【技术实现步骤摘要】
本专利技术属于深度学习，具体涉及一种基于脉搏波的心输出量估计方法及设备。
技术介绍
1、心输出量co(cardiac output)是指每分钟左心室或右心室射入主动脉或肺动脉的血量，是衡量心脏射血功能的强弱是否正常的指标，也是评价循环系统效率高低的重要指标，是临床与实验研究中很重视的问题。现有的测量心输出量的方法有肺动脉导管、经肺热稀释、动脉导管、食管超声监测、胸部阻抗法和生物电抗法等。经肺热稀释法在临床实践中被认为是测量心输出量的金标准。然而上述方法因其侵入性或测量复杂性限制了其应用场景。例如经肺热稀释法，由于其侵入性，与放置相关的风险限制了其仅用于心脏手术，肝移植和一些危重患者。
2、相反，基于光电容积脉搏波(ppg)估计心输出量的方法是一种非侵入性的方法，可以从光电容积脉搏波波形中估计心输出量，而不会具有侵入性方法导致相关并发症的风险。该方法通过分析脉搏波波形和患者的一般特征来估计预测心输出量。机器学习技术的最新进展为解决临床问题带来了许多新方法。深度学习技术，如卷积神经网络(cnn)，在生物信号分析方面表现良好。目前已存在一些深度学习方面的关于心输出量检测的方法，然而，深度学习方面的关于心输出量检测的方法的准确度不够高、泛化性和鲁棒性较差、且信号采集过于复杂。
技术实现思路
1、为了解决现有技术中所存在的上述问题，本专利技术提供了一种基于脉搏波的心输出量估计方法及设备。
2、本专利技术要解决的技术问题通过以下技术方案实现：
3、本专利技术
4、分别采集待测用户的脉搏波信号和用户特征；
5、对所述用户特征进行编码处理，得到编码信息；
6、对采集的脉搏波信号进行信号预处理，得到预处理数据；
7、采用训练好的数据质量评估网络，对所述预处理数据进行评估，得到评估结果；
8、当所述评估结果不满足预设条件时，重新采集所述待测用户的脉搏波信号，并对重新采集的脉搏波信号进行信号预处理，直至所述待测用户的所述预处理数据的评估结果满足所述预设条件；
9、采用训练好的心输出量预测网络，对评估结果满足所述预设条件的预处理数据以及所述编码信息进行处理，得到心输出量预测结果。
10、在一些实施例中，所述采用训练好的心输出量预测网络，对评估结果满足所述预设条件的预处理数据以及所述编码信息进行处理，得到心输出量预测结果，包括：
11、采用多个串联的卷积处理模块，对评估结果满足所述预设条件的预处理数据进行处理，得到第一特征；
12、采用多个串联的se-inception模块，对所述第一特征进行多次处理，得到第二特征；
13、采用nonlocal模块，对所述第二特征进行处理，得到第三特征；
14、采用全局平均池化层对所述第三特征进行处理，得到全局池化结果；
15、对所述全局池化结果和所述编码信息进行处理，得到所述心输出量预测结果。
16、在一些实施例中，所述多个串联的卷积处理模块包括：两个串联的卷积处理模块；每个卷积处理模块依次包括：卷积层和bn层。
17、在一些实施例中，所述多个串联的se-inception模块包括：六个串联的se-inception模块；每个串联的se-inception模块依次包括：se-inception层和平均池化层。
18、在一些实施例中，所述nonlocal模块包括：两个串联的nonlocal层。
19、在一些实施例中，所述对所述全局池化结果和所述编码信息进行处理，得到所述心输出量预测结果，包括：
20、采用第一全连接层对所述全局池化结果和所述编码信息进行线性组合处理，得到第一输出结果；
21、采用bn层对所述第一输出结果进行批标准化处理，得到第二输出结果；
22、采用第二全连接层对所述第二输出结果进行线性组合处理，得到所述心输出量预测结果。
23、在一些实施例中，所述采用训练好的数据质量评估网络，对所述预处理数据进行评估，得到评估结果，包括：
24、采用多个串联的conv模块提取所述预处理数据的时间和形态特征，得到提取特征；
25、采用线性层、relu层和softmax层，依次对所述提取特征进行处理，得到所述预处理数据的所述评估结果。
26、在一些实施例中，所述多个串联的conv模块包括：6个串联的conv模块；每个conv模块依次包括：conv层、bn层和relu层。
27、在一些实施例中，所述用户特征包括：身高、体重、性别和年龄。
28、本专利技术还提供一种基于脉搏波的心输出量估计设备，包括处理器、通信接口、存储器和通信总线，其特征在于，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信；
29、所述存储器，用于存放计算机程序；
30、所述处理器，用于执行存储器上所存放的程序时，实现上述的一种基于脉搏波的心输出量估计方法的步骤。
31、与现有技术相比，本专利技术的有益效果：
32、本专利技术采用特殊设计的卷积神经网络对脉搏波信号进行质量判断，并选取高质量信号进行预测，从而改善了预测的准确度；本专利技术采用特殊设计的卷积神经网络进行心输出量的预测，改善了预测的准确度；本专利技术将通过特殊设计的卷积神经网络提取得到的脉搏波特征与用户的个体特征(即用户特征)进行结合，不仅增强了预测泛化性和鲁棒性，而且降低了信号采集难度。
33、以下将结合附图及对本专利技术做进一步详细说明。
本文档来自技高网...【技术保护点】
1.一种基于脉搏波的心输出量估计方法，其特征在于，包括：
2.根据权利要求1所述的基于脉搏波的心输出量估计方法，其特征在于，所述采用训练好的心输出量预测网络，对评估结果满足所述预设条件的预处理数据以及所述编码信息进行处理，得到心输出量预测结果，包括：
3.根据权利要求2所述的基于脉搏波的心输出量估计方法，其特征在于，所述多个串联的卷积处理模块包括：两个串联的卷积处理模块；每个卷积处理模块依次包括：卷积层和BN层。
4.根据权利要求2所述的基于脉搏波的心输出量估计方法，其特征在于，所述多个串联的SE-inception模块包括：六个串联的SE-inception模块；每个串联的SE-inception模块依次包括：SE-inception层和平均池化层。
5.根据权利要求2所述的基于脉搏波的心输出量估计方法，其特征在于，所述Nonlocal模块包括：两个串联的Nonlocal层。
6.根据权利要求2所述的基于脉搏波的心输出量估计方法，其特征在于，所述对所述全局池化结果和所述编码信息进行处理，得到所述心输出量预测结果，包括：
7.根据权利要求1所述的基于脉搏波的心输出量估计方法，其特征在于，所述采用训练好的数据质量评估网络，对所述预处理数据进行评估，得到评估结果，包括：
8.根据权利要求7所述的基于脉搏波的心输出量估计方法，其特征在于，所述多个串联的CONV模块包括：6个串联的CONV模块；每个CONV模块依次包括：CONV层、BN层和RELU层。
9.根据权利要求1所述的基于脉搏波的心输出量估计方法，其特征在于，所述用户特征包括：身高、体重、性别和年龄。
10.一种基于脉搏波的心输出量估计设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其特征在于，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信；
...【技术特征摘要】
1.一种基于脉搏波的心输出量估计方法，其特征在于，包括：
2.根据权利要求1所述的基于脉搏波的心输出量估计方法，其特征在于，所述采用训练好的心输出量预测网络，对评估结果满足所述预设条件的预处理数据以及所述编码信息进行处理，得到心输出量预测结果，包括：
3.根据权利要求2所述的基于脉搏波的心输出量估计方法，其特征在于，所述多个串联的卷积处理模块包括：两个串联的卷积处理模块；每个卷积处理模块依次包括：卷积层和bn层。
4.根据权利要求2所述的基于脉搏波的心输出量估计方法，其特征在于，所述多个串联的se-inception模块包括：六个串联的se-inception模块；每个串联的se-inception模块依次包括：se-inception层和平均池化层。
5.根据权利要求2所述的基于脉搏波的心输出量估计方法，其特征在于，所述nonlocal模块包括：两个串联的nonloca...
【专利技术属性】
技术研发人员：秦伟，姚志伟，曾啸，李文玉，郜宇航，王远宁，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
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。