CN114098681A - 一种基于tcn模型和ppg信号的智能血压预测方法 - Google Patents
一种基于tcn模型和ppg信号的智能血压预测方法 Download PDFInfo
- Publication number
- CN114098681A CN114098681A CN202111342374.8A CN202111342374A CN114098681A CN 114098681 A CN114098681 A CN 114098681A CN 202111342374 A CN202111342374 A CN 202111342374A CN 114098681 A CN114098681 A CN 114098681A
- Authority
- CN
- China
- Prior art keywords
- ppg signal
- blood pressure
- pressure prediction
- tcn model
- 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.)
- Pending
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000010606 normalization Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 230000035487 diastolic blood pressure Effects 0.000 claims abstract description 11
- 230000035488 systolic blood pressure Effects 0.000 claims abstract description 11
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013186 photoplethysmography Methods 0.000 abstract description 65
- 238000000605 extraction Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000036543 hypotension Effects 0.000 description 1
- 235000001705 insufficient nutrition Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000707 wrist Anatomy 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
- A61B5/02—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
- A61B5/02141—Details of apparatus construction, e.g. pump units or housings therefor, cuff pressurising systems, arrangements of fluid conduits or circuits
-
- 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
Abstract
本发明涉及无创收缩压和舒张压的预测技术领域，具体公开了一种基于TCN模型和PPG信号的智能血压预测方法，包括：采集PPG信号，并对PPG信号进行分割，将分割后的PPG信号样本分为训练集和测试集；将训练集和测试集中的PPG信号样本进行归一化处理；确定初始血压预测网络TCN模型，将训练集中归一化处理后的PPG信号样本输入到初始血压预测网络TCN模型中进行训练，得到训练后的血压预测网络TCN模型；将测试集中归一化处理后的PPG信号样本输入到训练后的血压预测网络TCN模型中进行血压预测，得到血压预测结果。本发明提高了整个预测模型的关联性和预测精度，能够有效且准确的实现人体收缩压和舒张压的预测。
Description
技术领域
本发明涉及无创收缩压和舒张压的预测技术领域，更具体地，涉及一种基于TCN模型和PPG信号的智能血压预测方法。
背景技术
血压(BP)是指心脏射出的血液在血管中的压力。如果不能保持正常的血压，就会出现诸如无法为身体提供足够的营养和器官功能丧失等问题。特别是当血压过高时，血管会发生动脉硬化，可引起多种疾病。BP是确定健康风险的关键因素，定期检查BP是必要的，特别是在提高预期寿命和人口老龄化的背景下。传统的血压测量方法是使用水银血压计或者电子血压计进行血压测量，但传统方法的缺点是个人需要去医院或购买测量仪器来获取血压数据。因此，基于光电容积描记(PPG)的腕带血压测量设备的开发得到了广泛的研究。
传统的基于PPG的BP估计技术是通过预处理技术和复杂的特征提取技术进行PPG信号预处理，然后使用朴素多项式回归或特定回归公式等机器学习方法进行收缩压(SBP)和舒张压(DBP)预测。基于脉搏波传输时间(PTT)、脉搏波到达时间(PAT)和脉搏波波速(PWV)的BP估计方法在过去的几十年里得到了广泛的研究。虽然PTT、PAT和PWV可以完成BP预测的任务，但它们需要使用两个传感器，而且由于不同人体的生理参数不同，每个单独个体的参数都需要进行校准，这并不适合实际应用。
近年来，深度学习的发展为数据驱动的BP预测提供了机遇。常用的深度学习方法包括自动编码器、卷积神经网络、深度信念网络和循环神经网络。为了充分发挥深度学习在特征提取方面的优势，构建深度神经网络模型来实现PPG信号的特征提取和健康指标的预测成为关注的焦点。由于BP和PPG信号是连续变化的时间序列，因此前后方向信息对BP预测同样具有参考意义。因此，如何从PPG信号中准确地估计用户的BP值仍是一个挑战。
发明内容
针对现有技术中存在的上述弊端，本发明提供了一种基于TCN模型和PPG信号的智能血压预测方法，提高了整个预测模型的关联性和预测精度，能够有效且准确的实现人体收缩压和舒张压的预测。
作为本发明的第一个方面，提供一种基于TCN模型和PPG信号的智能血压预测方法，包括以下步骤：
步骤S1：采集受试者的PPG信号，并根据预先设置的样本时长对所述PPG信号进行分割，将分割后的PPG信号样本分为训练集和测试集；
步骤S2：将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本进行归一化处理；
步骤S3：确定初始血压预测网络TCN模型，将所述训练集中归一化处理后的PPG信号样本输入到所述初始血压预测网络TCN模型中进行训练，得到训练后的血压预测网络TCN模型；
步骤S4：将所述测试集中归一化处理后的PPG信号样本输入到所述训练后的血压预测网络TCN模型中进行血压预测，得到人体的收缩压和舒张压。
进一步地，在所述步骤S1中，还包括：
通过PPG信号采集设备采集所述受试者的PPG信号；
设置每次进行分析的样本时长，并根据样本时长采用滑动窗口的方法对所述PPG信号进行分割，将分割后的PPG信号样本分为训练集和测试集。
进一步地，在所述步骤S2中还包括：
将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本采用min-max归一化的方法进行比例缩放。
进一步地，在所述步骤S3中，所述初始血压预测网络TCN模型包括1个卷积层、3个残差块、1个全局平均池化层以及1个全连接层，所述训练集中归一化处理后的PPG信号样本在所述初始血压预测网络TCN模型中的具体处理过程包括：
步骤S3.1：通过所述卷积层对输入的所述训练集中归一化处理后的PPG信号样本进行压缩，得到压缩的信息流，并提取所述压缩的信息流中的短时特征；
步骤S3.2：将所述压缩的信息流中的短时特征依次流经3个拥有时间卷积的所述残差块，以提取所述压缩的信息流中的长期依赖信息，其中，3个残差块内部的通道数和扩张率以2的倍数递增；
步骤S3.3：将通过所述3个残差块提取的长期依赖信息输入到所述全局平均池化层；
步骤S3.4：将所述全局平均池化层输出的特征输入到所述全连接层中，以获取所述训练后的血压预测网络TCN模型。
进一步地，在所述步骤S3.2中，每个所述残差块内部处理数据的具体过程包括：
步骤S3.2.1：输入的所述压缩的信息流中的短时特征通过主路径和快捷方式路径分别进行特征提取，主路径中输入的短时特征依次通过第一扩张卷积层、第一批归一化层、第一ReLU激活函数、第一dropout层、第二扩张卷积层、第二批归一化层、第二ReLU激活函数以及第二dropout层进行特征提取；
步骤S3.2.2：快捷方式路径中输入的短时特征不进行任何压缩处理，直接将输入的短时特征输出；
步骤S3.2.3：将通过主路径和快捷方式路径提取的特征采用通道拼接的方法进行特征融合。
进一步地，在所述步骤S3中，还包括：
所述初始血压预测网络TCN模型采用Adam优化器进行网络训练，并采用交叉熵损失函数来评估网络的训练和验证损失。
本发明提供的一种基于TCN模型和PPG信号的智能血压预测方法具有以下优点：采用血压预测网络TCN模型实现了对PPG信号的特征提取和血压预测，该血压预测网络TCN模型采用扩张卷积，实现了PPG信号长期依赖信息的提取，不仅能够分析当前时刻的信息，还能对过去时刻和未来时刻的信息进行提取和分析，提高了整个血压预测网络TCN模型的关联性和预测精度，能够有效且准确的实现人体收缩压和舒张压的预测。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。
图1为本发明提供的一种基于TCN模型和PPG信号的智能血压预测方法的流程图。
图2为本发明提供的残差块的整体结构示意图。
图3为本发明提供的血压预测网络TCN模型的整体结构示意图。
图4为本发明提供的收缩压和舒张压预测结果的回归分析图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种基于TCN模型和PPG信号的智能血压预测方法其具体实施方式、结构、特征及其功效，详细说明如后。显然，所描述的实施例为本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
在本实施例中提供了一种基于TCN模型和PPG信号的智能血压预测方法，如图1所示，一种基于TCN模型和PPG信号的智能血压预测方法包括：
步骤S1：采集受试者的PPG信号，并根据预先设置的样本时长对所述PPG信号进行分割，将分割后的PPG信号样本分为训练集和测试集；
需要说明的是，PPG信号为光电血管容积图信号；
步骤S2：将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本进行归一化处理；
步骤S3：确定初始血压预测网络TCN模型的整体结构和超参数，将所述训练集中归一化处理后的PPG信号样本输入到所述初始血压预测网络TCN模型中进行训练，得到训练后的血压预测网络TCN模型；
需要说明的是，训练后的血压预测网络TCN模型为一个用于PPG信号的特征提取模型和血压预测模型；
步骤S4：将所述测试集中归一化处理后的PPG信号样本输入到所述训练后的血压预测网络TCN模型中进行血压预测，得到人体的收缩压和舒张压。
在本发明实施例中，血压预测结果如图4所示，可以看到DBP和SBP的估计值的拟合线与真实血压值的拟合线非常接近，具有很好的预测效果。
优选地，在所述步骤S1中，还包括：
通过PPG信号采集设备采集所述受试者的PPG信号；
设置每次进行分析的样本时长，并根据样本时长采用滑动窗口的方法对所述PPG信号进行分割，将分割后的PPG信号样本分为训练集和测试集。
需要说明的是，PPG信号来自PhysioNet提供的重症监护多参数智能监测(MIMIC)II在线波形数据库中的数据，数据集包括正常、高血压和低血压人群，其采样频率为125Hz，精度为8位。
需要注意的是，PPG信号是通过血氧仪采集指尖PPG信号获得，血压是通过主动脉有创记录ABP计算得到。
优选地，在所述步骤S2中还包括：
将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本采用min-max归一化的方法进行比例缩放，将信号幅值控制在指定的范围内，提高模型的训练效率。
优选地，在所述步骤S3中，如图3所示，所述初始血压预测网络TCN模型包括1个卷积层、3个残差块、1个全局平均池化层以及1个全连接层，所述训练集中归一化处理后的PPG信号样本在所述初始血压预测网络TCN模型中的具体处理过程包括：
步骤S3.1：通过所述卷积层对输入的所述训练集中归一化处理后的PPG信号样本进行压缩，得到压缩的信息流，并提取所述压缩的信息流中的短时特征；
步骤S3.2：将所述压缩的信息流中的短时特征依次流经3个如图2所示的拥有时间卷积的所述残差块(ResBlock)，以提取所述压缩的信息流中的长期依赖信息，其中，3个残差块(ResBlock)内部的通道数和扩张率以2的倍数递增；
步骤S3.3：将通过所述3个残差块提取的长期依赖信息输入到所述全局平均池化层，缓解预测网络的过拟合问题；
步骤S3.4：将所述全局平均池化层输出的特征输入到所述全连接层中，以获取所述训练后的血压预测网络TCN模型。
优选地，如图2所示，在所述步骤S3.2中，每个所述残差块内部处理数据的具体过程包括：
步骤S3.2.1：输入的所述压缩的信息流中的短时特征通过主路径和快捷方式路径分别进行特征提取，主路径中输入的短时特征依次通过第一扩张卷积层、第一批归一化层、第一ReLU激活函数、第一dropout层、第二扩张卷积层、第二批归一化层、第二ReLU激活函数以及第二dropout层进行特征提取；
步骤S3.2.2：快捷方式路径中输入的短时特征不进行任何压缩处理，直接将输入的短时特征输出；
步骤S3.2.3：将通过主路径和快捷方式路径提取的特征采用通道拼接的方法进行特征融合。
优选地，在所述步骤S3中，还包括：
所述初始血压预测网络TCN模型采用Adam优化器进行网络训练，并采用交叉熵损失函数来评估网络的训练和验证损失。
本发明提供的一种基于TCN模型和PPG信号的智能血压预测方法，采用血压预测网络TCN模型实现了对PPG信号的特征提取和血压预测，该血压预测网络TCN模型采用扩张卷积，实现了PPG信号长期依赖信息的提取，不仅能够分析当前时刻的信息，还能对过去时刻和未来时刻的信息进行提取和分析，提高了整个血压预测网络TCN模型的关联性和预测精度，能够有效且准确的实现人体收缩压和舒张压的预测。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (6)
1.一种基于TCN模型和PPG信号的智能血压预测方法，其特征在于，包括以下步骤：
步骤S1：采集受试者的PPG信号，并根据预先设置的样本时长对所述PPG信号进行分割，将分割后的PPG信号样本分为训练集和测试集；
步骤S2：将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本进行归一化处理；
步骤S3：确定初始血压预测网络TCN模型，将所述训练集中归一化处理后的PPG信号样本输入到所述初始血压预测网络TCN模型中进行训练，得到训练后的血压预测网络TCN模型；
步骤S4：将所述测试集中归一化处理后的PPG信号样本输入到所述训练后的血压预测网络TCN模型中进行血压预测，得到人体的收缩压和舒张压。
2.根据权利要求1所述的一种基于TCN模型和PPG信号的智能血压预测方法，其特征在于，在所述步骤S1中，还包括：
通过PPG信号采集设备采集所述受试者的PPG信号；
设置每次进行分析的样本时长，并根据样本时长采用滑动窗口的方法对所述PPG信号进行分割，将分割后的PPG信号样本分为训练集和测试集。
3.根据权利要求1所述的一种基于TCN模型和PPG信号的智能血压预测方法，其特征在于，在所述步骤S2中还包括：
将所述训练集中的PPG信号样本和所述测试集中的PPG信号样本采用min-max归一化的方法进行比例缩放。
4.根据权利要求1所述的一种基于TCN模型和PPG信号的智能血压预测方法，其特征在于，在所述步骤S3中，所述初始血压预测网络TCN模型包括1个卷积层、3个残差块、1个全局平均池化层以及1个全连接层，所述训练集中归一化处理后的PPG信号样本在所述初始血压预测网络TCN模型中的具体处理过程包括：
步骤S3.1：通过所述卷积层对输入的所述训练集中归一化处理后的PPG信号样本进行压缩，得到压缩的信息流，并提取所述压缩的信息流中的短时特征；
步骤S3.2：将所述压缩的信息流中的短时特征依次流经3个拥有时间卷积的所述残差块，以提取所述压缩的信息流中的长期依赖信息，其中，3个残差块内部的通道数和扩张率以2的倍数递增；
步骤S3.3：将通过所述3个残差块提取的长期依赖信息输入到所述全局平均池化层；
步骤S3.4：将所述全局平均池化层输出的特征输入到所述全连接层中，以获取所述训练后的血压预测网络TCN模型。
5.根据权利要求4所述的一种基于TCN模型和PPG信号的智能血压预测方法，其特征在于，在所述步骤S3.2中，每个所述残差块内部处理数据的具体过程包括：
步骤S3.2.1：输入的所述压缩的信息流中的短时特征通过主路径和快捷方式路径分别进行特征提取，主路径中输入的短时特征依次通过第一扩张卷积层、第一批归一化层、第一ReLU激活函数、第一dropout层、第二扩张卷积层、第二批归一化层、第二ReLU激活函数以及第二dropout层进行特征提取；
步骤S3.2.2：快捷方式路径中输入的短时特征不进行任何压缩处理，直接将输入的短时特征输出；
步骤S3.2.3：将通过主路径和快捷方式路径提取的特征采用通道拼接的方法进行特征融合。
6.根据权利要求1所述的一种基于TCN模型和PPG信号的智能血压预测方法，其特征在于，在所述步骤S3中，还包括：
所述初始血压预测网络TCN模型采用Adam优化器进行网络训练，并采用交叉熵损失函数来评估网络的训练和验证损失。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111342374.8A CN114098681A (zh) | 2021-11-12 | 2021-11-12 | 一种基于tcn模型和ppg信号的智能血压预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111342374.8A CN114098681A (zh) | 2021-11-12 | 2021-11-12 | 一种基于tcn模型和ppg信号的智能血压预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114098681A true CN114098681A (zh) | 2022-03-01 |
Family
ID=80379718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111342374.8A Pending CN114098681A (zh) | 2021-11-12 | 2021-11-12 | 一种基于tcn模型和ppg信号的智能血压预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114098681A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110400222A (zh) * | 2019-07-26 | 2019-11-01 | 华南师范大学 | 一种基于隐马尔可夫与深度学习的股市预测方法 |
| CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
| WO2020146246A1 (en) * | 2019-01-07 | 2020-07-16 | Bose Corporation | In-ear biometric monitoring using photoplethysmography (ppg) |
| CN111685748A (zh) * | 2020-06-15 | 2020-09-22 | 广州视源电子科技股份有限公司 | 一种基于分位数的血压预警方法、装置、设备及存储介质 |
| CN111839506A (zh) * | 2019-04-30 | 2020-10-30 | 清华大学 | 脑力负荷检测方法及装置 |
| CN112022126A (zh) * | 2020-09-28 | 2020-12-04 | 无锡博智芯科技有限公司 | 一种基于CNN-BiLSTM模型和PPG的智能血压预测方法 |
| CN112033463A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种核动力设备状态评估与预测一体化方法和系统 |
| CN112022125A (zh) * | 2020-09-28 | 2020-12-04 | 无锡博智芯科技有限公司 | 一种基于CNN-BiGRU模型和PPG的智能血压预测方法 |
| CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
| CN112578089A (zh) * | 2020-12-24 | 2021-03-30 | 河北工业大学 | 一种基于改进tcn的空气污染物浓度预测方法 |
| CN113486578A (zh) * | 2021-06-28 | 2021-10-08 | 北京科技大学 | 一种工业过程中设备剩余寿命的预测方法 |
| US20210330238A1 (en) * | 2018-09-06 | 2021-10-28 | Technion Research & Development Foundation Limited | Predicting ventricular fibrillation |
-
2021
- 2021-11-12 CN CN202111342374.8A patent/CN114098681A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210330238A1 (en) * | 2018-09-06 | 2021-10-28 | Technion Research & Development Foundation Limited | Predicting ventricular fibrillation |
| WO2020146246A1 (en) * | 2019-01-07 | 2020-07-16 | Bose Corporation | In-ear biometric monitoring using photoplethysmography (ppg) |
| CN111839506A (zh) * | 2019-04-30 | 2020-10-30 | 清华大学 | 脑力负荷检测方法及装置 |
| CN110400222A (zh) * | 2019-07-26 | 2019-11-01 | 华南师范大学 | 一种基于隐马尔可夫与深度学习的股市预测方法 |
| CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
| CN111685748A (zh) * | 2020-06-15 | 2020-09-22 | 广州视源电子科技股份有限公司 | 一种基于分位数的血压预警方法、装置、设备及存储介质 |
| CN112033463A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种核动力设备状态评估与预测一体化方法和系统 |
| CN112022126A (zh) * | 2020-09-28 | 2020-12-04 | 无锡博智芯科技有限公司 | 一种基于CNN-BiLSTM模型和PPG的智能血压预测方法 |
| CN112022125A (zh) * | 2020-09-28 | 2020-12-04 | 无锡博智芯科技有限公司 | 一种基于CNN-BiGRU模型和PPG的智能血压预测方法 |
| CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
| CN112578089A (zh) * | 2020-12-24 | 2021-03-30 | 河北工业大学 | 一种基于改进tcn的空气污染物浓度预测方法 |
| CN113486578A (zh) * | 2021-06-28 | 2021-10-08 | 北京科技大学 | 一种工业过程中设备剩余寿命的预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108498089B (zh) | 一种基于深度神经网络的无创连续血压测量方法 | |
| Chowdhury et al. | Time-frequency analysis, denoising, compression, segmentation, and classification of PCG signals | |
| US20190295729A1 (en) | Universal non-invasive blood glucose estimation method based on time series analysis | |
| CN106691406A (zh) | 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 | |
| US20160070880A1 (en) | Method and system for predicting continous cardiac output (cco) of a patient based on physiological data | |
| Argha et al. | A novel automated blood pressure estimation algorithm using sequences of Korotkoff sounds | |
| CN113729648B (zh) | 一种基于多脉搏传感器的穿戴式脉诊手环系统 | |
| CN113598737A (zh) | 一种基于特征融合的血压预测方法 | |
| CN113662520B (zh) | 一种基于不确定性量化策略的可穿戴连续血压测量系统 | |
| Roy et al. | BePCon: A photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning | |
| KR102469495B1 (ko) | 심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법 | |
| Yen et al. | Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN. | |
| Pan et al. | Improved blood pressure estimation using photoplethysmography based on ensemble method | |
| Habbu et al. | Noninvasive blood glucose estimation using pulse based cepstral coefficients | |
| CN114098681A (zh) | 一种基于tcn模型和ppg信号的智能血压预测方法 | |
| CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
| Ma et al. | PPG-based continuous BP waveform estimation using polarized attention-guided conditional adversarial learning model | |
| CN111067500A (zh) | 一种基于ppg信号实现连续血压的监测系统 | |
| CN115089145A (zh) | 基于多尺度残差网络和ppg信号的智能血压预测方法 | |
| CN115836847A (zh) | 一种血压预测装置及设备 | |
| RU2738071C1 (ru) | Способ оценки состояния артериовенозной фистулы | |
| Fakhry et al. | Comparison of window shapes and lengths in short-time feature extraction for classification of heart sound signals | |
| Wang et al. | IMSF-Net: An improved multi-scale information fusion network for PPG-based blood pressure estimation | |
| Rundo et al. | Advanced Multi-neural System for Cuff-less Blood Pressure Estimation through Nonlinear HC-features. | |
| Aldein et al. | An ECG-Based Blood Pressure Estimation Using U-Net auto-encoder and Random Forest Regressor |
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 |