CN117100240A - 一种基于机器视觉的全自动血压模拟测试方法及装置 - Google Patents

一种基于机器视觉的全自动血压模拟测试方法及装置 Download PDF

Info

Publication number
CN117100240A
CN117100240A CN202311368707.3A CN202311368707A CN117100240A CN 117100240 A CN117100240 A CN 117100240A CN 202311368707 A CN202311368707 A CN 202311368707A CN 117100240 A CN117100240 A CN 117100240A
Authority
CN
China
Prior art keywords
blood pressure
data
measured
neural network
machine vision
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
Application number
CN202311368707.3A
Other languages
English (en)
Other versions
CN117100240B (zh
Inventor
徐海铭
刘星辛
张润樾
黄宏坤
李妙舒
徐南欢
吴衡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGDONG INSTITUTE OF MEDICAL INSTRUMENTS
Guangdong Vocational College Of Finance And Trade
Guangzhou Inverse Entropy Electronic Technology Co ltd
Original Assignee
GUANGDONG INSTITUTE OF MEDICAL INSTRUMENTS
Guangdong Vocational College Of Finance And Trade
Guangzhou Inverse Entropy Electronic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GUANGDONG INSTITUTE OF MEDICAL INSTRUMENTS, Guangdong Vocational College Of Finance And Trade, Guangzhou Inverse Entropy Electronic Technology Co ltd filed Critical GUANGDONG INSTITUTE OF MEDICAL INSTRUMENTS
Priority to CN202311368707.3A priority Critical patent/CN117100240B/zh
Publication of CN117100240A publication Critical patent/CN117100240A/zh
Application granted granted Critical
Publication of CN117100240B publication Critical patent/CN117100240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0266—Operational features for monitoring or limiting apparatus function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Quality & Reliability (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明涉及血压计检测技术领域，具体公开了一种基于机器视觉的全自动血压模拟测试方法及装置，其方法包括：将若干被测血压计上电，向被测血压计输入预设的心跳幅度；采集和记录被测血压计的图像数据，逐步调节心跳幅度，记录测量过程及心跳幅度下对应的预设血压数据；分析测量过程，若测量过程存在异常则提示错误并记录；基于神经网络模型对被测血压计的图像数据提取测量血压数据，对比分析预设血压数据和测量血压数据，若测量结果存在异常则提示错误并记录。本发明实现代替人工观察并判断血压计整个测量过程和测量数据是否正常，同时监测多台血压计的测试过程和测试结果，节省人力成本且减少了测量出差概率，方便医疗产品的溯源。

Description

一种基于机器视觉的全自动血压模拟测试方法及装置
技术领域
本发明涉及血压计检测技术领域，尤其涉及一种基于机器视觉的全自动血压模拟测试方法及装置。
背景技术
血压（blood pressure，BP）是指血液在血管内流动时作用于单位面积血管壁的侧压力，它是推动血液在血管内流动的动力。在不同血管内被分别称为动脉血压、毛细血管压和静脉血压，通常所说的血压是指体循环的动脉血压。
血压检测装置作为主要的血压测量工具，其准确性需要利用计量校准装置进行校准，以保证其检测结果的可靠性。一般地，医疗机构通常会利用血压模拟器对血压监测装置进行计量校准，血压模拟器可以根据既定血压值产生对应的振荡波，模拟人体的血压产生过程。也就是说，血压模拟器对血压监测装置中血压示值的校准，实际上是用血压模拟器内置的若干校准曲线，即血压样本数据去评价血压监测装置的血压测量特性。
专利号为202310038357.8的中国发明专利公开了一种血压计机型模拟测试装置，基于采集的真实人体血压数据，在实现单一示波法原理的无创自动测量血压计检定的同时，也可以双袖带双导管无创自动测量血压计的计量检定，解决了如何基于真实人体的血压信号的而开发出一种无创自动测量血压计技术问题。然而在现有技术中，一台血压模拟仪一般情况下需要人工专门去观察设备运行的全程，数据记录需要人工记录，存在人工出错概率，且效率相对较低。
发明内容
针对现有技术中的技术问题，本发明提供一种基于机器视觉的全自动血压模拟测试方法及装置，实现代替人工观察并判断血压计整个测量过程工作状态和测量结果是否正常；节省人力成本且减少了测量出差概率，方便医疗产品的溯源。
一种基于机器视觉的全自动血压模拟测试方法，方法包括：
S11：向多个被测血压计输入预设的心跳幅度；
S12：采集和记录被测血压计的图像数据，记录测量过程及心跳幅度下对应的预设血压数据；
S13：分析测量过程，判断被测血压计工作状态，若测量过程中的工作状态不存在异常，则进入S14；若测量过程的工作状态存在异常则提示错误并记录；
S14：基于神经网络模型对被测血压计的图像数据提取测量血压数据，对比分析预设血压数据和测量血压数据，若测量结果存在异常则提示错误并记录。
进一步的，基于神经网络模型对被测血压计的图像数据提取测量血压数据包括：
S21：对图像数据进行预处理，得到待识别数据；
S22：将待识别数据输入至神经网络模型中，神经网络模型输出若干数据标签及与数据标签对应的数据标识框；
S23：对输出的若干数据标签进行数据处理进而得到血压数据。
进一步的，神经网络模型的训练方法包括，
S31：以若干电子血压计的采集图片作为样本对象，对样本对象中的图像进行预处理，输出若干数据标识框及数据标签；
S32：使用单阶段检测算法框架构建神经网络，修改神经网络的部分极大值抑制规则；
S33：将样本对象以8：1：1的比例划分为训练集、验证集和测试集；输入训练集对神经网络进行训练，根据损失函数对模型参数的偏导数来更新模型参数，进而得到神经网络的模型参数；
S34：输入测试集至训练之后的神经网络进行评价，输入验证集至训练之后的神经网络进行验证调参，进而得到最优的神经网络模型参数。
进一步的，数据标识框包括若干指标标识框和数字标识框，部分极大值抑制规则为：指标标识框与数字标识框之间可以重叠，指标标识框之间不能重叠，数字标识框之间不能重叠。
进一步的，神经网络的损失函数为：；
其中，表示神经网络自身的损失函数，/>表示越界损失，/>的公式表现为：；
其中，表示第i个数字标识框的第j个点，Frm表示指标标识框，exceed函数表示越出Frm的风险。
进一步的，数据标签包括血压计本体标签BP、收缩压标签sys及对应的若干个收缩压数字标签、舒张压标签dia及对应的若干个舒张压数字标签、心率标签hrt及对应的若干个心率数字标签。
一种基于机器视觉的全自动血压模拟测试装置，利用了上述基于机器视觉的全自动血压模拟测试方法，包括：处理器、存储器、与处理器通讯连接的多路血压模块，血压模块包括图像采集模块、气压采集模块和空气压缩模块，空气压缩模块分别与被测血压计和气压采集模块气动连接，图像采集模块用于采集被测血压计显示屏的数据，处理器接收图像采集模块和气压采集模块的数据，存储器存储被测血压计的测量过程产生的数据。
进一步的，空气压缩模块包括由固定气容、可压缩气缸、气路控制阀和外接气嘴构成，气压采集模块与固定气容气动连接，可压缩气缸与固定气容气动连接，外接气嘴串接气路控制阀后与固定气容连接，外接气嘴与被测血压计连接。
进一步的，还包括与处理器电性连接的报警装置、显示装置和按键装置，报警装置用于提示测量结果，显示装置用于显示图像采集模块和气压采集模块的数据，按键装置用于控制血压模块的输出气压。
进一步的，还包括无线传输模块，无线传输模块与处理器电性连接。
（1）本发明的一种基于机器视觉的全自动血压模拟测试方法及装置，通过向被测血压计输入心跳幅度，采集和记录被测血压计的图像数据，记录测量过程及心跳幅度下对应的预设血压数据，分析测量过程，判断被测血压计工作状态，对测量过程中的工作状态是否存在异常进行检测，同时基于神经网络模型对被测血压计的图像数据提取测量血压数据，对比分析预设血压数据和测量血压数据，并提醒错误及记录被测血压计参数，从而实现代替人工观察并判断血压计整个测量过程工作状态和测量结果是否正常；节省人力成本且减少了测量出差概率，方便医疗产品的溯源。
（2）本发明的一种基于机器视觉的全自动血压模拟测试方法及装置，使用单阶段检测算法框架构建神经网络，实现通过一个神经网络解决分类问题和ORC识别，从而降低处理器的需求，节约训练成本。
（3）本发明的一种基于机器视觉的全自动血压模拟测试方法及装置，通过修改神经网络的部分极大值抑制规则，指标标识框与数字标识框之间可以重叠，指标标识框之间不能重叠，数字标识框之间不能重叠，并引入带有越界损失的损失函数作为整个神经网络的损失函数，帮助神经网络模型更快速收敛，减少训练时间，提高训练精度。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见的，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它附图。
图1为本发明一种基于机器视觉的全自动血压模拟测试方法的流程图；
图2为本发明一种基于机器视觉的全自动血压模拟测试装置的构成图；
图3为本发明一种基于机器视觉的全自动血压模拟测试装置空气压缩模块的构成图。
具体实施方式
下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通的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它实施例，都属于本发明的保护范围。
如图1至图3所示的一种基于机器视觉的全自动血压模拟测试方法，方法包括：
S11：向多个被测血压计输入预设的心跳幅度；
S12：采集和记录被测血压计的图像数据，记录测量过程及心跳幅度下对应的预设血压数据，通过逐步调节心跳幅度并依次记录不同心跳幅度下对应的预设血压数据，形成测量过程以及多组测量数据；
S13：分析测量过程，若测量过程不存在异常，判断被测血压计工作状态，若测量过程中的工作状态不存在异常，则进入S14；若测量过程存在异常则提示错误并记录；其中测量过程包括通过处理中内置的识别程序对被测血压计的显示过程以及气密性进行检测，显示错误，如存在LED灯坏了不亮的情况，或者LCD/LED段码整条输出缺划；气密性问题，如漏气使加压一直加不上去，或者气泵加压过高的情况；并使异常血压计断电，通知检测人员或机械设备将异常血压计移动至检修位置，并记录异常血压计编码及错误信息；
S14：基于神经网络模型对被测血压计的图像数据提取测量血压数据，对比分析预设血压数据和测量血压数据，若测量结果存在异常则提示错误并记录；通知检测人员或机械设备将异常血压计移动至检修位置，并记录异常血压计编码及错误信息，检验为合格的被测血压计，通过储存器对被测血压计的编号以及其他数据进行记录，则断电转运至合格品位置，将下一批被测血压计连通重复上述步骤，从而实现代替人工观察并判断血压计整个测量过程和测量数据是否正常，同时监测多台血压计的测试过程和测试结果，节省人力成本且减少了测量出差概率，方便医疗产品的溯源。
具体的，基于神经网络模型对被测血压计的图像数据提取测量血压数据包括：
S21：对图像数据进行预处理，得到待识别数据；其中预处理包括对图像进行裁切，灰度化处理等过程，形成适合神经读取的图像数据；
S22：将待识别数据输入至神经网络模型中，神经网络模型输出若干数据标签及与数据标签对应的数据标识框；
S23：对输出的若干数据标签进行数据处理进而得到血压数据；
具体的，数据标签包括血压计本体标签BP、收缩压标签sys及对应的若干个收缩压数字标签、舒张压标签dia及对应的若干个舒张压数字标签、心率标签hrt及对应的若干个心率数字标签，通过分别将收缩压、舒张压和心率下对应的三个数字标签合并，即得到对应的收缩压、舒张压和心率数据。
具体的，神经网络模型的训练方法包括，
S31：以若干电子血压计的采集图片作为样本对象，对样本对象中的图像进行预处理，输出若干数据标识框及数据标签；将电子血压计的采集图片作为输入层，将数据标识框及数据标签作为输出层；其中，样本对象需涵盖市场上绝大部分电子血压计，按测量部位区别：臂式电子血压计、腕式电子血压计；按显示屏区分：LCD无背光段码屏、LCD单色背光段码屏、LCD彩色背光段码屏、LED单色段码屏、LED彩色段码屏、点阵式显示屏；对样本对象中的图像进行预处理的方法包括，使用labelme软件对样本对象进行标注，得到相应的json文件，需要标注坐标关键点，BP：血压计；sys：收缩压；dia：舒张压；hrt：心率；C0~C9：数字0~9，其中非重点符号同样可按本方法进行标注和训练；
S32：使用单阶段检测算法框架构建神经网络，修改神经网络的部分极大值抑制规则；单阶段检测算法框架优选YoLo5框架，按一般传统方法，不仅需要找到收缩压/舒张压/心率/记录编号等的位置，通过一个神经网络完成分类任务，还需要在通过这个分类任务的定位基础上，通过另一个神经网络进行OCR识别，通常需要两个神经网络，这将对边缘计算有更大的负担，需要双倍的计算量、内存，因此考虑到OCR需要识别的部分仅出现0-9的符号，将OCR识别的工作量放到第一步分类任务中，实现通过一个神经网络解决分类问题和ORC识别，从而降低处理器的需求，节约训练成本；
S33：将样本对象以8：1：1的比例划分为训练集、验证集和测试集；输入训练集对神经网络进行训练，根据损失函数对模型参数的偏导数来更新模型参数，进而得到神经网络的模型参数；
S34：输入测试集至训练之后的神经网络进行评价，输入验证集至训练之后的神经网络进行验证调参，进而得到最优的神经网络模型参数。
具体的，数据标识框包括若干指标标识框和数字标识框，部分极大值抑制规则为：指标标识框与数字标识框之间可以重叠，指标标识框之间不能重叠，数字标识框之间不能重叠。
具体的，神经网络的损失函数为：；
其中，表示神经网络自身的损失函数，/>表示越界损失，/>的公式表现为：；
其中，表示第i个数字标识框的第j个点，Frm表示指标标识框，exceed函数表示越出Frm的风险；该损失函数用于帮助神经网络模型更快速收敛，减少训练时间，提高训练精度。
如图2至图3所示的一种基于机器视觉的全自动血压模拟测试装置，该装置利用了以上的基于机器视觉的全自动血压模拟测试方法，包括：处理器、存储器、与处理器通讯连接的多路血压模块，血压模块包括图像采集模块、气压采集模块和空气压缩模块，空气压缩模块分别与被测血压计和气压采集模块气动连接，图像采集模块用于采集被测血压计显示屏的数据，处理器接收图像采集模块和气压采集模块的数据，存储器存储被测血压计的测量过程产生的数据；将空气压缩模块与被测血压计和气压采集模块连接，被测血压计上电，处理器将设定的气压值通讯至空气压缩模块，空气压缩模块根据当前气压产生预设的心跳幅度，气压采集模块采集空气压缩模块的当前气压，其中气压采集模块选用压力传感器，监测空气压缩模块的运行情况，处理器根据采集的气压数值计算该心跳幅度下的收缩压、舒张压和心率；图像采集模块选用摄像头，图像采集模块将被测血压计的显示情况通讯至处理器，通过处理器内置的程序对被测血压计的工作情况进行分析，进而得到被测血压计的工作过程是否正常；通过处理器内置的神经网络对被测血压计的显示情况进行分析，进而得到被测血压计显示的收缩压、舒张压和心率以及被测血压计的工作情况，处理器对被测血压计显示的收缩压、舒张压和心率与该心跳幅度下应生成的收缩压、舒张压和心率进行比对，进而得到被测血压计的测量准确性；存储器对采集视频、采集数据以及测量结果进行缓存，同时处理器将采集视频、采集数据以及测量结果通过无线传输模块通讯至上位机。
具体的，如图3所示，空气压缩模块包括由固定气容、可压缩气缸、气路控制阀和外接气嘴构成，气压采集模块与固定气容气动连接，可压缩气缸与固定气容气动连接，外接气嘴串接气路控制阀后与固定气容连接，外接气嘴与被测血压计连接；可压缩气缸根据设定的气压值，向固定气容规律性的充放气运动，从而模拟心跳幅度，模拟脉搏波信号的发生。
具体的，如图2所示，还包括与处理器电性连接的报警装置、显示装置和按键装置，报警装置用于提示测量结果，显示装置用于显示图像采集模块和气压采集模块的数据，按键装置用于控制血压模块的输出气压；报警装置和显示装置对测量过程中工作状态异常和测量结果异常进行报警和提示，从而提醒被测血压计存在异常。
以上借助具体实施例对本发明做了进一步描述，但是应该理解的是，这里具体的描述，不应理解为对本发明的实质和范围的限定，本领域内的普通技术人员在阅读本说明书后对上述实施例做出的各种修改，都属于本发明所保护的范围。

Claims (10)

1.一种基于机器视觉的全自动血压模拟测试方法，其特征在于，所述方法包括：
S11：向多个被测血压计输入预设的心跳幅度；
S12：采集和记录被测血压计的图像数据，记录测量过程及所述心跳幅度下对应的预设血压数据；
S13：分析所述测量过程，判断被测血压计工作状态，若测量过程中的工作状态不存在异常，则进入S14；若测量过程的工作状态存在异常则提示错误并记录；
S14：基于神经网络模型对被测血压计的图像数据提取测量血压数据，对比分析预设血压数据和测量血压数据，若测量结果存在异常则提示错误并记录。
2.根据权利要求1中所述的一种基于机器视觉的全自动血压模拟测试方法，其特征在于，所述基于神经网络模型对被测血压计的图像数据提取测量血压数据包括：
S21：对所述图像数据进行预处理，得到待识别数据；
S22：将待识别数据输入至神经网络模型中，所述神经网络模型输出若干数据标签及与数据标签对应的数据标识框；
S23：对输出的若干数据标签进行数据处理进而得到血压数据。
3.根据权利要求1中所述的一种基于机器视觉的全自动血压模拟测试方法，其特征在于，所述神经网络模型的训练方法包括，
S31：以若干电子血压计的采集图片作为样本对象，对样本对象中的图像进行预处理，输出若干数据标识框及数据标签；
S32：使用单阶段检测算法框架构建神经网络，修改神经网络的部分极大值抑制规则；
S33：将样本对象以8：1：1的比例划分为训练集、验证集和测试集；输入训练集对神经网络进行训练，根据损失函数对模型参数的偏导数来更新模型参数，进而得到神经网络的模型参数；
S34：输入测试集至训练之后的神经网络进行评价，输入验证集至训练之后的神经网络进行验证调参，进而得到最优的神经网络模型参数。
4.根据权利要求3中所述的一种基于机器视觉的全自动血压模拟测试方法，其特征在于，所述数据标识框包括若干指标标识框和数字标识框，所述部分极大值抑制规则为：所述指标标识框与数字标识框之间可以重叠，所述指标标识框之间不能重叠，所述数字标识框之间不能重叠。
5.根据权利要求4中所述的一种基于机器视觉的全自动血压模拟测试方法，其特征在于，所述神经网络的损失函数为：；
其中，表示神经网络自身的损失函数，/>表示越界损失，/>的公式表现为：；
其中，表示第i个数字标识框的第j个点，Frm表示指标标识框，exceed函数表示/>越出Frm的风险。
6.根据权利要求3中所述的一种基于机器视觉的全自动血压模拟测试方法，其特征在于，所述数据标签包括血压计本体标签BP、收缩压标签sys及对应的若干个收缩压数字标签、舒张压标签dia及对应的若干个舒张压数字标签、心率标签hrt及对应的若干个心率数字标签。
7.一种基于机器视觉的全自动血压模拟测试装置，其特征在于，所述基于机器视觉的全自动血压模拟测试装置利用了权利要求1-6任意一项所述的基于机器视觉的全自动血压模拟测试方法，包括：处理器、存储器、与处理器通讯连接的多路血压模块，所述血压模块包括图像采集模块、气压采集模块和空气压缩模块，所述空气压缩模块分别与被测血压计和气压采集模块气动连接，图像采集模块用于采集被测血压计显示屏的数据，所述处理器接收图像采集模块和气压采集模块的数据，所述存储器存储被测血压计的测量过程产生的数据。
8.根据权利要求7中所述的一种基于机器视觉的全自动血压模拟测试装置，其特征在于，所述空气压缩模块包括由固定气容、可压缩气缸、气路控制阀和外接气嘴构成，所述气压采集模块与固定气容气动连接，所述可压缩气缸与固定气容气动连接，所述外接气嘴串接气路控制阀后与固定气容连接，所述外接气嘴与被测血压计连接。
9.根据权利要求7中所述的一种基于机器视觉的全自动血压模拟测试装置，其特征在于，还包括与处理器电性连接的报警装置、显示装置和按键装置，所述报警装置用于提示测量结果，所述显示装置用于显示图像采集模块和气压采集模块的数据，所述按键装置用于控制血压模块的输出气压。
10.根据权利要求7中所述的一种基于机器视觉的全自动血压模拟测试装置，其特征在于，还包括无线传输模块，所述无线传输模块与处理器电性连接。
CN202311368707.3A 2023-10-23 2023-10-23 一种基于机器视觉的全自动血压模拟测试方法及装置 Active CN117100240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311368707.3A CN117100240B (zh) 2023-10-23 2023-10-23 一种基于机器视觉的全自动血压模拟测试方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311368707.3A CN117100240B (zh) 2023-10-23 2023-10-23 一种基于机器视觉的全自动血压模拟测试方法及装置

Publications (2)

Publication Number Publication Date
CN117100240A true CN117100240A (zh) 2023-11-24
CN117100240B CN117100240B (zh) 2024-03-29

Family

ID=88796934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311368707.3A Active CN117100240B (zh) 2023-10-23 2023-10-23 一种基于机器视觉的全自动血压模拟测试方法及装置

Country Status (1)

Country Link
CN (1) CN117100240B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103251399A (zh) * 2012-02-16 2013-08-21 罗万前 一种电子血压计的标定法及标定器
KR101454201B1 (ko) * 2013-08-19 2014-10-24 한국표준과학연구원 압력펄스 제공을 이용한 자동혈압계 시험장치, 혈압계 시험방법 및 혈압계 교정방법
US20160249819A1 (en) * 2013-07-01 2016-09-01 University Of Newcastle Upon Tyne Improved sphygmomanometer capable of displaying the quality of blood pressure readings
CN107157460A (zh) * 2017-06-16 2017-09-15 广州视源电子科技股份有限公司 一种血压计稳定性测试方法、装置和系统
KR20170003936U (ko) * 2016-05-12 2017-11-22 김상철 아네로이드-혈압계의 정도관리용 도구
US20180184913A1 (en) * 2015-07-02 2018-07-05 Junfeng Zhao Auxiliary device for blood pressure measurement and blood pressure measuring equipment
JP2019111036A (ja) * 2017-12-22 2019-07-11 フクダ電子株式会社 血圧計およびその制御方法
CN111832608A (zh) * 2020-05-29 2020-10-27 上海海事大学 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法
CN116109543A (zh) * 2021-11-10 2023-05-12 中移(成都)信息通信科技有限公司 一种数据快速识别读取方法及装置、计算机可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103251399A (zh) * 2012-02-16 2013-08-21 罗万前 一种电子血压计的标定法及标定器
US20160249819A1 (en) * 2013-07-01 2016-09-01 University Of Newcastle Upon Tyne Improved sphygmomanometer capable of displaying the quality of blood pressure readings
KR101454201B1 (ko) * 2013-08-19 2014-10-24 한국표준과학연구원 압력펄스 제공을 이용한 자동혈압계 시험장치, 혈압계 시험방법 및 혈압계 교정방법
US20180184913A1 (en) * 2015-07-02 2018-07-05 Junfeng Zhao Auxiliary device for blood pressure measurement and blood pressure measuring equipment
KR20170003936U (ko) * 2016-05-12 2017-11-22 김상철 아네로이드-혈압계의 정도관리용 도구
CN107157460A (zh) * 2017-06-16 2017-09-15 广州视源电子科技股份有限公司 一种血压计稳定性测试方法、装置和系统
JP2019111036A (ja) * 2017-12-22 2019-07-11 フクダ電子株式会社 血圧計およびその制御方法
CN111832608A (zh) * 2020-05-29 2020-10-27 上海海事大学 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法
CN116109543A (zh) * 2021-11-10 2023-05-12 中移(成都)信息通信科技有限公司 一种数据快速识别读取方法及装置、计算机可读存储介质

Also Published As

Publication number Publication date
CN117100240B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
JPS6399840A (ja) 生体信号計測装置
CN116664551B (zh) 基于机器视觉的显示屏检测方法、装置、设备及存储介质
CN117292836A (zh) 一种体测成绩监控方法及系统
KR20190142618A (ko) 태아의 심박동을 모니터링하는 방법 및 그 장치
CN117694925B (zh) 一种无创连续逐搏超声血流动力学检测仪
CN117100240B (zh) 一种基于机器视觉的全自动血压模拟测试方法及装置
CN110693510A (zh) 一种注意力缺陷多动障碍辅助诊断装置及其使用方法
CN110428893A (zh) 一种远程医疗生命体征数据采集装置
CN116236165B (zh) 一种脉诊数据生成和展示方法及相应的装置
CN107658021A (zh) 营养状态评估方法和装置
CN116725546A (zh) 一种基于深度学习结合角点检测数字心电图机检定方法
CN207182917U (zh) 营养状态评估装置
CN213345622U (zh) 血压采集装置及血压采集处理系统
CN201139560Y (zh) 智能脉搏仪
CN114494299A (zh) 温度检测设备
CN114176532A (zh) 一种测定cfPWV参数的临床验证方法及其应用系统
CN111990982B (zh) 血压采集装置及处理系统
CN105662396A (zh) 一种人体生命数据采集方法
CN113457110B (zh) 一种智慧操场中的计数方法、系统及装置
CN2424742Y (zh) 疾病自动识别诊断装置
TW202117743A (zh) 結合腦波與人工智慧進行閱讀障礙診斷之系統
CN114724720B (zh) 一种基于深度学习的产前电子胎心监护自动识别系统
CN110367956A (zh) 一种自主神经调节监控系统及方法
US20220151531A1 (en) Heart failure predictor and heart failure predicting method
CN109077711A (zh) 动态心率数据获取方法、装置、穿戴设备及可读存储介质

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
GR01 Patent grant
GR01 Patent grant