一种基于脉搏波信号的无创血压实时预测系统技术方案

本发明专利技术公开了一种基于脉搏波信号的无创血压实时预测系统，包括数据处理模块，用于采集数据信息并进行解析和存储；血压预测模块，采用血压预测模型预测数据处理模块采集到的血压值；波形展示模块对数据处理模块采集到的脉搏信号进行波形滤波之后再展示；手术过程数据记录模块，用于记录病人在手术过程中进行的操作和使用的药剂；本发明专利技术的系统是基于脉搏波信号的智能血压预测系统，可自动化、智能化地监测各大医院和诊所的患者的血压、脉搏波等生理信号，并且改善现有手术过程中相关信息手动纸质记录的不便之处，该系统能够生成结构化的数据进行保存，方便其他平台进行调用和分析。方便其他平台进行调用和分析。方便其他平台进行调用和分析。

【技术实现步骤摘要】
一种基于脉搏波信号的无创血压实时预测系统


[0001]本专利技术属于医疗信号检测领域，具体涉及一种基于脉搏波信号的无创血压实时预测系统。

技术介绍

[0002]目前常用的血压测量方法主要可以分为两类：间接测量法和直接测量法。临床上间接测量法最常用的方式为使用袖带式的血压计，此类血压计的主要原理是指空气加压压迫局部动脉，通过施加压力，阻止局部动脉的搏动，从而测量这一时期的血流压力的过程，然而这种方法都要使用臂带，无法进行连续工作，都会在测量过程中间隔几分钟，这种间歇的血压测量不能在一整天或更长时间段内捕获心血管系统的动态。直接测量法的主流方式为动脉插管法，该方法是将导管通过穿刺，置于被测部位的血管内，导管的外端直接与压力传感器相连接，由于流体具有压力传递作用，血管内的压力将通过导管内的液体传递到外部的压力传感器上，从而可获得血管内实时压力变化的动态波形，通过特定的计算方法，可获得被测部位血管的收缩压、舒张压和平均动脉压。虽然该方法被医学界公认为最准确的血压测量方法，甚至被当成血压测量的黄金标准，但是这种方法需要专门的医护人员操作，流程复杂，同时还伴随着可能发生的多种并发症风险，例如远端肢体缺血、局部出血血肿和感染等风险，故该方法一般只用于重危病人。
[0003]近年来基于深度学习的人工智能技术发展迅猛，在图像分类、波形识别等都有很大突破，其准确率和速度都已经满足工业领域的需求，得到了广泛的应用，这也为基于深度学习的算法实现脉搏信号预测血压值开辟了新的研究路径。
[0004]随着医疗行业的不断进步，人们越来越注重自身和患者的生理状态，血压监测成为日益重要的课题。家庭日常的血压监测和临床手术过程中的血压等生理信号的监测对于医疗行业的发展至关重要。这种需求促使了医疗器械性能的不断改进，以更好地满足人们的需要。但目前市场上的血压检测仪器存在一些不尽如人意的问题，例如缺乏交互性等(CN202011170895.5)。因此，急需实现医疗行业的血压监测装置进行智能化和交互性的改进。
[0005]目前，在医疗领域进行血压监测主要分为传统袖带式血压计和有创的直接血压监测两种方式。但这两种方式都存在各自的缺陷。传统袖带式血压计需要使用臂带进行检测，每次测量需要间隔几分钟或更长时间，无法进行连续的血压测量；而有创的直接血压监测则存在创伤性和操作复杂等问题，给患者带来不适和并发症。因此，需要寻求一种新的无创血压监测方法。

技术实现思路

[0006]针对现有技术的不足，本专利技术提出的一种基于脉搏波信号的无创血压实时预测系统可以实现无创的血压监测，同时可以连续不间断地监测血压，并实时展示患者的脉搏波。这种系统不仅方便医护人员对患者进行病理分析，而且还可以记录患者在手术过程中的相
关信息，输出医疗机构档案管理系统所需的结构化数据，为医疗机构的其他数字平台和控制中心提供数据支持。
[0007]本专利技术至少通过如下技术方案之一实现。
[0008]一种基于脉搏波信号的无创血压实时预测系统，包括：
[0009]数据处理模块，用于采集数据信息并进行解析和存储；
[0010]血压预测模块，采用血压预测模型预测数据处理模块采集到的血压值；
[0011]波形展示模块对数据处理模块采集到的脉搏信号进行波形滤波之后再展示；
[0012]手术过程数据记录模块，用于记录病人在手术过程中进行的操作和使用的药剂。
[0013]进一步地，所述数据处理模块包括信号采集和处理模块、数据库模块；
[0014]所述信号采集和处理模块包括有机半导体传感器、信号采集卡，通过有机半导体传感器获取传输的连续光电信号，光电信号通过信号采集卡进行数值转换，最终获得所需的脉搏波信号；
[0015]数据库模块将采集到的脉搏波信号和预测的血压值进行结构化的数据处理，并存储数据，以方便其他模块调用和分析。
[0016]进一步地，数据库使用关系型数据库MySQL，将脉搏波信号进行One
‑
Hot编码以生成结构化数据，同时保存血压值和个人特征信息。
[0017]进一步地，所述采集卡为带有滤波功能的数模转换器和处理器构成的信号采集卡。
[0018]进一步地，所述血压预测模型为基于深度学习的AI算法模型。
[0019]进一步地，AI算法模型在基于深度学习的U
‑
Net框架上进行改进：
[0020]将二维卷积层、池化层和采样操作改为一维操作以适应一维脉搏波数据的处理；
[0021]将U
‑
Net网络的两个3*3卷积核替换为3*3、5*5、7*7的三个卷积核的并行运算，5*5的卷积运算由两个3*3的卷积核替代，7*7的卷积运算由三个3*3的卷积核替代，并额外引入1*1卷积核；
[0022]将U
‑
Net网络中的跳跃连接，替换为残差连接，通过含有残差连接的卷积层链路与扩展路径部分相连；
[0023]平均集成块由一系列一维卷积和批归一化组成，去噪快由一系列反转卷积和批归一化构成。
[0024]进一步地，血压预测模型的训练，包括以下步骤：
[0025]对脉搏波信号进行特征提取，通过深度神经网络提取特征向量；
[0026]合并被测人员的个人特征信息，以收缩压、舒张压和平均动脉压为标签进行训练，获得具有代表性和高可分辨性特征向量的AI算法模型。
[0027]进一步地，在进行训练前，先将数据进行小波变换，然后进行分割、归一化等预处理操作，并且分配好相应的类别标签，类别标签为被测人员的收缩压、舒张压和平均动脉压。
[0028]进一步地，血压预测模型进行血压预测，经过信号采集处理模块后获得的脉搏信号，输入到训练好的血压预测模型中，输出被测人员的收缩压、舒张压和平均动脉压，并实时显示在上位机上，同时也将预测的收缩压、舒张压和平均动脉压以结构化的数据存储到数据库中。
[0029]进一步地，波形展示模块包括两个子模块：实时波形显示模块和实时波形滤波模块；
[0030]所述实时波形滤波模块采用离散小波变换对脉搏波的滤波，db4小波被作为小波基函数来对脉搏波进行分解和重构，并对脉搏波信号采取七层的小波分解。
[0031]与现有技术对比，本专利技术的本专利技术的有益效果是：
[0032]本专利技术的系统是基于脉搏波信号的智能血压预测系统，可自动化、智能化地监测各大医院和诊所的患者的血压、脉搏波等生理信号，并且改善现有手术过程中相关信息手动纸质记录的不便之处。该系统能够生成结构化的数据进行保存，方便其他平台进行调用和分析。
[0033]本专利技术连续无创的血压预测系统能够更准确、更鲁棒地获取患者的血压等相关生理信息，避免了创伤血压监测带来的不适感和并发症。此外，该系统还可以进行连续的血压监测，即时展示患者血压和脉搏信号状态，以便在病人的治疗和抢救过程中提供最恰当的时间，避免抢救时间的延迟带来的后续风险。
[0034]本专利技术的系统将被测患者所涉及的所有生理信号数据和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脉搏波信号的无创血压实时预测系统，其特征在于，包括：数据处理模块，用于采集数据信息并进行解析和存储；血压预测模块，采用血压预测模型预测数据处理模块采集到的血压值；波形展示模块对数据处理模块采集到的脉搏信号进行波形滤波之后再展示；手术过程数据记录模块，用于记录病人在手术过程中进行的操作和使用的药剂。2.根据权利要求1所述的一种基于脉搏波信号的无创血压实时预测系统，其特征在于，所述数据处理模块包括信号采集和处理模块、数据库模块；所述信号采集和处理模块包括有机半导体传感器、信号采集卡，通过有机半导体传感器获取传输的连续光电信号，光电信号通过信号采集卡进行数值转换，最终获得所需的脉搏波信号；数据库模块将采集到的脉搏波信号和预测的血压值进行结构化的数据处理，并存储数据，以方便其他模块调用和分析。3.根据权利要求2所述的一种基于脉搏波信号的无创血压实时预测系统，其特征在于，数据库使用关系型数据库MySQL，将脉搏波信号进行One
‑
Hot编码以生成结构化数据，同时保存血压值和个人特征信息。4.根据权利要求2所述的一种基于脉搏波信号的无创血压实时预测系统，其特征在于，所述采集卡为带有滤波功能的数模转换器和处理器构成的信号采集卡。5.根据权利要求1所述的一种基于脉搏波信号的无创血压实时预测系统，其特征在于，所述血压预测模型为基于深度学习的AI算法模型。6.根据权利要求5所述的一种基于脉搏波信号的无创血压实时预测系统，其特征在于，AI算法模型在基于深度学习的U
‑
Net框架上进行改进：将二维卷积层、池化层和采样操作改为一维操作以适应一维脉搏波数据的处理；将U
‑
Net网络的两个3*3卷积核替换为3...

【专利技术属性】
技术研发人员：黄博，康文雄，赵学艳，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：