一种基于深度神经网络的血压测量方法及装置与流程
本发明涉及计算机技术领域，具体而言，涉及一种基于深度神经网络的血压测量方法及装置。
背景技术：
高血压是心血管疾病的主要危险因素，而心血管疾病是全球第一大死亡原因。到2015年，全球高血压人口估计为11.3亿，包括全世界四分之一的男性和五分之一的女性。然而高血压常常没有明显的症状，以至于大多数人都难以察觉，因为被称为“沉默杀手”。实际上，超过50％的高血压人群不了解自己的病情，只有不到20％的高血压得到了控制。另一方面，超过12至24小时或更长时间的动态血压监测是帮助诊断和控制高血压的准确有效的方法，这对连续血压的监测提出了更高的要求。
目前，常用的连续血压测量方法一般分为直接测量法和间接测量法两种。直接测量法通常指动脉插管法，是连续血压测量的金标准，然而其技术要求高，准备时间长，且对人体有创，通常仅用于临床上危重患者及手术过程中的血压测量。间接测量法通过检测动脉管壁的脉搏搏动，血管容积变化或者脉搏波特征等参数间接得到血压，又称无创测量法，主要包含动脉张力法、容积补偿法、脉搏波传输速度(时间)法、脉搏波特征参数法等。
另外，动脉张力法需要传感器精确定位于动脉被压迫部位的正上方，长时间测量时难以保持稳定；容积补偿法需要预置参考压力，测量装置较复杂，测量精度易受到预置参考压的影响，且需压迫血管，舒适性差；脉搏波传输时间法是近些年研究较多的方法，脉搏波传输时间(pulsewavetransmittime，pwtt)指动脉脉搏从近心端到远心端分支动脉的时间延迟，其与收缩压的相关性较强，然而仅通过脉搏波传输时间或脉搏波传输速度(pulsewavevelocity，pwv)与血压的关系建立模型的精度不高，所建立的模型普适性也较差；脉搏波特征参数法主要通过提取脉搏波波形特征建立与血压的模型，测量设备简单，但是也存在鲁棒性差的问题，对于特定人群如高血压或心率失常病人等，其对应的特征提取困难，往往难以实现准确的测量。
技术实现要素：
本发明实施例提供了一种基于深度神经网络的血压测量方法及装置，以至少解决现有基于深度神经网络的血压测量系统判断准确度低的技术问题。
根据本发明的一实施例，提供了一种基于深度神经网络的血压测量方法，包括以下步骤：
接收信号采集请求，信号采集请求至少携带有采集对象的标识信息；
对采集对象进行信号采集操作，获取脉搏波以及心电信号；
对脉搏波和心电信号进行预处理操作，得到预处理信号；
基于训练好的深度神经网络血压模型，将预处理信号输入至深度神经网络血压模型中进行测量操作，得到与预处理信号相对应的收缩压以及舒张压；
输出标识信息、收缩压以及舒张压。
进一步地，该方法还包括：
获取数据库中的样本信号，样本信号至少携带样本脉搏波以及样本心电信号；
对样本脉搏波以及样本心电信号进行预处理操作，得到样本训练信号；
基于深度神经网络，将样本训练信号输入至深度神经网络中，按照迁移学习进行训练操作，得到深度神经网络血压模型。
进一步地，对样本信号进行样本预处理操作，得到样本训练信号的步骤包括：
使用带通滤波器对样本脉搏波以及样本心电信号进行过滤操作，得到降噪样本脉搏波以及降噪样本心电信号；
获取与降噪样本脉搏波以及降噪样本心电信号相对应的样本脉搏波形图以及样本心电波形图；
按照预设的分段方式对样本脉搏波形图以及样本心电波形图进行分段处理，得到分段信号；
对分段信号进行归一化处理，得到样本训练信号。
进一步地，基于深度神经网络，将样本训练信号输入至深度神经网络中，按照迁移学习进行训练操作，得到深度神经网络血压模型的步骤包括：
对样本训练信号进行滑动取样操作，获得多个网络训练样本；
构建基于深度神经网络的包含若干计算单元的卷积神经网络并使用多个网络训练样本对卷积神经网络进行训练操作，得到预训练网络；
使用预训练网络对样本信号进行迁移学习，得到深度神经网络血压模型。
进一步地，构建基于深度神经网络的包含若干计算单元的卷积神经网络并使用多个网络训练样本使用随机梯度下降优化算法对卷积神经网络进行训练。
进一步地，该方法还包括：
获取采集对象的上一周期的历史收缩压以及历史舒张压；
将历史收缩压以及历史舒张压分别与当前输出的收缩压以及舒张压进行数值比较；
若数值的变化率大于预设变化阈值，则向用户终端发出预警提示。
根据本发明的另一实施例，提供了一种基于深度神经网络的血压测量装置，包括：
请求接收模块，用于接收信号采集请求，信号采集请求至少携带有采集对象的标识信息；
信号采集模块，用于对采集对象进行信号采集操作，获取脉搏波以及心电信号；
预处理模块，用于对脉搏波和心电信号进行预处理操作，得到预处理信号；
血压测量模块，用于基于训练好的深度神经网络血压模型，将预处理信号输入至深度神经网络血压模型中进行测量操作，得到与预处理信号相对应的收缩压以及舒张压；
数据输出模块，用于输出标识信息、收缩压以及舒张压。
进一步地，该装置还包括：
样本获取模块，用于获取数据库中的样本信号，样本信号至少携带样本脉搏波以及样本心电信号；
样本处理模块，用于对样本脉搏波以及样本心电信号进行预处理操作，得到样本训练信号；
样本训练模块，用于基于深度神经网络，将样本训练信号输入至深度神经网络中，按照迁移学习进行训练操作，得到深度神经网络血压模型。
进一步地，该样本处理模块包括：
信号过滤单元，用于使用带通滤波器对样本脉搏波以及样本心电信号进行过滤操作，得到降噪样本脉搏波以及降噪样本心电信号；
波形图获取单元，用于获取与降噪样本脉搏波以及降噪样本心电信号相对应的样本脉搏波形图以及样本心电波形图；
分段处理单元，用于按照预设的分段方式对样本脉搏波形图以及样本心电波形图进行分段处理，得到分段信号；
归一化处理单元，用于对分段信号进行归一化处理，得到样本训练信号。
进一步地，该样本训练模块包括：
信号取样单元，用于对样本训练信号进行滑动取样操作，获得多个网络训练样本；
网络构建单元，用于构建基于深度神经网络的包含若干计算单元的卷积神经网络并使用多个网络训练样本对卷积神经网络进行训练操作，得到预训练网络；
迁移学习单元，用于使用预训练网络对样本信号进行迁移学习，得到深度神经网络血压模型。
本发明实施例中的基于深度神经网络的血压测量方法及装置，通过接收信号采集请求，该信号采集请求至少携带有采集对象的标识信息；进而根据该信号采集请求对采集对象进行信号采集操作，获取该采集对象的脉搏波以及心电信号；然后，对获取到的脉搏波和心电信号进行预处理操作，以得到降噪低干扰的预处理信号，在一定程度上保证后续准确获取血压值的效率；进而，基于训练好的深度神经网络血压模型，将预处理信号输入至深度神经网络血压模型中进行测量操作，得到与预处理信号相对应的收缩压以及舒张压，能够保证血压值获取的准确性和完整性；输出标识信息、收缩压以及舒张压，本发明整个过程操作简单、计算复杂度低、成本低；本发明基于深度神经网络的血压测量方法及装置获取血压值速度快、获取血压值准确度高。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明基于深度神经网络的血压测量方法的流程图；
图2为本发明基于深度神经网络的血压测量方法的一优选流程图；
图3为本发明基于深度神经网络的血压测量方法的又一优选流程图；
图4为本发明基于深度神经网络的血压测量方法的另一优选流程图；
图5为本发明基于深度神经网络的血压测量方法的再一优选流程图；
图6为本发明基于深度神经网络的血压测量装置的示意图；
图7为本发明基于深度神经网络的血压测量装置的一优选示意图；
图8为本发明基于深度神经网络的血压测量装置的又一优选示意图；
图9为本发明基于深度神经网络的血压测量装置的另一优选示意图；
图10为本发明基于深度神经网络的血压测量装置的再一优选示意图；
图11为本发明基于深度神经网络的血压测量方法的单个降噪样本心电信号波形图ecg以及降噪样本脉搏波波形图ppg；
图12为本发明基于深度神经网络的血压测量方法的收缩压预测值与目标值对比曲线图。
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，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明一实施例，提供了一种基于深度神经网络的血压测量方法，参见图1，包括以下步骤：
s1：接收信号采集请求，信号采集请求至少携带有采集对象的标识信息；
s2：对采集对象进行信号采集操作，获取脉搏波以及心电信号；
s3：对脉搏波和心电信号进行预处理操作，得到预处理信号；
s4：基于训练好的深度神经网络血压模型，将预处理信号输入至深度神经网络血压模型中进行测量操作，得到与预处理信号相对应的收缩压以及舒张压；
s5：输出标识信息、收缩压以及舒张压。
本发明实施例中的基于深度神经网络的血压测量方法，通过接收信号采集请求，该信号采集请求至少携带有采集对象的标识信息；进而根据该信号采集请求对采集对象进行信号采集操作，获取该采集对象的脉搏波以及心电信号；然后，对获取到的脉搏波和心电信号进行预处理操作，以得到降噪低干扰的预处理信号，在一定程度上保证后续准确获取血压值的效率；进而，基于训练好的深度神经网络血压模型，将预处理信号输入至深度神经网络血压模型中进行测量操作，得到与预处理信号相对应的收缩压以及舒张压，能够保证血压值获取的准确性和完整性；输出标识信息、收缩压以及舒张压，本发明整个过程操作简单、计算复杂度低、成本低；本发明基于深度神经网络的血压测量方法获取血压值速度快、获取血压值准确度高。
需要说明的是，本实施例中，对采集对象进行信号采集操作，获取脉搏波以及心电信号，具体可以是通过对采集对象的手指指尖处，或手腕桡动脉、颈部颈动脉等邻近体表的主动脉脉搏处进行脉搏波以及心电信号采集。
其中，脉搏波是指采集对象的光电容积脉搏波信号；心电信号是指采集对象的单导联心电信号，其中，采集对象的手指的光电容积脉搏波，信号长度为5分钟，采样频率为250hz。
在本实施例中，对脉搏波和心电信号进行预处理操作，得到预处理信号，具体可以是通过对获取到的脉搏波和心电信号进行滤波去噪、逐心拍分割、归一化等信号处理，以降低信号中的杂质和干扰，在一定程度上保证后续准确获取采集对象的血压值的效率。
在本实施例中，基于训练好的深度神经网络血压模型，将预处理信号输入至深度神经网络血压模型中进行测量操作，得到与预处理信号相对应的收缩压以及舒张压，具体可以是通过将处理完的预处理信号的信号波形作为输入，输入至利用迁移学习训练得到的针对特定人群的深度神经网络血压模型中，对采集对象的连续血压进行计算，得出该采集对象逐拍的收缩压和舒张压并输出。
例如，如表1所示，对于血压水平不同的各心率失常患者，本实施例可以测得的收缩压和舒张压，与实际值比较，均满足美国医疗器械促进协会(ammi)推荐的平均误差小于等于5mmhg，标准误差小于等于8mmhg的标准。
表1对心率失常病人的血压预测结果
作为优选的技术方案中，参见图2，该方法还包括：
s6：获取数据库中的样本信号，样本信号至少携带样本脉搏波以及样本心电信号；
s7：对样本脉搏波以及样本心电信号进行预处理操作，得到样本训练信号；
s8：基于深度神经网络，将样本训练信号输入至深度神经网络中，按照迁移学习进行训练操作，得到深度神经网络血压模型。
在本实施例中，获取数据库中的样本信号，样本信号至少携带样本脉搏波以及样本心电信号具体可以是通过读取本地公共数据库，在该公共数据库中获取预先采集到的大量的如高血压病人及心率失常患者的样本脉搏波以及样本心电信号，便于后续深度神经网络血压模型的建立。
进一步地，本实施例通过对获取到样本脉搏波以及样本心电信号进行预处理操作，具体是通过提取同周期的心电信号和脉搏波的波形，以获取特定形式的组织，作为血压模型的输入进行建模，能够在一定程度上保证后续获取血压值的准确性。
进一步地，本实施例基于深度神经网络，将样本训练信号输入至深度神经网络中，按照迁移学习进行训练操作，具体可以是通过使用深度神经网络对如心率失常人群的处理后的样本训练信号进行迁移学习，获得深度神经网络血压模型，利用迁移方法训练模型的模型训练成本小，能够输出逐心拍连续血压，测量准确度高，以保证获取血压值的准确性。
需要说明的是，本实施例中，深度神经网络，其实质为包括若干卷积层、池化层、批标准化层及全连接层的卷积神经网络，并以收缩压和舒张压为输出建立的模型。
作为优选的技术方案中，参见图3，对样本信号进行样本预处理操作，得到样本训练信号的步骤包括：
s701：使用带通滤波器对样本脉搏波以及样本心电信号进行过滤操作，得到降噪样本脉搏波以及降噪样本心电信号；
s702：获取与降噪样本脉搏波以及降噪样本心电信号相对应的样本脉搏波形图以及样本心电波形图；
s703：按照预设的分段方式对样本脉搏波形图以及样本心电波形图进行分段处理，得到分段信号；
s704：对分段信号进行归一化处理，得到样本训练信号。
具体地，使用带通滤波器对样本脉搏波以及样本心电信号进行过滤操作，得到降噪样本脉搏波以及降噪样本心电信号，本实施例具体是通过使用带通滤波器滤除样本脉搏波以及样本心电信号中的基线漂移和高频干扰，其中，降噪样本心电信号通常为0.5-35hz，降噪样本脉搏波信号通常为0.3-6hz，能够降低样本脉搏波以及样本心电信号中的杂质和干扰，能够在一定程度上保证后续获取血压值的准确性。
进一步地，获取与降噪样本脉搏波以及降噪样本心电信号相对应的样本脉搏波形图以及样本心电波形图，并按照预设的分段方式对样本脉搏波形图以及样本心电波形图进行分段处理，得到分段信号；是为了能够提取同周期的心电和脉搏波的波形，以获取特定形式的组织，作为后续血压模型的输入进行建模，以得到能够针对特定人群进行连续血压测量的深度神经网络血压模型。
其中，参见图11，本实施例中预设的分段方式可以是根据信号的ab分割点坐标，获得将若干分段信号
进一步地，对分段信号进行归一化处理，具体是通过使其值位于[0,1]区间以获得该样本训练信号。
需要说明的是，本实施例根据信号波形自主提取特征建模，对波形质量要求不高，不需检测重搏波，易于检点。
作为优选的技术方案中，参见图4，基于深度神经网络，将样本训练信号输入至深度神经网络中，按照迁移学习进行训练操作，得到深度神经网络血压模型的步骤包括：
s801：对样本训练信号进行滑动取样操作，获得多个网络训练样本；
s802：构建基于深度神经网络的包含若干计算单元的卷积神经网络并使用多个网络训练样本对卷积神经网络进行训练操作，得到预训练网络；
s803：使用预训练网络对样本信号进行迁移学习，得到深度神经网络血压模型。
需要说明的是，在本实施例中，对样本训练信号进行滑动取样操作，获得多个网络训练样本，是为了实现滑动窗口，保证对样本训练信号的特征提取的准确性，减少后续训练操作中重复卷积的计算，能够在一定程度上减少计算复杂度，提高后续获取血压值的效率。
在本实施例中，构建基于深度神经网络的包含若干计算单元的卷积神经网络并使用多个网络训练样本对卷积神经网络进行训练操作，得到预训练网络，具体是通过构建深度神经网络，其具体为包含若干计算单元的卷积神经网络，每个计算单元包含卷积层、批标准化层、池化层，在经过3-5个单元的计算之后，将获得的特征输入至1层全连接层后，能够得到可以同时输出收缩压和舒张压sbpp和dbpp的预训练网络。
具体地，使用预训练网络对样本信号进行迁移学习，得到深度神经网络血压模型，在本实施例中，具体可以是通过利用预训练网络针对特定人群数据进行迁移学习，即使大多数参数冻结(即保持不变)，仅微调预训练网络的最后一层全连接层，即使得新学习率为原始学习率的1/10，以获得深度神经网络血压模型，其中，微调过程类似对样本信号进行样本预处理操作的过程。
作为优选的技术方案中，构建基于深度神经网络的包含若干计算单元的卷积神经网络并使用多个网络训练样本使用随机梯度下降优化算法对卷积神经网络进行训练。
具体地，构建基于深度神经网络的包含若干计算单元的卷积神经网络并使用多个网络训练样本使用随机梯度下降优化算法对卷积神经网络进行训练，在本实施例中，通过联合建立loss函数进行模型的训练，能够同时输出收缩压和舒张压，在准确获取到采集对象的血压值的同时，还能方便后续根据输出血压值的变化情况提供血压骤升骤降风险预警，提醒患者进行及时就医或防护。
其中，由于本实施例的深度神经网络具体为包含若干计算单元的卷积神经网络，每个计算单元包含卷积层、批标准化层、池化层，在经过3-5个单元的计算之后，将获得的特征输入至1层全连接层后，能够同时输出收缩压和舒张压sbpp和dbpp。
进一步地，通过联合建立loss函数进行模型的训练，其中，损失函数loss为均方误差，具体表示如下：
其中，sbpt和dbpt为实际的收缩压和舒张压，n为样本数量；
其中，sbpp和dbpp可以表示如下：
其中，a为激活函数，w，b为模型的参数，对loss函数求w的梯度，并以预先设置的特定的学习率不断更新梯度(定量随机改变w的值)，其中，学习率一般为0.0001，而学习率可以根据实际应用需求进行设置，此处不作具体限制；然后，使loss沿梯度下降的方向趋于最小，最终loss不再变化时停止训练，或训练次数到达一定值时停止训练，通常训练次数不超过10000次。
进一步地，如图12所示，图12为一组采集对象测得的血压收缩压值与实际目标收缩压的对比，可以发现在各个血压区间内，预测值与目标值都误差较小。
作为优选的技术方案中，参见图5，该方法还包括：
s9：获取采集对象的上一周期的历史收缩压以及历史舒张压；
s10：将历史收缩压以及历史舒张压分别与当前输出的收缩压以及舒张压进行数值比较；
s11：若数值的变化率大于预设变化阈值，则向用户终端发出预警提示。
具体地，在本实施例，按照预先设置的时间周期对采集对象进行连续的血压值测量，以便于监测时间周期内的采集对象的血压值的变化，即能够根据输出血压值的变化情况提供血压骤升骤降风险预警，提醒患者进行及时就医或防护，具体可以是通过将历史收缩压以及历史舒张压分别与当前输出的收缩压以及舒张压进行数值比较，即先通过计算历史收缩压与当前的收缩压的差值的绝对值，再利用该差值的绝对值除以历史收缩压，得到该收缩压的变化率，同理可获取舒张压的变化率，进而，当该变化率大于预设变化阈值时，则向用户终端发出预警提示，其中，该预警提示可以是及时信息、邮件或信号警报等形式，此处不作具体限制。
其中，预设变化阈值是根据实际应用需求进行设置的，通常设置为20％。
实施例2
根据本发明的另一实施例，提供了一种基于深度神经网络的血压测量装置，参见图6，包括：
请求接收模块601，用于接收信号采集请求，信号采集请求至少携带有采集对象的标识信息；
信号采集模块602，用于对采集对象进行信号采集操作，获取脉搏波以及心电信号；
预处理模块603，用于对脉搏波和心电信号进行预处理操作，得到预处理信号；
血压测量模块604，用于基于训练好的深度神经网络血压模型，将预处理信号输入至深度神经网络血压模型中进行测量操作，得到与预处理信号相对应的收缩压以及舒张压；
数据输出模块605，用于输出标识信息、收缩压以及舒张压。
本发明实施例中的基于深度神经网络的血压测量装置，通过接收信号采集请求，该信号采集请求至少携带有采集对象的标识信息；进而根据该信号采集请求对采集对象进行信号采集操作，获取该采集对象的脉搏波以及心电信号；然后，对获取到的脉搏波和心电信号进行预处理操作，以得到降噪低干扰的预处理信号，在一定程度上保证后续准确获取血压值的效率；进而，基于训练好的深度神经网络血压模型，将预处理信号输入至深度神经网络血压模型中进行测量操作，得到与预处理信号相对应的收缩压以及舒张压，能够保证血压值获取的准确性和完整性；输出标识信息、收缩压以及舒张压，本发明整个过程操作简单、计算复杂度低、成本低；本发明基于深度神经网络的血压测量装置获取血压值速度快、获取血压值准确度高。
需要说明的是，本实施例中，对采集对象进行信号采集操作，获取脉搏波以及心电信号，具体可以是通过对采集对象的手指指尖处，或手腕桡动脉、颈部颈动脉等邻近体表的主动脉脉搏处进行脉搏波以及心电信号采集。
其中，脉搏波是指采集对象的光电容积脉搏波信号；心电信号是指采集对象的单导联心电信号，其中，采集对象的手指的光电容积脉搏波，信号长度为5分钟，采样频率为250hz。
在本实施例中，对脉搏波和心电信号进行预处理操作，得到预处理信号，具体可以是通过对获取到的脉搏波和心电信号进行滤波去噪、逐心拍分割、归一化等信号处理，以降低信号中的杂质和干扰，在一定程度上保证后续准确获取采集对象的血压值的效率。
在本实施例中，基于训练好的深度神经网络血压模型，将预处理信号输入至深度神经网络血压模型中进行测量操作，得到与预处理信号相对应的收缩压以及舒张压，具体可以是通过将处理完的预处理信号的信号波形作为输入，输入至利用迁移学习训练得到的针对特定人群的深度神经网络血压模型中，对采集对象的连续血压进行计算，得出该采集对象逐拍的收缩压和舒张压并输出。
作为优选的技术方案中，参见图7，该装置还包括：
样本获取模块701，用于获取数据库中的样本信号，样本信号至少携带样本脉搏波以及样本心电信号；
样本处理模块702，用于对样本脉搏波以及样本心电信号进行预处理操作，得到样本训练信号；
样本训练模块703，用于基于深度神经网络，将样本训练信号输入至深度神经网络中，按照迁移学习进行训练操作，得到深度神经网络血压模型。
在本实施例中，获取数据库中的样本信号，样本信号至少携带样本脉搏波以及样本心电信号具体可以是通过读取本地公共数据库，在该公共数据库中获取预先采集到的大量的如高血压病人及心率失常患者的样本脉搏波以及样本心电信号，便于后续深度神经网络血压模型的建立。
进一步地，本实施例通过对获取到样本脉搏波以及样本心电信号进行预处理操作，具体是通过提取同周期的心电信号和脉搏波的波形，以获取特定形式的组织，作为血压模型的输入进行建模，能够在一定程度上保证后续获取血压值的准确性。
进一步地，本实施例基于深度神经网络，将样本训练信号输入至深度神经网络中，按照迁移学习进行训练操作，具体可以是通过使用深度神经网络对如心率失常人群的处理后的样本训练信号进行迁移学习，获得深度神经网络血压模型，利用迁移方法训练模型的模型训练成本小，能够输出逐心拍连续血压，测量准确度高，以保证获取血压值的准确性。
需要说明的是，本实施例中，深度神经网络，其实质为包括若干卷积层、池化层、批标准化层及全连接层的卷积神经网络，并以收缩压和舒张压为输出建立的模型。
作为优选的技术方案中，参见图8，该样本处理模块702包括：
信号过滤单元7021，用于使用带通滤波器对样本脉搏波以及样本心电信号进行过滤操作，得到降噪样本脉搏波以及降噪样本心电信号；
波形图获取单元7022，用于获取与降噪样本脉搏波以及降噪样本心电信号相对应的样本脉搏波形图以及样本心电波形图；
分段处理单元7023，用于按照预设的分段方式对样本脉搏波形图以及样本心电波形图进行分段处理，得到分段信号；
归一化处理单元7024，用于对分段信号进行归一化处理，得到样本训练信号。
具体地，使用带通滤波器对样本脉搏波以及样本心电信号进行过滤操作，得到降噪样本脉搏波以及降噪样本心电信号，本实施例具体是通过使用带通滤波器滤除样本脉搏波以及样本心电信号中的基线漂移和高频干扰，其中，降噪样本心电信号通常为0.5-35hz，降噪样本脉搏波信号通常为0.3-6hz，能够降低样本脉搏波以及样本心电信号中的杂质和干扰，能够在一定程度上保证后续获取血压值的准确性。
进一步地，获取与降噪样本脉搏波以及降噪样本心电信号相对应的样本脉搏波形图以及样本心电波形图，并按照预设的分段方式对样本脉搏波形图以及样本心电波形图进行分段处理，得到分段信号；是为了能够提取同周期的心电和脉搏波的波形，以获取特定形式的组织，作为后续血压模型的输入进行建模，以得到能够针对特定人群进行连续血压测量的深度神经网络血压模型。
其中，参见图11，本实施例中预设的分段方式可以是根据信号的ab分割点坐标，获得将若干分段信号
进一步地，对分段信号进行归一化处理，具体是通过使其值位于[0,1]区间以获得该样本训练信号。
需要说明的是，本实施例根据信号波形自主提取特征建模，对波形质量要求不高，不需检测重搏波，易于检点。
作为优选的技术方案中，参见图9，该样本训练模块703包括：
信号取样单元7031，用于对样本训练信号进行滑动取样操作，获得多个网络训练样本；
网络构建单元7032，用于构建基于深度神经网络的包含若干计算单元的卷积神经网络并使用多个网络训练样本对卷积神经网络进行训练操作，得到预训练网络；
迁移学习单元7033，用于使用预训练网络对样本信号进行迁移学习，得到深度神经网络血压模型。
需要说明的是，在本实施例中，对样本训练信号进行滑动取样操作，获得多个网络训练样本，是为了实现滑动窗口，保证对样本训练信号的特征提取的准确性，减少后续训练操作中重复卷积的计算，能够在一定程度上减少计算复杂度，提高后续获取血压值的效率。
在本实施例中，构建基于深度神经网络的包含若干计算单元的卷积神经网络并使用多个网络训练样本对卷积神经网络进行训练操作，得到预训练网络，具体是通过构建深度神经网络，其具体为包含若干计算单元的卷积神经网络，每个计算单元包含卷积层、批标准化层、池化层，在经过3-5个单元的计算之后，将获得的特征输入至1层全连接层后，能够得到可以同时输出收缩压和舒张压sbpp和dbpp的预训练网络。
具体地，使用预训练网络对样本信号进行迁移学习，得到深度神经网络血压模型，在本实施例中，具体可以是通过利用预训练网络针对特定人群数据进行迁移学习，即使大多数参数冻结(即保持不变)，仅微调预训练网络的最后一层全连接层，即使得新学习率为原始学习率的1/10，以获得深度神经网络血压模型，其中，微调过程类似对样本信号进行样本预处理操作的过程。
作为优选的技术方案中，构建基于深度神经网络的包含若干计算单元的卷积神经网络并使用多个网络训练样本使用随机梯度下降优化算法对卷积神经网络进行训练。
具体地，构建基于深度神经网络的包含若干计算单元的卷积神经网络并使用多个网络训练样本使用随机梯度下降优化算法对卷积神经网络进行训练，在本实施例中，通过联合建立loss函数进行模型的训练，能够同时输出收缩压和舒张压，在准确获取到采集对象的血压值的同时，还能方便后续根据输出血压值的变化情况提供血压骤升骤降风险预警，提醒患者进行及时就医或防护。
其中，由于本实施例的深度神经网络具体为包含若干计算单元的卷积神经网络，每个计算单元包含卷积层、批标准化层、池化层，在经过3-5个单元的计算之后，将获得的特征输入至1层全连接层后，能够同时输出收缩压和舒张压sbpp和dbpp。
进一步地，通过联合建立loss函数进行模型的训练，其中，损失函数loss为均方误差，具体表示如下：
其中，sbpt和dbpt为实际的收缩压和舒张压，n为样本数量；
其中，sbpp和dbpp可以表示如下：
其中，a为激活函数，w，b为模型的参数，对loss函数求w的梯度，并以预先设置的特定的学习率不断更新梯度(定量随机改变w的值)，其中，学习率一般为0.0001，而学习率可以根据实际应用需求进行设置，此处不作具体限制；然后，使loss沿梯度下降的方向趋于最小，最终loss不再变化时停止训练，或训练次数到达一定值时停止训练，通常训练次数不超过10000次。
作为优选的技术方案中，参见图10，该方法还包括：
历史获取模块101，用于获取采集对象的上一周期的历史收缩压以及历史舒张压；
数值比较模块102，用于将历史收缩压以及历史舒张压分别与当前输出的收缩压以及舒张压进行数值比较；
预警提示模块103，用于若数值的变化率大于预设变化阈值，则向用户终端发出预警提示。
具体地，在本实施例，按照预先设置的时间周期对采集对象进行连续的血压值测量，以便于监测时间周期内的采集对象的血压值的变化，即能够根据输出血压值的变化情况提供血压骤升骤降风险预警，提醒患者进行及时就医或防护，具体可以是通过将历史收缩压以及历史舒张压分别与当前输出的收缩压以及舒张压进行数值比较，即先通过计算历史收缩压与当前的收缩压的差值的绝对值，再利用该差值的绝对值除以历史收缩压，得到该收缩压的变化率，同理可获取舒张压的变化率，进而，当该变化率大于预设变化阈值时，则向用户终端发出预警提示，其中，该预警提示可以是及时信息、邮件或信号警报等形式，此处不作具体限制。
其中，预设变化阈值是根据实际应用需求进行设置的，通常设置为20％。
需要说明的是，本发明基于深度神经网络的迁移学习方法，先通过前期在公共数据库的基础上利用心电信号和光电容积脉搏波信号建立预训练模型；然后，通过针对特定人群的数据进行迁移学习，即更新少量参数，能够在一方面避免人工特征提取的主观挑选问题和特征点依赖问题，易于实施，以及另一方面可针对特定人群采集的数据，尤其是高血压病人及心率失常患者等已有技术难以监测的对象，实现方便、准确的连续血压监测。
与现有的血压测量系统相比，本发明基于深度神经网络的血压测量方法及装置的优点在于：
1.过程操作简单、计算复杂度低、成本低；
2.血压值获取速度快；
3.血压值获取准确度高；
4.能够根据信号波形自主提取特征建模，对波形质量要求不高，不需检测重搏波，易于检点；
5.能够针对特定人群进行迁移学习，使得模型训练成本小，可以输出逐心拍连续血压，且测量准确度高；
6.能够提供血压骤升骤降的风险预警。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！