(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111675928.6 (22)申请日 2021.12.31 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区朝晖六 区 (72)发明人 熊嘉豪　姜晨希　陈永毅　张丹　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 代理人 汤明 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G16H 50/30(2018.01) G16H 50/50(2018.01) A61B 5/021(2006.01)A61B 5/00(2006.01) (54)发明名称 一种基于注意力机制和时域卷积神经网络 的血压估计方法 (57)摘要 本发明公开了一种基于注意力机制和时域 卷积神经网络的血压估计方法， 属于连续血压预 测技术领域。 包括以下步骤： 1)采集原始数据集； 2)分割原始数据集； 3)构建神经网络模型， 将预 处理后的PPG信号输入到 所设计的神经网络模型 中进行训练； 4)将测试样 本数据输入到训练好的 神经网络模 型中进行血压预测。 本发 明通过具有 加入SE注意力机制模块的时域卷积神经网络， 有 效解决了现有方法中模型过拟合的问题， 且进一 步加强了模 型对于不同通道信息的关注度， 改善 了模型对PPG信号进行特征提取时信息丢失的问 题， 并在保证信息完整的前提下， 有效增大了感 受野。 权利要求书2页 说明书4页 附图1页 CN 114118386 A 2022.03.01 CN 114118386 A 1.一种基于注意力机制和时域卷积神经网络的血压估计方法， 其特征在于： 包括以下 步骤： S1、 原始PPG信号数据采集： 采集多名受试者的光容积描记仪PPG的记录作为原始数据 集， 并将原 始数据集分割为训练集和 测试集； S2、 建立血压预测模型： 将S1中的训练集PP G信号数据输入到带注意力机制的血压预测 模型中进行 血压预测模型训练； S3、 将测试样本数据输入到S2中训练好的血压预测模型中进行 血压估计测试。 2.根据权利要求1所述的一种基于注意力机制和时域卷积神经网络的血压估计方法， 其特征在于， 所述带注意力机制的血压预测模型由卷积层、 SE注意力机制 模块、 TCN神经网 络和全连接层叠加而成； 卷积层是由一个一维卷积神经网络构成的特征提取器； SE注意力 机制模块利用一 维卷积神经网络对输入信号进行压缩， 然后通过激活操作得到每个通道的 激活值， 再通过Scale操作将每个通道的激活值乘以该通道原始特征值得到各个通道的权 重系数； TCN模型包括三个残差块， 每个残差块包括两个膨胀卷积层， 每个膨胀卷积层后紧 跟BN层、 ReLU激活层和dropout层。 3.根据权利要求2所述的一种基于注意力机制和时域卷积神经网络的血压估计方法， 其特征在于， 所述输入数据在SE注意力机制模块中具体运行 过程如下： 第一阶段为压缩过程， 即顺着空间维度来进行特征压缩， 将每个二维通道变换成一个 实数， 表达式如下 所示： 其中uc为压缩过程的输入， 维度为H *W*C， 其中H是高度， W是宽度， C是通道数； 第二阶段为激发过程， 压缩过程得到了全局描述特征， 紧接着需要获取各个通道之间 的关系， 采用sigmo id形式的门机制： s＝Fex(z,W)＝σ(g(z,W) )＝σ(W2ReLU(W1*z)) s为各通道的激活值， z为压缩过程的结果， W1为降维参数， W2为升维参数， 其中 为了降低模型复杂度以及 提升泛化能力， 采用包含两个全连接层的 bottleneck结构， 其中第一个全连接层起到降维的作用， 降维系数为r是个超参数， 然后采 用ReLU激活函数进行非线性变化， 并在最后采用全连接层将特 征恢复到原维度； 第三阶段为Scale， 该操作是将学习到的各通道的激活值sc和原始特征值uc相乘得到各 个通道的权 重系数， 从而 使得模型对各个通道的特 征更具有辨别能力： 4.根据权利要求2所述的一种基于注意力机制和时域卷积神经网络的血压估计方法， 其特征在于， 所述输入数据在TCN神经网络中的处 理过程如下： TCN模型中第一个残差模块由两个一维膨胀卷积网络构成， 对于空洞数为d膨胀卷积， 卷积结果如下 所示： 其中K为当前卷积核的大小， 而(d+1)K+1即可等价为一个新的卷积核， d+1被称作膨胀权　利　要　求　书 1/2 页 2 CN 114118386 A 2比， 该卷积核首行、 首列、 尾行、 尾列权重均为零， 且每隔d个位置权重非零， 否则权重即为 零； 在每次卷积计算后都分别 使用BN层， ReLU激活层和dropout层对数据进行进一步处理， 最后通过将原始输入数据和输出数据进行特征融合的方式， 使得模型可以实现跨层传递信 息； TCN模型中第二个和第三个残差模块与第一个残差模块网络结构相同， 并通过增加卷 积核的数量和空洞数， 使得TCN模 型就在卷积核 大小不变的情况下， 有效增大卷积核的感受 野。 5.根据权利要求1所述的用于血压估计的基于注意力 机制和时域卷积神经网络模型构 建方法， 其特征在于， 所述S2中血压预测模型采用均方差损失函数和Adam梯度下降方法进 行网络训练， 并采用交叉熵损失函数来评估网络的训练和验证损失。权　利　要　求　书 2/2 页 3 CN 114118386 A 3