【技术实现步骤摘要】
本专利技术涉及人工智能，特别是涉及一种基于无监督脉搏波表征学习的无袖带血压估计方法及系统。
技术介绍
1、连续血压监测技术有可能减轻护理负担，改善预后结果，从而降低死亡率。然而，连续血压测量的黄金标准是一种侵入性方法，即动脉导管插入术，但其存在潜在的疼痛和感染风险。在无创血压测量方法中，最常见的示波测量法需要充气袖带闭塞血管，因此不适合长期监测。已经有很多基于脉搏传输时间(ptt)理论的无创血压测量方法。这种新的传感技术需在皮肤表面放置一个光电探头以获取光电容积脉搏波(ppg)信号，并同时连接粘性电极以获取心电图(ecg)信号。这些新方法具有连续测量的潜力；但是，心电图采集会增加设备的功耗，而且长期黏贴电极测量可能会导致皮肤过敏。
2、近几十年，大量研究集中于设计ppg形态特征，以便于利用机器学习模型捕捉其与血压的关系。然而，这些方法需要对ppg形态特征进行精心设计，并且经常会遇到n-p难题：特征过多会导致冗余和潜在的维度灾难，而特征过少又可能忽略血管动态非线性耦合的关键细节。幸运的是，数据驱动的深度学习技术的最新进展为自动识别将ppg信号映射到血压的最佳特征提供了一条大有可为的途径。
3、然而，已报道的深度学习方法仍存在一些问题，包括估计性能、实验范式、评估协议和应用场景。首先，一个显著的挑战在于测试数据集的不一致。许多研究只在单一数据集上对模型进行评估，没有考虑在真实世界环境中必须从未知分布的数据中推断模型的场景。其次，基于样本间随机打散实验范式的验证方案需要修正。在数据分割过程中，模型需要区分受试者
技术实现思路
1、为了克服现有技术的不足，本专利技术的目的是提供一种基于无监督脉搏波表征学习的无袖带血压估计方法及系统。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于无监督脉搏波表征学习的无袖带血压估计方法，包括：
4、获取待测目标的待测光电容积描记信号；
5、将所述待测光电容积描记信号输入至构建好的血压监测模型中，得到监测到的所述待测目标的血压波形；
6、所述无袖带血压波形连续估计监测模型的构建方法包括：
7、获取样本数据集；所述样本数据集包括具有光电容积描记信号的无标签子集以及具有光电容积描记信号和血压波形标签的配对子集；
8、对所述样本数据集进行数据预处理和数据增强，得到无标签的预训练数据集及有标签的下游微调数据集；
9、构建无监督脉搏波表征学习模块和下游微调血压估计模块；
10、利用所述无标签的预训练数据集对所述无监督脉搏波表征学习模块进行训练，并将所述无监督脉搏波表征学习模块中的第一编码器的参数迁移至所述下游微调血压估计模块的第二编码器中；
11、利用所述有标签的下游微调数据集对所述下游微调血压估计模块进行训练，得到训练好的血压监测模型。
12、优选地，对所述样本数据集进行数据预处理和数据增强，得到无标签的预训练数据集及有标签的下游微调数据集，包括：
13、对所述样本数据集依次进行重采样、去除离群值、滤波降噪、相位对齐、归一化和分割，得到预处理后的数据集；
14、对所述预处理后的数据集依次增加高斯噪声、基线漂移、运动干扰、工频干扰、呼吸窦性节律频率调制，分别得到所述无标签的预训练数据集及有标签的下游微调数据集。
15、优选地，所述无监督脉搏波表征学习模块包括：时间邻域编码子模块、第一编码器、投影器和判别器、无监督表征损失子模块；
16、所述时间邻域编码子模块用于判别所述无标签的预训练数据集中的光电容积描记信号的邻域和非邻域的裁剪窗口；
17、所述第一编码器用于根据所述裁剪窗口进行训练，得到训练好的第一编码器的参数；
18、所述投影器和判别器具有共享权重，所述投影器和判别器用于将嵌入空间中相似状态的光电容积描记信号的序列进行汇聚；
19、所述无监督表征损失子模块用于构建预训练任务的目标函数，并根据所述预训练任务的目标函数对所述光电容积描记信号的序列进行识别。
20、优选地，所述下游微调血压估计模块包括：第二编码器和下游回归器；
21、所述第二编码器具有所述第一编码器的参数；所述第二编码器用于对所述有标签的下游微调数据集进行处理，得到表征特征；
22、所述下游回归器用于根据所述表征特征得到血压估计数据。
23、一种基于无监督脉搏波表征学习的无袖带血压估计系统，包括：
24、待测信号获取单元，用于获取待测目标的待测光电容积描记信号；
25、波形监测单元，用于将所述待测光电容积描记信号输入至构建好的血压监测模型中，得到监测到的所述待测目标的血压波形；
26、所述波形监测单元包括：
27、样本获取子单元，用于获取样本数据集；所述样本数据集包括具有光电容积描记信号的无标签子集以及具有光电容积描记信号和血压波形标签的配对子集；
28、样本处理子单元，用于对所述样本数据集进行数据预处理和数据增强，得到无标签的预训练数据集及有标签的下游微调数据集；
29、模型构建子单元，用于构建无监督脉搏波表征学习模块和下游微调血压估计模块；
30、第一训练子单元，用于利用所述无标签的预训练数据集对所述无监督脉搏波表征学习模块进行训练，并将所述无监督脉搏波表征学习模块中的第一编码器的参数迁移至所述下游微调血压估计模块的第二编码器中；
31、第二训练子单元，用于利用所述有标签的下游微调数据集对所述下游微调血压估计模块进行训练，得到训练好的血压监测模型。
32、优选地，所述样本处理子单元包括：
33、预处理模块，用于对所述样本数据集依次进行重采样、去除离群值、滤波降噪、相位对齐、归一化和分割，得到预处理后的数据集；
34、增强模块，用于对所述预处理后的数据集依次增加高斯噪声、基线漂移、运动干扰、工频干扰、呼吸窦性节律频率调制，分别得到所述无标签的预训练数据集及有标签的下游微调数据集。
35、优选地，所述无监督脉搏波表征学习模块包括：时间邻域编码子模块、第一编码器、投影器和判别器、无监督表征损失子模块；<本文档来自技高网...
【技术保护点】
1.一种基于无监督脉搏波表征学习的无袖带血压估计方法，其特征在于，包括：
2.根据权利要求1所述的基于无监督脉搏波表征学习的无袖带血压估计方法，其特征在于，对所述样本数据集进行数据预处理和数据增强，得到无标签的预训练数据集及有标签的下游微调数据集，包括：
3.根据权利要求1所述的基于无监督脉搏波表征学习的无袖带血压估计方法，其特征在于，所述无监督脉搏波表征学习模块包括：时间邻域编码子模块、第一编码器、投影器和判别器、无监督表征损失子模块；
4.根据权利要求1所述的基于无监督脉搏波表征学习的无袖带血压估计方法，其特征在于，所述下游微调血压估计模块包括：第二编码器和下游回归器；
5.一种基于无监督脉搏波表征学习的无袖带血压估计系统，其特征在于，包括：
6.根据权利要求5所述的基于无监督脉搏波表征学习的无袖带血压估计系统，其特征在于，所述样本处理子单元包括：
7.根据权利要求5所述的基于无监督脉搏波表征学习的无袖带血压估计系统，其特征在于，所述无监督脉搏波表征学习模块包括：时间邻域编码子模块、第一编码器、投影器和判
8.根据权利要求5所述的基于无监督脉搏波表征学习的无袖带血压估计系统，其特征在于，所述下游微调血压估计模块包括：第二编码器和下游回归器；
...【技术特征摘要】
1.一种基于无监督脉搏波表征学习的无袖带血压估计方法，其特征在于，包括：
2.根据权利要求1所述的基于无监督脉搏波表征学习的无袖带血压估计方法，其特征在于，对所述样本数据集进行数据预处理和数据增强，得到无标签的预训练数据集及有标签的下游微调数据集，包括：
3.根据权利要求1所述的基于无监督脉搏波表征学习的无袖带血压估计方法，其特征在于，所述无监督脉搏波表征学习模块包括：时间邻域编码子模块、第一编码器、投影器和判别器、无监督表征损失子模块；
4.根据权利要求1所述的基于无监督脉搏波表征学习的无袖带血压估计方法，其特征在于，所述下游微调血压估计模块...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。