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

本发明专利技术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。本发明专利技术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。并支持血压的长期检测。并支持血压的长期检测。

【技术实现步骤摘要】
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


[0001]本专利技术涉及医工融合
，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。

技术介绍

[0002]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。
[0003]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插入传感器，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，但使用该方法需要插入血管，可能伴随感染和其他并发症的风险。
[0004]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，为医疗系统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。
[0005]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系统(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。
[0006]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。
[0007]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。
[0008]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；
[0009]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；
[0010]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；
[0011]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。

技术实现思路

[0012]本专利技术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。
[0013]为实现上述目的，本专利技术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：
[0014]S1、建立生理数据采集模组并采集人体PPG数据和ECG数据；
[0015]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；
[0016]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。
[0017]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；
[0018]所述采集ECG数据需将电极片连接到身体的指定位置。
[0019]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：
[0020](1)对于同波段的4点位(四点位假设为A、B、C、D)PPG数据(PPG
A
、PPG
B
、PPG
C
、PPG
D
)，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
[0021]V
PPG
＝V
反射光
+V
环境光
+V
仪器噪声 (1)
[0022]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；
[0023](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；
[0024](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V
PPG
由以下公式推导：
[0025][0026]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。
[0027]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：
[0028](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；
[0029](2)而当发生运动伪声2时，四个点位的V
PPG
分别为V
A
+ΔV
A
、V
B
+ΔV
B
、V
C
+ΔV
C
、V
D
+ΔV
D
，其中V
A
、V
B
、V
C
、V
D
分别为无运动伪声时的V
PPG
，由于ΔV
A
<ΔV
B<本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。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(PPG
A
、PPG
B
、PPG
C
、PPG
D
)，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V
PPG
＝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V
PPG
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。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V
PPG
分别为V
A
+ΔV
A
、V
B
+ΔV
B
、V
C
+ΔV
C
、V
D
+ΔV
D
，其中V
A
、V
B
、V
C
、V
D
分别为无运动伪声时的V
PPG
，由于ΔV
A
&lt;ΔV
B
、ΔV
C
&lt;ΔV
D
，而A与B、C与D的...

【专利技术属性】
技术研发人员：史大威，卢一，刘一村，王军政，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：