CN102334986B - 动脉压信号中重搏切迹点识别方法 - Google Patents
动脉压信号中重搏切迹点识别方法 Download PDFInfo
- Publication number
- CN102334986B CN102334986B CN 201110191763 CN201110191763A CN102334986B CN 102334986 B CN102334986 B CN 102334986B CN 201110191763 CN201110191763 CN 201110191763 CN 201110191763 A CN201110191763 A CN 201110191763A CN 102334986 B CN102334986 B CN 102334986B
- Authority
- CN
- China
- Prior art keywords
- sampling point
- dicrotic notch
- signal
- arterial pressure
- detected
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 3
- 238000005070 sampling Methods 0.000 claims description 173
- 230000004872 arterial blood pressure Effects 0.000 claims description 135
- 238000000528 statistical test Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000000877 morphologic effect Effects 0.000 abstract description 4
- 238000013519 translation Methods 0.000 abstract description 4
- 210000001765 aortic valve Anatomy 0.000 description 7
- 230000035488 systolic blood pressure Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 210000000709 aorta Anatomy 0.000 description 5
- 210000001367 artery Anatomy 0.000 description 5
- 230000001174 ascending effect Effects 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 230000035487 diastolic blood pressure Effects 0.000 description 4
- 230000004217 heart function Effects 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 230000036581 peripheral resistance Effects 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000010349 pulsation Effects 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 206010003497 Asphyxia Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 206010002482 Angiosclerosis Diseases 0.000 description 1
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 206010012758 Diastolic hypertension Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供动脉压信号中重搏切迹点识别方法,该方法结合了动脉压信号的波形轮廓进行综合分析,采用对数极坐标分布模型,以点与点之间的差向量作为基础特征,该基础特征具有平移和旋转不变性,能够克服动脉压信号的基线漂移的影响,同时对邻近的波形形态特征敏感,又能捕获波形的全局轮廓信息,从而在整体提高了重搏切迹点识别的抗干扰能力;并且,在识别过程中,通过曲率区分识别大大简化了识别过程的数据计算量,并采用卡方统计检验作为匹配手段,利用了卡方统计检验具有很强鲁棒性、准确度高的优点,提高了本发明方法整体的鲁棒性能和识别准确度。本发明方法实现了计算机对动脉压信号中重搏切迹点的识别,具有广阔的应用前景。
Description
技术领域
本发明涉及动脉压自动检测与分析技术领域,特别涉及一种基于波形特征提取和模板匹配的动脉压信号重搏切迹点识别方法。
背景技术
动脉压信号携带着重要的生理、病理信息,例如血流的入射和反射,心脏搏血功能,动脉管壁的弹性和僵硬度等信息。动脉压信号随着心脏的搏动而波动,是一种以连续波动的方式传播的准周期逐拍信号,连续逐拍中每一节拍的起点代表着一个脉搏波的到来,两个连续节拍起点之间为一个完整的节拍信号,它提供着重要的血压信息和心脏搏动信息,患者当前的血压和心脏参数都可以由动脉压信号中一个个节拍信号分析得到。目前,临床上使用的动脉压分析设备正是通过综合分析不同节拍的动脉压信号,获取患者当前的血压和心脏功能参数。
人的动脉压信号可利用动脉压检测仪检测、记录下来。如图1所示为采集到的一段动脉压信号,其中AB段即为动脉压信号中的一个节拍信号,从图1可见动脉压信号中一个节拍信号通常由上升支(AO段)和下降支(OB段)构成。上升支(AO段)是由于心室快速射血期动脉压力迅速上升,管壁突然扩张而形成;上升支AO的斜率(上升速度)以及峰值点O的幅度可以反映心输出量、射血速度、外周阻力及主动脉和大动脉管壁的弹性,当心输出量增加,射血速度加快,外周阻力成小以及主动脉和大动脉管壁的弹性降低时,则斜率大,波幅高,反之则斜率小、幅度低。下降支OB是由于心室射血后期速度减慢,输出量减少,进入动脉的血量少于流至外周的血量,故动脉压力降低,动脉弹性回缩,形成下降支的前段(ON段),通常也将上升支AO以及下降支前段ON形成的峰波称为主波;随着心室舒张,主动脉压力迅速下降,在主动脉瓣关闭的一瞬间,血液向心室方向倒流,管壁回缩使下降支急促下降,形成一个切迹点N,称为重搏切迹(部分文献也称作降中峡);但由于此时主动脉瓣已关闭,倒流的血液被主动脉瓣弹回,动脉压再次稍有上升,故又形成一个短暂上升的小波(ND段),称为重搏波(部分文献也称作降中波);随后在心室舒张期中,动脉血液继续流向外周,管壁继续回缩,脉搏波继续下降,形成了下降支的后段(DB段)。
动脉压信号下降支的形状能够反映动脉血管的弹性情况;动脉血管健康、弹性较好,则动脉外周阻力小,下降支前段下降速度较快,重搏切迹位置较低,重搏波以后的下降支后段坡度较平坦;相反,如果动脉血管发生硬化、弹性减弱,动脉外周阻力增大,则下降支前段下降速度较慢,重搏切迹位置较高,重搏波以后的下降支后段坡度较陡。同时,主动脉瓣不够健全、心搏节律有异常等情况,也会导致重拨波发生波形圆钝、波形抖动、甚至模糊不清等不同情况的形状变化。由此可见,动脉压信号中的重搏切迹和重拨波携带由诸多重要的心脏生理、病理信息,是体现心脏功能的重要参数;同时,重拨波又以重搏切迹为起点,因此动脉压信号中重搏切迹点的位置是反映上述心脏功能信息的关键。然而,目前针对动脉压的心功能临床诊断、研究中,由于重搏切迹位于动脉压信号下降支的中段,并且其所在位置根据病理的不同具有一定的不确定性,加上动脉压信号容易跟随憋气、用力等情况产生明显的基线起伏漂移,人体动作、动脉压检测仪信号采集探头的抖动等情况也会在动脉压信号中形成干扰波,因此动脉压信号中重搏切迹点的位置难以利用常规的计算机手段进行有效识别,通常都依靠医师的经验进行人工识别,而人工识别不但费时费力,并且由于不同临床医师的认知观点不尽相同,识别标准参差不齐,导致识别效率低、准确性也难以得到保证。
发明内容
针对现有技术存在的上述不足,本发明方法所解决的技术问题是提供一种采用计算机实现的动脉压信号中重搏切迹点识别方法,用以解决人工识别工作量大、效率低、准确性难以保证的技术问题。
为实现上述目的,本发明采用了如下的技术手段:
动脉压信号中重搏切迹点识别方法,其特征在于,将动脉压检测仪采集的动脉压信号输入计算机,由计算机进行低通滤波和采样的预处理,然后采用计算机识别动脉压信号中的重搏切迹点;采用计算机识别重搏切迹点的具体步骤包括:
A)构建模板数据库;该步骤具体包括:
a1)将重搏切迹已知的动脉压信号中一个节拍信号的采样点数归一化处理为K个,作为一个模板信号;由此建立若干个波形互不相同的模板信号;
a2)分别建立各个模板信号中已知重搏切迹所在采样点的对数极坐标分布模型,并以之构建模板数据库;
B)识别待测的动脉压信号中的重搏切迹点;该步骤具体包括:
b1)对待测的动脉压信号进行逐拍分割,将分割所得每个待测节拍信号的采样点数归一化处理为K个;
b2)识别出待测的动脉压信号经逐拍分割后得到的各个待测节拍信号中第i个待测节拍信号的重搏切迹点;该步骤的过程为:
<b21>预设曲率阈值τ0;计算第i个待测节拍信号中各个采样点所在信号段的曲率,将所在信号段的曲率大于或等于曲率阈值τ0的采样点作为第i个待测节拍信号中的目标采样点;
<b22>分别建立第i个待测节拍信号中各个目标采样点的对数极坐标分布模型,并分别与模板数据库中每一已知重搏切迹所在采样点的对数极坐标分布模型进行匹配运算,进而从第i个待测节拍信号的各个目标采样点中识别出第i个待测节拍信号的重搏切迹点;
b3)重复步骤b2),逐一识别出待测的动脉压信号的各个待测节拍信号的重搏切迹点;
b4)显示并存储待测的动脉压信号中重搏切迹点的识别结果。
上述的动脉压信号重搏切迹点识别方法中,进一步,所述K的取值范围为100~1000。
上述的动脉压信号重搏切迹点识别方法中,进一步,所述采样点所在信号段,是指该采样点及其前后各E个采样点构成的信号段,E的取值范围为3~8。
上述的动脉压信号重搏切迹点识别方法中,进一步,所述建立重搏切迹点所在采样点或目标采样点的对数极坐标分布模型的具体步骤如下:
(1)建立模型分布域,所述模型分布域是预设定对数极径半径ξmax、极角范围为(-π,π]的对数极坐标域,并且其对数极径半径ξmax等分为R个极径区间,极角范围(-π,π]等分为C个极角区间,从而构成模型分布域的R×C个分布区间;
(2)将已知重搏切迹或目标采样点所在的节拍信号映射到直角坐标系中,按下式求取已知重搏切迹所在采样点或目标采样点分别与其所在节拍信号中其它K-1个采样点的差向量,记为Δa(k0→k):
Δa(k0→k)=(x0-xk,y0-yk);
其中,k0表示已知重搏切迹所在采样点或目标采样点在其所在节拍信号中的采样点序号,(x0,y0)表示已知重搏切迹所在采样点或目标采样点在直角坐标系中的向量坐标,(xk,yk)表示已知重搏切迹或目标采样点所在节拍信号中第k个采样点在直角坐标系中的向量坐标;
由此得到已知重搏切迹所在采样点或目标采样点分别与其所在节拍信号中其它K-1个采样点的差向量集,记为ΔA(k0→k)={Δa(k0→k)|k=1,2,...,K};
(3)对差向量集ΔA(k0→k)中的差向量进行对数极坐标转换,得到对应于已知重搏切迹所在采样点或目标采样点的对数极坐标集ΔB(k0→k)={Δb(k0→k)|k=1,2,...,K};Δb(k0→k)表示差向量Δa(k0→k)对应的对数极坐标,即:
(4)计算对应于已知重搏切迹所在采样点或目标采样点的对数极坐标集ΔB(k0→k)中对数极坐标在模型分布域中各个分布区间的分布数量,得到已知重搏切迹所在采样点或目标采样点的对数极坐标分布模型,记为F:
F={f(r,c)|r=1,2,...,R;c=1,2,...,C};
其中,f(r,c)表示对应于已知重搏切迹所在采样点或目标采样点的对数极坐标集ΔB(k0→k)中分布在模型分布域第r个极径区间和第c个极角区间所构成的分布区间以内的对数极坐标的数量。
上述的动脉压信号重搏切迹点识别方法中,进一步,所述步骤<b22>中,第i个待测节拍信号中各个目标采样点的对数极坐标分布模型分别与模板数据库中每一已知重搏切迹所在采样点的对数极坐标分布模型进行匹配运算的具体步骤如下:
[1]按下式计算第i个待测节拍信号中一个目标采样点的对数极坐标分布模型FSi与模板数据库中一个已知重搏切迹所在采样点的对数极坐标分布模型FD的卡方统计检验值P[FD,FSi]:
其中,fSi(r,c)∈FSi,fR1(r,c)∈FR1;
从而计算得到第i个待测节拍信号中各个目标采样点的对数极坐标分布模型分别与模板数据库中各个已知重搏切迹所在采样点的对数极坐标分布模型的卡方统计检验值;
[2]以步骤[1]中所得的各个卡方统计检验值中最小值所对应的目标采样点作为第i个待测节拍信号中的重搏切迹点。
相比现有技术,本发明具有如下有益效果:
1、本发明方法实现了计算机对动脉压信号中重搏切迹点的识别,不仅大大降低了动脉压临床医师的工作量,还克服了人工手工识别的人为误差,提高了动脉压信号中重搏切迹点识别的效率及准确性。
2、本发明方法在待测的动脉压信号的重搏切迹点识别过程中,仅以所在信号段曲率大于或等于曲率阈值τ0的采样点作为目标采样点加以进一步识别,忽略对波形平缓部分的采样点进行计算和识别,大大简化了识别过程的数据计算量,提高了识别的鲁棒性。
3、本发明方法中采用的对数极坐标分布模型,以点与点之间的差向量作为基础特征,该基础特征具有平移和旋转不变性,能够克服动脉压信号的基线漂移的影响;同时,对差向量进行对数极坐标转换来度量波形的相似性,这种度量对邻近的波形形态特征敏感,同时又能捕获波形的全局轮廓信息,并对波形中的干扰抖动具有鲁棒性;从而从整体上提高了动脉压信号中重搏切迹点识别的抗干扰能力。
4、作为进一步改进的方案中,匹配过程中采用卡方统计检验作为匹配手段,利用了卡方统计检验具有很强鲁棒性、准确度高的优点,来提高本发明方法整体的鲁棒性能和识别准确度。
5、将本发明方法应用于具备计算机功能的动脉压分析设备的重搏切迹识别技术中,用以辅助取得动脉压信号节拍中重搏切迹位置、重搏波形状、下降支后段坡度等信息参数,有助于实现动脉压分析设备对动脉血管硬化、主动脉瓣不健全、心搏节律有异常等临床病症的智能诊断,具有广阔的应用前景。
附图说明
图1为动脉压信号示例波形图;
图2为实施例中待测的动脉压信号的波形图;
图3为实施例中待测动脉压信号的逐拍分割结果示意图;
图4为实施例中第1个待测节拍信号Q1中各个目标采样点与模板信号中已知重搏切迹的匹配运算结果示意图;
图5为实施例中待测动脉压信号各个节拍的重搏切迹点识别结果示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明:
本发明提出了一种结合动脉压信号的波形轮廓进行综合分析的动脉压信号重搏切迹点识别方法。虽然动脉压信号随心脏的搏动呈准周期变化,具有一定的规律性,但是根据病理的不同重搏切迹在动脉压信号下降支中的位置具有一定的不确定性,同时动脉压信号容易跟随憋气、用力等情况产生明显的基线起伏漂移,人体动作、动脉压检测仪信号采集探头的抖动等情况还会在动脉压信号中形成干扰波,这些因素都增加了计算机自动识别动脉压信号中重搏切迹点的难度,这也是目前尚没有出现一个很好的采用计算机实现的动脉压信号重搏切迹点识别方法的主要原因。为此,本发明充分考虑这些因素,提出一种动脉压信号中重搏切迹点的识别方法。
本发明采用动脉压检测仪采集动脉压信号,将这些信号输入计算机,进行低通滤波和采样的预处理,低通滤波能够去除信号中一些常规的低频噪声,预处理过程中采样的频率则根据需要确定;然后采用计算机识别动脉压信号中的重搏切迹点。采用计算机进行重搏切迹点识别的过程按如下步骤进行:
A)构建模板数据库。模板数据库的构建过程包含两个小步骤:
a1)将重搏切迹已知的动脉压信号中一个节拍信号的采样点数归一化处理为K个,作为一个模板信号;由此建立若干个波形互不相同的模板信号。
在不同个体、不同身体状态下,所采集到的动脉压信号的周期、幅值和波形轮廓都不尽相同,因此在建立模板时应当充分考虑这些因素。模板信号的建立过程是:由动脉压检测仪采集的动脉压信号,从中选取多个波形轮廓互不相同的动脉压信号,并且其各自的节拍周期、幅度和重搏切迹等信息均预先通过人工检测或其他现有的检测手段获取为已知条件,便于建立模板信号。在条件允许的情况下,所选取的多个已知动脉压信号,最好能够涵盖实践临床上健康状态以及几种常见疾病状态所对应的动脉压信号的波形轮廓。将选取的动脉压信号输入计算机进行低通滤波和采样预处理后,从这些已知的动脉压信号中进一步选取若干个节拍信号。由于每个节拍信号的时间跨度不尽相同,因此各个节拍信号中原采样点数是不尽相同的;为了能够针对不同的节拍信号建立具有相同标准的数学模型,这里需要将这些选取的节拍信号进行采样点数归一化处理,例如原节拍信号中采样点数多于K个的进行再次采样,而原节拍信号中采样点数少于K个的进行插值处理,从而将这些选取的节拍信号的采样点数归一化为K个;此处,若需要考虑识别精度和计算量的因素,K的取值范围在100~1000之间较为适宜。
a2)分别建立各个模板信号中已知重搏切迹所在采样点的对数极坐标分布模型,并以之构建模板数据库。
由于动脉压信号的逐拍对应着心脏搏动,具有一定的规律性和周期性,并且相同健康状况或病理状况的重搏切迹位置具有相似性,通过建立识别模型,对这种相似性加以度量和匹配,就可以利用计算机找到与重搏切迹点的采样点,实现动脉压信号中的重搏切迹点识别。
本发明方法中所采用的识别模型是基于模型分布域的对数极坐标分布模型,结合了动脉压信号的波形轮廓进行综合分析,以点与点之间的差向量作为基础特征,该基础特征具有平移和旋转不变性,能够克服动脉压信号的基线漂移的影响;对差向量进行对数极坐标转换来度量波形的相似性,这种度量对识别点邻近的波形形态特征敏感,又能捕获波形的全局轮廓信息,同时对波形抖动和变形具有鲁棒性;从而从整体上进一步提高了动脉压信号中重搏切迹点识别的抗干扰能力。
下面以模板信号中一个已知重搏切迹D为例,说明已知重搏切迹D所在采样点的对数极坐标分布模型的建立过程:
(1)建立模型分布域,所述模型分布域是预设定对数极径半径ξmax、极角范围为(-π,π]的对数极坐标域,并且其对数极径半径ξmax等分为R个极径区间,极角范围(-π,π]等分为C个极角区间,从而构成模型分布域的R×C个分布区间;
(2)将已知重搏切迹D所在的节拍信号映射到直角坐标系中,按下式求取已知重搏切迹D所在采样点分别与其所在节拍信号中其它K-1个采样点的差向量,记为ΔaD(k0→k):
ΔaD(k0→k)=(x0-xk,y0-yk);
其中,k0表示已知重搏切迹D所在采样点在其所在节拍信号中的采样点序号,(x0,y0)表示已知重搏切迹D所在采样点在直角坐标系中的向量坐标,(xk,yk)表示已知重搏切迹D所在节拍信号中第k个采样点在直角坐标系中的向量坐标;
由此得到已知重搏切迹D所在采样点分别与其所在节拍信号中其它K-1个采样点的差向量集,记为ΔAD(k0→k)={ΔaD(k0→k)|k=1,2,...,K};
(3)对差向量集ΔAD(k0→k)中的差向量进行对数极坐标转换,得到对应于已知重搏切迹D的对数极坐标集ΔABD(k0→k)={ΔbD(k0→k)|k=1,2,...,K};ΔbD(k0→k)表示差向量ΔaD(k0→k)对应的对数极坐标,即:
(4)计算对应于已知重搏切迹D的对数极坐标集ΔBD(k0→k)中对数极坐标在模型分布域中各个分布区间的分布数量,得到已知重搏切迹D所在采样点的对数极坐标分布模型,记为FD:
FD={fD(r,c)|r=1,2,...,R;c=1,2,...,C};
其中,fD(r,c)表示对应于已知重搏切迹D的对数极坐标集ΔBD(k0→k)中分布在模型分布域第r个极径区间和第c个极角区间所构成的分布区间以内的对数极坐标的数量。
B)识别待测的动脉压信号中的重搏切迹点。为提高重搏切迹点识别的准确度,本发明采用了下面的步骤来识别待测的动脉压信号中的重搏切迹点:
b1)对待测的动脉压信号进行逐拍分割,将分割所得每个待测节拍信号的采样点数归一化处理为K个。
本发明采用了对单个节拍信号逐一识别重搏切迹点的方式,来识别出待测动脉压信号中的各个重搏切迹点,因此待测的动脉压信号采集后输入计算机进行低通滤波和采样的预处理后,需要将其逐拍分割为一个个的节拍信号。对动脉压信号进行逐拍分割的方法很多,例如可采用人工标记节拍分割点进行分割,也可按信号周期长度取信号波形的局部最小值点的方法由计算机计算出动脉压信号的节拍分割点再进行逐拍分割,等等。本领域内针对动脉压信号的逐拍分割方式,就技术人员的专业认知和学术观点的不同,其采用的分割方法也不尽相同,从而在节拍分割点的划分以及逐拍分割结果上存在细微的差异;针对动脉压信号逐拍分割的不同主张观点,本领域内的国内外学者也通过一些论文或期刊的方式进行了评述和争论。但就本发明而言,采用本领域内现有的不同逐拍分割方式对动脉压信号进行逐拍分割,所产生的细微差别对本发明方法并不会造成识别上的困难或者明显差异。因此本文对这些不同观点的逐拍分割方法不作区分,本发明方法在该步骤中适用于本领域内现有的不同逐拍分割方式。在逐拍分隔过后,也需要将分割所得的每个待测节拍信号的采样点数归一化处理为K个。
b2)识别出待测的动脉压信号经逐拍分割后得到的各个待测节拍信号中第i个待测节拍信号的重搏切迹点;该步骤的过程可分为<b21>和<b22>两个小步骤加以介绍:
<b21>预设曲率阈值τ0;计算第i个待测节拍信号中各个采样点所在信号段的曲率,将所在信号段的曲率大于或等于曲率阈值τ0的采样点作为第i个待测节拍信号中的目标采样点;
由于重搏切迹是在动脉血管回缩、动脉压下降过程中因主动脉瓣关闭、血液回流引起的动脉压回升拐点,因此,本发明在重搏切迹点的识别过程中并非采用惯用的逐点判断的方式,而是仅以所在信号段曲率大于或等于预设的曲率阈值τ0的采样点作为目标采样点加以进一步识别,忽略对波形平缓部分的采样点进行计算和识别;在动脉压信号中,波形平缓部分所占据的比例是相当大的,因此通过曲率划分目标采样点,大大简化了识别过程中的数据计算量,进一步提高了识别的鲁棒性。这里,第i个待测节拍信号中采样点所在信号段,是指该采样点及其前后各E个采样点构成的信号段,考虑曲率计算精度和计算量的因素,E的取值范围在3~8之间较为适宜。对于第i个待测节拍信号的边缘处采样点之前或之后不足E个其它采样点的情况,考虑到重搏切迹点应分布在待测节拍信号的中部,因此对第i个待测节拍信号边缘处的采样点不加以考虑,不作识别处理。曲率阈值τ0的具体取值则根据经验选取。
<b22>分别建立第i个待测节拍信号中各个目标采样点的对数极坐标分布模型,并分别与模板数据库中每一已知重搏切迹所在采样点的对数极坐标分布模型进行匹配运算,进而从第i个待测节拍信号的各个目标采样点中识别出第i个待测节拍信号的重搏切迹点。
第i个待测节拍信号中目标采样点的对数极坐标分布模型建立方法,与模板信号中已知重搏切迹所在采样点的对数极坐标分布模型建立方法相同,例如,第i个待测节拍信号中目标采样点Si的对数极坐标分布模型建立过程为:
(1)建立模型分布域,所述模型分布域是预设定对数极径半径ξmax、极角范围为(-π,π]的对数极坐标域,并且其对数极径半径ξmax等分为R个极径区间,极角范围(-π,π]等分为C个极角区间,从而构成模型分布域的R×C个分布区间;
(2)将目标采样点Si所在的节拍信号映射到直角坐标系中,按下式求取目标采样点Si分别与其所在节拍信号中其它K-1个采样点的差向量,记为ΔaSi(k0→k):
ΔaSi(k0→k)=(x0-xk,y0-yk);
其中,k0表示目标采样点Si在其所在节拍信号中的采样点序号,(x0,y0)表示目标采样点Si在直角坐标系中的向量坐标,(xk,yk)表示目标采样点Si所在节拍信号中第k个采样点在直角坐标系中的向量坐标;
由此得到目标采样点Si分别与其所在节拍信号中其它K-1个采样点的差向量集,记为ΔASi(k0→k)={ΔaSi(k0→k)|k=1,2,...,K};
(3)对差向量集ΔASi(k0→k)中的差向量进行对数极坐标转换,得到对应于目标采样点Si的对数极坐标集ΔBSi(k0→k)={ΔbSi(k0→k)|k=1,2,...,K};ΔbSi(k0→k)表示差向量ΔaSi(k0→k)对应的对数极坐标,即:
(4)计算对应于目标采样点Si的对数极坐标集ΔBSi(k0→k)中对数极坐标在模型分布域中各个分布区间的分布数量,得到目标采样点Si的对数极坐标分布模型,记为FSi:
FSi={fSi(r,c)|r=1,2,...,R;c=1,2,...,C};
其中,fSi(r,c)表示对应于第i个待测节拍信号中目标采样点Si的对数极坐标集ΔBSi(k0→k)中分布在模型分布域第r个极径区间和第c个极角区间所构成的分布区间以内的对数极坐标的数量。
第i个待测节拍信号中各个目标采样点的对数极坐标分布模型分别与模板数据库中每一已知重搏切迹所在采样点的对数极坐标分布模型进行匹配运算的具体过程如下:
[1]按下式计算第i个待测节拍信号中一个目标采样点的对数极坐标分布模型FSi与模板数据库中一个已知重搏切迹所在采样点的对数极坐标分布模型FD的卡方统计检验值P[FD,FSi]:
其中,fSi(r,c)∈FSi,fR1(r,c)∈FE1;
从而计算得到第i个待测节拍信号中各个目标采样点的对数极坐标分布模型分别与模板数据库中各个已知重搏切迹所在采样点的对数极坐标分布模型的卡方统计检验值;
[2]以步骤[1]中所得的各个卡方统计检验值中最小值所对应的目标采样点作为第i个待测节拍信号中的重搏切迹点。
匹配识别过程中,本发明采用卡方统计检验作为匹配手段,利用了卡方统计检验具有很强鲁棒性、准确度高的优点,来提高本发明方法整体的鲁棒性能和识别准确度。
通过上述的<b21>和<b22>,步骤b2)对于待测的动脉压信号中第i个待测节拍信号识别重搏切迹点的过程得以完成。
b3)重复步骤b2),逐一识别出待测的动脉压信号的各个待测节拍信号的重搏切迹点。
b4)显示并存储待测的动脉压信号中重搏切迹点的识别结果。
由此,对一个待测的动脉压信号中各个重搏切迹点的识别过程即结束。
下面通过一个实施例进一步说明本采用发明方法实现动脉压信号中重搏切迹点识别的具体过程。
实施例:
本实施例中,由动脉压检测仪(VP-2000,科林公司,日本)采集动脉压信号,将这些信号输入计算机,进行低通滤波和采样预处理,其滤波器采用二阶Butterworth低通滤波器,截止频率为25Hz,采样频率为250Hz,从而得到一个待测动脉压信号,其波形如图2所示。利用本发明方法,采用计算机对该待测动脉压信号进行重搏切迹点识别,重搏切迹点识别过程按如下步骤进行:
A)构建模板数据库;该步骤具体包括:
a1)由动脉压检测仪采集多个周期不同、分别代表临床上常见波形轮廓的已知动脉压信号(周期、幅度、重搏切迹点所在位置等参数均已知),将这些信号及其相应参数输入计算机,进行低通滤波和采样预处理,同样,滤波器采用二阶Butterworth低通滤波器,截止频率为25Hz,采样频率为250Hz。从上述的已知动脉压信号中选取60个节拍信号,将每个选取的节拍信号的采样点数归一化处理为300个(即本实施例中取K=300),由此得到60个模板信号;
a2)分别建立各个模板信号中已知重搏切迹所在采样点的对数极坐标分布模型,并以之构建模板数据库。
B)识别待测的动脉压信号中的重搏切迹点;该步骤具体包括:
b1)对待测的动脉压信号进行逐拍分割,逐拍分割后从待测的动脉压信号中共得到13个待测节拍信号,分别标记为Q1~Q13,如图3所示;然后,将分割所得每个待测节拍信号的采样点数归一化处理为300个(即本实施例中取K=300);
b2)以待测的动脉压信号中第1个待测节拍信号Q1为例,识别出第1个待测节拍信号Q1中重搏切迹点,具体过程如下:
<b21>预设曲率阈值τ0;计算第1个待测节拍信号Q1中各个采样点所在信号段的曲率,将所在信号段的曲率大于或等于曲率阈值τ0的采样点作为节拍信号Q1中的目标采样点;
<b22>分别建立第1个待测节拍信号Q1中各个目标采样点的对数极坐标分布模型,并分别与模板数据库中每一已知重搏切迹所在采样点的对数极坐标分布模型进行匹配运算,进而从第1个待测节拍信号Q1的各个目标采样点中识别出重搏切迹点,重搏切迹点匹配运算结果如图4所示。
在图4中,上半部分曲线图表示第1个待测节拍信号Q1的波形图,下半部分曲线图表示第1个待测节拍信号Q1中,每个目标采样点与模板数据库中各个已知重搏切迹的卡方统计检验中最小值所构成的曲线图;图4下半部分的曲线图中,卡方统计检验值为“1”的部分采样点,是未作为目标采样点而没有参与卡方统计检验匹配运算的采样点。从而,以图4中卡方统计检验值最低的目标采样点作为第1个待测节拍信号Q1中的重搏切迹点Nq1。
b3)重复步骤b2),逐一识别出待测的动脉压信号的各个待测节拍信号的重搏切迹点,如图5所示;
b4)显示并存储待测的动脉压信号中重搏切迹点的识别结果。
为了评估本发明方法的检测性能,本发明进行评估实验。在评估实验中构建了一个猜测数据库,待测数据库中各待测动脉压信号中包含有28100个待测节拍信号。先由临床专家通过手工标记这28100个待测节拍信号中的重搏切迹点;然后,再利用本发明方法对待测数据库中这28100个待测节拍信号进行重搏切迹点识别,将检测结果与专家标记的第一重搏切迹点、第二重搏切迹点和第三重搏切迹点进行比较,评估本发明的检测性能。将手工标记的节拍起点前后8ms设为容错区间,即:由本发明检测的重搏切迹点所在位置与专家手工标记的重搏切迹点所在位置误差不大于8ms,则认为识别正确。本发明方法对此28100个待测节拍信号中重搏切迹点的识别精确度分别为98.78%,特异度分别为96.31%,表明本发明的动脉压信号重搏切迹点识别方法能够满足临床识别的要求。
本发明的动脉压信号中重搏切迹点识别方法,结合了动脉压信号的波形轮廓进行综合分析,采用对数极坐标分布模型,以点与点之间的差向量作为基础特征,该基础特征具有平移和旋转不变性,能够克服动脉压信号的基线漂移的影响;同时,对差向量进行对数极坐标转换来度量波形的相似性,这种度量对邻近的波形形态特征敏感,同时又能捕获波形的全局轮廓信息,并对波形中的干扰抖动具有鲁棒性;从而从整体上提高了动脉压信号中重搏切迹点识别的抗干扰能力;在重搏切迹点识别过程中,仅以所在信号段曲率大于或等于曲率阈值τ0的采样点作为目标采样点加以进一步识别,忽略对波形平缓部分的采样点进行计算和识别,大大简化了识别过程的数据计算量,并且在匹配过程中采用卡方统计检验作为匹配手段,利用了卡方统计检验具有很强鲁棒性、准确度高的优点,来提高本发明方法整体的鲁棒性能和识别准确度。本发明方法实现了计算机对动脉压信号中重搏切迹点的识别,不仅大大降低了动脉压临床医师的工作量,还克服了人工手工识别的人为误差,提高了动脉压信号中重搏切迹点识别的效率及准确性。
实际上,本发明的识别方法不仅仅可用于重搏切迹点的识别,还可以实现对动脉压信号中收缩压和舒张压的识别。收缩压在临床上意义很大,有在高血压各种类型中,收缩压增高最常见,而且更难控制,随着年龄增长而表现的单纯收缩压增高,表明易发生中风和冠脉急性事件。单纯舒张期高血压也不容忽视,因为随着病程延长,单纯舒张期高血压可以转变为经典性高血压。因此,采用本发明所述方法实现收缩压和舒张压的识别也具有很高的临床应用价值。将本发明方法应用于具备计算机功能的动脉压分析设备的重搏切迹、收缩压或舒张压的识别技术中,用以辅助取得动脉压信号节拍中重搏切迹位置、重搏波形状、下降支后段坡度、心率、收缩压以及舒张压等信息参数,有助于实现动脉压分析设备对动脉血管硬化、主动脉瓣不健全、心搏节律有异常、高血压等临床病症的智能诊断,具有广阔的应用前景。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.动脉压信号中重搏切迹点识别方法,其特征在于,将动脉压检测仪采集的动脉压信号输入计算机,由计算机进行低通滤波和采样的预处理,然后采用计算机识别动脉压信号中的重搏切迹点;采用计算机识别重搏切迹点的具体步骤包括:
A)构建模板数据库;该步骤具体包括:
a1)将重搏切迹已知的动脉压信号中一个节拍信号的采样点数归一化处理为K个,作为一个模板信号;由此建立若干个波形互不相同的模板信号;
a2)分别建立各个模板信号中已知重搏切迹所在采样点的对数极坐标分布模型,并以之构建模板数据库;
B)识别待测的动脉压信号中的重搏切迹点;该步骤具体包括:
b1)对待测的动脉压信号进行逐拍分割,将分割所得每个待测节拍信号的采样点数归一化处理为K个;
b2)识别出待测的动脉压信号经逐拍分割后得到的各个待测节拍信号中第i个待测节拍信号的重搏切迹点;该步骤的过程为:
<b21>预设曲率阈值τ0;计算第i个待测节拍信号中各个采样点所在信号段的曲率,将所在信号段的曲率大于或等于曲率阈值τ0的采样点作为第i个待测节拍信号中的目标采样点;
<b22>分别建立第i个待测节拍信号中各个目标采样点的对数极坐标分布模型,并分别与模板数据库中每一已知重搏切迹所在采样点的对数极坐标分布模型进行匹配运算,进而从第i个待测节拍信号的各个目标采样点中识别出第i个待测节拍信号的重搏切迹点;
b3)重复步骤b2),逐一识别出待测的动脉压信号的各个待测节拍信号的重搏切迹点;
b4)显示并存储待测的动脉压信号中重搏切迹点的识别结果。
2.根据权利要求1所述的动脉压信号中重搏切迹点识别方法,其特征在于,所述K的取值范围为100~1000。
3.根据权利要求1所述的动脉压信号中重搏切迹点识别方法,其特征在于,所述采样点所在信号段,是指该采样点及其前后各E个采样点构成的信号段,E的取值范围为3~8。
4.根据权利要求1~3中任一项所述的动脉压信号中重搏切迹点识别方法,其特征在于,所述建立已知重搏切迹所在采样点或目标采样点的对数极坐标分布模型的具体步骤如下:
(1)建立模型分布域,所述模型分布域是预设定对数极径半径ξmax、极角范围为(-π,π]的对数极坐标域,并且其对数极径半径ξmax等分为R个极径区间,极角范围(-π,π]等分为C个极角区间,从而构成模型分布域的R×C个分布区间;
(2)将已知重搏切迹或目标采样点所在的节拍信号映射到直角坐标系中,按下式求取已知重搏切迹所在采样点或目标采样点分别与其所在节拍信号中其它K-1个采样点的差向量,记为△a(k0→k):
△a(k0→k)=(x0-xk,y0-yk);
其中,k0表示已知重搏切迹所在采样点或目标采样点在其所在节拍信号中的采样点序号,(x0,y0)表示已知重搏切迹所在采样点或目标采样点在直角坐标系中的向量坐标,(xk,yk)表示已知重搏切迹或目标采样点所在节拍信号中第k个采样点在直角坐标系中的向量坐标;
由此得到已知重搏切迹所在采样点或目标采样点分别与其所在节拍信号中其它K-1个采样点的差向量集,记为△A(k0→k)={△a(k0→k)|k=1,2,...,K};
(3)对差向量集△A(k0→k)中的差向量进行对数极坐标转换,得到对应于已知重搏切迹所在采样点或目标采样点的对数极坐标集△B(k0→k)={△b(k0→k)|k=1,2,...,K};△b(k0→k)表示差向量△a(k0→k)对应的对数极坐标,即:
△b(k0→k)=(ξk0→k,ψk0→k);其中,
(4)计算对应于已知重搏切迹所在采样点或目标采样点的对数极坐标集△B(k0→k)中对数极坐标在模型分布域中各个分布区间的分布数量,得到已知重搏切迹所在采样点或目标采样点的对数极坐标分布模型,记为F:
F={f(r,c)|r=1,2,...,R;c=1,2,...,C};
其中,f(r,c)表示对应于已知重搏切迹所在采样点或目标采样点的对数极坐标集△B(k0→k)中分布在模型分布域第r个极径区间和第c个极角区间所构成的分布区间以内的对数极坐标的数量。
5.根据权利要求4所述的动脉压信号中重搏切迹点识别方法,其特征在于,所述步骤<b22>中,第i个待测节拍信号中各个目标采样点的对数极坐标分布模型分别与模板数据库中每一已知重搏切迹所在采样点的对数极坐标分布模型进行匹配运算的具体步骤如下:
[1]按下式计算第i个待测节拍信号中一个目标采样点的对数极坐标分布模型FSi与模板数据库中一个已知重搏切迹所在采样点的对数极坐标分布模型FD的卡方统计检验值P[FD,FSi]:
其中,fSi(r,c)∈FSi,fR1(r,c)∈FR1;
从而计算得到第i个待测节拍信号中各个目标采样点的对数极坐标分布模型分别与模板数据库中各个已知重搏切迹所在采样点的对数极坐标分布模型的卡方统计检验值;
[2]以步骤[1]中所得的各个卡方统计检验值中最小值所对应的目标采样点作为第i个待测节拍信号中的重搏切迹点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110191763 CN102334986B (zh) | 2011-07-08 | 2011-07-08 | 动脉压信号中重搏切迹点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110191763 CN102334986B (zh) | 2011-07-08 | 2011-07-08 | 动脉压信号中重搏切迹点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102334986A CN102334986A (zh) | 2012-02-01 |
CN102334986B true CN102334986B (zh) | 2013-09-25 |
Family
ID=45511103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110191763 Expired - Fee Related CN102334986B (zh) | 2011-07-08 | 2011-07-08 | 动脉压信号中重搏切迹点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102334986B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577646B (zh) * | 2013-11-09 | 2016-08-17 | 深港产学研基地 | 一种快速估算集成电路良率的计算方法 |
KR102390369B1 (ko) | 2015-01-21 | 2022-04-25 | 삼성전자주식회사 | 생체 정보 검출 장치 |
CN105326480B (zh) * | 2015-11-09 | 2019-04-05 | 沈阳大学 | 一种具有输出门限可变的光电反射式脉搏心率采集装置 |
CN105326491B (zh) * | 2015-11-09 | 2018-05-22 | 沈阳大学 | 一种光电反射式脉搏心率传感器自适应可变阈值滤波方法 |
CN110461224B (zh) * | 2016-12-15 | 2023-04-28 | 薇心健康有限公司 | 可穿戴脉搏波形测量***和方法 |
US11986644B2 (en) * | 2017-07-17 | 2024-05-21 | Livemetric (Medical) S.A. | Method and system for ventricular assistive device adjustment using a wearable device |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1259333A (zh) * | 1999-01-01 | 2000-07-12 | 刘铁英 | 用肱动脉收缩压标定动脉压力图测量血压方法 |
CN101176660A (zh) * | 2007-12-06 | 2008-05-14 | 山东大学 | 一种心血管***联合变异性指标的检测方法和装置 |
CN101897578A (zh) * | 2010-06-30 | 2010-12-01 | 重庆大学 | 一种动脉压信号逐拍分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4123031B2 (ja) * | 2003-04-04 | 2008-07-23 | オムロンヘルスケア株式会社 | 脈波測定装置 |
US8491487B2 (en) * | 2009-02-11 | 2013-07-23 | Edwards Lifesciences Corporation | Detection of parameters in cardiac output related waveforms |
-
2011
- 2011-07-08 CN CN 201110191763 patent/CN102334986B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1259333A (zh) * | 1999-01-01 | 2000-07-12 | 刘铁英 | 用肱动脉收缩压标定动脉压力图测量血压方法 |
CN101176660A (zh) * | 2007-12-06 | 2008-05-14 | 山东大学 | 一种心血管***联合变异性指标的检测方法和装置 |
CN101897578A (zh) * | 2010-06-30 | 2010-12-01 | 重庆大学 | 一种动脉压信号逐拍分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102334986A (zh) | 2012-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Heart sound classification based on scaled spectrogram and partial least squares regression | |
CN102334986B (zh) | 动脉压信号中重搏切迹点识别方法 | |
US7909772B2 (en) | Non-invasive measurement of second heart sound components | |
CN101732040B (zh) | 一种无创多路脉搏波检测方法 | |
CN109833035B (zh) | 脉搏波血压测量装置的分类预测数据处理方法 | |
CN103479343B (zh) | 基于振荡式血压计信号的中心动脉压检测*** | |
CN104757959B (zh) | 一种基于影像叠影的脉搏波传输速率检测方法和*** | |
CN101919704B (zh) | 一种心音信号定位、分段方法 | |
TWI667011B (zh) | 心率檢測方法以及心率檢測裝置 | |
Gavrovska et al. | Automatic heart sound detection in pediatric patients without electrocardiogram reference via pseudo-affine Wigner–Ville distribution and Haar wavelet lifting | |
Sedighian et al. | Pediatric heart sound segmentation using Hidden Markov Model | |
CN106539562A (zh) | 一种由脉搏波评估心功能的方法 | |
CN101897578B (zh) | 一种动脉压信号逐拍分割方法 | |
CN113069091A (zh) | 一种ppg信号的脉象分类装置及方法 | |
CN111000544B (zh) | 基于ppg波形的混合式连续血压测量模型构建方法及*** | |
Hu et al. | Feature extraction and choice in PCG based on Hilbert Transfer | |
CN110491504B (zh) | 一种心音信号医学指标数据的获取方法 | |
CN111166322A (zh) | 心电信号特征波提取方法 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
Almeida et al. | Hemodynamic features extraction from a new arterial pressure waveform probe | |
CN114366121B (zh) | 基于数字形态学的双动态阈值心电qrs波检测方法 | |
Varghees et al. | Two-channel heart sound segmentation framework using phonocardiogram and pulsatile signals | |
Smrcka et al. | New methods for precise detection of systolic complexes in the signal acquired from quantitative seismocardiograph | |
CN115089145A (zh) | 基于多尺度残差网络和ppg信号的智能血压预测方法 | |
Singh et al. | Hilbert vibration decomposition of seismocardiogram for hr and hrv estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130925 Termination date: 20140708 |
|
EXPY | Termination of patent right or utility model |