CN116172531A - 一种基于小波散射变换的血压变化趋势估计方法 - Google Patents
一种基于小波散射变换的血压变化趋势估计方法 Download PDFInfo
- Publication number
- CN116172531A CN116172531A CN202310451221.XA CN202310451221A CN116172531A CN 116172531 A CN116172531 A CN 116172531A CN 202310451221 A CN202310451221 A CN 202310451221A CN 116172531 A CN116172531 A CN 116172531A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- signal
- blood pressure
- ppg
- ppg signal
- 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.)
- Granted
Links
- 239000006185 dispersion Substances 0.000 title claims abstract description 62
- 230000036772 blood pressure Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000008859 change Effects 0.000 title claims abstract description 23
- 230000009466 transformation Effects 0.000 title claims abstract description 22
- 230000035488 systolic blood pressure Effects 0.000 claims abstract description 53
- 230000035487 diastolic blood pressure Effects 0.000 claims abstract description 51
- 230000001364 causal effect Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000004872 arterial blood pressure Effects 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 36
- 238000000354 decomposition reaction Methods 0.000 claims description 32
- 238000010606 normalization Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 238000009530 blood pressure measurement Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000003205 diastolic effect Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 210000000707 wrist Anatomy 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000630 rising effect Effects 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于小波散射变换的血压变化趋势估计方法,该方法包括采集受试者的动脉血压信号和PPG信号并进行预处理;将预处理后的PPG信号和动脉血压信号分段,提取收缩压和舒张压数值,保留信号质量好的PPG信号段并进行小波散射,获得小波散射系数;获取小波散射系数差值、收缩压和舒张压变化量,并建立训练集和测试集;构建非因果时间卷积网络;对非因果时间卷积网络进行训练;对训练好的非因果时间卷积网络进行验证。本发明解决了现有基于脉搏波的深度学习血压估计技术需要大量数据来训练模型、泛化能力有限,应用到不同环境和不同人群中时需要针对新用户额外采集数据进行模型微调和校准的问题。
Description
技术领域
本发明涉及血压测量技术领域,特别是涉及一种基于小波散射变换的血压变化趋势估计方法。
背景技术
随着高血压等慢性疾病的发病率不断攀升,对无创、便携式、连续性的血压监测技术的需求越来越迫切。现有技术中血压测量方法有袖带式和无袖带式,有袖带式需要使用附件来压迫动脉,而无袖带式连续血压估计技术可以通过使用光电式脉搏波测量仪器采集手指末梢的光电容积脉搏波信号(PPG),从而在不侵入身体的情况下对血压进行连续监测,因此具有很高的应用前景。
现有技术中无袖带连续血压估计技术主要通过对信号频域和时域的分析来估计血压,如自回归模型、小波变换、独立成分分析、支持向量回归等,但这些方法在实际应用中存在着精度较低、无法处理长期变化的动态生理信号等问题。因此,基于深度学习和PPG信号的无袖带连续血压估计技术具有很大的应用前景,可以通过大量的数据来进行训练从而具有较高的预测准确度。
但是现有技术提出的深度学习方法需要大量的标注数据来训练模型,而在医疗领域,数据的获取难度和成本都比较高,同时由于不同人的身体、状态等存在差异,获取的数据集存在着不平衡的情况,导致深度学习模型的表现下降。另外,现有基于深度学习的无袖带连续血压估计算法泛化能力有限,由于不同的数据来源和环境会对PPG信号产生影响,以及血压信号的动态变化特性,无袖带连续血压估计技术还需要在不同情况下进行适应性调整和校准,深度学习模型在训练数据集上表现很好,但往往难以推广到未知数据,导致其应用到不同环境和不同人群中时往往需要针对新用户额外采集数据进行模型微调和校准,限制了模型在血压检测领域中的应用。
发明内容
发明目的:本发明的目的是提供一种适用于小样本数据训练,高精度地跟踪不同场景下不同人群血压变化趋势的基于小波散射变换的血压变化趋势估计方法。
技术方案:为实现上述目的,本发明所述的基于小波散射变换的血压变化趋势估计方法,包括以下步骤:
步骤S1:采集受试者的PPG信号和动脉血压信号;
步骤S2:对PPG信号进行去除基线漂移预处理;
步骤S3:将预处理后的PPG信号和动脉血压信号根据心跳周期数进行分段,提取每个动脉血压信号段的收缩压和舒张压数值,对每个PPG信号段进行平线检测,保留信号质量好的PPG信号段;
步骤S4:构建小波散射网络,将信号质量好的PPG信号段进行小波散射,获得小波散射系数;
步骤S5:根据小波散射系数和对应时刻的收缩压、舒张压值获取小波散射系数差值、收缩压变化量和舒张压变化量,并建立训练集和测试集;
步骤 S6:构建非因果时间卷积网络;
步骤 S7:将训练集中小波散射系数差值作为输入特征,收缩压和舒张压变化量作为标签,对非因果时间卷积网络进行训练;
步骤S8:使用训练好的非因果时间卷积网络对测试集中小波散射系数差进行预测,得到对应的收缩压和舒张压变化量。
其中,所述步骤S1中采集受试者的PPG信号和动脉血压信号,具体为:选择若干名不同年龄、性别和血压水平的受试者,对每一位受试者使用可穿戴式PPG信号采集设备和袖带式连续血压测量设备同步采集PPG和动脉血压信号,将PPG和动脉血压信号重采样至相同的采样率。
其中,所述步骤S2中对PPG信号进行去除基线漂移预处理,包括以下子步骤:
步骤S2-1:采集受试者手腕部的PPG信号作为原始数据,经Min-Max归一化操作,将PPG信号幅值映射到[0,1]区间内;
步骤S2-2:采用4阶巴特沃斯低通滤波器,对PPG信号进行低通滤波,去除高频噪声和工频干扰;
步骤S2-3:对低通滤波后的PPG信号进行VMD分解,利用网格搜索算法确定VMD惩罚因子、分解模态数和收敛容差参数最优取值,对PPG信号分解后将中心频率最低的模态分量系数置为0,对PPG信息进行重构,去除基线漂移。
其中,所述步骤S2-3中利用网格搜索算法确定参数最优值,包括以下子步骤:
步骤S2-3-1:定义超参数的搜索范围,将VMD算法的分解模态数L取值范围设置为[ 4,5,6,7,8,9,10,11,12],将VMD算法的惩罚因子取值范围设置为[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0],将收敛容差/>取值范围设为[1×10-7,1×10-6,1×10-5,1×10-4];
步骤S2-3-2:构建超参数网格,将所有超参数取值组合构成一个超参数网格,即每个网格点都表示一组超参数取值;
步骤S2-3-3:对每组超参数的取值,利用该组参数下的VMD分解算法处理PPG信号,计算中心频率最低的模态分量的平均瞬时频率作为评价指标Score_VMD;
步骤S2-3-4:选择对应Score_VMD数值最小的一组超参数取值作为最终的惩罚因子、分解模态数和收敛容差。
其中,所述步骤S3中对每个动脉血压信号段提取收缩压和舒张压的数值,是指对每个动脉血压信号段使用波峰检测算法提取收缩压和舒张压的数值,对每个PPG信号段进行平线检测,保留信号质量好的信号段,是指对每个PPG信号段进行平线检测,设置阈值flat_ratio,若每个PPG信号段的平线部分长度与所在信号段总长度的比值大于阈值flat_ratio,则将该分段的信号质量归类为差,丢弃该信号段,否则将该分段的信号质量归类为好,保留该信号段,包括以下子步骤:
步骤S3-1:使用峰谷检测器检测PPG信号中收缩期的波峰位置和舒张期的波谷位置,分别保存为数组Peaks[1×n]和Valleys[1×n],其中n表示PPG信号包含的心跳周期总数,Peaks[i]表示第i个心跳周期的收缩期波峰位置索引,Valleys[i]表示第i个心跳周期的收缩期波谷位置索引;
步骤S3-2:以波谷位置为边界,将PPG信号切分为若干个分段,每个信号分段包含相邻的Ncycle个完整的信号周期;
步骤S3-3:设置固定长度L_standard,对信号分段长度进行调整,若信号段长度小于L_standard,则在该信号段两端用零值补充,若信号段长度大于L_standard,则在该信号段两端进行裁剪,其中在信号分段两端补零或裁剪的采样点数一致,以使PPG信号有效波形保持在信号段的中间位置;
步骤S3-4:对所有PPG信号分段计算一阶差分,遍历得到的一阶差分序列,统计所有连续两个以上的0值片段的长度之和作为平线长度,设置阈值flat_ratio,若每个信号段的平线部分长度与所在信号段总长度的比值大于阈值flat_ratio,则将该分段的信号质量归类为差,丢弃该信号段,否则将该分段的信号质量归类为好,保留该信号段。
其中,所述步骤S4中构建小波散射网络,将信号质量好的PPG信号段进行小波散射,获得小波散射系数,是指将信号质量好的PPG信号段进行小波散射获得零阶、一阶和二阶小波散射系数,组合成尺寸为P*N*M的三维数组WST,其中P为受试者个数,N为信号质量好的PPG信号段的总数,M为零阶、一阶和二阶小波散射系数维度之和,包括以下子步骤:
步骤S4-5:将第一阶小波分解的局部幅度的绝对值通过低通滤波器进行平滑得到第二阶小波分解的局部幅度/>,非线性相位/>通过低通滤波器/>进行平滑得到平均相位/>,将所有的第二阶小波分解的局部幅度、非线性相位和平均相位组合成一组三元特征,即二阶小波散射系数:
其中,所述步骤S5中根据小波散射系数和对应时刻的收缩压、舒张压值获取小波散射系数差值、收缩压变化量和舒张压变化量序列,并建立训练集和测试集,包括以下子步骤:
步骤S5-1:将小波散射系数和对应时刻的收缩压、舒张压按受试者编号进行划分,并建立数据集,将数据集根据采样时间进行排序;
步骤S5-2:对每个受试者的数据集进行处理,以该受试者PPG信号采集初始时刻的小波散射系数为基准,将同一集合内所有时刻的小波散射系数均减去这个基准,得到小波散射系数差值:二维数组WST_res[N,M],其中N为信号质量好的PPG信号段的个数,M为小波散射系数的维度之和;
步骤S5-3:取每个受试者数据集中与第一个PPG信号段时间上对应的收缩压作为基准,将同一集合内所有时刻的收缩压均减去这个基准,得到收缩压随时间的变化量;取与第一个PPG信号段时间上相对应的舒张压作为基准,将同一集合内所有时刻的舒张压均减去这个基准,得到舒张压随时间的变化量;
步骤S5-4:任取一位受试者的小波散射系数差值、收缩压随时间变化量和舒张压随时间变化量作为测试数据集,将其他受试者的小波散射系数差值、收缩压随时间变化量和舒张压随时间变化量合并成序列作为训练数据集。
其中,所述步骤S6中构建非因果时间卷积网络,包括以下子步骤:
步骤S6-1:定义非因果时间卷积网络的超参数,包括卷积核数量、卷积核大小、空间丢失因子和残差块数量;
步骤S6-2:建立输入层,构建一个序列输入层,将输入层维度设置为训练集中小波散射系数差的每个样本的长度,选择零-均值归一化方法;
步骤S6-3:建立残差块,构建三个级联非因果时间卷积网络残差块,每个残差块包含以下层:一维卷积层、层归一化层、ReLU层、空间丢弃层;
其中,一维卷积层使用指定大小为指定大小为filter_size、数量为filter_num的卷积核,以2r为膨胀因子在时间维度上卷积输入数据,其中r为残差块的序号;
层归一化层对卷积层的输出进行归一化处理;
ReLU层通过线性函数的修剪,使得负数的输出都变为0;
空间丢弃层按照一定的丢失因子,随机地在通道上对数据进行空间丢失;
步骤S6-4:建立残差连接,在第一个残差块中,将输入层的数据作为本残差块的输入,在后面的每一个残差块中,将前一个残差块的输入与前一个残差块空间丢弃层的输出相加,作为本残差块的输入;
步骤S6-6:建立隐藏节点数分别为Num_hidden1、Num_hidden2、 Num_hidden3的三个全连接层和一个回归层,用于血压变化量预测。
其中,所述步骤S7中将小波散射系数差值作为输入特征,收缩压和舒张压变化量作为标签,对非因果时间卷积网络进行训练,包括以下子步骤:
步骤S7-1:将训练集中的小波散射系数差执行Min-Max归一化操作,得到的数据作为非因果时间卷积网络的输入,将对应的收缩压和舒张压作为非因果时间卷积网络的输出;
步骤S7-2:定义损失函数为均方误差MSE,选择Adam作为优化器,采用学习率衰减方法,使用训练集对非因果时间卷积网络进行训练,通过反向传播算法来更新模型参数以最小化损失函数;
步骤S7-3:将非因果时间卷积网络中的残差块个数、每一个卷积层的卷积核个数、卷积核大小、空间丢弃层的丢弃比率作为待搜索的超参数,使用网格搜索和交叉验证寻找最优化的超参数组合;
步骤 S7-4:当模型在训练集上的损失不再显著下降时结束训练。
有益效果:本发明具有如下优点:1、本发明提出的基于小波散射变换的血压变化趋势估计方法,能够根据任意时刻人体PPG信号的小波散射系数与初始时刻的差值来推算出该时刻血压相比于初始时刻的变化量,仅需要少量的PPG和数据对模型进行训练,即可精准地跟踪不同场景下不同人群的血压变化趋势;
2、本发明通过小波散射变换分解输入信号的不同尺度和频率分量,对信号进行了多层次的非线性变换,并且保留了信号的时序信息,得到的小波散射系数具有形变稳定性和局部平移不变性,对可穿戴设备采集PPG信号时经常出现的噪声和运动伪影有很强的抗干扰能力,在不同人群、不同环境中均具有较好鲁棒性;
3、本发明通过小波散射非因果时间卷积网络来估计收缩压和舒张压的变化量,其结果仅与同一个使用者不同时刻的PPG信号相对变化有关,不受使用者个体差异性的影响,无需预先根据使用者的年龄、性别、体重等参数进行预训练,也无需在使用前通过其他方式采集的血压数据进行校准,实用性强。
附图说明
图1是本发明的估计方法流程图;
图2是本发明对PPG信号分段方法示意图;
图3是本发明信号质量差的PPG信号信号段示意图;
图4是本发明构建的非因果时间卷积网络结构示意图;
图5是本发明将小波散射系数差作为特征和将预处理及分段后的PPG信号段作为特征进行血压变化趋势估计的效果对比图;
图6是本发明对受试者收缩压变化趋势估计结果的回归分析图。
实施方式
下面结合实施例和附图对本发明的技术方案作详细说明。
如图1所示,本发明所述基于小波散射变换的血压变化趋势估计方法,包括以下步骤:
步骤S1:采集受试者的PPG信号和动脉血压信号,具体为:选择若干名不同年龄、性别和血压水平的受试者,对每一位受试者使用可穿戴式PPG信号采集设备和袖带式连续血压测量设备同步采集PPG和动脉血压信号,将PPG和动脉血压信号重采样至相同的采样率。
步骤S2:对PPG信号进行去除基线漂移预处理,包括以下子步骤:
步骤S2-1:采集受试者手腕部的PPG信号作为原始数据,经Min-Max归一化操作,将PPG信号幅值映射到[0,1]区间内;
步骤S2-2:采用4阶巴特沃斯低通滤波器,对PPG信号进行低通滤波,去除高频噪声和工频干扰;
步骤S2-3:对低通滤波后的PPG信号进行VMD分解,利用网格搜索算法确定VMD惩罚因子、分解模态数和收敛容差参数最优取值,对PPG信号分解后将中心频率最低的模态分量系数置为0,对PPG信息进行重构,去除基线漂移。
其中,所述步骤S2-3中利用网格搜索算法确定参数最优值,包括以下子步骤:
步骤S2-3-1:定义超参数的搜索范围,将VMD算法的分解模态数L取值范围设置为[ 4,5,6,7,8,9,10,11,12],将VMD算法的惩罚因子取值范围设置为[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0],将收敛容差/>取值范围设为[1×10-7,1×10-6,1×10-5,1×10-4];
步骤S2-3-2:构建超参数网格,将所有超参数取值组合构成一个超参数网格,即每个网格点都表示一组超参数取值;
步骤S2-3-3:对每组超参数的取值,利用该组参数下的VMD分解算法处理PPG信号,计算中心频率最低的模态分量的平均瞬时频率作为评价指标Score_VMD;
步骤S2-3-4:选择对应Score_VMD数值最小的一组超参数取值作为最终的惩罚因子、分解模态数和收敛容差。
步骤S3:如图2所示,将预处理后的PPG信号和动脉血压信号根据心跳周期数进行分段,提取每个动脉血压信号段的收缩压和舒张压数值,对每个PPG信号段进行平线检测,保留信号质量好的PPG信号段,是指对每个动脉血压信号段使用波峰检测算法提取收缩压和舒张压的数值,对每个PPG信号段进行平线检测,保留信号质量好的信号段,是指对每个PPG信号段进行平线检测,设置阈值flat_ratio,若每个PPG信号段的平线部分长度与所在信号段总长度的比值大于阈值flat_ratio,如图3所示,则将该分段的信号质量归类为差,丢弃该信号段,否则将该分段的信号质量归类为好,保留该信号段,包括以下子步骤:
步骤S3-1:使用峰谷检测器检测PPG信号中收缩期的波峰位置和舒张期的波谷位置,分别保存为数组Peaks[1×n]和Valleys[1×n],其中n表示PPG信号包含的心跳周期总数,Peaks[i]表示第i个心跳周期的收缩期波峰位置索引,Valleys[i]表示第i个心跳周期的收缩期波谷位置索引;
步骤S3-2:以波谷位置为边界,将PPG信号切分为若干个分段,每个信号分段包含相邻的Ncycle个完整的信号周期,本实施例中Ncycle为5,是设定信号切分标准的超参数;
步骤S3-3:设置固定长度L_standard,对信号分段长度进行调整,若信号段长度小于L_standard,则在该信号段两端用零值补充,若信号段长度大于L_standard,则在该信号段两端进行裁剪,其中在信号分段两端补零或裁剪的采样点数一致,以使PPG信号有效波形保持在信号段的中间位置;
步骤S3-4:对所有PPG信号分段计算一阶差分,遍历得到的一阶差分序列,统计所有连续两个以上的0值片段的长度之和作为平线长度,设置阈值flat_ratio,若每个信号段的平线部分长度与所在信号段总长度的比值大于阈值flat_ratio,则将该分段的信号质量归类为差,丢弃该信号段,否则将该分段的信号质量归类为好,保留该信号段。
步骤S4:构建小波散射网络,将信号质量好的PPG信号段进行小波散射,获得小波散射系数,是指将信号质量好的PPG信号段进行小波散射获得零阶、一阶和二阶小波散射系数,组合成尺寸为P*N*M的三维数组WST,其中P为受试者个数,N为信号质量好的PPG信号段的总数,M为零阶、一阶和二阶小波散射系数维度之和,包括以下子步骤:
步骤S4-5:将第一阶小波分解的局部幅度的绝对值通过低通滤波器进行平滑得到第二阶小波分解的局部幅度/>,非线性相位/>通过低通滤波器/>进行平滑得到平均相位/>,将所有的第二阶小波分解的局部幅度、非线性相位和平均相位组合成一组三元特征,即二阶小波散射系数:
步骤S5:根据小波散射系数和对应时刻的收缩压、舒张压值获取小波散射系数差值、收缩压变化量和舒张压变化量,并建立训练集和测试集,包括以下子步骤:
步骤S5-1:将小波散射系数和对应时刻的收缩压、舒张压按受试者编号进行划分,并建立数据集,将数据集根据采样时间进行排序;
步骤S5-2:对每个受试者的数据集进行处理,以该受试者PPG信号采集初始时刻的小波散射系数为基准,将同一集合内所有时刻的小波散射系数均减去这个基准,得到小波散射系数差值:二维数组WST_res[N,M],其中N为信号质量好的PPG信号段的个数,M为小波散射系数的维度之和;
步骤S5-3:取每个受试者数据集中与第一个PPG信号段时间上对应的收缩压作为基准,将同一集合内所有时刻的收缩压均减去这个基准,得到收缩压随时间的变化量;取与第一个PPG信号段时间上相对应的舒张压作为基准,将同一集合内所有时刻的舒张压均减去这个基准,得到舒张压随时间的变化量;
步骤S5-4:任取一位受试者的小波散射系数差值、收缩压随时间变化量和舒张压随时间变化量作为测试数据集,将其他受试者的小波散射系数差值、收缩压随时间变化量和舒张压随时间变化量合并成序列作为训练数据集。
步骤 S6:构建非因果时间卷积网络,其结构如图4所示,包括以下子步骤:
步骤S6-1:定义非因果时间卷积网络的超参数,包括卷积核数量、卷积核大小、空间丢失因子和残差块数量;
步骤S6-2:建立输入层,构建一个序列输入层,将输入层维度设置为训练集中小波散射系数差的每个样本的长度,选择零-均值归一化方法;
步骤S6-3:建立残差块,构建三个级联非因果时间卷积网络残差块,每个残差块包含以下层:一维卷积层、层归一化层、ReLU层、空间丢弃层;
其中,一维卷积层使用指定大小filter_size=10、数量filter_num=128的卷积核,以2r为膨胀因子在时间维度上卷积输入数据,其中r为残差块的序号;通过设置填充方式为same padding,卷积层采用非因果卷积,实现捕捉到未来信息;
层归一化层对卷积层的输出进行归一化处理;
ReLU层通过线性函数的修剪,使得负数的输出都变为0;
空间丢弃层按照一定的丢失因子,随机地在通道上对数据进行空间丢失;
步骤S6-4:建立残差连接,在第一个残差块中,将输入层的数据作为本残差块的输入,在后面的每一个残差块中,将前一个残差块的输入与前一个残差块空间丢弃层的输出相加,作为本残差块的输入;
步骤S6-6:建立隐藏节点数分别为Num_hidden1=128、Num_hidden2=64、 Num_hidden3=1的三个全连接层和一个回归层,用于血压变化量预测。
步骤 S7:将训练集中小波散射系数差值作为输入特征,收缩压和舒张压变化量作为标签,对非因果时间卷积网络进行训练,包括以下子步骤:
步骤S7-1:将训练集中的小波散射系数差执行Min-Max归一化操作,得到的数据作为非因果时间卷积网络的输入,将对应的收缩压和舒张压作为非因果时间卷积网络的输出;
步骤S7-2:定义损失函数为均方误差MSE,选择Adam作为优化器,采用学习率衰减方法,使用训练集对非因果时间卷积网络进行训练,通过反向传播算法来更新模型参数以最小化损失函数;
步骤S7-3:将非因果时间卷积网络中的残差块个数、每一个卷积层的卷积核个数、卷积核大小、空间丢弃层的丢弃比率作为待搜索的超参数,使用网格搜索和交叉验证寻找最优化的超参数组合;
步骤 S7-4:当模型在训练集上的损失不再显著下降时结束训练。
步骤S8:使用训练好的非因果时间卷积网络对测试集中小波散射系数差进行预测,得到对应的收缩压和舒张压变化量。
如图5所示,为将小波散射系数差作为特征和将预处理及分段后的PPG信号段作为特征进行血压变化趋势估计的效果对比图;
在本发明实施例中,测量7位受试者的参考血压和指尖PPG信号,每个受试者平均接受 4±1 小时的连续血压监测和PPG测量,取编号为5的受试者的数据集作为测试集,其他6位受试者的数据集作为训练集,以PPG小波散射系数差作为输入特征,以收缩压变化量作为标签,训练非因果时间卷积模型model_1。
作为对比,将PPG信号幅值作为输入特征,训练一个新的非因果时间卷积模型model_2,在5号受试者的数据集上分别测试这两个模型时,model_1模型预测的血压变化趋势如图5中圆圈标记所示,估计值与真实值的平均误差为-2.3472mmhg,标准偏差为10.3376,决定系数R2为0.7358;对比模型model_2预测的血压变化趋势如图5中虚线所示,估计值与真实值的平均误差为9.6750mmhg,标准偏差为13.3519,决定系数R2为0.3944。从图5中可以看出以小波散射系数差作为非因果时间卷积网络的输入特征时,血压变化量估计值和真实的血压变化量重合度更高,误差更小,能够更准确地估计出血压连续变化趋势。
如图6所示,小波散射非因果时间卷积网络在5号受试者的数据集上进行测试的回归分析散点图,横轴为真实的血压变化量,纵轴为小波散射非因果时间卷积网络估计的血压变化量,从图中可知散点集中分布在一条直线附近,表示估计值和真实值的相关性较高,即模型估计值能够真实反映受试者血压的连续变化趋势。
本发明针对深度学习无袖带血压估计技术存在需要大量的标注数据来训练模型、应用在不同环境和不同人群中时需要针对新用户额外采集数据进行模型微调和校准,限制了模型在血压检测领域中应用的问题,提出了基于小波散射变换的血压变化趋势估计方法。本发明能够根据任意时刻人体PPG信号的小波散射系数与初始时刻的差值来推算出该时刻血压相比于初始时刻的变化量,仅需要少量的PPG和数据对模型进行训练,不需要获取使用者额外的体征参数,即可精准地跟踪不同场景下不同人群的血压变化趋势。
本发明通过小波散射变换分解输入信号的不同尺度和频率分量,对信号进行了多层次的非线性变换,并且保留了信号的时序信息,得到的小波散射系数具有形变稳定性和局部平移不变性,对可穿戴设备采集的PPG信号经常出现的噪声和运动伪影有很强的抗干扰能力,相比于将原始PPG信号直接输入深度学习模型,本发明所提模型的血压变化趋势估计精度和在不同人群、不同环境中的鲁棒性都有很大提升。
本发明提供的小波散射非因果时间卷积网络来估计收缩压和舒张压的变化量,其结果仅与同一个使用者不同时刻的PPG信号相对变化有关,不受使用者个体差异性的影响,无需预先根据使用者的年龄、性别、体重等参数进行预训练,也无需在使用前通过其他方式采集的血压数据进行校准,实用性强。
Claims (10)
1.一种基于小波散射变换的血压变化趋势估计方法,其特征在于,包括以下步骤:
步骤S1:采集受试者的PPG信号和动脉血压信号;
步骤S2:对PPG信号进行去除基线漂移预处理;
步骤S3:将预处理后的PPG信号和动脉血压信号根据心跳周期数进行分段,提取每个动脉血压信号段的收缩压和舒张压数值,对每个PPG信号段进行平线检测,保留信号质量好的PPG信号段;
步骤S4:构建小波散射网络,将信号质量好的PPG信号段进行小波散射,获得小波散射系数;
步骤S5:根据小波散射系数和对应时刻的收缩压、舒张压值获取小波散射系数差值、收缩压变化量和舒张压变化量,并建立训练集和测试集;
步骤 S6:构建非因果时间卷积网络;
步骤 S7:将训练集中小波散射系数差值作为输入特征,收缩压和舒张压变化量作为标签,对非因果时间卷积网络进行训练;
步骤S8:使用训练好的非因果时间卷积网络对测试集中小波散射系数差进行预测,得到对应的收缩压和舒张压变化量。
2.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法,其特征在于,所述步骤S1中采集受试者的PPG信号和动脉血压信号,具体为:选择若干名不同年龄、性别和血压水平的受试者,对每一位受试者使用可穿戴式PPG信号采集设备和袖带式连续血压测量设备同步采集PPG和动脉血压信号,将PPG和动脉血压信号重采样至相同的采样率。
3.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法,其特征在于,所述步骤S2中对PPG信号进行去除基线漂移预处理,包括以下子步骤:
步骤S2-1:采集受试者手腕部的PPG信号作为原始数据,经Min-Max归一化操作,将PPG信号幅值映射到[0,1]区间内;
步骤S2-2:采用4阶巴特沃斯低通滤波器,对PPG信号进行低通滤波,去除高频噪声和工频干扰;
步骤S2-3:对低通滤波后的PPG信号进行VMD分解,利用网格搜索算法确定VMD惩罚因子、分解模态数和收敛容差参数最优取值,对PPG信号分解后将中心频率最低的模态分量系数置为0,对PPG信息进行重构,去除基线漂移。
4.根据权利要求2所述的基于小波散射变换的血压变化趋势估计方法,其特征在于,所述步骤S2-3中利用网格搜索算法确定参数最优值,包括以下子步骤:
步骤S2-3-1:定义超参数的搜索范围,将VMD算法的分解模态数L取值范围设置为[ 4,5,6,7,8,9,10,11,12],将VMD算法的惩罚因子取值范围设置为[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0],将收敛容差/>取值范围设为[1×10-7,1×10-6,1×10-5,1×10-4];
步骤S2-3-2:构建超参数网格,将所有超参数取值组合构成一个超参数网格,即每个网格点都表示一组超参数取值;
步骤S2-3-3:对每组超参数的取值,利用该组参数下的VMD分解算法处理PPG信号,计算中心频率最低的模态分量的平均瞬时频率作为评价指标Score_VMD;
步骤S2-3-4:选择对应Score_VMD数值最小的一组超参数取值作为最终的惩罚因子、分解模态数和收敛容差。
5.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法,其特征在于,所述步骤S3中对每个动脉血压信号段提取收缩压和舒张压的数值,是指对每个动脉血压信号段使用波峰检测算法提取收缩压和舒张压的数值。
6.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法,其特征在于,所述步骤S3中对每个PPG信号段进行平线检测,保留信号质量好的信号段,是指对每个PPG信号段进行平线检测,设置阈值flat_ratio,若每个PPG信号段的平线部分长度与所在信号段总长度的比值大于阈值flat_ratio,则将该分段的信号质量归类为差,丢弃该信号段,否则将该分段的信号质量归类为好,保留该信号段,包括以下子步骤:
步骤S3-1:使用峰谷检测器检测PPG信号中收缩期的波峰位置和舒张期的波谷位置,分别保存为数组Peaks[1×n]和Valleys[1×n],其中n表示PPG信号包含的心跳周期总数,Peaks[i]表示第i个心跳周期的收缩期波峰位置索引,Valleys[i]表示第i个心跳周期的收缩期波谷位置索引;
步骤S3-2:以波谷位置为边界,将PPG信号切分为若干个分段,每个信号分段包含相邻的Ncycle个完整的信号周期;
步骤S3-3:设置固定长度L_standard,对信号分段长度进行调整,若信号段长度小于L_standard,则在该信号段两端用零值补充,若信号段长度大于L_standard,则在该信号段两端进行裁剪,其中在信号分段两端补零或裁剪的采样点数一致,以使PPG信号有效波形保持在信号段的中间位置;
步骤S3-4:对所有PPG信号分段计算一阶差分,遍历得到的一阶差分序列,统计所有连续两个以上的0值片段的长度之和作为平线长度,设置阈值flat_ratio,若每个信号段的平线部分长度与所在信号段总长度的比值大于阈值flat_ratio,则将该分段的信号质量归类为差,丢弃该信号段,否则将该分段的信号质量归类为好,保留该信号段。
7.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法,其特征在于,所述步骤S4中构建小波散射网络,将信号质量好的PPG信号段进行小波散射,获得小波散射系数,是指将信号质量好的PPG信号段进行小波散射获得零阶、一阶和二阶小波散射系数,组合成尺寸为P*N*M的三维数组WST,其中P为受试者个数,N为信号质量好的PPG信号段的总数,M为零阶、一阶和二阶小波散射系数维度之和,包括以下子步骤:
步骤S4-5:将第一阶小波分解的局部幅度的绝对值通过低通滤波器进行平滑得到第二阶小波分解的局部幅度/>,非线性相位/>通过低通滤波器/>进行平滑得到平均相位/>,将所有的第二阶小波分解的局部幅度、非线性相位和平均相位组合成一组三元特征,即二阶小波散射系数:
8.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法,其特征在于,所述步骤S5中根据小波散射系数和对应时刻的收缩压、舒张压值获取小波散射系数差值、收缩压变化量和舒张压变化量序列,并建立训练集和测试集,包括以下子步骤:
步骤S5-1:将小波散射系数和对应时刻的收缩压、舒张压按受试者编号进行划分,并建立数据集,将数据集根据采样时间进行排序;
步骤S5-2:对每个受试者的数据集进行处理,以该受试者PPG信号采集初始时刻的小波散射系数为基准,将同一集合内所有时刻的小波散射系数均减去这个基准,得到小波散射系数差值:二维数组WST_res[N,M],其中N为信号质量好的PPG信号段的个数,M为小波散射系数的维度之和;
步骤S5-3:取每个受试者数据集中与第一个PPG信号段时间上对应的收缩压作为基准,将同一集合内所有时刻的收缩压均减去这个基准,得到收缩压随时间的变化量;取与第一个PPG信号段时间上相对应的舒张压作为基准,将同一集合内所有时刻的舒张压均减去这个基准,得到舒张压随时间的变化量;
步骤S5-4:任取一位受试者的小波散射系数差值、收缩压随时间变化量和舒张压随时间变化量作为测试数据集,将其他受试者的小波散射系数差值、收缩压随时间变化量和舒张压随时间变化量合并成序列作为训练数据集。
9.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法,其特征在于,所述步骤S6中构建非因果时间卷积网络,包括以下子步骤:
步骤S6-1:定义非因果时间卷积网络的超参数,包括卷积核数量、卷积核大小、空间丢失因子和残差块数量;
步骤S6-2:建立输入层,构建一个序列输入层,将输入层维度设置为训练集中小波散射系数差的每个样本的长度,选择零-均值归一化方法;
步骤S6-3:建立残差块,构建三个级联非因果时间卷积网络残差块,每个残差块包含以下层:一维卷积层、层归一化层、ReLU层、空间丢弃层;
其中,一维卷积层使用指定大小为指定大小为filter_size、数量为filter_num的卷积核,以2r为膨胀因子在时间维度上卷积输入数据,其中r为残差块的序号;
层归一化层对卷积层的输出进行归一化处理;
ReLU层通过线性函数的修剪,使得负数的输出都变为0;
空间丢弃层按照一定的丢失因子,随机地在通道上对数据进行空间丢失;
步骤S6-4:建立残差连接,在第一个残差块中,将输入层的数据作为本残差块的输入,在后面的每一个残差块中,将前一个残差块的输入与前一个残差块空间丢弃层的输出相加,作为本残差块的输入;
步骤S6-6:建立隐藏节点数分别为Num_hidden1、Num_hidden2、 Num_hidden3的三个全连接层和一个回归层,用于血压变化量预测。
10.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法,其特征在于,所述步骤S7中将小波散射系数差值作为输入特征,收缩压和舒张压变化量作为标签,对非因果时间卷积网络进行训练,包括以下子步骤:
步骤S7-1:将训练集中的小波散射系数差执行Min-Max归一化操作,得到的数据作为非因果时间卷积网络的输入,将对应的收缩压和舒张压作为非因果时间卷积网络的输出;
步骤S7-2:定义损失函数为均方误差MSE,选择Adam作为优化器,采用学习率衰减方法,使用训练集对非因果时间卷积网络进行训练,通过反向传播算法来更新模型参数以最小化损失函数;
步骤S7-3:将非因果时间卷积网络中的残差块个数、每一个卷积层的卷积核个数、卷积核大小、空间丢弃层的丢弃比率作为待搜索的超参数,使用网格搜索和交叉验证寻找最优化的超参数组合;
步骤 S7-4:当模型在训练集上的损失不再显著下降时结束训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451221.XA CN116172531B (zh) | 2023-04-25 | 2023-04-25 | 一种基于小波散射变换的血压变化趋势估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451221.XA CN116172531B (zh) | 2023-04-25 | 2023-04-25 | 一种基于小波散射变换的血压变化趋势估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116172531A true CN116172531A (zh) | 2023-05-30 |
CN116172531B CN116172531B (zh) | 2023-07-21 |
Family
ID=86433016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310451221.XA Active CN116172531B (zh) | 2023-04-25 | 2023-04-25 | 一种基于小波散射变换的血压变化趋势估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116172531B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117814805A (zh) * | 2024-03-05 | 2024-04-05 | 自贡市第一人民医院 | 一种临床护理设备数据智能处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190066713A1 (en) * | 2016-06-14 | 2019-02-28 | The Trustees Of Columbia University In The City Of New York | Systems and methods for speech separation and neural decoding of attentional selection in multi-speaker environments |
CN111956221A (zh) * | 2020-09-07 | 2020-11-20 | 南京医科大学 | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 |
CN112043249A (zh) * | 2020-08-04 | 2020-12-08 | 江苏精策医疗科技有限公司 | 一种心功、心电及血压的动态监测方法和设备 |
CN112263253A (zh) * | 2020-11-18 | 2021-01-26 | 山东大学 | 基于深度学习与心电信号的抑郁症识别系统、介质及设备 |
CN112686287A (zh) * | 2020-12-22 | 2021-04-20 | 无锡江南计算技术研究所 | 一种基于非因果时间卷积神经网络的加密流量分类方法 |
CN113343805A (zh) * | 2021-05-26 | 2021-09-03 | 南京医科大学 | 一种基于rr间期心电数据和集成学习的房颤节律识别方法 |
WO2021248188A1 (en) * | 2020-06-09 | 2021-12-16 | Redarc Technologies Pty Ltd | A method of estimating blood pressure of a subject |
-
2023
- 2023-04-25 CN CN202310451221.XA patent/CN116172531B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190066713A1 (en) * | 2016-06-14 | 2019-02-28 | The Trustees Of Columbia University In The City Of New York | Systems and methods for speech separation and neural decoding of attentional selection in multi-speaker environments |
WO2021248188A1 (en) * | 2020-06-09 | 2021-12-16 | Redarc Technologies Pty Ltd | A method of estimating blood pressure of a subject |
CN112043249A (zh) * | 2020-08-04 | 2020-12-08 | 江苏精策医疗科技有限公司 | 一种心功、心电及血压的动态监测方法和设备 |
CN111956221A (zh) * | 2020-09-07 | 2020-11-20 | 南京医科大学 | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 |
CN112263253A (zh) * | 2020-11-18 | 2021-01-26 | 山东大学 | 基于深度学习与心电信号的抑郁症识别系统、介质及设备 |
CN112686287A (zh) * | 2020-12-22 | 2021-04-20 | 无锡江南计算技术研究所 | 一种基于非因果时间卷积神经网络的加密流量分类方法 |
CN113343805A (zh) * | 2021-05-26 | 2021-09-03 | 南京医科大学 | 一种基于rr间期心电数据和集成学习的房颤节律识别方法 |
Non-Patent Citations (2)
Title |
---|
AGNIESZKA SZCZESNA ET AL: "Novel Photoplethysmographic Signal Analysis Via Wavelet Scattering Transform", 《INTERNATIONAL CONFERENCE ON CONFERENCE SCIENCE》, pages 641 - 653 * |
N. JEAN EFFIL ET AL: "Wavelet scattering transform and long short-term memory network-based noninvasive blood pressure estimation from photoplethysmograph signals", 《SIGNAL, IMAGE AND VIDEO PROCESSING》, pages 1 - 9 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117814805A (zh) * | 2024-03-05 | 2024-04-05 | 自贡市第一人民医院 | 一种临床护理设备数据智能处理方法 |
CN117814805B (zh) * | 2024-03-05 | 2024-06-11 | 自贡市第一人民医院 | 一种临床护理设备数据智能处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116172531B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113349752B (zh) | 一种基于传感融合的可穿戴设备实时心率监测方法 | |
CN109907752A (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统 | |
CN116172531B (zh) | 一种基于小波散射变换的血压变化趋势估计方法 | |
CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
CN114569096B (zh) | 一种基于视频流的非接触式连续血压测量方法及系统 | |
Gupta et al. | Higher order derivative-based integrated model for cuff-less blood pressure estimation and stratification using PPG signals | |
Al-Assaf | Surface myoelectric signal analysis: dynamic approaches for change detection and classification | |
CN112307959A (zh) | 一种用于心电信号分析的小波去噪方法 | |
CN113116321A (zh) | 基于pso-grnn神经网络的无创连续血压测量系统 | |
CN114469124A (zh) | 一种运动过程中异常心电信号的识别方法 | |
CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
CN110840428B (zh) | 基于一维U-Net网络的无创血压估计方法 | |
CN112998690A (zh) | 一种基于脉搏波多特征融合的呼吸率提取方法 | |
CN114052693B (zh) | 心率分析方法、装置及设备 | |
CN115089139A (zh) | 结合生物特征识别的个性化生理参数测量方法 | |
CN115804575A (zh) | 一种基于脉搏信号的个性化生理状态聚类判别系统 | |
Yen et al. | Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN. | |
Chen et al. | A quantitative and qualitative description of electromyographic linear envelopes for synergy analysis | |
CN117093857A (zh) | 一种智能戒指测试数据快速处理方法 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
CN113413135B (zh) | 一种基于脉搏采集分析的方法、系统、装置及存储介质 | |
CN116421194A (zh) | 一种心电图信号自适应阈值小波滤波方法和装置 | |
CN113925495B (zh) | 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 | |
de Oliveira et al. | A QRS detection based on hilbert transform and wavelet bases | |
CN112826459B (zh) | 一种基于卷积自编码器的脉搏波波形重建的方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |