基于多尺度融合网络的生理参数测量方法技术

本发明专利技术提供一种基于多尺度融合网络的生理参数测量方法。所述方法包括：对生理信号进行采样并生成一维生理信号数据序列；经数据片段划分和信号质量评估，对符合信号质量要求的数据片段进行噪声滤除；然后对数据片段进行数学变换生成多维的输入数据张量；利用多尺度融合网络对输入数据提取潜在特征得到生理参数的估计值。通过识别测量模式标识符，将所有估计值的均值作为静态模式下的生理参数测量值；将所有估计值构成的一维连续数据序列作为动态模式下的生理参数连续测量值。本方法可充分提取信号中不同尺度的互补信息，实现生理参数的准确测量，其应用范围涵盖所有生理参数的测量，在心血管疾病研究和信号处理研究领域均具有一定的应用价值。有一定的应用价值。有一定的应用价值。

【技术实现步骤摘要】
基于多尺度融合网络的生理参数测量方法


[0001]本专利技术涉及一种基于多尺度融合网络的生理参数测量方法。

技术介绍

[0002]心脏是人体血液循环的动力中心，通过有规律的搏动向全身供血满足人体的新陈代谢，从而维持人体正常的生命活动。有效测量心血管系统相关的生理参数以监控人体健康状况来预防心血管疾病是及其重要的。随着人口老龄化和工作压力的增长，国内心血管疾病的患病率正在逐年增长。而根据世界卫生组织2020年的报告，在全球范围内，心血管疾病已成为人类死亡的主要原因。因此，动态检测心血管系统相关的生理参数并对健康状况进行准确评估，对于心血管疾病的防治有着重大的实际意义。
[0003]目前常用的生理参数检测设备，如动态血压监护仪、动脉硬化检测仪、微循环检测仪等，需要佩戴大量的医学传感器。尽管这些设备在测量过程中结果准确，但是长时间的佩戴会使得患者不适，并且设备过于笨重和昂贵，不方便在日常生活中的使用。因此便携性与舒适度是面向日常生活的生理参数测量系统的关键。
[0004]而近些年来，可穿戴技术和高性能处理芯片的发展为生理信号处理奠定了硬件基础，而深度学习的兴起则使得生理参数的准确测量成为了可能，因此越来越多的研究专注于利用深度学习算法从生理信号中自动提取特征参数来估计生理参数。生理信号大多是具有周期性的一维时间序列，其变化反映了人体各个系统的生理信息。目前，大多数研究都采用单一尺度的卷积神经网络来实现自动的特征提取，但是这种做法忽略了其他尺度上可能有用的信息，导致测量精度无法进一步的提高。同时，对于同一种生理信号，其个体间的差异性和波形的易变性也导致单一尺度的卷积神经网络无法有效地提取特征。

技术实现思路

[0005]为了克服上述缺陷，本专利技术的目的在于提出一种全新的基于多尺度融合网络的生理参数测量方法。本专利技术方法通过结合不同尺度的信息充分发挥不同尺度信息互补的优势，实现准确的生理参数测量。同时，所采用的端到端的神经网络免除了繁琐的特征点检测和特征工程。本专利技术方法通过多尺度融合网络对生理信号提取多尺度融合的特征，并利用这些特征回归得到待测量的生理参数估计值，然后根据测量模式标识符进行相应的操作输出待测生理参数的静态均值或动态连续测量值。
[0006]本专利技术提出了一种基于多尺度融合网络的生理参数测量方法，具体步骤如下：（1）采集静态或动态情况下生物个体的生理信号；对采集到的生理信号进行预处理，即先进行数据片段裁剪、重采样和归一化操作，接着采用滤波或其他信号处理方法去除基线漂移、工频、呼吸、运动伪迹和肌电噪声等的干扰，得到一维信号片段；（2）对于步骤（1）得到的一维信号片段，采用数学变换扩充维度以构建更加完备和丰富的生理信号表征，得到三维矩阵 [B, C, N]，其中：B为分割后的数据片段总数， C为经过数学变换后的维度，N为数据片段长度，即样本点数；
（3）对于步骤（2）得到的三维矩阵 [B, C, N]，按照一定的比例（如，9:1、8:2或7:3）划分为训练集 [B1, C, N]与测试集 [B2, C, N]，B1和B2分别为训练集和测试集中的片段数量，并且B1和B2之和等于B；（4）构建生理参数测量模型，该模型包括三个部分：多尺度融合网络、混合注意力机制和卷积网络层；按照预定的尺度数量I设计多尺度融合卷积层，然后按照预定的多尺度融合卷积层层数M设置多尺度融合网络，将步骤（2）得到的三维矩阵 [B, C, N] 输入该多尺度融合网络，得到第一特征数据三维矩阵S；利用混合注意力机制挖掘出与待测生理参数相关的第二特征数据三维矩阵S1；按照设定的卷积网络层层数M，利用卷积网络层对所述第二特征数据三维矩阵S1进行回归计算生成生理参数的估计值，得到二维数据矩阵 [B, X]，其中：X为待测生理参数的估计值；（5）获取测量模式标识符，所述测量模式标识符包括静态模式和动态模式：当所述测量模式标识符为静态模式时，对步骤（4）得到的二维数据矩阵 [B, X] 进行均值操作，生成待测生理参数的均值数据矩阵 [1, X
M
]，将均值X
M
作为静态模式下的生理参数测量值；当所述测量模式标识符为动态模式时，连续提取步骤（4）得到的待测生理参数的所有估计值，构成一维连续数据序列，作为动态模式下的生理参数连续测量值；（6）将步骤（3）所获得的训练集[B1, C, N]输入到步骤（4）所述模型中进行训练和优化，得到生理参数估计模型；将测试集[B2, C, N]输入生理参数估计模型进行测试，检验该模型的准确率。
[0007]本专利技术中，所述生理参数包括但不限于心率、血压、呼吸率、心功能指数或动脉硬化指数等中的一种及以上。
[0008]本专利技术中，步骤（1）所采集信号为包含心血管系统生理病理信息的生理信号，主要包括以下类型：心电信号、脉搏波信号、心冲击信号或心音信号中的一种或多种。
[0009]本专利技术中，步骤（2）中对于生理信号进行维度扩充的数学变换方法，所述方法包含以下类型：差分、积分、傅里叶变换、小波变换、经验模态分解或变分模态分解中任一种。
[0010]本专利技术中，步骤（4）中的多尺度融合卷积层，由以下方法构成：（4.1）根据设定的多尺度融合卷积层输出通道数，设定卷积核大小为1的卷积层对输入数据的通道数进行调整；（4.2）根据设定的尺度数量I，设定I个卷积核大小不同的多尺度融合卷积层 F1, F2,
…
F
I ，这I个多尺度融合卷积层的卷积核大小以2为间隔。I个多尺度融合卷积层同时对输入矩阵进行卷积操作得到I个输出矩阵 Y1, Y2…
Y
I
，利用全局池化对I个输出矩阵进行降维得到一维的嵌入向量 z1, z2,
ꢀ…
z
I
，然后利用两层全连接层以及softmax实现对嵌入向量的信息压缩与恢复得到权重矩阵 W1, W2,
ꢀ…
W
I
，权重矩阵 W1, W2,
ꢀ…
W
I
与输出矩阵Y1, Y2…
Y
I
对应相乘求和便可得到多尺度融合的特征。
[0011]本专利技术中，利用卷积层对输入矩阵进行卷积操作，所述卷积操作包括以下类型：经典卷积或膨胀卷积。
[0012]本专利技术中，利用全局池化对输入矩阵进行降维，所述方法包括以下类型：全局平均池化或全局最大值池化。
[0013]本专利技术中，步骤（4）中利用混合注意力机制进一步挖掘与待估计生理参数相关的
特征，所述方法包括以下类型：瓶颈注意力模块 （BAM）或卷积模块注意力机制 （CBAM）。
[0014]本专利技术中，步骤（5）中将所有估计值的均值作为静态模式下的生理参数测量值；将所有估计值构成的一维连续数据序列作为动态模式下的生理参数连续测量值。
[0015]本专利技术中，步骤（6）中所述训练集用于训练模型中的权重，测试集则用于验证生理参数测量模型在未知数据集上的性能。根据数据集的划分方式不同，生理参数测量模型又可分为标定模型和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度融合网络的生理参数测量方法，其特征在于，具体步骤如下：（1）采集静态或动态情况下生物个体的生理信号；对采集到的生理信号进行预处理，即先进行数据片段裁剪、重采样和归一化操作，接着采用滤波或其他信号处理方法去除基线漂移、工频、呼吸、运动伪迹和肌电噪声的干扰，得到一维信号片段；（2）对步骤（1）得到的一维信号片段，采用数学变换扩充维度以构建更加完备和丰富的生理信号表征，得到三维矩阵 [B, C, N]，其中：B为分割后的数据片段总数，C为经过数学变换后的维度，N为数据片段长度，即样本点数；（3）对步骤（2）得到的三维矩阵 [B, C, N]，按照一定的比例划分为训练集 [B1, C, N]与测试集 [B2, C, N]，B1和B2分别为训练集和测试集中的片段数量，并且B1和B2之和等于B；（4）构建生理参数测量模型，该模型包括三个部分：多尺度融合网络、混合注意力机制和卷积网络层；按照预定的尺度数量I设计多尺度融合卷积层，然后按照预定的多尺度融合卷积层层数M设置多尺度融合网络，将步骤（2）得到的三维矩阵 [B, C, N] 输入该多尺度融合网络内，得到第一特征数据三维矩阵S；利用混合注意力机制挖掘出与待测生理参数相关的第二特征数据三维矩阵S1；按照设定的卷积网络层层数M，利用卷积网络层对所述第二特征数据三维矩阵S1进行回归计算，生成生理参数的估计值，得到二维数据矩阵 [B, X]，其中：X为待测生理参数的估计值；（5）获取测量模式标识符，所述测量模式标识符包括静态模式和动态模式：当所述测量模式标识符为静态模式时，对步骤（4）得到的二维数据矩阵 [B, X] 进行均值操作，生成待测生理参数的均值数据矩阵 [1, X
M
]，将均值X
M
作为静态模式下的生理参数测量值；当所述测量模式标识符为动态模式时，连续提取步骤（4）得到的待测生理参数的所有估计值，构成一维连续数据序列，作为动态模式下的生理参数连续测量值；（6）将步骤（3）所获得的训练集[B1, C, N]输入到步骤（4）所述模型中进行训练和优化，得到生理参数估计模型；将测试集[B2, C, N]输入生理参数估计模型进行测试，检验该模型的准确率。2...

【专利技术属性】
技术研发人员：杨翠微，胡启晗，
申请(专利权)人：复旦大学，
类型：发明
国别省市：