CN113974554A - 重搏波识别方法、装置、设备和计算机可读存储介质 - Google Patents
重搏波识别方法、装置、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113974554A CN113974554A CN202111117168.7A CN202111117168A CN113974554A CN 113974554 A CN113974554 A CN 113974554A CN 202111117168 A CN202111117168 A CN 202111117168A CN 113974554 A CN113974554 A CN 113974554A
- Authority
- CN
- China
- Prior art keywords
- wave
- pulse wave
- waveform
- peak
- dicrotic
- 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
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
-
- 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
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本公开的实施例提供了重搏波识别方法、装置、设备和计算机可读存储介质。所述方法包括获取脉搏波数据;对所述脉搏波数据进行异常检测和平滑降噪处理,切分为多个脉搏波单波形;对所述脉搏波单波形进行识别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰。以此方式,实现了对重搏波特征点的精准定位。
Description
技术领域
本公开的实施例一般涉及医学信号处理领域,并且更具体地,涉及重搏波识别方法、装置、设备和计算机可读存储介质。
背景技术
心血管疾病是严重威胁人类健康的重大疾病,世界卫生组织已将其列为21世纪危害人类健康的头号杀手,心血管疾病的成因、防止及治疗都是医学研究的重要范畴。
心血管系统血液运动、血管壁运动与脉搏波的传播规律有密切的关系。脉搏波可用来检测人体心血管血流动力学指标参数,脉搏波波形特征变化是评价人体心血管系统生理病理状态的重要依据。光电容积描记法(Photoplethysmography,PPG)是一种方便、无创的光学检测技术,用于测量人体组织中血液容积变化提取脉搏波。PPG技术广泛应用于心血管检测的各个方面,包括心率、心输出量、动脉硬化等。脉搏波信号地准确采集与合理分析对于心血管疾病的预防、健康监测以及对疾病诊治过程给予科学合理的指导均具有非常重要的意义。通过脉搏波提取的指标参数有着重要的医学价值。
脉搏波特征点与其对应的生理因素有着密切的联系,关系到相应心血管指标参数的正确提取。但其依赖于重搏波峰与重搏波谷的准确定位识别。由于部分老年人和心血管疾病患者的反射脉搏波较弱,现有的使用PPG技术的指端光电容积脉搏波检测仪器很容易无法识别重搏波特征点,导致无法准确计算心血管指标参数,造成测量数据浪费,干扰临床诊断与分析研究。
造成这种问题发生的原因是现有的使用PPG技术的仪器未考虑根据不同人群的多种PPG形态进行针对性调整特征点识别算法,导致很多情况下无法定位重搏波特征点。
发明内容
根据本公开的实施例,提供了一种重搏波识别方案。
在本公开的第一方面,提供了一种重搏波识别方法。该方法包括:
获取脉搏波数据;
对所述脉搏波数据进行异常检测和平滑降噪处理,切分为多个脉搏波单波形;
对所述脉搏波单波形进行识别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰。
进一步地,所述对所述脉搏波单波形进行识别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰包括:
对所述脉搏波单波形进行识别,确定当前脉搏波单波形所属人群类别;
根据所属人群类别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰。
进一步地,所述对所述脉搏波单波形进行识别,确定当前脉搏波单波形所属人群类别包括:
若所述脉搏波单波形的主波波峰后不存在极值点,则为中老年或心血管疾病人群;
若所述脉搏波单波形的主波波峰后存在极值点,则为健康人群;
其中,所述主波波峰为所述脉搏波单波形的波幅最大值。
进一步地,所述根据所属人群类别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰包括:
若所属人群为中老年或心血管疾病人群,则通过凹凸点定位法,确定所述重搏波谷和重搏波峰;
若所属人群为健康人群,则根据所述脉搏波单波形,确定与其对应的一阶差分波形;
基于所述一阶差分波形,确定所述一阶差分波形中最小值点后的第一个波峰点;
基于所述波峰点,确定所述重搏波谷和重搏波峰。
在本公开的第二方面,提供了一种重搏波识别装置。该装置包括:
获取模块,用于获取脉搏波数据;
处理模块,用于对所述脉搏波数据进行异常检测和平滑降噪处理,切分为多个脉搏波单波形;
识别模块,用于对所述脉搏波单波形进行识别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰。
进一步地,所述对所述脉搏波单波形进行识别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰包括:
对所述脉搏波单波形进行识别,确定当前脉搏波单波形所属人群类别;
根据所属人群类别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰。
进一步地,所述对所述脉搏波单波形进行识别,确定当前脉搏波单波形所属人群类别包括:
若所述脉搏波单波形的主波波峰后不存在极值点,则为中老年或心血管疾病人群;
若所述脉搏波单波形的主波波峰后存在极值点,则为健康人群;
其中,所述主波波峰为所述脉搏波单波形的波幅最大值。
进一步地,所述根据所属人群类别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰包括:
若所属人群为中老年或心血管疾病人群,则通过凹凸点定位法,确定所述重搏波谷和重搏波峰;
若所属人群为健康人群,则根据所述脉搏波单波形,确定与其对应的一阶差分波形;
基于所述一阶差分波形,确定所述一阶差分波形中最小值点后的第一个波峰点;
基于所述波峰点,确定所述重搏波谷和重搏波峰。
在本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的第一方面的方法。
本申请实施例提供的重搏波识别方法,通过获取脉搏波数据;对所述脉搏波数据进行异常检测和平滑降噪处理,切分为多个脉搏波单波形;对所述脉搏波单波形进行识别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰,实现了对重搏波特征点的精准定位。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了能够在其中实现本公开的实施例的示例性运行环境的示意图;
图2示出了根据本公开的实施例的重搏波识别方法的流程图;
图3示出了根据本公开的实施例的获取的连续的脉搏波示意图;
图4示出了根据本公开的实施例的健康年轻人或中年人原始波形(a)和一阶差分波形(b)的示意图;
图5示出了根据本公开的实施例的老年人或心血管疾病患者的原始波形(a)和一阶差分波形(b)的示意图;
图6示出了根据本公开的实施例的凹凸点定位示意图;
图7示出了根据本公开的实施例的重搏波识别装置的方框图;
图8示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1示出了可以应用本申请的重搏波识别方法或装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如模型训练类应用、视频识别类应用、网页浏览器应用、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio LayerIII,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、PPG测量设备(如,指端光电容积脉搏波采集装置)、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
当终端101、102、103为硬件时,其上还可以安装有视频采集设备。视频采集设备可以是各种能实现采集视频功能的设备,如摄像头、传感器等等。用户可以利用终端101、102、103上的视频采集设备来采集视频。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的数据处理的后台服务器。后台服务器可以对接收到的数据进行分析等处理,并可以将处理结果(例如重搏波特征点)反馈给终端设备。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。特别地,在目标数据不需要从远程获取的情况下,上述系统架构可以不包括网络,而只包括终端设备或服务器。
如图2所示,是本申请实施例的重搏波识别方法的流程图。从图2中可以看出,本实施例的重搏波识别方法,包括以下步骤:
S210,获取脉搏波数据。
其中,如图3所示,脉搏波数据包括连续的脉搏波。
在一些实施例中,用于获取脉搏波数据方法的执行主体(例如图1所示的服务器)可以通过有线方式或者无线连接的方式获取脉搏波数据,通常所述脉搏波数据为PPG测量信号。
在一些实施例中,上述执行主体可以获取与之通信连接的电子设备(例如图1所示的终端设备)发送的脉搏波数据;其中,所述电子设备上装有PPG传感器,用于获取用户(患者)的脉搏波数据,例如,光学心率传感器等。
在一些实施例中,当测量设备不能单独进行上传数据时,如,部分指端脉搏波测量设备,测量设备也可将测量结果发送至与其连接的移动设备(手机等),通过所述移动设备将相关的脉搏波数据上传至如图1所示的服务器。
S220,对所述脉搏波数据进行异常检测和平滑降噪处理,切分为多个脉搏波单波形。
在一些实施例中,为了测量的准确性,需对获取的脉搏波进行预处理,即,异常检测和平滑降噪处理等;
具体的,可根据脉搏波波形的波峰、波谷的极值对所述脉搏波进行异常检测,若所述脉搏波波形的波峰、波谷的极值不符合预设标准,则重新执行步骤S210;
进一步地,也可根据人工经验,大数据分析等方式对所述脉搏波进行异常检测。
在一些实施例中,可通过预设的降噪函数对获取的脉搏波进行平滑降噪。
在一些实施例中,根据所述脉搏波的波形,确定每一个单波形的起始点a,根据起始点a,将所述脉搏波切分为多个脉搏波单波形;
其中,起始点a,可通过如下方式进行确定:
将获取的连续的脉搏波行减去均值后,相对于水平轴进行镜像翻转,将波谷起始点a的识别转化为波峰点的识别进行处理;
进一步地,可调用Python编程语言SciPy工具库中的find_peaks()函数,设置波峰最小高度与最小间隔限制,确定起始点a,以达到精准切分单波形的效果。
S230,对所述脉搏波单波形进行识别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰。
将特征点:起始点、主波波峰、重搏波谷和重搏波峰,分别定义为点a、b、c、d。
在实际应用中,由于人体个体的差异性,脉搏波形态可以分为两种情况:
1、对于健康的年轻人和中年人,由于其外周阻力较小,血管壁弹性好,重搏波波谷c、波峰d明显,如图4(a)所示;
2、对于心血管疾病患者或老年人,随着年龄增加,外周阻力增大,血管壁弹性变差,血管壁硬化程度和血液粘性增加,重搏波峰与波谷相对主波位置抬高,重搏波峰与波谷混为一体不易区分,图5(a)所示;
因此,为了测量的精准性,在本公开中,针对不同的波形(人群)采用不同处理方式。
在本公开中,起始点a已在步骤S220中进行了确定;主波波峰b为单波形的最大值点,即单波形的波幅最大值,可通过波形直接获取,因此,在本实施例中,主要针对于重搏波谷c、重搏波峰d,进行识别。
在一些实施例中,对所述脉搏波单波形进行识别,确定当前脉搏波单波形所属人群类别;
若所述脉搏波单波形的主波波峰后不存在极值点,即,主波波峰b点后无极值点,则为中老年或心血管疾病人群,参考图5(a);
若所述脉搏波单波形的主波波峰后存在极值点,则为健康人群(年轻人和中年人),参考图4(a);
进一步地,若所属人群为中老年或心血管疾病人群,则通过凹凸点定位法,确定所述重搏波谷和重搏波峰;
所述凹凸点定位法包括:
相邻拐点间的测量点至两个拐点连线距离最大的点,如图6所示,c点即为凹点,使用一阶差分波形极小值点后的第一个波峰p的横坐标进行辅助定位;参考图5(b),原波形中p点左侧相邻的凹点为重搏波谷c,p点右侧相邻的凸点为重搏波峰d;
若所属人群为健康人群,则根据所述脉搏波单波形,确定与其对应的一阶差分波形;
基于所述一阶差分波形,确定所述一阶差分波形中最小值点后的第一个波峰点p;
参考图4(b),根据p点横坐标对c、d点进行辅助定位,原始波形中,重搏波谷c为p点左侧极小值点,波峰d为p点右侧极大值点。
进一步地,完成特征点定位后,即,确定起始点、主波波峰、重搏波谷和重搏波峰后,可根据上述特征点信息,进行计算指标参数的计算;例如,进行反射系数RI(ReflectionIndex)的计算,反射系数是评价小动脉弹性功能的无创指标,RI越小表示小动脉的顺应性越好,RI=Hd/Hb(Hd为d点幅值,Hb为b点幅值);
进行硬度系数SI(Stiffness Index)的计算,硬度系数是反映大动脉弹性的指标,SI=height/Tbd(height为身高,Tbd为b点到d点的时间)。
根据本公开的实施例,实现了以下技术效果:
本公开的脉搏波特征点识别方法,在老年人和血管硬化患者(如冠心病患者)的实际测试中,对于重搏波峰与波谷不易识别的波形,仍可准确定位特征点,充分利用数据特性,有效防止了数据浪费,极大提高了识别的鲁棒性与泛化能力,提升了仪器的适用范围。
同时,考虑到不同人群脉搏波波形的差异性,进行区分处理,达到了精准识别脉搏波特征点的效果,加强了可靠性与稳定性,提高了容错率,便于后续心血管指标参数的计算,为用户心血管健康状态的评估与心血管疾病的防控提供了支持。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图7示出了根据本公开的实施例的重搏波识别装置700的方框图。如图7所示,装置700包括:
获取模块710,用于获取脉搏波数据;
处理模块720,用于对所述脉搏波数据进行异常检测和平滑降噪处理,切分为多个脉搏波单波形;
识别模块730,用于对所述脉搏波单波形进行识别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的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,在此不再赘述。
图8示出了可以用来实施本公开的实施例的电子设备800的示意性框图。如图所示,设备800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的计算机程序指令或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序指令,来执行各种适当的动作和处理。在RAM803中,还可以存储设备800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元801执行上文所描述的各个方法和处理。例如,在一些实施例中,方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由CPU 801执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,CPU 801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种重搏波识别方法,其特征在于,包括:
获取脉搏波数据;
对所述脉搏波数据进行异常检测和平滑降噪处理,切分为多个脉搏波单波形;
对所述脉搏波单波形进行识别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰。
2.根据权利要求1所述的方法,其特征在于,所述对所述脉搏波单波形进行识别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰包括:
对所述脉搏波单波形进行识别,确定当前脉搏波单波形所属人群类别;
根据所属人群类别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰。
3.根据权利要求2所述的方法,其特征在于,所述对所述脉搏波单波形进行识别,确定当前脉搏波单波形所属人群类别包括:
若所述脉搏波单波形的主波波峰后不存在极值点,则为中老年或心血管疾病人群;
若所述脉搏波单波形的主波波峰后存在极值点,则为健康人群;
其中,所述主波波峰为所述脉搏波单波形的波幅最大值。
4.根据权利要求3所述的方法,其特征在于,所述根据所属人群类别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰包括:
若所属人群为中老年或心血管疾病人群,则通过凹凸点定位法,确定所述重搏波谷和重搏波峰;
若所属人群为健康人群,则根据所述脉搏波单波形,确定与其对应的一阶差分波形;
基于所述一阶差分波形,确定所述一阶差分波形中最小值点后的第一个波峰点;
基于所述波峰点,确定所述重搏波谷和重搏波峰。
5.一种重搏波识别装置,其特征在于,包括:
获取模块,用于获取脉搏波数据;
处理模块,用于对所述脉搏波数据进行异常检测和平滑降噪处理,切分为多个脉搏波单波形;
识别模块,用于对所述脉搏波单波形进行识别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰。
6.根据权利要求5所述的装置,其特征在于,所述对所述脉搏波单波形进行识别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰包括:
对所述脉搏波单波形进行识别,确定当前脉搏波单波形所属人群类别;
根据所属人群类别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰。
7.根据权利要求6所述的装置,其特征在于,所述对所述脉搏波单波形进行识别,确定当前脉搏波单波形所属人群类别包括:
若所述脉搏波单波形的主波波峰后不存在极值点,则为中老年或心血管疾病人群;
若所述脉搏波单波形的主波波峰后存在极值点,则为健康人群;
其中,所述主波波峰为所述脉搏波单波形的波幅最大值。
8.根据权利要求7所述的装置,其特征在于,所述根据所属人群类别,确定每一个脉搏波单波形的起始点、主波波峰、重搏波谷和重搏波峰包括:
若所属人群为中老年或心血管疾病人群,则通过凹凸点定位法,确定所述重搏波谷和重搏波峰;
若所属人群为健康人群,则根据所述脉搏波单波形,确定与其对应的一阶差分波形;
基于所述一阶差分波形,确定所述一阶差分波形中最小值点后的第一个波峰点;
基于所述波峰点,确定所述重搏波谷和重搏波峰。
9.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~4中任一项所述的方法。
10.一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,所述程序被处理器执行时实现如权利要求1~4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111117168.7A CN113974554A (zh) | 2021-09-23 | 2021-09-23 | 重搏波识别方法、装置、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111117168.7A CN113974554A (zh) | 2021-09-23 | 2021-09-23 | 重搏波识别方法、装置、设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113974554A true CN113974554A (zh) | 2022-01-28 |
Family
ID=79736433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111117168.7A Pending CN113974554A (zh) | 2021-09-23 | 2021-09-23 | 重搏波识别方法、装置、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113974554A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1195136A1 (en) * | 2000-03-23 | 2002-04-10 | Seiko Epson Corporation | Biological information rating device |
CN101732033A (zh) * | 2008-11-07 | 2010-06-16 | 中国科学院计算技术研究所 | 一种人体波形中的特征参数的提取方法和装置 |
US20140249424A1 (en) * | 2012-12-04 | 2014-09-04 | University Of Winnipeg | Cardiovascular pulse wave analysis method and system |
CN107822608A (zh) * | 2017-10-26 | 2018-03-23 | 中国民航大学 | 基于高斯混合模型的脉搏波特征提取方法 |
CN110693474A (zh) * | 2018-10-08 | 2020-01-17 | 合云力健康科技(北京)有限公司 | 识别桡动脉压力波形重搏波特征点的方法和装置 |
CN111528825A (zh) * | 2020-05-14 | 2020-08-14 | 浙江大学 | 一种光电容积脉搏波信号优化方法 |
CN111528821A (zh) * | 2020-05-27 | 2020-08-14 | 福州数据技术研究院有限公司 | 一种脉搏波中重搏波特征点识别方法 |
-
2021
- 2021-09-23 CN CN202111117168.7A patent/CN113974554A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1195136A1 (en) * | 2000-03-23 | 2002-04-10 | Seiko Epson Corporation | Biological information rating device |
CN101732033A (zh) * | 2008-11-07 | 2010-06-16 | 中国科学院计算技术研究所 | 一种人体波形中的特征参数的提取方法和装置 |
US20140249424A1 (en) * | 2012-12-04 | 2014-09-04 | University Of Winnipeg | Cardiovascular pulse wave analysis method and system |
CN107822608A (zh) * | 2017-10-26 | 2018-03-23 | 中国民航大学 | 基于高斯混合模型的脉搏波特征提取方法 |
CN110693474A (zh) * | 2018-10-08 | 2020-01-17 | 合云力健康科技(北京)有限公司 | 识别桡动脉压力波形重搏波特征点的方法和装置 |
CN111528825A (zh) * | 2020-05-14 | 2020-08-14 | 浙江大学 | 一种光电容积脉搏波信号优化方法 |
CN111528821A (zh) * | 2020-05-27 | 2020-08-14 | 福州数据技术研究院有限公司 | 一种脉搏波中重搏波特征点识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230131876A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
CN111133526B (zh) | 发掘可用于机器学习技术中的新颖特征,例如用于诊断医疗状况的机器学习技术 | |
CN109452935B (zh) | 使用统计后处理从血管容积图估计血压的无创方法和系统 | |
US20180235487A1 (en) | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time | |
CN111095232B (zh) | 发掘用于机器学习技术中的基因组 | |
US20200258627A1 (en) | Systems, devices, software, and methods for a platform architecture | |
Ghaffari et al. | Parallel processing of ECG and blood pressure waveforms for detection of acute hypotensive episodes: a simulation study using a risk scoring model | |
Paula Rocha et al. | Beyond long memory in heart rate variability: an approach based on fractionally integrated autoregressive moving average time series models with conditional heteroscedasticity | |
CN111588353A (zh) | 一种体温测量方法 | |
CN114947886B (zh) | 一种基于异步脑机接口的符号数字转换测试方法及系统 | |
US11571161B2 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
Kim et al. | Normalization of photoplethysmography using deep neural networks for individual and group comparison | |
Ma et al. | PPG-based continuous BP waveform estimation using polarized attention-guided conditional adversarial learning model | |
CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 | |
CN116327133A (zh) | 一种多生理指标检测方法、装置及相关设备 | |
CN114869249B (zh) | 脉搏波特征参数的获取方法、装置、电子设备及介质 | |
CN116138756A (zh) | 基于人脸特征点检测的非接触式心率检测方法、系统及介质 | |
US20220211283A1 (en) | Methods for blood pressure calibration selection and modeling methods thereof | |
CN113974554A (zh) | 重搏波识别方法、装置、设备和计算机可读存储介质 | |
CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
US20220378380A1 (en) | Method and system for determining cardiovascular parameters | |
Georgieva-Tsaneva et al. | Cardio-diagnostic assisting computer system | |
CN115666376A (zh) | 用于高血压监测的系统和方法 | |
KR20220117876A (ko) | 혈관 액세스를 평가하기 위한 디바이스 및 방법 | |
Wang et al. | Segmentation of intravascular ultrasound images based on convex–concave adjustment in extreme regions |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220128 |