TWI775058B - 動態切換血壓量測模型的方法 - Google Patents

Abstract

一種動態切換血壓量測模型的方法，適用於具有體徵感測組件及處理器之穿戴式血壓量測裝置。體徵感測組件包括二外露電極。所述方法包括：以二外露電極取得電位差，以及處理器判斷此電位差是否小於電位閾值。當電位差小於電位閾值時，體徵感測組件取得指定用戶之第一生理訊號，且處理器至少依據第一生理訊號及第一血壓模型計算第一血壓值。當電位差不小於電位閾值時，體徵感測組件取得指定用戶之第二生理訊號，第二生理訊號之類型相異於第一生理訊號，且處理器依據第二生理訊號及第二血壓模計算第二血壓值。

Description

動態切換血壓量測模型的方法

本發明係關於血壓量測，特別是一種根據使用者的情境動態切換血壓量測模型以提供血壓量測值的方法。

心血管相關疾病已被證明與心率和血壓高度相關。不受控制的高血壓可能導致心臟病發作、中風、心臟衰竭或其他嚴重的生命威脅。因此，準確測量血壓對於預防意外事件有其必要性。依據美國國家標準協會（American National Standards Institute，ANSI）、醫療器材促進發展協會（Association for the Advancement of Medical Instrumentation，AAMI）及國際標準化組織（International Organization for Standarization，ISO）在2018年認定的標準，血壓量測可接受的誤差為10 毫米汞柱（mm Hg）或更小，並且該誤差的估計概率至少為85%。

現在血壓量測方式可分為袖帶式（cuff-based）量測及無袖帶（cuffless）式量測。袖帶式血壓計屬於侵入性單次量測，因為必須將使用者單一手臂以袖帶扣緊一段時間才能獲得準確的血壓值，故無法適用於長時間（例如整天）的血壓量測。然而，袖帶式血壓計可以準確地量測使用者的血壓。另一方面，無袖帶式血壓計係在使用者身體上配置感測器，感測器用於取得使用者的ECG、PPG及PTT其中一者的感測數據，再將此感測數據換算成血壓值。由於感測器的體積比袖帶的體積小，因此無袖帶式血壓計不會對使用者造成干擾，可以長時間連續量測。然而，與袖帶式血壓計相比，無袖帶式血壓計量測到的血壓值較不準確。此外，現有的無袖帶血壓計需要收集使用者在多種情境（例如：步行、靜坐、運動）下的感測數據才能提供相對準確的血壓量測值。對於使用者而言，需耗費額外的體力及時間才能提供不同情境下的感測數據。

另一方面，考量到穿戴式血壓量測裝置的實際應用場景，由於使用者不總是能夠空下雙手來測量血壓。因此，基於ECG訊號的血壓量測可能在某些場合不適合使用，例如使用者睡眠時。此外，有時使用者希望在忙碌的時候快速得知自己的血壓量測數值，或是在空閒的時候得知自己準確的血壓量測數值。然而，現有的穿戴式血壓量測裝置大多僅具有單一量測模式，並且提供單一精確度的血壓量測值。整體而言，現有的穿戴式血壓量測裝置在實際應用上缺少了彈性。

有鑑於此，本發明提出一種動態切換血壓量測模型的方法，提供指定用戶在不同情境下選擇適合的血壓模型量測自己的血壓。本發明在保留無袖帶式血壓計可隨身配戴並可連續測量的優點的前提下，提高血壓值量測的精準度，且減少干涉指定用戶的狀況。相比傳統的穿戴式血壓量測裝置僅具有單一類型的量測模式及固定的量測精準度，應用本發明的穿戴式血壓量測裝置更具有使用上的彈性。

依據本發明一實施例敘述的一種動態切換血壓量測模型的方法，適用於穿戴式血壓量測裝置，其中穿戴式血壓量測裝置包括體徵感測組件及處理器，且體徵感測組件包括二外露電極。所述動態切換血壓量測模型的方法包括：以二外露電極取得電位差；以及處理器判斷此電位差是否小於電位閾值；其中當電位差小於電位閾值時，體徵感測組件取得指定用戶之第一生理訊號；且處理器至少依據第一生理訊號及第一血壓模型計算第一血壓值；及當電位差不小於電位閾值時，體徵感測組件取得指定用戶之第二生理訊號，第二生理訊號之類型相異於第一生理訊號；且處理器依據第二生理訊號及第二血壓模計算第二血壓值。

以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本發明之精神與原理，並且提供本發明之專利申請範圍更進一步之解釋。

以下在實施方式中詳細敘述本發明之詳細特徵以及優點，其內容足以使任何熟習相關技藝者了解本發明之技術內容並據以實施，且根據本說明書所揭露之內容、申請專利範圍及圖式，任何熟習相關技藝者可輕易地理解本發明相關之目的及優點。以下之實施例係進一步詳細說明本發明之觀點，但非以任何觀點限制本發明之範疇。

本發明一實施例敘述的動態切換血壓量測模型的方法係適用於穿戴式血壓量測裝置。請參考圖1，其繪示穿戴式血壓量測裝置100的主要元件示意圖。圖1所示的穿戴式血壓量測裝置100為手錶型結構，但本發明並不限制穿戴式血壓量測裝置100的硬體結構。

如圖1所示，穿戴式血壓量測裝置100包括體徵感測組件10及處理器30。體徵感測組件10包括二外露電極12與14、光體積變化描記圖法（Photoplethysmography，PPG）感測器16以及移動感測器18。

外露電極12與14外露於穿戴式血壓量測裝置100的表面。外露電極12與14用於分別接觸指定用戶心臟兩側肢體以量測心電圖（Electrocardiography，ECG）訊號。舉例來說，在指定用戶配戴穿戴式血壓量測裝置100時，位於配戴一側的手背或手腕將有部分皮膚接觸到外露電極14，而未配戴穿戴式血壓量測裝置100的另一隻手可用來碰觸外露電極12以提供ECG訊號。

光體積變化描記圖法感測器16可用以量測PPG訊號。

移動感測器18例如為三軸陀螺儀（gyroscope）或三軸加速度計（Accelerometer），用於感測本身的一動量。換言之，移動感測器18可用於偵測配戴穿戴式血壓量測裝置100的指定用戶是否移動，藉此判斷指定用戶處於睡眠狀態或活動狀態。在一實施例中，移動感測器18之設置可省略，本發明提出的方法並不限制穿戴式血壓量測裝置100必須設置移動感測器18。

請參考圖2，其繪示本發明一實施例的動態切換血壓量測模型的方法流程圖。

請參考步驟S21，以二外露電極12與14取得電位差。本步驟S21係用於判斷指定用戶是否主動進行基於ECG訊號的血壓量測。

請參考步驟S22，處理器30判斷電位差是否小於電位閾值。當指定用戶以位於心臟兩側的二身體部位碰觸二外露電極12與14時，二外露電極12與14及指定用戶形成通路而具有一電位差值。處理器30判斷此電位差值是否小於預設的電位閾值。若判斷結果為「是」，則執行步驟S23，否則執行步驟S25。實務上，當指定用戶未以位於心臟兩側的二身體部位碰觸二外露電極12與14時，由於二外露電極12與14及指定用戶之間未形成通路，因此處理器30無法偵測到電位差值，換個角度而言，處理器30偵測到的電位差值為無限大。

當步驟S22的判斷結果為「電位差小於電位閾值」時，相當於處理器30確認指定用戶欲進行基於ECG訊號的血壓量測。請參考步驟S23，體徵感測組件10之二外露電極12與14取得指定用戶之第一生理訊號。在一實施例中，第一生理訊號係ECG訊號。在另一實施例中，第一生理訊號係ECG訊號與PPG訊號二者在時間上對齊的同步訊號。在此另一實施例的步驟S23中，除了以二外露電極12與14取得ECG訊號，更需要以PPG感測器16取得PPG訊號。

請參考步驟S24，處理器30至少依據第一生理訊號及第一血壓模型計算第一血壓值。第一血壓模型係預先儲存於處理器30中的通用血壓模型。詳言之，在二外露電極12與14取得電位差之前，係事先取得複數個通用用戶之複數個第一生理資料、複數個第二生理資料及這些通用用戶之複數個第一血壓資料。第一生理資料例如為ECG訊號。第二生理資料例如為PPG訊號。第一血壓資料例如係以傳統血壓計量測多個通用用戶所得到的血壓值，包含收縮壓數值及舒張壓數值。

在一實施例中，預先以多個通用用戶的第一生理資料及這些通用用戶的第一血壓資料執行深度學習演算法以建立第一血壓模型，並依據多個通用用戶的第二生理資料及這些通用用戶的第一血壓資料執行深度學習演算法以建立第二血壓模型。深度學習演算法例如係以多層感知器（Multilayer perceptron，MLP）作為迴歸因子（Regressor）之卷積神經網路（Convolutional Neural Networks，CNN）。第一血壓模型係基於多個通用用戶的ECG訊號與這些通用用戶的第一血壓資料所訓練而得。第二血壓模型係基於多個通用用戶的PPG訊號與這些通用用戶的第一血壓資料所訓練而得。

在另一實施例中，第一血壓模型係基於多個通用用戶的ECG訊號、PPG訊號與這些通用用戶的第一血壓資料所訓練而得。第二血壓模型係基於多個通用用戶的PPG訊號與這些通用用戶的第一血壓資料所訓練而得。

在又一實施例中，預先依據多個通用用戶的ECG訊號、PPG訊號計算出基於上述二者的脈波傳輸時間（Pulse Transit Time，PTT），且第一血壓模型係基於多個通用用戶的PTT訊號及這些通用用戶的第一血壓資料所訓練而得。第二血壓模型係基於多個通用用戶的PPG訊號與這些通用用戶的第一血壓資料所訓練而得。

當步驟S22的判斷為「電位差不小於電位閾值」時，請參考步驟S25，體徵感測組件10之PPG感測器16取得指定用戶之第二生理訊號，即PPG訊號。第二生理訊號之類型相異於第一生理訊號。

請參考步驟S26，處理器30依據第二生理訊號及第二血壓模型計算第二血壓值。

在上述實施例中，穿戴式血壓量測裝置100可透過外露電極12與14判斷指定用戶是否想要以基於ECG訊號的方式量測血壓值。舉例來說，若指定用戶以雙手碰觸外露電極12與14，則處理器30可選擇使用第一血壓模型，並至少依據第一生理訊號換算得出第一血壓值。所述的第一血壓模型例如係基於多個通用用戶的ECG訊號及PPG訊號訓練而成，或者基於PTT訊號而成，因此可具有較高的精確度。然而，亦可選用僅基於ECG訊號訓練而成的第一血壓模型。舉另一例來說，若指定用戶在睡眠時無法同時碰觸外露電極12與14，則處理器30可選擇使用第二血壓模型，並依據第二生理訊號換算得到第二血壓值。由於PPG訊號的量測不需干預指定用戶，因此可在指定用戶無法提供ECG訊號的時候進行量測。整體來說，基於本發明上述實施例的動態切換血壓量測模型的方法，可以動態地依據指定用戶的狀態提供較高精確度或較少干預度的血壓量測方式，因此適用於多種使用場景。

請參考圖3，其繪示動態切換血壓量測模型的方法的部分流程圖。以下所述的流程係可選擇性應用於圖2繪示的步驟S21之前，然而並非用以限制本發明。

請參考步驟S31，移動感測器18取得穿戴式血壓量測裝置100之動量。詳言之，在以二外露電極12與14取得電位差之前，先行偵測指定用戶的移動狀況。

請參考步驟S32 ，處理器30判斷動量是否超過一動量閾值。在一實施例中，處理器30於本步驟S32除了判斷移動感測器18感測到的移動程度之外，更包括判斷移動感測器18感測到動量超過該動量閾值的持續時間。

當動量超過動量閾值時，請參考步驟S33，處理器30產生一提示訊號，此提示訊號用以提示指定用戶以二身體部位接觸二外露電極12與14，然後可繼續執行圖2的步驟S21以取得電位差。 反過來說，若動量未超過動量閾值，則返回步驟S32，處理器30持續判斷移動感測器18量測到的動量。

實務上，若指定用戶不是處於睡眠狀態，於步驟S32中，穿戴式血壓量測裝置100上設置的移動感測器18可偵測到指定用戶輕微的移動。在判斷指定用戶不是處於睡眠狀態的前提下，穿戴式血壓量測裝置100可發出提示訊號以詢問指定用戶是否採用具有較高精準度的血壓量測模型，例如基於ECG及PPG訊號訓練得到的血壓量測模型，或是基於PTT訊號訓練得到的血壓量測模型，或是僅基於ECG訊號訓練得到的血壓量測模型。提示訊號也可用來讓使用者自行從上述模型中選取一者進行血壓量測。透過上述機制，指定用戶可選擇性地從穿戴式血壓量測裝置100獲得更為精確的血壓量測值。在另一實施例中，在判斷指定用戶不是處於睡眠狀態的前提下，穿戴式血壓量測裝置100可自行切換到採用ECG及PPG訊號的血壓量測模型，或是自行切換到基於PTT訊號的血壓量測模型，然後進行後續的血壓量測。在此另一實施例中，可減少穿戴式血壓量測裝置100對於指定用戶的干擾，並且保留動態切換血壓量測模型的彈性。

請參考圖4，其係繪示將第一血壓模型微調為第一指定血壓模型的流程圖。第一血壓模型的量測精準度可透過圖4的流程進一步提升。

在一實施例中，除了可根據多個通用用戶的生理資料建立通用血壓模型，可更根據指定用戶對通用血壓模型進行微調，使其更適用於指定用戶個人的生理狀況，達立客制化的血壓模型。以下以前文述及的第一血壓模型為例，敘述將第一血壓模型微調為第一血壓指定模型的步驟。通常知識者可適應性地修改圖4中的步驟，以將第二血壓模型微調為第二血壓指定模型。

請參考步驟S41，以穿戴式血壓量測裝置100上的體徵感測組件10取得指定用戶之第三生理資料。第三生理資料例如為ECG訊號、PPG訊號、包含ECG及PTT的時間同步訊號或PPT訊號。第三生理資料的類型與第一血壓模型被訓練時所選用的生理訊號的類型相同。

請參考步驟S42，依據第三生理資料及第一血壓模型產生第一預估血壓資料。在一實施例中，第一血壓模型具有參數集合及損失函數。當採用類神經網路建立第一血壓模型時，所述的參數集合為網路權重之集合。當第一血壓模型採用線性迴歸時，所述的參數集合為線性函數的各項參數之集合。在本步驟S42中，將第三生理資料代入第一血壓模型之參數集合後得到的輸出作為第一預估血壓資料。此輸出可以是收縮壓或舒張壓，依據先前訓練時所用的第一血壓資料是收縮壓或舒張壓而定。

請參考步驟S43，以另一血壓量測裝置取得指定用戶之第二血壓資料。另一血壓量測裝置例如袖帶式血壓計。

請參考步驟S44，依據第二血壓資料、第一預估血壓資料及損失函數計算誤差。

在一實施例中，誤差之計算方式如下方式一：

（式一）

其中

為第一血壓模型的損失函數，

係指定用戶的第二血壓資料，其係以其他血壓計（如袖帶式血壓計）量測到的收縮壓或舒張壓之數值。

為第一預估血壓資料。透過最小化此損失函數以訓練出可用的第一血壓模型。

請參考步驟S45，依據誤差調整第一血壓模型以建立第一指定血壓模型。舉例來說，若第一血壓模型為線性模型，依據第三生理資料及第二血壓資料所繪示的資料點未必剛好落在此線性模型對應的曲線上。因此，本步驟S45敘述如何適應性地修改線性模型的曲線，使其與指定用戶的資料點間的誤差最小，進而得到第一指定血壓模型。為了透過學習方式得出第一指定血壓模型，可進行正規化(regularization)程序，如下方式二：

（式二）

其中

為預計微調得到的第一指定血壓模型的損失函數，

為第一血壓模型的損失函數，

為調整參數。

之設定值愈大，則第一指定血壓模型與第一血壓模型的相似程度愈高。若

設定為0，則代表第一血壓模型對應的曲線將完全依據指定用戶的資料點進行擬合。

為正規化程序的修正函數，其計算方式如下方式三所示。為了保有第一血壓模型原本的特性，避免損失函數完全受指定用戶的資料點所支配，因此透過

及適當設置的

調整

。

（式三）

其中

為第一血壓模型的權重集合，

為第一指定血壓模型的權重集合。為了不讓

偏離於原本學習得到的

，本發明一實施例採用L1正規化以保留對第一預估血壓資料貢獻最大的權重。

依據步驟S44獲得的誤差，並選定適當的調整參數

，可最佳化第一指定血壓模型的損失函數

，進而建立適用於指定用戶的第一指定血壓模型。

綜上所述，本發明提出一種動態切換血壓量測模型的方法，在不同情境下，自動切換（或提供指定用戶自行選擇）適合的血壓模型以量測血壓。本發明在保留無袖帶式血壓計可隨身配戴並可連續測量的優點的前提下，透過採用指定用戶的生理資料及血壓資料進行微調的步驟，提高每個血壓量測模型進行血壓值量測時的精準度，並且減少干涉指定用戶的狀況。相比傳統的穿戴式血壓量測裝置，其僅具有單一類型的量測模式及固定的量測精準度，應用本發明的穿戴式血壓量測裝置更具有使用上的彈性。

雖然本發明以前述之實施例揭露如上，然其並非用以限定本發明。在不脫離本發明之精神和範圍內，所為之更動與潤飾，均屬本發明之專利保護範圍。關於本發明所界定之保護範圍請參考所附之申請專利範圍。

100:穿戴式血壓量測裝置 12、14:外露電極 16:光體積變化描記圖法感測器 18:移動感測器 30:處理器 S21~S26:步驟 S31~S33:步驟 S41~S45:步驟

圖1係繪示本發明適用的穿戴式血壓量測裝置的主要元件示意圖。 圖2係繪示本發明一實施例的動態切換血壓量測模型的方法的流程圖。 圖3係繪示本發明另一實施例的動態切換血壓量測模型的方法的部分流程圖。 圖4繪示將第一血壓模型微調為第一指定血壓模型的流程圖。

S21~S26:步驟

Claims (8)

1. 一種動態切換血壓量測模型的方法，適用於一穿戴式血壓量測裝置，其中該穿戴式血壓量測裝置包括一體徵感測組件及一處理器，且該體徵感測組件包括二外露電極，該動態切換血壓量測模型的方法包括：以該二外露電極取得一電位差；以及以該處理器判斷該電位差是否小於一電位閾值；其中當該電位差小於該電位閾值時，以該體徵感測組件取得一指定用戶之一第一生理訊號；且以該處理器至少依據該第一生理訊號及一第一血壓模型計算一第一血壓值；及當該電位差不小於該電位閾值時，以該體徵感測組件取得該指定用戶之一第二生理訊號，該第二生理訊號之類型相異於該第一生理訊號；且以該處理器依據該第二生理訊號及一第二血壓模型計算一第二血壓值；其中在以該二外露電極以取得該電位差之前，更包括：取得複數個通用用戶之複數個第一生理資料、複數個第二生理資料及該些通用用戶之複數個第一血壓資料；依據該些第一生理資料及該些第一血壓資料執行一深度學習演算法以建立該第一血壓模型；以及依據該些第二生理資料及該些第一血壓資料執行該深度學習演算法以建立該第二血壓模型； 其中在建立該第一血壓模型之後，更包括：以該體徵感測組件取得該指定用戶之一第三生理資料；依據該第三生理資料及該第一血壓模型產生一第一預估血壓資料；以另一血壓量測裝置取得該指定用戶之一第二血壓資料；依據該第二血壓資料、第一預估血壓資料及一損失函數計算一誤差；以及依據該誤差調整該第一血壓模型以建立一第一指定血壓模型。
2. 如請求項1所述動態切換血壓量測模型的方法，其中當處理器判斷該電位差小於該電位閾值時，更包括：以該體徵感測組件取得該指定用戶之該第二生理訊號；且以該處理器至少依據該第一生理訊號及該第一血壓模型計算該第一血壓值包含：以該處理器依據該第一生理訊號、該第二生理訊號及該第一血壓模型計算該第一血壓值。
3. 如請求項1所述動態切換血壓量測模型的方法，其中該第一生理訊號係一心電圖訊號；以及該第二生理訊號係一光體積變化描記圖法訊號。
4. 如請求項2所述的動態切換血壓量測模型的方法，其中該第一生理訊號係一心電圖訊號；以及該第二生理訊號係一光體積變化描記圖法訊號。
5. 如請求項1所述的動態切換血壓量測模型的方法，其中該穿戴式血壓量測裝置更包括一移動感測器，且在以該二外露電極取得該電位差之前，更包括：以該移動感測器取得該穿戴式血壓量測裝置之一動量；以及以該處理器判斷該動量是否超過一動量閾值；其中當該動量超過該動量閾值時，以該處理器產生一提示訊號，該提示訊號用以提示該指定用戶接觸該二外露電極。
6. 如請求項1所述的動態切換血壓量測模型的方法，其中在以該二外露電極以取得該電位差之前，更包括：取得複數個通用用戶之複數個第一生理資料、複數個第二生理資料及該些通用用戶之複數個第一血壓資料；依據該些第一生理資料、該些第二生理資料及該些第一血壓資料執行一深度學習演算法以建立該第一血壓模型；以及依據該些第二生理資料及該些第一血壓資料執行該深度學習演算法以建立該第二血壓模型。
7. 如請求項1所述的動態切換血壓量測模型的方法，其中在建立該第二血壓模型之後，更包括：以該體徵感測組件取得該指定用戶之一第三生理資料；依據該第三生理資料及該第二血壓模型產生一第二預估血壓資料；以該另一血壓量測裝置取得該指定用戶之該第二血壓資料；依據該第二血壓資料、該第二預估血壓資料及該損失函數計算另一誤差；以及 依據該另一誤差調整該第二血壓模型以建立一第二指定血壓模型。
8. 如請求項1所述的動態切換血壓量測模型的方法，其中該深度學習演算法係以多層感知器作為迴歸因子之卷積神經網路。

Images