CN114052681B - 一种基于心电判读系统的血压监测方法及系统 - Google Patents
一种基于心电判读系统的血压监测方法及系统 Download PDFInfo
- Publication number
- CN114052681B CN114052681B CN202111390534.6A CN202111390534A CN114052681B CN 114052681 B CN114052681 B CN 114052681B CN 202111390534 A CN202111390534 A CN 202111390534A CN 114052681 B CN114052681 B CN 114052681B
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- crowd
- pulse wave
- sample data
- volume pulse
- 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
- 230000036772 blood pressure Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 44
- 206010003119 arrhythmia Diseases 0.000 claims abstract description 28
- 230000006793 arrhythmia Effects 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000013186 photoplethysmography Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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]
- A61B5/33—Heart-related electrical modalities, e.g. electrocardiography [ECG] specially adapted for cooperation with other devices
-
- 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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
Abstract
本发明公开了一种基于心电判读系统的血压监测方法及系统，通过将个体信息、质量过关的光电容积脉搏波信号和心电信号，以及提取得到的特征参数组合作为样本数据，并将对应的真实血压数据作为样本标签，得到训练样本数据集，并将训练样本数据集分为健康人群训练样本数据集以及心律失常人群训练样本数据集，依据两种不同的训练样本数据集生成健康人群血压测量模型和心律失常人群血压测量模型，最后依据心电判读系统识别出两种不同的人群，能够将不同的人群采用不同的血压测量模型进行测量，从而实现不同人群采用不同的方式进行血压测量，进而能够反映用户真实的血压数据，提高血压测量的准确率。
Description
技术领域
本发明涉及血压监测技术领域，尤其涉及一种基于心电判读系统的血压监测方法及系统。
背景技术
心血管疾病作为目前最难以治愈的疾病之一，它对人们的健康威胁与日俱增，心血管疾病导致的死亡率占据人群死亡率前列，而高血压是引起心血管疾病的主要风险因素，因此，为了能够有效预防心血管疾病，现有技术一般会通过监测用户的血压数据，通过监测血压数据，能够及时了解用户是否存在高血压的状态，从而有效预防心血管疾病，然而，现有技术对于血压数据的监测不能针对不同的人群进行不同的监测，从而不能反映真实的血压数据，导致准确率不高。
发明内容
有鉴于此，本发明提出一种基于心电判读系统的血压监测方法及系统，可以解决现有血压数据监测所存在的不能反映真实血压数据导致准确性不高的缺陷。
本发明的技术方案是这样实现的：
一种基于心电判读系统的血压监测方法，具体包括以下步骤：
步骤S1，预先采集光电容积脉搏波信号和心电信号，以及与所述光电容积脉搏波信号和心电信号相对应的真实血压数据和个体信息；
步骤S2，对所述光电容积脉搏波信号和心电信号进行预处理，得到质量过关的光电容积脉搏波信号和心电信号；
步骤S3，依据所述质量过关的光电容积脉搏波信号和心电信号进行特征提取，得到特征参数；
步骤S4，将个体信息、质量过关的光电容积脉搏波信号和心电信号，以及提取得到的特征参数组合作为样本数据，并将对应的真实血压数据作为样本标签，得到训练样本数据集；
步骤S5，将训练样本数据集分为健康人群训练样本数据集以及心律失常人群训练样本数据集；
步骤S6，依据所述健康人群训练样本数据集进行训练，得到健康人群血压测量模型；
步骤S7，依据心律失常人群训练样本数据集和所述健康人群血压测量模型，得到心律失常人群血压测量模型；
步骤S8，依据心电判读系统、健康人群血压测量模型和心律失常人群血压测量模型对用户进行测量，从而实现血压的监测。
作为所述基于心电判读系统的血压监测方法的进一步可选方案，所述步骤S2中的预处理包括去噪处理和过滤处理。
作为所述基于心电判读系统的血压监测方法的进一步可选方案，所述去噪处理具体包括以下步骤：
步骤S21，去除光电容积脉搏波信号和心电信号的基线漂移、工频干扰和高频噪声；
步骤S22，对去除基线漂移、工频干扰和高频噪声的光电容积脉搏波信号和心电信号按心拍进行分割。
作为所述基于心电判读系统的血压监测方法的进一步可选方案，所述步骤S22具体包括以下步骤：
步骤S221，对心电信号进行R波检测；
步骤S222，以R波位置为定位点，前后截取的采样点数，进行心拍分割；
步骤S223，根据心电信号的心拍分割索引，对光电容积脉搏波信号进行一一对应的心拍分割。
作为所述基于心电判读系统的血压监测方法的进一步可选方案，所述过滤处理具体包括以下步骤：
步骤S23，计算所有光电容积脉搏波信号和心电信号的均值模板；
步骤S24，将每段光电容积脉搏波信号和心电信号与均值模板进行相似度比较，从而去除异常的光电容积脉搏波信号和心电信号。
作为所述基于心电判读系统的血压监测方法的进一步可选方案，所述步骤S3具体包括以下步骤：
步骤S31，根据每心拍的心电信号的R波以及对应心拍的光电容积脉搏波信号起始点计算每心拍的脉搏波传导时间；
步骤S32，对每心拍的光电容积脉搏波信号进行特征提取，从而得到特征参数。
作为所述基于心电判读系统的血压监测方法的进一步可选方案，所述步骤S6具体包括以下步骤：
步骤S61，构建时间递归神经网络模型；
步骤S62，将健康人群训练样本数据集输入时间递归神经网络模型进行训练，得到健康人群血压测量模型。
作为所述基于心电判读系统的血压监测方法的进一步可选方案，所述步骤S7具体包括以下步骤：
步骤S71，依据心律失常人群训练样本数据集和健康人群血压测量模型的参数对时间递归神经网络模型进行初始化；
步骤S72，依据迁移学习的方法，对初始化后的时间递归神经网络模型的参数进行调节，得到心律失常人群血压测量模型。
作为所述基于心电判读系统的血压监测方法的进一步可选方案，所述步骤S8具体包括以下步骤：
步骤S81，获取待监测用户的光电容积脉搏波信号和心电信号；
步骤S82，将获取到的光电容积脉搏波信号和心电信号输入心电判读系统中；
步骤S83，心电判读系统依据接收到的光电容积脉搏波信号和心电信号判断用户是否属于健康人群，若是，则使用健康人群血压测量模型对用户进行血压测量，否则，使用心律失常人群血压测量模型对用户进行血压测量。
一种基于心电判读系统的血压监测系统，所述系统采用上述任意一种基于心电判读系统的血压监测方法。
本发明的有益效果是：通过将个体信息、质量过关的光电容积脉搏波信号和心电信号，以及提取得到的特征参数组合作为样本数据，并将对应的真实血压数据作为样本标签，得到训练样本数据集，并将训练样本数据集分为健康人群训练样本数据集以及心律失常人群训练样本数据集，依据两种不同的训练样本数据集生成健康人群血压测量模型和心律失常人群血压测量模型，最后依据心电判读系统识别出两种不同的人群，能够将不同的人群采用不同的血压测量模型进行测量，从而实现不同人群采用不同的方式进行血压测量，进而能够反映用户真实的血压数据，提高血压测量的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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为本发明一种基于心电判读系统的血压监测方法的流程示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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做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。
参考图1，一种基于心电判读系统的血压监测方法，具体包括以下步骤：
步骤S1，预先采集光电容积脉搏波信号和心电信号，以及与所述光电容积脉搏波信号和心电信号相对应的真实血压数据和个体信息；
步骤S2，对所述光电容积脉搏波信号和心电信号进行预处理，得到质量过关的光电容积脉搏波信号和心电信号；
步骤S3，依据所述质量过关的光电容积脉搏波信号和心电信号进行特征提取，得到特征参数；
步骤S4，将个体信息、质量过关的光电容积脉搏波信号和心电信号，以及提取得到的特征参数组合作为样本数据，并将对应的真实血压数据作为样本标签，得到训练样本数据集；
步骤S5，将训练样本数据集分为健康人群训练样本数据集以及心律失常人群训练样本数据集；
步骤S6，依据所述健康人群训练样本数据集进行训练，得到健康人群血压测量模型；
步骤S7，依据心律失常人群训练样本数据集和所述健康人群血压测量模型，得到心律失常人群血压测量模型；
步骤S8，依据心电判读系统、健康人群血压测量模型和心律失常人群血压测量模型对用户进行测量，从而实现血压的监测。
在本实施例中，通过将个体信息、质量过关的光电容积脉搏波信号和心电信号，以及提取得到的特征参数组合作为样本数据，并将对应的真实血压数据作为样本标签，得到训练样本数据集，并将训练样本数据集分为健康人群训练样本数据集以及心律失常人群训练样本数据集，依据两种不同的训练样本数据集生成健康人群血压测量模型和心律失常人群血压测量模型，最后依据心电判读系统识别出两种不同的人群，能够将不同的人群采用不同的血压测量模型进行测量，从而实现不同人群采用不同的方式进行血压测量，进而能够反映用户真实的血压数据，提高血压测量的准确率。
需要说明的是，所述步骤S4具体包括每个血压数据对应收集的光电容积脉搏波信号和心电信号时间为30s，计算这30s内有多少心拍数，根据心拍数，对计算得到的脉搏波传导时间取平均，得到该段信号的脉搏波传导时间平均值作为代表值，同上，得到光电容积脉搏波信号特征参数的平均值，对所有心拍周期波形取平均，得到该段信号内的周期平均波形，将每个血压数据对应的个体信息、平均脉搏波传导时间、平均光电容积脉搏波信号特征参数以及周期平均波形进行融合，得到训练样本数据，其中，血压数据为训练样本标签，训练样本数据和训练样本标签共同构成训练数据集；此外，所述步骤S5中将训练样本数据集分为健康人群训练样本数据集以及心律失常人群训练样本数据集是依据样本获取来源进行划分。
优选的，所述步骤S2中的预处理包括去噪处理和过滤处理。
优选的，所述去噪处理具体包括以下步骤：
步骤S21，去除光电容积脉搏波信号和心电信号的基线漂移、工频干扰和高频噪声；
步骤S22，对去除基线漂移、工频干扰和高频噪声的光电容积脉搏波信号和心电信号按心拍进行分割。
在本实施例中，由于光电容积脉搏波信号和心电信号都是典型的生理信号，具有信号弱、噪声多的特点，并且在采集过程中，容易由于外界环境和被测者的身体活动和呼吸等因素的影响，对信号的质量造成不可弥补的影响，因此，在进行数据分析之前，需要进行信号去噪处理，尽可能的提升信号质量。
优选的，所述步骤S22具体包括以下步骤：
步骤S221，对心电信号进行R波检测；
步骤S222，以R波位置为定位点，前后截取的采样点数，进行心拍分割；
步骤S223，根据心电信号的心拍分割索引，对光电容积脉搏波信号进行一一对应的心拍分割。
在本实施例中，通过对采集后进行去噪处理的心电信号进行R波检测，根据R波的位置确定心拍分割的位置，最终得到每一心拍的信号段，同时，通过心电信号的心拍分割位置，得到对应的脉搏波心拍分割位置，从而完成心电信号、光电容积脉搏波信号的一一对应的心拍分割过程。
优选的，所述过滤处理具体包括以下步骤：
步骤S23，计算所有光电容积脉搏波信号和心电信号的均值模板；
步骤S24，将每段光电容积脉搏波信号和心电信号与均值模板进行相似度比较，从而去除异常的光电容积脉搏波信号和心电信号。
在本实施例中，为了保证后续算法分析的准确度，需要保障信号的质量是过关的，因此，对信号进行质量评估，并去除明显的异常信号是必不可少的，通过将每段光电容积脉搏波信号和心电信号与均值模板进行相似度比较，能够有效去掉相似度低的光电容积脉搏波信号和心电信号，从而有效去掉异常的光电容积脉搏波信号和心电信号。
优选的，所述步骤S3具体包括以下步骤：
步骤S31，根据每心拍的心电信号的R波以及对应心拍的光电容积脉搏波信号起始点计算每心拍的脉搏波传导时间；
步骤S32，对每心拍的光电容积脉搏波信号进行特征提取，从而得到特征参数。
在本实施例中，特征参数主要包括脉搏波形的起始点、主波、重搏前波、降中峡和重搏波。
优选的，所述步骤S6具体包括以下步骤：
步骤S61，构建时间递归神经网络模型；
步骤S62，将健康人群训练样本数据集输入时间递归神经网络模型进行训练，得到健康人群血压测量模型。
在本实施例中，所述时间递归神经网络模型为一个深层的LSTM，隐含层的特征维度为512，最后接一个全连接层，最终输出为收缩压和舒张压。
优选的，所述步骤S7具体包括以下步骤：
步骤S71，依据心律失常人群训练样本数据集和健康人群血压测量模型的参数对时间递归神经网络模型进行初始化；
步骤S72，依据迁移学习的方法，对初始化后的时间递归神经网络模型的参数进行调节，得到心律失常人群血压测量模型。
优选的，所述步骤S8具体包括以下步骤：
步骤S81，获取待监测用户的光电容积脉搏波信号和心电信号；
步骤S82，将获取到的光电容积脉搏波信号和心电信号输入心电判读系统中；
步骤S83，心电判读系统依据接收到的光电容积脉搏波信号和心电信号判断用户是否属于健康人群，若是，则使用健康人群血压测量模型对用户进行血压测量，否则，使用心律失常人群血压测量模型对用户进行血压测量。
一种基于心电判读系统的血压监测系统，所述系统采用上述任意一种基于心电判读系统的血压监测方法。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于心电判读系统的血压监测方法，其特征在于，具体包括以下步骤：
步骤S1，预先采集光电容积脉搏波信号和心电信号，以及与所述光电容积脉搏波信号和心电信号相对应的真实血压数据和个体信息；
步骤S2，对所述光电容积脉搏波信号和心电信号进行预处理，得到质量过关的光电容积脉搏波信号和心电信号；
步骤S3，依据所述质量过关的光电容积脉搏波信号和心电信号进行特征提取，得到特征参数；
步骤S4，将个体信息、质量过关的光电容积脉搏波信号和心电信号，以及提取得到的特征参数组合作为样本数据，并将对应的真实血压数据作为样本标签，得到训练样本数据集；
步骤S5，将训练样本数据集分为健康人群训练样本数据集以及心律失常人群训练样本数据集；
步骤S6，依据所述健康人群训练样本数据集进行训练，得到健康人群血压测量模型；
步骤S7，依据心律失常人群训练样本数据集和所述健康人群血压测量模型，得到心律失常人群血压测量模型；
步骤S8，依据心电判读系统、健康人群血压测量模型和心律失常人群血压测量模型对用户进行测量，从而实现血压的监测；
其中，所述步骤S8具体包括以下步骤：
步骤S81，获取待监测用户的光电容积脉搏波信号和心电信号；
步骤S82，将获取到的光电容积脉搏波信号和心电信号输入心电判读系统中；
步骤S83，心电判读系统依据接收到的光电容积脉搏波信号和心电信号判断用户是否属于健康人群，若是，则使用健康人群血压测量模型对用户进行血压测量，否则，使用心律失常人群血压测量模型对用户进行血压测量。
2.根据权利要求1所述的一种基于心电判读系统的血压监测方法，其特征在于，所述步骤S2中的预处理包括去噪处理和过滤处理。
3.根据权利要求2所述的一种基于心电判读系统的血压监测方法，其特征在于，所述去噪处理具体包括以下步骤：
步骤S21，去除光电容积脉搏波信号和心电信号的基线漂移、工频干扰和高频噪声；
步骤S22，对去除基线漂移、工频干扰和高频噪声的光电容积脉搏波信号和心电信号按心拍进行分割。
4.根据权利要求3所述的一种基于心电判读系统的血压监测方法，其特征在于，所述步骤S22具体包括以下步骤：
步骤S221，对心电信号进行R波检测；
步骤S222，以R波位置为定位点，前后截取的采样点数，进行心拍分割；
步骤S223，根据心电信号的心拍分割索引，对光电容积脉搏波信号进行一一对应的心拍分割。
5.根据权利要求4所述的一种基于心电判读系统的血压监测方法，其特征在于，所述过滤处理具体包括以下步骤：
步骤S23，计算所有光电容积脉搏波信号和心电信号的均值模板；
步骤S24，将每段光电容积脉搏波信号和心电信号与均值模板进行相似度比较，从而去除异常的光电容积脉搏波信号和心电信号。
6.根据权利要求5所述的一种基于心电判读系统的血压监测方法，其特征在于，所述步骤S3具体包括以下步骤：
步骤S31，根据每心拍的心电信号的R波以及对应心拍的光电容积脉搏波信号起始点计算每心拍的脉搏波传导时间；
步骤S32，对每心拍的光电容积脉搏波信号进行特征提取，从而得到特征参数。
7.根据权利要求6所述的一种基于心电判读系统的血压监测方法，其特征在于，所述步骤S6具体包括以下步骤：
步骤S61，构建时间递归神经网络模型；
步骤S62，将健康人群训练样本数据集输入时间递归神经网络模型进行训练，得到健康人群血压测量模型。
8.根据权利要求7所述的一种基于心电判读系统的血压监测方法，其特征在于，所述步骤S7具体包括以下步骤：
步骤S71，依据心律失常人群训练样本数据集和健康人群血压测量模型的参数对时间递归神经网络模型进行初始化；
步骤S72，依据迁移学习的方法，对初始化后的时间递归神经网络模型的参数进行调节，得到心律失常人群血压测量模型。
9.一种基于心电判读系统的血压监测系统，其特征在于，所述系统采用权利要求1-8中任意一种所述基于心电判读系统的血压监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111390534.6A CN114052681B (zh) | 2021-11-23 | 2021-11-23 | 一种基于心电判读系统的血压监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111390534.6A CN114052681B (zh) | 2021-11-23 | 2021-11-23 | 一种基于心电判读系统的血压监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114052681A CN114052681A (zh) | 2022-02-18 |
| CN114052681B true CN114052681B (zh) | 2024-03-22 |
Family
ID=80279156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111390534.6A Active CN114052681B (zh) | 2021-11-23 | 2021-11-23 | 一种基于心电判读系统的血压监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114052681B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114587311A (zh) * | 2022-04-02 | 2022-06-07 | 杭州华视诺维医疗科技有限公司 | 一种基于多阶多模态的非袖带式血压测量装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5865756A (en) * | 1997-06-06 | 1999-02-02 | Southwest Research Institute | System and method for identifying and correcting abnormal oscillometric pulse waves |
| US5895359A (en) * | 1997-06-06 | 1999-04-20 | Southwest Research Institute | System and method for correcting a living subject's measured blood pressure |
| US5931790A (en) * | 1997-06-06 | 1999-08-03 | Southwest Research Institute | System and method for accurately monitoring the cardiovascular state of a living subject |
| CN201150533Y (zh) * | 2007-11-30 | 2008-11-19 | 沈阳东软医疗系统有限公司 | 一种血压测量装置 |
| CN110251105A (zh) * | 2019-06-12 | 2019-09-20 | 广州视源电子科技股份有限公司 | 一种无创血压测量方法、装置、设备及系统 |
| CN110772243A (zh) * | 2019-11-04 | 2020-02-11 | 南昌大学 | 一种基于示波法原理的房颤血压优化计算方法 |
| CN110974197A (zh) * | 2019-12-13 | 2020-04-10 | 中国人民解放军63919部队 | 一种无创血液动力学多参数测量装置 |
| CN113397510A (zh) * | 2021-05-07 | 2021-09-17 | 华南师范大学 | 一种连续血压测量方法、系统、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001346769A (ja) * | 2000-06-09 | 2001-12-18 | Nippon Colin Co Ltd | 循環状態監視装置 |
-
2021
- 2021-11-23 CN CN202111390534.6A patent/CN114052681B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5865756A (en) * | 1997-06-06 | 1999-02-02 | Southwest Research Institute | System and method for identifying and correcting abnormal oscillometric pulse waves |
| US5895359A (en) * | 1997-06-06 | 1999-04-20 | Southwest Research Institute | System and method for correcting a living subject's measured blood pressure |
| US5931790A (en) * | 1997-06-06 | 1999-08-03 | Southwest Research Institute | System and method for accurately monitoring the cardiovascular state of a living subject |
| CN201150533Y (zh) * | 2007-11-30 | 2008-11-19 | 沈阳东软医疗系统有限公司 | 一种血压测量装置 |
| CN110251105A (zh) * | 2019-06-12 | 2019-09-20 | 广州视源电子科技股份有限公司 | 一种无创血压测量方法、装置、设备及系统 |
| CN110772243A (zh) * | 2019-11-04 | 2020-02-11 | 南昌大学 | 一种基于示波法原理的房颤血压优化计算方法 |
| CN110974197A (zh) * | 2019-12-13 | 2020-04-10 | 中国人民解放军63919部队 | 一种无创血液动力学多参数测量装置 |
| CN113397510A (zh) * | 2021-05-07 | 2021-09-17 | 华南师范大学 | 一种连续血压测量方法、系统、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114052681A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106725428B (zh) | 一种心电信号分类方法及装置 | |
| CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
| CN109077715B (zh) | 一种基于单导联的心电信号自动分类方法 | |
| CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
| AL-Ziarjawey et al. | Heart rate monitoring and PQRST detection based on graphical user interface with Matlab | |
| WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
| CN110037668B (zh) | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 | |
| CN207084814U (zh) | 用于检测异常搏动的设备和系统 | |
| CN110742585A (zh) | 基于bcg信号的睡眠分期方法 | |
| Satija et al. | A simple method for detection and classification of ECG noises for wearable ECG monitoring devices | |
| CN105877739A (zh) | 一种心电智能分析系统的临床检验方法 | |
| Sinha et al. | Identification and localization of myocardial infarction based on analysis of ECG signal in cross spectral domain using boosted SVM classifier | |
| CN114052681B (zh) | 一种基于心电判读系统的血压监测方法及系统 | |
| Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
| CN111839488A (zh) | 基于脉搏波的无创连续血压测量装置和方法 | |
| Reddy et al. | Ecg signal characterization and correlation to heart abnormalities | |
| Chou et al. | Modelling arterial blood pressure waveforms for extreme bradycardia and tachycardia by curve fitting with Gaussian functions | |
| Wen et al. | A correlation-based algorithm for beat-to-beat heart rate estimation from ballistocardiograms | |
| KR102386896B1 (ko) | 인공지능 기반 심전도 자동 분석 장치 및 방법 | |
| Ni et al. | A pulse signal preprocessing method based on the Chauvenet criterion | |
| Lu et al. | Accurate heart beat detection with doppler radar using bidirectional GRU network | |
| Apandi et al. | Noise Reduction Method based on Autocorrelation for Threshold-Based Heartbeat Detection | |
| CN109247934A (zh) | 用于提取心电图时间特异性数据的模型建立方法及系统 | |
| Ochoa et al. | Noise-tolerant modular neural network system for classifying ECG signal | |
| CN114580477B (zh) | 一种基于多时间序列融合的可穿戴动态呼吸率估测系统 |
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 |