一种基于残差空时特征融合和高斯过程回归的无袖带血压区间测量方法 - 52matlab技术网站，matlab教程，matlab安装教程，matlab下载

当前利用PPG信号进行连续血压监测的方法主要包括三个步骤：第一步是通过特征工程提取PPG信号的特征信息，第二步是使用机器学习模型对提取的特征信息作为样本输入和真实测量的血压值作为目标进行回归，三是使用回归得到的模型对后续PPG信号进行血压值的回归预测。在这类使用机器学习对PPG信号进行回归计算血压的过程中，得到具有较高准确性回归模型的关键是提取具有判别性的特征，但这种具有判别性的特征的提取需要大量的先验知识，对研究人员的知识储备提出了巨大的跳站，同时这样的特征工程十分费事费力。另外，目前还尚没有对血压测量不确定性的研究。

深度学习具备自动特征工程的能力，通过模型训练能够自动提取PPG信号中具有判别性的特征，从而使得在使用PPG信号进行连续血压监测中具有较好的适用性。当前可应用于PPG信号进行连续血压监测的深度学习方法，主要包括深度学习中的卷积神经网络（CNN）和递归神经网络（RNN）回归模型等训练后进行回归预测。

常见的PPG信号是一种一维时间序列信号，对于一维信号的卷积神经网络模型，有两种常用方法。一种是直接使用一维卷积进行特征提取；另外一种是将一维信号转换为图像，使用二维卷积神经网络，但是这种模型需要先对PPG信号进行时频变换，运算量较大，并且选择得时频变换方法也影响回归预测的结果，不是一种严格意义上的端到端模型。

一维卷积即试图提取信号在某一方向的平移不变特征，这里的PPG信号也是一种时间序列。因此，使用一维卷积进行提取的PPG信号在时间方向的平移不变特征。卷积神经网络作为一种前馈网络，其中各输入之间是相互独立的，每层神经元的信号只能向下一层传播，同一卷积层对不同通道信息的提取是独立的。因此，通过集成多层一维卷积神经网络可以充分提取序列中包含的空间特征，但却无法充分提取了序列信号中的时域信息。而PPG信号不仅具有时域的特征，其中常见的整个心动周期信号带宽为0.5-4Hz，呼吸周期信号带宽为0-0.5Hz，其在频域上也具有丰富的特征信息。

由于综合了历史信息，RNN 是一种适合处理时间序列数据的方法。LSTM是一种变种的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比RNN，LSTM能够在更长的序列中有更好的表现。

因此，LSTM相对CNN是一种有效处理时间序列数据的高效深度学习模型，同时也是一种更高效的时域特征信息提取方法。鉴于使用一维的PPG信号进行一维卷积获取空间特征的优势，以及LSTM提取一维PPG信号时域特征的强大能力，一个好的方法是将这两种特征进行融合。因此，引入1D-CNN和LSTM残差结构。该结构不仅可以充分利用PPG信号的特征信息，也可以加快模型收敛以及缓解模型网络深度增加带来的梯度消失问题。将构建的测量血压值得深度学习模型命名为ResCLSTM。

另外，GPR是一种理论性很强的区间预测方法，结合前述提出的ResCLSTM在血压值回归预测上的优势，一种好的方法是使用ResCLSTM进行血压值预测然后输入GPR进行区间预测，即提出的用于血压区间测量的ResCLSTM-GPR模型。

因此，使用PPG信号进行1D-CNN获取到的空间特征与LSTM提取PPG信号时域特征，然后将两种特征使用残差结构进行融合，与实测血压值进行回归。最后将输出的回归值用GPR进行区间预测，得到血压测量的预测区间。

所以，融合一维卷积神经网络和LSTM的特征提取，同时残差结构对特征进行融合得到的回归模型，可以很好的解决单个模型在空时特征提取存在的不足，以及网络深度带来的梯度消失导致泛化性能不强问题。最后，利用ResCLSTM在点预测上的优势，解决GPR由于点预测精度导致区间预测性能不佳的问题。

鉴于上述内容中1D-CNN和LSTM对PPG信号在空时特征提取上的不足，提供一种能够实现对PPG信号进行空时特征提取，然后使用残差结构对空时特征进行融合用于血压值测量的方法，旨在提升深度学习对血压值测量算法准确性能不高的问题，同时提高模型的泛化性能。最后利用GPR在区间预测上的优势，将输出的回归值用GPR进行区间预测，得到血压测量的预测区间，对血压测量的不确定性进行评价。

一种用于PPG信号用于血压区间测量的方法，包含PPG信号1D-CNN提取空间特征的原理、LSTM提取时域特原理、残差结构实现特征融合原理、高斯过程回归原理。

对于PPG信号，1D-CNN提取空间的特征原理，通过在序列空间上关于长或宽方向的一维卷积，可以获取空间信息作为模型的特征；LSTM具有长距离时序数据的信息特征提取能力，从而保证了系统具有处理有局部相关性的时序数据的能力；残差结构实现特征融合原理，将PPG信号的空间特征和时域特征作为回归特征进行输入，充分提取了PPG信号中的特征信息并且加快模型收敛以及缓解模型网络深度增加带来的梯度消失问题，在提升连续血压测量方法的准确性同时，保证了回归系统的泛化性；高斯过程回归原理，模型在训练和学习的过程中是离线的，即学习过程中模型的参数不会发生变化，不能有效地捕捉血压值的时变特性，导致其在血压值预测上的适用性不强，但是血压值的测量值在置信区间内是成高斯分布的，因此使用高斯过程回归对输入的血压值进行区间预测具有良好的适用性。

步骤S1：将原始PPG数据标注的样本进行标准化；
步骤S2：标准化的PPG数据经过卷积层进行空间特征提取；
步骤S3：提取的空间特征使用LSTM进行序列筛选，提取时域特征；
步骤S4：将步骤S2和步骤S3分别提取的空时特征使用残差结构进行融合；
步骤S5：将融合的空时特征进行回归输出血压值；
步骤S6：将回归输出血压值作为GPR的输入，输出血压值的区间；

其中标准化的方法为，假设某一变量序列为X₁,...,Xn，记其中平均值和标准差值分别为:μ和σ,则标准化后的序列为：[attach]442[/attach]，其中标准化后的序列值的服从正态分布。从上述步骤可以将提出的一种基于残差空时特征融合和高斯过程回归的无袖带血压区间测量方法分为两大模块，一个是用于点预测的深度学习模型，其网络结构如图2所示；另一个用于区间预测的GPR模型，本文采用RBF核函数。

更进一步方案是：所述的模型如图3所示，包括预处理单元、空间特征提取单元、时域特征提取单元、残差结构单元，以及点输出单元、高斯过程回归单元和区间输出单元。

其中预处理单元采用标准化方法，空间特征提取单元采用1D-CNN，时域特征提取单元采用LSTM，残差结构单元采用1D-CNN和LSTM输出的空时特征融合，点输出单元为血压值的MSE值逼近，高斯过程回归单元采用RBF核函数的回归，区间输出单元为GPR回归95%置信区间的上下界。

（1）为充分利用PPG信号的空时域上的信息，将卷积神经网络（CNN）和长短期记忆网络（LSTM）提取的特征使用残差结构进行进行融合，提出了基于残差结构的空时特征融合深度学习模型ResCLSTM；
（2）模型充分利用了各网络的优势，采用CNN提取PPG信号的空域特征，LSTM提取PPG信号时域特征，并引入残差结构实现空时特征的融合，从而实现PPG信号用以血压测量的充分特征表示；
（3）利用提出的ResCLSTM在血压值点预测上取得的成功，结合GPR在区间预测上的优势，提出用于血压值不确定性测量的ResCLSTM-GPR模型；
（4）提出的模型避免了人工特征所存在的有区分度特征表达不充分的问题，同时提升了模型的泛化性能，使得提出的模型更适合基于PPG信号的无袖带血压值的不确定性监测。

本文提出的ResCLSTM-GPR模型使用麻省理工学院计算生理学实验室开发的公开数据集MIMIC-III对SBP进行验证。点预测采用性能指标MAE，ME和STD；区间预测采用CPɑ，MWPɑ和自定义的MCɑ其中，MCɑ定义为:

MCɑ的定义是由于理想预测区间应具有高CPɑ和低MWPɑ,这里ɑ为置信区间，使用95%的置信区间。相比较具有相似结构的CNN-GPR和CLSTM-GPR模型，ResCLSTM-GPR模型具有明显的性能提升，并且点预测值在AAMI标准范围之内。其中AAMI标准的ME±STD为5±8。如下表所示：