[发明专利]一种基于深度神经网络模型的无袖带血压预测系统

权利要求书

1.一种基于深度神经网络模型的无袖带血压预测系统，其特征在于，所述系统用于执行如下步骤：

接收包括脉搏波信号和心电信号的数据集；

对接收到的脉搏波信号和心电信号进行预处理，获得可用信号；所述预处理包括信号滤波、定长切割、峰值切割/波谷切割、重采样和获取标签值；

将所述可用信号输入深度神经网络模型，获得预测的收缩压值和舒张压值；所述深度神经网络模型包括依次连接的卷积适应层、带有压缩激励模块的残差网络和全连接层；所述卷积适应层的输入为所述可用信号；所述全连接层的输出为所述收缩压值和舒张压值。

2.根据权利要求1所述的基于深度神经网络模型的无袖带血压预测系统，其特征在于，所述数据集包括若干不同被测者的数据集，每个被测者的数据集长度能够满足分割要求。

3.根据权利要求1所述的基于深度神经网络模型的无袖带血压预测系统，其特征在于，所述预处理，具体包括：

步骤B1，信号滤波；

步骤B2，对滤波后的信号进行定长切割，获得定长切割信号；

步骤B3，对所述定长切割信号进行峰值切割以及重采样；

步骤B4，获取步骤B3处理后的峰值切割信号范围，计算对应血压值作为模型标签；

步骤B1中，信号滤波的方法包括低通滤波和高通滤波组合方法，或者，包括带通滤波方法；还包括小波变换或平滑滤波方法；

步骤B2中，选取合适的定长窗口大小对波形信号进行切割；

步骤B3中，对从步骤B2得到的定长切割信号，每固定峰值数做一次峰值切割；每次得到两组带有固定波峰数的信号片段；两组带有固定波峰数的信号片段分别为脉搏波信号和心电信号；

步骤B4中，获取步骤B3标定的峰值范围，由于脉搏波和心电信号的峰值不一定吻合，故范围设定在步骤B3中峰值范围的并集，在这个并集中对动态血压值取波峰和波谷处的值即收缩压和舒张压，作为模型的标签值。

4.根据权利要求3所述的基于深度神经网络模型的无袖带血压预测系统，其特征在于，步骤B2中，采用固定点不重叠的窗口。

5.根据权利要求3所述的基于深度神经网络模型的无袖带血压预测系统，其特征在于，步骤B4中，利用一个周期内脉搏波信号和心电信号的最大范围来提取动态血压的边界；令x1…xn代表脉搏波的采样点范围，z1…zn代表心电信号的采样点范围，则动态血压的提取边界为[min(x1，z1)，max(xn，zn)]，舒张压和收缩压标签值分别对应该动态血压范围内的波谷和波峰。

6.根据权利要求1所述的基于深度神经网络模型的无袖带血压预测系统，其特征在于，所述卷积适应层包括依次连接的卷积层、批处理标准化层和最大池化层；所述卷积适应层的卷积核大小需要根据脉搏波信号和心电信号的特征点长度来调整；具体的大小由重采样点确定，即感受野包括脉搏波信号和心电信号的特征点。

7.根据权利要求1所述的基于深度神经网络模型的无袖带血压预测系统，其特征在于，带有压缩激励模块的残差网络的卷积块采用1*1、3*3和1*1的结构实现，这些模块均带有压缩激励模块结构以加强其通道上的注意力能力；通道增长数量设计为1～128，用于防止复杂模型引起的过拟合；带有压缩激励模块的残差网络的激活函数包括ReLu、sigmoid或tanh；比率r可设置。

8.根据权利要求1所述的基于深度神经网络模型的无袖带血压预测系统，其特征在于，使用全连接层对带有压缩激励模块的残差网络输出的特征数据进行整合，全连接层输出维度为2，分别对应收缩压和舒张压；全连接层的激活函数使用sigmoid，使输出归一化，以与标签值计算误差。

9.根据权利要求1所述的基于深度神经网络模型的无袖带血压预测系统，其特征在于，还包括：采用平均误差、平均绝对误差、均方根误差和皮尔森相关系数对模型的训练性能进行评估，具体如下：

其中，N等于2；i取不同值，P_i分别表示深度神经网络模型模型输出的收缩压值和舒张压值，Y_i分别表示收缩压的标签值和舒张压的标签值；ME表示平均误差；MAE表示平均绝对误差；RMSE表示均方根误差；R表示皮尔森相关系数；conv(P_i,Y_i)表示协方差；表示P_i的标准差；表示Y_i的标准差。