CN115770028A - 血压检测方法、系统、装置及存储介质 - Google Patents
血压检测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN115770028A CN115770028A CN202211622067.XA CN202211622067A CN115770028A CN 115770028 A CN115770028 A CN 115770028A CN 202211622067 A CN202211622067 A CN 202211622067A CN 115770028 A CN115770028 A CN 115770028A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- characteristic data
- user
- ppg signal
- ppg
- 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 311
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims description 54
- 238000012216 screening Methods 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 238000009530 blood pressure measurement Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 2
- 238000013186 photoplethysmography Methods 0.000 description 139
- 238000010586 diagram Methods 0.000 description 9
- 206010020772 Hypertension Diseases 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000000707 wrist Anatomy 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 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
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请涉及一种血压检测方法、系统、装置及存储介质,涉及智能穿戴技术领域,其包括同步获取原始PPG信号与医用仪器测量的事实血压数据,并将事实血压数据作为血压标签数据;基于原始PPG信号和血压标签值,获取血压特征数据;基于血压特征数据,生成血压预测模型;获取用户PPG信号,基于血压预测模型,获取用户血压值。本申请具有提高血压测量精度的效果。
Description
技术领域
本申请涉及智能穿戴的领域,尤其是涉及一种血压检测方法、系统、装置及存储介质。
背景技术
当前高血压已成为困扰人们健康的一大因素,也是我国最常见、最具普遍性和代表性的慢性疾病之一,我国高血压的发病率占总人数的3%-10%,因此,针对高血压的及时检测和预防具有非常重大的意义。传统测量血压的方法通常是采用基于袖带的水银听诊血压计、基于袖带的电子血压计进行测量。
随着智能穿戴设备的普及,智能穿戴设备也与日常健康检测进行了结合,主要检测血压、心率、血氧、睡眠等。目前基于穿戴设备的血压测量有腕部气囊式方案、人体光电容积脉搏波(PPG)与心电信号(ECG)配合式方案。腕部气囊式方案通过空气对局部动脉施加压力,阻止局部动脉的搏动,通过传感器测出收缩压和舒张压,该方案由于需要使用腕部气囊袖带对腕部动脉进行施压,会产生佩戴不适感,难以长时间检测佩戴者的血压状况。人体光电容积脉搏波(PPG)与心电信号(ECG)配合式方案从佩戴舒适度上优于腕部气囊式方案,因此能够长时间对佩戴者的血压状况进行检测,该方案通过同时采集PPG信号和ECG信号,进行拟合,利用PPG信号和ECG信号拟合的算法模型进行血压预测。
针对上述中的相关技术,人体光电容积脉搏波(PPG)与心电信号(ECG)配合式方案由于需要同时采集PPG信号和ECG信号,并对同时采集PPG信号和ECG信号进行拟合分析,而信号的时间对齐困难,容易产生测量误差,影响血压测量精度。
发明内容
为了解决现有技术中的问题,提高血压测量精度,本申请提供了一种血压检测方法、系统、装置及存储介质。
第一方面,本申请提供的一种血压检测方法采用如下的技术方案:
一种血压检测方法,包括同步获取原始PPG信号与医用仪器测量的事实血压数据,并将事实血压数据作为血压标签数据;基于所述原始PPG信号和所述血压标签值,筛选血压特征数据;基于所述血压特征数据,生成血压预测模型;获取用户PPG信号,基于所述血压预测模型,获取用户血压值。
通过采用上述技术方案,对采集到的原始PPG信号进行筛选,得到与血压相关度高的血压特征数据,并通过血压特征数据和对应的血压标签值生成血压预测模型,通过血压预测模型对采集到的用户PPG信号进行处理,获取用户的血压值。通过单一对PPG信号的采集,避免现有技术中时间对齐造成的误差,提高了血压测量精度。
可选的,基于所述原始PPG信号和所述血压标签值,筛选血压特征数据的步骤包括:基于多组所述原始PPG信号,提取各组生理特征数据,并将各组所述生理特征数据与所述血压标签值关联;筛选生理特征数据,获取与所述血压标签值相关性强的生理特征数据,即血压特征数据。
通过采用上述技术方案,将原始PPG信号中的生理特征数据从整体数据中筛选出来,滤除杂波等噪声,并结合血压标签值,从而将与血压相关度高的生理特征数据筛选出来,即实现了对血压特征数据的筛选。
可选的,筛选生理特征数据,获取与所述血压标签值相关性强的生理特征数据,即血压特征数据的步骤包括:设定获取各组所述生理特征数据时脉搏波波形出现的数量阈值;获取周期时间内所述生理特征数据中脉搏波波形出现的数量;若周期时间内脉搏波波形出现数量超过设定阈值,则提取该周期时间内的所述生理特征数据;基于提取的所述生理特征数据,计算所述生理特征数据的生理信息;对所述生理信息进行量化处理;基于量化处理后的所述生理信息,筛选出与所述血压标签值相关性强的所述生理特征数据,生成所述血压特征数据。
通过采用上述技术方案,即实现了对血压特征数据的提取;通过对脉搏波波形的数量确定,可以确定该时间段的波形稳定性,当确认获取的生理特征数据为稳定数据后,采集该时间段的波形,结合波形特征计算所述生理特征数据的生理信息,最终将生理信息统一量化处理后,即能够筛选出与血压标签值相关性强的生理特征数据,从而实现血压特征数据的提取。
可选的,基于所述血压特征数据,生成血压预测模型的步骤包括:选取一定时间周期内的多组所述血压特征数据,并对多组所述血压特征数据进行时序排列;对每组所述血压特征数据标注血压标签值,获得时序特征样本;基于血压标签值大小,对时序特征样本进行分类处理;对时序特征样本划分训练集和测试集;使用深度学习模型训练分类模型,得到血压模型。
通过采用上述技术方案,将基于血压标签值的多组血压特征数据时序排列,即按照时间顺序排列,能够提高样本训练精度。在通过时序排列获得分类处理的时序特征样本后,采用深度学习模型对分类后的时序特征样本进行训练,从而得到血压模型。
可选的,基于所述血压特征数据,生成血压预测模型的步骤包括的步骤包括:获取用户的事实血压值;对采集到的用户PPG信号进行预处理,并计算提取用户的多组血压特征数据;基于用户的多组血压特征数据,对血压预测模型进行训练校准,生成适配每个用户的个性化血压模型,其中对血压预测模型进行训练校准方法包括但不限于迁移学习算法。
通过采用上述技术方案,对用户PPG信号检测时,采用医用仪器进行真实的血压值测量,并对用户PPG信号预处理得到用户的血压特征数据,通过采用深度学习,结合用户的事实血压值和PPG信号测得的血压特征数据对血压预测模型进行训练校准,得到校准后的个性化血压模型,能够针对独立用户的身体参数得到适配于该用户的个性化血压模型,从而提高血压预测的精确度。
可选的,在同步获取原始PPG信号与血压标签值的步骤之前,还包括:获取ACC信号与PPG信号;基于所述ACC信号特征,判断智能穿戴设备佩戴者是否静止;基于PPG信号特征,判断智能穿戴设备是否被佩戴;若判断采集设备为静止和佩戴状态,则获取所述原始PPG信号或所述用户PPG信号。
通过采用上述技术方案,获取PPG信号的特征,能够识别用户是否佩戴该智能穿戴设备。获取ACC信号,识别用户是否静止,当采集到静止时的PPG信号,避免了运动对PPG信号的干扰,提高了采集的精确度。通过对2种信号的获取于特征分析,对同步获取原始PPG信号与血压标签值的步骤进行出发,避免了持续进行同步获取原始PPG信号与血压标签值导致的功耗提高。
可选的,所述原始PPG信号和所述用户PPG信号是佩戴部、手指部的PPG信号的一组或者多组。
通过采用上述技术方案,由于手指部的毛细血管丰富,得到的PPG信号更加准确,因此对PPG传感器的位置设置,能够实现多种测量方式。
第二方面,本申请提供一种血压检测系统,采用如下的技术方案:
一种血压检测系统,包括采集模块,用于获取原始PPG信号和用户PPG信号;特征提取模块,连接于所述采集模块,用于对所述采集模块获取的原始PPG信号和用户PPG信号进行预处理,提取生理特征数据;特征筛选模块,连接于所述特征提取模块,用于将所述特征提取模块提取的所述生理特征数据进行筛选,获取血压特征数据;模型训练模块,连接于所述特征筛选模块,用于将所述特征筛选模块获取的所述血压特征数据进行训练,获取训练模型,并将所述训练模型保持至服务器;其中训练方法包括但不仅限于MRMR方法;血压检测模块,连接于所述特征提取模块与所述模型训练模块,用于将所述特征提取模块获取到的所述生理特征数据输入到所述模型训练模块获取的所述训练模型中,并输出本次所述采集模块工作时的血压值。
通过采用上述技术方案,采集模块获取到原始PPG信号后,发送到特征提取模块进行预处理,得到生理特征数据,并将医用仪器测量的事实血压数据与生理特征数据关联,特征筛选模块再对生理特征数据进行处理,得到与血压特征相关的特征数据。模型训练模块获取到与血压特征相关的特征数据后进行训练,得到训练模型,并存储到服务器。血压检测模块用于检测用户血压值,通过将特征提取模块获取到的生理特征数据输入到模型训练模块获取的训练模型中,根据训练模型得到预测的血压值数据。
可选的,还包括血压校准模块,用于将用户的事实血压值与同时采集的PPG信号所分析生成的生理特征数据在服务器端进行处理,获得特定用户的个性化血压模型。
通过采用上述技术方案,再对用户血压信息检测时,血压校准模块采集用户血压真实值和此时的PPG信号,对现有的血压模型进行二次校准,用于提高对该用户的血压采集精度。
第三方面,本申请提供一种血压检测装置,采用如下的技术方案:
一种血压检测装置,应用于智能穿戴设备,包括PPG传感器、存储器和处理器,所述PPG传感器用于采集原始PPG信号和用户PPG信号;所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序时实现前述任一项所述的血压检测方法。
通过采用上述技术方案,该血压检测装置应用于智能穿戴设备,处理器对PPG传感器的信号处理,得到血压模型,并将血压模型存储在存储器中。当PPG传感器获取到用户PPG信号后,处理器基于存储器存储的血压模型,得到用户血压数据。
可选的,所述PPG传感器设置于智能穿戴设备的内侧、外侧的一种或者多种,用于检测用户佩戴部、手指部的一组或者多组PPG信号。
通过采用上述技术方案,由于手指部的毛细血管丰富,得到的PPG信号更加准确,因此对PPG传感器的位置设置,能够实现多种测量方式。当PPG传感器设置在智能穿设备的内侧时,此时检测用户佩戴部的PPG信号;当PPG传感器设置在智能穿设备的外侧时,此时检测用户手指部的PPG信号,手指部覆盖在PPG传感器上,即可实现对手指部PPG信号的检测。当智能穿设备的内侧和外侧均有设置PPG传感器设置时,此时检测用户佩戴部和手指部的PPG信号;通过佩戴部和手指部的PPG信号整合与处理,能够进一步提高血压检测精度。
第四方面,本申请实施例提供了一种可读存储介质,用于存储一个或多个计算机程序,所述一个或多个计算机程序包括指令,当所述计算机程序在计算机上运行时,所述指令用于执行上述任意一项血压检测方法的步骤。
综上所述,本申请包括以下至少一种有益技术效果:
1.单一对PPG信号的采集和分析处理,提取生理特征数据,并结合血压标签值,筛选出血压特征数据,并基于所述血压特征数据,生成血压预测模型,该血压预测模型避免了现有技术中时间对齐造成的误差,提高了血压测量精度;
2.对用户PPG信号检测时,采集用户事实血压值以及用户血压特征数据,通过采用深度学习,结合用户的事实血压值和用户血压特征数据对血压预测模型进行训练校准,能够针对该独立用户的身体参数得到适配于该用户的个性化血压模型,从而提高血压预测的精确度。
附图说明
图1是本申请其中一个实施例的血压检测方法的流程图。
图2是本申请其中一个实施例的血压特征数据筛选的流程图。
图3是本申请其中一个实施例的生理特征数据筛选的流程图。
图4是本申请其中一个实施例的生成血压预测模型的流程图。
图5是本申请其中一个实施例的生成个性化血压模型的流程图。
图6是本申请其中一个实施例的血压检测系统的逻辑框图。
图7是本申请其中一个实施例的血压检测装置的逻辑框图。
图8是本申请其中一个实施例的血压检测装置结构示意图。
图9是本申请其中一个实施例的血压检测装置结构示意图。
图10是本申请其中一个实施例的血压检测装置结构示意图。
附图标记说明:1、采集模块;2、特征提取模块;3、特征筛选模块;4、模型训练模块;5、血压检测模块;6、血压校准模块;7、PPG传感器;8、存储器;9、处理器。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
另外,本领域的技术人员还应当理解,本文所使用的术语“和/或”是指代并且涵盖相关联列出的项目的一个或多个项目中的任何项目以及所有可能的组合。进一步应当理解,术语“包括”、“具有”在本说明书中使用时指定了特征、整体、步骤、操作、元件和/或部件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元件、部件和/或它们的组合。术语“如果”、“若”取决于上下文可以被解读为表示“在…时”或“响应于”。
本申请实施例公开一种血压检测方法。参照图1,血压检测方法包括S1:同步获取原始PPG信号与医用仪器测量的事实血压数据,并将事实血压数据作为血压标签数据;S2:基于原始PPG信号和血压标签值,筛选血压特征数据;S3:基于血压特征数据,生成血压预测模型;S4:获取用户PPG信号,基于血压预测模型,获取用户血压值。
通过原始PPG信号获取到血压特征数据,并通过血压特征数据和对应的血压标签值生成血压预测模型,再通过血压预测模型对采集到的用户PPG信号进行处理,获取用户的血压值。该方式仅对PPG信号的采集,避免现有技术中时间对齐造成的误差,提高了血压测量精度。
在S2:基于原始PPG信号和血压标签值,筛选血压特征数据的步骤中,参照图2,包括以下步骤:
S201:基于多组原始PPG信号,提取各组生理特征数据,并将各组生理特征数据与血压标签值关联;
S202:筛选生理特征数据,获取与血压标签值相关性强的生理特征数据,即血压特征数据。
本申请中,采集10组原始PPG信号,将10组原始PPG信号中的生理特征数据分别从整体数据中筛选出来,结合人体PPG正常波形曲线的波峰、波谷、斜率、周期等特征滤除杂波,并结合血压标签值,将与血压相关度高的生理特征数据筛选出来,即实现了对血压特征数据的筛选。
由于佩戴智能穿戴设备运动,会导致PPG信号获取精度降低,因此在同步获取原始PPG信号与血压标签值的步骤之前,还需要获取ACC信号,基于ACC信号特征,判断智能穿戴设备佩戴者是否静止。
若智能穿戴设备未被佩戴,此时采集PPG信号为无用信号,会导致智能穿戴设备功耗上升,因此,因此在同步获取原始PPG信号与血压标签值的步骤之前,还需要初步获取PPG信号,基于PPG信号特征,判断智能穿戴设备是否被佩戴。
在本申请中,对智能穿戴设备佩戴者是否静止和智能穿戴设备是否被佩戴的识别没有先后顺序,既可以是先对佩戴者是否静止判断,也可以是先对智能穿戴设备是否被佩戴进行判断,当判断为智能穿戴设备为静止和佩戴状态时,则执行S1步骤。
当采集到静止时的PPG信号,避免了运动对PPG信号的干扰,提高了采集的精确度。通过对2种信号的获取于特征分析,对同步获取原始PPG信号与血压标签值的步骤进行出发,避免了持续进行同步获取原始PPG信号与血压标签值导致的功耗提高。
在S202:筛选生理特征数据,获取与血压标签值相关性强的生理特征数据,即血压特征数据的步骤中,参照图3,包括以下步骤:
S221:设定获取各组生理特征数据时脉搏波波形出现的数量阈值;
S222:获取周期时间内生理特征数据中脉搏波波形出现的数量;
S223:若周期时间内脉搏波波形出现数量超过设定阈值,则提取该周期时间内的生理特征数据;
S224:基于提取的生理特征数据,计算生理特征数据的生理信息;
S225:对生理信息进行量化处理;
S226:基于量化处理后的生理信息,筛选出与血压标签值相关性强的生理特征数据,生成血压特征数据。
基于波峰波谷等条件确认方式,对单一周期脉搏波波形的数量确定,可以确定该时间段的波形稳定性。本申请中优选8秒内的脉搏波波形的数量超过5个后,判定生理特征数据为稳定数据,即采集该时间段的PPG信号数据。结合波形特征计算生理特征数据的生理信息,最终将生理信息统一量化处理后,通过采用包括但不限于MRMR方法筛选出与血压标签值相关性强的生理特征数据,从而实现血压特征数据的提取。
在S3:基于血压特征数据,生成血压预测模型的步骤中,参照图4,包括以下步骤:
S301:选取一定时间周期内的多组血压特征数据,并对多组血压特征数据进行时序排列;
S302:对每组血压特征数据标注血压标签值,获得时序特征样本;
S303:基于血压标签值大小,对时序特征样本进行分类处理;
S304:对时序特征样本划分训练集和测试集;
S305:使用深度学习模型训练分类模型,得到血压模型。
在血压特征数据生成血压预测模型时,对多组血压特征数据进行时序排列,通过多组数据的时序排列,提高样本训练精度。在获得分类处理的时序特征样本后,采用深度学习模型对分类后的时序特征样本进行训练,从而得到血压模型。
由于每个用户的身体参数各不相同,通过原始PPG信号得到的血压模型为通用型模型,为提高每个用户的血压测量精度,还需要对每个用户的血压模型进行二次优化。即S4:基于血压特征数据,生成血压预测模型的步骤中,参照图5,包括以下步骤:
S401:获取用户的事实血压值;
S402:对采集到的用户PPG信号进行预处理,并计算提取用户的多组血压特征数据;
S403:基于用户的多组血压特征数据,对血压预测模型进行训练校准,生成适配每个用户的个性化血压模型,其中对血压预测模型进行训练校准方法包括但不限于迁移学习算法。
对用户PPG信号检测时,采用医用仪器测量用户真实的血压值,并对用户PPG信号滤波等预处理得到用户的血压特征数据,采用包括但不限于卷积神经网络、循环神经网络等深度学习方式,结合用户的事实血压值和PPG信号测得的血压特征数据对血压预测模型进行训练校准,得到校准后的个性化血压模型。能够针对独立用户的身体参数得到适配于该用户的个性化血压模型,从而提高血压预测的精确度。
值得一提的,由于手指部的毛细血管丰富,得到的PPG信号更加准确,因此对PPG传感器的不同位置设置,能够实现多种测量方式,提高测量精度。本申请中原始PPG信号和用户PPG信号是佩戴部、手指部的PPG信号的一组或者多组。
原始PPG信号采集的位置不同,则对应生成的血压预测模型不同。若原始PPG信号采集的佩戴部信号,则同步获取佩戴部原始PPG信号与医用仪器测量的事实血压数据,并将事实血压数据作为血压标签数据;基于佩戴部的原始PPG信号和血压标签值,筛选血压特征数据;基于血压特征数据,生成血压预测模型。
若原始PPG信号采集的佩戴部和手指部信号,则分别同步获取佩戴部和手指部的原始PPG信号与医用仪器测量的事实血压数据,将事实血压数据作为血压标签数据;并分别将佩戴部和手指部获取的特征筛选后归一化处理,分别获得佩戴部和手指部的特征矩阵,基于佩戴部和手指部的特征矩阵,生成融合特征矩阵,再通过机器学习或者深度学习获取血压预测模型。
同理,若对应生成的血压预测模型不同。生成的个性化血压模型也有不同。若通过采集佩戴部和手指部PPG信号获取的血压预测模型,在生成的个性化血压模型时,获取佩戴部和手指部PPG信号,并根据佩戴部和手指部PPG信号进行校准,得到个性化融合特征,再通过机器学习或者深度学习获取基于佩戴部和手指部测量得到的个性化血压模型。当用户仅采用佩戴部进行血压测量时,同样能够使用基于佩戴部和手指部测量得到的个性化血压模型,从而提高血压测量精度。
本申请实施例一种血压检测方法的实施原理为:对采集到的原始PPG信号进行筛选,得到与血压相关度高的血压特征数据,并通过血压特征数据和对应的血压标签值生成血压预测模型,通过血压预测模型对采集到的用户PPG信号进行处理,获取用户的血压值。
本申请实施例还公开一种血压检测系统。参照图6,血压检测系统包括采集模块1,用于获取原始PPG信号和用户PPG信号;特征提取模块2,连接于采集模块1,用于对采集模块1获取的原始PPG信号和用户PPG信号进行预处理,提取生理特征数据;特征筛选模块3,连接于特征提取模块2,用于将特征提取模块2提取的生理特征数据进行筛选,获取血压特征数据;模型训练模块4,连接于特征筛选模块3,用于将特征筛选模块3获取的血压特征数据进行训练,获取训练模型,并将训练模型保持至服务器;其中训练方法包括但不仅限于MRMR方法;血压检测模块5,连接于特征提取模块2与模型训练模块4,用于将特征提取模块2获取到的生理特征数据输入到模型训练模块4获取的训练模型中,并输出本次采集模块1工作时的血压值。
血压检测系统还包括血压校准模块6,用于将用户的事实血压值与同时采集的PPG信号所分析生成的生理特征数据在服务器端进行处理,获得特定用户的个性化血压模型。再对用户血压信息检测时,血压校准模块6采集用户血压真实值和此时的PPG信号,对现有的血压模型进行二次校准,用于提高对该用户的血压采集精度。
本申请实施例一种血压检测系统的实施原理为:采集模块1获取到原始PPG信号后,发送到特征提取模块2进行预处理,得到生理特征数据,并将医疗器械测量的事实血压数据与生理特征数据关联,特征筛选模块3再对生理特征数据进行处理,得到与血压特征相关的特征数据。模型训练模块4获取到与血压特征相关的特征数据后进行训练,得到训练模型,并存储到服务器。血压检测模块5用于检测用户血压值,通过将特征提取模块2获取到的生理特征数据输入到模型训练模块4获取的训练模型中,根据训练模型得到预测的血压值数据。
本申请实施例还公开一种血压检测装置。参照图7,血压检测装置应用于智能穿戴设备,包括PPG传感器7、存储器8和处理器9,PPG传感器7用于采集原始PPG信号和用户PPG信号;存储器8用于存储计算机程序,处理器9用于执行计算机程序时实现前述任一项的血压检测方法。
PPG传感器7设置于智能穿戴设备的内侧、外侧的一种或者多种,用于检测用户佩戴部、手指部的一组或者多组PPG信号。参照图8,当PPG传感器7设置在智能穿设备的内侧时(内侧任一位置,图示一种位置),此时检测用户佩戴部的PPG信号;参照图9,当PPG传感器7设置在智能穿设备的外侧时(外侧任一位置,图示两种位置),此时检测用户手指部的PPG信号,手指部覆盖在PPG传感器7上,即可实现对手指部PPG信号的检测。参照图10,当智能穿设备的内侧和外侧均有设置PPG传感器7设置时(内外侧任一位置,图示一种位置),此时检测用户佩戴部和手指部的PPG信号;通过佩戴部和手指部的PPG信号整合与处理,能够进一步提高血压检测精度。
本申请实施例一种血压检测装置的实施原理为:该血压检测装置应用于智能穿戴设备,处理器9对PPG传感器7的信号处理,得到血压模型,并将血压模型存储在存储器8中。当PPG传感器7获取到用户PPG信号后,处理器9基于存储器8存储的血压模型,得到用户血压数据。
本申请实施例还公开一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的计算机程序产品。在一些可能的实施方式中,本申请的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在穿戴设备上运行时,程序代码用于使终穿戴设备执行本说明书上述示例性方法中描述的步骤,例如可以执行附图中任意一个或多个步骤。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
功能如果以软件功能模块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。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,本说明书(包括摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或者具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
Claims (12)
1.一种血压检测方法,其特征在于,包括:
同步获取原始PPG信号与医用仪器测量的事实血压数据,并将事实血压数据作为血压标签数据;
基于所述原始PPG信号和所述血压标签值,筛选血压特征数据;
基于所述血压特征数据,生成血压预测模型;
获取用户PPG信号,基于所述血压预测模型,获取用户血压值。
2.根据权利要求1所述的血压检测方法,其特征在于,基于所述原始PPG信号和所述血压标签值,筛选血压特征数据的步骤包括:
基于多组所述原始PPG信号,提取各组生理特征数据,并将各组所述生理特征数据与所述血压标签值关联;
筛选生理特征数据,获取与所述血压标签值相关性强的生理特征数据,即血压特征数据。
3.根据权利要求2所述的血压检测方法,其特征在于,筛选生理特征数据,获取与所述血压标签值相关性强的生理特征数据,即血压特征数据的步骤包括:
设定获取各组所述生理特征数据时脉搏波波形出现的数量阈值;
获取周期时间内所述生理特征数据中脉搏波波形出现的数量;
若周期时间内脉搏波波形出现数量超过设定阈值,则提取该周期时间内的所述生理特征数据;
基于提取的所述生理特征数据,计算所述生理特征数据的生理信息;
对所述生理信息进行量化处理;
基于量化处理后的所述生理信息,筛选出与所述血压标签值相关性强的所述生理特征数据,生成所述血压特征数据。
4.根据权利要求1所述的血压检测方法,其特征在于,基于所述血压特征数据,生成血压预测模型的步骤包括:
选取一定时间周期内的多组所述血压特征数据,并对多组所述血压特征数据进行时序排列;
对每组所述血压特征数据标注血压标签值,获得时序特征样本;
基于血压标签值大小,对时序特征样本进行分类处理;
对时序特征样本划分训练集和测试集;
使用深度学习模型训练分类模型,得到血压模型。
5.根据权利要求1所述的血压检测方法,其特征在于,基于所述血压特征数据,生成血压预测模型的步骤包括的步骤包括:
获取用户的事实血压值;
对采集到的用户PPG信号进行预处理,并计算提取用户的多组血压特征数据;
基于用户的多组血压特征数据,对血压预测模型进行训练校准,生成适配每个用户的个性化血压模型,其中对血压预测模型进行训练校准方法包括但不限于迁移学习算法。
6.根据权利要求1所述的血压检测方法,其特征在于,在同步获取原始PPG信号与血压标签值的步骤之前,还包括:
获取ACC信号与PPG信号;
基于所述ACC信号特征,判断智能穿戴设备佩戴者是否静止;
基于PPG信号特征,判断智能穿戴设备是否被佩戴;
若判断采集设备为静止和佩戴状态,则获取所述原始PPG信号或所述用户PPG信号。
7.根据权利要求1所述的血压检测方法,其特征在于,所述原始PPG信号和所述用户PPG信号是佩戴部、手指部的PPG信号的一组或者多组。
8.一种血压检测系统,其特征在于,包括
采集模块(1),用于获取原始PPG信号和用户PPG信号;
特征提取模块(2),连接于所述采集模块(1),用于对所述采集模块(1)获取的原始PPG信号和用户PPG信号进行预处理,提取生理特征数据;
特征筛选模块(3),连接于所述特征提取模块(2),用于将所述特征提取模块(2)提取的所述生理特征数据进行筛选,获取血压特征数据;
模型训练模块(4),连接于所述特征筛选模块(3),用于将所述特征筛选模块(3)获取的所述血压特征数据进行训练,获取训练模型,并将所述训练模型保持至服务器;其中训练方法包括但不仅限于MRMR方法;
血压检测模块(5),连接于所述特征提取模块(2)与所述模型训练模块(4),用于将所述特征提取模块(2)获取到的所述生理特征数据输入到所述模型训练模块(4)获取的所述训练模型中,并输出本次所述采集模块(1)工作时的血压值。
9.根据权利要求8所述的血压检测系统,其特征在于,还包括血压校准模块(6),用于将用户的事实血压值与同时采集的PPG信号所分析生成的生理特征数据在服务器端进行处理,获得特定用户的个性化血压模型。
10.一种血压检测装置,其特征在于,应用于智能穿戴设备,包括PPG传感器(7)、存储器(8)和处理器(9),所述PPG传感器(7)用于采集原始PPG信号和用户PPG信号;所述存储器(8)用于存储计算机程序,所述处理器(9)用于执行所述计算机程序时实现如权利要求1-6中任一项所述的血压检测方法。
11.根据权利要求10所述的血压检测装置,其特征在于,所述PPG传感器(7)设置于智能穿戴设备的内侧、外侧的一种或者多种,用于检测用户佩戴部、手指部的一组或者多组PPG信号。
12.一种计算机可读的存储介质,用于存储一个或多个计算机程序,所述一个或多个计算机程序包括指令,当所述计算机程序在计算机上运行时,所述指令用于执行权利要求1-7任一项所述的血压检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211622067.XA CN115770028A (zh) | 2022-12-16 | 2022-12-16 | 血压检测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211622067.XA CN115770028A (zh) | 2022-12-16 | 2022-12-16 | 血压检测方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115770028A true CN115770028A (zh) | 2023-03-10 |
Family
ID=85392358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211622067.XA Pending CN115770028A (zh) | 2022-12-16 | 2022-12-16 | 血压检测方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115770028A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117037993A (zh) * | 2023-10-07 | 2023-11-10 | 深圳市爱保护科技有限公司 | 智能化血压监测管理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017136240A (ja) * | 2016-02-04 | 2017-08-10 | 株式会社デンソー | 血圧計 |
WO2017164316A1 (ja) * | 2016-03-24 | 2017-09-28 | 株式会社デンソー | 血圧推定装置 |
CN109833035A (zh) * | 2017-11-28 | 2019-06-04 | 深圳市岩尚科技有限公司 | 脉搏波血压测量装置的分类预测数据处理方法 |
CN112914528A (zh) * | 2021-03-01 | 2021-06-08 | 出门问问信息科技有限公司 | 一种无袖带血压测量方法、装置及计算机可读介质 |
CN113456043A (zh) * | 2021-07-08 | 2021-10-01 | 军事科学院系统工程研究院卫勤保障技术研究所 | 一种连续血压检测方法及装置 |
CN113749630A (zh) * | 2021-09-16 | 2021-12-07 | 华南理工大学 | 一种基于ecg信号和ppg信号的血压监测系统和方法 |
CN114847942A (zh) * | 2022-04-22 | 2022-08-05 | 深圳市爱都科技有限公司 | 血氧数据处理方法、相关装置及介质 |
CN114983364A (zh) * | 2022-05-26 | 2022-09-02 | 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 |
-
2022
- 2022-12-16 CN CN202211622067.XA patent/CN115770028A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017136240A (ja) * | 2016-02-04 | 2017-08-10 | 株式会社デンソー | 血圧計 |
WO2017164316A1 (ja) * | 2016-03-24 | 2017-09-28 | 株式会社デンソー | 血圧推定装置 |
CN109833035A (zh) * | 2017-11-28 | 2019-06-04 | 深圳市岩尚科技有限公司 | 脉搏波血压测量装置的分类预测数据处理方法 |
WO2019105105A1 (zh) * | 2017-11-28 | 2019-06-06 | 深圳市岩尚科技有限公司 | 脉搏波血压测量装置的分类预测数据处理方法 |
CN112914528A (zh) * | 2021-03-01 | 2021-06-08 | 出门问问信息科技有限公司 | 一种无袖带血压测量方法、装置及计算机可读介质 |
CN113456043A (zh) * | 2021-07-08 | 2021-10-01 | 军事科学院系统工程研究院卫勤保障技术研究所 | 一种连续血压检测方法及装置 |
CN113749630A (zh) * | 2021-09-16 | 2021-12-07 | 华南理工大学 | 一种基于ecg信号和ppg信号的血压监测系统和方法 |
CN114847942A (zh) * | 2022-04-22 | 2022-08-05 | 深圳市爱都科技有限公司 | 血氧数据处理方法、相关装置及介质 |
CN114983364A (zh) * | 2022-05-26 | 2022-09-02 | 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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117037993A (zh) * | 2023-10-07 | 2023-11-10 | 深圳市爱保护科技有限公司 | 智能化血压监测管理方法及系统 |
CN117037993B (zh) * | 2023-10-07 | 2024-01-26 | 深圳市爱保护科技有限公司 | 智能化血压监测管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971059B (zh) | 一种基于神经网络自适应健康监测的可穿戴设备 | |
EP3358485A1 (en) | General noninvasive blood glucose prediction method based on timing analysis | |
WO2018148690A1 (en) | Systems and methods of analyte measurement analysis | |
CN107028603A (zh) | 使用脉搏触诊信号来检测人体内的糖尿病的装置和方法 | |
CN111631698A (zh) | 基于运动模式级联约束的可穿戴血压监测及修正方法 | |
CN108186000A (zh) | 基于心冲击信号与光电信号的实时血压监测系统及方法 | |
CN104814729A (zh) | 提高测量准确度的动态血压监测系统及其监测方法 | |
CN113317794B (zh) | 一种生命体征分析方法与系统 | |
WO2016075529A1 (en) | System and method for detecting and quantifying deviations from physiological signals normality | |
US20210307686A1 (en) | Methods and systems to detect eating | |
CN111248879A (zh) | 一种基于多模态注意力融合的高血压老年人活动分析方法 | |
CN1275179C (zh) | 人体亚健康状态的计算机评测方法 | |
CN113520343A (zh) | 睡眠风险预测方法、装置和终端设备 | |
CN115770028A (zh) | 血压检测方法、系统、装置及存储介质 | |
CN113017559A (zh) | 一种基于压电薄膜传感器的生命体征提取算法及系统 | |
CN113100725A (zh) | 基于光纤传感器的健康状态快速检测装置及方法 | |
CN113069091A (zh) | 一种ppg信号的脉象分类装置及方法 | |
CN113288133A (zh) | 用于预测血糖值的方法、装置、存储介质及处理器 | |
CN112836647A (zh) | 一种基于ppg信号的无创式甘油三酯估计系统 | |
CN109691993B (zh) | 一种测量心率变异性的方法及人体秤 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
CN106419884A (zh) | 一种基于小波分析的心率计算方法与系统 | |
CN111603151B (zh) | 一种基于时频联合分析的无创血液成分检测方法及系统 | |
CN113208573B (zh) | 一种支持ppg+ecg功能的可穿戴设备 | |
CN115349832A (zh) | 一种生命体征监测预警系统和方法 |
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 |