心脑血管疾病检测装置的制作方法

本发明涉及医学检测领域，特别涉及一种心脑血管疾病检测装置。

背景技术

心脑血管疾病是心脏血管和脑血管疾病的统称，泛指由于高脂血症、血液黏稠、动脉粥样硬化、高血压等所导致的心脏、大脑及全身组织发生的缺血性或出血性疾病。心脑血管疾病是一种严重威胁人类，特别是50岁以上中老年人健康的常见病，具有高患病率、高致残率和高死亡率的特点，即使应用目前最先进、完善的治疗手段，仍可有50%以上的脑血管意外幸存者生活不能完全自理，全世界每年死于心脑血管疾病的人数高达1500万人，居各种死因首位。

但是目前监测心脑血管疾病的装置，大部分监测手段不完善，而且监测的生理特征值的选择不具有指向性，大部分都是在发病后进行监测，没有提前预警的功能，即使提取到生理特征，也没有对生理特征进行排序、筛选，没有分析不同生理特征之间的贡献度大小，疾病判断不准确。

技术实现要素：

在本申请为了克服上述缺陷，提供了一种可以全面监测与心脑血管疾病相关的生理参数的检测装置，并且对各个生理量得到的信号进行特征值提取，并且对同一生理量的不同特征值进行排序，利用对特征值进行分类，区分不同贡献度的特征值组，并且建立了可靠的根据生理特征值预测心脑血管疾病发病概率的模型。通过本发明的方法，可以连续、长期、可靠、全面监测心脑血管疾病的潜在发生概率、发生时的危险、以及治疗后的恢复情况、以及再次复发的可能性。

本发明的心脑血管疾病检测装置，包括：

ecg传感器，用于感测ecg信号；

血压传感器，用于感测血压信号；

血氧传感器，用于感测血氧信号；

脉搏传感器，用于感测脉搏信号；

心音传感器，用于感测心音信号；

体温传感器，用于感测体温信号；

第一及第二光电容积传感器，用于感测光电容积波，以得到脉搏波传播速度；

处理器，对ecg、血压、血氧、脉搏、心音、体温、光电容积信号进行处理，提取特征值，对特征值信号进行分类，根据分类结果，结合心脑血管疾病预测模型，确定心脑血管健康状况。

进一步地，所述的提取特征值，包括提取ecg信号的特征值，包括：ecg信号的能量值、熵值、ecg波形的功率值、rr间隔、s-t波段长度、s-t波段信号斜率、ecg信号功率谱的能量子段、对ecg信号进行小波分类时的小波基。

进一步地，所述的提取特征值，进一步包括提取血压传感器测量到的血压信号的特征值，包括收缩压值、舒张压值、平均动脉压；还提取血氧传感器测量得到的血氧浓度值、氧合血红蛋白含量值、脱氧血红蛋白含量值；提取脉搏传感器得到的脉搏信号，包括提取平均脉率、脉搏波形的主波幅度、降中峡幅度、重搏波幅度、主波出现的时刻t1、降中峡出现的时刻t2、重搏波出现的时刻t3、降中峡幅度/主波波幅、重搏波幅度/主波幅度、脉搏周期t；对光电容积进行特征提取，包括提取光电容积波的一阶导数、光电容积波的二阶导数、脉搏波传播速度、踝臂指数、动脉顺应性；对心音信号进行体征提取，包括提取心音信号的幅值、幅值变异性、归一化平均香农能量值，心音信号出现某一事件的频率、心率变异性；对体温信号进行特征提取，包括提取体温信号的幅值、温度的平均值。

进一步地，在提取特征值之后，进行特征值筛选。所述的特征值筛选后筛选出的特征值为：ecg信号的能量值、熵值、ecg波形的功率值、rr间隔、s-t波段长度、s-t波段信号斜率、ecg信号功率谱的能量子段、对ecg信号进行小波分类时的小波基、收缩压值、舒张压值、平均动脉压、血氧浓度值、氧合血红蛋白含量值、平均脉率、脉搏波形的主波幅度、降中峡幅度、重搏波幅度、主波出现的时刻t1、降中峡出现的时刻t2、重搏波出现的时刻t3、降中峡幅度/主波波幅、重搏波幅度/主波幅度、脉搏周期t、对光电容积进行特征提取，包括提取光电容积波的一阶导数、光电容积波的二阶导数、脉搏波传播速度、踝臂指数、动脉顺应性、心音信号的幅值、幅值变异性、归一化平均香农能量值，心音信号出现某一事件的频率、心率变异性、温度的平均值。

进一步地，进行特征值筛选后，使用统计学方法，利用方差变异性对筛选出的特征值进行排序，计算同一生理特性下，不同特征值之间的f-分布，高的f值表明特征的排序靠前，低的特征值表明排序靠后。

进一步地，对排序后的特征值，利用分类器进行分类，排序靠前的特征值先进入分类器，所述的分类器为knn分类器，knn分类器使用k最邻近邻域对数据进行分类，根据数据的远近确定数据贡献的大小，k取值在5-10之间；对特征值进行分类后，得到与心脑血管疾病密切相关的参数集合x、与心脑血管疾病次相关的参数集合y、与心脑血管疾病关系相关，但是联系不密切的参数结合z；建立心脑血管疾病发病概率模型，其中a，b，c为经验系数；利用神经网络训练对心脑血管疾病发病概率模型进行训练，对模型进行修正，得到准确心脑血管疾病发病概率模型为：

。

优选地，对排序后的特征值，利用分类器进行分类，排序靠前的特征值先进入分类器，所述的分类器还可以为不使用knn分类器，而是使用决策树id3分类器，id3分类器对筛选的特征值进行分类的过程为：

提取熵值：

其中，为类别i在样本d中出现的概；

如果将特征值的属性分为几个分区，则分区的熵为：

，

其中j为小区的类别，v为小区的个数；

计算信息增益：

；

找到信息增益最大的属性作为分裂节点，根据该节点划分样本，直到满足规定的结束条件；

通过决策树id3分类器，得到与心脑血管疾病密切相关的参数集合x、与心脑血管疾病次相关的参数集合y、与心脑血管疾病关系相关，但是联系不密切的参数结合z；建立心脑血管疾病发病概率模型，其中a，b，c为经验系数；利用神经网络训练对心脑血管疾病发病概率模型进行训练，对模型进行修正，得到准确心脑血管疾病发病概率模型为：

。

进一步地，对knn分类和id3分类器分类后的数据进行综合比较，找出与心脑血管疾病发病最密切相关的生理特征值，并且输出给受试者，提醒受试者在生活中关注这些值的变化，并且采取一些预防措施，避免发生心脑血管疾病；通过综合比较发现，收缩压值、舒张压值、rr间隔、s-t波段斜率、脉搏波传播速度、心音信号的幅值变异性、踝臂指数与心脑血管疾病的发生密切相关。

本发明的装置的优点在于：

（1）选取了多种不同的生理特征量进行监测，可以综合分析心脑血管状况，为心脑血管疾病的发病预防、复发预防提供保障；

（2）本发明生理采集得到不同生理信号后，对不同生理信号的进行了不同特征值的提取，不同特征值提取的选择，是申请人在临床中，结合心脑血管发病后，病人的生理指数变化而进行的针对性选择，具有独特性；

（3）本发明对同一生理量的不同特征值进行了排序，使排序靠前的先进入分类器，无论采用的knn分类器还是id3分类器，均是根据特征值的性质进行分类，排序后使贡献度大的特征值先进入分类器，使分类结果更准确；

（4）本发明利用分类器，将生理特征值根据心脑血管疾病的发生贡献度划分为不同的数据组，然后结合数据组建立心脑血管疾病的预测模型，并通过神经网络训练对模型进行修正，使模型可以可靠预测心脑血管疾病的发生概率；

（5）本发明还结合两种分类器的结果，筛选与心脑血管疾病发生最密切相关特征值，并且输出给受试者，提醒受试者在生活中关注这些值的变化，并且采取一些预防措施，避免发生心脑血管疾病；受试者在了解到这些值后，可以做出生活、工作、运动方式的调整，有效减小、避免了心脑血管疾病的发生。

附图说明

图1为本发明的检测装置的框图。

具体实施方式

下面结合附图1对本发明的心脑血管疾病检测装置，包括：ecg传感器，可以ecg信号，ecg传感器可以为导联电极、纽扣电极或贴片电极等，可以采用3导联、5导联、7导联、12导联等形式，目的是为了得到人体的心电信号；血压传感器，用于感测血压信号，可以使用无袖带形式的血压检测装置，或者传统的袖带式的血压计，通过血压传感器，可以得到人体的血压波形，以及血压值，如收缩压、舒张压、平均动脉压等；血氧传感器，用于感测血氧信号，可以采用指夹式血氧检测器或者耳夹式血氧检测器，还可以设计成血氧戒指、手环等；脉搏传感器，用于感测脉搏信号，可以得到脉搏波波形，也可以得到脉率等；心音传感器，用于感测心音信号，心音传感器可以设计为放置在人体胸部的心音条带或者其他形式；体温传感器，用于感测体温信号，可以使用红外温度计、或者体温贴片等，不限形式；

第一及第二光电容积传感器，用于感测光电容积波，可以根据光电容积波结合心电图的时序特征，以及人体的体尺信息，得到脉搏波传播速度，进而可以得到血管的顺应性，血管硬度，踝臂指数等。

心脑血管疾病检测装置还包括处理器，对ecg、血压、血氧、脉搏、心音、体温、光电容积信号进行处理，提取特征值，对特征值信号进行分类，根据分类结果，结合心脑血管疾病预测模型，确定心脑血管健康状况。

下面具体说明处理器提取特征值，对特征值信号进行分类，根据分类结果，结合心脑血管疾病预测模型，确定心脑血管健康状况的过程。

心电、血压、血氧、脉搏、心音、体温、光电容积信号均具有不同的特征信号或者特征参数，不同的特征信号可以用于不同的数据处理，得到不同的结果。本申请人通过长期的临床实践，结合心脑血管病发时，患者的生理参数的变化，选择提取以下特征值，这种选择是独特的，在指导心脑血管疾病的预防方便更具有意义。

提取ecg信号的特征值，包括：ecg信号的能量值、熵值、ecg波形的功率值、rr间隔、s-t波段长度、s-t波段信号斜率、ecg信号功率谱的能量子段、对ecg信号进行小波分类时的小波基。

提取血压传感器测量到的血压信号的特征值，包括收缩压值、舒张压值、平均动脉压；还提取血氧传感器测量得到的血氧浓度值、氧合血红蛋白含量值、脱氧血红蛋白含量值；提取脉搏传感器得到的脉搏信号，包括提取平均脉率、脉搏波形的主波幅度、降中峡幅度、重搏波幅度、主波出现的时刻t1、降中峡出现的时刻t2、重搏波出现的时刻t3、降中峡幅度/主波波幅、重搏波幅度/主波幅度、脉搏周期t；对光电容积进行特征提取，包括提取光电容积波的一阶导数、光电容积波的二阶导数、脉搏波传播速度、踝臂指数、动脉顺应性；对心音信号进行体征提取，包括提取心音信号的幅值、幅值变异性、归一化平均香农能量值，心音信号出现某一事件的频率、心率变异性；对体温信号进行特征提取，包括提取体温信号的幅值、温度的平均值。

在提取特征值之后，进行特征值筛选。

筛选后筛选出的特征值为：ecg信号的能量值、熵值、ecg波形的功率值、rr间隔、s-t波段长度、s-t波段信号斜率、ecg信号功率谱的能量子段、对ecg信号进行小波分类时的小波基、收缩压值、舒张压值、平均动脉压、血氧浓度值、氧合血红蛋白含量值、平均脉率、脉搏波形的主波幅度、降中峡幅度、重搏波幅度、主波出现的时刻t1、降中峡出现的时刻t2、重搏波出现的时刻t3、降中峡幅度/主波波幅、重搏波幅度/主波幅度、脉搏周期t、对光电容积进行特征提取，包括提取光电容积波的一阶导数、光电容积波的二阶导数、脉搏波传播速度、踝臂指数、动脉顺应性、心音信号的幅值、幅值变异性、归一化平均香农能量值，心音信号出现某一事件的频率、心率变异性、温度的平均值。

进行特征值筛选后，使用统计学方法，利用方差变异性对筛选出的特征值进行排序，方差变异性分析用于两个及两个以上样本均数差别的显著性检验。计算同一生理特性下，不同特征值之间的f-分布，高的f值表明特征的排序靠前，低的特征值表明排序靠后。

对排序后的特征值，利用分类器进行分类，排序靠前的特征值先进入分类器。

对数据进行分类的分类器有多种，不同的分类器有不同的优缺点。根据提取的生理信号的特点以及其与心脑血管疾病发病的相关性以及数据的可靠性，我们采取knn分类器和决策树id3分类器两种来对筛选出的特征值进行分类。

knn分类器使用k最邻近邻域对数据进行分类，根据数据的远近确定数据贡献的大小，k取值在5-10之间；对特征值进行分类后，得到与心脑血管疾病密切相关的参数集合x、与心脑血管疾病次相关的参数集合y、与心脑血管疾病关系相关，但是联系不密切的参数结合z；建立心脑血管疾病发病概率模型，其中a，b，c为经验系数；利用神经网络训练对心脑血管疾病发病概率模型进行训练，对模型进行修正，得到准确心脑血管疾病发病概率模型。

id3分类器对筛选的特征值进行分类的过程为：

提取熵值：

其中，为类别i在样本d中出现的概；

如果将特征值的属性分为几个分区，则分区的熵为：

，

其中j为小区的类别，v为小区的个数；

计算信息增益：

；

找到信息增益最大的属性作为分裂节点，根据该节点划分样本，直到满足规定的结束条件；

通过决策树id3分类器，得到与心脑血管疾病密切相关的参数集合x、与心脑血管疾病次相关的参数集合y、与心脑血管疾病关系相关，但是联系不密切的参数结合z；建立心脑血管疾病发病概率模型，其中a，b，c为经验系数；利用神经网络训练对心脑血管疾病发病概率模型进行训练，对模型进行修正，得到准确心脑血管疾病发病概率模型。

通过模型的不断修正，最终我们得到的能够可靠预测心脑血管疾病发病的模型为：

。

在得到该模型后，处理器就可以根据该模型，根据测量得到的生理信号进行发病预测和检测。

进一步地，我们对knn分类和id3分类器分类后的数据进行了综合比较，目的是为了找出与心脑血管疾病发病最密切相关的生理特征值。通过综合比较发现，在我们采用的检测过程下，收缩压值、舒张压值、rr间隔、s-t波段斜率、脉搏波传播速度、心音信号的幅值变异性、踝臂指数与心脑血管疾病的发生密切相关。

心脑血管疾病检测装置可以包括输出装置，可以将这些与心脑血管疾病发生密切相关的测量量的数值或者变化趋势提供给受试者，并且给出相应的建议或者报警。受试者在得到参数后，可以有效采取一些预防措施，避免发生心脑血管疾病。比如收缩压值、舒张压值较高或者较低的受试者可以服食一些血压相关的药物或者食品；rr间隔、s-t波段斜率、心音信号的幅值变异性异常的受试者可以改变锻炼方式，比如可以适当的锻炼，但是剧烈运动者可以降低运动幅度等；脉搏波传播速度异常的受试者，可以合理的饮食，降低血脂含量，采用低胆固醇、低盐、低糖饮食，不吸烟和大量饮酒，并做适当运动，定期做动脉硬化检查等。

心脑血管疾病检测装置还可以包括发送装置以及报警装置，在利用预测模型预测到高的心脑血管疾病发病概率或者已经发生心脑血管疾病的情况下，可以将这种危险情况发送给受试者的亲属、周边可以进行救治的医院、医护人员等；通过在发生危急情况时，报警装置可以进行报警，呼叫周围可以提供帮助的人。

本发明的装置的选取了多种不同的生理特征量进行监测，可以综合分析心脑血管状况，为心脑血管疾病的发病预防、复发预防提供保障；而且特征值的选择对于准确预测心脑血管疾病具有重要意义；本发明通过对同一生理量的不同特征值进行了排序，使排序靠前的先进入分类器，无论采用的knn分类器还是id3分类器，均是根据特征值的性质进行分类，排序后使贡献度大的特征值先进入分类器，使分类结果更准确；本发明利用的分类方法，将生理特征值根据心脑血管疾病的发生贡献度划分为不同的数据组，然后结合数据组建立心脑血管疾病的预测模型，并通过神经网络训练对模型进行修正，使模型可以可靠预测心脑血管疾病的发生概率；通过结合两种分类器的结果，筛选与心脑血管疾病发生最密切相关特征值，并且输出给受试者，提醒受试者在生活中关注这些值的变化，并且采取一些预防措施，避免发生心脑血管疾病；受试者在了解到这些值后，可以做出生活、工作、运动方式的调整，有效减小、避免了心脑血管疾病的发生、复发以及术中监测等。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。