本发明专利技术公开了一种房颤评价模型训练方法、房颤评价方法和装置，属于智能医疗技术领域。该房颤评价方法步骤包括：获取包括训练对象的脸部影像，并通过视频光电容积描记法提取所述训练对象脸部的VPPG脉搏信号，将脉搏信号输入基于循环神经网络的降噪自编码器，实现脉搏信号节律变化特征的提取；再将脉搏特征输入到一种特征评分准则约束下的房颤分类模型，实现房颤的检测。本发明专利技术可以将失真的面部脉搏信号编码为无干扰的脉搏特征，并对房颤发病期间的脉搏特征进行重点监测，从而提高阵发性房颤检测的鲁棒性和准确性，为现实环境中房颤的快速筛查提供一种便捷途径。查提供一种便捷途径。查提供一种便捷途径。
【技术实现步骤摘要】
一种房颤评价模型训练方法、房颤评价方法和装置
[0001]本专利技术属于智能医疗
，具体地说，涉及一种房颤评价模型训练方法、房颤评价方法和装置。
技术介绍
[0002]心房颤动简称房颤，是一种常见的心律失常疾病，发病时心脏失去正常的收缩功能并出现无序的颤动。卒中是房颤的一种并发症。房颤病人患卒中的概率是普通人的五倍，约有20％的卒中由房颤直接引起。因此，房颤的及时检测和治疗是预防脑卒中的关键步骤。但早期房颤往往为没有持续症状的阵发性房颤。采用普通的短时心电图检查可能无法捕捉到房颤的发病瞬间，从而影响房颤的检出率和治疗效果。
[0003]随着PPG(Photoplethysmography,光电体积描记法)信号采集设备的研发和推广PPG采集模块逐渐进入日常运用。目前市面出现的设备以及搭配的算法如基于启发式规则进行房颤检测，如现有的视频光电容积描记术(Video Photoplethysmography,IPPG)是一种基于视频的心血管参数检测技术。应当理解，皮下组织中的血液容量会随着心脏跳动而改变，这种生理现象称为脉搏。血液中血红蛋白对环境光的吸收率又会随着脉搏而变化，并进一步导致人脸皮肤颜色出现微弱的变化。这种肤色变化会被普通摄像头捕捉到，并可以反映皮下脉搏状态。根据正常脉搏的节律均匀规则，而房颤脉搏的节律则杂乱无序这一特点可以用来检测房颤是否发生。然而，目前VPPG技术对受试者头部运动、表情变化、成像设备晃动等不稳定因素非常敏感，导致提取的脉搏信号存在不同程度的失真，容易引起房颤的误检。
专利
技术实现思路
[0004]1、要解决的问题
[0005]针对现有技术存在的脉搏信号存在不同程度的失真，导致房颤检测准确率不高的问题，本专利技术提供一种房颤评价模型训练方法，首先提取所述训练对象脸部的VPPG脉搏信号；进一步提取所述VPPG脉搏信号的节律变化特征作为训练数据，输入softmax分类器中进行训练得到房颤评价模型，通过该节律变化特征重建的PPG脉搏信号不含失真成分，对VPPG脉搏信号中运动伪影具有抗干扰能力；且该节律变化特征维度低于VPPG脉搏信号，是对VPPG脉搏信号冗余性的一种压缩，相比VPPG脉搏信号，具有更好的表达能力和鲁棒性，从而更适用于房颤的识别。
[0006]2、技术方案
[0007]为解决上述问题，本专利技术采用如下的技术方案。
[0008]本专利技术第一方面提供一种房颤评价模型训练方法，所述方法包括如下步骤：
[0009]获取包括训练对象的脸部影像，提取所述训练对象脸部的VPPG脉搏信号；
[0010]提取所述VPPG脉搏信号的节律变化特征作为训练数据，输入softmax分类器中进行训练得到房颤评价模型。
[0011]在一些实施例中，训练基于循环神经网络的降噪自编码器，用以提取VPPG脉搏信号的节律变化特征。
[0012]在一些实施例中，所述的降噪自编码器采用RNN网络模型构建；
[0013]将VPPG脉搏信号分解为T个片段，分别作为降噪自编码器的输入；获取VPPG脉搏信号在t时刻的隐藏状态特征向量h
t
作为节律变化特征；
[0014]其中，所述隐藏状态特征向量h
t
包含了t时刻脉搏信号片段的基本信息，还包含了与t
‑
1个时刻所对应的信号片段之间的关联信息。
[0015]在一些实施例中，所述的降噪自编码器模型的损失函数表达式如下：
[0016][0017]RNN
w,b
表示RNN降噪自编码器的映射函数，表示与VPPG脉搏信号反向的PPG脉搏信号，L表示损失函数；N表示训练样本数量；I
VPPG
表示输入的VPPG脉搏信号；n表示第n例训练样本。
[0018]在一些实施例中，所述的房颤评价模型训练步骤包括：
[0019]将所述的降噪自编码器获取的所有时刻的隐藏层状态特征向量h
t
作为softmax分类器的训练数据；
[0020]通过全连接神经网络学习每个时刻中所述隐藏层状态特征向量h
t
的评分a
t
；
[0021]对评分a
t
进行归一化，并将所述隐藏层状态特征向量按归一化的评分进行加性融合，得到约束下的合成特征向量h
syn
；
[0022]再将合成特征向量h
syn
输入到全连接神经网络中进行房颤分类训练，得到预置的房颤评价模型。
[0023]在一些实施例中，所述softmax分类器的损失函数定义为预测输出与训练标签的交叉熵，其表达式如下：
[0024][0025]式中，C
w,b
表示分类器的映射函数，l(n)是房颤分类的独热编码标签；N表示训练样本数量。
[0026]在一些实施例中，完成预置的房颤评价模型的训练之后，还包括微调训练，所述微调训练阶段的损失函数如下：
[0027][0028]式中，En
w,b
表示编码器的映射函数；C
w,b
表示分类器的映射函数，l(n)是房颤分类的独热编码标签；N表示训练样本数量；L
C
表示微调训练阶段的损失函数，n表示第n例训练样本。
[0029]在一些实施例中，所述提取训练对象脸部的VPPG脉搏信号步骤包括：
[0030]通过判别响应图拟合算法对包括训练对象的脸部影像中人脸区域和面部特征点进行定位；
[0031]基于面部特征点在预定时间段内的位移轨迹，采用KLT算法对影像中的人脸运动进行追踪，抑制训练对象面部刚性运动之干扰；
[0032]将影像从RGB空间转化到HIS空间，并提取Hue通道的色度信息用于构建VPPG脉搏信号。
[0033]在一些实施例中，所述的提取Hue通道的色度信息用于构建VPPG脉搏信号步骤包括：
[0034]计算包含训练对象的脸部影像中人脸区域中所有像素点的灰度平均值，建立时间轴上的一维色度变化信号，获得VPPG脉搏信号。
[0035]本专利技术第二方面提供一种房颤评价方法，所述方法包括：
[0036]获取包括目标对象的脸部影像，提取所述目标对象脸部的VPPG脉搏信号；
[0037]提取所述VPPG脉搏信号的节律变化特征，将所述节律变化特征向量输入到如上述的房颤评价模型中进行分类，得到对应的评价类别，所述评价类别包括非房颤和房颤。
[0038]本专利技术第三方面提供一种房颤评价装置，所述装置包括：
[0039]第一提取模块，其用于获取包括训练对象的脸部影像，提取所述训练对象脸部的VPPG脉搏信号；
[0040]第二提取模块，其用于提取所述VPPG脉搏信号的节律变化特征；及
[0041]被配置为上述的房颤评价模型，其用于接收所述节律变化特征向量，输出与所述节律变化特征向量对应的评价类别，所述评价类别包括非房颤和房颤。
[0042]本专利技术第本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种房颤评价模型训练方法，其特征在于，所述方法包括如下步骤：获取包括训练对象的脸部影像，提取所述训练对象脸部的VPPG脉搏信号；提取所述VPPG脉搏信号的节律变化特征作为训练数据，输入softmax分类器中进行训练得到房颤评价模型。2.根据权利要求1所述的房颤评价模型训练方法，其特征在于，训练基于循环神经网络的降噪自编码器，用以提取VPPG脉搏信号的节律变化特征。3.根据权利要求2所述的房颤评价模型训练方法，其特征在于，所述的降噪自编码器采用RNN网络模型构建；将VPPG脉搏信号分解为T个片段，分别作为降噪自编码器的输入；获取VPPG脉搏信号在t时刻的隐藏状态特征向量h
t
作为节律变化特征；其中，所述隐藏状态特征向量h
t
包含了t个时刻脉搏信号片段的基本信息，还包含了与t
‑
1个时刻所对应的信号片段之间的关联信息。4.根据权利要求3所述的房颤评价模型训练方法，其特征在于，所述的降噪自编码器模型的损失函数表达式如下：RNN
w，b
表示RNN降噪自编码器的映射函数，表示与VPPG脉搏信号反向的PPG脉搏信号，L表示损失函数；N表示训练样本数量；I
vPPG
表示输入的VPPG脉搏信号；n表示第n例训练样本。5.根据权利要求1所述的房颤评价模型训练方法，其特征在于，所述的房颤评价模型训练步骤包括：将所述的降噪自编码器获取的所有时刻的隐藏层状态特征向量h
t
作为softmax分类器的训练数据；通过全连接神经网络学习每个时刻中所述隐藏层状态特征向量h
t
的评分a
t
；对评分a
t
进行归一化，并将所述隐藏层状态特征向量按归一化的评分进行加性融合，得到约束下的合成特征向量h
...
【专利技术属性】
技术研发人员：杨学志，刘雪南，王定良，韩雪松，
申请(专利权)人：合肥工业大学，
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。