CN104739384A - 动脉波分析方法及其系统 - Google Patents

Abstract

一种动脉波分析方法及其系统。动脉波分析方法将取得的连续脉波信号区隔出多个单一脉波，并将此些单一脉波的至少一者进行处理以取得此些单一脉波的至少一者的非时间序列数据，并以多模型建模演算法处理非时间序列数据，以取得此些单一脉波的至少一者的至少一特征点。

Description

动脉波分析方法及其系统

技术领域

本发明涉及一种动脉波分析方法及其系统，尤其涉及一种能分析心血管系统状态的动脉波分析方法及其系统。

背景技术

心血管疾病为现代人主要疾病之一，如何有效评估心血管系统的状态，一直以来是现代人不可忽视的课题之一。动脉波信号是一种生理参数，主要通过量测心搏周期中身体受测部位的动脉血管与血液的变化所得，虽然动脉波信号会受到心输出量、动脉壁弹性、血液容量、外周小动脉和微动脉的血管阻力、血液粘稠度等生理因素影响，但由于动脉波信号的分析及设备的操作安全及简便，仍为评估心血管系统状态的技术手段之一。

动脉波信号可通过非侵入式的量测设备来取得连续性的动脉波信号，随着量测技术的进步，甚至能藉由行动装置与其内建的感测器，如内建的摄影镜头与闪光灯，即可取得动脉波信号，进而分析评估心率与心血管参数等生理健康信息。然而，现今多数的非侵入式动脉波量测设备，例如压力式的腕式血压计、脉诊仪，光学式的血氧机等，其量测时容易受到人为移动、人的姿态、周围环境光、温度等影响，而干扰量测的信号品质，导致所取得的连续动脉波信号产生偏差而形成非标准型态的动脉波信号。此种非标准型态的动脉波信号通常没有很明显的重搏切迹，或是动脉波信号中出现多个波峰。

因此，如何提出一种能处理非标准形态的动脉波信号的技术手段，为目前待解决的课题之一。

发明内容

本发明的目的在于提供一种动脉波分析方法及其系统，能够处理动脉波呈现单调递减或动脉波呈现局部振荡等非标准型态的动脉波信号。

本发明的动脉波分析方法，其步骤包含：通过动脉波量测设备取得连续脉波信号；将该连续脉波信号区隔出多个单一脉波；将该些单一脉波的至少一者进行数据前处理步骤，以取得对应该些单一脉波的该至少一者的非时间序列数据；以及以多模型建模演算法处理该些单一脉波的该至少一者的非时间序列数据，以取得对应该些单一脉波的该至少一者的至少一特征点。

本发明还提供一种动脉波分析系统，包含：信号撷取单元，用于产生连续脉波信号；以及运算单元，包含：脉波区隔模块，用于处理该连续脉波信号，以将该连续脉波信号区隔出多个单一脉波；前处理模块，用于处理该些单一脉波的至少一者，以取得对应该些单一脉波的该至少一者的非时间序列数据；及多模型建模模块，用于处理该些单一脉波的该至少一者的非时间序列数据，以取得对应该些单一脉波的该至少一者的至少一特征点。

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

附图说明

图1为本发明的一实施例的动脉波分析方法的流程图；

图2为依据本发明的一实施例的多模型建模演算法处理后取得脉波特征点的示意图；

图3A、图3B、图3C为依据本发明的一实施例的动脉波分析方法的示意图；

图4为本发明的另一实施例的动脉波分析方法的流程图；

图5A、图5B、图5C为依据本发明的一实施例的数据前处理步骤处理脉波的示意图；以及

图6为本发明的动脉波分析系统的系统架构图。

其中，附图标记

20、31 脉波

201 起搏点

202、311 主波峰

203 重搏切迹

204、312 重搏波峰

21、33 第一高斯函数

22、34第二高斯函数

32    非时间序列的脉波

331   第一顶点

341   第二顶点

6     动脉波分析系统

61    信号撷取单元

62    运算单元

621   滤波模块

622   脉波区隔模块

623   前处理模块

624   多模型建模模块

625   指标计算模块

63    显示单元

S11至S14、S41至S46 步骤。

具体实施方式

以下藉由特定的具体实施例加以说明本发明的实施方式，而熟悉此技术的人士可由本说明书所揭示的内容轻易地了解本发明的其他优点和功效，也可藉由其他不同的具体实施例加以施行或应用。

图1为本发明的一实施例的动脉波分析方法的流程图。在步骤S11中，通过动脉波量测设备取得连续脉波信号，其中，该动脉波量测设备为血压计、脉诊仪、血氧机或摄影机，但本发明并不以此为限。而动脉波量测设备可以是压力式或是光学式，以分析身体特定部位的压力变化或是组织光吸收度的差异，能得知所测部位的血管与血液体积的变化，进而将此信息转化成连续动脉波信号。例如压力式是采腕式脉压带、压电感测器来撷取受测部位的压力变化；光学式是将可见光或红外光照射受测部位，再通过光电二极管撷取受测部位光线密度的变化。而近来更有以摄影机中的感光元件（CMOS或CCD）取代前述的光电二极管作为光感应器，来进行光密度变化的检测。

如图2所示，连续脉波信号的脉波20例如是动脉波，动脉波亦称血压波、动脉血压波，血压脉波等等，以下以动脉波作统一说明。动脉波具有能够解读出所代表意义的多个特征点，如脉波20中的起搏点201（pacemaker）、主波峰202（percussion wave peak）、重搏切迹203（dicrotic notch）、重搏波峰204（dicrotic wave peak）等特征点。起搏点201所代表的为整个动脉波的波形的起始点，也指心脏舒张末期血管内的压力与血液容积、心室射血期的起始点，心脏开始收缩，大量血液开始流入动脉。而且血管内容积与血流量突然的快速扩张，达射血期的终点时，会造成动脉波的波形急遽上升至主波峰202，亦即代表心脏收缩期的最大血液容积，血管壁急速扩张的状态；主波峰202下降则代表血管内容积与血流量正逐渐减少，血管壁逐渐回缩至扩张前的状态。重搏波峰204为主波峰202下降时突出的一个明显波，主要是血管内脉波的波动传导至肢体末端时，反弹回来使得所量测的身体特定部位的动脉管壁会出现短暂血液容积变化现象的反弹波。在重搏波峰204与主波峰202之间的凹陷处，则为重搏切迹203，代表动脉静压排空时间，亦作为心脏收缩期与舒张期的分界点。而此些特征点能够作为心率与心血管参数等评估生理健康指标，例如二主波峰之间的时间间隔能视为心电图（electrocardiogram,ECG）的心跳间期(RRintervals,RRI)序列，能进一步通过心率变异性（heart rate variability,HRV）分析得知使用者的生理状态。亦可通过动脉波的型态，掌握使用者的心脏收缩能力、血管弹性、血液粘稠度与外周小动脉和微动脉的血管阻力等能够反应心血管健康状态的参数。

在步骤S11所取得的连续脉波信号，其由多个单一脉波所组成，要分析出至少一个单一脉波所代表的起搏点、主波峰、重搏切迹、重搏波峰等特征点前，先将连续脉波信号区隔出多个单一脉波（步骤S12），而区隔的方式是基于连续脉波信号中的每一波谷或每一波峰作为切割点，来切割出每一个单一脉波，而每一个单一脉波能代表心脏每一次心跳律动所产生的脉波。

取得多个单一脉波后，在步骤S13中，将该些单一脉波的至少一者进行数据前处理步骤，经该数据前处理步骤后，能够取得对应该些单一脉波的至少一者的非时间序列数据。详言之，一般脉波的波形图为一振幅随时间变化的时间序列数据（time series data），所显示的横轴通常代表时间，纵轴代表振幅。而所谓的非时间序列数据（non-time series data），是将时间序列数据的脉波波形以单位时间的方式进行切割（或分组）成多组数据，每一组数据分别对应振幅的数值，接着将每一组数据中原本纵轴所代表的振幅的数值转换为代表次数，而使得时间序列数据型态的脉波波形，从振幅-时间的表示方式转变成一种以组数-次数分配的表示方式的非时间序列数据。因此，非时间序列数据即是将时间序列数据排除以时间的表示方式的序列数据。在一实施例中，该非时间序列数据可绘制成如直方图（histogram）的表示方式，但本发明并不以此为限。此外，进行数据前处理步骤仅需对该些单一脉波中的至少一者进行处理即可，本发明并不限制数据前处理步骤必须一次性将该些单一脉波全部处理完，也不限制每次处理的单一脉波的数量。数据前处理步骤也可以一次性将该些单一脉波全部处理完。

接着前往步骤S14，即可以多模型建模演算法处理该些单一脉波的至少一者的非时间序列数据，以分析取得对应该些脉波的至少一者的至少一特征点。详言之，所谓多模型建模演算法是以高斯混合模型（Gaussian mixture model，GMM）来对该些单一脉波的至少一者的非时间序列数据进行处理。高斯混合模型是由多个高斯函数或高斯分布依据不同的权重线性组合而成。在本发明的一实施例中，高斯混合模型包含至少二个以上的高斯函数，但本发明并不以此为限。在本发明的另一实施例中，多模型建模演算法也可以多个三角波模型来处理该些单一脉波的至少一者的非时间序列数据，或是以至少一高斯模型与至少一三角波模型的混合模型的方式，来处理该些单一脉波的至少一者的非时间序列数据，但本发明并不以此为限。而高斯函数所绘制出的波形的特性值（如波峰位置），即为脉波的特征点，如主波峰、重搏波峰等。在一实施例中，以两个高斯函数分别反应动脉波的主波峰及重搏波峰，如图2所示，脉波20即可以第一高斯函数21及第二高斯函数22所表示。而此第一高斯函数21、第二高斯函数22分别的平均值（即波峰位置）即可代表主波峰202及重搏波峰204的顶点，可作为脉波20的主波峰202及重搏波峰204的特征点。另，三角波模型的特性值（如波峰位置）也可为脉波的特征点。此外，若采取高斯模型与三角波模型的混合模型的演算方式，则特征点为分别高斯函数的特性值（例如为波峰位置）、三角波模型的特性值（例如为波峰位置）、混合模型中的高斯模型与三角波模型两者波形的相交点、混合模型中的该高斯模型的特性值，或是混合模型中的该三角波模型的特性值。其中，上述的高斯函数的特性值可为平均值（mean）、标准差（standard deviation）、中位数（median）、众数（mode）、极小值（minimum）、极大值（maximum）、变异量（variability）、偏态（skewness）、峰度（kurtosis）等统计量以对应至脉波的特征点，另外三角波模型的特性值可为顶点、高度、宽度等统计量以对应至脉波的特征点，且上述高斯模型与三角波模型两者波形的相交点则可为上述高斯函数的特性值任一者与三角波模型的特性值的任一者所相交之处，或是该混合模型中的高斯模型或三角波模型的特性值，本发明并不以此为限。此外，多模型建模演算法处理步骤仅需对该些单一脉波中的至少一者进行处理即可，本发明并不限制多模型建模演算法步骤必须一次性将该些单一脉波全部处理完，也不限制每次处理的单一脉波的数量。多模型建模演算法步骤也可以一次性将该些单一脉波全部处理完。

进一步参阅图3A、图3B、图3C所示，图3A即是单一个脉波31的示意图。如图3B所示，脉波31经数据前处理步骤后即形成非时间序列的脉波32。而此一非时间序列的脉波32经多模型建模演算法处理后，可显示出第一高斯函数33及第二高斯函数34来代表该非时间序列的脉波32（即等于图3A中脉波31），而第一高斯函数33具有第一顶点331、第二高斯函数34具有第二顶点341，此第一顶点331及第二顶点341对应至非时间序列的脉波32（即等于图3A中脉波31），找出第一顶点331及第二顶点341所在横轴位置所对应的非时间序列的脉波32的纵轴数值，而能以该纵轴数值对应至脉波31中，进而找出脉波31的主波峰311及重搏波峰312两个特征点（如图3C所示）。通过多模型建模演算法处理脉波的非时间序列数据，能够有效的撷取出脉波的特征点位置，进而能依据该些特征点位置所代表的意义，进行生理状态的分析，如评估心血管健康状态等等。

在本发明的另一实施例中，请参阅图4所示本发明的另一实施例的动脉波分析方法的流程图。在此所述的实施例与前述的实施例的部分步骤相同，详细内容在此不再重复赘述。在步骤S41中，先通过动脉波量测设备取得连续脉波信号。而在将该连续脉波信号进行处理之前，先进行滤波处理（步骤S42），此一滤波处理的主要目的在于消除连续脉波信号中非心血管状态因素所产生的影响，而滤波处理可以是可消除低频噪声的高通滤波、可消除高频噪声的低通滤波或可消除特定频段的带通滤波。

在步骤S43中，将经过滤波处理后的连续脉波信号进行切割，以区隔出多个单一脉波。而区隔的方式以连续脉波信号的每一波谷或每一波峰来作为基准点进行区隔，产生多个脉波。取得多个单一脉波后，接下来在以多模型建模演算法处理该些单一脉波的至少一者之前，由于多模型建模演算法用于非时间序列的分析，可以先将单一脉波此种包含时间的数据型态转为可用于多模型建模的非时间序列的数据型态，即数据前处理步骤。数据前处理步骤包含步骤S44、S45。

请同时参阅图5A、图5B、图5C，图5A为原始脉波的波形，横轴为时间，纵轴为振幅。在步骤S44中，将该些单一脉波的至少一者的振幅的基线调整至正值，即是将图5A中的整个脉波的波形往上平行移动，使得脉波的振幅最小值不会小于零，如图5B所示。换言之，即是将图5A中的虚线往下移动而形成如图5B所示。接着至步骤S45，如图5C所示，将脉波以单位时间进行切割成多组数据，每一时间点（即每一组）皆能对应一振幅的数值。接着将每一时间点所对应的振幅的数值转换为以次数表示，如图5C所示的纵轴即以次数表示，转换的方式可采放大振幅的数值的方式来进行，例如图5C的纵轴数据即是由图5B的纵轴数据所放大而来。但转换的方式也可采缩小振幅的数值的方式来进行，或是不进行振幅数值的转换。详言之，将每一时间点所对应的振幅的数值转换为以次数表示的方式，可基于单一脉波的振幅特性而定。所谓的振幅特性，是指该脉波振幅的剧烈程度而言。当单一脉波的振幅特性不显着时，即该脉波振幅并非剧烈地上下振荡，可采用放大振幅的数值的方式进行转换，会更利于后续的分析；若单一脉波的振幅特性显着，即该脉波振幅为剧烈地上下振荡，则可采用缩小振幅的数值的方式进行转换，或是不转换直接进行后续分析亦可，本发明并不以此为限。

完成数据前处理步骤后，该些单一脉波的至少一者最后能以组数-次数的方式表示，而非以时间-振幅的方式表示，进而能重新绘制成非时间序列的数据型态，例如为直方图（histogram）的数据分布型态，但本发明并不以此为限。如此一来，在步骤S46中，以多模型建模演算法处理该些单一脉波的至少一者的非时间序列数据，以取得对应该些单一脉波的至少一者的至少一特征点，并可将该特征点作进一步生理状态检测之用，其中，该特征点由起搏点、主波峰、重搏切迹及重搏波峰中的任一种或任二种以上所组合，例如以多模型建模演算法采至少一高斯模型与至少一三角波模型的混合模型为例，特征点以该混合模型中的该高斯模型与该三角波模型的相交点作为重搏切迹、以该混合模型中的该高斯模型的特性值作为主波峰或重搏波峰、该混合模型中的该三角波模型的特性值作为主波峰或重搏波峰。因此，如以混合模型来取得特征点，即能一次取得任一种或任二种以上所组合的特征点，但本发明并不以此为限。

不论是步骤S14或是步骤S46的多模型建模演算法，由于该多模型建模演算法为机率式多模型，即叠加后的多模型函式满足机率公设（Axioms ofProbability）。满足机率公设是指满足其三大公设定理：（1）样本空间之中的任一事件的机率为正实数或零；（2）每个样本空间的机率为1；以及（3）样本空间之中的事件A及事件B若为互斥，则事件A或者事件B发生的机率为事件A及事件B的各自机率的和。而为了找出最逼近脉波的高斯函数，能通过最大概似度估测法（Maximum Likelihood）及期望最大演算法（ExpectationMaximization）让高斯混合模型进行收敛，收敛所需时间少，而能增加动脉波特征点撷取的效率。然而最大概似度估测法及期望最大演算法亦可使用在三角波模型的收敛上，更可使用在高斯模型与三角波模型的混合模型中两者分别函数的收敛上，本发明并不以此为限。

本发明更提供一种动脉波分析系统，请参阅图6所示，动脉波分析系统6包含信号撷取单元61、运算单元62以及显示单元63。该运算单元62包含滤波模块621、脉波区隔模块622、前处理模块623、多模型建模模块624及指标计算模块625。需说明的是，该些模块可包含软件、硬件或前述的组合。软件可例如为机械代码、韧件、嵌入代码、应用软件或前述的组合，硬件可例如为电路、处理器、电脑、集成电路、集成电路核心或前述的组合。该信号撷取单元61用于产生连续脉波信号。具体而言，信号撷取单元61可为血压计、脉诊仪、血氧机或摄影机，但本发明并不以此为限。利用信号撷取单元61来撷取受测体（如人类）的连续脉波信号后，将该连续脉波信号传送至滤波模块621进行滤波后，以滤除噪声并产生经滤波后的连续脉波信号，其中，滤波模块621以软件进行可消除低频噪声的高通滤波、可消除高频噪声的低通滤波或可消除特定频段的带通滤波的处理，本发明并不以此为限。将经滤波后的连续脉波信号传送至脉波区隔模块622进行处理，可将经滤波后的连续脉波信号区隔出多个单一脉波。该脉波区隔模块622主要基于经滤波后的连续脉波信号中每一脉波的波谷或波峰为基准，来区隔出多个单一脉波。将区隔完成的该些单一脉波的至少一者传送至前处理模块623进行处理，在将该些单一脉波的至少一者的振幅的基线调整至正值后，令该些单一脉波的至少一者以单位时间进行切割，并转换该些单一脉波的至少一者的振幅的数值，如采放大或缩小振幅数值的方式来进行转换，因此，所切割出每一时间点皆能对应一振幅数值转换成的次数。据此，能将原本以时间-振幅的方式表示的单一脉波转变成以组数-次数的方式表示，此即能形成对应单一脉波的非时间序列数据。在一实施例中，非时间序列数据可为如直方图（histogram）的数据分布型态，但本发明并不以此为限。而多模型建模模块624则是用于处理该些单一脉波的至少一者的非时间序列数据，以取得该些单一脉波的至少一者的至少一特征点，其处理方法以至少二高斯函数的高斯混合模型、多个三角波模型，或是至少一高斯模型与至少一三角波模型的混合模型的方式，来处理该些单一脉波的至少一者的非时间序列数据。本发明所述动脉波分析系统6内的各模块及单元所具备的功能及技术手段相同于前述动脉波分析方法，在此不再赘述。在动脉波分析系统6的多模型建模模块624取得脉波的特征点后，可再经由指标计算模块625的计算，依据所取得的特征点进行心血管健康状态的评估，并可把评估结果通过显示单元63（如屏幕）进行显示。

藉由本发明所提供的动脉波分析方法及其系统，能够处理动脉波呈现单调递减或动脉波呈现局部振荡等非标准型态的动脉波信号，使得动脉波分析技术的适用范围能够增加，并从中辨别出动脉波信号中每次心脏搏动时的波形的特征点位置所在，以通过特征点评估使用者的心血管健康状态。此外，多模型建模演算法搭配最大概似度估测法及期望最大演算法，更可减少收敛高斯函数所需时间，大幅降低动脉波分析方法的处理时间，使其能广泛地应用在动脉波信号量测的设备上，更能提升撷取动脉波特征点的效率性且更精确地估测心血管健康状态。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (15)

1.一种动脉波分析方法，其特征在于，步骤包含：

通过动脉波量测设备取得连续脉波信号；

将该连续脉波信号区隔出多个单一脉波；

将该些单一脉波的至少一者进行数据前处理步骤，以取得对应该些单一脉波的该至少一者的非时间序列数据；以及

以多模型建模演算法处理该些单一脉波的该至少一者的非时间序列数据，以取得对应该些单一脉波的该至少一者的至少一特征点。

2.如权利要求1所述的动脉波分析方法，其特征在于，该数据前处理步骤包含：

将该些单一脉波的该至少一者的振幅的基线调整至正值；以及

将该些单一脉波的该至少一者以单位时间进行切割，并转换该些单一脉波的该至少一者的振幅的数值，以形成对应该些单一脉波的该至少一者的非时间序列数据。

3.如权利要求2所述的动脉波分析方法，其特征在于，该些单一脉波的该至少一者的振幅的数值采用放大数值或缩小数值的方式来进行转换。

4.如权利要求1所述的动脉波分析方法，其特征在于，该多模型建模演算法以至少一高斯模型与至少一三角波模型的混合模型、至少二高斯函数的高斯混合模型或多个三角波模型的方式处理该些单一脉波的该至少一者的非时间序列数据。

5.如权利要求4所述的动脉波分析方法，其特征在于，该多模型建模演算法更包含最大概似度估测法及期望最大演算法，以收敛该混合模型、该高斯混合模型或该些三角波模型。

6.如权利要求4所述的动脉波分析方法，其特征在于，该特征点对应该混合模型中的该高斯模型与该三角波模型的相交点、该混合模型中的该高斯模型的特性值、该混合模型中的该三角波模型的特性值、该高斯混合模型中的该些高斯函数的特性值或该些三角波模型的特性值。

7.如权利要求1所述的动脉波分析方法，其特征在于，该动脉波分析方法更包含取得该连续脉波信号后将该连续脉波信号进行滤波处理的步骤，其中，该滤波处理为高通滤波、低通滤波或带通滤波。

8.如权利要求1所述的动脉波分析方法，其特征在于，该连续脉波信号为基于该连续脉波信号的每一波谷或每一波峰以区隔该些单一脉波。

9.如权利要求1所述的动脉波分析方法，其特征在于，该动脉波量测设备为血压计、脉诊仪、血氧机或摄影机。

10.如权利要求1所述的动脉波分析方法，其特征在于，该特征点由起搏点、主波峰、重搏切迹及重搏波峰中的任一种或任二种以上所组合。

11.一种动脉波分析系统，其特征在于，包含：

信号撷取单元，用于产生连续脉波信号；以及

运算单元，包含：

脉波区隔模块，用于处理该连续脉波信号，以将该连续脉波信号区隔出多个单一脉波；

前处理模块，用于处理该些单一脉波的至少一者，以取得对应该些单一脉波的该至少一者的非时间序列数据；及

多模型建模模块，用于处理该些单一脉波的该至少一者的非时间序列数据，以取得对应该些单一脉波的该至少一者的至少一特征点。

12.如权利要求11所述的动脉波分析系统，其特征在于，该运算单元更包含滤波模块，用于在该信号撷取单元产生该连续脉波信号后，接收该连续脉波信号并进行滤波。

13.如权利要求11所述的动脉波分析系统，其特征在于，该前处理模块用于将该些单一脉波的该至少一者的振幅的基线调整至正值后，令该些单一脉波的该至少一者以单位时间进行切割，并转换该些单一脉波的该至少一者的振幅的数值，以取得对应该些单一脉波的该至少一者的非时间序列数据。

14.如权利要求11所述的动脉波分析系统，其特征在于，该运算单元更包含指标计算模块，用于依据该特征点进行心血管健康状态的评估，以产生评估结果。

15.如权利要求14所述的动脉波分析系统，其特征在于，该动脉波分析系统更包含显示单元，用于显示该指标计算模块所产生的评估结果。