CN113033358A - 一种基于深度神经网络的无袖带血压建模方法 - Google Patents
一种基于深度神经网络的无袖带血压建模方法 Download PDFInfo
- Publication number
- CN113033358A CN113033358A CN202110267902.1A CN202110267902A CN113033358A CN 113033358 A CN113033358 A CN 113033358A CN 202110267902 A CN202110267902 A CN 202110267902A CN 113033358 A CN113033358 A CN 113033358A
- Authority
- CN
- China
- Prior art keywords
- signal
- blood pressure
- signals
- neural network
- deep neural
- 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.)
- Withdrawn
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 206010020772 Hypertension Diseases 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010029216 Nervousness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
-
- 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
- A61B5/026—Measuring blood flow
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
-
- 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
- A61B5/026—Measuring blood flow
- A61B5/0295—Measuring blood flow using plethysmography, i.e. measuring the variations in the volume of a body part as modified by the circulation of blood therethrough, e.g. impedance plethysmography
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Hematology (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Psychiatry (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于深度神经网络的无袖带血压建模方法,涉及无袖带血压监测技术领域,包括以下步骤:预先采集信号并对信号进行预处理,其中预处理包括进行检点、分割和标准化处理;将预处理信号作为数据源构建深度神经网络模型,基于深度神经网络模型输出作为无袖带血压监测参数。本发明实现无需人工提取特征的的血压估计模型,仅需输入可穿戴设备采集的ECG和PPG信号即可实时输出动态血压,不仅监测效率高,且监测精度高,具有高实时性和高易用性。
Description
技术领域
本发明涉及无袖带血压监测技术领域,具体来说,涉及一种基于深度神经网络的无袖带血压建模方法。
背景技术
高血压是心脑血管病最为主要的风险因素,伴随着可危及生命的心、脑、肾等器官的功能或器质性损害。根据世界卫生组织的统计报告,2014年全世界超过五分之一的18岁以上成年人(男性24.0%,女性20.5%)受到高血压的影响。尽管高血压可防可控,然而大多数患者并不知自己患病,未得到及时治疗,控制率很低,而监测一个人的血压却又是高血压的预防、早期发现和控制所必需的。
现在可用于改善人群血压管理的普遍存在的血压计为袖带式血压计,测量时需要使袖带充气以压迫袖带下方的动脉,在暂时中断血流的情况下才能获得血压读数。这带来了几个问题:第一,只能进行间隔超过2分钟的间歇测量,不便于长期监测,而单次的血压测量难以反映整体血压状况,也很难检测血压的变化,尤其是短期变化和全天变化等指标,这些对于患者的诊断和用药反馈非常重要;第二,反复压迫血管易造成不适,而且老年人的血管动脉壁较为坚硬,若不能被袖带充分压迫,测得的血压值就不准确,还可能产生“假性高血压”。此外,在医疗环境中测量时的“白大衣效应”,即在检查过程中由于神经质引起的血压升高也可能导致误诊。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于深度神经网络的无袖带血压建模方法,以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的:
一种基于深度神经网络的无袖带血压建模方法,包括以下步骤:
预先采集信号并对信号进行预处理,其中预处理包括进行检点、分割和标准化处理;
将预处理信号作为数据源构建深度神经网络模型,包括以下步骤:
预先标定LSTM和ResNet进行建模,其中;3层的双向LSTM,将625 ×2的PPG和ECG输入按照周期拆成5x125x2的输入,其中5为序列长度,125x2为输入特征维度,隐藏层的特征维度设置为256,分别将双向的最后一个神经元的结果输出到512维的全连接层,最终输出SBP信号和 DBP信号;
基于PPG信号和ECG信号作为两个通道的一维信号输入模型,将模型中的二维卷积改为一维卷积,其余参数维持不变;
输出512维特征到全连接层,最终输出SBP和DBP;
基于深度神经网络模型输出作为无袖带血压监测参数。
进一步的,所述信号进行预处理,包括以下步骤:
预先采集PPG信号和ECG信号;
对所述PPG信号和所述ECG信号进行处理;
其中,所述PPG信号预先使用db8的小波经DWT(Discrete Wavelet Transform,离散小波变换)将PPG信号分解为9级,提取代表低频分量的 CA(Coefficient ofApproximation,近似系数)和代表高频分量的CD (Coefficients of Detail,细节系数);
将第1级的低频分量CA以及7-9级的高频分量CD置零,基于分解系数进行信号重构,即可去除PPG信号的基线漂移与少量的高频噪声;
所述ECG信号预先通过FIR滤波器(Finite Impulse Response,有限冲击响应)进行带通滤波(0.5-35Hz),消除ECG信号的工频干扰和基线漂移。
进一步的,所述标准化处理,包括以下步骤:
预先对检点和分割的信号使每段信号等长,其中包括使PPG信号和 ECG信号每段均为625个点,便于异常信号的筛除,以及后续RNN建模时的变形重组;
在幅值上,通过0-1标准化使PPG和ECG通过线性变换落在[0,1]区间,表示为:
Y=(X-Min)/(Max-Min)
其中,Min和Max为该段信号的最大值和最小值。
进一步的,所述深度神经网络模型,还包括以下步骤:
预先将训练的损失函数Loss定义为SBP信号和DBP信号的MSE之和,表示为:
其中,SBPpi和DBPpi为预测值,SBPti和DBPpi为目标值,n样本的数量。
本发明的有益效果:
本发明基于深度神经网络的无袖带血压建模方法,通过预先采集信号并对信号进行检点、分割和标准化处理;将预处理信号作为数据源构建深度神经网络模型,基于深度神经网络模型输出作为无袖带血压监测参数,实现无需人工提取特征的的血压估计模型,仅需输入可穿戴设备采集的 ECG和PPG信号即可实时输出动态血压,不仅监测效率高,且监测精度高,具有高实时性和高易用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于深度神经网络的无袖带血压建模方法的流程示意图;
图2是根据本发明实施例的一种基于深度神经网络的无袖带血压建模方法的深度神经网络模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种基于深度神经网络的无袖带血压建模方法。
如图1-图2所示,根据本发明实施例的基于深度神经网络的无袖带血压建模方法,包括以下步骤:
预先采集信号并对信号进行预处理,其中预处理包括进行检点、分割和标准化处理;
将预处理信号作为数据源构建深度神经网络模型,包括以下步骤:
预先标定LSTM和ResNet进行建模,其中;3层的双向LSTM,将625 ×2的PPG和ECG输入按照周期拆成5x125x2的输入,其中5为序列长度,125x2为输入特征维度,隐藏层的特征维度设置为256,分别将双向的最后一个神经元的结果输出到512维的全连接层,最终输出SBP信号和 DBP信号;
基于PPG信号和ECG信号作为两个通道的一维信号输入模型,将模型中的二维卷积改为一维卷积,其余参数维持不变;
输出512维特征到全连接层,最终输出SBP和DBP;
基于深度神经网络模型输出作为无袖带血压监测参数。
其中,所述信号进行预处理,包括以下步骤:
预先采集PPG信号和ECG信号;
对所述PPG信号和所述ECG信号进行处理;
其中,所述PPG信号预先使用db8的小波经DWT(Discrete Wavelet Transform,离散小波变换)将PPG信号分解为9级,提取代表低频分量的 CA(Coefficient ofApproximation,近似系数)和代表高频分量的CD (Coefficients of Detail,细节系数);
将第1级的低频分量CA以及7-9级的高频分量CD置零,基于分解系数进行信号重构,即可去除PPG信号的基线漂移与少量的高频噪声;
所述ECG信号预先通过FIR滤波器(Finite Impulse Response,有限冲击响应)进行带通滤波(0.5-35Hz),消除ECG信号的工频干扰和基线漂移。
其中,所述标准化处理,包括以下步骤:
预先对检点和分割的信号使每段信号等长,其中包括使PPG信号和 ECG信号每段均为625个点(采样率125*5),便于异常信号的筛除,以及后续RNN建模时的变形重组;
在幅值上,通过0-1标准化使PPG和ECG通过线性变换落在[0,1]区间,表示为:
Y=(X-Min)/(Max-Min)
其中,Min和Max为该段信号的最大值和最小值。
其中,所述深度神经网络模型,还包括以下步骤:
预先将训练的损失函数Loss定义为SBP信号和DBP信号的MSE之和,表示为:
其中,SBPpi和DBPpi为预测值,SBPti和DBPpi为目标值,n样本的数量。
学习率是训练中最重要的超参数,在此设置为0.0001,优化器为Adam 优化器,其β为(0.9,0.999)。小批量输入大小(Batch Size)为512。为减少过拟合,使用了L2正则化系数(Weigh Decay)为0.4的L2正则化,神经元随机丢弃(Dropout)系数设置为0.5。早停(EarlyStopping)同样被用来减轻过拟合,模型每10个循环(Epoch)在验证集上验证一次,由于SBP信号的误差通常较大,故而SBP信号的MAE最小的模型被保存下来,并在测试集上测试得出最终结。
借助于上述技术方案,通过预先采集信号并对信号进行检点、分割和标准化处理;将预处理信号作为数据源构建深度神经网络模型,基于深度神经网络模型输出作为无袖带血压监测参数,实现无需人工提取特征的的血压估计模型,仅需输入可穿戴设备采集的ECG和PPG信号即可实时输出动态血压,不仅监测效率高,且监测精度高,具有高实时性和高易用性。
具体的,在应用时,其从采集终端开机开始,终端准备与后台进行通信。同时后台打开串口开关,与终端开启数据流传输。此时可以在终端上启动对受试者的数据采集,同步采集PPG与ECG信号,采样率为250Hz,后台不间断接收信号并持续写入到文本文件中储存。血压计算模块读取该文本文件,且仅读取最新的30s的数据,经过滤波、检点等信号预处理。在此过程中,若所检到的点数过少,导致最终获取的信号周期数过少,认为此段信号质量过差,放弃该段信号并重新读取最新数据。若信号质量满足要求,则进行信号分割以及标准化处理。之后将信号输入到深度神经网络模型,输出SBP和DBP,并传到全息平台更新显示。
综上所述,借助于本发明的上述技术方案,通过预先采集信号并对信号进行检点、分割和标准化处理;将预处理信号作为数据源构建深度神经网络模型,基于深度神经网络模型输出作为无袖带血压监测参数,实现无需人工提取特征的的血压估计模型,仅需输入可穿戴设备采集的ECG和PPG 信号即可实时输出动态血压,不仅监测效率高,且监测精度高,具有高实时性和高易用性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于深度神经网络的无袖带血压建模方法,其特征在于,包括以下步骤:
预先采集信号并对信号进行预处理,其中预处理包括进行检点、分割和标准化处理;
将预处理信号作为数据源构建深度神经网络模型,包括以下步骤:
预先标定LSTM和ResNet进行建模,其中;3层的双向LSTM,将625×2的PPG和ECG输入按照周期拆成5x125x2的输入,其中5为序列长度,125x2为输入特征维度,隐藏层的特征维度设置为256,分别将双向的最后一个神经元的结果输出到512维的全连接层,最终输出SBP信号和DBP信号;
基于PPG信号和ECG信号作为两个通道的一维信号输入模型,将模型中的二维卷积改为一维卷积,其余参数维持不变;
输出512维特征到全连接层,最终输出SBP和DBP;
基于深度神经网络模型输出作为无袖带血压监测参数。
2.根据权利要求1所述的基于深度神经网络的无袖带血压建模方法,其特征在于,所述信号进行预处理,包括以下步骤:
预先采集PPG信号和ECG信号;
对所述PPG信号和所述ECG信号进行处理;
其中,所述PPG信号预先使用db8的小波经DWT将PPG信号分解为9级,提取代表低频分量的CA和代表高频分量的CD);
将第1级的低频分量CA以及7-9级的高频分量CD置零,基于分解系数进行信号重构,即可去除PPG信号的基线漂移与少量的高频噪声;
所述ECG信号预先通过FIR滤波器进行带通滤波,消除ECG信号的工频干扰和基线漂移。
3.根据权利要求2所述的基于深度神经网络的无袖带血压建模方法,其特征在于,所述标准化处理,包括以下步骤:
预先对检点和分割的信号使每段信号等长,其中包括使PPG信号和ECG信号每段均为625个点,便于异常信号的筛除,以及后续RNN建模时的变形重组;
在幅值上,通过0-1标准化使PPG和ECG通过线性变换落在[0,1]区间,表示为:
Y=(X-Min)/(Max-Min)
其中,Min和Max为该段信号的最大值和最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267902.1A CN113033358A (zh) | 2021-03-11 | 2021-03-11 | 一种基于深度神经网络的无袖带血压建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267902.1A CN113033358A (zh) | 2021-03-11 | 2021-03-11 | 一种基于深度神经网络的无袖带血压建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033358A true CN113033358A (zh) | 2021-06-25 |
Family
ID=76469914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110267902.1A Withdrawn CN113033358A (zh) | 2021-03-11 | 2021-03-11 | 一种基于深度神经网络的无袖带血压建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033358A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113647905A (zh) * | 2021-07-13 | 2021-11-16 | 广东省科学院健康医学研究所 | 深度神经网络预测血压的训练方法、计算机装置和存储介质 |
CN115644835A (zh) * | 2022-11-01 | 2023-01-31 | 北京测态培元科技有限公司 | 基于可视图和深度残差网络的无袖套血压测量方法 |
-
2021
- 2021-03-11 CN CN202110267902.1A patent/CN113033358A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113647905A (zh) * | 2021-07-13 | 2021-11-16 | 广东省科学院健康医学研究所 | 深度神经网络预测血压的训练方法、计算机装置和存储介质 |
CN115644835A (zh) * | 2022-11-01 | 2023-01-31 | 北京测态培元科技有限公司 | 基于可视图和深度残差网络的无袖套血压测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
CN108606798B (zh) | 基于深度卷积残差网络的非接触式房颤智能检测系统 | |
CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
CN113349752B (zh) | 一种基于传感融合的可穿戴设备实时心率监测方法 | |
CN113033358A (zh) | 一种基于深度神经网络的无袖带血压建模方法 | |
Tang et al. | PPG signal reconstruction using a combination of discrete wavelet transform and empirical mode decomposition | |
CN111839488B (zh) | 基于脉搏波的无创连续血压测量装置和方法 | |
CN111370120B (zh) | 一种基于心音信号的心脏舒张功能障碍的检测方法 | |
CN112806977A (zh) | 基于多尺度融合网络的生理参数测量方法 | |
CN111789629A (zh) | 一种基于深度学习的呼吸音智能诊疗系统及方法 | |
CN113509186B (zh) | 基于深度卷积神经网络的ecg分类系统与方法 | |
Wang et al. | Ppg signal reconstruction using deep convolutional generative adversarial network | |
Pan et al. | Improved blood pressure estimation using photoplethysmography based on ensemble method | |
CN115836847A (zh) | 一种血压预测装置及设备 | |
CN110811673A (zh) | 基于概率神经网络模型的心音分析系统 | |
Shanthakumari et al. | Spectrogram-based detection of crackles from lung sounds | |
CN212853501U (zh) | 心音信号采集分析系统 | |
Zhang et al. | Non-invasive blood glucose detection using NIR based on GA and SVR | |
Sadhukhan et al. | PPG Noise Reduction based on Adaptive Frequency Suppression using Discrete Fourier Transform for Portable Home Monitoring Applications | |
CN111557650A (zh) | 基于Adam的快批量梯度上升法脉搏波特征提取方法 | |
Gupta et al. | ECG signal analysis using emerging tools in current scenario of health informatics | |
Leong et al. | Cuffless Non-invasive Blood Pressure Measurement Using CNN-LSTM Model: A Correlation Study | |
EP4111953A1 (en) | Method and device for translating between stochastic signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210625 |