CN114587311A - 一种基于多阶多模态的非袖带式血压测量装置 - Google Patents

一种基于多阶多模态的非袖带式血压测量装置 Download PDF

Info

Publication number
CN114587311A
CN114587311A CN202210349794.7A CN202210349794A CN114587311A CN 114587311 A CN114587311 A CN 114587311A CN 202210349794 A CN202210349794 A CN 202210349794A CN 114587311 A CN114587311 A CN 114587311A
Authority
CN
China
Prior art keywords
signal
blood pressure
data
value
ppg
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
Application number
CN202210349794.7A
Other languages
English (en)
Inventor
马喜波
夏超然
张琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Huashi Novi Medical Technology Co ltd
Original Assignee
Hangzhou Huashi Novi Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Huashi Novi Medical Technology Co ltd filed Critical Hangzhou Huashi Novi Medical Technology Co ltd
Priority to CN202210349794.7A priority Critical patent/CN114587311A/zh
Publication of CN114587311A publication Critical patent/CN114587311A/zh
Priority to PCT/CN2023/084460 priority patent/WO2023185873A1/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Vascular Medicine (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明提出一种基于多阶多模态的非袖带式血压测量装置，包括数据采集单元、存储单元、信号质量评估模块、信号预处理模块、信号增广计算模块和血压估计模块；血压测量装置获取血压值和脉搏波，对脉搏波中的PPG信号进行处理，并进行质量评价筛选，生成数据集；对数据集进行预处理生成预处理数据集，进行数据的增广；通过迁移学习，使基于大数据集的模型能够泛化到增广数据集上。本发明提供了一种PPG信号筛选和预处理的方案，使用大型公开数据集进行预训练建立了基于Transformer的多阶多模态的血压估计模型，并通过微调得到了适应本发明所采集数据的设备的模型并拥有更高的准确率，不需要进行血压值的校正操作，更加方便快捷。

Description

一种基于多阶多模态的非袖带式血压测量装置
技术领域
本发明涉及智能医学技术领域，特别涉及一种基于多阶多模态的非袖带式血压测量装置。
背景技术
目前，国际上血压检测的金标准为有创的动脉插管法，但是该方法的需要有创的测量并可能伴随感染血栓等缺点，因此目前诊室或家庭常用的血压检测设备往往以水银血压计或袖带式电子血压计为主，测量时均需要使用袖带充气以压迫袖带下方的动脉，以物理方式暂时中断动脉血流的情况下才能获得血压的读数。这类血压检测方法有以下几类缺点：(1)这类血压检测的方式是间断式的，其两次检测的间隔时间需要在两分钟以上；(2)并且情绪、运动、饮食都会使血压发生瞬时的变化，例如在诊室中，常常会因为“白大衣效应”作用误检出高血压或漏检隐匿性的高血压；(3)反复压迫动脉血管会造成手部酸麻等不适，尤其是针对老年人动脉血管壁较硬，若不能被袖带充分压迫，测得的血压值就不准确，可能会产生“假性高血压”而导致误诊。
近年来，基于无袖带的连续血压检测技术是目前血压检测技术的研究热点，许多研究人员通过研究血压的生理机制和物理原理，分析影响血压变化的因素，从而实现利用PPG和ECG对血压的估计。随着研究的不断深入，基于无袖带的血压检测精度有所提升，但是也面临着巨大挑战。
发明内容
本发明提供一种基于多阶多模态的非袖带式血压测量装置，其特征在于，所述非袖带式血压测量装置包括数据采集单元、存储单元、信号质量评估模块、信号预处理模块、信号增广计算模块和血压估计模块；
所述数据采集单元用于获取血压值和脉搏波中PPG信号；
所述存储单元与所述数据采集单元连接，用于对所述血压值和PPG信号进行处理，生成PPG窗口信号数据；
所述信号质量评估模块与所述存储单元连接，用于对所述PPG窗口信号数据进行质量评价筛选，生成数据集；
所述信号预处理模块与所述信号质量评估模块连接，用于对所述数据集进行预处理生成预处理数据集；
所述信号增广计算模块与所述信号预处理模块连接，用于对所述预处理数据集进行数据的增广，生成增广数据集；所述数据的增广包括生成一阶差分、二阶差分、时域图和频域图；
所述血压估计模块与所述信号增广计算模块连接，用于进行迁移学习，使基于大数据集模型能够泛化到所述增广数据集上。
更进一步地，所述存储单元对所述PPG信号进行分窗处理，并对应其相应的收缩压和舒张压血压值，生成所述PPG窗口信号数据。
更进一步地，所述信号质量评估模块将所述PPG窗口信号数据分成多段，计算每段所述PPG窗口信号数据的信号偏态值：
Figure BDA0003579265180000021
其中，xi表示为长度为N的第i个信号值，
Figure BDA0003579265180000022
为该段信号的均值，σ为该段信号的方差；
计算多段信号偏态值的平均值为最终信号偏态值，并选取最终信号偏态值大于0.8的窗口组建所述数据集。
更进一步地，所述预处理步骤包括了数据的滤波去噪、归一化；所述信号预处理模块采用巴特沃斯带通滤波器，限制所述数据集的频率范围为40-240bpm；
所述信号预处理模块对数据集中的PPG窗口信号数据进行最大最小值的归一化：
Figure BDA0003579265180000031
其中，x为该PPG窗口信号数据的当前信号值，xMin为该PPG窗口信号数据的信号最小值，xMax为该PPG窗口信号数据的信号最大值。
更进一步地，所述一阶差分计算为：
Figure BDA0003579265180000032
其中，xi为第ti时刻的信号值，xi-1是ti-1时刻的信号值；
二阶差分计算为：
Figure BDA0003579265180000033
其中，Signal′i为信号x的在ti时刻的一阶差分，Signal′i-1为信号x在ti-1时刻的一阶差分。
更进一步地，所述预处理数据集的每一个信号窗口根据其时序的特征，生成一张640*480的图像，每帧数据可以代表一个像素点，该像素点的坐标表示为(8+i，480*Signali)，i为信号在当前窗口ti时刻的索引值，Signali为该窗口信号数据在索引i处的归一化后的信号值，将该像素点以及在图像上高度上小于该像素点的所有像素点置为相同的值，即为所述时域图。
更进一步地，述频域图是对预处理数据集中PPG窗口信号数据进行快速傅里叶变换，得到信号在0-60Hz上的频率强度，并将其进行信号的归一化，利用其信号的频率强度值，生成大小为640*480能够代表频域信息的频谱图，在该频谱图中将纵坐标作为频率值，其中像素值代表了频率强度值。
更进一步地，所述大数据集模型包括病人的PPG信号和连续动脉血压数据，所述PPG信号和连续动脉血压数据频率相同；
将所述PPG信号和连续动脉血压数据对齐，并取连续动脉血压数据中的波峰值作为高压值，波谷值作为低压值，组成用于预训练的血压-PPG数据集。
更进一步地，所述血压估计模块采用CNN+Transformer encoder网络结构，包括1DCNN特征提取网络、2D CNN频域图像特征提取网络、2D CNN时域图像特征提取网络、Transformer encoder网络和全连接网络；所述CNN+Transformer encoder网络结构通过所述预训练数据集进行预训练；
所述1D CNN特征提取网络对PPG信号和其一阶差分、二阶差分数据进行特征提取，将预处理数据集中PPG信号编码为第一长度的特征向量，将其一阶差分、二阶差分编码为第二长度的特征向量；同时，使用多层的2D CNN进行对时域图和频域图像的特征提取，将其编码为第二长度的特征向量；
利用PPG原始信号计算心率、振幅、脉宽、收缩期斜率的最大值、舒张期斜率的最小值、脉宽与振幅的比值，将其归一化后与PPG信号的特征向量进行拼接，使拼接后信号达到第二长度的特征向量，并输入Transformer encoder网络。
更进一步地，所述全连接网络使用SmoothL1Loss作为回归损失生成血压值；
所述回归损失为：
Figure BDA0003579265180000041
其中，signal为窗口信号值，函数f即为构建的模型，y为血压真实值。
本发明达到的有益效果是：
本发明设计了一种利用多阶多模态信息的无袖带式血压估计方法，自建立了基于某一种光电容积脉搏波采集设备的PPG信号-血压数据集，可用于无袖带式的血压估计；同时提出了一种利用多模态和多阶特征的无袖带式血压估计方法。
本发明通过多种特征的提取，使用多个维度特征作为模型的输入，能够提高模型对血压计算的稳定性，克服了现有技术的研究中基于PPG信号的血压计算特征不明确，同时也提高了在自采小数据集上的模型泛化能力，对无袖带的、更稳定的连续血压检测提供了新思路。
本发明通过数据增广的方法，充分利用了PPG信号在时域内的主要特征和在频域的特征，并加入了PPG信号中的变化速度和加速度的特征，使特征维度更高，为血压的计算提供了丰富的信息，并基于其特征构建了一种适用于血压估计的模型，实现了连续的无袖带式血压估计。
附图说明
图1为本发明提出实施例中一种基于多阶多模态的非袖带式血压测量装置的结构示意图；
图2为本发明提出实施例中一种基于多阶多模态的非袖带式血压测量装置生成的时域特征图；
图3为本发明提出实施例中一种基于多阶多模态的非袖带式血压测量装置生成的频率特征图。
图4为本发明提出实施例中一种基于多阶多模态的非袖带式血压测量装置的工作流程示意图。
具体实施方式
下面结合附图对本发明的技术方案进行更详细的说明，本发明包括但不仅限于下述实施例。
本发明设计了一种基于多阶多模态的
非袖带式血压测量装置，该非袖带式血压测量装置包括数据采集单元101、存储单元108、信号质量评估模块103、信号预处理模块104、信号增广计算模块105和血压估计模块106。
数据采集单元101包括血压采集模块和脉搏波采集模块，用于获取血压值和脉搏波。血压采集模块可以是电子血压计，也可以采用水银血压计，测量后输入血压值或通过电子设备导入血压数据。脉搏波采集模块为指夹式脉搏检测仪。
在一种实施方式中，在数据采集前受试者静息5分钟，如经过剧烈运动视情况增加休息时长；静息后测量左臂血压值(欧姆龙HEM-7136电子血压计1次，鱼跃A型水银血压计2次)，测量过程中，保持静息态，不晃动，不说话；左手食指连接康泰CMS50E指夹式脉搏检测仪测得连续两分钟的脉搏波，期间务必要保持静息。
存储单元108与脉搏波采集模块连接，用于将脉搏波中PPG信号进行处理，生成PPG窗口信号数据。PPG信号属于一维的时间序列数据，对其时间序列进行分窗处理用于构建血压-PPG信号数据集。
在血压-PPG信号数据集中，PPG窗口数据属于血压-PPG信号数据集的一部分，PPG的窗口数据与原始的PPG信号形式相同均为一维时序数据，每个PPG窗口数据对应一组收缩压和舒张压血压值。
在本实施例中，选择窗口为5秒，步长为2的分窗方法，将PPG信号数据分为5秒的窗口，并对应其相应的收缩压和舒张压血压值。
信号质量评估模块103与存储单元108连接，对PPG窗口信号数据进行质量评价筛选出可用的信号。
由于PPG信号是光电信号，极易受到其他光环境的影响并且容易受到运动而造成伪影，所以需要对信号进行质量的评价，并筛选出可用的信号。采用计算PPG窗口信号数据的信号偏态值：
Figure BDA0003579265180000071
其中，xi表示为长度为N的第i个信号值，
Figure BDA0003579265180000072
为该段信号的均值，σ为该段信号的方差。
PPG信号的偏态值往往在0.8以上的信号质量更优秀，并且需要限制信号长度在1秒内。这里将5秒的窗口分为5段，计算每段的信号偏态值并取平均值为最终信号偏态值SSQI，最终信号偏态值SSQI大于0.8的窗口最后组建数据集。
信号预处理模块104与信号质量评估模块103连接，用于对数据集进行预处理生成预处理数据集，预处理步骤包括了数据的滤波去噪、归一化。
为最大限度的保留脉搏波的原始信息并使信号更加平滑，对信号的滤波器采用巴特沃斯带通滤波器，根据人类心脏的跳动情况限制具体的频率范围为40-240bpm；同时对数据集中的PPG窗口信号数据进行最大最小值的归一化：
Figure BDA0003579265180000073
其中，x为该PPG窗口信号数据的当前信号值，xMin为该PPG窗口信号数据的信号最小值，xMax为该PPG窗口信号数据的信号最大值。
信号增广计算模块105与信号预处理模块104连接，用于对预处理数据集进行数据的增广生成增广数据集。
数据的增广包括了一阶差分、二阶差分的生成以及时域图和频域图的生成。一阶差分计算为：
Figure BDA0003579265180000081
其中，xi为第ti时刻的信号值，xi-1是ti-1时刻的信号值；
二阶差分计算为：
Figure BDA0003579265180000082
其中，Signal′i为信号x的在ti时刻的一阶差分，Signal′i-1为信号x在ti-1时刻的一阶差分。
如附图2所示，对每一个信号窗口根据其时序的特征，生成一张640*480的图像，可突出其在时域下的主要特征。对于每帧数据可以代表一个像素点，这个像素点的坐标可以表示为(8+i，480*Signali)，i为信号在当前窗口ti时刻的索引值，Signali为该窗口信号数据在索引i处的归一化后的信号值，将该像素点以及在图像上高度上小于该像素点的所有像素点置为相同的值，即可生成时域信号的图像。
如附图3所示，同时根据信号的频域特征，对每一个信号窗口可以生成信号频谱图，其中更高亮的部分为该信号段频率更高的部分。更具体的，本发明中对该窗口信号进行快速傅里叶变换，得到信号在0-60Hz上的频率强度，并将其进行信号的归一化，利用其信号的频率强度值，生成大小为640*480能够代表频域信息的频谱图，在该频谱图中将纵坐标作为频率值，在本发明中频谱图中的横坐标用于扩充为二维图像，其中像素值代表了频率强度值，频率越强在其对应的像素值越高即亮度也越高。
血压估计模块106与信号增广计算模块105连接，用于进行迁移学习，基于大数据集预训练能够使模型能够更快的泛化到我们组建的数据集上。
更具体的，使用The Medical Information Mart for Intensive Care III(MIMIC-III)Waveform公开数据库对模型进行预训练，该公开数据库中包含了相关病人的PPG信号、ECG信号以及Arterial Blood Pressure(ABP)连续动脉血压数据。本发明使用了其中的PPG信号和ABP信号，其频率相同，采取与自建数据集的分窗策略相同的方法，将PPG信号和ABP信号对齐，并取ABP信号中的波峰值作为高压值，波谷值作为低压值，组成用于预训练的血压-PPG数据集。
如附图4所示，本发明采用CNN+Transformer encoder网络结构，包括1D CNN特征提取网络、2D CNN频域图像特征提取网络、2D CNN时域图像特征提取网络、Transformerencoder网络和全连接网络；CNN+Transformer encoder网络结构通过预训练数据集进行预训练，使预训练数据集的模型参数迁移至CNN+Transformer encoder网络结构。
首先，使用多层的1D CNN对PPG信号和其一阶差分、二阶差分数据进行特征提取，将预处理数据集中PPG信号编码为第一长度的特征向量，将其一阶差分、二阶差分编码为第二长度的特征向量；使用2D CNN频域图像特征提取网络对频域图像进行特征提取，使用2DCNN时域图像特征提取网络对时域图像进行特征提取，将特征编码为长度为第二长度的特征向量；将利用预处理数据集中PPG信号计算心率、振幅、脉宽、收缩期斜率的最大值、舒张期斜率的最小值、脉宽与振幅的比值共6个参数，将其归一化后与PPG信号的特征向量进行拼接，使拼接后的信号达到第二长度的特征向量。
本实施例中，使用多层的1D CNN对PPG信号和其一阶差分、二阶差分数据进行特征提取，将预处理数据集中PPG信号编码为长度为506的特征向量，将其一阶差分、二阶差分编码为长度为512的特征向量；使用2D CNN频域图像特征提取网络对频域图像进行特征提取，使用2D CNN时域图像特征提取网络对时域图像进行特征提取，将特征编码为长度为512的特征向量；将利用预处理数据集中PPG信号计算心率、振幅、脉宽、收缩期斜率的最大值、舒张期斜率的最小值、脉宽与振幅的比值共6个参数，将其归一化后与PPG信号的特征向量进行拼接，即得到原始信号长度为512的特征向量。
Transformer能够在多个领域内取得成功是因为其self-attention的计算结构，能够在使特征向量在全局互相关，同样，本发明利用其attention机制，能够极大限度的提取序列特征值之间的关系。在Transformer encoder的输出后利用全连接网络将特征计算为我们的血压值，最后使用SmoothL1Loss作为回归损失，具体如下：
Figure BDA0003579265180000101
其中，signal为窗口信号值，函数f即为构建的模型，y为血压真实值。
在预训练结束后，在我们自主组建的数据集上进行迁移学习：我们冻结CNN和Transformer的模型参数，只在模型的最后一层全连接层进行权重的更新，使其能够泛化到我们的数据集上。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据实施例和附图公开内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变换或更改的设计，都落入本发明保护的范围。

Claims (10)

1.一种基于多阶多模态的非袖带式血压测量装置，其特征在于，所述非袖带式血压测量装置包括数据采集单元(101)、存储单元(108)、信号质量评估模块(103)、信号预处理模块(104)、信号增广计算模块(105)和血压估计模块(106)；
所述数据采集单元(101)用于获取血压值和脉搏波中PPG信号；
所述存储单元(108)与所述数据采集单元(101)连接，用于对所述血压值和PPG信号进行处理，生成PPG窗口信号数据；
所述信号质量评估模块(103)与所述存储单元(108)连接，用于对所述PPG窗口信号数据进行质量评价筛选，生成数据集；
所述信号预处理模块(104)与所述信号质量评估模块(103)连接，用于对所述数据集进行预处理生成预处理数据集；
所述信号增广计算模块(105)与所述信号预处理模块(104)连接，用于对所述预处理数据集进行数据的增广，生成增广数据集；所述数据的增广包括生成一阶差分、二阶差分、时域图和频域图；
所述血压估计模块(106)与所述信号增广计算模块(105)连接，用于进行迁移学习，使基于大数据集模型能够泛化到所述增广数据集上。
2.根据权利要求1所述非袖带式血压测量装置，其特征在于，所述存储单元(108)对所述PPG信号进行分窗处理，并对应其相应的收缩压和舒张压血压值，生成所述PPG窗口信号数据。
3.根据权利要求1所述非袖带式血压测量装置，其特征在于，所述信号质量评估模块(103)将所述PPG窗口信号数据分成多段，计算每段所述PPG窗口信号数据的信号偏态值：
Figure FDA0003579265170000011
其中，xi表示为长度为N的第i个信号值，
Figure FDA0003579265170000021
为该段信号的均值，σ为该段信号的方差；
计算多段信号偏态值的平均值为最终信号偏态值，并选取最终信号偏态值大于0.8的窗口组建所述数据集。
4.根据权利要求1所述非袖带式血压测量装置，其特征在于，所述预处理步骤包括了数据的滤波去噪、归一化；所述信号预处理模块(104)采用巴特沃斯带通滤波器，限制所述数据集的频率范围为40-240bpm；
所述信号预处理模块(104)对数据集中的PPG窗口信号数据进行最大最小值的归一化：
Figure FDA0003579265170000022
其中，x为该PPG窗口信号数据的当前信号值，xMin为该PPG窗口信号数据的信号最小值，xMax为该PPG窗口信号数据的信号最大值。
5.根据权利要求1所述非袖带式血压测量装置，其特征在于，所述一阶差分计算为：
Figure FDA0003579265170000023
其中，xi为第ti时刻的信号值，xi-1是ti-1时刻的信号值；
二阶差分计算为：
Figure FDA0003579265170000024
其中，Signal′i为信号x的在ti时刻的一阶差分，Signal′i-1为信号x在ti-1时刻的一阶差分。
6.根据权利要求5所述非袖带式血压测量装置，其特征在于，所述预处理数据集的每一个信号窗口根据其时序的特征，生成一张640*480的图像，每帧数据可以代表一个像素点，该像素点的坐标表示为(8+i，480*Signali)，i为信号在当前窗口ti时刻的索引值，Signali为该窗口信号数据在索引i处的归一化后的信号值，将该像素点以及在图像上高度上小于该像素点的所有像素点置为相同的值，即为所述时域图。
7.根据权利要求6所述非袖带式血压测量装置，其特征在于，所述频域图是对预处理数据集中PPG窗口信号数据进行快速傅里叶变换，得到信号在0-60Hz上的频率强度，并将其进行信号的归一化，利用其信号的频率强度值，生成大小为640*480能够代表频域信息的频谱图，在该频谱图中将纵坐标作为频率值，其中像素值代表了频率强度值。
8.根据权利要求7所述非袖带式血压测量装置，其特征在于，所述大数据集模型包括病人的PPG信号和连续动脉血压数据，所述PPG信号和连续动脉血压数据频率相同；
将所述PPG信号和连续动脉血压数据对齐，并取连续动脉血压数据中的波峰值作为高压值，波谷值作为低压值，组成用于预训练的血压-PPG数据集。
9.根据权利要求8所述非袖带式血压测量装置，其特征在于，所述血压估计模块(106)采用CNN+Transformer encoder网络结构，包括1D CNN特征提取网络、2D CNN频域图像特征提取网络、2D CNN时域图像特征提取网络、Transformer encoder网络和全连接网络；所述CNN+Transformer encoder网络结构通过所述预训练数据集进行预训练；
所述1D CNN特征提取网络对PPG信号和其一阶差分、二阶差分数据进行特征提取，将预处理数据集中PPG信号编码为第一长度的特征向量，将其一阶差分、二阶差分编码为第二长度的特征向量；同时，使用多层的2D CNN进行对时域图和频域图像的特征提取，将其编码为第二长度的特征向量；
利用PPG原始信号计算心率、振幅、脉宽、收缩期斜率的最大值、舒张期斜率的最小值、脉宽与振幅的比值，将其归一化后与PPG信号的特征向量进行拼接，使拼接后信号达到第二长度的特征向量，并输入Transformer encoder网络。
10.根据权利要求9所述非袖带式血压测量装置，其特征在于，所述全连接网络使用SmoothL1Loss作为回归损失生成血压值；
所述回归损失为：
Figure FDA0003579265170000041
其中，signal为窗口信号值，函数f即为构建的模型，y为血压真实值。
CN202210349794.7A 2022-04-02 2022-04-02 一种基于多阶多模态的非袖带式血压测量装置 Pending CN114587311A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210349794.7A CN114587311A (zh) 2022-04-02 2022-04-02 一种基于多阶多模态的非袖带式血压测量装置
PCT/CN2023/084460 WO2023185873A1 (zh) 2022-04-02 2023-03-28 一种基于多阶多模态的非袖带式血压测量装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210349794.7A CN114587311A (zh) 2022-04-02 2022-04-02 一种基于多阶多模态的非袖带式血压测量装置

Publications (1)

Publication Number Publication Date
CN114587311A true CN114587311A (zh) 2022-06-07

Family

ID=81820899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210349794.7A Pending CN114587311A (zh) 2022-04-02 2022-04-02 一种基于多阶多模态的非袖带式血压测量装置

Country Status (2)

Country Link
CN (1) CN114587311A (zh)
WO (1) WO2023185873A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115836846A (zh) * 2022-12-14 2023-03-24 北京航空航天大学 一种基于自监督迁移学习的无创血压估计方法
WO2023185873A1 (zh) * 2022-04-02 2023-10-05 北京华视诺维医疗科技有限公司 一种基于多阶多模态的非袖带式血压测量装置及方法
CN117137465A (zh) * 2023-11-01 2023-12-01 深圳市奋达智能技术有限公司 一种血流动力参数测量方法及其相关设备
CN117694857A (zh) * 2023-08-17 2024-03-15 荣耀终端有限公司 Ppg频域信号的去噪方法、设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118044795B (zh) * 2024-04-16 2024-06-21 深圳市优创亿科技有限公司 基于双路ppg信号的血压测量方法及相关设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180136193A1 (en) * 2015-04-14 2018-05-17 Nueon Inc. Method and apparatus for determining markers of health by analysis of blood
CN110809429A (zh) * 2017-06-30 2020-02-18 巴克斯特国际公司 用于对噪声进行滤波并且分析静脉波形信号的***和方法
KR20210023170A (ko) * 2019-08-22 2021-03-04 상명대학교 천안산학협력단 Ppg신호를 이용한 딥러닝 기반의 감정인식 시스템 및 감정인식 방법
CN113749630A (zh) * 2021-09-16 2021-12-07 华南理工大学 一种基于ecg信号和ppg信号的血压监测***和方法
CN114052681A (zh) * 2021-11-23 2022-02-18 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***

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2922468B1 (en) * 2013-02-13 2016-06-08 Leman Micro Devices SA Non-invasive blood analysis
CN112515645B (zh) * 2021-02-07 2021-05-14 江西科莱富健康科技有限公司 血压测量数据处理方法、***及计算机设备
CN114587311A (zh) * 2022-04-02 2022-06-07 杭州华视诺维医疗科技有限公司 一种基于多阶多模态的非袖带式血压测量装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180136193A1 (en) * 2015-04-14 2018-05-17 Nueon Inc. Method and apparatus for determining markers of health by analysis of blood
CN110809429A (zh) * 2017-06-30 2020-02-18 巴克斯特国际公司 用于对噪声进行滤波并且分析静脉波形信号的***和方法
KR20210023170A (ko) * 2019-08-22 2021-03-04 상명대학교 천안산학협력단 Ppg신호를 이용한 딥러닝 기반의 감정인식 시스템 및 감정인식 방법
CN113749630A (zh) * 2021-09-16 2021-12-07 华南理工大学 一种基于ecg信号和ppg信号的血压监测***和方法
CN114052681A (zh) * 2021-11-23 2022-02-18 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***

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023185873A1 (zh) * 2022-04-02 2023-10-05 北京华视诺维医疗科技有限公司 一种基于多阶多模态的非袖带式血压测量装置及方法
CN115836846A (zh) * 2022-12-14 2023-03-24 北京航空航天大学 一种基于自监督迁移学习的无创血压估计方法
CN117694857A (zh) * 2023-08-17 2024-03-15 荣耀终端有限公司 Ppg频域信号的去噪方法、设备及存储介质
CN117137465A (zh) * 2023-11-01 2023-12-01 深圳市奋达智能技术有限公司 一种血流动力参数测量方法及其相关设备
CN117137465B (zh) * 2023-11-01 2024-04-16 深圳市奋达智能技术有限公司 一种血流动力参数测量方法及其相关设备

Also Published As

Publication number Publication date
WO2023185873A1 (zh) 2023-10-05

Similar Documents

Publication Publication Date Title
CN114587311A (zh) 一种基于多阶多模态的非袖带式血压测量装置
CN106413534B (zh) 连续血压测量装置、测量模型建立方法和***
CN112914527B (zh) 一种基于脉搏波光电容积描记术的动脉血压信号采集方法
Casado et al. Face2PPG: An unsupervised pipeline for blood volume pulse extraction from faces
CN112949349B (zh) 基于人脸视频实时显示脉象波形的方法和***
CN109793507A (zh) 一种基于手指压力示波法的无袖套血压测量装置及测量方法
CN107169419A (zh) 基于机器视觉的非接触式人体体征检测方法及装置
CN111839488B (zh) 基于脉搏波的无创连续血压测量装置和方法
Argha et al. A novel automated blood pressure estimation algorithm using sequences of Korotkoff sounds
Gupta et al. Higher order derivative-based integrated model for cuff-less blood pressure estimation and stratification using PPG signals
CN114628020A (zh) 远程体积描记信号检测模型构建、检测方法、装置及应用
CN110840428B (zh) 基于一维U-Net网络的无创血压估计方法
CN116369877A (zh) 一种基于光电容积脉搏波的无创血压估计方法
CN113243902B (zh) 一种基于光电容积脉搏波的特征提取方法
Yen et al. Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN.
CN113456042A (zh) 一种基于3d cnn的无接触面部血压测量方法
CN114947782A (zh) 一种基于ppg信号的中心动脉压波形重构的***及方法
CN115240845A (zh) 一种基于体外反搏的冠心病分类方法、***及装置
CN114668375A (zh) 一种基于深度神经网络模型的无袖带血压预测***
Seo et al. Continuous blood pressure estimation using 1D convolutional neural network and attention mechanism
Sinhal et al. Color intensity: a study of RPPG algorithm for heart rate estimation
CN115003215A (zh) 根据光学数据进行脉搏传播时间测量的***和方法
CN117877099B (zh) 一种基于时空特征增强的无监督对比远程生理测量方法
CN115905819B (zh) 基于生成对抗网络的rPPG信号生成方法及装置
US20240108235A1 (en) Non-contact image-based blood pressure measurement method and system based on advanced visual intelligence

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