一种基于深度学习时频特征融合和注意力特征筛选机制的连续血压测量方法

kycx19866711050

1.背景

       当前使用RA-PPW信号进行连续血压监测的方法主要包括三个部分：一是提取RA-PPW信号的特征信息，二是使用机器学习模型对提取的特征信息作为输入和真实血压值作为输出进行回归，三是使用回归得到的模型对后续RA-PPW信号进行血压值的回归预测。在这类使用机器学习对RA-PPW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有大量的先验知识，同时这样的特征工程十分费事费力。

2.技术解决问题

       深度学习对使用RA-PPW信号进行连续血压监测具有良好的适用性，并且同时具备自动特征工程的能力，通过训练能够自动提取具有判别性的特征。目前可应用于RA-PPW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）分类模型和递归神经网络（RNN）回归模型等训练后进行预测分类。

       常见的RA-PPW信号是一种一维信号，对于一维信号的卷积神经网络模型，有两种常用方法，一种是将一维信号转换为图像，使用2D-CNN;另外一种是直接使用1D-CNN进行特征提取。

       使用2D-CNN处理一维信号的步骤包括两个步骤：

• 第一步通过时频变换将一维信号样本转换为图片；
• 第二步，用2D-CNN进行特征提取。
  

       由于一维的RA-PPW信号转换为图像得过程中牺牲了信号时频域分辨率，用二维卷积神经网络模型提取时频域特征时其信息是不完整的。而其中的一维卷积即试图提取信号在某一方向的平移不变特征，即提取的是基于频域上的信息，而损失了时域信息。这个模块也被记作频域提取模块。

       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。GRU是相对LSTM改进得到的一种RNN，它将忘记门和输入门合并成为一个单一的更新门，同时合并了数据单元状态和隐藏状态，使得模型结构比之于LSTM更为简单，同时与LSTM有差不多的性能。

       因此，GRU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。

       由于RA-PPW信号其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，其在频域上具有丰富的特征信息，同时RA-PPW信号也是一种时间序列，其也具有丰富的时域特征。因此，充分RA-PPW信号中的时域和频域信息作为回归模型的输入，对得到  具有更强的泛化性能的连续血压测量模型具有重要的意义。

       鉴于使用一维的RA-PPW信号进行一维卷积获取到的特征中仅包含了频域特征信息，以及GRU提取一维RA-PPW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。

       另外，1D-CNN从RA-PPW信号获取到的频域特征与GRU提取一维RA-PPW信号的时域特征，在与血压值进行回归过程当中，其贡献度是不同的。如果直接将两部分特征融合，反而容易导致模型出现过拟合现象。因此，筛选出RA-PPW信号中经特征提取的有区分度的特征具有重要的意义，一个有效的方法是采用注意力机制。

       AM可分为SAM和HAM，通常来说，SAM是对输入向量的所有维度都计算一个关注权重，根据重要性赋予不同的权重，HAM是针对输入向量计算得到一个唯一的确定权重。在使用RA-PPW信号进行连续血压测量的方法中，CNN具有多个卷积核，每一个卷积核由一个通道表示，也就相当于对输入增加了一个维度，更适合使用SAM；而LSTM的输出跟输入是同一维度的向量，因此使用HAM进行特征筛选更好。

       因此，一维的RA-PPW信号进行一维卷积获取到的时频特征通过SAM进行特征筛选，与GRU提取一维RA-PPW信号时域特征通过HAM进行特征筛选，然后通过使用相同单元数的全连接层将两种特征进行融合，最后与实测血压值进行回归。所以，融合1D-CNN和GRU的特征提取，同时采用注意力机制对融合特征进行重要程度分析得到的回归模型，可以很好的解决单个模型在时频域特征提取存在的不足，以及冗余特征可能导致模型过拟合带来的泛化性能不强问题。

所以，对1D-CNN提取的频域特征采用SAM进行特征筛选和对GRU的提取的时域特征采用HAM进行特征筛选，同时筛选后的特征新进行融合得到的回归模型，可以很好的解决单个模型在时频域特征提取存在的不足，以及冗余特征可能导致模型过拟合带来的泛化性能不强问题。

3.技术方案

       鉴于上述内容中1D-CNN和GRU对RA-PPW信号在时频域特征提取上的不足，提供一种能够实现对RA-PPW信号进行时频域特征提取和重要程度筛选，然后进行特征融合用于血压测量的算法，旨在提升深度学习对血压测量算法准确性能不高的问题，同时提高模型的泛化性能。

       一种用于RA-PPW信号用于血压测量的方法，包含一维卷积提取频域的特征原理、门控循环单元原理和时频域特征筛选重要特征信息进行融合原理。

       一维卷积提取频域的特征原理，通过在图像空间上关于长宽方向的二维卷积，可以获取时频域信息作为模型的特征，门控循环单元原理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；时频域特征筛选重要特征信息进行融合原理，将RA-PPW信号的时域特征使用SAM筛选出具有区分度的时域信息和频域特征使用HAM筛选出具有区分度的频域信息作为回归模型的输入，充分提取了RA-PPW信号中的特征信息并且筛选出具有区分度的信息，在提升了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。

       为了达到上述目的，下面的技术方案予以实现：

       一种基于深度学习时频特征融合和注意力特征筛选机制的连续血压测量方法,基于以下定义：

       定义：固定长度的RA-PPW信号样本和对应的血压值作为样本标签。

       具体包括如下步骤：

• 步骤S1：将采集的历史数据标注样本后进行模型训练；
• 步骤S2：将实时采集的固定长度的RA-PPW信号，使用训练集共享的标准化参数进行标准化后作为输入；
• 步骤S3：回归预测输出血压值标签；
  

       其中标准化的方法为，假设某一变量序列为S₁,…,Sn,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：

       其中标准化后的序列值的服从正态分布，存储μ和σ的值,如图1所示：

图1

       进一步方案是：包括预处理单元、时域特征提取单元、时域重要特征筛选单元，频域重要特征筛选单元和时频域特征融合单元（简称特征融合单元），以及回归预测输出,所述的模型如图2所示:

图2

4.技术关键点

       技术方法体现在：

• 为充分利用RA-PPW信号的时频域上的信息，基于卷积神经网络（CNN）和长短期记忆网络（GRU）提取的特征，提出了软注意力机制下的频域特征筛选和硬注意力机制下的时域特征筛选，然后通过相同全连接单元进行信息融合的深度学习模型FSA-THA；
• 模型充分利用了各网络的优势，采用CNN提取RA-PPW信号的频域特征，GRU提取RA-PPW信号时序特征，并引入不同注意力机制完成时频信息筛选后进行融合的关键特征提取，获得了RA-PPW信号用以血压测量的最优特征表示；
• 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，提出的模型更适合基于RA-PPW信号的连续血压监测。
  

5.技术效果

       如下表所示，提出的FSA-THA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进行验证，采用性能指标MAE，ME和STD，相比较具有相似结构的CNN和CNN-GRU模型，FSA-THA模型具有明显的性能提升，并且在AAMI标准范围之内。其中AAMI标准的ME±STD为5±8。

       使用FSA-THA模型计算的SBP和DBP与有创压参考值的相关性分别达到了0.96和0.89，Bland-Altman图中， SBP和DBP的误差也基本落在95%的置信区间内，如下图所示: