一种基于回声状态网络的心脑血管疾病识别系统的制作方法

1.本发明涉及深度学习技术领域，尤其涉及一种基于回声状态网络的心脑血管疾病识别系统。


背景技术：

2.随着现代生活节奏的加快，人们饮食、睡眠的不规律，容易引起一系列的心脑血管的疾病，心脑血管疾病已成为威胁中老年人健康和长寿的头号杀手。心脑血管疾病患者越来越多，越来越趋于年轻化。心脑血管疾病具有发病率高、致残率高、死亡率高、复发率高、并发症多的特点，目前，我国心脑血管疾病患者已经超过2.7亿人！可以说，心脑血管疾病的危害相当大。
3.在医生进行号脉等医学诊断时，由于受医生人体状态条件的影响，对病人生理机能、病情状态的判断难以进行量化分析，以至于可能出现误诊等情况。
4.目前的心脑血管检测装置，如授权公开号为cn 108968933b的发明专利《心脑血管疾病检测装置》，采用ecg、血压、血氧、脉搏、心音、体温、光电容积信号等7种信号进行处理，提取特征值，对特征值信号进行分类，根据分类结果，结合心脑血管疾病预测模型，确定心脑血管健康状况。这种方式在网络训练阶段需要多种特征，网络结构复杂，训练过程复杂，在投入实际应用时也需要采集病人的7种信号，耗时耗力。


技术实现要素：

5.本发明提供一种基于回声状态网络的心脑血管疾病识别系统，解决的技术问题在于：如何采用轻量化的网络根据病人少量的生物特征信息进行心脑血管疾病识别。
6.为解决以上技术问题，本发明提供一种基于回声状态网络的心脑血管疾病识别系统，包括脉搏信号传感器、脉搏信号处理模块、识别模块；
7.所述脉搏信号传感器用于采集正常人体、心脑血管疾病人体、未知人体的指尖脉搏波形曲线；
8.所述脉搏信号处理模块用于对正常人体、心脑血管疾病人体、未知人体的指尖脉搏波形曲线进行转换，得到对应的人体心率特征信息；
9.所述识别模块用于根据正常人体、心脑血管疾病人体的指尖脉搏波形曲线对回声状态网络进行训练，训练隐藏层到输出层的连接权值，以用于对未知人体的指尖脉搏波形曲线所对应的人体心率特征信息进行对心脑血管疾病的识别。
10.具体的，所述脉搏信号处理模块对指尖脉搏波形曲线进行转换的过程为：
11.1)计算相邻两个脉搏波的峰值点的时间差并滤波，得到连续两次心跳之间的时间差，即ibi数值；
12.2)根据心率值bpm＝60/ibi，计算得出当前的心率值，从而得到该指尖脉搏波形曲线对应的人体心率特征信息。
13.具体的，一种基于回声状态网络的心脑血管疾病识别系统，还包括数据增强模块；
14.所述数据增强模块用于在将正常人体、心脑血管疾病人体的指尖脉搏波形曲线输入回声状态网络进行训练前，采用生成对抗网络生成更多的训练数据。
15.具体的，所述回声状态网络包括输入层、隐藏层和输出层，在隐藏层到隐藏层之间有一个连接，用来保留前面时刻留下的信息；
16.所述识别模块对回声状态网络进行训练的目标是训练隐藏层到输出层的连接权值。
17.具体的，所述识别模块对回声状态网络进行训练的过程包括：
18.1)初始化回声状态网络；
19.2)输入训练数据对初始化后的回声状态网络进行训练，训练完成时，记录储备池的状态，使用线性回归确认隐藏层到输出层的连接权值。
20.具体的，初始化回声状态网络的过程为：
21.1)以尽可能大并且小于样本数量的原则确定储备池神经元的个数，设定储备池的权值矩阵的谱半径小于1；
22.2)随机生成输入层到隐藏层、隐藏层到隐藏层的连接矩阵并随机生成固定不变的连接权值；
23.3)使用一个缩放因子乘以随机生成的连接矩阵，随机生成输入连接跟输出反馈值。
24.具体的，输入训练数据对初始化后的回声状态网络进行训练的过程包括：
25.1)将训练数据中的小部分训练样本依次加载到输入节点和输出节点并进行空转；
26.2)将所有训练样本依次加载到输入节点和输出节点，记录储备池的状态，使用线性回归确认并输出隐藏层和输出层之间的连接权值。
27.具体的，在对初始化后的回声状态网络进行训练的过程中，储备池的状态更新方式为：
28.x(t)＝tanh(rx(t
‑
1) vu(t))x(t)＝tanh(rx(t
‑
1) vu(t))
29.其中，u(t)表示t时刻的输入，x(t)表示储备池的状态，tanh(
·
)为激活函数，v、r、w分别表示输入权重矩阵、中间权值矩阵和输出权重矩阵；
30.以及输出层的输出f(t)为：
31.f(t)＝wx(t)。
32.本发明提供的一种基于回声状态网络的心脑血管疾病识别系统，采用回声状态网络对病人指尖脉搏波信号进行处理，其储备池中的连接权重是固定的，不使用梯度下降进行权重的更新，可大大减少训练的计算量，还可避免梯度下降的优化算法中出现的局部极小情况，而且在很多问题上有着不错的建模能力，并可以高效准确推断患者的病情状态。整体上，本系统所采用回声状态网络结构简单、训练快速、推断准确，且仅需要病人指尖脉搏波形曲线这一单一的生物特征信息即可完成对心脑血管疾病的识别。
附图说明
33.图1是本发明实施例提供的一种基于回声状态网络的心脑血管疾病识别系统的模块结构图；
34.图2是本发明实施例提供的正常人体的指尖脉搏波形曲线的示例图；
35.图3是本发明实施例提供的心脑血管疾病人体的指尖脉搏波形曲线的示例图；
36.图4是本发明实施例提供的一种基于回声状态网络的心脑血管疾病识别系统的信号处理图。
具体实施方式
37.下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
38.心脏的跳动引起指尖的血液变化，当光束透过人体外周血管，由于动脉搏动充血容积变化导致这束光的透光率发生改变，此时由光电变换器接收经人体组织反射的光线，转变为电信号并将其放大和输出。由于脉搏是随心脏的搏动而周期性变化的信号，动脉血管容积也周期性变化，因此光电变换器的电信号变化周期就是脉搏率，最后输出反映人体生理状态的完整的脉搏波形曲线。
39.通过指尖测量出的脉搏波形曲线(本例简称为指尖脉搏波形曲线)能够提供大量的人体生理信息，它的形状、周期、峰值等信息与心血管状态、生理病理信息如动脉硬化程度、心律、血管健康状态、脉搏波信号波形特征量k等密切相关，因此准确识别检测脉搏信号，并识别出其带来的特征信息，不仅可以为预防血管疾病提供前期的信息参考，而且可以为医生诊断或治疗病人提供重要的指示信息，节省医生的时间，提升效率与准确度，同时也为某些药物的治疗效果评估提供量化的参考指标指示信息。
40.回声状态网络不仅是一种新的网络结构，也是一种新型学习机制。回声状态网络首先假设非线性系统的动态特性由一个大规模的“储备池”产生。“储备池”包含大量随机生成且稀疏连接的神经元，“储备池”蕴含了系统的运行状态，并具有记忆功能。
41.本发明旨在采集指尖脉搏波形曲线，对其进行预处理(特征提取)，并基于回声状态网络进行推算，以节省人力，提高工作的效率。
42.具体的，本发明实施例提供一种基于回声状态网络的心脑血管疾病识别系统，如图1所示，包括脉搏信号传感器、脉搏信号处理模块、识别模块。
43.所述脉搏信号传感器用于采集正常人体、心脑血管疾病人体、未知人体的指尖脉搏波形曲线；
44.所述脉搏信号处理模块用于对正常人体、心脑血管疾病人体、未知人体的指尖脉搏波形曲线进行转换，得到对应的人体心率特征信息；
45.所述识别模块用于根据正常人体、心脑血管疾病人体的指尖脉搏波形曲线对回声状态网络进行训练，训练隐藏层到输出层的连接权值，以用于对未知人体的指尖脉搏波形曲线所对应的人体心率特征信息进行对心脑血管疾病的识别。
46.在实际工程中，脉搏信号传感器基于560nm波长左右的波可以反映皮肤浅部微动脉信息，对血管末端血液微循环产生的血液容积的变化的敏感特性而产生，适合用来提取脉搏信号，而指尖是最方便也是最容易提取到的身体部位。由于脉搏是随心脏的搏动而周期性变化的信号，动脉血管容积也周期性变化，因此光电变换器的电信号变化周期就是脉搏率，最后输出反映人体生理状态的完整的脉搏波形曲线，数字化后发送到上位机显示，同时下位机(脉搏信号处理模块)实时计算对应的心率值，得到对应的人体心率特征信息。具
体的转换过程为：
47.1)计算相邻两个脉搏波的峰值点的时间差并滤波，得到连续两次心跳之间的时间差，即ibi数值；
48.2)根据心率值bpm＝60/ibi，计算得出当前的心率值，从而得到该指尖脉搏波形曲线对应的人体心率特征信息。
49.正常人体和心脑血管疾病人体的指尖脉搏波形曲线分别如图2、图3所示。可以看到，两者具有明显差异。
50.本例在将这些人体心率特征信息输入识别模块前，还需要进行数据增强。故本例的识别系统还设有数据增强模块，其用于在将正常人体、心脑血管疾病人体的指尖脉搏波形曲线输入回声状态网络进行训练前，采用生成对抗网络(gan)生成更多的训练数据，可用作解决类别不平衡问题的过采样技术。
51.本例的识别模块搭载有回声状态网络，如图4所示，其包括输入层、隐藏层和输出层，在隐藏层到隐藏层之间有一个连接，用来保留前面时刻留下的信息。所述识别模块对回声状态网络进行训练的目标是训练隐藏层到输出层的连接权值，因为输入层到隐藏层及隐藏层到隐藏层之间的连接权值是固定的。
52.所述识别模块对回声状态网络进行训练的过程包括：
53.1)初始化回声状态网络；
54.2)输入训练数据对初始化后的回声状态网络进行训练，训练完成时，记录储备池的状态，使用线性回归确认隐藏层到输出层的连接权值。
55.而初始化回声状态网络的过程为：
56.1)以尽可能大并且小于样本数量的原则确定储备池神经元的个数(因为回声状态网络仅仅通过调整输出权值来线性拟合输出结果，所以一般回声状态网络需要远大于一般神经网络的节点规模)，设定储备池的权值矩阵的谱半径小于1(为了保证递归网络的稳定性)；
57.2)随机生成输入层到隐藏层、隐藏层到隐藏层的连接矩阵并随机生成固定不变的连接权值；
58.3)使用一个缩放因子乘以随机生成的连接矩阵，随机生成输入连接跟输出反馈值(缩放矩阵相比于使用特征值来缩放更加快速)。
59.输入训练数据对初始化后的回声状态网络进行训练的过程包括：
60.1)将训练数据中的小部分训练样本依次加载到输入节点和输出节点并进行空转(因为储备池的内部连接是随机的，最开始的输入序列得到储备池状态的噪声会比较大，所以会先使用小部分样本数据来初始化储备池的状态，从而降低噪声的影响)；
61.2)将所有训练样本依次加载到输入节点和输出节点，记录储备池的状态，使用线性回归确认并输出隐藏层和输出层之间的连接权值。
62.在网络训练方面，输出权值的确定是唯一且是全局最优的，因此没有传统神经网络普遍存在的局部最小问题，回声状态网络避免了传统递归神经网络求取时序偏微分的过程，因此网络的训练过程变得特别简单。在对初始化后的回声状态网络进行训练的过程中，储备池的状态更新方式为：
63.x(t)＝tanh(rx(t
‑
1) vu(t))x(t)＝tanh(rx(t
‑
1) vu(t))
64.其中，u(t)表示t时刻的输入，x(t)表示储备池的状态，tanh(
·
)为激活函数，v、r、w分别表示输入权重矩阵、中间权值矩阵和输出权重矩阵；
65.以及输出层的输出f(t)为：
66.f(t)＝wx(t)。
67.具体的，作为一次示例，本例采集了5000组正常人体与心脑血管疾病人体的脉搏信号数据，其中的2500组用于训练，2500组用于测试，训练样本中的200组用于对储备池进行初始化。所使用回声状态网络有1000个中间节点，输入层和输出层神经元个数都为2500。缩放因子等于0.15。将用于测试的2500组人体的脉搏信号数据的生物特征信息载入到输入节点，进行模型的推理操作，最后取得结果。最后得出测试数据识别准确率为81.12％。实验表明，本发明能有效实现仅通过脉搏信号对心脑血管疾病进行较高准确度的识别。
68.综上，本发明实施例提供的一种基于回声状态网络的心脑血管疾病识别系统，采用回声状态网络对病人指尖脉搏波信号进行处理，其储备池中的连接权重是固定的，不使用梯度下降进行权重的更新，可大大减少训练的计算量，还可避免梯度下降的优化算法中出现的局部极小情况，而且在很多问题上有着不错的建模能力，并可以高效准确推断患者的病情状态。整体上，本系统所采用回声状态网络结构简单、训练快速、推断准确，且仅需要病人指尖脉搏波形曲线这一单一的生物特征信息即可完成对心脑血管疾病的识别。
69.上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。