CN111358450B - 一种血压分类方法和装置 - Google Patents
一种血压分类方法和装置 Download PDFInfo
- Publication number
- CN111358450B CN111358450B CN202010189108.5A CN202010189108A CN111358450B CN 111358450 B CN111358450 B CN 111358450B CN 202010189108 A CN202010189108 A CN 202010189108A CN 111358450 B CN111358450 B CN 111358450B
- Authority
- CN
- China
- Prior art keywords
- time
- point
- ppg
- signal
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—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
- A61B5/24—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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
-
- 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
- A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
Abstract
本发明实施例涉及一种血压分类方法和装置,所述方法包括:获取同步的心电图ECG信号和光体积变化描记图法PPG信号;对ECG信号进行R点时间特征识别操作生成R点时间序列;对PPG信号进行脉搏波峰值点和谷值点时间特征识别生成峰值点时间序列和谷值点时间序列;根据峰值点时间序列对谷值点、R点时间序列进行特征匹配生成匹配特征时间组序列;根据匹配特征时间组序列进行特征样本数据准备生成随机森林样本组序列;对随机森林样本组序列进行异常样本组删除;将随机森林样本组序列输入随机森林算法模型生成血压分类标签。
Description
技术领域
本发明涉及电生理信号处理技术领域,特别涉及一种血压分类方法和装置。
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。血压过高或者过低,都会严重危害人体健康。大量流行病学及临床证据表明,长期患有高血压病(收缩压≥140毫米汞柱或舒张压≥90毫米汞柱)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;长期患有低血压病(收缩压≤90毫米汞柱或舒张压≤60毫米汞柱)会导致患者头晕、眼黑、肢软、冷汗、心悸、少尿或休克,影响生活质量。高/低血压病属于慢性疾病,多数需要长期终身护理,都需要对血压进行长时间动态监测。在日常生活中,目前最常用的是采用有创介入式测量方法和压力测量方法,在测量过程中需要对被测者产生微创伤害或者通过对被测者身体施加外部压力获取测试结果,这两种方法不仅操作繁琐,容易对被测者造成不适和伤害,而且也不便于进行连续监测。
发明内容
本发明的目的,就是针对现有技术的缺陷,提供一种血压分类方法和装置,对测试者的同步心电图(Electrocardiogram,ECG)信号和光体积变化描记图法(Photoplethysmography,PPG)信号进行特征提取,再对各自的特征数据进行匹配,继而将匹配的样本数据利用随机森林算法模型进行分类预测,最终获得测试者的血压分类结果。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就能对测试者的血压状态进行观测,解决了常规监测手段对被测者造成不适和伤害的问题,还可以建立针对高低血压人群的自动血压监测、分析机制。
为实现上述目的,本发明实施例第一方面提供了一种血压分类方法,其特征在于,所述方法包括:
获取同步的心电图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和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的所述R点时间,在所述谷值点时间序列和所述R点时间序列中寻找匹配的所述峰值点时间和所述谷值点时间,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;
将所述随机森林样本组序列输入所述随机森林算法模型生成血压分类标签;所述血压分类标签包括高血压标签、低血压标签和正常血压标签。
优选的,所述方法之前:
对所述随机森林算法模型的决策树总数进行配置,对所述随机森林算法模型的决策树最大深度进行配置,对所述随机森林算法模型的节点最大分裂数进行配置,对所述随机森林算法模型的分类标签数量进行设置。
优选的,所述获取同步的心电图ECG信号和光体积变化描记图法PPG信号,具体包括:
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ECG信号点幅值数据和ECG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PPG信号点幅值数据和PPG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信号点的所述ECG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ECG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和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信号点的所述PPG信号点幅值数据开始,到指定数目个PPG信号点的所述PPG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信号从所述指定数目加1个PPG信号点开始到最后1个PPG信号点为止,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信号点的所述PPG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信号点的所述PPG信号点幅值数据生成当前峰值点幅值,提取上一个PPG信号点的所述PPG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信号点的所述PPG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信号点的所述PPG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信号点的所述PPG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信号点的所述PPG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PPG信号点幅值数据为最小值的所述PPG信号点的所述PPG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的所述R点时间,在所述谷值点时间序列和所述R点时间序列中寻找匹配的所述峰值点时间和所述谷值点时间,生成匹配特征时间组序列,具体包括:
设置匹配特征时间组;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;
初始化第一谷值点时间、第一峰值点时间和第二谷值点时间为空;
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101,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102,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103,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104,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105,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106,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107,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108,将所述第一索引加1;
步骤109,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110,如果所述第一索引小于或等于所述第一总数则转至步骤105;
步骤110,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血压分类方法,首先,获取同步的ECG信号与PPG信号;其次,对获取的ECG信号与PPG信号进行特征提取:ECG信号中的R点特征,PPG信号中峰值点与谷值点特征;然后,以R点为参照点,寻找对应的峰值点和谷值点与其进行匹配生成匹配特征组;接着,将匹配特征组序列作为随机森林算法模型的输入进行血压分类获得血压分类标签。
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血压分类方法示意图;
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血压分类结果的处理方法示意图;
图5为本发明实施例三提供的一种血压分类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,结合二者的数据信息使用随机森林算法作为血压分类算法预测出测试者的血压分类标签(高血压标签、低血压标签、正常血压标签)。
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,就需要使用分类模型对随机森林样本组进行分类计算。本发明实施例使用的分类模型是随机森林算法模型,将随机森林样本输入随机森林算法模型之后会得到与三个血压分类标签中的一种(高血压标签、低血压标签和正常血压标签)。
随机森林算法模型是一个包含多个决策树的分类器模型,每棵决策树都是一个分类器,每棵树又分成若干层,每一层包括若干节点;每个节点接收上一层某节点分裂(投票)后的一个分裂结果进行继续分裂(投票)并将分裂的若干结果输出到下一层若干节点。作为分类器模型,随机森林算法模型设有分类标签和分类标签数量。假设模型有X(分类标签数量)个分类标签,那么每棵决策树会对一个输入样本产生X个投票结果;假设模型有Y棵决策树,那么对一个输入样本,多棵树对其中一个分类标签会产生Y个投票结果,对X个分类标签总计会产生X*Y个投票结果。模型在完成决策树的投票之后,会针对每一个分类标签的Y个投票结果进行回归计算生成该分类标签的最终投票结果,也就是最终获得X个最终投票结果。最后,模型从这X个最终投票结果中,提取最大值对应的分类标签作为最终分类标签输出。这里,随机森林算法模型有几个重要配置参数:决策树总数,决策树最大深度、节点最大分裂数和分类标签数量。其中,决策树总数表示该模型内建立的决策树总数(根据具体的软件或硬件资源能力进行设置);决策树最大深度是所有节点的最大深度,当深度到达指定的上限大小时节点停止分裂;当节点分裂的次数超过节点最大分裂数时节点停止分裂;分类标签数量为模型的分类标签总数。
如图1为本发明实施例一提供的一种血压分类方法示意图所示,本方法主要包括如下步骤:
步骤1,获取同步的心电图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;
此处,这两段采集的信号一定必须是同步采集的,且时间长度一致;
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;
其中,ECG信号包括多个ECG信号点;ECG信号点包括ECG信号点幅值数据和ECG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PPG信号点幅值数据和PPG信号点时间数据。
此处,步骤12和步骤13中两段有关信号采集处理的特点是: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ECG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ECG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,步骤21-23可以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和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PPG信号点幅值数据开始,到指定数目个PPG信号点的PPG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信号点为止,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PPG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PPG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PPG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PPG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PPG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PPG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PPG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PPG信号点幅值数据为最小值的PPG信号点的PPG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的R点时间,在谷值点时间序列和R点时间序列中寻找匹配的峰值点时间和谷值点时间,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,初始化第一谷值点时间、第一峰值点时间和第二谷值点时间为空;
步骤43,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44,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45,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。
此处,步骤4全过程,就是通过组建匹配特征时间组把ECG信号与PPG信号进行了融合,对每个R点选择了一个匹配的PPG波形与之组合而成一个ECG-PPG特征对。
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;
此处,步骤5是对随机森林算法模型进行输入数据准备,随机森林算法模型的输入数据为随机森林样本组序列;其中,随机森林样本组的总数与步骤4输出的匹配特征时间组的总数相等;又,随机森林样本组包括二十一个样本参数,均是由对应的匹配特征时间组的四个参数(匹配R点时间,匹配PPG峰值时间,匹配PPG起始时间,匹配PPG结束时间)做关联设置或计算得来的;下文步骤54是随机森林样本组的第一到第二十一样本参数具体设置过程,上文步骤51-53是为步骤54做计算准备的过程;
步骤54,设置随机森林样本组的第一到第二十一样本参数,具体包括:
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,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;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;
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;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;
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;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;
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;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;
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;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;
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;
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;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;
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;
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;
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;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;
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;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;
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;
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;
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;
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;
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;
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;
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;
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;
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;
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,步骤54,是对随机森林样本组做设置,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;
具体包括:步骤61,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62,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63,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;
此处,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64,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65,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;
步骤66,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;
此处,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67,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68,将第一索引加1;
步骤69,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70,如果第一索引小于或等于第一总数则转至步骤65;
步骤70,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。
步骤7,将随机森林样本组序列输入随机森林算法模型生成血压分类标签;
其中,血压分类标签包括高血压标签、低血压标签和正常血压标签。
此处,在使用随机森林算法模型之前,基于实际应用场景中的硬件或软件条件,可能需要提前对随机森林算法模型做一些关键参数配置:对决策树总数进行配置,对决策树最大深度进行配置,对节点最大分裂数进行配置;对随机森林算法模型的分类标签数量进行设置。特别说明一下,因为本发明实施例输出的血压分类标签有三种可能,所以分类标签数量这里应被设置为3。
此处,如果血压分类标签为高血压标签,说明在对同步的ECG和PPG信号进行血压分类分析之后我们得知,该测试者当前血压状态处于高血压状态;如果血压分类标签为低血压标签,说明在对同步的ECG和PPG信号进行血压分类分析之后我们得知,该测试者当前血压状态处于低血压状态;如果血压分类标签为正常血压标签,说明在对同步的ECG和PPG信号进行血压分类分析之后我们得知,该测试者当前血压状态处于正常血压状态。
如图4为本发明实施例二提供的一种血压分类结果的处理方法示意图所示,本方法主要包括如下步骤:
步骤201,血压报警设备从上位应用获取血压分类标签;
其中,血压分类标签具体为高血压标签、低血压标签和正常血压标签中的一种;
血压报警设备是针对不同血压状态执行对应报警任务的设备,在实际应用中可以为一个独立的设备,还可以是一个血压检测设备上的报警模块;血压报警设备包括报警信息显示模块、报警蜂鸣模块和报警灯光模块;报警信息显示模块可以向测试者进行信息提示操作,报警蜂鸣模块可以向测试者进行蜂鸣报警操作,报警灯光模块可以向测试者进行报警灯连续闪烁操作;
上位应用具体为对ECG和PPG信号进行血压分类的设备或者应用程序;
此处,血压报警设备获取的血压分类标签,是上位应用的血压分类处理流程对测试者的同步ECG信号和PPG信号完成预测分类后输出的预测分类结果,该血压分类标签具体为高血压标签、低血压标签和正常血压标签中的一种;这三个标签分别表征测试者当前的血压状态分属于三种不同血压状态:高血压状态、低血压状态和正常血压状态;上位应用在完成血压分类之后将分类标签传送到血压报警设备做进一步的报警处理判断。
步骤202,当血压分类标签为高血压标签时,血压报警设备生成高血压预警信息并调用报警信息显示模块对高血压预警信息进行信息提示操作,调用报警蜂鸣模块执行蜂鸣报警操作,调用报警灯光模块执行报警灯连续闪烁操作;
此处,我们已知高血压对人体的危害,长期高血压状态还会增大中风、心梗的几率,当血压报警设备发现测试者处于高血压状态时,就需要立即有效地提醒测试者注意并采取进一步措施,为了达到有效的目的,血压报警设备会使用它的所有报警模块进行同时报警:发送对应的预警信息、启动报警蜂鸣和报警灯闪烁来引起测试者的注意。
步骤203,当血压分类标签为低血压标签时,血压报警设备生成低血压预警信息并调用报警信息显示模块对低血压预警信息进行信息提示操作,调用报警灯光模块执行报警灯连续闪烁操作。
此处,如果测试者当前的血压状态处于低血压状态,为避免测试者因为低血压而出现头晕、眼黑、身体发软、出冷汗、心悸等不良症状,血压报警设备也应向测试者进行报警。但相较于高血压,低血压可能导致的突发脏器损害没有那么严重,所以这里就采用较为温和的报警方式向测试者进行提示:发送对应的预警信息和报警灯闪烁来引起测试者的注意。
步骤204,当血压分类标签为正常血压标签时,血压报警设备生成正常血压提示信息并调用报警信息显示模块对正常血压提示信息进行信息提示操作。
此处,如果测试者当前的血压状态处于正常血压状态,无需进行声光报警,只用通过信息显示模块向测试者显示一个血压状态就可以了。
如图5为本发明实施例三提供的一种血压分类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血压分类方法和装置,首先,获取同步的ECG信号与PPG信号;其次,对获取的ECG信号与PPG信号进行特征提取:ECG信号中的R点特征,PPG信号中峰值点与谷值点特征;然后,以R点为参照点,寻找对应的峰值点和谷值点与其进行匹配生成匹配特征组;接着,将匹配特征组序列作为随机森林算法模型的输入进行血压分类获得血压分类标签。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就能对测试者的血压状态进行观测,解决了常规监测手段对被测者造成不适和伤害的问题,还可以建立针对高低血压人群的自动血压监测、分析机制。
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 (9)
1.一种血压分类设备,包括处理器,其特征在于,
所述处理器用于获取同步的心电图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和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的所述R点时间,在所述谷值点时间序列和所述R点时间序列中寻找匹配的所述峰值点时间和所述谷值点时间,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;
将所述随机森林样本组序列输入所述随机森林算法模型生成血压分类标签;所述血压分类标签包括高血压标签、低血压标签和正常血压标签;
其中,所述获取同步的心电图ECG信号和光体积变化描记图法PPG信号,具体包括:
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脉搏生理信号;
按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ECG信号点幅值数据和ECG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PPG信号点幅值数据和PPG信号点时间数据;
所述根据所述峰值点时间序列的所述R点时间,在所述谷值点时间序列和所述R点时间序列中寻找匹配的所述峰值点时间和所述谷值点时间,生成匹配特征时间组序列,具体包括:
设置匹配特征时间组;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;
初始化第一谷值点时间、第一峰值点时间和第二谷值点时间为空;
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。
2.根据权利要求1所述的血压分类设备,其特征在于:
对所述随机森林算法模型的决策树总数进行配置,对所述随机森林算法模型的决策树最大深度进行配置,对所述随机森林算法模型的节点最大分裂数进行配置,对所述随机森林算法模型的分类标签数量进行设置。
3.根据权利要求1所述的血压分类设备,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信号点的所述ECG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ECG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1所述的血压分类设备,其特征在于,所述对所述PPG信号进行脉搏波峰值点和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所述的血压分类设备,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信号点的所述PPG信号点幅值数据开始,到指定数目个PPG信号点的所述PPG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信号从所述指定数目加1个PPG信号点开始到最后1个PPG信号点为止,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信号点的所述PPG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信号点的所述PPG信号点幅值数据生成当前峰值点幅值,提取上一个PPG信号点的所述PPG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信号点的所述PPG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信号点的所述PPG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信号点的所述PPG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信号点的所述PPG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所述的血压分类设备,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PPG信号点幅值数据为最小值的所述PPG信号点的所述PPG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1所述的血压分类设备,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。
8.根据权利要求1所述的血压分类设备,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101,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102,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103,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104,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105,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106,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107,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108,将所述第一索引加1;
步骤109,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110,如果所述第一索引小于或等于所述第一总数则转至步骤105;
步骤110,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。
9.一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,使所述计算机执行如权利要求1至8任一项所述的血压分类设备的处理步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010189108.5A CN111358450B (zh) | 2020-03-17 | 2020-03-17 | 一种血压分类方法和装置 |
PCT/CN2020/129644 WO2021184803A1 (zh) | 2020-03-17 | 2020-11-18 | 一种血压分类方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010189108.5A CN111358450B (zh) | 2020-03-17 | 2020-03-17 | 一种血压分类方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111358450A CN111358450A (zh) | 2020-07-03 |
CN111358450B true CN111358450B (zh) | 2023-04-07 |
Family
ID=71198672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010189108.5A Active CN111358450B (zh) | 2020-03-17 | 2020-03-17 | 一种血压分类方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111358450B (zh) |
WO (1) | WO2021184803A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111358450B (zh) * | 2020-03-17 | 2023-04-07 | 乐普(北京)医疗器械股份有限公司 | 一种血压分类方法和装置 |
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 |
CN114081502B (zh) * | 2021-11-11 | 2022-09-27 | 中国科学院深圳先进技术研究院 | 一种基于机器学习的非侵入性心脏病诊断方法和装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102429649B (zh) * | 2011-12-14 | 2014-02-19 | 中国航天员科研训练中心 | 连续血压测量装置 |
US10478127B2 (en) * | 2014-06-23 | 2019-11-19 | Sherlock Solutions, LLC | Apparatuses, methods, processes, and systems related to significant detrimental changes in health parameters and activating lifesaving measures |
EP3033991B1 (en) * | 2014-12-15 | 2018-02-28 | Stichting IMEC Nederland | System and method for blood pressure estimation |
US10485433B2 (en) * | 2016-12-29 | 2019-11-26 | Intel Corporation | Reliable estimation of pulse transit time in motion for cuffless blood pressure estimation |
CN106889979B (zh) * | 2016-12-30 | 2020-04-07 | 中国科学院电子学研究所 | 一种基于心电信号和血氧容积波的连续性血压测量系统 |
US10959681B2 (en) * | 2017-04-19 | 2021-03-30 | Vital Connect, Inc. | Noninvasive blood pressure measurement and monitoring |
CN108309267A (zh) * | 2018-01-14 | 2018-07-24 | 深圳市舟海科技有限公司 | 一种心血管健康的监测方法和装置 |
CN110251105B (zh) * | 2019-06-12 | 2022-06-21 | 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 |
CN110623652B (zh) * | 2019-09-17 | 2021-10-19 | 荣耀终端有限公司 | 数据显示方法及电子设备 |
CN111358450B (zh) * | 2020-03-17 | 2023-04-07 | 乐普(北京)医疗器械股份有限公司 | 一种血压分类方法和装置 |
-
2020
- 2020-03-17 CN CN202010189108.5A patent/CN111358450B/zh active Active
- 2020-11-18 WO PCT/CN2020/129644 patent/WO2021184803A1/zh active Application Filing
Non-Patent Citations (3)
Title |
---|
A Pattern-Based Windowed Impulse Rejection Filter for Nonpathological HRV Artifacts Correction;H. Al Osman, M. Eid and A. El Saddik;《IEEE Transactions on Instrumentation and Measurement》;20150731;摘要,正文方法和结论,附图 * |
Adaptivethresholdmethodforthepeakdetectionofphotoplethysmographic;Hang SikShin,ChungkeunLee,MyounghoLee;《Computers in Biology and Medicine》;20091031;摘要,正文方法和结论,附图 * |
Impulse rejection filter for artifact removal in spectral analysis of biomedical signals;J. McNames, T. Thong and M. Aboy;《 The 26th Annual International Conference of the IEEE Engineering in Medicine and Biology Society》;20041231;摘要,正文方法和结论,附图 * |
Also Published As
Publication number | Publication date |
---|---|
CN111358450A (zh) | 2020-07-03 |
WO2021184803A1 (zh) | 2021-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111358450B (zh) | 一种血压分类方法和装置 | |
CN106413534B (zh) | 连续血压测量装置、测量模型建立方法和系统 | |
US9913588B2 (en) | Method and system for screening of atrial fibrillation | |
US11529101B2 (en) | Method to quantify photoplethysmogram (PPG) signal quality | |
US10980429B2 (en) | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time | |
CN107530005B (zh) | 用于导出对象的平均动脉压的方法和设备 | |
CN111248881B (zh) | 一种对血压进行预测的方法和装置 | |
CN102429649B (zh) | 连续血压测量装置 | |
WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
CN107028603A (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 | |
RU2016146176A (ru) | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий | |
CN110477900A (zh) | 一种动脉硬化评估方法、装置及动脉硬化检测仪 | |
Wang et al. | Cuff-less blood pressure estimation via small convolutional neural networks | |
TWI551266B (zh) | 動脈波分析方法及其系統 | |
Cherif et al. | Detection of artifacts on photoplethysmography signals using random distortion testing | |
KR20220053439A (ko) | 합성곱·양방향 장단기 기억 순환신경망을 활용한 광전용적맥파 기반 실시간 혈압 모니터링 시스템 및 이를 이용한 실시간 혈압 모니터링 방법 | |
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 | |
CN111345815B (zh) | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 | |
Lu et al. | Accurate heart beat detection with doppler radar using bidirectional GRU network | |
Hassanuzzaman et al. | End to end solution for continuous monitoring and real-time analysis of vital signs from ecg signal | |
CN114680901A (zh) | 选择心电图的特征的电子装置和方法 | |
JP2000217796A (ja) | 循環機能診断装置 | |
Magni et al. | Combining resnet model with handcrafted temporal features for ecg classification with varying number of leads | |
Cano et al. | Novel photoplethysmographic and electrocardiographic features for enhanced detection of hypertensive individuals | |
Cano et al. | Cuffless Hypertension Risk Assessment and the Significance of Calibration |
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 |