一种基于Transformer网络的无创血压预测方法技术

本发明专利技术公开了一种基于Transformer网络的无创血压预测方法，包括：同步采集用户的PPG信号和ABP信号；对采集的PPG信号进行预处理操作；将ABP信号和经过预处理后的PPG信号样本分为训练集和测试集；构建Transformer血压预测模型，并使用训练集数据进行训练；将测试集数据通过训练后的Transformer血压预测模型预测ABP波形；通过预测得到的ABP波形计算收缩压和舒张压。本发明专利技术采用Transformer模型，输入多头注意力层得到注意力特征，使得算法可在复杂的波形特征中快速提取对当前任务的关键信息，避免因人群的多样性导致人工提取的特征不稳定的问题，提高模型对不同波形的适用性。提高模型对不同波形的适用性。提高模型对不同波形的适用性。

【技术实现步骤摘要】
一种基于Transformer网络的无创血压预测方法


[0001]本专利技术涉及血压预测的
，尤其涉及到一种基于Transformer网络的无创血压预测方法。

技术介绍

[0002]心血管疾病已经严重威胁人类生命健康，每年全球因心血管疾病死亡的人数高达1040万，高血压是心血管疾病的主要危险因素之一。所以，血压监测对于诊断筛查、监测治疗计划以及指示患者健康状况是非常必要的，通过实时检测血压，及时控制血压，可以大大降低心血管并发症和死亡的风险。
[0003]测定血压一般有两种方法：侵入性和非侵入性测量，侵入性方法即有创地将套管插入患者动脉中，直接测量血压，是持续准确监测血压的金标准方法，但由于其侵入性，该方法仅限于健康状况危急的患者。非侵入性方法主要通过柯氏音法和振荡测量法进行无创血压测量，但该方法不能用于连续血压监测，也不能提供动脉血压(ABP,Arterial Blood Pressure)波形，且该方法会压迫动脉血管，如果频繁测量会引起患者不适。因此，国内外研究者致力于寻找一种能够连续、无创且适用于日常血压监测的血压测量方法。
[0004]近年来，有研究将光容积脉搏波(PPG,Photoplethysmography)用于无创血压预测。光容积脉搏波描记术(PPG)可测量血管和组织中的血容量时间变化相关信号，PPG波形携带反映受试者心血管功能的丰富信息，已有研究证明其形成与血压密切相关。且PPG传感器体积小，制造成本低，可嵌入到可穿戴设备中实现日常血压监测。
[0005]针对PPG信号，人们开展了许多研究，利用各种生理参数连续无创地估计血压。脉搏波速度(PWV)是与血压和动脉刚度有关的重要参数之一。PWV是血压脉冲通过循环系统传播的速度，主要通过测量脉冲传递时间(PTT)和脉冲到达时间(PAT)来表示相应的PWV。但测量PTT或PAT需要采集两路PPG同步信号或者PPG与心电图(ECG,Electrocardiography)同步信号，且仅以PTT或PAT建立的血压预测模型泛化性较差。有研究通过对PPG信号进行特征提取，利用机器学习方法比如线性回归、回归森林、AdaBoost等建立血压预测模型，进一步提高了血压预测的准确性，但该方法依赖于人工提取的特征，而人群的多样性使得特征提取的准确性不稳定，存在一定的局限性。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提供一种基于Transformer网络的无创血压预测方法，避免因人群的多样性导致人工提取的特征不稳定的问题，提高模型对不同波形的适用性。
[0007]为实现上述目的，本专利技术所提供的技术方案为：
[0008]一种基于Transformer网络的无创血压预测方法，包括：
[0009]S1、同步采集用户的PPG信号和ABP信号；
[0010]S2、对采集的PPG信号进行预处理操作；
[0011]S3、将ABP信号和经过预处理后的PPG信号样本划分为训练集和测试集；
[0012]S4、构建Transformer血压预测模型，并使用训练集数据对该模型进行训练；
[0013]S5、将测试集数据通过训练后的Transformer血压预测模型预测ABP波形；
[0014]S6、通过预测得到的ABP波形计算收缩压和舒张压。
[0015]进一步地，对采集的PPG信号进行预处理操作包括：
[0016]S2
‑
1、信号去噪；
[0017]使用截止频率为0.5
‑
20Hz的四阶巴特沃斯带通滤波器滤除PPG信号中的高频噪声和基线漂移，另外使用截止频率为0.05Hz的窄带低通滤波器提取PPG信号直流分量中包含的平均血容量相关信息；
[0018]S2
‑
2、PPG信号分割；
[0019]根据预先设置的样本时长，对去噪后的PPG信号进行分割，得到多个PPG信号样本；
[0020]S2
‑
3、将PPG和ABP信号的幅值归一化为[0,1]之间。
[0021]进一步地，输入的PPG信号经过一层全连接层转换为适合Transformer输入的形式，传递到Encoder块；Encoder由N个相同子层构成，每个子层由多头注意力和前馈网络两个模块组成，两个模块之间通过残差连接与层归一化操作处理数据；最后通过全连接层输出预测的ABP波形。
[0022]进一步地，自注意力机制通过三个全连接层将输入映射为请求矩阵Q、键矩阵K、值矩阵V，自注意力计算如下：
[0023][0024]其中表示Q，K，V矩阵每一行的维度；Q和K
T
点乘得到向量的相关性权重分数，除以缓解softmax函数存在的梯度消失问题，通过softmax函数后再与V相乘得到注意力矩阵；
[0025]多头注意力则是通过对Q,K,V矩阵进行多次不同的线性变换，将输入投影到多个不同的子空间，分别进行自注意力计算得到多个输出矩阵，将其拼接在一起得到最终的输出，能使模型关联不同方面的信息，提升模型特征提取性能；
[0026]多头注意力机制为：
[0027]MultiHead(Q,K,V)＝Concat(head1,...,head
h
)W
o
[0028]head
i
＝Attention(QW
iQ
,KW
iK
,VW
iV
)
[0029]其中，W
iQ
，W
iK
，W
iV
分别是Q,K,V第i头的线性变换权重矩阵，W
o
为拼接后的线性变换矩阵。
[0030]进一步地，前馈网络由两个全连接层和一个非线性激活函数以及一个Dropout层组成，描述为：
[0031]F(X)＝Linear2(Dropout(RELU(Linear1(X))))
[0032]其中，Linear1和Linear2分别表示两个全连接层，RELU为采用的非线性激活函数，Dropout层按照设定比例随机丢弃神经元。
[0033]进一步地，注意力模块和前馈网络之间采用残差连接，缓解梯度消失问题，并且通过层归一化操作加速收敛，该过程为：
[0034]H
′
＝LN(MSA(X)+X)
[0035]H＝LN(F(H
′
)+H
′
)
[0036]其中，MSA表示多头注意力模块，LN表示层归一化操作，F表示前馈网络。
[0037]进一步地，在ABP波形的一个心动周期中，收缩压SBP和舒张压DBP分别为血压的最高值和最低值，计算公式如下：
[0038]SBP＝max(ABP)
[0039]DBP＝min(ABP)。
[0040]与现有技术相比，本方案原理及优点如下：
[0041]相比传统机器学习方法依赖人工提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Transformer网络的无创血压预测方法，其特征在于，包括：S1、同步采集用户的PPG信号和ABP信号；S2、对采集的PPG信号进行预处理操作；S3、将ABP信号和经过预处理后的PPG信号样本划分为训练集和测试集；S4、构建Transformer血压预测模型，并使用训练集数据对该模型进行训练；S5、将测试集数据通过训练后的Transformer血压预测模型预测ABP波形；S6、通过预测得到的ABP波形计算收缩压和舒张压。2.根据权利要求1所述的一种基于Transformer网络的无创血压预测方法，其特征在于，对采集的PPG信号进行预处理操作包括：S2
‑
1、信号去噪；使用截止频率为0.5
‑
20Hz的四阶巴特沃斯带通滤波器滤除PPG信号中的高频噪声和基线漂移，另外使用截止频率为0.05Hz的窄带低通滤波器提取PPG信号直流分量中包含的平均血容量相关信息；S2
‑
2、PPG信号分割；根据预先设置的样本时长，对去噪后的PPG信号进行分割，得到多个PPG信号样本；S2
‑
3、将PPG和ABP信号的幅值归一化为[0,1]之间。3.根据权利要求1所述的一种基于Transformer网络的无创血压预测方法，其特征在于，输入的PPG信号经过一层全连接层转换为适合Transformer输入的形式，传递到Encoder块；Encoder由N个相同子层构成，每个子层由多头注意力和前馈网络两个模块组成，两个模块之间通过残差连接与层归一化操作处理数据；最后通过全连接层输出预测的ABP波形。4.根据权利要求3所述的一种基于Transformer网络的无创血压预测方法，其特征在于，自注意力机制通过三个全连接层将输入映射为请求矩阵Q、键矩阵K、值矩阵V，自注意力计算如下：其中表示Q，K，V矩阵每一行的维度；Q和K
T
点乘得到向量的相关性权重分数，除以缓解softmax函数存在的梯度消失问题，通过softmax函数后再与V相乘得到注意力矩阵；多头...

【专利技术属性】
技术研发人员：刘立程，田俊豪，王小林，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：