【技术实现步骤摘要】
本专利技术涉及一种血压监测系统，具体涉及一种融合血流动力学的单ppg通道数据连续血压监测系统。
技术介绍
1、当今世界上有近三分之一的成年人患有高血压。尽管药物和临床治疗对高血压的疗效显著，但只有不到15％的高血压患者血压得到控制。造成这种情况的主要原因是，大多数患者在高血压早期(无症状高血压)并不知晓自己的血压，因此无法得到准确的药物治疗。因此为解决这种问题，开发无创、便携、准确的血压测量算法和可穿戴监测设备至关重要，这使个人能够自主使用可穿戴设备进行数据收集，同时依靠快速、精确的算法模型来预测当前的血压值.
2、目前进行血压监测主要以示波法为主，通过袖带识别手臂肱动脉传出的压力脉冲进行血压的计算监测，但这种方法无法做到连续血压监测，其次不具有便携性，难以做到实时监测。同时针对基于可穿戴血压监测设备的研究，目前仍采用部署微型气囊或多种传感器的方式进行数据采集与预测，这种方法虽能实现连续监测但设备成本较高，无法实现真正普及应用。因此研发一种融合血流动力学的单ppg(光电容积脉搏波)通道数据连续血压监测系统显得十分必要。
技术实现思路
1、针对现有技术的不足，本专利技术提出了一种融合血流动力学的单ppg通道数据连续血压监测系统，实现了利用单ppg数据进行连续血压监测，在降低设备成本的基础上保证了血压监测的准确性，同时算法结合了人体血流动力学作为医学先验知识，增强了算法的医学可解释性，加快了算法模型部署与落地应用。
2、为实现上述技术方案，本专利技术提供了一种融
3、优选的，所述数据生成与特征融合算法首先将单通道ppg数据转化为第一通道、第二通道和第三通道三个不同通道的特征向量，其中第一通道的特征向量通过如下方式转换：
4、(4)从原始ppg信号中分别获得一阶导数ppg'和二阶导数ppg”，将原始ppg信号、一阶导数ppg'和二阶导数ppg”三者拼接形成inputchannel＝3的输入数据；
5、(5)在原始resnet_50的block中加入eca通道注意力机制，得到改进后的resnet_50；
6、(6)通过加入改进后的resnet_50对inputchannel＝3的输入数据进行特征提取。
7、优选的，eca通道注意力机制的具体步骤如下：
8、s1、对全局特征图进行平均池化操作，使得特征图通道序列y的尺寸变为：
9、size(y)＝1*1*c
10、其中c为特征通道数；
11、s2、用kernelsize＝k的一维卷积运算，通过sigmoid激活函数得到每个通道的权重w
12、
13、设b＝1，∈＝2，权重的计算公式为：
14、w＝σ(conv 1d(y))
15、其中σ为sigmoid激活函数；
16、s3、将权重与原始输入特征图的相应元素相乘，得到最终输出，即权重更新后的特征图。
17、优选的，所述第二通道的特征向量通过如下方式获得：使用cyclegan算法，结合bidmc公开数据集进行生成对抗网络的模型训练，实现从ppg数据片段到ecg数据片段的生成，生成后的ecg数据通过改进后的resnet_50进行特征提取。
18、优选的，所述第三通道的特征向量通过如下方式获得：从原始ppg数据以及对应的一阶导数ppg'和二阶导数ppg”数据中提取了共49维特征，根据特征之间的相关性构建了9个图节点，然后通过两级图卷积神经网络进行特征提取。
19、优选的，所述通过两级图卷积神经网络进行特征提取的具体步骤如下：
20、步骤一：构造一个稀疏邻接矩阵a来获取特征向量之间的关系，为了防止节点在特征加权时忽略自己的特征，在a中加入一个单位矩阵i，得到a*，计算出a*的度矩阵d*，如下所示：
21、
22、a*＝a+i
23、步骤二、对邻接矩阵a*进行对称归一化，层间特征变换可表示为：
24、h(l+1)＝σ(d*-1/2a*d*-1/2h(l)w(l))
25、其中h表示每一层的特征矩阵，σ为非线性激活函数，w为参数矩阵。
26、优选的，将第三通道获得的特征图向量与第二通道、第三通道获得的特征图向量合并降维后的特征图向量进行拼接，通过eca通道注意力机制再次实现全局的通道权重分配，再通过mlp进行ptt的预测结果输出。
27、优选的，输出ptt后根据血流动力学先验知识，构建从ptt到血压的个体监测模型，具体如下所示：
28、
29、其中，l为脉冲到达距离，α和β分别为标量系数，使用个体的部分数据进行个体模型的确定，通过最小化残差平方和来拟合最准确的α和β值，进而实现从ptt到血压值的预测。
30、本专利技术提供的一种融合血流动力学的单ppg通道数据连续血压监测系统的有益效果在于：本专利技术实现了基于单通道ppg数据获得更准确的人体连续血压监测效果，同时依托单一数据采集传感器加快了算法落地应用的速度。在构建两层级模型的过程中，首先创新性的提出数据生成与特征融合算法，结合大规模公开数据集实现了从ppg到ptt的准确映射，其次融合血流动力学模型进行个体血压模型构建，在提升回归效果的同时增强了人体血压值的预测工作的医学可解释性。
本文档来自技高网...【技术保护点】
1.一种融合血流动力学的单PPG通道数据连续血压监测系统，其特征在于包括：
2.如权利要求1所述的融合血流动力学的单PPG通道数据连续血压监测系统，其特征在于，所述数据生成与特征融合算法首先将单通道PPG数据转化为第一通道、第二通道和第三通道三个不同通道的特征向量，其中第一通道的特征向量通过如下方式转换：
3.如权利要求2所述的融合血流动力学的单PPG通道数据连续血压监测系统，其特征在于，ECA通道注意力机制的具体步骤如下：
4.如权利要求2所述的融合血流动力学的单PPG通道数据连续血压监测系统，其特征在于，所述第二通道的特征向量通过如下方式获得：使用CycleGAN算法，结合BIDMC公开数据集进行生成对抗网络的模型训练，实现从PPG数据片段到ECG数据片段的生成，生成后的ECG数据通过改进后的Resnet_50进行特征提取。
5.如权利要求2所述的融合血流动力学的单PPG通道数据连续血压监测系统，其特征在于，所述第三通道的特征向量通过如下方式获得：从原始PPG数据以及对应的一阶导数PPG′和二阶导数PPG″数据中提取了共49维特
6.如权利要求5所述的融合血流动力学的单PPG通道数据连续血压监测系统，其特征在于，所述通过两级图卷积神经网络进行特征提取的具体步骤如下：
7.如权利要求6所述的融合血流动力学的单PPG通道数据连续血压监测系统，其特征在于，将第三通道获得的特征图向量与第二通道、第三通道获得的特征图向量合并降维后的特征图向量进行拼接，通过ECA通道注意力机制再次实现全局的通道权重分配，再通过MLP进行PTT的预测结果输出。
8.如权利要求7所述的融合血流动力学的单PPG通道数据连续血压监测系统，其特征在于，输出PTT后根据血流动力学先验知识，构建从PTT到血压的个体监测模型，具体如下所示：
...【技术特征摘要】
1.一种融合血流动力学的单ppg通道数据连续血压监测系统，其特征在于包括：
2.如权利要求1所述的融合血流动力学的单ppg通道数据连续血压监测系统，其特征在于，所述数据生成与特征融合算法首先将单通道ppg数据转化为第一通道、第二通道和第三通道三个不同通道的特征向量，其中第一通道的特征向量通过如下方式转换：
3.如权利要求2所述的融合血流动力学的单ppg通道数据连续血压监测系统，其特征在于，eca通道注意力机制的具体步骤如下：
4.如权利要求2所述的融合血流动力学的单ppg通道数据连续血压监测系统，其特征在于，所述第二通道的特征向量通过如下方式获得：使用cyclegan算法，结合bidmc公开数据集进行生成对抗网络的模型训练，实现从ppg数据片段到ecg数据片段的生成，生成后的ecg数据通过改进后的resnet_50进行特征提取。
5.如权利要求2所述的融合血流动力学的单ppg通道数据连续...
【专利技术属性】
技术研发人员：舒琳，刘涛，关烨羿，花浩镪，熊奇炜，徐向民，
申请(专利权)人：华南理工大学，
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。