CN102387743A - 计算心血管参数 - Google Patents

Abstract

描述了无论受试者是正在经历正常血液动力状态还是非正常血液动力状态测量所述受试者的心血管参数的方法。这些方法包括确定受试者是正在经历正常的血液动力状态还是非正常的血液动力状态，然后将合适的模型应用于受试者数据，从而确定受试者的心血管参数。多元布尔模型用于确定所述受试者是正在经历正常的血液动力状态还是非正常的血液动力状态，然后多元统计模型用于计算合适的心血管参数。对于正在经历非正常血液动力状态的受试者具有正确的心血管参数值例如能够计算治疗相关参数(诸如例如心输出量和心搏排血量)的准确值。

Description

计算心血管参数

依据美国法典第35篇第119条的优先权要求(35U.S.C.§119)

本申请要求2009年2月9日提交的标题为“CalculatingCardiovascular Parameters”的美国临时申请第61/150,991号的权益，该申请转让给受让人，其整体被并入本文作为参考。

背景技术

诸如心搏排血量(SV)、心输出量(CO)、心室舒张末期容量、喷血分数(EF)、心搏排血量变化(SVV)、脉搏压变化(PPV)和心收缩压变化(SPV)等指标不仅对于疾病的诊断而且对于“实时”即连续监控受试者的临床重要变化都是重要的。例如，健康护理提供者对人类受试者和动物受试者两者的前负荷依赖性、流体反应性或容量反应性以及心输出量的变化感兴趣。因此几乎很少的医院没有用于监测一个或多个心脏指标的一些形式的仪器，该仪器致力于提供受试者正出现一个或多个指标变化的警告。包括侵入性技术、非侵入性技术及其组合的很多技术在使用中，甚至已经在文献中被提出。

发明内容

本公开描述了计算受试者的心血管参数的方法。这些方法包括提供受试者的动脉压波形数据并分析动脉压波形数据，从而确定受试者是否正在经历非正常状态。如果受试者被确定为正在经历非正常状态，那么多元统计模型被应用于动脉压波形数据，从而确定受试者的心血管参数。例如利用正在经历非正常状态的受试者的数据可以形成该多元统计模型。如果受试者未被确定为是非正常状态的(即，受试者正在经历与非正常状态相对的正常状态)，那么多元统计模型被应用于动脉压波形数据，从而确定受试者的心血管参数。例如利用来自未在经历非正常状态的受试者(即，正在经历与非正常状态相对的正常状态的受试者)的数据可以形成该多元统计模型。

此外，描述了测量高动力受试者和非高动力受试者的心血管参数的方法。这些方法包括提供受试者的动脉压波形数据并分析动脉压波形数据，从而确定受试者的外周动脉压是否与受试者的中央主动脉压分离。分析动脉压波形数据以确定受试者的外周动脉压是否与受试者的中央主动脉压分离可以例如通过利用基于来自经历分离状态的受试者和经历正常血液动力状态的受试者两方面的数据建立的多元布尔模型来实现。如果受试者的外周动脉压被确定为与受试者的中央主动脉压分离，那么分析动脉压波形数据，从而确定受试者是否是高动力的。分析动脉压波形数据确定受试者是否是高动力可以例如通过利用基于来自高动力状态的受试者和正在经历正常血液动力状态的受试者两方面的数据建立的多元布尔模型来实现。如果受试者被确定为是高动力的，那么多元统计模型被应用于动脉压波形数据，从而确定受试者的高动力和分离的心血管参数。例如利用来自正在经历高动力状态和分离状态的受试者的数据可以形成该多元统计模型。然而，如果受试者的外周动脉压未被确定为与受试者的中央主动脉压分离或受试者未被确定为高动力的，那么多元统计模型被应用于动脉压波形数据，以确定受试者的正常的心血管参数。例如利用来自未在经历分离状态或高动力状态的受试者(即，正在经历正常的血液动力状态的受试者)的数据可以形成该多元统计模型。

附图说明

图1示出在正常的血液动力状态期间猪的动物模型中的主动脉(Aortic)、股动脉(Femoral)和桡动脉(Radial)的同时记录的压力波形。

图2示出在用大量液体和血管加压药复苏的内毒素休克(感染性休克)期间猪的动物模型中的主动脉(Aortic)、股动脉(Femoral)和桡动脉(Radial)的同时记录的压力波形。

图3示出图示说明本文描述的用于确定是否应用正常的多元统计模型确定心血管或是否应当使用基于非正常状态的多元统计模型的方法的逻辑示例的方框图。

图4示出图示说明本文描述的用于确定是否应用正常的多元统计模型确定动脉紧张度(arterial tone)或是否应当使用高动力(hyperdynamic)的多元统计模型的方法的逻辑示例的方框图。

图5示出在一个心搏周期期间复合血压曲线的示例。

图6示出图5的压力波形的离散时间表示。

图7示出动脉压波形的收缩部分下的区域。

图8示出正常受试者和高动力受试者的动脉压波形的收缩阶段的区域的统计分布。

图9示出动脉压波形的心脏收缩持续时间。

图10示出正常受试者和高动力受试者的动脉压波形的心脏收缩持续时间的统计分布。

图11示出动脉压波形的心脏收缩的持续时间和心脏舒张的持续时间。

图12是处于正常血液动力状态(虚线)和高动力状态(粗线)的高心率受试者的心脏舒张阶段的持续时间的统计分布——也示出所有病人的组合的分布(细线)。

图13是处于正常的血液动力状态(虚线)和高动力状态(粗线)的高心率受试者的心脏收缩阶段的持续时间的统计分布——也示出所有病人的组合的分布(细线)。

图14是示出实现本文所述的方法的系统的一个示例的方框图。

具体实施方式

描述无论受试者正在经历正常血液动力状态还是非正常血液动力状态测量该受试者的心血管参数(例如动脉紧张度)的方法。这些方法包括确定受试者正在经历正常的血液动力状态还是非正常的血液动力状态，然后将合适的模型应用于受试者数据从而确定受试者的心血管参数。在本文所述的方法中，为正在经历非正常血液动力状态的受试者与正在经历正常血液动力状态的受试者建立独立的多元统计模型，因为，一旦受试者正在经历非正常的血液动力状态，基于正在经历正常血液动力状态的受试者建立的模型是不准确的。例如对于正在经历非正常血液动力状态的受试者具有正确的心血管参数值，能够基于所述的心血管参数来计算准确的参数值，这些参数值又能够使临床医生为受试者提供合适的治疗。

作为具体的示例，本文描述的方法可以用于无论受试者正在经历正常血液动力状态还是高动力血液动力状态确定该受试者的动脉紧张度。如本文所使用的，术语动脉紧张度(arterial tone)表示血管顺应性(即，更大血管的弹性的顺应性)和外周阻力(即，小的外周血管的流动阻力)的组合效果。类似地，如这里所使用的术语高动力的(hyperdynamic)和血管舒张是指外周的动脉压和动脉血流与中央主动脉压和中央主动脉血流分离(decouple)的状态，术语外周动脉是指位于远离心脏的动脉，如，桡动脉、股动脉或肱动脉。分离的动脉压是指外周动脉和中央压之间的正常关系(即，动脉压朝着外周扩大)是无效的。这也包括外周动脉压与中央主动脉压不成比例的状态或外周动脉压不是中央主动脉压的函数的状态。在正常的血液动力状态下，测量到进一步远离心脏的血压增加。这种血压增加在图1中示出，即，在桡动脉处所测量的压力波的幅度大于在股动脉处所测量的压力，在股动脉处所测量的压力波的幅度又大于主动脉压力。这些压力的差异与波反射相关，即压力朝着外周扩大。

正常血液动力的压力关系，即远离心脏的压力增加，通常依赖于医疗诊断。然而，在高动力的/血管舒张状态下，这个关系可以反转成动脉压变得低于中央主动脉压。该反转已经归因于例如外周血管的动脉紧张度，其表明会影响以上讨论的波反射。这种高动力状态在图2中示出，即在桡动脉处所测量的压力波的幅度低于在股动脉处所测量的压力，在股动脉处所测量的压力波的幅度又低于主动脉压力。扩张小的外周动脉的药物(如，硝酸盐、ACE抑制剂和钙抑制剂)被认为促进高动力状态。通常也在心肺分流术(冠状动脉旁路)之后的情形中观察这些类型的严重的血管舒张状态，其中桡动脉压低估主动脉的压力。外周动脉压低估中央主动脉压的基本中央到外周的压力差异通常在具有严重败血症的病人身上观察到，用大量的流体和高剂量的血管加压药治疗这些病人，导致严重的血管舒张。在具有晚期肝病的病人身上也观察到非常类似的情况。本领域的技术人员将很好地理解，对于处于正常血液动力状态的受试者的特定治疗不同于处于高动力状态受试者的特定治疗。因此，目前公开的方法检测受试者的血管状态，如果是存在的，采用合适的计算确定受试者的准确的心血管参数，例如动脉紧张度和心输出量。

这里所描述的测量处于正常血液动力状态或非正常血液动力状态的受试者的心血管参数的方法一般包括提供来自受试者的动脉压波形数据的步骤，然后提供分析该数据的步骤。(如这里所使用的，术语动脉压波形数据是指动脉压波形数据或是与动脉压信号成比例的、由动脉压信号获得的或是动脉压信号的函数的任何其他信号)。每个分析步骤的(多个)结果确定要执行的下一个分析。在图3中示出方法的步骤的一个示例。首先分析动脉压波形，确定非正常的状态是否是存在的(在10处示出)。如果确定受试者正在经历非正常的血液动力状态，那么利用动脉压波形数据进行计算，从而确定非正常状态的心血管参数(在20处所示)。如果确定受试者正在经历正常的血液动力状态，那么根据动脉压波形进行计算，从而确定正常血液动力状态的心血管参数(在30处所示)。然后适当的值可以用于根据需要计算与心血管参数相关的其他值，例如，动脉紧张度(在40处所示)。

在图4中示出本文所描述的具体方法的步骤的进一步示例。该方法包括测量正在经历高动力血液动力状态的受试者和正在经历正常血液动力状态的受试者的动脉紧张度。在该方法中，首先分析动脉压波形，从而确定受试者的外周动脉压是否与受试者的中央主动脉压分离(在10处所示)。如果确定受试者的外周动脉压与受试者的中央主动脉压分离，那么分析动脉压波形数据，从而确定受试者是否是高动力的(在20处所示)。如果受试者还被确定为高动力的，那么多元统计模型被应用于受试者的动脉压波形数据，从而确定受试者的高动力动脉紧张度(χ_decoupled)(在30处所示)。如果未确定受试者的外周动脉压与受试者的中央主动脉压分离或未确定受试者是高动力的，那么多元统计模型被应用于受试者的动脉压波形数据，从而确定受试者的正常的动脉紧张度(χ_normal)(在40处所示)。然后受试者与其状况适应的动脉紧张度(即，c_normal或c_decoupled)可以用于计算准确的心搏排血量、心输出量或与动脉紧张度相关的其他值(在50处所示)。相同的方法可以用于其他的心血管参数。

在这些方法中，确定受试者是否正在经历正常的血液动力状态或非正常的血液动力状态包括将多元统计(即，布尔)模型应用于动脉压波形。根据来自第一组正在经历非正常血液动力状态的测试或参考受试者的第一组动脉压波形数据和来自第二组正在经历正常血液动力状态的测试或参考受试者的第二组动脉压波形数据来建立这种多元统计模型。多元布尔模型提供的输出值对应于(1)第一组动脉压波形数据的动脉压波形的第一建立值和(2)第二组动脉压波形数据的动脉压波形的第二建立值。如果输出值大于第一建立值和第二建立值之间的阈值，那么确定受试者正在经历非正常的血液动力状态。所述的另一种方式，建立该多元布尔模型，以提供每组输入数据的不同输出值。具体地，多元布尔模型提供对应于第一组动脉压波形数据的动脉压波形的第一建立值和第二组动脉压波形数据的动脉压波形的第二建立值的输出值。

作为具体的示例，确定受试者的外周动脉压是否与受试者的中央主动脉压分离，这包括将多元统计(即布尔)模型应用于动脉压波形数据，从而确定受试者的外周动脉压是否与受试者的中央主动脉压分离。根据来自正在经历外周动脉压与中央主动脉压之间的分离的第一组测试受试者的第一组动脉压波形数据以及来自未经历外周动脉压与中央主动脉压之间的分离的第二组测试受试者的第二组动脉压波形数据，来建立该多元布尔模型。该多元布尔模型提供输出值(“分离的输出值”)，该输出值对应于第一组动脉压波形数据的动脉压波形的第一分离值和第二组动脉压波形数据的动脉压波形的第二分离值。如果分离输出值大于第一分离值和第二分离值之间的分离阈值，那么确定受试者的外周动脉压与受试者的中央主动脉压分离。

这里使用的多元布尔模型是基于包括受非正常血液动力状态影响的一个或多个参数的因素组。不希望被理论所束缚，利用一个模型并且将该模型限制为对第一组数据和第二组数据的不同输出需求可以利用多个因素来提供受试者正在出现血管状态的指标。使用的每种类型的因素，例如，脉搏搏动标准差，一般表示正在经历特定血管状态的受试者和那些不在经历特定血管状态的受试者之间的差异。然而，该差异通常位于沿着连续体的位置，特定的受试者可以具有明确的正指标和明确的负指标之间的值，或因为某些原因受试者的特定因素可以似乎在正常范围内，尽管受试者正在经历血管状态。然而，通过利用多个因素，即，受血管状态影响的多个因素，一般将会有充足的正指标表明状态是存在的(或充足的负指标表明状态是不存在的)。如这里所描述的多元布尔模型提供使用多个因素的能力，从而增加区分两种状态即正在经历外周分离或未在经历外周分离的两种状态的能力。

在多元布尔模型中使用的因素的具体数量将取决于个体因素区分正在经历特定状态的受试者和未在经历特定状态的受试者的能力。也可以增加因素的数量从而为模型提供更高的准确度水平。因此，更多的因素可以用于帮助特定情况中所需模型的精确度、准确度和/或可再现性。这里所描述的模型中使用的因素示例包括(a)基于一组动脉压波形数据的脉搏搏动标准差的参数，(b)基于一组动脉压波形数据的R到R区间(与心率成反比)的参数，(c)基于一组动脉压波形数据的心脏收缩部分下的区域的参数，(d)基于一组动脉压波形数据的心脏收缩持续时间的参数，(e)基于一组动脉压波形数据的心脏舒张持续时间的参数，(f)基于一组动脉压波形数据的平均动脉压的参数，(g)基于一组动脉压波形数据的压力加权标准差的参数，(h)基于一组动脉压波形数据的压力加权平均的参数，(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值(skewness value)的参数，(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数，(k)基于一组动脉压波形数据的压力加权偏度(skewness)的参数，(l)基于一组动脉压波形数据的压力加权峰度的参数，和(m)基于一组动脉压波形数据的压力相关的Windkessel(弹性贮器)顺应性的参数。可以与这里描述的多元统计模型一起使用的额外的因素包括(n)基于搏动间隔的动脉血压信号的形态(例如，时域测量、频域测量或时频域测量)和具有一阶或多阶动脉血压信号的至少一个统计矩的参数，(o)对应于心率的参数，和(p)受试者的一组人体测量参数。这些因素的一个或多个(或所有这些因素)可以用于这里所描述的多元统计模型中。

在这里所描述的多元布尔模型和多元统计模型中使用的因素是根据基于动脉血压的信号或与动脉血压成比例的、从动脉血压得出的或是动脉血压的函数的信号计算的。在2004年7月14日提交的美国专利申请第10/890,887号中描述了诸如动脉顺应性(动脉紧张度)的心血管参数的计算，此专利申请的整体并入本文作为参考。以下描述了在与这里公开的方法一起计算心血管参数中使用的因素和数据的示例，该心血管参数包括在美国专利申请第10/890,887号中讨论的参数。

图5是在一个心搏周期内获取的动脉压波形P(t)的示例。该心搏周期在时刻t_dia0的心脏舒张压P_dia的点开始，经过高达心脏收缩压P_sys的时刻t_sys，直至时刻t_dia1，在时刻t_dia1血压再次达到P_dia。

对本方法有用的信号包括基于动脉血压或与动脉血压成比例的、由动脉血压得出的或是动脉血压的函数的任何信号的心血管参数，其是在动脉树的任何点(例如桡动脉、股动脉或肱动脉)通过侵入技术或是非侵入技术测量的。如果使用侵入器械，特别地，安装导尿管的压力传感器，那么任何动脉都是可能的测量点。非侵入传感器的位置一般由器械本身(例如手指箍带、上臂压力箍带和耳垂夹具)来指定。无论使用具体的器械如何，获得的数据将最终产生对应于动脉血压(例如，与其成比例)的电信号。

如图6中所示，利用任何标准的模数转换器(ADC)可以将诸如动脉血压的模拟信号数字化为一连串数字值。换句话说，在t₀≤t≤t_f，利用已知的方法和电路可以将动脉血压转换为数字形式P(k)、k＝0、(n-1)，其中t₀和t_f是测量区间的初始时刻和最终时刻，n是包括在计算中的动脉血压的采样数量，n通常均匀地分布在测量区间。

为了从这种数字或数字化的信号中获取相关数据，考虑m值的有序集合，即，序列Y(i)，其中i＝1，…，(m-1)。统计学领域众所周知，利用已知公式可以计算Y(i)的前四阶矩μ₁、μ₂、μ₃和μ₄，其中μ₁是均数(即，算术平均值)，μ₂＝σ²是方差(variation)(即，标准差σ的平方)，μ₃是偏度，μ₄是峰度。因此：

μ1＝Y_avg＝1/m*∑(Y(i))                    (公式1)

μ₂＝σ²＝1/(m-1)*∑(Y(i)-Y_avg)²           (公式2)

μ₃＝1/(m-1)*∑[(Y(i)-Y_avg)/σ]³           (公式3)

μ₄＝σ/(m-1)*Σ[(Y(i)-Y_avg)/σ]⁴          (公式4)

一般地，第β个矩μ_β可以表达为：

μ_β＝1(m-1)*1/σ^β*∑[(Y)(i)-Y_avg)]^β    (公式5)

其中，i＝0，…，(m-1)。因已知的统计方面的原因，第二个矩到第四个矩的离散值公式通常以1/(m-1)调整而不是以1/m调整。

这里所描述的方法可以使用不仅是压力波形P(k)的四阶矩的函数也是压力加权时间向量的函数的因素。标准差σ提供形态信息的一个水平，因为σ越大，函数Y(i)“展开(spread out)”得越明显，即其更加趋向于偏离均值。尽管标准差提供某些形态信息，但是通过考虑以下内容可以容易地认识到其缺点：平均偏差和标准差将不会改变，如果组成序列Y(i)的值的顺序是“相反的”，即，Y(i)关于i＝0轴反折和移动，从而将值Y(m-1)转换成在时间上的第一值。

偏度是缺乏对称性的度量，其表明函数Y(i)的左边或右边相对于统计模式比另一边更重。正的偏度函数迅速上升，到达其顶峰，然后缓慢下降。负的偏度函数的情况则相反。重点是偏度值包括在平均偏差值或标准差值中未发现的形态信息——特别地，其表明函数如何在初始迅速上升至其顶峰，然后如何缓慢地下降。两个不同的函数可以具有相同的平均偏差和标准差，但它们却很少具有相同的偏度。

峰度是函数Y(i)是否比正态分布更尖或更平的度量。因此，高的峰度值将表明接近平均的特征峰，后面是重的“尾部”的下降。低的峰度值将趋向于表明函数在其顶峰区域通常是相对平的。正态分布具有3.0的峰度；因此实际的峰度值通常是以3.0来调整的，以便于值相对于原点被取代。

利用搏动间隔动脉压波形的四个统计矩的优势是，矩是搏动间隔动脉压波形的形态的准确且灵敏的数学度量。因为动脉顺应性和外周阻力直接地影响动脉压波形的形态，所以通过测量搏动间隔动脉压波形的形态可以直接地估计动脉顺应性和外周阻力的影响。搏动间隔动脉压波形的形态灵敏统计矩与这里描述的其他动脉压参数一起可以有效地用于测量血管顺应性和外周阻力的组合影响，即动脉紧张度(arterialtone)。动脉紧张度表示动脉顺应性和外周阻力的组合影响，并对应于已知的Windkessel(弹性贮器)血液动力模型的2元件(包括电容元件和电阻元件)电模拟等效模型的阻抗。通过测量动脉紧张度，也可以直接测量基于动脉紧张度的一些其他参数，诸如动脉弹性、心搏排血量、心输出量。那些参数的任何参数可以用作这里描述的方法中的因素。

当计算压力波形P(k)的前四阶矩μ_1P，μ_2P，μ_3P和μ_4P并用于多元布尔或多元统计模型中时，其中μ_1P是均数，μ_2P P＝σ_P ²是方差，即标准差σ_P的平方；μ_3P是偏度，并且μ_4P是峰度，其中所有这些矩都是基于压力波形P(k)的。在用P代替Y、用k代替i和用n代替m之后，上面的公式1-4可以用于计算这些值。

上面的公式2提供“textbook(教科书)”方法计算标准差。另外，也可以使用更近似的方法。例如，至少在基于血压测量的环境中，对σ_P的粗略近似是将最大测量压力值和最小测量压力值之间的差除以三，并且P(t)关于时间的一阶导数的最大值或其最小值的绝对值一般与σ_P成比例。

如图6所示，在每个离散时刻k，对应的测量压力将是P(k)。值k和P(k)可以形成为对应于直方图的序列T(j)，指的是每个P(k)值用于对应的k值的“计数”。通过大大地简化示例，假定整个压力波形仅仅由四个测量值P(1)＝25、P(2)＝50、P(3)＝55和P(4)＝35构成。然后这也可以表示为具有25个一、50个二、55个三和35个四的序列T(j)：

T(j)＝1，1，…，1，2，2，…，2，3，3，…，3，4，4，…，4因此该序列具有25+50+55+35＝165项。

正如任何其他的量，可以计算该序列的矩。例如，平均(一阶矩)是：

μ_1T＝(1*25+2*50+3*55+4*35)/165＝430/165＝2.606    (公式6)

和标准差σ_T是方差μ_2T的平方根：

SQRT[1/164*25(1-2.61)²+50(2-2.61)²+55(3-2.61)²+35(4-2.61)²]＝0.985

通过公式3和公式4中类似的替代可以计算偏度μ_3T和峰度μ_4T：

μ_3T＝{1/(164)*(1/σ_T ³)∑[P(k)*(k-μ_1T)³]}    (公式7)

μ_4T＝{1/(164)*(1/σ_T ⁴)∑[P(k)*(k-μ_1T)⁴]}    (公式8)

其中k＝1，…，(m-1)。

如这些公式所表明，在计算时间矩之前，该过程对每个离散时刻值k用其对应的压力值P(k)有效“加权”。该序列T(j)具有非常有用的性质，即其稳健地表征压力波形的时序分布。反转压力值P(k)的顺序将在几乎所有情况中甚至引起T(j)的平均值改变和所有更高阶的矩改变。而且，通常出现在重搏波脉压P_dicrotic中的第二“驼峰(hump)”也明显地影响峰度μ_4T的值；相比之下，在现有领域中简单地识别重搏波切迹，例如在Romano(罗马诺)方法中，需要有噪计算至少一个导数。

压力加权矩提供搏动间隔动脉压信号的另一个水平的形态信息，因为它们是搏动间隔动脉压信号的幅度信息和时间信息两方面的非常准确的量度。使用除了压力波形矩之外的压力加权矩可以增加这里所描述的模型的准确度。

对这里所描述的方法有用的一个心血管参数是动脉紧张度因素χ，其可以单独用作心血管参数或在诸如心搏排血量或心输出量的其他心血管参数的计算中用作心血管参数。动脉紧张度χ的计算使用所有四个压力波形和压力加权时间矩。额外的值包括在计算中，从而考虑其他已知的特性，例如，病人特定的血管分支的复合模式。额外的值的示例包括心率HR(或R波周期)、体表面积BSA或受试者的其他人体测量参数、利用已知方法计算的顺应性值C(P)、基于动脉血压信号的形状和具有一阶或多阶动脉血压信号的至少一个统计矩的参数、基于动脉血压信号的心脏收缩部分下的区域的参数、基于心脏收缩持续时间的参数和基于心脏收缩持续时间与心脏舒张持续时间的比率的参数，其中计算适应性的值的已知方法如Langewouters等人(“The StaticElastic Properties of 45 Human Thoracic and 20 Abnormal Aortas in vitroand the Parameters of a New Model，”J.Biomechanics，17(6)：425-435(1984))描述的，其将适应性计算为压力波形以及患者的年龄和性别的多项式函数。

最后的三个心血管参数，即，动脉血压信号的心脏收缩部分下的区域、心脏收缩的持续时间和心脏收缩持续时间与心脏舒张持续时间的比率，均受动脉紧张度和血管顺应性的影响，因此，例如在处于正常的血液动力状态的受试者和处于高动力状态的受试者之间变化。因为这三个心血管参数在正常受试者和高动力受试者之间变化，这里所描述的方法可以使用这些心血管参数检测受试者的外周动脉的血管舒张或血管收缩。

在图7中通过图形示出了动脉压力波形(A_sys)的心脏收缩部分下的区域。动脉压力信号中的动脉压力波形的心脏收缩部分下的区域被定义为从搏动开始和在重搏波切迹结束的波形部分下的区域(图7中从点b到点d)。心脏收缩下的区域表示心脏收缩期间动脉压信号的能量，其直接与心搏排血量成正比，而与动脉顺应性成反比。当测量几组正常的病人和高动力病人时，可以检测到A_sys的偏移。如图8中所示，例如在某些处于高动力状态的受试者内，在心脏收缩期间的动脉压信号的能量更高。那些具有更高的A_sys的受试者一般是具有高的心输出量(CO)和低的或正常的HR的受试者，其中变高的CO主要是由变高的心脏收缩性引起的，这意味着那些受试者的心搏排血量增加，动脉顺应性下降，这直接反映在心脏收缩期间的动脉压信号的能量中。反射波在许多高动力状态期间是非常强烈的，其在心脏收缩期间也可以对信号的能量增加有明显的贡献。

在图9中通过图形示出了心脏收缩的持续时间(t_sys)。动脉压波形的心脏收缩的持续时间被定义为从搏动开始至重搏波切迹的持续时间(图9中从点b到点d)。心脏收缩的持续时间直接受动脉顺应性的影响，并且相对独立于外周动脉紧张度的变化(即不受外周动脉紧张度变化的影响)，除了当存在大的反射波时。如图10中所示，例如，某些高动力受试者的心脏收缩的持续时间高于正常的受试者的心脏收缩的持续时间(数据朝着更高的t_sys值转移)。如所见的心脏收缩能量，具有高的CO也具有低的或正常的HR的病人的心脏收缩的持续时间通常更高，其中变高的CO主要是由变高的心脏收缩性引起的，其中收缩性可以还没高到足以增加心脏收缩能量的程度。那些病人体内心搏排血量增加的原因是部分由于收缩性增加和部分由于心脏收缩的持续时间增加。反射波同样也起作用。

例如在正常受试者和高动力受试者之间变化的进一步参数是心脏收缩的持续时间(t_sys)和心脏舒张的持续时间(t_dia)的比率，如在图11中通过图形所示。动脉压波形中的心脏舒张的持续时间被定义为从重搏波切迹到心动周期结束的持续时间(在图11中从点d到点e)。在某些高动力状态中，心脏收缩的持续时间和心脏舒张的持续时间的比率明显高于在正常血液动力状态中观察到的心脏收缩持续时间和心脏舒张持续时间的比率。这种情况一般在具有变高的CO和高的HR的败血性休克病人身上观察到。在这些类型的情况中，心脏收缩几乎取代整个心动周期，在下一个心动周期开始之前留给心脏舒张非常少的时间。这种情况在图12和图13中示出，图中示出了在败血性休克病人和正常病人的高HR状态期间心脏舒张的持续时间(图12)和心脏收缩的持续时间(图13)。如图中所示，正常的血液动力状态的高HR病人(虚线)趋向于同时具有低的心脏收缩持续时间和低的心脏舒张持续时间，而败血性休克的高HR病人(粗线)趋向于具有低的心脏舒张持续时间但正常的或高的心脏收缩持续时间。

基于诸如心搏排血量(SV)、心输出量(CO)、动脉血流量或动脉弹性的动脉紧张度因素的其他参数可以用作这里所描述的方法中的因素。作为示例，可以按照动脉紧张度和动脉压信号的标准差的乘积计算心搏排血量(SV)：

SV＝χ·σ_P              (公式9)

其中：SV是心搏排血量；χ是动脉紧张度；和σ_P是动脉压的标准差。

模拟测量区间即时间窗[t₀，t_f]和因此形成的离散采样区间k＝0，…，(n-1)(在其上计算每个计算周期)应当足够小以致无法涵盖压力矩和/或时间矩的显著偏移。然而，延伸超过一个心动周期的时间窗将提供合适的数据。优选地，测量区间是多个心动周期，其在不同心动周期的同一个点开始和结束。利用多个心动周期确保在各种更高阶矩的计算中使用的平均压力值将使用平均压力值P_avg，由于周期的不完全测量其结果并不偏移。

较大的采样窗具有的优势是，诸如那些由反射引起的扰动效果通常会降低。利用本领域的技术人员已知的普通实验和临床方法可以确定合适的时间窗。应当注意，时间窗与单个心脏周期一致是可能的，在这种情形中平均压力偏移没有意义。

时间窗[t₀，t_f]也是可以根据P_avg的漂移可调整。例如，如果在指定时间窗内P_avg绝对或成比例地与先前时间窗的P_avg相差超过阈值量，那么可以缩小时间窗；在这种情况中，然后P_avg的稳定性用于表明时间窗可以扩大。也可以基于噪声源或信噪比的测量或方差扩大和缩小时间窗。限制被优选设置在允许扩大或缩小多少时间窗，如果这种扩大或缩小是完全允许的，那么时间区间指标优选地呈现给用户。

时间窗不需要在心动周期的任何特定点开始。因此，t₀不需要与t_dia0相同，尽管在许多实现方式中两者相同是合宜的选择。因此，在例如在时刻t_dia0或t_sys的心动周期的几乎任何特征处或在诸如R波等的非压力特征处可以触发每个测量区间的开始和结束(即，t₀和t_f)。

可以使用与血压成比例的、从血压得出的或是血压的函数的任何其他的输入信号，而不是直接测量血压。这意味着可以在计算中对一些点的任何点或所有点进行校准。例如，如果除了动脉血压本身以外的信号用作输入，那么在血压值用于计算各种要素矩之前可以校准血压，或然后，在这种情况下可以对任一结果矩值改变比例(scale)。简言之，心血管参数可以在某些情况中使用不同于动脉血压的直接测量的输入信号的事实并不排除其产生准确的顺应性估计的能力。

在一个示例中，一组指定因素的多元布尔模型的分离输出值被限制为由第一组动脉压波形数据的动脉压波形获得的那些因素的第一分离值和同时被限制为由第二组动脉压波形数据的动脉压波形获得的那些因素的第二分离值。可以设定第一分离值和第二分离值从而为正在被分析的受试者提供分离输出值之间合宜的比较。例如，第一分离值可以大于第二分离值。此外，第一分离值可以是正数，第二分离值可以是负数。还例如，第一分离值可以是+100，第二分离值可以是-100。

这些分离值，即+100和-100，可以用于建立多元布尔模型的布尔型结果。例如，对于具有第一分离值+100和第二分离值-100的多元布尔模型，可以用下面的指标建立分离输出值：

分离输出≥0→表明血管状态

分离输出＜0→未表明血管状态

在这种情况中，“0”值被认为是阈值，在阈值处或高于阈值则表明分离状态，即大于或等于零的值更接近地涉及用于建立多元模型的受试者是正在经历分离的受试者，而不是未经历分离的受试者。相反地，低于“0”的值表明，受试者经历的分离更接近地涉及用于建立多元模型的受试者是未经历分离那些受试者，而不是经历分离的受试者。对于该示例，阈值设定在第一分离值和第二分离值之间的平均值。然而，基于以经验为依据的观察可以改变阈值。例如，如果值α是第一阈值和第二阈值之间的平均值，那么阈值可以是α-1、α-2、α-3、α-4、α-5、α-10、α-15、α-20、α+1、α+2、α+3、α+4、α+5、α+10、α+15或α+20。

在这里所描述的多元布尔模型中，可以存在一定范围的阈值，这些阈值并不决定受试者是否正在经历分离或另一种血管状态。在这些情况中，可以使用阈值范围。例如，对于具有第一分离值是+100和第二分离值是-100的多元布尔模型，可以用下面的指标建立模型输出：

分离输出≥10→表明血管状态

-10＜分离输出＜10→不确定(继续分析)

分离输出≤-10→未表明血管状态

在该示例中，-10和10之间的值被认为是不确定的，可以分析进一步的数据，从而观察是否表明大于或等于10或小于或等于-10的值。否则，对这种情形，分离输出值大于或等于10表明分离，值小于或等于-10表明正常的血管状态。阈值范围将取决于模型在第一分离值和第二分离值之间的中间点表明血管状态的能力的估计。此外，可以阈值范围可以移动，或基于以经验为依据的观察调整阈值范围。例如，如果值α是第一阈值和第二阈值之间的平均值，那么阈值可以是[(α-1)±β]、[(α-2)±β]、[(α-3)±β]、[(α-4)±β]、[(α-5)±β]、[(α-10)±β]、[(α-15)±β]、[(α-20)±β]、[(α+1)±β]、[(α+2)±β]、[(α+3)±β]、[(α+4)±β]、[(α+5)±β]、[(α+10)±β]、[(α+15)±β]或[(α+20)±β]，其中β是范围的上边界和下边界，如，β可以是1、2、3、4、5、6、7、8、9、10、15或20，这具体取决于模型。

建立多元布尔模型包括几个步骤。例如，多元线性回归响应面可以用于建立该模型。利用几个数值方法可以确定模型中使用的项数，从而最小化模型输出值和对于具体的状态模型被强制具有的值之间的均方误差。作为更详细的示例，模型输出值的预测值可变集与具体的病人组相关，即正在经历具体的血管状态的受试者的建立值可以设定为+100，未在经历血管状态的受试者的建立值可以设定为-100。该操作建立一系列参考值，每个参考值都是模型输出值的要素参数的函数。然后利用将模型输出与+100最佳相关联或是与-100最佳相关联的已知的数值方法可以以定义方式根据受试者组计算多元逼近函数。多项式多元拟合函数可以用于生成满足每组预测值的+100和-100约束的多项式系数。这种多元模型(其中β是模型输出)具有以下通式：

$\mathrm{\β}=\left[\begin{array}{cccc}{a}_1& a_2& \·\·\·& a_n\end{array}\right]*\left[\begin{array}{c}{x}_1\\ x_2\\ \·\·\·\\ x_n\end{array}\right]$ (公式10)

其中a₁…a_n是多项式多元回归模型的系数，x₁…x_n是模型的预测值变量。预测值变量都是从上面讨论的由动脉压波形得出的因素中所选择的。

每个模型的预测值变量x_i是动脉压波形参数v_i的预定义组合，且可以由如下计算出：

$x_i=\underset{m}{\mathrm{\Π}}\left({\left[\begin{array}{cccc}{v}_1& v_2& \·\·\·& v_m\end{array}\right]}^{{\mathrm{\Λ}}^{\left[\begin{array}{ccc}{P}_{\mathrm{1,1}}& \·\·\·& P_{1,m}\\ \·\·\·& \·\·\·& \·\·\·\\ P_{n,1}& \·\·\·& P_{n,m}\end{array}\right]}}\right)$ (公式11)

利用从受试者采集的因素数据通过多元最小二乘回归可以确定系数a_i和指数矩阵“P”。系数和指数矩阵可以与例如值+100和值-100相关联，这取决于参考受试者人数的病人组。例如，来自正在经历分离的受试者的因素数据叙述为如下：

$\mathrm{\β}=\left[\begin{array}{cccc}{a}_1& a_2& \·\·\·& a_n\end{array}\right]*\left[\begin{array}{c}{x}_1\\ x_2\\ \·\·\·\\ x_n\end{array}\right]=+100$ (公式12)

并且来自未在经历分离的受试者的因素数据可以叙述如下：

$\mathrm{\β}=\left[\begin{array}{cccc}{a}_1& a_2& \·\·\·& a_n\end{array}\right]*\left[\begin{array}{c}{x}_1\\ x_2\\ \·\·\·\\ x_n\end{array}\right]=-100$ (公式13)

作为具体的示例，利用14个动脉压波形因素(X_i)建立多元布尔模型，其中需要17个项以便为模型提供最佳拟合。这些参数是：v₁(脉搏搏动标准差(std))、v₂(R到R区间(r2r))、v₃(心脏收缩下的区域(sys区域))、v₄(心脏收缩的持续时间(t_sys))、v₅(心脏舒张时的持续时间(t_dia))、v₆(平均动脉压(MAP))、v₇(压力加权标准差(σ_T))、v₈(压力加权平均(μ₂))、v₉(动脉脉搏搏动的偏度(μ_3P))、v₁₀(动脉脉压的峰度(μ_4P))、v₁₁(压力加权偏度(μ_3T))、v₁₂(压力加权峰度(μ_4T))、v₁₃(压力相关Windkessel顺应性(C_w))和v₁₄(病人身体表面面积(BSA))。模型如以下：

$x_i=\underset{14}{\mathrm{\Π}}\left({\left[\begin{array}{cccc}{v}_1& v_2& \·\·\·& v_{14}\end{array}\right]}^{{\mathrm{\Λ}}^{\left[\begin{array}{ccc}{P}_{\mathrm{1,1}}& \·\·\·& P_{1,14}\\ \·\·\·& \·\·\·& \·\·\·\\ P_{17,1}& \·\·\·& P_{17,14}\end{array}\right]}}\right)$ (公式14)

回归之后，确定数组P(17×14)的值，定义哪些变量包括在如下模型中：

执行回归，因此每个回归项的参数数目被限制为小于三，同时每个参数具有不大于二的阶。因此，如上面所示，矩阵P的每行具有至多三个非零项，同时P的每个元素的绝对值至多是二。为了数值的稳定性和准确性而设定这些约束。因此β的表达式成为14维参数空间的17项二阶曲线。β的结果表达式可以写为：

$\mathrm{\β}=\left[\begin{array}{cccc}{a}_1& a_2& \·\·\·& a_n\end{array}\right]*\left[\begin{array}{c}{x}_1\left[1\right]\\ x_1\left[2\right]\\ \·\·\·\\ x_1\left[17\right]\end{array}\right]$ (公式15)

其中a₁…a₁₇是多项式多回归模型的系数。然后(利用已知的数值方法)计算这些系数从而假定所选因素组等于+100，使参数与β最佳关联。在该情形中基于波形参数v_i(以上定义的)通过公式14确定所选因素。基于最小二乘回归的多项式多元拟合函数用于生成多项式的以下系数：

一旦形成这种多元布尔模型，其可以用于连续地实时检测任何受试者的分离状态。利用从受试者的动脉压波形确定的所选因素可以连续地估计该模型。在该示例中，第一分离值设定为+100，第二分离值设定为-100，因此例如在该模型中阈值可以设定为0，从而提供：

β≥0→表明分离

β＜0→未表明分离

在本方法中，如果受试者被确定为分离，那么还要确定受试者是否是高动力的。确定受试者是否是高动力的包括将高动力多元布尔模型应用于动脉压波形数据。利用上面描述的用于分离的多元布尔模型的相同方法，根据来自第一组高动力受试者的第一组动脉压波形数据和来自第二组不是高动力的受试者的第二组动脉压波形数据建立该高动力的多元布尔模型。高动力多元布尔模型提供高动力输出值，其对应于第一组动脉压波形数据的动脉压波形的第一高动力值和第二组动脉压波形数据的动脉压波形的第二高动力值。如果高动力输出值大于等于第一高动力建立值和第二高动力建立值之间的高动力阈值，那么受试者被确定为高动力的。以与建立分离的多元布尔模型的相似值相同的方式，确定和/或建立第一高动力值和第二高动力值与高动力阈值。

作为本方法的示例，如果受试者被确定为分离和高动力的，那么利用来自正在经历高动力状态和在中央动脉压与外周动脉压之间分离的一组测试受试者的动脉压波形数据建立的高动力多元统计模型被用于确定受试者的高动力和分离动脉紧张度(或其他心血管参数)。类似地，在本方法中，如果受试者未被确定为分离或未被确定为高动力的，那么利用来自未经历高动力状态和未经历中央动脉压与外周动脉压之间分离的一组测试受试者的动脉压波形数据建立的正常多元统计模型被用于确定受试者的正常动脉紧张度(或其他心血管参数)。利用以下描述的相同方法建立正常多元统计模型和高动力多元统计模型。

作为血管参数的示例，建立多元统计模型计算动脉紧张度与上面讨论的建立多元布尔模型相类似地完成。主要区别是模型χ并不限制为任何建立值。更确切地来说，动脉紧张度的多元模型χ是利用已知的数值方法来估计的，在某些预定义的意义上对于指定SV和动脉压测量组，将模型χ的动脉压波形的多个参数与实际的动脉紧张度(如公式9中定义为SV/σ_P)最佳关联。具体地，多项式多元拟合函数用于生成多项式的系数，其为每组动脉压波形参数提供χ值，如下：

$\mathrm{\χ}=\left[\begin{array}{cccc}{a}_1& a_2& \·\·\·& a_n\end{array}\right]*\left[\begin{array}{c}{x}_1\\ x_2\\ \·\·\·\\ x_n\end{array}\right]$ (公式16)

其中a₁…a_n是多项式多回归模型的系数，并且χ₁…χ_n是模型的预测值变量。预测值变量是从上面讨论的从动脉压波形中得出的因素中选择的。

模型的每个预测值变量χ_i都是预定义的动脉压波形参数v_i的组合，并且可以计算如下：

$x_i=\underset{m}{\mathrm{\Π}}\left({\left[\begin{array}{cccc}{v}_1& v_2& \·\·\·& v_m\end{array}\right]}^{{\mathrm{\Λ}}^{\left[\begin{array}{ccc}{P}_{\mathrm{1,1}}& \·\·\·& P_{1,m}\\ \·\·\·& \·\·\·& \·\·\·\\ P_{n,1}& \·\·\·& P_{n,m}\end{array}\right]}}\right)$ (公式17)

系数v_i是动脉压波形的不同的时域参数和频域参数。

利用参考病人组的参考测量来完成模型近似。利用包括来自正常的病人和正在经历外周压力分离的高动力状态病人两方面的测量的参考数据集，建立用于正在经历外周动脉压分离的高动力病人的动脉紧张度模型χ_decoupled。利用包括来自正常状态的病人的测量的参考数据集，建立用于正常血液动力状态的病人的动脉紧张度模型χ_normal。

作为具体的示例，多元统计模型是利用11个动脉压波形参数建立的。这些参数是：v₁(动脉脉压的标准差(σ_P))、v₂(心率)、v₃(平均动脉压力(P_avg))、v₄(压力加权标准差(σ_T))、v₅(压力加权MAP(μ_1T))、v₆(动脉脉压的偏度(μ_3P))、v₇(动脉脉压的峰度(μ_4P))、v₈(压力加权偏度(μ_3T))、v₉(压力加权峰度(μ_4T))、v₁₀(压力相关的Windkessel顺应性(C_w))和v₁₁(病人身体表面面积(BSA))。系数a_i和指数矩阵“P”可以通过多元最小二乘回归利用从受试者采集的因素数据来确定。系数和指数因子与通过热稀释法确定的许多参考受试者的“真实的”心搏排血量相关。在该模型中，建立A和P如以下：

A＝2.95 -0.43472 12.384 -143.49 21.396 -1.3508 0.029824-7.3862

在某种方式执行回归，从而将每个回归变量的参数数目限制为小于三个，同时每个参数具有的阶不大于二。因此，矩阵P的每行具有至多三个非零项，P的每个元素的绝对值至多是二。这些约束用于建立数值稳定性和准确性。因此，χ的表达式变成十一维参数空间的二阶曲线。确定的χ的多项式表达式可以写作如下：

$x=2.95\·\mathrm{BSA}-0.43472\·\frac{1}{100\·C_W}+12.384\·\frac{{\left(\frac{1}{100}{P}_{\mathrm{avg}}\right)}^2}{{\mathrm{BSA}}^2}-143.49\·\frac{\frac{1}{100}{P}_{\mathrm{avg}}}{{(10\·\frac{1}{\mathrm{HR}})}^2}+21.396\·$

$\frac{1}{100\·C_W{(10\·\frac{1}{\mathrm{HR}})}^2}-1.3508\·\frac{\frac{1}{10}{\mathrm{\σ}}_P}{{\mathrm{\μ}}_{4P}+3}+0.029824\·\frac{{({\mathrm{\μ}}_{4P}+3)}^2}{{\left(\frac{1}{10}{\mathrm{\σ}}_P\right)}^2}-$

$7.3862\·\frac{1}{10\·\frac{1}{\mathrm{HR}}\·100\·C_W\·{\mathrm{BSA}}^2}$

因此，可以通过首先建立如刚刚描述的模型(即，确定逼近函数，该逼近函数与表示依赖于心血管参数的血压参数的一组临床获取的参考测量值有关，该逼近函数是上面描述的一个或多个参数的函数，并且一组临床确定的参考测量值表示依赖于具有正常血液动力状态的受试者或正在经历非正常血液动力状态的受试者的心血管参数的血压参数(这取决于模型))来确定受试者的心血管参数。然后确定来自动脉血压波形数据的一组动脉血压参数，该组动脉血压参数包括用于建立多元统计模型的相同参数。然后，通过用这组动脉血压参数评估逼近函数，来估计受试者的心血管参数。

用于确定受试者的心血管参数的这些方法可以用于连续计算受试者的心血管参数，因此说明状态随时间的可能变化。当确定是非正常状态时，该方法还可以进一步向用户报警。这种警报可以是在图形用户界面上公布的通知或声音。

图14示出了实施这里描述的用于确定受试者的心血管参数(如动脉紧张度)的方法的系统的主要部件。方法可以在现存的病人监控设备中实现，或可以实现为专用的监控器。如以上所提及的，压力或与压力成比例的、从压力获取的或是压力的函数的某些其他输入信号可以以下面两种方式或任一种方式来检测：侵入性地和非侵入性地。为了便捷起见，该系统被描述为测量动脉血压而不是转换成压力的某些其他输入信号。

为了完整性起见，图14同时示出了压力检测的两种类型。在这里所描述的方法的最实际的应用中，通常会实现一个或是几个变体。在这里所描述的方法的侵入性应用中，常规的压力传感器100安装在导管110上，导管110插入人或动物患者身体的部分130的动脉120中。动脉120是动脉系统中的任一动脉，例如股动脉、桡动脉或肱动脉。在这里所描述的方法的非侵入性应用中，以任何传统的方式(例如利用围绕指状物230的箍带或安装在病人手腕的传感器)在外部安装常规的压力传感器200(诸如光电体积扫描血压探针)。图14示意性地示出了这两种类型。

通过任何已知的连接器传递来自传感器100、200的信号，作为处理系统300的输入，处理系统300包括一个或多个处理器和其他的支持硬件和通常包括的系统软件(未示出)，用于处理信号和执行代码。这里描述的方法可以利用修改的、标准的个人计算机来实现，或是并入更大的专用监控系统。为了与这里所描述的方法一起使用，处理系统300还可以包括或连接到调节电路302，该电路按需要执行正常信号处理任务，诸如放大、过滤或分类。然后通过常规的模数转换器ADC304将被调整的检测到的输入压力信号P(t)转换为数字形式，ADC 304具有或采用来自时钟电路305的时间参考。众所周知，应当关于Nyquist(尼奎斯特)准则来选择ADC 304的采样频率，为的是避免压力信号的混叠(该过程在数字信号处理领域中是非常著名的)。来自ADC 304的输出是离散压力信号P(k)，其值可以被存储在常规存储电路(未示出)中。

通过包含用于执行多元布尔模型确定受试者是否是外周分离和/或高动力的计算机可执行代码的软件模块310，可以将值P(k)传递至存储器或从存储器中存取。软件模块310的这种设计对计算机编程领域的技术人员而言是直截了当的。

如果使用，诸如年龄、身高、体重、BSA等的病人的具体数据存储在存储器区域315中，存储器区域315也可以存储其他预定义的参数，诸如阈值或阈值范围。利用任何已知的输入设备400以常规方式可以输入这些值。

利用合适的多元统计模型计算动脉紧张度在模块320中进行。计算模块320包括计算机可执行代码，并且把模块310的输出当作输入，然后执行所选择的动脉紧张度计算。

如图14所示，结果被传递至进一步模块(330)用于额外的处理，并最终显示在常规的显示器或记录设备500上，用以呈现给用户和由用户解译。与输入设备400一样，显示器500通常与为了其他目的由处理系统所使用的相同。

对于这里所描述的每种方法，当检测到分离时，则通知用户。通过在显示器500或另一种图形用户界面设备上发布通知可以通知用户分离。进一步，声音可以用于通知用户分离。可以同时使用视觉信号和听觉信号。

上面参考方法、装置和计算机程序产品的方框图和流程图图解已经描述了本发明的示例性实施例。本领域的技术人员将理解，方框图和流程图图解的每个方框以及方框图和流程图图解中方框的组合可以分别通过各种包括计算机程序指令的方式来实现。这些计算机程序指令可以载入通用计算机、专用计算机或其他可编程数据处理装置中以制造机器，因此在计算机或其他可编程数据处理装置上执行的指令产生用于执行流程图方框或方框中指定的功能的方法。

这里描述的方法进一步涉及可以存储在计算机可读存储器中的计算机程序指令，计算机可读存储器可以指示计算机或(如图14中的300所示的)其他可编程数据处理装置(诸如处理器或处理系统)以特定的方式起作用，从而使得存储在计算机可读存储器中的指令产生一种包括用于执行图14中所示的方框中指定的功能的计算机可读指令的产品。计算机程序指令可以加载到计算机、处理系统300或其他的可编程数据处理装置中，从而使得一些列操作步骤在计算机、处理系统300或其他可编程装置中执行，以产生计算机执行过程，因此在计算机或其他可编程装置中执行的指令提供用于执行方框中指定的功能的步骤。而且，用于执行各种计算和执行这里描述的相关方法步骤的各种软件模块310、320和330也可以存储为计算机可读介质上的计算机可执行指令，以便允许方法被加载到不同的处理系统和由不同的处理系统来执行。

因此，方框图和流程图图解的方框支持用于执行特定功能的方法的组合、用于执行指定功能的步骤的组合以及用于执行指定功能的程序指令方法。本领域的技术人员将理解，通过执行指定功能或步骤的基于硬件的专用计算机系统或专用硬件和计算机指令的组合，可以实现方框图和流程图图解的每个方框以及方框图和流程图图解中的方框的组合。

本发明并不限于这里所公开的作为本发明的一些方面的说明的实施例，并且功能等价的任何实施例都在本发明的范畴内。除了那些示出的和这里所描述的方法以外，对方法的各种改进对于本领域的技术人员而言是明显的，且确定为属于相关权利要求的范畴。进一步，尽管在上面的实施例中只具体地讨论了这里公开的方法步骤的某些典型组合，方法步骤的其他组合对于本领域的技术人员而言是明显的，且确定属于相关权利要求的范畴。因此，这里可以明确地提及步骤的组合；然而，尽管没有明确说明，也包括步骤的其他组合。这里使用的术语“包含”及其变体与术语“包括”及其变体同义使用，且都是开放的、非限制的术语。

Claims (48)

1.一种计算受试者的心血管参数的方法，其包含：

提供来自受试者的动脉压波形数据；

分析所述动脉压波形数据，从而确定所述受试者是否正在经历非正常状态；

如果所述受试者被确定为正在经历所述非正常状态，那么将第二多元统计模型应用于所述动脉压波形数据，从而确定所述受试者的心血管参数；和

如果所述受试者未被确定为在经历所述非正常状态，那么将第三多元统计模型应用于所述动脉压波形数据，从而确定所述受试者的心血管参数。

2.根据权利要求1所述的方法，其中，确定所述受试者是否正在经历非正常状态包含将第一多元统计模型应用于所述动脉压波形数据，从而确定所述受试者是否正在经历所述非正常状态，所述第一多元统计模型是根据来自正在经历所述非正常状态的第一组测试受试者的第一组动脉压波形数据和来自未在经历所述非正常状态的第二组测试受试者的第二组动脉压波形数据来建立的，所述第一多元统计模型提供对应于所述第一组动脉压波形数据的动脉压波形第一值和所述第二组动脉压波形数据的动脉压波形第二值的输出值，其中如果所述输出值大于所述第一值和第二值之间的阈值时，那么所述受试者被确定为正在经历所述非正常状态。

3.根据权利要求2所述的方法，其中，确定所述受试者是否正在经历非正常状态包含利用以下步骤应用所述第一多元统计模型：

确定与来自正在经历所述非正常状态的第一组测试受试者的第一组动脉压波形数据和来自未在经历所述非正常状态的第二组测试受试者的第二组动脉压波形数据有关的逼近函数，所述逼近函数是至少以下参数的函数：(a)基于所述动脉压波形数据的标准差的参数，(b)基于所述受试者的心率的参数，(c)基于所述动脉血压信号的心脏收缩部分下的区域的参数，(d)基于心脏收缩的持续时间的参数，(e)基于所述心脏收缩的持续时间与心脏舒张的持续时间的比率的参数，(f)基于一组动脉压波形数据的平均动脉压的参数，(g)基于一组动脉压波形数据的压力加权标准差的参数，(h)基于一组动脉压波形数据的压力加权平均的参数，(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数，(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数，(k)基于一组动脉压波形数据的压力加权偏度的参数，(l)基于一组动脉压波形数据的压力加权峰度的参数，(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数，和(n)基于所述受试者的身体表面面积的参数；

确定来自所述动脉血压波形数据的一组动脉血压参数，所述一组动脉血压参数至少包括(a)基于所述动脉压波形数据的标准差的参数，(b)基于所述受试者的心率的参数，(c)基于所述动脉血压信号的心脏收缩部分下的区域的参数，(d)基于心脏收缩的持续时间的参数，(e)基于所述心脏收缩的持续时间与心脏舒张的持续时间的比率的参数，(f)基于一组动脉压波形数据的平均动脉压的参数，(g)基于一组动脉压波形数据的压力加权标准差的参数，(h)基于一组动脉压波形数据的压力加权平均的参数，(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数，(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数，(k)基于一组动脉压波形数据的压力加权偏度的参数，(l)基于一组动脉压波形数据的压力加权峰度的参数，(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数，和(n)基于所述受试者的身体表面面积的参数；以及

通过用所述一组动脉血压参数来评估所述逼近函数，从而确定所述受试者是否正在经历非正常状态。

4.根据权利要求1所述的方法，其中，所述第二多元统计模型是根据来自正在经历所述非正常状态的一组测试受试者的一组动脉压波形数据来建立的，所述第二多元统计模型提供所述受试者的心血管参数值。

5.根据权利要求4所述的方法，其中，所述第二多元统计模型基于包括受所述非正常状态影响的一个或多于一个参数的一组因素。

6.根据权利要求1所述的方法，其中，所述第三多元统计模型是根据来自未在经历所述非正常状态的一组测试受试者的一组动脉压波形数据建立的，所述第三多元统计模型提供所述受试者的正常心血管参数值。

7.根据权利要求6所述的方法，其中，所述第三多元统计模型基于包括用于计算所述心血管参数的一个或多于一个参数的一组因素。

8.根据权利要求1所述的方法，其中所述受试者的心血管参数是通过应用所述第二多元统计模型利用以下步骤确定的：

确定与表示依赖所述心血管参数的血压参数的一组临床获取的参考测量值有关的逼近函数，所述逼近函数是至少以下参数的函数：(a)基于所述动脉压波形数据的标准差的参数，(b)基于所述受试者的心率的参数，(c)基于所述动脉血压信号的心脏收缩部分下的区域的参数，(d)基于心脏收缩的持续时间的参数，(e)基于所述心脏收缩的持续时间与心脏舒张的持续时间的比率的参数，(f)基于一组动脉压波形数据的平均动脉压的参数，(g)基于一组动脉压波形数据的压力加权标准差的参数，(h)基于一组动脉压波形数据的压力加权平均的参数，(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数，(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数，(k)基于一组动脉压波形数据的压力加权偏度的参数，(l)基于一组动脉压波形数据的压力加权峰度的参数，(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数和(n)基于所述受试者的身体表面面积的参数，并且一组临床确定的参考测量值表示依赖来自正在经历非正常状态的受试者的所述心血管参数的血压参数；

确定来自所述动脉血压波形数据的一组动脉血压参数，所述一组动脉血压参数至少包括(a)基于所述动脉压波形数据的标准差的参数，(b)基于所述受试者的心率的参数，(c)基于所述动脉血压信号的心脏收缩部分下的区域的参数，(d)基于心脏收缩的持续时间的参数，(e)基于所述心脏收缩的持续时间与心脏舒张的持续时间的比率的参数，(f)基于一组动脉压波形数据的平均动脉压的参数，(g)基于一组动脉压波形数据的压力加权标准差的参数，(h)基于一组动脉压波形数据的压力加权平均的参数，(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数，(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数，(k)基于一组动脉压波形数据的压力加权偏度的参数，(l)基于一组动脉压波形数据的压力加权峰度的参数，(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数和(n)基于所述受试者的身体表面面积的参数；和

通过用所述一组动脉血压参数评估所述逼近函数，来估计所述受试者的心血管参数。

9.根据权利要求1所述的方法，其中，所述受试者的正常心血管参数通过应用利用以下步骤建立的所述第三多元统计模型来确定：

确定与表示依赖所述心血管参数的血压参数的一组临床获取的参考测量值有关的逼近函数，所述逼近函数是至少以下参数的函数(a)基于所述动脉压波形数据的标准差的参数，(b)基于所述受试者的心率的参数，(c)基于所述动脉血压信号的心脏收缩部分下的区域的参数，(d)基于心脏收缩的持续时间的参数，(e)基于所述心脏收缩的持续时间与心脏舒张的持续时间的比率的参数，(f)基于一组动脉压波形数据的平均动脉压的参数，(g)基于一组动脉压波形数据的压力加权标准差的参数，(h)基于一组动脉压波形数据的压力加权平均的参数，(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数，(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数，(k)基于一组动脉压波形数据的压力加权偏度的参数，(l)基于一组动脉压波形数据的压力加权峰度的参数，(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数，和(n)基于所述受试者的身体表面面积的参数，并且一组临床确定的参考测量值表示依赖来自未经历所述非正常状态的受试者的所述心血管参数的血压参数；

确定来自所述动脉血压波形数据的一组动脉血压参数，所述一组动脉血压参数至少包括(a)基于所述动脉压波形数据的标准差的参数，(b)基于所述受试者的心率的参数，(c)基于所述动脉血压信号的心脏收缩部分下的区域的参数，(d)基于心脏收缩的持续时间的参数，(e)基于所述心脏收缩的持续时间与心脏舒张的持续时间的比率的参数，(f)基于一组动脉压波形数据的平均动脉压的参数，(g)基于一组动脉压波形数据的压力加权标准差的参数，(h)基于一组动脉压波形数据的压力加权平均的参数，(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数，(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数，(k)基于一组动脉压波形数据的压力加权偏度的参数，(l)基于一组动脉压波形数据的压力加权峰度的参数，(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数，和(n)基于所述受试者的身体表面面积的参数；以及

通过用所述一组动脉血压参数评估所述逼近函数，来估计所述受试者的正常血液动力的心血管参数。

10.根据权利要求1所述的方法，其中，所述非正常状态表明出现血管舒张。

11.根据权利要求1所述的方法，其中，所述非正常状态表明出现血管收缩。

12.根据权利要求1所述的方法，其中，所述非正常状态表明出现高动力心血管状态。

13.根据权利要求1所述的方法，其中，所述非正常状态表明外周动脉压从中央主动脉压高动力分离。

14.根据权利要求1所述的方法，其中，所述非正常状态表明外周动脉压低于中央主动脉压。

15.根据权利要求1所述的方法，其中，所述非正常状态表明外周动脉压与中央主动脉压不成比例。

16.一种测量高动力受试者和非高动力受试者的心血管参数的方法，其包含：

提供来自受试者的动脉压波形数据；

分析所述动脉压波形数据，从而确定所述受试者的外周动脉压是否与所述受试者的中央主动脉压分离；

如果所述受试者的外周动脉压被确定为与所述受试者的中央主动脉压分离，那么分析所述动脉压波形数据，从而确定所述受试者是否是高动力的；

如果所述受试者被确定为高动力的，那么将第三多元统计模型应用于所述动脉压波形数据，从而确定所述受试者的高动力和分离的心血管参数；和

如果所述受试者的外周动脉压未被确定为与所述受试者的中央主动脉压分离或所述受试者未被确定为是高动力的，那么将第四多元统计模型应用于所述动脉压波形数据，从而确定所述受试者的正常心血管参数。

17.一种测量高动力受试者和非高动力受试者的心血管参数的方法，其包含：

提供来自受试者的动脉压波形数据；

分析所述动脉压波形数据，从而确定所述受试者的外周动脉压是否与所述受试者的中央主动脉压分离；

如果所述受试者的外周动脉压被确定为与所述受试者的中央主动脉压分离，那么分析所述动脉压波形数据，从而确定所述受试者是否是高动力的；

如果所述受试者被确定为是高动力的，那么将第三多元统计模型应用于所述动脉压波形数据，从而确定所述受试者的高动力心血管参数，所述第三多元统计模型是根据来自正在经历高动力状态和中央动脉压与外周动脉压之间分离的一组测试受试者的一组动脉压波形数据建立的，所述第三多元统计模型提供所述受试者的高动力和分离的心血管参数的值；和

如果所述受试者的外周动脉压未被确定为与所述受试者的中央主动脉压分离或所述受试者未被确定为是高动力的，那么将第四多元统计模型应用于所述动脉压波形数据，从而确定所述受试者的正常心血管参数，所述第四多元统计模型是根据来自具有正常血液动力状态的一组测试受试者的一组动脉压波形数据建立的，所述第四多元统计模型提供所述受试者的正常心血管参数的值。

18.一种测量高动力受试者和非高动力受试者的心血管参数的方法，其包含：

提供来自受试者的动脉压波形数据；

将第一多元统计模型应用于所述动脉压波形数据，从而确定所述受试者的外周动脉压是否与所述受试者的中央主动脉压分离，所述第一多元统计模型是根据来自经历外周动脉压与中央主动脉压之间分离的第一组测试受试者的第一组动脉压波形数据和来自未经历外周动脉压与中央主动脉压之间分离的第二组测试受试者的第二组动脉压波形数据建立的，所述第一多元统计模型提供对应于所述第一组动脉压波形数据的动脉压波形的第一分离值和所述第二组动脉压波形数据的动脉压波形的第二分离值的分离输出值，其中如果所述分离输出值大于所述第一分离值和所述第二分离值之间的分离阈值，那么所述受试者的外周动脉压被确定为与所述受试者的中央主动脉压分离；

如果所述受试者的外周动脉压被确定为与所述受试者的中央主动脉压分离，那么将第二多元统计模型应用于所述动脉压波形数据，从而确定所述受试者是否是高动力的，所述第二多元统计模型是根据来自第一组高动力受试者的第一组动脉压波形数据和来自第二组非高动力受试者的第二组动脉压波形数据建立的，所述第二多元统计模型提供对应于所述第一组动脉压波形数据的动脉压波形的第一高动力值和所述第二组动脉压波形数据的动脉压波形的第二高动力值的高动力输出值，其中如果所述高动力输出值大于或等于所述第一高动力建立值和第二高动力建立值之间的高动力阈值，那么所述受试者被确定为是高动力的；

如果所述受试者被确定为是高动力的，那么将第三多元统计模型应用于所述动脉压波形数据，从而确定所述受试者的高动力和分离的心血管参数，所述第三多元统计模型是根据来自正在经历高动力状态和中央动脉压与外周动脉压之间分离的一组测试受试者的一组动脉压波形数据建立的，所述第三多元统计模型提供所述受试者的高动力和分离的心血管参数的值；和

如果所述受试者的外周动脉压未被确定为与所述受试者的中央主动脉压分离或所述受试者未被确定为是高动力的，那么将第四多元统计模型应用于所述动脉压波形数据，从而确定所述受试者的正常心血管参数，所述第四多元统计模型是根据来自具有正常血液动力状态的一组测试受试者的一组动脉压波形数据而建立的，所述第四多元统计模型提供所述受试者的正常心血管参数的值。

19.根据权利要求16、17或18中任一项所述的方法，其中所述高动力和分离的心血管参数表明出现血管舒张。

20.根据权利要求16、17或18中任一项所述的方法，其中所述高动力和分离的心血管参数表明出现血管收缩。

21.根据权利要求16、17或18中任一项所述的方法，其中所述高动力和分离的心血管参数表明出现高动力心血管状态。

22.根据权利要求16、17或18中任一项所述的方法，其中所述高动力和分离的心血管参数表明所述外周动脉压与所述中央主动脉压高动力分离。

23.根据权利要求16、17或18中任一项所述的方法，其中所述高动力和分离的心血管参数表明所述外周动脉压低于所述中央主动脉压。

24.根据权利要求16、17或18中任一项所述的方法，其中所述高动力和分离的心血管参数表明所述外周动脉压与所述中央主动脉压不成比例。

25.根据权利要求16或17中任一项所述的方法，其中确定所述受试者的外周动脉压是否是与所述受试者的中央主动脉压分离，包含将第一多元统计模型应用于所述动脉压波形数据，从而确定所述受试者的外周动脉压是否与所述受试者的中央主动脉压分离，所述第一多元统计模型是根据来自经历外周动脉压和中央主动脉压之间分离的第一组测试受试者的第一组动脉压波形数据和来自未经历外周动脉压和中央主动脉压之间分离的第二组测试受试者的第二组动脉压波形数据建立的，所述第一多元统计模型提供对应于所述第一组动脉压波形数据的动脉压波形的第一值和所述第二组动脉压波形数据的动脉压波形的第二值的分离输出值，其中如果所述分离输出值大于所述第一值和所述第二值之间的分离阈值，那么所述受试者的外周动脉压被确定为与所述受试者的中央主动脉压分离。

26.根据权利要求25所述的方法，其中所述第一多元统计模型基于包含受外周动脉分离影响的一个或多于一个参数的一组因素。

27.根据权利要求16或17中任一项所述的方法，其中确定受试者是否是高动力的包含将第二多元统计模型应用于所述动脉压波形数据，所述第二多元统计模型是根据来自第一组高动力受试者的第一组动脉压波形数据和来自第二组非高动力受试者的第二组动脉压波形数据建立的，所述第二多元统计模型提供对应于所述第一组动脉压波形数据的动脉压波形的第一值和所述第二组动脉压波形数据的动脉压波形的第二值的高动力输出值，其中如果所述高动力输出值大于或等于所述第一值和第二值之间的高动力阈值，那么所述受试者被确定为是高动力的。

28.根据权利要求27所述的方法，其中所述第二多元统计模型基于包括受所述高动力状态影响的一个或多于一个参数的一组因素。

29.根据权利要求2、18或25中任一项所述的方法，其中所述第一值大于所述第二值。

30.根据权利要求2、18或25中任一项所述的方法，其中所述第一值是正数，所述第二值是负数。

31.根据权利要求2、18或25中任一项所述的方法，其中所述第一值是+100，所述第二值是-100。

32.根据权利要求2、18或25中任一项所述的方法，其中所述阈值是0。

33.根据权利要求2、18或25中任一项所述的方法，其中所述分离阈值是所述第一分离值和所述第二分离值的平均值。

34.根据权利要求2、18或25中任一项所述的方法，所述分离阈值是分离的阈值范围，如果所述分离输出值在所述分离阈值范围内，那么结果是不确定的，并利用来自所述受试者的额外的动脉压波形数据重复所述方法。

35.根据权利要求16所述的方法，其中所述第三多元统计模型是根据来自经历高动力状态和中央动脉压与外周动脉压之间分离的一组测试受试者的一组动脉压波形数据建立的，所述第三多元统计模型提供所述受试者的高动力和分离的心血管参数的值。

36.根据权利要求16所述的方法，其中所述第四多元统计模型是根据来自具有正常血液动力状态的一组测试受试者的一组动脉压波形数据建立的，所述第四多元统计模型提供所述受试者的正常心血管参数的值。

37.根据权利要求35或36中任一项所述的方法，其中所述多元统计模型基于包括受所述心血管参数影响的一个或多于一个参数的一组因素。

38.根据权利要求5、7、26、28或37中任一项所述的方法，其中所述一个或多于一个参数是从由以下参数组成的组中选择的(a)基于一组动脉压波形数据的脉搏搏动标准差的参数，(b)基于一组动脉压波形数据的R到R区间的参数，(c)基于一组动脉压波形数据的心脏收缩部分下的区域的参数，(d)基于一组动脉压波形数据的心脏收缩持续时间的参数，(e)基于一组动脉压波形数据的心脏舒张持续时间的参数，(f)基于一组动脉压波形数据的平均动脉压的参数，(g)基于一组动脉压波形数据的压力加权标准差的参数，(h)基于一组动脉压波形数据的压力加权平均的参数，(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数，(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数，(k)基于一组动脉压波形数据的压力加权偏度的参数，(l)基于一组动脉压波形数据的压力加权峰度的参数，和(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数。

39.根据权利要求16、17或18所述的方法，其中所述受试者的高动力心血管参数是通过利用以下步骤应用所述第三多元统计模型来确定的：

确定与表示血压参数的一组临床获取的参考测量值有关的逼近函数，所述血压参数依赖所述心血管参数，所述逼近函数是至少以下参数的函数：(a)基于所述动脉压波形数据的标准差的参数，(b)基于所述受试者的心率的参数，(c)基于所述动脉血压信号的心脏收缩部分下的区域的参数，(d)基于心脏收缩的持续时间的参数，(e)基于所述心脏收缩的持续时间与心脏舒张的持续时间的比率的参数，(f)基于一组动脉压波形数据的平均动脉压的参数，(g)基于一组动脉压波形数据的压力加权标准差的参数，(h)基于一组动脉压波形数据的压力加权平均的参数，(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数，(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数，(k)基于一组动脉压波形数据的压力加权偏度的参数，(l)基于一组动脉压波形数据的压力加权峰度的参数，(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数，和(n)基于所述受试者的身体表面面积的参数，并且一组临床确定的参考测量值表示依赖来自经历高动力状态的受试者的心血管参数的血压参数；

确定来自所述动脉血压波形数据的一组动脉血压参数，所述一组动脉血压参数至少包括(a)基于所述动脉压波形数据的标准差的参数，(b)基于所述受试者的心率的参数，(c)基于所述动脉血压信号的心脏收缩部分下的区域的参数，(d)基于心脏收缩的持续时间的参数，(e)基于所述心脏收缩的持续时间与心脏舒张的持续时间的比率的参数，(f)基于一组动脉压波形数据的平均动脉压的参数，(g)基于一组动脉压波形数据的压力加权标准差的参数，(h)基于一组动脉压波形数据的压力加权平均的参数，(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数，(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数，(k)基于一组动脉压波形数据的压力加权偏度的参数，(l)基于一组动脉压波形数据的压力加权峰度的参数，(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数，和(n)基于所述受试者的身体表面面积的参数；和

通过用所述一组动脉血压参数评估所述逼近函数，来估计所述受试者的高动力心血管参数。

40.根据权利要求16、17或18任一项所述的方法，其中所述受试者的正常的心血管参数是通过利用以下步骤应用所述第四多元统计模型来确定的：

确定与表示依赖所述心血管参数的血压参数的一组临床获取的参考测量值有关的逼近函数，所述逼近函数是至少以下参数的函数：(a)基于所述动脉压波形数据的标准差的参数，(b)基于所述受试者的心率的参数，(c)基于所述动脉血压信号的心脏收缩部分下的区域的参数，(d)基于心脏收缩的持续时间的参数，(e)基于所述心脏收缩的持续时间与心脏舒张的持续时间的比率的参数，(f)基于一组动脉压波形数据的平均动脉压的参数，(g)基于一组动脉压波形数据的压力加权标准差的参数，(h)基于一组动脉压波形数据的压力加权平均的参数，(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数，(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数，(k)基于一组动脉压波形数据的压力加权偏度的参数，(l)基于一组动脉压波形数据的压力加权峰度的参数，(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数，和(n)基于所述受试者的身体表面面积的参数，以及一组临床确定的参考测量值表示依赖来自经历正常血液动力状态的受试者的所述心血管参数的血压参数；

确定来自所述动脉血压波形数据的一组动脉血压参数，所述一组动脉血压参数至少包括(a)基于所述动脉压波形数据的标准差的参数，(b)基于所述受试者的心率的参数，(c)基于所述动脉血压信号的心脏收缩部分下的区域的参数，(d)基于心脏收缩的持续时间的参数，(e)基于所述心脏收缩的持续时间与心脏舒张的持续时间的比率的参数，(f)基于一组动脉压波形数据的平均动脉压的参数，(g)基于一组动脉压波形数据的压力加权标准差的参数，(h)基于一组动脉压波形数据的压力加权平均的参数，(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数，(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数，(k)基于一组动脉压波形数据的压力加权偏度的参数，(l)基于一组动脉压波形数据的压力加权峰度的参数，(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数，和(n)基于所述受试者的身体表面面积的参数；和

通过用所述一组动脉血压参数评估所述逼近函数，来估计所述受试者的正常血液动力的心血管参数。

41.根据权利要求1、16、17、18、39或40中任一项所述的方法，其中所述心血管参数是动脉顺应性。

42.根据权利要求1、16、17、18、39或40中任一项所述的方法，其中所述心血管参数是动脉弹性。

43.根据权利要求1、16、17、18、39或40中任一项所述的方法，其中所述心血管参数是外周阻力。

44.根据权利要求1、16、17、18、39或40中任一项所述的方法，其中所述心血管参数是动脉紧张度。

45.根据权利要求1、16、17、18、39或40中任一项所述的方法，其中所述心血管参数是动脉血流量。

46.根据权利要求1、16、17、18、39或40中任一项所述的方法，其中所述心血管参数是心搏排血量。

47.根据权利要求1、16、17、18、39或40中任一项所述的方法，其中所述心血管参数是心输出量。

48.根据权利要求1、16、17或18中任一项所述的方法，其中来自所述受试者的所述动脉压波形数据被连续提供并且被连续分析。

Images