CN117918805A - 基于多指标的示波法血压测量中脉搏波质量自动评估系统 - Google Patents
基于多指标的示波法血压测量中脉搏波质量自动评估系统 Download PDFInfo
- Publication number
- CN117918805A CN117918805A CN202410094880.7A CN202410094880A CN117918805A CN 117918805 A CN117918805 A CN 117918805A CN 202410094880 A CN202410094880 A CN 202410094880A CN 117918805 A CN117918805 A CN 117918805A
- Authority
- CN
- China
- Prior art keywords
- signal
- pulse wave
- quality
- amplitude
- module
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 54
- 238000009530 blood pressure measurement Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000013441 quality evaluation Methods 0.000 claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 230000000877 morphologic effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000036772 blood pressure Effects 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000002441 reversible effect Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000035772 mutation Effects 0.000 claims description 20
- 230000000630 rising effect Effects 0.000 claims description 18
- 238000001303 quality assessment method Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 230000036541 health Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 206010020772 Hypertension Diseases 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000003709 heart valve Anatomy 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 210000002321 radial artery Anatomy 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供一种基于多指标的示波法血压测量中脉搏波质量自动评估系统，涉及可穿戴医疗健康监测技术领域。该系统包括用于对脉搏波信号进行滤波处理的数据预处理模块；针对预处理后的脉搏波信号，筛选出质量评估差的信号并将去除的信号质量一次评估模块；提取出计算血压所需要的有效信号区域的信号截取模块；根据形态特征提取特征指标，得到未评估质量脉搏波信号的特征指标的信号特征指标提取模块；根据脉搏波信号的特征指标，进一步对脉搏波信号质量进行划分的信号质量二次评估模块；利用气囊压力数据对质量一般的信号进行质量修正的信号质量修正模块。该系统克服了传统质量评估方法中人工设定阈值的局限性，评估算法更为高效且具有更高的适应性。
Description
技术领域
本发明涉及可穿戴医疗健康监测技术领域，尤其涉及一种基于多指标的示波法血压测量中脉搏波质量自动评估系统。
背景技术
高血压是一种常见的心血管疾病，在我国心血管疾病的死亡率一直高居第一。同时，我国成人高血压患病率也一直在逐年上升，及时准确的血压测量是高血压诊断治疗以及其他常见心血管疾病防治的基础。在日常的血压监测中，电子血压计是一种常见的自动测量血压设备，其大多基于示波法原理进行测量，这个过程需要根据采集到的脉搏波进行计算。然而，在采集过程中，受环境因素、采集设备因素、操作者操作规范等影响，信号中可能存在噪声、干扰和信号不稳定等问题，进而影响血压预测的准确性和可靠性，导致诊断错误。
因此，对脉搏波进行质量评估显得尤为重要和必要。通过对血压测量的研究，可以有效地提高血压数据的准确性和可靠性，从而提高医院诊断的效率，让患者可以得到及时的治疗。同时对于家庭检测来说，可以有效地减少测量过程中出现的误差。只有测量数据的准确性得到保证，才能实现对高血压的预防和治疗，保障人民的生命健康安全。
专利号为CN115530783A的发明提供了一种血压测量方法、装置及电子血压计。该发明可以利用电子血压计的压力传感器进行信号采集，获取脉搏波信号，提取脉搏波信号的质量参数，并基于质量参数判断脉搏波信号的质量，但是其质量参数是根据几个人为划定的经验阈值进行判定，评估结果易受人为因素影响；同时该方法只对脉搏波的信号质量做了二分类，分类不够细致，易导致部分经处理后可用的数据被丢弃，从而限制了进一步的信号处理和改进的能力。
专利号为CN113440114A的发明提供了一种基于薄膜压力传感器的脉搏波优选方法及装置。通过覆盖薄膜压力传感器在手腕桡动脉处，获取多条通道的脉搏波信号。使用相似度算法判断各通道脉搏波信号的质量，筛选最优通道及其脉搏波信号，剔除质量较差的通道。对于特定通道的脉搏波信号，通过特征值分析确定最优脉搏波信号，否则剔除。但是，此种方法并未从压力脉搏波的整体包络形态上对信号质量进行判别，难以用于评估示波法计算血压所需要的脉搏波包络质量，其特征值和阈值的选择也存在主观性。
专利号为CN113558584A的发明提供了一种基于信号质量评估的脉搏波预处理方法。所述方法可以根据采集到的脉搏波信号的波形特征信息、幅度特征信息以及周期差异信息及时调整脉象传感器的摆放位置或者参数，从而减少了获取到无效的脉搏波信号的概率。解决了现有技术中将脉象传感器采集到的脉搏波信号均作为可用脉搏波信号用于生成脉诊结果，忽略了采集到的脉搏波信号中存在一些形态畸形的脉搏波信号。但是，此方法没有关注到加压或降压过程中的脉搏波信号，难以从整体上评估脉搏波信号质量。
专利号为CN112183354A的发明提供了一种基于SVM的单周期脉搏波信号质量评估方法。根据脉搏波的生理规律进行特征选择，质量评估结果可以很好地反映脉搏波的生理特征，对于数据集中较少出现的样本类型也可以通过关键特征进行识别，排除了非关键特征的干扰，弥补了数据集不完善给分类器带来的缺陷，分类准确率较高。但是，此方法只针对于单周期脉搏波信号进行质量评估，并且分类器为二分类器，并没有给出更细致的质量评估结果，易导致数据的丢失。
专利号为CN115886746A的发明提供了一种脉搏波波形质量等级划分与稳定波形提取方法。所述方法能够优先剔除掉异常单周期脉搏波，避免了异常数据的影响，比使用平均值方法的结果更加准确；同时对波形质量等级的划分更加细化，为后续分析结果的可靠性提供了保证。但这种方法只关注于某一个单周期脉搏波的形态，而忽视了一整段脉搏波信号的整体质量，其稳定波形的提取办法也并不适用于加压过程中的压力脉搏波，其处理方式会导致血压计算信息缺失。
专利号为CN112587104A的发明提供了一种滤除无效脉搏波形的方法。通过计算各个波形中所有点到平均波形对应点的欧式距离绝对值的和，设定阈值滤除无效波形，为滤除无效或较差的波形提供了一个新的思路。但采用与平均波形进行比较进行筛选的方法对于较为复杂的波形可能难以捕捉到所有的关键特征，可能会忽略波形中的局部特征和细微变化。
专利号为CN102670182B的发明提供了一种脉搏波采集质量实时分析装置。包括数据输入模块，数据缓冲与预处理模块，数据分析模块，权重设置模块，评价模块。能将输入的脉搏波信号进行实时分析处理，自动识别出脉搏波信号质量。但其依赖用户设置权重系数，可能导致结果的不一致性。
东南大学刘建的名为“示波法血压测量中的脉搏波形质量评估与量化”的硕士论文通过分析硬件采集系统的数据，提出了一种在示波法血压测量中对于脉搏波波形的量化评估算法，该研究还量化了五种噪声条件对血压值的影响以及它们与标准条件的显著性差异，进一步验证了四分类的边界的可靠性。但仍存在有算法泛化能力较差，并未充分考虑受试者的个体信息的问题。
以上方法大多只关注单周期脉搏波信号质量，忽视了脉搏波信号的整体性。部分方法对于脉搏波整体进行质量评估，但并未提取出脉搏波信号的有效区域，而无效区域中包含的噪声信息则会对质量评估产生干扰。而且，目前的方法对脉搏波整体质量评估工作仅能以一些形态上的明显特征作为依据进行分类，同时通常以人为划定的经验阈值作为质量评估标准，评估方法的泛化能力较差。并且部分专利对于质量等级的划分只有“好”和“坏”两种区别，无法提供准确细致的质量评估结果，限制了进一步的信号处理和改进的能力。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于多指标的示波法血压测量中脉搏波质量自动评估系统，实现示波法血压测量中脉搏波质量的自动评估。
为解决上述技术问题，本发明所采取的技术方案是：基于多指标的示波法血压测量中脉搏波质量自动评估系统，包括数据预处理模块、信号质量一次评估模块、信号截取模块、信号特征指标提取模块、信号质量二次评估模块和信号质量修正模块；所述数据预处理模块用于对获取的脉搏波信号进行滤波处理，去除常见噪声；所述信号质量一次评估模块接收数据预处理模块预处理后的脉搏波信号，筛选出一部分质量评估差的信号并将其去除；所述信号截取模块接收筛选后的其他脉搏波信号，提取出计算血压所需要的有效信号区域；所述信号特征指标提取模块接收脉搏波信号的有效区域并根据形态特征提取特征指标，得到未评估质量脉搏波信号的特征指标；所述信号质量二次评估模块接收脉搏波信号的特征指标，进一步将脉搏波信号划分为质量好、质量一般、质量差三类；所述信号质量修正模块接收质量一般的信号，利用同步采集的气囊压力数据进行质量修正，得到质量修正后的脉搏波信号，完成脉搏波信号的质量评估。
优选地，所述数据预处理模块首先使用低通滤波器去除原始脉搏波信号中的高频噪声；然后进行高通滤波，去除基线漂移对脉搏波的影响。
优选地，所述信号质量一次评估模块，通过提取预处理后的脉搏波信号的幅值特征、形态特征对信号质量进行一次评估，同时使用气囊压力数据对信号质量进行一次评估；所述幅值特征即为脉搏波信号的包络整体幅值；所述形态特征由脉搏波信号波谷点数、波峰点数、波谷完整度、波峰完整度、上升沿斜率、下降沿斜率及气囊压力数据的幅值、上升沿斜率及下降沿斜率组成。
优选地，所述信号质量一次评估模块针对滤波处理后的脉搏波信号数据，提取脉搏波信号的上包络幅值Aup及下包络幅值Adown，计算包络整体幅值A，即A＝Aup-Adown，判断其是否大于预设阈值，如果包络整体幅值A大于预设阈值则保留信号，如果小于预设阈值则筛除信号，将该脉搏波信号质量评估为差；通过设定阈值提取脉搏波信号包络的初始波谷、波峰及末尾波谷，得到脉搏波信号包络的上升沿和下降沿，最终将脉搏波信号分为五段；提取波谷点数、波峰点数、波谷完整度、波峰完整度、上升沿斜率、下降沿斜率多个指标，作为脉搏波信号质量评估的标准；同时获取同步采集的气囊压力数据，计算其幅值、上升沿斜率及下降沿斜率，同步作为脉搏波信号质量评估的标准；通过计算形态特征所包含的指标并与预设的阈值进行比较，判断脉搏波信号的质量是否满足要求；如果所有指标均满足预设的阈值要求，则保留信号，否则将信号质量评估为差，筛除该脉搏波信号。
优选地，所述信号截取模块包括前端噪声去除单元与后端噪声去除单元，通过去除脉搏波信号的前端噪声和后端噪声对脉搏波信号进行截取；所述前端噪声去除单元用于去除数据采集前期产生的不稳定信号；通过提取脉搏波信号的上包络幅值Aup，设定截取阈值Afront，并截取初期幅值小于截取阈值的信号部分，去除前端噪声，得到前端有效区域；所述后端噪声去除单元用于去除数据采集末期产生的反向信号；首先，提取每个周期脉搏波的峰值点和谷值点坐标，当谷值点的纵坐标与峰值点的纵坐标之和小于0，表示出现了反向波形；其次，去除识别到的反向波形，得到后端有效区域；将前端有效区域和后端有效区域拼接得到脉搏波信号的有效区域。
优选地，所述信号特征指标提取模块用于提取突变点特征指标、反向波特征指标、波形完整度特征指标和多峰特征指标，并将这些特征指标组合成一个特征矩阵，从而将信号的关键特征信息整合在一起；其中，
突变点特征指标用于提取信号有效区域的突变点，即信号峰值点发生明显变化的位置；通过分析信号的斜率、幅值的变化情况，识别出信号中的突变点，并将其作为特征指标之一；
反向波特征指标用于分析信号中的反向波形；反向波指的是信号中出现的与主波形方向相反的波形；通过检测和分析反向波的出现位置、幅度，提取反向波特征指标；
波形完整度特征指标用于评估信号波形的完整度；通过分析信号波形的形状、平滑度、持续时间，量化信号的波形完整度，并将其作为特征指标之一；
多峰特征指标用于检测信号中存在的多个包络峰值；通过分析信号的包络峰值数量、包络峰值位置、包络峰值幅度，提取多峰特征指标，用于描述信号中的包络峰值情况。
优选地，所述信号质量二次评估模块采用一种融合模型，结合随机森林和SVM的方法，对脉搏波信号进行进一步的质量评估，并将新特征添加到原有特征矩阵中，以供SVM模型进行训练和分类；首先，使用随机森林分类器对脉搏波信号进行分类；并将随机森林分类器得到的分类结果作为新的特征，添加到信号特征指标提取模块提取的特征矩阵中，构建扩展后的新特征矩阵；最后，使用SVM作为分类器，利用扩展后的新特征矩阵进行模型训练，构建一个分类模型，将信号质量一次评估后的脉搏波信号样本划分为质量好、质量一般和质量差三个类别，结合信号质量一次评估的结果，完成脉搏波信号的质量评估。
优选地，所述信号质量修正模块利用脉搏波对应的气囊压力数据对质量一般的脉搏波信号进行了质量修正；首先，识别出脉搏波信号中存在异常的区域；然后，根据异常区域的位置，确定其对应的压力范围；再通过与气囊内压力传感器检测的气囊压力数据进行对应；最后，计算气囊压力数据与脉搏波之间的幅值系数，调整气囊压力数据的幅值，将提取到的气囊压力数据与异常脉搏波数据进行替换，完成质量一般信号的质量修正。
采用上述技术方案所产生的有益效果在于：本发明提供的基于多指标的示波法血压测量中脉搏波质量评估系统，克服了传统质量评估方法中人工设定阈值的局限性，评估算法更为高效且具有更高的适应性；使用信号质量一次评估模块，对脉搏波信号的整体形态特征进行了评估，从整体上对信号质量进行了筛选；通过信号截取模块减少了脉搏波信号无效区域中噪声对质量评估的干扰，简化了计算和分析过程；使用信号特征指标提取模块可以更好地分析整体脉搏波信号中的局部特征和细微变化，提高评估算法的准确度和灵敏度；利用融合模型进行脉搏波信号质量评估综合了多个模型的优势、提高了算法的泛化能力以及能更好地适应复杂特征关联性；提出的信号质量三分类模型使评估结果更为精细，增强了进一步的信号处理和改进的能力；使用信号质量修正模块，可以更好地保留数据的有效信息，提高数据准确性。
附图说明
图1为本发明实施例提供的基于多指标的示波法血压测量中脉搏波质量评估系统的结构框图；
图2为本发明实施例提供的数据预处理模块的实现框图；
图3为本发明实施例提供的信号质量一次评估模块的实现框图；
图4为本发明实施例提供的信号截取模块的实现框图；
图5为本发明实施例提供的信号截取的结果图，其中，(a)为原始信号，(b)为信号截取后的有效区域的信号；
图6为本发明实施例提供的信号特征指标提取模块的实现框图；
图7为本发明实施例提供的信号质量二次评估模块的实现框图；
图8为本发明实施例提供的质量评估为好的信号评价示例；
图9为本发明实施例提供的质量评估为一般的信号评价示例，其中，(a)为脉搏波有效区域提取不完全的信号，(b)为脉搏波存在较大突变点的信号；
图10为本发明实施例提供的质量评估为差的信号评价示例；
图11为本发明实施例提供的信号质量修正模块的实现框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，基于多指标的示波法血压测量中脉搏波质量自动评估系统，如图1所示，包括数据预处理模块、信号质量一次评估模块、信号截取模块、信号特征指标提取模块、信号质量二次评估模块和信号质量修正模块；所述数据预处理模块用于对获取的脉搏波信号进行滤波处理，去除基线和工频干扰等常见噪声；所述信号质量一次评估模块接收数据预处理模块预处理后的脉搏波信号，筛选出一部分质量评估为差的信号并将其去除；所述信号截取模块接收筛选后的其他脉搏波信号，提取出计算血压所需要的有效信号区域；所述信号特征指标提取模块接收脉搏波信号的有效区域并根据形态特征提取特征指标，得到未评估质量脉搏波信号的特征指标；所述信号质量二次评估模块接收脉搏波信号的特征指标，进一步将脉搏波信号划分为质量好、质量一般、质量差三类；所述信号质量修正模块接收质量一般的信号，利用同步采集的气囊压力数据进行质量修正，得到质量修正后的脉搏波信号，完成脉搏波信号的质量评估。
本实施例中，数据预处理模块，如图2所示，首先使用低通滤波器去除原始脉搏波信号中的工频干扰等高频噪声；然后进行高通滤波，去除基线漂移对脉搏波的影响。本实施例中，数据预处理模块使用截止频率为20Hz的5阶巴特沃斯滤波器实现去噪处理；同时，受患者自身呼吸影响或者其他原因，导致脉搏波产生基线漂移现象，而过大的基线漂移会影响脉搏波形态学指标的判断，进而影响血压预测的准确性。因此，选择巴特沃斯滤波器进行高通滤波处理，该处理能够有效去除基线漂移影响。
信号质量一次评估模块，如图3所示，通过提取预处理后的脉搏波信号的幅值特征、形态特征对信号质量进行一次评估，同时使用气囊压力数据对信号质量进行一次评估；所述幅值特征即为脉搏波信号的包络整体幅值；所述形态特征由脉搏波信号波谷点数、波峰点数、波谷完整度、波峰完整度、上升沿斜率、下降沿斜率及气囊压力数据的幅值、上升沿斜率及下降沿斜率组成；针对滤波处理后的脉搏波信号数据，提取脉搏波信号的上包络幅值Aup及下包络幅值Adown，计算包络整体幅值A，即A＝Aup-Adown，判断其是否大于预设阈值，如果包络整体幅值A大于预设阈值则保留信号，如果小于预设阈值则筛除信号，将该脉搏波信号质量评估为差；这意味着脉搏波信号的振幅较小，可能受到噪声或其他干扰的影响，不适合进一步处理和分析。通过设定阈值提取脉搏波信号包络的初始波谷、波峰及末尾波谷，得到脉搏波信号包络的上升沿和下降沿，最终将脉搏波信号分为五段；提取波谷点数、波峰点数、波谷完整度、波峰完整度、上升沿斜率、下降沿斜率多个指标，作为脉搏波信号质量评估的标准；同时获取同步采集的气囊压力数据，计算其幅值、上升沿斜率及下降沿斜率，同步作为脉搏波信号质量评估的标准；提取气囊压力数据特征指标的方法为：从气囊压力数据中提取上包络幅值PAup和下包络幅值PAdown；接着，计算气囊压力数据的整体幅值PA，即PA＝PAup-PAdown；同时，根据阈值确定气囊压力数据的上升沿及下降沿，计算上升沿斜率及下降沿斜率。通过计算形态特征所包含的指标并与预设的阈值进行比较，判断脉搏波信号的质量是否满足要求；如果所有指标均满足预设的阈值要求，则保留信号，否则将信号质量评估为差，筛除该脉搏波信号。
信号截取模块，如图4所示，包括前端噪声去除单元和后端噪声去除单元，通过去除脉搏波信号的前端噪声和后端噪声对脉搏波信号进行截取；前端噪声去除单元用于去除数据采集前期产生的噪声干扰导致的不稳定信号；通过提取脉搏波信号的上包络幅值Aup，设定截取阈值Afront，并截取初期幅值小于截取阈值的信号部分，去除前端噪声，得到前端有效区域；后端噪声去除单元用于去除数据采集末期产生的反向信号；首先，提取每个周期脉搏波的峰值点和谷值点坐标，当谷值点的纵坐标与峰值点的纵坐标之和小于0，表示出现了反向波形；其次，去除识别到的反向波形，得到后端有效区域；将前端有效区域和后端有效区域拼接得到脉搏波信号的有效区域。本实施例中，前端噪声的去除方法具体为：首先提取脉搏波信号的上包络幅值Aup，由于不稳定信号通常产生于信号初期，于是进一步地，计算截取阈值Afront，计算公式如下：
Afront＝Aup*C
其中，C为截取系数，预设截取系数可以根据具体应用的需求进行设置。
最后截取脉搏波初期幅值小于Afront的信号并将其去除，从而得到脉搏波信号的前端有效区域。
后端噪声的去除方法为：在数据采集末期，有时会出现一段反向波形，当反向波幅值过大时会对包络拟合产生干扰；因此，首先提取脉搏波每个周期脉搏波的峰值点坐标P[(X1，Y1)，(X2，Y2)，...，(Xi，Yi)]和每个周期脉搏波的谷值点坐标V[(M1，N1)，(M2，N2)，...，(Mi，Ni)]；接着计算每个周期的峰值点纵坐标与谷值点纵坐标之和，当Ni+Yi<0时表示出现了反向波形，对后续反向波形进行截取并去除，从而得到脉搏波信号的后端有效区域。将前端有效区域与后端有效区域拼接得到脉搏波信号的有效区域。本实施例中，原始脉搏波信号与经信号截取模块处理后的脉搏波信号如图5所示。
信号特征指标提取模块，如图6所示，用于提取突变点特征指标、反向波特征指标、波形完整度特征指标和多峰特征指标，并将这些特征指标组合成一个特征矩阵，从而将信号的关键特征信息整合在一起；其中，
突变点特征指标用于提取信号有效区域的突变点，即信号峰值点发生明显变化的位置；通过分析信号的斜率、幅值的变化情况，可以识别出信号中的突变点，并将其作为特征指标之一；
反向波特征指标用于分析信号中的反向波形；反向波指的是信号中出现的与主波形方向相反的波形；通过检测和分析反向波的出现位置、幅度，提取反向波特征指标；
波形完整度特征指标用于评估信号波形的完整度；通过分析信号波形的形状、平滑度、持续时间，可以量化信号的波形完整度，并将其作为特征指标之一；
多峰特征指标用于检测信号中存在的多个包络峰值；通过分析信号的包络峰值数量、包络峰值位置、包络峰值幅度，可以提取多峰特征指标，用于描述信号中的包络峰值情况。
本实施例中，提取突变点特征指标的具体方法为：一般脉搏波信号峰值点连线构成振荡波的初始包络。通用的包络拟合方法常有多项式拟合和高斯拟合。但在信号采集过程中，由于受试者运动或者外界干扰的存在，传感器与皮肤间的相对位置发生变化，导致振荡波形发生突变，而过大或过多突变点的存在会影响振荡包络拟合的准确性，进而影响到血压的估计。突变点的特征指标分别定义为：
Auoutlier(i)＝Aupeak(i)-Afiltupeak(i)i＝1,2,3…N1
Aloutlier(j)＝Alpeak(j)-Afiltlpeak(j)j＝1,2,3…N2
其中，F1、F2分别为上包络所有峰值点突变值的平均差与标准差；F3、F4分别为下包络所有振荡波谷值点突变值的平均差与标准差；Auoutier、Aloutlier分别为峰值点滤波前后幅值差与谷值点滤波前后的幅值差；Aupeak为滤波前峰值点幅值；Afiltupeak中值滤波后峰值点幅值；Alpeak为滤波前谷值点幅值；Afiltlpeak为滤波后谷值点幅值。N1、N2分别为峰值点与谷值点数量。
提取反向波特征指标的方法为：充气前期或末期，部分脉搏波信号出现一段反向波形，反向波形如果幅值较大会对拟合的包络形态产生影响。提取反向波特征指标，分别定义为：
F6＝|Locu-Locl|
其中，F5为上下包络幅值比；F6为上下包络峰值点间距；Locu为上包络波峰所在位置，Locl为下包络波峰所在位置。
提取波形完整度特征指标的方法为：为去除加压前期和后期的干扰信号，对信号的有效区域进行截取。但部分信号由于反向波幅值过大或者存在较大突变点，其可用部分难以提取，在截取后可能会出现波形部分缺失，加大包络拟合的难度。为了判断波形完整度，提取振荡波上包络峰值点和下包络谷值点位置，通过波峰分别判断其是否在截取后的波形临界处，即起始和末尾处出现。定义信号的波形完整度指标为：
其中，F7为波形临界处的峰值点；F8为波形临界处的谷值点；Bp为临界处的上包络峰值点数量，Bt为临界处的下包络峰值点数量。
提取多峰特征指标的方法为：通常情况下，随着外部压力逐渐变大，脉搏波幅值整体呈现先增大后减小的趋势，即脉搏波的包络形态呈单峰曲线形态。但在实际采集过程中，脉搏波的包络形态复杂，可能存在包络有多个峰值点与谷值点的情况。这些峰值点和谷值点的位置及形态取决于多种因素，如心脏收缩力度、血管硬度、血管阻力和心脏瓣膜情况等。多个峰和谷的出现会对脉搏波包络的拟合产生干扰。提取脉搏波的多峰特征指标，分别定义为：
F9＝Locupeak(i+1)-Locupeak(i)
F10＝|Aupeak(i+1)-Aupeak(i)|
F11＝|Aupeak(i)-Alpeak|
其中，F9为相邻两个峰值点之间的间距；F10为相邻两个峰值点的幅值差；F11为相邻两个峰值点与谷值点的幅值差；Locupeak为包络峰值所在位置；Aupeak为包络峰值的幅值；Alpeak为包络谷值的幅值。
通过提取以上特征指标并将其组合成一个特征矩阵，从而将信号的关键特征信息整合在一起。
信号质量二次评估模块，如图7所示，采用了一种融合模型，结合了随机森林和SVM的方法。该模块旨在对信号进行进一步的质量评估，并将新特征添加到原有特征矩阵中，以供SVM模型进行训练和分类。首先，使用随机森林分类器对信号进行分类。其次，随机森林分类器得到的分类结果作为新的特征，添加到信号特征指标提取模块提取的特征矩阵中，构建扩展后的新特征矩阵。最后，使用SVM作为分类器，利用扩展后的新特征矩阵进行模型训练，构建一个分类模型，将信号质量一次评估后的脉搏波信号样本划分为质量好、质量一般和质量差三个类别，结合信号质量一次评估的结果，完成脉搏波信号的质量评估。本实施例中，首先利用信号特征指标提取模块提取到的特征指标构建原始特征矩阵F＝[F1,F2,…,F11]；然后利用原始特征矩阵训练随机森林分类器，得到分类结果作为提取出的新特征F12；接着将随机森林提取的特征F12作为新特征添加进原始特征矩阵中，得到扩展后的新特征矩阵F＝[F1,F2,…,F12]；最后利用扩展后的新特征矩阵训练SVM分类器，将一次评估后的数据进一步划分为质量好、质量一般和质量差三个类别。本实施例中，质量评估为好的脉搏波信号如图8所示；质量评估为一般的脉搏波信号如图9所示；质量评估为差的脉搏波信号如图10所示。
信号质量修正模块，如图11所示，利用脉搏波对应的气囊压力数据对质量一般的脉搏波信号进行了质量修正；首先，通过阈值检测、波形形状分析，可以识别出脉搏波信号中存在异常的区域；然后，根据异常区域的位置，确定其对应的压力范围；再通过与气囊内压力传感器检测的气囊压力数据进行对应，信号质量修正模块会提取出对应压力范围下的气囊压力数据；最后，计算气囊压力数据与脉搏波之间的幅值系数，调整气囊压力数据的幅值，将提取到的气囊压力数据与异常脉搏波数据进行替换，完成质量一般信号的质量修正。
本实施例中，气囊压力数据与脉搏波之间的幅值系数r，计算公式如下：
其中，Aup为脉搏波的上包络幅值，PAup为气囊压力数据的上包络幅值。
利用幅值系数r调整气囊压力数据的幅值，计算公式如下：
PAr＝PA*r
其中，PAr为幅值调整后的气囊压力数据幅值，PA为气囊压力数据的原始幅值。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (8)
1.一种基于多指标的示波法血压测量中脉搏波质量自动评估系统，其特征在于：包括数据预处理模块、信号质量一次评估模块、信号截取模块、信号特征指标提取模块、信号质量二次评估模块和信号质量修正模块；所述数据预处理模块用于对获取的脉搏波信号进行滤波处理；所述信号质量一次评估模块接收数据预处理模块预处理后的脉搏波信号，筛选出一部分质量评估差的信号并将其去除；所述信号截取模块接收筛选后的其他脉搏波信号，提取出计算血压所需要的有效信号区域；所述信号特征指标提取模块接收脉搏波信号的有效区域并根据形态特征提取特征指标，得到未评估质量脉搏波信号的特征指标；所述信号质量二次评估模块接收脉搏波信号的特征指标，进一步将脉搏波信号划分为质量好、质量一般、质量差三类；所述信号质量修正模块接收质量一般的信号，利用同步采集的气囊压力数据进行质量修正，得到质量修正后的脉搏波信号，完成脉搏波信号的质量评估。
2.根据权利要求1所述的基于多指标的示波法血压测量中脉搏波质量自动评估系统，其特征在于：所述数据预处理模块首先使用低通滤波器去除原始脉搏波信号中的高频噪声；然后进行高通滤波，去除基线漂移对脉搏波的影响。
3.根据权利要求1所述的基于多指标的示波法血压测量中脉搏波质量自动评估系统，其特征在于：所述信号质量一次评估模块，通过提取预处理后的脉搏波信号的幅值特征、形态特征对信号质量进行一次评估，同时使用气囊压力数据对信号质量进行一次评估；所述幅值特征即为脉搏波信号的包络整体幅值；所述形态特征由脉搏波信号波谷点数、波峰点数、波谷完整度、波峰完整度、上升沿斜率、下降沿斜率及气囊压力数据的幅值、上升沿斜率及下降沿斜率组成。
4.根据权利要求2所述的基于多指标的示波法血压测量中脉搏波质量自动评估系统，其特征在于：所述信号质量一次评估模块，针对滤波处理后的脉搏波信号数据，提取脉搏波信号的上包络幅值Aup及下包络幅值Adown，计算包络整体幅值A，即A＝Aup-Adown，判断其是否大于预设阈值，如果包络整体幅值A大于预设阈值则保留信号，如果小于预设阈值则筛除信号，将该脉搏波信号质量评估为差；通过设定阈值提取脉搏波信号包络的初始波谷、波峰及末尾波谷，得到脉搏波信号包络的上升沿和下降沿，最终将脉搏波信号分为五段；提取波谷点数、波峰点数、波谷完整度、波峰完整度、上升沿斜率、下降沿斜率多个指标，作为脉搏波信号质量评估的标准；同时获取同步采集的气囊压力数据，计算其幅值、上升沿斜率及下降沿斜率，同步作为脉搏波信号质量评估的标准；通过计算形态特征所包含的指标并与预设的阈值进行比较，判断脉搏波信号的质量是否满足要求；如果所有指标均满足预设的阈值要求，则保留信号，否则将信号质量评估为差，筛除该脉搏波信号。
5.根据权利要求1所述的基于多指标的示波法血压测量中脉搏波质量自动评估系统，其特征在于：所述信号截取模块包括前端噪声去除单元与后端噪声去除单元，通过去除脉搏波信号的前端噪声和后端噪声对脉搏波信号进行截取；所述前端噪声去除单元用于去除数据采集前期产生的不稳定信号；通过提取脉搏波信号的上包络幅值Aup，设定截取阈值Afront，并截取初期幅值小于截取阈值的信号部分，去除前端噪声，得到前端有效区域；所述后端噪声去除单元用于去除数据采集末期产生的反向信号；首先，提取每个周期脉搏波的峰值点和谷值点坐标，当谷值点的纵坐标与峰值点的纵坐标之和小于0，表示出现了反向波形；其次，去除识别到的反向波形，得到后端有效区域；将前端有效区域和后端有效区域拼接得到脉搏波信号的有效区域。
6.根据权利要求1所述的基于多指标的示波法血压测量中脉搏波质量自动评估系统，其特征在于：所述信号特征指标提取模块用于提取突变点特征指标、反向波特征指标、波形完整度特征指标和多峰特征指标，并将这些特征指标组合成一个特征矩阵，从而将信号的关键特征信息整合在一起；其中，
突变点特征指标用于提取信号有效区域的突变点，即信号峰值点发生明显变化的位置；通过分析信号的斜率、幅值的变化情况，识别出信号中的突变点，并将其作为特征指标之一；
反向波特征指标用于分析信号中的反向波形；反向波指的是信号中出现的与主波形方向相反的波形；通过检测和分析反向波的出现位置、幅度，提取反向波特征指标；
波形完整度特征指标用于评估信号波形的完整度；通过分析信号波形的形状、平滑度、持续时间，量化信号的波形完整度，并将其作为特征指标之一；
多峰特征指标用于检测信号中存在的多个包络峰值；通过分析信号的包络峰值数量、包络峰值位置、包络峰值幅度，提取多峰特征指标，用于描述信号中的包络峰值情况。
7.根据权利要求1所述的基于多指标的示波法血压测量中脉搏波质量自动评估系统，其特征在于：所述信号质量二次评估模块采用一种融合模型，结合随机森林和SVM的方法，对脉搏波信号进行进一步的质量评估，并将新特征添加到原有特征矩阵中，以供SVM模型进行训练和分类；首先，使用随机森林分类器对脉搏波信号进行分类；并将随机森林分类器得到的分类结果作为新的特征，添加到信号特征指标提取模块提取的特征矩阵中，构建扩展后的新特征矩阵；最后，使用SVM作为分类器，利用扩展后的新特征矩阵进行模型训练，构建一个分类模型，将信号质量一次评估后的脉搏波信号样本划分为质量好、质量一般和质量差三个类别，结合信号质量一次评估的结果，完成脉搏波信号的质量评估。
8.根据权利要求1所述的基于多指标的示波法血压测量中脉搏波质量自动评估系统，其特征在于：所述信号质量修正模块利用脉搏波对应的气囊压力数据对质量一般的脉搏波信号进行了质量修正；首先，识别出脉搏波信号中存在异常的区域；然后，根据异常区域的位置，确定其对应的压力范围；再通过与气囊内压力传感器检测的气囊压力数据进行对应；最后，计算气囊压力数据与脉搏波之间的幅值系数，调整气囊压力数据的幅值，将提取到的气囊压力数据与异常脉搏波数据进行替换，完成质量一般信号的质量修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410094880.7A CN117918805A (zh) | 2024-01-23 | 2024-01-23 | 基于多指标的示波法血压测量中脉搏波质量自动评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410094880.7A CN117918805A (zh) | 2024-01-23 | 2024-01-23 | 基于多指标的示波法血压测量中脉搏波质量自动评估系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117918805A true CN117918805A (zh) | 2024-04-26 |
Family
ID=90762927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410094880.7A Pending CN117918805A (zh) | 2024-01-23 | 2024-01-23 | 基于多指标的示波法血压测量中脉搏波质量自动评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117918805A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118211182A (zh) * | 2024-05-10 | 2024-06-18 | 沈阳恒德医疗器械研发有限公司 | 基于脉搏波信号多指标融合分析的身份识别系统及方法 |
-
2024
- 2024-01-23 CN CN202410094880.7A patent/CN117918805A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118211182A (zh) * | 2024-05-10 | 2024-06-18 | 沈阳恒德医疗器械研发有限公司 | 基于脉搏波信号多指标融合分析的身份识别系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9357953B2 (en) | System and method for diagnosing sleep apnea | |
| CN102319063B (zh) | 一种提高胎心率数据加速识别准确性的装置和方法 | |
| CN117918805A (zh) | 基于多指标的示波法血压测量中脉搏波质量自动评估系统 | |
| CN103034837B (zh) | 特征参数与脉象要素的关联 | |
| CN102270264A (zh) | 生理信号质量评估系统及方法 | |
| US12102450B2 (en) | System and method for assessing physiological signal quality | |
| CN112869716B (zh) | 一种基于双通道卷积神经网络的脉搏特征识别系统及方法 | |
| CN112971795B (zh) | 心电信号质量评估方法 | |
| CN113397519B (zh) | 心血管健康状态的检测装置 | |
| CN112294272A (zh) | 监护仪及其不规则脉率识别方法 | |
| CN113729653A (zh) | 一种人体脉搏波信号采集方法 | |
| CN110313900A (zh) | 一种基于深度学习对膝关节摆动信号的分类方法 | |
| CN106388780A (zh) | 基于二分类器与检测器融合的睡眠状态检测方法和系统 | |
| CN115299963A (zh) | 基于波形特征模板的高频振荡信号自动检测算法及系统 | |
| CN112494031A (zh) | 一种呼吸率计算方法及装置 | |
| CN112089413A (zh) | 一种阻塞式睡眠呼吸暂停综合症筛查系统 | |
| CN112017695A (zh) | 一种自动识别生理声音的系统及方法 | |
| CN110811673A (zh) | 基于概率神经网络模型的心音分析系统 | |
| CA3069622A1 (en) | Methods and devices for determining signal quality for a swallowing impairment classification model | |
| Zhao et al. | A knowledge-based approach for automatic quantification of epileptiform activity in children with electrical status epilepticus during sleep | |
| CN108577804A (zh) | 一种面向高血压病人监测的bcg信号分析方法及系统 | |
| CN114532994A (zh) | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 | |
| TWI672127B (zh) | 基於小波分析之即時qrs波偵測演算法 | |
| CN112022151B (zh) | 一种脑电棘慢波的处理及识别方法 | |
| TWI696191B (zh) | 降低雜訊影響之qrs波偵測演算法 |
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 |