[发明专利]一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法

说明书

本发明公开了一种基于CNN‑BiLSTM的中心动脉压波形重构的系统及方法，涉及人工智能与医疗器械研发技术领域。本发明包括有数据采集控制模块、桡动脉压测量模块、指尖动脉压测量模块、数据处理模块、中心动脉压计算模块和数据显示模块。本发明无需人工提取特征、无需建立中间仿真模型及其参数估计，自动建立外周血压与中心动脉压一种端到端的重构模型，有效提升了中心动脉压波形的重构精度，且通过对人工神经网络结构的改进，提升了模型对波形特征的学习能力，相较于其他人工神经网络，该网络对血压波形的学习能力更强，对中心动脉压的重构效果更好。

技术领域

本发明属于人工智能与医疗器械研发技术领域，特别是涉及一种基于 CNN-BiLSTM的中心动脉压波形重构的系统及方法。

背景技术

心血管系统疾病是人类致死和致残的重要原因。近年来，随着肥胖人口的增加，患有心血管疾病的风险不断升高。准确掌握患者的心血管系统健康状况，可为患者提供即时救助，从而有效降低心血管事件的发生率和死亡率。CAP作为升主动脉根部血管壁承受血液的侧压力，相较于外周动脉压，与心血管事件的联系更为紧密，与一些心血管事件独立相关。因此， CAP的检测在心血管疾病的预测、诊断和实时监测等方面具有重要意义。同时，CAP波动也具有重要研究价值，如CAP增高将诱发冠脉硬化，进而容易引发冠脉狭窄及冠脉事件，降低CAP将有助于预防心血管事件。此外，CAP 与心血管疾病的预后有密切关系，可用于评价疗效，优化治疗方案以及早期诊断及筛查。因此，CAP的波形测量在临床上具有极高的运用价值；

Huttunen等则提出利用机器学习和模拟训练数据估计主动脉脉搏波速和血压脉冲传递时间，初步将机器学习算法运用于主动脉研究领域。Xiao 等首次提出运用人工神经网络从桡动脉收缩压与舒张压估计主动脉收缩压的方法，并论证了采用深度学习方法检测中心动脉压的可行性。上述研究在一定程度上解决的中心动脉压检测有无的问题，但存在准确度较低，波形特征提取困难等问题，难以满足实际临床医学中的应用；

由于受环境、遗传、行为等因素的影响，血压信号往往呈现高度特异性和复杂性。针对这些大量且复杂的血压特征，传统人工设计的血压特征提取方式越来越难以满足现代医疗对血压检测与诊疗需求；

由于受环境、遗传、行为等因素的影响，血压信号往往呈现高度特异性和复杂性。针对这些大量且复杂的血压特征，传统人工设计的血压特征提取方式越来越难以满足现代医疗对血压检测与诊疗需求；针对传统的无创中心动脉压重构方法特征提取困难、重构误差较大、精度难以提升等问题。本专利提出了一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法。

发明内容

本发明的目的在于提供一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法，以解决上述背景技术中提出的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于CNN-BiLSTM的中心动脉压波形重构的系统，包括有数据采集控制模块、桡动脉血压测量模块、指动脉血压测量模块、数据处理模块、中心动脉压计算模块和数据显示模块；

所述数据采集控制模块用以控制其他模块进行顺序测量和处理；

所述桡动脉血压测量模块用以采集桡动脉的脉动信号，并进行滤波和放大处理，形成桡动脉压信号传输给数据处理模块；

所述指动脉血压测量模块用以采集连续的人体指动脉血压信号，并进行滤波和放大处理，形成指动脉压信号传输给数据处理模块；

所述数据处理模块用以形成指动脉平均压与舒张压(MAP/DBP)，并对桡动脉压信号进行校准，将校准后的桡动脉压信号传递给中心动脉压测量模块，将指动脉压、桡动脉压以及基本参数一传递给数据显示模块；