CN111000544A - 基于ppg波形的混合式连续血压测量模型构建方法及系统 - Google Patents

基于ppg波形的混合式连续血压测量模型构建方法及系统 Download PDF

Info

Publication number
CN111000544A
CN111000544A CN201911156777.6A CN201911156777A CN111000544A CN 111000544 A CN111000544 A CN 111000544A CN 201911156777 A CN201911156777 A CN 201911156777A CN 111000544 A CN111000544 A CN 111000544A
Authority
CN
China
Prior art keywords
model
blood pressure
ppg
value
individual
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.)
Granted
Application number
CN201911156777.6A
Other languages
English (en)
Other versions
CN111000544B (zh
Inventor
张光磊
荀琦峰
安子通
徐嘉豪
苏图克·伊不拉依木
孙洋洋
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN201911156777.6A priority Critical patent/CN111000544B/zh
Publication of CN111000544A publication Critical patent/CN111000544A/zh
Application granted granted Critical
Publication of CN111000544B publication Critical patent/CN111000544B/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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A61B5/02116—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave amplitude
    • 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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • 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
    • 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
    • A61B5/7235—Details of waveform analysis
    • 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

Landscapes

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

Abstract

一种基于PPG波形的混合式连续血压测量模型构建方法及测量系统，方法包括以下步骤：步骤一，采集被测对象的PPG信号以及对应的参考血压值；步骤二，根据采集到的PPG信号，预处理并计算得到相应的PPG特征参数；步骤三，分别建立血压预测的个体化模型和通用式模型；其中，个体化模型分为个体化无重搏波参数模型、个体化全特征参数模型；步骤四，将个体化模型和通用式模型混合建立混合式模型；步骤五，测量任意一个被测者的PPG信号输入步骤四中建立的混合式模型，实时连续地得到被测者的血压值。本发明的方法和系统能够较好地克服现有个体化和通用式模型存在的不足，能够实现对血压值的实时测量。

Description

基于PPG波形的混合式连续血压测量模型构建方法及系统
技术领域
本发明涉及血压测量技术领域，具体地说，涉及一种基于光电容积脉搏波(Photoplethysmography,PPG)波形进行无创连续血压监测的混合式模型构建方法。
背景技术
血压作为一种人体的重要生理指标，可以作为诊断疾病、观察病情变化与判断治疗效果的一项重要内容。
目前的血压测量方法可以分为有创血压测量与无创血压测量。其中，有创血压测量主要应用与临床测量上，通常指经过人体表面将导管和监测信号的探头插入到人体心腔或者血管腔之内，随着血液的流通和循环，探头中的压力传感器将血液的压力转化为电信号，再经仪器显示出数字或者波形，能够对患者的收缩压、舒张压、平均动脉压等进行连续监测。而无创血压测量的应用则更加广泛，因为其更加便捷并且对人体的伤害较小。
在无创连续血压测量方法中，比较常见的方法有动脉张力法、容积补偿法、光电容积脉搏波(PPG)法等。其中，光电容积脉搏波法测量血压操作方便、安全无创，并且没有通过袖带测量血压的不适感，受到国内外研究人员的广泛关注，研究方向主要分为两个方向：一为脉搏波波速测定法，通过脉搏波传导速率或者脉搏波传导时间测量血压；二为通过提取脉搏波的一些生理学参数来预测血压。脉搏波波速测定法也称为脉搏波传导时间测定法，是基于动脉血压与脉搏波传导速率之间的线性相关性来估算收缩压和舒张压的。但由于脉搏波传导速率与收缩压相关性较大，而与舒张压的相关性较小，所以目前直接使用脉搏波传导速率测量血压的方法大多无法很好地预测舒张压。此外，还有一些研究基于脉搏波的形态学特征参数进行研究，分析其与收缩压和舒张压的关系。目前，基于PPG波形的血压测量算法主要仍以脉搏波传导时间或脉搏波传导速率作为单一变量来计算血压，由于使用的特征值较为简单，算法的准确性与泛化能力有待于进一步的验证。虽然还有一部分研究对PPG波形的各参数进行建模分析，但这些算法大多只能适用于处理典型的光电容积脉搏波信号，而对于某些波形形态特殊的PPG信号则无法进行处理。
在基于PPG波形形态特征值建立血压测量模型的方法中，以前研究中常使用模型可分为两种：个体化模型和通用式模型。个体化模型使用的是被测者自身的数据训练出来的模型，精确度较高，但需要在初次测量前进行血压建模过程，可能会由于建模过程中PPG信号采集不当导致血压测量模型偏差而产生较大误差。而通用式模型则不需要被测者输入自身的血压数据，而是使用数据库中所有的被测者的数据进行建模，这样所得出的模型就与所参与建模的数据有着极大的关系，如果建模的数据中高血压人群较高，那么所建出的模型测量正常血压的人就会偏高，所以，通用式模型虽然相对来说较为便捷，但是预测血压会有着较大的误差。
发明内容
本发明要解决的技术问题是：提供一种基于PPG波形进行无创连续血压监测的混合式模型构建方法及测量系统，能够较好地克服现有个体化和通用式模型存在的不足，能够实现对血压值的实时测量。
本发明所采用的技术方案是：一种基于PPG波形的混合式连续血压测量模型构建方法，包括以下步骤：
步骤一，采集被测对象的PPG信号以及对应的参考血压值；
步骤二，根据采集到的PPG信号，预处理并计算得到相应的PPG特征参数；所做的预处理包括滤波、归一化处理、剔除异常数据、标记特征点；所得的PPG特征参数分别为波峰高度H1、降中峡高度H2、重搏波高度H3、波谷高度H4、主波上升时间T1、K值、降中峡相对高度H2/H1、重搏波相对高度H3/H1、R值、脉动周期T、左心室收缩时间T2、降中峡到周期结束间隔T3、心搏速率系数T2/T3、心肌收缩系数T1/T、心搏输出系数(T2-T1)/T；
其中，通过公式K＝(Pm-Pd)/(Ps-Pd)获取K值，Pm为脉搏波单个周期的幅度平均值，Ps为波峰幅度，Pd为波谷幅度；通过公式R＝H1×(1+T1/T)获取R值；
步骤三，分别建立血压预测的个体化模型和通用式模型；其中，个体化模型分为个体化无重搏波参数模型、个体化全特征参数模型；
个体化无重博波参数模型：根据被测者血压和PPG信号数据，通过多元线性回归方法建立的包含有六个特征参数：波峰高度H1、波谷高度H4、主波上升时间T1、K值、R值脉动周期T的数学模型：
y＝k1H1+k2H4+k3T1+k4K+k5R+k6T；
其中，y表示血压值，k1～k6为系数；
个体化全特征参数模型：根据被测者血压和PPG信号数据，通过多元线性回归方法建立的包含有i个特征参数的数学模型；
y＝k1x1+k2x2+...+kixi；
xi表示从步骤二中所得的PPG特征参数中提取的i个特征参数；
将PPG特征参数与血压值的相关系数从大到小依次排序，选取其中前i个作为xi的值；k1～ki为系数；i为正整数；
通用式模型：根据数据库中存储的所有样本的血压和PPG信号数据，通过多元线性回归方法建立的包含有j个特征参数的数学模型：y＝k1x1+k2x2+...+kjxj；j为正整数；
xj表示从波峰高度H1、波谷高度H4、主波上升时间T1、K值、R值、脉动周期T中提取的j个特征参数；k1～kj为系数；
步骤四，将个体化模型和通用式模型混合建立混合式模型；
建立方法为：将个体化模型以及通用式模型通过线性或者非线性的方式进行混合得出混合式模型：
z＝f(m1,m2,θ,α,…)m1+g(m1,m2,θ,α,…)m2，
其中，z表示混合式模型结果；m1表示个体化模型结果，其中，没有重搏波的被测者选用个体化无重博波参数模型结果，有重搏波的被测者选用个体化全特征参数模型；m2表示通用式模型结果；f()、g()表示两种函数关系；θ、α表示其他相关变量；
步骤五，测量任意一个被测者的PPG信号输入步骤四中建立的混合式模型，实时连续地得到被测者的血压值。
一种基于PPG波形的混合式连续血压测量系统，包括：
第一模块，采集被测对象的PPG信号以及对应的参考血压值；根据采集到的PPG信号，预处理并计算得到相应的PPG特征参数；
第二模块，分别建立血压预测的个体化模型和通用式模型；其中，个体化模型分为个体化无重搏波参数模型、个体化全特征参数模型；
第三模块，将个体化模型和通用式模型混合建立混合式模型。
所述第一模块中，所做的预处理包括滤波、归一化处理、剔除异常数据、标记特征点；所得的PPG特征参数分别为波峰高度H1、降中峡高度H2、重搏波高度H3、波谷高度H4、主波上升时间T1、K值、降中峡相对高度H2/H1、重搏波相对高度H3/H1、R值、脉动周期T、左心室收缩时间T2、降中峡到周期结束间隔T3、心搏速率系数T2/T3、心肌收缩系数T1/T、心搏输出系数(T2-T1)/T；
其中，通过公式K＝(Pm-Pd)/(Ps-Pd)获取K值，Pm为脉搏波单个周期的幅度平均值，Ps为波峰幅度，Pd为波谷幅度；通过公式R＝H1×(1+T1/T)获取R值。
所述第二模块中，个体化无重博波参数模型：根据被测者血压和PPG信号数据，通过多元线性回归方法建立的包含有六个特征参数：波峰高度H1、波谷高度H4、主波上升时间T1、K值、R值脉动周期T的数学模型：
y＝k1H1+k2H4+k3T1+k4K+k5R+k6T；
其中，y表示血压值，k1～k6为系数；
个体化全特征参数模型：根据被测者血压和PPG信号数据，通过多元线性回归方法建立的包含有i个特征参数的数学模型；
y＝k1x1+k2x2+...+kixi；
xi表示从步骤二中所得的PPG特征参数中提取的i个特征参数；
将PPG特征参数与血压值的相关系数从大到小依次排序，选取其中前i个作为xi的值；k1～ki为系数。
通用式模型：根据数据库中存储的所有样本的血压和PPG信号数据，通过多元线性回归方法建立的包含有j个特征参数的数学模型：y＝k1x1+k2x2+...+kjxj；
xj表示从波峰高度H1、波谷高度H4、主波上升时间T1、K值、R值、脉动周期T中提取的j个特征参数；
所述第三模块中，将个体化模型以及通用式模型通过线性或者非线性的方式进行混合得出混合式模型：
z＝f(m1,m2,θ,α,…)m1+g(m1,m2,θ,α,…)m2，
其中，z表示混合式模型结果；m1表示个体化模型结果，其中，没有重搏波的被测者选用个体化无重博波参数模型结果，有重搏波的被测者选用个体化全特征参数模型；m2表示通用式模型结果；f()、g()表示两种函数关系；θ、α表示其他相关变量。
本发明与现有技术相比的优点在于：
首先，混合模型能够避免个体化模型建模时输入的数据有误所带来的较大误差；如果输入PPG信号时有异常的波动，就会导致建立的模型有误，那么测量误差就会增大。
此外，混合模型还能够进一步地提高模型预测的准确性；用于建立通用式模型的数据大多数为血压正常人群的数据，所以当高血压或者低血压的被测者使用通用式模型时，其测量结果就会趋于正常血压值，结果就会出现较大的误差。而混合式模型能够充分发挥个体化模型预测准确的优点，改善通用式模型所用建模数据过于广泛所带来较大误差的缺点，提高模型预测的准确性。
附图说明
图1为通用式模型过程的示意图；
图2为个体化模型过程的示意图；
图3为混合式模型过程的示意图。
具体实施方式
本实施例提供了一种基于PPG波形进行无创连续血压监测的混合式模型构建方法，其既能够弥补个体化模型在输入数据有误情况下带来的较大误差，又能够进一步提高模型算法的准确性。
一种基于PPG波形的混合式连续血压测量模型构建方法：包括以下步骤
步骤一，采集被测对象的PPG信号以及对应的参考血压值；
步骤二，根据采集到的PPG信号，预处理并计算得到相应的PPG特征参数；所做的预处理包括滤波、归一化处理、剔除异常数据、标记特征点；所得的PPG特征参数分别为波峰高度H1、降中峡高度H2、重搏波高度H3、波谷高度H4、主波上升时间T1、K值、降中峡相对高度H2/H1、重搏波相对高度H3/H1、R值、脉动周期T、左心室收缩时间T2、降中峡到周期结束间隔T3、心搏速率系数T2/T3、心肌收缩系数T1/T、心搏输出系数(T2-T1)/T；
其中，通过公式K＝(Pm-Pd)/(Ps-Pd)获取K值，Pm为脉搏波单个周期的幅度平均值，Ps为波峰幅度，Pd为波谷幅度；通过公式R＝H1×(1+T1/T)获取R值；
例如，在预处理中的滤波器可以选择1-20Hz的带通滤波器，其中剔除异常数据包括在标记特征点时通过设置阈值来剔除异常特征点以及计算特征值时剔除异常的特征值。
步骤三，分别建立血压预测的个体化模型和通用式模型；其中，个体化模型分为个体化无重搏波参数模型、个体化全特征参数模型；
如图1所示，个体化无重博波参数模型：根据被测者血压和PPG信号数据，通过多元线性回归方法建立的包含有六个特征参数：波峰高度H1、波谷高度H4、主波上升时间T1、K值、R值脉动周期T的数学模型：
y＝k1H1+k2H4+k3T1+k4K+k5R+k6T；
其中，y表示血压值，k1～k6为系数；
个体化全特征参数模型：根据被测者血压和PPG信号数据，通过多元线性回归方法建立的包含有i个特征参数的数学模型；
y＝k1x1+k2x2+...+kixi；
xi表示从步骤二中所得的PPG特征参数中提取的i个特征参数；
将PPG特征参数与血压值的相关系数从大到小依次排序，选取其中前i个作为xi的值；k1～ki为系数；
例如，可以选择与血压值相关系数从大到小排序前5的5个特征参数进行建模，能够达到较为准确测量PPG信号有重搏波的人群的血压的目的。
如图2所示，通用式模型：根据数据库中存储的所有样本的血压和PPG信号数据，通过多元线性回归方法建立的包含有j个特征参数的数学模型：y＝k1x1+k2x2+...+kjxj；
xj表示从波峰高度H1、波谷高度H4、主波上升时间T1、K值、R值、脉动周期T中提取的j个特征参数；
例如，可以选取三个特征值，波峰高度H1、波谷高度H4、主波上升时间T1；通过多元线性回归得出对应的模型中的PPG特征值系数，将得出的系数带入模型y＝k1H1+k2H4+k3T1中，进行血压监测。
步骤四，如图3所示，将个体化模型和通用式模型混合建立混合式模型；
混合式模型建立方法为：将个体化模型以及通用式模型通过线性或者非线性的方式进行混合得出混合式模型：
z＝f(m1,m2,θ,α,…)m1+g(m1,m2,θ,α,…)m2，
其中，z表示混合式模型结果；m1表示个体化模型结果，其中，没有重搏波的被测者选用个体化无重博波参数模型结果，有重搏波的被测者选用个体化全特征参数模型；m2表示通用式模型结果；f()、g()表示两种函数关系；θ、α表示其他相关变量，比如PPG信号的噪声水平，高血压程度评级等；
其中，以PPG信号噪声程度θ为例，可以将其分为1、2、3、4、5共五个等级，等级越高代表其噪声水平越高，将个体化模型、通用式模型按照公式混合得到混合式模型，
Figure BDA0002285013670000081
混合式模型相对于个体化模型、通用式模型既能够准确的预测出被测者的血压值，同时又能够避免个体化模型输入数据有误所带来的较大误差。
步骤五，测量任意一个被测者的PPG信号输入步骤四中建立的混合式模型，实时连续地得到被测者的血压值。
一种基于PPG波形的混合式连续血压测量系统，包括：
第一模块，采集被测对象的PPG信号以及对应的参考血压值；根据采集到的PPG信号，预处理并计算得到相应的PPG特征参数；
第二模块，分别建立血压预测的个体化模型和通用式模型；其中，个体化模型分为个体化无重搏波参数模型、个体化全特征参数模型；
第三模块，将个体化模型和通用式模型通过线性或者非线性的方式进行混合建立混合式模型。
所述第一模块中，所做的预处理包括滤波、归一化处理、剔除异常数据、标记特征点；所得的PPG特征参数分别为波峰高度H1、降中峡高度H2、重搏波高度H3、波谷高度H4、主波上升时间T1、K值、降中峡相对高度H2/H1、重搏波相对高度H3/H1、R值、脉动周期T、左心室收缩时间T2、降中峡到周期结束间隔T3、心搏速率系数T2/T3、心肌收缩系数T1/T、心搏输出系数(T2-T1)/T；
其中，通过公式K＝(Pm-Pd)/(Ps-Pd)获取K值，Pm为脉搏波单个周期的幅度平均值，Ps为波峰幅度，Pd为波谷幅度；通过公式R＝H1×(1+T1/T)获取R值。
所述第二模块中，个体化无重博波参数模型：根据被测者血压和PPG信号数据，通过多元线性回归方法建立的包含有六个特征参数：波峰高度H1、波谷高度H4、主波上升时间T1、K值、R值脉动周期T的数学模型：
y＝k1H1+k2H4+k3T1+k4K+k5R+k6T；
其中，y表示血压值，k1～k6为系数；
个体化全特征参数模型：根据被测者血压和PPG信号数据，通过多元线性回归方法建立的包含有i个特征参数的数学模型；
y＝k1x1+k2x2+...+kixi；
xi表示从步骤二中所得的PPG特征参数中提取的i个特征参数；
将PPG特征参数与血压值的相关系数从大到小依次排序，选取其中前i个作为xi的值；k1～ki为系数。
通用式模型：根据数据库中存储的所有样本的血压和PPG信号数据，通过多元线性回归方法建立的包含有j个特征参数的数学模型：y＝k1x1+k2x2+...+kjxj；
xj表示从波峰高度H1、波谷高度H4、主波上升时间T1、K值、R值、脉动周期T中提取的j个特征参数；
所述第三模块中，将个体化模型以及通用式模型通过线性或者非线性的方式进行混合得出混合式模型：
z＝f(m1,m2,θ,α,…)m1+g(m1,m2,θ,α,…)m2，
其中，z表示混合式模型结果；m1表示个体化模型结果，其中，没有重搏波的被测者选用个体化无重博波参数模型结果，有重搏波的被测者选用个体化全特征参数模型；m2表示通用式模型结果；f()、g()表示两种函数关系；θ、α表示其他相关变量。
本发明未详细说明部分属于本领域技术人员公知技术。

Claims (10)

1.一种基于PPG波形的混合式连续血压测量模型构建方法，其特征在于，包括以下步骤：
步骤一，采集被测对象的PPG信号以及对应的参考血压值；
步骤二，根据采集到的PPG信号，预处理并计算得到相应的PPG特征参数；
步骤三，分别建立血压预测的个体化模型和通用式模型；其中，个体化模型分为个体化无重搏波参数模型、个体化全特征参数模型；
步骤四，将个体化模型和通用式模型混合建立混合式模型；
步骤五，测量任意一个被测者的PPG信号输入步骤四中建立的混合式模型，实时连续地得到被测者的血压值。
2.根据权利要求1所述的一种基于PPG波形的混合式连续血压测量模型构建方法，其特征在于，所述步骤二中，所做的预处理包括滤波、归一化处理、剔除异常数据、标记特征点。
3.根据权利要求1或2所述的一种基于PPG波形的混合式连续血压测量模型构建方法，其特征在于，所述步骤二中，所得的PPG特征参数分别为波峰高度H1、降中峡高度H2、重搏波高度H3、波谷高度H4、主波上升时间T1、K值、降中峡相对高度H2/H1、重搏波相对高度H3/H1、R值、脉动周期T、左心室收缩时间T2、降中峡到周期结束间隔T3、心搏速率系数T2/T3、心肌收缩系数T1/T、心搏输出系数(T2-T1)/T；
其中，通过公式K＝(Pm-Pd)/(Ps-Pd)获取K值，Pm为脉搏波单个周期的幅度平均值，Ps为波峰幅度，Pd为波谷幅度；通过公式R＝H1×(1+T1/T)获取R值。
4.根据权利要求3所述的一种基于PPG波形的混合式连续血压测量模型构建方法，其特征在于，所述步骤三中，个体化无重博波参数模型：根据被测者血压和PPG信号数据，通过多元线性回归方法建立的包含有六个特征参数：波峰高度H1、波谷高度H4、主波上升时间T1、K值、R值脉动周期T的数学模型：
y＝k1H1+k2H4+k3T1+k4K+k5R+k6T；
其中，y表示血压值，k1～k6为系数。
5.根据权利要求4所述的一种基于PPG波形的混合式连续血压测量模型构建方法，其特征在于，所述步骤三中，个体化全特征参数模型：根据被测者血压和PPG信号数据，通过多元线性回归方法建立的包含有i个特征参数的数学模型；
y＝k1x1+k2x2+...+kixi；
xi表示从步骤二中所得的PPG特征参数中提取的i个特征参数；
将PPG特征参数与血压值的相关系数从大到小依次排序，选取其中前i个作为xi的值；k1～ki为系数。
6.根据权利要求5所述的一种基于PPG波形的混合式连续血压测量模型构建方法，其特征在于，所述步骤三中，通用式模型：根据数据库中存储的所有样本的血压和PPG信号数据，通过多元线性回归方法建立的包含有j个特征参数的数学模型：y＝k1x1+k2x2+...+kjxj；
xj表示从波峰高度H1、波谷高度H4、主波上升时间T1、K值、R值、脉动周期T中提取的j个特征参数。
7.根据权利要求6所述的一种基于PPG波形的混合式连续血压测量模型构建方法，其特征在于，所述步骤四中，混合式模型的建立方法为：将个体化模型以及通用式模型通过线性或者非线性的方式进行混合得出混合式模型：
z＝f(m1,m2,θ,α,…)×m1+g(m1,m2,θ,α,…)×m2，
其中，z表示混合式模型结果；m1表示个体化模型结果，其中，没有重搏波的被测者选用个体化无重博波参数模型结果，有重搏波的被测者选用个体化全特征参数模型；m2表示通用式模型结果；f()、g()表示两种函数关系；θ、α表示其他相关变量。
8.一种基于PPG波形的混合式连续血压测量系统，其特征在于，包括：
第一模块，采集被测对象的PPG信号以及对应的参考血压值；根据采集到的PPG信号，预处理并计算得到相应的PPG特征参数；
第二模块，分别建立血压预测的个体化模型和通用式模型；其中，个体化模型分为个体化无重搏波参数模型、个体化全特征参数模型；
第三模块，将个体化模型和通用式模型混合建立混合式模型。
9.根据权利要求8所述的一种基于PPG波形的混合式连续血压测量系统，其特征在于，所述第一模块中，所做的预处理包括滤波、归一化处理、剔除异常数据、标记特征点；所得的PPG特征参数分别为波峰高度H1、降中峡高度H2、重搏波高度H3、波谷高度H4、主波上升时间T1、K值、降中峡相对高度H2/H1、重搏波相对高度H3/H1、R值、脉动周期T、左心室收缩时间T2、降中峡到周期结束间隔T3、心搏速率系数T2/T3、心肌收缩系数T1/T、心搏输出系数(T2-T1)/T；
其中，通过公式K＝(Pm-Pd)/(Ps-Pd)获取K值，Pm为脉搏波单个周期的幅度平均值，Ps为波峰幅度，Pd为波谷幅度；通过公式R＝H1×(1+T1/T)获取R值。
10.根据权利要求9所述的一种基于PPG波形的混合式连续血压测量模型系统，其特征在于，所述第二模块中，个体化无重博波参数模型：根据被测者血压和PPG信号数据，通过多元线性回归方法建立的包含有六个特征参数：波峰高度H1、波谷高度H4、主波上升时间T1、K值、R值脉动周期T的数学模型：
y＝k1H1+k2H4+k3T1+k4K+k5R+k6T；
其中，y表示血压值，k1～k6为系数；
个体化全特征参数模型：根据被测者血压和PPG信号数据，通过多元线性回归方法建立的包含有i个特征参数的数学模型；
y＝k1x1+k2x2+...+kixi；
xi表示从步骤二中所得的PPG特征参数中提取的i个特征参数；
将PPG特征参数与血压值的相关系数从大到小依次排序，选取其中前i个作为xi的值；k1～ki为系数。
通用式模型：根据数据库中存储的所有样本的血压和PPG信号数据，通过多元线性回归方法建立的包含有j个特征参数的数学模型：
y＝k1x1+k2x2+...+kjxj；
xj表示从波峰高度H1、波谷高度H4、主波上升时间T1、K值、R值、脉动周期T中提取的j个特征参数；
所述第三模块中，将个体化模型以及通用式模型通过线性或者非线性的方式进行混合得出混合式模型：
z＝f(m1,m2,θ,α,…)×m1+g(m1,m2,θ,α,…)×m2，
其中，z表示混合式模型结果；m1表示个体化模型结果，其中，没有重搏波的被测者选用个体化无重博波参数模型结果，有重搏波的被测者选用个体化全特征参数模型；m2表示通用式模型结果；f()、g()表示两种函数关系；θ、α表示其他相关变量。
CN201911156777.6A 2019-11-22 2019-11-22 基于ppg波形的混合式连续血压测量模型构建方法及系统 Active CN111000544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911156777.6A CN111000544B (zh) 2019-11-22 2019-11-22 基于ppg波形的混合式连续血压测量模型构建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911156777.6A CN111000544B (zh) 2019-11-22 2019-11-22 基于ppg波形的混合式连续血压测量模型构建方法及系统

Publications (2)

Publication Number Publication Date
CN111000544A true CN111000544A (zh) 2020-04-14
CN111000544B CN111000544B (zh) 2021-07-16

Family

ID=70113117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911156777.6A Active CN111000544B (zh) 2019-11-22 2019-11-22 基于ppg波形的混合式连续血压测量模型构建方法及系统

Country Status (1)

Country Link
CN (1) CN111000544B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111973165A (zh) * 2020-08-14 2020-11-24 北京航空航天大学 基于ppg的线性与非线性混合式无创连续血压测量系统
CN114582503A (zh) * 2022-02-24 2022-06-03 北京邮电大学 基于多元线性回归和相关性加权选择算法的血压监测方法
WO2022206631A1 (zh) * 2021-03-31 2022-10-06 华为技术有限公司 一种血压测量方法及装置
CN117204835A (zh) * 2023-09-11 2023-12-12 苏州福流医疗科技有限公司 一种基于ppg技术的血压测量方法、装置及计算机存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6535817B1 (en) * 1999-11-10 2003-03-18 The Florida State Research Foundation Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble
CN106037694A (zh) * 2016-05-13 2016-10-26 吉林大学 一种基于脉搏波的连续血压测量装置
CN106709588A (zh) * 2015-11-13 2017-05-24 日本电气株式会社 预测模型构建方法和设备以及实时预测方法和设备
CN109816158A (zh) * 2019-01-04 2019-05-28 平安科技（深圳）有限公司 预测模型的组合方法、装置、设备及可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6535817B1 (en) * 1999-11-10 2003-03-18 The Florida State Research Foundation Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble
CN106709588A (zh) * 2015-11-13 2017-05-24 日本电气株式会社 预测模型构建方法和设备以及实时预测方法和设备
CN106037694A (zh) * 2016-05-13 2016-10-26 吉林大学 一种基于脉搏波的连续血压测量装置
CN109816158A (zh) * 2019-01-04 2019-05-28 平安科技（深圳）有限公司 预测模型的组合方法、装置、设备及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孟丽芳: "面向血压预测的多特征融合的技术研究", 《哈尔滨工程大学硕士学位论文》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111973165A (zh) * 2020-08-14 2020-11-24 北京航空航天大学 基于ppg的线性与非线性混合式无创连续血压测量系统
CN111973165B (zh) * 2020-08-14 2021-12-24 北京航空航天大学 基于ppg的线性与非线性混合式无创连续血压测量系统
WO2022206631A1 (zh) * 2021-03-31 2022-10-06 华为技术有限公司 一种血压测量方法及装置
CN114582503A (zh) * 2022-02-24 2022-06-03 北京邮电大学 基于多元线性回归和相关性加权选择算法的血压监测方法
CN117204835A (zh) * 2023-09-11 2023-12-12 苏州福流医疗科技有限公司 一种基于ppg技术的血压测量方法、装置及计算机存储介质

Also Published As

Publication number Publication date
CN111000544B (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN111000544B (zh) 基于ppg波形的混合式连续血压测量模型构建方法及系统
Shimazaki et al. Cuffless blood pressure estimation from only the waveform of photoplethysmography using CNN
CN101765398B (zh) 前负荷依赖性和流体反应性的评估
Yang et al. Estimation and validation of arterial blood pressure using photoplethysmogram morphology features in conjunction with pulse arrival time in large open databases
WO1994014372A1 (en) Continuous measurement of cardiac output and svr
TW201019898A (en) Method and apparatus for presenting heart rate variability by sound and/or light
US20090124914A1 (en) Analysis system and a method for pulse diagnosis in chinese medicine
CN114145724A (zh) 基于ecg和ppg多生理特征参数动态监测血压的方法
CN111973165B (zh) 基于ppg的线性与非线性混合式无创连续血压测量系统
CN107854123A (zh) 一种无袖套连续血压监测方法和装置
CN104644151B (zh) 一种基于光电容积脉搏信号的压力脉搏波波形传播预测方法
CN111493855A (zh) 个体化心输出量的无创测量系统与方法
CN102334986B (zh) 动脉压信号中重搏切迹点识别方法
US20110270059A1 (en) Signal processing for pulse oximetry
CN107992452A (zh) 计算中心血流动力学指标的方法、装置、存储介质及设备
CN103027669A (zh) 用于判断脉象浮沉度的方法和设备
CN111839488A (zh) 基于脉搏波的无创连续血压测量装置和方法
CN107995981B (zh) 一种用于血压测量装置的数据处理方法
CN112155514A (zh) 一种基于检测脉搏生物电信息的非接触眼压测量方法
CN111067500A (zh) 一种基于ppg信号实现连续血压的监测系统
CN115089145A (zh) 基于多尺度残差网络和ppg信号的智能血压预测方法
CN117100239A (zh) 基于cnn+lstm和ppg信号的血压检测系统
CN114145725B (zh) 一种基于无创连续血压测量的ppg采样率估算方法
KR102035731B1 (ko) 광용적맥파를 이용한 통증심도 측정 방법 및 장치
JP2004121866A (ja) 生体状態測定装置

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