CN114027810A - 含动脉硬化分级的血压计算模型生成方法及血压测量系统 - Google Patents
含动脉硬化分级的血压计算模型生成方法及血压测量系统 Download PDFInfo
- Publication number
- CN114027810A CN114027810A CN202110344254.5A CN202110344254A CN114027810A CN 114027810 A CN114027810 A CN 114027810A CN 202110344254 A CN202110344254 A CN 202110344254A CN 114027810 A CN114027810 A CN 114027810A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- ppg
- arteriosclerosis
- ecg
- model
- 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.)
- Granted
Links
- 206010003210 Arteriosclerosis Diseases 0.000 title claims abstract description 72
- 208000011775 arteriosclerosis disease Diseases 0.000 title claims abstract description 72
- 230000036772 blood pressure Effects 0.000 title claims abstract description 62
- 238000004364 calculation method Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 12
- 210000003423 ankle Anatomy 0.000 claims description 24
- 210000001367 artery Anatomy 0.000 claims description 24
- 210000002302 brachial artery Anatomy 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 210000003414 extremity Anatomy 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000003183 myoelectrical effect Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000010363 phase shift Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 2
- 201000001320 Atherosclerosis Diseases 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 101000785279 Dictyostelium discoideum Calcium-transporting ATPase PAT1 Proteins 0.000 description 1
- 101001129314 Dictyostelium discoideum Probable plasma membrane ATPase Proteins 0.000 description 1
- 101000779309 Homo sapiens Amyloid protein-binding protein 2 Proteins 0.000 description 1
- 101000713296 Homo sapiens Proton-coupled amino acid transporter 1 Proteins 0.000 description 1
- 101000713293 Homo sapiens Proton-coupled amino acid transporter 2 Proteins 0.000 description 1
- 102100036920 Proton-coupled amino acid transporter 1 Human genes 0.000 description 1
- 102100036919 Proton-coupled amino acid transporter 2 Human genes 0.000 description 1
- 206010040007 Sense of oppression Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
本发明涉及一种含动脉硬化分级的血压计算模型生成方法及血压测量系统,使用模型数据集合计算手指端PPG信号与动脉硬化程度级别对应关系,使用模型数据集合拟合其对应动脉硬化程度级别下血压计算模型的计算参数,获得分别对应六个动脉硬化程度级别的血压计算模型,通过PPG信号提取人体动脉血管硬化状态级别并用于校正血压计算模型,使血压计算模型具有针对不同动脉硬化分级的特定拟合特性,同时无需采集过多的额外数据信号或增加过多计算量,操作简单,客户体验度较佳。
Description
技术领域
本发明涉及生理数据采集装置技术领域,尤其涉及一种含动脉硬化分级的血压计算模型生成方法及血压测量系统。
背景技术
血压测量是一种常用的诊断手段,常用的充气式血压计技术成熟,但是测量过程较繁琐,非专业用户难以自行准确操作,且测量过程会对用户产生压迫不适感。
一种较好的替代方案是采用ECG以及PPG信号传感器进行血压测量,能够实现无创连续测量血压,且可以彻底摆脱充气式血压计必须的袖套等额外部件束缚。
目前无创连续测量血压的方法,通常采用预拟合的血压关于确定脉搏波传导时间(PAT)和心率(HR)的多元回归模型计算。由于血压和PAT受动脉硬化状态影响较大,因此单纯利用此模型,测量误差较大。
为了提高计算准确性,中国发明专利说明书CN110251105A公开了一种矫正方法,该方法将与血压相关的个性化信息如年龄、身高、体重、体重系数作为特征,与从PPG何ECG信号提取的特征共同输入预训练模型中,使用者不需要再另做矫正。但是,该方法训练模型输入量过多,模型较复杂,计算量大,占用较多的计算机资源,同时,测量过程中需要预先输入一些个性化信息,操作较复杂,客户体验度不够理想。
发明内容
为解决现有技术的不足,本发明提出一种含动脉硬化分级的血压计算模型生成方法及血压测量系统,使用PPG信号提取人体动脉血管硬化状态级别并用于校正血压计算模型,使血压计算模型具有针对不同动脉硬化分级的特定拟合方程,同时无需采集过多的额外数据信号或增加过多计算量,操作简单,客户体验度较佳。
为实现以上目的,本发明所采用的技术方案包括:
一种含动脉硬化分级的血压计算模型生成方法,其特征在于,包括:
依据医用监护系统常规将动脉硬化程度设定为等级1至等级6共六个级别;
针对六个动脉硬化程度级别分别选定数据采集的对象;
采集各对象手指端、肱动脉和踝动脉PPG信号以及ECG信号,获得分别对应六个动脉硬化程度级别的模型数据集合;
使用模型数据集合计算手指端PPG信号与动脉硬化程度级别对应关系;
使用模型数据集合拟合其对应动脉硬化程度级别下血压计算模型的计算参数,获得分别对应六个动脉硬化程度级别的血压计算模型。
进一步地,所述使用模型数据集合计算手指端PPG信号与动脉硬化程度级别对应关系包括:
以手指端PPG信号为输入数据、动脉硬化程度级别为输出数据训练获得神经网络预测模型;
使用训练获得的神经网络预测模型用于计算手指端PPG信号与动脉硬化程度级别对应关系。
进一步地,所述使用模型数据集合拟合其对应动脉硬化程度级别下血压计算模型的计算参数包括:
通过肱动脉和踝动脉PPG信号和ECG信号获得对象脉搏波到达肱动脉的时长和脉搏波到达踝动脉的时长,通过ECG信号提取对象心率值;
使用对象脉搏波到达肱动脉的时长、脉搏波到达踝动脉的时长和心率值拟合其对应的计算参数。
进一步地,所述计算模型遵循式I所示通式:
BPi=ai/PAT1 2+bi/PAT2 2+ci·HR+di 式I
其中,BP表示血压,PAT1为脉搏波到达肱动脉的时长,PAT2为脉搏波到达踝动脉的时长,下角标i表示动脉硬化程度级别,HR表示心率值,a、b、c、d为计算参数。
进一步地,所述通过肱动脉和踝动脉PPG信号和ECG信号获得对象脉搏波到达肱动脉的时长和脉搏波到达踝动脉的时长包括:
在相同的采样频率下,同步采集PPG信号和ECG信号;
使用零相移巴特沃兹带通滤波器滤除PPG信号和ECG信号中的肌电噪声和基线漂移;
提取对应PPG波峰时刻点以及ECG信号R波顶点;
PPG波峰时刻点与对应ECG信号R波顶点之差即为脉搏波到达时长。
进一步地,所述通过ECG信号提取对象心率值包括:
采集ECG信号;
使用零相移巴特沃兹带通滤波器滤除ECG信号中的肌电噪声和基线漂移;
提取ECG信号R波顶点;
计算一分钟内R波顶点的出现次数即为心率值。
进一步地,所述ECG信号包括肢体导联ECG信号。
本发明还涉及一种血压测量系统,其特征在于,包括:
ECG采集模块,用于采集用户ECG信号;
PPG采集模块,用于采集用户PPG信号;
特征提取模块,用于通过ECG信号和PPG信号获取心率值和脉搏波到达时长;
动脉硬化预测模块,使用训练获得的神经网络预测模型计算PPG信号对应的动脉硬化程度级别;
血压测量模块,使用心率值和脉搏波到达时长根据动脉硬化程度级别对应的计算模型计算获得用户血压。
进一步地,所述ECG采集模块和PPG采集模块工作在相同的采样频率。
进一步地,所述PPG采集模块采集用户的手指端、肱动脉和踝动脉PPG信号,所述ECG采集模块采集用户的肢体导联ECG信号。
本发明的有益效果为:
采用本发明所述含动脉硬化分级的血压计算模型生成方法及血压测量系统,通过动脉血管硬化状态和心率来矫正血压测量值,使用训练得到的模型关联PPG信号与动脉血管硬化状态等级,只需要PPG一个参数作为模型输入值,计算过程简便;利用同步采集得到的PPG与ECG信号,PPG波峰与对应ECG信号R波波峰时间差能够用于提取特征脉搏到达时间(PAT),结合不同等级动脉血管硬化状态下建立各自对应的血压关于特征脉搏到达时间(PAT)和心率(HR)的二元回归模型,以此来矫正计算结果,模型计算简单,计算量小,所需的矫正参数全部通过PPG和ECG计算得出,不需要人工输入,简化了操作过程。
附图说明
图1为本发明含动脉硬化分级的血压计算模型生成方法流程示意图。
图2为本发明含动脉硬化分级的血压计算模型生成系统结构示意图。
图3为使用本发明生成血压计算模型的血压测量方法流程示意图。
图4为同步采集得到的PPG与ECG信号示意图。
具体实施方式
为了更清楚的理解本发明的内容,将结合附图和实施例详细说明。
本发明第一方面提供了一种流程如图1所示的含动脉硬化分级的血压计算模型生成方法,包括以下步骤:
设定动脉硬化程度的级别,优选的,依据医用监护系统常规将动脉硬化程度设定为等级1至等级6共六个级别,能够更好的对应于实际医用监护使用;
针对六个动脉硬化程度级别分别选定数据采集的对象,特别是应尽可能均匀采集每个硬化等级对象的PPG数据;
采集各对象手指端、肱动脉和踝动脉PPG信号以及ECG信号,获得分别对应六个动脉硬化程度级别的模型数据集合,特别是采用相同的采样频率同步采集PPG信号和ECG信号(如图4所示),并使用零相移巴特沃兹带通滤波器滤除PPG信号和ECG信号中的肌电噪声和基线漂移,并通过肱动脉和踝动脉PPG信号和ECG信号获得对象脉搏波到达肱动脉的时长和脉搏波到达踝动脉的时长;
使用模型数据集合计算手指端PPG信号与动脉硬化程度级别对应关系,特别是以手指端PPG信号为输入数据、动脉硬化程度级别为输出数据训练获得神经网络预测模型,并使用训练获得的神经网络预测模型用于计算手指端PPG信号与动脉硬化程度级别对应关系,在为用户进行血压测量时,可以通过使用训练获得的神经网络预测模型首先计算器动脉硬化程度级别,从而辅助校正后续计算血压过程;
使用模型数据集合拟合其对应动脉硬化程度级别下血压计算模型的计算参数,获得分别对应六个动脉硬化程度级别的血压计算模型,特别是,对应六个动脉硬化程度级别的血压计算模型均优选的遵循式I所示通式:
BPi=ai/PAT1 2+bi/PAT2 2+ci·HR+di 式I
其中,BP表示血压,PAT1为脉搏波到达肱动脉的时长,PAT2为脉搏波到达踝动脉的时长,下角标i表示动脉硬化程度级别,HR表示心率值,a、b、c、d为计算参数。对应不同动脉硬化程度级别,分别计算得到对应的计算参数后即可获得一组带有动脉硬化程度级别影响校正的血压计算模型,同时最终所得血压还包含了心率数值影响,测量结果更加精确。虽然本发明所得血压计算模型在血压计算过程中引入了额外的动脉硬化程度级别预测环节,但预测所使用为单输入神经网络模型,输入值为PPG信号,可以在测量血压时同步采集,不会对操作造成负担,且血压计算模型为二元回归模型,计算量小,不需要附加的人工输入参数参与,使用简便、计算效率高。
本发明第二方面涉及一种结构如图2所示的血压测量系统,该系统利用上述方法生成的血压测量模型(模型组)进行精确的血压测量,主要包括以下功能模块:
ECG采集模块,用于采集用户ECG信号,特别是获取肢体导联ECG信号;
PPG采集模块,用于采集用户PPG信号,根据模型计算至少需要采集用户的手指端、肱动脉和踝动脉PPG信号,且PPG采集模块与ECG采集模块工作在相同的采样频率,同步采集数据;
特征提取模块,用于通过ECG信号和PPG信号获取心率值和脉搏波到达时长,特别是包括脉搏波到达肱动脉的时长和脉搏波到达踝动脉所用时长;
动脉硬化预测模块,使用训练获得的神经网络预测模型计算PPG信号对应的动脉硬化程度级别;
血压测量模块,使用心率值和脉搏波到达时长根据动脉硬化程度级别对应的计算模型计算获得用户的连续血压值。
所述的血压测量系统在硬件上可以选用常规的PPG采集传感器、ECG采集单导电极等部件构成,且部件之间的数据传输可采用任意适合的常规数据传输协议进行,结合使用上述方法获得的血压测量模型进行计算的设备及软件执行血压计算任务。
使用本发明所述方法生成的血压计算模型进行血压测量的具体步骤如图3所示,主要分为脉搏波到达时间(PAT)与心率(HR)计算、动脉硬化级别预测和血压计算三个部分。首先,采用相同的采样频率同步采集用户的ECG信号、踝动脉和肱动脉PPG信号以及手指端PPG信号;对于脉搏波到达时间(PAT)与心率(HR)计算部分,将ECG信号、踝动脉和肱动脉PPG信号经巴特沃兹零相移滤波器处理滤除信号中肌电噪声和基线漂移,再提取滤波后ECG信号的R波波峰时间点以及PPG波峰时间点(如图4所示样例),并由ECG信号的R波波峰时间点和PPG波峰时间点计算脉搏波到达肱动脉和踝动脉时间(PAT1、PAT2)以及心率(HR);对于动脉硬化级别预测部分,使用手指端PPG信号带入预先训练获得的神经网络预测模型,从而获得用户的动脉硬化程度级别,在血压计算过程中,调用对应用户动脉硬化程度级别的特定血压计算模型进行计算从而将用户动脉硬化程度级别因素纳入,获得更加精确的血压值。
以上所述仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换等都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (10)
1.一种含动脉硬化分级的血压计算模型生成方法,其特征在于,包括:
依据医用监护系统常规将动脉硬化程度设定为等级1至等级6共六个级别;
针对六个动脉硬化程度级别分别选定数据采集的对象;
采集各对象手指端、肱动脉和踝动脉PPG信号以及ECG信号,获得分别对应六个动脉硬化程度级别的模型数据集合;
使用模型数据集合计算手指端PPG信号与动脉硬化程度级别对应关系;
使用模型数据集合拟合其对应动脉硬化程度级别下血压计算模型的计算参数,获得分别对应六个动脉硬化程度级别的血压计算模型。
2.如权利要求1所述的方法,其特征在于,所述使用模型数据集合计算手指端PPG信号与动脉硬化程度级别对应关系包括:
以手指端PPG信号为输入数据、动脉硬化程度级别为输出数据训练获得神经网络预测模型;
使用训练获得的神经网络预测模型用于计算手指端PPG信号与动脉硬化程度级别对应关系。
3.如权利要求1所述的方法,其特征在于,所述使用模型数据集合拟合其对应动脉硬化程度级别下血压计算模型的计算参数包括:
通过肱动脉和踝动脉PPG信号和ECG信号获得对象脉搏波到达肱动脉的时长和脉搏波到达踝动脉的时长,通过ECG信号提取对象心率值;
使用对象脉搏波到达肱动脉的时长、脉搏波到达踝动脉的时长和心率值拟合其对应的计算参数。
4.如权利要求3所述的方法,其特征在于,所述计算模型遵循式I所示通式:
BPi=ai/PAT1 2+bi/PAT2 2+ci·HR+di 式I
其中,BP表示血压,PAT1为脉搏波到达肱动脉的时长,PAT2为脉搏波到达踝动脉的时长,下角标i表示动脉硬化程度级别,HR表示心率值,a、b、c、d为计算参数。
5.如权利要求3所述的方法,其特征在于,所述通过肱动脉和踝动脉PPG信号和ECG信号获得对象脉搏波到达肱动脉的时长和脉搏波到达踝动脉的时长包括:
在相同的采样频率下,同步采集PPG信号和ECG信号;
使用零相移巴特沃兹带通滤波器滤除PPG信号和ECG信号中的肌电噪声和基线漂移;
提取对应PPG波峰时刻点以及ECG信号R波顶点;
PPG波峰时刻点与对应ECG信号R波顶点之差即为脉搏波到达时长。
6.如权利要求3所述的方法,其特征在于,所述通过ECG信号提取对象心率值包括:
采集ECG信号;
使用零相移巴特沃兹带通滤波器滤除ECG信号中的肌电噪声和基线漂移;
提取ECG信号R波顶点;
计算一分钟内R波顶点的出现次数即为心率值。
7.如权利要求1至6任一项所述的方法,其特征在于,所述ECG信号包括肢体导联ECG信号。
8.一种血压测量系统,其特征在于,包括:
ECG采集模块,用于采集用户ECG信号;
PPG采集模块,用于采集用户PPG信号;
特征提取模块,用于通过ECG信号和PPG信号获取心率值和脉搏波到达时长;
动脉硬化预测模块,使用训练获得的神经网络预测模型计算PPG信号对应的动脉硬化程度级别;
血压测量模块,使用心率值和脉搏波到达时长根据动脉硬化程度级别对应的计算模型计算获得用户血压。
9.如权利要求8所述的系统,其特征在于,所述ECG采集模块和PPG采集模块工作在相同的采样频率。
10.如权利要求8所述的系统,其特征在于,所述PPG采集模块采集用户的手指端、肱动脉和踝动脉PPG信号,所述ECG采集模块采集用户的肢体导联ECG信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344254.5A CN114027810B (zh) | 2021-03-31 | 2021-03-31 | 含动脉硬化分级的血压计算模型生成方法及血压测量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344254.5A CN114027810B (zh) | 2021-03-31 | 2021-03-31 | 含动脉硬化分级的血压计算模型生成方法及血压测量系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114027810A true CN114027810A (zh) | 2022-02-11 |
CN114027810B CN114027810B (zh) | 2024-03-26 |
Family
ID=80134255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110344254.5A Active CN114027810B (zh) | 2021-03-31 | 2021-03-31 | 含动脉硬化分级的血压计算模型生成方法及血压测量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114027810B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100755236B1 (ko) * | 2006-04-27 | 2007-09-11 | 서울산업대학교 산학협력단 | 생체정보 검출 시스템 |
CN105943005A (zh) * | 2016-06-01 | 2016-09-21 | 合肥芯福传感器技术有限公司 | 基于光电绿光脉搏与心电图混合的无创血压检测方法 |
CN106691406A (zh) * | 2017-01-05 | 2017-05-24 | 大连理工大学 | 一种基于单探头光电容积脉搏波的血管弹性和血压的检测方法 |
CN107106055A (zh) * | 2015-12-03 | 2017-08-29 | 华为技术有限公司 | 一种血压测量方法及装置 |
CN109157204A (zh) * | 2018-08-07 | 2019-01-08 | 四川智琢科技有限责任公司 | 一种无袖带式腕部动脉血压测量方法及系统 |
CN112040846A (zh) * | 2018-04-23 | 2020-12-04 | 赢创运营有限公司 | 基于光电体积描记(ppg)信号估计血压和动脉硬化度的方法 |
CN112274120A (zh) * | 2020-10-28 | 2021-01-29 | 河北工业大学 | 一种基于单路脉搏波的无创动脉硬化检测方法、装置 |
CN112450899A (zh) * | 2020-12-04 | 2021-03-09 | 中科心感(南京)医疗电子科技有限公司 | 一种自校准连续血压测量装置和方法 |
-
2021
- 2021-03-31 CN CN202110344254.5A patent/CN114027810B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100755236B1 (ko) * | 2006-04-27 | 2007-09-11 | 서울산업대학교 산학협력단 | 생체정보 검출 시스템 |
CN107106055A (zh) * | 2015-12-03 | 2017-08-29 | 华为技术有限公司 | 一种血压测量方法及装置 |
CN105943005A (zh) * | 2016-06-01 | 2016-09-21 | 合肥芯福传感器技术有限公司 | 基于光电绿光脉搏与心电图混合的无创血压检测方法 |
CN106691406A (zh) * | 2017-01-05 | 2017-05-24 | 大连理工大学 | 一种基于单探头光电容积脉搏波的血管弹性和血压的检测方法 |
CN112040846A (zh) * | 2018-04-23 | 2020-12-04 | 赢创运营有限公司 | 基于光电体积描记(ppg)信号估计血压和动脉硬化度的方法 |
CN109157204A (zh) * | 2018-08-07 | 2019-01-08 | 四川智琢科技有限责任公司 | 一种无袖带式腕部动脉血压测量方法及系统 |
CN112274120A (zh) * | 2020-10-28 | 2021-01-29 | 河北工业大学 | 一种基于单路脉搏波的无创动脉硬化检测方法、装置 |
CN112450899A (zh) * | 2020-12-04 | 2021-03-09 | 中科心感(南京)医疗电子科技有限公司 | 一种自校准连续血压测量装置和方法 |
Non-Patent Citations (1)
Title |
---|
MALIKEH POUR EBRAHIM, ET AL: ""Blood pressure estimation Using on-body continuous Wave Radar and photoplethysmogram in Various posture and exercise conditions", 《SCIENTIFIC REPORTS》, vol. 9, no. 1, pages 16346 - 1 * |
Also Published As
Publication number | Publication date |
---|---|
CN114027810B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101210828B1 (ko) | 다중 생체 신호 측정을 이용하여 손목혈압의 정확도를 향상시키는 방법 및 장치 | |
US20120157791A1 (en) | Adaptive time domain filtering for improved blood pressure estimation | |
CN109512412B (zh) | 一种中心动脉血压测量装置 | |
CN105832289A (zh) | 用于使用希尔伯特变换估计生物生理速率的设备和方法 | |
CN104706348A (zh) | 一种多模式连续血压测量装置及其自标定方法 | |
CN110141196B (zh) | 基于双三角血流模型的外周动脉血管弹性评价系统 | |
EP3295868A1 (en) | Blood pressure calculation method based on pulse reflected wave transit time, and blood pressure meter | |
CN102499658B (zh) | 中心血压波形重建模型及重建方法 | |
EP3133985B1 (en) | A method and a device for non invasive blood pressure measurement | |
US20060184055A1 (en) | Method and system for determination of pulse rate | |
CN204542117U (zh) | 一种多模式连续血压测量装置 | |
EP3292813A1 (en) | Method and device for processing bio-signals | |
CN106618504A (zh) | 一种具备自适应校准的高准确度连续无创血压测量装置 | |
CN107785081A (zh) | 计算中心血流动力学指标的方法、装置、存储介质及设备 | |
CN114145724A (zh) | 基于ecg和ppg多生理特征参数动态监测血压的方法 | |
CN111493855A (zh) | 个体化心输出量的无创测量系统与方法 | |
CN111166306A (zh) | 生理信号采集方法及计算机设备、存储介质 | |
CN104042200B (zh) | 一种逐拍动脉血压的无创监测装置及其方法 | |
CN108523868A (zh) | 用于血压测量的自校准系统和方法 | |
CN203524655U (zh) | 测量脉搏波和血压的装置 | |
CN111345801A (zh) | 一种基于粒子滤波的人体逐拍心率测量装置及方法 | |
CN114027810A (zh) | 含动脉硬化分级的血压计算模型生成方法及血压测量系统 | |
CN116269269A (zh) | 具有数据质量评估功能的连续血压测量仪、系统及方法 | |
CN210095711U (zh) | 一种无创连续血压测量设备 | |
CN113100735B (zh) | 一种基于静脉血流图的血栓检测装置及方法 |
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 |