CN114867410A - 使用人工智能进行连续无创血压监测的校准 - Google Patents

使用人工智能进行连续无创血压监测的校准 Download PDF

Info

Publication number
CN114867410A
CN114867410A CN202080087877.2A CN202080087877A CN114867410A CN 114867410 A CN114867410 A CN 114867410A CN 202080087877 A CN202080087877 A CN 202080087877A CN 114867410 A CN114867410 A CN 114867410A
Authority
CN
China
Prior art keywords
blood pressure
patient
calibration point
ppg
calibration
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
Application number
CN202080087877.2A
Other languages
English (en)
Inventor
P·S·艾迪生
D·蒙哥马利
A·安图尼斯
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.)
Covidien LP
Original Assignee
Covidien LP
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 Covidien LP filed Critical Covidien LP
Publication of CN114867410A publication Critical patent/CN114867410A/zh
Pending legal-status Critical Current

Links

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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • 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
    • A61B5/02—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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • A61B2560/0238—Means for recording calibration data
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0806—Detecting, measuring or recording devices for evaluating the respiratory organs by whole-body plethysmography
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Vascular Medicine (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Pulmonology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种用于连续无创血压监测的系统可以包括处理电路，该处理电路被配置为在校准点确定连续无创血压模型的校准数据，在校准点之后的特定时间从氧饱和度感测装置接收PPG信号，从PPG信号导出患者的一组指标的值，并使用连续无创血压模型并至少部分基于输入在校准点确定的校准数据、所述一组指标的值以及在所述特定时间自校准点进入连续无创血压模型以来经过的时间，确定患者在所述特定时间的血压。

Description

使用人工智能进行连续无创血压监测的校准
本申请要求2019年12月20日提交的和名称为“CALIBRATION FOR CONTINUOUSNON-INVASIVE BLOOD PRESSURE MONITORING USING ARTIFICIAL INTELLIGENCE(使用人工智能进行连续无创血压监测的校准)”的美国专利申请号16/723,678的优先权。
背景技术
与标准闭塞袖带技术不同，连续无创血压(CNIBP)监测系统允许连续跟踪患者的血压。在一些实例中，脉搏血氧饱和度传感器可以放置在患者身上以测量光容积描记(PPG)信号，并且这样的PPG信号可以用于估计患者的血压。CNIBP监测系统可以基于由诸如充气袖带式血压监测系统的无创血压监测系统测量的血压定期重新校准CNIBP监测系统。
发明内容
本公开描述了用于通过使用PPG信号以可以提高连续无创血压监测的准确性的方式对患者进行这种连续无创血压监测的示例装置、系统和技术。不是仅使用PPG信号确定患者的血压，本公开描述了用于在定期重新校准连续无创血压监测系统时确定校准数据并使用最近确定的校准数据以及PPG信号确定(例如，导出)患者的血压的示例技术。此外，在一些方面，本公开描述了一种连续无创血压模型，该模型通过机器学习使用这种确定的校准数据进行训练，使得所述模型能够接收最近确定的校准数据以及PPG信号以更准确地确定患者的血压。
通过在定期重新校准连续无创血压监测系统时确定校准数据，并通过使用这种校准数据来训练连续无创血压模型和作为连续无创血压模型的输入，本公开的装置、系统和技术可以提高连续无创血压监测算法的准确性，并且可以使连续无创血液监测装置能够呈现关于患者血压的更准确信息。与不使用此类校准数据的连续无创监测系统相比，更准确信息的呈现可导致临床医生做出更明智的决策。
在一些实例中，一种方法包括在校准时确定连续无创血压模型的校准数据，其中所述校准数据包括：在校准点从血压感测装置接收患者的血压测量值，在校准点从氧饱和度感测装置接收第一光容积描记(PPG)信号，并从第一PPG信号导出患者的一组指标的第一值。该方法还包括在校准点之后的特定时间从氧饱和度感测装置接收第二PPG信号。该方法还包括从第二PPG信号导出患者的所述一组指标的第二值。该方法还包括使用连续无创血压模型并至少部分地基于输入在校准点确定的校准数据、所述一组指标的第二值以及在所述特定时间自校准点进入连续无创血压模型中经过的时间，确定在所述特定时间的患者血压。
在一些实例中，一种系统包括血压感测装置、氧饱和度感测装置和处理电路，所述处理电路被配置为：通过至少以下方式在校准点确定连续无创血压模型的校准数据：从所述血压感测装置，在校准点接收患者的血压测量值，从所述氧饱和度感测装置，在校准点接收第一光容积描记(PPG)信号，并从第一PPG信号，导出患者的一组指标的第一值；在校准点之后的特定时间，从所述氧饱和度感测装置，接收第二PPG信号；从第二PPG信号，导出患者的所述一组指标的第二值；并且使用所述连续无创血压模型并至少部分地基于输入在校准点确定的校准数据、所述一组指标的第二值以及在所述特定时间自校准点进入连续无创血压模型中经过的时间，确定在所述特定时间的患者血压。
在一些实例中，一种包括指令的非暂时性计算机可读存储介质，所述指令在被执行时使处理电路：通过至少以下方式在校准点确定连续无创血压模型的校准数据：在校准点接收患者的血压测量值，在校准点接收第一光容积描记(PPG)信号，并从第一PPG信号，导出患者的一组指标的第一值；在校准点之后的特定时间，接收第二PPG信号；从第二PPG信号，导出患者的所述一组指标的第二值；并且使用所述连续无创血压模型并至少部分地基于输入在校准点确定的校准数据、所述一组指标的第二值以及在所述特定时间自校准点进入连续无创血压模型中经过的时间，确定在所述特定时间的患者血压。
在随附的附图和以下描述中阐述了一个或多个实例的细节。其它特征、目标和优点将从描述和图式以及权利要求书而显而易见。
附图说明
图1是图示示例连续无创血压(CNIBP)监测装置的概念框图。
图2图示了示例训练系统200的细节，该训练系统可以执行由图1所示的CNIBP装置使用的CNIBP模型的训练。
图3A和3B图示了血压测量值和PPG信号的示例偏差。
图4图示了使用CNIBP监测算法确定的随时间变化的血压的示例图，该算法用通过无创血压监测系统测量的血压定期校准。
图5图示了图1和图2的CNIBP模型的示例深度学习架构。
图6A和6B图示了可用于训练图1和图2的示例CNIBP模型的示例特征。
图7A和7B图示了示例图，其描绘了通过使用图1和图2的CNIBP模型确定患者的血压来提高准确性。
图8图示了图1和图2的CNIBP模型的深度学习架构的替代实例。
图9是图示使用图1和图2的CNIBP模型124确定患者血压的示例方法的流程图。
具体实施方式
图1是图示示例连续无创血压监测装置100的概念框图。连续无创血压(CNIBP)监测装置100包括处理电路110、存储器120、控制电路122、用户界面130、感测电路140和142，以及感测装置150和152。在图1所示的实例中，用户界面130可以包括显示器132、输入装置134和/或扬声器136，它们可以是被配置为产生和输出噪声的任何合适的音频装置。在一些实例中，CNIBP监测装置100可以被配置为确定和输出(例如，用于在显示器132上显示)患者101的连续血压，例如，在医疗程序期间或用于更长期的监测，例如重症监护室(ICU)和一般的术后监测。临床医生可以通过用户界面130接收关于患者的连续无创血压的信息，并基于连续无创血压信息，调整对患者101的治疗或疗法。
本文所述的处理电路110以及其他处理器、处理电路、控制器、控制电路等可以包括一个或多个处理器。处理电路110可以包括集成电路、离散逻辑电路、模拟电路(例如一个或多个微处理器)、数字信号处理器(DSP)、专用集成电路(ASIC)或现场可编程门阵列(FPGA)的任何组合。在一些实例中，处理电路110可以包括多个组件，例如一个或多个微处理器，一个或多个DSP，一个或多个ASIC，或一个或多个FPGA，以及其它分立或集成逻辑电路，和/或模拟电路的任何组合。
控制电路122可以是可操作地耦合的处理电路110。控制电路122被配置为控制感测装置150和152的操作。在一些实例中，控制电路122可以被配置为提供定时控制信号以协调感测装置150和152的操作。例如，感测电路140和142可以从控制电路122接收一个或多个定时控制信号，该定时控制信号可以由感测电路140和142用于开启和关闭相应的感测装置150和152，例如以使用感测装置150和152定期收集校准数据。在一些实例中，处理电路110可以使用定时控制信号来与感测电路140和142同步地操作。例如，处理电路110可以基于定时控制信号将模数转换器和解复用器的操作与感测电路140和142同步。
存储器120可以被配置为存储例如监测的生理参数值，例如血压值、氧饱和度值、外周氧饱和度值或其任何组合。存储器120还可以被配置为存储校准数据，该校准数据由CNIBP监测装置100定期收集。
在一些实例中，存储器120可以存储程序指令，例如神经网络算法。程序指令可以包括一个或多个可由处理电路110执行的程序模块。例如，存储器120可以存储连续无创血压(CNIBP)模型124，该模型可以是通过机器学习训练以连续和无创地确定患者101的血压的模型。当由处理电路110执行时，诸如CNIBP模型124的程序指令的这样的程序指令可以使处理电路110提供本文归于它的功能。程序指令可以体现在软件、固件和/或RAMware中。存储器120可以包括易失性、非易失性、磁性、光学或电介质中的任何一种或多种，例如随机存取存储器(RAM)、只读存储器(ROM)、非易失性RAM(NVRAM)、可电擦除的可编程ROM(EEPROM)、闪存或任何其他数字介质。
用户界面130可以包括显示器132、输入装置134和扬声器136。在一些实例中，用户界面130可以包括更少或更多的组件。用户界面130被配置为向用户(例如，临床医生)呈现信息。例如，用户界面130和/或显示器132可以包括监视器、阴极射线管显示器、诸如液晶(LCD)显示器的平板显示器、等离子显示器、发光二极管(LED)显示器和/或任何其他合适的显示器。在一些实例中，用户接口130可以是在临床或其他环境中使用的多参数监视器(MPM)或其他生理信号监视器、个人数字助理、移动电话、平板电脑、膝上型计算机、任何其他合适的计算装置、或它们的任何组合，带有内置显示器或单独的显示器。
在一些实例中，处理电路110可以被配置为通过诸如显示器132的用户界面130向用户呈现图形用户界面。图形用户界面可以通过显示器132包括患者的一个或多个生理参数的值的指示，例如，举例而言，血压值、氧饱和度值、关于自动调节状态的信息(例如，脑自动调节状态)、脉率信息、呼吸率信息、其他患者生理参数或其组合。用户界面130还可以包括用于向用户投射音频的装置，例如扬声器136。
在一些实例中，处理电路110还可以从诸如用户的附加源(未示出)接收输入信号。例如，处理电路110可以从输入装置134接收输入信号，例如键盘、鼠标、触摸屏、按钮、开关、麦克风、操纵杆、触摸板或任何其他合适的输入装置或输入装置的组合。输入信号可包含关于患者101的信息，例如生理参数、提供给患者101的治疗或类似信息。附加输入信号可由处理电路110在其根据处理电路110执行的任何确定或操作中使用。
在一些实例中，如果处理电路110确定患者101的状态异常，则处理电路110可以呈现指示异常状态的通知。该通知可以包括指示异常状态的视觉、听觉、触觉或体感通知(例如，警报信号)。在一些实例中，处理电路110和用户接口130可以是同一装置的一部分或被支撑在一个外壳(例如，计算机或监视器)内。在其他实例中，处理电路110和用户接口130可以是被配置为通过有线连接或无线连接进行通信的单独的装置。
感测电路140和142被配置为从相应的感测装置150和152接收指示生理参数的信号(“生理信号”)并将生理信号传送到处理电路110。感测电路150和152可以包括被配置为感测患者的生理参数的任何感测硬件，诸如但不限于一个或多个电极、光接收器、血压袖带等。感测的生理信号可以包括指示来自患者的生理参数的信号，例如但不限于血压、血氧饱和度(例如脉搏血氧饱和度和/或局部氧饱和度)、血容量、心率和呼吸。例如，感测电路140和142可以包括但不限于血压感测电路、血氧饱和度感测电路、血容量感测电路、心率感测电路、温度感测电路、心电图(ECG)感测电路、脑电图(EEG)感测电路或其任意组合。
在一些实例中，感测电路140和142和/或处理电路110可以包括信号处理电路112，其被配置为对所感测的生理信号执行任何合适的模拟调节。例如，感测电路140和142可以向处理电路110传送未改变的(例如，原始的)信号。处理电路110，例如信号处理电路112，可以被配置为通过例如滤波(例如，低通、高通、带通、陷波或任何其他合适的滤波)将原始信号修改为可用信号，放大，对接收到的信号执行运算(例如，进行微分、求平均)，执行任何其他合适的信号调节(例如，将电流信号转换为电压信号)或其任意组合。在一些实例中，经调节的模拟信号可以由信号处理电路112的模数转换器处理，以将经调节的模拟信号转换成数字信号。在一些实例中，信号处理电路112可以以信号的模拟或数字形式操作以分离出信号的不同分量。在一些实例中，信号处理电路112可以对转换后的数字信号执行任何合适的数字调节，例如低通、高通、带通、陷波、求平均，或者对信号进行任何其他合适的滤波、放大、执行运算，执行任何其他合适的数字调节，或其任何组合。在一些实例中，信号处理电路112可以减少数字检测器信号中的样本的数量。在一些实例中，信号处理电路112可以去除对接收信号的黑暗或环境影响。附加地或替代地，感测电路140和142可以包括信号处理电路112以修改一个或多个原始信号并传送一个或多个修改后的信号至处理电路110。
氧饱和度感测装置150(在本文中也称为血氧饱和度感测装置150)被配置为产生指示患者101的区域内的静脉、动脉和/或毛细血管系统内的血氧饱和度的氧饱和度信号。例如，氧饱和度感测装置150可以包括传感器，该传感器被配置为无创地产生容积描记(PPG)信号。这种传感器的一个示例可以是一个或多个血氧饱和度传感器(例如，一个或多个脉搏血氧饱和度传感器)，其被放置在患者101的一个或多个位置，例如在患者101的指尖、患者101的耳垂等处。
在一些实例中，氧饱和度感测装置150可以被配置为放置在患者101的皮肤上以确定特定组织区域的局部氧饱和度，例如，患者101的额叶皮层或其他大脑位置。氧饱和感测装置150可以包括发射器160和检测器162。发射器160可以包括至少两个发光二极管(LED)，每个被配置为发射不同波长的光，例如红光或近红外光。如本文所用，术语“光”可以指由辐射源产生的能量并且可以包括在超声波、无线电、微波、毫米波、红外线、可见光、紫外线、伽马射线或X射线电磁波辐射光谱中的一种或多种内的任何波长。在一些实例中，光驱动电路(例如，在感测装置150、感测电路140、控制电路122和/或处理电路110内)可以提供光驱动信号来驱动发射器160并导致发射器160发光。在一些实例中，发射器160的LED发射约600纳米(nm)至约1000nm范围内的光。在特定实例中，发射器160的一个LED被配置为发射约730nm的光，发射器160的另一个LED被配置为发射约810nm的光。在其他实例中可以使用其他波长的光。
检测器162可以包括相对“靠近”(例如，在其近侧)发射器160定位的第一检测元件和相对“远离”(例如，在其远侧)发射器160定位的第二检测元件。在一些实例中，可以选择第一检测元件和第二检测元件以对发射器160的所选目标能谱特别敏感。可以在“靠近”和“远离”检测器162两者处接收多个波长的光强度。例如，如果使用两个波长，则可以在每个位置对比这两个波长，并且可以对比得到的信号以达到氧饱和度值，当光通过患者的某个区域(例如，患者的头盖骨)时，该值与在“远离”检测器处接收到的光通过的其他组织(除了“靠近”检测器接收到的光通过的组织以外的组织，例如脑组织)有关。在操作中，光可以在穿过患者101的组织之后进入检测器162，该组织包括皮肤、骨骼、其他浅层组织(例如，非大脑组织和浅层大脑组织)和/或深部组织(例如，深部大脑组织)。检测器162可以将接收到的光的强度转换成电信号。光强度可以与组织中光的吸收和/或反射直接相关。可以减去来自皮肤和颅骨的表面数据，以生成随时间的目标组织氧饱和度信号。
氧饱和度感测装置150可以将氧饱和度信号提供给处理电路110或任何其他合适的处理装置以用于确定患者101的血压。基于光信号确定氧饱和度的其他示例细节可在共同转让的美国专利号9,861,317中找到，该专利于2018年1月9日发布，标题为“Methods andSystems for Determining Regional Blood Oxygen Saturation”。这种氧饱和度信号的一个实例可以是容积描记(PPG)信号。
在操作中，血压感测装置152和氧饱和度感测装置150可以各自放置在患者101身体的相同或不同部位上。例如，血压感测装置152和氧饱和度感测装置150可以彼此物理分离并且可以分开放置在患者101身上。作为另一个实例，血压感测装置152和氧饱和度感测装置150在一些情况下可以由单个传感器外壳支撑。血压感测装置152或氧饱和度感测装置150中的一者或两者可进一步配置为测量其他参数，例如血红蛋白、呼吸频率、呼吸努力、心率、饱和模式检测、对刺激的响应例如双谱指数(BIS)或对电刺激的肌电图(EMG)响应，等等。尽管在图1中展示了示例CNIBP监测装置100，但图1中所展示的组件并不意图是限制性的。在其它实例中可以使用额外的或替代性组件和/或实施方案。
血压感测装置152被配置为产生指示患者101血压的血压信号。例如，血压感测装置152可以包括被配置为无创感测血压的血压袖带或被配置为有创监测患者101的动脉中的血压的动脉管线。在一些实例中，血压信号可以包括采集血压的波形的至少一部分。血压感测装置152可以被配置为生成指示患者血压随时间变化的血压信号。血压感测装置152可以将血压信号提供给感测电路142、处理电路110或任何其他合适的处理装置，这些处理装置可以是装置100的一部分或与装置100分离的装置，例如与装置100位于同一地点或相对于装置100远程定位的另一装置。
处理电路110可以被配置为接收由感测装置150和152以及传感电路140和142生成的一个或多个信号。生理信号可以包括指示血压的信号和/或指示氧饱和度的信号，例如PPG信号。处理电路110可以被配置为基于血压信号确定血压值。
根据本公开的方面，CNIBP监测装置100被配置为提供对患者101的连续无创血压监测。为此，CNIBP监测装置100可以被配置为通过定期从血压感测装置152接收患者101的血压来定期确定患者101的血压，例如每分钟、每五分钟、每15分钟等等。例如，CNBIP监测装置100可以定期开启或激活血压感测装置152，使得血压监测装置152可以测量患者101的血压。在另一个实例中，血压监测装置152可以持续监测患者101的血压，并且CNIBP监测装置100可以定期从血压监测装置152请求患者101的血压。
为了在使用血压感测装置152对患者101的血压进行定期测量之间的时间段内提供对患者101的连续无创血压监测，处理电路110可以被配置为至少部分基于氧饱和度感测装置150在这些时间段期间提供的PPG信号，使用CNIBP模型124导出患者101的血压。
在患者101的连续无创血压监测期间，每次CNIBP监测装置100使用血压感测装置152确定患者101的血压在本文中被称为校准点，因为在每个校准点，使用如血压感测装置152测量的患者101的实际血压校准CNIBP监测装置100。在每个校准点期间，处理电路110可以被配置为确定用于校准CNIBP模型124的校准数据。校准点可以定期出现，例如每3分钟、每5分钟、每10分钟、每15分钟、每20分钟等，并且每个校准点可以持续指定的时间段，例如一个或更多心动周期的持续时间、指定的秒数(例如，1秒、5秒等)，等等。
例如，在每个校准点，控制电路114可以被配置为将一个或多个定时控制信号发送到感测电路140和142以开启、激活或以其他方式接收来自相应感测装置150和152的数据，以使用感测装置150和152收集校准数据。血压感测装置152可以将指示患者101在校准点处的血压的血压信号提供给处理电路110。类似地，氧饱和度感测装置150可以在校准点向处理电路110提供PPG信号形式的氧饱和度信号。处理电路110可以操作以从PPG信号中提取特征，例如一组指标的值。例如，特征可以包括指标的任何组合的值，例如PPG脉冲持续时间、收缩压上升的最大上行斜率的PPG相对位置、PPG峰值位置和幅度、PPG灌注指数、PPG基线趋势、PPG呼吸周期信息(如呼吸频率)、PPG上行区域、PPG下行区域、PPG上行斜率的最大梯度和PPG基线值中的一项或多项。患者101的血压和从PPG信号中提取的特征可以形成由处理电路110收集的校准数据。校准点可以是指定的时间段，例如单个心动周期的时间段、一秒或任何其他合适的时间段。因此，对于每个特征，从PPG信号提取的特征可以包括在校准点的时间段内的值的序列。例如，PPG脉冲持续时间可以是校准点的时间段上的PPG脉冲持续时间值的序列，PPG上行区域可以是时间段上PPG上行区域值的序列，等等。
处理电路110可以将校准数据存储在存储器120中。因为CNIBP监测装置100被配置为通过使用血压感测装置152确定患者101的血压来定期校准自身，校准点定期出现，并且CNIBP监测装置100可以被配置为每当CNIBP监测装置100通过上述技术进行自我校准时确定校准数据。在一些实例中，处理电路110可以被配置为用最近确定的校准数据覆盖存储在存储器120中的校准数据，使得只有在最近校准点处的最近确定的校准数据被存储在存储器120中。在其他实例中，处理电路110可以被配置为将根据多个先前校准点确定的校准数据存储在存储器120中。
如上所述，在校准点的定期出现之间，CNIBP监测组织100可以被配置为通过使用CNIBP模型124确定患者101的连续无创血压，而不使用血压感测装置152来确定患者101的血压。在一些实例中，CNIBP模型124是通过机器学习训练的神经网络算法，以在当前时间获取患者(例如患者101)的PPG信号和在最近校准点确定的校准数据作为输入以确定患者在当前时间的血压。
神经网络算法或人工神经网络可以包括利用定义规则的节点的可训练或自适应算法。例如，多个节点中的相应节点可以利用诸如非线性函数或if-then规则之类的函数来基于输入生成输出。多个节点中的相应节点可以沿着边连接到多个节点中的一个或多个不同节点，使得相应节点的输出包括不同节点的输入。函数可以包括可以使用输入和期望输出的训练集来确定或调整的参数，例如，举例而言，从患者101或患者群体感测的一个或多个PPG信号和与PPG信号同时测量的患者101或患者群体的一个或多个第二血压之间的预定关联，以及学习规则，例如反向传播学习规则。反向传播学习规则可以利用将期望输出与神经网络算法产生的输出进行比较的一个或多个误差测量，以通过改变参数以最小化一个或多个误差测量来训练神经网络算法。
示例神经网络包括多个节点，至少一些节点具有节点参数。至少包括由氧饱和度感测装置150或氧饱和度感测电路140产生的并且指示患者101的血氧饱和度的PPG信号的输入可以被输入到神经网络算法的第一节点。在一些实例中，输入可以包括多个输入，每个输入到相应的节点。第一节点可以包括被配置为基于输入和一个或多个可调整节点参数来确定输出的函数。在一些实例中，神经网络可以包括传播函数，该传播函数被配置为基于在前节点的输出和偏置值来确定到随后节点的输入。在一些实例中，学习规则可以被配置为修改一个或多个节点参数以产生偏爱的输出。例如，偏爱的输出可以受一个或多个阈值约束和/或最小化一个或多个误差测量。偏好的输出可以包括单个节点、一组节点或多个节点的输出。
神经网络算法可以迭代地修改节点参数，直到输出包括偏好的输出。以此方式，处理电路110可以被配置为迭代地评估神经网络算法的输出并且基于对神经网络算法的输出的评估来迭代地修改节点参数中的至少一个以基于修改的神经网络算法确定患者例如患者101的血压。在一些实例中，与其他技术相比，神经网络算法可以使处理电路110能够使用从PPG信号中提取的特征连同来自最近校准点的校准数据更准确地确定患者101的连续血压和/或减少确定改变的血压值所需的计算时间和/或功率。
根据本公开的方面，处理电路110可以被配置为执行CNIBP模型124以连续地确定患者101在校准点之间的血压。在校准点之间的任何特定时间t，处理电路110可以被配置为使用CNIBP模型124来确定患者101在时间t的血压。在时间t，处理电路110可以被配置为从氧饱和度感测装置150接收患者101的PPG信号。处理电路110可以将患者101在时间t的PPG信号连同在离时间t最近的校准点导出的校准数据输入CNIBP模型124，并且处理电路110可以被配置为执行CNIBP模型124以从此类输入确定患者101在时间t的血压。
一旦处理电路110确定了患者101的血压，处理电路110可以将指示患者101的连续血压的信息提供给输出装置，例如用户界面130。在一些实例中，在处理电路110的控制下，用户界面130，例如显示器132，可以呈现包括指示患者101的连续血压的信息的图形用户界面。在一些实例中，患者101的血压指示可以包括呈现给用户的文本、颜色和/或音频。除了图形用户界面之外或代替图形用户界面，处理器电路110可以被配置为通过扬声器136生成和呈现指示患者101的连续血压的信息，例如通过语音宣布患者101的当前血压。
在一些实例中，CNIBP监测装置100，例如处理电路110或用户界面130，可以包括使CNIBP监测装置100能够与外部装置交换信息的通信接口。通信接口可以包含任何合适的硬件、软件或两者，其可以允许CNIBP监测装置100与电子电路、装置、网络、服务器或其它工作站、显示器或其任何组合进行通信。例如，处理电路110可以通过通信接口从外部装置接收血压值和/或氧饱和度值。
被显示和描述为单独组件的CNIBP监测装置100的组件仅出于说明性目的而被显示和描述。在一些实例中，组件中的一些的功能性可以被组合在单个组件中。例如，处理电路110和控制电路122的功能可以组合在单个处理器系统中。此外，在一些实例中，本文所示和描述的CNIBP监测装置100的一些组件的功能可以划分为多个组件。例如，控制电路122的一些或全部功能可以在处理电路110或感测电路140和142中执行。在其它实例中，一个或多个组件的功能性可以按不同的顺序执行或可能无需执行。
图2图示了示例训练系统200的细节，该训练系统可以执行由图1所示的CNIBP模型124的训练。图2仅示出了训练系统200的一个特定实例，并且具有更多、更少或不同组件的许多其他示例装置也可以被配置为执行根据本公开的技术的操作。
虽然在图2的实例中显示为单个装置的一部分，但在一些实例中，训练系统200的组件可以位于不同装置内和/或成为不同装置的一部分。例如，在一些实例中，训练系统200可以表示“云”计算系统。因此，在这些实例中，图2中所示的模块可以跨越多个计算装置。在一些实例中，训练系统200可以表示构成“云”计算系统的服务器集群的多个服务器之一。在其他实例中，训练系统200可以是图1所示的CNIBP监测装置100的实例。
如图2的例子所示，训练系统200包括一个或多个处理器202、一个或多个通信单元204以及一个或多个存储装置208。存储装置208还包括CNIBP模型124、训练模块212以及训练数据214。组件202、204和208中的每一个都可以互连(物理地、通信地和/或操作地)以用于组件间通信。在图2的例子中，组件202、204和208可以通过一个或多个通信信道206耦合。在一些实例中，通信信道206可以包括系统总线、网络连接、进程间通信数据结构或用于传递数据的任何其他信道。CNIBP模型124、训练模块212和训练数据214还可以相互传递信息，以及与训练系统200中的其他组件传递信息。
在图2的例子中，一个或多个处理器202可以在训练系统200内实现功能和/或执行指令。例如，一个或多个处理器202可以接收和执行由存储装置208存储的指令，这些指令执行训练模块212的功能。由一个或多个处理器202执行的这些指令可以使训练系统200在执行期间将信息存储在存储装置208内。一个或多个处理器202可以执行训练模块212的指令以使用训练数据214训练CNIBP模型124。也就是训练模块212可以由一个或多个处理器202操作以执行本文描述的训练系统200的各种动作或功能。
在图2的例子中，一个或多个通信单元204通过在一个或多个网络上发送和/或接收网络信号，经由一个或多个网络，可以可操作地与外部装置通信。例如，训练系统200可以使用通信单元204在诸如蜂窝无线电网络的无线电网络上发送和/或接收无线电信号。同样地，通信单元204可以在诸如全球定位系统(GPS)网络的卫星网络上发送和/或接收卫星信号。通信单元204的实例包括网络接口卡(例如以太网卡)、光学收发器、射频收发器或任何其他类型的可以发送和/或接收信息的装置。通信单元204的其他实例可以包括近场通信(NFC)单元、
Figure BDA0003698330780000101
无线电、短波无线电、蜂窝数据无线电、无线网络(例如，
Figure BDA0003698330780000102
)无线电以及通用串行总线(USB)控制器。
在图2的实例中，一个或多个存储装置208可以是可操作的，以存储信息以在训练系统200的操作期间进行处理。在一些实例中，存储装置208可以表示临时存储器，这意味着存储装置208的主要目的不是长期存储。例如，训练系统200的存储装置208可以是易失性存储器，被配置用于信息的短期存储，因此如果断电则不保留存储的内容。易失性存储器的实例包含随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)和本领域中已知的其它形式的易失性存储器。
在一些实例中，存储装置208还表示一个或多个计算机可读存储介质。也就是说，存储装置208可以被配置为存储比临时存储器更大量的信息。例如，存储装置46可以包括非易失性存储器，其在通电/断电循环中保留信息。非易失性存储器的实例包括磁性硬盘、光盘、软盘、闪存或电可编程存储器(EPROM)或电可擦可编程(EEPROM)存储器的形式。在任何情况下，在图2的实例中的存储装置208可以存储与CNIBP模型124、训练模块212和训练数据214相关联的程序指令和/或数据。
在图2的实例中，训练系统200可以执行训练模块212以使用训练数据214训练CNIBP模型124，从而通过训练CNIBP模型124将一个或多个PPG形态特征序列与各自的血压值相关联而更准确地确定患者在定期校准点之间的血压。CNIBP模型124可以包括深度学习架构，例如循环神经网络、卷积神经网络等，其包括多个层以从CNIBP模型124的输入中逐步提取更高级别的特征。
在一些实例中，训练模块212训练CNIBP模型124以使用在时间t从耦接到患者101的感测电路140和氧饱和度感测装置150(图1)接收的PPG信号、在最接近时间t的校准点确定的校准数据和在时间t从所述最接近校准点经过的时间作为输入以确定患者101在时间t的血压。校准数据可以包括例如在最近的校准点由BP感测电路142和血压感测装置152(图1)测量的患者101的血压和在最近的校准点从自氧饱和度感测装置150接收到的PPG信号导出的一组指标的值。
在一些实例中，用于训练CNIBP模型124的训练数据214包括仅来自患者101而不来自其他受试者的数据。在其他实例中，训练数据214可以包括来自患者群体的数据，例如患者群体的在最近校准点处的校准数据集、自最近校准点以来经过的时间集、患者群体的PPG信号集以及患者群体的目标血压值集。例如，训练数据214中的每条单独的训练数据可以是患者在时间t的目标血压、从在时间t从患者接收的PPG信号导出的一组指标的值、在距时间t最近的校准时间从患者接收到的PPG信号导出的一组指标的值、在距时间t最近的校准时间测量的患者血压以及在时间t自最近的校准时间经过的时间的关联。
在一些实例中，一旦训练模块212已经使用训练数据214训练了CNIBP模型124，训练模块212可以通过使用CNIBP模型124尚未遇到的一组测试数据来测试CNIBP模型124以确定由CNIBP模型124基于测试数据确定的血压有多紧密匹配测试数据的预期目标血压。以此方式，训练模块212可以评估和进一步细化CNIBP模型124。
当训练模块212完成CNIBP模型124的训练时，CNIBP模型124可以被安装、上传或以其他方式传送到CNIBP监测装置100。在一些实例中，训练模块212可以将CNIBP模型124的副本上载或以其他方式传输到另一个服务器或云，并且CNIBP监测装置100可以通过诸如因特网、虚拟专用网络、局域网等使用CNIBP模型124。
图3A和3B图示了血压测量值和PPG信号的示例偏差。这种偏差可以通过本文公开的技术潜在地得到改善。如图3A所示，曲线图300A包括使用侵入性动脉线从患者身上获取的血压信号302A，而曲线图300B包括在与图300A中的血压信号302A大约同时使用脉搏血氧计从同一患者身上获取的PPG信号302B。类似地，如曲线图300B所示，曲线图300C包括使用侵入性动脉线从患者身上获取的血压信号302C，而曲线图300D包括在与图300C中的血压信号302C大约同时使用脉搏血氧计从同一患者身上获取的PPG信号302D。虽然图3A显示PPG信号302B在形态上类似于血压信号302A，但图3B显示PPG信号302D在形态上与血压信号302C非常不同。
可以看出，将PPG信号准确映射到血压信号可能困难。这可能是由于许多混杂因素，例如以下一项或多项的影响：接触力、环境温度、药物、血管舒缩、运动、动脉硬化、姿势改变等。由于这些混杂因素，连续无创血压监测算法可能随着时间而失去其准确性。
一种解决可能随着时间而失去其准确性的连续无创血压监测算法的技术包括使用由无创血压监测系统测量的血压定期校准连续无创血压监测算法，该系统例如充气袖带式血压监测系统。
图4示出了使用连续无创血压监测算法确定的血压随时间变化的示例图400，该算法用通过无创血压监测系统测量的血压定期校准。如图4所示，CNIBP监测系统可以例如在时间t0、t1和t2(在整个本公开中被称为校准点)，使用由无创血压监测系统测量的血压，定期校准如使用连续无创血压监测算法确定的血压402。
在时间t0，CNIBP监测系统用由CNIBP监测系统在时间t0测量的血压404A校准血压402。在时间t0校准血压402后,CNIBP监测系统使用连续无创血压监测算法确定血压402，直到达到时间t1。在时间t1，CNIBP监测系统用由CNIBP监测系统在时间t1测量的血压404B校准血压402。在时间t1校准血压402后,CNIBP监测系统使用连续无创血压监测算法确定血压402，直到达到时间t2。在时间t2，CNIBP监测系统用由CNIBP监测系统在时间t2测量的血压404C确定血压402。在时间t2校准血压402后,CNIBP监测系统使用连续无创血压监测算法确定血压402，直到达到下一个校准点。
如图4所见，使用连续无创血压监测算法确定的血压402可能与由无创血压监测系统测量的血压显著漂移(例如，一种可能有意义地影响血压监测的值的方式)。例如，在时间t1使用连续无创血压监测算法确定的血压402与由无创血压监测系统在时间t1测量的血压404B相比之间可能存在显著差异。
用于补偿这种差异的一种技术包括增加或减去在最近校准点使用连续无创血压监测算法确定的血压与由无创血压监测系统测量的血压之间的差值。例如，因为使用连续无创血压监测算法在时间t1确定的血压402高于无创血压监测系统在时间t1测量的血压404B，所以在时间t1和t2之间确定的瞬时血压402可以通过从在时间t1和t2之间确定的瞬时血压402中减去在时间t1使用连续无创血压监测算法确定的血压402和在时间t1由无创血压监测系统测量的血压404B之间的差值进行调整。
根据本公开的方面，CNIBP监测装置100被配置为使用CNIBP模型124有可能更准确地确定校准点之间的患者血压。例如，CNIBP监测装置100可以在每个校准点确定，例如在时间t0、时间t1和时间t2，CNIBP监测装置100可以确定校准数据，该校准数据可以包括在校准点测量的血压以及从在校准点接收到的PPG信号导出的一组指标的值。为了在校准点之间的时间例如在时间t3确定患者的血压，CNIBP模型124可以输入在时间t3确定的一组指标的值、在时间t0确定的校准数据以及在时间t3自在时间t0最近校准点进入CNIBP模型124中经过的时间，以确定患者在时间t3的血压。
图5图示了CNIBP模型124的示例深度学习架构500。虽然图5中图示了深度学习架构500为用于训练LSTM模型的长短期记忆(LSTM)深度学习架构，但任何其他深度学习架构同样适用于训练CNIBP模型124。
如图5所示，深度学习架构500可以包括序列输入层502、丢弃(dropout)层504、双向长短期记忆(BiLSTM)层506、丢弃层508、BiLSTM层510、全连接层512和回归输出层514。序列输入层502可以连接到丢弃层504。丢弃层504可以连接到BiLSTM层506。BiLSTM层506可以连接到丢弃层508。丢弃层508可以连接到BiLSTM层510，BiLSTM层510可以连接到全连接层512。全连接层512可以连接到回归输出层514。
诸如序列输入层502的序列输入层将序列数据输入到神经网络。因此，序列输入层502接收用于训练深度学习架构500的特征，这些特征包括从PPG信号导出的一组指标的值、在最近校准点确定的校准数据以及自最近校准点经过的时间。由序列输入层502接收到的特征在下文关于图6A和6B详细描述。
诸如丢弃层504和丢弃层508的丢弃层以给定的概率将输入元素随机设置为零。通过将输入元素随机设置为零，丢弃层可以使元素在训练阶段被忽略。在训练阶段选择性地忽略元素可以防止训练数据的过度拟合。
BiLSTM层例如BiLSTM层506和BiLSTM层510)学习时间序列或序列数据的时间步长之间的双向长期依赖关系。这些依赖关系可有助于网络在每个时间步长从完整的时间序列中学习。
诸如全连接层512的全连接层将输入(例如，来自BiLSTM层510)乘以权重矩阵，然后添加偏置向量。诸如回归输出层514的回归输出层计算回归问题的半均方误差损失，并输出作为训练具有深度学习架构500的CNIBP模型124的结果的训练的回归网络的预测响应。
为了训练CNIBP模型124，训练系统200(图2)可以导出一组特征和相关联的目标值，并且可以将特征和相关联的目标值输入CNIBP模型124以训练CNIBP模型124以基于输入的特征估计目标值。例如，为了训练CNIBP模型124以从患者101的PPG信号预测患者101的血压(并且无需使用血压监测装置，例如充气袖带式血压监测系统或动脉线，实际测量血压)，训练系统200可以从患者101的PPG信号或者从一个或多个其他患者/受试者的PPG信号中提取特征，并且可以使用这些特征连同相关的目标血压来训练CNIBP模型124以从PPG信号的特征预测患者101的血压值。
例如，训练系统200可以将从患者的PPG信号(例如从脉搏血氧计从患者接收的PPG信号)提取的时间序列特征与相关联的目标血压(例如患者的收缩压(SP)、舒张压(DP)、平均动脉压(MAP)、脉压(PP)等配对。训练系统200可以输入从PPG信号中提取的这种特征对并以来自患者群体的血压为目标来训练CNIBP模型124以将PPG形态特征序列与血压值相关联。
通过训练CNIBP模型124,CNIBP模型124可能够接收从患者101的PPG信号中提取的时间序列特征作为输入，并且可以根据输入的特征确定患者的血压值。训练系统200可以通过使用模型尚未遇到的PPG特征序列的测试集来测试CNIBP模型124以确定相关的血压。训练系统200可以将PPG特征序列的测试集输入CNIBP模型124，并且可以将CNIBP模型124输出的血压值与PPG特征序列的测试集的预期目标血压值进行比较，以评估和进一步细化CNIBP模型124。
图6A和6B图示了可用于训练图1和图2的示例CNIBP模型124的示例特征。如图6A所示，特征600可以是来自PPG信号的一组示例特征，其用于训练CNIBP模型124，如上所述。类似地，特征600也可以是输入到CNIBP模型124中的输入的实例，CNIBP模型124可以根据该输入确定患者101的血压(无需使用血压监测装置，例如充气袖带式血压监测系统或动脉线，实际测量血压)。
特征600可以是在特定时间段内从PPG信号导出的一组指标的值。例如，特征600可以包括特征600A-600M，它们可以包括从PPG信号导出的指标的任何组合，例如PPG脉冲持续时间、收缩压上升的最大上行斜率的PPG相对位置、PPG峰值位置和幅度、PPG灌注指数、PPG基线趋势、PPG呼吸周期信息、PPG上行区域、PPG下行区域、PPG上行斜率的最大梯度和PPG基线值。
特征600A-600M中的每一个可以包括针对从PPG信号导出的特定指标随时间推移的值序列。例如，特征600A可以包括PPG上行区域的值序列，特征600B可以包括PPG下行区域的值序列，特征600C可以包括PPG幅度的值序列，特征600D可以包括PPG最大上行斜率的序列值等。
随着时间的值序列可以是在指定时间段上的值序列，例如5秒、10秒、20秒等。在一些实例中，指定时间段可以是自校准点最近出现以来已经过去的整个时间段，而在其他实例中，指定时间段可以是之前的5秒、10秒、20秒等。因为特征600A-600M中的每一个都包括针对特定指标的时间段内的值序列，所以特征600A-600M中的每一个可以是时间段内的值序列的特征向量，并且特征600作为整体可以称为由特征向量(例如，特征600A-600M)组成的特征矩阵。
在一些实例中，在时间段上，特征600A-600M的值序列可以在患者101的心动周期上计算，使得特征600A-600M的值序列的每个值可以是在该时间段内在患者101的不同心动周期获得的值。在一些实例中，在时间段内，特征600A-600M的值序列可以在指定的时间间隔内计算，例如1秒、2秒等，使得特征600A-600M的值序列可以是在该时间段内的一系列这样的时间间隔上获取的值。
在进一步的实例中，在该时间段内，可以在单个时间点(例如在单个脉冲上)获取值序列的值，使得特征600A-600M的值序列可以包括在时间点的序列上获取的值。例如，脉冲的导数的峰值可以取自整个脉冲，例如使用脉冲面积，从而可以在脉冲序列上取值序列，或者可以在许多脉冲上取值序列。值序列的值也可以在一系列时间点上取得，例如在多个脉冲上，例如当从脉冲序列中取得的最大导数序列导出值时。因此，在一些实例中，值序列的长度可以基于在指定时间段内的作为患者101的心率的函数的脉冲数量而变化。
特征600从指示患者101的血氧饱和度的PPG信号导出，此时患者的血压将被确定。因此，在CNIBP模型124的训练期间，从在特定时间从患者101接收的PPG信号导出的特征600与在同一特定时间针对患者101的目标血压配对。类似地，从指示患者101在特定时间的血氧饱和度的PPG信号导出的特征600被输入机器训练模型以确定患者101在特定时间的血压。
虽然训练系统200可以使用从PPG信号导出的特征集600以及相关联的目标血压值来训练深度学习架构500，但是训练系统200可以通过也使用在最近校准点从校准数据导出的特征训练CNIBP模型124并且通过也使用从校准数据导出的这些特征作为CNIBP模型124的输入确定患者的血压来提高它生成的机器训练模型的准确度。连续无创血压监测系统，例如CNIBP监测装置100，可以定期确定来自患者例如患者101的在校准点处的校准数据。来自校准数据的特征可以包括例如从在校准点处从患者接收的PPG信号和在校准点处患者的血压导出的一组指标的值。
如本公开中所讨论的，每次CNIBP监测装置100确定来自患者101的校准数据在本文中被称为校准点。在每个校准点，CNIBP监测装置100从测量患者101的氧饱和度的氧饱和度感测装置150接收PPG信号，并使用血压感测装置152测量患者101的血压。CNIBP监测装置100根据接收到的PPG信号确定一组指标的值，而从PPG信号导出的一组指标的值以及测量的血压形成在校准点确定的校准数据。
因为CNIBP监测装置100在每个校准点既接收来自氧饱和度感测装置150的PPG信号，又使用血压感测装置152测量患者101的血压，所以从患者101接收的PPG信号的特征实际上在每个校准点映射到患者101的实际测量血压。因此，通过使用在最近校准点接收的校准数据作为用于训练CNIBP模型124的额外输入，CNIBP模型124可以提高其确定患者血压的准确性。
如图6B所示，特征602和特征606可以是从校准点提取的特征。特别地，特征602可以是在特定时间段内从校准点处的PPG信号导出的一组指标的值。例如，特征602可以包括特征602A-602M，它们可以包括从PPG信号导出的指标，例如PPG脉冲持续时间、收缩压上升的最大上行斜率的PPG相对位置、PPG峰值位置和幅度、PPG灌注指数、PPG基线趋势、PPG呼吸周期信息、PPG上行区域、PPG下行区域、PPG上行斜率的最大梯度和PPG基线值的任何组合。
特征602A-602M中的每一个可以包括针对从PPG信号导出的特定指标随时间推移的值序列。随时间的值序列可以是在特定时间段上，例如在心动周期上的值序列。因为特征602A-602M中的每一个都包括针对特定指标的时间段内的值序列，所以特征602A-602M中的每一个可以是时间段内的值序列的特征向量，并且特征602作为整体可以称为由特征向量(例如，特征602A-602M)组成的特征矩阵。
特征602与特征600的相似之处在于特征600可以包括与特征600相同的指标集随时间变化的值序列。例如，如果特征600包括PPG上行区域的值序列、PPG下行区域的值序列、PPG幅度的值序列以及PPG最大上行斜率的值序列，则特征600还可以相应地包括PPG上行区域的值序列、PPG下行区域的值序列、PPG幅度的值序列和PPG最大上行斜率的值序列。
因此，特征602和特征600可以各自具有相同数量的特征向量，其中特征602和特征600的特征向量包括用于同一组指标的值序列。例如，如果特征600包括包含五个指标的值序列的5个特征向量，则特征602也可以相应地包括包含相同五个指标的值序列的5个特征向量。
从校准点提取的特征606可以是在校准点测量的患者血压值。血压可以是使用无创血压监测系统，例如充气袖带式血压监测系统测量的患者的收缩压(SP)、舒张压(DP)、平均动脉压(MAP)、脉压(PP)等的任何一种或多种。特征606可以包括特征600或特征602的每个特征的患者血压值的副本，使得特征606包括与特征600或特征602中的特征一样多的患者血压值的副本。例如，如果特征600包括6个特征向量，则特征602也包括6个特征向量，并且特征606包括患者血压值的六个副本，一个针对特征600或特征602的每个特征。患者血压值的六个副本可以是重复六次测量的患者血压值。
特征604可以是对应于自最近校准点以来经过的时间的值。该值可以是毫秒、秒、分钟等。因为校准点可定期出现，例如每3分钟、每5分钟、每15分钟、每30分钟、每小时、每2小时、每4小时、每8小时等，因此最近校准点可以是在处理电路110在没有校准点之间的任何中间校准点的情况下使用CNIBP模型124确定患者血压的时间和在处理电路110使用CNIBP模型124确定患者血压的时间之前的校准点。例如，如果在达到第一校准点之后达到第二校准点，并且如果CNIBP模型124用于在达到第二校准点之后但在达到第三校准点之前的特定时间确定患者的血压，则第二校准点是CNIBP模型124用于确定患者血压的特定时间的最近校准点。
与特征606类似，特征604可以包括自特征600或特征602的每个特征的最近校准点以来经过的时间的值的副本，使得特征604包括与在特征600或特征602中特征同样多的自最近的校准点以来经过的时间的值。例如，如果特征600包括6个特征向量，则特征602也包括6个特征向量，并且特征604包括自最近校准点以来经过的时间值的六个副本，一个副本用于特征600或特征602的每个特征。自最近校准点起经过的时间的六份副本可以是自最近校准点重复六次起经过的时间的值。
训练系统200可以连接特征600、602、604和606并且使用特征600、602、604和606的串联来训练CINBP模型124。如上面参考图2所描述的，在一些实例中，训练系统200的训练模块212可以使用仅来自患者101或来自患者群体的训练数据214来训练CINBP模型124。训练数据21中的每条训练数据可以包括目标血压与特征600、602、604和606的串联的关联，以便训练CNIBP模型124以基于特征600、602、604和60确定血压。
类似地，CNIBP监测装置100(例如，处理电路110)可以使用特征600、602、604和606作为CNIBP模型124的输入来确定患者在时间t的血压。如上所述，CNIBP监测装置100可以根据在时间t从附接到患者的氧饱和度感测装置150(例如脉搏血氧计)接收的PPG信号确定特征600。例如，CNIBP监测装置100可以通过在时间t从PPG信号导出患者的一组指标的值来确定特征600。
CNIBP监测装置100还可以根据它在距时间t的最近校准点处获得的校准数据来确定特征602和特征606。如上所述，距时间t最近的校准点可以是时间t之前并且也是离时间t最近的之前的校准点。CNIBP监测装置100可以根据在距时间t最近的校准点从附接到患者的氧饱和度感测装置150(例如脉搏血氧计)接收的PPG信号确定特征602。例如，CNIBP监测装置100可以通过在最近校准点从PPG信号导出患者的一组指标的值来确定特征602。
CNIBP监测装置100还可将特征606确定为患者在最近校准点处的血压测量值。例如，CNIBP监测装置100可以使用无创血压监测系统，例如充气袖带式血压监测系统，测量患者的血压。CNIBP监测装置100还可将特征604确定为自最近校准点起在时间t处经过的时间的值。例如，CNIBP监测装置100可以通过从最近校准点的时间中减去时间t来获得特征604。
CNIBP监测装置100可以使用CNIBP模型124来确定患者在时间t的血压。CNIBP监测装置100可以将特征600、特征602、特征604和特征606输入到CNIBP模型124中，并且CNIBP模型124可以作为响应输出患者在时间t的血压。
图7A和7B示出了示例图700A、700B、750A和750B，其描绘了通过使用本文公开的CNIBP模型124确定患者的血压来提高准确性。如图7A所示，曲线图700A描绘了通过血压感测装置(例如动脉管线)测量的患者的血压(例如平均动脉压、收缩压、舒张压等)，以及至少部分地基于患者的PPG信号、通过尚未使用校准数据训练的CNIBP模型确定的患者的血压。同时，曲线图700B描绘了通过血压感测装置(例如动脉管线)测量的患者的血压(例如平均动脉压、收缩压、舒张压等)，以及根据本文公开的技术，例如通过使用图5中深度学习架构500所示的神经网络，至少部分地基于患者的PPG信号、通过尚未使用校准数据训练的CNIBP模型124确定的患者的血压。
在图7A和7B的例子中，CNIBP模型124可以使用MATLAB来实现。此外，可以使用脉搏血氧计获取患者的PPG信号，并且CNIBP模型124的特征可以从患者的15个脉搏(即心动周期)中得出。可以看出，通过如图700B所示已使用校准数据训练的CNIBP模型124确定的患者血压，与如图700A所示通过未使用校准数据训练的CNIBP模型确定的患者血压相比，与通过血压传感装置测量的患者的血压跟踪得紧密得多。
如图7B所示，曲线图750A描绘了通过尚未使用校准数据训练的CNIBP模型确定的一组患者的血压与通过血压感测装置测量的患者的血压之间的差异的测量。相反，曲线图750B描绘了通过使用校准数据训练的CNIBP模型124确定的相同组患者的血压与通过血压感测装置测量的患者的血压之间的差异的测量。图750A和750B中所示的差异的测量可以例如通过均方根偏差(RMSD)来确定。从图750A和750B可以看出，通过使用校准数据训练的CNIBP模型124确定的一组患者的血压与通过未使用校准数据训练的CNIBP模型确定的相同组的患者的血压相比，与患者血压的差异小得多。
图8图示了图1和图2的CNIBP模型124的深度学习架构800的另一实例。深度学习架构800不同于图5所示的深度学习架构500，不同之处在于特征604和特征606是深度学习架构800的神经网络的单独输入，它们随后在网络中组合，例如通过使用添加层或串联层。与其中特征600、特征602、特征604和特征606被串联并输入到深度学习架构500中的深度学习架构500的神经网络相比，这可以使神经网络能够更容易地学习两个特征集之间的关系，例如在用于确定患者血压的在特定时间确定的特征600和在最近的校准点确定的特征602之间的关系。
如图8所示，深度学习架构800包括序列输入层802、序列输入层804、一个或多个长短期记忆(LSTM)层806、一个或多个LSTM层808、合并层810、密集层816和回归输出层818。序列输入层802连接到一个或多个LSTM层806。序列输入层804连接到一个或多个LSTM层808。一个或多个LSTM层806和一个或多个LSTM层808连接到合并层810。合并层810连接到密集层816。密集层816连接到回归输出层818。
序列输入层例如序列输入层802和序列输入层804将序列数据输入到神经网络。因此，序列输入层802和804接收用于训练深度学习架构800的特征。在图8的例子中，序列输入层802接收特征600，该特征包含从在当前时间接收的PPG信号导出的患者的一组指标的值，同时序列输入层804接收特征602，该特征包含从在最近校准点接收的PPG信号导出的患者的同一组指标的值。
LSTM层，例如一个或多个LSTM层806和一个或多个LSTM层808，学习时间序列中的时间步长与序列数据之间的长期依赖关系。LSTM层执行加性交互，这可有助于在训练期间改善长序列上的梯度流。在图8的例子中，一个或多个LSTM层806可以从序列输入层802接收输入，并且一个或多个LSTM层808可以从序列输入层804接收输入。
诸如合并层810的合并层也可以称为附加层或串联层。合并层逐元素添加来自多个神经网络层的输入。在图8的例子中，合并层810可以添加来自一个或多个LSTM层806、一个或多个LSTM层808、特征604和特征606的输入。特征604可以是自最近校准点的时间以来在当前时间经过的时间。特征606可以是在最近校准点测量的患者血压。
密集层，例如密集层816，是神经网络中的常规神经元层。神经元层中的每个神经元都可接收来自前一层中所有神经元的输入。在图8的例子中，密集层816中的每个神经元可以从合并层810中的所有神经元接收输入。
诸如回归输出层818的回归输出层计算回归问题的半均方误差损失，并输出作为训练深度学习架构800的结果的训练的回归网络的预测响应。在图8的例子中，回归输出层818接收密集层816的输出并计算回归问题的半均方误差损失以输出患者当前时间的预测血压。
在一些实例中，代替训练CNIBP模型124预测患者101在当前时间的血压，训练系统200可以训练CNIBP模型124预测在最近校准点测量的患者101的血压(BP校准)和患者101在当前时间的血压之间的差异(BP变化)。处理电路110然后可以通过至少将在最近校准点测量的患者的血压与在最近校准点测量的患者的血压和患者在当前时间的血压之间的差异相加(BP校准+BP变化)来确定患者101在当前时间的血压。
图9是图示使用CNIBP模型124确定患者血压的示例方法的流程图。虽然图9关于CNIBP监测装置100(图1)的处理电路110描述，但在其他实例中，单独的或与处理电路110组合的不同处理电路可以执行图9的技术的任何部分。图9中所示的技术包括通过处理电路110至少通过以下方式确定在校准点处连续无创血压模型124的校准数据：在校准点通过处理电路110从血压感测装置152接收血压信号(指示患者101的血压)，在校准点通过处理电路110从氧饱和度感测装置150接收第一PPG信号(指示患者101的血氧饱和度)，并且通过处理电路从第一PPG信号导出患者101的一组指标的第一值(902)。在一些实例中，校准点可以包含指定的时间段，例如单个心动周期。
在一些实例中，连续无创血压模型124是通过机器学习在训练数据上进行训练的神经网络算法，所述训练数据至少包括在患者101(患者特定的数据)和/或患者群体的最近校准点处的校准数据集、自最近校准点以来经过的时间集、患者101和/或患者群体的PPG信号集以及患者101和/或患者群体的目标血压值集。
在一些实例中，患者101的一组指标包括以下一项或多项：PPG脉冲持续时间、收缩压上升的最大上行斜率的PPG相对位置、PPG峰值位置和幅度、PPG灌注指数、PPG基线趋势、PPG呼吸周期信息、PPG上行区域、PPG下行区域、PPG上行斜率的最大梯度或PPG基线值。
图9中所示的技术还包括在校准点之后的特定时间通过处理电路110并从氧饱和度感测装置150接收第二PPG信号(904)。图9中所示的技术还包括通过处理电路110从第二PPG信号导出患者101的一组指标的第二值(906)。在一些实例中，该组指标的第一值包括随着时间的第一多个值序列，并且该组指标的第二值包括随着时间的第二多个值序列。
图9中所示的技术还包括通过处理电路110使用连续无创血压模型124并且并至少部分地基于输入在校准点确定的校准数据、所述一组指标的第二值以及在所述特定时间自校准点进入连续无创血压模型中经过的时间，确定在所述特定时间的患者101的血压(908)。
在一些实例中，图3中所示的技术还包括由处理电路110至少通过以下方式定期确定在多个校准点处的连续无创血压模型124的校准数据：由处理电路110从血压感测装置152定期接收患者101的血压测量值，由处理电路从氧饱和度感测装置150定期接收患者101的PPG信号，并且由处理电路110从PPG信号定期导出患者的一组指标值，其中患者101在校准点处的血压测量值和患者101的一组指标的第一值包括在多个校准点中的特定时间的最近校准点处的校准数据。
在一些实例中，图9中所示的技术还包括，其中血压测量包括第一血压测量，校准点包括多个校准点中的第一校准点，特定时间包括第一特定时间，由处理电路110至少通过以下方式确定在多个校准点中的第二校准点处的连续无创血压模型124的校准数据：在第二校准点由处理电路110从血压感测装置152接收患者101的第二血压测量值，在第二校准点由处理电路110从氧饱和度感测装置150接收第三PPG信号，并且由处理电路110从第三PPG信号导出患者101的一组指标的第三值。第二校准点可以处于晚于第一校准点的时间。
在一些实例中，图9中所示的技术还包括在第二校准点之后的第二特定时间通过处理电路110从氧饱和度感测装置150接收第四PPG信号，其中第二校准点是第二特定时间的最近校准点。在一些实例中，图9中所示的技术还包括通过处理电路110从第四PPG信号导出患者101的所述一组指标的第四值。
在一些实例中，图9中所示的技术还包括通过处理电路110使用连续无创血压模型124并且并至少部分地基于输入在第二校准点确定的校准数据、所述一组指标的第四值以及在所述第二特定时间自第二校准点进入连续无创血压模型124中经过的时间，确定在所述第二特定时间的患者101的血压。
本公开中描述的技术，包括那些归属于装置100、处理电路110、控制电路122、感测电路140、142或各种组成组件的技术，可以至少部分地以硬件、软件、固件或其任何组合来实现。例如，可以在一个或多个处理器内实现技术的各个方面，所述处理器包括一个或多个微处理器、DSP、ASIC、FPGA或任何其他等效的集成或分立逻辑电路，以及体现在编程器如临床医师或患者编程器、医疗装置或其他装置中的此类组件的任何组合。例如，处理电路系统、控制电路系统和感测电路系统以及本文描述的其他处理器和控制器可以被至少部分地实现为或者包括一个或多个可执行应用、应用模块、库、类、方法、对象、例程、子例程、固件和/或嵌入式代码。
在一个或一个以上实例中，本发明中所描述的功能可以硬件，软件，固件或其任何组合来实施。如果以软件加以实现，则功能可以作为一个或多个指令或代码被存储在计算机可读介质上并且由基于硬件的处理单元执行。计算机可读介质可以是包括用指令编码的非暂时性计算机可读存储介质的制品。嵌入或编码在包括已编码的非暂时性计算机可读存储介质的制品中的指令可以使一个或多个可编程处理器或其他处理器实现本文所述的一种或多种技术，例如当包括或编码在非暂时性计算机可读存储介质中的指令由一个或多个处理器执行时。实例非暂时性计算机可读存储媒体可包括RAM、ROM、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电子可擦除可编程ROM(EEPROM)、快闪存储器、硬盘、光盘ROM(CD-ROM)、软盘、盒式磁带、磁性媒体、光学媒体或任何其它计算机可读存储装置或有形计算机可读媒体。
在一些实例中，计算机可读存储媒体包含非暂时性媒体。术语“非暂时性”可指示存储媒体未实施于载波或传播信号中。在某些示例中，非暂时性存储介质可以存储能够随时间推移改变(例如，在RAM或高速缓存中)的数据。
本文中所描述的功能性可在专用硬件和/或软件模块内提供。将不同特征描绘为模块或单元旨在突出不同的功能方面，并且不一定暗示此类模块或单元必须由单独的硬件或软件组件来实现。相反，与一个或多个模块或单元相关联的功能性可由单独的硬件或软件组件执行，或集成在共用的或单独的硬件或软件组件内。同样，所述技术可以完全在一个或多个电路或逻辑元件中实现。
实例1：在第一实例中，一种方法包括在校准点确定连续无创血压模型的校准数据，其中确定所述校准数据包括：在校准点从血压感测装置接收患者的血压测量值，在校准点从氧饱和度感测装置接收第一光容积描记(PPG)信号，并从第一PPG信号导出患者的一组指标的第一值。该方法还包括在校准点之后的特定时间从氧饱和度感测装置接收第二PPG信号；从第二PPG信号导出患者的一组指标的第二值；以及使用连续无创血压模型并至少部分地基于输入在校准点确定的校准数据、所述一组指标的第二值以及在所述特定时间自校准点进入连续无创血压模型中经过的时间，确定在所述特定时间的患者血压。
实例2：在实例1所述的一些实例中，连续无创血压模型包括通过机器学习在训练数据上进行训练的神经网络算法，所述训练数据至少包括在患者群体的最近校准点处的校准数据集、自最近校准点以来经过的时间集、患者群体的PPG信号集以及患者群体的目标血压值集。
实例3：在实例1或实例2所述的一些实例中，连续无创血压模型包括通过机器学习在训练数据上进行训练的神经网络算法，所述训练数据至少包括在患者的校准点处的校准数据集、自校准点以来经过的时间集、患者的PPG信号集以及患者的目标血压值集。
实例4：在实例1-3中任一项所述的一些实例中，该组指标的第一值包括随着时间的第一多个值序列；并且该组指标的第二值包括随着时间的第二多个值序列。
实例5：在实例4所述的一些实例中，患者的一组指标包括以下一项或多项：PPG脉冲持续时间、收缩压上升的最大上行斜率的PPG相对位置、PPG峰值位置和幅度、PPG灌注指数、PPG基线趋势、PPG呼吸周期信息、PPG上行区域、PPG下行区域、PPG上行斜率的最大梯度或PPG基线值。
实例6：在实例1-5中任一项所述的一些实例中，所述方法还包括通过至少以下方式定期确定多个校准点处的连续无创血压模型的校准数据：从血压感测装置定期接收患者的血压测量值，从氧饱和度感测装置定期接收PPG信号，并且从PPG信号定期导出患者的一组指标值，其中患者在校准点处的血压测量值和患者的一组指标的第一值包括在多个校准点中的特定时间的最近校准点处的校准数据。
实例7：在实例6所述的一些实例中，血压测量包括第一血压测量，校准点包括多个校准点中的第一校准点，并且特定时间包括第一特定时间，所述方法还包括：至少通过以下方式在多个校准点中的第二校准点确定连续无创血压模型的校准数据：在第二校准点从血压感测装置接收患者的第二血压测量值，在第二校准点从氧饱和度感测装置接收第三PPG信号，并从第三PPG信号导出患者的一组指标的第三值；在第二校准点之后的第二特定时间从氧饱和度感测装置接收第四PPG信号，其中第二校准点是第二特定时间的最近校准点；从第四个PPG信号导出患者的一组指标的第四值；并使用连续无创血压模型并至少部分基于输入在第二校准点确定的校准数据、所述一组指标的第四值以及在第二特定时间自第二校准点进入连续无创血压模型以来经过的时间，确定患者在第二特定时间的血压。
实例8：在实例1-7中任一项所述的一些实例中，确定患者在特定时间的血压进一步包括：使用连续无创血压模型并且至少部分地基于患者在校准点的血压测量值、所述一组指标的第一值、所述一组指标的第二值以及从校准点开始在特定时间经过的时间，确定在校准点和特定时间之间的预测血压变化；以及至少部分地基于在校准点处患者的血压测量值和在校准点与特定时间之间的血压预测变化确定特定时间的患者血压。
实例9：在实例1-8中任一项所述的一些实例中，所述校准点包括指定的时间段。
实例10：在另一实例中，一种系统包括：血压感测装置；氧饱和度感测装置；和处理电路，所述处理电路被配置为：通过至少以下方式在校准点确定连续无创血压模型的校准数据：从所述血压感测装置，在校准点接收患者的血压测量值，从所述氧饱和度感测装置，在校准点接收第一光容积描记(PPG)信号，并从第一PPG信号，导出患者的一组指标的第一值；在校准点之后的特定时间，从所述氧饱和度感测装置，接收第二PPG信号；从第二PPG信号，导出患者的所述一组指标的第二值；并且使用所述连续无创血压模型并至少部分地基于输入在校准点确定的校准数据，确定所述一组指标的第二值，以及在所述特定时间自校准点进入连续无创血压模型中经过的时间，在所述特定时间的患者血压。
实例11：在实例10所述的一些实例中，连续无创血压模型是通过机器学习在训练数据上进行训练的神经网络算法，所述训练数据至少包括在患者群体的最近校准点处的校准数据集、自最近校准点以来经过的时间集、患者群体的PPG信号集以及患者群体的目标血压值集。
实例12：在实例10或实例11所述的一些实例中，连续无创血压模型包括通过机器学习在训练数据上进行训练的神经网络算法，所述训练数据至少包括在患者的校准点处的校准数据集、自校准点以来经过的时间集、患者的PPG信号集以及患者的目标血压值集。
实例13：在实例10-12中任一项所述的一些实例中，该组指标的第一值包括随着时间的第一多个值序列；并且该组指标的第二值包括随着时间的第二多个值序列。
实例14：在实例10-13中任一项所述的一些实例中，患者的一组指标包括以下一项或多项：PPG脉冲持续时间、收缩压上升的最大上行斜率的PPG相对位置、PPG峰值位置和幅度、PPG灌注指数、PPG基线趋势、PPG呼吸周期信息、PPG上行区域、PPG下行区域、PPG上行斜率的最大梯度或PPG基线值。
实例15：在实例10-15中任一项所述的一些实例中，所述处理电路还被配置为：通过至少以下方式定期确定多个校准点处的连续无创血压模型的校准数据：从血压感测装置定期接收患者的血压测量值，从氧饱和度感测装置定期接收患者的PPG信号，并且从PPG信号定期导出患者的一组指标值；并且其中患者在校准点处的血压测量值和患者的一组指标的第一值包括在多个校准点中的特定时间的最近校准点处的校准数据。
实例16：在实例15所述的一些实例中，血压测量包括第一血压测量，校准点包括多个校准点中的第一校准点，特定时间包括第一特定时间，并且所述处理电路还配置为：至少通过以下方式在多个校准点中的第二校准点确定连续无创血压模型的校准数据：在第二校准点从血压感测装置接收患者的第二血压测量值，在第二校准点从氧饱和度感测装置接收第三PPG信号，并从第三PPG信号导出患者的一组指标的第三值；在第二校准点之后的第二特定时间从氧饱和度感测装置接收第四PPG信号，其中第二校准点是第二特定时间的最近校准点；从第四个PPG信号导出患者的一组指标的第四值；并使用连续无创血压模型并至少部分基于输入在第二校准点确定的校准数据、所述一组指标的第四值以及在第二特定时间自第二校准点进入连续无创血压模型以来经过的时间，确定患者在第二特定时间的血压。
实例17：在实例10-16中任一项所述的一些实例中，被配置用于确定患者在特定时间的血压的处理电路进一步被配置为：使用连续无创血压模型并且至少部分地基于患者在校准点的血压测量值、所述一组指标的第一值、所述一组指标的第二值以及从校准点开始在特定时间经过的时间，确定在校准点和特定时间之间的预测血压变化；以及至少部分地基于校准点处患者的血压测量值和在校准点与特定时间之间的血压预测变化确定特定时间的患者血压。
实例18：在实例10-17中任一项所述的一些实例中，所述校准点包括指定的时间段。
实例19：在另一实例中，一种包括指令的非暂时性计算机可读存储介质，所述指令在被执行时使处理电路：通过至少以下方式在校准点确定连续无创血压模型的校准数据：在校准点接收患者的血压测量值，在校准点接收第一光容积描记(PPG)信号，并从第一PPG信号，导出患者的一组指标的第一值；在校准点之后的特定时间，接收第二PPG信号；从第二PPG信号，导出患者的所述一组指标的第二值；并且使用所述连续无创血压模型并至少部分地基于输入在校准点确定的校准数据、所述一组指标的第二值以及在所述特定时间自校准点进入连续无创血压模型中经过的时间，确定在所述特定时间的患者血压。
实例20：在实例19所述的一些实例中，连续无创血压模型是通过机器学习在训练数据上进行训练的神经网络算法，所述训练数据至少包括在患者群体的最近校准点处的校准数据集、最近校准点以来经过的时间集、患者群体的PPG信号集以及患者群体的目标血压值集。
已经描述了本公开的各种实例。考虑所描述的系统、操作或功能的任何组合。这些和其它实例在随附权利要求书的范围内。

Claims (11)

1.一种系统，其包含：
血压感应装置；
氧饱和度感测装置；和
处理电路，所述处理电路被配置成：
至少通过以下方式确定校准点处连续无创血压模型的校准数据：
在所述校准点从所述血压感测装置接收患者的血压测量值，
在所述校准点从所述氧饱和度感测装置接收第一光容积描记(PPG)信号，以及
从第一PPG信号导出患者的一组指标的第一值；
在所述校准点之后的特定时间从所述氧饱和度感测装置接收第二PPG信号；
从第二PPG信号导出患者的所述一组指标的第二值；和
使用所述连续无创血压模型并至少部分地基于输入在所述校准点确定的所述校准数据、所述一组指标的第二值以及在所述特定时间自校准点进入所述连续无创血压模型中经过的时间，确定在所述特定时间的患者血压。
2.根据权利要求1所述的系统，其中所述连续无创血压模型包括通过机器学习在训练数据上进行训练的神经网络算法，所述训练数据至少包括在患者群体的最近校准点处的校准数据集、自所述最近校准点以来经过的时间集、患者群体的PPG信号集以及患者群体的目标血压值集。
3.根据权利要求1或2所述的系统，其中所述连续无创血压模型包括通过机器学习在训练数据上进行训练的神经网络算法，所述训练数据至少包括所述患者的在校准点处的校准数据集、自所述校准点以来经过的时间集、所述患者的PPG信号集以及所述患者的目标血压值集。
4.根据权利要求1-3的任一组合的系统，其中：
所述一组指标的第一值包括随着时间的第一多个值序列；和
所述一组指标的第二值包括随着时间的第二多个值序列。
5.根据权利要求1-4的任一组合的系统，其中所述患者的所述一组指标包括以下一项或多项：PPG脉冲持续时间、收缩压上升的最大上行斜率的PPG相对位置、PPG峰值位置和幅度、PPG灌注指数、PPG基线趋势、PPG呼吸周期信息、PPG上行区域、PPG下行区域、PPG上行斜率的最大梯度或PPG基线值。
6.根据权利要求1到5的任一组合的系统，其中所述处理电路系统被进一步配置成：
至少通过以下方式定期确定多个校准点的所述连续无创血压模型的校准数据：
从所述血压感测装置定期接收患者的所述血压测量值，
从所述氧饱和度感测装置定期接收患者的PPG信号，以及
从所述PPG信号定期导出患者的所述一组指标的值；和
其中患者在所述校准点处的所述血压测量值和患者的所述一组指标的第一值包括在所述多个校准点中的特定时间的最近校准点处的校准数据。
7.根据权利要求6所述的系统，其中所述血压测量值包括第一血压测量值，所述校准点包括所述多个校准点中的第一校准点，所述特定时间包括第一特定时间，以及所述处理电路进一步配置为：
至少通过以下方式确定所述多个校准点中的第二校准点处的所述连续无创血压模型的校准数据：
在第二校准点从所述血压感测装置接收患者的第二血压测量值，
在第二校准点从所述氧饱和度感测装置接收第三PPG信号，以及
从第三PPG信号导出患者的所述一组指标的第三值；
在第二校准点之后的第二特定时间从所述氧饱和度感测装置接收第四PPG信号，其中第二校准点是第二特定时间的最近校准点；
从第四PPG信号导出患者的所述一组指标的第四值；和
使用所述连续无创血压模型并至少部分地基于输入在所述第二校准点确定的所述校准数据、所述一组指标的第四值以及在所述第二特定时间自第二校准点进入所述连续无创血压模型中经过的时间，确定在所述第二特定时间的患者血压。
8.根据权利要求1-7的任一组合的系统，其中被配置为确定患者在所述特定时间的血压的所述处理电路还被配置为：
使用所述连续无创血压模型并且至少部分地基于患者在所述校准点的所述血压测量值、所述一组指标的第一值、所述一组指标的第二值以及从所述校准点以来在所述特定时间经过的时间，确定在所述校准点和所述特定时间之间的预测血压变化；和
至少部分地基于在所述校准点处患者的所述血压测量值和在所述校准点和所述特定时间之间的所述预测血压变化，确定在所述特定时间的患者血压。
9.根据权利要求1-8的任一组合的系统，其中所述校准点包括指定的时间段。
10.一种非暂时性计算机可读可存储介质，其包括指令，当所述指令被执行时其导致处理电路：
至少通过以下方式确定校准点处连续无创血压模型的校准数据：
在所述校准点接收患者的血压测量值，
在所述校准点接收第一光容积描记(PPG)信号，以及
从第一PPG信号导出患者的一组指标的第一值；
在所述校准点之后的特定时间接收第二PPG信号；
从第二PPG信号导出患者的所述一组指标的第二值；和
使用所述连续无创血压模型并至少部分地基于输入在所述校准点确定的所述校准数据、所述一组指标的第二值以及在所述特定时间自校准点进入所述连续无创血压模型中经过的时间，确定在所述特定时间的患者血压。
11.根据权利要求10所述的计算机可读可存储介质，其中所述连续无创血压模型是通过机器学习在训练数据上进行训练的神经网络算法，所述训练数据至少包括在患者群体的最近校准点处的校准数据集、自所述最近校准点以来经过的时间集、患者群体的PPG信号集以及患者群体的目标血压值集。
CN202080087877.2A 2019-12-20 2020-12-18 使用人工智能进行连续无创血压监测的校准 Pending CN114867410A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/723,678 2019-12-20
US16/723,678 US11367525B2 (en) 2019-12-20 2019-12-20 Calibration for continuous non-invasive blood pressure monitoring using artificial intelligence
PCT/US2020/066000 WO2021127427A1 (en) 2019-12-20 2020-12-18 Calibration for continuous non-invasive blood pressure monitoring using artificial intelligence

Publications (1)

Publication Number Publication Date
CN114867410A true CN114867410A (zh) 2022-08-05

Family

ID=74195120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080087877.2A Pending CN114867410A (zh) 2019-12-20 2020-12-18 使用人工智能进行连续无创血压监测的校准

Country Status (4)

Country Link
US (1) US11367525B2 (zh)
EP (1) EP4076167B1 (zh)
CN (1) CN114867410A (zh)
WO (1) WO2021127427A1 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230162869A1 (en) * 2021-11-22 2023-05-25 ChroniSense Medical Ltd. Error Correction in Measurements of Medical Parameters
US11903689B2 (en) 2019-12-20 2024-02-20 Know Labs, Inc. Non-invasive analyte sensor device
US12059239B2 (en) 2018-05-08 2024-08-13 Know Labs, Inc. Electromagnetic shielding in non-invasive analyte sensors
EP3770921A1 (en) * 2019-07-22 2021-01-27 Tata Consultancy Services Limited Method and system for pressure autoregulation based synthesizing of photoplethysmogram signal
US12023151B2 (en) 2020-02-20 2024-07-02 Know Labs, Inc. Non-invasive analyte sensing and notification system with decoupled transmit and receive antennas
US11832926B2 (en) 2020-02-20 2023-12-05 Know Labs, Inc. Non-invasive detection of an analyte and notification of results
US12089927B2 (en) 2020-02-20 2024-09-17 Know Labs, Inc. Non-invasive analyte sensing and notification system with decoupled and inefficient transmit and receive antennas
US12092589B1 (en) 2020-04-03 2024-09-17 Know Labs, Inc. In vitro analyte sensor using one or more detector arrays that operate in radio/microwave frequency bands
KR20220009672A (ko) * 2020-07-16 2022-01-25 삼성전자주식회사 혈압 추정 장치 및 방법
US11764488B2 (en) 2020-09-09 2023-09-19 Know Labs, Inc. Methods for determining variability of a state of a medium
US12019034B2 (en) 2020-09-09 2024-06-25 Know Labs, Inc. In vitro sensing methods for analyzing in vitro flowing fluids
US12007338B2 (en) 2020-09-09 2024-06-11 Know Labs Inc. In vitro sensor for analyzing in vitro flowing fluids
US11510597B2 (en) 2020-09-09 2022-11-29 Know Labs, Inc. Non-invasive analyte sensor and automated response system
US11689274B2 (en) 2020-09-09 2023-06-27 Know Labs, Inc. Systems for determining variability in a state of a medium
CN115530785A (zh) * 2021-06-30 2022-12-30 华为技术有限公司 测量血压的装置与方法
CN113509160A (zh) * 2021-08-04 2021-10-19 天津工业大学 一种连续无创血压监测方法及装置
CN113842135A (zh) * 2021-09-18 2021-12-28 吉林大学 一种基于BiLSTM的睡眠呼吸异常自动筛查方法
CN113786180B (zh) * 2021-10-25 2023-10-20 中国科学技术大学 基于毫米波雷达信号的人体血压检测装置
US20230355140A1 (en) 2022-05-05 2023-11-09 Know Labs, Inc. High performance glucose sensor
US11802843B1 (en) 2022-07-15 2023-10-31 Know Labs, Inc. Systems and methods for analyte sensing with reduced signal inaccuracy
US12033451B2 (en) 2022-08-15 2024-07-09 Know Labs, Inc. Systems and methods for analyte-based access controls
US11696698B1 (en) 2022-10-03 2023-07-11 Know Labs, Inc. Analyte sensors with position adjustable transmit and/or receive components
US11903701B1 (en) 2023-03-22 2024-02-20 Know Labs, Inc. Enhanced SPO2 measuring device

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9301697B2 (en) 2008-09-30 2016-04-05 Nellcor Puritan Bennett Ireland Systems and methods for recalibrating a non-invasive blood pressure monitor
US8825428B2 (en) 2010-11-30 2014-09-02 Neilcor Puritan Bennett Ireland Methods and systems for recalibrating a blood pressure monitor with memory
EP2544125A1 (en) 2011-07-04 2013-01-09 Sabirmedical, S.L. Methods and systems for non-invasive measurement of blood pressure
US9861317B2 (en) 2014-02-20 2018-01-09 Covidien Lp Methods and systems for determining regional blood oxygen saturation
US10980430B2 (en) * 2016-03-10 2021-04-20 Healthy.Io Ltd. Cuff-less multi-sensor system for statistical inference of blood pressure with progressive learning/tuning
US10959681B2 (en) * 2017-04-19 2021-03-30 Vital Connect, Inc. Noninvasive blood pressure measurement and monitoring
EP3430991A1 (en) 2017-07-21 2019-01-23 Koninklijke Philips N.V. Apparatus and method for determining blood pressure of a subject

Also Published As

Publication number Publication date
US11367525B2 (en) 2022-06-21
US20210193311A1 (en) 2021-06-24
EP4076167B1 (en) 2023-08-23
EP4076167A1 (en) 2022-10-26
WO2021127427A1 (en) 2021-06-24

Similar Documents

Publication Publication Date Title
EP4076167B1 (en) Calibration for continuous non-invasive blood pressure monitoring using artificial intelligence
US11571139B2 (en) Wearable system and method for measuring oxygen saturation
US9693736B2 (en) Systems and methods for determining respiration information using historical distribution
US12048537B2 (en) Mitigating input blood pressure variability in autoregulation monitoring
EP3849407B1 (en) System and method for monitoring respiratory rate and oxygen saturation
US20120136261A1 (en) Systems and methods for calibrating physiological signals with multiple techniques
US10932673B2 (en) Non-cerebral organ autoregulation status determination
JP2013510678A (ja) 複合型生理学的センサのシステムおよび方法
Chacon et al. A wearable pulse oximeter with wireless communication and motion artifact tailoring for continuous use
US11517226B2 (en) Oxygen saturation monitoring using artificial intelligence
US11219376B2 (en) Identifying anomalous autoregulation state values
US10660530B2 (en) Determining changes to autoregulation
US20200146636A1 (en) Determining arterial pressures
CN115426948A (zh) 通过正向电压测量的传感器检验
US20230263478A1 (en) Oxygen saturation monitoring using artificial intelligence
US11026586B2 (en) Determining changes to autoregulation
Huang et al. Novel continuous respiratory rate monitoring using an armband wearable sensor
WO2020069229A1 (en) Non-invasive device and methods for monitoring muscle tissue condition
US20220400960A1 (en) Autoregulation monitoring using deep learning
US11839471B2 (en) Autoregulation monitoring using deep learning
EP4094682A1 (en) Method, apparatus and computer program product for analysing a pulse wave signal
US20220047225A1 (en) Autoregulation status monitoring
US20240245307A1 (en) Multi-sensor upper arm band for physiological measurements and algorithms to predict glycemic events
US20220031208A1 (en) Machine learning training for medical monitoring systems
CN116634932A (zh) 用于分析脉搏波信号的方法、装置和计算机程序产品

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