CN111511272A - 从光电体积描记ppg信号建模和提取信息 - Google Patents
从光电体积描记ppg信号建模和提取信息 Download PDFInfo
- Publication number
- CN111511272A CN111511272A CN201880083303.0A CN201880083303A CN111511272A CN 111511272 A CN111511272 A CN 111511272A CN 201880083303 A CN201880083303 A CN 201880083303A CN 111511272 A CN111511272 A CN 111511272A
- Authority
- CN
- China
- Prior art keywords
- ppg
- modeling
- term
- term periodic
- modeled
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013186 photoplethysmography Methods 0.000 title claims abstract description 120
- 230000000737 periodic effect Effects 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 72
- 230000007774 longterm Effects 0.000 claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 30
- 206010003658 Atrial Fibrillation Diseases 0.000 description 17
- 230000029058 respiratory gaseous exchange Effects 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 101000623895 Bos taurus Mucin-15 Proteins 0.000 description 5
- 206010003119 arrhythmia Diseases 0.000 description 5
- 230000006793 arrhythmia Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 206010019280 Heart failures Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- 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
- A61B5/361—Detecting fibrillation
-
- 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
- A61B5/7232—Signal processing specially adapted for physiological signals or for diagnostic purposes involving compression of the physiological signal, e.g. to extend the signal recording period
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Abstract
一种根据光电体积描记PPG信号来进行建模和提取信息的方法，包括将PPG信号分解和建模(102)为长期周期性分量和短期周期性分量。所述方法还包括基于经建模的长期周期性分量和短期周期性分量的拟合参数的分布，汇总(104)PPG信号中包含的所述信息。
Description
技术领域
本发明涉及一种用于从电体积描记PPG信号建模和提取信息的系统和方法。
背景技术
本发明的总体背景是光电体积描记PPG信号。被定位为远离心脏，光电体积描记(PPG)信号，不仅承载有关心率和功率的信息，而且还承载有关设备位置的压力、运动、动脉弹性、血压、周围皮肤灌注和呼吸等信息。PPG信号可用于广义上的健康状况的广泛分析。一方面，这是使PPG成为极其丰富的信号的原因，另一方面，这也是其复杂性的原因。
实际上，对PPG信号建模并了解其组成仍然是一个充满挑战的开放问题。到目前为止，大多数开发都集中在取回孤立的信息，例如心率和呼吸率。
此外，提出的方法可能难以解读(例如，高阶自回归(Tarassenko和Fleming，2009))，或者只能提供对PPG中包含的生理信息的部分理解(例如，呼吸(Townsend&Collins，2003)。
发明内容
如上所述，当前分析PPG信号的方法在它们提取的信息量上可能受到限制，并且得到数据的复杂性可能使它们难以解读。此外，在从PPG信号中提取和监视各种生理值的更全面的方法中(例如，参见Dekker，2003)，推断通常不是基于形状的(例如，这种方法可能不考虑PPG信号中的脉冲的形状轮廓)。实际上，解决形状的模型(例如，现有模型)具有假设其为确定性的局限性(例如，假设PPG脉冲具有特定形状，并且可以使用特定的参数方程进行建模)。
此外，迄今为止提出的大多数方法要么在噪声或病理状况下失败，要么特别适用于某些疾病(例如心律不齐)，因此仅适用于选定的患者类别。
本文描述的方法和系统旨在改进这些问题中的一些和其他问题。本申请描述了一种创新的方法，所述方法用于对光电体积描记(PPG)信号建模和提取信息。在一些示例实施例中，将描述两步方法，分别对长期和短期周期性分量进行分解和建模。
在一些实施例中，得到的系统是自包含的、自动化的，并且在保持PPG信号的丰富信息的同时提供了对数据的良好压缩。用户可以调整参数，从而实现更高的拟合准确度或更高的数据压缩。算法的输出提供拟合参数的分布，而不是简单的估计，并且因此汇总了PPG信号中包含的信息。该方法例如可以在用于实时不干扰和连续监视的设备中实施，并且可能与其他测量结合使用。因此，它可用于各种疾病的诊断等。
根据第一方面，提供了一种计算机实现的方法，所述方法根据光电体积描记PPG信号进行建模和提取信息。所述方法包括：将PPG信号分解和建模为长期周期性分量和短期周期性分量，并且基于经建模的长期和短期周期性分量的拟合参数的分布，汇总PPG信号中包含的信息。
以这种方式，可以将富含数据的PPG信号压缩并减小为与信号的长期分量的模型相关联的参数和与信号的短期分量相关联的参数。这减少了存储PPG信号所需的计算存储空间，但是，如下所示，仍然允许对原始PPG信号进行详细且高度准确的重构。此外，从建模输出的参数可以监视和诊断异常。
根据第二方面，提供了一种系统，所述系统被配置用于对光电体积描记PPG信号进行建模和提取信息。所述系统被配置为将PPG信号分解和建模为长期周期性分量和短期周期性分量，并且基于经建模的长期和短期周期性分量的拟合参数的分布，汇总PPG信号中包含的信息。
根据第三方面，提供了一种包括非瞬态计算机可读介质的计算机程序产品，所述计算机可读介质具有包含在其中的计算机可读代码，所述计算机可读代码被配置为使得，在由合适的计算机或处理器执行时，使所述计算机或处理器执行上述的方法。
参考本文下文中所描述的实施例，本发明的这些和其他方面将显而易见并将得以阐述。
附图说明
为了更好地理解本发明，并且更清楚地示出其如何被付诸实践，现在将仅通过示例的方式参考附图，其中，
图1示出了根据实施例的示例方法；
图2a至图2f示出了根据一些实施例的示例图，其图示了如何将PPG信号分解和建模为长期周期性分量和短期周期性分量；
图3示出了根据一些实施例的示例方法；
图4示出了根据一些实施例的示例系统；
图5示出了根据一些实施例的示例方法；
图6示出了根据一些实施例的到PPG信号的拟合的示例；
图7示出了根据一些实施例的来自患有心房纤颤的患者的PPG信号的示例拟合；
图8示出了根据一些实施例的形状参数的示例箱形图；
图9示出了根据一些实施例的脉冲形状的95％的预测间隔；
图10示出了根据本文中的实施例的用于非心房纤颤的形状参数之间的方差和互相关；
图11示出了根据本文中的实施例的用于心房纤颤的形状参数之间的方差和互相关；
图12-25分别示出了图2a-2f、6、7、8和9所示曲线图的放大版本。
具体实施方式
图1示出了根据本文的一些实施例的计算机实现根据对光电体积描记术(PPG)信号来进行建模和提取信息的方法100。简而言之，在第一步102中，所述方法包括将PPG信号分解并建模为长期周期性分量和短期周期性分量。在第二步骤104中，所述方法包括基于经建模的长期和短期周期性分量的拟合参数的分布，对PPG信号中包含的信息进行汇总。
技术人员将熟悉光电体积描记术和PPG信号，但是简单地说，PPG信号描述了器官的体积变化(例如，血液体积的变化)。PPG信号可以例如使用脉搏血氧仪测量，所述脉搏血氧仪照亮皮肤并测量光吸收的变化。技术人员可能熟悉测量PPG信号的其他方法，并且本文中描述的方法将被理解为也适用于其。
通常，如本文中所描述的，术语“长期周期性分量”是指PPG信号的包络(例如，由于例如呼吸引起的PPG信号的脉冲的周期性变化)。长期周期性分量在本文中也可以称为“第一分量”或分量I。
通常，如本文中所述，术语“短期周期性分量”是指PPG信号的各个脉冲(例如，由于心动周期引起的血液体积的周期性变化)。短期周期性分量在本文中也可以称为“第二分量”或分量II。
下面我们列出了所提出的设计的创新方面的示例，以及它们如何克服现有技术中的某些问题和缺点：
1)基于分量的——在一些实施例中，将信号自动分离为分量，可以同时研究多个生理过程及其相互作用，从而全面了解潜在的生理学和健康状况
2)曲线配准——在一些使用此功能方法的实施例中，我们将与PPG中不同脉冲相对应的曲线在估计其形状之前对齐。这避免了截断曲线的需要，并保留了PPG脉冲的可变长度中包含的所有生理信息。
3)快速迭代过程——例如，可以使用可用的相关信息在实时分析设备中实施
4)脉冲的随机形状——PPG脉冲通常被建模为具有确定性和/或参数性形状。然后，将从这种确定性和/或参数性形状的偏差建模为噪声。所提出的一些实施例替代地假设脉冲是随机的，并且我们导出分布信息。根据此信息，可以生成有关与点估计相关联的不确定性的陈述
分布——形状参数的分布是模型的自然输出。根据此，可以提取统计信息并在人和/或人的组之间进行比较。
相关性——可以分析形状参数之间的相关性，以便深入了解脉冲。
5)呼吸——先前的文献使用传统的三个分量来估算呼吸频率(Pimentel，Charlton和Clifton，2015年)。本文描述的一些实施例以不同的方式处理呼吸，完全模拟了长期周期性分量。
6)对患者的各种状况鲁棒——因此可用于监测和诊断。
关于图1更详细地，在一些实施例中，图1的分解和建模102的步骤可以包括将PPG信号分成长期周期性分量和短期周期性分量。在一些实施例中，分解和建模的步骤102可以包括对长期周期性分量和短期周期性分量建模。在一些实施例中，分解和建模102可以作为一个步骤执行(例如，在对长期周期性分量进行建模之后，可以从信号中去除长期周期性分量，而留下短期周期性分量)。
如上所述，在一些实施例中，长期周期性分量包括PPG信号的包络。
在一些实施例中，分解和建模的步骤102包括使用非参数函数(诸如样条函数(例如，线性分段样条)或小波函数)对长期周期性分量进行建模。使用非参数函数意味着不针对长期周期性分量假定任何预定形状。与将参数函数拟合到PPG的包络相比，这可能更加灵活和准确，因为参数函数采用包络的特定形状(例如高斯形状)，并且因此灵活性和准确性较低。
在一些实施例中，分解和建模的步骤102包括将样条函数拟合到PPG信号中的单个脉冲的一个或多个最大值或一个或多个最小值。这样，方法100可以还包括确定PPG信号中一个或多个最小值和/或最大值的位置，并且将样条函数拟合到PPG信号的个体脉冲中一个或多个确定的最大值或一个或多个确定的最小值。
这在图2a和2b中示出，其示出了没有心房纤颤的PPG信号202(图2a)和具有心房纤颤的PPG信号204(图2b)。长期周期性分量(例如“第一分量”，分量I或包络)通过将样条函数拟合到线206所示的最大值(例如峰)和/或最小值(例如谷)来建模，如PPG信号202、204中各个脉冲的线208所示。
在一些实施例中，分解和建模的步骤102包括通过执行曲线配准来对短期周期性分量建模，所述曲线配准包括对应于PPG信号中的不同脉冲的对齐曲线。
在一些实施例中，分解和建模的步骤102可以包括分解信号。例如，对PPG信号中的脉冲幅度进行归一化。这在图2c和2d中示出，其分别示出了图2a和2b中的脉冲的(振幅)归一化版本。PPG信号可以在脉冲的最大值或最小值处分为个体脉冲。
曲线配准可以包括叠加或对齐脉冲。例如，曲线配准可以包括执行时间变换。作为示例，曲线配准可以包括对齐脉冲的最大值。在一些实施例中，曲线配准可以包括在共同的时间窗口中对齐脉冲的最大值。脉冲的曲线配准输出如图2e和2f所示。
在一些实施例中，对短期周期性分量进行建模包括分别对PPG信号中的每个脉冲进行建模。例如，将函数分别建模或拟合到每个个体脉冲。这样，可以通过最佳拟合参数来汇总每个脉冲的数据点，并且可以存储这些参数而不是每个脉冲的完整PPG数据，使得可以重新创建PPG信号中的每个脉冲而不必存储完整的数据集。
在一些实施例中，通过将非参数函数拟合到脉冲来对每个脉冲建模。在一些实施例中，通过将样条函数(或小波函数)拟合到每个脉冲来对每个脉冲进行建模。技术人员将熟悉可能适合于各个脉冲的其他非参数函数。与将参数函数拟合到PPG的每个脉冲相比，拟合非参数函数(例如样条曲线)可能更加灵活和准确，因为参数函数(例如，包括一个或多个高斯分布的函数)采用了特定的脉冲形状，无法准确反映PPG信号的实际脉冲形状。因此，非参数函数的使用更加灵活和准确，因为对真实轮廓进行了建模，而无需从一开始就进行任何形状假设。例如，在对不规则的PPG脉冲建模时(例如由于心房纤颤)，这种灵活性非常重要。
在一些实施例中，使用递归过程来对脉冲建模，由此在拟合下一脉冲时使用关于先前脉冲的信息。例如，来自脉冲序列中的第一个脉冲的拟合参数(例如，最佳拟合样条模型)可以用作该序列中下一个脉冲的拟合过程的输入。
在一些实施例中，使用卡尔曼滤波器对脉冲进行建模。
在一些实施例中，可以使用状态空间表示中的样条模型的方程来拟合每个脉冲，以使得能够实现卡尔曼滤波器。
在一些实施例中，对短期周期性分量进行建模包括使用以下公式来对PPG信号中的每个脉冲进行建模(例如，递归建模)：
这里αk是确定第k个脉冲形状的参数的矢量；Yk是观察到的第k个脉冲，并建模为具有形状参数αk的样条加上一些噪音。以这种方式考虑先前脉冲的形状参数可以加快拟合过程，并减少所需的计算资源。而且，考虑到以下事实：平均而言，预计形状不会显著变化。样条线模型在拟合(例如，适合不同的形状)和所涉及的参数数量的选择(例如，更多的参数和更好的拟合可以针对例如拟合过程所需的计算资源进行平衡)方面都是灵活的。
现在转到图1的步骤104，在一些实施例中，汇总104包含在PPG信号中的信息可以包括汇总(例如，压缩)PPG信号。例如，这可以包括将PPG表示为与长期周期性分量和/或短期周期性分量的模型相关联的一组参数值，或者针对每个脉冲的一组(最佳拟合的)参数值。通过以这种方式汇总PPG信号，可以(从模型和模型参数)重新创建PPG信号，而无需存储PPG信号的(可能为高频，并且因此数据丰富)完整数据集。
在一些实施例中，概述104包含在PPG信号中的信息可以包括基于PPG信号的建模的长期和/或短期周期性分量来输出形状参数的分布。参数的分布可以例如以箱形图的形式呈现(如将在下面讨论的)。还可以使用一个或多个统计参数来汇总分布，例如，可以计算诸如平均值、中位数或标准偏差的统计结果。
在一些实施例中，汇总104包含在PPG信号中的信息可以包括分析PPG信号的建模的长期和/或短期周期性分量的形状参数之间的一个或多个相关性。
在一些实施例中，方法100可以还包括使用建模的长期周期性分量和/或建模的短期周期性分量来监视患者和/或诊断障碍。例如，可以将从拟合样条曲线获得的参数(例如，最佳拟合参数)映射(例如，转换或校准)为一个或多个医学参数。
长期周期性函数(例如，包络线)与呼吸功能相关，并且因此，可以将从长期周期函数建模(例如，对长期周期性函数进行建模的最佳拟合样条参数值)获得的参数映射(转换或校准)到一个或多个医学参数上。例如，与呼吸有关的医学参数，例如，呼吸速率、流率或CO2。
短期周期性分量可用于确定与心脏功能有关的医学参数。例如，可以将从对短期周期函数进行建模获得的参数(例如，对各个脉冲的最佳拟合样条曲线参数值)映射(例如转换或校准)到一个或多个医学参数上，例如脉冲幅度和搏动间间隔(IBI)等。以此方式，长期周期性分量的模型和短期周期性分量的模型允许将从PPG信号提取的信息链接到生理信息。
在一些实施例中，心脏参数可以进一步用于诊断障碍或医学状况(例如，经由以上确定的生理信息)。例如，诸如检测不规则的心律(例如心律不齐，如心房纤颤)。
现在转到图3，图3示出了根据本文实施例的方法300。在第一步302中，采集PPG信号。PPG信号可以例如通过从患者进行测量来采集，或者可以从PPG信号的数据库采集。
在步骤304中，所述方法可以包括确定PPG信号的局部最小值和最大值(例如，PPG信号的局部极值)的位置。技术人员将熟悉用于确定信号的最小值和最大值的方法。
在步骤308-310和318-326中，方法300包括将PPG信号分解和建模为长期周期性分量和短期周期性分量。上面关于图1的步骤102描述了将PPG信号分解和建模为长期周期性分量和短期周期性分量，并且其中的细节将被理解为应用于该实施例。
更详细地，在步骤308-310中，通过在步骤308中确定PPG信号的包络来对长期周期性分量(例如，分量I或第一分量)进行建模。可以通过例如将样条函数拟合到在步骤304中确定的PPG信号的局部最大值来对包络(或局部最小值)进行建模。在步骤310中，确定经建模的第一分量(例如，包络线)的拟合参数。
在步骤318-322中，对短期周期性分量(例如，分量II或第二分量)进行建模。在步骤318中，执行曲线配准，并且将单独的样条曲线拟合到PPG信号中的每个脉冲，例如使用如上所述的卡尔曼滤波器320。上面关于方法100的步骤102描述了对单个脉冲的曲线配准和拟合样条，并且其中的细节将被理解为在此适用于步骤318。从最佳填充模型导出的形状和频率参数可以在步骤322中确定。在一些实施例中，可以从局部极值和定时信息获得频率参数。
一旦PPG信号被分解并建模为长期周期性分量和短期周期性分量，则经建模的长期周期性分量的拟合参数310的分布可以在步骤314中与相应的模型312(例如，要被拟合到长期周期性分量的模型)一起使用以确定是否适合呼吸活动。例如，拟合参数310可以被校准为临床参数，例如呼吸率。
可以将建模的短期周期性分量的拟合参数322(例如，形状和频率参数)的分布与相应的模型324(例如，用于拟合短期周期性分量的模型)一起使用以在步骤326中确定心脏活动。例如，可以将拟合参数320校准为临床参数，例如，像心率或心律不齐或心房纤颤的量度。
长期周期性分量的包络参数310和短期周期性分量的形状和频率参数322可以通过脉冲的标签来补充，以基于拟合参数310、322的分布对每个脉冲的性质进行分类。当采集新的(一组)PPG脉冲时，可以将各个参数(例如，建模的参数)与过去的脉冲的形状参数进行比较，以检测统计上显著的偏差。上面相对于方法100的步骤104描述了PPG信号中包含的信息的汇总，并且其中的细节也将被理解为在此适用。
现在转向其他实施例，在一些实施例中，存在被配置为执行上述方法100或300的任何实施例的系统。
在一些实施例中，存在一种包括处理器的系统，所述处理器被配置为执行上述方法100或300中的任何一种。
现在更详细地并且现在转向图4，根据一些实施例，存在一种系统400，其被配置用于对光电体积描记PPG信号进行建模和提取信息。
在一些实施例中，系统400可以包括存储器404和处理器402。存储器可以包括表示指令的集合的指令数据。处理器402可以被配置为与存储器404通信并运行指令的所述集合。指令的所述集合在由处理器运行时可以使所述处理器执行如上所述的方法100或300的任何实施例。存储器404可以被配置为以程序代码的形式存储指令数据，所述指令代码可以由处理器402运行以执行上面描述的方法100。
在一些实施方式中，指令数据可以包括多个软件和/或硬件模块，每个软件和/或硬件模块被配置为执行或用于执行本文中描述的方法的单个或多个步骤。在一些实施例中，存储器404可以是还包括系统400的一个或多个其他部件(例如，处理器402和/或系统400的一个或多个其他部件)的设备的一部分。在替代实施例中，存储器404可以是与系统400的其他部件分开的设备的一部分。
在一些实施例中，存储器404可以包括多个子存储器，每个子存储器能够存储一条指令数据。在存储器404包括多个子存储器的一些实施例中，表示指令集的指令数据可以存储在单个子存储器中。在存储器404包括多个子存储器的其他实施例中，表示指令集的指令数据可以存储在多个子存储器中。因此，根据一些实施例，可以将表示不同指令的指令数据存储在系统400中的一个或多个不同位置。在一些实施例中，存储器404可以用于存储信息(例如PPG信号)、在分解和建模步骤中使用的模型、与模型相关联的参数或输出或用于执行方法100的任何其他信息。
处理器402可包括一个或多个处理器、处理单元、多核处理器和/或模块，其被配置或编程为以本文中所描述的方式控制装置400。在一些实施方式中，例如，处理器402可以包括多个(例如，互操作的)处理器、处理单元、多核处理器和/或被配置用于分布式处理的模块。本领域技术人员将理解，这样的处理器、处理单元、多核处理器和/或模块可以位于不同的位置，并且可以执行本文中所描述的方法的单个步骤的不同步骤和/或不同部分。
简而言之，指令的所述集合在由处理器402运行时，使处理器402将PPG信号分解和建模为长期周期性分量和短期周期性分量，并且基于建模的长期和短期周期性分量的拟合参数的分布来汇总包含在PPG信号中的信息。
在一些实施例中，系统400可以还包括PPG传感器406(例如，诸如脉搏血氧仪)，并且处理器402可以还被配置为使用PPG传感器406来采集PPG测量结果。
应当理解，系统400可以包括图4所示的那些部件的额外部件。系统400可以还包括一个或多个用户接口，例如显示屏、鼠标、键盘或任何其他用户接口，以允许向用户显示信息或从用户接收输入。在一些实施例中，系统400可以还包括电源，例如电池或市电电源连接。
根据另外的实施例，存在一种包括非瞬态计算机可读介质的计算机程序产品，所述计算机可读介质具有包含在其中的计算机可读代码，所述计算机可读代码被配置为使得，在由合适的计算机或处理器运行时，使所述计算机或处理器执行方法100。
下面的描述示出了根据本文描述的方法和设备的一些实施例的一些另外的示例。
示例实施例的(一个或多个)主要要素
根据一个实施例，存在两步方法，将信号分解为长期和短期周期性分量，然后对两者进行建模。通过使用(两个)分段(线性)样条对信号的某些特征进行插值来对第一分量进行建模，并显示该分量与呼吸活动高度相关。剩余的去趋势信号通过递归过程进行建模，从而可以包含相关的过去信息。每个脉冲被分别建模(例如，顺序建模)，首先执行曲线配准，并且然后拟合样条函数。上面关于方法100和图1的步骤102描述了对PPG信号的分解和建模，并且其中的细节将被理解为等同地应用于该实施例。
结果，PPG然后通过经每个建模的分量的形状参数和方差而被汇总。PPG可以通过每个模型分量的时间转换来进一步汇总。上面关于方法100和图1的步骤104描述了对PPG信号的汇总，并且其中的细节将被理解为等同地应用于该实施例。
该实施例提供了用于预处理、建模和解释PPG的结构，可能与其他设备(例如，ECG、呼吸计)组合使用。
可以将这些知识与患有各种疾病(例如心律不齐、心力衰竭、动脉僵硬)和药物的数据进行对比，以解释PPG中观察到的差异，并可能与其他测量方法结合使用。
一些实施例的各种特征的范例：
1、所述系统是自包含的2、所述方法可以实时实现
3、所述系统是全自动的4、一种深入理解PPG信号的方法，可能与来自其他设备(例如，加速度计、呼吸计、ECG)的信息组合使用
5、完全基于样条曲线的用于PPG信号的模型
6、基于模型的呼吸频率估计
7、执行曲线配准的系统
8、所述系统可以针对权衡压缩和准确度进行调整
9、一种诊断各种状况(例如，心律不齐、心力衰竭、动脉僵硬)的系统
10、一种用于监测的系统(例如，健康的人，具有不同状况的患者)
11、基于模型的方法提供PPG脉冲形状的分布及其随时间的变化(例如形状参数之间的分布和相关性)
12、系统执行时间转换并存储此信息以进行分析/诊断。
注意在下文中，我们将缩写AF用于心房纤颤，而将非AF用于非心房纤颤。
有关如何构建和使用示例实施例的详细说明
在图5中，我们示出了根据示例实施例的本发明的流程图。PPG信号502最初会自动分解为两个主要分量504。分量I(例如，针对非AF的图2a，针对AF的图2b)捕获了基线漂移、幅值变化和长期周期性等信息。然后通过样条函数(模型I 506)对该包络进行建模。结果显示与呼吸信息508(即流量，CO2)显著相关。(注意：上面相对于方法100的步骤104描述了使用样条函数的分解和建模，并且其中的细节将被理解为等同地应用于这里描述的实施例。)
然后，经处理的PPG构成分量II(对于非AF，图2c，对于AF，图2d)。系统在此将执行自动分割510为单个脉冲，然后进行曲线配准512以将所有脉冲对齐到区间[0，1](对于非AF，图2e，对于AF，图2f)。(注意：上面关于图1的方法100描述了曲线配准，并且其中的细节将被理解为适用于这里描述的实施例。配准步骤的组合功能提供了关于脉冲长度可变性的信息。然后通过样条函数对配准曲线进行建模，同时考虑隐式周期性(模型II。通过卡尔曼滤波器进行的514个有效估计，仅考虑相关的过去信息)。在其余模型中，所述模型的结果提供了有关PPG脉冲的形状及其随时间变化的信息。还有与心脏活动有关的信息516。可以随时间监视模型的结果以用于监视和诊断目的518。
该算法在没有心房纤颤的患者中改善了适应性，并且对嘈杂的部分具有鲁棒性(请参见到无房室纤颤但有其他发病率的患者的PPG对分量II的拟合的示例)。同时，它提供了改进的数据压缩。用户可以通过调整建模参数来实现所需目标，从而在精度和压缩之间进行权衡取舍。同样在心房纤颤患者中，模型拟合更好，在节律不规则后可以快速重新适应(参见从心房纤颤患者的PPG中适应组分II的示例，图7)。
使用
该示例实施例通过分量I和分量II的模型描述了PPG中包含的信息，并且可以用于监视人/患者并诊断疾病。
该模型的应用示例是区分是否发生心房纤颤(AF，非AF)。从假定患有心房纤颤的患者信号中获得的信息可以与从没有这种情况的人中提取的信息进行对比。
进一步的示例实施例
形状参数的箱形图(图8，分别通过拟合来自非AF患者(左)和AF患者(右)的200个脉冲获得)是模型II提供的信息的可能汇总的示例(例如，以上参考图1描述的汇总104的步骤的输出)。还通过预测脉冲形状的95％预测区间来提供有关形状的信息(图9，再次从非AF患者(左)和AF患者(右)分别拟合200个脉冲中获得)。同样，(例如，形状参数之间)方差和互相关(分别通过拟合来自形状参数之间的非AF(左)和AF患者(右)的200个脉冲再次获得的非AF的图10和AF的图11)也提供了重要信息，具有对各种疾病或状况患者的形状随时间变化以及形状参数之间的对应关系的洞悉。
应用
应用适用于各种潜在患者，并可能实施在手表上进行连续或全天监控。
为了完整起见，图2a-f，6、7、8和9分别以更大的形式复制在图11-25中。
本文所述的方法和设备可以提供用于PPG信号(包括具有或不具有心房纤颤的PPG信号)的改进模型，并且此外返回可以用于诊断目的的数据的汇总。
应认识到，本发明的实施例还应用于适于将本发明付诸实践的计算机程序，尤其是载体上或载体中的计算机程序。所述程序可以是源代码、目标代码、源代码和目标代码中间的代码(例如，以部分编译形式的形式)的形式，或者是适于用于在实施根据本发明的实施例的方法中使用的任何其它形式。还应理解，这样的程序可以具有许多不同的架构设计。例如，实施根据本发明的系统和方法的功能的程序代码可以被细分为一个或多个子例程。在这些子例程间分布功能的多种不同方式对本领域的技术人员将是显而易见的。子例程可以一起存储在一个可执行文件中以形成自包含的(self-contained)程序。这样的可执行文件可以包括计算机可执行指令，例如处理器指令和/或解释器指令(例如Java解释器指令)。替代地，子例程中的一个或多个或全部可以被存储在至少一个外部库文件中并且与主程序静态或动态地，(例如在运行时)链接。主程序包括对子例程中的至少一个的至少一个调用。子例程也可包括对彼此的功能调用。涉及计算机程序产品的实施例包括与本文阐述的方法中的至少一个的每个处理阶段相对应的计算机可执行指令。这些指令可以被细分成子例程和/或存储在一个或多个可以静态或动态地链接的文件中。关于计算机程序产品的另一实施例包括与本文中提出的至少一种系统和/或产品的每个单元相对应的计算机可执行指令。这些指令可以被细分成子例程和/或存储在一个或多个可以静态或动态地链接的文件中。
计算机程序的载体可以是能够承载所述程序的任何实体或设备。例如，载体可包括数据存储设备，例如是ROM(如CD-ROM、或半导体ROM)，或是磁记录介质(例如硬盘)。此外，载体可以是可传输载体，例如电信号或光学信号，其可以经由电缆或光缆或通过无线电或其他手段被传输。当程序被实现在这样的信号中时，载体可以由这样的电缆或其他设备或单元组成。替代地，载体可以是嵌入了程序的集成电路，所述集成电路适于执行相关方法或在相关方法的实施中使用。
本领域技术人员通过研究附图、公开内容以及权利要求书，在实践请求保护的本发明时能够理解并且实现对所公开的实施例的变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以完成权利要求书中所记载的若干个项目的功能。尽管特定措施是在互不相同的从属权利要求中记载的，但是这并不指示不能有利地使用这些措施的组合。可以将计算机程序存储/分布在与其它硬件一起提供或者作为其它硬件的一部分提供的诸如光存储介质或者固态介质的合适介质上，但是还可以以诸如经因特网或者其它有线或无线电信系统的其它形式分布。权利要求书中的任何附图标记不应被解释为对范围的限制。
参考书目
Dekker,A.(2003).专利号WO2003071938A12017年11月2日检索自：https://www.google.nl/patents/WO2003071938A1？cl＝enPimentel,M.,Charlton,P.,&Clifton,D.(2015).Probabilistic estimation of respiratory rate from wearablesensors.Wearable electronics sensors,241-262。Tarassenko，L.和Fleming，S.(2009)。专利号WO2009016334 A1.2017年11月2日检索自：https：//www.google.nl/patents/ WO2009016334A1？cl＝zh&dq＝modeling+ppg+signal&hl＝nl&sa＝X&ved＝0ahUKEwjH3uG-sZDXAhXKY1AKHWYhAtkQ6AEILzABTownsend，N.和Collins，S.(2003).专利号WO2003005893A2.检索自：https://www.google.nl/patents/WO2003005893A2？cl＝en
Claims (15)
1.一种根据光电体积描记PPG信号进行建模和提取信息的计算机实现的方法，所述方法包括：
将所述PPG信号分解并建模(102)为长期周期性分量和短期周期性分量；以及
基于经建模的长期周期性分量和短期周期性分量的拟合参数的分布，汇总(104)所述PPG信号中包含的所述信息。
2.根据权利要求1所述的方法，其中，分解和建模(102)的步骤包括：
通过执行曲线配准来对所述短期周期性分量进行建模，所述曲线配准包括将与所述PPG信号中的不同脉冲相对应的曲线对齐。
3.根据权利要求1或2所述的方法，其中，对所述短期周期性分量进行建模包括：
对所述PPG信号中的每个脉冲分别进行建模。
4.根据权利要求3所述的方法，其中，每个脉冲是通过将非参数函数拟合到所述脉冲而被建模的。
5.根据权利要求3或4所述的方法，其中，每个脉冲是通过将样条函数拟合到所述脉冲而被建模的。
6.根据权利要求3、4或5所述的方法，其中，使用递归过程对所述脉冲进行建模，其中，在拟合下一个脉冲时使用关于先前脉冲的信息。
7.根据权利要求3至6中的任一项所述的方法，其中，所述脉冲是使用卡尔曼滤波器而被建模的。
8.根据权利要求1至7中的任一项所述的方法，其中，所述长期周期性分量包括所述PPG信号的包络。
9.根据权利要求1至8中的任一项所述的方法，其中，分解和建模(102)的步骤包括：
使用样条函数来对所述长期周期性分量进行建模。
10.根据权利要求9所述的方法，其中，分解和建模(102)的步骤包括：
将所述样条函数拟合到所述PPG信号中的个体脉冲的一个或多个最大值或一个或多个最小值。
11.根据权利要求1至10中的任一项所述的方法，还包括：
基于所述PPG信号的经建模的长期周期性分量和/或短期周期性分量，输出形状参数的分布。
12.根据权利要求1至11中的任一项所述的方法，还包括：
分析所述PPG信号的经建模的长期周期性分量和/或经建模的短期周期性分量的形状参数之间的一个或多个相关性。
13.根据权利要求1至12中的任一项所述的方法，还包括：
使用经建模的长期周期性分量和/或短期周期性分量来监视患者和/或诊断障碍。
14.一种被配置为根据光电体积描记PPG信号来进行建模和提取信息的系统，所述系统被配置为：
将所述PPG信号分解并且建模为长期周期性分量和短期周期性分量；并且
基于经建模的长期周期性分量和短期周期性分量的拟合参数的分布，汇总所述PPG信号中包含的所述信息。
15.一种包括非瞬态计算机可读介质的计算机程序产品，所述计算机可读介质具有体现在其中的计算机可读代码，所述计算机可读代码被配置为使得，在由合适的计算机或处理器运行时，使所述计算机或处理器执行根据权利要求1-13中的任一项所述的方法。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762589627P | 2017-11-22 | 2017-11-22 | |
| US62/589,627 | 2017-11-22 | ||
| EP18156677.9 | 2018-02-14 | ||
| EP18156677.9A EP3527122A1 (en) | 2018-02-14 | 2018-02-14 | Modelling and extracting information from a photoplethysmography, ppg, signal |
| PCT/EP2018/081322 WO2019101614A1 (en) | 2017-11-22 | 2018-11-15 | Modelling and extracting information from a photoplethysmography, ppg, signal |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111511272A true CN111511272A (zh) | 2020-08-07 |
Family
ID=61282962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880083303.0A Pending CN111511272A (zh) | 2017-11-22 | 2018-11-15 | 从光电体积描记ppg信号建模和提取信息 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20200288998A1 (zh) |
| EP (2) | EP3527122A1 (zh) |
| JP (1) | JP7278274B2 (zh) |
| CN (1) | CN111511272A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104665768A (zh) * | 2013-10-03 | 2015-06-03 | 塔塔咨询服务有限公司 | 生理参数的监测 |
| CN105636511A (zh) * | 2013-10-17 | 2016-06-01 | 拉夫伯勒大学 | 光学生理传感器及其装配方法 |
| EP3066978A1 (en) * | 2003-12-30 | 2016-09-14 | Beta Biomed Services, Inc. | Method and system of monitoring respiration in an individual |
| CN106073743A (zh) * | 2015-04-27 | 2016-11-09 | 塔塔顾问服务有限公司 | 用于光学体积描记图信号的噪声清除的方法和系统 |
| US20170209055A1 (en) * | 2016-01-22 | 2017-07-27 | Fitbit, Inc. | Photoplethysmography-based pulse wave analysis using a wearable device |
| US20170273635A1 (en) * | 2016-03-28 | 2017-09-28 | Samsung Electronics Co., Ltd. | Method and Apparatus for Heart Rate and Respiration Rate Estimation Using Low Power Sensor |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0117169D0 (en) | 2001-07-13 | 2001-09-05 | Isis Innovation | Respiration and heart rate monitor |
| IL145445A (en) | 2001-09-13 | 2006-12-31 | Conmed Corp | A method for signal processing and a device for improving signal for noise |
| EP1485009A1 (en) | 2002-02-22 | 2004-12-15 | Datex-Ohmeda, Inc. | Monitoring physiological parameters based on variations in a photoplethysmographic signal |
| GB0714807D0 (en) | 2007-07-30 | 2007-09-12 | Oxford Biosignals Ltd | Method and apparatus for measuring breathing rate |
| US8226568B2 (en) * | 2008-07-15 | 2012-07-24 | Nellcor Puritan Bennett Llc | Signal processing systems and methods using basis functions and wavelet transforms |
| EP3079586A1 (en) | 2013-12-12 | 2016-10-19 | Koninklijke Philips N.V. | Device and method for determining vital signs of a subject |
| JP2017170108A (ja) | 2016-03-17 | 2017-09-28 | 凸版印刷株式会社 | ヘルスケアセンシングシステム |
-
2018
- 2018-02-14 EP EP18156677.9A patent/EP3527122A1/en not_active Withdrawn
- 2018-11-15 JP JP2020522709A patent/JP7278274B2/ja active Active
- 2018-11-15 CN CN201880083303.0A patent/CN111511272A/zh active Pending
- 2018-11-15 US US16/765,791 patent/US20200288998A1/en active Pending
- 2018-11-15 EP EP18800652.2A patent/EP3713472A1/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3066978A1 (en) * | 2003-12-30 | 2016-09-14 | Beta Biomed Services, Inc. | Method and system of monitoring respiration in an individual |
| CN104665768A (zh) * | 2013-10-03 | 2015-06-03 | 塔塔咨询服务有限公司 | 生理参数的监测 |
| CN105636511A (zh) * | 2013-10-17 | 2016-06-01 | 拉夫伯勒大学 | 光学生理传感器及其装配方法 |
| CN106073743A (zh) * | 2015-04-27 | 2016-11-09 | 塔塔顾问服务有限公司 | 用于光学体积描记图信号的噪声清除的方法和系统 |
| US20170209055A1 (en) * | 2016-01-22 | 2017-07-27 | Fitbit, Inc. | Photoplethysmography-based pulse wave analysis using a wearable device |
| US20170273635A1 (en) * | 2016-03-28 | 2017-09-28 | Samsung Electronics Co., Ltd. | Method and Apparatus for Heart Rate and Respiration Rate Estimation Using Low Power Sensor |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3527122A1 (en) | 2019-08-21 |
| JP7278274B2 (ja) | 2023-05-19 |
| JP2021503973A (ja) | 2021-02-15 |
| US20200288998A1 (en) | 2020-09-17 |
| EP3713472A1 (en) | 2020-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230131876A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
| JP6517051B2 (ja) | 血圧測定 | |
| EP2829223B1 (en) | Monitoring physiological parameters | |
| Khosrow-Khavar et al. | Automatic and robust delineation of the fiducial points of the seismocardiogram signal for noninvasive estimation of cardiac time intervals | |
| US11311201B2 (en) | Feature selection for cardiac arrhythmia classification and screening | |
| US20160183811A1 (en) | System and method of detecting abnormal movement of a physical object | |
| WO2016201130A1 (en) | Method and apparatus for heart rate monitoring using an electrocardiogram sensor | |
| CN108024730A (zh) | 使用数学分析和机器学习来诊断疾病的方法和系统 | |
| US10278595B2 (en) | Analysis and characterization of patient signals | |
| CN104144636A (zh) | 处理表示生理节律的信号的方法 | |
| Bachler et al. | Online and offline determination of QT and PR interval and QRS duration in electrocardiography | |
| CN111588367A (zh) | 心率检测方法、装置及计算机可读存储介质 | |
| US9549681B2 (en) | Matrix-based patient signal analysis | |
| Yao et al. | An adaptive seismocardiography (SCG)-ECG multimodal framework for cardiac gating using artificial neural networks | |
| Lin et al. | Real-time seismocardiogram feature extraction using adaptive gaussian mixture models | |
| CN111067500A (zh) | 一种基于ppg信号实现连续血压的监测系统 | |
| CN111511272A (zh) | 从光电体积描记ppg信号建模和提取信息 | |
| CN106504235B (zh) | 基于图像处理的心率监测方法 | |
| CN104981207B (zh) | 用于心脏获取的同步生理学测量 | |
| CN113647905A (zh) | 深度神经网络预测血压的训练方法、计算机装置和存储介质 | |
| Chao-Ecija et al. | BaroWavelet: An R-based tool for dynamic baroreflex evaluation through wavelet analysis techniques | |
| WO2019101614A1 (en) | Modelling and extracting information from a photoplethysmography, ppg, signal | |
| KR102627743B1 (ko) | 광용적맥파를 이용한 연령 추정 방법 및 장치 | |
| Yaghouby et al. | Variability analysis for noisy physiological signals: A simulation study | |
| US20230371827A1 (en) | Machine learning techniques for estimating carotid-femoral pulse wave velocity and/or vascular age from single-site arterial waveform measurements |
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 |