基于深度神经网络的无袖带血压建模方法研究

杨利霞

基于深度神经网络的无袖带血压建模方法研究

6 C9 N% @! U: f' }
0 M3 d% l6 z9 j: }/ y连续血压的监测对于高血压人群的诊断和管理具有重要的意义，进而对于某
些特定人群如心律失常患者的重大疾病风险也具有调控和预警作用。袖带式血压
计间歇式测量的方式，无法满足血压连续和长期监测的需要。现存的无创血压方
5 v; U1 z7 V  `# u- v8 P; u法需要人工提取特征，由于个体化差异过大往往导致模型的精度不足或适用范围
7 q* r) @. q/ S$ ?# |4 Z有限，难以满足不同人群血压监测的需求。已有的少量文章显示了深度学习在这
一领域的潜力和可行性，凭借其自动化的特征学习和表达能力，有望实现对更广
泛人群血压的精准估计，还可为可穿戴设备的血压测量功能提供理论基础和原型；
! Y, r" f; [; v8 y! g  [/ {DNN（Deep Neural Network, 深度神经网络）不同维度的特征表达，也从模型的
4 \1 F  _# d! w角度为揭示体表生理信号与人体内部有创血压之间的内在联系提供了新的可能。
1 ^* X# W6 E8 t( a9 D针对上述问题，本文研究基于深度神经网络的血压估计方法，分别针对
! Q; j4 Z% Z' P2 HMIMIC-III 公共数据库（Medical Information Mart for Intensive Care III, 重症监护
医学信息数据库 III）和阜外医院心律失常患者手术前采集的数据建立了血压估
) ~" P3 j% \+ e+ c3 ?6 J计模型。本论文主要内容包括以下几方面：
: K. ?( T4 d+ J; L/ O" H1. 提出了基于深度神经网络的穿戴式连续血压建模方法。基于 MIMIC-III
5 w% G5 p/ c4 h& b公共数据库，利用可穿戴设备可采集的体表生理信号，主要为 ECG
3 k. Z4 X" x/ i2 M& F$ H1 ^. y3 J3 I（Electrocardiogram, 心电图）和 PPG（Photoplethysmograph，光电容积
5 q6 c* M8 }! ?! d/ f. r4 s9 q1 o- h脉搏波），建立信号与连续血压之间的关系模型。模型对 SBP（Systolic
; Q0 L( O1 L+ V- e9 @Blood Pressure, 收缩压）和 DBP（Diastolic Blood Pressure, 舒张压）的误
差分别为-0.08 ± 9.0 和-1.6 ± 5.0，接近 AAMI（Association for the
9 B% y, G+ L/ |% p" ]+ ]Advancement of Medical Instrumentation, 医疗仪器发展协会）标准。
! p6 n: z& ^: x5 O/ Y2. 针对小样本心律失常人群数据，提出了基于深度迁移学习的连续血压建
模方法。模型的建立结合了策略网络、自适应层和域损失函数，在心律
( C$ A2 ]# h0 G) S6 P6 J4 ~! o失常患者术前采集的有创连续血压数据集上进行了验证，SBP 和 DBP 的
测试误差分别为 0.49 ± 7.69 和 0.17 ± 4.85，满足 AAMI 标准。模型对于
; x8 M& N; f: N+ N8 N大幅波动的血压也表现出了良好的追踪能力。
3. 基于上述方法，研发了穿戴式血压监测系统。仅输入可穿戴设备采集的
6 }/ V% H! T) D& k$ O- ]0 o% FECG 和 PPG 信号即可实时输出动态血压，对模型复杂度的分析也体现基于深度神经网络的无袖带血压建模方法研究
了模型的高实时性和易用性，相关成果已于第 20 届高交会展示。
# U, K; x6 j; h: y5 `/ \4 ]8 K本文依托可穿戴设备，基于 DNN 和深度迁移学习，提出了端到端的血压建
5 H; S: X  H5 o  H0 r) N6 k5 J' B模方法，无需人工提取特征，建立了体内有创血压与可穿戴设备采集信号的直接
联系，实现了无需袖带的高精度连续血压监测，且准确性满足 AAMI 标准，为穿
# |+ Z% V$ h; |1 l3 Q  ~戴式的血压监测设备提供了理论基础和原型。
; s, v" D1 r8 q- G( h* b


$ M" j- s) l5 n. Y/ n! ^! B
+ i; |& ^: O5 G+ K9 j! B1 ]