CN109965862A - 一种无袖带式长时连续血压无创监测方法 - Google Patents
一种无袖带式长时连续血压无创监测方法 Download PDFInfo
- Publication number
- CN109965862A CN109965862A CN201910305930.0A CN201910305930A CN109965862A CN 109965862 A CN109965862 A CN 109965862A CN 201910305930 A CN201910305930 A CN 201910305930A CN 109965862 A CN109965862 A CN 109965862A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- model
- monitoring
- parameters
- value
- 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.)
- Granted
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 205
- 238000012544 monitoring process Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 51
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 230000007774 longterm Effects 0.000 claims description 28
- 238000013186 photoplethysmography Methods 0.000 claims description 26
- 230000035488 systolic blood pressure Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 22
- 230000035487 diastolic blood pressure Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 19
- 239000008280 blood Substances 0.000 claims description 15
- 210000004369 blood Anatomy 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000001575 pathological effect Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 230000003278 mimic effect Effects 0.000 claims description 6
- 238000004138 cluster model Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000003205 diastolic effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000036285 pathological change Effects 0.000 claims description 3
- 231100000915 pathological change Toxicity 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims description 2
- 238000002955 isolation Methods 0.000 claims description 2
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 206010020772 Hypertension Diseases 0.000 abstract description 10
- 230000001991 pathophysiological effect Effects 0.000 abstract 2
- 230000002265 prevention Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 208000025494 Aortic disease Diseases 0.000 description 1
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000005764 Peripheral Arterial Disease Diseases 0.000 description 1
- 208000030831 Peripheral arterial occlusive disease Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 239000002220 antihypertensive agent Substances 0.000 description 1
- 229940127088 antihypertensive drug Drugs 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008816 organ damage Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
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
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及一种无袖带式长时连续血压无创监测方法，属于生物医学工程领域。该方法包括：通过与计算机相连的心电信号和光电容积脉搏波信号监测子系统获取生理病理特征参数；由血压无创动态监测模型簇和血压动态长时监测软件子系统对参数进行无缝融合和处理分析，得到每个心跳节拍的血压值并实现动态长时的连续血压监测；血压无创动态监测模型簇是从无袖带式血压测量出发，采用上述信号测量子系统监测病人的生理病理特征参数，基于患者个体差异‑特征参数平均影响值‑机器学习方法构建，使系统具有血压长时连续测量的模型自校正能力。本发明提高了血压长时测量的稳定性和监测精度，血压的连续节拍或长时测量，可为高血压病的防治奠定更有效的基础。
Description
技术领域
本发明属于生物医学工程领域，涉及一种无袖带式长时连续血压无创监测方法。
背景技术
当今，高血压发病率越来越高，严重危害人体健康，大量流行病学及临床证据表明，长期患有高血压病会增加患者发生缺血性心脏病、脑卒中、肾衰竭、主动脉和外周动脉疾病等靶器官损害的风险。高血压病属于慢性疾病，多数需要长期终身护理，而对高血压患者生活方式控制的成效，降压药物的药效及高血压的介入治疗的功效评估，都需要对血压进行长时间动态监测，现有研究表明，每搏血压的变异性对高血压的判断意义也正引起越来越多的重视，因此对高血压患者的连续血压监测显得尤为重要。
但是血压由于受诸多因素，如身体状况、情绪、生理韵律和环境条件等影响，单次测量血压存在较大差别；同时在心律不齐时，采用断续测量方法测量血压较困难。而连续测量方法可在每个心动周期测量血压，从而可以更早地识别出血压的变化并给予及时的治疗，在临床及医学研究中具有更重要的意义。
有创血压监测和无创袖带血压监测是目前临床最常用的两种用于长时动态监测血压的方法，但因其各自的缺陷而限制其临床应用。文献可见的无创连续血压检测方法包括动脉张力法、容积补偿法、脉搏波传导时间法(PWTT)以及脉搏波特征参数(PWPs)法。其中脉搏波传导时间法和脉搏波特征参数法相对测量方便、舒适度高、效果较理想。近几年，诸多学者对PWTT法和PWPs法做了大量的研究，目的在于提高测量精度，以求能够应用于临床。而现有的基于PWTT法或PWPs法的连续血压监测模型仍存在许多不足，不同的PWTT的定义得到的血压预测效果不同，甚至不同研究得到相反的结论，导致利用此类方法建立的血压模型临床监测的稳定性和精度不够理想，不能克服个体差异和长时监测过程中复杂因素的影响，还没有真正达到临床广泛接受的程度。
综上所述，血压连续无创监测方法虽然已有长足发展，但仍存在以下问题：(1)不同的方法在临床应用中缺乏普适性，必须在一定条件、一定范围和时间内应用才能满足基本精度要求；(2)不同文献采用了脉搏波等生理信号的不同特征信息作为血压预测模型输入，但得到的结果不一致，甚至相反，因而限制了这些方法的应用；(3)多数研究仅取脉搏波等生理信号的一个或若干个特征信息作为血压预测模型输入，较少或没有考虑每个心跳节拍的脉搏波等生理信号波形的整体特性是人体循环系统及血流动力学特性的综合反映；(4)目前所见方法和设备更多地着眼于血压的单点或短时的测量，且在此过程中，需要多次甚至不断的校准，限制了其应用，更不能进行长时或动态的血压无创监测。
发明内容
有鉴于此，本发明的目的在于提供一种无袖带式长时连续血压无创监测方法，通过探究基于每个心跳节拍脉搏波整体特性下的脉搏波传输时间和脉搏波特征参数的无袖带式连续血压无创综合监测方法，研究心电信号、光电容积脉搏波信号不同特征参数对血压预测结果的影响重要性程度，以及不同特征参数变化对血压输出精度影响的规律，构建血压无创动态监测模型簇，实现无袖带式血压无创动态长时监测过程中的模型结构及不同神经元之间连接权值的自适应动态调整，保证整个监测过程的血压预测精度，实现真正的动态连续节拍的血压长时监测，避免有创测量带来的创伤及袖带血压监测充放气的束缚。
为达到上述目的，本发明提供如下技术方案：
一种无袖带式长时连续血压无创监测方法，具体包括以下步骤：
S1：构建血压无创动态监测模型簇Models；
S2：通过与计算机相连的心电信号和光电容积脉搏波信号监测子系统获取生理病理特征参数；
S3：由血压无创动态监测模型簇和血压动态长时监测软件子系统对参数进行无缝融合和处理分析，得到每个心跳节拍的血压值并实现动态长时的连续血压监测；
进一步，所述步骤S1具体包括以下步骤：
S11：从无袖带式血压测量出发，采用心电信号和光电容积脉搏波测量子系统监测病人的生理病理信号并提取信号特征参数；
S12：基于患者个体差异-特征参数平均影响值-机器学习方法，评估不同参数对血压模型输出产生影响的重要程度，以及这些参数在血压动态监测过程中产生多大变化时会对血压预测模型输出结果产生显著性影响的规律；
S13：基于MIMIC数据库和实测数据样本集，结合患者个体差异性指标，利用机器学习方法进行分类，找出影响血压预测精度的重要性参数及其变化量大小对血压预测结果影响的规律，得到不同类别下的数据样本，将其划分为不同类别下的训练样本和验证样本子集；
S14：利用对应类别下的训练样本子集对MIV-BP模型进行训练，构建基于遗传算法GA的GA-MIV-BP网络模型，从而构建血压无创动态监测模型簇Models。
进一步，所述步骤S3具体包括以下步骤：
S31：应用心电信号和光电容积脉搏波信号监测子系统，利用软件子系统的信号处理和特征提取功能，根据每个心跳节拍的心电信号和光电容积脉搏波信号的特征点进行特征参数提取；
S32：应用血压预测模型确定患者血压监测过程中患者生理病理变化重要性参数及其变化量，得到在血压无创动态监测模型簇中的匹配类别i，根据类别匹配对应的血压无创监测模型Modeli，对患者每个心跳节拍的血压值进行预测；
S33：通过每个节拍的心电和光电容积脉搏波信号的生理病理特征参数的提取和变化程度的计算，在血压动态长时测量过程中，实时判断与血压预测模型簇中模型的匹配类别，从而实现自适应选择无创动态监测模型簇中的合适模型进行当前心跳节拍的血压预测，实现血压预测模型的“自校正”，得到长时监测过程中连续心跳节拍的血压值，并通过显示器显示；
S34：对连续节拍的血压值进行动态变化过程分析，得到血压实时变化曲线，通过显示器显示。
进一步，所述心电信号和光电容积脉搏波信号监测软件子系统包括心电监测传感器及导联线、光电容积脉搏波传感器、心电信号隔离放大模块、光电容积脉搏波信号隔离放大模块和数据采集模块；
所述心电和光电容积脉搏波传感器采集的信号经过各自的隔离放大模块，通过数据采集模块转变为数字量进入计算机，作为血压预测模型的输入量，通过显示器显示心电信号、光电容积脉搏波信号、实测血压动态变化波形和每10个心跳节拍更新的血压平均值；某一时刻的血压预测模型是由软件子系统根据测量得到的心电信号和光电容积脉搏波信号的特征参数自适应从血压无创动态监测模型簇中匹配类别确定的，在血压动态长时测量过程中实现血压预测模型的自校正，而不需要进行血压预测模型的人为校正。
进一步，步骤S14中，训练得到基于患者个体差异-特征参数平均影响值-人工神经网络的无创血压预测模型，具体步骤为：
1)BP神经网络模型的训练：将提取的脉搏波传输时间PWTT和PWPs共17个参数作为输入量，以临床实测数据得到的SBP或DBP作为输出量，分别训练出1个关于收缩压的神经网络NetS0，以及1个关于舒张压的神经网络Netd0；
2)基于平均影响值MIV的BP神经网络模型的训练：采用MIV作为评价各个自变量对因变量影响程度的指标，对输入的参数进行评估，降维处理，以步骤1)中构建的NetS0和Netd0为基础，通过MIV分析各输入参数对输出结果的影响程度，选出对输出影响累计贡献率大于85％的前几个参数，作为MIV-BP网络的输入参数，重新训练NetS0和Netd0网络，分别得到NETS0和NETd0两个神经网络模型；
3)基于遗传算法GA的GA-MIV-BP网络模型的构建：考虑患者个体差异对血压预测模型精度的影响，选取训练得到的NETS0网络来构建收缩压计算模型NETS，NETd0网络来构建舒张压计算模型NETd，分别使用GA对收缩压计算模型和舒张压计算模型的个性化参数进行优化，从而得到预测性能较好的收缩压计算模型和舒张压计算模型。
进一步，步骤1)中，所述神经网络模型的训练步骤为：
①输入参数和输出参数的初步确定，NETS0或NETd0网络的输入层神经元节点数为17，输出层神经元节点数为1；
②初始化BP神经网络参数，包括学习速率、预期误差和激励函数；
③设置网络的隐含层节点数，以神经网络的均方根误差和复杂度确定各网络的隐含层节点数；
④采用收敛性较好的BP神经网络的Scaled Conjugate Gradient算法训练这两个神经网络直到达到预期误差，即训练完成。
进一步，所述步骤2)中，MIV的具体运算过程为：
①在训练好BP神经网络后，将训练样本X中每个输入变量分别在原值的基础上做加10％与减10％运算，构成新的两个训练样本X1和X2；
②分别将X1和X2输入到训练好的网络中进行仿真，得到两个仿真结果Y1和Y2；
③计算Y1与Y2的差值，即为该变量变化后对输出的影响变化值(Impact Value，IV)；
④将IV按观测数目平均求出该自变量对因变量的平均影响值MIV；
按照上述步骤分别计算各自变量的MIV值，按下式计算出第i个自变量对于因变量的相对贡献率：
其中，为第i个自变量对于因变量的相对贡献率，称为前n个自变量的累计贡献率，在选取BP神经网络的输入参数时，要求累计贡献率大于85％。
进一步，所述步骤3)中，构建收缩压计算模型NETs的计算公式为：
构建舒张压计算模型的计算公式为：
其中，NETS0和NETd0分别表示利用MIV-BP神经网络训练得到的关于收缩压的神经网络和关于舒张压的神经网络；NETS和NETd分别表示基于GA-MIV-BP构建的收缩压预测模型和舒张压预测模型，a和为收缩压预测模型参数，a的解空间为[0，1]之间的实数，的解空间为[-20，20]之间的实数；b和为舒张压预测模型参数，b的解空间为[0，1]之间的实数，的解空间为[-20，20]之间的实数。
进一步，步骤S14中，所述构建血压无创动态监测模型簇Models包括以下步骤：
S141：调用MIMIC数据库中的ECG、PPG和ABP信号；并对ECG、PPG信号处理及特征提取；
S142：计算10秒内ECG、PPG信号特征参数平均值，记为PWTT0、PWPs0；
S143：判断计算是否已到最后一个节拍，若是，则结束计算；否则继续ECG、PPG信号处理及特征提取；
S144：计算ECG、PPG信号每个节拍的特征参数值，记为PWTTi0、PWPsi0；
S145：调用GA-MIV-BP血压预测模型model0，计算得到血压预测值BPi(包括SBPi、DBPi)；
S146：计算血压预测值BPi与实际测量值ABPi之间的误差：ΔBPi＝fabs(BPi-ABPi)，并判断ΔBPi是否在容许范围内，若是，则返回步骤S143；否则执行步骤S147；
S147：计算当前节拍ECG、PPG信号特征参数平均值，记为PWTTi、PWPsi；并计算特征参数变化量：
ΔPWPsi＝PWPsi-PWPs0
ΔPWTTi＝PWTTi-PWTT0
S148：利用机器学习分类并构建对应类别的MIV-BP模型训练样本，并调用MIV-BP模型训练算法生成新的GA-MIV-BP血压预测模型modeli；
S149：用modeli替换model0，并返回至S141。
进一步，所述血压预测模型的自校正具体包括以下步骤：
1)通过单点校正，结合个体差异参数从模型簇中选择初始GA-MIV-BP血压预测模型model0；
2)ECG、PPG信号处理及特征提取；
3)计算10秒内ECG、PPG信号特征参数平均值和血压预测平均值，记为PWTT0、PWPs0和BP0；
4)判断血压监测过程是否终止，若终止，则结束；否则继续ECG、PPG信号处理及特征提取；
5)计算ECG、PPG信号每个节拍的特征参数值，记为PWTTi0、PWPsi0；
6)计算得到血压预测值BPi(包括SBPi、DBPi)；
7)计算血压预测值BPi与初始血压平均值BP0之间的误差：ΔBPi＝fabs(BPi-BP0)，并判断ΔBPi是否在容许范围内，若是，则返回步骤4)；否则执行步骤8)；
8)计算当前节拍后连续10s内ECG、PPG信号各节拍的特征参平均值，记为PWTT1、PWPs1；计算得到血压预测值BP1(包括SBP1、DBP1)，并计算血压预测值BP1与初始血压平均值之间误差：ΔBP1＝fabs(BPi-BP0)，，若ΔBP1在容许范围内，则返回步骤4)；否则计算特征参数变化量：
ΔPWPsi＝PWPsi-PWPs0
ΔPWTTi＝PWTTi-PWTT0
10)根据ΔPWTTi、ΔPWPsi，结合个体差异参数，用机器学习方法确定分类类别i；然后调用新的血压预测模型modeli，并替换model0。
本发明的有益效果在于：
(1)本发明综合应用了与血压变化相关的生理信号特征参数和患者个体信息，避免个体差异影响，具有更好的适应性；
(2)构建了基于患者个体差异-特征参数平均影响值-机器学习方法的血压长时动态监测模型簇，而不是单一模型，具有更高的准确性、有效性和临床适应性；
(3)利用了机器学习方法建立了生理信号特征参数分类类别匹配模型簇中模型的匹配方法，实现了血压动态长时测量过程中自适应选择合适血压预测模型，实现了血压测量过程中的“自校正”，克服了现有方法需要多次校正、不能真正实现血压长时监测的缺陷。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明血压动态长时测量模型簇构建流程框图；
图2为本发明血压动态长时测量模型自适应选择流程框图；
图3为实测脉搏波信号干扰及其识别效果图；
图4为脉搏波特征参数定义示意图；
图5为基于GA优化的MIV-BP神经网络无创血压测量模型训练框图；
图6为基于GA-MIV-BP模型的血压预测值与血压实际测量值的比较曲线图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明提供了一种无袖带式血压无创长时连续监测方法，通过与计算机相连的心电信号和光电容积脉搏波信号监测子系统获取生理病理参数，由血压动态长时测量模型簇及血压动态长时监测软件子系统对参数进行无缝融合和处理分析，得到每个心跳节拍的血压值并实现动态长时的连续血压监测。
为了保证血压预测的准确性，首先要保证通过心电传感器和脉搏波传感器测量到的心电信号和脉搏波信号的质量，在对采集到的心电信号和脉搏波信号进行降噪处理的基础上，需要对去噪后的生理信号进行质量评估，有效识别出有用信号段和干扰信号段，为信号特征点的识别提供基础。图3所示为一段信号实际采集过程中模拟可能遇到的各种情况，如传感器滑落和放置过程中产生的脉冲干扰、信号丢失以及运动伪迹等，利用本发明软件子系统的信号处理分析和质量评估功能，可以有效划分有用信号和噪声的不同区域，准确提取出有用信号段和干扰信号段。
利用本发明软件子系统的信号处理和特征提取功能对有用信号段的生理信号特征点实现准确识别，计算得到不同类型的特征参数，如图4所示，包括(1)时间类特征参数：升支相对时间(tc/T)、特征点d相对时间(td/T)、特征点e相对时间(te/T)、特征点f相对时间(tf/T)、特征点g相对时间(tg/T)、周期T；(2)幅度类特征参数：特征点d相对高度(Hd/Hc)、特征点e相对高度(He/Hc)、特征点f相对高度(Hf/Hc)、特征点g相对高度(Hg/Hc)；(3)其它特征参数：波形特征量K、主波上升斜率V、心输出量Z、收缩期相对面积(S1/S)、舒张期相对面积(S2/S)、收缩期与舒张期面积之比(S1/S2)，以及脉搏波传输时间PWTT，共计17个参数。基于这17个参数，结合患者个体差异性指标，如年龄、性别、身高、体重、身体质量指数和高血压治疗情况等，按照图5所述方法训练得到基于患者个体差异-特征参数平均影响值-人工神经网络的无创血压预测模型。模型训练的具体步骤如下：
(1)BP神经网络模型的训练：将提取到的PWTT和PWPs共17个参数作为输入量，以临床实测数据得到的SBP或DBP作为输出量，分别训练出1个关于收缩压的神经网络(Nets0)，以及1个关于舒张压的神经网络(Netd0)。具体过程为：
①输入参数和输出参数的初步确定，Nets0或Netd0网络的输入层神经元节点数为17，输出层神经元节点数为1。
②初始化BP神经网络的参数，包括学习速率、预期误差和激励函数等。
③设置网络的隐含层节点数，以神经网络的均方根误差和复杂度确定各网络的隐含层节点数。
④采用收敛性较好的BP神经网络的Scaled Conjugate Gradient算法训练这两个神经网络直到达到预期误差，即训练完成。
(2)基于平均影响值(MIV)的BP神经网络模型训练：采用MIV作为评价各个自变量对因变量影响程度的指标，对输入的参数进行评估，作降维处理，以(1)中构建的Nets0和Netd0为基础，通过MIV分析各输入参数对输出结果的影响程度，选出对输出影响累计贡献率大于85％的前几个参数，作为MIV-BP网络的输入参数，重新训练Nets0和Netd0网络，分别得到NETs0和NETd0这两个神经网络模型。MIV的具体运算过程为：
①在训练好BP神经网络后，将训练样本X中每个输入变量分别在原值的基础上做加10％与减10％运算，构成新的两个训练样本X1和X2；
②分别将X1和X2输入到训练好的网络中进行仿真，得到两个仿真结果Y1和Y2；
③计算Y1与Y2的差值，即为该变量变化后对输出的影响变化值(Impact Value，IV)；
④将IV按观测数目平均求出该自变量对因变量的平均影响值(MIV)。
按照上述步骤分别计算各自变量的MIV值。最后根据式(1)计算出第i个自变量对于因变量的相对贡献率。
式(1)中为第i个自变量对于因变量的相对贡献率，称为前n个自变量的累计贡献率，在选取BP神经网络的输入参数时，要求累计贡献率大于85％。
(3)基于遗传算法(GA)的GA-MIV-BP网络模型的构建：考虑患者个体差异对血压预测模型精度的影响，选取训练得到的NETs0网络来构建收缩压计算模型，NETd0网络来构建舒张压计算模型，分别使用GA对收缩压计算模型和舒张压计算模型的个性化参数进行优化，从而得到预测性能较好的收缩压计算模型和舒张压计算模型。对于单个个体的GA-MIV-BP网络模型，以收缩压预测模型为例，具体步骤如下：
①对收缩压预测模型的两个参数a和进行实数编码，a的解空间为[0，1]之间的实数，的解空间为[-20，20]之间的实数，如{0.8315，-3.1349}就是一个合法的染色体。
②染色编码完成后，随机产生40个染色体的初始种群作为起始解，并设置遗传代数为100。
③适应度评估，用单个测试者的前两组数据作为训练集，将模型预测值和血压计测量值的误差平方和的倒数作为适应度值。优化的目标就是选择适应度值尽可能大的染色体，适应度值越大的染色体越优质，反之越劣质。
④进行选择、交叉和变异得到新一代种群，本项目基于适应度比例选择父代个体繁殖下一代，设置交叉概率为0.7，变异概率为0.01。循环操作，判断是否满足设定的最大遗传代数，不满足则跳入适应度计算，继续遗传操作，反之遗传操作结束。
利用GA-MIV-BP模型室对12个受测者的294组数据进行血压预测分析，所得收缩压(SBP)和舒张压(DBP)的血压预测值与血压计测量值之间的对比情况如图6所示。其中i-j表示第i个测试者的第j组数据。
基于GA-MIV-BP血压预测模型框架，利用机器学习方法构建血压无创连续动态长时监测过程中的模型簇，以满足血压动态长时监测精度的要求。为避免使用过程中个体差异对模型预测精度的影响，在建模过程中按个体差异(如BMI、腰围、臀围、腰臀比、年龄、性别、动脉硬化指数、高血压治疗情况、区域条件等)类别引入不同校正系数，在按血压值进行血压级别分类的基础上，进一步按照年龄分段方法划分为5类：青春期：12-20；青年期：21-35；中年期：36-50；中老年期：51-75；老年期：>75，不同年龄组按个体差异情况进行分类。实际应用时，根据被试者情况确定其个体差异校正系数类别，直接使用相应的校正系数。在此基础上，按图1所示流程进行血压预测模型簇的构建：
①血压连续监测过程中，因为患者个体差异的相关参数基本保持不变，因此将不再是影响血压监测模型输出精度的主要因素。监测过程中血压的变化将反映在心电、脉搏波信号的特征变化中，即影响患者血压值的生理病理变化通过信号特征反映出来，所以后续模型的动态调整将在考虑个体差异的基础上以信号特征参数及其变化规律为主要输入参数进行模型调整和预测；
②评估心电、脉搏波信号不同特征参数对血压模型输出产生影响的重要程度，以及这些参数在血压动态监测过程中产生多大的变化时会对血压预测模型输出结果产生显著性影响的规律进行研究，与个体差异性指标一起作为机器学习算法的输入参数。利用支持向量机和随机森林方法等机器学习方法对数据进行分类，找出影响血压预测精度的重要性参数及其变化量大小对血压预测结果影响的规律，得到不同类别下的数据样本，将其划分为不同类别下的训练样本和验证样本子集，利用对应类别下的训练样本子集对MIV-BP模型进行训练，从而构建血压无创动态监测模型簇Models。模型簇训练流程图如图1所示。通过图1所述过程，得到血压预测精度超过容许误差时的输入特征参数及其变化量ΔPWTTi和ΔPWPsi，利用机器学习方法进行分类，调用MIV-BP网络训练算法，得到对应条件下满足血压预测精度要求的GA-MIV-BP血压预测模型modeli，最终形成对个体差异性具有较强鲁棒性、与信号特征参数、ΔPWTTi和ΔPWPsi相关的对应类别下的血压预测模型簇models。
③利用机器学习得到血压无创监测模型簇后，实际长时监测血压时，在血压某一时刻的预测值与模型选择时刻血压值之间的变化量超过容许值时，可通过有效提取心电、脉搏波信号特征参数及重要性参数的变化量，利用机器学习，结合描述患者个体差异的参数IDPs(Individual Difference Parameters)，实时判断其对血压预测值影响程度的匹配类别i，根据类别匹配对应的血压无创监测模型Modeli，自适应选择合适血压预测模型进行血压预测，如式(2)所示，在血压长时或动态测量过程中，实现血压预测模型的“自校正”，进而得到更加精确的血压输出，如式(3)和(4)所示，真正实现血压无创监测过程中的血压预测模型的动态调整，克服现有方法中血压预测模型长时监测时不可靠、需要多次校正、无法满足临床实际需求的缺陷，真正满足临床连续节拍的血压无创长时监测需求。
modeli＝F(IDPs，PWTT，PWPs，ΔPWTT，ΔPWPs) (2)
SBP(t)＝s_modeli(IDPs，PWTT(t)，PWP1(t)，PWP2(t)，…，PWPn(t)) (3)
DBP(t)＝d_modeli(IDPs，PWTT(t)，PWP1(t)，PWP2(t)，…，PWPn(t)) (4)
式(2)中的modeli包括了用于收缩压预测的s_modeli和用于舒张压预测的d_modeli，PWTT指脉搏波传输时间，PWPs指除各个PWTT外脉搏波波形特征参数，IDPs表示描述患者个体差异的参数，F(*)表示用于血压预测的与IDPs及心电和脉搏波信号特征参数有关的函数关系。式(3)中的s_modeli(*)和式(4)中的d_modeli(*)分别表示当前时刻选择的用于收缩压和舒张压预测的模型。
如图1所示，血压无创动态监测模型簇Models包括以下步骤：
1)调用MIMIC数据库中的ECG、PPG和ABP信号；并对ECG、PPG信号处理及特征提取；
2)计算10秒内ECG、PPG信号特征参数平均值，记为PWTT0、PWPs0；
3)判断计算是否已到最后一个节拍，若是，则结束计算；否则继续ECG、PPG信号处理及特征提取；
4)计算ECG、PPG信号每个节拍的特征参数值，记为PWTTi0、PWPsi0；
5)调用GA-MIV-BP血压预测模型model0，计算得到血压预测值BPi(包括SBPi、DBPi)；
6)计算血压预测值BPi与实际测量值ABPi之间的误差：ΔBPi＝fabs(BPi-ABPi)，并判断ΔBPi是否在容许范围内，若是，则返回步骤3)；否则执行步骤7)；
7)计算当前节拍ECG、PPG信号特征参数平均值，记为PWTTi、PWPsi；并计算特征参数变化量：
ΔPWPsi＝PWPsi-PWPs0
ΔPWTTi＝PWTTi-PWTT0
8)利用机器学习分类并构建对应类别的MIV-BP模型训练样本，并调用MIV-BP模型训练算法生成新的GA-MIV-BP血压预测模型modeli；
9)用modeli替换model0，并返回至1)。
其中，血压无创监测过程中预测模型自适应选择流程如图2所示，具体步骤为：
1)通过单点校正，结合个体差异参数从模型簇中选择初始GA-MIV-BP血压预测模型model0；
2)ECG、PPG信号处理及特征提取；
3)计算10秒内ECG、PPG信号特征参数平均值和血压预测平均值，记为PWTT0、PWPs0和BP0；
4)判断血压监测过程是否终止，若终止，则结束；否则继续ECG、PPG信号处理及特征提取；
5)计算ECG、PPG信号每个节拍的特征参数值，记为PWTTi0、PWPsi0；
6)计算得到血压预测值BPi(包括SBPi、DBPi)；
7)计算血压预测值BPi与初始血压平均值BP0之间的误差：ΔBPi＝fabs(BPi-BP0)，并判断ΔBPi是否在容许范围内，若是，则返回步骤4)；否则执行步骤8)；
8)计算当前节拍后连续10s内ECG、PPG信号各节拍的特征参平均值，记为PWTT1、PWPs1；计算得到血压预测值BP1(包括SBP1、DBP1)，并计算血压预测值BP1与初始血压平均值之间误差：ΔBP1＝fabs(BPi-BP0)，若ΔBP1在容许范围内，则返回步骤4)；否则计算特征参数变化量：
ΔPWPsi＝PWPsi-PWPs0
ΔPWTTi＝PWTTi-PWTT0
10)根据ΔPWTTi、ΔPWPsi，结合个体差异参数，用机器学习方法确定分类类别i；然后调用新的血压无创监测模型modeli，并替换model0。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种无袖带式长时连续血压无创监测方法，其特征在于，该方法具体包括以下步骤：
S1：构建血压无创动态监测模型簇Models；
S2：通过与计算机相连的心电信号和光电容积脉搏波信号监测子系统获取生理病理特征参数；
S3：由血压无创动态监测模型簇和血压动态长时监测软件子系统对特征参数进行无缝融合和处理分析，得到每个心跳节拍的血压值并实现动态长时的连续血压监测。
2.根据权利要求1所述的一种无袖带式长时连续血压无创监测方法，其特征在于，所述步骤S1具体包括以下步骤：
S11：从无袖带式血压测量出发，采用心电信号和光电容积脉搏波测量子系统监测病人的生理病理信号并提取信号特征参数；
S12：基于患者个体差异-特征参数平均影响值-机器学习方法，评估不同参数对血压模型输出产生影响的重要程度，以及这些参数在血压动态监测过程中产生多大变化时会对血压预测模型输出结果产生显著性影响的规律；
S13：基于MIMIC数据库和实测数据样本集，结合患者个体差异性指标，利用机器学习方法进行分类，找出影响血压预测精度的重要性参数及其变化量大小对血压预测结果影响的规律，得到不同类别下的数据样本，将其划分为不同类别下的训练样本和验证样本子集；
S14：利用对应类别下的训练样本子集对MIV-BP模型进行训练，构建基于遗传算法GA的GA-MIV-BP网络模型，从而构建血压无创动态监测模型簇Models。
3.根据权利要求1所述的一种无袖带式长时连续血压无创监测方法，其特征在于，所述步骤S3具体包括以下步骤：
S31：应用心电信号和光电容积脉搏波信号监测子系统，利用软件子系统的信号处理和特征提取功能，根据每个心跳节拍的心电信号和光电容积脉搏波信号的特征点进行特征参数提取；
S32：应用血压预测模型确定患者血压监测过程中患者生理病理变化重要性参数及其变化量，得到在血压无创动态监测模型簇中的匹配类别i，根据类别匹配对应的血压无创监测模型Modeli，对患者每个心跳节拍的血压值进行预测；
S33：通过每个节拍的心电和光电容积脉搏波信号的生理病理特征参数的提取和变化程度的计算，在血压动态长时测量过程中，实时判断与血压预测模型簇中模型的匹配类别，从而实现自适应选择血压无创动态监测模型簇中的合适模型进行当前心跳节拍的血压预测，实现血压预测模型的“自校正”，得到长时监测过程中连续心跳节拍的血压值，并通过显示器显示；
S34：对连续节拍的血压值进行动态变化过程分析，得到血压实时变化曲线，通过显示器显示。
4.根据权利要求3所述的一种无袖带式长时连续血压无创监测方法，其特征在于，所述心电信号和光电容积脉搏波信号监测软件子系统包括心电监测传感器及导联线、光电容积脉搏波传感器、心电信号隔离放大模块、光电容积脉搏波信号隔离放大模块和数据采集模块；
所述心电和光电容积脉搏波传感器采集的信号经过各自的隔离放大模块，通过数据采集模块转变为数字量进入计算机，作为血压预测模型的输入量，通过显示器显示心电信号、光电容积脉搏波信号、实测血压动态变化波形和每10个心跳节拍更新的血压平均值；某一时刻的血压预测模型是由软件子系统根据测量得到的心电信号和光电容积脉搏波信号的特征参数自适应从血压无创动态监测模型簇中匹配类别确定的，在血压动态长时测量过程中实现血压预测模型的自校正，而不需要进行血压预测模型的人为校正。
5.根据权利要求2所述的一种无袖带式长时连续血压无创监测方法，其特征在于，步骤S14中，训练得到基于患者个体差异-特征参数平均影响值-人工神经网络的无创血压预测模型，具体步骤为：
1)BP神经网络模型的训练：将提取的脉搏波传输时间PWTT和PWPs共17个参数作为输入量，以MIMIC数据库和临床实测数据得到的SBP或DBP作为输出量，分别训练出1个关于收缩压的神经网络Nets0，以及1个关于舒张压的神经网络Netd0；
2)基于平均影响值MIV的BP神经网络模型的训练：采用MIV作为评价各个自变量对因变量影响程度的指标，对输入的参数进行评估，降维处理，以步骤1)中构建的Nets0和Netd0为基础，通过MIV分析各输入参数对输出结果的影响程度，选出对输出影响累计贡献率大于85％的前几个参数，作为MIV-BP网络的输入参数，重新训练Nets0和Netd0网络，分别得到NETS0和NETd0两个神经网络模型；
3)基于遗传算法GA的GA-MIV-BP网络模型的构建：考虑患者个体差异对血压预测模型精度的影响，选取训练得到的NETS0网络来构建收缩压计算模型NETS，NETd0网络来构建舒张压计算模型NETd，分别使用GA对收缩压计算模型和舒张压计算模型的个性化参数进行优化，从而得到预测性能较好的收缩压计算模型和舒张压计算模型。
6.根据权利要求5所述的一种无袖带式长时连续血压无创监测方法，其特征在于，步骤1)中，所述神经网络模型的训练步骤为：
①输入参数和输出参数的初步确定，NetS0或Netd0网络的输入层神经元节点数为17，输出层神经元节点数为1；
②初始化BP神经网络参数，包括学习速率、预期误差和激励函数；
③设置网络的隐含层节点数，以神经网络的均方根误差和复杂度确定各网络的隐含层节点数；
④采用收敛性较好的BP神经网络的Scaled Conjugate Gradient算法训练这两个神经网络直到达到预期误差，即训练完成。
7.根据权利要求5所述的一种无袖带式长时连续血压无创监测方法，其特征在于，所述步骤2)中，MIV的具体运算过程为：
①在训练好BP神经网络后，将训练样本X中每个输入变量分别在原值的基础上做加10％与减10％运算，构成新的两个训练样本X1和X2；
②分别将X1和X2输入到训练好的网络中进行仿真，得到两个仿真结果Y1和Y2；
③计算Y1与Y2的差值，即为该变量变化后对输出的影响变化值(Impact Value，IV)；
④将IV按观测数目平均求出该自变量对因变量的平均影响值MIV；
按照上述步骤分别计算各自变量的MIV值，按下式计算出第i个自变量对于因变量的相对贡献率：
其中，为第i个自变量对于因变量的相对贡献率，称为前n个自变量的累计贡献率，在选取BP神经网络的输入参数时，要求累计贡献率大于85％。
8.根据权利要求5所述的一种无袖带式长时连续血压无创监测方法，其特征在于，所述步骤3)中，构建收缩压计算模型NETs的计算公式为：
构建舒张压计算模型的计算公式为：
其中，NETs0和NETd0分别表示利用MIV-BP神经网络训练得到的关于收缩压的神经网络和关于舒张压的神经网络；NETS和NETd分别表示基于GA-MIV-BP构建的收缩压预测模型和舒张压预测模型，a和为收缩压预测模型参数；b和为舒张压预测模型参数。
9.根据权利要求5所述的一种无袖带式长时连续血压无创监测方法，其特征在于，步骤S14中，所述构建血压无创动态监测模型簇Models包括以下步骤：
S141：调用MIMIC数据库中的ECG、PPG和ABP信号；并对ECG、PPG信号处理及特征提取；
S142：计算10秒内ECG、PPG信号特征参数平均值，记为PWTT0、PWPs0；
S143：判断计算是否已到最后一个节拍，若是，则结束计算；否则继续ECG、PPG信号处理及特征提取；
S144：计算ECG、PPG信号每个节拍的特征参数值，记为PWTTi0、PWPsi0；
S145：调用GA-MIV-BP血压预测模型model0，计算得到血压预测值BPi；
S146：计算血压预测值BPi与实际测量值ABPi之间的误差：ΔBPi＝fabs(BPi-ABPi)，并判断ΔBPi是否在容许范围内，若是，则返回步骤S143；否则执行步骤S147；
S147：计算当前节拍ECG、PPG信号特征参数平均值，记为PWTTi、PWPsi；并计算特征参数变化量：
ΔPWPsi＝PWPsi-PWPs0
ΔPWTTi＝PWTTi-PWTT0
S148：利用机器学习分类并构建对应类别的MIV-BP模型训练样本，并调用MIV-BP模型训练算法生成新的GA-MIV-BP血压预测模型modeli；
S149：用modeli替换model0，并返回至S141。
10.根据权利要求4所述的一种无袖带式长时连续血压无创监测方法，其特征在于，所述血压预测模型的自校正具体包括以下步骤：
1)通过单点校正，结合个体差异参数从模型簇中选择初始GA-MIV-BP血压预测模型model0；
2)ECG、PPG信号处理及特征提取；
3)计算10秒内ECG、PPG信号特征参数平均值和血压预测平均值，记为PWTT0、PWPs0和BP0；
4)判断血压监测过程是否终止，若终止，则结束；否则继续ECG、PPG信号处理及特征提取；
5)计算ECG、PPG信号每个节拍的特征参数值，记为PWTTi0、PWPsi0；
6)计算得到血压预测值BPi；
7)计算血压预测值BPi与初始血压平均值BP0之间的误差：ΔBPi＝fabs(BPi-BP0)，并判断ΔBPi是否在容许范围内，若是，则返回步骤4)；否则执行步骤8)；
8)计算当前节拍后连续10s内ECG、PPG信号各节拍的特征参平均值，记为PWTT1、PWPs1；计算得到血压预测值BP1，并计算血压预测值BP1与初始血压平均值之间误差：ΔBP1＝fabs(BPi-BP0)，，若ΔBP1在容许范围内，则则返回步骤4)；否则计算特征参数变化量：
ΔPWPsi＝PWPsi-PWPs0
ΔPWTTi＝PWTTi-PWTT0
10)根据ΔPWTTi、ΔPWPsi，结合个体差异参数，用机器学习方法确定分类类别i；然后调用新的血压预测模型modeli，并替换model0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910305930.0A CN109965862B (zh) | 2019-04-16 | 2019-04-16 | 一种无袖带式长时连续血压无创监测模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910305930.0A CN109965862B (zh) | 2019-04-16 | 2019-04-16 | 一种无袖带式长时连续血压无创监测模型的构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109965862A true CN109965862A (zh) | 2019-07-05 |
| CN109965862B CN109965862B (zh) | 2022-08-02 |
Family
ID=67084977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910305930.0A Active CN109965862B (zh) | 2019-04-16 | 2019-04-16 | 一种无袖带式长时连续血压无创监测模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109965862B (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111358452A (zh) * | 2020-03-17 | 2020-07-03 | 乐普（北京）医疗器械股份有限公司 | 一种基于同步信号进行血压预测的方法和装置 |
| CN111419205A (zh) * | 2020-03-12 | 2020-07-17 | 天津大学 | 基于人工神经网络的三要素法无袖带连续血压检测系统 |
| CN112274127A (zh) * | 2020-10-28 | 2021-01-29 | 河北工业大学 | 一种基于单路脉搏波的无创连续血压检测方法、装置 |
| CN112274126A (zh) * | 2020-10-28 | 2021-01-29 | 河北工业大学 | 一种基于多路脉搏波的无创连续血压检测方法、装置 |
| CN113040738A (zh) * | 2021-03-29 | 2021-06-29 | 南京邮电大学 | 血压检测装置及血压检测方法 |
| CN113063753A (zh) * | 2021-03-16 | 2021-07-02 | 重庆大学 | 一种基于近红外光的血糖预测模型自校正方法 |
| CN113143230A (zh) * | 2021-05-11 | 2021-07-23 | 重庆理工大学 | 一种外周动脉血压波形重构系统 |
| WO2021164346A1 (zh) * | 2020-02-21 | 2021-08-26 | 乐普（北京）医疗器械股份有限公司 | 一种预测血压的方法和装置 |
| CN113397511A (zh) * | 2021-05-24 | 2021-09-17 | 深圳大学 | 血压测量方法及装置 |
| WO2021208490A1 (zh) * | 2020-04-13 | 2021-10-21 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的血压测量方法及装置 |
| CN113598734A (zh) * | 2021-07-28 | 2021-11-05 | 厦门大学 | 一种基于深度神经网络模型的无袖带血压预测方法 |
| CN114145724A (zh) * | 2021-12-08 | 2022-03-08 | 四川北易信息技术有限公司 | 基于ecg和ppg多生理特征参数动态监测血压的方法 |
| WO2022120658A1 (zh) * | 2020-12-09 | 2022-06-16 | 深圳市汇顶科技股份有限公司 | 生物特征信息的检测装置和电子设备 |
| CN114699054A (zh) * | 2022-03-29 | 2022-07-05 | 北京小阳科技有限公司 | 基于人体脉搏波的血压测量方法及系统 |
| WO2022141673A1 (en) * | 2021-01-04 | 2022-07-07 | Hong Kong Applied Science and Technology Research Institute Company Limited | Quantum computing system |
| CN115137323A (zh) * | 2021-03-31 | 2022-10-04 | 华为技术有限公司 | 高血压风险检测方法及相关装置 |
| WO2023197425A1 (zh) * | 2022-04-12 | 2023-10-19 | 乐普（北京）医疗器械股份有限公司 | 一种基于大数据特征的个性化血压预测方法和装置 |
| WO2023222453A1 (fr) * | 2022-05-19 | 2023-11-23 | I-Virtual | Procédé et dispositif d'estimation de tension artérielle |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080033310A1 (en) * | 2005-05-24 | 2008-02-07 | Yu Meng-Su | Method and apparatus for arterial blood pressure measurement and individualized rectifying technology using this method |
| CN102008296A (zh) * | 2010-12-24 | 2011-04-13 | 吉林大学 | 基于脉搏波信号和心电信号测量动脉血压装置及测量方法 |
| CN108124419A (zh) * | 2016-08-25 | 2018-06-05 | 深圳市汇顶科技股份有限公司 | 一种血压测量方法、智能心率耳机及系统 |
| US20180235487A1 (en) * | 2017-02-23 | 2018-08-23 | Tata Consultancy Services Limited | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time |
| CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
| 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 |
| CN109512410A (zh) * | 2018-12-26 | 2019-03-26 | 东南大学 | 一种多生理信号特征融合的无袖带连续血压测量方法 |
-
2019
- 2019-04-16 CN CN201910305930.0A patent/CN109965862B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080033310A1 (en) * | 2005-05-24 | 2008-02-07 | Yu Meng-Su | Method and apparatus for arterial blood pressure measurement and individualized rectifying technology using this method |
| CN102008296A (zh) * | 2010-12-24 | 2011-04-13 | 吉林大学 | 基于脉搏波信号和心电信号测量动脉血压装置及测量方法 |
| CN108124419A (zh) * | 2016-08-25 | 2018-06-05 | 深圳市汇顶科技股份有限公司 | 一种血压测量方法、智能心率耳机及系统 |
| US20180235487A1 (en) * | 2017-02-23 | 2018-08-23 | Tata Consultancy Services Limited | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time |
| 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 |
| CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
| CN109512410A (zh) * | 2018-12-26 | 2019-03-26 | 东南大学 | 一种多生理信号特征融合的无袖带连续血压测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| 谭霞等: "基于GA优化的MIV-BP神经网络连续血压无创监测方法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2021164346A1 (zh) * | 2020-02-21 | 2021-08-26 | 乐普（北京）医疗器械股份有限公司 | 一种预测血压的方法和装置 |
| CN111419205A (zh) * | 2020-03-12 | 2020-07-17 | 天津大学 | 基于人工神经网络的三要素法无袖带连续血压检测系统 |
| CN111358452A (zh) * | 2020-03-17 | 2020-07-03 | 乐普（北京）医疗器械股份有限公司 | 一种基于同步信号进行血压预测的方法和装置 |
| CN111358452B (zh) * | 2020-03-17 | 2022-07-29 | 乐普（北京）医疗器械股份有限公司 | 一种基于同步信号进行血压预测的方法和装置 |
| WO2021208490A1 (zh) * | 2020-04-13 | 2021-10-21 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的血压测量方法及装置 |
| CN112274127A (zh) * | 2020-10-28 | 2021-01-29 | 河北工业大学 | 一种基于单路脉搏波的无创连续血压检测方法、装置 |
| CN112274126A (zh) * | 2020-10-28 | 2021-01-29 | 河北工业大学 | 一种基于多路脉搏波的无创连续血压检测方法、装置 |
| WO2022120658A1 (zh) * | 2020-12-09 | 2022-06-16 | 深圳市汇顶科技股份有限公司 | 生物特征信息的检测装置和电子设备 |
| WO2022141673A1 (en) * | 2021-01-04 | 2022-07-07 | Hong Kong Applied Science and Technology Research Institute Company Limited | Quantum computing system |
| CN113063753B (zh) * | 2021-03-16 | 2022-11-08 | 重庆大学 | 一种基于近红外光的血糖预测模型自校正方法 |
| CN113063753A (zh) * | 2021-03-16 | 2021-07-02 | 重庆大学 | 一种基于近红外光的血糖预测模型自校正方法 |
| CN113040738A (zh) * | 2021-03-29 | 2021-06-29 | 南京邮电大学 | 血压检测装置及血压检测方法 |
| CN115137323A (zh) * | 2021-03-31 | 2022-10-04 | 华为技术有限公司 | 高血压风险检测方法及相关装置 |
| CN115137323B (zh) * | 2021-03-31 | 2024-10-11 | 华为技术有限公司 | 高血压风险检测方法及相关装置 |
| CN113143230B (zh) * | 2021-05-11 | 2022-05-20 | 重庆理工大学 | 一种外周动脉血压波形重构系统 |
| CN113143230A (zh) * | 2021-05-11 | 2021-07-23 | 重庆理工大学 | 一种外周动脉血压波形重构系统 |
| CN113397511A (zh) * | 2021-05-24 | 2021-09-17 | 深圳大学 | 血压测量方法及装置 |
| CN113397511B (zh) * | 2021-05-24 | 2023-09-05 | 深圳大学 | 血压测量方法及装置 |
| CN113598734A (zh) * | 2021-07-28 | 2021-11-05 | 厦门大学 | 一种基于深度神经网络模型的无袖带血压预测方法 |
| CN114145724A (zh) * | 2021-12-08 | 2022-03-08 | 四川北易信息技术有限公司 | 基于ecg和ppg多生理特征参数动态监测血压的方法 |
| CN114699054A (zh) * | 2022-03-29 | 2022-07-05 | 北京小阳科技有限公司 | 基于人体脉搏波的血压测量方法及系统 |
| WO2023197425A1 (zh) * | 2022-04-12 | 2023-10-19 | 乐普（北京）医疗器械股份有限公司 | 一种基于大数据特征的个性化血压预测方法和装置 |
| WO2023222453A1 (fr) * | 2022-05-19 | 2023-11-23 | I-Virtual | Procédé et dispositif d'estimation de tension artérielle |
| FR3135612A1 (fr) * | 2022-05-19 | 2023-11-24 | I-Virtual | Procédé et dispositif d’estimation de tension artérielle |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109965862B (zh) | 2022-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109965862B (zh) | 一种无袖带式长时连续血压无创监测模型的构建方法 | |
| JP7261811B2 (ja) | 訓練された予測モデルに基づく血圧降下の非侵襲的決定のためのシステム及び方法 | |
| Maqsood et al. | A benchmark study of machine learning for analysis of signal feature extraction techniques for blood pressure estimation using photoplethysmography (PPG) | |
| CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
| US20080103403A1 (en) | Method and System for Diagnosis of Cardiac Diseases Utilizing Neural Networks | |
| JP2004500950A (ja) | 心臓虚血をｒｒ間隔のデータセットで評価する方法及びシステム | |
| CN111631698A (zh) | 基于运动模式级联约束的可穿戴血压监测及修正方法 | |
| KR102469495B1 (ko) | 심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법 | |
| US12097035B2 (en) | Systems and methods of QT interval analysis | |
| CN109431492A (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
| CN110558960A (zh) | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 | |
| Liu et al. | Cuffless blood pressure measurement using smartwatches: a large-scale validation study | |
| CN111466899A (zh) | 一种基于mpga-miv-bp模型簇的连续血压无创监测方法 | |
| Lin et al. | Energy-efficient blood pressure monitoring based on single-site photoplethysmogram on wearable devices | |
| Roy et al. | BePCon: a photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning | |
| CN118785846A (zh) | 血流动力学参数评估 | |
| CN113729648B (zh) | 一种基于多脉搏传感器的穿戴式脉诊手环系统 | |
| CN113907727B (zh) | 基于光电容积脉搏波描记的逐拍血压测量系统和方法 | |
| Zhao et al. | A novel short-term blood pressure prediction model based on LSTM | |
| TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
| Zhang et al. | Cascade forest regression algorithm for non-invasive blood pressure estimation using PPG signals | |
| Bicen et al. | Improved pre-ejection period estimation from ballistocardiogram and electrocardiogram signals by fusing multiple timing interval features | |
| EP4090233A1 (en) | Noninvasive diagnostics of proximal heart health biomarkers | |
| Ghosh et al. | Introduction of boosting algorithms in continuous non-invasive cuff-less blood pressure estimation using pulse arrival time | |
| 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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231007 Address after: No. A7 Tongji Middle Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing, 100176 Patentee after: Beijing Lize Health Technology Co.,Ltd. Address before: 400044 No. 174 Shapingba street, Shapingba District, Chongqing Patentee before: Chongqing University |
|
| TR01 | Transfer of patent right |