[发明专利]深度神经网络预测血压的训练方法、计算机装置和存储介质

权利要求书

1.一种深度神经网络预测血压的训练方法，其特征在于，包括：

获取脉搏波信号、心电信号和动脉血压信号；

对所述脉搏波信号和所述心电信号进行滤波；

从所述动脉血压信号中提取收缩压、舒张压和平均动脉压；

将所述脉搏波信号和所述心电信号输入至所述深度神经网络模型，由所述深度神经网络模型提取多尺度特征进行多任务回归预测；

以所述收缩压、所述舒张压和所述平均动脉压作为所述深度神经网络模型的期望输出，根据所述深度神经网络模型的实际输出与所述期望输出，确定损失函数的值；

当所述损失函数的值满足收敛条件，结束对所述深度神经网络模型的训练。

2.根据权利要求1所述的深度神经网络预测血压的训练方法，其特征在于，所述获取脉搏波信号、心电信号和动脉血压信号，包括：

测量所述脉搏波信号、所述心电信号和所述动脉血压信号；

设置时长限制、幅度峰值大小限制、波峰时间间隔限制，对所述脉搏波信号、所述心电信号和所述动脉血压信号进行筛选和分段。

3.根据权利要求1所述的深度神经网络预测血压的训练方法，其特征在于，所述对所述脉搏波信号和所述心电信号进行滤波，包括：

使用离散小波变换对所述脉搏波信号和所述心电信号进行滤波；

设置db8母小波，所述脉搏波信号的分解层数为8层；

从所述脉搏波信号分解出近似系数和细节系数，将所述脉搏波信号的近似系数第8级置零，将所述脉搏波信号的细节系数第一级置零，对所述脉搏波信号进行软阈值去噪和系数重建；

设置所述心电信号的分解层数为7层；

从所述心电信号分解出近似系数和细节系数，将所述心电信号的近似系数第7级置零，将所述心电信号的细节系数第一级置零，对所述心电信号进行软阈值去噪和系数重建；

从而滤除所述脉搏波信号中小于0.25Hz和大于31.125Hz的成分，滤除所述心电信号中小于0.5Hz和大于31.125Hz的成分。

4.根据权利要求1所述的深度神经网络预测血压的训练方法，其特征在于，所述从所述动脉血压信号中提取收缩压、舒张压和平均动脉压，包括：

获取所述动脉血压信号的波峰值作为所述收缩压；

获取所述动脉血压信号的波谷值作为所述舒张压；

获取所述收缩压与所述舒张压的加权平均值作为所述平均动脉压；其中，所述收缩压的权重为1，所述舒张压为2。

5.根据权利要求1所述的深度神经网络预测血压的训练方法，其特征在于，还包括：

在将所述脉搏波信号和所述心电信号输入至所述深度神经网络模型之前，还对所述脉搏波信号和所述心电信号进行归一化处理。

6.根据权利要求1所述的深度神经网络预测血压的训练方法，其特征在于，所述深度神经网络模型为MS-CNN网络，所述MS-CNN网络包括输入层、卷积层、BN层、Relu层、池化层和全连接层，所述MS-CNN网络包括多个通道，不同通道的卷积核大小互不相同，以便提取不同尺度特征。

7.根据权利要求6所述的深度神经网络预测血压的训练方法，其特征在于，所述将所述脉搏波信号和所述心电信号输入至所述深度神经网络模型，由所述深度神经网络模型提取多尺度特征进行多任务回归预测，包括：

所述深度神经网络模型对所述脉搏波信号和所述心电信号进行一次卷积处理和最大池化处理；

所述深度神经网络模型中的各所述通道对所述脉搏波信号和所述心电信号提取特征；

各所述通道所提取的特征经过所述BN层和所述Relu层之后，由所述池化层对各所述通道所提取的不同尺度特征进行平均池化；

由所述全连接层对经过平均池化后的特征进行回归分析，得到所述深度神经网络模型的多任务实际输出。

8.根据权利要求1所述的深度神经网络预测血压的训练方法，其特征在于，所述损失函数为MSE损失函数。