CN116028809A - 一种连续血压的测量模型训练、测量方法及装置 - Google Patents
一种连续血压的测量模型训练、测量方法及装置 Download PDFInfo
- Publication number
- CN116028809A CN116028809A CN202211686554.2A CN202211686554A CN116028809A CN 116028809 A CN116028809 A CN 116028809A CN 202211686554 A CN202211686554 A CN 202211686554A CN 116028809 A CN116028809 A CN 116028809A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- continuous blood
- signal data
- data
- pressure measurement
- 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
- 238000009530 blood pressure measurement Methods 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000036772 blood pressure Effects 0.000 claims abstract description 62
- 230000004872 arterial blood pressure Effects 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000003672 processing method Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000035487 diastolic blood pressure Effects 0.000 claims description 5
- 230000035488 systolic blood pressure Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000013186 photoplethysmography Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 210000000707 wrist Anatomy 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供了一种连续血压的测量模型训练、测量方法及装置，应用于血压测量技术领域，该训练方法首先获取光电容积脉搏波信号数据和正常动脉压力波形数据；再根据预设数据处理方法对所述光电容积脉搏波信号数据和所述正常动脉压力波形数据进行处理，得到训练样本；然后基于卷积神经网络，利用所述训练样本训练得到连续血压的测量模型。该测量方法首先获取光电容积脉搏波信号数据；所述光电容积脉搏波信号数据通过连续血压采集装置获取；然后将所述光电容积脉搏波信号数据输入到连续血压的测量模型中，得到连续血压值。本发明可以进行连续的血压测量，并提高血压测量的准确性和速度。
Description
技术领域
本发明涉及血压测量技术领域，尤其涉及一种连续血压的测量模型训练、测量方法、装置、设备及存储介质。
背景技术
一般的血压通过直接测量可以获取，但是它是有创的测量方法，需要侵入人体动脉血管，不适宜日常的血压测量，而且不能测连续的血压。连续血压监测能及时发现血压异常，在对检测、控制和治疗血液动力学疾病方面比间歇性血压检测更有效。
目前的连续血压的测量一般是通过对采集到的光电容积脉搏波信号进行分析，得到连续血压值的，但是由于光电容积脉搏波信号的采集装置采集信号的误差、分析方法不够细致准确，以及没有设置校验测得的连续血压值的方法，导致连续血压的测量不够准确。
发明内容
本发明提供了一种连续血压的测量模型训练、测量方法、装置、设备及存储介质。可以进行连续的血压测量，并提高血压测量的准确性和速度。
第一方面，本发明的实施例提供了一种连续血压的测量模型训练方法，该方法包括：
获取光电容积脉搏波信号数据和正常动脉压力波形数据；
根据预设数据处理方法对光电容积脉搏波信号数据和正常动脉压力波形数据进行处理，得到训练样本；
基于卷积神经网络，利用训练样本训练得到连续血压的测量模型。
提高上述技术方案，可以训练得到连续血压的测量模型，准确快速的进行连续血压的测量。
可选地，根据预设数据处理方法对光电容积脉搏波信号数据和正常动脉压力波形数据进行处理，得到训练样本，包括：
删除小于长度阈值的光电容积脉搏波信号数据和正常动脉压力波形数据；
使用巴特沃斯带通滤波器，筛除不在预设频率段内的光电容积脉搏波信号数据和正常动脉压力波形数据；
使用Hampel滤波器对光电容积脉搏波信号数据和正常动脉压力波形数据进行滤波，去除异常值；
将光电容积脉搏波信号数据和正常动脉压力波形数据分割成周期，并将周期中出现的平线或者平峰部分删除；
若平线和平峰在周期中占比大于比例阈值，则将该周期删除。
可选地，根据预设数据处理方法对光电容积脉搏波信号数据和正常动脉压力波形数据进行处理，得到训练样本，还包括：
截取光电容积脉搏波信号数据周期附近对应的2个正常动脉压力波形短段；
计算2个短段的正常动脉压力波形中的峰值和谷值的平均值；
其中，平均峰值作为收缩压，平均谷值作为舒张压。
第二方面，本发明的实施例提供了一种连续血压的测量方法，该方法包括：
获取光电容积脉搏波信号数据；
其中，光电容积脉搏波信号数据通过连续血压采集装置获取；
将光电容积脉搏波信号数据输入到连续血压的测量模型中，得到连续血压值。
通过上述技术方案，可以快速准确的连续进行血压的测量。
可选地，连续血压采集装置至少包括8通道的光源进行主光源投射，至少包括一个光敏二极管用于接收多通道光源的数据。
可选地，该方法还包括：
根据连续血压值和血压标准值，计算标准差；
其中，血压标准值为多次血压测量值的平均值；
若标准差大于标准差阈值，则重新进行血压的测量。
第三方面，本发明的实施例提供了一种连续血压的测量模型训练装置，该装置包括：
获取模块，用于获取光电容积脉搏波信号数据和正常动脉压力波形数据；
处理模块，用于根据预设数据处理方法对光电容积脉搏波信号数据和正常动脉压力波形数据进行处理，得到训练样本；
训练模块，用于基于卷积神经网络，利用训练样本训练得到连续血压的测量模型。
第四方面，本发明的实施例提供了一种连续血压的测量装置，该装置包括：
获取模块，用于获取光电容积脉搏波信号数据；
其中，光电容积脉搏波信号数据通过连续血压采集装置获取；
测量模块，用于将光电容积脉搏波信号数据输入到连续血压的测量模型中，得到连续血压值。
第五方面，本发明的实施例提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如第一方面或第二方面中任一实现方式所述的方法。
第六方面，本发明的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第二方面中任一实现方式所述的方法。
本发明提供了一种连续血压的测量模型训练、测量方法，该训练方法首先获取光电容积脉搏波信号数据和正常动脉压力波形数据；再根据预设数据处理方法对所述光电容积脉搏波信号数据和所述正常动脉压力波形数据进行处理，得到训练样本；然后基于卷积神经网络，利用所述训练样本训练得到连续血压的测量模型。该测量方法首先获取光电容积脉搏波信号数据；所述光电容积脉搏波信号数据通过连续血压采集装置获取；然后将所述光电容积脉搏波信号数据输入到连续血压的测量模型中，得到连续血压值。本发明可以进行连续的血压测量，并提高血压测量的准确性和速度。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素。
图1为本发明实施例的一种连续血压的测量模型训练方法的流程图；
图2为本发明实施例的一种连续血压的测量方法的流程图；
图3为本发明实施例的一种连续血压的测量模型训练装置的结构示意图；
图4为本发明实施例的一种连续血压的测量装置的结构示意图；
图5为本发明实施例的一种电子设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
需要说明的是，本发明实施例描述的仅仅是为了更加清楚的说明本发明实施例的技术方案，并不构成对本发明实施例提供的技术方案的限定。
图1为本发明实施例的一种连续血压的测量模型训练方法的流程图。如图1所示，该方法包括：
S101、获取光电容积脉搏波(Translating Photoplethysmogram，PPG)信号数据和正常动脉压力(Arterial Blood Pressure，ABP)波形数据。
可选地，可以通过连续血压采集装置获取光电容积脉搏波信号数据，并获取与之对应的正常动脉压力波形数据。
可选地，需要获取大量的光电容积脉搏波信号数据和正常动脉压力波形数据，确保可以通过数据的预处理得到足够量的训练样本。
S102、根据预设数据处理方法对光电容积脉搏波信号数据和正常动脉压力波形数据进行处理，得到训练样本。
可选地，根据预设数据处理方法对光电容积脉搏波信号数据和正常动脉压力波形数据进行处理，得到训练样本，包括：
删除小于长度阈值的光电容积脉搏波信号数据和正常动脉压力波形数据；
使用巴特沃斯带通滤波器，筛除不在预设频率段内的光电容积脉搏波信号数据和正常动脉压力波形数据；
使用Hampel滤波器对光电容积脉搏波信号数据和正常动脉压力波形数据进行滤波，去除异常值；
将光电容积脉搏波信号数据和正常动脉压力波形数据分割成周期，并将周期中出现的平线或者平峰部分删除；
若平线和平峰在周期中占比大于比例阈值，则将该周期删除。
示例性地，可以将光电容积脉搏波和正常动脉压力所需的最小长度设置为10分钟。删除所有长度小于10分钟的数据。确保可以包含收缩压和舒张压的变化。
再将光电容积脉搏波信号归一化到零平均单位方差，用4阶巴特沃斯带通滤波器滤波，截止频率分别为0.5Hz和8Hz。其中，低于0.5赫兹的被认为是基线震荡，高于8赫兹的是高频噪声。再利用Hampel滤波器对信号进行滤波，去除异常值。这需要一个包含7个后续光电容积脉搏波样本的滑动窗口(8秒的数据窗口)，并计算该窗口的中值。并估计每个样本关于窗口中位数的标准差，若样本与窗口中位数相差超过三个标准差，则使用中位数替换该样本。
进一步地，将这些信号分割成周期，每个周期对应一次心跳；将每个周期中的平线部分和平峰部分删除，若超过5％的周期有平坦的峰值，或者超过10％的记录持续时间由平坦的线组成，则删除该周期或则记录。
可选地，根据预设数据处理方法对光电容积脉搏波信号数据和正常动脉压力波形数据进行处理，得到训练样本，还包括：
截取光电容积脉搏波信号数据周期附近对应的2个正常动脉压力波形短段；
计算2个短段的正常动脉压力波形中的峰值和谷值的平均值；
其中，平均峰值作为收缩压，平均谷值作为舒张压。
S103、基于卷积神经网络，利用训练样本训练得到连续血压的测量模型。
示例性地，以步长为2秒，依次截取8秒的光电容积脉搏波信号数据作为一组，并以数据长度乘以采样率得到一个8f的向量，f是采样率。
示例性地，训练可以使用CNN卷积神经网络、循环神经网络以及RNN分析时间序列。
卷积神经网络包括卷积过滤器的初始层(具有特定大小的向量框)、激活函数、归一化层、最大池化层以及dropout层。
其中，过滤器是大小为8地一维滤波器，最大池化层地池大小可以设置为4，dropout层是概率掩码，每次梯度更新会阻塞一部分节点，概率取0.1。
示例性地，该连续血压的测量模型可以在python环境中训练，使用keras和TensorFlow后端实现。
本发明实施例提供了一种连续血压的测量模型训练方法，该训练方法首先获取光电容积脉搏波信号数据和正常动脉压力波形数据；再根据预设数据处理方法对所述光电容积脉搏波信号数据和所述正常动脉压力波形数据进行处理，得到训练样本；然后基于卷积神经网络，利用所述训练样本训练得到连续血压的测量模型。本发明可以进行连续的血压测量，并提高血压测量的准确性和速度。
图2为本发明实施例的一种连续血压的测量方法的流程图。如图2所示，该方法包括：
S201、获取光电容积脉搏波信号数据。
其中，光电容积脉搏波信号数据通过连续血压采集装置获取。
可选地，连续血压采集装置至少包括8通道的光源进行主光源投射，至少包括一个光敏二极管用于接收多通道光源的数据。
可选地，该连续血压采集装置包括腕带，并且在腕带部位进行了传统血压测量方式的设计，腕带设计上会有一个长方形的气囊，腕表内部有集成气压传感装置，配合IR和红光检测的光电容积脉搏波可以进行传统血压的测量。
S202、将光电容积脉搏波信号数据输入到连续血压的测量模型中，得到连续血压值。
示例性地，将连续血压采集装置测得的光电容积脉搏波信号数据，输入到训练好的连续血压的测量模型中，模型输出根据光电容积脉搏波信号数据测得的连续血压值。
可选地，该方法还包括：
根据连续血压值和血压标准值，计算标准差；
其中，血压标准值为多次血压测量值的平均值；
若标准差大于标准差阈值，则重新进行血压的测量。
示例性地，可以使用连续血压采集装置自带的气泵式血压测量系统，也可以使用有医疗认证的血压计进行标准血压数据采集，采集多组血压数据，并计算均值得到血压标准基础值：BP标准。
示例性地，在模型输出连续血压值之前，对输出的数据进行判断，确保数据的有效性和可靠性，如果不满足设置条件，则重新开始针对本时段内的血压进行测量。标准的误差可以设定最大8mmHg，例如默认的标准误差是5mmHg；可以根据需要设置误差，以确保数据的有效性。
示例性地，判断公式如下：
式中，BP计算为模型测量计算得到的血压值，BP标准为传统测量得到的血压值，M估计误差为模型计算误差，M标准差是用于与设定的标准差进行比较的，若大于设定的标准差，则需要重新进行血压的测量。
本发明实施例提供了一种连续血压的测量方法，该测量方法首先获取光电容积脉搏波信号数据；所述光电容积脉搏波信号数据通过连续血压采集装置获取；然后将所述光电容积脉搏波信号数据输入到连续血压的测量模型中，得到连续血压值。本发明可以进行连续的血压测量，并提高血压测量的准确性和速度。
以下结合图3详细说明本申请实施例提供的可以执行上述连续血压的测量模型训练方法的装置。
示例性地，图3为本发明实施例的一种连续血压的测量模型训练装置的结构示意图；如图3所示，该训练装置30包括：
获取模块301，用于获取光电容积脉搏波信号数据和正常动脉压力波形数据；
处理模块302，用于根据预设数据处理方法对光电容积脉搏波信号数据和正常动脉压力波形数据进行处理，得到训练样本；
训练模块303，用于基于卷积神经网络，利用训练样本训练得到连续血压的测量模型。
可选地，处理模块302还用于，删除小于长度阈值的光电容积脉搏波信号数据和正常动脉压力波形数据；使用巴特沃斯带通滤波器，筛除不在预设频率段内的光电容积脉搏波信号数据和正常动脉压力波形数据；使用Hampel滤波器对光电容积脉搏波信号数据和正常动脉压力波形数据进行滤波，去除异常值；将光电容积脉搏波信号数据和正常动脉压力波形数据分割成周期，并将周期中出现的平线或者平峰部分删除；若平线和平峰在周期中占比大于比例阈值，则将该周期删除。
可选地，处理模块302还用于，截取光电容积脉搏波信号数据周期附近对应的2个正常动脉压力波形短段；计算2个短段的正常动脉压力波形中的峰值和谷值的平均值；其中，平均峰值作为收缩压，平均谷值作为舒张压。
以下结合图4详细说明本申请实施例提供的可以执行上述连续血压的测量方法的装置。
示例性地，图4为本发明实施例的一种连续血压的测量装置的结构示意图；如图4所示，该测量装置40包括：
获取模块401，用于获取光电容积脉搏波信号数据；
其中，光电容积脉搏波信号数据通过连续血压采集装置获取；
测量模块402，用于将光电容积脉搏波信号数据输入到连续血压的测量模型中，得到连续血压值。
可选地，连续血压采集装置至少包括8通道的光源进行主光源投射，至少包括一个光敏二极管用于接收多通道光源的数据。
可选地，该装置还包括：检验模块403，用于根据连续血压值和血压标准值，计算标准差；若标准差大于标准差阈值，则重新进行血压的测量。其中，血压标准值为多次血压测量值的平均值。
本发明实施例还提供了一种计算机电子设备，图5示出了可以应用本发明实施例的电子设备的结构示意图，如图5所示，该计算机电子设备包括，中央处理模块(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，所述模块、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，两个接连地表示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操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。
描述于本发明实施例中所涉及到的模块或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块301、处理模块302和训练模块303，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块301还可以被描述为“用于获取光电容积脉搏波信号数据和正常动脉压力波形数据的获取模块301”。
作为另一方面，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述一种连续血压的测量模型训练装置或连续血压的测量装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入电子设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本发明的一种连续血压的测量模型训练方法或一种连续血压的测量方法。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种连续血压的测量模型训练方法，其特征在于，包括：
获取光电容积脉搏波信号数据和正常动脉压力波形数据；
根据预设数据处理方法对所述光电容积脉搏波信号数据和所述正常动脉压力波形数据进行处理，得到训练样本；
基于卷积神经网络，利用所述训练样本训练得到连续血压的测量模型。
2.根据权利要求1所述的连续血压的测量模型训练方法，其特征在于，所述根据预设数据处理方法对所述光电容积脉搏波信号数据和所述正常动脉压力波形数据进行处理，得到训练样本，包括：
删除小于长度阈值的所述光电容积脉搏波信号数据和所述正常动脉压力波形数据；
使用巴特沃斯带通滤波器，筛除不在预设频率段内的所述光电容积脉搏波信号数据和所述正常动脉压力波形数据；
使用Hampel滤波器对所述光电容积脉搏波信号数据和所述正常动脉压力波形数据进行滤波，去除异常值；
将所述光电容积脉搏波信号数据和所述正常动脉压力波形数据分割成周期，并将周期中出现的平线或者平峰部分删除；
若所述平线和所述平峰在周期中占比大于比例阈值，则将该周期删除。
3.根据权利要求2所述的连续血压的测量模型训练方法，其特征在于，所述根据预设数据处理方法对所述光电容积脉搏波信号数据和所述正常动脉压力波形数据进行处理，得到训练样本，还包括：
截取所述光电容积脉搏波信号数据周期附近对应的2个正常动脉压力波形短段；
计算2个短段的正常动脉压力波形中的峰值和谷值的平均值；
其中，平均峰值作为收缩压，平均谷值作为舒张压。
4.一种连续血压的测量方法，其特征在于，包括：
获取光电容积脉搏波信号数据；所述光电容积脉搏波信号数据通过连续血压采集装置获取；
将所述光电容积脉搏波信号数据输入到连续血压的测量模型中，得到连续血压值。
5.根据权利要求4所述的连续血压的测量方法，其特征在于，所述连续血压采集装置至少包括8通道的光源进行主光源投射，至少包括一个光敏二极管用于接收多通道光源的数据。
6.根据权利要求4所述的连续血压的测量方法，其特征在于，还包括：
根据所述连续血压值和血压标准值，计算标准差；所述血压标准值为多次血压测量值的平均值；
若所述标准差大于标准差阈值，则重新进行血压的测量。
7.一种连续血压的测量模型训练装置，其特征在于，包括：
获取模块，用于获取光电容积脉搏波信号数据和正常动脉压力波形数据；
处理模块，用于根据预设数据处理方法对所述光电容积脉搏波信号数据和所述正常动脉压力波形数据进行处理，得到训练样本；
训练模块，用于基于卷积神经网络，利用所述训练样本训练得到连续血压的测量模型。
8.一种连续血压的测量装置，其特征在于，包括：
获取模块，用于获取光电容积脉搏波信号数据；所述光电容积脉搏波信号数据通过连续血压采集装置获取；
测量模块，用于将所述光电容积脉搏波信号数据输入到连续血压的测量模型中，得到连续血压值。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211686554.2A CN116028809A (zh) | 2022-12-27 | 2022-12-27 | 一种连续血压的测量模型训练、测量方法及装置 |
| PCT/CN2023/141139 WO2024140490A1 (zh) | 2022-12-27 | 2023-12-22 | 光信号处理方法和系统、连续血压测量方法、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211686554.2A CN116028809A (zh) | 2022-12-27 | 2022-12-27 | 一种连续血压的测量模型训练、测量方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116028809A true CN116028809A (zh) | 2023-04-28 |
Family
ID=86069995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211686554.2A Pending CN116028809A (zh) | 2022-12-27 | 2022-12-27 | 一种连续血压的测量模型训练、测量方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116028809A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024140490A1 (zh) * | 2022-12-27 | 2024-07-04 | 北京津发科技股份有限公司 | 光信号处理方法和系统、连续血压测量方法、电子设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107669256A (zh) * | 2017-11-13 | 2018-02-09 | 深圳先进技术研究院 | 连续血压的测量方法、装置和系统 |
| CN109745026A (zh) * | 2017-11-07 | 2019-05-14 | 深圳欧德蒙科技有限公司 | 一种心率测量方法和系统 |
| CN111493850A (zh) * | 2020-04-13 | 2020-08-07 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的血压测量方法及装置 |
| CN113116321A (zh) * | 2021-03-03 | 2021-07-16 | 吉林大学珠海学院 | 基于pso-grnn神经网络的无创连续血压测量系统 |
| CN113647905A (zh) * | 2021-07-13 | 2021-11-16 | 广东省科学院健康医学研究所 | 深度神经网络预测血压的训练方法、计算机装置和存储介质 |
| CN114564629A (zh) * | 2022-04-22 | 2022-05-31 | 国家海洋技术中心 | 异常数据处理方法、装置、计算机设备和存储介质 |
| 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 |
| CN115299898A (zh) * | 2022-07-29 | 2022-11-08 | 广东省科学院生物与医学工程研究所 | 无创动脉血压波形监测方法、装置及系统 |
-
2022
- 2022-12-27 CN CN202211686554.2A patent/CN116028809A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109745026A (zh) * | 2017-11-07 | 2019-05-14 | 深圳欧德蒙科技有限公司 | 一种心率测量方法和系统 |
| CN107669256A (zh) * | 2017-11-13 | 2018-02-09 | 深圳先进技术研究院 | 连续血压的测量方法、装置和系统 |
| CN111493850A (zh) * | 2020-04-13 | 2020-08-07 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的血压测量方法及装置 |
| CN113116321A (zh) * | 2021-03-03 | 2021-07-16 | 吉林大学珠海学院 | 基于pso-grnn神经网络的无创连续血压测量系统 |
| CN113647905A (zh) * | 2021-07-13 | 2021-11-16 | 广东省科学院健康医学研究所 | 深度神经网络预测血压的训练方法、计算机装置和存储介质 |
| CN114564629A (zh) * | 2022-04-22 | 2022-05-31 | 国家海洋技术中心 | 异常数据处理方法、装置、计算机设备和存储介质 |
| 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 |
| CN115299898A (zh) * | 2022-07-29 | 2022-11-08 | 广东省科学院生物与医学工程研究所 | 无创动脉血压波形监测方法、装置及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024140490A1 (zh) * | 2022-12-27 | 2024-07-04 | 北京津发科技股份有限公司 | 光信号处理方法和系统、连续血压测量方法、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11172891B2 (en) | Method and apparatus for deriving mean arterial pressure of a subject | |
| US8507281B2 (en) | Method of removing abnormal data and blood component spectroscopy analysis system employing the same | |
| US11701026B2 (en) | Respiratory state estimating device, portable device, wearable device, medium, respiratory state estimating method and respiratory state estimator | |
| US10478129B2 (en) | Methods for improving response time, robustness and user comfort in continuous estimation of biophysiological rates | |
| US20100274102A1 (en) | Processing Physiological Sensor Data Using a Physiological Model Combined with a Probabilistic Processor | |
| US20120029320A1 (en) | Systems and methods for processing multiple physiological signals | |
| US10750982B2 (en) | Oxygen saturation measuring apparatus and oxygen saturation measuring method thereof | |
| Yang et al. | Estimation and validation of arterial blood pressure using photoplethysmogram morphology features in conjunction with pulse arrival time in large open databases | |
| WO2018005729A1 (en) | On-demand heart rate estimation based on optical measurements | |
| US20120310051A1 (en) | Systems And Methods For Signal Rephasing Using The Wavelet Transform | |
| KR20190011026A (ko) | 혈압 측정 장치 및 방법 | |
| Sadhukhan et al. | Adaptive Band Limit Estimation based PPG data compression for portable home monitors | |
| Bent et al. | Optimizing sampling rate of wrist-worn optical sensors for physiologic monitoring | |
| CN116028809A (zh) | 一种连续血压的测量模型训练、测量方法及装置 | |
| CN112006673A (zh) | 人体心率检测方法、系统、存储介质、计算机设备及终端 | |
| TWI504378B (zh) | 脈搏波信號的去噪處理方法和裝置及脈搏式血氧儀 | |
| JP2023116614A (ja) | 心血管パラメータを決定するための方法及びシステム | |
| Pankaj et al. | Blood pressure estimation and classification using a reference signal-less photoplethysmography signal: a deep learning framework | |
| US7169111B2 (en) | Multi-channel blind system identification for cardiovascular monitoring | |
| Suleman et al. | Respiratory Events Estimation From PPG Signals Using a Simple Peak Detection Algorithm | |
| JP2023510943A (ja) | 光データによる脈遷移時間測定のためのシステムおよび方法 | |
| TWI823500B (zh) | 心率監測方法 | |
| US20230148880A1 (en) | Method and system for determining cardiovascular parameters | |
| CN113842128B (zh) | 一种基于多重滤波与混合放大的非接触心率检测装置 | |
| WO2024140490A1 (zh) | 光信号处理方法和系统、连续血压测量方法、电子设备及介质 |
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 |