一种基于PPG信号的中心动脉压波形重构的系统及方法技术方案

本发明专利技术公开了一种基于PPG信号的中心动脉压波形重构的系统及方法，涉及人工智能与医疗器械研发技术领域。本发明专利技术包括数据采集控制模块、数据处理模块、桡动脉压测量模块、中心动脉压测量模块和数据显示模块；数据采集控制模块由指套式光电传感器、导线和生理信号采集电路组成，控制其他模块进行顺序测量和处理，桡动脉脉搏信号通过指套式光电传感器把光信号反映并转换为PPG信号。本发明专利技术通过一系列的改进，在使用时无需人工提取特征、无需建立中间仿真模型及其参数估计，建立一种直接从外周血压PPG信号到桡动脉脉搏波再到中心动脉压的一种端到端的重构模型，有效提升了中心动脉压波形的重构精度。的重构精度。的重构精度。

【技术实现步骤摘要】
一种基于PPG信号的中心动脉压波形重构的系统及方法


[0001]本专利技术属于人工智能与医疗器械研发
，特别是涉及一种基于PPG信号的中心动脉压波形重构的系统及方法。

技术介绍

[0002]心血管疾病是全身性血管病变或系统性血管病变在心脏的表现，是目前人类致死或致残的重要原因，近年来，随着人们生活节奏加快，各种压力突显，养成不良作息习惯，患有心血管疾病的风险不断升高；而准确掌握心血管系统健康状况，能有效降低心血管事件的发生率和死亡率；中心动脉压是指升主动脉根部血管所承受的侧压力，是重要脏器血液灌注的根本；中心动脉压波形是指升主动脉根部血压随时间变化的曲线，包含丰富的生理病理信息，提取中心动脉压波形的参数可以准确反映收缩压、舒张压、脉压、增强指数、射血时间等重要参数指标；现已研究表明，相较于肱动脉等外周血压，中心动脉压能更直接、准确的反映左室、冠脉及脑血管的负荷情况，具有独立的更强的心血管疾病及相关并发症的预测价值；因此，关注并降低中心动脉压将有助于预防心血管事件，而针对于中心动脉压的波形测量在临床运用具有重要价值；
[0003]随着计算机人工智能技术的不断发展，深度更新作为人工智能领域一个重要分支，已经广泛应用于语音识别、机器视觉、图像处理、信号处理和自然语言处理等多个领域；为了提高中心动脉压重构精度与泛化能力，Huttunen等学者也首次尝试使用机器更新训练数据预测主动脉脉搏波传导速率以及血压脉冲传递时间，获得很好的预测效果；
[0004]光电容积脉搏波描记法(Photo Plethysmo Graphic,缩写PPG)以LED光源和探测器为基础，测量经过人体血管和组织反射、吸收后的衰减光,记录血管的搏动状态并测量脉搏波；经过大量研究表明，PPG信号在时域和频域中与血压信号具有高度相关性，可通过PPG信号重建血压波形，其中，光电容积脉搏波描记法重建血压方式分为脉冲传输时间(pulse transit time,PTT)、脉搏波速(pulse wave velocity,PWV)和脉冲波分析(pulse wave analysis,PWA)三种方法；其中PTT是通过PPG和ECG信号计算血压在动脉中的传播速度；PWV是通过两个动脉监测点的PPG从而计算两者间的脉搏波传递时间；由于PWV仅需要PPG信号，因此在临床上的表现往往优于PTT；PWA则是通过神经网络训练PPG信号与血压信号的回归算法，其受到越来越多关注；因此利用机器更新的PPG信号检测血压信号的研究越来越多，由于受各种因素的影响，血压信号往往呈现复杂性与特异性，传统人工设计的血压特征提取方式也逐渐难以满足现代医疗对血压检测与诊疗需求；为此，我们设计了一种基于PPG信号的中心动脉压波形重构的系统及方法。

技术实现思路

[0005]本专利技术的目的在于提供一种基于PPG信号的中心动脉压波形重构的系统及方法，以解决上述
技术介绍
中提出的问题。
[0006]为解决上述技术问题，本专利技术是通过以下技术方案实现的：
[0007]本专利技术为一种基于PPG信号的中心动脉压波形重构的系统及方法，包括数据采集控制模块、数据处理模块、桡动脉压测量模块、中心动脉压测量模块和数据显示模块组成；
[0008]所述数据采集控制模块由指套式光电传感器、导线和生理信号采集电路组成，控制其他模块进行顺序测量和处理；
[0009]所述数据处理模块负责接收数据采集模块的信号与预处理，并将数据发送给指定模块进行进一步处理；
[0010]所述桡动脉压测量模块通过接受数据处理模块发送的处理后的PPG信号，并经过CBi
‑
SAN神经网络计算获得桡动脉压的重建波形；
[0011]所述中心动脉压测量模块接收桡动脉压测量模块所测的桡动脉压波形数据，并经过CBi
‑
SAN神经网络计算获得中心动脉压的重建波形；
[0012]所述数据显示模块接收并显示桡动脉压测量模块输出的重构桡动脉压波形以及中心动脉压测量模块输出的重构中心动脉压波形和基本参数。
[0013]一种基于PPG信号的中心动脉压波形重构的方法，用于如上一项，步骤如下：
[0014]基于多组独立的一维CNN、Bi
‑
LSTM、自注意力机制和全连接神经网络构建CBi
‑
SAN模型；
[0015]以PPG信号为输入，输出重构的桡动脉脉搏波波形，再以桡动脉脉搏波形为输入，最后输出重构的中心动脉压波形构件成CBi
‑
SAN模型，实现由PPG信号到中心动脉压波形的端到端重构；
[0016]桡动脉压波形信号和中心动脉压波形信号分别作为模型的输入和输出，桡动脉压信号送入多层相互独立的一维卷积单元Conv后，经过批归一化Bn和激活函数Sule的处理；
[0017]再送入双向长短时记忆网络，实现对全局特征的更新；再由自注意力机制通过对权重的调整进一步强化模型对局部特征的更新能力；最终通过全连接层输出预测的中心动脉压波形数据。
[0018]进一步地，基于CBi
‑
SAN的中心动脉压模型中，采用卷积神经网络提升模型对局部特征更新的能力，双向长短时记忆网络提升全局特征更新能力，通过自注意力机制强化模型的更新能力。
[0019]进一步地，重建中心动脉压波形，卷积神经网络可以从长时间段的血压波形中进行更新；在中心动脉压的每个脉冲周期中，血压波形提供大量生理特征，包括中心动脉收缩压、舒张压、第二峰值和射血时间的重要特征，循环神经网络无法对其有效更新，而一维卷积神经网络不仅可以从中更新全局特征，同时也强化了网络模型对局部特征的处理能力并掌握时间序列相邻位置之间的相关性，有效提高波形重建的效果；
[0020]卷积神经网络的特征提取器由卷积层和子采样层所构成，卷积层实现输入特征的更新以及将数据从低维空间到高维空间的映射；子采样层通过下采样来降低数据的维数和冗余度，从而压缩特征维度，实现模型的复杂度降低减少运算的时间；
[0021]血压波形作为一种连续时间序列；采用双向长短时记忆网络Bi
‑
LSTM作为前向传播的LSTM和后向传播的LSTM相结合，可以获得两个方向的特征值；因此Bi
‑
LSTM的输出h包括了波形的上下文的特征信息。
[0022]进一步地，对于卷积神经网络输出的特征序列X＝(x1,x2,...,x
N
),X∈N，其中N为输入特征序列的长度；上一时刻的信息C
t
‑1，C∈[0,1]与输出h
t
‑1同当前时刻的输入x
t
输入
到LSTM单元中，形成新的细胞状态C
t
与输出h
t
；计算过程如下：
[0023]C
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)*C
t
‑1+σ(W...

【技术保护点】

【技术特征摘要】
1.一种基于PPG信号的中心动脉压波形重构的系统，其特征在于：包括数据采集控制模块、数据处理模块、桡动脉压测量模块、中心动脉压测量模块和数据显示模块组成；所述数据采集控制模块由指套式光电传感器、导线和生理信号采集电路组成，控制其他模块进行顺序测量和处理；所述数据处理模块负责接收数据采集模块的信号与预处理，并将数据发送给指定模块进行进一步处理；所述桡动脉压测量模块通过接受数据处理模块发送的处理后的PPG信号，并经过CBi
‑
SAN神经网络计算获得桡动脉压的重建波形；所述中心动脉压测量模块接收桡动脉压测量模块所测的桡动脉压波形数据，并经过CBi
‑
SAN神经网络计算获得中心动脉压的重建波形；所述数据显示模块接收并显示桡动脉压测量模块输出的重构桡动脉压波形以及中心动脉压测量模块输出的重构中心动脉压波形和基本参数。2.一种基于PPG信号的中心动脉压波形重构的方法，其特征在于，步骤如下：基于多组独立的一维CNN、Bi
‑
LSTM、自注意力机制和全连接神经网络构建CBi
‑
SAN模型；以PPG信号为输入，输出重构的桡动脉脉搏波波形，再以桡动脉脉搏波形为输入，最后输出重构的中心动脉压波形构件成CBi
‑
SAN模型，实现由PPG信号到中心动脉压波形的端到端重构；桡动脉压波形信号和中心动脉压波形信号分别作为模型的输入和输出，桡动脉压信号送入多层相互独立的一维卷积单元Conv后，经过批归一化Bn和激活函数Sule的处理；再送入双向长短时记忆网络，实现对全局特征的更新；再由自注意力机制通过对权重的调整进一步强化模型对局部特征的更新能力；最终通过全连接层输出预测的中心动脉压波形数据。3.根据权利要求2所述的一种基于PPG信号的中心动脉压波形重构的方法，其特征在于，基于CBi
‑
SAN的中心动脉压模型中，采用卷积神经网络提升模型对局部特征更新的能力，双向长短时记忆网络提升全局特征更新能力，通过自注意力机制强化模型的更新能力。4.根据权利要求2所述的一种基于PPG信号的中心动脉压波形重构的方法，其特征在于，重建中心动脉压波形，卷积神经网络可以从长时间段的血压波形中进行更新；在中心动脉压的每个脉冲周期中，血压波形提供大量生理特征，包括中心动脉收缩压、舒张压、第二峰值和射血时间的重要特征，循环神经网络无法对其有效更新，而一维卷积神经网络不仅可以从中更新全局特征，同时也强化了网络模型对局部特征的处理能力并掌握时间序列相邻位置之间的相关性，有效提高波形重建的效果；卷积神经网络的特征提取器由卷积层和子采样层所构成，卷积层实现输入特征的更新以及将数据从低维空间到高维空间的映射；子采样层通过下采样来降低数据的维数和冗余度，从而压缩特征维度，实现模型的复杂度降低减少运算的时间；血压波形作为一种连续时间序列；采用双向长短时记忆网络Bi
‑
LSTM作为前向传播的LSTM和后向传播的LSTM相结合，可以获得两个方向的特征值；因此Bi
‑
LSTM的输出h包括了波形的上下文的特征信息。5.根据权利要求4所述的一种基于PPG信号的中心动脉压波形重构的方法，其特征在

【专利技术属性】
技术研发人员：肖汉光，宋旺旺，刘畅，彭波，夏清玲，姜彬，彭滔，蒋鑫，朱秘，李艳梅，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：