CN116369877A - 一种基于光电容积脉搏波的无创血压估计方法 - Google Patents
一种基于光电容积脉搏波的无创血压估计方法 Download PDFInfo
- Publication number
- CN116369877A CN116369877A CN202211608910.9A CN202211608910A CN116369877A CN 116369877 A CN116369877 A CN 116369877A CN 202211608910 A CN202211608910 A CN 202211608910A CN 116369877 A CN116369877 A CN 116369877A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- pressure estimation
- volume pulse
- model
- photoelectric volume
- 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.)
- Pending
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000013186 photoplethysmography Methods 0.000 claims description 62
- 230000000877 morphologic effect Effects 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 208000027796 Blood pressure disease Diseases 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 206010020772 Hypertension Diseases 0.000 description 5
- 230000003778 catagen phase Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001373 regressive effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013401 experimental design Methods 0.000 description 3
- 208000001953 Hypotension Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000036543 hypotension Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 210000005239 tubule Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种基于光电容积脉搏波的无创血压估计方法，该方法包括：采集监测人体的光电容积脉搏波信号及有创连续血压波形信号，并对其进行初始化处理，对初始化处理后的数据进行特征选择，筛选有鉴别意义的信息参数，并进行特征融合，根据特征融合后的数据搭建基于光电容积脉搏波的无创血压估计双阶段模型，根据初始化处理完的数据，对基于光电容积脉搏波的无创血压估计双阶段模型进行训练，采集用户光电容积脉搏波信号，将其输入基于光电容积脉搏波的无创血压估计双阶段模型中，进行无创血压估计。本发明提供的基于光电容积脉搏波的无创血压估计方法，能通过光电容积脉搏波实现无创血压估计，提高了估计的精度，能够为血压患病检测提供参考。
Description
技术领域
本发明涉及人工智能、脉搏波及无创血压监测技术领域，特别是涉及一种基于光电容积脉搏波的无创血压估计方法。
背景技术
统计报告显示，2017年美国普通人群的高血压患病率上升至45.4％，估计与高血压有关的死亡人数占所有死亡人数的19.2％。长期连续的血压(blood pressure,BP)监测对于预测风险和做出适当的治疗干预是必要的，可以有效地改善预后结果和降低死亡率。获得连续血压的金标准是有创动脉插管法。然而，这种方法需要将细管***血管使压力传感器与血液直接接触，不仅疼痛，也会增加感染的风险。因此，连续无创血压监测更适合于重症监护以外的健康管理。当前基于袖带的听诊和示波技术需要在测试过程中充气和阻塞血管，不便于长期监测。
另外，一些研究提出了无袖带测量方法以实现便携和舒适的血压监测。这些方法采用各种传感器获取脉搏波形，如光电容积脉搏波(photoplethysmography,PPG)、超声波和雷达。根据脉搏波速度(pulse wave velocity,PWV)理论，甚至还有结合多模态生理信号的研究，如心电图(electrocardiogram,ECG)或球状心肌图(ballistocardiogram,BCG)等。其中，基于脉搏传导时间(pulse transient times,PTT)的血压预测方法是最常见的技术。然而，大多数算法需要将PPG与其他部位监测的ECG或BCG等信号结合起来，需要额外的传感器或粘性电极放置，这会阻碍用户的长期血压测量。另外，目前的无创血压监测技术还有一些必须解决的挑战。首先，现有的技术没有考虑光信号的个体差异。例如，老年人或心血管病患者可能不存在微弱的脉搏。这些特殊人群往往伴随着高血压等症状。如果作为正常人群建模，它可能导致不正确的血压预测。
此外，目前的技术和发明方法仍然受到数据集质量、实验设计和算法瓶颈的限制。最后，大多数技术局限于单一的数据集进行训练和评估，考虑到人群的多样性，这带来了过拟合的高风险。因此，设计一种基于光电容积脉搏波的无创血压估计方法是十分有必要的。
发明内容
本发明的目的是提供一种基于光电容积脉搏波的无创血压估计方法，能够通过光电容积脉搏波实现无创血压估计，提高了估计的精度，能够为血压患病检测提供参考。
为实现上述目的，本发明提供了如下方案：
一种基于光电容积脉搏波的无创血压估计方法，包括如下步骤：
步骤1：采集监测人体的光电容积脉搏波信号及有创连续血压波形信号；
步骤2：对获取的光电容积脉搏波信号及有创连续血压波形信号进行初始化处理；
步骤3：对初始化处理后的数据进行特征选择，筛选有鉴别意义的信息参数，并进行特征融合；
步骤4：根据特征融合后的数据搭建基于光电容积脉搏波的无创血压估计双阶段模型；
步骤5：根据初始化处理完的数据，对基于光电容积脉搏波的无创血压估计双阶段模型进行训练；
步骤6：采集用户光电容积脉搏波信号，将其输入基于光电容积脉搏波的无创血压估计双阶段模型中，进行无创血压估计；
步骤7：通过实验证明本发明实施例提供的PMFL选择的多种形态学特征的稳健性；
步骤8：对本发明实施例提供的基于光电容积脉搏波的无创血压估计方法进行定量化的验证评估。
可选的，步骤1中，采集监测人体的光电容积脉搏波信号及有创连续血压波形信号，具体为：
采集监测人体的光电容积脉搏波信号，即PPG信号，以及有创连续血压波形信号，其中，将有创连续血压波形信号作为参考信号。
可选的，步骤2中，对获取的光电容积脉搏波信号及有创连续血压波形信号进行初始化处理，具体为：
对获取的光电容积脉搏波信号及有创连续血压波形信号进行重采样、滤波降噪、信号分割、相位匹配及归一化处理，并对归一化处理后的信号进行先验特征提取，从归一化的PPG信号中提取形态学特征，将归一化处理后的信号及提取得到的形态学特征作为训练数据，用于对基于光电容积脉搏波的无创血压估计双阶段模型进行训练。
可选的，步骤3中，对初始化处理后的数据进行特征选择，筛选有鉴别意义的信息参数，并进行特征融合，具体为：
获取归一化处理后的信号以及提取得到的形态学特征，通过PPG形态特征学习算法(PPG morphological feature learning,PMFL)对形态学特征进行筛选，首先使用基学习器对一组相对重要的特征进行排序和过滤，然后使用递归特征消除法进行渗透，找到最佳的特征组合，确定最终优化的特征集，根据最终优化的特征集，将基于光电容积脉搏波的无创血压估计双阶段模型获取的深度特征与最终优化的特征集中的形态学特征相融合，通过设置特征权重来确定不同特征集的比例：
Ff＝ε·Fm+(1-ε)·Fd (1)
式中，Ff代表融合特征，Fm和Fd分别表示形态学特征和深度特征。
可选的，步骤4中，根据特征融合后的数据搭建基于光电容积脉搏波的无创血压估计双阶段模型，具体为：
根据归一化处理后的信号及与其对应的融合特征，搭建基于光电容积脉搏波的无创血压估计双阶段模型，其中，无创血压估计双阶段模型，即SMART-BP模型，由基于深度学习的无袖带血压组型分类模型及基于自动机器学习的无袖带血压估计流水线组成，即SEM-ResNet模型和Auto-Regressor模型，其中，SEM-ResNet模型用于通过神经网络将获取的用户PPG信号分为不同的血压组别，Auto-Regressor模型用于为每个血压组别的PPG信号自动建立细粒度的回归器，进行无创血压估计。
可选的，搭建SEM-ResNet模型，具体为：
搭建SEM-ResNet模型，其中，SEM-ResNet模型包括ResNet、多个子网络及神经网络，其中，SEM-ResNet以ResNet为骨干网络，融合挤压-激发(squeeze-and-excitation,SE)模块的残差连接用于学习共享的低级特征，多个子网络利用不同尺度的卷积核协同学习高级尺度的特定信号特征，神经网络嵌入提取的融合特征，用于提供先验信息。
可选的，搭建Auto-Regressor模型，具体为：
搭建Auto-Regressor模型，为SEM-ResNet模型得到的每个血压组别的PPG信号自动建立细粒度的回归器，得到准确的无创血压估计，其中，通过AutoML流水线构建了一个堆叠的集成学***的回归器，用于找到基础水平回归器的最佳组合，若基学***回归阶段设置元水平回归器使用基回归器的k-fold交叉验证预测值进行训练，在fold外的数据集上进行测试。
可选的，步骤5中，根据初始化处理完的数据，对基于光电容积脉搏波的无创血压估计双阶段模型进行训练，具体为：
将初始化完的数据按照7:1.5:1.5的比例划分为训练集、验证集及测试集，通过训练集及验证集对无创血压估计双阶段模型进行训练及参数选择，通过测试集检验保存下来的最优***模型的泛化能力，在训练网络的过程中，通过Adam优化器进行参数更新，其中，学习率为0.001，权值衰减为0.999，动量为0.8。
可选的，步骤6中，采集用户光电容积脉搏波信号，将其输入基于光电容积脉搏波的无创血压估计双阶段模型中，进行无创血压估计，具体为：
采集用户的PPG信号，将信号波形作为输入送入无创血压估计双阶段模型中，得到用户对应的血压数值，实现无创血压估计。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于光电容积脉搏波的无创血压估计方法，该方法包括采集监测人体的光电容积脉搏波信号及有创连续血压波形信号，对获取的光电容积脉搏波信号及有创连续血压波形信号进行初始化处理，对初始化处理后的数据进行特征选择，筛选有鉴别意义的信息参数，并进行特征融合，根据特征融合后的数据搭建基于光电容积脉搏波的无创血压估计双阶段模型，根据初始化处理完的数据，对基于光电容积脉搏波的无创血压估计双阶段模型进行训练，采集用户光电容积脉搏波信号，将其输入基于光电容积脉搏波的无创血压估计双阶段模型中，进行无创血压估计；该方法融合SE模块及SEM-ResNet模型，能够从多信息融合的PPG信号中有效的获取跨尺度特征，另外，深度网络的先验知识由形态学特征提供，并与深度特征相融合，从而帮助模型在学习过程中获得更多的判别特征，达到更高的分类精度；该方法为每个BP区间部署了一个自动机器学习(automated machine learning,AutoML)流水线，以获得最佳的BP预测模型，而无需大量的专家经验；该方法设计了一种名为PPG形态特征学习(PPGmorphological feature learning,PMFL)的特征选择算法，通过可视化的SHapley添加解释(SHapley Additive explanation,SHAP)值来量化特征子集的贡献程度，以证明PMFL选择的多种形态学特征的稳健性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于光电容积脉搏波的无创血压估计方法流程示意图；
图2为本发明实施例基于光电容积脉搏波的无创血压估计方法实验设计流程示意图；
图3为数据集统计分布示意图；
图4为形态学特征直观展示示意图；
图5为整体网络框架图；
图6为输入信号及输出结果展示图；
图7为双阶段框架算法伪代码示意图；
图8为PPG形态学特征学习算法伪代码示意图；
图9为堆叠集成优化算法伪代码示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于光电容积脉搏波的无创血压估计方法，能够通过光电容积脉搏波实现无创血压估计，提高了估计的精度，能够为血压患病检测提供参考。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例提供的基于光电容积脉搏波的无创血压估计方法，包括如下步骤：
步骤1：采集监测人体的光电容积脉搏波信号及有创连续血压波形信号；
步骤2：对获取的光电容积脉搏波信号及有创连续血压波形信号进行初始化处理；
步骤3：对初始化处理后的数据进行特征选择，筛选有鉴别意义的信息参数，并进行特征融合；
步骤4：根据特征融合后的数据搭建基于光电容积脉搏波的无创血压估计双阶段模型；
步骤5：根据初始化处理完的数据，对基于光电容积脉搏波的无创血压估计双阶段模型进行训练；
步骤6：采集用户光电容积脉搏波信号，将其输入基于光电容积脉搏波的无创血压估计双阶段模型中，进行无创血压估计。
步骤7：通过实验证明本发明实施例提供的PMFL选择的多种形态学特征的稳健性；
步骤8：对本发明实施例提供的基于光电容积脉搏波的无创血压估计方法进行定量化的验证评估。
步骤1中，采集监测人体的光电容积脉搏波信号及有创连续血压波形信号，具体为：
采集监测人体的光电容积脉搏波信号，即PPG信号，以及有创连续血压波形信号，其中，将有创连续血压波形信号作为参考信号；
本发明方法采用MIMIC(重症监护的多参数智能监测)数据集，包含了20000多条从波士顿贝斯以色列医院内科、外科和重症监护室的病人监护仪上记录的生理数据，每条记录通常包含24至48小时的连续数据；
本发明方法采用私有数据集做独立的数据库以验证所提出的模型，该私有数据库包含了60000多条从重症监护室的病人监护仪上记录的生理数据，每条记录通常包含30秒的连续数据；基于PPG信号预测血压波形可以被概括为一个实时长序列预测问题。因此，该模型需要通过固定窗长的时滞窗口学习并获取两个PPG与血压数值之间的映射关系。在本发明方法中，对于时间窗口t的输入数据PPG序列(即PPG波形)及对应的血压波形表示为
Xt表示PPG信号的输入维度为dx，一共有N条信号，每条信号有sx个样本点，而输出是相应的血压预测值(即在时间窗口t内对应的收缩压和舒张压的数值)，Yt代表具有sy个样本点的血压序列(即血压波形)，这里计算其相应的血压数值，得到时间窗口t内的包含M个峰值/>
和谷值/>
的稀疏集合/>
该模型的输入信号维度不限于单变量的情况，可以选择PPG序列的导数，即PPG的速度序列，PPG的加速度序列。建议的模型接受输入和输出，由下列公式给出：
Ys＝F(X；P；θ) (1)
式中，F(·)是模型函数，
代表引入的先验知识，即通过特征选择算法筛选的PPG波形的形态学特征，为可选参数，θ则代表深度学习模型的超参数。
步骤2中，对获取的光电容积脉搏波信号及有创连续血压波形信号进行初始化处理，具体为：
本发明方法具体的实验设计流程图如图2所示，数据库中收集的PPG和血压信号长度不一，并受到离群值和基线漂移的干扰，因此需要对信号进行初步处理，如图5所示，对获取的光电容积脉搏波信号及有创连续血压波形信号进行重采样、滤波降噪、信号分割、相位匹配及归一化处理，具体为：本发明方法将信号统一重采样到125Hz，有助于序列的时间对齐，此外，由于小波变换适合分析非平稳信号，在信号突变、压缩重建和信号去噪中具有更好的时频定位，因此，本发明选择sym4小波为基础小波的小波变换进行信号去噪，并根据软阈值函数对噪声的PPG信号进行两阶段独立分解，然后，使用固定尺寸为8秒、滑动步长为3秒的时滞窗口对滤波后的信号进行分割，最后，本发明方法采用最大最小归一化，以确保模型能够快速收敛，数据初步处理后，数据集的统计分布如图3所示；
最后，对归一化处理后的信号进行先验特征提取，为模型决策提供先验信息，将归一化处理后的信号及提取得到的形态学特征作为训练数据，用于对基于光电容积脉搏波的无创血压估计双阶段模型进行训练，本发明分别从PPG信号中提取了75个可解释的特征，包括时域、频域和非线性特征，如时间参数信号偏度为公式(2)，无维度指标边缘因子为公式(3)，以及面积参数K值为公式(4)等，其中，大部分的特征展示在图4中；
式中，pmax，pmin和pmean分别代表周期内PPG振幅的最大值、最小值和平均值；
此外，本发明方法额外使用了脉率变异性(pulse rate variability,PRV)来描述序列窗口内的变化模式，如描述序列无序程度的样本熵(SampEn)，特别的，多尺度熵(MSE)侧重于量化复杂***在多个尺度上的非线性动态特性，这里详细展示MSE的计算过程，对于PPG序列
设置一个比例因子τ来划分时间序列，从而形成一组构建的粗粒度的序列
接着，可针对粗粒度的序列导出SampEn，首先，构建嵌入维度为m的连续序列向量集
Gm(j)＝{g(j+k)},0≤k≤m-1,1≤j≤Sx-m (6)
其次，将m维度粗粒度的向量序列Gm(i)和Gm(j)之间的距离定义为两个向量的相应元素之间差值的最大值，计算公式为：
d[g(i),g(j)]＝max(|g(i+k)-g(j+k)|),0≤k≤m-1 (7)
然后，设定相似度公差r，计算每个i(1≤j≤Sx-m)值的数量d[g(i),g(j)]≤r，计算模板匹配数Bi与总距离数的比率
并找出所有的i的平均值Bm(r)为：
将向量维度增加到m+1，重建m+1维度向量Gm+1(i)和Gm+1(j)，其中，1≤j≤Sx-m,j≠i，计算Gm+1(i)和Gm+1(j)之间小于相似性容忍值r的距离数，即模板匹配数Ai，模板匹配数Ai与总距离数之比为
然后计算出所有的i的均值Am(r)为：
粗粒度的PPG序列的SampEn可计算为：
在本发明方法中，可选择嵌入维度为m＝2，类似阈值r＝0.15×SDNN，其中，SDNN表示PPG峰值区间的标准偏差。
步骤3中，对初始化处理后的数据进行特征选择，筛选有鉴别意义的信息参数，并进行特征融合，具体为：
通过步骤2中数据初步处理阶段获取的训练数据，计算了大量的PPG形态学参数，然而，过多的特征集合可能包含冗余的信息，仍需要特征选择和融合的操作，以使深度神经网络更好地学习形态相关的先验信息，因此，获取归一化处理后的信号以及提取得到的形态学特征，通过PMFL算法对形态学特征进行筛选，PMFL算法具体为PPG形态特征学习(PPGmorphological feature learning,PMFL)的特征选择算法，用于筛选具有鉴别意义的特征作为深度模型的先验信息，该方法还可以通过可视化的SHAP值来量化特征子集的贡献程度，以证明PMFL选择的多种形态学特征的稳健性，具体来说，PMFL算法首先使用基学习器对一组相对重要的特征进行排序和过滤，然后使用递归特征消除法(recursive featureelimination,RFE)进行排列，以找到一个最佳的特征组合，具体的，PMFL算法分为基线集生成和特征参数的后向消除阶段。过滤方法筛选具有前k位的特征子集，用于估计收缩压和舒张压，并将过滤的特征集合作为基线集。然后，在特征参数的后向消除阶段，依次通过REF的方法消除重要性最低的特征，将剩余的特征集输入到基回归器以拟合血压值，并根据优化后的回归结果考虑最终的特征集数量，确定最终优化的特征集，
根据最终优化的特征集，本发明方法考虑设计了特征融合策略，将SEM-ResNet模型获取的深度特征与最终优化的特征集中的形态学特征相融合，通过设置特征权重来确定不同特征集的比例：
Ff＝ε·Fm+(1-ε)·Fd (11)
式中，Ff代表融合特征，Fm和Fd分别表示形态学特征和深度特征。
步骤4中，根据特征融合后的数据搭建基于光电容积脉搏波的无创血压估计双阶段模型，具体为：
根据归一化处理后的信号及与其对应的融合特征，搭建基于光电容积脉搏波的无创血压估计双阶段模型，即SMART-BP模型，其中，无创血压估计双阶段模型包括两个阶段，分别为粗粒度分类阶段(coarse-grained classification phase,CCP)及细粒度回归阶段(fine-grained regression phase,FRP)，与粗粒度分类阶段(coarse-grainedclassification phase,CCP)相对应的是基于深度学习的无袖带血压组型分类模型，即SEM-ResNet模型，与细粒度回归阶段(fine-grained regression phase,FRP)相对应的是基于自动机器学习的无袖带血压估计流水线模型，即Auto-Regressor模型；
对于粗粒度分类阶段(coarse-grained classification phase,CCP)，本发明方法使用融合了挤压-激发(squeeze-and-excitation,SE)模块和多尺度核的深度残差网络(residual network,ResNet)(SEM-ResNet)，从多信息融合的PPG信号中有效地获得跨尺度特征，此外，深度网络的先验知识由形态学特征提供，并与深度特征相融合，从而帮助模型在学习过程中获得更多的判别特征，达到更高的分类精度；
相对应的，SEM-ResNet模型用于通过神经网络将获取的用户PPG信号分为不同的血压组别，例如，低血压、正常血压及高血压；
在细粒度回归阶段(fine-grained regression phase,FRP)，本发明方法为每个BP区间部署了一个自动机器学习(automated machine learning,AutoML)流水线，以获得最佳的BP预测模型，而无需大量的专家经验；
相对应的，Auto-Regressor模型用于为每个血压组别的PPG信号自动建立细粒度的回归器，进行无创血压估计。
搭建SEM-ResNet模型，具体为：
搭建SEM-ResNet模型，该模型可以自动学习PPG波形中稠密的形态学特征，获得比浅层模型更高的分类精度，本发明方法部署了多尺度特征融合学习，以实现跨尺度信息，从而进一步挖掘鉴别性特征，具体来说，SEM-ResNet模型包括ResNet、多个子网络及神经网络，其中，SEM-ResNet以ResNet为骨干网络，融合SE模块的残差连接用于学习共享的低级特征，多个子网络利用不同尺度的卷积核协同学习高级尺度的特定信号特征，神经网络嵌入提取的融合特征，用于提供先验信息；
整体框架如图6所示，SEM-ResNet的整体结构以及ResNet和CBR-3-1的示意形式。Conv-3-1表示内核大小为3，跨度大小为1的一维卷积运算；Batch Norm是批量归一化的简称；ReLU表示整流线性单元激活函数；MaxPool和AvgPool分别表示最大池化和平均池化，由单尺度CNN层得到的共享特征图，并将其送入不同尺度的子网络中，对输入的融合特征Ff，对应的分支的输出
定义为：
式中，
表示由融合特征Ff得到的分支特征，Convb和/>
代表单尺度CNN层和特定尺度的子网络，θb和/>
分别是网络参数，计算Softmax损失进行单分支模型训练，并计算出每个类别的后验概率为：
式中，
是模型为输入的PPG信号分配标签yi∈{0,1,...,C}的概率，例如，将血压分类为低血压、正常血压和高血压类别可以表示为yi∈{0,1,2}，θk是类别yi的参数，因此，对于所有可观察的实例，使用交叉熵损失函数，为：
式中，I{·}指的是指标函数；
本发明应用SE模块来学习特征通道，可以融合一维卷积操作所学习的时间信息，SE模块能够学习使用全局信息，有选择地强调有用的特征，而抑制其他特征，其中，SE-ResNet的结构如图6所示，对于任何特征图的输入F＝{f1,f1,..,fm}，其中fm∈Rt，统计量z∈Rm是通过其时间维度t压缩F而产生的，z的第c个元素是通过挤压操作计算的：
聚合后，进行由两个线性层组成的激励操作，以产生通道调制权重，本发明允许激活多个通道，所以采用了一个简单的门控机制，即Sigmoid激活方式为：
s＝Excitation(z,θ)＝σ(σ(θT·z)) (16)
其中σ表示Sigmoid函数，θ是参数，该模块的最终输出是通过用激活的s重新缩放F而得到的，为：
其中，
Scale(·)为通道间的乘法；
定义骨干提取的全局融合多尺度特征的目标函数为：
其中，
表示通过串联分支特征的融合特征图，通过联合优化多个分支的损失来训练整个SEM-ResNet模型，可以学习到跨时空尺度的潜在互补信息，在本发明方法中，最终的损失函数如下所示：
式中，γj是对应于每个分支的权重系数。
搭建Auto-Regressor模型，具体为：
搭建Auto-Regressor模型，为SEM-ResNet模型得到的每个血压组别的PPG信号自动建立细粒度的回归器，得到准确的无创血压估计；
机器学习模型对数据的依赖性较低，不依赖硬件运算。通过领域知识选择适当的特征也能在很大程度上降低算法的复杂性。然而，模型的建立、训练和超参数优化需要有经验的专家花费很多时间。AutoML作为容易部署的***，通常被理解为一个流水线，可以在最小的人工干预下执行科学任务。AutoML可以优化算法，使与特定内容领域相关的特定损失函数最小化。AutoML算法已经使用元学习、强化学习、遗传编程、叠加集合算法等技术成功实现。与数据科学专家手动调整的机器学习模型相比，AutoML的表现良好；
为了实现流水线选择的自动化，本发明方法使用H2O AutoML框架定义模型。该框架有如下优势：1)它的性能超过其他AutoML框架；2)它有一个高度可扩展的全自动化算法，可以自动训练大量的候选模型。可用的算法按照固定的顺序，用专家定义的或随机网格搜索选择的超参数进行测试，最后将表现最好的配置被聚集起来，形成一个集合体。本发明方法通过AutoML流水线构建了一个堆叠(Stacking)的集成学***(meta-level)的回归器，以找到基础水平回归器的最佳组合。如果基学***回归阶段设置元水平回归器使用基回归器的k-fold交叉验证预测值进行训练，然后在fold外的数据集上进行测试。
步骤5中，根据初始化处理完的数据，对基于光电容积脉搏波的无创血压估计双阶段模型进行训练，具体为：
将初始化完的数据按照7:1.5:1.5的比例划分为训练集、验证集及测试集，通过训练集及验证集对无创血压估计双阶段模型进行训练及参数选择，通过测试集检验保存下来的最优***模型的泛化能力，在训练网络的过程中，通过Adam优化器进行参数更新，数据切分采用个体间分割的方式，确保每组数据不包含同一患者的数据，从而避免了信息泄露，其中，学习率为0.001，权值衰减为0.999，动量为0.8。
步骤6中，采集用户光电容积脉搏波信号，将其输入基于光电容积脉搏波的无创血压估计双阶段模型中，进行无创血压估计，具体为：
如图6所示，采集用户的PPG信号，将信号波形作为输入送入无创血压估计双阶段模型中，得到用户对应的血压数值，实现无创血压估计。
步骤7中，通过实验证明本发明实施例提供的PMFL选择的多种形态学特征的稳健性。为了比较所提出的PMFL算法对BP预测性能的影响，本发明专利构建了有监督的特征加权算法Relief，基于频谱分析的弱监督特征选择算法(WSF)，基于相互信息的最大相关性和最小冗余度算法(MRMR)，以及无监督的多集群特征选择(MCFS)。本发明专利在表1中展示了各种特征选择方法的BP预测误差，并计算了相应方法的稳健性指标。由PMFL算法选择的特征子集的预测性能优于其他方法。此外，PMFL算法的ANHI和CD值最低，表明特征权重和排名的一致性很强。相比之下，PCC的数值最高，意味着特征子集具有最高的相关性和最强的稳健性。
表1与参考的特征选择算法的性能比较
注意，*，这些是无量纲的数量；ANHI，平均归一化汉明指数；CD，堪培拉距离；PCC，皮尔逊相关系数。
步骤8中，对所提出的基于光电容积脉搏波的无创血压估计双阶段模型的预测性能进行实验验证。为了进一步验证所提方法的有效性，本发明专利建立了多种结构的模型进行比较，其中包括：1)直接回归的单阶段AutoML算法；2)端到端的深度学***均误差(ME)、平均标准差(SDE)、平均绝对差(MAE)。可以观察到，所提出的SMART-BP在大多数评估指标中都优于其他工作。对于DBP预测，所有模型都满足AAMI标准。对于SBP预测，除DenseNet外，大多数模型都通过了AAMI标准。
表2不同框架在私有数据集上的性能比较(mmHg).
本发明提出了无创血压估计双阶段模型，针对低血压、正常血压和高血压组的潜在生理差异进行单独建模，名为SMART-BP(SeM-resnet and Auto-Regressor based on aTwo-stage framework for Blood Pressure estimation)。这种方法可以对每个血压组单独建模，以获得高度准确的血压预测。SMART-BP与现有的技术有显著的不同指出，其首先使用深度学习算法将原始PPG信号粗略地分类为三个BP类别，然后为每个区间建立机器学习回归器的自动优化流水线，以准确预测细粒度的BP值；
本发明的输入仅由脉搏波组成，因此采集电路只需要采集PPG信号，与传统的基于脉搏波传播速度的方法相比，省去了采集心电信号这一步骤，也无需过多的求导计算，这样方便集成到手环等设备中，不需要袖带等血压测量装备，摆脱了袖带的束缚，使得设备更加便携。
本发明的血压估计算法能够实现连续的血压估计，也可以实现血压的长期监测，并且可用于日常生活中血压的测量，测量时也不会给人体带来创伤和不适的影响。
本发明应用深度学习和自动机器学习流水线作为网络骨干提取PPG信号中的大量信息，结合从PPG信号中提取的形态学特征，引入这些先验信息可以促进模型在学习过程中利用更多的鉴别性特征，输入信号包含的信息更丰富，从而使得测量的血压结果更加稳定，达到更高的预测精度。
本发明为了提高血压预测精度，采用双阶段的框架，针对特定人群做高精度的自动化建模，从而实现满足医疗标准的预测精度。
本发明方法设计了基于递归特征消除法的特征选择策略，不仅可以获得有用特征的稀疏子集提升AutoML建模阶段的细粒度血压估计精度，而且在学习训练的过程中，神经网络捕获的序列特征也可以被有效地结合起来。
本发明所使用到的算法伪代码如图7、图8及图9所示。
本发明提供的基于光电容积脉搏波的无创血压估计方法，该方法包括采集监测人体的光电容积脉搏波信号及有创连续血压波形信号，对获取的光电容积脉搏波信号及有创连续血压波形信号进行初始化处理，对初始化处理后的数据进行特征选择，筛选有鉴别意义的信息参数，并进行特征融合，根据特征融合后的数据搭建基于光电容积脉搏波的无创血压估计双阶段模型，根据初始化处理完的数据，对基于光电容积脉搏波的无创血压估计双阶段模型进行训练，采集用户光电容积脉搏波信号，将其输入基于光电容积脉搏波的无创血压估计双阶段模型中，进行无创血压估计；该方法融合SE模块及SEM-ResNet模型，能够从多信息融合的PPG信号中有效的获取跨尺度特征，另外，深度网络的先验知识由形态学特征提供，并与深度特征相融合，从而帮助模型在学习过程中获得更多的判别特征，达到更高的分类精度；该方法为每个BP区间部署了一个自动机器学习(automated machinelearning,AutoML)流水线，以获得最佳的BP预测模型，而无需大量的专家经验；该方法设计了一种名为PPG形态特征学习(PPG morphological feature learning,PMFL)的特征选择算法，通过可视化的SHapley添加解释(SHapley Additive explanation,SHAP)值来量化特征子集的贡献程度，以证明PMFL选择的多种形态学特征的稳健性。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于光电容积脉搏波的无创血压估计方法，其特征在于，包括如下步骤：
步骤1：采集监测人体的光电容积脉搏波信号及有创连续血压波形信号；
步骤2：对获取的光电容积脉搏波信号及有创连续血压波形信号进行初始化处理；
步骤3：对初始化处理后的数据进行特征选择，筛选有鉴别意义的信息参数，并进行特征融合；
步骤4：根据特征融合后的数据搭建基于光电容积脉搏波的无创血压估计双阶段模型；
步骤5：根据初始化处理完的数据，对基于光电容积脉搏波的无创血压估计双阶段模型进行训练；
步骤6：采集用户光电容积脉搏波信号，将其输入基于光电容积脉搏波的无创血压估计双阶段模型中，进行无创血压估计。
2.根据权利要求1所述的基于光电容积脉搏波的无创血压估计方法，其特征在于，步骤1中，采集监测人体的光电容积脉搏波信号及有创连续血压波形信号，具体为：
采集监测人体的光电容积脉搏波信号，即PPG信号，以及有创连续血压波形信号，其中，将有创连续血压波形信号作为参考信号。
3.根据权利要求2所述的基于光电容积脉搏波的无创血压估计方法，其特征在于，步骤2中，对获取的光电容积脉搏波信号及有创连续血压波形信号进行初始化处理，具体为：
对获取的光电容积脉搏波信号及有创连续血压波形信号进行重采样、滤波降噪、信号分割、相位匹配及归一化处理，并对归一化处理后的信号进行先验特征提取，从归一化的PPG信号中提取形态学特征，将归一化处理后的信号及提取得到的形态学特征作为训练数据，用于对基于光电容积脉搏波的无创血压估计双阶段模型进行训练。
4.根据权利要求3所述的基于光电容积脉搏波的无创血压估计方法，其特征在于，步骤3中，对初始化处理后的数据进行特征选择，筛选有鉴别意义的信息参数，并进行特征融合，具体为：
获取归一化处理后的信号以及提取得到的形态学特征，通过PPG形态特征学习算法对形态学特征进行筛选，首先使用基学习器对一组相对重要的特征进行排序和过滤，然后使用递归特征消除法进行迭代，找到最佳的特征组合，确定最终优化的特征集，根据最终优化的特征集，将基于光电容积脉搏波的无创血压估计双阶段模型获取的深度特征与最终优化的特征集中的形态学特征相融合，通过设置特征权重来确定不同特征集的比例：
Ff＝ε·Fm+(1-ε)·Fd (1)
式中，Ff代表融合特征，Fm和Fd分别表示形态学特征和深度特征。
5.根据权利要求4所述的基于光电容积脉搏波的无创血压估计方法，其特征在于，步骤4中，根据特征融合后的数据搭建基于光电容积脉搏波的无创血压估计双阶段模型，具体为：
根据归一化处理后的信号及与其对应的融合特征，搭建基于光电容积脉搏波的无创血压估计双阶段模型，其中，无创血压估计双阶段模型，即SMART-BP模型，由基于深度学习的无袖带血压组型分类模型及基于自动机器学习的无袖带血压估计流水线组成，即SEM-ResNet模型和Auto-Regressor模型，其中，SEM-ResNet模型用于通过神经网络将获取的用户PPG信号分为不同的血压组别，Auto-Regressor模型用于为每个血压组别的PPG信号自动建立细粒度的回归器，进行无创血压估计。
6.根据权利要求5所述的基于光电容积脉搏波的无创血压估计方法，其特征在于，搭建SEM-ResNet模型，具体为：
搭建SEM-ResNet模型，其中，SEM-ResNet模型包括ResNet、多个子网络及神经网络，其中，SEM-ResNet以ResNet为骨干网络，融合挤压-激发模块的残差连接用于学习共享的低级特征，多个子网络利用不同尺度的卷积核协同学习高级尺度的特定信号特征，神经网络嵌入提取的融合特征，用于提供先验信息。
7.根据权利要求6所述的基于光电容积脉搏波的无创血压估计方法，其特征在于，搭建Auto-Regressor模型，具体为：
搭建Auto-Regressor模型，为SEM-ResNet模型得到的每个血压组别的PPG信号自动建立细粒度的回归器，得到准确的无创血压估计，其中，通过AutoML流水线构建了一个堆叠的集成学***的回归器，用于找到基础水平回归器的最佳组合，若基学***回归阶段设置元水平回归器使用基回归器的k-fold交叉验证预测值进行训练，在fold外的数据集上进行测试。
8.根据权利要求7所述的基于光电容积脉搏波的无创血压估计方法，其特征在于，步骤5中，根据初始化处理完的数据，对基于光电容积脉搏波的无创血压估计双阶段模型进行训练，具体为：
将初始化完的数据按照7:1.5:1.5的比例划分为训练集、验证集及测试集，通过训练集及验证集对无创血压估计双阶段模型进行训练及参数选择，通过测试集检验保存下来的最优***模型的泛化能力，在训练网络的过程中，通过Adam优化器进行参数更新，其中，学习率为0.001，权值衰减为0.999，动量为0.8。
9.根据权利要求8所述的基于光电容积脉搏波的无创血压估计方法，其特征在于，步骤6中，采集用户光电容积脉搏波信号，将其输入基于光电容积脉搏波的无创血压估计双阶段模型中，进行无创血压估计，具体为：
采集用户的PPG信号，将信号波形作为输入送入无创血压估计双阶段模型中，得到用户对应的血压数值，实现无创血压估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211608910.9A CN116369877A (zh) | 2022-12-14 | 2022-12-14 | 一种基于光电容积脉搏波的无创血压估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211608910.9A CN116369877A (zh) | 2022-12-14 | 2022-12-14 | 一种基于光电容积脉搏波的无创血压估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116369877A true CN116369877A (zh) | 2023-07-04 |
Family
ID=86960216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211608910.9A Pending CN116369877A (zh) | 2022-12-14 | 2022-12-14 | 一种基于光电容积脉搏波的无创血压估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116369877A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117137465A (zh) * | 2023-11-01 | 2023-12-01 | 深圳市奋达智能技术有限公司 | 一种血流动力参数测量方法及其相关设备 |
| CN117953970A (zh) * | 2024-03-27 | 2024-04-30 | 山东大学 | 一种基于高光谱图像的肺癌多基因检测方法及*** |
-
2022
- 2022-12-14 CN CN202211608910.9A patent/CN116369877A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117137465A (zh) * | 2023-11-01 | 2023-12-01 | 深圳市奋达智能技术有限公司 | 一种血流动力参数测量方法及其相关设备 |
| CN117137465B (zh) * | 2023-11-01 | 2024-04-16 | 深圳市奋达智能技术有限公司 | 一种血流动力参数测量方法及其相关设备 |
| CN117953970A (zh) * | 2024-03-27 | 2024-04-30 | 山东大学 | 一种基于高光谱图像的肺癌多基因检测方法及*** |
| CN117953970B (zh) * | 2024-03-27 | 2024-06-11 | 山东大学 | 一种基于高光谱图像的肺癌多基因检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Acharya et al. | Deep neural network for respiratory sound classification in wearable devices enabled by patient specific model tuning | |
| Zhao et al. | A hybrid spatio-temporal model for detection and severity rating of Parkinson’s disease from gait data | |
| Jafarian et al. | Automating detection and localization of myocardial infarction using shallow and end-to-end deep neural networks | |
| Gupta et al. | Neural network classification of homomorphic segmented heart sounds | |
| CN116369877A (zh) | 一种基于光电容积脉搏波的无创血压估计方法 | |
| US20220093215A1 (en) | Discovering genomes to use in machine learning techniques | |
| Fan et al. | Homecare-oriented intelligent long-term monitoring of blood pressure using electrocardiogram signals | |
| Rath et al. | Improved heart disease detection from ECG signal using deep learning based ensemble model | |
| Chen et al. | A new deep learning framework based on blood pressure range constraint for continuous cuffless BP estimation | |
| Singh et al. | Short unsegmented PCG classification based on ensemble classifier | |
| CN117598700B (zh) | 智能化血氧饱和度检测***及方法 | |
| Singh et al. | Short and noisy electrocardiogram classification based on deep learning | |
| CN114587310A (zh) | 一种基于光电容积脉搏波实现有创血压波形估计的方法 | |
| Khan et al. | Computer-aided diagnosis system for cardiac disorders using variational mode decomposition and novel cepstral quinary patterns | |
| Liu et al. | LSTM Neural Network for Beat Classification in ECG Identity Recognition. | |
| Jiang et al. | Attention-based multi-scale features fusion for unobtrusive atrial fibrillation detection using ballistocardiogram signal | |
| Kumar et al. | A novel CS-NET architecture based on the unification of CNN, SVM and super-resolution spectrogram to monitor and classify blood pressure using photoplethysmography | |
| Ma et al. | PPG-based continuous BP waveform estimation using polarized attention-guided conditional adversarial learning model | |
| Yen et al. | Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN. | |
| Shao et al. | Predicting cardiovascular and cerebrovascular events based on instantaneous high-order singular entropy and deep belief network | |
| Tanc et al. | Hypertension classification using PPG signals | |
| Singh et al. | Expert diagnostic system for detection of hypertension and diabetes mellitus using discrete wavelet decomposition of photoplethysmogram signal and machine learning technique | |
| Nowroozilarki et al. | Variational autoencoders for biomedical signal morphology clustering and noise detection | |
| Sivanjaneyulu et al. | Cnn based ppg signal quality assessment using raw ppg signal for energy-efficient ppg analysis devices in internet of medical things | |
| Gong et al. | Accurate cirrhosis identification with wrist-pulse data for mobile healthcare |
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 |