CN112914528A - 一种无袖带血压测量方法、装置及计算机可读介质 - Google Patents

一种无袖带血压测量方法、装置及计算机可读介质 Download PDF

Info

Publication number
CN112914528A
CN112914528A CN202110226335.5A CN202110226335A CN112914528A CN 112914528 A CN112914528 A CN 112914528A CN 202110226335 A CN202110226335 A CN 202110226335A CN 112914528 A CN112914528 A CN 112914528A
Authority
CN
China
Prior art keywords
time
features
generate
blood pressure
ppg signal
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
Application number
CN202110226335.5A
Other languages
English (en)
Other versions
CN112914528B (zh
Inventor
李小勇
郭杜飞
李志飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mobvoi Information Technology Co Ltd
Original Assignee
Mobvoi Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mobvoi Information Technology Co Ltd filed Critical Mobvoi Information Technology Co Ltd
Priority to CN202110226335.5A priority Critical patent/CN112914528B/zh
Publication of CN112914528A publication Critical patent/CN112914528A/zh
Application granted granted Critical
Publication of CN112914528B publication Critical patent/CN112914528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Mathematical Physics (AREA)
  • Vascular Medicine (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了一种无袖带血压测量方法、装置及计算机可读介质，涉及人工智能技术领域。该方法的一实施例包括：通过获取多个光电容积脉搏波PPG信号及与PPG信号对应的真实血压值；并针对任一PPG信号：对PPG信号进行特征提取，生成目标空时特征；之后将目标空时特征作为样本数据，并将PPG信号对应的真实血压值作为样本标签；并将样本数据和样本标签共同作为训练样本，得到多个训练样本；最后利用算法对多个所述训练样本进行模型训练，生成回归模型。由此，解决了现有技术中由于针对PPG信号提取特征信息不完整导致回归模型预测准确率低的问题，提高了回归模型预测的准确率。

Description

一种无袖带血压测量方法、装置及计算机可读介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种无袖带血压测量方法、装置及计算机可读介质。
背景技术
血压是反映人体心血管系统状态的重要生理参数，血压监测是个人健康管理中不可或缺的一个部分。近年来，高血压在人群中的发病率不断上升，并经常引发心脏病、中风等并发症，严重威胁人体健康。目前常见的无创血压测量方法可分为袖带式和无袖带式两种。袖带式法的代表是柯式音法和示波法，其优点是单次测量准确率高，但是由于需要通过袖带充放气进行血压测量，无法实现连续监测且不便于长期使用。因此，发展适用于连续血压监测的无袖带血压测量方法显得尤为重要。
目前利用光电容积脉搏波(Photo Plethysmo Graphy，缩写PPG)信号进行无袖带血压测量的方法主要包括三个步骤：针对PPG信号进行特征信息提取，使用机器学习模型对提取的特征信息进行回归学习从而得到预测模型，最后利用预测模型对待测PPG信号进行真实血压值预测，由此，能够基于预测模型获得与PPG信号对应的真实血压值。PPG信号是一种集时间和空间的序列信号，特征信息的提取是获得准确率较高的预测模型的前提，现有技术的方案通常是采用卷积神经网络算法对PPG信号进行特征提取，然后利用回归算法对提取的特征信息进行模型训练得到预测模型。
但是本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术方案至少存在如下技术问题：利用卷积神经网络算法对PPG信号进行特征提取时会导致提取的特征信息不完整，例如由于卷积神经网络仅擅长提取信号的空间特征，无法有效提取信号的时间特征，由此采用卷积神经网络算法对PPG信号进行提取会造成PPG信号中时间特征的丢失，从而导致针对PPG信号提取的特征信息不完整。利用不完整的特征信息对模型进行训练，必然会导致模型预测准确率的下降。
发明内容
有鉴于此，本发明实施例提供一种无袖带血压测量方法、装置及计算机可读介质，解决了现有技术中由于PPG信号的特征信息提取不足导致模型预测准确率低问题，从而提高了模型的适用性。
为实现上述目的，根据本发明实施例第一方面，提供一种无袖带血压测量方法，该方法包括：获取多个光电容积脉搏波PPG信号及与所述PPG信号对应的真实血压值；针对任一所述PPG信号：对所述PPG信号进行特征提取，生成目标空时特征；将所述目标空时特征作为样本数据，并将所述PPG信号对应的真实血压值作为样本标签；将所述样本数据和所述样本标签共同作为训练样本，得到多个训练样本；利用算法对多个所述训练样本进行模型训练，生成回归模型。
为实现上述目的，根据本发明实施例第二方面，还提供一种无袖带血压测量装置，该装置包括：获取模块，用于获取多个光电容积脉搏波PPG信号及与所述PPG信号对应的真实血压值；特征提取模块，用于针对任一所述PPG信号：对所述PPG信号进行特征提取，生成目标空时特征；将所述目标空时特征作为样本数据，并将所述PPG信号对应的真实血压值作为样本标签；训练样本模块，用于将所述样本数据和所述样本标签共同作为训练样本，得到多个训练样本；模型训练模块，用于利用算法对多个所述训练样本进行模型训练，生成回归模型。
为实现上述目的，根据本发明实施例第三方面，还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述的无袖带血压测量方法。
本发明实施例针对无袖带血压测量方法、装置及计算机可读介质，该方法通过获取多个光电容积脉搏波PPG信号及与PPG信号对应的真实血压值；并针对任一PPG信号：对PPG信号进行特征提取，生成目标空时特征；之后将目标空时特征作为样本数据，并将PPG信号对应的真实血压值作为样本标签；并将样本数据和样本标签共同作为训练样本，得到多个训练样本；最后利用算法对多个所述训练样本进行模型训练，生成回归模型。由此通过对PPG信号进行特征提取，从而使得生成的目标空时特征不仅具有空域特征，而且还具有时域特征；通过利用提取的目标空时特征进行模型训练，进而能够获取准确率比较高的回归模型，解决了现有技术中由于针对PPG信号提取特征信息不完整导致回归模型预测准确率低的问题，提高了回归模型预测的准确率。
上述的非惯用的可选方式所具有的进一步的效果将在下文结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中在附图中，相同或对应的标号表示相同或对应的部分。
图1为本发明一实施例无袖带血压测量方法的流程图；
图2为本发明另一实施例无袖带血压测量方法的流程图；
图3为本发明再一实施例无袖带血压测量方法的流程图；
图4为本发明又一实施例无袖带血压测量方法的流程图；
图5为本发明一实施例无袖带血压测量装置的示意图；
图6为本发明又一实施例无袖带血压测量方法中收缩血压和舒张血压的Bland-Altman图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本发明实施例提供一种无袖带血压测量方法、装置及计算机可读介质，解决了现有技术中由于针对PPG信号提取特征信息不完整导致回归模型预测准确率低的问题，提高了回归模型预测的准确率。
本发明实施例中技术方案为解决回归模型预测准确率低的问题，该方法通过对PPG信号分别进行空域特征提取和时域特征提取，并将提取的空域特征和时域特征进行特征融合提取，从而能够对PPG信号同时提取空间特征和时域特征，解决了现有技术中由于针对PPG信号进行特征提取时导致的时域特征丢失的问题。通过利用提取的目标空时特征进行模型训练，进而能够获取准确率比较高的回归模型，解决了现有技术中由于特征信息提取不完整导致回归模型预测准确率低的问题，进而提高了回归模型预测的准确率。
如图1所示，为本发明一实施例无袖带血压测量方法的流程图，该方法至少包括如下操作流程：S101，获取多个光电容积脉搏波PPG信号及与PPG信号对应的真实血压值；S102，针对任一PPG信号：对PPG信号进行特征提取，生成目标空时特征；将目标空时特征作为样本数据，并将PPG信号对应的真实血压值作为样本标签；S103，将样本数据和样本标签共同作为训练样本，得到多个训练样本；S104，利用算法对多个训练样本进行模型训练，生成回归模型。
在S101中，PPG信号是一维信号，不仅具有时域特征信息，而且还具有丰富的频域特征信息。PPG信号是心脏的搏动或振动沿动脉血管和血流向外周传播而形成的。心脏是一个持续不断的振源，心室收缩时，血液快速射入主动脉致其基部压力骤增而膨胀；心室暂未射血时，主动脉基部压力下降，管壁弹性回缩，则恢复至原来位置。如此，主动脉管壁就因心室的舒缩而有节律地受迫振动。这种振动能沿弹性血管向末梢传播而形成脉搏波(横波)。在传播过程中，必然要受到血管壁弹性、血管周围阻力、血液黏度等因素的影响，从而使脉搏波形发生变化。由此，PPG信号在对连续血压进行监测方面具有良好的适用性。
在这里，每条PPG信号均有对应的真实血压值。
在S102中，采用算法对PPG信号进行特征提取，在这里，对具体的算法不作限定，只要能够确保PPG信号中的时域特征和空域特征能够同时被提取即可。将提取后生成的与PPG信号对应的目标空时特征作为对抗训练样本，并将与PPG信号对应的真实血压值作为样本标签，在后期利用算法对模型进行训练时将对抗训练样本和样本标签同时作为输入。由此通过对PPG信号同时提取空域特征和时域特征，解决了现有技术中由于PPG信号的特征信息提取不足导致获得的模型准确率低的问题，提高了模型预测的准确率。
另外，在对PPG信号进行特征提取前还可以利用标准化参数对PPG信号进行标准化处理，得到服从正态分布的PPG信号；之后再对服从正态分布的PPG信号进行上述特征提取处理，由此能够在模型训练时提高模型的收敛速度，减少模型训练过程中需要的时间。具体地，标准化处理的过程包括：假设某一PPG信号对应的变量序列为x1,…,xn，记其中平均值和标准差值分别为:μ和σ,则标准化后PPG信号对应的变量序列为：
Figure BDA0002956460650000051
其中标准化后的序列值的服从正态分布，存储μ和σ的值。
在S103和S104中，将样本数据和样本标签共同作为训练样本，利用算法对对抗训练样本进行模型训练，并基于训练结果调整模型参数，直至模型输出的结果接近样本标签；最后基于多个训练样本对模型进行训练，生成回归模型。
本发明实施例通过获取多个光电容积脉搏波PPG信号及与PPG信号对应的真实血压值；并针对任一PPG信号：对PPG信号进行特征提取，生成目标空时特征；之后将目标空时特征作为样本数据，并将PPG信号对应的真实血压值作为样本标签；并将样本数据和样本标签共同作为训练样本，得到多个训练样本；最后利用算法对多个所述训练样本进行模型训练，生成回归模型。由此通过对PPG信号进行特征提取，从而使得生成的目标空时特征不仅具有空域特征，而且还具有时域特征；通过利用提取的目标空时特征进行模型训练，进而能够获取准确率比较高的回归模型，解决了现有技术中由于针对PPG信号提取特征信息不完整导致回归模型预测准确率低的问题，提高了回归模型预测的准确率。
如图2所示，本发明另一实施例无袖带血压测量方法的流程图，本实施例是在前述图1实施例的基础上进一步优化得到的。一种无袖带血压测量方法，该方法包括：S201，获取多个光电容积脉搏波PPG信号及与PPG信号对应的真实血压值；S202，针对任一PPG信号：对PPG信号进行空域特征提取，生成空域特征；对PPG信号进行时域特征提取，生成时域特征；对空域特征和时域特征进行特征融合提取，生成目标空时特征；将目标空时特征作为样本数据，并将PPG信号对应的真实血压值作为样本标签；S203，将样本数据和样本标签共同作为训练样本，得到多个训练样本；S204，利用算法对多个训练样本进行模型训练，生成回归模型。
其中，S201、S203和S204的具体实现过程与图1所示实施例中S101、S103以及S104的具体实现过程相类似，这里不再赘述。
在S202中，利用不同的算法对PPG信号分别进行空域特征提取和时域特征提取，并采用算法对空域特征和时域特征进行特征融合提取，生成目标空时特征。在这里，空域特征就是通常意义上的频域特征，目标空时特征是指将空域特征和时域特征融合处理后筛选得到的融合特征。
在优选的实施例中，本发明实施例还可以在对PPG信号进行空域特征提取前，对PPG信号进行变换处理，生成时频图，之后再对时频图进行空域特征提取，生成空域特征。由此通过将PPG信号转化成时频图，能够有利于PPG信号中特征信息的提取，提高了模型训练的准确性。
具体地，先利用短时傅里叶变换算法对PPG信号进行短时傅里叶变换处理，生成时频图，之后再利用二维卷积神经网络对时频图进行空域特征提取，生成空域特征；并且利用循环神经网络对PPG信号进行时域特征提取，生成时域特征，最后利用融合类的算法对空域特征和时域特征进行融合处理的，得到目标空时特征。在这里，循环神经网络可以是长短期记忆网络，也可以是门控循环网络，优选的是门控循环网络。门控循环网络除了能够解决长序列训练过程中的梯度消失和梯度爆炸问题，还能够将忘记门和输入门合并成为一个单一的更新门，并且合并了数据单元状态和隐藏状态，使得训练得到的模型结构比使用长短期记忆网络训练生成的模型更为简单。
由此，本发明实施例通过先对PPG信号进行短时傅里叶变换处理生成时频图，之后利用二维卷积神经网络对生成的时频图进行空域特征提取；由此，能够实现有效地对PPG信号进行空域特征提取；通过门控循环网络对PPG信号进行时域特征提取，由此，能够实现有效对PPG信号进行时域特征提取；将提取的空域特征和时域特征进行融合处理，由此能够实现将空域特征和时域特征有效结合，从而提高了模型训练的准确性，进而提高了模型预测的准确率。
如图3所示，本发明再一实施例无袖带血压测量方法的流程图，本实施例是在前述图2实施例的基础上进一步优化得到的，一种无袖带血压测量方法，该方法包括：S301，获取多个光电容积脉搏波PPG信号及与PPG信号对应的真实血压值；S302，针对任一PPG信号：对PPG信号进行变换处理，生成时频图；对时频图进行空域特征提取，生成空域特征；对PPG信号进行时域特征提取，生成时域特征；对空域特征和时域特征进行特征融合处理，生成多个融合特征；利用注意力机制神经网络对多个融合特征中每个融合特征施加权重，得到多个空时特征；从多个空时特征中选取满足预设条件的空时特征，生成目标空时特征；将目标空时特征作为样本数据，并将PPG信号对应的真实血压值作为样本标签；S303，将样本数据和样本标签共同作为训练样本，得到多个训练样本；S304，利用算法对多个训练样本进行模型训练，生成回归模型。
其中，S301、S303和S304的具体实现过程与图1所示实施例中S201、S203以及S204的具体实现过程相类似，这里不再赘述。
在S302中，利用注意力机制神经网络对多个融合特征中每个融合特征施加权重，具体地：根据多个融合特征中每个融合特征的重要程度对不同融合特征施加不同的权重，例如多个融合特征包括第一融合特征、第二融合特征和第三融合特征；在多个融合特征中第一融合特征的比重为70％，第二融合特征的比重为20％，第一融合特征的比重为10％，对第一融合特征施加第一权重，对第二融合特征施加第二权重，对第三融合特征施加第三权重，其中第一权重大于第二权重，第二权重大于第三权重。空时特征即是施加权重的融合特征，预选条件为多个空时特征占比最大的空时特征，从多个空时特征选取满足预设条件的空时特征作为目标空时特征。由此，能够从PPG信号中有效提取目标空时特征，解决了冗余特征导致的回归模型过拟合带来的适用性不强的问题，从而提高了模型训练的准确性，进而提高了模型预测的准确率。
如图4所示，本发明又一实施例无袖带血压测量方法的流程图，本实施例是在前述图3实施例的基础上进一步优化得到的，一种无袖带血压测量方法，包括：S401，获取待测试的PPG信号；S402，对待测试的PPG信号进行特征提取，生成待测试的目标空时特征；S403，利用回归模型对待测试的目标空时特征进行血压预测，生成血压值。
其中，对待测试PPG信号进行特征提取的具体实现过程与图3中对PPG信号进行特征提取的具体实现过程相类似，这里不再赘述。
本发明实施例利用训练好的回归模型对待测试PPG信号进行血压值预测，实现了血压值的无袖带连续血压监测，提高了血压监测的准确性。
应理解，在本发明的各实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在的逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
下面将结合具体的应用，对本发明实施例中回归模型的效果进行进一步验证，具体如下：
如下表1所示，本发明提出的回归CGAM模型使用麻省理工学院计算生理学实验室开发的公开数据集MIMIC-III进行验证，采用性能指标平均绝对差MAE，平均误差ME和标准偏差STD，相比较具有相似结构的卷积神经网络CNN模型和卷积神经网络-门控循环单元CNN-GRU模型，CGAM模型具有明显的性能提升，并且在AAMI标准范围之内。其中AAMI标准的ME±STD为5±8。
表1收缩血压与舒张血压的误差情况
Figure BDA0002956460650000091
如图6所示，为本发明又一实施例无袖带血压测量方法中收缩血压和舒张血压的Bland-Altman图。通过图6可知，使用CGAM模型计算的SBP和DBP与有创动脉血压正常值的相关性都超过了0.9，Bland-Altman图中，SBP和DBP的误差也基本落在95％的置信区间内。
如图5所示，为本发明一实施例无袖带血压测量装置的示意图。一种无袖带血压测量装置，该装置包括：获取模块501，用于获取多个光电容积脉搏波PPG信号及与PPG信号对应的真实血压值；特征提取模块502，用于针对任一PPG信号：对PPG信号进行特征提取，生成目标空时特征；将目标空时特征作为样本数据，并将PPG信号对应的真实血压值作为样本标签；训练样本模块503，用于将样本数据和所述样本标签共同作为训练样本，得到多个训练样本；模型训练模块504，用于利用算法对多个训练样本进行模型训练，生成回归模型。
在可选的实施例中，特征提取模块包括：空域提取单元，用于对PPG信号进行空域特征提取，生成空域特征；时域提取单元，用于对PPG信号进行时域特征提取，生成时域特征；融合提取单元，用于对空域特征和时域特征进行特征融合提取，生成目标空时特征。
在可选的实施例中，融合提取单元包括：融合处理单元，用于对空域特征和时域特征进行特征融合处理，生成多个融合特征；施加权重单元，用于利用注意力机制神经网络对多个融合特征中每个融合特征施加权重，得到多个空时特征；选取单元，用于从多个空时特征中选取满足预设条件的空时特征，生成目标空时特征。
在可选的实施例中，空域提取单元，包括：对PPG信号进行变换处理，生成时频图；对时频图进行空域特征提取，生成空域特征。
在可选的实施例中，特征提取模块402还包括：标准化单元，用于利用标准化参数对PPG信号进行标准化处理，得到服从正态分布的PPG信号。
在可选的实施例中，该装置还包括：获取模块，进一步用于获取待测试的PPG信号；特征提取模块进一步用于，对待测试的PPG信号进行特征提取，生成待测试的目标空时特征；预测模块，用于利用回归模型对待测试的目标空时特征进行血压预测，生成血压值。
这里需要指出的是：以上针对无袖带血压测量装置实施例的描述与前述方法实施例的描述是类似的，具有同前述方法实施例相似的有益效果，因此不做赘述。对于本申请的这一实施例对无袖带血压测量装置实施例的描述尚未披露的技术细节，请参照本申请前述方法实施例的描述而理解，为节约篇幅，因此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个装置，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以利用硬件的形式实现，也可以利用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储介质、只读存储器(Read OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的这一实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例方法的全部或部分。而前述的存储介质包括：移动存储介质、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种无袖带血压测量方法，其特征在于，包括：
获取多个光电容积脉搏波PPG信号及与所述PPG信号对应的真实血压值；
针对任一所述PPG信号：对所述PPG信号进行特征提取，生成目标空时特征；将所述目标空时特征作为样本数据，并将所述PPG信号对应的真实血压值作为样本标签；
将所述样本数据和所述样本标签共同作为训练样本，得到多个训练样本；
利用算法对多个所述训练样本进行模型训练，生成回归模型。
2.根据权利要求1所述的方法，其特征在于，所述对所述PPG信号进行特征提取，生成目标空时特征，包括：
对所述PPG信号进行空域特征提取，生成空域特征；
对所述PPG信号进行时域特征提取，生成时域特征；
对所述空域特征和所述时域特征进行特征融合提取，生成目标空时特征。
3.根据权利要求2所述的方法，其特征在于，所述对所述空域特征和所述时域特征进行特征融合提取，生成目标空时特征，包括：
对所述空域特征和所述时域特征进行特征融合处理，生成多个融合特征；
利用注意力机制神经网络对所述多个融合特征中每个所述融合特征施加权重，得到多个空时特征；
从所述多个空时特征中选取满足预设条件的空时特征，生成目标空时特征。
4.根据权利要求2所述的方法，其特征在于，所述对所述PPG信号进行空域特征提取，生成空域特征，包括：
对所述PPG信号进行变换处理，生成时频图；
对所述时频图进行空域特征提取，生成空域特征。
5.根据权利要求1所述的方法，其特征在于，所述对所述PPG信号进行特征提取之前，还包括：
利用标准化参数对所述PPG信号进行标准化处理，得到服从正态分布的PPG信号。
6.根据权利要求1所述的方法，其特征在于，还包括：
获取待测试的PPG信号；
对所述待测试的PPG信号进行特征提取，生成待测试的目标空时特征；
利用所述回归模型对所述待测试的目标空时特征进行血压预测，生成血压值。
7.一种无袖带血压测量装置，其特征在于，包括：
获取模块，用于获取多个光电容积脉搏波PPG信号及与所述PPG信号对应的真实血压值；
特征提取模块，用于针对任一所述PPG信号：对所述PPG信号进行特征提取，生成目标空时特征；将所述目标空时特征作为样本数据，并将所述PPG信号对应的真实血压值作为样本标签；
训练样本模块，用于将所述样本数据和所述样本标签共同作为训练样本，得到多个训练样本；
模型训练模块，用于利用算法对多个所述训练样本进行模型训练，生成回归模型。
8.根据权利要求7所述的装置，其特征在于，所述特征提取模块包括：
空域提取单元，用于对所述PPG信号进行空域特征提取，生成空域特征；
时域提取单元，用于对所述PPG信号进行时域特征提取，生成时域特征；
融合提取单元，用于对所述空域特征和所述时域特征进行特征融合提取，生成目标空时特征。
9.根据权利要求7所述的装置，其特征在于，所述融合提取单元包括：
融合处理单元，用于对所述空域特征和所述时域特征进行特征融合处理，生成多个融合特征；
施加权重单元，用于利用注意力机制神经网络对所述多个融合特征中每个所述融合特征施加权重，得到多个空时特征；
选取单元，用于从所述多个空时特征中选取满足预设条件的空时特征，生成目标空时特征。
10.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
CN202110226335.5A 2021-03-01 2021-03-01 一种无袖带血压测量的模型生成方法、装置及计算机可读介质 Active CN112914528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110226335.5A CN112914528B (zh) 2021-03-01 2021-03-01 一种无袖带血压测量的模型生成方法、装置及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110226335.5A CN112914528B (zh) 2021-03-01 2021-03-01 一种无袖带血压测量的模型生成方法、装置及计算机可读介质

Publications (2)

Publication Number Publication Date
CN112914528A true CN112914528A (zh) 2021-06-08
CN112914528B CN112914528B (zh) 2023-06-27

Family

ID=76172933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110226335.5A Active CN112914528B (zh) 2021-03-01 2021-03-01 一种无袖带血压测量的模型生成方法、装置及计算机可读介质

Country Status (1)

Country Link
CN (1) CN112914528B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115770028A (zh) * 2022-12-16 2023-03-10 深圳市爱都科技有限公司 血压检测方法、系统、装置及存储介质
WO2023197425A1 (zh) * 2022-04-12 2023-10-19 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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160166160A1 (en) * 2014-12-15 2016-06-16 Stichting Imec Nederland System and Method for Blood Pressure Estimation
CN205866733U (zh) * 2016-06-22 2017-01-11 中国科学院苏州生物医学工程技术研究所 无创连续血压测量装置
CN106691406A (zh) * 2017-01-05 2017-05-24 大连理工大学 一种基于单探头光电容积脉搏波的血管弹性和血压的检测方法
CN109124610A (zh) * 2018-09-26 2019-01-04 深圳星脉医疗仪器有限公司 一种无创血压测量的抗干扰方法和装置
US20190069850A1 (en) * 2017-09-06 2019-03-07 Tata Consultancy Services Limited Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing
CN109833034A (zh) * 2017-11-24 2019-06-04 深圳市岩尚科技有限公司 一种脉搏波信号中提取血压数据的方法及装置
CN112274127A (zh) * 2020-10-28 2021-01-29 河北工业大学 一种基于单路脉搏波的无创连续血压检测方法、装置
CN112274126A (zh) * 2020-10-28 2021-01-29 河北工业大学 一种基于多路脉搏波的无创连续血压检测方法、装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160166160A1 (en) * 2014-12-15 2016-06-16 Stichting Imec Nederland System and Method for Blood Pressure Estimation
CN205866733U (zh) * 2016-06-22 2017-01-11 中国科学院苏州生物医学工程技术研究所 无创连续血压测量装置
CN106691406A (zh) * 2017-01-05 2017-05-24 大连理工大学 一种基于单探头光电容积脉搏波的血管弹性和血压的检测方法
US20190069850A1 (en) * 2017-09-06 2019-03-07 Tata Consultancy Services Limited Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing
CN109833034A (zh) * 2017-11-24 2019-06-04 深圳市岩尚科技有限公司 一种脉搏波信号中提取血压数据的方法及装置
CN109124610A (zh) * 2018-09-26 2019-01-04 深圳星脉医疗仪器有限公司 一种无创血压测量的抗干扰方法和装置
CN112274127A (zh) * 2020-10-28 2021-01-29 河北工业大学 一种基于单路脉搏波的无创连续血压检测方法、装置
CN112274126A (zh) * 2020-10-28 2021-01-29 河北工业大学 一种基于多路脉搏波的无创连续血压检测方法、装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023197425A1 (zh) * 2022-04-12 2023-10-19 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
CN115770028A (zh) * 2022-12-16 2023-03-10 深圳市爱都科技有限公司 血压检测方法、系统、装置及存储介质

Also Published As

Publication number Publication date
CN112914528B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
Li et al. A review of computer‐aided heart sound detection techniques
Reed et al. Heart sound analysis for symptom detection and computer-aided diagnosis
Mazumder et al. Synthetic PPG generation from haemodynamic model with baroreflex autoregulation: a Digital twin of cardiovascular system
CN102397064B (zh) 连续血压测量装置
CN102488503B (zh) 连续血压测量装置
Sideris et al. Building continuous arterial blood pressure prediction models using recurrent networks
El Hajj et al. Cuffless and continuous blood pressure estimation from PPG signals using recurrent neural networks
Wang et al. Photoplethysmography-based blood pressure estimation combining filter-wrapper collaborated feature selection with LASSO-LSTM model
CN112914528A (zh) 一种无袖带血压测量方法、装置及计算机可读介质
Zhang et al. Developing personalized models of blood pressure estimation from wearable sensors data using minimally-trained domain adversarial neural networks
WO2023185873A1 (zh) 一种基于多阶多模态的非袖带式血压测量装置及方法
Argha et al. Artificial intelligence based blood pressure estimation from auscultatory and oscillometric waveforms: a methodological review
EP4266989A1 (en) Classifying biomedical acoustics based on image representation
Yi et al. Continuous blood pressure measurement based on photoplethysmography
Shukla Estimation of blood pressure from non-invasive data
CN116049674A (zh) 一种基于生成对抗网络的有创血压波形估计的方法及系统
Sonawani et al. Biomedical signal processing for health monitoring applications: a review
Zabihi et al. Bp-net: Cuff-less and non-invasive blood pressure estimation via a generic deep convolutional architecture
Kumar et al. A novel CS-NET architecture based on the unification of CNN, SVM and super-resolution spectrogram to monitor and classify blood pressure using photoplethysmography
Qiu et al. Joint regression network and window function-based piecewise neural network for cuffless continuous blood pressure estimation only using single photoplethesmogram
Wang et al. Personalized Modeling of Blood Pressure With Photoplethysmography: An Error-Feedback Incremental Support Vector Regression Model
CN113907727A (zh) 基于光电容积脉搏波描记的逐拍血压测量系统和方法
Pu et al. Cuff-less blood pressure estimation from electrocardiogram and photoplethysmography based on VGG19-LSTM network
US20240050043A1 (en) Method And Apparatus For Heart-level Blood Pressure Estimation Based On Ensemble Learning
Patidar et al. Classification of heart disorders based on tunable-Q wavelet transform of cardiac sound signals

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