CN109259745A - 一种穿戴式心脑血管疾病智能监测***及方法 - Google Patents
一种穿戴式心脑血管疾病智能监测***及方法 Download PDFInfo
- Publication number
- CN109259745A CN109259745A CN201811252215.7A CN201811252215A CN109259745A CN 109259745 A CN109259745 A CN 109259745A CN 201811252215 A CN201811252215 A CN 201811252215A CN 109259745 A CN109259745 A CN 109259745A
- Authority
- CN
- China
- Prior art keywords
- signal
- pulse wave
- module
- electrocardiosignal
- denoising
- 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
- A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Vascular Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明属于心脑血管疾病监测技术领域,公开了一种穿戴式心脑血管疾病智能监测***及方法,设置有心电信号采集模块、心电信号、心电信号调理与滤波电路模块、微控制器、蓝牙模块、心电信号去噪与特征点提取模块、计算脉搏波传到时间模块、血压估算模块、个体标定、脉搏波信号去噪与特征点提取模块、脉搏波信号调理与滤波电路模块、脉搏波信号、脉搏波信号采集模块。本发明提高了对检测到人体的血压的准确性,提高了对病人的治疗理想;通过利用小波阈值去噪,提高了对信号去噪程度,使去噪效果理想,同时重构信号能很好地逼近真实信号,降低了出现误差概率;通过采用粒子群算法,使微控制器搜索速度变快、效率高,算法简单,适合于实值型处理。
Description
技术领域
本发明属于心脑血管疾病监测领域,尤其涉及一种穿戴式心脑血管疾病智能监测***及方法。
背景技术
目前,业内常用的现有技术是这样的:
心肌梗死、心绞痛、动脉粥样硬化、冠心病、脑血栓等中老年心脑血管疾病的发病率和致残致死率已居各类疾病之首,成为中老年人第一杀手。延缓生理衰老过程和心脑血管疾病的发生应以预防为主,而监测将起到非常关键的作用。
随着医疗器械行业的发展,辅助心脑血管疾病的便携式检测设备品种繁多,但心脑血管疾病的意外事件仍时有发生。其主要原因是疾病潜伏期无症状,很难发现,得不到及时治疗。即缺乏一种能够实时动态有效的心脑血管疾病早期检测方法。
现有设备只能单一检测心电信号或者单一检测脉搏波信号,导致检测到人体的血压不准确,导致对病人的治疗不理想;现有技术对信号去噪及不足,去噪效果不理想,导致重构信号不能很好地逼近真实信号,出现误差。同时现有微控制器采用的算法搜索速度慢、效率低,算法复杂,不适合于实值型处理。
综上所述,现有技术存在的问题是:
(1)现有设备只能单一检测心电信号或者单一检测脉搏波信号,导致检测到人体的血压不准确,导致对病人的治疗不理想。
(2)现有技术对信号去噪及不足,去噪效果不理想,导致重构信号不能很好地逼近真实信号,出现误差。
(3)现有微控制器采用的算法搜索速度慢、效率低,算法复杂,不适合于实值型处理。
(4)现有技术中,对人体采集心电信号进行采集,常常因心律不齐、偷停、过快等,给心电信号的采集节点造成故障,导致的采集误差或采集拥堵现象;使得心电信号不能快速准确的被采集;现有技术中对于人体脉搏波信号的采集,不能保证脉搏信号采集的准确性,使得脉搏信号得不到真实可靠的测量。现有技术中对信号数据在传输过程中经常受到离散噪声的影响,使得信号在传输过程中不能保持信号的稳定性与准确性,从而***带来错误数据的准确传输,影响使用效果。
发明内容
针对现有技术存在的问题,本发明提供了一种穿戴式心脑血管疾病智能监测***及方法。
本发明是这样实现的,一种穿戴式心脑血管疾病智能监测方法,所述穿戴式心脑血管疾病智能监测方法包括:
步骤一,采用动态分层分布式数据采集心电信号,脉搏波信号采集的信号加以分类和回归分析,分别将心电信号和脉搏波信号传递给心电信号调理与滤波电路模块和脉搏波信号调理与滤波电路模块;
步骤二,心电信号采集模块和脉搏波信号采集模块将采集的信号进行放大和滤去整流输出电压中的纹波,将经过处理的采集信号传递给微控制器;
步骤三,微控制器采用改进的小波阈值函数去噪的方法对信号数据的离散噪声进行处理经过信号数据处理,传递给蓝牙模块,蓝牙模块通过无线信号传递给心电信号去噪与特征点提取模块和脉搏波信号去噪与特征点提取模块,对心电信号和脉搏波信号进行去噪和特征点的提取;
步骤四,计算脉搏波传到时间模块,计算在主动脉根部产生搏动波沿血管传导到外周某处的时间;
步骤五,血压估算模块从个体标定提取个体心血管参数,利用脉搏波信号和心电信号计算人体的血压。
进一步,所述步骤一中心电信号采用动态分层分布式数据采集,对人体采集心电信号进行采集;分层分布式采集的心电信号的通信开销为:
其中:OHhier-d为分层分布式采集的心电信号的通信开销;OHintra为域内开销;Ndom为域数;分别是第i个域的域内开销和域间开销;OHm为域内agent移动的开销;OHfback为agent反馈信息的开销;
分层分布式采集的心电信号的时间开销为:
其中:timehier-d为分层分布式采集的心电信号的时间开销;Ndom为域数;是第i个域的节点数;tij为采集每个节点花费的时间;tinter-d为域首与心电信号模块中心交互所花费的时间。
进一步,所述步骤一中,脉搏波信号采集对人体脉搏波信号进行采集,并对采集的信号加以分类和回归分析:采集到的信号集(x1,y1),…,(xl,y l)∈(X×R)由概率分布P(x,y)(x∈Rn,y∈R)生成,用实值函数拟合,并且使得;
R[f]=∫c(x,y,f)dP(x,y);
最小,其中,C为损失函数,用ε不敏感函数:
|yi-f(xi,x)|ε=max{0,|yi-f(xi)|-ε};
衡量函数预测值f(x)与观测值y的误差,即当误差超过ε时,该函数对样本点的拟合是无偏差的。
进一步,所述步骤三中,微控制器采用改进的小波阈值函数去噪的方法对信号数据的离散噪声进行处理;改进后的阈值函数为:
式中:参数a、b为正常数,在信号去噪的过程中通过调节a、b改变阈值函数的变化规则;参数m(0≤m≤1)决定小波阈值的逼近程度,在区间(0,1)中调解参数m,使得硬阈值函数在λ处连续。
进一步,所述微控制器粒子群优化算法如下:
粒子x通过迭代更新自己的速度和位置:
式中:Xxd和分别为粒子x的飞行位置和速度;pbest为粒子x迄今为止搜索到的最好位置;gbest为整个粒子迄今为止搜索到的最好位置;G为迭代次数;ω为惯性权重;c1和c2为学习因子;r1和r2为0~1之间的随机数。
进一步,所述脉搏波信号去噪与特征点提取模块脉搏波特征点识别方法为:
步骤一,对脉搏波进行去噪;
步骤二,识别特征点C、B点;根据相对位置关系识别特征点D和F;
步骤三,利用小波分别特征点C到特征点F之间的信号并重构信号,识别出特征点E;
步骤四,根据特征点C到特征点E之间信号的一阶、二阶微分信号的特征点识别出D点。
本发明的另一目的在于提供一种实施所述穿戴式心脑血管疾病智能监测方法的穿戴式心脑血管疾病智能监测***,所述穿戴式心脑血管疾病智能监测***包括:心电信号采集模块、心电信号、心电信号调理与滤波电路模块、微控制器、蓝牙模块、心电信号去噪与特征点提取模块、计算脉搏波传到时间模块、血压估算模块、个体标定、脉搏波信号去噪与特征点提取模块、脉搏波信号调理与滤波电路模块、脉搏波信号、脉搏波信号采集模块;
心电信号调理与滤波电路模块,与微控制器连接,用于心电信号放大和消除或减少原始ECG信号中的噪声;
脉搏波信号调理与滤波电路模块,与微控制器连接,用于脉搏波信号放大和消除或减少原始ECG信号中的噪声;
蓝牙模块,与微控制器连接,是指集成蓝牙功能的芯片基本电路集合,用于短距离无线网络通讯;
心电信号采集模块,通过电信号与心电信号调理与滤波电路模块连接,用于在人体表检测电位差信号,获取心脏的各种电信号信息;
脉搏波信号采集模块,通过电信号与脉搏波信号调理与滤波电路模块连接,血管内血流压力随时间的变化,波形的形态、幅值、频率包含有心血管***极为丰富的生理病理信息;
心电信号去噪与特征点提取模块,与蓝牙模块连接,对肌电干扰、工频干扰等的高频噪声进行滤除,对R波波峰、qrs起始点、qrs结束点的提取;
脉搏波信号去噪与特征点提取模块,与蓝牙模块连接,用于对脉搏信号进行去噪,对脉搏波的起始点、收缩期最高压力点,主动脉扩张降压点、左心室舒张期开始点、反潮波起点、反潮波最高压力点的提取;
计算脉搏波传导时间模块,与心电信号去噪与特征点提取模块和脉搏波信号去噪与特征点提取模块连接,计算在主动脉根部产生搏动波沿血管传导到外周某处的时间;
血压估算模块,与计算脉搏波传导时间模块连接,利用脉搏波信号和心电信号计算人体的血压;
个体标定,与血压估算模块连接,用于提取个体心血管参数。
本发明的另一目的在于提供一种应用所述穿戴式心脑血管疾病智能监测方法的信息数据处理终端。
综上所述,本发明的优点及积极效果为:
本发明对心电信号和脉搏波电信号采集,通过脉搏波信号调理与滤波电路模块、微控制器、心电信号去噪与特征点提取模块、计算脉搏波传到时间模块、个体标定、血压估算模块从而计算出人体的血压,提高了对检测到人体的血压的准确性,提高了对病人的治疗理想;通过利用小波阈值去噪,提高了对信号去噪程度,使去噪效果理想,同时重构信号能很好地逼近真实信号,降低了出现误差概率;通过采用粒子群算法,使微控制器搜索速度变快、效率高,算法简单,适合于实值型处理。
本发明心电信号采集模块采用动态分层分布式数据采集算法,对人体采集心电信号进行采集,在心电信号发生异常时,动态分层分布式数据采集算法根据域拓扑次序进行数据采集,有效避免因心律不齐、偷停、过快等给心电信号的采集节点造成故障,导致的采集误差或采集拥堵现象;缩短采集的时间,使得心电信号更加快速准确的被采集;本发明脉搏波信号采集模块对人体脉搏波信号进行采集,并对采集的信号加以分类和回归分析,有效的提高脉搏信号采集的准确性,保证脉搏信号的真实可靠。本发明微控制器采用改进的小波阈值函数去噪的方法对信号数据的离散噪声进行处理,提高微控制器传输信号的稳定性与准确性,保证穿戴式心脑血管疾病智能监测***中信号的准确传输。
附图说明
图1是本发明实施例提供的穿戴式心脑血管疾病智能监测***原理示意图;
图中:1、心电信号采集模块;2、心电信号;3、心电信号调理与滤波电路模块;4、微控制器;5、蓝牙模块;6、心电信号去噪与特征点提取模块;7、计算脉搏波传到时间模块;8、血压估算模块;9、个体标定;10、脉搏波信号去噪与特征点提取模块;11、脉搏波信号调理与滤波电路模块;12、脉搏波信号;13、脉搏波信号采集模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的穿戴式心脑血管疾病智能监测***包括:心电信号采集模块1、心电信号2、心电信号调理与滤波电路模块3、微控制器4、蓝牙模块5、心电信号去噪与特征点提取模块6、计算脉搏波传到时间模块7、血压估算模块8、个体标定9、脉搏波信号去噪与特征点提取模块10、脉搏波信号调理与滤波电路模块11、脉搏波信号12、脉搏波信号采集模块13。
心电信号调理与滤波电路模块3,与微控制器4连接,用于心电信号放大和消除或减少原始ECG信号中的噪声;
脉搏波信号调理与滤波电路模块11,与微控制器4连接,用于脉搏波信号放大和消除或减少原始ECG信号中的噪声;
蓝牙模块5,与微控制器4连接,是指集成蓝牙功能的芯片基本电路集合,用于短距离无线网络通讯;
心电信号采集模块1,通过电信号与心电信号调理与滤波电路模块3连接,用于在人体表检测电位差信号,获取心脏的各种电信号信息;
脉搏波信号采集模块13,通过电信号与脉搏波信号调理与滤波电路模块11连接,血管内血流压力随时间的变化,波形的形态、幅值、频率包含有心血管***极为丰富的生理病理信息;
心电信号去噪与特征点提取模块6,与蓝牙模块5连接,对肌电干扰、工频干扰等的高频噪声进行滤除,对R波波峰、qrs起始点、qrs结束点的提取;
脉搏波信号去噪与特征点提取模块10,与蓝牙模块5连接,用于对脉搏信号进行去噪,对脉搏波的起始点、收缩期最高压力点,主动脉扩张降压点、左心室舒张期开始点、反潮波起点、反潮波最高压力点的提取;
计算脉搏波传导时间模块7,与心电信号去噪与特征点提取模块6和脉搏波信号去噪与特征点提取模块10连接,计算在主动脉根部产生搏动波沿血管传导到外周某处的时间;
血压估算模块8,与计算脉搏波传导时间模块7连接,利用脉搏波信号和心电信号计算人体的血压;
个体标定9,与血压估算模块8连接,用于提取个体心血管参数。
本发明实施例提供的穿戴式心脑血管疾病智能监测***使用方法为:
步骤一,利用心电信号采集模块1和脉搏波信号采集模块13对人体采集心电信号和脉搏波信号,心电信号采集模块1和脉搏波信号采集模块13分别将心电信号和脉搏波信号传递给心电信号调理与滤波电路模块3和脉搏波信号调理与滤波电路模块11;
步骤二,心电信号采集模块1和脉搏波信号采集模块13将采集的信号进行放大和滤去整流输出电压中的纹波,将经过处理的采集信号传递给微控制器;
步骤三,微控制器4经过信号数据处理,传递给蓝牙模块5,蓝牙模块5通过无线信号传递给心电信号去噪与特征点提取模块6和脉搏波信号去噪与特征点提取模块10,对心电信号和脉搏波信号进行去噪和特征点的提取;
步骤四,计算脉搏波传到时间模块7,计算在主动脉根部产生搏动波沿血管传导到外周某处的时间;
步骤五,血压估算模块8从个体标定9提取个体心血管参数,利用脉搏波信号和心电信号计算人体的血压。
本发明实施例提供的利用小波阈值对心电信号去噪的方法为:
步骤一,将观测信号进行小波分解。这里要选择一个小波函数和分解层数j,对含噪信号进行j层小波分解;
步骤二,量化小波系数。这是小波阈值算法的关键步骤,要选取阈值函数和设定合适的阈值,参照设定的阈值根据阈值函数估计小波系数,将大于阈值的小波系数按阈值函数方程估计,将小于阈值函数的小波系数舍弃;
步骤三,小波逆变换。用所有尺度系数和经过阈值处理的小波系数经行小波逆变换,重构原始信号估计值。
本发明实施例提供的小波阈值去噪数学算法为:
式中:参数a、b为正常数,在振动信号去噪中可以通过调节a、b来改变阈值函数的变化规则。参数m(0≤m≤1)决定了小波阈值的逼近程度,在区间(0,1)中调解参数m,使得硬阈值函数在λ处连续,抑制了振荡;同时很大程度上降低了软阈值函数在分解小波系数时产生的恒定偏差,并保留了传统阈值函数的优点。可以看出,新的小波阈值函数更加优秀并且灵活。
本发明实施例提供的脉搏波特征点识别方法为:
步骤一,对脉搏波进行去噪;
步骤二,识别特征点C、B点;根据相对位置关系识别特征点D和F;
步骤三,利用小波分别特征点C到特征点F之间的信号并重构信号,识别出特征点E;
步骤四,根据特征点C到特征点E之间信号的一阶、二阶微分信号的特征点识别出D点。
下面结合具体实施例对本发明的应用原理作进一步的描述。
本发明实施例提供的穿戴式心脑血管疾病智能监测方法包括:
步骤一,采用动态分层分布式数据采集心电信号,脉搏波信号采集的信号加以分类和回归分析,分别将心电信号和脉搏波信号传递给心电信号调理与滤波电路模块和脉搏波信号调理与滤波电路模块;
步骤二,心电信号采集模块和脉搏波信号采集模块将采集的信号进行放大和滤去整流输出电压中的纹波,将经过处理的采集信号传递给微控制器;
步骤三,微控制器采用改进的小波阈值函数去噪的方法对信号数据的离散噪声进行处理经过信号数据处理,传递给蓝牙模块,蓝牙模块通过无线信号传递给心电信号去噪与特征点提取模块和脉搏波信号去噪与特征点提取模块,对心电信号和脉搏波信号进行去噪和特征点的提取;
步骤四,计算脉搏波传到时间模块,计算在主动脉根部产生搏动波沿血管传导到外周某处的时间;
步骤五,血压估算模块从个体标定提取个体心血管参数,利用脉搏波信号和心电信号计算人体的血压。
进一步,所述步骤一中心电信号采用动态分层分布式数据采集,对人体采集心电信号进行采集;分层分布式采集的心电信号的通信开销为:
其中:OHhier-d为分层分布式采集的心电信号的通信开销;OHintra为域内开销;Ndom为域数;分别是第i个域的域内开销和域间开销;OHm为域内agent移动的开销;OHfback为agent反馈信息的开销;
分层分布式采集的心电信号的时间开销为:
其中:timehier-d为分层分布式采集的心电信号的时间开销;Ndom为域数;是第i个域的节点数;tij为采集每个节点花费的时间;tinter-d为域首与心电信号模块中心交互所花费的时间。
进一步,所述步骤一中,脉搏波信号采集对人体脉搏波信号进行采集,并对采集的信号加以分类和回归分析:采集到的信号集(x1,y1),…,(xl,yl)∈(X×R)由概率分布P(x,y)(x∈Rn,y∈R)生成,用实值函数拟合,并且使得;
R[f]=∫c(x,y,f)dP(x,y);
最小,其中,C为损失函数,用ε不敏感函数:
|yi-f(xi,x)|ε=max{0,|yi-f(xi)|-ε};
衡量函数预测值f(x)与观测值y的误差,即当误差超过ε时,该函数对样本点的拟合是无偏差的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种穿戴式心脑血管疾病智能监测方法,其特征在于,所述穿戴式心脑血管疾病智能监测方法包括:
步骤一,采用动态分层分布式数据采集心电信号,脉搏波信号采集的信号加以分类和回归分析,分别将心电信号和脉搏波信号传递给心电信号调理与滤波电路模块和脉搏波信号调理与滤波电路模块;
步骤二,心电信号采集模块和脉搏波信号采集模块将采集的信号进行放大和滤去整流输出电压中的纹波,将经过处理的采集信号传递给微控制器;
步骤三,微控制器采用改进的小波阈值函数去噪的方法对信号数据的离散噪声进行处理经过信号数据处理,传递给蓝牙模块,蓝牙模块通过无线信号传递给心电信号去噪与特征点提取模块和脉搏波信号去噪与特征点提取模块,对心电信号和脉搏波信号进行去噪和特征点的提取;
步骤四,计算脉搏波传到时间模块,计算在主动脉根部产生搏动波沿血管传导到外周某处的时间;
步骤五,血压估算模块从个体标定提取个体心血管参数,利用脉搏波信号和心电信号计算人体的血压。
2.如权利要求1所述的穿戴式心脑血管疾病智能监测方法,其特征在于,所述步骤一中心电信号采用动态分层分布式数据采集,对人体采集心电信号进行采集;分层分布式采集的心电信号的通信开销为:
其中:OHhier-d为分层分布式采集的心电信号的通信开销;OHintra为域内开销;Ndom为域数;分别是第i个域的域内开销和域间开销;OHm为域内agent移动的开销;OHfback为agent反馈信息的开销;
分层分布式采集的心电信号的时间开销为:
其中:timehier-d为分层分布式采集的心电信号的时间开销;Ndom为域数;是第i个域的节点数;tij为采集每个节点花费的时间;tinter-d为域首与心电信号模块中心交互所花费的时间。
3.如权利要求1所述的穿戴式心脑血管疾病智能监测方法,其特征在于,所述步骤一中,脉搏波信号采集对人体脉搏波信号进行采集,并对采集的信号加以分类和回归分析:采集到的信号集(x1,y1),…,(xl,yl)∈(X×R)由概率分布P(x,y)(x∈Rn,y∈R)生成,用实值函数拟合,并且使得;
R[f]=∫c(x,y,f)dP(x,y);
最小,其中,C为损失函数,用ε不敏感函数:
|yi-f(xi,x)|ε=max{0,|yi-f(xi)|-ε};
衡量函数预测值f(x)与观测值y的误差,即当误差超过时,该函数对样本点的拟合是无偏差的。
4.如权利要求1所述的穿戴式心脑血管疾病智能监测方法,其特征在于,所述步骤三中,微控制器采用改进的小波阈值函数去噪的方法对信号数据的离散噪声进行处理;改进后的阈值函数为:
式中:参数a、b为正常数,在信号去噪的过程中通过调节a、b改变阈值函数的变化规则;参数m(0≤m≤1)决定小波阈值的逼近程度,在区间(0,1)中调解参数m,使得硬阈值函数在λ处连续。
5.如权利要求1所述的穿戴式心脑血管疾病智能监测方法,其特征在于,所述微控制器粒子群优化算法如下:
粒子x通过迭代更新自己的速度和位置:
式中:Xxd和vxd分别为粒子x的飞行位置和速度;为粒子x迄今为止搜索到的最好位置;gbest为整个粒子迄今为止搜索到的最好位置;G为迭代次数;ω为惯性权重;c1和c2为学习因子;r1和r2为0~1之间的随机数。
6.如权利要求1所述的穿戴式心脑血管疾病智能监测方法,其特征在于,所述脉搏波信号去噪与特征点提取模块脉搏波特征点识别方法为:
步骤一,对脉搏波进行去噪;
步骤二,识别特征点C、B点;根据相对位置关系识别特征点D和F;
步骤三,利用小波分别特征点C到特征点F之间的信号并重构信号,识别出特征点E;
步骤四,根据特征点C到特征点E之间信号的一阶、二阶微分信号的特征点识别出D点。
7.一种实施权利要求1所述穿戴式心脑血管疾病智能监测方法的穿戴式心脑血管疾病智能监测***,其特征在于,所述穿戴式心脑血管疾病智能监测***包括:心电信号采集模块、心电信号、心电信号调理与滤波电路模块、微控制器、蓝牙模块、心电信号去噪与特征点提取模块、计算脉搏波传到时间模块、血压估算模块、个体标定、脉搏波信号去噪与特征点提取模块、脉搏波信号调理与滤波电路模块、脉搏波信号、脉搏波信号采集模块;
心电信号调理与滤波电路模块,与微控制器连接,用于心电信号放大和消除或减少原始ECG信号中的噪声;
脉搏波信号调理与滤波电路模块,与微控制器连接,用于脉搏波信号放大和消除或减少原始ECG信号中的噪声;
蓝牙模块,与微控制器连接,是指集成蓝牙功能的芯片基本电路集合,用于短距离无线网络通讯;
心电信号采集模块,通过电信号与心电信号调理与滤波电路模块连接,用于在人体表检测电位差信号,获取心脏的各种电信号信息;
脉搏波信号采集模块,通过电信号与脉搏波信号调理与滤波电路模块连接,血管内血流压力随时间的变化,波形的形态、幅值、频率包含有心血管***极为丰富的生理病理信息;
心电信号去噪与特征点提取模块,与蓝牙模块连接,对肌电干扰、工频干扰等的高频噪声进行滤除,对R波波峰、qrs起始点、qrs结束点的提取;
脉搏波信号去噪与特征点提取模块,与蓝牙模块连接,用于对脉搏信号进行去噪,对脉搏波的起始点、收缩期最高压力点,主动脉扩张降压点、左心室舒张期开始点、反潮波起点、反潮波最高压力点的提取;
计算脉搏波传导时间模块,与心电信号去噪与特征点提取模块和脉搏波信号去噪与特征点提取模块连接,计算在主动脉根部产生搏动波沿血管传导到外周某处的时间;
血压估算模块,与计算脉搏波传导时间模块连接,利用脉搏波信号和心电信号计算人体的血压;
个体标定,与血压估算模块连接,用于提取个体心血管参数。
8.一种应用权利要求1~6任意一项所述穿戴式心脑血管疾病智能监测方法的信息数据处理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811252215.7A CN109259745A (zh) | 2018-10-25 | 2018-10-25 | 一种穿戴式心脑血管疾病智能监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811252215.7A CN109259745A (zh) | 2018-10-25 | 2018-10-25 | 一种穿戴式心脑血管疾病智能监测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109259745A true CN109259745A (zh) | 2019-01-25 |
Family
ID=65194307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811252215.7A Pending CN109259745A (zh) | 2018-10-25 | 2018-10-25 | 一种穿戴式心脑血管疾病智能监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109259745A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111686011A (zh) * | 2020-05-08 | 2020-09-22 | 周禹光 | 一种智能医疗辅助设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102397064A (zh) * | 2011-12-14 | 2012-04-04 | 中国航天员科研训练中心 | 连续血压测量装置 |
CN103690152A (zh) * | 2014-01-06 | 2014-04-02 | 山东大学 | 一种基于脉搏解析的动脉弹性功能评估装置 |
CN104274164A (zh) * | 2013-07-05 | 2015-01-14 | 广州华久信息科技有限公司 | 一种基于人脸图像的血压预测方法及手机 |
CN105286815A (zh) * | 2015-11-02 | 2016-02-03 | 重庆大学 | 一种基于波形时域特征的脉搏波信号特征点检测方法 |
CN106037635A (zh) * | 2016-05-11 | 2016-10-26 | 南京邮电大学 | 一种基于可穿戴设备的智能预警***和方法 |
CN106166066A (zh) * | 2016-08-09 | 2016-11-30 | 上海润寿智能科技有限公司 | 基于智能芯片的穿戴式生理参数监测***及实现方法 |
CN106413534A (zh) * | 2015-08-08 | 2017-02-15 | 深圳先进技术研究院 | 连续血压测量装置、测量模型建立方法和*** |
CN107944473A (zh) * | 2017-11-06 | 2018-04-20 | 南京邮电大学 | 一种基于多分类器主客观融合的生理信号情感识别方法 |
CN107928654A (zh) * | 2017-12-11 | 2018-04-20 | 重庆邮电大学 | 一种基于神经网络的脉搏波信号血压检测方法 |
US20180235487A1 (en) * | 2017-02-23 | 2018-08-23 | Tata Consultancy Services Limited | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time |
US20180279898A1 (en) * | 2017-03-28 | 2018-10-04 | Imec Vzw | System and method for cuffless blood pressure estimation |
-
2018
- 2018-10-25 CN CN201811252215.7A patent/CN109259745A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102397064A (zh) * | 2011-12-14 | 2012-04-04 | 中国航天员科研训练中心 | 连续血压测量装置 |
CN104274164A (zh) * | 2013-07-05 | 2015-01-14 | 广州华久信息科技有限公司 | 一种基于人脸图像的血压预测方法及手机 |
CN103690152A (zh) * | 2014-01-06 | 2014-04-02 | 山东大学 | 一种基于脉搏解析的动脉弹性功能评估装置 |
CN106413534A (zh) * | 2015-08-08 | 2017-02-15 | 深圳先进技术研究院 | 连续血压测量装置、测量模型建立方法和*** |
CN105286815A (zh) * | 2015-11-02 | 2016-02-03 | 重庆大学 | 一种基于波形时域特征的脉搏波信号特征点检测方法 |
CN106037635A (zh) * | 2016-05-11 | 2016-10-26 | 南京邮电大学 | 一种基于可穿戴设备的智能预警***和方法 |
CN106166066A (zh) * | 2016-08-09 | 2016-11-30 | 上海润寿智能科技有限公司 | 基于智能芯片的穿戴式生理参数监测***及实现方法 |
US20180235487A1 (en) * | 2017-02-23 | 2018-08-23 | Tata Consultancy Services Limited | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time |
US20180279898A1 (en) * | 2017-03-28 | 2018-10-04 | Imec Vzw | System and method for cuffless blood pressure estimation |
CN107944473A (zh) * | 2017-11-06 | 2018-04-20 | 南京邮电大学 | 一种基于多分类器主客观融合的生理信号情感识别方法 |
CN107928654A (zh) * | 2017-12-11 | 2018-04-20 | 重庆邮电大学 | 一种基于神经网络的脉搏波信号血压检测方法 |
Non-Patent Citations (3)
Title |
---|
伍雪冬: "《非线性时间序列在线预测建模与仿真》", 30 November 2015 * |
谭兴丽 等: "一种动态分层分布式数据采集算法", 《计算机应用研究》 * |
辛斌: "《面向复杂优化问题求解的智能优化方法》", 30 November 2017 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111686011A (zh) * | 2020-05-08 | 2020-09-22 | 周禹光 | 一种智能医疗辅助设备 |
CN111686011B (zh) * | 2020-05-08 | 2022-04-26 | 周禹光 | 一种智能医疗辅助设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10194821B2 (en) | Medical device having automated ECG feature extraction | |
CN105919584B (zh) | 用于可穿戴心率监测设备的心率估计方法及装置 | |
US7225013B2 (en) | Adaptive prediction of changes of physiological/pathological states using processing of biomedical signals | |
Sayadi et al. | A model-based Bayesian framework for ECG beat segmentation | |
Alcaraz et al. | Adaptive singular value cancelation of ventricular activity in single-lead atrial fibrillation electrocardiograms | |
CN109700450B (zh) | 一种心率检测方法及电子设备 | |
Dewangan et al. | ECG arrhythmia classification using discrete wavelet transform and artificial neural network | |
Ting et al. | ECG based personal identification using extended kalman filter | |
CN106108889A (zh) | 基于深度学习算法的心电图分类方法 | |
US10602944B2 (en) | Detecting artifacts in a signal | |
Remya et al. | Classification of myocardial infarction using multi resolution wavelet analysis of ECG | |
CN110353704B (zh) | 基于穿戴式心电监测的情绪评估方法与装置 | |
CN108514414A (zh) | 一种信号处理设备、人体心电信号处理及疾病预测方法 | |
Chin et al. | Bayesian real-time QRS complex detector for healthcare system | |
CN109222964A (zh) | 房颤检测装置及存储介质 | |
CN114469131A (zh) | 自适应实时心电信号质量评估方法 | |
Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
CN109259745A (zh) | 一种穿戴式心脑血管疾病智能监测***及方法 | |
Abibullaev et al. | Classification of Cardiac Arrhythmias using Biorthogonal Wavelets and Support Vector Machines. | |
Kannathal et al. | Analysis of electrocardiograms | |
Ghosal et al. | Ecg beat quality assessment using self organizing map | |
Karimian et al. | Noise assessment framework for optimizing ecg key generation | |
CN113349753A (zh) | 一种基于便携式动态心电监护仪的心律失常检测方法 | |
Edla et al. | Sequential Markov chain Monte Carlo filter with simultaneous model selection for electrocardiogram signal modeling | |
Zamrath et al. | Robust and computationally efficient approach for Heart Rate monitoring using photoplethysmographic signals during intensive physical excercise |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |