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

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.無錫博智芯科技有限公司，江蘇 無錫 214029)

高血壓作為最常見的慢性病之一，是心腦血管病最主要的危險因素，也是全世界最主要的健康問題。《柳葉刀》近期發(fā)表由倫敦帝國理工學(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綜合分析報告[1]。報告顯示，自1990 年以來，全球高血壓患者人數(shù)增加一倍，達到12.8 億人，其主要原因為人口增長與老齡化。其中，約有7.2 億人沒有得到必要治療，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生命體征之一。隨著科技的進步和發(fā)展，高血壓實際上是可以提前防控的，連續(xù)和定期的血壓監(jiān)測對于早期診斷和預(yù)防心血管疾病至關(guān)重要。然而多數(shù)患者對自己患病并不知情，并且當(dāng)下對于血壓的監(jiān)測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的治療[2]。人們對自己血壓的實時監(jiān)測是預(yù)防高血壓的必要環(huán)節(jié)。臨床實踐中現(xiàn)有的基于侵入性或基于袖帶的血壓測量技術(shù)，并不利于患者對自身血壓的日常測量，且測量結(jié)果精度有待提升[3]。

近年來，連續(xù)血壓測量技術(shù)受到越來越多的研究關(guān)注，其中基于光電容積(PPG)信號的血壓測量技術(shù)成為研究熱點。伴隨著深度學(xué)習(xí)的快速發(fā)展，越來越多的學(xué)者采用深度學(xué)習(xí)方法分析PPG 信號，并通過神經(jīng)網(wǎng)絡(luò)的輸出來預(yù)測血壓值，實現(xiàn)高精度的無創(chuàng)連續(xù)血壓測量。因此，基于深度學(xué)習(xí)方法的血壓預(yù)測技術(shù)對于高血壓相關(guān)疾病的診斷、監(jiān)測和預(yù)防具有重大意義[4]。在基于深度學(xué)習(xí)的血壓預(yù)測算法方面，多數(shù)為PPG 信號中的特征提取并進行特征融合，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)的無袖帶血壓建模方法，第一種方法是利用三層雙向長短期記憶(Long-Short Term Memory，LSTM)神經(jīng)網(wǎng)絡(luò)對收縮壓(SBP)和舒張壓(DBP)進行預(yù)測，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)對收縮壓(SBP)和舒張壓(DBP)進行更為精準(zhǔn)的預(yù)測。與此同時，Mohammad Reza Mohebbian 等人[6]提出一種改進的分組數(shù)據(jù)處理技術(shù)，通過光容積圖(PPG)信號連續(xù)估計收縮壓(SBP)和舒張壓(DBP)。王月猛等人[7]提出一種將脈搏信號特征和Elman 神經(jīng)網(wǎng)絡(luò)結(jié)合的方法對血壓值進行預(yù)測。然而PPG 信號中包含的冗余信息占比過高[8]，導(dǎo)致模型對PPG 信號的有效信息提取效率過低，這也是血壓測量技術(shù)目前面臨的最大障礙。

為彌補現(xiàn)有研究的不足，本文提出基于時域卷積網(wǎng)絡(luò)(Temporal Convolutional Network，TCN)中嵌入SE 注意力機制模塊(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，盡可能增大模型的感受野；同時嵌入SE 注意力機制模塊，加強模型對于不同通道信息的關(guān)注度，改善模型對PPG 信號進行特征提取時信息丟失的問題，以便更好地讓模型關(guān)注PPG 信號中的細微特征。通過在公開數(shù)據(jù)集上進行實驗驗證，證明所提出的方法比現(xiàn)有方法更為有效。

1 時域卷積網(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，長期依賴信息的捕獲能力較弱，因此不適合時序問題的建模[9]。時域卷積網(wǎng)絡(luò)(Temporal Convolutional Network，TCN)作為一種特殊的卷積神經(jīng)網(wǎng)絡(luò)，能夠很好地處理時序問題，從而受到了研究人員的關(guān)注，在諸多時序數(shù)據(jù)預(yù)測任務(wù)中取得了較好的效果。

1.1 因果卷積

在處理序列問題時需要考慮時間，即某時刻只能考慮該時刻以及此前的輸入，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間序列，但“梯度消失”現(xiàn)象使得其難以解決長時依賴問題。因此，需要一種新型的CNN 以更有效地抓取長時數(shù)據(jù)，即因果卷積。

因果卷積公式如下:

如圖1 所示，對于時序問題，因果卷積是根據(jù)x1，…，xt以及y1，…，yt-1預(yù)測yt的結(jié)果，使得yt盡可能接近真實值。然而，因果卷積存在一個弊端，若需要考慮的變量x過于久遠，那么就必須相應(yīng)地增加卷積層，通過很多層或更大的過濾器來增加卷積的感受野。然而這可能會引起擬合效果欠佳、訓(xùn)練過程復(fù)雜等問題。

圖1 因果卷積數(shù)據(jù)分析過程

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題。膨脹卷積通過跳過部分輸入來擴展過濾器的應(yīng)用范圍，使得其能應(yīng)用于大于本身長度的區(qū)域。圖2 顯示了通過大小排列的膨脹卷積增加卷積感受野的整個過程。

圖2 膨脹卷積原理圖

對于空洞數(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 即可等價為一個新的卷積核，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個位置權(quán)重非零，否則權(quán)重即為零。

膨脹卷積巧妙避開池化操作，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。膨脹卷積在處理長序列信息的問題時往往能發(fā)揮顯著優(yōu)勢。膨脹卷積的缺點在于，由于信息之間距離較長，其對于大物體的分割效果較為明顯，但對于小物體的分割卻未必可取。同時，由于在膨脹卷積中，卷積并不連續(xù)，即并不是每個輸入都得到計算，因此在處理逐像素的預(yù)測問題時，膨脹卷積有其致命缺陷，即會出現(xiàn)網(wǎng)格效應(yīng)(Gridding Effect)。

為解決上述缺點，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)計成鋸齒狀結(jié)構(gòu)。

2 SE 注意力機制模塊

近些年來，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，卷積是對一個局部區(qū)域進行特征融合，這包括空間上以及通道間的特征融合。對于卷積而言，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 注意力機制模塊，可以讓模型更好地關(guān)注各個通道間的關(guān)系，自動學(xué)習(xí)到不同通道特征的重要程度[10]。

2.1 SE 注意力機制模塊的架構(gòu)

SE 注意力機制模塊主要包括Squeeze(壓縮)操作和Excitation(激發(fā))操作。SE 模塊首先對卷積得到的特征圖進行壓縮操作，得到各個通道的全局特征，然后對全局特征進行激發(fā)操作，學(xué)習(xí)各個通道間的關(guān)系，也得到不同通道的權(quán)重，最后乘以原來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個卷積核。那么輸出

圖3 SE 模塊結(jié)構(gòu)圖

2.2 SE 注意力機制模塊的基本原理

Squeeze 操作目的為壓縮，即順著空間維度來進行特征壓縮，將每個二維通道變換成一個實數(shù)，這個實數(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來實現(xiàn)，原則上也可以采用更為復(fù)雜的聚合算法。表達式如下所示:

壓縮操作得到全局描述特征，緊接著需要另一種運算方法來抓取各個通道之間的關(guān)系。這個操作需要滿足兩個要求:第一，要足夠靈活，可以學(xué)習(xí)到各個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 中門的機制，通過參數(shù)W來為每個特征通道生成權(quán)重。并且采用sigmoid 形式的門機制:

最后進行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相乘得到各個通道的權(quán)重系數(shù)，從而使得模型對各個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。而對比不同深度網(wǎng)絡(luò)的測試情況，可以發(fā)現(xiàn)更深的網(wǎng)絡(luò)將導(dǎo)致更高的測試誤差和訓(xùn)練誤差，故而求解優(yōu)化問題的難度也更大。這種并非由過擬合引起的準(zhǔn)確率下降被稱為網(wǎng)絡(luò)退化問題。這是因為較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非線性層來近似。而殘差可以更好地解決網(wǎng)絡(luò)退化問題，它使得網(wǎng)絡(luò)可以以跨層的方式進行信息傳遞[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，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，則直接通過快捷連接逐個元素相加，再通過非線性激活函數(shù)ReLU(y)，可對整個殘差塊添加非線性。

若F(x，Wi)和x的維度不等，則需要在快捷連接中對x進行線性投影以實現(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1×1 的卷積將256 維降至64 維，最后再通過256 個1×1 卷積還原為256 維，所需參數(shù)是使用(a)圖方法時的1/17，大大減少計算量和參數(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)計的，意味著它能夠從一個PPG 信號同時估計收縮壓和舒張壓。

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)對輸入信號進行壓縮，然后通過激發(fā)操作得到每個通道的激活值，再通過Scale 操作將每個通道的激活值乘以該通道原始特征值得到各個通道的權(quán)重系數(shù)。TCN模型由三個殘差塊構(gòu)成，每個殘差塊又由兩個膨脹卷積層和一個殘差鏈接構(gòu)成，每個膨脹卷積層都使用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個大小為9×1 的過濾器組成，在輸入體積寬度為9、高度為1 的范圍內(nèi)滑動，計算它們的權(quán)重與它們在輸入體積中連接的9×1 小區(qū)域之間的點積。這將生成16 個激活圖，提供相應(yīng)的過濾器在每個空間位置的響應(yīng)，每個特征圖捕獲不同的低級特征。隨后使用SE 注意力機制模塊，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 個大小為3×1 的過濾器組成。進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，然后再通過全局平均池化層進行降維，通過兩層全連接網(wǎng)絡(luò)，激活函數(shù)分別為ReLU 和sigmoid 進行激發(fā)，得到每個通道的激活值并將特征恢復(fù)到原維度，最后用Scale 方法得到每個通道的權(quán)重系數(shù)。

在先前對PPG 信號進行特征提取和通道關(guān)注后，使用TCN 模型對信號再次進行處理，TCN 模型中第一個殘差模塊由兩個一維膨脹卷積網(wǎng)絡(luò)構(gòu)成，每個膨脹卷積網(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，在每次卷積計算后都分別使用BN層，ReLU 激活函數(shù)和dropout 層對數(shù)據(jù)進行進一步處理，最后通過將原始輸入數(shù)據(jù)和輸出數(shù)據(jù)進行特征融合的方式，使得模型可以實現(xiàn)跨層傳遞信息。第二個和第三個殘差模塊功能同第一個殘差塊，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)，是處理回歸問題的常用損失函數(shù)，公式為:

利用訓(xùn)練集對所構(gòu)建的模型進行訓(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)練過程中，如果該輪驗證數(shù)據(jù)的損失值較之前的損失值有降低的趨勢，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，可以自動調(diào)整學(xué)習(xí)率，計算更加高效，適合應(yīng)用于大規(guī)模的數(shù)據(jù)及參數(shù)場景。

4 實驗過程及結(jié)果分析

本實驗是基于Keras 深度學(xué)習(xí)框架，利用Pycharm 進行神經(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，并以美國醫(yī)療儀器促進協(xié)會(AAMI)MAE ＜5 mmHg，STD＜8 mmHg 為測試標(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)機器學(xué)習(xí)知識庫數(shù)據(jù)集上進行測試，該數(shù)據(jù)集來源于公共可用的最大數(shù)據(jù)庫“重癥監(jiān)護中的多參數(shù)智能監(jiān)測(MIMIC-II)”，該數(shù)據(jù)庫擁有重癥監(jiān)護病房(ICU)患者的多參數(shù)同步記錄，包括生理信號和生理參數(shù)。我們提取10 000 名受試者的光容積描記儀(PPG)的記錄，對PPG 信號進行預(yù)處理，去除持續(xù)時間不足的數(shù)據(jù)，該數(shù)據(jù)集減少約83%。然后進行數(shù)據(jù)分割，取重疊75%的8 s 窗口作為一個樣本，并以4 的比例因子進行下采樣，能夠捕獲現(xiàn)有研究中觀察到的有用的心臟活動信息。我們將分割好的數(shù)據(jù)集進行下采樣，按照9 ∶1 的比例分為訓(xùn)練集和驗證集，PPG 信號如圖7 所示。

圖7 下采樣后的PPG 信號

4.2 針對PPG 信號對血壓值預(yù)測的總體流程

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

步驟1 將已經(jīng)分割好的公開數(shù)據(jù)集作為原始PPG 信號進行模型訓(xùn)練。

步驟2 將原始PPG 信號劃分為訓(xùn)練集和驗證集。

步驟3 針對已經(jīng)處理好的PPG 信號構(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)練集對所構(gòu)建的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，原始PPG 信號經(jīng)過一次一維卷積層進行特征提取后，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 利用驗證集，對訓(xùn)練好的模型進行測試，最后得到我們所構(gòu)建的神經(jīng)網(wǎng)絡(luò)，預(yù)測血壓的均方誤差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)練集和驗證集的loss 結(jié)果?？梢钥吹皆谟?xùn)練到221 輪時驗證集loss 達到最低值，后續(xù)訓(xùn)練雖然有波動，但是驗證集的loss 不會再下降。

圖8 訓(xùn)練集和驗證集loss 結(jié)果

步驟6 模型驗證:

本文提出模型的初衷是設(shè)計一種高效而輕量級的模型，可以部署在資源受限的平臺(如藍牙耳機，智能手表等)[12]，以實現(xiàn)長期監(jiān)控。因此，TCN-SE模型能夠同時估計來自同一網(wǎng)絡(luò)的兩個參數(shù):收縮壓(SBP)和舒張壓(DBP)，不需要對每個參數(shù)分別建立單獨的模型。這將有助于減少實時分析的時間和計算復(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)測更準(zhǔn)確。

我們使用200 個樣本進行SBP 和DBP 的預(yù)測并與參考值進行對比，以便更好地可視化性能。如圖9 和圖10 所示。

圖9 200 個樣本DBP 預(yù)測值和參考值對比

圖10 200 個樣本SBP 預(yù)測值和參考值對比

基于19 946 個測試樣本的參考值和預(yù)測值畫出模型數(shù)據(jù)相關(guān)性散點圖，如圖11 所示，測得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)散點圖

將本文提出的基于SE 注意力機制模塊的TCN神經(jīng)網(wǎng)絡(luò)與現(xiàn)有的方法進行比較。表1 為本方法與現(xiàn)有算法數(shù)據(jù)對比，表中大部分方法是收縮壓和舒張壓進行單獨預(yù)測訓(xùn)練，從而開發(fā)出獨立的收縮壓和舒張壓預(yù)測模型，在血壓估計階段實現(xiàn)單獨預(yù)測。

表1 所提方法與現(xiàn)有方法性能對比

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進行收縮壓和舒張壓的預(yù)測，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，通過對平均絕對誤差(MAE)和標(biāo)準(zhǔn)差(SD)的對比，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)測的準(zhǔn)確率和可靠性。

5 結(jié)論

在進行血壓預(yù)測的過程中，由于PPG 信號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)血壓估計的注意力機制模型，采用新型深度學(xué)習(xí)模型和注意力機制模塊，該模型因為含有SE 注意力機制模塊，使得模型可以摒棄一些雜質(zhì)信息，更好地關(guān)注PPG 信號內(nèi)的細微特征，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題，在防止模型過擬合的同時，增加模型的感受野。最后通過全連接層進行處理得到收縮壓和舒張壓的預(yù)測值。最后通過公開數(shù)據(jù)集中的數(shù)據(jù)對該模型進行測試，并與現(xiàn)有方法進行對比，證明本文所提出方法的有效性。為血壓值測量領(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 模型對于收縮壓的預(yù)測精度還有提升空間，今后工作會對信號預(yù)處理進行改進，繼續(xù)減少輸入數(shù)據(jù)噪音對實驗結(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。