一种基于脉搏波可视图互迁移学习的无袖带血压估计方法
- 国知局
- 2024-07-12 10:15:59
本发明涉及人工智能、光电容积脉搏波技术以及无袖带血压测量,特别是涉及一种基于脉搏波可视图互迁移学习的无袖带血压估计方法。
背景技术:
1、高血压是全球成年人面临的一项主要健康挑战,影响超过31%的全球人口。作为心血管疾病的重要危险因素,高血压可能引发心脏病、中风及其他严重并发症。因此,开发既可靠又简便的血压监测技术对于改善患者的预后至关重要。尽管传统的袖带式血压计能提供准确的测量结果,但由于其间歇性的检测方式和使用不便,可能导致患者的依从性不佳。为此,研究人员正努力开发新型传感技术,例如光电容积脉搏波(ppg)技术,以实现血压的连续监测。早期的模型驱动方法依赖于建立血压与脉搏波速度(pwv)之间的数学关系。然而,这些方法存在局限,因为它们需要测量pwv,这不仅需要额外的传感器设备(如心电图的贴片电极),还可能导致皮肤过敏和能耗增加。近期,机器学习模型通过结合时域统计和频谱变换来提取相关特征,从而避免了对额外传感器的依赖。尽管如此,这些方法仍需定期校准以确保测量准确性。
2、针对从ppg信号中准确估计血压的挑战,尤其是生理变异带来的困难,研究人员提出了利用数据驱动方法构建深度学习模型,以自动学习ppg信号到血压值的映射关系。在这方面,一维卷积神经网络(1d cnn)和深度卷积自动编码器(dcae)等架构已被广泛应用。这些模型通过学习ppg信号的时间依赖性特征来优化血压预测。
3、尽管这些方法在血压测量方面取得了进展,但它们在医疗级应用中仍面临诸多挑战。一个主要问题是缺乏足够的训练数据,这些数据需符合美国医疗仪器促进协会(aami)的标准,即至少85名受试者的血压估计测试,其平均误差(me)不得大于5mmhg,标准差误差(sde)不得大于8mmhg。此外,基于视觉模型改进的一维神经网络在从原始ppg信号中提取血压映射信息的效率较低,这是因为ppg信号的时域特征具有高度相似性,使得深度模型难以自动识别与血压估计相关的特征。同时,采用样本打散的数据划分方法可能导致实验结果过于乐观,因为模型可能在训练过程中测试了来自同一受试者的ppg信号。
4、为了克服这些局限性,最新的技术尝试从ppg信号中有效提取相关特征,以提高血压测量的准确性。这包括将从ppg信号中提取的额外形态学特征纳入循环神经网络(rnn),这种方法已被证明能显著提升血压测量的准确度。此外,利用计算机视觉算法将生理信号转化为视觉表征,进而提取有价值的特征,这一方法在提高准确性和减轻人工特征提取负担方面展现了巨大潜力。使用可视图(visibility graph,vg)表示ppg信号可以揭示时域波形中难以辨识的重要特征和模式。虽然这些新技术展现了广阔的应用前景,但它们仍面临着数据集规模有限和模型效率低下等挑战。因此,设计一种基于脉搏波可视图互迁移学习的无袖带血压估计方法是十分有必要的。
技术实现思路
1、本发明的目的是提供一种基于脉搏波可视图互迁移学习的无袖带血压估计方法,能够基于脉搏波可视图互迁移学习实现无袖带血压估计,增强了泛化能力,提高了鲁棒性,无需频繁校准,血压检测精度高,便于使用。
2、为实现上述目的,本发明提供了如下方案:
3、一种基于脉搏波可视图互迁移学习的无袖带血压估计方法,包括如下步骤:
4、步骤1:采集人体的光电容积脉搏波信号及有创连续血压波形信号;
5、步骤2:对采集的人体的光电容积脉搏波信号及有创连续血压波形信号进行数据处理;
6、步骤3:基于相空间重构算法计算脉搏波可视图;
7、步骤4:构建基于脉搏波可视图互迁移学习的无袖带血压测量模型框架,并设计联合优化目标函数;
8、步骤5:对无袖带血压测量模型框架的骨干网络架构进行构建;
9、步骤6:根据数据处理后的光电容积脉搏波信号及有创连续血压波形信号对无袖带血压测量模型进行训练;
10、步骤7:采集用户光电容积脉搏波信号,将其输入训练后的无袖带血压测量模型中,进行血压估计。
11、可选的,步骤1中,采集人体的光电容积脉搏波信号及有创连续血压波形信号,具体为:
12、采集人体的ppg信号,即ppg信号,以及有创连续血压波形信号,即有创bp信号,其中,将有创bp信号作为参考信号。
13、可选的,步骤2中,对采集的人体的光电容积脉搏波信号及有创连续血压波形信号进行数据处理,具体为:
14、对采集的人体的ppg信号及有创连续血压波形信号进行数据处理,其中,数据处理流程包括信号重采样、噪声去除、相位对齐、归一化和分割。
15、可选的,步骤3中,基于相空间重构算法计算脉搏波可视图,具体为:
16、基于相空间重构算法计算脉搏波可视图,即通过格拉姆角场分析法、马尔可夫变换场分析法及灰度递归图分析法对光电容积脉搏波进行相空间重构分析,提取ppg信号的周期性、混沌性和非平滑特征,通过使用多维度特征提取方法获得的可视图,可以从不同角度捕捉ppg信号的特征,提供更全面的生理信息,从而更准确地识别和理解生理过程中的变化。
17、可选的,步骤4中,构建基于脉搏波可视图互迁移学习的无袖带血压测量模型框架,并设计联合优化目标函数,具体为:
18、构建在线蒸馏的互学习框架,将其作为基于脉搏波可视图互迁移学习的无袖带血压测量模型框架,其中,在线蒸馏的互学习框架包括教师模型及学生模型,教师模型及学生模型均包括两个模块,为特征提取器和回归器,对在线蒸馏的互学习框架进行预训练,通过预训练后的在线蒸馏的互学习框架对ppg信号的脉搏波可视图表征进行特征提纯,提纯完毕后进行在线蒸馏学习。
19、设计联合优化目标函数进行在线蒸馏学习,通过将软标签学习和结构知识学习融合,利用各骨干网络架构的输出组成的集成教师来指导各骨干网络架构的训练,从而以在线蒸馏学习的方式指导和加强学生模型的训练。
20、可选的,步骤5中,对无袖带血压测量模型框架的骨干网络架构进行构建,具体为:
21、对无袖带血压测量模型框架的骨干网络架构,即教师模型及学生模型的特征提取器,其中,将教师模型及学生模型的特征提取器的架构设计为resnext架构、mobilevit架构及big transfer resnetv2架构。
22、可选的,步骤6中,根据数据处理后的光电容积脉搏波信号及有创连续血压波形信号对无袖带血压测量模型进行训练,具体为:
23、获取数据处理后的数据,按照7:1.5:1.5的比例进行划分,得到训练集、验证集和测试集,其中训练集和验证集对无袖带血压测量模型进行训练和参数选择,测试集用于检验保存下来的最优无袖带血压测量模型的泛化能力,在训练网络的过程中,使用adam优化器来进行参数的更新,学习率为1e-4,权值衰减为0.999,动量为0.8,训练迭代500次,使用xavier初始化器保持初始参数的正态分布。
24、可选的,步骤7中,采集用户光电容积脉搏波信号,将其输入训练后的无袖带血压测量模型中,进行血压估计,具体为:
25、采集用户的ppg信号,将ppg信号基于相空间重构算法计算脉搏波可视图,将脉搏波可视图作为输入送入无袖带血压测量模型中,实现血压估计。
26、根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于脉搏波可视图互迁移学习的无袖带血压估计方法,该方法包括采集人体的ppg信号及有创连续血压波形信号,对采集的人体的ppg信号及有创连续血压波形信号进行数据处理,基于相空间重构算法计算脉搏波可视图,构建基于脉搏波可视图互迁移学习的无袖带血压测量模型框架,并设计联合优化目标函数,对无袖带血压测量模型框架的骨干网络架构进行构建,根据数据处理后的ppg信号及有创连续血压波形信号对无袖带血压测量模型进行训练,采集用户ppg信号,将其输入训练后的无袖带血压测量模型中,进行血压估计;该方法能够基于脉搏波可视图互迁移学习实现无袖带血压估计,增强了泛化能力,提高了鲁棒性,无需频繁校准,血压检测精度高,便于使用。
本文地址:https://www.jishuxx.com/zhuanli/20240615/85775.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表