CN110037668B - 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 - Google Patents
脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 Download PDFInfo
- Publication number
- CN110037668B CN110037668B CN201910286952.7A CN201910286952A CN110037668B CN 110037668 B CN110037668 B CN 110037668B CN 201910286952 A CN201910286952 A CN 201910286952A CN 110037668 B CN110037668 B CN 110037668B
- Authority
- CN
- China
- Prior art keywords
- pulse
- model
- pulse signal
- pulse wave
- space
- 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
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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
- A61B5/747—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network in case of emergency, i.e. alerting emergency services
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Business, Economics & Management (AREA)
- Critical Care (AREA)
- Emergency Management (AREA)
- Nursing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Emergency Medicine (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统,包括:获取人体体表脉管处预定时间长度的脉搏信号;脉搏信号时空解析建模;基于脉搏时空解析模型参数的恶性心律失常识别与突发预测。本发明提出采用脉搏时空解析模型定量描述脉搏信号周期和波形的变化,能够判断年龄、心律,可实现恶性心律失常的智能识别与突发预警。
Description
技术领域
本发明涉及便携式医疗设备技术领域,具体涉及一种脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统。
背景技术
通过脉搏信号我们可以得到很多的信息,如年龄、健康状态。心律失常,尤其是恶性心律失常是导致患者晕厥甚至死亡的一种心血管疾病。统计表明,我国大约有2.9亿心血管病患者,其中心律失常患者高达26.8%,心室颤动或室性心动过速等恶性心律失常已成为导致患者死亡的首要原因。然而,我国优质医疗资源有限,东西部、城乡间医疗资源分配不均,导致农村和远郊的心血管病患者死亡率超过并持续高于城区,大部分恶性心律失常发生在医院外,且具有突发性、偶发性的特点,增加了恶性心律失常的防治难度。因此,准确识别恶性心律失常的潜在患者,在日常生活状态下实现恶性心律失常突发的远程监测十分重要。
恶性心律失常发生时,患者心脏的收缩和舒张功能发生异常,向血管的有效射血量显著减少,导致心血管系统的血流动力学和搏动节律发生明显变化,这些变化会随着血液循环传递到人体血管之中。因此,从血管表面获取的脉搏信号能用于恶性心律失常的识别与远程监测。
目前,有关恶性心律失常识别与监测的方法多集中于心电信号,但基于导联的信号采集方式限制了心电相关设备的便携性。同时,心电电极获取信号的准确性受皮肤干燥程度、体表毛发浓密程度及与人体粘贴紧密程度等因素的影响很大,长时间粘贴电极会引发皮肤过敏及电极表面细菌污染等原因影响设备的舒适性和安全性。因此,有学者开始探索基于脉搏信号的恶性心律失常识别方法,大多以心率变化范围或心脏搏动节律识别为依据,而对于从脉搏信号中提取血流动力学相关量化参数的相关理论尚待进一步研究。
日常生活状态下,心血管系统血流动力学和搏动节律变化的复杂性使得脉搏波的形态(空间域)和周期(时间域)动态变化范围大,而有关这种变化的定量描述理论研究及系统还很欠缺,导致实际应用中恶性心律失常识别与突发预测方法的性能有待于进一步提高和改进。
因此,有必要设计一种脉搏信号时空域结合模型判断健康状态及恶性心律失常识别的系统。
发明内容
1、发明目的。
本发明为了通过脉搏信号捕捉健康状态的精准性,提出了一种脉搏信号时空域结合模型判断健康状态及恶性心律失常识别的系统。
2、本发明所采用的技术方案。
本发明提出了一种脉搏信号时空域结合模型判断年龄、健康状态的系统,包括建立脉搏信号时空解析建模模块:
脉搏信号记为S(j),j∈[1,L],且为正整数,L为脉搏信号采样点数量;第i个脉搏波记为yi(n),i∈[1,M],n∈[1,PPI(i)]且都为正整数,M为脉搏信号含有脉搏波的个数,PPI(i)为第i个心动周期,PPI(i)=PW(i)-PW(i-1),PW(i-1)和PW(i)为第i个脉搏波的起点和终点,脉搏信号中所有心动序列记为PPI,PPI={PPI(i)};脉搏信号可看作一系列脉搏波根据在时间域前后连接的结果,每个心动周期起点和终点的幅值都会发生微弱的变化,对这些幅值进行插值称为基线,记为B(j),基线含有人体自主神经系统及心脏搏动节律相关信息;对基线和脉搏波进行脉搏时空解析模型建模具体为:
对于脉搏时空解析模型表达式如下:
式中,为第i个脉搏波的估计值,等式右边第一项为脉搏波的解析表达式,第二项为基线的解析表达式,f(·)和b(·)表示一个或若干个基函数的组合,k和l分别为描述脉搏波和基线的基函数个数,θi和ψi为第i个脉搏波模型的参数,模型结构的确定由基函数组合和数量模块确定。
更进一步,所述的确定基函数组合和数量模块:采用若干同一类型基函数组成模型或采用2种以上的基函数构成模型,模型基函数组合方式根据拟合误差确定,模型拟合误差定义为:
式中,Error为表示整个脉搏信号的拟合误差,Error(i)为第i个脉搏波的拟合误差,为建模得到的脉搏信号,对基函数库内的函数以遍历的方式,通过调整不同基函数类型进行组合,对原脉搏波进行拟合,选择误差最小的组合作为最终表达。
更进一步,还包括模型参数估计模块:
模型参数主要为{PPI,ψ,θ}构成,其中,PPI在脉搏信号分割后就可以得到,ψ和θ分别为基线和脉搏波解析表达式的参数,需要采用曲线拟合的方法得到;对于第i个脉搏波yi(n),拟合误差可以量化为残差平方和:
因此,定义如下的优化问题:
subject to F{f(n,θi),b(n,ψi),θi,ψi}且lb≤θi,ψi≤ub
式中,F{f(n,θi),b(n,ψi),θi,ψi}及lb≤θi,ψi≤ub分别是参数服从的约束和边界条件;选择优化求解方法,即可得到参数估计值。
更进一步,所述的脉搏信号时空解析建模模块,需先获取脉搏信号数据库、对脉搏信号滤波、脉搏信号干扰段检测,去除脉搏信号中由于传感器滑动或滑落引起的运动伪迹、脉冲信号段、信号丢失段;脉搏信号周期分割,检测脉搏波的分割点{PW(i)};脉搏信号幅值归一化,再对于构成模型的基函数库,建立脉搏信号时空解析建模模块。
更进一步,还包括利用脉搏时空解析模型进行身体健康状态识别与突发预测模块,通过模型参数选择;分类模型训练;突发预测模型训练;结果评价实现。
更进一步,所述的脉搏信号数据库通过设备实时采集或存储的离线信号建立的,采集对象应该由健康人、心律失常患者构成。
更进一步,所述的脉搏信号滤波,用于滤除脉搏信号中的常见噪声,包括基线漂移、肌电干扰、工频干扰,采用整系数低通滤波器滤除肌电干扰,采用整系数陷波滤波器滤除基线漂移及工频干扰。
更进一步,所述的脉搏信号干扰段检测,用于去除脉搏信号中由于传感器滑动或滑落引起的运动伪迹、脉冲信号段、信号丢失段,通过幅度阈值法检测,运动伪迹采用模板匹配法检测。
更进一步,所述的脉搏信号周期分割,检测脉搏波的分割点{PW(i)},采用时间和幅度自适应检测方法确定脉搏波分割点。
更进一步,对于构成模型的基函数组合,采用基函数为Windkessel、Gaussain、Lognormal、Reyleigh、Gamma、Double-exponential、Cosine、多项式中的一种或多种组合。
更进一步,所述的脉搏信号幅值归一化,由于不同设备得到信号的幅值不同,因此,在建模之前对其进行幅值归一化处理,采用以下公式进行归一化:
zi(n)为第i个脉搏波的第n个采样点归一化结果,mean({yi(n)})表示第i个脉搏波的平均值,std({yi(n)})表示第i个脉搏波的方差。
本发明提出了一种使用上述判断年龄、身体健康状态系统用于恶性心律失常识别的应用系统,恶性心律失常识别脉搏时空解析模型表达式如下:
式中,为第i个脉搏波模型中的第j个基函数,和分别对应实际脉搏波的主波、重搏前波和重搏波;和表示第j个高斯波的高度、位置和宽度;PW(i-1)和PW(i)分别表示第i个脉搏波的第1个和最后一个采样点;kin+bi表示基线的线性模型,ki为斜率,bi为常数,对于第i个脉搏波,可以得到以下向量:
而对于数据库中所有脉搏信号的脉搏波,可得到以下向量:
P=[PPI K B A1 B1 C1 A2 B2 C2 A3 B3 C3]
PPI在分割脉搏信号后可得到,对于K和B,计算方法如下:
bi=zi(1)-k
对于高斯模型中参数[A1,B1,C1,A2,B2,C2,A3,B3,C3],采用非线性最小二乘法对参数进行估计。
3、本发明所产生的技术效果。
(1)本发明以脉搏信号为依据,提出健康状态尤其是恶性心律失常自动识别与突发预测的系统,相比于常用的心电信号,脉搏信号更适用于心律失常尤其是恶性心律失常的远程监测。
(2)针对日常状态下脉搏波的形态(空间域)和周期(时间域)动态变化范围大,进而影响恶性心律失常识别与突发预测结果。本发明根据血流动力学及心脏搏动节律对脉搏信号的作用机理,提出采用时空解析建模方法对脉搏形态和周期的变化进行量化描述,相比于单纯依据脉律的识别方法,提高了恶性心律失常识别与突发预测的精度。
(2)已有的恶性心律失常识别参数多以人为观察方式得到,生理或病理意义不明,泛化能力有限。本发明采用脉搏时空解析模型描述脉搏波的周期和形态变化,得到的参数具有明确的生理或病理意义,对恶性心律失常致病原因的寻找有一定的指导作用。
附图说明
图1是本发明的恶性心律失常自动识别与突发预测方法的流程图。
图2是本发明的脉搏信号时空特征组成示意图。
图3是本发明脉搏时空解析模型建模过程。
图4是本发明实施例的脉搏时空解析模型示意图。
图5是本发明实施例的年轻人和老年人时空解析模型对比。其中:(a)年轻人的模型;(b)老年人的模型。
图6是本发明实施例的健康人、极度心律过缓患者及极度心律过速患者模型对比。其中:(a)极度心律过缓患者模型;(b)极度心律过速患者模型;(c)健康人模型。
图7是本发明的恶性心律失常自动识别与突发预测的装置结构及信号流程示意图。
图8是本发明的便携式可穿戴设备结构示意图。
图9是本发明的恶性心律失常自动识别与突发预测的系统结构示意图。
5、具体实施方式
以下结合附图,详细说明本发明的实施方式。应该理解,下面的描述只是示例性的,并非限制本发明的范围。同时,在以下说明中,省略了对公知概念、结构和技术的描述,以避免不必要的混淆本发明的概念。
图1为本发明的恶性心律失常自动识别与突发预测方法的流程,包括获取人体体表脉管处预定时间长度的脉搏信号,脉搏信号时空解析建模,基于脉搏时空解析模型参数的恶性心律失常识别与突发预测三个步骤。
步骤1:获取人体体表脉管处预定时间长度的脉搏信号。其中,人体脉管是指人体心血管系统在人体体表分布的血管网络,包括动脉、静脉和毛细血管。预定时间长度的取值范围:至少30秒。脉搏信号可以为压力脉搏波,也可以为光电容积脉搏波。光电容积脉搏波可以采用反射式光电脉搏传感器获取,也可以采用透射式光电脉搏传感器获取。
步骤2:建立脉搏信号时空解析建模。如图2所示,为本发明的脉搏信号时空特征组成示意图,其中,脉搏信号记为S(j),j∈[1,L],且为正整数,L为脉搏信号采样点数量;第i个脉搏波记为yi(n),i∈[1,M],n∈[1,PPI(i)]且都为正整数,M为脉搏信号含有脉搏波的个数,PPI(i)为第i个心动周期,PPI(i)=PW(i)-PW(i-1),PW(i-1)和PW(i)为第i个脉搏波的起点和终点,脉搏信号中所有心动序列记为PPI,PPI={PPI(i)}。脉搏信号可看作一系列脉搏波根据在时间域前后对接的结果,每个心动周期起点和终点的幅值都会发生微弱的变化,对这些幅值进行插值,得到如图所示的曲线,称为基线,记为B(j)。研究表明,基线含有人体自主神经系统及心脏搏动节律相关信息。图2中第i个心动周期内脉搏波的空间变化含有心脏搏动节律与血流动力学信息。因此,对脉搏信号时空解析建模,即对基线和脉搏波进行建模。
脉搏时空解析建模过程为:获取脉搏信号数据库、滤波、干扰段检测、周期分割、幅值归一化、模型结构确定、模型参数估计。
步骤21:获取脉搏信号数据库。在进行脉搏信号建模之前,需要获取脉搏信号构成数据库。实际应用中,脉搏信号可以是医疗设备实时采集的信号,如多生理信号采集仪、可穿戴设备等,也可是上述设备采集并存储的离线信号。
其中,待测的数据采集对象应该由健康人、恶性心律失常患者构成。恶性心律失常可以为极度心律过速、极度心律过缓、室性心律过速、心室颤动、心室扑动等,但不限于这些类型。
步骤22:脉搏信号滤波,用于滤除脉搏信号中的常见噪声,主要为基线漂移、肌电干扰、工频干扰。在一个具体的实施例中,采用整系数低通滤波器(截止频率为65Hz)滤除肌电干扰,采用整系数陷波滤波器(陷波频率在0Hz及50Hz整数倍)滤除基线漂移及工频干扰。
步骤23:脉搏信号干扰段检测,用于去除脉搏信号中由于传感器滑动或滑落引起的运动伪迹、脉冲信号段、信号丢失段。在一个具体的实施例中,信号丢失段和脉冲信号段可以通过幅度阈值法检测,运动伪迹可以采用模板匹配法检测。
步骤24:脉搏信号周期分割。如图2所示,为了将脉搏波分割出来,就需要检测脉搏波的分割点{PW(i)}。一个具体的实施例中,采用时间和幅度自适应检测方法确定脉搏波分割点。
步骤25:脉搏信号幅值归一化。不同设备得到信号的幅值不同,因此,在建模之前对其进行幅值归一化处理。采用以下公式进行归一化:
zi(n)为第i个脉搏波的第n个采样点归一化结果,mean({yi(n)})表示第i个脉搏波的平均值,std({yi(n)})表示第i个脉搏波的方差。
步骤26:脉搏时空解析模型结构确定,包括基函数库构建,模型表达式的确定。
步骤261:对于构成模型的基函数库,采用Windkessel、Gaussain、Lognormal、Reyleigh、Gamma、Double-exponential、Cosine、多项式等基函数构成。
步骤262:对于模型表达式,可抽象表达如下:
式中,为第i个脉搏波的估计值,等式右边第一项为脉搏波的解析表达式,第二项为基线的解析表达式,f(·)和b(·)表示一个或若干个基函数的组合,k和l分别为描述脉搏波和基线的基函数个数,θi和ψi为第i个脉搏波模型的参数。
由模型表达式可知,模型结构的确定主要为基函数组合方式和数量确定。
对于基函数组合方式,拟从两方面展开研究,一方面采用若干同一类型基函数组成模型,如3个Gamma函数等,另一方面采用2种以上的基函数构成模型,如1个Gaussian和2个Gamma函数的组合等。模型基函数组合方式根据拟合误差确定,模型拟合误差定义为:
对基函数库内的函数以遍历的方式,通过调整不同基函数类型进行组合,对原脉搏波进行拟合,选择误差最小的组合作为模型的最终数学表达。对数据库所有脉搏信号重复以上操作,最终,通过数理统计的方式,选择整体误差最小的模型表达式。
而对于基函数数量的选择,理论上仅通过增加基函数的数量就能以任意小的误差逼近实际脉搏波yi(n),然而,对脉搏波进行解析建模的主要目的是通过基函数来描述心脏搏动节律及血流动力学变化,过多的基函数将导致数据过拟合,从而产生生理上无法解释的结果。因此,根据同一基函数组合下,拟合误差与基函数数量增加的变化关系图确定,选择拟合误差斜率由高到低变化的转折点作为基函数数量选择的标准。
步骤27:模型参数估计方法。模型参数主要为{PPI,ψ,θ}构成,其中,PPI在脉搏信号分割后就可以得到,ψ和θ分别为基线和脉搏波解析表达式的参数,需要采用曲线拟合的方法得到。
由步骤262的模型表达式可知,为了得到实际脉搏波的模型参数,需要解决非线性约束优化问题。对于第i个脉搏波yi(n),拟合误差可以量化为残差平方和:
因此,可以定义如下的优化问题:
subject to F{f(n,θi),b(n,ψi),θi,ψi}且lb≤θi,ψi≤ub
式中,F{f(n,θi),b(n,ψi),θi,ψi}及lb≤θi,ψi≤ub分别是参数服从的约束和边界条件。选择合适的优化求解方法,即可得到参数估计值。
步骤3:脉搏时空解析模型参数的恶性心律失常识别与突发预测。包括:模型参数选择;分类模型训练;突发预测模型训练;结果评价。
步骤31:选择模型参数中有显著性变化且相似性低的参数用于模型训练,采用数理统计学方法进行参数选择。在一个具体的实施例中,可采用t-test、skewness、kurtosis检验等方法进行参数显著性变化检验,采用互相关系数用于相似性检测。
对于恶性心律失常的分类,对健康人和不同恶性心律失常人群间模型参数进行处理。对于恶性心律失常的预测,对某一患者恶性心律失常突发前后模型参数进行处理。
步骤32:分类模型训练。采用有监督的学习方法以健康人和不同类型恶性心律失常患者人群间脉搏时空解析模型的参数为输入训练分类模型。在训练模型之前,数据被随机分为训练集和测试集,采用交叉验证的方式训练模型。在一个具体的实施例中,有监督的学习方法可以是决策树、随机森林、神经网络或者支持向量机等分类方法。为了降低输入样本顺序对结果的影响,随机改变训练集和测试集样本,训练100次得到模型参数的均值,作为最终的分类模型。
步骤33:突发预测模型训练。采用有监督的学习方法以恶性心律失常突发前后脉搏时空解析模型的参数为输入训练预测模型。在训练模型之前,数据被随机分为训练集和测试集,采用交叉验证的方式训练模型。在一个具体的实施例中,有监督的学习方法可以是神经网络或者支持向量机等预测方法。为了降低输入样本顺序对结果的影响,随机改变训练集和测试集样本,训练100次得到模型参数的均值,作为最终的预测模型。
步骤34:结果评价。采用运行时间、准确性、敏感性和特异性对分类和预测结果进行评价。其中,运行时间为测试集的运行时间。为了降低输入样本顺序对结果的影响,随机改变训练集和测试集样本,训练100次,计算上述各评价指标的均值,对分类方法进行评价。
实施例:下面将结合本发明附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
该实施例中,由健康人、极度心律过速与极度心律过缓患者的指尖光电容积脉搏信号构成数据库,其中,健康人40名(年轻人20名:21-34岁,老年人20名:68-85岁),极度心律过缓患者17名和极度心律过速患者23名。信号采样频率250Hz,长度5分钟至66分钟不等。
实验设备配置:Intel(R)Core(TM)i7-6700HQ CPU,windows-7 64位系统,基频2.5GHz,内存16GB。仿真软件:Matlab2016a。
本实施例中,采用整系数低通滤波器(截止频率为65Hz)滤除肌电干扰,采用整系数陷波滤波器(陷波频率在0Hz及50Hz整数倍)滤除基线漂移及工频干扰。
本实施例中,采用干扰段分类检测法,识别脉搏信号中的干扰段。
本实施例中,采用动态时间幅度阈值法检测脉搏波起点,对脉搏信号进行分割。
本实施例中,采用均值与方差的形式对脉搏波进行幅度归一化。
本实施例中,建立脉搏时空解析模型如下:
式中,为第i个脉搏波模型中的第j个基函数,和分别对应实际脉搏波的主波、重搏前波和重搏波。和表示第j个高斯波的高度、位置和宽度。PW(i-1)和PW(i)分别表示第i个脉搏波的第1个和最后一个采样点。kin+bi表示基线的线性模型,ki为斜率,bi为常数,模型示意图如图4所示。因此,对于第i个脉搏波,可以得到以下向量:
而对于数据库中所有脉搏信号的脉搏波,可得到以下向量:
P=[PPI K B A1 B1 C1 A2 B2 C2 A3 B3 C3]
本实施例中,对于脉搏信号模型参数中PPI、K和B,可通过计算得到。其中,PPI在分割脉搏信号后可得到。对于K和B,计算方法如下:
bi=zi(1)-k
对于高斯模型中参数[A1,B1,C1,A2,B2,C2,A3,B3,C3],采用非线性最小二乘法对参数进行估计。选用的优化算法、约束条件和边界条件如表1所示。
表1非线性最小二乘拟合的初始化参数
对于年轻人和老年人的信号,经过周期分割后,得到年轻人脉搏波41170个,老年人38140个。对这些脉搏波进行模型参数估计,得到平均模型的波形如图5所示。可以看出年轻人和老年人的脉搏波模型存在明显差异。
将年轻人和老年人作为健康人,共得到脉搏波79310个脉搏波,极度心律过缓患者脉搏波4595个,极度心律过速患者脉搏波12089个。得到平均模型的波形如图6所示。可以看出健康人、极度心律过缓患者和极度心律过速患者的脉搏波模型存在明显差异。
对于模型参数的差异性评价,采用ks检验。结果如表2所示,可以看出年轻人和老年人、健康人和心律过速患者、健康人和心律过缓患者、心律过速和心律过缓患者的各特征间存在明显的差异(p值均小于0.05)。
对于各参数之间的相似性检验,采用互相关进行检验。结果如表3和表4所示。根据互相关系数r的意义,r取值范围为:0≤|r|≤1。当|r|≥0.8代表特征高度相关,0.5≤|r|<0.8为显著相关,0.3≤|r|<0.5为实相关,0<|r|<0.3为微相关,|r|=0表示不相关。由表可以看出,除A3和A1,K和B,C3和PPI之间存在显著相关之外,其它特征间的相关性很低,相关系数不超过0.7,证明它们之间存在一定的差异信息,可保留待用。
表2ks检验结果
表3年轻人和老年人特征相似性检测结果
表4健康人和心律失常患者特征相似性检测结果
采用BP神经网络、广义回归神经网络、概率神经网络、决策树和随机森林算法进行分类。
根据年龄将健康人分为年轻人和老年人,其中,有41170个年轻人样本,38140个老年人样本,共79310个样本。随机选择71310个样本组成训练集,剩下8000个作为测试集。对于健康人、恶性心律过速和恶性心律过缓患者,共95994个样本,随机选择87994个样本作为训练集,剩下8000个作为测试集。
为了降低输入样本对分类结果的影响,随机改变训练集和测试集的样本组成100次,采用5种机器学习方法对12个模型参数组成的输入向量进行分类,结果如表5所示。可以看出所有方法的平均准确率都在96%以上,而随机森林法的分类准确率最高,决策树法的耗时最少。
表5不同分类方法运行100次结果
如图7所示,基于脉搏信号进行恶性心律失常自动识别与突发预测的装置,包括脉搏信号获取模块、脉搏信号预处理模块、模型参数估计模块、恶性心律失常识别与突发预测模块、结果输出及预警模块。
脉搏信号获取模块用于获得人体体表脉管处预定时间长度的脉搏信号。所述的人体体表脉管包括体表的动脉、静脉及毛细血管;所述的预定时间长度的取值范围为:大于等于30秒;所述的脉搏信号可以为压力脉搏波,也可以为光电容积脉搏波,可以采用反射式传感器获取,也可以采用透射式传感器获取。
脉搏信号预处理模块,用于所述脉搏信号的滤波、干扰段检测、周期分割。
所述的滤波是指设计低通和陷波滤波器滤除脉搏信号中的基线漂移、工频干扰、肌电干扰。在一个具体的实施例中,采用整系数低通滤波器(截止频率为65Hz)滤除肌电干扰,采用整系数陷波滤波器(陷波频率在0Hz及50Hz整数倍)滤除基线漂移及工频干扰。
所述的干扰段检测是指采用干扰段分类检测法识别脉搏信号中的脉冲信号段、信号丢失段和运动伪迹。在一个具体的实施例中,信号丢失段和脉冲信号段可以通过幅度阈值法检测,运动伪迹可以采用模板匹配法检测。
所述的周期分割是指将脉搏信号以心动过周期为单位分割为一系列脉搏波,具体的以脉搏信号起点为分界点进行分割。一个具体的实施例中,采用时间和幅度自适应检测方法确定脉搏波分割点。
模型参数估计模块,用于估计所述脉搏时空解析模型参数。包括幅值归一化与模型参数估计。
所述的幅值归一化采用以下公式:
所述模型参数估计,基于已训练好的脉搏时空解析模型表达式,采用优化算法对脉搏波进行解析求解,得到模型参数。一个具体的实施例中,采用非线性最小二乘法对模型进行求解。
恶性心律失常识别与突发预测模块,用于依据所述模型参数进行恶性心律失常识别或突发预测。包括两个工作模式,模式1:恶性心律失常识别,模型2:恶性心律失常突发预测。
所述恶性心律失常识别是指基于已训练的分类模型根据已选择的参数对所采集数据进行分类。
所述恶性心律失常突发预测是指基于已训练的预测模型根据已选择的参数对疾病是否突发进行预测。
结果输出及预警模块,用于输出恶性心律失常的识别结果或者对恶性心律失常突发进行预警。包括结果输出与预警模块。
所述的结果输出,是指对恶性心律失常类型的判断结果进行打印输出。
所述的结果预警,是指当预测到恶性心律失常突发时,发出预警。
图8是本发明的便携式可穿戴设备结构示意图。由下位机、通信模块和上位机组成。
所述的下位机由传感器和微处理器模块构成。
所述的传感器为压电或者光电传感器,光电传感器可采用透射或者反射方式采集信号,用于获取人体体表脉管处预定时间长度的脉搏信号。
所述的下位机微处理器执行所述程序时实现上述的滤波、干扰段检测和周期分割方法。可以为单片机、DSP、FPGA等微处理器,但不限于这些处理器。
所述的通信模块由无线发送模块和无线接收模块组成。所述的通信方式可以为蓝牙、Zigbee或者Wifi等方式,但不限于这些方式。
所述的发送模块与下位机串口连接。
所述的接收模块可以为上位机的内嵌模块,也可以为独立模块与上位机连接。
所述的上位机为智能手机,IPAD等产品,所述产品的操作系统为Android或者IOS;所述的上位机处理器执行所述程序时实现上述的模型参数估计、恶性心律失常识别与突发预测方法;所述的上位机执行程序时通过生成报表的形式对恶性心律失常识别结果进行输出;所述的上位机执行程序时以短信或者拨打求救电话形式进行恶性心律失常突发预警。
图9是本发明的恶性心律失常自动识别与突发预测的系统结构示意图。由脉搏信号采集器、用户终端和服务器组成。
其中,脉搏信号采集器,用于采集人体体表脉管处预定时间长度的脉搏信号。
所述的用户终端与所述的脉搏信号采集器以有线或无线的方式连接,用于接收所述的脉搏信号,并对接收的信号进行滤波、干扰段检测与周期分割。
所述服务器包括存储器、处理器以及存储于所述存储器内实现上述任一项方法的程序。所述服务器与用户终端以无线方式进行通信,所述处理器执行程序时实现上述任一项所述方法的步骤。
本领域技术人员可以理解,上述实施方式中方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于计算机的可读存储介质中,存储介质可以包括:只读存储器、随机存储器,等,通过计算机执行该程序以实现上述功能。
Claims (7)
1.一种脉搏信号时空域结合模型判断年龄、健康状态的系统,其特征在于包括建立脉搏信号时空解析建模模块:
脉搏信号记为S(j),j∈[1,L],且为正整数,L为脉搏信号采样点数量;第i个脉搏波记为yi(n),i∈[1,M],n∈[1,PPI(i)]且都为正整数,M为脉搏信号含有脉搏波的个数,PPI(i)为第i个心动周期,PPI(i)=PW(i)-PW(i-1),PW(i-1)和PW(i)为第i个脉搏波的起点和终点,脉搏信号中所有心动序列记为PPI,PPI={PPI(i)};脉搏信号可看作一系列脉搏波根据在时间域前后连接的结果,每个心动周期起点和终点的幅值都会发生微弱的变化,对这些幅值进行插值称为基线,记为B(j),基线含有人体自主神经系统及心脏搏动节律相关信息;对基线和脉搏波进行脉搏时空解析模型建模具体为:
对于脉搏时空解析模型表达式如下:
式中,为第i个脉搏波的估计值,等式右边第一项为脉搏波的解析表达式,第二项为基线的解析表达式,f(·)和b(·)表示一个或若干个基函数的组合,k和l分别为描述脉搏波和基线的基函数个数,θi和ψi为第i个脉搏波时空解析模型的参数,模型结构由基函数组合和数量模块确定,
基函数组合和数量模块:采用若干同一类型基函数组成模型或采用2种以上的基函数构成模型,模型基函数组合方式根据拟合误差确定,模型拟合误差定义为:
式中,Error为表示整个脉搏信号的拟合误差,Error(i)为第i个脉搏波的拟合误差,为建模得到的脉搏信号,对基函数库内的函数以遍历的方式,通过调整不同基函数类型进行组合,对原脉搏波进行拟合,选择误差最小的组合作为最终表达,
模型参数估计模块:
模型参数主要为{PPI,ψ,θ}构成,其中,PPI在脉搏信号分割后就可以得到,ψ和θ分别为基线和脉搏波解析表达式的参数,需要采用曲线拟合的方法得到;对于第i个脉搏波yi(n),拟合误差量化为残差平方和:
因此,定义如下的优化问题:
subject to F{f(n,θi),b(n,ψi),θi,ψi}且lb≤θi,ψi≤ub
式中,F{f(n,θi),b(n,ψi),θi,ψi}及lb≤θ i ,ψi≤ub分别是参数服从的约束和边界条件;选择优化求解方法,即可得到参数估计值。
2.根据权利要求1所述的脉搏信号时空域结合模型判断年龄、健康状态的系统,其特征在于:所述的脉搏信号时空解析建模模块,需先获取脉搏信号数据库、对脉搏信号滤波、脉搏信号干扰段检测,去除脉搏信号中由于传感器滑动或滑落引起的运动伪迹、脉冲信号段、信号丢失段;脉搏信号周期分割,检测脉搏波的分割点{PW(i)};脉搏信号幅值归一化,再对于构成模型的基函数库,建立脉搏信号时空解析建模模块。
3.根据权利要求1所述的脉搏信号时空域结合模型判断年龄、健康状态的系统,其特征在于:还包括预测模块,通过脉搏时空解析模型的参数选择、分类模型训练、突发预测模型训练、结果评价来进行识别身体健康状态与突发预测。
4.根据权利要求2所述的脉搏信号时空域结合模型判断年龄、健康状态的系统,其特征在于:所述的脉搏信号数据库通过脉搏信号采集器实时采集或存储的离线信号建立的,采集对象包括健康人和心律失常患者。
5.根据权利要求2所述的脉搏信号时空域结合模型判断年龄、健康状态的系统,其特征在于:所述的脉搏信号周期分割,检测脉搏波的分割点{PW(i)},采用时间和幅度自适应检测方法检测脉搏波分割点。
6.根据权利要求1所述的脉搏信号时空域结合模型判断年龄、健康状态的系统,其特征在于:构成模型的基函数组合,采用基函数为Windkessel、Gaussain、Lognormal、Reyleigh、Gamma、Double-exponential、Cosine、多项式中的一种或多种组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910286952.7A CN110037668B (zh) | 2019-04-10 | 2019-04-10 | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910286952.7A CN110037668B (zh) | 2019-04-10 | 2019-04-10 | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110037668A CN110037668A (zh) | 2019-07-23 |
CN110037668B true CN110037668B (zh) | 2022-02-01 |
Family
ID=67276711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910286952.7A Active CN110037668B (zh) | 2019-04-10 | 2019-04-10 | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110037668B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110623652B (zh) * | 2019-09-17 | 2021-10-19 | 荣耀终端有限公司 | 数据显示方法及电子设备 |
CN110956197A (zh) * | 2019-10-28 | 2020-04-03 | 新绎健康科技有限公司 | 一种基于卷积神经网络建立脉波噪声信号识别模型的方法及系统 |
CN110960199B (zh) * | 2019-12-24 | 2022-05-27 | 中国人民解放军陆军军医大学第一附属医院 | 一种双变量测量动脉硬化程度的系统 |
CN111627550B (zh) * | 2020-07-28 | 2020-12-04 | 上海慰宁健康管理咨询有限公司 | 一种健康状况在线监测系统及监测方法 |
CN112274119B (zh) * | 2020-10-19 | 2024-04-05 | 哈尔滨理工大学 | 一种基于神经网络的脉搏波模型预测方法 |
CN113836995B (zh) * | 2021-08-09 | 2024-04-02 | 新绎健康科技有限公司 | 年龄段识别方法及装置 |
CN113729649B (zh) * | 2021-09-29 | 2024-05-14 | 重庆岱普科技有限责任公司 | 一种基于回声状态网络的心脑血管疾病识别系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103027667A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗系统环球技术有限公司 | 脉搏波的特征参数提取 |
CN104224140A (zh) * | 2014-09-09 | 2014-12-24 | 桂林电子科技大学 | 一种利用提升小波变换滤除基线漂移的方法 |
CN107157492A (zh) * | 2017-05-19 | 2017-09-15 | 国家电网公司 | 一种嵌入式人体生理信息无创检测系统及数据处理方法 |
CN108567418A (zh) * | 2018-05-17 | 2018-09-25 | 陕西师范大学 | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 |
CN109157202A (zh) * | 2018-09-18 | 2019-01-08 | 东北大学 | 一种基于多生理信号深度融合的心血管疾病预警系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10213117B2 (en) * | 2016-02-18 | 2019-02-26 | Qualcomm Incorporated | Blood pressure estimation based on pulse wave velocity |
-
2019
- 2019-04-10 CN CN201910286952.7A patent/CN110037668B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103027667A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗系统环球技术有限公司 | 脉搏波的特征参数提取 |
CN104224140A (zh) * | 2014-09-09 | 2014-12-24 | 桂林电子科技大学 | 一种利用提升小波变换滤除基线漂移的方法 |
CN107157492A (zh) * | 2017-05-19 | 2017-09-15 | 国家电网公司 | 一种嵌入式人体生理信息无创检测系统及数据处理方法 |
CN108567418A (zh) * | 2018-05-17 | 2018-09-25 | 陕西师范大学 | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 |
CN109157202A (zh) * | 2018-09-18 | 2019-01-08 | 东北大学 | 一种基于多生理信号深度融合的心血管疾病预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110037668A (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110037668B (zh) | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
Oweis et al. | QRS detection and heart rate variability analysis: A survey | |
KR102008196B1 (ko) | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 | |
CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
CN101061950B (zh) | 利用spo2进行心房纤颤检测 | |
Ge et al. | Cardiac arrhythmia classification using autoregressive modeling | |
CN102429649B (zh) | 连续血压测量装置 | |
US8233972B2 (en) | System for cardiac arrhythmia detection and characterization | |
Altan et al. | A new approach to early diagnosis of congestive heart failure disease by using Hilbert–Huang transform | |
KR101910982B1 (ko) | 개인화된 생체 신호 패턴을 이용한 생체 신호의 동잡음 제거 방법 및 장치 | |
Daqrouq et al. | Neural network and wavelet average framing percentage energy for atrial fibrillation classification | |
CN107788969A (zh) | 一种心电信号中qrs波群的自动检测方法 | |
CN105105732A (zh) | 实现脉搏心率检测以及情绪和疲劳程度监测的系统及方法 | |
KR101366101B1 (ko) | 개인별 ecg 신호의 정상 신호 분류 시스템 및 방법 | |
Bhoi et al. | QRS Complex Detection and Analysis of Cardiovascular Abnormalities: A Review. | |
Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
CN109431487A (zh) | 心电图动态实时分析数据中室性心搏典型数据的识别方法 | |
Cherif et al. | Detection of artifacts on photoplethysmography signals using random distortion testing | |
Chou et al. | Modelling arterial blood pressure waveforms for extreme bradycardia and tachycardia by curve fitting with Gaussian functions | |
CN114052681B (zh) | 一种基于心电判读系统的血压监测方法及系统 | |
Murthy et al. | ECG signal denoising and ischemic event feature extraction using Daubechies wavelets | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
Alcaraz et al. | Application of non-linear methods in the study of atrial fibrillation organization | |
KR101295072B1 (ko) | 심플리시티 기반의 심음 분석 장치 및 그 방법 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221219 Address after: 215600 No.35, Lehong Road, Zhangjiagang modern agriculture demonstration park, Suzhou City, Jiangsu Province Patentee after: JIANGSU SAIKANG MEDICAL EQUIPMENT CO.,LTD. Address before: 215500 Changshou City South Three Ring Road No. 99, Suzhou, Jiangsu Patentee before: CHANGSHU INSTITUTE OF TECHNOLOGY |
|
TR01 | Transfer of patent right |