CN113040738B - 血压检测装置 - Google Patents
血压检测装置 Download PDFInfo
- Publication number
- CN113040738B CN113040738B CN202110334740.9A CN202110334740A CN113040738B CN 113040738 B CN113040738 B CN 113040738B CN 202110334740 A CN202110334740 A CN 202110334740A CN 113040738 B CN113040738 B CN 113040738B
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- signal
- ppg
- module
- ecg
- 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
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
- A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
- A61B5/0225—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers the pressure being controlled by electric signals, e.g. derived from Korotkoff sounds
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Ophthalmology & Optometry (AREA)
- Power Engineering (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供了一种血压检测装置,所述血压检测装置包括:采集模块,用于信号采集,所述采集模块包括用于采集人体的光电容积脉搏波信号(PPG)的光电传感器、用于采集人体的心电信号(ECG)的电极片以及将采集到的PPG信号与ECG信号上传的WiFi通信模块;云平台模块,与WiFi通信模块通讯连接,用于将WiFi通信模块上传的PPG信号和ECG信号进行处理,所述云平台模块包括将上传的PPG信号和ECG信号进行滤波预处理的信号处理模块和根据信号处理模块的处理结果来计算人体血压值的血压算法模块。本发明的血压检测装置不仅提高了血压检测的计算精度和运算速度,而且操作方法简单,检测过程舒适,且能够实现连续实时的血压检测。
Description
技术领域
本发明涉及一种血压检测装置,属于生物信号检测技术领域。
背景技术
血压作为衡量心血管健康指标的重要参数,其参数的监测以及检测装置的设计对于心血管疾病的预防具有重要的意义。
连续性无创血压检测方法主要为光电法,其主要通过人体光电容积脉搏波(PPG)、心电信号(ECG)和血管内腔弹性模型之间的关系建立模型,实现血压测量。该方法操作简单,便于反复测量,且测试者在测试过程中不存在不适感。由于人体特征差异,需对人群建立不同的数学模型,这必定会增加血压测量的工作量和复杂度。近几年机器学习方法在许诸多领域取得理想的效果,一些学者将机器学习方法应用于医疗领域。
目前已经提出的基于机器学习进行血压预测的方法有:运用BP神经网络方法和径向基函数方法构建血压预测模型,该模型易于实现,但时间复杂度较低,泛化能力较弱。另外,运用深度神经网络,结合人体生理特征建立预测模型,该方法预测结果明显优于BP神经网络方法,但其运行速度较慢,不适合实时监测。
目前血压采集装置主要为两种,一种为基于柯氏音听诊法的水银柱式血压计,另一种为袖带式电子加压血压计。以上两种血压计都需要使用袖带,因此次不能满足连续可穿戴实时血压检测的要求,且此方法会给检测者带来不适感。
有鉴于此,确有必要提出一种血压检测装置,以解决上述问题。
发明内容
本发明的目的在于提供一种血压检测装置,以进行连续性实时血压检测。
为实现上述目的,本发明提供了一种血压检测装置,所述血压检测装置包括:采集模块,用于信号采集,所述采集模块包括用于采集人体的光电容积脉搏波信号(PPG)的光电传感器、用于采集人体的心电信号(ECG)的电极片以及将采集到的PPG信号与ECG信号上传的WiFi通信模块;云平台模块,与WiFi通信模块通讯连接,用于将WiFi通信模块上传的PPG信号和ECG信号进行处理,所述云平台模块包括将上传的PPG信号和ECG信号进行滤波预处理的信号处理模块和根据信号处理模块的处理结果来计算人体血压值的血压算法模块。
作为本发明的进一步改进,所述光电传感器用于采集红光的PPG信号和红外光的PPG信号。
作为本发明的进一步改进,所述红光的波长为λ1=650nm,所述红外光的波长为λ2=950nm。
本发明的目的还在于提供一种血压检测方法,以更好地使用上述血压检测装置,提高血压检测的精度。
为实现上述目的,本发明提供了一种基于脉搏波传递时间的血压检测方法,所述方法应用于上述血压检测装置,包括如下步骤:
步骤1:获取一段同时采集到的光电容积脉搏波信号(PPG)与心电信号(ECG),并导入测试者的包括年龄、身高、体重、体脂以及心率的生理参数;
步骤2:对步骤1中采集到的PPG信号和ECG信号进行特征点提取,求得脉搏波传递时间(PTT);
步骤3:根据测试者的年龄选择对应的拟合公式,并利用步骤2中得到的脉搏波传递时间(PTT)和测试者的体重求得第一级血压值;
步骤4:将步骤3中求得的第一级血压值和步骤1中记录的测试者的生理参数作为输入特征参数,导入训练好的极限学习机(ELM)血压模型中,以获得第二级血压预测值,将第二级血压预测值作为最终的血压预测值。
作为本发明的进一步改进,步骤1中的PPG信号与ECG信号均从测试者的臀部采集获得;所述身高的单位为厘米、体重的单位为千克、心率的单位为次/分钟。
作为本发明的进一步改进,步骤2中的特征点为PPG信号的主波波峰值位置和ECG信号的R波波峰值位置;脉搏波传递时间(PTT)为脉搏波在两个动脉部位之间传播的时间间隔;所述R波是ECG信号中的一段尖峰波。
作为本发明的进一步改进,步骤2具体为:选取连续三个周期的同时段的PPG信号和ECG信号,以第一个周期中ECG信号的R波波峰作为起点,以第三个周期中PPG信号的主波波峰作为终点,计算获得所述脉搏波传递时间(PTT)。
作为本发明的进一步改进,所述PTT的计算公式为:
其中,SPTT为连续三个周期的脉搏波传递时间。
作为本发明的进一步改进,步骤3中的拟合公式为:
Ps=Ai×PTT+BiγWeight+Ci
Pd=Di×PTT+Ei×Weight+Fi
其中,Ps和Pd均为第一级血压值,且Ps具体为第一级收缩压,Pd具体为第一级舒张压;Weight为测试者的体重;Ai,Bi,Ci,Di,Ei,Fi均为拟合系数。
作为本发明的进一步改进,所述测试者选取的年龄为16至75岁,且每隔5岁进行分层拟合,共分为12层,所述拟合公式中的i=1,2,3,…,12。
本发明的有益效果是:本发明的基于脉搏波传递时间的血压检测装置不仅提高了血压检测的计算精度和运算速度,而且操作方法简单,检测过程舒适,且能够实现连续实时的血压检测。
附图说明
图1是本发明血压检测方法的流程图。
图2是脉搏波传递时间的计算示意图。
图3是符合本发明的极限学习机算法的流程图。
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,下面结合附图和具体实施例对本发明进行详细描述。
本发明揭示了一种血压检测装置,其包括:采集模块和云平台模块。采集模块用于信号采集,其包括用于采集人体的光电容积脉搏波信号PPG的光电传感器、用于采集人体的心电信号ECG的电极片以及将采集到的PPG与ECG信号上传到云平台模块的WiFi通信模块。云平台模块与WiFi通信模块进行通讯连接,并将WiFi通信模块上传的PPG信号和ECG信号进行处理,其包括将上传的PPG信号和ECG信号进行滤波预处理的信号处理模块和根据信号处理模块的处理结果来计算人体血压值的血压算法模块。为了保证装置的冗余性,光电传感器采集两路PPG信号,一路为红光,波长为λ1=650nm,另一路为红外光,波长为λ2=950nm。
如图1所示,云平台模块中的血压算法模块运用基于脉搏波传递时间的血压检测方法来检测并计算获得人体的血压值。首先,通过采集模块获得人体的PPG信号与ECG信号,然后通过WiFi通信模块将PPG信号与ECG信号数据上传至云平台模块,通过云平台模块对PPG信号和ECG信号进行滤波预处理,再通过血压检测算法计算获得人体的血压值。其具体包括如下步骤:
步骤1:获取一段同时采集到的光电容积脉搏波信号PPG与心电信号ECG,并导入测试者的年龄、身高、体重、体脂以及心率等生理参数。具体地,本发明是基于智能马桶垫装置来对测试者的臀部进行采集,从而获得PPG信号与ECG信号;测试者的身高单位采用“厘米”、体重的单位采用“千克”、心率的单位采用“次/分钟”。当然,不单单可以采用智能马桶垫装置来采集测试者的臀部而获得测试者的PPG信号与ECG信号,还可以采用其他的方式采集并获得测试者的PPG信号和ECG信号,只要能够获得上述信号即可,在此就不作过多的限制。
步骤2:对步骤1中采集到的PPG信号与ECG信号进行特征点提取,求得脉搏波传递时间PTT。PPG信号的特征点为PPG信号的主波波峰值位置,ECG信号的特征点为ECG信号的R波波峰值位置;R波是ECG信号中的一个主要特征波段,其为一段尖峰波。其中,脉搏波传递时间PTT为脉搏波在两个动脉部位之间传播的时间间隔。
如图2所示,在该步骤2中,为了提高模型的普遍性,本发明选取连续三个周期的同时段的PPG与ECG信号,以第一个周期中ECG信号的R波波峰作为起点,第三个周期中PPG的主波波峰作为终点,此间间隔记为SPTT,利用PTT计算公式:进一步地求出最终的脉搏波传递时间PTT,其中,SPTT为连续三个周期的脉搏波传递时间。
步骤3:根据测试者的年龄选择对应的拟合公式,并利用步骤2中得到的脉搏波传递时间PTT和测试者的体重求得第一级血压值。拟合公式为:
Ps=Ai×PTT+Bi×Weight+Ci
Pd=Di×PTT+Ei×Weight+Fi
其中,Ps和Pd均为第一级血压值,且Ps具体为第一级收缩压,Pd具体为第一级舒张压;Weight为测试者的体重,单位为千克;Ai,Bi,Ci,Di,Ei,Fi均为拟合系数;i为正整数。
在本发明提供的实施例中,选取测试者的年龄为16至75岁,且每隔5岁进行分层拟合,共分为12层,也就是说,拟合公式中的i=1,2,3,…,12。
当然,测试者的年龄也可以选取其他年龄段,且分层拟合的年龄间隔也可以为其他,只要能满足上述拟合公式并能求得第一级血压值即可,在此就不作过多的限制。
步骤4:将步骤3中求得的第一级血压值和步骤1中记录的测试者的生理参数作为输入特征参数,导入训练好的极限学习机(extreme learning machine,ELM)血压模型中,以获得第二级血压预测值,将该第二级血压预测值作为最终的血压预测值。
如图3所示,步骤4中所说的极限学习机(extreme learning machine,ELM)是在研究单隐藏层神经网络的基础上提出的。单隐藏层神经网络包括输入层、隐含层和输出层,该算法随机产生输入层与隐含层间的连接权值,以及隐含层神经元的阈值,且在训练过程中无需调整,只需要设置隐含层神经元的个数,便可以获得唯一的最优解。
例如:对于N个样本(xi,ti),这里xi=[xi1,xi2,L,xiD]T∈RD,ti=[ti1,ti2,L,tik]T∈RK。单隐藏层神经网络中第k个输出神经元可以表示为:
其中,βk=[βk1,βk2,L,βkL]T是一个连接L个输出神经元的输出权重列向量。H(x)=[h1(x),L,hl(x)]是一个行向量,表示输入样本x的隐含层神经元,其中hl(x)表示第l个隐含层神经元。
在实际的应用中,hl(x)表示为:hl(x)=G(al,bl,x),al∈RD,bl∈R,其中,G(al,bl,x)是隐含层的激活函数,al,bl分别表示输入层与隐含层间的连接权值以及隐含层神经元的阈值,是第l个隐含层神经元的参数。激活函数为Sigmoid函数:
由于极限学习机的输入权重al,bl是随机选取的,所以当输入权重一旦选取完成,输入权重不再是一个变量,无需训练求解。因此,极限学习机只需求解隐含层与输出层间的连接权值β。其求解问题为:
其中,T=[t1,L,tN]T。这是一个关于β的凸优化问题,为经典的最小二乘问题。
上述求解可得:
由上述可知,极限学习机ELM的学习算法可以概括或主要包括以下步骤:
S1.确定隐含层神经元个数,随机设定输入层与隐含层的连接权值a,以及隐含层神经元的阈值b。经过多次实验数据的对比,当训练收缩压隐含层设置为35,训练舒张压隐含层设置为25时,预测的血压的精度最高。
S2.选择Sigmoid函数作为隐含层神经元的激活函数,计算获得隐含层输出矩阵H。
S3.导入血压训练集样本计算输出层权值β,获得血压预测模型。
血压训练集样本一般由上百或者上千组数据组成,数据量越多预测模型的预测精度越高。上述血压训练集样本是从采集建立的数据库(http://dataset.kangdollar.com/)中抽取,其包括输入参数和输出参数两部分。输入参数是由步骤4中的第一级血压值和测试者的生理参数组成,输出参数是利用水银血压计测得测试者的血压值,作为训练的真实值。在上述的式子中,x为血压训练集样本的输入参数,在/>中的T就是血压训练集样本的输出部分。
S4.将测试集导入ELM学习模型,获得第二级血压预测值。
上述测试集为新的样本数据集,其与步骤S3中血压训练集样本中输入参数部分具有相同数据结构。该测试集是本发明所要预测的样本数据集,其可以由一组或者多组数据组成。
综上所述,本发明提出了一种基于脉搏波传递时间的血压检测方法及血压检测装置,对采集到的脉搏波信号与心电信号进行特征点提取,在第一级血压计算方面采用分年龄段且多参数(脉搏波传递时间PTT+测试者的体重Weight)拟合模型计算方法。该种方法比原有的只采用单一的PTT拟合模型的计算精度有了进一步提高;在血压精测方面采用极限学习机的学习方法,比现有的支持向量机方法的运算速度与计算精度上都有很大提高。此外,该血压检测装置的操作方法简单,检测过程舒适,且能够实现连续实时的血压检测。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种血压检测装置,其特征在于,所述血压检测装置包括:
采集模块,用于信号采集,所述采集模块包括用于采集人体的光电容积脉搏波信号PPG的光电传感器、用于采集人体的心电信号ECG的电极片以及将采集到的PPG信号与ECG信号上传的WiFi通信模块;
云平台模块,与WiFi通信模块通讯连接,用于将WiFi通信模块上传的PPG信号和ECG信号进行处理,所述云平台模块包括将上传的PPG信号和ECG信号进行滤波预处理的信号处理模块和根据信号处理模块的处理结果来计算人体血压值的血压算法模块;
所述血压算法具体包括:
步骤1:获取一段同时采集到的光电容积脉搏波信号PPG与心电信号ECG,并导入测试者的包括年龄、身高、体重、体脂以及心率的生理参数;
步骤2:对步骤1中采集到的PPG信号和ECG信号进行特征点提取,求得脉搏波传递时间PTT;
步骤3:根据测试者的年龄选择对应的拟合公式,并利用步骤2中得到的脉搏波传递时间PTT和测试者的体重求得第一级血压值;其中,拟合公式为:
Ps=Ai×PTT+Bi×Weight+Ci
Pd=Di×PTT+Ei×Weight+Fi
其中,Ps和Pd均为第一级血压值,且Ps具体为第一级收缩压,Pd具体为第一级舒张压;Weight为测试者的体重;Ai,Bi,Ci,Di,Ei,Fi均为拟合系数;
步骤4:将步骤3中求得的第一级血压值和步骤1中记录的测试者的生理参数作为输入特征参数,导入训练好的极限学习机ELM血压模型中,以获得第二级血压预测值,将第二级血压预测值作为最终的血压预测值。
2.根据权利要求1所述的血压检测装置,其特征在于:所述光电传感器用于采集红光的PPG信号和红外光的PPG信号。
3.根据权利要求2所述的血压检测装置,其特征在于:所述红光的波长为λ1=650nm,所述红外光的波长为λ2=950nm。
4.根据权利要求1所述的血压检测装置,其特征在于:步骤1中的PPG信号与ECG信号均从测试者的臀部采集获得;所述身高的单位为厘米、体重的单位为千克、心率的单位为次/分钟。
5.根据权利要求1所述的血压检测装置,其特征在于:步骤2中的特征点为PPG信号的主波波峰值位置和ECG信号的R波波峰值位置;脉搏波传递时间PTT为脉搏波在两个动脉部位之间传播的时间间隔;所述R波是ECG信号中的一段尖峰波。
6.根据权利要求5所述的血压检测装置,其特征在于,步骤2具体为:选取连续三个周期的同时段的PPG信号和ECG信号,以第一个周期中ECG信号的R波波峰作为起点,以第三个周期中PPG信号的主波波峰作为终点,计算获得所述脉搏波传递时间PTT。
8.根据权利要求1所述的血压检测装置,其特征在于:所述测试者选取的年龄为16至75岁,且每隔5岁进行分层拟合,共分为12层,所述拟合公式中的i=1,2,3,…,12。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110334740.9A CN113040738B (zh) | 2021-03-29 | 2021-03-29 | 血压检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110334740.9A CN113040738B (zh) | 2021-03-29 | 2021-03-29 | 血压检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113040738A CN113040738A (zh) | 2021-06-29 |
CN113040738B true CN113040738B (zh) | 2023-03-24 |
Family
ID=76516376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110334740.9A Active CN113040738B (zh) | 2021-03-29 | 2021-03-29 | 血压检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113040738B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113749630B (zh) * | 2021-09-16 | 2022-06-07 | 华南理工大学 | 一种基于ecg信号和ppg信号的血压监测系统和方法 |
CN114145724A (zh) * | 2021-12-08 | 2022-03-08 | 四川北易信息技术有限公司 | 基于ecg和ppg多生理特征参数动态监测血压的方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101210828B1 (ko) * | 2011-03-24 | 2012-12-11 | 주식회사 누가의료기 | 다중 생체 신호 측정을 이용하여 손목혈압의 정확도를 향상시키는 방법 및 장치 |
CN204515353U (zh) * | 2015-03-31 | 2015-07-29 | 深圳市长桑技术有限公司 | 一种智能手表 |
CN204562131U (zh) * | 2015-04-23 | 2015-08-19 | 吉林大学 | 高精度血压测量装置 |
CN105943005B (zh) * | 2016-06-01 | 2019-08-06 | 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装置 |
WO2018095083A1 (zh) * | 2016-11-22 | 2018-05-31 | 浙江脉联医疗设备有限公司 | 脉搏波传播时间的校正方法 |
CN108324259A (zh) * | 2017-01-20 | 2018-07-27 | 富港电子(昆山)有限公司 | 计算血压的方法及其装置 |
CN108926334A (zh) * | 2017-05-26 | 2018-12-04 | 深圳市玉成创新科技有限公司 | 基于脉搏波的血压获取方法及其系统和装置 |
CN107854123B (zh) * | 2017-12-13 | 2021-02-02 | 清华大学深圳研究生院 | 一种无袖套连续血压监测方法和装置 |
CN112040846A (zh) * | 2018-04-23 | 2020-12-04 | 赢创运营有限公司 | 基于光电体积描记(ppg)信号估计血压和动脉硬化度的方法 |
CN109965862B (zh) * | 2019-04-16 | 2022-08-02 | 重庆大学 | 一种无袖带式长时连续血压无创监测模型的构建方法 |
CN110251105B (zh) * | 2019-06-12 | 2022-06-21 | 广州视源电子科技股份有限公司 | 一种无创血压测量方法、装置、设备及系统 |
CN211131047U (zh) * | 2019-08-27 | 2020-07-31 | 红河学院 | 一种基于极限学习机的老年人活动监测装置 |
-
2021
- 2021-03-29 CN CN202110334740.9A patent/CN113040738B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113040738A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11844593B2 (en) | System and method for non-invasive determination of blood pressure dip based on trained prediction models | |
CN104873186B (zh) | 一种可穿戴的动脉检测装置及其数据处理方法 | |
CN108577830B (zh) | 一种面向用户的体征信息动态监护方法和动态监护系统 | |
CN109069031B (zh) | 用于确定对象血压的设备和方法 | |
WO2019161608A1 (zh) | 多参数监护数据分析方法和多参数监护系统 | |
CN111084618A (zh) | 一种可穿戴式多功能呼吸循环检测系统及方法 | |
CN106901705A (zh) | 一种无感知人体多生理参数采集装置及采集方法和应用 | |
CN113040738B (zh) | 血压检测装置 | |
US20230218178A1 (en) | Construction method and application of digital human cardiovascular system based on hemodynamics | |
CN113143230B (zh) | 一种外周动脉血压波形重构系统 | |
Chen et al. | Machine learning method for continuous noninvasive blood pressure detection based on random forest | |
CN111714088B (zh) | 基于中医原理的人体特征指标检测方法和系统 | |
CN103876723A (zh) | 无创桡动脉波计算脉搏波传导时间获取血压值的方法 | |
CN110236508A (zh) | 一种无创血压连续监测方法 | |
Myint et al. | Blood pressure measurement from photo-plethysmography to pulse transit time | |
CN111466899A (zh) | 一种基于mpga-miv-bp模型簇的连续血压无创监测方法 | |
KR20220053439A (ko) | 합성곱·양방향 장단기 기억 순환신경망을 활용한 광전용적맥파 기반 실시간 혈압 모니터링 시스템 및 이를 이용한 실시간 혈압 모니터링 방법 | |
CN106056045B (zh) | 一种三导联重构十二导联心电信号的方法 | |
CN116138755A (zh) | 一种构建用于无创血压监测的模型的方法以及可穿戴设备 | |
CN111603151B (zh) | 一种基于时频联合分析的无创血液成分检测方法及系统 | |
CN113940646A (zh) | 一种基于因果关系的无袖带连续血压监测系统 | |
Bassiouni et al. | Combination of ECG and PPG signals for smart healthcare systems: Techniques, applications, and challenges | |
Wang et al. | Rec-AUNet: Attentive unet for reconstruction of ECG from BCG | |
Manamperi et al. | A robust neural network-based method to estimate arterial blood pressure using photoplethysmography | |
Zhe et al. | Design and research of continuous blood pressure monitoring system based on lora |
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 |