification in ARTSENS | |
| Yang et al. | Cuff-less blood pressure measurement using fingertip photoplethysmogram signals and physiological characteristics | |
| Sun | Cardiac output estimation using arterial blood pressure waveforms | |
| CN113539522A (zh) | 一种基于单路心冲击信号的连续血压监测方法 | |
| Bhat et al. | The biophysical parameter measurements from PPG signal | |
| Sang et al. | Identification of S2 paradoxical splitting in aortic stenosis subjects via seismocardiogram signals from a wearable accelerometer contact microphone | |
| Mansouri et al. | A Real‐Time Heart Rate Detection Algorithm Based on Peripheral Electrical Bioimpedance | |
| Sameen et al. | A novel waveform mirroring technique for systolic blood pressure estimation from anacrotic photoplethysmogram | |
| CN210095711U (zh) | 一种无创连续血压测量设备 | |
| Li et al. | Using magnetic resonance imaging measurements for the determination of local wave speed and arrival time of reflected waves in human ascending aorta | |
| CN116763266A (zh) | 一种基于特征交互的无创动脉硬化检测方法及系统 | |
| CN113288102B (zh) | 一种无创监测脑血流的系统 | |
| Almeida et al. | Hemodynamic features extraction from a new arterial pressure waveform probe |
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 |