基于深度学习的自动血压测量方法与流程

本发明涉及医疗技术领域，具体涉及一种基于深度学习的自动血压测量方法。

背景技术：

采用袖带式血压计测血压是临床上最常用的一种测量血压的方法，19世纪由俄国的内科医生Korotkoff发明。测量原理是给袖带充气加压，使动脉完全闭塞，然后袖带逐渐放气压力逐渐下降，当动脉内压力刚刚超过袖带所施加的压力时，便冲开闭塞的动脉使血流通过，能冲开袖带所施加的最高压力定为收缩压，能冲开袖带所施加的最低压力定为舒张压。在血压测试领域，人工听诊法是目前最为准确的血压测量方法，该方法是根据柯氏音出现以及消失时刻的袖带压力来判定血压值。因此，其核心就是要能准确地判断出听到的声音是否是柯氏音。现有的人工听诊法需要人为听诊判断声音是否属于柯氏音，其准确性比较依赖于人为经验，因此，难免出现误判的情况。目前，急需提高判断声音是否是柯氏音的准确性，以提高血压值测试的准确性和有效性。

技术实现要素：

本发明的目的在于有效解决上述问题，提供一种能够较为准确、有效测量血压值的方法。

本发明的目的是这样实现的，提供一种基于深度学习的自动血压测量方法，其特征在于，包括以下步骤：

步骤一，同步进行袖带压力信号和听诊器音频数据的采集，并对听诊器音频数据进行切分处理，通过切分对听诊器音频数据进行分帧；

步骤二，采用深度学习方法对听诊器音频数据进行分类，具体为：采用将每帧听诊器音频数据对比模版文件，自动进行分类，即判断并标注该帧信号是否为柯氏音信号；

步骤三，按照切分处理的顺序重组分类结果；

步骤四，进行血压值映射，将分类结果转换为血压值；

进一步的，所述切分处理是以一个有效可靠的信号作为参考，进行切分，以使得所述切分满足切分后的单帧数据包含一个完整的柯式音信号，且能把所有的有效柯式音信号全部切分到。

进一步的，所述有效可靠的信号为包含在袖带压力信号内的脉搏波信号。

进一步的，以袖带压力信号作为参考进行切分处理包括，以单个压力波顶点为基准，前后各扩展N个采样点，共取2N个采样点的数据为一帧来切分信号，以使得每一个柯式音信号都能够完整地包含在一帧数据中。

进一步的，所述N的大小由心率来确定，以平均心率30％～50％长度的采样点数作为N的值。

进一步的，以平均心率40％长度的采样点数作为N的值。

进一步的，所述步骤还包括，在进行通过深度学习方法对听诊器音频数据进行分类之前将听诊器音频数据转化为二维“图像”数据，具体方法为：对每帧语音进行傅里叶变换，再将时间和频率作为数据的两个维度，数据中每一个点，对应该时间和频率的声音强度，不同的强度用不同的灰度来表示。

进一步的，使用大量采集到的柯氏音和非柯氏音样本，经标注后进行学习，从而到所述模版文件。

进一步的，在做听诊器音频数据切分转换为图像时，记录下每帧数据在原始音频数据中对应的起始点和结束点，实现在分类完成后按将分类后的每帧图像重新映射回原始音频数据。

进一步的，所述步骤四中，在做血压值映射时，选取数据帧的中点或者最后一个点对应的血压值，以保证柯式音出现在该点之前。

进一步的，所述步骤二还包括对听诊器音频数据的分类结果进行过滤，以消除分类错误带来误差，其过滤判断原则包括：第一个出现的柯氏音判断原则为其后至少连续多帧分类结果都为柯氏音。

进一步的，上述过滤判断原则还包括：在某帧柯氏音之后，连续多帧分类均为非柯氏音，则判定该帧为最后一个柯氏音；

进一步的，上述过滤判断原则还包括：当前帧为分类结果为非柯氏音，但该帧前后多帧都是柯氏音则当前帧也判断为柯氏音。

本发明相比现有技术的有益效果主要体现在：本申请提出的方法将血压值的测量简化为一个分类问题，采用应用最广泛的深度学习方法，卷积神经网络(CNN)来对采集到的听诊器音频数据进行分类，即判断听诊器数据中的信号，是或者不是柯式音信号。本发明提供的自动血压测量方法较为科学，测量结果较为精确、可靠。

附图说明

图1为本发明实施例的基于深度学习的自动血压测量方法的测量流程图；

图2为本发明实施例中袖带压力波与柯氏音信号出现位置示意图；

图3为本发明实施例中的血压值映射关系图。

具体实施方式

下面将结合附图和具体实施例，对本发明的技术方案进行详细的阐述，值得说明的是，本发明的实施方式并不限于一下具体的实施例。

袖带式(水银)血压计测量血压的原理说明：在测量血压时，用听诊器听到的“嗒、嗒”声音，不是心脏跳动的声音，而是血管产生的声音。血液在血管内流动是没有声音的，但当血液通过狭窄的血管形成涡流时则可发出声音。

在测量血压时，先向袖带内充气加压，压力作用于肱动脉，当压力高于收缩压时，血液被阻断。放气后袖带内的压力即随之降落，当袖带内的压力等于或者稍低于缩压时，血液便可冲开被阻断的血管形成涡流，此时用听诊器便可听到搏动的声音，此时所指示的压力值即为收缩压。继续缓慢放气使袖带内压力逐渐降低，袖带内压力低于收缩压但高于舒张压，由于此时血管仍受到袖带的挤压，心脏每收缩一次便可听见一次声音。当袖带压力降低到等于或者稍低于舒张压时，袖带作用于血管的压力不足以挤压血管而使血流通畅，声音便突然变弱或消失，此时的压力值即为舒张压。

如图1所示为本发明实施例的基于深度学习的自动血压测量方法的流程示意图，本实施例的基于深度学习的自动血压测量方法包括以下步骤：

第一步，采集测量血压时通过听诊器获取的听诊器音频数据，并对听诊器音频数据进行切分处理，通过切分对听诊器音频数据进行分帧，此外，在采集听诊器音频信号的同时，还同步采集了一路袖带压力信号。

作为优选的实施方式，切分必须要满足切分后的单帧数据必须能够包含一个完整的柯式音信号，且能够把所有的有效柯式音信号全部切分到，这样才能够保证后续的分类不会出错。为实现此切分目的，优选的，选择一个有效可靠的参考信号是可行的实施方式，本实施例采用了包含在袖带压力信号内的脉搏波信号作为切分参考信号，在袖带压力信号中，包含了袖带压力波信号，该信号即是脉搏波的高频部分，其具有信噪比高，容易检测的特点。如图2所示为袖带压力波与柯氏音信号出现位置示意图，从图2中可以看出压力波信号会略先于柯式音信号出现，因此以单个压力波顶点为基准，前后各扩展N个采样点，共取2N个采样点的数据为一帧来切分信号，以使得每一个柯式音信号都能够完整地包含在一帧数据中。进一步的，N的大小由心率来确定，以平均心率30％～50％长度的采样点数作为N的值，作为最优的实施例，以平均心率40％长度的采样点数作为N的值。

第二步，采用深度学习方法中的卷积神经网络(CNN)对听诊器音频数据进行分类，具体为：将每帧听诊器音频数据与模版文件进行对比，自动进行分类，即判断并标注该帧听诊器音频数据中的信号是否为柯氏音信号；

优选的，使用大量采集到的柯氏音和非柯氏音样本，经标注后进行学习，从而得到所述模版文件。

所述深度学习方法为卷积神经网络(CNN)，由于卷积神经网络的输入数据一般为二维数据，因此，作为优选的实施方式，在进行通过深度学习方法对音频数据进行分类之前将听诊器音频数据转化为二维“图像”数据，具体方法为：对每帧语音进行傅里叶变换，再将时间和频率作为数据的两个维度，数据中每一个点，对应该时间和频率的声音强度，不同的强度用不同的灰度来表示。

第三步，按照切分处理的顺序重组分类结果；

作为进一步优选的实施方式，考虑到实际情况中对听诊器音频数据的分类精度并没有达到100％，因此会有分类错误的，为消除分类错误带来误差，还可对听诊器音频数据的分类结果进行过滤，其过滤判断原则包括：

A、第一个出现的柯氏音判断原则：其后至少连续多帧分类结果都为柯氏音，作为最优的选择，所述连续多帧定为连续3帧；

B、某帧柯氏音之后，连续多帧分类为非柯氏音，则判断为最后一个柯氏音，作为最优的选择，所述连续多帧定为连续3帧；

C、当前帧为分类结果为非柯氏音，但该帧前后多帧都是柯氏音则当前帧也判断为柯氏音，作为最优的选择，所述多帧定为2帧。

第四步，进行血压值映射，将分类结果转换为血压值；

优选的，在做音频数据切分转换为图像时，记录下每帧数据在原始音频数据中对应的起始点和结束点，实现在分类完成后按将分类后的每帧图像重新映射回原始音频数据。

如图3所示为柯式音的数据帧与袖带压力曲线图之间的映射关系图，图3中矩形框部分是分类结果为柯式音的数据帧，在做血压值映射时，选取数据帧的中点或者最后一个点对应的血压值，以保证柯式音出现在该点之前。

图3中，第一个出现的柯氏音所对应的袖带压力即为收缩压(SBP)，最后一个柯氏音所对应的袖带压力即为舒张压(DBP)。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定处理步骤，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。