基于PPG信号和深度学习的糖尿病足筛查模型的构建方法与流程

本发明涉及深度学习，尤其是一种基于ppg信号和深度学习的糖尿病足筛查模型的构建方法。

背景技术：

1、ppg信号是动脉血液容积随心脏搏动变化的记录，其波形形态受动脉、神经、微循环功能等共同调控，因此ppg信号中蕴含了丰富的病理生理信息，可利用光电技术来采集。ppg传感器中的led发射绿光穿过皮肤中的组织和动脉静脉，并被吸收和反射回到光电二极管pd中，由于动脉中有血液的流动，所以对光的吸收有所变化，而骨骼、肌肉、静脉和其他连接组织等对光的吸收基本是不变的，于是将光转换为电信号，由于动脉对光的吸收有变化而其他组织对光的吸收基本不变，所得到的信号就可以分为直流信号和交流信号，提取交流信号，就能反映出血液流动的特点。

2、糖尿病足具有高致残、致死率的特点，截至2021年我国糖尿病足患者数量达到百万。糖尿病足发病隐匿，病情复杂，而且发展迅速，通过早期筛查出神经病变等糖尿病足危险因素，并进一步采取针对性的干预措施，可以有效预防足溃疡的发生。通过对糖尿病足患者进行早期诊断，可以使糖尿病足患者得到及时诊疗，避免诊断延迟带来的不良后果。在糖尿病足诊断研究中，可获得的糖尿病足患者的数量要远少于非糖尿病足患者，导致研究数据集中两种类别的数据量严重不平衡。现有的深度学习方法在处理分类问题时，会优先考虑获得高准确率，面对类别严重不平衡的数据集时，往往会导致小样本类别被错分，从而使分类准确率很高，但灵敏度较低，无法将患病人群准确识别出来。在糖尿病足诊断中，如果大量糖尿病足患者被错分，可能会延误最佳治疗时机而造成不良后果，失去了早期诊断的意义。因此，急需研发出一种更加方便快捷、准确率高且灵敏度高的初发糖尿病足的筛查技术，使其更容易满足大规模人群的筛查需求。

技术实现思路

1、为解决初发糖尿病足筛查中存在的由于糖尿病足患者与非糖尿病足患者的样本数量不均衡分类，导致模型准确率高但灵敏度低，无法将患病人群准确识别出来，且无法在大众生活中普及和推广的问题，本发明的目的在于提供一种使初发糖尿病足筛查更加便利快捷，准确率和灵敏度更高的基于ppg信号和深度学习的糖尿病足筛查模型的构建方法。

2、为实现上述目的，本发明采用了以下技术方案：一种基于ppg信号和深度学习的糖尿病足筛查模型的构建方法，该方法包括下列顺序的步骤：

3、(1)获取ppg信号以及受试者的人体生理参数，由ppg信号和人体生理参数组成初始数据集；

4、(2)对获取的初始数据集进行预处理，得到实验数据集；

5、(3)基于实验数据集构建神经网络模型，并输出初发糖尿病足筛查概率；

6、(4)根据初发糖尿病足筛查概率，采用评估指标对神经网络模型的性能进行验证，证明其有效性。

7、在步骤(1)中，所述ppg信号是指受试者左、右脚两侧脚趾的ppg信号，所述人体生理参数包括年龄、性别、bmi、糖尿病病程、糖尿病家族史、糖尿病联合治疗、血糖控制状态、心血管疾病患病情况和高血压患病情况。

8、所述步骤(2)具体包括以下步骤：

9、(2a)对ppg信号中的高频噪声、基线漂移和运动伪迹进行消除，得到去除噪声后的ppg信号；

10、(2b)采用划窗法对去除噪声后的ppg信号进行分段，分成糖尿病足信号段和非糖尿病足信号段。

11、在步骤(3)中，所述神经网络模型分为两个部分，第一部分为用于ppg信号特征提取的一维卷积神经网络，一维卷积神经网络由对lenet-5卷积神经网络模型进行改进得到，一维卷积神经网络由一个输入层、两个卷积层、两个最大池化层和一个全连接层组成，所述输入层用于接收一维ppg信号段，所述卷积层为ppg信号的特征提取器；在一维卷积神经网络中引入focal loss损失函数，所述focal loss损失函数由对二元交叉熵损失函数进行改进得到，通过在二元交叉熵损失函数中增加参数α来调节正、负样本权重，引入调节因子γ调节模型聚焦于难分样本的程度，focal loss损失函数的公式如下：

12、

13、其中，y′是预测值，y是真实样本类别即真实目标值；

14、所述神经网络模型第二部分为分类器，所属分类器采用全连接层，将第一部分输出的ppg特征与人体生理特征进行拼接，然后输入到全连接层进行分类；将实验数据集按照7:1:2的比例划分为训练集、验证集和测试集，分别用于模型训练、参数调优和性能评估，最后将测试集输入神经网络模型中，输出初发糖尿病足筛查概率，若输出初发糖尿病足筛查概率小于0.5，则表示未发生初发糖尿病足，若输出初发糖尿病足筛查概率大于0.5，则表示初发糖尿病足风险很大。

15、在步骤(4)中，所述的评估指标包括准确率accurancy、灵敏度recall、特异度specificity、精确度precision、假阳率fp_rate、真阳率tp_rate、f1值即f1score、受试者工作特征roc曲线和roc曲线下面积auroc值，评价指标公式如下：

16、

17、

18、

19、

20、

21、

22、

23、其中，tp和tn分别为真阳性和真阴性，fp和fn分别为假阳性和假阴性；受试者工作特征roc曲线是以假阳率fp_rate为横坐标、真阳率tp_rate为纵坐标画的曲线；roc曲线下面积auroc值为受试者工作特征roc曲线与x轴所围成的面积，x轴是横坐标所在的轴。

24、由上述技术方案可知，本发明的有益效果为：第一，从受试者角度，本发明采用ppg信号和易获得的人体生理学指标进行筛查，减少了繁杂昂贵的临床检查，就可以准确的获得初发糖尿病足的筛查结果；第二，从临床应用角度，本发明很大程度的避免了医疗资源浪费，减少了医护人员负担，简便经济，具有普适性，即使在医疗资源匮乏的地区也可以落地实施；第三，从模型性能角度，在保证高准确率的同时，也避免了在糖尿病足诊断研究中，由于可获得的糖尿病足患者的数量要远少于非糖尿病足患者，导致研究数据集中两种类别的数据量严重不平衡的问题，提高了模型的灵敏度，可以更加准确的将患病人群识别出来。

技术特征：

1.一种基于ppg信号和深度学习的糖尿病足筛查模型的构建方法，其特征在于：该方法包括下列顺序的步骤：

2.根据权利要求1所述的基于ppg信号和深度学习的糖尿病足筛查模型的构建方法，其特征在于：在步骤(1)中，所述ppg信号是指受试者左、右脚两侧脚趾的ppg信号，所述人体生理参数包括年龄、性别、bmi、糖尿病病程、糖尿病家族史、糖尿病联合治疗、血糖控制状态、心血管疾病患病情况和高血压患病情况。

3.根据权利要求1所述的基于ppg信号和深度学习算法的dpn筛查模型的构建方法，其特征在于：所述步骤(2)具体包括以下步骤：

4.根据权利要求1所述的基于ppg信号和深度学习算法的dpn筛查模型的构建方法，其特征在于：在步骤(3)中，所述神经网络模型分为两个部分，第一部分为用于ppg信号特征提取的一维卷积神经网络，一维卷积神经网络由对lenet-5卷积神经网络模型进行改进得到，一维卷积神经网络由一个输入层、两个卷积层、两个最大池化层和一个全连接层组成，所述输入层用于接收一维ppg信号段，所述卷积层为ppg信号的特征提取器；在一维卷积神经网络中引入focal loss损失函数，所述focal loss损失函数由对二元交叉熵损失函数进行改进得到，通过在二元交叉熵损失函数中增加参数α来调节正、负样本权重，引入调节因子γ调节模型聚焦于难分样本的程度，focalloss损失函数的公式如下：

5.根据权利要求1所述的基于ppg信号和深度学习算法的dpn筛查模型的构建方法，其特征在于：在步骤(4)中，所述的评估指标包括准确率accurancy、灵敏度recall、特异度specificity、精确度precision、假阳率fp_rate、真阳率tp_rate、f1值即f1score、受试者工作特征roc曲线和roc曲线下面积auroc值，评价指标公式如下：

技术总结
本发明涉及一种基于PPG信号和深度学习的糖尿病足筛查模型的构建方法，包括：获取PPG信号以及受试者的人体生理参数，组成初始数据集；对获取的初始数据集进行预处理；构建神经网络模型，并输出初发糖尿病足筛查概率；采用评估指标对神经网络模型的性能进行验证，证明其有效性。本发明采用PPG信号和易获得的人体生理学指标进行筛查，减少了繁杂昂贵的临床检查，就可以准确的获得初发糖尿病足的筛查结果；本发明很大程度的避免了医疗资源浪费，减少了医护人员负担，简便经济，具有普适性，即使在医疗资源匮乏的地区也可以落地实施；在保证高准确率的同时提高了模型的灵敏度，可以更加准确的将患病人群识别出来。

技术研发人员：马祖长,张小玉,王昕,孙怡宁
受保护的技术使用者：安徽脉旺智能科技有限公司
技术研发日：
技术公布日：2024/1/5