CN115240845A - 一种基于体外反搏的冠心病分类方法、系统及装置 - Google Patents
一种基于体外反搏的冠心病分类方法、系统及装置 Download PDFInfo
- Publication number
- CN115240845A CN115240845A CN202210855139.9A CN202210855139A CN115240845A CN 115240845 A CN115240845 A CN 115240845A CN 202210855139 A CN202210855139 A CN 202210855139A CN 115240845 A CN115240845 A CN 115240845A
- Authority
- CN
- China
- Prior art keywords
- data
- heart disease
- coronary heart
- external counterpulsation
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/33—Heart-related electrical modalities, e.g. electrocardiography [ECG] specially adapted for cooperation with other devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/06—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/488—Diagnostic techniques involving Doppler signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Hematology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于体外反搏的冠心病分类方法、系统及装置,该方法包括:获取训练数据并进行数据增强,得到增强后的数据;对增强后的数据进行划分并融合,得到融合数据;基于迁移学习方法,根据融合数据对VGG16模型进行训练,构建得到冠心病分类模型;利用体外反搏技术干预冠状动脉脉搏波,诱导患者和健康者产生不同的变异,通过测量相关生理数据并输入并输入至冠心病分类模型,得到分类结果。该系统包括:增强模块、融合模块、训练模块和分类模块。通过使用本发明,能够快速精准地完成冠心病分类,进行冠心病患者的筛查。本发明作为一种基于体外反搏的冠心病分类方法、系统及装置,可广泛应用于医疗数据处理领域。
Description
技术领域
本发明涉及医疗数据处理领域,尤其涉及一种基于体外反搏的冠心病分类方法、系统及装置。
背景技术
目前,冠状动脉冠心病患者与健康人在动态运动干预下的血流动力学时域与频域变化特性有所不同,这有很大的潜力出现新颖的靶目标为冠心病的早期诊断和早期筛查。但是,主动运动对机体所产生的即时影响或者长期影响的研究相对偏少,并且影响的显著程度较低。另外,主动运动进行过程中,代谢、呼吸以及循环会相应变化,机体血流动力学受运动干预的影响就会产生较大的争议并且难以进行体内生理信息的采集、测量。考虑到上述原因,引入被动运动-增强型体外反搏,增强型体外反搏是一种无创治疗缺血性疾病的“被动“辅助疗法,在中国研制成功属于首创。该设备的工作原理是通过ECG识别R波,气囊从小腿、大腿及臀部自下而上序贯充气,挤压下半身的动脉血流,在心脏舒张期将血流驱回上半身,改善心脑等重要器官灌注,同时因为静脉系统同时受压,也会增加右心的静脉回流,在心脏收缩期,三级气囊同时排气,心脏后负荷下降。被动运动EECP是一种特殊的“被动运动”康复疗法,由于操作简单方便,费用较低、安全可靠等优点被广泛应用在临床上辅助治疗冠心病、心绞痛患者目前临床上已经证实EECP能够改善血管内皮功能,增加冠脉灌注,缓解心绞痛以及改良患者的生活质量。值得注意的是,被动运动增强型体外反搏对人体产生的血流动力学即时响应显著能够引起颈总动脉、股动脉和肱动脉等动脉的变化并且不同人群的变化存在差异,这些具有预测冠心病风险的潜在价值,同时血管内血流速度、二维形态等数据利于冠心病风险预测。此外,冠心病患者大多是中老年群体,心肺功能相对较差,进行主动运动的难度相对较大。
发明内容
为了解决上述技术问题,本发明的目的是提供一种基于体外反搏的冠心病分类方法、系统及装置,能够快速精准地完成冠心病分类,进行冠心病患者的筛查。
本发明所采用的第一技术方案是:一种基于体外反搏的冠心病分类方法,包括以下步骤:
获取训练数据并进行数据增强,得到增强后的数据;
对增强后的数据进行划分并融合,得到融合数据;
基于迁移学习方法,根据融合数据对VGG16模型进行训练,构建得到冠心病分类模型;
基于体外反搏装置采集待测生理数据并输入至冠心病分类模型,得到分类结果。
进一步,还包括:
根据评价指标对模型进行评价,得到评价结果。
进一步,所述获取训练数据并进行数据增强,得到增强后的数据这一步骤,其具体包括:
获取受试者的生理数据,得到训练数据;
对训练数据进行无关信息去除处理并提取感兴趣区域;
根据颜色分量剔除感兴趣区域的干扰因素并进行空洞填补,得到增强后的数据。
进一步,所述对增强后的数据进行划分并融合,得到融合数据这一步骤,其具体包括:
将增强后的数据划分为超声数据和频谱数据;
将超声数据和频谱数据按照维度融合,得到融合数据。
进一步,所述基于迁移学习方法,根据融合数据对VGG16模型进行训练,构建得到冠心病分类模型这一步骤,其具体包括:
基于迁移学习方法,将融合数据输入至VGG16模型进行训练;
经过卷积层、池化层、分类层和全连接层进行特征提取和分析,输出预测结果;
具体地,迁移学习模型TF-VGG16:包含5个卷积层,5个池化层,一个Softmax分类层和2个全连接层,其中一个全连接层的维度为4096维,另一个全连接层为分类层。
基于交叉熵损失函数,结合预测结果和真实标签标签对VGG16模型进行优化,得到冠心病分类模型。
进一步,所述交叉熵损失函数公式表示如下:
上式中,L表示损失,N表示样本总量,x表示输入样本,yT表示样本真实值,yP表示模型对样本的预测值,yP=σ(wx+b),σ表示激活函数,w表示权重函数,b表示偏置。
进一步,所述基于体外反搏装置采集待测生理数据并输入至冠心病分类模型,得到分类结果这一步骤,其具体包括:
基于体外反搏装置,采集反搏前、中、后的生理数据,得到待测生理数据;
将待测生理数据进行划分为超声数据和频谱数据并按照维度融合,得到待测融合数据;
待测融合数据输入至冠心病分类模型,得到分类结果。
本发明所采用的第二技术方案是:一种基于体外反搏的冠心病分类系统,包括:
增强模块,用于获取训练数据并进行数据增强,得到增强后的数据;
融合模块,用于对增强后的数据进行划分并融合,得到融合数据;
训练模块,基于迁移学习方法,根据融合数据对VGG16模型进行训练,构建得到冠心病分类模型;
分类模块,基于体外反搏装置采集待测生理数据并输入至冠心病分类模型,得到分类结果。
本发明所采用的第三技术方案是:一种基于体外反搏的冠心病分类装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上所述一种基于体外反搏的冠心病分类方法。
本发明方法、系统及装置的有益效果是:本发明通过数据增强方法提高训练数据的图像质量,有助于提高分类模型的准确率,采用迁移学习建立用于冠状动脉冠心病分类的卷积神经网络模型,能够快速精准地完成冠心病分类,进行冠心病患者的筛查。
附图说明
图1是本发明一种基于体外反搏的冠心病分类方法的步骤流程图;
图2是本发明具体实施例数据增强过程示意图;
图3是本发明具体实施例二分类混淆矩阵的示意图;
图4是本发明具体实施例模型评价指标及其含义的示意图;
图5是本发明一种基于体外反搏的冠心病分类系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示,本发明提供了一种基于体外反搏的冠心病分类方法,该方法包括以下步骤:
S1、获取训练数据并进行数据增强,得到增强后的数据;
S1.1、获取受试者的生理数据,得到训练数据;
S1.2、对训练数据进行无关信息去除处理并提取感兴趣区域;
S1.3、根据颜色分量剔除感兴趣区域的干扰因素并进行空洞填补,得到增强后的数据。
具体地,参照图2,血管的血流速度频谱超声图中血流速度频谱曲线周围干扰因素较多,导致模型产生偏执,影响模型最终预测效果,降低模型运行速度,延长模型计算时间。首先读入原始血管血流频谱超声图,创建图像像素截取算法,剔除无关信息,保留主要的血流速度频谱曲线区域,得到模型感兴趣区域。其次对于感兴趣区域,存在坐标轴、数字及字母干扰因素,同时血流速度频谱曲线下方存在不同亮度的灰色干扰区域,根据干扰因素的RGB颜色分量,创建像素提炼算法,提炼出目标荧光曲线即血流速度频谱曲线,剔除目标荧光曲线周围的干扰因素。另外,血管的血流速度频谱曲线峰值处存在空洞,上述步骤获取到感兴趣区域中血管血流速度频谱曲线后,运用膨胀形态学算法填补目标曲线的空洞,使目标曲线即血管血流速度频谱曲线边缘连贯饱满。
S2、对增强后的数据进行划分并融合,得到融合数据;
S2.1、将增强后的数据划分为超声数据和频谱数据;
S2.2、将超声数据和频谱数据按照维度融合,得到融合数据。
S3、基于迁移学习方法,根据融合数据对VGG16模型进行训练,构建得到冠心病分类模型;
S3.1、基于迁移学习方法,将融合数据输入至VGG16模型进行训练;
S3.2、经过卷积层、池化层、分类层和全连接层进行特征提取和分析,输出预测结果;
S3.3、基于交叉熵损失函数,结合预测结果和真实标签标签对VGG16模型进行优化,得到冠心病分类模型。
具体地,所述交叉熵损失函数公式表示如下:
上式中,L表示损失,N表示样本总量,x表示输入样本,yT表示样本真实值,yP表示模型对样本的预测值,yP=σ(wx+b),σ表示激活函数,w表示权重函数,b表示偏置。
激活函数使用ReLu函数。ReLU函数的导数为:
当使用ReLU函数时,对于输出值小于等于0的神经元会自动丢弃。因此,权重参数的梯度为:
从上式不难看出,当预测值σ(wxi+b)与真实值yT之间的差距较大时,参数更新得快,训练时间缩短;当该差距较小时,参数更新得慢。
S4、基于体外反搏装置采集待测生理数据并输入至冠心病分类模型,得到分类结果。
S4.1、基于体外反搏装置,采集反搏前、中、后的生理数据,得到待测生理数据;
具体地,所有的受试者均接受一次45分钟的EECP,包裹在受试者小腿、大腿下部和大腿上部的可压缩袖带连续地充气和放气,采用彩色多普勒超声在EECP干预前、中、后立即进行超声血流频谱测量,获取目标用户颈动脉、肱动脉等生理数据。
体外反搏装置的基本结构由三大部分组成,分别为控制系统、治疗床体和专用气囊。治疗开始前,将3个电极分别贴在人体相应的部位(左侧锁骨下、V3-V6之间、右侧乳房下),连接控制器。将气囊分别包绕患者小腿、大腿及臀部。气囊通过空气管与床体内的空气压缩机相连,以患者心电R波为触发信号,在心脏舒张期气囊充气,于小腿、大腿及臀部进行由远及近的序贯加压,并在心脏收缩期前期迅速排气。充、排气动作必须与心动周期完全同步。待患者适应反搏治疗压力后逐渐加大压力,使充气压力稳定在0.030-0.035MPa之间,指脉波显示D/S(舒张波/收缩波)比值大于1.2。
S4.2、将待测生理数据进行划分为超声数据和频谱数据并按照维度融合,得到待测融合数据;
S4.3、待测融合数据输入至冠心病分类模型,得到分类结果。
S5、根据评价指标对模型进行评价,得到评价结果。
具体地,评价指标包括正确率、敏感性、特异性、受试者工作曲线和曲线下面积。
模型的评价指标是评估模型性能的关键因素,根据实际情况不同选择不同的、合理的评价指标对模型的最终适用性至关重要。本研究采用混淆矩阵对迁移学习模型的性能进行评价。
对于分类问题,混淆矩阵可以分析模型各类别的预测结果。在模型训练阶段,可以根据结果来调整模型的参数来优化模型。参照图3,二分类问题的混淆矩阵M。在M中,每一行之和代表所有原始类别为i的数量,每一列之和代表模型分类为类别j的数量,则M(i,j)表示原始类别为i的样本中分类为j的数量。因此,共形成四种情况,分别为真阳性的数量(True Positive,TP)、假阳性的数量(False Positive,FP)、真阴性的数量(TrueNegative,TN)和假阴性的数量(False Negative,FN)。其中对角线上的值越大,即TP和TN的占比越多,模型争取分类的精度越高,模型的性能也就越好,
基于上述矩阵的模型评价指标有准确率Acuracy、敏感性Sensitivity和特异性Specificity等,其具体含义参照图4,基于这些评价指标的扩展指标还有受试者工作特征曲线(Receiver Operating Characteristic Curve,简称ROC曲线)和AUC等。受试者工作曲线ROC是由假阳性率(FPR)和真阳性率(TPR)之间的点连线成的曲线,其横轴为假阳性率,纵轴为真阳性率,横纵轴的取值范围为0~1。AUC是一个重要的评价指标,对于二分类问题,当该面积为0.5时,代表该模型无任何识别能力。因为预测只有两种选择:阳性和阴性,其预测对的概率为0.5,该值对实际应用没有任何参考价值。当其越接近于1,代表模型的识别能力越强;当等于1时,代表模型能完全识别所有阳性样本。在本研究中,采用上述五项指标评价影像组学模型和迁移学习模型对超声甲状腺结节良恶性分类的性能,包括正确率、敏感性、特异性、ROC和AUC。
如图5所示,一种基于体外反搏的冠心病分类系统,包括:
增强模块,用于获取训练数据并进行数据增强,得到增强后的数据;
融合模块,用于对增强后的数据进行划分并融合,得到融合数据;
训练模块,基于迁移学习方法,根据融合数据对VGG16模型进行训练,构建得到冠心病分类模型;
分类模块,基于体外反搏装置采集待测生理数据并输入至冠心病分类模型,得到分类结果。
具体地,还包括:
评价模块,用于根据评价指标对模型进行评价,得到评价结果。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种基于体外反搏的冠心病分类装置:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上所述一种基于体外反搏的冠心病分类方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种存储介质,其中存储有处理器可执行的指令,其特征在于:所述处理器可执行的指令在由处理器执行时用于实现如上所述一种基于体外反搏的冠心病分类方法。
上述方法实施例中的内容均适用于本存储介质实施例中,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种基于体外反搏的冠心病分类方法,其特征在于,包括以下步骤:
获取训练数据并进行数据增强,得到增强后的数据;
对增强后的数据进行划分并融合,得到融合数据;
基于迁移学习方法,根据融合数据对VGG16模型进行训练,构建得到冠心病分类模型;
基于体外反搏装置采集待测生理数据并输入至冠心病分类模型,得到分类结果。
2.根据权利要求1所述一种基于体外反搏的冠心病分类方法,其特征在于,还包括:
根据评价指标对模型进行评价,得到评价结果。
3.根据权利要求2所述一种基于体外反搏的冠心病分类方法,其特征在于,所述获取训练数据并进行数据增强,得到增强后的数据这一步骤,其具体包括:
获取受试者的生理数据,得到训练数据;
对训练数据进行无关信息去除处理并提取感兴趣区域;
根据颜色分量剔除感兴趣区域的干扰因素并进行空洞填补,得到增强后的数据。
4.根据权利要求3所述一种基于体外反搏的冠心病分类方法,其特征在于,所述对增强后的数据进行划分并融合,得到融合数据这一步骤,其具体包括:
将增强后的数据划分为超声数据和频谱数据;
将超声数据和频谱数据按照维度融合,得到融合数据。
5.根据权利要求4所述一种基于体外反搏的冠心病分类方法,其特征在于,所述基于迁移学习方法,根据融合数据对VGG16模型进行训练,构建得到冠心病分类模型这一步骤,其具体包括:
基于迁移学习方法,将融合数据输入至VGG16模型进行训练;
经过卷积层、池化层、分类层和全连接层进行特征提取和分析,输出预测结果;
基于交叉熵损失函数,结合预测结果和真实标签标签对VGG16模型进行优化,得到冠心病分类模型。
7.根据权利要求5所述一种基于体外反搏的冠心病分类方法,其特征在于,所述基于体外反搏装置采集待测生理数据并输入至冠心病分类模型,得到分类结果这一步骤,其具体包括:
基于体外反搏装置,采集反搏前、中、后的生理数据,得到待测生理数据;
将待测生理数据进行划分为超声数据和频谱数据并按照维度融合,得到待测融合数据;
待测融合数据输入至冠心病分类模型,得到分类结果。
8.一种基于体外反搏的冠心病分类系统,其特征在于,包括:
增强模块,用于获取训练数据并进行数据增强,得到增强后的数据;
融合模块,用于对增强后的数据进行划分并融合,得到融合数据;
训练模块,基于迁移学习方法,根据融合数据对VGG16模型进行训练,构建得到冠心病分类模型;
分类模块,基于体外反搏装置采集待测生理数据并输入至冠心病分类模型,得到分类结果。
9.一种基于体外反搏的冠心病分类装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7任一项所述一种基于体外反搏的冠心病分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210855139.9A CN115240845A (zh) | 2022-07-19 | 2022-07-19 | 一种基于体外反搏的冠心病分类方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210855139.9A CN115240845A (zh) | 2022-07-19 | 2022-07-19 | 一种基于体外反搏的冠心病分类方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115240845A true CN115240845A (zh) | 2022-10-25 |
Family
ID=83672683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210855139.9A Pending CN115240845A (zh) | 2022-07-19 | 2022-07-19 | 一种基于体外反搏的冠心病分类方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115240845A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115394448A (zh) * | 2022-10-28 | 2022-11-25 | 合肥伊阳健康科技有限公司 | 冠心病运动反应性预测模型的建模方法、模型、设备 |
-
2022
- 2022-07-19 CN CN202210855139.9A patent/CN115240845A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115394448A (zh) * | 2022-10-28 | 2022-11-25 | 合肥伊阳健康科技有限公司 | 冠心病运动反应性预测模型的建模方法、模型、设备 |
CN115394448B (zh) * | 2022-10-28 | 2023-03-28 | 合肥伊阳健康科技有限公司 | 冠心病运动反应性预测模型的建模方法、模型、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7261811B2 (ja) | 訓練された予測モデルに基づく血圧降下の非侵襲的決定のためのシステム及び方法 | |
CN113557576A (zh) | 在表征生理系统时配置和使用神经网络的方法和系统 | |
Velik | An objective review of the technological developments for radial pulse diagnosis in Traditional Chinese Medicine | |
US20230218178A1 (en) | Construction method and application of digital human cardiovascular system based on hemodynamics | |
CN113303776B (zh) | 基于循环神经网络的非接触式血压测量方法 | |
CN113143230B (zh) | 一种外周动脉血压波形重构系统 | |
WO2023185873A1 (zh) | 一种基于多阶多模态的非袖带式血压测量装置及方法 | |
WO2021164345A1 (zh) | 一种血压预测的方法和装置 | |
CN110558960A (zh) | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 | |
WO2021184801A1 (zh) | 一种基于同步信号进行血压预测的方法和装置 | |
CN115770027A (zh) | 一种基于人工智能的血压检测方法及装置 | |
CN115240845A (zh) | 一种基于体外反搏的冠心病分类方法、系统及装置 | |
Wu et al. | A facial-image-based blood pressure measurement system without calibration | |
CN111584072A (zh) | 一种适于小样本的神经网络模型训练方法 | |
Garcia et al. | A multiple linear regression model for carotid-to-femoral pulse wave velocity estimation based on schrodinger spectrum characterization | |
Qin et al. | Advances in cuffless continuous blood pressure monitoring technology based on PPG signals | |
Li et al. | Hybrid D1DCnet using forehead iPPG for continuous and noncontact blood pressure measurement | |
CN113040738B (zh) | 血压检测装置 | |
Pu et al. | Cuff-less blood pressure estimation from electrocardiogram and photoplethysmography based on VGG19-LSTM network | |
CN113499048B (zh) | 一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法 | |
CN116138755A (zh) | 一种构建用于无创血压监测的模型的方法以及可穿戴设备 | |
CN114098661B (zh) | 基于体外反搏技术的下肢动脉硬化疾病治疗系统 | |
CN114947782A (zh) | 一种基于ppg信号的中心动脉压波形重构的系统及方法 | |
Han et al. | Noncontact blood pressure estimation using BP-related cardiovascular knowledge: An uncalibrated method based on consumer-level camera | |
A‐Mohannadi et al. | Conventional Clinical Methods for Predicting Heart Disease |
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 |