【技术实现步骤摘要】
本专利技术涉及人工智能，具体涉及一种基于特征差异的无创股动脉血流量估计方法、设备。
技术介绍
1、外周动脉疾病（peripheralarterydisease，pad）是老年人残疾和行动能力丧失的主要原因，特别是下肢动脉粥样硬化性疾病。下肢pad主要发病原因是缺血和血管损伤，也可伴有间歇性跛行，最终出现组织坏死，重者需要被截肢，严重影响患者的生活质量。近几年，有监督的运动康复训练作为一种无创、非药物、非介入的方式被应用到pad的治疗中，改善了患者的步行能力。
2、然而，由于运动强度难控制，对患者下肢血管功能的改善存在较多争议，且运动强度较大可能会加重患者的跛行。因此，寻求新的无创替代性治疗方法，进而改善pad患者下肢血管功能具有十分重要的临床意义。源自中国的被动运动康复体外反搏（enhancedexternal counterpul sation，eecp）是一种无创性辅助循环装置，在心电r波的同步触发下，于心脏舒张期自下而上对包裹小腿、大腿及臀部的气囊进行序贯充气加压，驱动血液形成双脉冲而灌注全身，加快血流速度，提高血流切应力，起到类似于运动锻炼的效果。目前在临床实践中，通过超声技术监测下肢动脉血流动力学指标变化，来评估eecp的即时疗效。然而，这种方法存在以下一些缺陷：(1)超声相对昂贵，增加临床成本。(2)通过超声获得血流频谱曲线后，需要进行数据处理和计算才能得到血流量，增加了操作的复杂性和时间成本。
技术实现思路
1、本专利技术克服了现有技术的不足，提供一种基于
2、为达到上述目的，本专利技术采用的技术方案为：一种基于特征差异的无创股动脉血流量估计方法，包括以下步骤：
3、获取受试者指端和足背的ppg信号数据，并对所述指端和足背的ppg信号数据进行基线漂移校正、降噪、零值扩展预处理，获取预处理后的指端和足背的ppg信号数据；
4、根据所述预处理后的指端和足背的ppg信号数据，基于预先训练的股动脉血流量估计模型，进行股动脉血流量估计处理，得到股动脉血流量的估计结果；
5、其中，所述股动脉血流量估计模型的构建包括：构建基于卷积神经网络-长短时记忆神经网络的股动脉血流量估计模型，所述股动脉血流量估计模型中融入注意力机制；
6、其中，所述股动脉血流量估计模型的训练包括：
7、利用数据集中的训练集对股动脉血流量估计模型进行训练，得到训练后的股动脉血流量估计模型；将数据集中的测试集的信号序列输入到训练后的股动脉血流量估计模型中，计算不同的评价指标，得到股动脉血流量的估计结果。
8、本专利技术一个较佳方案中，基线漂移校正、降噪、零值扩展预处理包括以下步骤：
9、步骤a1，对采集的受试者指端和足背的ppg信号进行基线漂移校正和降噪预处理；
10、步骤a2，对预处理后的指端和足背的ppg信号进行截取；
11、步骤a3，计算截取的指端ppg和足背ppg信号之间的差值，并对计算后的信号序列进行下采样处理以减少数据量；
12、步骤a4，对已下采样的各个信号片段进行零值扩展操作。
13、本专利技术一个较佳方案中，利用超声测量获得的下肢动脉血流频谱，并通过下肢动脉血流频谱计算平均血流量，作为股动脉血流量估计的目标值。
14、本专利技术一个较佳方案中，步骤a1中，对指端和足背的ppg信号进行基线漂移校正和降噪预处理，使用matlab中的wavedec函数和wrcoef函数对输入信号进行离散小波变换，离散小波变换的基本公式为：
15、；
16、其中，是离散小波系数，是小波基函数；参数j为尺度因子，尺度因子决定的形状，尺度因子包括宽度和幅度，k为时移因子，时移因子决定沿横轴的位置，x表示离散的输入信号，t表示横轴的时间；
17、步骤a2中，每个受试者采集了7种状态下的指端和足背ppg信号，7种状态分别是静止状态、反搏压力设定为0.030mpa且不加小腿囊套、反搏压力设定为0.030mpa加小腿囊套、反搏压力设定为0.035mpa、反搏压力设定为0.025mpa、反搏压力设定为0.020mpa、结束后恢复。从受试者不同状态的ppg信号中，根据超声血流频谱描记点的起始和结束时间截取信号片段，信号片段的长度由超声血流频谱描记点之间的心动周期数决定。截取方法是首先确定寻找峰值的条件，包括最小峰值高度和最小峰值间距，再将原始ppg信号取反，使用matlab中find peaks函数寻找脉搏波主峰值位置，作为找到的波谷的位置，最后根据波谷的位置，截取相应的片段来获取所需的数据；
18、步骤a3中，计算截取得到的指端ppg和足背ppg信号之间的差值，并对计算后的信号序列进行下采样处理以减少数据量，具体方法是首先将两个信号序列相减得到一个新的序列，再根据目标采样频率计算每个下采样窗口的大小。在新的序列上遍历每个下采样窗口，对于每个窗口执行如下操作：若窗口内存在峰值，则采用该峰值作为窗口的代表值；若无峰值但有谷值，则采用谷值作为窗口的代表值；若窗口内既无峰值也无谷值，则采用窗口内的数据做平均值得到代表值。
19、步骤a4中，为了弥补由于心动周期随时间动态变化所引起的下采样后信号段数据长度的不一致性，对已下采样的各个信号片段实施零值扩展操作，确保它们统一扩充至预设的固定长度，从而达成时序数据维度上的标准化与对齐。
20、本专利技术一个较佳方案中，股动脉血流量估计的目标值的获取，包括以下步骤：
21、利用受试者通过超声测量获得的下肢动脉血流频谱计算平均血流量，首先通过图像处理提取血流频谱曲线，主要步骤包括去除扫描仪集成软件产生的黄色标记、选择roi、将图像转换为灰度、闭合操作以填充、sobel滤波以提取边缘和包络提取，再根据血流频谱曲线上的点的积分与血管横截面积的乘积计算出描记点之间时间段的平均血流量，作为股动脉血流量估计的目标值。
22、本专利技术一个较佳方案中，构建基于卷积神经网络-长短时记忆神经网络的股动脉血流量估计模型，包括：卷积神经网络和长短期记忆网络；
23、所述卷积神经网络包括：连续两个卷积模块，每个卷积模块包含三个一维卷积层，在第三层使用跳跃连接以实现特征融合，且每个卷积层之后都设置了归一化层和swish激活函数，，通过最大池化进行下采样；其中，x’是输入的信号序列经过卷积层和标准化之后的特征；
24、所述长短期记忆网络包括：
25、初始化细胞状态和隐藏状态，细胞状态设置为零向量，用来累积序列中的信息；隐藏状态初始化为零向量，代表初始时刻的输出状态。
26、具体的，真实值为股动脉血流量的真实值，医院那边在eecp的过程中使用超声采集血流频谱和血管内径计算得到的。
27、本文档来自技高网...
【技术保护点】
1.一种基于特征差异的无创股动脉血流量估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于特征差异的无创股动脉血流量估计方法，其特征在于：所述基线漂移校正、降噪、零值扩展预处理包括以下步骤：
3.根据权利要求2所述的基于特征差异的无创股动脉血流量估计方法，其特征在于：利用超声测量获得的下肢动脉血流频谱，并通过下肢动脉血流频谱计算平均血流量，作为股动脉血流量估计的目标值。
4.根据权利要求3所述的基于特征差异的无创股动脉血流量估计方法，其特征在于：所述步骤a1中，对指端和足背的PPG信号进行基线漂移校正和降噪预处理，使用MATLAB中的wavedec函数和wrcoef函数对输入信号进行离散小波变换，离散小波变换的公式为：
5.根据权利要求4所述的基于特征差异的无创股动脉血流量估计方法，其特征在于：股动脉血流量估计的目标值的获取，包括以下步骤：
6.根据权利要求5所述的基于特征差异的无创股动脉血流量估计方法，其特征在于：构建基于卷积神经网络-长短时记忆神经网络的股动脉血流量估计模型，包括：卷积神经网络和长短期记
7.根据权利要求6所述的基于特征差异的无创股动脉血流量估计方法，其特征在于：在所述长短期记忆网络中，对于序列中的每一个时间步，长短期记忆网络执行以下步骤：
8.根据权利要求7所述的基于特征差异的无创股动脉血流量估计方法，其特征在于：所述注意力机制包括两个步骤：
9.根据权利要求8所述的基于特征差异的无创股动脉血流量估计方法，其特征在于：对构建的股动脉血流量估计模型模型进行训练的数据集的15%分配为测试集，数据集中剩余的85%作为训练集；
10.一种基于特征差异的无创股动脉血流量估计设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于特征差异的无创股动脉血流量估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于特征差异的无创股动脉血流量估计方法，其特征在于：所述基线漂移校正、降噪、零值扩展预处理包括以下步骤：
3.根据权利要求2所述的基于特征差异的无创股动脉血流量估计方法，其特征在于：利用超声测量获得的下肢动脉血流频谱，并通过下肢动脉血流频谱计算平均血流量，作为股动脉血流量估计的目标值。
4.根据权利要求3所述的基于特征差异的无创股动脉血流量估计方法，其特征在于：所述步骤a1中，对指端和足背的ppg信号进行基线漂移校正和降噪预处理，使用matlab中的wavedec函数和wrcoef函数对输入信号进行离散小波变换，离散小波变换的公式为：
5.根据权利要求4所述的基于特征差异的无创股动脉血流量估计方法，其特征在于：股动脉血流量估计...
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。