CN107928654A - 一种基于神经网络的脉搏波信号血压检测方法 - Google Patents
一种基于神经网络的脉搏波信号血压检测方法 Download PDFInfo
- Publication number
- CN107928654A CN107928654A CN201711309884.9A CN201711309884A CN107928654A CN 107928654 A CN107928654 A CN 107928654A CN 201711309884 A CN201711309884 A CN 201711309884A CN 107928654 A CN107928654 A CN 107928654A
- Authority
- CN
- China
- Prior art keywords
- mrow
- pulse wave
- msub
- point
- msup
- 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
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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
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)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提出一种基于神经网络的脉搏波信号血压检测方法，属于生命体征信号处理领域和人工智能领域。该方法包括步骤：使用一个数据采集模块，采集脉搏波信号；使用一个数据处理模块，用于处理原始脉搏波信号，主要使用低通滤波去除信号中的高频突变点及小波去噪算法去除信号中的基线漂移；提取脉搏波中的特征点，特征点包含脉搏波周期，周期内的最大值和最小值，波形时域面积参数，周期内的曲率最大点和曲率最小点等一系列特征点；计算相关特征参数，本发明提取了15个特征参数；将15个特征参数作为输入层，选取适当的人工智能的BP算法，基于神经网络计算出收缩压和舒张压。
Description
技术领域
本发明涉及脉搏波信号的处理以及机器学习的相关算法属于生命体征信号处理领域及人工智能领域。
背景技术
血压是衡量人体心血管***的重要参数之一，为了摆脱传统血压计充气袖带的束缚,实现长期连续的血压检测，一直是生物医学领域研究的热点之一。当血液流过外周血管中的微动脉、毛细血管和微静脉等微血管时，该部分微血管的血液容积在心脏搏动下同样会呈现脉动性变化。这种血液容积的脉动性可以通过光电容积脉搏波描记法进行记录。脉搏波的波形幅度和形态包含了心脏和心血管***的许多重要生理信息，对它进行检测和分析，对心血管疾病的预防与临床诊断治疗方面有着重要的意义和作用。
学习是人类具有的一种重要智能行为，目前计算机也已经初步具备了这种能力。机器学习就是指“计算机利用经验自动改善自身性能的行为”。简言之，机器学习是指通过计算机学习数据中的内在规律性信息，获得新的经验和知识，以提高计算机的智能性，使计算机能够像人那样去决策。以深度学习为代表的机器学习是当前最接近人类大脑的智能学习和认知过程，充分借鉴了人脑的多分层结构、神经元的连接交互、分布式稀疏存储和表征、信息的逐层分析和处理机制，在语音、图像识别等方面取得了突破性进展，在诸多应用领域取得巨大商业成功。
现有的无创血压测量方法有：听诊法、示波法、动脉张力测定法、容积补偿法。其中听诊法由于血管被压迫对人体所造成的不适性，在长时间连续血压观测中不适宜采用；示波法削弱了反应血压的高频成分，智能用于间歇性血压测量；动脉张力测定法对保持传感器测量位置较为困难；容积补偿法由于需要在被测部位保持一定的压力，舒适性较差另外测量装置复杂等不足之处。
为了克服以上方法的不足，本发明专利提出了一种基于人工神经网络的无创连续血压测量的新方法。
发明内容
本发明的目的是为克服已有技术的不足之处，提出一种基于神经网络的脉搏波信号血压检测方法。该方法通过提取脉搏波的特征点，计算脉搏波的特征参数，最后基于机器学习计算出收缩压和舒张压，本发明总体框图见附图1。
本发明提出的基于神经网络的脉搏波信号血压检测方法，其特征在于：
现有的无创血压测量方法存在各种不足，机器学习是人工智能的研究热点，其理论和方法已经被广泛应用于解决工程应用和科学领域的复制问题，在诸多的应用领域取得了巨大商业成功。本发明将其应用于生命体征参数领域，使用比较成熟的机器学习算法使得测得的体征参数更为准确。
一种基于神经网络的脉搏波信号血压检测方法，本发明提出的方法主要包括以下几个步骤：
步骤一、使用一个数据采集模块，用于采集脉搏波信号；
步骤二、使用一个数据处理模块，用于处理采集得到的脉搏波信号；
步骤三、处理去噪后的脉搏波信号，提取脉搏波的特征点；
步骤四、基于脉搏波的特征点提取脉搏波特征参数；
步骤五、将特征参数作为神经网络的参数输入，计算出收缩压和舒张压。
本发明的有益效果主要在于提高血压测量的准确性。具体如下：
1.提高测量的准确性
本发明方法以提取的特征参数作为神经网络(Artificial Neural Network，ANN)的矢量输入，以每搏PPG信号对应的收缩压(SBP)和舒张压(DBP)作为ANN的矢量输出，进行训练。实验数据来自于THE MIMIC DATABASE，该数据库记录了多种生理信号和生命体征。根据实验测试SBP和DBP的绝对误差均达到了美国医疗器械促进协会颁发的血压计准确性的国际标准。该方法为智能穿戴设备实现血压的无创连续测量提供了一定的参考价值。
附图说明
附图1：本发明流程整体框图。
附图2：脉搏波特征点的识别结果。
附图3：特征参数列表。
附图4：基于神经网络血压检测模型。
具体实施方式
本发明的目的是为克服已有技术的不足之处，提出一种基于神经网络的脉搏波信号血压检测方法。该方法通过提取脉搏波的特征点，计算脉搏波的特征参数，最后基于机器学习计算出收缩压和舒张压。
本发明提出的基于神经网络的脉搏波信号血压检测方法，其特征在于：
现有的无创血压测量方法存在各种不足，机器学习是人工智能的研究热点，其理论和方法已经被广泛应用于解决工程应用和科学领域的复制问题，在诸多的应用领域取得了巨大商业成功。本发明将其应用于生命体征参数领域，使用比较成熟的机器学习算法使得测得的体征参数更为准确。下面结合附图对本发明实施方式进行详细描述。
一种基于神经网络的脉搏波信号血压检测方法，其具体步骤如下：
步骤一、使用一个数据采集模块，用于采集脉搏波信号。
步骤二、使用一个数据处理模块，用于处理采集得到的脉搏波信。
具体步骤如下：
1)设置低通滤波器，去除信号中包含的高频突变点；
2)将滤波后的信号进行小波去噪处理；
3)阈值函数的选择。硬阈值函数连续性不好，会导致伪吉布斯现象，而软阈值函数虽然整体连续性好，但估计值与实际值之间总存在恒定的偏差，容易发生失真，具有一定的局限性。因此对于阈值函数的选择，既要保证其连续性，又要防止其失真。对阈值函数的选择为：
该函数通过k和m两个参数控制，k的取值范围为(0,1]，参数k决定函数的渐近线，当k＝1时，该函数趋近于硬阈值函数，当k→0时，该函数趋近于软阈值函数。m为微调函数，我们可以通过调节m的大小，得到最优函数；
4)小波基的选择。小波基的选择要兼顾小波的正交性、对称性、光滑度和正则性。小波的对称性保留更好的相位信息，其正则性和光滑度是为了获得更好的重构信号。其中，Daubechies小波族中除了db1(Haar)小波具有对称性，其他的都没有；Symlets(symN)小波是在Daubechies小波基础上提出具有近似对称性的小波。因此对于小波基的选择可以在Haar小波和symN小波中选择；
5)利用小波变换去噪后,然后对小波系数重构得到去噪后的脉搏波信号。
步骤三、处理去噪后的脉搏波信号，提取脉搏波的特征点。
具体步骤如下：
1)采用阈值法对脉搏波进行周期分割，阈值P由下式确定
P＝h(Amax-Amin)
其中η是大量脉搏波统计分析得到的系数，Amax和Amin分别为每一组脉搏波的最大值和最小值，若大于阈值则认为极小值点是前一周期的终点，后一周期的起点；
2)在每个脉搏波周期范围内寻找最小值点和最大值点，分别对应B点和C点；
3)在每个脉搏波周期范围内寻找极小值点和最大值点，分别对应F点和G点；
4)在每个脉搏波周期范围内寻找二阶差分最大值点，对应特征点D；
5)在D点和F点之间寻找斜率最小的点，对应特征点E；
步骤四、基于脉搏波的特征点提取脉搏波特征参数。定义特征参数，包含以下特征参数：主波振幅H1、重搏波前波振幅H2、降中峡振幅H3、重搏波振幅H4、主波上升斜率V、脉搏波收缩时期T1、脉搏波舒张时期T2、脉动周期时间T和脉搏波收缩期面积Sa、脉搏波舒张期面积Sb、脉搏波时域波形总面积S。
步骤五、将特征参数作为神经网络的参数输入层，计算出收缩压和舒张压。如附图4所示，输入层为附图3中选取的15个特征参数作为输入层，当中隐含层使用signmoid函数，训练采用Levenberg-Marquardt算法，即trainlm函数。隐含层包含30个神经元，以每搏PPG信号对应的收缩压(SBP)和舒张压(DBP)作为输出层。实验数据来自THE MIMIC DATABASE，提取该数据库中脉搏波数据部分以及对应的SBP和DBP。把这些数据分为ANN模型训练和测试两部分。其中70％的数据作为模型训练数据，30％作为模型测试数据。最终输出收缩压和舒展压的结果。
Claims (4)
1.一种基于神经网络的脉搏波信号血压检测方法，其特征在于：所述检测算法通过以下步骤实现：
步骤一、使用一个数据采集模块，用于采集脉搏波信号；
步骤二、使用一个数据处理模块，用于处理采集得到的脉搏波信号；
步骤三、处理去噪后的脉搏波信号，提取脉搏波的特征点；
步骤四、基于脉搏波的特征点提取脉搏波特征参数；
步骤五、将选取的特征参数作为神经网络的参数输入层，计算出收缩压和舒张压。
2.根据权利要求1所述一种基于神经网络的脉搏波信号血压检测方法其特征在于，步骤二具体过程为：
步骤二一、设置低通滤波器，去除信号中包含的高频突变点；
步骤二二、将滤波后的信号进行小波去噪处理；
步骤二二一、阈值函数的选择，硬阈值函数连续性不好，会导致伪吉布斯现象，而软阈值函数虽然整体连续性好，但估计值与实际值之间总存在恒定的偏差，容易发生失真，具有一定的局限性，因此对于阈值函数的选择，既要保证其连续性，又要防止其失真，对阈值函数的选择为：
<mrow>
<msub>
<mover>
<mi>w</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>&lambda;</mi>
<mo>-</mo>
<mn>0.5</mn>
<mfrac>
<mrow>
<mi>k</mi>
<mo>&times;</mo>
<msup>
<mi>&lambda;</mi>
<mi>m</mi>
</msup>
</mrow>
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>></mo>
<mi>&lambda;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0.5</mn>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>-</mo>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>&rsqb;</mo>
</mrow>
</msup>
</mrow>
<msup>
<mi>&lambda;</mi>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>-</mo>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>&rsqb;</mo>
</mrow>
</msup>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>|</mo>
<mo><</mo>
<mi>&lambda;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mn>0.5</mn>
<mfrac>
<mrow>
<mi>k</mi>
<mo>&times;</mo>
<msup>
<mi>&lambda;</mi>
<mi>m</mi>
</msup>
</mrow>
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo><</mo>
<mo>-</mo>
<mi>&lambda;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
该函数通过k和m两个参数控制，k的取值范围为(0,1]，参数k决定函数的渐近线，当k＝1时，该函数趋近于硬阈值函数，当k→0时，该函数趋近于软阈值函数，m为微调函数，我们可以通过调节m的大小，得到最优函数；
步骤二二二、小波基的选择，小波基的选择要兼顾小波的正交性、对称性、光滑度和正则性，小波的对称性保留更好的相位信息，其正则性和光滑度是为了获得更好的重构信号，其中，Daubechies小波族中除了db1(Haar)小波具有对称性，其他的都没有；Symlets(symN)小波是在Daubechies小波基础上提出具有近似对称性的小波，因此对于小波基的选择可以在Haar小波和symN小波中选择；
步骤二二三、利用小波变换去噪后,然后对小波系数重构得到去噪后的脉搏波信号。
3.根据权利要求1所述一种基于神经网络的脉搏波信号血压检测方法其特征在于，步骤三具体过程为：
步骤三一、采用阈值法对脉搏波进行周期分割，阈值P由下式确定
P＝h(Amax-Amin)
其中η是大量脉搏波统计分析得到的系数，Amax和Amin分别为每一组脉搏波的最大值和最小值，若大于阈值则认为极小值点是前一周期的终点，后一周期的起点；
步骤三二、在每个脉搏波周期范围内寻找最小值点和最大值点，分别对应B点和C点；
步骤三三、在每个脉搏波周期范围内寻找极小值点和最大值点，分别对应F点和G点；
步骤三四、在每个脉搏波周期范围内寻找二阶差分最大值点，对应特征点D；
步骤三五、在D点和F点之间寻找斜率最小的点，对应特征点E。
4.根据权利要求1所述一种基于神经网络的脉搏波信号血压检测方法其特征在于，步骤四具体过程为：
步骤四一、提取特征参点的值；
步骤四二、定义特征参数，包含以下特征参数：主波振幅H1、重搏波前波振幅H2、降中峡振幅H3、重搏波振幅H4、主波上升斜率V、脉搏波收缩时期T1、脉搏波舒张时期T2、脉动周期时间T和脉搏波收缩期面积Sa、脉搏波舒张期面积Sb、脉搏波时域波形总面积S。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711309884.9A CN107928654A (zh) | 2017-12-11 | 2017-12-11 | 一种基于神经网络的脉搏波信号血压检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711309884.9A CN107928654A (zh) | 2017-12-11 | 2017-12-11 | 一种基于神经网络的脉搏波信号血压检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107928654A true CN107928654A (zh) | 2018-04-20 |
Family
ID=61946527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711309884.9A Pending CN107928654A (zh) | 2017-12-11 | 2017-12-11 | 一种基于神经网络的脉搏波信号血压检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107928654A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109259745A (zh) * | 2018-10-25 | 2019-01-25 | 贵州医科大学附属医院 | 一种穿戴式心脑血管疾病智能监测***及方法 |
| CN111214218A (zh) * | 2020-01-13 | 2020-06-02 | 京东方科技集团股份有限公司 | 一种多生理参数的检测设备 |
| CN112089405A (zh) * | 2020-08-26 | 2020-12-18 | 上海大学 | 一种脉搏波特征参数测量及显示装置 |
| CN112220449A (zh) * | 2019-07-15 | 2021-01-15 | 爱科维申科技（天津）有限公司 | 光电式鸡胚成活性检测装置和方法 |
| CN113100720A (zh) * | 2021-05-25 | 2021-07-13 | 北京测态培元科技有限公司 | 一种基于深度学习的脉象判别方法 |
| CN113116321A (zh) * | 2021-03-03 | 2021-07-16 | 吉林大学珠海学院 | 基于pso-grnn神经网络的无创连续血压测量*** |
| WO2021164345A1 (zh) * | 2020-02-21 | 2021-08-26 | 乐普（北京）医疗器械股份有限公司 | 一种血压预测的方法和装置 |
| WO2023236658A1 (zh) * | 2022-06-10 | 2023-12-14 | 荣耀终端有限公司 | 一种血压测量设备和*** |
-
2017
- 2017-12-11 CN CN201711309884.9A patent/CN107928654A/zh active Pending
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109259745A (zh) * | 2018-10-25 | 2019-01-25 | 贵州医科大学附属医院 | 一种穿戴式心脑血管疾病智能监测***及方法 |
| CN112220449A (zh) * | 2019-07-15 | 2021-01-15 | 爱科维申科技（天津）有限公司 | 光电式鸡胚成活性检测装置和方法 |
| CN112220449B (zh) * | 2019-07-15 | 2023-09-15 | 爱科维申科技（天津）有限公司 | 光电式鸡胚成活性检测装置和方法 |
| CN111214218A (zh) * | 2020-01-13 | 2020-06-02 | 京东方科技集团股份有限公司 | 一种多生理参数的检测设备 |
| CN111214218B (zh) * | 2020-01-13 | 2024-02-09 | 京东方科技集团股份有限公司 | 一种多生理参数的检测设备 |
| WO2021164345A1 (zh) * | 2020-02-21 | 2021-08-26 | 乐普（北京）医疗器械股份有限公司 | 一种血压预测的方法和装置 |
| CN112089405A (zh) * | 2020-08-26 | 2020-12-18 | 上海大学 | 一种脉搏波特征参数测量及显示装置 |
| CN112089405B (zh) * | 2020-08-26 | 2023-03-14 | 上海大学 | 一种脉搏波特征参数测量及显示装置 |
| CN113116321A (zh) * | 2021-03-03 | 2021-07-16 | 吉林大学珠海学院 | 基于pso-grnn神经网络的无创连续血压测量*** |
| CN113100720A (zh) * | 2021-05-25 | 2021-07-13 | 北京测态培元科技有限公司 | 一种基于深度学习的脉象判别方法 |
| WO2023236658A1 (zh) * | 2022-06-10 | 2023-12-14 | 荣耀终端有限公司 | 一种血压测量设备和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107928654A (zh) | 一种基于神经网络的脉搏波信号血压检测方法 | |
| Tanveer et al. | Cuffless blood pressure estimation from electrocardiogram and photoplethysmogram using waveform based ANN-LSTM network | |
| Kachuee et al. | Cuff-less high-accuracy calibration-free blood pressure estimation using pulse transit time | |
| Forouzanfar et al. | Oscillometric blood pressure estimation: past, present, and future | |
| WO2021208490A1 (zh) | 一种基于深度神经网络的血压测量方法及装置 | |
| CN102429649B (zh) | 连续血压测量装置 | |
| CN106821356A (zh) | 基于Elman神经网络的云端连续血压测量方法及*** | |
| Yan et al. | Novel deep convolutional neural network for cuff-less blood pressure measurement using ECG and PPG signals | |
| CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
| CN108053708B (zh) | 一种动态脉搏波仿真模块 | |
| Li et al. | A new signal decomposition to estimate breathing rate and heart rate from photoplethysmography signal | |
| CN111839488B (zh) | 基于脉搏波的无创连续血压测量装置和方法 | |
| 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 | |
| Argha et al. | A novel automated blood pressure estimation algorithm using sequences of Korotkoff sounds | |
| CN108403101A (zh) | 一种模型训练方法及装置、测量血压的方法及装置 | |
| Esmaelpoor et al. | Cuffless blood pressure estimation methods: Physiological model parameters versus machine-learned features | |
| CN110840428B (zh) | 基于一维U-Net网络的无创血压估计方法 | |
| Dash et al. | Estimation of arterial blood pressure waveform from photoplethysmogram signal using linear transfer function approach | |
| Ertuğrul et al. | A noninvasive time-frequency-based approach to estimate cuffless arterial blood pressure | |
| Wang et al. | Photoplethysmography-based blood pressure estimation using deep learning | |
| Pan et al. | Improved blood pressure estimation using photoplethysmography based on ensemble method | |
| CN103767694B (zh) | 一种准确提取袖带压力震荡波的方法 | |
| Yen et al. | Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN. | |
| 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 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180420 |
|
| WD01 | Invention patent application deemed withdrawn after publication |