CN104757955A - 一种基于脉搏波的人体血压预测方法 - Google Patents

Abstract

本发明涉及一种血压预测方法，特别涉及一种基于脉搏波的人体血压预测方法。本发明的血压预测方法通过对脉搏波信号进行滤波、积累叠加处理和有效性判断，并采用最小二乘法将有效的脉搏波信号的谐波幅值作为特征参数构建血压值的回归预测模型，预测过程简单、预测误差低而且可以在家庭生活中得到广泛应用。

Description

一种基于脉搏波的人体血压预测方法

技术领域

本发明涉及一种血压预测方法，特别涉及一种基于脉搏波的人体血压预测方法。

背景技术

血压作为人体生理的重要参数，它能够反映出人体的心脏情况和血管的功能状况，人们可以通过血压的异常情况来诊断病情，也可以由此来进行观察治疗效果的好坏，或者对以后病情的变化情况进行预测。人体的血压的变化跟多种原因有关，比如说：生理周期、情绪变化、以及各种内在的疾病或者外在的刺激等，在实际测量中由于血压的波动性较大，所以在单次测量过程中，难免会跟实际情况有些出入，但是在采用不间断的测量方法时，可以消除这些波动情况，通过查看在一段时间范围内的血压变化情况进行判定，相比采用单次测量的方法更加准确，在临床和医学研究中都有着重要的价值。连续血压的测量方法分为有创、无创两类。有创测量方法是直接将传感器插入人体血管内部，通过检测血液对传感器的压力来测量人体血压。有创法测量结果准确，但由于测量过程有创，并且容易引起并发症，在临床与生活中使用相对较少。无创连续血压测量法属于软测量范畴，选择测量某些与人体血压相关体征信号，通过数学分析与推断来计算人体血压值。无创法测量过程相对简单，对人体无创，更加适合在临床与日常生活中使用。

现有技术中通常采用脉搏信号波形进行无创连续血压测量。脉搏信号波形指心脏在收缩和舒张过程中使血液在动脉流动过程中会对血管壁形成周期性变化的压强，通过使用特定的传感器实时的记录这一压力的变化的数据，利用这些数据画出来的图形称为脉搏波。现有技术使用脉搏波特征参量，建立与血压之间的回归方程，通过回归方程建立的血压预测方法，但是现有相关研究主要集中在血压回归方程建立的参数选取上，没有考虑到所使用脉搏波数据的特性，造成测量过程复杂且结果不准确。因此为了实现对人体血压的实时监测，需要找到一种无创、连续、方便的人体动态血压测量方法。

发明内容

本发明所要解决的技术问题是提供一种基于脉搏波的人体血压预测方法，解决了现有技术的人体血压预测方法预测不准确、过程麻烦的技术问题。

本发明解决上述技术问题的技术方案如下：一种基于脉搏波的人体血压预测方法，包括以下步骤：

步骤1，通过传感器采集脉搏振动信号；

步骤2，采用低通滤波器对所述采集到的脉搏振动信号进行滤波处理；

步骤3，在每个周期内，对所述步骤2处理后的脉搏振动信号进行积累叠加处理，得到脉搏振动压力信号；

步骤4，判断所述脉搏振动压力信号是否是正确的脉搏波形，若是，则进入步骤5；不是则发出报警信号，则返回步骤1；

步骤5：采用最小二乘法建立人体血压值与所述脉搏振动压力信号谐波幅值的回归预测模型，并采用所述回归预测模型进行血压预测。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步的，所述传感器为CM-01接触式麦克风传感器。

进一步的，所述低通滤波器为巴特沃斯数字低通滤波器，所述巴特沃斯数字低通滤波器通带截至频率为15Hz，阻带截至频率为30Hz，通带最大衰减为1Db，阻带最小衰减为70Db。

进一步的，所述步骤3具体为：

以每个周期的最低点对所述脉搏振动信号进行周期划分；

以每个周期的最低点为周期的起始部分往前查找，直到找到数值大于等于零的点，该点即为新的周期的起始位置；

将所述脉搏振动信号减去多个周期的脉搏振动信号平均值，得到每个周期的脉搏振动压力信号；

进一步的，步骤4具体为：

对经步骤3积累叠加处理的多个脉搏振动压力信号进行傅里叶变化，得到不同脉搏振动压力信号波形的0～10次谐波幅值大小；

对多个所述脉搏振动压力信号的0～10次谐波幅值分别归一化处理后，进行均值计算，得到0～10次谐波分别对应的谐波幅值标准值；

取20组经步骤3处理的脉搏振动压力信号，对每组脉搏振动压力信号进行傅里叶变化，并对得到的0～10次谐波幅值分别进行归一化处理，得到20组归一化后的0～10次谐波幅值；

依次将归一化后的每一组的各个谐波幅值和对应的所述谐波幅值标准值进行对比得到20组差异值；所述差异值是每次谐波幅值跟对应的谐波幅值标准值的差值的绝对值，并将十个绝对值进行相加得到的总和；

将所述20组差异值中的最大值作为判断所述脉搏振动压力信号是否是正确的脉搏波形的判断标准。

进一步的，步骤5中，所述回归预测模型的因变量为舒张压和收缩压，参考特征值为所述脉搏振动压力信号归一化后的0～10次谐波幅值，所述回归预测模型具体为

y₁＝a₁x₁+a₂x₂+a₃x₃+···a₁₀x₁₀+ε₁  (2-1)

y₂＝b₁x₁+b₂x₂+b₃x₃+···b₁₀x₁₀+ε₂  (2-2)

其中y₁为收缩压，y₂为舒张压，a和b为由步骤4中20组脉搏振动压力信号进行系统辨识计算出的辨识系数矩阵，e(t)表示高斯白噪声；X_1-10为归一化后的谐波幅值。

本发明的有益效果是：本发明的血压预测方法通过对脉搏波信号进行滤波、积累叠加处理和有效性判断，并采用最小二乘法将有效的脉搏波信号的谐波幅值作为特征参数构建血压值的回归预测模型，预测过程简单、预测误差低而且可以在家庭生活中得到广泛应用。

附图说明

图1为本发明血压预测方法的流程示意图；

图2为传感器得到的脉搏振动信号的原始信号；

图3为滤波前后的脉搏振动信号的频谱波形对比。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

脉搏信号波形指心脏在收缩和舒张过程中使血液在动脉流动过程中会对血管壁形成周期性变化的压强，通过使用特定的传感器实时的记录这一压力的变化的数据，利用这些数据画出来的图形称为脉搏波。相关研究结果表明，人体脉搏波信号会随着血压变化呈现显著变化，因此人体血压与人体脉搏波信号之间存在着对应关系，可以使用脉搏波信号对行血压软测量。

如图1所示，为本发明实施例人体血压预测方法的流程示意图，包括以下步骤：

步骤1，通过传感器采集脉搏振动信号。在测量的时候把传感器固定在手腕部分，并且使传感器的突出在外的感应活塞压在脉搏跳动比较明显的桡动脉上。用腕表为传感器进行供电，当按下腕表中的测量按键中时传感器就可以实现正常测量。由于传感器是测量振动的信号，最终得到的不是一个正规的压力波形，传感器得到的原始信号如图2所示；

步骤2，采用低通滤波器对所述采集到的脉搏振动信号进行滤波处理。脉搏波可以近似的看成是一种周期性信号，而即使在一个较短的时间内，两个不同的脉搏跳动周期也会有一些微小的差异，特别是当人体的各种生理状况发生变化时，该波形也会产生一些波形上的变化。在血压发生变化时，会引起每博射血量和每次射出血量能量也会有所差异，这样会在脉搏波形中有所表现。根据现有技术记载，脉搏信号主要具有以下特征：第一，脉搏信号较弱，其中含的干扰信号比较强，为了测量这种较弱的信号，必然要选择灵敏度较高的传感器，而灵敏度越过，其受到干扰信号的影响就会越严重，手臂稍微有所振动都会对测量到的波形产生较大影响，故在本实施例中提到的脉搏数据都是在相对稳定的情况下取得的；第二，根据大量的数据采集后进行分析发现：人体脉搏信号的基波大约为1HZ，并且信号频率主要分布在0到20赫兹的范围内，因此在测量过程中可以采用低通滤波器对脉搏波信号进行滤波处理；第三，影响传感器测量结果的干扰主要有工频干扰，接触噪声，以及电磁设备干扰等因素组成，这些干扰信号主要发生在高频部分，所以在进行信号分析之前，有必要信息信号的低通滤波处理，如图3为滤波前后的脉搏振动信号的频谱波形对比。本实施例中，所述传感器为CM-01接触式麦克风传感器。所述低通滤波器为巴特沃斯数字低通滤波器，所述巴特沃斯数字低通滤波器通带截至频率为15Hz，阻带截至频率为30Hz，通带最大衰减为1Db，阻带最小衰减为70Db。

步骤3，在每个周期内，对所述步骤2处理后的脉搏振动信号进行积累叠加处理，得到脉搏振动压力信号。本实施例中，所述步骤3具体为：以每个周期的最低点对所述脉搏振动信号进行周期划分；以每个周期的最低点为周期的起始部分往前查找，直到找到数值大于等于零的点，该点即为新的周期的起始位置；将所述脉搏振动信号减去多个周期的脉搏振动信号平均值，得到每个周期的脉搏振动压力信号。这一处理主要因为本实施例采用的传感器测量信号为振动信号，也可以简单的理解为其最终得到的数据为每个时候该传感器所受到的冲量，其波形并不是直接的压力波形，所以要经过叠加处理，处理过程为首先把整个数据减去直流分量(即多个周期的脉搏数据的平均值)。

步骤4，判断所述脉搏振动压力信号是否是正确的脉搏波形，若是，则进入步骤5；不是则发出报警信号，则返回步骤1。在实际测量中，测量环境较为复杂，对测量位置要求较高，有时候会出现测量位置的偏移，或者噪声过大淹没了脉搏信号的情况，因此在进行实际的数据提取过程中，在得到数据之后，要进行判定其是否属于脉搏信号。判定主要根据波形的形状特点，而波形的形状特点可以通过傅里叶变换得到的各次谐波来进行判定。首先提取多组实验数据，对这些数据进行傅里叶变换进而得到脉搏波形的各次谐波幅值的大小。脉搏信号谐波主要存在于0～15Hz内，而脉搏频率一般在1～1.5Hz的范围内，故这里主要取0～10次谐波参与判定。通过大量实验数据得到脉搏波形前十次谐波的幅值，对多个数据的前十次谐波进行均值处理，由于在腕带给与传感器不同压力时其各次谐波幅值有较大差别，要免除这一影响，要对于各次谐波进行归一化处理，把这一组归一化之后的数据作为标准对比谐波幅值，取20组正常的脉搏波数据，对每一组取归一化后的谐波幅值跟这一组标准谐波幅值进行对比求差异值。差异值是指对每次谐波跟对应的标准谐波幅的差值的绝对值，并把十个绝对值进行相加得到的数就是差异值。在得到这20组脉搏波形数据与标准谐波幅值的差异值后，以该组数中最大值当做阀值作为判定是否是可用脉搏波形的标准。该标准用于识别测试数据是否干扰过大，或者是否偏移了桡动脉位置，可用于提醒用户保持稳定状态，或调整佩戴位置，以得到正常的脉搏波数据。

步骤5：采用最小二乘法建立人体血压值与所述脉搏振动压力信号谐波幅值的回归预测模型，并采用所述回归预测模型进行血压预测。最小二乘法是一种计算相关关系的方法，在科学研究和处理实际问题是，分析数据常常会遇到一类这样的问题，即考察若干个因素对我们所关心的某个或者某些指标的影响。例如，当研究钢中含碳量与精炼时间的联系，或者人的身高和身体重量的联系等。这些问题的变量之间有一定的关系，又不能用确定的函数关系式来表达，因为其中的某些变量实际上会是随机变量，它们之间的关系就称之为相关关系。而最小二乘法就是计算这一相关关系的一种有效的方法，主要是通过对以往数据的对应关系进行统计研究，力图寻找一个最优的函数来适应这一关系，使每一组数据的误差平方和最小，那么这个函数关系并没有真正的理论支撑，只是根据大量数据推算而来，故就称它为经验公式。本实施例中，步骤5中，所述回归预测模型的因变量为舒张压和收缩压，参考特征值为所述脉搏振动压力信号归一化后的0～10次谐波幅值，所述回归预测模型具体为

y₁＝a₁x₁+a₂x₂+a₃x₃+···a₁₀x₁₀+ε₁  (2-1)

y₂＝b₁x₁+b₂x₂+b₃x₃+···b₁₀x₁₀+ε₂  (2-2)

其中y₁为收缩压，y₂为舒张压，a和b为由步骤4中20组脉搏振动压力信号进行系统辨识计算出的辨识系数矩阵，e(t)表示高斯白噪声；X_1-10为归一化后的谐波幅值。

本发明的血压预测方法通过对脉搏波信号进行滤波、积累叠加处理和有效性判断，并采用最小二乘法将有效的脉搏波信号的谐波幅值作为特征参数构建血压值的回归预测模型，预测过程简单、预测误差低而且可以在家庭生活中得到广泛应用。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于脉搏波的人体血压预测方法，包括以下步骤：

步骤1，通过传感器采集脉搏振动信号；

步骤2，采用低通滤波器对所述采集到的脉搏振动信号进行滤波处理；

步骤3，在每个周期内，对所述步骤2处理后的脉搏振动信号进行积累叠加处理，得到脉搏振动压力信号；

步骤4，判断所述脉搏振动压力信号是否是正确的脉搏波形，若是，则进入步骤5；不是则发出报警信号，则返回步骤1；

步骤5：采用最小二乘法建立人体血压值与所述脉搏振动压力信号的回归预测模型，并采用所述回归预测模型进行血压预测。

2.根据权利要求1所述的基于脉搏波的人体血压预测方法，其特征在于，所述传感器为CM-01接触式麦克风传感器。

3.根据权利要求1所述的基于脉搏波的人体血压预测方法，其特征在于，所述低通滤波器为巴特沃斯数字低通滤波器，所述巴特沃斯数字低通滤波器通带截至频率为15Hz，阻带截至频率为30Hz，通带最大衰减为1Db，阻带最小衰减为70Db。

4.根据权利要求1～3任一所述的基于脉搏波的人体血压预测方法，其特征在于，所述步骤3具体为：

以每个周期的最低点对所述脉搏振动信号进行周期划分；

以每个周期的最低点为周期的起始部分往前查找，直到找到数值大于等于零的点，该点即为新的周期的起始位置；

将所述脉搏振动信号减去多个周期的脉搏振动信号平均值，得到每个周期的脉搏振动压力信号。

5.根据权利要求4所述的基于脉搏波的人体血压预测方法，其特征在于，步骤4具体为：

对经步骤3积累叠加处理的多个脉搏振动压力信号进行傅里叶变化，得到不同脉搏振动压力信号波形的0～10次谐波幅值大小；

对多个所述脉搏振动压力信号的0～10次谐波幅值分别归一化处理后，进行均值计算，得到0～10次谐波分别对应的谐波幅值标准值；

取20组经步骤3处理的脉搏振动压力信号，对每组脉搏振动压力信号进行傅里叶变化，并对得到的0～10次谐波幅值分别进行归一化处理，得到20组归一化后的0～10次谐波幅值；

依次将归一化后的每一组的各个谐波幅值和对应的所述谐波幅值标准值进行对比得到20组差异值；所述差异值是每次谐波幅值跟对应的谐波幅值标准值的差值的绝对值，并将十个绝对值进行相加得到的总和；

将所述20组差异值中的最大值作为判断所述脉搏振动压力信号是否是正确的脉搏波形的判断标准。

6.根据权利要求5所述的基于脉搏波的人体血压预测方法，其特征在于，步骤5中，所述回归预测模型的因变量为舒张压和收缩压，参考特征值为所述脉搏振动压力信号归一化后的0～10次谐波幅值，所述回归预测模型具体为

y₁＝a₁x₁+a₂x₂+a₃x₃+…a₁₀x₁₀+ε₁   (2-1)

y₂＝b₁x₁+b₂x₂+b₃x₃+…b₁₀x₁₀+ε₂   (2-2)

其中y₁为收缩压，y₂为舒张压，a和b为由步骤4中20组脉搏振动压力信号进行系统辨识计算出的辨识系数矩阵，e(t)表示高斯白噪声；X_1-10为归一化后的谐波幅值。