CN116982952A - 一种基于分数阶导数的无创血压测量方法及系统 - Google Patents
一种基于分数阶导数的无创血压测量方法及系统 Download PDFInfo
- Publication number
- CN116982952A CN116982952A CN202310968191.XA CN202310968191A CN116982952A CN 116982952 A CN116982952 A CN 116982952A CN 202310968191 A CN202310968191 A CN 202310968191A CN 116982952 A CN116982952 A CN 116982952A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- pressure measurement
- ppg signal
- fractional
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000009530 blood pressure measurement Methods 0.000 title claims abstract description 39
- 230000036772 blood pressure Effects 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000003205 diastolic effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010183 spectrum analysis Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000010247 heart contraction Effects 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000011282 treatment Methods 0.000 claims description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 abstract description 3
- 229910052753 mercury Inorganic materials 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000013186 photoplethysmography Methods 0.000 description 45
- 238000005259 measurement Methods 0.000 description 9
- 206010020772 Hypertension Diseases 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 235000020980 bad eating habits Nutrition 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于分数阶导数的无创血压测量方法及系统，首先使用PPG传感器采集人体的光电容积脉搏波信号(PPG信号)，然后用水银血压计测量当前的血压值；对采集到的PPG信号进行预处理；计算PPG信号的分数阶导数并提取特征，并将该特征与传统定义的21个特征相结合形成特征矩阵；建立模型对血压进行回归预测，并评估预测结果的准确度。本发明提供了一种新的方法去提取PPG信号中血压的特征，提高了原本预测的准确率。
Description
技术领域
本发明涉及血压预测技术领域，具体而言，涉及一种基于分数阶导数的无创血压测量方法及系统。
背景技术
近年来随着社会的蓬勃发展，越来越多的年轻人为了追赶时代的步伐，每天都背负着巨大的工作任务，导致可自由支配的时间少之又少，平时也缺乏锻炼。而工作时间又形成不良的饮食习惯和生活作息，身体状况也日益低下。根据国家心血管病中心发布的《中国心血管健康与疾病报告2021》显示，我国心血管患病率处于持续上升阶段，推算心血管现患病人数为3.3亿，其中高血压患者高达2.45亿人。显而易见，高血压是最常见的心血管慢性病，而且患了高血压以后，很容易会引起其它心血管疾病的并发症，对患者自身有着重大威胁。
依靠现有的医学技术水平，我们还未能找到方法去完全治愈高血压。但并不意味着患病以后就任其发展，现阶段主要是通过药物和一些医疗设备来预防和控制高血压，通过检测患者的血压情况来制定一系列的治疗和饮食，将血压控制在一定范围以内。而高血压患者则需要实时监测血压，及时发现血压异常并对血压状况进行干预。目前测量血压的方法分为侵入式测量和非侵入式测量，侵入式测量虽然可以快速并精准地测量出人体当时的血压值，但缺点也极其明显——容易造成细菌感染且对人体有一定危害，并不能长期使用测量。而非侵入式测量一般是基于袖带式的水银血压计、电子血压计等，此等血压测量设备也可以测量到较为准确的血压值，并且还不对人体造成伤害，所以目前主要使用非侵入式测量血压。但是这种测量方法需要每隔一段时间去测量一次，没有办法做到连续监测，因此，急需一种新的无创血压测量方法，以克服现有技术中存在的问题。
发明内容
为了解决上述问题，本发明的目的是提供一种基于分数阶导数的无创血压测量方法及系统，利用分数阶导数的全局相关性，来处理光电容积脉搏波信号，获取血液在被检测地方的容积变化，进而实现血压的无创测量。
为了实现上述技术目的，本申请提供了一种基于分数阶导数的无创血压测量方法，包括以下步骤：
采集人体的PPG信号以及血压值，对PPG信号去噪后，计算分数阶导数，与PPG信号代表的心脏跳动的波形对应的脉冲的21个特征进行结合，并依据PPG信号对应的血压值，生成特征向量数据；
通过反向传播神经网络模型对特征向量数据进行回归预测，构建血压测量模型，用于通过采集待测目标的PPG信号，获取待测目标的血压值。
优选地，在对PPG信号去噪的过程中，采用奇异谱分析对PPG信号进行去噪处理。
优选地，在采用奇异谱分析对PPG信号进行去噪处理的过程中，根据PPG信号的时间序列，选择合适的窗口长度以及步长，进行滞后排序，得到轨迹矩阵；
对轨迹矩阵进行奇异值分解，获取每个对角元素的奇异值，并对对角元素从大到小顺序排列，形成新的时间序列，实现对PPG信号的重构，进而实现对PPG信号进行去噪处理。
优选地，在对轨迹矩阵进行奇异值分解的过程中，使用多项式函数去除基线漂移的影响，获取每个对角元素的奇异值。
优选地，在计算去噪处理后的PPG信号的分数阶导数的过程中，通过Riemann-Liouville计算分数阶导数。
优选地，在生成特征向量数据的过程中，根据脉冲的上升部分定义为收缩期，下降部分定义为舒张期，将每个脉冲分割为收缩区和舒张区，选取每个脉冲中收缩区上升时间，舒张时间和循环持续时间10％、25％、33％、50％、66％和75％宽度的参数作为特征，获取脉冲的21个特征；
通过分数阶导数提取的特征与脉冲的21个特征，相互结合，生成特征向量数据。
优选地，在对特征向量数据进行回归预测的过程中，反向传播神经网络模型由输入层、隐藏层和输出层三部分组成，隐藏层为多个；
通过梯度下降法来更新每一隐藏层的权重和偏置，使得反向传播神经网络模型的损失函数小于某个值，或者训练达到一定次数就停止计算，实现对特征向量数据的回归预测，进而构建血压测量模型，并通过平均误差指标，平均绝对误差指标和均方根误差指标，评估血压测量模型的预测结果的准确度。
本发明公开了一种基于分数阶导数的无创血压测量系统，包括：
数据采集模块，用于采集人体的PPG信号以及血压值；
数据处理模块，用于对PPG信号去噪后，计算分数阶导数，与PPG信号代表的心脏跳动的波形对应的脉冲的21个特征进行结合，并依据PPG信号对应的血压值，生成特征向量数据；
血压测量模块，用于通过反向传播神经网络模型对特征向量数据进行回归预测，构建血压测量模型，其中，血压测量模型用于通过采集待测目标的PPG信号，获取待测目标的血压值。
本发明公开了以下技术效果：
本发明提到的分数阶导数由于具有全局相关性，可以更好描述函数变化的过程，当分数阶次处于一阶和二阶之间时，信号中也会含有一些相关的特征，进而利用分数阶导数可以获取更多有用的信息，提高了最终测量的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明所述的方法流程示意图；
图2是本发明所述的反向传播神经网络模型结构示意图。
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，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
如图1-2所示，本发明公开了一种基于分数阶导数的无创血压测量方法，包括以下步骤：
采集人体的PPG信号以及血压值，对PPG信号去噪后，计算分数阶导数，与PPG信号代表的心脏跳动的波形对应的脉冲的21个特征进行结合，并依据PPG信号对应的血压值，生成特征向量数据；
通过反向传播神经网络模型对特征向量数据进行回归预测，构建血压测量模型，用于通过采集待测目标的PPG信号，获取待测目标的血压值。
进一步优选地，在对PPG信号去噪的过程中，本发明采用奇异谱分析对PPG信号进行去噪处理。
进一步优选地，在采用奇异谱分析对PPG信号进行去噪处理的过程中，本发明根据PPG信号的时间序列，选择合适的窗口长度以及步长，进行滞后排序，得到轨迹矩阵；
对轨迹矩阵进行奇异值分解，获取每个对角元素的奇异值，并对对角元素从大到小顺序排列，形成新的时间序列，实现对PPG信号的重构，进而实现对PPG信号进行去噪处理。
进一步优选地，在对轨迹矩阵进行奇异值分解的过程中，本发明使用多项式函数去除基线漂移的影响，获取每个对角元素的奇异值。
进一步优选地，在计算去噪处理后的PPG信号的分数阶导数的过程中，本发明通过Riemann-Liouville计算分数阶导数。
进一步优选地，在生成特征向量数据的过程中，本发明根据脉冲的上升部分定义为收缩期，下降部分定义为舒张期，将每个脉冲分割为收缩区和舒张区，选取每个脉冲中收缩区上升时间，舒张时间和循环持续时间10％、25％、33％、50％、66％和75％宽度的参数作为特征，获取脉冲的21个特征；
通过分数阶导数提取的特征与脉冲的21个特征，相互结合，生成特征向量数据。
进一步优选地，在对特征向量数据进行回归预测的过程中，本发明提到的反向传播神经网络模型由输入层、隐藏层和输出层三部分组成，隐藏层为多个；
通过梯度下降法来更新每一隐藏层的权重和偏置，使得反向传播神经网络模型的损失函数小于某个值，或者训练达到一定次数就停止计算，实现对特征向量数据的回归预测，进而构建血压测量模型，并通过平均误差指标，平均绝对误差指标和均方根误差指标，评估血压测量模型的预测结果的准确度。
本发明公开了一种基于分数阶导数的无创血压测量系统，包括：
数据采集模块，用于采集人体的PPG信号以及血压值；
数据处理模块，用于对PPG信号去噪后，计算分数阶导数，与PPG信号代表的心脏跳动的波形对应的脉冲的21个特征进行结合，并依据PPG信号对应的血压值，生成特征向量数据；
血压测量模块，用于通过反向传播神经网络模型对特征向量数据进行回归预测，构建血压测量模型，其中，血压测量模型用于通过采集待测目标的PPG信号，获取待测目标的血压值。
本发明还公开了一种计算机程序，用于实现无创血压测量方法的逻辑过程，通过计算机程序的方式，将无创血压测量方法设计为可执行程序，并嵌入到智能设备中，使得该智能设备具备了无创血压测量方法的逻辑过程，进而具备了对于待测目标的血压的无创检测。
本发明还公开了一种可移动存储装置，用于承载无创血压测量系统，进而具备了无创血压测量系统的系统功能，并作为外设与智能装置进行数据交互，使得该智能装置具备了无创血压测量系统的系统功能，从而具备了对待测目标进行无创血压检测的能力。
实施例1：本发明提供:的一种基于分数阶导数的无创血压测量方法，包括：获取对象PPG信号、对信号进行预处理、进行分数阶导数计算并提取相应特征、回归建模并预测最后的血压结果。
为了达到上述技术效果，本发明的技术方案如下：
步骤1：使用PPG传感器采集人体的PPG信号，采集完后用水银血压计测量当前的血压值，以便作为后面预测血压的参考值。
步骤2：用奇异谱分析对采集到的PPG信号进行去噪，然后用多项式拟合函数去除基线漂移的影响。
步骤3：计算PPG信号的分数阶导数，对得到的分数阶信号提取相应的特征，并将该特征与传统定义的21个特征相结合，作为总的特征向量。
步骤4：用反向传播神经网络模型对数据进行回归预测。
步骤5：评估预测结果的准确度。
其中，步骤2中采用奇异谱分析作为去噪的方法，具体为：
步骤S1：给定信号时间序列[x1，x2，...，xN]，N为序列长度。首先需要选择合适的窗口长度L以及步长P，将该时间序列进行滞后排序，得到轨迹矩阵：
步骤S2：对轨迹矩阵X进行奇异值分解，也就是将X分解为以下形式：
X＝U∑VT
其中，U和V均为酉矩阵，Σ为对角矩阵，每个对角元素为X的奇异值，T表示转置。
步骤S3：将步骤S2中Σ的对角元素从大到小顺序排列，元素值越大则代表越重要，然后选取前n个主要成分组成新的时间序列，即实现重构。
步骤2中使用多项式函数去除基线漂移的影响。首先找出信号中每个脉冲的最大值和最小值，计算最大值和最小值的平均值，将平均值作为每个脉冲的中心值，对每个中心值用多项式函数进行拟合，多项式函数的定义为：
y(a，x)＝a0+a1x+a2x2+Λ+anxn
其中n是多项式的阶数，a≡(a0，a1，Λ，an)表示多项式的系数，这些系数可以通过上述数据点拟合。定义损失函数为：
其中，y0为xi所对应血压的真实值。该损失函数是一个关于a的线性函数，若使得损失函数达到最小，可以利用梯度下降法找到求解该问题的解，公式为：
由上述过程求得多项式拟合函数后，用信号减去该函数曲线，即可以消除基线漂移的影响，aixni表示多项式，yi表示xni所对应的血压值。
其中步骤3用了分数阶导数计算公式，分数阶导数应用虽然广泛，但是却没有统一的定义，比较常用的是Riemann-Liouville定义，公式如下：
设有连续函数f(x)，定义域为[a,b]，它的分数阶导数定义为：
其中，α为阶数，取值范围为m-1＜α＜m，m∈Z+，D为导数符号，表示对函数求m次导。Γ(*)为gamma函数，定义为：
其中e为自然对数。
现有做法是求解PPG信号的一阶导数和二阶导数，然后提取出对应的特征。但实际上在分数域之间的导数里也含有一部分特征，所以对步骤2处理完的信号进行上述的分数阶导数计算，阶数p的选取主要在一阶和二阶之间。然后提取信号的特征，如极值点，零点，拐点以及一些具有统计特性的点。
需要说明的是，PPG信号显示了心脏跳动的波形，每次跳动的波形可以称为脉冲。脉冲上升部分定义为收缩期，下降部分定义为舒张期。每个脉冲都分割为收缩区和舒张区，选取每个脉冲中收缩区上升时间，舒张时间和循环持续时间10％、25％、33％、50％、66％和75％宽度的参数作为特征，即每个脉冲中总共可以提取21个特征，而这些特征对于进行血压预测是有效的。所以需要把上述通过分数阶导数计算提取的特征与该定义的21个特征相结合，作为一个总的特征矩阵。
其中，步骤4提及使用反向传播神经网络模型对数据进行回归预测，该模型是由输入层、隐藏层和输出层三部分组成的神经网络，其中隐藏层可以有多层，可根据需要设置相应的层数。设有以下数据：
其中x为数据的特征，y为该特征对应的真实值，总共有m个对象，n个特征。对特征矩阵的每一行进行回归，具体过程为：
设x1，x2，...，xn为输入变量，y为输出变量，ui为隐藏层神经元的输出，f为激活函数，为第k层隐藏层中第j个神经元的权重，/>为第k层隐藏层中第j个神经元的偏置。则第q层的输出可以表示为：
假设激活函数为sigmod函数，对应的映射关系为：
由此可以逐层计算得到最后输出层为y0，设定损失函数为：
用梯度下降法来更新每一层的权重和偏置，公式为：
其中，μ，λ为学习率，得到更新后的权重和偏置，重复上述的计算过程，直到损失函数的值小于某个值，或者训练达到一定次数就停止计算。
其中，步骤5中评估预测结果的准确度，具体使用平均误差，平均绝对误差，均方根误差指标。平均误差的定义为：
平均绝对误差的定义为：
均方根误差的定义为：
本发明提出一种基于分数阶导数的无创血压测量方法，其中需要用到近红外光谱法和光电容积脉搏波描记法来获取人体血液数据。光电容积脉搏波(Photoplethysmography，PPG)信号是使用光电描记法在人体表面采集出来的信号，其中原理是通过光电技术来获取血液在被检测地方的容积变化，然后对这些信号进行分数阶导数计算，提取相应的特征。虽说整数阶导数也可以提取某一些特征，但它具有局部性，而分数阶导数具有全局相关性，可以更好描述函数变化的过程。利用分数阶导数理论来处理数字信号，是近些年扩展分数阶导数应用领域的新课题。而在研究信号经过分数阶导数处理后发现，当分数阶次处于一阶和二阶之间时，分数阶导数也会含有一些相关的特征，所以利用分数阶导数可以获取更多有用的信息，提高了最终测量的准确率。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于分数阶导数的无创血压测量方法，其特征在于，包括以下步骤：
采集人体的PPG信号以及血压值，对所述PPG信号去噪后，计算分数阶导数，与所述PPG信号代表的心脏跳动的波形对应的脉冲的21个特征进行结合，并依据所述PPG信号对应的所述血压值，生成特征向量数据；
通过反向传播神经网络模型对所述特征向量数据进行回归预测，构建血压测量模型，用于通过采集待测目标的PPG信号，获取所述待测目标的血压值。
2.根据权利要求1所述一种基于分数阶导数的无创血压测量方法，其特征在于：
在对PPG信号去噪的过程中，采用奇异谱分析对所述PPG信号进行去噪处理。
3.根据权利要求2所述一种基于分数阶导数的无创血压测量方法，其特征在于：
在采用奇异谱分析对PPG信号进行去噪处理的过程中，根据所述PPG信号的时间序列，选择合适的窗口长度以及步长，进行滞后排序，得到轨迹矩阵；
对所述轨迹矩阵进行奇异值分解，获取每个对角元素的奇异值，并对所述对角元素从大到小顺序排列，形成新的时间序列，实现对所述PPG信号的重构，进而实现对所述PPG信号进行去噪处理。
4.根据权利要求3所述一种基于分数阶导数的无创血压测量方法，其特征在于：
在对轨迹矩阵进行奇异值分解的过程中，使用多项式函数去除基线漂移的影响，获取每个所述对角元素的所述奇异值。
5.根据权利要求4所述一种基于分数阶导数的无创血压测量方法，其特征在于：
在计算去噪处理后的PPG信号的分数阶导数的过程中，通过Riemann-Liouville计算所述分数阶导数。
6.根据权利要求5所述一种基于分数阶导数的无创血压测量方法，其特征在于：
在生成特征向量数据的过程中，根据所述脉冲的上升部分定义为收缩期，下降部分定义为舒张期，将每个脉冲分割为收缩区和舒张区，选取每个脉冲中收缩区上升时间，舒张时间和循环持续时间10％、25％、33％、50％、66％和75％宽度的参数作为特征，获取所述脉冲的21个特征；
通过所述分数阶导数提取的特征与所述脉冲的21个特征，相互结合，生成所述特征向量数据。
7.根据权利要求6所述一种基于分数阶导数的无创血压测量方法，其特征在于：
在对特征向量数据进行回归预测的过程中，所述反向传播神经网络模型由输入层、隐藏层和输出层三部分组成，所述隐藏层为多个；
通过梯度下降法来更新每一隐藏层的权重和偏置，使得所述反向传播神经网络模型的损失函数小于某个值，或者训练达到一定次数就停止计算，实现对所述特征向量数据的回归预测，进而构建所述血压测量模型，并通过平均误差指标，平均绝对误差指标和均方根误差指标，评估所述血压测量模型的预测结果的准确度。
8.一种基于分数阶导数的无创血压测量系统，其特征在于，包括：
数据采集模块，用于采集人体的PPG信号以及血压值；
数据处理模块，用于对所述PPG信号去噪后，计算分数阶导数，与所述PPG信号代表的心脏跳动的波形对应的脉冲的21个特征进行结合，并依据所述PPG信号对应的所述血压值，生成特征向量数据；
血压测量模块，用于通过反向传播神经网络模型对所述特征向量数据进行回归预测，构建血压测量模型，其中，所述血压测量模型用于通过采集待测目标的PPG信号，获取所述待测目标的血压值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310968191.XA CN116982952A (zh) | 2023-08-03 | 2023-08-03 | 一种基于分数阶导数的无创血压测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310968191.XA CN116982952A (zh) | 2023-08-03 | 2023-08-03 | 一种基于分数阶导数的无创血压测量方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116982952A true CN116982952A (zh) | 2023-11-03 |
Family
ID=88529690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310968191.XA Pending CN116982952A (zh) | 2023-08-03 | 2023-08-03 | 一种基于分数阶导数的无创血压测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116982952A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106539572A (zh) * | 2016-11-02 | 2017-03-29 | 中国科学院电子学研究所 | 一种多参数融合的连续性血压测量方法 |
| CN106691406A (zh) * | 2017-01-05 | 2017-05-24 | 大连理工大学 | 一种基于单探头光电容积脉搏波的血管弹性和血压的检测方法 |
| CN111870237A (zh) * | 2020-09-04 | 2020-11-03 | 平安科技（深圳）有限公司 | 血压检测方法、装置、设备及介质 |
| CN112998704A (zh) * | 2021-03-04 | 2021-06-22 | 研和智能科技(杭州)有限公司 | 一种可穿戴设备血氧饱和度计算方法 |
| CN114528888A (zh) * | 2022-04-25 | 2022-05-24 | 广东玖智科技有限公司 | 一种ppg信号聚类中心获取方法及装置和ppg信号处理方法及装置 |
| CN114569097A (zh) * | 2022-05-07 | 2022-06-03 | 广东工业大学 | 基于耳廓ppg信号预处理的血压预测方法、系统及介质 |
-
2023
- 2023-08-03 CN CN202310968191.XA patent/CN116982952A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106539572A (zh) * | 2016-11-02 | 2017-03-29 | 中国科学院电子学研究所 | 一种多参数融合的连续性血压测量方法 |
| CN106691406A (zh) * | 2017-01-05 | 2017-05-24 | 大连理工大学 | 一种基于单探头光电容积脉搏波的血管弹性和血压的检测方法 |
| CN111870237A (zh) * | 2020-09-04 | 2020-11-03 | 平安科技（深圳）有限公司 | 血压检测方法、装置、设备及介质 |
| CN112998704A (zh) * | 2021-03-04 | 2021-06-22 | 研和智能科技(杭州)有限公司 | 一种可穿戴设备血氧饱和度计算方法 |
| CN114528888A (zh) * | 2022-04-25 | 2022-05-24 | 广东玖智科技有限公司 | 一种ppg信号聚类中心获取方法及装置和ppg信号处理方法及装置 |
| CN114569097A (zh) * | 2022-05-07 | 2022-06-03 | 广东工业大学 | 基于耳廓ppg信号预处理的血压预测方法、系统及介质 |
Non-Patent Citations (2)
| Title |
|---|
| BENEDETTA C. CASADEI等: "Systolic Blood Pressure Estimation from PPG Signal Using ANN", 《ELECTRONICS 2022》, 14 November 2022 (2022-11-14), pages 1 - 9 * |
| M.SALINAS 等: "Photoplethysmogram Fits Finger Blood Pressure Waveform for non-Invasive and minimally-Intrusive Technologies Evaluation of Derivative Approaches", 《BIOSIGNALS 2017 - 10TH INTERNATIONAL CONFERENCE ON BIO-INSPIRED SYSTEMS AND SIGNAL PROCESSING》, 11 March 2017 (2017-03-11), pages 155 - 161 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
| US20190295729A1 (en) | Universal non-invasive blood glucose estimation method based on time series analysis | |
| CN107832737A (zh) | 基于人工智能的心电图干扰识别方法 | |
| CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
| 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 | |
| CN109288508A (zh) | 一种基于crnn-bp的血压值智能测量方法 | |
| CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
| CN110558960A (zh) | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 | |
| CN111588367A (zh) | 心率检测方法、装置及计算机可读存储介质 | |
| CN111887858A (zh) | 基于跨模态映射的心冲击图信号心率估计方法 | |
| Wu et al. | Continuous cuff-less blood pressure estimation based on combined information using deep learning approach | |
| Roy et al. | BePCon: A photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning | |
| CN112836647B (zh) | 一种基于ppg信号的无创式甘油三酯估计系统 | |
| Tiwari et al. | Stress and anxiety measurement" in-the-wild" using quality-aware multi-scale hrv features | |
| Ertuğrul et al. | A noninvasive time-frequency-based approach to estimate cuffless arterial blood pressure | |
| Pan et al. | Improved blood pressure estimation using photoplethysmography based on ensemble method | |
| CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
| CN116649924A (zh) | 一种脉搏分析方法及装置 | |
| CN115067912A (zh) | 一种基于elm模型的无创血液粘稠度预测方法及装置 | |
| CN116982952A (zh) | 一种基于分数阶导数的无创血压测量方法及系统 | |
| CN116451129A (zh) | 一种脉象分类识别方法及系统 | |
| CN115836847A (zh) | 一种血压预测装置及设备 | |
| CN115089145A (zh) | 基于多尺度残差网络和ppg信号的智能血压预测方法 | |
| Yen et al. | Development of a continuous blood pressure measurement and cardiovascular multi-indicator platform for Asian populations by using a back propagation neural network and dual photoplethysmography sensor signal acquisition technology | |
| Zhang et al. | Non-invasive blood glucose detection using NIR based on GA and SVR |
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 |