CN114081462B - 一种基于多维度生理信息的心脏健康监护系统 - Google Patents
一种基于多维度生理信息的心脏健康监护系统 Download PDFInfo
- Publication number
- CN114081462B CN114081462B CN202111400767.XA CN202111400767A CN114081462B CN 114081462 B CN114081462 B CN 114081462B CN 202111400767 A CN202111400767 A CN 202111400767A CN 114081462 B CN114081462 B CN 114081462B
- Authority
- CN
- China
- Prior art keywords
- heart
- detection module
- signals
- signal detection
- scattering
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- 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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- 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
-
- 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
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Optics & Photonics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于多维度生理信息的心脏健康监护系统,涉及医疗设备技术领域,包括:心电信号检测模块、心音信号检测模块、心冲击图信号检测模块、心率检测模块、血压检测模块、血氧检测模块、存储模块和中央控制及处理单元,本申请从切实可行的技术角度出发,以多角度多层面对心脏的健康状况进行评估与诊断,给出全面精确地心脏病诊断结果,对于不同情况的突发事件,该系统会提供对应的应急方案,比如一键呼救功能、药物提取功能、报警及通知相关联系人的功能等。为用户节省了去医院诊疗的时间,最重要是为用户提供了最佳的治疗方案,当危险情况到来时可以获得及时的救治,能够有效地防止猝死现象的发生。
Description
技术领域
本发明涉及医疗设备技术领域,具体为一种基于多维度生理信息的心脏健康监护系统。
背景技术
目前,生活节奏快,工作压力大,熬夜、通宵加班成为一部分人的常态,来自方方面面的压力,使得当下的很多人都忍受着精神紧张,身心俱疲的状态。长此以往,即使身体再好,年龄再年轻也禁不住生命的损耗。尤其是经常性的熬夜,加班加点地工作或学习都会使得身体的某些指标发生异常,这其中会导致最严重的结果就是心源性猝死。心源性猝死,是由于心脏原因所致的非预见性的自然死亡。多种心脏病可致猝死,患者既往可以患有心脏病或无心脏病史。目前公认的是发病1小时内死亡者多为心源性猝死。现有技术中针对心脏健康状况进行的评估与诊断仅仅考虑心率和血压,这样心脏病的诊断结果准确率低,不能准确地对心脏健康状况进行监测。
发明内容
本发明的目的是:针对现有技术中心脏监测系统心脏病诊断结果准确率低和不能及时发现心脏危险状况的问题,提出一种基于多维度生理信息的心脏健康监护系统。
本发明为了解决上述技术问题采取的技术方案是:
一种基于多维度生理信息的心脏健康监护系统,包括:心电信号检测模块、心音信号检测模块、心冲击图信号检测模块、心率检测模块、血压检测模块、血氧检测模块、存储模块和中央控制及处理单元,
所述心率检测模块、血压检测模块和血氧检测模块用于检测心率、血压及血氧饱和度;
所述心电信号检测模块、心音信号检测模块和心冲击图信号检测模块用于采集心电、心音和心冲击信号;
当心率、血压及血氧饱和度值均超过正常值的范围时,则系统进入诊断模式,诊断模式下心电信号检测模块、心音信号检测模块和心冲击图信号检测模块开始采集心电、心音和心冲击信号,并将采集到的心电、心音和心冲击信号发送给中央控制及处理单元;
所述中央控制及处理单元将接收到的信号进行特征提取,并经过分类模型的综合判断得到心脏健康状况的诊断结果。
进一步的,所述中央控制及处理单元具体执行如下步骤:
步骤一:获取心电信号检测模块、心音信号检测模块和心冲击图信号检测模块采集的心电、心音和心冲击同步信号;
步骤二:将采集到的信号利用小波散射变换进行特征提取,然后采用主成分分析方法对提取到的特征进行降维,得到降维后的特征;
步骤三:根据采集到的信号并利用小波变换获取小波系数时频图特征,然后建立卷积神经网络框架对小波系数时频图特征进行图像特征提取;
步骤四:将步骤二得到的降维后的特征和步骤三得到的卷积神经网络特征进行线性融合,并将线性融合得到的特征输入到长短时记忆神经网络进行训练,进而建立LSTM模型,之后在LSTM模型中加入全连接层和Softmax层,经过训练得到最终的LSTM模型;
步骤五:将待诊断信号输入最终LSTM模型,得到分类结果,之后根据各信号的分类结果采用投票法进行综合判决得到最终心脏健康状况诊断结果,所述综合判决具体为:若有两个以上输出的诊断结果相同,则将该诊断结果作为最终输出诊断结果。
进一步的,所述小波散射变换的具体过程为:
S0x=AJx(u)=x*φJ(2Ju)
其中*为卷积操作,φJ为一个窗口大小为2J的低通滤波器,AJ为平均滤波算子,代表了信号经过低通滤波器局部取均值的计算过程,
将母小波ψ在尺度1≤2j≤2J缩放,得到一个小波簇ψj(u)=2-2jψ(2-ju),然后将信号与小波簇中的小波分别卷积,得到散射网络第1阶的散射算子:
将结果取模后通过低通滤波器局部取均值,得到散射网络的第1阶系数:
同理得散射网络第2阶的散射算子和散射系数为:
S2x=AJ|W2|W1|x
然后重复迭代操作,在m阶时的散射输出为:
Smx=AJ|Wm|…|W2|W1|x
最后得到的散射系数为散射变换在第0阶到第m阶的所有输出集合,即为输入心脏信号的小波散射特征:
Sx={S0x,S1x,...Smx}。
进一步的,所述长短时记忆神经网络具体执行如下步骤:
(1)通过sigmoid函数计算遗忘信息,表示为:
ft=σ(Wf*[ht-1,xt]+bf)
(2)单元状态中进行信息存储,通过输入门决定更新的信息,表示为:
it=σ(Wi*[ht-1,xt]+bi)
ct1=tanh(Wc*[ht-1,xt]+bc)
(3)通过遗忘门和输入门计算出新的单元状态,表示为:
ct=ft*ct-1+it*ct1
(4)在新的单元状态基础上计算出输出结果,表示为:
ot=σ(Wo*[ht-1,xt]+bo)
ht=ot*tanh(ct)
其中Wo为计算单元状态的权值,bo为计算单元状态的偏置;Wf为遗忘门的权值,bf为遗忘门的偏置;Wc为输出门的权值,bc为输出门的偏置;Wi为输入门的权值,bi为输入门的偏置,其中,xt为当前网络的输入,ht-1为上一时刻网络的输入,ct-1为上一个记忆单元的状态,ft为遗忘门的输出,σ为sigmoid激活函数,it为输入门在t时刻的输出,ot为输出门在t时刻的输出,ht为预判的输出结果,ct1为记忆单元的输出。
进一步的,所述心电信号检测模块、心音信号检测模块和心冲击图信号检测模块采集心电、心音和心冲击信号采用电极式的采集方式,所述心冲击图信号检测模块电极内设有人体微振动传感器。
进一步的,所述心率检测模块利用光学心率传感器检测心率;
所述血压检测模块利用光电传感器检测血压;
所述血氧检测模块血氧饱和度传感器检测血氧饱和度。
进一步的,所述心率、血压及血氧饱和度值的正常值为:
正常的心率范围为:60-100次/分;
正常的血压范围为:收缩压在90-135mmHg,舒张压在60-85mmHg;
正常人体动脉血的血氧浓度为98%,静脉血为75%。
进一步的,所述系统还包括定位模块和报警模块,
若中央控制及处理单元得到的心脏健康状况的诊断结果状况不佳,则报警模块进行报警提示,定位模块将定位信息一同发送给预设的联系人。
进一步的,所述系统还包括显示模块,
所述显示模块用于展示中央控制及处理单元得到的诊断结果。
进一步的,所述心电、心音和心冲击信号通过有线或者无线通信方式发送给中央控制及处理单元。
本发明的有益效果是:
本申请从切实可行的技术角度出发,以多角度多层面对心脏的健康状况进行评估与诊断,给出全面精确地心脏病诊断结果,对于不同情况的突发事件,该系统会提供对应的应急方案,比如一键呼救功能、药物提取功能、报警及通知相关联系人的功能等。为用户节省了去医院诊疗的时间,最重要是为用户提供了最佳的治疗方案,当危险情况到来时可以获得及时的救治,能够有效地防止猝死现象的发生。
附图说明
图1为散射网络结构图;
图2为本申请系统组成框图;
图3为终端实施方式示意图;
图4为测量电极放置盒的示意图;
图5为中央控制及处理单元具体执行流程图;
图6为CNN网络结构图;
图7为LSTM内部结构图;
图8为LSTM模型架构执行流程图。
具体实施方式
需要特别说明的是,在不冲突的情况下,本申请公开的各个实施方式之间可以相互组合。
具体实施方式一:参照图1和图2具体说明本实施方式,本实施方式所述的一种基于多维度生理信息的心脏健康监护系统,包括:心电信号检测模块、心音信号检测模块、心冲击图信号检测模块、心率检测模块、血压检测模块、血氧检测模块、存储模块和中央控制及处理单元,
所述心率检测模块、血压检测模块和血氧检测模块用于检测心率、血压及血氧饱和度;
所述心电信号检测模块、心音信号检测模块和心冲击图信号检测模块用于采集心电、心音和心冲击信号;
当心率、血压及血氧饱和度值均超过正常值的范围时,则系统进入诊断模式,诊断模式下心电信号检测模块、心音信号检测模块和心冲击图信号检测模块开始采集心电、心音和心冲击信号,并将采集到的心电、心音和心冲击信号发送给中央控制及处理单元;
所述中央控制及处理单元将接收到的信号进行特征提取,并将提取后的特征与存储单元中存储的信号波形特征进行比对(经过分类模型的综合判断),得到心脏健康状况的诊断结果。
具体实施方式二:本实施方式是对具体实施方式一的进一步说明,本实施方式与具体实施方式一的区别是所述中央控制及处理单元具体执行如下步骤:
步骤一:获取心电信号检测模块、心音信号检测模块和心冲击图信号检测模块采集的心电、心音和心冲击同步信号;
步骤二:将采集到的信号利用小波散射变换进行特征提取,然后采用主成分分析方法对提取到的特征进行降维,得到降维后的特征;
步骤三:根据采集到的信号并利用小波变换获取小波系数时频图特征,然后建立卷积神经网络框架对小波系数时频图特征进行图像特征提取;
步骤四:将步骤二得到的降维后的特征和步骤三得到的卷积神经网络特征进行线性融合,并将线性融合得到的特征输入到长短时记忆神经网络进行训练,进而建立LSTM模型,之后在LSTM模型中加入全连接层和Softmax层,经过训练得到最终的LSTM模型;
步骤五:将待诊断信号输入最终LSTM模型,得到分类结果,之后根据各信号的分类结果采用投票法进行综合判决得到最终心脏健康状况诊断结果,所述综合判决具体为:若有两个以上输出的诊断结果相同,则将该诊断结果作为最终输出诊断结果。
具体实施方式三:本实施方式是对具体实施方式二的进一步说明,本实施方式与具体实施方式二的区别是所述小波散射变换的具体过程为:
将输入的信号和小波做卷积,取模后与低通滤波器做卷积,经过多次迭代,最后将各阶散射系数级联得到散射网络的输出:
S0x=AJx(u)=x*φJ(2Ju)
其中*为卷积操作,φJ为一个窗口大小为2J的低通滤波器,AJ为平均滤波算子,代表了信号经过低通滤波器局部取均值的计算过程,
将母小波ψ在尺度1≤2j≤2J缩放,得到一个小波簇ψj(u)=2-2jψ(2-ju),然后将信号与小波簇中的小波分别卷积,得到散射网络第1阶的散射算子:
将结果取模后通过低通滤波器局部取均值,得到散射网络的第1阶系数:
同理得散射网络第2阶的散射算子和散射系数为:
S2x=AJ|W2|W1|x
然后重复迭代操作,在m阶时的散射输出为:
Smx=AJ|Wm|…|W2|W1|x
最后得到的散射系数为散射变换在第0阶到第m阶的所有输出集合,即为输入心脏信号的小波散射特征:
Sx={S0x,S1x,...Smx}。
具体实施方式四:本实施方式是对具体实施方式三的进一步说明,本实施方式与具体实施方式三的区别是所述长短时记忆神经网络具体执行如下步骤:
(1)通过sigmoid函数计算遗忘信息,表示为:
ft=σ(Wf*[ht-1,xt]+bf)
(2)单元状态中进行信息存储,通过输入门决定更新的信息,表示为:
it=σ(Wi*[ht-1,xt]+bi)
ct1=tanh(Wc*[ht-1,xt]+bc)
(3)通过遗忘门和输入门计算出新的单元状态,表示为:
ct=ft*ct-1+it*ct1
(4)在新的单元状态基础上计算出输出结果,表示为:
ot=σ(Wo*[ht-1,xt]+bo)
ht=ot*tanh(ct)
其中Wo为计算单元状态的权值,bo为计算单元状态的偏置;Wf为遗忘门的权值,bf为遗忘门的偏置;Wc为输出门的权值,bc为输出门的偏置;Wi为输入门的权值,bi为输入门的偏置,其中,xt为当前网络的输入,ht-1为上一时刻网络的输入,ct-1为上一个记忆单元的状态,ft为遗忘门的输出,σ为sigmoid激活函数,it为输入门在t时刻的输出,ot为输出门在t时刻的输出,ht为预判的输出结果,ct1为记忆单元的输出。
具体实施方式五:本实施方式是对具体实施方式四的进一步说明,本实施方式与具体实施方式四的区别是所述心电信号检测模块、心音信号检测模块和心冲击图信号检测模块采集心电、心音和心冲击信号采用电极式的采集方式,所述心冲击图信号检测模块电极内设有人体微振动传感器。
具体实施方式六:本实施方式是对具体实施方式五的进一步说明,本实施方式与具体实施方式五的区别是所述心率检测模块利用光学心率传感器检测心率;
所述血压检测模块利用光电传感器检测血压;
所述血氧检测模块血氧饱和度传感器检测血氧饱和度。
具体实施方式七:本实施方式是对具体实施方式六的进一步说明,本实施方式与具体实施方式六的区别是所述心率、血压及血氧饱和度值的正常值为:
正常的心率范围为:60-100次/分;
正常的血压范围为:收缩压在90-135mmHg,舒张压在60-85mmHg;
正常人体动脉血的血氧浓度为98%,静脉血为75%。
具体实施方式八:本实施方式是对具体实施方式一的进一步说明,本实施方式与具体实施方式一的区别是所述系统还包括定位模块和报警模块,
若中央控制及处理单元得到的心脏健康状况的诊断结果状况不佳,则报警模块进行报警提示,定位模块将定位信息一同发送给预设的联系人。
具体实施方式九:本实施方式是对具体实施方式一的进一步说明,本实施方式与具体实施方式一的区别是所述系统还包括显示模块,
所述显示模块用于展示中央控制及处理单元得到的诊断结果。
具体实施方式十:本实施方式是对具体实施方式一的进一步说明,本实施方式与具体实施方式一的区别是所述心电、心音和心冲击信号通过有线或者无线通信方式发送给中央控制及处理单元。
本申请旨在为当下经常性地加班加点,压力大的人群设计一种基于多维度生理信息的健康监护仪。该监护仪可以日常监护人体的心率,血压,血氧,更重要的是它可以获取人体的心电信号、心音信号及心冲击图信号,可以综合地给出心脏的健康诊断结果,能够及时预知心脏的健康状态,以便发生问题时迅速给出应急措施。本申请主要针对长期工作或学习于“高压”的环境下或长期熬夜加班的人群所设计,因为从目前心脏发病的概率来看,这部分人发生心脏病猝死的情况比较多,而且往往无任何征兆的,这部分人的年龄也越来越趋于年轻化,正是国家乃至家庭的中坚力量,因此,他们的身体健康问题不能因为年龄而忽视,尤其是日复一日地透支着身体,很容易导致心脏病的突发事件——猝死的发生。
本申请所述的基于多维度生理信息的心脏健康监护系统主要由心电(ECG)信号检测模块、心音(PCG)信号检测模块、心冲击图(BCG)信号检测模块、心率检测模块、血压检测模块、血氧检测模块、定位模块、报警模块、显示模块、存储模块、远程通信终端和中央控制及处理单元等部分构成。从目前成年人的精神状态及工作强度角度出发,大多数成年人都在忍受着来源于工作、学习或生活等方面众多压力,如果长时间不能得到压力的释放,就会使得个人的心理状态从压抑逐渐过渡到抑郁。再加上工作强度大,经常性的加班或熬夜,这无疑对人体健康造成了比较坏的影响。而伤害最大的便是心脏。近些年来,由于精神及工作压力造成的心脏猝死现象越来越多,而且越来越趋于年轻化。年轻人的身体健康问题成为社会上越来越值得深思并重视的问题。本申请所述的基于多维度生理信息的心脏健康监护系统可以提取反映心脏健康状况的多维度的生理信息,如心电、心音、心率、血压、血氧、心冲击图等,可以从多角度综合地判断心脏的健康状况,并给出相应的应急措施。本申请创新地将心音、心电、心冲击图信息进行综合处理旨在为心脏建立较全面的诊断信息,节省了去医院诊断的时间,为病情争取最佳的治疗时间。由于不同的心脏信号反映不同的心脏血流动力学状况,而且实践证明,每种心脏信号都存在着诊断的片面性,比如心电图诊断心脏病在临床上依然存在疾病的滞后诊断等问题。例如冠状动脉疾病的诊断,只有当冠脉阻塞率在70%~75%以上时才能引起心电图信号的改变,而在实际中,只要阻塞达到25%时就可以改变心音信号。而心冲击图能够较早地反映出心率变异性及呼吸状况、呼吸次数,可以实时判断出病人的心脏工作状态,利用多维度生理信息达到对心脏多方位的诊断。本申请创新地将24小时动态心电图功能植入系统中,可以检查是否出现心律失常,了解心律失常的程度,可方便用户将此信息直接发送给医生,节省了去医院做24小时动态心电图检查的时间。本申请创新地将系统的工作模式分为两种:日常监护模式和诊断模式。日常监护模式是对人体平时的血压,血氧,心率进行实时监护。当以上指标出现异常时则进入诊断模式。该模式下采集心电信号、心音信号、心冲击信号对心脏健康状况进行联合判断,存储单元中针对各种信号预存各种病例情况下的波形信息,将采集的信号信息与预存的波形信息特征进行比对,进而判断疾病的类别,最终给出全方位的心脏诊断结果。本申请涉及的采集心电、心音或心冲击信号装置优先地选择电极式,这种方式与目前医学上的应用相似,获取的信号也更接近于医学信号,便于医生的分析及仪器的处理。电极与监护装置的连接可采用有线或无线方式,无线方式将无线发送模块内置于电极之中,有线连接可采用USB的连接方式。整套系统力求小巧、便捷、方便用户使用。如图4所示。
现有的心脏健康状况诊断系统,多数围绕心音和心电信号展开的,进行了方法的研究或装置上的改良。但并未给出心脏健康状况较全面的结果,也未将各种心脏病突发情况考虑进去。只是针对心电或者心音信号进行处理方法上的改进,或对于影响心脏健康状况的信号未做充足多角度地考虑。而目前心冲击图技术逐渐被重视被应用到心率和呼吸监测中,它采用人体微振动传感器技术可以以非接触的方式提取心冲击信号,用户的可接受程度高,受到了研发人员的青睐。但此项技术大多数情况下都是对该信号进行单独研究及产品开发,极少将其他生理信号结合起进行综合考虑。本申请将能够反映心脏健康状况的多维度生理信息—心电信号、心音信号和心冲击信号联合起来进行研究,能够从多角度反映心脏的健康状况,给出较全面的心脏疾病诊断结果,为用户节省诊病时间并为其提供应急措施。另外,本申请将24小时动态心电图技术植入系统中,便于用户查看及为医生提供有力的病情参考,实现一种基于多维度生理信息的心脏健康监护系统,可以为所有长期工作于压力大的人群进行日常心脏健康监护,防止猝死现象的发生,为当代辛苦的一辈的身心健康保驾护航。
本申请涉及一种基于多维度生理信息的心脏健康监护系统,它包括心电(ECG)信号检测模块、心音(PCG)信号检测模块、心冲击图(BCG)信号检测模块、心率检测模块、血压检测模块、血氧检测模块、定位模块、报警模块、显示模块、存储模块、远程通信终端和中央控制及处理单元等部分构成。该系统工作模式分为两种:日常监护模式和诊断模式。该系统外观可制成类似于智能手表系列,将心率检测模块、血压检测模块、血氧检测模块、定位模块、报警模块、显示模块、存储模块、通信模块、中央控制单元等功能电路内置于该系统中,此部分主要负责日常心脏健康状况的监护,当心率、血压及血氧饱和度值超过正常值的范围时,则系统自动或人为的选择进入诊断模式。该模式下需要启动心电(ECG)信号检测模块、心音(PCG)信号检测模块、心冲击图(BCG)信号检测模块,将实时采集到的心电、心音和心冲击信号通过有线或者无线通信方式发送给中央处理单元,信号经过滤波降噪等处理,利用处理器中内置的算法对信号进行特征提取,并与存储单元中信号波形特征进行比对,给出心脏健康状况的最终诊断结果并通过显示模块进行显示。如若心脏状况不佳,则给予报警提示,并将诊断结果信息发送给用户指定的联系人或医生。本系统也可进行一键“120”急救报警操作。发送以上信息同时,定位信息也一并进行发送。另外,本申请还可进行24小时动态心电图的监护工作,此部分功能的设计主要是将日常监护更贴近于医生的心脏疾病诊断方式,在关键时刻能够为医生提供有力的病情参考,也便于日常用户进行心脏健康状况判断。本申请涉及的心电、心音和心冲击信号的采集装置优先地选择电极式,如果以无线方式工作则需将无线通信模块内置于其中,以便将采集到的各种心功能信号实时地发送给中央处理单元。本申请涉及的采集装置需另放置于小巧便于携带的盒子中,如若身体或心脏部位感到不适,可方便使用。另外,为了避免猝死现象的发生,本申请在系统装置的外观设计上还增加了药物储存暗格,如图3所示,里面可放置一些心脏保命药物,如丹参滴丸、硝酸甘油等。本申请之所以会选择心电、心音和心冲击信号对心脏疾病进行综合判断,是因为每种心功能信号对心脏的分析角度不同,反映疾病的层面也不同,同时又各有优缺点,为了达到技术上的互补,对心脏健康状况进行多角度地分析与判断,更加全面地了解心脏的健康状况。首先,心电图是将心脏激动过程中产生的生物电变化在体表形成的微弱电反应刻画出来的电位波形图。该方法是检查心脏变时性和变传导性的最佳监测方法。主要用于心律失常及心肌缺血的定性和定量分析。心音图是将心脏听诊不能记录的心音信号或不易分辨的信号用图形的形式记录下来,供医生分析使用。心音指由心肌收缩、心脏瓣膜关闭和血液撞击心室壁、大动脉壁等引起的振动所产生的声音。临床上主要用于心力衰竭,心肌疾病和心瓣膜疾病等疾病的诊断。心冲击图描记的是心脏活动产生的一系列人体震动信号,心冲击图对冠心病的诊断有重要意义。
文中所述的心电、心音和心冲击信号等多维度生理信息进行心脏健康状况判断的过程为:首先利用本文提到的电极式的采集装置对心电、心音和心冲击等信号进行同步采集,然后将采集到的信号分别采用两种方式进行特征提取,一种利用小波散射变换进行特征提取,然后采用主成分分析方法(PCA)对提取到的特征进行降维,另一种方式是利用小波变换获取小波系数时频图特征,然后建立卷积神经网络(CNN)框架提取其图像特征,之后将两种方式提取的特征进行线性融合,并将得到的特征信息输入到长短时记忆神经网络(LSTM)进行训练,进而建立LSTM模型,通过在LSTM模型中加入了全连接层和Softmax层完成对心功能信号的分类。最后,将每种心功能信号的分类结果在决策层采用投票法进行综合判决得到最终心脏健康状况结果。
本申请的关键点是利用心电(ECG)、心音(PCG)、心冲击信号(BCG)等多维度生理信息对心脏健康状况进行多角度多方位地判断,便于用户和医生得到更精确的心脏诊断信息,尤其将心冲击信号引入之后,根据其灵敏的采集技术,可以更早更快地发现心率的变异性。而心音信号也会较心电信号更早地发现心脏搏动的异常。依据各信号的优势互补原则,可为用户及时提供较全面的心脏诊断结果。尤其在日常监护中,通过实时监测用户的心率、血压、血氧饱和度等方面信息能够对心脏的健康状况进行预判,当发现这几项参数超过正常值时即进入诊断模式,通过对心电、心音和心冲击信号的采集处理,为用户或医生提供更精确、更全面的心脏疾病诊断结果。另外,为了更切合医生对患者的心脏检查方式,本申请还为用户提供24小时心电监护功能,以便让用户自己更加了解心脏健康状况并可为医生提供更及时的心电监护信息。本申请涉及的系统采用技术层层递进方式,先是通过日常监护对心脏健康状况进行预判,然后通过诊断模式对心脏健康状况进行全方位多角度地诊断,给出精确的诊断结果,并能够将诊断信息及时地传输给用户的指定联系人或医生,抑或进行一键“120”急救报警操作。另外本申请创新地加入了心电监护的功能,可对心脏进行24小时动态心电图监护,实现Holter的功能,为心脏病的早期筛查提供了一种创新技术手段。
本申请主要针对长期工作或学习于“高压”的环境下或长期熬夜加班的人群所设计,因为从目前心脏发病的概率来看,这部分人发生心脏病猝死的情况比较多,而且往往无任何征兆的,这部分人的年龄也越来越趋于年轻化,正是国家乃至家庭的中坚力量,因此,他们的身体健康问题不能因为年龄而忽视,尤其是日复一日地透支着身体,很容易导致心脏病的突发事件——猝死的发生。基于以上的原因,本申请提出了一种基于多维度生理信息的心脏健康监护系统,该系统尽可能地考虑到心脏诊断的所有技术手段,从切实可行的技术角度出发,以多角度多层面对心脏的健康状况进行评估与诊断,给出全面精确地心脏病诊断结果,对于不同情况的突发事件,该系统会提供对应的应急方案,比如一键呼救功能、药物提取功能、报警及通知相关联系人的功能等。为用户节省了去医院诊疗的时间,最重要是为用户提供了最佳的治疗方案,当危险情况到来时可以获得及时的救治,能够有效地防止猝死现象的发生。
本申请涉及一种基于多维度生理信息的心脏健康监护系统,它主要由心电(ECG)信号检测模块、心音(PCG)信号检测模块、心冲击图(BCG)信号检测模块、心率检测模块、血压检测模块、血氧检测模块、定位模块、报警模块、显示模块、存储模块、远程通信终端和中央控制及处理单元等部分构成。
本申请所述的心电(ECG)信号检测模块主要用来心电信号的采集,优先地选择电极式的采集方式,电极的个数及位置要以医学应用为参考。
本申请所述的心音(PCG)信号检测模块主要用来心音信号的采集,优先地选择电极式的采集方式,电极的个数及位置要以医学应用为参考。
本申请所述的心冲击图(BCG)信号检测模块主要用来心冲击信号的采集,优先地选择电极式的采集方式,此电极内应设有人体微振动传感器。
以上三个模块如果以无线的方式与中央控制及处理单元通信,则还需在电极处内置无线发送模块。
本申请所述的心率检测模块主要用来日常心率的监测,可选用光学心率传感器检测心脏的跳动次数。正常的心率范围为:60-100次/分。
本申请所述的血压检测模块主要用来日常血压的监测,可选用光电传感器检测血压的变换情况。正常的血压范围为:收缩压在90-135mmHg,舒张压在60-85mmHg。
本申请所述的血氧检测模块主要用来测量血液中的氧气含量,可选用血氧饱和度传感器检测血液中氧气的含量。正常人体动脉血的血氧浓度为98%,静脉血为75%。
本申请所述的定位模块即GPS全球定位系统,可将系统所在位置及活动范围进行记录。
本申请所述的报警模块则是当系统工作于诊断模式下,何时报警取决于系统设置,如果诊断结果显示心脏健康状况出现异常时,则报警提示,提醒周围人给予帮助,另外系统会将相关报警信息和诊断结果发给用户指定的联系人或医生,严重的情况下,本系统还可进行“120”一键呼救。
本申请所述的显示模块用来显示工作模式的选择及各种传感器采集及系统分析诊断后的结果。
本申请所述的存储模块用来存储相关的信号波形特征信息以及系统工作时所需的各种存储。
本申请所述的远程通信终端用来将诊断结果发送给用户指定联系人的智能终端,也可是医护人员。
本申请所述的中央控制及处理单元负责对所有采集到的信号进行处理,并对相关外围电路进行控制,要求是高速信号处理器。
本申请所述的系统除了具有类似智能手表的外观外,还应该在装置的底部设有药物储存暗格,另外再配备一个用来放置测量电极的小巧便捷的盒子,便于随身携带。
卷积神经网络(CNN)结构的搭建:将经过小波变换之后得到的小波时频图作为CNN网络的输入,然后进行网络各层次的设计。卷积层的作用是从输入数据中自动提取特征,提取的特征作为下一层的输入。提取特征过程就是通过多个卷积窗口在图像上滑动,对应的局部特征会进行卷积运算,最后形成高级特征。每层卷积层都包含多个卷积窗口,也就意味着可以提取到更多的特征。一般卷积层后接池化层,又叫下采样层,池化层会对上一层的输出做出向下采样,既可以逐渐缩小特征图,降低模型的计算量,加快整个模型的训练速度,又可以使提取的特征更加高级化。CNN网络结构如图6所示。
长短期记忆网络(LSTM)(如图8所示)是RNN的变种,本质上也是一种循环神经网络,引入LSTM是为了解决RNN的梯度爆炸和梯度消失问题,长短期神经网络有一个记忆细胞块,主要由三个门与一个记忆单元组成。遗忘门的作用是将细胞状态中的信息选择性地遗忘,输入门的作用是将新的信息选择地加入到细胞状态中,输出门的作用是根据细胞状态选择性输出信息,内部结构如图7所示。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。
Claims (9)
1.一种基于多维度生理信息的心脏健康监护系统,其特征在于包括:心电信号检测模块、心音信号检测模块、心冲击图信号检测模块、心率检测模块、血压检测模块、血氧检测模块、存储模块和中央控制及处理单元,
所述心率检测模块、血压检测模块和血氧检测模块用于检测心率、血压及血氧饱和度;
所述心电信号检测模块、心音信号检测模块和心冲击图信号检测模块用于采集心电、心音和心冲击信号;
当心率、血压及血氧饱和度值均超过正常值的范围时,则系统进入诊断模式,诊断模式下心电信号检测模块、心音信号检测模块和心冲击图信号检测模块开始采集心电、心音和心冲击信号,并将采集到的心电、心音和心冲击信号发送给中央控制及处理单元;
所述中央控制及处理单元将接收到的信号进行特征提取,并经过分类模型的综合判断得到心脏健康状况的诊断结果;
所述中央控制及处理单元具体执行如下步骤:
步骤一:获取心电信号检测模块、心音信号检测模块和心冲击图信号检测模块采集的心电、心音和心冲击同步信号;
步骤二:将采集到的信号利用小波散射变换进行特征提取,然后采用主成分分析方法对提取到的特征进行降维,得到降维后的特征;
步骤三:根据采集到的信号并利用小波变换获取小波系数时频图特征,然后建立卷积神经网络框架对小波系数时频图特征进行图像特征提取;
步骤四:将步骤二得到的降维后的特征和步骤三得到的卷积神经网络特征进行线性融合,并将线性融合得到的特征输入到长短时记忆神经网络进行训练,进而建立LSTM模型,之后在LSTM模型中加入全连接层和Softmax层,经过训练得到最终的LSTM模型;
步骤五:将待诊断信号输入最终LSTM模型,得到分类结果,之后根据各信号的分类结果采用投票法进行综合判决得到最终心脏健康状况诊断结果,所述综合判决具体为:若有两个以上输出的诊断结果相同,则将该诊断结果作为最终输出诊断结果。
2.根据权利要求1所述的一种基于多维度生理信息的心脏健康监护系统,其特征在于所述小波散射变换的具体过程为:
S0x=AJx(u)=x*φJ(2Ju)
其中*为卷积操作,φJ为一个窗口大小为2J的低通滤波器,AJ为平均滤波算子,代表了信号经过低通滤波器局部取均值的计算过程,
将母小波ψ在尺度1≤2j≤2J缩放,得到一个小波簇ψj(u)=2-2jψ(2-ju),然后将信号与小波簇中的小波分别卷积,得到散射网络第1阶的散射算子:
将结果取模后通过低通滤波器局部取均值,得到散射网络的第1阶系数:
同理得散射网络第2阶的散射算子和散射系数为:
S2x=AJ|W2||W1|x
然后重复迭代操作,在m阶时的散射输出为:
Smx=AJ|Wm|…|W2||W1|x
最后得到的散射系数为散射变换在第0阶到第m阶的所有输出集合,即为输入心脏信号的小波散射特征:
Sx={S0x,S1x,…Smx}。
3.根据权利要求2所述的一种基于多维度生理信息的心脏健康监护系统,其特征在于所述长短时记忆神经网络具体执行如下步骤:
(1)通过sigmoid函数计算遗忘信息,表示为:
ft=σ(Wf*[ht-1,xt]+bf)
(2)单元状态中进行信息存储,通过输入门决定更新的信息,表示为:
it=σ(Wi*[ht-1,xt]+bi)
ct1=tanh(Wc*[ht-1,xt]+bc)
(3)通过遗忘门和输入门计算出新的单元状态,表示为:
ct=ft*ct-1+it*ct1
(4)在新的单元状态基础上计算出输出结果,表示为:
ot=σ(Wo*[ht-1,xt]+bo)
ht=ot*tanh(ct)
其中Wo为计算单元状态的权值,bo为计算单元状态的偏置;Wf为遗忘门的权值,bf为遗忘门的偏置;Wc为输出门的权值,bc为输出门的偏置;Wi为输入门的权值,bi为输入门的偏置,其中,xt为当前网络的输入,ht-1为上一时刻网络的输入,ct-1为上一个记忆单元的状态,ft为遗忘门的输出,σ为sigmoid激活函数,it为输入门在t时刻的输出,ot为输出门在t时刻的输出,ht为预判的输出结果,ct1为记忆单元的输出。
4.根据权利要求3所述的一种基于多维度生理信息的心脏健康监护系统,其特征在于所述心电信号检测模块、心音信号检测模块和心冲击图信号检测模块采集心电、心音和心冲击信号采用电极式的采集方式,所述心冲击图信号检测模块电极内设有人体微振动传感器。
5.根据权利要求4所述的一种基于多维度生理信息的心脏健康监护系统,其特征在于所述心率检测模块利用光学心率传感器检测心率;
所述血压检测模块利用光电传感器检测血压;
所述血氧检测模块血氧饱和度传感器检测血氧饱和度。
6.根据权利要求5所述的一种基于多维度生理信息的心脏健康监护系统,其特征在于所述心率、血压及血氧饱和度值的正常值为:
正常的心率范围为:60-100次/分;
正常的血压范围为:收缩压在90-135mmHg,舒张压在60-85mmHg;
正常人体动脉血的血氧浓度为98%,静脉血为75%。
7.根据权利要求1所述的一种基于多维度生理信息的心脏健康监护系统,其特征在于所述系统还包括定位模块和报警模块,
若中央控制及处理单元得到的心脏健康状况的诊断结果状况不佳,则报警模块进行报警提示,定位模块将定位信息一同发送给预设的联系人。
8.根据权利要求1所述的一种基于多维度生理信息的心脏健康监护系统,其特征在于所述系统还包括显示模块,
所述显示模块用于展示中央控制及处理单元得到的诊断结果。
9.根据权利要求1所述的一种基于多维度生理信息的心脏健康监护系统,其特征在于所述心电、心音和心冲击信号通过有线或者无线通信方式发送给中央控制及处理单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111400767.XA CN114081462B (zh) | 2021-11-19 | 2021-11-19 | 一种基于多维度生理信息的心脏健康监护系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111400767.XA CN114081462B (zh) | 2021-11-19 | 2021-11-19 | 一种基于多维度生理信息的心脏健康监护系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114081462A CN114081462A (zh) | 2022-02-25 |
CN114081462B true CN114081462B (zh) | 2023-06-09 |
Family
ID=80303757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111400767.XA Active CN114081462B (zh) | 2021-11-19 | 2021-11-19 | 一种基于多维度生理信息的心脏健康监护系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114081462B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898871A (zh) * | 2022-07-14 | 2022-08-12 | 陕西省人民医院 | 一种基于人工神经网络的心脏病诊断研究方法 |
CN115363594A (zh) * | 2022-09-13 | 2022-11-22 | 广州迪迈信息科技有限公司 | 一种基于循环神经网络的实时心脏疾病筛查方法 |
CN115486852B (zh) * | 2022-09-30 | 2023-06-30 | 吉林省初心健康科技有限公司 | 心脏康复设备及其控制方法、装置、存储介质 |
CN115316985B (zh) * | 2022-10-13 | 2023-04-18 | 华南师范大学 | 基于生理信号的心脏信息检测方法、装置以及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101518439A (zh) * | 2009-03-24 | 2009-09-02 | 重庆大学 | 一种基于心音和心电的心脏功能检测系统 |
CN105827731A (zh) * | 2016-05-09 | 2016-08-03 | 包磊 | 基于融合模型的智能化健康管理服务器、系统及其控制方法 |
CN110322947A (zh) * | 2019-06-14 | 2019-10-11 | 电子科技大学 | 一种基于深度学习的高血压老年人运动处方推荐方法 |
CN113077795A (zh) * | 2021-04-06 | 2021-07-06 | 重庆邮电大学 | 一种通道注意力传播与聚合下的声纹识别方法 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1943505A (zh) * | 2006-08-10 | 2007-04-11 | 方祖祥 | 高危心脏病人群的远程实时监护系统及集控式连续监护方法 |
CN102163257A (zh) * | 2011-02-22 | 2011-08-24 | 郑州大学 | 心电监护与自适应模糊推理网络的冠心病自诊断系统 |
CN104504403B (zh) * | 2015-01-16 | 2018-06-05 | 重庆大学 | 一种基于散射变换的旋转机械故障预测方法 |
EP3135194A1 (en) * | 2015-08-28 | 2017-03-01 | Universite Libre De Bruxelles | Improvements in or relating to heart monitoring |
CN106725393A (zh) * | 2017-01-22 | 2017-05-31 | 马业诚 | 一种便携式可穿戴人体生命体征参数监测系统 |
CN107960990A (zh) * | 2018-01-11 | 2018-04-27 | 上海健康医学院 | 一种穿戴式心脑血管疾病智能监测系统及方法 |
US20220020488A1 (en) * | 2018-10-31 | 2022-01-20 | Resmed Inc. | System and method for varying data volume transmitted to external source |
CN111261277A (zh) * | 2018-11-30 | 2020-06-09 | 上海图灵医疗科技有限公司 | 一种基于深度学习模型的心脏疾病的检测方法 |
CN110353725A (zh) * | 2019-07-10 | 2019-10-22 | 东南大学 | 一种基于云架构的心音采集与分析系统及方法 |
CN110555388A (zh) * | 2019-08-06 | 2019-12-10 | 浙江大学 | 基于cnn和lstm的心内异常激动点定位模型构建方法 |
CN110849947B (zh) * | 2019-11-20 | 2022-08-09 | 齐齐哈尔大学 | 水果变质检测系统及其建造方法及检测方法 |
CN111222442A (zh) * | 2019-12-31 | 2020-06-02 | 中国电子科技集团公司第三十六研究所 | 一种电磁信号分类方法和装置 |
US11842531B2 (en) * | 2020-02-28 | 2023-12-12 | United States Postal Service | System and method for image compression |
CN111887858B (zh) * | 2020-08-04 | 2021-05-04 | 西安电子科技大学 | 基于跨模态映射的心冲击图信号心率估计方法 |
CN111956221B (zh) * | 2020-09-07 | 2022-06-07 | 南京医科大学 | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 |
CN112859011B (zh) * | 2021-01-12 | 2022-06-07 | 武汉大学 | 一种单波长机载测深雷达波形信号提取方法 |
CN113011392B (zh) * | 2021-04-25 | 2023-04-18 | 吉林大学 | 一种基于路面图像多纹理特征融合的路面类型识别方法 |
CN113343805A (zh) * | 2021-05-26 | 2021-09-03 | 南京医科大学 | 一种基于rr间期心电数据和集成学习的房颤节律识别方法 |
CN113361385B (zh) * | 2021-06-03 | 2022-06-21 | 山东大学 | 心音分类方法及系统、可读存储介质、电子设备 |
CN113558590A (zh) * | 2021-07-02 | 2021-10-29 | 浙江工业大学 | 一种基于心电-压电脉搏波耦合的血压监测方法及设备 |
CN113397555A (zh) * | 2021-07-21 | 2021-09-17 | 南通大学附属医院 | 生理参数监测用c-lstm的心率失常分类算法 |
-
2021
- 2021-11-19 CN CN202111400767.XA patent/CN114081462B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101518439A (zh) * | 2009-03-24 | 2009-09-02 | 重庆大学 | 一种基于心音和心电的心脏功能检测系统 |
CN105827731A (zh) * | 2016-05-09 | 2016-08-03 | 包磊 | 基于融合模型的智能化健康管理服务器、系统及其控制方法 |
CN110322947A (zh) * | 2019-06-14 | 2019-10-11 | 电子科技大学 | 一种基于深度学习的高血压老年人运动处方推荐方法 |
CN113077795A (zh) * | 2021-04-06 | 2021-07-06 | 重庆邮电大学 | 一种通道注意力传播与聚合下的声纹识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114081462A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114081462B (zh) | 一种基于多维度生理信息的心脏健康监护系统 | |
JP6567728B2 (ja) | 患者の生存性を予測する方法 | |
US8388530B2 (en) | Personalized monitoring and healthcare information management using physiological basis functions | |
CN108577830B (zh) | 一种面向用户的体征信息动态监护方法和动态监护系统 | |
US11931154B2 (en) | Systems and methods for classifying ECG data | |
EP2654560B1 (en) | Heart failure detection with a sequential classifier | |
US20210146117A1 (en) | Cardiac output control apparatus and method of use thereof | |
Randazzo et al. | VITAL-ECG: A portable wearable hospital | |
CN112568876A (zh) | 基于lstm多生理参数的老年人健康预测系统及预测方法 | |
Kenneth et al. | Data fusion of multimodal cardiovascular signals | |
US20180055373A1 (en) | Monitoring device to identify candidates for autonomic neuromodulation therapy | |
Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
Rocha et al. | Wearable computing for patients with coronary diseases: Gathering efforts by comparing methods | |
US20210315506A1 (en) | Electrocardiogram analysis | |
US11596362B2 (en) | Method and system for quickly detecting an abnormal concentration of potassium ions in blood from an electrocardiogram | |
Chen et al. | Beat-to-beat heart rate detection based on seismocardiogram using BiLSTM network | |
Lim et al. | ECG signal analysis for patient with metabolic syndrome based on 1D-convolution neural network | |
CN117045216B (zh) | 一种基于模糊控制的血液指标非侵入性医疗分析系统 | |
Jain et al. | A multi-signal acquisition system for preventive cardiology with cuff-less BP measurement capability | |
US20210146115A1 (en) | Cardiac output controlled electroactive polymer sleeve heart assist apparatus and method of use thereof | |
이동석 | Cuffless Blood Pressure Estimation based on Deep Learning approach: From Personalization to Generalization | |
Gunduz | Heart Failure Detection with Deep Networks Based on Electrocardiography and Impedance Cardiography Signals | |
Rahman et al. | Reconstruction of 3-Axis Seismocardiogram from Right-to-left and Head-to-foot Components Using A Long Short-Term Memory Network | |
Wu | Biosensors And Intelligent Algorithms for Heart Failure Monitoring | |
Kim et al. | Normalization and Comparison of Photoplethysmography Between Normal and Patient Groups Using Deep Neural Networks |
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 |