CN106889979B - 一种基于心电信号和血氧容积波的连续性血压测量系统 - Google Patents
一种基于心电信号和血氧容积波的连续性血压测量系统 Download PDFInfo
- Publication number
- CN106889979B CN106889979B CN201611258396.5A CN201611258396A CN106889979B CN 106889979 B CN106889979 B CN 106889979B CN 201611258396 A CN201611258396 A CN 201611258396A CN 106889979 B CN106889979 B CN 106889979B
- Authority
- CN
- China
- Prior art keywords
- error
- original
- pressure
- point
- blood oxygen
- 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
Links
Images
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
- A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
Abstract
本发明提供一种多参数融合连续性血压的测量系统,综合考虑了除利用脉搏波传输时间标定血压外,同时考虑了与心电信号在同一周期内的血氧容积波的一阶导数的最大值a01,相邻两个周期中两个收缩期峰值点的时间差值a2、两个最小值点的时间差值a3、两个舒张期峰值点的时间差值a4、两个重搏切迹点的差值a5,收缩期峰值点的幅值a6、最小值点的幅值a7、舒张期峰值点的幅值a8、重搏切迹点的幅值a9、收缩面积a10、舒张面积a11、血氧容积波的面积a12、面积比例a13,同周期的两个峰值点之间的差值a14,同周期的收缩期峰值点与最小值点之差a15,上升时间a16、时间增量a17、增长系数a18、反射系数a19。根据这18个参数用BP神经网络建立血压的模型,依据模型预测血压值,同时提供校正模块,较准确预测血压值外,还逼近血压的变化趋势。
Description
技术领域
本发明属于医疗器械领域,尤其涉及一种基于脉搏波传输时间的多参数融合连续性血压测量系统。
背景技术
随着社会经济的快速发展,人们对健康状况的关注越来越重视;尤其是随着社会老龄化人口的增长,方便易用的健康监护设备成为社会的迫切需求。
血压是反映人体循环系统机能的重要参数,是指由心脏泵血活动造成的血液对于单位面积血管壁的侧压力,随每个心动周期呈连续性、周期性变化。设计连续性血压测量方法,了解血压的昼夜变化规律,不仅是预防、诊断、治疗和控制高血压的需要,而且对准确判定高血压,降低因“白大衣高血压症”而造成的误诊具有重要意义。
现有脉搏波传输时间的测量方法分为两种:(1)采用心电信号(ECG)和光电容积描记波形(PPG)结合的方式,即通过采集第一导联的ECG,同时通过透射的方式或反射的方式采集手指或者腕部或者手背的PPG,计算心电信号R点与PPG特征点之间的时间差,如图3所示为采用ECG+PPG结合的方法测量脉搏波传输时间的示意图;(2)采用双PPG的方式,即在腕部和手背分别放置一个反射式光电传感器,或者在一根手指的两个不同位置分别放置一个反射式光电传感器,计算两PPG同一特征值点的时间差;再次,利用脉搏波传输时间与收缩压或平均压的关系,再反推出连续性血压,如图4所示为采用双PPG的方法测量脉搏波传输时间的示意图。
由于血压是由多种因素共同产生的结果,单一利用脉搏波传输时间与血压之间的关系反推出血压值,得不到准确的血压值。
发明内容
为解决上述问题,本发明提供一种基于心电信号和血氧容积波的连续性血压测量系统,综合考虑了除利用脉搏波传输时间标定血压外,同时考虑了血氧信号的18个参数,包括一个周期内两个相邻收缩期峰值点的差值,两个相邻最小值点的差值,两个相邻的舒张期峰值点的差值,两个相邻重搏切迹点的差值,收缩期峰值点的幅值,最小值点的幅值,舒张期峰值点的幅值,重搏切迹点的幅值,收缩面积,舒张面积,血氧容积波的面积,面积比例,同周期的两个峰值点之间的差值,同周期的收缩期峰值点与最小值点之差,上升时间,时间增量,增长系数,反射系数。根据这18个参数用BP神经网络建立血压的模型,依据模型预测血压值。
一种基于心电信号和血氧容积波的连续性血压测量系统,包括心电采集模块、血氧容积波采集模块、连续型血压计以及处理模块;
所述心电采集模块用于实时检测待测者的心电信号的R点位置a00;
所述血氧容积波采集模块用于连续检测待测者的血氧容积波;
所述处理模块用于对血氧容积波进行差分处理,得到与心电信号在同一周期内的血氧容积波的一阶导数的最大值a01,血氧容积波相邻两个周期中两个收缩期峰值点的时间差值a2、两个最小值点的时间差值a3、两个舒张期峰值点的时间差值a4、两个重搏切迹点的差值a5,血氧容积波一个周期中的收缩期峰值点的幅值a6、最小值点的幅值a7、舒张期峰值点的幅值a8、重搏切迹点的幅值a9、收缩面积a10、舒张面积a11、血氧容积波的面积a12、面积比例a13,血氧容积波同一周期内的收缩期峰值点幅值a6与舒张期峰值点幅值a8之间的差值a14、同一周期内的收缩期峰值点幅值a6与最小值点幅值a7之间的差值a15、同一周期中从最小值点到收缩期峰值点的上升时间a16、同一周期中从收缩期峰值点到舒张期峰值点的时间增量a17、增长系数a18、反射系数a19;
所述增长系数a18表示同一周期中舒张期峰值点与最小值点之间的差值X1和收缩期峰值点与最小值点之间的差值X2的比值X1/X2;
所述反射系数a19表示增长系数a18与1的差值;
所述连续型血压计用于连续测量待测者的用于训练的舒张压DBPoriginal和收缩压SBPoriginal;
所述处理模块还用于将血氧容积波的一阶导数的最大值a01与同一周期的心电信号的R点位置a00做差,得到脉搏波的传输时间PTT=a01-a00;
所述处理模块还用于将PTT,a2~a19这19个特征值,以及与心电信号、血氧容积波同一时刻测量的步骤3所述的舒张压DBPoriginal和收缩压SBPoriginal连续输入到BP神经网络中,其中连续输入时间不少于5min;
所述BP神经网络包括输入层,输出层以及中间隐层;
所述BP神经网络的输入层为单层,并假设为19个神经元,其中19个神经元分别与所述19个特征值一一对应;
所述BP神经网络的输出层假设为2个神经元,分别对应舒张压DBPoriginal与收缩压SBPoriginal;
所述BP神经网络的中间隐层为单层,并假设为N个神经元,其中N=10,11或12;
所述中间隐层的神经元通过全连接的方式分别连续接收输入层神经元的19个特征值、输出层神经元的舒张压和收缩压;BP神经网络利用19个特征值、舒张压以及收缩压训练血压模型,得到两个系数矩阵A19×N,BN×2;其中系数矩阵A19×N关联输入层与中间隐层,系数矩阵BN×2关联中间隐层与输出层;
重新检测待测者的血氧容积波和心电信号,对血氧容积波进行差分处理,得到PTT,a2~a19这19个特征值,并构造输入矩阵Input1×19:
Input1×19={PTT,a2,a3,a4,a5,a6,a7,a8,a9,a10,a11,a12,a13,a14,a15,a16,a17,a18,a19},
同时构造输出矩阵Output1×2=Input1×19×A19×N×BN×2,其中Output1×2={BP1,BP2},BP1为BP神经网络训练出的待测收缩压,BP2为BP神经网络训练出的待测舒张压;
所述处理模块还用于校正BP神经网络训练出的待测收缩压BP1和待测舒张压BP2,其中:
error1=SBPoriginal-BP1
error2=DBPoriginal-BP2
其中,error1为收缩压SBPoriginal与BP神经网络训练出的待测收缩压BP1的误差;error2为舒张压DBPoriginal与BP神经网络训练出的待测收缩压BP2的误差;
所述处理模块还用于采用线性回归函数分别拟合error1与SBPoriginal之间以及error2与DBPoriginal之间的关系,则error1与SBPoriginal的关系为f(SBPoriginal,error1)=0,error2与DBPoriginal的关系为f(DBPoriginal,error2)=0;
根据f(SBPoriginal,error1)=0、f(DBPoriginal,error2)=0,计算校正后的收缩压SBPoriginal和舒张压DBPoriginal。
一种基于心电信号和血氧容积波的连续性血压测量系统,所述计算校正后的收缩压SBPoriginal和舒张压DBPoriginal具体步骤为:
步骤91:利用机器学习、线型拟合或线性回归的方法分别得到error1与PTT、a2~a19、BP1、BP2的关系,以及error2与PTT、a2~a19、BP1、BP2的关系,具体为:
estimated_error1=f(PTT,a2,a3,a4,a5,a6,a7,a8,a9,a10,a11,a12,a13,a14,a15,a16,a17,a18,a19,BP1,BP2)
estimated_error2=f(PTT,a2,a3,a4,a5,a6,a7,a8,a9,a10,a11,a12,a13,a14,a15,a16,a17,a18,a19,BP1,BP2)
其中,estimated_error1和estimated_error2分别为error1和error2的估计误差;
步骤92:根据步骤91的关系式,通过实时测得的PTT、a2~a19以及BP神经网络训练出的BP1、BP2,分别计算error1和error2的估计误差estimated_error1和estimated_error2;
步骤93:分别将步骤92中计算出的估计误差estimated_error1和estimated_error2分别代替步骤8关系式f(SBPoriginal,error1)=0和f(DBPoriginal,error2)=0中的error1和error2,计算得到校正后的收缩压SBPoriginal和舒张压DBPoriginal。
有益效果:
1、本发明提供一种多参数融合连续性血压的测量系统,综合考虑了除利用脉搏波传输时间标定血压外,同时考虑了血氧信号的18个参数,根据这18个参数用BP神经网络建立血压的模型,依据模型预测血压值,使测量者能比较方便、准确地测得连续性血压,测试与计算方法的复杂度较低。
2、此外,本发明对用于训练的舒张压DBPoriginal和收缩压SBPoriginal与BP神经网络训练出的待测收缩压BP1和待测舒张压BP2进行了修正,使最后得到的血压值更准确,而且较为准确地反映血压的变化趋势。
附图说明
图1为本发明的测量系统的数据处理流程示意图;
图2为本发明的血氧容积波特征点提取图;
图3为采用ECG+PPG结合的方法测量脉搏波传输时间的示意图;
图4为采用双PPG的方法测量脉搏波传输时间的示意图。
具体实施方式
下面结合具体实施方式,对本发明的一种基于心电信号和血氧容积波的多参数融合连续性血压测量系统进行清楚、完整地描述。
图1为本发明的测量系统的数据处理流程示意图。一种基于心电信号和血氧容积波的连续性血压测量系统,包括心电采集模块、血氧容积波采集模块、连续型血压计以及处理模块;
所述心电采集模块用于实时检测待测者的心电信号的R点位置a00;
所述血氧容积波采集模块用于连续检测待测者的血氧容积波;
所述处理模块用于对血氧容积波进行差分处理,得到与心电信号在同一周期内的血氧容积波的一阶导数的最大值a01,血氧容积波相邻两个周期中两个收缩期峰值点的时间差值a2、两个最小值点的时间差值a3、两个舒张期峰值点的时间差值a4、两个重搏切迹点的差值a5,血氧容积波一个周期中的收缩期峰值点的幅值a6、最小值点的幅值a7、舒张期峰值点的幅值a8、重搏切迹点的幅值a9、收缩面积a10、舒张面积a11、血氧容积波的面积a12、面积比例a13,血氧容积波同一周期内的收缩期峰值点幅值a6与舒张期峰值点幅值a8之间的差值a14、同一周期内的收缩期峰值点幅值a6与最小值点幅值a7之间的差值a15、同一周期中从最小值点到收缩期峰值点的上升时间a16、同一周期中从收缩期峰值点到舒张期峰值点的时间增量a17、增长系数a18、反射系数a19;
所述收缩面积a10表示一个周期内从收缩期峰值点幅值到舒张期峰值点幅值之间的所有幅值的和值;
所述舒张面积a11表示从舒张期峰值点到下一个周期的最小值点之间的所有幅值的和值;
所述血氧容积波的面积a12表示收缩面积a10与舒张面积a11的和;
所述面积比例a13表示舒张面积a11与收缩面积a10的比值;
所述增长系数a18表示同一周期中舒张期峰值点与最小值点之间的差值X1和收缩期峰值点与最小值点之间的差值X2的比值X1/X2;
所述反射系数a19表示增长系数a18与1的差值;
图2为本发明的血氧容积波特征点提取图,其中Asn为收缩期峰值点的幅值,Avn为最小值点的幅值,Adn为舒张期峰值点的幅值,Afn为重搏切迹点的幅值,Tsn为收缩期峰值点的时刻、Tvn为最小值点的时刻、Tdn为舒张期峰值点的时刻、Tfn为重搏切迹点的时刻;Asn+1为下一周期收缩期峰值点的幅值,Avn+1为下一周期最小值点的幅值,Adn+1为下一周期舒张期峰值点的幅值,Afn+1为下一周期重搏切迹点的幅值,Tsn+1为下一周期收缩期峰值点的时刻,Tvn+1为下一周期最小值点的时刻,Tdn+1为下一周期舒张期峰值点的时刻,Tfn+1为下一周期重搏切迹点的时刻。
具体的:
相邻两个周期内两个相邻收缩期峰值点的时间差值:a2=Tsn+1-Tsn;
相邻两个周期内两个相邻最小值点的时间差值:a3=Tvn+1-Tvn;
相邻两个周期内两个相邻的舒张期峰值点的时间差值:a4=Tdn+1-Tdn;
相邻两个周期内两个相邻重搏切迹点的时间差值:a5=Tfn+1-Tfn;
一个周期中收缩期峰值点的幅值:a6=Asn;
一个周期中最小值点的幅值:a7=Avn;
一个周期中舒张期峰值点的幅值:a8=Adn;
一个周期中重搏切迹点的幅值:a9=Afn;
血氧容积波的面积:a12=a10+a11;
面积比例:a13=a11/a10;
同周期的收缩期峰值点与舒张期峰值点之间的差值:a14=Asn-Adn;
同周期的收缩期峰值点与最小值点之差:a15=Asn-Avn;
同一周期中从最小值点到收缩期峰值点的上升时间:a16=Tsn-Tvn;
同一周期中从收缩期峰值点到舒张期峰值点的时间增量:a17=Tdn-Tsn;
反射系数:a19=1-a18;
所述连续型血压计用于连续测量待测者的舒张压DBPoriginal和收缩压SBPoriginal;
所述处理模块还用于将血氧容积波的一阶导数的最大值a01与同一周期的心电信号的R点位置a00做差,得到脉搏波的传输时间PTT=a01-a00;
所述处理模块还用于将PTT,a2,a3,a4,a5,a6,a7,a8,a9,a10,a11,a12,a13,a14,a15,a16,a17,a18,a19这19个特征值,以及与心电信号、血氧容积波同一时刻测量的步骤3所述的舒张压DBPoriginal和收缩压SBPoriginal连续输入到BP神经网络中,其中连续输入时间不少于5min;
所述BP神经网络包括输入层,输出层以及中间隐层;
所述BP神经网络的输入层为单层,并假设为19个神经元,其中19个神经元分别与所述19个特征值一一对应;
所述BP神经网络的输出层假设为2个神经元,分别对应舒张压DBPoriginal与收缩压SBPoriginal;
所述BP神经网络的中间隐层为单层,并假设为N个神经元,其中N=10,11,12;
所述中间隐层的神经元通过全连接的方式分别连续接收输入层神经元的19个特征值、输出层神经元的舒张压和收缩压;BP神经网络利用19个特征值、舒张压以及收缩压训练血压模型,得到两个系数矩阵A19×N,BN×2;其中系数矩阵A19×N关联输入层与中间隐层,系数矩阵BN×2关联中间隐层与输出层;
重新检测待测者的血氧容积波和心电信号,对血氧容积波进行差分处理,得到PTT,a2,a3,a4,a5,a6,a7,a8,a9,a10,a11,a12,a13,a14,a15,a16,a17,a18,a19这19个特征值,并构造输入矩阵Input1×19:
Input1×19={PTT,a2,a3,a4,a5,a6,a7,a8,a9,a10,a11,a12,a13,a14,a15,a16,a17,a18,a19},
同时构造输出矩阵Output1×2=Input1×19×A19×N×BN×2,其中Output1×2={BP1,BP2},BP1为BP神经网络训练出的待测收缩压,BP2为BP神经网络训练出的待测舒张压;
所述处理模块还用于校正BP神经网络训练出的待测收缩压BP1和待测舒张压BP2,其中:
error1=SBPoriginal-BP1
error2=DBPoriginal-BP2
其中,error1为收缩压SBPoriginal与BP神经网络训练出的待测收缩压BP1的误差;error2为舒张压DBPoriginal与BP神经网络训练出的待测收缩压BP2的误差;
所述处理模块还用于采用线性回归函数分别拟合error1与SBPoriginal之间以及error2与DBPoriginal之间的关系,则error1与SBPoriginal的关系为f(SBPoriginal,error1)=0,error2与DBPoriginal的关系为f(DBPoriginal,error2)=0;
所述处理模块还用于根据f(SBPoriginal,error1)=0、f(DBPoriginal,error2)=0,计算校正后的收缩压SBPoriginal和舒张压DBPoriginal。
一种基于心电信号和血氧容积波的连续性血压测量系统,所述计算校正后的收缩压SBPoriginal和舒张压DBPoriginal具体步骤为:
步骤91:利用机器学习、线型拟合或线性回归的方法分别得到error1与PTT、a2~a19、BP1、BP2的关系,以及error2与PTT、a2~a19、BP1、BP2的关系,具体为:
estimated_error1=f(PTT,a2,a3,a4,a5,a6,a7,a8,a9,a10,a11,a12,a13,a14,a15,a16,a17,a18,a19,BP1,BP2)
estimated_error2=f(PTT,a2,a3,a4,a5,a6,a7,a8,a9,a10,a11,a12,a13,a14,a15,a16,a17,a18,a19,BP1,BP2)
其中,estimated_error1和estimated_error2分别为error1和error2的估计误差;
步骤92:根据步骤91的关系式,通过实时测得的PTT、a2~a19以及BP神经网络训练出的BP1、BP2,分别计算error1和error2的估计误差estimated_error1和estimated_error2;
步骤93:分别将步骤92中计算出的估计误差estimated_error1和estimated_error2分别代替步骤8关系式f(SBPoriginal,error1)=0和f(DBPoriginal,error2)=0中的error1和error2,计算得到校正后的收缩压SBPoriginal和舒张压DBPoriginal。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (2)
1.一种基于心电信号和血氧容积波的连续性血压测量系统,其特征在于,包括心电采集模块、血氧容积波采集模块、连续型血压计以及处理模块;
所述心电采集模块用于实时检测待测者的心电信号的R点位置a00;
所述血氧容积波采集模块用于连续检测待测者的血氧容积波;
所述处理模块用于对血氧容积波进行差分处理,得到与心电信号在同一周期内的血氧容积波的一阶导数的最大值a01,血氧容积波相邻两个周期中两个收缩期峰值点的时间差值a2、两个最小值点的时间差值a3、两个舒张期峰值点的时间差值a4、两个重搏切迹点的差值a5,血氧容积波一个周期中的收缩期峰值点的幅值a6、最小值点的幅值a7、舒张期峰值点的幅值a8、重搏切迹点的幅值a9、收缩面积a10、舒张面积a11、血氧容积波的面积a12、面积比例a13,血氧容积波同一周期内的收缩期峰值点幅值a6与舒张期峰值点幅值a8之间的差值a14、同一周期内的收缩期峰值点幅值a6与最小值点幅值a7之间的差值a15、同一周期中从最小值点到收缩期峰值点的上升时间a16、同一周期中从收缩期峰值点到舒张期峰值点的时间增量a17、增长系数a18、反射系数a19;
所述增长系数a18表示同一周期中舒张期峰值点与最小值点之间的差值X1和收缩期峰值点与最小值点之间的差值X2的比值X1/X2;
所述反射系数a19表示增长系数a18与1的差值;
所述连续型血压计用于连续测量待测者的用于训练的舒张压DBPoriginal和收缩压SBPoriginal;
所述处理模块还用于将血氧容积波的一阶导数的最大值a01与同一周期的心电信号的R点位置a00做差,得到脉搏波的传输时间PTT=a01-a00;
所述处理模块还用于将PTT以及a2~a19这19个特征值,以及与心电信号、血氧容积波同一时刻测量的步骤3所述的舒张压DBPoriginal和收缩压SBPoriginal连续输入到BP神经网络中,其中连续输入时间不少于5min;
所述BP神经网络包括输入层,输出层以及中间隐层;
所述BP神经网络的输入层为单层,并假设为19个神经元,其中19个神经元分别与所述19个特征值一一对应;
所述BP神经网络的输出层假设为2个神经元,分别对应舒张压DBPoriginal与收缩压SBPoriginal;
所述BP神经网络的中间隐层为单层,并假设为N个神经元,其中N=10,11或12;
所述中间隐层的神经元通过全连接的方式分别连续接收输入层神经元的19个特征值、输出层神经元的舒张压和收缩压;BP神经网络利用19个特征值、舒张压以及收缩压训练血压模型,得到两个系数矩阵A19×N,BN×2;其中系数矩阵A19×N关联输入层与中间隐层,系数矩阵BN×2关联中间隐层与输出层;
重新检测待测者的血氧容积波和心电信号,对血氧容积波进行差分处理,得到PTT以及a2~a19这19个特征值,并构造输入矩阵Input1×19:
Input1×19={PTT,a2,a3,a4,a5,a6,a7,a8,a9,a10,a11,a12,a13,a14,a15,a16,a17,a18,a19},
同时构造输出矩阵Output1×2=Input1×19×A19×N×BN×2,其中Output1×2={BP1,BP2},BP1为BP神经网络训练出的待测收缩压,BP2为BP神经网络训练出的待测舒张压;
所述处理模块还用于校正BP神经网络训练出的待测收缩压BP1和待测舒张压BP2,其中:
error1=SBPoriginal-BP1
error2=DBPoriginal-BP2
其中,error1为收缩压SBPoriginal与BP神经网络训练出的待测收缩压BP1的误差;error2为舒张压DBPoriginal与BP神经网络训练出的待测收缩压BP2的误差;
所述处理模块还用于采用线性回归函数分别拟合error1与SBPoriginal之间以及error2与DBPoriginal之间的关系,则error1与SBPoriginal的关系为f(SBPoriginal,error1)=0,error2与DBPoriginal的关系为f(DBPoriginal,error2)=0;
所述处理模块还用于根据f(SBPoriginal,error1)=0、f(DBPoriginal,error2)=0,计算校正后的收缩压SBPoriginal和舒张压DBPoriginal。
2.如权利要求1所述的一种基于心电信号和血氧容积波的连续性血压测量系统,其特征在于,所述计算校正后的收缩压SBPoriginal和舒张压DBPoriginal具体步骤为:
步骤91:利用机器学习、线型拟合或线性回归的方法分别得到error1与PTT、a2~a19、BP1、BP2的关系,以及error2与PTT、a2~a19、BP1、BP2的关系,具体为:
estimated_error1=f(PTT,a2,a3,a4,a5,a6,a7,a8,a9,a10,a11,a12,a13,a14,a15,a16,a17,a18,a19,BP1,BP2)
estimated_error2=f(PTT,a2,a3,a4,a5,a6,a7,a8,a9,a10,a11,a12,a13,a14,a15,a16,a17,a18,a19,BP1,BP2)
其中,estimated_error1和estimated_error2分别为error1和error2的估计误差;
步骤92:根据步骤91的关系式,通过实时测得的PTT、a2~a19以及BP神经网络训练出的BP1、BP2,分别计算error1和error2的估计误差estimated_error1和estimated_error2;
步骤93:分别将步骤92中计算出的估计误差estimated_error1和estimated_error2分别代替步骤8关系式f(SBPoriginal,error1)=0和f(DBPoriginal,error2)=0中的error1和error2,计算得到校正后的收缩压SBPoriginal和舒张压DBPoriginal。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611258396.5A CN106889979B (zh) | 2016-12-30 | 2016-12-30 | 一种基于心电信号和血氧容积波的连续性血压测量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611258396.5A CN106889979B (zh) | 2016-12-30 | 2016-12-30 | 一种基于心电信号和血氧容积波的连续性血压测量系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106889979A CN106889979A (zh) | 2017-06-27 |
CN106889979B true CN106889979B (zh) | 2020-04-07 |
Family
ID=59198485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611258396.5A Active CN106889979B (zh) | 2016-12-30 | 2016-12-30 | 一种基于心电信号和血氧容积波的连续性血压测量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106889979B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108670231B (zh) * | 2018-03-14 | 2022-02-15 | 深圳竹信科技有限公司 | 血压测量方法、终端和计算机可读存储介质 |
US20210100455A1 (en) * | 2018-04-13 | 2021-04-08 | Vita-Course Technologies Co., Ltd. | Systems and methods for determining blood pressure of subject |
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 |
CN109077714B (zh) * | 2018-07-05 | 2021-03-23 | 广州视源电子科技股份有限公司 | 信号识别方法、装置、设备和存储介质 |
TWI663956B (zh) * | 2018-07-27 | 2019-07-01 | 凱健企業股份有限公司 | 智慧型個人攜帶式之血壓量測系統與血壓校正方法 |
CN110141201B (zh) * | 2019-05-14 | 2020-07-24 | 中国科学院深圳先进技术研究院 | 血压估计方法及装置 |
CN110327037A (zh) * | 2019-07-26 | 2019-10-15 | 复旦大学附属中山医院 | 心脏监测设备及心脏监测方法 |
CN111214218B (zh) * | 2020-01-13 | 2024-02-09 | 京东方科技集团股份有限公司 | 一种多生理参数的检测设备 |
CN111358450B (zh) * | 2020-03-17 | 2023-04-07 | 乐普(北京)医疗器械股份有限公司 | 一种血压分类方法和装置 |
CN114617536A (zh) * | 2022-01-14 | 2022-06-14 | 深圳技术大学 | 一种血压预测方法、装置和计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102429649A (zh) * | 2011-12-14 | 2012-05-02 | 中国航天员科研训练中心 | 连续血压测量装置 |
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 |
CN105877723A (zh) * | 2016-06-22 | 2016-08-24 | 中国科学院苏州生物医学工程技术研究所 | 无创连续血压测量装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100081946A1 (en) * | 2008-09-26 | 2010-04-01 | Qualcomm Incorporated | Method and apparatus for non-invasive cuff-less blood pressure estimation using pulse arrival time and heart rate with adaptive calibration |
GB201402680D0 (en) * | 2014-02-14 | 2014-04-02 | Univ Surrey | Delay coordinate analysis of physiological data |
-
2016
- 2016-12-30 CN CN201611258396.5A patent/CN106889979B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102429649A (zh) * | 2011-12-14 | 2012-05-02 | 中国航天员科研训练中心 | 连续血压测量装置 |
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 |
CN105877723A (zh) * | 2016-06-22 | 2016-08-24 | 中国科学院苏州生物医学工程技术研究所 | 无创连续血压测量装置 |
Non-Patent Citations (2)
Title |
---|
Optical blood pressure estimation with photoplethysmography and FFT-based neural metworks;XIAOMAN XING等;《BIOMEDICAL OPTICS EXPRESS》;20160801;第7卷(第8期);全文 * |
基于神经网络提高准确度的血压测量系统研究;张玮奇;《中国医疗器械杂志》;20111231;第35卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106889979A (zh) | 2017-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106889979B (zh) | 一种基于心电信号和血氧容积波的连续性血压测量系统 | |
US11298029B2 (en) | Blood pressure measuring apparatus, blood pressure measuring method, electronic device, and computer readable storage medium | |
Yoon et al. | Cuff-less blood pressure estimation using pulse waveform analysis and pulse arrival time | |
CN105943005B (zh) | 基于光电绿光脉搏与心电图混合的无创血压检测装置 | |
Kurylyak et al. | A Neural Network-based method for continuous blood pressure estimation from a PPG signal | |
Fortino et al. | PPG-based methods for non invasive and continuous blood pressure measurement: An overview and development issues in body sensor networks | |
CN106821356B (zh) | 基于Elman神经网络的云端连续血压测量方法及系统 | |
KR101210828B1 (ko) | 다중 생체 신호 측정을 이용하여 손목혈압의 정확도를 향상시키는 방법 및 장치 | |
CN107920758B (zh) | 用于确定血压值的方法、装置和计算机程序 | |
Lin et al. | Reduction of interference in oscillometric arterial blood pressure measurement using fuzzy logic | |
CN108366749A (zh) | 动态血压与生命体征监测装置、系统和方法 | |
KR20170115550A (ko) | 대상자의 평균 동맥압을 도출하는 방법 및 장치 | |
JP2001517991A (ja) | データ信号適応平均化方法及び装置 | |
CN102551699B (zh) | 非侵入性心输出量确定的系统 | |
WO2012021765A2 (en) | Methods and apparatus for determining arterial pulse wave velocity | |
Yang et al. | Estimation and validation of arterial blood pressure using photoplethysmogram morphology features in conjunction with pulse arrival time in large open databases | |
CN106539572A (zh) | 一种多参数融合的连续性血压测量方法 | |
CN114145724A (zh) | 基于ecg和ppg多生理特征参数动态监测血压的方法 | |
JP6615970B1 (ja) | 血圧推定装置および血圧推定プログラム | |
Roy et al. | BePCon: A photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning | |
CN113040738B (zh) | 血压检测装置 | |
Priyanka et al. | Estimating blood pressure via artificial neural networks based on measured photoplethysmography waveforms | |
CN113470805A (zh) | 建立血压模型的方法 | |
CN111000544A (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 | |
JP6750030B2 (ja) | 被検者の収縮期血圧および/または拡張期血圧を導出する方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |