CN116803340B - 一种基于多源数据融合和图神经网络的无创血压检测方法 - Google Patents
一种基于多源数据融合和图神经网络的无创血压检测方法 Download PDFInfo
- Publication number
- CN116803340B CN116803340B CN202310885999.1A CN202310885999A CN116803340B CN 116803340 B CN116803340 B CN 116803340B CN 202310885999 A CN202310885999 A CN 202310885999A CN 116803340 B CN116803340 B CN 116803340B
- Authority
- CN
- China
- Prior art keywords
- data
- ppg
- blood pressure
- layer
- graph
- 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 71
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 230000033001 locomotion Effects 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000000547 structure data Methods 0.000 claims abstract description 15
- 230000001629 suppression Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 210000001519 tissue Anatomy 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000008358 core component Substances 0.000 claims description 3
- 230000031700 light absorption Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 210000003205 muscle Anatomy 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 12
- 239000010410 layer Substances 0.000 description 58
- 210000003491 skin Anatomy 0.000 description 30
- 230000000694 effects Effects 0.000 description 6
- 210000004204 blood vessel Anatomy 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000005764 inhibitory process Effects 0.000 description 4
- 230000035515 penetration Effects 0.000 description 4
- 230000035487 diastolic blood pressure Effects 0.000 description 3
- 230000010349 pulsation Effects 0.000 description 3
- 230000035488 systolic blood pressure Effects 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 210000004207 dermis Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- UXFQFBNBSPQBJW-UHFFFAOYSA-N 2-amino-2-methylpropane-1,3-diol Chemical compound OCC(N)(C)CO UXFQFBNBSPQBJW-UHFFFAOYSA-N 0.000 description 1
- 101150035093 AMPD gene Proteins 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000012503 blood component Substances 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 206010033675 panniculitis Diseases 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 210000004304 subcutaneous tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- A61B5/02—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
- A61B5/02141—Details of apparatus construction, e.g. pump units or housings therefor, cuff pressurising systems, arrangements of fluid conduits or circuits
-
- 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
- A61B5/7225—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
- A61B5/02—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
- A61B5/02—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
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Power Engineering (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于多源数据融合和图神经网络的无创血压检测方法,包括以下步骤:S1、建立生理数据采集模组并采集人体PPG数据和ECG数据;S2、基于测量点位的运动伪声抑制和波段的肤色差异抑制进行生理信号补偿;S3、提取波形特征后进行图结构数据构建,并根据图卷积神经网络进行模型训练,最后实现血压数据的精确估计。本发明采用上述的一种基于多源数据融合和图神经网络的无创血压检测方法,提高了对血压变化趋势的估计准确性和长期检测的鲁棒性,并支持血压的长期检测。
Description
技术领域
本发明涉及医工融合技术领域,尤其是涉及一种基于多源数据融合和图神经网络的无创血压检测方法。
背景技术
血压是衡量心血管健康状况的重要指标,通过检测血压,可以及早发现并预防许多心血管疾病。
有创和无创血压检测算法是用于测量人体血压的两种不同方法。有创血压检测算法通过在患者的动脉或静脉血管中***传感器,直接测量血压。通常在重症监护单位和手术室中使用,以获取高精度的血压数据。该算法利用压力传感器测量血管内的压力,并将结果传输到监护仪或计算机进行分析和显示。虽然有创血压检测算法提供准确和实时的血压数据,但使用该方法需要***血管,可能伴随感染和其他并发症的风险。
无创血压检测技术广泛应用于病房、手术室、急诊室和家庭健康监护等场景,为医疗***人员和个人用户提供方便快捷的血压检测手段。传统无创血压检测算法基于袖带充气和放气过程,通过分析血压信号变化来计算收缩压和舒张压。无创血压检测算法方便、安全且易于使用,但无法实时检测且测量不太方便。为克服这些局限,无袖血压检测技术应运而生,利用先进的传感器技术和算法无需袖带即可测量血压。通常使用光电、压力或声波传感器等装置,检测血流引起的微弱变化,获取血压数据。
利用PPG(光电容积脉搏波)和ECG(心电图)进行无袖带血压检测是该技术的一项代表。PPG传感器利用光电测量原理,通过测量皮肤表面的反射光强度变化来检测血流量的变化;ECG传感器记录心脏的电活动,包括心脏收缩和舒张的信息,通过同时检测PPG和ECG信号,并结合新一代AI处理算法,可以实现血压数据的实时分析和解读。从算法分类上来看,主要分为传统信号处理算法与机器学习/深度学习算法两大类,亦有结合二者的设备产品。以上海立阖泰医疗科技有限公司的专利基于freeRTOS的连续无创血压测量***(CN202110247131.X)为例,其在采集数据后根据优化后的传统PWV计算方法、考虑心率因素生成的回归方程,实时计算待测者的血压;相较之下,北京航空航天大学的专利一种基于自监督迁移学习的无创血压估计方法(CN202211609290.0)仅使用PPG数据,结合新一代深度学习Transformer算法,牺牲一部分估计精度与各项数据间关联度,以换取数据采集的便捷性。
上述无创血压检测相关类设备,在无创血压检测上基本做到了一体化并具备一定的持续检测的能力。但输入数据单一、检测精度低等问题仍未得到应有的解决。
综上所述,通过对血压检测技术的了解,现有的检测方法存在以下问题。
1、当前无袖带血压检测设备在使用上难以做到无感或低感使用设计;
2、基于PPG和ECG的血压检测上,存在着PPG采集易受到运动伪声和肤色差异等因素的影响,ECG存在采集设备的输入阻抗不够大导致的数据采集精度不够的问题;
3、现有的无袖带血压检测多采用基于脉搏波传递时间的曲线拟合或基于深度学习的估计方法,存在着检测精度差、个体差异明显可解释性差等不足;
4、在血压的长期管理中,当前的血压检测设备存在着长期数据统计不便、血压趋势变化不够准确、长期血压数据的深度信息待挖掘等问题。
发明内容
本发明的目的是提供一种基于多源数据融合和图神经网络的无创血压检测方法,提高了对血压变化趋势的估计准确性和长期检测的鲁棒性,并支持血压的长期检测。
为实现上述目的,本发明提供了一种基于多源数据融合和图神经网络的无创血压检测方法,包括以下步骤:
S1、建立生理数据采集模组并采集人体PPG数据和ECG数据;
S2、基于测量点位的运动伪声抑制和波段的肤色差异抑制进行生理信号补偿;
S3、提取波形特征后进行图结构数据构建,并根据图卷积神经网络进行模型训练,最后实现血压数据的精确估计。
优选的,在步骤S1中,所述采集PPG数据的步骤如下:首先其内嵌的多波段LED光源射向被测部位,被测部位的各个组织进行不同程度地吸收,吸光量随物质的变化而变化,此后所反射回来的透射光强信号由多个点位的光电转换传感器接收并转为电信号,即获取不同波段不同点位的PPG数据;
所述采集ECG数据需将电极片连接到身体的指定位置。
优选的,在步骤S2中,基于测量点位的运动伪声抑制算法的具体流程如下:
(1)对于同波段的4点位(四点位假设为A、B、C、D)PPG数据(PPGA、PPGB、PPGC、PPGD),此时采集区域较小,且7人体肤色等差异在测量区域内差异小,假设不同点位数据在时域及形态特征上相关性高,在理想情况下,ppg数据的电压波形由反射光、环境光、仪器噪声组成,PPG的幅值由以下公式表示
VPPG=V反射光+V环境光+V仪器噪声 (1)
其中V反射光为对应波段反射光产生的电压,V环境光为环境中存在的对应波段光产生的电压,V仪器噪声为测量装置本身所产生的电压噪声;
(2)当发生运动时,V反射光会因局部肌肉改变、佩戴不紧而产生变化,同时测量区域的漏光等现象也会使得V环境光产生变化,PPG数据与两种运动伪声有关;
(3)当不存在运动伪声时,此时假设V反射光,V环境光均大致相似,此时VPPG由以下公式推导:
由公式(2)可知,当不存在运动伪声时,根据该方式降低仪器的噪声误差。
优选的,在步骤S2中,两种运动伪声对PPG数据的影响情况如下:
(1)当发生运动伪声1的情况时,上述公式(1)中,由于漏光,使得LED光强减弱,进而V反射光降低,同时环境光的增强使得V环境光升高,减弱前后变化最小的参数作为该波段的PPG采集数值;
(2)而当发生运动伪声2时,四个点位的VPPG分别为VA+ΔVA、VB+ΔVB、VC+ΔVC、VD+ΔVD,其中VA、VB、VC、VD分别为无运动伪声时的VPPG,由于ΔVA<ΔVB、ΔVC<ΔVD,而A与B、C与D的物理位置存在线性关系,A与D之间存在点O、PPG波形电压变化与点位存在函数关系f,故:
VO=f((VB-VA),(VC-VD),VD,VA) (3)
虚拟点VO为该波段的PPG数据,通过上述映射关系实现运动伪声的降低。
优选的,其特征在于,在步骤S2中,基于波段的肤色差异抑制算法是基于不同波段光对于皮肤不同组织层的穿透能力不同:
其中,四个波段的V反射光,Vgreen、Vred、Vir_1、Vir_2由下述公式表示:
其中,Vgreen为绿光,Vred为红光,Vir_1和Vir_2表示不同波段红外光产生的电压,当佩戴合适及其他测量条件理想时,V肤色为常量,V表层、V皮肤中浅层、V皮肤中深层、V皮肤深层由该层的组织常量与血管脉动组成,即:
V层=V层组织+V血管
通过数据差分算法,获得不同组织层的光反射电压,达到肤色差异抑制的效果。
优选的,在步骤S3中,图卷积神经网络血压估计算法主要由输入层、GCN层、连接层组成,在输入层时对生理数据进行特征提取,利用上述特征构建图结构数据后利用GCN进行模型训练,对图结构数据依次进行GCN、池化层、全连接层处理,具体如下:
(1)GCN层:通过计算节点与其邻居节点的加权平均值,更新节点的特征表示;
(2)池化层:在图卷积神经网络中用于减少图中节点的数量,并保留重要的信息,池化操作将一组节点聚合为一个节点,从而减小图的规模;
(3)全连接层:全连接层用于在图卷积神经网络中进行最终的特征处理和输出预测,全连接层中的每个节点与前一层的所有节点都有连接,每个连接都具有权重,全连接层对图卷积层和池化层的输出进行进一步的特征提取和组合,以生成最终的预测结果,全连接层包括ReLU非线性激活函数,以增加网络的表达能力和非线性建模能力。
优选的,在步骤S3中,通过计算节点与其邻居节点的加权平均值,更新节点的特征表示,具体步骤为:
(a)GCN层是图卷积神经网络的核心组成部分,用于在图结构数据上进行特征传播和学习;
(b)通过使用节点的邻居信息进行特征传播,使得每个节点的特征受到相邻节点的影响;
具体而言,GCN层的输出是更新后的节点特征矩阵,其中每个节点的特征被更新为综合考虑了邻居节点信息的新表示,其中GCN层的公式为:
其中,σ为激活函数,Hl是第l层的节点特征矩阵,是邻接矩阵A加上自环的形式,是度矩阵D加上自环的形式,Wl是第l层权重矩阵。
优选的,在步骤S3中,对生理数据进行特征提取主要包括:对于PPG数据是对不同波段PPG的特征点进行提取,其中特征包括波峰、波谷,波形上升0.1倍波峰,ECG信号是对P波、Q波、R波、S波、T波进行识别。
优选的,生理数据采集模组在ECG采集电路的增设有高输入阻抗,增强采集模组的鲁棒性,实现ECG数据的精确采集。
因此,本发明采用上述一种基于多源数据融合和图神经网络的无创血压检测方法,其技术效果如下:
(1)本发明的测量模块整体采用腕带式结构,面向用户长期穿戴;采集部分采用进行抗运动伪声设计,在多个光电转换处与腕部紧密连接,可适用于诸如手环等可穿戴设备,对正常生活造成干扰小。
(2)本发明采用4波段PPG信号、单导联ECG信号同时采集的技术路线。本发明根据不同点位的数据进行数据融合,实现抗运动伪声;根据不同波段的光对皮肤的穿透性不一的原理,对多波段数据进行差分融合,实现肤色影响的抑制。对于ECG传统的采集电路上添加高输入阻抗设计,提高ECG的采集精度。
(3)本发明在血压估计的实现上,采用“多模态数据+图神经网络算法”的方法,相较于传统无袖带血压检测采用的单通道PPG和单导联ECG计算PWTT再拟合经验公式或基于深度学习的估计方法,本发明的技术路线可更好地挖掘了多生理数据之间可能的依赖关系,提高检测精度。
(4)本发明在估计血压数据的同时将信息传输至云端,云端部署数据挖掘算法,并利用经验回放机制,可提高对血压变化趋势的估计准确性和长期检测的鲁棒性,并支持血压的长期检测。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1是生理数据采集模组的硬件组成图;
图2是基于图神经网络的血压估计算法图;
图3是生理数据采集模组硬件采集结构俯视图;
图4是生理数据采集模组硬件采集结构侧视图;
图5是一种基于多源数据融合和图神经网络的无创血压检测方法技术路线;
图6是运动伪声产生情况;
图7是生理信号分期和产生原理;
图8是图结构数据。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的主旨或基本特征的情况下,能够以其它的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其它实施方式。这些其它实施方式也涵盖在本发明的保护范围内。
还应当理解,以上所述的具体实施例仅用于解释本发明,本发明的保护范围并不限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明/发明的保护范围之内。
对于相关领域普通技术人员已知的技术、方法和设备可能不作为详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
本发明说明书中引用的现有技术文献所公开的内容整体均通过引用并入本发明中,并且因此是本发明公开内容的一部分。
实施例一
如图所示,本发明提供了一种基于多源数据融合和图神经网络的无创血压检测方法,包括以下步骤:
步骤一、建立生理数据采集模组和采集生理数据
生理数据采集模组采集数据的步骤如图1所示,被测个体进行PPG和ECG生理参数采集,首先对于PPG数据的采集,其内嵌的LED光源射向被测部位(腕部的四个点位),被测部位的各个组织进行不同程度地吸收,吸光量随物质的变化而变化,此后所反射回来的透射光强信号由四个点位的光电转换传感器接收并转为电信号,即可获取同波段不同点位的PPG数据,而通过MCU分时驱动LED产生550nm、660nm、880nm、960nm波段的光,即可获取不同波段、不同点位的PPG数据;ECG数据的采集需要将电极片连接到身体的指定位置,常见ECG采集方式包括12、5、3导联等,但由于其采集复杂、湿电极存在耗材、不适合实时检测;此外,ECG由于其幅值低、人体阻抗大等原因,ECG采集易受到噪声、采集装置输入阻抗低等因素的影响,为解决上述问题,本发明在集成包括放大保持电路、滤波电路、AD转换电路等的ECG采集电路的同时进行高输入阻抗设计,增强采集模组的鲁棒性,实现ECG数据的精确采集。
生理数据采集模组硬件采集结构如图3和图4所示的抗运动伪声设计,“1”与“2”分别代表光电转换传感器及多波段LED灯,其中,4个光电转换传感器进行凸出设计,使其与皮肤接触的更稳定,而4波段LED处进行凹陷设计,使得LED光的辐射面积更广,实现运动伪声的抑制,提高装置对运动伪声的抵抗性。
生理数据采集模组采用腕带式设计,使用者在进行血压检测时,仅需一只手佩戴装置,另一只手触摸装置上的电极片即可实现生理数据的采集。
生理数据采集模组此外支持数据存储、4G通信等功能的扩展,可对多模态生理数据、血压估计值等一系列数据进行存储和云端传输,支持后续的血压长期管理和深度信息挖掘。
对用户的生理数据进行实时连续采集,其中主要包括光电容积描记法和单导联ECG法进行多生理参数的非侵入性测量。
采集人体PPG数据和ECG数据,PPG信号的主要成分是由心脏搏动引起的脉搏波形,通过分析脉搏波的特征,如脉搏波的幅值、上升时间、下降时间等,可以间接反映出心脏收缩和舒张的情况;ECG记录了心脏的电活动。通过分析ECG信号的形态、持续时间和间隔等特征,可以评估心脏的节律和功能。
步骤二、基于测量点位的运动伪声抑制和波段的肤色差异抑制进行生理信号补偿
PPG算法采用光学传感原理,但采集过程中,常常会由于运动伪声、传感器贴附、环境光及肤色差异等因素造成PPG的波形失真,而该部分算法即基于多点位多波段的PPG数据进行PPG数据质量优化,提高PPG数据的准确性和可靠性。
生理信号补偿算法由基于测量点位的运动伪声抑制算法和基于波段的肤色差异抑制算法组成。
其中,基于测量点位的运动伪声抑制算法的具体流程如下:
(1)对于同波段的4点位(四点位假设为A、B、C、D)PPG数据(PPGA、PPGB、PPGC、PPGD),此时采集区域较小,且7人体肤色等差异在测量区域内差异小,假设不同点位数据在时域及形态特征上相关性高,在理想情况下,ppg数据的电压波形由反射光、环境光、仪器噪声组成,PPG的幅值由以下公式表示
VPPG=V反射光+V环境光+V仪器噪声 (1)
其中V反射光为对应波段反射光产生的电压,V环境光为环境中存在的对应波段光产生的电压,V仪器噪声为测量装置本身所产生的电压噪声。
(2)当发生运动时,V反射光会因局部肌肉改变、佩戴不紧而产生变化,同时测量区域的漏光等现象也会使得V环境光产生变化,具体的运动伪声如图6所示:
(a)当发生运动伪声1的情况时,上述公式(1)中,由于漏光,使得LED光强减弱,进而V反射光降低,同时环境光的增强使得V环境光升高,但由图6可知,D点位的两个参数变化最小,此时选取D点位的PPG数据作为该波段的PPG采集数值;
(b)而当发生如图6运动伪声2所示情况时,四个点位的VPPG分别为VA+ΔVA、VB+ΔVB、VC+ΔVC、VD+ΔVD,其中VA、VB、VC、VD分别为无运动伪声时的VPPG。由图6的位置关系可知,ΔVA<ΔVB、ΔVC<ΔVD,而A与B、C与D的物理位置存在线性关系,假设A与D之间存在点O、PPG波形电压变化与点位存在函数关系f,故:
VO=f((VB-VA),(VC-VD),VD,VA) (2)
虚拟点VO为该波段的PPG数据,通过上述映射关系实现运动伪声的降低。
(3)当不存在运动伪声时,此时假设V反射光,V环境光均大致相似,此时VPPG由以下公式推导:
由公式(3)可知,当不存在运动伪声时,根据该方式降低仪器的噪声误差。
基于波段的肤色差异抑制算法是基于不同波段光对于皮肤不同组织层的穿透能力不同:
绿光(波长495-570纳米)在皮肤表面的穿透深度相对较浅,它主要被皮肤表面的血管、毛发和色素吸收;
红光(约波长620-700纳米)的穿透深度相对较大,可以达到皮肤的中浅层,它能够穿透表皮层和真皮层,对于一些皮肤组织和血液成分的评估有一定的应用价值;
红外光(约波长700纳米至1毫米):可以穿透皮肤的真皮层和一部分皮下组织,红外光对于一些深层组织的观察和评估具有一定的作用。
其中,四个波段的V反射光,Vgreen、Vred、Vir_1、Vir_2由下述公式表示:
其中,Vgreen为绿光,Vred为红光,Vir_1和Vir_2表示不同波段红外光产生的电压,当佩戴合适及其他测量条件理想时,V肤色为常量,V表层、V皮肤中浅层、V皮肤中深层、V皮肤深层由该层的组织常量与血管脉动组成,即:
V层=V层组织+V血管
通过数据差分算法,获得不同组织层的光反射电压,达到肤色差异抑制的效果。
步骤三、提取波形特征后进行图结构数据构建,并根据图卷积神经网络进行模型训练,最后实现血压数据的精确估计
为实现对PPG和ECG数据信息的深度挖掘,实现血压指标的实时、精确检测,本部分在提取波形特征后进行图结构数据构建,并根据图卷积神经网络(GCN)进行模型训练,最后实现血压数据的精确估计。
该算法主要由输入层、GCN层、连接层组成。
在输入层时,首先对生理数据进行特征提取,对于PPG数据主要采用fourier曲线拟合、AMPD峰值算法、阈值法等对如图7所示的不同波段PPG的特征点进行提取,其中特征包括波峰、波谷,波形上升0.1倍波峰等。ECG信号主要采用小波变换和自适应滑动窗算法,对P波、Q波、R波、S波、T波等进行识别。
利用上述特征构建图结构数据,如图8所示。其中,空心节点表示不同波段PPG在不同波形特征点的特征,黑色节点为ECG特征。其中,从左往右的节点依次为不同特征点对应的时序和幅值参数,边为心脏实际生理活动的对应关系。
建立图结构数据后利用GCN进行模型训练,对图结构数据依次进行GCN、池化层、全连接层处理,具体如下:
1、GCN层:通过计算节点与其邻居节点的加权平均值,更新节点的特征表示,具体步骤为:
(1)GCN层是图卷积神经网络的核心组成部分,用于在图结构数据上进行特征传播和学习。
(2)通过使用节点的邻居信息进行特征传播,使得每个节点的特征受到相邻节点的影响。
具体而言,GCN层的输出是更新后的节点特征矩阵,其中每个节点的特征被更新为综合考虑了邻居节点信息的新表示。其中GCN层的公式为:
其中,σ为激活函数,Hl是第l层的节点特征矩阵,是邻接矩阵A加上自环的形式,是度矩阵D加上自环的形式,Wl是第l层权重矩阵,
2、池化层:在图卷积神经网络中用于减少图中节点的数量,并保留重要的信息。池化操作将一组节点聚合为一个节点,从而减小图的规模。常见的图池化方法包括最大池化和平均池化,其中最大池化选取聚合节点中最大的特征值,而平均池化计算聚合节点的特征平均值。
3、全连接层:全连接层用于在图卷积神经网络中进行最终的特征处理和输出预测。全连接层中的每个节点与前一层的所有节点都有连接,每个连接都具有权重。全连接层对图卷积层和池化层的输出进行进一步的特征提取和组合,以生成最终的预测结果。全连接层包括ReLU(Rectified Linear Unit)非线性激活函数,以增加网络的表达能力和非线性建模能力。
通过自建数据集的训练及验证,该模组的血压估计的误差如下:
指标 | 绝对误差/mmHg | 相对误差/% |
收缩压(SBP) | ±9.1 | 7.8 |
舒张压(DBP) | ±5.5 | 7.09 |
因此,本发明采用上述一种基于多源数据融合和图神经网络的无创血压检测方法,提高了对血压变化趋势的估计准确性和长期检测的鲁棒性,并支持血压的长期检测。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (6)
1.一种基于多源数据融合和图神经网络的无创血压检测方法,其特征在于,包括以下步骤:
S1、建立生理数据采集模组并采集人体PPG数据和ECG数据;
S2、基于测量点位的运动伪声抑制和波段的肤色差异抑制进行生理信号补偿;
S3、提取波形特征后进行图结构数据构建,并根据图卷积神经网络进行模型训练,最后实现血压数据的精确估计;
在步骤S2中,基于测量点位的运动伪声抑制算法的具体流程如下:
(1)对于同波段的4点位,四点位为A、B、C、D,PPG数据,PPGA、PPGB、PPGC、PPGD,此时采集区域较小,且人体肤色差异在测量区域内差异小,不同点位数据在时域及形态特征上相关性高,在理想情况下,ppg数据的电压波形由反射光、环境光、仪器噪声组成,PPG的幅值由以下公式表示
VPPG=V反射光+V环境光+V仪器噪声 (1)
其中V反射光为对应波段反射光产生的电压,V环境光为环境中存在的对应波段光产生的电压,V仪器噪声为测量装置本身所产生的电压噪声;
(2)当发生运动时,V反射光会因局部肌肉改变、佩戴不紧而产生变化,同时测量区域的漏光现象也会使得V环境光产生变化,PPG数据与运动伪声1和运动伪声2有关;
(3)当不存在运动伪声时,此时V反射光,V环境光均相似,此时VPPG由以下公式推导:
由公式(2)可知,当不存在运动伪声时,根据公式(2)降低仪器的噪声误差;
在步骤S2中,两种运动伪声对PPG数据的影响情况如下:
(1)当发生运动伪声1的情况时,上述公式(1)中,由于漏光,使得LED光强减弱,进而V反射光降低,同时环境光的增强使得V环境光升高,减弱前后变化最小的参数作为该波段的PPG采集数值;
(2)而当发生运动伪声2时,四个点位的VPPG分别为VA+ΔVA、VB+ΔVB、VC+ΔVC、VD+ΔVD,其中VA、VB、VC、VD分别为无运动伪声时的VPPG,由于ΔVA<ΔVB、ΔVC<ΔVD,而A与B、C与D的物理位置存在线性关系,A与D之间存在点O、PPG波形电压变化与点位存在函数关系f,故:
VO=f((VB-VA),(VC-VD),VD,VA) (3)
式中,ΔVA表示A点处运动伪声产生的噪声电压;ΔVB表示B点处运动伪声产生的噪声电压;ΔVC表示C点处运动伪声产生的噪声电压;ΔVD表示D点处运动伪声产生的噪声电压;虚拟点VO为该波段的PPG数据,通过上述映射关系实现运动伪声的降低。
2.根据权利要求1所述的一种基于多源数据融合和图神经网络的无创血压检测方法,其特征在于,在步骤S1中,所述采集PPG数据的步骤如下:首先其内嵌的多波段LED光源射向被测部位,被测部位的各个组织进行不同程度地吸收,吸光量随物质的变化而变化,此后所反射回来的透射光强信号由多个点位的光电转换传感器接收并转为电信号,即获取不同波段不同点位的PPG数据;
所述采集ECG数据需将电极片连接到身体的指定位置。
3.根据权利要求1所述的一种基于多源数据融合和图神经网络的无创血压检测方法,其特征在于,在步骤S3中,图卷积神经网络血压估计算法主要由输入层、GCN层、连接层组成,在输入层时对生理数据进行特征提取,利用上述特征构建图结构数据后利用GCN进行模型训练,对图结构数据依次进行GCN、池化层、全连接层处理,具体如下:
(1)GCN层:通过计算节点与其邻居节点的加权平均值,更新节点的特征表示;
(2)池化层:在图卷积神经网络中用于减少图中节点的数量,并保留重要的信息,池化操作将一组节点聚合为一个节点,从而减小图的规模;
(3)全连接层:全连接层用于在图卷积神经网络中进行最终的特征处理和输出预测,全连接层中的每个节点与前一层的所有节点都有连接,每个连接都具有权重,全连接层对图卷积层和池化层的输出进行进一步的特征提取和组合,以生成最终的预测结果,全连接层包括ReLU非线性激活函数,以增加网络的表达能力和非线性建模能力。
4.根据权利要求3所述的一种基于多源数据融合和图神经网络的无创血压检测方法,其特征在于,在步骤S3中,通过计算节点与其邻居节点的加权平均值,更新节点的特征表示,具体步骤为:
(a)GCN层是图卷积神经网络的核心组成部分,用于在图结构数据上进行特征传播和学习;
(b)通过使用节点的邻居信息进行特征传播,使得每个节点的特征受到相邻节点的影响;
具体而言,GCN层的输出是更新后的节点特征矩阵,其中每个节点的特征被更新为综合考虑了邻居节点信息的新表示,其中GCN层的公式为:
其中,σ为激活函数,Hl是第l层的节点特征矩阵,是邻接矩阵A加上自环的形式,/>是度矩阵D加上自环的形式,Wl是第l层权重矩阵。
5.根据权利要求1所述的一种基于多源数据融合和图神经网络的无创血压检测方法,其特征在于,在步骤S3中,对生理数据进行特征提取主要包括:对于PPG数据是对不同波段PPG的特征点进行提取,其中特征包括波峰、波谷,波形上升0.1倍波峰,ECG信号是对P波、Q波、R波、S波、T波进行识别。
6.根据权利要求1所述的一种基于多源数据融合和图神经网络的无创血压检测方法,其特征在于,生理数据采集模组在ECG采集电路的增设有高输入阻抗,增强采集模组的鲁棒性,实现ECG数据的精确采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310885999.1A CN116803340B (zh) | 2023-07-19 | 2023-07-19 | 一种基于多源数据融合和图神经网络的无创血压检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310885999.1A CN116803340B (zh) | 2023-07-19 | 2023-07-19 | 一种基于多源数据融合和图神经网络的无创血压检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116803340A CN116803340A (zh) | 2023-09-26 |
CN116803340B true CN116803340B (zh) | 2024-06-14 |
Family
ID=88079508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310885999.1A Active CN116803340B (zh) | 2023-07-19 | 2023-07-19 | 一种基于多源数据融合和图神经网络的无创血压检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116803340B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015187732A1 (en) * | 2014-06-03 | 2015-12-10 | The Texas A&M University System | Optical sensor for health monitoring |
CN114145724A (zh) * | 2021-12-08 | 2022-03-08 | 四川北易信息技术有限公司 | 基于ecg和ppg多生理特征参数动态监测血压的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11534071B2 (en) * | 2019-04-12 | 2022-12-27 | Beijing Shunyuan Kaihua Technology Limited | Blood pressure measurement |
CN111493850A (zh) * | 2020-04-13 | 2020-08-07 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的血压测量方法及装置 |
WO2023055862A1 (en) * | 2021-10-01 | 2023-04-06 | Softserve, Inc. | Systems and methods for platform-agnostic, real-time physiologic vital sign detection from video stream data |
CN115956889A (zh) * | 2022-12-05 | 2023-04-14 | 出门问问信息科技有限公司 | 一种血压监测方法、装置及电子设备 |
-
2023
- 2023-07-19 CN CN202310885999.1A patent/CN116803340B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015187732A1 (en) * | 2014-06-03 | 2015-12-10 | The Texas A&M University System | Optical sensor for health monitoring |
CN114145724A (zh) * | 2021-12-08 | 2022-03-08 | 四川北易信息技术有限公司 | 基于ecg和ppg多生理特征参数动态监测血压的方法 |
Non-Patent Citations (1)
Title |
---|
基于脉搏波的糖尿病和高血压诊断算法研究;汤宇飞;《中国矿业大学硕士学位论文》;20230501;第37页第1段至第52页第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN116803340A (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109157202B (zh) | 一种基于多生理信号深度融合的心血管疾病预警*** | |
US20220104775A1 (en) | Processing of electrophysiological signals | |
CA3097663A1 (en) | Methods to estimate the blood pressure and the arterial stiffness based on photoplethysmographic (ppg) signals | |
CN107233087A (zh) | 一种基于光电容积脉搏波特征的无创血压测量装置 | |
WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
US11666229B2 (en) | Monitoring device for monitoring of vital signs | |
CN108478203A (zh) | 一种基于单生命体征监测雷达的血压测量方法 | |
CN111714088B (zh) | 基于中医原理的人体特征指标检测方法和*** | |
CN110236508A (zh) | 一种无创血压连续监测方法 | |
Zhou et al. | The noninvasive blood pressure measurement based on facial images processing | |
Sel et al. | ImpediBands: Body coupled bio-impedance patches for physiological sensing proof of concept | |
CN110881967A (zh) | 一种无创多节段外周动脉血管弹性功能检测方法及其仪器 | |
CN107582040B (zh) | 一种心律监测方法和装置 | |
CN106618532A (zh) | 一种用于心电与血压及脉搏特征参数采集的穿戴装置 | |
Mehrgardt et al. | Deep learning fused wearable pressure and PPG data for accurate heart rate monitoring | |
Wang et al. | A novel approach to estimate blood pressure of blood loss continuously based on stacked auto-encoder neural networks | |
CN116869499A (zh) | 一种基于ppg及其多阶微分信号的血压连续测量方法 | |
CN116803340B (zh) | 一种基于多源数据融合和图神经网络的无创血压检测方法 | |
Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
Alqudah et al. | Multiple time and spectral analysis techniques for comparing the PhotoPlethysmography to PiezoelectricPlethysmography with electrocardiography | |
Yılmaz et al. | Comparison of Electrode Configurations for Impedance Plethysmography Based Heart Rate Estimation at the Forearm | |
CN209733969U (zh) | 一种脉搏波传播时间的测量设备 | |
Lu et al. | Uncertainties in the Analysis of Heart Rate Variability: A Systematic Review | |
Zhe et al. | Design and research of continuous blood pressure monitoring system based on lora | |
KH et al. | Wearable ECG electrodes for detection of heart rate and arrhythmia classification |
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 |