CN113116321A - 基于pso-grnn神经网络的无创连续血压测量系统 - Google Patents
基于pso-grnn神经网络的无创连续血压测量系统 Download PDFInfo
- Publication number
- CN113116321A CN113116321A CN202110232803.XA CN202110232803A CN113116321A CN 113116321 A CN113116321 A CN 113116321A CN 202110232803 A CN202110232803 A CN 202110232803A CN 113116321 A CN113116321 A CN 113116321A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- pulse wave
- module
- pulse
- pso
- 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
- 230000036772 blood pressure Effects 0.000 title claims abstract description 96
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000008030 elimination Effects 0.000 claims abstract description 9
- 238000003379 elimination reaction Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 35
- 239000002245 particle Substances 0.000 claims description 23
- 230000035488 systolic blood pressure Effects 0.000 claims description 16
- 230000035487 diastolic blood pressure Effects 0.000 claims description 14
- 238000009530 blood pressure measurement Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 230000000747 cardiac effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000000748 cardiovascular system Anatomy 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000028399 Critical Illness Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 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
- 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
- A61B5/02—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
- A61B5/72—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
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Vascular Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了基于PSO‑GRNN神经网络的无创连续血压测量系统，包括：脉搏信号采集模块；血压采集模块；服务端模块，用于接收采集到的脉搏波信号，基于离散小波变换进行消噪处理，获取脉搏波特征点，基于脉搏波特征点计算得出特征参数，将特征参数作为训练集的输入矩阵，将与脉搏信号对应的血压信号作为训练集的输出值，基于PSO‑GRNN神经网络的进行模型训练，得到训练好的血压预测模型，并基于训练好的血压预测模型，通过特征参数，获得血压预测值；终端模块，与服务端模块连接，用于显示消噪处理后的脉搏波信号以及血压预测值。本发明基于PSO‑GRNN神经网络对脉搏波特征参数进行动态建模，提高了连续血压的测量精确度。
Description
技术领域
本发明涉及无创连续血压测量的技术领域，特别涉及一种基于PSO-GRNN神经网络的无创连续血压测量系统。
背景技术
血压(Blood Pressure,BP)作为重要的生理参数，不仅与心血管的健康有着密切的关系，而且能够反映人脑心血管系统的健康程度，因此可以在病理诊断、疗效观察、病情判断等方面发挥积极的应用价值。
现有的血压测量方法分为间歇式血压测量方法和连续式血压测量方法。间歇式血压测量方法包括柯氏音听诊法、次声法和示波法等，但是该方法不能实现连续测量，而且被测者还会受到充气袖带的束缚；连续式血压测量方法分为有创测量法和无创测量法，有创式测量方法是通过在血管中压力式传感器导管来检测血压信号，通常用于重症病人手术过程中，因此不适用于日常。无创式测量方法包括动脉张力测定法、容积补偿法、脉搏波测量法等，该方式可以摆脱充气袖带的束缚，设备和测量过程也比较简单。对于基于脉搏波的无创式连续血压测量方法中，又分为脉搏波特征参数法、脉搏波传导时间法。脉搏波传导时间法主要根据脉搏波信号与ECG信号结合的方法或者两路脉搏波信号结合的方法。脉搏波特征参数法只需要一路脉搏信号，由于脉搏波的形态学特征含有大量的心血管系统信息，该方法利用脉搏波特征参数与血压的关系建立起连续血压测量模型。但人体血压受多种因累影响，连续血压测量受多种因素影响，靠成测量精度不高，因此，如何提高连续血压的测量精度成为一个重要问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于PSO-GRNN神经网络的无创连续血压测量系统，能够提高连续血压的测量精确度。
根据本发明的第一方面实施例的基于PSO-GRNN神经网络的无创连续血压测量系统，包括：脉搏信号采集模块，用于采集被测者的脉搏波信号；血压采集模块，用于采集被测者的血压信号值；服务端模块，分别与所述脉搏信号采集模块及所述血压采集模块相连接，用于接收采集到的所述脉搏波信号，基于离散小波变换进行消噪处理，获取脉搏波特征点，基于所述脉搏波特征点计算得出特征参数，将所述特征参数作为训练集的输入矩阵，将与所述脉搏信号对应的所述血压信号值作为训练集的输出值，基于PSO-GRNN神经网络的进行模型训练，得到训练好的血压预测模型，以及，基于训练好的所述血压预测模型，通过所述特征参数，获得血压预测值；终端模块，与所述服务端模块连接，用于显示消噪处理后的所述脉搏波信号以及所述血压预测值。
根据本发明实施例的基于PSO-GRNN神经网络的无创连续血压测量系统，至少具有如下有益效果：通过对脉搏信号进行连续性采集，基于PSO-GRNN神经网络通过对脉搏波特征参数进行动态建模，实现对血压的连续性测量并在终端模块中动态进行显示，提高了连续血压的测量精确度。
根据本发明的一些实施例，所述服务端模块包括：预处理模块，用于基于离散小波变换去除所述脉搏波信号中的基线漂移和高频干扰，得到消噪脉搏波信号，对所述消噪脉搏波信号基于差分阈值法进行特征点检测，获取所述脉搏波特征点，并计算得出所述特征参数；模型训练模块，将所述特征参数作为训练集的输入矩阵，将与所述脉搏信号对应的所述血压信号值作为训练集的输出值，基于PSO-GRNN神经网络的进行模型训练，并通过粒子群优化算法对GRNN参数进行优化，得到训练好的血压预测模型；血压预测模块，用于接收所述特征参数，基于所述血压预测模型，获得所述血压预测值。
根据本发明的一些实施例，所述预处理模块包括：特征点提取模块，用于对所述消噪脉搏波信号进行一阶微分运算，选取过零点，在每个周期中将一阶微分信号最大振幅点之前最近的过零点标记为脉搏波起点，将所述最大振幅点标记脉搏主波峰值点；以及对所述消噪脉搏波信号中的重搏波进行检测，将重搏波中波形幅值最小的点标记为降中峡，在降中峡与下一个所述脉搏波起点之间辐值最大的点标记为重搏波波峰点。
根据本发明的一些实施例，所述预处理模块还包括：特征参数处理模块，用于根据所述脉搏波起点、所述脉搏主波峰值点、所述降中峡及所述重搏波波峰点得出所述特征参数，所述特征参数包括：脉搏波起点幅值、脉搏波主波幅值、重搏波起点幅值、重搏波峰值幅值、脉搏波起点相对高度、重搏波起点相对高度、重搏波峰值相对高度、上升支时间、上升支相对时间、下降支相对时间及心输出量。
根据本发明的一些实施例，所述模型训练模块包括：优化模块，用于迭代更新适应度函数的最小值，获取所述适应度函数取最小值时相应的所述PSO-GRNN神经网络的光滑因子并保存，所述适应度函数为：
其中，SBP及DBP分别表示收缩压与舒张压，下标train及expect表示训练值及期望值，n表示数据总量。
根据本发明的一些实施例，数据存储模块，用于存储所述消噪脉搏波信号及所述血压预测值。
根据本发明的一些实施例，所述脉搏信号采集模块为光电式脉搏传感器。
根据本发明的一些实施例，所述血压采集模块为袖带式电子血压计。
根据本发明的一些实施例，所述终端模块还与所述脉搏信号采集模块无线连接，向所述脉搏信号采集模块发送采集开始请求或采集结束请求。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例中的模块示意框图；
图2为本发明实施例中的血压预测时的数据交互示意图；
图3为本发明实施例中检测脉搏波特征点的示意图；
图4为本发明实施例中根据脉搏波特征点计算得出的特征参数；
图5为本发明实施例中的PSO-GRNN神经网络结构示意图；
图6为本发明实施例中的PSO-GRNN神经网络的数据处理过程示意；
图7为使用本发明实施例的系统对5名受测者的血压测量结果；
图8为图7中的第二名受测者的收缩压(SBP)预测结果图；
图9为图7中的第二名受测者的舒张压(DBP)预测结果图；
图10为本发明实施例中的终端模块的显示界面。
附图标记：
脉搏信号采集模块100、血压采集模块200、服务端模块300、终端模块400。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个及两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
名词解释：
Mpvue：是一个使用Vue.js开发小程序的前端框架。mpvue框架基于Vue.js核心，使其可以运行在小程序环境中，从而为小程序开发引入了整套Vue.js开发体验。
本发明实施例的系统，包括：脉搏信号采集模块100、血压采集模块200、服务端模块300及终端模块400。脉搏信号采集模块100用于采集被测者的脉搏波信号，发送给服务端模块300。血压采集模块200用于采集被测者的血压信号值，包括收缩压和舒张压，发送给服务端模块300。服务端模块300接收脉搏波信号，基于PSO-GRNN神经网络的血压预测模型，实现对血压进行连续测量，得到血压预测值，发送给终端模块400进行界面显示。服务端模块300接收到脉搏波信号，基于离散小波变换进行消噪处理，获取脉搏波特征点，基于脉搏波特征点计算得出特征参数；然后将这些特征参数输入至基于PSO-GRNN神经网络的血压预测模型，得到血压预测值，包括收缩压和舒张压的预测值。服务端模块300还会对基于PSO-GRNN神经网络的血压预测模型进行训练优化，方法如下：同时通过脉搏采集模块100及血压采集模块200对同一用户进行测试，分别得到脉搏波信号及相应的血压信号值，将该脉搏波信号进行消噪处理，提取脉搏波特征点，得出特征参数，然后，将特征参数作为训练集的输入矩阵，将血压信号值作为训练集的输出值，基于PSO-GRNN神经网络的进行模型训练，得到训练好的血压预测模型。终端模块400从服务端模块300中获取消噪处理后的脉搏波信号及血压预测值，在界面中予以显示。
如图2所示，为本发明的一个实施例，脉搏信号采集模块100为光电脉搏传感器，如PWS-20光电脉搏传感器，利用发光管照射手指指尖部位，输出反映血管末稍血容积变化的脉搏传感器，从而实现对脉搏信号的采集。血压采集模块则为袖带式电子血压计(图2中未标识出)，通过对受测者进行血压数据的采集，获取到数据上送至服务器，由服务器对血压预测模型进行训练及验证。服务器还会存储消噪脉搏波信号及血压预测值，供终端模块400显示使用。本发明的实施例中的终端模块400为第三方应用小程序，如微信客户端小程序，通过mpvue框架进行小程序构建，如图10所示，微信程序界面中显示脉搏波形以及预测的血压数值，并提供了血压相关的一些健康小提示等。用户还可以通过交互界面中的按钮，通过终端模块400向脉搏信号采集模块100发送采集开始请求或采集停止请求，脉搏信号采集模块100接收到请求后，相应地开始采集脉搏信号或者停止采集。
本发明的实施例中，对血压预测模型的训练过程，包括如下步骤：
步骤1：通过PWS-20光电脉搏传感器和袖带式电子血压计对脉搏波和血压进行同步测量，获取脉搏波信号及对应的血压测量值，用来模型的训练与测试。
步骤2：对PWS-20光电传感器采集到的脉搏波信号进行去噪处理。通过离散小波变换(Discrete wavelet transform，DWT)去除采集到的脉搏波信号中的基线漂移和高频干扰。基线漂移是由于在采集数据时放大电路不稳定还有呼吸移动造成的，高频干扰是由于50HZ的工频干扰。小波变换是一种信号时频分析法，经过小波变换可以充分凸显某些特征，伸缩平移运算处理信号，实现信号的多尺度细化，从而实现多分辨率分析。经过离散小波变化分解后，对各层的小波系数进行阈值量化处理，消除噪声，最后实现信号的重构，重构后的信号即为消除噪声后的脉搏波信号。
步骤3：对于去噪后的脉搏信号进行特征点提取，分别提取脉搏波的起点、峰值点、降中峡点、重搏波波峰、上升支斜率最大点以及下降支斜率最大点。
步骤4：根据步骤3提取到的脉搏波特征点进行参数参数计算与选择，确立模型训练集的输入值，将步骤1测量的对应脉搏波形的收缩压与舒张压作为训练集的输出值。通过PSO(粒子群优化算法)对GRNN参数进行优化选择，最终确立了特征参数与血压值之间的血压预测模型。
本发明的实施例中，对于脉搏信号进行去噪预处理采用的是离散小波变换(Discrete wavelet transform，DWT)，离散小波变换是对连续小波函数的尺度因子a和平移因子b进行离散化，a＝a0 j，b＝ka0 jb0，j，k∈Z，离散小波变换函数如公式(1)所示。
φj.k(t)＝a0 -j/2φ(a0-jt-kb0) (1)
离散小波变换系数为
小波逆变换为
其中φ(t)表示基本小波，c为常数。
含有噪声的信号表达式如(4)所示。
S(t)＝f(t)+σ·e(t)t＝0，1，…，n-1 (4)
其中f(t)表示真实信号，e(t)表示噪声。S(t)表示带有噪声的信号。经过小波分解后，对各层的小波系数进行阈值量化处理，消除噪声；最后进行小波的逆变换，实现信号的重构，重构后的信号即为消除噪声后的脉搏波信号。
对于步骤3中脉搏波特征点的提取方法包括：基于差分阈值法，对脉搏波起始点、脉搏波主波峰值点、降中峡以及重搏波峰值点进行检测标记。首先，对去噪后的脉搏波信号进行一阶微分运算，从处理后的信号中选取过零点，在每个周期中将一阶微分信号最大振幅点之前最近的过零点标记为脉搏波起点，将最大振幅点标记脉搏主波峰值点；以及对消噪脉搏波信号中的重搏波进行检测，将重搏波中波形幅值最小的点标记为降中峡，在降中峡与下一个脉搏波起点之间辐值最大的点标记为重搏波波峰点。如图3所示，图中为单个脉搏周期，其中A点为脉搏波起点位置，B点为脉搏波主波位置，C点为重搏波起点即降中峡位置，D点为重搏波波峰位置，E点为当前脉搏波周期结束以及下个脉搏周期起点位置。
本发明的实施例采用基于PSO(粒子群算法)优化的GRNN神经网络进行模型的训练与预测。对于该模型的输入为基于步骤4得到的四个特征检测点(即：脉搏波起始点、脉搏波主波峰值点、降中峡以及重搏波峰值点)得到的11个特征参数，即11维输入矩阵，输出为SBP(收缩压)、DBP(舒张压)，即两维输出矩阵，确立完输入输出之后，通过训练得到基于PSO-GRNN神经网络的血压预测模型。输入特征矩阵分别为脉搏波起点幅值Ha、脉搏波主波幅值Hb、重搏波起点位置Hc、重搏波峰值幅值Hd、脉搏波起点相对高度片a/Hb、重搏波起点相对高度Hc/Hb、重搏波峰值相对高度md/Hb、上升支时间Tab、上升支相对时间Tab/Tac、下降支相对时间Tbe/Tac、心输出量Z，具体如图4所示。
本发明实施例中，基于PSO(粒子群算法)优化的GRNN神经网络在结构上由四层构成，如图5所示，分别为输入层(input layer)、模式层(pattern layer)、求和层(simulation layer)和输出层(output layer)，对应网络输入为X＝[x1,x2,...,xn]，输出为Y＝[y1,y2,...,yk]。
输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，直接将输入变量传递给模式层。模式层神经元数目等于学习样本的数目n，各神经元对应不同的样本，模式层神经元为：
神经元i的输出为输入变量与其对应的样本X之间欧式距离平方的指数平方。
求和层使用两种类型神经元进行求和。一类的计算公式为：
它对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：
另一类计算公式为：
对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素，传替函数为：
输出层中的神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果Y(X)的第j个元素，即：
PSO(粒子群算法)初始化一群随机粒子，然后通过迭代找到最优解。在PSO中，每个优化问题的潜在解都可以想象成d维搜索空间上的一个点，我们称之为″粒子″(Particle)，所有的粒子都有一个被目标函数决定的适应值(Fitness Value)，每个粒子还有一个速度决定他们飞翔的方向和距离，然后粒子们就追随当前的最优粒子在解空间中搜索。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
经过粒子群算法的优化，可以避免GRNN神经网络初始权值阈值设定不当，难以收敛到最优解的问题，最后利用优化后的网络模型实现连续血压的测量。
图6为PSO-GRNN神经网络对数据处理的步骤。首先，设定PSO(粒子群算法)的惯性权重系数w，总群规模m，学习因子C1和C2，最大速度Vmax以及GRNN神经网络的光滑因子取值范围。其次，确定特征输入矩阵，为上述的11维特征参数矩阵，输出矩阵为收缩压与舒张压组成的二维矩阵[SBPtrain，DBPtrain]。图6中选取的适应度函数为：
其中，SBP及DBP分别表示收缩压与舒张压，下标train及expect表示训练值及期望值，n表示数据总量。
通过不断调整优化，PSO(粒子群算法)不断更新适应度函数E(该函数也被称为误差函数)的最小值，获取误差函数E最小值时的光滑因子，最后将该光滑因子保存到GRNN神经网络的训练模型net中。
本发明的实施例的系统进行可行性验证试验。本发明采取的验证方法为：平均误差不超过5mmHg，标准误差不超过8mmHg的标准。
平均误差计算公式为：
标准误差计算公式为：
其中，yi为通过该方法预测得到的血压值，xi为实际的血压值，n为样本数，e为平均误差，
为标准误差。
通过本发明的实施例的系统对5名志愿者进行了血压测量测试，结果如图7所示。图8和图9分别为图7中的2号志愿者收缩压(SBP)和舒张压(DBP)的预测结果图。通过计算出测量值与实际值的比较的平均误差和标准误差，结果都满足上述误差标准，即平均误差不超过5mmHg，标准误差不超过8mmHg。
尽管本文描述了具体实施方案，但是本领域中的普通技术人员将认识到，许多其它修改或另选的实施方案同样处于本公开的范围内。例如，结合特定设备或组件描述的功能和/或处理能力中的任一项可以由任何其它设备或部件来执行。另外，虽然已根据本公开的实施方案描述了各种例示性具体实施和架构，但是本领域中的普通技术人员将认识到，对本文所述的例示性具体实施和架构的许多其它修改也处于本公开的范围内。
上文参考根据示例性实施方案所述的系统、方法、系统和/或计算机程序产品的框图和流程图描述了本公开的某些方面。应当理解，框图和流程图中的一个或多个块以及框图和流程图中的块的组合可分别通过执行计算机可执行程序指令来实现。同样，根据一些实施方案，框图和流程图中的一些块可能无需按示出的顺序执行，或者可以无需全部执行。另外，超出框图和流程图中的块所示的那些部件和/或操作以外的附加部件和/或操作可存在于某些实施方案中。
因此，框图和流程图中的块支持用于执行指定功能的装置的组合、用于执行指定功能的元件或步骤的组合以及用于执行指定功能的程序指令装置。还应当理解，框图和流程图中的每个块以及框图和流程图中的块的组合可以由执行特定功能、元件或步骤的专用硬件计算机系统或者专用硬件和计算机指令的组合来实现。
本文所述的程序模块、应用程序等可包括一个或多个软件组件，包括例如软件对象、方法、数据结构等。每个此类软件组件可包括计算机可执行指令，所述计算机可执行指令响应于执行而使本文所述的功能的至少一部分(例如，本文所述的例示性方法的一种或多种操作)被执行。
软件组件可以用各种编程语言中的任一种来编码。一种例示性编程语言可以为低级编程语言，诸如与特定硬件体系结构和/或操作系统平台相关联的汇编语言。包括汇编语言指令的软件组件可能需要在由硬件架构和/或平台执行之前由汇编程序转换为可执行的机器代码。另一种示例性编程语言可以为更高级的编程语言，其可以跨多种架构移植。包括更高级编程语言的软件组件在执行之前可能需要由解释器或编译器转换为中间表示。编程语言的其它示例包括但不限于宏语言、外壳或命令语言、作业控制语言、脚本语言、数据库查询或搜索语言、或报告编写语言。在一个或多个示例性实施方案中，包含上述编程语言示例中的一者的指令的软件组件可直接由操作系统或其它软件组件执行，而无需首先转换成另一种形式。
软件组件可存储为文件或其它数据存储构造。具有相似类型或相关功能的软件组件可一起存储在诸如特定的目录、文件夹或库中。软件组件可为静态的(例如，预设的或固定的)或动态的(例如，在执行时创建或修改的)。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (9)
1.一种基于PSO-GRNN神经网络的无创连续血压测量系统，其特征在于，包括：
脉搏信号采集模块，用于采集被测者的脉搏波信号；
血压采集模块，用于采集被测者的血压信号值；
服务端模块，分别与所述脉搏信号采集模块及所述血压采集模块相连接，用于接收采集到的所述脉搏波信号，基于离散小波变换进行消噪处理，获取脉搏波特征点，基于所述脉搏波特征点计算得出特征参数，将所述特征参数作为训练集的输入矩阵，将与所述脉搏信号对应的所述血压信号值作为训练集的输出值，基于PSO-GRNN神经网络的进行模型训练，得到训练好的血压预测模型，以及，基于训练好的所述血压预测模型，通过所述特征参数，获得血压预测值；
终端模块，与所述服务端模块连接，用于显示消噪处理后的所述脉搏波信号以及所述血压预测值。
2.根据权利要求1所述的基于PSO-GRNN神经网络的无创连续血压测量系统，所述服务端模块包括：
预处理模块，用于基于离散小波变换去除所述脉搏波信号中的基线漂移和高频干扰，得到消噪脉搏波信号，对所述消噪脉搏波信号基于差分阈值法进行特征点检测，获取所述脉搏波特征点，并计算得出所述特征参数；
模型训练模块，将所述特征参数作为训练集的输入矩阵，将与所述脉搏信号对应的所述血压信号值作为训练集的输出值，基于PSO-GRNN神经网络的进行模型训练，并通过粒子群优化算法对GRNN参数进行优化，得到训练好的血压预测模型；
血压预测模块，用于接收所述特征参数，基于所述血压预测模型，获得所述血压预测值。
3.根据权利要求2所述的基于PSO-GRNN神经网络的无创连续血压测量系统，所述预处理模块包括：
特征点提取模块，用于对所述消噪脉搏波信号进行一阶微分运算，选取过零点，在每个周期中将一阶微分信号最大振幅点之前最近的过零点标记为脉搏波起点，将所述最大振幅点标记脉搏主波峰值点；以及对所述消噪脉搏波信号中的重搏波进行检测，将重搏波中波形幅值最小的点标记为降中峡，在降中峡与下一个所述脉搏波起点之间辐值最大的点标记为重搏波波峰点。
4.根据权利要求2所述的基于PSO-GRNN神经网络的无创连续血压测量系统，所述预处理模块还包括：
特征参数处理模块，用于根据所述脉搏波起点、所述脉搏主波峰值点、所述降中峡及所述重搏波波峰点得出所述特征参数，所述特征参数包括：脉搏波起点幅值、脉搏波主波幅值、重搏波起点幅值、重搏波峰值幅值、脉搏波起点相对高度、重搏波起点相对高度、重搏波峰值相对高度、上升支时间、上升支相对时间、下降支相对时间及心输出量。
5.根据权利要求2所述的基于PSO-GRNN神经网络的无创连续血压测量系统，所述模型训练模块包括：
优化模块，用于迭代更新适应度函数的最小值，获取所述适应度函数取最小值时相应的所述PSO-GRNN神经网络的光滑因子并保存，所述适应度函数为：
其中，SBP及DBP分别表示收缩压与舒张压，下标train及expect表示训练值及期望值，n表示数据总量。
6.根据权利要求2所述的基于PSO-GRNN神经网络的无创连续血压测量系统，所述服务端模块还包括：
数据存储模块，用于存储所述消噪脉搏波信号及所述血压预测值。
7.根据权利要求1所述的基于PSO-GRNN神经网络的无创连续血压测量系统，其特征在于，所述脉搏信号采集模块为光电式脉搏传感器。
8.根据权利要求1所述的基于PSO-GRNN神经网络的无创连续血压测量系统，其特征在于，所述血压采集模块为袖带式电子血压计。
9.根据权利要求1所述的基于PSO-GRNN神经网络的无创连续血压测量系统，其特征在于，所述终端模块还与所述脉搏信号采集模块无线连接，向所述脉搏信号采集模块发送采集开始请求或采集结束请求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110232803.XA CN113116321A (zh) | 2021-03-03 | 2021-03-03 | 基于pso-grnn神经网络的无创连续血压测量系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110232803.XA CN113116321A (zh) | 2021-03-03 | 2021-03-03 | 基于pso-grnn神经网络的无创连续血压测量系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113116321A true CN113116321A (zh) | 2021-07-16 |
Family
ID=76772549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110232803.XA Pending CN113116321A (zh) | 2021-03-03 | 2021-03-03 | 基于pso-grnn神经网络的无创连续血压测量系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113116321A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114469032A (zh) * | 2022-01-25 | 2022-05-13 | 深圳市奥极健康科技有限公司 | 一种血压测量方法、装置、设备及可读存储介质 |
| CN116028809A (zh) * | 2022-12-27 | 2023-04-28 | 北京津发科技股份有限公司 | 一种连续血压的测量模型训练、测量方法及装置 |
| CN116383617A (zh) * | 2023-04-21 | 2023-07-04 | 复旦大学 | 一种基于脉搏波波形特征的智能血压检测方法及系统 |
| CN117426754A (zh) * | 2023-12-22 | 2024-01-23 | 山东锋士信息技术有限公司 | 基于pnn-lvq的特征权重自适应脉搏波分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106821356A (zh) * | 2017-02-23 | 2017-06-13 | 吉林大学 | 基于Elman神经网络的云端连续血压测量方法及系统 |
| CN107928654A (zh) * | 2017-12-11 | 2018-04-20 | 重庆邮电大学 | 一种基于神经网络的脉搏波信号血压检测方法 |
| CN110223780A (zh) * | 2019-06-13 | 2019-09-10 | 广东工业大学 | 一种自适应pso-grnn的胎儿体重预测方法及系统 |
| 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 |
-
2021
- 2021-03-03 CN CN202110232803.XA patent/CN113116321A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106821356A (zh) * | 2017-02-23 | 2017-06-13 | 吉林大学 | 基于Elman神经网络的云端连续血压测量方法及系统 |
| CN107928654A (zh) * | 2017-12-11 | 2018-04-20 | 重庆邮电大学 | 一种基于神经网络的脉搏波信号血压检测方法 |
| CN110223780A (zh) * | 2019-06-13 | 2019-09-10 | 广东工业大学 | 一种自适应pso-grnn的胎儿体重预测方法及系统 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 袁春雨: "基于GA-Elman神经网络无创连续血压测量方法的研究", 《中国知网硕士电子期刊》 * |
| 贾义鹏等: "基于粒子群算法和广义回归神经网络的岩爆预测", 《岩石力学与工程学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114469032A (zh) * | 2022-01-25 | 2022-05-13 | 深圳市奥极健康科技有限公司 | 一种血压测量方法、装置、设备及可读存储介质 |
| CN114469032B (zh) * | 2022-01-25 | 2024-05-17 | 深圳市奥极健康科技有限公司 | 一种血压测量方法、装置、设备及可读存储介质 |
| CN116028809A (zh) * | 2022-12-27 | 2023-04-28 | 北京津发科技股份有限公司 | 一种连续血压的测量模型训练、测量方法及装置 |
| CN116383617A (zh) * | 2023-04-21 | 2023-07-04 | 复旦大学 | 一种基于脉搏波波形特征的智能血压检测方法及系统 |
| CN116383617B (zh) * | 2023-04-21 | 2023-09-22 | 复旦大学 | 一种基于脉搏波波形特征的智能血压检测方法及系统 |
| CN117426754A (zh) * | 2023-12-22 | 2024-01-23 | 山东锋士信息技术有限公司 | 基于pnn-lvq的特征权重自适应脉搏波分类方法 |
| CN117426754B (zh) * | 2023-12-22 | 2024-04-19 | 山东锋士信息技术有限公司 | 基于pnn-lvq的特征权重自适应脉搏波分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Heart sound classification based on scaled spectrogram and partial least squares regression | |
| US20220093216A1 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
| CN113116321A (zh) | 基于pso-grnn神经网络的无创连续血压测量系统 | |
| Turkoglu et al. | An intelligent system for diagnosis of the heart valve diseases with wavelet packet neural networks | |
| Turkoglu et al. | An expert system for diagnosis of the heart valve diseases | |
| Übeylı et al. | Feature extraction from Doppler ultrasound signals for automated diagnostic systems | |
| US20100274102A1 (en) | Processing Physiological Sensor Data Using a Physiological Model Combined with a Probabilistic Processor | |
| US20220093215A1 (en) | Discovering genomes to use in machine learning techniques | |
| Sun et al. | An improved morphological approach to background normalization of ECG signals | |
| CN111370120B (zh) | 一种基于心音信号的心脏舒张功能障碍的检测方法 | |
| Roy et al. | BePCon: A photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning | |
| CN114027804A (zh) | 一种脉象诊断的方法、装置及可读存储介质 | |
| CN114052693A (zh) | 心率分析方法、装置及设备 | |
| Liang et al. | Identification of heart sounds with arrhythmia based on recurrence quantification analysis and Kolmogorov entropy | |
| Jo et al. | Development of a mathematical model for age-dependent radial artery pulse wave analysis based on pulse waveform decomposition | |
| CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
| Forouzanfar et al. | Model-based oscillometric blood pressure estimation | |
| Ebrahimkhani et al. | A deep learning approach to using wearable Seismocardiography (SCG) for diagnosing aortic valve stenosis and predicting aortic hemodynamics obtained by 4D flow MRI | |
| Sá et al. | Heart disease detection architecture for lead I off-the-person ECG monitoring devices | |
| Khan et al. | Multi-Domain Feature-based Expert Diagnostic System for Detection of Hypertension using Photoplethysmogram Signal | |
| EP4111953A1 (en) | Method and device for translating between stochastic signals | |
| Ezzat et al. | ECG Signal Reconstruction from PPG Using Hybrid Deep Neural Networks. | |
| Dawson-Amoah | Pulse diagnosis using signal processing and machine learning techniques | |
| Yuenyong et al. | Automatic heart sound analysis for tele-cardiac auscultation | |
| Ghosh | Motion Compensated Continuous Blood Pressure Measurements Using Recurrent Neural Networks |
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 |
Application publication date: 20210716 |
|
| RJ01 | Rejection of invention patent application after publication |