CN112336325B - 一种融合标定光体积描计信号数据的血压预测方法和装置 - Google Patents
一种融合标定光体积描计信号数据的血压预测方法和装置 Download PDFInfo
- Publication number
- CN112336325B CN112336325B CN202011085575.XA CN202011085575A CN112336325B CN 112336325 B CN112336325 B CN 112336325B CN 202011085575 A CN202011085575 A CN 202011085575A CN 112336325 B CN112336325 B CN 112336325B
- Authority
- CN
- China
- Prior art keywords
- dimensional tensor
- dimensional
- data
- blood pressure
- tensor
- 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
- 230000036772 blood pressure Effects 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 104
- 230000035487 diastolic blood pressure Effects 0.000 claims abstract description 96
- 230000035488 systolic blood pressure Effects 0.000 claims abstract description 95
- 238000004364 calculation method Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000013075 data extraction Methods 0.000 claims abstract description 7
- 238000013186 photoplethysmography Methods 0.000 claims description 171
- 238000013527 convolutional neural network Methods 0.000 claims description 153
- 238000011176 pooling Methods 0.000 claims description 45
- 239000012634 fragment Substances 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000002360 preparation method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 11
- 230000003205 diastolic effect Effects 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 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
- A61B5/024—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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B5/02141—Details of apparatus construction, e.g. pump units or housings therefor, cuff pressurising systems, arrangements of fluid conduits or circuits
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
本发明实施例涉及一种融合标定光体积描计信号数据的血压预测方法和装置,所述方法包括:获取实时PPG信号数据、标定PPG信号数据、标定舒张压数据和收缩压数据;根据实时、标定PPG信号数据,利用CNN+ANN模型进行相对血压数据计算,生成ANN输出二维张量;根据标定舒张压、收缩压数据和ANN输出二维张量进行血压数据计算,生成血压二维张量;预测类型信息为第一类型时,根据血压二维张量进行均值计算,生成舒张压预测数据和收缩压预测数据;预测类型信息为第二类型时,对血压二维张量进行数据提取处理,生成舒张压预测数据序列和收缩压预测数据序列。使用本发明实施例,可以提高人工智能血压预测网络的预测准确度。
Description
技术领域
本发明涉及信号处理技术领域,特别涉及一种融合标定光体积描计信号数据的血压预测方法和装置。
背景技术
光体积描计(Photoplethysmography,PPG)法,是借助光电手段在活体组织中检测血液容积变化的一种无创检测方法。心脏搏动会使得血管内单位面积的血流量形成周期性变化,与之对应的血液体积也相应发生变化,从而使得反映血液吸收光量的PPG信号也会发生周期性变化,且PPG信号的周期性变化与心脏搏动、血压变化是密切相关的。对PPG信号使用训练成熟的由卷积神经网络(Convolutional Neural Network,CNN)模型和人工神经网络(Artificial Neural Network,ANN)模型组成的人工智能血压预测网络,可以获得血压的舒张压和收缩压数据。
发明内容
本发明的目的,就是针对现有技术的缺陷,提供一种融合标定光体积描计信号数据的血压预测方法、装置、电子设备、计算机程序产品及计算机可读存储介质,将标定PPG信号数据与实时PPG信号数据进行融合,再使用训练成熟的用于预测相对血压数据的CNN+ANN预测网络对融合数据进行血压预测得到相对血压数据,再根据体现相对血压与标定血压数据关系的相对关系信息,进行绝对血压数据反推得到预测血压数据;这样,可以提高人工智能血压预测网络的预测准确度。
为实现上述目的,本发明实施例第一方面提供了一种融合标定光体积描计信号数据的血压预测方法,所述方法包括:
获取标定光体积描计PPG信号数据和对应的标定舒张压数据与标定收缩压数据;
获取实时PPG信号数据;所述实时PPG信号数据的时间长度与所述标定PPG信号数据的时间长度相同;
根据所述标定PPG信号数据和所述实时PPG信号数据,进行卷积神经网络CNN模型的输入数据准备处理,生成CNN输入四维张量;
利用所述CNN模型,对所述CNN输入四维张量进行多层卷积池化计算,生成CNN输出四维张量;
根据所述CNN输出四维张量,进行人工神经网络ANN模型的输入数据准备处理,生成ANN输入二维张量;
利用所述ANN模型,对所述ANN输入二维张量进行回归计算,生成ANN输出二维张量;
根据所述标定舒张压数据、所述标定收缩压数据和所述ANN输出二维张量,进行血压数据计算,生成血压二维张量;
当预设的预测类型信息为第一类型时,根据所述血压二维张量,进行均值血压数据计算,生成舒张压预测数据和收缩压预测数据;当所述预测类型信息为第二类型时,对所述血压二维张量,进行血压数据提取处理,生成舒张压预测数据序列和收缩压预测数据序列。
优选的,所述根据所述标定PPG信号数据和所述实时PPG信号数据,进行卷积神经网络CNN模型的输入数据准备处理,生成CNN输入四维张量,具体包括:
按照预设的采样频率,对所述实时PPG信号数据进行信号数据采样处理生成实时PPG数据序列,对所述标定PPG信号数据进行信号数据采样处理生成标定PPG数据序列;所述实时PPG数据序列的数据长度L1与所述标定PPG数据序列的数据长度L2相同;
按照预设的片段长度,对所述实时PPG数据序列,按顺序进行数据片段划分处理,得到实时片段总数个实时PPG一维张量;再将所述实时片段总数个所述实时PPG一维张量融合到一个二维张量中,生成实时PPG二维张量;
其中,所述实时片段总数=int(L1/片段长度);所述int()为取整函数;所述实时PPG一维张量的形状为1×W1;所述W1为实时PPG一维张量的1维参数,且W1=片段长度;所述实时PPG二维张量的形状为B1×W2;所述B1为所述实时PPG二维张量的2维参数,且B1=实时片段总数;所述W2为所述实时PPG二维张量的1维参数,且W2=W1;
按照所述片段长度,对所述标定PPG数据序列,按顺序进行数据片段划分处理,得到标定片段总数个标定PPG一维张量;再将所述标定片段总数个所述标定PPG一维张量融合到一个二维张量中,生成标定PPG二维张量;
其中,所述标定片段总数=int(L2/片段长度);所述标定PPG一维张量的形状为1×W3;所述W3为标定PPG一维张量的1维参数,且W3=片段长度;所述标定PPG二维张量的形状为B2×W4;所述B2为所述标定PPG二维张量的2维参数,且B2=标定片段总数;所述W4为所述标定PPG二维张量的1维参数,且W4=W3;
对所述实时PPG二维张量和所述标定PPG二维张量,按照实时数据在前、标定数据在后的顺序,进行二维张量融合处理,生成融合二维张量;
其中,所述融合二维张量的形状为B3×W5;所述B3为所述融合二维张量的2维参数,且B3=B2=B1;所述W5为所述融合二维张量的1维参数,且W5=W2+W4;所述融合二维张量包括所述B3个融合一维张量;所述融合一维张量由对应的所述实时PPG一维张量和所述标定PPG一维张量,按所述实时PPG一维张量在前、所述标定PPG一维张量在后的顺序,拼接而成;
按所述CNN模型的四维张量输入数据格式,将所述融合二维张量的形状从二维张量形状升维到四维张量形状,生成所述CNN输入四维张量;
其中,所述CNN输入四维张量的形状为B4×H1×W6×C1;所述B4为所述CNN输入四维张量的4维参数,且B4=B3;所述H1为所述CNN输入四维张量的3维参数,且H1=2;所述W6为所述CNN输入四维张量的2维参数,且W6=W5/2;所述C1为所述CNN输入四维张量的1维参数,且C1=1。
优选的,所述利用所述CNN模型,对所述CNN输入四维张量进行多层卷积池化计算,生成CNN输出四维张量,具体包括:
将所述CNN输入四维张量做为第一输入四维张量,再将所述第一输入四维张量送入所述CNN模型的第一层卷积网络层,进行第一层卷积池化计算,生成第一输出四维张量;接着将所述第一输出四维张量做为第二输入四维张量,再将所述第二输入四维张量送入所述CNN模型的第二层卷积网络层,进行第二层卷积池化计算,生成第二输出四维张量;直至最后,将倒数第二个输出四维张量做为最后一个输入四维张量,再将所述最后一个输入四维张量送入所述CNN模型的最后一层卷积网络层,进行最后一层卷积池化计算,生成所述CNN输出四维张量;
其中,所述CNN模型包括多层所述卷积网络层;所述卷积网络层包括卷积层和池化层;所述CNN输出四维张量的形状为B5×H2×W7×C2;所述B5为所述CNN输出四维张量的4维参数,且B5=B4;所述H2为所述CNN输出四维张量的3维参数;所述W7为所述CNN输出四维张量的2维参数;所述C2为所述CNN输出四维张量的1维参数。
进一步的,所述将所述第一输入四维张量送入所述CNN模型的第一层卷积网络层,进行第一层卷积池化计算,生成第一输出四维张量,具体包括:
将所述第一输入四维张量,送入所述第一层卷积网络层的第一卷积层,进行第一卷积计算,生成第一卷积四维张量;将所述第一卷积四维张量,送入所述第一层卷积网络层的第一池化层,进行第一池化计算,生成所述第一输出四维张量。
优选的,所述根据所述CNN输出四维张量,进行人工神经网络ANN模型的输入数据准备处理,生成ANN输入二维张量,具体包括:
按所述ANN模型的二维张量输入数据格式,将所述CNN输出四维张量的形状从四维张量形状降维到二维张量形状,生成所述ANN输入二维张量;
其中,所述ANN输入二维张量的形状为B6×W'1;所述B6为所述ANN输入二维张量的2维参数,且B6=B5;所述W'1为所述ANN输入二维张量的1维参数,且W'1=H2*W7*C2;所述ANN输入二维张量包括所述B6个ANN输入一维张量;所述ANN输入一维张量的形状为1×W'2;所述W'2为所述ANN输入一维张量的1维参数,且W'2=W'1;
在每个所述ANN输入一维张量的末端,增加所述标定舒张压数据和所述标定收缩压数据;所述ANN输入一维张量的形状变为1×W'3;所述W'3为所述ANN输入一维张量新的1维参数,且W'3=W'2+2=W'1+2=H2*W7*C2+2;所述ANN输入二维张量的形状变为B6×W8;所述W8为所述ANN输入二维张量新的1维参数,且W8=W'3=H2*W7*C2+2。
优选的,所述利用所述ANN模型,对所述ANN输入二维张量进行回归计算,生成ANN输出二维张量,具体包括:
将所述ANN输入二维张量做为第一输入二维张量,再将所述第一输入二维张量送入所述ANN模型的第一层全连接层,进行第一层全连接计算,生成第一输出二维张量;接着将所述第一输出二维张量做为第二输入二维张量,再将所述第二输入二维张量送入所述ANN模型的第二层全连接层,进行第二层全连接计算,生成第二输出二维张量;直至最后,将倒数第二个输出二维张量做为最后一个输入二维张量,再将所述最后一个输入二维张量送入所述ANN模型的最后一层全连接层,进行最后一层全连接计算,生成所述ANN输出二维张量;
其中,所述ANN模型包括多层所述全连接层;所述ANN输出二维张量的形状为B7×W9;所述B7为所述ANN输出二维张量的2维参数,且B7=B6;所述W9为所述ANN输出二维张量的1维参数,且W9=2;所述ANN输出二维张量包括所述B7个ANN输出一维张量;所述ANN输出一维张量包括舒张压相对数据和收缩压相对数据。
优选的,所述根据所述标定舒张压数据、所述标定收缩压数据和所述ANN输出二维张量,进行血压数据计算,生成血压二维张量,具体包括:
当预设的相对关系信息为差值关系时,使用所述标定舒张压数据,对所述ANN输出二维张量中的所有所述舒张压相对数据,进行舒张压增值处理;并使用所述标定收缩压数据,对所述ANN输出二维张量中的所有所述收缩压相对数据,进行收缩压增值处理;再将完成增值处理的所述ANN输出二维张量做为所述血压二维张量;
其中,所述血压二维张量的形状为B8×W10;所述B8为所述血压二维张量的2维参数,且B8=B7;所述W10为所述血压二维张量的1维参数,且W10=2;所述血压二维张量包括所述B8个血压一维张量;所述血压一维张量包括舒张压数据和收缩压数据;所述舒张压数据为对应的所述舒张压相对数据与所述标定舒张压数据相加的和;所述收缩压数据为对应的所述收缩压相对数据与所述标定收缩压数据相加的和。
优选的,所述当预设的预测类型信息为第一类型时,根据所述血压二维张量,进行均值血压数据计算,生成舒张压预测数据和收缩压预测数据;当所述预测类型信息为第二类型时,对所述血压二维张量,进行血压数据提取处理,生成舒张压预测数据序列和收缩压预测数据序列,具体包括:
当所述预测类型信息为所述第一类型时,计算所述血压二维张量中的所有所述舒张压数据的平均值,生成所述舒张压预测数据;计算所述血压二维张量中的所有所述收缩压数据的平均值,生成所述收缩压预测数据;
当所述预测类型信息为所述第二类型时,依次提取所述血压二维张量中的所述舒张压数据,组成所述舒张压预测数据序列;提取所述血压二维张量中的所述收缩压数据,组成所述收缩压预测数据序列。
本发明实施例第二方面提供了一种融合标定光体积描计信号数据的血压预测装置,包括:
获取模块用于获取标定光体积描计PPG信号数据和对应的标定舒张压数据与标定收缩压数据;获取实时PPG信号数据;其中,所述实时PPG信号数据的时间长度与所述标定PPG信号数据的时间长度相同;
人工智能计算模块用于根据所述标定PPG信号数据和所述实时PPG信号数据,进行卷积神经网络CNN模型的输入数据准备处理,生成CNN输入四维张量;接着利用所述CNN模型,对所述CNN输入四维张量进行多层卷积池化计算,生成CNN输出四维张量;再根据所述CNN输出四维张量,进行人工神经网络ANN模型的输入数据准备处理,生成ANN输入二维张量;接着利用所述ANN模型,对所述ANN输入二维张量进行回归计算,生成ANN输出二维张量;
血压预测模块用于根据所述标定舒张压数据、所述标定收缩压数据和所述ANN输出二维张量,进行血压数据计算,生成血压二维张量;当预设的预测类型信息为第一类型时,根据所述血压二维张量,进行均值血压数据计算,生成舒张压预测数据和收缩压预测数据;当所述预测类型信息为第二类型时,对所述血压二维张量,进行血压数据提取处理,生成舒张压预测数据序列和收缩压预测数据序列。
本发明实施例第三方面提供了一种电子设备,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现上述第一方面所述的方法步骤;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
本发明实施例第四方面提供了一种计算机程序产品,所述计算机程序产品包括计算机程序代码,当所述计算机程序代码被计算机执行时,使得所述计算机执行上述第一方面所述的方法。
本发明实施例第五方面提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行上述第一方面所述的方法的指令。
本发明实施例提供一种融合标定光体积描计信号数据的血压预测方法、装置、电子设备、计算机程序产品及计算机可读存储介质,首先获取测试对象的标定PPG信号数据和对应的标定血压数据(标定舒张压数据、标定收缩压数据),再使用训练成熟的用于预测相对血压数据的CNN+ANN人工智能血压预测网络,对测试对象的实时PPG信号和标定PPG信号进行血压预测运算得到相对血压数据(舒张压相对数据、收缩压相对数据),再根据相对关系信息对标定血压数据和相对血压数据进行绝对血压数据计算得到最终的血压数据;由此提高了人工智能血压预测网络的预测准确度。
附图说明
图1为本发明实施例一提供的一种融合标定光体积描计信号数据的血压预测方法示意图;
图2a为本发明实施例一提供的卷积神经网络的结构示意图;
图2b为本发明实施例一提供的人工神经网络的结构示意图;
图3为本发明实施例二提供的一种融合标定光体积描计信号数据的血压预测装置的模块结构图;
图4为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在对本发明实施例进行详细阐述之前,先对上文提及的人工智能血压预测网络中的CNN和ANN的结构和数据格式进行简要描述。
卷积神经网络CNN,是我们已知的特征识别领域的核心网络之一。应用血压特征识别领域中,是对一维PPG信号数据进行特征提取计算,在对输入的原始PPG信号数据进行卷积运算和池化运算之后,保留符合PPG信号特性的特征数据以供其他网络进行学习。文中提及的CNN模型是一种已经通过特征提取训练完成后的卷积神经网络模型,具体由多层卷积网络层组成,每层卷积网络层由1层卷积层和1层池化层组成。其中,卷积层负责对CNN模型的输入数据进行特征提取计算,池化层则是对卷积层的提取结果进行降采样,每层卷积网络层的输出数据将会做为下一层卷积网络层的输入数据。此处,每层卷积网络层的输入数据和输出数据格式均为4维张量形式:输入四维张量(形状为Xi4×Xi3×Xi2×Xi1)、输出四维张量(形状为Xo4×Xo3×Xo2×Xo1),其中:Xi4、Xi3、Xi2、Xi1分别为输入四维张量的4、3、2和1维参数,Xo4、Xo3、Xo2、Xo1分别为输出四维张量的4、3、2和1维参数。每经过一层卷积网络层计算,输出数据的形状相对于输入数据的形状而言,维度参数的变化规律是:1)Xo4相对于Xi4,4维参数(在本实施例中对应PPG信号数据的片段总数)不会发生变化;2)Xo3、Xo2相对于Xi3、Xi2,3维和2维参数会发生变化,该变化与每一个卷积层的卷积核大小以及滑动步长的设定有关,也与池化层的池化窗口大小和滑动步长有关;3)Xo1相对于Xi1,1维参数的变化与卷积层中选定的输出空间维数(卷积核的个数)有关。
人工神经网络ANN,是指由大量的神经元(节点)互相连接而形成的复杂网络结构,是对人脑组织结构和运行机制的某种抽象、简化和模拟。ANN以数学模型模拟神经元活动,是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。ANN常见应用是对数据进行回归计算。文中提及的ANN模型是一种已经通过回归训练完成后的人工神经网络模型;具体的,该ANN模型由多层全连接层组成。其中,每层全连接层包括多个结点,每一个结点都与上一层的所有结点相连,用来把前边提取到的结点数据综合起来进行一次结点计算,并将计算结果做为当前结点的值留待下一层全连接层的结点进行连接获取;这里的结点计算也叫全连接计算,包括节点连接计算和激活计算,常见的激活函数以使用整流线性单元(Rectified Linear Unit,ReLU)函数的情况居多,也可以使用其他函数来完成计算。此处,每层全连接层的输入数据与输出数据格式均为2维张量形式:输入二维张量(形状为Yi2×Yi1)、输出二维张量(形状为Yo2×Yo1),其中:Yi2、Yi1为输入二维张量的2维和1维参数,Yo2、Yo1为输出二维张量的2维和1维参数。每经过一层全连接层计算,输出数据的形状相对于输入数据的形状而言,维度参数的变化规律是:1)Yo2相对于Yi2,2维参数(在本实施例中对应PPG信号数据的片段总数)不会发生变化;2)Yo1相对于Yi1,1维参数的变化与全连接层的结点总数有关,本发明实施例的最后一层全连接层的Yo1具体为2。本发明实施例的ANN模型最终输出的二维张量的形状为:片段总数×2,该二维张量包括片段总数个一维张量,每个一维张量对应一个片段,每个一维张量包括两个与对应片段相关的血压数据:舒张压相对数据和收缩压相对数据。
在本发明实施例中,因为需要将CNN模型的输出数据向ANN模型进行输入,所以需要将CNN模型的输出结果从输出四维张量形状(Xo4×Xo3×Xo2×Xo1)向ANN模型的输入二维张量形状(Yi2×Y'i1)进行降维处理;其中,Y'i1为输入二维张量的1维参数,Yi2=Xo4、Y'i1=Xo3*Xo2*Xo1;这里输入二维张量包括Yi2个输入一维张量。本发明实施例为进一步提高ANN模型的计算精度,在每个输入一维张量的末尾添加两个数据:标定舒张压数据与标定收缩压数据;从而使得输入一维张量的形状从1×Y'i1变为1×(Y'i1+2);对应的输入二维张量的形状也从Yi2×Y'i1变为Yi2×Yi1,其中Yi1=Y'i1+2=Xo3*Xo2*Xo1+2。
在对本发明实施例进行详细阐述之前,再对本发明实施例的人工智能血压预测网络中的CNN和ANN的应用特点进行简要描述。
常规的人工智能血压预测网络,直接将实时PPG信号数据(从测试对象处采集到的实时的、需要进行血压预测的PPG信号数据)分段(之所以将PPG信号数据进行分段变成多个PPG信号数据片段,是受CNN模型的输入长度限制)后做为CNN模型的输入数据,并利用CNN模型进行PPG信号特征提取得到特征数据,再将特征数据输入到ANN模型中进行回归计算得到各个PPG信号数据片段对应的绝对收缩压、舒张压数据。在实际应用中,我们发现从不同的测试对象上可能会采集到近似的PPG信号数据,如果使用上述模型,那么计算得到的不同测试对象的绝对收缩压、舒张压数据就几乎一致。然而实际情况是,我们发现由于人与人之间的个体差异(例如,性别、年龄、身高、体重、臂展宽度、BMI、体温、是否引用咖啡浓茶、是否运动后等因素),对于不同人而言,即便采集到的PPG信号数据近似,也可能对应不同的血压状态。
于是,为提高人工智能血压预测网络的预测准确度,本发明实施例对上述人工智能血压预测网络的CNN模型和ANN模型分别做了一些调整:调整后的CNN模型在接收实时PPG信号数据的同时,还接收标定PPG信号数据;且CNN模型最终输出的不是实时PPG信号数据的绝对特征数据,而是实时PPG信号数据对标定PPG信号数据、按特定相对关系、运算出的相对特征数据;此处,特定相对关系可以是差值、比值、对数比值、指数比值等关系。调整后的ANN模型的输入数据从绝对特征数据变为相对特征数据,输出数据也从绝对血压数据变成了相对血压数据。这里,所谓标定PPG信号数据,是对测试对象专门采集的一条时间长度与实时PPG信号数据一致的参考数据,且在采集标定PPG信号数据的同时也通过血压测量设备获取到了与这条标定PPG信号数据对应的标定收缩压、舒张压数据。在从ANN模型的输出数据中获得收缩压、舒张压相对数据之后,可以根据特定相对关系(例如,差值、比值、对数比值、指数比值等关系),结合标定收缩压、舒张压数据进行绝对血压的反向推导,最终得出与实时PPG信号数据对应的预测收缩压、舒张压数据。
使用上述融合了标定PPG信号数据和实时PPG信号数据的人工智能血压预测网络(CNN+ANN),对从不同对象采集来的实时PPG信号数据进行预测时,即使实时数据近似,也可因为各自标定PPG信号数据存在的差异性,得出明显的相对差异性,自然最后预测的血压数据差异性也会比较明显。由此,就解决了上述常规预测网络测量失准的问题,也进一步提高了人工智能血压预测网络的预测准确度。
本发明实施例一提供一种融合标定光体积描计信号数据的血压预测方法,使用预测相对血压数据的人工智能血压预测网络(CNN+ANN),对融合了标定PPG信号数据与实时PPG信号数据的输入数据进行预测运算,得到相对血压数据;再根据标定血压数据、相对血压数据,按特定相对关系,进行绝对血压数据的反推,得到与实时PPG信号对应的预测血压数据。使用本发明实施例一提供的方法,可以提高人工智能血压预测网络的预测准确度。
如图1为本发明实施例一提供的一种融合标定光体积描计信号数据的血压预测方法示意图所示,本方法主要包括如下步骤:
步骤1,获取标定光体积描计PPG信号数据和对应的标定舒张压数据与标定收缩压数据。
具体的,设备可以从本地存储介质中,获取标定PPG信号数据以及与标定PPG信号数据的标定舒张压数据和标定收缩压数据;设备还可以从与自身连接的其他终端设备、服务器或数据库的存储介质中,获取标定PPG信号数据、标定舒张压数据和标定收缩压数据。
此处,设备具体为实现本发明实施例提供的方法的终端设备或者服务器;标定PPG信号数据是对测试对象预先采集的一条PPG信号数据;对应的标定舒张压数据和标定收缩压数据,是在采集该标定PPG信号数据的同时通过血压测量设备对测试对象进行血压测量获得的实际血压数据。
例如,获取的标定PPG信号数据长度为10秒,对应的标定舒张压数据为74毫米汞柱(millimetre Hg,mmHg)、标定收缩压数据为113mmHg。
步骤2,获取实时PPG信号数据;
其中,实时PPG信号数据的时间长度与标定PPG信号数据的时间长度相同。
具体的,设备可以通过自身的PPG信号采集装置对测试对象进行实时的PPG信号采集及数据采样处理,得到实时PPG信号数据;设备还可以通过与自身连接的PPG信号采集装置对测试对象进行实时的PPG信号采集及数据采样处理,得到实时PPG信号数据。
例如,获取到的实时PPG信号数据长度为10秒,与标定PPG信号数据长度一致。
步骤3,根据标定PPG信号数据和实时PPG信号数据,进行卷积神经网络CNN模型的输入数据准备处理,生成CNN输入四维张量;
具体包括:步骤31,按照预设的采样频率,对实时PPG信号数据进行信号数据采样处理生成实时PPG数据序列,对标定PPG信号数据进行信号数据采样处理生成标定PPG数据序列;
其中,实时PPG数据序列的数据长度L1与标定PPG数据序列的数据长度L2相同;
此处,采样频率存储在设备的本地存储介质中;
例如,实时、标定PPG信号数据均为10秒,采样频率阈值为125赫兹(hertz,Hz),则实时、标定PPG数据序列的数据长度:L1=L2=10*125=1250,实时PPG数据序列具体为实时PPG数据序列[1250],标定PPG数据序列具体为标定PPG数据序列[1250];
步骤32,按照预设的片段长度,对实时PPG数据序列,按顺序进行数据片段划分处理,得到实时片段总数个实时PPG一维张量;再将实时片段总数个实时PPG一维张量融合到一个二维张量中,生成实时PPG二维张量;
其中,实时片段总数=int(L1/片段长度);int()为取整函数;实时PPG一维张量的形状为1×W1;W1为实时PPG一维张量的1维参数,且W1=片段长度;实时PPG二维张量的形状为B1×W2;B1为实时PPG二维张量的2维参数,且B1=实时片段总数;W2为实时PPG二维张量的1维参数,且W2=W1;
此处,片段长度存储在设备的本地存储介质中;
这里,片段长度的值由CNN模型的输入数据长度决定;片段划分方式采用顺序片段划分方式,则相邻片段之间的数据没有重合;
例如,片段长度为250,对实时PPG数据序列[1250],按顺序进行数据片段划分处理,则B1=实时片段总数=int(1250/250)=5,W2=W1=250,实时PPG二维张量的形状具体为5×250,这里将之表示为实时PPG二维张量[5,250];
步骤33,按照片段长度,对标定PPG数据序列,按顺序进行数据片段划分处理,得到标定片段总数个标定PPG一维张量;再将标定片段总数个标定PPG一维张量融合到一个二维张量中,生成标定PPG二维张量;
其中,标定片段总数=int(L2/片段长度);标定PPG一维张量的形状为1×W3;W3为标定PPG一维张量的1维参数,且W3=片段长度;标定PPG二维张量的形状为B2×W4;B2为标定PPG二维张量的2维参数,且B2=标定片段总数;W4为标定PPG二维张量的1维参数,且W4=W3;
例如,片段长度为250,对标定PPG数据序列[1250],按顺序进行数据片段划分处理,则B2=标定片段总数=int(1250/250)=5,W4=W3=250,标定PPG二维张量的形状具体为5×250,这里将之表示为标定PPG二维张量[5,250];
步骤34,对实时PPG二维张量和标定PPG二维张量,按照实时数据在前、标定数据在后的顺序,进行二维张量融合处理,生成融合二维张量;
其中,融合二维张量的形状为B3×W5;B3为融合二维张量的2维参数,且B3=B2=B1;W5为融合二维张量的1维参数,且W5=W2+W4;融合二维张量包括B3个融合一维张量;融合一维张量由对应的实时PPG一维张量和标定PPG一维张量,按实时PPG一维张量在前、标定PPG一维张量在后的顺序,拼接而成;
例如,实时PPG二维张量[5,250]的数据具体为{(Z1,1,…Z1,250),(Z2,1,…Z2,250),(Z3,1,…Z3,250),(Z4,1,…Z4,250),(Z5,1,…Z5,250)},其中(Z1,1,…Z1,250)、(Z2,1,…Z2,250)、(Z3,1,…Z3,250)、(Z4,1,…Z4,250)、(Z5,1,…Z5,250)依次为实时PPG二维张量中第1、第2、第3、第4、第5实时PPG一维张量的数据;
标定PPG二维张量[5,250]的数据具体为{(D1,1,…D1,250),(D2,1,…D2,250),(D3,1,…D3,250),(D4,1,…D4,250),(D5,1,…D5,250)},其中(D1,1,…D1,250)、(D2,1,…D2,250)、(D3,1,…D3,250)、(D4,1,…D4,250)、(D5,1,…D5,250)依次为标定PPG二维张量中第1、第2、第3、第4、第5标定PPG一维张量的数据;
则,对实时PPG二维张量[5,250]和标定PPG二维张量[5,250]进行二维张量融合处理之后,B3=B2=B1=5,W5=W2+W4=250+250=500,融合二维张量的形状为5×500,这里将之表示为融合二维张量[5,500];
在融合二维张量[5,500]中,包括5个融合一维张量,每个融合一维张量内包括W5=W2+W4=250+250=500个数据,其中前250个数据是实时PPG二维张量[5,250]中对应的实时PPG一维张量的数据,后250个数据是标定PPG二维张量[5,250]中对应的标定PPG一维张量的数据;
即,融合二维张量的数据格式应是:
{(Z1,1,…Z1,250,D1,1,…D1,250),(Z2,1,…Z2,250,D2,1,…D2,250),(Z3,1,…Z3,250,D3,1,…D3,250),(Z4,1,…Z4,250,D4,1,…D4,250),(Z5,1,…Z5,250,D5,1,…D5,250)},
其中,
(Z1,1,…Z1,250,D1,1,…D1,250),(Z2,1,…Z2,250,D2,1,…D2,250),(Z3,1,…Z3,250,D3,1,…D3,250),(Z4,1,…Z4,250,D4,1,…D4,250),(Z5,1,…Z5,250,D5,1,…D5,250)依次为融合二维张量中第1、第2、第3、第4、第5融合一维张量的数据;
步骤35,按CNN模型的四维张量输入数据格式,将融合二维张量的形状从二维张量形状升维到四维张量形状,生成CNN输入四维张量;
其中,CNN输入四维张量的形状为B4×H1×W6×C1;B4为CNN输入四维张量的4维参数,且B4=B3;H1为CNN输入四维张量的3维参数,且H1=2;W6为CNN输入四维张量的2维参数,且W6=W5/2;C1为CNN输入四维张量的1维参数,且C1=1。
这里,将融合二维张量的形状从二维张量形状升维到四维张量形状,其过程只对张量形状重新设置,没有破坏张量内的实际数据顺序。
例如,将融合二维张量[5,500]从二维张量形状升维到四维张量形状,B4=B3=5,W6=W5/2=5/2=250,得到的CNN输入四维张量的形状为5×2×250×1,这里将之表示为CNN输入四维张量[5,2,250,1]。
步骤4,利用CNN模型,对CNN输入四维张量进行多层卷积池化计算,生成CNN输出四维张量;
具体包括:将CNN输入四维张量做为第一输入四维张量,再将第一输入四维张量送入CNN模型的第一层卷积网络层,进行第一层卷积池化计算,生成第一输出四维张量;接着将第一输出四维张量做为第二输入四维张量,再将第二输入四维张量送入CNN模型的第二层卷积网络层,进行第二层卷积池化计算,生成第二输出四维张量;直至最后,将倒数第二个输出四维张量做为最后一个输入四维张量,再将最后一个输入四维张量送入CNN模型的最后一层卷积网络层,进行最后一层卷积池化计算,生成CNN输出四维张量;
其中,CNN模型包括多层卷积网络层;卷积网络层包括卷积层和池化层;CNN输出四维张量的形状为B5×H2×W7×C2;B5为CNN输出四维张量的4维参数,且B5=B4;H2为CNN输出四维张量的3维参数;W7为CNN输出四维张量的2维参数;C2为CNN输出四维张量的1维参数。
其中,将第一输入四维张量送入CNN模型的第一层卷积网络层,进行第一层卷积池化计算,生成第一输出四维张量,具体为将第一输入四维张量,送入第一层卷积网络层的第一卷积层,进行第一卷积计算,生成第一卷积四维张量;将第一卷积四维张量,送入第一层卷积网络层的第一池化层,进行第一池化计算,生成第一输出四维张量。
例如,CNN模型的网络结构如图2a为本发明实施例一提供的卷积神经网络的结构示意图所示,总层数为四层,则,
将CNN输入四维张量做为第一输入四维张量;再将第一输入四维张量送入CNN模型的第一层卷积网络层的第一卷积层进行第一卷积计算,生成第一卷积四维张量;再将第一卷积四维张量,送入第一层卷积网络层的第一池化层进行第一池化计算,生成第一输出四维张量;
将第一输出四维张量做为第二输入四维张量;再将第二输入四维张量送入CNN模型的第二层卷积网络层的第二卷积层进行第二卷积计算,生成第二卷积四维张量;再将第二卷积四维张量,送入第二层卷积网络层的第二池化层进行第二池化计算,生成第二输出四维张量;
将第二输出四维张量做为第三输入四维张量;再将第三输入四维张量送入CNN模型的第三层卷积网络层的第三卷积层进行第三卷积计算,生成第三卷积四维张量;再将第三卷积四维张量,送入第三层卷积网络层的第三池化层进行第三池化计算,生成第三输出四维张量;
将第三输出四维张量做为第四输入四维张量;再将第四输入四维张量送入CNN模型的第四层卷积网络层的第四卷积层进行第四卷积计算,生成第四卷积四维张量;再将第四卷积四维张量,送入第四层卷积网络层的第四池化层进行第四池化计算,生成第四输出四维张量;这里的第四输出四维张量就是最后输出的CNN输出四维张量。
这里由前文可知,在CNN模型中,每经过一层卷积层或池化层,输入数据的形状都会发生变化,但依然保持4维张量形式,其中4维参数(片段总数)不会发生变化;3维、2维参数的变化与每一个卷积层的卷积核大小以及滑动步长的设定有关,也与池化层的池化窗口大小和滑动步长有关;1维参数的变化与卷积层中选定的输出空间维数(卷积核的个数)有关。在实际应用中,网络中层数的设定,以及每一层各种参数的设定都要根据经验和实验结果进行不停的修正。
步骤5,根据CNN输出四维张量,进行人工神经网络ANN模型的输入数据准备处理,生成ANN输入二维张量;
具体包括:步骤51,按ANN模型的二维张量输入数据格式,将CNN输出四维张量的形状从四维张量形状降维到二维张量形状,生成ANN输入二维张量;其中,ANN输入二维张量的形状为B6×W'1;B6为ANN输入二维张量的2维参数,且B6=B5;W'1为ANN输入二维张量的1维参数,且W'1=H2*W7*C2;ANN输入二维张量包括B6个ANN输入一维张量;ANN输入一维张量的形状为1×W'2;W'2为ANN输入一维张量的1维参数,且W'2=W'1;
这里,将CNN输出四维张量的形状从四维张量形状降维到二维张量形状实际就是将CNN输出四维张量的形状从四维降到二维,其过程只对张量形状重新设置,没有破坏张量内的实际数据顺序;
例如,CNN输出四维张量的形状为5×2×20×64,则B6=B5=5,W8=H2*W7*C2=2*20*64=2560,ANN输入二维张量的形状应为5×2560,这里将之表示为ANN输入二维张量[5,2560];对应的,ANN输入二维张量包括5个ANN输入一维张量,ANN输入一维张量的形状应为1×2560,这里将之表示为ANN输入一维张量[2560];
步骤52,在每个ANN输入一维张量的末端,增加标定舒张压数据和标定收缩压数据;ANN输入一维张量的形状变为1×W'3;W'3为ANN输入一维张量的1维参数,且W'3=W'2+2=W'1+2=H2*W7*C2+2;ANN输入二维张量的形状变为B6×W8;W8为ANN输入二维张量新的1维参数,且W8=W'3=H2*W7*C2+2。
这里,在每个ANN输入一维张量的末端,添加两个数据:标定舒张压数据和标定收缩压数据,以此来提高ANN模型的计算精度;完成数据添加后,ANN输入一维张量的形状从1×W'2变为1×W'3;对应的ANN输入二维张量的形状从B6×W'1变为B6×W8;
例如,未做数据添加前的ANN输入二维张量的形状为5×2560,未做数据添加前的ANN输入一维张量的形状为1×2560;完成了数据添加之后的ANN输入一维张量的形状变为1×2562,对应的ANN输入二维张量的形状变为5×2562,这里将之表示为ANN输入二维张量[5,2562]。
步骤6,利用ANN模型,对ANN输入二维张量进行回归计算,生成ANN输出二维张量;
具体包括:将ANN输入二维张量做为第一输入二维张量,再将第一输入二维张量送入ANN模型的第一层全连接层,进行第一层全连接计算,生成第一输出二维张量;接着将第一输出二维张量做为第二输入二维张量,再将第二输入二维张量送入ANN模型的第二层全连接层,进行第二层全连接计算,生成第二输出二维张量;直至最后,将倒数第二个输出二维张量做为最后一个输入二维张量,再将最后一个输入二维张量送入ANN模型的最后一层全连接层,进行最后一层全连接计算,生成ANN输出二维张量;
其中,ANN模型包括多层全连接层;ANN输出二维张量的形状为B7×W9;B7为ANN输出二维张量的2维参数,且B7=B6;W9为ANN输出二维张量的1维参数,且W9=2;ANN输出二维张量包括B7个ANN输出一维张量;ANN输出一维张量包括舒张压相对数据和收缩压相对数据。
例如,ANN模型的网络结构如图2b为本发明实施例一提供的人工神经网络的结构示意图所示,ANN模型包括四层全连接层,则
将ANN输入二维张量做为第一输入二维张量,再将第一输入二维张量送入ANN模型的第一层全连接层,进行第一层全连接计算,生成第一输出二维张量;
接着将第一输出二维张量做为第二输入二维张量,再将第二输入二维张量送入ANN模型的第二层全连接层,进行第二层全连接计算,生成第二输出二维张量;
接着将第二输出二维张量做为第三输入二维张量,再将第三输入二维张量送入ANN模型的第三层全连接层,进行第三层全连接计算,生成第三输出二维张量;
最后将第三输出二维张量做为第四输入二维张量,再将第四输入二维张量送入ANN模型的第四层全连接层,进行第四层全连接计算,生成第四输出二维张量;这里的第四输出二维张量就是最后输出的ANN输出二维张量;
这里由前文可知,ANN模型由全连接层组成,全连接层的每一个结点都与上一层的所有结点相连,用来把前边提取到的特征综合起来,每层全连接层可以设置该层的结点个数以及激活函数(ReLU较多,也可以改成其他)。本实施例ANN模型的最后一层全连接层的节点数为2,对应的最终的输出二维张量的形状具体为B7×2。
例如,ANN模型包括四层全连接层,ANN输入二维张量形状为5×2560,则B7=B6=5,输出二维张量的形状为5×2;这里将之表示为输出二维张量[5,2];
ANN输出二维张量[5,2]内的数据应为
{(Rdb1,Rsb1),(Rdb2,Rsb2),(Rdb3,Rsb3),(Rdb4,Rsb4),(Rdb5,Rsb5)},
其中,(Rdb1,Rsb1),(Rdb2,Rsb2),(Rdb3,Rsb3),(Rdb4,Rsb4),(Rdb5,Rsb5)依次为ANN输出二维张量中第1、第2、第3、第4、第5个ANN输出一维张量的数据(Rsbi为收缩压相对数据、Rdbi为舒张压相对数据,i的取值从1到5)。
步骤7,根据标定舒张压数据、标定收缩压数据和ANN输出二维张量,进行血压数据计算,生成血压二维张量;
具体包括:当预设的相对关系信息为差值关系时,使用标定舒张压数据,对ANN输出二维张量中的所有舒张压相对数据,进行舒张压增值处理;并使用标定收缩压数据,对ANN输出二维张量中的所有收缩压相对数据,进行收缩压增值处理;再将完成增值处理的ANN输出二维张量做为血压二维张量;
其中,血压二维张量的形状为B8×W10;B8为血压二维张量的2维参数,且B8=B7;W10为血压二维张量的1维参数,且W10=2;血压二维张量包括B8个血压一维张量;血压一维张量包括舒张压数据和收缩压数据;舒张压数据为对应的舒张压相对数据与标定舒张压数据相加的和;收缩压数据为对应的收缩压相对数据与标定收缩压数据相加的和。
此处,相对关系信息至少包括差值相对关系(差值关系)。
这里,在实施例一中,相对关系信息具体为差值关系时,意味着将ANN输出二维张量中的舒张压数相对据加上标定舒张压数据,就可以得到舒张压数据;将收缩压相对数据加上标定收缩压数据,就可以得到收缩压数据。
例如,
ANN输出二维张量[5,2]为{(7,23),(6,22),(7,21),(11,20),(9,18)},
标定舒张压数据为74mmHg、标定收缩压数据为113mmHg,B8=B7=5,W10=2,血压二维张量的形状为5×2(这里将之表示为血压二维张量[5,2]);
则,血压二维张量[5,2]的数据应为:
{(7+74,23+113),(6+74,22+113),(7+74,21+113),(11+74,20+113),(9+74,18+113)}={(81,136),(80,135),(81,134),(85,133),(83,131)}。
步骤8,当预设的预测类型信息为第一类型时,根据血压二维张量,进行均值血压数据计算,生成舒张压预测数据和收缩压预测数据;当预测类型信息为第二类型时,对血压二维张量,进行血压数据提取处理,生成舒张压预测数据序列和收缩压预测数据序列;
具体包括:当预测类型信息为第一类型时,计算血压二维张量中的所有舒张压数据的平均值,生成舒张压预测数据;计算血压二维张量中的所有收缩压数据的平均值,生成收缩压预测数据;当预测类型信息为第二类型时,依次提取血压二维张量中的舒张压数据,组成舒张压预测数据序列;提取血压二维张量中的收缩压数据,组成收缩压预测数据序列。
此处,本发明实施例支持两种类型的预测数据输出:第一类型,输出一对均值血压预测数据(舒张压预测数据和收缩压预测数据);第二类型,按片段提取血压数据,组成动态的血压数据序列(舒张压预测数据序列和收缩压预测数据序列)。预测类型信息存储在设备的本地存储介质中,本发明实施例通过读取预测类型信息的内容,来选择具体采用哪种类型进行预测数据输出。
例如,预测类型信息为第一类型,血压二维张量[5,2]的数据为{(81,136),(80,135),(81,134),(85,133),(83,131)},则:
舒张压预测数据=(81+80+81+85+83)/5=82(mmHg);
收缩压预测数据=(136+135+134+133+131)/5≈134(mmHg)。
又例如,预测类型信息为第二类型,血压二维张量[5,2]的数据为{(81,136),(80,135),(81,134),(85,133),(83,131)},则:
舒张压预测数据序列[5]的数据内容具体为(81,80,81,85,83);
收缩压预测数据序列[5]的数据内容具体为(136,135,134,133,131)。
图3为本发明实施例二提供的一种融合标定光体积描计信号数据的血压预测装置的模块结构图,该装置可以为前述实施例所描述的终端设备或者服务器,也可以为能够使得前述终端设备或者服务器实现本发明实施例提供的方法的装置,例如该装置可以是前述终端设备或者服务器的装置或芯片系统。如图3所示,该装置包括:
获取模块31用于获取标定光体积描计PPG信号数据和对应的标定舒张压数据与标定收缩压数据;获取实时PPG信号数据;其中,实时PPG信号数据的时间长度与标定PPG信号数据的时间长度相同;
人工智能计算模块32用于根据标定PPG信号数据和实时PPG信号数据,进行卷积神经网络CNN模型的输入数据准备处理,生成CNN输入四维张量;接着利用CNN模型,对CNN输入四维张量进行多层卷积池化计算,生成CNN输出四维张量;再根据CNN输出四维张量,进行人工神经网络ANN模型的输入数据准备处理,生成ANN输入二维张量;接着利用ANN模型,对ANN输入二维张量进行回归计算,生成ANN输出二维张量;
血压预测模块33用于根据标定舒张压数据、标定收缩压数据和ANN输出二维张量,进行血压数据计算,生成血压二维张量;当预设的预测类型信息为第一类型时,根据血压二维张量,进行均值血压数据计算,生成舒张压预测数据和收缩压预测数据;当预测类型信息为第二类型时,对血压二维张量,进行血压数据提取处理,生成舒张压预测数据序列和收缩压预测数据序列。
本发明实施例提供的一种融合标定光体积描计信号数据的血压预测装置,可以执行上述方法实施例中的方法步骤,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,获取模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,ASIC),或,一个或多个数字信号处理器(Digital Signal Processor,DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(System-on-a-chip,SOC)的形式实现。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本发明实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路((Digital Subscriber Line,DSL))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
图4为本发明实施例三提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器,也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图4所示,该电子设备可以包括:处理器41(例如CPU)、存储器42、收发器43;收发器43耦合至处理器41,处理器41控制收发器43的收发动作。存储器42中可以存储各种指令,以用于完成各种处理功能以及实现本发明上述实施例中提供的方法和处理过程。优选的,本发明实施例涉及的电子设备还包括:电源44、系统总线45以及通信端口46。系统总线45用于实现元件之间的通信连接。上述通信端口46用于电子设备与其他外设之间进行连接通信。
在图4中提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,RAM),也可能还包括非易失性存储器(Non-Volatile Memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器CPU、网络处理器(NetworkProcessor,NP)、图形处理器(Graphics Processing Unit,GPU)等;还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,本发明实施例还提供一种计算机可读存储介质,该存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种运行指令的芯片,该芯片用于执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种程序产品,该程序产品包括计算机程序,该计算机程序存储在存储介质中,至少一个处理器可以从上述存储介质读取上述计算机程序,上述至少一个处理器执行上述实施例中提供的方法和处理过程。
本发明实施例提供一种融合标定光体积描计信号数据的血压预测方法、装置、电子设备、计算机程序产品及计算机可读存储介质,首先获取测试对象的标定PPG信号数据和对应的标定血压数据(标定舒张压数据和标定收缩压数据);再使用训练成熟的用于预测相对血压数据的CNN+ANN人工智能血压预测网络,对测试对象的实时PPG信号数据和标定PPG信号数据的融合数据,进行血压预测运算得到相对血压数据(包括舒张压相对数据和收缩压相对数据);再根据相对关系信息,对标定血压数据和相对血压数据,进行绝对血压数据计算得到最终的预测血压数据。由此,提高了人工智能血压预测网络的预测准确度。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种融合标定光体积描计信号数据的血压预测方法,其特征在于,所述方法包括:
获取标定PPG信号数据和对应的标定舒张压数据与标定收缩压数据;
获取实时PPG信号数据;所述实时PPG信号数据的时间长度与所述标定PPG信号数据的时间长度相同;
根据所述标定PPG信号数据和所述实时PPG信号数据,进行卷积神经网络CNN模型的输入数据准备处理,生成CNN输入四维张量;
利用所述CNN模型,对所述CNN输入四维张量进行多层卷积池化计算,生成CNN输出四维张量;
根据所述CNN输出四维张量,进行人工神经网络ANN模型的输入数据准备处理,生成ANN输入二维张量;
利用所述ANN模型,对所述ANN输入二维张量进行回归计算,生成ANN输出二维张量;
根据所述标定舒张压数据、所述标定收缩压数据和所述ANN输出二维张量,进行血压数据计算,生成血压二维张量;
当预设的预测类型信息为第一类型时,根据所述血压二维张量,进行均值血压数据计算,生成舒张压预测数据和收缩压预测数据;当所述预测类型信息为第二类型时,对所述血压二维张量,进行血压数据提取处理,生成舒张压预测数据序列和收缩压预测数据序列;
其中,所述根据所述标定PPG信号数据和所述实时PPG信号数据,进行卷积神经网络CNN模型的输入数据准备处理,生成CNN输入四维张量,具体包括:
按照预设的采样频率,对所述实时PPG信号数据进行信号数据采样处理生成实时PPG数据序列,对所述标定PPG信号数据进行信号数据采样处理生成标定PPG数据序列;所述实时PPG数据序列的数据长度L1与所述标定PPG数据序列的数据长度L2相同;
按照预设的片段长度,对所述实时PPG数据序列,按顺序进行数据片段划分处理,得到实时片段总数个实时PPG一维张量;再将所述实时片段总数个所述实时PPG一维张量融合到一个二维张量中,生成实时PPG二维张量;
其中,所述实时片段总数=int(L1/片段长度);所述int()为取整函数;所述实时PPG一维张量的形状为1×W1;所述W1为实时PPG一维张量的1维参数,且W1=片段长度;所述实时PPG二维张量的形状为B1×W2;所述B1为所述实时PPG二维张量的2维参数,且B1=实时片段总数;所述W2为所述实时PPG二维张量的1维参数,且W2=W1;
按照所述片段长度,对所述标定PPG数据序列,按顺序进行数据片段划分处理,得到标定片段总数个标定PPG一维张量;再将所述标定片段总数个所述标定PPG一维张量融合到一个二维张量中,生成标定PPG二维张量;
其中,所述标定片段总数=int(L2/片段长度);所述标定PPG一维张量的形状为1×W3;所述W3为标定PPG一维张量的1维参数,且W3=片段长度;所述标定PPG二维张量的形状为B2×W4;所述B2为所述标定PPG二维张量的2维参数,且B2=标定片段总数;所述W4为所述标定PPG二维张量的1维参数,且W4=W3;
对所述实时PPG二维张量和所述标定PPG二维张量,按照实时数据在前、标定数据在后的顺序,进行二维张量融合处理,生成融合二维张量;
其中,所述融合二维张量的形状为B3×W5;所述B3为所述融合二维张量的2维参数,且B3=B2=B1;所述W5为所述融合二维张量的1维参数,且W5=W2+W4;所述融合二维张量包括所述B3个融合一维张量;所述融合一维张量由对应的所述实时PPG一维张量和所述标定PPG一维张量,按所述实时PPG一维张量在前、所述标定PPG一维张量在后的顺序,拼接而成;
按所述CNN模型的四维张量输入数据格式,将所述融合二维张量的形状从二维张量形状升维到四维张量形状,生成所述CNN输入四维张量;
其中,所述CNN输入四维张量的形状为B4×H1×W6×C1;所述B4为所述CNN输入四维张量的4维参数,且B4=B3;所述H1为所述CNN输入四维张量的3维参数,且H1=2;所述W6为所述CNN输入四维张量的2维参数,且W6=W5/2;所述C1为所述CNN输入四维张量的1维参数,且C1=1。
2.根据权利要求1所述的融合标定光体积描计信号数据的血压预测方法,其特征在于,所述利用所述CNN模型,对所述CNN输入四维张量进行多层卷积池化计算,生成CNN输出四维张量,具体包括:
将所述CNN输入四维张量做为第一输入四维张量,再将所述第一输入四维张量送入所述CNN模型的第一层卷积网络层,进行第一层卷积池化计算,生成第一输出四维张量;接着将所述第一输出四维张量做为第二输入四维张量,再将所述第二输入四维张量送入所述CNN模型的第二层卷积网络层,进行第二层卷积池化计算,生成第二输出四维张量;直至最后,将倒数第二个输出四维张量做为最后一个输入四维张量,再将所述最后一个输入四维张量送入所述CNN模型的最后一层卷积网络层,进行最后一层卷积池化计算,生成所述CNN输出四维张量;
其中,所述CNN模型包括多层所述卷积网络层;所述卷积网络层包括卷积层和池化层;所述CNN输出四维张量的形状为B5×H2×W7×C2;所述B5为所述CNN输出四维张量的4维参数,且B5=B4;所述H2为所述CNN输出四维张量的3维参数;所述W7为所述CNN输出四维张量的2维参数;所述C2为所述CNN输出四维张量的1维参数。
3.根据权利要求2所述的融合标定光体积描计信号数据的血压预测方法,其特征在于,所述将所述第一输入四维张量送入所述CNN模型的第一层卷积网络层,进行第一层卷积池化计算,生成第一输出四维张量,具体包括:
将所述第一输入四维张量,送入所述第一层卷积网络层的第一卷积层,进行第一卷积计算,生成第一卷积四维张量;将所述第一卷积四维张量,送入所述第一层卷积网络层的第一池化层,进行第一池化计算,生成所述第一输出四维张量。
4.根据权利要求2所述的融合标定光体积描计信号数据的血压预测方法,其特征在于,所述根据所述CNN输出四维张量,进行人工神经网络ANN模型的输入数据准备处理,生成ANN输入二维张量,具体包括:
按所述ANN模型的二维张量输入数据格式,将所述CNN输出四维张量的形状从四维张量形状降维到二维张量形状,生成所述ANN输入二维张量;
其中,所述ANN输入二维张量的形状为B6×W'1;所述B6为所述ANN输入二维张量的2维参数,且B6=B5;所述W'1为所述ANN输入二维张量的1维参数,且W'1=H2*W7*C2;所述ANN输入二维张量包括所述B6个ANN输入一维张量;所述ANN输入一维张量的形状为1×W'2;所述W'2为所述ANN输入一维张量的1维参数,且W'2=W'1;
在每个所述ANN输入一维张量的末端,增加所述标定舒张压数据和所述标定收缩压数据;所述ANN输入一维张量的形状变为1×W'3;所述W'3为所述ANN输入一维张量的1维参数,且W'3=W'2+2=W'1+2=H2*W7*C2+2;所述ANN输入二维张量的形状变为B6×W8;所述W8为所述ANN输入二维张量新的1维参数,且W8=W'3=H2*W7*C2+2。
5.根据权利要求4所述的融合标定光体积描计信号数据的血压预测方法,其特征在于,所述利用所述ANN模型,对所述ANN输入二维张量进行回归计算,生成ANN输出二维张量,具体包括:
将所述ANN输入二维张量做为第一输入二维张量,再将所述第一输入二维张量送入所述ANN模型的第一层全连接层,进行第一层全连接计算,生成第一输出二维张量;接着将所述第一输出二维张量做为第二输入二维张量,再将所述第二输入二维张量送入所述ANN模型的第二层全连接层,进行第二层全连接计算,生成第二输出二维张量;直至最后,将倒数第二个输出二维张量做为最后一个输入二维张量,再将所述最后一个输入二维张量送入所述ANN模型的最后一层全连接层,进行最后一层全连接计算,生成所述ANN输出二维张量;
其中,所述ANN模型包括多层所述全连接层;所述ANN输出二维张量的形状为B7×W9;所述B7为所述ANN输出二维张量的2维参数,且B7=B6;所述W9为所述ANN输出二维张量的1维参数,且W9=2;所述ANN输出二维张量包括所述B7个ANN输出一维张量;所述ANN输出一维张量包括舒张压相对数据和收缩压相对数据。
6.根据权利要求5所述的融合标定光体积描计信号数据的血压预测方法,其特征在于,所述根据所述标定舒张压数据、所述标定收缩压数据和所述ANN输出二维张量,进行血压数据计算,生成血压二维张量,具体包括:
当预设的相对关系信息为差值关系时,使用所述标定舒张压数据,对所述ANN输出二维张量中的所有所述舒张压相对数据,进行舒张压增值处理;并使用所述标定收缩压数据,对所述ANN输出二维张量中的所有所述收缩压相对数据,进行收缩压增值处理;再将完成增值处理的所述ANN输出二维张量做为所述血压二维张量;
其中,所述血压二维张量的形状为B8×W10;所述B8为所述血压二维张量的2维参数,且B8=B7;所述W10为所述血压二维张量的1维参数,且W10=2;所述血压二维张量包括所述B8个血压一维张量;所述血压一维张量包括舒张压数据和收缩压数据;所述舒张压数据为对应的所述舒张压相对数据与所述标定舒张压数据相加的和;所述收缩压数据为对应的所述收缩压相对数据与所述标定收缩压数据相加的和。
7.根据权利要求6所述的融合标定光体积描计信号数据的血压预测方法,其特征在于,所述当预设的预测类型信息为第一类型时,根据所述血压二维张量,进行均值血压数据计算,生成舒张压预测数据和收缩压预测数据;当所述预测类型信息为第二类型时,对所述血压二维张量,进行血压数据提取处理,生成舒张压预测数据序列和收缩压预测数据序列,具体包括:
当所述预测类型信息为所述第一类型时,计算所述血压二维张量中的所有所述舒张压数据的平均值,生成所述舒张压预测数据;计算所述血压二维张量中的所有所述收缩压数据的平均值,生成所述收缩压预测数据;
当所述预测类型信息为所述第二类型时,依次提取所述血压二维张量中的所述舒张压数据,组成所述舒张压预测数据序列;提取所述血压二维张量中的所述收缩压数据,组成所述收缩压预测数据序列。
8.一种用于实现权利要求1-7任一项所述的融合标定光体积描计信号数据的血压预测方法的装置,其特征在于,所述装置包括:
获取模块用于获取标定PPG信号数据和对应的标定舒张压数据与标定收缩压数据;获取实时PPG信号数据;其中,所述实时PPG信号数据的时间长度与所述标定PPG信号数据的时间长度相同;
人工智能计算模块用于根据所述标定PPG信号数据和所述实时PPG信号数据,进行卷积神经网络CNN模型的输入数据准备处理,生成CNN输入四维张量;接着利用所述CNN模型,对所述CNN输入四维张量进行多层卷积池化计算,生成CNN输出四维张量;再根据所述CNN输出四维张量,进行人工神经网络ANN模型的输入数据准备处理,生成ANN输入二维张量;接着利用所述ANN模型,对所述ANN输入二维张量进行回归计算,生成ANN输出二维张量;
血压预测模块用于根据所述标定舒张压数据、所述标定收缩压数据和所述ANN输出二维张量,进行血压数据计算,生成血压二维张量;当预设的预测类型信息为第一类型时,根据所述血压二维张量,进行均值血压数据计算,生成舒张压预测数据和收缩压预测数据;当所述预测类型信息为第二类型时,对所述血压二维张量,进行血压数据提取处理,生成舒张压预测数据序列和收缩压预测数据序列。
9.一种电子设备,其特征在于,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现权利要求1-7任一项所述的方法;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行权利要求1-7任一项所述的方法的指令。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011085575.XA CN112336325B (zh) | 2020-10-12 | 2020-10-12 | 一种融合标定光体积描计信号数据的血压预测方法和装置 |
US18/248,755 US20230371831A1 (en) | 2020-10-12 | 2021-04-19 | Method and apparatus for predicting blood pressure by fusing calibrated photoplethysmographic signal data |
EP21878943.6A EP4226856A1 (en) | 2020-10-12 | 2021-04-19 | Method and apparatus for predicting blood pressure by fusing calibrated photoplethysmographic signal data |
PCT/CN2021/088023 WO2022077889A1 (zh) | 2020-10-12 | 2021-04-19 | 一种融合标定光体积描计信号数据的血压预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011085575.XA CN112336325B (zh) | 2020-10-12 | 2020-10-12 | 一种融合标定光体积描计信号数据的血压预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112336325A CN112336325A (zh) | 2021-02-09 |
CN112336325B true CN112336325B (zh) | 2024-02-23 |
Family
ID=74360449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011085575.XA Active CN112336325B (zh) | 2020-10-12 | 2020-10-12 | 一种融合标定光体积描计信号数据的血压预测方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230371831A1 (zh) |
EP (1) | EP4226856A1 (zh) |
CN (1) | CN112336325B (zh) |
WO (1) | WO2022077889A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112336325B (zh) * | 2020-10-12 | 2024-02-23 | 乐普(北京)医疗器械股份有限公司 | 一种融合标定光体积描计信号数据的血压预测方法和装置 |
CN116919363A (zh) * | 2022-04-12 | 2023-10-24 | 乐普(北京)医疗器械股份有限公司 | 一种基于大数据特征的个性化血压预测方法和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103598876A (zh) * | 2013-11-22 | 2014-02-26 | 哈尔滨工业大学深圳研究生院 | 数据处理方法及系统 |
CN104665768A (zh) * | 2013-10-03 | 2015-06-03 | 塔塔咨询服务有限公司 | 生理参数的监测 |
CN105943005A (zh) * | 2016-06-01 | 2016-09-21 | 合肥芯福传感器技术有限公司 | 基于光电绿光脉搏与心电图混合的无创血压检测方法 |
CN109363652A (zh) * | 2018-09-29 | 2019-02-22 | 天津惊帆科技有限公司 | 基于深度学习的ppg信号重构方法及设备 |
KR20190056858A (ko) * | 2017-11-17 | 2019-05-27 | 가천대학교 산학협력단 | 딥러닝 기반의 혈압 예측 시스템 및 방법 |
CN111248883A (zh) * | 2020-02-21 | 2020-06-09 | 乐普(北京)医疗器械股份有限公司 | 一种血压预测的方法和装置 |
CN111358451A (zh) * | 2020-03-17 | 2020-07-03 | 乐普(北京)医疗器械股份有限公司 | 一种血压预测方法和装置 |
CN111358455A (zh) * | 2020-03-17 | 2020-07-03 | 乐普(北京)医疗器械股份有限公司 | 一种多数据源的血压预测方法和装置 |
CN111358452A (zh) * | 2020-03-17 | 2020-07-03 | 乐普(北京)医疗器械股份有限公司 | 一种基于同步信号进行血压预测的方法和装置 |
CN111493850A (zh) * | 2020-04-13 | 2020-08-07 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的血压测量方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2544125A1 (en) * | 2011-07-04 | 2013-01-09 | Sabirmedical, S.L. | Methods and systems for non-invasive measurement of blood pressure |
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 |
US11229404B2 (en) * | 2017-11-28 | 2022-01-25 | Stmicroelectronics S.R.L. | Processing of electrophysiological signals |
EP3626167A1 (en) * | 2018-09-21 | 2020-03-25 | IMEC vzw | A method of generating a model for heart rate estimation from a photoplethysmography signal and a method and a device for heart rate estimation |
CN111063420A (zh) * | 2019-12-18 | 2020-04-24 | 清华大学 | 基于神经网络识别心理压力的方法及装置 |
CN111358453B (zh) * | 2020-03-17 | 2022-07-29 | 乐普(北京)医疗器械股份有限公司 | 一种血压分类预测方法和装置 |
CN111291727B (zh) * | 2020-03-17 | 2023-10-03 | 乐普(北京)医疗器械股份有限公司 | 一种光体积变化描记图法信号质量检测方法和装置 |
CN112336325B (zh) * | 2020-10-12 | 2024-02-23 | 乐普(北京)医疗器械股份有限公司 | 一种融合标定光体积描计信号数据的血压预测方法和装置 |
-
2020
- 2020-10-12 CN CN202011085575.XA patent/CN112336325B/zh active Active
-
2021
- 2021-04-19 EP EP21878943.6A patent/EP4226856A1/en active Pending
- 2021-04-19 WO PCT/CN2021/088023 patent/WO2022077889A1/zh unknown
- 2021-04-19 US US18/248,755 patent/US20230371831A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104665768A (zh) * | 2013-10-03 | 2015-06-03 | 塔塔咨询服务有限公司 | 生理参数的监测 |
CN103598876A (zh) * | 2013-11-22 | 2014-02-26 | 哈尔滨工业大学深圳研究生院 | 数据处理方法及系统 |
CN105943005A (zh) * | 2016-06-01 | 2016-09-21 | 合肥芯福传感器技术有限公司 | 基于光电绿光脉搏与心电图混合的无创血压检测方法 |
KR20190056858A (ko) * | 2017-11-17 | 2019-05-27 | 가천대학교 산학협력단 | 딥러닝 기반의 혈압 예측 시스템 및 방법 |
CN109363652A (zh) * | 2018-09-29 | 2019-02-22 | 天津惊帆科技有限公司 | 基于深度学习的ppg信号重构方法及设备 |
CN111248883A (zh) * | 2020-02-21 | 2020-06-09 | 乐普(北京)医疗器械股份有限公司 | 一种血压预测的方法和装置 |
CN111358451A (zh) * | 2020-03-17 | 2020-07-03 | 乐普(北京)医疗器械股份有限公司 | 一种血压预测方法和装置 |
CN111358455A (zh) * | 2020-03-17 | 2020-07-03 | 乐普(北京)医疗器械股份有限公司 | 一种多数据源的血压预测方法和装置 |
CN111358452A (zh) * | 2020-03-17 | 2020-07-03 | 乐普(北京)医疗器械股份有限公司 | 一种基于同步信号进行血压预测的方法和装置 |
CN111493850A (zh) * | 2020-04-13 | 2020-08-07 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的血压测量方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2022077889A1 (zh) | 2022-04-21 |
EP4226856A1 (en) | 2023-08-16 |
US20230371831A1 (en) | 2023-11-23 |
CN112336325A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10249048B1 (en) | Method and system for predicting blood flow features based on medical images | |
CN106980899B (zh) | 预测血管树血管路径上的血流特征的深度学习模型和系统 | |
CN112336325B (zh) | 一种融合标定光体积描计信号数据的血压预测方法和装置 | |
TWI742408B (zh) | 一種圖像處理方法、電子設備及儲存介質 | |
Mazumder et al. | Synthetic ppg generation from haemodynamic model with baroreflex autoregulation: a digital twin of cardiovascular system | |
CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
CN111292853A (zh) | 基于多参数的心血管疾病风险预测网络模型及其构建方法 | |
CN112070067B (zh) | 一种光体积描计信号的散点图分类方法和装置 | |
CN108665449B (zh) | 预测血流矢量路径上的血流特征的深度学习模型及装置 | |
EP4108164A1 (en) | Blood pressure prediction method and device | |
CN111915691B (zh) | 基于神经网络的图像处理系统、方法、终端、及介质 | |
CN111358451B (zh) | 一种血压预测方法和装置 | |
CN111358452B (zh) | 一种基于同步信号进行血压预测的方法和装置 | |
CN114863225A (zh) | 图像处理模型训练方法、生成方法、装置、设备及介质 | |
CN116523813A (zh) | 基于血管造影图像分析血流储备分数的处理方法和装置 | |
CN112489029A (zh) | 一种基于卷积神经网络的医学图像分割方法及装置 | |
US20240050043A1 (en) | Method And Apparatus For Heart-level Blood Pressure Estimation Based On Ensemble Learning | |
TWI792333B (zh) | 低血壓的預測處理方法與系統 | |
CN112884640A (zh) | 模型训练方法及相关装置、可读存储介质 | |
Kopylova et al. | Application of fractal analysis to evaluate the rat brain arterial system | |
WO2023197425A1 (zh) | 一种基于大数据特征的个性化血压预测方法和装置 | |
US20240138773A1 (en) | Sequentially-reduced artificial intelligence based systems and methods for cardiovascular transfer functions | |
Zhou et al. | Application of Combined Prediction Model Based on Core and Coritivity Theory in Continuous Blood Pressure Prediction | |
CN115577303A (zh) | 呼吸频率测量方法、装置、电子设备及系统 | |
Raju et al. | A Novel Technique for Continuous Blood Pressure Estimation from Optimal Feature Set of PPG Signal Using Deep Learning Approach |
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 |