CN114869249B - 脉搏波特征参数的获取方法、装置、电子设备及介质 - Google Patents
脉搏波特征参数的获取方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114869249B CN114869249B CN202210811928.2A CN202210811928A CN114869249B CN 114869249 B CN114869249 B CN 114869249B CN 202210811928 A CN202210811928 A CN 202210811928A CN 114869249 B CN114869249 B CN 114869249B
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- pulse
- sub
- analysis
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 157
- 230000000737 periodic effect Effects 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 33
- 238000002372 labelling Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 2
- 238000000605 extraction Methods 0.000 abstract description 7
- 239000011159 matrix material Substances 0.000 description 25
- 238000010586 diagram Methods 0.000 description 19
- 238000003745 diagnosis Methods 0.000 description 13
- 239000003814 drug Substances 0.000 description 6
- 210000004204 blood vessel Anatomy 0.000 description 5
- 210000005240 left ventricle Anatomy 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000036581 peripheral resistance Effects 0.000 description 5
- 210000000709 aorta Anatomy 0.000 description 4
- 210000001765 aortic valve Anatomy 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000036278 prepulse Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
-
- 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
- A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Alternative & Traditional Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请提供一种脉搏波特征参数的获取方法、装置、电子设备及介质。该方法在获取待检测对象的待分析脉搏波后，针对任一子脉搏波，将子脉搏波输入预先训练的脉搏分析网络，得到脉搏分析网络输出的脉搏波分析信号点的位置信息；基于各脉搏波周期信号对应的脉搏波分析信号点的位置信息，确定待分析脉搏波对应的脉搏波特征参数；脉搏波特征参数为用于诊断待分析脉搏波是否存在异常的诊断参数。该方法降低了传统脉搏波特征提取方法的复杂度，提高了获取脉搏波特征参数的准确性。
Description
技术领域
本申请涉及医疗器械技术领域，具体而言，涉及一种脉搏波特征参数的获取方法、装置、电子设备及介质。
背景技术
脉诊是中医临床中不可缺少的诊察步骤和内容，是中医根据“脉象”观察、判断病症情况的一种诊断方法。脉诊的重要性体现在脉象反映出机体各部分的生理病理信息以及变化趋势。
近年来，为实现中医脉诊技术的现代化，推出了相关的中医脉诊仪器，其利用信号采集装置（压力传感器或光感传感器）从病人采集反映脉象的脉搏波,并且进一步利用数据分析处理技术、图像处理技术等对脉搏波进行量化分析处理，为脉象的判断提供客观的数据信息，从而为脉诊创造便利条件。在该对脉搏波的数据分析处理过程中，通常包括对脉搏波特征参数的提取，这是脉诊的关键过程之一。
然而，传统的脉搏波特征提取手段，如申请号为CN200810153175.0名称为“中医脉象特征函数自动提取方法”、申请号为CN200510061394.2名称为“中医脉象特征参数自动检测方法”、申请号为CN201110316835.4名称为“脉搏波的特征参数提取”，在复杂多变的应用场景中，可能会受到多种干扰，如运动伪迹、工频干扰、高频噪声污染等，导致提取出的特征参数准确性较差。
发明内容
本申请实施例的目的在于提供一种脉搏波特征参数的获取方法、装置、电子设备及介质，用以解决现有技术存在的上述问题，通过脉搏波分析信号点的位置信息确定脉搏波特征参数的方式，降低了传统脉搏波特征提取方法的复杂度，同时提高了获取脉搏波特征参数的准确性。
第一方面，提供了一种脉搏波特征参数的获取方法，该方法可以包括：
获取待检测对象的待分析脉搏波，所述待分析脉搏波是由按照采集脉搏波动信号点的时间顺序排列的而成的；所述待分析脉搏波包括多个具有预设脉搏波动周期的子脉搏波；
针对任一子脉搏波，将所述子脉搏波输入预先训练的脉搏分析网络，得到所述脉搏分析网络输出的脉搏波分析信号点的位置信息；所述脉搏分析网络是基于获取的子脉搏波样本和相应子脉搏波样本的标注信息，对待训练的卷积神经网络进行迭代训练得到的，所述标注信息是对相应子脉搏波样本的脉搏波分析参数的位置信息进行标注得到的；所述脉搏波分析信号点包括所述子脉搏波上的多个目标脉搏波动信号点；
基于各脉搏波周期信号对应的脉搏波分析信号点的位置信息，确定所述待分析脉搏波对应的脉搏波特征参数；所述脉搏波特征参数为用于诊断所述待分析脉搏波是否存在异常的诊断参数。
在一个可选的实施方式中，获取待检测对象的待分析脉搏波，包括：
按照时间顺序，基于预设的采样率，采集待检测对象的脉搏波动信号，得到脉搏波；
按照预设脉搏波动周期，对所述脉搏波进行周期分割，得到多个初级子脉搏波；
对各初级子脉搏波进行预处理，得到所述待分析脉搏波；
其中，所述预处理包括对任一初级子脉搏波执行脉搏波标准化处理和预设脉搏波长度处理。
在一个可选的实施方式中，所述脉搏分析网络的训练步骤包括：
利用不同的采集设备，采集不同对象在不同时间的脉搏波样本集合；所述脉搏波样本集合中的各脉搏波样本包括多个具有预设脉搏波动周期，且经过样本预处理后的子脉搏波样本；所述样本预处理包括对所述各脉搏波样本中任一具有预设脉搏波动周期的初级子脉搏波样本执行脉搏波标准化处理和预设脉搏波长度处理；
针对任一获取的子脉搏波样本，将所述子脉搏波样本输入待训练的卷积神经网络，输出所述子脉搏波样本对应的预测脉搏波分析信号点的位置信息；所述待训练的卷积神经网络包括当前网络参数；并采用预设损失函数，对所述脉搏波分析信号点的预测位置信息和所述子脉搏波样本对应的脉搏波分析信号点的真实位置信息进行计算，得到所述子脉搏波样本对应的损失值和所述损失值对应的训练后的卷积神经网络；所述训练后的卷积神经网络是基于所述损失值对所述当前网络参数更新后得到的卷积神经网络；
若所述损失值满足预设训练停止条件，则将所述训练后的卷积神经网络确定为训练完成的脉搏分析网络。
在一个可选的实施方式中，所述脉搏分析网络包括：
1个步长为1的SE-ResNet组合模块、2个步长为2的池化模块、4个步长为2的SE-ResNet组合模块、2个特征拼接模块、1个1*1的卷积模块、1个全局平均池化模块和1个激活函数模块；
其中，所述4个步长为2的SE-ResNet组合模块中各SE-ResNet组合模块包含的通道数不同；各SE-ResNet组合模块是由卷积-BN-激活模块和两个SE-ResNet模块级联组成的。
在一个可选的实施方式中，所述预设损失函数表示为：
其中，loss（x,y）表示所述脉搏分析网络对应的损失值；x表示所述脉搏分析网络输入的子脉搏波训练样本，yi表示所述子脉搏波训练样本中第i个脉搏波分析信号点对应的真实位置信息；f(x)表示所述脉搏分析网络输出的中间值；fi '(x)表示所述脉搏分析网络输出的具有时序先验信息的第i个脉搏波分析信号点对应的预测位置信息；所述时序先验信息是指所述子脉搏波训练样本中不同脉搏波分析信号点之间的顺序性信息，具体实现为脉搏分析网络输出的中间值的累加；n表示每一次迭代训练所述脉搏分析网络过程中输入的训练样本量。
在一个可选的实施方式中，所述脉搏波分析信号点包括所述子脉搏波中主波信号点、潮波信号点、降中峡信号点和重搏波信号点中的至少两个。
在一个可选的实施方式中，基于各脉搏波周期信号对应的脉搏波分析信号点的位置信息，确定所述待分析脉搏波对应的脉搏波特征参数之后，所述方法还包括：
基于所述待分析脉搏波对应的脉搏波特征参数，对所述待分析脉搏波进行诊断，得到脉搏波诊断结果。
第二方面，提供了一种脉搏波特征参数的获取装置，该装置可以包括：
获取单元，用于获取待检测对象的待分析脉搏波，所述待分析脉搏波是由按照采集脉搏波动信号点的时间顺序排列的而成的；所述待分析脉搏波包括多个具有预设脉搏波动周期的子脉搏波；
输入单元，用于针对任一子脉搏波，将所述子脉搏波输入预先训练的脉搏分析网络，得到所述脉搏分析网络输出的脉搏波分析信号点的位置信息；所述脉搏分析网络是基于获取的子脉搏波样本和相应子脉搏波样本的标注信息，对待训练的卷积神经网络进行迭代训练得到的，所述标注信息是对相应子脉搏波样本的脉搏波分析参数的位置信息进行标注得到的；所述脉搏波分析信号点包括所述子脉搏波上的多个目标脉搏波动信号点；
确定单元，用于基于各脉搏波周期信号对应的脉搏波分析信号点的位置信息，确定所述待分析脉搏波对应的脉搏波特征参数；所述脉搏波特征参数为用于诊断所述待分析脉搏波是否存在异常的诊断参数。
在一个可选的实施方式中，所述获取单元，具体用于：
按照时间顺序，基于预设的采样率，采集待检测对象的脉搏波动信号，得到脉搏波；
按照预设脉搏波动周期，对所述脉搏波进行周期分割，得到多个初级子脉搏波；
对各初级子脉搏波进行预处理，得到所述待分析脉搏波；
其中，所述预处理包括对任一初级子脉搏波执行脉搏波标准化处理和预设脉搏波长度处理。
在一个可选的实施方式中，所述装置还包括训练单元；
所述训练单元，具体用于：
利用不同的采集设备，采集不同对象在不同时间的脉搏波样本集合；所述脉搏波样本集合中的各脉搏波样本包括多个具有预设脉搏波动周期，且经过样本预处理后的子脉搏波样本；所述样本预处理包括对所述各脉搏波样本中任一具有预设脉搏波动周期的初级子脉搏波样本执行脉搏波标准化处理和预设脉搏波长度处理；
针对任一获取的子脉搏波样本，将所述子脉搏波样本输入待训练的卷积神经网络，输出所述子脉搏波样本对应的预测脉搏波分析信号点的位置信息；所述待训练的卷积神经网络包括当前网络参数；
采用预设损失算法，对所述脉搏波分析信号点的预测位置信息和所述子脉搏波样本对应的脉搏波分析信号点的真实位置信息进行计算，得到所述子脉搏波样本对应的损失值和所述损失值对应的训练后的卷积神经网络；所述训练后的卷积神经网络是基于所述损失值对所述当前网络参数更新后得到的卷积神经网络；
若所述损失值满足预设训练停止条件，则将所述训练后的卷积神经网络确定为训练完成的脉搏分析网络。
在一个可选的实施方式中，所述脉搏分析网络包括：
1个步长为1的SE-ResNet组合模块、2个步长为2的池化模块、4个步长为2的SE-ResNet组合模块、2个特征拼接模块、1个1*1的卷积模块、1个全局平均池化模块和1个激活函数模块；
其中，所述4个步长为2的SE-ResNet组合模块中各SE-ResNet组合模块包含的通道数不同；各SE-ResNet组合模块是由卷积-BN-激活模块和两个SE-ResNet模块级联组成的。
在一个可选的实施方式中，所述预设损失函数表示为：
其中，loss（x,y）表示所述脉搏分析网络对应的损失值；x表示所述脉搏分析网络输入的子脉搏波训练样本，yi表示所述子脉搏波训练样本中第i个脉搏波分析信号点对应的真实位置信息；f(x)表示所述脉搏分析网络输出的中间值；fi '(x)表示所述脉搏分析网络输出的具有时序先验信息的第i个脉搏波分析信号点对应的预测位置信息；所述时序先验信息是指所述子脉搏波训练样本中不同脉搏波分析信号点之间的顺序性信息，具体实现为脉搏分析网络输出的中间值的累加；n表示每一次迭代训练所述脉搏分析网络过程中输入的训练样本量。
在一个可选的实施方式中，所述脉搏波分析信号点包括所述子脉搏波中主波信号点、潮波信号点、降中峡信号点和重搏波信号点中的至少两个。
在一个可选的实施方式中，所述装置还包括诊断单元；
所述诊断单元，用于基于所述待分析脉搏波对应的脉搏波特征参数，对所述待分析脉搏波进行诊断，得到脉搏波诊断结果。
第三方面，提供了一种电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任一所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。
本申请实施例提供的脉搏波特征参数的获取方法在获取待检测对象的待分析脉搏波后，待分析脉搏波是由按照采集脉搏波动信号点的时间顺序排列的而成的；待分析脉搏波包括多个具有预设脉搏波动周期的子脉搏波，针对任一子脉搏波，将子脉搏波输入预先训练的脉搏分析网络，得到脉搏分析网络输出的脉搏波分析信号点的位置信息；脉搏分析网络是基于获取的子脉搏波样本和相应子脉搏波样本的标注信息，对待训练的卷积神经网络进行迭代训练得到的，标注信息是对相应子脉搏波样本的脉搏波分析参数的位置信息进行标注得到的；脉搏波分析信号点包括子脉搏波上的多个目标脉搏波动信号点；基于各脉搏波周期信号对应的脉搏波分析信号点的位置信息，确定待分析脉搏波对应的脉搏波特征参数；脉搏波特征参数为用于诊断待分析脉搏波是否存在异常的诊断参数。该方法通过获取脉搏波分析信号点的位置信息确定脉搏波特征参数的方式，降低了传统脉搏波特征提取方法的复杂度，同时提高了获取脉搏波特征参数的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种应用脉搏波特征参数获取方法的系统架构示意图；
图2为本申请实施例提供的一种预设脉搏波动周期内子脉搏波的示意图；
图3为本申请实施例提供的另一种预设脉搏波动周期内的子脉搏波的示意图；
图4为本申请实施例提供的一种脉搏波特征参数的获取方法的流程示意图；
图5为本申请实施例提供的一种脉搏分析网络的结构示意图；
图6为本申请实施例提供的一种脉搏波特征参数的获取装置的结构示意图；
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，并不是全部的实施例。基于本申请实施例，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他实施例，都属于本申请保护的范围。
脉搏波动信号中的信号特征包含人体心血管的生理病理信息，准确识别其特征对分析人体心血管的健康状况有重要意义。脉搏波特征点因人而异，且易受干扰，因而获取高信噪比的完整信号是准确识别特征点的前提。
本申请实施例提供的脉搏波特征参数的获取方法可以应用在图1所示的系统架构中，如图1所示，该系统可以包括：脉搏波采集设备，如三指脉诊传感器、运动手环等和脉搏波特征参数获取设备。脉搏波采集设备和脉搏波特征参数获取设备间可以通过有线或无线的通信方式进行直接或间接的通信连接，本申请在此不做限定。
其中，脉搏波特征参数获取设备可以是服务器或者具有较高计算能力的终端设备，服务器可以是物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是云服务器。终端可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理（PDA）、平板电脑（PAD）等用户设备（User Equipment，UE），本申请在此不做限定。
脉搏波采集设备，用于按照时间顺序，采集患者的脉搏波动信号，得到脉搏波，并将其发送至脉搏波特征参数获取设备；待分析脉搏波包括多个具有预设脉搏波动周期的子脉搏波。
脉搏波特征参数获取设备，用于针对任一子脉搏波，将子脉搏波输入预先训练的脉搏分析网络，得到脉搏分析网络输出的脉搏波分析信号点的位置信息；并采用预设的参数转换算法，将各脉搏波周期信号对应的脉搏波分析信号点的位置信息，转换为待分析脉搏波对应的脉搏波特征参数；脉搏波特征参数为用于诊断待分析脉搏波是否存在异常的诊断参数。
之后，基于待分析脉搏波对应的脉搏波特征参数，对待分析脉搏波进行诊断，得到脉搏波诊断结果。
进一步的，脉搏波动信号为周期信号，本申请实施例对一个或多个预设脉搏波动周期内的子脉搏波进行脉搏波特征参数的获取。
如图2所示，一个预设脉搏波动周期内的子脉搏波可以心脏的搏动(振动)沿动脉血管和血流向外周传播而形成的，其通常包括上升段和下降段，上升段的起点和下降段的终点之间即为一个预设脉搏波动周期内的子脉搏波。其中，升支：脉搏波形中由基线至主波峰顶的一条上升曲线,是心室的快速射血时期；降支：脉搏波形中由主波峰顶至基线的一条下降曲线,是心室射血后期至下一次心动周期的开始。图2中，横轴表示脉搏波的时间time，纵轴表示脉搏波的信号强度幅度，也就是脉搏波动信号点的幅度height。
一个完整的预设脉搏波动周期内的子脉搏波还包括4个脉搏波分析信号点，即特殊的脉搏波动信号点：主波信号点a、潮波信号点b、降中峡信号点c和重搏波信号点d：
主波信号点：是指主体波幅,一般顶点为脉图的最高峰，反映动脉内压力与容积的最大值；
潮波信号点：又称重搏前波，位于降支中的主波之后，一般低于主波信号点，而高于重搏波信号点，反映左心室停止射血,动脉扩张降压，逆向反射波；
降中峡信号点：或称降中波信号点，是主波信号点降支与重搏波信号点升支构成的向下的切迹波谷,表示主动脉静压排空时间,为心脏收缩与舒张的分界点；
重搏波信号点：是降支中突出的一个上升波，为主动脉瓣关闭、主动脉弹性回缩波。
需要说明的是，由于每个人的心脏搏动(振动)频率不同，以及同一人在不同运动状态下心脏搏动(振动)频率也不同，故每个人或不同运动状态下的同一人在一个预设脉搏波动周期内的子脉搏波的波长也不同，但一个预设脉搏波动周期内的子脉搏波内均符合图2所示的波形特征，也就是说，每个预设脉搏波动周期是指符合图2所示的波形特征的一个周期，而非固定时间段的一个周期，且图2所示的预设脉搏波动周期内的子脉搏波的波形图仅是一种示例，一个预设脉搏波动周期内的子脉搏波的波形图还有两个波峰的情况，此时的主波信号点a和潮波信号点b重合。即主波信号点a与潮波信号点b的位置相同。
如图3所示，脉搏波特征参数为时域参数，可以包括但不限于：t1、t4、t5、w、h1、h3、h4、h5、h3/h1、h4/h1、h5/h1和w/t，且脉搏波特征参数与脉搏波分析信号点存在关联关系，如下：
t1在子脉搏波上体现为子脉搏波起点到主波信号点的间隔，表征左心室快速射血期，可表示为子脉搏波起点到主波信号点的长度与采样率的比值；
t4在子脉搏波上体现为脉图起点到降中信号点峡之间的间隔，表征左心室收缩期，可表示为子脉搏波起点到降中峡信号点的长度与采样率的比值；
t5在子脉搏波上体现为降中峡信号点到脉图终止点之间的间隔，表征左心室舒张期，可表示为子脉搏波长度与子脉搏波起点到降中峡信号点长度的差值与采样率的比值；其中，脉搏波的长度可理解为是脉搏波上信号点的个数；
w在子脉搏波上体现为主波信号点的幅度上1/3处的宽度，表征动脉内高水平状态所维持的时间，可表示为在主波信号点的幅度的1/3处对应的相邻左右两边的子脉搏波上两信号点的宽度；
h1在子脉搏波上体现为主波信号点的幅度，表征左心室收缩射血力量和大动脉的顺应性；
h3在子脉搏波上体现为潮波信号点的幅度，表征动脉血管弹性和外周阻力状态；
h4在子脉搏波上体现为降中峡信号点的幅度，表征动脉血管外周阻力和主动脉瓣关闭功能；
h5在子脉搏波上体现为重搏波信号点的幅度，表征心室射血减慢到主动脉瓣关闭的过程，可表示为重搏波信号点的幅度与h4的差值；
h3/h1体现为重搏前波信号点的幅值与主波信号点的幅值的比值，表征血管壁顺应性和外周阻力；
h4/h1体现为降中峡信号点的幅度与主波信号点的幅度的比值，表征外周阻力高低；
h5/h1体现为重搏波信号点的幅度与主波信号点的幅度的比值，表征主动脉顺应性和主动脉瓣功能；
w/t对应于主动脉内持续高压时间在总脉搏周期t中所占比例，表征外周阻力。
需要说明的是，根据不同业务需求,可以获取不同的脉搏波特征参数，其它的某些脉搏波特征参数也可以根据以上的脉搏波特征参数计算得出，例如，反应血管弹性与血液粘性的主波升支与基线的夹角U（反映血管弹性和血液粘性）、主波升支与降支夹角P（反映血管弹性和血流状况）等，本申请在此不做赘述。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
图4为本申请实施例提供的一种脉搏波特征参数的获取方法的流程示意图。如图4所示，该方法可以包括：
步骤S410、获取待检测对象的待分析脉搏波。
具体实施中，按照时间顺序，基于预设的采样率，采集待检测对象的脉搏波动信号，得到脉搏波；按照预设脉搏波动周期，对得到的脉搏波进行周期分割，得到多个初级子脉搏波；之后，对各初级子脉搏波进行预处理，得到待分析脉搏波。其中，预处理包括对任一初级子脉搏波执行脉搏波标准化处理和预设脉搏波长度处理。
具体的，对任一初级子脉搏波均可人为是单个的周期信号，该预处理过程可以包括：
计算该初级子脉搏波的均值和方差；并基于计算得到的均值和方差，对该初级子脉搏波进行标准化处理，得到均值为0和方差为1的处理后的子脉搏波。
之后，查看该处理后的子脉搏波的波长（即该初级子脉搏波的波长）是否为预设波长，若该波长小于预设波长，则在该处理后的子脉搏波的终止时刻出增加幅值为0的脉搏波动信号点，使该处理后的子脉搏波的波长满足预设波长，得到该初级子脉搏波对应的子脉搏波。
由此，得到采集到的脉搏波对应的待分析脉搏波，其中，待分析脉搏波是由按照采集脉搏波动信号的时间顺序排列的而成的，且其可以包括多个具有预设脉搏波动周期的子脉搏波。
步骤S420、针对任一子脉搏波，将子脉搏波输入预先训练的脉搏分析网络，得到脉搏分析网络输出的脉搏波分析信号点的位置信息。
其中，脉搏分析网络是基于获取的子脉搏波样本和相应子脉搏波样本的标注信息，对待训练的卷积神经网络进行迭代训练得到的，该标注信息是对相应子脉搏波样本的脉搏波分析参数的位置信息进行标注得到的。
搏波分析信号点可以包括子脉搏波上的多个目标脉搏波动信号点：主波信号点、潮波信号点、降中峡信号点和重搏波信号点中的至少两个，可以理解的是，目标脉搏波动信号点的种类越多，获取的脉搏波特征参数的种类越多，后续对脉搏波的诊断越准确，在本申请实施例中不对目标脉搏波动信号点的种类进行限制。
针对任一子脉搏波，将该子脉搏波输入预先训练的脉搏分析网络，得到脉搏分析网络输出的主波信号点、潮波信号点、降中峡信号点和重搏波在该子脉搏波上的位置信息。
步骤S430、基于各脉搏波周期信号对应的脉搏波分析信号点的位置信息，确定待分析脉搏波对应的脉搏波特征参数。
根据脉搏波特征参数与脉搏波分析信号点的关联关系，基于各脉搏波分析信号点的位置信息，可以得到相应脉搏波分析信号点的位置信息对应的脉搏波特征参数，和/或不同脉搏波分析信号点的位置信息对应的脉搏波特征参数。
之后，可以基于待分析脉搏波对应的脉搏波特征参数，对待分析脉搏波进行诊断，得到脉搏波诊断结果。
在一些实施例中，脉搏分析网络的训练步骤可以包括：
步骤A、利用不同的采集设备，采集不同对象在不同时间的脉搏波样本集合。
为了提高训练的准确性，需要大量的训练数据，本申请实施例利用不同的采集设备，采集不同对象在不同时间的脉搏波样本。例如，采用不同采集设备采集来自不同个体、不同时间的500例脉搏波动信号，即500例脉搏波样本组成的集合。
其中，脉搏波样本集合中的各脉搏波样本包括多个具有预设脉搏波动周期，且经过样本预处理后的子脉搏波样本。样本预处理包括对各脉搏波样本中任一具有预设脉搏波动周期的初级子脉搏波样本执行脉搏波标准化处理和预设脉搏波长度处理。对于脉搏波标准化处理和预设脉搏波长度处理本申请在此不做赘述。
在本申请的一个具体实施方式中，由于脉搏波周期信号的长度，即待分析脉搏波的长度不固定，因此可以将主波信号点、潮波信号点、降中峡信号点、重搏波信号点的位置信息进行归一化，也就是说，人工对相应位置在子脉搏波样本上进行标注后，并对位置信息进行归一化，由此降低网络拟合复杂度。
步骤B、针对任一获取的子脉搏波样本，将子脉搏波样本输入待训练的卷积神经网络，输出子脉搏波样本对应的预测脉搏波分析信号点的位置信息。其中，待训练的卷积神经网络包括当前网络参数。
步骤C、采用预设损失函数，对脉搏波分析信号点的预测位置信息和子脉搏波样本对应的脉搏波分析信号点的真实位置信息进行计算，得到子脉搏波样本对应的损失值和该损失值对应的训练后的卷积神经网络；训练后的卷积神经网络是基于损失值对当前网络参数更新后得到的卷积神经网络；
若该损失值满足预设训练停止条件，则将训练后的卷积神经网络确定为训练完成的脉搏分析网络。
其中，预设训练停止条件可以是该损失值对应的迭代次数满足预设迭代次数阈值，或连续迭代训练预设数量次中每次迭代训练的损失值均不降低。
需要说明的是，利用Adam优化器对网络参数的进行更新；训练总迭代训练次数epoch为200，每次训练的样本量batchsize为32，学习率采用初始学习率为4e-5, 最大为1e-3，最小1e-7,预热3个epoch 的OneCycleLR学习策略。
基于上述实施例，预设损失函数可以表示为：
其中，loss（x,y）表示脉搏分析网络对应的损失值；x表示脉搏分析网络输入的子脉搏波样本，yi表示子脉搏波样本中第i个脉搏波分析信号点对应的真实位置信息；f(x)表示脉搏分析网络输出的中间值；fi '(x)表示脉搏分析网络输出的具有时序先验信息的第i个脉搏波分析信号点对应的预测位置信息；时序先验信息是指子脉搏波样本中不同脉搏波分析信号点之间的顺序性信息，具体实现为脉搏分析网络输出的中间值的累加；n表示每一次迭代训练所述脉搏分析网络过程中输入的训练样本量。
可见，本申请上述实施例基于时序先验的损失函数，通过引入参数间的时序信息，充分挖掘参数间的互补信息，在降低网络收敛难度的同时，有效避免回归误差引入的时序混乱问题。
基于上述任一实施例，脉搏分析网络可以包括：1个步长为1的SE-ResNet组合模块、2个步长为2的池化模块、4个步长为2的SE-ResNet组合模块（SE-ResNet组合模块A、SE-ResNet组合模块B、SE-ResNet组合模块C和SE-ResNet组合模块D）、2个特征拼接模块、1个1*1的卷积模块、1个全局平均池化模块和1个激活函数模块。
其中，4个步长为2的SE-ResNet组合模块中各SE-ResNet组合模块包含的通道数不同，由此在输入SE-ResNet组合模块的特征矩阵相同的情况下由于通道数不同，相应SE-ResNet组合模块输出的特征矩阵的宽度不同；各SE-ResNet组合模块是由卷积-BN-激活模块和两个SE-ResNet模块级联组成的。卷积-BN-激活模块是由卷积单元、BN单元、激活单元级联组成的。SE-ResNet模块中残差由两层卷积-BN-激活模块和SE模块级联组成，所述SE模块仅在原SE模块基础上将特征维度缩放因子由1/16放大为1/8。
在一个例子中，如图5所示的脉搏分析网络结构，以某个具有4个脉搏波分析信号点的子脉搏波样本为例，首先，将输入脉搏分析网络的子脉搏波样本转换为维度为160*1的脉搏波特征矩阵；之后采用脉搏分析网络中的1个步长为1的SE-ResNet组合模块和2个步长为2的池化模块，得到相应的脉搏波特征矩阵，具体包括：
（1）将维度为160*1的脉搏波特征矩阵输入步长为1的SE-ResNet组合模块，得到维度为160*32的脉搏波特征矩阵；
（2）将维度为160*1的脉搏波特征输入一个步长为2的池化模块，得到维度为80*1的脉搏波特征矩阵；
（3）将维度为80*1的脉搏波特征输入另一个步长为2的池化模块，得到维度为40*1的脉搏波特征矩阵；
然后，将维度为160*32的脉搏波特征矩阵输入步长为2的SE-ResNet组合模块A，得到维度为80*64的脉搏波特征矩阵；
采用一个特征拼接模块将维度为80*64的脉搏波特征矩阵和（2）中维度为80*1的脉搏波特征矩阵进行特征拼接，得到拼接后的脉搏波特征矩阵a，其中，维度为80*65；
将拼接后的脉搏波特征矩阵a输入步长为2的SE-ResNet组合模块B，得到维度为40*96的脉搏波特征矩阵；
采用另一个特征拼接模块将维度为40*96的脉搏波特征矩阵和（3）中维度为40*1的脉搏波特征矩阵进行特征拼接，得到拼接后的脉搏波特征矩阵b，其中，维度为40*97；
将拼接后的脉搏波特征矩阵b输入步长为2的SE-ResNet组合模块C，得到维度为20*128的脉搏波特征矩阵；
将维度为20*128的脉搏波特征矩阵输入步长为2的SE-ResNet组合模块D，得到维度为10*32的脉搏波特征矩阵；
将维度为10*32的脉搏波特征矩阵输入1*1的卷积模块，得到维度为10*4的脉搏波特征矩阵；
将维度为10*4的脉搏波特征矩阵输入全局平均池化模块，得到维度为1*4的脉搏波特征矩阵，即4个脉搏波分析信号点的位置信息；
将维度为1*4的脉搏波特征矩阵，通过激活函数模块，输出归一化的4个脉搏波分析信号点的位置信息。
与上述方法对应的，本申请实施例还提供一种脉搏波特征参数的获取装置，如图6所示，该装置包括：获取单元610、输入单元620和确定单元630；
获取单元610，用于获取待检测对象的待分析脉搏波，所述待分析脉搏波是由按照采集脉搏波动信号点的时间顺序排列的而成的；所述待分析脉搏波包括多个具有预设脉搏波动周期的子脉搏波；
输入单元620，用于针对任一子脉搏波，将所述子脉搏波输入预先训练的脉搏分析网络，得到所述脉搏分析网络输出的脉搏波分析信号点的位置信息；所述脉搏分析网络是基于获取的子脉搏波样本和相应子脉搏波样本的标注信息，对待训练的卷积神经网络进行迭代训练得到的，所述标注信息是对相应子脉搏波样本的脉搏波分析参数的位置信息进行标注得到的；所述脉搏波分析信号点包括所述子脉搏波上的多个目标脉搏波动信号点；
确定单元630，用于基于各脉搏波周期信号对应的脉搏波分析信号点的位置信息，确定所述待分析脉搏波对应的脉搏波特征参数；所述脉搏波特征参数为用于诊断所述待分析脉搏波是否存在异常的诊断参数。
本申请上述实施例提供的脉搏波特征参数的获取装置的各功能单元的功能，可以通过上述各方法步骤来实现，因此，本申请实施例提供的脉搏波特征参数的获取装置中的各个单元的具体工作过程和有益效果，在此不复赘述。
本申请实施例还提供了一种电子设备，如图7所示，包括处理器710、通信接口720、存储器730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。
存储器730，用于存放计算机程序；
处理器710，用于执行存储器730上所存放的程序时，实现如下步骤：
获取待检测对象的待分析脉搏波，所述待分析脉搏波是由按照采集脉搏波动信号点的时间顺序排列的而成的；所述待分析脉搏波包括多个具有预设脉搏波动周期的子脉搏波；
针对任一子脉搏波，将所述子脉搏波输入预先训练的脉搏分析网络，得到所述脉搏分析网络输出的脉搏波分析信号点的位置信息；所述脉搏分析网络是基于获取的子脉搏波样本和相应子脉搏波样本的标注信息，对待训练的卷积神经网络进行迭代训练得到的，所述标注信息是对相应子脉搏波样本的脉搏波分析参数的位置信息进行标注得到的；所述脉搏波分析信号点包括所述子脉搏波上的多个目标脉搏波动信号点；
基于各脉搏波周期信号对应的脉搏波分析信号点的位置信息，确定所述待分析脉搏波对应的脉搏波特征参数；所述脉搏波特征参数为用于诊断所述待分析脉搏波是否存在异常的诊断参数。
上述提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图4所示的实施例中的各步骤来实现，因此，本申请实施例提供的电子设备的具体工作过程和有益效果，在此不复赘述。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的脉搏波特征参数的获取方法。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的脉搏波特征参数的获取方法。
本领域内的技术人员应明白，本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作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实施例中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实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样，倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内，则本申请实施例中也意图包含这些改动和变型在内。
Claims (6)
1.一种脉搏波特征参数的获取方法，其特征在于，所述方法包括：
获取待检测对象的待分析脉搏波，所述待分析脉搏波是由按照采集脉搏波动信号点的时间顺序排列的而成的；所述待分析脉搏波包括多个具有预设脉搏波动周期的子脉搏波；
针对任一子脉搏波，将所述子脉搏波输入预先训练的脉搏分析网络，得到所述脉搏分析网络输出的脉搏波分析信号点的位置信息；所述脉搏分析网络是基于获取的子脉搏波样本和相应子脉搏波样本的标注信息，对待训练的卷积神经网络进行迭代训练得到的，所述标注信息是对相应子脉搏波样本的脉搏波分析参数的位置信息进行标注得到的；所述脉搏波分析信号点包括所述子脉搏波上的多个目标脉搏波动信号点；
基于各脉搏波周期信号对应的脉搏波分析信号点的位置信息，确定所述待分析脉搏波对应的脉搏波特征参数；所述脉搏波特征参数为用于诊断所述待分析脉搏波是否存在异常的诊断参数；
其中，所述脉搏分析网络的训练步骤包括：
利用不同的采集设备，采集不同对象在不同时间的脉搏波样本集合；所述脉搏波样本集合中的各脉搏波样本包括多个具有预设脉搏波动周期，且经过样本预处理后的子脉搏波样本；所述样本预处理包括对所述各脉搏波样本中任一具有预设脉搏波动周期的初级子脉搏波样本执行脉搏波标准化处理和预设脉搏波长度处理；
针对任一获取的子脉搏波样本，将所述子脉搏波样本输入待训练的卷积神经网络，输出所述子脉搏波样本对应的预测脉搏波分析信号点的位置信息；所述待训练的卷积神经网络包括当前网络参数；
采用预设损失函数，对所述脉搏波分析信号点的预测位置信息和所述子脉搏波样本对应的脉搏波分析信号点的真实位置信息进行计算，得到所述子脉搏波样本对应的损失值和所述损失值对应的训练后的卷积神经网络；所述训练后的卷积神经网络是基于所述损失值对所述当前网络参数更新后得到的卷积神经网络；
若所述损失值满足预设训练停止条件，则将所述训练后的卷积神经网络确定为训练完成的脉搏分析网络；
所述预设损失函数表示为：
其中，loss（x,y）表示所述脉搏分析网络对应的损失值；x表示所述脉搏分析网络输入的子脉搏波训练样本，yi表示所述子脉搏波训练样本中第i个脉搏波分析信号点对应的真实位置信息；f(x)表示所述脉搏分析网络输出的中间值；fi '(x)表示所述脉搏分析网络输出的具有时序先验信息的第i个脉搏波分析信号点对应的预测位置信息；所述时序先验信息是指所述子脉搏波训练样本中不同脉搏波分析信号点之间的顺序性信息，具体实现为脉搏分析网络输出的中间值的累加；n表示每一次迭代训练所述脉搏分析网络过程中输入的训练样本量；
其中，所述脉搏分析网络包括：1个步长为1的SE-ResNet组合模块、2个步长为2的池化模块、4个步长为2的SE-ResNet组合模块、2个特征拼接模块、1个1*1的卷积模块、1个全局平均池化模块和1个激活函数模块；其中，所述4个步长为2的SE-ResNet组合模块中各SE-ResNet组合模块包含的通道数不同；各SE-ResNet组合模块是由卷积-BN-激活模块和两个SE-ResNet模块级联组成的。
2.如权利要求1所述的方法，其特征在于，获取待检测对象的待分析脉搏波，包括：
按照时间顺序，基于预设的采样率，采集待检测对象的脉搏波动信号，得到脉搏波；
按照预设脉搏波动周期，对所述脉搏波进行周期分割，得到多个初级子脉搏波；
对各初级子脉搏波进行预处理，得到所述待分析脉搏波；
其中，所述预处理包括对任一初级子脉搏波执行脉搏波标准化处理和预设脉搏波长度处理。
3.如权利要求1所述的方法，其特征在于，所述脉搏波分析信号点包括所述子脉搏波中主波信号点、潮波信号点、降中峡信号点和重搏波信号点中的至少两个。
4.一种脉搏波特征参数的获取装置，其特征在于，所述装置包括：
获取单元，用于获取待检测对象的待分析脉搏波，所述待分析脉搏波是由按照采集脉搏波动信号点的时间顺序排列的而成的；所述待分析脉搏波包括多个具有预设脉搏波动周期的子脉搏波；
输入单元，用于针对任一子脉搏波，将所述子脉搏波输入预先训练的脉搏分析网络，得到所述脉搏分析网络输出的脉搏波分析信号点的位置信息；所述脉搏分析网络是基于获取的子脉搏波样本和相应子脉搏波样本的标注信息，对待训练的卷积神经网络进行迭代训练得到的，所述标注信息是对相应子脉搏波样本的脉搏波分析参数的位置信息进行标注得到的；所述脉搏波分析信号点包括所述子脉搏波上的多个目标脉搏波动信号点；
确定单元，用于基于各脉搏波周期信号对应的脉搏波分析信号点的位置信息，确定所述待分析脉搏波对应的脉搏波特征参数；所述脉搏波特征参数为用于诊断所述待分析脉搏波是否存在异常的诊断参数；
其中，所述装置还包括：训练单元；所述训练单元，具体用于：
利用不同的采集设备，采集不同对象在不同时间的脉搏波样本集合；所述脉搏波样本集合中的各脉搏波样本包括多个具有预设脉搏波动周期，且经过样本预处理后的子脉搏波样本；所述样本预处理包括对所述各脉搏波样本中任一具有预设脉搏波动周期的初级子脉搏波样本执行脉搏波标准化处理和预设脉搏波长度处理；
针对任一获取的子脉搏波样本，将所述子脉搏波样本输入待训练的卷积神经网络，输出所述子脉搏波样本对应的预测脉搏波分析信号点的位置信息；所述待训练的卷积神经网络包括当前网络参数；
采用预设损失算法，对所述脉搏波分析信号点的预测位置信息和所述子脉搏波样本对应的脉搏波分析信号点的真实位置信息进行计算，得到所述子脉搏波样本对应的损失值和所述损失值对应的训练后的卷积神经网络；所述训练后的卷积神经网络是基于所述损失值对所述当前网络参数更新后得到的卷积神经网络；
若所述损失值满足预设训练停止条件，则将所述训练后的卷积神经网络确定为训练完成的脉搏分析网络；
所述预设损失函数表示为：
其中，loss（x,y）表示所述脉搏分析网络对应的损失值；x表示所述脉搏分析网络输入的子脉搏波训练样本，yi表示所述子脉搏波训练样本中第i个脉搏波分析信号点对应的真实位置信息；f(x)表示所述脉搏分析网络输出的中间值；fi '(x)表示所述脉搏分析网络输出的具有时序先验信息的第i个脉搏波分析信号点对应的预测位置信息；所述时序先验信息是指所述子脉搏波训练样本中不同脉搏波分析信号点之间的顺序性信息，具体实现为脉搏分析网络输出的中间值的累加；n表示每一次迭代训练所述脉搏分析网络过程中输入的训练样本量；
其中，所述脉搏分析网络包括：1个步长为1的SE-ResNet组合模块、2个步长为2的池化模块、4个步长为2的SE-ResNet组合模块、2个特征拼接模块、1个1*1的卷积模块、1个全局平均池化模块和1个激活函数模块；其中，所述4个步长为2的SE-ResNet组合模块中各SE-ResNet组合模块包含的通道数不同；各SE-ResNet组合模块是由卷积-BN-激活模块和两个SE-ResNet模块级联组成的。
5.一种电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存储的程序时，实现权利要求1-3任一所述的方法步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210811928.2A CN114869249B (zh) | 2022-07-12 | 2022-07-12 | 脉搏波特征参数的获取方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210811928.2A CN114869249B (zh) | 2022-07-12 | 2022-07-12 | 脉搏波特征参数的获取方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114869249A CN114869249A (zh) | 2022-08-09 |
| CN114869249B true CN114869249B (zh) | 2022-11-01 |
Family
ID=82682592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210811928.2A Active CN114869249B (zh) | 2022-07-12 | 2022-07-12 | 脉搏波特征参数的获取方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114869249B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103876723A (zh) * | 2014-04-01 | 2014-06-25 | 江苏理工学院 | 无创桡动脉波计算脉搏波传导时间获取血压值的方法 |
| CN107822608A (zh) * | 2017-10-26 | 2018-03-23 | 中国民航大学 | 基于高斯混合模型的脉搏波特征提取方法 |
| CN108670209A (zh) * | 2018-03-29 | 2018-10-19 | 中国科学院微电子研究所 | 一种自动识别中医脉象的方法和系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108498089B (zh) * | 2018-05-08 | 2022-03-25 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
| CN110623678A (zh) * | 2018-06-22 | 2019-12-31 | 深圳市游弋科技有限公司 | 一种血糖测量装置及其数据处理方法、存储介质 |
| CN110251105B (zh) * | 2019-06-12 | 2022-06-21 | 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 |
| CN111067512B (zh) * | 2019-12-05 | 2023-01-31 | 东软集团股份有限公司 | 心室颤动的检测装置、检测模型的训练装置、方法及设备 |
| CN112869716B (zh) * | 2021-02-23 | 2022-04-15 | 佛山科学技术学院 | 一种基于双通道卷积神经网络的脉搏特征识别系统及方法 |
| CN114098691A (zh) * | 2022-01-26 | 2022-03-01 | 之江实验室 | 基于混合高斯模型的脉搏波身份认证方法、装置和介质 |
-
2022
- 2022-07-12 CN CN202210811928.2A patent/CN114869249B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103876723A (zh) * | 2014-04-01 | 2014-06-25 | 江苏理工学院 | 无创桡动脉波计算脉搏波传导时间获取血压值的方法 |
| CN107822608A (zh) * | 2017-10-26 | 2018-03-23 | 中国民航大学 | 基于高斯混合模型的脉搏波特征提取方法 |
| CN108670209A (zh) * | 2018-03-29 | 2018-10-19 | 中国科学院微电子研究所 | 一种自动识别中医脉象的方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114869249A (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230131876A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
| Naeini et al. | A real-time PPG quality assessment approach for healthcare Internet-of-Things | |
| Sideris et al. | Building continuous arterial blood pressure prediction models using recurrent networks | |
| CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
| US20160038044A1 (en) | Measuring blood pressure | |
| CN110755059B (zh) | 一种血压波形监测方法及装置 | |
| CN111248883B (zh) | 一种血压预测的方法和装置 | |
| CN111588367A (zh) | 心率检测方法、装置及计算机可读存储介质 | |
| CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
| CN108992054B (zh) | 一种脉搏信号峰值点检测方法及装置 | |
| CN110141249A (zh) | 基于ppg信号的无创血糖监测方法、系统、设备及介质 | |
| CN111370120A (zh) | 一种基于心音信号的心脏舒张功能障碍的检测方法 | |
| CN115089139A (zh) | 结合生物特征识别的个性化生理参数测量方法 | |
| CN114869249B (zh) | 脉搏波特征参数的获取方法、装置、电子设备及介质 | |
| EP3251588A1 (en) | Method and system for physiological parameter derivation from pulsating signals with reduced error | |
| CN110491504B (zh) | 一种心音信号医学指标数据的获取方法 | |
| CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
| Wu et al. | Peripheral arterial disease screening for hemodialysis patients using a fractional‐order integrator and transition probability decision‐making model | |
| Wang et al. | IMSF-Net: An improved multi-scale information fusion network for PPG-based blood pressure estimation | |
| LU502768B1 (en) | Intelligent blood pressure prediction method based on multi-scale residual network and ppg signal | |
| CN116451129A (zh) | 一种脉象分类识别方法及系统 | |
| Kanoga et al. | Comparison of seven shallow and deep regressors in continuous blood pressure and heart rate estimation using single-channel photoplethysmograms under three evaluation cases | |
| CN115299898A (zh) | 无创动脉血压波形监测方法、装置及系统 | |
| CN110706803B (zh) | 一种确定心肌纤维化的方法、装置、可读介质及电子设备 | |
| WO2021068193A1 (zh) | 一种血压波形监测方法及装置 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220809 Assignee: Yisheng Health Technology (Tianjin) Co.,Ltd. Assignor: Huiyigu traditional Chinese medicine technology (Tianjin) Co.,Ltd. Contract record no.: X2024120000040 Denomination of invention: Method, device, electronic device, and medium for obtaining characteristic parameters of pulse waves Granted publication date: 20221101 License type: Common License Record date: 20240403 Application publication date: 20220809 Assignee: Tianjin Taiyihai Technology Co.,Ltd. Assignor: Huiyigu traditional Chinese medicine technology (Tianjin) Co.,Ltd. Contract record no.: X2024120000039 Denomination of invention: Method, device, electronic device, and medium for obtaining characteristic parameters of pulse waves Granted publication date: 20221101 License type: Common License Record date: 20240403 |
|
| EE01 | Entry into force of recordation of patent licensing contract |