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！

龙图腾网获悉沈阳恒德医疗器械研发有限公司申请的专利基于振荡波特征提取和监督融合的血压测量系统及方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120241022B 。

龙图腾网通过国家知识产权局官网在2025-10-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510742497.2，技术领域涉及：A61B5/022；该发明授权基于振荡波特征提取和监督融合的血压测量系统及方法是由孙英贤;徐礼胜;于海跃;叶宁设计研发完成，并于2025-06-05向国家知识产权局提交的专利申请。

本基于振荡波特征提取和监督融合的血压测量系统及方法在说明书摘要公布了：本发明提供一种基于振荡波特征提取和监督融合的血压测量系统及方法，涉及可穿戴医疗健康监测技术领域。首先构建振荡波数据库，振荡波数据库包括振荡波信号以及其对应的血压测量值，然后获取待识别样本的原始振荡波信号，并依据传感器贴合与导线连接检测指标，判别可用振荡波信号与不可用振荡波信号，对可用振荡波信号进行质量评估；对质量好的振荡波信号进行预处理，对预处理后的振荡波信号分别提取时域、频域及时‑频特征，获取振荡波信号的多指标特征；最后对获取的振荡波信号时域、频域以及时‑频特征进行标准化处理及监督特征融合，进行特征加权融合，进而实现无创血压测量。

本发明授权基于振荡波特征提取和监督融合的血压测量系统及方法在权利要求书中公布了：1.一种基于振荡波特征提取和监督融合的血压测量系统，其特征在于，包括：振荡波信号采集与可用信号判别模块、预处理模块、多指标特征提取模块、多指标特征标准化处理与监督融合模块和无创血压测量模块； 所述振荡波信号采集与可用信号判别模块，用于实时连续采集原始振荡波信号，依据袖带贴合与手臂运动情况判断振荡波信号，判别可用振荡波信号与不可用振荡波信号，所述不可用振荡波信号为波形失真或完全消失的信号；将可用振荡波信号分类为质量好与质量差的信号；其中通过融合时域与频域特征对可用振荡波信号进行质量评估，将融合特征大于设定阈值的可用振荡波称为质量好的振荡波信号，剩余的可用振荡波称为质量差的振荡波信号； 所述预处理模块，对质量好的振荡波信号进行预处理，去除振荡波信号中的噪声，提高振荡波信号的质量； 所述多指标特征提取模块，基于汉密尔顿算法提取振荡波信号的时域特征，基于连续小波变换提取振荡波信号的频域特征，基于希尔伯特-黄变换HHT提取振荡波信号的时-频特征； 所述多指标特征标准化处理与监督融合模块，进行振荡波信号特征数据的标准化处理，应用独立成分分析ICA对标准化后的振荡波信号特征数据进行降维，利用监督变分自编码器对Fisher准则选择后的特征进行特征学习和融合；具体为：在振荡波信号特征提取后，首先对提取的特征数据进行标准化处理，随后应用Fisher准则对标准化后的特征数据进行特征选择，通过计算每个特征与目标变量之间的判别能力，筛选出最具区分度的特征子集，利用变分自编码器对选择的特征进一步的特征学习； 所述无创血压测量模块，以监督变分自编码器提取的融合特征为基础，基于重构误差贡献进行特征重要性评估，基于XGBoost权重分配进行多指标特征加权融合，应用无创血压预测的预训练模型进行无创血压测量，最终完成血压测量；具体综合余弦相似度和马氏距离两种度量方法，通过设置权重参数将两者结合，其中余弦相似度用于衡量特征向量的方向一致性，而马氏距离用于衡量特征向量在考虑数据分布情况下的差异性；通过优化权重参数，实现对特征相似性的多角度评估； 所述的一种基于振荡波特征提取和监督融合的血压测量系统，用于实现一种基于振荡波特征提取和监督融合的血压测量方法，包括以下步骤： 步骤1：构建振荡波数据库，所述振荡波数据库包括振荡波信号以及其对应的血压测量值； 步骤1.1：收集受试者的振荡波信号及其对应的血压测量值作为监督指标； 步骤1.2：对振荡波数据库中的振荡波信号进行预处理； 步骤1.3：提取振荡波数据库中振荡波信号的时域、频域以及时-频特征，选择与血压测量相关的监督特征； 步骤1.4：构建并训练监督变分自编码器； 步骤1.5：基于XGBoost与待分析的振荡波信号计算特征权重； 步骤2：获取待识别样本的原始振荡波信号，并依据传感器贴合与导线连接检测指标，判别可用振荡波信号与不可用振荡波信号，对可用振荡波信号进行质量评估； 步骤2.1：对采集到的振荡波信号进行检错，判别可用振荡波信号与不可用振荡波信号； 所述不可用振荡波信号为振荡波信号波形失真或完全消失，失去有效信息的振荡波信号； 步骤2.2：对于可用振荡波信号，综合考虑时域和频域两个方面的指标来评估信号质量的好与坏； 步骤2.2.1：对振荡波信号进行时域分析，确定时域的信号质量评估指标； 所述时域分析中，采用幅值变化程度指标、基线漂移程度指标和脉率一致程度指标对振荡波信号质量进行评估； 具体为：对振荡波信号分别进行变分模态分解与周期分割，获得表征信号基线漂移情况的重构信号与单周期信号； 通过多个心动周期中信号波形的幅值差来获得幅值变化程度指标；所述幅值变化程度指标通过多个心动周期中信号波形的幅值差来获得；振荡波信号的第i个周期内幅值变化程度指标ai，如下公式所示： ai＝|maxWavei-minWavei1 其中，maxWavei和minWavei分别为滤波处理后振荡波信号的第i个周期的波形幅值的最大值与最小值； 通过对重构信号加窗处理来获取基线漂移程度指标；所述基线漂移程度指标通过对重构信号加窗处理来获取；对重构信号进行加窗处理，得到振荡波信号的第i个周期内的基线漂移程度指标bi，如下公式所示： bi＝max|bWavei|-b2 其中，bWavei为振荡波信号的第i个周期的重构信号，b为静止状态下振荡波信号基线标准值； 通过计算多周期内信号时间长度的一致性来计算脉率一致程度指标；所述脉率一致程度指标通过计算多周期内信号时间长度的一致性来计算；设定振荡波信号的周期长度为lengthWavei，得到振荡波信号的第i个周期内的脉率一致程度指标ri，如下公式所示： ri＝SDlengthWaveiMeanlengthWavei·100％3 其中，SDlengthWavei为计算的第i个信号周期长度的标准差，MeanlengthWavei为计算的第i个信号周期长度的均值； 步骤2.2.2：对振荡波信号进行频域分析，确定频域的信号质量评估指标； 所述频域分析中，采用频率成分指标对振荡波信号质量进行评估； 具体为：通过快速傅里叶变换选取振荡波信号的有效频段计算功率谱密度来得到频率成分指标；振荡波信号的第i个周期内频率成分指标fi为： 其中，P为振荡波信号的功率，f表示频率，选取振荡波信号有效频段为0.5Hz～10Hz； 步骤2.2.3：基于时域和频域的信号质量评估指标计算熵值，得到权重系数，将振荡波信号进行时-频域多指标加权融合，得到融合指标； 所述融合指标SQIi，如下公式所示： SQIi＝wai·ai+wbi·bi+wri·ri+wfi·fi5 其中wai、wbi、wri、wfi分别为评估指标ai、bi、ri、fi的熵权值； 步骤2.2.4：通过设置阈值对融合指标进行阈值判别，将可用振荡波信号分类为质量好与质量差的信号； 如果融合指标大于设定阈值，则可用振荡波信号为质量好的信号，反之则为质量差的信号；针对质量好的信号执行步骤3，经过滤波去噪与去基线处理后，进一步在时域、频域和时-频域上分析；对质量差的信号，则需重新采集振荡波； 步骤3：对质量好的振荡波信号进行预处理，包括噪声去除、滤波和降采样操作，去除振荡波信号中的噪声； 步骤3.1：采用数字滤波器对振荡波信号进行噪声去除；具体包括低通滤波和中值滤波； 步骤3.2：采用滑动窗口平均和高通滤波器进行滤波、平滑信号并去除基线漂移和低频噪声； 步骤3.3：采用抽取方法进行降采样，通过插值和多阶抽取选择性保留关键特征样本； 步骤3.4：构建监督特征选择单元，将预处理后的的振荡波信号与振荡波数据库中的血压测量值对齐，标记为监督样本； 步骤4：对预处理后的振荡波信号分别提取时域、频域及时-频特征，获取振荡波信号的多指标特征； 步骤4.1：基于汉密尔顿算法提取振荡波信号的时域特征； 步骤4.2：基于连续小波变换CWT提取振荡波信号的频域特征； 通过对信号进行连续小波变换CWT，将信号分解到不同尺度的小波基函数中；CWT的数学公式如下： 其中，t为时间变量，xt是输入的振荡波信号；ψt是母小波函数；a是尺度参数；b是平移参数；CWTxa,b是小波系数； 步骤4.3：基于希尔伯特-黄变换HHT提取振荡波信号的时-频特征； 所述希尔伯特-黄变换HHT包括经验模态分解EMD和希尔伯特变换，使用经验模态分解EMD将原始血压振荡波信号分解为若干个固有模态函数IMF；每个IMF代表信号中的不同频率分量； 对每个IMF进行希尔伯特变换，计算其瞬时频率和瞬时幅值，希尔伯特变换的公式为： 其中：P.V.表示柯西主值，xτ为原始的振荡波信号，τ是积分变量； 步骤4.4：基于振荡波数据库的监督特征选择； 对预处理后的振荡波信号，使用振荡波数据库中血压测量值计算的时频特征与SBP和DBP的互信息与F值，筛选与血压强相关的前20个特征： 其中，IX,Y代表互信息，Px,y是X＝x且Y＝y时的联合概率，Px和Py分别是X和Y各自的边缘概率，为特征j在高、低血压组的均值，为方差； 步骤5：对步骤4获取的振荡波信号时域、频域以及时-频特征进行标准化处理及监督特征融合； 步骤5.1：对振荡波信号特征数据进行标准化； 对振荡波信号时域、频域以及时-频特征进行如下标准化处理： 其中，x是振荡波信号的原始特征值，μ是特征的平均值，σ是特征的标准差，x1是标准化特征值； 步骤5.2：针对标准化后的振荡波信号特征数据计算协方差矩阵；对协方差矩阵进行特征值分解，得到一系列的特征值和对应的特征向量；使用Fisher分数对特征进行排序，保留前80％的特征； 步骤5.2.1：计算协方差矩阵：针对标准化后的振荡波信号特征数据计算协方差矩阵； 步骤5.2.2：特征值分解：对协方差矩阵进行特征值分解，得到一系列的特征值和对应的特征向量； 步骤5.2.3：特征选择：使用Fisher分数对特征进行排序，保留前80％的特征； 对于每个特征j，Fisher分数Fj定义为： 其中，K为类别的总数；nk为类别k中的样本数量；μk,j为类别k中第j个特征的均值；μj为第j个特征的总体均值；σk,j2为类别k中第j个特征的方差； 步骤5.2.4：数据投影：将原始振荡波数据投影到选定的主成分上，得到振荡波信号特征降维后的数据； 步骤5.3：构建、训练监督变分自编码器以及获取融合特征； 步骤5.3.1：构建监督变分自编码器，使用振荡波数据库中血压测量值作为监督信号训练监督变分自编码器；所述变分自编码器由编码器和解码器组成；所述编码器负责将输入特征压缩到一个低维空间，所述解码器负责从低维空间重构原始特征； 步骤5.3.2：监督变分自编码器训练：使用降维的特征数据作为监督变分自编码器的输入，使用均方误差作为损失函数，训练监督变分自编码器以最小化输入特征和重构特征之间的差异； 步骤5.3.3：特征融合表示：训练完成后，解码器的输出，即低维空间中的特征表示，被用作融合特征； 所述监督变分自编码器的联合损失函数为： L＝Lrecon+β·Lcuff12 其中，Lrecon为特征重构均方误差，Lcuff为数据库中血压数值血压预测均方误差，β是一个超参数，用于平衡特征重构均方误差Lrecon和数据库中血压数值血压预测均方误差Lcuff在联合损失函数L中的相对重要性； 步骤5.4：基于XGBoost的特征权重计算； 步骤5.4.1：将经过预处理和特征提取后的振荡波数据作为输入，对应的血压测量值作为输出，构建训练集； 步骤5.4.2：使用训练集对XGBoost模型进行训练，获得无创血压预测的预训练模型； 在训练过程中，采用均方误差MSE作为损失函数，公式如下： 其中，n为样本数量，yi为真实的血压值，为XGBoost模型预测的血压值； 步骤5.4.3：训练完成后得到各特征的权重，得到加权后的特征向量； XGBoost模型输出每个特征的重要性得分，将这些得分进行归一化处理后，得到各特征的权重ωi； 步骤6：进行特征加权融合，进而实现无创血压测量； 步骤6.1：基于Fisher分数进行特征重要性评估； 步骤6.1.1：特征移除：在输入数据中依次移除融合后的每个特征，并使用剩余的特征通过训练好的监督变分自编码器进行重构； 步骤6.1.2：重构误差计算：对于每次移除特征后的数据，计算重构误差，比较其与未移除任何融合特征时的模型的重构误差； 步骤6.1.3：重要性评估：根据特征移除后重构误差的增加量反映该特征的重要性； 步骤6.2：根据特征重要性评估结果进行特征加权融合，获得加权特征向量； 步骤6.2.1：特征权重分配； 特征的权重与其重要性成正比，将每个特征的重要性评分除以所有特征重要性评分的总和，以获得该特征的权重； 步骤6.2.2：基于权重分配进行特征加权融合； 对每个特征向量应用计算出的权重，得到加权后的特征向量； 步骤6.3：基于多指标特征加权融合进行无创血压测量； 将上述步骤6.2得到的加权特征向量以及步骤5.4得到的XGBoost的特征权重，作为当前被检测对象的特征模板；采用加权余弦相似度算法和马氏距离算法，在预存振荡波特征数据库中进行SBP、DBP和MAP识别和最终输出； 步骤6.3.1：计算待识别样本与SBP波形、DBP波形和MAP波形样本之间的加权余弦相似度和加权马氏距离； 具体为：使用加权特征向量，结合XGBoost权重计算待识别样本与每个已知SBP波形、DBP波形和MAP波形样本之间的加权余弦相似度和加权马氏距离； 步骤6.3.2：基于待识别样本与每个已知SBP波形、DBP波形和MAP波形样本之间的加权余弦相似度和加权马氏距离，赋予相应的权重值并计算加权相似度； 其中对于待识别样本A和已知波形样本B，加权余弦相似度如下公式所述： 其中WCSA,B是样本A与样本B之间的加权余弦相似度；ωi为基于已有数据训练的XGBoost模型输出的特征权重；m是特征的维度数；表示加权点积；是加权向量A的范数，是加权向量B的范数； 加权马氏距离如下公式所述： 其中DWA,B样本A与样本B之间的加权马氏距离；W是权重矩阵，为对角矩阵，形式为： 步骤6.3.3：基于加权相似度进行SBP、DBP和MAP识别； 通过比较待识别样本与所有已知SBP波形、DBP波形和MAP波形样本之间的加权相似度，选择加权相似度最低的待识别样本对应的SBP、DBP和MAP作为最终的结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人沈阳恒德医疗器械研发有限公司，其通讯地址为：110000 辽宁省沈阳市浑南区南屏东路38号-1；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。