一种基于卷积自编码器的脉搏波波形重建的方法及系统

本发明涉及信号处理以及深度学习领域，具体涉及一种基于卷积自编码器的脉搏波波形重建的方法及系统，能够通过卷积自编码器构建一种可以将指脉脉搏信号转换为桡动脉脉搏信号的深度学习模型。

背景技术：

现有的主流脉搏波无创检测手段包括“桡动脉压力脉搏波”和“指端容积脉搏波”。目前对于桡动脉压力脉搏波的理论研究较为详尽，且波形所对应的生理意义较为明确，但想要得到稳定且准确的波形，对测量人员检测手法和受试者的测量要求都比较高，不适宜作为长期的监测手段。相比之下，指端容积脉搏波具有检测便捷，测得数据稳定等特点，为得到在长期监测下的脉搏信号提供了便利的前提条件，但指脉信号是由人体桡动脉信号经过手部微循环过滤所得，更多反映人体的微循环状态。因此，指脉与桡动脉信号存在一定程度的联系，若能将两者建立明确的关联，则能够由指端容积脉搏波得到桡动脉压力脉搏波，从而通过指脉信号就能判断出人体的周身心血管状态。

传统的“指脉信号”到“桡动脉信号”的重建方法需要手工提取脉搏波参数特征，并使用传递函数对特征进行重建：不仅重建过程较为繁琐，而且一定程度上存在提取特征不完善、重建效果有较大偏差等不足，因此使用深度学习方法对脉搏信号进行分析与处理成为解决上述问题的突破口。

深度卷积自编码器模型是一种“编码-解码器”模型，其通过编码器的卷积和池化操作将输入数据压缩成一种隐藏的空间表示，并通过解码器的卷积和上采样操作将该隐藏空间表示进行重构和输出。深度卷积自编码器模型能够实现数据样本特征的自动学习与重建的操作，被广泛应用于图像和语音信号的处理与重建，也为脉搏波信号的重建提供了新的思路。

技术实现要素：

为了克服现有技术中的不足之处，本发明提供一种基于卷积自编码器的脉搏波波形重建的方法及系统，通过网络模型实现指脉脉博信号到桡动脉脉博信号的重建过程。

为了实现上述目的，本发明提供的基于卷积自编码器的脉搏波波形重建的方法，包括以下步骤：

步骤m1：设置采样频率和采样时间，分别采集受试者的指脉和桡动脉脉搏信号数据，待信号明显且平稳后进行记录；

步骤m2：对所得到的原始脉搏波信号数据进行预处理：去除噪声和基线、单波切分、去除异常波形、统一单波的采样频率、幅值归一化并映射到[0,1]范围内，并将数据以一定比例切分成训练集和测试集；

步骤m3：使用训练集对prcae(pulsereconstrstconvolutionautoencoder)网络模型进行训练，并使用参数正则化方法对模型参数进行优化，通过交叉验证法训练得到一个最优的重建模型；

步骤m4：将测试集送入网络，利用训练好的prcae网络模型实现从指脉波形数据到桡动脉波形数据的重建，以构建起指脉波形数据到桡动脉波形数据的转换关系。

其中，所述步骤m1包括：为了避免环境中噪声、温度等在实验过程中产生影响，实验在温度20～30℃的安静室内进行；受试者需精神状态良好、心态平和、情绪稳定，无精神及其他身体疾病；在检测开始前，受试者需保持稳定安静状态至少5分钟，实验开始后受试者采取坐姿，将桡动脉压力传感器置于受试者左手桡动脉搏动最强处，保证手腕与心脏平齐并以绑带固定传感器。绑带的松紧程度保持合适，保证压力传感器能稳定接收到不失真的波形。同时采用光电容积传感器检测受试者中指的指端容积脉搏波。采样频率为100hz，且检测稳定有效的脉搏波过程持续5分钟。

其中，所述步骤m2包括：

步骤m2.1：采用小波变换法去除脉搏信号中的噪声；

步骤m2.2：找到指脉和桡动脉脉搏信号中的极小值点，将极小值点使用三次样条插值法拟合出对应脉搏信号的基线，将脉搏信号与其基线采样点对应相减，得到去基线后的波形数据；

步骤m2.3：将去基线后的波形根据其零轴极小值点将数据切分成单波，并去除掉首末两段的不完整波形；

步骤m2.4：由于人体存在心率变异，所以每个心动周期对应的脉搏波波形所包含的波形采样点不完全相同，因此需要统一单波的采样频率，使用三次样条插值法将每个单波的采样点统一到100；

步骤m2.5：不同的测量压力和位置导致桡动脉压力脉搏波波与指脉容端容积脉搏波的波形幅值不同，因此需要将其进行幅值归一化，将波形幅值映射到[0,1]范围内，公式如下：

其中y(i)是未进行幅值归一化的一条脉搏波信号数据，ymin是该条数据的最小值点，ymax是该条数据的最大值点，yn(i)是该条数据进行幅值归一化后的结果。

步骤m2.6：将所得单波数据以8：2的比例切分成训练集和测试集。

其中，所述步骤m3包括：

所述深度卷积自编码器模型包括编码器模块和解码器模块；

步骤m3.1：所述编码器模块用于：通过编码提取指脉数据特征，并将该特征进行压缩编码；编码器模块包括：一维卷积单元、激活单元和池化层；

步骤m3.2：所述解码器模块用于：解码前述指脉经过编码器所编码的特征，并根据训练目标的桡动脉数据将特征进行重构，输出为与目标桡动脉相同维度的重建数据；解码器模块包括：一维卷积单元、激活单元和上采样层。

其中，所述步骤m4包括：

步骤m4.1：根据先验医学知识，在深度卷积自编码机模型训练过程的损失函数中增加正则化项，损失函数公式如下：

l＝l0+λ∑w|w|(2)

其中l0是原始的损失函数，λ表示可调预设超参数，∑w|w|表示所有可训练的w参数，l表示加入正则化项的损失函数。

步骤m4.2：当使用训练集输入到深度卷积自编码器模型进行训练时，通过该模型在训练中损失函数的变化趋势，使用early-stopping方法约束模型的迭代次数；并采用交叉验证方法，使得最终能够得到最优学习模型。

与现有技术相比，本发明具有如下有益效果：

无需手动提取特征，使用网络自动对数据进行编码和解码，完整提取波形信息，能够有效将指脉信号重建为桡动脉信号，为脉搏波信号的重建提供了更加直接的方法。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为prcae网络模型示意图。

图2为指脉信号重建为桡动脉信号流程示意图。

图3为真实桡动脉信号和重建桡动脉信号对比图。

具体实施方式

本发明提出一种基于卷积自编码器的脉搏波波形重建方法，用于使用“指脉脉搏波信号”进行“桡动脉脉搏波信号”的重建，包括以下步骤：

1、实验数据采集

由于人体的脉搏信号较为微弱，为得到有效的脉搏波波形数据，需设计一套实验方案以尽量减少外界环境和人为因素影响，具体步骤如下：

(1)实验设备选择：

本发明使用脉搏信号采集装置为北京易思医疗器械有限责任公司的桡动脉压力脉搏传感器和指脉光电容积脉搏波传感器，传感器灵具有敏度度和准确率高、使用性能稳定、抗干扰能力强等特点。传感器使用usb数据线与计算机相连，传感器采集得到的脉搏波信号将以数字信号形式输出，能够将数据保存在计算机中，并通过计算机显示器显示脉搏波波形，采样频率为100hz。

(2)实验环境选择：

为避免环境中噪声、温度等因素在实验过程中对受试者造成影响，实验选择在温度为20～30℃的安静、封闭的实验环境中进行。

(3)实验对象及脉搏信号采集过程：

选取932名受试志愿者，其中男性486名，女性446名。实验开始前，受试者需处于安静状态至少5分钟以保证心态和情绪的稳定。实验开始后，受试者采取坐姿，将桡动脉压力传感器置于受试者左手桡动脉搏动最强处，保证手腕与心脏平齐且掌心向上，并将绑带保持合适的松紧程度以保证对传感器施予适当压力，使得压力传感器能够接收到稳定且不失真的波形。同时使用光电容积传感器检测受试者的中指指端容积脉搏波。待信号平稳后开始记录数据，采样时间为5分钟。

2、脉搏信号预处理

为了方便模型的训练和优化，需要将脉搏信号进行一系列预处理工作。

(1)首先，采用小波变换法去除脉搏信号中的噪声。

(2)其次，为了去除波形数据中的基线漂移，需要找到指脉和桡动脉脉搏信号中的极小值点，将极小值点使用三次样条插值法拟合出对应脉搏信号的基线，将脉搏信号与其基线采样点对应相减，得到去基线后的波形数据。

(3)此后，需要将去基线后的波形根据其零轴极小值点将数据切分成单波，并去除掉首末两段的不完整波形。

(4)由于人体存在心率变异，所以每个心动周期对应的脉搏波波形所包含的波形采样点不完全相同，因此需要统一单波的采样频率，使用三次样条插值法将每个单波的采样点统一到100，公式如下：

其中y(i)是未进行幅值归一化的一条脉搏波信号数据，ymin是该条数据的最小值点，ymax是该条数据的最大值点，yn(i)是该条数据进行幅值归一化后的结果。

(5)不同的测量压力和位置导致桡动脉压力脉搏波波与指脉容端容积脉搏波的波形幅值不同，因此需要将其进行幅值归一化，将波形幅值映射到[0,1]范围内，公式如下：

(6)将所得单波数据以8：2的比例切分成训练集和测试集。

3、脉搏波重建网络模型

自编码器是一种能够利用输入层与输出层之间的映射关系，实现样本重构，从而提取特征的网络模型，其在生成模型的应用中有较好的效果，但传统的自编码器模型存在参数过多，对于大型数据训练较慢的缺点。卷积自编码器模型(convolutionalautoencoder,cae)能够克服以上不足，其卷积结构不仅能够权值共享减少参数，使得训练速度更快，而且能够提取到数据的轮廓和细节特征，使得重建结果更加符合预期，但该网络常用于二维图像的重建，并不适用于一维脉搏信号的重建。本发明在研究cae网络的基础上，提出了一种基于卷积自编码器的脉搏波波形重建的网络模型prcae(pulsereconstrstconvolutionalautoencoder)。

该方法首先通过大量的“指脉输入-桡动脉输出”的脉搏波信号训练prcae模型，将预处理后的指脉脉搏波信号输入到训练好的卷积神经网络模型中用于提取深层结构特征，接着利用网络所提取出的特征进行桡动脉信号的重建。

(1)模型训练

本发明提出的prcae网络如图1所示，编码器部分由4个卷积层和1个池化层组成，解码器由2个卷积层和1个上采样层组成。除最后一个卷积层外，其余各个卷积层均使用relu激活函数，最后一个卷积层使用sigmoid激活函数。模型所使用的损失函数为：

l＝l0+λ∑w|w|(2)

其中l0是原始的损失函数，λ表示可调预设超参数，∑w|w|表示所有可训练的w参数，l表示加入正则化项的损失函数。在损失函数加入正则化项用于特征选择，以突出数据中较为重要的特征。

(2)模型调优

本发明提出的prcae模型使用adam优化器求解模型参数的最优值，使用交叉验证法选择最优训练效果模型，并使用early-stopping方法约束模型的迭代次数以获得预期损失值范围内的模型。

prcae能够在训练模型的过程中充分学习每个周期内从指脉信号到桡动脉信号的重建特征和规律，从而较好地实现了整个数据样本的重建工作，这为脉搏波信号的重建工作提供了可行的发展方向和研究思路。

4、实验结果与分析

针对本发明的内容，设计实验验证基于prcae网络用于重建脉搏信号的效果。

实验的具体设计步骤为：将经过预处理后的脉搏信号首先进行人工分割以增加样本数量，可以得到脉搏信号样本集5000个，每个样本均有100个采样点值。从中选取4000个样本进行训练，1000个样本进行测试，将所有数据进行归一化处理，归一化范围为[0,1]。作为prcae网络的训练集和测试集，然后基于构建的数据集训练prcae网络；待prcae网络训练完成之后，使用该网络重建本发明所需要的脉搏信号数据。

本发明将实际的桡动脉脉搏信号和使用指脉信号重建的桡动脉脉搏信号进行重叠的对比，对比的结果图如图3所示。

实验结果表明，利用prcae网络可以有效重建桡动脉脉搏信号数据，且与真实数据相比，相似度很高，证实了所提出的基于卷积自编码器的脉搏信号重建方法的有效性。