基于LSTM神经网络的机器学习监测血压的方法技术

本发明专利技术公开了一种基于LSTM神经网络的机器学习监测血压的方法，通过信号采集装置获取监测对象的心电脉搏波信号和压力脉搏波信号数据的；对取得的信号进行去除噪声和基线漂移的预处理，滤波后得到心电波和PPW波形；对心电波形和PPW信号波形信号数据进行分割、处理；将上述分割好的数据进行特征提取为特征向量序列，并将其输入至LSTM神经网络模型；LSTM神经网络的输出信息即为监测对象的血压信息，包括收缩压SBP和舒张压DBP。本发明专利技术能够有效利用PTT这一关键参数，并针对部分人群的脉搏波很多特征难以识别，通过只识别必要特征，提高了血压监测的普适性。

【技术实现步骤摘要】
基于LSTM神经网络的机器学习监测血压的方法
本专利技术属于医疗领域，特别是涉及一种连续血压监测方法，更具体设计一种利用心电和压力脉搏波的信号，提取多特征混合，利用LSTM神经网络对收缩压和舒张压进行连续监测的方法。
技术介绍
血压是血液对血管壁侧面的压力，其由心脏收缩时流过血管的血液产生，是对循环血量、心输出量及动脉血管壁弹性等血流动力学因素的综合性反映。收缩压和舒张压是可以反应人体心脏、血管功能状况的重要生理指标，同时，也是人体健康四大检测基本特征之一。目前常规的血压测量方法为，听诊法和示波法，但这两种方法都无法进行实时连续监测，且设备的体积大，不便捷。而可进行连续测量的血压监测方法主要是基于脉搏波信号进行检测。基于脉搏波信号测量血压的方法主要有三种，分别是基于脉搏波传导速度(PWV)的测量方法，基于脉搏波传导时间(PTT)的测量方法以及基于脉搏波特征参数(PWP)的测量方法。光电容积脉搏波(PPG)波形的形状因为不同的人有很大差异，对于存在心血管问题的对象，其PPG的重博波波形很难提取，因此仅通过提取PPG波形特征具有很大本文档来自技高网...

【技术保护点】
1.基于LSTM神经网络的机器学习监测血压的方法，其特征在于：包括以下步骤：/n1)通过信号采集装置获取监测对象的心电脉搏波信号和压力脉搏波信号数据的；/n2)对步骤1)取得的信号进行去除噪声和基线漂移的预处理，滤波后得到心电波和PPW波形；/n3)对心电波形和PPW信号波形信号数据进行分割，识别出心电图的R波波峰，根据相邻R-R波峰，将ECG划分为一个心动周期；识别出PPW波的波峰，根据相邻波峰将PPW划分为一个心动周期，然后对其进行归一化处理；/n4)将上述分割好的数据进行特征提取，包括以下特征:/na)PTT,PTT为脉搏波传输时间，同时识别PPW脉搏波的波峰和心电波的R波，计算R波和P...

【技术特征摘要】
1.基于LSTM神经网络的机器学习监测血压的方法，其特征在于：包括以下步骤：
1)通过信号采集装置获取监测对象的心电脉搏波信号和压力脉搏波信号数据的；
2)对步骤1)取得的信号进行去除噪声和基线漂移的预处理，滤波后得到心电波和PPW波形；
3)对心电波形和PPW信号波形信号数据进行分割，识别出心电图的R波波峰，根据相邻R-R波峰，将ECG划分为一个心动周期；识别出PPW波的波峰，根据相邻波峰将PPW划分为一个心动周期，然后对其进行归一化处理；
4)将上述分割好的数据进行特征提取，包括以下特征:
a)PTT,PTT为脉搏波传输时间，同时识别PPW脉搏波的波峰和心电波的R波，计算R波和PPW波波峰之间的时间差可获得脉搏波传输时间；
b)起始点到上升的波峰之间的距离，即为上升时间t1；
c)起始点到重搏波之间的距离，即为第二上升时间t2；
d)反射指数(RI)，收缩峰值与重博峰的比值，即h1/h2；
e)心率HR，识别出心电波形的R波，计算心电波形临近R波之间的时间差，然后根据其时间...

【专利技术属性】
技术研发人员：吴化平，张灿，朱鹏程，彭宏伟，苏彬彬，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33