CN106821356B - 基于Elman神经网络的云端连续血压测量方法及系统 - Google Patents

基于Elman神经网络的云端连续血压测量方法及系统 Download PDF

Info

Publication number
CN106821356B
CN106821356B CN201710100824.XA CN201710100824A CN106821356B CN 106821356 B CN106821356 B CN 106821356B CN 201710100824 A CN201710100824 A CN 201710100824A CN 106821356 B CN106821356 B CN 106821356B
Authority
CN
China
Prior art keywords
neural network
pulse wave
value
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.)
Active
Application number
CN201710100824.XA
Other languages
English (en)
Other versions
CN106821356A (zh
Inventor
司玉娟
王月猛
刘立勋
郎六琪
于靖涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Zhuhai College of Jilin University
Original Assignee
Jilin University
Zhuhai College of Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University, Zhuhai College of Jilin University filed Critical Jilin University
Priority to CN201710100824.XA priority Critical patent/CN106821356B/zh
Publication of CN106821356A publication Critical patent/CN106821356A/zh
Application granted granted Critical
Publication of CN106821356B publication Critical patent/CN106821356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Vascular Medicine (AREA)
  • Fuzzy Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Ophthalmology & Optometry (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了基于Elman神经网络的云端连续血压测量方法和系统，包括步骤：S1、测量获得被测者的实时的脉搏波信号；S2、对脉搏波信号进行去噪处理；S3、对去噪后的脉搏波信号进行特征点提取；S4、将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，进行采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值。本发明基于Elman神经网络，可以准确的预测出血压值，具有较好的准确性和稳定性，可广泛应用于血压测量行业中。

Description

基于Elman神经网络的云端连续血压测量方法及系统
技术领域
本发明涉及血压测量领域，特别是涉及基于Elman神经网络的云端连续血压测量方法及系统。
背景技术
名词解释：
SBP：Systolic Blood Pressure，收缩压；
DBP：Diastolicblood Pressure，舒张压。
血压是血液在血管内流动时作用于血管壁的压力，它是推动血液在血管内流动的动力。心室收缩时，血液从心室流入动脉，此时血液对动脉的压力最高，称为收缩压。心室舒张，动脉血管弹性回缩，血液仍慢慢继续向前流动，但血压下降，此时的压力称为舒张压。血压是反映人体心血管系统机能的重要生理参数，在医疗上，对于手术中的危重病人要通过血压来反映病人的生命体征；在家庭保健上，对于被测者的心血管疾病的预防也起着至关重要的作用。然而，目前临床上所采用的血压测量方式主要以间歇式为主，由于血压的波动每时每刻都在发生变化，因此连续血压测量方法在临床医疗和家庭保健上都有重要的意义。
目前在连续血压的测量方法上，可以分为无创和有创两种方法。有创连续血压测量方法测量精度高，但是由于其操作复杂受测者易感染等因素，不能够得到业界的普遍认可。在无创连续血压的测量方法中，又可分为脉搏波传播速度法(PWV)和脉搏波特征参数法。脉搏波传播速度法：由一路心电信号和一路脉搏信号得出，通过计算出心电峰值点与脉搏波峰值点之间的传播时间，进而得到脉搏的传播速度(PWV)，再通过得到的PWV建立起一个线性血压回归方程，最终实现对血压的连续估计。该种方法由于从血容积描记(PPG)信号获得的血压与脉搏速度之间的关系非线性，因此在进行血压的实时测量的过程中计算误差比较大。脉搏波特征参数法：即从每个脉搏波动周期中提取出相应的特征点，如脉搏波降中峡的相对高度(h/H)、重搏波的相对高度(g/H)、收缩期时间、舒张期时间等，通过对以上所得到的特征进行回归分析最终建立起回归方程实现对血压的连续测量。该种方法只是应用了特定时刻的特征点与该时刻血压所存在的对应关系，忽略了其上一时刻脉搏特征对当前血压的影响，因此并没有实现真正意义上的血压预测。因此，总的来说，目前的血压测量方法无法较为准确的测量获得连续血压测量值。
发明内容
为了解决上述的技术问题，本发明的目的是提供基于Elman神经网络的云端连续血压测量方法，本发明的另一目的是提供基于Elman神经网络的云端连续血压测量系统。
本发明解决其技术问题所采用的技术方案是：
基于Elman神经网络的云端连续血压测量方法，包括步骤：
S1、测量获得被测者的实时的脉搏波信号；
S2、对脉搏波信号进行去噪处理；
S3、对去噪后的脉搏波信号进行特征点提取；
S4、将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，进行采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值。
进一步，还包括以下的神经网络训练步骤：
S01、同步测量获得多个被测者的实时的脉搏波信号和血压值信号；
S02、对脉搏波信号进行去噪处理；
S03、对去噪后的脉搏波信号进行特征点提取；
S04、将特征点与血压值信号的血压值建立实时对应关系；
S05、建立Elman神经网络，并将脉搏波信号的特征点作为神经网络的训练集的输入值，将血压值作为神经网络的训练集的输出值；
S06、对神经网络进行训练优化，直到训练参数满足预设条件后，获得训练好的神经网络训练模型。
进一步，所述步骤S02，其具体包括：
S021、采用基于中值滤波方法去除脉搏波信号的基线漂移干扰；
S022、采用FIR滤波器去除脉搏波信号的高频噪声。
进一步，所述步骤S03，其具体包括：
S031、采用三次样条插值法对去噪后的脉搏波信号进行插值处理；
S032、采用差分阈值法对插值处理后的脉搏波信号进行特征点提取。
进一步，所述Elman神经网络由输入矩阵、输入层、隐含层、上下文层、输出层和输出矩阵组成，所述步骤S06，其具体包括：
S061、分别设定Elman神经网络的阈值以及上下文层到隐含层、输入层到隐含层、隐含层到输出层之间的权值；
S062、获取训练集中的输入值作为神经网络的输入矩阵；
S063、根据神经网络各层之间的权值和神经网络的输入矩阵，依次计算输入层的输出、隐含层的输出、上下文层的输出；
S064、计算获得神经网络的输出矩阵；
S065、计算输出矩阵与训练集中对应的输出值之间的误差函数值，并根据预设的误差阈值和步长阈值判断是否满足预设条件，若是，则将当前神经网络模型作为训练好的神经网络模型，反之，对神经网络进行权值更新和阀值更新后，返回步骤S063重新训练。
进一步，所述预设条件为误差函数值不大于预设的误差阈值或训练步长不小于预设的步长阈值。
本发明解决其技术问题所采用的另一技术方案是：
基于Elman神经网络的云端连续血压测量系统，包括手机终端模块、终端服务器模块、用于采集被测者的脉搏波信号的脉搏信号采集模块和用于采集被测者的血压值信号的血压采集模块，所述血压采集模块与终端服务器模块连接，所述手机终端模块用于对脉搏波信号进行实时显示并对其进行去噪处理和特征点提取，所述终端服务器模块用于将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，并采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值，并将连续血压测量值返回到手机终端模块进行显示。
进一步，所述脉搏信号采集模块包括反射式光电脉搏传感器。
进一步，所述血压采集模块采用无线袖带血压计，所述无线袖带血压计与手机终端模块之间通过无线通信方式连接。
进一步，所述终端服务器模块还用于获取多个被测者的脉搏波信号的特征点和血压值信号后，进行如下的训练步骤：
将脉搏波信号的特征点与血压值信号的血压值建立实时对应关系；
建立Elman神经网络，并将脉搏波信号的特征点作为神经网络的训练集的输入值，将血压值作为神经网络的训练集的输出值；
对神经网络进行训练优化，直到训练参数满足预设条件后，获得训练好的神经网络训练模型。
本发明的有益效果是：本发明的基于Elman神经网络的云端连续血压测量方法，包括步骤：S1、测量获得被测者的实时的脉搏波信号；S2、对脉搏波信号进行去噪处理；S3、对去噪后的脉搏波信号进行特征点提取；S4、将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，进行采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值。本方法基于Elman神经网络，可以准确的预测出血压值，具有较好的准确性和稳定性。
本发明的另一有益效果是：基于Elman神经网络的云端连续血压测量系统，包括手机终端模块、终端服务器模块、用于采集被测者的脉搏波信号的脉搏信号采集模块和用于采集被测者的血压值信号的血压采集模块，所述血压采集模块与终端服务器模块连接，所述手机终端模块用于对脉搏波信号进行实时显示并对其进行去噪处理和特征点提取，所述终端服务器模块用于将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，并采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值，并将连续血压测量值返回到手机终端模块进行显示。本系统基于Elman神经网络，可以准确的预测出血压值，具有较好的准确性和稳定性。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明的基于Elman神经网络的云端连续血压测量方法的流程示意图；
图2是本发明的基于Elman神经网络的云端连续血压测量方法中提取的脉搏波特征点示意图；
图3是本发明所采用的Elman神经网络的结构图；
图4是本发明的本发明的基于Elman神经网络的云端连续血压测量方法的Elman神经网络学习算法具体流程图；
图5是本发明实施例一通过Elman神经网络模型对一名健康男性的血压预测与实际值的对比图；
图6是本发明实施例一通过Elman神经网络模型对一名健康女性的血压预测与实际值的对比图；
图7是本发明的基于Elman神经网络的云端连续血压测量系统的整体结构连接框图。
具体实施方式
参照图1，本发明提供了一种基于Elman神经网络的云端连续血压测量方法，包括步骤：
S1、测量获得被测者的实时的脉搏波信号；
S2、对脉搏波信号进行去噪处理；
S3、对去噪后的脉搏波信号进行特征点提取；
S4、将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，进行采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值。
进一步作为优选的实施方式，还包括以下的神经网络训练步骤：
S01、同步测量获得多个被测者的实时的脉搏波信号和血压值信号；
S02、对脉搏波信号进行去噪处理；
S03、对去噪后的脉搏波信号进行特征点提取；
S04、将特征点与血压值信号的血压值建立实时对应关系；
S05、建立Elman神经网络，并将脉搏波信号的特征点作为神经网络的训练集的输入值，将血压值作为神经网络的训练集的输出值；
S06、对神经网络进行训练优化，直到训练参数满足预设条件后，获得训练好的神经网络训练模型。
进一步作为优选的实施方式，所述步骤S02，其具体包括：
S021、采用基于中值滤波方法去除脉搏波信号的基线漂移干扰；
S022、采用FIR滤波器去除脉搏波信号的高频噪声。
进一步作为优选的实施方式，所述步骤S03，其具体包括：
S031、采用三次样条插值法对去噪后的脉搏波信号进行插值处理；
S032、采用差分阈值法对插值处理后的脉搏波信号进行特征点提取。
进一步作为优选的实施方式，所述Elman神经网络由输入矩阵、输入层、隐含层、上下文层、输出层和输出矩阵组成，所述步骤S06，其具体包括：
S061、分别设定Elman神经网络的阈值以及上下文层到隐含层、输入层到隐含层、隐含层到输出层之间的权值；
S062、获取训练集中的输入值作为神经网络的输入矩阵；
S063、根据神经网络各层之间的权值和神经网络的输入矩阵，依次计算输入层的输出、隐含层的输出、上下文层的输出；
S064、计算获得神经网络的输出矩阵；
S065、计算输出矩阵与训练集中对应的输出值之间的误差函数值，并根据预设的误差阈值和步长阈值判断是否满足预设条件，若是，则将当前神经网络模型作为训练好的神经网络模型，反之，对神经网络进行权值更新和阀值更新后，返回步骤S063重新训练。
进一步作为优选的实施方式，所述预设条件为误差函数值不大于预设的误差阈值或训练步长不小于预设的步长阈值。
参照图7，本发明还提供了一种基于Elman神经网络的云端连续血压测量系统，包括手机终端模块、终端服务器模块、用于采集被测者的脉搏波信号的脉搏信号采集模块和用于采集被测者的血压值信号的血压采集模块，所述血压采集模块与终端服务器模块连接，所述手机终端模块用于对脉搏波信号进行实时显示并对其进行去噪处理和特征点提取，所述终端服务器模块用于将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，并采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值，并将连续血压测量值返回到手机终端模块进行显示。
进一步作为优选的实施方式，所述脉搏信号采集模块包括反射式光电脉搏传感器。
进一步作为优选的实施方式，所述血压采集模块采用无线袖带血压计，所述无线袖带血压计与手机终端模块之间通过无线通信方式连接。
进一步作为优选的实施方式，所述终端服务器模块还用于获取多个被测者的脉搏波信号的特征点和血压值信号后，进行如下的训练步骤：
将脉搏波信号的特征点与血压值信号的血压值建立实时对应关系；
建立Elman神经网络，并将脉搏波信号的特征点作为神经网络的训练集的输入值，将血压值作为神经网络的训练集的输出值；
对神经网络进行训练优化，直到训练参数满足预设条件后，获得训练好的神经网络训练模型。
以下结合具体实施例对本发明做详细说明。
实施例一
参照图1，一种基于Elman神经网络的云端连续血压测量方法，包括步骤：
S1、测量获得被测者的实时的脉搏波信号；
S2、对脉搏波信号进行去噪处理；
S3、对去噪后的脉搏波信号进行特征点提取；
S4、将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，进行采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值。
应用Elman神经网络模型进行预测之前，还包括以下的神经网络训练步骤：
S01、同步测量获得多个被测者的实时的脉搏波信号和血压值信号，其中，血压值信号包括舒张压DBP和收缩压SBP；
S02、对脉搏波信号进行去噪处理；
S03、对去噪后的脉搏波信号进行特征点提取；
S04、将特征点与血压值信号的血压值建立实时对应关系；
S05、建立Elman神经网络，并将脉搏波信号的特征点作为神经网络的训练集的输入值，将血压值作为神经网络的训练集的输出值；
S06、对神经网络进行训练优化，直到训练参数满足预设条件后，获得训练好的神经网络训练模型。
步骤S02，具体包括：
S021、采用基于中值滤波方法去除脉搏波信号的基线漂移干扰：首先根据得到的脉搏波数据定义一个长度为奇数的L长窗口，L＝2*N+1，N为正整数。对窗口内的数据从(a(i),a(i+1),...,a(i+2N))按照由小到大的顺序进行排列，a(i)代表脉搏波的数据序列，其中a(med)为位于窗口中心的信号样本值。对于这L 个信号值按照从小到大的顺序排列后，其中值在med处的样本值便定义为中值滤波的输出值。
S022、采用FIR滤波器去除脉搏波信号的高频噪声。通过中值滤波的方法只是去除了脉搏信号的基线漂移，并没有起到滤除脉搏信号高频干扰的作用。因此，在本发明中采用FIR滤波器来实现对高频噪声的去除，采用21阶海明窗对采集到的脉搏信号进行高频去噪。脉搏信号的采样频率fs为250Hz，截止频率fc设定为30Hz，可得数字滤波器的指数为wc＝2*fc/fs＝0.24。至此，通过中值滤波和FIR滤波器的设计最终实现了对脉搏波信号去噪。
步骤S03，其具体包括：
S031、采用三次样条插值法对去噪后的脉搏波信号进行插值处理；
S032、采用差分阈值法对插值处理后的脉搏波信号进行特征点提取。
具体的，步骤S03的脉搏波特征点提取方法如下：采用差分阈值的方法实现对脉搏波特征点提取。该方法可以分为以下3个步骤：(1)插值；(2)差分；(3)特征点提取。在本发明中，使用三次样条插值法实现其中的插值算法。
三次样条插值法可以确保被插值脉搏函数具有连续的一阶和二阶导数，有利于后面的差分变化。由于脉搏波的各个特征点之间的差分值的区别比较大，因此通过此种方法能够准确的确定脉搏波中各个特征点之间的位置。最终实现脉搏波特征点的检测。特征点提取后，如图2所示，图2表示所采集到的脉搏波波形，以及其所对应的特征点。脉搏波的特征点主要有脉搏波起点o所对应的幅度值h、脉搏波峰值点p所对应的幅度值H、脉搏波降中峡d所对应的幅度值g、脉搏波重搏波的峰值点所对应的幅度值w、收缩期时间t1、舒张期时间t2。
本发明选择Elman神经网络算法实现对血压的连续估计能够满足脉搏波与血压的非线性关系和对血压的预测功能。与前馈神经网络不同，“递归神经网络”允许网络中出现环形结构，从而可让一些神经元的输出反馈回来作为输入信号。这样的结构与信息反馈过程，使得网络在t时刻的输出状态不仅与t时刻的输入有关，还与t-1时刻的网络状态有关，从而能够处理与时间有关的动态变化。本发明就是运用了该算法的这一特点，通过血压随着脉搏波特征点动态变化这一特性实现对血压的连续预测。
如图3所示，Elman神经网络由输入矩阵、输入层、隐含层、上下文层、输出层和输出矩阵组成，图3中，输入层和上下文层均具有多个输入节点，隐含层具有两个节点，输出层包括两个输出节点，分别为舒张压DBP和收缩压SBP，如图4所示，步骤S06，其具体包括：
S061、分别设定Elman神经网络的阈值以及上下文层到隐含层、输入层到隐含层、隐含层到输出层之间的权值分别为w1、w2、w3；
S062、获取训练集中的输入值作为神经网络的输入矩阵Atrain，Atrain＝[ht-1,Ht-1,gt-1；ht,Ht,gt]，其中，h表示起点的幅度，H表示峰值点的幅度，g表示重搏波的幅度。
S063、根据神经网络各层之间的权值w1、w2、w3和神经网络的输入矩阵Atrain，依次计算输入层的输出w2*Atrain、隐含层的输出x(k)、上下文层的输出xc(k)；
S064、计算获得神经网络的输出矩阵[SBPtrain,DBPtrain]；
S065、计算输出矩阵与训练集中对应的输出值之间的误差函数值，并根据预设的误差阈值Eexpect和步长阈值n判断是否满足预设条件，若是，则将当前神经网络模型作为训练好的神经网络模型，反之，对神经网络进行权值更新和阀值更新后，返回步骤S063重新训练。
误差函数值计算方式如下：
其中，[SBPexpect,DBPexpect]表示训练集中对应的输出值，即实际测量获得的血压值。
本实施例中，预设条件为误差函数值E不大于预设的误差阈值Eexpect或训练步长k不小于预设的步长阈值n。具体的，如果得到的E≤Eexpect那么该算法不再进行各个阈值和权值的调整和优化，算法结束，保存当前训练的阈值和权值，得到神经网络的训练模型net。如果E>Eexpect并且k<n，该算法将继续进行，系统将继续按照误差梯度下降原理进行权值和阈值的优化，直到k≥n或者E≤Eexpect时该算法停止最终得到神经网络的训练模型net。如果E>Eexpect但是k>n，停止对参数的优化，将最后一次循环所得到的各个参数保存得到Elman神经网络的训练模型net。
最终得到了该Elman神经网络的训练模型的内部结构为：
x(k)＝f(w1*xc(k)+w2*Atrain)
xc(k)＝α*xc(k-1)+x(k-1)
[SBPtrain,DBPtrain]＝g(w3*x(k))
在上述公式中α为自连接反馈增益因子，f(x)取为sigmoid函数，即：
在上述式中g(x)取为线性函数，即：
g(x)＝k*x+c
验证试验：
平均误差计算公式为：
均方根误差计算公式：
其中，y为用本发明提供的连续血压测量方法预测得到的血压值，x为实际的血压值，n为样本数，i表示下标。
步骤S2中对脉搏波信号进行去噪处理的详细步骤与步骤S02相同，步骤S3中对去噪后的脉搏波信号进行特征点提取的详细步骤与步骤S03相同，本申请不再赘述。
通过本实施例建立的基于Elman神经网络的连续血压测量模型对5名测试者进行了测量，得到的预测结果与实际值的比较如下表1所示。
表1
如表1所示，对于每一位受试者，使用本发明提供的连续血压测量方法预测测得的收缩压和舒张压，和实际值比较，平均误差和标准误差都满足美国医疗器械促进学会(Association for the Advancement of Medical Instrumentation，AAMI)推荐的平均误差不超过5mmHg这一标准、标准误差不超过8mmHg的标准。
常人一天中血压的波动幅度在20-30mmHg。在睡眠的影响下，人一天的血压有两个高峰和2个低谷：早起6-8点为第一个高峰；8点后开始下降，到中午12点至下午2点为第一个低谷；然后血压开始上升，到下午5-8点为第二个高峰；此后血压下降，到凌晨1-2点为全天最低点，也就是说第二个低谷，然后血压逐渐上升。由于人体的血压在一天中变化幅度是比较大的，因此为了排除在同一时刻测量血压变化幅度小的这一局限性。本文又对两名测试者(一名男性和一名女性)进行了不同时间段血压的连续测量。测量结果与实际值的对比分别如下表2、3所示，表2中展示了对男性的预测结果与实际值的对比，表3中展示了对女性的预测结果与实际值的对比：
表2
表3
表2和表3中对应的预测结果与实际值的对比如图5和图6中，DBP和SBP表示实际值，DBPpredict和SBPpredict表示预测值，横坐标point表示预测数值点。通过上述的两个测试的分析可以得到无论是在血压短时间内的连续测量，还是在血压发生较大的波动时进行测量该方法均能较为准确的预测出血压值。这反映出该发明具有较好的准确性和稳定性。
实施例二
参照图7，本发明还提供了一种基于Elman神经网络的云端连续血压测量系统，包括手机终端模块、终端服务器模块、用于采集被测者的脉搏波信号的脉搏信号采集模块和用于采集被测者的血压值信号的血压采集模块，血压采集模块与终端服务器模块连接，手机终端模块用于对脉搏波信号进行实时显示并对其进行去噪处理和特征点提取，终端服务器模块用于将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，并采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值，并将连续血压测量值返回到手机终端模块进行显示。
本实施例中，脉搏信号采集模块包括反射式光电脉搏传感器。血压采集模块采用无线袖带血压计，反射式光电脉搏传感器、无线袖带血压计与手机终端模块之间通过蓝牙无线通信方式连接。手机终端模块对脉搏波信号进行特征点提取，并将无线袖带血压计测量的血压值发送到终端服务器模块，终端服务器模块与手机终端模块之间通过Wifi通信方式连接。
本实施例中，终端服务器模块还用于获取多个被测者的脉搏波信号的特征点和血压值信号后，进行如下的训练步骤：
将脉搏波信号的特征点与血压值信号的血压值建立实时对应关系；
建立Elman神经网络，并将脉搏波信号的特征点作为神经网络的训练集的输入值，将血压值作为神经网络的训练集的输出值；
对神经网络进行训练优化，直到训练参数满足预设条件后，获得训练好的神经网络训练模型。
即实施例中的特征点提取步骤是手机终端模块实现的，神经网络训练和神经网络预测步骤是由终端服务器模块实现的。手机终端模块采用Android手机端，主要作用如下：(1)Android手机端用于接收由反射式光电脉搏传感器和无线袖带血压计所发送的脉搏信号和血压值；(2)Android手机端用于实时显示脉搏波的动态变化，同时对脉搏波进行去噪和特征点提取等操作；(3)用于接收由服务器终端所发送的血压值。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (4)

1.基于Elman神经网络的云端连续血压测量系统，其特征在于，包括手机终端模块、终端服务器模块、用于采集被测者的脉搏波信号的脉搏信号采集模块和用于采集被测者的血压值信号的血压采集模块，所述血压采集模块与终端服务器模块连接，所述手机终端模块用于对脉搏波信号进行实时显示并对其进行去噪处理和特征点提取，所述终端服务器模块用于将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，并采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值，并将连续血压测量值返回到手机终端模块进行显示。
2.根据权利要求1所述的基于Elman神经网络的云端连续血压测量系统，其特征在于，所述脉搏信号采集模块包括反射式光电脉搏传感器。
3.根据权利要求1所述的基于Elman神经网络的云端连续血压测量系统，其特征在于，所述血压采集模块采用无线袖带血压计，所述无线袖带血压计与手机终端模块之间通过无线通信方式连接。
4.根据权利要求1所述的基于Elman神经网络的云端连续血压测量系统，其特征在于，所述终端服务器模块还用于获取多个被测者的脉搏波信号的特征点和血压值信号后，进行如下的训练步骤：
将脉搏波信号的特征点与血压值信号的血压值建立实时对应关系；
建立Elman神经网络，并将脉搏波信号的特征点作为神经网络的训练集的输入值，将血压值作为神经网络的训练集的输出值；
对神经网络进行训练优化，直到训练参数满足预设条件后，获得训练好的神经网络训练模型。
CN201710100824.XA 2017-02-23 2017-02-23 基于Elman神经网络的云端连续血压测量方法及系统 Active CN106821356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710100824.XA CN106821356B (zh) 2017-02-23 2017-02-23 基于Elman神经网络的云端连续血压测量方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710100824.XA CN106821356B (zh) 2017-02-23 2017-02-23 基于Elman神经网络的云端连续血压测量方法及系统

Publications (2)

Publication Number Publication Date
CN106821356A CN106821356A (zh) 2017-06-13
CN106821356B true CN106821356B (zh) 2019-08-27

Family

ID=59134590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710100824.XA Active CN106821356B (zh) 2017-02-23 2017-02-23 基于Elman神经网络的云端连续血压测量方法及系统

Country Status (1)

Country Link
CN (1) CN106821356B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107582037A (zh) * 2017-09-30 2018-01-16 深圳前海全民健康科技有限公司 基于脉搏波设计医疗产品的方法
CN107669256A (zh) * 2017-11-13 2018-02-09 深圳先进技术研究院 连续血压的测量方法、装置和系统
CN109833034A (zh) * 2017-11-24 2019-06-04 深圳市岩尚科技有限公司 一种脉搏波信号中提取血压数据的方法及装置
CN109842388B (zh) * 2017-11-24 2024-04-09 成都市深思创芯科技有限公司 一种基于神经网络的负反馈自动增益控制电路及方法
CN109833035B (zh) * 2017-11-28 2021-12-07 深圳市岩尚科技有限公司 脉搏波血压测量装置的分类预测数据处理方法
CN108567420B (zh) * 2018-03-15 2020-12-11 深圳竹信科技有限公司 血压测量终端和计算机可读存储介质
CN109044302A (zh) * 2018-07-03 2018-12-21 京东方科技集团股份有限公司 测量血压的装置、电子设备以及计算机可读存储介质
CN109585018A (zh) * 2018-11-09 2019-04-05 青岛歌尔微电子研究院有限公司 信息处理方法、信息处理装置及生理检测设备
CN110025296A (zh) * 2019-03-01 2019-07-19 西安理工大学 一种光电容积脉搏波的特征参数的采集方法
CN112438701A (zh) * 2019-08-16 2021-03-05 浙江象立医疗科技有限公司 一种基于光电融合的血液参数和电生理参数的检测方法
CN110974172A (zh) * 2019-12-13 2020-04-10 北京理工大学 一种实时生理参数的测量系统
CN111067500A (zh) * 2019-12-27 2020-04-28 深圳奥思顿健康科技有限公司 一种基于ppg信号实现连续血压的监测系统
CN112336326B (zh) * 2020-10-21 2023-09-05 华南师范大学 容积脉搏波信号处理方法、血压测量装置和存储介质
CN113116321A (zh) * 2021-03-03 2021-07-16 吉林大学珠海学院 基于pso-grnn神经网络的无创连续血压测量系统
CN115530785A (zh) * 2021-06-30 2022-12-30 华为技术有限公司 测量血压的装置与方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104116503A (zh) * 2014-07-16 2014-10-29 华中科技大学 一种无创连续血压的测量方法及装置
CN104699931A (zh) * 2013-12-09 2015-06-10 广州华久信息科技有限公司 一种基于人脸的神经网络血压预测方法及手机
CN105455798A (zh) * 2015-10-19 2016-04-06 东南大学 基于Android手机端的连续血压测量系统和校准测量方法
CN106037694A (zh) * 2016-05-13 2016-10-26 吉林大学 一种基于脉搏波的连续血压测量装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9060722B2 (en) * 2009-04-22 2015-06-23 Rodrigo E. Teixeira Apparatus for processing physiological sensor data using a physiological model and method of operation therefor

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699931A (zh) * 2013-12-09 2015-06-10 广州华久信息科技有限公司 一种基于人脸的神经网络血压预测方法及手机
CN104116503A (zh) * 2014-07-16 2014-10-29 华中科技大学 一种无创连续血压的测量方法及装置
CN105455798A (zh) * 2015-10-19 2016-04-06 东南大学 基于Android手机端的连续血压测量系统和校准测量方法
CN106037694A (zh) * 2016-05-13 2016-10-26 吉林大学 一种基于脉搏波的连续血压测量装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于神经网络血压预测研究与系统实现;陈少吉;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20151215;全文 *

Also Published As

Publication number Publication date
CN106821356A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
CN106821356B (zh) 基于Elman神经网络的云端连续血压测量方法及系统
El-Hajj et al. A review of machine learning techniques in photoplethysmography for the non-invasive cuff-less measurement of blood pressure
Gaurav et al. Cuff-less PPG based continuous blood pressure monitoring—A smartphone based approach
CN108498089B (zh) 一种基于深度神经网络的无创连续血压测量方法
Kurylyak et al. A Neural Network-based method for continuous blood pressure estimation from a PPG signal
Kachuee et al. Cuff-less high-accuracy calibration-free blood pressure estimation using pulse transit time
CN102429649B (zh) 连续血压测量装置
Xu et al. Continuous blood pressure estimation based on multiple parameters from eletrocardiogram and photoplethysmogram by Back-propagation neural network
CN102397064B (zh) 连续血压测量装置
CN102488503B (zh) 连续血压测量装置
Tjahjadi et al. Noninvasive classification of blood pressure based on photoplethysmography signals using bidirectional long short-term memory and time-frequency analysis
CN106028918A (zh) 用于生命体征的连续无创测量的身体佩带式系统
CN107928654A (zh) 一种基于神经网络的脉搏波信号血压检测方法
Shukla et al. Noninvasive cuffless blood pressure measurement by vascular transit time
CN114145724A (zh) 基于ecg和ppg多生理特征参数动态监测血压的方法
Argha et al. A novel automated blood pressure estimation algorithm using sequences of Korotkoff sounds
Kumar et al. Cuffless BP measurement using a correlation study of pulse transient time and heart rate
Truong et al. Non-invasive blood pressure monitoring with multi-modal in-ear sensing
CN110840428B (zh) 基于一维U-Net网络的无创血压估计方法
Mishra et al. Cuffless blood pressure monitoring using PTT and PWV methods
Priyanka et al. Estimating blood pressure via artificial neural networks based on measured photoplethysmography waveforms
Shukla Estimation of blood pressure from non-invasive data
GB2552455A (en) Blood monitoring
CN111839488A (zh) 基于脉搏波的无创连续血压测量装置和方法
CN117100239A (zh) 基于cnn+lstm和ppg信号的血压检测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant