CN113539522A - 一种基于单路心冲击信号的连续血压监测方法 - Google Patents
一种基于单路心冲击信号的连续血压监测方法 Download PDFInfo
- Publication number
- CN113539522A CN113539522A CN202110908539.7A CN202110908539A CN113539522A CN 113539522 A CN113539522 A CN 113539522A CN 202110908539 A CN202110908539 A CN 202110908539A CN 113539522 A CN113539522 A CN 113539522A
- Authority
- CN
- China
- Prior art keywords
- signal
- blood pressure
- model
- heart
- ballistocardiogram
- 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
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000000747 cardiac effect Effects 0.000 title claims abstract description 33
- 230000035939 shock Effects 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 230000035488 systolic blood pressure Effects 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 208000010125 myocardial infarction Diseases 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 230000017531 blood circulation Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 210000001112 cardioblast Anatomy 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000009530 blood pressure measurement Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000009610 ballistocardiography Methods 0.000 description 5
- 238000013186 photoplethysmography Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Vascular Medicine (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Power Engineering (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了生理信号检测领域的一种基于单路心冲击信号的连续血压监测方法,包括收集多个受试者数据,构建三种血压模型数据集;使用三种血压模型数据集计算贝叶斯融合模型参数;使用贝叶斯融合模型的参数对待试者进行血压模型拟合和收缩压计算,本发明利用心冲击中的不同信号成分提取脉搏传输时间,同时测量心冲击强度以及心冲击信号形状特征作为相对收缩压计算依据,利用贝叶斯模型融合三种不同指标,以进一步提高血压计算准确性,提供的连续血压测量方法具有无负荷、测量便利、设备复杂度低、成本低的特征,克服了单一的参数模型普遍存在的误差较大的不足,有较大的应用潜力。
Description
技术领域
本发明涉及生理信号检测领域,具体涉及一种基于单路心冲击信号的连续血压监测方法。
背景技术
血压是人体的一项重要生理参数,也是当今影响人类身体健康的重要因素。现有的血压测量方法从测量方式来分类看可分为单次血压测量和动态血压测量。其中夜间的持续性动态血压是比日间血压更为敏感的心血管预后指标,有助于揭示隐匿性高血压和顽固性高血压的病因,协助代谢性疾病管理,并且能够协助评估睡眠质量,因此具有重大的科研价值和社会价值。
目前的动态血压测量方法主要为袖带式血压计,其充放气操作容易对受试者造成干扰,加重受试者焦虑,且测量频率低,很难反映血压的瞬时涨落。另外一种常见的动态血压测量方式是使用光电容积脉搏波Photo Plethysmo Graphy,PPG)测量脉搏传输时间(Pulse Transmission Time,PTT)进行血压的拟合和测量,此种测量方法一方面由于射血前期的存在等造成精准度不足,另一方面也需要佩戴表带或指套,不适于长期使用。
基于心冲击(BallistoCardioGraphy,BCG)信号的连续动态血压测量具有非接触、零负荷的优势,十分适用于长时间或睡眠期间的血压测量。申请公布号为CN108186000A的发明专利公开了一种使用心冲击图和PPG信号进行血压测量的方法,但需要使用者佩戴PPG指套进行测量,无法做到完全无负荷。申请公布号为CN108261193A的发明专利公开了一种基于双路心冲击信号计算脉搏波传输时间进行血压测量的方法,但使用两个以上的传感装置以及单一的传输时间参数进行血压拟合和测量,仍然存在设备较复杂、测量精准度不足的问题。
基于此,本发明设计了一种基于单路心冲击信号的连续血压监测方法,以解决上述问题。
发明内容
本发明的目的在于提供一种基于单路心冲击信号的连续血压监测方法,实现真正零负荷、非接触的连续动态血压监测,并且同时保证测量结果准确性的目的。
为实现上述目的,本发明提供如下技术方案:一种基于单路心冲击信号的连续血压监测方法,包括以下步骤:
S1,收集多个受试者数据,构建三种血压模型数据集;
S2,使用三种血压模型数据集计算贝叶斯融合模型参数;
S3,使用贝叶斯融合模型的参数对待试者进行血压模型拟合和收缩压计算;
其中S1包括以下步骤:
对每个受试者,以特定的心冲击图测量方式获取特定位置的心冲击信号;
对每个受试者的心冲击信号,使用高频、低频两种不同滤波器处理心冲击信号,得到心冲击信号的肢体振动成分和心脏振动成分;
对每个受试者的心冲击信号,寻找两不同心冲击信号成分的心冲击特征点J,并计算两种心冲击特征点J的时间差T,作为第一相对收缩压,记为RSBP1,随后计算“心脏振动成分”中J点与“肢体振动成分”中J点的时间差T,此时间差即为血流从心脏端传输到肢体端的脉搏传输时间,参数T作为第二种相对收缩压RSBP2;
对每个受试者,分别计算其两种心跳成分的心冲击强度BPS,记录为第二类相对收缩压RSBP2;
对每个受试者的心冲击信号,定位特征点I,J,K,计算J、K点与I、J点幅度差,记录为相对收缩压RSBP3;
对每个受试者,分别使用标准血压计测量收缩压,以三种RSBP为自变量,标准收缩压为因变量进行线性模型拟合,得到三种不同SBP模型,对N个受试者可生成3N个线性血压模型。
优选的,所述特定的心冲击图测量方式获取特定位置的心冲击图信息为通过特定的能够采集人体微振信号的传感器、特定的传感器与人体间介质,以及特定的硬件电路、信号采样率等采集心冲击信号;将特定传感器放置在特定部位,以获取满足要求的信号。
优选的,所述的特定的硬件电路优选的带有噪声过滤功能以及信号放大功能和模数转换功能的电路;所述特定信号采样率优选的是采样率在250hz以上,所述的传感器放置特定部位为在床垫下方,人体左大臂下方、右大臂或者腿部下方。
优选的,所述得到心冲击信号的肢体振动成分和心脏振动成分的具体方法为使用截止频率为[2Hz,6Hz]的巴特沃斯带通滤波器处理心冲击信号,获得肢体振动成分,使用截至频率为[8Hz,24Hz]的巴特沃斯带通滤波器处理心冲击信号,获得心脏振动成分。
优选的,所述寻找两不同心冲击信号成分的心冲击特征点的J方法为获取初始混合信号;从初始混合信号中分离出纯净的BCG心冲击信号;选取一段时长为T的心冲击信号中所有的时长为t的信号段;计算每段信号两两间相关系数并进行顺序聚类;选取中间值均值最高的一类信号段求平均作为心跳模板;计算后续各信号段与心跳模板的相关系数并构建相关系数函数;从相关系数函数中定位心跳位置;根据心跳位置序列输出逐拍心率J。
优选的,所述定位特征点I,K的方法为J点往前搜索第一个波谷点即为I点,往后搜索第一个波谷点即为K点,计算J、K与I、J的幅值差,作为第三类相对收缩压RSBP3。
优选的,所述S2中包括以下步骤,将各受试者的三种模型的计算误差,使用最大似然法拟合为三种误差高斯模型;根据各误差高斯模型,得到使用贝叶斯融合模型的参数。
优选的,所述拟合误差高斯模型为将N个受试者的相同RSBP拟合为一个高斯模型,建立在各RSBP模型对于不同样本具有相同的误差分布的假设下,将每种RSBP模型的这一误差都拟合为高斯模型。
优选的,所述S3中包括以下步骤,多次测量被测对象的RSBP1、RSBP2、RSBP3,以及对应的标准血压,并拟合三种线性模型,用得到的贝叶斯融合模型的参数,对三种模型进行融合计算。
与现有技术相比,本发明的有益效果是:
本发明利用心冲击中的不同信号成分提取脉搏传输时间,同时测量心冲击强度以及心冲击信号形状特征作为相对收缩压计算依据,利用贝叶斯模型融合三种不同指标,以进一步提高血压计算准确性,提供的连续血压测量方法具有无负荷、测量便利、设备复杂度低、成本低的特征,同时克服了单一的参数模型普遍存在的误差较大的不足,有较大的应用潜力。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明基于单路心冲击信号的连续血压测量方法的流程图;
图2为本发明心冲击信号不同成分示意图;
图3为本发明心冲击波形I、J、K特征点及脉冲幅度示意图;
图4为本发明不同高斯分布通过贝叶斯融合的模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-4,本发明提供一种基于单路心冲击信号的连续血压监测方法,其包括:
S1,收集多个受试者数据,构建三种血压模型数据集。
S2,使用三种血压模型数据集计算贝叶斯融合模型参数。
S3,使用贝叶斯融合模型的参数对待试者进行血压模型拟合和收缩压计算。
下面分别对三个步骤进行详细说明。
S1,收集多个受试者数据,构建三种血压模型数据集。本步骤是通过对多个受试者进行三种BCG参数的计算,并将其与标准血压进行线性模型拟合,得到三类收缩压模型,并且每个模型中包含多个受试者的数据。本步骤又分为以下6个子步骤:
S101:对每个受试者,以特定的心冲击图测量方式获取特定位置的心冲击图信息。
具体来说,就是通过特定的能够采集人体微振信号的传感器、特定的传感器与人体间介质,以及特定的硬件电路、信号采样率等采集心冲击信号;并且传感器需要放置在特定部位,以获取满足要求的信号。之所以对各种心冲击测量细节有严格要求,是因为心冲击图受各种因素影响较多,只有在特定的测试条件下才能获得理想的信号,用于计算血压。使用的前端传感器一般为压电陶瓷传感器,也可以为压电薄膜传感器、光纤垫传感器等;上述特定介质需要是有一定刚性的床垫,优选的是棕榈床垫、整体弹簧床垫等;上述的特定的硬件电路优选的带有噪声过滤功能以及信号放大功能以和模数转换功能的电路;上述的特定信号采样率优选的是采样率在250Hz以上。所述的传感器放置特定部位需要是在床垫下方,优选的是在人体左大臂下方,也可以是右大臂或者腿部下方。
S102:对每个受试者的心冲击信号,使用高频、低频两种不同滤波器处理心冲击信号,得到心冲击信号的“肢体振动成分”和“心脏振动成分”。
参见附图2,本步骤是通过一定的处理将心冲击信号中的由肢体振动产生的信号成分与心脏振动产生的信号成分分离出来。根据相关理论,人体的微振信号成分复杂,在平静状态下主要包含呼吸信号和心冲击信号,而其中的心冲击信号又包含心肌的跳动、血流冲击主动脉的振动以及肢体动脉受到血流冲击的振动。按照步骤S101的信号采集方式,传感器能够同时采集到由肢体振动产生的频率较低的振动分量(一般为2Hz-6Hz)以及心脏跳动引起的频率较高的振动分量(一般为8Hz-24Hz)。在具体的实施例中,本步骤是使用截止频率为[2Hz,6Hz]的巴特沃斯带通滤波器处理心冲击信号,获得“肢体振动成分”,使用截止频率为[8Hz,24Hz]的巴特沃斯带通滤波器处理心冲击信号,获得“心脏振动成分”。另外,作为一种替代方案,使用小波方法分解心冲击信号,然后提取不同层次小波分量的滤波方法也能达到充分的效果。
S103:对每个受试者的心冲击信号,寻找两不同心冲击信号成分的心冲击特征点J,并计算两种心冲击特征点J的时间差T,作为第一相对收缩压(Relative Systolic BloodPressure,RSBP),记为RSBP1。
本发明采用的三种收缩压判断依据,与收缩压都满足SBP=a×RSBPx+b的线性关系,其中x取值为1-3,a为比例系数,b为偏移量,对于每类RSBP以及每个受试个体,a、b值都不相同。
参照附图2,通过上一步骤的处理,我们获得了两种不同信号成分。其中虚线表示心电图R波所在位置,作为心冲击图的参考。在本步骤中,需要首先通过一定的方法定位两种信号中每拍心跳的特征点J点,获取初始混合信号;从初始混合信号中分离出纯净的BCG心冲击信号;选取一段时长为T的心冲击信号中所有的时长为t的信号段;计算每段信号两两间相关系数并进行顺序聚类;选取中间值均值最高的一类信号段求平均作为心跳模板;计算后续各信号段与心跳模板的相关系数并构建相关系数函数;从相关系数函数中定位心跳位置;根据心跳位置序列输出逐拍心率J,随后计算“心脏振动成分”中J点与“肢体振动成分”中J点的时间差T,此时间差即为血流从心脏端传输到肢体端的脉搏传输时间,参数T作为第二种相对收缩压RSBP2。
S104,对每个受试者,分别计算其两种心跳成分的心冲击强度(Ballistocardiogram Pulse Strength,BPS),记录为第二类相对收缩压RSBP2。
其中,BPS通过计算心冲击能量信号的峰值获得,以AD采样率为250hz的心冲击信号为例,心冲击能量信号按照以下公式计算:
其中,X′(n-i)表示在心冲击信号在n-i坐标处的值。也即将心冲击信号进行平方处理之后,再取80点滑动平均滤波后的结果。)每拍心跳的E(n)的峰值即为BPS,作为第二类相对收缩压参数RSBP2。
S105,对每个受试者的心冲击信号,定位特征点I,J,K。计算JK点与IJ点幅度差,记录为相对收缩压RSBP3。
参照附图3,通过S103的方法,定位到了心冲击信号的J点,往前搜索第一个波谷点即为I点,往后搜索第一个波谷点即为K点。计算JK与IJ的幅值差,作为第三类相对收缩压RSBP3。
S106,对每个受试者,分别使用标准血压计测量收缩压,以三种RSBP为自变量,标准收缩压为因变量进行线性模型拟合,得到三种不同SBP模型。
具体来说,就是给每个受试者,都分别以相对收缩压参数RSBP1、RSBP2、RSBP3为自变量,标准收缩压SBP为因变量拟合三种不同的SBP模型。对每个受试者,都可得到三种以下形式线性模型:
SBPx=ax×RSBPx+bx
其中,SBPx表示第x类收缩压,RSBPx为第x类相对收缩压,ax、bx分别为第x类收缩压模型系数。
确定每个受试者每类模型的a、b参数使用的拟合方法为最小二乘法,按照以下公式进行:
经过S1步骤,对N个受试者可生成3N个线性血压模型。
S2:使用三种血压模型数据集计算贝叶斯融合模型参数。每种模型计算本步骤是通过S1生成的三类模型,通过最大似然法拟合为三种高斯模型,并使用拟合得到的高斯模型参数构建三种RSBP的贝叶斯融合模型。具体分为以下两个子步骤,
S201:将各受试者的三种模型的计算误差,使用最大似然法拟合为三种误差高斯模型。
S1步骤得到的收缩压计算模型,应用于各数据点,能够得到模型与真实值的误差。我们将N个受试者的相同RSBP拟合为一个高斯模型,建立在各RSBP模型对于不同样本具有相同的误差分布的假设下。将每种RSBP模型的这一误差都拟合为高斯模型。使用最大似然法对每个RSBP模型误差进行拟合,具体公式如下:
S202:根据各误差高斯模型误差的方差,使用贝叶斯方法融合各SBP计算模型。
参照图4,基于贝叶斯的信息融合已经被证明能够在将两个或多个测量方差大的模型融合为一个测量误差更小的模型。本发明实施例使用贝叶斯模型对三种SBP计算模型进行融合,以得到更精准的收缩压。具体地,就是得到以上三个SBP误差高斯模型的方差σ1、σ2、σ3分别为三种不同模型的误差分布的方差。
S3:使用贝叶斯融合模型的参数对待试者进行血压模型拟合和收缩压计算。
步骤S1、S2的计算是为了得到贝叶斯融合模型,S3步骤则是对一个新的待测用户,重新测量标准血压以及:相对收缩压RSBP,拟合三种新的线性模型,然后利用上面得到的贝叶,融合模型进行数据融合,得到更精确的血压值。本步又包含以下两个子步骤:
S301:按照前述方法多次测量被测对象的RSBP1、RSBP2、RSBP3,以及对应的标准血压,并拟合三种线性模型。
再次按照步骤S1的流程,被一个新的待测对象进行RSBP1-3的测量。不同的是,S1是为了生成计算贝叶斯融合模型参数的数据集,本步骤是实现对新待测对象的连续动态收缩压测量。
生成的三种模型为
SBPx=ax×RSBPx+bx
其中x取值为1-3。
S302:使用得到的贝叶斯融合模型的参数,对三种模型进行融合。
本步骤通过融合三种模型的计算结果以提高计算结果的准确性。融合按照以下公式进行:
针对本实施例,贝叶斯融合按照以下公式进行:
综上,本发明利用心冲击中的不同信号成分提取脉搏传输时间,同时测量心冲击强度以及心冲击信号形状特征作为相对收缩压计算依据,利用贝叶斯模型融合三种不同指标,以进一步提高血压计算准确性,提供的连续血压测量方法具有无负荷、测量便利、设备复杂度低、成本低的特征,同时克服了单一的参数模型普遍存在的误差较大的不足,有较大的应用和推广潜力。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.一种基于单路心冲击信号的连续血压监测方法,包括以下步骤:
S1,收集多个受试者数据,构建三种血压模型数据集;
S2,使用三种血压模型数据集计算贝叶斯融合模型参数;
S3,使用贝叶斯融合模型的参数对待试者进行血压模型拟合和收缩压计算;
其中S1包括以下步骤:
对每个受试者,以特定的心冲击图测量方式获取特定位置的心冲击信号;
对每个受试者的心冲击信号,使用高频、低频两种不同滤波器处理心冲击信号,得到心冲击信号的肢体振动成分和心脏振动成分;
对每个受试者的心冲击信号,寻找两不同心冲击信号成分的心冲击特征点J,并计算两种心冲击特征点J的时间差T,作为第一相对收缩压,记为RSBP1,随后计算“心脏振动成分”中J点与“肢体振动成分”中J点的时间差T,此时间差即为血流从心脏端传输到肢体端的脉搏传输时间,参数T作为第二种相对收缩压RSBP2;
对每个受试者,分别计算其两种心跳成分的心冲击强度BPS,记录为第二类相对收缩压RSBP2;
对每个受试者的心冲击信号,定位特征点I,J,K,计算J、K点与I、J点幅度差,记录为相对收缩压RSBP3;
对每个受试者,分别使用标准血压计测量收缩压,以三种RSBP为自变量,标准收缩压为因变量进行线性模型拟合,得到三种不同SBP模型,对N个受试者可生成3N个线性血压模型。
2.根据权利要求1所述的一种基于单路心冲击信号的连续血压监测方法,其特征在于:所述特定的心冲击图测量方式获取特定位置的心冲击图信息为通过特定的能够采集人体微振信号的传感器、特定的传感器与人体间介质,以及特定的硬件电路、信号采样率等采集心冲击信号;将特定传感器放置在特定部位,以获取满足要求的信号。
3.根据权利要求2所述的一种基于单路心冲击信号的连续血压监测方法,其特征在于:所述的特定的硬件电路优选的带有噪声过滤功能以及信号放大功能和模数转换功能的电路;所述特定信号采样率优选的是采样率在250Hz以上,所述的传感器放置特定部位为在床垫下方,人体左大臂下方、右大臂或者腿部下方。
4.根据权利要求1所述的一种基于单路心冲击信号的连续血压监测方法,其特征在于:所述得到心冲击信号的肢体振动成分和心脏振动成分的具体方法为使用截止频率为[2Hz,6Hz]的巴特沃斯带通滤波器处理心冲击信号,获得肢体振动成分,使用截至频率为[8Hz,24Hz]的巴特沃斯带通滤波器处理心冲击信号,获得心脏振动成分。
5.根据权利要求1所述的一种基于单路心冲击信号的连续血压监测方法,其特征在于:所述寻找两种不同心冲击信号成分的心冲击特征点的J方法为获取初始混合信号;从初始混合信号中分离出纯净的BCG心冲击信号;选取一段时长为T的心冲击信号中所有的时长为t的信号段;计算每段信号两两间相关系数并进行顺序聚类;选取中间值均值最高的一类信号段求平均作为心跳模板;计算后续各信号段与心跳模板的相关系数并构建相关系数函数;从相关系数函数中定位心跳位置;根据心跳位置序列输出逐拍心率J。
6.根据权利要求5所述的一种基于单路心冲击信号的连续血压监测方法,其特征在于:所述定位特征点I,K的方法为J点往前搜索第一个波谷点即为I点,往后搜索第一个波谷点即为K点,计算J、K与I、J的幅值差,作为第三类相对收缩压RSBP3。
7.根据权利要求1所述的一种基于单路心冲击信号的连续血压监测方法,其特征在于:S2中包括以下步骤,将各受试者的三种模型的计算误差,使用最大似然法拟合为三种误差高斯模型;根据各误差高斯模型,得到使用贝叶斯融合模型的参数。
8.根据权利要求7所述的一种基于单路心冲击信号的连续血压监测方法,其特征在于:所述拟合误差高斯模型为将N个受试者的相同RSBP拟合为一个高斯模型,建立在各RSBP模型对于不同样本具有相同的误差分布的假设下,将每种RSBP模型的这一误差都拟合为高斯模型。
9.根据权利要求1所述的一种基于单路心冲击信号的连续血压监测方法,其特征在于:S3中包括以下步骤,多次测量被测对象的RSBP1、RSBP2、RSBP3,以及对应的标准血压,并拟合三种线性模型,用得到的贝叶斯融合模型的参数,对三种模型进行融合计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908539.7A CN113539522A (zh) | 2021-08-09 | 2021-08-09 | 一种基于单路心冲击信号的连续血压监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908539.7A CN113539522A (zh) | 2021-08-09 | 2021-08-09 | 一种基于单路心冲击信号的连续血压监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113539522A true CN113539522A (zh) | 2021-10-22 |
Family
ID=78122224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110908539.7A Pending CN113539522A (zh) | 2021-08-09 | 2021-08-09 | 一种基于单路心冲击信号的连续血压监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113539522A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI825622B (zh) * | 2022-03-15 | 2023-12-11 | 緯創資通股份有限公司 | 生理訊號特徵擷取方法及生理訊號特徵擷取裝置 |
CN117409985A (zh) * | 2023-12-13 | 2024-01-16 | 中国科学院苏州生物医学工程技术研究所 | 一种心衰患者的睡眠监测及改善方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI615127B (zh) * | 2017-01-17 | 2018-02-21 | 正崴精密工業股份有限公司 | 計算血壓的方法及其裝置 |
CN107854123A (zh) * | 2017-12-13 | 2018-03-30 | 清华大学深圳研究生院 | 一种无袖套连续血压监测方法和装置 |
CN108261193A (zh) * | 2018-03-19 | 2018-07-10 | 吉林大学 | 一种基于心冲击信号的连续血压测量装置及测量方法 |
CN109310369A (zh) * | 2016-06-10 | 2019-02-05 | 博能电子公司 | 用于估计血脉搏波特征的多传感器系统 |
US20190051374A1 (en) * | 2017-08-10 | 2019-02-14 | Nuance Communications, Inc. | Automated clinical documentation system and method |
-
2021
- 2021-08-09 CN CN202110908539.7A patent/CN113539522A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109310369A (zh) * | 2016-06-10 | 2019-02-05 | 博能电子公司 | 用于估计血脉搏波特征的多传感器系统 |
TWI615127B (zh) * | 2017-01-17 | 2018-02-21 | 正崴精密工業股份有限公司 | 計算血壓的方法及其裝置 |
US20190051374A1 (en) * | 2017-08-10 | 2019-02-14 | Nuance Communications, Inc. | Automated clinical documentation system and method |
CN107854123A (zh) * | 2017-12-13 | 2018-03-30 | 清华大学深圳研究生院 | 一种无袖套连续血压监测方法和装置 |
CN108261193A (zh) * | 2018-03-19 | 2018-07-10 | 吉林大学 | 一种基于心冲击信号的连续血压测量装置及测量方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI825622B (zh) * | 2022-03-15 | 2023-12-11 | 緯創資通股份有限公司 | 生理訊號特徵擷取方法及生理訊號特徵擷取裝置 |
CN117409985A (zh) * | 2023-12-13 | 2024-01-16 | 中国科学院苏州生物医学工程技术研究所 | 一种心衰患者的睡眠监测及改善方法、设备及存储介质 |
CN117409985B (zh) * | 2023-12-13 | 2024-03-22 | 中国科学院苏州生物医学工程技术研究所 | 一种心衰患者的睡眠监测及改善方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11298029B2 (en) | Blood pressure measuring apparatus, blood pressure measuring method, electronic device, and computer readable storage medium | |
Su et al. | Monitoring the relative blood pressure using a hydraulic bed sensor system | |
CN103892818B (zh) | 一种无创中心动脉血压测量方法和设备 | |
CN106974631B (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 | |
KR101210828B1 (ko) | 다중 생체 신호 측정을 이용하여 손목혈압의 정확도를 향상시키는 방법 및 장치 | |
CN103690152B (zh) | 一种基于脉搏解析的动脉弹性功能评估装置 | |
CN106821356A (zh) | 基于Elman神经网络的云端连续血压测量方法及系统 | |
CN104382571A (zh) | 一种基于桡动脉脉搏波传导时间的测量血压方法及装置 | |
CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
CN113539522A (zh) | 一种基于单路心冲击信号的连续血压监测方法 | |
Rajala et al. | Pulse arrival time (PAT) measurement based on arm ECG and finger PPG signals-comparison of PPG feature detection methods for PAT calculation | |
CN110974170A (zh) | 一种生理参数检测系统 | |
Chen et al. | Assessment of algorithms for oscillometric blood pressure measurement | |
CN110236508A (zh) | 一种无创血压连续监测方法 | |
Forouzanfar et al. | Automatic analysis of pre‐ejection period during sleep using impedance cardiogram | |
JP2015508693A (ja) | 生理的リズムを表す信号を処理する方法 | |
CN114145724A (zh) | 基于ecg和ppg多生理特征参数动态监测血压的方法 | |
Deepu et al. | A smart cushion for real-time heart rate monitoring | |
CN110881967A (zh) | 一种无创多节段外周动脉血管弹性功能检测方法及其仪器 | |
CN110897631A (zh) | 孕产实时监测装置及方法 | |
CN110840428B (zh) | 基于一维U-Net网络的无创血压估计方法 | |
CN108261193A (zh) | 一种基于心冲击信号的连续血压测量装置及测量方法 | |
CN111419205A (zh) | 基于人工神经网络的三要素法无袖带连续血压检测系统 | |
KR101744691B1 (ko) | 심탄도 신호를 이용한 심박 검출 방법 및 그 장치 | |
CN210095711U (zh) | 一种无创连续血压测量设备 |
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 |