[发明专利]基于LSTM神经网络的机器学习监测血压的方法

权利要求书

1.基于LSTM神经网络的机器学习监测血压的方法，其特征在于：包括以下步骤：

1)通过信号采集装置获取监测对象的心电脉搏波信号和压力脉搏波信号数据的；

2)对步骤1)取得的信号进行去除噪声和基线漂移的预处理，滤波后得到心电波和PPW波形；

3)对心电波形和PPW信号波形信号数据进行分割，识别出心电图的R波波峰，根据相邻R-R波峰，将ECG划分为一个心动周期；识别出PPW波的波峰，根据相邻波峰将PPW划分为一个心动周期，然后对其进行归一化处理；

4)将上述分割好的数据进行特征提取，包括以下特征:

a)PTT,PTT为脉搏波传输时间，同时识别PPW脉搏波的波峰和心电波的R波，计算R波和PPW波波峰之间的时间差可获得脉搏波传输时间；

b)起始点到上升的波峰之间的距离，即为上升时间t1；

c)起始点到重搏波之间的距离，即为第二上升时间t2；

d)反射指数(RI)，收缩峰值与重博峰的比值，即h₁/h₂；

e)心率HR，识别出心电波形的R波，计算心电波形临近R波之间的时间差，然后根据其时间推算心率值；

5)将步骤4)所得的特征序列记为特征向量序列x₁表示PTT，x₂表示上升时间t1，x₃表示第二上升时间t2，x₄表示反射指数(RI)，x₅表示心率HR的数据集，为x₁矩阵的转置；将上述特征向量序列作为输入至LSTM神经网络模型，神经网络模型由CNN卷积层、批标准化BN层、双向LSTM层、dropout层、全连接Dense层组成；

6)LSTM神经网络的输出信息即为监测对象的血压信息，包括收缩压SBP和舒张压DBP。

2.如权利要求1所述的基于LSTM神经网络的机器学习监测血压的方法，其特征在于：将特征向量序列X作为输入至LSTM神经网络模型，神经网络模型的计算步骤如下所示：

i)将特征向量序列X首先输入卷积层提取特征层；

ii)输入批标准化BN层将各层特征进行标准化处理；

iii)以M为时间步输入双向LSTM网络；

iv)之后加入dropout层防止网络出现过拟合；

v)最后由全连接Dense层输出Y＝[SBP,DBP]，SBP为收缩压、DBP为舒张压。