一种基于深度学习的扩散相关光谱无创血压连续监测方法技术

本发明专利技术公开了一种基于深度学习的扩散相关光谱无创血压连续监测方法，具体包括：首先，基于扩散相关光谱技术获取被测试者手臂部位的光强自相关函数数据，利用传统非线性拟合方法计算出组织血流指数；然后，基于所提出的U

【技术实现步骤摘要】
correlation spectroscopy and frequency
‑
domain near infrared spectroscopy in monitoring cerebral hemodynamics during hypothermic circulatory arrests[J].JTCVS Techniques,2021.
[0008][3]A.B.Parthasarathy et al.,“Dynamic autoregulation of cerebral blood flow measured non
‑
invasively with fast diffuse correlation spectroscopy”[J].Cereb.Blood Flow Metab.,vol.38,no.2,pp.230
–
240,(2018)doi:10.1177/0271678X17747833.
[0009][4]Chien Sing Poon et al.,Deep learning model for ultrafast quantificationof blood flow in diffuse correlation spectroscopy.Biomedical Optics Expressvol.11,no.10/1,pp.5557
‑
5564(2020)doi:https://doi.org/10.1364/BOE.402508
专利
技术实现思路

[0010]本专利技术提出了一种基于深度学习的扩散相关光谱无创血压连续监测方法。本专利技术为基于扩散相关光谱的无创血压连续监测提供了新方法。所涉及的深度学习方法是利用扩散相关光谱技术获取的光强自相关函数计算出的组织血流指数(BFI,cm2/s)，光纤探头测量部位位于受试者的左臂，在对组织血流进行测量的同时，通过无创血压连续监测仪对受试者的右臂以及右臂的中指、食指进行无创连续监测，得到连续血压波形，从而替代传统的血压测量方法。
[0011]为达上述目的，本专利技术所采用的技术方案为：
[0012]一种基于深度学习的扩散相关光谱无创血压连续监测方法，详见下文描述：
[0013]步骤(1)：数据采集；利用扩散相关光谱血流检测系统对健康志愿者在平稳状态条件下采集光强自相关函数g2(τ)的数据，利用传统的非线性拟合方法将组织血流变化计算出，血压是通过将无创血压连续监测仪的袖带卷扎在受试者的上臂以及用探测器探测中指、食指处测量得到，并将血压作为标签。
[0014]步骤(2)：数据预处理；对于步骤(1)所获得连续血压数据，进行归一化预处理后，将上述数据随机分为训练集和测试集两组，其中训练集数据将作为深度学习网络的数据输入。
[0015]步骤(3)：深度学习网络构建；针对所计算出连续血压数据的特点，利用改进的U
‑
net网络模型来预测连续血压波形；所构建的改进的U
‑
net网络结构包括对称的两部分，第一部分为收缩块，包括五层卷积层和池化下采样；第二部分为扩展块，包括五层卷积层和上采样，网络的输入是长度为1250的组织血流数据，先将其分别输入到四个卷积核大小不同的卷积层中，然后进行将得到的结果进行拼接，将输出与最初的输入使用残差网络相连接以及通过两层卷积核大小分别为1
×
2和2
×
2的最大池化层，对信号进行整体平均，提高信噪比，增强了神经网络剔除冗余信息的能力；后经过收缩块和扩展块，其中收缩块包含五个卷积核大小为1
×
3，步长为1的下采样卷积层，扩展块包括五个卷积核大小为1
×
3，步长为1，边缘填充值为1的上采样反置卷积层，每个下采样卷积层和上采样反置卷积层的后面都会进行批归一化操作，并且跟随一个inception模块，在inception模块中首先通过卷积核为1
×
1的卷积层来降低通道数把信息聚集一下，再进行不同尺度的特征提取，得到多个尺
度的信息，而后将特征进行叠加输出；并且在扩展块与收缩块中间添加了自注意力机制，使得网络既能看到全局信息，又能聚焦到重点信息上，提高了网络输出的准确率。在扩展块之后，输出的数据会通过一个平滑层，包括八个卷积核大小为1
×
3，步长大小为1的卷积层，用于对数据进行特征提取和恢复，最后通过一个全连接层输出结果，从而产生连续血压值作为输出，即通过深度学习方法建立从组织血流指数到血压值的端到端网络，从而得到连续血压波形。
[0016]步骤(4)：网络训练与诊断；步骤(2)中训练集样本数据输入步骤(3)所构建的U
‑
net网络中进行训练，训练完成后将测试集样本数据输入已训练好的网络模型中进行诊断，从而得到连续血压波形。
[0017]进一步的，本专利技术所用的扩散相关光谱组织血流检测系统的流程框架为，检测到的光信号经由单模光纤进入高灵敏度单光子计数器；单光子计数器对传入的光子进行计数后，由数据采集卡将数据送入到上位机中计算得到组织血流，实现了数据的采集与处理。
[0018]进一步的，步骤(1)中数据采集部分所涉及的DCS获取血流实验的测量部位为手臂；DCS获取血流实验即是测量被测试者在静息状态下组织血流指数变化。
[0019]进一步的，步骤(1)中无创血压连续监测仪的原理是通过手指传感器监测每次心跳，并且将袖带对准手臂动脉血管，血液流经袖带卷扎位置时会产生脉动作用，从而引起袖带中的空气波动，最终形成血压波形。
[0020]进一步的，步骤(1)中实验的测量时长为180s，采集频率为10Hz。
[0021]进一步的，步骤(2)中训练集数据和测试集数据均为利用光强自相关函数数据拟合得到的组织血流指数，每个组织血流指数数据的长度为1250。其中训练集数据为14880例，测试集数据为4000例。
[0022]进一步的，步骤(3)中所构建的改进U
‑
net网络，该网络结构包括对称的两部分，第一部分为收缩块，包括卷积和池化下采样；第二部分为扩展块，包括卷积和上采样。
[0023]有益效果
[0024]本专利技术提供一种基于深度学习的扩散相关光谱无创血压连续监测方法。首先，基于扩散相关光谱技术获取被测试者手臂部位的光强自相关函数数据，利用传统非线性拟合方法计算出组织血流指数；然后，基于所提出的U
‑
net网络将拟合出的组织血流指数数据进行训练，建立从组织血流指数到血压之间的端到端网络模型；最后，将测试集数据送入训练好的网络模型中，实现血压的预测，从而得到连续血压波形。本专利技术克服了现有无创血压连续监测方法操作繁琐、因袖带充气而导致不适等不足，直接建立了组织血流指数与血压间的端到端关系，为无创血压连续监测提供了新方法，为人们了解血压的起伏变化提供了方便。
附图说明
[0025]图1为本专利技术方法的整体流程图；
[0026本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的扩散相关光谱无创血压连续监测方法，其特征在于：步骤(1)：数据采集；利用扩散相关光谱血流检测系统对健康志愿者在平稳状态条件下对前臂采集光强自相关函数g2(τ)的数据，利用传统的非线性拟合方法将组织血流变化计算出；血压是通过将无创血压连续监测仪的袖带卷扎在受试者的上臂以及用探测器探测中指、食指处测量得到，并将血压作为标签；步骤(2)：数据预处理；对于步骤(1)所获得连续血压数据，进行归一化预处理后，将上述数据随机分为训练集和测试集两组，其中训练集数据将作为深度学习网络的数据输入；步骤(3)：深度学习网络构建；针对所计算出连续血压数据的特点，利用改进的U
‑
net网络模型来预测连续血压波形；所构建的改进的U
‑
net网络结构包括对称的两部分，第一部分为收缩块，包括五层卷积层和池化下采样；第二部分为扩展块，包括五层卷积层和上采样，网络的输入是长度为1250的组织血流数据，先将其分别输入到四个卷积核大小不同的卷积层中，然后进行将得到的结果进行拼接，将输出与最初的输入使用残差网络相连接以及通过两层卷积核大小分别为1
×
2和2
×
2的最大池化层，对信号进行整体平均，提高信噪比，增强了神经网络剔除冗余信息的能力；后经过收缩块和扩展块，其中收缩块包含五个卷积核大小为1
×
3，步长为1的下采样卷积层，扩展块包括五个卷积核大小为1
×
3，步长为1，边缘填充值为1的上采样反置卷积层，每个下采样卷积层和上采样反置卷积层的后面都会进行批归一化操作，并且跟随一个inception模块，在inception模块中首先通过卷积核为1
×
1的卷积层来降低通道数把信息聚集一下，再进行不同尺度的特征提取，得到多个尺度的信息，而后将特征进行叠加输出；并且在扩展块与收缩块中间添加了自注意力机制；在扩展...

【专利技术属性】
技术研发人员：李哲，白江涛，姜敏楠，冯金超，贾克斌，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：