CN112274119A - 一种基于神经网络的脉搏波模型预测方法 - Google Patents
一种基于神经网络的脉搏波模型预测方法 Download PDFInfo
- Publication number
- CN112274119A CN112274119A CN202011116425.0A CN202011116425A CN112274119A CN 112274119 A CN112274119 A CN 112274119A CN 202011116425 A CN202011116425 A CN 202011116425A CN 112274119 A CN112274119 A CN 112274119A
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- data
- neural network
- cardiovascular
- prediction method
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 230000001133 acceleration Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 37
- 208000024172 Cardiovascular disease Diseases 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 210000000748 cardiovascular system Anatomy 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 208000024335 physical disease Diseases 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- 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
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
一种基于神经网络的脉搏波模型预测方法,属于图像识别领域。一种基于神经网络的脉搏波模型预测方法,通过被监测者身上佩戴的智能穿戴设备具有的多种传感器获取信息;被监测者的智能手机将接收到的脉搏波数据和姿态数据进行数据预处理,之后进行本地存储,之后通过UI显示的同时,在软件后台将预处理后的数据再进行打包,上传至服务器端;服务器端根据对应的网络接口,对接收到的脉搏波数据和姿态数据进行解包和恢复,再将接收到的数据存入服务器数据库,最后利用神经网络进行脉搏波预测模型的训练,通过预测脉搏波模型,实时预测脉搏波数据。本发明通过融合脉搏波和加速度信息,设计了一种泛化能力好,实用性强的脉搏波预测方法。
Description
技术领域
本发明涉及一种基于神经网络的脉搏波模型预测方法。
背景技术
随着社会和经济的发展,人们的生活节奏逐渐加快,随之而来的是日益凸显的亚健康 问题。亚健康是一种处于健康与疾病之间的临界状态,虽然没有达到任何疾病的标准,却 会出现各方面的负面状态,如精神状态、抵抗力、免疫力下降等症状。如果不能得到及时 的发现并加以控制或改善,极易进一步引发更为严重的身心疾病,而其中以心血管病势态 最为严峻。
我国人民亚健康问题的加重,心血管病的势态也日趋严峻,面临着高患病率,高死亡 率,高致残率的困扰,亟待一种脉搏波预测方法为医生诊断病情作为依据。
发明内容
本发明的目的是为了解决现有的亟待一种脉搏波预测方法的问题,而提出一种基于神 经网络的脉搏波模型预测方法。
一种基于神经网络的脉搏波模型预测方法,所述方法通过以下步骤实现:
步骤一、通过被监测者身上佩戴的智能穿戴设备具有的多种传感器获取信息;具体为:
智能穿戴设备具有的微处理器控制脉搏传感器实时获取被监测者的脉搏波信息,控制 加速度传感器实时获取被监测者的姿态信息,最后将脉搏波数据和姿态数据按设定的数据 格式打包,通过蓝牙模块发送至被监测者的智能手机;
步骤二、被监测者的智能手机将接收到的脉搏波数据和姿态数据进行数据预处理,之 后进行本地存储,之后通过UI显示的同时,在软件后台将预处理后的数据再进行打包,上 传至服务器端;
步骤三、服务器端根据对应的网络接口,对接收到的脉搏波数据和姿态数据进行解包 和恢复,再将接收到的数据存入服务器数据库,最后利用神经网络进行脉搏波预测模型的 训练,通过预测脉搏波模型,实时预测脉搏波数据。
本发明的有益效果为:
本发明通过融合脉搏波和加速度信息,设计了一种泛化能力好,实用性强的脉搏波预 测方法,能为心血管疾病突发风险实时预测。该方法独特之处在于一人一个模型,不是学 习不同风险等级的脉搏波的区分度大的特征,而是通过构建每个人不同稳定状态的脉搏波 模型,进而通过判断新脉搏波相对标准模型的突变程度,衡量心血管疾病的突发风险。本 发明的预测方法快速且准确。
脉搏波测量值和本发明定义的心血管疲劳状态的绝对值本身都是没有意义的,本文通 过相对计算赋予其意义,这样自适应的因人建模,可以尽可能地避免个体的差异导致模型 判断的不准确。
在判断被监测者的心血管疾病突发风险值时,考虑到了被监测者心血管系统的状态。 由于人体脉搏波特征参数与被监测者心血管系统的疲状态有着密切的联系,因此,将被监 测者心血管系统的状态作为被监测者的心血管疾病突发风险值的判断前提,有助于提高获 得的被监测者的心血管疾病突发风险值的准确性与有效性。
通过采用对被监测者进行多状态建模的方式,即建立被监测者心血管系统的不同状态 下的多个心血管疾病突发风险预测模型,来尽可能地避免因生物个体差异而造成获得的心 血管疾病突发风险值不真实的问题,能够进一步地提升心血管疾病突发风险值的有效性。
附图说明
图1为本发明的流程图;
图2为本发明涉及的平滑先验法校正基线漂移示意图;
图3为本发明涉及的脉搏波峰值点示意图;
图4为本发明涉及的三状态运动综合标准差。
具体实施方式
具体实施方式一:
本实施方式的一种基于神经网络的脉搏波模型预测方法,如图1所示,所述方法通过 以下步骤实现:
步骤一、通过被监测者身上佩戴的智能穿戴设备具有的多种传感器获取信息;具体为:
智能穿戴设备具有的微处理器控制脉搏传感器实时获取被监测者的脉搏波信息,控制 加速度传感器实时获取被监测者的姿态信息,最后将脉搏波数据和姿态数据按设定的数据 格式打包,通过蓝牙模块发送至被监测者的智能手机;
步骤二、被监测者的智能手机将接收到的脉搏波数据和姿态数据进行数据预处理,之 后进行本地存储,之后通过UI显示的同时,在软件后台将预处理后的数据再进行打包,上 传至服务器端;
步骤三、服务器端根据对应的网络接口,对接收到的脉搏波数据和姿态数据进行解包 和恢复,再将接收到的数据存入服务器数据库,最后利用神经网络进行脉搏波预测模型的 训练,通过预测脉搏波模型,实时预测脉搏波数据,医护工作者可根据预测到的脉搏波数 据进行心血管病突发风险等级的预测,并保存一直等待下一次对应接口的访问;
步骤四、被监测者移动端、医师移动端、PC端通过不断访问风险等级的网络接口获取 脉搏波数据,一旦获取的数据超出设定的阈值,即通知医师移动端;医师移动端根据获取 的脉搏波数据确定心血管风险信息,一旦风险等级过高,医师进行紧急处理;
具体实施方式二:
与具体实施方式一不同的是,本实施方式的一种基于神经网络的脉搏波模型预测方法,
步骤二所述的数据预处理的步骤包括,采用平滑先验法校正脉搏波基线漂移,以及进 行波形分割的同时去除运动伪迹;另外,将加速度信息转化为心血管状态值;
其中,所述的平滑先验法校正脉搏波基线漂移的过程具体为:
假设脉搏波原始信号为f,则其应包含两部分信号:
f=fstat+ftrend
其中,fstat是f中的平稳信号;ftrend是f的基线漂移信号;其中:
fstat=Hq+v
然后使用通用的正则化最小二乘准则估计回归参数,得到基线漂移信号的最优估计为如下所示:
由于出现运动伪迹导致脉搏波部分或完全失真如下图2,需要识别出该部分波形并舍 去,才能不让错误的波形影响判断
本文的处理方法是在分割波形的过程中,对波形是否有误进行判断,若有误则除去, 通过此法进行波形分割的同时去除运动伪迹,具体的如下:
首先、标记所有的波峰点和波谷点如下图3,再对成对的波峰波谷点做差,通过阈值 判断是否为主波的峰谷对(即一个完整脉搏波的起始点和主波波峰点),从而通过起始点划 分波形;
然后、由于脉搏波时刻在变化,故主波峰谷的值之差的阈值范围也应随时调整,且由 于脉搏波本身即使剧烈变化,正常波形也不会出现运动伪迹,即断崖式突变,故通过对峰 谷值在处理过程中进行指数平滑,预测下一个峰谷差,并以此确定阈值范围;
最后、通过阈值范围判断:
(4)当峰谷值之差小于最小阈值时则不是主波的峰谷对;
(5)当介于最大和最小阈值之间时,即为主波峰谷对,然后根据指数平滑更新阈值;
(6)当大于最大阈值时则为波形断崖,应当去除;
故通过上述方法即可划分波形,且去除波形断崖。
注:不能只凭峰谷对判断波形,因为每个人脉搏波形不一样,一般健康的人多为两个 波(主波和次波),但是也有很多心血管患者为馒头波,即只有一个波,而有的人重搏波有 好几个,即有多个次波。
具体实施方式三:
与具体实施方式一或二不同的是,本实施方式的一种基于神经网络的脉搏波模型预测 方法,步骤三所述的通过预测评价模型,实时预测心血管数据类型的过程包括:
首先、进行模型的训练,具体为:
先将脉搏波进行DBSCAN聚类,再以聚类的标签作为目标值,分别训练脉搏波和心血 管状态的分类模型;
然后、进行实际预测,具体为:
先通过心血管状态值确定状态,再通过脉搏波符合对应状态的概率衡量脉搏波的突变 程度进而预测脉搏波模型。
具体实施方式四:
与具体实施方式三不同的是,本实施方式的一种基于神经网络的脉搏波模型预测方法,
步骤一所述的控制加速度传感器实时获取被监测者的姿态信息的过程中,
本文并不需要完全识别出人体的姿态,不需要专门对六轴加速度做定量的分析,而只 需要对其进行定性的分析,判定心血管疲劳程度等级即可。
进行人体运动剧烈程度估计:
首先、对人体的运动剧烈程度进行定性分析,通过六轴加速度传感器获取人体的姿态 信息,实验采取以坐,走,跑作为运动剧烈程度为低,中,高的表现形式,进行数据采集, 通过六轴加速度的综合标准差进行分析如图4,确定人体的运动状态;
综合标准差即为六轴的加速度的综合,即六轴的标准差的平方和的平方根:
其中,SDi表示六轴的标准差,1-6分别对应x,y,z轴的加速度和角加速度。
从图3-3中可以看出综合标准差确实可以作为人体的运动剧烈程度定性分析的标准。 比如小于1000的为低剧烈程度,1000-10000的为中,10000以上的为高。
具体实施方式五:
与具体实施方式一、二或四不同的是,本实施方式的一种基于神经网络的脉搏波模型 预测方法,所述的将加速度信息转化为心血管状态值的过程,心血管状态值估计具体为:
通过人体的运动剧烈程度加上时间维度,可以简单定性心血管的状态。借助指数平滑 的滞后性,通过对综合标准差作高阶(1000次)指数平滑作为估计心血管状态值的标准:
Tiri=0.999Tiri-1 0.001+SDSUM_i
其中高阶指数次数取决于设定的六轴加速度采样频率,采样频率越高,需要的高阶指 数次数越高。
具体实施方式六:
与具体实施方式五不同的是,本实施方式的一种基于神经网络的脉搏波模型预测方法, 所述的利用神经网络进行脉搏波预测模型的训练,通过预测脉搏波模型,实时预测脉搏波 数据的过程为,
(1)、按照上节的数据预处理之后,可以得到经过去噪,分割后的脉搏波数据和心血 管疲劳值,这两种数值的绝对数值并没有任何意义,但是其相对数值可以进行衡量脉搏波 的突变程度和心血管的状态值;
(2)、首先进行数据采集,要求在心血管未发病时,采集一段时间的脉搏波数据和姿 态信息,要求这段时间内尽可能的执行经常会发生的行为,包括静坐,慢走,爬楼梯等等;
(3)、然后经过预处理,得到去噪,分割后的脉搏波数据和我们自身定义的心血管疲 劳值,再对脉搏波进行自动聚类分析,聚类数为需要划分的心血管状态的数量,假设为3类;
(4)、最后通过神经网络训练两个分类器,分别以脉搏波数据和心血管状态值作为特 征量,以自动聚类的结果作为目标值训练分类器。
具体实施方式七:
与具体实施方式一、二、四或六不同的是,本实施方式的一种基于神经网络的脉搏波 模型预测方法,所述的神经网络的结构选为一维卷积神经网络。
在经典的卷积神经网络——AlexNet网络基础上进行修改,先转换为一维卷积神经网 络,再根据脉搏波形特点以及实际运行结果调整每层网络的大小、步长等。
预测方法实施例:
预测方法模型训练
1.按照上节的数据预处理之后,可以得到经过去噪,分割后的脉搏波数据和心血管疲 劳值,这两种数值的绝对数值并没有任何意义,但是其相对数值可以进行衡量脉搏波的突 变程度和心血管的状态值。
2.首先进行数据采集,要求在心血管未发病时,采集一段时间的脉搏波数据和姿态信 息,要求这段时间内尽可能的执行经常会发生的行为,包括静坐,慢走,爬楼梯等等。
3.然后经过预处理,得到去噪,分割后的脉搏波数据和我们自身定义的心血管疲劳值, 再对脉搏波进行自动聚类分析,聚类数为需要划分的心血管状态的数量,假设为3类。
4.最后训练两个分类器,分别以脉搏波数据和心血管状态值作为特征量,以自动聚类 的结果作为目标值训练分类器。
预测方法预测流程
1.首先将预处理得到的心血管状态值输入心血管状态分类器进行分类,得到对应的心 血管状态。
2.接着将预处理后的脉搏波数据输入脉搏波分类模型,得出对应心血管状态类型确定 对应的脉搏波分类的概率
3.最后通过与对应脉搏波的相似概率,获得脉搏波的突变程度,最终得到心血管病 突发风险等级。
Claims (7)
1.一种基于神经网络的脉搏波模型预测方法,其特征在于:所述方法通过以下步骤实现:
步骤一、通过被监测者身上佩戴的智能穿戴设备具有的多种传感器获取信息;具体为:
智能穿戴设备具有的微处理器控制脉搏传感器实时获取被监测者的脉搏波信息,控制加速度传感器实时获取被监测者的姿态信息,最后将脉搏波数据和姿态数据按设定的数据格式打包,通过蓝牙模块发送至被监测者的智能手机;
步骤二、被监测者的智能手机将接收到的脉搏波数据和姿态数据进行数据预处理,之后进行本地存储,之后通过UI显示的同时,在软件后台将预处理后的数据再进行打包,上传至服务器端;
步骤三、服务器端根据对应的网络接口,对接收到的脉搏波数据和姿态数据进行解包和恢复,再将接收到的数据存入服务器数据库,最后利用神经网络进行脉搏波预测模型的训练,通过预测脉搏波模型,实时预测脉搏波数据。
2.根据权利要求1所述的一种基于神经网络的脉搏波模型预测方法,其特征在于:
步骤二所述的数据预处理的步骤包括,采用平滑先验法校正脉搏波基线漂移,以及进行波形分割的同时去除运动伪迹;另外,将加速度信息转化为心血管状态值;
其中,所述的平滑先验法校正脉搏波基线漂移的过程具体为:
假设脉搏波原始信号为f,则其应包含两部分信号:
f=fstat+ftrend
其中,fstat是f中的平稳信号;ftrend是f的基线漂移信号;其中:
fstat=Hq+v
然后使用通用的正则化最小二乘准则估计回归参数,得到基线漂移信号的最优估计为如下所示:
通过此法进行波形分割的同时去除运动伪迹,具体的如下:
首先、标记所有的波峰点和波谷点,再对成对的波峰波谷点做差,通过阈值判断是否为主波的峰谷对,从而通过起始点划分波形;
然后、通过对峰谷值在处理过程中进行指数平滑,预测下一个峰谷差,并以此确定阈值范围;
最后、通过阈值范围判断:
(1)当峰谷值之差小于最小阈值时则不是主波的峰谷对;
(2)当介于最大和最小阈值之间时,即为主波峰谷对,然后根据指数平滑更新阈值;
(3)当大于最大阈值时则为波形断崖,应当去除;
故通过上述方法即可划分波形,且去除波形断崖。
3.根据权利要求1或2所述的一种基于神经网络的脉搏波模型预测方法,其特征在于:
步骤三所述的通过预测评价模型,实时预测心血管数据类型的过程包括:
首先、进行模型的训练,具体为:
先将脉搏波进行DBSCAN聚类,再以聚类的标签作为目标值,分别训练脉搏波和心血管状态的分类模型;
然后、进行实际预测,具体为:
先通过心血管状态值确定状态,再通过脉搏波符合对应状态的概率衡量脉搏波的突变程度进而预测脉搏波模型。
5.根据权利要求1、2或4所述的一种基于神经网络的脉搏波模型预测方法,其特征在于:所述的将加速度信息转化为心血管状态值的过程,心血管状态值估计具体为:
借助指数平滑的滞后性,通过对综合标准差作高阶指数平滑作为估计心血管状态值的标准:
Tiri=0.999Tiri-1 0.001+SDSUM_i
其中高阶指数次数取决于设定的六轴加速度采样频率,采样频率越高,需要的高阶指数次数越高。
6.根据权利要求5所述的一种基于神经网络的脉搏波模型预测方法,其特征在于:所述的利用神经网络进行脉搏波预测模型的训练,通过预测脉搏波模型,实时预测脉搏波数据的过程为,
(1)、按照上节的数据预处理之后,可以得到经过去噪,分割后的脉搏波数据和心血管疲劳值,这两种数值的绝对数值并没有任何意义,但是其相对数值可以进行衡量脉搏波的突变程度和心血管的状态值;
(2)、首先进行数据采集,要求在心血管未发病时,采集一段时间的脉搏波数据和姿态信息,要求这段时间内尽可能的执行经常会发生的行为,包括静坐,慢走,爬楼梯等等;
(3)、然后经过预处理,得到去噪,分割后的脉搏波数据和我们自身定义的心血管疲劳值,再对脉搏波进行自动聚类分析,聚类数为需要划分的心血管状态的数量;
(4)、最后通过神经网络训练两个分类器,分别以脉搏波数据和心血管状态值作为特征量,以自动聚类的结果作为目标值训练分类器。
7.根据权利要求1、2、4或6所述的一种基于神经网络的脉搏波模型预测方法,其特征在于:所述的神经网络的结构选为一维卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011116425.0A CN112274119B (zh) | 2020-10-19 | 2020-10-19 | 一种基于神经网络的脉搏波模型预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011116425.0A CN112274119B (zh) | 2020-10-19 | 2020-10-19 | 一种基于神经网络的脉搏波模型预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112274119A true CN112274119A (zh) | 2021-01-29 |
CN112274119B CN112274119B (zh) | 2024-04-05 |
Family
ID=74496422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011116425.0A Active CN112274119B (zh) | 2020-10-19 | 2020-10-19 | 一种基于神经网络的脉搏波模型预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112274119B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017131276A1 (ko) * | 2016-01-29 | 2017-08-03 | 동서대학교 산학협력단 | 스마트폰 기반의 착용형 기기를 이용한 영유아 안전 모니터링 시스템 |
CN107334466A (zh) * | 2017-08-08 | 2017-11-10 | 西安交通大学 | 一种可穿戴的慢性病智能监控及预警的装置与方法 |
CN107361753A (zh) * | 2017-08-29 | 2017-11-21 | 哈尔滨理工大学 | 基于脉搏波形特征点的人体健康状态监护方法 |
CN107427236A (zh) * | 2015-05-22 | 2017-12-01 | 谷歌公司 | 用于心血管监测的心血管传感器同步 |
US20180263518A1 (en) * | 2015-11-17 | 2018-09-20 | Murata Manufacturing Co., Ltd. | Pulse wave transit time measurement device and living body state estimation device |
CN108618765A (zh) * | 2018-05-04 | 2018-10-09 | 哈尔滨理工大学 | 基于脉搏波和人体三维姿态的心脑血管疾病突发风险实时监测系统及方法 |
CN109620198A (zh) * | 2019-02-21 | 2019-04-16 | 天津惊帆科技有限公司 | 心血管指数检测、模型训练方法及装置 |
CN110037668A (zh) * | 2019-04-10 | 2019-07-23 | 常熟理工学院 | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 |
-
2020
- 2020-10-19 CN CN202011116425.0A patent/CN112274119B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107427236A (zh) * | 2015-05-22 | 2017-12-01 | 谷歌公司 | 用于心血管监测的心血管传感器同步 |
US20180263518A1 (en) * | 2015-11-17 | 2018-09-20 | Murata Manufacturing Co., Ltd. | Pulse wave transit time measurement device and living body state estimation device |
WO2017131276A1 (ko) * | 2016-01-29 | 2017-08-03 | 동서대학교 산학협력단 | 스마트폰 기반의 착용형 기기를 이용한 영유아 안전 모니터링 시스템 |
CN107334466A (zh) * | 2017-08-08 | 2017-11-10 | 西安交通大学 | 一种可穿戴的慢性病智能监控及预警的装置与方法 |
CN107361753A (zh) * | 2017-08-29 | 2017-11-21 | 哈尔滨理工大学 | 基于脉搏波形特征点的人体健康状态监护方法 |
CN108618765A (zh) * | 2018-05-04 | 2018-10-09 | 哈尔滨理工大学 | 基于脉搏波和人体三维姿态的心脑血管疾病突发风险实时监测系统及方法 |
CN109620198A (zh) * | 2019-02-21 | 2019-04-16 | 天津惊帆科技有限公司 | 心血管指数检测、模型训练方法及装置 |
CN110037668A (zh) * | 2019-04-10 | 2019-07-23 | 常熟理工学院 | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 |
Non-Patent Citations (2)
Title |
---|
苏子美等: "脉搏波的频域特征提取与自动识别技术", 纳米技术与精密工程, vol. 8, no. 1, pages 70 - 74 * |
蒋伟平;蒋平;朱劲;王晓年;: "基于卡尔曼滤波的动态脉搏波处理和脉率提取", 计算机与现代化, no. 02, pages 84 - 88 * |
Also Published As
Publication number | Publication date |
---|---|
CN112274119B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Janarthanan et al. | Optimized unsupervised deep learning assisted reconstructed coder in the on-nodule wearable sensor for human activity recognition | |
WO2018168369A1 (ja) | 機械学習装置および機械学習プログラム | |
WO2020224433A1 (zh) | 基于机器学习的目标对象属性预测方法及相关设备 | |
CN110659677A (zh) | 一种基于可移动传感器组合设备的人体跌倒检测方法 | |
CN117438024B (zh) | 急诊病人体征数据的智能采集分析系统及方法 | |
CN114512239B (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
CN110491506A (zh) | 心房颤动预测模型及其预测系统 | |
CN111081379A (zh) | 一种疾病概率决策方法及其系统 | |
CN114358194A (zh) | 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法 | |
CN111000569A (zh) | 一种异常血糖智能认知的监护系统 | |
CN117438087A (zh) | 基于健康监测数据分析的健康管理方法及系统 | |
WO2023097780A1 (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
CN109620269B (zh) | 疲劳检测方法、装置、设备及可读存储介质 | |
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 | |
CN114550299A (zh) | 基于视频的老年人日常生活活动能力评估系统和方法 | |
US20240062582A1 (en) | Method and Device for Dynamic Recognition of Emotion Based on Facial Muscle Movement Monitoring | |
CN116844080B (zh) | 疲劳程度多模态融合检测方法、电子设备及存储介质 | |
CN115147768B (zh) | 一种跌倒风险评估方法及系统 | |
CN107194918B (zh) | 数据分析方法及装置 | |
CN112274119B (zh) | 一种基于神经网络的脉搏波模型预测方法 | |
CN116115239A (zh) | 基于多模态数据融合的建筑工人尴尬工作姿势识别方法 | |
CN116019429B (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
CN115376638A (zh) | 一种基于多源健康感知数据融合的生理特征数据分析方法 | |
CN114708634A (zh) | 基于人脸图像的相对体重分析方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |