CN113499048B - 一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法 - Google Patents
一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法 Download PDFInfo
- Publication number
- CN113499048B CN113499048B CN202110831833.2A CN202110831833A CN113499048B CN 113499048 B CN113499048 B CN 113499048B CN 202110831833 A CN202110831833 A CN 202110831833A CN 113499048 B CN113499048 B CN 113499048B
- Authority
- CN
- China
- Prior art keywords
- pressure
- artery
- module
- blood pressure
- finger
- 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
- A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Power Engineering (AREA)
- Fuzzy Systems (AREA)
- Ophthalmology & Optometry (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于CNN‑BiLSTM的中心动脉压波形重构的系统及方法,涉及人工智能与医疗器械研发技术领域。本发明包括有数据采集控制模块、桡动脉压测量模块、指尖动脉压测量模块、数据处理模块、中心动脉压计算模块和数据显示模块。本发明无需人工提取特征、无需建立中间仿真模型及其参数估计,自动建立外周血压与中心动脉压一种端到端的重构模型,有效提升了中心动脉压波形的重构精度,且通过对人工神经网络结构的改进,提升了模型对波形特征的学习能力,相较于其他人工神经网络,该网络对血压波形的学习能力更强,对中心动脉压的重构效果更好。
Description
技术领域
本发明属于人工智能与医疗器械研发技术领域,特别是涉及一种基于 CNN-BiLSTM的中心动脉压波形重构的系统及方法。
背景技术
心血管系统疾病是人类致死和致残的重要原因。近年来,随着肥胖人口的增加,患有心血管疾病的风险不断升高。准确掌握患者的心血管系统健康状况,可为患者提供即时救助,从而有效降低心血管事件的发生率和死亡率。CAP作为升主动脉根部血管壁承受血液的侧压力,相较于外周动脉压,与心血管事件的联系更为紧密,与一些心血管事件独立相关。因此, CAP的检测在心血管疾病的预测、诊断和实时监测等方面具有重要意义。同时,CAP波动也具有重要研究价值,如CAP增高将诱发冠脉硬化,进而容易引发冠脉狭窄及冠脉事件,降低CAP将有助于预防心血管事件。此外,CAP 与心血管疾病的预后有密切关系,可用于评价疗效,优化治疗方案以及早期诊断及筛查。因此,CAP的波形测量在临床上具有极高的运用价值;
Huttunen等则提出利用机器学习和模拟训练数据估计主动脉脉搏波速和血压脉冲传递时间,初步将机器学习算法运用于主动脉研究领域。Xiao 等首次提出运用人工神经网络从桡动脉收缩压与舒张压估计主动脉收缩压的方法,并论证了采用深度学习方法检测中心动脉压的可行性。上述研究在一定程度上解决的中心动脉压检测有无的问题,但存在准确度较低,波形特征提取困难等问题,难以满足实际临床医学中的应用;
由于受环境、遗传、行为等因素的影响,血压信号往往呈现高度特异性和复杂性。针对这些大量且复杂的血压特征,传统人工设计的血压特征提取方式越来越难以满足现代医疗对血压检测与诊疗需求;
由于受环境、遗传、行为等因素的影响,血压信号往往呈现高度特异性和复杂性。针对这些大量且复杂的血压特征,传统人工设计的血压特征提取方式越来越难以满足现代医疗对血压检测与诊疗需求;针对传统的无创中心动脉压重构方法特征提取困难、重构误差较大、精度难以提升等问题。本专利提出了一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法。
发明内容
本发明的目的在于提供一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法,以解决上述背景技术中提出的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种基于CNN-BiLSTM的中心动脉压波形重构的系统,包括有数据采集控制模块、桡动脉血压测量模块、指动脉血压测量模块、数据处理模块、中心动脉压计算模块和数据显示模块;
所述数据采集控制模块用以控制其他模块进行顺序测量和处理;
所述桡动脉血压测量模块用以采集桡动脉的脉动信号,并进行滤波和放大处理,形成桡动脉压信号传输给数据处理模块;
所述指动脉血压测量模块用以采集连续的人体指动脉血压信号,并进行滤波和放大处理,形成指动脉压信号传输给数据处理模块;
所述数据处理模块用以形成指动脉平均压与舒张压(MAP/DBP),并对桡动脉压信号进行校准,将校准后的桡动脉压信号传递给中心动脉压测量模块,将指动脉压、桡动脉压以及基本参数一传递给数据显示模块;
所述中心动脉压测量模块通过CNN-BILSTM神经网络获得中心动脉压的重构波形,并计算中心动脉的收缩压、舒张压和平均压,将桡动脉血压波形、中心动脉压波形和基本参数二输出至数据显示模块;
所述数据显示模块用以对指动脉压波形、桡动脉压波形、重构中心动脉压、基本参数一和基本参数二进行图文显示。
进一步地,所述桡动脉血压测量模块至少由压电传感器、第一导线和第一血压信号处理电路组成;
所述压电传感器用以获得桡动脉的脉动信号;
所述第一导线用以将脉动信号传输给第一血压信号处理电路;
所述第一血压信号处理电路用以完成脉动信号的滤波和放大处理,并将处理后的桡动脉压信号通过数据采集控制模块传递给数据处理模块。
进一步地,所述指动脉血压测量模块至少由局部加压式袖带装置、第二导线和第二血压信号处理电路组成;
所述局部加压式袖带用以获得连续的人体指动脉血压信号;
所述第一导线用以将指动脉血压信号传输给第二血压信号处理电路;
所述第二血压信号处理电路用以完成指动脉血压信号的滤波和放大处理,并将处理后的指动脉压信号通过数据采集控制模块传递给桡动脉压校准模块和数据显示模块。
进一步地,所述数据采集控制模块控制指动脉血压测量模块的启动和终止控制和袖带充放气控制、桡动脉血压测量模块的数据采集,并将其数据输出给数据处理模块。
进一步地,所述基本参数一为指动脉平均压与舒张压。
进一步地,所述数据处理模块至少由指动脉压处理电路与桡动脉压校准电路构成;
所述指动脉压处理电路用以接收来自桡动脉血压测量模块的桡动脉压信号与指动脉血压测量模块的指动脉压信号,并对其进行处理,获得指动脉平均压与舒张压(MAP/DBP),将指动脉平均压与舒张压传输给桡动脉压校准电路;
所述桡动脉压校准电路根据指动脉平均压与舒张压为桡动脉压进行校准并将校准后的桡动脉压信号传递给中心动脉压测量模块,将指动脉压、桡动脉压以及基本参数传递给数据显示模块。
进一步地,所述基本参数二为中心动脉的收缩压、平均压和舒张压。
本发明具有以下有益效果:
本发明无需人工提取特征、无需建立中间仿真模型及其参数估计,自动建立外周血压与中心动脉压一种端到端的重构模型,有效提升了中心动脉压波形的重构精度,且通过对人工神经网络结构的改进,提升了模型对波形特征的学习能力,相较于其他人工神经网络,该网络对血压波形的学习能力更强,对中心动脉压的重构效果更好。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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发明的一些实施例,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为本发明一种基于CNN-BiLSTM的中心动脉压波形重构的系统的结构框图;
图2为本发明一种基于CNN-BiLSTM的中心动脉压波形重构的系统的结构框图;
图3为本发明一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法LSTM单元的结构图;
图4为本发明一种基于CNN-BiLSTM的中心动脉压波形重构的系统测量正常与异常血压重的效果图;
图5为本发明一种基于CNN-BiLSTM的中心动脉压波形重构的系统测量低压与高压的重构的效果图;
图6为本发明一种基于CNN-BiLSTM的中心动脉压波形重构的系统测量不同频率的血压重构的效果图;
图7为本发明一种基于CNN-BiLSTM的中心动脉压波形重构的系统的方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一:
请参阅图1-7所示,本发明为一种基于CNN-BiLSTM的中心动脉压波形重构的系统,包括有数据采集控制模块、桡动脉血压测量模块、指动脉血压测量模块、数据处理模块、中心动脉压计算模块和数据显示模块;
其中,所述数据采集控制模块用以控制其他模块进行顺序测量和处理;
其中,所述桡动脉血压测量模块用以采集桡动脉的脉动信号,并进行滤波和放大处理,形成桡动脉压信号传输给数据处理模块;
所述桡动脉血压测量模块至少由压电传感器、第一导线和第一血压信号处理电路组成;
所述压电传感器用以获得桡动脉的脉动信号;
所述第一导线用以将脉动信号传输给第一血压信号处理电路;
所述第一血压信号处理电路用以完成脉动信号的滤波和放大处理,并将处理后的桡动脉压信号通过数据采集控制模块传递给数据处理模块;
其中,所述指动脉血压测量模块用以采集连续的人体指动脉血压信号,并进行滤波和放大处理,形成指动脉压信号传输给数据处理模块。
所述指动脉血压测量模块至少由局部加压式袖带装置、第二导线和第二血压信号处理电路组成;
所述局部加压式袖带用以获得连续的人体指动脉血压信号;
所述第一导线用以将指动脉血压信号传输给第二血压信号处理电路;
所述第二血压信号处理电路用以完成指动脉血压信号的滤波和放大处理,并将处理后的指动脉压信号通过数据采集控制模块传递给桡动脉压校准模块和数据显示模块;
在此,所述数据采集控制模块控制指动脉血压测量模块的启动和终止控制和袖带充放气控制、桡动脉血压测量模块的数据采集,并将其数据输出给数据处理模块。
其中,所述数据处理模块用以形成指动脉平均压与舒张压(MAP/DBP),并对桡动脉压信号进行校准,将校准后的桡动脉压信号传递给中心动脉压测量模块,将指动脉压、桡动脉压以及基本参数一传递给数据显示模块;
所述基本参数一为指动脉平均压与舒张压;
所述数据处理模块至少由指动脉压处理电路与桡动脉压校准电路构成;
所述指动脉压处理电路用以接收来自桡动脉血压测量模块的桡动脉压信号与指动脉血压测量模块的指动脉压信号,并对其进行处理,获得指动脉平均压与舒张压(MAP/DBP),将指动脉平均压与舒张压传输给桡动脉压校准电路;
所述桡动脉压校准电路根据指动脉平均压与舒张压为桡动脉压进行校准并将校准后的桡动脉压信号传递给中心动脉压测量模块,将指动脉压、桡动脉压以及基本参数传递给数据显示模块;
其中,所述中心动脉压测量模块通过CNN-BILSTM神经网络获得中心动脉压的重构波形,并计算中心动脉的收缩压、舒张压和平均压,将桡动脉血压波形、中心动脉压波形和基本参数二输出至数据显示模块;
在此,所述基本参数二为中心动脉的收缩压、平均压和舒张压;
中心动脉血压测量装置的计算原理如下:
基于CNN-BiLSTM的中心动脉压重构模型,该模型以桡动脉脉搏波信号为输入,自动实现中心动脉压波形重构。其中,CNN-BiLSTM的中心动脉压重构模型如图2所示,该模型由多组并行一维CNN与Bi-LSTM串联而成,其中,输入Xt为桡动脉压波形型号,经过多组并行卷积层运算后得到串联 (Concatenate)的波形特征X′m。然后,将特征输入Bi-LSTM为波形重构的中心动脉压Yt。CNN-BiLSTM模型可以从复杂时间序列中提取复杂的特征,并存储不规则的变化趋势,从而提升重构模型的泛化能力。
在基于CNN-BiLSTM的中心动脉压模型中,我们采用卷积神经网络提升模型对局部特征学习的能力,双向长短时记忆网络提升全局特征学习能力。
针对中心动脉压的重构,卷积神经网络可以从长时间段的血压波形中获取感兴趣的特征。在中心动脉压的每个脉搏周期中,波峰、波谷、降中峡以及收缩期与舒张期的持续时间可以提供中心动脉收缩压、舒张压和射血时间等大量生理特征。这些局部特征仅采用循环神经网络难以有效采集。而一维卷积神经网络不仅能够从长时间序列中获取我们感兴趣的特征,同时可有效处理局部特征与所在时间序列位置的相关性,有效提高波形重构的效果。
卷积神经网络是一种端到端的有监督学习网络,其通常由卷积、池化和全连接层所组成。其中卷积层可以实现对输入特征的学习,实现数据从低维空间到更高位空间的映射。池化层主要通过下采样对数据降维和去冗余,实现对特征的压缩以减少计算量降低模型的复杂度。最终通过全连接层映射特征输出结果。在结构上,卷积神经网络通过局部连接和权值共享的方式减少参数数目,以提高训练速度,利用多种核进行组合学习深度特征,从而达到优异的分类和回归性能。
血压波形作为一种连续时间序列,波形的起伏变化与周围密切相关。本文采用双向长短时记忆网络。Bi-LSTM作为前向传播的LSTM和后向传播的LSTM相结合,可以获得两个方向的特征值。因此Bi-LSTM的输出h包括了波形的上下文的特征信息,突破了正向LSTM网络仅能获得上文的特征信息的问题,因此对时间序列的效果更好。
LSTM单元的结构如图3所示:
对于卷积神经网络输出的特征序列X=(x1,x2,…,xN),X∈N,其中N为输入特征序列的长度。上一时刻的信息Ct-1,C∈[0,1]与输出ht-1同当前时刻的输入xt输入到LSTM单元中,形成新的细胞状态Ct与输出ht。计算过程如下:
Ct=σ(Wf·[ht-1,xt]+bf)*Ct-1+σ(Wi·[ht-1,xt]+bi)*tanh(WC·[ht-1,xt]+bC) (1)
ht=σ(Wo·[ht-1,xt]+bo)*tanh(Ct) (2)
其中W,b为对应隐藏层的权重与偏执向量,经过激活函数sigmoid与tanh对t时刻细胞状态进行更新并确定t时刻的输出ht。
最终的重构效果如图4-6所示,在图4-6中展示了正常血压与异常血压、低血压与高血压的重构效果,同时也展示了不同频率血压的重构效果;
其中,所述数据显示模块用以对指动脉压波形、桡动脉压波形、重构中心动脉压、基本参数一和基本参数二进行图文显示。
实施例二:
在实施例一的基础上公开了一种基于CNN-BiLSTM的中心动脉压波形重构的系统的使用方法,所述方法包括有以下步骤:
第一步:测试者平躺休息5分钟后,通过数据采集控制模块启动和控制指动脉血压测量模块中气泵的充放气速度和袖带中的气压,完成指动脉血压的测量;
第二步:通过数据采集控制模块启动和控制桡动脉血压测量模块,完成桡动脉血压信号的同步测量,并进行去噪、去漂移处理;
第三步:启动数据处理模块,用指动脉完成对桡动脉压的校准,并计算出指动脉与桡动脉的基本参数;
第四步:启动中心动脉压计算模块,完成中心动脉压重构模型的构建,用校准后的桡动脉血压信号计算出中心动脉血压波形并获得基本参数;
第五步:将三种血压波形及相关参数显示在显示屏上,同时生成测量报告。
综上,与传统方法相比,本发明无需人工提取特征、无需建立中间仿真模型及其参数估计,自动建立外周血压与中心动脉压一种端到端的重构模型,有效提升了中心动脉压波形的重构精度,且通过对人工神经网络结构的改进,提升了模型对波形特征的学习能力,相较于其他人工神经网络,该网络对血压波形的学习能力更强,对中心动脉压的重构效果更好。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种基于CNN-BiLSTM的中心动脉压波形重构的系统,其特征在于,包括有数据采集控制模块、桡动脉血压测量模块、指动脉血压测量模块、数据处理模块、中心动脉压计算模块和数据显示模块;
所述数据采集控制模块用以控制其他模块进行顺序测量和处理;
所述桡动脉血压测量模块用以采集桡动脉的脉动信号,并进行滤波和放大处理,形成桡动脉压信号传输给数据处理模块;
所述指动脉血压测量模块用以采集连续的人体指动脉血压信号,并进行滤波和放大处理,形成指动脉压信号传输给数据处理模块;
所述数据处理模块用以形成指动脉平均压与舒张压(MAP/DBP),并对桡动脉压信号进行校准,将校准后的桡动脉压信号传递给中心动脉压测量模块,将指动脉压、桡动脉压以及基本参数一传递给数据显示模块;
所述中心动脉压测量模块通过CNN-BILSTM神经网络获得中心动脉压的重构波形,并计算中心动脉的收缩压、舒张压和平均压,将桡动脉血压波形、中心动脉压波形和基本参数二输出至数据显示模块;
所述数据显示模块用以对指动脉压波形、桡动脉压波形、重构中心动脉压、基本参数一和基本参数二进行图文显示;
所述CNN-BILSTM神经网络由一维CNN卷积层、Bi-LSTM和全连接层串联而成;CNN-BILSTM神经网络的输入Xt为桡动脉压波形信号,通过多组并联的一维CNN卷积运算得到包含血压波形局部特征的特征张量,由Concat函数实现张量叠加得到波形特征X′m;再送入Bi-LSTM实现对血压波形全局特征的学习,最后经过全连接层获得中心动脉压重建波形Yt。
2.根据权利要求1所述的一种基于CNN-BiLSTM的中心动脉压波形重构的系统,其特征在于,所述桡动脉血压测量模块至少由压电传感器、第一导线和第一血压信号处理电路组成;
所述压电传感器用以获得桡动脉的脉动信号;
所述第一导线用以将脉动信号传输给第一血压信号处理电路;
所述第一血压信号处理电路用以完成脉动信号的滤波和放大处理,并将处理后的桡动脉压信号通过数据采集控制模块传递给数据处理模块。
3.根据权利要求2所述的一种基于CNN-BiLSTM的中心动脉压波形重构的系统,其特征在于,所述指动脉血压测量模块至少由局部加压式袖带装置、第二导线和第二血压信号处理电路组成;
所述局部加压式袖带用以获得连续的人体指动脉血压信号;
所述第一导线用以将指动脉血压信号传输给第二血压信号处理电路;
所述第二血压信号处理电路用以完成指动脉血压信号的滤波和放大处理,并将处理后的指动脉压信号通过数据采集控制模块传递给桡动脉压校准模块和数据显示模块。
4.根据权利要求3所述的一种基于CNN-BiLSTM的中心动脉压波形重构的系统,其特征在于,所述数据采集控制模块控制指动脉血压测量模块的启动和终止控制和袖带充放气控制、桡动脉血压测量模块的数据采集,并将其数据输出给数据处理模块。
5.根据权利要求1所述的一种基于CNN-BiLSTM的中心动脉压波形重构的系统,其特征在于,所述基本参数一为指动脉平均压与舒张压。
6.根据权利要求1所述的一种基于CNN-BiLSTM的中心动脉压波形重构的系统,其特征在于,所述数据处理模块至少由指动脉压处理电路与桡动脉压校准电路构成;
所述指动脉压处理电路用以接收来自桡动脉血压测量模块的桡动脉压信号与指动脉血压测量模块的指动脉压信号,并对其进行处理,获得指动脉平均压与舒张压(MAP/DBP),将指动脉平均压与舒张压传输给桡动脉压校准电路;
所述桡动脉压校准电路根据指动脉平均压与舒张压为桡动脉压进行校准并将校准后的桡动脉压信号传递给中心动脉压测量模块,将指动脉压、桡动脉压以及基本参数传递给数据显示模块。
7.根据权利要求1所述的一种基于CNN-BiLSTM的中心动脉压波形重构的系统,其特征在于,所述基本参数二为中心动脉的收缩压、平均压和舒张压。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110831833.2A CN113499048B (zh) | 2021-07-22 | 2021-07-22 | 一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110831833.2A CN113499048B (zh) | 2021-07-22 | 2021-07-22 | 一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113499048A CN113499048A (zh) | 2021-10-15 |
CN113499048B true CN113499048B (zh) | 2022-07-08 |
Family
ID=78013517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110831833.2A Active CN113499048B (zh) | 2021-07-22 | 2021-07-22 | 一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113499048B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115990007B (zh) * | 2022-11-30 | 2024-01-23 | 未来穿戴健康科技股份有限公司 | 中心动脉压波形拟合方法、监控装置和手表设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104000573A (zh) * | 2014-05-29 | 2014-08-27 | 东北大学 | 基于体表两点脉搏波的中心动脉脉搏波监测系统及方法 |
CN108852307A (zh) * | 2018-05-24 | 2018-11-23 | 重庆理工大学 | 一种非接触无创动脉硬化检测装置 |
CN109512412A (zh) * | 2018-11-21 | 2019-03-26 | 重庆理工大学 | 一种中心动脉血压测量装置 |
CN111493855A (zh) * | 2020-04-21 | 2020-08-07 | 重庆理工大学 | 个体化心输出量的无创测量系统与方法 |
CN112790748A (zh) * | 2020-12-30 | 2021-05-14 | 重庆理工大学 | 一种中心动脉压波形重构系统及方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007109065A1 (en) * | 2006-03-15 | 2007-09-27 | Board Of Trustees Of Michigan State University | Method and apparatus for determining a central aortic pressure waveform |
US20140135634A1 (en) * | 2012-11-14 | 2014-05-15 | Osvaldas Pranevicius | Noninvasive method and apparatus to measure central blood pressure using extrinsic perturbation |
EP3609393A4 (en) * | 2017-04-13 | 2021-04-21 | Atcor Medical Pty Ltd | NON-INVASIVE BLOOD PRESSURE MEASUREMENT |
WO2021068193A1 (zh) * | 2019-10-11 | 2021-04-15 | 中国科学院深圳先进技术研究院 | 一种血压波形监测方法及装置 |
CN111053549A (zh) * | 2019-12-23 | 2020-04-24 | 威海北洋电气集团股份有限公司 | 一种智能生物信号异常检测方法及系统 |
CN111369528B (zh) * | 2020-03-03 | 2022-09-09 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
CN112022126A (zh) * | 2020-09-28 | 2020-12-04 | 无锡博智芯科技有限公司 | 一种基于CNN-BiLSTM模型和PPG的智能血压预测方法 |
CN112733774A (zh) * | 2021-01-18 | 2021-04-30 | 大连海事大学 | 一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法 |
CN112869717B (zh) * | 2021-02-25 | 2023-02-24 | 佛山科学技术学院 | 一种基于bl-cnn的脉搏特征识别分类系统及方法 |
CN113057617B (zh) * | 2021-04-30 | 2022-08-26 | 重庆理工大学 | 一种心输出量的无创监测系统 |
-
2021
- 2021-07-22 CN CN202110831833.2A patent/CN113499048B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104000573A (zh) * | 2014-05-29 | 2014-08-27 | 东北大学 | 基于体表两点脉搏波的中心动脉脉搏波监测系统及方法 |
CN108852307A (zh) * | 2018-05-24 | 2018-11-23 | 重庆理工大学 | 一种非接触无创动脉硬化检测装置 |
CN109512412A (zh) * | 2018-11-21 | 2019-03-26 | 重庆理工大学 | 一种中心动脉血压测量装置 |
CN111493855A (zh) * | 2020-04-21 | 2020-08-07 | 重庆理工大学 | 个体化心输出量的无创测量系统与方法 |
CN112790748A (zh) * | 2020-12-30 | 2021-05-14 | 重庆理工大学 | 一种中心动脉压波形重构系统及方法 |
Non-Patent Citations (4)
Title |
---|
A review on low-dimensional physics-based models of systemic arteries: application to estimation of central aortic pressure;Zhou, S., Xu, L., Hao, L. et al.;《BioMed Eng OnLine》;20190402;第1-25页 * |
基于双外周血压重建中心动脉压的方法及测量平台研究;马超;《中国优秀硕士学位论文全文数据库》;20160315;正文第20页第1段、第43页最后一段-第44页 * |
基于外周连续血压信号的自适应中心动脉压重建方法的研究;张攀登;《中国博士学位论文全文数据库》;20200215;第E060-1页 * |
基于脉搏波传导速度的动脉硬化无创检测方法进展;赵鹏栋,肖汉光,任慧娇,黄金锋;《中国动脉硬化杂志》;20210112;第82-86页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113499048A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108498089B (zh) | 一种基于深度神经网络的无创连续血压测量方法 | |
CN106821356B (zh) | 基于Elman神经网络的云端连续血压测量方法及系统 | |
CN109965862B (zh) | 一种无袖带式长时连续血压无创监测模型的构建方法 | |
JP4571317B2 (ja) | 無加圧帯式連続血圧監視装置 | |
CN107669256A (zh) | 连续血压的测量方法、装置和系统 | |
CN101176659A (zh) | 一种检测心血管系统功能状态的方法和装置 | |
CN103892818A (zh) | 一种无创中心动脉血压测量方法和设备 | |
CN113143230B (zh) | 一种外周动脉血压波形重构系统 | |
CN109431492A (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
CN112001122A (zh) | 基于端到端生成对抗网络的非接触式生理信号测量方法 | |
CN107928654A (zh) | 一种基于神经网络的脉搏波信号血压检测方法 | |
CN109512410A (zh) | 一种多生理信号特征融合的无袖带连续血压测量方法 | |
CN114145724A (zh) | 基于ecg和ppg多生理特征参数动态监测血压的方法 | |
CN113499048B (zh) | 一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法 | |
CN110840428B (zh) | 基于一维U-Net网络的无创血压估计方法 | |
CN104042200A (zh) | 一种逐拍动脉血压的无创监测装置及其方法 | |
Priyanka et al. | Estimating blood pressure via artificial neural networks based on measured photoplethysmography waveforms | |
CN113040738B (zh) | 血压检测装置 | |
Bahloul et al. | A multilayer perceptron-based carotid-to-femoral pulse wave velocity estimation using ppg signal | |
CN112790748A (zh) | 一种中心动脉压波形重构系统及方法 | |
CN114947782A (zh) | 一种基于ppg信号的中心动脉压波形重构的系统及方法 | |
CN113940646B (zh) | 一种基于因果关系的无袖带连续血压监测系统 | |
CN115836847A (zh) | 一种血压预测装置及设备 | |
CN115240845A (zh) | 一种基于体外反搏的冠心病分类方法、系统及装置 | |
CN111839487B (zh) | 一种无气囊的血压测量系统 |
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 |