CN112836647B - 一种基于ppg信号的无创式甘油三酯估计系统 - Google Patents
一种基于ppg信号的无创式甘油三酯估计系统 Download PDFInfo
- Publication number
- CN112836647B CN112836647B CN202110158927.8A CN202110158927A CN112836647B CN 112836647 B CN112836647 B CN 112836647B CN 202110158927 A CN202110158927 A CN 202110158927A CN 112836647 B CN112836647 B CN 112836647B
- Authority
- CN
- China
- Prior art keywords
- triglyceride
- neural network
- training
- ppg signals
- sample
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于PPG信号的无创式甘油三酯估计系统,包括:数据采集模块,用于采集PPG信号,样本数据包括用专业传感器采集的病人指尖PPG信号,记录下对应病人的甘油三酯指标;数据预处理模块,对采集到的指尖PPG信号进行单周期分割,并去除由于运动、光线等干扰而测量出的无效样本;神经网络搭建模块,搭建用于训练和预测的卷积神经网络;模型训练模块,将所述样本数据的部分带入该卷积神经网络进行训练,更新网络权重参数,获得训练后的神经网络模型,将保留的另一部分样本作为测试进行预测分析。本发明对于所属样本预测的平均绝对误差较小,能够实现甘油三酯指标的准确测量,且无创便捷,稳定有效。
Description
技术领域
本发明属于生理参数测量技术领域,具体涉及一种基于PPG(光电容积描记法,简称PPG)信号的无创式甘油三酯估计系统和方法。
背景技术
血脂是血浆中的甘油三酯和类脂的总称,广泛存在于人体中,血清甘油三酯测定是血脂分析的常规项目。甘油三酯是甘油和3个脂肪酸所形成的脂,其参与着人体内各种能量的代谢过程,正常情况下,血浆中的甘油三酯保持着动态平衡。
甘油三酯值是具有重要临床意义的生命体征之一。高甘油三酯血症会形成血栓,导致血管堵塞,是冠心病、心肌梗死、脑梗死等心血管疾病的重要危险因素。据国家心血管病中心2019年统计显示,我国甘油三酯异常人数已经超过4亿人。随着人们生活水平的提高、饮食结构改变及生活节奏加快、压力增加,“三高”问题逐渐严重,仅甘油三酯异常一项,患病率就高达40.4%。因此,积极的预防和控制高甘油三酯是缓解心血管疾病的一项重要举措,而对甘油三酯值的长期监测在临床医疗、健康管理等领域具有至关重要的作用。
目前获取甘油三酯指标的获取基本都是采用抽血化验的方式。这种采集方式虽然精度较高且稳定,但是不仅需要专业的医护人员手动操作、有创易让人产生不适,而且耗时不便,不利于病情的早发现早治疗,不适合居家使用。
光电容积描记术(PPG)是一种新型的光电检测方法,它通过光电设备照射活体组织后测量反射光强度的方式,检测微动脉、脉细血管中血液的容积变化,从中提取出PPG信号,最后重建脉搏波、心率、血氧饱和度等生理参数值,其有着低成本、易操作等优点,被广泛应用于计算机视觉和视频医学等领域。深度学习是基于人工神经网络的更广泛的机器学习方法族的一部分。深度学习架构,例如深度信念网络、循环神经网络和卷积神经网络,已经被应用于包括计算机视觉、生物信息学、药物设计等在内的各个领域,现已应用于心率、血压等心血管参数的测量。但以上技术均没有涉及到甘油三酯等血脂指标的检测。
现有专利CN111329492A中提出了一种基于近红外光谱的血脂估计方法,通过大量数据拟合光谱特征峰,检测出人体实时血脂值,但也存在着设备方法复杂、检测结果不稳定、检测精度不高等缺陷。目前尚未见到对上述问题所进行解决或改进的方法或技术。
发明内容
针对现有方法的以上缺陷或改进需求,本发明的目的在于提供一种基于PPG信号的无创甘油三酯估计系统,其能够实现甘油三酯的无创检测,结果稳定,准确度高,从而解决现有技术中有创式甘油三酯检测繁琐不适的问题。
为了解决上述技术问题,本发明提供了一种基于PPG信号的无创甘油三酯估计系统,具体包括以下模块:
数据采集模块,为方便实验需求,本发明使用的是从医院心血管科采集的样本数据,实际操作可直接采集PPG信号,所述样本数据包括用专业传感器采集的病人指尖PPG信号,记录下的病人甘油三酯指标;
数据预处理模块,对采集到的指尖脉搏波信号进行单周期分割,并去除运动、光线等干扰而测量出的无效样本;
神经网络搭建模块,搭建用于训练和预测的卷积神经网络;
模型训练模块,将所述样本数据的部分带入该卷积神经网络进行训练,更新网络权重参数,获得训练后的神经网络模型,将保留的另一部分样本作为测试进行预测分析;
作为优选的,所述“对采集到的指尖脉搏波信号进行单周期分割,并去除运动、光线等干扰而测量出的无效样本”,具体包括:
1)使用带通滤波对采集的脉搏波进行去噪处理,并去除基线漂移和高频噪声,获得处理后的脉搏波数据;
2)对脉搏波数据进行单周期分割处理,并将不同长度的单周期波形通过补零的方式统一成相同的长度;
3)对得到的所有单周期波形筛选,去除波形质量较差,明显受到运动和光线干扰的样本;
4)将所有合格的单周期样本贴标签,并将高甘油三酯样本与低甘油三酯样本的数量控制为1:1。
作为优选的,所述2)和3)之间还包括:
对所有脉搏波信号进行归一化处理,使得所有脉搏波信号值都处于-2到2之间。
作为优选的,所述“搭建用于训练和预测的卷积神经网络”,具体包括:
网络的输入是大小为224*224*1的所有贴好标签的单周期脉搏波向量,后分别通过卷积层、池化层、卷积层、全连接层。其中第一个卷积层采用8个大小为9*9*1的卷积核,same池化,激活函数为relu,使用批量归一化操作;中间的池化层为8*8的均值池化;第二个卷积层采用16个大小为3*3*1的卷积核,same池化,激活函数为relu,使用批量归一化操作;最后一层为全连接层,得到最终的输出。
作为优选的,所述“将所述样本数据的部分带入该卷积神经网络进行训练,更新网络权重参数,获得训练后的神经网络模型,将保留的另一部分样本作为测试进行预测分析”,具体包括:
训练集和测试集的样本数量约为3:1,并且不让同一个病人分割后的单周期脉搏波同时出现在训练集和测试集中,严格分离单一病人样本,使用平均绝对误差mae作为最终回归精度的评判标准;
作为优选的,使用matlab的trainingOption函数对神经网络进行训练,其中solverName=sgdm,表示选择带动量的随机梯度下降算法,动量Momentum=0.1,MiniBatchSize=30,用于每次训练迭代的最小批次的大小,初始学习率InitialLearnRate=0.001,LearnRateSchedule=piecewise,即每过一段时期(LearnRateDropPeriod)学习率会乘以一个系数(LearnRateDropFactor),LearnRateDropPeriod=20,LearnRateDropFactor=0.2,MaxEpochs=30,用于训练的最大轮数,Shuffle=every—epoch,即每次训练会对数据进行重新排列,ValidationFrequency=30,验证指标评估之间的迭代次数,采用均方误差mse损失函数计算损失值。
本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述存储器执行所述程序时实现上述步骤。
本发明还提供了一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行上述步骤。
本发明所述的方案与现有的技术相比,具有如下的有益效果是:
1.本发明的无创甘油三酯估计系统能够实现甘油三酯的连续准确测量,完全可以应用于日常生活中,简易方便,同时无创的设计也不会给人体带来不适的影响。
2.由于本发明提出的检测方法在信号输入端只需提取干净的PPG信号,摆脱了传统检测方法的束缚,可以便捷的嵌入到移动设备之中,不仅降低了检测成本,而且可以保证随时随地测量,大大简化了甘油三酯测量过程。
3.本发明所使用的神经网络层数较少,对算力要求不高,且基于深度学习无需人工手动设计特征,应用层面可适用的范围较广。
4.本发明原理清晰,所需设备简易,大大降低了检测的复杂性,且容易移植到移动端设备,应用范围更广,价格更低。
5.本发明对初始的PPG信号做了相当规模的预处理,使得信号的质量大大提高,特征更加清晰明了,神经网络学习预测所得出的总体误差较低,且结果稳定。
6.本发明对于甘油三酯的检测不需要任何生物化学试剂和仪器,安全环保。
本发明具有便捷、快速、简易、准确、安全,环保、成本低等优点,在生理参数的无创检测以及心血管疾病的预防和术后康复监测领域具有广泛的应用价值和前景。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1是本发明一实施例所提供的甘油三酯估计系统的组成结构示意图;
图2是本发明一实施例所提供的对于采集的PPG信号的预处理流程图;
图3是本发明一实施例所提供的用于甘油三酯估计系统的卷积神经网络结构模型示意图;
图4是本发明一实施例所提供的神经网络中一个随机的输入信号;
图5是本发明一实施例所提供的真实甘油三酯与估计甘油三酯的对比图。
具体实施方式
为使相关技术人员能更好的理解本发明,对本次申请的目的、技术方案和优点有更加清晰的了解,下面将结合具体实例和附图对本发明做进一步说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
本发明提供了一种基于PPG信号的无创式甘油三酯估计系统,如图1所示,包括以下模块:
数据采集模块,为方便实验需求,本发明使用的是从医院心血管科采集的样本数据,实际操作可直接采集PPG信号,所述样本数据包括用专业传感器采集的病人指尖PPG信号,记录下的病人甘油三酯指标;
在实际使用中,可以通过移动端设备直接读取使用者PPG信号,移植方便简洁,摆脱了传统有创式设备的束缚,高效快捷。
其中,所述“病人指尖PPG信号”为专业光电传感器获取,例如采样率为125hz,存储各时刻采样点,保存为.txt文件,并同时记录下该病人甘油三酯指标,标定高低(我们将正常范围优选地定位为0.3到1.8)。
数据预处理模块,对采集到的指尖脉搏波信号进行单周期分割,并去除运动、光线等干扰而测量出的无效样本;此处对初始信号的处理方式较为简便,对硬件设施算力要求不高,可以移植到各种类型的移动设备端。
结合图2所示,由于采集到的原始信号易受到噪声的影响,所以需要对采集到的病人指尖PPG信号进行预处理,首先使用预定频率(优选为0.6hz)的二阶巴特沃兹带通滤波器去除信号的噪声,并使用相关算法对信号进行去基线漂移操作;为了获取更多的样本数据并且同时提取每个周期脉搏波信号的特征,对每个病人近1分钟的PPG信号进行单周期分割,同时为了方便神经网络对输入定长的要求,将所有分割后的信号通过补零的方式扩展到统一的长度,优选为224个长度;之后对所有单周期脉搏波数据归一化,将其值固定在-2到2之间;由于病人在采集过程中会有微小运动或者少量其他光线的干扰,因此进一步对得到的所有单周期波形进行筛选,将杂乱无章、无明显规则的脉搏波剔除;最后对所有单周期样本贴好标签,其中标签包括高甘油三酯样本与低甘油三酯样本或高/中/低三种甘油三酯样本,并将高甘油三酯样本与低甘油三酯样本的数量控制为1:1,提高结果可信度与准确率。
神经网络搭建模块,搭建用于训练和预测的卷积神经网络,如图3所示。结合图3,网络的输入是大小为224*224*1的所有贴好标签的单周期脉搏波向量,后分别通过卷积层、池化层、卷积层、全连接层;其中第一个卷积层采用8个大小为9*9*1的卷积核,same池化,激活函数为relu,使用批量归一化操作,输出为大小224*224*8的特征向量;中间的池化层为8*8的均值池化,降采样后输出为28*28*8的向量;第二个卷积层采用16个大小为3*3*1的卷积核,same池化,激活函数为relu,使用批量归一化操作,输出为大小28*28*16的特征向量;最后一层为全连接层,得到最终的输出结果。
模型训练模块,将所述样本数据的部分带入该卷积神经网络进行训练,更新网络权重参数,获得训练后的神经网络模型,将保留的另一部分样本作为测试进行预测分析。具体地,先将训练集和测试集的样本数量控制约为3:1,并且不让同一个病人分割后的单周期脉搏波同时出现在训练集和测试集中,严格分离单一病人样本,使用平均绝对误差mae作为最终回归精度的评判标准。
使用matlab的trainingOption函数对神经网络进行训练,其中solverName=sgdm,表示选择带动量的随机梯度下降算法,动量Momentum=0.1,MiniBatchSize=30,用于每次训练迭代的最小批次的大小,初始学习率InitialLearnRate=0.001,LearnRateSchedule=piecewise,即每过一段时期(LearnRateDropPeriod)学习率会乘以一个系数(LearnRateDropFactor),LearnRateDropPeriod=20,LearnRateDropFactor=0.2,MaxEpochs=30,用于训练的最大轮数,Shuffle=every—epoch,即每次训练会对数据进行重新排列,ValidationFrequency=30,验证指标评估之间的迭代次数,采用均方误差mse损失函数计算损失值。
本发明还提供了对应的计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述存储器执行所述程序时实现上述实施例中的步骤。
以及可编程的各类处理器(FPGA、ASIC或其他集成电路),所述处理器用于运行程序,其中,所述程序运行时执行上述实施例中的步骤。
得到的最终结果如图5所示,经过多次迭代,得到的卷积神经网络预测的甘油三酯值与真实结果的均方误差基本稳定在0.2左右,能够较为准确地估计出甘油三酯指标。
本发明使用了relu作为激活函数,其公式为:
还使用到了批量归一化操作,其公式为:
其中,x(k)和y(k)分别是原始输入数据和归一化后的输出数据,u(k)和σ(k)分别是输入数据的均值和标准差;β(k)和γ(k)分别是可学习的平移参数和缩放参数,上标k表示数据的第k维,ε是为防止分母为0的一个小量。
综上所述,本发明具备以下优点:
1.本发明的无创甘油三酯估计系统能够实现甘油三酯的连续准确测量,完全可以应用于日常生活中,简易方便,同时无创的设计也不会给人体带来不适的影响。
2.由于本发明提出的检测方法在信号输入端只需提取干净的PPG信号,摆脱了传统检测方法的束缚,可以便捷的嵌入到移动设备之中,不仅降低了检测成本,而且可以保证随时随地测量,大大简化了甘油三酯测量过程。
3.本发明所使用的神经网络层数较少,对算力要求不高,且基于深度学习无需人工手动设计特征,应用层面可适用的范围较广。
4.本发明原理清晰,所需设备简易,大大降低了检测的复杂性。
5.本发明对初始的PPG信号做了相当规模的预处理,使得信号的质量大大提高,特征更加清晰明了,神经网络学习预测所得出的总体误差较低,且结果稳定。
6.本发明对于甘油三酯的检测不需要任何生物化学试剂和仪器,安全环保。
7.本发明创造性的将PPG信号与甘油三酯联系起来,找出二者隐藏的关系,为无创式血脂的进一步研究打下坚实的基础。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和原则的前提下,可以在实施的形式及细节上进行任何的修改与变化、等同替换等,这些都属于本发明的保护范围。因此,本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (6)
1.一种基于PPG信号的无创式甘油三酯估计系统,其特征在于,包括以下模块:数据采集模块,用于采集PPG信号,样本数据包括用专业传感器采集的病人指尖PPG信号,记录下对应病人的甘油三酯指标;
数据预处理模块,对采集到的指尖PPG信号进行单周期分割,并去除由于运动、光线干扰而测量出的无效样本;
神经网络搭建模块,搭建用于训练和预测的卷积神经网络;
模型训练模块,将所述样本数据的部分带入该卷积神经网络进行训练,更新网络权重参数,获得训练后的神经网络模型,将保留的另一部分样本作为测试进行预测分析;
所述“对采集到的指尖PPG信号进行单周期分割,并去除由于运动、光线干扰而测量出的无效样本”,具体包括:
1)使用带通滤波对采集的PPG信号进行去噪处理,并去除基线漂移和高频噪声,获得处理后的脉搏波数据;
2)对脉搏波数据进行单周期分割处理,并将不同长度的单周期波形通过补零的方式统一成相同的长度;
3)对得到的所有单周期波形筛选,去除波形质量较差,明显受到运动和光线干扰的样本;
4)将所有合格的单周期样本贴标签,并将高甘油三酯样本与低甘油三酯样本的数量控制为1:1;
所述“搭建用于训练和预测的卷积神经网络”,具体包括:
网络的输入是大小为224*224*1的所有贴好标签的单周期脉搏波向量,后分别通过卷积层、池化层、卷积层、全连接层;其中第一个卷积层采用8个大小为9*9*1的卷积核,same池化,激活函数为relu,使用批量归一化操作;中间的池化层为8*8的均值池化;第二个卷积层采用16个大小为3*3*1的卷积核,same池化,激活函数为relu,使用批量归一化操作;最后一层为全连接层,得到最终的输出。
2.如权利要求1所述的一种基于PPG信号的无创式甘油三酯估计系统,其特征在于,所述2)和3)之间还包括:
对所有脉搏波信号进行归一化处理,使得所有脉搏波信号值都处于-2到2之间。
3.如权利要求1所述的一种基于PPG信号的无创式甘油三酯估计系统,其特征在于,所述“将所述样本数据的部分带入该卷积神经网络进行训练,更新网络权重参数,获得训练后的神经网络模型,将保留的另一部分样本作为测试进行预测分析”,具体包括:
训练集和测试集的样本数量为3:1,并且不让同一个病人分割后的单周期脉搏波同时出现在训练集和测试集中,严格分离单一病人样本,使用平均绝对误差mae作为最终回归精度的评判标准。
4.如权利要求3所述的一种基于PPG信号的无创式甘油三酯估计系统,其特征在于,还应包括:
使用matlab的trainingOption函数对神经网络进行训练,其中solverName=sgdm,表示选择带动量的随机梯度下降算法,动量Momentum=0.1,MiniBatchSize=30,用于每次训练迭代的最小批次的大小,初始学习率InitialLearnRate=0.001,LearnRateSchedule=piecewise,即每过一段时期LearnRateDropPeriod学习率会乘以一个系数LearnRateDropFactor,LearnRateDropPeriod=20,LearnRateDropFactor=0.2,用于训练的最大轮数MaxEpochs=30,Shuffle=every—epoch,即每次训练会对数据进行重新排列,验证指标评估之间的迭代次数ValidationFrequency=30,采用均方误差mse损失函数计算损失值。
5.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述存储器执行所述程序时实现上述权利要求1-4任一项所述的步骤。
6.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行上述权利要求1-4任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110158927.8A CN112836647B (zh) | 2021-02-05 | 2021-02-05 | 一种基于ppg信号的无创式甘油三酯估计系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110158927.8A CN112836647B (zh) | 2021-02-05 | 2021-02-05 | 一种基于ppg信号的无创式甘油三酯估计系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836647A CN112836647A (zh) | 2021-05-25 |
CN112836647B true CN112836647B (zh) | 2023-07-21 |
Family
ID=75932247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110158927.8A Active CN112836647B (zh) | 2021-02-05 | 2021-02-05 | 一种基于ppg信号的无创式甘油三酯估计系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836647B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115969390A (zh) * | 2021-10-15 | 2023-04-18 | 中国科学院沈阳自动化研究所 | 一种基于深度置信网络的非完整运动想象脑电解码方法 |
CN114557691B (zh) * | 2022-04-29 | 2022-08-02 | 广东工业大学 | 基于多波长的ppg信号的无创血脂检测方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107174258A (zh) * | 2017-06-02 | 2017-09-19 | 北京信息科技大学 | 血糖浓度预测方法 |
EP3654827B1 (en) * | 2017-07-21 | 2024-04-03 | Ecole Polytechnique Fédérale de Lausanne (EPFL) | Health monitoring device |
CN108498089B (zh) * | 2018-05-08 | 2022-03-25 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
CN110192866A (zh) * | 2019-04-28 | 2019-09-03 | 上海爱德赞医疗科技有限公司 | 无创毛细动脉血液组分浓度的监测方法及设备 |
CN111358455B (zh) * | 2020-03-17 | 2022-07-29 | 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 |
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 |
-
2021
- 2021-02-05 CN CN202110158927.8A patent/CN112836647B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112836647A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
CN106974631B (zh) | 一种基于脉搏波波形和心电信号的血压测量方法及装置 | |
CN109758160B (zh) | 一种基于lstm-rnn模型的无创血糖预测方法 | |
CN112836647B (zh) | 一种基于ppg信号的无创式甘油三酯估计系统 | |
CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
CN113317794B (zh) | 一种生命体征分析方法与系统 | |
Sun et al. | An improved morphological approach to background normalization of ECG signals | |
CN111599470B (zh) | 一种用于提高近红外无创血糖检测精度的方法 | |
CN110558960A (zh) | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 | |
Lin et al. | Energy-efficient blood pressure monitoring based on single-site photoplethysmogram on wearable devices | |
Gan et al. | Human-computer interaction based interface design of intelligent health detection using PCANet and multi-sensor information fusion | |
CN113040738B (zh) | 血压检测装置 | |
CN114403865A (zh) | 一种基于神经网络的无创血糖值预测方法 | |
He et al. | Reducing false arrhythmia alarms in the ICU using novel signal quality indices assessment method | |
CN111278353A (zh) | 一种生命体征信号噪声的检测方法与系统 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
Taoping et al. | Design of pulse and respiration monitoring system based on fiber optic sensing and VMD-FPR processing algorithm | |
Zhang et al. | Development of a Continuous Blood Pressure Monitoring System based on Pulse Transit Time and Hemodynamic Covariates. | |
Yen et al. | Development of a continuous blood pressure measurement and cardiovascular multi-indicator platform for Asian populations by using a back propagation neural network and dual photoplethysmography sensor signal acquisition technology | |
Wang et al. | Heart action monitoring from pulse signals using a growing hybrid polynomial network | |
Zhang et al. | Computerized radial artery pulse signal classification for lung cancer detection | |
CN113499042A (zh) | 基于系统辨识技术的中医脉诊测试仪及其使用方法 | |
Yan et al. | A method of sleeping state recognition based on pressure-body movement-sleeping model | |
Mohammadi et al. | Blood Pressure Estimation through Photoplethysmography and Machine Learning Models | |
Zhang et al. | Automated and precise heartbeat detection in ballistocardiography signals using bidirectional LSTM |
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 |