买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳市捷美瑞科技有限公司

摘要：本申请涉及血压测量技术领域，公开了一种双模血压计算方法、装置、设备及存储介质。所述方法包括：对压力脉搏信号、PPG信号和ECG信号进行同步采样和预处理，得到多源同步信号数据；进行干扰模式识别和质量评估，得到信号质量分数和可用性指数；进行多模态特征提取和融合分析，得到目标特征向量；进行升压测量和降压测量的双模计算，得到目标血压值和测量可信度；通过深度神经网络模型进行时序分析和房颤检测，得到房颤风险评分；对目标血压值、测量可信度和房颤风险评分进行综合分析，得到综合血压评估报告，本申请提高了血压测量的准确性，还集成了房颤风险评估功能，为用户提供了更全面的心血管健康监测解决方案。

主权项：1.一种双模血压计算方法，其特征在于，所述双模血压计算方法包括：对压力脉搏信号、PPG信号和ECG信号进行同步采样和预处理，得到多源同步信号数据；具体包括：对压力脉搏信号、PPG信号和ECG信号进行2000Hz的高频同步采样，得到原始多源信号数据，并对所述原始多源信号数据进行自适应小波变换去噪，得到初始降噪信号；对所述初始降噪信号进行三次样条插值基线漂移校正，得到基线校正信号，并根据预设的分段规则对所述基线校正信号进行4秒固定时长分割和4个脉搏固定数量分割，得到时长信号片段和脉搏数信号片段；对所述时长信号片段和所述脉搏数信号片段进行快速傅里叶变换，得到频域特征数据，并根据所述频域特征数据对所述时长信号片段和所述脉搏数信号片段进行自适应维纳滤波，得到优化信号片段；对所述优化信号片段进行动态时间规整处理，得到时间对齐信号，并根据所述时间对齐信号计算压力脉搏信号、PPG信号和ECG信号之间的互相关系数，得到信号同步度量值；根据所述信号同步度量值对所述时间对齐信号进行插值重采样和相位校正，得到多源同步信号数据；对所述多源同步信号数据进行干扰模式识别和质量评估，得到信号质量分数和可用性指数；具体包括：对所述多源同步信号数据进行小波包分解，得到多尺度信号分量，并根据所述多尺度信号分量计算每个信号源的信噪比和基线稳定性指标，得到初始信号质量指标；根据所述多源同步信号数据识别袖带抖动、体动和呼吸干扰模式，并构建得到干扰模式特征向量；根据所述干扰模式特征向量计算各类干扰的发生位置、频次和强度，得到干扰程度评分，并对所述多源同步信号数据中的压力信号进行斜率分析，检测充气速率异常，得到加压控制异常指标；对所述多源同步信号数据中的PPG信号进行运动伪影检测，评估运动干扰程度，得到PPG信号可靠性指数；根据所述初始信号质量指标、所述干扰程度评分、所述加压控制异常指标和所述PPG信号可靠性指数计算对应的信号质量分数；对所述多源同步信号数据的各个4秒时间窗口进行动态阈值分析和自适应加权平均，得到可用性指数；根据所述信号质量分数和所述可用性指数对所述多源同步信号数据进行多模态特征提取和融合分析，得到目标特征向量；具体包括：根据所述信号质量分数和所述可用性指数对所述多源同步信号数据进行加权分段，得到高质量信号片段；对所述高质量信号片段中的压力脉搏信号进行峰值检测和波形分析，提取脉搏间期、脉搏振幅、上升时间和下降时间，构建压力脉搏特征向量；对所述高质量信号片段中的PPG信号进行波形分析，提取波形的峰值、谷值、面积和斜率特征，构建PPG特征向量；对所述高质量信号片段中的ECG信号进行R波检测和间期分析，计算R-R间期和QT间期，构建ECG特征向量；对所述压力脉搏特征向量计算二阶导数，得到压力脉搏二阶特征向量，并对所述PPG特征向量进行频域分析，得到PPG频域特征向量；将所述压力脉搏特征向量、所述PPG特征向量、所述ECG特征向量、所述压力脉搏二阶特征向量和所述PPG频域特征向量进行特征级联，得到多模态特征向量；对所述多模态特征向量进行特征降维，得到目标特征向量；对所述目标特征向量进行升压测量和降压测量的双模计算，得到目标血压值和测量可信度；具体包括：对所述目标特征向量进行分段处理，将其划分为升压阶段特征和降压阶段特征，得到双模特征集；对所述双模特征集中的升压阶段特征进行升压收缩压和舒张压计算，得到升压血压初值；对所述升压血压初值进行质量评估，判断是否存在影响收缩压或舒张压判断的干扰情况，得到升压测量质量指标；对所述双模特征集中的降压阶段特征进行降压计算，得到降压血压初值；对所述升压血压初值和所述降压血压初值进行加权融合，得到初始目标血压值，并根据所述升压测量质量指标计算测量可信度得分；结合所述测量可信度得分和生理约束条件，对所述初始目标血压值进行自适应校准，得到目标血压值和测量可信度；将所述目标特征向量和所述目标血压值输入预置的深度神经网络模型进行时序分析和房颤检测，得到房颤风险评分；具体包括：对所述目标特征向量进行分割，得到特征时序序列，并将所述特征时序序列输入深度神经网络模型的多尺度卷积层，通过所述多尺度卷积层使用不同尺寸的卷积核提取多尺度特征，得到多尺度特征图；将所述多尺度特征图输入所述深度神经网络模型的跨尺度融合层，通过所述跨尺度融合层使用跨尺度注意力机制融合不同尺度的特征，得到融合特征图；将所述融合特征图输入所述深度神经网络模型的双向门控循环单元层，通过所述双向门控循环单元层捕捉长短期时序依赖关系，得到时序特征向量；将所述时序特征向量输入所述深度神经网络模型的自注意力层，通过所述自注意力层计算特征间的相关性权重，得到加权时序特征；将所述加权时序特征与所述目标血压值拼接，并输入所述深度神经网络模型的特征交互层，通过所述特征交互层使用交叉注意力机制建模特征间的相互作用，得到交互特征向量；将所述交互特征向量输入所述深度神经网络模型的残差全连接层，通过所述残差全连接层的跳跃连接增强梯度传播，得到高阶特征表示；将所述高阶特征表示输入所述深度神经网络模型的多任务学习层，通过所述多任务学习层同时预测房颤概率和脉搏规律性指标，得到多任务输出向量；将所述多任务输出向量输入所述深度神经网络模型的概率校准层，通过所述概率校准层使用温度缩放法校准预测概率，得到校准后的房颤概率；根据所述校准后的房颤概率和所述脉搏规律性指标，结合预设的风险评估规则，计算房颤风险评分；对所述目标血压值、所述测量可信度和所述房颤风险评分进行综合分析，得到综合血压评估报告。

全文数据：

权利要求：

百度查询： 深圳市捷美瑞科技有限公司 双模血压计算方法、装置、设备及存储介质