[發明專利]一種基于光體積變化描記圖法信號的血壓預測方法和裝置

有效

• 申請號: 202010110279.4
• 申請日: 2020-02-21
• 公開（公告）號: CN111248880B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 王思翰;曹君
• 申請（專利權）人: 樂普（北京）醫療器械股份有限公司
• 主分類號: A61B5/021
• 分類號: A61B5/021
• 代理公司: 北京慧誠智道知識產權代理事務所(特殊普通合伙) 11539
• 代理人: 李楠

1.一種基于光體積變化描記圖法信號的血壓預測方法，其特征在于，所述方法包括：

獲取光體積變化描記圖法PPG信號，并對其進行片段劃分生成PPG信號片段；

獲取小波基類型、伸縮因子數組和移動因子數組；所述伸縮因子數組包括M個伸縮因子；所述移動因子數組包括N個移動因子；所述M與所述N均為整數；

根據所述伸縮因子數組的伸縮因子、所述移動因子數組的移動因子和所述小波基類型，對所述PPG信號片段使用連續小波變換方式進行信號分解處理，生成PPG小波系數矩陣[M,N]；

通過對矩陣元素取模的方式對所述PPG小波系數矩陣[M,N]進行實數矩陣轉換，并將轉換后的矩陣進行矩陣元素值歸一化處理，生成PPG歸一矩陣[M,N]；

獲取RGB色盤矩陣，并且根據所述RGB色盤矩陣對所述PPG歸一矩陣[M,N]進行PPG時頻張量轉換生成PPG時頻三維張量[M,N,3]；

根據預置的卷積網絡輸入寬度閾值，使用雙三次插值算法對所述PPG時頻三維張量[M,N,3]進行張量形狀重構操作生成PPG卷積三維張量[Y,Y,3]；所述Y為所述卷積網絡輸入寬度閾值；

使用卷積神經網絡分類回歸模型對所述PPG卷積三維張量[Y,Y,3]進行分類回歸計算，生成PPG預測血壓數據對。

2.根據權利要求1所述的基于光體積變化描記圖法信號的血壓預測方法，其特征在于，

所述PPG小波系數矩陣[M,N]的矩陣元素為復數形式的小波系數；

所述PPG歸一矩陣[M,N]的矩陣元素的取值范圍為從0到1；

所述卷積神經網絡分類回歸模型包括：二維卷積層、最大池化層、批量均一化層、激活層、相加層、全局平均池化層、隨機丟棄層和全連接層；

所述PPG預測血壓數據對包括舒張壓數據和收縮壓數據。

3.根據權利要求1所述的基于光體積變化描記圖法信號的血壓預測方法，其特征在于，所述獲取光體積變化描記圖法PPG信號，并對其進行片段劃分生成PPG信號片段，具體包括：

對測試者使用PPG信號采集設備按預置的采樣頻率進行信號采集生成所述PPG信號；對所述PPG信號按預置的片段時長閾值進行片段劃分生成多個所述PPG信號片段。

4.根據權利要求1所述的基于光體積變化描記圖法信號的血壓預測方法，其特征在于，所述根據所述伸縮因子數組的伸縮因子、所述移動因子數組的移動因子和所述小波基類型，對所述PPG信號片段使用連續小波變換方式進行信號分解處理，生成PPG小波系數矩陣[M,N]，具體包括：

步驟41，按行數為所述M、列數為所述N構建矩陣，生成臨時PPG小波系數矩陣[M,N]，并初始化所述臨時PPG小波系數矩陣[M,N]的所有矩陣元素為空；

步驟42，初始化第一索引的值為1；

步驟43，初始化第二索引的值為1；

步驟44，從所述伸縮因子數組中提取與所述第一索引對應的伸縮因子生成因子a，從所述移動因子數組中提取與所述第二索引對應的移動因子生成因子b；

步驟45，以所述因子a和所述因子b為變換參數，使用與所述小波基類型對應的連續小波變換公式，對所述PPG信號片段進行連續小波變換計算，生成小波系數；所述小波系數為復數；

步驟46，將所述小波系數向所述臨時PPG小波系數矩陣[M,N]進行數據項添加操作；

步驟47，將所述第二索引加1；

步驟48，判斷所述第二索引是否大于所述N，如果所述第二索引大于所述N則轉至步驟49，如果所述第二索引小于或等于所述N則轉至步驟44；

步驟49，將所述第一索引加1；

步驟50，判斷所述第一索引是否大于所述M，如果所述第一索引大于所述M則轉至步驟51，如果所述第一索引小于或等于所述M則轉至步驟43；

步驟51，設置所述PPG小波系數矩陣[M,N]為所述臨時PPG小波系數矩陣[M,N]。