CN113397511B - 血压测量方法及装置 - Google Patents

血压测量方法及装置 Download PDF

Info

Publication number
CN113397511B
CN113397511B CN202110563364.0A CN202110563364A CN113397511B CN 113397511 B CN113397511 B CN 113397511B CN 202110563364 A CN202110563364 A CN 202110563364A CN 113397511 B CN113397511 B CN 113397511B
Authority
CN
China
Prior art keywords
blood pressure
pulse wave
data
dendritic
neural network
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
Application number
CN202110563364.0A
Other languages
English (en)
Other versions
CN113397511A (zh
Inventor
吉君恺
董敏辉
林秋镇
贺颖
马里佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202110563364.0A priority Critical patent/CN113397511B/zh
Publication of CN113397511A publication Critical patent/CN113397511A/zh
Application granted granted Critical
Publication of CN113397511B publication Critical patent/CN113397511B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Vascular Medicine (AREA)
  • Physiology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本申请适用于物理信息技术领域，具体公开了一种血压测量方法及装置，在该方法中，获取光电容积脉搏波数据和心电数据；根据所述光电容积脉搏波数据，确定相应的脉冲波参数；其中，所述脉冲波参数包括以下中的任意一者或多者：脉冲波传导时间信息、脉冲波速度信息、收缩时间信息和舒张时间信息；对所述脉冲波参数和所述心电数据分别进行特征预处理，以确定血压预测特征数据；将所述血压预测特征数据输入至树突神经网络，以由所述树突神经网络输出相应的血压测量结果。由此，利用能较佳处理非线性问题的树突神经网络来对血压进行测量，实现无创无袖式和连续式的血压估计。

Description

血压测量方法及装置
技术领域
本申请属于物理信息技术领域，尤其涉及一种血压测量方法及装置。
背景技术
随着科技的发展，人们都趋向于科学地对自己的身体机能进行理性管理，血压是人体重要的生理指标，与人体健康密切相关，血压过低或过高都是身体身体健康受损的一大特性表征，因此持续性的血压预测是非常重要的。
鉴于此，一些血压测量产品应运而生，主要可以分为有创的血压预测方式和无创有袖的血压预测方式。在有创的血压预测方式中，可以通过将一根导管插入血管或者心脏中，以获得连续且最精确的血压，因此也被称为血压测量的黄金标准；但是，此方式具有极大的风险，通常只适用于重症患者。在基于无创有袖的血压预测方式中，只需要在使用者手上戴上一个袖套即可；但是，该方式无法测量连续的血压，并且使用该方法进行测量时，两次测量之间的间隔至少需要2分钟，会给使用者带来一定程度的不适。
发明内容
鉴于此，本申请实施例提供了一种血压测量方法及装置，以至少降低现有技术中血压测量的风险较大或无法采集连续血压的问题。
本申请实施例的第一方面提供了一种血压测量方法，所述方法包括：获取光电容积脉搏波数据和心电数据；根据所述光电容积脉搏波数据，确定相应的脉冲波参数；其中，所述脉冲波参数包括以下中的任意一者或多者：脉冲波传导时间信息、脉冲波速度信息、收缩时间信息和舒张时间信息；对所述脉冲波参数和所述心电数据分别进行特征预处理，以确定血压预测特征数据；将所述血压预测特征数据输入至树突神经网络，以由所述树突神经网络输出相应的血压测量结果。
本申请实施例的第二方面提供了一种血压测量装置，所述装置包括：数据获取单元，被配置为获取光电容积脉搏波数据和心电数据；脉冲波参数确定单元，被配置为根据所述光电容积脉搏波数据，确定相应的脉冲波参数；其中，所述脉冲波参数包括以下中的任意一者或多者：脉冲波传导时间信息、脉冲波速度信息、收缩时间信息和舒张时间信息；特征处理单元，被配置为对所述脉冲波参数和所述心电数据分别进行特征预处理，以确定血压预测特征数据；血压输出单元，被配置为将所述血压预测特征数据输入至树突神经网络，以由所述树突神经网络输出相应的血压测量结果。
本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备实现如上述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
通过本申请实施例，基于光电容积脉搏波数据和心电数据来采集血压，实现无创无袖式和连续式的血压估计；此外，利用能较佳处理非线性问题的树突神经网络来对血压进行测量，可以有效地提高血压测量结果的准确性，是具有竞争力的血压测量的全新方案，能为血压测量的相关企业提供一个新的技术参考方向。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本申请实施例的血压测量方法的一示例的流程图；
图2示出了根据本申请实施例的树突神经网络的一示例的结构示意图；
图3示出了根据本申请实施例的由树突神经网络确定血压结果的一示例的流程图；
图4示出了根据本申请实施例的对树突神经网络进行优化的一示例的流程图；
图5A示出了一段连续的的心电信号和动脉血压信号的一示例的信号示意图；
图5B示出了从图5A中提取的各个用于血压测量的生理信息的一示例的示意图；
图6示出了根据本申请实施例的血压测量装置的一示例的结构框图；
图7是本申请实施例的电子设备的一示例的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中，本申请实施例中描述的电子设备包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，上述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器)的计算机。
在接下来的讨论中，描述了包括显示器和触摸敏感表面的电子设备。然而，应当理解的是，电子设备可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
可以在电子设备上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
现在结合附图来描述本申请实施例的血压测量方法及装置。
在本文中，术语“DNR”表示树突神经网络，其英文全称是dendrite neuronregression，可以被视作DNM(dendrite neuron model,树突神经模型)的改进型网络，是一种含有局部非线性树突结构的特殊神经网络模型，将树突过程引入形态神经元模型，使得人工神经元更接近于实际的生物模型。
图1示出了根据本申请实施例的血压测量方法的一示例的流程图。关于本申请实施例方法的执行主体，其可以是任意类型的具有计算处理能力的电子设备或处理模块，例如电脑、服务器或手机等，并且既可以是专用型的血压测量仪，还可以是在通用型设备上设置了血压测量模块而实现血压测量功能，在此应不加限制。
如图1所示，在步骤110中，获取光电容积脉搏波(Photoplethysmography,PPG)数据和心电数据。示例性地，从信号采集器(例如，PPG采集器或心律采集器)中接收PPG信号和心电数据(例如，心率等)。
在步骤120中，根据光电容积脉搏波数据，确定相应的脉冲波参数。这里，脉冲波参数包括以下中的任意一者或多者：脉冲波传导时间信息(pulse transit time,PTT)、脉冲波速度信息(pulse wave velocity,PWV)、收缩时间信息(systolic time,ST)和舒张时间信息(diastolic time,DT)。
具体地，PTT信息可以表示心跳脉搏从心脏传播到身体外周的时间。PWV信息与动脉的弹性相关，可以用从心脏到特定外周的距离D除以PTT来估计。ST信息表示PPG脉冲波形上升时间，其可以通过PPG峰值与之前的波谷之间的时间差来测量。DT表示PPG脉冲波形的下降时间，可以通过PPG峰值与下一个波谷之间的时间差来测量。
应理解的是，如上所描述的脉冲波参数的各种类型仅用作示例，并还可以从光电容积脉搏波数据中解析出其他未于此所描述的其他类型的参数，且都属于本申请实施例的实施范围内。
在步骤130中，对脉冲波参数和心电数据分别进行特征预处理，以确定血压预测特征数据。示例性地，使用非限制性的各种特征工程技术对脉冲波参数和心电数据进行特征处理，并通过组合相应的特征信息，从而生成相应的血压预测特征数据。此外，还可以从心电数据中提取心率(Heart Rate,HR)，即心脏周期，其可以是由两个连续的心电图r峰之间的时间差作为一个心跳活动的时间来测量的，进而，通过对HR进行特征工程处理而得到相应的特征信息。
在步骤140中，将血压预测特征数据输入至树突神经网络，以由树突神经网络输出相应的血压测量结果。这样，DNR就可以从血压预测特征数据下的多个数据维度(例如，PTT、PWV、ST和DT等)来进行综合评价，以得到具有较高精确度的血压测量结果。应理解的是，血压测量结果可以是血压信息或其他通过特定方式来确定血压信息的间接参数，且都属于本申请实施例的实施范围内
通过本申请实施例，利用与实际生物模型更接近的树突神经网络来预测血压，可以有效提高血压预测结果的准确性。
需说明的是，在过去的一些文献中曾提出了大量的数学模型来描述血压与提取的脉冲波参数之间的关联关系，例如，将一个或多个脉冲波参数通过数学模型进行转换之后便可以得到相应的血压结果。因此，可以利用基于相应数学模型转换脉冲波参数得到衍生数据，并将其作为针对对应具有血压结果为输出的树突神经网络的补充维度的特征。
关于上述步骤130的实施细节，在一些实施方式中，可以基于预设的衍生数据计算模型，确定脉冲波参数所对应的衍生数据，并将脉冲波参数、衍生数据和心电数据进行特征预处理，以得到血压预测特征数据。由此，丰富了血压预测特征数据的特征维度，使得树突神经网络能够得到更精细化和更准确的血压测量结果。
需说明的是，目前存在多种测量或计算PTT信息的方式，其所对应的PTT结果可能也是不同的。具体地，PTT信息的测量方式可分为三种，此三种测量方式的出发点均为相同的心电图r峰，而终点却互不相同：对应PPG脉冲波形的起始点(此时的PTT可以被称为PTTo)，对应PPG脉冲波形中斜率最大的点(此时的PTT可以被称为PTTd)和对应PPG脉冲波形的峰值点(此时的PTT可以被称为PTTp)。
在本申请实施例的一些示例中，从PPG数据中所解析的脉冲波参数可以包含对应不同信号测量方式的多个脉冲波传导时间信息，例如，包含PTTo、PTTd和PTTp。继而，在确定衍生数据时，可以基于衍生信息计算模型确定各个脉冲波传导时间信息的对数值，以得到相应的衍生数据。
具体地，根据Moens-Korteweg方程可知PWV、血管参数和血液性质的关系如下所示：
其中，D表示从心脏到特定外周的距离，h0为动脉厚度，R0为动脉半径，ρ表示血液密度。E为弹性模量。
继而，根据Hughes方程：
其中，P、P0分别为血压的当前值和初始值，E0为初始血压时的弹性模量，k为动脉的物质系数。
结合上述三个式子，可以很容易地发现PTT和血压(blood pressure,BP)之间的对数关系：
因此，可以将PTT的对数作为神经网络的衍生的特征维度，例如将ln(PTTo),ln(PTTd)和ln(PTTp)均作为树突神经网络的输入特征而使用。由此，首次在血压预测使用的特征中加上了一些数学组件特征，这些新的特征可以降低神经网络拟合非线性函数时的复杂度，能够提高其预测精度。
在本申请实施例的一些示例中，在使用DNR预测血压之前，还可以对模型进行归一化操作，以将向量的数值全部映射到一个固定的范围内。由此，一方面可以减少计算的损耗，另一方面可以有效地提高预测的效果。假设原始的输入特征序列为{x(i)|i＝1,2,……,N}，则归一化操作为：
其中，MAX(xt)表示序列中的最大值，MIN(xt)表示序列中的最小值.
图2示出了根据本申请实施例的树突神经网络的一示例的结构示意图。
如图2所示，树突神经网络包括突触结构210、树突结构220、膜层230和细胞体层240，突触结构210包含多个突触分支层，以及树突结构220包含多个树突分支层，并且每一突触分支层可以与一个或多个树突分支层相对应。
图3示出了根据本申请实施例的由树突神经网络确定血压结果的一示例的流程图。
如图3所示，在步骤310中，基于各个突触分支层的权值和阈值对所输入的血压预测特征数据进行变换处理，并将变换结果输出至相应的树突分支层。其中，各个突触分支层的权值和阈值在树突神经网络进行训练时更新。
具体地，DNR的第一层结构是突触(synaptic)层，它是模型的输入层，外界输入的向量首先在突触层经过一个sigmoid函数处理后，然后传向对应树突(dendrite)分支，其公式如下：
其中，xi表示输入向量的第i个元素。由于经过归一化处理，xi的值应在0和1之间。Hd(xi)表示在第d个树突分支上的第i个突触的输出值.α是一个超参数，即一个人为设定的常数。wim和qim是两个可变参数，分别表示权值和阈值，它们会在模型训练的过程中不断改变。
在步骤320中，基于各个树突分支层分别将相应突触层所输入的变换结果进行累乘，并将累乘结果输出至膜层。
具体地，DNR的第二层结构是树突(dendrite)层，树突层的作用在于用一个乘法来统合突触层的传来的输出，令Ud表示第d个树突分支，则其公式如下：
在步骤330中，基于膜层将各个累乘结果按照各个树突分支层的强度进行加权累加，并将相应的累加结果输出至细胞体层。其中，各个树突分支层的强度在树突神经网络进行训练时更新。
具体地，DNR的第三层结构是膜(membrane)层，膜层采用一个加法器，来收集树突层传来的信息。示例性地，可以令M表示膜层的输出，则M的公式可用表示如下：
其中，是一个可变参数，用于表示每个树突分支的强度，它也会在模型训练过程中不断改变。
在步骤340中，基于细胞体层所对应的激活函数对累加结果进行处理，以输出血压测量结果。
具体地，DNR的最后一层是细胞体(Soma)层，细胞体层接受膜层的输出，再使用一个sigmoid函数进行处理，其公式如下：
其中，α是一个超参数，其值会设定成与突触层的α相同，β是另一个超参数，也是由人工设定的一个常数，C表示DNR的最终输出。
通过本申请实施例，提出了一种改进的树突神经网络(dendrite neuronregression,DNR)，并将其首次应用于血压预测上。此外，该神经网络是基于树突神经模型(dendrite neuron model,DNM)的改进模型。由于DNM模拟了生物神经系统的机制，可以更好解决非线性问题，并且通过DNR能有效处理回归问题(而非分类问题)的能力。
需说明的是，DNR可以采用各种现有的或潜在的训练方式来进行训练优化，在此应不加限制。
在本申请实施例的一些示例中，可以采用AMSGrad算法对DNR进行训练。由于AMSGrad是ANDM的改进算法，其可以加快DNR的收敛速度和精确度。
图4示出了根据本申请实施例的对树突神经网络进行优化的一示例的流程图。
如图4所示，首先获取ECG信号、PPG信号和ABP信号，并从这些信号中提取各种信息，例如脉冲波传导时间、脉搏波速度、心率、收缩时间和舒张时间，并得到相应的特征信息。进而，基于数学模型将从上述特征信息进行数学运算，以得到与血压相关的一些衍生信息，并可以将上述各类特征信息进行融合，生成相应的特征数据集。
然后，将特征数据集划分为训练数据集和测试数据集，并可以利用训练数据集采用预设的学习算法来对树突神经网络进行训练，利用测试数据集来对训练后的树突神经网络进行验证，以进行性能评估。
在构建树突神经网络的训练样本数据集的示例中，每一训练样本均包含血压预测特征样本数据和相应的标签。这里，血压预测特征样本数据可以是从PGG样本中提取PTT、PWV、ST和DT等信息，并通过特征处理而得到的相应的特征数据，具体解析细节可以部分参照上文其他实施例中的相关描述。关于各个训练样本所对应的标签的具体数值(即，血压信息标签)，可以是基于心电信号(ECG)和动脉血压信号(ABP)而确定的。其中，心电信号记录了每个心动周期中电活动的变化，而动脉血压信号记录了动脉血压的变化。
具体地，可以提取一段连续的血压记录作为目标值来构建神经网络。血压是血液在血管上的压力，由于心室肌肉的强烈收缩，心脏内部压力迅速上升，当心室收缩时达到峰值。与此同时，血液从心室迅速流入主动脉，增加了血管上的血液压力，随后，心室肌肉开始放松，心脏内部压力由峰值逐渐降低，血管上的血液压力逐渐降低。在上述过程中，血液在血管上的最大压力为收缩压(systolic blood pressure,SBP)，最小压力为舒张压(diastolic blood pressure,DBP)。平均压(Mean blood pressure,MBP)的定义如下：
由此，可以利用心电信号和动脉血压信号计算收缩压、舒张压和平均压。
图5A示出了一段连续的的心电信号和动脉血压信号的一示例的信号示意图。如图5A所示，当心室收缩时，心电信号会出现R-peak。两个连续R-peak之间的时间差就是一个心跳的时间。在同一心跳周期内，动脉血压信号的波峰代表收缩压，波谷代表舒张压。然后，通过上述式(10)可以得到平均压的值。
图5B示出了从图5A中提取的各个用于血压测量的生理信息的一示例的示意图。在本申请实施例的一些示例中，树突神经网络可以采用8个特征维度，包括5个原始的生理特征和3个经推导得到的数学特征。具体地，可以从PPG信号与ECG信号中提取生理信息，信号的形式与动脉血压的波形相似，其周期性也与心跳活动相对应。如图5B所示，PPG信号表示反射的波形用光电二极管测量血流引起的光强。当心室收缩时，血液流入血管。由于入射光被大量的血液吸收，反射光的强度被最小化。心室舒张时血管中的血液减少。这导致入射光的强度增加，而反射光的强度逐渐减少到最小。
通过从心电信号、光电容积脉搏波信号上提取的各种特征和几个通过数学推导得到的特征作为输入，使用树突神经网络来预测血压，能够实现持续性的无创无袖式血压估计。
在利用学习算法对树突神经网络进行优化的过程中，可以采用AMSGrad算法对DNR模型结构进行优化。需说明的是，AMSGrad是一种基于梯度的优化算法，由实际输出O与期望目标T之间的最小平方误差推导而来，其表达式为：
其中，Err表示T和O之间的差距。令为wi,d，θi,d，/>的梯度，则其对应的表达式如下：
通过将上述各式进行偏微分计算，如下：
随后，需要计算每个参数的有偏一矩估计和指数加权无穷范数，令m1(t),m2(t),m3(t)是wid，θid和在第t次迭代的有偏一矩估计，令v1(t),v2(t)和v3(t)为wid，θid和/>在第t次迭代的指数加权无穷范数。
进而，可以得到各个变量的相关公式如下所示：
其中，β1和β2可以是预先设定的正数，此外，m(0)和v(0)会初始化为0。最后，各个参数的更新公式如下所示：
其中，∈是一个正数，保证除数不为0，η是学习率。由此，在网络学习的过程中会自适应的调整步伐，使其能够稳定的找到最优值。
通过本申请实施例，在血压预测使用的输入特征中额外加上了几个数学特征。神经网络虽然可以拟合任何函数，但是某些输入与目标值之间的呈现的关系十分复杂，此时神经网络在拟合函数的过程中会有较高的复杂度，例如目标值为输入值的对数或者指数这样的形式时就会如此。因此，若可以在输入时对特征进行一定的推导，采用更适合的特征作为输入值，则会减少运算的复杂度和预测的精确度。此外，将DNR应用于血压预测，由于模拟了生物神经系统的机制，可以更好解决非线性问题，尤其是通过本申请实施例的结构改良，能够有效提升模型解决回归问题的能力。
图6示出了根据本申请实施例的血压测量装置的一示例的结构框图。
如图6所示，血压测量装置600包括数据获取单元610、脉冲波参数确定单元620、特征处理单元630和血压输出单元640。
数据获取单元610被配置为获取光电容积脉搏波数据和心电数据。
脉冲波参数确定单元620被配置为根据所述光电容积脉搏波数据，确定相应的脉冲波参数；其中，所述脉冲波参数包括以下中的任意一者或多者：脉冲波传导时间信息、脉冲波速度信息、收缩时间信息和舒张时间信息。
特征处理单元630被配置为对所述脉冲波参数和所述心电数据分别进行特征预处理，以确定血压预测特征数据。
血压输出单元640被配置为将所述血压预测特征数据输入至树突神经网络，以由所述树突神经网络输出相应的血压测量结果。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图7是本申请实施例的电子设备的一示例的示意图。如图7所示，该实施例的电子设备700包括：处理器710、存储器720以及存储在所述存储器720中并可在所述处理器710上运行的计算机程序730。所述处理器710执行所述计算机程序730时实现上述血压测量方法实施例中的步骤，例如图1所示的步骤110至140。或者，所述处理器710执行所述计算机程序730时实现上述各装置实施例中各模块/单元的功能，例如图6所示单元610至640的功能。
示例性的，所述计算机程序730可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器720中，并由所述处理器710执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序730在所述电子设备700中的执行过程。例如，所述计算机程序730可以被分割成数据获取程序模块、脉冲波参数确定程序模块、特征处理程序模块和血压输出程序模块，各程序模块具体功能如下：
数据获取程序模块，被配置为获取光电容积脉搏波数据和心电数据；
脉冲波参数确定程序模块，被配置为根据所述光电容积脉搏波数据，确定相应的脉冲波参数；其中，所述脉冲波参数包括以下中的任意一者或多者：脉冲波传导时间信息、脉冲波速度信息、收缩时间信息和舒张时间信息；
特征处理程序模块，被配置为对所述脉冲波参数和所述心电数据分别进行特征预处理，以确定血压预测特征数据；
血压输出程序模块，被配置为将所述血压预测特征数据输入至树突神经网络，以由所述树突神经网络输出相应的血压测量结果。
所述电子设备700可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器710、存储器720。本领域技术人员可以理解，图7仅是电子设备700的示例，并不构成对电子设备700的限定，可以包括比图示更多或少的部件，或组合某些部件，或不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器710可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，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。
所述存储器720可以是所述电子设备700的内部存储单元，例如电子设备700的硬盘或内存。所述存储器720也可以是所述电子设备700的外部存储设备，例如所述电子设备700上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器720还可以既包括所述电子设备700的内部存储单元也包括外部存储设备。所述存储器720用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器720还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的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申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述单元既可以采用硬件的形式实现，也可以采用软件的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种血压测量装置，其特征在于，所述装置包括：
数据获取单元，被配置为获取光电容积脉搏波数据和心电数据；
脉冲波参数确定单元，被配置为根据所述光电容积脉搏波数据，确定相应的脉冲波参数；其中，所述脉冲波参数包括以下中的任意一者或多者：脉冲波传导时间信息、脉冲波速度信息、收缩时间信息和舒张时间信息；所述脉冲波参数包括对应不同信号测量方式的多个脉冲波传导时间信息；所述多个脉冲波传导时间信息对应的出发点均为所述心电数据中相同的心电图R峰，所述多个脉冲波传导时间信息对应的终点包括所述光电容积脉搏波数据的脉冲波形的起始点、所述光电容积脉搏波数据的脉冲波形中斜率最大的点以及所述光电容积脉搏波数据的脉冲波形的峰值点；
特征处理单元，被配置为对所述脉冲波参数和所述心电数据分别进行特征预处理，以确定血压预测特征数据；
血压输出单元，被配置为将所述血压预测特征数据输入至树突神经网络，以由所述树突神经网络输出相应的血压测量结果；所述树突神经网络是基于AMSGrad算法而进行训练优化的；
所述树突神经网络包括多个突触分支层、多个树突分支层、膜层和细胞体层，其中，所述血压输出单元具体用于：
基于各个所述突触分支层的权值和阈值对所输入的血压预测特征数据进行变换处理，并将变换结果输出至相应的树突分支层；
基于各个所述树突分支层分别将相应突触层所输入的变换结果进行累乘，并将累乘结果输出至膜层；
基于所述膜层将各个所述累乘结果按照各个树突分支层的强度进行加权累加，并将相应的累加结果输出至细胞体层；其中，所述各个突触分支层的权值和阈值以及所述各个树突分支层的强度在所述树突神经网络进行训练时更新；
基于所述细胞体层所对应的激活函数对所述累加结果进行处理，以输出血压测量结果。
2.如权利要求1所述的装置，其特征在于，所述特征处理单元具体用于：
基于预设的衍生数据计算模型，确定所述脉冲波参数所对应的衍生数据；
将所述脉冲波参数、所述衍生数据和所述心电数据进行特征预处理，以得到血压预测特征数据。
3.如权利要求2所述的装置，其特征在于，所述特征处理单元具体用于：
基于衍生信息计算模型确定各个所述脉冲波传导时间信息的对数值，以得到相应的衍生数据。
4.如权利要求1所述的装置，其特征在于，所述装置还包括用于实现以下步骤的单元：
对所述血压预测特征数据中的各个特征信息进行归一化处理。
5.如权利要求1所述的装置，其特征在于，所述树突神经网络的训练样本数据集中的每一训练样本均包含血压预测特征样本数据和相应的基于心电信号和动脉血压信号而确定的血压信息。
6.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述装置中各单元的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述装置中各单元的步骤。
CN202110563364.0A 2021-05-24 2021-05-24 血压测量方法及装置 Active CN113397511B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110563364.0A CN113397511B (zh) 2021-05-24 2021-05-24 血压测量方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110563364.0A CN113397511B (zh) 2021-05-24 2021-05-24 血压测量方法及装置

Publications (2)

Publication Number Publication Date
CN113397511A CN113397511A (zh) 2021-09-17
CN113397511B true CN113397511B (zh) 2023-09-05

Family

ID=77679284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110563364.0A Active CN113397511B (zh) 2021-05-24 2021-05-24 血压测量方法及装置

Country Status (1)

Country Link
CN (1) CN113397511B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6282305B1 (en) * 1998-06-05 2001-08-28 Arch Development Corporation Method and system for the computerized assessment of breast cancer risk
CN1698535A (zh) * 2004-05-18 2005-11-23 香港中文大学 测量血压变化率的方法
CN102429649A (zh) * 2011-12-14 2012-05-02 中国航天员科研训练中心 连续血压测量装置
CN107847153A (zh) * 2015-07-03 2018-03-27 深圳市长桑技术有限公司 一种生理参数监测的系统和方法
CN109310369A (zh) * 2016-06-10 2019-02-05 博能电子公司 用于估计血脉搏波特征的多传感器系统
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
CN111067500A (zh) * 2019-12-27 2020-04-28 深圳奥思顿健康科技有限公司 一种基于ppg信号实现连续血压的监测系统
CN111493850A (zh) * 2020-04-13 2020-08-07 中国科学院深圳先进技术研究院 一种基于深度神经网络的血压测量方法及装置
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
CN111870237A (zh) * 2020-09-04 2020-11-03 平安科技（深圳）有限公司 血压检测方法、装置、设备及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7674231B2 (en) * 2005-08-22 2010-03-09 Massachusetts Institute Of Technology Wearable pulse wave velocity blood pressure sensor and methods of calibration thereof
IL258461A (en) * 2017-04-06 2018-06-28 Continuse Biometrics Ltd Blood pressure monitoring system

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6282305B1 (en) * 1998-06-05 2001-08-28 Arch Development Corporation Method and system for the computerized assessment of breast cancer risk
CN1698535A (zh) * 2004-05-18 2005-11-23 香港中文大学 测量血压变化率的方法
CN102429649A (zh) * 2011-12-14 2012-05-02 中国航天员科研训练中心 连续血压测量装置
CN107847153A (zh) * 2015-07-03 2018-03-27 深圳市长桑技术有限公司 一种生理参数监测的系统和方法
CN109310369A (zh) * 2016-06-10 2019-02-05 博能电子公司 用于估计血脉搏波特征的多传感器系统
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
CN111067500A (zh) * 2019-12-27 2020-04-28 深圳奥思顿健康科技有限公司 一种基于ppg信号实现连续血压的监测系统
CN111493850A (zh) * 2020-04-13 2020-08-07 中国科学院深圳先进技术研究院 一种基于深度神经网络的血压测量方法及装置
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
CN111870237A (zh) * 2020-09-04 2020-11-03 平安科技（深圳）有限公司 血压检测方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于树突状神经元网络的光伏功率预测方法及应用;赵可为;《中国优秀博硕士学位论文全文数据库（硕士） 工程科技Ⅱ辑》;20200315(第03期);第18-29页 *

Also Published As

Publication number Publication date
CN113397511A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
Li et al. Patient-specific ECG classification by deeper CNN from generic to dedicated
El-Hajj et al. Cuffless blood pressure estimation from PPG signals and its derivatives using deep learning models
Goh et al. Robust PPG motion artifact detection using a 1-D convolution neural network
Maqsood et al. A benchmark study of machine learning for analysis of signal feature extraction techniques for blood pressure estimation using photoplethysmography (PPG)
Liang et al. Deep learning algorithm classifies heartbeat events based on electrocardiogram signals
CN110619322A (zh) 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统
Luo et al. Multi-classification of arrhythmias using a HCRNet on imbalanced ECG datasets
Tazarv et al. A deep learning approach to predict blood pressure from ppg signals
Zhang et al. A refined blood pressure estimation model based on single channel photoplethysmography
Lee et al. Deep belief networks ensemble for blood pressure estimation
Chen et al. Improved neural networks based on genetic algorithm for pulse recognition
Wu et al. A new estimate technology of non-invasive continuous blood pressure measurement based on electrocardiograph
Jean Effil et al. Wavelet scattering transform and long short-term memory network-based noninvasive blood pressure estimation from photoplethysmograph signals
Ankışhan Blood pressure prediction from speech recordings
Gan et al. Parallel classification model of arrhythmia based on DenseNet-BiLSTM
Munia et al. Biosignal oversampling using wasserstein generative adversarial network
Qin et al. Multitask deep label distribution learning for blood pressure prediction
Zabihi et al. Bp-net: Cuff-less and non-invasive blood pressure estimation via a generic deep convolutional architecture
Zhang et al. Noninvasive continuous blood pressure estimation with fewer parameters based on RA-ReliefF feature selection and MPGA-BPN models
Qiang et al. Automatic detection and localisation of myocardial infarction using multi-channel dense attention neural network
Li et al. Intra-group and inter-group electrocardiograph coding image fusion and classification based on multi-scale group convolution feature fusion network
CN113397511B (zh) 血压测量方法及装置
CN114869249B (zh) 脉搏波特征参数的获取方法、装置、电子设备及介质
Zhang et al. Cascade forest regression algorithm for non-invasive blood pressure estimation using PPG signals
Kanoga et al. Comparison of seven shallow and deep regressors in continuous blood pressure and heart rate estimation using single-channel photoplethysmograms under three evaluation cases

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