CN115281636A - 血压数据的处理方法、装置以及电子设备 - Google Patents
血压数据的处理方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN115281636A CN115281636A CN202211067151.XA CN202211067151A CN115281636A CN 115281636 A CN115281636 A CN 115281636A CN 202211067151 A CN202211067151 A CN 202211067151A CN 115281636 A CN115281636 A CN 115281636A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- data
- pressure data
- predicted
- training
- 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 170
- 238000003672 processing method Methods 0.000 title description 4
- 238000012549 training Methods 0.000 claims abstract description 113
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000013186 photoplethysmography Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000004872 arterial blood pressure Effects 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 16
- 230000035487 diastolic blood pressure Effects 0.000 description 10
- 230000035488 systolic blood pressure Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 210000000709 aorta Anatomy 0.000 description 5
- 238000009530 blood pressure measurement Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 210000002565 arteriole Anatomy 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000003902 lesion Effects 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003836 peripheral circulation Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 210000003270 subclavian artery Anatomy 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
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供了一种血压数据的处理方法、装置以及电子设备，涉及血压数据处理技术领域，缓解了现有技术中血压数据处理结果的准确度较差的技术问题。该方法包括：获取训练数据集；利用训练数据集对原始预测模型进行训练，得到训练后的第一预测模型；获取待预测光电容积脉搏波数据；通过第一预测模型对待预测光电容积脉搏波数据进行血压预测，得到预测血压数据。
Description
技术领域
本申请涉及血压数据处理技术领域，尤其是涉及一种血压数据的处理方法、装置以及电子设备。
背景技术
心血管疾病是全球范围内致死率较高的一类疾病。高血压作为心血管疾病中较为典型的一类，已被公认为继糖尿病后心血管类疾病的第二大主要病因。脉搏波信号是一类伴随心脏周期性收缩的动脉血管波动的信号，通过提取波形中的相关特征(如形状、周期、幅值和速度等)来评估动脉的弹性功能，是研究心血管疾病特征的重要手段之一。
现有技术中通常利用光电传感器采集脉搏波信号，而后通过特定的计算模型进行数据处理，但是其准确度有待验证，目前尚无医学界公认的数据处理设备和算法能够达到医学标准，因此，对于现有技术存在着血压数据处理结果的准确度较差的技术问题。
发明内容
本申请的目的在于提供一种血压数据的处理方法、装置以及电子设备，以缓解现有技术中血压数据处理结果的准确度较差的技术问题。
第一方面，本申请实施例提供了一种血压数据的处理方法，所述方法包括：
获取训练数据集；
利用所述训练数据集对原始预测模型进行训练，得到训练后的第一预测模型；
获取待预测光电容积脉搏波数据；
通过所述第一预测模型对所述待预测光电容积脉搏波数据进行血压预测，得到预测血压数据。
在一个可能的实现中，在所述获取训练数据集之前，还包括：
获取初始数据集；
对所述初始数据集依次进行预处理和特征提取处理，得到所述训练数据集。
在一个可能的实现中，所述训练数据集包括受试者的个人信息、受试者的光电容积脉搏波数据和受试者的动脉压数据；其中，所述个人信息分别与所述光电容积脉搏波数据和所述动脉压数据关联；所述光电容积脉搏波数据和所述动脉压数据的时间戳一致。
在一个可能的实现中，所述利用所述训练数据集对原始预测模型进行训练，得到训练后的第一预测模型，包括：
对所述训练数据集中的数据进行随机抽取，得到第一训练数据集、第二训练数据集和第三训练数据集；
通过所述第一训练数据集对所述原始预测模型进行训练，并通过所述第二训练数据集对所述原始预测模型进行正则化限制，得到训练后的初始预测模型；
通过所述第三训练数据集对所述初始预测模型进行预测功能验证，得到验证后的所述第一预测模型。
在一个可能的实现中，在所述通过所述第一预测模型对所述待预测光电容积脉搏波数据进行血压预测，得到预测血压数据之后，还包括：
获取实际血压数据，对所述实际血压数据以及所述预测血压数据进行第一对比，得到第一对比结果；其中，所述实际血压数据为通过示波法获得的血压数据；
如果所述第一对比结果的数值大于预设阈值，则对所述第一预测模型进行校验，得到校验后的第二预测模型。
在一个可能的实现中，所述获取实际血压数据，对所述实际血压数据以及所述预测血压数据进行第一对比，得到第一对比结果，包括：
依照预设校验周期对所述实际血压数据进行获取；
如果在所述预设校验周期内获取到所述实际血压数据，则对所述实际血压数据以及所述预测血压数据进行对比，得到对比结果。
在一个可能的实现中，还包括：
获取第一预测血压数据和第二预测血压数据；其中，所述第一预测血压数据和所述第二预测血压数据为在两个连续的所述预设校验周期内获得的预测血压数据；
对所述第一预测血压数据和所述第二预测血压数据进行第二对比，得到第二对比结果；
基于所述第二对比结果，对所述预设校验周期的时长进行调整。
第二方面，本申请实施例提供了一种血压数据的处理装置，所述装置包括：
第一获取模块，用于获取训练数据集；
创建模块，用于基于所述训练数据集创建第一预测模型；
第二获取模块，用于获取待预测光电容积脉搏波数据；
预测模块，用于通过所述第一预测模型对所述待预测光电容积脉搏波数据进行血压预测，得到预测血压数据。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述第一方面所述的方法的步骤。
本申请实施例带来了以下有益效果：
本申请实施例提供了一种血压数据的处理方法、装置以及电子设备，首先获取训练数据集，之后利用训练数据集对原始预测模型进行训练，得到训练后的第一预测模型，从而获取待预测光电容积脉搏波数据，进而通过第一预测模型对待预测光电容积脉搏波数据进行血压预测，得到预测血压数据。本方案中，通过结合机器学习的方法，从光电容积脉搏波信号特征预测血压值，再利用示波发进行定期自动校准，提高光电容积脉搏波预测模型的准确性，减少由于示波法多次加压引起的不适，从而实现动态血压监测得到精确的预测血压数据，缓解了现有技术中血压数据处理结果的准确度较差的技术问题。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，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的附图。
图1为本申请实施例提供的一种血压数据的处理方法的流程示意图；
图2为本申请实施例提供的一种预测模型训练流程示意图；
图3为本申请实施例提供的一种信号采集流程示意图；
图4为本申请实施例提供的一种光电容积脉搏波波形特征示意图；
图5为本申请实施例提供的一种校准流程示意图；
图6为本申请实施例提供的一种血压数据的处理装置的结构示意图；
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
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前市面上已有的血压计按照充放气方式可以分为自动式和半自动式血压计两类。自动式血压计，如电子血压计，不需要手动充气，全程由血压计的控制系统，配合气囊、气路进行自动式充放气。半自动式充气血压计，如水银柱血压计，则需使用者手动充放气。其中，在电子血压计中，一类常见的血压测量方法为示波法，通过在自动充放气的同时采集气压力信号，通过一定的算法进行换算得到舒张压和收缩压。该类方法的血压计算结果较为准确，但是由于测量过程中需要执行严格的测量姿势，即人体手臂需要与心脏平齐，无法实现对使用者的血压进行动态、连续且自动监测。另一类常见的血压测量方法则是通过光电传感器采集脉搏波信号，通过特定的模型进行血压计算，该方法能够连续地监测血压，但其准确度待验证。
基于此，本申请实施例提供了一种血压数据的处理方法、装置以及电子设备，通过该方法可以缓解现有技术中血压数据处理结果的准确度较差的技术问题。
下面结合附图对本申请实施例进行进一步的介绍。
图1为本申请实施例提供的一种血压数据的处理方法的流程示意图。
如图1所示，该方法包括:
步骤S110，获取训练数据集。
示例性的，系统可以从本地或者云端获取模型训练所需要的训练数据集，其中具体可以包括受试者信息、对应的光电容积脉搏波(PPG)信号、对应的动脉血压(ABP)信号等等。
步骤S120，利用训练数据集对原始预测模型进行训练，得到训练后的第一预测模型。
示例性的，如图2所示，首先将数据集进行切分，切分的目的是使得训练集可以囊括所有的特征信息，提升预测模型的精准度。将训练数据集且分为三个数据子集，三个数据子集的比例可以为训练集：验证集：测试集＝6：2：2。之后利用训练集、验证集以及测试集进行预测模型的训练、评估和优化，直至模型表现达到最优。取最优表现的模型，将其封装为可以外部调用的算法包和调用文件，集成至血压检测设备或仪器中。
步骤S130，获取待预测光电容积脉搏波数据。
示例性的，用户可以通过穿戴设备等途径对光电容积脉搏波数据进行测量，并将其上传至本地或云端。系统可以定时获取该数据作为待预测光电容积脉搏波数据。
步骤S140，通过第一预测模型对待预测光电容积脉搏波数据进行血压预测，得到预测血压数据。
示例性的，系统在获取到待预测光电容积脉搏波数据后，可以通过第一预测模型对待预测光电容积脉搏波数据进行血压预测分析，第一预测模型对待预测光电容积脉搏波中的主波幅度、反射波幅度、脉搏周期等特征参数进行识别，并结合待预测光电容积脉搏波对应的受试者信息，即可以得到分析后的预测血压数据(血压预测结果)，并返回给客户端设备。
本申请实施例中，首先获取训练数据集，之后利用训练数据集对原始预测模型进行训练，得到训练后的第一预测模型，从而获取待预测光电容积脉搏波数据，进而通过第一预测模型对待预测光电容积脉搏波数据进行血压预测，得到预测血压数据，通过结合机器学习的方法，从光电容积脉搏波信号特征预测血压值，再利用示波法进行定期自动校准，提高光电容积脉搏波预测模型的准确性，减少由于示波法多次加压引起的不适，从而实现动态血压监测得到精确的预测血压数据，缓解了现有技术中血压数据处理结果的准确度较差的技术问题。
下面对上述步骤进行详细介绍。
在一些实施例中，在上述步骤S110之前，该方法还可以包括如下步骤：
步骤a)，获取初始数据集。
步骤b)，对初始数据集依次进行预处理和特征提取处理，得到训练数据集。
示例性的，如图2所示，首先需要生成预测模型所需的数据集。数据集的丰富程度、准确度和可靠性决定了光电容积脉搏波预测模型的精准度。因此，可以从云端数据库获取受试者信息、对应的光电容积脉搏波(PPG)信号、对应的动脉血压(ABP)信号等等。将所有的数据作为初始数据集录入，并匹配上对应的PPG/ABP数据制成训练数据集。制成训练集的步骤如下：对受试者信息进行收集，作为训练集特征集1收入总训练集。需要收集的信息列举如下：性别、年龄、身高、体重、身体质量指数(Body Mass Index，BMI)、疾病历史(高血压、糖尿病、脑梗、脑血管疾病)。之后对PPG波形数据进行批量预处理，结合图3所示，预处理过程首先采用均值滤波器对信号进行平滑处理，抑制毛刺、噪声；规定信号窗口大小，将PPG波形按照该窗口大小划分为子波形信号；根据异常波形特征(波形断裂、变形、移位等)移除非常规的子波形信号；根据异常ABP信号的血压区间(未落于人类合理血压区间)移除对应周期内的子波形信号；根据异常对应异常心率值(非正常人类合理心率值)移除对应周期内的子波形信号；计算近邻PPG子波形的互相关性系数，PPG波形因为相似性较高的重复脉冲波形，根据互相关系数移除对应周期内的子波形信号。
其中，互相关系数计算公式为：
其中，r为PPG子波形信号X和Y的互相关系数，X和Y为近邻PPG子波形信号，N为其信号长度。之后根据相关系数的计算结果划分相关性等级，当r的绝对值|r|<0.4为低度线性相关，0.4≤|r|<0.7为显著性相关，0.7≤|r|<1为高度线性相关。当计算出的两个子波形的互相关系数绝对值小于0.4时，则移除后者子波形信号且再次计算当前子信号与下一个周期内的子波形的互相关系数直至满足|r|≥0.4。之后根据已移除的子波形位置，移除对应周期内的ABP信号。之后提取经预处理后的PPG信号的波形特征，作为训练特征集2汇入总训练集。如图4所示，需要提取的特征及其生理/医学意义列举如下：
Hb:主波幅度，指从容积脉搏波的顶点到基线的距离，它反映微血管床的最大血量，还可以反映出末梢循环血液充盈程度；
Tab：容积脉搏波顶点与起点之间的间隔，单位以秒计，与左心室快速射血期密切相关，典型值为0.1秒；
Hd：反射波幅度，在存在明显反射波的前提下，Hd是指反射波的顶点到基线的距离；若不存在明显的反射波，Hd是指反射波区域对应的信号的一阶导数过零点到基线的距离；
Tbd：主波峰值点与反射波峰值点之间的时间间隔，被视为反射波从外周回到主动脉，再经过主动脉回到腕部的通路时间；
Hc：降中峡的幅度，它与Hb和Hd共同反映容积脉搏波降志的幅度变化；
T:脉搏周期；
SI：硬度系数(Stiffness index,SI)，也称为大动脉弹性系数，反映大动脉弹性的参数，SI＝Height/Tbd，这里Height为人的身高，Tbd可以用来代表压力沿着主动脉和大动脉至下身主要反射位置并反射回锁骨下动脉的传递时间，这里的路径长度可以认为与个体身高成正比。
RI：反射系数(RefIection index，RI)，也称为小动脉弹性系数，RI＝Hd/Hb。RI在动脉病变早期检测中的理论意义比较明显，它可以作为一种评价小动脉弹性功能的无创指标，RI越小表示小动脉的顺应性越好。
SUWS:脉搏波收缩期上升波形面积(Systolic Upstroke Waveform Space),即脉搏波波形从开始上升至顶峰时，与时间轴围成的面积，计算公式如下：
其中，Tab为PPG波形从开始上升至顶峰的时间间隔，ppg(t)为时刻t处的容积脉搏波波形信号值；
将所有光电容积脉搏波的子波形进行特征值计算后，与先前的训练特征集1合并为总训练特征集。具体而言，可以将所有容积脉搏波的子波形按照周期对应找出ABP信号区间的最大值和最小值作为收缩压(systolic blood pressure，SBP)和舒张压(diastolicblood pressure，DBP)。将所提取的收缩压和舒张压作为训练集的标签，与先前获得的训练特征合并，制成总训练数据集。
在一些实施例中，训练数据集包括受试者的个人信息、受试者的光电容积脉搏波数据和受试者的动脉压数据；其中，个人信息分别与光电容积脉搏波数据和动脉压数据关联；光电容积脉搏波数据和动脉压数据的时间戳一致。
通过使训练数据集所包括的数据类型包括多种，从而可以基于多种类型的数据对预测模型进行更加全面的训练，使预测模型在进行预测的时候可以全面的考虑各种因素的影响，提高预测模型的预测精准度。
在一些实施例中，上述步骤S120具体可以包括如下步骤：
步骤c)，对训练数据集中的数据进行随机抽取，得到第一训练数据集、第二训练数据集和第三训练数据集。
步骤d)，通过第一训练数据集对原始预测模型进行训练，并通过第二训练数据集对原始预测模型进行正则化限制，得到训练后的初始预测模型。
步骤e)，通过第三训练数据集对初始预测模型进行预测功能验证，得到验证后的第一预测模型。
示例性的，如图2所示，首先将数据集进行切分，切分的目的是使得训练集可以囊括所有的特征信息，提升预测模型的精准度。为了达到切分的目的，总训练数据集的以下特征(年龄和BMI)作为分化标准，具体执行步骤如下：首先以年龄特征为主要特征，将训练集划分为三个年龄分组，依次为青年组(18-45)、中年组(46-69)和老年组(69岁以上)。之后分别将三个训练分组按照BMI的取值区间依次进行进一步划分，BMI的取值区间分为四类，依次是偏瘦组(BMI低于18.5)，正常组(BMI在18.5-24.9之间)，超重组(BMI在25.0-29.9之间)，肥胖组(BMI在30.0以上)。统共划分为12组分类，取出每个子类的样本量大小，记为Ni(i＝1,2,3…12)。生成学习模型的训练集，从每个子类样本集中随机不放回抽样Ni×0.6(i＝1,2,3…12，结果向下取整)个样本，合并后作为训练样本集(第一训练数据集)。其次生成学习模型的验证集，从每个子类样本集中随机不放回抽样Ni×0.2(i＝1,2,3…12，结果向下取整)个样本，合并后作为验证样本集(第二训练数据集)。最后剩余的每个子类样本集合并作为测试集(第三训练数据集)。则三个数据子集的比例约为训练集：验证集：测试集＝6：2：2。
之后利用训练集、验证集以及测试集进行预测模型的训练、评估和优化。本实施例中采用基于RBF(Radial-basis function,径向基函数)核函数，带正则优化项的非线性回归支持向量机模型，根据用户特征和所测的PPG信号特征来预测舒张压和收缩压。具体训练和优化过程如下：首先选用编程工具python和机器学习框架Sklearn，调用框架中的支持向量机(Support vector machine，SVM)中的子模块回归支持向量机(Support vectorregression machine，SVR)。之后初始化模型参数，指定内核(kernel)函数类型为径向基函数。Epsilon因子设为默认0.1，错误术语惩罚系数C设为默认1.0；其余参数选用默认值或缺省值。之后将训练集按SVR函数输入格式要求进行格式化后，输入函数分别对收缩压和舒张压进行模型训练，同时采用验证集进行正则化限制；直至模型收敛。之后将已训练好的模型用于测试集的验证，输入测试集后比对预测值与真实值的差异，计算平均绝对误差(MeanAbsolute Error，MAE)和标准偏差(Standard Deviation，STD)。计算公式如下：
其中，N为测试集样本量，i为循环因子，取值范围为1到N。yi为测试集真实血压值，
为模型预测血压值。
通过模型评估参数MAE和STD来评估预测模型的准确性，将该结果进行返回，返回至初始化模型参数的步骤，采用网格式调参方法(grid search)对epsilon和C进行遍历调参，直至模型表现达到最优。取最优表现的模型，将其封装为可以外部调用的算法包和调用文件，集成至血压检测设备或仪器中。
需要说明的是，上述训练集、验证集以及测试集之间的比例分配可以为任何比例，本申请实施例对此并不进行限定。
通过首先对训练数据集中的数据进行随机抽取，得到第一训练数据集、第二训练数据集和第三训练数据集，保证了训练数据集的科学性。之后通过第一训练数据集对原始预测模型进行训练，通过第二训练数据集对原始预测模型进行正则化限制，得到训练后的初始预测模型，通过第三训练数据集对初始预测模型进行预测功能验证，进而得到验证后的第一预测模型，保证了预测模型的精准度。
在一些实施例中，在上述步骤S140之后，该方法还可以包括如下步骤：
步骤f)，获取实际血压数据，对实际血压数据以及预测血压数据进行第一对比，得到第一对比结果。
步骤g)，如果第一对比结果的数值大于预设阈值，则对第一预测模型进行校验，得到校验后的第二预测模型。
对于上述步骤f)，其中的实际血压数据为通过示波法获得的血压数据。
示例性的，如图5所示，当用户使用示波法进行血压值测量后，将触发利用示波法测血压值来检验校准PPG预测模型的机制。该机制将判断是否需要校准，确定校准幅度，是否修改校准周期。其具体判断流程如下：
血压检测设备出厂设置首次校准周期为T0，血压检测设备将在t时刻到t+2*T0时刻(t为上次设备血压校准的时间，若首次校正则t为设备首次开机使用时间)进入等待校准状态。进入该状态后，首先在t+T0时刻做储值判断，判断在t时候至t+T0时刻内用户是否有示波法血压值，如果有则获取最近一次的血压值，在t+T0时刻触发血压校准逻辑；否则在t+T0时刻至t+2*T0时刻内持续等待，若用户在该时间段内打开示波法测量血压值，则在出值的时刻触发血压校准逻辑；如果用户在t时刻至t+2*T0时刻内没有一次打开示波法测量血压并成功出值，则在t+2*T0时刻开始，间隔24小时提示用户需要至少一次示波法测量血压来校准PPG的血压趋势预测。直到用户打开示波法测量血压并成功出值，在该出值的时候触发血压校准逻辑；按照上述触发校准机制的方式，获取示波法血压值和对应时刻的PPG血压预测模型值；当启动血压校准逻辑时，比较示波法血压值和对应时刻的PPG血压预测值，若两者绝对值相差大于20毫米汞柱，则触发校验机制，进行血压自动校准，校准幅度为当前血压值之差：
BPNEW＝BPPPG+MARGIN；
其中，BPNEW为校准后的PPG血压预测值(包括舒张压和收缩压)，该值是对模型预测出的血压值BPPPG(包括舒张压和收缩压)进行校准，校准的幅度为MARGIN，该值由先前获取的示波法血压值减去BPPPG，正负号由差值的正负号决定。在下一次触发校验前，维持MARGIN的值为该值，且持续对PPG预测模型进行校准直至再次触发血压校准逻辑后更新该值，以保证预测模型的准确度。
基于上述步骤f)和步骤g)，上述步骤f)具体可以包括如下步骤：
步骤h)，依照预设校验周期对实际血压数据进行获取。
步骤i)，如果在预设校验周期内获取到实际血压数据，则对实际血压数据以及预测血压数据进行对比，得到对比结果。
示例性的，预设校验周期可以由用户的用药信息，运动状态和睡眠状态三方面决定，是一个动态变化、定时更新的值。如果预设校验周期设置得较长，而用户在这段时间内的因特殊原因而引起血压发生剧烈变化，可能会导致PPG预测模型的出值偏离过大的现象，从而导致血压测量结果不准。另外，如果预设校验周期设置得较短，用户在较短时间内血压变化趋势稳定，短的校准周期对于提高血压测量精度意义不大，反而会影响了用户体验。
通过依照预设校验周期对实际血压数据进行获取，如果在预设校验周期内获取到实际血压数据，则对实际血压数据以及预测血压数据进行对比，得到对比结果，进而实现对第一预测模型进行校验，保证了预测模型的准确度。
基于上述步骤h)和步骤i)，该方法还可以包括如下步骤：
步骤j)，获取第一预测血压数据和第二预测血压数据。
步骤k)，对第一预测血压数据和第二预测血压数据进行第二对比，得到第二对比结果。
步骤l)，基于第二对比结果，对预设校验周期的时长进行调整。
对于上述步骤j)，其中的第一预测血压数据和第二预测血压数据为在两个连续的预设校验周期内获得的预测血压数据。
示例性的，如图5所示，本申请实施例利用用户的用药信息、运动状态和睡眠状态来动态调整预设校验周期，能够自适应地根据用户最近活动近况和相关生理参数来增长或者缩短校准周期。在每次触发血压校准逻辑时，同时会更新下一次的校准周期值。假设血压设备在k时刻触发了血压校准逻辑，则在k时候同时获取用户在上一个校准周期内的所有PPG血压趋势预测血压值，分别计算舒张压和收缩压的标准差Std_k0、最大值Max_k0和最小值Min_k0。同时获取从上次校准时刻到k时刻，所有PPG血压趋势预测值，分别计算舒张压和收缩压的标准差Std_k1、最大值Max_k1和最小值Min_k1。
分别对比近邻两个校准周期内，舒张压和收缩压的平均值、最大值、最小值，如果满足以下条件，则修改上次校准周期T0为T1，否则不做修改且结束校准周期更新流程。
其中，th1％为血压校准预设阈值，通常为25％左右。
若满足上述条件中的一条或多条时，进入校准周期更新流程。该流程的最终结果为将上次校准周期从T0更新为T1，确定校验周期的方法主要从三方面考虑：用户的运动状态、用药信息和睡眠状态来确定，其具体更新流程如下：
设备抓取用户在上个校准周期和本次校准周期内的运动健康指标供分析，需要获取的运动健康指标包括：运动次数和对应强度、运动消耗的卡路里总和、最大摄氧量、平均睡眠呼吸质量、平均睡眠质量、睡眠总时长；同时通过APP支持，获取用户在手机端填写的用药信息，用药信息包括：用药名称、用药频率和用药剂量。
比对用户在上个校准周期内和本次校准周期内的运动健康指标，如下表所示，在原来较准周期的基础上进行加减操作，从而获得下次校准周期并更新：
其中，t1为达成更行条件时预设的时间，正负号由m2-m1的符号决定；q1为预设阈值；t2为达成更行条件时预设的时间，正负号由cal2-cal1的符号决定；q1为预设阈值；t3为达成更行条件时预设的时间，正负号由vol2-vol1的符号决定；q1为预设阈值；t4为达成更行条件时预设的时间，正负号由sbq2-sbq1的符号决定；q2为预设阈值；t5为达成更行条件时预设的时间，正负号由sq2-sq1的符号决定；q2为预设阈值；t6为达成更行条件时预设的时间，正负号由st2-st1的符号决定；q2为预设阈值；t7为达成更行条件时预设的时间，正负号由a2-a1的符号决定；q3为预设阈值；K为预设的比例系数，由a2/a1的比值来决定。
按照上述表格进行逐项判别并作出对应更新，最后将所有更新项求和即可得到最终的结果T1，即下次校准PPG血压预测模型的时间由T0更新为T1。
图6为本申请实施例提供的一种血压数据的处理装置的结构示意图。
如图6所示，血压数据的处理装置600包括：
第一获取模块601，用于获取训练数据集；
创建模块602，用于基于训练数据集创建第一预测模型；
第二获取模块603，用于获取待预测光电容积脉搏波数据；
预测模块604，用于通过第一预测模型对待预测光电容积脉搏波数据进行血压预测，得到预测血压数据。
在一些实施例中，该装置还可以包括：
提取模块，用于获取训练数据集之前，获取初始数据集；
对初始数据集依次进行预处理和特征提取处理，得到训练数据集。
在一些实施例中，训练数据集包括受试者的个人信息、受试者的光电容积脉搏波数据和受试者的动脉压数据；其中，个人信息分别与光电容积脉搏波数据和动脉压数据关联；光电容积脉搏波数据和动脉压数据的时间戳一致。
在一些实施例中，创建模块602具体用于：
对训练数据集中的数据进行随机抽取，得到第一训练数据集、第二训练数据集和第三训练数据集；
通过第一训练数据集对原始预测模型进行训练，并通过第二训练数据集对原始预测模型进行正则化限制，得到训练后的初始预测模型；
通过第三训练数据集对初始预测模型进行预测功能验证，得到验证后的第一预测模型。
在一些实施例中，该装置还可以包括：
第一对比模块，用于通过第一预测模型对待预测光电容积脉搏波数据进行血压预测，得到预测血压数据之后，获取实际血压数据，对实际血压数据以及预测血压数据进行第一对比，得到第一对比结果；其中，实际血压数据为通过示波法获得的血压数据；
如果第一对比结果的数值大于预设阈值，则对第一预测模型进行校验，得到校验后的第二预测模型。
在一些实施例中，第一对比模块具体用于：
依照预设校验周期对实际血压数据进行获取；
如果在预设校验周期内获取到实际血压数据，则对实际血压数据以及预测血压数据进行对比，得到对比结果。
在一些实施例中，该装置还可以包括：
第二对比模块，用于获取第一预测血压数据和第二预测血压数据；其中，第一预测血压数据和第二预测血压数据为在两个连续的预设校验周期内获得的预测血压数据；
对第一预测血压数据和第二预测血压数据进行第二对比，得到第二对比结果；
基于第二对比结果，对预设校验周期的时长进行调整。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被处理器运行时执行如上实施方式的任一项的方法。
图7为本发明实施例提供的一种电子设备的结构示意图，该电子设备包括：处理器701，存储器702，总线703和通信接口704，处理器701、通信接口704和存储器702通过总线703连接；处理器701用于执行存储器702中存储的可执行模块，例如计算机程序。
其中，存储器702可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(Non-volatile Memory)，例如至少一个磁盘存储器。通过至少一个通信接口704(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线703可以是ISA总线、PCI总线或EISA总线等。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7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器702用于存储程序，处理器701在接收到执行指令后，执行程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器701中，或者由处理器701实现。
处理器701可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器702，处理器701读取存储器702中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见前述方法实施例，在此不再赘述。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种血压数据的处理方法，其特征在于，所述方法包括：
获取训练数据集；
利用所述训练数据集对原始预测模型进行训练，得到训练后的第一预测模型；
获取待预测光电容积脉搏波数据；
通过所述第一预测模型对所述待预测光电容积脉搏波数据进行血压预测，得到预测血压数据。
2.根据权利要求1所述的方法，其特征在于，在所述获取训练数据集之前，还包括：
获取初始数据集；
对所述初始数据集依次进行预处理和特征提取处理，得到所述训练数据集。
3.根据权利要求1所述的方法，其特征在于，所述训练数据集包括受试者的个人信息、受试者的光电容积脉搏波数据和受试者的动脉压数据；其中，所述个人信息分别与所述光电容积脉搏波数据和所述动脉压数据关联；所述光电容积脉搏波数据和所述动脉压数据的时间戳一致。
4.根据权利要求1所述的方法，其特征在于，所述利用所述训练数据集对原始预测模型进行训练，得到训练后的第一预测模型，包括：
对所述训练数据集中的数据进行随机抽取，得到第一训练数据集、第二训练数据集和第三训练数据集；
通过所述第一训练数据集对所述原始预测模型进行训练，并通过所述第二训练数据集对所述原始预测模型进行正则化限制，得到训练后的初始预测模型；
通过所述第三训练数据集对所述初始预测模型进行预测功能验证，得到验证后的所述第一预测模型。
5.根据权利要求1所述的方法，其特征在于，在所述通过所述第一预测模型对所述待预测光电容积脉搏波数据进行血压预测，得到预测血压数据之后，还包括：
获取实际血压数据，对所述实际血压数据以及所述预测血压数据进行第一对比，得到第一对比结果；其中，所述实际血压数据为通过示波法获得的血压数据；
如果所述第一对比结果的数值大于预设阈值，则对所述第一预测模型进行校验，得到校验后的第二预测模型。
6.根据权利要求5所述的方法，其特征在于，所述获取实际血压数据，对所述实际血压数据以及所述预测血压数据进行第一对比，得到第一对比结果，包括：
依照预设校验周期对所述实际血压数据进行获取；
如果在所述预设校验周期内获取到所述实际血压数据，则对所述实际血压数据以及所述预测血压数据进行对比，得到对比结果。
7.根据权利要求6所述的方法，其特征在于，还包括：
获取第一预测血压数据和第二预测血压数据；其中，所述第一预测血压数据和所述第二预测血压数据为在两个连续的所述预设校验周期内获得的预测血压数据；
对所述第一预测血压数据和所述第二预测血压数据进行第二对比，得到第二对比结果；
基于所述第二对比结果，对所述预设校验周期的时长进行调整。
8.一种血压数据的处理装置，其特征在于，所述装置包括：
第一获取模块，用于获取训练数据集；
创建模块，用于基于所述训练数据集创建第一预测模型；
第二获取模块，用于获取待预测光电容积脉搏波数据；
预测模块，用于通过所述第一预测模型对所述待预测光电容积脉搏波数据进行血压预测，得到预测血压数据。
9.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一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存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211067151.XA CN115281636A (zh) | 2022-09-01 | 2022-09-01 | 血压数据的处理方法、装置以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211067151.XA CN115281636A (zh) | 2022-09-01 | 2022-09-01 | 血压数据的处理方法、装置以及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115281636A true CN115281636A (zh) | 2022-11-04 |
Family
ID=83832945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211067151.XA Pending CN115281636A (zh) | 2022-09-01 | 2022-09-01 | 血压数据的处理方法、装置以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115281636A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115990007A (zh) * | 2022-11-30 | 2023-04-21 | 未来穿戴健康科技股份有限公司 | 中心动脉压波形拟合方法、监控装置和手表设备 |
-
2022
- 2022-09-01 CN CN202211067151.XA patent/CN115281636A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115990007A (zh) * | 2022-11-30 | 2023-04-21 | 未来穿戴健康科技股份有限公司 | 中心动脉压波形拟合方法、监控装置和手表设备 |
| CN115990007B (zh) * | 2022-11-30 | 2024-01-23 | 未来穿戴健康科技股份有限公司 | 中心动脉压波形拟合方法、监控装置和手表设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107530005B (zh) | 用于导出对象的平均动脉压的方法和设备 | |
| KR20190056858A (ko) | 딥러닝 기반의 혈압 예측 시스템 및 방법 | |
| JP2021519168A (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 | |
| El Hajj et al. | Cuffless and continuous blood pressure estimation from PPG signals using recurrent neural networks | |
| JPWO2017179696A1 (ja) | 生体情報分析装置、システム、及び、プログラム | |
| US20120136261A1 (en) | Systems and methods for calibrating physiological signals with multiple techniques | |
| US20180233227A1 (en) | Systems and methods of analyte measurement analysis | |
| JP2012517291A (ja) | 心臓血管パラメータの計算 | |
| US10765374B2 (en) | Methods and apparatus for adaptable presentation of sensor data | |
| CN109872820B (zh) | 一种无袖带血压测量方法、装置、设备及存储介质 | |
| US11617545B2 (en) | Methods and systems for adaptable presentation of sensor data | |
| CN114176546B (zh) | 血压测量装置和电子设备 | |
| CN113966193A (zh) | 心震描记法中的心肺适能的多参数估计 | |
| CN110558960A (zh) | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 | |
| CN115281636A (zh) | 血压数据的处理方法、装置以及电子设备 | |
| CN113749633B (zh) | 血压校准方法、装置、血压测量系统和电子设备 | |
| US20200237240A1 (en) | Vital-sign estimation apparatus and calibration method for vital-sign estimator | |
| US10687714B2 (en) | Vascular elasticity rate evaluation apparatus | |
| CN110811582A (zh) | 心率检测方法、装置和设备 | |
| US20100268097A1 (en) | Monitoring Peripheral Decoupling | |
| Aboy et al. | Method and apparatus for evaluation of fluid responsiveness | |
| WO2021146618A1 (en) | Noninvasive diagnostics of proximal heart health biomarkers | |
| US20230371827A1 (en) | Machine learning techniques for estimating carotid-femoral pulse wave velocity and/or vascular age from single-site arterial waveform measurements | |
| US20240215923A1 (en) | Method, apparatus and computer program product for analyzing a pulse wave signal | |
| CN115281638A (zh) | 血压信号的数据处理方法、系统以及装置 |
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 |