CN111358453B - 一种血压分类预测方法和装置 - Google Patents

一种血压分类预测方法和装置 Download PDF

Info

Publication number
CN111358453B
CN111358453B CN202010189201.6A CN202010189201A CN111358453B CN 111358453 B CN111358453 B CN 111358453B CN 202010189201 A CN202010189201 A CN 202010189201A CN 111358453 B CN111358453 B CN 111358453B
Authority
CN
China
Prior art keywords
classification
blood pressure
diastolic
systolic
pressure
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
Application number
CN202010189201.6A
Other languages
English (en)
Other versions
CN111358453A (zh
Inventor
吴泽剑
曹君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lepu Medical Technology Beijing Co Ltd
Original Assignee
Lepu Medical Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lepu Medical Technology Beijing Co Ltd filed Critical Lepu Medical Technology Beijing Co Ltd
Priority to CN202010189201.6A priority Critical patent/CN111358453B/zh
Publication of CN111358453A publication Critical patent/CN111358453A/zh
Priority to PCT/CN2020/129643 priority patent/WO2021184802A1/zh
Application granted granted Critical
Publication of CN111358453B publication Critical patent/CN111358453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/72—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Vascular Medicine (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明实施例涉及一种血压分类预测方法和装置，所述方法包括：进行PPG信号采集生成PPG信号数据；对PPG信号数据进行信号采样生成PPG一维数据序列；利用血压CNN模型对PPG一维数据序列进行卷积池化计算，生成特征数据一维向量；利用血压分类模型对特征数据一维向量进行分类计算生成血压分类二维矩阵；从收缩压分类向量和舒张压分类向量中分别提取最大值生成收缩压分类和舒张压分类；根据收缩压分类查询收缩压分类区间表，获取对应的收缩压区间范围的中间值生成收缩压预测数据；根据舒张压分类查询舒张压分类区间表，获取对应的舒张压区间范围的中间值生成舒张压预测数据；根据收缩压和舒张压预测数据生成血压预测数据对。

Description

一种血压分类预测方法和装置
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预测方法和装置。
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。正常范围内的血压才能保证血液正常循环流动，许多因素共同作用下才能使血压保持正常，从而人体的各个器官与组织能获得足够的血量，进而保持人体正常运转。人体血压含有两个重要的数值：收缩压和舒张压，医学上通过这两个量来判断人体血压的正常与否。长期持续观测血压这两项参数，可以帮助人们对自身心脏健康状态有较为清晰的认识。但是，当下大多数传统的血压测量方式均采用有创的介入式测量法或者外力上压的压力计测量法，不仅操作繁琐，且容易引起被测者的不适，因此也就不能多次地使用以达到连续监测的目的。
光体积变化描记图法(Photoplethysmography，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。
发明内容
本发明的目的，就是针对现有技术的缺陷，提供一种血压分类预测方法和装置，首先使用PPG信号采集设备对测试对象进行数据采集，其次采用血压卷积神经网络(Convolutional Neural Network，CNN)模型对PPG采集数据进行特征计算，然后使用血压分类对特征数据进行分类计算从而预测出测试对象的血压分类(收缩压分类和舒张压分类)，最后通过查询分类区间表(收缩压分类区间表和舒张压分类区间表)计算出测试对象的预测血压(收缩压预测数据和舒张压预测数据)；通过本发明实施例，既避免了常规测试手段的繁琐和不适感，又产生了一种结合测试对象个体特征的自动数据分析方法，从而使得应用方可以方便地对被测对象进行多次连续监测。
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预测方法，其特征在于，所述方法包括：
对测试对象进行光体积变化描记图法PPG信号采集处理生成PPG信号数据；对所述PPG信号数据进行信号采样处理生成PPG一维数据序列；
根据卷积层数阈值，利用血压卷积神经网络CNN模型对所述PPG一维数据序列进行卷积池化计算，生成特征数据一维向量；
利用血压分类模型对所述特征数据一维向量进行分类计算生成血压分类二维矩阵；所述血压分类二维矩阵包括收缩压分类向量和舒张压分类向量；
从所述收缩压分类向量和所述舒张压分类向量中分别提取最大值，生成对应的收缩压分类和舒张压分类；
根据所述收缩压分类查询收缩压分类区间表，获取对应的收缩压区间范围的中间值，生成收缩压预测数据；根据所述舒张压分类查询舒张压分类区间表，获取对应的舒张压区间范围的中间值，生成舒张压预测数据；
根据所述收缩压预测数据和所述舒张压预测数据，生成血压预测数据对。
优选的，所述方法之前，
根据血压分类总数阈值，设置所述收缩压分类区间表的所述收缩压区间范围，设置所述舒张压分类区间表的所述舒张压区间范围；
参照所述收缩压分类区间表和所述舒张压分类区间表，获取大样本PPG数据和对应的大样本血压分类结果，对所述血压CNN模型和所述血压分类模型进行联合训练；具体为，使用所述大样本PPG数据对所述血压CNN模型进行卷积层与池化层训练生成血压CNN模型训练输出数据，使用所述血压CNN模型训练输出数据对所述血压分类模型的收缩压分类权重矩阵和舒张压分类权重矩阵进行训练生成血压分类模型训练输出数据，通过比对所述血压分类模型训练输出数据和所述大样本血压分类结果对所述血压CNN模型和所述血压分类模型进行训练校正。
优选的，
所述血压CNN模型包括多层所述卷积层和多层所述池化层；
所述收缩压分类权重矩阵具体为收缩压分类权重矩阵Wsp[M，N]；所述舒张压分类权重矩阵具体为舒张压分类权重矩阵Wdp[M，N]；所述M为所述血压分类总数阈值；所述N为CNN输出长度阈值；
所述特征数据一维向量具体为特征数据一维向量{f1，f2…fi…fN}；所述fi为特征数据；所述i的取值范围从1到所述N；
所述血压分类二维矩阵具体为血压分类二维矩阵[2，M]；
所述收缩压分类向量具体为收缩压分类向量{sp1，sp2…spj…spM}；所述spj为收缩压分类概率；所述j的取值范围从1到所述M；
所述舒张压分类向量具体为舒张压分类向量{dp1，dp2…dpk…dpM}；所述dpk为舒张压分类概率；所述k的取值范围从1到所述M；
所述收缩压分类区间表包括所述血压分类总数阈值个所述收缩压区间范围；所述收缩压区间范围包括收缩压区间最小值和收缩压区间最大值；
所述舒张压分类区间表包括所述血压分类总数阈值个所述舒张压区间范围；所述舒张压区间范围包括舒张压区间最小值和舒张压区间最大值。
优选的，所述根据卷积层数阈值，利用血压卷积神经网络CNN模型对所述PPG一维数据序列进行卷积池化计算，生成特征数据一维向量，具体包括：
步骤41，初始化第一索引的值为1；初始化第一总数为所述卷积层数阈值；初始化第一索引临时序列为所述PPG一维数据序列；
步骤42，利用所述血压CNN模型的第一索引层卷积层，对所述第一索引临时序列进行卷积计算处理，生成第一索引卷积输出序列；利用所述血压CNN 模型的第一索引池化层，对所述第一索引卷积输出序列进行池化计算处理，生成第一索引池化输出序列；
步骤43，设置所述第一索引临时序列为所述第一索引池化输出序列；
步骤44，将所述第一索引加1；
步骤45，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转至步骤46，如果所述第一索引小于或等于所述第一总数转至步骤42；
步骤46，设置所述特征数据一维向量为所述第一索引临时序列。
优选的，所述利用血压分类模型对所述特征数据一维向量进行分类计算生成血压分类二维矩阵，具体包括：
初始化所述血压分类二维矩阵[2，M]为空；
将所述特征数据一维向量{f1，f2…fi…fN}输入所述血压分类模型；
所述血压分类模型使用所述收缩压分类权重矩阵Wsp[M，N]与所述特征数据一维向量{f1，f2…fi…fN}相乘，生成所述收缩压分类向量{sp1，sp2…spj…spM}；并将所述收缩压分类向量{sp1，sp2…spj…spM}向所述血压分类二维矩阵[2，M]做分类向量添加操作；
所述血压分类模型使用所述舒张压分类权重矩阵Wdp[M，N]与所述特征数据一维向量{f1，f2…fi…fN}相乘，生成所述舒张压分类向量{dp1，dp2…dpk…dpM}；并将所述舒张压分类向量{dp1，dp2…dpk…dpM}向所述血压分类二维矩阵[2，M]做分类向量添加操作。
优选的，所述从所述收缩压分类向量和所述舒张压分类向量中分别提取最大值，生成对应的收缩压分类和舒张压分类，具体包括：
从所述收缩压分类向量中，获取取值为最大值的所述收缩压分类概率的向量索引，生成所述收缩压分类；
从所述舒张压分类向量中，获取取值为最大值的所述舒张压分类概率的向量索引，生成所述舒张压分类。
优选的，所述根据所述收缩压分类查询收缩压分类区间表，获取对应的收缩压区间范围的中间值，生成收缩压预测数据；根据所述舒张压分类查询舒张压分类区间表，获取对应的舒张压区间范围的中间值，生成舒张压预测数据，具体包括：
查询所述收缩压分类区间表，获取与所述收缩压分类对应的所述收缩压区间范围的所述收缩压区间最小值生成第一最小值，获取与所述收缩压分类对应的所述收缩压区间范围的所述收缩压区间最大值生成第一最大值；根据所述第一最大值与所述第一最小值的平均值生成所述第一中间值；对所述第一中间值进行四舍五入计算，生成所述收缩压预测数据；
查询所述舒张压分类区间表，获取与所述舒张压分类对应的所述舒张压区间范围的所述舒张压区间最小值生成第二最小值，获取与所述舒张压分类对应的所述舒张压区间范围的所述舒张压区间最大值生成第二最大值；根据所述第二最大值与所述第二最小值的平均值生成所述第二中间值；对所述第二中间值进行四舍五入计算，生成所述舒张压预测数据。
本发明实施例第一方面提供的一种血压分类预测方法，首先使用PPG信号采集设备对测试对象进行数据采集，其次采用血压CNN模型对PPG采集数据进行特征计算，然后使用血压分类对特征数据进行分类计算从而预测出测试对象的血压分类(收缩压分类和舒张压分类)，最后通过查询分类区间表(收缩压分类区间表和舒张压分类区间表)计算出测试对象的预测血压(收缩压预测数据和舒张压预测数据)。
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预测方法示意图；
图2为本发明实施例二提供的一种血压分类的应用方法示意图；
图3为本发明实施例三提供的一种血压分类预测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手段做下简要说明。
CNN长期以来是特征识别领域的核心算法之一。应用在图像识别中，可以在精细分类识别中用于提取图像的判别特征以供其它分类器进行学习。应用血压特征识别领域中，是对输入的一维PPG信号数据进行PPG信号特征提取计算：在对输入的原始PPG信号数据进行卷积和池化之后，保留符合PPG信号特性的特征数据以供其他网络进行学习。本发明实施例的血压CNN模型是一种已经通过血压特征提取训练完成后的CNN模型，具体由卷积层和池化层组成，其中，卷积层负责对CNN模型的输入数据进行血压特征提取计算，池化层则是对卷积层的提取结果进行降采样。
本发明实施例使用的血压分类模型是一个使用分类权重矩阵对输入向量进行分类计算的模型，分类权重矩阵具体包括收缩压分类权重矩阵和舒张压分类权重矩阵两个。当需要对输入向量进行收缩压分类计算时，血压分类模型使用收缩压分类权重矩阵与输入向量相乘从而获得收缩压分类向量；同理，当需要对输入向量进行舒张压分类计算时，血压分类模型使用舒张压分类权重矩阵与输入向量相乘从而获得舒张压分类向量。
血压分类模型的分类结果和实际血压预测值有一个区间范围的对照关系，如表一的收缩压分类区间表和表二的舒张压分类区间表所示，这两个分类区间表是在模型训练之前就设定好的，本发明实施例对所用的血压CNN模型和血压分类模型进行训练的大样本数据也是基于表格中设定的数据区间与分类结果的对照关系去获取的。
Figure BDA0002414651190000071
表一
Figure BDA0002414651190000072
表二
如图1为本发明实施例一提供的一种血压分类预测方法示意图所示，本方法主要包括如下步骤：
步骤1，对测试对象进行PPG信号采集处理生成PPG信号数据；对PPG信号数据进行信号采样处理生成PPG一维数据序列。
在此步骤之前，假设血压分类总数阈值为8，收缩压分类区间表的收缩压区间范围和舒张压分类区间表的舒张压区间范围如表三所示；并且已经参照收缩压分类区间表和舒张压分类区间表，获取过大样本PPG数据和对应的大样本血压分类结果，完成了对血压CNN模型和血压分类模型的联合训练。
Figure BDA0002414651190000081
表三
在步骤1中，PPG信号数据是，通过使用无创PPG信号采集设备在信号采集时间阈值内对测试对象局部皮肤表面进行预置光源信号采集操作生成的；对PPG信号进行采集时，提及的预置光源信号至少包括红光源信号、红外光源信号和绿光源信号中的一类。
步骤2，根据卷积层数阈值，利用血压卷积神经网络CNN模型对PPG一维数据序列进行卷积池化计算，生成特征数据一维向量；
具体包括：步骤21，初始化第一索引的值为1；初始化第一总数为卷积层数阈值；初始化第一索引临时序列为PPG一维数据序列；
步骤22，利用血压CNN模型的第一索引层卷积层，对第一索引临时序列进行卷积计算处理，生成第一索引卷积输出序列；利用血压CNN模型的第一索引池化层，对第一索引卷积输出序列进行池化计算处理，生成第一索引池化输出序列；
其中，血压CNN模型包括多层卷积层和多层池化层，具体的层数由卷积层数阈值设定；
此处，将预处理好的数据输入训练好的血压CNN模型中提取特征，血压 CNN模型由多层卷积层和池化层组成，一般的结构是一层卷积搭配一层池化后再连接下一个卷积层，血压CNN模型的最终层数由卷积层数阈值的数量决定，例如4个卷积层搭配4个池化层的网络被称为4层卷积网络，其中卷积层进行卷积运算，将输入转换为维度不同的输出，这些输出可以看作对输入的另一种表达方式，而池化层则是用来控制输出数量，简化运算同时促使网络提取更加有效的信息；卷积层数阈值就是血压CNN模型的卷积层(池化层)总数；
步骤23，设置第一索引临时序列为第一索引池化输出序列；
步骤24，将第一索引加1；
步骤25，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转至步骤26，如果第一索引小于或等于第一总数转至步骤22；
步骤26，设置特征数据一维向量为第一索引临时序列。
此处，最终输出的特征数据一维向量形状具体为特征数据一维向量 {f1，f2…fi…fN}；其中，fi为特征数据；i的取值范围从1到N，N为CNN输出长度阈值(或者说CNN模型输出数据的长度)，设N＝1280，则特征数据一维向量{f1，f2…fi…fN}为特征数据一维向量{f1，f2…f1280}。
步骤3，利用血压分类模型对特征数据一维向量进行分类计算生成血压分类二维矩阵；
其中，血压分类二维矩阵具体为血压分类二维矩阵[2，M]；M为血压分类总数阈值；血压分类二维矩阵包括收缩压分类向量和舒张压分类向量；收缩压分类向量具体为收缩压分类向量{sp1，sp2…spj…spM}；spj为收缩压分类数据； j的取值范围从1到M；舒张压分类向量具体为舒张压分类向量 {dp1，dp2…dpk…dpM}；dpk为舒张压分类数据；k的取值范围从1到M；
具体包括：步骤31，初始化血压分类二维矩阵[2，M]为空；
步骤32，将特征数据一维向量{f1，f2…fi…fN}输入血压分类模型；
步骤33，血压分类模型使用收缩压分类权重矩阵Wsp[M，N]与特征数据一维向量{f1，f2…fi…fN}相乘，生成收缩压分类向量{sp1，sp2…spj…spM}；并将收缩压分类向量{sp1，sp2…spj…spM}向血压分类二维矩阵[2，M]做分类向量添加操作；
此处，收缩压分类权重矩阵具体为收缩压分类权重矩阵Wsp[M，N]，矩阵元素即为与收缩压分类相关的权重计算参数，使用收缩压分类权重矩阵Wsp[M，N] 与所述特征数据一维向量{f1，f2…fi…fN}相乘的结果，就是特征数据一维向量 {f1，f2…fi…fN}对应的一个血压分类向量：收缩压分类向量{sp1，sp2…spj…spM}；假设特征数据一维向量为特征数据一维向量{f1，f2…f1280}，已知M＝血压分类总数阈值＝8，收缩压分类权重矩阵Wsp[M，N]为收缩压分类权重矩阵Wsp[8，1280]，那么得到的收缩压分类向量{sp1，sp2…spj…spM}就应该是收缩压分类向量 {sp1，sp2…sp8}，收缩压分类向量包含8个收缩压分类概率(即是针对测试者的这段 PPG信号，预测出的收缩压结果，在8个收缩压分类区间的可能概率)；
步骤34，血压分类模型使用舒张压分类权重矩阵Wdp[M，N]与特征数据一维向量{f1，f2…fi…fN}相乘，生成舒张压分类向量{dp1，dp2…dpk…dpM}；并将舒张压分类向量{dp1，dp2…dpk…dpM}向血压分类二维矩阵[2，M]做分类向量添加操作。
此处，舒张压分类权重矩阵具体为舒张压分类权重矩阵Wdp[M，N]，矩阵元素即为与舒张压分类相关的权重计算参数，使用舒张压分类权重矩阵Wdp[M，N] 与所述特征数据一维向量{f1，f2…fi…fN}相乘的结果，就是特征数据一维向量 {f1，f2…fi…fN}对应的一个血压分类向量：舒张压分类向量{dp1，dp2…dpj…dpM}；假设特征数据一维向量为特征数据一维向量{f1，f2…f1280}，已知M＝血压分类总数阈值＝8，舒张压分类权重矩阵Wdp[M，N]为舒张压分类权重矩阵Wdp[8，1280]，那么得到的舒张压分类向量{dp1，dp2…dpj…dpM}就应该是舒张压分类向量 {dp1，dp2…dp8}，舒张压分类向量包含8个舒张压分类概率(即是针对测试者的这段PPG信号，预测出的舒张压结果，在8个舒张压分类区间的可能概率)。
步骤4，从收缩压分类向量和舒张压分类向量中分别提取最大值，生成收缩压分类和舒张压分类；
具体包括：步骤41，从收缩压分类向量中，获取取值为最大值的收缩压分类概率的向量索引，生成收缩压分类；
此处，从收缩压分类向量{sp1，sp2…sp8}中的8个数据中提取最大值，假设为 sp2＝75％是最大值，那么本发明实施例认为预测出的收缩压是在收缩压分类区间表中的第二类中，则收缩压分类＝2；
步骤42，从舒张压分类向量中，获取取值为最大值的舒张压分类概率的向量索引，生成舒张压分类。
此处，从舒张压分类向量{dp1，dp2…dp8}中的8个数据中提取最大值，假设为 dp2＝78％是最大值，那么本发明实施例认为预测出的舒张压是在舒张压分类区间表中的第二类中，则舒张压分类＝2。
步骤5，根据收缩压分类查询收缩压分类区间表，获取对应的收缩压区间范围的中间值，生成收缩压预测数据；根据舒张压分类查询舒张压分类区间表，获取对应的舒张压区间范围的中间值，生成舒张压预测数据；
其中，收缩压分类区间表包括血压分类总数阈值个收缩压区间范围；收缩压区间范围包括收缩压区间最小值和收缩压区间最大值；舒张压分类区间表包括血压分类总数阈值个舒张压区间范围；舒张压区间范围包括舒张压区间最小值和舒张压区间最大值；
具体包括：步骤51，查询收缩压分类区间表，获取与收缩压分类对应的收缩压区间范围的收缩压区间最小值生成第一最小值，获取与收缩压分类对应的收缩压区间范围的收缩压区间最大值生成第一最大值；根据第一最大值与第一最小值的平均值生成第一中间值；对第一中间值进行四舍五入计算，生成收缩压预测数据；
此处，假设收缩压分类＝2，那么查询收缩压分类区间表，可知第一最小值为103，第一最大值为110，那么第一中间值就为(110+103)/2＝106.5，对第一中间值四舍五入之后，得到收缩压预测数据＝107；
步骤52，查询舒张压分类区间表，获取与舒张压分类对应的舒张压区间范围的舒张压区间最小值生成第二最小值，获取与舒张压分类对应的舒张压区间范围的舒张压区间最大值生成第二最大值；根据第二最大值与第二最小值的平均值生成第二中间值；对第二中间值进行四舍五入计算，生成舒张压预测数据。
此处，假设舒张压分类＝2，那么查询舒张压分类区间表，可知第二最小值为67，第二最大值为72，那么第二中间值就为(67+72)/2＝69.5，对第一中间值四舍五入之后，得到舒张压预测数据＝70。
步骤6，根据收缩压预测数据和舒张压预测数据，生成血压预测数据对。
此处，向上位应用以血压预测数据对的方式，输出对步骤1获取的PPG信号的血压预测结果：其中，血压预测数据对包括：收缩压预测数据(107)和舒张压预测数据(70)。
如图2为本发明实施例二提供的一种血压分类的应用方法示意图所示，本方法主要包括如下步骤：
步骤101，获取收缩压分类生成当前收缩压分类。
步骤102，获取预置的收缩压异常分类表；
其中，收缩压异常分类表包括多个收缩压异常分类记录；收缩压异常分类记录包括收缩压异常分类和异常处理ID。
实施例二，是对血压分类预测结果的另一种应用方式；使用收缩压异常分类表提供一个针对不同收缩压异常分类的自动应答处理机制；这里用到的收缩压异常分类表由多个收缩压异常分类记录组成，每个收缩压异常分类记录至少包括两个数据信息：收缩压异常分类和异常处理ID；
这里，收缩压异常分类就是一些常规认为有危险的血压分类，假设将血压从0-200分成10类，最后一类收缩压范围为180～200的分类为10，那么根据临床经验分类10一定是属于危险的血压分，原因是如果血压预测分类为10 的话，一定是测试对象的高血压病犯了；这里，异常处理ID是针对设定的收缩压异常分类，提供的自动处理流程的ID标记。
步骤103，依次对收缩压异常分类表的收缩压异常分类记录进行轮询生成当前收缩压异常分类记录，提取当前收缩压异常分类记录的收缩压异常分类与当前收缩压分类进行比对，在当前收缩压分类与收缩压异常分类相等时，获取当前收缩压异常分类记录的异常处理ID生成激活程序ID。
此处，就是检查获取的收缩压分类(当前收缩压分类)是否属于收缩压异常分类的处理过程，具体就是对收缩压异常分类表中的所有记录进行轮询，当某个记录中的收缩压异常分类与当前收缩压分类相同时，认为当前收缩压分类属于异常分类，并获取该条记录中对应的异常处理ID作为激活程序ID准备向上位应用进行传送。
步骤104，向上位应用发送激活程序ID，由上位应用激活对应的处理流程。
此处，上位应用可以根据激活程序ID执行预存的自动响应处理流程，诸如报警啊、提示啊、远程呼叫啊等等。
如图3为本发明实施例三提供的一种血压分类预测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预测方法和装置，首先使用PPG信号采集设备对测试对象进行数据采集，其次采用血压CNN模型对PPG采集数据进行特征计算，然后使用血压分类对特征数据进行分类计算从而预测出测试对象的血压分类，最后通过查询分类区间表计算出测试对象的预测血压(收缩压预测数据和舒张压预测数据)；通过本发明实施例，既避免了常规测试手段的繁琐和不适感，叉产生了一种结合测试对象个体特征的自动数据分析方法，从而使得应用方可以方便地对被测对象进行多次连续监测。
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 (10)

1.一种血压分类预测方法，其特征在于，所述方法包括：
对测试对象进行光体积变化描记图法PPG信号采集处理生成PPG信号数据；对所述PPG信号数据进行信号采样处理生成PPG一维数据序列；
根据卷积层数阈值，利用血压卷积神经网络CNN模型对所述PPG一维数据序列进行卷积池化计算，生成特征数据一维向量；
利用血压分类模型对所述特征数据一维向量进行分类计算生成血压分类二维矩阵；所述血压分类二维矩阵包括收缩压分类向量和舒张压分类向量；
从所述收缩压分类向量和所述舒张压分类向量中分别提取最大值，生成对应的收缩压分类和舒张压分类；
根据所述收缩压分类查询收缩压分类区间表，获取对应的收缩压区间范围的中间值，生成收缩压预测数据；根据所述舒张压分类查询舒张压分类区间表，获取对应的舒张压区间范围的中间值，生成舒张压预测数据；
根据所述收缩压预测数据和所述舒张压预测数据，生成血压预测数据对。
2.根据权利要求1所述的血压分类预测方法，其特征在于，所述方法之前，
根据血压分类总数阈值，设置所述收缩压分类区间表的所述收缩压区间范围，设置所述舒张压分类区间表的所述舒张压区间范围；
参照所述收缩压分类区间表和所述舒张压分类区间表，获取大样本PPG数据和对应的大样本血压分类结果，对所述血压CNN模型和所述血压分类模型进行联合训练；具体为，使用所述大样本PPG数据对所述血压CNN模型进行卷积层与池化层训练生成血压CNN模型训练输出数据，使用所述血压CNN模型训练输出数据对所述血压分类模型的收缩压分类权重矩阵和舒张压分类权重矩阵进行训练生成血压分类模型训练输出数据，通过比对所述血压分类模型训练输出数据和所述大样本血压分类结果对所述血压CNN模型和所述血压分类模型进行训练校正。
3.根据权利要求2所述的血压分类预测方法，其特征在于，
所述血压CNN模型包括多层所述卷积层和多层所述池化层；
所述收缩压分类权重矩阵具体为收缩压分类权重矩阵Wsp[M,N]；所述舒张压分类权重矩阵具体为舒张压分类权重矩阵Wdp[M,N]；所述M为所述血压分类总数阈值；所述N为CNN输出长度阈值；
所述特征数据一维向量具体为特征数据一维向量{f1,f2…fi…fN}；所述fi为特征数据；所述i的取值范围从1到所述N；
所述血压分类二维矩阵具体为血压分类二维矩阵[2,M]；
所述收缩压分类向量具体为收缩压分类向量{sp1,sp2…spj…spM}；所述spj为收缩压分类概率；所述j的取值范围从1到所述M；
所述舒张压分类向量具体为舒张压分类向量{dp1,dp2…dpk…dpM}；所述dpk为舒张压分类概率；所述k的取值范围从1到所述M；
所述收缩压分类区间表包括所述血压分类总数阈值个所述收缩压区间范围；所述收缩压区间范围包括收缩压区间最小值和收缩压区间最大值；
所述舒张压分类区间表包括所述血压分类总数阈值个所述舒张压区间范围；所述舒张压区间范围包括舒张压区间最小值和舒张压区间最大值。
4.根据权利要求3所述的血压分类预测方法，其特征在于，所述根据卷积层数阈值，利用血压卷积神经网络CNN模型对所述PPG一维数据序列进行卷积池化计算，生成特征数据一维向量，具体包括：
步骤41，初始化第一索引的值为1；初始化第一总数为所述卷积层数阈值；初始化第一索引临时序列为所述PPG一维数据序列；
步骤42，利用所述血压CNN模型的第一索引层卷积层，对所述第一索引临时序列进行卷积计算处理，生成第一索引卷积输出序列；利用所述血压CNN模型的第一索引池化层，对所述第一索引卷积输出序列进行池化计算处理，生成第一索引池化输出序列；
步骤43，设置所述第一索引临时序列为所述第一索引池化输出序列；
步骤44，将所述第一索引加1；
步骤45，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转至步骤46，如果所述第一索引小于或等于所述第一总数转至步骤42；
步骤46，设置所述特征数据一维向量为所述第一索引临时序列。
5.根据权利要求3所述的血压分类预测方法，其特征在于，所述利用血压分类模型对所述特征数据一维向量进行分类计算生成血压分类二维矩阵，具体包括：
初始化所述血压分类二维矩阵[2,M]为空；
将所述特征数据一维向量{f1,f2…fi…fN}输入所述血压分类模型；
所述血压分类模型使用所述收缩压分类权重矩阵Wsp[M,N]与所述特征数据一维向量{f1,f2…fi…fN}相乘，生成所述收缩压分类向量{sp1,sp2…spj…spM}；并将所述收缩压分类向量{sp1,sp2…spj…spM}向所述血压分类二维矩阵[2,M]做分类向量添加操作；
所述血压分类模型使用所述舒张压分类权重矩阵Wdp[M,N]与所述特征数据一维向量{f1,f2…fi…fN}相乘，生成所述舒张压分类向量{dp1,dp2…dpk…dpM}；并将所述舒张压分类向量{dp1,dp2…dpk…dpM}向所述血压分类二维矩阵[2,M]做分类向量添加操作。
6.根据权利要求3所述的血压分类预测方法，其特征在于，所述从所述收缩压分类向量和所述舒张压分类向量中分别提取最大值，生成对应的收缩压分类和舒张压分类，具体包括：
从所述收缩压分类向量中，获取取值为最大值的所述收缩压分类概率的向量索引，生成所述收缩压分类；
从所述舒张压分类向量中，获取取值为最大值的所述舒张压分类概率的向量索引，生成所述舒张压分类。
7.根据权利要求3所述的血压分类预测方法，其特征在于，所述根据所述收缩压分类查询收缩压分类区间表，获取对应的收缩压区间范围的中间值，生成收缩压预测数据；根据所述舒张压分类查询舒张压分类区间表，获取对应的舒张压区间范围的中间值，生成舒张压预测数据，具体包括：
查询所述收缩压分类区间表，获取与所述收缩压分类对应的所述收缩压区间范围的所述收缩压区间最小值生成第一最小值，获取与所述收缩压分类对应的所述收缩压区间范围的所述收缩压区间最大值生成第一最大值；根据所述第一最大值与所述第一最小值的平均值生成第一中间值；对所述第一中间值进行四舍五入计算，生成所述收缩压预测数据；
查询所述舒张压分类区间表，获取与所述舒张压分类对应的所述舒张压区间范围的所述舒张压区间最小值生成第二最小值，获取与所述舒张压分类对应的所述舒张压区间范围的所述舒张压区间最大值生成第二最大值；根据所述第二最大值与所述第二最小值的平均值生成第二中间值；对所述第二中间值进行四舍五入计算，生成所述舒张压预测数据。
8.一种设备，包括存储器和处理器，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7任一项所述的方法。
9.一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7任一项所述的方法。
10.一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7任一项所述的方法。
CN202010189201.6A 2020-03-17 2020-03-17 一种血压分类预测方法和装置 Active CN111358453B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010189201.6A CN111358453B (zh) 2020-03-17 2020-03-17 一种血压分类预测方法和装置
PCT/CN2020/129643 WO2021184802A1 (zh) 2020-03-17 2020-11-18 一种血压分类预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010189201.6A CN111358453B (zh) 2020-03-17 2020-03-17 一种血压分类预测方法和装置

Publications (2)

Publication Number Publication Date
CN111358453A CN111358453A (zh) 2020-07-03
CN111358453B true CN111358453B (zh) 2022-07-29

Family

ID=71198629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010189201.6A Active CN111358453B (zh) 2020-03-17 2020-03-17 一种血压分类预测方法和装置

Country Status (2)

Country Link
CN (1) CN111358453B (zh)
WO (1) WO2021184802A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111358453B (zh) * 2020-03-17 2022-07-29 乐普（北京）医疗器械股份有限公司 一种血压分类预测方法和装置
CN112336325B (zh) * 2020-10-12 2024-02-23 乐普（北京）医疗器械股份有限公司 一种融合标定光体积描计信号数据的血压预测方法和装置
CN116919363A (zh) * 2022-04-12 2023-10-24 乐普（北京）医疗器械股份有限公司 一种基于大数据特征的个性化血压预测方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108378835A (zh) * 2018-02-11 2018-08-10 中国联合网络通信集团有限公司 血压预测方法及装置
CN109288508A (zh) * 2018-08-18 2019-02-01 浙江好络维医疗技术有限公司 一种基于crnn-bp的血压值智能测量方法
CN109833035A (zh) * 2017-11-28 2019-06-04 深圳市岩尚科技有限公司 脉搏波血压测量装置的分类预测数据处理方法
CN110623658A (zh) * 2019-09-24 2019-12-31 京东方科技集团股份有限公司 信号处理方法、信号处理装置、医学设备、存储介质
KR20200006447A (ko) * 2018-07-10 2020-01-20 재단법인 아산사회복지재단 동맥압 파형을 이용한 심박출량 획득 방법 및 그 프로그램

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3366203B1 (en) * 2017-02-23 2019-12-25 Tata Consultancy Services Limited Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time
CN107960990A (zh) * 2018-01-11 2018-04-27 上海健康医学院 一种穿戴式心脑血管疾病智能监测系统及方法
CN111358453B (zh) * 2020-03-17 2022-07-29 乐普（北京）医疗器械股份有限公司 一种血压分类预测方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109833035A (zh) * 2017-11-28 2019-06-04 深圳市岩尚科技有限公司 脉搏波血压测量装置的分类预测数据处理方法
WO2019105105A1 (zh) * 2017-11-28 2019-06-06 深圳市岩尚科技有限公司 脉搏波血压测量装置的分类预测数据处理方法
CN108378835A (zh) * 2018-02-11 2018-08-10 中国联合网络通信集团有限公司 血压预测方法及装置
KR20200006447A (ko) * 2018-07-10 2020-01-20 재단법인 아산사회복지재단 동맥압 파형을 이용한 심박출량 획득 방법 및 그 프로그램
CN109288508A (zh) * 2018-08-18 2019-02-01 浙江好络维医疗技术有限公司 一种基于crnn-bp的血压值智能测量方法
CN110623658A (zh) * 2019-09-24 2019-12-31 京东方科技集团股份有限公司 信号处理方法、信号处理装置、医学设备、存储介质

Also Published As

Publication number Publication date
CN111358453A (zh) 2020-07-03
WO2021184802A1 (zh) 2021-09-23

Similar Documents

Publication Publication Date Title
Çınar et al. Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks
CN111358453B (zh) 一种血压分类预测方法和装置
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
US11593468B2 (en) System and method for identifying user
CN109069081B (zh) 用于预测、筛查和监测脑病/谵妄的设备、系统和方法
JP2019084343A (ja) ウェアラブルデバイスを用いた高い正確度の光電容積脈波基盤の心房細動検出のための方法及び装置
CN111248882B (zh) 一种预测血压的方法和装置
CN111134662B (zh) 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置
JP2008528124A (ja) 音声認識を使用した聴診音の分析
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
CN111248883B (zh) 一种血压预测的方法和装置
KR20220040515A (ko) 딥러닝 기반 심전도를 이용한 심정지 위험도 예측 시스템
CN111358451B (zh) 一种血压预测方法和装置
US20230233152A1 (en) Methods, apparatus and systems for adaptable presentation of sensor data
Techentin et al. 1D Convolutional neural networks for estimation of compensatory reserve from blood pressure waveforms
CN111358452B (zh) 一种基于同步信号进行血压预测的方法和装置
Ankışhan Blood pressure prediction from speech recordings
CN112957018A (zh) 基于人工智能的心脏状态检测方法和装置
CN109036552A (zh) 中医诊断终端及其存储介质
JP2008253727A (ja) モニタ装置、モニタシステム及びモニタ方法
CN115836847A (zh) 一种血压预测装置及设备
KR102434393B1 (ko) 인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램
Sinha et al. iHyptn: Predicting Hypertension using PPG signal for Cardiovascular Disease with Machine Learning Models
Choi et al. Oscillometry-based blood pressure estimation using convolutional neural networks
CN113724898A (zh) 智能问诊方法、装置、设备及存储介质

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