CN112806977B - 基于多尺度融合网络的生理参数测量方法 - Google Patents

基于多尺度融合网络的生理参数测量方法 Download PDF

Info

Publication number
CN112806977B
CN112806977B CN202110160054.4A CN202110160054A CN112806977B CN 112806977 B CN112806977 B CN 112806977B CN 202110160054 A CN202110160054 A CN 202110160054A CN 112806977 B CN112806977 B CN 112806977B
Authority
CN
China
Prior art keywords
physiological
physiological parameter
matrix
scale fusion
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110160054.4A
Other languages
English (en)
Other versions
CN112806977A (zh
Inventor
杨翠微
胡启晗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN202110160054.4A priority Critical patent/CN112806977B/zh
Publication of CN112806977A publication Critical patent/CN112806977A/zh
Application granted granted Critical
Publication of CN112806977B publication Critical patent/CN112806977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Cardiology (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Pulmonology (AREA)
  • Fuzzy Systems (AREA)
  • Power Engineering (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明提供一种基于多尺度融合网络的生理参数测量方法。所述方法包括：对生理信号进行采样并生成一维生理信号数据序列；经数据片段划分和信号质量评估，对符合信号质量要求的数据片段进行噪声滤除；然后对数据片段进行数学变换生成多维的输入数据张量；利用多尺度融合网络对输入数据提取潜在特征得到生理参数的估计值。通过识别测量模式标识符，将所有估计值的均值作为静态模式下的生理参数测量值；将所有估计值构成的一维连续数据序列作为动态模式下的生理参数连续测量值。本方法可充分提取信号中不同尺度的互补信息，实现生理参数的准确测量，其应用范围涵盖所有生理参数的测量，在心血管疾病研究和信号处理研究领域均具有一定的应用价值。

Description

基于多尺度融合网络的生理参数测量方法
技术领域
本发明涉及一种基于多尺度融合网络的生理参数测量方法。
背景技术
心脏是人体血液循环的动力中心，通过有规律的搏动向全身供血满足人体的新陈代谢，从而维持人体正常的生命活动。有效测量心血管***相关的生理参数以监控人体健康状况来预防心血管疾病是及其重要的。随着人口老龄化和工作压力的增长，国内心血管疾病的患病率正在逐年增长。而根据世界卫生组织2020年的报告，在全球范围内，心血管疾病已成为人类死亡的主要原因。因此，动态检测心血管***相关的生理参数并对健康状况进行准确评估，对于心血管疾病的防治有着重大的实际意义。
目前常用的生理参数检测设备，如动态血压监护仪、动脉硬化检测仪、微循环检测仪等，需要佩戴大量的医学传感器。尽管这些设备在测量过程中结果准确，但是长时间的佩戴会使得患者不适，并且设备过于笨重和昂贵，不方便在日常生活中的使用。因此便携性与舒适度是面向日常生活的生理参数测量***的关键。
而近些年来，可穿戴技术和高性能处理芯片的发展为生理信号处理奠定了硬件基础，而深度学习的兴起则使得生理参数的准确测量成为了可能，因此越来越多的研究专注于利用深度学习算法从生理信号中自动提取特征参数来估计生理参数。生理信号大多是具有周期性的一维时间序列，其变化反映了人体各个***的生理信息。目前，大多数研究都采用单一尺度的卷积神经网络来实现自动的特征提取，但是这种做法忽略了其他尺度上可能有用的信息，导致测量精度无法进一步的提高。同时，对于同一种生理信号，其个体间的差异性和波形的易变性也导致单一尺度的卷积神经网络无法有效地提取特征。
发明内容
为了克服上述缺陷，本发明的目的在于提出一种全新的基于多尺度融合网络的生理参数测量方法。本发明方法通过结合不同尺度的信息充分发挥不同尺度信息互补的优势，实现准确的生理参数测量。同时，所采用的端到端的神经网络免除了繁琐的特征点检测和特征工程。本发明方法通过多尺度融合网络对生理信号提取多尺度融合的特征，并利用这些特征回归得到待测量的生理参数估计值，然后根据测量模式标识符进行相应的操作输出待测生理参数的静态均值或动态连续测量值。
本发明提出了一种基于多尺度融合网络的生理参数测量方法，具体步骤如下：
（1）采集静态或动态情况下生物个体的生理信号；对采集到的生理信号进行预处理，即先进行数据片段裁剪、重采样和归一化操作，接着采用滤波或其他信号处理方法去除基线漂移、工频、呼吸、运动伪迹和肌电噪声等的干扰，得到一维信号片段；
（2）对于步骤（1）得到的一维信号片段，采用数学变换扩充维度以构建更加完备和丰富的生理信号表征，得到三维矩阵 [B, C, N]，其中：B为分割后的数据片段总数， C为经过数学变换后的维度，N为数据片段长度，即样本点数；
（3）对于步骤（2）得到的三维矩阵 [B, C, N]，按照一定的比例（如，9:1、8:2或7:3）划分为训练集 [B 1 , C, N]与测试集 [B 2 , C, N]，B 1 和B 2 分别为训练集和测试集中的片段数量，并且B 1 和B 2 之和等于B；
（4）构建生理参数测量模型，该模型包括三个部分：多尺度融合网络、混合注意力机制和卷积网络层；按照预定的尺度数量I设计多尺度融合卷积层，然后按照预定的多尺度融合卷积层层数M设置多尺度融合网络，将步骤（2）得到的三维矩阵 [B, C, N] 输入该多尺度融合网络，得到第一特征数据三维矩阵S；利用混合注意力机制挖掘出与待测生理参数相关的第二特征数据三维矩阵S 1 ；按照设定的卷积网络层层数M，利用卷积网络层对所述第二特征数据三维矩阵S 1 进行回归计算生成生理参数的估计值，得到二维数据矩阵 [B, X]，其中：X为待测生理参数的估计值；
（5）获取测量模式标识符，所述测量模式标识符包括静态模式和动态模式：
当所述测量模式标识符为静态模式时，对步骤（4）得到的二维数据矩阵 [B, X]进行均值操作，生成待测生理参数的均值数据矩阵 [1, X M]，将均值X M作为静态模式下的生理参数测量值；
当所述测量模式标识符为动态模式时，连续提取步骤（4）得到的待测生理参数的所有估计值，构成一维连续数据序列，作为动态模式下的生理参数连续测量值；
（6）将步骤（3）所获得的训练集[B 1 , C, N]输入到步骤（4）所述模型中进行训练和优化，得到生理参数估计模型；将测试集[B 2 , C, N]输入生理参数估计模型进行测试，检验该模型的准确率。
本发明中，所述生理参数包括但不限于心率、血压、呼吸率、心功能指数或动脉硬化指数等中的一种及以上。
本发明中，步骤（1）所采集信号为包含心血管***生理病理信息的生理信号，主要包括以下类型：心电信号、脉搏波信号、心冲击信号或心音信号中的一种或多种。
本发明中，步骤（2）中对于生理信号进行维度扩充的数学变换方法，所述方法包含以下类型：差分、积分、傅里叶变换、小波变换、经验模态分解或变分模态分解中任一种。
本发明中，步骤（4）中的多尺度融合卷积层，由以下方法构成：
（4.1）根据设定的多尺度融合卷积层输出通道数，设定卷积核大小为1的卷积层对输入数据的通道数进行调整；
（4.2）根据设定的尺度数量I，设定I个卷积核大小不同的多尺度融合卷积层 F 1 ,F 2 ,…F I ，这I个多尺度融合卷积层的卷积核大小以2为间隔。I个多尺度融合卷积层同时对输入矩阵进行卷积操作得到I个输出矩阵 Y 1 , Y 2 …Y I ，利用全局池化对I个输出矩阵进行降维得到一维的嵌入向量 z 1 , z 2 , …z I ，然后利用两层全连接层以及softmax实现对嵌入向量的信息压缩与恢复得到权重矩阵 W 1 , W 2 , …W I ，权重矩阵 W 1 , W 2 , …W I 与输出矩阵Y 1 ,Y 2 …Y I 对应相乘求和便可得到多尺度融合的特征。
本发明中，利用卷积层对输入矩阵进行卷积操作，所述卷积操作包括以下类型：经典卷积或膨胀卷积。
本发明中，利用全局池化对输出矩阵进行降维，所述方法包括以下类型：全局平均池化或全局最大值池化。
本发明中，步骤（4）中利用混合注意力机制进一步挖掘与待估计生理参数相关的特征，所述方法包括以下类型：瓶颈注意力模块 （BAM）或卷积模块注意力机制 （CBAM）。
本发明中，步骤（5）中将所有估计值的均值作为静态模式下的生理参数测量值；将所有估计值构成的一维连续数据序列作为动态模式下的生理参数连续测量值。
本发明中，步骤（6）中所述训练集用于训练模型中的权重，测试集则用于验证生理参数测量模型在未知数据集上的性能。根据数据集的划分方式不同，生理参数测量模型又可分为标定模型和非标定模型，训练集和测试集中出现了同一个受试者的数据即为标定模型，反之则为非标定模型。
本发明具有以下有益效果：
1. 本发明方法可用于实现无创便携的生理参数测量，有利于日常监测；
2. 本发明通过对生理信号使用数学变换实现维度扩充，可以更加全面地挖掘生理信号中蕴含的潜在信息。相比于仅使用原始的生理信号，可以更准确地实现生理参数的测量；
3. 本发明利用多尺度融合网络充分提取了原始信号中不同尺度的信息，实现了不同尺度之间的互补，可以更准确地实现生理参数的测量；
4. 本发明方法的应用范围涵盖所有生理参数的测量，在心血管疾病研究和信号处理研究领域均具有一定的应用价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单的介绍。需要说明的是，以下附图仅展示出了本发明的某些实施例，因此不应被看作是范围的限定。
图1是对于脉搏波信号进行降噪的示意图。横坐标为时间，纵坐标为信号幅度。图1中，（a）为降噪前的脉搏波信号片段，此时包含一定的工频干扰与基线漂移；（b）为降噪后的干净信号。
图2展示了用于测量收缩压与舒张压的多尺度融合网络模型的架构。
图3展示了尺度数量设置为3的多尺度融合卷积层的具体架构及运算流程。
图4展示了血压测量模型的输出值与真实值之间的相关性分析。（a）为非标定模型的舒张压的相关性分析，（b）为标定模型的舒张压的相关性分析；（c）为非标定模型的收缩压的相关性分析，（d）为标定模型的收缩压的相关性分析。图4的坐标中，横轴均为真实值，纵轴均为模型的输出值。
具体实施方式
下面结合附图和实施例对本发明方法及其应用做进一步说明。这些实施方式并不限制本发明；本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
实施例1：将本发明的基于多尺度融合网络的生理参数测量模型应用于动态收缩压和舒张压测量任务上，采用MIMIC数据库实现该任务。MIMIC数据库包含ECG(心电图信号)，PPG(脉搏波信号)和ABP(动脉血压信号)，采样率都为125 Hz。应用ECG和PPG信号来测量血压值，ABP信号作为真实值与通过模型测量得到的血压值进行比对。采用本发明的多尺度融合网络模型测量血压值的方法，具体步骤如下：
（1）观察MIMIC数据库中的脉搏波信号，如图1的（a）所示。脉搏波信号存在严重的基线漂移，且包含一定程度的工频干扰。首先以db8小波基函数对脉搏波信号进行离散小波变换（DWT）分解。然后将对应噪声频率范围的小波系数置零，最后根据小波系数进行重构。经上述预处理得到干净的脉搏波信号，如图1的（b）所示；
按照8秒（即采样点数为1000）的时长分割降噪后的脉搏波信号得到所有数据片段，选用斜度作为指标评估所有数据片段的信号质量，如果指标小于0则抛弃当前片段，指标大于0则保留当前片段；
（2）对脉搏波数据片段采用一阶差分和二阶差分来扩充维度，拼接得到三维的输入矩阵 [3, 1000]，3为输入维度，1000为采样点数；
（3）对数据库中1825个受试者的数据按照8:2的比例划分为训练集与测试集，构成本实施例的数据集；
（4）整体的多尺度融合网络模型框架如图2所示，Multi-scale Fusion CNNbackbone为多尺度融合网络，其中Attention为注意力层，DBP Network为舒张压卷积网络，SBP Network为收缩压卷积网络，Lossaux为来自多尺度融合网络的损失函数，Losssbp和Lossdbp分别为来自收缩压卷积网络和舒张压卷积网络的损失函数。多尺度融合网络的构建由5个步骤组成，5个步骤分别包含1, 2, 3, 3, 3个多尺度融合卷积层，每一个步骤的第一个多尺度融合卷积层用于改变通道数和降采样。第一个步骤将通道数升至32，其余阶段都在此基础上以2倍递增。同时，信号长度在每个步骤以2倍递减；
该实施例中的多尺度融合卷积层的具体结构如图3所示，图中ConvX（X分别为1，7，9，11）表示卷积核大小为X的卷积层。将多尺度融合卷积层的尺度数量设置为3，卷积层采用膨胀卷积，三个卷积层的尺寸分别选择为7，9，11。经过上述的多尺度融合网络模型后，原始的输入矩阵 [B, 3, 1000]首先变换为特征矩阵[B, 256, 32]，B表示样本数量。混合注意力机制采取瓶颈注意力模块，收缩压和舒张压卷积网络由两层通道数为512的普通卷积层，全局平均池化层和卷积核大小为1的卷积层构成。特征矩阵[B, 256, 32]经过混合注意力模块和卷积网络后最终得到生理参数矩阵 [B, 2]；
（5）获取测量模式标识符，测量模式标识符为动态模式，从步骤（4）中最后得到的生理参数矩阵中提取所有生理参数估计值构成一维连续数据序列：收缩压序列 [B S , 1]和舒张压序列[B D , 1]，B S 表示收缩压的测量次数，B D 表示舒张压的测量次数；
（6）训练集用于训练模型中的权重，测试集则用于验证生理参数测量模型在未知数据集上的性能。根据数据集的划分方式不同，生理参数测量模型又可分为标定模型和非标定模型，训练集和测试集中出现了同一个受试者的数据即为标定模型，反之则为非标定模型。本实施例的性能测试结果如图4所示。图4的（a）、（c）反映了非标定模型（Cal-free）在测试集上的测量值与真实值之间的相关性；图4的（b）、（d）反映了标定模型（Cal-based）在测试集上的测量值与真实值之间的相关性。结果表明，本实施例构建的生理参数测量模型可以准确地测量收缩压与舒张压。

Claims (8)

1.一种基于多尺度融合网络的生理参数测量方法，其特征在于，具体步骤如下：
（1）采集静态模式或动态模式下生物个体的生理信号；对采集到的生理信号进行预处理，即先进行数据片段裁剪、重采样和归一化操作，接着采用滤波或其他信号处理方法去除基线漂移、工频、呼吸、运动伪迹和肌电噪声的干扰，得到一维信号片段；
（2）对步骤（1）得到的一维信号片段，采用数学变换扩充维度以构建更加完备和丰富的生理信号表征，得到三维矩阵 [B, C, N]，其中：B为分割后的数据片段总数，C为经过数学变换后的维度，N为数据片段长度，即样本点数；
（3）对步骤（2）得到的三维矩阵 [B, C, N]，按照一定的比例划分为训练集 [B 1 , C, N]与测试集 [B 2 , C, N]，B 1 和B 2 分别为训练集和测试集中的片段数量，并且B 1 和B 2 之和等于B；
（4）构建生理参数测量模型，该模型包括三个部分：多尺度融合网络、混合注意力机制和卷积网络层；按照预定的尺度数量I设计多尺度融合卷积层，然后按照预定的多尺度融合卷积层层数M设置多尺度融合网络，将步骤（2）得到的三维矩阵 [B, C, N] 输入该多尺度融合网络内，得到第一特征数据三维矩阵S；利用混合注意力机制挖掘出与待测生理参数相关的第二特征数据三维矩阵S 1 ；按照设定的卷积网络层层数M，利用卷积网络层对所述第二特征数据三维矩阵S 1 进行回归计算，生成生理参数的估计值，得到二维数据矩阵 [B, X]，其中：X为待测生理参数的估计值；
（5）获取测量模式标识符，所述测量模式标识符包括静态模式和动态模式：
当所述测量模式标识符为静态模式时，对步骤（4）得到的二维数据矩阵 [B, X] 进行均值操作，生成待测生理参数的均值数据矩阵 [1, X M]，将均值X M作为静态模式下的生理参数测量值；
当所述测量模式标识符为动态模式时，连续提取步骤（4）得到的待测生理参数的所有估计值，构成一维连续数据序列，作为动态模式下的生理参数连续测量值；
（6）将步骤（3）所获得的训练集[B 1 , C, N]输入到步骤（4）所述模型中进行训练和优化，得到生理参数估计模型；将测试集[B 2 , C, N]输入生理参数估计模型进行测试，检验该模型的准确率。
2.根据权利要求1所述的方法，其特征在于所述生理参数包括心率、血压、呼吸率、心功能指数和动脉硬化指数中的一种及以上。
3.根据权利要求1所述的方法，其特征在于步骤（1）所述采集信号为包含心血管***生理病理信息的生理信号，具体为：心电信号、脉搏波信号、心冲击信号或心音信号中的一种或多种。
4.根据权利要求1所述的方法，其特征在于步骤（2）中对于生理信号进行维度扩充的数学变换方法，所述方法具体为：差分、积分、傅里叶变换、小波变换、经验模态分解或变分模态分解中任一种。
5.根据权利要求1所述的方法，其特征在于步骤（4）中所述多尺度融合卷积层，具体步骤如下：
（4.1）根据设定的多尺度融合卷积层输出通道数，设定卷积核大小为1的多尺度融合卷积层对输入数据的通道数进行调整；
（4.2）根据设定的尺度数量I，设定I个卷积核大小不同的多尺度融合卷积层 F 1 , F 2 ,…F I ，这I个多尺度融合卷积层的卷积核大小以2为间隔；I个多尺度融合卷积层同时对输入矩阵进行卷积操作得到I个输出矩阵 Y 1 , Y 2 …Y I ，利用全局池化对I个输出矩阵进行降维得到一维的嵌入向量 z 1 , z 2 , …z I ，然后利用两层全连接层以及softmax实现对嵌入向量的信息压缩与恢复得到权重矩阵 W 1 , W 2 , …W I ，权重矩阵 W 1 , W 2 , …W I 与输出矩阵Y 1 , Y 2 …Y I 对应相乘求和便可得到多尺度融合的特征。
6.根据权利要求5所述的方法，其特征在于利用卷积层对输入矩阵进行卷积操作，所述卷积操作为经典卷积或膨胀卷积。
7.根据权利要求5所述的方法，其特征在于利用全局池化对输出矩阵进行降维，所述方法为全局平均池化或全局最大值池化。
8.根据权利要求1所述的方法，其特征在于步骤（4）中所述利用混合注意力机制进一步挖掘与待估计生理参数相关的第二特征数据三维矩阵的方法，具体为：瓶颈注意力模块或卷积模块注意力机制。
CN202110160054.4A 2021-02-05 2021-02-05 基于多尺度融合网络的生理参数测量方法 Active CN112806977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110160054.4A CN112806977B (zh) 2021-02-05 2021-02-05 基于多尺度融合网络的生理参数测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110160054.4A CN112806977B (zh) 2021-02-05 2021-02-05 基于多尺度融合网络的生理参数测量方法

Publications (2)

Publication Number Publication Date
CN112806977A CN112806977A (zh) 2021-05-18
CN112806977B true CN112806977B (zh) 2022-03-18

Family

ID=75861680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110160054.4A Active CN112806977B (zh) 2021-02-05 2021-02-05 基于多尺度融合网络的生理参数测量方法

Country Status (1)

Country Link
CN (1) CN112806977B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113647905A (zh) * 2021-07-13 2021-11-16 广东省科学院健康医学研究所 深度神经网络预测血压的训练方法、计算机装置和存储介质
CN114041780B (zh) * 2021-12-08 2022-08-30 中国科学院计算技术研究所 一种基于惯性传感器采集的数据进行呼吸监测的方法
CN113892930B (zh) * 2021-12-10 2022-04-22 之江实验室 一种基于多尺度心率信号的面部心率测量方法和装置
CN116509357A (zh) * 2023-05-16 2023-08-01 长春理工大学 一种基于多尺度卷积的连续血压估计方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6389308B1 (en) * 2000-05-30 2002-05-14 Vladimir Shusterman System and device for multi-scale analysis and representation of electrocardiographic data
CN109325065A (zh) * 2018-12-04 2019-02-12 浙江科技学院 基于动态隐变量模型的多采样率软测量方法
CN110084292A (zh) * 2019-04-18 2019-08-02 江南大学 基于DenseNet和多尺度特征融合的目标检测方法
CN110495878A (zh) * 2019-08-21 2019-11-26 中国科学院深圳先进技术研究院 基于ecg的疾病预测方法、装置及电子设备
CN110495877A (zh) * 2019-08-21 2019-11-26 中国科学院深圳先进技术研究院 一种基于ecg的多尺度特征提取方法及装置
WO2020028382A1 (en) * 2018-07-30 2020-02-06 Memorial Sloan Kettering Cancer Center Multi-modal, multi-resolution deep learning neural networks for segmentation, outcomes prediction and longitudinal response monitoring to immunotherapy and radiotherapy
CN110801218A (zh) * 2019-11-13 2020-02-18 清华大学 心电图数据处理方法、装置、电子设备及计算机可读介质
CN111449644A (zh) * 2020-03-19 2020-07-28 复旦大学 一种基于时频变换和数据增强技术的生物电信号分类方法
CN111839488A (zh) * 2020-07-15 2020-10-30 复旦大学 基于脉搏波的无创连续血压测量装置和方法
CN111904411A (zh) * 2020-08-25 2020-11-10 浙江工业大学 基于多尺度特征提取的多导联心跳信号分类方法及装置
CN111920420A (zh) * 2020-07-28 2020-11-13 复旦大学 一种基于统计学习的患者行为多模态分析与预测***
CN112101262A (zh) * 2020-09-22 2020-12-18 中国科学技术大学 一种多特征融合手语识别方法及网络模型
CN112102283A (zh) * 2020-09-14 2020-12-18 北京航空航天大学 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107788970B (zh) * 2017-11-15 2020-08-07 中国航天员科研训练中心 一种基于多生理参数方法融合的脑力负荷评估方法
CN109805922A (zh) * 2019-01-24 2019-05-28 复旦大学 非接触式心电测量***
CN110141201B (zh) * 2019-05-14 2020-07-24 中国科学院深圳先进技术研究院 血压估计方法及装置
CN110647794B (zh) * 2019-07-12 2023-01-03 五邑大学 基于注意力机制的多尺度sar图像识别方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6389308B1 (en) * 2000-05-30 2002-05-14 Vladimir Shusterman System and device for multi-scale analysis and representation of electrocardiographic data
WO2020028382A1 (en) * 2018-07-30 2020-02-06 Memorial Sloan Kettering Cancer Center Multi-modal, multi-resolution deep learning neural networks for segmentation, outcomes prediction and longitudinal response monitoring to immunotherapy and radiotherapy
CN109325065A (zh) * 2018-12-04 2019-02-12 浙江科技学院 基于动态隐变量模型的多采样率软测量方法
CN110084292A (zh) * 2019-04-18 2019-08-02 江南大学 基于DenseNet和多尺度特征融合的目标检测方法
CN110495878A (zh) * 2019-08-21 2019-11-26 中国科学院深圳先进技术研究院 基于ecg的疾病预测方法、装置及电子设备
CN110495877A (zh) * 2019-08-21 2019-11-26 中国科学院深圳先进技术研究院 一种基于ecg的多尺度特征提取方法及装置
CN110801218A (zh) * 2019-11-13 2020-02-18 清华大学 心电图数据处理方法、装置、电子设备及计算机可读介质
CN111449644A (zh) * 2020-03-19 2020-07-28 复旦大学 一种基于时频变换和数据增强技术的生物电信号分类方法
CN111839488A (zh) * 2020-07-15 2020-10-30 复旦大学 基于脉搏波的无创连续血压测量装置和方法
CN111920420A (zh) * 2020-07-28 2020-11-13 复旦大学 一种基于统计学习的患者行为多模态分析与预测***
CN111904411A (zh) * 2020-08-25 2020-11-10 浙江工业大学 基于多尺度特征提取的多导联心跳信号分类方法及装置
CN112102283A (zh) * 2020-09-14 2020-12-18 北京航空航天大学 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法
CN112101262A (zh) * 2020-09-22 2020-12-18 中国科学技术大学 一种多特征融合手语识别方法及网络模型

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
A novel method for continuous blood pressure estimation based on a single-channel photoplethysmogram signal;Hu, Qihan，Deng, Xintao，Yang, Cuiwei;《PHYSIOLOGICAL MEASUREMENT》;20201231;第1-12页 *
Arrhythmias Classification Using Short-Time Fourier Transform and GAN Based Data Augmentation;Hu, Qihan，He, Kaiyue，Yang, Cuiwei;《IEEE》;20200724;第308-311页 *
Deep Multi-Scale Fusion Neural Network for Multi-Class Arrhythmia Detection;R. Wang, J. Fan and Y. Li;《IEEE Journal of Biomedical and Health Informatics》;20200413;第2461-2472页 *
Leader-Based Multi-Scale Attention Deep Architecture for Person Re-Identification;X. Qian, Y. Fu, T. Xiang, Y. -G. Jiang and X. Xue;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;20190715;第371-385页 *
基于卷积注意力机制的情感分类方法;顾军华;《计算机工程与设计》;20200116;第104-108页 *
基于多级特征和混合注意力机制的室内人群检测网络;沈文祥,秦品乐,曾建潮;《计算机应用》;20191015;第3496-3502页 *
基于多通道时空融合网络的人体动作识别;高璇;《工业控制计算机》;20201025;第56-57+79页 *
心率变异信号的多尺度分析;朱妍雯,姚景昆;《电子测试》;20190115;第53-56页 *
心电标测***中激动时刻提取方法的比较研究;王彦磊,杨翠微,余建国;《仪器仪表学报》;20150315;第661-667页 *
融合注意力机制的多尺度目标检测算法;鞠默然, 罗江宁, 王仲博;《光学学报》;20200602;第132-140页 *

Also Published As

Publication number Publication date
CN112806977A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN112806977B (zh) 基于多尺度融合网络的生理参数测量方法
US11476000B2 (en) Methods and systems using mathematical analysis and machine learning to diagnose disease
CN110420019B (zh) 一种心冲击图信号的深度回归心率估计方法
US20160183811A1 (en) System and method of detecting abnormal movement of a physical object
CN110148466B (zh) 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法
CN109259756B (zh) 基于非平衡训练的二级神经网络的ecg信号处理方法
US20220110590A1 (en) System and Method for Assessing Physiological Signal Quality
CN111466876A (zh) 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断***
CN112274120B (zh) 一种基于单路脉搏波的无创动脉硬化检测方法、装置
Namadurai et al. Multifractal analysis of uterine electromyography signals for the assessment of progression of pregnancy in term conditions
CN104473660A (zh) 一种基于子带能量包络自相关特征的异常心音识别方法
US20230075634A1 (en) Methods and systems for engineering conduction deviation features from biophysical signals for use in characterizing physiological systems
CN113509186A (zh) 基于深度卷积神经网络的ecg分类***与方法
CN115251845A (zh) 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法
CN113729648B (zh) 一种基于多脉搏传感器的穿戴式脉诊手环***
CN114469041A (zh) 一种运动过程中心率变化数据特征分析方法
KR101744691B1 (ko) 심탄도 신호를 이용한 심박 검출 방법 및 그 장치
CN111839505A (zh) 一种基于心血管***电-机械活动信息的房颤分级方法
CN114145725B (zh) 一种基于无创连续血压测量的ppg采样率估算方法
CN115836847A (zh) 一种血压预测装置及设备
CN113425272B (zh) 一种通过穿戴设备采集数据分析房颤、室颤的方法
CN112842355B (zh) 基于深度学习目标检测的心电信号心搏检测识别方法
CN115089145A (zh) 基于多尺度残差网络和ppg信号的智能血压预测方法
CN111345815B (zh) 一种心电信号中qrs波的检测方法、装置、设备和存储介质
CN114668375A (zh) 一种基于深度神经网络模型的无袖带血压预测***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant