CN112244803A - 一种糖尿病足风险检测设备 - Google Patents
一种糖尿病足风险检测设备 Download PDFInfo
- Publication number
- CN112244803A CN112244803A CN202011188878.4A CN202011188878A CN112244803A CN 112244803 A CN112244803 A CN 112244803A CN 202011188878 A CN202011188878 A CN 202011188878A CN 112244803 A CN112244803 A CN 112244803A
- Authority
- CN
- China
- Prior art keywords
- ppg
- diabetic foot
- foot
- signal
- risk
- 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
- 206010012601 diabetes mellitus Diseases 0.000 title claims description 25
- 238000012360 testing method Methods 0.000 title description 3
- 208000008960 Diabetic foot Diseases 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012502 risk assessment Methods 0.000 claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 8
- 230000008447 perception Effects 0.000 claims abstract description 4
- 238000013186 photoplethysmography Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 7
- 230000002107 myocardial effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 101000823955 Homo sapiens Serine palmitoyltransferase 1 Proteins 0.000 claims description 3
- 102100022068 Serine palmitoyltransferase 1 Human genes 0.000 claims description 3
- 230000000747 cardiac effect Effects 0.000 claims description 3
- 238000003759 clinical diagnosis Methods 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 230000003205 diastolic effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 210000004165 myocardium Anatomy 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000010349 pulsation Effects 0.000 claims description 3
- 230000035899 viability Effects 0.000 claims description 3
- 210000002683 foot Anatomy 0.000 description 34
- 238000000034 method Methods 0.000 description 11
- 230000002265 prevention Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 208000025865 Ulcer Diseases 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 231100000397 ulcer Toxicity 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000004089 microcirculation Effects 0.000 description 3
- 210000003371 toe Anatomy 0.000 description 3
- 208000014770 Foot disease Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000003790 Foot Ulcer Diseases 0.000 description 1
- 208000035977 Rare disease Diseases 0.000 description 1
- 206010040943 Skin Ulcer Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000002266 amputation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 238000012795 verification 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
- A61B5/024—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
- A61B5/02—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
- A61B5/02422—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation within occluders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Dentistry (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提出一种糖尿病足风险检测设备,包括:信号感知模块,通信模块,人机交互设备,信号处理模块和电源模块;所述的信号感知模块,包括至少一路光电容积脉搏波信号PPG信号采集设备,所述的PPG信号采集设备被配置为感测足部的PPG信号;所述的通信模块,被配置为接收足部PPG信号,并将接收到的信号输入信号处理模块;所述的人机交互设备,包括输入和显示设备;所述的信号处理模块,包括处理器和存储器,所述存储器其上存储有计算机可执行指令和训练好的糖尿病足风险评估模型,所述的电源模块,被配置为向所述糖尿病足风险检测设备供电。
Description
技术领域
本发明涉及医疗器械领域,具体来说是一种糖尿病足风险检测设备。
背景技术
《中国糖尿病足防治指南(2019版)》指出,糖尿病在我国已从少见病变成流行病,糖尿病足的患病率也明显增加,我国50岁以上的糖尿病患者,糖尿病足的发病率高达8.1%。据估计,全球每20秒钟就有一例糖尿病患者截肢;糖尿病足溃疡患者年死亡率高达11%,而截肢患者死亡率更高达22%;一项回顾19项关于溃疡复发率的兼容研究表明,大约有40%的患者在溃疡愈合后1年内复发,3年内复发的将近60%,5年内复发的将达到65%。相对于非卧床的糖尿病门诊患者,糖尿病足病患者接受住院/急诊诊治、转诊给其他医生以及1年就诊次数分别增加3.4倍、2.1倍和1.9倍,医生花费在诊治上的时间更多;糖尿病足感染患者直接转诊到急诊或住院诊治的概率增加6.7倍。2017年全球糖尿病的医疗费用高达7270亿美元,其中中国为1100亿美元。在发达国家,糖尿病足病占用了12140~15140的糖尿病医疗卫生资源,而在发展中国家,则高达40140。因此,糖尿病足是糖尿病患者致残、致死的主要原因之一,也是造成社会沉重负担的重大公共卫生问题。
2019年发布的《中国糖尿病足防治指南》和国际糖尿病足工作组(IWGDF)发布的《国际糖尿病足病预防与管理临床指南》强调糖尿病足病防治的关键在于:“预防为主、防治结合、分级管理和多学科团队合作”。欧洲心脏病协会(ESC)、欧洲糖尿病协会(EASD)也指出,“早筛查、早干预”有助于防治糖尿病及其慢性并发症。
中国专利“CN111184505A一种糖尿病性外周动脉病变温度监测仪及其实现方法”提出通过四个温度传感器探测患者下肢末梢皮温及两侧足趾间温度,通过微处理器进行智能判断是否存在足溃疡风险,从而实现监测预警功能。然而,人体温度梯度的变化受环境和心理因素影响较大,测量重复性不高。此外,外周微循环障碍发生时,外周血流灌注指数PFI的变化早于外周皮肤温度梯度变化,因此具有更高的预警价值。
中国专利“CN209285504U一种预防糖尿病足底溃疡的智慧袜系统”提出一种结合步态分析进行足底压力分布监测的智慧袜系统,对糖尿病足底溃疡高危患者足底可能发生的病变进行预警。但是这种方法主要以足底压力作为评判标准,而糖尿病足的发病原因与血管病变引发的循环障碍密不可分,而且该方法不能对糖尿病足的不同风险等级做出预测,所以这种方法具有不可避免的局限性。
发明内容
针对现有技术中存在的上述技术问题,本发明提供了一种糖尿病足风险检测设备,通过光电容脉搏波积描记法,获得稳定可靠的足部PPG信号,不仅避免了外界温度和被测量者的心理因素的影响,而且可以通过PPG信号获得相关微循环信息。本发明提供的糖尿病足风险检测设备能够方便准确评估使用者的足部生理情况,及时对潜在的糖尿病足患者做出预警。该设备:(1)设计简单易操作。消除了操作人员偏差,也不需要经验丰富的操作者。(2)便携。该设备的体积小,方便实时测评。(3)实时、快速、普适性强。硬件技术简单,成本低,可以随时随地完成测评,便于大规模推广和人群普查。(4)测量位置要求不太严格,具有较好的适应性、重复性和稳定性。
本发明为解决技术问题采用如下技术方案:一种糖尿病足风险检测设备,包括:信号感知模块,通信模块,人机交互设备,信号处理模块和电源模块;
所述的信号感知模块,包括至少一路光电容积脉搏波信号PPG信号采集设备,所述的PPG信号采集设备被配置为感测足部的PPG信号;
所述的通信模块,被配置为接收足部PPG信号,并将接收到的信号输入信号处理模块;
所述的人机交互设备,包括输入和显示设备,支持用户手动输入生理数据,所述的生理数据至少包括性别、年龄、身高、体重、BMI,并将信息传入信号处理模块;以及用于显示被测量者基础信息、PPG波形和预测结果;
所述的信号处理模块,包括处理器和存储器,所述存储器其上存储有计算机可执行指令和训练好的糖尿病足风险评估模型,所述处理器执行所述计算机可执行指令时,对足部PPG信号进行预处理和特征提取,将提取后的特征和生理数据导入训练好的糖尿病足的风险评估模型进行分析预测,将预测结果输出到人机交互界面进行展示;
所述的电源模块,被配置为向所述糖尿病足风险检测设备供电。
进一步的,所述的PPG信号采集设备,被配置为接触式和非接触式两种信号采集方式;对于接触式采集方式,其固定形式包括钳夹、贴合、包覆方式,以适应足部不同部位的PPG信号采集。
进一步的,所述的足部PPG信号,包括足趾、足底、足内侧、足外侧、足跟PPG信号,以适应不同被测量者的实际情况。
进一步的,所述的信号处理模块,对足部PPG信号进行预处理包括:对所述足部的PPG信号进行带通滤波、降噪、归一化、去除基线漂移和检波处理。
进一步的,所述存储器中存储的糖尿病足风险评估模型,其是通过如下方式构建的:
1)获取足部PPG信号和生理数据,包括性别、年龄、身高、体重、BMI;
2)同时根据临床诊断意见分级对应设置糖尿病足风险标签:正常、低危、中危、高危;
3)根据足部PPG信号、生理数据及对应风险标签,结合机器学习方法训练糖尿病足风险评估模型。
进一步的,所述结合机器学习方法训练糖尿病足风险评估模型,具体包括:
获取PPG信号和生理数据,根据PPG整体波形形态构建糖尿病足风险评估模型;
或,获取PPG信号和生理数据,根据预定义PPG特征构建糖尿病足风险评估模型。
进一步的,所述信号处理模块对足部PPG信号进行特征提取,提取的预定义PPG特征包括PPG信号波形特征参数及其一阶导特征参数、二阶导特征参数。
进一步的,所述的PPG信号波形特征参数包括:
脉动周期T,即一次完整脉动时间;
脉率HR,即容积脉搏波一分钟内周期性脉动次数;
峰值时间CT,即心肌收缩至速度最大值时间;
峰值比CTR,即心肌收缩至速度最大值所用时间,占整个脉动周期的时间比值;
峰-峰值时间PPT,即主波波峰与重搏波波峰或拐点时间差;
硬度指数SI,身高除以PPT,即反映脉搏波传导速度。
进一步的,所述的PPG信号波形一阶导特征参数包括:
射血分数ED,即一次射血所用时间占整个脉动周期时间比;
左心负荷指数SPTI,即心脏射血期幅值对时间的积分;
心内膜下心肌活力率SEVR,即舒张期面积与收缩期面积比值。
进一步的,所述的PPG信号波形二阶导特征参数(SDPPG)包括:
a点,即SDPPG最大值点,是收缩期早期正波(positive wave)的波峰;
b点,即SDPPG最小值点,是收缩期早期负波(negative wave)波谷;
b/a,即b波幅值与a波幅值比。
与现有技术相比,本发明有益效果体现在:
本发明提出了糖尿病足风险检测设备检测装置,消除了外部环境和被测量者自身心理因素的影响,通过测量带有足部微循环信息的PPG信号,提取得到多种PPG信号特征。本发明提出的糖尿病足预警检测装置体积小,重量轻,价格便宜,准确度高且便于用户自测,大大提高了糖尿病足早期预警检测的效率。
附图说明
图1为本发明糖尿病足风险检测设备的结构框图;
图2为本发明信号采集设备钳夹方式固定示意图;
图3为本发明实施例中基于PPG信号和生理数据的糖尿病足风险评估模型的构建流程图;
图4为对PPG原始信号进行预处理的流程图;
图5(a)PPG与其一阶导函数特征点、特征参数及其对应关系;
图5(b)基于PPG一阶导函数波形特征点、特征参数;
图5(c)基于PPG二阶导函数波形特征点、特征参数。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清晰,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“足部”“足内侧”“足外侧”“脚趾”等仅用于举例被感测的身体部位。
为了保持本公开实施例的以下说明清楚且简明,本公开省略了已知功能和已知部件的详细说明。
为了更加准确和实时的对糖尿病足做出早期预警,本申请提供一种基于PPG波形形态的糖尿病足风险检测设备,
根据本申请实施例,提供一种糖尿病足风险检测设备100,如图1所示,包括信号感知模块110,通信模块120,人机交互设备130,信号处理模块140和电源模块150;
糖尿病足风险检测设备100中,信号感知模块110通过PPG信号采集设备111采集被测量者PPG信号:
具体的,PPG信号采集设备包括接触式PPG信号采集设备和非接触式PPG信号采集设备;其中接触式设备,其固定形式包括但不限于钳夹(如图2所示)、贴合、包覆等方式,以适应足部不同部位的PPG信号采集。
糖尿病足风险检测设备100中,通信模块120被配置为接收信号感知模块110中PPG信号采集设备111采集到的原始PPG信号,并将接收到的信号传输到信号处理模块140中。
人机交互设备130支持手动输入生理数据,至少包括性别、年龄、身高、体重、BMI等信息,并将这些生理数据传输到信号处理模块140中,同时人机交互设备130还可以被配置为显示用户糖尿病足风险预测等信息,人机交互设备130可以通过曲线、表格、文本、图片等多种形式显示预处理后的PPG波形、ABI、糖尿病足风险以及糖尿病足预防建议等信息。
糖尿病足风险检测设备100中,信号处理模块140包括存储器和处理器,所述存储器上其上存储有计算机可执行指令和训练好的糖尿病足风险评估模型,所述处理器执行所述计算机可执行指令时,对足部PPG信号进行预处理和特征提取,将提取后的特征和生理数据导入训练好的糖尿病足的风险评估模型进行分析预测,将预测结果输出到人机交互界面进行展示,所述处理器可选的为CPU或MCU,所述处理器通过执行相关指令依次完成以下步骤:
(1)对采集到的原始PPG信号做预处理,包括带通滤波、降噪、归一化、去除基线漂移和检波;
(2)提取PPG整体波形形态特征,或提取预定义PPG特征参数,包括PPG波形特征参数及其一阶导、二阶导参数;
(3)接收操作人员通过人机交互界面输入的被测量者生理数据;
(4)将提取的PPG特征,结合生理数据输入训练好的风险评估模型;
(5)得到预测结果,并将预测结果传输给人机交互设备用于显示。
所述糖尿病足风险检测设备还包括电源模块150,电源模块150被配置为向糖尿病足预警检测检测设备供电。
如图3所示,根据本发明的实施例,所述存储器中存储的训练好的糖尿病足风险评估模型是基于PPG信号和生理数据的构建得到的,具体包括以下步骤:
步骤S101、获取足部PPG信号和生理数据:
其中,获取原始PPG信号,具体包括通过接触式和非接触式设备获取。对于接触式设备,其固定形式包括但不限于钳夹、贴合、包覆等方式,以适应足部不同部位的PPG信号采集。
步骤S102、根据临床诊断意见,设置糖尿病足风险标签:正常、低危、中危、高危。
步骤S103、信号预处理:对采集的PPG信号进行带通滤波、降噪、归一化、去除基线漂移和检波处理,如图4所示,具体包括如下子步骤:
S1031、对原始PPG信号进行带通滤波。具体地,使用合适的滤波器对原始PPG信号进行滤波,例如,采用FIR(Finite Impulse Response)滤波器对原始PPG信号进行滤波处理。
S1032、利用小波去噪原理对信号进行降噪处理。
S1033、按照切割规则切割降噪后的PPG信号,得到单个波形。
S1034、将切割后的单个波形进行归一化操作,将波形归一化到同一范围内。
S1035、对所述的归一化后的PPG进行去除基线漂移和检波处理,以识别所述的PPG特征点。
步骤S104、PPG特征提取,其中包括:
1.将PPG整体波形作为输入,具体包括选择足以包含至少两个心跳周期的固定大小的PPG信号间隔作为处理窗口,以预定时间间隔(至少两个心跳周期)截取出合格且完整的PPG信号,裁剪PPG信号作为输入特征;
2.将预定义PPG特征作为输入,具体包括PPG波形特征参数及其一阶导特征参数、二阶导特征参数,如图5(a)所示,PPG波形特征参数至少包括:
1)脉动周期T,即一次完整脉动时间;
2)脉率HR=60/T,即容积脉搏波一分钟内周期性脉动次数;
3)峰值时间CT,即心肌收缩至速度最大值时间;
4)峰值比CTR=CT/T,即心肌收缩至速度最大值所用时间占整个脉动周期的时间比值;
5)峰-峰值时间PPT,即主波波峰与重搏波波峰(或拐点)时间差;
6)硬度指数SI=H/PPT,即身高除以PPT。
如图5(b)所示,一阶导参数至少包括:
射血分数ED=t1/T,即一次射血所用时间占整个脉动周期时间比;
左心负荷指数SPTI=S1,即心脏射血期幅值对时间的积分;
心内膜下心肌活力率SEVR=S2/S1,即舒张期面积与收缩期面积比值。
如图5(c)所示,二阶导参数至少包括:
1)a点,即SDPPG最大值点,是收缩期早期正波(positive wave)的波峰;
2)b点,即SDPPG最小值点,是收缩期早期负波(negative wave)波谷;
3)b/a,即b波幅值与a波幅值之比。
步骤S105、模型训练及验证:将步骤S104所提取的特征和生理数据作为输入,选取机器学习方法(如决策树、随机森林、SVM、Adaboost、神经网络等)作为分类方法,在PC端编写程序,结合糖尿病足风险标签进行有监督分类学习,训练模型参数并在测试集上验证。其中分类结果的划分应与风险标签一致:正常、低危、中危、高危。
另外程序语言包括但不限于Java、C、C++等。
步骤S106、糖尿病足风险评估模型移植:因为模型的训练过程花费时间长、计算量大,所以需要先在PC端进行模型训练,然后将训练好的模型移植到糖尿病足风险检测设备的存储器中供CPU执行。例如,采用Java、等语言移植训练好的模型。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种糖尿病足风险检测设备,其特征在于,包括:信号感知模块,通信模块,人机交互设备,信号处理模块和电源模块;
所述的信号感知模块,包括至少一路光电容积脉搏波信号PPG信号采集设备,所述的PPG信号采集设备被配置为感测足部的PPG信号;
所述的通信模块,被配置为接收足部PPG信号,并将接收到的信号输入信号处理模块;
所述的人机交互设备,包括输入和显示设备,支持用户手动输入生理数据,所述的生理数据至少包括性别、年龄、身高、体重、BMI,并将信息传入信号处理模块;以及用于显示被测量者基础信息、PPG波形和预测结果;
所述的信号处理模块,包括处理器和存储器,所述存储器其上存储有计算机可执行指令和训练好的糖尿病足风险评估模型,所述处理器执行所述计算机可执行指令时,对足部PPG信号进行预处理和特征提取,将提取后的特征和生理数据导入训练好的糖尿病足的风险评估模型进行分析预测,将预测结果输出到人机交互界面进行展示;
所述的电源模块,被配置为向所述糖尿病足风险检测设备供电。
2.根据权利要求1所述的糖尿病足风险检测设备,其特征在于,所述的PPG信号采集设备,被配置为接触式和非接触式两种信号采集方式;对于接触式采集方式,其固定形式包括钳夹、贴合、包覆方式,以适应足部不同部位的PPG信号采集。
3.根据权利要求1所述的糖尿病足风险检测设备,其特征在于,所述的足部PPG信号,包括足趾、足底、足内侧、足外侧、足跟PPG信号,以适应不同被测量者的实际情况。
4.根据权利要求1所述的糖尿病足风险检测设备,其特征在于,所述的信号处理模块,对足部PPG信号进行预处理,包括:对所述足部的PPG信号进行带通滤波、降噪、归一化、去除基线漂移和检波处理。
5.根据权利要求1所述的糖尿病足风险检测设备,其特征在于,所述存储器中存储的糖尿病足风险评估模型,其是通过如下方式构建的:
1)获取足部PPG信号和生理数据,包括年龄、性别、身高、体重、BMI;
2)根据临床诊断意见设置糖尿病足风险标签:正常、低危、中危、高危;
3)根据足部PPG信号、生理数据及风险标签,采用机器学习方法训练糖尿病足风险评估模型。
6.根据权利要求5所述的糖尿病足风险检测设备,其特征在于,所述结合机器学习方法训练糖尿病足风险评估模型,具体包括:
获取PPG信号和生理数据,根据PPG整体波形形态构建糖尿病足风险评估模型;
或,获取PPG信号和生理数据,根据预定义PPG特征构建糖尿病足风险评估模型。
7.根据权利要求1所述的糖尿病足风险检测设备,其特征在于,所述信号处理模块对足部PPG信号进行特征提取,提取的预定义PPG特征包括PPG信号波形特征参数及其一阶导特征参数、二阶导特征参数。
8.根据权利要求7所述的糖尿病足风险检测设备,其特征在于,所述的PPG信号波形特征参数包括:
脉动周期T,即一次完整脉动时间;
脉率HR,即容积脉搏波一分钟内周期性脉动次数;
峰值时间CT,即心肌收缩至速度最大值时间;
峰值比CTR,即心肌收缩至速度最大值所用时间,占整个脉动周期的时间比值;
峰-峰值时间PPT,即主波波峰与重搏波波峰或拐点时间差;
硬度指数SI,身高除以PPT,即反映脉搏波传导速度。
9.根据权利要求7所述的糖尿病足风险检测设备,其特征在于,所述的PPG信号波形一阶导特征参数包括:
射血分数ED,即一次射血所用时间占整个脉动周期时间比;
左心负荷指数SPTI,即心脏射血期幅值对时间的积分;
心内膜下心肌活力率SEVR,即舒张期面积与收缩期面积比值。
10.根据权利要求7所述的糖尿病足风险检测设备,其特征在于,所述的PPG信号波形二阶导特征参数(SDPPG)包括:
a点,即SDPPG最大值点,是收缩期早期正波(positive wave)的波峰;
b点,即SDPPG最小值点,是收缩期早期负波(negative wave)波谷;
b/a,即b波幅值与a波幅值比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188878.4A CN112244803A (zh) | 2020-10-30 | 2020-10-30 | 一种糖尿病足风险检测设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188878.4A CN112244803A (zh) | 2020-10-30 | 2020-10-30 | 一种糖尿病足风险检测设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112244803A true CN112244803A (zh) | 2021-01-22 |
Family
ID=74268241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011188878.4A Pending CN112244803A (zh) | 2020-10-30 | 2020-10-30 | 一种糖尿病足风险检测设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112244803A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096811A (zh) * | 2021-04-29 | 2021-07-09 | 中国科学院合肥物质科学研究院 | 一种基于红外热成像的糖尿病足图像处理和风险预警设备 |
CN113925480A (zh) * | 2021-09-25 | 2022-01-14 | 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 |
CN115363553A (zh) * | 2022-08-09 | 2022-11-22 | 苏州国科医工科技发展(集团)有限公司 | 一种糖尿病足检测方法及系统 |
CN117338301A (zh) * | 2023-10-17 | 2024-01-05 | 首都医科大学宣武医院 | 一种基于肌电信号的糖尿病足风险等级评测系统 |
CN117547287A (zh) * | 2023-11-14 | 2024-02-13 | 首都医科大学宣武医院 | 一种基于多生理参数的糖尿病足风险评估系统 |
CN113096811B (zh) * | 2021-04-29 | 2024-06-07 | 中国科学院合肥物质科学研究院 | 一种基于红外热成像的糖尿病足图像处理和风险预警设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105792742A (zh) * | 2013-11-27 | 2016-07-20 | 皇家飞利浦有限公司 | 用于获得对象的脉搏传导时间和/或脉搏波速度信息的设备和方法 |
CN106446595A (zh) * | 2016-12-16 | 2017-02-22 | 上海尚戴科技发展有限公司 | 一种机器学习妊娠期糖尿病发病风险及病情程度预测系统 |
CN111265188A (zh) * | 2020-01-21 | 2020-06-12 | 温州医科大学 | 一种基于局部微循环的糖尿病足风险评估装置及方法 |
-
2020
- 2020-10-30 CN CN202011188878.4A patent/CN112244803A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105792742A (zh) * | 2013-11-27 | 2016-07-20 | 皇家飞利浦有限公司 | 用于获得对象的脉搏传导时间和/或脉搏波速度信息的设备和方法 |
CN106446595A (zh) * | 2016-12-16 | 2017-02-22 | 上海尚戴科技发展有限公司 | 一种机器学习妊娠期糖尿病发病风险及病情程度预测系统 |
CN111265188A (zh) * | 2020-01-21 | 2020-06-12 | 温州医科大学 | 一种基于局部微循环的糖尿病足风险评估装置及方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096811A (zh) * | 2021-04-29 | 2021-07-09 | 中国科学院合肥物质科学研究院 | 一种基于红外热成像的糖尿病足图像处理和风险预警设备 |
CN113096811B (zh) * | 2021-04-29 | 2024-06-07 | 中国科学院合肥物质科学研究院 | 一种基于红外热成像的糖尿病足图像处理和风险预警设备 |
CN113925480A (zh) * | 2021-09-25 | 2022-01-14 | 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 |
CN115363553A (zh) * | 2022-08-09 | 2022-11-22 | 苏州国科医工科技发展(集团)有限公司 | 一种糖尿病足检测方法及系统 |
CN115363553B (zh) * | 2022-08-09 | 2024-01-23 | 苏州国科医工科技发展(集团)有限公司 | 一种糖尿病足检测方法及系统 |
CN117338301A (zh) * | 2023-10-17 | 2024-01-05 | 首都医科大学宣武医院 | 一种基于肌电信号的糖尿病足风险等级评测系统 |
CN117338301B (zh) * | 2023-10-17 | 2024-03-29 | 首都医科大学宣武医院 | 一种基于肌电信号的糖尿病足风险等级评测系统 |
CN117547287A (zh) * | 2023-11-14 | 2024-02-13 | 首都医科大学宣武医院 | 一种基于多生理参数的糖尿病足风险评估系统 |
CN117547287B (zh) * | 2023-11-14 | 2024-04-09 | 首都医科大学宣武医院 | 一种基于多生理参数的糖尿病足风险评估系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fine et al. | Sources of inaccuracy in photoplethysmography for continuous cardiovascular monitoring | |
CN112244803A (zh) | 一种糖尿病足风险检测设备 | |
CN106037694A (zh) | 一种基于脉搏波的连续血压测量装置 | |
US20130261468A1 (en) | Non-invasive portable dehydration diagnostic system, device and method | |
Huotari et al. | Photoplethysmography and its detailed pulse waveform analysis for arterial stiffness | |
KR20170087855A (ko) | 적어도 부분적으로 펄스 파형에 기반하는 자동화 진단 | |
AU2015201213A1 (en) | Measuring blood pressure | |
Maher et al. | HRV based Human Heart Disease Prediction and Classification using Machine Learning | |
Chen et al. | Evaluation of mental stress and heart rate variability derived from wrist-based photoplethysmography | |
KR20190113552A (ko) | Ppg ibi 및 모폴로지를 기반으로 하는 수동 부정맥 감지 장치 및 방법 | |
CN115137319A (zh) | 一种皮肤微血管内皮功能检测设备及其检测方法 | |
Chakraborty et al. | An automated algorithm to extract time plane features from the PPG signal and its derivatives for personal health monitoring application | |
WO2021240439A1 (en) | Wearable device with plethysmogram sensor | |
EP4017348A1 (en) | Systems and methods for using characteristics of photoplethysmography (ppg) data to detect cardiac conditions | |
Sondej et al. | Validation of a new device for photoplethysmographic measurement of multi-site arterial pulse wave velocity | |
Li et al. | Hybrid D1DCnet using forehead iPPG for continuous and noncontact blood pressure measurement | |
US10327648B2 (en) | Blood vessel mechanical signal analysis | |
CN110575182A (zh) | 用于检测血糖的方法及装置 | |
Ranvier et al. | Detection of hypoglycemic events through wearable sensors | |
EP4208085A1 (en) | Method and apparatus for detecting sleep-disturbing events from a signal indicative of a peripheral arterial tone of an individual | |
More et al. | Development of non-invasive diagnostic tool for diseases using Photo Plethysmography | |
Devaki et al. | Smartphone-based diagnostic model for hypertension using features from photoplethysmogram | |
Hridhya et al. | Patient Monitoring and Abnormality Detection Along with an Android Application | |
Gayapersad et al. | Beyond blood pressure and heart rate monitoring: towards a device for continuous sensing and automatic feature extraction of cardiovascular data | |
KR102627743B1 (ko) | 광용적맥파를 이용한 연령 추정 방법 및 장치 |
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 |