CN109452935B - 使用统计后处理从血管容积图估计血压的无创方法和*** - Google Patents
使用统计后处理从血管容积图估计血压的无创方法和*** Download PDFInfo
- Publication number
- CN109452935B CN109452935B CN201810181724.9A CN201810181724A CN109452935B CN 109452935 B CN109452935 B CN 109452935B CN 201810181724 A CN201810181724 A CN 201810181724A CN 109452935 B CN109452935 B CN 109452935B
- Authority
- CN
- China
- Prior art keywords
- ppg
- distributions
- clusters
- distribution
- features
- 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.)
- Active
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012805 post-processing Methods 0.000 title claims abstract description 18
- 230000002792 vascular Effects 0.000 title description 2
- 238000009826 distribution Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000015654 memory Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000003205 diastolic effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008602 contraction Effects 0.000 claims 2
- 238000012360 testing method Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 description 7
- 238000010989 Bland-Altman Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000090 biomarker Substances 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000023516 stroke disease Diseases 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- 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
- A61B5/02—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
- A61B5/02116—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave amplitude
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
- A61B5/14552—Details of sensors specially adapted therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
- A61B2505/07—Home care
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Vascular Medicine (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
已经说明了用于使用血管容积图(PPG)估计血压(BP)的***和方法。从PPG传感器(102)捕获PPG。为了准备训练模型,脉搏血氧计用于捕获PPG。为了测试,智能电话摄像头用于捕获PPG信号。从经预处理的PPG信号提取多个特征。之后使用多个特征和训练模型来生成BP分布。BP分布为从不同对象生成的BP分布的集合的部分。最后,后处理方法已经用于将不一致的数据从所述BP分布的集合中排除,并且仅仅针对剩余的BP分布来估计BP值,并且统计平均值被提供为血压估计。
Description
相关申请的交叉引用
本申请要求于2017年9月6日提交的印度专利申请No.201721031600的优先权,其整体通过引用并入本文。
技术领域
本文中的实施例大体涉及血压估计的领域,并且更具体地涉及通过应用统计后处理技术使用血管容积图(PPG)估计血压的方法和***。
背景技术
血压(BP)被认为是心脏风险评估的重要生物标志。不规则的心跳、血压(BP)的波动或胆固醇水平通常被认为是中风和心血管疾病的生物标志以及风险指标。在过去几年内,数字生物标志的无处不在的且持续的监测已经在全世界各地获得了巨大的重要性。它们使用可穿戴设备或智能电话来捕获生理信息以通过信号处理和数据驱动的预测分析来估计标志。以智能眼镜或腕带的形式的24x7可穿戴监测器能够提供重要健康信息而不扰乱正常活动。另一方面,基于智能电话的电子健康监测器不仅是无干扰的且易于使用,它们的出现还没有额外成本,由此使它们成为可负担的医疗保健的受欢迎的候选。
基于智能电话的电子健康监测器使用智能电话摄像头来通过能够用于测量心率(HR)或BP的血液容积图(PPG)捕获血流中的变化。除了成本有效之外,基于智能电话PPG的BP估计避免基于袖带的BP测量设备中需要的跟踪柯氏音中的专业专家以及任何可穿戴传感器的附接。然而,尽管从智能电话PPG的HR估计已经通过有效的噪声清洁和信号处理获得了成功,但是收缩期BP(SBP)和舒张期BP(DBP)估计已经由于所涉及的复杂生理过程而被证实相对困难。
在几个现有技术中,数据驱动的模型被提出以从智能电话和血氧计PPG信号两者预测BP。然而,未解决某些问题,如1)为宽泛范围的BP的实验数据集(仅仅考虑具有正常BP的对象)以及2)在训练样本与测试样本之间的独特对象(这能够通过引入个人特异性偏差来创建过拟合)。在另一技术中,经由潜在参数从PPG特征对BP的基于弹性腔模型的预测被提出并针对不同类型的数据集被分析。然而,报告了噪声对针对在现场收集的数据的性能的影响和预测高BP的失败的问题。在最终目标为智能电话部署的情况下,如传感器未知的PPG特征选择的问题变得明显。额外地,智能电话PPG由于其有噪声性质而对继续工作具有挑战。甚至对于没有心脏状况的稳定对象,能够存在每心脏周期估计的特征中的宽泛变化,导致单个时段中估计的BP中的变化。因此,重要的是选择合适的统计平均值来表示每时段估计的BP。众所周知的是,简单算术平均数不能够用作针对具有异常值的任何数据分布的适当的代表。中值和众数是更好的代表,并且众数是更偏好的,因为其较少受异常值影响。
发明内容
下文呈现了本公开内容的一些实施例的简化概要以便提供实施例的基本理解。该概要不是实施例的详细概述。其不旨在识别实施例的关键/重要元件或描绘实施例的范围。其唯一目的是以简化的形式呈现一些实施例作为对下面呈现的更详细的描述的前序。
鉴于前述内容,本文中的实施例提供了一种用于使用血管容积图(PPG)估计血压(BP)的***。所述***包括:血管容积图(PPG)传感器、存储器和处理器。PPG传感器被配置为捕获血管容积图(PPG)信号。所述处理器还包括预处理模块、特征选择模块、训练模型生成模块、回归模块和后处理模块。预处理模块对所捕获的PPG信号进行预处理。特征选择模块从经预处理的PPG信号提取多个特征。训练模型生成模块使用所述多个特征和所述血压(BP)的地面真值来创建用于估计所述BP的训练模型。回归模块使用所述训练模型来生成BP分布,其中,所述BP分布为从不同对象生成的BP分布的集合的部分。后处理模块基于预定义准则来将不可接受的BP分布从所述BP分布的集合中排除。所述后处理模块还提供针对所接受的BP分布的统计平均值来估计所述血压。
在另一方面中,一种用于使用血管容积图(PPG)估计血压(BP)的方法。首先,使用PPG传感器捕获血管容积图(PPG)信号。之后使用预处理模块对所述PPG信号进行预处理。在下一步骤中,从经预处理的PPG信号提取多个特征。在下一步骤中,使用所述PPG信号的所述多个特征和所述BP的地面真值来创建用于估计所述BP的训练模型。另外,使用所述训练模型来生成BP分布,其中,所述BP分布为从不同对象生成的BP分布的集合的部分。在下一步骤中,基于预定义准则来将不可接受的BP分布从所述BP分布的集合中排除。并且最后,提供针对所接受的BP分布的统计平均值来估计所述血压。
在又一方面中,一个或多个非暂态计算机可读信息介质,其上已经体现了用于运行用于使用血管容积图(PPG)估计血压(BP)的方法的计算机程序。所述方法包括以下步骤:(a)使用PPG传感器(102)捕获血管容积图(PPG)信号;(b)使用预处理模块(108)对所述PPG信号进行预处理;(c)从经预处理的PPG信号提取多个特征;(d)使用所述PPG信号的所述多个特征和所述BP的地面真值来创建用于估计所述BP的训练模型;(e)使用所述训练模型来生成BP分布,其中,所述BP分布为从不同对象生成的BP分布的集合的部分;(f)基于预定义准则来将不可接受的BP分布从所述BP分布的集合中排除;以及(g)提供针对所接受的BP分布的统计平均值来估计所述血压。
本领域技术人员应当认识到,本文中的任何框图表示体现本主题的原理的说明性***的概念性视图。类似地,将认识到,任何流程图示、流程图、状态转变图、伪代码等等代表各种过程,所述各种过程可以基本上被表示在计算机可读介质中并且因此由计算设备或处理器运行,无论这样的计算设备或处理器是否被明确示出。
附图说明
本文中的实施例将从参考附图的以下详细描述得到更好理解,在附图中:
图1图示了根据本公开内容的实施例的用于使用血管容积图(PPG)估计血压(BP)的框图;
图2示出了描绘根据本公开内容的实施例的在多个BP分布的后处理中涉及的步骤的流程图;
图3示出了根据本公开内容的实施例的针对多个BP分布的多个占主导的聚类核查;
图4示出了根据本公开内容的实施例的针对多个BP分布的分布宽度核查;
图5a-5b是图示了根据本公开内容的实施例的用于使用血管容积图(PPG)估计血压(BP)涉及的步骤的流程图;
图6示出了根据本公开内容的实施例的预测的BP值和地面真值BP值的散点绘图以及Bland Altman绘图;以及
图7示出了根据本公开内容的实施例的所有方法的图形表示误差盒绘图。
具体实施方式
更完整地参考在附图中图示的并且在以下描述中详述的非限制性实施例解释本文中的实施例及其各种特征和有利细节。本文中使用的示例仅仅旨在促进可以实践本文中的实施例的方式的理解并且进一步使得本领域技术人员能够实践本文中的实施例。因此,示例不应当被理解为限制本文中的实施例的范围。术语表-在实施例中使用的术语
本公开内容的背景下的词语“血管容积图”或“PPG”传感器是指用于捕获对象的血管容积图信号的传感器。为了生成训练模型的目的,脉搏血氧计已经被用作PPG传感器。为了测试目的,智能电话摄像头已经被用于捕获PPG信号。
现在参考附图,并且更具体地参考图1至图7,其中,类似的附图标记在各个图中一致地指代对应的特征,示出了优选实施例,并且在以下示例性***和/或方法的背景下描述这些实施例。
根据本公开内容的实施例,在图1中示出了用于使用血管容积图(PPG)估计血压(BP)的***100。***100使用智能电话血管容积图(PPG)来无创地预测血压(BP)。后处理方法已经用于排除不一致的数据并且仅仅针对剩余的数据预测BP值。在单个时段中的所有BP值上的统计平均值被提供为血压估计。
根据本公开内容的实施例,如图1的框图所示,***100包括血管容积图(PPG)传感器102、存储器104和处理器106。处理器106与存储器104通信。处理器106被配置为运行存储在存储器104中的算法。根据本公开内容的实施例,处理器106还包括用于执行各种功能的多个模块。处理器106可以包括预处理模块108、特征选择模块110、训练模型生成模块112、回归模块114和后处理模块116。
根据本公开内容的实施例,PPG传感器102是脉搏血氧计或智能电话摄像头。为了生成训练模型,脉搏血氧计用于捕获PPG信号。而为了测试,使用智能电话的摄像头来测量PPG。因为智能电话PPG具有很低的信噪比,所以其对提取复杂生理信号的信息施加几个额外的挑战。
根据本公开内容的实施例,***100包括用于清洁PPG信号的预处理模块108。预处理模块108被配置为通过执行带通滤波和基线校正来从PPG信号去除噪声。在多个特征提取之前在0.75-8Hz范围内执行带通滤波。由于可变的手指压力而引起的PPG幅度中的变化和由于运动伪影引起的不连续性通过基于类似的脉搏高度和周期性实施周期选择来注意。
根据本公开内容的实施例,经预处理的PPG信号之后被提供到特征选择模块110。PPG信号的多个特征以以下方式从时域信号选择:所选择的特征是PPG传感器102无关的。在分析多个特征相对于训练数据集中的地面真值BP的线性相关性之后选择多个特征。收缩期向上搏动时间(Ts)、舒张期时间(Td)、收缩期面积(As)和舒张期面积(Ad)是PPG波形的常见特性。在本实施例中,最终目的是要在血氧计和智能电话数据两者中找到与BP具有关联的特征。如Ts/Td和As/Ad的PPG特征的比率在它们甚至在智能电话PPG中稳定时被选择。还在PPG特征与地面真值BP之间执行类似的线性相关性评估,由此选择Ts、Ts/Td、As/Ad、1/Ts 2、年龄和体重指数(BMI)。
根据本公开内容的实施例,训练模型生成模块112生成用于估计BP的训练模型。使用PPG信号的多个特征和BP的地面真值来生成训练模型。另外,回归模块114被配置为使用训练模型来生成每时段的BP分布。BP分布为从不同对象生成的BP分布的集合的部分。基于梯度下降学习的线性回归用于从所选择的特征和对应的地面真值创建训练模型。在用于BP估计的PPG特征上创建直接线性回归模型,避免潜在参数,以使较简单的***更易于作为移动应用而运行。
根据本公开内容的实施例,通过后处理模块116在BP分布的集合上执行后处理。后处理导致基于预定义准则来将不可接受的BP分布从BP分布的集合中排除。预定义准则包括对所估计的BP分布进行聚类并在存在以下项的情况下排除那些BP分布:i)多个同样占主导的聚类ii)相距太远的两个聚类或者ii)不可接受的聚类形成。后处理模块116还被配置为提供针对所接受的BP分布的统计平均值来估计血压。
在图2中示出了图示在多个BP分布的后处理中涉及的步骤的流程图。第一步骤是基于概率密度来将逐周期的BP分布聚类到类似的BP的聚类中。出于这个目的,使用R的‘mclust’包。其提供经由针对正态混合模型的期望最大算法的参数估计并基于最好的贝叶斯信息准则(BIC)来选择聚类。
另外,核查多个占主导的聚类。当收缩期血压SBP(Csbp)或舒张期血压DBP(Cdbp)中的聚类的数量大于或等于3时遍历该模块。可能发生的是,太多小的聚类均匀地存在于如图3所示的分布各处。这指示所估计的BP在该时段上高度变化并且因此是不可接受的。如下面的算法1中例示的,如果多个聚类的聚类稠密度的范围低于阈值,则该时段被认为具有多个同样占主导的聚类并且因此其将被排除。这里,第i个聚类的稠密度由ni/N给出,其中,ni和N分别是第i个聚类的元素的数量和元素的总数量。
算法1:多个占主导的聚类核查
在下一步骤中,核查分布宽度。该框的输入是具有一个或两个聚类的分布。如果存在单个聚类,则其被接受。在休息状况下,BP通常不会变化太大。因此,如下面的算法2所示,时段在两个聚类均值(在2个聚类的情况下)的差等于或超过15mmHg(如图4所示)的情况下被排除。在分布被发现适合于继续工作时,如由两个以上聚类核查模块所描绘的,迭代地使用最密集的半程用于众数计算的半程众数(HRM)(half range mode)被用作统计平均值。分别针对SBP和DBP的分布计算HRM Msbp和Mdbp作为所需要的统计平均值。
算法2:分布宽度核查
最后,核查聚类形成有效性。在调查了聚类模块的输出后,发现针对某些数据,聚类对数似然值太消极,指示无效聚类形成的可能性。因此,该数据被排除。
在操作中,在图5a-5b中示出了图示根据本公开内容的实施例的用于使用血管容积图(PPG)估计血压(BP)涉及的步骤的流程图300。首先,在步骤302处,使用PPG传感器102捕获PPG信号。PPG传感器10可以为脉搏血氧计或智能电话摄像头。在步骤304处,之后使用预处理模块108对所捕获的信号进行预处理。预处理包括从所捕获的信号的噪声去除、带通滤波和基线校正。在下一步骤306中,从经预处理的PPG信号提取多个特征。在分析多个特征相对于训练数据集中的地面真值BP的线性相关性之后选择多个特征。多个特征被选择使得它们与血氧计和智能电话数据两者中的BP具有关联。
在下一步骤308中,创建用于估计BP的训练模型。使用所生成的多个特征和BP的地面真值来创建训练模型。在步骤310处,使用训练模型来生成BP分布。BP分布为从不同对象生成的BP分布的集合的部分。因此,在步骤312处,基于预定义准则来将不可接受的BP分布从BP分布的集合中排除。预定义准则包括对所估计的BP分布进行聚类并在存在以下项的情况下排除那些BP分布:i)多个同样占主导的聚类ii)相距太远的两个聚类或者ii)不可接受的聚类形成。并且最后在步骤314处,提供针对所接受的BP分布的统计平均值来估计血压。
根据本公开内容的实施例,使用PPG信号对BP的估计还能够借助于如下的实验发现来验证:从农村基层医疗单位、城市医院的非危重患者群体和在实验室中工作的健康个体(具有来自机构审查委员会的受试者同意和道德许可)创建来自脉搏血氧计和智能电话PPG的数据集。数据集(脉搏血氧计+智能电话)包括宽泛范围的人口统计参数,例如年龄(45±17岁)、体重(66±14Kg)和身高(162±9cm)以及SBP(129±20mmHg)和DBP(83±11mmHg)。不从任何对象收集多重数据。
从68个对象收集脉搏血氧计PPG来构建训练模型,而为了测试,从分开的50个对象的集合收集智能电话PPG。使用USB使能的指尖脉搏血氧计(Contec CMS 50D+)在约一分钟内以60Hz从右手食指收集脉搏血氧计数据。从使用Nexus 5通过内置安卓应用在约一分钟内以24Hz(在闪光灯打开的情况下从相同手指)记录的视频提取智能电话PPG。从每个视频帧(QCIF:176x144像素),从中间剪裁32x32区域,并且经平均的红色像素强度被用作PPG值。基于袖带的BP测量设备施加压力并引起血液循环的临时变化。为了避免这一点,首先收集PPG数据。在PPG数据收集之后立即使用来自欧姆龙的数字BP监测设备测量地面真值BP。在用户处于休息位置中时完成所有测量以确保在整个时段中的BP中的稳定性。
实验结果
用于分析趋势的均值绝对百分数差异(MAPD)、Bland Altman(BA)绘图和具有误差<15、<10和<5mmHg误差的测试数据点的百分数被用作性能度量。通过两个聚类核查模块排除14个测试实例并且通过聚类形成有效性核查模块排除5个测试实例。最终结果通过预测的BP与地面真值BP的散点图以及BA绘图被示出在图6中。其示出了在预测的BP与地面真值之间存在良好线性相关性(CC)。此外,BA绘图上的线性拟合对于SBP和DBP两者都具有小斜率,指示在预测高BP或低BP中不具有特别的偏差。
另外,将所提出的方法与从智能PPG估计BP的如均值、中值、截尾均值、基于直方图的众数估计器的标准统计平均值进行比较。基于直方图的众数估计器计算最频繁地出现的格的中值,并且在多个格具有相同最大频率的情况下,使用它们的中值的平均值。相较于其他方法,MAPD和BA绘图上的线性拟合的斜率两者对于所提出的方法较低,这指示良好趋势跟随以及小的误差。特别地,不像其他方法,MAPD和BA绘图的斜率针对SBP和DBP两者对于所提出的方法分别相当低于10%和0.5。此外,低于15%、10%和5%误差的测试数据的百分数针对SBP和DBP两者对于所提出的方法总体较高(97%和77%的数据针对SBP和DBP分别具有<=15mmHg的误差)。
图7图示了所有方法的误差盒绘图,其清楚地示出了所提出的方法相较于所有其他方法具有最小的中值绝对误差和很小的标准差。此外,不像其他方法,观察不到明显的异常值。
所撰写的说明书描述了本文中的主题以使得任何本领域技术人员能够进行且利用实施例。本主题实施例的范围由权利要求限定并且可以包括本领域技术人员想到的其他修改。这样的其他修改在它们具有与权利要求的文字语言没有不同的类似的元件时或者在它们包括与权利要求的文字语言不具有实质差异的等效元件时旨在处于权利要求的范围内。
本文中的本公开内容的实施例解决了有噪声的PPG信号和用于预测血压的PPG信号中的高变化的未解决的问题。因此,实施例提供了通过应用统计后处理技术使用血管容积图(PPG)估计血压的方法和***。
然而,应理解,保护范围被扩展到这样的程序并且除了其中具有消息的计算机可读单元之外;这样的计算机可读存储单元包含用于当程序在服务器或移动设备或任何适当的可编程设备上运行时实施该方法的一个或多个步骤的程序代码单元。硬件设备能够为能够被编程的任何种类的设备,包括例如任何种类的计算机,如服务器或个人计算机、等等、或其任何组合。该设备还可以包括单元,其能够例如为硬件单元,如例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、或硬件和软件单元的组合,例如ASIC和FPGA、或至少一个微处理器和具有软件模块定位在其中的至少一个存储器。因此,单元能够包括硬件单元和软件单元两者。本文中描述的示例实施例能够采用硬件和软件来实施。该设备还能够包括软件单元。备选地,实施例可以使用多个CPU被实施在不同的硬件设备上。
本文中的实施例能够包括硬件和软件元件。采用软件实施的实施例包括但不限于固件、驻存软件、微代码、等等。由本文中描述的各种模块执行的功能可以被实施在其他模块或其他模块的组合中。为了本说明书的目的,计算机可用或计算机可读介质能够为能够包括、存储、通信、传播或传输用于由指令运行***、装置或设备使用或结合指令运行***、装置或设备使用的程序的任何装置。
介质能够为电子的、磁性的、光学的、电磁的、红外的、或半导体的***(或装置或设备)或传播介质。计算机可读介质的示例包括半导体或固态存储器、磁带、可移除计算机盘、随机访问存储器(RAM)、只读存储器(ROM)、刚性磁盘和光盘。光盘的当前示例包括紧凑盘只读存储器(CD-ROM)、紧凑盘读/写(CD-R/W)和DVD。
适合于存储和/或运行程序代码的数据处理***将包括直接地或通过***总线间接地耦合到存储器元件的至少一个处理器。存储器元件能够包括在程序代码的实际运行期间采用的本地存储器、大容量存储装置、以及提供至少一些程序代码的临时存储以便减少在运行期间必须从大容量存储装置检索代码的次数的缓存存储器。
输入/输出(I/O)设备(包括但不限于键盘、显示器、指点设备、等等)能够直接地或通过中介I/O控制器耦合到***。网络适配器还可以耦合到***以使得数据处理***能够变成通过中介私有或公共网络耦合到其他数据处理***或远程打印机或存储设备。调制调解器、线缆调制解调器和以太网卡仅仅是几个当前可用类型的网络适配器。
用于实践实施例的代表性硬件环境可以包括根据本文中的实施例的信息处理/计算机***的硬件配置。本文中的***包括至少一个处理器或中央处理单元(CPU)。CPU经由***总线被相互连接到各种设备,例如随机访问存储器(RAM)、只读存储器(ROM)以及输入/输出(I/O)适配器。I/O适配器能够连接到***设备,例如磁盘单元和磁带驱动器,或可由***读取的其他程序存储设备。***能够读取程序存储设备上的创造性指令并遵循这些指令来运行本文中的实施例的方法。
该***还包括将键盘、鼠标、扬声器、麦克风和/或诸如触摸屏设备(未示出)的其他用户接口设备连接到总线以收集用户输入的用户接口适配器。额外地,通信适配器将总线连接到数据处理网络,并且显示适配器将总线连接到显示设备,显示设备可以例如被实现为输出设备,例如监视器、打印机、或发送器。
已经参考各种实施例呈现了前面的描述。本申请涉及的领域的普通技术人员将认识到,能够在意义上没有脱离本原理、精神和范围的情况下在所描述的结构和操作的方法中实践更改和改变。
Claims (5)
1.一种用于使用血管容积图PPG估计血压BP的***,所述***包括:
PPG传感器(102),其被配置为捕获PPG信号;
存储器(104);以及
处理器(106),其与所述存储器(104)通信,所述处理器(106)还包括:
预处理模块(108),其被配置为通过执行带通滤波、基线校正和周期选择对所捕获的PPG信号进行预处理,其中在0.75-8Hz范围内执行带通滤波,以及其中由于可变的手指压力而引起的PPG幅度中的变化和由于运动伪影引起的不连续性通过基于脉搏高度和周期性实施所述周期选择来注意;
特征选择模块(110),其被配置为从经预处理的PPG信号提取多个特征,其中通过评估关于BP的地面真值的线性相关性来提取所述多个特征,其中在捕获所述PPG信号之后立即使用数字BP监测设备测量BP的地面真值,以及其中所述多个特征包括收缩期向上搏动时间Ts、收缩期向上搏动时间Ts/舒张期时间Td、收缩期面积As/舒张期面积Ad、1/Ts 2、年龄和体重指数BMI;
训练模型生成模块(112),其被配置为使用所述多个特征和所述BP的地面真值来创建用于估计所述BP的训练模型;
回归模块(114),其被配置为使用所述训练模型来生成BP分布,其中,所述BP分布为从不同对象生成的BP分布的集合的部分;以及
后处理模块(116),其被配置为基于预定义准则来将不可接受的BP分布从所述BP分布的集合中排除,其中所述预定义准则包括对所估计的BP分布进行聚类并在存在以下项的情况下排除所述不可接受的BP分布:i)多个同样占主导的聚类ii)相距太远的两个聚类或者ii)不可接受的聚类形成,其中多个同样占主导的聚类具有的聚类稠密度的范围低于阈值,其中在收缩期BP或舒张期BP中的聚类的数量大于或等于3时对于BP分布的集合来核查所述多个同样占主导的聚类,其中核查聚类之间的分布宽度以在BP分布的集合包含两个聚类时识别是否聚类相距太远,以及其中所述后处理模块还被配置为提供针对所接受的BP分布的统计平均值来估计所述血压。
2.根据权利要求1所述的***,其中,所述PPG传感器(102)是脉搏血氧计或智能电话摄像头。
3.根据权利要求1所述的***,其中,所述训练模型使用线性回归来创建。
4.根据权利要求1所述的***,其中,半程众数用于计算所述统计平均值。
5.一个或多个非暂态计算机可读信息介质,其上已经体现了用于使用血管容积图PPG估计血压BP的方法的计算机程序,其中,所述方法包括:
使用PPG传感器(102)捕获PPG信号;
使用预处理模块(108)通过执行带通滤波、基线校正和周期选择对所述PPG信号进行预处理,其中在0.75-8Hz范围内执行带通滤波,以及其中由于可变的手指压力而引起的PPG幅度中的变化和由于运动伪影引起的不连续性通过基于脉搏高度和周期性实施所述周期选择来注意;
从经预处理的PPG信号提取多个特征,其中通过评估关于BP的地面真值的线性相关性来提取所述多个特征,其中在捕获所述PPG信号之后立即使用数字BP监测设备测量BP的地面真值,以及其中所述多个特征包括收缩期向上搏动时间Ts、收缩期向上搏动时间Ts/舒张期时间Td、收缩期面积As/舒张期面积Ad、1/Ts 2、年龄和体重指数BMI;
使用所述PPG信号的所述多个特征和所述BP的地面真值来创建用于估计所述BP的训练模型;
使用所述训练模型来生成BP分布,其中,所述BP分布为从不同对象生成的BP分布的集合的部分;
基于预定义准则来将不可接受的BP分布从所述BP分布的集合中排除,其中所述预定义准则包括对所估计的BP分布进行聚类并在存在以下项的情况下排除所述不可接受的BP分布:i)多个同样占主导的聚类ii)相距太远的两个聚类或者ii)不可接受的聚类形成,其中多个同样占主导的聚类具有的聚类稠密度的范围低于阈值,其中在收缩期BP或舒张期BP中的聚类的数量大于或等于3时对于BP分布的集合来核查所述多个同样占主导的聚类,其中核查聚类之间的分布宽度以在BP分布的集合包含两个聚类时识别是否聚类相距太远;以及
提供针对所接受的BP分布的统计平均值来估计所述血压。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201721031600 | 2017-09-06 | ||
IN201721031600 | 2017-09-06 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109452935A CN109452935A (zh) | 2019-03-12 |
CN109452935B true CN109452935B (zh) | 2022-03-25 |
Family
ID=61192717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810181724.9A Active CN109452935B (zh) | 2017-09-06 | 2018-03-06 | 使用统计后处理从血管容积图估计血压的无创方法和*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US11298084B2 (zh) |
EP (1) | EP3453321B1 (zh) |
CN (1) | CN109452935B (zh) |
SG (1) | SG10201801885QA (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11229404B2 (en) * | 2017-11-28 | 2022-01-25 | Stmicroelectronics S.R.L. | Processing of electrophysiological signals |
EP3787486A4 (en) * | 2018-06-01 | 2021-05-05 | Vita-Course Technologies Co. Ltd. | METHODS AND SYSTEMS FOR DETERMINING THE PULSE TIME |
CN110251115B (zh) * | 2019-06-20 | 2022-02-18 | 张远 | 基于体表视频的ppg信号提取方法、***、设备及介质 |
CN110292370B (zh) * | 2019-07-03 | 2020-12-15 | 浙江大学 | 一种基于脉搏波传导时间的胸口无创血压检测方法 |
CN111973165B (zh) * | 2020-08-14 | 2021-12-24 | 北京航空航天大学 | 基于ppg的线性与非线性混合式无创连续血压测量*** |
CN111870237B (zh) * | 2020-09-04 | 2022-08-16 | 平安科技(深圳)有限公司 | 血压检测装置、设备及介质 |
CN112336325B (zh) * | 2020-10-12 | 2024-02-23 | 乐普(北京)医疗器械股份有限公司 | 一种融合标定光体积描计信号数据的血压预测方法和装置 |
CN112914528B (zh) * | 2021-03-01 | 2023-06-27 | 出门问问信息科技有限公司 | 一种无袖带血压测量的模型生成方法、装置及计算机可读介质 |
CN113288090B (zh) * | 2021-05-06 | 2022-04-22 | 广东工业大学 | 血压预测方法、***、设备及存储介质 |
CN113197561B (zh) * | 2021-06-08 | 2022-05-17 | 山东大学 | 基于低秩回归的鲁棒式的无创无袖式血压测量方法与*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2343537A1 (en) * | 1999-07-06 | 2001-01-11 | Intercure Ltd. | Interventive-diagnostic device |
CN103228205A (zh) * | 2011-01-20 | 2013-07-31 | 日东电工株式会社 | 用于光电体积描记测量的装置和方法 |
CN104224197A (zh) * | 2014-09-24 | 2014-12-24 | 天津大学 | 双波长光电容积脉搏波特征量的动脉血氧饱和度计算方法 |
CN104665768A (zh) * | 2013-10-03 | 2015-06-03 | 塔塔咨询服务有限公司 | 生理参数的监测 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7756720B2 (en) * | 2006-01-25 | 2010-07-13 | Fameball, Inc. | Method and system for the objective quantification of fame |
SG183435A1 (en) * | 2010-03-15 | 2012-09-27 | Singapore Health Serv Pte Ltd | Method of predicting the survivability of a patient |
EP2624746B1 (en) * | 2010-10-08 | 2017-08-02 | Koninklijke Philips N.V. | Processing of periodic physiological signals |
US8780786B2 (en) | 2011-09-15 | 2014-07-15 | Qualcomm Incorporated | Method and apparatus for denoising of physiological signals |
US9259186B2 (en) * | 2012-09-11 | 2016-02-16 | Covidien Lp | Methods and systems for determining noise information from a physiological signal |
US20140128754A1 (en) | 2012-11-08 | 2014-05-08 | Aliphcom | Multimodal physiological sensing for wearable devices or mobile devices |
GB2517903A (en) | 2013-07-30 | 2015-03-11 | Gm Global Tech Operations Inc | Fluid filter for an internal combustion engine |
WO2015102591A1 (en) * | 2013-12-30 | 2015-07-09 | Bodhi Technology Ventures Llc | Measuring respiration rate with multi-band plethysmography |
EP3033991B1 (en) * | 2014-12-15 | 2018-02-28 | Stichting IMEC Nederland | System and method for blood pressure estimation |
US10653362B2 (en) | 2015-01-29 | 2020-05-19 | Wavefront Research Inc. | Motion and noise artifact detection and reconstruction algorithms for photoplethysmogram and equivalent signals |
EP3087915B1 (en) * | 2015-04-27 | 2022-02-09 | Tata Consultancy Services Limited | Method and system for noise cleaning of photoplethysmogram signals for estimating blood pressure |
US10219705B2 (en) * | 2015-05-08 | 2019-03-05 | Covidien Lp | System and method for identifying autoregulation zones |
JP6669409B2 (ja) * | 2015-06-18 | 2020-03-18 | セー エス ウー エム・サントル・スイス・デレクトロニク・エ・ドゥ・ミクロテクニク・エス アー・ルシェルシュ・エ・デヴェロプマン | 血圧値を測定するための方法、機器及びコンピュータプログラム |
US20170181649A1 (en) * | 2015-12-28 | 2017-06-29 | Amiigo, Inc. | Systems and Methods for Determining Blood Pressure |
CN106473750B (zh) * | 2016-10-08 | 2019-03-26 | 西安电子科技大学 | 基于光电容积脉搏波最佳周期波形的身份识别方法 |
CN106691406A (zh) * | 2017-01-05 | 2017-05-24 | 大连理工大学 | 一种基于单探头光电容积脉搏波的血管弹性和血压的检测方法 |
CN107038248A (zh) * | 2017-04-27 | 2017-08-11 | 杭州杨帆科技有限公司 | 一种基于弹性分布数据集的海量空间数据密度聚类方法 |
-
2018
- 2018-02-09 EP EP18155980.8A patent/EP3453321B1/en active Active
- 2018-02-20 US US15/900,774 patent/US11298084B2/en active Active
- 2018-03-06 CN CN201810181724.9A patent/CN109452935B/zh active Active
- 2018-03-07 SG SG10201801885QA patent/SG10201801885QA/en unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2343537A1 (en) * | 1999-07-06 | 2001-01-11 | Intercure Ltd. | Interventive-diagnostic device |
CN103228205A (zh) * | 2011-01-20 | 2013-07-31 | 日东电工株式会社 | 用于光电体积描记测量的装置和方法 |
CN104665768A (zh) * | 2013-10-03 | 2015-06-03 | 塔塔咨询服务有限公司 | 生理参数的监测 |
CN104224197A (zh) * | 2014-09-24 | 2014-12-24 | 天津大学 | 双波长光电容积脉搏波特征量的动脉血氧饱和度计算方法 |
Also Published As
Publication number | Publication date |
---|---|
US11298084B2 (en) | 2022-04-12 |
EP3453321B1 (en) | 2024-05-22 |
SG10201801885QA (en) | 2019-04-29 |
EP3453321A1 (en) | 2019-03-13 |
US20190069850A1 (en) | 2019-03-07 |
CN109452935A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109452935B (zh) | 使用统计后处理从血管容积图估计血压的无创方法和*** | |
US20210338333A1 (en) | Systems and methods for treatment planning based on plaque progression and regression curves | |
US20230089991A1 (en) | Ecg-based cardiac ejection-fraction screening | |
EP2829223B1 (en) | Monitoring physiological parameters | |
JP6811773B2 (ja) | フォトプレチスモグラム(ppg)信号品質を定量化する方法 | |
US11139048B2 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
US9026193B2 (en) | Intrinsic frequency hemodynamic waveform analysis | |
EP3479763B1 (en) | System and method for photoplethysmogram (ppg) signal quality assessment | |
JP7337788B2 (ja) | 機械学習法において使用するゲノムの発見 | |
EP3570736B1 (en) | Determining health markers using portable devices | |
Bashar et al. | Developing a novel noise artifact detection algorithm for smartphone PPG signals: Preliminary results | |
JP6310401B2 (ja) | 生理的リズムを表す信号を処理する方法、システム及びコンピュータプログラム | |
US20180256047A1 (en) | Information processing apparatus, information processing method, and non-transitory computer-readable storage medium | |
JP6115263B2 (ja) | 脈波検出装置、脈波検出方法及び脈波検出プログラム | |
KR20170045099A (ko) | 심층신경망을 이용한 혈류상태 분석시스템, 방법 및 프로그램 | |
US11373731B2 (en) | System and method to classify cardiopulmonary fatigue | |
KR102362454B1 (ko) | 다중 생체신호를 이용한 혈압 측정 장치 및 이를 이용한 헬스케어 시스템 | |
Tabei et al. | A novel diversity method for smartphone camera-based heart rhythm signals in the presence of motion and noise artifacts | |
CN117158938A (zh) | 一种应用于智能手表的健康监测方法、装置及电子设备 | |
Alam et al. | Sensor agnostic photoplethysmogram signal quality assessment using morphological analysis | |
Datta et al. | Novel statistical post processing to improve blood pressure estimation from smartphone photoplethysmogram | |
CN115666376A (zh) | 用于高血压监测的***和方法 | |
CN113974554A (zh) | 重搏波识别方法、装置、设备和计算机可读存储介质 | |
WO2023175611A1 (en) | Devices and methods for evaluating the response to and/or the effectiveness of a cardiovascular medication administration program | |
CN116250816A (zh) | 一种心率计算方法、装置、介质、电子设备 |
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 |