CN113180623B - 无袖式血压测量方法、系统、设备及存储介质 - Google Patents
无袖式血压测量方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113180623B CN113180623B CN202110608383.0A CN202110608383A CN113180623B CN 113180623 B CN113180623 B CN 113180623B CN 202110608383 A CN202110608383 A CN 202110608383A CN 113180623 B CN113180623 B CN 113180623B
- Authority
- CN
- China
- Prior art keywords
- time interval
- signal amplitude
- feature
- blood pressure
- prediction model
- 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
- A61B5/02108—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
- A61B5/72—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
- A61B5/7235—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Vascular Medicine (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本公开公开了无袖式血压测量方法、系统、设备及存储介质,获取待处理的光电容积脉搏波信号;对待处理的光电容积脉搏波信号进行预处理;对预处理后的信号进行特征提取;对特征提取得到的特征,进行最优特征筛选;将最优特征,输入到训练后的收缩压预测模型中,输出预测的收缩压;将最优特征,输入到训练后的舒张压预测模型中,输出预测的舒张压。通过对PPG信号进行去噪、筛除异常信号等预处理过程,去除了对PPG信号影响比较大的噪声,得到无明显异常且较为纯净的PPG信号,同时也对BP信号进行了预处理,为准确提取SBP、DBP值用于训练奠定基础。
Description
技术领域
本公开涉及血压测量技术领域,特别是涉及无袖式血压测量方法、系统、设备及存储介质。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
高血压是世界各地都面临的健康问题,也是心脑血管疾病最为主要的危险因素,严重时可对人体器官造成器质性损害。血压是提供有关患者心血管系统状况重要信息的四种生命体征之一,持续和定期的血压监测对心血管疾病的早期诊断和预防至关重要。血压是一个具有心率频率的周期性信号,血压的上限称为收缩压(Systolic Blood Pressure,SBP),其下界称为舒张压(Diastolic Blood Pressure,DBP),根据收缩压和舒张压的所属范围可以判断是否为高(低)血压。传统的血压测量方法主要包括直接法和间接法。虽然直接测量法是血压测量的金标准,但是它是有创的测量方法,需要侵入人体动脉血管,不适宜日常的血压测量。间接测量是通过检测动脉血管的搏动、血管容积的变化等相关参数间接得到血压值,包括动脉张力法、容积补偿法等,它对传感器的定位要求较高。
发明内容
为了解决现有技术的不足,本公开提供了无袖式血压测量方法、系统、设备及存储介质;
第一方面,本公开提供了无袖式血压测量方法;
无袖式血压测量方法,包括:
获取待处理的光电容积脉搏波信号;
对待处理的光电容积脉搏波信号进行预处理;
对预处理后的信号进行特征提取;
对特征提取得到的特征,进行最优特征筛选;
将最优特征,输入到训练后的收缩压预测模型中,输出预测的收缩压;将最优特征,输入到训练后的舒张压预测模型中,输出预测的舒张压。
第二方面,本公开提供了无袖式血压测量系统;
无袖式血压测量系统,包括:
获取模块,其被配置为:获取待处理的光电容积脉搏波信号;
预处理模块,其被配置为:对待处理的光电容积脉搏波信号进行预处理;
特征提取模块,其被配置为:对预处理后的信号进行特征提取;
特征筛选模块,其被配置为:对特征提取得到的特征,进行最优特征筛选;
输出模块,其被配置为:将最优特征,输入到训练后的收缩压预测模型中,输出预测的收缩压;将最优特征,输入到训练后的舒张压预测模型中,输出预测的舒张压。
第三方面,本公开还提供了一种电子设备,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述第一方面所述的方法。
第四方面,本公开还提供了一种存储介质,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行第一方面所述方法的指令。
与现有技术相比,本公开的有益效果是:
通过对PPG信号进行去噪、筛除异常信号等预处理过程,去除了对PPG信号影响比较大的噪声,得到无明显异常且较为纯净的PPG信号,同时也对BP信号进行了预处理,为准确提取SBP、DBP值用于训练奠定基础。
对经过预处理的PPG周期信号进行初步特征提取,得到包括波形轮廓、时域及其他丰富信息的特征。
通过随机森林的特征选择算法处理特征集可生成最优特征子集,随机森林能够计算特征变量的重要性并对其进行排序,具有良好的特征选择理论基础,能够更好的选取有效特征、去除冗余特征,为提高血压测量精度打下良好的基础;同时相比于其他特征提取方法,基于树模型随机森林特征选择算法具有鲁棒性好、可解释性强、易于使用等特点。
最后,以最优特征子集作为集成模型的输入数据集,使用梯度提升决策树算法构建血压(SBP、DBP)预测模型。
对于收集的PPG信号可以根据本方法构建的模型来估计相应的SBP、DBP数值。相比于单一的模型,使用RF-GBDT方法构建的模型具有更好的泛化能力,在血压测量的应用中表现更佳。
本发明附加方面的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
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为第一个实施例的方法流程图;
图2为第一个实施例的PPG部分特征标注示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上,对数据的合法应用。
术语解释:
光电容积脉搏波信号(Photoplethysmographic,PPG);
随机森林(Random Forest,RF);
梯度上升决策树(Gradient Boosting Decision Tree,GBDT);
血压(Blood Pressure,BP);
收缩压(Systolic Blood Pressure,SBP);
舒张压(Diastolic Blood Pressure,DBP)。
相较于有创或袖带式的血压测量方式,仅使用PPG信号进行血压监测具有方便快捷的优点。随着信号处理技术的进步以及机器学习的发展,使用PPG信号构造的血压测量模型精度得到一定程度上的提升,但是模型精度的关键仍然依赖于特征参数的选取。如何更好的选取有效特征、去除冗余特征,考虑特征包含血压信息的最大化和算法复杂度最小化是目前亟待解决的问题之一。
本发明为克服上述现有技术的不足,提供一种基于随机森林特征选择的无袖式血压监测集成回归方法(RF-GBDT),该方法分别对SBP和DBP进行建模预测。首先根据PPG信号结构,对PPG信号波形进行去噪、筛除异常信号段、周期划分等预处理,同时对同步采集的BP信号进行了预处理,以便准确提取SBP、DBP值用于训练。然后,基于PPG波形轮廓和时域等进行初步特征提取得到特征集,通过随机森林的特征选择算法处理特征集生成最优特征子集,以最优特征子集作为集成模型的输入数据集,使用梯度提升决策树算法建立SBP和DBP的集成回归模型。对于收集的PPG信号可以根据构建的血压预测模型来估计相应的SBP、DBP数值,实现无创无袖式血压测量。
实施例一
本实施例提供了无袖式血压测量方法;
如图1所示,无袖式血压测量方法,包括:
S101:获取待处理的光电容积脉搏波信号;
S102:对待处理的光电容积脉搏波信号进行预处理;
S103:对预处理后的信号进行特征提取;
S104:对特征提取得到的特征,进行最优特征筛选;
S105:将最优特征,输入到训练后的收缩压预测模型中,输出预测的收缩压;将最优特征,输入到训练后的舒张压预测模型中,输出预测的舒张压。
进一步地,所述S102:对待处理的光电容积脉搏波信号进行预处理;具体包括:
S1021:对待处理的光电容积脉搏波信号进行去噪处理;
S1022:对去噪处理后得到的信号进行异常信号筛除处理;
S1023:对异常信号筛除处理后的信号,按照设定周期进行划分,划分为若干个周期信号。
进一步地,所述S1021:对待处理的光电容积脉搏波信号进行去噪处理;具体包括:
对待处理的光电容积脉搏波信号,采用均值滤波器进行平滑处理。
进一步地,所述S1022:对去噪处理后得到的信号进行异常信号筛除处理;具体包括:
对去噪处理后得到的信号,去除信号振幅超过设定阈值的信号,去除不连续的信号,对信号进行自相关性计算,去除连续脉冲之间变化幅度大于设定阈值的信号。
进一步地,所述S1023:对异常信号筛除处理后的信号,按照设定周期进行划分,划分为若干个周期信号;具体包括:
对于每个经过预处理的PPG信号样本,截取设定长度的信号,利用波峰法结合阈值来划分PPG的一个周期。
进一步地,所述S103:对预处理后的信号进行特征提取;具体包括:
预处理后的信号进行特征提取,提取波形轮廓特征和时域特征。
进一步地,所述波形轮廓特征和时域特征,包括:
心动周期、收缩间期、舒张间期、脉冲面积、
光电容积脉搏波信号振幅为10%的舒张期内的时间间隔、光电容积脉搏波信号振幅为10%的舒张期内的时间间隔与光电容积脉搏波信号振幅为10%的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为10%的舒张期内的时间间隔与光电容积脉搏波信号振幅为10%的收缩期内的时间间隔的比值;
光电容积脉搏波信号振幅为25%的舒张期内的时间间隔、光电容积脉搏波信号振幅为25%的舒张期内的时间间隔与光电容积脉搏波信号振幅为25%的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为25%的舒张期内的时间间隔与光电容积脉搏波信号振幅为25%的收缩期内的时间间隔的比值;
光电容积脉搏波信号振幅为33%的舒张期内的时间间隔、光电容积脉搏波信号振幅为33%的舒张期内的时间间隔与光电容积脉搏波信号振幅为33%的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为33%的舒张期内的时间间隔与光电容积脉搏波信号振幅为33%的收缩期内的时间间隔的比值;
光电容积脉搏波信号振幅为50%的舒张期内的时间间隔、光电容积脉搏波信号振幅为50%的舒张期内的时间间隔与光电容积脉搏波信号振幅为50%的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为50%的舒张期内的时间间隔与光电容积脉搏波信号振幅为50%的收缩期内的时间间隔的比值;
光电容积脉搏波信号振幅为66%的舒张期内的时间间隔、光电容积脉搏波信号振幅为66%的舒张期内的时间间隔与光电容积脉搏波信号振幅为66%的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为66%的舒张期内的时间间隔与光电容积脉搏波信号振幅为66%的收缩期内的时间间隔的比值。
示例性的,对于每个样本的所有信号周期,提取相应的PPG波形轮廓特征和时域特征。所提取的22个特征总结如下,标注如图2所示:
·CP(心动周期),ST(收缩间期),DT(舒张间期),pulse area(脉冲面积)
·10%:DW10;DW10+SW10;DW10/SW10
·25%:DW25;DW25+SW25;DW25/SW25
·33%:DW33;DW33+SW33;DW33/SW33
·50%:DW50;DW50+SW50;DW50/SW50
·66%:DW66;DW66+SW66;DW66/SW66
·75%:DW75;DW75+SW75;DW75/SW75
其中,SW10(25,33…)、DW10(25,33…)分别代表PPG振幅为10%(25%,33%…)的收缩期、舒张期范围内的时间间隔。
应理解的,近几年来,基于PPG的方法因其简单和可行性而越来越发展,所以有别于其他的研究借助ECG等辅助信号提取特征,这里仅使用PPG信号作为输入来提取特征。建立一个可靠的BP估计模型需要识别与任务相关的PPG特征,特别是那些可以最好地解释BP中变化的特征PPG特征。
进一步地,所述S104:对特征提取得到的特征,进行最优特征筛选;具体包括:
对特征提取得到的特征,采用随机森林算法进行最优特征筛选,得到最优特征子集。
进一步地,所述对特征提取得到的特征,采用随机森林算法进行最优特征筛选,得到最优特征子集;具体包括:
S1041:获取特征全集构成的数据集S;
S1042:计算随机森林中每个特征变量的重要性并按照降序排序;
S1043:确定删除比例,从当前特征变量中删除相对不重要的指标,然后得到一个新的特征集;
S1044:用新的特征集建立新的随机森林,重复步骤S1042~S1043,直至剩下m个特征;
S1045:根据前面步骤得到每个特征集和它们建立起来的随机森林,计算对应的袋外误差率OOB err,将袋外误差率最低的特征集作为最优特征子集。
应理解的,S104的意义在于:当完成特征提取后,可以得到一个包含所有特征的特征集合,但是太多的特征属性的存在可能会导致模型构建效率降低,同时模型的效果有可能会变的不好,那么这个时候就需要从这些特征属性中选择出影响较大的特征作为最后构建模型的特征子集。基于树模型的特征选择方法具有鲁棒性好、可解释性强、易于使用等特点,因此本发明采用RF算法的变量重要性度量进行特征分析,并按照重要度进行特征排序,在特征集内进行搜索,通过丢弃不相关特征来寻找特征的最优子集,并有效构建模型,提高SBP、DBP估计精度。
随机森林有一个重要特性,它能够计算变量重要性,这为特征选择奠定基础。在随机森林中某个特征X的重要性计算过程包括以下几个步骤:
首先,对于随机森林中的每一颗决策树,使用相应的OOB(袋外数据)计算它的袋外数据误差,记为errOOB1;
其次,随机对袋外数据OOB所有样本的特征X加入噪声干扰,再次计算它的袋外误差,记为errOOB2;
最后,假设随机森林中有N个树,那么特征X的重要性为:
X_Importance=∑(errOOB2-errOOB1)/N,
这个表达式表明如果某个特征随机加入噪声之后袋外准确率大幅降低,则说明它对样本分类结果影响很大,重要程度较高。
上一步中对单个PPG样本进行特征提取构成22维特征向量,所有样本的特征向量集合表示为特征全集构成的数据集S。在此基础上,利用随机森林进行特征选择得到最优特征子集数据集S’。
进一步地,所述S105:将最优特征,输入到训练后的收缩压预测模型中,输出预测的收缩压;训练后的收缩压预测模型,训练过程包括:
S1051:构建第一训练集;所述第一训练集为已知收缩压值的光电容积脉搏波信号的最优特征子集;
S1052:采用梯度提升决策树算法,建立收缩压预测模型;将第一训练集,输入到收缩压预测模型中,对收缩压模型进行训练,得到训练后的收缩压预测模型。
进一步地,所述S1051构建第一训练集;具体包括:
S10511:获取血压信号和血压信号对应的光电容积脉搏波信号;
S10512:对血压信号和血压信号对应的光电容积脉搏波信号,均进行预处理;
S10513:对预处理的光电容积脉搏波信号进行初步特征提取,得到波形轮廓特征和时域特征;构成初始特征集;
S10514:对初始特征集,进行最优特征筛选,得到最优特征子集;
S10515:对血压信号提取出收缩压值和舒张压值;将收缩压值与最优特征子集结合得到第一训练集;将舒张压值与最优特征子集结合得到第二训练集。
进一步地,所述S10512:对血压信号和血压信号对应的光电容积脉搏波信号,均进行预处理;具体包括:
(1)用一个窗口大小为3的均值滤波器来平滑所有的信号;
(2)去除明显异常和不可接受波段的BP信号以及对应的PPG信号;
(3)去除明显不连续的PPG信号和BP信号;
(4)PPG信号进行自相关性计算(计算连续脉冲之间的自相关程度),去除变化过大的信号;
(5)对经过上述处理的信号再次筛查,去除阈值以外(即SBP≥180,DBP≥130,SBP≤80,DBP≤60)的BP信号及其对应的PPG信号。
在对所有样本执行上述步骤之后,得到比较干净的样本用作对特征提取模块的输入。
应理解的,所述S10512:对血压信号和血压信号对应的光电容积脉搏波信号,均进行预处理;是考虑到:
训练数据包括对不同个体同步采集的两种信号:PPG信号和BP信号。其中可以从BP信号每个周期中提取到SBP数值和DBP数值,即提供真实的血压值用来和PPG信号预测的血压值进行对比。由于PPG信号采集过程中存在一些噪声干扰,比如肌电干扰、工频干扰、呼吸等,为保证信号特征提取的准确性,有必要对PPG信号进行一些去噪等预处理。BP信号受被采集者情绪状态、呼吸状态等影响较大,因此对于明显异常的BP信号及对应的PPG信号要进行筛除。
进一步地,所述S1052:采用梯度提升决策树算法,建立收缩压预测模型;将第一训练集,输入到收缩压预测模型中,对收缩压模型进行训练,得到训练后的收缩压预测模型,具体包括:
S10521:输入:训练集B={((xi,yi)(i=1,2,…N))},其中xi代表第i个PPG样本经过特征选择由最优特征构成的特征向量,yi是第i个样本对应的实际收缩压值,训练集样本数目为N;
S10522:对弱学习器进行初始化:
其中,最大迭代次数M,γ是使损失函数L最小化的常数,yi是实际血压值且p(xi)是预测值,损失函数L选取平方误差损失函数:
S10523:对每轮迭代m=1,2…,M执行以下步骤:
S105231:计算每个样本i=1,2,…,N的负梯度:
S105232:将上一步计算的数据(xi,γim)(i=1,2,…N,m=1,2,…M)作为下棵树的训练数据,得到一颗新的回归树fm(x),其对应的叶子节点区域为Rm,j,其中j=1,2,…J,J为回归树m的叶子结点的个数。
S105233:对叶子区域j=1,2,…J,计算最佳拟合值γmj:
S105234:更新强学习器fm(x):
S10524:得到强学习器f(x):
强学习器f(x)即为训练后的收缩压预测模型。
进一步地,所述S105:将最优特征,输入到训练后的舒张压预测模型中,输出预测的舒张压;训练后的舒张压预测模型,训练过程包括:
构建第二训练集;所述第二训练集为已知舒张压值的光电容积脉搏波信号的最优特征子集;
采用梯度提升决策树算法,建立舒张压预测模型;
将第二训练集,输入到舒张压预测模型中,对舒张压模型进行训练,得到训练后的舒张压预测模型。
针对收集到的BP信号,本发明可以从每个周期中提取到SBP数值和DBP数值。其中,SBP是BP脉冲波形中收缩压最高的BP值,DBP指的是同一波形周期中舒张末期的BP值。因此,BP信号中的峰值点和舒张末期点分别是SBP和DBP的真实血压参考值。
梯度提升决策树是一种经典的集成学习算法,它的主要思想是基于之前建立的基学习器的损失函数的梯度下降方向来建立下一个新的基学习器,不断缩小损失函数,使得模型的回归预测性能不断提高。将上一步获得的最优特征子集以及相应的SBP或DBP值构成训练集进行学习,调整参数以获得较好的模型效果,最终获得SBP预测模型和DBP预测模型。
实施例二
本实施例提供了无袖式血压测量系统;
无袖式血压测量系统,包括:
获取模块,其被配置为:获取待处理的光电容积脉搏波信号;
预处理模块,其被配置为:对待处理的光电容积脉搏波信号进行预处理;
特征提取模块,其被配置为:对预处理后的信号进行特征提取;
特征筛选模块,其被配置为:对特征提取得到的特征,进行最优特征筛选;
输出模块,其被配置为:将最优特征,输入到训练后的收缩压预测模型中,输出预测的收缩压;将最优特征,输入到训练后的舒张压预测模型中,输出预测的舒张压。
此处需要说明的是,上述获取模块、预处理模块、特征提取模块、特征筛选模块和输出模块对应于实施例一中的步骤S101至S105,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (5)
1.一种无袖式血压测量系统,其特征是,包括:
获取模块,其被配置为:获取待处理的光电容积脉搏波信号;
预处理模块,其被配置为:对待处理的光电容积脉搏波信号进行预处理;
特征提取模块,其被配置为:对预处理后的信号进行特征提取,提取波形轮廓特征和时域特征,具体包括:心动周期、收缩间期、舒张间期、脉冲面积;
光电容积脉搏波信号振幅为10%的舒张期内的时间间隔、光电容积脉搏波信号振幅为10%的舒张期内的时间间隔与光电容积脉搏波信号振幅为10%的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为10%的舒张期内的时间间隔与光电容积脉搏波信号振幅为10%的收缩期内的时间间隔的比值;
光电容积脉搏波信号振幅为25%的舒张期内的时间间隔、光电容积脉搏波信号振幅为25%的舒张期内的时间间隔与光电容积脉搏波信号振幅为25%的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为25%的舒张期内的时间间隔与光电容积脉搏波信号振幅为25%的收缩期内的时间间隔的比值;
光电容积脉搏波信号振幅为33%的舒张期内的时间间隔、光电容积脉搏波信号振幅为33%的舒张期内的时间间隔与光电容积脉搏波信号振幅为33%的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为33%的舒张期内的时间间隔与光电容积脉搏波信号振幅为33%的收缩期内的时间间隔的比值;
光电容积脉搏波信号振幅为50%的舒张期内的时间间隔、光电容积脉搏波信号振幅为50%的舒张期内的时间间隔与光电容积脉搏波信号振幅为50%的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为50%的舒张期内的时间间隔与光电容积脉搏波信号振幅为50%的收缩期内的时间间隔的比值;
光电容积脉搏波信号振幅为66%的舒张期内的时间间隔、光电容积脉搏波信号振幅为66%的舒张期内的时间间隔与光电容积脉搏波信号振幅为66%的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为66%的舒张期内的时间间隔与光电容积脉搏波信号振幅为66%的收缩期内的时间间隔的比值;
特征筛选模块,其被配置为:对特征提取得到的特征,采用随机森林算法进行最优特征筛选,得到最优特征子集,具体包括:
(1)获取特征全集构成的数据集S;
(2)计算随机森林中每个特征变量的重要性并按照降序排序;
(3)确定删除比例,从当前特征变量中删除相对不重要的指标,然后得到一个新的特征集;
(4)用新的特征集建立新的随机森林,重复步骤(2)~(3),直至剩下m个特征;
(5)根据前面步骤得到每个特征集和它们建立起来的随机森林,计算对应的袋外误差率OOB err,将袋外误差率最低的特征集作为最优特征子集;
输出模块,其被配置为:将最优特征,输入到训练后的收缩压预测模型中,输出预测的收缩压;将最优特征,输入到训练后的舒张压预测模型中,输出预测的舒张压;
其中,训练后的收缩压预测模型,训练过程包括:构建第一训练集,所述第一训练集为已知收缩压值的光电容积脉搏波信号的最优特征子集,采用梯度提升决策树算法,建立收缩压预测模型,将第一训练集,输入到收缩压预测模型中,对收缩压模型进行训练,得到训练后的收缩压预测模型;训练后的舒张压预测模型,训练过程包括:构建第二训练集,所述第二训练集为已知舒张压值的光电容积脉搏波信号的最优特征子集,采用梯度提升决策树算法,建立舒张压预测模型,将第二训练集,输入到舒张压预测模型中,对舒张压模型进行训练,得到训练后的舒张压预测模型;
其中,采用梯度提升决策树算法,建立收缩压预测模型;将第一训练集,输入到收缩压预测模型中,对收缩压模型进行训练,得到训练后的收缩压预测模型,具体包括:
输入:训练集B={((xi,yi)(i=1,2,…N))},其中xi代表第i个PPG样本经过特征选择由最优特征构成的特征向量,yi是第i个样本对应的实际收缩压值,训练集样本数目为N;
对弱学习器进行初始化:
其中,最大迭代次数M,γ是使损失函数L最小化的常数,yi是实际收缩压值且p(xi)是预测值,损失函数L选取平方误差损失函数:
计算每个样本i=1,2,…,N的负梯度:
将上一步计算的数据(xi,γim)(i=1,2,...N,m=1,2,...M)作为下棵树的训练数据,得到一颗新的回归树fm(x),其对应的叶子节点区域为Rm,j,其中j=1,2,…J,J为回归树m的叶子结点的个数;
对叶子区域j=1,2,…J,计算最佳拟合值γmj:
更新强学习器fm(x):
得到强学习器f(x):
强学习器f(x)即为训练后的收缩压预测模型。
2.如权利要求1所述的无袖式血压测量系统,其特征是,对待处理的光电容积脉搏波信号进行预处理;具体包括:
对待处理的光电容积脉搏波信号进行去噪处理;
对去噪处理后得到的信号进行异常信号筛除处理;
对异常信号筛除处理后的信号,按照设定周期进行划分,划分为若干个周期信号。
3.如权利要求1所述的无袖式血压测量系统,其特征是:
所述构建第一训练集;具体包括:
获取血压信号和血压信号对应的光电容积脉搏波信号;
对血压信号和血压信号对应的光电容积脉搏波信号,均进行预处理;
对预处理的光电容积脉搏波信号进行初步特征提取,得到波形轮廓特征和时域特征;构成初始特征集;
对初始特征集,进行最优特征筛选,得到最优特征子集;
对血压信号提取出收缩压值和舒张压值;将收缩压值与最优特征子集结合得到第一训练集;将舒张压值与最优特征子集结合得到第二训练集。
4.一种电子设备,其特征是,包括:
存储器,用于存储计算机可读指令;处理器,用于运行所述计算机可读指令;
其中,所述计算机可读指令被所述处理器运行时,实现上述权利要求1-3任一项所述系统的模块功能。
5.一种存储介质,其特征是,非暂时性地存储计算机可读指令,其中,当所述计算机可读指令由计算机执行时,实现权利要求1-3任一项所述系统的模块功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110608383.0A CN113180623B (zh) | 2021-06-01 | 2021-06-01 | 无袖式血压测量方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110608383.0A CN113180623B (zh) | 2021-06-01 | 2021-06-01 | 无袖式血压测量方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113180623A CN113180623A (zh) | 2021-07-30 |
CN113180623B true CN113180623B (zh) | 2023-06-16 |
Family
ID=76986151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110608383.0A Active CN113180623B (zh) | 2021-06-01 | 2021-06-01 | 无袖式血压测量方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113180623B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113598737A (zh) * | 2021-09-08 | 2021-11-05 | 上海中医药大学 | 一种基于特征融合的血压预测方法 |
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111973165A (zh) * | 2020-08-14 | 2020-11-24 | 北京航空航天大学 | 基于ppg的线性与非线性混合式无创连续血压测量系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2018227095B2 (en) * | 2017-03-02 | 2023-10-19 | Atcor Medical Pty Ltd | Non-invasive brachial blood pressure measurement |
CN109833035B (zh) * | 2017-11-28 | 2021-12-07 | 深圳市岩尚科技有限公司 | 脉搏波血压测量装置的分类预测数据处理方法 |
CN108960436A (zh) * | 2018-07-09 | 2018-12-07 | 上海应用技术大学 | 特征选择方法 |
CN109948851A (zh) * | 2019-03-20 | 2019-06-28 | 北京百度网讯科技有限公司 | 用于预测事件发生概率的方法和装置 |
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 |
CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
CN112006697B (zh) * | 2020-06-02 | 2022-11-01 | 东南大学 | 一种基于语音信号的梯度提升决策树抑郁程度识别系统 |
CN112741638B (zh) * | 2021-01-05 | 2022-04-08 | 北京航空航天大学 | 一种基于eeg信号的医疗诊断辅助系统 |
-
2021
- 2021-06-01 CN CN202110608383.0A patent/CN113180623B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111973165A (zh) * | 2020-08-14 | 2020-11-24 | 北京航空航天大学 | 基于ppg的线性与非线性混合式无创连续血压测量系统 |
Non-Patent Citations (1)
Title |
---|
基于脉搏波的无创连续血压监测模型簇研究;吴海燕,季忠,李孟泽;《仪器仪表学报》;第41卷(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113180623A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
US20230131876A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
CN113180623B (zh) | 无袖式血压测量方法、系统、设备及存储介质 | |
CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN109758145B (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
WO2021164349A1 (zh) | 一种基于光体积变化描记图法信号的血压预测方法和装置 | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
WO2021164345A1 (zh) | 一种血压预测的方法和装置 | |
CN111588367A (zh) | 心率检测方法、装置及计算机可读存储介质 | |
CN108334868A (zh) | 一种基于ppg信号和图像增强的脉象分析方法 | |
CN112836546A (zh) | 检测生理信号质量的方法、装置及电子设备 | |
CN111291727A (zh) | 一种光体积变化描记图法信号质量检测方法和装置 | |
CN116369877A (zh) | 一种基于光电容积脉搏波的无创血压估计方法 | |
CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
CN115881308A (zh) | 基于时空联合检测的心脏疾病分类模型构建方法 | |
CN113243902B (zh) | 一种基于光电容积脉搏波的特征提取方法 | |
CN112446307A (zh) | 基于局部约束的非负矩阵分解的心电身份识别方法及系统 | |
CN116975693A (zh) | 一种基于深度学习和异质集成策略的心音检测方法及系统 | |
CN114869249B (zh) | 脉搏波特征参数的获取方法、装置、电子设备及介质 | |
KR20230112835A (ko) | 인공 신경망을 이용한 고혈압 분류 방법 | |
CN111466894B (zh) | 一种基于深度学习的射血分数计算方法及系统 | |
Vega-Martínez et al. | Wavelet packet based algorithm for QRS region detection and R/S wave identification | |
CN114617536A (zh) | 一种血压预测方法、装置和计算机可读存储介质 | |
Bhoi et al. | Real time acquisition and analysis of PCG and PPG signals | |
CN114403831B (zh) | 一种ppg波形脉冲提取方法及装置 |
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 |