基于BCG-PPG信号的序列-图像双视角非侵入性血压监测方法

本发明涉及生物医学信号处理，具体涉及一种基于bcg-ppg信号的序列-图像双视角非侵入性血压监测方法。

背景技术：

1、高血压可能会导致中风、心脏病、肾衰竭等严重并发症，因此，早期、实时地监测血压以缓解心血管问题并避免进一步的恶性并发症至关重要。

2、血压监测方法主要可分为三类：直接血压监测法、间歇性血压监测法和连续血压监测法。其中，直接血压监测方法的测量结果反映了血压真实值，但由于其侵入性监测的缺点和高技术要求，仅适用于接受大手术或重症监护的患者；传统的间歇血压监测方法的主要缺点是跟踪和反映瞬时及连续血压变化的能力不足。相比之下，连续血压监测方法可以监测日常环境中的连续血压动态变化，测量结果更接近人体真实生理状态，更具生理有效性和预防指导价值。

3、在连续血压监测的研究中，基于生理信号的深度挖掘正逐渐成为主流。心冲击图（bcg）信号记录了心脏泵血过程中心室收缩和血液射入主动脉时引起的人体微小机械振动，蕴含着丰富的心脏机械活动与射血收缩力信息；而光电容积脉搏波（ppg）信号则通过光学方法反映了外周微血管床中血液容积的周期性变化，包含了丰富的心血管舒缩状态和脉搏波传导信息。由于血压的形成是由心脏泵血功能与外周血管阻力共同决定的，将反映心脏中心机械动力学的 bcg 信号与反映外周血管动力学的 ppg 信号相结合，能够更完整地描绘从心脏射血到末梢循环的整个心血管系统生理演变过程，具有极高的临床价值。

4、然而，现有的基于生理信号的连续血压预测方法在实际应用中仍面临诸多瓶颈。首先，传统的单模态信号（如仅使用ppg信号或仅使用bcg信号）容易受到环境噪声、传感器偏移、人体微小运动伪影以及个体生理特性（如血管顺应性、皮肤色素等差异）的干扰，导致单模态信号模型的鲁棒性和泛化能力大打折扣。其次，现阶段的多模态血压预测模型往往采用浅层拼接或简单的线性特征融合，难以深层次挖掘bcg与ppg这两种异构生理信号在复杂时序依赖上的非线性隐式相关性，且忽略了不同生理状态下各模态信号的信息贡献度差异。此外，面对不同受试者脉管系统的巨大个体差异，常规的静态深度学习网络难以做到特征的自适应动态调节分配。因此，如何高效提取bcg-ppg多模态时序信号的深层独立特征，并在复杂个体差异下实现多模态信息的自适应深度融合以大幅提升连续血压预测的精度与稳定性，成为目前亟待解决的重要技术难题。

技术实现思路

1、本发明的目的在于针对现有技术的不足，提供一种基于bcg-ppg信号的序列-图像双视角非侵入性血压监测方法。

2、本发明的目的是通过以下技术方案来实现的：本发明实施例第一方面提供了一种基于bcg-ppg信号的序列-图像双视角非侵入性血压监测方法，包括以下步骤：

3、s1、采集多个受试者的心冲击图信号和光电容积脉搏波信号，以及对应的连续血压信号，并按预设的时间窗口对其进行切片，构建双模态生理信号数据集；

4、s2、对双模态生理信号数据集中的信号切片进行预处理，获取预处理后的心冲击图时序信号和光电容积脉搏波时序信号，并生成对应的时频图，构建训练集和测试集；

5、s3、构建双模态血压预测模型，采用k折交叉验证方法，利用训练集对双模态血压预测模型进行训练，获取训练好的双模态血压预测模型；

6、s4、对新受试者的未知心冲击图和光电容积脉搏波信号进行预处理后得到光电容积脉搏波时序信号以及由心冲击图时频图和光电容积脉搏波时频图堆叠而成的时频图，并将其输入训练好的双模态血压预测模型，自动完成血压值预测，实现个体血压的非侵入性连续监测。

7、进一步地，所述心冲击图信号为3通道，其采样率与光电容积脉搏波信号、血压信号保持一致；

8、所述双模态生理信号数据集中的每个样本包含一个时间窗口内的心冲击图信号切片和光电容积脉搏波信号切片及其对应的血压信号切片，且这三个信号切片在时间轴上严格对齐。

9、进一步地，所述步骤s2具体包括如下子步骤：

10、s21、以不同受试者为处理单元，对心冲击图信号切片和光电容积脉搏波信号切片进行离散小波变换去噪；

11、s22、对小波去噪后的心冲击图信号切片和光电容积脉搏波信号切片进行降采样处理；

12、s23、对于降采样后的心冲击图信号切片，计算前三个通道信号的四分位距作为窗口数据质量分数，以此剔除异常窗口信号；对剔除异常窗口后的心冲击图信号切片逐通道进行波形增强变换以增强其心跳形态特征；

13、s24、对心冲击图信号切片和光电容积脉搏波信号切片进行连续小波变换，生成由心冲击图时频图和光电容积脉搏波时频图堆叠而成的时频图，完成双模态时频图的提取；

14、s25、对光电容积脉搏波信号切片进行通道尺度标准化处理，得到预处理后的光电容积脉搏波时序信号；收集血压信号切片的极值并进行最大-最小归一化处理作为血压标签，所述血压标签是由归一化处理后的收缩压和舒张压组成的二维向量；

15、s26、根据预处理后的光电容积脉搏波时序信号、由心冲击图时频图和光电容积脉搏波时频图堆叠而成的时频图以及对应的血压标签构建数据集，并按比例划分为训练集和测试集。

16、进一步地，所述双模态血压预测模型包括时序编码器、图像编码器、跨模态注意力融合模块和主预测头，所述时序编码器作为时序特征提取模块用于提取光电容积脉搏波时序信号的时序信号特征，所述图像编码器作为时频图特征提取模块用于提取由心冲击图时频图和光电容积脉搏波时频图堆叠而成的时频图的时频图特征，所述跨模态注意力融合模块用于对提取到的时序信号特征和时频图特征进行自适应加权融合，所述主预测头用于根据融合后的全局融合特征输出收缩压和舒张压的预测值。

17、进一步地，所述时序编码器按以下顺序串联构成：两层一维卷积神经网络层、挤压激励模块、平均池化层、长短期记忆网络层、一层一维卷积神经网络层和自注意力层；

18、所述挤压激励模块的输入特征并行通过全局平均池化层和全局最大池化层，二者的输出特征沿通道维度拼接后依次经过全连接层、relu激活函数、全连接层和sigmoid 激活函数，并经尺度缩放后得到动态通道权重，并将其与挤压激励模块的输入特征逐通道相乘。

19、进一步地，所述图像编码器采用残差卷积神经网络，包括多个串联的预激活残差块，每个预激活残差块包含至少一层卷积层以及位于该卷积层之前的批量归一化层和relu激活函数，同时利用跳跃连接将最后一层卷积层的输出与预激活残差块的输入相加作为该预激活残差块的输出，最后一个预激活残差块的输出依次经过全局平均池化层、展平层、随机失活正则化层、全连接层，输出时频图特征。

20、进一步地，所述跨模态注意力融合模块将时序编码器输出的时序信号特征和图像编码器输出的时频图特征输入多头注意力机制，通过注意力权重自适应学习对时序信号特征和时频图特征进行加权融合，并将融合后的特征与输入的原始时序信号特征和时频图特征分别经全连接层压缩后进行拼接，输出全局融合特征。

21、进一步地，所述主预测头由多层全连接层串联构成，用于对全局融合特征进行处理并输出收缩压和舒张压的预测值；其中，相邻两个全连接层之间依次设置有非线性激活函数、层归一化层和随机失活正则化层。

22、进一步地，所述利用训练集对双模态血压预测模型进行训练，具体包括如下子步骤：

23、s31、在时序编码器和图像编码器之后分别连接一个辅助预测头，用于输出收缩压和舒张压的预测值；所述辅助预测头包含两个全连接层和非线性激活函数；

24、s32、随机初始化双模态血压预测模型及辅助预测头的网络参数，设置训练超参数；

25、s33、定义总损失函数，所述总损失函数包括主任务预测损失、辅助预测损失和特征分离损失；其中，所述主任务预测损失通过计算双模态血压预测模型输出的收缩压和舒张压预测值与其对应的血压标签之间的平滑l1损失获取；所述辅助预测损失通过计算两个辅助预测头输出的收缩压和舒张压预测值与其对应的血压标签之间的平滑l1损失的平均值获取；所述特征分离损失采用合页损失对样本内和批次中心的模态特征的余弦相似度进行惩罚，该特征分离损失仅对余弦相似度超过设定阈值的模态特征进行惩罚；

26、s34、将训练集划分为k个互斥子集，依次选取其中1个子集作为验证子集、其余k-1个子集作为训练子集，进行k轮训练；每轮训练通过反向传播最小化总损失函数，更新双模态血压预测模型及辅助预测头的网络参数；最终得到训练好的双模态血压预测模型。

27、本发明实施例第二方面提供了一种用于实现上述的基于bcg-ppg信号的序列-图像双视角非侵入性血压监测方法的系统，包括：

28、信号采集模块，用于采集多个受试者的心冲击图信号和光电容积脉搏波信号，以及对应的连续血压信号，并按预设的时间窗口对其进行切片，构建双模态生理信号数据集；

29、数据预处理模块，用于对双模态生理信号数据集中的信号切片进行预处理，获取预处理后的心冲击图时序信号和光电容积脉搏波时序信号，并生成对应的时频图，构建训练集和测试集；

30、模型构建与训练模块，用于构建双模态血压预测模型，采用k折交叉验证方法，利用训练集对双模态血压预测模型进行训练，获取训练好的双模态血压预测模型；

31、监测输出模块，用于将新受试者的光电容积脉搏波时序信号、由心冲击图时频图和光电容积脉搏波时频图堆叠而成的时频图输入训练好的双模态血压预测模型，自动完成血压值预测，实现个体血压的非侵入性连续监测。

32、与现有技术相比，本发明的有益效果是：

33、（1）本发明解决了由于不同个体之间的脉管系统特性差异巨大，以及体动、基线漂移等导致单一模态生理信号预测极易出现大幅波动与不稳定的问题，提升了血压预测精度。

34、（2）本发明创新性地利用心冲击图信号中的心脏泵血动力特征与光电容积脉搏波信号中的外周血管舒缩特征的强生理互补性，分别提取包含基础波形的一维时空形态特征及反映局部频率能量的二维时频图纹理特征。

35、（3）本发明突破了传统单模态、单视角特征的信息挖掘局限，充分融合 bcg-ppg双模态时序信号与时频图的互补信息，有效克服了血压监测同步标注样本稀缺的问题，显著提升了模型的血压预测精度，为非侵入性血压监测提供了高效、精准的新范式。

36、（4）本发明通过一维卷积-长短期记忆网络与深度残差卷积网络构成的双分支网络，以及基于跨模态多头自注意力机制与多层非线性感知映射融合策略，使模型能够精准评估并交叉配准高频时频空间特征与心跳周期性动态时序信息的隐式依赖；该组合能极大提升泛化表征提取能力，从而更为稳健、精准地对血管系统进行建模，实现个体血压的高精度无创连续监测。