CN111951956A - 一种基于支持向量机与血压校正的动脉硬化程度检测方法 - Google Patents

一种基于支持向量机与血压校正的动脉硬化程度检测方法 Download PDF

Info

Publication number
CN111951956A
CN111951956A CN202010818595.7A CN202010818595A CN111951956A CN 111951956 A CN111951956 A CN 111951956A CN 202010818595 A CN202010818595 A CN 202010818595A CN 111951956 A CN111951956 A CN 111951956A
Authority
CN
China
Prior art keywords
pulse wave
blood pressure
extracting
wavelet
support vector
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.)
Pending
Application number
CN202010818595.7A
Other languages
English (en)
Inventor
刘海宽
王辰
夏昊迪
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.)
Jiangsu Normal University
Original Assignee
Jiangsu Normal 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 Jiangsu Normal University filed Critical Jiangsu Normal University
Priority to CN202010818595.7A priority Critical patent/CN111951956A/zh
Publication of CN111951956A publication Critical patent/CN111951956A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

一种基于支持向量机与血压校正的动脉硬化程度检测方法，包括：获取脉搏波信号与心电信号，对脉搏波、心电信号进行滤波去噪处理；通过心电与脉搏波信号计算脉搏波的传导时间PTT；通过拟合PTT计算人体血压值；脉搏波信号的时域特征提取，提取脉搏波的上升时间相对值、K值以及主波斜率；提取脉搏波信号的频域特征；提取脉搏波信号的小波特征；用提取的脉搏波特征进行支持向量机的训练；设置参数；通过血压值进行检测校正。本发明利用支持向量机与血压进行动脉硬化的检测，具有令人满意的检测效果。本发明的方法可以快速准确的识别动脉硬化程度，为实现智能诊断、缓解紧缺的医疗资源、减少医疗资源的浪费、提高就诊效率提供基础。

Description

一种基于支持向量机与血压校正的动脉硬化程度检测方法
技术领域：本发明属于智能医疗技术领域，具体涉及一种基于支持向量机与血压校正的动脉硬化程度检测方法。
背景技术：
血压是由于血液在血管内流动时作用到单位面积血管壁的侧压力所产生的。血压与脉搏波传播速度(PWV)存在准线性关系，且人体血压与脉搏波传导时间(PTT)存在线性关系。此方法可以连续的进行血压检测。血压在一定程度上反映了心血管的健康状况。脉搏波是由从心脏出发流经各动脉的前向波和反射波构成的，反射波是从下周动脉流向心脏的波形。脉搏波的形态和强度会因每个人的生理状态不同而呈现出很大的差别。这些波呈现出来的波形、振幅、速率、传播速度等都能在一定程度上反映出心血管系统的健康状态。基于脉搏波的研究，在评价心血管系统功能、预测心血管疾病的发作，以及为心血管疾病的早期诊断具有重要的意义。
支持向量机是样本分类的一种经典研究方法。通过提取脉搏波的时域特征、频域特征、小波特征进行支持向量机的训练。时域特征主要提取脉搏波波形的特征，如主波斜率、上升时间、K值和波峰数等，时域特征表征了脉搏波的基本特征。提取频域特征的优点是脉搏波信号所具有的全部频率分量的集合形式表示特征信息,保留了脉搏波具有的全部信息，反映了脉搏波的整体特征。时域与频域分析是脉搏波的粗略特征信息，很难准确的进行脉搏波细节的特征提取，因此有效的脉搏波特征提取方法必须能够准确提取一些特征信息不明显的微弱信号。小波分析是一种精细的时频分析方法，对信号进行多层次的频带划分，从而提高了时频分辨率。
目前，对于心血管动脉硬化的诊断分析很多，但是，如何通过血压校正支持向量机的诊断结果相对匮乏。本文即是通过血压校正支持向量机的诊断结果来进行诊断分类。
发明内容：
本发明的目的就在于通过支持向量机的血压校正方法，来诊断识别动脉硬化，对脉搏波信号与人体血压进行分析，为实现智能诊断、缓解紧缺的医疗资源、减少医疗资源的浪费、提高就诊效率提供基础。
本发明通过以下技术方案来实现上述目的：一种基于支持向量机与血压校正的动脉硬化程度检测方法，包括以下步骤：
步骤1)获取脉搏波信号与心电信号，对脉搏波、心电信号进行滤波去噪处理；
步骤2)通过心电与脉搏波信号计算脉搏波的传导时间PTT；
步骤3)通过拟合PTT计算人体血压值；
步骤4)脉搏波信号的时域特征提取；
步骤5)脉搏波信号的频域特征提取；
步骤6)脉搏波信号的小波特征提取；
步骤7)用提取的脉搏波特征进行支持向量机的训练；
步骤8)设置参数，使模型达到目标准确率；
步骤9)通过血压值进行检测校正。
进一步的，所述时域特征的提取方法具体包括：
时域中其主波斜率提取方式为提取峰值后20个点的平均斜率
Figure BDA0002633656090000021
其中，Q为主波斜率，j为主波峰值点，A(i)为i点幅值。
进一步的，所述步骤5)具体包括，提取脉搏波信号频域的前四次谐波幅值作为脉搏波信号的频域特征。
进一步的，所述小波特征的提取方法包括：将各层信号的能量在总能量中的占比和小波熵一起作为小波域的特征信息，各层能量占比为
Figure BDA0002633656090000022
小波熵特征提取方法为
Figure BDA0002633656090000023
其中,Etotal为各尺度上的信号总能量，Pj为各层能量在总能量中的占比。
进一步的，所述小波特征的提取方法具体包括：使用db5小波对脉搏波信号进行8层小波分解，计算每层的能量以及小波熵作为特征值。
与现有技术相比，本发明的有益技术效果：
本发明的方法可以快速准确的识别动脉硬化程度，为实现智能诊断、缓解紧缺的医疗资源、减少医疗资源的浪费、提高就诊效率提供基础。
附图说明
图1为发明方法流程图；
图2为心电信号与脉搏波信号峰值点差值；
图3为脉搏波信号频谱图；
图4为脉搏波信号经小波变换后各细节信号及概貌信号。
具体实施方式
下面将结合本发明实施中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如附图1所示，一种基于支持向量机与血压校正的动脉硬化程度检测方法，包括以下步骤：
步骤1)获取脉搏波信号与心电信号，对脉搏波、心电信号进行滤波去噪处理；
步骤2)通过心电与脉搏波信号计算脉搏波的传导时间PTT；
步骤3)通过拟合PTT计算人体血压值；
步骤4)脉搏波信号的时域特征提取，提取脉搏波的上升时间相对值、K值以及主波斜率；
步骤5)脉搏波信号的频域特征提取，提取脉搏波信号频域的前四次谐波幅值；
步骤6)脉搏波信号的小波特征提取，使用db5小波对脉搏波信号进行8层小波分解，计算每层的能量以及小波熵作为特征值；
步骤7)用提取的脉搏波特征进行支持向量机的训练；
步骤8)设置参数，使模型达到目标准确率；
步骤9)通过血压值进行检测校正。
血压检测的基本方法：血液在血管内传播速度与血管弹性之间的关系为
Figure BDA0002633656090000031
其中V为血液流速，E为血管的弹性模量，h为血管壁厚度，ρ为血液浓度，d为血管直径。血压与血管弹性模量之间的关系为
E＝E0eγp (8)
其中，E为受压状态时的弹性模量，E0为无受压状态下的弹性模量，γ为血管特征的量，P表示血压。以上描述了血液流速(即脉搏波传导速度)与血压之间的关系，在传播距离一定时，脉搏波的传导速度又可表示为
Figure BDA0002633656090000032
其中，S为脉搏波的传播距离，T为脉搏波的传导时间。由以上三式可得
Figure BDA0002633656090000041
上式两端对T进行微分得
Figure BDA0002633656090000042
血压与PTT存在着准线性关系，因此，在忽略血管参数在短时间内的变化量，首先建立收缩压(SBP)与PTT之间的关系
SBP＝a×PTT+b (12)
舒张压方程为
DBP＝-0.6218×PTT+305.4 (13)
脉搏波是由心脏间歇性射血产生的，随着心脏节律性的收缩和舒张引起动脉血管内的血液流动状态，脉搏波中包含相当丰富的人体生理病理信息，可以反映人体血液循环系统的生理变化，通过提取脉搏信号中一些有明确生理意义的特征来作为评价人体心血管生理病理状态的指标。时域中其主波斜率提取方式为提取峰值后20个点的平均斜率
Figure BDA0002633656090000043
其中，Q为主波斜率，j为主波峰值点，A(i)为i点幅值。K值提取公式为
Figure BDA0002633656090000044
频域中提取前四次谐波幅值作为特征。频域是以脉搏波信号所具有的全部频率分量的集合形式表示特征信息,保留了脉搏波具有的全部信息，反映了脉搏波的整体特征。小波特征表征脉搏波精细的特征，将各层信号的能量在总能量中的占比和小波熵一起作为小波域的特征信息。各层能量占比为
Figure BDA0002633656090000045
小波熵特征提取方法为
Figure BDA0002633656090000046
其中,Etotal为各尺度上的信号总能量，Pj为各层能量在总能量中的占比。
然后将提取到的脉搏波特征信息进行支持向量机训练，调整参数将误差降低到目标误差内。由于动脉硬化往往伴随着血压异常现象，所以利用血压校正支持向量机的检测结果。
为了便于叙述，使用MIMIC waveform database数据库中的脉搏波数据，以此数据库数据作示意性分析介绍。图2是计算心电信号与脉搏波信号峰值点差值，计算脉搏波主波峰值点与心电信号峰值点的时间差来计算脉搏波传导时间。图3为脉搏波信号经过快速傅里叶变换后频谱图，提取其前四次谐波幅值作为特征。图4为脉搏波信号经小波变换后各细节信号及概貌信号。以此为特征可以准确识别动脉硬化样本。

Claims (5)

1.一种基于支持向量机与血压校正的动脉硬化程度检测方法，其特征在于，包括以下步骤：
步骤1)获取脉搏波信号与心电信号，对脉搏波、心电信号进行滤波去噪处理；
步骤2)通过心电与脉搏波信号计算脉搏波的传导时间PTT；
步骤3)通过拟合PTT计算人体血压值；
步骤4)提取脉搏波信号的时域特征，提取脉搏波的上升时间相对值、K值以及主波斜率；
步骤5)提取脉搏波信号的频域特征；
步骤6)提取脉搏波信号的小波特征；
步骤7)用提取的脉搏波特征进行支持向量机的训练；
步骤8)设置参数，使模型达到目标准确率；
步骤9)通过血压值进行检测校正。
2.根据权利要求1所述的一种基于支持向量机与血压校正的动脉硬化程度检测方法，其特征在于：所述时域特征的提取方法具体包括：
时域中其主波斜率提取方式为提取峰值后20个点的平均斜率
Figure FDA0002633656080000011
其中，Q为主波斜率，j为主波峰值点，A(i)为i点幅值。
3.根据权利要求1所述的一种基于支持向量机与血压校正的动脉硬化程度检测方法，其特征在于：所述步骤5)具体包括，提取脉搏波信号频域的前四次谐波幅值作为脉搏波信号的频域特征。
4.根据权利要求1所述的一种基于支持向量机与血压校正的动脉硬化程度检测方法，其特征在于：所述小波特征的提取方法包括：将各层信号的能量在总能量中的占比和小波熵一起作为小波域的特征信息，各层能量占比为
Figure FDA0002633656080000012
小波熵特征提取方法为
Figure FDA0002633656080000013
其中,Etotal为各尺度上的信号总能量，Pj为各层能量在总能量中的占比。
5.根据权利要求4所述的一种基于支持向量机与血压校正的动脉硬化程度检测方法，其特征在于：所述小波特征的提取方法具体包括：使用db5小波对脉搏波信号进行8层小波分解，计算每层的能量以及小波熵作为特征值。
CN202010818595.7A 2020-08-14 2020-08-14 一种基于支持向量机与血压校正的动脉硬化程度检测方法 Pending CN111951956A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010818595.7A CN111951956A (zh) 2020-08-14 2020-08-14 一种基于支持向量机与血压校正的动脉硬化程度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010818595.7A CN111951956A (zh) 2020-08-14 2020-08-14 一种基于支持向量机与血压校正的动脉硬化程度检测方法

Publications (1)

Publication Number Publication Date
CN111951956A true CN111951956A (zh) 2020-11-17

Family

ID=73342288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010818595.7A Pending CN111951956A (zh) 2020-08-14 2020-08-14 一种基于支持向量机与血压校正的动脉硬化程度检测方法

Country Status (1)

Country Link
CN (1) CN111951956A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113925472A (zh) * 2021-12-17 2022-01-14 北京麦邦光电仪器有限公司 动脉压力波传导速度的量化指标的获取方法及装置
CN117936102A (zh) * 2024-03-22 2024-04-26 南京科进实业有限公司 一种动脉硬化评估系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101156771A (zh) * 2007-09-28 2008-04-09 天津市先石光学技术有限公司 基于脉搏波频谱分析提高血管硬度测量精度的方法及装置
CN110265150A (zh) * 2019-07-30 2019-09-20 河北工程大学 血压计算模型建立方法及穿戴式监测装置与血压测量方法
CN111374652A (zh) * 2018-12-29 2020-07-07 中兴通讯股份有限公司 一种计算血压的装置和电子设备
CN111920397A (zh) * 2020-08-07 2020-11-13 江苏师范大学 基于稀疏最小二乘支持向量机的动脉硬化程度检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101156771A (zh) * 2007-09-28 2008-04-09 天津市先石光学技术有限公司 基于脉搏波频谱分析提高血管硬度测量精度的方法及装置
CN111374652A (zh) * 2018-12-29 2020-07-07 中兴通讯股份有限公司 一种计算血压的装置和电子设备
CN110265150A (zh) * 2019-07-30 2019-09-20 河北工程大学 血压计算模型建立方法及穿戴式监测装置与血压测量方法
CN111920397A (zh) * 2020-08-07 2020-11-13 江苏师范大学 基于稀疏最小二乘支持向量机的动脉硬化程度检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113925472A (zh) * 2021-12-17 2022-01-14 北京麦邦光电仪器有限公司 动脉压力波传导速度的量化指标的获取方法及装置
CN113925472B (zh) * 2021-12-17 2022-04-12 北京麦邦光电仪器有限公司 动脉压力波传导速度的量化指标的获取方法及装置
CN117936102A (zh) * 2024-03-22 2024-04-26 南京科进实业有限公司 一种动脉硬化评估系统及方法
CN117936102B (zh) * 2024-03-22 2024-05-24 南京科进实业有限公司 一种动脉硬化评估系统及方法

Similar Documents

Publication Publication Date Title
Sahoo et al. Wavelet based pulse rate and Blood pressure estimation system from ECG and PPG signals
CN106974631A (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
CN102940486B (zh) 一种颈动脉系统血流动力学与信号分析系统及方法
Lee et al. Bidirectional recurrent auto-encoder for photoplethysmogram denoising
CN101156771A (zh) 基于脉搏波频谱分析提高血管硬度测量精度的方法及装置
CN112089405B (zh) 一种脉搏波特征参数测量及显示装置
CN107928654A (zh) 一种基于神经网络的脉搏波信号血压检测方法
WO2023226293A1 (zh) 基于超声多普勒的连续血压测量装置和电子设备
CN111951956A (zh) 一种基于支持向量机与血压校正的动脉硬化程度检测方法
CN111839488B (zh) 基于脉搏波的无创连续血压测量装置和方法
CN101310676A (zh) 中医脉诊的分析系统与方法
Song et al. Extracting features for cardiovascular disease classification based on ballistocardiography
CN103040524B (zh) 减少生理活动对医学成像或测量结果干扰的装置及方法
Lin et al. Investigation on pulse wave forward peak detection and its applications in cardiovascular health
CN104068841B (zh) 一种测量心脏收缩时间参数的测量方法及装置
Shin et al. Complementary photoplethysmogram synthesis from electrocardiogram using generative adversarial network
Joshi et al. Arterial pulse system: modern methods for traditional Indian medicine
CN110491504B (zh) 一种心音信号医学指标数据的获取方法
CN114145725B (zh) 一种基于无创连续血压测量的ppg采样率估算方法
CN114052681B (zh) 一种基于心电判读系统的血压监测方法及系统
Naidu et al. Detection of characteristic points of impedance cardiogram and validation using Doppler echocardiography
CN113171061A (zh) 一种无创血管功能评估方法、装置、设备及介质
Tian et al. A method for portable PPG signal dynamic acquisition and denoise based on CEEMDAN and wavelet transform
Agham et al. An Unsupervised Learning of Impedance Plethysmograph for Perceiving Cardiac Events:(Unsupervised Learning of Impedance Plethysmograph)
CN111248884A (zh) 一种血压计脉搏波幅度包络线的分析方法及装置

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