CN111887828B - 围术期患者非接触式生理信息监测装置、计算机设备和存储介质 - Google Patents
围术期患者非接触式生理信息监测装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111887828B CN111887828B CN202010649607.8A CN202010649607A CN111887828B CN 111887828 B CN111887828 B CN 111887828B CN 202010649607 A CN202010649607 A CN 202010649607A CN 111887828 B CN111887828 B CN 111887828B
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- pulse wave
- ptt
- signal
- physiological information
- 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
- 238000012806 monitoring device Methods 0.000 title claims abstract description 20
- 230000036772 blood pressure Effects 0.000 claims abstract description 63
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 230000035485 pulse pressure Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000005856 abnormality Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 26
- 238000001228 spectrum Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 17
- 230000035487 diastolic blood pressure Effects 0.000 claims description 14
- 230000035488 systolic blood pressure Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000001121 heart beat frequency Effects 0.000 claims description 5
- 230000021615 conjugation Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 210000001015 abdomen Anatomy 0.000 claims description 2
- 230000004872 arterial blood pressure Effects 0.000 claims description 2
- 230000000747 cardiac effect Effects 0.000 claims description 2
- 230000010365 information processing Effects 0.000 claims description 2
- 230000000541 pulsatile effect Effects 0.000 claims description 2
- 230000036391 respiratory frequency Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 230000035565 breathing frequency Effects 0.000 claims 1
- 230000002980 postoperative effect Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 206010034912 Phobia Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 208000019899 phobic disease Diseases 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
-
- 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
- A61B5/74—Details of notification to user or communication with user or patient; User input means
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Pulmonology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种围术期患者非接触式生理信息监测装置、计算机设备和存储介质，装置包括信号采集及预处理模块，用于利用生命体征监测雷达实时采集患者的生命体征信号，并对信号进行预处理滤除杂波和噪声；生理信息获取模块，用于对预处理后的信号进行分离获得患者的生理信息，包括呼吸、心跳、脉搏和血压；生理信息异常报警模块，用于实时监测所述生理信息，在出现异常时进行报警。本发明能够实时监测患者四类生理信息包括呼吸、心跳、脉搏和血压，并提供异常报警功能，有效可行，性能可靠。
Description
技术领域
本发明涉及生命体征监测领域，特别涉及一种围术期患者非接触式生理信息监测装置、计算机设备和存储介质。
背景技术
围术期指护士从迎接病人进入外科病房到病人术后痊愈回家这段时期，包括术前、术中和术后的全段时间。研究表明，重视对围术期患者的处理可以使得手术安全性得到了巨大的提高。
目前围术期患者的生理信息监测装置主要为接触式，而接触式的监测装置在使用上会受到很多限制，患者不可避免的会受限于电极和线缆的束缚，其正常的身体活动也会受到限制，甚至对于一些非常规的场合例如烧伤患者和传染病患者，接触式手段无法实施，这使接触式监测的应用范围受到限制。
发明内容
本发明的目的在于针对上述现有技术存在的问题，提供一种围术期患者非接触式生理信息监测装置、计算机设备和存储介质。
实现本发明目的的技术解决方案为：一种围术期患者非接触式生理信息监测装置，所述装置包括：
信号采集及预处理模块，用于利用生命体征监测雷达实时采集患者的生命体征信号，并对信号进行预处理滤除杂波和噪声；
生理信息获取模块，用于对预处理后的信号进行分离获得患者的生理信息，包括呼吸、心跳、脉搏和血压；
生理信息异常报警模块，用于实时监测所述生理信息，在出现异常时进行报警。
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，所述处理器执行所述计算机程序时实现上述装置每一个模块的功能。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述装置每一个模块的功能。
本发明与现有技术相比，其显著优点为：1)利用生命体征监测雷达实现围术期患者生理信息的实时非接触监测，与传统接触式设备相比更加方便，避免患者由于手术期间因测量和监测手段增加所产生的心理压力，进而产生的手术恐惧症和焦虑症，促进术后脉搏和血压的稳定；2)实时获取患者四类生理信息，包括呼吸、心跳、脉搏波和血压，并在血压获取模块采用高斯过程回归模型，所需要的参数更少，在实际中具有良好的结果；3)提供异常信息报警功能，在生理信息出现异常时进行报警并能准确显示异常部位，对医疗资源进行了平衡使用，有效降低医护工作者的压力；4)系统简单有效，性能可靠，便于实施。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为一个实施例中围术期患者非接触式生理信息监测装置的原理示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，结合图1，提供了一种围术期患者非接触式生理信息监测装置，所述装置包括：
信号采集及预处理模块，用于利用生命体征监测雷达实时采集患者的生命体征信号，并对信号进行预处理滤除杂波和噪声；
生理信息获取模块，用于对预处理后的信号进行分离获得患者的生理信息，包括呼吸、心跳、脉搏和血压；
生理信息异常报警模块，用于实时监测所述生理信息，在出现异常时进行报警。
进一步地，在其中一个实施例中，所述信号采集及预处理模块包括：
信号采集单元，用于将生命体征监测雷达架设于患者腹部上方，采集雷达回波信号x(t)即生命体征信号，包括呼吸、脉搏波、心跳和杂波；所述生命体征监测雷达为连续波雷达；
滤波单元，用于引入两个带通滤波器h1(n)和h2(n)，对所述雷达回波信号x(t)进行带通滤波以滤除杂波和噪声，其中h1(n)的频率范围为0.15～0.4Hz，该频率范围为基本呼吸频段；h2(n)的频率范围是0.83～5Hz，该频率范围包括基本心跳频段和脉搏波频段；
求和单元，用于将经由带通滤波器h1(n)和h2(n)滤除后的信号相加，获得预处理后信号g(t)。
进一步地，在其中一个实施例中，所述生理信息获取模块包括：
呼吸信号获取单元，用于对预处理后的信号g(t)进行频率范围为0.15～0.4Hz的带通滤波，得到呼吸信号为g1(t)；
心跳信号获取单元，用于对预处理后的信号g(t)进行频率范围为0.83～1.5Hz的带通滤波，得到心跳信号为g2(t)；
主动脉搏波信号获取单元，用于对预处理后的信号g(t)进行频率范围为0.7～3Hz的带通滤波，得到主动脉搏波信号为f(t)；
脉搏波传导时间获取单元，用于利用经验小波变换算法对所述主动脉搏波信号f(t)进行特征点提取，并根据特征点求解脉搏波传导时间PTT；
血压获取单元，用于建立血压与脉搏波传导时间PTT的高斯过程回归算法模型，由此模型获取与脉搏波传导时间PTT相对应的血压值，血压值包括收缩压与舒张压。
进一步地，在其中一个实施例中，所述脉搏波传导时间获取单元用于利用经验小波变换算法对所述主动脉搏波信号f(t)进行特征点提取，并根据特征点求解脉搏波传导时间PTT，具体过程包括：
(1)对主动脉搏波信号f(t)进行快速傅里叶变换得到信号频谱
ω为频率；
(2)对主动脉搏波信号频谱
进行频谱检测，检测频谱中的局部极大值且以降序的方式进行排序并归一化得到极大值序列，极大值序列记为
(3)在极大值序列
中，设置阈值Mmin+α(Mmax-Mmin)，其中Mmin为极大值序列中的最小值，Mmax为极大值序列中的最大值，α＝0.3为常数，保留极大值序列中大于阈值的数，此时得到极大值序列的个数为N，将N作为主动脉搏波分离的模式数；
(4)对主动脉搏波信号频谱
进行频谱检测，遵照香农定理将频谱范围限定在[0,π]，将频谱划分为N个相邻区域，产生N+1个分界线ωp，p表示第p个分界线，0≤p≤N，其中ω0＝0，ωN＝π，在每条分界线周围定义一个过渡区间Tp，区间宽度为2τp；
(5)确定分割区间Λp＝[ωp-1,ωp]，添加小波窗口系数β(x)：
得到小波经验尺度函数
得到经验小波
(6)确定细节系数
式中，<·>表示内积，
为第p个分割区间内经验小波的时域表示，
表示共轭，
为第p个分割区间内经验小波的频谱，F-1表示傅里叶逆变换；
(7)确定逼近系数
式中，<·>表示内积，φ1(t)为第1个分割区间内小波经验尺度函数的时域表示，
表示共轭，
为第1个分割区间内小波经验尺度函数的频谱；
(8)利用经验小波变换将主动脉搏波信号f(t)分解为N个固有模态分量，分解的各个频率尺度的模态时域函数表示为：
式中，fp′(t)为第p′个模态时域函数，其中p′＝1,...,N-1，主动脉搏波信号f(t)可表示为
(9)对N个模态时域函数按能量大小进行降序排列，得到序列Model_1,Model_2,…,Model_N；
(10)提取主动脉脉搏波波形信号的特征点：去除序列中的后m个模态分量，并将剩余的N-m个模态分量相加得到重构后的信号波形g3(t)；提取Model_1分量中的极大值，Model_2分量中的极小值，代入所述信号波形g3(t)，得到主动脉脉搏波波形信号的特征点，m的取值为3至5；
(11)建立特征点与主动脉搏波各时间段的映射关系：
A、主动脉搏波波谷：主动脉脉搏波波形最低点，预示着心脏快速射血期的开始；
B、主动脉搏波第一收缩波峰：主动脉脉搏波波形的第一个极大值点，预示着动脉压力和脉动容积最大值；
C、主动脉搏波第二收缩波峰：主动脉脉搏波波形的第二个极大值点，也称反射点；
D、主动脉搏波降中峡：主动脉脉搏波波形的第二个拐点，是心脏收缩与舒张的分界点，也称为重搏波波谷；
(12)由提取的特征点求解脉搏波传导时间PTT：由主动脉脉搏波第一收缩波峰和射血期停止点即脉搏波降中峡两个特征点求解脉搏波传导时间，具体为：
提取主动脉脉搏波第一收缩波峰对应的时间，即主动脉脉搏波波形的第一个极大值点对应的时间，记为TS；提取脉搏波降中峡应的时间，即主动脉脉搏波波形的第二个拐点对应的时间，记为TD，则脉搏波传导时间PTT为：
进一步地，在其中一个实施例中，所述血压获取单元用于建立血压与脉搏波传导时间PTT的高斯过程回归算法模型，由此模型获取与脉搏波传导时间PTT相对应的血压值，血压值包括收缩压与舒张压，具体过程包括：
(1)利用血压计测得受试者的血压观测值BP1,BP2,…,BPn，将所有观测值作为训练集，n为训练样本数，每一个观测值被看作多维高斯分布中采样出来的一个点；PTT1,PTT2,…,PTTn分别为BP1,BP2，…,BPn对应的脉搏波传导时间；
将每个血压观测值BP建模为某个隐函数s(PTT)加一个符合均值为0、方差为
的独立高斯分布噪声ε，记为
即：
其中，PTT为输入向量，f(PTT)假定给予一个高斯过程先验，即：
s(PTT)～GP(0,K)
根据贝叶斯定律以及自变量PTT通过核函数从低维到高维的映射，获得血压观测值BP和血压预测值BP*的联合先验分布：
其中，K＝K(PTT,PTT)为n×n阶对称正定的协方差矩阵，矩阵内的元素用来度量PTT与PTT之间的相关性；K(PTT,PTT*)＝K(PTT*,PTT)T为脉搏波传导时间测试值PTT*与训练集的输入给定脉搏波传导时间观测值PTT之间的n×1阶协方差矩阵；
k(PTT*,PTT*)为PTT*自身的协方差；In为n维单位矩阵，σn为高斯白噪声；
(2)血压预测值BP*服从高维高斯分布，通过贝叶斯公式进一步推导获得血压预测值BP*的后验分布即血压与脉搏波传导时间的高斯过程回归算法模型：
式中，BP*为输出，PTT、BP、PTT*为输入；
其中，
简写为：
式中，k(PTT*,PTT*)为PTT*自身的协方差函数，
为血压预测值BP*的均值，V(BP*)＝cov(BP*)为血压预测值BP*的方差，血压预测值BP*符合均值为
方差为V(BP*)的高斯分布；其中，血压的收缩压预测值SBP*服从均值为
方差为V(SBP*)的高斯分布；血压的舒张压预测值DBP*服从均值为
方差为V(DBP*)的高斯分布；
(3)根据脉搏波传导时间PTT获取对应的实时血压值：
将PTT代入SBP、DBP对应的高斯分布，即可获得对应的SBP、DBP的预测值。
进一步地，在其中一个实施例中，所述生理信息异常报警模块包括：
生理信息接收单元，用于接收生理信息获取模块获得的呼吸信号g1(t)、心跳信号g2(t)，以及血压的实时值包括收缩压SBP和舒张压DBP；
生理信息处理单元，用于对呼吸信号g1(t)和心跳信号g2(t)做快速傅里叶变换，提取其峰值点所对应的频率分别为f1和f2；
比较及报警模块，用于：
A、设置4位观测数字分别对应呼吸、心跳、血压收缩压SBP和血压舒张压DBP；
B、设置呼吸频率正常范围为0.15～0.4Hz，设置心跳频率正常范围为0.83～1.5Hz，设置血压正常值范围为收缩压：90mmHg～140mmHg、舒张压：60mmHg～90mmHg；
C、将呼吸峰值频率f1、心跳峰值频率f2、血压收缩压SBP和舒张压DBP实时值与正常范围作比较，当数值处于正常范围时将观测数字标记为“0”，低于正常范围时将观测数字标记为“1”，高于正常范围时将观测数字标记为“2”；
D、当4位观测数字输出均为“0”时则说明患者生理信息一切正常，而当其中任意一位不为“0”时则发出报警。
本发明提出的围术期非接触式生理信息监测装置，可在非接触的情况下对围术期患者的呼吸、心跳、脉搏和血压进行实时监测，并实现特殊情况的预警。在手术前利用非接触式生命体征监测装置对患者进行相应的生理监测，以避免患者由于手术期间由于测量和监测手段增加所产生的心理压力，进而产生的手术恐惧症和焦虑症，促进术后脉搏和血压的稳定，而手术后在麻醉观察、苏醒期间利用非接触式生命体征监测装置对患者进行非接触式生理监测，来实时观察患者的生理指标的变化，实现某些特殊情况的预警，同时对医疗资源进行平衡使用，降低医护工作者的重复劳动。
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以下模块的功能：
信号采集及预处理模块，用于利用生命体征监测雷达实时采集患者的生命体征信号，并对信号进行预处理滤除杂波和噪声；
生理信息获取模块，用于对预处理后的信号进行分离获得患者的生理信息，包括呼吸、心跳、脉搏和血压；
生理信息异常报警模块，用于实时监测所述生理信息，在出现异常时进行报警。
关于每一步的具体限定可以参见上文中对于围术期患者非接触式生理信息监测装置的限定，在此不再赘述。
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以下模块的功能：
信号采集及预处理模块，用于利用生命体征监测雷达实时采集患者的生命体征信号，并对信号进行预处理滤除杂波和噪声；
生理信息获取模块，用于对预处理后的信号进行分离获得患者的生理信息，包括呼吸、心跳、脉搏和血压；
生理信息异常报警模块，用于实时监测所述生理信息，在出现异常时进行报警。
关于每一步的具体限定可以参见上文中对于围术期患者非接触式生理信息监测装置的限定，在此不再赘述。
综上所述，本发明围术期患者非接触式生理信息监测装置、计算机设备及存储介质可以实现围术期患者生理信息包括呼吸、心跳、脉搏波和血压的非接触式实时监测，并提供异常报警功能，平衡了医疗资源，有效可行，性能可靠。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.围术期患者非接触式生理信息监测装置，其特征在于，所述装置包括：
信号采集及预处理模块，用于利用生命体征监测雷达实时采集患者的生命体征信号，并对信号进行预处理滤除杂波和噪声；
生理信息获取模块，用于对预处理后的信号进行分离获得患者的生理信息，包括呼吸、心跳、脉搏和血压；包括：
呼吸信号获取单元，用于对预处理后的信号g(t)进行频率范围为0.15～0.4Hz的带通滤波，得到呼吸信号为g1(t)；
心跳信号获取单元，用于对预处理后的信号g(t)进行频率范围为0.83～1.5Hz的带通滤波，得到心跳信号为g2(t)；
主动脉搏波信号获取单元，用于对预处理后的信号g(t)进行频率范围为0.7～3Hz的带通滤波，得到主动脉搏波信号为f(t)；
脉搏波传导时间获取单元，用于利用经验小波变换算法对所述主动脉搏波信号f(t)进行特征点提取，并根据特征点求解脉搏波传导时间PTT；
血压获取单元，用于建立血压与脉搏波传导时间PTT的高斯过程回归算法模型，由此模型获取与脉搏波传导时间PTT相对应的血压值，血压值包括收缩压与舒张压；
生理信息异常报警模块，用于实时监测所述生理信息，在出现异常时进行报警。
2.根据权利要求1所述的围术期患者非接触式生理信息监测装置，其特征在于，所述信号采集及预处理模块包括：
信号采集单元，用于将生命体征监测雷达架设于患者腹部上方，采集雷达回波信号x(t)即生命体征信号，包括呼吸、脉搏波、心跳和杂波；所述生命体征监测雷达为连续波雷达；
滤波单元，用于引入两个带通滤波器h1(n)和h2(n)，对所述雷达回波信号x(t)进行带通滤波以滤除杂波和噪声，其中h1(n)的频率范围为0.15～0.4Hz，该频率范围为基本呼吸频段；h2(n)的频率范围是0.83～5Hz，该频率范围包括基本心跳频段和脉搏波频段；
求和单元，用于将经由带通滤波器h1(n)和h2(n)滤除后的信号相加，获得预处理后信号g(t)。
3.根据权利要求1所述的围术期患者非接触式生理信息监测装置，其特征在于，所述脉搏波传导时间获取单元用于利用经验小波变换算法对所述主动脉搏波信号f(t)进行特征点提取，并根据特征点求解脉搏波传导时间PTT，具体过程包括：
(1)对主动脉搏波信号f(t)进行快速傅里叶变换得到信号频谱
ω为频率；
(2)对主动脉搏波信号频谱
进行频谱检测，检测频谱中的局部极大值且以降序的方式进行排序并归一化得到极大值序列，极大值序列记为
(3)在极大值序列
中，设置阈值Mmin+α(Mmax-Mmin)，其中Mmin为极大值序列中的最小值，Mmax为极大值序列中的最大值，α＝0.3为常数，保留极大值序列中大于阈值的数，此时得到极大值序列的个数为N，将N作为主动脉搏波分离的模式数；
(4)对主动脉搏波信号频谱
进行频谱检测，遵照香农定理将频谱范围限定在[0,π]，将频谱划分为N个相邻区域，产生N+1个分界线ωp，p表示第p个分界线，0≤p≤N，其中ω0＝0，ωN＝π，在每条分界线周围定义一个过渡区间Tp，区间宽度为2τp；
(5)确定分割区间Λp＝[ωp-1,ωp]，添加小波窗口系数β(x)：
得到小波经验尺度函数
得到经验小波
(6)确定细节系数
式中，<·>表示内积，
为第p个分割区间内经验小波的时域表示，
表示共轭，
为第p个分割区间内经验小波的频谱，F-1表示傅里叶逆变换；
(7)确定逼近系数
式中，<·>表示内积，φ1(t)为第1个分割区间内小波经验尺度函数的时域表示，
表示共轭，
为第1个分割区间内小波经验尺度函数的频谱；
(8)利用经验小波变换将主动脉搏波信号f(t)分解为N个固有模态分量，分解的各个频率尺度的模态时域函数表示为：
式中，fp′(t)为第p′个模态时域函数，其中p′＝1,...,N-1，主动脉搏波信号f(t)可表示为
(9)对N个模态时域函数按能量大小进行降序排列，得到序列Model_1,Model_2,…,Model_N；
(10)提取主动脉脉搏波波形信号的特征点：去除序列中的后m个模态分量，并将剩余的N-m个模态分量相加得到重构后的信号波形g3(t)；提取Model_1分量中的极大值，Model_2分量中的极小值，代入所述信号波形g3(t)，得到主动脉脉搏波波形信号的特征点，m的取值为3至5；
(11)建立特征点与主动脉搏波各时间段的映射关系：
A、主动脉搏波波谷：主动脉脉搏波波形最低点，预示着心脏快速射血期的开始；
B、主动脉搏波第一收缩波峰：主动脉脉搏波波形的第一个极大值点，预示着动脉压力和脉动容积最大值；
C、主动脉搏波第二收缩波峰：主动脉脉搏波波形的第二个极大值点，也称反射点；
D、主动脉搏波降中峡：主动脉脉搏波波形的第二个拐点，是心脏收缩与舒张的分界点，也称为重搏波波谷；
(12)由提取的特征点求解脉搏波传导时间PTT：由主动脉脉搏波第一收缩波峰和射血期停止点即脉搏波降中峡两个特征点求解脉搏波传导时间，具体为：
提取主动脉脉搏波第一收缩波峰对应的时间，即主动脉脉搏波波形的第一个极大值点对应的时间，记为TS；提取脉搏波降中峡应的时间，即主动脉脉搏波波形的第二个拐点对应的时间，记为TD，则脉搏波传导时间PTT为：
4.根据权利要求1所述的围术期患者非接触式生理信息监测装置，其特征在于，所述血压获取单元用于建立血压与脉搏波传导时间PTT的高斯过程回归算法模型，由此模型获取与脉搏波传导时间PTT相对应的血压值，血压值包括收缩压与舒张压，具体过程包括：
(1)利用血压计测得受试者的血压观测值BP1,BP2,…,BPn，将所有观测值作为训练集，n为训练样本数，每一个观测值被看作多维高斯分布中采样出来的一个点；PTT1,PTT2,…,PTTn分别为BP1,BP2，…,BPn对应的脉搏波传导时间；
将每个血压观测值BP建模为某个隐函数s(PTT)加一个符合均值为0、方差为
的独立高斯分布噪声ε，记为
即：
其中，PTT为输入向量，s(PTT)假定给予一个高斯过程先验，即：
s(PTT)～GP(0,K)
根据贝叶斯定律以及自变量PTT通过核函数从低维到高维的映射，获得血压观测值BP和血压预测值BP*的联合先验分布：
其中，K＝K(PTT,PTT)为n×n阶对称正定的协方差矩阵，矩阵内的元素用来度量PTT与PTT之间的相关性；K(PTT,PTT*)＝K(PTT*,PTT)T为脉搏波传导时间测试值PTT*与训练集的输入给定脉搏波传导时间观测值PTT之间的n×1阶协方差矩阵；k(PTT*,PTT*)为PTT*自身的协方差；In为n维单位矩阵，σn为高斯白噪声；
(2)血压预测值BP*服从高维高斯分布，通过贝叶斯公式进一步推导获得血压预测值BP*的后验分布即血压与脉搏波传导时间的高斯过程回归算法模型：
式中，BP*为输出，PTT、BP、PTT*为输入；
其中，
简写为：
式中，k(PTT*,PTT*)为PTT*自身的协方差函数，
为血压预测值BP*的均值，V(BP*)＝cov(BP*)为血压预测值BP*的方差，血压预测值BP*符合均值为
方差为V(BP*)的高斯分布；其中，血压的收缩压预测值SBP*服从均值为
方差为V(SBP*)的高斯分布；血压的舒张压预测值DBP*服从均值为
方差为V(DBP*)的高斯分布；
(3)根据脉搏波传导时间PTT获取对应的实时血压值：
将PTT代入SBP、DBP对应的高斯分布，即可获得对应的SBP、DBP的预测值。
5.根据权利要求1所述的围术期患者非接触式生理信息监测装置，其特征在于，所述生理信息异常报警模块包括：
生理信息接收单元，用于接收生理信息获取模块获得的呼吸信号g1(t)、心跳信号g2(t)，以及血压的实时值包括收缩压SBP和舒张压DBP；
生理信息处理单元，用于对呼吸信号g1(t)和心跳信号g2(t)做快速傅里叶变换，提取其峰值点所对应的频率分别为f1和f2；
比较及报警模块，用于：
A、设置4位观测数字分别对应呼吸、心跳、血压收缩压SBP和血压舒张压DBP；
B、设置呼吸频率正常范围为0.15～0.4Hz，设置心跳频率正常范围为0.83～1.5Hz，设置血压正常值范围为收缩压：90mmHg～140mmHg、舒张压：60mmHg～90mmHg；
C、将呼吸峰值频率f1、心跳峰值频率f2、血压收缩压SBP和舒张压DBP实时值与正常范围作比较，当数值处于正常范围时将观测数字标记为“0”，低于正常范围时将观测数字标记为“1”，高于正常范围时将观测数字标记为“2”；
D、当4位观测数字输出均为“0”时则说明患者生理信息一切正常，而当其中任意一位不为“0”时则发出报警。
6.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述装置各模块的功能。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述装置各模块的功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010649607.8A CN111887828B (zh) | 2020-07-08 | 2020-07-08 | 围术期患者非接触式生理信息监测装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010649607.8A CN111887828B (zh) | 2020-07-08 | 2020-07-08 | 围术期患者非接触式生理信息监测装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111887828A CN111887828A (zh) | 2020-11-06 |
| CN111887828B true CN111887828B (zh) | 2021-05-07 |
Family
ID=73192013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010649607.8A Active CN111887828B (zh) | 2020-07-08 | 2020-07-08 | 围术期患者非接触式生理信息监测装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111887828B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI750889B (zh) * | 2020-11-11 | 2021-12-21 | 國立臺灣科技大學 | 非接觸式血壓測量系統及其非接觸式血壓值計算之方法 |
| CN113069108B (zh) * | 2021-03-19 | 2025-02-21 | 北京京东拓先科技有限公司 | 用户状态监测方法、装置、电子设备及存储介质 |
| CN113598724A (zh) * | 2021-09-03 | 2021-11-05 | 上海市高血压研究所 | 用于评估心血管自主神经功能的装置 |
| CN115381401B (zh) * | 2022-08-24 | 2026-03-03 | 皖南医学院第一附属医院（皖南医学院弋矶山医院） | 应用于围术期患者的监护方法、系统及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040186111A1 (en) * | 2002-12-24 | 2004-09-23 | Qun Sun | Therapeutic agents useful for treating pain |
| US20150164996A1 (en) * | 2013-12-13 | 2015-06-18 | Sanofi | Non-acylated exendin-4 peptide analogues |
| CN106687128A (zh) * | 2014-10-31 | 2017-05-17 | Ngm生物制药有限公司 | 用于治疗代谢病症的组合物和方法 |
| CN107844849A (zh) * | 2017-08-08 | 2018-03-27 | 国网江苏省电力公司盐城供电公司 | 一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法 |
| CN108478203A (zh) * | 2018-02-08 | 2018-09-04 | 南京理工大学 | 一种基于单生命体征监测雷达的血压测量方法 |
| US10593431B1 (en) * | 2019-06-03 | 2020-03-17 | Kpn Innovations, Llc | Methods and systems for causative chaining of prognostic label classifications |
| US10682562B2 (en) * | 2017-01-17 | 2020-06-16 | Arccos Golf Llc | Autonomous personalized golf recommendation and analysis environment |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1879551A (zh) * | 2005-06-17 | 2006-12-20 | 中国科学院上海微系统与信息技术研究所 | 一种无线医疗监控方法和装置 |
| US9504391B2 (en) * | 2013-03-04 | 2016-11-29 | Microsoft Technology Licensing, Llc | Determining pulse transit time non-invasively using handheld devices |
| WO2016154256A1 (en) * | 2015-03-25 | 2016-09-29 | Quanttus, Inc. | Contact-less blood pressure measurement |
| CN204931636U (zh) * | 2015-08-31 | 2016-01-06 | 珠海市奥美软件科技有限公司 | 非接触式生命体征监测装置及睡眠管理系统 |
| CN105476602B (zh) * | 2015-11-25 | 2018-11-06 | 方姝阳 | 非接触式人体生命体征测量方法及装置 |
| CN107341581A (zh) * | 2017-08-08 | 2017-11-10 | 国网江苏省电力公司盐城供电公司 | 一种基于经验小波变换与高斯过程回归的新能源出力短期预测方法 |
| TWI675643B (zh) * | 2018-05-31 | 2019-11-01 | 國立中山大學 | 非接觸式脈搏傳輸時間量測系統及其非接觸式生理徵象感測裝置 |
| US12428640B2 (en) * | 2018-08-09 | 2025-09-30 | Washington University | Methods to modulate protein translation efficiency |
| CN111358464A (zh) * | 2018-12-26 | 2020-07-03 | 北京信息科技大学 | 一种针对卧床病人的非接触式生命体征监测方法 |
-
2020
- 2020-07-08 CN CN202010649607.8A patent/CN111887828B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040186111A1 (en) * | 2002-12-24 | 2004-09-23 | Qun Sun | Therapeutic agents useful for treating pain |
| US20150164996A1 (en) * | 2013-12-13 | 2015-06-18 | Sanofi | Non-acylated exendin-4 peptide analogues |
| CN106687128A (zh) * | 2014-10-31 | 2017-05-17 | Ngm生物制药有限公司 | 用于治疗代谢病症的组合物和方法 |
| US10682562B2 (en) * | 2017-01-17 | 2020-06-16 | Arccos Golf Llc | Autonomous personalized golf recommendation and analysis environment |
| CN107844849A (zh) * | 2017-08-08 | 2018-03-27 | 国网江苏省电力公司盐城供电公司 | 一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法 |
| CN108478203A (zh) * | 2018-02-08 | 2018-09-04 | 南京理工大学 | 一种基于单生命体征监测雷达的血压测量方法 |
| US10593431B1 (en) * | 2019-06-03 | 2020-03-17 | Kpn Innovations, Llc | Methods and systems for causative chaining of prognostic label classifications |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111887828A (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111887828B (zh) | 围术期患者非接触式生理信息监测装置、计算机设备和存储介质 | |
| CN106037694B (zh) | 一种基于脉搏波的连续血压测量装置 | |
| Oweis et al. | QRS detection and heart rate variability analysis: A survey | |
| CN108024730B (zh) | 使用数学分析和机器学习来诊断疾病的方法和系统 | |
| US9220437B2 (en) | Diagnostic classifications of pulse signal waveform data | |
| CN104173043B (zh) | 一种适合于移动平台的心电数据分析方法 | |
| WO2021208490A1 (zh) | 一种基于深度神经网络的血压测量方法及装置 | |
| JP6259471B2 (ja) | 麻酔深度の測定方法及び装置 | |
| CN109805931B (zh) | 基于太赫兹多普勒雷达的远距离生命微动信号检测方法 | |
| Raj et al. | A personalized point-of-care platform for real-time ECG monitoring | |
| Marzbanrad et al. | Cardiotocography and beyond: a review of one-dimensional Doppler ultrasound application in fetal monitoring | |
| Desai et al. | A real-time fetal ECG feature extraction using multiscale discrete wavelet transform | |
| CN102160787A (zh) | 一种基于时频变换的胎儿心电盲提取方法 | |
| CN111603138A (zh) | 一种基于毫米波雷达的睡眠呼吸暂停监测系统 | |
| CN110037668A (zh) | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 | |
| CN112006657B (zh) | 一种麻醉深度监测方法及装置 | |
| CN118749992B (zh) | 基于自适应傅里叶分解的心肺耦合特征提取方法及系统 | |
| CN112438712A (zh) | 非接触式血压变异性实时测量系统、计算机设备和存储介质 | |
| CN109498022A (zh) | 一种基于光电容积脉搏波的呼吸频率提取方法 | |
| CN114886403A (zh) | 一种基于脉搏主波间期的恶性心律失常识别与预测系统 | |
| Jiang et al. | A multi-scale parallel convolutional neural network for automatic sleep apnea detection using single-channel EEG signals | |
| CN114366060B (zh) | 一种基于心率变异性的健康预警方法、装置及电子设备 | |
| Gupta et al. | Pregnancy health monitoring system based on biosignal analysis | |
| Rahman et al. | TinyML based classification of fetal heart rate using mother’s abdominal ECG signal | |
| JP2023035888A (ja) | 無線レーダー信号に基づいて心拍データを抽出するための装置及び方法 |
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 |