一种基于CRNN-BP的血压值智能测量方法技术

一种基于CRNN‑BP的血压值智能测量方法，该方法主要包括：a)对于真实的数据进行预处理操作；b)预处理后的数据作数据标准化并基于CRNN‑BP模型建立脉搏波序列信号和血压值的一种非线性数学映射关系；c)利用训练好的CRNN‑BP模型对真实脉搏波特征进行智能血压值测量；所述的步骤a)中，对于真实的数据进行预处理操作，具体包括：去除基线漂移、心动周期划分、噪声样本去除，其中：（1）：使用MIMIC数据库中真实人体生理数据作为实验样本，采用频率125HZ；对于采集到的PPG信号用小波分解的方法去除基线漂移，然后去除信号低频部分，达到去除基线的目的；（2）：对于步骤（1）处理完的数据联合采集的ABP脉搏波信号进行心动周期划分，并依据时间关系将同属于一个心动周期的PPG和ABP信号进行合并；（3）：使用基于规则的方法对波形形态存在明显异常的心动周期进行去除；本发明专利技术能做到测量简单、检测精度高，更适用于心血管疾病的跟踪检测；同时对于未患有心血管疾病的正常人也能起到一定的监测作用。

An Intelligent Blood Pressure Measurement Method Based on CRNN-BP

An intelligent blood pressure measurement method based on CRNN BP is proposed. The method mainly includes: a) pretreatment of real data; b) standardization of pretreated data and establishment of a non-linear mathematical mapping relationship between pulse sequence signals and blood pressure values based on CRNN BP model; c) intelligent blood pressure values based on trained CRNN BP model for real pulse wave characteristics. In step a, the pretreatment operation for real data includes: removing baseline drift, cardiac cycle division and noise sample removal, in which: (1) using real human physiological data in MIMIC database as experimental sample, using frequency 125 HZ; removing baseline drift by wavelet decomposition for collected PPG signal, and then removing the signal. In order to remove baseline, (2) divide the cardiac cycle of ABP pulse wave signals which are jointly collected from processed data, and merge PPG and ABP signals which belong to the same cardiac cycle according to the time relationship; (3) remove the cardiac cycle which has obvious abnormal waveform shape by rule-based method; It is simple and accurate, and more suitable for the follow-up detection of cardiovascular diseases. At the same time, it can also play a monitoring role for normal people without cardiovascular diseases.

【技术实现步骤摘要】
一种基于CRNN-BP的血压值智能测量方法
本专利技术涉及的是一种基于CRNN-BP的血压值智能测量方法，属于血压值(舒张压和收缩压)的智能测量领域。
技术介绍
血压是指血液流经血管时对血管壁产生的压力，是一项重要的生理参数，可以反映人体心血管的功能状态，在临床上是诊断相关疾病的重要依据。动脉血压呈现周期性波动，在一个心动周期内，最大值称为收缩压(SystolicBloodPressure，SBP)，最小值称为舒张压(DiastolicBloodPressure，DBP)。到目前为止，很多文献都提出了利用脉搏波的波形对血压进行连续监测的方法，对于高血压的预防及诊断具有非常重要的意义，且有助于深入了解血压昼夜的变化情况，预防突发性的心血管疾病。利用脉搏波波形进行血压连续测量的方法主要分为两种。一种方法是提取单个心动周期脉搏波波形中的特征点及由特征点计算出的参数作为特征进行血压预测。另一种方法是直接将单个心动周期脉搏波的所有波形点作为特征进行血压预测。例如使用单周期所有波形点作为特征，使用线性回归、KNN、随机森林，Adaboost等回归算法构造血压模型。但是上述两种方法均存在问题，对于第一种方法，因为个体之间脉搏波的形态存在较大差异，而且随着年龄的增长，脉搏波也会产生变化，故脉搏波波形上一些特征点难以进行准确定位，从而导致特征无法提取；另外，由于脉搏波在采集过程中可能会存在扰动，部分心动周期的波形会存在噪声，若使用这样的波形进行血压预测，两种方法均难以达到较好的精度。
技术实现思路
本专利技术的目的在于克服现有技术存在的不足，而提供一种测量简单、检测精度高，更适用于心血管疾病的跟踪检测；同时对于未患有心血管疾病的正常人也能起到一定的监测作用的基于CRNN-BP血压值智能测量方法。为了实现上述目的，本专利技术所采用的技术方案如下：一种基于CRNN-BP的血压值智能测量方法，该方法主要包括如下步骤：a)对于真实的数据进行预处理操作；b)预处理后的数据作数据标准化并基于CRNN-BP模型建立脉搏波序列信号和血压值的一种非线性数学映射关系；c)利用训练好的CRNN-BP模型对真实脉搏波特征进行智能血压值测量。作为优选：所述的步骤a)中，对于真实的数据进行预处理操作，具体包括：去除基线漂移、心动周期划分、噪声样本去除，其中：(1)：使用MIMIC数据库中真实人体生理数据作为实验样本，采用频率125HZ；对于采集到的PPG信号用小波分解的方法去除基线漂移，然后去除信号低频部分，达到去除基线的目的；(2)：对于步骤(1)处理完的数据联合采集的ABP脉搏波信号进行心动周期划分，并依据时间关系将同属于一个心动周期的PPG和ABP信号进行合并；(3)：使用基于规则的方法对波形形态存在明显异常的心动周期进行去除。作为优选：在进行步骤a)后可以得到预处理后的波形特征，步骤b)中，由于每份样本的采集时间不同，并且每个病人的心动周期长度也不一致，因此需要做数据统计以标准化心动周期输出长度；实际实验中统计出心动周期长度一般不超过130个采样点；对于超过130个采样点的取前130个采样点，不足的采用补0操作；并且取10个心动周期的数据。作为优选：假设实际实验中有N份样本数据，在进行如前面所述的操作后便可以得到N*1300维的波形特征，以及对应心动周期N*10维的SBP和DBP血压值特征；然后基于设计好的CRNN-BP结构构建模型；将波形特征作为输入，SBP和DBP信号作为输出做高维度的非线性拟合，将数据按照约98:2的比例分成互不相交的训练集(178130)和验证集(3632)，利用训练集对CRNN-BP模型进行训练，利用验证集进行验证，当验证集预测精度达到设定值(比如绝对误差小于2)时停止训练，保存模型；步骤c)中，将待测量的真实脉搏信号先按照步骤a)作预处理操作，然后输入保存的模型计算得到测量结果。表1CRNN-BP结构将步骤3得到的波形特征作为输入数据，SBP和DBP信号作为输出数据做高维度的非线性拟合，将数据按照约98:2的比例分成互不相交的训练集(178130)和验证集(3632)，利用训练集对CRNN-BP模型进行训练，利用验证集进行验证，该模型的评价函数采用均方差(MSE)，即取N个样本T个周期对应误差平方和。具体形式如下：优化方法采用Adam类型。实际训练时会将训练和测试数据打乱后再进行比例划分用于训练和验证，以避免一些偶然的影响因素。训练时会构建一个新的测量指标：绝对误差(MAE)，即取N个样本T个周期对应绝对误差之和。用于停止训练。具体形式如下：实际训练验证时，设定验证的绝对误差小于2时停止训练。c)对于待测量的PPG和脉搏波数据，先按照步骤a)进行预处理操作得到波形序列特征；然后输入步骤b)训练好的CRNN-BP网络计算测量值。本专利技术提出一种新型血压预测模型CRNN-BP，该模型是一种混合卷积神经网络(ConvolutionalNeuralNetwork，CNN)和循环神经网络(RecurrentNeuralNetwork，RNN)的网络模型。CRNN-BP首先引入卷积网络层，对各心动周期脉搏波的波形特征进行自动提取，解决了部分波形特征点难以定位的问题；其次，因为血压的变化是连续的，相邻心动周期之间的血压值具有一定相关性，故CRNN-BP进一步引入递归网络层，利用若干连续心动周期的波形特征对这些心动周期的血压值进行预测，减少了个别心动周期波形受到干扰而影响血压预测精度的问题，提高了模型的鲁棒性。本专利技术具有测量简单、检测精度高，更适用于心血管疾病的跟踪检测；同时对于未患有心血管疾病的正常人也能起到一定的监测作用等特点。附图说明图1为本专利技术中利用CRNN-BP测量脉搏波血压值具体流程图。图2是本专利技术的血压模压预测DBP精度比较数值图。图3是本专利技术的血压模压预测SBP精度比较数值图。具体实施方式下面将结合附图对本专利技术的技术方案作进一步详细的说明。一种基于CRNN-BP的血压值智能测量方法，该方法主要包括如下步骤：a)对于真实的数据进行预处理操作；b)预处理后的数据作数据标准化并基于CRNN-BP模型建立脉搏波序列信号和血压值的一种非线性数学映射关系；c)利用训练好的CRNN-BP模型对真实脉搏波特征进行智能血压值测量。所述的步骤a)中，对于真实的数据进行预处理操作，具体包括：去除基线漂移、心动周期划分、噪声样本去除，其中：(1)：使用MIMIC数据库中真实人体生理数据作为实验样本，采用频率125HZ；对于采集到的PPG信号用小波分解的方法去除基线漂移，然后去除信号低频部分，达到去除基线的目的；(2)：对于步骤(1)处理完的数据联合采集的ABP脉搏波信号进行心动周期划分，并依据时间关系将同属于一个心动周期的PPG和ABP信号进行合并；(3)：使用基于规则的方法对波形形态存在明显异常的心动周期进行去除。本专利技术在进行步骤a)后可以得到预处理后的波形特征，步骤b)中，由于每份样本的采集时间不同，并且每个病人的心动周期长度也不一致，因此需要做数据统计以标准化心动周期输出长度；实际实验中统计出心动周期长度一般不超过130个采样点；对于超过130个采样点的取前130个采样点，不足的采用补0操作；并且取10个心动周期的数据。假设实际实验本文档来自技高网...

【技术保护点】
1.一种基于CRNN‑BP的血压值智能测量方法，其特征在于该方法主要包括如下步骤：a)对于真实的数据进行预处理操作；b)预处理后的数据作数据标准化并基于CRNN‑BP模型建立脉搏波序列信号和血压值的一种非线性数学映射关系；c)利用训练好的CRNN‑BP模型对真实脉搏波特征进行智能血压值测量。

【技术特征摘要】
1.一种基于CRNN-BP的血压值智能测量方法，其特征在于该方法主要包括如下步骤：a)对于真实的数据进行预处理操作；b)预处理后的数据作数据标准化并基于CRNN-BP模型建立脉搏波序列信号和血压值的一种非线性数学映射关系；c)利用训练好的CRNN-BP模型对真实脉搏波特征进行智能血压值测量。2.根据权利要求1所述的基于CRNN-BP的血压值智能测量方法，其特征在于：所述的步骤a)中，对于真实的数据进行预处理操作，具体包括：去除基线漂移、心动周期划分、噪声样本去除，其中：(1)：使用MIMIC数据库中真实人体生理数据作为实验样本，采用频率125HZ；对于采集到的PPG信号用小波分解的方法去除基线漂移，然后去除信号低频部分，达到去除基线的目的；(2)：对于步骤(1)处理完的数据联合采集的ABP脉搏波信号进行心动周期划分，并依据时间关系将同属于一个心动周期的PPG和ABP信号进行合并；(3)：使用基于规则的方法对波形形态存在明显异常的心动周期进行去除。3.根据权利要求1或2所述的基于CRNN-BP的血压值智能测量方法，其特征在于：在进行步...

【专利技术属性】
技术研发人员：孙斌，顾林跃，
申请(专利权)人：浙江好络维医疗技术有限公司，
类型：发明
国别省市：浙江,33