本技术提出了一种基于深度学习的iPPG血压检测方法。本发明中,采用迁移学习策略,旨在解决iPPG数据稀缺无法完成深度学习训练的问题。利用现有的、类型丰富的且数据量充足的PPG数据对模型进行预训练,实现模型对血液容积脉搏波与血压之间存在的隐性关系的初步理解,再使用自采的iPPG数据对预训练模型进行微调,使模型更适配于iPPG检测血压的任务。数据输入模型之前,根据容积脉搏波波形特征量K值以及划分的血压区间将数据进行分类,各区间独立训练以适配不同类型的血压检测。在实际部署和使用时,以受试者首次测量真值为基准,自动分配个性化模型为其进行后续的血压检测。
背景技术
心血管疾病(CVD)是世界上患病人数最多的疾病,已成为人类寿命缩短的主要原因。高血压是最常见的心血管疾病之一,也是心血管疾病发病的主要危险因素,且高血压早期往往没有症状。血压是人体重要的健康指标之一,提高监测血压的频率是很好的预防手段。传统的水银血压计与现在家庭中常用的袖带式电子血压计是用得较多的血压检测设备。水银血压计虽然准确率高,但操作复杂,专业性要求高,且水银具有毒性,因此逐渐被淘汰。电子血压计取而代之成为家庭监测的首选,但电子血压计有很多局限性,如袖带造成的皮肤不适、无法进行连续测量等,对于皮肤损伤和患有传染疾病的患者,袖带还会增加接触感染的风险。因此,人们希望能够找到一种更加便捷、非接触、可持续的检测方式来监测血压。
光电容积描记法(PPG)和成像式光电容积描记法(iPPG)都是基于光学测量原理的生物医学监测技术,主要用于评估血流和脉搏波变化,它们在硬件实现、信号采集方式和应用场景上有所不同。PPG设备由光源和光电检测器组成,通常以接触皮肤的方式测量。iPPG设备使用成像设备进行拍摄,不需要接触皮肤,依靠相机捕捉皮肤表面的颜色变化。
早期无袖带血压估计方法利用压力脉搏波传输时间(PTT)或进一步计算出脉搏波速度(PWV),通过参数化模型推导血压,对数据采集和参数推导有极高的要求。为了简化多传感器采集和高复杂度的参数推理,有人提出基于PPG波形的形态特征利用机器学习或神经网络进行血压估计。由于波形质量受传感器和噪声干扰大,想要实现在低质量波形上人工进行大量的波形特征提取十分困难,因此衍生出了端到端的血压估计方法。端到端血压估计法使用PPG信号及其波形的时频特征作为神经网络的输入,将特征提取工作交由模型实现,经训练过后直接得到血压。PPG估计血压较以往的技术相比实现了不小的进步,但依旧摆脱不掉接触的局限性。在PPG发展的基础上,iPPG技术的诞生为非接触的血压检测提供了一种可能。
目前基于iPPG技术的血压研究数量较少,缺乏数据集,测量准确度还有提升空间。大多研究基于单个或多个受试者面部区域提取脉搏波,且没有从宏观层面考虑受试者心血管系统健康程度差异性对血压检测带来的影响。因此,本发明提出一种基于深度学习的iPPG血压检测方法,基于腕部的iPPG信号,充分考虑受试者心血管系统健康程度差异性,以提高非接触血压检测的准确性。
实现思路