CN113143230A - 一种外周动脉血压波形重构系统 - Google Patents
一种外周动脉血压波形重构系统 Download PDFInfo
- Publication number
- CN113143230A CN113143230A CN202110511073.7A CN202110511073A CN113143230A CN 113143230 A CN113143230 A CN 113143230A CN 202110511073 A CN202110511073 A CN 202110511073A CN 113143230 A CN113143230 A CN 113143230A
- Authority
- CN
- China
- Prior art keywords
- module
- blood pressure
- arterial blood
- peripheral arterial
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
- A61B5/0215—Measuring pressure in heart or blood vessels by means inserted into the body
- A61B5/02154—Measuring pressure in heart or blood vessels by means inserted into the body by optical transmission
-
- 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
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Vascular Medicine (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供了一种外周动脉血压波形重构系统,包括数据采集控制模块、心电信号测量模块、脉搏波测量模块、信号质量评估模块、外周动脉血压波形重构模块与数据显示模块。本发明同时使用心电信号和脉搏波信号表征个体特性,通过不同大小的一维空洞卷积对原始心电信号和脉搏波信号进行形态特征提取,保留原始信号中周期相关特征;结合通道注意力机制实现特征的自适应加权,最后利用循环神经网络的长短时记忆单元,有效记忆心电信号和脉搏中波信号的长周期规律,有效利用获取波形序列中的其后关联信息,实现高精度的外周动脉血压波形的重构。本发明无需人工提取特征,实现端到端的外周动脉血压波形重构,智能建模和高精度重构两个方面取得显著优势。
Description
技术领域
本发明属于人工智能与医疗器械研发技术的交叉领域。
背景技术
外周动脉血压波形是指血液在血管内流动时,作用于单位面积血管壁侧压力随时间变化的曲线,它包含丰富的人体生理病理信息。通过提取外周动脉血压波形的参数指标,如收缩压、舒张压、均压、脉压、反射强度、增强指数、射血时间等,可以对生理病理情况进行评估和预测。而且,一些临床研究表明:动脉的血压连续测量与血压的单次测量相比连续测量血压波形的临床价值和指导意义更加突出,能反映心脏负荷,与心血管事件的发生更加密切相关。因此,外周动脉血压波形的准确检测是提取这些参数指标的重要前提,是心血管系统疾病准确监测的关键,具有十分重要学术价值和临床应用意义。
目前,外周动脉血压波形测量方法的“金标准”是利用导管介入外周动脉,如桡动脉和股动脉,在血管内部进行外周动脉血压的连续测量,导管介入法具有一定的创伤性,主要用于特定场合,如急救、心血管介入手术和重症监护等情况,其应用场景具有一定局限性。基于此,一些无创法被相继提出,并应用于一些医疗设备系统中,主要方法包括:动脉张力法、容积补偿法等。动脉张力法对操作者要求极高,而且受试者的生理状态改变导致平均压变化,施加的外力不能及时随之改变,这样使得测量的血压值有较大误差。容积补偿法虽然较为成熟,但由于长时间对体表动脉进行外部加压,易导致动脉发生形变,粘弹性参数发生改变。另外,血管收缩节律可能造成动脉内外压力平衡点发生改变,从而影响长时间血压测量准确性。
动脉张力法和容积补偿法是在血流动力学的基础上,提出具有良好生理意义的测量模型,应用较为成熟。但是这两种方法由于压力的存在,长时间测量的情况下会让被测者感到不适、且误差较大。
发明内容
针对上述技术的不足,本发明提供了一种外周动脉血压波形重构系统,解决如何提高无创连续外周动脉血压测量的准确性。
为解决上述技术问题,本发明的技术方案如下:一种外周动脉血压波形重构系统,包括数据采集控制模块、心电信号测量模块、脉搏波测量模块、信号质量评估模块、波形重构模块与数据显示模块;所述数据采集控制模块用于对数据采集与数据传输过程进行控制;
所述心电信号测量模块用于在数据采集控制模块的控制下采集心电信号,并通过数据采集控制模块将心电信号发送给信号质量评估模块;
所述脉搏波测量模块用于在数据采集控制模块的控制下采集脉搏波,并通过数据采集控制模块将脉搏波发送给信号质量评估模块;
所述信号质量评估模块用于对心电信号和脉搏波的信号质量进行评价,并将评价结果发送给数据采集控制模块;当心电信号与脉搏波均符合质量要求时,通过数据采集控制模块将符合质量要求的心电信号与脉搏波发送给波形重构模块;
所述波形重构模块用于根据心电信号和外周动脉血压波生成外周动脉血压波,外周动脉血压波过数据采集控制模块发送给数据显示模块;所述波形重构模块包括通过样本集训练完成的波形重构模块,所述样本集中的样本按如下方式构造:将通过无创方式采集的心电信号和外周动脉血压波作为输入,并将通过有创方式采集的同一病人的外周动脉血压波作为标签,训练完成的波形重构模块具备端到端识别能力,即输入心电信号和外周动脉血压波并输出外周动脉血压波。
进一步的,针对心电信号的质量评价要求为峰度K≥5;峰度K的计算公式如下:
其中,X表示心电信号,μ表示心电信号X的均值,σ表示心电信号X的标准差,E表示期望值。
进一步的,针对脉搏波质量评价要求为在采样时间内波峰或波谷有如下范围限制:波峰或波谷的数量的标准差大于等于5,波峰或者波谷值的标准差小于等于5,并且波峰之间的间隔时间在0.3~1s内。
进一步的,所述波形重构模块包括多尺度形态特征提取模块、细节特征提取模块与LSTM双向长短时记忆网络;
所述多尺度形态特征提取模块包括四个互相平行且卷积核大小各不相同的一维空洞卷积神经网络,四个一维空洞卷积神经网络输出不同尺度的形态特征,在通道上进行连接组成高维度特征矩阵X以输入细节特征提取模块;
所述细节特征提取模块包括四个逐级连接的复合模块,每个复合模块包括一维卷积神经网络、通道注意力机制模块与重加权模块,通道注意力机制模块嵌入一维卷积神经网络与重加权模块之间,各复合模块的一维卷积神经网络跳跃连接形成残差网络;
LSTM双向长短时记忆网络包括输入层、正向层、反向层和输出层,输入层接收经过所述细节特征提取模块提取的细节特征,并分别送入正向层和反向层;正向层和反向层由长短时记忆单元构成,且分别形成正向和反向的自循环连接并传递到输出层;输出层采用全连接人工神经网络FNN构成,包括一个隐藏层和一个线性输入层。
进一步的,所述细节特征提取模块中各复合模块逐层提取细节特征,每个复合模块按如下方式提取细节特征:
首先,通过一维卷积神经网络对输入特征进行卷积;然后,通过通道注意力机制模块进行压缩操作与强化特征提取操作,通过压缩操作将每个二维特征变成一个实数,以表示在通道上的全局感受野,强化特征提取操作先经过一个全连接层降低通道维度,再经过一个全连接层升高维度,使维度与输入通道数一致;最后,重加权模块将通道注意力机制模块压缩出的实数看作是各个通道的权重,并对各个通道上的特征乘以权重实现特征的加权操作。
与现有技术相比,本发明具有的优点包括:
1、与现有技术中单次测量出一个血压值不同,本发明以连续且无创监测血压波形为目的,首次提出将外周动脉血压波与心电信号(均为无创监测信号)结合起来进行波形重构,以提高无创连续监测的准确性。
2、本发明无需人工提取特征,自动实现端到端的外周动脉血压波形重构。此外,该方法的重构准确率显著优于传统方法,因为该方法同时使用来自被测者的心电信号和脉搏波信号表征个体特性,通过不同大小的一维空洞卷积对原始心电信号和脉搏波进行形态特征提取,保留原始信号中周期相关特征;结合通道注意力机制实现特征的自适应加权,最后利用循环神经网络的长短时记忆单元,它能有效记忆外周动脉血压波形中的长周期规律,并且采用了双向结构,它能有效利用获取波形序列中的其后关联信息,实现高精度的外周动脉血压波形的重构。所以,该方法和系统在智能建模和高精度重构两个方面取得显著优势。
3、通过信号质量评估模块对原始数据进行筛选,并提出质量评价要求,确保原始数据适用于波形重构,为波形重构质量奠定基础。通过多尺度形态特征提取模块提取不同尺度的形态特征,形成互补,能够更全面的描绘出波形轮廓。细节特征提取模块进一步挖掘形态特征中的细节特征,尤其从波峰下降到波谷之间的细节特征,通过细节特征的提取能够重构出外周动脉血压波中的重博脉。
附图说明
图1是外周动脉血压波重构系统的结构框图;
图2是外周动脉血压波重构原理图;
图3是波形重构模块的结构示意图;
图4是细节特征提取模块中复合模块的结构示意图;
图5是细节特征提取原理示意图;
图6是双边长短时记忆网络模型示意图;
图7是LSTM单元结构示意图;
图8为部分病人的外周动脉压重构结果与金标准的对比图。
具体实施方式
参考图1所示,一种外周动脉血压波形重构系统,包括数据采集控制模块、心电信号测量模块、脉搏波测量模块、信号质量评估模块、外周动脉血压波形重构模块与数据显示模块;所述数据采集控制模块用于对数据采集与数据传输过程进行控制。
心电信号测量模块用于在数据采集控制模块的控制下采集心电信号,并通过数据采集控制模块将心电信号发送给信号质量评估模块。针对心电信号的质量评价要求为峰度K≥5;峰度K的计算公式如下:
其中,X表示心电信号,μ表示心电信号X的均值,σ表示心电信号X的标准差,E表示期望值。
脉搏波测量模块用于在数据采集控制模块的控制下采集脉搏波,并通过数据采集控制模块将外周动脉血压波发送给信号质量评估模块。针对脉搏波质量评价要求为在采样时间内波峰或波谷有如下范围限制:波峰或波谷的数量的标准差大于等于5,波峰或者波谷值的标准差小于等于5,并且波峰之间的间隔时间在0.3~1s内。
信号质量评估模块用于对心电信号和脉搏波的信号质量进行评价,并将评价结果发送给数据采集控制模块;当心电信号与脉搏波均符合质量要求时,通过数据采集控制模块将符合质量要求的心电信号与脉搏波发送给波形重构模块;
参考图2所示,波形重构模块用于根据心电信号(ECG)和脉搏波(PPG)生成外周动脉血压波(ABP),外周动脉血压波通过数据采集控制模块发送给数据显示模块;波形重构模块包括通过样本集训练完成的波形重构模块,所述样本集中的样本按如下方式构造:将通过无创方式采集的心电信号和外周动脉血压波作为输入,并将通过有创方式采集的同一病人的外周动脉血压波作为标签,训练完成的波形重构模块具备端到端识别能力,即输入心电信号和脉搏波并输出外周动脉血压波。
参考图3所示,波形重构模块包括多尺度形态特征提取模块、细节特征提取模块与LSTM双向长短时记忆网络。多尺度形态特征提取模块包括四个互相平行且卷积核大小各不相同的一维空洞卷积神经网络,四个一维空洞卷积神经网络输出不同尺度的形态特征,在通道上进行连接组成高维度特征矩阵X以输入细节特征提取模块。
对于一维CNN处理周期性的时间序列而言,最主要的问题是模型如何学习不同间隔相邻点数之间的关系。一维卷积的公式如下式所示:
其中,n代表序列f(n)的长度,g(n)代表卷积核大小。
空洞卷积在医疗图像分割领域应用较为广泛,由于扩大了感受野却没有引入额外的参数便于分割大目标,还可以捕捉特征中的多尺度信息。通过研究发现,利用一维CNN处理时间序列,使用大步长和大卷积核能得到较好的预测结果。但使用大卷积核也会让模型的参数量增加,在训练样本不足情况下,模型容易过拟合,而一维空洞卷积恰好可以弥补这个缺陷。在血压无创连续测量模型第一部分形态特征提取模块中,采用四个平行的3,5,7,9的一维空洞卷积,其空洞卷积的间隔均相同,通道数均为16;将四个平行卷积输出的结果,在通道上进行连接组成高纬度的特征矩阵输入细节特征提取模块。
细节特征提取模块包括四个逐级连接的复合模块(Block_1、Block_2、Block_3、Block_4)。参考图4所示,每个复合模块包括一维卷积神经网络、通道注意力机制模块与重加权模块Scale,通道注意力机制模块嵌入一维卷积神经网络与重加权模块之间,各复合模块的一维卷积神经网络跳跃连接形成残差网络。
细节特征提取模块对于输入的特征矩阵增加其特征的深度,以获得更好的表示。实现对输入的各通道之间的相互依赖关系,自适应的重新校准各个通道的特征向量的权重。
细节特征提取模块中各复合模块逐层提取细节特征,每个复合模块按如下方式提取细节特征:
参考图5所示,首先,通过一维卷积神经网络对输入特征进行卷积;然后,通过通道注意力机制模块进行压缩操作与强化特征提取操作,通过压缩操作将每个二维特征变成一个实数,以表示在通道上的全局感受野,强化特征提取操作先经过一个全连接层降低通道维度,再经过一个全连接层升高维度,使维度与输入通道数一致;最后,重加权模块将通道注意力机制模块压缩出的实数看作是各个通道的权重,并对各个通道上的特征乘以权重实现特征的加权操作。
X为输入的特征向量,首先经过一个常规的卷积操作,得到U;接下来就是通道注意力机制的核心部分:①压缩操作(Squeeze),公式如式(3)所示,将每个二维的特征变成一个实数,这个实数表示为在这个通道上的全局感受野;②强化特征提取操作(Excitation),公式如式(4)所示,主要经过两个全连接层,第一个全连接层,主要作用是降低通道维度减少计算量,第二个全连接层实现升高维度的过程,使其与输入的通道数保持一致。③重新赋予权重操作(Reweight),公式如式(5)所示,将第二步输出的实数看作是各个特征通道上的权重,通过对各个通道上的乘法操作实现特征的加权操作。
s=Fex(z,w)=σ(g(z,w)) (2)
更深层次的神经网络可以获得更抽象的特征提取能力,然而随着网络层数的加深会因为梯度爆炸或者消失的问题变得很难训练。残差结构的出现缓解了这个问题,让神经网络可以变得更深。
参考图6所示,LSTM双向长短时记忆网络包括输入层、正向层、反向层和输出层,输入层接收经过所述细节特征提取模块提取的细节特征,并分别送入正向层和反向层;正向层和反向层由长短时记忆单元构成,且分别形成正向和反向的自循环连接并传递到输出层;输出层采用全连接人工神经网络FNN构成,包括一个隐藏层和一个线性输入层。
单层双边长短时记忆人工神经网络的核心是LSTM单元,其结构如图7所示。每个LSTM单元的结构是一样的,它由输入门、遗忘门和输出门等构成。在每个时间步长的LSTM单元中有两个输入向量其包括前一个隐藏的输出向ht-1和当前输入向量xt。则当前隐藏层的输出向量ht可由如下式子所示:
ft=σ(Wf·[ht-1,xt]) (4)
it=σ(Wi·[ht-1,xt]) (5)
ht=σ(Wi·[ht-1,xt])*Tanh(Ct) (8)
其中ft是遗忘门向量,其作用是在当前时刻输入信息xt的情况下,长期记忆的信息Ct-1中有多少是需要被遗忘的。it和是记忆门向量,是确定在遗忘门之后需要学习多少当前信息的候选状态。Ct是更新后的细胞状态,ht是输出门向量。W是每个门的可训练权重参数。σ是Sigmoid函数,Tanh是双曲正切函数。
采用本发明的外周动脉血压波形重构系统进行血压监测,参考如下步骤:
第一步:测试者平躺休息5-10分钟后,将压电传感器或光电传感器放在桡动脉、手指动脉或其他外周动脉处,调整传感器位置以寻找最佳位置并固定;将心电信号采集传感器的正极贴在左下肢(踝部)连于,负极放置在右上肢(腕部)。
第二步:通过数据采集控制模块启动和控制外周动脉脉搏波测量模块和心电信号采集模型进行测量,并在信号数字处理电路中完成心电信号和脉搏波信号的滤波和放大处理。
第三步:启动信号质量评估模块,对采集的心电信号和脉搏波信号进行数学形态上的质量评估,要求两路信号均满足要求,才会输入到外周动脉血压重构计算模块。
第四步:启动外周动脉血压重构计算模块,通过控制将通过信号好质量评估后的脉搏波和心电信号输入到外周动脉血压压重构计算模块的输入层,利用一维卷积神经网络和双向长短时记忆网络实现脉搏波到外周动脉血压的重构计算,并将重构的外周动脉血压波形发送给显示模块;
第五步:数据显示模块通过模块从缓存中读取发送过来的波形数据,并将各血压波形及相关参数显示在显示屏上,同时生成测量报告。
该发明系统及方法在112位病人的临床实验进行了检验,效果比传统方法有显著提升。临床实验中,112位病人通过光电容积描记法测量手指的脉搏波和心电信号;通过有创导管法测量外周动脉的血压波形。将指尖脉搏波和心电信号的第二导联作为本发明方法的输入,通过重构计算模块得到外周动脉的血压波形,然后对比有创测量的外周动脉血压,部分病人的外周动脉血压重构效果对比如图8所示。图中,RAW为有创测量的外周动脉血压波形,Predict为本方法的重构外周动脉血压波形,总体效果良好。
Claims (10)
1.一种外周动脉血压波形重构系统,其特征在于:包括数据采集控制模块、心电信号测量模块、脉搏波测量模块、信号质量评估模块、外周动脉血压波形重构模块与数据显示模块;所述数据采集控制模块用于对数据采集与数据传输过程进行控制;
所述心电信号测量模块用于在数据采集控制模块的控制下采集心电信号,并通过数据采集控制模块将心电信号发送给信号质量评估模块;
所述脉搏波测量模块用于在数据采集控制模块的控制下采集脉搏波,并通过数据采集控制模块将脉搏波发送给信号质量评估模块;
所述信号质量评估模块用于对心电信号和脉搏波的信号质量进行评价,并将评价结果发送给数据采集控制模块;当心电信号与脉搏波均符合质量要求时,通过数据采集控制模块将符合质量要求的心电信号与脉搏波发送给外周动脉血压波形重构模块;
所述波外周动脉血压波形重构模块用于根据心电信号和脉搏波生成外周动脉血压波,外周动脉血压波通过数据采集控制模块发送给数据显示模块;所述波形重构模块包括通过样本集训练完成的波形重构模块,所述训练样本按如下方式构造:将通过采集的心电信号和脉搏波作为输入,并将通过有创方式采集的同一病人的外周动脉血压波作为标签,训练完成的波形重构模块具备端到端识别能力,即输入心电信号和脉搏波并输出外周动脉血压波。
3.根据权利要求1所述的外周动脉血压波形重构系统,其特征在于:针对脉搏波质量评价要求为在采样时间内波峰或波谷有如下范围限制:波峰或波谷的数量的标准差大于等于5,波峰或者波谷值的标准差小于等于5,并且波峰之间的间隔时间在0.3~1s内。
4.根据权利要求1所述的外周动脉血压波形重构系统,其特征在于:所述波形重构模块包括多尺度形态特征提取模块、细节特征提取模块与LSTM双向长短时记忆网络;
所述多尺度形态特征提取模块包括四个互相平行且卷积核大小各不相同的一维空洞卷积神经网络,四个一维空洞卷积神经网络输出不同尺度的形态特征,在通道上进行连接组成高维度特征矩阵X以输入细节特征提取模块;
所述细节特征提取模块包括四个逐级连接的复合模块,每个复合模块包括一维卷积神经网络、通道注意力机制模块与重加权模块,通道注意力机制模块嵌入一维卷积神经网络与重加权模块之间,各复合模块的一维卷积神经网络跳跃连接形成残差网络;
LSTM双向长短时记忆网络包括输入层、正向层、反向层和输出层,输入层接收经过所述细节特征提取模块提取的细节特征,并分别送入正向层和反向层;正向层和反向层由长短时记忆单元构成,且分别形成正向和反向的自循环连接并传递到输出层;输出层采用全连接人工神经网络FNN构成,包括一个隐藏层和一个线性输入层。
5.根据权利要求4所述的外周动脉血压波形重构系统,其特征在于:所述四个一维空洞卷积神经网络的卷积核大小分别是3、5、7、9。
6.根据权利要求5所述的外周动脉血压波形重构系统,其特征在于:所述细节特征提取模块中各复合模块逐层提取细节特征,每个复合模块按如下方式提取细节特征:
首先,通过一维卷积神经网络对输入特征进行卷积;然后,通过通道注意力机制模块进行压缩操作与强化特征提取操作,通过压缩操作将每个二维特征变成一个实数,以表示在通道上的全局感受野,强化特征提取操作先经过一个全连接层降低通道维度,再经过一个全连接层升高维度,使维度与输入通道数一致;最后,重加权模块将通道注意力机制模块压缩出的实数看作是各个通道的权重,并对各个通道上的特征乘以权重实现特征的加权操作。
7.根据权利要求5所述的外周动脉血压波形重构系统,其特征在于:所述长短时记忆单元包括输入门、遗忘门、记忆门和输出门;输入门用于输入前一时刻隐藏的输出向量和当前输入向量;遗忘门用于确定在当前输入向量下,长期记忆中需要被遗忘的向量;记忆门用于确定在遗忘门之后需要被记忆的向量。
8.根据权利要求1所述的外周动脉血压波形重构系统,其特征在于:所述脉搏波测量模块包括压电传感器或光电传感器,压电传感器或光电传感器获得的脉动信号通过导线传输给脉搏信号处理电路进行滤波和放大后形成脉搏波波形。
9.根据权利要求1所述的外周动脉血压波形重构系统,其特征在于:所述心电信号测量模块包括体表传感器,体表传感器的感应信号依次通过前置放大电路、滤波电路、工频滤波电路处理后形成心电信号。
10.根据权利要求1所述的外周动脉血压波形重构系统,其特征在于:数据显示模块将外周动脉血压波及相关参数显示在显示屏上,同时生成测量报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110511073.7A CN113143230B (zh) | 2021-05-11 | 2021-05-11 | 一种外周动脉血压波形重构系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110511073.7A CN113143230B (zh) | 2021-05-11 | 2021-05-11 | 一种外周动脉血压波形重构系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113143230A true CN113143230A (zh) | 2021-07-23 |
CN113143230B CN113143230B (zh) | 2022-05-20 |
Family
ID=76874577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110511073.7A Active CN113143230B (zh) | 2021-05-11 | 2021-05-11 | 一种外周动脉血压波形重构系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113143230B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113491523A (zh) * | 2021-07-30 | 2021-10-12 | 济南汇医融工科技有限公司 | 一种心电信号特征点检测方法及系统 |
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 |
CN116509357A (zh) * | 2023-05-16 | 2023-08-01 | 长春理工大学 | 一种基于多尺度卷积的连续血压估计方法 |
CN117045217A (zh) * | 2023-10-13 | 2023-11-14 | 深圳市奋达智能技术有限公司 | 一种无袖带血压测量方法及其相关设备 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2030564A2 (en) * | 2007-08-31 | 2009-03-04 | Pacesetter, Inc. | Implantable systemic blood pressure measurement systems and methods |
WO2012099533A1 (en) * | 2011-01-21 | 2012-07-26 | Healthstats International Pte Ltd | Apparatus and method for altering the arterial pulse waveform of a body |
CN103876723A (zh) * | 2014-04-01 | 2014-06-25 | 江苏理工学院 | 无创桡动脉波计算脉搏波传导时间获取血压值的方法 |
CN104138253A (zh) * | 2013-05-11 | 2014-11-12 | 吴健康 | 一种无创动脉血压连续测量方法和设备 |
CN104757957A (zh) * | 2015-04-23 | 2015-07-08 | 传世未来(北京)信息科技有限公司 | 一种血压连续测量方法及可穿戴血压连续测量装置 |
CN108937896A (zh) * | 2017-05-23 | 2018-12-07 | 深圳先进技术研究院 | 一种中心动脉血压测量方法及设备 |
CN109431475A (zh) * | 2018-12-19 | 2019-03-08 | 海南和家健康科技有限公司 | 评价外周动脉血管硬化情况的健康腕表及其使用方法 |
CN109512412A (zh) * | 2018-11-21 | 2019-03-26 | 重庆理工大学 | 一种中心动脉血压测量装置 |
CN109965862A (zh) * | 2019-04-16 | 2019-07-05 | 重庆大学 | 一种无袖带式长时连续血压无创监测方法 |
CN110232394A (zh) * | 2018-03-06 | 2019-09-13 | 华南理工大学 | 一种多尺度图像语义分割方法 |
CN110292370A (zh) * | 2019-07-03 | 2019-10-01 | 浙江大学 | 一种基于脉搏波传导时间的胸口无创血压检测方法 |
CN110309880A (zh) * | 2019-07-01 | 2019-10-08 | 天津工业大学 | 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法 |
CN110881967A (zh) * | 2018-09-10 | 2020-03-17 | 深圳市迈迪优科技有限公司 | 一种无创多节段外周动脉血管弹性功能检测方法及其仪器 |
CN110944577A (zh) * | 2017-07-27 | 2020-03-31 | 长桑医疗(海南)有限公司 | 一种血氧饱和度的检测方法与系统 |
CN111358450A (zh) * | 2020-03-17 | 2020-07-03 | 乐普(北京)医疗器械股份有限公司 | 一种血压分类方法和装置 |
CN111493855A (zh) * | 2020-04-21 | 2020-08-07 | 重庆理工大学 | 个体化心输出量的无创测量系统与方法 |
CN111528814A (zh) * | 2020-04-29 | 2020-08-14 | 浙江工业大学 | 基于lstm神经网络的机器学习监测血压的方法 |
CN111881262A (zh) * | 2020-08-06 | 2020-11-03 | 重庆邮电大学 | 基于多通道神经网络的文本情感分析方法 |
US20200405159A1 (en) * | 2013-11-27 | 2020-12-31 | Bodymatter, Inc. | Method for Collection of Blood Pressure Measurement |
CN112634276A (zh) * | 2020-12-08 | 2021-04-09 | 西安理工大学 | 一种基于多尺度视觉特征提取的轻量级语义分割方法 |
-
2021
- 2021-05-11 CN CN202110511073.7A patent/CN113143230B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2030564A2 (en) * | 2007-08-31 | 2009-03-04 | Pacesetter, Inc. | Implantable systemic blood pressure measurement systems and methods |
WO2012099533A1 (en) * | 2011-01-21 | 2012-07-26 | Healthstats International Pte Ltd | Apparatus and method for altering the arterial pulse waveform of a body |
CN104138253A (zh) * | 2013-05-11 | 2014-11-12 | 吴健康 | 一种无创动脉血压连续测量方法和设备 |
US20200405159A1 (en) * | 2013-11-27 | 2020-12-31 | Bodymatter, Inc. | Method for Collection of Blood Pressure Measurement |
CN103876723A (zh) * | 2014-04-01 | 2014-06-25 | 江苏理工学院 | 无创桡动脉波计算脉搏波传导时间获取血压值的方法 |
CN104757957A (zh) * | 2015-04-23 | 2015-07-08 | 传世未来(北京)信息科技有限公司 | 一种血压连续测量方法及可穿戴血压连续测量装置 |
CN108937896A (zh) * | 2017-05-23 | 2018-12-07 | 深圳先进技术研究院 | 一种中心动脉血压测量方法及设备 |
CN110944577A (zh) * | 2017-07-27 | 2020-03-31 | 长桑医疗(海南)有限公司 | 一种血氧饱和度的检测方法与系统 |
CN110232394A (zh) * | 2018-03-06 | 2019-09-13 | 华南理工大学 | 一种多尺度图像语义分割方法 |
CN110881967A (zh) * | 2018-09-10 | 2020-03-17 | 深圳市迈迪优科技有限公司 | 一种无创多节段外周动脉血管弹性功能检测方法及其仪器 |
CN109512412A (zh) * | 2018-11-21 | 2019-03-26 | 重庆理工大学 | 一种中心动脉血压测量装置 |
CN109431475A (zh) * | 2018-12-19 | 2019-03-08 | 海南和家健康科技有限公司 | 评价外周动脉血管硬化情况的健康腕表及其使用方法 |
CN109965862A (zh) * | 2019-04-16 | 2019-07-05 | 重庆大学 | 一种无袖带式长时连续血压无创监测方法 |
CN110309880A (zh) * | 2019-07-01 | 2019-10-08 | 天津工业大学 | 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法 |
CN110292370A (zh) * | 2019-07-03 | 2019-10-01 | 浙江大学 | 一种基于脉搏波传导时间的胸口无创血压检测方法 |
CN111358450A (zh) * | 2020-03-17 | 2020-07-03 | 乐普(北京)医疗器械股份有限公司 | 一种血压分类方法和装置 |
CN111493855A (zh) * | 2020-04-21 | 2020-08-07 | 重庆理工大学 | 个体化心输出量的无创测量系统与方法 |
CN111528814A (zh) * | 2020-04-29 | 2020-08-14 | 浙江工业大学 | 基于lstm神经网络的机器学习监测血压的方法 |
CN111881262A (zh) * | 2020-08-06 | 2020-11-03 | 重庆邮电大学 | 基于多通道神经网络的文本情感分析方法 |
CN112634276A (zh) * | 2020-12-08 | 2021-04-09 | 西安理工大学 | 一种基于多尺度视觉特征提取的轻量级语义分割方法 |
Non-Patent Citations (4)
Title |
---|
HANGUANG XIAO, LIN QI, LISHENG XU, DECAI LI, BO HU.ET AL.: "Estimation of wave reflection in aorta from radial pulse waveform by artificial neural network: a numerical study", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
姜诚: "基于深度学习的中文长文本分类算法的研究与实现", 《中国优秀硕士学位论文全文数据库》 * |
林宛华: "无袖带连续血压的估计方法及应用研究", 《中国博士学位论文全文数据库》 * |
赵鹏栋,肖汉光,任慧娇,黄金锋: "基于脉搏波传导速度的动脉硬化无创检测方法进展", 《中国动脉硬化杂志》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113491523A (zh) * | 2021-07-30 | 2021-10-12 | 济南汇医融工科技有限公司 | 一种心电信号特征点检测方法及系统 |
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 |
CN116509357A (zh) * | 2023-05-16 | 2023-08-01 | 长春理工大学 | 一种基于多尺度卷积的连续血压估计方法 |
CN117045217A (zh) * | 2023-10-13 | 2023-11-14 | 深圳市奋达智能技术有限公司 | 一种无袖带血压测量方法及其相关设备 |
CN117045217B (zh) * | 2023-10-13 | 2024-07-16 | 深圳市奋达智能技术有限公司 | 一种无袖带血压测量方法及其相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113143230B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113143230B (zh) | 一种外周动脉血压波形重构系统 | |
US11844593B2 (en) | System and method for non-invasive determination of blood pressure dip based on trained prediction models | |
Rong et al. | A multi-type features fusion neural network for blood pressure prediction based on photoplethysmography | |
Tjahjadi et al. | Noninvasive classification of blood pressure based on photoplethysmography signals using bidirectional long short-term memory and time-frequency analysis | |
Ma et al. | KD-informer: A cuff-less continuous blood pressure waveform estimation approach based on single photoplethysmography | |
CN113303776B (zh) | 基于循环神经网络的非接触式血压测量方法 | |
CN111528814A (zh) | 基于lstm神经网络的机器学习监测血压的方法 | |
CN116327152A (zh) | 一种远程非接触式心率检测系统及方法 | |
CN112790748A (zh) | 一种中心动脉压波形重构系统及方法 | |
CN113040738B (zh) | 血压检测装置 | |
CN111584072A (zh) | 一种适于小样本的神经网络模型训练方法 | |
CN113662520B (zh) | 一种基于不确定性量化策略的可穿戴连续血压测量系统 | |
Ma et al. | PPG-based continuous BP waveform estimation using polarized attention-guided conditional adversarial learning model | |
Yen et al. | Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN. | |
Wang et al. | Personalized Modeling of Blood Pressure With Photoplethysmography: An Error-Feedback Incremental Support Vector Regression Model | |
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 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
CN115836847A (zh) | 一种血压预测装置及设备 | |
CN114947782A (zh) | 一种基于ppg信号的中心动脉压波形重构的系统及方法 | |
CN114118386A (zh) | 一种基于注意力机制和时域卷积神经网络的血压估计方法 | |
Ray et al. | DeepPulse: An Uncertainty-aware Deep Neural Network for Heart Rate Estimations from Wrist-worn Photoplethysmography | |
CN113057617A (zh) | 一种心输出量的无创监测系统 | |
CN117045216B (zh) | 一种基于模糊控制的血液指标非侵入性医疗分析系统 | |
CN115486824B (zh) | 一种基于不确定性度量的无袖带连续血压估计系统 | |
Villata | Cuffless blood pressure measurement |
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 |