一种基于Transformer网络的无创血压预测方法

一种基于transformer网络的无创血压预测方法
技术领域
1.本发明涉及血压预测的技术领域，尤其涉及到一种基于transformer网络的无创血压预测方法。


背景技术：

2.心血管疾病已经严重威胁人类生命健康，每年全球因心血管疾病死亡的人数高达1040万，高血压是心血管疾病的主要危险因素之一。所以，血压监测对于诊断筛查、监测治疗计划以及指示患者健康状况是非常必要的，通过实时检测血压，及时控制血压，可以大大降低心血管并发症和死亡的风险。
3.测定血压一般有两种方法：侵入性和非侵入性测量，侵入性方法即有创地将套管插入患者动脉中，直接测量血压，是持续准确监测血压的金标准方法，但由于其侵入性，该方法仅限于健康状况危急的患者。非侵入性方法主要通过柯氏音法和振荡测量法进行无创血压测量，但该方法不能用于连续血压监测，也不能提供动脉血压(abp,arterial blood pressure)波形，且该方法会压迫动脉血管，如果频繁测量会引起患者不适。因此，国内外研究者致力于寻找一种能够连续、无创且适用于日常血压监测的血压测量方法。
4.近年来，有研究将光容积脉搏波(ppg,photoplethysmography)用于无创血压预测。光容积脉搏波描记术(ppg)可测量血管和组织中的血容量时间变化相关信号，ppg波形携带反映受试者心血管功能的丰富信息，已有研究证明其形成与血压密切相关。且ppg传感器体积小，制造成本低，可嵌入到可穿戴设备中实现日常血压监测。
5.针对ppg信号，人们开展了许多研究，利用各种生理参数连续无创地估计血压。脉搏波速度(pwv)是与血压和动脉刚度有关的重要参数之一。pwv是血压脉冲通过循环系统传播的速度，主要通过测量脉冲传递时间(ptt)和脉冲到达时间(pat)来表示相应的pwv。但测量ptt或pat需要采集两路ppg同步信号或者ppg与心电图(ecg,electrocardiography)同步信号，且仅以ptt或pat建立的血压预测模型泛化性较差。有研究通过对ppg信号进行特征提取，利用机器学习方法比如线性回归、回归森林、adaboost等建立血压预测模型，进一步提高了血压预测的准确性，但该方法依赖于人工提取的特征，而人群的多样性使得特征提取的准确性不稳定，存在一定的局限性。


技术实现要素：

6.本发明的目的在于克服现有技术的不足，提供一种基于transformer网络的无创血压预测方法，避免因人群的多样性导致人工提取的特征不稳定的问题，提高模型对不同波形的适用性。
7.为实现上述目的，本发明所提供的技术方案为：
8.一种基于transformer网络的无创血压预测方法，包括：
9.s1、同步采集用户的ppg信号和abp信号；
10.s2、对采集的ppg信号进行预处理操作；
11.s3、将abp信号和经过预处理后的ppg信号样本划分为训练集和测试集；
12.s4、构建transformer血压预测模型，并使用训练集数据对该模型进行训练；
13.s5、将测试集数据通过训练后的transformer血压预测模型预测abp波形；
14.s6、通过预测得到的abp波形计算收缩压和舒张压。
15.进一步地，对采集的ppg信号进行预处理操作包括：
16.s2-1、信号去噪；
17.使用截止频率为0.5-20hz的四阶巴特沃斯带通滤波器滤除ppg信号中的高频噪声和基线漂移，另外使用截止频率为0.05hz的窄带低通滤波器提取ppg信号直流分量中包含的平均血容量相关信息；
18.s2-2、ppg信号分割；
19.根据预先设置的样本时长，对去噪后的ppg信号进行分割，得到多个ppg信号样本；
20.s2-3、将ppg和abp信号的幅值归一化为[0,1]之间。
[0021]
进一步地，输入的ppg信号经过一层全连接层转换为适合transformer输入的形式，传递到encoder块；encoder由n个相同子层构成，每个子层由多头注意力和前馈网络两个模块组成，两个模块之间通过残差连接与层归一化操作处理数据；最后通过全连接层输出预测的abp波形。
[0022]
进一步地，自注意力机制通过三个全连接层将输入映射为请求矩阵q、键矩阵k、值矩阵v，自注意力计算如下：
[0023][0024]
其中表示q，k，v矩阵每一行的维度；q和k
t
点乘得到向量的相关性权重分数，除以缓解softmax函数存在的梯度消失问题，通过softmax函数后再与v相乘得到注意力矩阵；
[0025]
多头注意力则是通过对q,k,v矩阵进行多次不同的线性变换，将输入投影到多个不同的子空间，分别进行自注意力计算得到多个输出矩阵，将其拼接在一起得到最终的输出，能使模型关联不同方面的信息，提升模型特征提取性能；
[0026]
多头注意力机制为：
[0027]
multihead(q,k,v)＝concat(head1,...,headh)wo[0028]
headi＝attention(qw
iq
,kw
ik
,vw
iv
)
[0029]
其中，w
iq
，w
ik
，w
iv
分别是q,k,v第i头的线性变换权重矩阵，wo为拼接后的线性变换矩阵。
[0030]
进一步地，前馈网络由两个全连接层和一个非线性激活函数以及一个dropout层组成，描述为：
[0031]
f(x)＝linear2(dropout(relu(linear1(x))))
[0032]
其中，linear1和linear2分别表示两个全连接层，relu为采用的非线性激活函数，dropout层按照设定比例随机丢弃神经元。
[0033]
进一步地，注意力模块和前馈网络之间采用残差连接，缓解梯度消失问题，并且通过层归一化操作加速收敛，该过程为：
[0034]h′
＝ln(msa(x)+x)
[0035]
h＝ln(f(h
′
)+h
′
)
[0036]
其中，msa表示多头注意力模块，ln表示层归一化操作，f表示前馈网络。
[0037]
进一步地，在abp波形的一个心动周期中，收缩压sbp和舒张压dbp分别为血压的最高值和最低值，计算公式如下：
[0038]
sbp＝max(abp)
[0039]
dbp＝min(abp)。
[0040]
与现有技术相比，本方案原理及优点如下：
[0041]
相比传统机器学习方法依赖人工提取的特征，本方案采用transformer模型，输入多头注意力层得到注意力特征，使得算法可以在复杂的波形特征中快速提取对当前任务的关键信息，避免因人群的多样性导致人工提取的特征不稳定的问题，提高模型对不同波形的适用性。
[0042]
相比其他机器学习或深度学习方法需要对收缩压和舒张压分别建立预测模型，本方案只需建立一个血压预测模型，即可实现连续的血压波形预测，以ppg信号作为输入预测出血压波形，由预测的血压波形可以计算出收缩压、舒张压等血压参数。
附图说明
[0043]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]
图1为本发明一种基于transformer网络的无创血压预测方法的原理流程图；
[0045]
图2为本发明中transformer血压预测模型的结构示意图；
[0046]
图3为收缩压的结果分析图；
[0047]
图4为舒张压的结果分析图。
具体实施方式
[0048]
下面结合具体实施例对本发明作进一步说明：
[0049]
如图1所示，本实施例所述的一种基于transformer网络的无创血压预测方法，包括：
[0050]
s1、同步采集用户的ppg信号和abp信号；
[0051]
s2、对采集的ppg信号进行预处理操作，预处理过程包括：
[0052]
s2-1、信号去噪；
[0053]
使用截止频率为0.5-20hz的四阶巴特沃斯带通滤波器滤除ppg信号中的高频噪声和基线漂移，另外使用截止频率为0.05hz的窄带低通滤波器对ppg信号进行预处理；
[0054]
s2-2、ppg信号分割；
[0055]
根据预先设置的样本时长，对去噪后的ppg信号进行分割，得到多个ppg信号样本；
[0056]
s2-3、将ppg和abp信号的幅值归一化为[0,1]之间，可以使训练过程更加稳定，提高收敛速度；归一化操作如下：
[0057][0058]
其中，x
inorm
是归一化后的信号值，xi是原始信号值，x
max
、x
min
分别为数据的最大值和最小值。
[0059]
s3、将abp信号和经过预处理后的ppg信号样本划分为训练集和测试集；
[0060]
s4、构建transformer血压预测模型，并使用训练集数据对该模型进行训练；
[0061]
transformer是一种基于encoder-decoder结构的模型，本实施例对传统transformer模型进行改进，使其适用于血压预测任务。本实施例提供的transformer血压预测模型具体结构如图2所示，输入的ppg信号经过一层全连接层(linear)转换为适合transformer输入的形式，传递到encoder块。encoder由n个相同子层构成，每个子层由多头注意力(multi-head attention)和前馈网络(feed forward)两个模块组成，两个模块之间通过残差连接与层归一化(norm)操作处理数据。最后通过全连接层输出预测的abp波形。
[0062]
自注意力机制通过三个全连接层将输入映射为请求矩阵q、键矩阵k、值矩阵v，自注意力计算如下：
[0063][0064]
其中表示q，k，v矩阵每一行的维度；q和k
t
点乘得到向量的相关性权重分数，除以缓解softmax函数存在的梯度消失问题，通过softmax函数后再与v相乘得到注意力矩阵；
[0065]
多头注意力则是通过对q,k,v矩阵进行多次不同的线性变换，将输入投影到多个不同的子空间，分别进行自注意力计算得到多个输出矩阵，将其拼接在一起得到最终的输出，能使模型关联不同方面的信息，提升模型特征提取性能；
[0066]
多头注意力机制为：
[0067]
multihead(q,k,v)＝concat(head1,...,headh)wo[0068]
headi＝attention(qw
iq
,kw
ik
,vw
iv
)
[0069]
其中，w
iq
，w
ik
，w
iv
分别是q,k,v第i头的线性变换权重矩阵，wo为拼接后的线性变换矩阵。
[0070]
前馈网络由两个全连接层和一个非线性激活函数以及一个dropout层组成，描述为：
[0071]
f(x)＝linear2(dropout(relu(linear1(x))))
[0072]
其中，linear1和linear2分别表示两个全连接层，relu为采用的非线性激活函数，dropout层按照设定比例随机丢弃神经元。
[0073]
注意力模块和前馈网络之间采用残差连接，缓解梯度消失问题，并且通过层归一化操作加速收敛，该过程为：
[0074]h′
＝ln(msa(x)+x)
[0075]
h＝ln(f(h
′
)+h
′
)
[0076]
其中，msa表示多头注意力模块，ln表示层归一化操作，f表示前馈网络。
[0077]
s5、将测试集数据通过训练后的transformer血压预测模型预测abp波形；
[0078]
s6、通过预测得到的abp波形计算收缩压和舒张压；
[0079]
在abp波形的一个心动周期中，收缩压sbp和舒张压dbp分别为血压的最高值和最低值，计算公式如下：
[0080]
sbp＝max(abp)
[0081]
dbp＝min(abp)。
[0082]
为了证明本实施例所述方法的有效性和优越性，进行以下实验：
[0083]
实验结果
[0084]
数据来源：
[0085]
所使用的ppg和abp信号来源于uci_bp数据集。数据集包含正常、低血压和高血压人群。其中ppg信号由血氧仪采集指尖ppg信号获得，abp信号通过动脉内测量的方法得到，ppg和abp信号采样率为125hz。
[0086]
模型参数设置
[0087]
设置ppg信号样本时长为4.992秒(624个采样点)，transformer模型中encoder层数为4，注意力头个数为4，前馈网络中的网络通道数为1024，学习率设置为0.001，采用mse损失函数，优化器采用adam。
[0088]
评价指标
[0089]
本实验使用平均绝对误差(mae)和标准差(std)进行评价，其计算公式如下：
[0090][0091][0092]
本实验所提出的方法预测的sbp误差(mae
±
std)为(3.76
±
5.66)mmhg，dbp误差为(2.20
±
3.77)mmhg。
[0093]
bland-altman
[0094]
bland-altman图是医疗应用中评估两种测量方法之间一致性水平的常用方法。本实验将transformer模型预测的收缩压和舒张压与动脉内测量得到的血压值进行一致性分析。
[0095]
收缩压和舒张压的分析结果如图3和图4所示，可以看出，sbp和dbp绝大部分包含在95％置信区间，说明实验的transformer模型预测与通过动脉内测量方法的一致性较好。
[0096]
bhs标准
[0097]
英国高血压协会(bhs)提供了一种血压测量精度分级标准，该标准基于绝对误差设定三个阈值(5、10和15mmhg)，通过计算预测值的绝对误差分别低于每个阈值的百分比，将测量精度划分为a、b、c三个等级，达到a级或者b级则符合临床使用条件。如表1所示，实验使用的transformer模型预测的sbp和dbp均达到a级。
[0098]
表1bhs标准与实验结果
[0099][0100]
aami标准
[0101]
美国医疗仪器促进协会(aami)提供了另一种血压测量精度指标，其规定血压测量仪器和方法的绝对平均误差(mae)应小于5mmhg，标准差(std)应小于8mmhg。由表2可发现实验采用的transformer模型预测的sbp和dbp均符合aami标准。
[0102]
表2 aami标准与实验结果
[0103][0104]
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

技术特征：
1.一种基于transformer网络的无创血压预测方法，其特征在于，包括：s1、同步采集用户的ppg信号和abp信号；s2、对采集的ppg信号进行预处理操作；s3、将abp信号和经过预处理后的ppg信号样本划分为训练集和测试集；s4、构建transformer血压预测模型，并使用训练集数据对该模型进行训练；s5、将测试集数据通过训练后的transformer血压预测模型预测abp波形；s6、通过预测得到的abp波形计算收缩压和舒张压。2.根据权利要求1所述的一种基于transformer网络的无创血压预测方法，其特征在于，对采集的ppg信号进行预处理操作包括：s2-1、信号去噪；使用截止频率为0.5-20hz的四阶巴特沃斯带通滤波器滤除ppg信号中的高频噪声和基线漂移，另外使用截止频率为0.05hz的窄带低通滤波器提取ppg信号直流分量中包含的平均血容量相关信息；s2-2、ppg信号分割；根据预先设置的样本时长，对去噪后的ppg信号进行分割，得到多个ppg信号样本；s2-3、将ppg和abp信号的幅值归一化为[0,1]之间。3.根据权利要求1所述的一种基于transformer网络的无创血压预测方法，其特征在于，输入的ppg信号经过一层全连接层转换为适合transformer输入的形式，传递到encoder块；encoder由n个相同子层构成，每个子层由多头注意力和前馈网络两个模块组成，两个模块之间通过残差连接与层归一化操作处理数据；最后通过全连接层输出预测的abp波形。4.根据权利要求3所述的一种基于transformer网络的无创血压预测方法，其特征在于，自注意力机制通过三个全连接层将输入映射为请求矩阵q、键矩阵k、值矩阵v，自注意力计算如下：其中表示q，k，v矩阵每一行的维度；q和k
t
点乘得到向量的相关性权重分数，除以缓解softmax函数存在的梯度消失问题，通过softmax函数后再与v相乘得到注意力矩阵；多头注意力则是通过对q,k,v矩阵进行多次不同的线性变换，将输入投影到多个不同的子空间，分别进行自注意力计算得到多个输出矩阵，将其拼接在一起得到最终的输出，能使模型关联不同方面的信息，提升模型特征提取性能；多头注意力机制为：multihead(q,k,v)＝concat(head1,...,head
h
)w
o
head
i
＝attention(qw
iq
,kw
ik
,vw
iv
)其中，w
iq
，w
ik
，w
iv
分别是q,k,v第i头的线性变换权重矩阵，w
o
为拼接后的线性变换矩阵。5.根据权利要求4所述的一种基于transformer网络的无创血压预测方法，其特征在于，前馈网络由两个全连接层和一个非线性激活函数以及一个dropout层组成，描述为：
f(x)＝linear2(dropout(relu(linear1(x))))其中，linear1和linear2分别表示两个全连接层，relu为采用的非线性激活函数，dropout层按照设定比例随机丢弃神经元。6.根据权利要求5所述的一种基于transformer网络的无创血压预测方法，其特征在于，注意力模块和前馈网络之间采用残差连接，缓解梯度消失问题，并且通过层归一化操作加速收敛，该过程为：h
′
＝ln(msa(x)+x)h＝ln(f(h
′
)+h
′
)其中，msa表示多头注意力模块，ln表示层归一化操作，f表示前馈网络。7.根据权利要求1所述的一种基于transformer网络的无创血压预测方法，其特征在于，在abp波形的一个心动周期中，收缩压sbp和舒张压dbp分别为血压的最高值和最低值，计算公式如下：sbp＝max(abp)dbp＝min(abp)。

技术总结
本发明公开了一种基于Transformer网络的无创血压预测方法，包括：同步采集用户的PPG信号和ABP信号；对采集的PPG信号进行预处理操作；将ABP信号和经过预处理后的PPG信号样本分为训练集和测试集；构建Transformer血压预测模型，并使用训练集数据进行训练；将测试集数据通过训练后的Transformer血压预测模型预测ABP波形；通过预测得到的ABP波形计算收缩压和舒张压。本发明采用Transformer模型，输入多头注意力层得到注意力特征，使得算法可在复杂的波形特征中快速提取对当前任务的关键信息，避免因人群的多样性导致人工提取的特征不稳定的问题，提高模型对不同波形的适用性。提高模型对不同波形的适用性。提高模型对不同波形的适用性。


技术研发人员：刘立程 田俊豪 王小林
受保护的技术使用者：广东工业大学
技术研发日：2023.08.02
技术公布日：2023/10/7