[发明专利]基于LSTM神经网络的机器学习监测血压的方法

说明书

本发明公开了一种基于LSTM神经网络的机器学习监测血压的方法，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；对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；对心电波形和PPW信号波形信号数据进行分割、处理；将上述分割好的数据进行特征提取为特征向量序列，并将其输入至LSTM神经网络模型；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。本发明能够有效利用PTT这一关键参数，并针对部分人群的脉搏波很多特征难以识别，通过只识别必要特征，提高了血压监测的普适性。

技术领域

本发明属于医疗领域，特别是涉及一种连续血压监测方法，更具体设计一种利用心电和压力脉搏波的信号，提取多特征混合，利用LSTM神经网络对收缩压和舒张压进行连续监测的方法。

背景技术

血压是血液对血管壁侧面的压力，其由心脏收缩时流过血管的血液产生，是对循环血量、心输出量及动脉血管壁弹性等血流动力学因素的综合性反映。收缩压和舒张压是可以反应人体心脏、血管功能状况的重要生理指标，同时，也是人体健康四大检测基本特征之一。

目前常规的血压测量方法为，听诊法和示波法，但这两种方法都无法进行实时连续监测，且设备的体积大，不便捷。而可进行连续测量的血压监测方法主要是基于脉搏波信号进行检测。基于脉搏波信号测量血压的方法主要有三种，分别是基于脉搏波传导速度(PWV)的测量方法，基于脉搏波传导时间(PTT)的测量方法以及基于脉搏波特征参数(PWP)的测量方法。

光电容积脉搏波(PPG)波形的形状因为不同的人有很大差异，对于存在心血管问题的对象，其PPG的重博波波形很难提取，因此仅通过提取PPG波形特征具有很大的范围局限，精度也会比较低。利用PTT来计算血压检测和拟合方便，但也存在如下问题:(1)人体的脉搏波容易受到多个因素的干扰，包括呼吸、阻抗、测量姿势等，仅仅利用PTT一个参数进行血压计算准确度较低。(2)PTT与收缩压的相关性较高，与舒张压的相关性较低。

通过压电传感器检测的压力脉搏波(PPW)，由于其灵敏度高，直接反应血管压力变化，故相比较于光电容积脉搏波能够更准确地反应血管压力的变化，用于测量血压更为准确。但传统的基于压力脉搏波的测量方法，从波形中提取的特征过多，该特征易受干扰，导致测量精度受到影响，适用范围较窄。

循环神经网络(Recurrent Neural Network,RNN)是一种用于处理序列数据的神经网络，它的每一层不仅输出给下一层，同时还输出一个隐状态。长短时记忆网络(LongShort Term Memory Network,LSTM)，是一种改进后的循环神经网络，解决了RNN长序列训练过程中的梯度消失和梯度爆炸问题。其在长时间序列中有较好表现，减少随时间特征变化带来的影响。

发明内容

针对背景技术中血压对健康的重要性，以及目前血压监测方法存在的问题，本发明的目的在于提供一种利用心电和压力脉搏波的多特征混合信号的，基于LSTM神经网络的机器学习监测血压的方法。

为此，本发明采用的技术方案是这样的：基于LSTM神经网络的机器学习监测血压的方法，其特征在于：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: