基于神经网络的柯氏音血压计

虽然血压（BP）的测量现在广泛地由自动无创血压（NIBP）监测设备进行，因为它们不需要熟练的临床医生，也不存在并发症的风险，但其准确性仍存疑。本研究开发了一种新的基于端到端深度学习的算法，该算法直接从Korotkoff声音（KSs）序列而不是示波波形（OWs）来估计NIBP。首先，使用不同的信号分割技术形成KSs的片段序列，即，使用具有或不具有重叠的滑动窗口进行分割，以及使用心搏周期估计进行分割。然后将每个序列中的每个片段标记为1）收缩后和舒张前（AB）或2）收缩前或舒张后（BA），从而实现二元序列到序列的分类问题。为了解决由此产生的序列到序列分类问题，将一维卷积神经网络（CNNs）和递归神经网络（RNNs）相结合，开发了一种算法。然后，与收缩压和舒张压相关的节段（SBP和DBP）被识别为输出目标序列从BA类切换到AB类，然后从AB类切换到BA类的节段。最后，通过将切换节段的中心点映射到放气曲线来获得SBP和DBP的值。为了评估所提出的NIBP估计方法的性能，我们使用了从155名参与者（87名男性，年龄：23-97岁，臂围：10-35 cm，收缩压：81-104 mmHg，舒张压：37-104 mmHg）收集的350个NIBP样本的数据库，使用五倍交叉验证方法，相对于参考值，收缩压和舒张压的估计误差分别为1.6±3.9 mmHg（平均绝对误差±误差标准差）和2.5±4.0 mmHg。我们最后得出结论，所提出的基于端到端深度学习的KSs序列NIBP估计算法是一种新技术，需要适度的预处理步骤，可以准确地测量BP。