CN111067500A - 一种基于ppg信号实现连续血压的监测系统 - Google Patents
一种基于ppg信号实现连续血压的监测系统 Download PDFInfo
- Publication number
- CN111067500A CN111067500A CN201911377814.6A CN201911377814A CN111067500A CN 111067500 A CN111067500 A CN 111067500A CN 201911377814 A CN201911377814 A CN 201911377814A CN 111067500 A CN111067500 A CN 111067500A
- Authority
- CN
- China
- Prior art keywords
- data
- ppg
- blood pressure
- signals
- analysis module
- 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.)
- Pending
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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Vascular Medicine (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于PPG信号实现连续血压的监测系统。信号采集模块用于获取被监测者的基本信息,并将基本信息传送至服务器,通过服务器将基本信息传送至数据分析模块;使用设备实时获得PPG信号,在数据分析模块中进行去除PPG干扰信号,并将基本信息和PPG信号作为输入进行血压预测;服务器将预测结果在UI交互端进行显示。数据分析模块中包括基于神经网络或其他机器学习方法得到训练模型。数据分析模块中提出了基于连续多个周期PPG信号作为输入预测血压值,同时在数据预处理过程中,能够实施实时的数据输入进行预测。可以解决使用之前方法存在的不足,即相邻两个周期预测的血压数据相互独立,并通过多个预测值求平均后从而进一步提高测试精度。
Description
技术领域
本发明涉及心或血管压力的测量技术领域,具体涉及一种基于PPG信号实现连续血压的监测系统。
背景技术
随着生活水平提高,工作、学习节奏加快,高血压人群正有扩大化、年轻化趋势,那么对高血压人群的筛查、监护、预防,成为医疗电子的热门课题。高血压是最常见的心血管疾病之一,也是导致充血性心力衰竭、脑卒中、冠心病、肾功能衰竭、主动脉瘤的发病率和病死率升高的主要危险因素。
心脏是人体血液循环的中心,承担着使人体各器官正常运转的重任。血压是由心脏产生的人体非常重要的物理信号之一,正常人的血压在多种因素的调节下保持稳定;而对于老人或者病人来说,血压的波动往往会超出正常范围,而这种血压的非正常波动,对于判断一个人的生理状态十分有帮助。因此,如何有效地测量血压在医疗和日常生活中具有重要意义。在日常生活中,目前最常用的血压测量设备是电子血压计,其原理是基于柯氏音和示波法,在使用电子血压计的过程中,需要对被测者施加压力,这种方法操作繁琐、不能连续监测,而且容易对被测者造成不适,所以有必要研究出更好的方法来进行无创连续的血压监测。得益于传感器技术的发展,人们可以很容易的获取人体脉搏的Photoplethysmogram(PPG)信号,很多研究也都基于PPG信号进行了血压的预测。因为PPG信号是一组连续波动的波形数据,通过从PPG信号的波形中提取出与血压显著相关的特征,然后对这些提取到的特征建立回归模型,从而预测出血压。
目前,基于PPG信号预测连续血压信号的方法可分为两大类:第一种是通过提取PPG信号的相关特征点,包括博峰值、波谷值、重博波波峰、波谷值、收缩与舒张周期的时间等作为输入搭建数学模型(如机器学习、深度学习等)进行预测,这种方法一般称之为feature_based;第二种是将PPG整个周期的信号作为输入进行预测,一般称之为whole_based。
上述第一种技术(feature_based)存在的缺点:(1)随着人的年龄增长,血管有可能发生硬化等病理现象,PPG信号的部分特征将有可能消失,如重博波变得不明显甚至消失,将导致PPG信号将缺少部分特征,因此数学模型的输入不能统一,将无法进行预测;(2)PPG信号的特征提取过程麻烦,需要花费大量时间和精力;(3)无法考虑相邻血压周期的连续性。
上述第二种技术(whole_based)存在的缺点:虽然不需要提取PPG信号的特征,但一般相邻两个脉搏周期的血压值不会波动很大,以现有研究技术将单个周期的脉搏信号预测血压仍然无法考虑相邻周期血压的连贯性(或关联)。
发明内容
(一)解决的技术问题
本发明的目的在于提供一种基于PPG信号实现连续血压的监测系统,使用whole_based的方法,考虑到血压相邻周期的连续性,通过输入多个周期的脉搏信号预测相邻多个血压值,从而提高预测准确性。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种基于PPG信号实现连续血压的监测系统,它包含信号采集模块、数据分析模块、服务器和UI交互端,信号采集模块用于获取被监测者的基本信息,并将基本信息传送至服务器,通过服务器将基本信息传送至数据分析模块;使用设备实时获得PPG信号,在数据分析模块中进行去除PPG干扰信号,并将基本信息和PPG信号作为输入进行血压预测;服务器将预测结果在UI交互端进行显示。
作为本发明的进一步改进,所述的数据分析模块中包括基于神经网络或其他机器学习方法(如一维的卷积神经网络)得到训练模型。
作为本发明的进一步改进,所述的基于PPG信号实现连续血压的监测系统的测试过程为:
(a)用户先通过信号采集模块输入基本信息,输入数据的单位及格式与训练模型保持一致;
(b)然后进行PPG信号采集,进入数据分析模块,采用先确定波峰值,然后再找到波谷值的方法,从而将PPG信号逐个按周期输入,在采集前期需要去除不稳定的信号,并且第一个波谷前的数据同样需要去除;完成第一次血压预测后,后续将替换预测数据,为找到下一个周期PPG信号,传输进来的原始数据可根据上一个周期的时长,传输上一个周期的两倍数据量,通过循环找到下一个周期,并删除上一个输入6个周期中的第一个周期数据;
(c)在数据分析模块中,将数据按照与训练一样的处理方式进行降维等操作,调用模型完成预测,通过服务器将数据实时显示在UI交互端的界面。
(三)有益效果
与现有技术相比,采用上述技术方案后,本发明有益效果为:
采用本发明的系统,数据分析模块中,提出了一种基于连续多个周期PPG信号作为输入预测血压值,同时在数据预处理过程中,能够实施实时的数据输入进行预测。输入连续多个周期的PPG信号预测多个血压值,可以解决使用之前方法存在的不足,即相邻两个周期预测的血压数据相互独立,并通过多个预测值求平均后从而进一步提高测试精度。
附图说明
图1是本发明所提供的实施例的系统结构图;
图2是本发明所提供的实施例数据分析模块获取6个周期的波形示意图;
图3是本发明所提供的实施例的系统流程图;
图4是本发明所提供的实施例数据分析模块的工作流程图。
附图标记说明:
1、信号采集模块;2、数据分析模块;3、服务器;4、UI交互端。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
请参阅图1,本发明提供的一种实施例:一种基于PPG信号实现连续血压的监测系统,它包含信号采集模块1、数据分析模块2、服务器3和UI交互端4,信号采集模块1与服务器3连接,服务器3与数据分析模块2相互连接,服务器3和UI交互端4连接,其中,信号采集模块1用于获取被监测者的基本信息,包括用户性别、年龄、身高、体重等,并将基本信息传送至服务器3,通过服务器3将基本信息传送至数据分析模块2;使用设备实时获得PPG信号,在数据分析模块2中进行去除PPG干扰信号,并将基本信息和PPG信号作为输入进行血压预测;服务器3将预测结果在UI交互端4进行显示。
数据分析模块2中包括基于神经网络或其他机器学习方法(如一维的卷积神经网络)得到训练模型,如图4所示,训练模型的工作流程包含以下步骤:
(1)采集训练数据:训练特征包括用户的基本信息及PPG信号,通过同步测量用户10分钟左右的血压及PPG信号,根据测试需求,可选择在不同时间段对同一用户进行测量,通过大量数据样本的采集,得到训练数据库;
(2)对PPG信号进行预处理:包括去除高频信号、基线漂移,并提取波峰及波谷值等操作,通过截断每个波谷值,将连续的信号分解成按单个周期;
(3)统一每个周期的数据长度:由于每个人的脉搏周期不同,PPG信号数据长度也不一致,因此需要将输入数据量统一,一般地,可设定每个周期的PPG信号为1秒钟的数据量,当数据量不足时,以整个周期的均值进行填充,而大于1秒钟数据量时,则删除。可以设定PPG信号每个周期为1秒,例如:当PPG信号测量设备为100Hz时,则统一数据量为1秒采集得到的100个数据点,当心率大于1次每秒时,数据量则会大于100,则以整个周期的PPG数据的均值进行填充,当心率小于60次每分钟的时候,数据量则会大于100,则将末尾的数据删除至第100个数据点,将每个PPG信号周期进行归一化;
(4)将连续多个PPG信号作为预测特征,图2展示了6个波形作为输入特征的示意图,建立6个周期的窗口,每次滑动步长为一个周期。第一个值只能单独输出,第二个值求均值后输出,依次类推,至第六个值及以后,每次输出为预测的六个数据的均值;
(5)对PPG信号进行降维:由于相邻的PPG信号之间的数据具有很强相关性,因此需要进行对数据进行降维,6个周期的信号可降至64维;
(6)搭建模型进行训练:选择全连接BP神经网络进行训练,同样以上述例子(采样频率100Hz,6个周期及64维降维数),参数如下:输入变量包括用户信息(性别、年龄、身高、体重)及PPG信号共68个数据,隐藏层层数选择2层,隐藏层神经元个数可设定为30个,输出共12个变量(6个收缩压值及6个舒张压值),损失函数为均方误差,选择sigmoid激活函数、momentum优化器,学习率定为0.009,dropout_rate设定为0.5,保存训练模型。
如图3所示,基于PPG信号实现连续血压的监测系统的测试过程为:
(1)用户先通过信号采集模块1输入基本信息,输入数据的单位及格式与训练模型保持一致;
(2)然后进行PPG信号采集,进入数据分析模块2,与训练数据有所不同,PPG信号需要实时按周期输入,实现这个功能关键是要能准确划分每个周期。图2展示了实时获取6个周期的波形示意图,图4展示了训练模型的工作流程,使用一阶导数基本能够识别所有波峰及波谷值,按波谷分割每个周期,但由于PPG信号的重博波及潮波等特征有所不同,因此在分割周期的时候,这些不规则的特征对波谷值的造成一定干扰,但PPG信号的波峰值相对较好确定,因此采用先确定波峰值,然后再找到波谷值的方法,从而将PPG信号逐个按周期输入。(在流程图中没有说明的是:在采集前期需要去除不稳定的信号,如去除前10秒信号数据,并且第一个波谷前的数据同样需要去除。)完成第一次血压预测后,后续将按照图2所示的方式进行替换预测数据,为找到下一个周期PPG信号,传输进来的原始数据可根据上一个周期的时长,传输上一个周期的两倍数据量,通过循环找到下一个周期,并删除上一个输入6个周期中的第一个周期数据;
(3)在数据分析模块2中,将数据按照与训练一样的处理方式进行降维等操作,调用模型完成预测,通过服务器3将数据实时显示在UI交互端的界面。
综上所述,本发明可以解决使用之前方法存在的不足,即相邻两个周期预测的血压数据相互独立,并通过多个预测值求平均后从而进一步提高测试精度。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种基于PPG信号实现连续血压的监测系统,其特征在于,它包含信号采集模块、数据分析模块、服务器和UI交互端,信号采集模块用于获取被监测者的基本信息,并将基本信息传送至服务器,通过服务器将基本信息传送至数据分析模块;使用设备实时获得PPG信号,在数据分析模块中进行去除PPG干扰信号,并将基本信息和PPG信号作为输入进行血压预测;服务器将预测结果在UI交互端进行显示。
2.根据权利要求1所述的一种基于PPG信号实现连续血压的监测系统,其特征在于,所述的数据分析模块中包括训练模型。
3.根据权利要求2所述的一种基于PPG信号实现连续血压的监测系统,其特征在于,所述训练模型的工作流程包含以下步骤:
(1)采集训练数据:训练特征包括用户的基本信息及PPG信号,通过同步测量用户10分钟左右的血压及PPG信号,根据测试需求,选择在不同时间段对同一用户进行测量,通过大量数据样本的采集,得到训练数据库;
(2)对PPG信号进行预处理:包括去除高频信号、基线漂移,并提取波峰及波谷值,通过截断每个波谷值,将连续的信号分解成按单个周期;
(3)统一每个周期的数据长度;
(4)将连续多个PPG信号作为预测特征;
(5)对PPG信号进行降维;
(6)搭建模型进行训练:选择全连接BP神经网络进行训练,保存训练模型。
4.根据权利要求1所述的一种基于PPG信号实现连续血压的监测系统,其特征在于,它的测试过程为:
(a)用户先通过信号采集模块输入基本信息,输入数据的单位及格式与训练模型保持一致;
(b)然后进行PPG信号采集,进入数据分析模块,采用先确定波峰值,然后再找到波谷值的方法,从而将PPG信号逐个按周期输入,在采集前期需要去除不稳定的信号,并且第一个波谷前的数据同样需要去除;完成第一次血压预测后,后续将替换预测数据,为找到下一个周期PPG信号,传输进来的原始数据可根据上一个周期的时长,传输上一个周期的两倍数据量,通过循环找到下一个周期,并删除上一个输入6个周期中的第一个周期数据;
(c)在数据分析模块中,将数据按照与训练一样的处理方式进行降维操作,调用模型完成预测,通过服务器将数据实时显示在UI交互端的界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911377814.6A CN111067500A (zh) | 2019-12-27 | 2019-12-27 | 一种基于ppg信号实现连续血压的监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911377814.6A CN111067500A (zh) | 2019-12-27 | 2019-12-27 | 一种基于ppg信号实现连续血压的监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111067500A true CN111067500A (zh) | 2020-04-28 |
Family
ID=70318619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911377814.6A Pending CN111067500A (zh) | 2019-12-27 | 2019-12-27 | 一种基于ppg信号实现连续血压的监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111067500A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113397511A (zh) * | 2021-05-24 | 2021-09-17 | 深圳大学 | 血压测量方法及装置 |
CN114224303A (zh) * | 2021-10-19 | 2022-03-25 | 安徽大学 | 一种无创血压预测方法及系统 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170071485A1 (en) * | 2015-09-16 | 2017-03-16 | National Chiao Tung University | System and method for blood pressure measurement, computer program product using the method, and computer-readable recording medium thereof |
CN106821356A (zh) * | 2017-02-23 | 2017-06-13 | 吉林大学 | 基于Elman神经网络的云端连续血压测量方法及系统 |
CN109833034A (zh) * | 2017-11-24 | 2019-06-04 | 深圳市岩尚科技有限公司 | 一种脉搏波信号中提取血压数据的方法及装置 |
CN110251105A (zh) * | 2019-06-12 | 2019-09-20 | 广州视源电子科技股份有限公司 | 一种无创血压测量方法、装置、设备及系统 |
US20190298195A1 (en) * | 2018-03-30 | 2019-10-03 | Koninklijke Philips N.V. | System and method for non-invasive determination of blood pressure dip based on trained prediction models |
-
2019
- 2019-12-27 CN CN201911377814.6A patent/CN111067500A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170071485A1 (en) * | 2015-09-16 | 2017-03-16 | National Chiao Tung University | System and method for blood pressure measurement, computer program product using the method, and computer-readable recording medium thereof |
CN106821356A (zh) * | 2017-02-23 | 2017-06-13 | 吉林大学 | 基于Elman神经网络的云端连续血压测量方法及系统 |
CN109833034A (zh) * | 2017-11-24 | 2019-06-04 | 深圳市岩尚科技有限公司 | 一种脉搏波信号中提取血压数据的方法及装置 |
US20190298195A1 (en) * | 2018-03-30 | 2019-10-03 | Koninklijke Philips N.V. | System and method for non-invasive determination of blood pressure dip based on trained prediction models |
CN110251105A (zh) * | 2019-06-12 | 2019-09-20 | 广州视源电子科技股份有限公司 | 一种无创血压测量方法、装置、设备及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN114224303A (zh) * | 2021-10-19 | 2022-03-25 | 安徽大学 | 一种无创血压预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
KR102622403B1 (ko) | 생물학적 데이터 처리 | |
CN106821356B (zh) | 基于Elman神经网络的云端连续血压测量方法及系统 | |
WO2017024457A1 (zh) | 连续血压测量装置、测量模型建立方法和系统 | |
CN111067500A (zh) | 一种基于ppg信号实现连续血压的监测系统 | |
CN110037668B (zh) | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 | |
Yang et al. | Estimation and validation of arterial blood pressure using photoplethysmogram morphology features in conjunction with pulse arrival time in large open databases | |
CN109288508A (zh) | 一种基于crnn-bp的血压值智能测量方法 | |
CN111000544B (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 | |
CN107106016A (zh) | 基于生理数据预测患者的连续心输出量(cco)的方法和系统 | |
CN108403101A (zh) | 一种模型训练方法及装置、测量血压的方法及装置 | |
CN113160921A (zh) | 一种基于血流动力学的数字人体心血管系统的构建方法和应用 | |
CN112806977A (zh) | 基于多尺度融合网络的生理参数测量方法 | |
CN115089145A (zh) | 基于多尺度残差网络和ppg信号的智能血压预测方法 | |
CN111839488A (zh) | 基于脉搏波的无创连续血压测量装置和方法 | |
CN113729648B (zh) | 一种基于多脉搏传感器的穿戴式脉诊手环系统 | |
CN117357079A (zh) | 基于个体校正的人体血压测量方法 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
CN116869499A (zh) | 一种基于ppg及其多阶微分信号的血压连续测量方法 | |
CN114668375A (zh) | 一种基于深度神经网络模型的无袖带血压预测系统 | |
Chen et al. | Beat-to-beat heart rate detection based on seismocardiogram using BiLSTM network | |
Wang et al. | PulseLab: An integrated and expandable toolbox for pulse wave velocity-based blood pressure estimation | |
Sun et al. | Noninvasive Blood Pressure Prediction Based on Dual Encoder U-Net | |
Chen et al. | A probabilistic beat-to-beat filtering model for continuous and accurate blood pressure estimation | |
Angyal et al. | Algorithm of oscillometric blood pressure measurement applied on microcontroller |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |
|
RJ01 | Rejection of invention patent application after publication |