一种基于CNN-BiGRU模型和PPG的智能血压预测方法与流程

本发明涉及收缩压和舒张压预测技术领域，具体为一种基于cnn-bigru模型和ppg的智能血压预测方法。

背景技术：

高血压是全世界死亡的一个主要原因，也是增加严重疾病风险的一个关键因素，包括中风和心力衰竭等心血管疾病。血压是心血管疾病早期发现、预防和治疗的主要生命体征，必须定期监测。传统的血压测量技术要么是侵入式的，要么是基于袖口的，这是不切实际的，而且对病人来说不舒服。在过去的几十年里，人们研究了几种使用光电容积脉搏波(ppg)的间接方法，即脉冲传输时间、脉冲波传播速度、脉冲到达时间和脉搏波分析，试图利用ppg来估计血压。同时信号处理技术也得到了新的发展，包括机器学习和人工智能，也为基于ppg的无袖带持续血压检测开辟了新的领域。

鉴于最近信号处理技术的进步，以及深度学习的兴起，基于数据驱动的血压预测方法吸引了全世界许多研究小组的关注。通过深度学习技术，已经建立了许多不同的bp估计模型，这些深度神经网络模型相比于一些传统的方法，不再是单单的通过数学公式推导，而是一种更趋向于智能的预测方法。尽管基于深度学习的bp预测已经取得了一些进展，但要更好地实现bp预测，肯定还需要做更多的工作。

为了克服现有技术的不足，本发明的目的在于针对收缩压和舒张压这两个重要健康指标，提供了一种基于深度学习和ppg信号的收缩压和舒张压预测方法。该方法中的组合模型将卷积神经网络(convolutionneuralnetworks,cnn)和双向门控循环单元(bidirectionalgaterecurrentunit,bigru)有机结合，将数据的特征提取和预测任务集成在一起，提高了整个预测模型的关联性和预测精度，并能够有效且准确的实现收缩压和舒张压的预测。

技术实现要素：

为实现上述目的，本发明提供如下技术方案：一种基于cnn-bigru模型和ppg的智能血压预测方法，该方法包括以下步骤：

首先，采集受试者的ppg信号作为原始数据集，对ppg数据进行预处理，消除持续时间不足的数据，然后，采用现有研究中观察到的具有75％重叠的8秒窗口来进行数据分割，该窗口被认为足以捕获心脏活动的有用信息。此外，从数据集中排除了不可靠的信号，例如丢失数据，非常高/很低的bp和hr值，同时采用小波分解的方法对原始数据集进行去噪处理，并将其分为训练数据和测试数据，小波分解过程如下：

其中α为伸缩因子，b为平移因子，为子波，是对母小波υ(t)的缩放和位移。

将训练数据和测试数据进行归一化处理，用来提升模型训练时的收敛速度。此外，为了降低深度神经网络模型的计算复杂度，对ppg数据进行下采样；

构建cnn-bigru深度神经网络模型，该模型包括两层cnn和两层bigru层，为了提高训练速度和网络泛化能力，采用了批归一化层，其中，cnn的卷积操作如式(2)所示：

其中为第(n-1)层的第d个特征图的输出值；为卷积核；为第n层的第m个特征图所对应的阈值；nm为输入的特征图集合；为第n层的第m个特征图的输出值；f(·)为激活函数；

cnn-bigru模型构建完成后，将训练样本输入到cnn-bigru模型中进行训练，为了防止训练过程中出现严重的过拟合现象，还在模型中加入了dropout层；

将测试样本数据输入到训练好的cnn-bigru模型中进行收缩压和舒张压的预测。

再进一步，cnn-bigru模型训练的方法采用的是adam梯度下降方法，损失函数采用meansquareerror，批量大小为100，迭代次数为200，训练完成后，保持cnn-bigru模型参数不变。

与现有技术相比，本发明的有益效果是：该基于cnn-bigru模型和ppg的智能血压预测方法：本发明采用cnn-bigru模型实现了对ppg信号的特征提取和血压预测，该组合模型借助cnn较好的提取空间局部特征能力与bilstm在处理非线性时间序列时独到的优势，将数据的特征提取和预测任务集成在一个模型中，提高了整个预测模型的关联性和预测精度，能够有效且准确的实现受试者收缩压和舒张压的预测。

附图说明

图1是本发明基于卷积神经网络和双向长短期记忆网络的血压预测方法流程图；

图2是本发明所提供的实例数据通过滑动窗口获取样本的示意图；

图3是cnn-bigru深度神经网络模型结构图；

图4是本发明的dbp和sbp预测结果图，其中，(a)dbp预测结果，(b)sbp预测结果。

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。

请参阅图1-4，本发明提供一种技术方案：一种基于cnn-bigru模型和ppg的智能血压预测方法，包括以下步骤：

首先，采集受试者的ppg信号作为原始数据集，对ppg数据进行预处理，消除持续时间不足的数据，然后，采用现有研究中观察到的具有75％重叠的8秒窗口来进行数据分割，该窗口被认为足以捕获心脏活动的有用信息，如图2所示，此外，从数据集中排除了不可靠的信号，例如丢失数据，非常高/很低的bp和hr值，同时采用小波分解的方法对原始数据集进行去噪处理，并将其分为训练数据和测试数据，小波分解过程如下：

其中α为伸缩因子，β为平移因子，为子波，是对母小波的缩放和位移。

将训练数据和测试数据进行归一化处理，提升模型的收敛速度。此外，为了降低深度神经网络模型的计算复杂度，对ppg数据进行了下采样；

构建cnn-bigru深度神经网络模型，该模型包括两层cnn和两层bigru层，为了提高训练速度和网络泛化能力，采用了批归一化层，其中，cnn的卷积操作如式(2)所示：

其中为第(n-1)层的第d个特征图的输出值；为卷积核；为第n层的第m个特征图所对应的阈值；nm为输入的特征图集合；为第n层的第m个特征图的输出值；f(·)为激活函数；

cnn-bigru模型构建完成后，将训练样本输入到cnn-bigru模型中进行训练，cnn-bigru模型训练的方法采用的是adam梯度下降方法，损失函数采用meansquareerror，批量大小为100，迭代次数为200，训练完成后，保持cnn-bigru模型参数不变，其中，为了防止训练过程中出现严重的过拟合现象，还在模型中加入了dropout层；

将测试样本数据输入到训练好的cnn-bigru模型中进行收缩压和舒张压预测。

最后，我们采用英国高血压学会(britishhypertensionsociety,bhs)标准对本发明的dbp和sbp的预测结果进行了分级，如表1所示，dbp达到了a级，sbp达到了b级。

表1为本发明中dbp和sbp的预测结果与bhs标准进行比较分析

表1

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。