基于深度学习的脉搏波连续血压测量.pdf

摘要 摘 要 当今社会，由于工作压力大、生活作息不规律等因素导致心血管疾病患者数量居高不 下。如果能够对心血管相关参数加以研究，并分析得到它们之间的关系，就可以实现对心 血管疾病的监控，起到预防且降低发病率的作用。血压是人体的一项重要生理参数，可以 反应人体的心血管功能状况。而脉搏波信号包含很多人体生理病理信息，通过脉搏波特征 参数测血压简单、成本低、精确度高、能够连续测量等优势，有广阔的发展前景。 本文基于血压测量的理论基础，建立了两种血压连续测量模型。一种是按照传统做法 通过回归分析构建血压模型；另一种以深度学习TensorFlow 为框架，借助BP 神经网络训 练血压和特征参数的关系，构建神经网络的血压模型。实验结果证明，通过两种模型计算 的血压误差都在3mmHg 标准值之内，而第二种模型误差在 2mmHg 之内。符合国际标准 值。本文的主要工作如下： 首先，采用光电心率脉搏计（指尖式）完成了脉搏波信号的采集，用小波变换法和五 点三次法完成信号的滤波；在特征点的提取上，提出一种混合算法用于识别特征点，即阈 值差分法、小波变换法和微分法相结合的方法，结果表明，此算法能够准确得提取出特征 点。 其次，建立了基于线性回归的血压测量模型，即通过提取脉搏波的时域特征参数，分 析血压与特征参数的相关性，利用逐步回归分析的方法得到血压模型，通过估算血压值， 与标准血压相比，误差在3mmHg 以内。 最后，提出一种以深度学习TensorFlow 为框架，建立血压的BP 神经网络模型，即以 脉搏波特征参数作为BP 神经网络的输入量，通过训练数据得到血压模型。通过TensorFlow 中dropout 对所构建的神经网络瘦身，去除一定量的特征参数，能够消除过拟合现象，减 小误差，从而建立最优模型。为了清楚表达本文所构建的血压模型，运用可视化工具 TensorBoard 来呈现最终所构建的血压神经网络模型。通过估算血压，与标准血压相比，误 差在2mmHg 以内，比传统做法更加精确。 关键词：脉搏波；线性回归；BP 神经网络；深度学习；TensorFlow I Abstract Abstract Nowadays, due to work pressure, irregular life and other factors lead to the high number of patients with cardiovascular disease. In order to prevent and reduce morbidity, it is necessary to study cardiovascular parameters and relations between them, and thus to monitor cardiovascular disease. Blood pressure is an important physiological parameter and can reflect the cardiovascular function of human body. The pulse wave signal contains many human body physiological and pathological information . The method of blood pressure measuring through the pulse wave characteristic parameters of is simple, low cost, high precision, continuous measurement and other advantages, and has broad prospects in application