论文部分内容阅读
血压是人体的关键生理指标之一,血压值的高低变化能准确表征被检者的心脏和血管的健康状态。准确测量人体血压的具体数值和预测血压值的变化,对临床上的疾病诊断和康复治疗有着关键指导意义。血压测量分为有创和无创两类。无创血压测量因具有“无创伤”、“适用性广”等显著优点,已经成为连续血压测量的重要研究方向。人体脉搏的波动源于心脏的跳动,是人体生命体征信息的重要载体。基于脉搏波得到的人体血压相关信息,可以指导临床诊断和医治的方向。在无创连续血压测量的研究领域中,基于脉搏波信号的血压测量方法的研究已成为一大热点。基于脉搏波的血压测量方法可分为基于传导速度和基于特征参数两类。因为前者需要同时采集两路信号,对测量设备和环境提出了更高的要求,所以基于脉搏波特征参数的血压测量具有更广泛的应用场景。随着大数据科学和智能系统的发展,利用机器学习方法和海量的临床数据来实现智慧医疗的方案已初见雏形。因此,本文在充分了解脉搏波产生原理及分析脉搏波特征参数的基础上,采用机器学习的方法进行血压测量和血压预测,提出基于脉搏波特征参数和回归模型的血压测量模型和基于循环神经网络的血压预测模型,主要研究内容如下。首先,本文深入分析了脉搏波的基本特性,详细阐明从脉搏波信号提取血压信息的理论依据。同时详细介绍了机器学习相关的理论知识,及常用回归模型的原理和特点。其次,本文详细介绍了从MIMIC数据库获取脉搏波信号及预处理的方法,并对比经验模态分解法和集成经验模态分解法的去噪效果。通过实验,证明了集成经验模态分解法对于处理脉搏波信号的噪声具有更良好的效果。然后,本文提出了基于机器学习的血压计算模型的建立和评估方法,采用常见的回归模型来建立脉搏波特征参数与人体血压之间的关系。根据模型评价指标RMSE和MAE的值可知,在模型复杂度和计算量基本一致的情况下,利用最近邻方法建立的血压测量模型具有更高的测量精度。最后,本文基于时序信号的特点,提出利用循环神经网络来构建血压预测模型,并在此基础上提出基于用户背景信息的LSTM-BI血压预测模型。在对比RNN、LSTM、RNN-BI、LSTM-BI四个血压预测模型后,实验结果证明,本文提出的基于背景信息的LSTM-BI模型在用于人体血压预测时,具有更高的预测性能。