随机信号之间转换的方法和设备技术

本公开涉及随机信号之间转换的方法和设备。利用分解过程将源随机信号分解为其固有分量。对固有分量进行转换，并定义和训练一组机器学习模型，以处理转换分量中的各个分量。因此，根据经验将源随机信号分解为基础分量，然后将其用作机器学习模型集的学习数据集，以预测目标分量。然后对目标分量进行单独预测和组合，以重建预测的目标随机信号。源随机信号和目标随机信号可以是具有相关或共同起源的生物信号，例如光体积图信号和动脉血压波形。例如光体积图信号和动脉血压波形。例如光体积图信号和动脉血压波形。

【技术实现步骤摘要】
随机信号之间转换的方法和设备


[0001]本专利技术涉及将第一随机信号转换为第二随机信号。特别地，但并非唯一地，本专利技术涉及第一随机生物信号到第二随机生物信号的自动转换；更具体地说，其中第一随机生物信号是光容积图或心电图信号，并且第二随机生物信号是动脉血压波形。

技术介绍

[0002]在目前的临床实践中，血压测量要么使用动脉内导管进行有创性测量，要么使用示波法或听诊法通过袖带进行无创性测量。侵入性测量本质上是连续的，但有风险(例如感染、出血、血栓)。因此，有创测量仅用于危重患者，而不用于大多数慢性高血压患者。间歇性袖带充气是慢性高血压患者血压测量的金标准，它是无创的，但不允许连续测量血压。
[0003]光体积图(PPG)是一种非侵入性循环信号，与组织中血液的脉动体积有关，通常由脉搏血氧仪采集。血压可以通过PPG信号来估计，PPG信号可以从各种设备获得。此类设备包括移动或可穿戴设备，例如智能手表、活动跟踪器等。然而，PPG信号容易出现可能对测量精度产生负面影响的伪影。这些人工制品可能导致大量误导性诊断。由于移动设备的移动增加，这些伪影在移动设备收集的PPG信号中更加明显。读数的准确性可能因血流、设备放置和设备佩戴者的静止度等因素而异。
[0004]血压估计通常作为一个回归问题来处理，即从生物信号的组合中提取特征，其中通常包括PPG和心电图(ECG)。特征还可以包括从诸如加速计、压力传感器、血氧传感器等活动或环境传感器获得的信号。然后将这些特征输入到机器学习算法中，以预测血压。适用于血压预测的机器学习算法包括线性回归、支持向量回归、贝叶斯回归和基于回归的深度神经网络。在回归过程中，这些技术可以预测收缩压(SBP)、舒张压(DBP)和/或平均动脉压(MAP)。分类方法，如逻辑回归，也可用于预测分类指标，如正常、高血压前期、一期高血压和二期高血压。
[0005]上述方法的一个问题是，精细特征，如双旋凹口和双旋峰，并不总是存在于PPG信号中，并且难以可靠捕获。这些特征的提取在计算上也很昂贵。另一个问题是，运动损坏的信号很难修复。即使提取了双循环凹口和双循环峰值等精细特征，运动损坏也会增加错误。因此，大多数现有的估计技术直接取消了运动损坏信号的资格。

技术实现思路

[0006]在本专利技术中，使用分解过程将源随机信号解构为其固有分量。对固有分量进行转换，并定义和训练一组机器学习模型，以处理转换分量中的各个分量。因此，根据经验将源随机信号分解为基础分量，然后将其用作机器学习模型集的学习数据集，以预测目标分量。然后对目标分量进行单独预测和组合，以重建预测的目标随机信号。源随机信号和目标随机信号可以是具有相关或共同起源的生物信号，例如光体积图信号和动脉血压波形。
[0007]本专利技术提供了一种用于翻译随机信号，尤其是具有相关起源的生物信号的方法和装置。将源信号解构为多个解构源分量，并对多个解构源分量执行变换，以生成相应的多个
变换源分量。多个机器学习模型用于将多个变换的源分量映射到多个估计的目标分量。对多个机器学习模型中的每一个进行训练，以将多个变换源分量中的相应一个映射到多个估计目标分量中的相应一个。对所述多个估计目标分量执行逆变换，以生成相应的多个变换目标分量。通过组合多个变换后的目标分量来生成目标信号。
[0008]因此，本专利技术的各个方面具有关于输入和输出信号的组成的先验信息，这有助于通过使机器学习模型能够学习信号的基本分量而不是整个信号来消除任何数据依赖性偏差。底层分量没有原始目标信号复杂，因此机器学习模型更容易学习传递函数。这允许使用比预测原始目标信号更简单和/或更小的模型。使用更简单和/或更小的型号可能有助于更有效地利用存储空间，并在使用中消耗更少的电能，这两种型号对于低功耗设备(如可穿戴设备、活动跟踪器或智能手表)的使用都特别有利。
[0009]所附权利要求中提供了本专利技术的进一步特征和方面。
附图说明
[0010]现在将仅参考附图以示例的方式描述本专利技术，其中：
[0011]图1示出根据本专利技术的方面的用于将源信号转换为目标信号的过程；
[0012]图2示出根据本专利技术实施例的用于信号去噪的基于小波的多分辨率分析；
[0013]图3示出根据本专利技术实施例的示例经验模式分解；
[0014]图4示出适用于与本专利技术实施例一起使用的示例U
‑
net架构；
[0015]图5示出根据本专利技术的实施例的用于对变换的目标分量求和以生成目标信号的公式；
[0016]图6示出根据本专利技术的方面的一种将源信号转换为目标信号的方法；
[0017]图7示出根据本专利技术实施例的将源信号转换为多个分量的过程；
[0018]图8示出根据本专利技术实施例的将多个估计分量转换为目标信号的过程；
[0019]图9示出适合于执行本专利技术实施例的设备；和
[0020]图10示出适用于执行本专利技术实施例的可穿戴设备。
具体实施方式
[0021]信号处理领域中的许多应用涉及具有相关或共同起源的随机信号。例如，第一心脏信号和第二不同的心脏信号在各种心腔的收缩扩张和血液泵送作用中都有共同的起源。本专利技术涉及具有相关或共同原点的随机信号的自动转换。
[0022]本专利技术使用诸如经验模式分解(EMD)之类的分解过程，将源随机信号分解为其固有分量，例如信号的固有模式函数(IMF)。例如，将分解的分量转换为合适的时频表示，并定义和训练一组机器学习模型，以使用单个分量而不是整个源随机信号进行操作(如现有技术方法中的典型情况)。尽管传统的机器学习模型只接受一种类型的输入信号，但本专利技术的一个好处是，根据经验将源随机信号的每一段分解为基础分量，然后作为机器学习模型集的学习数据集来预测目标分量。分别预测目标分量，然后组合以重构预测的目标信号。
[0023]本专利技术的一个方面将上述过程应用于生物随机信号的转换，以实现无袖带血压预测。将信号处理和机器学习相结合，将无创性光体积图(PPG)或心电图(ECG)信号转换为连续动脉血压(ABP)波形。这种ABP波形可用于进一步估计收缩压、舒张压和中心血压值。
[0024]因此，本专利技术解决了在家、连续和非侵入性血压监测的需要，该监测在人群差异中是可靠的。虽然一些现有技术使用PPG和ECG信号来解决此问题，但本专利技术说明了生理相关参数，分别提取缓慢变化和高度动态的随机信号分量来预测整个ABP波形，并且仅需要PPG测量来预测。
[0025]图1示出根据本专利技术的一个方面的用于将源信号102转换为目标信号104的过程100。通常，过程100包括解构阶段106、映射阶段108和重构阶段110。
[0026]如下文将更详细地描述的，从源信号102生成多个分量112、114，并随后使用多个经过训练的机器学习模型120、122映射到相应的多个估计分量116、118。然后，从多个估计的分量116、118生成目标信号104。
[0027]有益的是，通过将源信号分解为各个固有分量，并在每个分量的基础上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种将源信号转换为目标信号的方法，该方法包括：将所述源信号解构为多个解构的源分量；对所述多个解构的源分量中的每一个执行变换，以生成相应的多个变换的源分量；使用多个机器学习模型将多个变换的源分量映射到多个估计的目标分量，其中所述多个机器学习模型中的每一个都经过训练，以将所述多个变换的源分量中的相应一个映射到所述多个估计的目标分量中的相应一个；对所述所述多个估计的目标分量中的每一个执行逆变换，以生成相应的多个变换的目标分量；和通过组合所述多个变换的目标分量来生成所述目标信号。2.根据权利要求1所述的方法，其中所述源信号和所述目标信号是具有相关起源的生物信号。3.根据权利要求1或2所述的方法，其中所述源信号是光容积图(PPG)信号或心电图(ECG)信号，并且所述目标信号是动脉血压(ABP)信号。4.根据任何前述权利要求所述的方法，其中所述源信号包括从去噪输入信号获得的预定义长度的间隔。5.根据任何前述权利要求所述的方法，其中使用经验模式分解，所述源信号被解构为所述多个解构的源分量。6.根据任何前述权利要求所述的方法，其中所述变换包括希尔伯特变换，并且所述逆变换包括希尔伯特逆变换。7.一种用于无袖带血压估计的设备，该设备包括一个或多个处理器和一个或多个非暂时性计算机可读介质，这些介质共同存储指令，当由一个或多个处理器执行时，这些指令会导致该设备执行操作，这些操作包括：获得源光体积图(PPG)信号；使用第一变换过程将源PPG信号变换为多个PPG分量；使用多个预测模型预测来自所述多个PPG分量的多个预测动脉血压(ABP)分量，其中所述多个预测模型的每个预测模型可操作以从所述多个PPG分量的一个或多个PPG分量映射到所述多个预测ABP分量的预测ABP分量；和使用第二变换过程将所述多个预测的ABP分量变换为目标ABP信号。8.根据权利要求7所述的设备，其中所述操作还包括：引起所述目标ABP信号的输出。9.根据权利要求7或8所述的设备，其中所述第二变换过程是所述第一变换过程的逆过程。10.根据权利要求9所述的设备，其中所述第一变换过程包括希尔伯特
‑
黄变换，并且所述第二变换过程包括逆希尔伯特
‑
黄变...

【专利技术属性】
技术研发人员：E，
申请(专利权)人：亚德诺半导体国际无限责任公司，
类型：发明
国别省市：