CN113940646B - 一种基于因果关系的无袖带连续血压监测系统 - Google Patents

一种基于因果关系的无袖带连续血压监测系统 Download PDF

Info

Publication number
CN113940646B
CN113940646B CN202111259638.3A CN202111259638A CN113940646B CN 113940646 B CN113940646 B CN 113940646B CN 202111259638 A CN202111259638 A CN 202111259638A CN 113940646 B CN113940646 B CN 113940646B
Authority
CN
China
Prior art keywords
ppg
signal
feature
blood pressure
period
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
Application number
CN202111259638.3A
Other languages
English (en)
Other versions
CN113940646A (zh
Inventor
丁晓蓉
刘磊
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111259638.3A priority Critical patent/CN113940646B/zh
Publication of CN113940646A publication Critical patent/CN113940646A/zh
Application granted granted Critical
Publication of CN113940646B publication Critical patent/CN113940646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/02116—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave amplitude
    • 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
    • A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/33—Heart-related electrical modalities, e.g. electrocardiography [ECG] specially adapted for cooperation with other devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/332—Portable devices specially adapted therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

该发明公开了一种基于因果关系的无袖带连续血压监测系统，涉及血压监测系统领域，尤其涉及无袖带连续血压监测系统。本发明测量人体的ECG和PPG信号，从ECG和PPG信号中提取与血压具有强相关性的特征，并分析这些特征与血压间的因果关系，利用因果关系及因果关系的强弱完成对众多特征的筛选，从而利用这些特征完成对血压的估测。摒弃了众多特征与血压间繁杂的相关关系，从因果关系的角度独辟蹊径。本发明可以实现被测者实时的无袖带连续血压监测，本发明所设计的系统可拓展性强、精度高、操作方便、易于携带。可拓展性强是指，可以对任何与血压有关的特征进行因果推断，利用因果推断筛选的特征可以用于大部分的血压估计模型。

Description

一种基于因果关系的无袖带连续血压监测系统
技术领域
本发明涉及血压监测系统领域，尤其涉及无袖带连续血压监测系统。
背景技术
血压是反映人体心血管系统功能的重要生理参数之一，对血压进行定期地监测对于心血管疾病的早期发现、预防和治疗至关重要。传统的血压测量技术要么是侵入性的(如动脉穿刺置管式血压测量)，要么是基于充气式袖带(如基于听诊及示波法的血压测量)，这对于血压的连续实时监测是不切实际的。此外，侵入性的血压测量有创，甚至会带来感染；而基于袖带的测量方法每次只能获取血压的一个快照，且袖带的充放气会给被检测者带来不适。
连续实时地血压监测对人体健康监测和心血管疾病的临床诊断以及治疗具有重要意义，在过去的几十年里，研究者们尝试使用photoplethysmogram(PPG)和electrocardiogram(ECG)信号来间接地对血压进行连续估测，即利用脉搏波传播时间等特征来对血压进行估计，如[1]Ding X R,Zhao N,Yang G Z,et al.Continuous BloodPressure Measurement From Invasive to Unobtrusive:Celebration of 200th BirthAnniversary of Carl Ludwig[J].IEEE Journal of Biomedical&Health Informatics,2016:1-1；[2]Ding X,Zhang Y T.Pulse transit time technique for cufflessunobtrusive blood pressure measurement:from theory to algorithm[J].BiomedicalEngineering Letters,2019。机器学习(machine learning,ML)和深度学习(deeplearningDL)技术的快速发展也给无袖带连续血压的监测带来了一些新的思路，基于ML和DL的连续血压估计的步骤大都是先对PPG和ECG信号进行特征提取，然后进行时序的预测，如[3]El-Hajj C,Kyriacou P A.A review of machine learning techniques inphotoplethysmography for the non-invasive cuff-less measurement of bloodpressure[J].Biomedical Signal Processing and Control,2020,58:101870-；[4]El-Hajj C,Kyriacou P A.Deep learning models for cuffless blood pressuremonitoring from PPG signals using attention mechanism[J].BiomedicalSignalProcessing and Control,2021,65(9455):102301；[5]Sharifi I,Goudarzi S,Khodabakhshi M B.A novel dynamical approach in continuous cuffless bloodpressure estimation based on ECG and PPG signals[J].Artificial Intelligencein Medicine,2019,97(JUN.):143-151。
目前无袖带血压连续监测的这些方法，往往是从和血压具有较强相关性的特征入手，忽略了它们和血压之间的因果关系。与因果关系相比，相关性分析得到的结论有时是不可靠的，如[6]Hadlock C R.Causality:Models,Reasoning,and Inference:Judea Pearl[J].Publications of the American Statistical Association,2005,100(September):1095-1096；[7]Malinas G,Sugden S.Simpson's Paradox[J].Stanford Encyclopedia ofPhilosophy,2004,84(2):265-283。另一方面，相关性还很难在给定的特殊情况下提供决策支持和干预手段，如高血压的预防与治疗。因此无袖带连续血压的估计监测问题中因果关系的挖掘是十分重要的，然而目前这方面的研究还十分薄弱，本专利提出了一个基于因果关系发现的无袖带连续血压监测系统。
发明内容
本发明提供了一种基于因果关系发现的无袖带连续血压监测系统，考虑了从可穿戴设备中获取的于心血管活动相关的信号，如PPG(血管容积信号)、ECG(心电信号)中提取的特征与血压间的因果关系，基于因果关系对血压的估计，而不仅仅是单纯的相关性。
本发明技术方案为一种基于因果关系的无袖带连续血压监测系统，该系统包括：信号采集及预处理单元、特征提取单元、血压估计单元；
所述信号采集及预处理单元首先采集目标的血管容积信号(PPG)和心电信号(ECG)，并对采集到血管容积信号和心电信号进行预处理；将预处理后的血管容积信号和心电信号传输给特征提取单元；
所述特征提取单元对收到的血管容积信号和心电信号进行特征提取，并将提取到的特征传输给血压估计单元；提取的特征包括：
特征1：PPG信号的一个周期内，信号幅度为PPG peak幅度50％的两个点间的时间差；
特征2：PPG信号的一个周期内，dPPG_peak和dPPG_valley所对应在PPG信号上的两点间的时间差；
特征3：PPG信号的一个周期内，信号幅度为PPG peak幅度60％的两个点间的时间差；
特征4：PPG信号的一个周期内，sdPPG_d所对应在血管容积信号上的点和PPG_valley间的幅度差；
特征5：(c+d-b)/a；
特征6：PPG信号的一个周期内，dPPG_peak和sdPPG_b所对应在PPG信号上的两点间的幅度差；
特征7：PPG信号的一个周期内，sdPPG_b信号所对应在PPG信号上的点的幅度值；
特征8：(b-c-d)/a；
其中，PPG peak表示PPG信号的波峰，dPPG_peak表示dPPG信号的波峰，dPPG信号表示PPG信号的一阶导数，dPPG_valley表示dPPG信号的波谷，sdPPG表示PPG信号的二阶导数；a表示sdPPG一个周期内的第一个波峰幅度值，b表示sdPPG一个周期内的第一个波谷幅度值，c表示sdPPG一个周期内的第二个波峰幅度值、d表示sdPPG一个周期内的第二个波谷幅度值；
所述血压估计单元采用估计模型，利用特征1、特征2、特征3、特征4，特征5估计出收缩压，利用特征4、特征5、特征6、特征7、特征8，估计出舒张压。
进一步的，所述特征提取单元提取的特征还包括：
特征9：PPG信号一个周期内，对应的ECG信号的R波尖峰与PPG信号上升沿梯度最大值两点间的时间差；；
特征10：PPG信号一个周期内，对应的ECG信号R波尖峰与其相邻的下一个PPG信号一个周期内对应的ECG信号R波尖峰的时间差；
特征11：PPG信号一个周期内，曲线与y＝ppg_valley间围成的面积；
特征12：在收缩期，PPG信号的曲线与y＝ppg_valley间围成的面积；
特征13：PPG信号一个周期内，对应的ECG信号的R波尖峰与PPG信号峰值两点间的时间差；
并将这些特征同时加入到收缩压和舒张压的估计中。
进一步的，在信号采集及预处理单元和特征提取单元之间添加一个特征选取模块；该特征选取选取模块从特征池中选择1个或多个相应的特征进行收缩压或舒张压的估计；
所述特征选取模块的选取方法为：
步骤1：根据不同的人群分别建立特征池中所有特征与收缩压和舒张压之间的因果关系网，相邻的因果关系采用相连的边代替，得到收缩压因果关系网和舒张压因果关系网，对两幅关系网分别进行如下操作；
步骤2：关系网中如果特征X、Y、Z满足X⊥Y|Z，即在给定特征Z的条件下，特征X与Y相互独立，则删掉X与Y之间相连的边，得到初始关系网；当某一特征与其他特征所连的边，都被删掉之后，该特征被剔除；
步骤3：识别出初始关系网中的汇联结构，特征X与Y相互独立，但在给定变量Z的条件时，X与Y不独立，则X-Z-Y为汇联结构，Z称为汇联节点，得到汇联结构关系网。
步骤4：识别出汇联结构关系网中可能的D-分离集合(Possible D-Separationset,pds set)；可能的D-分离集合定义如下:
设汇联结构关系网C中的可能D-分离集合，简写为pds(C,Xi，Xj)，Xk∈pds(C，Xi，Xj)，当且仅当Xi和Xk间存在一条路π，对于π的任一子路＜Xm，Xl，Xh＞，X l 是该子路的汇联节点，或Xm，Xl，Xh三点可构成一个三角形，Xi，Xj，Xk，Xm，Xl，Xh均表示汇联结构关系网C中的一个节点；
步骤5：在可能的D-分离集合中，再次采用步骤2的方法进行删边处理，得到最终关系网；
步骤6：对最终关系网中每条边进行方向标定；
步骤7：利用步骤6得到的带方向的关系网再次分别对收缩压(SBP)、舒张压(DBP)的相应特征进行筛选，选取与收缩压及舒张压具有因果关系的特征。
本发明有益效果：
1.本发明测量人体的ECG和PPG信号，从ECG和PPG信号中提取与血压具有强相关性的特征，并分析这些特征与血压间的因果关系，利用因果关系及因果关系的强弱完成对众多特征的筛选，从而利用这些特征完成对血压的估测。摒弃了众多特征与血压间繁杂的相关关系，从因果关系的角度独辟蹊径。
2.本发明可以实现被测者实时的无袖带连续血压监测，本发明所设计的系统可拓展性强、精度高、操作方便、易于携带。可拓展性强是指，可以对任何与血压有关的特征进行因果推断，利用因果推断筛选的特征可以用于大部分的血压估计模型。
附图说明
图1为基于因果关系发现的无袖带连续血压监测系统的流程示意图。
图2为利用FCI算法进行因果推断的流程示意图。
图3为利用FCI算法得到的SBP、DBP的因果网络图。
图3中半脉宽表示：PPG信号的一个周期内，信号幅度为PPG peak幅度50％的两个点间的时间差；
脉搏波一阶导最大值对应的脉宽表示：PPG信号的一个周期内，dPPG_peak和dPPG_valley所对应在PPG信号上的两点间的时间差；
60％脉搏波幅值对应的脉宽表示：PPG信号的一个周期内，信号幅度为PPG peak幅度60％的两个点间的时间差；
脉搏波波谷与二阶脉搏波d特征点间幅值表示：PPG信号的一个周期内，sdPPG_d所对应在PPG信号上的点和PPG_valley间的幅度差；
脉搏波二阶导特征比值1表示：(c+d-b)/a，其中a、b、c、d的含义为图4中的脉搏波波形二阶导的特征点a、b、c、d；
脉搏波一阶导最大值与二阶导特征点b间幅值表示：PPG信号的一个周期内，dPPG_peak和dPPG_b所对应在PPG信号上的两点间的幅度差；
脉搏波二阶导b特征点对应脉搏强度表示：PPG信号的一个周期内，sdPPG_b信号所对应在PPG信号上的点的幅度值；
心电R波峰值与脉搏波最大上升沿间时间差表示：ECG信号的R波尖峰与PPG信号上升沿梯度最大值两点间的时间差；
心率间隔表示：连续两个心动周期对应的心跳间隔；
脉搏波周期面积表示：PPG信号一个周期内，曲线与y＝ppg_valley间围成的面积；
收缩期面积表示：在收缩期，PPG信号的曲线与y＝ppg_valley间围成的面积；
心电R波峰值与脉搏波峰值间时间差表示：ECG信号的R波尖峰与PPG信号峰值两点间的时间差。
脉搏波二阶导特征比值2表示：(b-c-d)/a，其中a、b、c、d的含义为图4中的脉搏波波形二阶导的特征点a、b、c、d；
脉搏波波谷与二阶脉搏波b特征点间幅值表示：PPG信号的一个周期内，sdPPG_b所对应在PPG信号上的点和PPG_valley间的幅度差。
图4为对本文中提到的特征进行说明的示意图；
图4中4条曲线分别为PPG、ECG、dPPG、sdPPG信号，横轴为时间，纵轴为相应信号的幅度，其中dPPG表示PPG信号的一阶导数，sdPPG信号表示PPG信号的二阶导数。R_peak表示ECG的R波峰，PPG信号的波峰表示为PPG_peak、波谷表示为PPG_valley；在dPPG信号中，dPPG信号的波峰表示为dPPG_peak、波谷表示为dPPG_valley；在sdPPG信号中，sdPPG信号每个周期内的几个特殊点，即sdPPG_a、sdPPG_b、sdPPG_c、sdPPG_d、sdPPG_e、sdPPG_f。
具体实施方式
为达到上述目的，本发明采用可穿戴电、光传感测量人体有关心脏及动脉活动信息，得到心电、光电容积脉搏波信号，测量所述信号中有关血压变化的特征参数；根据所述特征参数以及当前的血压参考值，采用因果推断方法识别与血压具有因果关系的特征，并采用因果特征及血压估测模型，计算每一拍脉搏波动的血压值。
所述心脏及动脉搏动测量部位为桡动脉、颈动脉或颞浅动脉；
所述信号中提取的特征参数包括PPG信号的一个周期内，信号幅度为PPG peak幅度50％的两个点间的时间差；
所述信号中提取的特征参数包括PPG信号的一个周期内，dPPG_peak和dPPG_valley所对应在PPG信号上的两点间的时间差；
所述信号中提取的特征参数包括PPG信号的一个周期内，信号幅度为PPG peak幅度60％的两个点间的时间差；
所述信号中提取的特征参数包括PPG信号的一个周期内，sdPPG_d所对应在PPG信号上的点和PPG_valley间的幅度差；
所述信号中提取的特征参数包括(c+d-b)/a，其中a、b、c、d的含义即上文提到的sdPPG_a、sdPPG_b、sdPPG_c、sdPPG_d、sdPPG_e；
所述信号中提取的特征参数包括PPG信号的一个周期内，dPPG_peak和sdPPG_b所对应在PPG信号上的两点间的幅度差；
所述信号中提取的特征参数包括PPG信号的一个周期内，sdPPG_b信号所对应在PPG信号上的点的幅度值；
所述信号中提取的特征参数包括(b-c-d)/a，其中a、b、c、d的含义即上文提到的sdPPG_a、sdPPG_b、sdPPG_c、sdPPG_d、sdPPG_e；
所述信号中提取的特征参数包括PPG信号一个周期内，对应的ECG信号的R波尖峰与PPG信号上升沿梯度最大值两点间的时间差；
所述信号中提取的特征参数包括PPG信号一个周期内，对应的ECG信号R波尖峰与其相邻的下一个PPG信号一个周期内对应的ECG信号R波尖峰的时间差；
所述信号中提取的特征参数包括PPG信号一个周期内，曲线与y＝ppg_valley间围成的面积；
所述信号中提取的特征参数包括在收缩期，PPG信号的曲线与y＝ppg_valley间围成的面积；
所述信号中提取的特征参数包括PPG信号一个周期内，对应的ECG信号的R波尖峰与PPG信号峰值两点间的时间差；
所述基于因果推断的无袖带连续血压测量方法具体包括一下步骤：
步骤一，选择受检者体表动脉，如桡动脉，作为受检对象；
步骤二，采用袖带式血压或者动脉置管式血压测量对受检者选定的体表动脉处的血压进行测量；
步骤三，在测量袖带式血压的同时，将可穿戴测量设备佩戴至同一受检者另一侧动脉的皮肤表面；
步骤四，开启可穿戴设备，记录受检者心脏及动脉搏动产生的信号；
步骤五，对步骤四所获取的信号进行预处理，包括滤噪及放大；
步骤六，基于步骤五处理后的信号，提取与血压变化相关的特征参数；
步骤七，基于因果关系发现算法，识别与血压具有因果关系的特征参数；
步骤八，基于数据驱动如机器学习的方法，建立步骤七的特征参数与血压间的函数模型；
步骤九，基于可穿戴实时监测的信号及步骤八的模型及对血压进行实时估测。
进一步，步骤七所述的基于因果关系算法的特征参数识别，包括如下步骤：
1)根据不同的人群分别建立特征池中所有特征与收缩压和舒张压之间的因果关系网，相邻的因果关系采用相连的边代替，得到收缩压因果关系网和舒张压因果关系网，对两幅关系网分别进行如下操作；
2)关系网中如果特征X、Y、Z满足X⊥Y|Z，即在给定特征Z的条件下，特征X与Y相互独立，则删掉X与Y之间相连的边，得到初始关系网；
3)识别出初始关系网中的汇联结构，如果特征X与Y相互独立，且在给定变量Z的条件下，X与Y不独立，则X-Z-Y为汇联结构，得到汇联结构关系网；
4)识别出汇联结构关系网中可能的D-分离集合(Possible D-Separation set,pds set)；pds set的定义如下：
图C中的Possible D-Separation(Xi，Xj),简写为pds(C,Xi，Xj)。Xk∈pds(C，Xi，Xj)，当且仅当X和Xk间存在一条路π，对于π的任一子路＜Xm，Xl，Xh＞，Xl是该子路的汇联节点，或Xm，Xl，X三点可构成一个三角形。
5)在可能的D-分离集合中，再次采用步骤2的方法进行删边处理，得到最终关系网；
6)最终关系网中每条边进行方向标定；
7)利用步骤6得到的带方向的关系网再次分别对SBP、DBP的相应特征进行筛选，选取与SBP及DBP具有因果关系的特征。
以下为基于真实数据的实例说明：
本发明征集了62名志愿者，其中男性36名，女性26名，年龄范围21-42岁，身高范围150cm至183cm，体重范围45.3kg至102.3kg。实验是依据赫尔辛基宣言进行的，所有受试者都是自愿参加这项研究，并在参与前签署了书面同意书和实验说明。
1、使用设计的无袖带血压监测系统采集受试者的ECG和PPG信号，同步记录受试者的SBP和DBP值。
2、对采集得到的50个志愿者的信号进行预处理，首先对ECG和PPG信号分别进行滤波(本实施方式中使用Butterworth滤波器)；然后利用小波变换滤除ECG和PPG信号中的运动伪影；最后对ECG、PPG和血压信号进行同步，以消除他们之间的延迟。
3、从预处理后的ECG和PPG信号进行特征提取，这些特征可以是研究者感兴趣的任何与血压有关的特征。在本实施方式中，计算了Pulse Transit Time、Time Duration、Pulse Width、Amplitude、Pulse Intensity、Area、Relative Index七大类总计222个特征参数，如PWHA、等；
4、综合考虑这222个特征与SBP和DBP的相关系数、交叉熵、互信息，初步筛选分别得到了与SBP和DBP的10个高度相关的特征，如图2所示；
5、对SBP、DBP分别利用因果推断算法(FCI算法)分析它们与相应特征的因果关系，得到因果网络图,如图3；
6、根据得到因果网络图模型，我们选择利用特征AM between PPG valleyandsdPPG_d、Systolic Area和PTT(R2PPG_maxupslope)对SBP进行估计，利用特征AMbetweenPPG valley and sdPPG_d、Intensity of sdPPG_b、Cycle Area、PTT(R2PPG_maxupslope)和AM between dPPG_max and sdPPG_b对DBP进行估计；
7、利用再次筛选得到的特征完成对SBP、DBP的估计，血压的估计模型可以是一些传统的模型，也可以是ML、DL模型。

Claims (1)

1.一种基于因果关系的无袖带连续血压监测系统，该系统包括：信号采集及预处理单元、特征提取单元、血压估计单元；
所述信号采集及预处理单元首先采集目标的血管容积信号(PPG)和心电信号(ECG)，并对采集到血管容积信号和心电信号进行预处理；将预处理后的血管容积信号和心电信号传输给特征提取单元；
所述特征提取单元对收到的血管容积信号和心电信号进行特征提取，并将提取到的特征传输给血压估计单元；提取的特征包括：
特征1：PPG信号的一个周期内，信号幅度为PPG_peak幅度50％的两个点间的时间差；
特征2：PPG信号的一个周期内，dPPG_peak和dPPG_valley所对应在PPG信号上的两点间的时间差；
特征3：PPG信号的一个周期内，信号幅度为PPG peak幅度60％的两个点间的时间差；
特征4：PPG信号的一个周期内，sdPPG_d所对应在血管容积信号上的点和PPG_valley间的幅度差；
特征5：(c+d-b)/a；
特征6：PPG信号的一个周期内，dPPG_peak和sdPPG_b所对应在PPG信号上的两点间的幅度差；
特征7：PPG信号的一个周期内，sdPPG_b信号所对应在PPG信号上的点的幅度值；
特征8：(b-c-d)/a；
其中，PPG_peak表示PPG信号的波峰，dPPG_peak表示dPPG信号的波峰，dPPG信号表示PPG信号的一阶导数，dPPG_valley表示dPPG信号的波谷，sdPPG表示PPG信号的二阶导数；a表示sdPPG一个周期内的第一个波峰幅度值，b表示sdPPG一个周期内的第一个波谷幅度值，c表示sdPPG一个周期内的第二个波峰幅度值、d表示sdPPG一个周期内的第二个波谷幅度值；
所述血压估计单元采用估计模型，利用特征1、特征2、特征3、特征4，特征5估计出收缩压，利用特征4、特征5、特征6、特征7、特征8，估计出舒张压；
其中，预处理过程为：先对ECG和PPG信号分别使用Butterworth滤波器进行滤波，然后利用小波变换滤除ECG和PPG信号中的运动伪影，最后对ECG、PPG和血压信号进行同步，以消除他们之间的延迟；
所述特征提取单元提取的特征还包括：
特征9：PPG信号一个周期内，对应的ECG信号的R波尖峰与PPG信号上升沿梯度最大值两点间的时间差；
特征10：PPG信号一个周期内，对应的ECG信号R波尖峰与其相邻的下一个PPG信号一个周期内对应的ECG信号R波尖峰的时间差；
特征11：PPG信号一个周期内，曲线与y＝ppg_valley间围成的面积；
特征12：在收缩期，PPG信号的曲线与y＝ppg_valley间围成的面积；
特征13：PPG信号一个周期内，对应的ECG信号的R波尖峰与PPG信号峰值两点间的时间差；
并将这些特征同时加入到收缩压和舒张压的估计中；
在信号采集及预处理单元和特征提取单元之间添加一个特征选取模块；该特征选取模块从特征池中选择1个或多个相应的特征进行收缩压或舒张压的估计；
所述特征选取模块的选取方法为：
步骤1：根据不同的人群分别建立特征池中所有特征与收缩压和舒张压之间的因果关系网，相邻的因果关系采用相连的边代替，得到收缩压因果关系网和舒张压因果关系网，对两幅关系网分别进行如下操作；
步骤2：关系网中如果特征X、Y、Z满足X⊥Y|Z，即在给定特征Z的条件下，特征X与Y相互独立，则删掉X与Y之间相连的边，得到初始关系网；当某一特征与其他特征所连的边，都被删掉之后，该特征被剔除；
步骤3：识别出初始关系网中的汇联结构，特征X与Y相互独立，但在给定变量Z的条件时，X与Y不独立，则X-Z-Y为汇联结构，Z称为汇联节点，得到汇联结构关系网；
步骤4：识别出汇联结构关系网中可能的D-分离集合，可能的D-分离集合定义如下：
设汇联结构关系网C中的可能D-分离集合，简写为pds(C,Xi，Xj)，Xk∈pds(C，Xi，Xj)，当且仅当Xi和Xk间存在一条路π，对于π的任一子路＜Xm，Xl，Xh＞，Xl是该子路的汇联节点，或Xm，Xl，Xh三点可构成一个三角形，Xi，Xj，Xk，Xm，Xl，Xh均表示汇联结构关系网C中的一个节点；
步骤5：在可能的D-分离集合中，再次采用步骤2的方法进行删边处理，得到最终关系网；
步骤6：对最终关系网中每条边进行方向标定；
步骤7：利用步骤6得到的带方向的关系网再次分别对收缩压(SBP)、舒张压(DBP)的相应特征进行筛选，选取与收缩压及舒张压具有因果关系的特征。
CN202111259638.3A 2021-10-28 2021-10-28 一种基于因果关系的无袖带连续血压监测系统 Active CN113940646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111259638.3A CN113940646B (zh) 2021-10-28 2021-10-28 一种基于因果关系的无袖带连续血压监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111259638.3A CN113940646B (zh) 2021-10-28 2021-10-28 一种基于因果关系的无袖带连续血压监测系统

Publications (2)

Publication Number Publication Date
CN113940646A CN113940646A (zh) 2022-01-18
CN113940646B true CN113940646B (zh) 2023-05-09

Family

ID=79336856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111259638.3A Active CN113940646B (zh) 2021-10-28 2021-10-28 一种基于因果关系的无袖带连续血压监测系统

Country Status (1)

Country Link
CN (1) CN113940646B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7117185B1 (en) * 2002-05-15 2006-10-03 Vanderbilt University Method, system, and apparatus for casual discovery and variable selection for classification
EP3033991B1 (en) * 2014-12-15 2018-02-28 Stichting IMEC Nederland System and method for blood pressure estimation
EP3352661B1 (en) * 2016-02-18 2020-11-18 Samsung Electronics Co., Ltd. Method and electronic device for cuff-less blood pressure(bp) measurement
US10706104B1 (en) * 2019-07-25 2020-07-07 Babylon Partners Limited System and method for generating a graphical model

Also Published As

Publication number Publication date
CN113940646A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
CN110537910B (zh) 基于心电和心音信号联合分析的冠心病无创筛查系统
CN106413534B (zh) 连续血压测量装置、测量模型建立方法和系统
CN112274126B (zh) 一种基于多路脉搏波的无创连续血压检测方法、装置
CN111493850A (zh) 一种基于深度神经网络的血压测量方法及装置
CN112040846A (zh) 基于光电体积描记（ppg）信号估计血压和动脉硬化度的方法
CN106821356A (zh) 基于Elman神经网络的云端连续血压测量方法及系统
Miao et al. A wearable sensor for arterial stiffness monitoring based on machine learning algorithms
CN107854123B (zh) 一种无袖套连续血压监测方法和装置
Argha et al. A novel automated blood pressure estimation algorithm using sequences of Korotkoff sounds
Wu et al. Continuous cuff-less blood pressure estimation based on combined information using deep learning approach
KR20220105092A (ko) 심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법
Singla et al. Cuff-less blood pressure measurement using supplementary ECG and PPG features extracted through wavelet transformation
CN110840428B (zh) 基于一维U-Net网络的无创血压估计方法
Vardhan et al. BP-Net: Efficient deep learning for continuous arterial blood pressure estimation using photoplethysmogram
CN113040738B (zh) 血压检测装置
Nidigattu et al. Non-invasive modeling of heart rate and blood pressure from a photoplethysmography by using machine learning techniques
Ghosh et al. Introduction of boosting algorithms in continuous non-invasive cuff-less blood pressure estimation using pulse arrival time
CN113940646B (zh) 一种基于因果关系的无袖带连续血压监测系统
Tahir et al. Cuff-less arterial blood pressure waveform synthesis from single-site ppg using transformer & frequency-domain learning
CN116138755A (zh) 一种构建用于无创血压监测的模型的方法以及可穿戴设备
CN115486824A (zh) 一种基于不确定性度量的无袖带连续血压估计系统
Zhang et al. Cuff-less and calibration-free blood pressure estimation using convolutional autoencoder with unsupervised feature extraction
Chen et al. Predicting arterial stiffness from single-channel photoplethysmography signal: a feature interaction-based approach
Lu et al. Accurate heart beat detection with Doppler radar using bidirectional GRU network
Bassiouni et al. Combination of ECG and PPG signals for smart healthcare systems: Techniques, applications, and challenges

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