[发明专利]一种基于PPG信号的无创式甘油三酯估计系统

说明书

本发明公开了一种基于PPG信号的无创式甘油三酯估计系统，包括：数据采集模块，用于采集PPG信号，样本数据包括用专业传感器采集的病人指尖PPG信号，记录下对应病人的甘油三酯指标；数据预处理模块，对采集到的指尖PPG信号进行单周期分割，并去除由于运动、光线等干扰而测量出的无效样本；神经网络搭建模块，搭建用于训练和预测的卷积神经网络；模型训练模块，将所述样本数据的部分带入该卷积神经网络进行训练，更新网络权重参数，获得训练后的神经网络模型，将保留的另一部分样本作为测试进行预测分析。本发明对于所属样本预测的平均绝对误差较小，能够实现甘油三酯指标的准确测量，且无创便捷，稳定有效。

技术领域

本发明属于生理参数测量技术领域，具体涉及一种基于PPG(光电容积描记法，简称PPG)信号的无创式甘油三酯估计系统和方法。

背景技术

血脂是血浆中的甘油三酯和类脂的总称，广泛存在于人体中，血清甘油三酯测定是血脂分析的常规项目。甘油三酯是甘油和3个脂肪酸所形成的脂，其参与着人体内各种能量的代谢过程，正常情况下，血浆中的甘油三酯保持着动态平衡。

甘油三酯值是具有重要临床意义的生命体征之一。高甘油三酯血症会形成血栓，导致血管堵塞，是冠心病、心肌梗死、脑梗死等心血管疾病的重要危险因素。据国家心血管病中心2019年统计显示，我国甘油三酯异常人数已经超过4亿人。随着人们生活水平的提高、饮食结构改变及生活节奏加快、压力增加，“三高”问题逐渐严重，仅甘油三酯异常一项，患病率就高达40.4％。因此，积极的预防和控制高甘油三酯是缓解心血管疾病的一项重要举措，而对甘油三酯值的长期监测在临床医疗、健康管理等领域具有至关重要的作用。

目前获取甘油三酯指标的获取基本都是采用抽血化验的方式。这种采集方式虽然精度较高且稳定，但是不仅需要专业的医护人员手动操作、有创易让人产生不适，而且耗时不便，不利于病情的早发现早治疗，不适合居家使用。

光电容积描记术(PPG)是一种新型的光电检测方法，它通过光电设备照射活体组织后测量反射光强度的方式，检测微动脉、脉细血管中血液的容积变化，从中提取出PPG信号，最后重建脉搏波、心率、血氧饱和度等生理参数值，其有着低成本、易操作等优点，被广泛应用于计算机视觉和视频医学等领域。深度学习是基于人工神经网络的更广泛的机器学习方法族的一部分。深度学习架构，例如深度信念网络、循环神经网络和卷积神经网络，已经被应用于包括计算机视觉、生物信息学、药物设计等在内的各个领域，现已应用于心率、血压等心血管参数的测量。但以上技术均没有涉及到甘油三酯等血脂指标的检测。

现有专利CN111329492A中提出了一种基于近红外光谱的血脂估计方法，通过大量数据拟合光谱特征峰，检测出人体实时血脂值，但也存在着设备方法复杂、检测结果不稳定、检测精度不高等缺陷。目前尚未见到对上述问题所进行解决或改进的方法或技术。

发明内容

针对现有方法的以上缺陷或改进需求，本发明的目的在于提供一种基于PPG信号的无创甘油三酯估计系统，其能够实现甘油三酯的无创检测，结果稳定，准确度高，从而解决现有技术中有创式甘油三酯检测繁琐不适的问题。

为了解决上述技术问题，本发明提供了一种基于PPG信号的无创甘油三酯估计系统，具体包括以下模块：

数据采集模块，为方便实验需求，本发明使用的是从医院心血管科采集的样本数据，实际操作可直接采集PPG信号，所述样本数据包括用专业传感器采集的病人指尖PPG信号，记录下的病人甘油三酯指标；

数据预处理模块，对采集到的指尖脉搏波信号进行单周期分割，并去除运动、光线等干扰而测量出的无效样本；

神经网络搭建模块，搭建用于训练和预测的卷积神经网络；

模型训练模块，将所述样本数据的部分带入该卷积神经网络进行训练，更新网络权重参数，获得训练后的神经网络模型，将保留的另一部分样本作为测试进行预测分析；