一种基于多尺度卷积的连续血压估计方法

本发明涉及血压监测，具体为一种基于多尺度卷积的连续血压估计方法。

背景技术：

1、随着经济和社会水平的不断提高，尤其是不断加剧的人口老龄化问题，心血管疾病(cvd)已成为重大公共卫生问题，据2017年世界卫生组织发表的报告统计数据显示，cvd是世界上第一大死亡和致残原因，2016年约有1770万人死于cvd，与2006年相比死亡人数増加了14.5％。这给各国医疗和研究人员们敲响了警钟，亟待寻求某种解决或减少这种疾病的破坏性影响，高血压是导致cvd的直接因素，严重的高血压会致使患有cvd的风险急剧增加，据国家健康委发布的《中国心血管病报告2018》显示，中国心血管疾病的患病率及死亡率仍处于上升阶段，我国心血管疾病先患人数为2.9亿，死亡率居首位，农村心血管疾病占全部死因的比率为45.5％，其中高血压占80％以上，且持续保持年轻化趋势，由此可知，高血压已成为人类健康的第一杀手，若不采取措施，其患病率和死亡率将持续增长，因此，如何预防和治疗高血压已成为全社会研究学者关注的重大课题。

2、血压监测，主要对一个心动间期内，血压的最高值，收缩压(systolic bloodpressure,sbp)和血压的最低值，舒张压(diastolic blood pressure,dbp)值的估计来完成，目前，临床上对血压的检测手段大体上分为两种，分别是直接测量法和间接测量法，其中，直接测量法又称为有创血压监测，有创血压监测的测量方法主要是将导管一端插入到人体表皮血管内，另一端直接接通压力传感器。由于血液的流动撞击血管壁产生压力，随着科技发展和人类对生命质量要求提高，医疗领域也迎来了一场革命，可穿戴医疗技术的出现，给人们带来更加方便、高效、安全、舒适的生活方式，可穿戴医疗设备是指能够直接佩戴在人体上，通过传感器件辅助记录和分析人体信号，可移动、可穿戴可持续测量便捷式医疗健康电子设备，通过无创式的方法对血压进行连续估计。

3、但是目前现有的血压监测设备还存在一些明显缺点，通过大量研究发现，在血压监测技术上目前还存在的最突出的问题为：收缩压(sbp)的估计精度普遍且明显高于舒张压(dbp)的估计精度，本技术主要针对这一问题提出解决方法。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于多尺度卷积的连续血压估计方法，解决了传统有创式方法对患者带来的伤害、袖带式带来的不适性和传统学习方法存在的收缩压(sbp)精度明显低于舒张压(dbp)精度的问题。

3、(二)技术方案

4、本发明为了实现上述目的具体采用以下技术方案：

5、一种基于多尺度卷积的连续血压估计方法，该方法包括以下步骤：

6、步骤a、利用血压数据库中的血压数据对模型进行训练；

7、步骤b、光电容积脉搏信号和心电信号采集；

8、步骤c、将采集到的两路信号进行降噪滤波；

9、步骤d、利用窗函数对ppg和ecg进行分段；

10、步骤e、将步骤d得到的ecg和ppg输入到多尺度卷积神经网络模型中进行收缩压(sbp)和舒张压(dbp)的估计。

11、进一步地，所述步骤a分为:

12、步骤a1，从血压测试数据库中获取样本数据，所述样本数据包括脉搏波(ppg)、心电信号(ecg)和有创动脉血压信号(abp)，其采样频率fs＝125；

13、步骤a2，搭建基于多尺度卷积的血压估计网络，所述基多尺度卷积的血压估计网络包括多尺度卷积神经网络、横向链接模块和回归分析模块构成，其模型整体架构如图1所示；

14、步骤a3，将所述样本带入所述血压估计网络进行训练，获得血压估计网络的权重参数，获得训练后的血压估计网络。

15、进一步地，所述步骤b还分为：

16、步骤b1，将ecg采集模块电极贴片粘贴到受试者胸部和腹部相应位置，将ppg采集模块放置在受试者食指指尖位置；

17、步骤b2，受试者应处于静坐状态，受测前30分钟内不剧烈运动，在平静状态下进行测量；

18、步骤b3，同步采集受试者平静状态下的ecg和ppg信号，获得实时测试数据的信号输出。

19、进一步地，所述步骤c还分为：

20、步骤c1，ppg去基线漂移，三次样条插值法是应用最为广泛的去基线漂移算法，三次样条插值实际上是一种分段的多项式插值，给定一个血压信号数据集n，将这个数据集合分成n-1段，然后在相邻两个数据点之间构建三次多项式进行拟合；

21、步骤c2，ecg信号去除肌电干扰，肌电信号的干扰是由肌肉纤维的颤抖引起的，其持续时间较短，电压范围小，肌电干扰会发生在较宽的频带内，但其主要集中分布在30～300hz范围内，而ecg信号主要频率集中在0～45hz之间，所以肌电干扰会与ecg信号发生频谱混叠，用高频滤波器对45hz以上的频率分量进行滤除；

22、步骤c3，ecg信号的工频干扰抑制，工频干扰是ecg信号主要干扰源，国内工频干扰主要集中在50hz左右，利用陷波器可以滤除工频干扰；

23、步骤c4，ecg信号的去基线漂移，由于心电信号采用贴片式电极进行信号采集，所以受试者在采集过程中轻微的抖动都会对心电信号产生微弱的低频干扰，导致ecg信号上下波动，不在一条直线上，通过低通巴特沃斯滤波器将产生基线漂移的低频分量滤除出来，用原始信号减去低频分量即可去除基线漂移。

24、进一步地，所述步骤e还分为：

25、步骤e1，处理好的数据首先经过矩阵变换(如利用reshape函数)调整函数的行数、列数、维数；

26、步骤e2，心电信号(ecg)和脉搏信号(ppg)经过三个尺度的卷积计算，输入信号首先经过第一层卷积，第一层卷积的卷积核大小为256，对w1波段进行卷积，提取到输入信号的高频信息c1；

27、步骤e3，经过第一层卷积操作之后，其输出尺寸会变小，此时进行第二层卷积，第二层卷积核大小为64，对w3波段进行卷积，提取到输入信号的中频信息c2；

28、步骤e4，经过第二层卷积操作之后，输出尺寸再一次变小，此时再对信号进行第三层卷积，第三层卷积核大小为32，对w2波段进行卷积，提取到输入信号的低频信息c3；

29、步骤e5，为确保特征金字塔中的特征可以正常输入到下一模块，必须确保其中的每个特征的维度相同，为得到特征金字塔，需要对{c1,c2,c3}进行处理，其处理过程如下所示：

30、fi＝gi(ci,θg,i)

31、其中，g(·)表示特征向量的降维过程，ci表示卷积神经网络的第i层输出，θg,i是横向连接层的可训练参数，fi是横向链接模块的输出，经过横向连接模块之后，特征向量被统一为相同的特征维度，构成特征金字塔，在此网络模型中，特征维度最终被同一为64；

32、特征维度被统一之后，特征金字塔将被输入到回归分析模块，回归分析模块采用对特征金字塔做回归分析，并输出最后估计的血压波形，本模块可以分析特征金字塔中的时间序列中上下文之间的关系，根据时间关系和波形的时频特征对血压进行估计；

33、步骤e6，将特征向量f1,f2,f3输入一层bilstm，bilstm模块可以同时分析特征金字塔中的时间序列相关的上下文信息，通过bilstm更好的捕捉双向语义依赖，bilstm层的输出维度为128；

34、步骤e7，经过全连接层(fc)，将bilstm的128维的输出特征整合到一起，输出为一个值，即动脉血压(abp)，经过全连接层可以大大减少特征位置对于回归带来的影响；

35、步骤e8，经过fc的输出，abp信号中包含收缩压(sbp)和舒张压(dbp)的信息，具体信息为，abp的峰值即当前血压的收缩压(sbp)，abp的谷值即当前血压的舒张压(dbp)，经过峰谷值提取，即可提取到当前血压的(收缩压)sbp和(舒张压)dbp。

36、(三)有益效果

37、与现有技术相比，本发明提供了一种基于多尺度卷积的连续血压估计方法，具备以下有益效果：

38、本发明，我们以脉搏信号(ppg)和心电信号(ecg)作为信号输入，经过信号处理和多尺度卷积神经网络模型对输入信号进行特征提取进行血压估计，本发明提出的基于多尺度卷积的神经网络，通过多尺度卷积神经网络利用三个不同尺度的卷积核对输入信号(ecg、ppg)进行时频域上的特征提取，以提取到更加精准且丰富的特征向量，经过横向连接模块，对三个尺寸的特征进行维度统一，构建特征金字塔，并通过回归分析模块对特征金字塔进行回归分析得到收缩压(sbp)和舒张压(dbp)。