CN111870237B - 血压检测装置、设备及介质 - Google Patents
血压检测装置、设备及介质 Download PDFInfo
- Publication number
- CN111870237B CN111870237B CN202010921661.3A CN202010921661A CN111870237B CN 111870237 B CN111870237 B CN 111870237B CN 202010921661 A CN202010921661 A CN 202010921661A CN 111870237 B CN111870237 B CN 111870237B
- Authority
- CN
- China
- Prior art keywords
- data
- blood pressure
- ppg signal
- ppg
- feature
- 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
- 230000036772 blood pressure Effects 0.000 title claims abstract description 163
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000006243 chemical reaction Methods 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000017531 blood circulation Effects 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 8
- 230000000004 hemodynamic effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 239000008280 blood Substances 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 7
- 210000004204 blood vessel Anatomy 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000035487 diastolic blood pressure Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 230000035488 systolic blood pressure Effects 0.000 description 7
- 230000002792 vascular Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003205 diastolic effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000004660 morphological change Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010020565 Hyperaemia Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036581 peripheral resistance Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000009724 venous congestion Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/026—Measuring blood flow
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
-
- 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
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Hematology (AREA)
- Vascular Medicine (AREA)
- Power Engineering (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及数据处理领域,提供一种血压检测装置、设备及介质,所述血压检测装置用于执行血压检测方法包括:通过获取预设时间段的指尖视频和待测用户的用户特征信息;对指尖视频进行通道转换得到PPG信号数据;提取PPG信号数据中的PPG信号有效数据;在符合预设持续时长要求时,进行信号预处理得到PPG信号模板数据;将PPG信号模板数据和用户特征信息输入血压检测模型中,通过血流脉搏特征提取得到第一特征数据,同时通过one‑hot编码转换得到第二特征数据;通过交叉特征血压预测,得到输出结果。本发明实现了通过移动终端自动检测出待测用户的血压参数值,并提升了血压检测的准确率。本发明适用于智慧医疗等领域,可进一步推动智慧城市的建设。
Description
技术领域
本发明涉及大数据的数据处理领域,尤其涉及一种血压检测装置、设备及介质。
背景技术
血压是指心脏收缩时血压流经血管对管壁产生的侧压力,是心室射血和外周阻力共同作用的结果,血压是人体重要的生理参数,能够反应心脏和血管的状态与功能,是进行后续医学行为的重要依据。
目前,传统的无创血压检测技术大体分为间歇测量和连续测量。间歇测量法虽然具有准确度高的特点,但是对操作者要求高(需要专业医护人员操作),不便携带导致无法随时测量血压,并且只能得到间歇血压值。连续测量法虽然较为成熟,但其对传感器位置十分敏感,容易受传感器周边的干扰而影响测量结果,而且长期测量会导致待测用户静脉充血,具有不适感。
因此,传统的无创血压检测技术均存在用户操作不方便、舒适度差以及设备成本高的缺陷。
发明内容
本发明提供一种血压检测装置、计算机设备及存储介质,实现了能够通过用户特征信息和移动终端采集的指尖视频自动检测出待测用户的血压参数值,提高了血压检测的便捷性,同时不会对用户造成不适感,以及降低了设备成本,提高了特征提取的稳定性及可靠性,提升了血压检测的准确率,本发明适用于智慧医疗等领域,可进一步推动智慧城市的建设。
一种血压检测装置,包括:
接收模块,用于接收到血压待检测指令,获取预设时间段的指尖视频和待测用户的用户特征信息;所述指尖视频为通过移动终端采集到的所述待测用户指尖的视频;
转换模块,用于对所述指尖视频进行通道转换,得到所述指尖视频中的PPG信号数据;
提取模块,用于提取所述PPG信号数据中的PPG信号有效数据,判断所述PPG信号有效数据是否符合预设持续时长要求;
预处理模块,用于在所述PPG信号有效数据符合所述预设持续时长要求时,对所述PPG信号有效数据进行信号预处理,得到与所述PPG信号有效数据对应的PPG信号模板数据;
识别模块,用于将所述PPG信号模板数据和所述用户特征信息输入基于双弹性腔模型与DeepFM模型的血压检测模型中,通过所述血压检测模型对所述PPG信号模板数据进行血流脉搏特征提取,得到第一特征数据,同时对所述用户特征信息进行one-hot编码转换,得到第二特征数据;
预测模块,用于通过所述血压检测模型对所述第一特征数据和所述第二特征数据进行交叉特征血压预测,得到输出结果;所述输出结果表征了所述待测用户的当前的血压参数值。
所述通过所述血压检测模型对所述第一特征数据和所述第二特征数据进行交叉特征血压预测,得到输出结果,包括:
通过所述血压检测模型中的DeepFM模型对所述第一特征数据进行特征分箱,得到至少一个第一待处理特征数据;
通过所述DeepFM模型对所述第一待处理特征数据进行embedding转变,得到第二待处理特征数据;所述embedding转变为将所述第一待处理特征数据与共享的权重矩阵进行乘积,得到与所述第一待处理特征数据一一对应的所述第二待处理特征数据的过程;
通过所述DeepFM模型中的FM模型对所述第一待处理特征数据和所述第二待处理特征数据进行交叉特征组合,得到FM特征数据,同时通过所述DeepFM模型中的DNN模型对所述第二待处理特征数据进行脉搏特征提取,得到DNN特征数据;所述交叉特征组合为通过所述第一待处理特征数据和所述第二待处理特征数据中的两两特征向量之间点积的值的过程;
通过所述DeepFM模型对所述FM特征数据和所述DNN特征数据进行血压预测,获得所述输出结果。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述血压检测装置的操作。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述血压检测装置的操作。
本发明提供的血压检测装置、计算机设备及存储介质,通过接收到血压待检测指令,获取预设时间段的指尖视频和待测用户的用户特征信息;对所述指尖视频进行通道转换,得到所述指尖视频中的PPG信号数据;提取所述PPG信号数据中的PPG信号有效数据,判断所述PPG信号有效数据是否符合预设持续时长要求;在所述PPG信号有效数据符合所述预设持续时长要求时,对所述PPG信号有效数据进行信号预处理,得到与所述PPG信号有效数据对应的PPG信号模板数据;将所述PPG信号模板数据和所述用户特征信息输入基于双弹性腔模型与DeepFM模型的血压检测模型中,通过所述血压检测模型对所述PPG信号模板数据进行血流脉搏特征提取,得到第一特征数据,同时对所述用户特征信息进行one-hot编码转换,得到第二特征数据;通过所述血压检测模型对所述第一特征数据和所述第二特征数据进行交叉特征血压预测,得到体现所述待测用户的当前的血压参数值的输出结果,因此,实现了通过获取指尖视频和用户特征信息,对指尖视频进行通道转换获得PPG信号数据,并对PPG信号有效数据进行判断,若符合预设持续时长要求,就对该PPG信号有效数据进行信号预处理,得到PPG信号模板数据,通过基于双弹性腔模型与DeepFM模型的血压检测模型进行预测,得到含有待测用户的血压参数值的输出结果,如此,能够通过用户特征信息和移动终端采集的指尖视频自动检测出待测用户的血压参数值,不受医务人员和测量地点的限制,提高了血压检测的便捷性,同时不会对用户造成不适感,以及降低了设备成本,而且有效避免了噪声和单个波形随机形态变化的影响,提高了特征提取的稳定性及可靠性,提升了血压检测的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中血压检测方法的应用环境示意图;
图2是本发明一实施例中血压检测方法的流程图;
图3是本发明一实施例中血压检测方法的步骤S20的流程图;
图4是本发明一实施例中血压检测方法的步骤S30的流程图;
图5是本发明一实施例中血压检测方法的步骤S40的流程图;
图6是本发明一实施例中血压检测方法的步骤S50的流程图;
图7是本发明一实施例中血压检测方法的步骤S60的流程图;
图8是本发明一实施例中血压检测装置的原理框图;
图9是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的血压检测方法,可应用在如图1的应用环境中,其中,客户端(计算机设备)通过网络与服务器进行通信。其中,客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种血压检测方法,其技术方案主要包括以下步骤S10-S60:
S10,接收到血压待检测指令,获取预设时间段的指尖视频和待测用户的用户特征信息;所述指尖视频为通过移动终端采集到的所述待测用户指尖的视频。
可理解地,所述待测用户为需要测量血压参数值的用户,所述移动终端包括闪光灯和摄像头,所述指尖视频为通过移动终端采集到的所述待测用户指尖的视频,即所述待测用户通过打开所述移动终端的闪光灯,将一根手指完全遮挡住所述移动终端的摄像头,通过所述移动终端录制预设时间段的指尖的血液流动的视频,由于指尖血液的流动量会随血管容积变化发生周期性的波动,血液对闪光灯的光源的吸收量也随之变化,因此,录制视频像素值也会存在周期性的变化,所述预设时间段可以根据需求设定,比如预设时间段设定成50秒的时间段,或者30秒的时间段等等,优选地,所述预设时间段为大于30秒的时间段,录制完所述指尖视频之后触发所述血压待检测指令,所述触发方式可以根据需求设定,比如检测到所述指尖视频之后自动触发,或者通过点击移动终端的按键进行触发等等。
其中,所述用户特征信息为所述待测用户的生理特征信息,所述用户特征信息包括所述待测用户的年龄、性别、身高和体重。
S20,对所述指尖视频进行通道转换,得到所述指尖视频中的PPG信号数据。
可理解地,所述指尖视频的文件格式为视频格式,可以认为所述指尖视频包括多个视频数据帧格式(即YUV格式)的图像,所述通道转换的处理过程为从所述指尖视频中抽取出抽取帧图像,对抽取帧图像进行像素转换处理,将视频数据帧格式的抽取帧图像转换成RGBA格式的转换图像,对一个所述转换图像中的红色通道的所有红色像素值进行求和,获取到与该转换图像对应的PPG(photoplethysmograph,利用光电容积描记)信号值,按照时间的时间顺序将所有所述PPG信号值进行合并,得到所述PPG信号数据,即将所有所述PPG信号值作为数组的元素,拼接成一个数组,该数组即为所述PPG信号数据。
其中,所述PPG信号数据主要体现了人体血液流动的特点,所述转换图像包括Red(红色,R)通道、Green(绿色,G)通道、Blue(蓝色,B)通道和Alpha通道的色彩图像,所述Alpha通道体现了透明度的通道,所述红色通道中的一个像素点对应一个所述红色像素值,所述红色像素值为0至255的数值。
在一实施例中,如图3所示,所述步骤S20中,即所述对所述指尖视频进行通道转换,得到所述指尖视频中的PPG信号数据,包括:
S201,按照预设间隔帧在所述指尖视频中提取至少一个抽取帧图像。
可理解地,所述预设间隔帧可以根据需求设定,比如预设间隔帧为间隔10帧,或者间隔1帧等等,作为优选,所述预设间隔帧为间隔1帧,即从所述指尖视频中的每一帧提取出一个所述抽取帧图像,所述抽取帧图像为YUV格式的图像文件,即所述抽取帧图像包括Y通道、U通道和V通道的色彩图像。
S202,将所述抽取帧图像输入图像转换模型中,通过所述图像转换模型对所述抽取帧图像进行像素转换处理,得到与各所述抽取帧图像对应的转换图像。
可理解地,所述图像转换模型为将YUV格式的图像进行像素转换成RGBA格式的图像的模型,所述像素转换为根据所述抽取帧图像中的每个像素点对应的Y通道、U通道和V通道的像素值,计算出所述转换图像中的每个像素点对应的R通道、G通道、B通道和Alpha通道的像素值,其中,所述转换图像的每个像素点与所述抽取帧图像的每个像素点一一对应,将R通道的像素值标记为红色像素值,所述红色像素值通过所述图像转换模型中的红色转换函数获得,所述红色转换函数为:
R=Y+1.140×V
其中,R为转换图像的每个像素点的红色像素值,Y为抽取帧图像中与该红色像素值对应的像素点对应的Y通道的像素值,V为抽取帧图像中与该红色像素值对应的像素点对应的V通道的像素值。
S203,对一个所述转换图像中的红色通道的所有红色像素值进行求和,得到一个与所述转换图像对应的PPG信号值。
可理解地,将一个所述转换图像中的红色通道的所有所述红色像素值进行汇总并求和,得到所述PPG信号值,一个所述转换图像对应一个所述PPG信号值。
S204,将所有所述PPG信号值按照时间顺序进行合并,得到所述PPG信号数据。
可理解地,将所有所述PPG信号值按照时间顺序进行拼接,即组成一组数组,将合并后的所有所述PPG信号值确定为所述PPG信号数据,所述PPG信号数据为一维的含有所述PPG信号数据的数组。
本发明实现了通过按照预设间隔帧在所述指尖视频中提取至少一个抽取帧图像;通过所述图像转换模型对所述抽取帧图像进行像素转换处理,得到与各所述抽取帧图像对应的转换图像;对一个所述转换图像中的红色通道的所有红色像素值进行求和,得到一个与所述转换图像对应的PPG信号值;将所有所述PPG信号值按照时间顺序进行合并,得到所述PPG信号数据,如此,实现了通过将视频格式的抽取帧图像转换成RGBA格式的转换图像,再通过对转换图像的红色像素值进行求和获得PPG信号值,最后合并所有PPG信号值得到PPG信号数据,能够提取出指尖视频中的PPG信号数据,为后续的血压检测提供了可靠的数据基础,能够更加准确地获取到体现人体血液流动的特征。
S30,提取所述PPG信号数据中的PPG信号有效数据,判断所述PPG信号有效数据是否符合预设持续时长要求。
可理解地,所述PPG信号数据中可能会出现无效的数据,比如待测用户的手指离开摄像头引入无效的数据,这些无效的数据对血压检测并无作用,所以需要提取所述PPG信号数据中的所述PPG信号有效数据,所述PPG信号有效数据为大于预设阈值的所述PPG信号值,所述预设阈值可根据实验数据进行设定,并将大于预设阈值的所述PPG信号值标记为PPG有效信号值,根据所有所述PPG有效信号值,判断是否存在PPG有效信号段数组,所述PPG有效信号段数组为在所述预设持续时长的时间范围内的一段所述PPG有效信号值,即在所述预设持续时长的时间范围内的均为所述PPG有效信号值,如果存在所述PPG有效信号段数组,就说明所述PPG信号有效数据符合所述预设持续时长要求;如果不存在所述PPG有效信号段数组,就说明所述PPG信号有效数据不符合所述预设持续时长要求,说明采集指尖视频的过程中,手指离开摄像头的时长较长,或者其他引入无效的数据情况出现的时长较长,因此,就需要提示所述待测用户重新采集指尖视频。
其中,所述预设时间段大于所述预设持续时长,所述预设持续时长优选为30秒。
在一实施例中,如果4所示,所述步骤S30中,即所述提取所述PPG信号数据中的PPG信号有效数据,判断所述PPG信号有效数据是否符合预设持续时长要求,包括:
S301,将所述PPG信号数据中大于预设阈值的所述PPG信号值标记为PPG有效信号值。
可理解地,将所述PPG信号数据中大于所述预设阈值的所述PPG信号值确定为所述PPG有效信号值。
S302,确认是否能在所有所述PPG有效信号值中提取出PPG有效信号段数组;所述PPG有效信号段数组为在所述预设持续时长的时间范围内的一段所述PPG有效信号值。
可理解地,确认是否能在所有所述PPG有效信号值中提取出所述PPG有效信号段数组的过程,可以根据需求设定,比如识别所述PPG信号数据中的第一个PPG有效信号值,以所述预设持续时长为时间跨度,识别从第一个PPG有效信号值开始的所述预设持续时长的时间跨度内是否均为PPG有效信号值,如果不均为PPG有效信号值,就识别第二个PPG有效信号值,再以所述预设持续时长为时间跨度,识别从第二个PPG有效信号值开始的所述预设持续时长的时间跨度内是否均为PPG有效信号值,如果均为PPG有效信号值,就判断出在所有所述PPG有效信号值中能够提取出所述PPG有效信号段数组。S303,若能在所有所述PPG有效信号值中提取出所述PPG有效信号段数组,确定所述PPG信号有效数据符合所述预设持续时长要求。
可理解地,如果能够在所有所述PPG有效信号值中提取出所述PPG有效信号段数组,就说明所述PPG信号有效数据能够符合所述预设持续时长要求。
S304,若不能在所有所述PPG有效信号值中提取出所述PPG有效信号段数组,确定所述PPG信号有效数据不符合所述预设持续时长要求,提示所述待测用户重新采集指尖视频。
可理解地,如果不能够在所有所述PPG有效信号值中提取出所述PPG有效信号段数组,就说明所述PPG信号有效数据不符合所述预设持续时长要求,可以通过所述移动终端的显示界面或者声光报警设备,提示所述待测用户重新采集指尖视频。
S40,在所述PPG信号有效数据符合所述预设持续时长要求时,对所述PPG信号有效数据进行信号预处理,得到与所述PPG信号有效数据对应的PPG信号模板数据。
可理解地,在所述PPG信号有效数据符合所述预设持续时长要求时,对所述PPG信号有效数据进行信号预处理,得到所述PPG信号模板数据,所述信号预处理的过程:首先,对所述PPG信号有效数据进行降噪处理(去除噪声和消除基线漂移);其次,通过极点值搜索出波峰点和波谷点,以及通过单脉搏波划分出多个PPG单脉搏波数据;最后,通过模板化处理得到稳定的PPG信号模板数据。
在一实施例中,如图5所示,所述步骤S40中,即所述对所述PPG信号有效数据进行信号预处理,得到与所述PPG信号有效数据对应的PPG信号模板数据,包括:
S401,对所述PPG信号有效数据进行降噪处理,得到第一PPG信号预处理数据。
可理解地,所述降噪处理过程为对所述PPG信号有效数据进行去除噪声和消除基线漂移,其中,所述去除噪声的方法可以根据需求设定,比如去除噪声的方法可以为滤波、平滑等等,所述消除基线漂移的方法可以根据需求设定,比如消除基线漂移方法可以为多项式拟合法、BEADS算法、小波算法等等,通过所述降噪处理能够将在所述PPG信号有效数据中的大量干扰和噪声进行过滤掉,得到所述第一PPG信号预处理数据。
S402,对所述第一PPG信号预处理数据进行极点值搜索,标记出所述第一PPG信号预处理数据中的所有波峰点和所有波谷点。
可理解地,所述极点值搜索为对所述第一PPG信号预处理数据中每一个降噪后所述PPG有效信号值与相邻两边的两个降噪后的PPG有效信号值进行比较,判断该降噪后所述PPG有效信号值是否均比相邻两边的两个降噪后的PPG有效信号值大或者小,将均比相邻两边的两个降噪后的PPG有效信号值大的降噪后所述PPG有效信号值标记为所述波峰点,将均比相邻两边的两个降噪后的PPG有效信号值小的降噪后所述PPG有效信号值标记为所述波谷点,即所述波峰点为比相邻的降噪后所述PPG有效信号值都大的PPG有效信号值,所述波谷点为比相邻的降噪后所述PPG有效信号值都小的PPG有效信号值。
S403,根据所有所述波峰点和所有所述波谷点,对所述第一PPG信号预处理数据进行单脉搏波划分,得到至少一个PPG单脉搏波数据。
可理解地,根据所有所述波峰点和所有所述波谷点,可以计算出单个PPG单脉搏波的周期,所述单脉搏波划分为计算相邻两个所述波峰点的时间段和相邻两个所述波谷点的时间段,将所有相邻两个所述波峰点的时间段和所有相邻两个所述波谷点的时间段进行求平均,得到一个PPG单脉搏波的周期,根据该PPG单脉搏波的周期对所述第一PPG信号预处理数据划分成多个PPG单脉搏波数据,所述PPG单脉搏波数据为以PPG单脉搏波的周期为时间周期的数据。
S404,对所有所述PPG单脉搏波数据进行模板化处理,得到一个PPG信号模板数据;其中,各所述PPG单脉搏波数据的时间周期与所述PPG信号模板数据的周期相同。
可理解地,将划分后的所有所述PPG单脉搏波数据进行所述模板化处理,所述模板化处理为对所有所述PPG单脉搏波数据的波形进行叠加求平均,即将所有在PPG单脉搏波的周期中相同时间点的所述PPG单脉搏波数据的值进行取平均,得到所述PPG信号模板数据在该时间点的值,其中,各所述PPG单脉搏波数据的时间周期与所述PPG信号模板数据的周期相同,由于受待测用户动作及采样率的影响,PPG单脉搏波数据的波形间存在形态差异,为避免随机因素引起的PPG单脉搏波数据的差异会影响到后续的特征提取,本发明将对多个相关性较强的连续PPG单脉搏波数据的波形求平均,获得稳定的PPG信号模板数据,有利于后续的特征提取。
本发明实现了通过对所述PPG信号有效数据进行降噪处理,得到第一PPG信号预处理数据;对所述第一PPG信号预处理数据进行极点值搜索,标记出所述第一PPG信号预处理数据中的所有波峰点和所有波谷点;根据所有所述波峰点和所有所述波谷点,对所述第一PPG信号预处理数据进行单脉搏波划分,得到至少一个PPG单脉搏波数据;对所有所述PPG单脉搏波数据进行模板化处理,得到一个PPG信号模板数据;其中,各所述PPG单脉搏波数据的时间周期与所述PPG信号模板数据的周期相同,如此,通过对PPG信号有效数据进行降噪处理,以去除干扰信号,并通过极点值搜索识别出波峰点和波谷点,根据波峰点和波谷点划分出多个PPG单脉搏波数据,最后通过模板化处理输出稳定的PPG信号模板数据,能够有效避免了噪声和单个波形随机形态变化的影响,提高了特征提取的稳定性及可靠性,为后续的血压检测提供了高质量的数据。
S50,将所述PPG信号模板数据和所述用户特征信息输入基于双弹性腔模型与DeepFM模型的血压检测模型中,通过所述血压检测模型对所述PPG信号模板数据进行血流脉搏特征提取,得到第一特征数据,同时对所述用户特征信息进行one-hot编码转换,得到第二特征数据。
可理解地,所述血压检测模型为训练完成的且融合的神经网络模型,所述血压检测模型包括所述双弹性腔模型和所述DeepFM模型,即所述血压检测模型融合了所述双弹性腔模型和所述DeepFM模型,所述血流脉搏特征提取包括血流动力学特征提取和脉搏波特征提取,所述双弹性腔模型又称为windkessel模型,所述双弹性腔模型的主要处理过程为用模拟电路仿真人体血液循环的过程,电路中电流I模拟血流,电阻R模拟血管阻力,电容C模拟血管顺应性(血管容积变化),电感L模拟血液在血管中流动的惯性,通过双弹性腔模型中模拟电路的特征提取的方式进行所述血流动力学特征提取,即所述血流动力学特征提取为运用模拟电路的特征提取方式进行提取的过程,所述脉搏波特征提取为提取出所述PPG信号模板数据的周期、上升支时间占比和下降支时间占比,通过所述血压检测模型对所述PPG信号模板数据进行所述血流脉搏特征提取,得到所述第一特征数据,所述第一特征数据为11维度的特征向量。
其中,所述one-hot编码转换为为对每一类所述用户特征信息中的内容分配一个整数值,即对每一类用户特征信息进行编码,然后将该整数值转换成二值数组向量,将所有用户特征信息进行one-hot转换得到所述第二特征数据。
在一实施例中,如图6所示,所述步骤S50中,即所述通过所述血压检测模型对所述PPG信号模板数据进行血流脉搏特征提取,得到第一特征数据,包括:
S501,通过所述血压检测模型中的双弹性腔模型对所述PPG信号模板数据进行血流动力学特征提取,得到第一特征参数数组。
可理解地,所述双弹性腔模型(windkessel模型)的主要处理过程为用模拟电路仿真人体血液循环的过程,电路中电流I模拟血流,电阻R模拟血管阻力,电容C模拟血管顺应性(血管容积变化),电感L模拟血液在血管中流动的惯性,就好比将血管比作几个弹性腔组成,根据血管的特性和血液属性,以及系统的输入输出,用电阻R、电容C、电感L及其他元件建立系统固定等效电路网络,所述windkessel模型可以根据需求设定,作为优选,所述windkessel模型设定为双腔四元素windkessel模型,通过运用双腔四元素windkessel模型能较好的描绘出脉搏波的主要特点,如主波、潮波和重博波等波形特征,所述血流动力血特征提取的过程为也可认为先以所述PPG信号模板数据的波形的波峰点作为分割点,将所述PPG信号模板数据的波形分为升支和降支两部分,通过八个维度参数能描绘出所述PPG信号模板数据的波形的上升支部分和下降支部分的主要特征和趋势,使用最小二乘拟合法,梯度下降法,牛顿法等最优化方法,得出该八个维度参数对应的八个特征参数向量值,将八个所述特征参数向量值组成数组得到所述第一特征参数数组。
S502,通过所述双弹性腔模型对所述PPG信号模板数据进行脉搏波特征提取,得到第二特征参数数组。
可理解地,所述脉搏波特征提取为提取出所述PPG信号模板数据的周期、上升支时间占比和下降支时间占比,所述上升支时间占比为所述PPG信号模板数据的波形的上升支部分(即所述PPG信号模板数据的波形中从波谷点攀升至波峰点的波形部分)的时间占周期的百分比,所述下降支时间占比为所述PPG信号模板数据的波形的下降支部分(即所述PPG信号模板数据的波形中从波峰点攀下降至波谷点的波形部分)的时间占周期的百分比,将提取出所述PPG信号模板数据的周期、上升支时间占比和下降支时间占比构成三元素的数组,得到所述第二特征参数数组。
S503,将所述第一特征参数数组和所述第二特征参数数组进行合并,得到所述第一特征数据。
可理解地,将所述第一特征参数数组和所述第二特征参数数组进行元素之间拼接,得到所述第一特征数据。
本发明实现了通过双弹性腔模型进行血流动力学特征提取,得到第一特征参数数组;通过所述双弹性腔模型对所述PPG信号模板数据进行脉搏波特征提取,得到第二特征参数数组;将所述第一特征参数数组和所述第二特征参数数组进行合并,得到所述第一特征数据,如此,能够通过双弹性腔模型提取出所述血流动力学特征以及脉搏波特征,能够准确地提取出PPG信号的波形特征,为后续的血压检测提供了高质量的数据保证,提升了血压检测的准确性和可靠性。
在一实施例中,所述步骤S50之前,即所述将所述PPG信号模板数据和所述用户特征信息输入基于双弹性腔模型与DeepFM模型的血压检测模型中之前,包括:
S504,获取用户特征样本集;所述用户特征样本集包括多个用户特征样本,一个所述用户特征样本与一个血压标签关联。
可理解地,所述用户特征样本集中包含有多个所述用户特征样本,所述用户特征样本为历史的用户收集的历史指尖视频和历史用户特征信息经过步骤S10至步骤S40之后获得的历史PPG信号模板数据,每个所述用户特征样本都与一个所述血压标签关联,所述血压标签为与所述用户特征样本对应的历史的用户在收集历史指尖视频的时候经过血压设备的测量获得,所述血压标签包括收缩压的标签值和舒张压的标签值。
S505,将所述用户特征样本输入含有初始参数的融合神经网络模型。
可理解地,所述融合神经网络模型包含所述初始参数,所述初始参数为所述融合神经网络模型初始赋予的参数值,所述初始参数可以通过迁移学习的方式将相似的融合神经网络模型中迁移过来。
S506,通过所述融合神经网络模型对所述用户特征样本进行预测处理,得到样本血压结果。
可理解地,所述预测处理为对所述用户特征样本进行血流脉搏特征提取、one-hot编码转换和交叉特征血压预测的处理过程,得到样本血压结果,所述样本血压结果包括收缩压的样本值和舒张压的样本值。
S507,根据所述样本血压结果和所述血压标签,确定出损失值。
可理解地,将所述收缩压的样本值和所述收缩压的标签值输入第一损失函数中,得到收缩损失值,将所述舒张压的样本值和所述舒张压的标签值输入第二损失函数中,得到舒张损失值,将所述收缩损失值和所述舒张损失值进行加权乘积,得到所述损失值。
S508,在所述损失值未达到预设的收敛条件时,迭代更新所述融合神经网络模型的初始参数,直至所述损失值达到所述预设的收敛条件时,将收敛之后的所述融合神经网络模型记录为血压检测模型。
可理解地,所述收敛条件可以为所述损失值经过了20000次计算后值为很小且不会再下降的条件,即在所述损失值经过20000次计算后值为很小且不会再下降时,停止训练,并将收敛之后的所述融合神经网络模型记录为血压检测模型;所述收敛条件也可以为所述损失值小于设定阈值的条件,即在所述损失值小于设定阈值时,停止训练,并将收敛之后的所述融合神经网络模型记录为血压检测模型,如此,在所述损失值未达到预设的收敛条件时,不断更新迭代所述融合神经网络模型的初始参数,并触发通过所述融合神经网络模型对所述用户特征样本进行预测处理,得到样本血压结果的步骤,可以不断向准确的结果靠拢,让预测的准确率越来越高。
S60,通过所述血压检测模型对所述第一特征数据和所述第二特征数据进行交叉特征血压预测,得到输出结果;所述输出结果表征了所述待测用户的当前的血压参数值。
可理解地,通过所述血压检测模型中的所述DeepFM模型对所述第一特征数据和所述第二特征数据进行交叉特征血压预测,所述交叉特征血压预测的过程为对所述第一特征数据和所述第二特征数据进行特征分箱、embedding转变、交叉特征组合和脉搏特征提取,最后根据提取的特征进行血压预测,所述DeepFM模型为训练完成的神经网络模型,所述DeepFM模型融合了FM模型和DNN模型,所述DeepFM模型中的DeepFM算法有效的结合了因子分解机与神经网络在特征学习中的优点,同时提取到低阶组合特征与高阶组合特征,在所述FM模型中的FM算法负责对一阶特征以及由一阶特征两两组合而成的二阶特征进行特征的提取,在所述DNN模型中的DNN算法负责对由输入的一阶特征进行全连接等操作形成的高阶特征进行特征的提取,所述FM模型为训练完成的基于FM算法的神经网络模型,所述DNN模型为训练完成的基于DNN算法的神经网络模型。
其中,所述血压检测模型中的输出层接收到所述FM模型输出的FM特征数据和所述DNN模型输出的DNN特征数据,对所述FM特征数据和所述DNN特征数据进行回归得到所述输出结果,所述输出结果包括舒张压与收缩压的预测结果,所述输出结果表征了所述待测用户的当前的血压参数值,将所述输出结果显示在所述待测用户的移动终端的界面,便于所述待测用户查看所述输出结果。
本发明实现了通过接收到血压待检测指令,获取预设时间段的指尖视频和待测用户的用户特征信息;对所述指尖视频进行通道转换,得到所述指尖视频中的PPG信号数据;提取所述PPG信号数据中的PPG信号有效数据,判断所述PPG信号有效数据是否符合预设持续时长要求;在所述PPG信号有效数据符合所述预设持续时长要求时,对所述PPG信号有效数据进行信号预处理,得到与所述PPG信号有效数据对应的PPG信号模板数据;将所述PPG信号模板数据和所述用户特征信息输入基于双弹性腔模型与DeepFM模型的血压检测模型中,通过所述血压检测模型对所述PPG信号模板数据进行血流脉搏特征提取,得到第一特征数据,同时对所述用户特征信息进行one-hot编码转换,得到第二特征数据;通过所述血压检测模型对所述第一特征数据和所述第二特征数据进行交叉特征血压预测,得到体现所述待测用户的当前的血压参数值的输出结果,因此,实现了通过获取指尖视频和用户特征信息,对指尖视频进行通道转换获得PPG信号数据,并对PPG信号有效数据进行判断,若符合预设持续时长要求,就对该PPG信号有效数据进行信号预处理,得到PPG信号模板数据,通过基于双弹性腔模型与DeepFM模型的血压检测模型进行预测,得到含有待测用户的血压参数值的输出结果,如此,能够通过用户特征信息和移动终端采集的指尖视频自动检测出待测用户的血压参数值,不受医务人员和测量地点的限制,提高了血压检测的便捷性,同时不会对用户造成不适感,以及降低了设备成本,而且有效避免了噪声和单个波形随机形态变化的影响,提高了特征提取的稳定性及可靠性,提升了血压检测的准确率。
在一实施例中,如图7所示,所述步骤S60中,即所述通过所述血压检测模型对所述第一特征数据和所述第二特征数据进行交叉特征血压预测,得到输出结果,包括:
S601,通过所述血压检测模型中的DeepFM模型对所述第一特征数据进行特征分箱,得到至少一个第一待处理特征数据。
可理解地,通过所述DeepFM模型对所述第一特征数据进行特征分箱,所述特征分箱的方法可以根据需求设定,比如特征分箱为类别型特征分箱、数值型特征分箱、稀疏特征分箱等等,作为优选,所述特征分箱的方法为稀疏特征分箱,即将稀疏值单独分为一箱,剩下的值做卡方或者自定义分箱,将分箱后的单个分箱确定为所述第一待处理特征数据,如此,经过所述特征分箱之后得到至少一个所述第一待处理特征数据。
S602,通过所述DeepFM模型对所述第一待处理特征数据进行embedding转变,得到第二待处理特征数据。
可理解地,通过所述DeepFM模型对所述第一待处理特征数据进行embedding转变,所述embedding转变为对输入的特征向量转换成与其对应的高维特征向量,在所述embedding转变过程中共对所述第一待处理特征数据中的向量进行权重共享,即将所述第一待处理特征数据进行共享的权重矩阵进行乘积,得到与所述第一待处理特征数据一一对应的所述第二待处理特征数据。
S603,通过所述DeepFM模型中的FM模型对所述第一待处理特征数据和所述第二待处理特征数据进行交叉特征组合,得到FM特征数据,同时通过所述DeepFM模型中的DNN模型对所述第二待处理特征数据进行脉搏特征提取,得到DNN特征数据。
可理解地,通过所述FM模型对所述第一待处理特征数据和所述第二待处理特征数据进行交叉特征组合,所述交叉特征组合为通过所述第一待处理特征数据和所述第二待处理特征数据中的两两特征向量之间的数量积(dot product,也称为点积、点乘)值,通过两两特征向量之间的数量积来判断特征向量之间和目标变量(血压参数值)之间的关系,将经过所述交叉特征组合后得到的所有数量积确定为所述FM特征数据,通过所述DNN模型对所述第二待处理特征数据进行脉搏特征提取,所述脉搏特征提取为对一阶特征进行全连接形成高阶特征,捕捉复杂的与脉搏相关的特征,将提取的所述脉搏特征进行全连接得到的特征向量数组,将该特征向量数组确定为所述DNN特征数据。
S604,通过所述DeepFM模型对所述FM特征数据和所述DNN特征数据进行血压预测,获得所述输出结果。
可理解地,通过所述输出层接收到所述FM特征数据和所述DNN特征数据,对所述FM特征数据和所述DNN特征数据进行Sigmoid函数的逻辑回归,将回归后得到的血压预测结果确定为所述输出结果,所述血压预测为对所述FM特征数据和所述DNN特征数据进行Sigmoid函数的逻辑回归,回归输出最高概率值的收缩压的值和舒张压的值,所述输出结果包括舒张压与收缩压的预测结果,所述输出结果表征了所述待测用户的当前的血压参数值。
本发明实现了通过所述DeepFM模型对所述第一特征数据进行特征分箱,得到至少一个第一待处理特征数据;通过所述DeepFM模型对所述第一待处理特征数据进行embedding转变,得到第二待处理特征数据;通过FM模型对所述第一待处理特征数据和所述第二待处理特征数据进行交叉特征组合,得到FM特征数据,同时通过DNN模型对所述第二待处理特征数据进行脉搏特征提取,得到DNN特征数据;通过所述DeepFM模型对所述FM特征数据和所述DNN特征数据进行血压预测,获得所述输出结果,如此,实现了端到端的识别过程,结合了广度和深度模型的优点,联合训练FM模型和DNN模型,即同时学习低阶特征组合和高阶特征组合,通过共享相同输入的embedding后的特征向量(第二待处理特征数据),能够提升训练的效率,让训练更高效,并提升了预测的准确性和可靠性。
在一实施例中,提供一种血压检测装置,该血压检测装置与上述实施例中血压检测方法一一对应。如图8所示,该血压检测装置包括接收模块11、转换模块12、提取模块13、预处理模块14、识别模块15和预测模块16。各功能模块详细说明如下:
接收模块11,用于接收到血压待检测指令,获取预设时间段的指尖视频和待测用户的用户特征信息;所述指尖视频为通过移动终端采集到的所述待测用户指尖的视频;
转换模块12,用于对所述指尖视频进行通道转换,得到所述指尖视频中的PPG信号数据;
提取模块13,用于提取所述PPG信号数据中的PPG信号有效数据,判断所述PPG信号有效数据是否符合预设持续时长要求;
预处理模块14,用于在所述PPG信号有效数据符合所述预设持续时长要求时,对所述PPG信号有效数据进行信号预处理,得到与所述PPG信号有效数据对应的PPG信号模板数据;
识别模块15,用于将所述PPG信号模板数据和所述用户特征信息输入基于双弹性腔模型与DeepFM模型的血压检测模型中,通过所述血压检测模型对所述PPG信号模板数据进行血流脉搏特征提取,得到第一特征数据,同时对所述用户特征信息进行one-hot编码转换,得到第二特征数据;
预测模块16,用于通过所述血压检测模型对所述第一特征数据和所述第二特征数据进行交叉特征血压预测,得到输出结果;所述输出结果表征了所述待测用户的当前的血压参数值。
关于血压检测装置的具体限定可以参见上文中对于血压检测方法的限定,在此不再赘述。上述血压检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种血压检测方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中血压检测方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中血压检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种血压检测装置,其特征在于,包括:
接收模块,用于接收到血压待检测指令,获取预设时间段的指尖视频和待测用户的用户特征信息;所述指尖视频为通过移动终端采集到的所述待测用户指尖的视频;
转换模块,用于对所述指尖视频进行通道转换,得到所述指尖视频中的PPG信号数据;
提取模块,用于提取所述PPG信号数据中的PPG信号有效数据,判断所述PPG信号有效数据是否符合预设持续时长要求;
预处理模块,用于在所述PPG信号有效数据符合所述预设持续时长要求时,对所述PPG信号有效数据进行信号预处理,得到与所述PPG信号有效数据对应的PPG信号模板数据;
识别模块,用于将所述PPG信号模板数据和所述用户特征信息输入基于双弹性腔模型与DeepFM模型的血压检测模型中,通过所述血压检测模型对所述PPG信号模板数据进行血流脉搏特征提取,得到第一特征数据,同时对所述用户特征信息进行one-hot编码转换,得到第二特征数据;
预测模块,用于通过所述血压检测模型对所述第一特征数据和所述第二特征数据进行交叉特征血压预测,得到输出结果;所述输出结果表征了所述待测用户的当前的血压参数值;
所述通过所述血压检测模型对所述第一特征数据和所述第二特征数据进行交叉特征血压预测,得到输出结果,包括:
通过所述血压检测模型中的DeepFM模型对所述第一特征数据进行特征分箱,得到至少一个第一待处理特征数据;
通过所述DeepFM模型对所述第一待处理特征数据进行embedding转变,得到第二待处理特征数据;所述embedding转变为将所述第一待处理特征数据与共享的权重矩阵进行乘积,得到与所述第一待处理特征数据一一对应的所述第二待处理特征数据的过程;
通过所述DeepFM模型中的FM模型对所述第一待处理特征数据和所述第二待处理特征数据进行交叉特征组合,得到FM特征数据,同时通过所述DeepFM模型中的DNN模型对所述第二待处理特征数据进行脉搏特征提取,得到DNN特征数据;所述交叉特征组合为通过所述第一待处理特征数据和所述第二待处理特征数据中的两两特征向量之间点积的值的过程;
通过所述DeepFM模型对所述FM特征数据和所述DNN特征数据进行血压预测,获得所述输出结果。
2.如权利要求1所述的血压检测装置,其特征在于,所述对所述指尖视频进行通道转换,得到所述指尖视频中的PPG信号数据,包括:
按照预设间隔帧在所述指尖视频中提取至少一个抽取帧图像;
将所述抽取帧图像输入图像转换模型中,通过所述图像转换模型对所述抽取帧图像进行像素转换处理,得到与各所述抽取帧图像对应的转换图像;
对一个所述转换图像中的红色通道的所有红色像素值进行求和,得到一个与所述转换图像对应的PPG信号值;
将所有所述PPG信号值按照时间顺序进行合并,得到所述PPG信号数据。
3.如权利要求1所述的血压检测装置,其特征在于,所述提取所述PPG 信号数据中的PPG信号有效数据,判断所述PPG信号有效数据是否符合预设持续时长要求,包括:
将所述PPG信号数据中大于预设阈值的所述PPG信号值标记为PPG有效信号值;
确认是否能在所有所述PPG有效信号值中提取出PPG有效信号段数组;所述PPG有效信号段数组为在所述预设持续时长的时间范围内的一段所述PPG有效信号值;
若能在所有所述PPG有效信号值中提取出所述PPG有效信号段数组,确定所述PPG信号有效数据符合所述预设持续时长要求;
若不能在所有所述PPG有效信号值中提取出所述PPG有效信号段数组,确定所述PPG信号有效数据不符合所述预设持续时长要求,提示所述待测用户重新采集指尖视频。
4.如权利要求1所述的血压检测装置,其特征在于,所述对所述PPG信号有效数据进行信号预处理,得到与所述PPG信号有效数据对应的PPG信号模板数据,包括:
对所述PPG信号有效数据进行降噪处理,得到第一PPG信号预处理数据;
对所述第一PPG信号预处理数据进行极点值搜索,标记出所述第一PPG信号预处理数据中的所有波峰点和所有波谷点;
根据所有所述波峰点和所有所述波谷点,对所述第一PPG信号预处理数据进行单脉搏波划分,得到至少一个PPG单脉搏波数据;
对所有所述PPG单脉搏波数据进行模板化处理,得到一个PPG信号模板数据;其中,各所述PPG单脉搏波数据的时间周期与所述PPG信号模板数据的周期相同。
5.如权利要求1所述的血压检测装置,其特征在于,所述通过所述血压检测模型对所述PPG信号模板数据进行血流脉搏特征提取,得到第一特征数据,包括:
通过所述血压检测模型中的双弹性腔模型对所述PPG信号模板数据进行血流动力学特征提取,得到第一特征参数数组;
通过所述双弹性腔模型对所述PPG信号模板数据进行脉搏波特征提取,得到第二特征参数数组;
将所述第一特征参数数组和所述第二特征参数数组进行合并,得到所述第一特征数据。
6.如权利要求1所述的血压检测装置,其特征在于,所述将所述PPG信号模板数据和所述用户特征信息输入基于双弹性腔模型与DeepFM模型的血压检测模型中之前,包括:
获取用户特征样本集;所述用户特征样本集包括多个用户特征样本,一个所述用户特征样本与一个血压标签关联;
将所述用户特征样本输入含有初始参数的融合神经网络模型;
通过所述融合神经网络模型对所述用户特征样本进行预测处理,得到样本血压结果;
根据所述样本血压结果和所述血压标签,确定出损失值;
在所述损失值未达到预设的收敛条件时,迭代更新所述融合神经网络模型的初始参数,直至所述损失值达到所述预设的收敛条件时,将收敛之后的所述融合神经网络模型记录为血压检测模型。
7.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述血压检测装置的操作。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述血压检测装置的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010921661.3A CN111870237B (zh) | 2020-09-04 | 2020-09-04 | 血压检测装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010921661.3A CN111870237B (zh) | 2020-09-04 | 2020-09-04 | 血压检测装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111870237A CN111870237A (zh) | 2020-11-03 |
CN111870237B true CN111870237B (zh) | 2022-08-16 |
Family
ID=73199594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010921661.3A Active CN111870237B (zh) | 2020-09-04 | 2020-09-04 | 血压检测装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111870237B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113397511B (zh) * | 2021-05-24 | 2023-09-05 | 深圳大学 | 血压测量方法及装置 |
CN114271801A (zh) * | 2021-12-03 | 2022-04-05 | 成都泰盟软件有限公司 | 一种移动端人体连续血压监测装置及方法 |
CN114145725B (zh) * | 2022-02-08 | 2022-05-06 | 广东工业大学 | 一种基于无创连续血压测量的ppg采样率估算方法 |
TWI825622B (zh) * | 2022-03-15 | 2023-12-11 | 緯創資通股份有限公司 | 生理訊號特徵擷取方法及生理訊號特徵擷取裝置 |
WO2023179516A1 (zh) * | 2022-03-23 | 2023-09-28 | 北京华视诺维医疗科技有限公司 | 一种基于智能移动设备的检测系统、方法及检测模型构建方法 |
CN115054209B (zh) * | 2022-04-14 | 2023-09-26 | 杭州华视诺维医疗科技有限公司 | 一种基于智能移动设备的多参数生理信息检测系统和方法 |
CN115336990B (zh) * | 2022-08-09 | 2023-08-25 | 苏州国科医工科技发展(集团)有限公司 | 一种基于多点校准的无袖带动态血压测量方法 |
CN116982952A (zh) * | 2023-08-03 | 2023-11-03 | 迈德医疗科技(深圳)有限公司 | 一种基于分数阶导数的无创血压测量方法及系统 |
CN116746896B (zh) * | 2023-08-21 | 2023-11-07 | 深圳大学 | 一种连续血压估计方法、装置、电子设备及存储介质 |
CN117137465B (zh) * | 2023-11-01 | 2024-04-16 | 深圳市奋达智能技术有限公司 | 一种血流动力参数测量方法及其相关设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2992820B1 (en) * | 2014-08-11 | 2023-05-10 | Tata Consultancy Services Limited | Measuring blood pressure |
WO2017217599A1 (en) * | 2016-06-15 | 2017-12-21 | Samsung Electronics Co., Ltd. | Improving performance of biological measurements in the presence of noise |
CN107106055B (zh) * | 2015-12-03 | 2020-05-08 | 华为技术有限公司 | 一种提升血压测量效率的方法及血压测量装置 |
EP3453321B1 (en) * | 2017-09-06 | 2024-05-22 | Tata Consultancy Services Limited | Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing |
-
2020
- 2020-09-04 CN CN202010921661.3A patent/CN111870237B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111870237A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111870237B (zh) | 血压检测装置、设备及介质 | |
US20230131876A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
Monteiro et al. | Developing an e-health system based on IoT, fog and cloud computing | |
US20200015694A1 (en) | Automatic method to delineate or categorize an electrocardiogram | |
US20190216333A1 (en) | Thermal face image use for health estimation | |
US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN110664395B (zh) | 图像处理方法、图像处理装置以及存储介质 | |
CN112270240B (zh) | 一种信号处理方法、装置、电子设备和存储介质 | |
van de Leur et al. | Big data and artificial intelligence: opportunities and threats in electrophysiology | |
CN112788200B (zh) | 频谱信息的确定方法及装置、存储介质、电子装置 | |
CN111785366A (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
CN114469132A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN202815842U (zh) | 基于云计算的中医数据采集诊断中间系统 | |
CN113693611B (zh) | 基于机器学习的心电数据分类方法及装置 | |
CN111067505A (zh) | 心律失常检测的方法、装置以及存储介质 | |
CN118213092A (zh) | 一种用于慢性创面疾病的远程医疗监管系统 | |
CN116327133A (zh) | 一种多生理指标检测方法、装置及相关设备 | |
CN116712048A (zh) | 血压测量方法、装置及相关设备 | |
CN113693610B (zh) | 少导联心电数据处理方法、装置、存储介质及计算机设备 | |
CN116138756A (zh) | 基于人脸特征点检测的非接触式心率检测方法、系统及介质 | |
CN108182974B (zh) | 病症评估方法、终端设备及计算机可读介质 | |
CN115909438A (zh) | 基于深度时空域卷积神经网络的疼痛表情识别系统 | |
CN113743292B (zh) | 基于视频序列的活动能力评估方法、装置、介质及设备 | |
CN116035548B (zh) | 心律状态检测方法、装置、智能穿戴设备及存储介质 | |
CN113057611B (zh) | 用于输出信息的方法、装置、设备以及存储介质 |
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 |