基于双波长光电容积信号的连续信号识别方法及系统
本技术涉及信号识别,尤其涉及一种基于双波长光电容积信号的连续信号识别方法及系统。
背景技术:
1、持续的生理监测对于主动医疗、早期疾病干预以及慢性病的长期管理变得越来越重要,能够持续监测生理信息的候选生理生物标志物中,血红蛋白(hemoglobin,hb)尤为引人关注,因为它是氧气运输、心血管调节与全身健康之间的核心生理环节。血红蛋白决定了血液的携氧能力及全身供氧水平,而血红蛋白浓度的变化会触发代偿性心血管反应和自主神经反应,以维持组织的氧供应。
2、因此,血红蛋白反映了氧气运输、血流动力学调节以及全身生理适应之间的动态耦合,是全面评估健康状况的有前景的生理参考指标。持续监测血红蛋白可为那些表现为血液学和血流动力学波动的疾病提供宝贵信息,例如贫血和女性生理周期等,这些情况难以通过间歇性检测手段捕捉。
3、然而,目前血红蛋白的评估仍主要依赖侵入性和间歇性的采血方式,包括静脉采血和指尖采血,这限制了在日常环境中进行连续监测的可能性。并且,现有技术中无法对血红蛋白的相关信号进行快速识别,且识别结果准确性较低。
技术实现思路
1、本技术实施例通过提供一种基于双波长光电容积信号的连续信号识别方法及系统,解决了现有技术中无法快速准确地获取到识别结果的问题,实现对ppg信号的快速识别,且提高了信号识别的准确性。
2、为了实现上述目的,第一方面,本技术实施例提供了一种基于双波长光电容积信号的连续信号识别方法,所述方法包括:
3、获取模拟数据中宽范围血红蛋白浓度对应的仿真ppg信号,以及真实人体采集的真实数据对应的真实ppg信号;所述宽范围血红蛋白浓度为2-20g/dl;所述ppg信号为630nm和1000nm双波长反射式信号;
4、对所述仿真ppg信号和真实ppg信号进行预处理,得到目标信号;所述预处理至少为数据增强、带通滤波及峰值检测;
5、从所述目标信号中提取13维物理特征,对基于biohbnet框架的网络模型进行训练,得到网络参数,以使模型学习血红蛋白的相关光学表征;将所述网络参数作为模型的初始权重,结合所述真实ppg信号对模型进行优化,以适配临床相关的贫血筛查任务;
6、引入比尔-朗伯物理一致性约束,以将模型预测的血红蛋白浓度值与双波长ppg信号所对应的理论吸收关系进行关联;并结合多任务学习策略学习不同血红蛋白浓度下光学吸收行为和ppg波形变化之间的对应关系,从而得到训练完成的信号识别模型;
7、获取经用户皮肤反射得到的ppg信号,输入所述血红蛋白识别模型,得到模型输出的血红蛋白浓度预测值与贫血分类结果;所述信号识别模型包括依次连接的多个conv1d层、最大池化层和自适应平均池化层;其中,通过卷积核大小为3的多个conv1d层提取所述ppg信号局部时序和波形形态信息,并通过最大池化层和自适应平均池化层逐步压缩时间维度后,将所述ppg信号中的脉搏形态、幅值变化、周期性特征以及双波长之间与血红蛋白相关的非线性信息编码为潜在向量,进而得到所述血红蛋白浓度预测值与贫血分类结果。
8、在一种可能的实施方式中,所述对所述仿真ppg信号和真实ppg信号进行预处理,得到目标信号,包括:
9、将所述仿真ppg信号和真实ppg信号进行数据增强,得到候选信号;其中,数据增强过程中保留直流分量的基线信息,对交流分量的波动幅值和测量噪声进行受控扰动;
10、将所述候选信号分解为直流分量和交流分量;其中,直流分量通过滑动窗口平均计算确定,交流分量通过带通滤波器确定;
11、确定所述交流分量的候选峰及其峰值突出度,在所述峰值突出度大于或等于预设峰值阈值且满足最小峰间距离约束的情况下,将对应的候选峰作为检测峰,从而通过峰值检测得到所述目标信号。
12、在一种可能的实施方式中,所述多任务学习策略包括四个学习目标:血红蛋白浓度回归任务、贫血二分类任务、血红蛋白等级分类任务及比尔-朗伯物理一致性任务;其中,所述血红蛋白浓度回归任务用于预测连续的血红蛋白数值;所述贫血二分类任务用于预测是否贫血;所述血红蛋白等级分类任务用于将血红蛋白划分为多个等级;所述比尔-朗伯物理一致性任务用于约束预测结果符合血红蛋白对红光和近红外光吸收的理论规律。
13、在一种可能的实施方式中,所述13维物理特征为ppg信号的直流比值的对数、红光ppg信号的交流分量和直流分量的比值、近红外光ppg信号的交流分量和直流分量的比值、与的比值;红光下峰值到谷值之间的振幅平均值、近红外光下峰值到谷值之间的振幅平均值、与的比值;
14、心率hr、红光下ppg信号频谱幅值最大的频率位置、近红外光下ppg信号频谱幅值最大的频率位置、与的比值;红光下ppg信号最大频率处对应的傅里叶变化幅值、近红外光下ppg信号最大频率处对应的傅里叶变化幅值。
15、在一种可能的实施方式中,所述方法还包括:
16、获取经用户皮肤反射得到的目标ppg信号;
17、将所述目标ppg信号输入预训练完成的波形处理模型,得到模型输出的目标abp波形;
18、根据所述目标abp波形,结合预设公式得到收缩压预测值和舒张压预测值,实现对用户血压的识别;
19、所述波形处理模型基于ppg2abp框架构建,包括相互连接的u-net网络和multiresunet网络;所述u-net网络用于对所述目标ppg信号进行解码,得到初步abp波形,实现波形的初步映射;所述multiresunet网络用于对所述初步abp波形进行特征提取与特征增强,得到所述目标abp波形,实现波形的优化和精细重建。
20、在一种可能的实施方式中,所述u-net网络采用编码器–解码器结构,通过多层卷积和最大池化操作逐步提取所述目标ppg信号中的局部时序特征和全局形态信息,并利用跳跃连接将编码阶段保留的细节特征直接传递至对应解码层,以输出所述初步abp波形;
21、所述multiresunet网络包括multiresblock结构和respath结构;所述multiresblock结构通过并行的多尺度卷积分支同时提取所述初步abp波形的局部细节特征和长程时序特征,并进行特征融合得到多层特征;所述respath结构用于对所述初步abp波形依次执行3×3卷积和1×1卷积,串联各卷积过程得到的特征图,并进行加法融合得到特征信息;在解码过程中,所述多层特征经过转置卷积逐步上采样恢复时间分辨率,并结合所述respath结构的特征信息进行重建,输出所述目标abp波形。
22、第二方面,本技术实施例提供了一种基于双波长光电容积信号的连续信号识别系统,所述系统用于执行第一方面所述的方法;所述系统包括:模型训练模块和信号识别模块;所述模型训练模块和所述信号识别模块连接;
23、所述模型训练模块,用于获取模拟数据中宽范围血红蛋白浓度对应的仿真ppg信号,以及真实人体采集的真实数据对应的真实ppg信号;所述宽范围血红蛋白浓度为2-20g/dl;所述ppg信号为630nm和1000nm双波长反射式信号;对所述仿真ppg信号和真实ppg信号进行预处理,得到目标信号;所述预处理至少为数据增强、带通滤波及峰值检测;从所述目标信号中提取13维物理特征,对基于biohbnet框架的网络模型进行训练,得到网络参数,以使模型学习血红蛋白的相关光学表征;将所述网络参数作为模型的初始权重,结合所述真实ppg信号对模型进行优化,以适配临床相关的贫血筛查任务;引入比尔-朗伯物理一致性约束,以将模型预测的血红蛋白浓度值与双波长ppg信号所对应的理论吸收关系进行关联;并结合多任务学习策略学习不同血红蛋白浓度下光学吸收行为和ppg波形变化之间的对应关系,从而得到训练完成的信号识别模型;
24、所述信号识别模块,用于获取经用户皮肤反射得到的ppg信号,输入所述信号识别模型,得到模型输出的血红蛋白浓度预测值与贫血分类结果;所述信号识别模型包括依次连接的多个conv1d层、最大池化层和自适应平均池化层;其中,通过卷积核大小为3的多个conv1d层提取所述ppg信号局部时序和波形形态信息,并通过最大池化层和自适应平均池化层逐步压缩时间维度后,将所述ppg信号中的脉搏形态、幅值变化、周期性特征以及双波长之间与血红蛋白相关的非线性信息编码为潜在向量,进而得到所述血红蛋白浓度预测值与贫血分类结果。
25、本技术实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
26、(1)构建基于biohbnet框架的ppg信号识别模型,可以将ppg信号转化为血红蛋白浓度预测值与贫血分类结果,模型通过卷积层进行特征提取,并通过池化层进行非线性特征提取和编码,从而实现对信号快速准确的识别,进而实现稳定持续的血红蛋白估计和贫血筛查;
27、(2)通过持续采集高精度的双波长ppg信号,并结合模型预估血红蛋白浓度及与之相关的循环系统参数,并且将ppg信号作为评估信号,实现对用户非侵入式地生理健康监测,且并非将血红蛋白视为孤立的生物标志物,而是将其确立为可连续追踪的生理参考点,以实现用户心血管生理的综合评估;
28、(3)通过模拟数据对模型进行训练,使得模型不仅学习不同血红蛋白浓度引起的信号幅值变化,还学习双波长ppg信号中蕴含的血液吸收特征和组织光传播规律,从而建立具有较强泛化能力的血红蛋白浓度相关特征表示;通过真实数据对模型进行优化,使得模型在保留已学习的血红蛋白浓度相关光学规律的基础上,进一步适应真实场景中的个体生理差异、运动伪影、皮肤光学差异、接触压力变化以及仪器噪声等复杂因素,实现从模拟环境到真实环境的知识迁移;
29、(4)模型训练过程中引入比尔-朗伯物理一致性约束,引导模型学习符合实际生理机制的特征表示,从而抑制仅依赖统计相关性而产生的不合理预测,提高模型在小样本条件下的稳定性和泛化能力;并且,结合多任务学习策略进行网络参数优化,能够实现不同目标任务之间的相互补充和约束,使模型学习到更加稳定、更加符合生理机制的特征表示。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com