基于PPG信号和深度学习算法的DPN筛查模型的构建方法技术

本发明专利技术涉及一种基于PPG信号和深度学习算法的DPN筛查模型的构建方法，包括：获取PPG信号和人体生理特征，由PPG信号和人体生理特征组成实验数据集；对获取的实验数据集进行预处理，得到预处理后的实验数据集；基于预处理后的实验数据集构建神经网络模型，输出DPN筛查结果；采用性能评估指标对神经网络模型的性能进行验证，证明其有效性。本发明专利技术采用PPG信号进行筛查，在保证高准确率的同时也避免了传统DPN筛查方式的侵入性及其不适感；解决了人工设计和提取PPG特征方法具有局限性和复杂性的问题，有利于提高DPN筛查的准确率，取得了很好的筛查效果，降低了DPN筛查难度，使DPN筛查变得方便快捷。

【技术实现步骤摘要】

本专利技术涉及深度学习，尤其是一种基于ppg信号和深度学习算法的dpn筛查模型的构建方法。

技术介绍

1、糖尿病周围神经病变dpn是糖尿病最常见的微血管并发症之一，也是糖尿病足溃疡和截肢的主要原因。在糖尿病患者中，约50％的糖尿病患者会发展为dpn。通过早期筛查出dpn患者并进行干预，可以预防或延缓糖尿病足的发生。神经传导速度ncv是dpn筛查的“金标准”方法，能够直接反映神经功能的变化。然而，ncv检查具有侵入性且检查费用较贵，并没有成为dpn的常规筛查手段。因此，需要发展一种对受试者更加友好的dpn筛查新技术。

2、ppg信号的本质是左心室射血产生的血流经周身动脉树和毛细血管床传导，形成的血液容积信号在体表被检测。沿途动脉的结构与弹性、神经功能、微循环状态等，都会对ppg波形信号的最终形态产生影响。因此，ppg信号形态具有反映神经功能变化的潜力，可用于dpn的早期筛查。然而，传统机器学习方法在构建dpn筛查模型时，需要先从ppg信号中提取出相关特征，而人工设计和提取特征具有局限性和复杂性。

技术实现思路<本文档来自技高网...

【技术保护点】

1.一种基于PPG信号和深度学习算法的DPN筛查模型的构建方法，其特征在于：该方法包括下列顺序的步骤：

2.根据权利要求1所述的基于PPG信号和深度学习算法的DPN筛查模型的构建方法，其特征在于：在步骤(1)中，所述PPG信号为受试者脚趾PPG信号；所述人体生理特征包括年龄、性别、BMI、糖尿病史、临床症状、糖尿病病程、血糖控制情况、糖尿病家族史、血管病变情况，所述血管病变情况包括高血压、心血管疾病史、视网膜病变史和肾病史。

3.根据权利要求1所述的基于PPG信号和深度学习算法的DPN筛查模型的构建方法，其特征在于：所述步骤(2)具体包括以下步骤：

4...

【技术特征摘要】

1.一种基于ppg信号和深度学习算法的dpn筛查模型的构建方法，其特征在于：该方法包括下列顺序的步骤：

2.根据权利要求1所述的基于ppg信号和深度学习算法的dpn筛查模型的构建方法，其特征在于：在步骤(1)中，所述ppg信号为受试者脚趾ppg信号；所述人体生理特征包括年龄、性别、bmi、糖尿病史、临床症状、糖尿病病程、血糖控制情况、糖尿病家族史、血管病变情况，所述血管病变情况包括高血压、心血管疾病史、视网膜病变史和肾病史。

3.根据权利要求1所述的基于ppg信号和深度学习算法的dpn筛查模型的构建方法，其特征在于：所述步骤(2)具体包括以下步骤：

4.根据权利要求1所述的基于ppg信号和深度学习算法的dpn筛查模型的构建方法，其特征在于：在步骤(3)中，所述神经网络模型分为三个部分：第一部分为用于从ppg信号中提取第一特征即feature1的一维卷积神经网络，一维卷积神经网络由两个串联的卷积块和一个全连接层组成，每个卷积块包括一个一维卷积层、一个归一化层和一个最大池化层；第二部分包括二维卷积神经网络和注意力机制模块，所述二维卷积神经网络由五个卷积块和一个全连接层组成，每个卷积块包括一个一维卷积层、一个归一化层和一个最大池化层，第二个卷积块和第四个卷积块后引入注...

【专利技术属性】
技术研发人员：马祖长，张小玉，王昕，孙怡宁，
申请(专利权)人：安徽脉旺智能科技有限公司，
类型：发明
国别省市：