CN113425273A - 一种建模个体脉搏波特征的血压测量系统 - Google Patents

一种建模个体脉搏波特征的血压测量系统 Download PDF

Info

Publication number
CN113425273A
CN113425273A CN202110686119.9A CN202110686119A CN113425273A CN 113425273 A CN113425273 A CN 113425273A CN 202110686119 A CN202110686119 A CN 202110686119A CN 113425273 A CN113425273 A CN 113425273A
Authority
CN
China
Prior art keywords
blood pressure
model
module
error
new
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.)
Pending
Application number
CN202110686119.9A
Other languages
English (en)
Inventor
杨学志
王定良
韩雪松
黎文翔
王贺群
刘雪南
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110686119.9A priority Critical patent/CN113425273A/zh
Publication of CN113425273A publication Critical patent/CN113425273A/zh
Pending legal-status Critical Current

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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors

Landscapes

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

Abstract

本发明公开了一种建模个体脉搏波特征的血压测量系统，包括处理器及可读存储介质，可读存储介质中存储的程序指令包括血压模型构建模块、校准样本存储模块、血压模型更新模块，其中血压模型构建模块基于用户脉搏信号创建初始血压模型，并获取用户的血压校准样本后保存至校准样本存储模块；血压模型更新模块读根据校准样本数量与设定的阈值的比较结果，在必要时调用血压模型构建模块，由血压模型构建模块训练更新初始血压模型得到新的血压模型。本发明解决了个体间生理差异以及个体生理状态变化等对血压测量的不利影响，血压测量精度高，具有很好的应用价值和市场价值。

Description

一种建模个体脉搏波特征的血压测量系统
技术领域
本发明涉及生物信号建模检测方法领域，具体是一种建模个体脉搏波特征的血压测量系统。
背景技术
血压是判断心血管健康状态的重要生理参数，我国有近3亿高血压人群，而异常血压（如高血压）容易诱发脑梗塞、动脉硬化等心脑血管疾病。传统的血压检测方法依赖充放气袖带，如腕式和上臂式电子血压计，一是比较耗时，二是检测过程可能给用户带来不适，且不方便携带。
基于脉搏波的血压检测可以摆脱袖带束缚，能够让血压测量变得更加舒适、便捷，成为国内外研究的热点。但是脉搏波形态与个体的生理和病理状态紧密相关，且随着时间的推移，个体生理状态会发生变化，导致基于脉搏波的血压测量准确度不高，限制了其走向实用化。
发明内容
本发明的目的在于提供一种建模个体脉搏波特征的不依赖充放气袖带的血压测量系统，以解决现有技术中未考虑个体间生理差异和个体生理状态变化对脉搏波及血压测量的影响以及血压测量精度不高的问题。
为了达到上述目的，本发明所采用的技术方案为：
一种建模个体脉搏波特征的血压测量系统，包括处理器及可读存储介质，所述可读存储介质中存储有处理器运行的程序指令，程序指令包括血压模型构建模块、校准样本存储模块、血压模型更新模块，其中：
所述血压模型构建模块获取用户脉搏信号，并基于用户脉搏信号创建初始血压模型；并且所述血压模块构建模块获取用户的血压校准样本，并将校准样本保存至所述校准样本存储模块；
所述血压模型更新模块读取所述校准样本存储模块中存储的校准样本，由血压模型更新模块将校准样本存储模块中存储的校准样本数量，与设定的阈值进行比较，若校准样本数量达到设定的阈值，则由所述血压模型更新模块调用所述血压模型构建模块，并由所述血压模型构建模块基于血压校准样本对所述初始血压模型进行训练后，更新创建新的血压模型。
进一步的，所述血压模型构建模块包含脉搏波信号处理模块、血压特征提取模块、模型训练与测试模块，其中：
所述脉搏波信号处理模块接收所述脉搏信号后去除脉搏信号的基线漂移和高频噪声，向血压特征提取模块输出干净的脉搏波信号；
所述血压特征提取模块从脉搏波信号中提取与血压有关的特征值，得到血压特征向量并送入模型训练与测试模块；
所述模型训练与测试模块以提取的血压特征向量为模型输入，以真实血压值为标签，构建测量SBP和DBP值的血压模型。
进一步的，所述血压模型构建模块中的脉搏波信号处理模块，将原始脉搏波信号P(t)依次经过去基线处理和平滑滤波处理后获得干净的脉搏波信号Pulse(t)，去基线处理和平滑滤波处理的过程如下：
（1）设原始脉搏波信号P(t)的长度为N，采样率为fs，将P(t)转换成列向量形式；
（2）构造N*N的单位矩阵I，即N行N列、主对角线上元素为1、其余元素为0的矩阵；
（3）构造(N-2)*N的二阶差分算子D2= spdiags(ones(N-2,1)*[1 -2 1], [0 12], N-2, N)，其中spdiags为创建稀疏对角矩阵的函数，ones(N-2,1)是生成长度为N-2的列向量，向量元素全部为1；最终构造出来的二阶差分算子D2的主对角线元素为-2，主对角线上下紧邻的两条对角线元素为1，其余元素为0；
（4）利用正则最小二乘原理求解P(t)的基线漂移trend = inv(I+(lambda^2)*(D2'*D2))*P(t)，其中inv为矩阵求逆函数，lambda为正则化参数，lambda=2*fs，D2'为二阶差分算子D2的转置；
（5）得到去基线处理后的脉搏波信号P1(t)= P(t)-trend；
（6）利用M点滑动平均滤波器对P1(t)进行平滑滤波处理，去除信号中的高频噪声，得到干净的脉搏波信号Pulse(t)，其中M=ceiling(fs/6)，ceiling为向上取整函数。
进一步的，所述血压模型构建模块中的血压特征提取模块，从干净的脉搏波信号Pulse(t)中提取与血压有关的特征值，构成血压特征向量，提取的血压特征向量包括形态学特征、时域特征、血液动力学特征、心率变异性特征。
进一步的，所述模型训练与测试模块以提取的血压特征向量为输入，以真实血压值为标签，对机器学习模型进行训练和测试，基于机器学习模型创建血压模型，实现对SBP和DBP的测量。
进一步的，所述机器学习模型为AdaBoost模型，或者是线性回归模型，或者是KNN模型，或者是决策树模型，或者是SVM模型。
进一步的，所述校准样本存储模块对校准样本进行存储，所述校准样本由用户ID、脉搏波信号和血压校准值组成，血压校准值包含SBP和DBP，校准样本存储模块根据用户ID查询对应用户的全部校准样本。
进一步的，所述血压模型更新模块中，当判断用户校准样本数超过设定的阈值时触发血压模型构建任务，将校准样本存储模块中的校准样本和原数据集dataset_old合并在一起构成新的数据集dataset_new，然后以dataset_new为输入，调用血压模型构建模块对初始血压模型model_old进行微调训练，创建新的血压模型model_new。
进一步的，所述血压模型更新模块按照设定的模型更新策略对血压模型进行更新。所述模型更新策略为：
（1）记录用户i的初始血压模型为model_old_i，模型预测血压的平均误差为error_old_i；创建的新血压模型为model_new_i，模型预测血压的平均误差为error_new_i；设定血压模型可接受的最大平均误差为max_error；
（2）如果error_new_i<=error_old_i 或者error_new_i<=max_error，直接进行模型更新，model_old_i = model_new_i，error_old_i = error_new_i，更新后的模型直接作为用户i的新的初始血压模型并部署，并从校准样本存储模块中清空用户i的校准样本；
（3）如果error_new_i>error_old_i且error_new_i<= max_error，以bagging方法将model_old_i和model_new_i组合起来形成新的集成模型model_bagging_i，组合规则为平均值，得到model_old_i = model_bagging_i，error_old_i =（error_old_i +error_new_i）/2，更新后的模型直接作为用户i的新的初始血压模型并部署，并从校准样本存储模块中清空用户i的校准样本；
（4）如果error_new_i>error_old_i且error_new_i> max_error，不更新模型, 直接将model_new_i删除并从校准样本存储模块中清空用户i的校准样本。
与现有技术相比， 本发明的有益效果集中体现在：
(1) 在初始血压模型基础上，通过不断的学习，建模每个用户的脉搏波特征，为每个用户创建个性化的血压模型，消除了个体间生理及病理差异对血压测量的不利影响，极大地提高了血压测量的精度。建模后的血压模型测量SBP的误差为1.97±2.35mmHg，测量DBP的误差为1.25±1.84mmHg，均在AAMI 标准限定的5±8mmHg范围内。
(2) 传统方法主要以构建通用血压模型为目标，需要前期收集的样本库非常完备和全面，才有可能构建出适合所有人的较高精度的模型。本发明为每个用户创建个性化的血压模型，不仅消除了个体间差异的影响，还大大减少了前期样本收集的压力。
(3) 传统方法构建的血压模型是不具备更新功能的，当已构建的模型精度降低甚至变得不可用时，只能抛弃已有模型并重新收集样本及构建模型，过程非常繁琐。本发明为血压模型增加了校准功能，用户可以随时执行校准操作来更新模型，使得模型能够不断适应个体状态的变化，且用户执行校准操作时只需输入血压校准值，模型的创建和更新都是自动进行的，无需人工介入。
附图说明
图1为本发明的系统模块组成图。
图2为本发明系统原理流程图。
图3为血压模型构建模块功能框图。
图4为利用构建的血压模型测量血压的结果图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明一种建模个体脉搏波特征的血压测量系统，硬件上包括处理器及可读存储介质，可读存储介质中存储有处理器运行的程序指令，该处理器和可读存储介质为任意具备数据处理和存储功能的设备中的处理器、存储介质，诸如计算机、手持平板等。
如图1、图2所示，可读存储介质中存储的程序指令包括血压模型构建模块、校准样本存储模块、血压模型更新模块。
本发明中，血压模型构建模块获取用户脉搏信号，并基于用户脉搏信号创建初始血压模型；并且所述血压模块构建模块获取用户的血压校准样本，并将校准样本保存至所述校准样本存储模块。
具体的，如图3所示，血压模型构建模块包含脉搏波信号处理模块、血压特征提取模块、模型训练与测试模块。
脉搏波信号处理模块接收所述脉搏信号后去除脉搏信号的基线漂移和高频噪声，向血压特征提取模块输出干净的脉搏波信号；
血压特征提取模块从脉搏波信号中提取与血压有关的特征值，得到血压特征向量并送入模型训练与测试模块；
模型训练与测试模块以提取的血压特征向量为模型输入，以真实血压值为标签，构建测量SBP和DBP值的血压模型。
其中：
血压模型构建模块中的脉搏波信号处理模块，将原始脉搏波信号P(t)依次经过去基线处理和平滑滤波处理后获得干净的脉搏波信号Pulse(t)，去基线处理和平滑滤波处理的过程如下：
（1）设原始脉搏波信号P(t)的长度为N，采样率为fs，将P(t)转换成列向量形式；
（2）构造N*N的单位矩阵I，即N行N列、主对角线上元素为1、其余元素为0的矩阵；
（3）构造(N-2)*N的二阶差分算子D2= spdiags(ones(N-2,1)*[1 -2 1], [0 12], N-2, N)，其中spdiags为创建稀疏对角矩阵的函数，ones(N-2,1)是生成长度为N-2的列向量，向量元素全部为1；最终构造出来的二阶差分算子D2的主对角线元素为-2，主对角线上下紧邻的两条对角线元素为1，其余元素为0；
（4）利用正则最小二乘原理求解P(t)的基线漂移trend = inv(I+(lambda^2)*(D2'*D2))*P(t)，其中inv为矩阵求逆函数，lambda为正则化参数，lambda=2*fs，D2'为二阶差分算子D2的转置；
（5）得到去基线处理后的脉搏波信号P1(t)= P(t)-trend；
（6）利用M点滑动平均滤波器对P1(t)进行平滑滤波处理，去除信号中的高频噪声，得到干净的脉搏波信号Pulse(t)，其中M=ceiling(fs/6)，ceiling为向上取整函数。
血压模型构建模块中的血压特征提取模块，从干净的脉搏波信号Pulse(t)中提取与血压有关的特征值，构成血压特征向量，提取的血压特征向量包括形态学特征、时域特征、血液动力学特征、心率变异性特征。
形态学特征包括但不限于：峰度、偏度、标准差、半高宽、上升段平均斜率、上升段最大斜率、下降段平均斜率、下降段最大斜率等，其中半高宽指波形二分之一高度处的脉宽。
时域特征包括但不限于：脉搏周期、脉搏波一阶导和二阶导周期、收缩时长、舒张时长等。
血液动力学特征包括但不限于：K值、mNPV、RI等，其中K=(Pm-Pd)/(Ps-Pd), Pm、Ps和Pd分别为脉搏波的均值、最大值和最小值。mNPV是脉搏交流分量占交直流分量总和的比率。RI为反射系数，是脉图舒张期面积与收缩期面积的比值。
心率变异性特征包括但不限于：SDNN、RMSSD、SDSD、LF/HF等，其中SDNN是全部窦性心搏RR间期的标准差，RMSSD和SDSD分别表示相邻RR间期差值的均方根和标准差。LF/HF是低频能量与高频能量的比值，LF对应的是0.04~0.15Hz内的频谱能量，HF对应的是0.15~0.4Hz内的频谱能量。
模型训练与测试模块以提取的血压特征向量为输入，以真实血压值为标签，对机器学习模型进行训练和测试，基于机器学习模型创建血压模型，实现对SBP和DBP的测量。机器学习模型为AdaBoost模型，或者是线性回归模型，或者是KNN模型，或者是决策树模型，或者是SVM模型。
本发明中，校准样本存储模块对校准样本进行存储，所述校准样本由用户ID、脉搏波信号和血压校准值组成，血压校准值包含SBP和DBP，校准样本存储模块根据用户ID查询对应用户的全部校准样本。
本发明中，血压模型更新模块读取所述校准样本存储模块中存储的校准样本，由血压模型更新模块将校准样本存储模块中存储的校准样本数量，与设定的阈值进行比较，若校准样本数量达到设定的阈值，则由所述血压模型更新模块调用所述血压模型构建模块，并由所述血压模型构建模块基于血压校准样本对所述初始血压模型进行训练后，更新创建新的血压模型。
血压模型更新模块中，当判断用户校准样本数超过设定的阈值时触发血压模型构建任务，将校准样本存储模块中的校准样本和原数据集dataset_old合并在一起构成新的数据集dataset_new，然后以dataset_new为输入，调用血压模型构建模块对初始血压模型model_old进行微调训练，创建新的血压模型model_new。
血压模型更新模块按照设定的模型更新策略对血压模型进行更新。所述模型更新策略为：
（1）记录用户i的初始血压模型为model_old_i，模型预测血压的平均误差为error_old_i；创建的新血压模型为model_new_i，模型预测血压的平均误差为error_new_i；设定血压模型可接受的最大平均误差为max_error；
（2）如果error_new_i<=error_old_i 或者error_new_i<=max_error，直接进行模型更新，model_old_i = model_new_i，error_old_i = error_new_i，更新后的模型直接作为用户i的新的初始血压模型并部署，并从校准样本存储模块中清空用户i的校准样本；
（3）如果error_new_i>error_old_i且error_new_i<= max_error，以bagging方法将model_old_i和model_new_i组合起来形成新的集成模型model_bagging_i，组合规则为平均值，得到model_old_i = model_bagging_i，error_old_i =（error_old_i +error_new_i）/2，更新后的模型直接作为用户i的新的初始血压模型并部署，并从校准样本存储模块中清空用户i的校准样本；
（4）如果error_new_i>error_old_i且error_new_i> max_error，不更新模型, 直接将model_new_i删除并从校准样本存储模块中清空用户i的校准样本。
如图4所示为利用构建的血压模型预测某个体9天血压的实测结果（共36个样本），预测的平均绝对误差在3mmHg以内。其中，设置的模型更新阈值为6，即用户每校准6次触发一次模型更新。实验仅使用了12个校准样本对模型进行标定，即仅触发了两次模型更新，就能达到平均误差小于3mmHg的医疗级的血压测量精度，充分证明了本发明能够有效建模个体脉搏波特征，为每个个体构建个性化的血压模型，从而显著提升血压测量精度。
本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中工程技术人员对本发明的技术方案作出的各种变型和改进，均应落入本发明的保护范围，本发明请求保护的技术内容，已经全部记载在权利要求书中。

Claims (9)

1.一种建模个体脉搏波特征的血压测量系统，包括处理器及可读存储介质，所述可读存储介质中存储有处理器运行的程序指令，其特征在于，所述程序指令包括血压模型构建模块、校准样本存储模块、血压模型更新模块，其中：
所述血压模型构建模块获取用户脉搏信号，并基于用户脉搏信号创建初始血压模型；并且所述血压模块构建模块获取用户的血压校准样本，并将校准样本保存至所述校准样本存储模块；
所述血压模型更新模块读取所述校准样本存储模块中存储的校准样本，由血压模型更新模块将校准样本存储模块中存储的校准样本数量，与设定的阈值进行比较，若校准样本数量达到设定的阈值，则由所述血压模型更新模块调用所述血压模型构建模块，并由所述血压模型构建模块基于血压校准样本对所述初始血压模型进行训练后，更新创建新的血压模型。
2.根据权利要求1所述的一种建模个体脉搏波特征的血压测量系统，其特征在于：所述血压模型构建模块包含脉搏波信号处理模块、血压特征提取模块、模型训练与测试模块，其中：
所述脉搏波信号处理模块接收所述脉搏信号后去除脉搏信号的基线漂移和高频噪声，向血压特征提取模块输出干净的脉搏波信号；
所述血压特征提取模块从脉搏波信号中提取与血压有关的特征值，得到血压特征向量并送入模型训练与测试模块；
所述模型训练与测试模块以提取的血压特征向量为模型输入，以真实血压值为标签，构建测量SBP和DBP值的血压模型。
3.根据权利要求2所述的一种建模个体脉搏波特征的血压测量系统，其特征在于：所述血压模型构建模块中的脉搏波信号处理模块，将原始脉搏波信号P(t)依次经过去基线处理和平滑滤波处理后获得干净的脉搏波信号Pulse(t)，去基线处理和平滑滤波处理的过程如下：
（1）设原始脉搏波信号P(t)的长度为N，采样率为fs，将P(t)转换成列向量形式；
（2）构造N*N的单位矩阵I，即N行N列、主对角线上元素为1、其余元素为0的矩阵；
（3）构造(N-2)*N的二阶差分算子D2= spdiags(ones(N-2,1)*[1 -2 1], [0 1 2], N-2, N)，其中spdiags为创建稀疏对角矩阵的函数，ones(N-2,1)是生成长度为N-2的列向量，向量元素全部为1；最终构造出来的二阶差分算子D2的主对角线元素为-2，主对角线上下紧邻的两条对角线元素为1，其余元素为0；
（4）利用正则最小二乘原理求解P(t)的基线漂移trend = inv(I+(lambda^2)*(D2'*D2))*P(t)，其中inv为矩阵求逆函数，lambda为正则化参数，lambda=2*fs，D2'为二阶差分算子D2的转置；
（5）得到去基线处理后的脉搏波信号P1(t)= P(t)-trend；
（6）利用M点滑动平均滤波器对P1(t)进行平滑滤波处理，去除信号中的高频噪声，得到干净的脉搏波信号Pulse(t)，其中M=ceiling(fs/6)，ceiling为向上取整函数。
4.根据权利要求2所述的一种建模个体脉搏波特征的血压测量系统，其特征在于：所述血压模型构建模块中的血压特征提取模块，从干净的脉搏波信号Pulse(t)中提取与血压有关的特征值，构成血压特征向量，提取的血压特征向量包括形态学特征、时域特征、血液动力学特征、心率变异性特征。
5.根据权利要求2所述的一种建模个体脉搏波特征的血压测量系统，其特征在于：所述模型训练与测试模块以提取的血压特征向量为输入，以真实血压值为标签，对机器学习模型进行训练和测试，基于机器学习模型创建血压模型，实现对SBP和DBP的测量。
6.根据权利要求5所述的一种建模个体脉搏波特征的血压测量系统，其特征在于：所述机器学习模型为AdaBoost模型，或者是线性回归模型，或者是KNN模型，或者是决策树模型，或者是SVM模型。
7.根据权利要求1所述的一种建模个体脉搏波特征的血压测量系统，其特征在于：所述校准样本存储模块对校准样本进行存储，所述校准样本由用户ID、脉搏波信号和血压校准值组成，血压校准值包含SBP和DBP，校准样本存储模块根据用户ID查询对应用户的全部校准样本。
8.根据权利要求1所述的一种建模个体脉搏波特征的血压测量系统，其特征在于：所述血压模型更新模块中，当判断用户校准样本数超过设定的阈值时触发血压模型构建任务，将校准样本存储模块中的校准样本和原数据集dataset_old合并在一起构成新的数据集dataset_new，然后以dataset_new为输入，调用血压模型构建模块对初始血压模型model_old进行微调训练，创建新的血压模型model_new。
9.根据权利要求1所述的一种建模个体脉搏波特征的血压测量系统，其特征在于：所述血压模型更新模块按照设定的模型更新策略对血压模型进行更新，所述模型更新策略为：
（1）记录用户i的初始血压模型为model_old_i，模型预测血压的平均误差为error_old_i；创建的新血压模型为model_new_i，模型预测血压的平均误差为error_new_i；设定血压模型可接受的最大平均误差为max_error；
（2）如果error_new_i<=error_old_i 或者error_new_i<=max_error，直接进行模型更新，model_old_i = model_new_i，error_old_i = error_new_i，更新后的模型直接作为用户i的新的初始血压模型并部署，并从校准样本存储模块中清空用户i的校准样本；
（3）如果error_new_i>error_old_i且error_new_i<= max_error，以bagging方法将model_old_i和model_new_i组合起来形成新的集成模型model_bagging_i，组合规则为平均值，得到model_old_i = model_bagging_i，error_old_i =（error_old_i +error_new_i）/2，更新后的模型直接作为用户i的新的初始血压模型并部署，并从校准样本存储模块中清空用户i的校准样本；
（4）如果error_new_i>error_old_i且error_new_i> max_error，不更新模型, 直接将model_new_i删除并从校准样本存储模块中清空用户i的校准样本。
CN202110686119.9A 2021-06-21 2021-06-21 一种建模个体脉搏波特征的血压测量系统 Pending CN113425273A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110686119.9A CN113425273A (zh) 2021-06-21 2021-06-21 一种建模个体脉搏波特征的血压测量系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110686119.9A CN113425273A (zh) 2021-06-21 2021-06-21 一种建模个体脉搏波特征的血压测量系统

Publications (1)

Publication Number Publication Date
CN113425273A true CN113425273A (zh) 2021-09-24

Family

ID=77756882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110686119.9A Pending CN113425273A (zh) 2021-06-21 2021-06-21 一种建模个体脉搏波特征的血压测量系统

Country Status (1)

Country Link
CN (1) CN113425273A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114631795A (zh) * 2022-05-19 2022-06-17 天津工业大学 一种血压追踪检测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103675012A (zh) * 2013-09-22 2014-03-26 浙江大学 Bp粒子群优化的工业熔融指数软测量仪表和方法
US20170156676A1 (en) * 2015-12-02 2017-06-08 Echo Labs, Inc. Systems and methods for detecting photoplethysmographic device usage
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
CN107920765A (zh) * 2015-09-03 2018-04-17 皇家飞利浦有限公司 非侵入式血压监测设备和方法
CN112274126A (zh) * 2020-10-28 2021-01-29 河北工业大学 一种基于多路脉搏波的无创连续血压检测方法、装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103675012A (zh) * 2013-09-22 2014-03-26 浙江大学 Bp粒子群优化的工业熔融指数软测量仪表和方法
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
CN107920765A (zh) * 2015-09-03 2018-04-17 皇家飞利浦有限公司 非侵入式血压监测设备和方法
US20170156676A1 (en) * 2015-12-02 2017-06-08 Echo Labs, Inc. Systems and methods for detecting photoplethysmographic device usage
CN112274126A (zh) * 2020-10-28 2021-01-29 河北工业大学 一种基于多路脉搏波的无创连续血压检测方法、装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YAN CHEN: ""Continuous and Noninvasive Measurement of Systolic and Diastolic Blood Pressure by One Mathematical Model with the Same Model Parameters and Two Separate Pulse Wave Velocities"", 《ANNALS OF BIOMEDICAL ENGINEERING》, vol. 40, no. 4, 30 April 2012 (2012-04-30) *
刘艳萍;李杰;金菲;崔彤;: "基于脉搏波和小波神经网络的血压预测", 河北工业大学学报, no. 03, 15 June 2018 (2018-06-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114631795A (zh) * 2022-05-19 2022-06-17 天津工业大学 一种血压追踪检测系统

Similar Documents

Publication Publication Date Title
El-Hajj et al. A review of machine learning techniques in photoplethysmography for the non-invasive cuff-less measurement of blood pressure
CN108185996B (zh) 动脉血管年龄估算模型构建方法和装置
Rong et al. A multi-type features fusion neural network for blood pressure prediction based on photoplethysmography
Wang et al. A robust signal preprocessing framework for wrist pulse analysis
CN109833035B (zh) 脉搏波血压测量装置的分类预测数据处理方法
CN108498089A (zh) 一种基于深度神经网络的无创连续血压测量方法
El Hajj et al. Cuffless and continuous blood pressure estimation from PPG signals using recurrent neural networks
Mohebbian et al. Blind, cuff-less, calibration-free and continuous blood pressure estimation using optimized inductive group method of data handling
CN112089405B (zh) 一种脉搏波特征参数测量及显示装置
RU2657384C2 (ru) Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий
CN107249434B (zh) 鲁棒分类器
Roy et al. On-device reliability assessment and prediction of missing photoplethysmographic data using deep neural networks
CN110558960A (zh) 一种基于ptt和miv-ga-svr的连续血压无创监测方法
Yi et al. Continuous blood pressure measurement based on photoplethysmography
CN113425273A (zh) 一种建模个体脉搏波特征的血压测量系统
IL189943A (en) Signal processing for pulse oximetry
Maity et al. PPGMotion: Model-based detection of motion artifacts in photoplethysmography signals
Ertuğrul et al. A noninvasive time-frequency-based approach to estimate cuffless arterial blood pressure
Pan et al. Improved blood pressure estimation using photoplethysmography based on ensemble method
Yen et al. Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN.
Yang et al. Non-invasive cuff-less blood pressure machine learning algorithm using photoplethysmography and prior physiological data
LU502768B1 (en) Intelligent blood pressure prediction method based on multi-scale residual network and ppg signal
Liu et al. A novel interpretable feature set optimization method in blood pressure estimation using photoplethysmography signals
Xu et al. Pulse waveforms classification based on wavelet network
Wuerich et al. Blood Pressure Estimation based on Electrocardiograms

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