CN113080892A - 用于心脑血管疾病风险预测的检测数据处理方法和系统 - Google Patents
用于心脑血管疾病风险预测的检测数据处理方法和系统 Download PDFInfo
- Publication number
- CN113080892A CN113080892A CN202110300257.9A CN202110300257A CN113080892A CN 113080892 A CN113080892 A CN 113080892A CN 202110300257 A CN202110300257 A CN 202110300257A CN 113080892 A CN113080892 A CN 113080892A
- Authority
- CN
- China
- Prior art keywords
- data
- pulse
- detection data
- cardiovascular
- detection
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 178
- 208000026106 cerebrovascular disease Diseases 0.000 title claims abstract description 81
- 208000024172 Cardiovascular disease Diseases 0.000 title claims abstract description 71
- 230000002526 effect on cardiovascular system Effects 0.000 title claims abstract description 68
- 238000003672 processing method Methods 0.000 title claims description 6
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000013500 data storage Methods 0.000 claims abstract description 25
- 238000013058 risk prediction model Methods 0.000 claims abstract description 16
- 230000001815 facial effect Effects 0.000 claims abstract description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 28
- 238000001467 acupuncture Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 16
- 239000002033 PVDF binder Substances 0.000 claims description 14
- 229920002981 polyvinylidene fluoride Polymers 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 210000000707 wrist Anatomy 0.000 claims description 10
- 230000003321 amplification Effects 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 210000003423 ankle Anatomy 0.000 claims description 8
- 210000003516 pericardium Anatomy 0.000 claims description 8
- 230000002996 emotional effect Effects 0.000 claims description 6
- 230000008451 emotion Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 206010034960 Photophobia Diseases 0.000 claims description 3
- 230000000747 cardiac effect Effects 0.000 claims description 3
- 210000003414 extremity Anatomy 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000000241 respiratory effect Effects 0.000 claims 3
- 238000007689 inspection Methods 0.000 claims 2
- 206010063659 Aversion Diseases 0.000 claims 1
- 230000003139 buffering effect Effects 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 28
- 208000010125 myocardial infarction Diseases 0.000 description 15
- 238000005070 sampling Methods 0.000 description 14
- 206010008118 cerebral infarction Diseases 0.000 description 13
- 238000000034 method Methods 0.000 description 11
- 230000002107 myocardial effect Effects 0.000 description 10
- 230000036772 blood pressure Effects 0.000 description 9
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 7
- 210000002414 leg Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 229910021607 Silver chloride Inorganic materials 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012503 blood component Substances 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 210000003109 clavicle Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 208000014674 injury Diseases 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
- 210000003205 muscle Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- HKZLPVFGJNLROG-UHFFFAOYSA-M silver monochloride Chemical compound [Cl-].[Ag+] HKZLPVFGJNLROG-UHFFFAOYSA-M 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 201000004822 varicocele Diseases 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Power Engineering (AREA)
- Alternative & Traditional Medicine (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种用于心脑血管疾病风险预测的检测数据处理系统,包括检测数据采集装置、数据存储装置、数据处理装置和风险预测输出装置。检测数据采集装置用于获取检测数据,检测数据包括经络穴位的体表电信号数据和脉搏信号数据。数据处理装置用于对检测数据进行特征提取,并将获取的检测数据特征输入到心脑血管疾病风险预测模型中,模型输出心脑血管疾病风险预测结果。检测数据特征包括心电数据特征、经络穴位数据特征、脉搏数据特征和/或面部音视频数据特征。由于通过对人体体表的经络穴位和脉搏信号进行检测,并依据检测数据提取心脑血管疾病的发病表征,实现对待检测用户未来几周或几月心脑血管疾病发病的概率进行预测。
Description
技术领域
本发明涉及人体检测系统和检测数据处理与智能分析技术领域,具体涉及一种用于心脑血管疾病风险预测的检测数据处理方法和系统。
背景技术
心梗脑梗是心脑血管疾病中发病率最高的疾病,一旦发病后果极其严重。中国近些年每年脑梗的发病人数在500~600万人;心梗发病死亡率高,多数来不及去医院,没有列入心梗统计之中,列入统计的每年在50~100万人,按发达国家估计心梗脑梗的发病人数大致相当。虽然心梗脑梗会导致严重的后果,但是如果能够在其发生之前知道,几乎都可以通过及时医治避免其发生,关键是如何能够提前预测其风险。虽然医院关于心血管疾病的检查项目门类齐全,有组织病理、遗传、影像学(CT、核磁和心脏造影)、血液成分等的检查。但这些检查一方面费用高、有创,导致普及率低,另一方面多数情况下心梗脑梗的风险检出率也比较低。因此研发一种无创、低成本和易于使用的心脑血管疾病风险预测系统具有重要的社会意义和经济价值。
发明内容
本发明主要解决的技术问题是如何对心梗脑梗发病的风险进行预测。
第一方面,一种实施例中提供一种用于心脑血管疾病风险预测的检测数据处理系统,
包括检测数据采集装置、数据存储装置、数据处理装置和风险预测输出装置;
所述检测数据采集装置用于获取检测数据;所述检测数据采集装置包括体表电信号采集装置和脉搏信号采集装置;所述体表电信号采集装置用于采集与所述心脑血管疾病相关的经络穴位的体表电信号数据,与所述心脑血管疾病相关的经络穴位包括心包经的穴位和/或手少阴心经的穴位,所述心包经的穴位包括内关穴、曲泽穴和/或天泉穴;所述手少阴心经的穴位包括极泉穴位、少海穴位和/或神门穴位;所述脉搏信号采集装置用于采集太阳穴、手腕和/或脚腕的脉搏信号数据;所述检测数据包括所述经络穴位的体表电信号数据和脉搏信号数据;
所述数据存储装置用于存储所述检测数据;
所述数据处理装置用于对所述检测数据进行特征提取,并将获取的检测数据特征输入到心脑血管疾病风险预测模型中,以用于所述心脑血管疾病风险预测模型输出心脑血管疾病风险预测结果;所述检测数据特征包括提取所述经络穴位的体表电信号数据的特征获取的经络穴位数据特征,还包括提取所述脉搏信号数据的特征获取的脉搏数据特征;
所述风险预测输出装置用于输出所述心脑血管疾病风险预测结果。
第二方面,一种实施例中提供一种用于心脑血管疾病风险预测的检测数据处理方法,包括:
获取检测数据;所述检测数据包括经络穴位的体表电信号数据和脉搏信号数据;所述经络穴位的体表电信号数据是通过采集与所述心脑血管疾病相关的经络穴位的体表电信号数据获取,与所述心脑血管疾病相关的经络穴位包括心包经的穴位和/或手少阴心经的穴位;所述心包经的穴位包括内关穴、曲泽穴和/或天泉穴;所述手少阴心经的穴位包括极泉穴位、少海穴位和/或神门穴位;所述脉搏信号数据是通过采集太阳穴、手腕和/或脚腕的脉搏信号获取;
对所述检测数据进行特征提取,以获取检测数据特征;所述检测数据特征包括提取所述经络穴位的体表电信号数据的特征获取的经络穴位数据特征,还包括提取所述脉搏信号数据的特征获取的脉搏数据特征;所述脉搏数据特征包括脉位、脉力、脉率、脉律、脉宽、脉长、脉紧和/或脉势的特征;
将所述检测数据特征输入到心脑血管疾病风险预测模型;
获取所述心脑血管疾病风险预测模型输出的心脑血管疾病风险预测结果。
第三方面,一种实施例中提供一种计算机可读存储介质,所述介质上存储有程序,所述程序能够被处理器执行以实现如第二方面所述的检测数据处理方法。
依据上述实施例的一种检测数据处理系统,通过对人体体表的经络穴位和脉搏信号进行检测,来对心梗脑梗风险进行表征,从而实现对心梗脑梗无创风险预测。
附图说明
图1为一种实施例中检测数据处理系统的框架结构示意;
图2为一种实施例中体表电信号采集装置的结构示意图;
图3为一种实施例中四通道放大器的电路连接示意图;
图4为一种实施例中四通道放大器的电路连接示意图;
图5为一种实施例中多通道探测电路的放大电路的电路连接示意图;
图6为一种实施例中多通道探测电路的比例放大电路的电路连接示意图;
图7为一种实施例中脉搏信号采集装置的结构示意图;
图8为一种实施例中电荷放大器的电路原理示意图;
图9为一种实施例中检测数据处理系统应用场景示意图;
图10为一种实施例中心电和呼吸采集装置的结构连接示意图;
图11为一种实施例中检测数据处理系统的实施示意图;
图12为一种实施例中数据存储装置的存储架构示意图;
图13为另一种实施例中检测数据处理方法的流程示意图;
图14为一种实施例中经络体表电信号的电势图;
图15为一种实施例中经络体表电信号PCA结果三维图;
图16为一种实施例中脉搏信号的特征点示意图;
图17为一种实施例中脉搏信号特征点采样点示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
疗效和病情评估对于“健康中国”意义重大,有助于提高治疗效果、优化慢病康复治疗过程、节约医疗费用、降低医疗伤害。在本发明实施例中,通过获取的经络体表电信号获取疾病的经络特征信号并输入数学模型,以获取病情评估和疗效评估结果,实现了对不同疾病的疗效和病情的评估。
实施例一
请参考图1,为一种实施例中检测数据处理系统的框架结构示意,检测数据处理系统用于对心脑血管疾病进行风险预测,包括检测数据采集装置1、数据存储装置2、数据处理装置3和风险预测输出装置4。检测数据采集装置1用于获取检测数据,检测数据采集装置1包括体表电信号采集装置和脉搏信号采集装置。体表电信号采集装置用于采集与心脑血管疾病相关的经络穴位的体表电信号数据,与心脑血管疾病相关的经络穴位包括心包经的穴位和手少阴心经的穴位。其中,心包经的穴位包括内关穴、曲泽穴和天泉穴,手少阴心经的穴位包括极泉穴位、少海穴位和神门穴位。脉搏信号采集装置用于采集待检测用户的太阳穴、手腕和脚腕的脉搏信号数据。检测数据包括经络穴位的体表电信号数据和脉搏信号数据。数据存储装置2用于存储检测数据。数据处理装置3用于对检测数据进行特征提取,并将获取的检测数据特征输入到一心脑血管疾病风险指标与检测数据特征相关的心脑血管疾病风险预测模型中,以用于心脑血管疾病风险预测模型输出心脑血管疾病风险预测结果。其中,检测数据特征包括提取经络穴位的体表电信号数据的特征获取的经络穴位数据特征,还包括提取脉搏信号数据的特征获取的脉搏数据特征。风险预测输出装置4用于输出心脑血管疾病风险预测结果。
请参考图2,为一种实施例中体表电信号采集装置的结构示意图,体表电信号采集装置包括采集电极组11、检测电路12、采集电路13和数据获取装置14。采集电极组11用于获取待检测用户的与心脑血管疾病相关的经络穴位的体表电信号数据,检测电路12用于对人体体表电信号进行滤波放大。采集电路13用于采集滤波放大后的人体体表电信号,并转化为体表电信号数据发送给数据获取装置14。数据获取装置14用于将获取的人体体表电信号数据发送给数据存储装置2。一实施例中,人体体表电信号数据包括人体体表电信号的阻抗信息、电传导性和/或电压值。一实施例中,采集电极组11包括检测电极212、参考电极213和DRL电极214。检测电极212用于通过直接或间接获取人体体表电信号,直接获取包括电极直接探测的人体体表电信号,间接获取是人体响应电刺激反馈的人体体表电信号。参考电极213用于获取人体体表电信号时提供参考电信号。DRL电极214用于贴合设置在人体的右侧大腿根部的电极。检测电路12包括多通道探测电路221、功率调节电路222和右腿电信号驱动电路(DRL)223。多通道探测电路221与检测电极212和参考电极213连接,一实施例中,采集电极组11包括多个检测电极212,多通道探测电路221分别与每个检测电极212连接,用于接收检测电极212获取的人体体表电信号,并过滤放大采集电极组11获取的人体体表电信号。右腿电信号驱动电路223与DRL电极214连接,用于作为多通道探测电路与人体之间的反馈回路,用于减少共模信号,如电源线干扰信号。功率调节电路222用于调节多通道探测电路221和右腿电信号驱动电路223的输出功率。采集电路13用于按预设采集频率采集人体体表电信号,并转化为数字信号。采集电路13包括多路扫描装置231、PGA232、ADC233、FIFO234和PCI235。多路扫描装置231与多通道探测电路221连接,用于采用多路扫描的方式获取多通道探测电路输出的滤波放大后的人体体表电信号。PGA232为可编程增益放大器,数据获取装置14包括采样控制器241,采样控制器241与多路扫描装置231、PGA232、PCI235和ADC233连接,用于采集电路13的启动和停止、配置参数及控制数字信号转化后的人体体表电信号数据的输出。数据存储器2用于储存数字信号转化后的体表电信号数据。
一实施例中,为了适应更复杂的人体体表电信号检测环境,我们需要一种增益可调、信道数可伸缩的体表电信号采集装置。首先,对电极的输入方式进行了优化,与现有技术中的相同通道数量的采集设备相比,电极数量减少了30%。然后,由于不同区域的人体体表电信号之间的差异很大,所以多通道检测电路的增益可调,同时也满足采样电压范围,充分保证了16位的采样精度。另外,在检测板、采集卡和数据获取装置的配合下,我们可以根据不同的需求扩大采集通道数量,支持多达64个通道。一实施例中,采集电极组的检测电极包括输入和输出两种类型,通过导电凝胶与皮肤紧密接触,实现电压和电流的传导。一实施例中,每个检测电路有4路采集人体电信号的电路,分别可以调节电压增益。右腿电信号驱动电路作为人体与检测电路之间的反馈回路,用于减少共模信号,如电源线的干扰。一实施例中,检测电路的电源管理单元支持电池和USB两种模式供电。一实施例中,采集电路将检测电路输出的连续模拟电压转换为离散的数字值,支持最多64路ADC,总采样率250K/s。数据获取装置基于图形化编程语言LabView,一方面可以对采集电路的采样参数进行设置,如通道数、电压范围等。一实施例中,采集电路采用8通道16位分辨率的模数转换器(ADC),将采集电路输出的响应信息的模拟电压,量化为可供数据存储器存储的数据。其通道数和采样率等参数受采样控制器配置。一实施例中,数据获取装置的采样控制器包括STM32单片机,控制器设置的参数包括激励信号产生装置产生激励电信号、控制ADC进行多通道数据采集、利用定时器配置ADC采集的速率、LCD显示各通道采集数据的波形、矩阵键盘对系统的开始/结束和信息录入进行交互等。数据存储装置建立标准的数据管理系统,将采集到的数据按照规定的格式存储到数据库中。一实施例中,可通过拔插SD卡的方式从体表电信号采集装置获取体表电信号数据,在转发送给数据存储装置。
一实施例中,检测电极采用Ag/AgCl电极,具有成本高、安全性好等优点。每个电极的直径为2.5厘米。一实施例中,每个通道的探测电路对应7个电极,包括5个检测电极,1个参考电极和1个DRL电极。参考电极将人体连接到板上的共地以抵抗共模干扰,降低噪声,而DRL电极通过反馈回路快速放电以达到同样的目的。除DRL电极外,其余6个作为输入的检测电极。一实施例中,检测电极信号的输入方式有单端和差分两种。与电极阵列相比,本申请的体表电信号采集装置使用的采集电极组更灵活,但占据更多的皮肤面积。如果采用8通道探测电路,以差分输入方式对同一区域相邻人体体表进行检测,则需要11个检测电极。
请参考图3,为一种实施例中四通道放大器的电路连接示意图,包括四个仪表放大器INA,每个仪表放大器INA的反相输入端连接在一起并作为公共检测端,同相输入端分别连接电极DE1A、电极DE1B、电极DE2A、电极DE2B、电极DE3A、电极DE3B、电极DE4A和电极DE4B。由于合适采集的人体皮肤面积是有限的,电极之间的间距会随着数目的增加而变小。电极的使用不仅麻烦,而且相邻电极发出的信号也容易在肌肉间干扰。
请参考图4,为一种实施例中四通道放大器的电路连接示意图,包括四个仪表放大器INA,每个仪表放大器INA的一个连接端CDE电连接在一起,另一个连接端分别连接电极DE1、电极DE2、电极DE3和电极DE4。如图4所示的采集电极组将四路仪表放大器的反相输入端连接到检测电路上后,每个通道只需要一个公共的检测电极。多通道探测电路的主要作用是放大和滤波,人体体表电信号作为一种生物电信号,具有振幅小、频率低的特点,典型幅值在1mV左右。一实施例中,多通道探测电路的供电电压为±2.5V。为了充分利用ADC的分辨率,增益是可调的,使每个通道输出的电压范围与电源电压一致。另一方面,如果采用高增益单级放大电路,外部电磁干扰和电极与皮肤之间的极化电压都有可能使放大器饱和而丢失有用信息。
请参考图5,为一种实施例中多通道探测电路的放大电路的电路连接示意图,一实施例中,采用两级放大,两级放大之间有合适的信号滤波电路。两级放大包括放大器A1、放大器A2、放大器A3、电阻R1、电阻R2、电阻R3、电阻R4、电阻R5、电阻R6、和电阻Rg。放大器A1的正输入端作为放大电路的第一输入端。电阻R1一端与放大器A1的负输入端连接,另一端与放大器A1的输出端连接。放大器A2的正输入端作为放大电路的第二输入端。电阻R2一端与放大器A2的负输入端连接,另一端与放大器A2的输出端连接。电阻R3一端与放大器A1的输出端连接,另一端与放大器A3的负输入端连接。电阻R4一端与放大器A2的输出端连接,另一端与放大器A3的负输入端连接。电阻R5一端与放大器A3的负输入端连接,另一端接地。放大器A3的输出端作为放大电路的输出端。电阻Rg连接在放大器A1的负输入端和放大器A2的负输入端之间。一实施例中,由于多级放大器的噪声主要来自于第一级,因此选用仪器放大器AD8223,它具有低噪声、高共模抑制比和高输入阻抗的优点。
请参考图6,为一种实施例中多通道探测电路的比例放大电路的电路连接示意图,比例放大电路包括放大器A4、电阻R7、电阻R8和可调电阻Ra。电阻R7的一端作为比例放大电路的输入端,另一端与放大器A4的负输入端连接。电阻R8的一端与放大器A4的正输入端连接,另一端接地。可调电阻Ra一端与放大器A4的负输入端连接,另一端与放大器A4的输出端连接。一实施例中,比例放大器电路采用可调电阻Ra实现可调增益。
请参考图7,为一种实施例中脉搏信号采集装置的结构示意图,脉搏信号采集装置包括电荷放大器21、四阶低通滤波器22、二级放大器23、电压跟随器24和ADC25。电荷放大器21包括PVDF压电薄膜和积分放大器,PVDF压电薄膜产生与脉搏振动相关的电荷信号,积分放大器用于将电荷信号积分与放大后转化为与该电荷信号成正比的脉搏电压信号,并将该脉搏电压信号发送给四阶低通滤波器22。二级放大器23用于对四阶低通滤波器22低通滤波后的脉搏电压信号进行二次放大。电压跟随器24用于对脉搏电压信号进行缓冲,以减少积分放大器的输入损耗。ADC25用于将电压跟随器24输出的脉搏电压信号转化为脉搏信号数据。脉搏信号采集装置采集血压值和在变化压力激励下的脉搏信号,脉搏信号采集装置还包括内嵌PVDF压电薄膜传感器的血压袖带和充放气模块,充放气模块用于对血压袖带进行充放气,脉搏信号采集装置的控制模块控制充放气模块的充放气控制单元,充放气控制模块使用于在脉搏信号采集装置在进行血压值和脉搏信号采集时对人体产生变化压力的激励,以将处理后的电信号转化为数字信号并输出。一实施例中,PVDF薄膜传感器采用定制的厚度为50am、面积约为20mm2的PVDF薄膜传感器,其具有灵敏度高、一致性好、抗干扰性能强、便于设计的特点。高度集成的PVDF薄膜被封装在前端器件中,通过接线板引出导线。集成的压电器件及PCB板被整体封装在轻便的塑料半硬质模具中,传感器通过项部的软质面与人体接触。一实施例中,使用弹性腕带将传感器固定,实现传感器与人体皮肤的有效接触,并降低由于小幅度运动带来的运动干扰。一实施例中,内嵌PVDF压电薄膜的血压袖带,其结构是在传统血压袖带的中间层内嵌并固定PVDF压电薄膜,此血压袖带采用稍硬材质的,这样PVDF压电薄膜才能较少被袖带的充放气这种外在因素所干扰。这样血压袖带能够用来测量血压,也能够感应脉搏的跳动。PVDF压电薄膜作为一种新兴的高分子材料,经处理后,压力效果明显,且频响宽,动态范围大,灵敏度高,机械性能强度高。当作用在PVDF微单元上的应力发生变化时,传感器两极产生的电荷为:
请参考图8,为一种实施例中电荷放大器的电路原理示意图,电荷放大器21的核心部件是反馈电容Cf,因此电荷放大器起到电流积分器的作用。PVDF压电薄膜受到振动时,其表面出现与应力成比例的电荷,电荷通过电荷放大器的积分与放大转换为与其成正比的电压。
人体脉搏信号频率约为0.2Hz-45Hz,大部分有用信号频率低,集中在0.5-4Hz之间。而且当采集微弱信号时,信号会受到50Hz工频干扰影响,且其能量不仅局限于50Hz,往往还成倍频干扰出现。因此本系统采用截止频率为30Hz的低通滤波器来过滤掉50Hz工频干扰以及它的倍频干扰。采用30Hz低通滤波器能有效滤除干扰,还能保留脉搏信号的大多数信息。巴特沃斯(Butterworth)低通滤波器具有最大平坦幅频响应的特性,且具有良好的线性相位特性等优点,因此本实施例四阶低通滤波器22采用四阶巴特沃斯低通滤波器。四阶低通滤波器可由两个二阶低通滤波器级联而成。一实施例中,ADC25(数/模转换器)为16为逐次逼近型,如MAX195。它将高精度、高速度、低电源功耗等性能结合在一起。内部校准电路对线性度与偏置误差进行校正,所以无需外部调整便可达到全部额定的性能指标。可广泛应用于便携式仪表、医用信号采集及多传感器测量等系统中。一实施例中,脉搏信号采集装置还包括显示装置,显示装置用于显示脉搏信号的数据信息。一实施例中,脉搏信号采集装置还包括数据缓存模块、以及将数据上传至云端存储模块的数据上传模块。数据缓存模块用于缓存脉搏信号数据。数据上传模块用于将脉搏信号数据上传至数据存储装置2,一实施例中,数据存储装置2为云端存储,数据上传模块包括4G传输模块、5G传输模块或其他无线传输模块。
请参考图9,为一种实施例中检测数据处理系统应用场景示意图,一实施例中,检测数据采集装置还包括检测数据采集装置还包括视频采集装置,用于抓取待检测用户的视频数据。一实施例中,检测数据还包括视频数据。数据处理装置还用于对视频数据进行特征提取,以获取待检测用户的仪态特征和情绪特征。检测数据特征还包括仪态特征和情绪特征。其中,仪态特征包括四肢对称性特征和面部对称性特征,情绪特征包括兴奋、开心、惊讶、痛苦、恐惧、害羞、愤怒和厌恶。一实施例中,检测数据采集装置还包括声音采集装置,用于采集待检测用户的声音数据,检测数据还包括声音数据。数据处理装置还用于对声音数据进行特征提取,以获取待检测用户的声音特征。其中,检测数据特征还包括声音频率特征、声音振幅特征和声音频谱特征。视频采集装置和声音采集装置的要求基于DAIC-WOZ数据集的3D面部扫描和音频的数据采集,音视频质量满足C-CNN(Causal ConvolutionalNetwork)和SLSE(Sentence Level Summary Embedding等算法的建模需求,采集装置外形满足采集现场的人文和环境要求。
一实施例中,检测数据采集装置还包括心电和呼吸采集装置,用于获取待检测用户的心电数据和呼吸数据。检测数据还包括心电数据和呼吸数据。数据处理装置还用于对心电数据和呼吸数据进行特征提取,以获取待检测用户的心电数据特征和呼吸数据特征。检测数据特征还包括心电数据特征和呼吸数据特征。其中,心电数据特征包括心率变异率、心电波形参数的时域频域和非线性特征。
请参考图10,为一种实施例中心电和呼吸采集装置的结构连接示意图,心电和呼吸采集装置包括采集前端电路30,采集前端电路30包括电极组31、右腿驱动模块32、信号预处理模块33、ADS芯片电路34和数据上传模块35。电极组31用于采集心电和呼吸电信号,右腿驱动模块32用于提高生物电放大器抗干扰能力,信号预处理模块33用于对电极组31采集的心电和呼吸电信号进行滤波放大,ADS芯片电路34用于将模拟信号的心电和呼吸电信号转化为数字的心电数据和呼吸数据,数据上传模块35用于将心电数据和呼吸数据发送给数据存储装置2。一实施例中,ADS芯片电路34包括心电采集芯片ADS1292R,借助于其高集成度和出色的性能在市场上得到广泛使用。ADS1292R可在2.7 V至5.25 V模拟电源(AVDD/AVSS)和1.65至3.6 V(DVDD)电源下工作。在本申请一实施例中,ADS1292R采用3 V模拟和3.3 V数字工作模式。一实施例中,心电和呼吸采集装置还包括电源管理模块,电源管理模块用于为电路板的数字部分产生稳定的3.3V电源和模拟部分的3V电源。其中,ADS1292R包括一个片内电路可以产生512 kHz时钟超温±2%。对于需要更高精度的应用,ADS1292R还可以使用外部时钟信号来提供固件选项以选择内部或外部时钟进行测试。微控制器使用24 Mhz振荡器和32.768 khz 振荡器。ADS1292R安装了8 GB NAND闪存用于数据存储。ADS1292R在上电期间使用的是默认值配置的ADC寄存器但是用户可以通过PC应用程序GUI更改寄存器设置。来自PC的寄存器设置请求由ADS1292R处理,适当的寄存器设置命令将被发送到ADC。在数据采集请求期间,ADS1292R将处理GUI中设置的待采集样本的数量。根据配置的采样速率,ADC生成数据就绪脉冲(DRDY),微控制器使用该脉冲来指示何时读回数据。数据存储在板载闪存中,稍后以单个数据包的形式发送到PC应用程序。一实施例中,心电和呼吸采集装置还包括主控单元,心电和呼吸采集装置的采集前端电路30采集心电信号之后经过滤波等预处理,滤波后的心电信号数据传送到设备的模拟前端放大器和ADC放大器进行放大,之后通过采样通过SPI通信技术将数据传递给主控单元,以对心电信号进行分析处理并结合设备的联网状态选择将数据进行缓存或者发送。一实施例中,主控单元包括芯片X1000E。
请参考图11,为一种实施例中检测数据处理系统的实施示意图,数据存储装置采用云端服务器,检测数据采集装置从待检测用户的检测数据,再将检测数据直接发送给PC机,以通过PC机将该检测数据直接发送给云端服务器。一实施例中,PC机直接对检测数据采集装置获取的检测数据进行特征提取,在将特征提取后的检测数据特征发送给云端服务器。一实施例中,通过图形用户界面的PC机进行控制。一实施例中,检测数据采集装置从待检测用户的检测数据后,直接将该检测数据发送给云端服务器,或对检测数据进行特征提取后将检测数据特征发送给云端服务器。一实施例中,检测数据采集装置通过图形用户界面进行检测数据采集装置的设置和控制。
请参考图12,为一种实施例中数据存储装置的存储架构示意图,数据存储装置2采用云端服务器,云端服务器的设计包含了数据接收层41、数据处理层42h和数据存储层43,当接收到检测数据时做到实时入库,以用于数据处理装置3进行及时的算法分析。其中,数据接收层41一直处于待机状态,当有检测数据传来时进行接收并通过数据帧的完整性来判断检测数据是否传输准确,其中的校验位也发挥了作用。传输过来的数据帧还包括检测数据的采集时间、采集的设备机器码以及用户固定码,通过对设备机器码判断采集的用户信息,并归入同一用户数据当中。在数据接收层41把检测数据做接收处理之后,再传递给数据处理层42。数据处理层42进行针对检测数据进行分门别类的归纳和整理,从而可以最后实现入库的需求。数据存储层43主要是将解析好的数据存储到云端的服务器的存储区44中,供用户和医护人员进行查看,以及通过数据处理装置3的检测算法检测用户是否有心脑血管疾病患病的风险。
在本申请实施例中公开一种用于心脑血管疾病风险预测的检测数据处理系统,包括检测数据采集装置、数据存储装置、数据处理装置和风险预测输出装置。检测数据采集装置用于获取检测数据,检测数据包括经络穴位的体表电信号数据和脉搏信号数据。数据处理装置用于对检测数据进行特征提取,并将获取的检测数据特征输入到心脑血管疾病风险预测模型中,模型输出心脑血管疾病风险预测结果。检测数据特征包括心电数据特征、经络穴位数据特征、脉搏数据特征和/或面部音视频数据特征。由于通过对人体体表的经络穴位和脉搏信号进行检测,并依据检测数据提取心脑血管疾病的发病表征,实现对待检测用户未来几周或几月心脑血管疾病发病的概率进行预测。
实施例二
请参考图13,为另一种实施例中检测数据处理方法的流程示意图,该方法用于心脑血管疾病风险预测,包括:
步骤110,获取检测数据。
检测数据包括经络穴位的体表电信号数据和脉搏信号数据。经络穴位的体表电信号数据是通过采集与心血管疾病相关的经络穴位的体表电信号获取,与心脑血管疾病相关的经络穴位包括心包经的穴位和/或手少阴心经的穴位。其中,心包经的穴位包括内关穴、曲泽穴和天泉穴,手少阴心经的穴位包括极泉穴位、少海穴位和神门穴位。脉搏信号数据是通过采集太阳穴、手腕和/或脚腕的脉搏信号获取。
步骤120,提取检测数据特征。
对检测数据进行特征提取,以获取检测数据特征。其中,检测数据特征包括提取经络穴位的体表电信号数据的特征获取的经络穴位数据特征,还包括提取脉搏信号数据的特征获取的脉搏数据特征。其中,脉搏数据特征包括脉位、脉力、脉率、脉律、脉宽、脉长、脉紧和脉势的特征。一实施例中,检测数据还包括视频数据,通过提取视频数据的特征获取仪态特征、情绪特征和体色特征,一实施例中,检测数据特征还包括仪态特征、情绪特征和/或体色特征,仪态特征包括四肢对称性特征和头部对称性特征,情绪特征包括兴奋、开心、惊讶、痛苦、恐惧、害羞、愤怒和厌恶,体色特征包括脸色、体色和舌苔。一实施例中,检测数据还包括声音数据,通过提取声音数据的特征获取声音频率特征、声音振幅特征和声音频谱特征。检测数据特征还包括声音频率特征、声音振幅特征和声音频谱特征。检测数据还包括心电数据和呼吸数据,通过提取心电数据的特征获取心率变异率、心电波形参数的时域频域和非线性特征,检测数据特征还包括心电数据特征和呼吸数据特征,其中,心电数据特征包括心率变异率、心电波形参数的时域频域和非线性特征。
步骤130,输入数学模型。
将检测数据特征输入到一心脑血管疾病风险指标与检测数据特征相关的心脑血管疾病风险预测模型中。其中,心脑血管疾病风险预测模型包括SVM、SVR、 LR、RF、 GBDT、XGBoost和/或 LightGBM机器模型。一实施例中,心脑血管疾病风险预测模型基于大量待检测用户的检测数据和未来几周几个月(不超过1年)心梗脑梗发生(正样本)和未发生(负样本)的实际数据训练而成。其中,要考量两个重要的因素:一个是一些待检测用户未来1年内未发生,但是1年后2年内发生了,可以缺乏发生前1年内的检测数据,对此应按负样本处理;另一个是一些待检测用户根据数学模型预测其未来几周几个月发生的概率很高,也被进一步的医学检查验证,于是做了相应治疗,避免了风险的发生,对此应按正样本处理。
步骤140,输出的心脑血管疾病风险预测结果。
获取数学模型输出的心脑血管疾病风险预测结果。心脑血管疾病风险预测结果包括待检测用户在未来预设时间段发生心脑血管疾病的概率。一实施例中,未来预设时间段包括未来几周和/或未来几个月。一实施例中,心脑血管疾病风险预测结果包括心脑血管疾病的发病概率、预发病时间和预发病症状。
请参考图14,为一种实施例中经络体表电信号的电势图,横坐标是时间,纵坐标是电压。图14是体表电信号采集装置采集到的经络穴位的体表电信号,进行基本的去噪和去除工频干扰和基线漂移后的信号展示。
请参考图15,为一种实施例中经络体表电信号PCA结果三维图,圆形代表经络穴位的体表电信号,三角形代表标准心电图信号。由图15可知,在人体经络穴位的体表中检测到的电信号均具有心电图特征。为验证信号是否为心电信号。我们分别采集138份心电图信号和138份穴位电信号进行主成分分析(PCA)。利用主成分分析对数据的异同进行分类探讨。主成分分析的意义是创建小变量,称为主成分(PCs),工作在方差估计理论。协方差矩阵解释了两个信号之间的关系:
协方差的基本公式表示为:
每个样本取1秒的数据。由于采样频率为1000Hz,所以一个样本中有1000个数据。这1000个数据可以看作是一个样本的1000个特征点,为了便于可视化,在PCA算法中设置最终的维数K=3。也就是说,经过PCA处理后,1000个相互关联的特征点的维数被缩减为3个独立的点,可以代表样本的特征。最后,将每个样本的三个特征点设置为三维散点图的X、Y、Z轴。穴位电信号点设为红色,心电信号点设为蓝色。也就是说,在三维图上应该有138个红点和138个蓝点。可以看出,图中两种形状点大部分都在图15的同一区域内。这表明人体经络穴位的体表电信号与心电信号非常相似。换句话说,穴位的体表电信号来源于心电信号。故其分析方法和心电数据的分析方法是相似的。经络穴位的体表电信号和、心电信号特征值提取阶段主要包括峰值检测、传统特征提取和深度神经网络特征提取。其中,峰值检测包括数字滤波阶段、香农能量包络阶段、曲线长度变换阶段和希尔伯特阶段。
请参考图16,为一种实施例中脉搏信号的特征点示意图,脉搏信号的特征点包括主峰、主谷、次峰和次谷。通过特征点提取算法,实现对脉搏信号每个周期进行特征点提取,定位出四种特征点对应的采样点的位置。
请参考图17,为一种实施例中脉搏信号特征点采样点示意图,一实施例中,本系统提出的基于小波变换的脉搏波信号特征点提取算法总框图,要保证脉搏信号特征点提取的有效性,考虑到脉搏信号数据量很大的这一实际情况,算法更重要地从提高自动化程度方面做了考量。得益于算法中新颖的阈值自适应确定方法,无需人工设定阈值,使得本算法可以轻松应对数据量庞大的脉搏波信号,算法的自动化程度空前提高。算法中的几种排错机制的存在,使得算法可以识别出脉搏波信号存在异常的情况,一旦当前段脉搏波信号中的任何一路信号出现异常情况,算法及跳过当前循环,放弃在本段对脉搏波信号进行特征点提取。这一保守做法,保证了最终提取到的脉搏波信号特征点的正确性。其中,脉搏信号特征点包括主峰P、主谷W、次峰U和次谷S。基于脉搏信号特征点对脉搏数据特征进行提取,具体包括:
1)从时间维度定义:我们定义脉搏波周期为主峰间期PP间期,即为上一个主峰和下一个主峰的时间差。主峰次谷之间的时间差PS为主峰次谷间期。 次谷与次峰之间的时间差SU为次波间期。次峰与主谷的时间差UW为次峰主谷间期。
2)从脉搏强度定义:主峰和主谷的电势差定义为UPW, 能够反映脉搏强度。
再对以上脉搏数据特征的特征值进行线性分析、频域分析以及深度特征分析。
下面通过一具体实施例表述本申请公开的一种用于心脑血管疾病风险预测的检测数据处理系统,是通过心电和穴位电信号等人体体表电信号、脉搏信号、图像和声音信号,对心脑血管疾病风险进行预测。系统包括心电、穴位电信号采集模块、脉搏采集模块、图像和声音采集装置。本系统的应用场景目标是医疗系统及家用场景。采集设备会配相应的PC机或者笔记本电脑。系统采集到数据应该能够上传至云端服务器供先进的人工智能算法进行分析监测用户是否有心脑血管疾病发生的风险。心电采集共2个采集点,电极分别贴于左右两侧的锁骨上方。穴位电势采集共6个采集点,两个电极放置于前额,两个电极分别置于左右手曲池穴位,两个电极放置于左右足三里穴位。脉搏采集装置8个电极,分别是左右太阳穴、左右手腕,左右脚腕。图像和声音采集装置放置于用户正前方,如图9所示。以上心电和穴位电的采集电极用医用电极片即可。脉搏的采集,在手腕和脚腕处用腕带(内嵌压电薄膜传感器),在头部用头环的形式(内嵌压电薄膜传感器)。首先是病人就医检查,用检测数据处理系统采集检测数据,同时病人也会根据医生的诊断,按照要求做医院的相关常规体检检查,如心脏造影,生化指标的采集等。接着我们会对检测数据处理系统采集到的心电、穴位电、脉搏、图像和声音等信号进行特征提取,再结合医院的常规检查数据,对风险预测数学模型进行训练,得出相应的预测结果。待病人再次就医检查时,检查所得数据再对数学模型进行修正,以使得风险预测数学模型更加准确。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (10)
1.一种用于心脑血管疾病风险预测的检测数据处理系统,其特征在于,包括检测数据采集装置、数据存储装置、数据处理装置和风险预测输出装置;
所述检测数据采集装置用于获取检测数据;所述检测数据采集装置包括体表电信号采集装置和脉搏信号采集装置;所述体表电信号采集装置用于获取与所述心脑血管疾病相关的经络穴位的体表电信号数据,与所述心脑血管疾病相关的经络穴位包括心包经的穴位和/或手少阴心经的穴位,所述心包经的穴位包括内关穴、曲泽穴和/或天泉穴;所述手少阴心经的穴位包括极泉穴位、少海穴位和/或神门穴位;所述脉搏信号采集装置用于采集太阳穴、手腕和/或脚腕的脉搏信号数据;所述检测数据包括所述经络穴位的体表电信号数据和脉搏信号数据;
所述数据存储装置用于存储所述检测数据;
所述数据处理装置用于对所述检测数据进行特征提取,并将获取的检测数据特征输入到心脑血管疾病风险预测模型中,以用于所述心脑血管疾病风险预测模型输出心脑血管疾病风险预测结果;所述检测数据特征包括提取所述经络穴位的体表电信号数据的特征获取的经络穴位数据特征,还包括提取所述脉搏信号数据的特征获取的脉搏数据特征;
所述风险预测输出装置用于输出所述心脑血管疾病风险预测结果。
2.如权利要求1所述的检测数据处理系统,其特征在于,所述体表电信号采集装置包括采集电极组、检测电路、采集电路和数据获取装置;采集电极组用于获取待检测用户的体表电信号数据,检测电路用于对人体体表电信号进行滤波放大;采集电路用于采集滤波放大后的人体体表电信号,并转化为体表电信号数据发送给所述数据获取装置;所述数据获取装置用于将获取的所述人体体表电信号数据发送给所述数据存储装置。
3.如权利要求1所述的检测数据处理系统,其特征在于,所述脉搏信号采集装置包括电荷放大器、四阶低通滤波器、二级放大器、电压跟随器和ADC;所述电荷放大器包括PVDF压电薄膜和积分放大器,所述PVDF压电薄膜产生与脉搏振动相关的电荷信号,所述积分放大器用于将所述电荷信号积分与放大后转化为与该电荷信号成正比的脉搏电压信号,并将该脉搏电压信号发送给所述四阶低通滤波器;所述二级放大器用于对所述四阶低通滤波器低通滤波后的所述脉搏电压信号进行二次放大;所述电压跟随器用于对所述脉搏电压信号进行缓冲,以减少所述积分放大器的输入损耗;所述ADC用于将所述电压跟随器输出的所述脉搏电压信号转化为脉搏信号数据。
4.如权利要求1所述的检测数据处理系统,其特征在于,所述检测数据采集装置还包括视频采集装置,用于抓取待检测用户的视频数据;所述检测数据还包括所述视频数据;
所述数据处理装置还用于对所述视频数据进行特征提取,以获取待检测用户的仪态特征和/或情绪特征;所述检测数据特征还包括所述仪态特征和/或情绪特征;所述仪态特征包括四肢对称性特征和/或面部对称性特征;所述情绪特征包括兴奋、开心、惊讶、痛苦、恐惧、害羞、愤怒和/或厌恶。
5.如权利要求1所述的检测数据处理系统,其特征在于,所述检测数据采集装置还包括声音采集装置,用于采集待检测用户的声音数据;所述检测数据还包括所述声音数据;
所述数据处理装置还用于对所述声音数据进行特征提取,以获取待检测用户的声音特征;所述检测数据特征还包括声音频率特征、声音振幅特征和/或声音频谱特征。
6.如权利要求1所述的检测数据处理系统,其特征在于,所述检测数据采集装置还包括心电和呼吸采集装置,用于获取待检测用户的心电数据和呼吸数据;所述检测数据还包括心电数据和呼吸数据;
所述数据处理装置还用于对所述心电数据和呼吸数据进行特征提取,以获取所述待检测用户的心电数据特征和呼吸数据特征;所述检测数据特征还包括所述心电数据特征和呼吸数据特征,所述心电数据特征包括心率变异率、心电波形参数的时域频域和非线性特征。
7.如权利要求6所述的检测数据处理系统,其特征在于,所述心电和呼吸采集装置包括采集前端电路,所述采集前端电路包括电极组、右腿驱动模块、信号预处理模块、ADS芯片电路和数据上传模块;所述电极组用于采集心电和呼吸电信号,所述右腿驱动模块用于提高生物电放大器抗干扰能力,所述信号预处理模块用于对所述电极组采集的心电和呼吸电信号进行滤波放大,所述ADS芯片电路用于将模拟信号的所述心电和呼吸电信号转化为数字的心电数据和呼吸数据,所述数据上传模块用于将所述心电数据和呼吸数据发送给所述数据存储装置。
8.如权利要求1所述的检测数据处理系统,其特征在于,所述心脑血管疾病风险预测结果包括待检测用户在未来预设时间段发生心脑血管疾病的概率;和/或,所述未来预设时间段包括未来几周和/或未来几个月。
9.如权利要求1所述的检测数据处理系统,其特征在于,所述心脑血管疾病风险预测模型包括SVM、SVR、 LR、RF、 GBDT、XGBoost和/或 LightGBM机器模型。
10.一种用于心脑血管疾病风险预测的检测数据处理方法,其特征在于,包括:
获取检测数据;所述检测数据包括经络穴位的体表电信号数据和脉搏信号数据;所述经络穴位的体表电信号数据是通过采集与所述心脑血管疾病相关的经络穴位的体表电信号获取,与所述心脑血管疾病相关的经络穴位包括心包经的穴位和/或手少阴心经的穴位;所述心包经的穴位包括内关穴、曲泽穴和/或天泉穴;所述手少阴心经的穴位包括极泉穴位、少海穴位和/或神门穴位;所述脉搏信号数据是通过采集太阳穴、手腕和/或脚腕的脉搏信号获取;
对所述检测数据进行特征提取,以获取检测数据特征;所述检测数据特征包括提取所述经络穴位的体表电信号数据的特征获取的经络穴位数据特征,还包括提取所述脉搏信号数据的特征获取的脉搏数据特征;所述脉搏数据特征包括脉位、脉力、脉率、脉律、脉宽、脉长、脉紧和/或脉势的特征;
将所述检测数据特征输入到心脑血管疾病风险预测模型;
获取所述心脑血管疾病风险预测模型输出的心脑血管疾病风险预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300257.9A CN113080892A (zh) | 2021-03-22 | 2021-03-22 | 用于心脑血管疾病风险预测的检测数据处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300257.9A CN113080892A (zh) | 2021-03-22 | 2021-03-22 | 用于心脑血管疾病风险预测的检测数据处理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113080892A true CN113080892A (zh) | 2021-07-09 |
Family
ID=76668717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110300257.9A Pending CN113080892A (zh) | 2021-03-22 | 2021-03-22 | 用于心脑血管疾病风险预测的检测数据处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113080892A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114242244A (zh) * | 2021-12-21 | 2022-03-25 | 广州海思医疗科技有限公司 | 一种个性化用药风险预测及风险分层系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2652325Y (zh) * | 2003-11-10 | 2004-11-03 | 李健 | 中医经络脉象检测装置 |
CN105615850A (zh) * | 2016-02-19 | 2016-06-01 | 京东方科技集团股份有限公司 | 可穿戴的监护设备、监护用手环及监护系统 |
CN109394183A (zh) * | 2018-12-14 | 2019-03-01 | 量子云未来(北京)信息科技有限公司 | 一种医疗疾病预警方法、系统及存储介质 |
CN110367934A (zh) * | 2019-07-25 | 2019-10-25 | 深圳大学 | 一种基于非语音身体声音的健康监测方法及监测系统 |
TWI702936B (zh) * | 2019-09-26 | 2020-09-01 | 國立成功大學 | 基於穴道電阻與血壓波的脈象分析方法、預測模型建立方法及其系統 |
CN111714088A (zh) * | 2020-06-09 | 2020-09-29 | 北京大学深圳研究生院 | 基于中医原理的人体特征指标检测方法和系统 |
CN112426137A (zh) * | 2020-11-02 | 2021-03-02 | 北京大学深圳研究生院 | 一种基于脉搏和血压的健康检测仪及系统 |
-
2021
- 2021-03-22 CN CN202110300257.9A patent/CN113080892A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2652325Y (zh) * | 2003-11-10 | 2004-11-03 | 李健 | 中医经络脉象检测装置 |
CN105615850A (zh) * | 2016-02-19 | 2016-06-01 | 京东方科技集团股份有限公司 | 可穿戴的监护设备、监护用手环及监护系统 |
CN109394183A (zh) * | 2018-12-14 | 2019-03-01 | 量子云未来(北京)信息科技有限公司 | 一种医疗疾病预警方法、系统及存储介质 |
CN110367934A (zh) * | 2019-07-25 | 2019-10-25 | 深圳大学 | 一种基于非语音身体声音的健康监测方法及监测系统 |
TWI702936B (zh) * | 2019-09-26 | 2020-09-01 | 國立成功大學 | 基於穴道電阻與血壓波的脈象分析方法、預測模型建立方法及其系統 |
CN111714088A (zh) * | 2020-06-09 | 2020-09-29 | 北京大学深圳研究生院 | 基于中医原理的人体特征指标检测方法和系统 |
CN112426137A (zh) * | 2020-11-02 | 2021-03-02 | 北京大学深圳研究生院 | 一种基于脉搏和血压的健康检测仪及系统 |
Non-Patent Citations (1)
Title |
---|
周志峰等: "《临床创建病特色针灸治疗》", 30 April 2018, 科学技术文献出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114242244A (zh) * | 2021-12-21 | 2022-03-25 | 广州海思医疗科技有限公司 | 一种个性化用药风险预测及风险分层系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104363824B (zh) | 心电图中实时qrs持续时间的测量 | |
CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
CN107788976A (zh) | 基于振幅整合脑电图的睡眠监测系统 | |
Wang et al. | A low power cardiovascular healthcare system with cross-layer optimization from sensing patch to cloud platform | |
Chaudhuri et al. | Ambulation analysis in wearable ECG | |
US11406304B2 (en) | Systems and methods for physiological sign analysis | |
CN107049699A (zh) | 一种催眠智能躺椅垫及其心率和呼吸波的测量方法 | |
Nandagopal et al. | Newly constructed real time ECG monitoring system using labview | |
CN209107350U (zh) | 生物反馈式意识障碍检测及唤醒系统 | |
Chabchoub et al. | Biomedical monitoring system using LabVIEW FPGA | |
CN113080892A (zh) | 用于心脑血管疾病风险预测的检测数据处理方法和系统 | |
Li et al. | Unobtrusive monitoring of cardiorespiratory signals during sleep based on PVDF sensor and singular spectrum analysis | |
WO2018018570A1 (zh) | 用于心电测量的装置和方法 | |
CN109846498B (zh) | 用于精神状态监测的穿戴式装置及监测数据的采集方法 | |
CN105232041A (zh) | 人体体表电特性分布的测量装置、数据终端及方法 | |
CN114504333B (zh) | 一种基于肌电的穿戴式前庭监测系统及应用 | |
CN109394230A (zh) | 一种基于表面肌电信号的步态分析系统 | |
CN115251845A (zh) | 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法 | |
Santonico et al. | Contactless detection of ECG Signals: sensor architecture and simulation | |
Senevirathna et al. | Spatio-temporal compressed sensing for real-time wireless EEG monitoring | |
Noh et al. | Implementation of unconstrained ballistocardiogram monitoring system for ubiquitous healthcare | |
Toresano et al. | Data acquisition instrument for EEG based on embedded system | |
Bhogeshwar et al. | Circuit system analysis for real-time acquisition of bio-signals | |
Wadhwani et al. | IOT based biomedical wireless sensor networks and machine learning algorithms for detection of diseased conditions | |
Jinchuang et al. | Design of multi-parameter embedded biological information measurement system |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210709 |