CN110141249B - 基于ppg信号的无创血糖监测方法、系统、设备及介质 - Google Patents
基于ppg信号的无创血糖监测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN110141249B CN110141249B CN201910527037.2A CN201910527037A CN110141249B CN 110141249 B CN110141249 B CN 110141249B CN 201910527037 A CN201910527037 A CN 201910527037A CN 110141249 B CN110141249 B CN 110141249B
- Authority
- CN
- China
- Prior art keywords
- peak
- ppg signal
- monitored
- signal
- amplitude
- 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
- A61B5/145—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
- A61B5/14532—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 glucose, e.g. by tissue impedance measurement
-
- 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
- A61B5/1455—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 using optical sensors, e.g. spectral photometrical oximeters
-
- 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
- A61B5/7235—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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Optics & Photonics (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Emergency Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开公开了基于PPG信号的无创血糖监测方法、系统、设备及介质,包括:采集待监测的PPG信号;对待监测的PPG信号进行滤波处理,去除待监测的PPG信号的高频成分;将滤波处理后的待监测的PPG信号,去除基线漂移;对去除基线漂移后的待监测的PPG信号进行分段处理,分成若干个单周期的待监测PPG信号;对每个单周期的待监测PPG信号进行特征提取,提取出若干个信号特征;将所提取出的所有信号特征输入到预先训练好的分类器中,进行分类识别,识别出待监测的PPG信号所对应的血糖浓度标签。
Description
技术领域
本公开涉及血糖监测技术领域,特别是涉及基于PPG信号的无创血糖监测方法、系统、设备及介质。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
在实现本公开的过程中,发明人发现现有技术中存在以下技术问题:
糖尿病是一种终身代谢疾病,其特征是由多种原因引起的慢性高血糖。糖尿病是一种无法治愈的慢性疾病,但可以进行适当管理控制糖尿病。世界上大约1.7%的人口患有糖尿病,并且在不久的将来这一比例可能会增加。糖尿病根据发病的机理不同被分成四种类型,其中发病最多的是I型和II型糖尿病。I型是一种自身免疫性疾病,其中身体会破坏产生胰岛素的细胞。当身体没有足够的胰岛素时,就会形成II型。目前没有有效的糖尿病治疗方法,只有通过定期监测血糖水平来减少或延缓并发症的发生,自我监测被认为是控制糖尿病最直接和最可行的选择之一。
成熟的检测技术是通过针刺手指或静脉提取对患者的血液进行采样,然后用血糖分析仪进行测量。这种方法不仅给患者带来疼痛、不适、容易感染、成本较高,而且不适用于频繁的测量和实时监测血糖浓度。无创血糖检测技术可以克服上述缺点,已成为世界研究的一个特征。但到目前为止,可用于家庭自我监测的无创血糖系统仍然是一个空白。
PPG是一种用于测量身体某部位血容量变化的技术,该技术简单且低成本,它通常非侵入性地用于在皮肤表面进行测量。PPG装置由光源和检测器组成,用于发出照射组织的光和接收光的反射。吸收的光量根据循环系统中血液体积的波动而周期性地变化,导致PPG信号包含与呼吸、循环系统、血流和心跳相关的信息。Nabeel和Mohammod分别通过分析PPG信号的成分测量血压和呼吸率。处理PPG信号可以揭示有关人体血液动力学特征和特定血液成分的新信息,这对于监测人体健康具有重要意义。
在此之前,已有少量关于PPG信号处理的专利和文献。
例如:专利号CN104545853A(一种基于双PPG的血压测量方法和装置)利用投射光穿透人体组织,光电发射管发出的光一部分被人体组织吸收,剩余透射部分被光电管接收,采集到PPG信号,通过PPG信号反映了血液容积的变化,利用PPT计算血压。但该装置需采用两个传感器模块并计算两路信号的传输时间差从而得到血压值,该方法硬件成本高,且测量精度不高,不利于家庭测量。
专利号CN207721811U(一种无创血糖检测装置)包括血糖检测模块,设置有可容纳手指的容纳腔,所述血糖监测模块包括环境温度传感器和人体温度传感器处理器,与所述环境温度传感器和人体温度传感器连接以及温度调节模块,与所述处理器连接,用于调节血糖检测模块的所述容纳腔的腔体温度和所述人体手指温度。需要专门的血糖监测设备,不利于携带,也不利于实时血糖监测,硬件成本高。
综上所述,尚没有一种基于PPG信号处理和机器学习的无创血糖监测方法。
发明内容
为了解决现有技术的不足,本公开提供了基于PPG信号的无创血糖监测方法、系统、设备及介质;
第一方面,本公开提供了基于PPG信号的无创血糖监测方法;
基于PPG信号的无创血糖监测方法,包括:
采集待监测的PPG信号;对待监测的PPG信号进行滤波处理,去除待监测的PPG信号的高频成分;
将滤波处理后的待监测的PPG信号,去除基线漂移;
对去除基线漂移后的待监测的PPG信号进行分段处理,分成若干个单周期的待监测PPG信号;
对每个单周期的待监测PPG信号进行特征提取,提取出若干个信号特征;
将所提取出的所有信号特征输入到预先训练好的分类器中,进行分类识别,识别出待监测的PPG信号所对应的血糖浓度标签。
第二方面,本公开还提供了基于PPG信号的无创血糖监测系统;
基于PPG信号的无创血糖监测系统,包括:
高频成分去除模块,其被配置为采集待监测的PPG信号;对待监测的PPG信号进行滤波处理,去除待监测的PPG信号的高频成分;
基线漂移去除模块,其被配置为将滤波处理后的待监测的PPG信号,去除基线漂移;
单周期分割模块,其被配置为对去除基线漂移后的待监测的PPG信号进行分段处理,分成若干个单周期的待监测PPG信号;
特征提取模块,其被配置为对每个单周期的待监测PPG信号进行特征提取,提取出若干个信号特征;
分类模块,其被配置为将所提取出的所有信号特征输入到预先训练好的分类器中,进行分类识别,识别出待监测的PPG信号所对应的血糖浓度标签。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述方法的步骤。
与现有技术相比,本公开的有益效果是:
基于对PPG信号进行处理和机器学习,该方法可以根据血液的粘稠度将用户的血糖水平区分为不同区间的血糖分组,为家庭的日常血糖监测提供参考,具有计算复杂度低,实现简单,成本较低等优点。
本方法提供的基于PPG信号处理和机器学习算法的无创血糖监测方法,现对于现有的侵入性技术,具有操作简便、不需要扎破皮肤采集血样,避免伤口感染、接触疼痛和使用便利性等优点。
本方法中的FSW算法能够将PPG信号进行处理以去除基线漂移并得到单周期信号,信号的原始特性在很大程度上得以保留,同时避免了由滤波引入的失真,使结果更加精确;
本方法中使用基于高斯拟合的特征提取方法,通过提取多种PPG信号的特征,可以区分出用户血糖水平的不同区间,有利于信号分类。
本公开对于估计血糖水平的监测具有较高的准确率。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本实施例的主流程图;
图2是本实施例步骤S2的处理流程;
图3(a)-图3(d)是执行本实施例步骤S3对正常人和高血糖患者单周期PPG信号进行高斯拟合的一种实例;
图4(a)-图4(b)是执行本实施例步骤S1原始PPG信号预处理的结果图;
图5(a)-图5(d)是执行本实施例步骤S2基线漂移的去除与周期性分段的结果图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一,本实施例提供了基于PPG信号的无创血糖监测方法;
如图1所示,基于PPG信号的无创血糖监测方法,包括:
S1:采集待监测的PPG信号;对待监测的PPG信号进行滤波处理,去除待监测的PPG信号的高频成分;
S2:将滤波处理后的待监测的PPG信号,去除基线漂移;对去除基线漂移后的待监测的PPG信号进行分段处理,分成若干个单周期的待监测PPG信号;
S3:对每个单周期的待监测PPG信号进行特征提取,提取出若干个信号特征;
S4:将所提取出的所有信号特征输入到预先训练好的分类器中,进行分类识别,识别出待监测的PPG信号所对应的血糖浓度标签。
作为一个或多个实施例,所述对待监测的PPG信号进行滤波处理,去除待监测的PPG信号的高频成分;具体步骤包括:
使用低通滤波器来去除待监测的PPG信号的高频成分。
应理解的,PPG信号易受噪声和运动伪影的影响,如环境光、温度、呼吸和身体抖动等,因此使用低通滤波器进行去噪处理以消除高频成分。信号过滤后不会出现明显的失真,信号质量较好,如图4(a)和图4(b)所示。
作为一个或多个实施例,所述将滤波处理后的待监测的PPG信号,去除基线漂移;具体步骤包括:
将滤波处理后的待监测的PPG信号,基于拟合的滑动窗口(Fitting basedSliding Window,FSW)算法去除基线漂移。
进一步地,如图2所示,所述将滤波处理后的待监测的PPG信号,基于拟合的滑动窗口(Fitting based Sliding Window,FSW)算法去除基线漂移;具体步骤包括:
S21:输入滤波处理后的待监测的PPG信号signal;对整个信号段应用快速傅里叶变换得到待监测的PPG信号signal的主频f;
S23:设定滑动步长为窗口大小,滑动所述窗口,并将所述窗口中的信号振幅最小值作为当前窗口的波谷,波谷的纵坐标记为y,波谷对应的横坐标记为x;记录所有波谷的横坐标和纵坐标;如图5(a)中空心圆圈所示,是最终得到的所有波谷;
S24:如图5(a)中的虚曲线所示,利用三次样条函数将所有波谷进行基线拟合,并将拟合出的值存放于数组baseline中;
S25:从signal中分离出符合baseline-signal>0的点,从所分离出的点中找到的最小幅值m,然后用m替换当前基线中的y;
S26:从当前信号值开始,重复执行S22至S25,并更新baseline中相应的y值;如图5(b)所示为校正后的基线拟合图,可以看出波谷被全部正确的识别并进行了拟合;
S27:如图5(c)所示,用信号signal减去拟合出的基线的值baseline,得到去除基线漂移后的信号。
作为一个或多个实施例,如图5(d)所示,所述对去除基线漂移后的待监测的PPG信号进行分段处理,分成若干个单周期的待监测PPG信号;具体步骤包括:
根据横坐标x将PPG信号分段,形成单周期PPG信号ni输出。
作为一个或多个实施例,对每个单周期的待监测PPG信号进行特征提取,提取出若干个信号特征;具体步骤包括:
采用高斯拟合算法对每个单周期的待监测PPG信号从时域和频域两个方面进行特征提取,提取出若干个信号特征。
所述若干个特征,包括:信号最大幅度、信号舒张期的最大幅值、最大幅值对应的时间、舒张期峰值对应的时间、第一正高斯曲线的半宽度、第二正高斯曲线的半宽度、降中峡对应的时间、从开始到峰值的单个时期的上升率、从峰值到结束的单个时期的下降率、从峰值到降中峡所需的总时间、从降中峡到舒张期峰值所需的总时间、从舒张期峰值到结束所需的总时间、单个周期的平均幅度值、幅度的标准偏差、从开始到峰值的平均幅度、从峰值到降中峡的平均幅度、从降中峡到舒张峰的平均幅度、从舒张期峰值到结束的平均幅度、从开始到峰值的平均斜率、从峰值到降中峡的平均斜率、从降中峡到舒张峰的平均斜率或从舒张期峰值到结束的平均斜率。
所述第一正高斯曲线为通过第一正高斯函数获得的曲线;所述第二正高斯曲线为通过第二正高斯函数获得的曲线。
表3
作为一个或多个实施例,分类器,包括以下分类器的一种或多种:
高斯支持向量机GSVM(Gaussian Support vector machine)、K近邻(k-NearestNeighbor)、决策树(Decision Tree)或支持向量机(Support vector machine)。
作为一个或多个实施例,预先训练好的分类器的训练阶段所使用的训练集获取方式为:
采集已知血糖标签的PPG信号;所述血糖标签,包括:正常血糖、偏高血糖和预警值血糖;所述正常血糖是指3.9–6.1/70-110(mmol/l)/(mg/dl),所述偏高血糖是指6.2–7.8/111-140(mmol/l)/(mg/dl),所述预警值血糖是指7.9–10/141-180(mmol/l)/(mg/dl)。
对已知血糖标签的PPG信号进行滤波处理,去除已知血糖标签的PPG信号的高频成分;
将滤波处理后的已知血糖标签的PPG信号,去除基线漂移;对去除基线漂移后的已知血糖标签的PPG信号进行分段处理,分成若干个单周期的已知血糖标签的PPG信号;
对每个单周期的已知血糖标签的PPG信号进行特征提取,提取出若干个已知血糖标签的信号特征;所有的已知血糖标签的信号特征集合,即为训练集。
实验中,训练样本分别被标记为-1,0,1,其中-1代表血糖值正常的样本,0代表血糖值较高的样本,1代表预警状态(极高)的血糖值样本,按此将所有的PPG信号分为三类。本实例分类结果如表1所示;
表1
血糖等级诊断公式如下:
最终诊断结果P(i)的取值为-1,0或1,其中-1表示该用户i的血糖水平为正常,0表示该用户i的血糖水平较高,1表示该用户i的血糖水平达到了预警值。公式中n1,i表示用户i的正常血糖水平样本的数量,n2,i表示用户i的较高血糖水平样本的数量,n3,i表示用户i的预警血糖水平样本的数量。当某一血糖水平的样本数量大于其他两类血糖水平的样本数量时,该用户就被判定为此血糖水平。将n1,i/(n1,i+n2,i+n3,i)记为用户i为正常血糖水平的概率,n2,i/(n1,i+n2,i+n3,i)记为用户i为较高血糖水平的概率,n3,i/(n1,i+n2,i+n3,i)记为用户i为预警血糖水平的概率。
本实例最终实验结果为:由表1显示,-1的数量为3,0的数量为2,1的数量为14,即正常血糖值PPG信号样本的数量为3,偏高血糖值信号样本的数量为2,,预警值PPG信号样本的数量为14。因此得到的预警(极高)血糖水平的概率为14/(3+2+14)*100%=74%,正常和偏高的血糖水平概率分别为16%和10%,因此判断该用户有着预警状态(极高)的血糖水平,实际测量结果与此判断相符,从而验证了本公开的有效性。
作为一个或多个实施例,预先训练好的分类器的训练过程包括:
将训练集中已知血糖标签的信号特征,输入到分类器中,对分类器进行训练,当分类器损失函数小于设定阈值时,停止训练,得到训练好的分类器。
应理解的,特征提取前的分析步骤包括:
正高斯函数的定义如下:
最小二乘误差(LSE)用于评估高斯函数对单周期PPG信号拟合的精度,在拟合精度大于1.5%之前,参数会不断优化;直到拟合精度小于1.5%停止优化,这时对于信号的拟合足够精确。
LSE的计算方法为:
S32:六个参数Hk、nk和Wk(k=1,2)确定了两个正高斯函数的形态特征,对正常人和高血糖患者单周期PPG信号拟合结果如图3(a)、图3(b)、图3(c)和图3(d)所示。
将血糖分为两组:一组血糖值少于6.1共500个样本,另一组血糖值大于6.1共500个样本,应用统计学方法分别对两组数据的六个参数进行分析如表2所示,其中P值具有统计学意义。以此找到高血糖病人与正常人之间在频域以及时域上的差异。
表2
S33:在进行S31和S32的分析之后,发现与正常人相比,高血糖患者的第一高斯曲线的峰值显着降低,而第二高斯曲线的峰值没有显着差异,如图3(b)所示,从左至右依次为第一高斯曲线和第二高斯曲线。本实施例还发现,高血糖患者的第一和第二高斯曲线的峰值时间略有增加。此外,在高血糖患者中,第二高斯曲线的半宽度显着增加,而第一高斯的半宽度没有显着差异。因此可基于高斯拟合后的分析结果对S2所得到的单周期PPG信号从时域和频域两方面进行特征提取。
(1)高血糖患者和正常人的PPG信号中第一高斯曲线和第一高斯曲线在峰值、峰值出现的时间以及半宽度存在着或多或少的差异,因此将高斯拟合的六个参数H1、H2、n1、n2、W1、W2作为特征。
(2)为了从多方面来描述时域和频域上的不同,以更好的表达出其中的差异。其中特征Time_notch反应的是降中峡出现的时间,Slope_rise和Slope_fall反应的是血液的动能变化,对于高血糖患者其血液粘稠度较高,在血液流动过程中会损耗更多的能量。特征Slope_rise表示的是从开始到峰值的单个周期的上升率,特征Slope_fall表示从峰值到结束的单个周期的下降率。
(3)高斯拟合的结果发现,高血糖患者的第一和第二高斯曲线的峰值时间略有增加。按照此依据,新加入特征Timediff_peak_notch、Timediff_notch_distolicpeak和Timediff_distolicpeak_end来获取其他特征点在关键节点的时间特性。其中特征Timediff_peak_notch表示从峰值到降中峡所需的总时间,特征Timediff_notch_distolicpeak表示从降中峡到舒张期峰值所需的总时间,特征Timediff_distolicpeak_end表示从舒张期峰值到结束所需的总时间。
(4)相比较正常人而言,高血糖患者的单周期PPG信号的最高峰明显降低,而在舒张期阶段,其波形变化缓慢,在整个周期不会出现频繁的峰值。特征Mean_value_single、Standard_deviation、Mean_start_max、Mean_max_notch、Mean_notch_distolicpeak、Mean_distolicpeak_end被用于反映PPG信号的这些特点。其中特征Mean_value_single表示单个周期的平均幅度值,特征Standard_deviation表示幅度的标准偏差,特征Mean_start_max表示从开始到峰值的平均幅度,特征Mean_max_notch表示从峰值到降中峡的平均幅度,特征Mean_notch_distolicpeak表示从降中峡到舒张峰的平均幅度,特征Mean_distolicpeak_end表示从舒张期峰值到结束的平均幅度。
(5)高血糖患者的单周期PPG信号的变化更加缓慢,因此在平均的斜率上会有相对差异。特征Meanslope_sp、Meanslope_pn、Meanslope_nd、Meanslope_de被用于反映PPG信号这方面的特点。其中特征Meanslope_sp表示从开始到峰值的平均斜率,特征Meanslope_pn表示从峰值到降中峡的平均斜率,特征Meanslope_nd表示从降中峡到舒张峰的平均斜率,特征Meanslope_de表示从舒张期峰值到结束的平均斜率。
表4是一种实例,表示某一个人的PPG信号被分成了19个单周期,分类器分别对这19个周期进行分类,数字代表分类的结果,最终根据分类结果计算位于各个血糖区间的概率。
表4
实施例二,本实施例提供了基于PPG信号的无创血糖监测系统;
基于PPG信号的无创血糖监测系统,包括:
高频成分去除模块,其被配置为采集待监测的PPG信号;对待监测的PPG信号进行滤波处理,去除待监测的PPG信号的高频成分;
基线漂移去除模块,其被配置为将滤波处理后的待监测的PPG信号,去除基线漂移;
单周期分割模块,其被配置为对去除基线漂移后的待监测的PPG信号进行分段处理,分成若干个单周期的待监测PPG信号;
特征提取模块,其被配置为对每个单周期的待监测PPG信号进行特征提取,提取出若干个信号特征;
分类模块,其被配置为将所提取出的所有信号特征输入到预先训练好的分类器中,进行分类识别,识别出待监测的PPG信号所对应的血糖浓度标签。
实施例三,本实施例还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成方法中的各个操作,为了简洁,在此不再赘述。
所述电子设备可以是移动终端以及非移动终端,非移动终端包括台式计算机,移动终端包括智能手机(Smart Phone,如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解,在本公开中,该处理器可以是中央处理单元CPU,该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用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。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
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、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能的划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外一点,所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
所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存储介质中。基于这样的理解,本申请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)执行本申请各个实施例所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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (6)
1.基于PPG信号的无创血糖监测系统,其特征是,包括:
高频成分去除模块,其被配置为采集待监测的PPG信号;对待监测的PPG信号进行滤波处理,去除待监测的PPG信号的高频成分;
基线漂移去除模块,其被配置为将滤波处理后的待监测的PPG信号,去除基线漂移;具体的,将滤波处理后的待监测的PPG信号,基于拟合的滑动窗口FSW算法去除基线漂移;
单周期分割模块,其被配置为对去除基线漂移后的待监测的PPG信号进行分段处理,分成若干个单周期的待监测PPG信号;
特征提取模块,其被配置为对每个单周期的待监测PPG信号进行特征提取,具体包括:对单周期PPG信号的幅度进行标准化,将两个正高斯函数f1 *(n)和f2 *(n)应用于每个单周期信号进行建模;所述正高斯函数的定义如下:
其中,Hk表示峰值幅度,nk表示峰值时间位置,Wk表示每个正高斯曲线的半宽度,当k=1时,f1 *(n)为第一正高斯函数;当k=2时,f2 *(n)为第二正高斯函数;
对两个正高斯函数f1 *(n)和f2 *(n)进行特征提取,以得到:信号最大幅度、信号舒张期的最大幅值、最大幅值对应的时间、舒张期峰值对应的时间、第一正高斯曲线的半宽度、第二正高斯曲线的半宽度;
以及对单周期PPG信号从时域和频域两方面进行特征提取,以得到:降中峡对应的时间、从开始到峰值的单个时期的上升率、从峰值到结束的单个时期的下降率、从峰值到降中峡所需的总时间、从降中峡到舒张期峰值所需的总时间、从舒张期峰值到结束所需的总时间、单个周期的平均幅度值、幅度的标准偏差、从开始到峰值的平均幅度、从峰值到降中峡的平均幅度、从降中峡到舒张峰的平均幅度、从舒张期峰值到结束的平均幅度、从开始到峰值的平均斜率、从峰值到降中峡的平均斜率、从降中峡到舒张峰的平均斜率或从舒张期峰值到结束的平均斜率;
分类模块,其被配置为将所提取出的所有信号特征输入到预先训练好的分类器中,进行分类识别,识别出待监测的PPG信号所对应的血糖浓度标签。
2.如权利要求1所述的基于PPG信号的无创血糖监测系统,其特征是,所述高频成分去除模块对待监测的PPG信号进行滤波处理,去除待监测的PPG信号的高频成分;具体步骤包括:
使用低通滤波器来去除待监测的PPG信号的高频成分。
3.如权利要求1所述的基于PPG信号的无创血糖监测系统,其特征是,所述将滤波处理后的待监测的PPG信号,基于拟合的滑动窗口FSW算法去除基线漂移;具体步骤包括:
S21:输入滤波处理后的待监测的PPG信号signal;对整个信号段应用快速傅里叶变换得到待监测的PPG信号signal的主频f;
S23:设定滑动步长为窗口大小,滑动所述窗口,并将所述窗口中的信号振幅最小值作为当前窗口的波谷,波谷的纵坐标记为y,波谷对应的横坐标记为x;记录所有波谷的横坐标和纵坐标;
S24:利用三次样条函数将所有波谷进行基线拟合,并将拟合出的值存放于数组baseline中;
S25:从signal中分离出符合baseline-signal>0的点,从所分离出的点中找到的最小幅值m,然后用m替换当前基线中的y;
S26:从当前信号值开始,重复执行S22至S25,并更新baseline中相应的y值;
S27:用信号signal减去拟合出的基线的值baseline,得到去除基线漂移后的信号。
4.如权利要求1所述的基于PPG信号的无创血糖监测系统,其特征是,所述分类模块将所提取出的所有信号特征输入到预先训练好的分类器的训练阶段所使用的训练集获取方式为:
采集已知血糖标签的PPG信号;所述血糖标签,包括:正常血糖、偏高血糖和预警值血糖;
对已知血糖标签的PPG信号进行滤波处理,去除已知血糖标签的PPG信号的高频成分;
将滤波处理后的已知血糖标签的PPG信号,去除基线漂移;对去除基线漂移后的已知血糖标签的PPG信号进行分段处理,分成若干个单周期的已知血糖标签的PPG信号;
对每个单周期的已知血糖标签的PPG信号进行特征提取,提取出若干个已知血糖标签的信号特征;所有的已知血糖标签的信号特征集合,即为训练集。
5.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,执行以下步骤:采集待监测的PPG信号;对待监测的PPG信号进行滤波处理,去除待监测的PPG信号的高频成分;
将滤波处理后的待监测的PPG信号,去除基线漂移;具体的,将滤波处理后的待监测的PPG信号,基于拟合的滑动窗口FSW算法去除基线漂移;
对去除基线漂移后的待监测的PPG信号进行分段处理,分成若干个单周期的待监测PPG信号;
对每个单周期的待监测PPG信号进行特征提取,具体包括:对单周期PPG信号的幅度进行标准化,将两个正高斯函数f1 *(n)和f2 *(n)应用于每个单周期信号进行建模;所述正高斯函数的定义如下:
其中,Hk表示峰值幅度,nk表示峰值时间位置,Wk表示每个正高斯曲线的半宽度,当k=1时,f1 *(n)为第一正高斯函数;当k=2时,f2 *(n)为第二正高斯函数;
对两个正高斯函数f1 *(n)和f2 *(n)进行特征提取,以得到:信号最大幅度、信号舒张期的最大幅值、最大幅值对应的时间、舒张期峰值对应的时间、第一正高斯曲线的半宽度、第二正高斯曲线的半宽度;
以及对单周期PPG信号从时域和频域两方面进行特征提取,以得到:降中峡对应的时间、从开始到峰值的单个时期的上升率、从峰值到结束的单个时期的下降率、从峰值到降中峡所需的总时间、从降中峡到舒张期峰值所需的总时间、从舒张期峰值到结束所需的总时间、单个周期的平均幅度值、幅度的标准偏差、从开始到峰值的平均幅度、从峰值到降中峡的平均幅度、从降中峡到舒张峰的平均幅度、从舒张期峰值到结束的平均幅度、从开始到峰值的平均斜率、从峰值到降中峡的平均斜率、从降中峡到舒张峰的平均斜率或从舒张期峰值到结束的平均斜率;
将所提取出的所有信号特征输入到预先训练好的分类器中,进行分类识别,识别出待监测的PPG信号所对应的血糖浓度标签。
6.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,执行以下步骤:采集待监测的PPG信号;对待监测的PPG信号进行滤波处理,去除待监测的PPG信号的高频成分;
将滤波处理后的待监测的PPG信号,去除基线漂移;具体的,将滤波处理后的待监测的PPG信号,基于拟合的滑动窗口FSW算法去除基线漂移;
对去除基线漂移后的待监测的PPG信号进行分段处理,分成若干个单周期的待监测PPG信号;
对每个单周期的待监测PPG信号进行特征提取,具体包括:对单周期PPG信号的幅度进行标准化,将两个正高斯函数f1 *(n)和f2 *(n)应用于每个单周期信号进行建模;所述正高斯函数的定义如下:
其中,Hk表示峰值幅度,nk表示峰值时间位置,Wk表示每个正高斯曲线的半宽度,当k=1时,f1 *(n)为第一正高斯函数;当k=2时,f2 *(n)为第二正高斯函数;
对两个正高斯函数f1 *(n)和f2 *(n)进行特征提取,以得到:信号最大幅度、信号舒张期的最大幅值、最大幅值对应的时间、舒张期峰值对应的时间、第一正高斯曲线的半宽度、第二正高斯曲线的半宽度;
以及对单周期PPG信号从时域和频域两方面进行特征提取,以得到:降中峡对应的时间、从开始到峰值的单个时期的上升率、从峰值到结束的单个时期的下降率、从峰值到降中峡所需的总时间、从降中峡到舒张期峰值所需的总时间、从舒张期峰值到结束所需的总时间、单个周期的平均幅度值、幅度的标准偏差、从开始到峰值的平均幅度、从峰值到降中峡的平均幅度、从降中峡到舒张峰的平均幅度、从舒张期峰值到结束的平均幅度、从开始到峰值的平均斜率、从峰值到降中峡的平均斜率、从降中峡到舒张峰的平均斜率或从舒张期峰值到结束的平均斜率;
将所提取出的所有信号特征输入到预先训练好的分类器中,进行分类识别,识别出待监测的PPG信号所对应的血糖浓度标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527037.2A CN110141249B (zh) | 2019-06-18 | 2019-06-18 | 基于ppg信号的无创血糖监测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527037.2A CN110141249B (zh) | 2019-06-18 | 2019-06-18 | 基于ppg信号的无创血糖监测方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110141249A CN110141249A (zh) | 2019-08-20 |
CN110141249B true CN110141249B (zh) | 2022-02-18 |
Family
ID=67591809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910527037.2A Active CN110141249B (zh) | 2019-06-18 | 2019-06-18 | 基于ppg信号的无创血糖监测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110141249B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111603151B (zh) * | 2020-06-17 | 2023-05-16 | 深圳智领人工智能健康科技有限公司 | 一种基于时频联合分析的无创血液成分检测方法及系统 |
CN113133762B (zh) * | 2021-03-03 | 2022-09-30 | 刘欣刚 | 一种无创血糖预测方法及装置 |
CN113729698B (zh) * | 2021-08-26 | 2023-07-28 | 朱斌 | 一种无创血糖检测方法及系统 |
CN113576438B (zh) * | 2021-09-03 | 2024-03-05 | 广东工业大学 | 一种非侵入式血压提取方法和系统 |
JP6989992B1 (ja) | 2021-09-04 | 2022-01-12 | 株式会社Arblet | 情報処理システム、サーバ、情報処理方法及びプログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105193423A (zh) * | 2015-09-25 | 2015-12-30 | 北京大学深圳研究生院 | 无创血糖检测方法、装置及系统 |
CN107296616A (zh) * | 2017-05-20 | 2017-10-27 | 深圳市前海安测信息技术有限公司 | 便携式无创血糖检测设备及方法 |
CN107468221A (zh) * | 2017-09-12 | 2017-12-15 | 济南大学 | 基于金氏脉学的脉搏波信号处理方法及肺癌检测系统 |
TW201834614A (zh) * | 2017-03-23 | 2018-10-01 | 國立交通大學 | 具身份辨識功能之非侵入式血糖量測裝置、方法與系統 |
-
2019
- 2019-06-18 CN CN201910527037.2A patent/CN110141249B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105193423A (zh) * | 2015-09-25 | 2015-12-30 | 北京大学深圳研究生院 | 无创血糖检测方法、装置及系统 |
TW201834614A (zh) * | 2017-03-23 | 2018-10-01 | 國立交通大學 | 具身份辨識功能之非侵入式血糖量測裝置、方法與系統 |
CN107296616A (zh) * | 2017-05-20 | 2017-10-27 | 深圳市前海安测信息技术有限公司 | 便携式无创血糖检测设备及方法 |
CN107468221A (zh) * | 2017-09-12 | 2017-12-15 | 济南大学 | 基于金氏脉学的脉搏波信号处理方法及肺癌检测系统 |
Non-Patent Citations (1)
Title |
---|
人体脉搏波特征提取算法研究;周宽久 等;《2006中国控制与决策学术年会论文集》;20070409;第299-306页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110141249A (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110141249B (zh) | 基于ppg信号的无创血糖监测方法、系统、设备及介质 | |
Jiang et al. | Robust sleep stage classification with single-channel EEG signals using multimodal decomposition and HMM-based refinement | |
Zhang et al. | A noninvasive blood glucose monitoring system based on smartphone PPG signal processing and machine learning | |
Wieclaw et al. | Biometrie identification from raw ECG signal using deep learning techniques | |
CN107028603B (zh) | 使用脉搏触诊信号来检测人体内的糖尿病的装置和方法 | |
EP3358485A1 (en) | General noninvasive blood glucose prediction method based on timing analysis | |
CN110650671A (zh) | 处理用于分析物评估的生理电数据 | |
Tazarv et al. | A deep learning approach to predict blood pressure from ppg signals | |
Banerjee et al. | PhotoECG: Photoplethysmographyto estimate ECG parameters | |
CN106618560B (zh) | 脑电波信号的处理方法和装置 | |
CN111839506B (zh) | 脑力负荷检测方法及装置 | |
Roy et al. | Photoplethysmogram signal quality evaluation by unsupervised learning approach | |
CN114781465A (zh) | 一种基于rPPG的非接触式疲劳检测系统及方法 | |
CN112568886A (zh) | 心律的检测方法、电子设备以及计算机可读存储介质 | |
Maity et al. | PPGMotion: Model-based detection of motion artifacts in photoplethysmography signals | |
Benchekroun et al. | Comparison of Stress Detection through ECG and PPG signals using a Random Forest-based Algorithm | |
Wang et al. | Ppg signal reconstruction using deep convolutional generative adversarial network | |
Jegan et al. | Biosensor-based feature extraction and physiological parameters measurement for biomedical applications | |
CN109036552A (zh) | 中医诊断终端及其存储介质 | |
KR20220057677A (ko) | 딥러닝 기반의 수면단계 판정 장치 및 그 시스템 | |
EP3251588A1 (en) | Method and system for physiological parameter derivation from pulsating signals with reduced error | |
Singh et al. | Dry contact fingertip ECG-based authentication system using time, frequency domain features and support vector machine | |
Wang et al. | IMSF-Net: An improved multi-scale information fusion network for PPG-based blood pressure estimation | |
Gurkan et al. | A novel human identification system based on electrocardiogram features | |
Zanghieri et al. | Low-latency detection of epileptic seizures from IEEG with temporal convolutional networks on a low-power parallel MCU |
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 |