本发明专利技术公开了一种深度神经网络预测血压的训练方法，包括对脉搏波信号、心电信号和动脉血压信号进行预处理，将脉搏波信号和心电信号输入至深度神经网络模型进行多尺度融合多任务回归预测，从动脉血压信号中提取的收缩压、舒张压和平均动脉压作为期望输出，确定损失函数的值，当损失函数的值满足收敛条件时结束训练等步骤。本发明专利技术训练得到的深度神经网络模型具有根据脉搏波信号和心电信号高精度预测血压的能力，具有连续、实时、操作方便等优势，可以用于血压测量仪器的校正等非治疗用途，校正过程无需依赖专用的器具，从而向使用者提供校正的条件，方便使用者校正血压测量仪器，改善血压测量仪器的使用效果。本发明专利技术广泛应用于人工智能技术领域。应用于人工智能技术领域。应用于人工智能技术领域。
【技术实现步骤摘要】
深度神经网络预测血压的训练方法、计算机装置和存储介质
[0001]本专利技术涉及人工智能
，尤其是一种深度神经网络预测血压的训练方法、计算机装置和存储介质。
技术介绍
[0002]现有的血压测量技术一般是基于直接测量法、动脉张力法、容积补偿法、示波法和听诊法等原理进行的，基于这些原理的血压测量仪器能够直接或间接测出血压值。与其他量器一样，血压测量仪器也面临校正的问题。现有技术中，是定期地将血压测量仪器送到厂家或者相关机构进行校正，而即使是医疗机构等专业使用者，一般也因缺乏专用的校正设备而不能校正血压测量仪器。
技术实现思路
[0003]针对上述至少一个技术问题，本专利技术的目的在于提供一种深度神经网络预测血压的训练方法、计算机装置和存储介质。
[0004]一方面，本专利技术实施例包括一种深度神经网络预测血压的训练方法，包括：
[0005]获取脉搏波信号、心电信号和动脉血压信号；
[0006]对所述脉搏波信号和所述心电信号进行滤波；
[0007]从所述动脉血压信号中提取收缩压、舒张压和平均动脉压；
[0008]将所述脉搏波信号和所述心电信号输入至所述深度神经网络模型，提取信号中不同尺度特征，由所述深度神经网络模型提取多尺度特征进行多任务回归预测血压值；
[0009]以所述收缩压、所述舒张压和所述平均动脉压作为所述深度神经网络模型的期望输出，根据所述深度神经网络模型的实际输出与所述期望输出，确定损失函数的值；
[0010]当所述损失函数的值满足收敛条件，结束对所述深度神经网络模型的训练。
[0011]进一步地，所述获取脉搏波信号、心电信号和动脉血压信号，包括：
[0012]测量所述脉搏波信号、所述心电信号和所述动脉血压信号；
[0013]设置时长限制、幅度峰值大小限制、波峰时间间隔限制，对所述脉搏波信号、所述心电信号和所述动脉血压信号进行筛选。
[0014]进一步地，所述对所述脉搏波信号和所述心电信号进行滤波，包括：
[0015]使用离散小波变换对所述脉搏波信号和所述心电信号进行滤波。设置db8母小波，所述脉搏波信号的分解层数为8层，分解出近似系数和细节系数，将近似系数第8级置零，细节系数第一级置零，对所述脉搏波信号进行软阈值去噪和系数重建；
[0016]设置所述心电信号的分解层数为7层，分解出近似系数和细节系数，将近似系数第7级置零，细节系数第一级置零，对所述心电信号进行软阈值去噪和系数重建；
[0017]从而滤除所述脉搏波信号中小于0.25Hz和大于31.125Hz的成分，滤除所述心电信号中小于0.5Hz和大于31.125Hz的成分。
[0018]进一步地，所述从所述动脉血压信号中提取收缩压、舒张压和平均动脉压，包括：
[0019]获取所述动脉血压信号的波峰值作为所述收缩压；
[0020]获取所述动脉血压信号的波谷值作为所述舒张压；
[0021]获取所述收缩压与所述舒张压的加权平均值作为所述平均动脉压；其中，所述收缩压的权重为1，所述舒张压为2。
[0022]进一步地，深度神经网络预测血压的训练方法还包括：
[0023]在将所述脉搏波信号和所述心电信号输入至所述深度神经网络模型之前，还对所述脉搏波信号和所述心电信号进行归一化处理。
[0024]进一步地，所述深度神经网络模型为MS
‑
CNN网络，所述MS
‑
CNN网络包括输入层、卷积层、BN层、Relu层、池化层和全连接层，所述MS
‑
CNN网络包括多个通道，不同通道的卷积核大小互不相同，以便提取不同尺度特征。
[0025]进一步地，所述将所述脉搏波信号和所述心电信号输入至所述深度神经网络模型，提取不同尺度特征，由所述深度神经网络模型提取多尺度特征进行多任务回归预测，包括：
[0026]所述深度神经网络模型对所述脉搏波信号和所述心电信号进行一次卷积处理和最大池化处理；
[0027]所述深度神经网络模型中的各所述通道对所述脉搏波信号和所述心电信号提取不同尺度特征；
[0028]各所述通道所提取的特征经过所述BN层和所述Relu层之后，由所述池化层对各所述通道所提取的特征进行平均池化；
[0029]由所述全连接层对经过平均池化后的特征进行回归分析，得到所述深度神经网络模型的多任务实际输出。
[0030]进一步地，所述损失函数为MSE损失函数。
[0031]另一方面，本专利技术实施例还包括一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例中的深度神经网络预测血压的训练方法。
[0032]另一方面，本专利技术实施例还包括一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行实施例中的深度神经网络预测血压的训练方法。
[0033]本专利技术的有益效果是：实施例中的深度神经网络预测血压的训练方法，训练得到的深度神经网络模型具有根据脉搏波信号和心电信号高精度预测血压的能力，并且基于测得人体的脉搏波信号和心电信号，能够进行在线或离线的血压测量，相比起现有的血压测量方法，训练好的深度神经网络模型具有连续、实时、操作方便等优势。本实施例中的深度神经网络预测血压的训练方法训练得到的深度神经网络模型可以用于非治疗用途，例如将深度神经网络模型用于血压测量仪器的校正，校正过程无需依赖专用的器具，只需要测试人员配合计算机运行训练好的深度神经网络模型即可实施校正，向使用者提供校正的条件，方便使用者经常校正血压测量仪器，从而改善血压测量仪器的使用效果。
附图说明
[0034]图1为实施例中深度神经网络预测血压的训练方法的流程图；
[0035]图2为实施例中深度神经网络预测血压的训练方法的原理图；
[0036]图3为实施例中MS
‑
CNN网络的结构图。
具体实施方式
[0037]本实施例中，参照图1，深度神经网络预测血压的训练方法包括以下步骤：
[0038]S1.获取脉搏波信号、心电信号和动脉血压信号；
[0039]S2.对脉搏波信号和心电信号进行滤波；
[0040]S3.从动脉血压信号中提取收缩压、舒张压和平均动脉压；
[0041]S4.将脉搏波信号和心电信号输入至深度神经网络模型，由深度神经网络模型提取不同尺度特征，进行多任务回归预测；
[0042]S5.以收缩压、舒张压和平均动脉压作为深度神经网络模型的期望输出，根据深度神经网络模型的实际输出与期望输出，确定损失函数的值；
[0043]S6.当损失函数的值满足收敛条件，结束对深度神经网络模型的训练。
[0044]步骤S1
‑
S6的原理如图2所示，其中，PPG表示脉搏波信号，ECG表示心电信号，SBP表示收缩压，DBP表示舒张压，MAP表示平均动脉压。
...
【技术保护点】
【技术特征摘要】
1.一种深度神经网络预测血压的训练方法，其特征在于，包括：获取脉搏波信号、心电信号和动脉血压信号；对所述脉搏波信号和所述心电信号进行滤波；从所述动脉血压信号中提取收缩压、舒张压和平均动脉压；将所述脉搏波信号和所述心电信号输入至所述深度神经网络模型，由所述深度神经网络模型提取多尺度特征进行多任务回归预测；以所述收缩压、所述舒张压和所述平均动脉压作为所述深度神经网络模型的期望输出，根据所述深度神经网络模型的实际输出与所述期望输出，确定损失函数的值；当所述损失函数的值满足收敛条件，结束对所述深度神经网络模型的训练。2.根据权利要求1所述的深度神经网络预测血压的训练方法，其特征在于，所述获取脉搏波信号、心电信号和动脉血压信号，包括：测量所述脉搏波信号、所述心电信号和所述动脉血压信号；设置时长限制、幅度峰值大小限制、波峰时间间隔限制，对所述脉搏波信号、所述心电信号和所述动脉血压信号进行筛选和分段。3.根据权利要求1所述的深度神经网络预测血压的训练方法，其特征在于，所述对所述脉搏波信号和所述心电信号进行滤波，包括：使用离散小波变换对所述脉搏波信号和所述心电信号进行滤波；设置db8母小波，所述脉搏波信号的分解层数为8层；从所述脉搏波信号分解出近似系数和细节系数，将所述脉搏波信号的近似系数第8级置零，将所述脉搏波信号的细节系数第一级置零，对所述脉搏波信号进行软阈值去噪和系数重建；设置所述心电信号的分解层数为7层；从所述心电信号分解出近似系数和细节系数，将所述心电信号的近似系数第7级置零，将所述心电信号的细节系数第一级置零，对所述心电信号进行软阈值去噪和系数重建；从而滤除所述脉搏波信号中小于0.25Hz和大于31.125Hz的成分，滤除所述心电信号中小于0.5Hz和大于31.125Hz的成分。4.根据权利要求1所述的深度神经网络预测血压的训练方法，其特征在于，所述从所述动脉血压信号中提取收缩压、舒张压和平均动脉压，包括：获取所述动脉血压信号的波峰值作为所述收缩压；获取所述动脉血压信号的波谷值作为所述舒张压；获取所...
【专利技术属性】
技术研发人员：邹丽丽，江恒炳，黄德群，
申请(专利权)人：广东省科学院健康医学研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。