基于PPG信号和深度学习算法的DPN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信号和深度学习算法的dpn筛查模型的构建方法。

背景技术：

1、糖尿病周围神经病变dpn是糖尿病最常见的微血管并发症之一，也是糖尿病足溃疡和截肢的主要原因。在糖尿病患者中，约50％的糖尿病患者会发展为dpn。通过早期筛查出dpn患者并进行干预，可以预防或延缓糖尿病足的发生。神经传导速度ncv是dpn筛查的“金标准”方法，能够直接反映神经功能的变化。然而，ncv检查具有侵入性且检查费用较贵，并没有成为dpn的常规筛查手段。因此，需要发展一种对受试者更加友好的dpn筛查新技术。

2、ppg信号的本质是左心室射血产生的血流经周身动脉树和毛细血管床传导，形成的血液容积信号在体表被检测。沿途动脉的结构与弹性、神经功能、微循环状态等，都会对ppg波形信号的最终形态产生影响。因此，ppg信号形态具有反映神经功能变化的潜力，可用于dpn的早期筛查。然而，传统机器学习方法在构建dpn筛查模型时，需要先从ppg信号中提取出相关特征，而人工设计和提取特征具有局限性和复杂性。

技术实现思路

1、为解决现有dpn筛查中存在的准确率低，需要人工设计和提取特征，筛查中存在侵入性和耗时较长，需要专业医师进行操作，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在保证高精度的同时，能够实现dpn的无创快速筛查，大大降低dpn筛查的操作难度和检测费用的基于ppg信号和深度学习算法的dpn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信号和深度学习算法的dpn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信号和人体生理特征，由ppg信号和人体生理特征组成实验数据集；

4、(2)对获取的实验数据集进行预处理，得到预处理后的实验数据集；

5、(3)基于预处理后的实验数据集构建神经网络模型，输出dpn筛查结果；

6、(4)采用性能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信号为受试者脚趾ppg信号；所述人体生理特征包括年龄、性别、bmi、糖尿病史、临床症状、糖尿病病程、血糖控制情况、糖尿病家族史、血管病变情况，所述血管病变情况包括高血压、心血管疾病史、视网膜病变史和肾病史。

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)使用小波变换将去除噪声后的ppg信号转换为对应的时频图即ppg时频图，所述ppg时频图、去除噪声后的ppg信号和人体生理特征共同组成预处理后的实验数据集；

11、所述小波变换为连续小波变换，公式如下：

12、

13、其中，<,>为内积运算，为的复函数；对于信号x(t)，cwtx(a,b)表示信号x(t)经过小波变换后的形式，ψa,b为小波基函数，a和b均为连续变量，a为缩放因子，决定基函数的频率或尺度；b为平移因子，决定基函数在时间轴上的位置。

14、在步骤(3)中，所述神经网络模型分为三个部分：第一部分为用于从ppg信号中提取第一特征即feature1的一维卷积神经网络，一维卷积神经网络由两个串联的卷积块和一个全连接层组成，每个卷积块包括一个一维卷积层、一个归一化层和一个最大池化层；第二部分包括二维卷积神经网络和注意力机制模块，所述二维卷积神经网络由五个卷积块和一个全连接层组成，每个卷积块包括一个一维卷积层、一个归一化层和一个最大池化层，第二个卷积块和第四个卷积块后引入注意力机制模块，第二部分用于从ppg时频图中提取第二特征即feature2，注意力机制模块由通道注意力模块和空间注意力模块组成；将二维卷积神经网络输出的特征图f依次经过通道注意力模块和空间注意力模块，特征图f依次与通道权重系数mc和空间权重系数ms进行逐元素相乘，得到注意力图运算后的特征图f”；第三部分为分类器，分类器将获得的特征feature1和feature2，与人体生理特征进行拼接，将拼接后的特征输入到分类器进行分类；将预处理后的实验数据集按照6:2:2的比例划分为训练集、验证集和测试集，将训练集输入到构建的神经网络模型中，验证集用于对神经网络模型进行调优，最后将测试集输入神经网络模型中，输出dpn筛查结果即dpn筛查概率，若输出dpn筛查概率小于0.5，则表示预测为阴性，即不存在dpn，若输出dpn筛查概率大于0.5，则表示预测为阳性，即存在dpn。

15、在步骤(4)中，所述的性能评估指标包括准确率accurancy、灵敏度sensitivity、特异度specificity、假阳率fp_rate、真阳率tp_rate、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、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。

22、由上述技术方案可知，本发明的有益效果为：第一，本发明采用ppg信号进行筛查，在保证高准确率的同时也避免了传统dpn筛查方式的侵入性及其不适感；第二，本发明考虑到ppg信号中还包含了丰富的频率信息，采用小波变换获得ppg信号的时频分布信息，并充分融合了时频分析、注意力机制与深度学习的优势，解决了人工设计和提取ppg特征方法具有局限性和复杂性的问题，有利于提高dpn筛查的准确率，取得了很好的筛查效果，降低了dpn筛查难度，使dpn筛查变得方便快捷。

技术特征：

1.一种基于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：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信号和深度学习算法的dpn筛查模型的构建方法，其特征在于：在步骤(1)中，所述ppg信号为受试者脚趾ppg信号；所述人体生理特征包括年龄、性别、bmi、糖尿病史、临床症状、糖尿病病程、血糖控制情况、糖尿病家族史、血管病变情况，所述血管病变情况包括高血压、心血管疾病史、视网膜病变史和肾病史。

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三个部分：第一部分为用于从ppg信号中提取第一特征即feature1的一维卷积神经网络，一维卷积神经网络由两个串联的卷积块和一个全连接层组成，每个卷积块包括一个一维卷积层、一个归一化层和一个最大池化层；第二部分包括二维卷积神经网络和注意力机制模块，所述二维卷积神经网络由五个卷积块和一个全连接层组成，每个卷积块包括一个一维卷积层、一个归一化层和一个最大池化层，第二个卷积块和第四个卷积块后引入注意力机制模块，第二部分用于从ppg时频图中提取第二特征即feature2，注意力机制模块由通道注意力模块和空间注意力模块组成；将二维卷积神经网络输出的特征图f依次经过通道注意力模块和空间注意力模块，特征图f依次与通道权重系数mc和空间权重系数ms进行逐元素相乘，得到注意力图运算后的特征图f”；第三部分为分类器，分类器将获得的特征feature1和feature2，与人体生理特征进行拼接，将拼接后的特征输入到分类器进行分类；将预处理后的实验数据集按照6:2:2的比例划分为训练集、验证集和测试集，将训练集输入到构建的神经网络模型中，验证集用于对神经网络模型进行调优，最后将测试集输入神经网络模型中，输出dpn筛查结果即dpn筛查概率，若输出dpn筛查概率小于0.5，则表示预测为阴性，即不存在dpn，若输出dpn筛查概率大于0.5，则表示预测为阳性，即存在dpn。

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，所述的性能评估指标包括准确率accurancy、灵敏度sensitivity、特异度specificity、假阳率fp_rate、真阳率tp_rate、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信号和深度学习算法的DPN筛查模型的构建方法，包括：获取PPG信号和人体生理特征，由PPG信号和人体生理特征组成实验数据集；对获取的实验数据集进行预处理，得到预处理后的实验数据集；基于预处理后的实验数据集构建神经网络模型，输出DPN筛查结果；采用性能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信号进行筛查，在保证高准确率的同时也避免了传统DPN筛查方式的侵入性及其不适感；解决了人工设计和提取PPG特征方法具有局限性和复杂性的问题，有利于提高DPN筛查的准确率，取得了很好的筛查效果，降低了DPN筛查难度，使DPN筛查变得方便快捷。

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：2024/1/15