基于深度学习的无创血压值预测方法及系统技术方案

本发明专利技术公开了基于深度学习的无创血压值预测方法及系统，该方法包括：基于十折交叉验证法对预处理数据集进行划分处理，获取第一数据集与第二数据集；基于第一数据集对卷积神经网络模型依次进行训练与预测，得到血压预测值；将血压预测值与第二数据集输入至梯度提升树模型进行训练，得到当前时刻血糖预测值；通过分数阶灰度预测模型对当前时刻血糖预测值进行预测，得到下一时刻的血糖预测值。通过使用本发明专利技术，能够基于卷积神经网络模型对PPG信号进行处理，从而得到血压血糖值，提高血糖测量的准确度。本发明专利技术作为基于深度学习的无创血压值预测方法及系统，可广泛应用于数字信号处理技术领域。理技术领域。理技术领域。

【技术实现步骤摘要】
基于深度学习的无创血压值预测方法及系统


[0001]本专利技术涉及数字信号处理
，尤其涉及基于深度学习的无创血压值预测方法及系统。

技术介绍

[0002]当前社会糖尿病患者基数高且持续增加。同时，心血管疾病是当前人类面临的首要健康威胁，血压能够反应出人体心脏和血管的功能状况，是临床上诊断疾病、观察治疗效果、进行预后判断的重要依据；现有血压血糖测量方法可以分为有创测量和无创测量两类；相较于有创测量，无创血压测量方法对患者造成的痛苦更小、有更高的舒适度，是临床应用和基础医学中常见的测量方法，现阶段大多数电子血压计都是基于示波法测量血压，基于示波法的血压测量结果相比于听诊法更为准确，是临床和家用医疗中广泛应用的血压测量装置，具有操作简便、测量结果更为直观、抗干扰能力较强等优点；但是，脉搏很弱者、血压过高或过低者、恶性高血压者，会导致差异较大，这是由于血压是经常波动的，血压脉搏是血流在血管内流动，对血管产生的压力和冲击力而导致，它跟心脏的收缩和舒张功能有很大关系，并且是常会受到活动或者情绪等方面以及神经方面影响；现有的还有电化学法测试；但探测头暴露在空气里，很容易受到污染，影响测试结果，误差比较大，一般在短期内是比较准确的，使用一段时间后须到维修站做一次校准，同时有创的检测方式器一般采血量比较大，患者比较痛苦且易感染，如果采血偏多，还会影响测试结果，血量不足，操作就会失败，浪费试纸。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的是提供基于深度学习的无创血压值预测方法及系统，能够基于卷积神经网络模型对PPG信号进行处理，从而得到血压血糖值，提高血糖测量的准确度。
[0004]本专利技术所采用的第一技术方案是：基于深度学习的无创血压值预测方法，包括以下步骤：
[0005]基于十折交叉验证法对预处理数据集进行划分处理，获取第一数据集与第二数据集；
[0006]基于第一数据集对卷积神经网络模型依次进行训练与预测，得到血压预测值；
[0007]将血压预测值与第二数据集输入至梯度提升树模型进行训练，得到当前时刻血糖预测值；
[0008]通过分数阶灰度预测模型对当前时刻血糖预测值进行预测，得到下一时刻的血糖预测值。
[0009]进一步，所述基于十折交叉验证法对预处理数据集进行划分处理，获取第一数据集与第二数据集这一步骤，其具体包括：
[0010]基于mimic
‑
iii数据库进行数据提取处理，得到预处理数据集，所述预处理数据集
包括PPG数据信号、血压数据信号和血糖数据信号；
[0011]整合PPG数据信号和血压数据信号构建第一数据集，并通过十折交叉验证法对第一数据集进行划分处理，得到第一数据集对应的训练集与测试集；
[0012]整合血压数据信号和血糖数据信号构建第二数据集，并通过十折交叉验证法对第二数据集进行划分处理，得到第二数据集对应的训练集与测试集。
[0013]进一步，所述基于第一数据集对卷积神经网络模型依次进行训练与预测，得到血压预测值这一步骤，其具体包括：
[0014]将第一数据集输入至卷积神经网络模型，所述卷积神经网络模型的神经元激活函数为RBF；
[0015]以RBF中的平均向量和协方差矩阵为目标，定义卷积神经网络模型的优化问题；
[0016]引入修正的填充函数，通过梯度下降法对卷积神经网络模型的优化问题进行求解处理，得到局部最优解；
[0017]将局部最优解设置为约束条件，通过梯度下降法对卷积神经网络模型的优化问题进行循环求解，直至达到循环预设次数，得到全局最优解，输出血压预测值。
[0018]进一步，所述卷积神经网络模型的优化问题的表达式具体如下所示：
[0019][0020]上式中，u
c
、C
c
表示RBF中的平均向量和协方差矩阵，f
c
(q
k
)表示激活函数，y
k,c
表示q
k
通过第c个神经元后的理想输出，K表示为训练的特征向量数。
[0021]进一步，所述将血压预测值与第二数据集输入至梯度提升树模型进行训练的表达式具体如下所示：
[0022][0023]上式中，L(y,f(x))表示对数似然损失函数，K表示类别数，f(x)表示分类树，y
k
表示是否属于第k类别，p
j
(x)表示为第k类别的概率。
[0024]进一步，所述将血压预测值与第二数据集输入至梯度提升树模型进行训练，得到当前时刻血糖预测值这一步骤，其具体包括：
[0025]将血压预测值与第二数据集输入至梯度提升树模型并进行初始化；
[0026]根据初始化结果计算每个样本点的概率；
[0027]计算第t轮的第i个样本对应类别l的负梯度误差；
[0028]根据负梯度误差拟合一个分类树并求最佳负梯度拟合值；
[0029]根据最佳负梯度拟合值对梯度提升树模型的学习器进行更新，输出当前时刻血糖预测值。
[0030]进一步，所述通过分数阶灰度预测模型对当前时刻血糖预测值进行预测的表达式具体如下所示：
[0031][0032][0033][0034]上式中，表示阶乘函数，(x)
r
(k)表示序列中每个元素累加，gamma(
·
)表示gamma函数，k表示第k个分数阶累加运算，i表示常数，r表示r阶累加生成序列。
[0035]本专利技术所采用的第二技术方案是：基于深度学习的无创血压值预测系统，包括：
[0036]划分模块，基于十折交叉验证法对预处理数据集进行划分处理，获取第一数据集与第二数据集；
[0037]血压预测模块，基于第一数据集对卷积神经网络模型依次进行训练与预测，得到血压预测值；
[0038]血糖训练模块，用于将血压预测值与第二数据集输入至梯度提升树模型进行训练，得到当前时刻血糖预测值；
[0039]血糖预测模块，用于通过分数阶灰度预测模型对当前时刻血糖预测值进行预测，得到下一时刻的血糖预测值。
[0040]本专利技术方法及系统的有益效果是：本专利技术基于mimic
‑
iii数据库提取PPG数据信号、血压数据信号和血糖数据信号，并通过十折交叉验证法对提取出来的数据集进行划分处理，根据划分结果输入至RBF卷积神经网络进行特征提取，提高预测的血压预测值的准确度，并进一步结合RBF卷积神经网络的输出结果与数据集划分结果输入至梯度提升树模型与分数阶灰度预测模型进行预测，能够扩充数据集的特征维度，并进一步提高血糖的预测精度，便于进行低成本的血流动力学优化，更加灵敏、准确地反映病人的血流动力学状态，且更适应于各种年龄、大小手术、高血压病人及血压波动较大者。
附图说明
[0041]图1是本专利技术基于深度学习的无创血压值预测方法的步骤流程图；
[0042]图2是本专利技术基于深度学习的无创血压值预测系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的无创血压值预测方法，其特征在于，包括以下步骤：基于十折交叉验证法对预处理数据集进行划分处理，获取第一数据集与第二数据集；基于第一数据集对卷积神经网络模型依次进行训练与预测，得到血压预测值；将血压预测值与第二数据集输入至梯度提升树模型进行训练，得到当前时刻血糖预测值；通过分数阶灰度预测模型对当前时刻血糖预测值进行预测，得到下一时刻的血糖预测值。2.根据权利要求1所述基于深度学习的无创血压值预测方法，其特征在于，所述基于十折交叉验证法对预处理数据集进行划分处理，获取第一数据集与第二数据集这一步骤，其具体包括：基于mimic
‑
iii数据库进行数据提取处理，得到预处理数据集，所述预处理数据集包括PPG数据信号、血压数据信号和血糖数据信号；整合PPG数据信号和血压数据信号构建第一数据集，并通过十折交叉验证法对第一数据集进行划分处理，得到第一数据集对应的训练集与测试集；整合血压数据信号和血糖数据信号构建第二数据集，并通过十折交叉验证法对第二数据集进行划分处理，得到第二数据集对应的训练集与测试集。3.根据权利要求2所述基于深度学习的无创血压值预测方法，其特征在于，所述基于第一数据集对卷积神经网络模型依次进行训练与预测，得到血压预测值这一步骤，其具体包括：将第一数据集输入至卷积神经网络模型，所述卷积神经网络模型的神经元激活函数为RBF；以RBF中的平均向量和协方差矩阵为目标，定义卷积神经网络模型的优化问题；引入修正的填充函数，通过梯度下降法对卷积神经网络模型的优化问题进行求解处理，得到局部最优解；将局部最优解设置为约束条件，通过梯度下降法对卷积神经网络模型的优化问题进行循环求解，直至达到循环预设次数，得到全局最优解，输出血压预测值。4.根据权利要求3所述基于深度学习的无创血压值预测方法，其特征在于，所述卷积神经网络模型的优化问题的表达式具体如下所示：上式中，u
c
、C
c
表示RBF中的平均向量和协方差矩阵，f
c
(q
k
)表示激活函数，y
k，c
表...

【专利技术属性】
技术研发人员：张子榕，陈秋妍，邓宇，谢绮雯，卢美怡，徐启明，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：