[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

说明书

本发明公开了一种基于深度神经网络模型的无袖带血压预测系统，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。本发明通过对脉搏波信号和心电信号进行分析，实现对连续动态血压值进行无袖带预测。

技术领域

本发明属于生物信号处理领域，具体涉及一种基于深度神经网络模型的无袖带血压预测系统。

背景技术

高血压是导致大多数心血管疾病的主要因素，血压评估和动态检测对于及时了解高血压的发病情况具有重要意义。在对血压估计的研究中，现有的有袖带血压测量不能得到连续的血压值。所以，基于无袖带测量的血压连续估计技术成为了当前的一个技术研究热点。大量研究证明，使用光电体积描记图(plethysmography)和心电图(electrocardiogram)信号的组合输入可以有效地预测动态血压(ambulatory bloodpressure)。脉搏到达时间(pulse arrival time)的定义是在特定时间内内从心电信号的r峰到脉搏波的下一个谷值的时间延迟。脉搏波传导速度(pulse wave velocity)、脉搏传导时间(pulse transit time)、脉搏到达时间也用于与血压建立复杂的线性或非线性关系，从而计算动态血压值。

现有的技术包括了直接对血压与脉搏波传导时间或脉搏波传导速度做线性回归，这种直接的方法往往因为波形的特定点定位不够准确造成预测误差较大。使用滤波后的信号虽然能在一定程度上缓解这种情况，但由于简单的线性、非线性模型不足以评估复杂的血压变化规律，这种方法的性能往往不佳。

对于机器学习在此领域的应用上，早期的实验结论发现使用人为标定的带有医学含义的特征点作为模型的输入往往能够达到较好的预测精度。但由于需人工标定特征点提取位置，且需要具有一定的生物医学信号知识，故这种方法的代价过高。

目前在无袖带血压估计领域中，使用最广泛的组合结构是基于特征提取和时间相关性的模型。如全连接/卷积神经网络-循环神经网络/长短期记忆网络(单/双向)这类的组合搭配。由于基于前后序的特征输入和带有时序相关性，这种模型搭配容易受到波形不稳定的影响造成预测不准确，且被测样本容量往往比较低。

发明内容

为解决无袖带血压估计因依靠时序网络而具有的样本容量数较低、易受整体波形基线漂移和高频噪声影响的问题，本发明提供了一种基于深度神经网络模型的无袖带血压预测系统，在含有较多人数的数据集上通过脉搏波信号和心电信号对动态血压值进行稳定而可靠的预估。

本发明采用如下技术方案：

一种基于深度神经网络模型的无袖带血压预测系统，所述系统用于执行如下步骤：

步骤一，信号预处理。

A，训练数据集构建：

从数据库中提取被测者的数据，其中包含大量波形信息。由于每个样本的血流动力学信息是唯一的，通过观察分析周期形态也证实了相同的血压值可能对应不同的波形信息。因此，每个受试者将提供部分数据用于训练。这种分类方法保证了模型能够从每个受试者中提取够的波形特征信息。

B，信号预处理：

由于脉搏波、心电信号波形中含有较多的高低频噪音以及每个人在特定时间内所截取的信号周期不同的问题，需对生物信号进行预处理。

步骤B1，信号滤波，包括滤除高频噪声和低频噪声(基线漂移)。

步骤B2，信号定长切割。