LU502768B1 - Intelligent blood pressure prediction method based on multi-scale residual network and ppg signal - Google Patents
Intelligent blood pressure prediction method based on multi-scale residual network and ppg signal Download PDFInfo
- Publication number
- LU502768B1 LU502768B1 LU502768A LU502768A LU502768B1 LU 502768 B1 LU502768 B1 LU 502768B1 LU 502768 A LU502768 A LU 502768A LU 502768 A LU502768 A LU 502768A LU 502768 B1 LU502768 B1 LU 502768B1
- Authority
- LU
- Luxembourg
- Prior art keywords
- ppg signal
- blood pressure
- pressure prediction
- residual network
- scale residual
- Prior art date
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 12
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013186 photoplethysmography Methods 0.000 description 60
- 230000035487 diastolic blood pressure Effects 0.000 description 4
- 230000035488 systolic blood pressure Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 208000021822 hypotensive Diseases 0.000 description 1
- 230000001077 hypotensive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000003371 toe Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- A61B5/02—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
- A61B5/72—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
- A61B5/72—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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Vascular Medicine (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Claims (5)
1. Intelligentes Blutdruck-Vorhersageverfahren auf der Grundlage eines mehrskaligen Restnetzes und eines PPG-Signals, das die folgenden Schritte umfasst: S1, Erfassen des PPG-Signals eines Benutzers; S2, Filtern des erfassten PPG-Signals des Benutzers, und Erhalten des gefilterten PPG-Signals; S3, Segmentieren des gefilterten PPG-Signals gemäß einer voreingestellten Abtastdauer und Erhalten mehrerer PPG-Signalabtastwerte; S4, Aufteilen der segmentierten mehreren PPG-Signalabtastwerte in einen Trainingssatz und einen Testsatz und Normalisieren der PPG- Signalabtastwerte in dem Trainingssatz und der PPG-Signalabtastwerte in dem Testsatz; S5, Konstruieren eines anfänglichen mehrskaligen Restnetz-Blutdruck- Vorhersagemodells; S6, Eingeben der normalisierten PPG-Signalabtastwerte in dem Trainingssatz in das anfängliche mehrskalige Restnetz-Blutdruck- Vorhersagemodell zum Trainieren, und Erhalten des trainierten mehrskaligen Restnetz-Blutdruck-Vorhersagemodells; und S7, Eingeben der normalisierten PPG-Signalabtastwerte in dem Testsatz in das trainierte mehrskalige Restnetz-Blutdruck-Vorhersagemodell zur Blutdruckvorhersage, und Erhalten eines Blutdruck-Vorhersageergebnisses des Benutzers.
2. Intelligentes Blutdruck-Vorhersageverfahren auf der Grundlage eines mehrskaligen Restnetzes und eines PPG-Signals nach Anspruch 1, das ferner die folgenden Schritte umfasst: Erfassen des PPG-Signals des Benutzers mit Hilfe einer PPG-Signal- Sammelvorrichtung; und Einstellen der Abtastdauer fur jede Analyse und Segmentieren des PPG- Signals durch ein Schiebefensterverfahren gemäß der Abtastdauer, und 1
BL-5546 LU502768 Aufteilen der segmentierten PPG-Signalabtastwerte in den Trainingssatz und den Testsatz.
3. Intelligentes Blutdruck-Vorhersageverfahren auf der Grundlage eines mehrskaligen Restnetzes und eines PPG-Signals nach Anspruch 1, wobei das Aufteilen der segmentierten mehreren PPG-Signalabtastwerte in einen Trainingssatz und einen Testsatz und Normalisieren der PPG- Signalabtastwerte in dem Trainingssatz und der PPG-Signalabtastwerte in dem Testsatz Folgendes umfasst: Skalieren der PPG-Signalabtastwerte in dem Trainingssatz und der PPG- Signalabtastwerte in dem Testsatz durch ein Min-Max-Normalisierungs- verfahren.
4. Intelligentes Blutdruck-Vorhersageverfahren auf der Grundlage eines mehrskaligen Restnetzes und eines PPG-Signals nach Anspruch 1, wobei das Konstruieren eines anfänglichen mehrskaligen Restnetz-Blutdruck- Vorhersagemodells Folgendes umfasst: Bestimmen von Hyperparametern eines jeden Moduls des anfänglichen mehrskaligen Restnetz-Blutdruck-Vorhersagemodells gemäß Strukturparametern eines Resnet-18-Netzes, wobei die Hyperparameter eine Faltungskernelgröße, eine Kanalnummer und eine Schrittgröße einer jeden Faltungsschicht, eine Pooling-Größe und eine Schrittgröße einer jeden Pooling-Schicht umfassen, und ein spezifischer Konstruktionsprozess des anfänglichen mehrskaligen Restnetz-Blutdruck-Vorhersagemodells wie folgt ist: Schritt S5.1, Konstruieren von 3 Faltungsschichten mit 1Xx1- Faltungskernels und 1 Max-Pooling-Schicht nach einer Eingabeschicht, wobei auf 2 Faltungsschichten mit einem 1 x 1-Faltungskernel eine Faltungsschicht mit 3 x 1-Faltungskernels bzw. eine Faltungsschicht mit 5 x 1-Faltungskernen folgt und auf die Max-Pooling-Schicht eine Faltungsschicht mit einem 1 x 1-Faltungskernel zur Erfassung von mehrskaligen Merkmalen in dem PPG-Signal folgt; 2
BL-5546 LU502768 Schritt S5.2, dann Konstruieren einer Kanal-Splicing-Schicht und Konstruieren von 4 Faltungsschichten mit der Kanalzahl von 16, der FaltungskernelgrôBe von 3 x 1 und der SchrittgrôBe von 1 der Reihe nach und zur gleichen Zeit Hinzufügen einer Skip-Verbindung zwischen zwei Faltungsschichten; wobei insgesamt zwei Skip-Verbindungen hinzugefügt werden; Schritt $5.3, dann Konstruieren von 4 Faltungsschichten mit der Kanalanzahl von 32 und der FaltungskernelgrôfRe von 3 x 1 der Reihe nach, wobei die SchrittgrôBe einer ersten Faltungsschicht 2 beträgt, die so konfiguriert ist, dass sie die Merkmale komprimiert, und die SchrittgrôRe der verbleibenden Faltungsschichten 1 beträgt; und zur gleichen Zeit Hinzufügen der Skip-Verbindung zwischen den letzten beiden Faltungsschichten; Schritt $5.4, dann Konstruieren von 4 Faltungsschichten mit der Kanalanzahl von 64 und der FaltungskernelgrôBe von 3 x 1 der Reihe nach, wobei die SchrittgrôRe einer ersten Faltungsschicht 2 ist und die SchrittgrôBe der verbleibenden Faltungsschichten 1 ist; und gleichzeitiges Hinzufügen der Skip-Verbindung zwischen den letzten beiden Faltungsschichten; und Schritt S5.5, schließlich Konstruieren einer globalen durchschnittlichen Pooling-Schicht und Eingeben der mehrskaligen Merkmale des PPG-Signals, das von der globalen durchschnittlichen Pooling-Schicht ausgegeben wird, in eine vollständig verbundene Schicht mit 2 Neuronen, um das trainierte mehrskalige Restnetz-Blutdruck-Vorhersagemodell zu erhalten.
5. Intelligentes Blutdruck-Vorhersageverfahren auf der Grundlage eines mehrskaligen Restnetzes und eines PPG-Signals nach Anspruch 1, das ferner Folgendes umfasst: Eingeben der normalisieten PPG- Signalabtastwerte in dem Trainingssatz in das anfängliche mehrskalige Restnetz-Blutdruck-Vorhersagemodell zum Training, wobei eine Lernrate auf 0,001 eingestellt wird; und Minimieren eines mittleren quadratischen Fehlers eines wahren Blutdruckwerts und eines vorhergesagten Blutdruckwerts unter Verwendung eines Adam-Optimierers. 3
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210690723.3A CN115089145A (zh) | 2022-06-17 | 2022-06-17 | 基于多尺度残差网络和ppg信号的智能血压预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| LU502768B1 true LU502768B1 (en) | 2023-12-22 |
Family
ID=83290207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| LU502768A LU502768B1 (en) | 2022-06-17 | 2022-07-20 | Intelligent blood pressure prediction method based on multi-scale residual network and ppg signal |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN115089145A (de) |
| LU (1) | LU502768B1 (de) |
| WO (1) | WO2023240739A2 (de) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115644835A (zh) * | 2022-11-01 | 2023-01-31 | 北京测态培元科技有限公司 | 基于可视图和深度残差网络的无袖套血压测量方法 |
-
2022
- 2022-06-17 CN CN202210690723.3A patent/CN115089145A/zh active Pending
- 2022-07-20 LU LU502768A patent/LU502768B1/en active IP Right Grant
- 2022-07-20 WO PCT/CN2022/106628 patent/WO2023240739A2/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| CN115089145A (zh) | 2022-09-23 |
| WO2023240739A2 (zh) | 2023-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021208490A1 (zh) | 一种基于深度神经网络的血压测量方法及装置 | |
| Rong et al. | A multi-type features fusion neural network for blood pressure prediction based on photoplethysmography | |
| WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
| WO2017024457A1 (zh) | 连续血压测量装置、测量模型建立方法和系统 | |
| Wang et al. | Photoplethysmography-based blood pressure estimation combining filter-wrapper collaborated feature selection with LASSO-LSTM model | |
| CN111248879B (zh) | 一种基于多模态注意力融合的高血压老年人活动分析方法 | |
| WO2023185873A1 (zh) | 一种基于多阶多模态的非袖带式血压测量装置及方法 | |
| CN112089405A (zh) | 一种脉搏波特征参数测量及显示装置 | |
| Argha et al. | A novel automated blood pressure estimation algorithm using sequences of Korotkoff sounds | |
| LU502768B1 (en) | Intelligent blood pressure prediction method based on multi-scale residual network and ppg signal | |
| CN110840428B (zh) | 基于一维U-Net网络的无创血压估计方法 | |
| Yen et al. | Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN. | |
| Ma et al. | Atrial fibrillation detection algorithm based on graph convolution network | |
| CN110491504B (zh) | 一种心音信号医学指标数据的获取方法 | |
| Ghosh et al. | Introduction of boosting algorithms in continuous non-invasive cuff-less blood pressure estimation using pulse arrival time | |
| Pu et al. | Cuff-less blood pressure estimation from electrocardiogram and photoplethysmography based on VGG19-LSTM network | |
| CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
| Liu et al. | Central aortic blood pressure waveform estimation with a temporal convolutional network | |
| Kim et al. | Reliability of the photoplethysmographic analysis using deep neural network (dnn) algorithm | |
| Sun et al. | Noninvasive Blood Pressure Prediction Based on Dual Encoder U-Net | |
| US20240016397A1 (en) | Estimation of blood pressure using ballistocardiogram and peripheral photoplethysmogram | |
| Sahoo et al. | Classification of Cardiac Abnormality using PPG Fiducial Parameters and Probabilistic Neural Network | |
| Moghaddam Mansouri et al. | Systolic Blood Pressure Estimation from Electrocardiogram and Photoplethysmogram Signals Using Convoluional Neural Networks | |
| CN114145722B (zh) | 一种面向胰腺炎患者的脉搏病理特征挖掘方法 | |
| CN117100239A (zh) | 基于cnn+lstm和ppg信号的血压检测系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FG | Patent granted |
Effective date: 20231222 |