CN107822608B - 基于高斯混合模型的脉搏波特征提取方法 - Google Patents

基于高斯混合模型的脉搏波特征提取方法 Download PDF

Info

Publication number
CN107822608B
CN107822608B CN201711016690.XA CN201711016690A CN107822608B CN 107822608 B CN107822608 B CN 107822608B CN 201711016690 A CN201711016690 A CN 201711016690A CN 107822608 B CN107822608 B CN 107822608B
Authority
CN
China
Prior art keywords
pulse wave
point
points
monocycle
signal
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.)
Active
Application number
CN201711016690.XA
Other languages
English (en)
Other versions
CN107822608A (zh
Inventor
苏志刚
朱海玲
郝敬堂
张亚娟
马龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Civil Aviation University of China
Original Assignee
Civil Aviation University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN201711016690.XA priority Critical patent/CN107822608B/zh
Publication of CN107822608A publication Critical patent/CN107822608A/zh
Application granted granted Critical
Publication of CN107822608B publication Critical patent/CN107822608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

一种基于高斯混合模型的脉搏波特征提取方法。其包括脉搏波单周期切分、极值点个数确定、脉搏波种类及特征点类型判识、特征点位置初值确定、特征点位置信息提取以及脉搏波特征参数提取等步骤。脉搏波特征反映着人体生理病理状态，本发明基于高斯混合模型提出一种脉搏波特征提取的方法。该方法利用脉搏波的一、二阶差分信号的零点确定脉搏波特征点的数目及类型，并采用泰勒级数展开简化特征点位置估计的复杂度。仿真及实际数据的处理结果表明，本发明所提出的方法相对经典算法更精确地实现脉搏波特征点的定位及信息获取，是一种有效的脉搏波特征提取方法。

Description

基于高斯混合模型的脉搏波特征提取方法
技术领域
本发明属于脉搏波特征提取技术领域，特别是涉及一种基于高斯混合模型的脉搏波特征提取方法。
背景技术
心脏周期性的收缩和舒张时，使心室里的血液射入主动脉，并以波的形式由主动脉根部开始沿动脉血管传播，这种波就称为脉搏波。脉搏波信号的周期、峰值、形状等特征参数与人体的生理病理信息密切相关，如心率、心血管状态、血管健康状态等。血压是人体的重要生理参数，可以反映人体的心血管功能状况，是临床上预防、诊断有关疾病的重要依据。因此，准确识别脉搏波信号的特征点，提取脉搏波的波形特征参数，实现血压的测量，不仅可以为预防心血管疾病提供参考，而且可以为医生诊断治疗病人提供指导信息。
目前用来识别脉搏波信号特征点的方法主要有微分法、曲率法、小波变换过零点法等方法。其中微分法是通过识别脉搏波信号的极值点来识别特征点，由于脉搏波信号不稳定性以及噪声的影响，会导致脉搏波的微分信号在同一点附近可能出现多个局部极值，使微分法不能有效检测出特征点；曲率法是通过分析脉搏波信号曲率的变化来识别特征点，但对于潮波、降中峡、重搏波不明显的波形，难以有效检测出特征点；小波变换过零点法受小波基选择的影响，导致重搏波不明显的波形检测不到，且小波变换计算复杂度比较高。总之，上述识别脉搏波特征点的方法主要面临定位不准确、无法实时计算等问题。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于高斯混合模型的脉搏波特征提取方法。
为了达到上述目的，本发明提供的基于高斯混合模型的脉搏波特征提取方法包括按顺序进行的下列步骤：
(1)对采集得到的多周期脉搏波信号进行单周期切分，得到单周期脉搏波信号的S1阶段；
(2)对步骤(1)得到的单周期脉搏波信号进行一阶差分处理，得到单周期脉搏波信号极值点个数的S2阶段；
(3)根据步骤(2)得到的单周期脉搏波信号极值点个数，对单周期脉搏波种类及特征点类型进行判识的S3阶段；
(4)根据步骤(3)判识得到的单周期脉搏波种类及特征点类型，确定单周期脉搏波特征点位置初值的S4阶段：
(5)基于高斯混合模型将单周期脉搏信号拟合为高斯混合信号，并根据步骤(4)确定的单周期脉搏特征点位置初值，提取出单周期脉搏波特征点位置信息的S5阶段：
(6)根据步骤(5)提取出的单周期脉搏波特征点位置信息，获得单周期脉搏波特征点参数的S6阶段。
在步骤(2)中，所述的对步骤(1)得到的单周期脉搏波信号进行一阶差分处理，得到单周期脉搏波信号极值点个数的方法是：对步骤(1)得到的单周期脉搏波信号进行一阶差分处理，提取差分信号的过零点个数即为单周期脉搏波信号极值点个数。
在步骤(3)中，所述的根据步骤(2)得到的单周期脉搏波信号极值点个数，对单周期脉搏波种类及特征点类型进行判识的方法是：将典型脉搏波划分为有限的几种形式，并得到不同形式脉搏波极值点的个数，通过将步骤(2)得到的单周期脉搏波信号极值点个数与不同形式脉搏波极值点个数进行匹配，进而判断脉搏波的种类及特征点类型。
在步骤(4)中，所述的根据步骤(3)判识得到的单周期脉搏波种类及特征点类型，确定单周期脉搏波特征点位置初值的方法是：根据判识得到的单周期脉搏波种类及特征点类型，确定每个特征点对应为极值点还是拐点，而极值点和拐点的初值则分别由一阶差分信号及二阶差分信号的过零点来确定；如果特征点对应为极值点，则利用一阶差分信号的过零点作为初值，如果特征点对应为拐点，则利用二阶差分信号的过零点作为初值。
在步骤(5)中，所述的基于高斯混合模型将单周期脉搏信号拟合为高斯混合信号，并根据步骤(4)确定的单周期脉搏特征点位置初值，提取出单周期脉搏波特征点位置信息的方法是：基于高斯混合模型对单周期脉搏波信号建模，形成单周期脉搏波信号高斯混合信号模型，以步骤(4)确定的包含极值点位置初值及拐点位置初值的特征点位置初值为展开点，分别对其一阶导数及二阶导数进行泰勒级数展开，忽略无穷小量，求得脉搏波的极值点和拐点位置信息，即特征点位置信息。
在步骤(6)中，所述的根据步骤(5)提取出的单周期脉搏波特征点位置信息，获得单周期脉搏波特征点参数的方法是：将步骤(5)提取出的特征点位置信息代入单周期脉搏波信号高斯混合信号模型中，求出主波波峰、潮波波峰、降中峡以及重搏波波峰的幅值，而且获得单周期脉搏波上升期时间、收缩期时间以及舒张期时间在内的参数。
本发明基于高斯混合模型提出一种脉搏波特征点信息提取方法，该方法根据脉搏波的一、二阶差分信号的零点确定极值点与拐点的个数及初始位置的估计，进而完成对脉搏波特征的提取。仿真及实际数据的处理结果表明，本发明所提出的脉搏波特征点的检测与估计方法具有较高的特征点识别准确率，可以有效地提取脉搏波的特征信息，是一种行之有效的特征提取方法。
附图说明
图1为本发明提供的基于高斯混合模型的脉搏波特征提取方法流程图。
图2为预处理后的脉搏波信号波形。
图3为典型单周期脉搏波信号波形。
图4为脉搏波波形种类：(a)5个极值点；(b)3个极值点；(c)3个极值点；(d)1个极值点。
图5为存在3个极值点的脉搏波的差分信号:(a)对应图4(b)；(b)对应图4(c)。
图6为存在1个极值点的脉搏波的差分信号。
图7为脉搏波仿真波形。
图8为点B和点D的相对误差分析结果。
图9为不同类型脉搏波识别效果：(a)健康年轻人静息状态下；(b)年长者静息状态下；(c)受试者运动后。
具体实施方式
下面结合附图和具体实施例对本发明提供的基于高斯混合模型的脉搏波特征提取方法进行详细说明。
如图1所示，本发明提供的基于高斯混合模型的脉搏波特征提取方法包括按顺序进行的下列步骤：
(1)对采集得到的多周期脉搏波信号进行单周期切分，得到单周期脉搏波信号的S1阶段：
由于采集的脉搏波信号容易受到呼吸波动等引起的基线漂移和工频噪声等干扰，因此对采集到的脉搏波信号需要进行预处理，以去除各种干扰，预处理后得到的脉搏波信号部分波形如图2所示。由图2可以看出，脉搏波信号是多周期信号，只需对其中某个周期进行分析即可，因此需要对采集的多周期脉搏波信号进行单周期切分。
如图2所示，利用脉搏波信号的过零点t1、t2、t3、t4可以确定t1和t2以及t3和t4之间的最小值tmin1和tmin2，则最小值tmin1和tmin2之间的数据为一个周期的脉搏波数据，tmin1为脉搏波信号的起点，tmin2为脉搏波信号的终点，tmin1和tmin2的差值为脉搏波信号的周期。
对于单周期脉搏波信号，其典型波形如图3所示。脉搏波信号的波形由上升支(A→B)和下降支(B→G)组成。根据心脏射血和血液在血管中的传播过程可认为脉搏波信号的特征点有6个，分别为脉搏波信号的起点A、主波波峰B、潮波的最低点C、潮波波峰D、降中峡E、重搏波波峰F和脉搏波信号的终点G，也是下个周期的起点。图3中hB、hD、hE、hF分别为主波波峰B、潮波波峰D、降中峡E、重搏波波峰F的幅值，tAG为脉搏波信号的周期，tAB为上升期时间，tAE为收缩期时间，tEG为舒张期时间。
(2)对步骤(1)得到的单周期脉搏波信号进行一阶差分处理，得到单周期脉搏波信号极值点个数的S2阶段：
由于被检测体的个体差异以及健康状况的不同，脉搏波信号会呈现出不同的波形特征。研究表明，脉搏波信号特征点是脉搏波信号波形的极值点或拐点。而且根据脉搏波信号极值点的个数，可判断脉搏波信号特征点的类型。因此，在提取脉搏波信号的特征信息之前，需要先对单周期脉搏波信号极值点的个数进行分析。
因此，对步骤(1)得到的单周期脉搏波信号进行一阶差分处理，提取差分信号的过零点个数即为单周期脉搏波信号极值点个数。
然而，由于脉搏波信号受到噪声的影响，在差分信号的过零点处易出现多值。根据脉搏波信号波形特点，极值点间隔不会过小，因此，将相邻过零点间隔与间隔门限比较，保留过零点幅值较小的点。经统计，可将过零点间隔门限设置为0.025s。
研究表明，单周期脉搏波信号的极值点个数可能是5个、3个或者1个。
(3)根据步骤(2)得到的单周期脉搏波信号极值点个数，对单周期脉搏波种类及特征点类型进行判识的S3阶段：
不同的个体在不同的生理状态下心血管的状态是不同的，例如在运动状态下心跳会加快，血液传播速度变快，脉搏波周期变短，重搏波和降中峡也随之变化；动脉硬化程度不同的患者，由于血管阻力增加，弹性减小，潮波发生变化。因此脉搏波的复杂多样给其特征点的识别带来困难。
尽管脉搏波复杂多样，但是其特征点的类型通常为图4所示的几种类型。利用步骤(2)获得的极值点个数，可判断出脉搏波特征点的类型。如上所述，单周期脉搏波信号的极值点个数可能是5个、3个或者1个。
a)5个极值点
当单周期脉搏波信号的一阶差分检测出5个过零点时，说明该单周期脉搏波具有5个极值点，其波形与图4(a)中的描述相似。5个极值点分别对应于主波波峰B、潮波最低点C、潮波波峰D、降中峡E和重搏波波峰F的初值点。
b)3个极值点
当单周期脉搏波信号的一阶差分检测出3个过零点时，说明该单周期脉搏波具有3个极值点，相应波形与图4(b)或图4(c)中的描述相似。由图4(b)与图4(c)可见，3个极值点中的后两个极值点分别为降中峡E与重搏波波峰F所对应的位置，而对于第一个极值点，则可能是主波波峰B或潮波波峰D，即这两个点中有一个为极值点，则另一个为拐点。此时分成两种情况：
第一种情况，潮波正常，降中峡E和重搏波波峰F为一对极值点，主波波峰B为极值点，潮波波峰D为拐点，如图4(b)所示；
第二种情况，潮波过高，降中峡E和重搏波波峰F为一对极值点，潮波波峰D为极值点，主波波峰B为拐点，如图4(c)所示。
在进行两种情况判别时，可以截取第一个极值点与第二个极值点间的脉搏波信号数据，判断其二阶差分的过零点数目。若过零点有3个，则第一个极值点为主波波峰B，潮波波峰D为二阶差分的第二个零点位置，如图5(a)所示；若过零点有1个，则第一个极值点为潮波波峰D，主波波峰B需要利用脉搏波信号A～D间数据的二阶差分过零点判断，则主波波峰B是二阶差分由D点位置向前推的第二个零点位置，如图5(b)所示。
c)1个极值点
当单周期脉搏波信号的一阶差分检测出1个过零点时，说明该单周期脉搏波具有1个极值点，其波形与图4(d)中的描述相似。1个过零点对应于主波波峰B的初值点，主波波峰B之后的第二个和第四个二阶差分信号过零点分别对应潮波波峰D和降中峡E(重搏波波峰F)的初值点，如图6所示。
(4)根据步骤(3)判识得到的单周期脉搏波种类及特征点类型，确定单周期脉搏波特征点位置初值的S4阶段：
根据步骤(3)判识得到的单周期脉搏波种类及特征点类型，即可以明确判断出该脉搏波特征点包含的极值点和拐点数目，并可以确定每个特征点对应为极值点还是拐点。脉搏波的极值点、拐点分别与一阶差分信号及二阶差分信号的过零点相对应，即极值点的个数与一阶差分信号过零点的个数相等，拐点个数与二阶差分信号过零点个数相等。
由于脉搏波信号的采样频率为200Hz，任意两个采样点之间的间隔为0.005s，过零点与特征点的真实值的间隔足够小，所以极值点和拐点的初值可以分别由一阶差分信号及二阶差分信号的过零点来确定。当脉搏波的特征点为极值点时，可将其一阶差分信号过零点作为初值；当脉搏波的特征点为拐点时，可将其二阶差分信号的过零点作为初值。
(5)基于高斯混合模型将单周期脉搏信号拟合为高斯混合信号，并根据步骤(4)确定的单周期脉搏特征点位置初值，提取出单周期脉搏波特征点位置信息的S5阶段：
基于高斯混合模型，单周期脉搏波信号可以用高斯混合信号表示：
Figure GDA0002366753890000061
式中
Figure GDA0002366753890000062
为高斯信号，也可简写为gk(t)，且ak、tk、σk分别为第k个高斯函数的幅度、峰值位置、尺度因子。单周期脉搏波信号波形的变化完全可由这三个高斯函数的参数变化而构成，每个特征点的位置与幅度也可由这三个高斯函数的参数来表示。
单周期脉搏波信号的一阶导数的过零点时刻对应其极值点位置。对式(1)中的单周期脉搏波信号s(t)关于t求导得：
Figure GDA0002366753890000063
欲求单周期脉搏波信号s(t)的极值点，则需获得式(3)中的过零点位置。显然，直接求解方程s′(t)＝0比较困难。考虑对单周期脉搏波信号的一阶导数s′(t)在点t0处进行泰勒级数展开，得：
s′(t)＝s′(t0)+s″(t0)(t-t0)+o(t-t0) (4)
其中，o(t-t0)为单周期脉搏波信号的一阶导数s′(t)关于(t-t0)的高阶无穷小量，s″(t)为单周期脉搏波信号的二阶导数，即：
Figure GDA0002366753890000071
忽略式(4)中的无穷小量o(t-t0)，使单周期脉搏波信号的一阶导数s′(t)＝0的极值点时刻te为：
Figure GDA0002366753890000072
单周期脉搏波信号的二阶导数s″(t)的过零点可确定拐点的位置。同理，对单周期脉搏波信号的二阶导数s″(t)在点t0处进行泰勒级数展开得：
s″(t)＝s″(t0)+s″′(t0)(t-t0)+o(t-t0) (7)
其中，o(t-t0)为单周期脉搏波信号的二阶导数s″(t)关于(t-t0)的高阶无穷小量，s″′(t)为单周期脉搏波信号s(t)的三阶导数，即：
Figure GDA0002366753890000073
忽略式(7)中的无穷小量o(t-t0)，使单周期脉搏波信号的二阶导数s″(t)＝0的拐点时刻ti为：
Figure GDA0002366753890000074
由式(6)和式(9)可见，求解单周期脉搏波信号s(t)的极值点与拐点时，首先需要在极值点和拐点附近获得较准确的初值t0。而步骤(4)得到的特征点位置初值包含极值点位置初值和拐点位置初值，可以分别作为式(4)与式(7)进行泰勒级数展开的初值t0，并利用式(6)与式(9)确定特征点位置te或ti。
(6)根据步骤(5)提取出的单周期脉搏波特征点位置信息，获得单周期脉搏波特征点参数的S6阶段；
脉搏波信号的波形、特征参数反映了大量的生理信息，例如，hD/hB的值反映血管壁的顺应性和外周阻力，hE/hB的值反映外周阻力的高低，hF/hB的值反映主动脉顺应性和主动脉瓣功能，tAB/tAG与心脏射血功能有关，tEG与心率有关。影响血压的因素主要有心输出量、外周阻力、大动脉管壁弹性、循环血量和血液的粘滞性。准确获得一个周期内脉搏波的主波、潮波、降中峡及重搏波的幅值与时间位置信息等特征，对于分析脉搏波波形特征参数与血压的关系并实现血压测量具有重要意义。
根据步骤(5)获得的相应特征点的真实位置tB、tD、tE和tF。将上述位置参数分别代入式(1)中，可获得主波波峰B、潮波波峰D、降中峡E和重搏波波峰F的幅值hB、hD、hE、和hF。结合步骤(1)中脉搏波单周期信号的起点tmin1和终点tmin2，可获得上升期时间tAB，收缩期时间tAE以及舒张期时间tEG在内的时间参数。利用这些脉搏波特征点的参数可实现对血压的测量。
实验结果
本部分将分别利用仿真数据及实际采集的脉搏波数据验证本发明方法的有效性。
利用仿真的脉搏波数据研究不同的初值t0与真实值的间隔Δt对式(6)、式(9)的影响。设置三个高斯函数的参数分别为a1＝0.5089，m1＝0.1244，σ1＝0.0356，a2＝0.4039，m2＝0.2012，σ2＝0.0607，a3＝0.3966，m3＝0.4133，σ3＝0.0986，得到的仿真波形如图7所示，以点B(极值点)、点D(拐点)为例，利用matlab函数求出点B、点D的值作为真实值，依次改变初值t0的取值，代入式(6)和式(9)分别计算点B和点D的值，随着初值t0与真实值的间隔Δt的变化，点B和点D的相对误差的变化结果如图8所示。相对误差的计算公式为：
Figure GDA0002366753890000081
式中，te为特征点位置的估计值，tr为特征点位置的真实值。
由于脉搏波的特征点为过零点附近的局部最值，初值t0与特征点的真实值之间的间隔小于0.01s，由图8可见，当间隔Δt的变化在0.01s以内时，相对误差在5％以内。所以，将过零点作为初值求解脉搏波特征点具有较高的准确度。
下面利用实际采集的脉搏波检验本发明方法的有效性。邀请了年龄在25-40岁之间的男性和女性各5名受试者，采集受试者处于静息状态和运动后状态的脉搏波信号，选取每名受试者每个状态各10个周期的脉搏波信号(共200个周期)进行分析。利用本发明方法和微分法分别对处于不同状态的200个周期的脉搏波信号波形进行特征点识别，结果如表1所示。准确率定义为各个特征点位置估计值的相对误差在10％以内的数目占总数目的百分比。
表1各特征点识别准确率(％)
Figure GDA0002366753890000091
由表1可见，本发明方法明显优于微分法，特别是对脉搏波中较靠后的特征点识别效果差异更加明显。
实际采集的脉搏波波形主要分为三类，图9(a)是健康年轻人静息状态下的脉搏波波形，图9(b)是年长者静息状态下的脉搏波波形，图9(c)是受试者运动后的脉搏波波形。从图9的识别结果可以看出，对于脉搏波特征明显、潮波不明显、重搏波不明显的波形，本发明方法能够非常准确地获得不同类型脉搏波的特征点的位置与幅值信息。

Claims (6)

1.一种基于高斯混合模型的脉搏波特征提取方法，其特征在于，所述的基于高斯混合模型的脉搏波特征提取方法包括按顺序进行的下列步骤：
(1)对采集得到的多周期脉搏波信号进行单周期切分，得到单周期脉搏波信号的S1阶段；
(2)对步骤(1)得到的单周期脉搏波信号进行一阶差分处理，得到单周期脉搏波信号极值点个数的S2阶段；
(3)根据步骤(2)得到的单周期脉搏波信号极值点个数，对单周期脉搏波种类及特征点类型进行判识的S3阶段；
(4)根据步骤(3)判识得到的单周期脉搏波种类及特征点类型，确定单周期脉搏波特征点位置初值的S4阶段：
(5)基于高斯混合模型将单周期脉搏信号拟合为高斯混合信号，并根据步骤(4)确定的单周期脉搏特征点位置初值，提取出单周期脉搏波特征点位置信息的S5阶段：
(6)根据步骤(5)提取出的单周期脉搏波特征点位置信息，获得单周期脉搏波特征点参数的S6阶段。
2.根据权利要求1所述的基于高斯混合模型的脉搏波特征提取方法，其特征在于，在步骤(2)中，所述的对步骤(1)得到的单周期脉搏波信号进行一阶差分处理，得到单周期脉搏波信号极值点个数的方法是：对步骤(1)得到的单周期脉搏波信号进行一阶差分处理，提取差分信号的过零点个数即为单周期脉搏波信号极值点个数。
3.根据权利要求1所述的基于高斯混合模型的脉搏波特征提取方法，其特征在于，在步骤(3)中，所述的根据步骤(2)得到的单周期脉搏波信号极值点个数，对单周期脉搏波种类及特征点类型进行判识的方法是：将典型脉搏波划分为有限的几种形式，并得到不同形式脉搏波极值点的个数，通过将步骤(2)得到的单周期脉搏波信号极值点个数与不同形式脉搏波极值点个数进行匹配，进而判断脉搏波的种类及特征点类型。
4.根据权利要求1所述的基于高斯混合模型的脉搏波特征提取方法，其特征在于，在步骤(4)中，所述的根据步骤(3)判识得到的单周期脉搏波种类及特征点类型，确定单周期脉搏波特征点位置初值的方法是：根据判识得到的单周期脉搏波种类及特征点类型，确定每个特征点对应为极值点还是拐点，而极值点和拐点的初值则分别由一阶差分信号及二阶差分信号的过零点来确定；如果特征点对应为极值点，则利用一阶差分信号的过零点作为初值，如果特征点对应为拐点，则利用二阶差分信号的过零点作为初值。
5.根据权利要求1所述的基于高斯混合模型的脉搏波特征提取方法，其特征在于，在步骤(5)中，所述的基于高斯混合模型将单周期脉搏信号拟合为高斯混合信号，并根据步骤(4)确定的单周期脉搏特征点位置初值，提取出单周期脉搏波特征点位置信息的方法是：基于高斯混合模型对单周期脉搏波信号建模，形成单周期脉搏波信号高斯混合信号模型，以步骤(4)确定的包含极值点位置初值及拐点位置初值的特征点位置初值为展开点，分别对其一阶导数及二阶导数进行泰勒级数展开，忽略无穷小量，求得脉搏波的极值点和拐点位置信息，即特征点位置信息。
6.根据权利要求1所述的基于高斯混合模型的脉搏波特征提取方法，其特征在于，在步骤(6)中，所述的根据步骤(5)提取出的单周期脉搏波特征点位置信息，获得单周期脉搏波特征点参数的方法是：将步骤(5)提取出的特征点位置信息代入单周期脉搏波信号高斯混合信号模型中，求出主波波峰、潮波波峰、降中峡以及重搏波波峰的幅值，而且获得单周期脉搏波上升期时间、收缩期时间以及舒张期时间在内的参数。
CN201711016690.XA 2017-10-26 2017-10-26 基于高斯混合模型的脉搏波特征提取方法 Active CN107822608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711016690.XA CN107822608B (zh) 2017-10-26 2017-10-26 基于高斯混合模型的脉搏波特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711016690.XA CN107822608B (zh) 2017-10-26 2017-10-26 基于高斯混合模型的脉搏波特征提取方法

Publications (2)

Publication Number Publication Date
CN107822608A CN107822608A (zh) 2018-03-23
CN107822608B true CN107822608B (zh) 2020-04-17

Family

ID=61649702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711016690.XA Active CN107822608B (zh) 2017-10-26 2017-10-26 基于高斯混合模型的脉搏波特征提取方法

Country Status (1)

Country Link
CN (1) CN107822608B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106983501A (zh) * 2017-03-29 2017-07-28 汪欣 脉搏波和呼吸波诊断装置和方法
CN108670209A (zh) * 2018-03-29 2018-10-19 中国科学院微电子研究所 一种自动识别中医脉象的方法和系统
CN110495863B (zh) * 2018-10-08 2021-07-09 合肥伊阳健康科技有限公司 识别桡动脉压力波形降中峡特征点的方法和装置
CN109998529B (zh) * 2019-04-15 2021-11-05 北京工业大学 一种基于高斯函数拟合的ecg信号中p波、t波检测方法
US20220248963A1 (en) * 2019-05-20 2022-08-11 Shenzhen Darma Technology Co., Ltd. Cardiac diastolic function assessment method, device and system
KR102567952B1 (ko) * 2019-09-11 2023-08-16 삼성전자주식회사 생체정보 추정 장치 및 방법
CN110584624B (zh) * 2019-09-18 2022-04-01 中国科学院微电子研究所 基于夹角值的脉搏波特征点识别方法
CN110811572B (zh) * 2019-10-18 2020-10-27 西安交通大学 一种光电容积波信号的仿真合成方法与装置
CN111449638A (zh) * 2020-04-08 2020-07-28 上海祉云医疗科技有限公司 一种基于传感器采集的数据构建三维脉象图的方法及应用
CN111528821A (zh) * 2020-05-27 2020-08-14 福州数据技术研究院有限公司 一种脉搏波中重搏波特征点识别方法
CN111513689A (zh) * 2020-05-27 2020-08-11 福州数据技术研究院有限公司 一种脉搏波中主动脉打开特征点识别方法
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
CN112842288B (zh) * 2021-01-29 2022-02-25 清华大学深圳国际研究生院 脉搏数据分类模型建立装置、分类识别装置和测量系统
CN113229787A (zh) * 2021-03-22 2021-08-10 安庆师范大学 基于脉搏信号形状特征的血管年龄估算及有效性评价方法
CN113288072A (zh) * 2021-04-28 2021-08-24 新绎健康科技有限公司 一种脉搏波的主波检测方法及装置
CN113974554A (zh) * 2021-09-23 2022-01-28 北京合众思壮时空物联科技有限公司 重搏波识别方法、装置、设备和计算机可读存储介质
CN113947121B (zh) * 2021-10-19 2024-06-14 山东农业大学 基于模极大值降噪评估的小波基函数选择方法及系统
CN113854976A (zh) * 2021-10-26 2021-12-31 南京大学 一种脉搏信号中带潮汐波搏动波形的自动筛选方法
CN114052688B (zh) * 2021-12-07 2022-12-20 山东大学 基于单路脉搏波的血压监测装置、存储介质及电子设备
CN114869249B (zh) * 2022-07-12 2022-11-01 慧医谷中医药科技(天津)股份有限公司 脉搏波特征参数的获取方法、装置、电子设备及介质
CN116649924A (zh) * 2023-06-06 2023-08-29 湖南敬凯投资管理有限公司 一种脉搏分析方法及装置
CN117547228B (zh) * 2024-01-09 2024-03-19 脉起动力科技(成都)有限公司 生物脉搏诊断信号的数据品质分析方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3538404B2 (ja) * 2001-10-10 2004-06-14 コーリンメディカルテクノロジー株式会社 波形特徴点決定装置、およびその波形特徴点決定装置を用いた脈波伝播速度情報測定装置
JP2004073722A (ja) * 2002-08-22 2004-03-11 Nippon Colin Co Ltd カフ脈波検出装置および脈波伝播速度情報測定装置
JP2004313468A (ja) * 2003-04-16 2004-11-11 Omron Healthcare Co Ltd 脈波測定装置および生体波解析プログラム
JP2006000176A (ja) * 2004-06-15 2006-01-05 Omron Healthcare Co Ltd 中枢血圧推定装置および方法
JP4322302B1 (ja) * 2008-02-22 2009-08-26 シャープ株式会社 生体信号分析装置
CN102440768B (zh) * 2010-10-13 2013-08-28 兰州理工大学 脉搏波形特征点提取方法
CN103027667B (zh) * 2011-09-30 2017-01-18 Ge医疗系统环球技术有限公司 脉搏波的特征参数提取
CN103169456A (zh) * 2013-03-29 2013-06-26 深圳职业技术学院 一种脉搏波信号的处理方法及处理系统
CN103989462B (zh) * 2014-04-04 2016-03-16 辛勤 一种脉搏波形第一特征点和第二特征点的提取方法

Also Published As

Publication number Publication date
CN107822608A (zh) 2018-03-23

Similar Documents

Publication Publication Date Title
CN107822608B (zh) 基于高斯混合模型的脉搏波特征提取方法
CN106974631B (zh) 一种基于脉搏波波形和心电信号的血压测量方法及装置
Gaurav et al. Cuff-less PPG based continuous blood pressure monitoring—A smartphone based approach
Yoon et al. Cuff-less blood pressure estimation using pulse waveform analysis and pulse arrival time
CN108185996B (zh) 动脉血管年龄估算模型构建方法和装置
CN106037694B (zh) 一种基于脉搏波的连续血压测量装置
Couceiro et al. Detection of motion artifact patterns in photoplethysmographic signals based on time and period domain analysis
CN102834047A (zh) 在心血管参数确定中不规则心动周期影响的排除
CN109288508A (zh) 一种基于crnn-bp的血压值智能测量方法
CN108354597A (zh) 一种基于最优波提取的快速血压计算方法
CN106691402A (zh) 一种基于脉搏特征的疲劳程度分析方法和装置
US20110270059A1 (en) Signal processing for pulse oximetry
CN104188637A (zh) 一种基于波形匹配法的主动脉脉搏波传导时间获取方法
CN113729648B (zh) 一种基于多脉搏传感器的穿戴式脉诊手环系统
CN110840428B (zh) 基于一维U-Net网络的无创血压估计方法
GB2552455A (en) Blood monitoring
Sahani et al. Carotid and jugular classification in ARTSENS
Pan et al. Improved blood pressure estimation using photoplethysmography based on ensemble method
KR101744691B1 (ko) 심탄도 신호를 이용한 심박 검출 방법 및 그 장치
CN112587104A (zh) 一种滤除无效脉搏波形的方法
CN111227814A (zh) 一种动脉状态的分析方法及装置
Granados et al. Acoustic heart. Interpretation of phonocardiograms by computer
Wang et al. Preprocessing PPG and ECG signals to estimate blood pressure based on noninvasive wearable device
Li et al. Computation of cardiac output by pulse wave contour
CN111248885A (zh) 一种上臂肱动脉的分析方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant