【技术实现步骤摘要】
归纳式迁移学习的双通道无创血压分类与血压检测的方法
[0001]本专利技术涉及血压分类检测
、
深度学习
，尤其是归纳式迁移学习的双通道无创血压分类与血压检测的方法
。
技术介绍
[0002]多年来，随着生活水平日益提升，不少人的饮食结构发生了转变，高糖高盐高脂肪等快餐食物增多，加之现代人生活压力比较大，熬夜
、
缺乏锻炼等现象日益突出，导致不少人出现了血压偏高的情况
。
血压是人体的一个至关重要的生理参数，若前期不加注意，则有可能演变成高血压，对心脑血管造成一定损害
。
高血压被认为是心血管疾病发生的主要危险因素，控制高血压可预防心血管疾病的发生及降低患者死亡率，并且当今高血压的患病年龄和患病人数分别呈现逐渐下降和上升的趋势，因此对血压的监测显得尤为重要
。
目前常见的血压检测方法可分为侵入式
(Invasive)
和非侵入式
(Non
‑
Invasive)。
侵入式血压测量方法是将导管直接插入中心动脉或外周动脉由压力传感器获得血压值，这种方法测量的血压值比较准确，但是容易导致形成血栓
、
缺血性损伤
、
动脉炎等并发症
。
非侵入式血压测量方法被称为无创血压测量，包括动脉张力法
、
容积补偿法等方法，在一定程度上克服了侵入式方法的弊端，但仍存在着准确度不高的缺点
。
[0003]现今对血压检测...
【技术保护点】
【技术特征摘要】
1.
归纳式迁移学习的双通道无创血压分类与血压检测的方法，其特征在于：包括以下步骤；步骤
S1
：对无袖血压估计数据库的心电信号
ECG、
光电容积脉搏波信号
PPG
和动脉血压信号
ABP
进行数据预处理；步骤
S2
：通过深度学习网络对步骤
S1
中处理好的
ECG
信号进行心电波形特征提取，特征包括
R
‑
R
间期，
R
波幅值，
ST
段间期等，搭建心率失常五分类模型，具体类别为
N
类
、S
类
、V
类
、F
类和
Q
类，作为归纳式迁移学习的源域模型；步骤
S3
：对步骤
S2
中搭建的源域模型进行归纳式迁移，构建血压二分类模型，分别搭建正常血压
+
高血压前期
vs.
高血压的二分类模型
Model1
，以及正常血压
vs.
高血压前期的二分类模型
Model2
；步骤
S4
：对
S1
中处理后的
ECG
信号和
PPG
信号进行重新标注，通过一维卷积神经网络进行特征提取进而构建回归模型，正常血压数据输入模型，分别进行收缩压和舒张压的回归，构建两个回归模型
Model3、Model4
，同理，高血压前期数据输入也获得两个模型
Model5、Model6
，高血压数据输入也获得两个模型
Model7、Model8
，总共训练出6个回归模型；步骤
S5
：将
PPG
和
ECG
双通道测试数据输入
S3
搭建的二级二分类模型，模型自动判断类别后自动选择
S4
中对应的回归模型进行回归，得到具体的收缩压
SBP
和舒张压
DBP
血压数值，并且获得回归模型在平均绝对误差
MAE、
标准差
SD
以及均方根误差指标
RMSE
指标上的检测结果
。2.
根据权利要求1所述的归纳式迁移学习的双通道无创血压分类与血压检测的方法，其特征在于：步骤
S1
具体包括以下步骤；步骤
S11
：无袖血压估计数据库中的
PPG
信号
、ECG
信号和
ABP
信号同时采集得到以使其在时间维度同步，将时序上对应的三种信号切割成相同时间长度的数据，数据之间不重叠切割；将切割后的
PPG
信号和
ECG
信号作为模型训练的输入数据，相对应的
ABP
信号用于确定该时间段的数据标签；步骤
S12
：记录每一段
ABP
数据的最大值和最小值，分别为该笔数据的收缩压
SBP
和舒张压
DBP
，根据国际联合委员会第七次报告
(JNC7)
对血压的划分标准，将血压划分为三个类别：收缩压值小于
120mmHg
，该笔数据标注为正常血压数据；收缩压值在
120
‑
139mmHg
区间，该笔数据标注为高血压前期数据；收缩压值大于等于
140mmHg
，该笔数据标注为高血压数据；步骤
S13
：用离散小波变换及
Mallat
算法对
ECG
信号进行处理，阈值函数采用固定阈值
sqtwolog
函数，得到多层不同频段的心电分解信号，
sqtwolog
函数阈值
Thr
为
Thr
＝
λ
*
σ
，
σ
是层细节系数噪声标准差，
σ
＝
Median Value/0.6745,
其中
Median Value
是是每层小波高频系数绝对值按照从小到大顺序排列后的中值，
λ
为
:
步骤
S14
：用阈值及阈值函数
sqtwolog
对分解信号进行阈值处理，滤除
ECG
噪声信号；步骤
S15
：将滤除噪声的多层分解信号进行重构得到滤波后的
ECG
信号；步骤
S16
：用中值滤波器对
PPG
信号进行处理，得到
PPG
信号的基线漂移噪声；步骤
S17
；将原始
PPG
信号减去提取出的基线漂移噪声，滤除
PPG
噪声信号
。
3.
根据权利要求2所述的归纳式迁移学习的双通道无创血压分类与血压检测的方法，其特征在于：步骤
S11
中，无袖血压估计数据库的数据存储方式是以
MATLAB
的
.mat
格式存储的，切割长度选择在
10s
以内，数据之间不重叠切割；步骤
S13
中，数据切割之后，将对切割之后的
ECG
和
PPG
数据分别去噪；心电信号中的噪声包含了基线漂移
、
工频干扰和肌电干扰，基线偏移的频率小于
1Hz
，工频干扰的频率为
50Hz
，肌电干扰频率范围在
10
‑
3000Hz
之间；心电信号主要频率在
0.05
‑
100Hz
之间，大部分能量集中在
0.5
‑
45Hz
，使用离散小波变换对心电信号进行分解，去除噪声，离散化小波变换的计算公式：
f(t)
是需要进行小波分析的函数，表示小波基函数，
α0是尺度因子，其值大于0，
τ0是位移量，可正可负；采用小波阈值去噪的方法，小波基函数使用“db8”，对
ECG
信号进行7层小波分解，将噪声所在频率置零以去除噪声
。4.
根据权利要求1所述的归纳式迁移学习的双通道无创血压分类与血压检测的方法，其特征在于：步骤
S2
具体为：步骤
S21
：将
II
导联和
V1
导联的
ECG
数据按照美国医疗器械促进协会标准
(AAMI)
进行心拍类别的划分，训练集和测试集的数据完全不交叉；步骤
S22
：搭建由
M
层卷积层和跨层连接的残差网络层组成的深度学习网络；步骤
S23
：通过
S22
搭建的深度学习网络对
ECG
数据进行波形特征提取，搭建具有高准确率的心率失常五分类模型；步骤
S24
：将
S23
搭建的心率失常五分类模型的前
N
层卷积层参数进行冻结，后
M
‑
N
卷积层参数进行解冻，作为归纳式迁移学习的源域模型
。5.
根据权利要求1所述的归纳式迁移学习的双通道无创血压分类与血压检测...
【专利技术属性】
技术研发人员：王量弘，王宇，刘卫，杨涛，谭鸿昕，
申请(专利权)人：福州大学，
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。