CN114983364A - 一种基于小动脉光电容积脉搏波的血压检测装置 - Google Patents

一种基于小动脉光电容积脉搏波的血压检测装置 Download PDF

Info

Publication number
CN114983364A
CN114983364A CN202210584491.3A CN202210584491A CN114983364A CN 114983364 A CN114983364 A CN 114983364A CN 202210584491 A CN202210584491 A CN 202210584491A CN 114983364 A CN114983364 A CN 114983364A
Authority
CN
China
Prior art keywords
photoplethysmography
blood pressure
pressure
sensing unit
control unit
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.)
Granted
Application number
CN202210584491.3A
Other languages
English (en)
Other versions
CN114983364B (zh
Inventor
周聪聪
王建军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Megasens Technologies Co ltd
Original Assignee
Hangzhou Megasens Technologies Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Megasens Technologies Co ltd filed Critical Hangzhou Megasens Technologies Co ltd
Priority to CN202210584491.3A priority Critical patent/CN114983364B/zh
Publication of CN114983364A publication Critical patent/CN114983364A/zh
Priority to PCT/CN2023/094497 priority patent/WO2023226824A1/zh
Application granted granted Critical
Publication of CN114983364B publication Critical patent/CN114983364B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/02—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
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Vascular Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了一种基于小动脉光电容积脉搏波的血压检测装置及方法。该装置包括指环结构、设置在指环结构底端的脉搏波检测单元、温度传感单元、压力传感单元和微控制单元以及设置在指环结构内部两侧的弹簧控制单元。在根据压力值确定的弹簧控制单元的调节量下，微控制单元根据脉搏波检测单元检测到的光电容积脉搏波、以及温度传感单元检测到的温度值去计算小动脉光电容积脉搏波，并根据小动脉光电容积脉搏波进行血压检测。本发明结构简单且操作方式简便，所获得的信号信噪比高，准确度高，能够实现APPG信号的直接测量和跟踪，并且通过多个模型的训练，实现了基于APPG的无创心血管状态初筛和血压预测。

Description

一种基于小动脉光电容积脉搏波的血压检测装置
技术领域
本发明涉及血压检测技术领域，特别是涉及一种基于小动脉光电容积脉搏波的血压检测装置。
背景技术
血压(BP)是人体重要的生理参数，能够反映心血管功能状况。高血压会增加脑卒中、冠状动脉疾病、心力衰竭、房颤和周围血管病等多种心血管疾病的风险。监测不同心血管状态下血压变化趋势有利于更好的理解心血管疾病发病机制并实施有效管控。
在利用PPG信号预测血压时，根据人体生理结构，要获得比较稳定的PPG信号，一般要在人体血管丰富的部位进行测量，目前主要是在耳垂或者手腕上测量，但是这些部位的信号质量差、信噪比较低。
除此之外，在利用PPG信号进行血压预测时，当前的常规方法是直接测量PPG信号进而去预测血压。但是由于不同波长的穿透深度不一样，直接测得的PPG信号中包含很多容积波动，比如有毛细血管、小动脉、组织液、甚至是静脉的容积波动，使得信号干扰较大，PPG信号测量不准确。因此在预测血压时需要剔除掉其他PPG干扰信号，而获得小动脉处的光电容积脉搏波并利用其进行血压预测是最直接且最准确的。
发明内容
本发明的目的是提供一种基于小动脉光电容积脉搏波的血压检测装置，用以提高血压预测的精度。
为实现上述目的，本发明提供了如下方案：
一种基于小动脉光电容积脉搏波的血压检测装置，其特征在于，包括指环结构、设置在所述指环结构底端的脉搏波检测单元、温度传感单元、压力传感单元和微控制单元以及设置在所述指环结构内部两侧的弹簧控制单元；
脉搏波检测单元，用于检测用户指端的光电容积脉搏波；
压力传感单元，用于检测用户指端的接触压力值；
温度传感单元，用于采集用户指端的的温度值；
微控制单元，分别与所述脉搏波检测单元、所述压力传感单元以及所述温度传感单元连接，用于根据所述光电容积脉搏波、所述压力值以及所述温度值计算小动脉光电容积脉搏波，并根据所述小动脉光电容积脉搏波进行血压检测；
弹簧控制单元，与所述压力传感单元连接，用于根据所述压力值对所述压力传感单元进行调节。
进一步的，所述脉搏波检测单元包括光电传感器模组，所述光电传感器模组用于检测用户指端的光电容积脉搏波，并通过模拟前端或接口电路将所述所述光电容积脉搏波发送至所述微控制单元；
所述压力传感单元包括压力传感器，所述压力传感器用于检测用户指端的接触压力值，并通过模拟前端或接口电路将所述压力值发送至所述微控制单元；
所述温度传感单元包括温度传感器，所述温度传感器用于用于采集用户指端的的温度值，并通过模拟前端或接口电路将所述温度值发送至所述微控制单元；
进一步的，所述血压检测装置还包括IMU检测单元，所述IMU检测单元分别与所述脉搏检测单元、所述压力传感单元、所述温度传感单元以及所述微控制单元连接，用于检测所述脉搏检测单元、所述压力传感单元以及所述温度传感单元检测的数据是否存在干扰数据，并将去除干扰后的数据发送至所述微控制单元。
进一步的，所述弹簧控制单元包括精密电机、棘轮结构和恒压弹性模块，所述精密电机根据所述压力值带动所述棘轮结构转动来调节所述恒压弹簧的长度；所述恒压弹性模块包括恒压弹簧、可移动夹具和固定夹具；所述可移动夹具套设在所述恒压弹簧外部，所述固定夹具套设在所述可移动夹具的上部；所述恒压弹簧的顶端与所述棘轮结构连接，所述恒压弹簧的底端与所述指环结构的底端连接；所述固定夹具以及所述可移动夹具固定在所述指环结构内。
进一步的，所述光电传感器模组包括多个发光LED和多个光电接收器；多个所述发光LED关于多个所述光电接收器中心对称设置。
进一步的，所述光电传感器模组包括多个发光LED和1个光电接收器；多个所述发光LED围绕所述光电接收器设置。
进一步的，所述根据所述光电容积脉搏波、所述压力值以及所述温度值计算小动脉光电容积脉搏波，并根据所述小动脉光电容积脉搏波进行血压检测，具体包括：
根据所述光电容积脉搏波，采用心血管状态初筛模型，确定用户的心血管状态；
根据用户的心血管状态从血压预测模型组中选择对应的血压预测模型；
根据所述光电容积脉搏波、所述压力值以及所述温度值，计算小动脉光电容积脉搏波；
根据所述小动脉光电容积脉搏波，采用选择的血压预测模型进行血压检测。
进一步的，所述心血管状态初筛模型的训练过程包括：
构建训练数据集，所述训练数据集包括不同心血管状态、不同性别以及不同年龄的光电容积脉搏波和血压数据；所述心血管状态包括正常、心房颤动和动脉粥样硬化；
将所述光电容积脉搏波划分为第一组训练数据以及第二组训练数据；
对所述第一组训练数据进行特征信息提取，得到多种特征特征信息；
通过所述特征信息以及光电容积脉搏波数据对应的心血管状态对机器学习模型进行训练，得到心血管状态初筛模型。
进一步的，所述血压预测模型组的训练过程包括：
通过不同心血管状态下的第二组训练数据以及对应的血压数据训练多个深度学习模型，得到血压预测模型组；所述血压预测模型组包括多个血压检测模型，所述血压检测模型用于检测不同心血管状态下的血压。
进一步的，所述根据所述光电容积脉搏波、所述压力值以及所述温度值，计算小动脉光电容积脉搏波，具体包括：
根据压力值确定所述弹簧控制单元的调节量；
获取在所述弹簧控制单元调节量下的所述LED波长为λ1和λ2时的光电容积脉搏波；
根据所述光电容积脉搏波信号确定缩放系数；
根据温度值确定所述缩放系数的修订项；
根据所述光电容积脉搏波、所述缩放系数以及所述缩放系数的修订项计算小动脉光电容积脉搏波。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
(1)本发明的基于小动脉光电容积脉搏波的血压检测装置，采用指环的形式在血管丰富的手指部位进行测量，结构简单且操作方式简便，所获得的信号信噪比高，准确度高，实现了人体主动脉血压的连续动态实时采集，具有较高的医用价值和广阔的市场应用前景。
(2)本发明通过设置多波长光电检测传感器模组实现了不同穿透深度的PPG信号检测，结合电机、恒压弹簧和压力传感器实现测量部位的压力控制，同时融合检测部位的温度，去除掉了干扰信号，实现了APPG信号的直接测量和跟踪。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置示意图；
图2为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的指环结构示意图；
图3为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的指环结构剖面图；
图4为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的恒压弹性模块结构示意图；
图5为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的恒压弹性模块反馈控制示意图；
图6为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的指环结构底端示意图；
图7为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的小动脉光电容积脉搏波检测实施原理图；
图8为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的小动脉光电容积脉搏波、压力、温度波形示意图；
图9为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的小动脉光电容积脉搏波、压力、温度检测实施原理框图；
图10为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的APPG信号检测原理框图；
图11为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的群体模型学习训练流程图；
图12为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的特征提取示意图；
图13为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的心血管状态初筛流程图；
图14为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的群体模型构建示意图；
图15为本发明实施例提供的基于小动脉光电容积脉搏波的血压检测装置的迁移学习模型构建示意图；
其中，图中各符号标记：
1：光电传感器模组；
1-1：波长为λ1的LED光源；
1-2：波长为λ2的LED光源；
1-3：光电接收器PD
1-1-1：波长为λ1的LED光在1-3处接收到的脉搏波；
1-2-1：波长为λ2的LED光在1-3处接收到的脉搏波；
1-12-1：波长为λ1，λ2的LED光合成的小动脉脉搏波；
2-温度传感器；
3-压力传感器；
4-恒压弹性模块；
4-1：恒压弹簧；
4-2：可移动夹具；
4-3：固定夹具；
4-4：顶部螺纹孔；
4-5：底部螺纹孔；
4-6：顶部连接线；
4-7：底部连接线；
5-电池；
6-1：指环底部右侧螺纹孔；
6-2：指环底部左侧螺纹孔；
6-3：微控制单元；
6-4：电子元件；
6-5：传感器弹簧结构。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于小动脉光电容积脉搏波的血压检测装置，用以提高血压预测的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-图6所示，一种基于小动脉光电容积脉搏波的血压检测装置，包括指环结构、设置在指环结构底端的脉搏波检测单元、温度传感单元、压力传感单元和微控制单元以及设置在指环结构内部两侧的弹簧控制单元。
脉搏波检测单元，用于检测用户指端的光电容积脉搏波；
压力传感单元，用于检测用户指端的接触压力值；
温度传感单元，用于采集用户指端的的温度值；
微控制单元，分别与所述脉搏波检测单元、所述压力传感单元以及所述温度传感单元连接，用于根据所述光电容积脉搏波、所述压力值以及所述温度值计算小动脉光电容积脉搏波，并根据所述小动脉光电容积脉搏波进行血压检测。微控制单元包含蓝牙BLE低功耗协议栈，微控制单元用于控制各检测单元采集信号数据，并对信号进行分析、特征提取和血压计算，然后通过蓝牙协议栈向终端发送血压检测结果。
弹簧控制单元，与所述压力传感单元连接，用于根据所述压力值对所述压力传感单元进行调节。
血压检测装置还包括，IMU检测单元，分别与脉搏检测单元、压力传感单元、温度传感单元以及微控制单元连接，用于检测脉搏检测单元、压力传感单元以及温度传感单元检测的数据是否存在干扰数据，并将去除干扰后的数据发送至微控制单元。
血压检测装置还包括，电源管理单元用于为耗电单元供电，存储单元用于存储本地数据。
其中，所述脉搏波检测单元包括光电传感器模组1，所述光电传感器模组1用于检测用户指端的光电容积脉搏波，并通过模拟前端或接口电路将所述所述光电容积脉搏波发送至所述微控制单元6-3。
所述压力传感单元包括压力传感器3，所述压力传感器3用于检测用户指端的接触压力值，并通过模拟前端或接口电路将所述压力值发送至所述微控制单元6-3。
所述温度传感单元包括温度传感器2，所述温度传感器2用于用于采集用户指端的的温度值，并通过模拟前端或接口电路将所述温度值发送至所述微控制单元6-3。
弹簧控制单元包括精密电机、棘轮结构和恒压弹性模块4，精密电机根据压力值带动棘轮结构转动来调节恒压弹簧4-1的长度；恒压弹性模块4包括恒压弹簧4-1、可移动夹具4-2和固定夹具4-3；可移动夹具4-2套设在恒压弹簧4-1外部，固定夹具4-3套设在可移动夹具4-2的上部；恒压弹簧4-1的顶端与棘轮结构连接，恒压弹簧4-1的底端与指环结构的底端连接；固定夹具4-3以及可移动夹具4-2固定在指环结构内。
血压检测装置各个单元均为可拆卸结构，且通过模块化设计组装，可以通过拆卸的方式将传感、压力控制、电源控制等部分进行分离。
如图2、3、4、6所示，压力传感器3、光电传感器模组1、温度传感器2组成传感检测模块，该传感检测模块位于指腹部位，通过指环底部右侧螺纹孔6-1、指环底部左侧螺纹孔6-2以及恒压弹性模块的底部螺纹孔4-5与恒压弹性模块4连接。
光电传感器模组1可以由多个发光LED和多个光电接收器PD组成，可以是多个LED(如1-1、1-2)围绕1个PD(如1-3)形成圆形的阵列，也可以是LED如(1-1、1-2)关于PD(如1-3)中心对称的结构。
指环结构顶端主要包括棘轮结构和电池5，指环结构通过顶端左右两侧的螺纹孔和恒压弹性模块的顶部螺纹孔4-4与恒压弹性模块4连接。
恒压弹性模块4位于指环两侧，呈现对称排列，左右两侧的结构相同。恒压弹性模块4通过顶部连接线4-6与棘轮结构连接，通过底部连接线4-7与传感器检测模块连接。精密电机带动棘轮结构转动时，棘轮结构会控制恒压弹簧4-1的长度，调节传感检测模块与指腹之间的压力值。此外，位于传感器检测模块下方的传感器弹簧结构6-5为了保持传感器检测模块与指腹的充分接触，传感器弹簧结构6-5的长度也会随着恒压弹簧4-1的长度变化进行二次调节。
压力调节功能的实现如图5所示，微控制单元6-3通过压力检测单元的模拟前端或接口电路检测压力传感器3处测量得到的压力值，同时，检测光电传感器模组1处测量的PPG信号。指环刚佩戴上时的压力值记为F0，此时对应的PPG信号记为PPG0，微控制单元6-3控制精密电机转动，带动棘轮结构顺时针旋转N步(N≥1)，棘轮结构通过顶部连接线4-6拉伸恒压弹簧4-1，进而拉伸整个传感器检测模块，此时传感器弹簧结构6-5的弹性势能增加，记录此时压力传感器3测量的压力值F1以及对应的PPG1，比较PPG0和PPG1对应的交流幅值AC_PPG0和AC_PPG1大小，如果AC_PPG0>AC_PPG1则棘轮结构逆时针旋转M步(N≥M≥0)，反之如果AC_PPG0≤AC_PPG1则继续顺时针旋转N步。通过循环操作这个方法，确认棘轮结构的合适位置i，记录此时压力传感器的值Fi，使得AC_PPGi在当前位置下取得最大值。
血压检测装置中的存储单元、电阻、电容等电子元件6-4集成在指环底端。
本发明的基于小动脉光电容积脉搏波的血压检测装置，采用指环的形式在血管丰富的手指部位进行测量，结构简单且操作方式简便，所获得的信号信噪比高，准确度高，实现了人体主动脉血压的连续动态实时采集，具有较高的医用价值和广阔的市场应用前景。
本发明提供的小动脉光电容积脉搏波的血压检测装置中的微控制单元的具体计算过程如下：
步骤1、根据所述光电容积脉搏波，采用心血管状态初筛模型，确定用户的心血管状态。
步骤2、根据用户的心血管状态从血压预测模型组中选择对应的血压预测模型。
步骤3、根据所述光电容积脉搏波、所述压力值以及所述温度值，计算小动脉光电容积脉搏波。
步骤4、根据所述小动脉光电容积脉搏波，采用选择的血压预测模型进行血压检测。
其中，步骤1中的心血管状态初筛模型的训练过程包括：
步骤11：构建训练数据集，所述训练数据集包括不同心血管状态、不同性别以及不同年龄的光电容积脉搏波和血压数据；所述心血管状态包括正常、心房颤动和动脉粥样硬化。
步骤12：将所述光电容积脉搏波划分为第一组训练数据以及第二组训练数据。
步骤13：对所述第一组训练数据进行特征信息提取，得到多种特征特征信息。
步骤14：通过所述特征信息以及光电容积脉搏波数据对应的心血管状态对机器学习模型进行训练，得到心血管状态初筛模型。
在具体实施例中，如图11所示，首先选择同时包含ABP，PPG和心血管状态，年龄，性别的公开数据集，如MIMIC数据集或者桂林大学公布的数据集，进行数据预处理，PPG和ABP所需的最小长度设置为5分钟，并删除所有较短长度的记录。使用四阶巴特沃斯带通滤波器来消除PPG信号中的基线漂移和高频噪声，PPG信号的通频带频率为0.5-8Hz，利用Hampel滤波器去除ABP信号中的尖峰噪声。
通过公开数据集构建以不同心血管状态作为划分依据的光电容积脉搏波(PPG)、心血管状态、性别(Gender)、年龄(Age)和血压(BP)的数据子集{NORMAL},{AF},{CA}；预处理后的PPG信号分为2种(即第一组训练数据和第二组训练数据)，第一种是用于特征工程提取特征，作为机器学习模型的输入，用于训练模型参数并输出心血管状态划分的初筛分类结果；第二种是作为深度学习模型的输入，用于血压预测。其中特征工程中提取的特征信息包括但不限于心率HR，峰谷值Peak，上升时间RT，下降时间DT，波形面积PA，心率变异性(HRV)等，如图12(a)所示，也包括频域、时频域，非线性特征如样本熵等特征。特征信息用于实现心血管状态分类的训练、验证和测试，测试准确率超过90％后固化模型参数，实现心血管状态筛查。同时，现有的研究证明，脉搏波的强度、形态、节律及速率等特征会随着血管几何形态和力学性质的改变而改变。不同的心血管状态对应的脉搏波形态有较为明显的差异，如图12(b)所示，正常心血管状态良好的人的脉搏波形态包括了较为明显的降中峡，形态规律，而存在心血管状态异常的人的脉搏波形态在波形面积，降中峡，心率及心率变异性上都存在明显的差异。有鉴于此，可设计不同的分类模型进行心血管状态的分类评估。
分类模型包括：
1)贝叶斯分类器：贝叶斯定理是这类算法的核心，因此统称为贝叶斯分类。贝叶斯决策论通过相关概率已知的情况下利用误判损失来选择最优的类别分类。
2)决策树分类器：决策树算法将多维特征的训练集样本分配到不同类别中去，相当于给训练集样本做了一次投影，经过投影后的训练集样本被赋予相应的类别标签。决策树算法用递归流程来表示分类与回归，每次通过选择特征集中最优特征，根据选择的最优特征对训练集进行分类和回归，保证每个训练集样本所经历的分类和回归过程都是最优的。如果训练集样本的特征数量较多，则开始生产决策树的时对特征进行选择，留下有较强能力对训练的训练集样本进行分类和回归的特征，去掉那些能力较弱的特征。整个递归过程形似一棵树，所以称为决策树(Decision Tree)算法。决策树算法核心是构造一个准确度高，复杂度小的决策树。决策树的构造过程包括决策树的生成与剪枝两个部分。决策树的生成即利用训练集样本生成决策树，决策树的顶端节点为根节点，每个分支都看作是一个决策节点，代表待分类对象的属性。每个节点都表示存在一种可能的分类过程。遍历决策树时，在每个决策节点的不同的选择都会导致输出不同的分支，最终抵达叶子节点进行输出。该遍历的过程就是利用决策树解决分类问题的过程，利用若干个属性来对训练集样本分类。决策树的剪枝就是对生成的决策树进行检验和修正的过程，通过对决策树去复杂化，使之具有更好的泛化能力，能够适应更多的解决方案。
3)随机森林分类器：Random Forest(随机森林)是一种基于树模型的Bagging的优化版本，一棵树的生成肯定还是不如多棵树，因此就有了随机森林，解决决策树泛化能力弱的特点。而同一批数据，用同样的算法只能产生一棵树，这时Bagging策略可以产生不同的数据集。Bagging策略来源于bootstrap aggregation：从样本集(假设样本集N个数据点)中重采样选出Nb个样本(有放回的采样，样本数据点个数仍然不变为N)，在所有样本上，对这n个样本建立分类器(ID3\C4.5\CART\SVM\LOGISTIC)，重复以上两步m次，获得m个分类器，最后根据这m个分类器的投票结果，决定数据属于哪一类。
此外，一种典型的分类示范例如图13所示，将特征工程的产生的多维度时域、频域、时频域，非线性特征如样本熵等特征作为输入层，为了避免过拟合，光电接收器年龄数据在作为心血管状态分类的特征数据训练时，使用数据合成策略，对年龄特征加入随机高斯噪声，将相同年龄的数据扩充到±3或±5的范围内。在模型层利用LSTM或Bi-LSTM构建多层反馈网络，设置Densy层与softmax层输出分类的结果。其中模型层也可以是RF，SVM等其他模型。以下表格初步显示了模型分为Normal,AF和CA三类心血管状态的平均精度。
表一分类精度结果
Figure BDA0003662917690000111
Figure BDA0003662917690000121
本发明采用随机森林分类器作为心血管状态初筛的机器学习模型。在实际应用中，可根据计算资源来适当选择分类器。
其中，步骤2中的血压预测模型组的训练过程包括：
通过不同心血管状态下的第二组训练数据以及对应的血压数据训练多个深度学习模型，得到血压预测模型组；所述血压预测模型组包括多个血压检测模型，所述血压检测模型用于检测不同心血管状态下的血压。
在具体实施例中，如图14所示，针对每一种心血管状态初筛模型的分类结果，基于深度学习的方法建立了血压预测模型组。本发明开发了一种新的模型架构，即循环-注意力神经网络(LSTM-AT)，基于长短期记忆，注意力机制和全连接神经网络。模型的输入信号为一定时间周期内的脉搏波信号片段，利用数据子集数据中的PPG片段作为输入信号，BP作为标签信号训练深度学习血压预测模型，构建适用于不同数据子集的血压预测模型组，并固化血压预测模型的参数作为群体模型系数，血压预测模型的输入为PPG数据片段，经过Bi-LSTM层并加入注意力机制Attension层对重要特征向量进行加权，将输出向量与年龄、性别等人口统计学信息结合，最后通过一个全连接层进行血压预测。血压预测模型中应用了Bahdanau注意力:
Figure BDA0003662917690000122
其中，ci保留前一层输出的所有隐藏状态信息并表示为注意权重向量ai和hti之间的加权和，ai使用softmax函数标准化，hti代表了i时刻的ht。
其中，长短时记忆(LSTM)是一种特殊的RNN，可以有效地解决训练中梯度消失和爆发的问题，LSTM单元的结构图如图14所示。与RNN相比，LSTM有两种传输状态：Ct(细胞状态)和ht(隐藏状态)。其中，Ct变化非常缓慢，在不同的节段，ht会有所不同，分别对应于长期记忆和短期记忆。在内部，LSTM通过遗忘门、输入门和输出门将信息从一个时间步传输到另一个时间步。
迁移学习侧重于将源领域获得的知识存储到另一个目标领域中，该问题通常包含少量的数据样本来训练模型。本发明将基于新的模型架构，即循环-注意力神经网络(LSTM-AT)，基于长短期记忆，注意力机制和全连接神经网络，从大型公开数据集中获取的PPG和BP数据来预先训练参数，在个体使用过程中利用新数据调节个体模型最后一层的参数，可以大幅减少新数据所需的训练集数量，如图15所示。
其中，步骤3具体包括：
步骤31：根据压力值确定所述弹簧控制单元的调节量。
步骤32：获取在所述弹簧控制单元调节量下的所述LED波长为λ1和λ2时的光电容积脉搏波。
步骤33：根据所述光电容积脉搏波信号确定缩放系数。
步骤34：根据温度值确定所述缩放系数的修订项。
步骤35：根据所述光电容积脉搏波、所述缩放系数以及所述缩放系数的修订项计算小动脉处的容积脉搏波信号。
在具体实施例中，以1个光电接收器1-3，LED1-1和LED1-2为例，LED1-1的波长为λ2，LED1-2的波长为λ1，其中λ1≥λ2，可以看到λ1的光穿透深度较深，光子在传播路径中包含了毛细血管和小动脉的容积变化信号，λ2的穿透深度较浅，光子传播路径主要包括毛细血管的的容积变化。由于此时光子在皮肤组织中传播主要是以漫反射的形式存在，容易受到组织液、静脉波动的影响，难以准确获取某一特定层的信号。如图7所示，PD处检测得到的PPG信号通常是一个复合信号，其中1-1-1为波长λ1的LED光在光电接收器1-3处接收到的脉搏波，1-2-1为波长λ2的LED光在光电接收器1-3处接收到的脉搏波，1-12-1为波长为λ1，λ2的LED光合成的小动脉脉搏波。
此外，PPG信号除了受到光子传播路径的影响，还受压力、温度信号的影响，如图8所示，随着压力的增加，脉搏波的交流AC幅度先增加，后减少，在这个过程中，小动脉经历了去负荷到阻塞的过程；随着温度的降低，脉搏波的交流AC幅度减少，主要是温度降低时，血管收缩，内径减少，外周阻力增加，灌注减少。
如图9、图10所示，其输入信号为压力传感器的值Fi，，温度Ti，浅层PPG，深层PPG，输出为小动脉APPG信号。
LED1-2的波长为λ1，λ1波长的光子穿透路径简化包含
Figure BDA0003662917690000141
毛细血管部分，其容积随时间t的变化可表示为为
Figure BDA0003662917690000142
根据朗伯比尔定律，穿透路径
Figure BDA0003662917690000143
容积变化
Figure BDA0003662917690000144
吸收系数与背景吸收系数差值为
Figure BDA0003662917690000145
的液体，在光电接收器PD处光强的变化可以表示为
Figure BDA0003662917690000146
同样，由于其穿透深度较深，穿透小动脉的部分在光电接收器光强的变化可以表示为
Figure BDA0003662917690000147
考虑到穿透小动脉部分光子的比例收到皮肤结构和体温的影响，本发明引入
Figure BDA0003662917690000148
来修正系数，波长为λ1的光源在光电接收器处接收到的光电容积脉搏波具体可以由以下公式表述：
Figure BDA0003662917690000149
同理，LED1-1的波长为λ2、λ2波长的光子穿透路径简化包含
Figure BDA00036629176900001423
毛细血管部分，其容积随时间t的变化可表示为为
Figure BDA00036629176900001410
根据朗伯比尔定律，穿透路径
Figure BDA00036629176900001411
容积变化
Figure BDA00036629176900001412
吸收系数与背景吸收系数差值为
Figure BDA00036629176900001413
的液体，在光电接收器接收到的光强变化可以表示为
Figure BDA00036629176900001414
同样，由于其穿透深度较浅，只有小部分光子穿透小动脉，在光电接收器接收到的光强变化可以表示为
Figure BDA00036629176900001415
考虑到穿透小动脉部分光子的比例收到皮肤结构和体温的影响，本发明引入
Figure BDA00036629176900001416
来修正系数，波长为λ2的光源在光电接收器处接收到的光电容积脉搏波可以由以下公式表述：
Figure BDA00036629176900001417
在计算系数时，可以设置λ1＞＞λ2，λ1的光穿透深度较深，光子在传播路径中包含了毛细血管和小动脉的容积变化信号，λ2的穿透深度较浅，光子传播路径主要包括毛细血管的的容积变化。此时
Figure BDA00036629176900001418
Figure BDA00036629176900001419
的值均为常数，
Figure BDA00036629176900001420
为了简化模型计算，忽略掉常数项，同时使得
Figure BDA00036629176900001421
可以得到以下公式：
Figure BDA00036629176900001422
可以看出对不同波长的光源求差分可以得到APPG，因此，需要明确缩放系数rat(t)的计算方法。考虑到该系数的计算与t时刻不同光源穿透深度，动脉、静脉及组织的收缩和扩张相关，具体确定流程如下：
1)rat取值0-10，以0.01为增量增加，rat每取一个值计算一组信号
Figure BDA0003662917690000151
矩阵
2)计算每一组PPG与
Figure BDA0003662917690000152
之间的互相关系数，计算公式如下：
Figure BDA0003662917690000153
其中，
Figure BDA0003662917690000154
σ为方差，n为点数，
Figure BDA0003662917690000155
为n点的平均值。当互相关系数>0.5且维持t(t>3s)时间的稳定，确认当前数据对应的rat为缩放系数rat的取值。
3)通过多组实验，评估温度对PPG幅度的影响，保持心率等因素恒定，记录PPG幅度随着温度变化的趋势，以υT表示温度对PPG幅度的修订项。
4)通过以上步骤2)确认的rat，步骤3)确认的υT，通过以下公式确定APPG的值。
Figure BDA0003662917690000156
其中，
Figure BDA0003662917690000157
和
Figure BDA0003662917690000158
分别是波长为λ1和λ2时测量得到的幅值，υT表示温度对PPG幅度的修订项，作为补偿可以得到更准确的动脉容积波波形。通过以上步骤，可以得到小动脉处的容积脉搏波信号，用于后续的心血管状态评估与血压预测。
本发明将群体模型(即血压预测模型组)及系数固化入微处理单元，微处理单元通过脉搏波检测单元先检测多通道脉搏波，通过电机控制棘轮结构，改变恒压弹簧的长度并维持恒定的作用力Fi，使得在该Fi值下，PPG的交流AC值幅度最大，记录此时的温度值，并计算多通道PPG信号之间的互相关系数，当互相关系数>0.5且维持t(t>3s)时间的稳定，确认缩放系数rat，根据
Figure BDA0003662917690000159
计算APPG。针对个体的数据做一次校准，通过迁移学习方法，更新血压预测模型最后一层的系数，实现个性化血压检测。即先通过特征工程进行心血管状态筛查，分为NORMAL、AF、CA等几个不同状态s，然后从血压预测模型组中，选择不同状态si对应的血压预测模型系数wi进行血压预测，其中si代表第i种心血管状态，wi代表第i种心血管状态对应的血压预测模型参数。在个体模型(即血压预测模型)的建模过程中，通过个体N秒的PPG信号，年龄，性别，既往史等输入参数，更新血压预测模型最后一层的系数。一项针对个体的迁移学习模型实验表明，按照本发明阐述的模型预测的血压值符合BHS标准的A级要求，如下表二所示。
表二、迁移学习模型测试结果与BHS标准对比
Figure BDA0003662917690000161
本发明通过设置多波长光电检测传感器模组实现了不同穿透深度的PPG信号检测，结合电机、恒压弹簧和压力传感器实现测量部位的压力控制，同时融合检测部位的温度，去除掉了干扰信号，实现了APPG信号的直接测量和跟踪。并且考虑到传统无创血压检测准确度不理想的缺陷，对血压模型进行改进，并且针对传统的深度学习算法计算量大的问题设计了迁移学习模型，通过模型的训练，实现了基于APPG的无创心血管状态初筛和血压预测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于小动脉光电容积脉搏波的血压检测装置，其特征在于，包括指环结构、设置在所述指环结构底端的脉搏波检测单元、温度传感单元、压力传感单元和微控制单元以及设置在所述指环结构内部两侧的弹簧控制单元；
脉搏波检测单元，用于检测用户指端的光电容积脉搏波；
压力传感单元，用于检测用户指端的接触压力值；
温度传感单元，用于采集用户指端的的温度值；
微控制单元，分别与所述脉搏波检测单元、所述压力传感单元以及所述温度传感单元连接，用于根据所述光电容积脉搏波、所述压力值以及所述温度值计算小动脉光电容积脉搏波，并根据所述小动脉光电容积脉搏波进行血压检测；
弹簧控制单元，与所述压力传感单元连接，用于根据所述压力值对所述压力传感单元进行调节。
2.根据权利要求1所述的一种基于小动脉光电容积脉搏波的血压检测装置，其特征在于，所述脉搏波检测单元包括光电传感器模组，所述光电传感器模组用于检测用户指端的光电容积脉搏波，并通过模拟前端或接口电路将所述所述光电容积脉搏波发送至所述微控制单元；
所述压力传感单元包括压力传感器，所述压力传感器用于检测用户指端的接触压力值，并通过模拟前端或接口电路将所述压力值发送至所述微控制单元；
所述温度传感单元包括温度传感器，所述温度传感器用于用于采集用户指端的的温度值，并通过模拟前端或接口电路将所述温度值发送至所述微控制单元。
3.根据权利要求1所述的一种基于小动脉光电容积脉搏波的血压检测装置，其特征在于，所述血压检测装置还包括IMU检测单元，所述IMU检测单元分别与所述脉搏检测单元、所述压力传感单元、所述温度传感单元以及所述微控制单元连接，用于检测所述脉搏检测单元、所述压力传感单元以及所述温度传感单元检测的数据是否存在干扰数据，并将去除干扰后的数据发送至所述微控制单元。
4.根据权利要求1所述的一种基于小动脉光电容积脉搏波的血压检测装置，其特征在于，所述弹簧控制单元包括精密电机、棘轮结构和恒压弹性模块，所述精密电机根据所述压力值带动所述棘轮结构转动来调节所述恒压弹簧的长度；所述恒压弹性模块包括恒压弹簧、可移动夹具和固定夹具；所述可移动夹具套设在所述恒压弹簧外部，所述固定夹具套设在所述可移动夹具的上部；所述恒压弹簧的顶端与所述棘轮结构连接，所述恒压弹簧的底端与所述指环结构的底端连接；所述固定夹具以及所述可移动夹具固定在所述指环结构内。
5.根据权利要求2所述的一种基于小动脉光电容积脉搏波的血压检测装置，其特征在于，所述光电传感器模组包括多个发光LED和多个光电接收器；多个所述发光LED关于多个所述光电接收器中心对称设置。
6.根据权利要求2所述的一种基于小动脉光电容积脉搏波的血压检测装置，其特征在于，所述光电传感器模组包括多个发光LED和1个光电接收器；多个所述发光LED围绕所述光电接收器设置。
7.根据权利要求1所述的一种基于小动脉光电容积脉搏波的血压检测装置，其特征在于，所述根据所述光电容积脉搏波、所述压力值以及所述温度值计算小动脉光电容积脉搏波，并根据所述小动脉光电容积脉搏波进行血压检测，具体包括：
根据所述光电容积脉搏波，采用心血管状态初筛模型，确定用户的心血管状态；
根据用户的心血管状态从血压预测模型组中选择对应的血压预测模型；
根据所述光电容积脉搏波、所述压力值以及所述温度值，计算小动脉光电容积脉搏波；
根据所述小动脉光电容积脉搏波，采用选择的血压预测模型进行血压检测。
8.根据权利要求7所述的基于光电容积脉搏波的血压检测装置，其特征在于，所述心血管状态初筛模型的训练过程包括：
构建训练数据集，所述训练数据集包括不同心血管状态、不同性别以及不同年龄的光电容积脉搏波和血压数据；所述心血管状态包括正常、心房颤动和动脉粥样硬化；
将所述光电容积脉搏波划分为第一组训练数据以及第二组训练数据；
对所述第一组训练数据进行特征信息提取，得到多种特征特征信息；
通过所述特征信息以及光电容积脉搏波数据对应的心血管状态对机器学习模型进行训练，得到心血管状态初筛模型。
9.根据权利要求7所述的基于光电容积脉搏波的血压检测装置，其特征在于，所述血压预测模型组的训练过程包括：
通过不同心血管状态下的第二组训练数据以及对应的血压数据训练多个深度学习模型，得到血压预测模型组；所述血压预测模型组包括多个血压检测模型，所述血压检测模型用于检测不同心血管状态下的血压。
10.根据权利要求7所述的一种基于小动脉光电容积脉搏波的血压检测装置，其特征在于，所述根据所述光电容积脉搏波、所述压力值以及所述温度值，计算小动脉光电容积脉搏波，具体包括：
根据压力值确定所述弹簧控制单元的调节量；
获取在所述弹簧控制单元调节量下的所述LED波长为λ1和λ2时的光电容积脉搏波；
根据所述光电容积脉搏波信号确定缩放系数；
根据温度值确定所述缩放系数的修订项；
根据所述光电容积脉搏波、所述缩放系数以及所述缩放系数的修订项计算小动脉处的容积脉搏波信号。
CN202210584491.3A 2022-05-26 2022-05-26 一种基于小动脉光电容积脉搏波的血压检测装置 Active CN114983364B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210584491.3A CN114983364B (zh) 2022-05-26 2022-05-26 一种基于小动脉光电容积脉搏波的血压检测装置
PCT/CN2023/094497 WO2023226824A1 (zh) 2022-05-26 2023-05-16 一种基于小动脉光电容积脉搏波的血压检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210584491.3A CN114983364B (zh) 2022-05-26 2022-05-26 一种基于小动脉光电容积脉搏波的血压检测装置

Publications (2)

Publication Number Publication Date
CN114983364A true CN114983364A (zh) 2022-09-02
CN114983364B CN114983364B (zh) 2023-09-15

Family

ID=83028952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210584491.3A Active CN114983364B (zh) 2022-05-26 2022-05-26 一种基于小动脉光电容积脉搏波的血压检测装置

Country Status (2)

Country Link
CN (1) CN114983364B (zh)
WO (1) WO2023226824A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115770028A (zh) * 2022-12-16 2023-03-10 深圳市爱都科技有限公司 血压检测方法、系统、装置及存储介质
CN116028809A (zh) * 2022-12-27 2023-04-28 北京津发科技股份有限公司 一种连续血压的测量模型训练、测量方法及装置
WO2023226824A1 (zh) * 2022-05-26 2023-11-30 杭州兆观传感科技有限公司 一种基于小动脉光电容积脉搏波的血压检测装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060081178A (ko) * 2005-01-07 2006-07-12 학교법인연세대학교 광혈류 측정신호를 이용한 이동형 혈압 감시장치
US20190209030A1 (en) * 2016-08-10 2019-07-11 Murata Manufacturing Co., Ltd. Blood pressure status measuring apparatus
CN110448287A (zh) * 2018-05-07 2019-11-15 香港中文大学 用于非侵入性毛细血管血压测量的装置和方法
CN114287892A (zh) * 2021-12-02 2022-04-08 中国科学院深圳先进技术研究院 一种外周血管阻力变化跟踪方法、系统、终端以及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114983364B (zh) * 2022-05-26 2023-09-15 杭州兆观传感科技有限公司 一种基于小动脉光电容积脉搏波的血压检测装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060081178A (ko) * 2005-01-07 2006-07-12 학교법인연세대학교 광혈류 측정신호를 이용한 이동형 혈압 감시장치
US20190209030A1 (en) * 2016-08-10 2019-07-11 Murata Manufacturing Co., Ltd. Blood pressure status measuring apparatus
CN110448287A (zh) * 2018-05-07 2019-11-15 香港中文大学 用于非侵入性毛细血管血压测量的装置和方法
CN114287892A (zh) * 2021-12-02 2022-04-08 中国科学院深圳先进技术研究院 一种外周血管阻力变化跟踪方法、系统、终端以及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023226824A1 (zh) * 2022-05-26 2023-11-30 杭州兆观传感科技有限公司 一种基于小动脉光电容积脉搏波的血压检测装置
CN115770028A (zh) * 2022-12-16 2023-03-10 深圳市爱都科技有限公司 血压检测方法、系统、装置及存储介质
CN116028809A (zh) * 2022-12-27 2023-04-28 北京津发科技股份有限公司 一种连续血压的测量模型训练、测量方法及装置

Also Published As

Publication number Publication date
CN114983364B (zh) 2023-09-15
WO2023226824A1 (zh) 2023-11-30

Similar Documents

Publication Publication Date Title
Guo et al. An XGBoost-based physical fitness evaluation model using advanced feature selection and Bayesian hyper-parameter optimization for wearable running monitoring
CN114983364B (zh) 一种基于小动脉光电容积脉搏波的血压检测装置
Slapničar et al. Continuous blood pressure estimation from PPG signal
Zhao et al. EmotionSense: Emotion recognition based on wearable wristband
US10695005B2 (en) Non-invasive blood sugar measuring method and fingertip measuring probe
CN110191675A (zh) 用于非接触式确定血压的系统和方法
CA3119887A1 (en) Self-monitoring and care assistant for achieving glycemic goals
US20180228383A1 (en) Blood pressure measuring device, blood pressure measurement method and blood pressure measurement program
KR102237466B1 (ko) 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법
Wang et al. Photoplethysmography-based blood pressure estimation combining filter-wrapper collaborated feature selection with LASSO-LSTM model
KR20200127202A (ko) 수면 단계 검출을 위한 방법, 컴퓨팅 장치 및 웨어러블 장치
Di Martino et al. High-resolution physiological stress prediction models based on ensemble learning and recurrent neural networks
Tsai et al. Diabetes care in motion: Blood glucose estimation using wearable devices
TW201424683A (zh) 脈波與體質健康風險評估系統與方法
Li et al. Synchronizing chaotification with support vector machine and wolf pack search algorithm for estimation of peripheral vascular occlusion in diabetes mellitus
Pandey et al. Design and implementation of a photoplethysmography acquisition system with an optimized artificial neural network for accurate blood pressure measurement
Roy et al. On-device reliability assessment and prediction of missing photoplethysmographic data using deep neural networks
Kanawade et al. Photoplethysmography based arrhythmia detection and classification
Gan et al. Human-computer interaction based interface design of intelligent health detection using PCANet and multi-sensor information fusion
Ji et al. Noninvasive cuffless blood pressure estimation with dendritic neural regression
CN112914528B (zh) 一种无袖带血压测量的模型生成方法、装置及计算机可读介质
Shintomi et al. Effectiveness of the heartbeat interval error and compensation method on heart rate variability analysis
Chakraborty et al. PPG-based automated estimation of blood pressure using patient-specific neural network modeling
Girish Rao Salanke et al. An enhanced intrinsic biometric in identifying people by photopleythsmography signal
US9826911B2 (en) Wearable device and determination method thereof

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