CN113397510B - 一种连续血压测量***、装置及存储介质 - Google Patents
一种连续血压测量***、装置及存储介质 Download PDFInfo
- Publication number
- CN113397510B CN113397510B CN202110495728.6A CN202110495728A CN113397510B CN 113397510 B CN113397510 B CN 113397510B CN 202110495728 A CN202110495728 A CN 202110495728A CN 113397510 B CN113397510 B CN 113397510B
- Authority
- CN
- China
- Prior art keywords
- features
- shared semantic
- blood pressure
- local waveform
- extracting
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
- A61B5/24—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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种连续血压测量***、装置及存储介质;该***包括:第一提取模块提取心电图信号的局部波形形态特征;第二提取模块提取容积脉搏波信号的局部波形形态特征;第三提取模块利用深度自编码网络从心电图信号的局部波形形态特征中提取第一共享语义特征;第四提取模块利用深度自编码网络从容积脉搏波信号的局部波形形态特征中提取第二共享语义特征;融合模块将第一共享语义特征和第二共享语义特征进行融合,得到共享语义融合特征;获取模块根据共享语义融合特征,采用全连接网络模型获取连续拟合血压值。本发明能够精确测量得到连续血压值,从而降低恶性心血管病急性发作风险;本发明可广泛应用于连续血压测量技术领域。
Description
技术领域
本发明涉及连续血压测量技术领域,尤其是一种连续血压测量***、装置及存储介质。
背景技术
连续血压测量对人体健康监测和心血管疾病的临床诊断以及治疗具有重要意义,它提供了一种长期的人体心血管***动态评价指标。柯氏听诊法和示波法等现有无创血压测量方法仅测量单个时间点的血压值,难以获取血压变异性参数。
临床实践中,无创连续血压测量主流技术路线是基于体表生理信号,经数据分析处理得到连续血压值;代表性的方法有脉搏波特征参数法和脉搏波传导参数法,然而,现有无创连续血压测量方法高度依赖生理信号的波形形态和节律特征,在心律失常情况下,其血压测量能力严重下降甚至失效,精度和鲁棒性均难以保证。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种连续血压测量***、装置及存储介质。
本发明所采取的技术方案是:
一方面,本发明实施例包括一种连续血压测量方法,包括:
提取心电图信号的局部波形形态特征;
提取容积脉搏波信号的局部波形形态特征;
利用深度自编码网络从所述心电图信号的局部波形形态特征中提取第一共享语义特征;
利用所述深度自编码网络从所述容积脉搏波信号的局部波形形态特征中提取第二共享语义特征;
将所述第一共享语义特征和所述第二共享语义特征进行融合,得到共享语义融合特征;
根据所述共享语义融合特征,采用全连接网络模型获取连续拟合血压值。
进一步地,所述提取心电图信号局部波形形态特征这一步骤,包括:
对心电图信号进行滤波处理,以滤除低频基线漂移噪声、工频噪声和高频噪声;
将经过滤波处理后的心电图信号进行分段处理;
利用深度残差网络模型提取每段心电图信号的局部波形形态特征。
进一步地,所述提取容积脉搏波信号的局部波形形态特征这一步骤,包括:
对容积脉搏波信号进行滤波处理,以滤除低频基线漂移噪声、工频噪声和高频噪声;
将经过滤波处理后的容积脉搏波信号进行分段处理;
利用深度残差网络模型提取每段容积脉搏波信号的局部波形形态特征。
进一步地,所述方法还包括:
利用深度典型性相关分析算法对所述第一共享语义特征和所述第二共享语义特征进行优化,以获取所述第一共享语义特征和所述第二共享语义特征之间的最大相关性。
另一方面,本发明实施例还包括一种连续血压测量***,包括:
第一提取模块,用于提取心电图信号的局部波形形态特征;
第二提取模块,用于提取容积脉搏波信号的局部波形形态特征;
第三提取模块,用于利用深度自编码网络从所述心电图信号的局部波形形态特征中提取第一共享语义特征;
第四提取模块,用于利用所述深度自编码网络从所述容积脉搏波信号的局部波形形态特征中提取第二共享语义特征;
融合模块,用于将所述第一共享语义特征和所述第二共享语义特征进行融合,得到共享语义融合特征;
获取模块,用于根据所述共享语义融合特征,采用全连接网络模型获取连续拟合血压值。
进一步地,所述第一提取模块包括:
第一滤波单元,用于对心电图信号进行滤波处理,以滤除低频基线漂移噪声、工频噪声和高频噪声;
第一分段单元,用于将经过滤波处理后的心电图信号进行分段处理;
第一提取单元,用于利用深度残差网络模型提取每段心电图信号的局部波形形态特征。
进一步地,所述第二提取模块包括:
第二滤波单元,用于对容积脉搏波信号进行滤波处理,以滤除低频基线漂移噪声、工频噪声和高频噪声;
第二分段单元,用于将经过滤波处理后的容积脉搏波信号进行分段处理;
第二提取单元,用于利用深度残差网络模型提取每段容积脉搏波信号的局部波形形态特征。
进一步地,所述***还包括:
优化模块,用于利用深度典型性相关分析算法对所述第一共享语义特征和所述第二共享语义特征进行优化,以获取所述第一共享语义特征和所述第二共享语义特征之间的最大相关性。
另一方面,本发明实施例还包括一种连续血压测量装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的连续血压测量方法。
另一方面,本发明实施例还包括计算机可读存储介质,其上存储有处理器可执行的程序,所述处理器可执行的程序在被处理器执行时用于实现所述的连续血压测量方法。
本发明的有益效果是:
本发明通过利用深度自编码网络从心电图信号的局部波形形态特征中提取第一共享语义特征,和从容积脉搏波信号的局部波形形态特征中提取第二共享语义特征;再将第一共享语义特征和第二共享语义特征进行融合,得到共享语义融合特征;然后根据共享语义融合特征,采用全连接网络模型获取连续拟合血压值;能够精确测量得到连续血压值,有助于及时发现高血压和异常血压波动,全面监护患者的血压生命体征,降低恶性心血管病急性发作风险,对提高我国高血压及恶性心血管疾病的防治水平具有重要意义。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所述连续血压测量方法的步骤流程图;
图2为本发明实施例所述提取心电图信号局部波形形态特征的流程图;
图3为本发明实施例所述提取容积脉搏波信号的局部波形形态特征的流程图;
图4为本发明实施例所述连续血压测量方法的流程图;
图5为本发明实施例所述连续血压测量装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
下面结合附图,对本申请实施例作进一步阐述。
临床实践中,无创连续血压测量主流技术路线是基于体表生理信号,经数据分析处理得到连续血压值。代表性的方法有脉搏波特征参数法和脉搏波传导参数法。然而,现有无创连续血压测量方法高度依赖生理信号的波形形态和节律特征,在心律失常情况下,其血压测量能力严重下降甚至失效,精度和鲁棒性均难以保证。已有研究成果表明,心电图信号与容积脉搏波信号波形形态之间必然存在深度共享语义特征空间,且心律失常与血压之间存在高度相关性。
基于此,参照图1,本发明提出一种连续血压测量方法,包括但不限于以下步骤:
S1.提取心电图信号的局部波形形态特征;
S2.提取容积脉搏波信号的局部波形形态特征;
S3.利用深度自编码网络从所述心电图信号的局部波形形态特征中提取第一共享语义特征;
S4.利用所述深度自编码网络从所述容积脉搏波信号的局部波形形态特征中提取第二共享语义特征;
S5.将所述第一共享语义特征和所述第二共享语义特征进行融合,得到共享语义融合特征;
S6.根据所述共享语义融合特征,采用全连接网络模型获取连续拟合血压值。
具体地,参照图2,步骤S1,也就是所述提取心电图信号局部波形形态特征这一步骤,包括:
S101.对心电图信号进行滤波处理,以滤除低频基线漂移噪声、工频噪声和高频噪声;
S102.将经过滤波处理后的心电图信号进行分段处理;
S103.利用深度残差网络模型提取每段心电图信号的局部波形形态特征。
本实施中,采用深度卷积网络提取心电图信号的局部波形形态特征,具体地,首先,针对30秒钟长的心电图信号,使用IIR滤波器对心电图信号进行滤波处理,以滤除低频基线漂移噪声、工频噪声和高频噪声。其中,将心电图信号滤波带宽设定为[0.5Hz,35Hz];考虑到生理信号具有周期性、复杂性,直接将具有多个周期的生理信号直接输入深度卷积网络不易提取细微异常波形形态特征,因此,本实施例中,将心电图信号分成5秒钟一段,每段分别利用深度残差网络模型ResNet18逐段提取局部波形形态特征。其中,心电图信号的局部波形形态特征提取模型标记为Fmodel(ECG),深度残差网络模型ResNet18的最后一层作为每段信号的局部特征。
同样地,参照图3,步骤S2,也就是所述提取容积脉搏波信号的局部波形形态特征这一步骤,包括:
S201.对容积脉搏波信号进行滤波处理,以滤除低频基线漂移噪声、工频噪声和高频噪声;
S202.将经过滤波处理后的容积脉搏波信号进行分段处理;
S203.利用深度残差网络模型提取每段容积脉搏波信号的局部波形形态特征。
同样地,本实施例中,采用深度卷积网络提取同步容积脉搏波信号的局部波形形态特征,具体地,首先,针对30秒钟长的同步容积脉搏波信号,使用IIR滤波器对心电图信号进行滤波处理,以滤除低频基线漂移噪声、工频噪声和高频噪声。其中,将同步容积脉搏波信号滤波带宽设定为[0.05Hz,5Hz];同样,考虑到生理信号具有周期性、复杂性,直接将具有多个周期的生理信号直接输入深度卷积网络不易提取细微异常波形形态特征,因此,本实施例中,将同步容积脉搏波信号分成5秒钟一段,每段分别利用深度残差网络模型ResNet18逐段提取局部波形形态特征。其中同步容积脉搏波信号,的局部波形形态特征提取模型标记为Fmodel(PPG),深度残差网络模型ResNet18的最后一层作为每段信号的局部特征。
参照图4,本实施例中,在多模态特征融合领域,常用的手段是将所有模态特征直接拼接形成新的输入特征空间。然而,直接拼接形态特征会导致大量的信息冗余和特征高维问题,导致后续血压模型拟合性能严重下降甚至失效。考虑到心电图信号形态特征和容积脉搏波信号形态特征存在共享语义子空间,通过研究多模态血压关联深度语义特征融合,不同模态的生理信号波形形态信息互补,可实现连续高精准测量。因此,本实施例中,在通过图2所示的流程提取得到心电图信号的局部波形形态特征,通过图3所述的流程提取得到容积脉搏波信号的局部波形形态特征之后,进一步利用深度自编码网络从所述心电图信号的局部波形形态特征中提取第一共享语义特征;和利用深度自编码网络从所述容积脉搏波信号的局部波形形态特征中提取第二共享语义特征。然后,将第一共享语义特征和第二共享语义特征进行融合,得到共享语义融合特征;最后,基于共享语义融合特征,采用2层的全连接网络模型获取连续拟合血压值。
本实施例中,在利用深度自编码网络从所述心电图信号的局部波形形态特征中提取第一共享语义特征;和利用深度自编码网络从所述容积脉搏波信号的局部波形形态特征中提取第二共享语义特征之后,还将进行以下步骤:
利用深度典型性相关分析算法对所述第一共享语义特征和所述第二共享语义特征进行优化,以获取所述第一共享语义特征和所述第二共享语义特征之间的最大相关性。
具体地,深度典型性相关分析具体过程为:针对心电图信号的高层语义特征X矩阵,将其进行线性表示,即投影到1维,对应的投影向量或者说线性系数向量为a;针对容积脉搏信号的高层语义特征Y矩阵,将其进行线性表示,即投影到1维,对应的投影向量或者说线性系数向量为b。因此有:
X′=aTX;
Y′=bTY;
深度典型相关分析的优化目标为获取最大化相关系数,其公式为:
本发明实施例所述连续血压测量方法具有以下技术效果:
本发明实施例通过利用深度自编码网络从心电图信号的局部波形形态特征中提取第一共享语义特征,和从容积脉搏波信号的局部波形形态特征中提取第二共享语义特征;再将第一共享语义特征和第二共享语义特征进行融合,得到共享语义融合特征;然后根据共享语义融合特征,采用全连接网络模型获取连续拟合血压值;能够精确测量得到连续血压值,有助于及时发现高血压和异常血压波动,全面监护患者的血压生命体征,降低恶性心血管病急性发作风险,对提高我国高血压及恶性心血管疾病的防治水平具有重要意义。
本实施例还提出一种连续血压测量***,包括:
第一提取模块,用于提取心电图信号的局部波形形态特征;
第二提取模块,用于提取容积脉搏波信号的局部波形形态特征;
第三提取模块,用于利用深度自编码网络从所述心电图信号的局部波形形态特征中提取第一共享语义特征;
第四提取模块,用于利用所述深度自编码网络从所述容积脉搏波信号的局部波形形态特征中提取第二共享语义特征;
融合模块,用于将所述第一共享语义特征和所述第二共享语义特征进行融合,得到共享语义融合特征;
获取模块,用于根据所述共享语义融合特征,采用全连接网络模型获取连续拟合血压值。
具体地,所述第一提取模块包括:
第一滤波单元,用于对心电图信号进行滤波处理,以滤除低频基线漂移噪声、工频噪声和高频噪声;
第一分段单元,用于将经过滤波处理后的心电图信号进行分段处理;
第一提取单元,用于利用深度残差网络模型提取每段心电图信号的局部波形形态特征。
具体地,所述第二提取模块包括:
第二滤波单元,用于对容积脉搏波信号进行滤波处理,以滤除低频基线漂移噪声、工频噪声和高频噪声;
第二分段单元,用于将经过滤波处理后的容积脉搏波信号进行分段处理;
第二提取单元,用于利用深度残差网络模型提取每段容积脉搏波信号的局部波形形态特征。
具体地,所述***还包括:
优化模块,用于利用深度典型性相关分析算法对所述第一共享语义特征和所述第二共享语义特征进行优化,以获取所述第一共享语义特征和所述第二共享语义特征之间的最大相关性。
参照图5,本发明实施例还提出一种连续血压测量装置200,具体包括:
至少一个处理器210;
至少一个存储器220,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器210执行,使得所述至少一个处理器210实现如图1所示的方法。
其中,存储器220作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。存储器220可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器220可选包括相对于处理器210远程设置的远程存储器,这些远程存储器可以通过网络连接至处理器210。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
可以理解到,图5中示出的装置结构并不构成对装置200的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图5所示的装置200中,处理器210可以调取存储器220中储存的程序,并执行但不限于图1所示实施例的步骤。
以上所描述的装置200实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现实施例的目的。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有处理器可执行的程序,所述处理器可执行的程序在被处理器执行时用于实现如图1所示的方法。
本申请实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
可以理解的是,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (6)
1.一种连续血压测量***,其特征在于,包括:
第一提取模块,用于提取心电图信号的局部波形形态特征;
第二提取模块,用于提取容积脉搏波信号的局部波形形态特征;
第三提取模块,用于利用深度自编码网络从所述心电图信号的局部波形形态特征中提取第一共享语义特征;
第四提取模块,用于利用所述深度自编码网络从所述容积脉搏波信号的局部波形形态特征中提取第二共享语义特征;
融合模块,用于将所述第一共享语义特征和所述第二共享语义特征进行融合,得到共享语义融合特征;
获取模块,用于根据所述共享语义融合特征,采用全连接网络模型获取连续拟合血压值。
2.根据权利要求1所述的一种连续血压测量***,其特征在于,所述第一提取模块包括:
第一滤波单元,用于对心电图信号进行滤波处理,以滤除低频基线漂移噪声、工频噪声和高频噪声;
第一分段单元,用于将经过滤波处理后的心电图信号进行分段处理;
第一提取单元,用于利用深度残差网络模型提取每段心电图信号的局部波形形态特征。
3.根据权利要求1所述的一种连续血压测量***,其特征在于,所述第二提取模块包括:
第二滤波单元,用于对容积脉搏波信号进行滤波处理,以滤除低频基线漂移噪声、工频噪声和高频噪声;
第二分段单元,用于将经过滤波处理后的容积脉搏波信号进行分段处理;
第二提取单元,用于利用深度残差网络模型提取每段容积脉搏波信号的局部波形形态特征。
4.根据权利要求1所述的一种连续血压测量***,其特征在于,所述***还包括:
优化模块,用于利用深度典型性相关分析算法对所述第一共享语义特征和所述第二共享语义特征进行优化,以获取所述第一共享语义特征和所述第二共享语义特征之间的最大相关性。
5.一种连续血压测量装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,致使所述连续血压测量装置:
提取心电图信号的局部波形形态特征;
提取容积脉搏波信号的局部波形形态特征;
利用深度自编码网络从所述心电图信号的局部波形形态特征中提取第一共享语义特征;
利用所述深度自编码网络从所述容积脉搏波信号的局部波形形态特征中提取第二共享语义特征;
将所述第一共享语义特征和所述第二共享语义特征进行融合,得到共享语义融合特征;
根据所述共享语义融合特征,采用全连接网络模型获取连续拟合血压值。
6.计算机可读存储介质,其特征在于,其上存储有处理器可执行的程序,所述处理器可执行的程序在被处理器执行时,致使所述处理器:
提取心电图信号的局部波形形态特征;
提取容积脉搏波信号的局部波形形态特征;
利用深度自编码网络从所述心电图信号的局部波形形态特征中提取第一共享语义特征;
利用所述深度自编码网络从所述容积脉搏波信号的局部波形形态特征中提取第二共享语义特征;
将所述第一共享语义特征和所述第二共享语义特征进行融合,得到共享语义融合特征;
根据所述共享语义融合特征,采用全连接网络模型获取连续拟合血压值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110495728.6A CN113397510B (zh) | 2021-05-07 | 2021-05-07 | 一种连续血压测量***、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110495728.6A CN113397510B (zh) | 2021-05-07 | 2021-05-07 | 一种连续血压测量***、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113397510A CN113397510A (zh) | 2021-09-17 |
CN113397510B true CN113397510B (zh) | 2023-05-02 |
Family
ID=77678084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110495728.6A Active CN113397510B (zh) | 2021-05-07 | 2021-05-07 | 一种连续血压测量***、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113397510B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114052681B (zh) * | 2021-11-23 | 2024-03-22 | 广州市康源图像智能研究院 | 一种基于心电判读***的血压监测方法及*** |
CN117524489B (zh) * | 2024-01-08 | 2024-03-08 | 吉林大学 | 患者的健康监测管理***及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111631730A (zh) * | 2020-05-15 | 2020-09-08 | 中国科学院深圳先进技术研究院 | 基于传感数据和生理信息融合的低血糖预警方法和*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102429649B (zh) * | 2011-12-14 | 2014-02-19 | 中国航天员科研训练中心 | 连续血压测量装置 |
CN103385702B (zh) * | 2013-07-26 | 2015-08-26 | 中国科学院深圳先进技术研究院 | 一种无创血压连续检测装置及方法 |
CN108294736A (zh) * | 2017-01-12 | 2018-07-20 | 南开大学 | 连续血压测量***及测量方法 |
US10959681B2 (en) * | 2017-04-19 | 2021-03-30 | Vital Connect, Inc. | Noninvasive blood pressure measurement and monitoring |
CN110251105B (zh) * | 2019-06-12 | 2022-06-21 | 广州视源电子科技股份有限公司 | 一种无创血压测量方法、装置、设备及*** |
CN111248879B (zh) * | 2020-02-20 | 2021-12-07 | 电子科技大学 | 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 |
CN111528814A (zh) * | 2020-04-29 | 2020-08-14 | 浙江工业大学 | 基于lstm神经网络的机器学习监测血压的方法 |
-
2021
- 2021-05-07 CN CN202110495728.6A patent/CN113397510B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111631730A (zh) * | 2020-05-15 | 2020-09-08 | 中国科学院深圳先进技术研究院 | 基于传感数据和生理信息融合的低血糖预警方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN113397510A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113397510B (zh) | 一种连续血压测量***、装置及存储介质 | |
US20170156592A1 (en) | Healthcare systems and monitoring method for physiological signals | |
JP5303802B2 (ja) | 心電図から導出された無呼吸/低呼吸指数 | |
CN103356182B (zh) | 用于预测室性快速型心律失常的方法、设备和计算机程序产品 | |
CA2577254A1 (en) | Detection of drastic blood pressure changes | |
US10729350B2 (en) | System and method for monitoring cardiac arrhythmias | |
US7460902B2 (en) | Monitoring of atrial activation | |
US20060189876A1 (en) | Method and system for analyzing an electrocardiographic signal | |
WO2010067297A1 (en) | Method and apparatus for the analysis of ballistocardiogram signals | |
Lee et al. | Artificial intelligence for detection of cardiovascular-related diseases from wearable devices: a systematic review and meta-analysis | |
JP2009528860A (ja) | 血圧をモニターするための測定装置を有する透析装置、血圧を測定する方法、及び透析装置に使用する記録媒体 | |
CN110464337B (zh) | 一种基于极值能量分解法的心率变异性信号分析方法 | |
Beyramienanlou et al. | An Efficient Teager Energy Operator‐Based Automated QRS Complex Detection | |
CN109009073A (zh) | 房颤检测装置及存储介质 | |
US20160242664A1 (en) | An apparatus and method for evaluating multichannel ecg signals | |
CN111839494A (zh) | 一种心率监测方法及*** | |
JP6534192B2 (ja) | 患者健康状態複合スコア分布及び/又はこれに基づく代表複合スコア | |
Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
CN109674474B (zh) | 睡眠呼吸暂停识别方法、设备及计算机可读介质 | |
Zhang et al. | An Improved Real‐Time R‐Wave Detection Efficient Algorithm in Exercise ECG Signal Analysis | |
Gierałtowski et al. | Heart rate variability discovery: Algorithm for detection of heart rate from noisy, multimodal recordings | |
Smaoui et al. | Single scale CWT algorithm for ECG beat detection for a portable monitoring system | |
US20230346305A1 (en) | Parameter determination method, parameter determination apparatus, storage medium, and electronic device | |
Goldwasser et al. | A new method of filtering T waves to detect hidden P waves in electrocardiogram signals | |
US11147493B2 (en) | Non-invasive detection of coronary artery disease |
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 |