CN102397064A - 连续血压测量装置 - Google Patents

Abstract

本发明提供了一种连续血压测量装置，该装置测量血压时首先从提取的大量特征中，经过特征选择，选出用于血压方程估计的特征，将其送入决策系统，从血压方程组中确定出用于估计血压的方程；然后利用特征选择从特征提取中所提取的特征中选出用于估计血压方程系数的特征，通过统计估计、数值计算等方法估计血压方程系数；最后利用特征选择从特征提取中所提取的特征中选出用于估计血压的特征，将其代入血压方程进行血压估计。该方法利用基于多特征的脉搏波速法和创建血压方程组的方法，利用人工智能和模式识别等方法进行血压估计，不仅进一步提高了血压估计得测量精度，而且避免了烦琐的参数标定过程。

Description

连续血压测量装置

技术领域

本发明涉及一种连续血压测量装置，更具体涉及一种利用心电信号和光电容积波信号的多种参数对基于脉搏波速法血压测量方程中的参数和收缩压、舒张压和平均压进行估计的连续血压估计的装置。

背景技术

血压指血管内的血液对于单位面积血管壁的侧压力，即压强。它是反映心血管功能的重要生理参数，是诊断疾病、观察治疗效果、进行预告判断的重要依据。由于受身体状态、情绪、压力、运动和生理节律等多种因素影响，血压具有明显的波动性，因此单次测量血压具有偶然性，不能准确的反映出人体血压值和血压的变换情况。而连续测量血压不仅能反映出血压的变化和规律，还可以为预测心血管病的发病率和死亡率提供大量的生理信息，在临床及医学研究中具有重要的意义。

脉搏波速度法是根据脉搏波沿动脉传播速度与动脉血压之间具有正相关性的特点提出的，通过测量脉搏波速度(Pulse Wave Velocity，PWV)间接推算出动脉血压值。实际中脉搏波速度难于直接测量，可固定脉搏波传播距离，通过脉搏波传播时间确定动脉血压。

传统的脉搏波速度法通过采集光电容积波(Photoplethysmographic，PPG)和心电图(electrocardiogram，ECG)信号获得每搏PTT，即可计算出每搏血压。该方法是一种具有前景的连续血压测量方法，但该方法存在两个问题：(1)目前基于脉搏波速法的连续血压测量方法需要袖带和仪器校正血压测量方程。例如申请号为201110144051.8的中国专利申请采用了示波法测血压仪器对血压估计方程进行参数校正。(2)人体血压受多种因素影响，基于脉搏波速度法的连续血压测量受多种因素影响，其中包括觉醒或睡觉、活动等级、体位、情绪、环境温度、睡眠窒息症、咖啡因、酒精、心输出量、血管收缩性、终端阻抗、心负荷、测量姿势、测量部位、温度、传感器的选择等，仅采用PTT，利用方程测量的血压值不够准确。

发明内容

针对现有技术中的上述技术问题，本发明的目的在于提供一种检测基于脉搏波速法的血压方程组的参数的方法及应用该方法的连续血压测量装置，通过利用ECG和脉搏波两路信号，基于多参数修正脉搏波传播速度的方法估计连续血压。

本发明通过如下的技术方案实现。

一种基于多特征的脉搏波速法和血压方程组的连续血压测量方法，包括以下步骤：

(1)基于多特征的脉搏波速法和血压方程组的连续血压估计方法模型的建立过程，其包括

(1.1)ECG信号和脉搏波信号同步采集；

(1.2)ECG信号和脉搏波信号消噪；

(1.3)ECG和脉搏波信号特征点检测；

(1.4)ECG信号和脉搏波信号特征提取

(1.5)利用特征选择算法选出用于建立连续血压方程组的特征；

(1.6)建立基于多特征的脉搏波速法的连续血压方程组；

(1.7)利用提取的特征参数估计连续血压方程组中的参数，所述连续血压方程组中的参数包括需要标定的参数；

(2)基于多特征的脉搏波速法和连续血压方程组的连续血压估计过程，其包括

(2.1)ECG信号和脉搏波信号同步采集；

(2.2)ECG信号和脉搏波信号消噪；

(2.3)ECG和脉搏波信号特征点检测；

(2.4)ECG信号和脉搏波信号特征提取；

(2.5)利用特征选择算法选出用于选择连续血压方程的连续血压方程选择特征；

(2.6)利用步骤(2.5)中选择出的连续血压方程选择特征进行连续血压方程选择，选择出用于估计血压的方程；

(2.7)利用特征选择算法选出用于估计步骤(2.6)中选择出的方程中的参数的特征；

(2.8)利用步骤(2.7)中选择出的特征估计用于估计血压的方程中的参数，所述用于估计血压的方程中的参数包括需要标定的参数；

(2.9)利用特征选择算法选出用于估计血压的特征；

所述选出的用于估计血压的特征和脉搏波传播时间共同用于估计人体的收缩压、舒张压和/或平均压。

优选地，所述特征点的检测包括采用三样条小波检测ECG信号的R波峰值，并且以R波的位置为基准搜索Q波、S波的峰值。

优选地，所述特征参数包括心率变异性、ECG波形变异性、脉搏波主波高度、主波上升时间、重搏波高度、重搏波相对高度、降中峡高度、降中峡相对高度和/或每搏心输出量。

优选地，所述特征参数包括ECG信号和脉搏波信号的解析特征、表象特征、变换域特征和融合特征，或者解析特征、表象特征、变换域特征、融合特征的任意组合。

通过采用以上技术方案，本发明从ECG信号和脉搏波信号中提取多参数特征，利用有效的特征参数估计脉搏波速法中标定的参数，并利用多特征参数和脉搏波速法共同估计连续血压，从而避免参数标定的繁琐，也能进一步提高无创连续血压测量的精度。

附图说明

图1是根据本发明的连续血压测量装置的测量流程图。

图2a-2d是典型的ECG信号特征参数示意图。

图3和图4是典型光电容积波及其特征参数示意图。

图5是根据本发明的一种实施方式的血压估计流程图。

具体实施方式

下面结合附图描述根据本发明的连续血压测量方法的优选实施方式。

根据本发明的连续血压测量装置利用ECG和脉搏波两路信号，基于多参数的脉搏波速法和血压方程组的方法估计连续血压。通过从ECG信号和光电容积波信号中提取多参数特征，通过特征选择建立不同类型人的基于多参数的脉搏波速法的血压方程组。该方法从提取的大量特征中通过三次特征选择该方法选出用于估计血压的特征、估计血压方程系数(包括标定参数)的特征和血压方程选择的特征。该装置测量血压时首先从提取的大量特征中，经过特征选择，选出用于血压方程估计的特征，将其送入决策系统，从血压方程组中确定出用于估计血压的方程；然后利用特征选择从特征提取中所提取的特征中选出用于估计血压方程系数的特征，通过统计估计、数值计算等方法估计血压方程系数；最后利用特征选择从特征提取中所提取的特征中选出用于估计血压的特征，将其代入血压方程进行血压估计。该方法利用基于多参数的脉搏波速法和创建血压方程组的方法，利用人工智能和模式识别等方法进行血压估计，不仅进一步提高了血压估计得测量精度，而且避免了烦琐的参数标定过程。图1是根据本发明的连续血压测量装置的测量过程的流程图，该测量过程包括如下步骤。

(1)基于多特征的脉搏波速法和血压方程组的连续血压估计方法模型的建立过程，其包括

(1.1)ECG信号和脉搏波信号同步采集；

(1.2)ECG信号和脉搏波信号消噪；

(1.3)ECG和脉搏波信号特征点检测；

(1.4)ECG信号和脉搏波信号特征提取

(1.5)利用特征选择算法选出用于建立连续血压方程组的特征；

(1.6)建立基于多特征的脉搏波速法的连续血压方程组；

(1.7)利用提取的特征参数估计连续血压方程组中的参数，所述连续血压方程组中的参数包括需要标定的参数；

(2)基于多特征的脉搏波速法和连续血压方程组的连续血压估计过程，其包括

(2.1)ECG信号和脉搏波信号同步采集；

(2.2)ECG信号和脉搏波信号消噪；

(2.3)ECG和脉搏波信号特征点检测；

(2.4)ECG信号和脉搏波信号特征提取；

(2.5)利用特征选择算法选出用于选择连续血压方程的连续血压方程选择特征；

(2.6)利用步骤(2.5)中选择出的连续血压方程选择特征进行连续血压方程选择，选择出用于估计血压的方程；

(2.7)利用特征选择算法选出用于估计步骤(2.6)中选择出的方程中的参数的特征；

(2.8)利用步骤(2.7)中选择出的特征估计用于估计血压的方程中的参数，所述用于估计血压的方程中的参数包括需要标定的参数；

(2.9)利用特征选择算法选出用于估计血压的特征；

(2.10)利用步骤(2.9)中选出的用于估计血压的多特征和脉搏波传播时间共同估计人体的收缩压、舒张压、平均压。

本发明利用牛津仪器公司的Medilog AR12(holter)进行心电采集，采样频率为1024Hz，量化为16bit。当然，利用其他仪器、或采用不同的采样频率和比特率也可以。

根据本发明，可以在人体的左手手指和右手手指之间采集ECG信号，例如可采用银-氯化银纽扣电极进行ECG信号采集，其中将两个电极分别置于双手的食指上。采集的ECG信号经过高增益的差分放大器进行处理。所述差分放大器的可变增益可设置为2000，带宽设置为1-100Hz，采用陷波器滤除电力线干扰，信号采样用1000Hz、12bit的模数转化器。采集的ECG信号经前端放大器、运算放大器、滤波电路、A/D转换器后以数字方式存储于ECG存储电路中。

在本发明中，可采用一导联心电信号或多导联心电信号进行测量，其中的导联包括：医用12导联、Einthoven导联体系、Frank导联体系、加压肢体导联、心电Holter导联体系、航天导联(包括胸剑、胸腋导联)等。

为了得到脉搏波信号，在采集ECG信号的同时采集光电容积波信号，采集人体桡动脉、肱动脉、颈动脉、耳朵(耳垂)、手指、手腕上的光电容积波信号。在上述ECG信号采集步骤中，在人体的左手手指和右手手指、左手手掌和右手手掌、左手手腕和右手手腕之间采集ECG信号。

在采集ECG信号的同时采集光电容积波信号，采集人体桡动脉、肱动脉、颈动脉、耳朵(耳垂)、手指、手腕上的光电容积波信号。

本发明的方法将ECG信号和包括心音、血压、压力脉搏波、光电容积波、血氧、毛孔、体温、皮肤湿度、皮肤阻抗、血氧饱和度特征或其他人体特征一种或多种任意组合起来进行连续血压测量。

在ECG信号预处理步骤中，采用基于Hilbert-Huang变换和自适应阈值的形态学滤波方法对ECG信号进行滤波。

特征点检测步骤中采用三样条小波检测ECG信号的R波峰值，并且以R波的位置为基准搜索Q波、S波的峰值。

特征参数提取

血压与脉搏波传播时间、动脉顺应性、血管阻力、心输出量和每搏输出量有关。因此本发明从ECG和光电容积波中提取特征参数，提取的特征参数包括连续血压方程选择的特征参数、血压方程估计的特征参数和血压方程标定的特征参数。

提取的特征除了心率变异性、ECG波形变异性、脉搏波主波高度、主波上升时间、重搏波高度、重搏波相对高度、降中峡高度、降中峡相对高度、每搏心输出量等外，还提取解析特征、表象特征、变换域特征和融合特征等。

(1)解析特征

基于解析特征是指利用ECG和光电容积波波形的幅度、间期、面积、角度等几何参量为特征。

其中如图2a所示，图中实线为ECG，虚线为PPG，ECG信号R波峰值与PPG信号峰值之间的时间间隔即为PTT。

本发明提取的ECG信号特征如图2b-2d和表1所示。

表1 解析特征列表

本发明采用的PPG参数除了RI(公式1)、SI(公式2)、K值(公式3)等外，还提出了6种新指标如下，分别为：AmBE(公式6)、DfAmBE(公式7)、g(公式8)、LeBA(公式9)、TmCpt(公式10)和RtH(公式11)。关于上述9种PPG信号特征解释见下文。

RI为反射系数外RI越大，反射波通常越强，血管弹性一般越好；SI为硬度系数，SI越大，则DT一般越小、脉搏波速一般越高，因此血管壁硬度一般越高。罗志昌等研究发现：当外周阻力较低或血管壁弹性较好时，K值一般较小；反之，外周阻力与血管壁硬化程度增加时，K值一般也增大；通常K越小，脉搏波所受阻力越小。

RI＝b/a            (1)

其中a为主波的幅值，b为重搏波的幅值。

SI＝h/DT           (2)

其中h为被试者的身高。

$K=\frac{P_m-P_d}{P_s-P_d}---\left(3\right)$

其中Ps为收缩压，Pd为舒张压，Pm为平均压。

无论是SI还是RI，都与D点的精确定位有关。当血管外周阻力过大时，重搏波往往不明显甚至不可分辨，此时D点的准确定位十分困难。另外，K值是一个宏观值，不能细致追踪波形形态的变化，且不同形态的PPG波形可能对应同一个K值。

本文定义了六种衡量PPG波形变化的新指标，并参照K值变化规律发现了这些指标的变化规律。令PPg上A点横坐标为Ax，其它特征点坐标形式亦然。参照图2a-2c，定义特征点Ex与Fx。

E_x＝B_x+100ms      (4)

F_x＝C_x+160ms      (5)

AmBE：AmBE为脉搏波BE段曲线以E点幅度为参照的平均幅值，

$\mathrm{AmBE}=\frac{1}{m}\underset{i=B_x}{\overset{E_x}{\mathrm{\Σ}}}(\mathrm{ppg}\left(i\right)-\mathrm{ppg}\left(E_x\right))---\left(6\right)$

其中M＝length(Bx:Ex)。AmBE越大，脉搏波的BE段曲线越陡峭，血管壁弹性越好或脉搏波所受阻力越小。

DfAmBE：DfAmBE为脉搏波BE段曲线的差分均值。

$\mathrm{DfAmBE}=\frac{1}{K}\underset{{i=B}_x}{\overset{E_x-1}{\mathrm{\Σ}}}(\mathrm{ppg}\left(i\right)-\mathrm{ppg}(i+1))---\left(7\right)$

其中K＝length(Bx:Ex-1)。DfAmBE越大，脉搏波的BE段曲线越陡峭，血管壁弹性越好或脉搏波所受阻力越小。

g：g为BA’线段与脉搏波曲线在C点处的幅度差值。

g＝f_BA′(C_x)-ppg(C_x)            (8)

g越大，C相对位置越低，血管壁弹性越好或脉搏波所受阻力越小。

LeBA：LeBA是脉搏波BA’曲线的线性拟合误差。

$\mathrm{LeBA}=\sqrt{\frac{1}{N}\underset{i=B_x}{\overset{E_x}{\mathrm{\Σ}}}{(\mathrm{ppg}\left(i\right)-f_{B1}\left(i\right))}^2}---\left(9\right)$

其中N＝length(Bx:Ax’)。LeBA越大，BA’曲线的线性趋势越小，血管壁弹性越好或脉搏波所受阻力越小。

TmCpt：TmCpt为脉搏波CF段曲线中，高于C点的累计时间。

$\{\mathrm{TmCpt}=\frac{T}{F_S}|T=\underset{i=C_x}{\overset{F_x}{\mathrm{\Σ}}}\mathrm{ppg}\left(i\right)>\mathrm{ppg}\left(C_x\right)\}---\left(10\right)$

TmCpt越大，脉搏波的重搏波越明显，血管壁弹性越好或脉搏波所受阻力越小。

RtH：RtH为重搏波谷点相对幅度与主波峰点相对幅度的比值。

RtH＝h₂/h₁                     (11)

RtH越小，血管壁弹性越好或脉搏波所受阻力越小。

如图3-4所示，典型脉搏波的主要特征为：(1)升支(A-B)：心脏收缩时，左心室向主动脉射血，引起主动脉血压迅速上升，主动脉血流量增大。(2)降支(B-C)：左心室射血后期，由于射血速度减慢，主动脉根部流入血量低于向外周流出血量时，压力随之下降，主动脉管弹性回缩形成。A-B-C段的曲线构成主波，其幅值和形态与心脏的射血功能和主动脉压力变化有关。(3)降中峡(C)：出现在主动脉瓣关闭的瞬间，其幅值受外周阻力和主动脉瓣功能的影响：当外周阻力增高时，降中峡抬高，反之降低。(4)重搏波(D)：是降中峡后的一个小波。心舒期开始时，主动脉瓣忽然关闭，外周返流血液引起血管扩张。

在所述连续血压测量方法中，提取的特征包括脉搏波传导时间、心率变异性、ECG波形变异性、脉搏波主波高度、主波上升时间、重搏波高度、重搏波相对高度、降中峡高度、降中峡相对高度、每搏心输出量、脉搏波传导时间、K值、面积、脉搏波降中峡的相对高度h/H、重搏波的相对高度g/H、反映每搏心输出量的H(1+ts/td)、脉搏波上升时间，血容积、血容积变化率、变化斜率、最大幅值、最小幅值、时间间期、脉率，升支(A-B)，降支(B-C)，A-B-C段的曲线构成主波，其幅值和形态，降中峡(C)：，重搏波(D)，RI(公式1)，SI(公式2)，K值(公式3)，AmBE，DfAmBE，g，LeBA，TmCpt，RtH等。年龄、性别、身高、腿长、臂长、体重、臂周长、身体质量指数(bodymass index，BMI)和体脂(body fat)中的一个或多个作为连续血压测量方法提取的特征向量。

在特征提取步骤中，提取的特征参数除包括ECG信号和脉搏波信号的解析特征、表象特征、变换域特征、融合特征，还包括解析特征、表象特征、变换域特征、融合特征的任意组合。

所述解析特征包括ECG信号和脉搏波信号的整个周期波形、多个周期波形的平均、周期波形的幅度、间期、面积、周长或角度，或者这些几何特征的任意组合。

所述表象特征包括将ECG信号和脉搏波信号的解析特征通过主成分分析法、线性判别式法或者KL变换方法变换后的特征。

所述变换域特征包括将ECG信号的解析特征通过小波变换、傅立叶变换、希尔伯特变换或者余弦变换进行处理后在变换域上提取的特征。

所述融合特征包括将上述解析特征、表象特征、变换域特征和1个或多个特征采用数据融合方法进行数据融合提取的特征。

所述特征融合算法包括古典概型、贝叶斯推理、聚类算法、信息论方法、主成分分析、最优化理论、人工神经网络理论、模糊理论、粗糙集理论和D-S证据理论。

特征选择过程包括利用不同的特征选择方法或相同的特征选择方法从特征提取过程提取的特征中选出用于选择连续血压方程的连续血压方程选择特征、用于连续血压方程中的参数和需要标定的参数的特征，和连续血压估计的特征。其利用的特征选择方法包括聚类方法、互信息特征选择方法、贝叶斯分类器、模板匹配方法、神经网络方法、距离判别法、主元素分析法、线性判别分析法、K阶邻接距法、支持矢量机法、人工智能法、模糊数学法、遗传算法、决策树法、统计决策法、Fisher判别法、相关系数阈值法、对数似然比、类别信息特征选择方法、改进遗传算法的支持向量机特征选择方法、基于可分性判据的特征选择方法、信息论方法、KL变换、独立成分分析和最优化理论。

特征选择利用特征选择选取用于估计血压的特征过程中，所选估计血压特征要求和对应的血压值具有某种函数关系。即剔除那些不能反映血压值变化的特征。

所述特征选择中利用特征提取中的多种特征进行特征选择，并利用特征选择方法、回归分析等统计方法和数值分析方法选出血压方程系数特征(包括需要标定的特征)、血压方程估计特征和血压方程选择特征。采用的特征选择方法包括分支定界法、穷举法。

上述提取的特征利用分支定界法进行特征选择，选出血压方程系数参数特征、血压方程估计特征和血压方程选择特征。基于分支定界法中选用的类别可分性判据包括：基于类内、类间协方差阵的可分性判据、基于几何距离的可分性判据、基于类的概率密度函数的可分性判据、基于后验概率的可分性判据。

J_d(x)＝Tr(S_b)/Tr(S_w)

还可构造如下可分性判据：

$J_1=\mathrm{Tr}\left[S_W^{-1}{S}_B\right]$

$J_2=\frac{\left|S_B\right|}{\left|S_W\right|}$

$J_3=\frac{\mathrm{Tr}\left[S_B\right]}{\mathrm{Tr}\left[S_W\right]}$

$J_4=\frac{|S_W+S_B|}{\left|S_W\right|}=\frac{\left|S_T\right|}{\left|S_W\right|}$

分别为ω_i、ω_j类中的特征向量，

为它们之间的距离，C为类别数；N_i、N_j分别为类的样本数；P_i、P_j是相应的先验概率，m_i表示第i类样本集特征的均值，m表示所有各类样本集特征的总平均向量：

$m_i=\frac{1}{N_i}\underset{i=1}{\overset{N_i}{\mathrm{\Σ}}}{x}_k^{\left(i\right)}$

$m=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{P}_i{m}_i$

类内离差矩阵：

$S_{\mathrm{\ω}}=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{P}_i\frac{1}{N_i}\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}(x_k^{\left(l\right)}-m_i){(x_k^{\left(l\right)}-m_i)}^T$

类间离差距阵：

$S_b=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{P}_i(m_i-m){(m_i-m)}^T$

在连续血压方程创建过程中，利用特征选择提取出的多特征为因变量建立多种基于脉搏波速法的血压方程。建立的血压方程中所提取特征与血压之间的关系包括指数关系、对数关系、反比例关系、线性关系、高阶线性关系、非线性关系和高阶非线性关系，所建立的血压方程包括以下方程：

X_i为某一特征，a_ij为某一系数，i∈N，j∈Z(1)

$P=\underset{i=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}(\underset{j=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{X}_i^j+\underset{j=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{b}_{\mathrm{ij}}{\ln }^{X_i^j}+\underset{j=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{c}_{\mathrm{ij}}{e}^{X_i^j})---\left(2\right)$ i，j∈Z，X_j为某一特征，a_ij，b_ij，c_ij为某一系数 $P=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{T}_j\left(\frac{{2X}_i-X_{i,\max }-X_{i,\min }}{X_{i,\max }-X_{i,\min }}\right)---(3-1)$

X_i为某一特征，a_ij为第i个特征的第j项系数，i∈Z，j∈Z，X_i，max和X_i，min分别为特征X_i可能出现的最大值和最小值

T_j(x)＝cos(j arccos x)，|x|≤1(3-2)

所建立的血压方程还可以包括如下方程：

BP＝a+b×T_PWT                     (1)

式中BP为动脉血压，a和b为标定参数，T_PWT的计算以R波峰值点为起始点，脉搏波起始处之后幅度上升25％处为结束点，其间隔时间即为T_PHT。

SBP＝C₃×lnPAT+C₂lnL+C₁×ZX+C₀    (2)

ZX为心舒张期中光电容积波次生波过零点的数量，PAT为R波峰值点到光电容积波峰值点的传播时间。L为从心脏到光电容积波传感器之间的动脉长度。C₀～C₃为标定参数。

$P_s=a+\frac{b}{{\mathrm{PTT}}^2}---\left(3\right)$

式中P_s为收缩压，a和b为标定参数。

i＝1，2，…，m(年龄)；j＝男性或女性(4)

式(4)为不同年龄和性别的血压测量模型，参量c通过实际测量获得，参数b_ij和k_ij为标定参数。

$\mathrm{DBP}=\frac{{\mathrm{SBP}}_0}{3}+\frac{{2\mathrm{DBP}}_0}{3}+A\ln \left(\frac{{\mathrm{PTT}}_{W_0}}{{\mathrm{PTT}}_W}\right)-\frac{({\mathrm{SBP}}_0-{\mathrm{DBP}}_0)}{3}\frac{{\mathrm{PTT}}_{W_0}^2}{{\mathrm{PTT}}_W^2}---(5-1)$

$\mathrm{SBP}=\mathrm{DBP}+({\mathrm{SBP}}_0-{\mathrm{DBP}}_0)\frac{{\mathrm{PTT}}_{W_0}^2}{{\mathrm{PTT}}_W^2}---(5-2)$

$\mathrm{MBP}=\frac{1}{3}\mathrm{SBP}+\frac{2}{3}\mathrm{DBP}---(5-3)$

式中PTT_W是加权的PTT，A为测试者个体独立特征系数，但可近似用于广谱人群，带“₀”符号的为标定参数。

P＝AlnPTT+B            (6)

式中A和B为标定参数。

$\begin{array}{cc}\mathrm{BP}=\underset{n=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{a}_n{T}_{\mathrm{PWT}}^n& n\∈Z\end{array}---\left(7\right)$

$\begin{array}{cc}P=\underset{n=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{a}_n{T}_{\mathrm{PWT}}^n+\underset{n=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{b}_n{\ln }^{T_{\mathrm{PWT}}^n}+\underset{n=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{c}_n{e}^{T_{\mathrm{PWT}}^n}& n\∈Z\end{array}---\left(8\right)$

在连续血压方程创建过程中，由于不同类型人的血压方程存在差异，并且标定系数不同。本发明拟根据不同类型人建立不同的血压方程。根据特征选择和数理统计及数值分析等方法选择不同的特征和参数，并研究标定参数和血压之间的关系，创建血压方程模板库，如下式(1)所示，下式(1)中的函数f()如下式(2)所示。

BP₁＝f(T_PWT，X₁，X₂，..，X_n)

BP₂＝f(T_PWT，Y₁，Y₂，...，Y_n)        (1)

.

.

.

BP_n＝f(T_PWT，Z₁，Z₂，...，Z_n)

$\begin{array}{c}\mathrm{BP}=f(T_{\mathrm{PWT}},X_1,X_2,...,X_n)=\underset{n=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{a}_n{T}_{\mathrm{PWT}}^n+\underset{n=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{b}_n{\mathrm{Ln}}^{T_{\mathrm{PWT}}^n}+\underset{n=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{c}_n{e}^{T_{\mathrm{PWT}}^n}+\underset{i=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}\underset{j=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{X}_i^j\end{array}---\left(2\right)$

X_i为某一特征，a_ij为某一系数，i∈N，j∈Z，n∈Z。

本发明还包括如下简化血压估计方法：

(1)基于多参数修正脉搏波传播速度法的连续血压估计方法模型的建立过程，其包括

(1.1)ECG信号和脉搏波信号同步采集；

(1.2)ECG信号和脉搏波信号消噪；

(1.3)ECG和脉搏波信号特征点检测；

(1.4)ECG信号和脉搏波信号特征提取；

(1.5)建立基于脉搏波速法的血压方程组或建立基于多特征的脉搏波速法的神经网络；

(1.6)利用提取的特征参数估计各个基于脉搏波速法的血压方程中的参数以及需要标定的参数或利用特征参数训练神经网络；

(2)基于多参数修正脉搏波传播速度法的连续血压估计过程，其包括

(2.1)ECG信号和脉搏波信号同步采集；

(2.2)ECG信号和脉搏波信号消噪；

(2.3)ECG和脉搏波信号特征点检测；

(2.4)提取脉搏波信号中的AmBE和斜率特征。

(2.5)将提取AmBE和斜率特征作为输入特征送入神经网络进行连续血压方程的选择；

(2.6)以PTT作为特征利用所述选择的连续血压的方程或基于多特征的脉搏波速法的神经网络共同估计人体的收缩压、舒张压和平均压。

其中血压方程可以采用神经网络方法，线性回归方法，也可以是如下方程：

BP＝a+b×T_PWT                     (1)

式中BP为动脉血压，a和b为标定参数，T_PWT的计算以R波峰值点为起始点，脉搏波起始处之后幅度上升25％处为结束点，其间隔时间即为T_PHT。

SBP＝C₃×lnPAT+C₂lnL+C₁×ZX+C₀    (2)

ZX为心舒张期中光电容积波次生波过零点的数量，PAT为R波峰值点到光电容积波峰值点的传播时间。L为从心脏到光电容积波传感器之间的动脉长度。C₀～C₃为标定参数。

$P_s=a+\frac{b}{{\mathrm{PTT}}^2}---\left(3\right)$

式中P_s为收缩压，a和b为标定参数。

i＝1，2，…，m(年龄)；j＝男性或女性(4)

式(4)为不同年龄和性别的血压测量模型，参量c通过实际测量获得，参数b_ij和k_ij为标定参数。

$\mathrm{DBP}=\frac{{\mathrm{SBP}}_0}{3}+\frac{{2\mathrm{DBP}}_0}{3}+A\ln \left(\frac{{\mathrm{PTT}}_{W_0}}{{\mathrm{PTT}}_W}\right)-\frac{({\mathrm{SBP}}_0-{\mathrm{DBP}}_0)}{3}\frac{{\mathrm{PTT}}_{W_0}^2}{{\mathrm{PTT}}_W^2}---(5-1)$

$\mathrm{SBP}=\mathrm{DBP}+({\mathrm{SBP}}_0-{\mathrm{DBP}}_0)\frac{{\mathrm{PTT}}_{W_0}^2}{{\mathrm{PTT}}_W^2}---(5-2)$

$\mathrm{MBP}=\frac{1}{3}\mathrm{SBP}+\frac{2}{3}\mathrm{DBP}---(5-3)$

式中PTT_W是加权的PTT，A为测试者个体独立特征系数，但可近似用于广谱人群，带“₀”符号的为标定参数。

P＝AlnPTT+B            (6)

式中A和B为标定参数。

$\begin{array}{cc}\mathrm{BP}=\underset{n=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{a}_n{T}_{\mathrm{PWT}}^n& n\∈Z\end{array}---\left(7\right)$

$\begin{array}{cc}P=\underset{n=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{a}_n{T}_{\mathrm{PWT}}^n+\underset{n=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{b}_n{\ln }^{T_{\mathrm{PWT}}^n}+\underset{n=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{c}_n{e}^{T_{\mathrm{PWT}}^n}& n\∈Z\end{array}---\left(8\right)$

在利用创建的血压方程估计血压过程中，首先利用提取的用于选择血压方程的多特征参数进行估计，选择用于估计血压的方程。在选择出用于估计血压的方程后，首先利用提出的特征估计血压方程参数和标定参数。在确定血压的方程后，利用提出的特征估计血压。

以上所述仅为本发明的较佳实施方式，并非用来限定本发明的实施范围；凡是依本发明所作的等同变化与修改，都在本发明的保护范围之内。

Claims (10)

1.一种基于多特征的脉搏波速法和血压方程组的连续血压测量方法，包括以下步骤：

(1)基于多特征的脉搏波速法和血压方程组的连续血压估计方法模型的建立过程，其包括

(1.1)ECG信号和脉搏波信号同步采集；

(1.2)ECG信号和脉搏波信号消噪；

(1.3)ECG和脉搏波信号特征点检测；

(1.4)ECG信号和脉搏波信号特征提取

(1.5)利用特征选择算法选出用于建立连续血压方程组的特征；

(1.6)建立基于多特征的脉搏波速法的连续血压方程组；

(1.7)利用提取的特征参数估计连续血压方程组中的参数，所述连续血压方程组中的参数包括需要标定的参数；

(2)基于多特征的脉搏波速法和连续血压方程组的连续血压估计过程，其包括

(2.1)ECG信号和脉搏波信号同步采集；

(2.2)ECG信号和脉搏波信号消噪；

(2.3)ECG和脉搏波信号特征点检测；

(2.4)ECG信号和脉搏波信号特征提取；

(2.5)利用特征选择算法选出用于选择连续血压方程的连续血压方程选择特征；

(2.6)利用步骤(2.5)中选择出的连续血压方程选择特征进行连续血压方程选择，选择出用于估计血压的方程；

(2.7)利用特征选择算法选出用于估计步骤(2.6)中选择出的方程中的参数的特征；

(2.8)利用步骤(2.7)中选择出的特征估计用于估计血压的方程中的参数，所述用于估计血压的方程中的参数包括需要标定的参数；

(2.9)利用特征选择算法选出用于估计血压的特征；

所述选出的用于估计血压的特征和脉搏波传播时间共同用于估计人体的收缩压、舒张压和/或平均压。

2.根据权利要求1所述的方法，其特征在于，所述特征点的检测包括采用三样条小波检测ECG信号的R波峰值，并且以R波的位置为基准搜索Q波、S波的峰值。

3.根据权利要求1所述的方法，其特征在于，所述特征提取所提取的特征包括心率变异性、ECG波形变异性、脉搏波主波高度、主波上升时间、重搏波高度、重搏波相对高度、降中峡高度、降中峡相对高度和/或每搏心输出量。

4.根据权利要求1所述的方法，其特征在于，所述特征提取所提取的特征包括脉搏波传导时间、心率变异性、ECG波形变异性、脉搏波主波高度、主波上升时间、重搏波高度、重搏波相对高度、降中峡高度、降中峡相对高度、每搏心输出量、脉搏波传导时间、K值、面积、脉搏波降中峡的相对高度h/H、重搏波的相对高度g/H、反映每搏心输出量的H(1+ts/td)、脉搏波上升时间、血容积、血容积变化率、变化斜率、最大幅值、最小幅值、时间间期、脉率、升支、降支、主波幅值和形态、降中峡、重搏波、RI、SI、K值、AmBE、DfAmBE、g、LeBA、TmCpt、RtH、年龄、性别、身高、腿长、臂长、体重、臂周长、身体质量指数和体脂中的一个或多个组成的特征向量。

5.根据权利要求1所述的方法，其特征在于，所述特征提取所提取的特征包括ECG信号和脉搏波信号的解析特征、表象特征、变换域特征和融合特征，或者解析特征、表象特征、变换域特征、融合特征的任意组合。

6.根据权利要求5所述的方法，其特征在于，所述解析特征包括ECG信号和脉搏波信号的整个周期波形、多个周期波形的平均、周期波形的幅度、间期、面积、周长、角度、ECG信号和脉搏波信号之间的间期、幅度差、两个信号之间围成的面积、周长或角度，或者这些几何特征的任意组合；

所述表象特征包括将ECG信号和脉搏波信号的解析特征通过主成分分析法、线性判别式法或者KL变换方法变换后的特征；

所述变换域特征包括将ECG信号和脉搏波信号的解析特征通过小波变换、傅立叶变换、希尔伯特变换或者余弦变换进行处理后在变换域上提取的特征；

所述融合特征包括将上述解析特征、表象特征、变换域特征分别构建特征向量，然后采用数据融合方法提取特征。

7.根据权利要求1所述的方法，其特征在于，所述特征选择算法包括分支定界法。

8.根据权利要求1所述的方法，其特征在于，所述选择出的用于估计血压的特征是和对应的血压值具有函数关系的特征。

9.一种连续血压测量装置，包括：

传感器系统，用于采集ECG信号和脉搏波信号；

决策系统，其被配置为能够执行以下步骤：

(1)基于多特征的脉搏波速法和血压方程组的连续血压估计方法模型的建立过程，其包括

(1.1)ECG信号和脉搏波信号同步采集；

(1.2)ECG信号和脉搏波信号消噪；

(1.3)ECG和脉搏波信号特征点检测；

(1.4)ECG信号和脉搏波的信号特征提取

(1.5)利用特征选择算法选出用于建立连续血压方程组的特征；

(1.6)建立基于多特征的脉搏波速法的连续血压方程组；

(1.7)利用提取的特征参数估计连续血压方程组中的参数，所述连续血压方程组中的参数包括需要标定的参数；

(2)基于多特征的脉搏波速法和连续血压方程组的连续血压估计过程，其包括

(2.1)ECG信号和脉搏波信号同步采集；

(2.2)ECG信号和脉搏波信号消噪；

(2.3)ECG和脉搏波信号特征点检测；

(2.4)ECG信号和脉搏波信号特征提取；

(2.5)利用特征选择算法选出用于选择连续血压方程的连续血压方程选择特征；

(2.6)利用步骤(2.5)中选择出的连续血压方程选择特征进行连续血压方程选择，选择出用于估计血压的方程；

(2.7)利用特征选择算法选出用于估计步骤(2.6)中选择出的方程中的参数的特征；

(2.8)利用步骤(2.7)中选择出的特征估计用于估计血压的方程中的参数，所述用于估计血压的方程中的参数包括需要标定的参数；

(2.9)利用特征选择算法选出用于估计血压的特征；

(2.10)利用步骤(2.9)中选出的用于估计血压的特征和脉搏波传播时间共同估计人体的收缩压、舒张压和/或平均压。

10.根据权利要求9所述的装置，其特征在于，所述特征参数包括ECG信号和脉搏波信号的解析特征、表象特征、变换域特征和融合特征，或者解析特征、表象特征、变换域特征、融合特征的任意组合。

Images