[发明专利]一种基于卷积自编码器的脉搏波波形重建的方法及系统

说明书

本发明公开了一种基于卷积自编码器的脉搏波波形重建的方法及系统，设置采样频率和采样时间，分别采集指脉和桡动脉脉搏信号数据，待信号强度明显且平稳后进行记录；对所得到的原始脉搏波信号数据进行预处理，并将数据以一定比例切分成训练集和测试集；使用训练集对PRDAE网络模型进行训练，并使用参数正则化方法对模型参数进行优化，通过交叉验证法训练得到一个最优的重建模型；将测试集送入网络，利用训练好的PRDAE网络模型实现从指脉波形数据到桡动脉波形数据的重建，以构建起指脉波形数据到桡动脉波形数据的转换关系。本发明扩展了将指脉波形信号转换为桡动脉波形信号的实现方式，并为解决通过指脉信息探究人体心血管信息提供了研究基础。

技术领域

本发明涉及信号处理以及深度学习领域，具体涉及一种基于卷积自编码器的脉搏波波形重建的方法及系统，能够通过卷积自编码器构建一种可以将指脉脉搏信号转换为桡动脉脉搏信号的深度学习模型。

背景技术

现有的主流脉搏波无创检测手段包括“桡动脉压力脉搏波”和“指端容积脉搏波”。目前对于桡动脉压力脉搏波的理论研究较为详尽，且波形所对应的生理意义较为明确，但想要得到稳定且准确的波形，对测量人员检测手法和受试者的测量要求都比较高，不适宜作为长期的监测手段。相比之下，指端容积脉搏波具有检测便捷，测得数据稳定等特点，为得到在长期监测下的脉搏信号提供了便利的前提条件，但指脉信号是由人体桡动脉信号经过手部微循环过滤所得，更多反映人体的微循环状态。因此，指脉与桡动脉信号存在一定程度的联系，若能将两者建立明确的关联，则能够由指端容积脉搏波得到桡动脉压力脉搏波，从而通过指脉信号就能判断出人体的周身心血管状态。

传统的“指脉信号”到“桡动脉信号”的重建方法需要手工提取脉搏波参数特征，并使用传递函数对特征进行重建：不仅重建过程较为繁琐，而且一定程度上存在提取特征不完善、重建效果有较大偏差等不足，因此使用深度学习方法对脉搏信号进行分析与处理成为解决上述问题的突破口。

深度卷积自编码器模型是一种“编码-解码器”模型，其通过编码器的卷积和池化操作将输入数据压缩成一种隐藏的空间表示，并通过解码器的卷积和上采样操作将该隐藏空间表示进行重构和输出。深度卷积自编码器模型能够实现数据样本特征的自动学习与重建的操作，被广泛应用于图像和语音信号的处理与重建，也为脉搏波信号的重建提供了新的思路。

发明内容

为了克服现有技术中的不足之处，本发明提供一种基于卷积自编码器的脉搏波波形重建的方法及系统，通过网络模型实现指脉脉博信号到桡动脉脉博信号的重建过程。

为了实现上述目的，本发明提供的基于卷积自编码器的脉搏波波形重建的方法，包括以下步骤：

步骤M1：设置采样频率和采样时间，分别采集受试者的指脉和桡动脉脉搏信号数据，待信号明显且平稳后进行记录；

步骤M2：对所得到的原始脉搏波信号数据进行预处理：去除噪声和基线、单波切分、去除异常波形、统一单波的采样频率、幅值归一化并映射到[0,1]范围内，并将数据以一定比例切分成训练集和测试集；

步骤M3：使用训练集对PRCAE(Pulse Reconstrst Convolution AutoEncoder)网络模型进行训练，并使用参数正则化方法对模型参数进行优化，通过交叉验证法训练得到一个最优的重建模型；

步骤M4：将测试集送入网络，利用训练好的PRCAE网络模型实现从指脉波形数据到桡动脉波形数据的重建，以构建起指脉波形数据到桡动脉波形数据的转换关系。