[发明专利]血液灌注信号分离模型训练方法及设备

说明书

本发明提供一种血液灌注信号分离模型训练方法及设备，所述方法包括获取训练数据，包括屏息状态下的电阻抗信号和自主呼吸时的电阻抗信号，及相应的标签信息；利用所述训练数据训练组合模型，所述组合模型包括第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于对输入的电阻抗信号进行判别，输出判别结果，所述第二神经网络模型用于从所述自主呼吸时的电阻抗信号中分离出血液灌注信号；根据所述判别结果与所述标签信息的差异，以及分离出的血液灌注信号与所述自主呼吸时的电阻抗信号的差异优化所述组合模型的参数。

技术领域

本发明涉及电信号识别领域，具体涉及一种血液灌注信号分离模型训练方法及设备。

背景技术

在医学成像领域中，电阻抗成像（Electrical Impedance Tomography, EIT）是通过给人体施加小的安全驱动电流/电压，驱动电流或电压在人体的测量响应信息，重建人体内部的电阻率分布或其变化的图像。

人体在正常呼吸下所测量的响应信号即电阻抗信号，实际上是血液灌注信号和呼吸信号的叠加，为了实现各种监测或诊断，通常需要从此信号中分离出血液灌注信号。

目前从电阻抗成像信号中分离血液灌注信号的方法包括频域滤波法、基于主成分分析的方法等。频域滤波法采用具有特定截止频率的滤波器对信号进行滤波来分离血液灌注信号。这种方法的缺点包括：（1）需要利用病人的心率信息；（2）难以处理通气信号和血液灌注信号在频域重叠的情况；（3）对噪声的抑制效果较差。基于主成分分析的方法首先利用主成分分析生成一系列时域的模板，然后通过利用这些模板对信号进行时域滤波来分离血液灌注信号。这种方法的缺点包括：（1）需要利用病人的心率信息；（2）主成分分析的计算量大，对计算机计算能力的要求高。

发明内容

有鉴于此，本发明提供一种血液灌注信号分离模型训练方法，包括：

获取训练数据，包括屏息状态下的电阻抗信号和自主呼吸时的电阻抗信号，及相应的标签信息；

利用所述训练数据训练组合模型，所述组合模型包括第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于对输入的电阻抗信号进行判别，输出判别结果，所述第二神经网络模型用于从所述自主呼吸时的电阻抗信号中分离出血液灌注信号；根据所述判别结果与所述标签信息的差异，以及分离出的血液灌注信号与所述自主呼吸时的电阻抗信号的差异优化所述组合模型的参数。

可选地，利用所述训练数据训练组合模型具体包括：

利用所述训练数据训练第一神经网络模型，所述第一神经网络模型用于对输入的电阻抗信号进行判别，输出判别结果，根据所述判别结果与所述标签信息的差异优化参数；

利用所述训练数据中的自主呼吸时的电阻抗信号训练组合模型，其中所述第一神经网络模型被配置为使用优化后的参数且被固定，所述第二神经网络模型用于从所述自主呼吸时的电阻抗信号中分离出血液灌注信号，所述第一神经网络模型用于对分离出血液灌注信号进行判别，输出判别结果；根据所述判别结果与所述标签信息的差异，以及分离出的血液灌注信号与所述自主呼吸时的电阻抗信号的差异优化所述组合模型的参数。

可选地，在利用所述训练数据中的自主呼吸时的电阻抗信号训练组合模型的步骤中，使用以所述训练数据中的自主呼吸时的电阻抗信号和第二神经网络模型分离出的血液灌注信号作为输入的损失函数。

可选地，所述损失函数为

，

其中表示所述组合模型的可被优化的参数，表示交叉熵函数，为求信号能量的函数，表示第一神经网络模型函数，表示第二神经网络模型分离出的血液灌注信号，表示所述训练数据中的自主呼吸时的电阻抗信号，为预设权重。

可选地，第二神经网络模型分离出的血液灌注信号与所述训练数据中的自主呼吸时的电阻抗信号长度相同。