基于指尖光电容积描记的血压测量方法与系统

1.本发明涉及血压测量技术领域，并特别涉及一种基于指尖光电容积描记的血压测量方法与系统。


背景技术：

2.目前市面上常见的血压测量仪器为水银柱式血压测量仪、电子气泵血压测量仪以及带血压检测功能的手环三种。
3.前两者的原理都是使用柯氏音血压测量法，这是一种无创的间接测量血压方法。大致工作流程是通过给袖带充气，当袖带内压力超过动脉收缩压时，动脉血管封闭，血流不通。然后以2～3mmhg/s的速度缓慢放气，当收缩压高于袖带内压力时，部分动脉打开，血液喷射形成涡流或湍流，它使血管振动并传到体表即为柯氏音。根据不同相的柯氏音发声时袖带内剩余气体的压力大小，作为血压的测量值。
4.传统的水银柱式血压测量仪在运用柯氏音血压测量法时，通过医护人员塞入袖带的听诊器，人为判断柯氏音不同的相，并在柯氏音发声时记录下测量仪中水银柱的示数，作为人体血压的测量值。
5.电子气泵血压测量仪则是水银柱测量仪的改进。柯氏音作为一种声音，在血管中发声时，声波会以振动的形式传递到体表和袖带中。电子气泵血压测量仪通过检测柯氏音传播时的声波，运用示波法通过建立收缩压、舒张压、平均压与袖套压力震荡波的关系来判别血压。相较于传统的水银柱式血压测量仪，电子气泵血压测量仪不再需要水银指示出袖带中气压大小，转而使用气压传感器测量袖带中的气压；手动充气的气囊装置则由电子气泵代替。在不需要医护人员协助的情况下就能自己测量血压。
6.近些年还有一类血压检测电子设备是基于手腕光电容积描记信号预测血压的手环设备。这些设备同样使用小巧的光电容积传感器采集手腕处光电容积描记信号，从该信号中提取可能与使用者血压相关的特征点，通过这些特征预测使用者的血压。
7.利用深度学习方法从光电容积描记信号进行血压预测方法上来说，目前有以下4种方法。
8.1、首先是基于ecg信号(心电图信号)与ppg信号(电容积描记信号)预测血压的方法。基于ppg和ecg信息的连续无创血压检测技术拥有自身巨大的优点,因此对于非侵入式血压检测研究中有着非常关键的意义。2015年，kachuee等在实验中使用了ecg和ppg信号，同时从中抽取相关的信号特征，并通过机器学习建立了血压的估测模型,所获得的结论总体上不错,不过该模型在估计准确度上sbp(收缩压)低于dbp(舒张压)很多，没有完全达到认证标准。近年来使用多周期的ecg和ppg信号，进行细节特征提取，特征方程不进行人工查找建立，而是选择使用通道注意力机制自适应分配方法，模型的预测精度得到了进一步的提升，sbp和dbp的预测准确度分别为4.70
±
3.45mmhg和2.40
±
2.99mmhg。
9.2、其次是基于脉搏波特征法预测血压的方法。不少研究人员在研究分析ppg信号与血压的关系时，会研究并建立脉搏波特征值集合作为辅助。提取脉搏波中与血压有关系
的特征点，根据测量原理和血压的相关理论，建立特征方程来估算血压值，实现无创连续的血压监测。
10.结合原始的ppg信号以及其一阶导和二阶导，提取所包含的血压相关特征值，构建血压的预测模型，实验结果的准确度还不错。在实验中选取时间参数、幅度参数、面积参数以及人体心率这几个特征参数进行回归分析，分别对高压、低压建立各自的特征值关系表达式，很好的达到了实验目的并且最后结果符合aami标准。
11.在表达复杂的非线性关系上，一般情况下神经网络的性能比传统回归模型更好。血压和ppg信号之间不仅仅是简单的线性关系，还夹杂了其他多种因素，因此在近年来利用神经网络实现同步血压预测的模型开始发展起来。例如通过深度神经网络建立了一种连续血压估测方式方法，将ptt和测量人的年龄、性别等人体特征并结合ecg信号特征作为模型的训练数据，将前馈神经网络和深度神经网络相结合作为实验模型，通过实验的结果，可以看出该模型具有比较好的预测准确度。或者对ppg信号的特征提取，共选出6个dbp特征参数和8个sbp特征参数，分别建立dbp和sbp的神经网络模型，实现了基于脉搏波特征参数的无创连续血压测量，但结果精度未能完全满足aami国际标准，还需要进一步的优化模型。
12.3、而后是基于脉搏波传导时间和脉搏波传导速度预测血压的方法。利用加速脉搏波时域特征、脉搏波传导时间(pulse transit time，ptt)以及身高参数等联合建立多元线性模型，实验结果上dbp测量要比sbp的预测结果好很多。以及在传统的脉搏波传导时间ptt算法的基础上，结合了软阈值和硬阈值的优点，改进了的噪声预处理方法，精细化预处理步骤，最后的测量结果较精确，但是由于该模型适用范围不够全面，对于高血压患者不太适用。feng等改变单一使用脉搏传导时间估算血压的模式，将脉搏传导时间和ecg信号等变量相结合来建立模型，很大的提高了准确度。
13.4、最后是基于ppg信号预测血压的方法。例如ppg2abp算法，实验中仅使用ppg信号通过深度学习自适应地计算高级抽象特征，建立血压预测模型，实验结果精确度很高，只是在整体上来看sbp预测的精确度低一些，还需要进一步研究来提高sbp的精确度。
14.上述不论是水银柱式血压测量仪还是电子气泵血压测量仪，两者都需要袖带加压辅助测量，要求袖带必须能对整个宽度产生平稳的压力，即在袖带充气时必须不膨胀或产生位移，袖带的体积很难缩小。其次，不论是手动充气还是使用电子气泵充气，充气装置的体积都相对较大。综上两点，运用柯氏音血压测量法的测量仪难以做到更好的便携性。
15.而整合入手环的基于光电容积描记信号的血压监测仪器，会被佩戴在使用者的手腕背部。由于手腕部位的肌肉比较发达，且手腕背部有许多体表毛发，所采集的光电容积描记信号会受到手腕部肌肉收缩程度和体表毛发稀疏程度的影响。此外，在手腕背部采集的光电容积描记信号强度还会受到不同使用者手腕的肤色影响。由于上述原因，在手腕处采集光电容积描记信号测量血压时误差较高，且多次测量的数据稳定性差。
16.而目前现有的基于深度学习预测血压的4种方法中，均存在不同程度的缺点。使用ecg和ppg信号来预测血压的实验结果精度较高，但是这样还需额外的设备去测量ecg信号，使得测量变得不便。实验表明通过脉搏波特征法预测血压是可行的，但是人工寻找、提取和建立波形的特征集合，有着一定的难度，对数据规范的要求很高，可能会对实验结果的精确度有影响。通过已有的实验结论来看，仅使用脉搏波时间或脉搏波波速来建立血压测量模型是可行的，但是由于不同人群之间存在很大的个体差异，同一方法测量不同人群会出现
偏差，所以还需加入个体特征来建立更高普适性的血压测量模型，使准确度达到更高标准的。而目前已有的基于ppg信号预测血压的方法深度学习模型仍然有待完善，精度仍然有待提高。


技术实现要素：

17.本发明的目的是针对基于柯氏音血压测量法的测量仪难以做到更好的便携性的缺陷，本发明提出了一种使用指尖光电容积描记信号测量出人体的血压值的方法及系统，该系统显著缩小了血压测量仪的体积，提高了血压测量仪的便携能力，从而使得受试者更方便地测量血压。
18.本发明提出一种基于指尖光电容积描记的血压测量方法，其中包括：
19.步骤1、通过光电传感器采集指腹位置的光电容积描记信号作为原始信号，对该原始信号进行均值趋势线矫正处理，得到稳定信号；
20.步骤2、该稳定信号经过映射处理和样条插值采样后，被映射为与深度学习模型训练数据相同采样阈值和采样频率的合规信号，该合规信号输入至该深度学习模型，生成该原始信号对应的动脉血压曲线；
21.步骤3、从该动脉血压曲线中分别取血压极大值和极小值作为使用者收缩压和舒张压的测量值，并取整条血压曲线的均值作为使用者平均血压的测量值。
22.所述的基于指尖光电容积描记的血压测量方法，其中该深度学习模型为级联unet深度学习模型，使用u-net和multiresunet深度神经网络进行级联拼接，两者分别以平均绝对误差和平均平方误差作为损失函数，以医疗数据集作为训练数据，使用adam优化器训练两个神经网络，将模型参数训练至收敛。
23.所述的基于指尖光电容积描记的血压测量方法，其中该步骤1中均值趋势线矫正处理包括：
24.均值平滑时设定的窗口长度为w，通过下式进行均值趋势线矫正：
[0025][0026]
式中x'i为原始信号经过平滑处理后的数组下标为i的数据，求和符号右边的x
i+j
是原始信号，其下标i+j是数组的原始信号的数组下标；
[0027]
并通过下述公式，得到稳定信号yi：
[0028][0029]
yi＝x'
i-bi。
[0030]
所述的基于指尖光电容积描记的血压测量方法，其中该步骤3包括：
[0031]
该动脉血压曲线中取血压极大值x
max
作为收缩压的测量值，在相邻的两个极大值之间的图线中取最小值作为该舒张压的测量值。
[0032]
本发明还提出了一种基于指尖光电容积描记的血压测量系统，其中包括：
[0033]
初始模块，用于通过光电传感器采集指腹位置的光电容积描记信号作为原始信
号，对该原始信号进行均值趋势线矫正处理，得到稳定信号；
[0034]
映射模块，用于在该稳定信号经过映射处理和样条插值采样后，被映射为与深度学习模型训练数据相同采样阈值和采样频率的合规信号，该合规信号输入至该深度学习模型，生成该原始信号对应的动脉血压曲线；
[0035]
输出模块，用于从该动脉血压曲线中分别取血压极大值和极小值作为使用者收缩压和舒张压的测量值，并取整条血压曲线的均值作为使用者平均血压的测量值。
[0036]
所述的基于指尖光电容积描记的血压测量系统，其中该深度学习模型为级联unet深度学习模型，使用u-net和multiresunet深度神经网络进行级联拼接，两者分别以平均绝对误差和平均平方误差作为损失函数，以医疗数据集作为训练数据，使用adam优化器训练两个神经网络，将模型参数训练至收敛。
[0037]
所述的基于指尖光电容积描记的血压测量系统，其中该初始模块中均值趋势线矫正处理包括：
[0038]
均值平滑时设定的窗口长度为w，通过下式进行均值趋势线矫正：
[0039][0040]
式中x'i为原始信号经过平滑处理后的数组下标为i的数据，求和符号右边的x
i+j
是原始信号，其下标i+j是数组的原始信号的数组下标；
[0041]
并通过下述公式，得到稳定信号yi：
[0042][0043]
yi＝x'
i-bi。
[0044]
所述的基于指尖光电容积描记的血压测量方法，其中该输出模块用于：
[0045]
该动脉血压曲线中取血压极大值x
max
作为收缩压的测量值，在相邻的两个极大值之间的图线中取最小值作为该舒张压的测量值。
[0046]
本发明还提出了一种存储介质，用于所述任意一种基于指尖光电容积描记的血压测量方法的程序。
[0047]
本发明还提出了一种客户端，用于所述任意一种基于指尖光电容积描记的血压测量系统。
[0048]
在英国高血压协会标准中，本发明的血压测量仪中所使用的级联unet深度学习模型达到了grade a的医疗用品标准等级，详见下表：
[0049] 《＝5mm hg《＝10mm hg《＝15mm hggradea等级要求60％85％95％dbp舒张压81.4％92.4％96.2％sbp收缩压69.6％86.1％95.3％map平均压95.5％97.6％98.4％
[0050]
在美国医疗仪器促进协会标准中，本发明的血压测量仪中所使用的级联unet深度学习模型达到了医疗用品标准等级，详见下表：
[0051] mae(mmhg)std(mmhg)aami医疗用品标准《＝5《＝8dbp舒张压3.146.83sbp收缩压4.757.24map平均压2.174.48
[0052]
针对现有技术的不足，本发明提出一种基于指尖光电容积描记信号来预测受试者动脉血压曲线的血压测量方法与系统。该系统使用级联unet深度学习模型，预测动脉血压曲线，并从曲线中获得收缩压、舒张压、平均压3项血压生理指标。
[0053]
由以上方案可知，本发明的优点在于：
[0054]
无创伤、连续性的血压测量；可预测出动脉血压曲线，动态输出逐拍血压值：收缩压、舒张压、平均压；测量精度高，达到了英国高血压协会a级和美国医疗仪器促进协会标准；可实现穿戴式产品设计。
附图说明
[0055]
图1为基于指尖光电容积描记的血压测量装置测量血压的整体流程如图；
[0056]
图2为信号矫正示意图；
[0057]
图3a和图3b为级联unet深度学习模型的神经网络结构图；
[0058]
图4为测量结果展示图。
具体实施方式
[0059]
针对基于柯氏音血压测量法的测量仪难以做到更好的便携性，以及基于光电容积描记信号的手环测量准确性低的缺陷，本发明提出使用指尖光电容积描记信号用于测量血压的方法与系统。在大量医学数据的基础上，运用深度学习的方法，利用指尖光电容积描记信号构建并还原出人体动脉血压信号曲线，从而测量出人体的血压值。
[0060]
具体而言，首先，光电容积描记传感器的体积十分小巧，能轻松塞入指尖测量仪等设备中，并且手指指腹的肌肉量相较于手腕更少，也没有体表毛发，皮肤颜色也更为稳定，在此处能采集到更稳定精确的光电容积描记信号。其次，光电容积描记信号中有能体现出动脉血压曲线变化的特征，即两者有足够的关联性，使得预测动脉血压曲线成为可能。最后，通过引入级联unet深度学习模型，模型能自动学习到光电容积描记信号与动脉血压曲线两者之间的关联性，在基于大量医学测量数据的情况下，就能做到准确的血压测量。
[0061]
具体来说本发明包括以下关键技术点：
[0062]
关键点1，将原始指尖光电容积描记信号转化为深度学习模型可用的标准输入信号的技术；技术效果：能将带干扰噪声的原始信号转变为平滑稳定的标准信号；
[0063]
关键点2，使用级联unet深度学习模型由指尖光电容积描记信号还原人体动脉血压曲线；技术效果：在英国高血压协会标准的a级标准和美国医疗仪器促进协会标准；
[0064]
关键点3，从动脉血压曲线中提取收缩压和舒张压的测量值；技术效果：能依据动脉血压曲线，从曲线中准确取出收缩压和舒张压的测量值。
[0065]
为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。
[0066]
基于指尖光电容积描记的血压测量装置测量血压的整体流程如图1所示。
[0067]
首先将传感器对准指尖的指腹位置，从指尖光电传感器上采集光电容积描记信号，并通过蓝牙的方式发送回手机中。传感器原始光电容积描记信号(初始数据)，需要消除传感器噪声。传感器需要放置在指腹一段时间，在采集到足够量的初始数据后，以初始数据为基准，对采集到的最新数据使用均值趋势线矫正将数据矫正为稳定信号。
[0068]
经过标准化(例如最大最小值标准化)映射处理和样条插值采样后，信号进一步被映射为与深度学习模型训练数据相同采样阈值和采样频率的光电容积描记信号。转化后的数据通过级联unet深度学习模型的重建，重构出使用者当前的动脉血压曲线信号。
[0069]
而后，从动脉血压曲线中分别取血压极大值和极小值作为使用者收缩压和舒张压的测量值，并取整条血压曲线的均值作为使用者平均血压的测量值。
[0070]
图2依次给出了使用均值平滑处理后和使用均值趋势线矫正后，将原始信号矫正为稳定平直的修复信号。均值平滑处理能在保留数据有效信息的情况下，滤除掉高频噪声，从而使得高频噪声信号被消除，从而得到光滑有效的指尖光电容积描记信号。假设均值平滑时设定的窗口长度为w，均值平滑过程遵循以下公式进行：
[0071][0072]
式中x'i为经过平滑处理后的数组下标为i的数据，求和符号右边的x
i+j
是原始信号，其下标i+j是数组的原始信号的数组下标。
[0073]
均值趋势线矫正能使得图线去除传感器的倾斜干扰，使得信号变得稳定而平直。其中均值的取值窗口需大于使用者心脏搏动的一整个周期，基于此，本发明以常人的心脏搏动频率在0.3至1秒之间，本发明给出窗口取值推荐值。在传感器采样频率为125hz是，前后均值采样窗口以100个数据为宜。均值趋势线的获取公式与均值平滑的公式相同。
[0074]
以所得的均值趋势线为基础，使用最小二乘回归法，得到信号需要矫正的偏移直线方程。从而在原信号的基础上减去当前时刻需要矫正的偏差值，最终得到稳定平直的指尖光电容积描记信号。最小二乘回归法公式及信号矫正公式如下：
[0075][0076]
yi＝x'
i-bi式中y'i是矫正后的信号，yi是原始信号数据，xi是数组下标，m是待矫正的信号数组长度。
[0077]
图3所示是级联unet深度学习模型的神经网络结构，本发明的级联unet深度模型，使用u-net和multiresunet两个深度神经网络进行级联拼接，两者分别以平均绝对误差(mae)和平均平方误差(mse)作为损失函数。这两个模型可逐步训练，并在预测时进行级联。使用两个模型是因为两个模型堆叠时，模型的参数增大，模型容量增加，在大规模数据集上能学习到更多的特征，学习效果更好。第一个模型选用结构较为简单的unet，就能够大致拟合出曲线。堆叠上第二个复杂模型是在第一个模型预测结果的基础上，尽量精准的还原动脉血压曲线的。有了第一个模型的还原铺垫，第二个模型能更精确地还原出曲线。
[0078]
以加州大学欧文分校公开的cuff-less blood pressure estimation data set
医疗数据集作为训练数据，使用adam优化器训练两个神经网络，将模型参数训练至收敛。训练收敛的级联unet深度模型，能以指尖光电容积描记信号为依据，重构出动脉血压曲线。记该神经网络为变换函数则从指尖光电容积描记信号(ppg)获得动脉血压曲线(abp)的表达式为下式：
[0079][0080]
图4展示了如何从动脉血压曲线中提取收缩压和舒张压的测量值。其中，以每一周期内最大上升斜率点右侧的第一个极大值作为收缩压的测量值，取极大值使用一阶导数极值测量法，其公式如下：
[0081][0082]
其中，abp
max
是整条动脉血压曲线中的最大值，abp
min
是整条动脉血压曲线中的最小值，abpi是数组下标为i的动脉血压值。当动脉血压曲线中某处是周期内最大上升斜率点右侧的满足上述公式的第一个数据点时，该处就是所求的收缩压测量值。在一条曲线中能获得多个符合上述要求的收缩压测量值。我们将这些收缩压测量值取平均作为整个测量过程中受试者收缩压观测值。
[0083]
得到多个收缩压测量值后，在相邻的收缩压的测量值之间的图线中取最小值作为舒张压测量值。我们将这些舒张压测量值取平均作为整个测量过程中受试者舒张压观测值。
[0084]
最后取整条动脉血压曲线的均值abp
mean
作为平均压测量值和整个测量过程中受试者平均压观测值。
[0085]
以下为与上述方法实施例对应的系统实施例，本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述实施方式中。
[0086]
本发明还提出了一种基于指尖光电容积描记的血压测量系统，其中包括：
[0087]
初始模块，用于通过光电传感器采集指腹位置的光电容积描记信号作为原始信号，对该原始信号进行均值趋势线矫正处理，得到稳定信号；
[0088]
映射模块，用于在该稳定信号经过映射处理和样条插值采样后，被映射为与深度学习模型训练数据相同采样阈值和采样频率的合规信号，该合规信号输入至该深度学习模型，生成该原始信号对应的动脉血压曲线；
[0089]
输出模块，用于从该动脉血压曲线中分别取血压极大值和极小值作为使用者收缩压和舒张压的测量值，并取整条血压曲线的均值作为使用者平均血压的测量值。
[0090]
所述的基于指尖光电容积描记的血压测量系统，其中该深度学习模型为级联unet深度学习模型，使用u-net和multiresunet深度神经网络进行级联拼接，两者分别以平均绝对误差和平均平方误差作为损失函数，以医疗数据集作为训练数据，使用adam优化器训练两个神经网络，将模型参数训练至收敛。
[0091]
所述的基于指尖光电容积描记的血压测量系统，其中该初始模块中均值趋势线矫正处理包括：
[0092]
均值平滑时设定的窗口长度为w，通过下式进行均值趋势线矫正：
[0093][0094]
式中x'i为原始信号经过平滑处理后的数组下标为i的数据，求和符号右边的x
i+j
是原始信号，其下标i+j是数组的原始信号的数组下标；
[0095]
并通过下述公式，得到稳定信号yi：
[0096][0097]
yi＝x'
i-bi所述的基于指尖光电容积描记的血压测量方法，其中该输出模块用于：
[0098]
该动脉血压曲线中取血压极大值x
max
作为收缩压的测量值，在相邻的两个极大值之间的图线中取最小值作为该舒张压的测量值。
[0099]
本发明还提出了一种存储介质，用于所述任意一种基于指尖光电容积描记的血压测量方法的程序。
[0100]
本发明还提出了一种客户端，用于所述任意一种基于指尖光电容积描记的血压测量系统。