基于卷积递归神经网络的血压测量模型

摘要

目的 提出一种新型卷积递归神经网络血压模型(convolutional recurrent neural network-blood pressure,CRNN-BP),解决使用脉搏波波形进行血压测量模型中存在的特征点难以提取和鲁棒性较低的问题,提高血压模型普适性和精度.方法 该模型首先使用卷积网络层自动提取脉搏波的波形特征;其次使用递归网络层依据连续心动周期血压变化关系对波形特征进行校正;最后使用全连接网络层预测出当前的血压值.结果 使用MIMIC数据集中人体真实生理信息对模型进行验证,收缩压和舒张压的平均绝对误差分别为2.71 mmHg和1.41 mmHg.模型精度相比于未使用递归网络层的模型CNN-BP和使用全部脉搏波波形点的传统血压回归模型更有优势,且符合AAMI和BHS标准.结论 CRNN-BP有效地提取了脉搏波的波形特征,并提升了模型的精度和鲁棒性.