CN103690152B - 一种基于脉搏解析的动脉弹性功能评估装置 - Google Patents
一种基于脉搏解析的动脉弹性功能评估装置 Download PDFInfo
- Publication number
- CN103690152B CN103690152B CN201410003824.4A CN201410003824A CN103690152B CN 103690152 B CN103690152 B CN 103690152B CN 201410003824 A CN201410003824 A CN 201410003824A CN 103690152 B CN103690152 B CN 103690152B
- Authority
- CN
- China
- Prior art keywords
- pulse signal
- pulse
- signal
- template
- gaussian function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000010606 normalization Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000013441 quality evaluation Methods 0.000 claims abstract description 15
- 238000013500 data storage Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 44
- 230000000747 cardiac effect Effects 0.000 claims description 43
- 239000002245 particle Substances 0.000 claims description 24
- 210000000624 ear auricle Anatomy 0.000 claims description 21
- 210000001255 hallux Anatomy 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000001427 coherent effect Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 241000208340 Araliaceae Species 0.000 claims description 10
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 10
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 10
- 235000008434 ginseng Nutrition 0.000 claims description 10
- 230000003321 amplification Effects 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 210000001367 artery Anatomy 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 6
- 210000003414 extremity Anatomy 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 210000002321 radial artery Anatomy 0.000 claims description 6
- 230000035488 systolic blood pressure Effects 0.000 claims description 6
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 4
- 208000006011 Stroke Diseases 0.000 claims description 4
- 230000036772 blood pressure Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000010223 real-time analysis Methods 0.000 abstract description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 9
- 208000026106 cerebrovascular disease Diseases 0.000 description 9
- 230000002526 effect on cardiovascular system Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000037396 body weight Effects 0.000 description 4
- 230000035487 diastolic blood pressure Effects 0.000 description 3
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 230000004219 arterial function Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000036262 stenosis Effects 0.000 description 2
- 208000037804 stenosis Diseases 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Abstract
一种基于脉搏解析的动脉弹性功能评估装置,包括用于采集受试者的双侧肢体脉搏信号并与模拟数字转换模块连接的左右通道脉搏信号检测模块、计算机以及用于存储受试者脉搏信号及生成的动脉弹性功能评估报告的数据存储卡,模拟数字转换模块、数据存储卡和打印机均与计算机连接,计算机用于脉搏信号的实时分析、显示与存储、打印控制,完成脉搏信号质量评估、脉搏信号归一化、脉搏模板生成及模板解析、子波特征参数调整、动脉弹性功能评估和生成评估报告。该装置可实现对受试者左右侧不同采集位置脉搏信号的实时采集与分析处理,准确评估受试者左右侧肢体的动脉弹性功能。
Description
技术领域
本发明涉及一种用于评估动脉弹性功能的装置,属于人体动脉弹性功能无创检测技术领域。
背景技术
心脑血管疾病对人体的损害是隐秘的、逐渐的,全身性的,没有明显的临床症状,因而被称为“沉默的疾病”,然而它却是人类健康的第一杀手。根据世界卫生组织(WHO)公布的数据,全世界每年有1600万人死于心脑血管疾病,占总死亡率的50%以上;我国每年死于心脑血管疾病的总人数是260万人,我国心脑血管疾病的病人绝对数已居世界首位。在心脑血管病的发病原因中,动脉硬化是主要原因,它是高血压、冠心病、急性心肌梗塞、脑中风等心脑血管疾病的发病基础,近年研究表明,早在动脉管腔出现明显狭窄或闭塞性病变之前,动脉弹性功能即已发生改变。因此早期评估并积极干预动脉弹性功能异常有助于对心脑血管疾病进行有效防范和治疗,其在心脑血管病的“上游防治”中具有重要意义。
长期以来,临床上评价动脉弹性功能的主要技术手段是动脉造影术,但是该方法是有创检测,对技术与设备条件要求较高,检查价格较为昂贵,且有可能发生操作相关性的不良反应(如造影剂过敏与造影剂肾病等),这些不足之处在很大程度上影响了其在临床上的广泛应用;更为重要的是,有创性的动脉造影术只能发现已经发生明显管腔狭窄的动脉结构病变,而对动脉结构病变之前的动脉弹性功能检测帮助有限。目前无创检测动脉弹性功能的方法主要有三种:第一种是脉搏波传导速度(pulsewavevelocity,PWV)测量法,该种方法通过测定脉搏波在通过动脉系统时两固定点间的传播速度评估动脉弹性,其缺点是计算PWV时需要脉搏波传播距离,该距离根据受试者身高、体重信息使用经验公式估算得到,而经验公式是基于人口统计学数据,对个体检测的准确度难以保证;第二种是通过进行脉搏波波形分析,计算反射波增强指数(augmentationindex,AI)来评估动脉弹性功能,但是AI指标的计算很不稳定,易受噪声影响,导致同一受试者前后两次测量偏差较大;第三种是使用超声成像手段,直接检测某个特定动脉的管壁的顺应性(compliance,C),该种检测方法同样对技术和设备条件要求较高,检测结果依赖于医生的个体判断,统计稳定性不高。另外,上述三种无创检测动脉弹性功能的方法还有如下共有的不足之处:一是各种指标(PWV,AI,C)的计算多是基于一个或几个心动周期内的脉搏波形,而没有考虑到不同心动周期内脉搏波形变异的影响,而现有研究结果表明生理信号同时具有短时和长时的变异性,变异性效果对指标稳定性的影响不可忽略,因此研究一种将不同心动周期信号变异性考虑在内的新的动脉弹性功能无创评估方法尤为必要;二是上述无创检测方法的计算机分析软件对脉搏信号质量评估环节重视不够,倘若指标计算时使用的一个或几个心动周期内的脉搏波形存在严重质量问题,会导致计算结果统计稳定性差,脉搏信号质量评估是进行脉搏信号医学解读的前提和先决条件,因此,增加脉搏信号质量评估环节是提高动脉弹性功能无创评估准确度的必要步骤;三是上述无创检测方法多是固定脉搏信号采集点,动脉弹性评估准则不能随脉搏检测点位置的不同而变化,而现有研究表明不同位置的动脉弹性是不同的,使用同一评估准则对不同部位检测的脉搏信号分析进而评估动脉弹性会带来评估误差,因此有必要研究一种可用于多点动脉弹性功能无创评估的技术。
发明内容
本发明针对现有临床动脉弹性功能评估技术的不足,提供一种无创的、检测准确的基于脉搏解析的动脉弹性功能评估装置。
本发明的基于脉搏解析的动脉弹性功能评估装置,首先采集受试者双侧肢体动脉的脉搏波形,然后构造脉搏模板,依据脉搏产生的生理机制,将脉搏模板解析为多个具有明确生理意义的子波,最后利用脉搏解析得到的子波的特征参数值来评估动脉弹性功能,具体包括以下部分:
(1)左通道脉搏信号检测模块:与模拟数字转换模块连接,用于采集受试者的左侧脉搏信号,并完成左侧脉搏信号的滤波、去噪和放大;包括依次连接的左通道脉搏传感器、左通道低通滤波器、左通道高通滤波器和左通道信号放大电路;左通道脉搏传感器置于下列四个位置中的一个:左侧中指、左侧桡动脉、左侧耳垂和左侧大脚拇趾,分别采集左侧中指脉搏信号、左侧桡动脉脉搏信号、左侧耳垂脉搏信号和左侧大脚拇趾脉搏信号;
(2)右通道脉搏信号检测模块:与模拟数字转换模块连接,用于采集受试者的右侧脉搏信号,并完成右侧脉搏信号的滤波、去噪和放大;包括依次连接的右通道脉搏传感器、右通道低通滤波器、右通道高通滤波器和右通道信号放大电路;右通道脉搏传感器置于下列四个位置中的一个:右侧中指、右侧桡动脉、右侧耳垂和右侧大脚拇趾,分别采集右侧中指脉搏信号、右侧桡动脉脉搏信号、右侧耳垂脉搏信号和右侧大脚拇趾脉搏信号;
(3)模拟数字转换模块:与计算机连接,用于实现模拟信号到数字信号的转换;
(4)数据存储卡:与计算机连接,用于存储受试者的脉搏信号和生成的评估报告;
(5)计算机:与模拟数字转换模块和数据存储卡连接,用于完成脉搏信号分析和报告存储;
上述装置,首先分别利用左通道脉搏信号检测模块和右通道脉搏信号检测模块采集受试者的左侧和右侧脉搏信号,采集时间为T(T≥2)分钟,采集到的脉搏信号进入模拟数字转换模块,经模拟数字转换后进入计算机进行脉搏信号分析,信号分析包括脉搏信号质量评估、脉搏信号归一化、脉搏模板生成及模板解析、子波特征参数调整、动脉弹性功能评估和评估报告生成,具体过程如下;
①脉搏信号质量评估:对左右通道采集的脉搏信号分别进行质量评估,生成信号质量指数Index,依据信号质量指数Index将每一通道脉搏信号质量分为以下三类中的一类:质量良好、质量一般和质量差;
②脉搏信号归一化:对左右通道采集的脉搏信号分别进行模板归一化,首先使用基于抛物线权重的峰值检测法确定脉搏信号上升支峰值点位置;然后以脉搏信号上升支峰值点位置为参考,确定脉搏信号上升支起点位置,上升支起点位置即为一个心动周期脉搏信号的起始时刻;然后依据脉搏信号上升支起点位置将T分钟脉搏信号分割为若干个单一心动周期内的脉搏波形,对每个心动周期脉搏波形进行时间和幅度归一化处理;
③脉搏模板生成及模块解析:使用相干平均法对步骤②获得的经过时间和幅度归一化的所有单一心动周期内脉搏信号进行相干平均,得到脉搏模板;然后定义M(3≤M≤5)个高斯函数代表有明确生理意义的脉搏子波,使用M个高斯函数的叠加之和拟合脉搏模板,并用平均绝对值误差MAE衡量拟合精度,使用粒子群算法对高斯函数的特征参数向量进行寻优,确定各子波的特征参数值;
④子波特征参数调整:动脉弹性功能评估需要使用第1个高斯函数和第2个高斯函数的特征参数,第1个高斯函数代表前向波,第2个高斯函数代表主反射波,所以根据受试者的年龄和血压值对步骤③获得的前向波和主反射波的特征参数进行调整,降低不同年龄、血压因素对动脉弹性功能评估准确性的影响;
⑤动脉弹性功能评估:利用步骤④获得的前向波和主反射波的特征参数对动脉弹性功能进行评估,根据采集的信号是左右侧中指脉搏信号、左右侧桡动脉脉搏信号、左右侧耳垂脉搏信号还是左右侧大脚拇趾脉搏信号,选取评估准则;
⑥评估报告生成:生成受试者左右侧肢体动脉弹性功能无创评估报告。
报告采用图片格式生成,自上而下包含4部分信息:第1部分为受试者基本信息,包括姓名、年龄、身高、体重、收缩压、舒张压和心率数值;第2部分为去除基线漂移后的左右侧脉搏波形,脉搏信号采集位置和脉搏信号质量信息显示在波形上方;第3部分为左右侧脉搏模板信号及模板解析后得出的高斯函数(子波波形),子波按照中心位置从左到右依次为1个前向波、1个主反射波和依据子波个数设置不同而不同的1-3个次反射波,如果某一侧脉搏信号是“质量差”类型,则该侧对应脉搏模板及脉搏解析结果为空;第4部分为左右侧动脉弹性功能评估结果,如果某一侧脉搏信号是“质量差”类型,则该侧对应动脉弹性功能评估结果为空。
上述步骤①中,对脉搏信号进行质量评估,生成信号质量指数Index,依据信号质量指数Index将每一通道脉搏信号质量分为三类的方法如下:初始化脉搏信号质量指数Index=0;首先采用高通滤波去除T分钟脉搏信号中的基线漂移,截止频率设定在0.05Hz;然后检测去除基线漂移后的脉搏信号的最大值,以该最大值的50%作为阈值,并将去除基线漂移后的脉搏信号按T/10分钟一段划分为10段,若其中某段信号不存在超过该阈值的时间点,则信号质量指数Index值自动加1;然后采用样本熵算法检测脉搏信号中是否存在强噪声,仍将去除基线漂移后的脉搏信号按T/10分钟一段划分为10段,计算每段信号的样本熵值,若其中某段信号样本熵值超过1.5,则信号质量指数Index值自动加1;最后依据信号质量指数Index值对脉搏信号质量进行评估,若Index≤2,则判断为“质量良好”,若2<Index<8,则判断为“质量一般”,若Index≥8,则判断为“质量差”。
计算每段(T/10分钟)脉搏信号样本熵值的方法如下:该段脉搏信号首先被重采样为500点固定长度,设重采样后的信号为data={x1,x2,…,x500},对data进行时间序列相空间重构,依次取m个连续点组成矢量Ym(i)=[xi,xi+1,…,xi+m-1],i=1~500-m+1,定义矢量Ym(i)与Ym(j)之间的距离d(Ym(i),Ym(j))=max(|xi+k-xj+k|),其中j=1~500-m+1,设定阈值r=0.2×σX,其中σX为时间序列data的标准差,对于500-m+1个m维矢量,统计不包含元素Ym(i)在内的500-m个矢量中与元素Ym(i)的距离小于阈值r的元素数目,记为模板匹配数Km(i),并计算Km(i)与距离总数500-m的比值,记为对所有的i=1~500-m+1,求的均值,记为然后将空间维数增加至m+1,依照上述步骤重新计算Bm+1(r),则信号data的样本熵为:SampEn(m,r)=ln[Bm(r)/Bm+1(r)],参数m和r分别设置为2和0.2。
上述步骤②中,使用基于抛物线权重的峰值检测法确定脉搏上升支峰值点位置并确定上升支起点位置的具体方法如下:设脉搏信号为p(t),首先对脉搏信号进行低通滤波,截止频率设为35Hz,滤波后信号记为q(t);然后生成长度为20点的线性序列k1=[1,0.95,0.9,0.85,…,0.05],令序列k2为序列k1的平方根序列,令序列k3为序列k2的翻转序列,则抛物线权重向量通过w=[k3,1,k2]得到,为41点序列;然后将该抛物线权重向量w依次与滤波后的脉搏信号q(t)逐点做相关,得到相关信号r(t);然后将T分钟时间长度的相关信号r(t)按T/10分钟一段划分为10段,选取每段中的最大值并计算这些最大值的均值,以均值的80%作为阈值确定r(t)中高于此阈值的区域即为脉搏信号上升支峰值点区域,在此区域中寻找最大值作为脉搏上升支峰值点位置;最后设置0.15秒的时间窗口,以脉搏信号上升支峰值点位置为时间窗口的终止,寻找每个脉搏信号上升支峰值点位置对应0.15秒时间窗口内信号的最小值点,该最小值位置即为脉搏信号上升支起点位置。
上述步骤②中,对每个心动周期脉搏波形进行长度和幅度归一化处理的方法如下:提取前后相邻的脉搏信号上升支起点之间的脉搏信号片段记为vl(n),vl(n)即为单一心动周期脉搏信号,其中l=1,2,…,L,L为心动周期数,n表示该心动周期内脉搏的第n个采样点;首先将L个vl(n)都伸缩到1000点固定信号长度,即为长度归一化,此时vl(n)中的n=1,2,…,1000;然后对长度归一化的vl(n),利用公式得到幅度归一化信号vvl(n),其中min{●}表示取最小值,max{●}表示取最大值,vvl(n)即为进行了长度和幅度归一化后的信号。
上述步骤③中,使用相干平均法获得脉搏模板的方法如下:对步骤②获得的经过时间和幅度归一化的所有单一心动周期内脉搏信号vvl(n),计算L个心动周期的相干平均信号 即为当前通道的脉搏模板,n=1,2,…,1000,多个心动周期脉搏信号的相干平均一方面能够大大降低噪声比重,更主要的是能够消除不同心动周期信号变异性对评估结果的影响。
上述步骤③中,使用M个高斯函数拟合脉搏模板并用MAE表征拟合精度的方法是:首先定义高斯函数形式如下:其中exp{●}表示指数运算,n定义同步骤②,表示归一化后单一心动周期内的采样点数n=1,2,…,1000,fλ(n)表示第λ个高斯函数,λ=1,2,…,M,fλ(n)由3个特征参数决定:高度Hλ,中心位置Cλ和半宽度Wλ,各高斯函数按照中心位置Cλ出现的先后顺序依次命名,其中第1个高斯函数代表前向波,第2个高斯函数代表主反射波,其余高斯函数代表次要的反射波;然后利用M个高斯函数叠加之和作为脉搏模板的近似信号,表示为其中x=[Hλ,Cλ,Wλ]为需要确定的特征参数向量,当x确定后,即可用M个高斯函数解析脉搏模板;对于f(n,x)拟合脉搏模板采样平均绝对值误差MAE评估拟合精度,MAE定义为
上述步骤③中,使用粒子群算法对高斯函数的特征参数向量进行寻优,确定各子波的特征参数值的方法是:特征参数向量x使用粒子群优化算法寻优得到,使用MAE控制粒子群优化算法的迭代终止条件;首先定义寻优空间维数D=3M,D即为特征参数向量x的长度,使用P代表粒子个数,其中第p个粒子(1≤p≤P)具有如下3个属性:当前速度值向量当前位置向量和个体最佳位置粒子群整体寻找到的最优位置向量为第p个粒子的在空间维数d下的当前速度向量和当前位置向量使用如下公式更新:其中1≤d≤D,1≤p≤P,χ为控制系数(χ=0.75),参数和服从均匀随机分布其中参数设置粒子群算法的初始特征参数向量x的元素初始值为0~1000内的随机数,每次算法迭代后计算当前M个高斯函数拟合脉搏模板的平均绝对值误差MAE,当MAE≤2%时算法停止迭代,得到特征参数向量x的值。
上述步骤④中,根据受试者的年龄和血压值对步骤③获得的前向波和主反射波的特征参数进行调整的方法如下:使用下述公式对前向波和主反射波的6个特征参数值进行更新:
式中Age表示当前受试者的年龄,SBP表示当前受试者的收缩压值,η1和η2为权重参数,其中η1=0.3,η2=0.7。
上述步骤⑤中,利用步骤④获得的前向波和主反射波的特征参数对动脉弹性功能进行评估的方法如下:若前向波和主反射波的6个特征参数同时满足以下3个条件则动脉弹性功能评估为“弹性好”:H2/H1≤μH1,C2-C1≥μC1和W2/W1≤μW1;若前向波和主反射波的6个特征参数同时满足以下3个条件则动脉弹性功能评估为“弹性差”:H2/H1≥μH2,C2-C1≤μC2和W2/W1≥μW2;其余情况下动脉弹性功能评估为“弹性一般”;根据采集的信号是左右侧中指脉搏信号、左右侧桡动脉脉搏信号、左右侧耳垂脉搏信号还是左右侧大脚拇趾脉搏信号的不同,选择不同的评估准则参数,具体设置如下表;
采集的脉搏信号 | μH1 | μC1 | μW1 | μH2 | μC2 | μW2 |
左右侧中指脉搏信号 | 0.9 | 155 | 1.25 | 1.35 | 125 | 1.85 |
左右侧桡动脉脉搏信号 | 0.85 | 150 | 1.2 | 1.3 | 120 | 1.8 |
左右侧耳垂脉搏信号 | 0.8 | 145 | 1.15 | 1.25 | 115 | 1.75 |
左右侧大脚拇趾脉搏信号 | 0.95 | 160 | 1.3 | 1.4 | 130 | 1.9 |
本发明首先采集受试者双侧肢体动脉的脉搏信号,然后构造脉搏模板并对模板进行脉搏解析,最后利用脉搏解析得到的子波特征参数评估动脉弹性功能,具有下述优点:
1、实现对受试者左右肢体动脉弹性功能的无创、准确评估,提升了临床心脑血管疾病早期检测和预警技术,具有较强的临床应用价值;
2、对受试者脉搏信号进行必要而准确的质量评估,增强了自动分析结果的可靠性;
3、采用年龄、血压值对脉搏子波特征参数进行调整,降低不同年龄、血压因素对动脉弹性功能评估准确性的影响;
4、针对多个位置采集的脉搏信号,设置不同的评估准则评估动脉弹性功能,增强了评估结果的客观性。
附图说明
图1是本发明基于脉搏解析的动脉弹性功能评估装置的结构原理图。
图2是本发明动脉功能检测的流程图。
图3是本发明的左右侧动脉弹性功能评估均为“弹性好”的报告示例图。
图4是本发明的左右侧动脉弹性功能评估均为“弹性差”的报告示例图。
图5是本发明的左右侧脉搏信号均为“质量差”而导致动脉弹性功能无法评估的报告示例图。
其中:1、左通道脉搏信号检测模块,2、右通道脉搏信号检测模块,3、模拟数字转换模块,4、计算机,5、数据存储卡,6、打印机,7、指示灯,8、启动开关,9、工作按钮。
具体实施方式
如图1所示,本发明的基于脉搏解析的动脉弹性功能评估装置包括左通道脉搏信号检测模块1、右通道脉搏信号检测模块2、模拟数字转换模块3、计算机4和数据存储卡5。左通道脉搏信号检测模块1和右通道脉搏信号检测模块2均与模拟数字转换模块3连接,分别用于采集受试者的左侧和右侧脉搏信号,并完成信号的滤波、去噪和放大。左通道脉搏信号检测模块1和右通道脉搏信号检测模块2的结构一样,均包括依次连接的脉搏传感器、低通滤波器、高通滤波器和信号放大电路;信号经脉搏传感器采集后依次经过低通滤波器、高通滤波器和信号放大电路,完成信号的滤波、去噪和放大。左通道脉搏传感器置于下列四个位置中的一个:左侧中指、左侧桡动脉、左侧耳垂和左侧大脚拇趾,分别采集左侧中指脉搏信号、左侧桡动脉脉搏信号、左侧耳垂脉搏信号和左侧大脚拇趾脉搏信号。右通道脉搏传感器置于下列四个位置中的一个:右侧中指、右侧桡动脉、右侧耳垂和右侧大脚拇趾,分别采集右侧中指脉搏信号、右侧桡动脉脉搏信号、右侧耳垂脉搏信号和右侧大脚拇趾脉搏信号。
模拟数字转换模块3和数据存储卡5均与计算机4连接,同时与计算机4连接的还可以有打印机6、指示灯7、启动开关8和工作按钮9。模拟数字转换模块3采用12位以上A/D转换器,采样频率设定为1000Hz。数据存储卡5用于存储受试者脉搏信号和生成的动脉弹性功能评估报告。打印机6用于打印生成的评估报告。指示灯有三个,分别指示装置处于准备就绪状态、正在采集信号状态和采集结束状态。闭合启动开关8实现对检测装置的上电和预热。闭合工作按钮9实现信号的整个自动采集过程。计算机4内置脉搏信号分析软件,用于脉搏信号的实时分析、显示与存储、打印控制。
图2给出了本发明动脉功能检测的流程图。左通道脉搏信号检测模块1和右通道脉搏信号检测模块2上的脉搏传感器采集的左侧和右侧脉搏信号,经过低通滤波器、高通滤波器和信号放大电路,经滤波、去噪和放大后进入模拟数字转换模块3,采样为数字信号后进入计算机4。固化在计算机4上的脉搏信号分析软件,对脉搏信号进行实时分析、显示与存储、打印控制,包括脉搏信号质量评估模块、脉搏信号归一化模块、脉搏模板生成及模板解析模块、子波特征参数调整模块、动脉弹性功能评估模块和评估报告生成模块。脉搏信号分析具体过程详述如下。
①脉搏信号首先进入脉搏信号质量评估模块,对左右通道采集的脉搏信号分别进行质量评估,生成信号质量指数Index,依据信号质量指数Index将每一通道脉搏信号质量分为以下3类中的一类:质量良好、质量一般和质量差。利用质量评估算法对脉搏信号质量进行分类的方法如下:初始化脉搏信号质量指数Index=0;首先采用高通滤波器去除T分钟脉搏信号中的基线漂移,截止频率设定在0.05Hz;然后检测去除基线漂移后的脉搏信号的最大值,以该最大值的50%作为阈值,并将去除基线漂移后的脉搏信号按T/10分钟一段划分为10段,若其中某段信号不存在超过该阈值的时间点,则信号质量指数Index值自动加1;然后采用样本熵算法检测脉搏信号中是否存在强噪声,仍将去除基线漂移后的脉搏信号按T/10分钟一段划分为10段,计算每段信号的样本熵值,若其中某段信号样本熵值超过1.5,则信号质量指数Index值自动加1;最后依据信号质量指数Index值对脉搏信号质量进行评估,若Index≤2,则判断为“质量良好”,若2<Index<8,则判断为“质量一般”,若Index≥8,则判断为“质量差”。
计算每段(T/10分钟)脉搏信号样本熵值的方法如下:该段脉搏信号首先被重采样为500点固定长度,设重采样后的信号为data={x1,x2,…,x500},对data进行时间序列相空间重构,依次取m个连续点组成矢量Ym(i)=[xi,xi+1,…,xi+m-1],i=1~500-m+1,定义矢量Ym(i)与Ym(j)之间的距离d(Ym(i),Ym(j))=max(|xi+k-xj+k|),其中j=1~500-m+1,设定阈值r=0.2×σX,其中σX为时间序列data的标准差,对于500-m+1个m维矢量,统计不包含元素Ym(i)在内的500-m个矢量中与元素Ym(i)的距离小于阈值r的元素数目,记为模板匹配数Km(i),并计算Km(i)与距离总数500-m的比值,记为对所有的i=1~500-m+1,求的均值,记为然后将空间维数增加至m+1,依照上述步骤重新计算Bm+1(r),则信号data的样本熵为:SampEn(m,r)=ln[Bm(r)/Bm+1(r)],参数m和r分别设置为2和0.2。
②然后信号进入脉搏信号归一化模块,该模块对左右通道采集的脉搏信号分别进行模板归一化,首先使用基于抛物线权重的峰值检测法确定脉搏信号上升支峰值点位置;然后以脉搏信号上升支峰值点位置为参考,确定脉搏信号上升支起点位置,上升支起点位置即为一个心动周期脉搏信号的起始时刻;然后依据脉搏信号上升支起点位置将T分钟脉搏信号分割为若干个单一心动周期内的脉搏波形,对每个心动周期脉搏波形进行时间和幅度归一化处理。
其中使用基于抛物线权重的峰值检测法确定脉搏上升支峰值点位置并确定上升支起点位置的具体方法如下:设脉搏信号为p(t),首先对脉搏信号进行低通滤波,截止频率设为35Hz,滤波后信号记为q(t);然后生成长度为20点的线性序列k1=[1,0.95,0.9,0.85,…,0.05],令序列k2为序列k1的平方根序列,令序列k3为序列k2的翻转序列,则抛物线权重向量通过w=[k3,1,k2]得到,为41点序列;然后将该抛物线权重向量w依次与滤波后的脉搏信号q(t)逐点做相关,得到相关信号r(t);然后将T分钟时间长度的相关信号r(t)按T/10分钟一段划分为10段,选取每段中的最大值并计算这些最大值的均值,以均值的80%作为阈值确定r(t)中高于此阈值的区域即为脉搏信号上升支峰值点区域,在此区域中寻找最大值作为脉搏上升支峰值点位置;最后设置0.15秒的时间窗口,以脉搏信号上升支峰值点位置为时间窗口的终止,寻找每个脉搏信号上升支峰值点位置对应0.15秒时间窗口内信号的最小值点,该最小值位置即为脉搏信号上升支起点位置。
其中对每个心动周期脉搏波形进行长度和幅度归一化处理的方法如下:提取前后相邻的脉搏信号上升支起点之间的脉搏信号片段记为vl(n),vl(n)即为单一心动周期脉搏信号,其中l=1,2,…,L,L为心动周期数,n表示该心动周期内脉搏的第n个采样点;首先将L个vl(n)都伸缩到1000点固定信号长度,即为长度归一化,此时vl(n)中的n=1,2,…,1000;然后对长度归一化的vl(n),利用公式得到幅度归一化信号vvl(n),其中min{●}表示取最小值,max{●}表示取最大值,vvl(n)即为进行了长度和幅度归一化后的信号。
③然后信号进入脉搏模板生成及模块解析模块,该模块使用相干平均法对经过时间和幅度归一化的所有单一心动周期内脉搏信号进行相干平均,得到脉搏模板;然后定义M(3≤M≤5)个高斯函数代表有明确生理意义的脉搏子波,使用M个高斯函数的叠加之和拟合脉搏模板,并用平均绝对值误差MAE衡量拟合精度,使用粒子群算法对高斯函数的特征参数向量进行寻优,确定各子波的特征参数值。
其中使用相干平均法获得脉搏模板的方法如下:对步骤②中获得的经过时间和幅度归一化的所有单一心动周期内脉搏信号vvl(n),计算L个心动周期的相干平均信号 即为当前通道的脉搏模板,n=1,2,…,1000,多个心动周期脉搏信号的相干平均一方面能够大大降低噪声比重,更主要的是可以消除不同心动周期信号变异性对评估结果的影响。
其中使用M个高斯函数拟合脉搏模板并用MAE表征拟合精度的方法是:首先定义高斯函数形式如下:其中exp{●}表示指数运算,n定义同步骤②,表示归一化后单一心动周期内的采样点数n=1,2,…,1000,fλ(n)表示第λ个高斯函数,λ=1,2,…,M,fλ(n)由3个特征参数决定:高度Hλ,中心位置Cλ和半宽度Wλ,各高斯函数按照中心位置Cλ出现的先后顺序依次命名,其中第1个高斯函数代表前向波,第2个高斯函数代表主反射波,其余高斯函数代表次要的反射波;然后利用M个高斯函数叠加之和作为脉搏模板的近似信号,表示为其中x=[Hλ,Cλ,Wλ]为需要确定的特征参数向量,当x确定后,即可用M个高斯函数解析脉搏模板;对于f(n,x)拟合脉搏模板采样平均绝对值误差MAE评估拟合精度,MAE定义为
其中使用粒子群算法对高斯函数的特征参数向量进行寻优,确定各子波的特征参数值的方法是:特征参数向量x使用粒子群优化算法寻优得到,使用MAE控制粒子群优化算法的迭代终止条件;首先定义寻优空间维数D=3M,D即为特征参数向量x的长度,使用P代表粒子个数,其中第p个粒子(1≤p≤P)具有如下3个属性:当前速度值向量当前位置向量和个体最佳位置粒子群整体寻找到的最优位置向量为第p个粒子的在空间维数d下的当前速度向量和当前位置向量使用如下公式更新:其中1≤d≤D,1≤p≤P,χ为控制系数(χ=0.75),参数和服从均匀随机分布其中参数设置粒子群算法的初始特征参数向量x的元素初始值为0~1000内的随机数,每次算法迭代后计算当前M个高斯函数拟合脉搏模板的平均绝对值误差MAE,当MAE≤2%时算法停止迭代,得到特征参数向量x的值。
④然后信号进入子波特征参数调整模块,该模块动脉弹性功能评估需要使用第1个高斯函数(前向波)和第2个高斯函数(主反射波)的特征参数,因此本模块根据受试者的年龄和血压值对上述获得的前向波和主反射波的特征参数进行调整,降低不同年龄、血压因素对动脉弹性功能评估准确性的影响。使用下述公式对前向波和主反射波的6个特征参数值进行更新:
式中Age表示当前受试者的年龄,SBP表示当前受试者的收缩压值,η1和η2为权重参数,其中η1=0.3,η2=0.7。
⑤然后信号进入动脉弹性功能评估模块,该模块利用步骤④获得的前向波和主反射波的特征参数对动脉弹性功能进行评估,根据采集的信号是左右侧中指脉搏信号、左右侧桡动脉脉搏信号、左右侧耳垂脉搏信号还是左右侧大脚拇趾脉搏信号的不同,选取不同的评估准则。
其中对动脉弹性功能进行评估的方法如下:若前向波和主反射波的6个特征参数同时满足以下三个条件,则动脉弹性功能评估为“弹性好”:H2/H1≤μH1,C2-C1≥μC1和W2/W1≤μW1;若前向波和主反射波的6个特征参数同时满足以下3个条件则动脉弹性功能评估为“弹性差”:H2/H1≥μH2,C2-C1≤μC2和W2/W1≥μW2;其余情况下动脉弹性功能评估为“弹性一般”;根据采集的信号是左右侧中指脉搏信号、左右侧桡动脉脉搏信号、左右侧耳垂脉搏信号还是左右侧大脚拇趾脉搏信号的不同,选择不同的评估准则参数,具体设置如下表;
采集的脉搏信号 | μH1 | μC1 | μW1 | μH2 | μC2 | μW2 |
左右侧中指脉搏信号 | 0.9 | 155 | 1.25 | 1.35 | 125 | 1.85 |
左右侧桡动脉脉搏信号 | 0.85 | 150 | 1.2 | 1.3 | 120 | 1.8 |
左右侧耳垂脉搏信号 | 0.8 | 145 | 1.15 | 1.25 | 115 | 1.75 |
左右侧大脚拇趾脉搏信号 | 0.95 | 160 | 1.3 | 1.4 | 130 | 1.9 |
⑥最后信号进入评估报告生成模块,该模块生成受试者左右侧肢体动脉弹性功能无创评估报告。报告采用图片格式生成,自上而下包含4部分信息:第1部分为受试者基本信息,包括姓名、年龄、身高、体重、收缩压、舒张压和心率数值;第2部分为去除基线漂移后的左右侧脉搏波形,脉搏信号采集位置和脉搏信号质量信息显示在波形上方;第3部分为左右侧脉搏模板信号及模板解析后得出的高斯函数(子波波形),子波按照中心位置从左到右依次为1个前向波、1个主反射波和依据子波个数设置不同而不同的1-3个次反射波,如果某一侧脉搏信号是“质量差”类型,则该侧对应脉搏模板及脉搏解析结果为空;第4部分为左右侧动脉弹性功能评估结果,如果某一侧脉搏信号是“质量差”类型,则该侧对应动脉弹性功能评估结果为空。
图3、4、5给出了本发明的动脉弹性功能评估报告示例,其中图3是左右侧动脉弹性功能评估均为“弹性好”的报告示例,图4是左右侧动脉弹性功能评估均为“弹性差”的报告示例,图5是左右侧脉搏信号均为“质量差”而导致动脉弹性功能无法评估的报告示例。示例中的脉搏信号采集时间均为2分钟,高斯函数均选用4个,每个报告自上而下包含4部分信息:第1部分为受试者基本信息,包括姓名、年龄、身高、体重、收缩压、舒张压和心率数值;第2部分为去除基线漂移后的左右侧脉搏波形(上升支起点位置“●”),脉搏信号采集位置和脉搏信号质量信息显示在波形上方;第3部分为左右侧脉搏模板信号及模板解析后得出的高斯函数(子波波形),子波按照中心位置从左到右依次为1个前向波、1个主反射波和2个次反射波,如果某一侧脉搏信号是“质量差”类型,则该侧对应脉搏模板及脉搏解析结果为空;第4部分为左右侧动脉弹性功能评估结果,如果某一侧脉搏信号是“质量差”类型,则该侧对应动脉弹性功能评估结果为空。
Claims (1)
1.一种基于脉搏解析的动脉弹性功能评估方法,其特征是:
首先分别利用左通道脉搏信号检测模块和右通道脉搏信号检测模块采集受试者的左侧和右侧脉搏信号,采集时间为T分钟,T≥2,采集到的脉搏信号进入模拟数字转换模块,经模拟数字转换后进入计算机进行脉搏信号分析,信号分析包括脉搏信号质量评估、脉搏信号归一化、脉搏模板生成及模板解析、子波特征参数调整、动脉弹性功能评估和评估报告生成;
所述左通道脉搏信号检测模块:与模拟数字转换模块连接,用于采集受试者的左侧脉搏信号,并完成左侧脉搏信号的滤波、去噪和放大;包括依次连接的左通道脉搏传感器、左通道低通滤波器、左通道高通滤波器和左通道信号放大电路;左通道脉搏传感器置于下列四个位置中的一个:左侧中指、左侧桡动脉、左侧耳垂和左侧大脚拇趾,分别采集左侧中指脉搏信号、左侧桡动脉脉搏信号、左侧耳垂脉搏信号和左侧大脚拇趾脉搏信号;
所述右通道脉搏信号检测模块:与模拟数字转换模块连接,用于采集受试者的右侧脉搏信号,并完成右侧脉搏信号的滤波、去噪和放大;包括依次连接的右通道脉搏传感器、右通道低通滤波器、右通道高通滤波器和右通道信号放大电路;右通道脉搏传感器置于下列四个位置中的一个:右侧中指、右侧桡动脉、右侧耳垂和右侧大脚拇趾,分别采集右侧中指脉搏信号、右侧桡动脉脉搏信号、右侧耳垂脉搏信号和右侧大脚拇趾脉搏信号;
所述模拟数字转换模块:与计算机连接,用于实现模拟信号到数字信号的转换;
所述计算机:与模拟数字转换模块和数据存储卡连接,用于完成脉搏信号分析、报告存储和打印;所述数据存储卡用于存储受试者的脉搏信号和生成的评估报告;
所述计算机进行脉搏信号分析的具体步骤如下:
①脉搏信号质量评估:对左右通道采集的脉搏信号分别进行质量评估,生成信号质量指数Index,依据信号质量指数Index将每一通道脉搏信号质量分为以下三类中的一类:质量良好、质量一般和质量差;
②脉搏信号归一化:对左右通道采集的脉搏信号分别进行模板归一化,首先使用基于抛物线权重的峰值检测法确定脉搏信号上升支峰值点位置;然后以脉搏信号上升支峰值点位置为参考,确定脉搏信号上升支起点位置,上升支起点位置即为一个心动周期脉搏信号的起始时刻;然后依据脉搏信号上升支起点位置将T分钟脉搏信号分割为若干个单一心动周期内的脉搏波形,对每个心动周期脉搏波形进行时间和幅度归一化处理,T≥2;
③脉搏模板生成及模块解析:使用相干平均法对步骤②获得的经过时间和幅度归一化的所有单一心动周期内脉搏信号进行相干平均,得到脉搏模板;然后定义M个高斯函数代表有明确生理意义的脉搏子波,3≤M≤5,使用M个高斯函数的叠加之和拟合脉搏模板,并用平均绝对值误差MAE衡量拟合精度,使用粒子群算法对高斯函数的特征参数向量进行寻优,确定各子波的特征参数值;
④子波特征参数调整:动脉弹性功能评估需要使用第1个高斯函数和第2个高斯函数的特征参数,第1个高斯函数代表前向波,第2个高斯函数代表主反射波,所以根据受试者的年龄和血压值对步骤③获得的前向波和主反射波的特征参数进行调整,降低不同年龄、血压因素对动脉弹性功能评估准确性的影响;
⑤动脉弹性功能评估:利用步骤④获得的前向波和主反射波的特征参数对动脉弹性功能进行评估,根据采集的信号是左右侧中指脉搏信号、左右侧桡动脉脉搏信号、左右侧耳垂脉搏信号还是左右侧大脚拇趾脉搏信号,选取评估准则;
⑥评估报告生成:生成受试者左右侧肢体动脉弹性功能无创评估报告;
所述步骤①中,对脉搏信号进行质量评估,生成信号质量指数Index,依据信号质量指数Index将每一通道脉搏信号质量分为三类的方法如下:
初始化脉搏信号质量指数Index=0;首先采用高通滤波去除T分钟脉搏信号中的基线漂移,截止频率设定在0.05Hz;然后检测去除基线漂移后的脉搏信号的最大值,以该最大值的50%作为阈值,并将去除基线漂移后的脉搏信号按T/10分钟一段划分为10段,若其中某段信号不存在超过该阈值的时间点,则信号质量指数Index值自动加1;然后采用样本熵算法检测脉搏信号中是否存在强噪声,仍将去除基线漂移后的脉搏信号按T/10分钟一段划分为10段,计算每段脉搏信号的样本熵值,若其中某段信号样本熵值超过1.5,则信号质量指数Index值自动加1;最后依据信号质量指数Index值对脉搏信号质量进行评估,若Index≤2,则判断为“质量良好”,若2<Index<8,则判断为“质量一般”,若Index≥8,则判断为“质量差”;
所述计算每段脉搏信号样本熵值的方法如下:
该段脉搏信号首先被重采样为500点固定长度,设重采样后的信号为data={x1,x2,…,x500},对data进行时间序列相空间重构,依次取m个连续点组成矢量Ym(i)=[xi,xi+1,…,xi+m-1],i=1~500-m+1,定义矢量Ym(i)与Ym(j)之间的距离d(Ym(i),Ym(j))=max(|xi+k-xj+k|),其中j=1~500-m+1,设定阈值r=0.2×σX,其中σX为时间序列data的标准差,对于500-m+1个m维矢量,统计不包含元素Ym(i)在内的500-m个矢量中与元素Ym(i)的距离小于阈值r的元素数目,记为模板匹配数Km(i),并计算Km(i)与距离总数500-m的比值,记为对所有的i=1~500-m+1,求的均值,记为然后将空间维数增加至m+1,依照上述步骤重新计算Bm+1(r),则信号data的样本熵为:SampEn(m,r)=ln[Bm(r)/Bm+1(r)],参数m和r分别设置为2和0.2;
所述步骤②中,使用基于抛物线权重的峰值检测法确定脉搏上升支峰值点位置并确定上升支起点位置的具体方法如下:
设脉搏信号为p(t),首先对脉搏信号进行低通滤波,截止频率设为35Hz,滤波后信号记为q(t);然后生成长度为20点的线性序列k1=[1,0.95,0.9,0.85,…,0.05],令序列k2为序列k1的平方根序列,令序列k3为序列k2的翻转序列,则抛物线权重向量通过w=[k3,1,k2]得到,为41点序列;然后将该抛物线权重向量w依次与滤波后的脉搏信号q(t)逐点做相关,得到相关信号r(t);然后将T分钟时间长度的相关信号r(t)按T/10分钟一段划分为10段,选取每段中的最大值并计算这些最大值的均值,以均值的80%作为阈值确定r(t)中高于此阈值的区域即为脉搏信号上升支峰值点区域,在此区域中寻找最大值作为脉搏上升支峰值点位置;最后设置0.15秒的时间窗口,以脉搏信号上升支峰值点位置为时间窗口的终止,寻找每个脉搏信号上升支峰值点位置对应0.15秒时间窗口内信号的最小值点,该最小值位置即为脉搏信号上升支起点位置;
所述步骤②中,对每个心动周期脉搏波形进行长度和幅度归一化处理的方法如下:
提取前后相邻的脉搏信号上升支起点之间的脉搏信号片段记为vl(n),vl(n)即为单一心动周期脉搏信号,其中l=1,2,…,L,L为心动周期数,n表示该心动周期内脉搏的第n个采样点;首先将L个vl(n)都伸缩到1000点固定信号长度,即为长度归一化,此时vl(n)中的n=1,2,…,1000;然后对长度归一化的vl(n),利用公式得到幅度归一化信号vvl(n),其中min{·}表示取最小值,max{·}表示取最大值,vvl(n)即为进行了长度和幅度归一化后的信号;
所述步骤③中,使用相干平均法获得脉搏模板的方法如下:对步骤②获得的经过时间和幅度归一化的所有单一心动周期内脉搏信号vvl(n),计算L个心动周期的相干平均信号 即为当前通道的脉搏模板,n=1,2,…,1000,多个心动周期脉搏信号的相干平均一方面能够大大降低噪声比重,更主要的是能够消除不同心动周期信号变异性对评估结果的影响;
所述步骤③中,使用M个高斯函数拟合脉搏模板并用MAE表征拟合精度的方法是:
首先定义高斯函数形式如下:其中exp{·}表示指数运算,n定义同步骤②,表示归一化后单一心动周期内的采样点数n=1,2,…,1000,fλ(n)表示第λ个高斯函数,λ=1,2,…,M,fλ(n)由3个特征参数决定:高度Hλ,中心位置Cλ和半宽度Wλ,各高斯函数按照中心位置Cλ出现的先后顺序依次命名,其中第1个高斯函数代表前向波,第2个高斯函数代表主反射波,其余高斯函数代表次要的反射波;然后利用M个高斯函数叠加之和作为脉搏模板的近似信号,表示为其中x=[Hλ,Cλ,Wλ]为需要确定的特征参数向量,当x确定后,即可用M个高斯函数解析脉搏模板;对于f(n,x)拟合脉搏模板采样平均绝对值误差MAE评估拟合精度,MAE定义为
所述步骤③中,使用粒子群算法对高斯函数的特征参数向量进行寻优,确定各子波的特征参数值的方法是:
特征参数向量x使用粒子群优化算法寻优得到,使用MAE控制粒子群优化算法的迭代终止条件;首先定义寻优空间维数D=3M,D即为特征参数向量x的长度,使用P代表粒子个数,其中第p个粒子,1≤p≤P,具有如下3个属性:当前速度值向量当前位置向量 和个体最佳位置 粒子群整体寻找到的最优位置向量为 第p个粒子的在空间维数d下的当前速度向量和当前位置向量使用如下公式更新:其中1≤d≤D,1≤p≤P,χ为控制系数,χ=0.75,参数和服从均匀随机分布其中参数设置粒子群算法的初始特征参数向量x的元素初始值为0~1000内的随机数,每次算法迭代后计算当前M个高斯函数拟合脉搏模板的平均绝对值误差MAE,当MAE≤2%时算法停止迭代,得到特征参数向量x的值;
所述步骤④中,根据受试者的年龄和血压值对步骤③获得的前向波和主反射波的特征参数进行调整的方法如下:
使用下述公式对前向波和主反射波的6个特征参数值进行更新:
式中Age表示当前受试者的年龄,SBP表示当前受试者的收缩压值,η1和η2为权重参数,其中η1=0.3,η2=0.7;
所述步骤⑤中,利用步骤④获得的前向波和主反射波的特征参数对动脉弹性功能进行评估的方法如下:若前向波和主反射波的6个特征参数同时满足以下3个条件则动脉弹性功能评估为“弹性好”:H2/H1≤μH1,C2-C1≥μC1和W2/W1≤μW1;若前向波和主反射波的6个特征参数同时满足以下3个条件则动脉弹性功能评估为“弹性差”:H2/H1≥μH2,C2-C1≤μC2和W2/W1≥μW2;其余情况下动脉弹性功能评估为“弹性一般”;根据采集的信号是左右侧中指脉搏信号、左右侧桡动脉脉搏信号、左右侧耳垂脉搏信号还是左右侧大脚拇趾脉搏信号的不同,选择不同的评估准则参数,具体设置如下表;
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410003824.4A CN103690152B (zh) | 2014-01-06 | 2014-01-06 | 一种基于脉搏解析的动脉弹性功能评估装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410003824.4A CN103690152B (zh) | 2014-01-06 | 2014-01-06 | 一种基于脉搏解析的动脉弹性功能评估装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103690152A CN103690152A (zh) | 2014-04-02 |
CN103690152B true CN103690152B (zh) | 2016-04-20 |
Family
ID=50351938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410003824.4A Expired - Fee Related CN103690152B (zh) | 2014-01-06 | 2014-01-06 | 一种基于脉搏解析的动脉弹性功能评估装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103690152B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110432874A (zh) * | 2019-07-26 | 2019-11-12 | 清华大学 | 一种脉搏波的处理方法及装置 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10058255B2 (en) | 2014-05-29 | 2018-08-28 | Hong Kong Applied Science And Technology Research Institute Co. Ltd. | Method of determining stiffness index of an arterial network and system thereof |
CN104983411A (zh) * | 2015-07-16 | 2015-10-21 | 兰州理工大学 | 动态脉率变异性信号复杂性测度的实时计算方法 |
CN109414199B (zh) * | 2016-06-14 | 2023-08-01 | 皇家飞利浦有限公司 | 用于最大动脉顺应性的无创评估的设备和方法 |
CN106798547A (zh) * | 2016-12-29 | 2017-06-06 | 乐普(北京)医疗器械股份有限公司 | 一种基于统计的臂踝脉搏波延时的计算方法 |
CN108784650A (zh) * | 2017-05-03 | 2018-11-13 | 深圳迈瑞生物医疗电子股份有限公司 | 生理信号的同源性识别方法及装置 |
CN107582068A (zh) * | 2017-10-12 | 2018-01-16 | 南阳师范学院 | 一种基于周期自相干原理的畸变产物耳声发射探测方案 |
CN108507607B (zh) * | 2018-02-09 | 2020-07-03 | 中国科学院国家空间科学中心 | 一种基于核函数的微弱信号检测方法 |
CN109124610B (zh) * | 2018-09-26 | 2021-07-30 | 深圳星脉医疗仪器有限公司 | 一种无创血压测量的抗干扰方法和装置 |
CN109259745A (zh) * | 2018-10-25 | 2019-01-25 | 贵州医科大学附属医院 | 一种穿戴式心脑血管疾病智能监测系统及方法 |
KR20200112095A (ko) * | 2019-03-20 | 2020-10-05 | 삼성전자주식회사 | 혈압을 측정하는 전자 장치 및 혈압 측정 방법 |
CN110141196B (zh) * | 2019-06-13 | 2021-06-01 | 东北大学 | 基于双三角血流模型的外周动脉血管弹性评价系统 |
CN112587104A (zh) * | 2020-12-08 | 2021-04-02 | 挚感(上海)光子科技有限公司 | 一种滤除无效脉搏波形的方法 |
CN112704503B (zh) * | 2021-01-15 | 2022-08-30 | 苏州大学 | 心电信号噪声处理方法 |
CN113440114B (zh) * | 2021-07-06 | 2022-07-29 | 广东粤港澳大湾区黄埔材料研究院 | 一种基于薄膜压力传感器的脉搏波优选方法及装置 |
CN114631795B (zh) | 2022-05-19 | 2022-08-12 | 天津工业大学 | 一种血压追踪检测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101264008A (zh) * | 2007-03-15 | 2008-09-17 | 上海研祥智能科技有限公司 | 基于无线传感网络的嵌入式健康指数智能监测装置 |
CN101357062A (zh) * | 2008-08-22 | 2009-02-04 | 华南理工大学 | 基于容积脉搏波检测的生命体征参数测评装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6616613B1 (en) * | 2000-04-27 | 2003-09-09 | Vitalsines International, Inc. | Physiological signal monitoring system |
US6654621B2 (en) * | 2001-08-29 | 2003-11-25 | Bci, Inc. | Finger oximeter with finger grip suspension system |
-
2014
- 2014-01-06 CN CN201410003824.4A patent/CN103690152B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101264008A (zh) * | 2007-03-15 | 2008-09-17 | 上海研祥智能科技有限公司 | 基于无线传感网络的嵌入式健康指数智能监测装置 |
CN101357062A (zh) * | 2008-08-22 | 2009-02-04 | 华南理工大学 | 基于容积脉搏波检测的生命体征参数测评装置 |
Non-Patent Citations (1)
Title |
---|
《基于光电容积脉搏波的亚临床动脉弹性功能研究》;赵安;《第三军医大学博士学位论文》;20091210;第15-24页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110432874A (zh) * | 2019-07-26 | 2019-11-12 | 清华大学 | 一种脉搏波的处理方法及装置 |
CN110432874B (zh) * | 2019-07-26 | 2020-06-02 | 清华大学 | 一种脉搏波的处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103690152A (zh) | 2014-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103690152B (zh) | 一种基于脉搏解析的动脉弹性功能评估装置 | |
CN106413534B (zh) | 连续血压测量装置、测量模型建立方法和系统 | |
CN101732040B (zh) | 一种无创多路脉搏波检测方法 | |
CN104382571B (zh) | 一种基于桡动脉脉搏波传导时间的测量血压方法及装置 | |
CN103479343B (zh) | 基于振荡式血压计信号的中心动脉压检测系统 | |
CN101765398B (zh) | 前负荷依赖性和流体反应性的评估 | |
CN102940486B (zh) | 一种颈动脉系统血流动力学与信号分析系统及方法 | |
RU2011122787A (ru) | Способы и системы для неинвазивного измерения уровней глюкозы | |
WO2010124034A2 (en) | Processing physiological sensor data using a physiological model combined with a probabilistic processor | |
CN101919704B (zh) | 一种心音信号定位、分段方法 | |
KR20120108575A (ko) | 다중 생체 신호 측정을 이용하여 손목혈압의 정확도를 향상시키는 방법 및 장치 | |
CN106264504A (zh) | 基于手指动脉波的无创血压检测系统及方法 | |
CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
CN107072550A (zh) | 体动记录方法和装置 | |
CN103876723A (zh) | 无创桡动脉波计算脉搏波传导时间获取血压值的方法 | |
CN202960481U (zh) | 中医脉象采集装置 | |
CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
CN110558960A (zh) | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 | |
Song et al. | Extracting features for cardiovascular disease classification based on ballistocardiography | |
CN113116321A (zh) | 基于pso-grnn神经网络的无创连续血压测量系统 | |
Jana et al. | Windkessel model-based cuffless blood pressure estimation using continuous wave doppler ultrasound system | |
CN104068841B (zh) | 一种测量心脏收缩时间参数的测量方法及装置 | |
US8740803B2 (en) | Use of the frequency spectrum of artifact in oscillometry | |
JP5382774B2 (ja) | 心拍ゆらぎの分析方法 | |
CN113040738B (zh) | 血压检测装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160420 |