一种结合全卷积神经网络与PPG信号的低血压预测方法与流程

一种结合全卷积神经网络与ppg信号的低血压预测方法
技术领域
1.本发明涉及计算机应用技术领域，尤其涉及一种结合全卷积神经网络与 ppg信号的低血压预测方法。


背景技术：

2.在神经网络中对于信号数据处理与预测是在大数据的支撑下进行的，大数据的分析和挖掘在医疗领域的应用包含很多的方向，比如临床操作的比较效果研究、临床决策支持系统、医疗数据透明度、远程病人监控和对病人档案的先进分析；临床试验数据分析、个性化治疗和疾病模式的分析等；还有患者临床记录和医疗保险数据集等。大数据的分析和挖掘技术的运用可以在一定程度上帮助医疗行业提高生产力，改进护理水平，增强竞争力。比如有大数据参与的比较效果研究可以提高医务人员的效率，降低病人的看病成本和身体损害；另外，利用大数据对远程病人的监控也可以减少病人的住院时间，实现医疗资源的最优化配置，在使用远程监护系统实现疾病预防的过程中，不仅能够降低病人出现意外的风险，同时也可以节约医疗资源，创造社会和经济价值。
3.在临床医学中心血管疾病是造成死亡的最严重原因之一，每年在世界各地夺走大量生命。持续监测血压是目前最可行的选择。之前所用的传统监测方法需要一个侵入性的过程，具有一定的复杂性与延迟性。在心血管疾病方面的光电容积脉搏波(photoplethysmography，ppg)数据可以用日常穿戴的设备记录。ppg传感器的工作原理是基于皮肤的照度和检测皮肤的光吸收,一般包括一个光源和一个光电探测器，光源模块向皮肤组织发出光，光电探测器跟踪光的反射量，即吸收程度。反射光的数量与被照射区域的血液流量成正比。由于血容量与血流速度有关，而血流速度与施加在动脉上的压力相匹配，所以ppg信号一直被用于测量血压。虽然ppg信号应用极其广泛但在某些方面也有不足，主要是因为穿戴设备很容易被移动破坏从而造成信号失真或丢失。
4.现有技术中的一种低血压预测方法包括：基于机器学习(machinelearning)的方法。机器学习可用于研究疾病中生物分子之间的潜在机制和相互作用。机器学习通常由推算数据输入(即图表审查、生物库和社交媒体等) 创建，以便进行探索性或预测性分析。实际上，传统的统计数据和机器学习用于不同的目的，传统的统计数据(例如多变量分析)倾向于强调推理(基于观察较小的观察结果的大量数据的结论)，但机器学习强调预测和决策，需要大量的数据用于训练和测试，以便进行预测分析。在血压预测方面的机器学习方法通常采用ppg信号以及大多数情况下的ecg信号 (electrocardiogram，ecg，即心电信号，记录心脏活动状况的一种方式),并预测舒张压(diastolic blood pressure，dbp)、收缩压(systolic bloodpressure，sbp)和平均动脉压(mean arterial pressure，map)的值。
5.上述现有技术中的低血压预测方法的缺点包括：首先，机器学习方法中绝大多数都需要心电图信号，有时可能难以包含在可穿戴无袖带系统中。此外，一部分机器学习方法依赖手工制作的特征来预测血压(bloodpressure,bp)；但是为了计算这些特征，算法通常要求信号遵循理想的配置。对于这些要求如若未做到最好的程度就会影响最终血压方面的
预测。机器学习模型用edg与ppg信号预测血压对信号的要求较高若不引入其他因素，预测情况比较单一，从而导致训练结果的适用性比较单一。


技术实现要素：

6.本发明的实施例提供了一种结合全卷积神经网络与ppg信号的低血压预测方法，以实现有效地利用ppg信号进行低血压预测。
7.为了实现上述目的，本发明采取了如下技术方案。
8.一种结合全卷积神经网络与ppg信号的低血压预测方法，包括：
9.对原始的ppg信号进行滤波处理，得到相对平滑无失真的ppg信号；
10.使用近似网络unet对滤波处理后的ppg信号进行编码、解码和跳跃处理，得到近似处理后的ppg信号，将近似处理后的ppg信号传输给细化网络 multiresunet；
11.使用细化网络multiresunet对近似处理后的ppg信号进行卷积、下采样和特征提取处理，预测出舒张压dbp、平均动脉压map和收缩压sbp的值。
12.优选地，所述的对原始的ppg信号进行滤波处理，得到相对平滑无失真的 ppg信号，包括：
13.将原始的ppg信号使用小波变换滤波处理，去掉ppg信号数据中的噪声与激变，去除ppg信号数据中的异常值，得到相对平滑无失真的ppg信号。
14.优选地，所述的使用近似网络unet对滤波处理后的ppg信号进行编码、解码和跳跃处理，得到近似处理后的ppg信号，将近似处理后的ppg信号传输给细化网络multiresunet，包括：
15.近似网络unet包括编码、解码和跳跃连接三部分，编码部分包括两个卷积层与批标准化层，编码部分对滤波处理后的ppg信号进行编码处理，在一次编码结束后对得到的数据进行下采样，经历四层下采样后得到编码数据，解码部分对编码数据进行上采样处理得到解码数据，跳跃部分将解码数据与对应的编码数据进行跳跃连接，而后进行两次的卷积层与批标准化层，经历四层上采样后将数据进行卷积核为1的卷积操作后，得到近似处理后的ppg信号，将近似处理后的ppg信号传输给细化网络multiresunet。
16.优选地，所述的使用细化网络multiresunet对近似处理后的ppg信号进行卷积、下采样和特征提取处理，预测出舒张压dbp、平均动脉压map和收缩压 sbp的值，包括：
17.multiresunet网络是基于unet模型改进而来的全卷积神经网络，在unet 网络的基础上加入res路径和multiblock模块，用multiblock模块代替unet模型中的编码与解码模块，res path路径代替unet模型中的跳跃连接， multiblock模块由3x3，7x7卷积运算与5x5卷积运算并行合并；
18.将近似处理后的ppg信号输入到细化网络multiresunet，multiblock模块对近似处理后的ppg信号先进行编码处理再进行下采样，此过程一共执行四次，multiblock模块的解码部分的每个上采样卷积之后加入一个深度监督学习模块，深度监督学习模块使用卷积核为一的卷积层，multiblock模块使编码器的特征在与解码器中对应特征拼接之前，先进行了一些额外的卷积操作，在整个解码过程中，经过四次上采样与解码操作后得到输出信号，对输出信号进行特征提取，预测出abp波形、舒张压dbp、平均动脉压map和收缩压 sbp的值。
19.由上述本发明的实施例提供的技术方案可以看出，本发明方法探索了深度学习在大数据预测方面的优势，使得深度学习与医疗数据方面更好的结合起来可以减少医疗资源的浪费，帮助医生提升工作效率。
20.本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
21.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1为本发明实施例提供的一种加入了跳跃连接的unet网络示意图：
23.图2为本发明实施例提供的一种multiblock网络示意图：
24.图3为本发明实施例提供的一种res path路径示意图；
25.图4为本发明实施例提供的一种结合全卷积神经网络与ppg信号的低血压预测方法的处理流程图。
具体实施方式
26.下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
27.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
28.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语 (包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
29.为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
30.本发明实施例提出了一种结合全卷积神经网络的方法，利用ppg信号通过无创方法预测连续动脉血压(arterial blood pressure，abp)的波形。该方法能够从输入ppg信号预测连续的abp波形，平均绝对误差为4mmhg左右，同时保持形状、幅度和相位一致。从预测的abp波形计算出的舒张压dbp、平均动脉压map和收缩压sbp的值。dbp术语是指舒张压，即低压部分；平均动脉压： map＝心输出量
×
外周血管阻力；sbp术语是指收缩压，即高压部
分。
31.本发明实施例方法的模型结构由近似网络和细化网络两部分组成。对于预测abp波形与sbp、dbp、map的预测采用了近似网络unet和细化网络multiresunet。其中近似网络包括特征提取网络、全连接层和神经网络三个模块，其中每个模块由卷积层、bn层和池化层三部分组成。multiresunet是在unet网络的基础上加入了respath路径，再加上multiblock模块组成的。multiblock模块涉及一种使用分解卷积的紧凑形式的多分辨率分析。类似于细化网络，该网络也由卷积、汇集和上采样操作的一维版本组成，除了使用线性激活的最后一层之外，所有层的激活函数都是relu。近似网络对于abp波形进行平滑近似处理，而后用multiresunet网络对abp波形做细化处理，利用两个网络的特性相结合的方式来最大程度的预测abp波形以及sbp、dbp、map的值。
32.(1)loss的选取方法
33.通常，均方误差(meansquareerror，mse)和平均绝对误差(meanabsoluteerror，mae)是最常用的损失函数。yi＝[y1，y2，y3
……
yn]是实际值，是预测值。这两个损失函数定义如下：
[0034][0035][0036]
在实验中发现使用mae作为近似网络的损失函数显著提高了精确度，而用mse损失函数训练近似网络的时间要短得多。由于在近似网络阶段，所关心的只是获得波形的粗略总体估计，所以对所有误差给予相等的权重就足够了。但是如果在这里使用mse作为损失函数，误差项得到平方，更大的误差受到更多的惩罚。因此，更加强调消除较大的误差项实际上会降低整体性能。然而，近似网络阶段的mae平衡了所有误差项，确保了粗略但令人满意的预测。相反，在细化网络中，已经有了波形的整体近似值。因此，在该阶段使用mse是有益的，因为较大的误差项可能以这种方式更好地减少。
[0037]
(2)对网络采取跳跃连接
[0038]
跳跃连接能够使得网络在每一级的上采样过程中，将编码器对应位置的特征图在通道上进行融合。在进行跳跃连接的同时对每级相应的编码部分进行两层的卷积与批量化处理，一层网络可以提取一些较低级的特征，经实验验证两层卷积达到了计算量与效果之间的最优。通过底层特征与高层特征的融合，网络能够保留更多高层特征图蕴含的高分辨率细节信息，从而提高了图像分割精度。入邻层特征重建和跨层特征重建增强层与层之间特征信息传递的同时，进一步对高层卷积特征层中丰富的细节信息进行了利用，从而最大化地提高了网络各层中的特征信息的利用率。图1为本发明实施例提供的一种加入了跳跃连接的unet网络示意图。
[0039]
(3)multiresunet网络的设计
[0040]
multiresunet部分是在unet网络的基础上加入了res路径，再加上multiblock模块组成的。multiblock模块涉及一种使用分解卷积的紧凑形式的多分辨率分析。在其编码部分用到了multiblock模块，此模块是由3x3，7x7卷积运算与5x5卷积运算并行合并，使用
多分辨率思路替换传统卷积层。在multiresunet网络中加入了深度监督学习的模块，在转置卷积运前对卷积层的输出施加了额外的损失函数。此外，经实验可得损失的权重被选择为 [1，0.9，0.8，0.7，0.6]，即全部权重被置于实际输出上，对于过早输出的权重逐渐减小，使得loss达到最优。本发明实施例提供的一种multiblock网络如图2所示，res path路径如图3所示。
[0041]
本发明实施例提供的一种结合全卷积神经网络与ppg信号的低血压预测方法的处理流程如图4所示，包括如下的处理步骤：
[0042]
第一步：将公用mimic ii数据集(重症监护中的多参数智能监测)使用小波变换滤波处理，去掉信号数据的噪声与激变，去除了异常值使ppg信号数据平滑。
[0043]
第二步：将滤波后的ppg信号进行处理，提取sbp与dbp值进行10秒一次的读取，而后用程序将其以csv文件的方式记录在文件夹中。经过此处理后可以用程序观察到sbp与dbp值的分布。
[0044]
第三步：在这一阶段，将数据分为训练数据、测试数据和验证数据。在 127260个随机集中，随机选取100000个样本作为训练验证数据(约78.58％)，其余27260个样本作为独立检验数据。将数据分为10个训练和验证分割，以及一些包含信号的最小值和最大值的元数据，因为信号是经过处理后且是标准化的，可以促进cnn训练。
[0045]
第四步：用tensorflow中的kears框架搭建近似网络，模型搭建完成后选取步长为1024向网络中输送数据，数据经过编码部分先进行一维卷积而后进行批量标准化这样可以加速训练。
[0046]
第五步：unet网络的编码部分需经过两次卷积核为三的卷积层与批标准化层而后对处理后的数据经过最大池化层即完成一次编码。而最后一层最大池化层可对整个数据求最大值通常采用max-pooling，因为计算简单而且能够更好的保留纹理特征。
[0047]
第六步：在每次编码的过程中即在一次卷积层之后经过注意力机制模块，对每次编码中的最大特征进行提取，从而经过编码可以保留更多的特征信息。
[0048]
第七步：编码部分一共进行了五次，在第五次编码后加入注意力机制模块而后进行下采样，最后一层编码也就是第一层解码故下采样有四次共16倍。在其对应的解码部分每次开始前需先进行跳跃连接，这能大大的保留数据的信息使得预测更为准确。
[0049]
第八步：unet网络的解码部分也是数据经过编码部分先进行一维卷积而后进行批量标准化。而与编码不同的是它需要上采样。在第四次解码后对其进行一次卷积核为1的卷积层，而后输出损失同时保存模型。
[0050]
第九步：训练时将unet网络迭代100次，载入数据长度为1024，设置 batch_size为16。至此待程序跑完就进行了一次训练，但为了选取最好的模型结果进行了十次训练，近似网络部分的工作已经完成。
[0051]
第十步：在训练过程中为了出现过拟合通过正则化进行约束，一般的方法可以通过优化器的权重衰减方法，即训练到后期，通过衰减因子使权重的梯度下降越来越缓慢，。
[0052]
第十一步：在第八步中，unet网络已经训练完毕，对于multiresunet网络的训练是在unet网络的基础上进行的，其中multiresunet网络用到了unet网络训练保存好的权重。
[0053]
第十二步：在multiresunet网络中编码部分用到了multiblock模块，此模块代替了传统unet网络的编码部分，但也是在进行四次下采样之后进行编码。
[0054]
第十三步：在multiresunet的解码部分每个上采样卷积之后加入了一个深度监督学习模块共四个，深度监督学习模块用的卷积核为一的卷积层。在整个解码过程中，经过四次上采样后得到一个输出，此模块将整个网络的输出与四个深度监督学习的输出保存起来。
[0055]
第十四步：与unet相同的是multiresunet网络也需训练十个模型从中挑选一个效果相对好的模型。而后将unet与multiresunet网络模型训练的结果保存在一个文件夹中，将两个模型的文件组合从而得到两个数据输出的文件。
[0056]
第十五步：对第十三步得到的文件进行评估，主要的数据是对于abp波形的预测。
[0057]
第十六步：而后再用第十四步得到的abp波形对sbp、dbp、map的预测，得到的结果与以前直接用ppg信号预测sbp、dbp、map的方法相比效果要好。
[0058]
第十七步：评估结果可以看到利用ppg数值信号预测到的abp的波形信号，而后还会有sbp、dbp、map等值的预测数值，至此所有工作已结束。
[0059]
综上所述，由于如今几乎所有的智能手表和健身带都包含一个ppg传感器，本发明实施例的结合全卷积神经网络与ppg信号的低血压预测方法的基于ppg2abp的应用程序可以很容易地部署到大众市场。这是因为ppg2abp不需要任何额外的昂贵传感器(如ecg),仅使用ppg信号来推断血压信号的完整波形,从而又可预测出sbp、dbp、map等血压方面的数据。在bhs(britishhypertensionassociation:英国高血压协会)标准测试中获得了a级，并且也满足了aami(americanmedicaldeviceadvancementassociation：美国医疗仪器促进协会)标准的标准。虽然对sbp来说，结果并不显著，但它仍然相当优越。对于sbp，在bhs标准测试中获得了b级，相比前有的研究这个效果目前是比较好的。如表1所示：
[0060]
表1本发明方法与bhs标准的比较
[0061]
[0062][0063]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0064]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0065]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0066]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。