CN112274121B - 一种基于多路脉搏波的无创动脉硬化检测方法、装置 - Google Patents

Abstract

本发明提供了一种基于多路脉搏波的无创动脉硬化检测方法、装置，涉及动脉硬化检测领域，该方法包括：将全身主要动脉点和及其他方便采集脉搏波的位置点作为备选采集点，从备选采集点中选取两个或两个以上的采集点进行数据采集，对信号进行预处理选取特征点计算得到特征参数，再结合对象的生理信息组建动脉硬化模型特征集合，通过相关性分析筛选得到特征子集，将特征子集作为输入，参考动脉硬化程度作为输出，运用机器学习算法训练得到基于特征子集的动脉硬化模型，进而结合具体目标对象的生理信息，完成动脉硬化的检测。本发明无创动脉硬化检测的方法更加简便准确可行。

Description

一种基于多路脉搏波的无创动脉硬化检测方法、装置

技术领域

本发明涉及动脉硬化检测领域，尤其是提供了一种基于多路脉搏波的无创动脉硬化检测方法、装置。

背景技术

心血管疾病是严重危害人类健康的重大疾病，大多数心血管疾病在后期阶段才有临床表现，而在前中期很少有机会进行检查。动脉硬化病变是大多数心血管疾病共同的病理生理基础，正是基于此，准确检测动脉硬化程度是心血管疾病防治水平的关键。

对于动脉硬化，现阶段检测动脉硬化程度的方法主要分为有创和无创两类，有创检测方法为动脉造影法，其缺点是有创且对人体有潜在伤害，只适用于中晚期筛查，不利于早期动脉硬化检测。无创动脉硬化检测方法中，主要有生化法和踝臂指数(ABI)，二者对动脉硬化的检测并不直观全面；临床主要运用影像学手段如颈动脉超声、CT扫描、核磁共振等来检测动脉结构病变，其缺点是价格昂贵、操作复杂、需要专业人员操作、不利于便携式监测等问题。基于脉搏波的无创动脉硬化检测方法逐渐成为动脉硬化检测领域的热点。传统的基于脉搏波的无创动脉硬化检测方法可以按照检测参数进行区分。其中颈股脉搏波传导速度(cfPWV)是无创评价动脉硬化的“金标准”，踝臂脉搏波传导速度(baPWV)也能在一定范围内对动脉硬化进行检测，此外还有增强指数(augmentation index,AI)以及舒张期增强指数(diastolic augmentation index,DAI)等脉搏波参数检测方法，但检测准确性有待提高。

针对现有基于脉搏波的无创动脉硬化检测方法均准确性不高的问题，目前尚未提出有效的解决方案。

发明内容

鉴于此，本发明的目的在于提供一种基于多路脉搏波的无创动脉硬化检测方法、装置，以改善现有基于脉搏波的设备对无创动脉硬化检测方法均准确性不理想的问题。

为了实现上述目的，本发明采取的方案如下：

第一方面，本发明提供了一种基于多路脉搏波的无创动脉硬化检测方法，包括：

将全身主要动脉点和及其他方便采集脉搏波的位置点作为备选采集点，从备选采集点中选取两个或两个以上的采集点进行数据采集，此即为一种采集方案，且后续用户进行动脉硬化检测时的佩戴方案即为此采集方案。由于备选采集点的选择方案不同导致采集方案有很多种，这里只以某一特定的采集方案进行分析说明；

对每个采集点获得的脉搏波信号记为原始脉搏波信号，对原始脉搏波信号进行预处理获得预处理后的原始脉搏波信号A，然后再获得预处理后的原始脉搏波信号的一阶差分脉搏波信号B、二阶差分脉搏波信号C；

基于预处理后的原始脉搏波信号A、一阶差分脉搏波信号B、二阶差分脉搏波信号C进行归一化处理；

随后对归一化处理后的A、B、C三种信号分别在时域进行特征点提取，获取主要特征点，进而计算得到脉搏波时域特征参数集；

基于归一化后的原始脉搏波信号在频域进行特征点提取，获得脉搏波频域特征参数集；

动态评估每个采集点的时域和频域特征的稳定性，提高特征采集的容错率。设定评价指标动态阈值范围，若某个采集点的评价指标特征参数超过对应的评价指标阈值范围则认为该采集点的信号采集存在异常，该采集点称为无效采集点，不计入后续计算；若某个采集点的评价指标特征参数未超过对应评价指标阈值范围则认为该采集点的信号采集正常，该采集点称为有效采集点；在所有有效采集点中，将近心端的采集点称为近心有效采集点，将远心端的采集点称为远心有效采集点；

当且仅当两个或两个以上的采集点均为有效采集点时方能进入后续计算，并将所有有效采集点信号的每个时域特征取均值后计为新的脉搏波时域特征参数集，将所有有效采集点信号的每个频域特征取均值后计为新的脉搏波频域特征参数集；若不能满足两个或两个以上采集点均为有效采集点时，则报警提示；

利用近心有效采集点和远心有效采集点，计算得到脉搏波传导时间PWTT；进而根据近心有效采集点和远心有效采集点之间的相对距离ΔL获取脉搏波传导速度PWV；

引入目标对象的主要生理信息和健康信息，结合新的脉搏波时域特征参数集、新的脉搏波频域特征集和PWV、PWTT组建动脉硬化模型特征集合；

对动脉硬化模型特征集合与参考动脉硬化程度进行相关性分析，筛选得到当前目标对象所对应的特征子集；

将特征子集作为输入，参考动脉硬化程度作为输出，运用机器学习算法训练得到基于特征子集的动脉硬化模型；

输入待测对象的生理信息和健康信息，待测对象进行动脉硬化检测时的佩戴方案即为上述采集方案，对采集的信号进行上述处理获取特征参数，输入到训练好的基于特征子集的动脉硬化模型，即完成无创动脉硬化的检测，输出检测结果。

进一步，上述将全身主要动脉点和及其他方便采集脉搏波的位置点作为备选采集点，从备选采集点中选取两个或两个以上的采集点进行数据采集，包括：

1)采用多种传感器对脉搏波信号进行采集；采用光电容积式脉搏波传感器，通过测量被测试者动脉中血液的光信号，获得其动脉脉搏波信号；采用压力传感器，确保目标对象被测各部位所受压力均匀适度，保证测试结果的准确度，提升用户使用体验；

2)同步采集目标对象身体多部位脉搏波信号，包括主要动脉点和其他方便测试的位置，如：颈动脉、肱动脉、桡动脉、耳垂、手指末端、股动脉、腓动脉、腘动脉、胫后动脉、足背动脉、脚趾末端等；

3)对多种传感器进行固定的方式，包括：头带、腕带、袖带、指夹、耳夹、手套、袖套以及手表或者手环的固定方式，固定装置内嵌传感器，与被测试者皮肤紧密接触，保证测量结果的精确度。

进一步，上述对原始脉搏波信号进行预处理的步骤，包括：

利用巴特沃斯带通滤波器对脉搏波信号进行滤波，滤除高频噪声；

利用小波变换对脉搏波信号进行小波的分解和重构，滤除低频噪声，去除基线漂移。

进一步，上述脉搏波信号在时域进行特征点提取的步骤，包括：

1)利用一阶差分、二阶差分、三阶差分阈值算法和小波变换相结合，对预处理后并归一化的原始脉搏波信号、一阶差分脉搏波信号、二阶差分脉搏波信号进行奇点检测进而获取时域特征点位置。

2)脉搏波时域信号的特征点包括预处理后并归一化的三种脉搏波信号的起点、波峰、波谷以及原始脉搏波信号中重搏波的波峰和波谷。

进一步，上述根据脉搏波时域特征点提取后获得的脉搏波时域特征参数集，包括：

1)时间参数：脉搏周期时间T、主波上升时间T1、起点到重搏波波谷时间T2、重搏波波谷到终点时间T3、重搏波波谷同高度处主波峰时间T4、血管硬度指数T4/T、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、一阶差分信号与二阶差分信号起点时间差、一阶差分信号波谷到终点的时间间隔、二阶差分信号波谷到终点的时间间隔；

2)斜率参数：上升支斜率AS、下降支斜率DS；

3)幅度参数：上升支幅度差AID、下降支幅度差DID、主波峰到起点幅度H1、重搏波到起点幅度H2、外周阻力系数H2/H1、重搏波波谷幅度、波峰和重搏波幅值差与波峰和波谷幅值差之比、波峰幅度与起点幅度之比、波峰幅度与波谷幅度之比；

4)面积参数：上升支面积AA、下降支面积DA、上升支与下降支面积比；

5)其他参数：心率、血氧、增长指数AI、舒张期增长指数DAI。

上述脉搏波频域特征参数集的获取步骤包括：

1)对预处理后的原始脉搏波信号A进行归一化得到归一化A1信号并分帧、预加重、加窗处理得到时域脉搏波信号片段x(n)，其FFT变换公式如下：

其中k＝0,…,N-1表示FFT运算时对应的频点；此处的n＝0，1，…，N-1，指时域信号，k代表频率点；N为所分帧的数量；j是虚数单位，j²＝-1

2)在脉搏波相关频段内(如0.5Hz-5Hz)，引入M组数字滤波器(M一般取16-32)，每个滤波器的频率响应为H_m(k)，对功率谱进行滤波处理，随后进行对数运算得到对数频谱传递函数S_m，最后经离散余弦变换(DCT)得到静态脉搏波倒谱系数C(l)；

其中l＝1,…,L，l表示脉搏波倒谱系数的阶数，L的取值与脉搏波主频域宽度有关，一般取8-16，

3)在静态脉搏波倒谱系数基础上获取动态倒谱系数，分别是一阶差分脉搏波倒谱系数_ΔC(l)和二阶差分脉搏波倒谱系数_ΔΔC(l)；

4)至此，综上从C(l)、_ΔC(l)、_ΔΔC(l)中共获得3*L个倒谱系数，组成脉搏波频域特征参数集。

进一步，动态评估每个采集点的时域和频域特征的稳定性，提高特征采集的容错率的步骤包括：

以脉搏周期时间T、主波上升时间T1、起点到重搏波波谷时间T2、上升支幅度差AID、下降支幅度差DID作为评价指标，求取每个指标在固定的连续时间段内(如5秒内)的均值，设定每个评价指标的对应评价指标阈值范围，所述评价指标阈值范围是指下一个采样时刻指标值相对上一连续时间段内该指标的均值的百分比范围；若某个采集点的采样时刻指标值超过评价指标阈值范围则认为该采集点的信号采集存在异常，该采集点称为无效采集点，不计入后续计算；若某个采集点的采样时刻指标值未超过评价指标阈值范围则认为该采集点的信号采集正常，该采集点称为有效采集点。只要有一个评价指标不在评价指标阈值范围内，就认为是无效采集点，几个评价指标同时满足时，才认为有效。这里的评价指标阈值范围为一个动态阈值范围，与前一个固定的连续时间段的均值相关，记均值的百分比，如均值90％-110％的范围，如果下一个采样时刻的指标值相对均值超过这个范围，即认为是无效采集点。

当且仅当两个或两个以上的采集点均为有效采集点时方能进入后续计算，并将所有有效采集点信号的每个时域特征取均值后计为新的时域特征参数集，将所有有效采集点信号的每个频域特征取均值后计为新的频域特征参数集。若不能满足两个或两个以上采集点均为有效采集点时，则报警提示，提示使用者或实验者重新检测佩戴相关设备。

进一步，获取近心有效采集点和远心有效采集点之间的相对距离ΔL的步骤，包括：

1)测量近心有效采集点处沿主动脉与胸骨切迹的距离L₁；

2)测量远心有效采集点处沿主动脉与胸骨切迹的距离L₂；

3)采集目标对象的身高H；

3)近心有效采集点和远心有效采集点之间的相对距离ΔL为：

ΔL＝a*|L₁-L₂|+b*H

其中a、b为权值系数。a，b的值在训练时可以设置为常数，如a＝1,b＝0。令a/b＝经验值，这个经验值代表正常人群采集点相对距离与身高的比值的平均值，由经验获得，此时用户无需测量采集点的相对距离，只需输入身高即可确定该相对距离。

进一步，上述计算得到脉搏波传导时间PWTT的方法步骤，包括：

1)特征点对应法，基于预处理并进行特征点提取后的脉搏波、一阶差分脉搏波、二阶差分脉搏波，根据相应特征点时间间隔计算得到脉搏波传导时间PWTT₁；

2)广义互相关法，通过求两脉搏波信号之间的互功率谱，并在频域内给予一定的加权，从而抑制噪声和混响，再反变换到时域，得到两脉搏波信号间的互相关函数，其峰值位置的相对时延值即为PWTT₂；

3)脉搏波传导时间PWTT为：

PWTT＝c*PWTT₁+d*PWTT₂

其中c、d为权值系数，由经验确定。

进一步，上述引入目标对象的主要生理信息和健康信息的步骤，包括：

性别、年龄、身高、体重、BMI、是否吸烟、慢性病史(心脏病、高血压、糖尿病、血脂异常等)。

进一步，上述参考动脉硬化程度的获取步骤，包括：

1)临床方法获取的踝臂指数(ABI)

2)临床方法获取的颈股脉搏波传导速度(cfPWV)

3)临床方法获取的踝臂脉搏波传导速度(baPWV)

4)参考动脉硬化程度为AS，则：

AS＝e*ABI+f*cfPWV+g*baPWV

其中e、f、g为权值系数，可通过实验拟合得到或通过经验设置，在已知踝臂指数、颈股脉搏波传导速度、踝臂脉搏波传导速度情况下可计算出相应的参考动脉硬化程度。

进一步，上述对动脉硬化模型特征集合与参考动脉硬化程度进行相关性分析，筛选得到特征子集的步骤，包括：

1)利用互信息理论，计算动脉硬化模型特征集合中每个特征参数与参考动脉硬化程度的互信息相关度，并进行排序，互相关公式如下：

其中x、y分别代表两个随机变量，X、Y是动脉硬化模型特征集合，I(X；Y)≥0代表二者的互相关程度，越大代表二者相关度越高；p(x)p(y)代表x、y的概率分布、p(x,y)代表x、y的联合概率分布；

2)根据最小冗余最大相关(mRMR)准则，最大化特征参数与参考动脉硬化程度的相关性，最小化特征参数之间的相关性。筛选得到特征子集。

建立神经网络模型和机器学习算法构成的动脉硬化模型框架，将特征子集作为输入，参考动脉硬化程度作为输出，并利用不同目标对象所对应的特征子集训练得到基于特征子集的动脉硬化模型，不同目标对象的数量无限多(本实施例中挑选不同高矮、胖瘦、性别、年龄BMI、是否吸烟、不同慢性病史(心脏病、高血压、糖尿病、血脂异常)的多个目标对象进行训练(一般取1000以上的用户量，数据量可以来自公共数据库如：MIMIC或者其他医疗数据提供的机构)，包括：

1)基于人工神经网络模型，训练得到动脉硬化模型AS₁；

2)基于深度学习网络模型，训练得到动脉硬化模型AS₂；

3)动脉硬化模型为：

AS＝h*AS₁+i*AS₂

其中h、i为权值系数。

第二方面，本发明提供了一种基于多路脉搏波的无创动脉硬化检测装置，包括：

信号采集模块，将全身主要动脉点和及其他方便采集脉搏波的位置点作为备选采集点，从备选采集点中选取两个或两个以上的采集点进行数据采集；

预处理模块，用于滤除脉搏波信号的高频噪声、低频噪声；

时域特征提取模块，用于计算得到时域特征参数集；

频域特征提取模块，用于计算得到频域特征参数集；

信号动态评估模块，用于动态评估信号的稳定性，确定有效采集点，获得新的时域特征参数集和频域特征参数集；

PWV、PWTT提取模块，用于计算得到PWV、PWTT；

信息录入模块，用于录入目标对象的生理信息和健康信息；

特征筛选模块，将新的时域特征参数集、新的频域特征参数集、PWV、PWTT、目标对象的生理信息和健康信息组成动脉硬化模型特征集合，用于对动脉硬化模型特征集合进行相关性分析，筛选得到特征子集；

动脉硬化检测模块，用于基于预先训练好的动脉硬化模型，以动脉硬化模型特征子集作为输入，输出动脉硬化检测结果。

本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所提供的一种基于多路脉搏波的无创动脉硬化检测方法的工作流程示意图；

图2为本发明实施例所提供的一种信号采集位置示意图；

图3为本发明实施例所提供的一种基于多路脉搏波的无创动脉硬化检测装置的结构框图示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。

传统的基于脉搏波的无创动脉硬化检测方法可以按照检测参数进行区分。其中颈股脉搏波传导速度(cfPWV)是无创评价动脉硬化的“金标准”，踝臂脉搏波传导速度(baPWV)也能在一定范围内对动脉硬化进行检测，此外还有增强指数(augmentation index,AI)以及舒张期增强指数(diastolic augmentation index,DAI)等脉搏波参数检测方法，但检测准确性有待提高。

为改善上述问题，本发明实施例提供的一种基于多路脉搏波的无创动脉硬化检测方法、装置，该技术可应用于穿戴式设备，也可应用于与信号采集器相连接的终端设备中，用于检测动脉硬化程度。该技术可采用相应的硬件和软件实现，以下对本发明实施例进行详细介绍。

实施例一：

本实施例提供了一种无创动脉硬化检测方法，该方法可以由动脉硬化检测装置执行，该动脉硬化检测装置可以为便携式设备，在一种实施方式中，该动脉硬化检测装置为穿戴式设备，在另一种实施方式中，该动脉硬化检测装置为包括信号采集器和处理器的便携终端，信号采集器和处理器可以集成设置，也可以物理分离设置，在实际应用中，该处理器还可以采用手机、平板电脑等，均可实现便携式检测。

如图1，本发明的所示一种检测动脉硬化程度的方法流程图，具体包括以下步骤：

S1：同步采集目标对象身体多部位脉搏波信号；

S2：对采集的脉搏波信号进行预处理；

S3-1：对预处理后的信号进行特征点提取进而计算得到脉搏波时域特征参数集；

S3-2：基于预处理后信号在频域进行特征点提取，进而计算得到脉搏波频域特征参数集；S3-3：通过时域和频域特征参数动态评估信号的稳定性，确定有效采集点，更新脉搏波时域特征参数集和脉搏波频域特征参数集，计算得到脉搏波传导时间差PWTT，进而获取脉搏波传导速度PWV；

S3-4：引入目标对象的主要生理信息和健康信息；

S4：将更新的时域特征参数集和频域特征参数集、PWV、PWTT、目标对象的生理信息和健康信息组建动脉硬化模型特征集合，通过相关性分析筛选得到特征子集；

S5：运用机器学习算法训练得到基于特征子集的动脉硬化模型；

S6：结合待测对象的生理信息和健康信息，对动脉硬化模型进行校准并输出动脉硬化检测值。

步骤S1中，将全身主要动脉点和及其他方便采集脉搏波的位置点作为备选采集点，从备选采集点中选取两个或两个以上的采集点进行数据采集的步骤，包括：采用多种传感器对脉搏波信号进行采集；采用光电容积式脉搏波传感器，通过测量被测试者动脉中血液的光信号，获得其动脉脉搏波信号；采用压力传感器，确保目标对象被测各部位所受压力均匀适度，保证测试结果的准确度，提升用户使用体验；同步采集目标对象身体多部位脉搏波信号，包括主要动脉点和其他方便测试的位置，参见图2所示的一种信号采集示意图，如：颈动脉、肱动脉、桡动脉、耳垂、手指末端、股动脉、腓动脉、腘动脉、胫后动脉、足背动脉、脚趾末端等；对多种传感器进行固定的方式，包括：头带、腕带、袖带、指夹、耳夹、手套、袖套以及手表或者手环的固定方式，固定装置内嵌光电容积式脉搏波传感器和压力传感器，与被测试者皮肤紧密接触，保证测量结果的精确度。脉搏波采集器的信号采样率可以不小于1000Hz。

步骤S2中，对采集的脉搏波信号进行预处理的步骤，包括：利用巴特沃斯带通滤波器对脉搏波信号进行滤波，滤除高频噪声；利用小波变换对脉搏波信号进行小波的分解和重构，滤除低频噪声，去除基线漂移。

步骤S3-1中，对时域脉搏波信号进行特征点识别提取的步骤，包括：利用一阶差分、二阶差分、三阶差分阈值算法和小波变换相结合，对预处理后并归一化的原始脉搏波信号、一阶差分脉搏波信号、二阶差分脉搏波信号进行奇点检测进而获取时域特征点位置。脉搏波时域信号的特征点包括预处理后并归一化的三种脉搏波信号的起点、波峰、波谷以及原始脉搏波信号中重搏波的波峰和波谷。

步骤S3-1中，根据脉搏波时域特征点计算得到脉搏波时域特征参数集的步骤，包括：

1)时间参数：脉搏周期时间T、主波上升时间T1、起点到重搏波波谷时间T2、重搏波波谷到终点时间T3、重搏波波谷同高度处主波峰时间T4、血管硬度指数T4/T、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、一阶差分信号与二阶差分信号起点时间差、一阶差分信号波谷到终点的时间间隔、二阶差分信号波谷到终点的时间间隔；

2)斜率参数：上升支斜率AS、下降支斜率DS；

3)幅度参数：上升支幅度差AID、下降支幅度差DID、主波峰到起点幅度H1、重搏波到起点幅度H2、外周阻力系数H2/H1、重搏波波谷幅度、波峰和重搏波幅值差与波峰和波谷幅值差之比、波峰幅度与起点幅度之比、波峰幅度与波谷幅度之比；

4)面积参数：上升支面积AA、下降支面积DA、上升支与下降支面积比；

5)其他参数：心率、血氧、增长指数AI、舒张期增长指数DAI。

步骤S3-2中，获取脉搏波频域特征参数集的步骤，包括：

1)对预处理后的原始脉搏波信号进行归一化并分帧、预加重、加窗处理得到时域脉搏波信号片段x，并对其进行FFT变换；

2)在脉搏波相关频段内(如0.5Hz-5Hz)，引入M组数字滤波器，每个滤波器的频率响应为H_m(k)，对功率谱进行滤波处理，随后进行对数运算得到对数频谱传递函数S_m，最后经离散余弦变换(DCT)得到脉搏波倒谱系数C(l)；

3)在静态脉搏波倒谱系数基础上获取动态倒谱系数，分别是一阶差分脉搏波倒谱系数_ΔC(l)和二阶差分脉搏波倒谱系数_ΔΔC(l)；

4)至此，综上从C(l)、_ΔC(l)、_ΔΔC(l)中共获得3*L个倒谱系数，组成脉搏波频域特征参数集。

步骤S3-3中，动态评估每个采集点的时域和频域特征的稳定性，提高特征采集的容错率。设定评价指标动态阈值范围，若某个采集点的评价指标特征参数超过对应的评价指标阈值范围则认为该采集点的信号采集存在异常，该采集点称为无效采集点，不计入后续计算；若某个采集点的评价指标特征参数未超过对应评价指标阈值范围则认为该采集点的信号采集正常，该采集点称为有效采集点；在所有有效采集点中，将近心端的采集点称为近心有效采集点，将远心端的采集点称为远心有效采集点；

当且仅当两个或两个以上的采集点均为有效采集点时方能进入后续计算，并将所有有效采集点信号的每个时域特征取均值后计为新的脉搏波时域特征参数集，将所有有效采集点信号的每个频域特征取均值后计为新的脉搏波频域特征参数集；若不能满足两个或两个以上采集点均为有效采集点时，则报警提示；

上述获取近心有效采集点和远心有效采集点之间的相对距离ΔL的步骤，包括：测量近心有效采集点处沿主动脉与胸骨切迹的距离L₁；测量远心有效采集点处沿主动脉与胸骨切迹的距离L₂；采集目标对象的身高H；近心有效采集点和远心有效采集点之间的相对距离ΔL为：ΔL＝a*|L₁-L₂|+b*H，其中a、b为权值系数。

步骤S3-3中，上述计算得到脉搏波传导时间差PWTT的方法步骤，包括：利用上述动态评估获得近心有效采集点和远心有效采集点，然后对这两个采集点进行特征点提取，基于预处理并进行特征点提取后的脉搏波、一阶差分脉搏波、二阶差分脉搏波，根据相应特征点时间间隔计算得到脉搏波传导时间差PWTT₁；广义互相关法，通过求两脉搏波信号之间的互功率谱，并在频域内给予一定的加权，从而抑制噪声和混响，再反变换到时域，得到两脉搏波信号间的互相关函数，其峰值位置的相对时延值即为PWTT₂；脉搏波传导时间差PWTT为：PWTT＝c*PWTT₁+d*PWTT₂，其中c、d为权值系数。

步骤S3-4中，上述引入目标对象的主要生理信息和健康信息的步骤，包括：性别、年龄、身高、体重、BMI、是否吸烟、慢性病史(心脏病、高血压、糖尿病、血脂异常等)。

步骤S4中，利用参考动脉硬化程度与动脉硬化模型特征集合进行相关性分析，上述参考动脉硬化程度的获取步骤，包括：

1)临床方法获取的踝臂指数(ABI)

2)临床方法获取的颈股脉搏波传导速度(cfPWV)

3)临床方法获取的踝臂脉搏波传导速度(baPWV)

4)参考动脉硬化程度为AS，则：

AS＝e*ABI+f*cfPWV+g*baPWV

其中e、f、g为权值系数。

筛选得到特征子集的步骤，包括：利用互信息理论，计算动脉硬化模型特征集合中每个特征参数与参考动脉硬化程度的互信息相关度，并进行排序，互相关公式如下：

根据最小冗余最大相关(mRMR)准则，最大化特征参数与参考动脉硬化程度的相关性，最小化特征参数之间的相关性。筛选得到特征子集。

步骤S5中，进一步，上述运用机器学习算法训练得到基于特征子集的动脉硬化模型的步骤，包括：基于人工神经网络模型，训练得到动脉硬化模型AS₁；基于深度学习网络模型，训练得到动脉硬化模型AS₂；动脉硬化模型为：AS＝h*AS₁+i*AS₂，其中h、i为权值系数。

实施例二：

对于实施例一所提供的无创动脉硬化检测方法，本发明实施例还提供了一种无创动脉硬化检测装置，参见图3所示的一种动脉硬化程度的检测装置的结构示意图，包括以下模块：

信号采集模块，将全身主要动脉点和及其他方便采集脉搏波的位置点作为备选采集点，从备选采集点中选取两个或两个以上的采集点进行数据采集；

预处理模块，用于滤除脉搏波信号的高频噪声、低频噪声；

时域特征提取模块，用于计算得到时域特征参数集；

频域特征提取模块，用于计算得到频域特征参数集；

信号动态评估模块，用于动态评估信号的稳定性，确定有效采集点，获得新的时域特征参数集和频域特征参数集；

PWV、PWTT提取模块，用于计算得到PWV、PWTT；

信息录入模块，用于录入目标对象的生理信息和健康信息；

特征筛选模块，将新的时域特征参数集、新的频域特征参数集、PWV、PWTT、目标对象的生理信息和健康信息组成动脉硬化模型特征集合，用于对动脉硬化模型特征集合进行相关性分析，筛选得到特征子集；

动脉硬化检测模块，用于基于预先训练好的动脉硬化模型，以动脉硬化模型特征子集作为输入，输出动脉硬化检测结果。

所述信号采集模块包括至少一个固定装置，每个固定装置中集成有至少一个光电容积式脉搏波传感器(如MAX30102)和一个压力传感器(如SBT674微型压力传感器)；固定装置为头带、腕带、袖带、指夹、耳夹、手套、袖套以及手表或者手环。一个固定装置可以为一个信号采集器。

本实施例所提供的装置，其实现原理及产生的技术效果和前述实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

本发明未述及之处适用于现有技术。

Claims (7)

1.一种基于多路脉搏波的无创动脉硬化检测装置，其特征在于，该装置包括：

信号采集模块，将全身主要动脉点和及其他方便采集脉搏波的位置点作为备选采集点，从备选采集点中选取两个或两个以上的采集点进行数据采集；

预处理模块，用于滤除脉搏波信号的高频噪声、低频噪声；

时域特征提取模块，用于计算得到时域特征参数集；

对时域脉搏波信号进行特征点识别提取的步骤，包括：利用一阶差分、二阶差分、三阶差分阈值算法和小波变换相结合，对预处理后并归一化的原始脉搏波信号、一阶差分脉搏波信号、二阶差分脉搏波信号进行奇点检测进而获取时域特征点位置；脉搏波时域信号的特征点包括预处理后并归一化的三种脉搏波信号的起点、波峰、波谷以及原始脉搏波信号中重搏波的波峰和波谷，进而计算得到脉搏波时域特征参数集；

频域特征提取模块，用于计算得到频域特征参数集；

基于归一化后的原始脉搏波信号在频域进行特征点提取，获得脉搏波频域特征参数集；

信号动态评估模块，用于动态评估信号的稳定性，确定有效采集点，获得新的时域特征参数集和频域特征参数集；

动态评估每个采集点的时域和频域特征的稳定性，设定评价指标动态阈值范围，若某个采集点的评价指标特征参数超过对应的评价指标阈值范围则认为该采集点的信号采集存在异常，该采集点称为无效采集点，不计入后续计算；若某个采集点的评价指标特征参数未超过对应评价指标阈值范围则认为该采集点的信号采集正常，该采集点称为有效采集点；在所有有效采集点中，将近心端的采集点称为近心有效采集点，将远心端的采集点称为远心有效采集点；

当且仅当两个或两个以上的采集点均为有效采集点时方能进入后续计算，并将所有有效采集点信号的每个时域特征取均值后计为新的脉搏波时域特征参数集，将所有有效采集点信号的每个频域特征取均值后计为新的脉搏波频域特征参数集；若不能满足两个或两个以上采集点均为有效采集点时，则报警提示；

所述评价指标为以脉搏周期时间T、主波上升时间T1、起点到重搏波波谷时间T2、上升支幅度差AID、下降支幅度差DID；

PWV、PWTT提取模块，用于计算得到PWV、PWTT；

利用近心有效采集点和远心有效采集点，计算得到脉搏波传导时间PWTT；进而根据近心有效采集点和远心有效采集点之间的相对距离ΔL获取脉搏波传导速度PWV；

信息录入模块，用于录入目标对象的生理信息和健康信息；

特征筛选模块，将新的时域特征参数集、新的频域特征参数集、PWV、PWTT、目标对象的生理信息和健康信息组成动脉硬化模型特征集合，用于对动脉硬化模型特征集合进行相关性分析，筛选得到特征子集；

引入目标对象的主要生理信息和健康信息，结合新的脉搏波时域特征参数集、新的脉搏波频域特征集和PWV、PWTT组建动脉硬化模型特征集合；对动脉硬化模型特征集合与参考动脉硬化程度进行相关性分析，筛选得到当前目标对象所对应的特征子集；

将特征子集作为输入，参考动脉硬化程度作为输出，运用机器学习算法训练得到基于特征子集的动脉硬化模型；

动脉硬化检测模块，用于基于预先训练好的动脉硬化模型，以动脉硬化模型特征子集作为输入，输出动脉硬化检测结果。

2.根据权利要求1所述的基于多路脉搏波的无创动脉硬化检测装置，其特征在于，将全身主要动脉点和及其他方便采集脉搏波的位置点作为备选采集点，从备选采集点中选取两个或两个以上的采集点进行数据采集的步骤，包括：

1)采用多种传感器对脉搏波信号进行采集；采用光电容积式脉搏波传感器，通过测量被测试者动脉中血液的光信号，获得其动脉脉搏波信号；采用压力传感器，确保目标对象被测各部位所受压力均匀适度，保证测试结果的准确度，提升用户使用体验；

2)同步采集目标对象身体多部位脉搏波信号，包括主要动脉点和其他方便测试的位置，为：颈动脉、肱动脉、桡动脉、耳垂、手指末端、股动脉、腓动脉、腘动脉、胫后动脉、足背动脉、脚趾末端；

3)对多种传感器进行固定的方式，包括：头带、腕带、袖带、指夹、耳夹、手套、袖套以及手表或者手环的固定方式，固定装置内嵌传感器，与被测试者皮肤紧密接触，保证测量结果的精确度。

3.根据权利要求1所述的基于多路脉搏波的无创动脉硬化检测装置，其特征在于，获取脉搏波频域特征参数集的步骤，包括：

1)对预处理后的脉搏波信号进行归一化并分帧、预加重、加窗处理得到时域脉搏波信号片段x(n)，其中n＝0,…,N-1，其FFT变换公式为：

其中k＝0,…,N-1表示FFT运算时对应的频点，n指时域信号；

2)在脉搏波相关频段内，引入M组数字滤波器，每个滤波器的频率响应为H_m(k)，对功率谱进行滤波处理，随后进行对数运算得到对数频谱传递函数S_m，最后经离散余弦变换(DCT)得到脉搏波倒谱系数C(l)；

其中l＝1,…,L，l表示脉搏波倒谱系数的阶数，L脉搏波倒谱系数的最高阶数；

3)在静态脉搏波倒谱系数基础上获取动态倒谱系数，分别是一阶差分脉搏波倒谱系数ΔC(l)和二阶差分脉搏波倒谱系数ΔΔC(l)；

4)至此，综上从C(l)、ΔC(l)、ΔΔC(l)中共获得3*L个倒谱系数，组成脉搏波频域特征参数集。

4.根据权利要求1所述的基于多路脉搏波的无创动脉硬化检测装置，其特征在于，获取近心有效采集点和远心有效采集点相对距离ΔL的步骤，包括：

1)测量近心有效采集点处沿主动脉与胸骨切迹的距离L₁；

2)测量远心有效采集点处沿主动脉与胸骨切迹的距离L₂；

3)采集目标对象的身高H；

3)近心有效采集点和远心有效采集点之间的相对距离ΔL为：

ΔL＝a*|L₁-L₂|+b*H

其中a、b为权值系数。

5.根据权利要求1所述的基于多路脉搏波的无创动脉硬化检测装置，其特征在于，计算得到脉搏波传导时间PWTT的方法步骤，包括：

1)特征点对应法，基于预处理并进行特征点提取后的脉搏波、一阶差分脉搏波、二阶差分脉搏波，根据相应特征点时间间隔计算得到脉搏波传导时间PWTT₁；

2)广义互相关法，通过求两脉搏波信号之间的互功率谱，并在频域内给予一定的加权，从而抑制噪声和混响，再反变换到时域，得到两脉搏波信号间的互相关函数，其峰值位置的相对时延值即为PWTT₂；

3)脉搏波传导时间PWTT为：

PWTT＝c*PWTT₁+d*PWTT₂

其中c、d为权值系数。

6.根据权利要求1所述的基于多路脉搏波的无创动脉硬化检测装置，其特征在于，参考动脉硬化程度的获取步骤，包括：

1)临床方法获取的踝臂指数(ABI)

2)临床方法获取的颈股脉搏波传导速度(cfPWV)

3)临床方法获取的踝臂脉搏波传导速度(baPWV)

4)参考动脉硬化程度为AS，则：

AS＝e*ABI+f*cfPWV+g*baPWV

其中e、f、g为权值系数。

7.根据权利要求1所述的基于多路脉搏波的无创动脉硬化检测装置，其特征在于，运用机器学习算法、神经网络模型训练得到基于特征子集的动脉硬化模型的步骤，包括：

1)基于机器学习算法，训练得到动脉硬化模型AS₁；

2)基于神经网络模型，训练得到动脉硬化模型AS₂；

3)动脉硬化模型为：

AS＝h*AS₁+i*AS₂

其中h、i为权值系数。

Images