FR3111533A1 - Procédé de détermination de la pression artérielle à partir d’un signal PPG et dispositif correspondant - Google Patents

Procédé de détermination de la pression artérielle à partir d’un signal PPG et dispositif correspondant Download PDF

Info

Publication number
FR3111533A1
FR3111533A1 FR2106657A FR2106657A FR3111533A1 FR 3111533 A1 FR3111533 A1 FR 3111533A1 FR 2106657 A FR2106657 A FR 2106657A FR 2106657 A FR2106657 A FR 2106657A FR 3111533 A1 FR3111533 A1 FR 3111533A1
Authority
FR
France
Prior art keywords
measurements
patient
pressure
explanatory variables
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.)
Pending
Application number
FR2106657A
Other languages
English (en)
Inventor
Franck Mouney
Alain Magid Hallab
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.)
Axelife
Original Assignee
Axelife
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 Axelife filed Critical Axelife
Publication of FR3111533A1 publication Critical patent/FR3111533A1/fr
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Cardiology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Vascular Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

La présente invention concerne un procédé et un dispositif de détermination de la pression artérielle à partir d’un signal photopléthysmographique (PPG) d’un patient utilisant des équations prédictives de la pression systolique et de la pression diastolique obtenues par une méthode d’apprentissage statistique de type méthode de régression linéaire, telle que le LASSO, à partir de marqueurs temporels ou des spectres médians d’un ensemble de mesures préalables de signaux PPG. Figure à publier : 1

Description

Procédé de détermination de la pression artérielle à partir d’un signal PPG et dispositif correspondant
Domaine de l’invention
Le domaine de l’invention est celui des techniques d’examen médical et en particulier des techniques de surveillance de la tension artérielle.
Plus précisément, l’invention concerne un procédé et un dispositif de détermination de la pression artérielle à partir d’un signal photopléthysmographique (PPG) d’un patient.
Art antérieur
La surveillance continue de la pression artérielle afin de prédire les maladies cardiovasculaires graves est l’un des défis majeurs des prochaines années.
On connait des techniques de prédiction de la pression artérielle uniquement à partir de signaux photopléthysmographiques.
Les méthodes connues d’estimation de la pression artérielle à partir de signaux PPG reposent principalement sur une approche par domaine temporel. La plupart d’entre elles impliquent le pré-traitement du signal (lissage, filtrage, etc..), une extraction des caractéristiques temporelles et un modèle prédictif de la pression artérielle, tel que le modèle de Windkessel (voir par exempleChoudhury, A.D., Banerjee, R., Sinha, A., Kundu, S.: Estimating blood pressure using windkessel model on photoplethysmogram. In: 2014 36th Annual Interna- tional Conference of the IEEE Engineering in Medicine and Biology Society. pp. 4567–4570. IEEE (2014)) ou des modèles d’apprentissage automatique par réseaux neuronaux (voir par exempleLamonaca, F., Barbe, K., Kurylyak, Y., Grimaldi, D., Van Moer, W., Furfaro, A., Spagnuolo, V.: Application of the artificial neural network for blood pressure evaluation with smartphones. In: 2013 IEEE 7th International Conference on In- telligent Data Acquisition and Advanced Computing Systems (IDAACS). vol. 1, pp. 408–412. IEEE (2013)) ou des modèles d’apprentissage profond (« deep learning en anglais) mettant en oeuvre des réseaux neuronaux convolutifs.
On connait également des techniques de prédiction de la pression artérielle basées sur des méthodes d’apprentissage automatique utilisant le spectre des signaux PPG. Ainsi par exemple la technique décrite dans l’articleXing, X., Sun, M.: Optical blood pressure estimation with photoplethysmography and fft-based neural networks. Biomedical optics express 7(8), 3007–3020 (2016)repose sur une prédiction à partir de réseaux neuronaux utilisant le spectre d’un signal PPG obtenu par transformée de Fourier rapide. Comme souligné récemment (Mouney, F., Tiplica, T., Hallab, M., Dinomais, M., Fasquel, J.B.: Towards a smartwatch for cuff-less blood pressure measurement using ppg signal and physiological features. International Conference on IoT Technologies for HealthCare (2019)), les techniques basées sur le domaine spectral sont plus pratiques que celles basées sur le domaine temporel car il n’est pas nécessaire de détecter le front des ondes.
On a également proposé une technique d’apprentissage profond basée à la fois sur des informations temporelles et des informations fréquentielles (Baek, S., Jang, J., Yoon, S.: End-to-end blood pressure prediction via fully convolutional networks. IEEE Access 7, 185458–185468 (2019)).
Un inconvénient de ces techniques connues mettant en oeuvre des réseaux neuronaux ou des réseaux de deep learning est qu’elles sont couteuses en capacité de calcul et moins rapide, et qu’elles ne permettent pas d’expliciter une relation entre la pression artérielle et le signal PPG d’un individu.
Un autre inconvénient de ces techniques connues mettant en oeuvre des réseaux neuronaux ou des réseaux de deep learning est que les écarts entre les valeurs de pression artérielle prédites avec ces techniques et les valeurs mesurées sont difficilement interprétables, ce qui est pénalisant en termes de fiabilité et de traçabilité.
Objectifs de l’invention
L’invention a donc notamment pour objectif de pallier les inconvénients de l’état de la technique cités ci-dessus.
Plus précisément, l’invention a pour objectif de fournir une technique de détermination de la pression artérielle à partir d’un signal PPG d’un patient qui soit fiable et précise.
L’invention a également pour objectif de proposer une telle technique de détermination de la pression artérielle qui puisse fournir une estimation de la pression artérielle d’un patient en continu.
Un autre objectif de l’invention est de fournir une telle technique de détermination de la pression artérielle qui soit simple, efficace et rapide à mettre en œuvre.
Un objectif de l’invention est également de fournir une telle technique qui soit peu couteuse.
Encore un objectif de l’invention est de proposer une technique de détermination de la pression artérielle à partir d’un signal PPG d’un patient qui soit robuste quelle que soit la qualité du signal PPG.
Ces objectifs, ainsi que d’autres qui apparaîtront par la suite sont atteints à l’aide d’un procédé de détermination de la pression artérielle d’un patient, comprenant les étapes suivantes :
  • mesure d’un signal PPG à l’aide d’un capteur de photopléthysmographie appliqué sur une partie du corps dudit patient ;
  • détermination de la pression systolique et de la pression diastolique à partir dudit signal PPG comprenant les étapes suivantes :
  • normalisation dudit signal PPG de sorte à obtenir un signal normalisé de moyenne nulle ;
  • calcul de la pression systolique PAS, ladite pression systolique PAS étant calculée selon la formulation mathématique , où n, avec n , est le nombre d’un premier ensemble de variables explicatives d’une méthode d’apprentissage statistique de type méthode de régression linéaire, lesdites variables explicatives j (j∈[1;n]) étant des marqueurs temporels ou des fréquences caractéristiques, Xj (j ∈ [1;n])est l’amplitude de la variable explicative j(j ∈ [1;n])obtenue pour ledit signal PPG normalisé et les coefficients de pondération αj(j ∈ [1;n])sont des constantes, lesdites variables explicatives j(j ∈ [1;n])et lesdits coefficients de pondération αj(j ∈ [1;n])ayant été préalablement déterminées par construction d’un modèle prédictif à partir dudit modèle d’apprentissage statistique et d’un ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement sur ledit patient.
  • calcul de la pression diastolique PAD, ladite pression diastolique PAD étant calculée selon la formulation mathématique , où p, avec p , est le nombre d’un deuxième ensemble de variables explicatives de ladite méthode d’apprentissage statistique de type méthode de régression linéaire, lesdites variables explicatives i (i∈[1;p]) étant des marqueurs temporels ou des fréquences caractéristiques, Yi (i ∈ [1;p])est l’amplitude de la variable explicative i(i ∈ [1;p])obtenue pour ledit signal PPG normalisé et les coefficients de pondération βi (i ∈ [1;p])sont des constantes, lesdites variables explicatives i(i ∈[ 1;p])et lesdits coefficients de pondération βi(i ∈ [1;p])ayant été préalablement déterminées par construction d’un modèle prédictif à partir dudit modèle d’apprentissage statistique et d’un ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement sur ledit patient au préalable.
Ainsi, de façon inédite, l’invention propose d’utiliser une équation prédictive de la pression systolique et de la pression diastolique obtenues par une méthode d’apprentissage statistique utilisant des marqueurs temporels ou des spectres de signaux PPG préalablement enregistrés pour estimer la valeur de la pression artérielle d’un patient à partir d’une simple mesure d’un signal PPG.
On notera que le procédé selon l’invention permet d’estimer la pression artérielle d’un patient de façon fiable et robuste et avec précision et permet de fournir une estimation de la pression artérielle en continu.
Il convient de noter que dans le cadre de l’invention, le terme « méthode apprentissage statistique de type méthode de régression linéaire » recouvre tout algorithme d’apprentissage automatique connu permettant de fournir une équation linéaire prédictive de la pression artérielle en fonction de variables explicatives, ou en d’autres termes d’exprimer la pression systolique et la pression diastolique sous la forme de fonctions mathématiques linéaires des variables explicatives, et par exemple des méthodes de régression linéaire régularisées, telles que l’algorithme LASSO (acronyme de « Least Absolute Shrinkage and Selection Operator » en anglais), l’algorithme Ridge ou l’algorithme Elastic net, ou des méthodes telles que l’algorithme PLS ...
Par ailleurs dans le cadre de l’invention, on entend le terme « variable explicative » (aussi appelée variable prédictive) dans son acception courante dans le domaine des méthodes d’apprentissage statistique, à savoir une des variables caractéristiques sélectionnées dans un grand ensemble de variable, permettant d’estimer la valeur d’une variable à prédire, aussi appelée variable expliquée.
Dans un mode de réalisation particulier de l’invention, lesdits nombres n et p sont compris entre 10 et 30.
Dans un mode de réalisation avantageux de l’invention, lesdits nombres n et p sont compris entre 20 et 30.
On obtient ainsi une estimation plus précise de la pression artérielle.
Selon un mode de réalisation particulier de l’invention, ladite étape de détermination de la pression systolique et de la pression diastolique comprend une étape de traitement dudit signal PPG normalisé afin d’obtenir un spectre dudit signal PPG, lesdites variables explicatives j(j ∈ [1;n])et i(i ∈ [1;p])sont des fréquences caractéristiques, avec n et p supérieurs ou égaux à 15, et de préférence supérieurs ou égaux à 20, et ledit modèle prédictif est obtenu à partir des spectres médians desdits signaux PPG réalisés au préalable, conjointement avec des mesures de la pression systolique et la pression diastolique.
On déterminer ainsi la pression artérielle de façon précise à partir des informations spectrales des signaux PPG, ce qui est plus simple à mettre en œuvre.
Dans un mode de réalisation particulier de l’invention, lesdites variables explicatives j(j ∈ [1;n])et i(i ∈ [1;p])sont des marqueurs temporels et au moins un desdits marqueurs temporels appartient au groupe comprenant au moins :
  • Paramètre temporel ou d’amplitude du modèle gaussien ;
  • variance de l’entropie spectrale du signal ;
  • skewness de l’onde de pouls ;
  • kurtosis de l’onde de pouls.
La mise en œuvre de marqueurs temporels inédits permet ainsi une estimation plus fiable de la pression artérielle.
Dans un mode de réalisation préféré de l’invention, ladite méthode d’apprentissage statistique de type méthode de régression linéaire est une méthode LASSO.
Avantageusement, ledit ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement au préalable sur ledit patient sont réalisées sur au moins en partie sur ledit patient en position allongée et/ou au moins en partie sur ledit patient en position debout et/ou au moins en partie sur ledit patient après réalisation d’un test d’effort.
On peut ainsi prédire plus précisément la pression artérielle quelle que soit la position (couché ou debout) ou l’état du patient (au repos ou après un effort).
Selon un aspect particulier de l’invention, les mesures dudit ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement au préalable sur ledit patient ont une durée d’au moins 10 secondes.
De préférence, le nombre de mesures dudit ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement au préalable sur ledit patient est supérieur ou égal à 45.
Dans un mode de réalisation particulier de l’invention, le modèle prédiction est construit à partir d’au moins 15 mesures préalables en position couché, d’au moins 15 mesures lorsque le patient est débout et d’au moins 15 mesures réalisées après un test d’effort consistant, par exemple, en un test de Ruffier-Dickson ou en un test d’effort de 10 à 30 minutes pratiqué à l’hopital ou en clinique.
L’invention concerne également un dispositif de détermination de la pression artérielle d’un patient, comprenant :
  • des moyens de mesure d’un signal PPG comprenant un capteur photopléthysmographique destiné à être appliqué sur une partie du corps dudit patient ;
  • des moyens de détermination de la pression systolique et de la pression diastolique à partir dudit signal PPG comprenant une unité de calcul dédiée à ou configurée pour :
  • traiter numériquement ledit signal PPG afin d’obtenir un signal normalisé de moyenne nulle ;
  • calculer la pression systolique PAS selon la formulation mathématique , où n, avec n , est le nombre d’un premier ensemble de variables explicatives d’une méthode d’apprentissage statistique de type méthode de régression linéaire, lesdites variables explicatives j (j∈[1;n]) étant des marqueurs temporels ou des fréquences caractéristiques, Xj (j ∈ [1;n])est l’amplitude de la variable explicative j(j ∈ [1;n])obtenue pour ledit signal PPG normalisé et les coefficients de pondération αj(j ∈ [1;n])sont des constantes, lesdites variables explicatives j(j ∈ [1;n])et lesdits coefficients de pondération αj(j ∈ [1;n])ayant été préalablement déterminées par construction d’un modèle prédictif à partir dudit modèle d’apprentissage statistique et d’un ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement sur ledit patient.
  • calculer la pression diastolique PAD selon la formulation mathématique , où p, avec p , est le nombre d’un deuxième ensemble de variables explicatives de ladite méthode d’apprentissage statistique de type méthode de régression linéaire, lesdites variables explicatives i (i∈[1;p]) étant des marqueurs temporels ou des fréquences caractéristiques, Yi (i ∈ [1;p])est l’amplitude de la variable explicative i(i ∈ [1;p])obtenue pour ledit signal PPG normalisé et les coefficients de pondération βi (i ∈ [1;p])sont des constantes, lesdites variables explicatives i(i ∈ [1;p])et lesdits coefficients de pondération βi (i ∈ [1;p])ayant été préalablement déterminées par construction d’un modèle prédictif à partir dudit modèle d’apprentissage statistique et d’un ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement sur ledit patient au préalable.
Liste des figures
D’autres caractéristiques et avantages de l’invention apparaîtront plus clairement à la lecture de la description suivante de deux modes de réalisation de l’invention, donnés à titre de simples exemples illustratifs et non limitatifs, et des dessins annexés parmi lesquels :
est une représentation synoptique des étapes d’un premier exemple de mode de réalisation d’un procédé de détermination de la pression artérielle dans le domaine fréquentiel selon l’invention, sous forme de diagramme-bloc ;
est une représentation schématique d’un dispositif de détermination de la pression artérielle selon l’invention mettant en œuvre le procédé présenté en référence à la ;
illustre l’utilisation d’une fenêtre glissante pour calculer le spectre médian d’un signal PPG ;
représente l’erreur de prédiction quadratique moyenne croisée par l'algorithme du LASSO en analyse spectrale du signal PPG pour la pression artérielle systolique (a) et la pression diastolique (b) ;
est une comparaison de valeurs prédites et mesurées de la pression artérielle systolique (a) et de la pression diastolique (b) ;
est une représentation synoptique des étapes d’un deuxième exemple de mode de réalisation d’un procédé de détermination de la pression artérielle dans le domaine temporel selon l’invention, sous forme de diagramme-bloc

Claims (10)

  1. Procédé de détermination de la pression artérielle d’un patient, caractérisé en ce qu’il comprend les étapes suivantes :
    • mesure d’un signal PPG à l’aide d’un capteur photopléthysmographique appliqué sur une partie du corps dudit patient ;
    • détermination de la pression systolique et de la pression diastolique à partir dudit signal PPG comprenant les étapes suivantes :
    • normalisation dudit signal PPG de sorte à obtenir un signal normalisé de moyenne nulle ;
    • calcul de la pression systolique PAS, ladite pression systolique PAS étant calculée selon la formulation mathématique , où n, avec n , est le nombre d’un premier ensemble de variables explicatives d’une méthode d’apprentissage statistique de type méthode de régression linéaire, lesdites variables explicatives j (j∈[1;n]) étant des marqueurs temporels ou des fréquences caractéristiques, Xj (j ∈ [1;n])est l’amplitude de la variable explicative j(j ∈ [1;n])obtenue pour ledit signal PPG normalisé et les coefficients de pondération αj(j ∈ [1;n])sont des constantes, lesdites variables explicatives j(j ∈ [1;n])et lesdits coefficients de pondération αj(j ∈ [1;n])ayant été préalablement déterminées par construction d’un modèle prédictif à partir dudit modèle d’apprentissage statistique et d’un ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement sur ledit patient.
    • calcul de la pression diastolique PAD, ladite pression diastolique PAD étant calculée selon la formulation mathématique , où p, avec p , est le nombre d’un deuxième ensemble de variables explicatives de ladite méthode d’apprentissage statistique de type méthode de régression linéaire, lesdites variables explicatives i (i∈[1;p]) étant des marqueurs temporels ou des fréquences caractéristiques, Yi (i ∈ [1;p])est l’amplitude de la variable explicative i(i ∈ [1;p])obtenue pour ledit signal PPG normalisé et les coefficients de pondération βi (i ∈ [1;p])sont des constantes, lesdites variables explicatives i(i ∈ [1;p])et lesdits coefficients de pondération βi (j ∈ [1;p])ayant été préalablement déterminées par construction d’un modèle prédictif à partir dudit modèle d’apprentissage statistique et d’un ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement sur ledit patient au préalable.
  2. Procédé selon la revendication 1, caractérisé en ce que lesdits nombres n et p sont compris entre 10 et 30.
  3. Procédé selon la revendication 2, caractérisé en ce que lesdits nombres n et p sont compris entre 20 et 30.
  4. Procédé selon la revendication 1, caractérisé en ce que l’étape de détermination de la pression systolique et de la pression diastolique comprend une étape de traitement dudit signal PPG normalisé afin d’obtenir un spectre dudit signal PPG,
    en ce que lesdites variables explicatives j(j ∈ [1;n])et i(i ∈ [1;p])sont des fréquences caractéristiques, avec n et p supérieurs ou égaux à 15, et de préférence supérieurs ou égaux à 20,
    et en ce que ledit modèle prédictif est obtenu à partir des spectres médians desdits signaux PPG réalisés au préalable, conjointement avec des mesures de la pression systolique et la pression diastolique.
  5. Procédé selon l’une quelconque des revendications 1 à 3, caractérisé en ce que lesdites variables explicatives j(j ∈ [1;n])et i(i ∈ [1;p])sont des marqueurs temporels et en ce qu’au moins un desdits marqueurs temporels appartient au groupe comprenant au moins :
    • Paramètre temporel ou d’amplitude du modèle gaussien ;
    • variance de l’entropie spectrale du signal ;
    • skewness de l’onde de pouls ;
    • kurtosis de l’onde de pouls.
  6. Procédé selon la revendication selon l’une quelconque des revendications 1 à 5, caractérisé en ce que ladite méthode d’apprentissage statistique de type méthode de régression linéaire est une méthode LASSO.
  7. Procédé selon l’une quelconque des revendications 1 à 6, caractérisé en ce que ledit ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement au préalable sur ledit patient sont réalisées sur au moins en partie sur ledit patient en position allongée et/ou au moins en partie sur ledit patient en position debout et/ou au moins en partie sur ledit patient après réalisation d’un test d’effort.
  8. Procédé selon la revendication selon l’une quelconque des revendications 1 à 7, caractérisé en ce que les mesures dudit ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement au préalable sur ledit patient ont une durée d’au moins 10 secondes.
  9. Procédé selon la revendication selon l’une quelconque des revendications 1 à 8, caractérisé en ce que le nombre de mesures dudit ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement au préalable sur ledit patient est supérieur ou égal à 45.
  10. Dispositif de détermination de la pression artérielle d’un patient, caractérisé en ce qu’il comprend :
    • des moyens de mesure d’un signal PPG comprenant un capteur photopléthysmographique destiné à être appliqué sur une partie du corps dudit patient ;
    • des moyens de détermination de la pression systolique et de la pression diastolique à partir dudit signal PPG comprenant une unité de calcul dédiée à ou configurée pour :
    • traiter numériquement ledit signal PPG afin d’obtenir un signal normalisé de moyenne nulle ;
    • calculer la pression systolique PAS selon la formulation mathématique , où n, avec n , est le nombre d’un premier ensemble de variables explicatives d’une méthode d’apprentissage statistique de type méthode de régression linéaire, lesdites variables explicatives j (j∈[1;n]) étant des marqueurs temporels ou des fréquences caractéristiques, Xj (j ∈ [1;n])est l’amplitude de la variable explicative j(j ∈ [1;n])obtenue pour ledit signal PPG normalisé et les coefficients de pondération αj(j ∈ [1;n])sont des constantes, lesdites variables explicatives j(j ∈ [1;n])et lesdits coefficients de pondération αj(j ∈ [1;n])ayant été préalablement déterminées par construction d’un modèle prédictif à partir dudit modèle d’apprentissage statistique et d’un ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement sur ledit patient.
    • calculer la pression diastolique PAD selon la formulation mathématique , où p, avec p , est le nombre d’un deuxième ensemble de variables explicatives de ladite méthode d’apprentissage statistique de type méthode de régression linéaire, lesdites variables explicatives i (i∈[1;p]) étant des marqueurs temporels ou des fréquences caractéristiques, Yi (i ∈ [1;p])est l’amplitude de la variable explicative i(i ∈ [1;p])obtenue pour ledit signal PPG normalisé et les coefficients de pondération βi (i ∈ [1;p])sont des constantes, lesdites variables explicatives i(i ∈ [1;p])et lesdits coefficients de pondération βi (i ∈ [1;p])ayant été préalablement déterminées par construction d’un modèle prédictif à partir dudit modèle d’apprentissage statistique et d’un ensemble de mesures de signaux PPG et de mesures de la pression systolique et la pression diastolique réalisées conjointement sur ledit patient au préalable.
FR2106657A 2020-06-22 2021-06-22 Procédé de détermination de la pression artérielle à partir d’un signal PPG et dispositif correspondant Pending FR3111533A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2006526A FR3111534A1 (fr) 2020-06-22 2020-06-22 Procédé de prédiction de la pression artérielle à l’aide de capteurs PPG
FR2006526 2020-06-22

Publications (1)

Publication Number Publication Date
FR3111533A1 true FR3111533A1 (fr) 2021-12-24

Family

ID=76807603

Family Applications (2)

Application Number Title Priority Date Filing Date
FR2006526A Pending FR3111534A1 (fr) 2020-06-22 2020-06-22 Procédé de prédiction de la pression artérielle à l’aide de capteurs PPG
FR2106657A Pending FR3111533A1 (fr) 2020-06-22 2021-06-22 Procédé de détermination de la pression artérielle à partir d’un signal PPG et dispositif correspondant

Family Applications Before (1)

Application Number Title Priority Date Filing Date
FR2006526A Pending FR3111534A1 (fr) 2020-06-22 2020-06-22 Procédé de prédiction de la pression artérielle à l’aide de capteurs PPG

Country Status (2)

Country Link
FR (2) FR3111534A1 (fr)
WO (1) WO2021259958A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3770921A1 (fr) * 2019-07-22 2021-01-27 Tata Consultancy Services Limited Procédé et système pour la synthèse de signal photopléthysmographique basée sur une autorégulation de pression

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170238818A1 (en) * 2016-02-18 2017-08-24 Samsung Electronics Co., Ltd. Method and electronic device for cuff-less blood pressure (bp) measurement
US20180303354A1 (en) * 2016-10-20 2018-10-25 Boe Technology Group Co., Ltd. Apparatus and method for determining a blood pressure of a subject

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170238818A1 (en) * 2016-02-18 2017-08-24 Samsung Electronics Co., Ltd. Method and electronic device for cuff-less blood pressure (bp) measurement
US20180303354A1 (en) * 2016-10-20 2018-10-25 Boe Technology Group Co., Ltd. Apparatus and method for determining a blood pressure of a subject

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
BAEK, S.JANG, J.YOON, S.: "End-to-end blood pressure prédiction viafully convolutional networks", IEEE ACCESS, vol. 7, 2019, pages 185458 - 185468
CHOUDHURY, A.D.BANERJEE, R.SINHA, A.KUNDU, S.:: "Annual Interna- tional Conférence of the IEEE Engineering in Medicine and Biology Society", 2014, IEEE, article "Estimating blood pressure using windkessel model on photoplethysmogram", pages: 4567 - 4570
LAMONACA, F.BARBE, K.KURYLYAK, Y.GRIMALDI, D.VAN MOER, W.FURFARO, A.SPAGNUOLO, V.: "IEEE 7th International Conférence on In- telligent Data Acquisition and Advanced Computing Systems (IDAACS)", vol. 1, 2013, IEEE, article "Application of the artificial neural network for blood pressure évaluation with smartphones", pages: 408 - 412
MOUNEY FRANCK ET AL: "Towards a Smartwatch for Cuff-Less Blood Pressure Measurement Using PPG Signal and Physiological Features", vol. 314, 3 April 2020 (2020-04-03), pages 67 - 76, XP009529863, ISBN: 978-3-030-42029-1, Retrieved from the Internet <URL:http://link.springer.com/10.1007/978-3-030-42029-1_5> [retrieved on 20210907], DOI: 10.1007/978-3-030-42029-1_5 *
MOUNEY, F.TIPLICA, T.HALLAB, M.DINOMAIS, M.FASQUEL, J.B.: "Towards a smartwatch for cuff-less bloodpressure mea-surement using ppg signal and physiologicalfeatures", INTERNATIONAL CONFÉRENCE ON IOT TECHNOLOGIES FOR HEALTHCARE, 2019
XING, X.SUN, M.: "Optical blood pressure estimation with photoplethysmography andfft-based neural networks", BIOMEDICAL OPTICS EXPRESS, vol. 7, no. 8, 2016, pages 3007 - 3020, XP055495990, DOI: 10.1364/BOE.7.003007
YANG SEN ET AL: "Blood pressure estimation with complexity features from electrocardiogram and photoplethysmogram signals", OPTICAL AND QUANTUM ELECTRONICS, CHAPMAN AND HALL, LONDON, GB, vol. 52, no. 3, 17 February 2020 (2020-02-17), XP037078616, ISSN: 0306-8919, [retrieved on 20200217], DOI: 10.1007/S11082-020-2260-7 *
YI CHEN ET AL: "Continuous blood pressure measurement based on photoplethysmography", 2019 14TH IEEE INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT & INSTRUMENTS (ICEMI), IEEE, 1 November 2019 (2019-11-01), pages 1656 - 1663, XP033774930, DOI: 10.1109/ICEMI46757.2019.9101774 *

Also Published As

Publication number Publication date
FR3111534A1 (fr) 2021-12-24
WO2021259958A1 (fr) 2021-12-30

Similar Documents

Publication Publication Date Title
CN105147274B (zh) 一种从可见光谱段人脸视频信号中提取心率的方法
KR102497849B1 (ko) 분석물질 농도 예측 방법 및 장치
EP1265529B1 (fr) Mesure non invasive du taux de bilirubine de la peau
CN110946553B (zh) 一种基于高光谱图像的在体组织光学参数测量装置及方法
CN109381175A (zh) 估计心率的方法和对应系统
KR20180067961A (ko) 스웹 소스 간섭계를 이용한 피하지방층 두께 추정 장치 및 그 방법
Tsai et al. Diabetes care in motion: Blood glucose estimation using wearable devices
US20170296081A1 (en) Frame based spike detection module
CN108366744A (zh) 用于检测生理参数的系统及方法
FR3111533A1 (fr) Procédé de détermination de la pression artérielle à partir d’un signal PPG et dispositif correspondant
US20210236010A1 (en) Model setting device, blood-pressure measuring device, and model setting method
CN112788200A (zh) 频谱信息的确定方法及装置、存储介质、电子装置
CN110457646B (zh) 一种基于参数迁移学习低资源头相关传输函数个性化方法
CN109157825B (zh) 一种检测肌肉外源性疲劳度的方法、装置及存储介质
FR3070590B1 (fr) Methode d&#39;evaluation de maturation d&#39;un bebe premature et systeme associe
US20200178902A1 (en) A system and method for extracting a physiological information from video sequences
FR3083690A1 (fr) Procede de determination de l&#39;etat de stress d&#39;un individu
CN104688199B (zh) 一种基于皮肤色素浓度差分的非接触式脉搏测量方法
RU2351005C1 (ru) Способ оценки параметров сигнала и устройство для реализации способа (варианты)
FR2797343A1 (fr) Procede et dispositif de detection d&#39;activite vocale
KR20190063364A (ko) 혈당 농도를 예측하는 장치 및 방법
KR102340152B1 (ko) 피판술 후 조직 괴사 및 손상의 조기 예측 시스템 및 그 방법
EP3547911B1 (fr) Procedes et dispositifs de determination d&#39;un signal synthetique d&#39;une activite bioelectrique
EP4380431A1 (fr) Analyse quantitative de fluctuations dans des tissus biologiques par imagerie photoacoustique multispectrale
FR3090130A1 (fr) Détermination de l’évolution d’un environnement sous-marin par analyse acoustique

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20220520