CN113288090B - 血压预测方法、系统、设备及存储介质 - Google Patents
血压预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113288090B CN113288090B CN202110489785.3A CN202110489785A CN113288090B CN 113288090 B CN113288090 B CN 113288090B CN 202110489785 A CN202110489785 A CN 202110489785A CN 113288090 B CN113288090 B CN 113288090B
- Authority
- CN
- China
- Prior art keywords
- signal
- blood pressure
- coefficient
- noise reduction
- pressure prediction
- 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.)
- Expired - Fee Related
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title abstract description 34
- 230000009467 reduction Effects 0.000 claims abstract description 82
- 238000013186 photoplethysmography Methods 0.000 claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000009795 derivation Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 6
- 230000035487 diastolic blood pressure Effects 0.000 description 10
- 230000035488 systolic blood pressure Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000000306 component Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000012503 blood component Substances 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation 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
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种血压预测方法、系统、设备及存储介质。本发明通过获取光电容积脉搏波信号及心率值;对所述光电容积脉搏波信号进行离散余弦变换,以得到频域信号;对所述频域信号进行低通滤波,以得到滤波后的信号;对所述滤波后的信号的交流系数进行筛选,以得到降噪信号;提取所述降噪信号的特征值;将所述特征值及所述心率值输入至预设模型中,以得到血压预测值。其中,通过对信号进行离散余弦变换及系数筛选等处理,可以获得更好的降噪效果,使降噪信号具有更多有价值的特征信息,便于后续特征值的提取,进而提高了血压预测的准确性。
Description
技术领域
本发明涉及人体信号处理技术领域,尤其涉及一种血压预测方法、系统、设备及存储介质。
背景技术
高血压是全世界死亡的一个主要原因,血压是用于个人健康监测的重要指标,尤其是对需要控制和预防高血压和心血管疾病的患者,更为重要。随着可穿戴设备使用范围越来越大,通过可穿戴设备内置的人体传感器可以获得光电容积脉搏波(photoplethysmographic,PPG)信号,进而对PPG信号进行信号处理、特征提取及机器学习后可以获得血压。
目前,通过PPG信号进行血压预测的方案已经较为成熟,大多改进手段集中在对PPG信号的特征提取和机器学习上,通过选用不同的特征或回归预测器进行结果改良,但在作为整个方案的基础——信号处理方面,仍缺乏有效快捷的方式进行信号降噪与信息提取,进而影响了特征提取的有效性和回归预测的准确性。因此,现有技术中血压预测的准确性有待提高。
发明内容
本发明的主要目的在于提供一种血压预测方法、系统、设备及存储介质,旨在解决现有技术中血压预测的准确性有待提高的技术问题。
为实现上述目的,本发明第一方面提供一种血压预测方法,方法包括以下步骤:
获取光电容积脉搏波信号及心率值;
对光电容积脉搏波信号进行离散余弦变换,以得到频域信号;
对频域信号进行低通滤波,以得到滤波后的信号;
对滤波后的信号的交流系数进行筛选,以得到降噪信号;
提取降噪信号的特征值;
将特征值及心率值输入至预设模型中,以得到血压预测值。
可选地,对滤波后的信号的交流系数进行筛选,以得到降噪信号,包括:
获取滤波后的信号的交流系数和直流系数;
基于预设规则对交流系数进行筛选;
根据直流系数和筛选得到的系数构建降噪信号。
可选地,基于预设规则对交流系数进行筛选,包括:
根据交流系数的幅度对交流系数进行排序,得到系数序列;
从系数序列中获取幅度最大的第一交流系数;
获取第一交流系数的第一能量及交流系数的总能量;
计算所有的第一能量的能量和;
判断能量和与总能量的比值是否大于预设值;
在能量和与总能量的比值大于预设值时,将所有的第一交流系数作为筛选得到的系数。
可选地,还包括:
在能量和与总能量的比值小于或等于预设值时,从系数序列中删除第一交流系数,并返回从系数序列中获取幅度最大的第一交流系数的步骤。
可选地,根据直流系数和筛选得到的系数构建降噪信号,包括:
根据直流系数和筛选得到的系数得到降噪信号的频谱;
将频谱进行离散余弦逆变换,得到降噪信号。
可选地,预设模型为随机森林回归预测模型。
可选地,提取降噪信号的特征值,包括:
将降噪信号分别进行一阶求导和二阶求导,对应得到降噪信号的一阶导数和二阶导数;
根据降噪信号、一阶导数的信号和二阶导数的信号得到特征点;
根据特征点计算得到特征值。
本发明第二方面提供一种血压预测系统,血压预测系统包括:
信息获取模块,用于获取光电容积脉搏波信号及心率值;
信号转换模块,用于对光电容积脉搏波信号进行离散余弦变换,以得到频域信号;
信号滤波模块,用于对频域信号进行低通滤波,以得到滤波后的信号;
系数选择模块,用于对滤波后的信号的交流系数进行筛选,以得到降噪信号;
特征提取模块,用于提取降噪信号的特征值;
血压预测模块,用于将特征值及心率值输入至预设模型中,以得到血压预测值。
本发明第三方面提供一种血压预测设备,血压预测设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的血压预测程序,血压预测程序配置为实现如上的血压预测方法的步骤。
本发明第四方面提供一种存储介质,存储介质上存储有血压预测程序,血压预测程序被处理器执行时实现如上的血压预测方法的步骤。
通过本发明实施例提供的方案,通过获取光电容积脉搏波信号及心率值;对光电容积脉搏波信号进行离散余弦变换,以得到频域信号;对频域信号进行低通滤波,以得到滤波后的信号;对滤波后的信号的交流系数进行筛选,以得到降噪信号;提取降噪信号的特征值;将特征值及心率值输入至预设模型中,以得到血压预测值。其中,通过对信号进行离散余弦变换及系数筛选等处理,可以获得更好的降噪效果,使降噪信号具有更多有价值的特征信息,便于后续特征值的提取,进而提高了血压预测的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的血压预测设备结构示意图;
图2为本发明血压预测方法一实施例的流程示意图;
图3为图2中血压预测值中的收缩压的预测结果图;
图4为图2中血压预测值中的舒张压的预测结果图;
图5为图2中步骤S40一实施例的细化流程示意图;
图6为图2中步骤S50一实施例的细化流程示意图;
图7为图6中特征点的标记图;
图8为图6中特征值的计算展示图;
图9为本发明血压预测系统一实施例的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的血压预测设备结构示意图。
如图1所示,该血压预测设备可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏、输入单元比如键盘,可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器,例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对血压预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及血压预测程序。
在图1所示的血压预测设备中,网络接口1004主要用于与外部网络进行数据通信;用户接口1003主要用于接收用户的输入指令;血压预测设备通过处理器1001调用存储器1005中存储的血压预测程序,并执行以下操作:
获取光电容积脉搏波信号及心率值;
对光电容积脉搏波信号进行离散余弦变换,以得到频域信号;
对频域信号进行低通滤波,以得到滤波后的信号;
对滤波后的信号的交流系数进行筛选,以得到降噪信号;
提取降噪信号的特征值;
将特征值及心率值输入至预设模型中,以得到血压预测值。
进一步地,处理器1001可以调用存储器1005中存储的血压预测程序,还执行以下操作:
获取滤波后的信号的交流系数和直流系数;
基于预设规则对交流系数进行筛选;
根据直流系数和筛选得到的系数构建降噪信号。
进一步地,处理器1001可以调用存储器1005中存储的血压预测程序,还执行以下操作:
根据交流系数的幅度对交流系数进行排序,得到系数序列;
从系数序列中获取幅度最大的第一交流系数;
获取第一交流系数的第一能量及交流系数的总能量;
计算所有的第一能量的能量和;
判断能量和与总能量的比值是否大于预设值;
在能量和与总能量的比值大于预设值时,将所有的第一交流系数作为筛选得到的系数。
进一步地,处理器1001可以调用存储器1005中存储的血压预测程序,还执行以下操作:
在能量和与总能量的比值小于或等于预设值时,从系数序列中删除第一交流系数,并返回从系数序列中获取幅度最大的第一交流系数的步骤。
进一步地,处理器1001可以调用存储器1005中存储的血压预测程序,还执行以下操作:
将降噪信号分别进行一阶求导和二阶求导,对应得到降噪信号的一阶导数和二阶导数;
根据降噪信号、一阶导数的信号和二阶导数的信号得到特征点;
根据特征点计算得到特征值。
本实施例通过上述方案,通过获取光电容积脉搏波信号及心率值;对光电容积脉搏波信号进行离散余弦变换,以得到频域信号;对频域信号进行低通滤波,以得到滤波后的信号;对滤波后的信号的交流系数进行筛选,以得到降噪信号;提取降噪信号的特征值;将特征值及心率值输入至预设模型中,以得到血压预测值。其中,通过对信号进行离散余弦变换及系数筛选等处理,可以获得更好的降噪效果,使降噪信号具有更多有价值的特征信息,便于后续特征值的提取,进而提高了血压预测的准确性。
基于上述硬件结构,提出本发明血压预测方法实施例。
参照图2,图2为本发明血压预测方法一实施例的流程示意图。
在本实施例中,血压预测方法包括以下步骤:
S10:获取光电容积脉搏波信号及心率值;
应当理解的是,光电容积脉搏波信号(以下简称PPG信号)是一种在皮肤表面发射特殊波段的光,经过人体血管和组织反射、吸收后,测量反射回传感器的衰减光获得的信号,由于人体血液成分复杂和不同人体行为,读取信号时会有噪声产生。因此对PPG信号降噪处理非常重要。
在具体实现中,PPG信号和心率值可以通过可穿戴设备或其他电子设备采集,对于获取PPG信号和心率值的方式,本实施例对此不加以限制。
S20:对光电容积脉搏波信号进行离散余弦变换,以得到频域信号;
需要说明的是,现有技术中在对PPG信号进行降噪处理时,通常采用小波分解的方式,小波分解过程如下:其中α为伸缩因子,β为平移因子,为子波,是对母小波的缩放和位移。采用传统的小波分解的方式降噪对不同信号的适应性有限,如信号噪声较多,就需要对母小波改变缩放程度,或者增加小波分解级数才能滤除更多噪声,而这些参数需要人为根据信号降噪程度进行参数调整,这会对信号快速处理带来障碍。并且,小波分解的级数较多,会对分解与重构的运行速度带来阻碍。
本实施例中采用的离散余弦变换(Discrete Cosine Transform,DCT)是一种基于傅立叶变换的时频变换的手段,计算方便快捷,同时频域上也有有价值的特征信息,便于后续特征提取。该方法对于任何相同长度的含噪信号,计算复杂度都几乎相同。
S30:对频域信号进行低通滤波,以得到滤波后的信号;
需要说明的是,如采用传统DCT变换,则针对不同噪声程度的信号,难以对变换后的频域信号,采用一致的低通滤波器中的频率截止参数进行滤波而都获得理想的降噪效果。如采用传统小波变换,也同样难以用统一的参数应对不同程度的噪声。
对于上述传统DCT变换的弊端,本实施例在对PPG信号进行DCT变换后,对频域信号进行低通滤波,并对滤波后的信号做进一步选择,以滤除噪声。
S40:对滤波后的信号的交流系数进行筛选,以得到降噪信号;
以8×8的DCT变换为例,当然,首先把PPG信号分解为8*8大小的数据块,然后利用DCT把每个块变成64个DCT系数,其中左上角的第一个数值是直流(DC)系数,即8*8子块的平均值,其余的63个是交流(AC)系数。
由于幅值较大的AC系数包含PPG信号的更多信息,因此可以通过选择幅值较大的AC系数进行降噪。
S50:提取降噪信号的特征值;
在具体实现中,可以先从降噪信号中检测特征点,再根据特征点计算特征值。其中,特征值可以包括但不限于收缩期峰S与下一个收缩期峰S之间的时间间隔、收缩期峰S与第一个舒张期峰D之间的比例等。
S60:将特征值及心率值输入至预设模型中,以得到血压预测值。
在一实施例中,预设模型为随机森林回归预测模型。血压预测值包括收缩压和舒张压。
预设模型可以通过以下步骤得到:
1、采集受试者的PPG信号作为原始数据集,采集频率为1000Hz,共收集了495段2.1秒的PPG信号并用家用血压计,测量受试者的心率、收缩压与舒张压,其中所对应的收缩压(SBP)在80~119且舒张压(DBP)在42~82的数量是240,所对应的SBP在120~139且DBP在53~93的数量是255。
2、将数据按7:3的数量比例划分为训练数据集和测试数据集,因此分别是346组数据(一段信号+对应三个真实值为一组)和149组。
3、对所有数据依次进行DCT变换、低通滤波及系数选择处理,获得降噪信号;
4、提取降噪信号中的特征点,并计算特征值;
5、进行回归模型的训练,使用随机森林回归预测模型对收缩压与舒张压分别训练预测模型。两者模型训练的步骤一致,将训练数据集中信号的特征值与参考值中的心率值共同作为模型的输入,参考值中的真实收缩压与舒张压分别作为模型的输出。
6、利用测试数据集中每段信号的特征值与参考值,分别用收缩压预测模型与舒张压预测模型进行预测。
上述模型的收缩压的预测结果可以参见图3,舒张压的预测结果可以参见图4。
本实施例通过获取光电容积脉搏波信号及心率值;对光电容积脉搏波信号进行离散余弦变换,以得到频域信号;对频域信号进行低通滤波,以得到滤波后的信号;对滤波后的信号的交流系数进行筛选,以得到降噪信号;提取降噪信号的特征值;将特征值及心率值输入至预设模型中,以得到血压预测值。其中,通过对信号进行离散余弦变换及系数筛选等处理,可以获得更好的降噪效果,使降噪信号具有更多有价值的特征信息,便于后续特征值的提取,进而提高了血压预测的准确性。
进一步地,如图5所示,图5为图2中步骤S40一实施例的细化流程示意图。具体地,S40包括以下步骤:
S41:获取滤波后的信号的交流系数和直流系数;
应当理解的是,滤波后的信号中第一个频谱系数即为DC系数,其他的频谱系数为AC系数,本实施例中仅需要对AC系数进行再选择,直流系数则用于后期重构降噪信号。
S42:基于预设规则对交流系数进行筛选;
在一实施例中,可以根据交流系数的幅度对交流系数进行排序,得到系数序列;从系数序列中获取幅度最大的第一交流系数;获取第一交流系数的第一能量及交流系数的总能量;计算所有的第一能量的能量和;判断能量和与总能量的比值是否大于预设值。
在能量和与总能量的比值大于预设值时,将所有的第一交流系数作为筛选得到的系数。
在能量和与总能量的比值小于或等于预设值时,从系数序列中删除第一交流系数,并返回从系数序列中获取幅度最大的第一交流系数的步骤。
其中,第一交流系数指系数序列中幅度最大的交流系数,第一能量指第一交流系数对应的能量,能量和指从系数序列中获得的所有的幅度最大的交流系数对应的能量的和。
在具体实现中,可以根据AC系数的幅度对AC系数进行降序排序,从系数序列中选择第一个具有最大幅度的AC系数K1,计算该AC系数K1的第一能量E1与总能量E0的比值是否大于预设值。其中,预设值指预先设置的能量比例,其取值可以设置为0.96至0.98之间的任一个数值。
当第一能量E1与总能量E0的比值大于预设值时,将该具有最大幅度的AC系数K1作为筛选得到的系数,反之,则从系数列表中删除该具有最大幅度的AC系数K1,并继续从系数序列中选择第一个具有最大幅度的AC系数K2,计算该AC系数K2的第一能量E2以及上一个AC系数的第一能量E1的能量和EK,并判断能量和EK与总能量E0的比例是否大于预设值。
当能量和EK与总能量E0的比值大于预设值时,将该具有最大幅度的AC系数K2,以及上一个最有具大幅度的AC系数K1作为筛选得到的系数,反之,则从系数列表中删除该具有最大幅度的AC系数K2,并返回从系数序列中选择第一个具有最大幅度的AC系数K3的过程,直至比值达到预设值为止。
S43:根据直流系数和筛选得到的系数构建降噪信号。
具体地,根据直流系数和筛选得到的系数得到降噪信号的频谱;将频谱进行离散余弦逆变换,得到降噪信号。
需要说明的是,本实施例在使用DCT方法的基础上,滤除噪声仅需要两个参数,即低通滤波器的截止频率与预设值(即能量比例值)。截止频率根据PPG信号的正常频率范围很容易确定,能量比例值则通过一部分的信号测试,也可很快确定,这种方法不局限于当下的数据信号。并且上述两个参数有互补的作用,当一个参数设置太高,可以通过另一个参数进行协调,帮助维持较好的降噪水平。
而对于现有技术中采用小波变换方案,母小波的确定与小波分解的级数,对于不同类型的噪声将会不同,且母小波的确定对于小波的分解至关重要,参数较多,降噪过程极为复杂。
本实施例通过对交流系数进行筛选的具体过程的设计,使得能快速适应含有不同程度噪声的信号,使所有信号都能获得较为理想的降噪效果,提高后续特征提取的有效性和回归预测的准确性。
进一步地,如图6所示,图6为图2中步骤S50一实施例的细化流程示意图。具体地,S50包括以下步骤:
S51:将降噪信号分别进行一阶求导和二阶求导,对应得到降噪信号的一阶导数和二阶导数;
S52:根据降噪信号、一阶导数的信号和二阶导数的信号得到特征点;
应当理解的是,通过降噪信号的一阶求导和二阶求导,一个PPG波段可通过自身信号、一阶导数的信号和二阶导数的信号检测到8个特征点,其对应含义如表1所示:
表1
一个PPG波段对应的检测位置可以参照图7,图中从上至下的信号分别是降噪信号、VPG信号(降噪信号的一阶导数的信号)、APG信号(降噪信号的二阶导数的信号)。
S53:根据特征点计算得到特征值。
通过8个特征点在降噪信号上的位置及特征点之间的时间间隔计算、对应曲线下面积的计算,一个PPG波段可以获得如表2所示的12个特征值:
表2
关于该特征值的前8个特征值计算过程可以参照图8,其中,第9-12个特征点类似特征3的计算过程,在此不再赘述。
本实施例通过对降噪信号进行两次求导的方式进行特征点的检测,提高了特征点检测的准确性,进而提高了血压预测的精准度。
本发明进一步提供一种血压预测系统。
参照图9,图9为本发明血压预测系统一实施例的功能模块图。
本实施例中,血压预测系统包括:
信息获取模块10,用于获取光电容积脉搏波信号及心率值;
信号转换模块20,用于对光电容积脉搏波信号进行离散余弦变换,以得到频域信号;
信号滤波模块30,用于对频域信号进行低通滤波,以得到滤波后的信号;
系数选择模块40,用于对滤波后的信号的交流系数进行筛选,以得到降噪信号;
特征提取模块50,用于提取降噪信号的特征值;
血压预测模块60,用于将特征值及心率值输入至预设模型中,以得到血压预测值。
系数选择模块40,还用于获取滤波后的信号的交流系数和直流系数;基于预设规则对交流系数进行筛选;根据直流系数和筛选得到的系数构建降噪信号。
系数选择模块40,还用于根据交流系数的幅度对交流系数进行排序,得到系数序列;从系数序列中获取幅度最大的第一交流系数;获取第一交流系数的第一能量及交流系数的总能量;计算所有的第一能量的能量和;判断能量和与总能量的比值是否大于预设值;在能量和与总能量的比值大于预设值时,将所有的第一交流系数作为筛选得到的系数。
系数选择模块40,还用于在能量和与总能量的比值小于或等于预设值时,从系数序列中删除第一交流系数,并返回从系数序列中获取幅度最大的第一交流系数的步骤。
系数选择模块40,还用于根据直流系数和筛选得到的系数得到降噪信号的频谱;将频谱进行离散余弦逆变换,得到降噪信号。
血压预测模块60,还用于将特征值及心率值输入至随机森林回归预测模型中,以得到血压预测值。
特征提取模块50,还用于将降噪信号分别进行一阶求导和二阶求导,对应得到降噪信号的一阶导数和二阶导数;根据降噪信号、一阶导数的信号和二阶导数的信号得到特征点;根据特征点计算得到特征值。
本发明血压预测系统的具体实施例与上述控制方法各实施例基本相同,在此不作赘述。
此外,本发明实施例还提出一种计算机可读存储介质,计算机可读存储介质上存储有血压预测程序,控制程序被处理器执行时使得处理器能够执行上述的血压预测方法。
本发明计算机可读存储介质的具体实施例与上述控制方法各实施例基本相同,在此不作赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种血压预测设备,其特征在于,所述血压预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的血压预测程序,所述血压预测程序被配置为:
获取光电容积脉搏波信号及心率值;
对所述光电容积脉搏波信号进行离散余弦变换,以得到频域信号;
对所述频域信号进行低通滤波,以得到滤波后的信号;
对所述滤波后的信号的交流系数进行筛选,以得到降噪信号;
提取所述降噪信号的特征值;
将所述特征值及所述心率值输入至预设模型中,以得到血压预测值。
2.根据权利要求1所述的血压预测设备,其特征在于,所述血压预测程序还被配置为:
获取所述滤波后的信号的交流系数和直流系数;
基于预设规则对所述交流系数进行筛选;
根据所述直流系数和筛选得到的系数构建降噪信号。
3.根据权利要求2所述的血压预测设备,其特征在于,所述血压预测程序还被配置为:
根据所述交流系数的幅度对所述交流系数进行排序,得到系数序列;
从所述系数序列中获取幅度最大的第一交流系数;
获取所述第一交流系数的能量和及所述交流系数的总能量,其中所述能量和为从所述系数序列中获得的所有的幅度最大的交流系数对应的能量的和;
判断所述能量和与所述总能量的比值是否大于预设值;
在所述能量和与所述总能量的比值大于所述预设值时,将所有的第一交流系数作为筛选得到的系数。
4.根据权利要求3所述的血压预测设备,其特征在于,所述血压预测程序还被配置为:
在所述能量和与所述总能量的比值小于或等于所述预设值时,从所述系数序列中删除所述第一交流系数,并返回所述从所述系数序列中获取幅度最大的第一交流系数的步骤。
5.根据权利要求2所述的血压预测设备,其特征在于,所述血压预测程序还被配置为:
根据所述直流系数和筛选得到的系数得到降噪信号的频谱;
将所述频谱进行离散余弦逆变换,得到所述降噪信号。
6.根据权利要求1至5任一项所述的血压预测设备,其特征在于,所述预设模型为随机森林回归预测模型。
7.根据权利要求1至5任一项所述的血压预测设备,其特征在于,所述血压预测程序还被配置为:
将所述降噪信号分别进行一阶求导和二阶求导,对应得到所述降噪信号的一阶导数和二阶导数;
根据所述降噪信号、所述一阶导数的信号和所述二阶导数的信号得到特征点;
根据所述特征点计算得到特征值。
8.一种血压预测系统,其特征在于,所述血压预测系统包括:
信息获取模块,用于获取光电容积脉搏波信号及心率值;
信号转换模块,用于对所述光电容积脉搏波信号进行离散余弦变换,以得到频域信号;
信号滤波模块,用于对所述频域信号进行低通滤波,以得到滤波后的信号;
系数选择模块,用于对所述滤波后的信号的交流系数进行筛选,以得到降噪信号;
特征提取模块,用于提取所述降噪信号的特征值;
血压预测模块,用于将所述特征值及所述心率值输入至预设模型中,以得到血压预测值。
9.一种存储介质,其特征在于,所述存储介质上存储有血压预测程序,所述血压预测程序被处理器执行时实现:
获取光电容积脉搏波信号及心率值;
对所述光电容积脉搏波信号进行离散余弦变换,以得到频域信号;
对所述频域信号进行低通滤波,以得到滤波后的信号;
对所述滤波后的信号的交流系数进行筛选,以得到降噪信号;
提取所述降噪信号的特征值;
将所述特征值及所述心率值输入至预设模型中,以得到血压预测值。
10.根据权利要求9所述的存储介质,其特征在于,所述血压预测程序被处理器执行时还实现:
获取所述滤波后的信号的交流系数和直流系数;
基于预设规则对所述交流系数进行筛选;
根据所述直流系数和筛选得到的系数构建降噪信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110489785.3A CN113288090B (zh) | 2021-05-06 | 2021-05-06 | 血压预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110489785.3A CN113288090B (zh) | 2021-05-06 | 2021-05-06 | 血压预测方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113288090A CN113288090A (zh) | 2021-08-24 |
CN113288090B true CN113288090B (zh) | 2022-04-22 |
Family
ID=77320840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110489785.3A Expired - Fee Related CN113288090B (zh) | 2021-05-06 | 2021-05-06 | 血压预测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113288090B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114145725B (zh) * | 2022-02-08 | 2022-05-06 | 广东工业大学 | 一种基于无创连续血压测量的ppg采样率估算方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102397064B (zh) * | 2011-12-14 | 2014-02-19 | 中国航天员科研训练中心 | 连续血压测量装置 |
EP3033991B1 (en) * | 2014-12-15 | 2018-02-28 | Stichting IMEC Nederland | System and method for blood pressure estimation |
CN106413534B (zh) * | 2015-08-08 | 2020-06-30 | 深圳先进技术研究院 | 连续血压测量装置、测量模型建立方法和系统 |
CN112932473A (zh) * | 2016-06-15 | 2021-06-11 | 深圳迈瑞生物医疗电子股份有限公司 | 一种生理参数的计算方法及相应的医疗设备 |
CN106974631B (zh) * | 2017-03-17 | 2020-01-07 | 深圳大学 | 一种基于脉搏波波形和心电信号的血压测量方法及装置 |
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 |
CN109833034A (zh) * | 2017-11-24 | 2019-06-04 | 深圳市岩尚科技有限公司 | 一种脉搏波信号中提取血压数据的方法及装置 |
CN112274127B (zh) * | 2020-10-28 | 2023-02-07 | 河北工业大学 | 一种基于单路脉搏波的无创连续血压检测方法、装置 |
-
2021
- 2021-05-06 CN CN202110489785.3A patent/CN113288090B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN113288090A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4495379B2 (ja) | 周期的な有効信号を有する測定信号に対するノイズ抑圧 | |
Castillo et al. | Noise Suppression in ECG Signals through Efficient One‐Step Wavelet Processing Techniques | |
CN105249925B (zh) | 一种中医脉象采集装置及降噪系统和降噪方法 | |
CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
EP2303110A1 (en) | Concatenated scalograms | |
CN113349752A (zh) | 一种基于传感融合的可穿戴设备实时心率监测方法 | |
CN104305992B (zh) | 一种交互式胎儿心电快速自动提取方法 | |
WO2012051300A2 (en) | Method and system for detection and rejection of motion/noise artifacts in physiological measurements | |
Awodeyi et al. | Median filter approach for removal of baseline wander in photoplethysmography signals | |
CN109359506A (zh) | 一种基于小波变换的心磁信号降噪方法 | |
CN112494001B (zh) | Ppg信号质量评估方法、装置、穿戴式设备及存储介质 | |
CN113288090B (zh) | 血压预测方法、系统、设备及存储介质 | |
Seljuq et al. | Selection of an optimal mother wavelet basis function for ECG signal denoising | |
US10803335B2 (en) | Emotion estimating apparatus | |
CN112998704A (zh) | 一种可穿戴设备血氧饱和度计算方法 | |
KR20180012891A (ko) | 생체신호 노이즈 제거방법 | |
Tan et al. | EMD-based electrocardiogram delineation for a wearable low-power ECG monitoring device | |
Zairi et al. | Intelligent system for detecting cardiac arrhythmia on FPGA | |
CN106725415A (zh) | 电生理信号的处理方法和装置 | |
CN113476074A (zh) | 基于智能穿戴系统的肺音实时监测方法 | |
Ram et al. | Use of multi-scale principal component analysis for motion artifact reduction of PPG signals | |
Sejdic et al. | Selective regional correlation for pattern recognition | |
JP2020519332A (ja) | ビデオシーケンスから生理学的情報を抽出するシステムおよび方法 | |
CN115553784B (zh) | 基于心电、心音信号耦合分析的冠心病评估方法及系统 | |
CN105796051B (zh) | 三维生理检测系统及其操作方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220422 |
|
CF01 | Termination of patent right due to non-payment of annual fee |