[发明专利]基于指尖光电容积描记的血压测量方法与系统在审
申请号: | 202210999330.0 | 申请日: | 2022-08-19 |
公开(公告)号: | CN115414019A | 公开(公告)日: | 2022-12-02 |
发明(设计)人: | 朱珍民;华玉霖;朱艺璇;孙厚权 | 申请(专利权)人: | 中国科学院计算技术研究所 |
主分类号: | A61B5/021 | 分类号: | A61B5/021;G06N3/04;G06N3/08 |
代理公司: | 北京律诚同业知识产权代理有限公司 11006 | 代理人: | 祁建国;陈思远 |
地址: | 100080 北*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 指尖 光电 容积 血压 测量方法 系统 | ||
1.一种基于指尖光电容积描记的血压测量方法,其特征在于,包括:
步骤1、通过光电传感器采集指腹位置的光电容积描记信号作为原始信号,对该原始信号进行均值趋势线矫正处理,得到稳定信号;
步骤2、该稳定信号经过映射处理和样条插值采样后,被映射为与深度学习模型训练数据相同采样阈值和采样频率的合规信号,该合规信号输入至该深度学习模型,生成该原始信号对应的动脉血压曲线;
步骤3、从该动脉血压曲线中分别取血压极大值和极小值作为使用者收缩压和舒张压的测量值,并取整条血压曲线的均值作为使用者平均血压的测量值。
2.如权利要求1所述的基于指尖光电容积描记的血压测量方法,其特征在于,该深度学习模型为级联UNet深度学习模型,使用U-Net和MultiResUNet深度神经网络进行级联拼接,两者分别以平均绝对误差和平均平方误差作为损失函数,以医疗数据集作为训练数据,使用Adam优化器训练两个神经网络,将模型参数训练至收敛。
3.如权利要求1所述的基于指尖光电容积描记的血压测量方法,其特征在于,该步骤1中均值趋势线矫正处理包括:
均值平滑时设定的窗口长度为w,通过下式进行均值趋势线矫正:
式中x'i为原始信号经过平滑处理后的数组下标为i的数据,求和符号右边的xi+j是原始信号,其下标i+j是数组的原始信号的数组下标;
并通过下述公式,得到稳定信号yi:
yi=x'i-bi。
4.如权利要求1所述的基于指尖光电容积描记的血压测量方法,其特征在于,该步骤3包括:
该动脉血压曲线中取每一周期内最大上升斜率点右侧的第一个极大值作为收缩压测量值,在相邻的收缩压的测量值之间的图线中取最小值作为该舒张压测量值。
5.一种基于指尖光电容积描记的血压测量系统,其特征在于,包括:
初始模块,用于通过光电传感器采集指腹位置的光电容积描记信号作为原始信号,对该原始信号进行均值趋势线矫正处理,得到稳定信号;
映射模块,用于在该稳定信号经过映射处理和样条插值采样后,被映射为与深度学习模型训练数据相同采样阈值和采样频率的合规信号,该合规信号输入至该深度学习模型,生成该原始信号对应的动脉血压曲线;
输出模块,用于从该动脉血压曲线中分别取血压极大值和极小值作为使用者收缩压和舒张压的测量值,并取整条血压曲线的均值作为使用者平均血压的测量值。
6.如权利要求5所述的基于指尖光电容积描记的血压测量系统,其特征在于,该深度学习模型为级联UNet深度学习模型,使用U-Net和MultiResUNet深度神经网络进行级联拼接,两者分别以平均绝对误差和平均平方误差作为损失函数,以医疗数据集作为训练数据,使用Adam优化器训练两个神经网络,将模型参数训练至收敛。
7.如权利要求5所述的基于指尖光电容积描记的血压测量系统,其特征在于,该初始模块中均值趋势线矫正处理包括:
均值平滑时设定的窗口长度为w,通过下式进行均值趋势线矫正:
式中x'i为原始信号经过平滑处理后的数组下标为i的数据,求和符号右边的xi+j是原始信号,其下标i+j是数组的原始信号的数组下标;
并通过下述公式,得到稳定信号yi:
yi=x'i-bi。
8.如权利要求5所述的基于指尖光电容积描记的血压测量方法,其特征在于,该输出模块用于:
该动脉血压曲线中取血压极大值xmax作为收缩压的测量值,在相邻的两个极大值之间的图线中取最小值作为该舒张压的测量值。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院计算技术研究所,未经中国科学院计算技术研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210999330.0/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种小板件大排版定位加工方法
- 下一篇:施工升降机及通用型井道专用吊笼