CN112274126B - 一种基于多路脉搏波的无创连续血压检测方法、装置 - Google Patents
一种基于多路脉搏波的无创连续血压检测方法、装置 Download PDFInfo
- Publication number
- CN112274126B CN112274126B CN202011170885.1A CN202011170885A CN112274126B CN 112274126 B CN112274126 B CN 112274126B CN 202011170885 A CN202011170885 A CN 202011170885A CN 112274126 B CN112274126 B CN 112274126B
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- pulse wave
- points
- acquisition point
- acquisition
- 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
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
Abstract
本发明提供了一种基于多路脉搏波的无创连续血压检测方法、装置,涉及血压检测领域,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血压模型特征集合,通过相关性分析筛选得到特征子集,将特征子集作为输入,参考血压作为输出,运用机器学习算法训练得到基于特征子集的血压模型,进而结合具体目标对象的生理信息,对模型进行校准并完成无创连续血压的测量。本发明无创连续地测量血压的方法更加简便准确可行。
Description
技术领域
本发明涉及血压检测技术领域,尤其是提供了一种基于多路脉搏波的无创连续血压检测方法、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。血压作为心血管系统的重要生理指标,正是基于此,实现准确无创连续地测量血压对高血压患者至关重要。
对于血压测量,现阶段血压测量方法主要分为有创测量和无创测量两类,有创测量方法称为直接法,其缺点是有创伤且只适用于危重病人;无创血压测量方法中,临床应用的听诊法和示波法不能实现连续测量,此外还有恒定容积法和动脉张力法,二者均会对患者产生不适,不利于长时间地对血压连续检测。
基于脉搏波的无创连续血压测量方法逐渐成为血压检测领域的热点。传统的基于脉搏波的无创连续血压测量方法可以按照血压回归模型的不同进行区分。其中脉搏波传导时间(PWTT)法或脉搏波传导速度(PWV)法主要是建立与血压函数关系,但因数学模型的局限性导致精度不理想;脉搏波特征参数法是从脉搏波中提取特征参数并与血压进行线性回归,但因血压与特征参数并非简单的线性关系而导致精度不理想。
针对现有基于脉搏波的无创连续血压检测方法均精度不高的问题,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连续血压检测方法、装置,以改善现有基于脉搏波的设备对无创连续血压检测方法均精度不高的问题。
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连续血压检测方法,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,且后续用户进行血压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组建血压模型特征集合;
对血压模型特征集合与参考血压进行相关性分析,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,参考血压作为输出,运用机器学习算法训练得到基于特征子集的血压模型;
利用训练好的血压模型结合具体待测对象的生理信息和健康信息,对模型进行校准并完成无创连续血压的检测。
进一步,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,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,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,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。
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Hm(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Sm,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。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,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,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,参考血压是通过现有成熟的血压检测方法直接采集训练样本中每个目标对象的实际血压获得的,
参考血压可以为有创动脉血压(ABP)、临床监护仪示波法获取血压、临床听诊法获取血压,但需脉搏波同步采集。。
本发明中校准参考血压也可采用与参考血压相同的方式获得,在使用者实际使用时校准参考血压与脉搏波检测同步采集。
进一步,对血压模型特征集合与参考血压进行相关性分析,筛选得到特征子集的步骤,包括:
1)利用互信息理论,计算血压模型特征集合中每个特征参数与参考血压的互信息相关度,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是血压模型特征集合,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血压的相关性,最小化特征参数之间的相关性。筛选得到特征子集。
进一步,运用机器学习算法训练得到基于特征子集的血压模型的步骤,包括:
1)基于机器学习算法,训练得到收缩压模型SBP1和舒张压模型DBP1;
2)基于神经网络模型,训练得到收缩压模型SBP2和舒张压模型DBP2;
3)收缩压模型为:
SBP=a*SBP1+b*SBP2
舒张压模型为:
DBP=c*DBP1+d*DBP2
其中a、b、c、d为权值系数。
进一步利用训练好的血压模型结合具体待测对象的生理信息和健康信息,对模型进行校准的步骤如下:
待测对象在第一次使用本方法检测血压时,需进行初始校准,应输入同步采集的血压作为校准参考血压,本方法会根据血压模型输出的血压SBPm、DBPm与校准参考血压SBPn、DBPn进行比对,计算血压差值ΔSBP和ΔDBP。
ΔSBP=SBPm-SBPn
ΔDBP=DBPm-DBPn
将血压差值纳入血压模型,以更新血压模型,从而提高血压检测的精确度。
更新后的血压模型如下:
收缩压模型为:
SBP=a*SBP1+b*SBP2+ΔSBP
舒张压模型为:
DBP=c*DBP1+d*DBP2+ΔDBP
待测对象在初始校准后,即可进行血压的连续检测,但仍需每隔一段时间进行再次校准,校准方法同初始校准的方法。
第二方面,本发明提供了一种基于多路脉搏波的无创连续血压检测装置,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,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;
PWTT提取模块,用于计算得到PWTT;
信息录入模块,用于录入目标对象的主要生理信息和健康信息;
特征筛选模块,将新的时域特征参数、新的频域特征参数、PWTT、目标对象的主要生理信息和健康信息组成血压模型特征集合,用于对血压模型特征集合进行相关性分析,筛选得到特征子集;
血压检测模块,用于基于预先训练好的血压模型,以特征子集作为输入,输出血压检测结果;
校准单元:获取同步血压采集设备采集的血压作为校准参考血压,将训练好的血压模型的输出与之比对,计算血压差,将该血压差返回给血压检测模块中的血压模型,进行模型校准。
本发明血压检测方法及装置能够实现血压的无创连续检测,所谓连续指精确到每搏心跳的血压即为连续血压。尤其适用于患有心血管类疾病,需要长期进行血压监测的人群,使用者初始使用时及使用过程中需要进行校准,随着血压模型的校准更新,血压检测的精度会逐步提高。本发明方法充分考虑了人体生理参数及健康信息,通过筛选特征子集的方式获得更有针对性的血压模型,针对不同类型目标对象均具有较好的适应性,所构建的血压模型为非线性模型,提高了检测精度。
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连续血压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点的示意图;
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连续血压检测装置的程序模块示意图。
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连续血压测量方法可以按照血压回归模型的不同进行区分。其中脉搏波传导时间(PWTT)法或脉搏波传导速度(PWV)法主要是建立与血压函数关系,但因数学模型的局限性导致精度不理想;脉搏波特征参数法是从脉搏波中提取特征参数并与血压进行线性回归,但因血压与特征参数并非简单的线性关系而导致精度不理想。
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连续血压检测方法、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,用于无创连续检测血压。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连续血压检测方法,该方法可以由血压检测装置执行,该血压检测装置可以为便携式设备,在一种实施方式中,该血压检测装置为穿戴式设备,在另一种实施方式中,该血压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,本发明的所示一种无创连续血压检测的方法流程图,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血压模型特征集合,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血压模型;
S6:结合待测对象的生理信息和健康信息,对血压模型进行校准并输出血压检测值。
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Hm(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Sm,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,计算得到脉搏波传导时间差PWTT的方法步骤,包括:特征点对应法,针对动态评估获得的近心有效采集点和远心有效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,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,参考血压的获取步骤,包括:
参考血压可以为有创动脉血压(ABP)、临床监护仪示波法获取血压、临床听诊法获取血压中的任意一种或几种求平均的值,但需脉搏波同步采集。
步骤S4中,对血压模型特征集合与参考血压进行相关性分析,筛选得到特征子集的步骤,包括:利用互信息理论,计算血压模型特征集合中每个特征参数与参考血压的互信息相关度,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血压的相关性,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,运用机器学习算法训练得到基于特征子集的血压模型的步骤,包括:基于人工神经网络模型,训练得到收缩压模型SBP1和舒张压模型DBP1;基于深度学习网络模型,训练得到收缩压模型SBP2和舒张压模型DBP2;收缩压模型为:SBP=a*SBP1+b*SBP2,舒张压模型为:DBP=c*DBP1+d*DBP2,其中a、b、c、d为权值系数。
实施例二:
对于实施例一所提供的无创连续血压检测方法,本发明实施例还提供了一种无创连续血压检测装置,参见图3所示的一种无创连续血压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主要生理信息和健康信息;
特征筛选模块,将新的时域特征参数、新的频域特征参数、PWTT、目标对象的主要生理信息和健康信息组成血压模型特征集合,用于对血压模型特征集合进行相关性分析,筛选得到特征子集;
血压检测模块,用于基于预先训练好的血压模型,以特征子集作为输入,输出血压检测结果;
校准单元:获取同步血压采集设备采集的血压作为校准参考血压,将训练好的血压模型的输出与之比对,计算血压差,将该血压差返回给血压检测模块中的血压模型,进行模型校准。
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 (5)
1.一种基于多路脉搏波的无创连续血压检测装置,其特征在于,执行以下步骤:
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,且后续用户进行血压检测时的佩戴方案即为此采集方案;
将全身主要动脉点和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,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;
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,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;
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;
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组建血压模型特征集合;
对血压模型特征集合与参考血压进行相关性分析,筛选得到当前目标对象所对应的特征子集;
对血压模型特征集合与参考血压进行相关性分析,筛选得到特征子集的步骤,包括:
1)利用互信息理论,计算血压模型特征集合中每个特征参数与参考血压的互信息相关度,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是血压模型特征集合,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血压的相关性,最小化特征参数之间的相关性,筛选得到特征子集;
将特征子集作为输入,参考血压作为输出,运用机器学习算法训练得到基于特征子集的血压模型;
所述运用机器学习算法训练得到基于特征子集的血压模型的步骤,包括:
1)基于人工神经网络模型,训练得到收缩压模型SBP1和舒张压模型DBP1;
2)基于深度学习网络模型,训练得到收缩压模型SBP2和舒张压模型DBP2;
3)收缩压模型为:
SBP=a*SBP1+b*SBP2
舒张压模型为:
DBP=c*DBP1+d*DBP2
其中a、b、c、d为权值系数;
利用训练好的血压模型结合具体待测对象的生理信息和健康信息,对模型进行校准;
利用训练好的血压模型结合具体待测对象的生理信息和健康信息,对模型进行校准的步骤是:
待测对象在第一次检测血压时,需进行初始校准,应输入同步采集的血压作为校准参考血压,根据血压模型输出的血压SBPm、DBPm与校准参考血压SBPn、DBPn进行比对,计算血压差值ΔSBP和ΔDBP:
ΔSBP=SBPm-SBPn
ΔDBP=DBPm-DBPn
将血压差值纳入血压模型,以更新血压模型,完成模型校准;
待测对象在初始校准后,即能进行血压的连续检测,但仍需每隔一段时间进行再次校准,校准过程同初始校准的过程;
更新后的血压模型为:
收缩压模型为:
SBP=a*SBP1+b*SBP2+ΔSBP
舒张压模型为:
DBP=c*DBP1+d*DBP2+ΔDBP。
2.根据权利要求1所述的基于多路脉搏波的无创连续血压检测装置,其特征在于,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。
3.根据权利要求1所述的基于多路脉搏波的无创连续血压检测装置,其特征在于,所述参考血压和校准参考血压为有创动脉血压(ABP)、临床监护仪示波法获取血压、临床听诊法获取血压,与脉搏波同步采集。
4.根据权利要求1所述的基于多路脉搏波的无创连续血压检测装置,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Hm(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Sm,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。
5.根据权利要求1所述的基于多路脉搏波的无创连续血压检测装置,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,对获取的近心有效采集点和远心有效采集点获取的信号进行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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011170885.1A CN112274126B (zh) | 2020-10-28 | 2020-10-28 | 一种基于多路脉搏波的无创连续血压检测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011170885.1A CN112274126B (zh) | 2020-10-28 | 2020-10-28 | 一种基于多路脉搏波的无创连续血压检测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112274126A CN112274126A (zh) | 2021-01-29 |
CN112274126B true CN112274126B (zh) | 2022-11-29 |
Family
ID=74373968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011170885.1A Active CN112274126B (zh) | 2020-10-28 | 2020-10-28 | 一种基于多路脉搏波的无创连续血压检测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112274126B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113057610B (zh) * | 2021-02-07 | 2024-02-09 | 来邦科技股份公司 | 可穿戴设备的动态血压测量校准方法、装置及存储介质 |
CN112869725B (zh) * | 2021-02-23 | 2022-05-27 | 佛山科学技术学院 | 一种多通道脉搏采集系统及方法 |
CN112914528B (zh) * | 2021-03-01 | 2023-06-27 | 出门问问信息科技有限公司 | 一种无袖带血压测量的模型生成方法、装置及计算机可读介质 |
CN113116321A (zh) * | 2021-03-03 | 2021-07-16 | 吉林大学珠海学院 | 基于pso-grnn神经网络的无创连续血压测量系统 |
CN113171071B (zh) * | 2021-03-05 | 2022-02-15 | 上海立阖泰医疗科技有限公司 | 一种基于pwtt的血压测量手表 |
CN113076705A (zh) * | 2021-03-26 | 2021-07-06 | 北京阅影科技有限公司 | 血流动力的仿真方法及装置 |
CN113425273A (zh) * | 2021-06-21 | 2021-09-24 | 合肥工业大学 | 一种建模个体脉搏波特征的血压测量系统 |
CN113662520B (zh) * | 2021-08-26 | 2022-10-14 | 电子科技大学 | 一种基于不确定性量化策略的可穿戴连续血压测量系统 |
CN113598737A (zh) * | 2021-09-08 | 2021-11-05 | 上海中医药大学 | 一种基于特征融合的血压预测方法 |
CN114271800A (zh) * | 2021-12-01 | 2022-04-05 | 西北工业大学 | 一种办公环境下的非侵扰式连续血压监测方法及应用 |
TWI783904B (zh) * | 2022-05-11 | 2022-11-11 | 日康科技有限公司 | 非接觸式生理訊號量測方法與設備 |
CN114767085A (zh) * | 2022-06-17 | 2022-07-22 | 广东百年医疗健康科技发展有限公司 | 一种血压监测方法 |
CN115054200A (zh) * | 2022-06-21 | 2022-09-16 | 山东大学 | 一种非接触连续动态眼压监测系统 |
CN117137465B (zh) * | 2023-11-01 | 2024-04-16 | 深圳市奋达智能技术有限公司 | 一种血流动力参数测量方法及其相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06261899A (ja) * | 1993-03-12 | 1994-09-20 | Hitachi Ltd | 超音波装置 |
WO2018113442A1 (zh) * | 2016-12-21 | 2018-06-28 | 天津普仁万合信息技术有限公司 | 一种基于脉搏波传导的连续动态血压监测装置和方法 |
CN111225606A (zh) * | 2017-09-12 | 2020-06-02 | 欧姆龙健康医疗事业株式会社 | 显示控制装置及程序 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101732040B (zh) * | 2009-12-24 | 2013-03-27 | 中国科学院力学研究所 | 一种无创多路脉搏波检测方法 |
CN102397064B (zh) * | 2011-12-14 | 2014-02-19 | 中国航天员科研训练中心 | 连续血压测量装置 |
US11357413B2 (en) * | 2014-03-06 | 2022-06-14 | Healthy.Io Ltd. | Methods and apparatus for self-calibrating non-invasive cuffless blood pressure measurements |
JP6761337B2 (ja) * | 2016-12-28 | 2020-09-23 | オムロン株式会社 | 脈波測定装置および脈波測定方法、並びに血圧測定装置 |
EP3430991A1 (en) * | 2017-07-21 | 2019-01-23 | Koninklijke Philips N.V. | Apparatus and method for determining blood pressure of a subject |
CN109602395B (zh) * | 2018-12-26 | 2023-09-01 | 感易(上海)传感技术有限公司 | 一种无创多通道动脉系统检测方法及装置 |
CN109965862B (zh) * | 2019-04-16 | 2022-08-02 | 重庆大学 | 一种无袖带式长时连续血压无创监测模型的构建方法 |
-
2020
- 2020-10-28 CN CN202011170885.1A patent/CN112274126B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06261899A (ja) * | 1993-03-12 | 1994-09-20 | Hitachi Ltd | 超音波装置 |
WO2018113442A1 (zh) * | 2016-12-21 | 2018-06-28 | 天津普仁万合信息技术有限公司 | 一种基于脉搏波传导的连续动态血压监测装置和方法 |
CN111225606A (zh) * | 2017-09-12 | 2020-06-02 | 欧姆龙健康医疗事业株式会社 | 显示控制装置及程序 |
Non-Patent Citations (1)
Title |
---|
基于Android平台的无创血压连续监测系统;游玲,郑瑞杰,季忠;《中国生物医学工程学报》;20170820;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112274126A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112274126B (zh) | 一种基于多路脉搏波的无创连续血压检测方法、装置 | |
CN112274127B (zh) | 一种基于单路脉搏波的无创连续血压检测方法、装置 | |
Forouzanfar et al. | Oscillometric blood pressure estimation: past, present, and future | |
Ibrahim et al. | Cuffless blood pressure monitoring from an array of wrist bio-impedance sensors using subject-specific regression models: Proof of concept | |
CN106618537B (zh) | 一种基于脉搏波传导的连续动态血压监测装置和方法 | |
CN108185996B (zh) | 动脉血管年龄估算模型构建方法和装置 | |
JP5984088B2 (ja) | 非侵襲的連続血圧モニタリング方法及び装置 | |
CN112274121B (zh) | 一种基于多路脉搏波的无创动脉硬化检测方法、装置 | |
JP2021519621A (ja) | フォトプレチスモグラフィック(ppg)シグナルに基づいて血圧および動脈壁の硬化を推定する方法 | |
JP2018508273A (ja) | 被験体の平均動脈圧を導き出すための方法および装置 | |
Landry et al. | Nonlinear dynamic modeling of blood pressure waveform: Towards an accurate cuffless monitoring system | |
CN112274120B (zh) | 一种基于单路脉搏波的无创动脉硬化检测方法、装置 | |
Chakraborty et al. | Measurement of arterial blood pressure through single-site acquisition of photoplethysmograph signal | |
Shao et al. | An optimization study of estimating blood pressure models based on pulse arrival time for continuous monitoring | |
Tanaka et al. | Accuracy assessment of a noninvasive device for monitoring beat-by-beat blood pressure in the radial artery using the volume-compensation method | |
Hsiao et al. | Design and implementation of auscultation blood pressure measurement using vascular transit time and physiological parameters | |
He et al. | Continuous tracking of changes in systolic blood pressure using BCG and ECG | |
Sameen et al. | A novel waveform mirroring technique for systolic blood pressure estimation from anacrotic photoplethysmogram | |
CN114343596A (zh) | 一种基于反向血流传播时间的连续血压测量系统及方法 | |
Lui et al. | A novel calibration procedure of pulse transit time based blood pressure measurement with heart rate and respiratory rate | |
Manamperi et al. | A robust neural network-based method to estimate arterial blood pressure using photoplethysmography | |
Pielmuş et al. | Spectral parametrization of PPG, IPG and pAT pulse waves for continuous noninvasive blood pressure estimation | |
Rundo et al. | Advanced Multi-neural System for Cuff-less Blood Pressure Estimation through Nonlinear HC-features. | |
De Alwis et al. | Parametric model between pulse transit time and systolic and diastolic blood pressures for non-invasive blood pressure estimation | |
Tiloca | A machine learning approach for non-invasive blood pressure estimation |
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 |