CN114027816A - 一种基于足底ipg信号的下肢缺血早期筛查设备 - Google Patents

一种基于足底ipg信号的下肢缺血早期筛查设备 Download PDF

Info

Publication number
CN114027816A
CN114027816A CN202111510792.3A CN202111510792A CN114027816A CN 114027816 A CN114027816 A CN 114027816A CN 202111510792 A CN202111510792 A CN 202111510792A CN 114027816 A CN114027816 A CN 114027816A
Authority
CN
China
Prior art keywords
ipg
signal
lower limb
sole
ipg signal
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
CN202111510792.3A
Other languages
English (en)
Inventor
马祖长
单姜一
许杨
高理升
孙怡宁
丁增辉
王辉
王涛
杨先军
陈焱焱
孙少明
周旭
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 Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
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 Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN202111510792.3A priority Critical patent/CN114027816A/zh
Publication of CN114027816A publication Critical patent/CN114027816A/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
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0535—Impedance plethysmography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0537—Measuring body composition by impedance, e.g. tissue hydration or fat content
    • 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
    • A61B5/48—Other medical applications
    • A61B5/4869—Determining body composition
    • 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
    • A61B5/725—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
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Hematology (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提出一种基于足底IPG信号的下肢缺血早期筛查设备，包括：信号感知模块，通信模块，人机交互设备，信息处理模块，数据存储模块和电源模块；所述的信号感知模块，配置为通过测量电极感测足底的IPG信号；所述的通信模块，配置为接收足部IPG信号，并将接收到的信号输入信号处理模块；所述的人机交互设备，包括选择、手动输入和显示功能，手动输入生理数据，并能显示被测对象基础信息、IPG信号和预测结果；所述的信号处理模块，包括处理器和存储器，所述存储器上存储有计算机可执行指令和训练好的下肢缺血预测模型；所述数据存储模块，能够存储被测对象的基础信息、IPG信号和下肢缺血预测结果；所述的电源模块，配置为向所述下肢缺血早期筛查设备供电。

Description

一种基于足底IPG信号的下肢缺血早期筛查设备
技术领域
本发明涉及医疗器械领域，具体来说是一种基于足底IPG(impedanceplethysmography)信号的下肢缺血早期筛查设备。
背景技术
下肢缺血是全身性动脉粥样硬化在肢体局部的表现。当动脉粥样硬化累及下肢动脉时会导致下肢供血动脉内膜增厚、管腔狭窄或闭塞，致使远端血流量减少或中断。当下肢动脉狭窄病变导致血管内径减小到50％甚至更小时，就会有较明显的下肢缺血症状发生，例如下肢间歇性跛行、皮温降低、静息性疼痛、甚至发生溃疡或坏死。据《下肢动脉硬化闭塞症诊治指南》数据显示，下肢动脉硬化闭塞发病率随年龄增长而上升，70岁以上人群的发病率在15％～20％。男性发病率略高于女性。
目前常用的下肢缺血检测方法包括有创伤性检测方法和无创伤性检测方法。
有创伤性下肢缺血检测方法中，动脉血管造影术是诊断下肢动脉缺血性疾病的“金标准”，但动脉血管造影术会对身体造成伤害，且有价格昂贵，可能引发并发症的弊端。
无创伤性下肢缺血检测方法包括测量踝肱指数(ABI)，测量趾肱指数(TBI)，测量经皮氧分压(PCTO2)、下肢动脉双功多普勒超声检查等，其中测量PCTO2、下肢动脉双功多普勒超声检查需要使用价格昂贵的专业设备，另外测量ABI、TBI、PCTO2时需要捆绑袖带，袖带充气时可能令老年人感到不适。
阻抗容积描记法是一种无创伤性检测方法，通过IPG信号反应的人体阻抗变化来描述人体的血流量变化。根据Nyboer-Kubicek公式使用血管阻抗测量动脉血管体积的变化量：
Figure BDA0003405267630000011
其中SV为血管容积变化量，ρ为血液电阻率，L为血管长度，Z为血管电阻抗，
Figure BDA0003405267630000012
为血管测量时间内阻抗最大值，ΔT为心脏射血持续时长。
图像分类技术是一种根据图像中信息所反映的特征对图像进行分类的技术，具体步骤包括：图像预处理，特征提取，特征向量化并构造特征空间，对图像进行分类。根据特征提取的方式可以将图像分类技术细分为传统图像分类和基于机器学习的图像分类技术。
传统图像分类所技术提取的特征具有明显的主观性，常常会错过一些潜在或抽象的特征，导致分类的效果一般。根据所选用的特征，常见的传统图像分类技术包括基于色彩特征的图像分类技术，基于纹理的图像分类技术，基于形状的图像分类技术和基于空间关系的图像分类技术。
基于机器学习的图像分类技术一般通过构建神经网络模型对图像进行自动特征学习。神经网络模型由人工神经元或节点构成，能够模仿动物的神经网络行为特征。当图像输入网络后，神经网络将通过人工神经元自动提取图像的特征，并通过不断的训练以及结果反馈确定神经网络各层的权重。通过神经网络各层的权重确定图像特征与类别之间的对应关系，最终实现图像分类。基于机器学习的图像分类技术常用的神经网络包括LeNet，AlexNet，ResNet等。
发明内容
本发明提供了一种基于足底IPG信号的下肢缺血早期筛查设备。利用阻抗容积描记法进行检测时无需捆绑袖带，测量过程快捷舒适，支持短时间内多次测量，且不会对被测对象的组织或血管造成损伤；获得的足底IPG信号波形稳定，避免了外界温度和被测对象的心理因素的影响，能够较好的反应出被测对象下肢缺血的情况。
通过构建神经网络模型的方式分析IPG信号波形特征，无需医护人员操作，节约人力；检测迅速，能够立刻得知测量结果；且神经网络能够自动提取波形中的各类特征，更好的找到波形特征与缺血程度之间的对应关系。本发明提出的下肢缺血早期筛查设备，能够避免使用袖带检测下肢缺血时造成的不适感，体积小，重量轻，价格便宜，准确度高且便于用户自测，大大提高了下肢缺血早期筛查的效率。
本发明为解决技术问题采用如下技术方案：
一种基于足底IPG信号的下肢缺血早期筛查设备，包括：信号感知模块，通信模块，人机交互设备，信息处理模块，数据存储模块和电源模块；
所述的信号感知模块，配置为通过测量电极感测足底的IPG信号；
所述的通信模块，配置为接收足底IPG信号，并将接收到的IPG信号输入信号处理模块；
所述的人机交互设备，连接到信息处理模块，用于传输控制指令和信息到信息处理模块，包括选择、手动输入和显示功能，用于选择开始或结束IPG信号采集，以及手动输入生理数据，包括性别、年龄、身高、体重、BMI信息；显示被测对象基础信息、IPG信号和预测结果；
所述的信息处理模块，包括处理器和存储器，所述存储器其上存储有计算机可执行指令和训练好的下肢缺血预测模型，所述处理器执行所述计算机可执行指令时，对接收到的足底IPG信号进行预处理并进行特征提取，将提取后的特征和生理数据导入训练好的下肢缺血预测模型进行分析预测，将预测结果输出到人机交互设备的界面进行展示；
所述的数据存储模块，配置为存储被测对象的基础信息、IPG信号和下肢缺血预测结果；
所述的电源模块，配置为向所述下肢缺血预测设备供电。
进一步的，所述的下肢缺血早期筛查设备中，所述的信号感知模块测量模式包括心电电极模式和体成分分析模式；
心电电极模式：被测对象平躺或坐于床上，脱去双脚鞋袜，测量电极与足底皮肤直接接触，感测被测对象足底的IPG信号；测量电极固定方式包括电极贴片、双面胶固定探头；
体成分分析模式：被测对象可赤脚或穿袜站立于体脂秤上，通过测量电极感测被测对象足底的IPG信号。
进一步的，所述的信号感知模块包括四个测量电极，包括：
两个激励电极，用于向被测对象发送频率在10千赫到100千赫之间强度小于2毫安的、被测对象无法感知到的微弱电流；
两个传感电极，用于提取被测对象身上的电压信号；
含有包括前置放大电路、检波解调电路、低通滤波电路、输出隔离电路及A/D转换电路的IPG信号预处理模块；
一个恒流电源，用于产生激励电流。
进一步的，所述的足底IPG信号，包括前脚掌IPG信号和脚跟IPG信号。
进一步的，所述的信号处理模块，对足底IPG信号进行预处理，包括：信号放大、检波解调、低通滤波、带通滤波、低通滤波和归一化处理。
1)获取足底IPG信号和生理数据，包括年龄、性别、身高、体重、BMI；
2)设置下肢缺血程度标签：正常、低危、中危、高危；
3)根据足底IPG信号、生理数据及下肢缺血程度标签，采用机器学习方法训练下肢缺血预测模型。
进一步的，所述结合机器学习方法训练下肢缺血预测模型，具体包括：
获取IPG信号和生理数据，根据IPG信号整体波形形态构建下肢缺血预测模型；
或，获取IPG信号和生理数据，根据预定义IPG特征构建下肢缺血预测模型。
进一步的，所述信号处理模块对足部IPG信号进行特征提取，提取得到的IPG特征包括IPG信号波形特征参数、IPG信号一阶导数、IPG信号二阶导数。
进一步的，所述的IPG信号波形特征参数包括：
脉动周期T，即一次完整脉动时间；
脉率HR，即容积脉搏波一分钟内周期性脉动次数；
峰值时间CT，即心肌收缩至速度最大值时间；
峰值比CTR，即心肌收缩至速度最大值所用时间，占整个脉动周期的时间比值；
峰-峰值时间PPT，即主波波峰与重搏波波峰或拐点时间差；
硬度指数SI，身高除以PPT，即反映脉搏波传导速度。
进一步的，所述的IPG信号波形一阶导特征参数包括：
射血分数ED，即一次射血所用时间占整个脉动周期时间比；
左心负荷指数SPTI，即心脏射血期幅值对时间的积分；
心内膜下心肌活力率SEVR，即舒张期面积与收缩期面积比值。
进一步的，所述的IPG信号波形二阶导特征参数(SDIPG)包括：
a点，即IPG信号二阶微分的最大值点，是收缩期早期正波(positive wave)的波峰；
b点，即IPG信号二阶微分的最小值点，是收缩期早期负波(negative wave)的波谷；
b/a，即b波幅值与a波幅值比。
与现有技术相比，本发明有益效果体现在：
本发明提供的下肢缺血早期筛查设备能够方便准确地评估使用者的下肢血液循环情况，及时对下肢缺血患者做出早期筛查。该设备：
(1)设计简单易操作。消除了操作人员偏差，也不需要经验丰富的操作者。
(2)便携。该设备的体积小，方便实时测评。
(3)实时、快速、普适性强。硬件技术简单，成本低，可以随时随地完成测评，便于大规模推广和人群普查。
(4)可与体重同步测量，具有较好的适应性、重复性和稳定性。
附图说明
图1为本发明下肢缺血早期筛查设备的结构框图；
图2(a)为本发明心电电极模式数据采集示意图；
图2(b)为本发明体成分分析模式数据采集示意图；
图3为本发明实施例中基于IPG信号和生理数据的下肢缺血预测模型的构建流程图；
图4为对IPG原始信号进行预处理的流程图；
图5(a)为IPG与其一阶导函数特征点、特征参数及其对应关系；
图5(b)为基于IPG一阶导函数波形特征点、特征参数；
图5(c)为基于IPG二阶导函数波形特征点、特征参数。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清晰，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。
为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。
为了更加准确和实时的对下肢缺血做出早期筛查，根据本申请实施例，提供一种基于足底IPG信号波形形态的下肢缺血早期筛查设备；
如图1所示，一种基于足底IPG信号的下肢缺血早期筛查设备100，包括信号感知模块110，通信模块120，人机交互设备130，信号处理模块140，数据存储模块150，电源模块160；
下肢缺血早期筛查设备100中，信号感知模块110通过IPG信号采集设备111采集被测对象IPG信号：
具体的，信号感知模块110测量模式包括心电电极模式和体成分分析模式。其中心电电极模式，其测量方式为被测对象平躺或坐于床上，脱去双脚鞋袜，测量电极与足底皮肤直接接触，感测被测对象足底的IPG信号，如图2(a)所示；其中体成分分析模式，其测量方式为被测对象赤脚或穿袜站立于体脂秤上，通过测量电极检测被测对象足底的IPG信号，如图2(b)所示。
下肢缺血早期筛查设备100中，通信模块120配置为接收信号感知模块110中IPG信号采集设备111采集到的原始IPG信号，并将接收到的信号传输到信号处理模块140中。
下肢缺血早期筛查设备100中，人机交互设备130支持手动输入生理数据，包括性别、年龄、身高、体重、BMI(Body Mass Index)等信息，并将这些生理数据传输到信号处理模块140中，同时人机交互设备130还可以显示用户下肢缺血程度预测信息，人机交互设备130可以通过曲线、表格、文本、图片等多种形式显示预处理后的IPG信号、下肢缺血风险等级以及下肢缺血预防及改善建议等信息。
下肢缺血早期筛查设备100中，信号处理模块140包括存储器和处理器，所述存储器上其上存储有计算机可执行指令和训练好的下肢缺血预测模型，所述处理器执行所述计算机可执行指令时，对足部IPG信号进行预处理和特征提取，将提取后的特征和生理数据导入训练好的下肢缺血预测模型进行分析预测，将预测结果输出到人机交互界面进行展示，所述处理器可选的为CPU或MCU，所述处理器通过执行相关指令依次完成以下步骤：
(1)对采集到的原始IPG信号做预处理，包括信号放大、检波解调、低通滤波、带通滤波、低通滤波和归一化；
(2)提取IPG整体波形形态特征，或提取预定义IPG特征参数，包括IPG波形特征参数及其一阶导、二阶导参数；
(3)接收操作人员通过人机交互界面输入的被测对象生理数据；
(4)将提取的IPG特征，结合生理数据输入训练好的下肢缺血预测模型；
(5)得到预测结果，并将预测结果传输给人机交互设备用于显示。
下肢缺血早期筛查设备100中，数据存储模块150配置为存储输入人机交互设备130的生理数据，以及人机交互设备130显示的预处理后的IPG波形、下肢缺血风险等级以及下肢缺血预防及改善建议等信息，可用于后续输出健康报告。
所述下肢缺血早期筛查设备还包括电源模块160，电源模块160配置为向下肢缺血早期筛查设备供电。
如图3所示，根据本发明的实施例，所述存储器中存储的训练好的下肢缺血预测模型是基于IPG信号和生理数据的构建得到的，具体包括以下步骤：
步骤S101、获取足部IPG信号和生理数据：
其中，获取原始IPG信号，具体包括通过心电电极模式获取和体成分分析模式获取。其中心电电极模式，其测量方式为被测对象平躺或坐于床上，脱去双脚鞋袜，测量电极与足底皮肤直接接触，感测被测对象足底的IPG信号；其中体成分分析模式，其测量方式为被测对象赤脚或穿袜站立于体脂秤上，通过测量电极检测被测对象足底的IPG信号。
步骤S102、根据临床诊断意见，设置下肢缺血早期筛查标签：正常、低危、中危、高危。
步骤S103、信号预处理：对采集的IPG信号进行信号放大、检波解调、低通滤波、带通滤波、低通滤波和归一化处理，如图4所示，具体包括如下子步骤：
S1031、对原始IPG信号进行信号放大。对前置放大器的基本要求是其输入阻抗远大于人体总阻抗，例如大于1000倍，从而确保阻抗测量的可靠性。
S1032、使用全波整流电路对高额调幅信号进行解调，用于检出随高频信号幅值变化的包络线，此即随阻抗变化的信号。
S1033、对阻抗变化信号进行低通滤波，使其中的高频载波信号受到抑制，仅保留随阻抗变化的信号。
S1034、对随阻抗变化的信号使用带通滤波器进行带通滤波，目的是滤除直流分量和高频杂波的干扰。
S1035、对带通滤波后得到的信号再次低通滤波，进一步过滤处理微分电路时引入的噪声。
S1036、对进行再次低通滤波后的信号进行归一化操作，将波形归一化到同一范围内。
步骤S104、IPG特征提取，其中包括：
1.将IPG整体波形作为输入，具体包括选择包含至少两个心跳周期的固定大小的IPG信号间隔作为处理窗口，以预定时间间隔(至少两个心跳周期)截取出合格且完整的IPG信号，裁剪IPG信号作为输入特征；
2.将预定义IPG特征作为输入，具体包括IPG波形特征参数及其一阶导特征参数、二阶导特征参数，如图5(a)所示，IPG波形特征参数至少包括：
1)脉动周期T，即一次完整脉动时间；
2)脉率HR＝60/T，即容积脉搏波一分钟内周期性脉动次数；
3)峰值时间CT，即心肌收缩至速度最大值时间；
4)峰值比CTR＝CT/T，即心肌收缩至速度最大值所用时间占整个脉动周期的时间比值；
5)峰-峰值时间PPT，即主波波峰与重搏波波峰(或拐点)时间差；
6)硬度指数SI＝H/PPT，即身高除以PPT。
如图5(b)所示,一阶导参数至少包括：
射血分数ED＝t1/T，即一次射血所用时间占整个脉动周期时间比；
左心负荷指数SPTI＝S1，即心脏射血期幅值对时间的积分；
心内膜下心肌活力率SEVR＝S2/S1，即舒张期面积与收缩期面积比值。
如图5(c)所示,二阶导参数至少包括：
1)a点，即IPG信号二阶微分的最大值点，是收缩期早期正波(positive wave)的波峰；
2)b点，即IPG信号二阶微分的最小值点，是收缩期早期负波(negative wave)的波谷；
3)b/a，即b波幅值与a波幅值之比。
步骤S105、模型训练及验证：将步骤S104所提取的特征和生理数据作为输入，选取机器学习方法(如决策树、随机森林、SVM、Adaboost、神经网络等)作为分类方法，在PC端编写程序，结合下肢缺血早期筛查标签进行有监督分类学习，训练模型参数并在测试集上验证。其中分类结果的划分应与风险标签一致：正常、低危、中危、高危。
另外程序语言包括但不限于Java、C、C++等。
步骤S106、下肢缺血预测模型移植：因为模型的训练过程花费时间长、计算量大，所以需要先在PC端进行模型训练，然后将训练好的模型移植到下肢缺血早期筛查设备的存储器中供CPU执行。例如，采用Python、Java等语言移植训练好的模型。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (11)

1.一种基于足底IPG信号的下肢缺血早期筛查设备，其特征在于，包括：信号感知模块，通信模块，人机交互设备，信息处理模块，数据存储模块和电源模块；
所述的信号感知模块，配置为通过测量电极感测足底的IPG信号；
所述的通信模块，配置为接收足底IPG信号，并将接收到的IPG信号输入信号处理模块；
所述的人机交互设备，连接到信息处理模块，用于传输控制指令和信息到信息处理模块，包括选择、手动输入和显示功能，用于选择开始或结束IPG信号采集，以及手动输入生理数据，包括性别、年龄、身高、体重、BMI信息；显示被测对象基础信息、IPG信号和预测结果；
所述的信息处理模块，包括处理器和存储器，所述存储器其上存储有计算机可执行指令和训练好的下肢缺血预测模型，所述处理器执行所述计算机可执行指令时，对接收到的足底IPG信号进行预处理并进行特征提取，将提取后的特征和生理数据导入训练好的下肢缺血预测模型进行分析预测，将预测结果输出到人机交互设备的界面进行展示；
所述的数据存储模块，配置为存储被测对象的基础信息、IPG信号和下肢缺血预测结果；
所述的电源模块，配置为向各个模块和人机交互设备供电。
2.根据权利要求1所述的基于足底IPG信号的下肢缺血早期筛查设备，其特征在于，所述的信号感知模块测量模式包括心电电极模式和体成分分析模式；
心电电极模式：被测对象平躺或采用坐坐姿，测量电极与足底皮肤直接接触，感测被测对象足底的IPG信号；测量电极固定方式包括电极贴片、双面胶固定探头；
体成分分析模式：被测对象站立于体脂秤上，通过测量电极感测被测对象足底的IPG信号。
3.根据权利要求1所述的基于足底IPG信号的下肢缺血早期筛查设备，其特征在于，所述的信号感知模块包括四个测量电极，进一步包括：
两个激励电极，用于向被测对象发送频率在10千赫到100千赫之间强度小于2毫安的、被测对象无法感知到的微弱电流；
两个传感电极，用于提取被测对象身上的电压信号；
含有包括前置放大电路、检波解调电路、低通滤波电路、输出隔离电路及A/D转换电路的IPG信号预处理模块；
一个恒流电源，用于产生激励电流。
4.根据权利要求1所述的基于足底IPG信号的下肢缺血早期筛查设备，其特征在于，所述的足底IPG信号，包括前脚掌IPG信号和脚跟IPG信号。
5.根据权利要求1所述的基于足底IPG信号的下肢缺血早期筛查设备，其特征在于，所述的信号处理模块，对足底IPG信号进行预处理，包括：信号放大、检波解调、低通滤波、带通滤波、低通滤波和归一化处理。
6.根据权利要求1所述的基于足底IPG信号的下肢缺血早期筛查设备，其特征在于，所述存储器中存储的下肢缺血预测模型，其是通过如下方式构建的：
1)获取足底IPG信号和生理数据，包括年龄、性别、身高、体重、BMI；
2)设置下肢缺血程度标签；
3)根据足底IPG信号、生理数据及下肢缺血程度标签，采用机器学习方法训练下肢缺血预测模型。
7.根据权利要求6所述的基于足底IPG信号的下肢缺血早期筛查设备，其特征在于，所述结合机器学习方法训练下肢缺血预测模型，具体包括：
获取IPG信号和生理数据，根据IPG信号整体波形形态构建下肢缺血预测模型；
或，获取IPG信号和生理数据，根据预定义的IPG特征构建下肢缺血预测模型。
8.根据权利要求1所述的基于足底IPG信号的下肢缺血早期筛查设备，其特征在于，所述信号处理模块对足部IPG信号进行特征提取，提取得到的IPG特征包括IPG信号波形特征参数、IPG信号一阶导数、IPG信号二阶导数。
9.根据权利要求8所述的基于足底IPG信号的下肢缺血早期筛查设备，其特征在于，所述的IPG信号波形特征参数包括：
脉动周期T，即一次完整脉动时间；
脉率HR，即容积脉搏波一分钟内周期性脉动次数；
峰值时间CT，即心肌收缩至速度最大值时间；
峰值比CTR，即心肌收缩至速度最大值所用时间，占整个脉动周期的时间比值；
峰-峰值时间PPT，即主波波峰与重搏波波峰或拐点时间差；
硬度指数SI，身高除以PPT，即反映脉搏波传导速度。
10.根据权利要求8所述的基于足底IPG信号的下肢缺血早期筛查设备，其特征在于，所述的IPG信号波形一阶导特征参数包括：
射血分数ED，即一次射血所用时间占整个脉动周期时间比；
左心负荷指数SPTI，即心脏射血期幅值对时间的积分；
心内膜下心肌活力率SEVR，即舒张期面积与收缩期面积比值。
11.根据权利要求8所述的基于足底IPG信号的下肢缺血早期筛查设备，其特征在于，所述的IPG信号波形二阶导特征参数包括：
a点，即IPG信号二阶微分的最大值点，是收缩期早期正波的波峰；
b点，即IPG信号二阶微分的最小值点，是收缩期早期负波的波谷；
b/a，即b波幅值与a波幅值比。
CN202111510792.3A 2021-12-10 2021-12-10 一种基于足底ipg信号的下肢缺血早期筛查设备 Pending CN114027816A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111510792.3A CN114027816A (zh) 2021-12-10 2021-12-10 一种基于足底ipg信号的下肢缺血早期筛查设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111510792.3A CN114027816A (zh) 2021-12-10 2021-12-10 一种基于足底ipg信号的下肢缺血早期筛查设备

Publications (1)

Publication Number Publication Date
CN114027816A true CN114027816A (zh) 2022-02-11

Family

ID=80140283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111510792.3A Pending CN114027816A (zh) 2021-12-10 2021-12-10 一种基于足底ipg信号的下肢缺血早期筛查设备

Country Status (1)

Country Link
CN (1) CN114027816A (zh)

Similar Documents

Publication Publication Date Title
US6188470B1 (en) Bioenergetic data collection apparatus
CN101357062B (zh) 基于容积脉搏波检测的生命体征参数测评装置
WO2017024457A1 (zh) 连续血压测量装置、测量模型建立方法和系统
CN108882869A (zh) 生物体信息分析装置、系统以及程序
CN105877723A (zh) 无创连续血压测量装置
Fan et al. Homecare-oriented intelligent long-term monitoring of blood pressure using electrocardiogram signals
Zhou et al. The noninvasive blood pressure measurement based on facial images processing
CN104000573A (zh) 基于体表两点脉搏波的中心动脉脉搏波监测系统及方法
CN113160921A (zh) 一种基于血流动力学的数字人体心血管系统的构建方法和应用
CN112274120B (zh) 一种基于单路脉搏波的无创动脉硬化检测方法、装置
CN102670184B (zh) 自助式心血管机能检测系统及其使用方法
CN115137319A (zh) 一种皮肤微血管内皮功能检测设备及其检测方法
CN113907727B (zh) 基于光电容积脉搏波描记的逐拍血压测量系统和方法
CN108430310A (zh) 评估血压测量结果的可靠性的方法和用于实施该方法的装置
CN104027097A (zh) 血管功能无创检测方法及装置
TWM473189U (zh) 動脈硬化簡易量測裝置
CN116392091A (zh) 基于单通道指端ppg的连续动脉血压波形检测系统及设备
CN114027816A (zh) 一种基于足底ipg信号的下肢缺血早期筛查设备
CN108364690A (zh) 一种多功能生命体征检测系统及其工作方法
Tian et al. A device employing a neural network for blood pressure estimation from the oscillatory pressure pulse wave and PPG signal
CN114176532A (zh) 一种测定cfPWV参数的临床验证方法及其应用系统
KR20210072998A (ko) 생체정보 추정 장치 및 방법
CN117292821B (zh) 一种基于知识图谱的辅助诊疗系统
Simmons et al. A computer program for the peripheral pulse wave∗
Wee et al. Design and Implementation of an Arduino-Based Body Temperature and Pulse Rate Monitoring System

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