CN111248881A - 一种对血压进行预测的方法和装置 - Google Patents
一种对血压进行预测的方法和装置 Download PDFInfo
- Publication number
- CN111248881A CN111248881A CN202010110286.4A CN202010110286A CN111248881A CN 111248881 A CN111248881 A CN 111248881A CN 202010110286 A CN202010110286 A CN 202010110286A CN 111248881 A CN111248881 A CN 111248881A
- Authority
- CN
- China
- Prior art keywords
- time
- point
- signal
- ppg
- generate
- 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
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
-
- 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
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明实施例涉及一种对血压进行预测的方法和装置,所述方法包括:获取同步的ECG、PPG信号;对ECG信号进行R点特征识别生成R点时间序列;对PPG信号进行峰值点、谷值点特征识别生成峰值点、谷值点时间序列;对应每个R点时间在PPG信号中提取第一谷值点、第一峰值点和第二谷值点时间,并组成匹配特征时间组;根据匹配特征时间组序列进行随机森林算法模型的特征样本数据准备生成随机森林样本组序列;计算R点心率差并以R点心率差是否满足阈值作为异常样本组判定条件对随机森林样本组序列进行异常样本组删除处理;利用随机森林算法模型对随机森林样本组序列进行回归预测计算生成预测血压数组。
Description
技术领域
本发明涉及电生理信号处理技术领域,特别涉及一种对血压进行预测的方法和装置。
背景技术
心脏是人体血液循环的中心,心脏通过有规律的搏动产生血压,进而向全身供血完成人体的新陈代谢,血压是人体非常重要的生理信号之一。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。在日常生活中,目前最常用的血压测量设备是电子血压计,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。
发明内容
本发明的目的,就是针对现有技术的缺陷,提供一种对血压进行预测的方法和装置,对测试者进行心电图(Electrocardiogram,ECG)信号和光体积变化描记图法(Photoplethysmography,PPG)信号的同步采集,对获取的ECG信号与PPG信号进行特征提取,再对各自的特征数据进行匹配,继而根据匹配的ECG信号和PPG信号进行融合生成样本数据并将样本数据利用随机森林算法模型进行预测计算,最终获得血压预测值。通过本发明实施例,无需对测试者进行压力测试或者干预介入式测试,通过与采集传感器配合可以自动持续对ECG和PPG信号进行分析和预测,由此既提高了测试者的舒适度又建立了一种自动监测血压的途径。
为实现上述目的,本发明实施例第一方面提供了一种对血压进行预测的方法,其特征在于,所述方法包括:
同步对测试者进行心电生理信号和脉搏生理信号采集生成心电信号和脉搏生理信号;并对所述心电信号和所述脉搏生理信号按预置的采样频率阈值进行信号采样处理生成心电图ECG信号和光体积变化描记图法PPG信号;
对所述ECG信号进行R点时间特征识别操作生成R点时间序列;所述R点时间序列包括多个R点时间;
对所述PPG信号进行脉搏波峰值点时间特征识别操作和脉搏波谷值点时间特征识别操作,生成峰值点时间序列和谷值点时间序列;所述峰值点时间序列包括多个峰值点时间;所述谷值点时间序列包括多个谷值点时间;
根据所述峰值点时间序列、所述谷值点时间序列和所述R点时间序列,以每个所述R点时间为时间参考点,在所述PPG信号中,提取在所述时间参考点之后的第一谷值点时间、第一峰值点时间和第二谷值点时间;根据所述R点时间、所述第一谷值点时间、所述第一峰值点时间和所述第二谷值点时间生成匹配特征时间组;并将所有所述匹配特征时间组按先后顺序进行排序生成匹配特征时间组序列;
根据所述匹配特征时间组序列,进行随机森林算法模型的特征样本数据准备操作,生成随机森林样本组序列;所述随机森林样本组序列包括多个随机森林样本组;
根据所述R点时间序列,计算对应的R点瞬时心率、R点趋势心率和R点心率差;并以所述R点心率差是否小于预置的合理心率差阈值作为异常样本组判定条件对所述随机森林样本组序列进行异常样本组删除处理;
利用所述随机森林算法模型对所述随机森林样本组序列进行回归预测计算生成预测血压数组;所述预测血压数组包括收缩压数据和舒张压数据。
优选的,所述同步对测试者进行心电生理信号和脉搏生理信号采集生成心电信号和脉搏生理信号;并对所述心电信号和所述脉搏生理信号按预置的采样频率阈值进行信号采样处理生成心电图ECG信号和光体积变化描记图法PPG信号,具体包括:
对所述测试者进行心电生理信号采集生成一段长度为固定时长阈值的所述心电信号,同步的,对所述测试者进行脉搏生理信号采集生成一段长度为所述固定时长阈值的所述脉搏生理信号;
按所述采样频率阈值对所述心电信号进行信号采样生成所述ECG信号;所述ECG信号包括多个ECG信号点;所述ECG信号点包括信号点幅值数据和信号点时间数据;
按所述采样频率阈值对所述脉搏生理信号进行信号采样生成PPG原始信号,并根据预置的带通频率阈值范围对所述PPG原始信号进行带通滤波处理生成所述PPG信号;所述PPG信号包括多个PPG信号点;所述PPG信号点包括信号点幅值数据和信号点时间数据。
优选的,所述对所述ECG信号进行R点时间特征识别操作生成R点时间序列,具体包括:
对所述ECG信号,依次提取所述ECG信号点的信号点时间数据,生成ECG一维数据向量;按预置的ECG片段长度阈值对所述ECG一维数据向量进行数据片段划分操作生成多个ECG一维片段向量;
以所述ECG一维片段向量作为R点时间特征识别算法的输入,利用指定的R点时间特征识别算法,识别出R点在所述ECG一维片段向量内的相对时间位移信息T1;并根据所述ECG一维片段向量的起始ECG信号点的信号点时间数据T2获得所述R点时间,R点时间=T2+T1;
将识别出的所有所述R点时间,按先后顺序排序生成所述R点时间序列。
优选的,所述对所述PPG信号进行脉搏波峰值点时间特征识别操作和脉搏波谷值点时间特征识别操作,生成峰值点时间序列和谷值点时间序列,具体包括:
通过配置信号点参考幅值和绝对不应期时间宽度,对所述PPG信号进行脉搏波峰值点时间特征识别操作,生成所述峰值点时间序列;
根据所述峰值点时间序列,对所述PPG信号进行所述脉搏波谷值点时间特征提取操作生成所述谷值点时间序列。
进一步的,所述通过配置信号点参考幅值和绝对不应期时间宽度,对所述PPG信号进行脉搏波峰值点时间特征识别操作,生成所述峰值点时间序列,具体包括:
初始化所述峰值点时间序列为空;设置波形下降沿标志为0;获取预置的峰值校准因子;对所述PPG信号进行全信号标准偏差计算生成标准偏差因子;
在所述PPG信号中,从第1个PPG信号点的信号点幅值数据开始,到指定数目个PPG信号点的信号点幅值数据为止,提取其中的最小值对所述信号点参考幅值进行初始化;
对所述PPG信号从指定数目加1个PPG信号点开始到最后1个PPG信号点进行信号点遍历生成当前PPG信号点;
当所述当前PPG信号点的信号点幅值数据大于所述信号点参考幅值时,设置所述信号点参考幅值为所述当前PPG信号点的信号点幅值数据,设置所述波形下降沿标志为0;
当所述当前PPG信号点的信号点幅值数据小于所述信号点参考幅值且所述波形下降沿标志为0时,设置所述波形下降沿标志为1;提取上一个PPG信号点的信号点幅值数据生成当前峰值点幅值,提取上一个PPG信号点的信号点时间数据生成当前峰值点时间;获取所述绝对不应期时间宽度并根据所述当前峰值点时间加上所述绝对不应期时间宽度的和生成绝对不应期结束时间;设置所述信号点参考幅值为所述当前峰值点幅值;将所述当前峰值点时间向所述峰值点时间序列进行峰值点时间添加操作;
当所述当前PPG信号点的信号点幅值数据小于所述信号点参考幅值且所述波形下降沿标志为1时,如果所述当前PPG信号点的信号点时间数据小于或等于所述绝对不应期结束时间,则保持所述信号点参考幅值的取值不变;
当所述当前PPG信号点的信号点幅值数据小于所述信号点参考幅值且所述波形下降沿标志为1时,如果所述当前PPG信号点的信号点时间数据大于所述绝对不应期结束时间,则根据公式Anew=Aold+B*(P+std)/f对所述信号点参考幅值进行重置;所述Anew为重置后的信号点参考幅值数据;所述Aold为重置前的信号点参考幅值数据;所述B为所述峰值校准因子;所述P为所述当前峰值点幅值;所述std为所述标准偏差因子;所述f为所述采样频率阈值。
进一步的,所述根据所述峰值点时间序列,对所述PPG信号进行所述脉搏波谷值点时间特征提取操作生成所述谷值点时间序列,具体包括:
根据所述峰值点时间序列,在所述PPG信号中,两个相邻峰值点时间之间,提取所述信号点幅值数据为最小值的所述PPG信号点的所述信号点时间数据,生成所述谷值点时间;将提取出的所有所述谷值点时间按先后顺序对对所述谷值点时间序列进行谷值点时间添加操作。
优选的,所述根据所述峰值点时间序列、所述谷值点时间序列和所述R点时间序列,以每个所述R点时间为时间参考点,在所述PPG信号中,提取在所述时间参考点之后的第一谷值点时间、第一峰值点时间和第二谷值点时间;根据所述R点时间、所述第一谷值点时间、所述第一峰值点时间和所述第二谷值点时间生成匹配特征时间组;并将所有所述匹配特征时间组按先后顺序进行排序生成匹配特征时间组序列,具体包括:
设置所述匹配特征时间组;初始化所述匹配特征时间组的匹配R点时间为空,初始化所述匹配特征时间组的匹配PPG峰值时间为空,初始化所述匹配特征时间组的匹配PPG起始时间为空,初始化所述匹配特征时间组的匹配PPG结束时间为空;
从所述R点时间序列依次提取两个相邻所述R点时间生成第一参考R点和第二参考R点;所述第一参考R点小于所述第二参考R点;在所述PPG信号中,对所述谷值点时间序列以所述第一参考R点为起始时间、以所述第二参考R点为结束时间从结束时间向起始时间进行反方向查找,提取距离结束时间最近的所述谷值点时间生成所述第二谷值点时间,提取与所述第二谷值点时间距离最近的下一个所述谷值点时间生成所述第一谷值点时间;在所述PPG信号中,对所述峰值点时间序列以所述第一参考R点为起始时间、以所述第二参考R点为结束时间从结束时间向起始时间进行反方向查找,提取距离结束时间最近的所述峰值点时间生成所述第一峰值点时间;
设置所述匹配特征时间组的所述匹配R点时间为所述第一参考R点,设置所述匹配特征时间组的所述匹配PPG峰值时间为所述第一峰值点时间,设置所述匹配特征时间组的所述匹配PPG起始时间为所述第一谷值点时间,设置所述匹配特征时间组的所述匹配PPG结束时间为所述第二谷值点时间;
将设置成功的所述匹配特征时间组向所述匹配特征时间组序列进行匹配特征时间组添加操作。
优选的,所述根据所述匹配特征时间组序列,进行随机森林算法模型的特征样本数据准备操作,生成随机森林样本组序列,具体包括:
依次提取所述匹配特征时间组序列的所述匹配特征时间组生成当前匹配特征时间组;提取所述当前匹配特征时间组的下一个匹配特征时间组生成相邻匹配特征时间组;
提取所述当前匹配特征时间组的所述匹配R点时间生成第一R点时间,提取所述当前匹配特征时间组的所述匹配PPG峰值时间生成峰值时间,提取所述当前匹配特征时间组的所述匹配PPG起始时间生成起始时间,提取所述当前匹配特征时间组的所述匹配PPG结束时间生成结束时间;提取所述相邻匹配特征时间组的所述匹配R点时间生成第二R点时间;
在所述PPG信号中,提取与所述当前匹配特征时间组对应的PPG信号波形生成当前PPG波形;计算从所述起始时间到所述结束时间之间由所述当前PPG波形与时间横轴围成的面积生成当前PPG波形面积S;
设置所述随机森林样本组的第一样本参数为60除以心动时差的商,所述心动时差为所述第一R点时间与所述第二R点时间的时间差绝对值;
设置所述随机森林样本组的第二样本参数为所述第一R点时间与所述起始时间的时间差绝对值;
设置所述随机森林样本组的第三样本参数为所述第一R点时间与所述峰值时间的时间差绝对值;
获取所述当前PPG波形的上升沿斜率最大值处的时间点生成上升最大斜率时间;设置所述随机森林样本组的第四样本参数为所述第一R点时间与所述上升最大斜率时间的时间差绝对值;
获取所述当前PPG波形中与所述峰值时间对应的信号幅值数据生成峰值幅值,设置所述随机森林样本组的第五样本参数为所述峰值幅值;
获取所述当前PPG波形中与所述起始时间对应的信号幅值数据生成起始幅值,设置所述随机森林样本组的第六样本参数为所述峰值幅值与所述起始幅值的比值;
设置所述随机森林样本组的第七样本参数为所述峰值幅值与所述起始幅的幅值差绝对值;
设置所述随机森林样本组的第八样本参数为所述当前PPG波形中从所述峰值时间对应的幅值点到所述起始时间对应的幅值点之间连线的斜率绝对值;
设置所述随机森林样本组的第九样本参数为所述当前PPG波形中从所述峰值时间对应的幅值点到所述结束时间对应的幅值点之间连线的斜率绝对值;
设置所述随机森林样本组的第十样本参数为从所述起始时间到所述峰值时间之间由所述当前PPG波形与时间横轴围成的面积;
设置所述随机森林样本组的第十一样本参数为从所述结束时间到所述峰值时间之间由所述当前PPG波形与时间横轴围成的面积;
设置所述随机森林样本组的第十二样本参数;从所述起始时间起向后偏移所述第十二样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.1*S:
设置所述随机森林样本组的第十三样本参数;从所述起始时间起向后偏移所述第十三样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.2*S:
设置所述随机森林样本组的第十四样本参数;从所述起始时间起向后偏移所述第十四样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.3*S:
设置所述随机森林样本组的第十五样本参数;从所述起始时间起向后偏移所述第十五样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.4*S:
设置所述随机森林样本组的第十六样本参数;从所述起始时间起向后偏移所述第十六样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.5*S;
设置所述随机森林样本组的第十七样本参数;从所述起始时间起向后偏移所述第十七样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.6*S;
设置所述随机森林样本组的第十八样本参数;从所述起始时间起向后偏移所述第十八样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.7*S;
设置所述随机森林样本组的第十九样本参数;从所述起始时间起向后偏移所述第十九样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.8*S:
设置所述随机森林样本组的第二十样本参数;从所述起始时间起向后偏移所述第二十样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.9*S:
设置所述随机森林样本组的第二十一样本参数为所述结束时间与所述起始时间的时间差绝对值。
优选的,所述根据所述R点时间序列,计算对应的R点瞬时心率、R点趋势心率和R点心率差;并以所述R点心率差是否小于预置的合理心率差阈值作为异常样本组判定条件对所述随机森林样本组序列进行异常样本组删除处理,具体包括:
步骤91,初始化瞬时心率序列为空;获取所述R点时间序列包括的所述R点时间的总数生成R点总数;
步骤92,依次提取所述R点时间序列的所述R点时间生成当前R点,并按指定的相邻点提取方向提取与所述当前R点相邻的所述R点时间生成相邻R点;根据所述当前R点与所述相邻R点的时间差绝对值生成第一因子;根据所述第一因子的倒数生成所述R点瞬时心率;将所述R点瞬时心率向所述瞬时心率序列进行R点瞬时心率添加操作;所述瞬时心率序列包括所述R点总数个所述R点瞬时心率;
步骤93,对所述瞬时心率序列按预置的滤波标准差进行高斯滤波生成趋势心率序列;所述趋势心率序列包括所述R点总数个所述R点趋势心率;
步骤94,初始化第一索引的值为1,初始化第一总数的值为所述R点总数;
步骤95,从所述瞬时心率序列中提取与所述第一索引对应的所述R点瞬时心率生成第一索引瞬时心率;从所述趋势心率序列中提取与所述第一索引对应的所述R点趋势心率生成第一索引趋势心率;
步骤96,根据所述第一索引瞬时心率与所述第一索引趋势心率的心率差绝对值生成第一索引R点心率差;
步骤97,当所述第一索引R点心率差大于所述合理心率差阈值时,将与所述第一索引对应的所述随机森林样本组标记为异常样本组;
步骤98,将所述第一索引加1;
步骤99,判断所述第一索引是否大于所述第一总数,如果所述第一索引大于所述第一总数则转至步骤100,如果所述第一索引小于或等于所述第一总数则转至步骤95;
步骤100,轮询所述随机森林样本组序列,将标记为所述异常样本组的所述随机森林样本组从所述随机森林样本组序列中删除。
本发明实施例第一方面提供的一种对血压进行预测的方法,首先,对测试者进行心电图ECG信号和PPG信号的同步采集;其次,对获取的ECG信号与PPG信号进行特征提取:获取的ECG信号的R点特征,获取PPG信号脉搏波峰值点与起止点特征;然后,对各自的特征数据进行匹配:对ECG信号与PPG信号的特征点建立关联性生成匹配特征组;接着,根据匹配的ECG信号和PPG信号进行融合生成样本数据:基于每一个匹配特征组进行与之相关的特征参数设置;最后,将代表全时长的匹配特征组序列作为随机森林算法模型的输入进行血压回归计算生成预测血压数组(包括舒张压和收缩压)。
本发明实施例第二方面提供了一种设备,该设备包括存储器和处理器,存储器用于存储程序,处理器用于执行第一方面及第一方面的各实现方式中的方法。
本发明实施例第三方面提供了一种包含指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行第一方面及第一方面的各实现方式中的方法。
本发明实施例第四方面提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现第一方面及第一方面的各实现方式中的方法。
附图说明
图1为本发明实施例一提供的一种对血压进行预测的方法示意图;
图2为本发明实施例提供的信号点参考幅值变化示意图;
图3为本发明实施例提供的ECG信号与PPG信号示意图;
图4为本发明实施例二提供的一种异常随机森林样本组处理方法示意图;
图5为本发明实施例三提供的一种对血压进行预测的装置的设备结构示意图。
具体实施方式
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进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
在通过实施例对本发明做进一步详细阐述之前,先就文中提及的一些技术做下简要说明。
我们已知脉搏是心脏射血时血液对动脉血管产生的压力变化造成的,因此脉搏、心动都与血压是具有关联特性的。本发明实施例使用ECG信号作为心动参考数据,使用PPG信号作为脉搏参考数据。
ECG信号是一组利用心电信号采集设备从体表记录采集的心脏心动周期的电生理信号。常规ECG信号波形有5个特征点,分别成为P、Q、R、S、T点。在实际操作中,除R点外,其他四点因为受噪声信号干扰的几率偏高,在信号滤波降噪过程中被误消除的几率也较高。一旦某个心搏信号的P点或T点出现误消除,当前心动信号就不会被纳入分析信号范畴,容易出现特征遗漏与特征偏差的问题。本发明实施例以5点中最强信号R点信号作为心动信号特征点,可以保留当前心电数据中最大数目的有效心动信号数据,解决了常规方法中丢失心搏数据的问题。
PPG信号是利用光感传感器对特定光源的光强识别记录光强变化的一组信号。在心脏搏动时,对血管内单位面积的血流量形成周期性变化,与之对应的血液体积也相应发生变化,从而导致反映血液吸收光量的PPG信号也呈现周期性变化趋势。一个心动周期包括两个时间期:心脏收缩期和心脏舒张期;当心脏收缩期时,心脏对去全身做功,造成血管内压力与血流体积产生连续周期性变化,此时血管内血液对光线的吸收最多;当心脏舒张期时,对血管的压力相对性较小,此时上一次心脏收缩向全身推出的血液经过循环撞击心脏瓣膜从而对光线产生一定的反射与折射效应,造成舒张周期时血管内血液对光线能量的吸收降低。因此,反映血管内血液吸收光能的PPG信号波形的时间特性就有两段时间特性:心脏收缩时期信号时间特性和心脏舒张时期信号时间特性;常见的PPG信号波形中最大峰值前认为是典型收缩期时间,而后的时间区域被认为是舒张时间,在最大峰值之后设置一个绝对不应期时间段用作标称典型收缩期到典型舒张期的过渡期。PPG原始信号(对最初采集的脉搏生理信号进行采样之后生成的信号)中,存在较多的噪声与干扰源,那么在采集之后需要对PPG信号进行一定的滤波降噪转换,将转换后的信号我们视为基本能够正常体现测试者脉搏波动周期特性的PPG信号。
因为心动是首先产生心脏搏动,然后导致血压变化,继而影响PPG信号波动,所以针对一个心动的时间特性,R点时间是在对应周期内的PPG信号起始时间之前的。
上述的ECG信号的R点时间对一次血压变化我们可以视为动因参考信号,PPG信号的PPG波形(由PPG起始时间、PPG峰值时间、PPG结束时间)我们可以视为结果参考信号。将二者的时间特性进行匹配是为了对每一次心动的选择一个对应的成因波形与结果波形,实际操作就是在PPG信号中选择与R点信号对应的一个PPG波形完成匹配。常规状态下,每两次心动之间(两个R点之间),只有一个完整的PPG波形(一次脉动信号);但在人们情绪激动或者运动状态下,由实际监测可知,每两次心动之间(两个R点之间),可能有多个PPG波形存在,在这种情况下,本实施例的匹配原则是,只选取两个R点之间(第一R点和第二R点)距离下一次心动(第二R点)最近的PPG波形作为当次心动的(第一R点)匹配对象。
对ECG信号与PPG信号完成心动数据匹配之后,就要根据他们的时序关系进行特征融合处理,对应本发明实施例就是进行随机森林算法模型的特征样本数据准备操作。特征样本数据以随机森林样本组的形式总共包括21个样本参数,主要归结为六大类:心率参数,时间参数、幅值参数、斜率参数、面积参数、面积偏移时间参数,具体分类与定义详见下表:
表一
对ECG信号与PPG信号完成心动数据融合生成多个随机森林样本组之后,为保证随机森林样本组中异常样本组的占比在合理范围之内,需要对随机森林样本组做一次筛查。在之前的特征匹配和当前的样本参数计算时,都是基于一个原则:视R点为正常心动时间点;而在实际数据收集过程中,R点也存在异常R点。此处的筛查就是根据R点的心率差概念,将异常R点进行定位,并将与异常R点对应的样本组进行剔除。此处R点的心率差,是R点对应的瞬时心率和趋势心率的心率差绝对值。
在对随机森林样本组筛查完成之后,就需要使用回归分类模型对随机森林样本组进行回归分类计算。本发明实施例使用的回归模型是随机森林算法模型。随机森林算法模型是一个包含多个决策树的分类器模型,其输出的类别是由每个决策树输出的类别的总数而定。从直观角度来解释,每棵决策树都是一个分类器,那么对于一个输入样本,多棵树会有多个分类概率;将所有的分类概率进行集成并将概率最大的类别指定为最终的输出结果。当上述决策树具体性质为回归类时,随机森林算法就被用来对多个输入特征值进行回归分类计算,分出两类:舒张压和收缩压,并输出两类的回归计算值即具体的舒张压预测值与收缩压预测值。
如图1为本发明实施例一提供的一种对血压进行预测的方法示意图所示,本方法主要包括如下步骤:
步骤1,同步对测试者进行心电生理信号和脉搏生理信号采集生成心电信号和脉搏生理信号;并对心电信号和脉搏生理信号按预置的采样频率阈值进行信号采样处理生成心电图ECG信号和光体积变化描记图法PPG信号;
具体包括:步骤11,对测试者进行心电生理信号采集生成一段长度为固定时长阈值的心电信号,同步的,对测试者进行脉搏生理信号采集生成一段长度为固定时长阈值的脉搏生理信号;
步骤12,按采样频率阈值对心电信号进行信号采样生成ECG信号;ECG信号包括多个ECG信号点;
其中,ECG信号点包括信号点幅值数据和信号点时间数据;
步骤13,按采样频率阈值对脉搏生理信号进行信号采样生成PPG原始信号,并根据预置的带通频率阈值范围对PPG原始信号进行带通滤波处理生成PPG信号;
其中,PPG信号包括多个PPG信号点;PPG信号点包括信号点幅值数据和信号点时间数据。
此处,这两段采集的信号一定必须是同步采集的,且长度一致、后续的采样频率一致。
步骤2,对ECG信号进行R点时间特征识别操作生成R点时间序列;
其中,R点时间序列包括多个R点时间;
具体包括:步骤21,对ECG信号,依次提取ECG信号点的信号点时间数据,生成ECG一维数据向量;按预置的ECG片段长度阈值对ECG一维数据向量进行数据片段划分操作生成多个ECG一维片段向量;
步骤22,以ECG一维片段向量作为R点时间特征识别算法的输入,利用指定的R点时间特征识别算法,识别出R点在ECG一维片段向量内的相对时间位移信息T1;并根据ECG一维片段向量的起始ECG信号点的信号点时间数据T2获得R点时间,R点时间=T2+T1;
步骤23,将识别出的所有R点时间,按先后顺序排序生成R点时间序列。
此处,可是使用多种特征提取算法进行处理,可以采用均方差依次轮询决策的提取方式,也可以将信号进行时域频域转换提取最大能量值作为R点,还可以采用卷积网络特征提取处理方式等。对ECG信号进行片段和子片段划分是为了进一步细化提取模块,提高提取识别的有效精度。
步骤3,对PPG信号进行脉搏波峰值点时间特征识别操作和脉搏波谷值点时间特征识别操作,生成峰值点时间序列和谷值点时间序列;
其中,峰值点时间序列包括多个峰值点时间;谷值点时间序列包括多个谷值点时间;
具体包括:步骤31,通过配置信号点参考幅值和绝对不应期时间宽度,对PPG信号进行脉搏波峰值点时间特征识别操作,生成峰值点时间序列;
具体包括:步骤311,初始化峰值点时间序列为空;设置波形下降沿标志为0;获取预置的峰值校准因子;对PPG信号进行全信号标准偏差计算生成标准偏差因子;
此处两个计算因子是用于后续计算信号点参考幅值用的;
步骤312,在PPG信号中,从第1个PPG信号点的信号点幅值数据开始,到指定数目个PPG信号点的信号点幅值数据为止,提取其中的最小值对信号点参考幅值进行初始化;
此处,假设指定数目为20,则是利用PPG信号起始的20个PPG波形计算信号点参考幅值的初始值,信号点参考幅值是一个对PPG波形进行连续判定时使用的一个变化的幅值比对值;
比对的基本原理是:首先使用PPG信号起始指定个数的PPG波形中的最低幅值作为初始值;
其次,在单个PPG波形上升沿时,每比较一次都将信号点参考幅值数据设置为当前的进行比较的时间点对应的波形幅值,其特点是上升沿过程中,信号点参考幅值数据一定总是小于当前信号点的幅值数据的;
再者,在单个PPG波形下降沿时,需要设置两个时间段,一个是从峰值开始的一段时间称之为绝对不应期时间宽度,一个是从绝对不应期时间宽度之后到PPG单个波形结束时间之间的时间段;在绝对不应期时间宽度内,信号点参考幅值的设置是始终保持与峰值点的幅值相等;从绝对不应期时间宽度之后,需要按公式Anew=Aold+B*(P+std)/f对信号点参考幅值数据进行计算,这里,Anew为重置后的信号点参考幅值数据;Aold为重置前的信号点参考幅值数据;B为峰值校准因子;P为峰值点幅值数据;std为标准偏差因子;f为采样频率阈值;
具体的,如图2为本发明实施例提供的信号点参考幅值变化示意图所示,可以看见随着PPG信号信号点的递进,参考幅值数据的变化趋势;
步骤313,对PPG信号从指定数目加1个PPG信号点开始到最后1个PPG信号点进行信号点遍历生成当前PPG信号点;
步骤314,在当前PPG信号点的信号点幅值数据大于信号点参考幅值时,设置信号点参考幅值为当前PPG信号点的信号点幅值数据,设置波形下降沿标志为0;
此处,就是在波形处于上升沿时对信号点参考幅值的设置,设置其余实际波形幅值相等;
步骤315,在当前PPG信号点的信号点幅值数据小于信号点参考幅值且波形下降沿标志为0时,设置波形下降沿标志为1;提取上一个PPG信号点的信号点幅值数据生成当前峰值点幅值,提取上一个PPG信号点的信号点时间数据生成当前峰值点时间;获取绝对不应期时间宽度并根据当前峰值点时间加上绝对不应期时间宽度的和生成绝对不应期结束时间;设置信号点参考幅值为当前峰值点幅值;将当前峰值点时间向峰值点时间序列进行峰值点时间添加操作;
此处就是在波形刚跨过峰值点的时候,也就是第一个处于下降沿的R点;此时要做5件事:1、将波形下降沿标志从0切换至1表示当前波形进入下降沿;2、以上一个R点作为当前波形的峰值点,并提取对应的峰值点幅值和峰值点时间;3、计算当前波形的绝对不应期结束时间;4、在绝对不应期内,信号点参考幅值始终等于峰值点幅值;5、将峰值点时间提取出来向峰值点时间序列添加;
步骤316,在当前PPG信号点的信号点幅值数据小于信号点参考幅值且波形下降沿标志为1时,如果当前PPG信号点的信号点时间数据小于或等于绝对不应期结束时间,则保持信号点参考幅值的取值不变;
此处就是在波形处于绝对不应期时间宽度期间,信号点参考幅值始终等于峰值点幅值;
步骤317,在当前PPG信号点的信号点幅值数据小于信号点参考幅值且波形下降沿标志为1时,如果当前PPG信号点的信号点时间数据大于绝对不应期结束时间,则根据公式Anew=Aold+B*(P+std)/f对信号点参考幅值进行重置;
其中,Anew为重置后的信号点参考幅值数据;Aold为重置前的信号点参考幅值数据;B为峰值校准因子;P为当前峰值点幅值;std为标准偏差因子;f为采样频率阈值;
此处就是在波形跨过绝对不应期时间宽度,在这段下降沿时期信号点参考幅值是要发生变化的,具体的变化就是按照上文公式的趋势进行变化;其中,B为峰值校准因子,一般为一个负数;
步骤32,根据峰值点时间序列,对PPG信号进行脉搏波谷值点时间特征提取操作生成谷值点时间序列;
具体包括:根据峰值点时间序列,在PPG信号中,两个相邻峰值点时间之间,提取信号点幅值数据为最小值的PPG信号点的信号点时间数据,生成谷值点时间;将提取出的所有谷值点时间按先后顺序对对谷值点时间序列进行谷值点时间添加操作。
此处,默认两个峰值点间只有一个真实的波谷,又考虑到可能有噪声信号存在,所以对两者间的数据进行遍历,提取最小值作为单个PPG信号的谷底值。
步骤4,根据峰值点时间序列、谷值点时间序列和R点时间序列,以每个R点时间为时间参考点,在PPG信号中,提取在时间参考点之后的第一谷值点时间、第一峰值点时间和第二谷值点时间;根据R点时间、第一谷值点时间、第一峰值点时间和第二谷值点时间生成匹配特征时间组;并将所有匹配特征时间组按先后顺序进行排序生成匹配特征时间组序列;
具体包括:步骤41,设置匹配特征时间组;初始化匹配特征时间组的匹配R点时间为空,初始化匹配特征时间组的匹配PPG峰值时间为空,初始化匹配特征时间组的匹配PPG起始时间为空,初始化匹配特征时间组的匹配PPG结束时间为空;
步骤42,从R点时间序列依次提取两个相邻R点时间生成第一参考R点和第二参考R点;在PPG信号中,对谷值点时间序列以第一参考R点为起始时间、以第二参考R点为结束时间从结束时间向起始时间进行反方向查找,提取距离结束时间最近的谷值点时间生成第二谷值点时间,提取与第二谷值点时间距离最近的下一个谷值点时间生成第一谷值点时间;在PPG信号中,对峰值点时间序列以第一参考R点为起始时间、以第二参考R点为结束时间从结束时间向起始时间进行反方向查找,提取距离结束时间最近的峰值点时间生成第一峰值点时间;
其中,第一参考R点小于第二参考R点;
此处,提取的第一谷值点时间、第一峰值点时间和第二谷值点时间,就是提取的一个完整PPG波形的三个特征点,起始点(第一谷值点时间)、峰值点(第一峰值点时间)和结束点(第二峰值点时间);如果两个相邻R点之间存在多个PPG波形,则在两个R点之间选择最后一个PPG波形的起始、峰值和结束信息作为配对,与该PPG配对的采用两个相邻R点的前一个R点即文中的第一参考R点;
步骤43,设置匹配特征时间组的匹配R点时间为第一参考R点,设置匹配特征时间组的匹配PPG峰值时间为第一峰值点时间,设置匹配特征时间组的匹配PPG起始时间为第一谷值点时间,设置匹配特征时间组的匹配PPG结束时间为第二谷值点时间;
此处,四个点位信息可以理解为一个三点(起始、峰值、结束)的PPG波形和其时间轴前端距离最近的R点信息,现实情况中一般R点与R点之间只有一个PPG波形,但是如果在激烈运动时两个R点之间可能存在多个PPG信号,为了充分体现ECG信号与PPG信号的关联性,本发明实施例选择两个R点间最后一个PPG波形作为两个R点中时间居先的那个R点的匹配对象;
步骤44,将设置成功的匹配特征时间组向匹配特征时间组序列进行匹配特征时间组添加操作。
步骤5,根据匹配特征时间组序列,进行随机森林算法模型的特征样本数据准备操作,生成随机森林样本组序列;
其中,随机森林样本组序列包括多个随机森林样本组;
具体包括:步骤51,依次提取匹配特征时间组序列的匹配特征时间组生成当前匹配特征时间组;提取当前匹配特征时间组的下一个匹配特征时间组生成相邻匹配特征时间组;
步骤52,提取当前匹配特征时间组的匹配R点时间生成第一R点时间,提取当前匹配特征时间组的匹配PPG峰值时间生成峰值时间,提取当前匹配特征时间组的匹配PPG起始时间生成起始时间,提取当前匹配特征时间组的匹配PPG结束时间生成结束时间;提取相邻匹配特征时间组的匹配R点时间生成第二R点时间;
步骤53,在PPG信号中,提取与当前匹配特征时间组对应的PPG信号波形生成当前PPG波形;计算从起始时间到结束时间之间由当前PPG波形与时间横轴围成的面积生成当前PPG波形面积S;
步骤54,设置随机森林样本组的第一样本参数为60除以心动时差的商,
其中,心动时差为第一R点时间与第二R点时间的时间差绝对值;
此处,如图3为本发明实施例提供的ECG信号与PPG信号示意图所示;
步骤55,设置随机森林样本组的第二样本参数为第一R点时间与起始时间的时间差绝对值;
此处,如图3为本发明实施例提供的ECG信号与PPG信号示意图所示;
步骤56,设置随机森林样本组的第三样本参数为第一R点时间与峰值时间的时间差绝对值;
此处,如图3为本发明实施例提供的ECG信号与PPG信号示意图所示;
步骤57,获取当前PPG波形的上升沿斜率最大值处的时间点生成上升最大斜率时间;设置随机森林样本组的第四样本参数为第一R点时间与上升最大斜率时间的时间差绝对值;
此处,如图3为本发明实施例提供的ECG信号与PPG信号示意图所示;
步骤58,获取当前PPG波形中与峰值时间对应的信号幅值数据生成峰值幅值,设置随机森林样本组的第五样本参数为峰值幅值;
此处,如图3为本发明实施例提供的ECG信号与PPG信号示意图所示;
步骤59,获取当前PPG波形中与起始时间对应的信号幅值数据生成起始幅值,设置随机森林样本组的第六样本参数为峰值幅值与起始幅值的比值;
步骤60,设置随机森林样本组的第七样本参数为峰值幅值与起始幅的幅值差绝对值;
此处,如图3为本发明实施例提供的ECG信号与PPG信号示意图所示;
步骤61,设置随机森林样本组的第八样本参数为当前PPG波形中从峰值时间对应的幅值点到起始时间对应的幅值点之间连线的斜率绝对值;
步骤62,设置随机森林样本组的第九样本参数为当前PPG波形中从峰值时间对应的幅值点到结束时间对应的幅值点之间连线的斜率绝对值;
步骤63,设置随机森林样本组的第十样本参数为从起始时间到峰值时间之间由当前PPG波形与时间横轴围成的面积;
此处,如图3为本发明实施例提供的ECG信号与PPG信号示意图所示;
步骤64,设置随机森林样本组的第十一样本参数为从结束时间到峰值时间之间由当前PPG波形与时间横轴围成的面积;
此处,如图3为本发明实施例提供的ECG信号与PPG信号示意图所示;
步骤65,设置随机森林样本组的第十二样本参数;从起始时间起向后偏移第十二样本参数止,由当前PPG波形与时间横轴围成的面积为0.1*S;
步骤66,设置随机森林样本组的第十三样本参数;从起始时间起向后偏移第十三样本参数止,由当前PPG波形与时间横轴围成的面积为0.2*S;
步骤67,设置随机森林样本组的第十四样本参数;从起始时间起向后偏移第十四样本参数止,由当前PPG波形与时间横轴围成的面积为0.3*S;
步骤68,设置随机森林样本组的第十五样本参数;从起始时间起向后偏移第十五样本参数止,由当前PPG波形与时间横轴围成的面积为0.4*S;
步骤69,设置随机森林样本组的第十六样本参数;从起始时间起向后偏移第十六样本参数止,由当前PPG波形与时间横轴围成的面积为0.5*S;
步骤70,设置随机森林样本组的第十七样本参数;从起始时间起向后偏移第十七样本参数止,由当前PPG波形与时间横轴围成的面积为0.6*S;
步骤71,设置随机森林样本组的第十八样本参数;从起始时间起向后偏移第十八样本参数止,由当前PPG波形与时间横轴围成的面积为0.7*S;
步骤72,设置随机森林样本组的第十九样本参数;从起始时间起向后偏移第十九样本参数止,由当前PPG波形与时间横轴围成的面积为0.8*S;
步骤73,设置随机森林样本组的第二十样本参数;从起始时间起向后偏移第二十样本参数止,由当前PPG波形与时间横轴围成的面积为0.9*S;
步骤74,设置随机森林样本组的第二十一样本参数为结束时间与起始时间的时间差绝对值。
此处,是对随机森林模型的随机森林样本组序列做设置,随机森林样本组序列包括多个随机森林样本组,每个随机森林样本组包括一共二十一个样本参数,一共分为六大类:心率参数,时间参数、幅值参数、斜率参数、面积参数、面积偏移时间参数;对应关系如下是:心率参数包括第一样本参数;时间参数包括第二、三、四样本参数;幅值参数包括第五、六、七样本参数;斜率参数包括第八、九样本参数;面积参数包括第十、十一样本参数;面积偏移时间参数包括第十二到第二十一样本参数。
步骤6,根据R点时间序列,计算对应的R点瞬时心率、R点趋势心率和R点心率差;并以R点心率差是否小于预置的合理心率差阈值作为异常样本组判定条件对随机森林样本组序列进行异常样本组删除处理。
步骤7,利用随机森林算法模型对随机森林样本组序列进行回归预测计算生成预测血压数组;
其中,预测血压数组包括收缩压数据和舒张压数据。
此处,随机森林算法模型是已经通过批量ECG/PPG信号与与之对应的实测血压值完成训练的模型,通过该随机森林算法模型输出的预测血压数据序列包括两个取值,分别是:预测收缩压数据和预测舒张压数据。
如图4为本发明实施例二提供的一种异常随机森林样本组处理方法示意图所示,本方法主要包括如下步骤:
步骤401,从上位应用获取R点时间序列和随机森林样本序列。
其中,随机森林样本组序列包括多个随机森林样本组。
步骤402,初始化瞬时心率序列为空;获取R点时间序列包括的R点时间的总数生成R点总数;
步骤403,依次提取R点时间序列的R点时间生成当前R点,并按指定的相邻点提取方向提取与当前R点相邻的R点时间生成相邻R点;根据当前R点与相邻R点的时间差绝对值生成第一因子;根据第一因子的倒数生成R点瞬时心率;将R点瞬时心率向瞬时心率序列进行R点瞬时心率添加操作;
其中,瞬时心率序列包括R点总数个R点瞬时心率;
此处,瞬时心率的计算方法就是即心电图两个相邻的R-R间期的倒数,将每个R点的瞬时心率合并生成瞬时心率序列就是全ECG片段的瞬时心率序列;
步骤404,对瞬时心率序列按预置的滤波标准差进行高斯滤波生成趋势心率序列;
其中,趋势心率序列包括R点总数个R点趋势心率;
高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程,此处就是对瞬时心率序列进行平滑降噪趋势处理;
步骤405,初始化第一索引的值为1,初始化第一总数的值为R点总数;
步骤406,从瞬时心率序列中提取与第一索引对应的R点瞬时心率生成第一索引瞬时心率;从趋势心率序列中提取与第一索引对应的R点趋势心率生成第一索引趋势心率;
对应每个R点,可以通过瞬时心率和趋势心率相减并对结果取绝对值得出一个心率差,通常如果是真实的ECG信号那么这个心率差会在一个合理误差范围之内,如果是噪声或者干扰信号这个心率差一定会超过误差范围;
步骤407,根据第一索引瞬时心率与第一索引趋势心率的心率差绝对值生成第一索引R点心率差;
步骤408,当第一索引R点心率差大于合理心率差阈值时,将与第一索引对应的随机森林样本组标记为异常样本组;
此处,合理心率差阈值就是上文提及的误差范围,心率超出误差范围的R点被进一步视为噪点,对应的随机森林样本组序列中的随机森林样本组也被视为异常样本;
步骤409,将第一索引加1;
步骤410,判断第一索引是否大于第一总数,如果第一索引大于第一总数则转至步骤411,如果第一索引小于或等于第一总数则转至步骤406;
步骤411,轮询随机森林样本组序列,将标记为异常样本组的随机森林样本组从随机森林样本组序列中删除。
此处,在对完整ECG信号中的R点是否为噪点进行全检之后,也对随机森林样本组序列中不合格的异常样本组完成了全标记,这里就是最后统一将标记为异常样本的随机森林样本组从随机森林样本组序列中进行剔除处理。
如图5为本发明实施例三提供的一种对血压进行预测的装置的设备结构示意图所示,该设备包括:处理器和存储器。存储器可通过总线与处理器连接。存储器可以是非易失存储器,例如硬盘驱动器和闪存,存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能;设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序,该软件程序被执行时,能够实现本发明实施例提供的方法。
需要说明的是,本发明实施例还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时,能够实现本发明实施例提供的方法。
本发明实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时,使得处理器执行上述方法。
本发明实施例提供的一种对血压进行预测的方法和装置,首先,对测试者进行心电图ECG信号和PPG信号的同步采集;其次,对获取的ECG信号与PPG信号进行特征提取:获取的ECG信号的R点特征,获取PPG信号脉搏波峰值点与起止点特征;然后,对各自的特征数据进行匹配:对ECG信号与PPG信号的特征点建立关联性生成匹配特征组;接着,根据匹配的ECG信号和PPG信号进行融合生成样本数据:基于每一个匹配特征组进行与之相关的特征参数设置;最后,将代表全时长的匹配特征组序列作为随机森林算法模型的输入进行血压回归计算生成预测血压数组(包括舒张压和收缩压)。通过本发明实施例,无需对测试者进行压力测试或者干预介入式测试,通过与采集传感器配合可以自动持续对ECG和PPG信号进行分析和预测,由此既提高了测试者的舒适度又建立了一种自动监测血压的途径。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种对血压进行预测的方法,其特征在于,所述方法包括:
同步对测试者进行心电生理信号和脉搏生理信号采集生成心电信号和脉搏生理信号;并对所述心电信号和所述脉搏生理信号按预置的采样频率阈值进行信号采样处理生成心电图ECG信号和光体积变化描记图法PPG信号;
对所述ECG信号进行R点时间特征识别操作生成R点时间序列;所述R点时间序列包括多个R点时间;
对所述PPG信号进行脉搏波峰值点时间特征识别操作和脉搏波谷值点时间特征识别操作,生成峰值点时间序列和谷值点时间序列;所述峰值点时间序列包括多个峰值点时间;所述谷值点时间序列包括多个谷值点时间;
根据所述峰值点时间序列、所述谷值点时间序列和所述R点时间序列,以每个所述R点时间为时间参考点,在所述PPG信号中,提取在所述时间参考点之后的第一谷值点时间、第一峰值点时间和第二谷值点时间;根据所述R点时间、所述第一谷值点时间、所述第一峰值点时间和所述第二谷值点时间生成匹配特征时间组;并将所有所述匹配特征时间组按先后顺序进行排序生成匹配特征时间组序列;
根据所述匹配特征时间组序列,进行随机森林算法模型的特征样本数据准备操作,生成随机森林样本组序列;所述随机森林样本组序列包括多个随机森林样本组;
根据所述R点时间序列,计算对应的R点瞬时心率、R点趋势心率和R点心率差;并以所述R点心率差是否小于预置的合理心率差阈值作为异常样本组判定条件对所述随机森林样本组序列进行异常样本组删除处理;
利用所述随机森林算法模型对所述随机森林样本组序列进行回归预测计算生成预测血压数组;所述预测血压数组包括收缩压数据和舒张压数据。
2.根据权利要求1所述的对血压进行预测的方法,其特征在于,所述同步对测试者进行心电生理信号和脉搏生理信号采集生成心电信号和脉搏生理信号;并对所述心电信号和所述脉搏生理信号按预置的采样频率阈值进行信号采样处理生成心电图ECG信号和光体积变化描记图法PPG信号,具体包括:
对所述测试者进行心电生理信号采集生成一段长度为固定时长阈值的所述心电信号,同步的,对所述测试者进行脉搏生理信号采集生成一段长度为所述固定时长阈值的所述脉搏生理信号;
按所述采样频率阈值对所述心电信号进行信号采样生成所述ECG信号;所述ECG信号包括多个ECG信号点;所述ECG信号点包括信号点幅值数据和信号点时间数据;
按所述采样频率阈值对所述脉搏生理信号进行信号采样生成PPG原始信号,并根据预置的带通频率阈值范围对所述PPG原始信号进行带通滤波处理生成所述PPG信号;所述PPG信号包括多个PPG信号点;所述PPG信号点包括信号点幅值数据和信号点时间数据。
3.根据权利要求2所述的对血压进行预测的方法,其特征在于,所述对所述ECG信号进行R点时间特征识别操作生成R点时间序列,具体包括:
对所述ECG信号,依次提取所述ECG信号点的信号点时间数据,生成ECG一维数据向量;按预置的ECG片段长度阈值对所述ECG一维数据向量进行数据片段划分操作生成多个ECG一维片段向量;
以所述ECG一维片段向量作为R点时间特征识别算法的输入,利用指定的R点时间特征识别算法,识别出R点在所述ECG一维片段向量内的相对时间位移信息T1;并根据所述ECG一维片段向量的起始ECG信号点的信号点时间数据T2获得所述R点时间,R点时间=T2+T1;
将识别出的所有所述R点时间,按先后顺序排序生成所述R点时间序列。
4.根据权利要求2所述的对血压进行预测的方法,其特征在于,所述对所述PPG信号进行脉搏波峰值点时间特征识别操作和脉搏波谷值点时间特征识别操作,生成峰值点时间序列和谷值点时间序列,具体包括:
通过配置信号点参考幅值和绝对不应期时间宽度,对所述PPG信号进行脉搏波峰值点时间特征识别操作,生成所述峰值点时间序列;
根据所述峰值点时间序列,对所述PPG信号进行所述脉搏波谷值点时间特征提取操作生成所述谷值点时间序列。
5.根据权利要求4所述的对血压进行预测的方法,其特征在于,所述通过配置信号点参考幅值和绝对不应期时间宽度,对所述PPG信号进行脉搏波峰值点时间特征识别操作,生成所述峰值点时间序列,具体包括:
初始化所述峰值点时间序列为空;设置波形下降沿标志为0;获取预置的峰值校准因子;对所述PPG信号进行全信号标准偏差计算生成标准偏差因子;
在所述PPG信号中,从第1个PPG信号点的信号点幅值数据开始,到指定数目个PPG信号点的信号点幅值数据为止,提取其中的最小值对所述信号点参考幅值进行初始化;
对所述PPG信号从指定数目加1个PPG信号点开始到最后1个PPG信号点进行信号点遍历生成当前PPG信号点;
当所述当前PPG信号点的信号点幅值数据大于所述信号点参考幅值时,设置所述信号点参考幅值为所述当前PPG信号点的信号点幅值数据,设置所述波形下降沿标志为0;
当所述当前PPG信号点的信号点幅值数据小于所述信号点参考幅值且所述波形下降沿标志为0时,设置所述波形下降沿标志为1;提取上一个PPG信号点的信号点幅值数据生成当前峰值点幅值,提取上一个PPG信号点的信号点时间数据生成当前峰值点时间;获取所述绝对不应期时间宽度并根据所述当前峰值点时间加上所述绝对不应期时间宽度的和生成绝对不应期结束时间;设置所述信号点参考幅值为所述当前峰值点幅值;将所述当前峰值点时间向所述峰值点时间序列进行峰值点时间添加操作;
当所述当前PPG信号点的信号点幅值数据小于所述信号点参考幅值且所述波形下降沿标志为1时,如果所述当前PPG信号点的信号点时间数据小于或等于所述绝对不应期结束时间,则保持所述信号点参考幅值的取值不变;
当所述当前PPG信号点的信号点幅值数据小于所述信号点参考幅值且所述波形下降沿标志为1时,如果所述当前PPG信号点的信号点时间数据大于所述绝对不应期结束时间,则根据公式Anew=Aold+B*(P+std)/f对所述信号点参考幅值进行重置;所述Anew为重置后的信号点参考幅值数据;所述Aold为重置前的信号点参考幅值数据;所述B为所述峰值校准因子;所述P为所述当前峰值点幅值;所述std为所述标准偏差因子;所述f为所述采样频率阈值。
6.根据权利要求4所述的对血压进行预测的方法,其特征在于,所述根据所述峰值点时间序列,对所述PPG信号进行所述脉搏波谷值点时间特征提取操作生成所述谷值点时间序列,具体包括:
根据所述峰值点时间序列,在所述PPG信号中,两个相邻峰值点时间之间,提取所述信号点幅值数据为最小值的所述PPG信号点的所述信号点时间数据,生成所述谷值点时间;将提取出的所有所述谷值点时间按先后顺序对对所述谷值点时间序列进行谷值点时间添加操作。
7.根据权利要求2所述的对血压进行预测的方法,其特征在于,所述根据所述峰值点时间序列、所述谷值点时间序列和所述R点时间序列,以每个所述R点时间为时间参考点,在所述PPG信号中,提取在所述时间参考点之后的第一谷值点时间、第一峰值点时间和第二谷值点时间;根据所述R点时间、所述第一谷值点时间、所述第一峰值点时间和所述第二谷值点时间生成匹配特征时间组;并将所有所述匹配特征时间组按先后顺序进行排序生成匹配特征时间组序列,具体包括:
设置所述匹配特征时间组;初始化所述匹配特征时间组的匹配R点时间为空,初始化所述匹配特征时间组的匹配PPG峰值时间为空,初始化所述匹配特征时间组的匹配PPG起始时间为空,初始化所述匹配特征时间组的匹配PPG结束时间为空;
从所述R点时间序列依次提取两个相邻所述R点时间生成第一参考R点和第二参考R点;所述第一参考R点小于所述第二参考R点;在所述PPG信号中,对所述谷值点时间序列以所述第一参考R点为起始时间、以所述第二参考R点为结束时间从结束时间向起始时间进行反方向查找,提取距离结束时间最近的所述谷值点时间生成所述第二谷值点时间,提取与所述第二谷值点时间距离最近的下一个所述谷值点时间生成所述第一谷值点时间;在所述PPG信号中,对所述峰值点时间序列以所述第一参考R点为起始时间、以所述第二参考R点为结束时间从结束时间向起始时间进行反方向查找,提取距离结束时间最近的所述峰值点时间生成所述第一峰值点时间;
设置所述匹配特征时间组的所述匹配R点时间为所述第一参考R点,设置所述匹配特征时间组的所述匹配PPG峰值时间为所述第一峰值点时间,设置所述匹配特征时间组的所述匹配PPG起始时间为所述第一谷值点时间,设置所述匹配特征时间组的所述匹配PPG结束时间为所述第二谷值点时间;
将设置成功的所述匹配特征时间组向所述匹配特征时间组序列进行匹配特征时间组添加操作。
8.根据权利要求7所述的对血压进行预测的方法,其特征在于,所述根据所述匹配特征时间组序列,进行随机森林算法模型的特征样本数据准备操作,生成随机森林样本组序列,具体包括:
依次提取所述匹配特征时间组序列的所述匹配特征时间组生成当前匹配特征时间组;提取所述当前匹配特征时间组的下一个匹配特征时间组生成相邻匹配特征时间组;
提取所述当前匹配特征时间组的所述匹配R点时间生成第一R点时间,提取所述当前匹配特征时间组的所述匹配PPG峰值时间生成峰值时间,提取所述当前匹配特征时间组的所述匹配PPG起始时间生成起始时间,提取所述当前匹配特征时间组的所述匹配PPG结束时间生成结束时间;提取所述相邻匹配特征时间组的所述匹配R点时间生成第二R点时间;
在所述PPG信号中,提取与所述当前匹配特征时间组对应的PPG信号波形生成当前PPG波形;计算从所述起始时间到所述结束时间之间由所述当前PPG波形与时间横轴围成的面积生成当前PPG波形面积S;
设置所述随机森林样本组的第一样本参数为60除以心动时差的商,所述心动时差为所述第一R点时间与所述第二R点时间的时间差绝对值;
设置所述随机森林样本组的第二样本参数为所述第一R点时间与所述起始时间的时间差绝对值;
设置所述随机森林样本组的第三样本参数为所述第一R点时间与所述峰值时间的时间差绝对值;
获取所述当前PPG波形的上升沿斜率最大值处的时间点生成上升最大斜率时间;设置所述随机森林样本组的第四样本参数为所述第一R点时间与所述上升最大斜率时间的时间差绝对值;
获取所述当前PPG波形中与所述峰值时间对应的信号幅值数据生成峰值幅值,设置所述随机森林样本组的第五样本参数为所述峰值幅值;
获取所述当前PPG波形中与所述起始时间对应的信号幅值数据生成起始幅值,设置所述随机森林样本组的第六样本参数为所述峰值幅值与所述起始幅值的比值;
设置所述随机森林样本组的第七样本参数为所述峰值幅值与所述起始幅的幅值差绝对值;
设置所述随机森林样本组的第八样本参数为所述当前PPG波形中从所述峰值时间对应的幅值点到所述起始时间对应的幅值点之间连线的斜率绝对值;
设置所述随机森林样本组的第九样本参数为所述当前PPG波形中从所述峰值时间对应的幅值点到所述结束时间对应的幅值点之间连线的斜率绝对值;
设置所述随机森林样本组的第十样本参数为从所述起始时间到所述峰值时间之间由所述当前PPG波形与时间横轴围成的面积;
设置所述随机森林样本组的第十一样本参数为从所述结束时间到所述峰值时间之间由所述当前PPG波形与时间横轴围成的面积;
设置所述随机森林样本组的第十二样本参数;从所述起始时间起向后偏移所述第十二样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.1*S;
设置所述随机森林样本组的第十三样本参数;从所述起始时间起向后偏移所述第十三样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.2*S;
设置所述随机森林样本组的第十四样本参数;从所述起始时间起向后偏移所述第十四样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.3*S;
设置所述随机森林样本组的第十五样本参数;从所述起始时间起向后偏移所述第十五样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.4*S;
设置所述随机森林样本组的第十六样本参数;从所述起始时间起向后偏移所述第十六样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.5*S;
设置所述随机森林样本组的第十七样本参数;从所述起始时间起向后偏移所述第十七样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.6*S;
设置所述随机森林样本组的第十八样本参数;从所述起始时间起向后偏移所述第十八样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.7*S;
设置所述随机森林样本组的第十九样本参数;从所述起始时间起向后偏移所述第十九样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.8*S;
设置所述随机森林样本组的第二十样本参数;从所述起始时间起向后偏移所述第二十样本参数止,由所述当前PPG波形与时间横轴围成的面积为0.9*S;
设置所述随机森林样本组的第二十一样本参数为所述结束时间与所述起始时间的时间差绝对值。
9.根据权利要求1所述的对血压进行预测的方法,其特征在于,所述根据所述R点时间序列,计算对应的R点瞬时心率、R点趋势心率和R点心率差;并以所述R点心率差是否小于预置的合理心率差阈值作为异常样本组判定条件对所述随机森林样本组序列进行异常样本组删除处理,具体包括:
步骤91,初始化瞬时心率序列为空;获取所述R点时间序列包括的所述R点时间的总数生成R点总数;
步骤92,依次提取所述R点时间序列的所述R点时间生成当前R点,并按指定的相邻点提取方向提取与所述当前R点相邻的所述R点时间生成相邻R点;根据所述当前R点与所述相邻R点的时间差绝对值生成第一因子;根据所述第一因子的倒数生成所述R点瞬时心率;将所述R点瞬时心率向所述瞬时心率序列进行R点瞬时心率添加操作;所述瞬时心率序列包括所述R点总数个所述R点瞬时心率;
步骤93,对所述瞬时心率序列按预置的滤波标准差进行高斯滤波生成趋势心率序列;所述趋势心率序列包括所述R点总数个所述R点趋势心率;
步骤94,初始化第一索引的值为1,初始化第一总数的值为所述R点总数;
步骤95,从所述瞬时心率序列中提取与所述第一索引对应的所述R点瞬时心率生成第一索引瞬时心率;从所述趋势心率序列中提取与所述第一索引对应的所述R点趋势心率生成第一索引趋势心率;
步骤96,根据所述第一索引瞬时心率与所述第一索引趋势心率的心率差绝对值生成第一索引R点心率差;
步骤97,当所述第一索引R点心率差大于所述合理心率差阈值时,将与所述第一索引对应的所述随机森林样本组标记为异常样本组;
步骤98,将所述第一索引加1;
步骤99,判断所述第一索引是否大于所述第一总数,如果所述第一索引大于所述第一总数则转至步骤100,如果所述第一索引小于或等于所述第一总数则转至步骤95;
步骤100,轮询所述随机森林样本组序列,将标记为所述异常样本组的所述随机森林样本组从所述随机森林样本组序列中删除。
10.一种设备,包存储器和处理器,其特征在于,所述存储器用于存储程序,所述处理器用于执行如权利要求1至9任一项所述的方法。
11.一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如权利要求1至9任一项所述的方法。
12.一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行根据权利要求1至9任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010110286.4A CN111248881B (zh) | 2020-02-21 | 2020-02-21 | 一种对血压进行预测的方法和装置 |
PCT/CN2020/129632 WO2021164347A1 (zh) | 2020-02-21 | 2020-11-18 | 一种对血压进行预测的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010110286.4A CN111248881B (zh) | 2020-02-21 | 2020-02-21 | 一种对血压进行预测的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111248881A true CN111248881A (zh) | 2020-06-09 |
CN111248881B CN111248881B (zh) | 2022-08-02 |
Family
ID=70943175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010110286.4A Active CN111248881B (zh) | 2020-02-21 | 2020-02-21 | 一种对血压进行预测的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111248881B (zh) |
WO (1) | WO2021164347A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113273980A (zh) * | 2021-06-07 | 2021-08-20 | 深圳麦格米特电气股份有限公司 | 一种获取生命体征数据的方法、光纤传感器及智能床垫 |
WO2021164347A1 (zh) * | 2020-02-21 | 2021-08-26 | 乐普(北京)医疗器械股份有限公司 | 一种对血压进行预测的方法和装置 |
CN114451873A (zh) * | 2020-10-30 | 2022-05-10 | 华为技术有限公司 | 一种信号处理方法及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017024457A1 (zh) * | 2015-08-08 | 2017-02-16 | 深圳先进技术研究院 | 连续血压测量装置、测量模型建立方法和系统 |
CN108289615A (zh) * | 2015-11-24 | 2018-07-17 | 皇家飞利浦有限公司 | 用于量化光电体积描记(ppg)信号质量的方法 |
CN108403101A (zh) * | 2018-03-27 | 2018-08-17 | 中国科学院深圳先进技术研究院 | 一种模型训练方法及装置、测量血压的方法及装置 |
EP3366203A1 (en) * | 2017-02-23 | 2018-08-29 | Tata Consultancy Services Limited | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time |
CN109864736A (zh) * | 2019-03-22 | 2019-06-11 | 深圳市理邦精密仪器股份有限公司 | 心电信号的处理方法、装置、终端设备及介质 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109219391A (zh) * | 2017-05-04 | 2019-01-15 | 京东方科技集团股份有限公司 | 用于确定对象血压的设备和方法 |
US10973468B2 (en) * | 2018-07-12 | 2021-04-13 | The Chinese University Of Hong Kong | Deep learning approach for long term, cuffless, and continuous arterial blood pressure estimation |
CN110477890B (zh) * | 2019-08-27 | 2022-03-08 | 北京麦邦光电仪器有限公司 | 血压计算方法及血压测量装置 |
CN110680307A (zh) * | 2019-11-05 | 2020-01-14 | 北京航空航天大学 | 一种运动环境下基于脉搏波传导时间的动态血压监测方法 |
CN111248881B (zh) * | 2020-02-21 | 2022-08-02 | 乐普(北京)医疗器械股份有限公司 | 一种对血压进行预测的方法和装置 |
-
2020
- 2020-02-21 CN CN202010110286.4A patent/CN111248881B/zh active Active
- 2020-11-18 WO PCT/CN2020/129632 patent/WO2021164347A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017024457A1 (zh) * | 2015-08-08 | 2017-02-16 | 深圳先进技术研究院 | 连续血压测量装置、测量模型建立方法和系统 |
CN108289615A (zh) * | 2015-11-24 | 2018-07-17 | 皇家飞利浦有限公司 | 用于量化光电体积描记(ppg)信号质量的方法 |
EP3366203A1 (en) * | 2017-02-23 | 2018-08-29 | Tata Consultancy Services Limited | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time |
CN108403101A (zh) * | 2018-03-27 | 2018-08-17 | 中国科学院深圳先进技术研究院 | 一种模型训练方法及装置、测量血压的方法及装置 |
CN109864736A (zh) * | 2019-03-22 | 2019-06-11 | 深圳市理邦精密仪器股份有限公司 | 心电信号的处理方法、装置、终端设备及介质 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021164347A1 (zh) * | 2020-02-21 | 2021-08-26 | 乐普(北京)医疗器械股份有限公司 | 一种对血压进行预测的方法和装置 |
CN114451873A (zh) * | 2020-10-30 | 2022-05-10 | 华为技术有限公司 | 一种信号处理方法及设备 |
CN113273980A (zh) * | 2021-06-07 | 2021-08-20 | 深圳麦格米特电气股份有限公司 | 一种获取生命体征数据的方法、光纤传感器及智能床垫 |
Also Published As
Publication number | Publication date |
---|---|
CN111248881B (zh) | 2022-08-02 |
WO2021164347A1 (zh) | 2021-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106413534B (zh) | 连续血压测量装置、测量模型建立方法和系统 | |
CN111248881B (zh) | 一种对血压进行预测的方法和装置 | |
JP6669409B2 (ja) | 血圧値を測定するための方法、機器及びコンピュータプログラム | |
CN102429649B (zh) | 连续血压测量装置 | |
US6017313A (en) | Apparatus and method for blood pressure pulse waveform contour analysis | |
WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
CN111358450B (zh) | 一种血压分类方法和装置 | |
CN113040795B (zh) | 无导丝ffr、无导丝imr和无导丝cfr的检测方法 | |
WO2021164345A1 (zh) | 一种血压预测的方法和装置 | |
WO2021164346A1 (zh) | 一种预测血压的方法和装置 | |
WO2021184801A1 (zh) | 一种基于同步信号进行血压预测的方法和装置 | |
CN110558960A (zh) | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 | |
CN113180614B (zh) | 无导丝ffr、无导丝imr和无导丝cfr的检测方法 | |
JP2023505111A (ja) | 光学データからの生理学的測定のためのシステムおよび方法 | |
CN112842355B (zh) | 基于深度学习目标检测的心电信号心搏检测识别方法 | |
CN114680901A (zh) | 选择心电图的特征的电子装置和方法 | |
CN113456043A (zh) | 一种连续血压检测方法及装置 | |
EP1062596B1 (en) | Apparatus and method for blood pressure pulse waveform contour analysis | |
JP2000217796A (ja) | 循環機能診断装置 | |
CN116269285B (zh) | 一种非接触式常态化心率变异性估计系统 | |
US20230371827A1 (en) | Machine learning techniques for estimating carotid-femoral pulse wave velocity and/or vascular age from single-site arterial waveform measurements | |
CN111685754B (zh) | 针对可穿戴ecg采集设备的心率计算方法及系统 | |
JP2023546451A (ja) | 光学データからの血圧測定値のためのシステム及び方法 | |
CN117379024A (zh) | 一种基于深度学习的微创检测心输出量方法 | |
Zaluskaya et al. | Automatic estimation of human blood pressure based on the joint analysis of morphological and spectral parameters of the photoplethysmogram |
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 |