CN111973165A - 基于ppg的线性与非线性混合式无创连续血压测量系统 - Google Patents
基于ppg的线性与非线性混合式无创连续血压测量系统 Download PDFInfo
- Publication number
- CN111973165A CN111973165A CN202010817799.9A CN202010817799A CN111973165A CN 111973165 A CN111973165 A CN 111973165A CN 202010817799 A CN202010817799 A CN 202010817799A CN 111973165 A CN111973165 A CN 111973165A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- linear
- pressure measurement
- model
- peak
- 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.)
- Granted
Links
- 230000009021 linear effect Effects 0.000 title claims abstract description 83
- 230000036772 blood pressure Effects 0.000 title claims abstract description 71
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 79
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000000877 morphologic effect Effects 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000010354 integration Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 38
- 230000000747 cardiac effect Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000010349 pulsation Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 abstract description 3
- 238000013186 photoplethysmography Methods 0.000 description 59
- 230000000630 rising effect Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010053648 Vascular occlusion Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000002627 tracheal intubation Methods 0.000 description 1
- 208000021331 vascular occlusion disease Diseases 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
- A61B5/02—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Vascular Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明属于血压测量技术领域，涉及一种基于单路PPG信号的线性与非线性混合式无创连续血压测量系统，包括预处理模块，用于对采集到的PPG信号进行预处理；检测模块，用于对预处理后的PPG信号进行波形特征点检测；计算模块，用于计算PPG信号的波形形态学特征值；和血压测量模型构建模块，用于建立线性血压测量模型和非线性血压测量模型，并且通过异质模型集成方式建立线性和非线性混合式血压测量模型。本发明通过充分利用线性模型与非线性模型之间存在的互补性信息，可以建立一个准确度更高、鲁棒性更强、适用人群更广的血压测量模型，从而进一步提高血压测量的准确度。
Description
技术领域
本发明属于血压测量技术领域，涉及一种基于单路PPG信号的线性与非线性混合式无创连续血压测量系统。
背景技术
血压是健康监测中最为重要的指标之一，测量血压不但可以监控人们的身体状况还可以预防与生活方式有关的疾病。
在日常的生活中，使用基于袖带的血压测量装置检测收缩压和舒张压的听诊法和示波法是两种血压测量的金标准，通常用于临床的诊断。基于袖带的血压测量方法只能提供一次的测量数据而不能提供持续的血压信息，然而人们的血压值每时每刻都在波动，并且很容易受到生理、心理和环境因素的影响。间歇性血压测量值差异大，无法体现人们的真实血压，测量准确实时的血压值对于高血压相关疾病的诊断、预防和治疗是非常重要的。动脉插管法是测量连续血压的精准的方法，也是一种血压测量的金标准。但是它伴随着严重的并发症，例如血管堵塞和局部感染，另外其设备昂贵且操作复杂。
为了克服有创血压测量技术的缺点，无创连续血压测量技术应运而生。当前无创伤连续性血压测量方法主要包括动脉张力法、容积补偿法、光电容积脉搏波法等，其中光电容积脉搏波法由于其信号采集的便利性与其测量的非侵入性使其适用于无创连续血压测量。基于光电容积脉搏波信号的常用的无创血压测量方法分为两种：基于光电容积脉搏波(PPG)的传导时间(PTT)和基于PPG的形态学特征。PTT是血压估计的潜在指标，该测量方法也被广泛的研究，但是使用该方法需要多个传感器来计算PTT，此外为了确保估计精度必须进行频繁校准，这可能会使被测量者意识到正在进行血压测量，可能会感到紧张，测量意识可能会导致测量结果不自然。因此，基于PTT的血压预测模型在准确性和稳健性方面具有较大的不足。基于PPG的形态学特征的血压预测方法是仅利用PPG信号中提取的特征来进行血压值的预测，其采集信号的传感器的位置可以非常灵活，并且无需校准操作来确保精度，是一个值得研究的方向。
在基于PPG波形形态学特征值建立血压测量模型的方法中，根据特征值与血压值是否具有线性函数关系将模型划分为线性模型与非线性模型。逐步回归法和多元线性回归法构建的线性血压模型是利用PPG特征值与血压值的线性效应建立而成的，这种血压模型具有模型结构简单并且具备一定的有效性的优点，但其准确度也有一定的局限性。随着人们对机器学习方法研究的深入，也逐渐开始探寻特征值与血压之间的非线性拟合关系的研究思路。由于基于机器学习和大数据的非线性血压预测模型，可以涵盖更多的血压特征信息，因此在一定程度上提高了模型的血压计算精度。然而，线性模型的血压预测准确度并非在所有情况下都低于非线性模型，两种模型在适用人群上具有一定的差异性，而如何利用线性模型与非线性模型之间存在的互补性信息，以进一步提高血压的预测准确度，还没有相关的研究报道。
发明内容
为此，本发明提供一种基于单路PPG信号的线性与非线性混合式无创连续血压测量系统，其能够结合光电容积脉搏波信号特征值与血压值之间的线性效应与非线性效应的混合式模型算法，相较于单血压模型可进一步提高血压模型的准确度。
本发明提供了一种基于PPG的线性与非线性混合式无创连续血压测量系统，包括预处理模块、检测模块、计算模块和血压测量模型构建模块；
所述预处理模块用于对采集到的PPG信号进行预处理；
所述检测模块用于对预处理后的PPG信号进行波形特征点检测；
所述计算模块用于根据检测到的PPG信号的波形特征点，计算得到PPG信号的波形形态学特征值；
所述血压模型构建模块用于基于得到的PPG信号的波形形态学特征值，建立线性血压测量模型和非线性血压测量模型，并且通过异质模型集成方式将所述线性血压测量模型和所述非线性血压测量模型混合，建立线性和非线性混合式血压测量模型。
优选地，所述血压模型构建模块中，建立N，N≥1个线性血压测量模型：
Yn＝An(X)
其中，An表示第n个线性血压测量模型，n＝1,…,N，Yn表示第n个线性血压测量模型An输出的血压值；X表示由至少一个波形形态学特征值组成的特征值向量；
建立M，M≥1个非线性血压测量模型：
Ym’＝Bm(X)
其中，Bm表示第m个线性血压测量模型，Ym’表示第m个线性血压测量模型Bm输出的血压值，m＝1,…,M；
通过异质模型集成方式将N个线性血压测量模型和M个非线性血压测量模型混合，建立线性与非线性混合式血压测量模型：
Y＝C(A1(X),...,AN(X),B1(X),...,BM(X))
其中，C代表线性与非线性混合式血压测量模型，Y表示线性与非线性混合式血压测量模型C输出的血压值。
优选地，所述血压模型构建模块通过不同的线性模型构建方法构建不同形式的线性血压测量模型；或者，基于不同的特征值向量，通过相同的线性模型构建方法构建不同形式的线性血压测量模型。
优选地，所述血压模型构建模块通过不同的非线性模型构建方法构建不同形式的非线性血压测量模型；或者，基于不同的特征值向量，通过相同的非线性模型构建方法构建不同形式的非线性血压测量模型。
优选地，所述线性模型构建方法包括逐步回归法和多元线性回归法，所述非线性模型构建方法包括支持向量机方法、距离加权K近邻方法和随机森林方法。
优选地，所述检测模块中检测的波形特征点包括波峰、波谷、重博波、降中峡。
优选地，所述计算模块中计算得到如下波形形态学特征值中的一个或多个：波峰高度H1、波谷高度H4、主波上升时间T1、心动周期的脉图面积K、每博心输出量R、脉动周期T、上升支上幅度为10％的点到波峰的上升时间RBW-10、上升支上幅度为25％的点到波峰的上升时间RBW-25、上升支上幅度为50％的点到波峰的上升时间RBW-50、上升支上幅度为66％的点到波峰的上升时间RBW-66、上升支上幅度为75％的点到波峰的上升时间RBW-75、波峰到下降支上幅度为10％的点的下降时间DBW-10、波峰到下降支上幅度为25％的点的下降时间DBW-25、波峰到下降支上幅度为50％的点的下降时间DBW-50、波峰到下降支上幅度为66％的点的下降时间DBW-66、波峰到下降支上幅度为75％的点的下降时间DBW-75；
其中，通过公式K＝(Pm-Pd)/(Ps-Pd)获得心动周期的脉图面积K，Pm为心动周期的波形幅度的平均值，Ps为波峰的幅度值，Pd为波谷幅度值；通过公式R＝H1×(1+T1/T)获得每博心输出量R。
优选地，所述预处理模块中，预处理包括带通滤波、平滑滤波以及归一化处理。
本发明的有益效果：
1)本发明的混合式血压测量模型所需的信号仅为一路PPG信号，用无袖带方式实现，非常适用于血压的长时间连续监测；
2)本发明充分利用线性模型与非线性模型之间存在的对于预测血压有效且互补性的信息，建立高精度的混合式血压模型，可以获得与单独使用线性模型或非线性模型相比准确度更高的模型；
3)本发明通过将多种性能较佳的异质模型进行集成建模，可以提高最终混合式模型的泛化能力和鲁棒性，从而能够扩大适用人群的范围，并且能够更好适用于不同测量环境下的PPG信号。
附图说明
图1为本发明的基于PPG信号的线性与非线性混合式无创连续血压测量方法流程图；
图2为本发明的PPG信号的波形特征点检测流程图；
图3为本发明实施例的线性和非线性混合式血压测量模型建立示意图。
具体实施方式
本发明提供的基于单路PPG信号的线性与非线性混合式无创连续血压测量系统，利用的是一种能够结合光电容积脉搏波信号特征值与血压值之间的线性效应与非线性效应的混合式模型算法，相较于单血压模型可进一步提高血压模型的准确度。具体地，本发明的基于PPG的线性与非线性混合式无创连续血压测量系统，包括预处理模块、检测模块、计算模块和血压测量模型构建模块。其中，预处理模块用于对采集到的PPG信号进行预处理；检测模块用于对预处理后的PPG信号进行波形特征点检测；计算模块用于根据检测到的PPG信号的波形特征点，计算PPG信号的波形形态学特征值；血压模型构建模块用于基于计算得到的PPG信号的波形形态学特征值，建立多个线性血压测量模型和多个非线性血压测量模型，并且通过异质模型集成方式建立线性和非线性混合式血压测量模型。
下面结合附图和实施例对本发明的基于PPG的线性与非线性混合式无创连续血压测量系统的血压测量方法作进一步说明，如图1所示，包括如下步骤：
步骤一：采集PPG信号。大量采集建模所需的样本，每个样本需包含PPG信号以及对应的准确参考血压值。
步骤二：对采集到的PPG信号进行预处理。
本实施例对采集到的时间长度为30s的PPG信号进行预处理，以滤除信号中存在的各种噪声干扰信号，一般包括基线漂移、工频干扰、高频干扰等。通常需要进行带通滤波、平滑滤波以及归一化处理来滤除这些噪声干扰信号。本实施例根据PPG信号以及常见噪声的特点，采用Kaiser窗FIR带通滤波器进行基线漂移和高频干扰的滤除，其相应的参数设置为带阻截止频率为0.6Hz，带通起始频率为0.9Hz，带通截止频率为27Hz，带阻起始频率为30Hz。之后对过滤后的PPG信号进行归一化处理，将该PPG信号按照一定比例进行缩放，最终将信号映射到[0,1]的区间中。
步骤三：对预处理后的PPG信号进行波形特征点检测。
根据PPG波形的形态学特点，检测获得每个PPG波形内的如下主要特征点：波峰、波谷、重博波、降中峡。如图2所示，首先，对经过预处理之后的PPG信号进行波峰检测，由于PPG信号长度为30s，这个信号长度内会包含多个周期的心搏，因此波峰检测会检出一系列的波峰值；然后，对相邻两个波峰值之间的PPG信号进行波谷检测，并且根据检测到的一系列波谷值，将PPG信号进行周期划分，即两个相邻波谷之间是一个完整的PPG信号周期；最后，依次在每一个PPG信号周期内检测是否存在重搏波，如果存在，则继续进行重搏波和降中峡的检测。
步骤四：根据检测到的PPG信号的波形特征点，计算PPG信号的波形形态学特征值。
本实施例中，与PPG波形形态相关的一系列特征值参数主要包括：(1)波峰高度H1；(2)波谷高度H4；(3)主波上升时间T1；(4)心动周期的脉图面积K；(5)每博心输出量R；(6)脉动周期T；(7)上升支上幅度为10％的点到波峰的上升时间RBW-10；(8)上升支上幅度为25％的点到波峰的上升时间RBW-25；(9)上升支上幅度为50％的点到波峰的上升时间RBW-50；(10)上升支上幅度为66％的点到波峰的上升时间RBW-66；(11)上升支上幅度为75％的点到波峰的上升时间RBW-75；(12)波峰到下降支上幅度为10％的点的下降时间DBW-10；(13)波峰到下降支上幅度为25％的点的下降时间DBW-25；(14)波峰到下降支上幅度为50％的点的下降时间DBW-50；(15)波峰到下降支上幅度为66％的点的下降时间DBW-66；(16)波峰到下降支上幅度为75％的点的下降时间DBW-75。其中，通过公式K＝(Pm-Pd)/(Ps-Pd)获得心动周期的脉图面积K，Pm为心动周期的波形幅度的平均值，Ps为波峰的幅度值，Pd为波谷幅度值；通过公式R＝H1×(1+T1/T)获得每博心输出量R。
应该理解，可以根据需要计算得到PPG信号的上述波形形态学特征值中的一个或多个，或者除上述波形形态学特征值之外的其他特征值。
步骤五：建立基于单路PPG信号的线性与非线性混合式无创连续血压模型。本步骤主要包括3个子步骤：
1)建立2个线性血压测量模型Yn＝An(X)，其中，n＝1,2，X＝(x1,x2,…x16)代表的是输入的步骤四中计算得到的16个PPG特征值组成的向量，A1表示利用逐步回归法建立的线性模型，Y1表示线性模型A1输出的血压值；A2代表利用多元线性回归法建立的线性模型，Y2表示线性模型A2输出的血压值。
2)建立3个非线性血压测量模型Ym’＝Bm(X)，其中，m＝1,2,3，X＝(x1,x2,…x16)代表的是输入的步骤四中计算得到的16个PPG特征值组成的向量，B1代表利用支持向量机方法建立的非线性模型,Y1’表示线性模型B1输出的血压值；B2代表利用距离加权K近邻方法建立的非线性模型，Y2’表示线性模型B2输出的血压值；B3代表利用随机森林方法建立的非线性模型，Y3’表示线性模型B3输出的血压值。
3)建立线性与非线性混合式血压测量模型Y＝C(A1(X),A2(X),B1(X),B2(X),B3(X))，C是在线性模型A1(X)、A2(X)和非线性模型B1(X)、B2(X)、B3(X)的基础上，利用Stacking的集成学习方法构建的混合式血压测量模型，Y是混合式血压测量模型C输出的血压值。
特别地，本实施例在混合式血压测量模型C的构建中，首先利用逐步回归法、多元线性回归法构建两种不同形式的线性血压测量模型A1(X)和A2(X)，利用支持向量机方法、距离加权K近邻方法和随机森林方法构建三种不同形式的非线性血压测量模型B1(X)、B2(X)、B3(X)；然后，利用这5个模型分别获得每个模型的血压预测值；最后，再以这5个模型的血压预测值为特征输入，进一步利用Stacking的方法构建一个混合式血压测量模型C，获得最终血压值，如图3所示。特别地，可以利用相同的线性模型构建方法，基于不同的特征值建立多个不同形式的线性血压测量模型，非线性血压测量模型同理。
步骤六：利用本系统采集到单路PPG信号，将PPG信号按照步骤二到步骤四进行分析与处理，获得该PPG信号的波形形态学特征值，然后将其输入到步骤五构建的混合式模型C中，即可无创连续的对血压值进行测量。
综上，本发明通过充分利用线性模型与非线性模型之间存在的互补性信息，建立了一个准确度更高、鲁棒性更强、适用人群更广的血压测量模型。
对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以对本发明的实施例做出若干变型和改进，这些都属于本发明的保护范围。
Claims (8)
1.一种基于PPG的线性与非线性混合式无创连续血压测量系统，其特征在于，包括预处理模块、检测模块、计算模块和血压测量模型构建模块；
所述预处理模块用于对采集到的PPG信号进行预处理；
所述检测模块用于对预处理后的PPG信号进行波形特征点检测；
所述计算模块用于根据检测到的PPG信号的波形特征点，计算得到PPG信号的波形形态学特征值；
所述血压模型构建模块用于基于得到的PPG信号的波形形态学特征值，建立线性血压测量模型和非线性血压测量模型，并且通过异质模型集成方式将所述线性血压测量模型和所述非线性血压测量模型混合，建立线性和非线性混合式血压测量模型。
2.根据权利要求1所述的系统，其特征在于，所述血压模型构建模块中，建立N，N≥1个线性血压测量模型：
Yn＝An(X)
其中，An表示第n个线性血压测量模型，n＝1,…,N，Yn表示第n个线性血压测量模型An输出的血压值；X表示由至少一个波形形态学特征值组成的特征值向量；
建立M，M≥1个非线性血压测量模型：
Ym’＝Bm(X)
其中，Bm表示第m个线性血压测量模型，Ym’表示第m个线性血压测量模型Bm输出的血压值，m＝1,…,M；
通过异质模型集成方式将N个线性血压测量模型和M个非线性血压测量模型混合，建立线性与非线性混合式血压测量模型：
Y＝C(A1(X),...,AN(X),B1(X),...,BM(X))
其中，C代表线性与非线性混合式血压测量模型，Y表示线性与非线性混合式血压测量模型C输出的血压值。
3.根据权利要求1所述的系统，其特征在于，所述血压模型构建模块通过不同的线性模型构建方法构建不同形式的线性血压测量模型；或者，基于不同的特征值向量，通过相同的线性模型构建方法构建不同形式的线性血压测量模型。
4.根据权利要求1所述的系统，其特征在于，所述血压模型构建模块通过不同的非线性模型构建方法构建不同形式的非线性血压测量模型；或者，基于不同的特征值向量，通过相同的非线性模型构建方法构建不同形式的非线性血压测量模型。
5.根据权利要求3或4所述的系统，其特征在于，所述线性模型构建方法包括逐步回归法和多元线性回归法，所述非线性模型构建方法包括支持向量机方法、距离加权K近邻方法和随机森林方法。
6.根据权利要求1或2所述的系统，其特征在于，所述检测模块中检测的波形特征点包括波峰、波谷、重博波、降中峡。
7.根据权利要求1或2所述的系统，其特征在于，所述计算模块中计算得到如下波形形态学特征值中的一个或多个：波峰高度H1、波谷高度H4、主波上升时间T1、心动周期的脉图面积K、每博心输出量R、脉动周期T、上升支上幅度为10％的点到波峰的上升时间RBW-10、上升支上幅度为25％的点到波峰的上升时间RBW-25、上升支上幅度为50％的点到波峰的上升时间RBW-50、上升支上幅度为66％的点到波峰的上升时间RBW-66、上升支上幅度为75％的点到波峰的上升时间RBW-75、波峰到下降支上幅度为10％的点的下降时间DBW-10、波峰到下降支上幅度为25％的点的下降时间DBW-25、波峰到下降支上幅度为50％的点的下降时间DBW-50、波峰到下降支上幅度为66％的点的下降时间DBW-66、波峰到下降支上幅度为75％的点的下降时间DBW-75；
其中，通过公式K＝(Pm-Pd)/(Ps-Pd)获得心动周期的脉图面积K，Pm为心动周期的波形幅度的平均值，Ps为波峰的幅度值，Pd为波谷幅度值；通过公式R＝H1×(1+T1/T)获得每博心输出量R。
8.根据权利要求1或2所述的系统，其特征在于，所述预处理模块中，预处理包括带通滤波、平滑滤波以及归一化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010817799.9A CN111973165B (zh) | 2020-08-14 | 2020-08-14 | 基于ppg的线性与非线性混合式无创连续血压测量系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010817799.9A CN111973165B (zh) | 2020-08-14 | 2020-08-14 | 基于ppg的线性与非线性混合式无创连续血压测量系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111973165A true CN111973165A (zh) | 2020-11-24 |
| CN111973165B CN111973165B (zh) | 2021-12-24 |
Family
ID=73435173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010817799.9A Active CN111973165B (zh) | 2020-08-14 | 2020-08-14 | 基于ppg的线性与非线性混合式无创连续血压测量系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111973165B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113180623A (zh) * | 2021-06-01 | 2021-07-30 | 山东大学 | 无袖式血压测量方法、系统、设备及存储介质 |
| CN113197561A (zh) * | 2021-06-08 | 2021-08-03 | 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系统 |
| CN113576438A (zh) * | 2021-09-03 | 2021-11-02 | 广东工业大学 | 一种非侵入式血压提取方法和系统 |
| CN114631795A (zh) * | 2022-05-19 | 2022-06-17 | 天津工业大学 | 一种血压追踪检测系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102488503A (zh) * | 2011-12-14 | 2012-06-13 | 中国航天员科研训练中心 | 连续血压测量装置 |
| CN105943005A (zh) * | 2016-06-01 | 2016-09-21 | 合肥芯福传感器技术有限公司 | 基于光电绿光脉搏与心电图混合的无创血压检测方法 |
| CN106413534A (zh) * | 2015-08-08 | 2017-02-15 | 深圳先进技术研究院 | 连续血压测量装置、测量模型建立方法和系统 |
| CN109288508A (zh) * | 2018-08-18 | 2019-02-01 | 浙江好络维医疗技术有限公司 | 一种基于crnn-bp的血压值智能测量方法 |
| US20190069850A1 (en) * | 2017-09-06 | 2019-03-07 | Tata Consultancy Services Limited | Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing |
| CN109730663A (zh) * | 2018-12-04 | 2019-05-10 | 上海大学 | 基于脉搏波传导速度非线性分析的血压评估方法 |
| CN109816158A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技（深圳）有限公司 | 预测模型的组合方法、装置、设备及可读存储介质 |
| CN109872817A (zh) * | 2019-02-28 | 2019-06-11 | 泉州师范学院 | 一种基于多因素线索网络的血压预测方法 |
| CN110251105A (zh) * | 2019-06-12 | 2019-09-20 | 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、设备及系统 |
| CN111000544A (zh) * | 2019-11-22 | 2020-04-14 | 北京航空航天大学 | 基于ppg波形的混合式连续血压测量模型构建方法及系统 |
| CN111449638A (zh) * | 2020-04-08 | 2020-07-28 | 上海祉云医疗科技有限公司 | 一种基于传感器采集的数据构建三维脉象图的方法及应用 |
-
2020
- 2020-08-14 CN CN202010817799.9A patent/CN111973165B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102488503A (zh) * | 2011-12-14 | 2012-06-13 | 中国航天员科研训练中心 | 连续血压测量装置 |
| CN106413534A (zh) * | 2015-08-08 | 2017-02-15 | 深圳先进技术研究院 | 连续血压测量装置、测量模型建立方法和系统 |
| CN105943005A (zh) * | 2016-06-01 | 2016-09-21 | 合肥芯福传感器技术有限公司 | 基于光电绿光脉搏与心电图混合的无创血压检测方法 |
| EP3453321A1 (en) * | 2017-09-06 | 2019-03-13 | Tata Consultancy Services Limited | Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing |
| US20190069850A1 (en) * | 2017-09-06 | 2019-03-07 | Tata Consultancy Services Limited | Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing |
| CN109452935A (zh) * | 2017-09-06 | 2019-03-12 | 塔塔咨询服务有限公司 | 使用统计后处理从血管容积图估计血压的无创方法和系统 |
| CN109288508A (zh) * | 2018-08-18 | 2019-02-01 | 浙江好络维医疗技术有限公司 | 一种基于crnn-bp的血压值智能测量方法 |
| CN109730663A (zh) * | 2018-12-04 | 2019-05-10 | 上海大学 | 基于脉搏波传导速度非线性分析的血压评估方法 |
| CN109816158A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技（深圳）有限公司 | 预测模型的组合方法、装置、设备及可读存储介质 |
| CN109872817A (zh) * | 2019-02-28 | 2019-06-11 | 泉州师范学院 | 一种基于多因素线索网络的血压预测方法 |
| CN110251105A (zh) * | 2019-06-12 | 2019-09-20 | 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、设备及系统 |
| CN111000544A (zh) * | 2019-11-22 | 2020-04-14 | 北京航空航天大学 | 基于ppg波形的混合式连续血压测量模型构建方法及系统 |
| CN111449638A (zh) * | 2020-04-08 | 2020-07-28 | 上海祉云医疗科技有限公司 | 一种基于传感器采集的数据构建三维脉象图的方法及应用 |
Non-Patent Citations (6)
| Title |
|---|
| 朱海龙等: "基于ＡＲＩＭＡ与ＳＶＭ 混合模型的连续血压预测", 《杭州师范大学学报》 * |
| 苗宇: "基于PPG的无创连续血压预测模型研究", 《中国优秀硕士学位论文全文数据库（医药卫生科技辑）》 * |
| 苗长云等: "基于多脉搏波参数的人体血压检测的研究", 《生物医学工程学杂志》 * |
| 蒋升等: "人体动脉血管的粘性流体力学模型与中心动脉血压估计", 《中国科学:信息科学》 * |
| 陈杭等: "基于心血管系统低阶模型的无创血压仿真与实验研究", 《中国医学物理学杂志》 * |
| 顾亚雄等: "脉搏波波速法无创血压测量中多模量血压计算模型研究", 《中国生物医学工程学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113180623A (zh) * | 2021-06-01 | 2021-07-30 | 山东大学 | 无袖式血压测量方法、系统、设备及存储介质 |
| CN113180623B (zh) * | 2021-06-01 | 2023-06-16 | 山东大学 | 无袖式血压测量方法、系统、设备及存储介质 |
| CN113197561A (zh) * | 2021-06-08 | 2021-08-03 | 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系统 |
| CN113576438A (zh) * | 2021-09-03 | 2021-11-02 | 广东工业大学 | 一种非侵入式血压提取方法和系统 |
| CN113576438B (zh) * | 2021-09-03 | 2024-03-05 | 广东工业大学 | 一种非侵入式血压提取方法和系统 |
| CN114631795A (zh) * | 2022-05-19 | 2022-06-17 | 天津工业大学 | 一种血压追踪检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111973165B (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111973165B (zh) | 基于ppg的线性与非线性混合式无创连续血压测量系统 | |
| CN104382571B (zh) | 一种基于桡动脉脉搏波传导时间的测量血压方法及装置 | |
| CN106413534B (zh) | 连续血压测量装置、测量模型建立方法和系统 | |
| CN103385702B (zh) | 一种无创血压连续检测装置及方法 | |
| CN101765398B (zh) | 前负荷依赖性和流体反应性的评估 | |
| CN106691406A (zh) | 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 | |
| Yang et al. | Estimation and validation of arterial blood pressure using photoplethysmogram morphology features in conjunction with pulse arrival time in large open databases | |
| CN104873186A (zh) | 一种可穿戴的动脉检测装置及其数据处理方法 | |
| 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 | |
| CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
| CN104757955A (zh) | 一种基于脉搏波的人体血压预测方法 | |
| CN111000544B (zh) | 基于ppg波形的混合式连续血压测量模型构建方法及系统 | |
| CN108354597A (zh) | 一种基于最优波提取的快速血压计算方法 | |
| CN102197998B (zh) | 示波测量法中伪影的频谱的使用 | |
| CN104644151B (zh) | 一种基于光电容积脉搏信号的压力脉搏波波形传播预测方法 | |
| CN107669249A (zh) | 一种电子秤检测人体动脉硬化的方法及系统 | |
| CN111839488B (zh) | 基于脉搏波的无创连续血压测量装置和方法 | |
| CN116869499A (zh) | 一种基于ppg及其多阶微分信号的血压连续测量方法 | |
| CN110840428B (zh) | 基于一维U-Net网络的无创血压估计方法 | |
| CN113040738B (zh) | 血压检测装置 | |
| CN113576438A (zh) | 一种非侵入式血压提取方法和系统 | |
| CN117100239A (zh) | 基于cnn+lstm和ppg信号的血压检测系统 | |
| CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
| Shi et al. | Systolic blood pressure measurement algorithm with mmWave radar sensor | |
| CN117158940A (zh) | 一种采用毫米波雷达的心率数据监测方法、检测系统及可穿戴装置 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240613 Address after: Room 106, 1st Floor, Building 1, No. 22 Fuchengmenwai Street, Xicheng District, Beijing, 100032 Patentee after: Guoqing Health (Beijing) Technology Co.,Ltd. Country or region after: China Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University Country or region before: China |