一种基于CSA-CBLSTM算法的无创连续血压估计方法

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。

技术特征：

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，

技术总结
本发明属于医疗方法技术领域，尤其为一种基于CSA‑CBLSTM算法的无创连续血压估计方法，包括以下步骤：步骤A，利用血压数据库中的血压数据对模型进行训练。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通道注意力模块，在BiLSTM模块之后加入空间注意力模块，同时加强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。

技术研发人员：宫玉琳,王慧杰,陈晓娟,胡命嘉,李天星,景治新,张福君
受保护的技术使用者：长春理工大学
技术研发日：
技术公布日：2024/1/16