CN108185996B - 动脉血管年龄估算模型构建方法和装置 - Google Patents
动脉血管年龄估算模型构建方法和装置 Download PDFInfo
- Publication number
- CN108185996B CN108185996B CN201711453635.7A CN201711453635A CN108185996B CN 108185996 B CN108185996 B CN 108185996B CN 201711453635 A CN201711453635 A CN 201711453635A CN 108185996 B CN108185996 B CN 108185996B
- Authority
- CN
- China
- Prior art keywords
- feature
- age
- vessel age
- normalized
- weighted
- 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
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
Abstract
本发明实施例提供了一种动脉血管年龄估算模型构建方法和装置,涉及心血管疾病监测技术领域,该方法包括:采集样本用户的参考动脉血管年龄、生理信号及个体化信息;对于每个样本用户,按照性别分别执行加权特征获取操作:根据生理信号与个体化信息进行特征的提取;对各个特征进行归一化处理得到归一化特征;根据各个特征与参考动脉血管年龄的相关性系数分别计算各个特征的权重系数;根据归一化特征和权重系数计算各个特征的加权特征;以每个样本用户的加权特征和参考动脉血管年龄作为样本数据训练神经网络,得到动脉血管年龄估算模型。本发明实施例估算准确且适用于家庭医疗,可以为家庭健康提供更有用的生理参数。
Description
技术领域
本发明涉及心血管疾病监测技术领域,尤其是涉及一种动脉血管年龄估算模型构建方法和装置。
背景技术
心血管疾病(CVD)具有高发病率、高致残率等特点,从1990年起持续成为我国居民首位死亡原因。因此,实现对无症状CVD高危人群的筛查并进行一级预防具有重要的临床意义。动脉硬化和动脉血管腔弹性的改变在CVD的发生发展中起到重要作用,是心血管疾病发生的前提。因此,对于血管硬化及弹性改变的监测对心血管事件的发生更具有预见性。对于动脉血管弹性与年龄的判断标准主要包括以下三种:弗雷明汉分数、脉搏波速度以及颈动脉内-中膜厚度。
弗雷明汉分数能够很好地反映动脉老化级别情况,给出十年内心脑血管疾病的发病风险。但是该方法并没有给出相应的血管年龄,而血管年龄相比发病风险更加直观,造成的心理感觉更能够督促患者采取更合理的生活方式;此外上述技术的实施只能在医院进行,许多患者在不发病的情况很少会去医院进行检查,因而大大降低了对心血管疾病的预防效果。
发明内容
有鉴于此,本发明的目的在于提供一种动脉血管年龄估算模型构建方法和装置,可以通过便携式或穿戴式设备实现血管年龄的估算,估算准确且适用于家庭医疗,提高了对心血管疾病的预防效果。
第一方面,本发明实施例提供了一种动脉血管年龄估算模型构建方法,包括:采集样本用户的参考动脉血管年龄,生理信号以及个体化信息;生理信号包括同步的PPG信号和ECG信号;个体化信息包括性别和臂展;对于每个样本用户,按照性别分别执行加权特征获取操作:根据生理信号与个体化信息进行特征的提取;上述特征包括:脉搏波传导速度、归一化重博波与主波的时间延迟、归一化脉搏波上升支时间以及BMI指数;对各个特征进行归一化处理得到归一化特征;根据各个特征与参考动脉血管年龄的相关性系数分别计算各个特征的权重系数;根据归一化特征和权重系数计算各个特征的加权特征;以每个样本用户的加权特征和参考动脉血管年龄作为样本数据训练神经网络,得到动脉血管年龄估算模型。
进一步地,采集多个相同性别用户的生理信号的步骤,包括:测量多个相同性别用户的上臂血压、PPG信号和ECG信号;上臂血压、PPG信号和ECG信号的测量顺序为:第一次上臂血压测量、PPG信号与ECG信号同步测量、第二次上臂血压测量;当两次上臂血压测量的测量值的差值不大于预设偏差阈值时,确定PPG信号和ECG信号为用户的身体信息。
进一步地,根据生理信号与个体化信息进行特征的提取的步骤,包括:对ECG信号进行R波峰值点检测,对PPG信号进行脉搏波起点A、主波B、潮波C、切迹D以及重博波E检测;将脉搏传导距离除以脉搏波起点A与R波峰值点的平均时间延迟得到脉搏波传导速度;将重博波E与主波B的平均时间延迟除以平均心跳周期得到归一化重博波与主波的时间延迟;将主波B与起点脉搏波A的平均时间延迟除以平均心跳周期得到归一化脉搏波上升支时间。
进一步地,根据各个特征与参考动脉血管年龄的相关性系数分别计算各个特征的权重系数的步骤,包括:通过相关系数分析分别求解特征与参考动脉血管年龄的相关性系数Li;按照以下公式分别计算各个特征的权重系数ci:
其中,n为特征的数量。
进一步地,根据归一化特征和权重系数计算各个特征的加权特征的步骤,包括:将归一化特征分别乘以对应的权重系数获得各个特征的加权特征。
进一步地,在根据身体信息进行特征的提取的步骤之前,还包括:对PPG信号和ECG信号进行去噪预处理。
进一步地,上述个体化信息还包括以下一项或多项:自然年龄、身高、体重和烟龄;
对各个特征进行归一化处理得到归一化特征的步骤,包括:结合自然年龄和烟龄对各个特征进行归一化处理得到归一化特征。
进一步地,上述方法还包括:采集目标用户的生理信号与个体化信息;对目标用户执行加权特征获取操作;将目标用户的加权特征输入与目标用户的性别对应的动脉血管年龄估算模型,得到目标用户的动脉血管年龄。
第二方面,本发明实施例还提供一种动脉血管年龄估算模型构建装置,包括:样本采集模块,用于采集样本用户的参考动脉血管年龄、生理信号及个体化信息;生理信号包括同步的PPG信号和ECG信号,个体化信息包括性别和臂展;加权特征获取模块,用于对于每个样本用户,按照性别分别执行加权特征获取操作:根据生理信号与个体化信息进行特征的提取;特征包括:脉搏波传导速度、归一化重博波与主波的时间延迟、归一化脉搏波上升支时间以及BMI指数;对各个特征进行归一化处理得到归一化特征;根据各个特征与参考动脉血管年龄的相关性系数分别计算各个特征的权重系数;根据归一化特征和权重系数计算各个特征的加权特征;训练模块,用于以每个样本用户的加权特征和参考动脉血管年龄作为样本数据训练神经网络,得到动脉血管年龄估算模型。
进一步地,还包括:目标采集模块,用于采集目标用户的生理信号及个体化信息;目标加权特征获取模块,用于对目标用户执行加权特征获取操作;年龄估计模块,用于将目标用户的加权特征输入与目标用户的性别对应的动脉血管年龄估算模型,得到目标用户的动脉血管年龄。
本发明实施例带来了以下有益效果:本发明实施例提供的动脉血管年龄估算模型构建方法和装置,通过样本用户的参考动脉血管年龄及身体信息对血管年龄进行非线性拟合,该构建动脉血管年龄估算模型,可以提高动脉血管年龄的估算精度,并且可以通过便携式或穿戴式设备实现血管年龄的估算,估算准确且适用于家庭医疗,可以为家庭健康提供更有用的生理参数。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种动脉血管年龄估算模型构建方法的流程示意图;
图2为本发明实施例提供的一种PPG及ECG的示意图;
图3为本发明实施例提供的一种动脉血管年龄估算模型构建方法的流程示意图;
图4为本发明实施例提供的一种动脉血管年龄估算模型构建方法的结构示意图;
图5为本发明实施例提供的一种动脉血管年龄估算模型构建方法的结构示意图;
图6为本发明实施例提供的一种监测设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
对于动脉血管弹性与年龄的上述判断标准具体如下:
(1)弗雷明汉分数:美国弗雷明汉研究根据胆固醇和非胆固醇因素来进行心血管疾病危险评分(弗雷明汉分数),其中非胆固醇因素包括糖尿病(高危因素),年龄(男性>45,女性>55),吸烟,高血压,高密度脂蛋白,一级亲属中发生冠心病的病史。该研究通过对累计跟踪的大量数据对每个因素进行打分,然后根据总的打分情况对受试者进行风险判定,可以根据危险评分反映血管老化情况。
(2)脉搏波速度:脉搏波速度(PWV)可以反映血管的软硬程度,例如越硬弹性越差的血管PWV越快,而对于弹性较好的血管PWV则比较慢。因此,在一些研究中常常将脉搏速度作为反映血管硬度的测量指标。例如欧姆龙研发的动脉硬化测量仪通过测量颈-股动脉的脉搏波速度cfPWV来反映血管硬化程度,然后再结合其它测量指标换算出动脉血管年龄。
(3)颈动脉内-中膜厚度:在动脉中,内膜和中膜越厚,动脉血管越容易被动脉硬化的斑块堵塞。医生可以通过超声轻易的测量出颈动脉的内-中膜厚度,该测量值可以用来估计血管年龄。
上述三种方式或者不能准确反应动脉的老化情况,或者不能直接给出动脉血管年龄,且均不适用在家庭医疗测量中使用,不利于对心血管疾病的防治。基于此,本发明实施例提供的一种动脉血管年龄估算模型构建方法和装置,可以通过便携式或穿戴式设备实现血管年龄的估算,估算准确且适用于家庭医疗。
下面结合附图,对本发明的具体实施方式作详细说明。
实施例一
本发明实施例提供了一种动脉血管年龄估算模型构建方法,参见图1所示的动脉血管年龄估算模型构建方法的流程示意图,该方法包括如下步骤:
步骤S102,采集样本用户的参考动脉血管年龄、生理信号及个体化信息。
由于性别不同的用户存在较大的生理差异,在进行动脉血管年龄估算模型构建时,考虑到估计模型的准确性,将针对男性和女性分别构建估算模型。其中,不同性别的模型使用的数据种类相同,特征提取及模型训练也采用相同的方式。上述生理信号包括同步的PPG(photoplethysmograph,利用光电容积描记)信号和ECG(electrocardiogram,心电图)信号,个体化信息包括性别和臂展。其中,臂展用于计算脉搏波传导速度。
在本实施例中可以使用欧姆龙动脉硬化仪测量获取样本用户的参考动脉血管年龄,也可以使用其他手段获得该参考动脉血管年龄,本实施例对此不作限定。本实施例可以通过家用医疗设备(电子血压计)和可穿戴设备(可测量指端光电容积脉搏波及心电图)进行个人动脉血管年龄的估计,因此在家庭医疗中可以由用户独立完成测量。
步骤S104,对于每个样本用户,按照性别分别执行加权特征获取操作。
加权特征获取操作可以包括:根据生理信号与个体化信息进行特征的提取;对各个特征进行归一化处理得到归一化特征;根据各个特征与参考动脉血管年龄的相关性系数分别计算各个特征的权重系数;根据归一化特征和权重系数计算各个特征的加权特征。
(1)根据上述生理信号与个体化信息进行特征的提取,包括对PPG及ECG的特征提取。在提取之前先对PPG及ECG进行关键点检测,ECG关键点的检测包括进行R波峰值点检测,该点作为脉搏波传导的起始时间参考;PPG关键点的检测主要检出脉搏波起点A、主波B、潮波C、切迹D以及重博波E。参见图2所示的PPG及ECG的示意图,其中示出了上述各关键点。
提取的上述特征可以包括:脉搏波传导速度、归一化重博波与主波的时间延迟、归一化脉搏波上升支时间以及BMI指数。参见图2,上述特征的计算方式如下:
脉搏波传导速度(PWV):首先根据PPG起点A与ECG的R波间的时间延迟计算脉搏传递时间(PTT),然后通过以下公式计算:PWV=脉搏传导距离(L/2)/PTT。其中PTT为多次计算得出的平均脉搏波时间,L为臂展(双臂伸直与肩平,测量两中指指端间的距离)。
归一化重博波与主波的时间延迟(T1):测量主波B与重博波E间的时间延迟Tbe,然后计算T1,其求解公式为:T1=Tbe/RR,其中Tbe为平均时间延迟,RR为测量的平均心跳周期,即两个相邻R波的平均时间差。
归一化脉搏波上升支时间(T2):测量主波B与起点A间的时间延迟Tab,然后计算T2,其计算公式为:T2=Tab/RR,其中Tab为平均时间延迟。
BMI指数:通过以下公式计算BMI指数:BMI指数=体重公斤数/身高米数的平方。在此需要说明的是,在采集样本用户的个体化信息时,还可以采集样本用户的身高和体重,再通过身高、体重计算出BMI指数,或者在样本用户已知自身的BMI指数的情况下,可以直接采集样本用户的BMI指数,本实施例对此不作限定。
(2)对各个特征进行归一化处理得到归一化特征。
将上述PWV、T1、T2和BMI分别归一化到区间[a,b]。归一化方法可以采用Z-score标准法,其转化函数为x*=x-μ/σ,其中μ与σ为样本集所有某一特征的均值与标准差(特征的归一化是对每个特征属性分别进行归一化)。在使用本实施例构建的模型进行估算时,使用同样的μ与σ进行特征归一化。上述归一化的方法还可以采用现有的其他归一化方法,本实施例对此不作限定。
(3)根据各个特征与参考动脉血管年龄的相关性系数分别计算各个特征的权重系数。
在本步骤中可以通过相关系数分析分别求解特征与参考动脉血管年龄的相关性系数Li,然后按照以下公式分别计算各个特征的权重系数ci:
其中,n为特征的数量。在本实施例中使用了三个特征PWV、T1和T2,各相关性系数分别使用L1、L2、L3表示,n=3。
(4)根据归一化特征和权重系数计算各个特征的加权特征。
将上述步骤(2)中得到的归一化特征分别乘以上述步骤(3)中得到的对应的权重系数,即可获得上述各个特征的加权特征。
步骤S106,以每个样本用户的加权特征和参考动脉血管年龄作为样本数据训练神经网络,得到动脉血管年龄估算模型。
本实施例可以采用神经网络对血管年龄进行拟合,通过样本集的样本数据对神经网络进行训练获得最佳网络参数,从而获得对测试样本具有很好血管年龄预测能力的非线性模型。神经网络的输入为上述特征PWV、T1、T2和BMI,输出为动脉血管年龄。上述神经网络可以为多层神经网络,其隐含层层数以及每层节点个数可以为达到较优结果的任意数。
本发明实施例提供的动脉血管年龄估算模型构建方法,通过样本用户的参考动脉血管年龄及身体信息对血管年龄进行非线性拟合,该构建动脉血管年龄估算模型,可以提高动脉血管年龄的估算精度,并且可以通过便携式或穿戴式设备实现血管年龄的估算,估算准确且适用于家庭医疗,可以为家庭健康提供更有用的生理参数。
在进行用户的身体信息的采集时,为了减小测量误差,可以按照如下方式进行:
(1)测量用户的上臂血压、PPG信号和ECG信号。其中,上臂血压、PPG信号和ECG信号的测量顺序为:第一次上臂血压测量、PPG信号与ECG信号同步测量、第二次上臂血压测量。通过两次血压测量然后求平均可以减少测量带来的误差,按照上述顺序测量血压求取的平均值更能反映测量PPG与ECG时的血压值。PPG的采集位置位于指端,ECG测量可以选择肢体导联方式,以方便用户操作。PPG信号和ECG信号同步测量,以便于后续步骤中对特征的计算。
(2)当两次上臂血压测量的测量值的差值不大于预设偏差阈值时,确定PPG信号和ECG信号为用户的身体信息。
上述预设偏差阈值可以根据血压的平稳性需求确定,例如可以确定为15mmHg,当两次测量的误差大于15mmHg时,样本用户可能处于不稳定的状态或者测量存在问题,放弃此次测量的PPG信号和ECG信号,重新按上述顺序测量。
考虑到采集的PPG信号和ECG信号存在噪声,为了提高特征提取的精度,在执行加权特征获取操作还包括对PPG信号和ECG信号进行去噪预处理的步骤。对采集的原始PPG、ECG信号进行去噪预处理,可以包括去基线漂移、工频干扰及其它噪声。对于PPG,其噪声主要是基线漂移,可以采用截止频率为0.3HZ的高通滤波器去除基线漂移;对于ECG信号,可以先通过小波技术去除基线漂移,然后通过小波与巴特沃兹滤波器联合去噪方法去除ECG其它干扰噪声。
为了提高动脉血管年龄模型的估计精度,可以增加更多参数进行模型拟合,上述样本用户的个体化信息还可以包括以下一项或多项:自然年龄、身高、体重和烟龄。其中,身高和体重可以用来计算BMI指数。上述个体化信息可以通过用户主动输入获得。在增加上述个体化信息后,上述各个特征进行归一化处理得到归一化特征的步骤还可以包括:结合自然年龄和烟龄对各个特征进行归一化处理得到归一化特征,即对增加的特征:自然年龄和烟龄也进行归一化处理,并且以增加上述特征后的所有特征执行后续的计算权重系数及对应的加权特征的步骤,并使用上述所有特征的加权特征进行模型拟合。
通过上述自然年龄、PWV、T1、T2、BMI指数、烟龄,可以根据多种模型进行动脉血管年龄拟合,例如一元线性模型、多元线性回归、多元非线性回归等。
在本实施例的方法得到动脉血管年龄估算模型后,即可用于估算目标用户的动脉血管年龄,在向动脉血管年龄估算模型输入加权后的特征,即可得到该目标用户的动脉血管年龄输出。本实施例的上述方法还包括如下步骤:采集目标用户的身体信息;对目标用户执行加权特征获取操作;将目标用户的加权特征输入与目标用户的性别对应的动脉血管年龄估算模型,得到目标用户的动脉血管年龄。
其中采集步骤和加权特征获取步骤,均与上述动脉血管年龄估算模型构建过程中的步骤相同,在此不再赘述。
本发明实施例提供的动脉血管年龄估算模型构建方法,在构建动脉血管年龄估算模型后,可以对目标用户的动脉血管年龄进行估算,估算准确且适用于家庭医疗,可以为家庭健康提供更有用的生理参数。
实施例二
本发明实施例提供了一种动脉血管年龄估算模型构建方法,该方法以用户的身体信息包括年龄、PWV、T1、T2、BMI指数和烟龄为例进行说明。本实施例提供的方法,选取的上述参数是根据现有医学及数学理论进行合理设计的,其均对用户的动脉血管年龄有较明显影响,详细分析如下:
(1)血管年龄一般会随着自然年龄的增加而增加,但由于个体因素(如抽烟,饮食、肥胖等),二者的增加并不成线性关系;(2)PWV是直接反应动脉血管弹性的重要指标,血管弹性越好PWV越慢,血管越硬PWV越快;(3)脉搏波中的主波与重搏波间的时间延迟与血管弹性有直接关系,弹性越好的血管时间延迟T1越大;(4)脉搏波上升支时间T2反应了心脏从射血开始到血压最大值的时间,该时间越长说明外周阻力越大,间接说明血管老化程度越大;(5)BMI指数越大说明人体越肥胖,肥胖是心血管疾病的重要因素;(6)弗雷明汉研究证明吸烟对心血管有严重的危害,烟龄越大危害越大。
本实施例提供的动脉血管年龄估算模型构建方法,参见图3所示的流程示意图,包括如下步骤:
步骤S302,记录样本用户的基本数据。
该基本数据包括年龄、性别、身高、体重、臂展(双臂伸直与肩平,测量两中指指端间的距离L)以及烟龄。本实施例采用男女独立建模的方式,样本的年龄均匀分布在30~70岁之间。
步骤S304,获取样本用户的上臂血压、PPG信号和ECG信号。
步骤S306,对PPG信号和ECG信号进行去噪预处理。
步骤S308,进行ECG和PPG关键点检测。在获得经过去噪预处理后的ECG和PPG后,对两者的波形进行关键点检测。
步骤S310,对ECG和PPG进行特征提取。该特征包括上述PWV、T1、和T2。
步骤S312,分别通过相关系数自动分析求解血管年龄与年龄、PWV、T1、T2、BMI指数、烟龄间的相关性系数L1、L2、L3、L4、L5、L6。
其中,相关性系数通过预先编写的程序自动计算。L1~L6分别为血管年龄与年龄、PWV、T1、T2、BMI指数、烟龄间的相关性系数,以相关性系数L1为例,动脉血管年龄与年龄之间的相关系数表明了二者的相关程度(0≤L1≤1),当时L1=0时表示血管年龄与年龄间没有任何关系,当L1=1时表明二者完全相关。
步骤S314,将年龄、PWV、T1、T2、BMI指数、烟龄分别归一化。在本实施例中分别使用a,p,t1,t2,bmi和s表示上述特征归一化后的特征向量。
步骤S316,计算年龄、PWV、T1、T2、BMI指数、烟龄的特征权重。在本实施例中分别使用ci(i=1,…,6)表示年龄、PWV、T1、T2、BMI指数、烟龄对于血管年龄估计模型的贡献权重。
步骤S318,计算加权特征。将步骤S314得到的归一化特征乘以步骤S316获得的特征权重,获得加权特征向量。该加权特征向量可以表示为[a*c1,p*c2,t1*c3,t2*c4,bmi*c5,s*c6]。
步骤S320,非线性模型拟合,得到动脉血管年龄估算模型。
本实施例可以采用多层神经网络对血管年龄进行拟合,该多层神经网络的输入特征为:年龄、PWV、T1、T2、BMI指数和烟龄,输出为估算的动脉血管年龄。
步骤S322,向上述估算模型输入目标用户的自然年龄、PWV、T1、T2、BMI指数和烟龄的加权特征,获得估算的该目标用户的动脉血管年龄。
本发明实施例提供的动脉血管年龄估算模型构建方法,通过样本用户的参考动脉血管年龄及身体信息对血管年龄进行非线性拟合,该构建动脉血管年龄估算模型,可以提高动脉血管年龄的估算精度,并且可以通过便携式或穿戴式设备实现血管年龄的估算,估算准确且适用于家庭医疗,可以为家庭健康提供更有用的生理参数。
实施例三
本发明实施例提供了一种动脉血管年龄估算模型构建装置,参见图4所示的动脉血管年龄估算模型构建装置的结构示意图,包括样本采集模块10、加权特征获取模块20和训练模块30,其中,各模块的功能如下:
样本采集模块10,用于采集样本用户的参考动脉血管年龄、生理信号及个体化信息;生理信号包括同步的PPG信号和ECG信号,个体化信息包括性别和臂展;
加权特征获取模块20,用于对于每个样本用户,按照性别分别执行加权特征获取操作:根据生理信号与个体化信息进行特征的提取;特征包括:脉搏波传导速度、归一化重博波与主波的时间延迟、归一化脉搏波上升支时间以及BMI指数;对各个特征进行归一化处理得到归一化特征;根据各个特征与参考动脉血管年龄的相关性系数分别计算各个特征的权重系数;根据归一化特征和权重系数计算各个特征的加权特征;
训练模块30,用于以每个样本用户的加权特征和参考动脉血管年龄作为样本数据训练神经网络,得到动脉血管年龄估算模型。
参见图5所示的动脉血管年龄估算模型构建装置的结构示意图,上述装置还包括:
目标采集模块40,用于采集目标用户的生理信号及个体化信息;
目标加权特征获取模块50,用于对目标用户执行加权特征获取操作;
年龄估计模块60,用于将目标用户的加权特征输入与目标用户的性别对应的动脉血管年龄估算模型,得到目标用户的动脉血管年龄。
本发明实施例提供的动脉血管年龄估算模型构建装置,通过样本用户的参考动脉血管年龄及身体信息对血管年龄进行非线性拟合,该构建动脉血管年龄估算模型,可以提高动脉血管年龄的估算精度,并且可以通过便携式或穿戴式设备实现血管年龄的估算,估算准确且适用于家庭医疗,可以为家庭健康提供更有用的生理参数。
本发明实施方式还提供了一种监测设备,该监测设备可以单独设置,并与家用医疗设备(例如电子血压计)和可穿戴设备(例如可测量指端光电容积脉搏波及心电图的手环、运动手表等设备)通信连接,也可以设置在上述家用医疗设备或可穿戴设备内部,从而利用上述家用医疗设备或可穿戴设备的硬件条件。该监测设备可以包括上述实施例提供的动脉血管年龄估算模型构建装置。
参见图6所示的一种监测设备的结构示意图,包括处理器600和机器可读存储介质601,机器可读存储介质601存储有能够被处理器600执行的机器可执行指令,处理器600执行机器可执行指令以实现上述实施例提供的方法。
图6所示的监测设备还包括总线602和通信接口603,处理器600、通信接口603和机器可读存储介质601通过总线602连接。其中,通信接口603可以与上述家用医疗设备和可穿戴设备进行通信连接,并获取其采集的生理信号或个体化信息,例如PPG、ECG等信号。
其中,机器可读存储介质601可能包含高速随机存取存储器(RAM,Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口603(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线602可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器600可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器600中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器600可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施方式中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施方式所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于机器可读存储介质601,处理器600读取机器可读存储介质601中的信息,结合其硬件完成前述实施方式的方法的步骤,包括动脉血管年龄估算模型的构建和使用该模型估计目标用户的动脉血管年龄。
本发明实施方式还提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现上述实施方式的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施方式中的对应过程,在此不再赘述。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开各个实施方式上述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施方式,仅为本公开的具体实施方式,用以说明本公开的技术方案,而非对其限制,本公开的保护范围并不局限于此,尽管参照前述实施方式对本公开进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,其依然可以对前述实施方式所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本公开实施方式技术方案的精神和范围,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种动脉血管年龄估算模型构建方法,其特征在于,包括:
采集样本用户的参考动脉血管年龄、生理信号及个体化信息;所述生理信号包括同步的PPG信号和ECG信号,所述个体化信息包括性别和臂展;
对于每个所述样本用户,按照性别分别执行加权特征获取操作:根据所述生理信号与所述个体化信息进行特征的提取;所述特征包括:脉搏波传导速度、归一化重博波与主波的时间延迟、归一化脉搏波上升支时间以及BMI指数;对各个所述特征进行归一化处理得到归一化特征;根据各个所述特征与所述参考动脉血管年龄的相关性系数分别计算各个所述特征的权重系数;根据所述归一化特征和所述权重系数计算各个所述特征的加权特征;
以每个所述样本用户的所述加权特征和所述参考动脉血管年龄作为样本数据训练神经网络,得到动脉血管年龄估算模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述生理信号与所述个体化信息进行特征的提取的步骤,包括:
对ECG信号进行R波峰值点检测,对PPG信号进行脉搏波起点A、主波B、潮波C、切迹D以及重博波E检测;
将脉搏传导距离除以所述脉搏波起点A与所述R波峰值点的平均时间延迟得到所述脉搏波传导速度;
将所述重博波E与所述主波B的平均时间延迟除以平均心跳周期得到所述归一化重博波与主波的时间延迟;
将所述主波B与所述起点脉搏波A的平均时间延迟除以所述平均心跳周期得到所述归一化脉搏波上升支时间。
4.根据权利要求1所述的方法,其特征在于,所述根据所述归一化特征和所述权重系数计算各个所述特征的加权特征的步骤,包括:
将所述归一化特征分别乘以对应的所述权重系数获得各个所述特征的加权特征。
5.根据权利要求1所述的方法,其特征在于,在执行加权特征获取操作的步骤还包括:
对所述PPG信号和所述ECG信号进行去噪预处理。
6.根据权利要求1所述的方法,其特征在于,所述个体化信息还包括以下一项或多项:自然年龄、身高、体重和烟龄;
对各个所述特征进行归一化处理得到归一化特征的步骤,包括:结合自然年龄和烟龄对各个所述特征进行归一化处理得到归一化特征。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采集目标用户的生理信号及个体化信息;
对所述目标用户执行所述加权特征获取操作;
将所述目标用户的加权特征输入与所述目标用户的性别对应的所述动脉血管年龄估算模型,得到所述目标用户的动脉血管年龄。
8.一种动脉血管年龄估算模型构建装置,其特征在于,包括:
样本采集模块,用于采集样本用户的参考动脉血管年龄、生理信号及个体化信息;所述生理信号包括同步的PPG信号和ECG信号,所述个体化信息包括性别和臂展;
加权特征获取模块,用于对于每个所述样本用户,按照性别分别执行加权特征获取操作:根据所述生理信号与所述个体化信息进行特征的提取;所述特征包括:脉搏波传导速度、归一化重博波与主波的时间延迟、归一化脉搏波上升支时间以及BMI指数;对各个所述特征进行归一化处理得到归一化特征;根据各个所述特征与所述参考动脉血管年龄的相关性系数分别计算各个所述特征的权重系数;根据所述归一化特征和所述权重系数计算各个所述特征的加权特征;
训练模块,用于以每个所述样本用户的所述加权特征和所述参考动脉血管年龄作为样本数据训练神经网络,得到动脉血管年龄估算模型。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
目标采集模块,用于采集目标用户的生理信号及个体化信息;
目标加权特征获取模块,用于对所述目标用户执行所述加权特征获取操作;
年龄估计模块,用于将所述目标用户的加权特征输入与所述目标用户的性别对应的所述动脉血管年龄估算模型,得到所述目标用户的动脉血管年龄。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711453635.7A CN108185996B (zh) | 2017-12-27 | 2017-12-27 | 动脉血管年龄估算模型构建方法和装置 |
PCT/CN2018/070071 WO2019127623A1 (zh) | 2017-12-27 | 2018-01-02 | 动脉血管年龄估算模型构建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711453635.7A CN108185996B (zh) | 2017-12-27 | 2017-12-27 | 动脉血管年龄估算模型构建方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108185996A CN108185996A (zh) | 2018-06-22 |
CN108185996B true CN108185996B (zh) | 2020-01-10 |
Family
ID=62584915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711453635.7A Active CN108185996B (zh) | 2017-12-27 | 2017-12-27 | 动脉血管年龄估算模型构建方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108185996B (zh) |
WO (1) | WO2019127623A1 (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109171812B (zh) * | 2018-09-26 | 2021-08-10 | 南京邮电大学 | 一种基于弹性模量的颈动脉衰老预测方法 |
CN111569207A (zh) * | 2019-02-17 | 2020-08-25 | 胡宁 | 一种呼吸控制系统及无创呼吸机 |
CN110176309A (zh) * | 2019-05-28 | 2019-08-27 | 上海大学 | 一种用于预测心血管疾病的医疗数据处理方法 |
CN110731761B (zh) * | 2019-09-09 | 2022-10-11 | 上海掌门科技有限公司 | 一种用于确定脉搏波特征信息的方法与设备 |
CN110710960B (zh) * | 2019-09-12 | 2022-12-09 | 东莞市康助医疗科技有限公司 | 一种动脉血管年龄推算方法及装置 |
CN111000537B (zh) * | 2019-12-24 | 2022-05-27 | 中国人民解放军陆军军医大学第一附属医院 | 一种修正年龄性别和血压对脉搏波传播速度的影响的方法 |
CN110960199B (zh) * | 2019-12-24 | 2022-05-27 | 中国人民解放军陆军军医大学第一附属医院 | 一种双变量测量动脉硬化程度的系统 |
CN112582067A (zh) * | 2020-12-21 | 2021-03-30 | 安徽华米智能科技有限公司 | 基于大数据的年龄估计模型训练、年龄估计方法和装置 |
CN112967780A (zh) * | 2021-01-27 | 2021-06-15 | 安徽华米健康科技有限公司 | 基于pai的体能年龄预测方法、装置、设备和存储介质 |
CN113034123B (zh) * | 2021-02-19 | 2024-03-12 | 腾讯科技(深圳)有限公司 | 异常资源转移识别方法、装置、电子设备及可读存储介质 |
CN113229787A (zh) * | 2021-03-22 | 2021-08-10 | 安庆师范大学 | 基于脉搏信号形状特征的血管年龄估算及有效性评价方法 |
US20220336104A1 (en) * | 2021-04-16 | 2022-10-20 | Withings | Devices, Systems and Processes to Compute A Vascular Health Related Score |
CN113558586A (zh) * | 2021-07-22 | 2021-10-29 | 北京小米移动软件有限公司 | 用户健康的监测方法及装置、终端设备、存储介质 |
CN113488173B (zh) * | 2021-08-02 | 2022-07-29 | 广州瑞铂茵健康科技有限公司 | 一种人体免疫系统生理年龄的确定方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050038351A1 (en) * | 2003-07-23 | 2005-02-17 | Starobin Joseph M. | Method and system for evaluating cardiac ischemia based on heart rate fluctuations |
US7220230B2 (en) * | 2003-12-05 | 2007-05-22 | Edwards Lifesciences Corporation | Pressure-based system and method for determining cardiac stroke volume |
WO2005102157A1 (ja) * | 2004-03-31 | 2005-11-03 | U-Medica Inc. | 血管年齢の評価方法 |
US7945462B1 (en) * | 2005-12-28 | 2011-05-17 | United Services Automobile Association (Usaa) | Systems and methods of automating reconsideration of cardiac risk |
CN100515327C (zh) * | 2007-12-06 | 2009-07-22 | 山东大学 | 一种心血管系统联合变异性指标的检测方法和装置 |
JP5045514B2 (ja) * | 2008-03-19 | 2012-10-10 | オムロンヘルスケア株式会社 | 電子血圧計 |
RU2011152181A (ru) * | 2011-12-20 | 2013-06-27 | Государственное бюджетное образовательное учреждение высшего профессионального образования Ижевская государственная медицинская академия Министерства здравоохранения и социального развития Российской Федерации | Способ определения степени тяжести артериальной гипертонии |
US10568582B2 (en) * | 2013-03-13 | 2020-02-25 | Everist Genomics, Inc. | System and method for using flow-mediated dilation to provide an adjusted vascular age as an indicator of risk of cardiovascular disease |
CN104665768B (zh) * | 2013-10-03 | 2019-07-23 | 塔塔咨询服务有限公司 | 生理参数的监测 |
JP6854612B2 (ja) * | 2015-10-06 | 2021-04-07 | 三星電子株式会社Samsung Electronics Co.,Ltd. | 生体情報測定装置及び生体情報測定方法並びにコンピュータ読み取り可能な記録媒体 |
-
2017
- 2017-12-27 CN CN201711453635.7A patent/CN108185996B/zh active Active
-
2018
- 2018-01-02 WO PCT/CN2018/070071 patent/WO2019127623A1/zh active Application Filing
Non-Patent Citations (2)
Title |
---|
A Model-based Calibration Method for Noninvasive and Cuffless Measurement of Arterial Blood Pressure;Y.S.Yan等;《2006IEEE》;20061231;第234-236页 * |
年龄相关性黄斑变性的血管模型;黄霄 等;《中国中医眼科杂志》;20050228;第15卷(第1期);第50-52页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2019127623A1 (zh) | 2019-07-04 |
CN108185996A (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108185996B (zh) | 动脉血管年龄估算模型构建方法和装置 | |
Kachuee et al. | Cuff-less high-accuracy calibration-free blood pressure estimation using pulse transit time | |
El-Hajj et al. | A review of machine learning techniques in photoplethysmography for the non-invasive cuff-less measurement of blood pressure | |
CN112274126B (zh) | 一种基于多路脉搏波的无创连续血压检测方法、装置 | |
Charlton et al. | Breathing rate estimation from the electrocardiogram and photoplethysmogram: A review | |
Forouzanfar et al. | Oscillometric blood pressure estimation: past, present, and future | |
JP5689116B2 (ja) | 分節プレチスモグラフィを用いて反応性充血を検出及び評価する方法及び機器 | |
JP2021519621A (ja) | フォトプレチスモグラフィック(ppg)シグナルに基づいて血圧および動脈壁の硬化を推定する方法 | |
CN112274127B (zh) | 一种基于单路脉搏波的无创连续血压检测方法、装置 | |
CN112274121B (zh) | 一种基于多路脉搏波的无创动脉硬化检测方法、装置 | |
Yang et al. | Estimation and validation of arterial blood pressure using photoplethysmogram morphology features in conjunction with pulse arrival time in large open databases | |
WO2017092020A1 (zh) | 一种血压测量方法及装置 | |
Kumar et al. | Traditional practices and recent advances in Nadi Pariksha: A comprehensive review | |
CN112274120B (zh) | 一种基于单路脉搏波的无创动脉硬化检测方法、装置 | |
Mieloszyk et al. | A comparison of wearable tonometry, photoplethysmography, and electrocardiography for cuffless measurement of blood pressure in an ambulatory setting | |
CN112089405A (zh) | 一种脉搏波特征参数测量及显示装置 | |
He et al. | A new approach for daily life Blood-Pressure estimation using smart watch | |
Ertuğrul et al. | A noninvasive time-frequency-based approach to estimate cuffless arterial blood pressure | |
Hsiao et al. | Design and implementation of auscultation blood pressure measurement using vascular transit time and physiological parameters | |
Yang et al. | Blood pressure estimation from photoplethysmogram and electrocardiogram signals using machine learning | |
Shin et al. | Calculation and validation of continuous pulse transit time based on normalized pulse wave velocity | |
Yen et al. | Development of a continuous blood pressure measurement and cardiovascular multi-indicator platform for Asian populations by using a back propagation neural network and dual photoplethysmography sensor signal acquisition technology | |
Baruch | Pulse decomposition analysis techniques | |
Akbulut et al. | Estimation of Beat-to-Beat Interval from Wearable Photoplethysmography Sensor on Different Measurement Sites During Daily Activities | |
Manamperi et al. | A robust neural network-based method to estimate arterial blood pressure using photoplethysmography |
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 |