CN112022126A - 一种基于CNN-BiLSTM模型和PPG的智能血压预测方法 - Google Patents
一种基于CNN-BiLSTM模型和PPG的智能血压预测方法 Download PDFInfo
- Publication number
- CN112022126A CN112022126A CN202011043946.8A CN202011043946A CN112022126A CN 112022126 A CN112022126 A CN 112022126A CN 202011043946 A CN202011043946 A CN 202011043946A CN 112022126 A CN112022126 A CN 112022126A
- Authority
- CN
- China
- Prior art keywords
- cnn
- model
- bilstm
- training
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000036772 blood pressure Effects 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000035487 diastolic blood pressure Effects 0.000 claims abstract description 11
- 230000035488 systolic blood pressure Effects 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000013186 photoplethysmography Methods 0.000 description 14
- 238000013135 deep learning Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000023516 stroke disease Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening 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
- A61B5/021—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于CNN‑BiLSTM模型和PPG的智能血压预测方法，采集受试者的PPG信号作为原始数据集，采用小波分解的方法对原始数据集进行去噪处理，并将其分为训练数据和测试数据；将训练数据和测试数据进行归一化处理，对PPG数据进行了下采样；构建CNN‑BiLSTM深度神经网络模型，将训练样本输入到CNN‑BiLSTM模型中进行训练；将测试样本数据输入到训练好的CNN‑BiLSTM模型中进行收缩压和舒张压的预测。本发明通过将CNN模型和BiLSTM模型有机结合，将数据的特征提取和预测任务集成在一起，提高了整个预测模型的关联性和预测精度，并能够有效且准确的实现人体收缩压和舒张压的预测。
Description
技术领域
本发明涉及收缩压和舒张压预测技术领域，具体为一种基于CNN-BiLSTM模型和PPG的智能血压预测方法。
背景技术
收缩压和舒张压是衡量人体健康状况的重要指标，也是中风和心血管疾病的危险指标，它们是全球范围内死亡率和发病率的主要原因。这些生理参数的准确测量，对预防和预测脑卒中和心脏疾病、高血压筛查、跟踪疾病患者(如术后患者、康复患者和重症监护病房患者)的临床进展具有重要作用。现有的血压测量方法需要在体表贴附充气式袖套和多个电极，不便于进行连续、实时的监测。在这种情况下，光电容积脉搏波(PPG)成为便携式血压测量最有效的方法。PPG是一种光电技术，它包含了有关人体系统的各种信息，包括心血管系统，呼吸系统和神经系统，吸引了研究人员进行生理参数的准确测量。PPG的简单性、便携性和低成本，促进了将其集成到移动和可穿戴设备上的能力，为实时监测提供了一种替代方案。
另一方面，采集到的PPG信号往往含有大量的噪声，对后续的预测工作带来了极大的困难。常见的噪声消除方法有插值法、平滑滤波、低通滤波等，但这些去噪方法对参考信号敏感，当用户运动时，其去噪效果就会大打折扣。选择合理的去噪方法，对后续的特征提取和血压预测都起着至关重要的作用。
近年来，深度学习(deep learning,DL)在特征提取和模式识别方面展现出独特的优势和潜力。将深度学习应用于人体健康检测已是趋势所向，各种各样的DL架构在健康指标预测方面取得了不错的效果。卷积神经网络(convolution neural networks,CNN)作为一种深度学习方法，具有权值共享、卷积操作和空间池化等特性，能够挖掘大量数据中的深层特征，在血压预测方面同样表现出色。但是，CNN的前一时刻的信息和下一时刻的信息无关。在一些处理和预测序列数据的任务中，需要利用历史信息完成预测任务。为了克服现有技术的不足，本发明的目的在于针对收缩压和舒张压这两个健康指标，提供了一种基于深度学习和PPG信号的收缩压和舒张压预测方法。该方法中的组合模型将CNN和双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)有机结合，将数据的特征提取和预测任务集成在一起，提高了整个预测模型的关联性和预测精度，并能够有效且准确的实现收缩压和舒张压的预测。
发明内容
本发明的目的在于提供一种基于CNN-BiLSTM模型和PPG的智能血压预测方法，其包括以下步骤：
采集受试者的PPG信号作为原始数据集，并对原始数据按照8s的窗口进行滑动分割，每次分割的新窗口与上一窗口有75％的重叠，能够实现对心脏活动有用信息的捕获，同时采用小波分解的方法对原始数据集进行去噪处理，并将其分为训练数据和测试数据，小波分解过程如下：
其中α为伸缩因子，β为平移因子，
为子波，是对母小波
的缩放和位移。
将训练数据和测试数据进行归一化处理，提升模型的收敛速度。此外，为了降低深度神经网络模型的计算复杂度，在保留重要信息的情况下，采用4的比例因子对PPG数据进行下采样；
构建CNN-BiLSTM深度神经网络模型，该模型包括两层CNN层、一层全局平均池化层和两层BiLSTM层，为了压缩特性，简化网络的复杂性，减少计算量，同时也为了避免梯度消失问题的发生，每一个卷积层后紧跟批归一化层和最大池化层，其中，CNN的卷积操作如式(2)所示：
其中
为第(k-1)层的第m个特征图的输出值；
为第k层第l个特征图与第(k-1)层第m个特征图之间的卷积核；
为第k层的第l个特征图所对应的阈值；Nl为输入的特征图集合；
为第k层的第l个特征图的输出值；f(·)为激活函数；
CNN-BiLSTM模型构建完成后，将训练样本输入到CNN-BiLSTM模型中进行训练，为了防止训练过程中出现严重的过拟合现象，还在模型中加入了dropout层；
将测试样本数据输入到训练好的CNN-BiLSTM模型中进行收缩压和舒张压的预测。
进一步，CNN-BiLSTM模型训练的方法采用的是Adam梯度下降方法，损失函数采用mean square error，批量大小为100，迭代次数为200，训练完成后，保持CNN-BiLSTM模型参数不变。
与现有技术相比，本发明的有益效果是：该基于CNN-BiLSTM模型和PPG的智能血压预测方法：本发明采用CNN-BiLSTM模型实现了对PPG信号的特征提取和血压预测，该组合模型将CNN和BiLSTM有机结合，将数据的特征提取和预测任务集成在一起，提高了整个预测模型的关联性和预测精度，能够有效且准确的实现人体收缩压和舒张压的预测。
附图说明
图1是本发明基于卷积神经网络和双向长短期记忆网络的血压预测方法流程图；
图2是本发明所提供的实例数据通过滑动窗口获取样本的示意图；
图3是CNN-BiLSTM深度神经网络模型结构图；
图4是本发明的DBP和SBP预测结果图，其中，(a)DBP预测结果，(b)SBP预测结果。
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，所描述的实施例仅仅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做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。
请参阅图1-4，本发明提供一种技术方案：包括以下步骤：
采集受试者的PPG信号作为原始数据集，采样频率为125Hz，并对原始数据按照如图2所示的8s的窗口进行滑动分割，每次分割的新窗口与上一窗口有75％的重叠，能够实现对心脏活动有用信息的捕获，同时采用小波分解的方法对原始数据集进行去噪处理，并将其分为训练数据和测试数据，小波分解过程如下：
其中α为伸缩因子，β为平移因子，
为子波，是对母小波
的缩放和位移。
将训练数据和测试数据进行归一化处理，提升模型的收敛速度。此外，为了降低深度神经网络模型的计算复杂度，在保留重要信息的情况下，采用4的比例因子对PPG数据进行下采样；
构建CNN-BiLSTM深度神经网络模型，所构建的深度神经网络模型如图3所示，该模型包括两层CNN层、一层全局平均池化层和两层BiLSTM层，为了压缩特性，简化网络的复杂性，减少计算量，同时也为了避免梯度消失问题的发生，每一个卷积层后紧跟批归一化层和最大池化层，其中，CNN的卷积操作如式(2)所示：
其中
为第(k-1)层的第m个特征图的输出值；
为第k层第l个特征图与第(k-1)层第m个特征图之间的卷积核；
为第k层的第l个特征图所对应的阈值；Nl为输入的特征图集合；
为第k层的第l个特征图的输出值；f(·)为激活函数；
CNN-BiLSTM模型构建完成后，将训练样本输入到CNN-BiLSTM模型中进行训练，为了训练模型，CNN-BiLSTM模型训练的方法采用Adam优化算法将mean square error最小化；
其中学习率设置为0.001，批量大小为100，迭代次数为200，训练完成后，保持CNN-BiLSTM模型参数不变；
其中，为了防止训练过程中出现严重的过拟合现象，还在模型中加入了dropout层；
将测试样本数据输入到训练好的CNN-BiLSTM模型中进行收缩压和舒张压预测，预测结果如图4所示。
最后，我们采用英国高血压学会(British Hypertension Society,BHS)标准对本发明的DBP和SBP的预测结果进行了分级，如表1所示，DBP达到了A级，SBP达到了B级。
表1为本发明中DBP和SBP的预测结果与BHS标准进行比较分析
表1
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于CNN-BiLSTM模型和PPG的智能血压预测方法，所述方法包括以下步骤；
采集受试者的PPG信号作为原始数据集，并对原始数据按照8s的窗口进行滑动分割，每次分割的新窗口与上一窗口有75％的重叠，能够实现对心脏活动有用信息的捕获，同时采用小波分解的方法对原始数据集进行去噪处理，并将其分为训练数据和测试数据，小波分解过程如下：
其中α为伸缩因子，β为平移因子，
为子波，是对母小波
的缩放和位移。
将训练数据和测试数据进行归一化处理，提升模型的收敛速度。此外，为了降低深度神经网络模型的计算复杂度，在保留重要信息的情况下，采用4的比例因子对PPG数据进行下采样；
构建CNN-BiLSTM深度神经网络模型，该模型包括两层CNN层、一层全局平均池化层和两层BiLSTM层，为了压缩特性，简化网络的复杂性，减少计算量，同时也为了避免梯度消失问题的发生，每一个卷积层后紧跟批归一化层和最大池化层，其中，CNN的卷积操作如式(2)所示：
其中
为第(k-1)层的第m个特征图的输出值；
为第k层第l个特征图与第(k-1)层第m个特征图之间的卷积核；
为第k层的第l个特征图所对应的阈值；Nl为输入的特征图集合；
为第k层的第l个特征图的输出值；f(·)为激活函数；
CNN-BiLSTM模型构建完成后，将训练样本输入到CNN-BiLSTM模型中进行训练，为了防止训练过程中出现严重的过拟合现象，还在模型中加入了dropout层；
将测试样本数据输入到训练好的CNN-BiLSTM模型中进行收缩压和舒张压的预测。
2.如权利要求1所述的一种基于CNN-BiLSTM模型和PPG的智能血压预测方法，其特征在于，所述步骤(4)中，CNN-BiLSTM模型训练的方法采用的是Adam梯度下降方法，损失函数采用mean square error，批量大小为100，迭代次数为200，训练完成后，保持CNN-BiLSTM模型参数不变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011043946.8A CN112022126A (zh) | 2020-09-28 | 2020-09-28 | 一种基于CNN-BiLSTM模型和PPG的智能血压预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011043946.8A CN112022126A (zh) | 2020-09-28 | 2020-09-28 | 一种基于CNN-BiLSTM模型和PPG的智能血压预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112022126A true CN112022126A (zh) | 2020-12-04 |
Family
ID=73574969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011043946.8A Pending CN112022126A (zh) | 2020-09-28 | 2020-09-28 | 一种基于CNN-BiLSTM模型和PPG的智能血压预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112022126A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836788A (zh) * | 2020-12-21 | 2021-05-25 | 中国电子科技集团公司第二十七研究所 | 一种用于干扰类型识别的低功耗深度学习网络方法 |
| CN113499048A (zh) * | 2021-07-22 | 2021-10-15 | 重庆理工大学 | 一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法 |
| CN113693575A (zh) * | 2021-08-06 | 2021-11-26 | 武汉理工大学 | 一种基于轻量级神经网络的ppg血压检测方法 |
| CN114098681A (zh) * | 2021-11-12 | 2022-03-01 | 南京海量物联科技有限公司 | 一种基于tcn模型和ppg信号的智能血压预测方法 |
| CN114224303A (zh) * | 2021-10-19 | 2022-03-25 | 安徽大学 | 一种无创血压预测方法及系统 |
| CN114239658A (zh) * | 2021-12-20 | 2022-03-25 | 桂林电子科技大学 | 一种基于小波分解与gru神经网络的血糖预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200046244A1 (en) * | 2018-08-08 | 2020-02-13 | Tata Consultancy Services Limited | Parallel implementation of deep neural networks for classifying heart sound signals |
| CN111248882A (zh) * | 2020-02-21 | 2020-06-09 | 乐普（北京）医疗器械股份有限公司 | 一种预测血压的方法和装置 |
| CN111248880A (zh) * | 2020-02-21 | 2020-06-09 | 乐普（北京）医疗器械股份有限公司 | 一种基于光体积变化描记图法信号的血压预测方法和装置 |
| CN111358455A (zh) * | 2020-03-17 | 2020-07-03 | 乐普（北京）医疗器械股份有限公司 | 一种多数据源的血压预测方法和装置 |
-
2020
- 2020-09-28 CN CN202011043946.8A patent/CN112022126A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200046244A1 (en) * | 2018-08-08 | 2020-02-13 | Tata Consultancy Services Limited | Parallel implementation of deep neural networks for classifying heart sound signals |
| CN111248882A (zh) * | 2020-02-21 | 2020-06-09 | 乐普（北京）医疗器械股份有限公司 | 一种预测血压的方法和装置 |
| CN111248880A (zh) * | 2020-02-21 | 2020-06-09 | 乐普（北京）医疗器械股份有限公司 | 一种基于光体积变化描记图法信号的血压预测方法和装置 |
| CN111358455A (zh) * | 2020-03-17 | 2020-07-03 | 乐普（北京）医疗器械股份有限公司 | 一种多数据源的血压预测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| XUE XU等: "Interpretation of Electrocardiogram (ECG) Rhythm by Combined CNN and BiLSTM", 《IEEE》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836788A (zh) * | 2020-12-21 | 2021-05-25 | 中国电子科技集团公司第二十七研究所 | 一种用于干扰类型识别的低功耗深度学习网络方法 |
| CN112836788B (zh) * | 2020-12-21 | 2022-12-27 | 中国电子科技集团公司第二十七研究所 | 一种用于干扰类型识别的低功耗深度学习网络方法 |
| CN113499048A (zh) * | 2021-07-22 | 2021-10-15 | 重庆理工大学 | 一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法 |
| CN113693575A (zh) * | 2021-08-06 | 2021-11-26 | 武汉理工大学 | 一种基于轻量级神经网络的ppg血压检测方法 |
| CN114224303A (zh) * | 2021-10-19 | 2022-03-25 | 安徽大学 | 一种无创血压预测方法及系统 |
| CN114098681A (zh) * | 2021-11-12 | 2022-03-01 | 南京海量物联科技有限公司 | 一种基于tcn模型和ppg信号的智能血压预测方法 |
| CN114239658A (zh) * | 2021-12-20 | 2022-03-25 | 桂林电子科技大学 | 一种基于小波分解与gru神经网络的血糖预测方法 |
| CN114239658B (zh) * | 2021-12-20 | 2024-05-10 | 桂林电子科技大学 | 一种基于小波分解与gru神经网络的血糖预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112022126A (zh) | 一种基于CNN-BiLSTM模型和PPG的智能血压预测方法 | |
| CN107822622A (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
| CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
| CN113349752B (zh) | 一种基于传感融合的可穿戴设备实时心率监测方法 | |
| CN110623658A (zh) | 信号处理方法、信号处理装置、医学设备、存储介质 | |
| CN112914527B (zh) | 一种基于脉搏波光电容积描记术的动脉血压信号采集方法 | |
| CN112022125A (zh) | 一种基于CNN-BiGRU模型和PPG的智能血压预测方法 | |
| CN110944577A (zh) | 一种血氧饱和度的检测方法与系统 | |
| Jin et al. | A novel attentional deep neural network-based assessment method for ECG quality | |
| CN110946566A (zh) | 一种基于U-Net网络的心拍分类方法、装置、设备及存储介质 | |
| Li et al. | A low-complexity ECG processing algorithm based on the Haar wavelet transform for portable health-care devices | |
| CN110840428B (zh) | 基于一维U-Net网络的无创血压估计方法 | |
| Li et al. | Computerized wrist pulse signal diagnosis using gradient boosting decision tree | |
| CN116369877A (zh) | 一种基于光电容积脉搏波的无创血压估计方法 | |
| CN110916672A (zh) | 一种基于一维卷积神经网络的老年人日常活动监测方法 | |
| Choi et al. | Attention-lrcn: long-term recurrent convolutional network for stress detection from photoplethysmography | |
| Yen et al. | Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN. | |
| CN201414795Y (zh) | 模糊心电图智能在线分析仪系统 | |
| Liu et al. | Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks | |
| LU502768B1 (en) | Intelligent blood pressure prediction method based on multi-scale residual network and ppg signal | |
| CN114862865B (zh) | 基于多视角冠状动脉造影序列图像的血管分割方法及系统 | |
| CN115836847A (zh) | 一种血压预测装置及设备 | |
| CN114521900A (zh) | 一种基于迁移学习心律失常分类识别的方法 | |
| CN114587310A (zh) | 一种基于光电容积脉搏波实现有创血压波形估计的方法 | |
| CN113143204A (zh) | 心电信号质量评估方法、计算机装置和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |
|
| RJ01 | Rejection of invention patent application after publication |