CN114027804A - 一种脉象诊断的方法、装置及可读存储介质 - Google Patents
一种脉象诊断的方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN114027804A CN114027804A CN202111460782.3A CN202111460782A CN114027804A CN 114027804 A CN114027804 A CN 114027804A CN 202111460782 A CN202111460782 A CN 202111460782A CN 114027804 A CN114027804 A CN 114027804A
- Authority
- CN
- China
- Prior art keywords
- pulse
- feature
- signal
- feature vector
- pulse wave
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 238000013136 deep learning model Methods 0.000 claims abstract description 25
- 239000008280 blood Substances 0.000 claims abstract description 12
- 210000004369 blood Anatomy 0.000 claims abstract description 12
- 230000001360 synchronised effect Effects 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 10
- 230000002861 ventricular Effects 0.000 claims abstract description 8
- 230000004089 microcirculation Effects 0.000 claims abstract description 7
- 230000007704 transition Effects 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 8
- 230000000747 cardiac effect Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 230000003183 myoelectrical effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 210000001765 aortic valve Anatomy 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000003775 Density Functional Theory Methods 0.000 description 2
- 230000004872 arterial blood pressure Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008407 joint function Effects 0.000 description 2
- 210000002321 radial artery Anatomy 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 1
- 230000002336 repolarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000011282 treatment 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
-
- 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
- A61B5/02—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
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- 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]
-
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Abstract
本申请公开了一种脉象诊断的方法、装置及可读存储介质,用以解决现有技术中脉象诊断方法准确性不足的问题。该方法包括:获取脉象数据,其中,所述脉象数据指示,同一时间范围内采集到的同步脉搏波信号以及心电信号;针对所述脉搏波信号提取第一脉搏特征,针对所述心电信号提取第一心电特征;其中,所述第一脉搏特征指示体表血液微循环的特征;所述第一心电特征指示人体心室活动的特征;使用深度学习模型,确定所述第一脉搏特征与所述第一心电特征对应的目标特征向量,并确定所述目标特征向量对应的脉象类别。
Description
技术领域
本申请涉及脉象诊断领域,尤其涉及一种脉象诊断的方法、装置及可读存储介质。
背景技术
伴随着算法时代的来临,中医领域的技术人员开始尝试将算法应用在诊断治疗中,包括诊脉。现有技术中使用传统机器学习方法,对脉象特征进行分类,从而达到诊断患者病情的目的。这种方法往无法挖掘脉象深层特征。并且,提取脉象特征是通过使用压力传感器测量桡动脉寸关尺脉象完成的。在压力传感器定位桡动脉寸关尺的过程中,容易定位错位。
因此,现有技术中,脉象诊断的方法存在着准确性不足的问题。
发明内容
本发明申请提供一种脉象诊断的方法、装置及可读存储介质,用以解决现有技术中脉象诊断方法准确性不足的问题。
第一方面,本申请提供一种脉象诊断的方法,所述方法包括:
获取脉象数据,其中,所述脉象数据指示,同一时间范围内采集到的同步脉搏波信号以及心电信号;
针对所述脉搏波信号提取第一脉搏特征,针对所述心电信号提取第一心电特征;其中,所述第一脉搏特征指示体表血液微循环的特征;所述第一心电特征指示人体心室活动的特征;
使用深度学习模型,确定所述第一脉搏特征与所述第一心电特征对应的目标特征向量,并确定所述目标特征向量对应的脉象类别;其中,所述深度学习模型包括,在所述同一时间范围内,所述第一脉搏特征、第一心电特征、目标特征向量之间的关系规则,和所述目标特征向量与脉象类别之间的关系规则,所述脉象类别指示人体的身体状态。
本申请实施例中,通过提取第一脉搏特征以及第一心电特征,并利用深度学习模型对所有特征进行分析,基于分析结果得出最终的脉象类别;提高了脉象诊断的准确性。
一种可能的实施方式,所述目标特征向量中元素与所述脉象类别一一对应;则所述确定所述目标特征向量对应的脉象类别,包括:
确定所述目标特征向量中值属于预设取值范围的第一元素;
基于所述目标特征向量中元素与所述脉象类别的一一对应关系,确定所述第一元素所指示的脉象类别并输出。
一种可能的实施方式,所述针对所述脉搏波信号提取第一脉搏特征,针对所述心电信号提取第一心电特征之前,包括:
针对所述脉搏波信号以及心电信号去除噪声,得到第一脉搏波信号以及第一心电信号;
则所述针对所述脉搏波信号提取第一脉搏特征,针对所述心电信号提取第一心电特征,包括:
针对所述第一脉搏波信号提取第一脉搏特征,针对所述第一心电信号提取第一心电特征。
上述操作针对脉搏波信号以及心电信号去除噪声,使提取到的第一脉搏特征以及第一心电特征更加准确。
一种可能的实施方式,所述噪声包括肌电干扰、基线漂移,则所述针对所述脉搏波信号以及心电信号去除噪声,得到第一脉搏波信号以及第一心电信号,包括:
基于集合经验模态分解法,去除所述脉搏波信号以及心电信号中的肌电干扰,得到过渡脉搏波信号以及过渡心电信号;
基于带通滤波器,去除所述过渡脉搏波信号以及所述过渡心电信号中的工频干扰,得到所述第一脉搏波信号以及第一心电信号。
一种可能的实施方式,所述第一脉搏特征包括所述脉搏波信号的时间域特征、高斯特征、频域特征或者时-频特征中的至少一项。
一种可能的实施方式,所述第一心电特征包括所述心电信号的脉冲到达时间。
上述操作通过引入心电信号的脉冲到达时间,使提取到的特征数量更加丰富,进而促使深度学习模型针对特征进行分析后。所确定的脉象类别更加准确。
一种可能的实施方式,所述深度学习模型为Transformer模型和多层感知分类器模型,则所述使用深度学习模型,确定所述第一脉搏特征与所述第一心电特征对应的目标特征向量,并确定所述目标特征向量对应的脉象类别,包括:
将所述脉搏波信号以及心电信号输入Transformer模型,基于注意力机制提取第二脉搏特征以及第二心电特征;其中,所述第二脉搏特征指示所述脉搏波信号的时间序列特征,所述第二心电特征指示所述心电信号的时间序列特征;所述时间序列特征指示信号波的形状以及轮廓;
分别将所述第一脉搏特征和所述第二脉搏波特征,以及将所述第一心电特征和所述第二心电特征,在Transformer模型中拼接,得到第三脉搏特征向量以及第三心电特征向量;
基于注意力机制融合所述第三脉搏特征向量以及第三心电特征向量,得到所述目标特征向量;
根据多层感知分类器中的设置规则,针对所述目标特征向量中的元素加权,得到算术特征向量;
确定所述算数特征向量中值属于预设取值范围的第二元素;
基于所述算数特征向量中元素与所述脉象类别的一一对应关系,确定所述第二元素所指示的脉象类别并输出。
第二方面,本申请提供一种脉象诊断的装置,所述装置包括:
获取单元:用于获取脉象数据,其中,所述脉象数据指示,同一时间范围内采集到的同步脉搏波信号以及心电信号;
提取单元:用于针对所述脉搏波信号提取第一脉搏特征,针对所述心电信号提取第一心电特征;其中,所述第一脉搏特征指示体表血液微循环的特征;所述第一心电特征指示人体心室活动的特征;
确定单元:用于使用深度学习模型,确定所述第一脉搏特征与所述第一心电特征对应的目标特征向量,并确定所述目标特征向量对应的脉象类别;其中,所述深度学习模型包括,在所述同一时间范围内,所述第一脉搏特征、第一心电特征、目标特征向量之间的关系规则,和所述目标特征向量与脉象类别之间的关系规则,所述脉象类别指示人体的身体状态。
一种可能的实施方法,所述目标特征向量中元素与所述脉象类别一一对应;则所述确定单元具体用于,确定所述目标特征向量中值属于预设取值范围的第一元素;基于所述目标特征向量中元素与所述脉象类别的一一对应关系,确定所述第一元素所指示的脉象类别并输出。
一种可能的实施方式,所述装置还包括去噪单元,具体用于针对所述脉搏波信号以及心电信号去除噪声,得到第一脉搏波信号以及第一心电信号;
则所述提取单元具体用于针对所述第一脉搏波信号提取第一脉搏特征,针对所述第一心电信号提取第一心电特征。
一种可能的实施方式,所述去噪单元还用于基于集合经验模态分解法,去除所述脉搏波信号以及心电信号中的肌电干扰,得到过渡脉搏波信号以及过渡心电信号;基于带通滤波器,去除所述过渡脉搏波信号以及所述过渡心电信号中的工频干扰,得到中间脉搏波信号以及中间心电信号;基于滑动窗口法,消除所述中间脉搏波信号以及中间心电信号中基线漂移,得到所述第一脉搏波信号以及第一心电信号。
一种可能的实施方式是,所述第一脉搏特征包括所述脉搏波信号的时间域特征、高斯特征、频域特征或者时-频特征中的至少一项。
一种可能的实施方式,所述第一心电特征包括所述心电信号的脉冲到达时间。
一种可能的实施方式,所述深度学习模型为Transformer模型和多层感知分类器模型,则所述确定单元还用于,将所述脉搏波信号以及心电信号输入Transformer模型,基于注意力机制提取第二脉搏特征以及第二心电特征;其中,所述第二脉搏特征指示所述脉搏波信号的时间序列特征,所述第二心电特征指示所述心电信号的时间序列特征;所述时间序列特征指示信号波的形状以及轮廓;分别将所述第一脉搏特征和所述第二脉搏波特征,以及将所述第一心电特征和所述第二心电特征,在Transformer模型中拼接,得到第三脉搏特征向量以及第三心电特征向量;基于注意力机制融合所述第三脉搏特征向量以及第三心电特征向量,得到所述目标特征向量;根据多层感知分类器中的设置规则,针对所述目标特征向量中的元素加权,得到算术特征向量;确定所述算数特征向量中值属于预设取值范围的第二元素;基于所述算数特征向量中元素与所述脉象类别的一一对应关系,确定所述第二元素所指示的脉象类别并输出。
第三方面,本申请提供一种可读存储介质,包括,
存储器,
所述存储器用于存储指令,当所述指令被处理器执行时,使得包括所述可读存储介质的装置完成如第一方面及任一种可能的实施方式所述的方法。
附图说明
图1为本申请提供的一种脉象诊断的方法的流程图;
图2为本申请提供的一种PPG信号的幅度-时间图;
图3为本申请提供的一种针对PPG信号幅度-时间差分,所得的时间-PPG信号一阶导幅度图;
图4为本身请提供的一种针对PPG信号进行高斯拟合的示意图;
图5为本申请提供的一种针对PPG信号进行高斯拟合后的分峰示意图;
图6为本申请提供的一种PPG信号的频谱示意图;
图7为本申请提供的一种针对PPG信号进行短时傅里叶变换的时频示意图;
图8为本申请提供的一种ECG信号的脉冲到达时间示意图;
图9为本申请提供的一种针对ECG信号使用典型模型分析的示意图;
图10为本申请提供的一种使用Transformer模型以及MLP分类器进行脉象分类的示意图;
图11为本申请提供的一种脉象诊断的装置的结构示意图。
具体实施方式
为了解决现有技术中,针对脉象分类准确度低的问题,本申请提供一种脉象诊断的方法:针对脉搏波信号(PPG),以及与PPG同步的心电信号(ECG)提取特征,在深度学习模型中与该深度学习模型提取到的特征进行融合后脉象分类,提高了脉象分类的准确性。
以下针对本申请中使用的术语进行介绍:
集合经验模态分解(EEMD):一种叠加高斯白噪声的多次经验模式分解方法,利用了高斯白噪声具有频率均匀分布的统计特性,通过每次加入同等幅值的不同白噪声来改变信号的极值点特性,之后对多次EMD得到的相应的信号分量(IMF)进行总体平均来抵消加入的白噪声,从而有效抑制模态混叠的产生。
经验模态分解(EMD):一种将信号的主要分量先提取出来,然后再提取其他低频部分分量的一种新的主成分分析方法。EMD的目的是将组成原始信号的各尺度分量不断从高频到低频进行提取,则分解得到的特征模态函数顺序是按频率由高到低进行排列的,即首先得到最高频的分量,然后是次高频的,最终得到一个频率接近为0的残余分量。而针对不断进行分解的信号而言,能量大的高频分量总是代表了原信号的主要特性,是最主要的组成分量。但是这种从高频到低频提取信号分量的方法,容易出现模态混叠现象。
时频联合域分析(Joint Time-Frequency Analysis,JTFA):是指设计时间和频率的联合函数,用它同时描述信号在不同时间和频率的能量密度或强度。时间和频率的这种联合函数简称为时频分布。利用时频分布来分析信号,能给出各个时刻的瞬时频率及其幅值,并且能够进行时频滤波和时变信号研究。时频联合域分析包括短时傅立叶变换,小波变换等方法。
快速傅里叶变换(Fast Fourier Transform,FFT):一种快速处理离散型傅里叶变换(DFT)的数字信号处理方法。用于把原始的N点序列,依次分解成一系列的短序列。充分利用DFT计算式中指数因子所具有的对称性质和周期性质,进而求出这些短序列相应的DFT并进行适当组合,达到删除重复计算,减少乘法运算和简化结构的目的。
Transformer模型:该模型是一种深度学习模型,在时间序列应用方面,其提出了全新的位置编码(Positional encoding)机制来捕获输入数据间的时间序列信息。其原理是将不同频率的正弦和余弦函数作为“位置编码”添加到归一化之后的输入序列中,使得Transformer模型中的多头注意力机制能够充分捕获维度更为丰富的时间序列信息。
多层感知器(MLP,Multilayer Perceptron)分类器:一种可以求解各个层之间连接权重以及偏置最优参数的神经网络。在MLP分类器中可以首先随机初始化所有参数,然后迭代地训练,不断地计算梯度和更新参数,直到满足某个条件为止(比如误差足够小、迭代次数足够多时),从而获取最佳参数。
请参考图1,为本申请提供的一种脉象诊断的方法,该方法可以包括以下实现步骤:
步骤101:获取脉象数据,其中,所述脉象数据包括,同一时间范围内采集到的同步脉搏波信号以及心电信号。
使用能够实时采集脉象数据的设备,获取脉象中的脉搏波信号(PPG),以及与PPG同步的心电信号(ECG)。具体地,实时采集脉象数据的设备可以是智能手环,智能手表等,可以靠近手腕,基于光电原理采集脉象数据的设备。
步骤102:针对所述脉搏波信号提取第一脉搏特征,针对所述心电信号提取第一心电特征。
其中,所述第一脉搏特征指示体表血液微循环的特征;所述第一心电特征指示人体心室活动的特征。
为了提取到的特征更加准确,避免噪声的影响。因此,在提取第一脉搏特征以及第一心电特征之前,需要针对脉搏波信号以及心电信号去除噪声。
其中,噪声包括肌电干扰、工频干扰和基线漂移。因此,本申请实施例中首先针对脉搏波信号以及心电信号去除肌电干扰,得到过渡脉搏波信号以及过渡心电信号;再使用带通滤波器,去除脉搏波信号以及心电信号中的工频干扰,得到中间脉搏波信号以及中间心电信号;最后针对中间脉搏波信号以及中间心电信号去除基线漂移的影响,得到第一脉搏波信号以及第一心电信号。
肌电干扰是指,采样频率过高所导致的PPG信号或者ECG信号杂音,在PGG信号或者ECG信号图谱上呈现出密集毛刺样。针对肌电干扰,使用EEMD或EMD对PPG信号或者ECG信号进行处理,得到过渡脉搏波信号(过渡PPG信号)以及过渡心电信号(过渡ECG信号)。优选EEMD,这样可以避免EMD产生的模态混叠对PPG信号的不利影响。
工频干扰是指,电力系统对PPG信号或者ECG信号干扰。针对过渡脉搏波信号以及过渡心电信号,使用滤波器进行滤波处理,以去除工频干扰的影响。优选地,基于带通滤波器可以保留低频波以及高频波,而工频干扰的频率通常为50Hz,因此使用带通滤波器去除工频干扰。
基线漂移是指,肌肉轻微颤动造成的,频率在0.05Hz-2Hz之间的微弱低频干扰。针对基线漂移,本申请提供两种可实施方式:
一、使用RC滤波器或者形态学滤波器,将中间脉搏波信号和中间心电信号中的低频噪音过滤掉,确定第一脉搏波信号以及第一心电信号。
二、针对这一类噪音所导致的信号偏移基线,采用滑动窗口算法并设置阈值,使中间脉搏波信号和中间心电信号重新回落到基线,从而确定第一脉搏波信号以及第一心电信号。
上述第二种实施方式以线性映射的方式使中间脉搏波信号和中间心电信号重新回落到基线,避免了信号失真的情况出现,故第二种实施方式为优选的实施方式。
在针对所述脉搏波信号以及心电信号去除噪声,得到第一脉搏波信号以及第一心电信号之后,可以进行特征提取。即针对所述第一脉搏波信号提取第一脉搏特征,针对所述第一心电信号提取第一心电特征。
其中,第一脉搏特征包括时间域特征、高斯特征、频域特征以及时-频特征。第二心电特征包括心电信号的脉冲到达时间。以下分别针对脉搏波信号以及心电信号的特征提取进行描述。
一、针对第一脉搏波信号提取特征
脉搏波信号具有周期性的特点,因此可以针对第一脉搏波信号的特征提取包括时域特征、频域特征、高斯特征、时-频特征。
(1)在提取时域特征时,首先确定PPG信号幅度-时间图的特征点,包括起点(主波谷)、第一最大值(主波峰)、第二最大值(次波峰)、第二最小值(次波谷)、终点(主波谷)。需要说明的是,波峰、波谷分别表示周期内,PPG信号幅度最高和最低的点。接着,就可以提取PPG信号中特征点的幅度、时间、不同特征点之间的时间差、相对高度以及面积比例作为时域特征。
通过图2可以分析,位于B点时,动脉中贮存的血液最多,产生的动脉血管压力也最大,其幅值的大小反映了心脏在收缩时的输血能力。C点所在的次波谷称作降中峡,其出现在主动脉瓣关闭的瞬间。主动脉瓣关闭时,动脉血压会骤降,而如果被测者的主动瓣脉功能异常,则对应的波形中,会出现降中峡幅值较正常人位置更低下。因此,降中峡幅值可以作为判断心脏功能是否正常的参数之一。D点的波峰称作重搏波,当心脏开始舒张时,血液回流心脏,而随着主动脉瓣的突然关闭,回流的血液会冲击在主动脉瓣上产生回流波,使得动脉中的血压数值再度升高,形成重搏波,若重搏波波形明显,则说明了被测者主动脉瓣功能正常,血管的张力与弹性较好。t1和t2分别对应的上升支和下降支两个阶段,这两个阶段的斜率大小也一定程度上反映了人体健康状况。同时脉搏波波形的面积S也是一个有效的特征参数,由于老年人的血管壁弹性较低,所以老年人的脉搏波波形一般比年轻人更为平缓,相应的脉搏波波形的面积S也会更大。
使用编程方法,优选地是Matlab编程法,针对第一PPG信号数据求一阶差分,得到PPG信号所对应的一阶导数的信号。针对PPG信号求一阶差分得到的图像提取特征,可以确定幅度-时间图中特征点发生变化的速率作为特征点。例如,图3为针对图2中一个周期的PPG信号求一阶差分,所得到的时间-PPG信号一阶导幅度图。提取特征点为f,g,h,i,j,k。其中,f点对应图1中的A到B点之间斜率最大的点,表示幅值上升速度最快的点;g点对应图2中的B点,表示幅值的峰值点(主波峰);h点对应图1中B点到C点斜率(负数)最小的点,表示幅值下降速度最快的点。
(2)提取高斯特征时,使用2个高斯函数针对PPG信号幅度-时间图拟合,分别提取两个子波,确定两个子波的峰值振幅,峰值位置和峰半宽。如图4所示,为一个PPG信号,图5为针对图4中PPG信息使用高斯函数进行拟合所得到的子波特征图,其中,峰值振幅为H1、H2,峰值位置为X1、X2,峰半宽为W1、W2。
(3)提取频域特征时,使用快速傅里叶变换可以得到PPG信号的频谱分布图,频谱分布图中的最大值,对应PPG信号图的主波峰。进一步地,可以提取2个峰值最大的谐波分量f1、f2,则可以分别确定主波、2个谐波对应的幅度P0、P1、P2,相位Phase0、Phase1、Phase2,各谐波与基频幅值比R1、R2,各谐波上升斜率S1、S2,其中上升斜率由峰值前一个点做差分运算得到。
如图6所示,为基于图2所做的频谱分布图,在单边频谱图中,第1个主波峰f0为心脏在收缩和舒张过程中振动所致,f0的频率在1Hz左右。当血液流出心脏其冲击在肝脏的器官壁上发生共振效应,谐波f1出现。各器官在得到心脏的振动能量后,自身振动进而输出血液循环中的血液与营养,谐波f1得以继续传递,进而产生2次谐波f2。各谐波自身的幅值、频率以及其与基频的对比值可以反映出人体脉搏中的生理状态信息,同时脉搏波频谱图还反映了各频率下脉搏血液的能量。
(4)提取时频特征时,使用短时傅立叶变换针对PPG信号进行时频联合域分析,确定PPG信号频率随时间的变化情况。短时傅立叶变换公式如下所示:
其中,z(t)为PPG信号,g(t)为窗函数。
根据上述短时傅里叶变换公式可以得到时频分布图,进而计算出平均功率、主波峰区域对应的第一平均功率与平均功率的比值以及次波峰区域对应的第二平均功率与平均功率的比值,作为频域特征。
如图7所示,为使用Matlab针对图2中PPG信号进行短时傅立叶变换所得到的时频图。
计算PPG信号的平均功率pall,并针对图2PPG波形中,C点和A点区域内的平均功率p1以及E点和C点区域内的平均功率p2,并计算其与总的平均功率之间的比值p1/pall、p1/pall。
二、针对第一心电信号提取特征
由于心电信号具有随机性,时间域特征、高斯特征、频域特征以及时-频特征不能反映心电信号的特征,因此针对与ppg信号同步的ECG信号使用典型模型进行分析,确定ECG信号的脉冲到达时间(PAT)。
PAT=ECGpeak-PPGD-max
ECGpeak为通过滑动窗口定位的ECG信号的峰值,PPGD-max为通过一阶向前差分得到的PPG信号上升沿具有最大梯度的点,如图8所示,为本申请提供的一种ECG信号的脉冲到达时间示意图。
针对脉冲到达时间内的ECG信号使用典型模型进行分析可以得到,“P波”表示心房除极过程;“P-R间期”又称P-Q间期表示的是除极过程经过心房、心室的全部时间;“U波”表示在T波之后的正向小圆波;“QT间期”表示心室活动;“T波”表示心室的复极波;“ST-T”表示心室复极全程,如图9所示。
针对上述第一脉搏特征以及第一心电特征的提取方式,在上述实例中第一脉搏特征以及第一心电特征所包括的特征点、特征点的位置以及特征点对应的特征参数名称如表1,表2所示:
表1:PPG信号与ECG信号的特殊位置点
表2:PPG信号与ECG信号的特征参数
步骤103:使用深度学习模型,确定所述第一脉搏特征与所述第一心电特征对应的目标特征向量,并确定所述目标特征向量对应的脉象类别。
其中,所述深度学习模型包括,在所述同一时间范围内,所述第一脉搏特征、第一心电特征、目标特征向量之间的关系规则,和所述目标特征向量与脉象类别之间的关系规则,所述脉象类别指示人体的身体状态。
首先,确定所述目标特征向量中值属于预设取值范围的第一元素。然后,基于所述目标特征向量中元素与所述脉象类别的一一对应关系,确定所述第一元素所指示的脉象类别并输出。其中,脉象类别可以是浮、芤、散、沉、浮、滑、涩、动、弦、紧、牢、革、弱、濡、微、虚、实、大、洪、细、长、短、迟、缓、数、疾、结代、促中的一种。
具体地,Transformer模型是指,一种基于注意力来编码输入和计算输出的模型。
首先,使用Transformer模型,将脉搏波信号以及心电信号输入Transformer模型,基于注意力机制提取第二脉搏特征以及第二心电特征;其中,所述第二脉搏特征指示所述脉搏波信号的时间序列特征,所述第二心电特征指示所述心电信号的时间序列特征;所述时间序列特征指示信号波的形状以及轮廓。然后,分别将所述第一脉搏特征和所述第二脉搏波特征,以及将所述第一心电特征和所述第二心电特征,在Transformer模型中拼接,得到第三脉搏特征向量以及第三心电特征向量。然后基于注意力机制融合所述第三脉搏特征向量以及第三心电特征向量,得到所述目标特征向量。进一步地,根据多层感知分类器中的设置规则,针对所述目标特征向量中的元素加权,得到算术特征向量。确定所述算数特征向量中值属于预设取值范围的第二元素;基于所述算数特征向量中元素与所述脉象类别的一一对应关系,确定所述第二元素所指示的脉象类别并输出。
如图10所示,为使用Transformer模型以及MLP分类器进行脉象分类的示意图。由图10可知,Transformer模型包括Transformer特征提取网络和Transformer特征融合网络。通过Transformer特征提取网络可以直接提取脉搏波信号以及心电信号的第三特征。具体地,首先将所述脉搏波信号以及心电信号输入Transformer模型,然后基于注意力机制提取第二脉搏特征以及第二心电特征;其中,所述第二脉搏特征指示所述脉搏波信号的时间序列特征,所述第二心电特征指示所述心电信号的时间序列特征;所述时间序列特征指示信号波的形状以及轮廓。
进一步地,在Transformer特征提取网络中,分别将所述第一脉搏特征和所述第二脉搏波特征,以及将所述第一心电特征和所述第二心电特征,在Transformer模型中拼接,得到第三脉搏特征向量以及第三心电特征向量。
接着基于注意力机制融合所述第三脉搏特征向量以及第三心电特征向量,得到所述目标特征向量。
然后,将目标特征向量输入多层感知分类器。根据多层感知分类器中的设置规则,针对所述目标特征向量中的元素加权,得到算术特征向量;确定所述算数特征向量中值属于预设取值范围的第二元素;基于所述算数特征向量中元素与所述脉象类别的一一对应关系,确定所述第二元素所指示的脉象类别并输出。
基于同一发明构思,本申请实施例中提供一种脉象诊断的装置,该装置与前述图1所示脉象诊断的方法对应,该装置的具体实施方式可参见前述方法实施例部分的描述,重复之处不再赘述,参见图11,该装置包括:
获取单元1101:用于获取脉象数据,其中,所述脉象数据指示,同一时间范围内采集到的同步脉搏波信号以及心电信号。
具体的,使用智能手环等可以靠近手腕的设备,基于光电原理采集脉搏波信号(PPG),以及与PPG同步的心电信号(ECG)。
提取单元1102:用于针对所述脉搏波信号提取第一脉搏特征,针对所述心电信号提取第一心电特征;其中,所述第一脉搏特征指示体表血液微循环的特征;所述第一心电特征指示人体心室活动的特征。
所述脉象诊断的装置还包括去噪单元,具体用于针对所述脉搏波信号以及心电信号去除噪声,得到第一脉搏波信号以及第一心电信号。
则提取单元具体用于针对所述第一脉搏波信号提取第一脉搏特征,针对所述第一心电信号提取第一心电特征。
其中,所述第一脉搏特征包括所述脉搏波信号的时间域特征、高斯特征、频域特征或者时-频特征中的至少一项。所述第一心电特征包括所述心电信号的脉冲到达时间。
所述去噪单元还用于基于集合经验模态分解法,去除所述脉搏波信号以及心电信号中的肌电干扰,得到过渡脉搏波信号以及过渡心电信号;基于带通滤波器,去除所述过渡脉搏波信号以及所述过渡心电信号中的工频干扰,得到中间脉搏波信号以及中间心电信号;基于滑动窗口法,消除所述中间脉搏波信号以及中间心电信号中基线漂移,得到所述第一脉搏波信号以及第一心电信号。
确定单元1103:用于使用深度学习模型,确定所述第一脉搏特征与所述第一心电特征对应的目标特征向量,并确定所述目标特征向量对应的脉象类别;其中,所述深度学习模型包括,在所述同一时间范围内,所述第一脉搏特征、第一心电特征、目标特征向量之间的关系规则,和所述目标特征向量与脉象类别之间的关系规则,所述脉象类别指示人体的身体状态。
具体地,所述目标特征向量中元素与所述脉象类别一一对应;则确定单元1103具体用于确定所述目标特征向量中值属于预设取值范围的第一元素;基于所述目标特征向量中元素与所述脉象类别的一一对应关系,确定所述第一元素所指示的脉象类别并输出。
所述深度学习模型为Transformer模型和多层感知分类器模型,则确定单元1103还用于,将所述脉搏波信号以及心电信号输入Transformer模型,基于注意力机制提取第二脉搏特征以及第二心电特征;其中,所述第二脉搏特征指示所述脉搏波信号的时间序列特征,所述第二心电特征指示所述心电信号的时间序列特征;所述时间序列特征指示信号波的形状以及轮廓;分别将所述第一脉搏特征和所述第二脉搏波特征,以及将所述第一心电特征和所述第二心电特征,在Transformer模型中拼接,得到第三脉搏特征向量以及第三心电特征向量;基于注意力机制融合所述第三脉搏特征向量以及第三心电特征向量,得到所述目标特征向量;根据多层感知分类器中的设置规则,针对所述目标特征向量中的元素加权,得到算术特征向量;确定所述算数特征向量中值属于预设取值范围的第二元素;基于所述算数特征向量中元素与所述脉象类别的一一对应关系,确定所述第二元素所指示的脉象类别并输出。
基于同一发明构思,本申请实施例还提供一种可读存储介质,包括:
存储器,
所述存储器用于存储指令,当所述指令被处理器执行时,使得包括所述可读存储介质的装置完成如上所述的脉象诊断的方法。
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,仅以上述各功能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模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,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。
所述集成的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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:通用串行总线闪存盘(Universal Serial Bus flash disk)、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种脉象诊断的方法,其特征在于,所述方法包括:
获取脉象数据,其中,所述脉象数据指示,同一时间范围内采集到的同步脉搏波信号以及心电信号;
针对所述脉搏波信号提取第一脉搏特征,针对所述心电信号提取第一心电特征;其中,所述第一脉搏特征指示体表血液微循环的特征;所述第一心电特征指示人体心室活动的特征;
使用深度学习模型,确定所述第一脉搏特征与所述第一心电特征对应的目标特征向量,并确定所述目标特征向量对应的脉象类别;其中,所述深度学习模型包括,在所述同一时间范围内,所述第一脉搏特征、第一心电特征、目标特征向量之间的关系规则,和所述目标特征向量与脉象类别之间的关系规则,所述脉象类别指示人体的身体状态。
2.如权利要求1所述的方法,其特征在于,所述目标特征向量中元素与所述脉象类别一一对应;则所述确定所述目标特征向量对应的脉象类别,包括:
确定所述目标特征向量中值属于预设取值范围的第一元素;
基于所述目标特征向量中元素与所述脉象类别的一一对应关系,确定所述第一元素所指示的脉象类别并输出。
3.如权利要求2所述的方法,其特征在于,所述针对所述脉搏波信号提取第一脉搏特征,针对所述心电信号提取第一心电特征之前,包括:
针对所述脉搏波信号以及心电信号去除噪声,得到第一脉搏波信号以及第一心电信号;
则所述针对所述脉搏波信号提取第一脉搏特征,针对所述心电信号提取第一心电特征,包括:
针对所述第一脉搏波信号提取第一脉搏特征,针对所述第一心电信号提取第一心电特征。
4.如权利要求3所述的方法,其特征在于,所述噪声包括肌电干扰、工频干扰、基线漂移,则所述针对所述脉搏波信号以及心电信号去除噪声,得到第一脉搏波信号以及第一心电信号,包括:
基于集合经验模态分解法,去除所述脉搏波信号以及心电信号中的肌电干扰,得到过渡脉搏波信号以及过渡心电信号;
基于带通滤波器,去除所述过渡脉搏波信号以及所述过渡心电信号中的工频干扰,得到中间脉搏波信号以及中间心电信号;
基于滑动窗口法,消除所述中间脉搏波信号以及中间心电信号中基线漂移,得到所述第一脉搏波信号以及第一心电信号。
5.如权利要求2~4任一项所述的方法,其特征在于,所述第一脉搏特征包括所述脉搏波信号的时间域特征、高斯特征、频域特征或者时-频特征中的至少一项。
6.如权利要求5所述的方法,其特征在于,所述第一心电特征包括所述心电信号的脉冲到达时间。
7.如权利要求6所述的方法,其特征在于,所述深度学习模型为Transformer模型和多层感知分类器模型,则所述使用深度学习模型,确定所述第一脉搏特征与所述第一心电特征对应的目标特征向量,并确定所述目标特征向量对应的脉象类别,包括:
将所述脉搏波信号以及心电信号输入Transformer模型,基于注意力机制提取第二脉搏特征以及第二心电特征;其中,所述第二脉搏特征指示所述脉搏波信号的时间序列特征,所述第二心电特征指示所述心电信号的时间序列特征;所述时间序列特征指示信号波的形状随时间变化的特征;
分别将所述第一脉搏特征和所述第二脉搏波特征,以及将所述第一心电特征和所述第二心电特征,在Transformer模型中拼接,得到第三脉搏特征向量以及第三心电特征向量;
基于注意力机制融合所述第三脉搏特征向量以及第三心电特征向量,得到所述目标特征向量;
根据多层感知分类器中的设置规则,针对所述目标特征向量中的元素加权,得到算术特征向量;
确定所述算数特征向量中值属于预设取值范围的第二元素;
基于所述算数特征向量中元素与所述脉象类别的一一对应关系,确定所述第二元素所指示的脉象类别并输出。
8.一种脉象诊断的装置,其特征在于,所述装置包括:
获取单元:用于获取脉象数据,其中,所述脉象数据指示,同一时间范围内采集到的同步脉搏波信号以及心电信号;
提取单元:用于针对所述脉搏波信号提取第一脉搏特征,针对所述心电信号提取第一心电特征;其中,所述第一脉搏特征指示体表血液微循环的特征;所述第一心电特征指示人体心室活动的特征;
确定单元:用于使用深度学习模型,确定所述第一脉搏特征与所述第一心电特征对应的目标特征向量,并确定所述目标特征向量对应的脉象类别;其中,所述深度学习模型包括,在所述同一时间范围内,所述第一脉搏特征、第一心电特征、目标特征向量之间的关系规则,和所述目标特征向量与脉象类别之间的关系规则,所述脉象类别指示人体的身体状态。
9.如权利要求8所述的装置,其特征在于,所述装置还包括去噪单元,具体用于针对所述脉搏波信号以及心电信号去除噪声,得到第一脉搏波信号以及第一心电信号;
则所述提取单元具体用于针对所述第一脉搏波信号提取第一脉搏特征,针对所述第一心电信号提取第一心电特征。
10.一种可读存储介质,其特征在于,包括,
存储器,
所述存储器用于存储指令,当所述指令被处理器执行时,使得包括所述可读存储介质的装置完成如权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111460782.3A CN114027804A (zh) | 2021-12-03 | 2021-12-03 | 一种脉象诊断的方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111460782.3A CN114027804A (zh) | 2021-12-03 | 2021-12-03 | 一种脉象诊断的方法、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114027804A true CN114027804A (zh) | 2022-02-11 |
Family
ID=80146167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111460782.3A Pending CN114027804A (zh) | 2021-12-03 | 2021-12-03 | 一种脉象诊断的方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114027804A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115040089A (zh) * | 2022-08-16 | 2022-09-13 | 之江实验室 | 一种基于深度学习的脉搏波峰值检测与分类的方法和装置 |
CN115381412A (zh) * | 2022-09-23 | 2022-11-25 | 广东省新黄埔中医药联合创新研究院 | 脉搏波阵列信号包络图结合时域信号识别弦脉特征的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104799814A (zh) * | 2015-02-04 | 2015-07-29 | 牛欣 | 气虚、血虚状态量化测量方法与装置 |
CN108836281A (zh) * | 2018-06-28 | 2018-11-20 | 中国科学院微电子研究所 | 用于脉搏特征参数采集的系统 |
KR20190129342A (ko) * | 2018-05-10 | 2019-11-20 | (주)에이치피케이 | 인공지능 기반 맥진측정장치 및 상기 장치에서의 맥진측정방법 |
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 |
CN112869716A (zh) * | 2021-02-23 | 2021-06-01 | 佛山科学技术学院 | 一种基于双通道卷积神经网络的脉搏特征识别系统及方法 |
CN113069091A (zh) * | 2021-03-29 | 2021-07-06 | 南京邮电大学 | 一种ppg信号的脉象分类装置及方法 |
CN113208573A (zh) * | 2021-04-21 | 2021-08-06 | 北京雪扬科技有限公司 | 一种支持ppg+ecg功能的可穿戴设备 |
CN113576438A (zh) * | 2021-09-03 | 2021-11-02 | 广东工业大学 | 一种非侵入式血压提取方法和系统 |
-
2021
- 2021-12-03 CN CN202111460782.3A patent/CN114027804A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104799814A (zh) * | 2015-02-04 | 2015-07-29 | 牛欣 | 气虚、血虚状态量化测量方法与装置 |
KR20190129342A (ko) * | 2018-05-10 | 2019-11-20 | (주)에이치피케이 | 인공지능 기반 맥진측정장치 및 상기 장치에서의 맥진측정방법 |
CN108836281A (zh) * | 2018-06-28 | 2018-11-20 | 中国科学院微电子研究所 | 用于脉搏特征参数采集的系统 |
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 |
CN112869716A (zh) * | 2021-02-23 | 2021-06-01 | 佛山科学技术学院 | 一种基于双通道卷积神经网络的脉搏特征识别系统及方法 |
CN113069091A (zh) * | 2021-03-29 | 2021-07-06 | 南京邮电大学 | 一种ppg信号的脉象分类装置及方法 |
CN113208573A (zh) * | 2021-04-21 | 2021-08-06 | 北京雪扬科技有限公司 | 一种支持ppg+ecg功能的可穿戴设备 |
CN113576438A (zh) * | 2021-09-03 | 2021-11-02 | 广东工业大学 | 一种非侵入式血压提取方法和系统 |
Non-Patent Citations (2)
Title |
---|
刘状;李鑫;霍旭阳;: "基于MSP430的可穿戴式心率检测设备的研制", 医疗卫生装备, no. 11 * |
胡文锐: "基于深度学习的心电脉搏特征识别与应用", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, no. 8, pages 062 - 5 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115040089A (zh) * | 2022-08-16 | 2022-09-13 | 之江实验室 | 一种基于深度学习的脉搏波峰值检测与分类的方法和装置 |
CN115381412A (zh) * | 2022-09-23 | 2022-11-25 | 广东省新黄埔中医药联合创新研究院 | 脉搏波阵列信号包络图结合时域信号识别弦脉特征的方法 |
CN115381412B (zh) * | 2022-09-23 | 2023-07-14 | 广东省新黄埔中医药联合创新研究院 | 脉搏波阵列信号包络图结合时域信号识别弦脉特征的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Heart sound classification based on scaled spectrogram and partial least squares regression | |
Gupta et al. | Chaos theory and ARTFA: emerging tools for interpreting ECG signals to diagnose cardiac arrhythmias | |
Chua et al. | Application of higher order statistics/spectra in biomedical signals—A review | |
Abibullaev et al. | A new QRS detection method using wavelets and artificial neural networks | |
Gupta et al. | Efficient R-peak detection in electrocardiogram signal based on features extracted using Hilbert transform and Burg method | |
Chanwimalueang et al. | Enabling R-peak detection in wearable ECG: Combining matched filtering and Hilbert transform | |
Guo et al. | Analysis and recognition of traditional Chinese medicine pulse based on the hilbert-huang transform and random forest in patients with coronary heart disease | |
CN109907752A (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统 | |
EP3479758B1 (en) | System and method for breathing pattern extraction from ppg signals | |
Banerjee et al. | PhotoECG: Photoplethysmographyto estimate ECG parameters | |
CN114027804A (zh) | 一种脉象诊断的方法、装置及可读存储介质 | |
Raghu | Arrhythmia detection based on hybrid features of T-wave in electrocardiogram | |
Nouira et al. | A Robust R Peak Detection Algorithm Using Wavelet Transform for Heart Rate Variability Studies. | |
Chin et al. | Bayesian real-time QRS complex detector for healthcare system | |
Fedotov et al. | Effective QRS-detector based on Hilbert transform and adaptive thresholding | |
Mansourian et al. | Novel QRS detection based on the adaptive improved permutation entropy | |
Elbuni et al. | ECG parameter extraction algorithm using (DWTAE) algorithm | |
Vuksanovic et al. | Analysis of human electrocardiogram for biometric recognition using analytic and ar modeling extracted parameters | |
Moukadem et al. | Localization of heart sounds based on S-transform and radial basis function neural network | |
Everson et al. | BioTranslator: inferring R-peaks from ambulatory wrist-worn PPG signal | |
Sathawane et al. | Prediction and analysis of ECG signal behaviour using soft computing | |
Sanamdikar et al. | Extraction of different features of ECG signal for detection of cardiac arrhythmias by using wavelet transformation Db 6 | |
Gad | Feature extraction of electrocardiogram signals using discrete sinc transform | |
Franchevska et al. | The Method and Algorithm for Detecting the Fetal ECG Signal in the Presence of Interference | |
Khandait et al. | ECG signal processing using classifier to analyses cardiovascular disease |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220915 Address after: No.8, yangyandong 1st Road, Yanqi Economic Development Zone, Huairou District, Beijing Applicant after: Beijing Institute of Nanoenergy and Nanosystems Address before: 325000 Zhejiang Wenzhou Longwan District Jin Lian Road, double innovation world 2 building. Applicant before: Kosi Technology (Wenzhou) Research Institute |
|
TA01 | Transfer of patent application right |