CN112203582B - 脉冲传播时间确定方法和系统 - Google Patents
脉冲传播时间确定方法和系统 Download PDFInfo
- Publication number
- CN112203582B CN112203582B CN201880094089.9A CN201880094089A CN112203582B CN 112203582 B CN112203582 B CN 112203582B CN 201880094089 A CN201880094089 A CN 201880094089A CN 112203582 B CN112203582 B CN 112203582B
- Authority
- CN
- China
- Prior art keywords
- parameter
- subject
- ppg signal
- parameters
- ppg
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000012549 training Methods 0.000 claims abstract description 163
- 230000002526 effect on cardiovascular system Effects 0.000 claims abstract description 63
- 210000000748 cardiovascular system Anatomy 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 78
- 238000003860 storage Methods 0.000 claims description 61
- 238000009826 distribution Methods 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008080 stochastic effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 15
- 238000012360 testing method Methods 0.000 description 147
- 230000008569 process Effects 0.000 description 50
- 230000006870 function Effects 0.000 description 36
- 230000000875 corresponding effect Effects 0.000 description 35
- 238000005259 measurement Methods 0.000 description 16
- 239000000284 extract Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000013459 approach Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000035487 diastolic blood pressure Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000035488 systolic blood pressure Effects 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013112 stability test Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 241000579895 Chlorostilbon Species 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000002831 pharmacologic agent Substances 0.000 description 1
- 229920001451 polypropylene glycol Polymers 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
- A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
-
- 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
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
提供了用于确定与受试者的心血管系统有关的心血管参数的方法和系统,诸如脉冲传播时间(PTT)。一种示例性方法可以包括获取受试者的光电容积描记图(PPG)信号并确定与PPG信号有关的至少两个第一参数。该方法还可以包括确定受试者的第二参数。第二参数可以指示所述受试者的随机效果。该方法可以进一步包括至少经由训练模型基于所述至少两个第一参数和所述第二参数来确定所述心血管参数。
Description
技术领域
本申请总体上涉及脉冲传播时间确定,并且具体地涉及用于使用机器学习算法来确定脉冲时间的方法和系统。
背景技术
脉冲传播时间(PTT)是当心脏将搏动量喷射到动脉时,血压波沿着动脉从心脏传播到外周的时间。PTT可能与诸如收缩压和舒张压之类的心血管特征高度相关,并且可以被测量以诊断各种类型的心血管和脑血管疾病。例如,PTT可以用作动脉僵硬度的度量,并且可以用于估计动脉血压的趋势。此外,就评估药理剂的效力和调整其剂量而言,PTT监测在高血压的管理中可能是有价值的。
在现有技术中,个体的PTT的测量或确定依赖于该个体的心电图(ECG)信号的测量和光电容积描记图(PPG)信号的测量。通常,例如通过使用佩戴在肢体(例如手指)的尖端上的单个传感器(例如,脉搏血氧仪),可以相对容易地进行PPG信号的测量。然而,ECG信号的测量相对复杂。例如,为了测量ECG信号,需要在胸部、手等的多个位置上佩戴多个电极垫,这需要特定的测量设备并且在实际测量操作中不方便。测量的PPG信号和ECG信号之间的同步也很麻烦,并且可能会引入其他错误。因此,期望提供更有效地确定个人的PTT的方法和系统。
发明内容
根据本申请的一方面,提供了一种用于确定与受试者的心血管系统有关的心血管参数(例如,脉冲传播时间(PTT))的方法。所述方法可以包括获取所述受试者的光电容积描记图(PPG)信号并确定与所述PPG信号有关的至少两个第一参数。所述方法还可以包括确定所述受试者的第二参数。所述第二参数可以指示所述受试者的随机效果。所述方法可以进一步包括至少经由训练模型基于所述至少两个第一参数和所述第二参数来确定所述心血管参数。
在一些实施例中,所述方法可以进一步包括:通过将所述受试者的所述PPG信号与至少两个预先获取的PPG信号进行匹配,从所述至少两个预先获取的PPG信号中选择至少一个相似的PPG信号;以及至少基于与所述至少一个相似的PPG信号相关联的第二参数来确定所述受试者的所述第二参数。所述至少两个预先获取的PPG信号中的每一个与一个第二参数有关。
在一些实施例中,与所述至少两个预先获取的PPG信号相关联的至少两个所述第二参数可以满足正态分布或广义正态分布。
在一些实施例中,确定所述至少两个第一参数可以包括:获取至少一个特征提取均值;以及通过经由所述至少一个特征提取均值,基于所述PPG信号、所述PPG信号的第一一阶导数和所述PPG信号的二阶导数中的至少一个来提取特征,以确定所述至少两个第一参数中的至少一些。
在一些实施例中,所述方法可以进一步包括训练模型。所述训练模型可以包括至少两个第一候选特征。所述至少两个第一候选特征可以包括与PPG信号、所述PPG信号的一阶导数和所述PPG信号的二阶导数中的至少一个相关联的特征。所述训练模型还可以包括获得训练数据集。所述训练数据集可以包括至少两个标准PPG信号和对应于所述PPG信号的至少两个标准心血管参数(例如,PTT)。所述训练模型可以进一步包括:基于所述训练数据集,使用特征选择例程从所述至少两个第一候选特征中选择至少两个第二候选特征;以及通过基于所述训练数据集求解回归函数,确定与所述至少两个第二候选特征中的每个候选特征相关联的权重。所述回归函数可以包括与所述至少两个第二候选特征相关联的至少一个变量和与所述第二参数相关联的至少一个变量。通过求解所述回归函数,可以为每个所述标准PPG信号确定第二参数。所述训练模型还可以包括:基于所述确定的权重,从所述至少两个第二候选特征中选择至少两个目标特征;以及基于所述至少两个目标特征及其权重生成所述模型。所述模型可以包括与所述第二参数相关联的变量。所述训练模型可以进一步包括根据所述目标特征生成所述至少一个特征提取均值。
在一些实施例中,从所述至少两个第一候选特征中选择所述至少两个第二候选特征可以包括:基于所述训练数据集,确定所述至少两个第一候选特征之间的至少两个相关。基于所述至少两个相关选择所述至少两个第二候选特征。
在一些实施例中,通过基于所述训练数据集求解所述回归函数,可以将一个或以上所述权重设置为零。
在一些实施例中,确定的所述标准PPG信号的所述第二参数可以满足正态分布或广义正态分布。
在一些实施例中,可以使用期望最大化算法来求解所述回归函数。
在一些实施例中,所述至少两个第一候选特征的数量可以在500与1000之间的范围内。
在一些实施例中,所述模型可以进一步包括与所述受试者的人体测量特征信息相关联的一个或以上变量。所述方法可以进一步包括基于所述受试者的人体测量特征信息确定所述受试者的一个或以上第三参数。所述心血管参数可以进一步基于所述受试者的所述一个或以上第三参数来确定。
在一些实施例中,所述方法可以进一步包括:由传感器通过在预定时间内检测所述受试者的脉冲来生成所述受试者的原始PPG信号;以及通过预处理所述原始PPG信号来生成所述PPG信号。
在一些实施例中,所述至少两个第一参数的数量可以在30至150之间的范围内。
根据本申请的另一方面,提供了一种用于确定与受试者的心血管系统有关的心血管参数(例如,PTT)的系统。所述系统可以包括至少一个处理器和至少一个用于存储指令的存储装置。所述指令在由所述至少一个处理器执行时,可以使所述系统获取所述受试者的光电容积描记图(PPG)信号并确定与所述PPG信号有关的至少两个第一参数;可以使所述系统进一步确定所述受试者的第二参数,所述第二参数可以指示所述受试者的随机效果;可以进一步使所述系统至少经由训练模型基于所述至少两个第一参数和所述第二参数来确定所述心血管参数。
根据本申请的另一方面,提供了一种用于确定与受试者的心血管系统有关的心血管参数(例如,PTT)的系统。所述系统可以包括PPG信号模块、第一参数模块、第二参数模块和确定模块。所述PPG信号模块可以用于获取所述受试者的光电容积描记图(PPG)信号。所述第一参数模块可以用于确定与所述PPG信号有关的至少两个第一参数。所述第二参数模块可以用于确定所述受试者的第二参数。所述第二参数可以指示所述受试者的随机效果。所述确定模块可以用于经由训练模型基于所述至少两个第一参数和所述第二参数来确定所述心血管参数。
根据本申请的另一方面,提供了一种存储指令的非暂时性计算机可读介质。所述指令在由处理器执行时,可使所述处理器执行用于确定与受试者的心血管系统有关的心血管参数(例如,PTT)的操作。所述操作可以包括:获取受试者的光电容积描记图(PPG)信号;以及确定与所述PPG信号有关的至少两个第一参数。所述操作还可以包括确定所述受试者的第二参数。所述第二参数可以指示所述受试者的随机效果。所述操作可以进一步包括经由训练模型基于所述至少两个第一参数和所述第二参数来确定所述心血管参数。
本申请的一部分附加特性可以在以下描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解,本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各个方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例,在这些实施例中,各图中相同的编号表示相似的结构,其中:
图1是示出根据本申请的一些实施例的用于确定受试者的脉冲传播时间(PTT)的示例性系统的示意图;
图2是示出示例性计算装置的示意图;
图3是示出根据本申请的一些实施例的示例性PTT确定装置的示意图;
图4是示出根据本申请的一些实施例的PTT确定的示例性过程的流程图;
图5-A是示出示例性测试PPG信号的示意图;
图5-B是示出图5-A所示的测试PPG信号中的示例性单脉冲PPG信号的示意图;
图5-C是示出图5-B所示的单脉冲PPG信号的一阶导数的示意图;
图6是示出根据本申请的一些实施例的用于基于测试PGG信号来确定PTT的示例性过程的流程图;
图7是示出根据本申请的一些实施例的示例性模型训练模块的示意图;以及
图8是示出根据本申请的一些实施例的用于训练用于PTT确定的模型的示例性过程的流程图。
具体实施方式
本申请的实施例提供了用于确定与受试者的心血管系统有关的心血管参数(例如,PTT)的方法和系统。该确定方法可以基于受试者的光电容积描记图(PPG)信号和受试者的随机效应。可以经由模型来执行这种确定,并且模型的训练可以涉及特征的一个或以上选择。参照确定脉冲传播时间(PTT)通过示例的方式描述了该方法和系统,并且受试者的心电图(ECG)信号可以不涉及这种PTT的确定。
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。然而,本领域技术人员应该明白,可以在没有这些细节的情况下实施本申请。在其他情况下,已经在相对较高的级别上描述了公知的方法、过程、系统、组件和/或电路,而没有细节,以避免不必要地使本申请的各方面不清楚。对于本领域的普通技术人员来讲,显然可以对所披露的实施例作出各种改变,并且在不偏离本申请的原则和范围的情况下,本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此,本申请不限于所示的实施例,而是符合与申请专利范围一致的最广泛范围。
本申请中所使用的术语仅出于描述特定示例实施例的目的,而非限制性的。如本申请使用的单数形式“一”、“一个”及“该”同样可以包括复数形式,除非上下文明确提示例外情形。还应当理解,如在本申请说明书中使用的术语“包括”、“包含”仅提示存在所述特征、整数、步骤、操作、组件和/或部件,但并不排除存在或添加一个或以上其它特征、整数、步骤、操作、组件、部件和/或其组合的情况。
可以理解的是,本文中使用的术语“系统”、“单元”、“模块”和/或“区块”是用于按升序区分不同级别的不同构件、元件、零件、部分或组件的方法。然而,如果可以达到相同的目的,这些术语也可以被其他表达替换。
通常,如本文中所使用的,单词“模块”、“子模块”、“单元”或“块”是指体现在硬件或固件中的逻辑,或指代软件指令的集合。本文描述的模块、单元或块可以被实现为软件和/或硬件,并且可以被存储在任何类型的非暂时性计算机可读介质或另一存储装置中。在一些实施例中,可以编译软件模块、单元、块并将其链接到可执行程序中。应当理解,软件模块可以从其他模块、单元、块或从它们自身调用,和/或可以响应检测到的事件或中断来调用。
可以在计算机可读介质上提供用于在计算装置(例如,图2中所示的处理器210)上执行的软件模块、单元、块,所述计算机可读介质,例如光盘、数字视频盘、闪存驱动器、磁性装置。光盘或任何其他有形媒体,或者作为数字下载(并且可以最初以压缩或可安装的格式存储,需要在执行之前进行安装、解压缩或解密)。这里的软件代码可以被部分的或全部的储存在执行操作的计算装置的存储装置中,并应用在计算装置的操作之中。软件指令可以嵌入在诸如EPROM的固件中。还应当理解,硬件模块、单元、块可以包括在连接的逻辑组件中,例如门和触发器、和/或可以包括可编程单元、可编程门阵列或处理器。这里描述的模块、单元、块或计算装置功能可以实现为软件模块、单元、块,但是可以用硬件或固件表示。通常,这里描述的模块、单元、块指的是逻辑模块、单元、块,其可以与其他模块、单元、块组合或者分成子模块、子单元、子块,尽管它们是物理组织或存储器件。该描述可适用于系统、引擎或其一部分。
可以理解的是,除非上下文另有明确说明,当单元、引擎、模块或块被称为在另一单元、引擎、模块或块“上”、“连接”或“耦合至”另一单元、引擎、模块或块时,其可以直接在其它单元、引擎、模块或块上,与其连接或耦合或与之通信,或者可能存在中间单元、引擎、模块或块。在本申请中,术语“和/或”可包括任何一个或以上相关所列条目或其组合。
根据以下对附图的描述,本申请的这些和其它的特征、特点以及相关结构元件的功能和操作方法,以及部件组合和制造经济性,可以变得更加显而易见,这些附图都构成本申请说明书的一部分。然而,应当理解的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。
图1是示出根据本申请的一些实施例的用于确定受试者的脉冲传播时间(PTT)的示例性系统的示意图。用于确定受试者的PTT的系统100可以包括PTT确定装置110、传感器120、服务器130和网络140。系统100可以进一步包括需要的附加装置或组件。
PTT确定装置110可以基于受试者的光电容积描记图(PPG)信号(或者被称为测试PPG信号,例如,测试PPG信号152)来确定受试者(例如,患者、用户)的PTT。PTT确定装置110可以确定与测试PPG信号有关的至少两个第一参数。基于受试者的至少两个第一参数和用于指示受试者的随机效果的第二参数,PTT确定装置110可以在不使用受试者的ECG信号的情况下确定受试者的PTT。在一些实施例中,服务器130可以由图2所示的计算装置来实现。
PTT确定装置110可以将至少两个第一参数和第二参数输入到PTT模型153中,该PTT模型153可以将至少两个第一参数和第二参数作为输入的至少一部分,并且将PTT确定为输出。例如,PTT模型153可以包括与至少两个第一参数和第二参数相对应的变量。在一些实施例中,PTT模型153可以是包括与其变量相关联的至少两个系数(或权重)的线性函数,并且确定的PTT可以是输入的加权和。
PTT确定装置110可以经由传感器120和/或从网络140可访问的存储装置(例如,图2所示的存储装置220)获得测试PPG信号。例如,PTT确定装置110可以获取由传感器120从受试者收集的原始PPG信号。PTT确定装置110可以对原始PPG信号进行预处理(例如,降噪、平滑)以生成测试PPG信号。又例如,PTT确定装置110可以从存储装置中获取受试者的预先获取的PPG信号或经过预处理的原始PPG信号。在一些实施例中,存储装置可以被包括在服务器130中或通信地连接到服务器130。为了简单起见,除非另有说明,在本申请中,原始PPG信号通常可以指直接由测量装置(例如,传感器120)收集的PPG信号,而无需进一步处理,并且PPG信号或测试PPG信号可以通常指预处理的原始PPG信号。
在一些实施例中,PTT确定装置110可以通过从与测试PPG信号有关的数据中提取特征来确定至少两个第一参数。与测试PPG信号有关的数据可以包括测试PPG信号、测试PPG信号的一阶导数或测试PPG信号的二阶导数中的至少一个。在本申请的其他地方(例如,结合图5A至图5C)提供了特征和至少两个第一参数的详细描述。
PTT确定装置110可以从存储装置(例如,图2所示的存储装置220)中获取受试者的预定第二参数。可替代地或可附加地,PTT确定装置110可以实时确定第二参数。
在一些实施例中,PTT确定装置110可以进一步基于与受试者的人体测量特征信息相关联的一个或以上第三参数来确定受试者的PTT。PTT模型153可以进一步将一个或以上第三参数作为输入的一部分。例如,PTT模型153还可包括与一个或以上第三参数相对应的一个或以上变量。受试者的人体测量特征信息可以包括长期不变信息,例如性别和身高(对于成年人),定期变化的信息(例如年龄)和短期变化信息(例如体重、体脂率和未成年人的身高)之类。
PTT确定装置110可以基于受试者的人体测量特征信息来确定一个或以上第三参数。PTT确定装置110可以以各种方式获取受试者的人体测量特征信息。例如,PTT确定装置110可以提供输入平均值(例如,触摸屏、键盘、鼠标、麦克风),以允许操作员(例如,受试者、技术人员)输入人体测量特征信息的至少一部分。又例如,系统100可以包括至少一个测量装置,以通过对受试者执行相应的测量来获得人体测量特征信息的至少一部分(例如,体重、身高)。至少一个或以上测量装置可以经由一根或多根电缆或网络140将获得的人体测量特征信息发送到PTT确定装置110。再例如,PTT确定装置110可以使用受试者的身份信息从数据库(例如,数据库132)获取受试者的预先记录的人体测量特征信息。又如另一个示例,PTT确定装置110可以分析受试者的图像以确定受试者的人体测量特征信息的至少一部分(例如,性别)。
在本申请的其他地方(例如,结合图3)提供了对PTT确定设备110的详细描述和示例性PTT确定过程。
传感器120可以收集来自受试者的原始PPG信号。传感器120可以放置在受试者的肢体(例如,指尖、腕部)、颈部、耳垂等上,以采样原始PPG信号。在一些实施例中,传感器120可以是光电传感器,并且可以包括光发射器121和光接收器123。发光器121可以向受试者发光。光可以穿透受试者或从受试者反射。光接收器123可以接收反射光或穿透光。传感器120可以检测所发射的光与所接收的光之间的差异,并由此产生原始的PPG信号。在一些实施例中,发光器121可以包括发光二极管(LED)或激光二极管(LD),并且光接收器123可以包括光电二极管或图像传感器,例如互补金属氧化物半导体(CMOS)、图像传感器(CIS)。可以注意到,传感器120可以是能够测量受试者的PPG信号的任何装置,并且不限于光电传感器。
在一些实施例中,PTT确定装置110和传感器120可以经由一根或多根电缆(例如,图1中所示的虚线箭头)或网络140彼此通信。例如,传感器120可以是光电传感器(例如,包括在脉搏血氧仪151中),而PTT确定装置110可以是终端装置。终端装置可以是个人计算机(PC)、服务器、移动计算装置、可穿戴计算装置等。例如,PTT确定装置110可以是移动计算装置(例如,移动电话、平板计算机),并且可以经由网络140(例如,Wi-Fi网络、蓝牙TM网络)与传感器120通信。
在一些实施例中,传感器120可以被包括在PTT确定装置110中。例如,PTT确定装置110可以是可穿戴计算装置,诸如智能手镯、智能带、智能手表、虚拟现实(VR)装置等。当受试者佩戴PTT确定装置110时,传感器120可以位于适合于对受试者的原始PPG信号进行采样的位置。PTT确定装置110(例如,智能手表)可以包括用于显示所确定的受试者的PTT的屏幕。可替代地或可附加地,PTT确定装置110可以(例如,经由网络140)将所确定的PTT发送到包括屏幕的装置(例如,移动电话、电视、计算机、虚拟现实装置)或投影仪,以用于显示。
在一些实施例中,传感器120可以将原始PPG信号发送到PTT确定装置110,并且PTT确定装置110可以预处理(例如,降噪、平滑)原始PPG信号以生成用于PTT确定的测试PPG信号。可替代地或可附加地,传感器120可以包括用于预处理原始PPG信号的逻辑电路,并且将预处理的PPG信号发送到PTT确定装置110。PTT确定装置110可以直接对接收到的PPG信号执行PTT确定,而无需进一步处理原始PPG信号。
在一些实施例中,PTT确定装置110可以将控制信号发送到传感器120以用于控制原始PPG信号的采样。
服务器130可以是本地的或远程的。服务器130可以包括模型训练模块131和数据库132。模型训练模块131可以从数据库132获取训练数据集,并使用训练数据集训练PTT模型153。PTT确定装置110可以经由网络140从服务器获取训练有素的PTT模型153,并且操作所获取的PTT模型153以确定受试者的PTT。可替代地,PTT确定装置110可以经由网络140将至少两个第一参数、第二参数(可选)以及一个或以上第三参数(可选)发送到服务器130。服务器130可以操作训练有素的PTT模型153来确定受试者的PTT,然后将所确定的PTT发送到PTT确定装置110。
服务器130可以是单个服务器或服务器组。例如,服务器130可以是单个服务器,并且模型训练模块131和基于数据的132都可以被包括在这样的单个服务器中。又例如,服务器130可以是服务器组。模型训练模块131可以由服务器组中的一个或以上服务器来实现,而数据库132可以由服务器组中的另一个或一些其他服务器来实现。这样的服务器组可以是集中的或分布式的(例如,服务器130可以是分布式系统)。在一些实施例中,服务器130可以由图2所示的计算装置来实现。
在一些实施例中,数据库132可以由存储装置(例如,图2所示的存储装置220)或一组存储装置来实现。数据库132可以包括至少两个预先获取的PPG信号(或被称为标准PPG信号)。每个标准PPG信号可以与标准PTT相关联,该标准PTT可以通过在本领域中对与对应的标准PPG信号相关联的受试者执行PTT测量或确定例程来获得。例如,为了确定标准PTT,可以同时对受试者执行PGG信号采样操作和ECG信号采样操作。可以基于收集的PGG信号和收集的ECG信号确定标准PTT,然后将其存储在数据库132中。所收集的PPG信号也可以作为与标准PTT相关联的标准PPG被存储在数据库132中。
数据库132可以进一步包括至少两个第二参数,每个第二参数与标准PPG信号相关联。至少两个第二参数中的每一个可以指示与相应的标准PPG信号相关联的受试者的随机效应。统计中的“随机效应”是指受试者对总体平均值的特定受试者效应。在本申请中,“人口平均”可以被视为仅考虑PGG信号和/或受试者的已知特征(例如,提取用于确定PTT的特征、提取用于训练模型的特征),考虑到PGG信号和/或受试者的未知特征,“随机效应”可以被视为受试者特定的偏差。第二参数可以是这样的偏差,或者可以用于确定这样的偏差。
在一些实施例中,如果确定了第二受试者的生理特征(例如,至少一部分生理特征与心血管系统相关),则第一受试者的第二参数也可以用于确定第二受试者的PTT,(通过PTT确定装置110或服务器130),类似于第一受试者。例如,如果PTT确定装置110(或服务器130)确定第二受试者的测试PPG信号(例如,基于匹配算法或匹配策略),类似于第一受试者的测试PPG信号,和/或第二受试者的人体测量特征信息与第一受试者的人体测量特征信息相似,PTT确定装置110可将第一受试者的第二参数视为第二受试者的第二参数或基于第一受试者的第二参数来确定第二受试者的第二参数。
在本申请中,用于确定PTT(或任何其他心血管参数)的模型可以被认为由两部分形成,第一部分可以用于确定PTT上的“人口平均”,并且可以取至少两个第一参数(以及一些实施例中的一个或以上第三参数)作为其至少一些输入,第二部分可用于确定受试者对PTT的“特定受试者效应”(或“随机效应”)并且可以将第二个参数作为其输入或输入之一。可以根据受试者的“随机效应”影响的“人口平均”来查看所测得的受试者的PTT。在一些实施例中,受试者的确定的PTT是由模型的第一部分确定的“人口平均”与由模型的第二部分确定的“随机效应”(或偏差)之和。
在一些实施例中,第二参数本身可以是受试者特定偏差。与标准PPG信号相关联的第二参数可以满足特定分布,例如正态分布、广义正态分布(例如,指数幂分布、偏态正态分布)。在一些实施例中,数据集132中的第二参数可以例如在PTT模型153的训练期间由模型训练模块131确定。所确定的第二参数可以被存储在数据库132中并且与对应的标准PPG信号相关联。
在一些实施例中,服务器130或数据库132可以被称为数据中心或数据仓库。可以采用相关技术来构建、操作、更新和/或维护服务器130或数据库132。
模型训练模块153可以获取至少一些标准PPG信号和与之对应的标准PTT,以形成PTT模型153的训练数据集。在本申请的其他地方(例如,结合图6和图7)提供了模型训练模块131和PTT模型153的训练的详细描述。
在一些实施例中,PTT模型153可以进一步将与受试者的人体测量特征信息相关联的上述一个或以上第三参数作为输入。数据库132还可以包括与每个标准PPG信号相关联的受试者的人体测量特征信息。模型训练模块131可以进一步获取与至少一些标准PPG信号相关联的人体测量特征信息,以形成PTT模型153的训练数据集。
网络140可以包括可以促进系统100的信息和/或数据的交换的任何合适的网络。在一些实施例中,系统100的一个或以上组件(例如,PTT确定装置110、传感器120、服务器130)可以经由网络140与系统100的一个或以上其他组件通信信息和/或数据。例如,PTT确定装置110可以经由网络140从传感器140获得原始PPG数据。网络140可以是和/或包括公共网络(例如,互联网)、专用网络(例如,局域网(LAN)、广域网(WAN))、有线网络(例如,以太网)、无线网络(例如802.11网络、Wi-Fi网络)、蜂窝网络(例如长期演进网络(LTE))、帧中继网络、虚拟专用网络(“VPN”)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任何组合。仅作为示例,网络140可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局域网(WLAN)、城域网(MAN)、公共电话交换网(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信(NFC)网络等,或其任意组合。在一些实施例中,网络140可以包括一个或以上网络接入点。例如,网络140可以包括诸如基站和/或互联网交换点之类的有线和/或无线网络接入点,系统100的一个或以上组件可以通过有线和/或无线网络接入点连接到网络140以交换数据和/或信息。
为了描述和演示目的的方便,在此参考PTT确定以示例的方式描述本申请。然而,应当理解,本申请的原理可以应用于确定替代性心血管参数。例如,系统100(或PTT确定装置110)可以用于基于与PPG信号有关的数据确定除PTT之外的受试者的一个或以上心血管参数,例如脉搏波速度(PWV)、脉搏波振幅(PWA)、收缩压、舒张压、脉压等。例如,为了确定诸如受试者的PWV之类的替代心血管参数,数据库132可以包括与每个标准PPG信号相关联的标准PWV,并且模型训练模块131可以获取包括标准PWV和相应的标准PPG信号的训练数据集,以训练相应的模型(或称为PWV模型)。经由PWV模型,PTT确定装置110(现在可能不用于确定PTT,但是为了方便描述而保留名称)可以基于受试者的测试PPG信号来确定受试者的PWV(通过传感器120获得)。
类似地,系统100可以用于确定一个或以上其他心血管参数。除非另有说明,否则本申请中描述的“PTT”可以由本申请中提及或未提及的任何其他心血管参数代替。
在一些实施例中,模型训练模块131可以训练至少两个模型,每个模型基于PPG信号被训练以确定相应的心血管参数。PTT确定装置110可以经由至少两个模型同时基于相同的测试PPG信号来确定相应的心血管参数(包括或不包括PTT)。例如,PTT确定装置110可以基于相同的测试PPG信号来确定收缩压和舒张压两者。
在一些实施例中,PTT确定装置110可以进一步基于PTT模型153确定的PTT(或由模型训练模块131训练的模型确定的任何其他心血管参数)确定一个或以上心血管参数。例如,PTT确定装置110可以基于所确定的PTT来确定PWV,而不是使用由模型训练模块131训练的模型来确定PWV。
可以注意到,以上关于系统100的描述仅出于说明目的,而无意于进行限制。应当理解,在学习了本申请的主要概念之后,本领域普通技术人员可以以非创造性的方式来改变系统100。变更可以包括组合和/或拆分模块或装置、添加或删除可选模块或装置等。所有这些修改都在本申请的范围内。
例如,PTT确定装置110和传感器120可以被集成在可穿戴装置中,该可穿戴装置可以被用户直接穿戴并且能够周期性地执行PTT确定(和/或任何其他心血管参数,例如血压),响应于用户的指示或根据预定的测量计划。
又例如,PTT确定装置110可以被集成在服务器130中。传感器120可以用作终端装置(例如,能够访问网络140的血氧仪),并且可以经由网络140向服务器130发送用户的原始PPG信号或预处理的PPG信号。服务器130可以接收原始PPG信号或预处理的PPG信号,并基于接收到的信号执行PTT(和/或任何其他心血管参数)的确定。所确定的PTT可以被发送到传感器120,并经由例如传感器120的显示器(例如,触摸屏)被呈现给用户。在一些实施例中,传感器120可以进一步接收用户输入的人体测量特征信息(例如,经由传感器120的触摸屏),并且将接收到的人体测量特征信息发送到服务器130以进行PTT确定。可替代地或可附加地,用户可以经由能够访问网络140的另一装置(诸如移动电话、PC和在线测量装置)将人体测量特征信息发送到服务器130。
图2是示出示例性计算装置的示意图。计算装置200可以用于实现PTT确定装置110、服务器130和/或系统100的任何其他组件。计算装置可以执行本申请中公开的一个或以上操作。计算装置等可以包括总线270、处理器210、只读存储器(ROM)230、随机存取存储器(RAM)240、存储装置220(例如,诸如硬盘、光盘等大容量存储装置、磁盘、固态磁盘、存储卡等)、输入/输出(I/O)端口250和通信接口260。可以注意到,图2所示的计算装置200的架构仅用于演示目的,而并非旨在进行限制。计算装置200可以是能够执行计算的任何装置。
在一些实施例中,计算装置200可以是单个装置。备选地,计算设备200可以包括具有与图2所示的架构相同或相似的架构的多个计算设备。如图2所示,计算设备200的一个或多个组件可以由至少两个计算设备中的一个或多个来实现。
总线270可以耦合计算装置200的各种组件,并且促进它们之间的数据和/或信息的传输。总线270可以具有本领域中的任何总线结构。例如,总线270可以是或可以包括存储器总线和/或外围总线。
I/O端口250可以允许在总线270与一个或以上外围装置(例如,一个或以上照相机220、一个或以上输入装置(例如,键盘、鼠标、鼠标、操纵杆、麦克风)、一个或以上输出装置(例如,显示器、扬声器、打印机))之间的数据和/或信息的传输。I/O端口250可以包括USB端口、COM端口、PS/2端口、HDMI端口、VGA端口,诸如RCA插座和Mini-DIN插座的视频电缆插座、同轴电缆端口(例如,用于实施POC技术)等或其组合。在一些实施例中,I/O端口250可以耦合到图1所示的传感器120,用于将原始PPG信号或预处理的PPG信号从传感器120传输到总线270,其可以进一步传输到存储装置220、RAM240或处理器210。
通信接口260可以允许在网络140和总线270之间传输数据和/或信息。例如,通信接口260可以是或可以包括网络接口卡(NIC)、BluetoothTM模块,NFC模块等。在一些实施例中,通信接口260可以经由网络140与图1所示的传感器120进行通信,以将原始PPG信号或预处理的PPG信号从传感器120传输到总线270。
ROM230、RAM240和/或存储装置220可以用于存储可以由处理器210执行的计算机可读指令。RAM240和/或存储装置220可以存储从外围装置(例如,一个或以上照相机220)和/或网络150/260获得的日期和/或信息。RAM240和/或存储装置220还可以存储在指令执行期间由处理器210生成的日期和/或信息。在一些实施例中,存储装置220可以实现用于存储例如标准PPG信号、标准PTT(和/或任何其他心血管参数)、第二参数和/或人体测量特征信息的数据库132。
处理器210可以包括本领域中用于执行计算机可读指令(例如,存储在ROM230、RAM240和/或存储装置220中)的任何处理器,以便执行一个或以上操作或实现本申请中公开的一个或以上模块/单元。
为了实施本申请描述的各种模块、单元及其功能,计算机硬件平台可用作本文中描述的一个或以上组件的硬件平台。具有用户接口元素的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端装置。若计算机被适当的程序化,计算机亦可用作服务器。在一些实施例中,计算机可以是移动计算装置或可穿戴计算装置。
图3是示出根据本申请的一些实施例的示例性PTT确定装置的示意图。PTT确定装置300是PTT确定装置100的示例,其可以用于基于受试者的PPG信号来确定受试者的PTT(和/或任何其他心血管参数)。PTT确定装置300可以包括PPG信号模型310、第一参数模块320、第二参数模块330和确定模块350。在一些实施例中,PTT确定装置可以进一步包括第三参数模块340。
PTT确定装置300及其模块可以由图2所示的计算装置200来实现。
PPG信号模块310可以用于获取受试者的测试PPG信号。图5-A中示出了示例性测试PPG信号。在一些实施例中,PPG信号模块310可以从传感器120获取原始PPG信号,并对原始PPG信号进行预处理(例如,降噪、平滑)以生成测试PPG信号。
第一参数模块320可以用于确定与测试PPG信号有关的至少两个第一参数。在一些实施例中,第一参数模块320可以生成测试PPG信号的一阶导数和PPG信号的二阶测试导数中的至少一个。第一参数模块320可以通过从测试PPG信号、测试PPG的一阶导数或测试PPG信号的二阶导数中的至少一个中提取特征来确定至少两个第一参数。在本申请中,从与测试PPG信号本申请的数据中提取的特征可以被称为第一特征。
第二参数模块330可以用于确定受试者的第二参数,其可以指示受试者的随机效果。在一些实施例中,第二参数模块330可以从存储装置(例如,数据库132、存储装置220)获取受试者的预定第二参数。可替代地或可附加地,第二参数模块330可以在数据库(例如,数据库132)中执行测试PPG信号和预先获取的PPG信号(例如,前述标准PPG信号)之间的匹配。每个预先获取的PPG信号可以与确定的第二参数相关联。第二参数模块330可以基于匹配结果来确定受试者的第二参数。
第三参数模块340可以用于确定与受试者的人体测量特征信息有关的一个或以上第三参数。第三参数模块340可以从存储装置(例如,数据库132、存储装置220)或从一个或以上测量装置中获取受试者的人体测量特征信息。可替代地或可附加地,第三参数模块340可以经由由PTT确定装置300提供的输入平均值来接收人体测量特征信息,以供用户(例如,受试者)输入受试者的人体测量特征信息。第三参数模块340可以基于受试者的人体测量特征信息来确定一个或以上第三参数。
确定模块350可以用于至少经由训练模型基于至少两个第一参数和第二参数来确定受试者的PTT。在一些实施例中,确定模块350可以经由训练后的模型进一步基于一个或以上第三参数来确定PTT。
PTT确定装置300可以经由结合图4描述的过程(例如,过程400)或结合图6描述的过程(例如,过程400)来确定受试者的PTT。
可以注意到,以上关于PTT确定装置300的描述仅用于说明目的,而无意于限制本申请。可以理解的是,本领域普通技术人员在学习了本申请的主要概念和机制之后,可以以非创造性的方式改变PTT确定装置300。变更可以包括组合和/或拆分模块或子模块、添加或删除可选模块或子模块等。所有这些修改都在本申请的范围内。
图4是示出根据本申请的一些实施例的PTT确定的示例性过程的流程图。可以执行过程400以基于受试者的测试PPG信号来确定受试者的PTT。在一些实施例中,可以在图3所示的PTT确定装置300中实现图4所示的过程400的一个或以上操作。例如,图4所示的过程400可以以指令的形式存储在存储装置(例如,存储装置220)中,并由至少一个处理器(例如,计算装置200的处理器210,如图2所示)调用和/或执行。
在410中,PPG信号模块310可以获取受试者的测试PPG信号。PPG信号模块310可以从例如存储装置(例如,存储装置220)或传感器120中获取测试PPG信号。可替代地或可附加地,PPG信号模块310可以从存储装置或传感器120取回原始PPG信号,并且对该原始PPG信号进行预处理以生成测试PPG信号。
在一些实施例中,PPG信号模块310对原始PPG信号的预处理可以包括原始PPG信号的降噪。PPG信号模块310可以经由本领域中的任何降噪例程来执行原始PPG信号的降噪,诸如滤波、自适应滤波、多项式拟合、小波变换、运动补偿、基于分形的技术等,或者其任何组合。
请参考图5-A。图5-A是示出示例性测试PPG信号的示意图。可以通过预处理在预定时间窗(例如,10秒、20秒、30秒或任何其他适当的时间间隔)中由传感器120收集的原始PPG信号,来生成测试PPG信号(例如,通过PPG信号模块310或传感器120)。测试PPG信号可以包括在预定时间窗期间检测到的多个脉冲的PPG信号。图5-B中进一步示出了单脉冲PPG信号(例如,图5-A中的虚线框)。
回到图4。在420中,第一参数模块320可以确定与测试PPG信号有关的至少两个第一参数。第一参数模块320可以通过从与测试PPG信号有关的数据中提取第一特征来确定至少两个第一参数。所确定的第一参数可以用作用于确定受试者的PTT的模型(例如,PTT模型153)的输入。
与测试PPG信号有关的数据可以包括测试PPG信号本身、测试PPG信号的一阶导数(例如,如图5-C所示)以及测试PPG信号的二阶导数(未显示)中的至少一个。测试PPG信号的一阶导数是测试PPG信号的导数,测试PPG信号的二阶导数是测试PPG信号的一阶导数。在一些实施例中,第一参数模块320可以确定测试PPG信号的一阶导数或测试PPG信号的二阶导数中的至少一个,并且基于测试PPG信号、测试PPG信号的一阶导数和/或测试PPG信号的二阶导数的特征,通过提取第一参数来确定至少两个第一参数中的至少一些。第一参数模块320从中提取第一特征的测试PPG信号或测试PPG信号的导数(一阶、二阶或更高阶)也可以被称为特征源。
为了演示的目的,结合图5-B和5-C,描述了由第一参数模块320提取的第一特征。参照图5-B和5-C。图5-B是示出图5-A中所示的测试PPG信号的示例性单脉冲PPG信号的示意图。单脉冲PPG信号可以是与单个脉冲相对应的PPG信号,并且可以包括至少两个波峰(例如,P0,1、P0,2和P0,3)和波谷(例如,T0,1、T0,2和T0,3)。
在一些实施例中,由传感器120收集的单个脉冲PPG信号可以进一步包括一个或以上交叉(未显示)。例如,可以将零值预定为单脉冲PPG信号的最大值和最小值的平均值、整个测试PPG信号的最大值和最小值的平均值,或测试PPG信号中包含的所有单脉冲PPG信号的最大值和最小值。在这种情况下,单脉冲PPG信号中可能会出现多个零交叉。又例如,可以将零值预定为当前脉冲的PPG信号的最小值的强度值或整个测试PPG信号的最小值的强度值。在这种情况下,在单脉冲PPG信号或测试PPG信号中也可能出现单个零交叉,这也是一个波谷。备选地,整个PPG信号可以在零以上,并且PPG信号中可以不存在零交叉。
在一些实施例中,PPG信号是否具有零值可以由传感器120的配置(硬件或软件)和/或应用于原始PPG信号以生成测试PPG信号的预处理例程来确定。
如图5-B所示,单个脉冲的PPG信号可以包括三个波峰P0,1、P0,2和P0,3,以及三个波谷T0,1、T0,2和T0,3。该波谷T0,1可以是当前脉冲的PPG信号的最小点,并且可以被称为初级波谷或第一波谷。该波峰P0,1可以是当前脉冲的PPG信号的最大点,并且可以被称为主要波峰或第一波峰。单个脉冲的PPG信号的起点可以是单个脉冲的主要波谷T0,1,而PPG信号的终点可以是主要波谷T′0,1或下一个脉冲。
根据受试者的心血管状况,受试者的单脉冲PPG信号可以与图5-B所示的不同。例如,在单脉冲PPG信号中可以存在附加的波峰和/或波谷。又例如,波峰或波谷相对于另一波峰或波谷的相对强度值和/或相对时间戳可以变化。
图5-C是示出图5-B中示出的单脉冲PPG信号的一阶导数的示意图。单脉冲PPG信号的一阶导数可以包括至少两个波峰(例如,P1,1、P1,2和P1,3)、波谷(例如,T1,1、T1,2,和T1,3)和零交叉(例如,、O1,2、O1,3和O1,4)。单脉冲PPG信号的波形。根据单脉冲PPG信号的一阶导数的波形,单脉冲PPG信号的二阶导数(未显示)还可包括至少两个波峰,波谷和零交叉。
回到图4。第一参数320可以确定特征源(例如,测试PPG信号、测试PPG信号的一阶导数和/或测试PPG信号的二阶导数)上的一个或以上特征点,可能包括但不限于特征源的波峰,波谷和零交叉点(如果有)。在一些实施例中,在第一特征源(例如,测试PPG信号)上确定的特征点可以对应于第二特征源(例如,测试PPG信号的一阶导数)的波峰、波谷或零交叉(如果有)。例如,在图5-B所示的测试PPG信号上确定的特征点可以对应于在图5-C所示的测试PPG信号的一阶导数的波峰P1,1。
特征点可以具有至少两个属性,例如强度值和时间戳。第一参数模块320可以基于其至少两个特征点中的至少一些特征点的一个或以上属性从特征源提取第一特征。
作为特征源,可以包括至少两个片段(例如,单脉冲PPG信号、单脉冲PPG信号的一阶/二阶导数),每个片段可以对应于一个脉冲,第一参数模块320可以从至少两个片段的每个片段中提取相同的一组第一特征,并相应地为每个片段获得至少两个第一初步参数。第一初步参数可以是通过从单个片段提取某个第一特征而获得的值。基于与相同的第一特征相对应的第一初步参数,第一参数模块320可以确定与该第一特征相对应的第一参数。例如,第一参数可以是相应的初步参数的平均值、中值、加权平均值、模式(例如,经由基于直方图的方法)等。
为了便于描述,可以针对相应特征源的单个片段来描述由本申请中的第一参数模型320提取的特定第一特征。然而,应当理解,为了提取这样的第一特征,在一些实施例中,第一参数模型320可以从对应特征源的每个片段中提取相同的第一特征,并且基于获得的第一初步参数确定第一参数作为提取结果。例如,为了提取被描述为(例如)“单脉冲PPG信号的第一波谷(例如,T0,1)的强度值”的第一特征,第一参数模型320可以从测试PPG信号中的每个单脉冲PPG信号中获取代表第一波谷的特征点的强度值。所获取的强度值可以用作前述的第一初步参数。第一参数模型320可以将例如获取的强度值的平均值、中值、众数等确定为与第一特征相对应的第一参数。这样的特征提取方式可以被称为特定组的特征提取方式。
由第一参数模块320提取的第一特征可以与单个特征点有关或与多个特征点有关。对于与多个特征点有关的第一特征,该多个特征点可以被包括在同一片段中,或者可以分别被包括在不同特征源的对应片段中(例如,单脉冲PPG信号和该信号的二阶导数)。在一些实施例中,第一参数模块320要提取的第一特征可以包括但不限于:单脉冲PPG信号的第一波谷(例如,T0,1)的强度值、第一波峰(例如,P0,1)的强度值、单脉冲PPG信号的一阶导数的第一波峰(例如,P1,1)的强度值、第三过零(例如,O1,3)和单脉冲PPG信号的一阶导数的四次零交叉(例如,O1,4)、单脉冲PPG信号的第二波谷(例如,T0,2)的强度值与单脉冲PPG信号的二阶导数的第二波峰(未示出)的强度比等。可以注意到,以上的第一特征仅是出于演示的目的而提供的,并不旨在进行限制。
第一参数模块320可以从与测试PPG信号有关的数据中提取M第一特征(M是大于2的正整数),以确定PTT。相应地,第一参数模块320可以确定第一参数。应当理解,可以根据需要改变由第一参数模块320提取的M第一特征的数量。在一些实施例中,M值的范围可以是[30、150]。在一些特定实施例中,M值的范围可以是[40、80]。在一些更具体的实施例中,M值的范围可以是[50、70]。
在一些实施例中,第一参数模块320可以获取至少一个第一特征提取均值,并基于至少一个第一特征提取均值来提取第一特征。第一特征提取装置可以是例如查找表、特征提取模型(例如,包括一个或以上功能)等或其组合的形式。第一参数模块320可以从存储装置(例如,存储装置220)或服务器130中获取至少一个第一特征提取均值。
在一些实施例中,第一特征提取装置可以包括包括至少两个项目的查找表、每个项目表示要提取的第一特征与对应的特征源之间的关联。根据查找表,第一参数模块320可以从相关联的特征源中提取记录在查找表中的第一特征。第一参数模块320可以包括用于执行特征提取的模型或功能。可替代地或可附加地,第一参数模块320可以从存储装置(例如,存储装置220)或服务器130中获取模型或功能。
在一些实施例中,第一特征提取装置可以包括特征提取模型。通过在相应的特征源上操作特征提取模型,第一参数模块320可以从特征源提取一个或以上相应的第一特征,从而获得一个或以上相应的第一参数。在一些实施例中,第一特征提取装置可以是高级特征提取模型。高级特征提取模型可以包括确定第一参数所需的所有信息、模型和功能。通过操作高级特征提取模型,第一参数模块320可以生成测试PPG信号的一阶导数和/或二阶导数,并从测试PPG信号中提取第一特征,即测试PPG信号和/或测试PPG信号的二阶导数。
在一些实施例中,第一参数模块320可以获取至少两个第一特征提取装置,用于确定相应的心血管参数。基于所获取的第一特征提取装置,第一参数模块320可以确定至少两个第一参数组(或被称为第一参数组)。每个第一参数组用于确定相应的心血管参数。当需要相同的第一特征来确定多个心血管参数时,第一参数模块320可以一次从测试PPG信号中提取第一特征(例如,对应的第一特征提取装置包括或是查找表),并且获得的第一参数可以由相应的第一参数组共享。备选地,第一参数模块320可以多次从测试PPG信号中提取第一特征(例如,对应的第一特征提取装置包括或为特征提取模型),并且每次确定一个对应于第一参数组的第一参数。
在一些实施例中,可以在训练模型期间生成第一特征提取均值,其描述可以在本申请的其他地方找到(例如,结合图8)。
在430中,第二参数模块330可以确定受试者的第二参数。第二参数可以指示受试者的随机效应,并且还可以用于确定受试者的PTT的模型的输入。在一些实施例中,可以基于受试者的预先获取的测试PPG信号和受试者的对应的PTT来预定第二参数(例如,通过第二参数模块330)。可以通过将本领域的PTT测量或确定例程应用于预先获取的测试PPG信号来获得受试者的PTT(例如,基于同时收集到的受试者的PPG信号和ECG信号的确定例程)。第一参数模块320可以通过从预先获取的测试PPG信号中提取第一特征来确定至少两个第一参数。然后,第二参数模块330可以基于受试者的PTT、至少两个第一参数以及用于确定PTT的模型(例如,PTT模型153)来确定受试者的第二参数。例如,该模型可以是y=f(X,α)的形式,其中X指的是至少两个第一参数,α指的是第二参数,y指的是确定的PTT。该模型可以以α=f′(y,X)的形式重写。通过将标准PTT和至少两个第一参数输入模型,可以将α其确定为输出。
所确定的第二参数可以被存储在存储装置(例如,存储装置220或数据库132)中,并且被用于受试者的后续PTT确定。
在一些实施例中,第二参数模块330可以实时确定受试者的第二参数。例如,第二参数模块330可以在410中获得的受试者的测试PPG信号与存储在存储装置(例如,存储装置220、数据库132)中的至少两个预先获取的PPG信号之间执行匹配。存储装置还可以存储与至少两个预先获取的PPG信号相关联的至少两个第二参数。第二参数模块330可以通过将受试者的测试PPG信号与至少两个预先获取的PPG信号进行匹配来从至少两个预先获取的PPG信号中选择至少一个相似的PPG信号,并基于与至少一个相似的PPG信号相关联的第二参数来确定受试者的第二参数。
在一些实施例中,第二参数模块330可以从预先获取的PPG信号中选择与测试PPG信号最相似的PPG信号作为至少一个相似PPG信号,并指定与所选PPG信号相关联的第二参数作为测试PPG信号的第二个参数。
在一些实施例中,第二参数模块330可以基于预先获取的PPG的相似性的等级从预先获取的PPG信号中选择与测试PPG信号最相似的多个PPG信号作为至少一个相似的PPG信号。然后,第二参数模块330可以基于与所选PPG信号相关联的第二参数来确定测试PPG信号的第二参数。例如,测试PPG信号的第二参数可以是与所选PPG信号相关联的第二参数的平均值、中值、加权平均值、众数等。在一些实施例中,第二参数模块330可以基于所选PPG信号的相似度来确定所选PPG信号的权重。仅例如,由第二参数模块330确定的用于指示所选择的PPG信号的相似性的相似性参数可以用于确定所选择的PPG信号的权重。又例如,第二参数模块330可以使用所选PPG信号的等级来确定所选PPG信号的权重。
第二参数模块330可以用于使用预定的匹配策略来确定预先获取的PPG信号和测试PPG信号之间的相似性。在一些实施例中,第二参数模块330可以确定测试PPG信号和预先获取的PPG信号之间的差(例如,l1-距离,l2-距离)。差异越大,相似度越低。在一些实施例中,由第一参数模块320基于测试PPG信号确定的第一参数可以形成第一特征向量(例如,M-维特征向量)。第二参数模块330可以基于第一特征向量执行匹配。例如,第二参数模块330可以确定测试PPG信号的第一特征向量与预先获取的PPG信号的第一特征向量之间的差异(例如,l1-距离,l2-距离)。差异越大,相似度越低。预先获取的PPG信号的第一特征向量可以预先存储在存储装置中,或者由第一参数模块320实时确定。在一些实施例中,存储装置可以存储预先获取的PPG信号本身的第一特征向量,而不是预先获取的PPG信号本身。
第二参数模块330也可以采用现有技术中的其他匹配策略,上述策略仅用于演示目的,并不用于限制。
在一些实施例中,上述预先获取的PPG信号可以用于训练用于PTT确定的模型的标准PPG信号。可以在模型训练期间确定与预先获取的PPG信号相关联的第二参数。训练的详细描述可以在本申请的其他地方找到(例如,结合图8)。
在一些实施例中,第二参数模块330可以确定至少两个第二参数。每个第二参数用于确定相应的心血管参数。如果第二参数模块330通过匹配来确定测试PPG信号的第二参数,则预先获取的PPG信号也可以与至少两个第二参数相关联。
在440中,确定模块350可以经由训练模型(例如,PTT模型153)基于至少两个第一参数和第二参数来确定受试者的PTT。该模型可以将至少两个第一参数和第二参数作为其输入的至少一部分,并且可以将PTT(或任何其他心血管参数)确定为输出。通过操作模型,确定模块350可以确定受试者的PTT。
在一些实施例中,为了确定PTT,第一参数模块320可以采用除上述组合特征提取方式以外的特征提取方式。例如,对于测试PPG信号中的每个单脉冲PPG信号,第一参数模块320可以确定与单脉冲PPG信号相关联的一组第一参数。确定模块350可以基于与单脉冲PPG信号相关联的第一参数的集合来确定与单脉冲PPG信号相对应的PTT。因此,确定模块350可以确定用于测试PPG信号的至少两个PTT。确定模块350可以基于至少两个PTT作为其输出来确定测试PPG信号的结果PTT。例如,结果PTT可以是等PTT的平均值、中值、加权平均值、众数等。
以上特征提取方式可以被称为个体特定特征提取方式。当PTT确定装置300采用这种特征提取方式时,第二参数可以由第二参数模块330确定,并用于确定测试PPG信号的至少两个PTT。
在一些实施例中,确定模块350可以进一步基于与在PTT确定过程中涉及的其他因素相关联的一个或以上参数来确定受试者的PTT,诸如与受试者的人体测量特征信息有关的一个或以上参数(例如,用于提高确定精度),以及与传感器120的性能有关的一个或以上传感器(例如,用于减少系统误差)。在一些实施例中,确定模块350可以进一步基于与受试者的人体测量特征信息相关联的一个或以上第三参数来确定受试者的PTT。结合图6描述了用于进一步基于一个或以上第三参数来确定PTT的示例性过程(过程600)。过程500的任何操作的特征和实施例也可以应用于过程600中的相应操作。
在一些实施例中,确定模块350可以确定至少两个心血管参数,根据过程400,可以基于在420中确定的相应的第一参数组和在430中确定的相应的第二参数,经由相应的训练模型来确定其中的至少一些心血管参数。
在一些实施例中,确定模块350可以基于根据过程400确定的第一心血管参数来确定一个或以上第二心血管参数。
在一些实施例中,确定模块350可以基于根据过程400确定的至少两个第一心血管参数来确定第二心血管参数。
可以注意到,以上关于过程400的描述仅是为了说明的目的,而不是要限制本申请的范围。可以理解的是,在学习了本申请的主要概念和机制之后,本领域普通技术人员可以以非创造性的方式改变过程400。例如,可以以与图4所示的顺序不同的顺序实施以上操作。例如,在一些实施例中,可以在操作420或操作410之前执行操作430。可以将一个或多个可选操作添加到流程图。一个或多个操作可以拆分或组合。所有这些修改都在本申请的范围内。
图6是示出根据本申请的一些实施例的用于基于测试PGG信号来确定PTT的示例性过程的流程图。过程600可以是过程400的示例,其进一步涉及用于PTT确定的受试者的人体测量特征信息。在一些实施例中,可以在图3所示的PTT确定装置300(包括第三参数模块340)中实现图6所示的过程600的一个或以上操作。例如,图6所示的过程600可以以指令的形式存储在存储装置(例如,存储装置220)中,并且由至少一个处理器(例如,计算装置200的处理器210,如图2所示)调用和/或执行。
在610中,PPG信号模块310可以获取受试者的测试PPG信号。在620中,第一参数模块320可以确定与测试PPG信号有关的至少两个第一参数。操作610和620可以分别与操作410和420相同或相似,在此不再赘述。
在630中,第三参数模块340可以基于受试者的人体测量特征信息来确定一个或以上第三参数。第三参数模块340可以通过从受试者的人体测量特征信息提取特征来确定一个或以上第三参数。一个或以上第三参数还可以用于确定PTT(或任何其他心血管参数)的模型(例如,PTT模型153)的输入。
在本申请中,从受试者的人体测量特征信息提取的特征可以被称为第二特征。
第三参数模块340可以从存储装置(例如,数据库132、存储装置220)或从一个或以上测量装置(例如,经由网络140)获取受试者的人体测量特征信息。可替代地或可附加地,第三参数模块340可以经由由PTT确定装置300为用户(例如,受试者)提供的输入平均值来接收人体测量特征信息。
在一些实施例中,第三参数模块340可以获取至少一个第二特征提取均值,并且基于至少一个第二特征提取均值来提取第二特征。第二特征提取装置也可以采用例如查询表,特征提取模型等或其组合的形式。第三参数模块340可以从存储装置(例如,存储装置220)或服务器130中获取至少一个第二特征提取均值。
在一些实施例中,第二特征提取装置可以包括查找表,该查找表包括至少两个项目,每个项目表示要提取的第二特征。第三参数模块340可以包括用于执行特征提取的模型或功能。可替代地或可附加地,第三参数模块340可以从存储装置(例如,存储装置220)或服务器130中获取模型或功能。
在一些实施例中,第二特征提取装置可以包括特征提取模型。通过对受试者的人体测量特征信息进行特征提取模型的操作,第三参数模块340可以提取一个或以上对应的第二特征,从而获得一个或以上对应的第三参数。
在一些实施例中,由第三参数模块340提取的第二特征可以包括但不限于:受试者的身高(height 2)的平方、受试者的体重指数(BMI,BMI=weigh/height 2)等。可以注意到,以上第二特征仅是出于说明的目的而提供,并不旨在进行限制。
第三参数模块340可以从受试者的人体测量特征信息中提取N第二特征(N是大于1的正整数)。相应地,第三参数模块340可以确定N第三参数。在一些实施例中,PTT确定装置300可以总共确定T=M+N+1个参数(包括至少两个第一参数、第二参数和第三参数)。在一些实施例中,T值的范围可以是[30,150]。在一些特定实施例中,T值的范围可以是[40,80]。在一些更具体的实施例中,T值可以是大约70(例如69、70、71)。
在一些实施例中,第二特征提取装置和第一特征提取装置可以集成到综合特征提取装置中。例如,综合特征提取装置可以包括记录表,记录了要提取的第一特征和第二特征两者。又例如,综合特征提取装置可以将测试PPG信号和受试者的人体测量特征信息作为其输入,并确定至少两个第一参数和一个或以上第三参数作为其输出。相应地,第一参数模块320和第三参数模块340可以集成为单个模块。
在一些实施例中,可以在训练用于确定PTT的模型(例如,PTT模型153)期间生成第二特征提取均值或综合特征提取均值,其描述可以在本申请的其他地方找到(例如,结合图8)。
在640中,第二参数模块330可以确定受试者的第二参数,该第二参数指示受试者的随机作用。在一些实施例中,操作640可以与操作430相同或相似,在此不再赘述。在一些实施例中,考虑到在操作620中确定的一个或以上第三参数,操作640可以是操作430的修改版本,其描述如下。
在一些实施例中,可以基于受试者的预先获取的测试PPG信号,受试者的PTT以及受试者的人体测量特征信息来预先确定第二参数(例如,通过第二参数模块330)。第一参数模块320可以通过从预先获取的测试PPG信号中提取第一特征来确定至少两个第一参数,并且第三参数模块340可以通过从受试者的人体测量特征信息中提取第二特征来确定一个或以上第三参数。然后,第二参数模块330可以基于受试者的PTT、至少两个第一参数、一个或以上第三参数以及用于确定PTT的模型(其也采用一个或以上第三参数作为输入)来确定受试者的第二参数。
在一些实施例中,第二参数模块330可以通过执行匹配来实时确定受试者的第二参数。所述匹配可以基于预先获取的PPG信号相对于测试PPG信号的相似性以及与预先获取的PPG信号相关联的受试者的人体测量特征信息相对于测试受试者的相似性。测试PPG信号。在一些实施例中,第二参数模块330可以确定测试PPG信号与预先获取的PPG信号之间的第一差异(例如,欧几里得距离)以及测试PPG信号的受试者的人体测量特征信息之间的第二差异以及与预先获取的PPG信号相关的受试者的图像。第二参数模块330可以进一步基于第一差异和第二差异(例如,和、加权和、平均值、加权平均值)来确定差异指示符。差异指标越高,相似度越低。在一些实施例中,在操作620和630中确定的第一参数和第三参数可以形成第二特征向量(例如,(M+N)维特征向量)。第二参数模块330可以基于第二特征向量执行匹配。例如,第二参数模块330可以确定测试PPG信号的第二特征向量与预先获取的PPG信号的第二特征向量之间的差异(例如,l1-距离,l2-距离)。差异越大,相似度越低。预先获取的PPG信号的第二特征向量可以预先存储在存储装置中,或者由第一参数模块320和第三参数模块340实时确定。在一些实施例中,存储装置可以存储预先获取的PPG信号的第二特征向量,而不是预先获取的PPG信号本身。
在一些实施例中,上述预先获取的PPG信号可以用于训练用于PTT确定的模型的标准PPG信号。可以在模型训练期间确定与预先获取的PPG信号相关联的第二参数。训练的详细描述可以在本申请的其他地方找到(例如,结合图8)。
在650中,确定模块350可以经由训练模型(例如,PTT模型153)基于至少两个第一参数、第二参数和一个或以上第三参数来确定受试者的PTT。该模型可以将至少两个第一参数、第二参数以及一个或以上第三参数作为其输入的至少一部分,并且可以将PTT(或任何其他心血管参数)确定为输出。通过操作模型,确定模块350可以确定受试者的PTT。操作650可以与操作440类似,在此不再赘述。
可以注意到,对过程600的以上描述仅是出于说明的目的,并不旨在限制本申请的范围。可以理解的是,在学习了本申请的主要概念和机制之后,本领域普通技术人员可以以非创造性的方式改变过程600。例如,可以以与图4所示的顺序不同的顺序实施以上操作。例如,在一些实施例中,可以在操作630、620或610之前执行操作640。可以将一个或多个可选操作添加到流程图。一个或多个操作可以拆分或组合。所有这些修改都在本申请的范围内。
图7是示出根据本申请的一些实施例的示例性模型训练模块的示意图。模型训练模块700是移动训练模块131(如图1所示)的示例,基于受试者的PPG信号,其可以用于训练用于确定以下各项的PTT(和/或任何其他心血管参数)的模型(例如,PTT模型153)。模型训练模块700可以包括候选特征单元710、训练数据集单元720、特征选择单元730、模型训练单元740和特征提取均值单元750。在一些实施例中,模型训练模块700可以进一步包括模型测试单元760。
模型训练模块700及其模块可以由图2所示的计算装置200实现。
候选特征单元710可以用于至少两个第一候选特征。至少两个第一候选特征可以包括与PPG信号、PPG信号的一阶导数和PPG信号的二阶导数中的至少一个相关联的候选特征。在一些实施例中,至少两个第一候选特征还可包括与受试者的人体测量特征信息相关联的候选特征。
训练数据集单元720可以用于获得训练数据集,该训练数据集包括至少两个标准PPG信号和与标准PPG信号相对应的至少两个标准PTT(或任何其他心血管参数)。在一些实施例中,训练数据集可进一步包括与受试者的每个标准PPG信号相关联的受试者的人体测量特征信息。
特征选择单元730可以用于基于训练数据集经由特征选择例程从至少两个第一候选特征中选择至少两个第二候选特征。特征选择单元730可以对至少两个第一候选特征执行特征选择例程,以从至少两个第一候选特征中去除冗余或不相关的特征,从而获得至少两个第二候选特征。
模型训练单元740可以用于通过以下步骤训练用于PTT(或任何其他心血管参数)确定的模型(例如,PTT模型153):基于训练数据集与至少两个第二候选特征有关的回归函数,确定与至少两个第二候选特征中的每一个相关联的权重;基于所确定的权重,从至少两个第二候选特征中选择至少两个目标特征;基于至少两个目标特征及其权重,生成用于确定PTT的模型作为训练模型。
特征提取均值单元750可以用于根据目标特征生成至少一个特征提取均值。至少一个特征提取装置可以包括例如查找表和/或特征提取模型。至少一个特征提取均值可以被发送到第一参数模块320和/或第三参数模块340(可选)或由第一参数模块320和/或第三参数模块340获取,以确定用于PTT确定的至少两个第一参数和/或一个或以上第三参数。
模型训练模块700可以经由结合图8描述的过程(例如,过程800)来训练用于确定PTT(或任何其他心血管参数)的模型。
模型测试单元760可以用于测试训练后的模型的性能。当训练的模型未能通过这种测试时,模型测试单元760可以触发模式的再训练。
可以注意的是,以上关于模型训练模块700的描述仅用于说明目的,并不用于限制本申请。可以理解的是,在学习了本申请的主要概念和机制之后,本领域普通技术人员可以以非创造性的方式改变模型训练模块700。变更可以包括组合和/或拆分模块或子模块,添加或删除可选模块或子模块等。例如,特征选择单元730可以从模型训练模块700中移除。所有这些修改都在本申请的范围内。
图8是示出根据本申请的一些实施例的用于训练用于PTT确定的模型的示例性过程的流程图。可以执行过程800以训练用于基于受试者的测试PPG信号来确定受试者的PTT(或任何其他心血管参数)的模型。在一些实施例中,可以在图7所示的模型训练模块700(或图1所示的服务器130)中实现图4所示的过程400的一个或以上操作。例如,图8所示的过程800可以以指令的形式存储在存储装置(例如,存储装置220)中,并由至少一个处理器(例如,计算装置200的处理器210,如图2所示)调用和/或执行。
在810中,候选特征单元710可以确定至少两个第一候选特征。至少两个第一候选特征可以包括与PPG信号、PPG信号的一阶导数和PPG信号的二阶导数中的至少一个相关联的特征。在一些实施例中,候选特征单元710可以确定与一个或以上特征源相关联的特征,这些特征源包括单脉冲PPG信号、单脉冲PPG信号的一阶导数和单脉冲PPG信号的第二导数。
例如,候选特征单元710可以广泛地确定一个或以上特征源上的可能特征点,并且使用所确定的特征点的属性来广泛地确定可能特征。
例如,一个或多个候选特征可以是某个特征源中包括的某个特征点的属性,例如单脉冲PPG信号的第一波谷/波峰的强度值、单脉冲PPG信号的一阶导数的第一波谷/波峰、单脉冲PPG信号的二阶导数的第二波谷/波峰、时间戳(相对于整个测试PPG信号的起点或相对于当前单脉冲PPG信号的起点)单脉冲PPG信号的一阶/二阶导数的第二个零交叉点、单脉冲PPG信号中与单脉冲PPG信号的一阶/二阶导数的第一波谷/波峰相对应的点等。
又例如,一个或以上候选特征可以基于同一特征源的一个或以上特征点的属性,例如单脉冲PPG信号中第一波峰的强度值与第二波峰的强度值之比、一阶导数中第二个波峰的强度值与第二个波谷的强度值之差、第二个导数的第一个波峰、第二个波峰和第三个波峰的强度值之和一阶导数的第三过零和第四过零之间的间隔、单脉冲PPG信号的第一波峰和第二波谷之间的时间间隔等。
再例如,一个或以上候选特征可以基于不同特征源的一个或以上特征点的属性,例如单脉冲PPG信号中的第二波谷的强度值与第二个波峰的强度值之比。二阶导数,即单脉冲PPG信号的第一波峰与二阶导数的第三零交叉点之间的时间间隔。
在一些实施例中,至少两个第一候选特征还可包括与受试者的人体测量特征信息相关联的候选特征。例如,一个或以上候选特征可以基于一个或以上人体测量学特征参数,例如身高、年龄、体重、性别(例如,男性为1、女性为0)、体脂百分比等。与受试者的人体测量学特征信息相关的示例性候选特征可以包括身高、年龄、体重、性别、身高的平方、身高的立方、BMI等。
候选特征单元710可以将F候选特征确定为至少两个第一候选特征。仅出于演示目的,F值的范围可以是[500,1000]。在一些特定实施例中,F值可以是700。
在820中,训练数据集单元720可以获得包括至少两个标准PPG信号和与标准PPG信号相对应的至少两个标准PTT的训练数据集。例如,训练数据集单元720可以从存储装置(例如,存储装置220、数据库132)获取至少两个标准PPG信号和至少两个PTT。对于训练数据集中的每个标准PPG信号,相应的标准PTT可以用作标准PPG信号的监控输出(或标签)。
在一些实施例中,训练数据集单元720还可以从存储装置中获取与每个标准PPG信号相关联的受试者的人体测量特征信息。训练数据集可以进一步包括人体测量特征信息。受试者的人体测量特征信息可以与训练数据集中的同一受试者的标准PPG信号相关联,并且相应的标准PTT可以用作标准PPG信号和人体测量特征信息的监督输出(或标签)。
在一些实施例中,数据库132可以用于高级训练数据集。训练数据集单元720可以获取数据库132的子数据集作为模型的训练数据集。仅例如,训练数据集可以包括数据库132的70%训练数据,并且数据库132的其他30%训练数据可以用于测试训练模型的稳定性。在一些实施例中,训练数据集可以随机地获取数据库132的训练数据以构建或形成模型的训练数据集。
在830中,特征选择单元730可以基于训练数据集,使用特征选择例程从至少两个第一标准PPG信号中选择至少两个第二候选特征。示例性特征选择例程可以包括基于包装器的例程、基于过滤器的例程和基于嵌入式的例程。
在一些实施例中,特征选择单元730可以执行基于相关的特征选择(CFS)例程以从至少两个第一候选特征中选择至少两个第二候选特征。经由CFS例程,特征选择单元730可以基于训练数据集确定至少两个第一候选特征之间的至少两个相关,并且基于至少两个相关来选择至少两个第二候选特征。特征选择单元730可以确定(或测量)至少两个第一候选特征中的任意两个之间的相关性以获得至少两个相关。特征选择单元730可以使用本领域中的各种度量来测量相关性,例如皮尔逊的相关系数、斯皮尔曼的秩相关系数、最小描述长度(MDL)、对称不确定性、浮雕等,或其任意组合。在一些实施例中,特征选择单元730可以基于训练数据集或其至少一部分来生成至少两个第一候选特征的协方差矩阵,该协方差矩阵用于至少两个第一候选特征的相关性的度量。使用协方差矩阵,特征选择单元730可以求解与CFS例程相关联的目标,从而从至少两个第一候选特征中选择至少两个第二候选特征。例如,仅经由CFS例程,特征选择单元730可以选择至少两个第一候选特征中的候选特征的20%~50%作为至少两个第二候选特征。在一些特定实施例中,至少两个第一候选特征中的候选特征的数量可以为大约700,并且至少两个第二候选特征中的候选特征的数量可以为大约150~200。
在操作840、850和860中,模型训练单元740可以基于训练数据来训练用于PTT确定的模型。
在840中,模型训练单元740可以通过基于训练数据集来求解回归函数,确定与至少两个第二候选特征中的每一个相关联的权重。模型训练单元740可以构造关于至少两个第二候选特征和与之对应的受试者的第二参数的回归函数。例如,回归函数可以包括与至少两个第二候选特征相关联的至少一个变量和与第二参数相关联的至少一个变量。
通过求解回归函数,可以由模型训练单元740确定与至少两个第二候选特征中的每一个相关联的权重(或与初步模型的相应变量相关联的系数)。同时,还可以为每个标准PPG信号确定第二参数,该第二参数可以指示与标准PPG信号相关联的受试者的随机效应。
由模型训练单元740确定的第二参数可以存储在数据库132(或另一存储装置,诸如存储装置220)中。所存储的第二参数可以与数据库132中的相应标准PPG信号相关联。在一些实施例中,可以由第二参数模块330获取一个或以上所存储的第二参数,以在前述PTT确定过程(例如过程400或600)中确定受试者的第二参数。例如,当将受试者的预先获取的PPG信号用作训练模型的标准PPG信号,并且与每个标准PPG信号相关联的受试者的身份信息也包括在数据库132中时,第二参数模块330可以直接从数据库132中获取受试者的第二参数。又例如,第二参数模块330可以在测试PPG信号和数据库123中包括的标准PPG信号之间执行匹配,并且基于匹配结果来获取一个或以上第二参数。
在一些实施例中,标准PPG信号的第二参数可以用于满足特定分布,诸如正态分布、广义正态分布。这样的分布可以用作回归函数的限制。模型训练单元740可以使用本领域中的各种方法来求解回归函数,诸如基于期望最大化(EM)的方法。
在一些实施例中,回归函数可以是基于最小绝对收缩和选择算子(LASSO)的回归函数。通过求解基于回归函数的LASSO,可以将与至少两个第二候选特征中的一些候选特征相关联的权重设置为零。例如,基于LASSO的回归函数可以采用等式(1)的形式,可以表示为:
其中,y指的是标准PTT(或任何其他心血管参数),X指的是从标准PTT提取的第二组候选特征,α指的是与标准PTT相关的受试者的第二参数,β指的是与第二组候选特征PTT相关的权重,函数N(0,σ2)表示均值为零且标准差为σ的正态分布函数,λ1可以是确定正则化量的预定参数。模型训练单元740可以使用基于训练数据集来求解等式(1),例如基于EM的方法,从而确定与至少两个第二候选特征相关联的权重(一些权重可以被设置为零),训练数据集中每个标准PTT的第二参数以及标准偏差σ。
当模型训练单元740故意使用某些权重设置为零的回归函数(例如基于LASSO的回归函数)时,操作840也可以被视为嵌入式特征选择操作,该操作可以选择特征并同时训练模型。
在850中,模型训练单元740可以基于所确定的权重从至少两个第二候选特征中选择至少两个目标特征。
在一些实施例中,模型训练单元740可以选择权重不为零的特征作为至少两个目标特征,特别是当故意将导致某些权重设置为零的回归函数用于确定权重时。
在一些实施例中,模型训练单元740可以例如在至少两个第二候选特征的权重全部被确定为非零时,将至少两个第二候选特征的所有特征选择或指定为至少两个目标特征。
在一些实施例中,模型训练单元740可以基于所确定的权重的绝对值的排名来选择至少两个目标特征(更高的绝对值可以导致更高的排名)。模型训练单元740可以选择等级高于某个等级的候选特征作为至少两个目标特征。
在一些实施例中,模型训练单元740可以选择绝对值高于预定阈值的候选特征作为至少两个目标特征。
仅作为示例,当基于L ASSO的回归函数被用于训练模型时,模型训练单元740可以选择至少两个第二候选特征中的候选特征的25%~50%作为至少两个目标特征。在一些特定实施例中,至少两个第一候选特征的特征数量可以是大约700,并且至少两个目标特征的特征数量可以是大约50~100。在一些更具体的实施例中,至少两个目标特征中的特征的数量可以是大约70个(例如69、70、71)。
在860中,模型训练单元740可以基于至少两个目标特征及其权重来生成用于PTT确定的模型。所生成的模型可以是用于在上述PTT确定过程(例如,过程400和600)中确定受试者的PTT的训练模型。
在一些实施例中,所生成的模型可以是线性回归函数的形式。该模型可以包括与至少两个目标特征相对应的变量,并且每个变量的系数可以被设置(例如,由模型训练单元740)作为相应的权重。
在一些实施例中,在860中,为了生成模型,模型训练单元740可以将初始目标权重设置为在840中确定的相应权重来重新训练由至少两个目标特征形成的模型。例如,当从至少两个目标特征中排除具有非零权重的候选特征时,模型训练单元740可以重新训练模型(可选地)。当重新训练完成时,模型训练单元740可以进一步从至少两个目标特征中去除权重等于零(如果有)的特征。用于再训练的回归函数可以与第一次训练中使用的回归函数相似或不同。
在870中,特征提取均值单元750可以根据至少两个目标特征生成至少一个特征提取均值。基于所获得的训练数据集和操作830、840、850(和在某些实施例中的860)的结果,至少两个目标特征可以仅包括上述第一特征或者包括第一特征和上述第二特征两者)。相应地,至少一个特征提取装置可以包括至少一个第一特征提取装置和/或至少一个第二特征提取装置,用于确定上述PTT确定过程(例如,过程400和/或600)中的至少两个第一参数和/或一个或以上第三参数。例如,由特征提取均值单元750生成的至少一个特征提取均值可以包括记录至少两个目标特征(包括第一特征和/或第二特征)的查找表。又例如,由特征提取均值单元750生成的至少一个特征提取均值可以包括特征提取模型,用于从测试PPG信号中提取至少两个目标特征以确定PTT(或任何其他心血管参数)。
在一些实施例中,由特征提取均值单元750生成的至少一个特征提取均值可以是综合了第一特征提取均值和/或第二特征提取均值的综合特征提取均值。
在一些实施例中,过程800可以进一步包括用于测试训练的模型的性能的操作(可选地),其可以由模型测试单元760执行。在820中,训练数据集单元720可以获取上级训练数据集(例如,数据库132)的第一子数据集作为模型的训练数据集。模型测试单元760可以从上级训练数据集中获取第二子数据集作为测试数据集。仅例如,训练数据集可以包括上级训练数据集的70%训练数据,而测试数据集可以包括上级训练数据集的其他30%训练数据(上述比例可以根据需要进行调整)。在操作860中获得训练后的模型之后,模型测试单元760可以使用测试数据集来测试训练后的模型的性能(例如,准确性和稳定性)。如果训练的模型未通过此类测试,则模型测试单元760可基于上级训练数据集(例如,以70:30的比例,或任何其他合适的比例)触发训练数据集和测试数据集的重新确定(或重新分配)可以再次执行操作830至860或操作840至860以基于新确定的训练数据集来训练模型。模型测试单元760可以利用新确定的测试数据集来测试模型的性能。
为了测试训练模型的性能,对于测试数据集中的每个标准PPG信号,模型测试单元760可以从标准PPG信号和/或相应的人体测量特征中提取第一特征和/或第二特征信息(例如,通过特征提取均值单元750确定的第一特征提取均值和/或第二特征提取均值);使用提取的第一特征和/或第二特征以及标准PPG信号的第二参数(例如,在操作840中确定)来操作训练模型,以获得标准PPG信号的预测PTT。模型测试单元760可以基于测试数据集中的每个标准PTT和相应的预测PTT来确定训练模型的性能。
在一些实施例中,为了测试训练的模型的准确性,模型测试单元760可以比较预测的PTT的分布和标准PTT的分布,确定残差的均值和/或方差(残差是标准PTT与对应的预测PTT之间的差),和/或确定残差的分布。
在一些实施例中,为了测试训练的模型的稳定性,模型测试单元760可以执行至少两个测试循环(例如,10次、20次、30次)。在每个测试周期,模型测试单元760可以从上级训练数据集中随机确定测试数据集,并用确定的测试数据集测试训练模型的准确性。当经过训练的模型的准确性在至少大多数测试周期内保持较高水平(例如,80%、90%、95%、100%)时,经过训练的模型可以通过稳定性测试。否则,训练后的模型可能无法通过稳定性测试。
在一些实施例中,可以从过程800中删除操作830。可以针对至少两个第一候选特征来构造回归函数(例如,基于LASSO的回归函数),并且可以通过求解回归函数获得训练模型。
在一些实施例中,PTT确定装置110可以经由网络140获取由服务器130训练的模型。可替代地或可附加地,可以在PTT确定装置110的制造期间将训练后的模型输入到PTT确定装置110的存储装置(例如,存储装置220)中。
在一些实施例中,在PTT确定装置110获得训练后的模型之后,PTT确定装置110可以基于用户的一个或以上测试PPG信号和例如通过PTT测量或确定例程进行确定的相应的PTT来调整模型的权重(或系数),以生成相对于用户而言具有提高的准确性的用户特定模型。在一些实施例中,PTT确定装置110可以基于针对PTT确定装置110的一个或以上用户的训练模型来生成一个或以上用户特定的PTT确定模型。
可以注意到,过程800的以上描述仅是为了说明的目的,而不是要限制本申请的范围。可以理解的是,在学习了本申请的主要概念和机制之后,本领域普通技术人员可以非创造性地改变流程800。例如,可以以与图8所示的顺序不同的顺序来实现上述操作。可以将一个或多个可选操作添加到流程图。一个或多个操作可以拆分或组合。所有这些修改都在本申请的范围内。
如此描述了的基本概念,对于本领域技术人员而言,在阅读了本详细公开之后可能会显而易见的是,上述详细公开可以旨在仅以示例的方式呈现并且可以是非限制性的。虽然此处并未明确说明,但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。例如,术语“一个实施例”,“一实施例”和/或“一些实施例”表示结合该实施例描述的特定特征、结构或特性可以被包括在本申请的至少一个实施例中。因此,可以强调并且应当理解,在本说明书的各个部分中对“一个实施例”或“一实施例”或“替代实施例”的两次或多次引用不一定全部是指同一实施例。此外,本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物质的组合,或对其任何新的和有用的改进。因此,本申请的各方面可以完全以硬件、完全以软件(包括固件、常驻软件、微代码等)或通过组合软件和硬件的实现方式来实现,这些实现方式在本文中通常都统称为“单元”、模块”或“系统”。此外,本申请的一些方面可以采取体现在一个或以上其上体现有计算机可读程序代码的计算机可读介质中的计算机程序产品的形式。
计算机可读信号介质可以包含一个内含有计算机程序代码的传播数据信号,例如,在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合。计算机可读信号介质可以是可以不是计算机可读存储介质并且可以通信、传播或传输供指令执行系统、装置或装置使用或与其结合使用的程序的任何计算机可读介质。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF等,或其任何组合。
可以以一种或多种编程语言的任何组合来编写用于执行本申请各方面的操作的计算机程序代码,所述编程语言包括诸如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C、C的面向对象的编程语言。程序代码可以完全在用户计算机上执行、部分在用户计算机上作为独立软件包执行、部分在用户计算机上并且部分在远程计算机上执行,或者完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机,或者可以与外部计算机建立连接(用于例如,通过使用Internet服务提供商的Internet)或在云计算环境中或作为服务(例如软件即服务(SaaS))提供。
此外,所陈述的处理元件或序列的顺序,或者因此使用数字、字母或其他名称,并不旨在将所要求保护的过程和方法限制为任何顺序,除非可以在权利要求中指定。尽管以上本申请通过各种示例讨论了当前可以被认为是本申请的各种有用实施例的内容,但是须知这样的细节可以仅用于该目的,并且所附权利要求不限于所公开的实施例,但是相反,旨在覆盖在所公开的实施例的精神和范围内的修改和等效组合。例如,尽管上述各种组件的实现可以体现在硬件装置中,但是它也可以实现为纯软件解决方案,例如,在现有服务器或移动装置上的安装。
类似地,须知,在本申请的实施例的前述描述中,有时将各种特征组合在单个实施例、附图或其描述中,以简化本申请,以帮助理解一个或以上不同的发明实施例。但是,本申请的方法不应被解释为反映了这样一种意图,即所要求保护的主题需要比每个权利要求中明确表述的特征更多的特征。相反,发明的主体应具备比上述单一实施例更少的特征。
在一些实施例中,用于描述和要求保护本申请的某些实施例的表示数量或性质的数字应理解为在某些情况下被术语“大约”、“近似”或“基本上”修饰。例如,除非另外说明,否则“大约”、“近似”或“基本上”可以指示其所描述的值的±20%变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
本申请所引用的每个专利、专利申请、专利申请的公开以及其他材料,例如文章、书籍、说明书、出版物、文件、事物和/或类似物,都可以通过引用的方式整体并入本申请。出于所有目的,除了与其相关的任何起诉文件历史记录,与本文件不一致或与之冲突的任何起诉文件历史记录,或可能对现在或以后的权利要求书的最广泛范围产生有限影响的任何起诉文件历史记录与本文件相关联。举例来说,如果在描述、定义和/或与任何所结合的材料相关联的术语的使用和与本文件相关联的术语之间存在任何不一致或冲突,则描述、定义和/或在本文件中使用的术语以本文件为准。
最后,须知,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (34)
1.一种用于确定与受试者的心血管系统有关的心血管参数的系统,包括至少一个处理器和至少一个用于存储指令的存储装置,所述指令在由所述至少一个处理器执行时使所述系统:
获取受试者的光电容积描记图(PPG)信号;
确定与所述PPG信号有关的至少两个第一参数;
确定所述受试者的第二参数,所述第二参数指示所述受试者的随机效应;以及
通过训练模型至少基于所述至少两个第一参数和所述第二参数确定所述心血管参数;
其中,为了确定所述受试者的所述第二参数,使所述系统:
通过将所述受试者的所述PPG信号与至少两个预先获取的PPG信号进行匹配,从所述至少两个预先获取的PPG信号中选择至少一个相似的PPG信号,其中,所述至少两个预先获取的PPG信号中的每一个与一个第二参数有关;以及
至少基于与所述至少一个相似的PPG信号相关联的第二参数来确定所述受试者的所述第二参数;
所述模型还包括与所述受试者的人体测量特征信息相关的一个或以上变量;
使所述系统进一步基于所述受试者的人体测量特征信息来确定所述受试者的一个或以上第三参数;以及
进一步基于所述受试者的所述一个或以上第三参数来确定所述心血管参数。
2.根据权利要求1所述的系统,其特征在于,与所述至少两个预先获取的PPG信号相关联的所述至少两个第二参数满足正态分布或广义正态分布。
3.根据权利要求1所述的系统,其特征在于,为了确定所述至少两个第一参数,使所述系统:
获取至少一个特征提取均值;以及
通过经由所述至少一个特征提取均值,基于所述PPG信号、所述PPG信号的第一一阶导数和二阶导数中的至少一个来提取特征,以确定所述至少两个第一参数中的至少一些。
4.根据权利要求3所述的系统,其特征在于,使所述系统进一步训练所述模型,并且为了所述模型进行训练,使所述系统:
确定至少两个第一候选特征,所述至少两个第一候选特征包括与PPG信号、所述PPG信号的一阶导数和所述PPG信号的二阶导数中的至少一个相关联的特征;
获取训练数据集,所述训练数据集包括至少两个标准PPG信号和与所述PPG信号相对应的至少两个标准心血管参数;
基于所述训练数据集,使用特征选择例程从所述至少两个第一候选特征中选择至少两个第二候选特征;
通过基于所述训练数据集求解回归函数,确定与至少两个第二候选特征中的每个候选特征相关联的权重,其中:
所述回归函数包括与所述至少两个第二候选特征相关联的至少一个变量和与所述第二参数相关联的至少一个变量;以及
通过求解所述回归函数,为每个所述标准PPG信号确定第二参数;
基于所述确定的权重,从所述至少两个第二候选特征中选择至少两个目标特征;
基于所述至少两个目标特征及其权重生成所述模型,其中,所述模型包括与所述第二参数相关联的变量;以及
根据所述目标特征生成所述至少一个特征提取均值。
5.根据权利要求4所述的系统,其特征在于,为了从所述至少两个第一候选特征中选择所述至少两个第二候选特征,使所述系统:
基于所述训练数据集,确定所述至少两个第一候选特征之间的至少两个相关,其中,基于所述至少两个相关来选择所述至少两个第二候选特征。
6.根据权利要求4所述的系统,其特征在于,通过基于所述训练数据集求解所述回归函数,将一个或以上所述权重设置为零。
7.根据权利要求4所述的系统,其特征在于,确定的所述标准PPG信号的所述第二参数满足正态分布或广义正态分布。
8.根据权利要求4所述的系统,其特征在于,使用期望最大化算法求解所述回归函数。
9.根据权利要求4所述的系统,其特征在于,所述至少两个第一候选特征的数量的范围在500到1000之间。
10.根据权利要求1至9任一项所述的系统,进一步包括:
传感器,用于通过在预定时间检测所述受试者的脉冲来生成所述受试者的原始PPG信号,其中,使所述系统进一步通过预处理所述原始PPG信号来生成所述PPG信号。
11.根据权利要求1至9任一项所述的系统,其特征在于,所述至少两个第一参数的数量的范围在30到150之间。
12.一种用于确定与受试者的心血管系统有关的心血管参数的系统,包括:
PPG信号模块,用于获取受试者的光电容积描记图(PPG)信号;
第一参数模块,用于确定与所述PPG信号有关的至少两个第一参数;
第二参数模块,用于确定所述受试者的第二参数,所述第二参数指示所述受试者的随机效应;以及
确定模块,用于至少经由训练模型基于所述至少两个第一参数和所述第二参数来确定所述心血管参数;
其中,为了确定所述受试者的所述第二参数,所述第二参数模块用于:
通过将所述受试者的所述PPG信号与至少两个预先获取的PPG信号进行匹配,从所述至少两个预先获取的PPG信号中选择至少一个相似的PPG信号,其中,所述至少两个预先获取的PPG信号中的每一个与一个第二参数有关;以及
至少基于与所述至少一个类似的PPG信号相关联的第二参数来确定所述受试者的所述第二参数;
所述模型还包括与所述受试者的人体测量特征信息相关的一个或以上变量;
所述系统还包括第三参数模块,所述第三参数模块用于基于所述受试者的人体测量特征信息来确定所述受试者的一个或以上第三参数;以及
进一步基于所述受试者的所述一个或以上第三参数来确定所述心血管参数。
13.根据权利要求12所述的系统,其特征在于,与所述至少两个预先获取的PPG信号相关联的所述至少两个第二参数满足正态分布或广义正态分布。
14.根据权利要求12所述的系统,其特征在于,为了确定所述至少两个第一参数,所述第一参数模块用于:
获取至少一个特征提取均值;以及
通过经由所述至少一个特征提取均值,基于所述PPG信号、所述PPG信号的第一一阶导数和所述PPG信号的二阶导数中的至少一个来提取特征,以确定所述至少两个第一参数中的至少一些。
15.根据权利要求14中的任一项所述的系统,还包括:
模型训练模块,用于训练所述模型,其中,所述模型训练模块包括:
候选特征单元,用于确定至少两个第一候选特征,所述至少两个第一候选特征包括与PPG信号、所述PPG信号的一阶导数和所述PPG信号的二阶导数中的至少一个相关的特征;
训练数据集单元,用于获取训练数据集,所述训练数据集包括至少两个标准PPG信号和与所述PPG信号相对应的至少两个标准心血管参数;
特征选择单元,用于基于所述训练数据集,使用特征选择例程从所述至少两个第一候选特征中选择至少两个第二候选特征;
模型训练单元,用于:
通过基于所述训练数据集求解回归函数来确定与所述至少两个第二候选特征中的每一个相关联的权重,其中所述回归函数包括与所述至少两个第二候选特征相关联的至少一个变量和与所述第二参数相关联的至少一个变量,通过求解回归函数,为每个所述标准PPG信号确定第二参数;
基于所述确定的权重,从所述至少两个第二候选特征中选择至少两个目标特征;以及
基于所述至少两个目标特征及其权重生成所述模型,其中,所述模型包括与所述第二参数相关联的变量;
以及
特征提取均值单元,用于根据所述目标特征生成所述至少一个特征提取均值。
16.根据权利要求15所述的系统,其特征在于,为了从所述至少两个第一候选特征中选择所述至少两个第二候选特征,所述特征选择单元用于:
基于所述训练数据集,确定所述至少两个第一候选特征之间的至少两个相关,其中,基于所述至少两个相关来选择所述至少两个第二候选特征。
17.根据权利要求15所述的系统,其特征在于,通过基于所述训练数据集求解所述回归函数,将一个或以上所述权重设置为零。
18.根据权利要求15所述的系统,其特征在于,确定的所述标准PPG信号的所述第二参数满足正态分布或广义正态分布。
19.根据权利要求15所述的系统,其特征在于,使用期望最大化算法求解所述回归函数。
20.根据权利要求15所述的系统,其特征在于,所述至少两个第一候选特征的数量的范围在500到1000之间。
21.根据权利要求12至20任一项所述的系统,进一步包括:
传感器,用于通过在预定时间检测所述受试者的脉冲来生成所述受试者的原始PPG信号,其中,所述PPG信号模块用于通过预处理所述原始PPG信号来生成所述PPG信号。
22.根据权利要求12至20任一项所述的系统,其特征在于,所述至少两个第一参数的数量的范围在30到150之间。
23.一种用于确定与受试者的心血管系统有关的心血管参数的方法,该方法在具有至少一个处理器和存储装置的至少一个装置上实施,所述方法包括:
所述至少一个处理器获取受试者的光电容积描记图(PPG)信号;
所述至少一个处理器确定与所述PPG信号有关的至少两个第一参数;
所述至少一个处理器确定所述受试者的第二参数,所述第二参数指示所述受试者的随机效应;以及
所述至少一个处理器通过训练模型基于所述至少两个第一参数和所述第二参数来确定所述心血管参数;
所述方法还包括:
通过将所述受试者的所述PPG信号与至少两个预先获取的PPG信号进行匹配,从所述至少两个预先获取的PPG信号中选择至少一个相似的PPG信号,其中,所述至少两个预先获取的PPG信号中的每一个与一个第二参数有关;以及
至少基于与所述至少一个类似的PPG信号相关联的第二参数来确定所述受试者的所述第二参数;
所述模型还包括与所述受试者的人体测量特征信息相关的一个或以上变量;
所述方法还包括基于所述受试者的人体测量特征信息,确定所述受试者的一个或以上第三参数;以及
进一步基于所述受试者的所述一个或以上第三参数来确定所述心血管参数。
24.根据权利要求23所述的方法,其特征在于,与所述至少两个预先获取的PPG信号相关联的所述至少两个第二参数满足正态分布或广义正态分布。
25.根据权利要求23所述的方法,其特征在于,所述确定至少两个第一参数包括:
获取至少一个特征提取均值;以及
通过经由所述至少一个特征提取均值,基于所述PPG信号、所述PPG信号的第一一阶导数和所述PPG信号的二阶导数中的至少一个来提取特征,来确定所述至少两个第一参数中的至少一些。
26.根据权利要求25所述的方法,还包括通过以下方式训练所述模型:
确定至少两个第一候选特征,所述至少两个第一候选特征包括与PPG信号、所述PPG信号的一阶导数和所述PPG信号的二阶导数中的至少一个相关联的特征;
获取训练数据集,所述训练数据集包括至少两个标准PPG信号和与所述PPG信号相对应的至少两个标准心血管参数;
基于所述训练数据集,使用特征选择例程从所述至少两个第一候选特征中选择至少两个第二候选特征;
通过基于所述训练数据集求解回归函数,确定与所述至少两个第二候选特征中的每个相关联的权重,其中:
所述回归函数包括与所述至少两个第二候选特征相关联的至少一个变量和与所述第二参数相关联的至少一个变量;以及
通过求解所述回归函数,为每个所述标准PPG信号确定第二参数;
基于确定的所述权重,从所述至少两个第二候选特征中选择至少两个目标特征;
基于所述至少两个目标特征及其权重生成所述模型,其中,所述模型包括与所述第二参数相关联的变量;以及
根据所述目标特征生成所述至少一个特征提取均值。
27.根据权利要求26所述的方法,其特征在于,从至少所述两个第一候选特征中选择所述至少两个第二候选特征包括:
基于所述训练数据集,确定所述至少两个第一候选特征之间的至少两个相关,其中,基于所述至少两个相关来选择所述至少两个第二候选特征。
28.根据权利要求26所述的方法,其特征在于,通过基于所述训练数据集求解所述回归函数,将一个或以上所述权重设置为零。
29.根据权利要求26所述的方法,其特征在于,确定的所述标准PPG信号的所述第二参数满足正态分布或广义正态分布。
30.根据权利要求26所述的方法,其特征在于,使用期望最大化算法求解所述回归函数。
31.根据权利要求26所述的方法,其特征在于,所述至少两个第一候选特征的数量的范围在500到1000之间。
32.根据权利要求23至31任一项所述的方法,还包括:
传感器通过在预定时间内检测所述受试者的脉冲来生成所述受试者的原始PPG信号;以及
通过预处理所述原始PPG信号生成所述PPG信号。
33.根据权利要求23至31任一项所述的方法,其特征在于,所述至少两个第一参数的数量的范围在30到150之间。
34.一种非暂时性计算机可读介质,其存储指令,所述指令在由处理器执行时使所述处理器执行包括以下内容的操作:
获取受试者的光电容积描记图(PPG)信号;
确定与所述PPG信号有关的至少两个第一参数;
确定所述受试者的第二参数,所述第二参数指示所述受试者的随机效应;以及
至少基于所述至少两个第一参数和所述第二参数经由训练模型来确定心血管参数;
其中,通过将所述受试者的所述PPG信号与至少两个预先获取的PPG信号进行匹配,从所述至少两个预先获取的PPG信号中选择至少一个相似的PPG信号,其中,所述至少两个预先获取的PPG信号中的每一个与一个第二参数有关;以及
至少基于与所述至少一个类似的PPG信号相关联的第二参数来确定所述受试者的所述第二参数;
所述模型还包括与所述受试者的人体测量特征信息相关的一个或以上变量;
所述指令在由处理器执行时还使所述处理器执行包括以下内容的操作:
基于所述受试者的人体测量特征信息,确定所述受试者的一个或以上第三参数;以及
进一步基于所述受试者的所述一个或以上第三参数来确定所述心血管参数。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/089542 WO2019227468A1 (en) | 2018-06-01 | 2018-06-01 | Methods and systems for pulse transit time determination |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112203582A CN112203582A (zh) | 2021-01-08 |
CN112203582B true CN112203582B (zh) | 2024-04-16 |
Family
ID=68697782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880094089.9A Active CN112203582B (zh) | 2018-06-01 | 2018-06-01 | 脉冲传播时间确定方法和系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210076953A1 (zh) |
EP (1) | EP3787486A4 (zh) |
CN (1) | CN112203582B (zh) |
WO (1) | WO2019227468A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11826129B2 (en) * | 2019-10-07 | 2023-11-28 | Owlet Baby Care, Inc. | Heart rate prediction from a photoplethysmogram |
CN110897618B (zh) * | 2019-12-12 | 2022-09-20 | 中国科学院深圳先进技术研究院 | 一种脉搏波传导的计算方法、装置及终端设备 |
CN113925480B (zh) * | 2021-09-25 | 2023-03-21 | 中国人民解放军总医院 | 基于机器学习的冠心病患者出血风险评估方法 |
WO2023177973A2 (en) * | 2022-03-14 | 2023-09-21 | Grant Hocking | A generalized pulse oximetry method for persons of all skin pigmentations |
CN114569097A (zh) * | 2022-05-07 | 2022-06-03 | 广东工业大学 | 基于耳廓ppg信号预处理的血压预测方法、系统及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1111121A (zh) * | 1994-08-30 | 1995-11-08 | 中国科学院上海技术物理研究所 | 心电和脉搏信号自适应分析法及其装置 |
CN1268033A (zh) * | 1997-02-14 | 2000-09-27 | 拜奥马尔国际公司 | 用来预测未来健康的系统 |
KR20060069032A (ko) * | 2004-12-17 | 2006-06-21 | 한양대학교 산학협력단 | 맥파전달시간과 신체특징 파라미터를 이용한 혈압 측정방법 및 장치 |
CN101357062A (zh) * | 2008-08-22 | 2009-02-04 | 华南理工大学 | 基于容积脉搏波检测的生命体征参数测评装置 |
CN101828908A (zh) * | 2010-05-10 | 2010-09-15 | 上海理工大学 | 无袖带便携式监测人体生理参数的装置与方法 |
WO2013056319A1 (en) * | 2011-10-21 | 2013-04-25 | University Of Technology, Sydney | A system and method for determining blood pressure |
CN103637787A (zh) * | 2013-12-02 | 2014-03-19 | 清华大学 | 血压实时测量装置以及实时测量脉搏波传输时间差的方法 |
CN204500653U (zh) * | 2014-12-26 | 2015-07-29 | 河南机电高等专科学校 | 一种基于双ppg的血压测量装置 |
CN105361869A (zh) * | 2014-08-11 | 2016-03-02 | 塔塔咨询服务有限公司 | 血压测量 |
CN105960197A (zh) * | 2014-01-27 | 2016-09-21 | 节奏诊断系统公司 | 健康监视系统和方法 |
CN106264504A (zh) * | 2016-09-30 | 2017-01-04 | 西安邮电大学 | 基于手指动脉波的无创血压检测系统及方法 |
WO2017088156A1 (zh) * | 2015-11-26 | 2017-06-01 | 华为技术有限公司 | 一种血压参数检测方法及用户终端 |
CN107788965A (zh) * | 2016-09-05 | 2018-03-13 | 京东方科技集团股份有限公司 | 一种血压的确定方法及装置 |
CN107847158A (zh) * | 2015-03-31 | 2018-03-27 | 深圳市长桑技术有限公司 | 用于生理参数监测的系统和方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11607152B2 (en) * | 2007-06-12 | 2023-03-21 | Sotera Wireless, Inc. | Optical sensors for use in vital sign monitoring |
US20120029363A1 (en) * | 2010-07-30 | 2012-02-02 | Nellcor Puritan Bennett Llc | Systems and methods for improved computation of differential pulse transit time from photoplethysmograph signals |
US20120029320A1 (en) * | 2010-07-30 | 2012-02-02 | Nellcor Puritan Bennett Llc | Systems and methods for processing multiple physiological signals |
US8825428B2 (en) * | 2010-11-30 | 2014-09-02 | Neilcor Puritan Bennett Ireland | Methods and systems for recalibrating a blood pressure monitor with memory |
PL3056022T3 (pl) * | 2013-10-07 | 2023-03-06 | Med-El Elektromedizinische Geraete Gmbh | Układ i sposób wyodrębniania cech czasowych z sygnałów podobnych do impulsów |
EP3033991B1 (en) * | 2014-12-15 | 2018-02-28 | Stichting IMEC Nederland | System and method for blood pressure estimation |
WO2016118974A2 (en) * | 2015-01-25 | 2016-07-28 | Aliphcom | Physiological characteristics determinator |
WO2016138965A1 (en) * | 2015-06-18 | 2016-09-09 | CSEM Centre Suisse d'Electronique et de Microtechnique SA - Recherche et Développement | Method, apparatus and computer program for determining a blood pressure value |
US10716519B2 (en) * | 2015-11-24 | 2020-07-21 | The Regents Of The University Of California | Mapping and quantifying blood stasis and thrombus risk in the heart |
EP3352661B1 (en) * | 2016-02-18 | 2020-11-18 | Samsung Electronics Co., Ltd. | Method and electronic device for cuff-less blood pressure(bp) measurement |
EP3453321A1 (en) * | 2017-09-06 | 2019-03-13 | Tata Consultancy Services Limited | Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing |
US11013421B2 (en) * | 2017-10-10 | 2021-05-25 | Verily Life Sciences Llc | Blood pressure estimation using finger-wearable sensor array |
-
2018
- 2018-06-01 EP EP18920372.2A patent/EP3787486A4/en active Pending
- 2018-06-01 CN CN201880094089.9A patent/CN112203582B/zh active Active
- 2018-06-01 WO PCT/CN2018/089542 patent/WO2019227468A1/en unknown
-
2020
- 2020-11-30 US US17/106,213 patent/US20210076953A1/en active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1111121A (zh) * | 1994-08-30 | 1995-11-08 | 中国科学院上海技术物理研究所 | 心电和脉搏信号自适应分析法及其装置 |
CN1268033A (zh) * | 1997-02-14 | 2000-09-27 | 拜奥马尔国际公司 | 用来预测未来健康的系统 |
KR20060069032A (ko) * | 2004-12-17 | 2006-06-21 | 한양대학교 산학협력단 | 맥파전달시간과 신체특징 파라미터를 이용한 혈압 측정방법 및 장치 |
CN101357062A (zh) * | 2008-08-22 | 2009-02-04 | 华南理工大学 | 基于容积脉搏波检测的生命体征参数测评装置 |
CN101828908A (zh) * | 2010-05-10 | 2010-09-15 | 上海理工大学 | 无袖带便携式监测人体生理参数的装置与方法 |
WO2013056319A1 (en) * | 2011-10-21 | 2013-04-25 | University Of Technology, Sydney | A system and method for determining blood pressure |
CN103637787A (zh) * | 2013-12-02 | 2014-03-19 | 清华大学 | 血压实时测量装置以及实时测量脉搏波传输时间差的方法 |
CN105960197A (zh) * | 2014-01-27 | 2016-09-21 | 节奏诊断系统公司 | 健康监视系统和方法 |
CN105361869A (zh) * | 2014-08-11 | 2016-03-02 | 塔塔咨询服务有限公司 | 血压测量 |
CN204500653U (zh) * | 2014-12-26 | 2015-07-29 | 河南机电高等专科学校 | 一种基于双ppg的血压测量装置 |
CN107847158A (zh) * | 2015-03-31 | 2018-03-27 | 深圳市长桑技术有限公司 | 用于生理参数监测的系统和方法 |
WO2017088156A1 (zh) * | 2015-11-26 | 2017-06-01 | 华为技术有限公司 | 一种血压参数检测方法及用户终端 |
CN107788965A (zh) * | 2016-09-05 | 2018-03-13 | 京东方科技集团股份有限公司 | 一种血压的确定方法及装置 |
CN106264504A (zh) * | 2016-09-30 | 2017-01-04 | 西安邮电大学 | 基于手指动脉波的无创血压检测系统及方法 |
Non-Patent Citations (3)
Title |
---|
A Neural Network-based method for continuous blood pressure estimation from a PPG signal;YURIY KURYLYAK ET AL;2013 IEEE INTERNATIONAL INSTRUMENTATION AND MEASUREMENT TECHNOLOGY CONFERENCE (I2MTC);280-283 * |
Cuff-less PPG based continuous blood pressure monitoring - A smartphone based approach;Gaurav, M. Maheedhar, V. N. Tiwari and R. Narayanan,;38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC);第2-3节,附图1-3,表1-3 * |
Toward Ubiquitous Blood Pressure Monitoring via Pulse Transit Time: Theory and Practice;Mukkamala et al.;IEEE Transactions on Biomedical Engineering;第62卷(第8期);1879-1901 * |
Also Published As
Publication number | Publication date |
---|---|
EP3787486A1 (en) | 2021-03-10 |
US20210076953A1 (en) | 2021-03-18 |
EP3787486A4 (en) | 2021-05-05 |
WO2019227468A1 (en) | 2019-12-05 |
CN112203582A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112203582B (zh) | 脉冲传播时间确定方法和系统 | |
US11562222B2 (en) | Systems and methods of identity analysis of electrocardiograms | |
US10467548B2 (en) | Method, apparatus and system for biometric identification | |
US20210106241A1 (en) | Heart Rate Prediction from a Photoplethysmogram | |
US20220164852A1 (en) | Digital Imaging and Learning Systems and Methods for Analyzing Pixel Data of an Image of a Hair Region of a User's Head to Generate One or More User-Specific Recommendations | |
EP3933682A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a user's skin after removing hair for determining a user-specific skin nick and cut value | |
EP4323957A1 (en) | Digital imaging and learning systems and methods for analyzing pixel data of a scalp region of a user's scalp to generate one or more user-specific scalp classifications | |
KR102211852B1 (ko) | 데이터의 특징점을 취합하여 기계 학습하는 방법 및 장치 | |
Yu et al. | Semi-supervised learning and data augmentation in wearable-based momentary stress detection in the wild | |
KR20210060246A (ko) | 생체 데이터를 획득하는 장치 및 그 방법 | |
US20220391760A1 (en) | Combining model outputs into a combined model output | |
US20230196579A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin pore size | |
EP3933683A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a user's body before removing hair for determining a user-specific trapped hair value | |
JP2023528861A (ja) | 高血圧監視のためのシステムおよび方法 | |
KR20210117918A (ko) | 데이터의 특징점을 취합하여 기계 학습하는 방법 및 장치 | |
US20220398055A1 (en) | Artificial intelligence based multi-application systems and methods for predicting user-specific events and/or characteristics and generating user-specific recommendations based on app usage | |
US20230196553A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin dryness | |
US20230196816A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin hyperpigmentation | |
US20230196551A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin roughness | |
US20230196550A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining body contour | |
US20230196549A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin puffiness | |
KR101501365B1 (ko) | 생체 정보 감시 시스템과 이를 이용한 생체 정보 감시 방법 | |
US20230210503A1 (en) | Systems and Methods for Generating Menstrual Cycle Cohorts and Classifying Users into a Cohort | |
WO2023114752A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining dark eye circles | |
KR20220143547A (ko) | 심전도 이미지에 기반한 환자 평가 시스템 및 방법 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40042225 Country of ref document: HK |
|
GR01 | Patent grant |