CN113729648A - 一种基于多脉搏传感器的穿戴式脉诊手环系统 - Google Patents
一种基于多脉搏传感器的穿戴式脉诊手环系统 Download PDFInfo
- Publication number
- CN113729648A CN113729648A CN202111047712.5A CN202111047712A CN113729648A CN 113729648 A CN113729648 A CN 113729648A CN 202111047712 A CN202111047712 A CN 202111047712A CN 113729648 A CN113729648 A CN 113729648A
- Authority
- CN
- China
- Prior art keywords
- pulse
- pressure
- pulse wave
- sensor
- volume
- 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
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
- A61B5/48—Other medical applications
- A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
-
- 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
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
Abstract
本发明公开了一种基于多脉搏传感器的穿戴式脉诊手环系统,包括安装有脉诊系统的网络服务器,带有第一光电脉搏传感器的且夹持在手指端部的检测指夹,带有第二光电脉搏传感器、压力脉搏传感器的且佩戴在手腕部的检测手环;所述检测手环内设有微型处理模块,且第一光电脉搏传感器、第二光电脉搏传感器和压力脉搏传感器通过采集电路模块与微型处理模块电连接,所述微型处理模块通过通讯模块与网络服务器通讯连接。本发明通过设置具有多种脉搏传感器的穿戴式脉诊手环系统,通过采集不同类型、不同位置的脉搏波信号进行分析处理,获取更加丰富的生理信息,并通过特定的脉诊系统进行诊脉识别,从而有效提高心血管健康检测的准确性。
Description
技术领域
本发明涉及医疗辅助器械技术领域,具体为一种基于多脉搏传感器的穿戴式脉诊手环系统。
背景技术
心血管系统是人体重要的循环系统,是各组织的营养物质和氧气运输线。随着生活水平的提高,心血管疾病在我国越来越普遍。根据《中国心血管病报告2019》的统计数据,我国心血管疾病患者已达3.3亿,并且患病率和死亡率长期保持增长趋势;在城市和农村,心血管疾病已成为居民的主要死亡原因,分别占比43.56%和45.91%。心血管疾病对人民健康生活的威胁越来越大,因此通过长期监测心血管系统的健康状态及时预防心血管疾病具有重要的意义。
在心血管内的血液循环过程中,血液在心脏的收缩作用下从左心室涌入主动脉,使得动脉近端管壁扩张、内部压力升高;而当心室舒张时,射血活动暂时停止,动脉在血管弹性的作用下恢复收缩。在收缩舒张的过程中,血液在压力差的作用下以心脏为起点沿着血管快速向远端传播,使得远端动脉亦出现相似的搏动,形成脉搏波,该信号携带了大量与心血管状态相关的信息。在我国的传统诊断方法脉诊中,医师通过按压腕部桡动脉感受这种血管周期性的扩张变化,并将感受到的搏动形态分为不同脉象。脉象可以用来判断寒热虚实等疾病性质,也可以用来判断疾病预后,在中医中是辨识疾病的重要客观指标。
脉诊作为一种无创的辨诊方法,其具有诊断方便、成本低、结果有效等特点,拥有较完善的评估和干预体系。随着中医脉诊客观化的发展,更多研究表明脉搏波特征与心血管生理状态存在较强的联系,通过使用数学分析、人工智能等方法可以将这些信息挖掘出来。因此遵循客观化研究的理念和方式,基于采集得到的脉搏波实现对人体心血管健康的快速检测,具有较高的可行性。
近年来,心血管疾病对人民健康生活的威胁日益增大,使得日常的健康状态监测对心血管疾病的早期发现和治疗尤为重要。在中医脉诊客观化研究中,通过人体的脉搏波信号分析健康状态的方法逐渐成熟,但常见的脉诊设备采样信息单一、设备复杂,难以满足对心血管系统长期的高频率健康检测需求。因此我们对此做出改进,提出一种基于多脉搏传感器的穿戴式脉诊手环系统。
发明内容
为了解决上述技术问题,本发明提供了如下的技术方案:
本发明基于多脉搏传感器的穿戴式脉诊手环系统,包括安装有脉诊系统的网络服务器,带有第一光电脉搏传感器的且夹持在手指端部的检测指夹,带有第二光电脉搏传感器、压力脉搏传感器的且佩戴在手腕部的检测手环;所述检测手环内设有微型处理模块,且第一光电脉搏传感器、第二光电脉搏传感器和压力脉搏传感器通过采集电路模块与微型处理模块电连接,所述微型处理模块通过通讯模块与网络服务器通讯连接;
通过第一光电脉搏传感器对手指端的容积脉搏波信号进行采集,通过第二光电脉搏传感器对手腕部桡动脉的容积脉搏波信号进行采集,通过压力脉搏传感器对手腕部的腕部桡动脉处的压力脉搏波信号;然后将采集到的手指端、手腕部桡动脉容积脉搏波信号以及手腕部的腕部桡动脉处的压力脉搏波信号通过通讯模块上传到网络服务器中,利用脉诊系统进行诊断。
作为本发明的一种优选技术方案,所述的脉诊系统进行诊断的诊断方法是,包括以下几个步骤,
步骤1,分别采集腕部桡动脉处的压力脉搏波信号、容积脉搏波信号,以及指端的容积脉搏波信号,以获取丰富的心血管信息;
步骤2,根据采集得到的腕部桡动脉处的压力脉搏波信号、容积脉搏波信号,以及指端的容积脉搏波信号,通过基于特征融合的血压预测方法建立无创血压预测模型;
步骤3,建立脉象识别模型和心血管疾病识别模型;
步骤4,利用建立无创血压预测模型、脉象识别模型和心血管疾病识别对采集后采集得到的脉搏波信号进行诊断识别。
作为本发明的一种优选技术方案,所述步骤2中通过基于特征融合的血压预测方法是,首先对腕部桡动脉处的压力脉搏波信号、容积脉搏波信号,以及指端的容积脉搏波信号的原始脉搏波信号依次进行进行滤波、去除基线漂移和单周期提取等预处理得到处理后的脉搏波信号;随后在特征工程中,得到预处理后的脉搏波信号的时域特征、压力脉搏波在不同等级压力下的幅度变化特征,以及容积脉搏波传导速度,并基于嵌入式特征选择法完成特征的筛选融合,得到用于血压预测的特征集;再基于随机森林回归算法对特征集进行训练,得到SBP和DBP预测模型。
作为本发明的一种优选技术方案,所述的对腕部桡动脉处的压力脉搏波信号、容积脉搏波信号,以及指端的容积脉搏波信号的原始脉搏波信号依次进行进行滤波处理的方法是采用零相位滤波算法进行滤波,包括几个步骤,
步骤1,将原始脉搏波信号按顺序正向输入滤波器,得到一组输出脉搏波数据;
步骤2,将输出脉搏波数据按顺序首尾调换,即得到包含逆转后的数据的逆转数据组;
步骤3,将逆转后的数据输入滤波器,得到一组新脉搏波数据;
步骤4,将新脉搏波数据再次按顺序首尾调换进行逆转,即为最终的脉搏波信号。
作为本发明的一种优选技术方案,所述步骤3中脉象识别模型的建立方法是,分别获得压力脉搏波信号、容积脉搏波信号的单周期波形;并对单周期波形的长度作规正化处理,获得具有相同长度的脉象时间序列;然后将数据集分为训练集、验证集和测试集,对训练集和验证集进行时序卷积网络计算,并进行验证和超参数调整,最终得到脉象识别模型;然后将测试集导入到脉象识别模型进行识别验证,得到脉象诊断识别的预测结果。
作为本发明的一种优选技术方案,所述步骤3中心血管疾病识别模型的建立方法是,建立指端微循环的容积脉搏血流模型;将腕部压力脉搏波和指端容积脉搏波分别作为容积脉搏血流模型的实际输入和期望输出,然后运用黏菌优化算法降低模型参数的不确定性,估计得得到容积脉搏血流模型的最终参数,然后基于机器学习算法建立心血管疾病的识别模型,以此判断心血管的健康状态。
作为本发明的一种优选技术方案,压力脉搏传感器通过步进电机对人体进行施压且其试压方法为,包括以下几个步骤,
步骤1:对压力传感器进行标定,通过仿真皮肤模拟步进电机按压在手腕处的状态,进行数据的采样,得到多组压力传感器输出增量V的数据、以及测得的压力值P数据;对压力传感器输出增量V与压力值P进行二次多项式拟合,得到拟合压力传感器输出增量V与压力值P的关系式;
步骤2:通过实验得到了作用在仿真皮肤和人体手腕处皮肤上的电机步进数N位移与传感器输出增量V的关系,通过多项式拟合,得N与V的关系;
步骤3:对步进电机进行策略控制,得到电机步进数ΔN与传感器输出增量ΔV。
步骤4:利用ΔN和ΔV拟合得到N-V曲线,从而获得N与V的关系式。
作为本发明的一种优选技术方案,所述的步骤1求得压力传感器输出增量V与压力值P的关系式方法是,将得到多组压力传感器输出增量V的数据、以及测得的压力值P数据进行拟合,以压力传感器输出增量V为横坐标,压力值P为纵坐标,设定截距为0,计算得到可决系数R2>0.95,为高度拟合,则压力传感器输出增量V与压力值P的关系式为:
P=0.0005V2+0.0719V。
作为本发明的一种优选技术方案,所述的步骤2中得N与V的关系用下式描述:
N=AV2+BV,其中A、B为变量。
作为本发明的一种优选技术方案,所述对步进电机进行策略控制方法是,进行若干次等位移间隔加压,并记录传感器输出值,步进电机通过等间隔步进ΔN,加压获取若干个传感器输出值V1,V2,V3,…,Vn;
相邻两行两两相减后,可得:
将A、B作为变量,则可将上式改写为一元线性模型:
最终计算可得:
并将其代入到N=AV2+BV获得N与V的关系式。
本发明的有益效果是:1、该种基于多脉搏传感器的穿戴式脉诊手环系统,通过第一光电脉搏传感器对手指端的容积脉搏波信号进行采集,通过第二光电脉搏传感器对手腕部桡动脉的容积脉搏波信号进行采集,通过压力脉搏传感器对手腕部的腕部桡动脉处的压力脉搏波信号;然后将采集到的手指端、手腕部桡动脉容积脉搏波信号以及手腕部的腕部桡动脉处的压力脉搏波信号通过通讯模块上传到网络服务器中,利用脉诊系统进行诊断,本发明通过设置具有多种脉搏传感器的穿戴式脉诊手环系统,通过采集不同类型、不同位置的脉搏波信号进行分析处理,获取更加丰富的生理信息,并通过特定的脉诊系统进行诊脉识别,从而有效提高心血管健康检测的准确性。
2、该种基于多脉搏传感器的穿戴式脉诊手环系统,通过基于特征融合的血压预测方法是,首先对腕部桡动脉处的压力脉搏波信号、容积脉搏波信号,以及指端的容积脉搏波信号的原始脉搏波信号依次进行进行滤波、去除基线漂移和单周期提取等预处理得到处理后的脉搏波信号;随后在特征工程中,得到预处理后的脉搏波信号的时域特征、压力脉搏波在不同等级压力下的幅度变化特征,以及容积脉搏波传导速度,并基于嵌入式特征选择法完成特征的筛选融合,得到用于血压预测的特征集;再基于随机森林回归算法对特征集进行训练,得到SBP和DBP预测模型;实现了SBP和DBP准确有效的预测,能够满足AAMI使用标准,具有预测准确的特点。
3、该种基于多脉搏传感器的穿戴式脉诊手环系统中脉象识别模型的建立方法是,分别获得压力脉搏波信号、容积脉搏波信号的单周期波形;并对单周期波形的长度作规正化处理,获得具有相同长度的脉象时间序列;然后将数据集分为训练集、验证集和测试集,对训练集和验证集进行时序卷积网络计算,并进行验证和超参数调整,最终得到脉象识别模型;然后将测试集导入到脉象识别模型进行识别验证,得到脉象诊断识别的预测结果;本方法能够从脉象时间序列中提取出具有显著差异性的特征,较好地保留了脉象信号中的形态信息。在TCN特征自学习的过程中,网络在膨胀因果卷积的作用下,在有限的层次中扩大了对脉象时间序列的感受野,更好地抓取了脉象信号的细节信息和形态变化特征,从而使脉象信号识别模型获得了良好的分类性能。本章所提出的脉象识别方法拥有较高的准确率,可以为人体心血管系统健康状态的诊断提供参考,提出使用时序卷积网络提取压力脉搏波时间序列的时域形态变化特征,以保留不同脉象之间存在的细节差异信息,取得了较好的脉象信号分类效果。
4、该种基于多脉搏传感器的穿戴式脉诊手环系统中心血管疾病识别模型的建立方法是,建立指端微循环的容积脉搏血流模型;将腕部压力脉搏波和指端容积脉搏波分别作为容积脉搏血流模型的实际输入和期望输出,然后运用黏菌优化算法降低模型参数的不确定性,估计得得到容积脉搏血流模型的最终参数,实现了微循环生理状态信息的提取,然后基于机器学习算法建立心血管疾病的识别模型,以此判断心血管的健康状态,估计的模型参数值可以基本代表微循环的实际生理状态,所建立的模型对不同心血管健康状态下的特征参数有较好的区分能力,可以实现高血压、冠心病的有效识别,本发明提出的方法能够获得更高的准确率,取得了较好的识别效果。
5、该种基于多脉搏传感器的穿戴式脉诊手环系统中因为不同人,由于手腕处的柔软程度不同,相应的位移与压力关系也不同,压力脉搏传感器每次上电后在零压力状态下的输出值存在一定程度的漂移,因此采用传感器输出增量进行标定。本发明通过对基于柔顺控制的自动加压方式来进行加压对传感器输出增量进行标定,从而有效消除了压力脉搏传感器每次上电后在零压力状态下的输出值存在一定程度的漂移现象,使得更贴近实际的检测值。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于多脉搏传感器的穿戴式脉诊手环系统的结构示意图;
图2是本发明的基于特征融合的血压预测方法的流程示意图;
图3是实施例中使用特征点法和脉图面积法从脉搏波中提取了时域特征图表;
图4是本发明使用特征点法和脉图面积法从脉搏波中提取了时域特征的方法图;
图5是本发明的脉象识别模型的建立流程图;
图6是本发明的时序卷积网络中的残差块的结构示意图;
图7是实施例中的微循环弹性腔的容积脉搏血流模型;
图8是实施例中的R、L、C参数估计流程图;
图9是实施例中后基于随机森林算法建立心血管疾病识别模型估计流程图
图10是本发明的去除基线漂移的效果图;
图11是实施例中不同压力下的脉搏波幅值分布图;
图12是实施例中SBP与PWV值之间的统计关系图;
图13是实施例中DBP与PWV值之间的统计关系图。
图中:1、网络服务器;2、第一光电脉搏传感器;3、检测指夹;4、第二光电脉搏传感器;5、压力脉搏传感器;6、检测手环;7、微型处理模块;8、采集电路模块;9通讯模块;10、移动手机端;11、pc电脑端。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例:如图1所示,本发明基于多脉搏传感器的穿戴式脉诊手环系统,包括安装有脉诊系统的网络服务器1,带有第一光电脉搏传感器2的且夹持在手指端部的检测指夹3,带有第二光电脉搏传感器4、压力脉搏传感器5的且佩戴在手腕部的检测手环6;所述检测手环6内设有微型处理模块7,且第一光电脉搏传感器2、第二光电脉搏传感器4和压力脉搏传感器5通过采集电路模块8与微型处理模块9电连接,所述微型处理模块7通过通讯模块9与网络服务器1通讯连接;其中微型处理模块通过通讯模块可与pc电脑端11和移动手机端10连接,进行数据的传输,且pc电脑端11和移动手机端12可通过网络与网络服务器1网络连接,可向网络服务器发送采集数据,且网络服务器1可向pc电脑端11和移动手机端10传输经脉诊系统诊断后的脉诊结果。
通过第一光电脉搏传感器2对手指端的容积脉搏波信号进行采集,通过第二光电脉搏传感器4对手腕部桡动脉的容积脉搏波信号进行采集,通过压力脉搏传感器5对手腕部的腕部桡动脉处的压力脉搏波信号;然后将采集到的手指端、手腕部桡动脉容积脉搏波信号以及手腕部的腕部桡动脉处的压力脉搏波信号通过通讯模块9上传到网络服务器1中,利用脉诊系统进行诊断;
所述的脉诊系统进行诊断的诊断方法是,包括以下几个步骤,
步骤1,分别采集腕部桡动脉处的压力脉搏波信号、容积脉搏波信号,以及指端的容积脉搏波信号,以获取丰富的心血管信息;
步骤2,根据采集得到的腕部桡动脉处的压力脉搏波信号、容积脉搏波信号,以及指端的容积脉搏波信号,通过基于特征融合的血压预测方法建立无创血压预测模型;
步骤3,建立脉象识别模型和心血管疾病识别模型;
步骤4,利用建立无创血压预测模型、脉象识别模型和心血管疾病识别对采集后采集得到的脉搏波信号进行诊断识别。
所述步骤2中通过基于特征融合的血压预测方法是,如图2所示,首先对腕部桡动脉处的压力脉搏波信号、容积脉搏波信号,以及指端的容积脉搏波信号的原始脉搏波信号依次进行进行滤波、去除基线漂移和单周期提取等预处理得到处理后的脉搏波信号;随后在特征工程中,提取得到预处理后的脉搏波信号的时域特征、压力脉搏波在不同等级压力下的幅度变化特征,以及容积脉搏波传导速度,并基于嵌入式特征选择法完成特征的筛选融合,得到用于血压预测的特征集;再基于随机森林回归算法对特征集进行训练,得到SBP(收缩压)和DBP(舒张压)预测模型。
所述的对腕部桡动脉处的压力脉搏波信号、容积脉搏波信号,以及指端的容积脉搏波信号的原始脉搏波信号依次进行进行滤波处理的方法是采用零相位滤波算法进行滤波,包括几个步骤,
步骤1,将原始脉搏波信号按顺序正向输入滤波器,得到一组输出脉搏波数据;
步骤2,将输出脉搏波数据按顺序首尾调换,即得到包含逆转后的数据的逆转数据组;
步骤3,将逆转后的数据输入滤波器,得到一组新脉搏波数据;
步骤3,将新脉搏波数据再次按顺序首尾调换进行逆转,即为最终的脉搏波信号。
所述的对滤波后的脉搏波信号进行去除基线漂移的方法是,首先定位脉搏波信号中各个周期的波谷点,随后使用波谷点拟合出基线,最后通过求取信号与基线的差值校正信号整体的波动;因为主波波峰点处于较明显的位置,因此首先定位波峰点,再通过向前寻找极小值点定位波谷点。
其中波峰点的定位是通过窗口切分法实现,窗口切分法包括以下几个步骤,
步骤1,将滤波后的脉搏波切分成n段窗口且长度为w的波形;
步骤2,寻找出每段窗口波形中的最大值点,并记录位置;
步骤3,从第一个窗口开始,将该窗口内的最大值与其相邻的左右10个窗口内的最大值比较,若该点为最大值,则将其标记为波峰点,然后滑动至下一个窗口,重复此步骤,直至最后一个窗口。
在此过程中w根据采样频率fs设定,w=fs/32,n=脉搏波总长/w,本文中脉诊手环的采样频率为4000Hz,单个周期脉搏波约占据2000~3000个采样点,因此设定w为150。与每次移动单个采样点的窗口滑动算法相比,本发明设计的窗口切分法在处理高采样频率的脉搏波信号时,具有更快的速度,同时能够根据采样频率的不同做出相应改变,优势明显。
如图10,可以看到对于不同脉搏波的波峰点均实现了精准定位。如图10所示为通过标记的波谷点拟合三次样条曲线,并去除了基线后的效果,可以看到各个脉搏波周期均被拉至同一水平线。
所述的对除基线漂移后脉搏波信号进行单周期提取的方法是,包括以下几个步骤,
步骤1,首先根据上一小节定位的脉搏波波谷点,切分出多个单周期波形;
步骤2,剔除异常单周期波形,这些异常波形可能是由于人体的运动导致的,主要为波形长度过长或过短、幅值过大的区间;
步骤3,计算各个单周期波形最大的长度,对低于该长度的值进行补零操作;
步骤4,计算所有周期同一个采样点的平均值,并去除末尾多余的均值为零的采样点,生成单周期波形。
因为脉搏波信号是一种准周期信号,由于每个单周期信号都可能会受到外部因素的影响导致存在细微的波形差异,因此为使提取出的单周期信号具有代表性,需要将所有提取的周期进行平均处理。
脉搏波时域特征提取
时域分析法是脉搏波信号分析中的重要方法之一,可以提取许多有具体生理意义、与血压关联较大的特征。时域特征分析方法主要有以下三种:
(1)特征点法:特征点法通过定位脉搏波曲线上主波、潮波、重搏波峰和降中峡等主要特征的位置,描述波形在时间上的变化;
(2)高斯函数法:高斯函数法将脉搏波拆分为多个具有不同长度、幅值和相位的钟形波,使用这些钟形波的参数描述波形变化;
(3)脉图面积法:该方法将脉搏波波形的变化反映在波形面积的改变上,使用波形特征量K描述波形的差异,其中
式中,Pm、Ps、Pd分别取单周期脉搏波的平均值、最大值和最小值(或血压值),Pm可由下式得到:
本发明使用特征点法和脉图面积法从脉搏波中提取了时域特征。如图4所示,从典型的单周期脉搏波中提取了7个主要特征点,分别为起始点(A)、主波波峰(B)、主波峡(C)、潮波(D)、降中峡(E)、重搏波(F)和终止点(G,)。如图3所示,最终提取了四类时域特征,共计26个。
对压力脉搏波H/P特征提取,
通过柯氏音法和示波法可以观察到,脉搏波的最大幅值在血管外部压力和内部血压的共同作用下表现出较明显且有规律的变化,根据该规律可以较准确地预测SBP和DBP。但是该方法需要完全阻断上肢的动脉血流,长期使用可能会导致静脉张裂,同时在采集测量时需缓慢减压,耗时较长。因此本发明通过结合设计的脉诊手环,提取可以保留两种方法所包含信息的特征,以降低对人体的伤害和缩短采集耗时,并提高血压预测准确度。根据两种方法的测量原理,可以看到在测量过程中有三处较为关键的脉搏波幅值:第一处是外部压力较高时的脉搏波幅值,此时脉搏波逐渐从无至有,该处压力与SBP有关;第二处是中等压力阶段,此时幅值处于最高值附近,与MBP有关;第三处是压力较低的阶段,脉搏波的幅值逐渐趋于平稳,此时压力与DBP有关。因此根据该现象,使用脉诊手环分别在高、中、低三种压力等级下采集了腕部压力脉搏波信号,获取了脉搏波的幅值,并将其作为预测血压的特征。使用这种方式无需完全阻断血流,并降低了采集耗时。
图11所示为在不同压力下的脉搏波幅值分布,可以看出三种压力下的脉搏波幅值整体上存在一定差异。但是由于不同人的皮肤、血管等硬度不同,以及在实际采集中加压压力存在一定的误差,使得在相同加压等级和血压作用下采集得到的脉搏波幅值仍会存在较大差异,因此需要将脉搏波幅值与实际压力两个参数进行融合。本发明采用比值的方式融合压力值P与幅值H,获得低压等级下H1/P1、中压等级下H2/P2和高压等级下H3/P3三个特征。
本发明对容积脉搏波传播速度PWV特征提取的方法是,本发明是使用腕部光电传感器和指端光电传感器测量容积脉搏波在局部动脉中的传播速度,其中PWV需通过PTT确定,本发明采用两路容积脉搏波信号中的典型标志点(如起始点、波峰点)计算手部动脉中的PTT值。具体过程如下
(1)在获取脉搏波信号中波峰点的基础上,分别记录下腕部容积脉搏波中每个周期的波峰点位置,以及指端容积脉搏波对应周期中的波峰点位置;
(2)计算每个周期中,两路信号波峰点之间的采样点数n,并根据采样频率fs得出时间差t=n/fs;
(3)求取两路信号中各个周期时间差的平均值,最终获得PTT值,并根据两个传感器间的距离L计算得出PWV值。
图中12和图13展示了SBP、DBP与PWV值之间的统计关系。经过线性拟合后,从图中可以看到随着血压的上升,脉搏波波速整体上也随之上升,这说明所提取的容积脉搏波PWV与血压存在一定联系,因此可以将其作为预测血压的一个重要特征。
基于嵌入式特征选择法完成特征的筛选融合是对基于特征重要性分析的脉搏波特征融合,
本发明分别从腕部压力脉搏波、腕部容积脉搏波和指端容积脉搏波中各提取了26个时域特征,通过加压获取了3个在不同取脉压力等级下的H/P特征,通过两路容积脉搏波获取了手部微小动脉的PWV特征,共计82维特征。由于在机器学习时特征参数过多会造成在高维度空间内可使用数据变得稀疏,形成维度灾难,使得算法的数据组织效率降低,因此需要进行特征融合实现维度的降低,提高血压预测模型的性能。
特征融合的优点在于可以从原始特征集中筛选出最具差异性的信息,并消除相关特征之间产生的冗余信息,提高后续决策的准确性。特征融合的方法主要有特征选择和特征抽取两类,
基于特征选择的方法是通过某种方法对特征集进行筛选,去除作用较小的特征基于特征抽取的方法是将特征集组合成一组特征向量,并将其输入至特征提取器再次提取特征,实现特征集的融合。由于本发明所提取的特征中有较多参数与血压之间存在较强的联系,而基于特征抽取的方法可能会破坏已有的联系,因此选用基于特征选择的方法完成特征融合,
特征选择方法根据其形式可以分为以下三类:
(1)过滤法:该方法通过对特征参数进行统计分析,剔除其中发散性较低或与目标对象相关性较低的特征,也可以通过设定阈值的方式对参数进行过滤,主要工具有方差选择法、最大信息系数、皮尔森相关系数等;
(2)包装法:结合后续的学习模型,对原始特征集的所有子集进行遍历,最后选取测试集误差最小的特征子集作为最终输入模型的特征集;
(3)嵌入法:使用机器学习模型,得出原始特征集中各个特征在模型中实际预测时所占据的权值,从中去除作用较小的特征,获得最终的特征集。
本发明选用嵌入法进行特征选择,基于随机森林回归模型对82维特征的重要性进行了分析,并完成了筛选。该方法能够将各特征变量进行结合分析,与过滤法相比,避免了单变量独立分析时依然保留多个具有相关性冗余特征的缺点,与包装法相比,大大提高了特征选择的速度。
如图5所示,所述步骤3中脉象识别模型的建立方法是,分别获得压力脉搏波信号、容积脉搏波信号的单周期波形;并对单周期波形的长度作规正化处理,获得具有相同长度的脉象时间序列;然后将数据集分为训练集、验证集和测试集,对训练集和验证集进行时序卷积网络计算,并进行验证和超参数调整,最终得到脉象识别模型;然后将测试集导入到脉象识别模型进行识别验证,得到脉象诊断识别的预测结果。
所述的对单周期波形的长度作规正化处理的方法是,
(1)设定统一的脉象序列长度,使其至少可容纳一个单周期脉搏波;
(2)使用同一样本分割得到的单周期脉搏波补充在序列末尾,直至达到设定的序列长度。
所述的时序卷积网络是由多个残差块串联组成,残差块的结构示意图如图6所示
在每个残差块中首先进行膨胀因果卷积,再进行权重归一化后使用了线性整流函数作为激活函数,再进行了正则化处理,以防止过拟合。
本发明通过在时序卷积网络网络建立脉象识别模型的方法,能够从脉象时间序列中提取出具有显著差异性的特征,较好地保留了脉象信号中的形态信息。在时序卷积网络中特征自学习的过程中,网络在膨胀因果卷积的作用下,在有限的层次中扩大了对脉象时间序列的感受野,更好地抓取了脉象信号的细节信息和形态变化特征,从而使脉象信号识别模型获得了良好的分类性能。本章所提出的脉象识别方法拥有较高的准确率,可以为人体心血管系统健康状态的诊断提供参考。
所述步骤3中心血管疾病识别模型的建立方法是,建立指端微循环的容积脉搏血流模型;将腕部压力脉搏波和指端容积脉搏波分别作为容积脉搏血流模型的实际输入和期望输出,然后运用黏菌优化算法降低模型参数的不确定性,估计得得到容积脉搏血流模型的最终参数,然后基于机器学习算法建立心血管疾病的识别模型,以此判断心血管的健康状态。
因为由脉搏传感器采集得到的信号可以用来近似代表血管内压力、容积等参数随时间变化的脉搏信号,但这些信号是以电压量变化表示的,其幅值不具有具体的生理意义。因此需要对这些曲线进行标定后,才能被使用于心血管仿真模型的参数估计中,
使用电网络建立了微循环弹性腔的容积脉搏血流模型,
电感L表示血液在微循环中流动变化的难易程度,代表血液在微小动脉中的流动惯性;电容C表示微循环内血管总体积随血液压力P的变化率,代表了微循环的总体顺应性;电阻R表示血液在循环中流动时受到的全部阻力。
根据该模型,可建立如下数学表达式:
整理得模型方程为:
为获得模型的参数值,应用黏菌优化算法在设定的参数范围内求解最佳R、L、C值。黏菌优化算法是一种通过模拟黏菌在觅食过程中的行为和形态变化获取最佳参数值的新型群智能算法,具有收敛速度快、寻优能力强的特点。其寻找R、L、C值位置的具体步骤如下:(1)设定种群的初始值;(2)计算当前的适应度值,并进行排序;(3)对种群的位置进行更新;(4)再次计算适应度值,并更新种群中的最优位置;(5)对寻优过程结束条件进行判断,若未达到则再次执行步骤(2)~(5)。位置更新的公式如下:
式中,和分别为搜索范围的上边界和下边界,t为当前迭代,为模拟黏菌觅食过程中当前气味浓度最高的位置,的范围为[-a,a], 为随机选择的两个位置,W表示位置的权重,从1线性减少至0。此外,参数p的表达式如下:
p=tanh|S(i)-DF|
式中,maxT为最大迭代次数,W的公式如下:
式中,r为[0,1]内的随机值,bF、wF分别为当前迭代过程中的最佳适应度和最差适应度,condition为S(i)在排序中前50%的种群。
参考已有的研究设定模型的R、L、C参数边界范围分别为[0.3,3.0]、[0.00001,0.4]、[0.00001,0.6],并将标定后的腕部压力脉搏波作为模型输入,指端容积脉搏波作为期望输出。在参数优化过程中,若模型输出的仿真容积脉搏波与原始容积脉搏波之间的误差值大于阈值,且尚未达到最大迭代次数,则继续更新参数位置。
本发明使用随机森林分类算法(Random Forest,RF)建立心血管疾病的识别模型,其中与传统的随机森林分类算法的分类算法与回归算法的结构基本一致,两者之间的差异在于:
(1)在决策树的节点切分时使用Gini不纯度函数来衡量,
pmk为当前节点训练样本中目标变量取值出现的概率,当节点处样本类别越明确时,不纯度越低;
(2)使用投票法确定最终分类结果,依据每棵决策树的分类结果,取其众数作为最终分类结果。
所述压力脉搏传感器通过步进电机对人体进行施压且其试压方法为,包括以下几个步骤,
步骤1:对压力传感器进行标定,通过仿真皮肤模拟步进电机按压在手腕处的状态,进行数据的采样,得到多组压力传感器输出增量V的数据、以及测得的压力值P数据;对压力传感器输出增量V与压力值P进行二次多项式拟合,得到拟合压力传感器输出增量V与压力值P的关系式;
步骤2:通过实验得到了作用在仿真皮肤和人体手腕处皮肤上的电机步进数N位移与传感器输出增量V的关系,通过多项式拟合,得N与V的关系;所述的步骤2中得N与V的关系用下式描述:
N=AV2+BV,其中A、B为变量。
步骤3:对步进电机进行策略控制,得到电机步进数ΔN与传感器输出增量ΔV。
步骤4:利用ΔN和ΔV拟合得到N-V曲线,从而获得N与V的关系式。
所述的步骤1求得压力传感器输出增量V与压力值P的关系式方法是,将得到多组压力传感器输出增量V的数据、以及测得的压力值P数据进行拟合,以压力传感器输出增量V为横坐标,压力值P为纵坐标,设定截距为0,计算得到可决系数R2>0.95,为高度拟合,则压力传感器输出增量V与压力值P的关系式为:
P=0.0005V2+0.0719V。
所述对步进电机进行策略控制方法是,进行若干次等位移间隔加压,并记录传感器输出值,步进电机通过等间隔步进ΔN,加压获取若干个传感器输出值V1,V2,V3,…,Vn;
相邻两行两两相减后,可得:
将A、B作为变量,则可将上式改写为一元线性模型:
最终计算可得:
并将其代入到N=AV2+BV获得N与V的关系式。
因为不同人,由于手腕处的柔软程度不同,相应的位移与压力关系也不同,压力脉搏传感器每次上电后在零压力状态下的输出值存在一定程度的漂移,因此采用传感器输出增量进行标定。本发明通过对基于柔顺控制的自动加压方式来进行加压对传感器输出增量进行标定,从而有效消除了压力脉搏传感器每次上电后在零压力状态下的输出值存在一定程度的漂移现象,使得更贴近实际的检测值。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多脉搏传感器的穿戴式脉诊手环系统,其特征在于,包括安装有脉诊系统的网络服务器(1),带有第一光电脉搏传感器(2)的且夹持在手指端部的检测指夹(3),带有第二光电脉搏传感器(4)、压力脉搏传感器(5)的且佩戴在手腕部的检测手环(6);所述检测手环(6)内设有微型处理模块(7),且第一光电脉搏传感器(2)、第二光电脉搏传感器(4)和压力脉搏传感器(5)通过采集电路模块(8)与微型处理模块(7)电连接,所述微型处理模块(7)通过通讯模块(9)与网络服务器(1)通讯连接;
通过第一光电脉搏传感器(2)对手指端的容积脉搏波信号进行采集,通过第二光电脉搏传感器(4)对手腕部桡动脉的容积脉搏波信号进行采集,通过压力脉搏传感器(5)对手腕部的腕部桡动脉处的压力脉搏波信号;然后将采集到的手指端、手腕部桡动脉容积脉搏波信号以及手腕部的腕部桡动脉处的压力脉搏波信号通过通讯模块(9)上传到网络服务器(1)中,利用脉诊系统进行诊断。
2.根据权利要求1所述的基于多脉搏传感器的穿戴式脉诊手环系统,其特征在于,所述的脉诊系统进行诊断的诊断方法是,包括以下几个步骤,
步骤1,利用检测手环采集腕部桡动脉处的压力脉搏波信号、容积脉搏波信号,利用检测指夹采集指端的容积脉搏波信号,以获取丰富的心血管信息;
步骤2,根据采集得到的腕部桡动脉处的压力脉搏波信号、容积脉搏波信号,以及指端的容积脉搏波信号,通过基于特征融合的血压预测方法建立无创血压预测模型;
步骤3,建立脉象识别模型和心血管疾病识别模型;
步骤4,利用建立无创血压预测模型、脉象识别模型和心血管疾病识别对采集后采集得到的脉搏波信号进行诊断识别。
3.根据权利要求2所述的基于多脉搏传感器的穿戴式脉诊手环系统,其特征在于,所述步骤2中通过基于特征融合的血压预测方法是,首先对腕部桡动脉处的压力脉搏波信号、容积脉搏波信号,以及指端的容积脉搏波信号的原始脉搏波信号依次进行进行滤波、去除基线漂移和单周期提取等预处理得到处理后的脉搏波信号;随后在特征工程中,提取得到预处理后的脉搏波信号的时域特征、以及压力脉搏波在不同等级压力下的幅度变化特征,以及容积脉搏波传导速度,并基于嵌入式特征选择法完成特征的筛选融合,得到用于血压预测的特征集;再基于随机森林回归算法对特征集进行训练,得到SBP 和 DBP 预测模型。
4.根据权利要求3所述的基于多脉搏传感器的穿戴式脉诊手环系统,其特征在于,所述的对腕部桡动脉处的压力脉搏波信号、容积脉搏波信号,以及指端的容积脉搏波信号的原始脉搏波信号依次进行进行滤波处理的方法是采用零相位滤波算法进行滤波,包括几个步骤,
步骤1,将原始脉搏波信号按顺序正向输入滤波器,得到一组输出脉搏波数据;
步骤2,将输出脉搏波数据按顺序首尾调换,即得到包含逆转后的数据的逆转数据组;
步骤3,将逆转后的数据输入滤波器,得到一组新脉搏波数据;
步骤4,将新脉搏波数据再次按顺序首尾调换进行逆转,即为最终的脉搏波信号。
5.根据权利要求2所述的基于多脉搏传感器的穿戴式脉诊手环系统,其特征在于,所述步骤3中脉象识别模型的建立方法是,分别获得压力脉搏波信号、容积脉搏波信号的单周期波形;并对单周期波形的长度作规正化处理,获得具有相同长度的脉象时间序列;然后将数据集分为训练集、验证集和测试集,对训练集和验证集进行时序卷积网络计算,并进行验证和超参数调整,最终得到脉象识别模型;然后将测试集导入到脉象识别模型进行识别验证,得到脉象诊断识别的预测结果。
6.根据权利要求2所述的基于多脉搏传感器的穿戴式脉诊手环系统,其特征在于,所述步骤3中心血管疾病识别模型的建立方法是,建立指端微循环的容积脉搏血流模型;将腕部压力脉搏波和指端容积脉搏波分别作为容积脉搏血流模型的实际输入和期望输出,然后运用黏菌优化算法降低模型参数的不确定性,估计得得到容积脉搏血流模型的最终参数,实现了微循环生理状态信息的提取,然后基于机器学习算法建立心血管疾病的识别模型,以此判断心血管的健康状态。
7.根据权利要求1所述的基于多脉搏传感器的穿戴式脉诊手环系统,其特征在于,所述压力脉搏传感器通过步进电机对人体进行施压且其试压方法为,包括以下几个步骤,
步骤1:对压力传感器进行标定,通过仿真皮肤模拟步进电机按压在手腕处的状态,进行数据的采样,得到多组压力传感器输出增量V的数据、以及测得的压力值P数据;对压力传感器输出增量V与压力值P进行二次多项式拟合,得到拟合压力传感器输出增量V与压力值P的关系式;
步骤2:通过实验得到了作用在仿真皮肤和人体手腕处皮肤上的电机步进数 N位移与传感器输出增量 V 的关系,通过多项式拟合,得 N 与 V 的关系;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111047712.5A CN113729648B (zh) | 2021-09-08 | 2021-09-08 | 一种基于多脉搏传感器的穿戴式脉诊手环系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111047712.5A CN113729648B (zh) | 2021-09-08 | 2021-09-08 | 一种基于多脉搏传感器的穿戴式脉诊手环系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113729648A true CN113729648A (zh) | 2021-12-03 |
CN113729648B CN113729648B (zh) | 2022-09-20 |
Family
ID=78736840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111047712.5A Active CN113729648B (zh) | 2021-09-08 | 2021-09-08 | 一种基于多脉搏传感器的穿戴式脉诊手环系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113729648B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114515147A (zh) * | 2021-12-20 | 2022-05-20 | 之江实验室 | 一种基于bcg信号与ppg信号融合的生理监测系统 |
CN115868944A (zh) * | 2022-09-23 | 2023-03-31 | 广东省新黄埔中医药联合创新研究院 | 寸关尺三部压力传感阵列测脉搏包络识别缓脉特征的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101088455A (zh) * | 2006-06-16 | 2007-12-19 | 香港中文大学 | 对无袖带式动脉血压测量装置进行校准的方法 |
CN101288587A (zh) * | 2008-04-17 | 2008-10-22 | 天津同阳科技发展有限公司 | 腕带式人体血压无创连续检测装置 |
JP2008295517A (ja) * | 2007-05-29 | 2008-12-11 | National Research Inst Of Chinese Medicine | 漢方医における脈診の分析システムと方法 |
CN105997018A (zh) * | 2016-04-27 | 2016-10-12 | 京东方科技集团股份有限公司 | 诊脉装置及可穿戴电子设备 |
CN106943125A (zh) * | 2017-03-16 | 2017-07-14 | 盐城师范学院 | 一种基于脉搏波的智能诊断系统及其实现方法 |
CN108926330A (zh) * | 2018-08-10 | 2018-12-04 | 沈阳星泽健康科技有限公司 | 一种基于腕带充气式压力传感器的智能中医脉诊分析系统 |
CN109077707A (zh) * | 2018-08-06 | 2018-12-25 | 安徽澄小光智能科技有限公司 | 一种监测生命体征的装置及穿戴设备 |
-
2021
- 2021-09-08 CN CN202111047712.5A patent/CN113729648B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101088455A (zh) * | 2006-06-16 | 2007-12-19 | 香港中文大学 | 对无袖带式动脉血压测量装置进行校准的方法 |
JP2008295517A (ja) * | 2007-05-29 | 2008-12-11 | National Research Inst Of Chinese Medicine | 漢方医における脈診の分析システムと方法 |
CN101288587A (zh) * | 2008-04-17 | 2008-10-22 | 天津同阳科技发展有限公司 | 腕带式人体血压无创连续检测装置 |
CN105997018A (zh) * | 2016-04-27 | 2016-10-12 | 京东方科技集团股份有限公司 | 诊脉装置及可穿戴电子设备 |
CN106943125A (zh) * | 2017-03-16 | 2017-07-14 | 盐城师范学院 | 一种基于脉搏波的智能诊断系统及其实现方法 |
CN109077707A (zh) * | 2018-08-06 | 2018-12-25 | 安徽澄小光智能科技有限公司 | 一种监测生命体征的装置及穿戴设备 |
CN108926330A (zh) * | 2018-08-10 | 2018-12-04 | 沈阳星泽健康科技有限公司 | 一种基于腕带充气式压力传感器的智能中医脉诊分析系统 |
Non-Patent Citations (2)
Title |
---|
张等: "基于脉搏波速法的动态血压测量系统设计", 《电子科技》 * |
殷广亮等: "适合连续血压测量的脉搏波分析方法的研究", 《微型机与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114515147A (zh) * | 2021-12-20 | 2022-05-20 | 之江实验室 | 一种基于bcg信号与ppg信号融合的生理监测系统 |
CN114515147B (zh) * | 2021-12-20 | 2023-10-03 | 之江实验室 | 一种基于bcg信号与ppg信号融合的生理监测系统 |
CN115868944A (zh) * | 2022-09-23 | 2023-03-31 | 广东省新黄埔中医药联合创新研究院 | 寸关尺三部压力传感阵列测脉搏包络识别缓脉特征的方法 |
CN115868944B (zh) * | 2022-09-23 | 2023-09-08 | 广东省新黄埔中医药联合创新研究院 | 寸关尺三部压力传感阵列测脉搏包络识别缓脉特征的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113729648B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108498089B (zh) | 一种基于深度神经网络的无创连续血压测量方法 | |
CN107822608B (zh) | 基于高斯混合模型的脉搏波特征提取方法 | |
CN109965862B (zh) | 一种无袖带式长时连续血压无创监测模型的构建方法 | |
Shimazaki et al. | Cuffless blood pressure estimation from only the waveform of photoplethysmography using CNN | |
CN109833035B (zh) | 脉搏波血压测量装置的分类预测数据处理方法 | |
CN113729648B (zh) | 一种基于多脉搏传感器的穿戴式脉诊手环系统 | |
CN106821356A (zh) | 基于Elman神经网络的云端连续血压测量方法及系统 | |
CN111631698A (zh) | 基于运动模式级联约束的可穿戴血压监测及修正方法 | |
CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
Roy et al. | Photoplethysmogram signal quality evaluation by unsupervised learning approach | |
CN113598737A (zh) | 一种基于特征融合的血压预测方法 | |
CN107106016A (zh) | 基于生理数据预测患者的连续心输出量(cco)的方法和系统 | |
CN112089405A (zh) | 一种脉搏波特征参数测量及显示装置 | |
CN110558960A (zh) | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 | |
CN111466899A (zh) | 一种基于mpga-miv-bp模型簇的连续血压无创监测方法 | |
Zhang et al. | A hybrid model for blood pressure prediction from a PPG signal based on MIV and GA-BP neural network | |
KR102469495B1 (ko) | 심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법 | |
Pan et al. | Improved blood pressure estimation using photoplethysmography based on ensemble method | |
CN113539522A (zh) | 一种基于单路心冲击信号的连续血压监测方法 | |
CN109036552A (zh) | 中医诊断终端及其存储介质 | |
CN111067500A (zh) | 一种基于ppg信号实现连续血压的监测系统 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
Ma et al. | PPG-based continuous BP waveform estimation using polarized attention-guided conditional adversarial learning model | |
CN115836847A (zh) | 一种血压预测装置及设备 | |
CN115089145A (zh) | 基于多尺度残差网络和ppg信号的智能血压预测方法 |
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 |