[发明专利]一种基于生成对抗网络的有创血压波形估计的方法及系统

说明书

本发明提供了一种基于生成对抗网络的有创血压波形估计的方法及系统，包括：采集待测用户的光电容积脉搏波信号；将其输入至训练好的血压波形估计监测模型中，得到待测用户的有创血压波形。模型构建方法包括：采集光电容积脉搏波信号及连续血压波形信号并进行数据预处理，得到预处理数据；基于生成对抗网络原理构建生成器和判别器，生成器融合空间‑时间注意机制以提高血压波生成形精度，判别器通过全卷积层增加血压波形感知场以提高波形判别能力；利用预处理数据对网络模型进行训练，得到训练好的血压波形估计监测模型。本发明利用生成对抗网络原理实现了高精度的血压波形估计，基于无创方式采集的光电容积脉搏波，获得高精度有创血压波形。

技术领域

本发明涉及人工智能技术领域，特别是涉及一种基于生成对抗网络的有创血压波形估计的方法及系统。

背景技术

最新的世界卫生组织的数据库显示，在过去的20年里，中低收入国家的心血管疾病死亡率增加了近50％，预计发病率比高收入国家高出约30％。开发低成本的连续流动血压(blood pressure，BP)监测技术可以减轻护理负担，有效改善预后效果，从而降低死亡率。血压波形的变化提供了有关个人动态心血管状况的大量信息。这些信息可以帮助快速诊断心血管功能不全，并监测对用于纠正低血压或高血压的不规则药物的反应，以防止其发展。

有创的肱动脉插管是获得连续血压波形的金标准，其会导致疼痛和感染风险。因此，无创血压监测更适合于重症监护室(intensive care unit，ICU)以外的健康管理。然而，无创监测方法通常需要袖带，如听诊法和示波法，这些技术方法在测试过程中会使袖带充气并阻塞血管，不利于血压的长期监测。新颖的无袖带血压测量方法通过先进的传感技术，如光电容积脉搏波(photoplethysmography,PPG)、雷达或超声波来获取脉搏波形。根据脉搏波速度(pulse wave velocity,PWV)理论，也可以选择结合球状心电图(ballistocardiogram，BCG)或心电图(electrocardiogram，ECG)信号。特别是基于脉搏传导时间(pulse transient time，PTT)的血压值预测方法，由于PPG能够利用光学特性反映潜在的血液动力学信息，因此具有实现高精确度估计BP的潜力。然而，获取ECG信号需要额外的传感器或粘性电极放置，而且潜在的不适和感染风险限制了长期监测的需要。此外，这些方法通过抽象的统计学特征拟合血压数值(如获得离散的收缩压和舒张压的数值)，因此不便于估计连续的血压波形。

最近，在深度学习应用于各领域的成功案例的激励下，一些技术方法或研究试图建立无创血压波形估计的方法。与需要手动提取PPG形态特征的传统机器学习方法相比，使用深度学习方法的优势来自于从PPG信号中自动学习映射到BP波形的最佳特征的数据驱动性质。现有的估计BP波形的方法包括自回归模型，深度卷积自动编码器(deepconvolutional autoencoder，DCAE)，以及医学图像分割中的UNet和V-Net模型。自回归模型通过PPG信号前后的采样点进行序列预测，只考虑一个方向的波形细节。此外，Aguiree等人提出的序列到序列(sequence-to-sequence，Seq2Seq)模型对收缩压(systolic BP，SBP)的标准偏差误差(standard deviation error，SDE)为15.67mmHg，不能满足美国医疗仪器协会(The Association for the Advancement of Medical Instrumentation，AAMI)标准(SDE不应超过8mmHg)。