一种基于在线学习的无袖带连续血压估测系统

1.本发明涉及深度学习、生物医学工程等领域，具体涉及利用深度学习在线学习方法估测无袖带连续动脉血压。

背景技术：

2.自人类1733年发现动脉血压，观察到动脉搏动并成功利用水银压力计实现血压的间歇性测量，到上世纪通过动脉内置管实现连续血压测量以来，如何实现非侵入无创连续血压测量成为血压测量领域一大问题。较为传统的方法如动脉张力测量法、动脉容积钳法等,虽能够实现非侵入间接连续时间的血压测量，但由于受方法本身局限以及其他各种因素的影响，如压平程度、传感器位置设定以及动作伪影等，其所能实现的精度相较于标准的侵入式连续血压测量。此外，基于这些方法的测量系统庞大、昂贵，且需要专业人员操作，一定程度限定了其应用。
3.目前的血压测量方式主要以符合国际标准(esh、bhs和aami)的上臂式医用电子血压计为主，如“电子血压计临床准确性评价标准综述_李芹”。该血压计广泛应用于临床及家用血压测量，但其问题主要在于：1)操作所需的充气式袖带会给用户带来不适，若在夜间监测也会干扰睡眠；2)无法对血压进行连续时间的测量；3)所对血压的测量精度易受影响，从而导致无法正确的反应真实的血压信息，原因如：a)袖带的松紧程度和高低不同都会影响血压的数值；b)袖带在充气的过程中会对肌肉和血管造成挤压，气囊放气后，肌肉和动脉恢复平静需要一段时间，通常要间隔5分钟以上才能进行再次测量；c)可能测得白大衣高血压数值(多次测量血压过程中会导致神经内分泌和情绪变化，对血压的短时测量也有一定影响)。
4.随着新型传感技术的发展，各种无袖带连续监测方法可以实现到可穿戴和一些不显眼的设备中，如将传感器及估测算法集成到手表、眼镜、睡垫和智能手表等日常物件中，以实现无扰、连续、实时测量。在用户使用时，这些设备可自动获取人体体表生理信号，如心电、脉搏波等心血管相关生理信号，再根据各种血压测量模型及时给出估测结果。但可穿戴无袖带血压测量在临床上应用并不广泛，其主要的原因在于设备应用程序的测量精度无法满足当前临床需求，特别是在监测血压的动态变化时，在不对患者血压进行标定的情况下，难以得到准确的血压估计值，所以为了解决校准和精度偏差问题，需要进一步研究，并探索新的估计模型，包括更全面的生理信息或新的无袖带连续测压的潜在机制理论，以直接使用自动校准程序或不进行任何校准的血压估测。
5.当前无袖带连续血压测量模型主要分为两大类，即基于生理机制或基于数据驱动方式。生理机制如，基于脉搏波传导时间ptt，dbp、sbp计算如下：
[0006][0007]
[0008]
其中pttw由ptt加权得到，a为一个主体依赖系数，带有下标“o”的参数由其对应的参数经校准程序得到，如sbp0与dbp0分别由收缩压sbp与舒张压dbp校准得到。该种基于ptt的方法可以分别在基准值0.6
±
9.8mmhg和0.9
±
5.6mmhg内估算sbp和dbp。此外，如基于ppg强度比、沃斯理数、径向电生物阻抗等生理特征方法也被用于连续血压的估测；
[0009]
随着机器学习技术相关理论及应用的发展，不少基于数据驱动的深度学习方法被引入，如基于人工神经网络以及多种神经网络相融合的方法来实现无创连续时间血压的预测，如全连接网络、resnet、wavenet、lstm等网络结构以及这些网络的融合使用。其中，a.paviglianiti等提出resnet+lstm的网络架构，通过mimic数据库，利用ppg与ecg数据实现得到收缩压和舒张压估测的最小均方误差为6.414mmhg和3.101mmhg。此类方法简单易行，但依然存在一些问题，即在训练模型的数据量较大时，这些基于数据驱动得到的网络模型是固定的，即基于指定数据集训练得到的网络模型各参数不会改变，训练后的网络模型无法随着数据的持续输入，实现模型自我优化更新。因此，该种方法通常情况仅适用于输入生理信号分布相似的体，普适性较差，应用于不同场景时往往需要进行重新训练，重构网络模型。在数据量较大的情况下往往时间成本较高，且由于该种方法无法实现对模型的实时更新，所以在进行估测时无法实时反映血压的连续变化情况，对预测血压变化趋势较大的情景有一定的阶段局限性。

技术实现要素：

[0010]
基于以上存在的问题，本发明提出一种基于在线学习的连续血压估测系统，将在线学习方式与各种数据驱动模型(lstm，rnn等)或机理模型相结合，基于深度学习等方式，主要解决：大数据量下训练所得血压估测模型普适性较差这一问题，以实现一种个体自适应无创连续时间血压估测方法，从而为高精度连续血压泛在化测量提供另一种可行的方法。
[0011]
本发明技术方案为：一种基于在线学习的无袖带连续血压估测系统，该系统包括：数据采集与预处理模块，数据输入控制模块，在线学习模型构建模块，模型更新优化模块，血压预测显示模块；
[0012]
所述数据采集与预处理模块实现对输入信号的采集与预处理，即利用可穿戴设备在用户体表采集时序生理信号，并同时采用血压测量装置采集同步时序血压数据，并将采集到的所有信号传输给数据预处理模块，数据预处理方法包括数据转换、去除非平稳数据、差分化、归一化；
[0013]
所述数据输入控制模块实现数据的实时有序传输，保持多信号输入的同步性，在分布式发布订阅消息平台kafka中实现，即将预处理后的时序数据写入到云端服务器kafka消息队列中，由此事件被组织并持久地存储在topic中，其中的事件可以根据需要随时读取，事件在使用后不会被删除，通过配置来定义kafka中每个topic应该保留事件的时间，超过该时间后旧事件将被丢弃；
[0014]
所述在线学习模型构建模块实现实时监督学习，数据输入控制模块持续的实时输出作为在线学习模型构建模块的输入，在这一过程中数据将分为两部分即：训练集和验证集，根据具体需求选择不同的网络建立初始在线学习模型，进一步利用数据采集与预处理模块采集的时序生理信号进行监督学习与后续计算分析；
[0015]
所述模型更新优化模块中的实现方法为：对数据输入控制模块传输的流式数据，连续截取一时间长度为t的时序数据段stdata
ti
，stdata
ti
中包括参考血压在内的多模态信号，每个stdata
ti
读取完毕后用于优化网络模型，模型参数为wi，其对应连续血压预测准确性为acci，连续读取完毕时间长度为t的stdata
ti
数据下，经过时长nt，n＝1，2，3
…
，得到最优模型w
no
，优化方式如下：
[0016]
a1.设置初始优化阈值th，训练时间阈值nt；
[0017]
a2.对每个时序数据段stdata
ti
，在同一网络模型下，优化学习后该网络模型的预测准确性为acci，，根据所设立的优化阈值th判断是否保留模型参数：
[0018]
若acci≥th；即满足阈值条件，则保留模型参数，记录保存模型参数为wi，并设置该模型为最优模型w
no
＝wi，重置优化阈值为th＝acci，
[0019]
若acci＜th；即不满足阈值条件，则舍弃该模型参数；
[0020]
a3.输入达到时间阈值，优化完毕后输出在采集数据stdata
nt
下训练学习所得优化模型w
no
＝wi，acc
n0
＝max{acci}；
[0021]
最后在n次训练学习后得到最优模型为w
no
，并输出该模型w
no
作为当前系统最优预测模型，并利用该模型预测未来一段时间内的连续血压值。
[0022]
进一步的，所述模型更新优化模块中，采用stdata
t(i+1)
与stdata
ti
数据部分重叠的方式实现更高的预测效果。
[0023]
有益效果：本发明基于在线学习方式对网络进行训练，可有效解决大数据量下训练所得血压估测模型普适性较差这一问题，从而可实现对个体血压的连续实时监测，反映患者真实的连续血压变化情况，有效避免诊所测压的随意性、排除白大衣性高血压、及时检测血压的变化等情况，可综合全面分析随血压波动而升高或降低的体内生理活动变化或生化指标的变化。
附图说明
[0024]
图1为本发明云端时序数据控制模块框图。
[0025]
图2为本发明在线学习模型训练框图。
[0026]
图3为本发明模型优化更新框图。
[0027]
图4为本发明在线学习模型估测系统实现流程图。
具体实施方式
[0028]
为实现上述系统，本发明可基于穿戴传感器设备采集测量人体一段时间内的心脏与动脉搏动相关信息，以此获得心电、光电容积脉搏波，以及体表动脉压力等时序信号，利用这些所采集的实时信号，采用在线学习方式，实现实时连续血压预测。
[0029]
一种基于在线学习的无袖带连续血压估测系统，该系统包括：数据采集与预处理模块，数据输入控制模块，在线学习模型构建模块，模型更新优化模块，血压预测显示模块；
[0030]
所述数据采集与预处理模块实现对输入信号的采集与预处理，即利用可穿戴设备在用户体表采集时序生理信号，并同时采用血压测量装置采集同步时序血压数据，并将采集到的所有信号传输给数据预处理模块，数据预处理方法包括数据转换、去除非平稳数据、差分化、归一化；
[0031]
所述数据输入控制模块实现数据的实时有序传输，保持多信号输入的同步性，在分布式发布订阅消息平台kafka中实现，即将预处理后的时序数据写入到云端服务器kafka消息队列中，由此事件被组织并持久地存储在topic中，其中的事件可以根据需要随时读取，事件在使用后不会被删除，通过配置来定义kafka中每个topic应该保留事件的时间，超过该时间后旧事件将被丢弃，由于kafka中topic具有高度顺序性与可靠性，因此写入与读取的消息在不经任何处理下可保持完全一致，且提供缓冲防止阻塞，保证了读取不同消息的一致性。如图1所示，输入kafka服务器不同主题的消息队列相互独立，在时间上保持一致，可由可穿戴设备通过传感器获取并经预处理后写入，其输入数据包括用于监督学习的输入，分别可为ppg、ecg信号等时序信号，并同时读取血压信号作为监督学习的参考，整个读写过程时序需保持一致，以实现输入数据在输入控制模块中流式无阻塞输出。
[0032]
所述在线学习模型构建模块实现实时监督学习，对于时间长度t内的stdata
ti
数据将分为两部分即：训练集和验证集，用于网络模型的监督训练；如图2，具体而言，若stdata
t
时间长度为120s，可选择100s时间长度用于训练学习，20s时间长度用于验证预测准确性，如选则lstm模型作为训练模型，预测准确性参数阈值选择平均绝对误差mae：5.000mmhg(sbp)/4.000mmhg(dbp)或均方根误差rmse：6.000mmhg(sbp)/4.000mmhg(dbp)，即用采集数据stdata
ti
对lstm模型进行训练，若模型结论在阈值参数允许范围内，则更新该模型为当前最优模型，同时更新阈值条件。以此不断更新最优模型，实现模型优化功能。此外在训练过程中还需寻最优超参(如学习速率等)，一般来讲，寻最优超参可通过不断轮询遍历得到。
[0033]
所述模型更新优化模块实现对stdata
t
用于训练学习的最优模型，具体而言设置时间阈值如nt(n＝4，t＝120s)，预测准确性th为阈值条件，优化步骤如下：
[0034]
1)数据stdata1，训练得到的模型参数为w1，其预测准确性为acc1≥th，则有w
no
＝w1，th＝acc1；
[0035]
2)数据stdata2，训练得到的模型参数为w2，其预测准确性为acc2＜th，则有w
no
＝w1，th＝acc1；
[0036]
3)数据stdata3，训练得到的模型参数为w3，其预测准确性为acc3＜th，则有w
no
＝w1，th＝acc1；
[0037]
4)数据stdata4，训练得到的模型参数为w4，其预测准确性为acc4≥th，则有w
no
＝w4，th＝acc4；
[0038]
在线学习模型估测系统实现流程如图4所示，具体步骤如下：
[0039]
1.从可穿戴设备采集受试者包括血压信号在内的多种同步时序生理信号，如ppg、ecg等。
[0040]
2.将采集的所有信号输入到预处理模块中进行预处理。
[0041]
3.将预处理后的时序同步信号上传到云端kafka消息队列中，进行排队同步缓冲，并从kafka服务器中读取消息队列中的信息，作为模型训练的输入。
[0042]
4.将从kafka消息队列读出的时序信号进行划分，划分包括两部分：
[0043]
a)时序信号划分。即将数据流划分为如10min或15min的stdata
ti
数据段，以用于每一次训练。
[0044]
b)stdata
ti
划分。即将每个stdata
ti
划分为训练集和验证集，如训练集(80％)、验
证集(20％)等。
[0045]
5.模型训练
[0046]
a)设定训练次数n，令n＝0表示模型开始训练，模型训练一次则重置n＝n+1。
[0047]
b)选择训练模型，以lstm为例，则lstm(0)表示模型的初始状态，训练一次后则该模型的状态为lstm(1)。
[0048]
c)判断每次训练的结果，如模型结论满足阈值条件，则记录并保存该次训练的模型(参数)和预测结果。如在只考虑预测准确性的情况下，若第一次训练的预测准确性为0.86，大于阈值0.80，所以保存本次训练的结果(模型参数与预测结果)，此时的模型状态为lstm(1)，更新阈值为0.86，同时将lstm(1)作为第二次训练的初始模型，进行第二次训练，并判断第二次训练的结果，若满足阈值条件则进一步更新lstm(1)为lstm(2)，并重置阈值；若不满足阈值条件，则继续将lstm(1)作为第三次训练的初始模型，以此直至完成n次训练
[0049]
系统模型的优化程度与网络种类和网络容量也有关，在进行模型选择时，相同网络容量下，不同种类网络模型预测性能不同；在网络模型相同的情况下，不同的网络容量也会影响模型的预测性能，网络容量过大可能导致模型对数据过拟合，网络容量较小可能会导致模型对数据的学习能力不足，均会导致最终模型的预测性能下降，模型的选择与调整需根据具体样本量调整，使之接近于欠拟合与过拟合的边界。
[0050]
实施：
[0051]
利用可穿戴设备基于在线学习方式实现连续时间血压估测具体方式如下：
[0052]
步骤一：利用可穿戴设备在一段时间内(如30min)测量受试者的血压值、ppg等生理信号的值。
[0053]
步骤二：将步骤一所获取的实时时序信号进行预处理，包括不限于去噪、去非平稳、转换为适用于监督学习等操作。
[0054]
步骤三：将预处理后的信号输入载入到kafka服务器上。需注意的是，不同模态的信号需通过不同的api载入到不同kafka topic中，以保证不同信号之间不会发生串扰，而同一信号在一个topic中形成可靠的消息队列。
[0055]
步骤四：消费topic中的消息，从而获得各个信号的同步流式数据。在消费队列中的消息时，需检查topic消息队列中的不同信号是否在时间上保持同步，若不同步，则需删除部分时间超前的数据，使各个信号输出的数据在生理意义上保持同步。
[0056]
步骤五：将流式数据分批(如1min数据分为一批)，从而在30min内就可以连续获得30批采样点；将每一批划分为训练集与测试集(如70％用于训练、10％用于调参，20％用于验证)。
[0057]
步骤六：设置更新阈值，如设置预测准确性η≥0.9表示允许模型更新。
[0058]
步骤七：选择初始网络模型，如lstm，并定义该模型的初始状态为lstm(1)。
[0059]
步骤八：模型训练，用第1min的数据对lstm(1)进行训练与验证，当预测结果满足阈值条件时，更新阈值条件，记录并更新该模型为当前最优模型；否则不更新，继续以当前模型进行一下次训练。
[0060]
步骤九：重复步骤八直至完成30次训练，最终得到30次优化后的模型lstm(i)
[0061]
步骤十：将最终模型用于未来如5分钟的实时预测。

技术特征：

1.一种基于在线学习的无袖带连续血压估测系统，该系统包括：数据采集与预处理模块，数据输入控制模块，在线学习模型构建模块，模型更新优化模块，血压预测显示模块；所述数据采集与预处理模块实现对输入信号的采集与预处理，即利用可穿戴设备在用户体表采集时序生理信号，并同时采用血压测量装置采集同步时序血压数据，并将采集到的所有信号传输给数据预处理模块，数据预处理方法包括数据转换、去除非平稳数据、差分化、归一化；所述数据输入控制模块实现数据的实时有序传输，保持多信号输入的同步性，在云端服务器kafka中实现，即将预处理后的时序数据写入到云端服务器kafka消息队列中，由此事件被组织并持久地存储在topic中，其中的事件可以根据需要随时读取，事件在使用后不会被删除，通过配置来定义云端服务器kafka中每个topic应该保留事件的时间，超过该时间后旧事件将被丢弃；所述在线学习模型构建模块实现实时监督学习，数据输入控制模块持续的实时输出作为在线学习模型构建模块的输入，在这一过程中数据将分为两部分即：训练集和验证集，根据具体需求选择不同的网络建立初始在线学习模型，进一步利用数据采集与预处理模块采集的时序生理信号进行监督学习与后续计算分析；所述模型更新优化模块中的实现方法为：对数据输入控制模块传输的流式数据，连续截取一时间长度为t的时序数据段stdata
ti
，stdata
ti
中包括参考血压在内的多模态信号，每个stdata
ti
读取完毕后用于优化网络模型，模型参数为w
i
，其对应连续血压预测准确性为acc
i
，连续读取完毕时间长度为t的stdata
ti
数据下，经过时长nt，n＝1，2，3
···
,得到最优模型w
no
，优化方式如下：a1.设置初始优化阈值th，训练时间阈值nt；a2.对每个时序数据段stdata
ti
，在同一网络模型下，优化学习后该网络模型的预测准确性为acc
i
,，根据所设立的优化阈值th判断是否保留模型参数：若acc
i
≥th；即满足阈值条件，则保留模型参数，记录保存模型参数为w
i
，并设置该模型为最优模型w
no
＝w
i
，重置优化阈值为th＝acc
i
，若acc
i
＜th；即不满足阈值条件，则舍弃该模型参数；a3.输入达到时间阈值，优化完毕后输出在采集数据stdata
nt
下训练学习所得优化模型w
no
＝w
i
，acc
n0
＝max{acc
i
}；最后在n次训练学习后得到最优模型为w
no
，并输出该模型w
no
作为当前系统最优预测模型，并利用该模型预测未来一段时间内的连续血压值。2.如权利要求1所述的一种基于在线学习的无袖带连续血压估测系统，其特征在于，所述模型更新优化模块中，采用stdata
t(i+1)
与stdata
ti
数据部分重叠的方式实现更高的预测效果。

技术总结

该发明公开了一种基于在线学习的无袖带连续血压估测系统，属于数据处理，深度学习领域。本发明基于在线学习方式对网络进行训练，可有效解决大数据量下训练所得血压估测模型普适性较差这一问题，从而可实现对个体血压的连续实时监测，反映患者真实的连续血压变化情况，有效避免诊所测压的随意性、排除白大衣性高血压、及时检测血压的变化等情况，可综合全面分析随血压波动而升高或降低的体内生理活动变化或生化指标的变化。动变化或生化指标的变化。动变化或生化指标的变化。