基于TCN-SE 神經(jīng)網(wǎng)絡(luò)模型的智能連續(xù)血壓估計(jì)方法*

熊嘉豪，姜晨希，陳永毅，張 丹*，尹武濤

(1.浙江工業(yè)大學(xué)信息工程學(xué)院，浙江 杭州 310023；2.無(wú)錫博智芯科技有限公司，江蘇 無(wú)錫 214029)

高血壓作為最常見(jiàn)的慢性病之一，是心腦血管病最主要的危險(xiǎn)因素，也是全世界最主要的健康問(wèn)題。《柳葉刀》近期發(fā)表由倫敦帝國(guó)理工學(xué)院和世界衛(wèi)生組織(世衛(wèi)組織)主持撰寫的首份全球高血壓流行趨勢(shì)綜合分析報(bào)告[1]。報(bào)告顯示，自1990 年以來(lái)，全球高血壓患者人數(shù)增加一倍，達(dá)到12.8 億人，其主要原因?yàn)槿丝谠鲩L(zhǎng)與老齡化。其中，約有7.2 億人沒(méi)有得到必要治療，約有5.8 億人并不知道自己是高血壓患者。

血壓是反映人體心血管系統(tǒng)狀況重要信息的四個(gè)生命體征之一。隨著科技的進(jìn)步和發(fā)展，高血壓實(shí)際上是可以提前防控的，連續(xù)和定期的血壓監(jiān)測(cè)對(duì)于早期診斷和預(yù)防心血管疾病至關(guān)重要。然而多數(shù)患者對(duì)自己患病并不知情，并且當(dāng)下對(duì)于血壓的監(jiān)測(cè)尚且不能兼顧安全性與準(zhǔn)確性，致使很多高血壓病人未能得到及時(shí)的治療[2]。人們對(duì)自己血壓的實(shí)時(shí)監(jiān)測(cè)是預(yù)防高血壓的必要環(huán)節(jié)。臨床實(shí)踐中現(xiàn)有的基于侵入性或基于袖帶的血壓測(cè)量技術(shù)，并不利于患者對(duì)自身血壓的日常測(cè)量，且測(cè)量結(jié)果精度有待提升[3]。

近年來(lái)，連續(xù)血壓測(cè)量技術(shù)受到越來(lái)越多的研究關(guān)注，其中基于光電容積(PPG)信號(hào)的血壓測(cè)量技術(shù)成為研究熱點(diǎn)。伴隨著深度學(xué)習(xí)的快速發(fā)展，越來(lái)越多的學(xué)者采用深度學(xué)習(xí)方法分析PPG 信號(hào)，并通過(guò)神經(jīng)網(wǎng)絡(luò)的輸出來(lái)預(yù)測(cè)血壓值，實(shí)現(xiàn)高精度的無(wú)創(chuàng)連續(xù)血壓測(cè)量。因此，基于深度學(xué)習(xí)方法的血壓預(yù)測(cè)技術(shù)對(duì)于高血壓相關(guān)疾病的診斷、監(jiān)測(cè)和預(yù)防具有重大意義[4]。在基于深度學(xué)習(xí)的血壓預(yù)測(cè)算法方面，多數(shù)為PPG 信號(hào)中的特征提取并進(jìn)行特征融合，很少有算法去讓模型能夠更多地關(guān)注PPG 信號(hào)中的有用信息，聞博[5]曾提出兩種基于深度神經(jīng)網(wǎng)絡(luò)的無(wú)袖帶血壓建模方法，第一種方法是利用三層雙向長(zhǎng)短期記憶(Long-Short Term Memory，LSTM)神經(jīng)網(wǎng)絡(luò)對(duì)收縮壓(SBP)和舒張壓(DBP)進(jìn)行預(yù)測(cè)，第二種方法是利用近期較為熱門的殘差神經(jīng)網(wǎng)絡(luò)(ResNet18)對(duì)收縮壓(SBP)和舒張壓(DBP)進(jìn)行更為精準(zhǔn)的預(yù)測(cè)。與此同時(shí)，Mohammad Reza Mohebbian 等人[6]提出一種改進(jìn)的分組數(shù)據(jù)處理技術(shù)，通過(guò)光容積圖(PPG)信號(hào)連續(xù)估計(jì)收縮壓(SBP)和舒張壓(DBP)。王月猛等人[7]提出一種將脈搏信號(hào)特征和Elman 神經(jīng)網(wǎng)絡(luò)結(jié)合的方法對(duì)血壓值進(jìn)行預(yù)測(cè)。然而PPG 信號(hào)中包含的冗余信息占比過(guò)高[8]，導(dǎo)致模型對(duì)PPG 信號(hào)的有效信息提取效率過(guò)低，這也是血壓測(cè)量技術(shù)目前面臨的最大障礙。

為彌補(bǔ)現(xiàn)有研究的不足，本文提出基于時(shí)域卷積網(wǎng)絡(luò)(Temporal Convolutional Network，TCN)中嵌入SE 注意力機(jī)制模塊(Squeeze-and-Excitation Module)的TCN-SE 神經(jīng)網(wǎng)絡(luò)。該模型在TCN 網(wǎng)絡(luò)中利用膨脹卷積，以求在最大程度保留原始信息的同時(shí)，盡可能增大模型的感受野；同時(shí)嵌入SE 注意力機(jī)制模塊，加強(qiáng)模型對(duì)于不同通道信息的關(guān)注度，改善模型對(duì)PPG 信號(hào)進(jìn)行特征提取時(shí)信息丟失的問(wèn)題，以便更好地讓模型關(guān)注PPG 信號(hào)中的細(xì)微特征。通過(guò)在公開(kāi)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證，證明所提出的方法比現(xiàn)有方法更為有效。

1 時(shí)域卷積網(wǎng)絡(luò)的架構(gòu)和算法原理

傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)由于卷積核大小受限，長(zhǎng)期依賴信息的捕獲能力較弱，因此不適合時(shí)序問(wèn)題的建模[9]。時(shí)域卷積網(wǎng)絡(luò)(Temporal Convolutional Network，TCN)作為一種特殊的卷積神經(jīng)網(wǎng)絡(luò)，能夠很好地處理時(shí)序問(wèn)題，從而受到了研究人員的關(guān)注，在諸多時(shí)序數(shù)據(jù)預(yù)測(cè)任務(wù)中取得了較好的效果。

1.1 因果卷積

在處理序列問(wèn)題時(shí)需要考慮時(shí)間，即某時(shí)刻只能考慮該時(shí)刻以及此前的輸入，因此不能使用普通的CNN 卷積，盡管循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)可以在一定程度上處理時(shí)間序列，但“梯度消失”現(xiàn)象使得其難以解決長(zhǎng)時(shí)依賴問(wèn)題。因此，需要一種新型的CNN 以更有效地抓取長(zhǎng)時(shí)數(shù)據(jù)，即因果卷積。

因果卷積公式如下:

如圖1 所示，對(duì)于時(shí)序問(wèn)題，因果卷積是根據(jù)x1，…，xt以及y1，…，yt-1預(yù)測(cè)yt的結(jié)果，使得yt盡可能接近真實(shí)值。然而，因果卷積存在一個(gè)弊端，若需要考慮的變量x過(guò)于久遠(yuǎn)，那么就必須相應(yīng)地增加卷積層，通過(guò)很多層或更大的過(guò)濾器來(lái)增加卷積的感受野。然而這可能會(huì)引起擬合效果欠佳、訓(xùn)練過(guò)程復(fù)雜等問(wèn)題。

圖1 因果卷積數(shù)據(jù)分析過(guò)程

1.2 膨脹卷積

膨脹卷積(Dilated Convolution)又稱空洞卷積，能夠更好地解決以上問(wèn)題。膨脹卷積通過(guò)跳過(guò)部分輸入來(lái)擴(kuò)展過(guò)濾器的應(yīng)用范圍，使得其能應(yīng)用于大于本身長(zhǎng)度的區(qū)域。圖2 顯示了通過(guò)大小排列的膨脹卷積增加卷積感受野的整個(gè)過(guò)程。

圖2 膨脹卷積原理圖

對(duì)于空洞數(shù)為d 的膨脹卷積，卷積結(jié)果如下:

式中:K為當(dāng)前卷積核的大小，而(d＋1)K＋1 即可等價(jià)為一個(gè)新的卷積核，d＋1 被稱作膨脹比。該卷積核首行、首列、尾行、尾列權(quán)重均為零，且每隔d個(gè)位置權(quán)重非零，否則權(quán)重即為零。

膨脹卷積巧妙避開(kāi)池化操作，在確保更高信息完整性的前提下，有效增大感受野，使得每個(gè)卷積的輸出都能夠包含更大范圍的信息。膨脹卷積在處理長(zhǎng)序列信息的問(wèn)題時(shí)往往能發(fā)揮顯著優(yōu)勢(shì)。膨脹卷積的缺點(diǎn)在于，由于信息之間距離較長(zhǎng)，其對(duì)于大物體的分割效果較為明顯，但對(duì)于小物體的分割卻未必可取。同時(shí)，由于在膨脹卷積中，卷積并不連續(xù)，即并不是每個(gè)輸入都得到計(jì)算，因此在處理逐像素的預(yù)測(cè)問(wèn)題時(shí)，膨脹卷積有其致命缺陷，即會(huì)出現(xiàn)網(wǎng)格效應(yīng)(Gridding Effect)。

為解決上述缺點(diǎn)，學(xué)者提出混合膨脹卷積(Hybrid Dilated Convolution)。為消除網(wǎng)格效應(yīng)，該結(jié)構(gòu)規(guī)定:疊加的膨脹卷積的dilation rate 不能有大于1 的公約數(shù)；最后一層膨脹卷積的dilation rate 最大，且小于等于卷積核的大小。為同時(shí)滿足大小物體的分割要求，本文中的膨脹卷積將dilation rate 設(shè)計(jì)成鋸齒狀結(jié)構(gòu)。

2 SE 注意力機(jī)制模塊

近些年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域上都取得巨大的突破，從本質(zhì)上講，卷積是對(duì)一個(gè)局部區(qū)域進(jìn)行特征融合，這包括空間上以及通道間的特征融合。對(duì)于卷積而言，很大一部分操作是提供局部感受野，即空間上融合更多的特征，或者是提取多尺度空間信息，我們使用的SE 注意力機(jī)制模塊，可以讓模型更好地關(guān)注各個(gè)通道間的關(guān)系，自動(dòng)學(xué)習(xí)到不同通道特征的重要程度[10]。

2.1 SE 注意力機(jī)制模塊的架構(gòu)

SE 注意力機(jī)制模塊主要包括Squeeze(壓縮)操作和Excitation(激發(fā))操作。SE 模塊首先對(duì)卷積得到的特征圖進(jìn)行壓縮操作，得到各個(gè)通道的全局特征，然后對(duì)全局特征進(jìn)行激發(fā)操作，學(xué)習(xí)各個(gè)通道間的關(guān)系，也得到不同通道的權(quán)重，最后乘以原來(lái)的特征圖得到最終特征。本質(zhì)上，SE 模塊是在通道維度上做類似于RNN 中的門操作，這種注意力機(jī)制讓模型可以更加關(guān)注信息量最大的通道特征，并且可以抑制噪音和權(quán)重小的通道特征，使得到的最終特征更加貼近于預(yù)期結(jié)果。

SE 模塊可以適用于任何映射:Ftr:X→U，X∈RH′×W′×C′，U∈RH×W×C以卷積為例，卷積核為V＝[v1，v2，…vC]，其中vC表示第C個(gè)卷積核。那么輸出

圖3 SE 模塊結(jié)構(gòu)圖

2.2 SE 注意力機(jī)制模塊的基本原理

Squeeze 操作目的為壓縮，即順著空間維度來(lái)進(jìn)行特征壓縮，將每個(gè)二維通道變換成一個(gè)實(shí)數(shù)，這個(gè)實(shí)數(shù)某種程度上具有全局感受野，它表征著在特征通道上響應(yīng)的全局分布，并使得靠近輸入的層也能獲得全局感受野。通常采用global-average-pooling來(lái)實(shí)現(xiàn)，原則上也可以采用更為復(fù)雜的聚合算法。表達(dá)式如下所示:

壓縮操作得到全局描述特征，緊接著需要另一種運(yùn)算方法來(lái)抓取各個(gè)通道之間的關(guān)系。這個(gè)操作需要滿足兩個(gè)要求:第一，要足夠靈活，可以學(xué)習(xí)到各個(gè)通道之間的非線性關(guān)系；第二，學(xué)習(xí)的關(guān)系不能是互斥的。因此采用類似于RNN 中門的機(jī)制，通過(guò)參數(shù)W來(lái)為每個(gè)特征通道生成權(quán)重。并且采用sigmoid 形式的門機(jī)制:

最后進(jìn)行Scale 操作，該操作是將學(xué)習(xí)到的各通道的激活值sc(sigmoid 激活，值0-1)和原始特征值uc相乘得到各個(gè)通道的權(quán)重系數(shù)，從而使得模型對(duì)各個(gè)通道的特征更具有辨別能力:

2.3 殘差鏈接

隨著網(wǎng)絡(luò)深度的增加，梯度爆炸成為一大障礙。而對(duì)比不同深度網(wǎng)絡(luò)的測(cè)試情況，可以發(fā)現(xiàn)更深的網(wǎng)絡(luò)將導(dǎo)致更高的測(cè)試誤差和訓(xùn)練誤差，故而求解優(yōu)化問(wèn)題的難度也更大。這種并非由過(guò)擬合引起的準(zhǔn)確率下降被稱為網(wǎng)絡(luò)退化問(wèn)題。這是因?yàn)檩^深的模型背后是一些非線性層，而非恒等映射，這也表明:恒等映射難以用多個(gè)非線性層來(lái)近似。而殘差可以更好地解決網(wǎng)絡(luò)退化問(wèn)題，它使得網(wǎng)絡(luò)可以以跨層的方式進(jìn)行信息傳遞[11]

殘差塊使用堆疊的非線性層擬合殘差，假設(shè)需要學(xué)習(xí)的映射為y＝H(x)，則擬合結(jié)果為:

式中:F(x，Wi)＝H(x)-x即為要學(xué)習(xí)的殘差映射，F(xiàn)即為殘差。

此外，殘差函數(shù)的形式是可變的，當(dāng)F只有一層時(shí)，殘差可寫為:

圖4 所示為殘差塊工作原理。

圖4 殘差塊原理圖

跳過(guò)一層或更多層的連接稱為快捷連接。若F(x，Wi)和x的維度相等，則直接通過(guò)快捷連接逐個(gè)元素相加，再通過(guò)非線性激活函數(shù)ReLU(y)，可對(duì)整個(gè)殘差塊添加非線性。

若F(x，Wi)和x的維度不等，則需要在快捷連接中對(duì)x進(jìn)行線性投影以實(shí)現(xiàn)維度匹配，方法如下:

以上兩種情況如圖5 所示，(a)為維度相等情況，(b)為維度不等情況。以圖中所示為例，(b)圖方法先用64 個(gè)1×1 的卷積將256 維降至64 維，最后再通過(guò)256 個(gè)1×1 卷積還原為256 維，所需參數(shù)是使用(a)圖方法時(shí)的1/17，大大減少計(jì)算量和參數(shù)量，該方法在深層網(wǎng)絡(luò)中應(yīng)用十分廣泛。

圖5 殘差塊的兩種鏈接方式

3 模型構(gòu)建和訓(xùn)練

本文提出的神經(jīng)網(wǎng)絡(luò)模型是在TCN 神經(jīng)網(wǎng)絡(luò)模型中嵌入SE 注意力機(jī)制模塊，合稱為TCN-SE 神經(jīng)網(wǎng)絡(luò)模型，該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是為多分值輸出而設(shè)計(jì)的，意味著它能夠從一個(gè)PPG 信號(hào)同時(shí)估計(jì)收縮壓和舒張壓。

TCN-SE 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖6 所示，該模型為現(xiàn)有算法在新的領(lǐng)域上的應(yīng)用，由卷積層、SE 注意力機(jī)制模塊、TCN 神經(jīng)網(wǎng)絡(luò)和全連接層疊加而成。卷積層是由一個(gè)一維卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成的特征提取器。SE 模塊利用一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入信號(hào)進(jìn)行壓縮，然后通過(guò)激發(fā)操作得到每個(gè)通道的激活值，再通過(guò)Scale 操作將每個(gè)通道的激活值乘以該通道原始特征值得到各個(gè)通道的權(quán)重系數(shù)。TCN模型由三個(gè)殘差塊構(gòu)成，每個(gè)殘差塊又由兩個(gè)膨脹卷積層和一個(gè)殘差鏈接構(gòu)成，每個(gè)膨脹卷積層都使用ReLU 激活層、規(guī)范化層和dropout 層。

圖6 TCN-SE 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖6 給出了TCN-SE 模型的體系結(jié)構(gòu)，它是一種混合體系結(jié)構(gòu)。第一層一維卷積神經(jīng)網(wǎng)絡(luò)由16個(gè)大小為9×1 的過(guò)濾器組成，在輸入體積寬度為9、高度為1 的范圍內(nèi)滑動(dòng)，計(jì)算它們的權(quán)重與它們?cè)谳斎塍w積中連接的9×1 小區(qū)域之間的點(diǎn)積。這將生成16 個(gè)激活圖，提供相應(yīng)的過(guò)濾器在每個(gè)空間位置的響應(yīng)，每個(gè)特征圖捕獲不同的低級(jí)特征。隨后使用SE 注意力機(jī)制模塊，該模塊中壓縮方法為使用2 層一維卷積神經(jīng)網(wǎng)絡(luò)，每一層卷積神經(jīng)網(wǎng)絡(luò)都是由16 個(gè)大小為3×1 的過(guò)濾器組成。進(jìn)行著同第一層一維卷積神經(jīng)網(wǎng)絡(luò)一樣的特征提取操作，然后再通過(guò)全局平均池化層進(jìn)行降維，通過(guò)兩層全連接網(wǎng)絡(luò)，激活函數(shù)分別為ReLU 和sigmoid 進(jìn)行激發(fā)，得到每個(gè)通道的激活值并將特征恢復(fù)到原維度，最后用Scale 方法得到每個(gè)通道的權(quán)重系數(shù)。

在先前對(duì)PPG 信號(hào)進(jìn)行特征提取和通道關(guān)注后，使用TCN 模型對(duì)信號(hào)再次進(jìn)行處理，TCN 模型中第一個(gè)殘差模塊由兩個(gè)一維膨脹卷積網(wǎng)絡(luò)構(gòu)成，每個(gè)膨脹卷積網(wǎng)絡(luò)的卷積數(shù)量為16，卷積核大小為3×1，空洞數(shù)為1，在每次卷積計(jì)算后都分別使用BN層，ReLU 激活函數(shù)和dropout 層對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步處理，最后通過(guò)將原始輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行特征融合的方式，使得模型可以實(shí)現(xiàn)跨層傳遞信息。第二個(gè)和第三個(gè)殘差模塊功能同第一個(gè)殘差塊，只是將卷積核的數(shù)量變?yōu)?2 和64，空洞數(shù)變?yōu)? 和4，這樣一來(lái)TCN 模型就可以在卷積核大小不變的情況下，有效增大卷積核的感受野，讓模型能更加全面地關(guān)注PPG 信號(hào)內(nèi)的有效信息。

TCN-SE 神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)是均方誤差(MSE)，是處理回歸問(wèn)題的常用損失函數(shù)，公式為:

利用訓(xùn)練集對(duì)所構(gòu)建的模型進(jìn)行訓(xùn)練，其中訓(xùn)練的具體方法采用的是Adam 梯度下降方法，批量大小為100，訓(xùn)練輪數(shù)為500，訓(xùn)練過(guò)程中，如果該輪驗(yàn)證數(shù)據(jù)的損失值較之前的損失值有降低的趨勢(shì)，則保存當(dāng)輪的模型參數(shù)，直至訓(xùn)練完畢。相比于傳統(tǒng)的梯度下降算法，Adam 方法參數(shù)的更新不受梯度的伸縮變換影響，可以自動(dòng)調(diào)整學(xué)習(xí)率，計(jì)算更加高效，適合應(yīng)用于大規(guī)模的數(shù)據(jù)及參數(shù)場(chǎng)景。

4 實(shí)驗(yàn)過(guò)程及結(jié)果分析

本實(shí)驗(yàn)是基于Keras 深度學(xué)習(xí)框架，利用Pycharm 進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建和訓(xùn)練，使用的處理器為Intel(R)Core(TM)i5-9300H CPU＠2.40 GHz，并以美國(guó)醫(yī)療儀器促進(jìn)協(xié)會(huì)(AAMI)MAE ＜5 mmHg，STD＜8 mmHg 為測(cè)試標(biāo)準(zhǔn)。

4.1 數(shù)據(jù)提取和處理

本文提出的神經(jīng)網(wǎng)絡(luò)模型在加州大學(xué)歐文分校(UCI)機(jī)器學(xué)習(xí)知識(shí)庫(kù)數(shù)據(jù)集上進(jìn)行測(cè)試，該數(shù)據(jù)集來(lái)源于公共可用的最大數(shù)據(jù)庫(kù)“重癥監(jiān)護(hù)中的多參數(shù)智能監(jiān)測(cè)(MIMIC-II)”，該數(shù)據(jù)庫(kù)擁有重癥監(jiān)護(hù)病房(ICU)患者的多參數(shù)同步記錄，包括生理信號(hào)和生理參數(shù)。我們提取10 000 名受試者的光容積描記儀(PPG)的記錄，對(duì)PPG 信號(hào)進(jìn)行預(yù)處理，去除持續(xù)時(shí)間不足的數(shù)據(jù)，該數(shù)據(jù)集減少約83%。然后進(jìn)行數(shù)據(jù)分割，取重疊75%的8 s 窗口作為一個(gè)樣本，并以4 的比例因子進(jìn)行下采樣，能夠捕獲現(xiàn)有研究中觀察到的有用的心臟活動(dòng)信息。我們將分割好的數(shù)據(jù)集進(jìn)行下采樣，按照9 ∶1 的比例分為訓(xùn)練集和驗(yàn)證集，PPG 信號(hào)如圖7 所示。

圖7 下采樣后的PPG 信號(hào)

4.2 針對(duì)PPG 信號(hào)對(duì)血壓值預(yù)測(cè)的總體流程

本文采取的是在TCN 神經(jīng)網(wǎng)絡(luò)中加入SE 注意力機(jī)制模塊，讓該模型可以更好地關(guān)注PPG 信號(hào)里面的細(xì)微特征，達(dá)到精準(zhǔn)區(qū)分血壓的目標(biāo)，并對(duì)收縮壓和舒張壓進(jìn)行準(zhǔn)確預(yù)測(cè)。整體流程如下。

步驟1 將已經(jīng)分割好的公開(kāi)數(shù)據(jù)集作為原始PPG 信號(hào)進(jìn)行模型訓(xùn)練。

步驟2 將原始PPG 信號(hào)劃分為訓(xùn)練集和驗(yàn)證集。

步驟3 針對(duì)已經(jīng)處理好的PPG 信號(hào)構(gòu)建TCN-SE 神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)是均方差損失函數(shù)(MSE)。

步驟4 利用訓(xùn)練集對(duì)所構(gòu)建的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，原始PPG 信號(hào)經(jīng)過(guò)一次一維卷積層進(jìn)行特征提取后，再到步驟3 中所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，其中訓(xùn)練的具體方法采用的是Adam 梯度下降方法，批量大小為100，迭代次數(shù)為500，訓(xùn)練完成后保持該模型參數(shù)不變。

步驟5 利用驗(yàn)證集，對(duì)訓(xùn)練好的模型進(jìn)行測(cè)試，最后得到我們所構(gòu)建的神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)血壓的均方誤差loss 的最低值，以及均方誤差loss 的仿真圖，圖8 表示以均方誤差損失函數(shù)作為loss，得到訓(xùn)練集和驗(yàn)證集的loss 結(jié)果。可以看到在訓(xùn)練到221 輪時(shí)驗(yàn)證集loss 達(dá)到最低值，后續(xù)訓(xùn)練雖然有波動(dòng)，但是驗(yàn)證集的loss 不會(huì)再下降。

圖8 訓(xùn)練集和驗(yàn)證集loss 結(jié)果

步驟6 模型驗(yàn)證:

本文提出模型的初衷是設(shè)計(jì)一種高效而輕量級(jí)的模型，可以部署在資源受限的平臺(tái)(如藍(lán)牙耳機(jī)，智能手表等)[12]，以實(shí)現(xiàn)長(zhǎng)期監(jiān)控。因此，TCN-SE模型能夠同時(shí)估計(jì)來(lái)自同一網(wǎng)絡(luò)的兩個(gè)參數(shù):收縮壓(SBP)和舒張壓(DBP)，不需要對(duì)每個(gè)參數(shù)分別建立單獨(dú)的模型。這將有助于減少實(shí)時(shí)分析的時(shí)間和計(jì)算復(fù)雜度。相比于現(xiàn)有方法，模型深度更深，回歸擬合更好，預(yù)測(cè)更準(zhǔn)確。

我們使用200 個(gè)樣本進(jìn)行SBP 和DBP 的預(yù)測(cè)并與參考值進(jìn)行對(duì)比，以便更好地可視化性能。如圖9 和圖10 所示。

圖9 200 個(gè)樣本DBP 預(yù)測(cè)值和參考值對(duì)比

圖10 200 個(gè)樣本SBP 預(yù)測(cè)值和參考值對(duì)比

基于19 946 個(gè)測(cè)試樣本的參考值和預(yù)測(cè)值畫出模型數(shù)據(jù)相關(guān)性散點(diǎn)圖，如圖11 所示，測(cè)得SBP和DBP 的相關(guān)系數(shù)分別為0.939 4 和0.899 2，高度相關(guān)。

圖11 數(shù)據(jù)散點(diǎn)圖

將本文提出的基于SE 注意力機(jī)制模塊的TCN神經(jīng)網(wǎng)絡(luò)與現(xiàn)有的方法進(jìn)行比較。表1 為本方法與現(xiàn)有算法數(shù)據(jù)對(duì)比，表中大部分方法是收縮壓和舒張壓進(jìn)行單獨(dú)預(yù)測(cè)訓(xùn)練，從而開(kāi)發(fā)出獨(dú)立的收縮壓和舒張壓預(yù)測(cè)模型，在血壓估計(jì)階段實(shí)現(xiàn)單獨(dú)預(yù)測(cè)。

表1 所提方法與現(xiàn)有方法性能對(duì)比

在這些現(xiàn)有研究中，多數(shù)涉及到特征選擇和特征提取，這樣不僅增加復(fù)雜性，也使模型訓(xùn)練精度下降，本文提出的模型不涉及任何特征選擇步驟，并且該模型可以同時(shí)進(jìn)行收縮壓和舒張壓的預(yù)測(cè)，不僅降低復(fù)雜度，在訓(xùn)練精度和速度上也有一定的提升，通過(guò)對(duì)平均絕對(duì)誤差(MAE)和標(biāo)準(zhǔn)差(SD)的對(duì)比，可以看出本文提出的模型相比于現(xiàn)有模型提高了血壓預(yù)測(cè)的準(zhǔn)確率和可靠性。

5 結(jié)論

在進(jìn)行血壓預(yù)測(cè)的過(guò)程中，由于PPG 信號(hào)中包含太多冗余信息，導(dǎo)致現(xiàn)有模型不能很好地收集到PPG 信號(hào)中有用的信息，這也是該技術(shù)目前面臨的最大障礙。因此，提出一種新型連續(xù)血壓估計(jì)的注意力機(jī)制模型，采用新型深度學(xué)習(xí)模型和注意力機(jī)制模塊，該模型因?yàn)楹蠸E 注意力機(jī)制模塊，使得模型可以摒棄一些雜質(zhì)信息，更好地關(guān)注PPG 信號(hào)內(nèi)的細(xì)微特征，并且由于殘差模塊和膨脹卷積的存在，不僅可以有效地解決梯度消失問(wèn)題，在防止模型過(guò)擬合的同時(shí)，增加模型的感受野。最后通過(guò)全連接層進(jìn)行處理得到收縮壓和舒張壓的預(yù)測(cè)值。最后通過(guò)公開(kāi)數(shù)據(jù)集中的數(shù)據(jù)對(duì)該模型進(jìn)行測(cè)試，并與現(xiàn)有方法進(jìn)行對(duì)比，證明本文所提出方法的有效性。為血壓值測(cè)量領(lǐng)域發(fā)展提供一定的技術(shù)支撐，具有廣闊的發(fā)展空間。但文中提出的TCN-SE 模型對(duì)于收縮壓的預(yù)測(cè)精度還有提升空間，今后工作會(huì)對(duì)信號(hào)預(yù)處理進(jìn)行改進(jìn)，繼續(xù)減少輸入數(shù)據(jù)噪音對(duì)實(shí)驗(yàn)結(jié)果的影響，使該神經(jīng)網(wǎng)絡(luò)模型能夠在復(fù)雜多變的環(huán)境下表現(xiàn)出良好的性能。