本发明涉及医疗方法,具体为一种基于csa-cblstm算法的无创连续血压估计方法。
背景技术:
1、连续血压估计技术是针对心脑血管疾病预防和治疗的重要技术之一,引起了广泛的关注,随着社会老龄化问题的加剧,以及人们在学习、工作和生活的压力越来越大,心脑血管的健康问题也越来越受到人们的重视,据统计,心脑血管疾病已经成为导致中国居民死亡的首位原因,且近年来患病率处于持续上升态势,目前患病人数约3.3亿,血压健康已经成为备受关注的社会问题。
2、对血压进行连续的监测可以及时的反映人体的血压变化情况,从而对疾病的预防和治疗提供重要的信息依据。
3、目前临床常用的连续血压估计方法主要分为有创式和无创式,有创式又称为侵入式血压测量,此方法需要进行血管穿刺,在血管内直接测量压力,无创式又分为袖带式和无袖带式,通过对袖带充气加压,使动脉完全闭塞,然后袖带逐渐放气,压力逐渐下降,当动脉内压力刚刚超过袖带所施加的压力时,便冲开闭塞的动脉使血流通过,能重开袖带所施加的最高压力定为收缩压,最低压力定为舒张压,随着深度学习的发展和传感器技术的进步,基于深度学习和无创式传感器技术的发展,基于深度学习的方法逐渐成为主流的研究方向,通过传感器采集人体生理信号,建立神经网络模型,经过学习将光电容积脉搏信号(ppg)和心电信号(ecg)转化为实时的血压信号,以上几种方法还存在如下缺陷:
4、(1)侵入式血压测量方法需要血管穿刺,对人体伤害比较大,还面临感染的风险,对于部分轻症患者,此方法弊大于利;
5、(2)袖带式血压测量方法连续性差,不能反映患者血压的实时变化情况,同时袖带需要充气,给患者带来不适;
6、(3)通过手动提取特征的方法效率较低,特征的主观选择过程对于血压估计准确率的影响较大。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本发明提供了一种基于csa-cblstm算法的无创连续血压估计方法,解决了传统有创式方法对患者带来的伤害、袖带式带来的不适性和传统机器学习方法无法准确预测收缩压(sbp)和舒张压(dbp)的问题。
3、(二)技术方案
4、本发明为了实现上述目的具体采用以下技术方案:
5、一种基于csa-cblstm算法的无创连续血压估计方法,包括以下步骤:
6、步骤a,利用血压数据库中的血压数据对模型进行训练;
7、步骤b,光电容积脉搏信号和心电信号采集;
8、步骤c,将采集到的两路信号进行降噪滤波;
9、步骤d,利用窗函数对ppg和ecg进行分段
10、步骤e,将步骤d得到的ecg和ppg输入到csa-cblstm模型进行收缩压(sbp)和舒张压(dbp)的估计。
11、进一步地,步骤a包括,
12、步骤a1,从血压测试数据库中获取样本数据;
13、步骤a2,搭建基于csa-cblstm网络的血压估计网络;
14、步骤a3,将样本带入所述血压估计网络进行训练,获得血压估计网络的权重参数,获得训练后的血压估计网络。
15、进一步地,所述步骤b信号采集包括以下步骤:
16、步骤b1,将ecg采集模块电极贴片粘贴到受试者胸部和腹部相应位置,将ppg采集模块放置在受试者食指指尖位置;
17、步骤b2,受试者应处于静坐状态,受测前30分钟内不剧烈运动,在平静状态下进行测量;
18、步骤b3,同步采集受试者平静状态下的ecg和ppg信号,获得实时测试数据的信号输出。
19、进一步地,步骤c,对采集到的原始ppg和ecg进行预处理;
20、步骤c1,ppg去基线漂移;
21、步骤c2,ecg信号去除肌电干扰;
22、步骤c3,ecg信号的工频干扰抑制;
23、步骤c4,ecg信号的去基线漂移。
24、进一步地,所述步骤d设置合理的窗口函数尺寸大小(如size=400)的计算窗对处理后的ecg和ppg进行分段;
25、接下来将经过预处理的信号输入给血压估计模型对收缩压(sbp)和舒张压(dbp)进行估计。
26、进一步地,所述步骤e包括,
27、步骤e1,处理好的数据首先经过矩阵变换(如利用reshape函数)调整函数的行数、列数、维数;
28、步骤e2,先经过卷积神经网络;
29、步骤e3,压缩(squeeze);
30、步骤e4,激励(excitation);
31、步骤e5,经过激励得到各通道权重系数s;
32、步骤e6,bilstm模块;
33、步骤e7,空间注意力模块;
34、步骤e8,最后一层为全连接层,全连接层负责整合空间注意力模块筛选后的具有区分性的局部信息,最终输出预测结果。
35、(三)有益效果
36、与现有技术相比,本发明提供了一种基于csa-cblstm算法的无创连续血压估计方法,具备以下有益效果:
37、本发明,我们以脉搏信号(ppg)和心电信号(ecg)作为信号输入,经过信号处理和csa-cblstm网络模型对输入信号进行特征提取进行血压估计,本发明提出的csa-cblstm算法在模型中引入了两种注意力机制,对提取到的不同通道和空间的特征进行筛选,筛选出各通道和空间特征的重要程度,提高模型性能,从而提升整体的拟合效果,整体方案为在cnn-bilstm神经网络中,在卷积神经网络之后加入pse注意力模块,在bilstm模块之后加入空间注意力模块,同时加强了模型的通道特征和空间特征的筛选,从而提高模型估计准确率。
1.一种基于cas-cblstm算法的无创连续血压估计方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于csa-cblstm算法的无创连续血压估计方法,其特征在于:步骤a包括,
3.根据权利要求1所述的一种基于csa-cblstm算法的无创连续血压估计方法,其特征在于:所述步骤b信号采集包括以下步骤:
4.根据权利要求1所述的一种基于csa-cblstm算法的无创连续血压估计方法,其特征在于:步骤c,对采集到的原始ppg和ecg进行预处理;
5.根据权利要求1所述的一种基于csa-cblstm算法的无创连续血压估计方法,其特征在于:所述步骤d设置合理的窗口函数尺寸大小(如size=400)的计算窗对处理后的ecg和ppg进行分段;
6.根据权利要求1所述的一种基于csa-cblstm算法的无创连续血压估计方法,其特征在于:所述步骤e包括,