CN104739395A - 一种基于脉搏波的人体血压预测方法 - Google Patents
一种基于脉搏波的人体血压预测方法 Download PDFInfo
- Publication number
- CN104739395A CN104739395A CN201510131976.7A CN201510131976A CN104739395A CN 104739395 A CN104739395 A CN 104739395A CN 201510131976 A CN201510131976 A CN 201510131976A CN 104739395 A CN104739395 A CN 104739395A
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- pressure
- human blood
- wave signal
- blood pressure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Vascular Medicine (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及一种血压预测方法,特别涉及一种基于脉搏波的人体血压预测方法。本发明的血压预测方法选用独立成成分分析的方法分解人体脉搏波信号,提取仅与人体血压相关独立成分分量,使用该独立成分分量的频谱密度作为人体血压预测的特征参数值,并构建血压值与特征参数之间的自回归预测模型,进而可以通过所述自回归预测模型进行人体血压预测。本发明的血压预测方法避免了直接使用脉搏波信号进行血压预测时,一些干扰因素对预测准确性的影响,不仅过程简单、预测误差低而且可以在生活中得到广泛应用。
Description
技术领域
本发明涉及一种血压预测方法,特别涉及一种基于脉搏波的人体血压预测方法。
背景技术
血压作为人体生理的重要参数,它能够反映出人体的心脏情况和血管的功能状况,人们可以通过血压的异常情况来诊断病情,也可以由此来进行观察治疗效果的好坏,或者对以后病情的变化情况进行预测。人体的血压的变化跟多种原因有关,比如说:生理周期、情绪变化、以及各种内在的疾病或者外在的刺激等,在实际测量中由于血压的波动性较大,所以在单次测量过程中,难免会跟实际情况有些出入,但是在采用不间断的测量方法时,可以消除这些波动情况,通过查看在一段时间范围内的血压变化情况进行判定,相比采用单次测量的方法更加准确,在临床和医学研究中都有着重要的价值。连续血压的测量方法分为有创、无创两类。有创测量方法是直接将传感器插入人体血管内部,通过检测血液对传感器的压力来测量人体血压。有创法测量结果准确,但由于测量过程有创,并且容易引起并发症,在临床与生活中使用相对较少。无创连续血压测量法属于软测量范畴,选择测量某些与人体血压相关体征信号,通过数学分析与推断来计算人体血压值。无创法测量过程相对简单,对人体无创,更加适合在临床与日常生活中使用。
现有技术中通常采用脉搏信号波形进行无创连续血压测量。脉搏信号波形指心脏在收缩和舒张过程中使血液在动脉流动过程中会对血管壁形成周期性变化的压强,通过使用特定的传感器实时的记录这一压力的变化的数据,利用这些数据画出来的图形称为脉搏波。现有技术使用脉搏波特征参量,建立与血压之间的回归方程,通过回归方程建立的血压预测方法,但是现有相关研究主要集中在血压回归方程建立的参数选取上,没有考虑到所使用脉搏波数据采集过程中所受干扰对后续模型的影响。如果每次脉搏波数据的采集过程都受到不同因素的干扰,无法保证每次测量的一致性,那么使用数据辨识所得血压计算模型就很难运用到实际产品中。因此为了实现对人体血压的实时监测,需要找到一种无创、连续、方便的人体动态血压测量方法。
发明内容
本发明所要解决的技术问题是提供一种基于脉搏波的人体血压预测方法,解决了现有技术的人体血压预测方法预测不准确、过程麻烦的技术问题。
本发明解决上述技术问题的技术方案如下:一种基于脉搏波的人体血压预测方法,包括以下步骤:
步骤1,利用传感器多次采集人体的脉搏波信号,形成分析样本;
步骤2,利用独立成分分析方法将所述脉搏波信号进行分解,得到仅与人体血压相关的所述脉搏波信号的独立成分分量;
步骤3,将所述独立成分分量的频谱密度和所述脉搏波信号的基波频谱作为人体血压预测的特征参数值,并构建人体血压值与所述特征参数值的自回归预测模型;
步骤4,采集被测人员的脉搏波信号,并利用所述自回归预测模型预测所述被测人员的血压数据。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步的,所述步骤1具体为:
选取影响脉搏波信号的多个影响因子;
将所述影响因子进行组合,多次采集人体脉搏波信号,形成分析样本。
进一步的,所述影响因子为:传感器的测量位置、传感器的施力大小和不同测量人员。
进一步的,所述步骤2包括以下步骤:
步骤201采用低通滤波器对所述脉搏波信号进行预处理,去除所述脉搏波信号的高通干扰;
步骤202将步骤201中滤波后的所述脉搏波信号分解为单个的脉搏波,记录每个脉搏波信号中所述单个脉搏波的个数;
步骤203利用独立成分分析的方法,将所述脉搏波信号进行主成分分解,得到所述脉搏波信号第一主成分分量和第二独立成分分量;
步骤204对第一主成分分量和第二独立成分分量进行独立成分分析,得到第一独立成分分量和第二独立成分分量;
步骤205判断所述第一独立成分分量和所述第二独立成分分量与人体血压的相关性,得到仅与人体血压相关的所述脉搏波信号的独立成分分量。
进一步的,所述步骤202具体为:
采用门限法对滤波后的脉搏波信号进行分析,得到所述脉搏波信号的顶点,并将两个顶点间距离的平均值作为脉搏平均周期,记为Cyc;
将每个顶点的前0.35*Cyc与顶点的后0.55*Cyc视作是一个脉搏波,并记录所述脉搏波个数,记为Pm;
对所述每个脉搏波分别进行傅里叶变换,得到每个脉搏波的频谱密度。
进一步的,所述低通滤波器为巴特沃斯数字低通滤波器,所述巴特沃斯数字低通滤波器通带截至频率为15Hz,阻带截至频率为30Hz,通带最大衰减为1Db,阻带最小衰减为70Db。
进一步的,步骤3中采用最小二乘系统辨识方法建立自回归预测模型,所述自回归预测模型为
yBP=a0f0+a1f1+a2f2+...+a10f10+e(t),
其中yBP为所需要预测的血压,包括收缩压、舒张压;e(t)表示高斯白噪声;f0为人体心率,f1-10为仅与人体血压相关的所述脉搏波信号独立成分分量的频谱密度;a0-10为模型参数。
进一步的,预测收缩压时,所述a0-10为别为135.3、1702.5、-851.0、-143.3、-135.3、246.6、-406.1、131.7、277.2、-313.8、341.3;预测舒张压时,所述a0-10为别为56.6、119.9、-44.5、131.9、105.3、-269.1、211.1、-32.8、-68.2、-299.5、711.0。
本发明的有益效果是:本发明的血压预测方法选用独立成成分分析的方法分解人体脉搏波信号,提取仅与人体血压相关独立成分分量,使用该独立成分分量的频谱密度作为人体血压预测的特征参数值,并构建血压值与特征参数之间的自回归预测模型,避免了直接使用脉搏波信号进行血压预测时,一些干扰因素对预测准确性的影响,不仅过程简单、预测误差低而且可以在家庭生活中得到广泛应用。
附图说明
图1为本发明实施例血压预测方法的流程示意图。
图2a~2b为本发明实施例使用数字低通滤波器滤前后的效果图;
图3a~3d为不同脉搏波信号在独立成分分析前后的波形图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
脉搏信号波形指心脏在收缩和舒张过程中使血液在动脉流动过程中会对血管壁形成周期性变化的压强,通过使用特定的传感器实时的记录这一压力的变化的数据,利用这些数据画出来的图形称为脉搏波。相关研究结果表明,人体脉搏波信号会随着血压变化呈现显著变化,因此人体血压与人体脉搏波信号之间存在着对应关系,可以使用脉搏波信号对行血压软测量。但是,直接使用脉搏波信号进行预测血压会因为一些因素干扰而产生误差,影响血压预测的准确性,比如在测量脉搏波信号过程中传感器的放置位置,传感器所受的压力等,因此需要排除这些因素对脉搏波预测血压结果的影响。
如图1所示,为本发明实施例人体血压预测方法的流程示意图,包括以下步骤:
步骤1,利用传感器多次采集人体的脉搏波信号,形成分析样本;
步骤2,利用独立成分分析方法将所述脉搏波信号进行分解,得到仅与人体血压相关的所述脉搏波信号的独立成分分量;
步骤3,将所述独立成分分量的频谱密度和所述脉搏波信号的基波频谱作为人体血压预测的特征参数值,并构建人体血压值与所述特征参数值的自回归预测模型;
步骤4,采集被测人员的脉搏波信号,并利用所述自回归预测模型预测所述被测人员的血压数据。以下进行具体说明。
本实施例中,步骤1中首先选取影响脉搏波信号的多个影响因子,将所述影响因子进行组合,多次采集人体脉搏波信号,形成分析样本。本实施例的影响因子为传感器的测量位置、传感器的施力大小和不同测量人员,即这些影响因子会影响脉搏波信号与血压相关性的准确性,需要在建立预测模型前,消除或减小上述影响因子的影响。
本实施例采用独立成分分析方法进行脉搏波信号的分解。所谓独立成分分析方法的起源是为了解决盲源信号分离问题,即所谓鸡尾酒会问题。该问题的描述为,假设在某一时刻,使用A、B、C三个观测器同时观测由s1(t)、s2(t)、s3(t)三个信号源混合信号,得到观测信号x1(t)、x2(t)、x3(t)。使用观测得到的混合信号x1(t)、x2(t)、x3(t)计算原始信号s1(t)、s2(t)、s3(t)的问题称之为盲源信号分离问题。该问题也可使用X=AS描述,其中S为原始信号,A为混合矩阵,X为观测信号。通过计算求的混合矩阵A的逆矩阵即可使用
独立成分分析的出发点是使用某一判定依据,对解混矩阵进行寻优计算。本实施例使用由Aapo Hyvarinen等提出的以负熵作为矩阵寻优判据,选用标准化之后的负熵判据公式:
使用该式时,因为其鲁棒性问题,将负熵高阶累计量近似方法推广到一般形式的非二次函数的期望,以寻求负熵更有效合理的近似。方法给出基于期望的近似负熵估计,只需要使用两个G1(奇函数)、G2(偶函数),可得到如下估计:
其中,k1、k2为正常数,v是零均值单位方差的高斯变量。常被使用的非二次函数有pow3、tanh、gauss和skew,表达式如下:
因为负熵的非二次函数G(*)是以期望的形式给出高阶统计信号,所以在实际问题是研究如何使用负熵的独立成分分析估计原始信号S时,即变成了对非二次函数G(*)的选择问题。本实施例选用计算收敛速度相对较快的TANH函数作为脉搏信号的分析的非二次函数,并使用由AapoHyvarinen等人于2005年开发的FastICA 2.5for Matlab套件作为分析套件。
本实施例中,对所获得的脉搏波信号,使用巴特沃斯数字低通滤波器滤去除高频干扰。传感器的采样频率为100Hz,取滤波器通带截至频率15Hz,阻带截至频率30Hz,通带最大衰减1Db,阻带最小衰减70Db。使用滤波器滤波效果下图2a~2b所示,图2a为滤波前的脉搏波信号,图2b为滤波后的脉搏波信号。
接着将所得脉搏波信号分解成单个的脉搏波,本实施例采用门限法找出每个脉搏波波形顶点。门限法的步骤是设置门限阀值,监测阀值范围内信号极值点的个数。阀值从0逐渐增大,当阀值逐渐逼近信号幅值,并且监测到信号顶点个数稳定时,认为此时监测得到的信号极值点为脉搏波的各个顶点。取各顶点之间的平均时间为脉搏信号的平均周期(Cyc),并取每个顶点的前0.35*Cyc与顶点后的0.55*Cyc认为是一个脉搏波。
实验针对每一类因子组合情况,都进行多次采样实验,所获得的脉搏波形个数如表1所示。
表1 本实施例中各个脉搏波信号的单个脉搏波形个数
本实施例中,对脉搏波信号进行处理的最终目的是分解出仅与人体血压相关相关,而不与测量过程中其他干扰因素相关的独立分量,并使用此分量预测人体血压。所以实验最终关心的独立成分只包含两种,即与血压变化相关、与血压变化不相关两个信号s。即原始信号为S=(s1,s2)T,经过(2×2)混合矩阵A混合后的到X。实验观测得到的脉搏波个数如上表所示,可知所获得脉搏波个数都超过两个。为了综合所有脉搏波信号的特征,对脉搏波进行降维操作。本实施例在独立成分分析之前,对每组脉搏波数据x进行主成分分析,取出其第一主成分分析xpc1与第二独立成分xpc2。取观测信号为Xpc=(xpc1,xpc2)T,可利用Xpc作为观测信号对S进行估计。
为降低计算过程中的复杂度,在执行独立成分分析之前,对观测信号Xpc进行集中化与白化处理。集中化即将信号Xpc的均值化为0,而白化处理是将E{XXT}化归为单位阵。
使用FASTICA函数,设置输入函数为脉搏波形主成分分解得到第一、第二独立成分组成的Xpc。设置独立成分分析函数的参数如下:
FASTICA(Xpc,'approach','defl','g','tanh');
其中Xpc为输入信号,approach与defl组合表示在迭代寻优混合矩阵A时,采用投影的方式跟新矩阵A,即每次跟新矩阵A中的一个元素。g与tanh组合表示所选取的非二次函数为tanh函数,即的表达式为利用FASTICA函数计算出两个独立分量后,认为信号振幅相对较大的为振幅相对较小的为下图3a~3d为不同脉搏波信号在独立成分分析之前Xpc=(xpc1,xpc2)T与独立成分分解之后得到S=(s1,s2)T的波形图。
由图3a~3d观察可知,独立成分分解所得信号s1随血压变化较小,而s2随血压变化波形改变较大,由此可推论第二个独立成分分量跟血压相关性较高。对第二个独立成分分量进行相同于脉搏原始信号的处理,进行傅立叶变化得到其频谱密度。
然后进一步对第二独立成分进行傅立叶变换所得到的频谱密度图进行聚类分析,将所得频谱密度分为3类即聚类成Cr,r=1,2,3。对聚类所得Cr与上述三个因子进行因子分析,可以得出结论:使用独立成分分解之后得到的第二独立成分分量,去除了其他干扰因素对信号波形的影响,所得频域密度的变化仅与人体血压变化相关。使用第二独立成分分量进行血压预测分析,相对与直接使用脉搏信号频谱密度进行血压预测精度更高,预测模型鲁棒性更强。
然后使用第二独立成分分量的频谱密度,以及脉搏波基波频谱即心率作为模型输入,以血压的收缩压、舒张压作为模型的输出,采用最小二乘系统辨识的方式,辨识血压预测的自回归预测模型。自回归预测模型为:
yBP=a0f0+a1f1+a2f2+...+a10f10+e(t)
其中yBP为所需要辨识的血压,包括收缩压、舒张压;e(t)表示高斯白噪声;f0为人体心率,f1-10为第二独立成分频谱密度;a0-10为需要辨识的模型参数。
使用Matlab中Regress函数对实验所获取的数据进行最小二乘系统辨识,设置辨识参数置信区间为95%,得到辨识参数如下表:
a0 | a1 | a2 | a3 | a4 | a5 | |
yBPH | 135.3 | 1702.5 | -851.0 | -143.3 | -135.3 | 246.6 |
yBPL | 56.6 | 119.0 | -44.5 | 131.9 | 105.3 | -269.1 |
a6 | a7 | a8 | a9 | a10 | ||
yBPH | -406.1 | 131.7 | 277.2 | -313.8 | 341.3 |
yBPL | 211.1 | -32.8 | -68.2 | -299.5 | 711.0 |
其中yBPH表示收缩压对应参数,yBPL表示舒张压对应参数。
本实施例选取10位无心血管疾病的被测试者,男女各包含5名。分别测量被测人员运动前、运动后的脉搏信号与血压值。测试运动前参数时,被测人员需要静坐10-20分钟。测试运动后参数时,被测人员需要先参加剧烈运动,如快速奔跑、打羽毛球等,运动时间超过20分钟以上。
测量时,先使用脉搏传感器测量脉搏参数,再使用欧姆龙HEM-7201上臂式血压计测量人体血压与心率。根据被测者脉搏波形,分别使用脉搏波频谱密度、第二独立成分频谱密度计算血压。并与上臂式血压计测量所得标准血压进行比较。实验中分别用#1、#2、#3表示三种方法测量得到的血压。实验获取结果如下表2所示:
表2 采用三种方法测量得到的血压
表中:Before表示运动之前、After表示运动之后。1至5号为女性被测人员,6至10号为男性被测人员。数据格式为:收缩压(SBP)/舒张压(DBP)/心率(HR)。收缩压、舒张压单位为毫米汞柱(mmHg),心率单位为次每分钟(bpm)。
对20次测量实验所得数据进行分析,计算#1、#2两种方法所得血压、心率与#3所得标准数据进行误差计算并加总,分析两种方式的准确性。
式中,X表示测试数据为收缩压、舒张压和心率,j取1、2表示#1、#2两种方法。计算结果如下表所示:
表中:Before表示运动前误差总和,After表示运动后误差总和。
Sum表示有测试误差数据总和。定义20次测量的平均误差:
比较使用独立成分分析前后平均误差由±7.4mmHg下降到±2.55mmHg。
由误差计算结果可知,两种计算方法对人体心率计算结果相差很小。使用独立成分分析对使用脉搏波计算人体心率结果无显著变化。比较使用脉搏波频谱密度计算血压的误差结果,与独立成分分析之后的第二独立成分频谱密度计算血压的结果,可知使用第二独立成分计算血压误差小于直接使用脉搏波频谱密度的计算。即使用独立独立成分分析的方法运用于脉搏波能够提高血压计算的准确性。
分析运动前后#1、#2两种方法的误差结果可知,方法#1在人体血压发生变化时,跟随性较差,不能够反映人体的血压的变化。对比方法#2在被测人员运动之后能够很好的反映人体血压的变化情况,即使用第二独立成分计算血压能够提高血压计算的灵敏度。
本发明的血压预测方法选用独立成成分分析的方法分解人体脉搏波信号,提取仅与人体血压相关独立成分分量,使用该独立成分分量的频谱密度作为人体血压预测的特征参数值,并构建血压值与特征参数之间的自回归预测模型,避免了直接使用脉搏波信号进行血压预测时,一些干扰因素对预测准确性的影响,不仅过程简单、预测误差低而且可以在家庭生活中得到广泛应用。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于脉搏波的人体血压预测方法,包括以下步骤:
步骤1,利用传感器多次采集人体的脉搏波信号,形成分析样本;
步骤2,利用独立成分分析方法将所述脉搏波信号进行分解,得到仅与人体血压相关的所述脉搏波信号的独立成分分量;
步骤3,将所述独立成分分量的频谱密度和所述脉搏波信号的基波频谱作为人体血压预测的特征参数值,并构建人体血压值与所述特征参数值的自回归预测模型;
步骤4,采集被测人员的脉搏波信号,并利用所述自回归预测模型预测所述被测人员的血压数据。
2.根据权利要求1所述的一种基于脉搏波的人体血压预测方法,其特征在于,所述步骤1具体为:
选取影响脉搏波信号的多个影响因子;
将所述影响因子进行组合,多次采集人体脉搏波信号,形成分析样本。
3.根据权利要求2所述的一种基于脉搏波的人体血压预测方法,其特征在于,所述影响因子为:传感器的测量位置、传感器的施力大小和不同测量人员。
4.根据权利要求1~3任一所述的一种基于脉搏波的人体血压预测方法,其特征在于,所述步骤2包括以下步骤:
步骤201采用低通滤波器对所述脉搏波信号进行预处理,去除所述脉搏波信号的高通干扰;
步骤202将步骤201中滤波后的所述脉搏波信号分解为单个的脉搏波,记录每个脉搏波信号中所述单个脉搏波的个数;
步骤203利用独立成分分析的方法,将所述脉搏波信号进行主成分分解,得到所述脉搏波信号第一主成分分量和第二独立成分分量;
步骤204对第一主成分分量和第二独立成分分量进行独立成分分析,得到第一独立成分分量和第二独立成分分量;
步骤205判断所述第一独立成分分量和所述第二独立成分分量与人体血压的相关性,得到仅与人体血压相关的所述脉搏波信号的独立成分分量。
5.根据权利要求4所述的一种基于脉搏波的人体血压预测方法,其特征在于,所述步骤202具体为:
采用门限法对滤波后的脉搏波信号进行分析,得到所述脉搏波信号的顶点,并将两个顶点间距离的平均值作为脉搏平均周期,记为Cyc;
将每个顶点的前0.35*Cyc与顶点的后0.55*Cyc视作是一个脉搏波,并记录所述脉搏波个数,记为Pm;
对所述每个脉搏波分别进行傅里叶变换,得到每个脉搏波的频谱密度。
6.根据权利要求4所述的一种基于脉搏波的人体血压预测方法,其特征在于,所述低通滤波器为巴特沃斯数字低通滤波器,所述巴特沃斯数字低通滤波器通带截至频率为15Hz,阻带截至频率为30Hz,通带最大衰减为1Db,阻带最小衰减为70Db。
7.根据权利要求4所述的一种基于脉搏波的人体血压预测方法,其特征在于,步骤3中采用最小二乘系统辨识方法建立自回归预测模型,所述自回归预测模型为
yBP=a0f0+a1f1+a2f2+...+a10f10+e(t),
其中yBP为所需要预测的血压,包括收缩压、舒张压;e(t)表示高斯白噪声;f0为人体心率,f1-10为仅与人体血压相关的所述脉搏波信号独立成分分量的频谱密度;a0-10为模型参数。
8.根据权利要求7所述的一种基于脉搏波的人体血压预测方法,其特征在于,预测收缩压时,所述a0-10为别为135.3、1702.5、-851.0、-143.3、-135.3、246.6、-406.1、131.7、277.2、-313.8、341.3;预测舒张压时,所述a0-10为别为56.6、119.9、-44.5、131.9、105.3、-269.1、211.1、-32.8、-68.2、-299.5、711.0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510131976.7A CN104739395A (zh) | 2015-03-25 | 2015-03-25 | 一种基于脉搏波的人体血压预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510131976.7A CN104739395A (zh) | 2015-03-25 | 2015-03-25 | 一种基于脉搏波的人体血压预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104739395A true CN104739395A (zh) | 2015-07-01 |
Family
ID=53580062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510131976.7A Pending CN104739395A (zh) | 2015-03-25 | 2015-03-25 | 一种基于脉搏波的人体血压预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104739395A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105662367A (zh) * | 2016-02-25 | 2016-06-15 | 北京航空航天大学 | 一种头戴式多点脉搏波检测方法及装置 |
CN105943005A (zh) * | 2016-06-01 | 2016-09-21 | 合肥芯福传感器技术有限公司 | 基于光电绿光脉搏与心电图混合的无创血压检测方法 |
CN106413528A (zh) * | 2014-05-19 | 2017-02-15 | 高通股份有限公司 | 无干扰血压测量 |
WO2018010117A1 (zh) * | 2016-07-13 | 2018-01-18 | 悦享趋势科技(北京)有限责任公司 | 检测生理状态的方法和装置 |
WO2018072175A1 (en) * | 2016-10-20 | 2018-04-26 | Boe Technology Group Co., Ltd. | Apparatus and method for determining a blood pressure of a subject |
CN108272446A (zh) * | 2018-01-30 | 2018-07-13 | 浙江大学 | 无创连续血压测量系统及其校准方法 |
WO2018129822A1 (zh) * | 2017-01-10 | 2018-07-19 | 华为技术有限公司 | 一种血压测量方法及设备 |
CN108926334A (zh) * | 2017-05-26 | 2018-12-04 | 深圳市玉成创新科技有限公司 | 基于脉搏波的血压获取方法及其系统和装置 |
CN108926335A (zh) * | 2017-05-26 | 2018-12-04 | 深圳市玉成创新科技有限公司 | 基于脉搏波和心电的血压获取方法及其系统和装置 |
CN105769151B (zh) * | 2016-02-25 | 2019-01-04 | 北京航空航天大学 | 一种多点脉搏波检测方法及装置 |
CN109528176A (zh) * | 2018-11-01 | 2019-03-29 | 贵州医科大学附属医院 | 一种脑血管特征信息分析系统及方法 |
CN110916672A (zh) * | 2019-11-15 | 2020-03-27 | 中南民族大学 | 一种基于一维卷积神经网络的老年人日常活动监测方法 |
CN113229788A (zh) * | 2021-03-26 | 2021-08-10 | 中科院长春应化所黄埔先进材料研究院 | 一种基于薄膜压力传感器的脉搏波去噪方法及装置 |
TWI833649B (zh) * | 2022-05-13 | 2024-02-21 | 鴻海精密工業股份有限公司 | 資料處理裝置以及方法 |
-
2015
- 2015-03-25 CN CN201510131976.7A patent/CN104739395A/zh active Pending
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106413528A (zh) * | 2014-05-19 | 2017-02-15 | 高通股份有限公司 | 无干扰血压测量 |
CN106413528B (zh) * | 2014-05-19 | 2019-11-05 | 高通股份有限公司 | 无干扰血压测量 |
CN105769151B (zh) * | 2016-02-25 | 2019-01-04 | 北京航空航天大学 | 一种多点脉搏波检测方法及装置 |
CN105662367A (zh) * | 2016-02-25 | 2016-06-15 | 北京航空航天大学 | 一种头戴式多点脉搏波检测方法及装置 |
CN105943005A (zh) * | 2016-06-01 | 2016-09-21 | 合肥芯福传感器技术有限公司 | 基于光电绿光脉搏与心电图混合的无创血压检测方法 |
WO2018010117A1 (zh) * | 2016-07-13 | 2018-01-18 | 悦享趋势科技(北京)有限责任公司 | 检测生理状态的方法和装置 |
WO2018072175A1 (en) * | 2016-10-20 | 2018-04-26 | Boe Technology Group Co., Ltd. | Apparatus and method for determining a blood pressure of a subject |
US10869607B2 (en) | 2016-10-20 | 2020-12-22 | Boe Technology Group Co., Ltd. | Apparatus and method for determining a blood pressure of a subject |
CN108697350A (zh) * | 2017-01-10 | 2018-10-23 | 华为技术有限公司 | 一种血压测量方法及设备 |
WO2018129822A1 (zh) * | 2017-01-10 | 2018-07-19 | 华为技术有限公司 | 一种血压测量方法及设备 |
CN108926334A (zh) * | 2017-05-26 | 2018-12-04 | 深圳市玉成创新科技有限公司 | 基于脉搏波的血压获取方法及其系统和装置 |
CN108926335A (zh) * | 2017-05-26 | 2018-12-04 | 深圳市玉成创新科技有限公司 | 基于脉搏波和心电的血压获取方法及其系统和装置 |
CN108272446A (zh) * | 2018-01-30 | 2018-07-13 | 浙江大学 | 无创连续血压测量系统及其校准方法 |
CN108272446B (zh) * | 2018-01-30 | 2021-03-26 | 浙江大学 | 无创连续血压测量系统及其校准方法 |
CN109528176A (zh) * | 2018-11-01 | 2019-03-29 | 贵州医科大学附属医院 | 一种脑血管特征信息分析系统及方法 |
CN110916672A (zh) * | 2019-11-15 | 2020-03-27 | 中南民族大学 | 一种基于一维卷积神经网络的老年人日常活动监测方法 |
CN113229788A (zh) * | 2021-03-26 | 2021-08-10 | 中科院长春应化所黄埔先进材料研究院 | 一种基于薄膜压力传感器的脉搏波去噪方法及装置 |
CN113229788B (zh) * | 2021-03-26 | 2022-07-19 | 广东粤港澳大湾区黄埔材料研究院 | 一种基于薄膜压力传感器的脉搏波去噪方法及装置 |
TWI833649B (zh) * | 2022-05-13 | 2024-02-21 | 鴻海精密工業股份有限公司 | 資料處理裝置以及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104739395A (zh) | 一种基于脉搏波的人体血压预测方法 | |
Andreotti et al. | Robust fetal ECG extraction and detection from abdominal leads | |
Li et al. | On an automatic delineator for arterial blood pressure waveforms | |
CN103690152B (zh) | 一种基于脉搏解析的动脉弹性功能评估装置 | |
CN106691406A (zh) | 一种基于单探头光电容积脉搏波的血管弹性和血压的检测方法 | |
He et al. | Evaluation of the correlation between blood pressure and pulse transit time | |
Panigrahy et al. | Extraction of fetal ECG signal by an improved method using extended Kalman smoother framework from single channel abdominal ECG signal | |
Catrambone et al. | Functional brain–heart interplay extends to the multifractal domain | |
Yang et al. | Estimation and validation of arterial blood pressure using photoplethysmogram morphology features in conjunction with pulse arrival time in large open databases | |
Li et al. | A new signal decomposition to estimate breathing rate and heart rate from photoplethysmography signal | |
Argha et al. | A novel automated blood pressure estimation algorithm using sequences of Korotkoff sounds | |
CN109157204A (zh) | 一种无袖带式腕部动脉血压测量方法及系统 | |
CN108670238A (zh) | 基于脑氧信号与血压信号的脑血流自主调节能力评价方法 | |
Fotiadou et al. | Deep convolutional long short-term memory network for fetal heart rate extraction | |
Yan et al. | A non-invasive blood pressure prediction method based on pulse wave feature fusion | |
CN103767694B (zh) | 一种准确提取袖带压力震荡波的方法 | |
CN111000544B (zh) | 基于ppg波形的混合式连续血压测量模型构建方法及系统 | |
Vityazeva et al. | Synchronization of heart rate and respiratory signals for HRV analysis | |
CN116211308A (zh) | 一种高强度运动下机体疲劳评估方法 | |
Siecinski et al. | Influence of empirical mode decomposition on heart rate variability indices obtained from smartphone seismocardiograms | |
Chang et al. | Fractal dimension estimation via spectral distribution function and its application to physiological signals | |
Farjana et al. | Cuffless Blood Pressure Determination Using Photoplethysmogram (PPG) Signal Based on Multiple Linear Regression Analysis | |
Poliński et al. | Analysis of correlation between heart rate and blood pressure | |
Zanon et al. | A quality metric for heart rate variability from photoplethysmogram sensor data | |
Lin et al. | Pulse waveform as an indicator of baseline offset in pulse transit time based blood pressure estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150701 |