CN111839488B - 基于脉搏波的无创连续血压测量装置和方法 - Google Patents
基于脉搏波的无创连续血压测量装置和方法 Download PDFInfo
- Publication number
- CN111839488B CN111839488B CN202010678839.6A CN202010678839A CN111839488B CN 111839488 B CN111839488 B CN 111839488B CN 202010678839 A CN202010678839 A CN 202010678839A CN 111839488 B CN111839488 B CN 111839488B
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- module
- signal
- data
- beat
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (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
本发明提供一种基于脉搏波的无创连续血压测量装置和方法。本发明所述测量装置由脉搏波传感器、数据采集模块、数据存储模块、数据分析单元和输出显示装置组成。首先将传感器采集的脉搏波信号进行逐拍分割,得到单拍脉搏波;针对每个单拍脉搏波使用非线性函数拟合法得到多维特征向量;最后,通过机器学习算法得到所需的收缩压和舒张压。本发明对于不同个体以及同一个个体的脉搏波形态的变化,都能准确地分割出单拍脉搏波;同时基于单路脉搏波的测量,有利于使用者的佩戴以及装置的推广。本发明提出的基于非线性函数拟合的脉搏波成分分析方法不仅可用于脉搏波信号的运动伪影检测,还可以帮助提升血压的测量精度。
Description
技术领域
本发明涉及一种基于脉搏波的无创连续血压测量装置和方法。
背景技术
高血压是一种心血管疾病,大多数病人并不会意识到血压升高这一现象,因此高血压又被称为‘沉默的杀手’。传统的血压测量方法,如柯氏音法、示波法,无法实现血压的连续测量,对高血压不能很好地监控;而连续的测量方法,如动脉穿刺由于其有创性而无法得到大规模的普及。因此,无创连续的血压测量方法具有重要的临床应用价值。
脉搏波是心脏的搏动沿动脉血管和血流向外周传播而形成的,其传播速度除跟每搏心输出量有关外,还取决于传播介质的物理和几何性质:动脉的弹性、管腔的大小、血液的密度和粘性等。因此,脉搏波的波形蕴含丰富的心血管系统信息。由于脉搏波的易获得性,基于脉搏波的无创连续血压测量成为近年来的研究热点。
基于脉搏波的逐拍血压测量方法,主要是特征参数法,即从脉搏波中提取特征,然后建立模型进行血压测量。被广泛认可的特征是脉搏波传导时间(PTT)或者脉搏波到达时间(PAT)。但是,这两种参数需额外增加传感器,不利于日常生活中的测量。另外,现有的研究未能深入研究脉搏波形成的机制,如重搏波的出现与消失,这使得当前研究的特征仅考虑到主波峰的特征或者脉搏波整体的特征,而对于重搏波的研究则稍显不足。重搏波是由于心室射出的血液在遇到外周反射回来撞击主动脉瓣形成,重搏波同样也蕴含了丰富的心血管系统信息。因此,准确提取重搏波并寻找相关特征有助于提高血压算法的精度。
发明内容
为了克服上述缺陷,同时便于分析脉搏波形态变化的机制,本发明提出了一种基于脉搏波的无创连续血压测量装置和方法。本发明方法通过平稳小波变换实现脉搏波的逐拍分割,然后针对每个单拍脉搏波使用多个非线性函数来拟合主波峰,重搏波波峰和潮波波峰,非线性函数的参数中则蕴含着这三个波峰丰富的信息,这使得对重搏波的定量分析得以实现,进一步反映了与血压相关的心血管系统信息。本发明方法通过对每搏脉搏波提取多维特征,然后根据预先设定的测量模式标识符对特征向量进行相应的操作,使用机器学习算法构建血压测量模型,最后输出受试者的收缩压和舒张压。
本发明提出了一种基于脉搏波的无创连续血压测量装置,由脉搏波传感器1、数据采集模块2、数据存储模块3、数据分析单元4和输出显示装置10依次连接而成;
当启用数据分析单元4时,若数据采集模块2有实时信号输入,则将采集到的数据存储到数据存储模块3,然后进行实时分析;当数据存储模块3中包含该受试者的历史信号时,则可进行基于机器学习算法的回顾性分析,通过自学习提高数据分析单元4的性能;
其中:
脉搏波传感器1安放在生物体局部皮肤表面;
数据采集模块2对来自脉搏波传感器1的微弱的脉搏波信号进行放大,并滤除脉搏波信号中不需要的频率成分,接着对放大滤波后的脉搏波信号进行采样,并将其转化为脉搏波数字信号,存入数据采集模块2的数据缓存区中;
数据存储模块3,将数据采集模块2的数据缓存区中的脉搏波数字信号读入内存,并定时地存储为数据文件;
数据分析单元4,对来自数据存储模块3中的数据文件进行分析处理;所述数据分析单元4由预处理模块5、信号分割模块6、信号质量评估模块7、特征提取模块8、收缩压和舒张压测量模块9组成,预处理模块5的输入端连接数据存储模块3的输出端,预处理模块5的输出端分为实时信号输出端和历史信号输出端,分别连接信号分割模块6的输入端,两者从信号分割模块6输出后均可连接信号质量评估模块7的输入端,信号质量评估模块7的输出端连接至特征提取模块8的输入端,特征提取模块8的输出端连接至收缩压和舒张压测量模块9的输入端,收缩压和舒张压测量模块的输出端连接至输出显示装置10;预处理模块5用于去除脉搏波数字信号中叠加的外部噪声和干扰;信号分割模块6根据测量模式标识符将脉搏波信号按照心拍或者固定长度分割;信号质量评估模块7用于从脉搏波数字信号中删除质量受损的部分信号片段,得到用于后续分析的有效信号片段;特征提取模块8用于对有效信号片段提取与血压相关的特征;收缩压和舒张压测量模块9利用机器学习算法根据输入的特征来输出受试者当前时刻的收缩压与舒张压;
输出显示装置10,用于显示脉搏波信号的波形以及受试者的收缩压与舒张压。当预先设定的测量模式标识符为单拍模式时,输出显示装置10输出并显示每一心拍的收缩压和舒张压;当测量模式标识符为均值模式时,输出并显示固定时间长度内的收缩压和舒张压的均值。
本发明中,所述脉搏波传感器1为压电式脉搏波传感器或光电式脉搏波传感器。
本发明中,所述信号分割模块6,对脉搏波信号使用平稳小波变换分解到多尺度上,使用多尺度信息以及波峰增强技术提取脉搏波的特征点。
本发明中,所述信号质量评估模块7,通过使用一个或多个非线性函数来拟合单拍脉搏波获得若干个参数,并从这些参数中根据生理意义选取参数进行数学运算获得质量指标,然后根据正常生理范围设定阈值筛除质量严重受损的信号片段。
本发明中,所述特征提取模块8,通过使用多个非线性函数来拟合单拍脉搏波获得若干个参数组合成特征向量。
本发明中,所述收缩压和舒张压测量模块9,根据测量模式标识符,对所有单拍脉搏波的特征向量组成的特征矩阵直接作为机器学习算法的输入,或将固定时间长度内的特征取平均后作为机器学习算法的输入,便可获得受试者当前的收缩压和舒张压。
本发明提出的基于脉搏波的无创连续血压测量装置的测量方法,具体步骤包括:
(1) 利用脉搏波传感器以某一采样频率f s 得到脉搏波信号;
(2) 数据采集模块2对来自传感器1的微弱的脉搏波信号进行放大,并滤除脉搏波信号中不需要的频率成分,接着对放大滤波后的脉搏波信号进行采样,转化为脉搏波数字信号,存入数据采集模块2的数据缓存区中;
(3) 数据存储模块3,将数据采集模块2的数据缓存区中的脉搏波数字信号读入内存,并定时存储为数据文件;
(4) 数据预处理模块对步骤(3)得到的数据文件进行处理,去除工频、呼吸或肌电噪声或干扰,将信号幅度进行归一化处理;
(5) 使用固定长度并且带有半窗长重叠的窗口对脉搏波数字信号进行分割,得到固定长度的信号片段;针对信号片段使用平稳小波变换(SWT)并且选择样条小波进行多层分解;使用波峰增强技术凸显每个尺度上的波峰,结合多尺度上的波峰根据‘小且极值点唯一的’原则定义一个区域,在该区域中搜索极小值点作为的起始点,两个连续的起始点之间的信号段即为单拍脉搏波,然后在单拍脉搏波中搜索极大值,即可得到波峰所在位置;
(6) 对每个单拍脉搏波,使用一个或多个非线性函数进行拟合,使用非线性最小二乘求解非线性函数的若干参数,从这些参数中根据生理意义选择参数进行数学运算获得质量指标,并通过正常的生理范围设定阈值来筛除信号质量严重受损的信号片段,得到有效的信号片段;公式如下:
其中,g k (n)为非线性函数,m为非线性函数个数,n为单拍脉搏波的序号;
(7) 对每个有效的信号片段,使用非线性最小二乘求解这些函数的若干个参数并组成特征向量,设参数个数为p,则特征向量F可表示如下:
F = [C 1 , C 2 , C 3 ,…, C p ]
当预先设定的测量模式标识符为单拍模式时,将所有特征向量组成p×1的矩阵;当测量模式标识符为均值模式时,根据固定长度的数据内所包含的单拍脉搏波数量q,q取决于数据的长度以及采集者的心率,对q个单拍脉搏波求均值获得p×1的特征向量;
(8)利用机器学习算法建立收缩压和舒张压测量模型;当测量模式标识符为单拍模式时,输出每一心拍所对应的收缩压与舒张压;当测量模式标识符为均值模式时,输出当前时间窗内收缩压和舒张压的均值。
本发明可提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行基于脉搏波的无创连续血压测量装置的测量方法。
本发明可提供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,使所述计算机执行基于脉搏波的无创连续血压测量装置的测量方法。
与现有技术相比,本发明具有以下有益效果:
1. 本发明基于单路脉搏波传感器,克服了目前大多数血压测量方法要求两路同步传感器的问题,这将有利于使用者的佩戴以及装置的推广。
2. 本发明的脉搏波分割方法,对于不同个体以及同一个个体的脉搏波形态的变化,都能准确地分割出单拍脉搏波。
3. 本发明的基于非线性函数拟合的脉搏波成分分析方法可用于运动伪影的检测,当脉搏波信号受运动伪影影响时,其拟合出来的参数与正常脉搏波拟合出来的参数具有很大区别,为运动伪影的检测提供了新方法。
4. 本发明的基于非线性函数拟合的脉搏波成分分析方法可以得到关于主波峰、重搏波和潮波波峰的特征,并且这些特征与收缩压、舒张压具有良好的相关性,可以帮助提升血压的测量精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单的介绍。需要说明的是,以下附图仅展示出了本发明的某些实施例,因此不应被看作是范围的限定。
图1是本发明装置的结构示意图。
图2是对于脉搏波信号进行降噪等预处理前(raw)后(clean)的示意图。横坐标为时间,纵坐标为信号幅度。
图3为实施例1的脉搏波起始点检测算法的示意图。第一栏为原始的脉搏波信号(pulse wave),第二、三、四栏分别为采用二次样条小波进行平稳小波变换后的结果,对应第三、五和六细节分量(detail3、detail5和detail6)。图中星号(*)标注的是每层分量的模极大值,以及对应到原始脉搏波信号上的位置。每一个起始点(onset)都位于对应的模极大值对之间。
图4展示了实施例1中正常脉搏波与受运动伪影污染的脉搏波的高斯拟合效果。(a)为正常脉搏波的拟合效果,(b)为受运动伪影污染脉搏波的拟合效果。
图5展示了实施例2的数据集里收缩压与舒张压的统计直方图,(a)为舒张压统计直方图,(b)为收缩压统计直方图。
图6展示了实施例2中血压测量模型的输出值与真实值之间的相关性分析。(a)为收缩压的相关性分析,(b)为舒张压的相关性分析。横轴为真实值,纵轴为模型的输出值。
具体实施方式
下面结合附图和实施例对本发明方法及其应用做进一步说明。这些实施方式并不限制本发明;本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
实施例1:
如图1所示,本测量装置由脉搏波传感器1、数据采集模块2、数据存储模块3、数据分析单元4和输出显示装置10依次连接而成;其中:脉搏波传感器1安放在生物体局部皮肤表面;所述数据分析单元4由预处理模块5、信号分割模块6、信号质量评估模块7、特征提取模块8、收缩压和舒张压测量模块9组成,预处理模块5的输入端连接数据存储模块3的输出端,预处理模块5的输出端分为实时信号输出端和历史信号输出端,分别连接信号分割模块6的输入端,两者从信号分割模块6输出后均可连接信号质量评估模块7的输入端,信号质量评估模块7的输出端连接至特征提取模块8的输入端,特征提取模块8的输出端连接至收缩压和舒张压测量模块9的输入端,收缩压和舒张压测量模块的输出端连接至输出显示装置10;预处理模块5用于去除脉搏波数字信号中叠加的外部噪声和干扰;信号分割模块6根据测量模式标识符将脉搏波信号按照心拍或者固定长度分割;信号质量评估模块7用于从脉搏波数字信号中删除质量受损的部分信号片段,得到用于后续分析的有效信号片段;特征提取模块8用于对有效信号片段提取与血压相关的特征;收缩压和舒张压测量模块9利用机器学习算法根据输入的特征来输出受试者当前时刻的收缩压与舒张压;输出显示装置10用于显示脉搏波信号的波形以及受试者的收缩压与舒张压。当预先设定的测量模式标识符为单拍模式时,输出显示装置10输出并显示每一心拍的收缩压和舒张压;当测量模式标识符为均值模式时,输出并显示固定时间长度内的收缩压和舒张压的均值。
将本发明的脉搏波分割方法以及运动伪影检测算法应用于光电容积脉搏波。本实施例采用MIMIC数据库中的脉搏波信号,采样率为125Hz,工作流程如下:
(1)利用脉搏波传感器以125Hz的采样频率f s 得到脉搏波信号,即得到MIMIC数据库中的脉搏波信号;
(2)数据采集模块2对来自传感器1的微弱的脉搏波信号进行放大,并滤除脉搏波信号中不需要的频率成分,接着对放大滤波后的脉搏波信号进行采样,转化为脉搏波数字信号,存入数据采集模块2的数据缓存区中;
(3)数据存储模块3,将数据采集模块2的数据缓存区中的脉搏波数字信号读入内存,并定时存储为数据文件;
(4)数据预处理模块对步骤(3)得到的数据文件进行处理,去除工频、呼吸或肌电噪声或干扰,将信号幅度进行归一化处理;
(5)对脉搏波数字信号进行预处理。观察MIMIC数据库中的脉搏波数字信号(如图2上栏所示),发现脉搏波数字信号存在严重的基线漂移,且包含一定程度的工频干扰。首先以db8小波基函数对信号进行离散小波变换(DWT)分解;然后,将对应噪声频率范围的小波系数置零;最后根据小波系数进行重构。经上述预处理得到干净的脉搏波信号,如图2下栏所示。
(6)对预处理后的脉搏波信号进行逐拍的分割。首先选取10s的窗长,重叠长度设置为5s;然后以二次样条小波基函数对窗内的信号进行6层平稳小波变换(SWT),接着在第三、五、六层的细节分量上采用阈值法检测峰值,结果如图3所示。最后,通过不同尺度的波峰来定义一个只包含一个极值点的区域。
(7)在步骤(6)得到的区域中搜索极小值,得到起始点,两个连续的起始点之间的信号段即为单拍脉搏波,然后在单拍脉搏波中搜索极大值,即可得到波峰所在位置。
(8)对于每个单拍脉搏波,去掉受运动伪影污染的单拍脉搏波。首先采用两个高斯函数对单拍脉搏波进行拟合,拟合效果如图4所示;然后根据拟合得到的参数设置阈值来筛除异常片段(如图4(b)所示)。
实施例2:将本发明的无创血压连续测量方法应用于MIMIC数据库上 ,MIMIC数据库包含ECG(心电图信号),PPG(脉搏波信号)和ABP(动脉血压信号)。应用ECG和PPG信号来测量血压值,ABP信号作为真实值,用于与测量值进行比对。
(1)对于PPG信号使用与实施例1相同的方法进行降噪。
(2)使用与实施例1相同的算法检测PPG和ABP的主波峰和起始点。其中,ABP的起始点的值作为舒张压(DBP),主波峰的值作为收缩压(SBP)。通过MIMIC数据库得到的数据集中收缩压与舒张压的统计直方图如图5所示。
(3)计算单拍脉搏波的频率域参数,提取基频至四次谐波的频率,并计算单拍脉搏波的统计量,如峰度,偏度和标准差。
(4)使用三个高斯函数对单拍脉搏波进行拟合,用非线性最小二乘法进行求解。求解得到表征主波,重搏波和潮波的参数。使用这些参数与步骤(3) 的参数构成特征向量。
(5)使用机器学习算法中的XgBoost算法构建收缩压与舒张压测量模型。
(6)将PPG信号输入到上述步骤中即可得到单拍脉搏波对应的血压值,实施结果图6(a)为收缩压的相关性分析,图6(b)为舒张压的相关性分析。
Claims (3)
1.一种基于脉搏波的无创连续血压测量装置,由脉搏波传感器(1)、数据采集模块(2)、数据存储模块(3)、数据分析单元(4)和输出显示装置(10)依次连接而成;其特征在于:
当启用数据分析单元(4)时,当数据存储模块(3)中存有信号时,则可进行基于机器学习算法的回顾性分析,通过自学习提高数据分析单元(4)的性能;
其中:
脉搏波传感器(1)安放于生物体局部皮肤表面;
数据采集模块(2)对来自脉搏波传感器(1)的微弱的脉搏波信号进行放大,并滤除脉搏波信号中不需要的频率成分,接着对放大滤波后的脉搏波信号进行采样,转化为脉搏波数字信号,存入数据采集模块(2)的数据缓存区中;
数据存储模块(3),将数据采集模块(2)的数据缓存区中的脉搏波数字信号读入内存,并定时存储为数据文件;
数据分析单元(4),对来自数据存储模块(3)中的数据文件进行分析处理;所述数据分析单元(4)由预处理模块(5)、信号分割模块(6)、基于脉搏波分解算法的信号质量评估模块(7)、特征提取模块(8)、收缩压和舒张压测量模块(9)组成,预处理模块(5)的输入端连接数据存储模块(3)的输出端,预处理模块(5)的输出端分为实时信号输出端和历史信号输出端,分别连接信号分割模块(6)的输入端,两者从信号分割模块(6)输出后均可连接基于脉搏波分解算法的信号质量评估模块(7)的输入端,基于脉搏波分解算法的信号质量评估模块(7)的输出端连接至特征提取模块(8)的输入端,信号分割模块(6)根据测量模式标识符将脉搏波数字信号按照心拍或者固定长度分割;针对信号片段使用平稳小波变换(SWT)并且选择样条小波进行多层分解;使用波峰增强技术凸显每个尺度上的波峰,结合多尺度上的波峰根据‘小且极值点唯一的’原则定义一个区域,在该区域中搜索极小值点作为的起始点,两个连续的起始点之间的信号段即为单拍脉搏波,然后在单拍脉搏波中搜索极大值,即可得到波峰所在位置;
所述信号分割模块(6)对脉搏波数字信号使用平稳小波变换分解到多尺度上,使用多尺度信息以及波峰增强技术提取脉搏波的特征点;
所述信号质量评估模块(7)通过使用一个或多个非线性函数来拟合单拍脉搏波获得若干个参数,并从这些参数中根据生理意义选取参数进行数学运算获得质量指标,然后根据正常生理范围设定阈值筛除质量严重受损的信号片段;
对每个单拍脉搏波,使用一个或多个非线性函数进行拟合,拟合公式如下:
其中,gk(n)为非线性函数,m为非线性函数个数,n为采样点的序号;
使用非线性最小二乘求解非线性函数的若干参数,设参数个数为p,则参数组可表示如下:
F=[C1,C2,C3,…,Cp]
当预先设定的测量模式标识符为单拍模式时,将所有特征向量组成p×1的矩阵;当测量模式标识符为均值模式时,根据固定长度的数据内所包含的单拍脉搏波数量q,q取决于数据的长度以及采集者的心率,对q个单拍脉搏波求均值获得p×1的特征向量;
在基于脉搏波分解算法的信号质量评估模块(7)中,根据生理意义选取参数进行数学运算获得质量指标,然后根据正常生理范围设定阈值,筛除来自于质量差的单拍脉搏波的参数组F,信号质量正常的单拍脉搏波的参数组F则被输入到特征提取模块(8)中;
特征提取模块(8)的输出端连接至收缩压和舒张压测量模块(9)的输入端,收缩压和舒张压测量模块(9)的输出端连接至输出显示装置(10);预处理模块(5)用于去除脉搏波数字信号中叠加的外部噪声和干扰;信号分割模块(6)根据测量模式标识符将脉搏波数字信号按照心拍或者固定长度分割;信号质量评估模块(7)利用脉搏波分解算法从脉搏波数字信号中删除质量受损的部分信号片段,得到用于后续分析的有效信号片段;特征提取模块(8)用于对有效信号片段提取与血压相关的特征;收缩压和舒张压测量模块(9)利用机器学习算法根据输入的特征来输出受试者当前时刻的收缩压与舒张压;
输出装置(10),用于输出脉搏波信号的波形以及受试者的收缩压与舒张压;当预先设定的测量模式标识符为单拍模式时,输出显示装置(10)输出并显示每一心拍的收缩压和舒张压;当测量模式标识符为均值模式时,输出并显示固定时间长度内的收缩压和舒张压的均值。
2.根据权利要求1所述的测量装置,其特征在于所述脉搏波传感器(1)为压电式脉搏波传感器或光电式脉搏波传感器。
3.根据权利要求1所述的测量装置,其特征在于血压计算模块(9)基于信号质量正常的单拍脉搏波的特征向量获得当前的收缩压和舒张压信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010678839.6A CN111839488B (zh) | 2020-07-15 | 2020-07-15 | 基于脉搏波的无创连续血压测量装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010678839.6A CN111839488B (zh) | 2020-07-15 | 2020-07-15 | 基于脉搏波的无创连续血压测量装置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111839488A CN111839488A (zh) | 2020-10-30 |
CN111839488B true CN111839488B (zh) | 2023-06-27 |
Family
ID=72983492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010678839.6A Active CN111839488B (zh) | 2020-07-15 | 2020-07-15 | 基于脉搏波的无创连续血压测量装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111839488B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112806977B (zh) * | 2021-02-05 | 2022-03-18 | 复旦大学 | 基于多尺度融合网络的生理参数测量方法 |
CN113040771B (zh) * | 2021-03-01 | 2022-12-23 | 青岛歌尔智能传感器有限公司 | 情绪识别方法、系统、可穿戴设备及存储介质 |
CN113907727B (zh) * | 2021-08-26 | 2024-01-16 | 中科数字健康科学研究院(南京)有限公司 | 基于光电容积脉搏波描记的逐拍血压测量系统和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102058400A (zh) * | 2011-01-24 | 2011-05-18 | 北京新兴阳升科技有限公司 | 一种人体基本生命体征数据的快速检测方法和装置 |
CN104757957A (zh) * | 2015-04-23 | 2015-07-08 | 传世未来(北京)信息科技有限公司 | 一种血压连续测量方法及可穿戴血压连续测量装置 |
CN106037694A (zh) * | 2016-05-13 | 2016-10-26 | 吉林大学 | 一种基于脉搏波的连续血压测量装置 |
CN110916631A (zh) * | 2019-12-13 | 2020-03-27 | 东南大学 | 基于可穿戴生理信号监测的学生课堂学习状态评测系统 |
CN111291727A (zh) * | 2020-03-17 | 2020-06-16 | 乐普(北京)医疗器械股份有限公司 | 一种光体积变化描记图法信号质量检测方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270264B (zh) * | 2010-06-04 | 2014-05-21 | 中国科学院深圳先进技术研究院 | 生理信号质量评估系统及方法 |
CN109793507A (zh) * | 2019-03-06 | 2019-05-24 | 桂林电子科技大学 | 一种基于手指压力示波法的无袖套血压测量装置及测量方法 |
-
2020
- 2020-07-15 CN CN202010678839.6A patent/CN111839488B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102058400A (zh) * | 2011-01-24 | 2011-05-18 | 北京新兴阳升科技有限公司 | 一种人体基本生命体征数据的快速检测方法和装置 |
CN104757957A (zh) * | 2015-04-23 | 2015-07-08 | 传世未来(北京)信息科技有限公司 | 一种血压连续测量方法及可穿戴血压连续测量装置 |
CN106037694A (zh) * | 2016-05-13 | 2016-10-26 | 吉林大学 | 一种基于脉搏波的连续血压测量装置 |
CN110916631A (zh) * | 2019-12-13 | 2020-03-27 | 东南大学 | 基于可穿戴生理信号监测的学生课堂学习状态评测系统 |
CN111291727A (zh) * | 2020-03-17 | 2020-06-16 | 乐普(北京)医疗器械股份有限公司 | 一种光体积变化描记图法信号质量检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111839488A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tanveer et al. | Cuffless blood pressure estimation from electrocardiogram and photoplethysmogram using waveform based ANN-LSTM network | |
CN106413534B (zh) | 连续血压测量装置、测量模型建立方法和系统 | |
Kachuee et al. | Cuff-less high-accuracy calibration-free blood pressure estimation using pulse transit time | |
CN111839488B (zh) | 基于脉搏波的无创连续血压测量装置和方法 | |
WO2021208490A1 (zh) | 一种基于深度神经网络的血压测量方法及装置 | |
CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
CN110236508A (zh) | 一种无创血压连续监测方法 | |
CN107928654A (zh) | 一种基于神经网络的脉搏波信号血压检测方法 | |
Chen et al. | Assessment of algorithms for oscillometric blood pressure measurement | |
WO2023185873A1 (zh) | 一种基于多阶多模态的非袖带式血压测量装置及方法 | |
Gupta et al. | Higher order derivative-based integrated model for cuff-less blood pressure estimation and stratification using PPG signals | |
CN110881967A (zh) | 一种无创多节段外周动脉血管弹性功能检测方法及其仪器 | |
Pan et al. | Improved blood pressure estimation using photoplethysmography based on ensemble method | |
CN116869499A (zh) | 一种基于ppg及其多阶微分信号的血压连续测量方法 | |
Pu et al. | Cuff-less blood pressure estimation from electrocardiogram and photoplethysmography based on VGG19-LSTM network | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
WO2021149048A1 (en) | System and method for pulse transmit time measurement from optical data | |
Zhuang et al. | Remote blood pressure measurement via spatiotemporal mapping of a short-time facial video | |
Karnewar et al. | Preprocessing ECG signal by eliminating various noises using denoising methods | |
Tong-tong et al. | Summary of Research on Digital Pulse Collection and Analysis Technology | |
CN110265150A (zh) | 血压计算模型建立方法及穿戴式监测装置与血压测量方法 | |
Xu et al. | Continuous blood pressure monitoring method based on multiple photoplethysmography features | |
Akuthota et al. | Blood Pressure Prediction Based on Single Photoplethysmography | |
CN113288103B (zh) | 一种无创心排量监测系统与方法 | |
Lu et al. | Multiple Feature Extraction Based on PPG Signal to Realize Blood Pressure Measurement of Composite Multi-channel Convolutional Neural Network Model |
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 |