CN110944577B

CN110944577B - 一种血氧饱和度的检测方法与系统

Info

Publication number: CN110944577B
Application number: CN201780093245.5A
Authority: CN
Inventors: 陆颖; 韦传敏; 赵纪伟; 彭衡; 邓梓明; 黄子健; 王智勇
Original assignee: Changshang Medical Hainan Co ltd
Current assignee: Changshang Medical Hainan Co ltd
Priority date: 2017-07-27
Filing date: 2017-11-20
Publication date: 2022-07-29
Anticipated expiration: 2037-11-20
Also published as: US20200375512A1; CN111194180A; CN110944577A; US20210153750A1; US11207008B2; CN111194180B; US11504034B2; WO2019019491A1; WO2019019119A1

Abstract

一种对生命体征信号中的生理参数进行分析的方法和系统(110)，该方法包括对生命体征信号进行采集、数据存储、计算分析、处理、结果输出等步骤。该系统(110)可通过多种算法对所获取生命体征信号中的生理参数信息，特别是血氧饱和度，进行计算分析，并对计算结果进行判断或处理，并将判断结果输出。

Description

一种血氧饱和度的检测方法与系统

相关申请引用说明

本申请要求于2017年7月27日递交的PCT国际申请号PCT/CN2017/094762，申请名为“Systems and methods for determining blood pressure of a subject”的优先权，其全部内容以引用的形式附录于此。

技术领域

本披露涉及一种生命体征信号的获取、处理、提取和分析的方法和系统，特别地，涉及到生命体征信号中所含生理参数的计算与修正的方法和系统。

背景技术

光电容积脉搏波描记法(Photoplethysmography，PPG)是借助光电手段在活体组织中检测血液容积变化的一种无创检测方法，通过PPG可以获得心率、血氧饱和度、呼吸频率、血压等人体最基本的生理参数。PPG信号蕴含了丰富的人体生理病理信息，临床上的许多疾病特别是心脏病，可使脉搏发生变化。传统血氧设备使用红光、红外光、近红外光等波段，利用不同波长的光对于血液中不同物质的吸收率不一样的原理，根据朗伯比尔定律，得到血氧饱和度和不同波长的光源之间的关系。

基于光学的无创间接测量方法的血氧设备自十九世纪发展至今，根据不同的测量环境，技术上发展出适用于不同测量场景的血氧设备：透射式和反射式。针对不同的测量问题，如弱灌注、运动干扰、测试部位的肤色和组织的差异，厂家和研究者提出了不同的解决方法，但是准确度依然受到上述测量问题的限制。因此，发展一种系统与方法，可以以一种统一的框架来修正在不同测量场景和测量问题下各种生理参数，如血氧饱和度的计算，是很有必要的。

简述

本文披露了一种方法。主要过程包括：采集生命体征信号；预处理所述采集到的生命体征信号；建立基于一种或多种不同人群的生理参数计算模型族群；建立决策模型，以决定所述生命体征信号的所属人群；计算所述生命体征信号在每一所属人群的权重；以及基于所述权重修正生命体征信号的生理参数值。

根据本说明书中的一些实施例，所述生命体征信号包括脉搏波信号。

根据本说明书中的一些实施例，所述生命体征信号包括血氧信息。

根据本说明书中的一些实施例，所述生理参数包括血氧饱和度。

根据本说明书中的一些实施例，所述一种或多种不同人群至少包括不同肤色的人群。

根据本说明书中的一些实施例，所述一种或多种不同人群至少包括具有弱灌注特性的人群。

根据本说明书中的一些实施例，所述一种或多种不同人群至少包括具有运动干扰特性的人群。

根据本说明书中的一些实施例，所述生理参数计算模型族群是基于所述生命体征信号经时域变换、频域变换、或者时频变换中的至少一种产生的。

根据本说明书中的一些实施例，所述决策模型是一个多分类模型。

根据本说明书中的一些实施例，所述权重的计算是基于所述生命体征信号到每一个所述生命体征信号的所属人群的距离。

本文还披露了一种系统，包括可执行多个指令集的存储器，所述指令集可用于生命体征信号中的噪声检测，并执行如下操作：采集生命体征信号；预处理所述采集到的生命体征信号；建立基于一种或多种不同人群的生理参数计算模型族群；建立决策模型，以决定所述生命体征信号的所属人群；计算所述生命体征信号在每一所属人群的权重；以及基于所述权重修正生命体征信号的生理参数值。

附图说明

图1为本披露中生命体征信号分析系统的一个应用场景图；

图2为本披露中生命体征信号分析系统的一个示意图；

图3为系统运作的一个流程图示例；

图4为分析模块的一个示意图；

图5为生命体征信号的特征分析的一个运作流程图示例；

图6为本披露中生命体征信号的不同人群建模方法与决策模型的生成的一种流程图；

图7为本披露中生命体征信号中生理参数分析方法的一种流程图。

具体描述

本说明书涉及的生命体征信号分析系统可适用于多种领域，包括但不限于：监护(包括但不限于老年人监护、中年人监护、青年人监护及幼儿监护等)、医疗诊断(包括但不限于心电诊断、脉搏诊断、血压诊断、血氧诊断等)、运动监测(包括但不限于长跑、中短跑、短跑、骑车、划艇、射箭、骑马、游泳、爬山等)、医院护理(包括但不限于重症病人监测、遗传病病人监测、急诊病人监测等)、宠物护理(危重症宠物护理、新生宠物护理、居家宠物护理等)等。

该生命体征信号分析系统可以采集获取来自生命体的一种或多种生命体征信号，例如心电、脉搏、血压、血氧、心率、体温、HRV、BPV、脑电波、人体发出的超低频电波、呼吸、肌肉骨骼状态、血糖、血脂、血液浓度、血小板含量、身高、体重等物理和化学信息。该生命体征信号分析系统可以包括可执行多个指令集的存储器，所述指令集可用于生命体征信号中的噪声检测，并执行如下操作：采集生命体征信号；预处理所述采集到的生命体征信号；建立基于一种或多种不同人群的生理参数计算模型族群；建立决策模型，以决定所述生命体征信号的所属人群；计算所述生命体征信号在每一所属人群的权重；以及基于所述权重修正生命体征信号的生理参数值。输出模块，可以用于输出所述分析计算结果。该分析系统可以以一种统一的框架来修正在不同测量场景和测量问题下各种生理参数，如血氧饱和度的计算。该系统可以方便地应用于便携设备或可穿戴设备上。该系统可以以实时(也可以非实时)的方式对生命体的生命体征信号进行不间断的监测，并将监测结果传输到外部设备(包括但不限于存储设备或云服务器)上。比如，该系统可以对用户在随机的一段时间内，如数分钟，数个小时，数天，或几个月内的生命体征信号进行连续的监测，也可以定期对用户的生命体征信号进行连续的监测。该系统可以实时(也可以非实时)显示所监测生命体的生命体征信号状况，如脉搏，血压，血氧浓度等信息，并将生理信息数据提供给相关远程第三方，如医院，护理机构，或有关联人士等。例如，用户可以在家使用这个系统。由这个系统监测到的用户的生命体征信号状况或生理信息数据可以提供给远程的医院，护理机构，或有关联人士等。用户的生命体征信号状况或生理信息数据一部分或全部也可以存储到一个本地的或远程的存储设备。以上对生理信息数据的传送方式可以是有线，也可以是无线的。有效地检测出所采集到的生命体征信号中存在的噪声，并做相应的匹配和标定(这样就可以方便地将此系统应用于便携设备或可穿戴设备上)。特别地，该分析系统可以实时(也可以非实时)地对生命体的生命体征信号进行不间断的连续监测，并将监测结果传输至外部设备(包括但不限于存储设备或云服务器)上。该分析系统可以实时(也可以非实时)输出并显示所检测到的生命体的生命体征信号状况，如心电、脉搏、血压、血氧浓度等，并可以将这些生命体征信号远程提供给相关的第三方，如医院、护理结构或有关联人士等。以上描述的所有有关生命体征信号的传输过程都可以是有线或无线的。

以上对适用领域的描述仅仅是具体的示例，不应被视为是唯一可行的实施方案。显然，对于本领域的专业人员来说，在了解此种基于生命体征信号分析方法与系统的基本原理后，可能在不背离这一原理的情况下，对实施上述方法和系统的应用领域形式和细节上的各种修正和改变，但是这些修正和改变仍在以上描述的范围之内。

为了更清楚地说明本披露实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单介绍，显而易见地，下面描述中的附图仅仅是本披露的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图将本披露应用于其他类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构和操作。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

图1为生命体征信号分析系统的一个应用场景示意图。该应用场景包括但不限于：生命体征信号分析系统110，生命体120和传输设备130。生命体征信号分析系统110可以用于提取、接收、获取、分析、和/或处理来自生命体120的生命体征信号。此处生命体120包括但不限于人体且并不局限于某单个生命体。此处生命体征信号包括但不限于：心电、脉搏、血压、血氧、心率、体温、HRV、BPV、脑电波、人体发出的超低频电波、呼吸、体温、肌肉骨骼状态、血糖、血脂、血液浓度、血小板含量、身高、体重等物理和化学信息。传输设备130包括但不限于处理器、传感器、基于单片机、ARM等嵌入式设备、分析仪、检测仪等电子、机械、物理、化学设备。传输方式包括但不限于雷达、红外、蓝牙、电线、光纤等有线或无线方式。所传递的信息可以是模拟的也可以是数字的，可以是实时的也可以是非实时的。该设备可以针对某一具体生命体，也可以针对某一组、一类或多类生命体。该设备也可以包括一个中央数据库或一个云端服务器。生命体征信号分析系统110可以直接也可以间接获取生命体征信号。所采集的生命体征信号可以直接传递给生命体征信号分析系统110，也可以通过传输设备130传递给生命体征信号分析系统110。采集生命体征信号的方式可通过但不限于心跳采集设备、心电图检测仪、脉搏波检测仪、脑电波检测仪、血压测量仪、生命体征信号探测设备和人体呼吸探测仪等方法。也可以利用具有上述设备功能的手表、耳机、眼镜、配饰等智能可穿戴式设备和便携式设备等。在一些实施例中，也可以利用配有传感器(如光电传感器或者压力传感器)的智能衣物来收集人体的生命体征信号。

以上对生命体征信号分析系统应用场景的描述仅仅是某一具体的示例，不应被视为是唯一可行的实施方案。显然，对于本领域的专业人员来说，在了解生命体征信号分析系统的基本原理后，可能在不背离这一原理的情况下，对生命体征信号分析系统的应用方式进行形式和细节上的各种修正和改变，但是这些修正和改变仍在以上描述的范围之内。例如，从生命体120所采集的信息可以不通过传输设备130而直接传给生命体征信号分析系统110。生命体征信号分析系统110也可以同时从多个生命体120直接获取多种不同类别的生命体征信号进行综合处理。这些修正和改变仍在本披露的权利要求保护范围之内。

图2展示的是一个生命体征信号分析系统的一个示意图，包括但不限于一个或多个信号分析引擎200、一个或多个外部设备240、一个或多个AI设备250、和云服务器260等。其中，信号分析引擎200包括但不限于采集模块210、分析模块220和输出模块230等。采集模块210主要用于生命体征信号分析系统中生命体征信号的采集，该模块可以通过光电传感方式实现，也可以通过电极传感方式实现。该模块可以通过温度感应、湿度变化、压力变化、光电感应、体表电位变化、电压变化、电流变化或磁场变化等获得生命体征信号。该采集模块可获得声学、光学、磁学、热学等各种信息，信息类型包括但不限于脉搏信息、心率信息、心电信息、血压信息、血氧信息、呼吸信息等生命体征信号。例如，该采集模块可获取脉搏波相关信息，包括但不限于波形、时间间隔、波峰、波谷、幅度大小等波形方面的信息。该采集模块210可充分利用各种设备，可以是本地的脉搏波采集设备，也可以是远程的无线远程脉搏波监护系统。可以是医用脉搏波监测系统，也可以是家用便携式脉搏波监测设备。可以是传统意义上的脉搏波监测设备，也可以是具有该功能的手表、耳机等便携式智能可穿戴设备。该采集模块210可以根据需要采集完整的生命体征信号，或采集一定时间间隔内，如2秒(2s)窗口期内的生命体征信号。

采集模块210内部可以集成一定的校准模块，或者信号分析引擎200内部可以设置单独的校准模块(图中未体现)，用于对所采集的生命体征信号进行调整、优化、校准处理或去除不相关的误差干扰。生命体征信号的采集会受到多种因素的影响，这些因素会影响生命体征信号的波形、峰值幅度、峰值点间隔等特征。例如，同一生命体在一天中的不同时间其生命体征信号会有一定区别。同一生命体在不同的生命状态下的生命体征信号也有区别，如运动状态或静止休息状态、负荷工作状态或睡眠状态、心情愉悦状态或暴躁生气状态等。同一生命体在服食药物或未服食药物状态，生命体征信号也有所区别。另外不同的生命体在相同的状态下，生命体征信号也不尽相同。因此采集模块210内部可以集成相应的校准模块，或信号分析引擎200内部设置相应的校准模块(图中未体现)，用以调整、优化、校准或去除上述误差干扰，获得准确的生命体征信号。另外采集模块210可以为不同的生命体调整不同的参数，将从同一生命体采集的生命体征信号存储于云服务器260中，使该采集模块210具有自适应功能，形成同一生命体的个体生命体征信号库，从而使所采集的生命体征信号更准确。另外光电传感会受到光强、肤色、皮肤粗糙度、皮肤温度、皮肤湿度、环境温度、环境湿度等因素的影响。因此这也需要采集模块210内部集成相应的环境适应模块，如与环境影响因素相对应的修正或补偿模块。上述对该生命体征信号分析系统的修正、变形或改变均应在本披露所保护的范围之内。

分析模块220主要用于生命体征信号的计算、分析、判断、和/或处理。该分析模块220可以是集中式的，也可以是分布式的，可以是本地的，也可以是远程的。计算方法可以是具体的计算，也可以是基于阈值的是/否判断。分析过程可以是实时的也可以是非实时的。计算过程可以直接由系统执行，也可以通过外部电脑程序执行。计算过程所使用的设备可以是系统内部的，也可以是系统外部的。处理过程可以是实时的，也可以是非实时的。可以直接由系统执行，也可以由所连接的外部设备执行。输出模块230用于输出经计算、分析、判断、和/或处理的生命体征信号，输出信息可以是模拟的，也可以是数字的。可以是是或否的逻辑判断结果，也可以是经过处理的生命体征信号。输出过程可以是实时的，也可以是非实时的。可以直接由系统执行，也可以由所连接的外部设备执行。外部设备240泛指各种与生命体征信号分析系统的某个模块相关的直接或间接的设备。可以是本地的，也可以是远程的。可以是有线的，也可以是无线的。例如，外部设备240可以是用于显示生命体征信号的LED或LCD屏幕，也可以是用于存储生命体征信号的硬盘、软盘等存储设备。AI(Artificialintelligence，人工智能)设备250泛指具有利用数据进行自我学习功能的硬件或者软件，包括但不限于各类中央处理单元(CPU)，图形处理单元(GPU)，张量处理单元(TPU)，ASIC，以及可以执行包括支持向量机(SVM)，Logistic回归(Logistic regression，LR)，长程短时记忆模型(LSTM)，生成对抗网络(GAN)，蒙特卡洛树搜索(MCTS)，隐形马尔科夫模型(HMM)，随机森林(Random forest)，递归皮层网络(Recursive Cortical Network，RCN)在内的各种软件及硬件设备。

云服务器260用于存储该生命体征信号分析系统运行过程中所涉及的所有数据，并且可以实时或非实时地为该系统中的各个模块提供数据调用支持。云服务器260可以作为该生命体征信号分析系统的云端数据库。

分析模块220与采集模块210相连接，连接的方式可以是有线的也可以是无线的。采集模块210和分析模块220与输出模块230相连接，连接的方式可以是有线的也可以是无线的。采集模块210、分析模块220和输出模块230可以各自连接不同的电源，也可以两两共享或三者共享同一个电源。采集模块210、分析模块220和输出模块230可以分别连接外部设备。外部设备可以连接一个或多个模块，连接方式可以是有线的，也可以是无线的。信号分析引擎200与云服务器260相连接，连接方式可以是有线的，也可以是无线的。上文所描述的各个模块和设备并不是必须的，对于本领域的专业人员来说，在了解本披露内容和原理后，都可能在不背离本披露原理、结构的情况下，对该系统进行形式和细节上的各种修正和改变，各个模块可以任意组合，可以根据需要添加或删减部分模块，而这些修正和改变仍在本披露的权利要求保护范围之内。例如，图2中的采集模块210和输出模块230可以集成为一个单独的模块，兼具采集信息和输出信息的作用，该模块可以有线或无线地与分析模块220相连接。各个模块内部可以集成相应的存储设备，用于系统执行过程中信息数据的短暂缓存，或用于信息数据的长久保存。信号分析引擎200内部也可以添加相应的独立的存储模块，用于存储所获取的、和/或经过计算、分析、处理的生命体征信号。这些修正和改变仍在本披露的权利要求保护范围之内。

生命体征信号分析系统中各个模块之间，模块和外部设备之间的连接，以及系统与存储设备或云服务器之间的连接并不限于上述描述。上述的连接方式在该分析系统中可以单一使用，也可以多种连接方式结合使用。各个模块也可以集成在一起，通过同一个设备实现一个以上模块的功能。外部设备也可以集成在一个或多个模块的实施设备上，而单个或多个模块亦可以集成在单个或多个外部设备上。生命体征信号分析系统中各个模块之间，模块和外部设备之间的连接，以及系统与存储设备或云服务器之间的连接都可以通过有线连接或无线连接。其中有线连接包括但不限于电线、光纤在内的有线连接方式，无线连接包括但不限于蓝牙、红外等各种无线电通信在内的无线连接方式。

图3为生命体征信号分析系统运作的一个流程图示例。该流程包含以下步骤：生命体征信号在步骤310被采集，这些生命体征信号数据将存储于图2中的采集模块210，或存储于相应的存储设备中(图中未体现)，或存储于云服务器260中，或采集到的生命体征信号数据不经存储直接进行下一步骤。这些生命体征信号数据经过步骤320进行预处理，预处理步骤可以由分析模块220执行，也可以由其它单独的预处理模块(图中未体现)执行。通过信息数据的预处理能够达到信息优化的效果。预处理的方式包括但不限于修正、改变或去除信息数据中的部分噪声信息或冗余信息。具体的处理方式包括但不限于低通滤波、带通滤波、小波变换滤波、中值滤波法、形态学滤波与曲线拟合法等。经过该预处理步骤后，所采集到的生命体征信号数据除掉了一部分可明显识别的噪声，例如基线漂移噪声。经过预处理后，在步骤330中建立基于不同人群的生理参数计算模型族群，以对生命体征信号的特征量进行计算分析。具体来说，根据不同的生命体征信号所属的人群类别不同，来建立相应的生理参数计算模型。该步骤可以由分析模块220执行，由其内置的一种或多种算法对生命体征信号的特征量进行计算、分析。经过计算分析后执行步骤340，建立决策模型以决定生命体征信号的所属人群。在步骤350中计算生命体征信号在每一所属人群中的权重，以决定相应生理参数计算模型给出的参数结果的相对重要性。最后，在步骤360中基于权重修正生命体征信号的生理参数值。

此处所描述的方法和步骤可以在适当的情况下以任何合适的顺序出现，或同时实现。另外，在不偏离此处所描述的主题的精神和范围的情况下，可以从任何一个方法中删除各单独的步骤。上文所描述的任何示例的各方面可以与所描述的其他示例中的任何示例的各方面相结合，以构成进一步的示例，而不会丢失寻求的效果。例如，预处理步骤320并非是必须的，或者在预处理步骤和分析处理步骤间加入其它选择条件，例如将预处理的结果进行存储备份，也可以将处理过程中任一步骤产生的结果进行存储备份。

图4为分析模块220和周围设备的一个示意图。分析模块220可以包含模型I处理模块410、模型II处理模块420、模型N处理模块430、和处理模块440。该分析模块220可以和存储设备450及其他模块460相连接。其中存储设备450可以集成在该分析模块220中，也可以集成在采集模块210中，也可以是独立的存储设备。分析模块220可以和其它一个或多个采集模块210有选择的相连接，也可以有选择的与其他模块相连接。这里所提及的所有模块或设备之间的连接方式都可以是有线或无线的。分析模块220内部的三个模型处理模块410、420、430以及处理模块440之间可以两两相连，也可以各自单独与其他模块相连，几个模块之间的连接并不局限于图4中所示。以上对分析处理模块的描述仅仅是具体的示例，不应被视为是唯一可行的实施方案。上述每一个模块均可通过一个或多个部件实现，每个模块的功能也并不局限于此。显然，对于本领域的专业人员来说，在了解分析处理过程的基本原理后，可能在不背离这一原理的情况下，对分析处理模块的具体实施方式与步骤进行形式和细节上的各种修正和改变，还可以做出若干简单推演或替换，在不付出创造性劳动的前提下，对各模块的顺序作出一定调整或组合，但是这些修正和改变仍在以上描述的范围之内。例如，分析模块220可以执行不同的功能，或单纯判断所获取的生命体征信号中存在噪声与否，或对所获取的生命体征信号进行去噪处理。当该分析模块220仅执行计算生理参数功能时，处理模块440并非必须的。同样地，该分析模块220内部的三个模型处理模块可以共同存在，也可以各自单独存在。分析模块220运行时，可以选择性地运行多个模型处理模块中的一个或多个模块，也可以分阶段依次运行多个模块，或者同时运行多个模块，或者模型处理模块间以其它时间组合运行。进一步地，任意一个模型处理模块可以对另一个或多个模型处理模块的结果进行计算处理，或者将不同模型处理模块产生的结果同时或非同时传递到处理模块中进行处理。

所有生命体征信号数据在经由分析模块220接收、计算、分析、判断、和/或处理后，都会有选择的存入存储设备450，以便分析模块220在接下来的任何操作步骤中随时读取和分析。这里提到的存储设备450泛指所有可以读取、和/或写入信息的媒介，例如但不局限于随机存储器(RAM)和只读存储器(ROM)。具体例如，硬盘、软盘、优盘、光盘等各种存储元器件。其中RAM有但不限于：十进计数管、选数管、延迟线存储器、威廉姆斯管、动态随机存储器(DRAM)、静态随机存储器(SRAM)、晶闸管随机存储器(T-RAM)、和零电容随机存储器(Z-RAM)等。ROM又有但不限于：磁泡存储器、磁钮线存储器、薄膜存储器、磁镀线存储器、磁芯内存、磁鼓存储器、光盘驱动器、硬盘、磁带、早期NVRAM(非易失存储器)、相变化内存、磁阻式随机存储式内存、铁电随机存储内存、非易失SRAM、闪存、电子抹除式可复写只读存储器、可擦除可编程只读存储器、可编程只读存储器、屏蔽式堆读内存、浮动连接门随机存取存储器、纳米随机存储器、赛道内存、可变电阻式内存、和可编程金属化单元等。以上提及的存储设备只是列举了一些例子，该系统可以使用的存储设备并不局限于此。

图5为分析模块220执行生命体征信号的特征提取过程的一种流程图。生命体中的生命体征信号首先在步骤510被进行滤波处理。滤波处理的效果可以是去除生命体征信号中的噪声。这些噪声可以是工频干扰或者基电干扰等噪声。在一些实施例中，噪声的检测可以通过获取生命体征信号中的特征值，并通过设定特征阈值的方式判断信息中是否存在噪声。例如，可通过TCSC(Threshold crossing sample count)算法、时间延迟算法(TDA，timedelay algorithm)、峰度计算分别得到若干个特征值，进而通过设定这些特征值的阈值来分析判断噪声。经判断含有噪声的生命体征信号可以经过相应的滤波处理。在一些实施例中，含有噪声的生命体征信号片段可以被丢弃。在另一些实施例中，含有噪声的生命体征信号可以经过相应的滤波器进行滤波处理，以去除噪声。具体的处理方式包括但不限于低通滤波、带通滤波、小波变换滤波、中值滤波法、形态学滤波与曲线拟合法等。步骤510对噪声进行计算分析，并做了相应滤波后，可将滤波结果由输出模块230输出。

在步骤520中，生命体征信号被执行时域变换的操作，以获得生命体征信号的不同时间表现。这些操作可以是平移操作，卷积操作，与一个特定核函数(kernel function)的乘积操作，尺度变换操作，对生命体征信号作用一个特定函数的操作，或者以上所例举操作的任意组合。这里对生命体征信号作用的特定函数可以是线性函数。在另外一些实施例中，对生命体征信号作用的特定函数可以是非线性函数，如多项式函数，指数形式，对数函数，三角函数函数，有理函数函数，或以上所述函数形式的任意组合。

在步骤530中，生命体征信号被执行频域变换的操作，以获得生命体征信号在频域上的表现。这里的频域变换可以是傅里叶变换(Fourier transform)，快速傅里叶变换(FFT，fast Fourier transform)，在频域上的平移操作，卷积操作，与一个特定核函数(kernel function)的乘积操作，尺度变换操作，和/或对频域信号作用一个特定函数的操作，或者以上所例举操作的任意组合。这里对频域信号作用的特定函数可以是线性函数。在另外一些实施例中，对生命体征信号作用的特定函数可以是非线性函数，如多项式函数，指数形式，对数函数，三角函数函数，有理函数函数，或以上所述函数形式的任意组合。

在步骤540中，生命体征信号被执行时频域变换的操作，以获得生命体征信号在时频域上的表现。这里的时频域变换可以是小波变换(wavelet transform)，多窗口时空变换(multi-windows time-space transform)，在时频域上的平移操作，卷积操作，与一个特定核函数(kernel function)的乘积操作，尺度变换操作，和/或对时频域信号作用一个特定函数的操作，或者以上所例举操作的任意组合。这里对时频域信号作用的特定函数可以是线性函数。在另外一些实施例中，对生命体征信号作用的特定函数可以是非线性函数，如多项式函数，指数形式，对数函数，三角函数函数，有理函数函数，或以上所述函数形式的任意组合。

在步骤550中，以上在步骤520，530，540中产生的各种时域信号，频域信号，时频域信号被输入到分析模块220中以进行特征提取。特征包含时域、频域、时频域信号上的各种参数。比如，时间参数，频域参数，视频参数，幅度参数，面积参数。，还可以包括特征之间的组合变换形成的复合特征。在一些实施例中，特征之间的组合变换可以是线性组合。在另外一些实施例中，特征之间的组合变换可以是非线性的，如多项式组合，指数形式，对数形式，三角函数形式，有理函数形式，或以上所述函数形式的任意组合。

在步骤560中，提取出的各种特征中的奇异数据(outlier data)会被检测和排除。

在步骤570中，经奇异数据排除的各种特征会经过组合变换以生成复合型特征。在一些实施例中，特征之间的组合变换可以是线性组合。在另外一些实施例中，特征之间的组合变换可以是非线性的，如多项式组合，指数形式，对数形式，三角函数形式，有理函数形式，或以上所述函数形式的任意组合。在一些更进一步的实施例中，对特征进行组合变换以生成复合型特征可以采用降低特征所在维度的方式，如采用阈值法、句法模式识别、高斯函数分解法、小波变换、HTT方法、线性判别分析、二次判别分析、最大熵分类器、决策树、决策表、核估计、近邻法、朴素贝叶斯分类器、神经网络、视感控器、支持向量机、基因表达式编程、分级群聚、k均值聚类、相关聚类、核主成分分析、提升方法、贝叶斯网络、马尔科夫随机场、多重线性主成分分析、卡尔曼滤波器、粒子滤波器、高斯过程回归、线性回归或拓展、独立成分分析、主成分分析、条件随即域、隐马尔科夫模型、最大熵马尔科夫模型、递归神经网络、关联式规则、归纳逻辑编程、相似性度量学习、深度神经网络、深度信念网络、卷积神经网路、卷积深度信念网络等。所述特定的方法可为上述任意一种算法或者任意多种算法的组合。各种方法之间可以是直接联系，也可以是间接联系。上文所描述的特征提取并不是必须的，对于本领域的专业人员来说，在了解本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，对该系统进行形式和细节上的各种修正和改变，而这些修正和改变仍在本发明的权利要求保护范围之内。

图6为构建不同生命体征类型的算法模型库的一种流程图。首先在步骤610输入满足特定要求的生命体征信号集。在一些实施例中，所输入的满足特定要求的生命体征信号集可以是赋予共同标签(tag)的生命体征信号集。这里的生命体征信号可以是脉搏波信号。脉搏波信号可以通过光电容积脉搏波测量方式获得，也可以通过压感传感器获得的压力波信号获得。生命体征信号的标签(tag)可以是“正常”，“弱灌注”，“运动干扰”，“肤色”，“性别”，“年龄”，“病史”等对于生命体征信号所属人群的标签。生命体征信号的标签也可以是针对某种人群的行为状况/状态的标签，比如“运动”，“休息”，“静止”，“静坐”，“睡眠”，“跑步”等。在一些实施例中，行为状况/状态的标签还可以有下属子标签(sub-tag)，例如“运动”标签下面又可以分为“短时剧烈运动”，“短时轻微运动”，“长时剧烈运动”，“长时轻微运动”等子标签。被赋予共同标签的生命体征信号集可以是从具有共同标签类别的不同生命体提取的生命体征信号集。例如，一个被标为“黑色肤色”标签的生命体征信号集可以是满足特定要求的生命体征信号集。

在步骤620中，基于所输入的满足特定要求的生命体征信号集建立样本数据库。通过设计实验方案，建立不同标签下(如“正常”、“弱灌注”、“运动干扰引起静脉充溢的”、以及不同“肤色”下的生命体征信号的样本库

随后，在步骤630中对所建立的样本数据库进行整理。所述的整理可以是一、数据按照实验方案采集，对不同的样本数据设置不同的标签。二、截取样本数据的有效数据片段，匹配样本数据的血氧饱和度的参考数值。三、清理奇异数据，包括人为录入错误数据和设备参数识别错误数据，如参考值在非可信范围的数据、信号特征点识别错误的数据等。

在步骤640中对整理过的样本数据库进行特征提取操作。在一些实施例中，所述的特征提取操作可以是本说明书中图5中特征提取的有关操作。所提取出的特征集分别输入到步骤650以及步骤670中。

在步骤650中对提取出的特征集执行逐步稳健回归操作。具体来说，对提取出的特征集做分类以及无效数据清理和归一化处理，进行逐步稳健回归计算。随后在步骤660中优化特征模型。在一些实施例中，优化特征模型可以通过贝叶斯信息标准估计值，确定模型变量，并结合残差分析以及标准化系数阈值，来达到优化模型的效果。优化特征模型的具体内容可以参见PCT国际申请号PCT/CN2017/094762，申请名为“Systems and methods fordetermining blood pressure of a subject”中关于优化特征模型的部分。

在步骤670中，对所输入的特征集执行决策回归操作，并在步骤680中优化决策模型。决策模型用于判断新样本属于哪一类集合的样本数据，并且最终加权平均多个模型的结果作为输出。由于不同的样本数据中，特征参数的数值具有不同表现，因此使用特征参数(X)和数据标签(Y)匹配建模。在决策模型的优化中，可以通过抑制决策树的复杂性，如限制树的最大深度、叶子节点的样本数量、节点分裂的最少样本数量来降低单树的拟合能力，再通过集成多个决策树的方法来优化模型的泛化能力。基学习器存在回归或者分类错误的情况，在下一轮基学习时可以纠正这个错误，通过不断拟合残差来优化决策模型。在实施中，可以通过一些机器学习和统计学习的函数包来实现，如R中的gbm包等。最后在步骤690中输出对于所输入的满足特定条件的生命体征信号的对应模型。

图7为对生命体征信号所属模型进行判定并因此调整生命体征信号的生理参数的一种流程图。在一些实施例中，生命体征信号可以是PPG信号，而生命体征信号的生理参数可以是血氧饱和度。首先在步骤710输入一段作为新样本采集的生命体征信号(以下也称为“新样本信号”)。这里的生命体征信号可以是脉搏波信号。脉搏波信号可以通过光电容积脉搏波测量方式获得，也可以通过压感传感器获得的压力波信号获得。所输入的生命体征信号窗口时长可以与相关个体的生理特征相关。

在步骤720中，对输入的生命体征信号进行特征提取。在一些实施例中，所述的特征提取操作可以是本说明书中图5中特征提取的有关操作。

在步骤730中，加载决策模型。决策模型对于输入的生命体征信号及相应提取出的特征进行分类判定，判断该生命体征信号的类别。例如，决策模型可以判断该生命体征信号属于“黄色肤色”。在一些实施例中，对生命体征信号的类别判断可以是多重判断。比如判断该生命体征信号属于“黄色肤色”，“女性”，“弱灌注类”，“有运动干扰”型。决策模型的实现可以是一个分类器(perceptron)，也可以是一个多层分类器(MLP，multi-layerperceptron)。在一些实施例中，决策模型也可以采用决策树模型(decision tree model)或者其变体(GBDT gradient boosting decision tree，GBRT gradient boostingregression tree)等等。在步骤740中，决策模型对新样本信号所属的模型集合进行判断，以给出新样本信号所在的模型集合。比如，决策模型可以判断新样本信号所在的模型为“黄色肤色”模型。如同上文所解释的，决策模型也可以判断新样本所在的模型为一个多重模型。例如判断新样本信号所在的模型为“黄色肤色”，“女性”，“弱灌注类”，“有运动干扰”型。

在步骤750中，新样本信号在每一所属模型中的相应权重被计算出来。在一些实施例中，新样本信号在每一所属模型中的权重可以通过计算新样本信号与所属模型中的已有样本间的统计距离来计算。例如，新样本信号a与一模型M中的已有样本s₁，s₂，...，s_n间的统计距离可以被定义为L＝(||a-s₁||+||a-s₂||+...+||a-s_n||)/n。而权重可以与新样本信号与模型中的已有样本的统计距离L成正比。例如，权重w＝c L，这里的系数c可以是一个正的常数。c的取值可以与模型有关。在一些实施例中，不同的模型的系数c的取值可以是不一样的。

步骤750计算出新样本信号在每一所属模型中的相应权重后，在步骤760中执行利用权重修正新样本信号的生理参数数值的操作。在一些实施例中，新样本信号的生理参数可以是血氧饱和度。具体来说，对于新样本信号的每一所属模型M_i，可以利用该模型计算出生理参数的预测值e_i，同时新样本信号对该模型M_i的权重值w_i。则生理参数的修正可以按如下的方式进行计算：

(w₁e₁+w₂e₂+...+w_ne_n)/(w₁+w₂+...+w_n)

以上所述实施例仅表达了本披露的几种具体实施方式，其描述较为具体和详细，但并不能因此理解为对本披露专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本披露构思的前提下，还可以作出若干变形和改进，比如本说明书中披露的新特征或任何新的组合，以及披露的新方法的步骤或任何新的组合，这些都应属于本披露的保护范围。

Claims

1.一种对生命特征信号中的生理参数进行修正的方法，包括：

采集生命体征信号；

预处理所述采集到的生命体征信号；

建立基于一种或多种不同人群的生理参数计算模型族群；

建立决策模型，以决定所述生命体征信号的所属人群和所述生命体征信号的生理参数的预测值，其中，所述决策模型是一个多分类模型；

基于所述生命体征信号到每一个所述生命体征信号的所属人群已有的生命体征信号样本之间的距离来计算所述生命体征信号在每一所属人群的权重；以及

基于所述生理参数的预测值和所述权重修正所述生命体征信号的所述生理参数。

2.根据权利要求1所述的方法，所述生命体征信号包括脉搏波信号。

3.根据权利要求2所述的方法，所述生命体征信号包括血氧信息。

4.根据权利要求3所述的方法，所述生理参数包括血氧饱和度。

5.根据权利要求4所述的方法，所述一种或多种不同人群至少包括不同肤色的人群。

6.根据权利要求4所述的方法，所述一种或多种不同人群至少包括具有弱灌注特性的人群。

7.根据权利要求4所述的方法，所述一种或多种不同人群至少包括具有运动干扰特性的人群。

8.根据权利要求1所述的方法，所述生理参数计算模型族群是基于所述生命体征信号经时域变换、频域变换、或者时频变换中的至少一种产生的。

9.一种对生命特征信号中的生理参数进行修正的系统，包括可执行多个指令集的存储器，所述指令集可用于生命体征信号中的噪声检测，并执行如下操作：

采集生命体征信号；

预处理所述采集到的生命体征信号；

建立基于一种或多种不同人群的生理参数计算模型族群；

10.根据权利要求9所述的系统，所述生命体征信号包括脉搏波信号。

11.根据权利要求10所述的系统，所述生命体征信号包括血氧信息。

12.根据权利要求11所述的系统，所述生理参数包括血氧饱和度。

13.根据权利要求12所述的系统，所述一种或多种不同人群至少包括不同肤色的人群。

14.根据权利要求12所述的系统，所述一种或多种不同人群至少包括具有弱灌注特性的人群。

15.根据权利要求12所述的系统，所述一种或多种不同人群至少包括具有运动干扰特性的人群。

16.根据权利要求9所述的系统，所述生理参数计算模型族群是基于所述生命体征信号经时域变换、频域变换、或者时频变换中的至少一种产生的。