CN113197561B - 基于低秩回归的鲁棒式的无创无袖式血压测量方法与系统 - Google Patents
基于低秩回归的鲁棒式的无创无袖式血压测量方法与系统 Download PDFInfo
- Publication number
- CN113197561B CN113197561B CN202110638256.5A CN202110638256A CN113197561B CN 113197561 B CN113197561 B CN 113197561B CN 202110638256 A CN202110638256 A CN 202110638256A CN 113197561 B CN113197561 B CN 113197561B
- Authority
- CN
- China
- Prior art keywords
- regression
- low
- data
- rank
- matrix
- 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
- A61B5/02—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
- A61B5/02116—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave amplitude
-
- 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
- A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
-
- 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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Vascular Medicine (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明属于无创无袖式血压测量领域,提供了一种基于低秩回归的鲁棒式的无创无袖式血压测量方法与系统。该方法包括,获取待测的PPG数据,将待测的PPG数据和训练好的回归矩阵输入低秩回归预测模型,得到回归响应、纯净数据和稀疏噪声数据;所述回归矩阵的训练过程包括:将PPG数据输入低秩回归模型,利用ALM算法,迭代更新回归矩阵TS、纯净数据DS、稀疏噪声ES,直到达到收敛条件,得到训练好的回归矩阵。
Description
技术领域
本发明属于无创无袖式血压测量领域,尤其涉及一种基于低秩回归的鲁棒式的无创无袖式血压测量方法与系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
当今世界,高血压是导致死亡的主要原因,也是增加严重疾病风险的关键因素,包括中风和心力衰竭等心血管疾病。血压是心血管疾病的主要生命体征,要定期测量才能及时发现、预防和治疗心血管疾病。传统的血压测量技术或是侵入式的,或是袖口式的,对患者来说是不切实际的、间歇性的,并且很不舒服。最近几十年来,世界上的研究小组开始通过基于光学体积描记术(photoplethysmography,PPG)的特征估计血压,例如脉搏通过时间(pulse transit time,PTT),脉搏波速(pulse wave velocity,PWV),脉搏到达时间(pulsearrival time,PAT)和脉搏波分析(pulse wave analysis,PWA)等。随着信号处理技术的进步,特别是在机器学习和人工智能等领域,为PPG的无袖持续测量血压技术开辟了新方向。但是过去的大多数测量血压的回归模型用到了多个传感器,利用PPG和ECG信号来共同完成血压测量。另外,只利用PPG的回归模型没有考虑到噪声或者离群值的影响,导致PPG数据处理之后还存在着很多的噪声,提取出来的特征有很多离群值。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于低秩回归的鲁棒式的无创无袖式血压测量方法与系统,利用有监督的方式将输入的数据分成干净数据和噪声数据,通过离群值噪声分量可以对干净分量张成的子空间内外的离群值进行校正以提高回归预测的准确性和鲁棒性。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于低秩回归的鲁棒式的无创无袖式血压测量方法。
基于低秩回归的鲁棒式的无创无袖式血压测量方法,包括:
获取待测的PPG数据,将待测的PPG数据和训练好的回归矩阵输入低秩回归预测模型,得到回归响应、纯净数据和稀疏噪声数据;
所述回归矩阵的训练过程包括:
将PPG数据输入低秩回归模型,利用ALM算法,迭代更新回归矩阵TS、纯净数据DS、稀疏噪声ES,直到达到收敛条件,得到训练好的回归矩阵。
进一步的,所述获取待测PPG数据之后包括:对PPG数据进行预处理,滤除待测PPG数据中的伪影噪声。
进一步的,所述获取待测PPG数据之后包括:提取PPG数据的特征。
进一步的,所述提取PPG数据的特征包括:心动周期、收缩上搏时间、舒张时间、增强指数、时间延迟、收缩期和舒张期脉宽分别为10%、25%、33%、50%、66%、75%。
进一步的,所述获取待测PPG数据之后包括:去除特征值为NAN或0的数据。
进一步的,基于提取的PPG数据特征,构建信号矩阵,提取每个信号对应的SBP数值和DBP数值。
进一步的,所述低秩回归模型包括SBP低秩回归模型和DBP低秩回归模型。
本发明的第二个方面提供一种基于低秩回归的鲁棒式的无创无袖式血压测量系统。
基于低秩回归的鲁棒式的无创无袖式血压测量系统,包括:
预测模块,其被配置为:获取待测的PPG数据,将待测的PPG数据和训练好的回归矩阵输入低秩回归预测模型,得到回归响应、纯净数据和稀疏噪声数据;
训练模块,其被配置为:所述回归矩阵的训练过程包括:
将PPG数据输入低秩回归模型,利用ALM算法,迭代更新回归矩阵TS、纯净数据DS、稀疏噪声ES,直到达到收敛条件,得到训练好的回归矩阵。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的基于低秩回归的鲁棒式的无创无袖式血压测量方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的基于低秩回归的鲁棒式的无创无袖式血压测量方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明MIMIC II库中的数据进行PPG测量血压实验验证,先用三阶带通FIR滤波器来简单消除信号中的伪影噪声,接着提取PPG时间尺度的20余个特征,再进行特征选择,将特征矩阵中NAN值或0值比较多的列筛选掉以得到新特征矩阵用于训练和测试。PPG数据的训练集和测试集各自建模为一个低秩干净的无噪声矩阵和一个任意大的稀疏离群噪声矩阵。在训练过程中,在干净数据中学习回归矩阵,利用低秩约束干净矩阵到低维的子空间,并且约束噪声矩阵是稀疏的,整个训练过程是利用有监督的方式完成的。最后,在测试过程中,利用训练好的回归矩阵T在测试集上做回归预测,进而计算回归响应。因挖掘的特征比较多,可以充分利用特征之间的信息,加上低秩回归模型可以从底层子空间上的干净数据中学习,提高了仅利用PPG进行无创无袖式血压测量技术的鲁棒性和准确性。
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
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明基于低秩回归的鲁棒式的无创无袖式血压测量方法的流程图;
图2是本发明PPG和ABP的标注图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
由背景技术记载的内容可知,在只使用PPG信号进行血压回归测量时,如何减小噪声或者离群值的影响来获得一个鲁棒的模型是目前亟待解决的问题之一。
实施例一
如图1所示,本实施例提供了一种基于低秩回归的鲁棒式的无创无袖式血压测量方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和系统,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括以下步骤:
获取待测的PPG数据,将待测的PPG数据和训练好的回归矩阵输入低秩回归预测模型,得到回归响应、纯净数据和稀疏噪声数据;
所述回归矩阵的训练过程包括:
将PPG数据输入低秩回归模型,利用ALM算法,迭代更新回归矩阵TS、纯净数据DS、稀疏噪声ES,直到达到收敛条件,得到训练好的回归矩阵。
具体的,本发明的过程如下:
1、PPG数据预处理。
在本实施例中,利用Kachuee等人处理后的重症监护多参数智能监测(Multi-parameter Intelligent Monitoring in Intensive Care,MIMIC)II库。处理后的MIMICII库中的信号不仅以一种便于分析的形式呈现,而且对原始信号也进行了简单的预处理。PPG总共有12000条数据,忽略了血压值过小或过大的信号,只考虑60mmHg≤DBP≤130mmHg和80mmHg≤SBP≤180mmHg的数据信号。取每条数据的前8秒采样点,在提取特征之前,可以先用三阶带通FIR滤波器来简单消除信号中的伪影噪声。
2、PPG数据特征提取。
针对库中的ABP(Arterial Blood Pressure,动脉血压)信号,我们可以从每个周期中提取到SBP(systolic blood pressure,收缩压)数值和DBP(diastolic bloodpressure,舒张压)数值。其中,SBP是ABP脉冲波形中收缩压最高的ABP值,DBP指的是同一波形周期中舒张末期的ABP值。因此,ABP信号中的峰值点(bpmax)和舒张末期点(bpmin)分别是SBP和DBP的真实血压参考值(ground truth)。
处理后的PPG信号提取以下特征:心动周期(CP),收缩上搏时间(ST),舒张时间(DT),增强指数(AI),时间延迟(TD),收缩期和舒张期脉宽分别为10%(SW10,DW10)、25%、33%、50%、66%、75%。
所有的特征总结如下(图2为特征标注图):
CP,ST,DT,AI,TD
10%:DW10,SW10+DW10,DW10/SW10
25%:DW25,SW25+DW25,DW25/SW25
33%:DW33,SW33+DW33,DW33/SW33
50%:DW50,SW50+DW50,DW50/SW50
66%:DW66,SW66+DW66,DW 66/SW66
75%:DW75,SW75+DW75,DW75/SW75
3、PPG数据特征选择。
当某些PPG波形被破坏或不完整时,对应的很多特征值为NAN或0。因此,我们应将特征矩阵中NAN值或0值比较多的列筛选掉以得到新特征矩阵用于训练和测试。
4、鲁棒式低秩回归模型算法,训练得到回归矩阵T。
以上分析得到23×N信号矩阵,将每个信号对应的SBP和DBP值提取出来作为ground truth(YS,YD)。本实施例中,将提取信号的80%作为训练集,20%作为测试集。利用训练集特征矩阵和ground truth矩阵YS,YD∈R1×n在低秩回归模型上进行训练,得到SBP回归矩阵和DBP回归矩阵SBP回归模型如下:
DBP回归模型如下:
其中,Xtr是包含离群值的n维训练集样本,DS,DD是Xtr中的无噪声成分,而ES,ED是Xtr中的噪声成分。TS,TD是回归矩阵,ηS,ηD是回归误差权重系数,λS,λD分别是噪声系数项||ES||1,||ED||1的权重。
SBP和DBP低秩回归模型只通过中心无噪声数据DS,DD学习回归矩阵TS,TD,能明显地避免将离群矩阵ES,ED投影到输出空间。第二项和第三项与RPCA相似,它们都各自包含了低维度子空间的DS,DD,并且能鼓励ES,ED稀疏。但是与RPCA回归不同的是,低秩回归模型利用有监督的方式将Xtr分成DS,DD和ES,ED,即DS,DD将会保留Xtr和YS,YD相关的子空间。并且,ES,ED可以对DS,DD张成的子空间内外的离群值进行校正以提高回归预测的准确性和鲁棒性。
利用增广拉格朗日(ALM)方法对(1)式进行优化求解,(1)式可改写为:
其中Y1,Y2是拉格朗日乘子,μ1,μ2是惩罚参数,并且<A,B>=tr(ATB)。
Update TS
Update JS
其中(U,∑,VT)=SVD(DS k+Y2 k/μ2 k)。
Update DS
Update ES
Update Y1,Y2,μ1,μ2
Y1 k+1=Y1 k+μ1 k+1(Xtr-DS k+1-ES k+1)
Y2 k+1=Y2 k+μ2 k+1(DS k+1-JS k+1)
μ1 k+1=ρμ1 k
μ2 k+1=ρμ2 k (8)
基于低秩回归的鲁棒式的SBP模型算法的训练流程如下:
输入:训练集Xtr,ground truth YS,ηS>0,λS>0,γS>0(回归正则化系数),ρ=1.1,μ1=0.1,μ2=0.1,μmax=106,迭代次数K。
输出:回归矩阵TS,纯净数据DS,稀疏噪声ES。
Step2:For k=1:K do
Step3:利用ALM算法解决(3)式,交替更新TS,DS,ES,Y1,Y2,μ1,μ2。
Step4:If收敛,Then终止迭代。收敛条件如下:
(2)式优化与(1)式类似,DBP模型算法的训练流程和SBP类似。此处不再赘述。
回归预测
通过SBP和DBP回归模型训练过程的算法,可以得到训练好的回归映射矩阵Ts,TD,进而继续在测试集Xte上做回归预测。首先通过低秩表示模型得到纯净数据DS,DD,接着进行回归预测。
求解DS的低秩表示模型如下:
回归预测公式如下:Ypred_S=TSDS (10)
其中DS,ES,λS的定义与(1)式一致。
求解DD的低秩表示模型如下:
回归预测公式如下:Ypred_D=TDDD (12)
其中DD,ED,λD的定义与(2)式一致。
我们继续利用增广拉格朗日(ALM)方法对(9)式进行优化求解,(9)式可改写为:
Update DS
其中(U,∑,VT)=SVD(Xte-ES k+Y1 k/μ1 k)。
Update ES
Update Y1,μ1
Y1 k+1=Y1 k+μ1 k+1(Xte-DS k+1-ES k+1)
μ1 k+1=ρμ1 k (16)
5、回归预测时得到测试集的干净数据D与之前的T计算回归响应Ypred。
基于低秩回归的鲁棒式的SBP模型算法的预测流程如下:
输入:测试集Xte,回归矩阵TS,λS>0,ρ=1.1,μmax=106,迭代次数K。
输出:回归响应Ypred_S,纯净数据DS,稀疏噪声ES。
Step2:For k=1:K do
Step3:利用ALM算法解决(13)式,交替更新DS,ES,Y1,μ1。
Step4:If收敛,Then终止迭代。收敛条件如下:
(11)式优化与(9)式类似,DBP模型算法的测试流程和SBP类似。此处不再赘述。
实施例二
本实施例提供了一种基于低秩回归的鲁棒式的无创无袖式血压测量系统。
基于低秩回归的鲁棒式的无创无袖式血压测量系统,包括:
预测模块,其被配置为:获取待测的PPG数据,将待测的PPG数据和训练好的回归矩阵输入低秩回归预测模型,得到回归响应、纯净数据和稀疏噪声数据;
训练模块,其被配置为:所述回归矩阵的训练过程包括:
将PPG数据输入低秩回归模型,利用ALM算法,迭代更新回归矩阵TS、纯净数据DS、稀疏噪声ES,直到达到收敛条件,得到训练好的回归矩阵。
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。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的基于低秩回归的鲁棒式的无创无袖式血压测量方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的基于低秩回归的鲁棒式的无创无袖式血压测量方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于低秩回归的鲁棒式的无创无袖式血压测量方法,其特征在于,包括:
获取待测的PPG数据,将待测的PPG数据和训练好的回归矩阵输入低秩回归预测模型,得到回归响应、纯净数据和稀疏噪声数据;
所述回归矩阵的训练过程包括:
将PPG数据输入低秩回归模型,利用ALM算法,迭代更新回归矩阵TS、纯净数据DS、稀疏噪声ES,直到达到收敛条件,得到训练好的回归矩阵;
所述获取待测PPG数据之后包括:提取PPG数据的特征;
所述提取PPG数据的特征包括:心动周期、收缩上搏时间、舒张时间、增强指数、时间延迟、收缩期和舒张期脉宽分别为10%、25%、33%、50%、66%、75%;
基于提取的PPG数据特征,构建信号矩阵,提取每个信号对应的SBP数值YS,和DBP数值YD;
所述低秩回归模型包括SBP低秩回归模型和DBP低秩回归模型;
SBP回归模型如下:
DBP回归模型如下:
其中,Xtr是包含离群值的n维训练集样本,DS,DD是Xtr中的无噪声成分,而ES,ED是Xtr中的噪声成分, TS,TD是回归矩阵,ηS,ηD是回归误差权重系数,λS,λD分别是噪声系数项||ES||1,||ED||1的权重。
2.根据权利要求1所述的基于低秩回归的鲁棒式的无创无袖式血压测量方法,其特征在于,所述获取待测PPG数据之后包括:对PPG数据进行预处理,滤除待测PPG数据中的伪影噪声。
3.根据权利要求1所述的基于低秩回归的鲁棒式的无创无袖式血压测量方法,其特征在于,所述获取待测PPG数据之后包括:去除特征值为NAN或0的数据。
4.基于低秩回归的鲁棒式的无创无袖式血压测量系统,其特征在于,包括:
预测模块,其被配置为:获取待测的PPG数据,将待测的PPG数据和训练好的回归矩阵输入低秩回归预测模型,得到回归响应、纯净数据和稀疏噪声数据:
训练模块,其被配置为:所述回归矩阵的训练过程包括:
将PPG数据输入低秩回归模型,利用ALM算法,迭代更新回归矩阵TS、纯净数据DS、稀疏噪声ES,直到达到收敛条件,得到训练好的回归矩阵;
所述获取待测PPG数据之后包括:提取PPG数据的特征;
所述提取PPG数据的特征包括:心动周期、收缩上搏时间、舒张时间、增强指数、时间延迟、收缩期和舒张期脉宽分别为10%、25%、33%、50%、66%、75%;
基于提取的PPG数据特征,构建信号矩阵,提取每个信号对应的SBP数值YS,和DBP数值YD;
所述低秩回归模型包括SBP低秩回归模型和DBP低秩回归模型;
SBP回归模型如下:
DBP回归模型如下:
其中,Xtr是包含离群值的n维训练集样本,DS,DD是Xtr中的无噪声成分,而ES,ED是Xtr中的噪声成分, TS,TD是回归矩阵,ηS,ηD是回归误差权重系数,λS,λD分别是噪声系数项||ES||1,||ED||1的权重。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3中任一项所述的基于低秩回归的鲁棒式的无创无袖式血压测量方法中的步骤。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-3中任一项所述的基于低秩回归的鲁棒式的无创无袖式血压测量方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638256.5A CN113197561B (zh) | 2021-06-08 | 2021-06-08 | 基于低秩回归的鲁棒式的无创无袖式血压测量方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638256.5A CN113197561B (zh) | 2021-06-08 | 2021-06-08 | 基于低秩回归的鲁棒式的无创无袖式血压测量方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113197561A CN113197561A (zh) | 2021-08-03 |
CN113197561B true CN113197561B (zh) | 2022-05-17 |
Family
ID=77024557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110638256.5A Active CN113197561B (zh) | 2021-06-08 | 2021-06-08 | 基于低秩回归的鲁棒式的无创无袖式血压测量方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113197561B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572583A (zh) * | 2013-10-10 | 2015-04-29 | 国际商业机器公司 | 用于数据致密化的方法和系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
EP3366203B1 (en) * | 2017-02-23 | 2019-12-25 | Tata Consultancy Services Limited | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time |
CN107392128A (zh) * | 2017-07-13 | 2017-11-24 | 南京邮电大学 | 基于双低秩表示和局部约束矩阵回归的鲁棒图像识别方法 |
EP3453321B1 (en) * | 2017-09-06 | 2024-05-22 | Tata Consultancy Services Limited | Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing |
CN107909091A (zh) * | 2017-10-13 | 2018-04-13 | 天津大学 | 一种基于稀疏低秩回归模型的图像记忆度预测方法 |
CN110032704B (zh) * | 2018-05-15 | 2023-06-09 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、终端及存储介质 |
CN109512410A (zh) * | 2018-12-26 | 2019-03-26 | 东南大学 | 一种多生理信号特征融合的无袖带连续血压测量方法 |
CN110251105B (zh) * | 2019-06-12 | 2022-06-21 | 广州视源电子科技股份有限公司 | 一种无创血压测量方法、装置、设备及系统 |
CN110604556A (zh) * | 2019-09-24 | 2019-12-24 | 清华大学 | 一种无创连续血压测量装置及测量方法 |
CN111973165B (zh) * | 2020-08-14 | 2021-12-24 | 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 |
-
2021
- 2021-06-08 CN CN202110638256.5A patent/CN113197561B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572583A (zh) * | 2013-10-10 | 2015-04-29 | 国际商业机器公司 | 用于数据致密化的方法和系统 |
Non-Patent Citations (1)
Title |
---|
基于降秩回归的膳食模式与代谢综合征相关性研究;程茅伟;《营养学报》;20171231;第39卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113197561A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Deep learning in ECG diagnosis: A review | |
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 | |
Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
US11696729B2 (en) | Systems and methods for image data acquisition | |
TWI742408B (zh) | 一種圖像處理方法、電子設備及儲存介質 | |
CN112508110A (zh) | 一种基于深度学习的心电信号图的分类方法 | |
CN109620210B (zh) | 一种基于自编码模式的cnn与gru结合的心电信号分类方法 | |
CN109567789B (zh) | 心电图数据的分割处理方法、装置及可读存储介质 | |
US20210315470A1 (en) | Reconstruction of electrocardiogram from photoplethysmogram signals | |
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 | |
CN108171261A (zh) | 鲁棒的自适应半监督图像分类方法、装置、设备及介质 | |
CN116782829A (zh) | 用于将生物电信号数据转换为数值向量的方法和装置及利用其分析疾病的方法和装置 | |
Bigot | Fréchet means of curves for signal averaging and application to ECG data analysis | |
CN111067512B (zh) | 心室颤动的检测装置、检测模型的训练装置、方法及设备 | |
Jiang et al. | Detection of left atrial enlargement using a convolutional neural network-enabled electrocardiogram | |
CN113180623B (zh) | 无袖式血压测量方法、系统、设备及存储介质 | |
CN113197561B (zh) | 基于低秩回归的鲁棒式的无创无袖式血压测量方法与系统 | |
CN112914528B (zh) | 一种无袖带血压测量的模型生成方法、装置及计算机可读介质 | |
Wang et al. | IMSF-Net: An improved multi-scale information fusion network for PPG-based blood pressure estimation | |
CN113229799A (zh) | 一种ppg心率估计方法、系统、存储介质、设备 | |
Li et al. | Inferring ECG from PPG for Continuous Cardiac Monitoring Using Lightweight Neural Network | |
Ding et al. | Ecg automatic classification model based on convolutional neural network | |
Senouf et al. | Inferring Cardiovascular Biomarkers with Hybrid Model Learning | |
US20220414181A1 (en) | Method and device for translating between stochastic signals |
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 |