一种基于ETENet的端到端手机血氧测量系统技术方案

本发明专利技术提出一种基于ETENet的端到端手机血氧测量系统包括数据采集单元、信号质量评估模块和血氧估计模块；数据采集单元由光电传感器和LED灯组成，用于获取PPG信号；信号质量评价模块用于对PPG信号行质量评价筛选，判断信号是否可用；血氧估计模块用于通过PPG信号生成血氧饱和度；本发明专利技术提供了一种基于全卷积架构神经网络的轻量化模型的移动设备血氧估计方法，为在减小模型参数量方便移动设备部署的同时不失精度；提出了一种在移动设备上实现高实时性的无需任何预处理步骤，以端到端的方式估计SpO2的方案。估计SpO2的方案。估计SpO2的方案。

【技术实现步骤摘要】
一种基于ETENet的端到端手机血氧测量系统


[0001]本专利技术涉及智能医学
，特别涉及一种基于ETENet的端到端手机血氧测量系统。

技术介绍

[0002]现阶段连续血氧的检测的方法主要为基于光电传感的方法。基于光电传感的连续血氧检测方法是利用光电容积脉搏波描记法(photoplethysmographic，PPG)，虽然具有相关器件小型化、佩戴舒适性好、低功耗等诸多优点，但是其仍旧存在不可忽视的问题：在基于双波长血氧检测解析方法中，对于光电容积传感器数据的依赖性；以及深度学习模型的复杂计算量和数据量要求等诸多问题都是研发端到端手机血氧测量系统所存在的挑战。

技术实现思路

[0003]本专利技术提出了一种基于ETENet的端到端手机血氧测量系统，所述基于ETENet的端到端手机血氧测量系统包括数据采集单元、信号质量评估模块和血氧估计模块；
[0004]所述数据采集单元由光电传感器和LED灯组成，用于获取PPG信号；
[0005]所述信号质量评价模块用于对所述PPG信号行质量评价筛选，判断信号是否可用；
[0006]所述血氧估计模块用于通过所述PPG信号生成血氧饱和度；
[0007]所述血氧估计模块包括依次连接的第一卷积层、最大池化层、第一残差模块、第二卷积层、第二残差模块、第三卷积层、第三残差模块、第四卷积层、第四残差模块、第五卷积层和一维全局平均池化单元；所述血氧估计模块中卷积层使用一维卷积，所述一维全局平均池化单元将一维卷积层的输出特征图转换为标量值，并输出所述血氧饱和度。
[0008]更近一步地，所述信号质量评价模块对PPG信号进行分窗处理，生成PPG信号的5s窗口数据，并计算PPG窗口信号数据的时滞皮尔逊相关系数算法：
[0009]r＝(n*∑(xy)
‑
∑x*∑y)/sqrt((n*∑x2‑
(∑x)2)*n*∑y2‑
(∑y)2))
[0010]其中，n是时间序列的长度，x是当前PPG序列的值，y是标准PPG序列的值，Σ表示求和，xy表示x和y在同一个时间点上的乘积，sqrt表示平方根，r表示当前信号窗的皮尔逊相关系数。
[0011]更近一步地，所述第一卷积层为3*1的卷积核，步长为1，组数为8；第二卷积层为3*1的卷积核，步长为1，组数为16；第三卷积层为3*1的卷积核，步长为1，组数为16；第四卷积层为3*1的卷积核，步长为1，组数为24；第五卷积层为3*1的卷积核，步长为1，组数为24。
[0012]更近一步地，所述残差模块包括两个3*1的卷积核，步长为1，组数为1的卷积层；所述残差模块输入数据通过两个卷积层处理后与原输入数据相加。
[0013]更近一步地，所述血氧估计模块包括归一化处理单元，所述归一化处理单元获取所述PPG信号，进行归一化后输入所述第一卷积层；
[0014]所述归一化处理单元对数据集中的PPG窗口信号数据进行最大最小值的归一化：
[0015][0016]其中，a为信号值，a
Min
为该PPG窗口信号数据的信号最小值，a
Max
为该PPG窗口信号数据的信号最大值。
[0017]更近一步地，所述血氧估计模块的损失函数采用log_cosh函数：
[0018][0019]其中，L表示损失函数值，z表示真实值，表示预测值，log表示自然对数，cosh表示双曲余弦函数。
[0020]更近一步地，所述基于ETENet的端到端手机血氧测量系统还包括存储单元；
[0021]所述存储单元与数据采集单元连接，用于存储由所属数据采集单元读取后的PPG信号数据；
[0022]更近一步地，所述基于ETENet的端到端手机血氧测量系统还包括信号质量矫正模块；
[0023]所述信号质量矫正模块与所述信号质量评估模块连接，用于对信号质量不满足要求的数据进行质量恢复。
[0024]本申请的有益效果是：
[0025]本专利技术提供了一种基于全卷积架构神经网络的轻量化模型的移动设备血氧估计方法，为在减小模型参数量方便移动设备部署的同时不失精度；提出了一种在移动设备上实现高实时性的无需任何预处理步骤，以端到端的方式估计SpO2的方案。
[0026]本专利技术提供的信号质量评估模块引入了时间滞后的概念，通过在同一个时间点上比较x和y的值来计算它们之间的相关性。可以帮助消除时间滞后效应，提高相似度计算的准确性。
[0027]本专利技术提供的基于全卷积的神经网络模型使用一维卷积，卷积核在每个时间步上只会关注输入序列中的一个时间点和相邻的两个时间点，而不是将整个PPG信号作为一个整体进行处理，可以让网络更加关注局部的特征信息，获取更精确的结果。
[0028]本专利技术提供的基于全卷积的神经网络模型，不使用全连接层可以在不降低精度的情况下，减少计算量，降低过拟合风险，同时保留原始特征向量的重要信息。同时加入采用残差块架构；通过残差连接，网络可以学习到残差部分的信息，从而更好地利用和优化原始的特征表示；同时，在残差块和模型结构中，一维卷积使用了多个卷积核并行地对输入序列进行卷积操作，从而提高模型的表示能力和泛化能力。
[0029]本专利技术提供的基于全卷积的神经网络模型使用一维全局平均池化，可以减少模型的参数数量和计算量，同时防止过拟合，保留原始特征向量的重要信息，可以提高模型的鲁棒性和可解释性。
[0030]本专利技术提供的基于全卷积的神经网络模型，采用Log
‑
cosh损失函数，Log
‑
cosh损失函数在误差较小的情况下，近似为误差的平方，而在误差较大的情况下，近似为L1损失。相比于均方误差损失函数，Log
‑
cosh在存在异常值的情况下具有更好的稳健性。可以使系统的参数量和计算量大大减小，使得在移动设备上部署模型变得容易。
附图说明
[0031]图1为本专利技术提出实施例中一种基于ETENet的端到端血氧测量系统示意图；
[0032]图2为本专利技术提出的一种基于ETENet的端到端血氧测量估计模型示意图。
具体实施方式
[0033]为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。
[0034]在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。
[0035]如附图1所示，本专利技术设计了一种基于ETENet的端到端手机血氧测量系统。
[0036]端到端手机血氧测量系统，该端到端手机血氧测量系统包括数据采集单元101、存储单元102、信号质量评估模块103、信号质量矫正模块104和血氧估计模块105。
[0037]数据采集单元101由光电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ETENet的端到端手机血氧测量系统，其特征在于，所述基于ETENet的端到端手机血氧测量系统包括数据采集单元(101)、信号质量评估模块(103)和血氧估计模块(105)；所述数据采集单元(101)由光电传感器和LED灯组成，用于获取PPG信号；所述信号质量评价模块(103)用于对所述PPG信号行质量评价筛选，判断信号是否可用；所述血氧估计模块(105)用于通过所述PPG信号生成血氧饱和度；所述血氧估计模块(105)包括依次连接的第一卷积层、最大池化层、第一残差模块、第二卷积层、第二残差模块、第三卷积层、第三残差模块、第四卷积层、第四残差模块、第五卷积层和一维全局平均池化单元；所述血氧估计模块(105)中卷积层使用一维卷积，所述一维全局平均池化单元将一维卷积层的输出特征图转换为标量值，并输出所述血氧饱和度。2.根据权利要求1所述基于ETENet的端到端手机血氧测量系统，其特征在于，所述信号质量评价模块(103)对PPG信号进行分窗处理，生成PPG信号的5s窗口数据，并计算PPG窗口信号数据的时滞皮尔逊相关系数算法：r＝(n*∑(xy)
‑
∑x*∑y)/sqrt((n*∑x2‑
(∑x)2)*(n*∑y2‑
(∑y)2))其中，n是时间序列的长度，x是当前PPG序列的值，y是标准PPG序列的值，Σ表示求和，xy表示x和y在同一个时间点上的乘积，sqrt表示平方根，r表示当前信号窗的皮尔逊相关系数。3.根据权利要求1所述基于ETENet的端到端手机血氧测量系统，其特征在于，所述第一卷积层为3*1的卷积核，步长为1，组数为8；第二卷积层为3*1的卷积核，步长为1，组数为16；第三卷积层为3*1的卷积核，步长为1，组数为16；第...

【专利技术属性】
技术研发人员：马喜波，夏超然，卢涛，
申请(专利权)人：北京华视诺维医疗科技有限公司，
类型：发明
国别省市：