CN115644835A - 基于可视图和深度残差网络的无袖套血压测量方法 - Google Patents
基于可视图和深度残差网络的无袖套血压测量方法 Download PDFInfo
- Publication number
- CN115644835A CN115644835A CN202211357978.4A CN202211357978A CN115644835A CN 115644835 A CN115644835 A CN 115644835A CN 202211357978 A CN202211357978 A CN 202211357978A CN 115644835 A CN115644835 A CN 115644835A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- ppg
- visual
- residual error
- network
- 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 35
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000000007 visual effect Effects 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000035487 diastolic blood pressure Effects 0.000 claims abstract description 9
- 230000035488 systolic blood pressure Effects 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 238000000605 extraction Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及血压测量技术领域，尤其涉及一种基于可视图和深度残差网络的无袖套血压测量方法，包括如下步骤，获取用户的PPG信号数据；对PPG信号数据进行数据预处理操作；根据预处理后的PPG窗口，计算生成可视图邻接矩阵；搭建基于残差连接卷积神经网络的血压估计网络；利用搭建好的血压估计网络同时计算收缩压和舒张压；在移动终端显示，本发明通过将一维的PPG数据转化为二维的可视图邻接矩阵，再带入神经网络进行估算，提升血压测量精度。
Description
技术领域
本发明涉及血压测量技术领域，尤其涉及一种基于可视图和深度残差网络的无袖套血压测量方法。
背景技术
目前的无袖套血压测量方法可以通过同步的心电信号与光电容积脉搏波描记法测得的指尖脉搏波信号(PPG信号)实现，当前主要采用两种方法：人工提取特征法和神经网络法。
人工提取网络法，重点在于特征提取方法的设计，即如何快速、准确地提取峰值、峰值到达时间等。获得特征后，则着重特征与血压值联系的建立，往往通过传统数学方法或简单的聚类方法实现。
神经网络法，此类方法一般不需要对PPG信号进行过多处理，而是将PPG信号与对应血压值输入神经网络进行训练，主要采用一维卷积神经网络和循环神经网络等处理一维时序数据的神经网络。
通过同步的心电图和PPG信号测量血压，虽然无需袖套，但心电图测量难度大且同步信号要求高，很难应用于日常家庭的血压测量；基于人工提取特征的方法对信号质量的要求非常高，一旦无法准确提取特征，则会对测量精度造成巨大影响；基于神经网络法，目前主要是将一维PPG信号作为神经网络输入，利用卷积层自动提取特征，全连接层用于血压值回归计算，这类方法中卷积层并不适合一维信号的特征提取，血压预测精度低。
发明内容
本发明的目的是提供一种基于可视图和深度残差网络的无袖套血压测量方法，通过将一维的PPG数据转化为二维的可视图邻接矩阵，再带入神经网络进行估算，提升血压测量精度。
为实现上述目的，本发明提供了如下的技术方案：
基于可视图和深度残差网络的无袖套血压测量方法，包括如下步骤：
S10.获取用户的PPG信号数据；
S20.基于步骤S10,对PPG信号数据进行数据预处理操作；
S30.基于步骤S20,根据预处理后的PPG窗口，计算生成可视图邻接矩阵；
S40.搭建基于残差连接卷积神经网络的血压估计网络；
S50.利用搭建好的血压估计网络同时计算收缩压和舒张压；
S60.基于步骤S60，移动终端显示。
优选的，在步骤S10中，通过与移动终端相连的指夹式采集器采集用户的PPG信号，通过指夹式采集器无需袖套，测量方便，可以直接与移动终端连接，提升用户体验，且将采集的PPG信号备份至云端，在云端可进行数据处理。
优选的，步骤S20中对数据预处理操作，该方法相比于一般的PPG数据处理方式更加简单有效，具体方法如下：通过截止频率为0.5hz-8hz的4阶巴特沃斯滤波器对PPG信号进行滤波处理；将滤波后的PPG信号数据切割成长度为2S的PPG窗口。
优选的，步骤S30中生成可视图邻接矩阵的方法如下：将PPG窗口中的每个数据点带入公式，
得到描述节点间关系的邻接矩阵。
其中S(i)，S(j)表示时间序列中的第i,j个样本，其幅度分别为s(i)和s(j)，对于中间样本S(k),i<k<j，Vi,j表示两个样本点间是否可见；通过引入两种类型的权重提升血压预测精度；所述两种类型的权重分别为欧式距离加权与角度加权，公式如下：
优选的，数据预操作处理和生成可视图邻接矩阵的步骤在云端进行。
优选的，在步骤S40中，血压估计网络包括卷积层和全连接层两部分，其中卷积层部分共包括17层卷积，构成较深的卷积提取网络，使得特征提取能力更强，分别为1层卷积核大小7x7通道数64的卷积层，4层卷积核大小3x3通道数64的卷积层，4层卷积核大小3x3通道数128的卷积层，4层卷积核大小3x3通道数256的卷积层，4层卷积核大小3x3通道数512的卷积层；全连接层部分包括一个隐藏层一个输出层，神经元数量分别为25和2，激活函数采用ReLU，网络的输入尺寸为3*224*224。
优选的，在步骤S50中，将PPG窗口生成的邻接矩阵输入至已搭建好的血压估计网络中，血压估计网络输出分别对应于收缩压和舒张压的二维向量。
本发明的有益效果是：将指夹传感器采集的一维PPG信号数据，通过计算可视图邻接矩阵的方式间接映射到二维空间中，并根据血压估计网络进行血压计算，测量无需袖套，用户体验舒适便捷，血压计算速度快，精度较高。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的步骤过程图；
图2是本发明VG(visibility graph)图；
图3是二维可视图转换示意图；
具体实施方式
实施例1
如图1所示，本发明提供一种基于可视图和深度残差网络的无袖套血压测量方法，包括如下步骤：
S10.获取用户的PPG信号数据，通过与移动终端相连的指夹式采集器采集用户的PPG信号，通过指夹式采集器无需袖套，测量方便，可以直接与移动终端连接，且将采集的PPG信号备份至云端，在云端可进行数据处理。
S20.基于步骤S10,对PPG信号数据进行数据预处理操作。
S30.基于步骤S20,根据预处理后的PPG窗口，计算生成可视图邻接矩阵。
S40.搭建基于残差连接卷积神经网络的血压估计网络。
S50.利用搭建好的血压估计网络同时计算收缩压和舒张压。
S60.基于步骤S60，移动终端显示。
本实施例1对PPG信号进行数据预处理的具体步骤为：
S200.通过截止频率为0.5hz-8hz的4阶巴特沃斯滤波器对PPG信号进行滤波处理。
S210.基于步骤S200，将滤波后的PPG信号数据切割成长度为2S的PPG窗口。
实施例2
如图1所示，本发明提供一种基于可视图和深度残差网络的无袖套血压测量方法，包括如下步骤：
S10.获取用户的PPG信号数据，通过与移动终端相连的指夹式采集器采集用户的PPG信号，通过指夹式采集器无需袖套，测量方便，可以直接与移动终端连接，且将采集的PPG信号备份至云端，在云端可进行数据处理。
S20.基于步骤S10,对PPG信号数据进行数据预处理操作。
S30.基于步骤S20,根据预处理后的PPG窗口，计算生成可视图邻接矩阵。
S40.搭建基于残差连接卷积神经网络的血压估计网络。
S50.利用搭建好的血压估计网络同时计算收缩压和舒张压。
S60.基于步骤S60，移动终端显示。
本实施例2生成可视图邻接矩阵的方法如下：
将PPG窗口中的每个数据点带入公式，
得到描述节点间关系的邻接矩阵。
其中S(i)，S(j)表示时间序列中的第i,j个样本，其幅度分别为s(i)和s(j)，对于中间样本S(k),i<k<j，Vi,j表示两个样本点间是否可见。另外，我们引入了两种类型的权重，分别为欧式距离加权与角度加权，公式如下：
实施例3
如图1所示，本发明提供一种基于可视图和深度残差网络的无袖套血压测量方法，包括如下步骤：
S10.获取用户的PPG信号数据，通过与移动终端相连的指夹式采集器采集用户的PPG信号，通过指夹式采集器无需袖套，测量方便，可以直接与移动终端连接，且将采集的PPG信号备份至云端，在云端可进行数据处理。
S20.基于步骤S10,对PPG信号数据进行数据预处理操作。
S30.基于步骤S20,根据预处理后的PPG窗口，计算生成可视图邻接矩阵。
S40.搭建基于残差连接卷积神经网络的血压估计网络。
S50.利用搭建好的血压估计网络同时计算收缩压和舒张压。
S60.基于步骤S60，移动终端显示。
在本实施例3中，血压估计网络包括卷积层和全连接层两部分，其中卷积层部分共包括17层卷积，分别为1层卷积核大小7x7通道数64的卷积层，4层卷积核大小3x3通道数64的卷积层，4层卷积核大小3x3通道数128的卷积层，4层卷积核大小3x3通道数256的卷积层，4层卷积核大小3x3通道数512的卷积层；全连接层部分包括一个隐藏层一个输出层，神经元数量分别为25和2，激活函数采用ReLU，网络的输入尺寸为3*224*224。
将PPG窗口生成的邻接矩阵输入至已搭建好的血压估计网络中，血压估计网络输出分别对应于收缩压和舒张压的二维向量。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于可视图和深度残差网络的无袖套血压测量方法，其特征在于，包括如下步骤：
S10.获取用户的PPG信号数据；
S20.基于步骤S10,对PPG信号数据进行数据预处理操作；
S30.基于步骤S20,根据预处理后的PPG窗口，计算生成可视图邻接矩阵；
S40.搭建基于残差连接卷积神经网络的血压估计网络；
S50.利用搭建好的血压估计网络同时计算收缩压和舒张压；
S60.基于步骤S60，移动终端显示。
2.根据权利要求1所述的基于可视图和深度残差网络的无袖套血压测量方法，其特征在于：在步骤S10中，通过与移动终端相连的指夹式采集器采集用户的PPG信号，且将采集的PPG信号备份至云端。
3.根据权利要求1所述的基于可视图和深度残差网络的无袖套血压测量方法，其特征在于：步骤S20中对数据预处理操作，具体方法如下：
S200.通过截止频率为0.5hz-8hz的4阶巴特沃斯滤波器对PPG信号进行滤波处理；
S210.基于步骤S200，将滤波后的PPG信号数据切割成长度为2S的PPG窗口。
4.根据权利要求1所述的基于可视图和深度残差网络的无袖套血压测量方法，其特征在于：步骤S30中生成可视图邻接矩阵的方法如下：
S300.将PPG窗口中的每个数据点带入公式，
得到描述节点间关系的邻接矩阵；
其中S(i)，S(j)表示时间序列中的第i,j个样本，其幅度分别为s(i)和s(j)，对于中间样本S(k),i<k<j，Vi,j表示两个样本点间是否可见；
S310.通过引入两种类型的权重提升血压预测精度；
所述两种类型的权重分别为欧式距离加权与角度加权，公式如下：
5.根据权利要求3或4中所述的基于可视图和深度残差网络的无袖套血压测量方法，其特征在于：所述步骤在云端进行。
6.根据权利要求1所述的基于可视图和深度残差网络的无袖套血压测量方法，其特征在于：在步骤S40中，血压估计网络包括卷积层和全连接层两部分，其中卷积层部分共包括17层卷积，分别为1层卷积核大小7x7通道数64的卷积层，4层卷积核大小3x3通道数64的卷积层，4层卷积核大小3x3通道数128的卷积层，4层卷积核大小3x3通道数256的卷积层，4层卷积核大小3x3通道数512的卷积层；全连接层部分包括一个隐藏层一个输出层，神经元数量分别为25和2，激活函数采用ReLU，网络的输入尺寸为3*224*224。
7.根据权利要求1所述的基于可视图和深度残差网络的无袖套血压测量方法，其特征在于：在步骤S50中，将PPG窗口生成的邻接矩阵输入至已搭建好的血压估计网络中，血压估计网络输出分别对应于收缩压和舒张压的二维向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211357978.4A CN115644835A (zh) | 2022-11-01 | 2022-11-01 | 基于可视图和深度残差网络的无袖套血压测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211357978.4A CN115644835A (zh) | 2022-11-01 | 2022-11-01 | 基于可视图和深度残差网络的无袖套血压测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115644835A true CN115644835A (zh) | 2023-01-31 |
Family
ID=84996264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211357978.4A Pending CN115644835A (zh) | 2022-11-01 | 2022-11-01 | 基于可视图和深度残差网络的无袖套血压测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115644835A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200121258A1 (en) * | 2018-10-18 | 2020-04-23 | Alayatec, Inc. | Wearable device for non-invasive administration of continuous blood pressure monitoring without cuffing |
| CN111528814A (zh) * | 2020-04-29 | 2020-08-14 | 浙江工业大学 | 基于lstm神经网络的机器学习监测血压的方法 |
| CN113033358A (zh) * | 2021-03-11 | 2021-06-25 | 叶恺铭 | 一种基于深度神经网络的无袖带血压建模方法 |
| CN113598734A (zh) * | 2021-07-28 | 2021-11-05 | 厦门大学 | 一种基于深度神经网络模型的无袖带血压预测方法 |
| CN115089145A (zh) * | 2022-06-17 | 2022-09-23 | 南京财经大学 | 基于多尺度残差网络和ppg信号的智能血压预测方法 |
| CN115089139A (zh) * | 2022-06-22 | 2022-09-23 | 复旦大学 | 结合生物特征识别的个性化生理参数测量方法 |
-
2022
- 2022-11-01 CN CN202211357978.4A patent/CN115644835A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200121258A1 (en) * | 2018-10-18 | 2020-04-23 | Alayatec, Inc. | Wearable device for non-invasive administration of continuous blood pressure monitoring without cuffing |
| CN111528814A (zh) * | 2020-04-29 | 2020-08-14 | 浙江工业大学 | 基于lstm神经网络的机器学习监测血压的方法 |
| CN113033358A (zh) * | 2021-03-11 | 2021-06-25 | 叶恺铭 | 一种基于深度神经网络的无袖带血压建模方法 |
| CN113598734A (zh) * | 2021-07-28 | 2021-11-05 | 厦门大学 | 一种基于深度神经网络模型的无袖带血压预测方法 |
| CN115089145A (zh) * | 2022-06-17 | 2022-09-23 | 南京财经大学 | 基于多尺度残差网络和ppg信号的智能血压预测方法 |
| CN115089139A (zh) * | 2022-06-22 | 2022-09-23 | 复旦大学 | 结合生物特征识别的个性化生理参数测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
| CN105748051A (zh) | 一种血压测量方法及血压测量装置 | |
| CN111481192B (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
| EP1377913A1 (en) | Apparatus and method for efficient representation of periodic and nearly periodic signals for analysis | |
| CN113349752B (zh) | 一种基于传感融合的可穿戴设备实时心率监测方法 | |
| CN114732361B (zh) | 基于生理信号的睡眠分期预测方法、设备以及存储介质 | |
| CN103006195A (zh) | 一种基于图像处理的非接触式生命体征数据监测系统和监测方法 | |
| CN103584854A (zh) | 心电信号r波的提取方法 | |
| CN106037743A (zh) | 一种提取呼吸率的方法及设备 | |
| CN101919704B (zh) | 一种心音信号定位、分段方法 | |
| CN113598737A (zh) | 一种基于特征融合的血压预测方法 | |
| CN103239239B (zh) | 一种定幅值的动态光谱数据提取方法 | |
| CN110200642A (zh) | 一种认知负荷与心理压力的测量方法及终端 | |
| CN106236041A (zh) | 一种实时且准确的测量心率及呼吸率的算法及系统 | |
| CN115644835A (zh) | 基于可视图和深度残差网络的无袖套血压测量方法 | |
| CN115421597B (zh) | 一种基于双脑耦合特征的脑机接口控制方法及系统 | |
| CN107194922A (zh) | 一种血管内超声图像序列关键帧的提取方法 | |
| CN111345815B (zh) | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 | |
| CN115553784A (zh) | 基于心电、心音信号耦合分析的冠心病评估方法及系统 | |
| CN109620198A (zh) | 心血管指数检测、模型训练方法及装置 | |
| CN112006669B (zh) | 一种基于血压测量模型的双通道计算方法的血压仪 | |
| CN114668375A (zh) | 一种基于深度神经网络模型的无袖带血压预测系统 | |
| CN110495863B (zh) | 识别桡动脉压力波形降中峡特征点的方法和装置 | |
| CN106778561A (zh) | 一种穿戴式设备的身份识别方法及识别装置 | |
| CN110693474B (zh) | 识别桡动脉压力波形重搏波特征点的方法和装置 |
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 |