CN113598737A - 一种基于特征融合的血压预测方法 - Google Patents
一种基于特征融合的血压预测方法 Download PDFInfo
- Publication number
- CN113598737A CN113598737A CN202111048295.6A CN202111048295A CN113598737A CN 113598737 A CN113598737 A CN 113598737A CN 202111048295 A CN202111048295 A CN 202111048295A CN 113598737 A CN113598737 A CN 113598737A
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- feature
- pressure
- blood pressure
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 93
- 230000036772 blood pressure Effects 0.000 title claims abstract description 60
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000007637 random forest analysis Methods 0.000 claims abstract description 10
- 238000010187 selection method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 210000000707 wrist Anatomy 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 210000001367 artery Anatomy 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 210000002565 arteriole Anatomy 0.000 claims description 5
- 210000004204 blood vessel Anatomy 0.000 claims description 4
- 210000002321 radial artery Anatomy 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008321 arterial blood flow Effects 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
-
- 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
- A61B5/02116—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave amplitude
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Vascular Medicine (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于特征融合的血压预测方法,对原始脉搏波信号的采集;对原始脉搏波信号依次进行滤波、去除基线漂移和单周期提取等预处理得到处理后的脉搏波信号;对步骤2中处理后的脉搏波信号进行特征提取,得到预处理后的脉搏波信号的时域特征、压力脉搏波在不同等级压力下的幅度变化特征,以及容积脉搏波传导速度,并基于嵌入式特征选择法完成特征的筛选融合,得到用于血压预测的特征集;基于随机森林回归算法对特征集进行训练,得到SBP和DBP预测模型;利用SBP和DBP预测模型对血压进行预测。本发明实现现了SBP和DBP准确有效的预测,能够满足AAMI使用标准,具有预测准确的特点。
Description
技术领域
本发明涉及血压预测方法技术领域,具体为一种基于特征融合的血压预测方法。
背景技术
动脉血压是判断人体心血管***健康状态的重要生理指标,对脉象信号的分析识别也具有重要作用。近来,无创血压测量技术随着科技水平的提高不断进步,在临床应用中取得了较大的进展。与有创式相比,无创式具有更高的安全性和便捷性,适用于穿戴式设备的应用中。
当前基于脉搏波进行无创血压预测的方法主要有两大类[84],一类是通过监测脉搏波在外部压力连续递增时的变化,确定相应的收缩压(Systolic Blood Pressure,SBP)和舒张压(Diastolic Blood Pressure,DBP),另一类是提取脉搏波自身携带的信息,如时域参数、频域参数、传播速度等与血压具有相关性的特征,而后建立SBP和DBP的预测模型。前者常见于基于柯氏音法、示波法、容积振动法等原理的血压测量中;后者常通过建立血压与特征之间的拟合关系式或利用机器学习算法建立回归模型完成血压的预测。第一类方法能够获得较为准确的血压值,但是通常需要对上肢连续加压,设备复杂、耗时较长,长期使用易造成伤害;第二类测量方法较便捷,适合应用在血压的快速测量中,但是需要获取与血压相关性较强的特征,以提高血压预测的精度。因此我们对此做出改进,提出一种基于特征融合的血压预测方法。
发明内容
为了解决上述技术问题,本发明提供了如下的技术方案:
本发明基于特征融合的血压预测方法包括以下几个步骤:
步骤1:原始脉搏波信号的采集,通过检测手环对腕部桡动脉处的压力脉搏波信号、容积脉搏波信进行采集,通过检测指夹对指端的容积脉搏波信号进行采集,得到原始脉搏波信号;
步骤2:对原始脉搏波信号依次进行滤波、去除基线漂移和单周期提取等预处理得到处理后的脉搏波信号;
步骤3:对步骤2中处理后的脉搏波信号进行特征提取,得到预处理后的脉搏波信号的时域特征、压力脉搏波在不同等级压力下的幅度变化特征,以及容积脉搏波传导速度,并基于嵌入式特征选择法完成特征的筛选融合,得到用于血压预测的特征集;
步骤4:基于随机森林回归算法对特征集进行训练,得到SBP和DBP预测模型;利用SBP和DBP预测模型对血压进行预测断。
作为本发明的一种优选技术方案,所述步骤2中对原始脉搏波信号进行滤波的方法是采用零相位滤波算法进行滤波,具体包括以下几个步骤,
步骤1,将原始脉搏波信号按顺序正向输入滤波器,得到一组输出脉搏波数据;
步骤2,将输出脉搏波数据按顺序首尾调换,即得到包含逆转后的数据的逆转数据组;
步骤3,将逆转后的数据输入滤波器,得到一组新脉搏波数据;
步骤4,将新脉搏波数据再次按顺序首尾调换进行逆转,即为最终的脉搏波信号。
作为本发明的一种优选技术方案,所述步骤2中对滤波后的脉搏波信号进行去除基线漂移的方法是,首先定位脉搏波信号中各个周期的波谷点,随后使用波谷点拟合出基线,最后通过求取信号与基线的差值校正信号整体的波动;因为主波波峰点处于较明显的位置,因此首先定位波峰点,再通过向前寻找极小值点定位波谷点;
其中波峰点的定位是通过窗口切分法实现,窗口切分法包括以下几个步骤,
步骤1,将滤波后的脉搏波切分成n段窗口且长度为w的波形;
步骤2,寻找出每段窗口波形中的最大值点,并记录位置;
步骤3,从第一个窗口开始,将该窗口内的最大值与其相邻的左右10个窗口内的最大值比较,若该点为最大值,则将其标记为波峰点,然后滑动至下一个窗口,重复此步骤,直至最后一个窗口。
作为本发明的一种优选技术方案,所述步骤3中对除基线漂移后脉搏波信号进行单周期提取的方法是,包括以下几个步骤,,
步骤1,首先将去除基线漂移处理定位的脉搏波波谷点,切分出多个单周期波形;
步骤2,剔除异常单周期波形,这些异常波形可能是由于人体的运动导致的,主要为波形长度过长或过短、幅值过大的区间;
步骤3,计算各个单周期波形最大的长度,对低于该长度的值进行补零操作;
步骤4,计算所有周期同一个采样点的平均值,并去除末尾多余的均值为零的采样点,生成单周期波形;
步骤5,进行平均处理,因为脉搏波信号是一种准周期信号,由于每个单周期信号都可能会受到外部因素的影响导致存在细微的波形差异,因此为使提取出的单周期信号具有代表性,需要将所有提取的周期进行平均处理。
作为本发明的一种优选技术方案,所述步骤3中对脉搏波信号的时域特征的提取方法是,使用特征点法和脉图面积法从脉搏波中提取了多个时域特征。
作为本发明的一种优选技术方案,所述步骤3中提取压力脉搏波在不同等级压力下的幅度变化特征的方法是,通过检测手环腕部压力脉搏波信号,获取了脉搏波的幅值,并将其作为预测血压的特征,由于不同人的皮肤、血管等硬度不同,以及在实际采集中加压压力存在一定的误差,使得在相同加压等级和血压作用下采集得到的脉搏波幅值仍会存在较大差异,因此需要将脉搏波幅值与实际压力两个参数进行融合。采用比值的方式融合压力值P与幅值H,获得低压等级下H1/P1、中压等级下H2/P2和高压等级下H3/P3三个特征。
作为本发明的一种优选技术方案,所述的容积脉搏波传播速度PWV特征提取的方法是,使用腕部光电传感器和指端光电传感器测量容积脉搏波在局部动脉中的传播速度,根据公式其中PTT为可获取脉搏波传导时间,L为传播距离,
得PWV需通过PTT确定,通过采用两路容积脉搏波信号中的典型标志点,如起始点、波峰点;计算手部动脉中的PTT值,具体过程如下,
(1)在获取脉搏波信号中波峰点的基础上,分别记录下腕部容积脉搏波中每个周期的波峰点位置,以及指端容积脉搏波对应周期中的波峰点位置;
(2)计算每个周期中,两路信号波峰点之间的采样点数n,并根据采样频率fs得出时间差t=n/fs;
(3)求取两路信号中各个周期时间差的平均值,最终获得PTT值,并根据两个传感器间的距离L计算得出PWV值。
作为本发明的一种优选技术方案,使用机器学习模型,得出原始特征集中各个特征在模型中实际预测时所占据的权值,从中去除作用较小的特征,获得最终的特征集。
本发明的有益效果是:该种基于特征融合的血压预测方法,主要是原始脉搏波信号的采集,通过检测手环对腕部桡动脉处的压力脉搏波信号、容积脉搏波信进行采集,通过检测指夹对指端的容积脉搏波信号进行采集,得到原始脉搏波信号;对原始脉搏波信号依次进行滤波、去除基线漂移和单周期提取等预处理得到处理后的脉搏波信号;对步骤2中处理后的脉搏波信号进行特征提取,得到预处理后的脉搏波信号的时域特征、压力脉搏波在不同等级压力下的幅度变化特征,以及容积脉搏波传导速度,并基于嵌入式特征选择法完成特征的筛选融合,得到用于血压预测的特征集,基于随机森林回归算法对特征集进行训练,得到SBP和DBP预测模型;利用SBP和DBP预测模型对血压进行预测,实现现了SBP和DBP准确有效的预测,能够满足AAMI使用标准,具有预测准确的特点。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中;
图1是本发明的基于特征融合的血压预测方法的流程示意图;
图2是本发明使用特征点法和脉图面积法从脉搏波中提取了时域特征的方法图;
图3是实施例中使用特征点法和脉图面积法从脉搏波中提取了时域特征图表
图4是本发明的去除基线漂移的效果图;
图5是实施例中不同压力下的脉搏波幅值分布图;
图6是实施例中SBP与PWV值之间的统计关系图;
图7是实施例中DBP与PWV值之间的统计关系图;
图8是SBP模型中特征重要性排序图;
图9是DBP模型中特征重要性排序图;
图10是特征维度与输出结果的平均值的关系图;
图11是预测结果图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例:如图1所示,本发明一种基于特征融合的血压预测方法,步骤1:原始脉搏波信号的采集,通过检测手环对腕部桡动脉处的压力脉搏波信号、容积脉搏波信进行采集,通过检测指夹对指端的容积脉搏波信号进行采集,得到原始脉搏波信号;
步骤2:对原始脉搏波信号依次进行滤波、去除基线漂移和单周期提取等预处理得到处理后的脉搏波信号;
步骤3:对步骤2中处理后的脉搏波信号进行特征提取,得到预处理后的脉搏波信号的时域特征、压力脉搏波在不同等级压力下的幅度变化特征,以及容积脉搏波传导速度,并基于嵌入式特征选择法完成特征的筛选融合,得到用于血压预测的特征集;
步骤4:基于随机森林回归算法对特征集进行训练,得到SBP和DBP预测模型;利用SBP和DBP预测模型对血压进行预测。
由于在采集过程中脉诊手环的传感器易受到外部环境的影响,在其输出信号中包含了程度不一的基线漂移和高低频噪声。此外,采集得到的原始脉搏波信号中包含了多个周期,需要提取出单个周期进行详细的分析。因此在对脉搏波信号进行分析之前需进行预处理。于滤波会使信号在相位上出现失真现象,而脉搏波之间的相位差包含了PWV信息,因此采用双向滤波结合巴特沃兹数字滤波器的方式实现零相位滤波,以保持相位不变。滤波器截止频率设置为0.5~20Hz。
所述步骤2中对原始脉搏波信号进行滤波的方法是采用零相位滤波算法进行滤波,具体包括以下几个步骤,
步骤1,将原始脉搏波信号按顺序正向输入滤波器,得到一组输出脉搏波数据;
步骤2,将输出脉搏波数据按顺序首尾调换,即得到包含逆转后的数据的逆转数据组;
步骤3,将逆转后的数据输入滤波器,得到一组新脉搏波数据;
步骤4,将新脉搏波数据再次按顺序首尾调换进行逆转,即为最终的脉搏波信。
为滤除噪声后的脉搏波信号,可以发现信号中还存在基线漂移的现象,如图4所示部分脉搏波的波谷点在基线漂移的情况下,其幅值处于不稳定的状态,同时在单个周期脉搏波的后半段,部分脉搏波存在趋势较平缓的波动,因此通过阈值法直接定位波谷点可能降低准确性。
所述步骤2中对滤波后的脉搏波信号进行去除基线漂移的方法是,首先定位脉搏波信号中各个周期的波谷点,随后使用波谷点拟合出基线,最后通过求取信号与基线的差值校正信号整体的波动;因为主波波峰点处于较明显的位置,因此首先定位波峰点,再通过向前寻找极小值点定位波谷点;
其中波峰点的定位是通过窗口切分法实现,窗口切分法包括以下几个步骤,
步骤1,将滤波后的脉搏波切分成n段窗口且长度为w的波形;
步骤2,寻找出每段窗口波形中的最大值点,并记录位置;
步骤3,从第一个窗口开始,将该窗口内的最大值与其相邻的左右10个窗口内的最大值比较,若该点为最大值,则将其标记为波峰点,然后滑动至下一个窗口,重复此步骤,直至最后一个窗口。
在此过程中w根据采样频率fs设定,w=fs/32,n=脉搏波总长/w,本文中脉诊手环的采样频率为4000Hz,单个周期脉搏波约占据2000~3000个采样点,因此设定w为150。与每次移动单个采样点的窗口滑动算法相比,本发明设计的窗口切分法在处理高采样频率的脉搏波信号时,具有更快的速度,同时能够根据采样频率的不同做出相应改变,优势明显。
如图4,可以看到对于不同脉搏波的波峰点均实现了精准定位。如图10所示为通过标记的波谷点拟合三次样条曲线,并去除了基线后的效果,可以看到各个脉搏波周期均被拉至同一水平线。
因为脉搏波信号是一种准周期信号,由于每个单周期信号都可能会受到外部因素的影响导致存在细微的波形差异,因此为使提取出的单周期信号具有代表性,需要将所有提取的周期进行平均处理。
所述步骤3中对除基线漂移后脉搏波信号进行单周期提取的方法是,包括以下几个步骤,,
步骤1,首先将去除基线漂移处理定位的脉搏波波谷点,切分出多个单周期波形;
步骤2,剔除异常单周期波形,这些异常波形可能是由于人体的运动导致的,主要为波形长度过长或过短、幅值过大的区间;
步骤3,计算各个单周期波形最大的长度,对低于该长度的值进行补零操作;
步骤4,计算所有周期同一个采样点的平均值,并去除末尾多余的均值为零的采样点,生成单周期波形。
步骤5,进行平均处理,因为脉搏波信号是一种准周期信号,由于每个单周期信号都可能会受到外部因素的影响导致存在细微的波形差异,因此为使提取出的单周期信号具有代表性,需要将所有提取的周期进行平均处理。
所述步骤3中对脉搏波信号的时域特征的提取方法是,使用特征点法和脉图面积法从脉搏波中提取了多个时域特征。
脉搏波时域特征提取
时域分析法是脉搏波信号分析中的重要方法之一,可以提取许多有具体生理意义、与血压关联较大的特征。时域特征分析方法主要有以下三种:
(1)特征点法:特征点法通过定位脉搏波曲线上主波、潮波、重搏波峰和降中峡等主要特征的位置,描述波形在时间上的变化;
(2)高斯函数法:高斯函数法将脉搏波拆分为多个具有不同长度、幅值和相位的钟形波,使用这些钟形波的参数描述波形变化;
(3)脉图面积法:该方法将脉搏波波形的变化反映在波形面积的改变上,使用波形特征量K描述波形的差异,其中
式中,Pm、Ps、Pd分别取单周期脉搏波的平均值、最大值和最小值(或血压值),Pm可由下式得到:
如图2所示所示,从典型的单周期脉搏波中提取了7个主要特征点,分别为起始点(A)、主波波峰(B)、主波峡(C)、潮波(D)、降中峡(E)、重搏波(F)和终止点(G,)。如图3所示,最终提取了四类时域特征,共计26个。
对压力脉搏波H/P特征提取,
通过柯氏音法和示波法可以观察到,脉搏波的最大幅值在血管外部压力和内部血压的共同作用下表现出较明显且有规律的变化,根据该规律可以较准确地预测SBP和DBP。但是该方法需要完全阻断上肢的动脉血流,长期使用可能会导致静脉张裂,同时在采集测量时需缓慢减压,耗时较长。因此本发明通过结合设计的脉诊手环,提取可以保留两种方法所包含信息的特征,以降低对人体的伤害和缩短采集耗时,并提高血压预测准确度。根据两种方法的测量原理,可以看到在测量过程中有三处较为关键的脉搏波幅值:第一处是外部压力较高时的脉搏波幅值,此时脉搏波逐渐从无至有,该处压力与SBP有关;第二处是中等压力阶段,此时幅值处于最高值附近,与MBP有关;第三处是压力较低的阶段,脉搏波的幅值逐渐趋于平稳,此时压力与DBP有关。因此根据该现象,使用脉诊手环分别在高、中、低三种压力等级下采集了腕部压力脉搏波信号,获取了脉搏波的幅值,并将其作为预测血压的特征。使用这种方式无需完全阻断血流,并降低了采集耗时。
图5所示为在不同压力下的脉搏波幅值分布,可以看出三种压力下的脉搏波幅值整体上存在一定差异。
所述步骤3中提取压力脉搏波在不同等级压力下的幅度变化特征的方法是,通过检测手环腕部压力脉搏波信号,获取了脉搏波的幅值,并将其作为预测血压的特征,由于不同人的皮肤、血管等硬度不同,以及在实际采集中加压压力存在一定的误差,使得在相同加压等级和血压作用下采集得到的脉搏波幅值仍会存在较大差异,因此需要将脉搏波幅值与实际压力两个参数进行融合。采用比值的方式融合压力值P与幅值H,获得低压等级下H1/P1、中压等级下H2/P2和高压等级下H3/P3三个特征。
得PWV需通过PTT确定,通过采用两路容积脉搏波信号中的典型标志点,如起始点、波峰点;计算手部动脉中的PTT值,具体过程如下,
(1)在获取脉搏波信号中波峰点的基础上,分别记录下腕部容积脉搏波中每个周期的波峰点位置,以及指端容积脉搏波对应周期中的波峰点位置;
(2)计算每个周期中,两路信号波峰点之间的采样点数n,并根据采样频率fs得出时间差t=n/fs;
(3)求取两路信号中各个周期时间差的平均值,最终获得PTT值,并根据两个传感器间的距离L计算得出PWV值。
图中5和图6展示了SBP、DBP与PWV值之间的统计关系。经过线性拟合后,从图中可以看到随着血压的上升,脉搏波波速整体上也随之上升,这说明所提取的容积脉搏波PWV与血压存在一定联系,因此可以将其作为预测血压的一个重要特征。
所述的基于嵌入式特征选择法完成特征的筛选融合,得到用于血压预测的特征集方法是,分别从腕部压力脉搏波、腕部容积脉搏波和指端容积脉搏波中各提取了N(N+26)个时域特征,通过加压获取了3个在不同取脉压力等级下的H/P特征,通过两路容积脉搏波获取了手部微小动脉的PWV特征,共计I(I=82)维特征,选用基于特征选择的方法完成特征融合,使用机器学习模型,得出原始特征集中各个特征在模型中实际预测时所占据的权值,从中去除作用较小的特征,获得最终的特征集。
基于特征选择的方法是通过某种方法对特征集进行筛选,去除作用较小的特征基于特征抽取的方法是将特征集组合成一组特征向量,并将其输入至特征提取器再次提取特征,实现特征集的融合。由于本发明所提取的特征中有较多参数与血压之间存在较强的联系,而基于特征抽取的方法可能会破坏已有的联系,因此选用基于特征选择的方法完成特征融合,
特征选择方法根据其形式可以分为以下三类:
(1)过滤法:该方法通过对特征参数进行统计分析,剔除其中发散性较低或与目标对象相关性较低的特征,也可以通过设定阈值的方式对参数进行过滤,主要工具有方差选择法、最大信息系数、皮尔森相关系数等;
(2)包装法:结合后续的学习模型,对原始特征集的所有子集进行遍历,最后选取测试集误差最小的特征子集作为最终输入模型的特征集;
(3)嵌入法:使用机器学习模型,得出原始特征集中各个特征在模型中实际预测时所占据的权值,从中去除作用较小的特征,获得最终的特征集
本发明选用嵌入法进行特征选择,基于随机森林回归模型对82维特征的重要性进行了分析,并完成了筛选。该方法能够将各特征变量进行结合分析,与过滤法相比,避免了单变量独立分析时依然保留多个具有相关性冗余特征的缺点,与包装法相比,大大提高了特征选择的速度。
选用RFR算法对82维特征在回归预测中的重要性进行分析,特征重要性是通
过该特征在随机森林的所有决策树中节点分类不纯度的平均改变量来衡量的。如图8和图9分别为82维特征在SBP和DBP模型中的重要性排序。
从图中可以看出,所提取的PWV特征对血压的准确预测起到了重要的作用。PWV参数在所有特征中占据了最大的权重,说明SBP、DBP与手部动脉的容积脉搏波传播速度具有较强的关联。此外,H/P特征在建立血压预测模型时也起到了较重要的作用。根据表中H/P特征重要性权值可以看到,对于SBP,高压阶段的H3/P3特征发挥了主要作用,其次是中压阶段的H2/P2特征,最后是低压阶段的H1/P1特征;而对于DBP,恰好与之相反,低压阶段的H1/P1特征起主要作用,其次是中压阶段的H2/P2特征,最后是H3/P3特征。该特征重要性排序结果与柯氏音法和示波法的测量原理相吻合。从整体上可以看到,PWV特征和H/P特征的重要性排序均较靠前,这四个特征参数在SBP和DBP预测模型中分别占比19.64%和17.83%。相比于大部分脉搏波时域特征,所提取的容积脉搏波PWV特征和H/P特征能够对血压预测起到较大的作用。
为去除82维特征中对血压预测作用较小的冗余特征,采用序列前向选择算法确定最佳特征维度,即按照特征重要性的排序依次增加模型的特征维度,并测试各维度下随机森林回归预测模型的性能,分析特征维度对模型预测精度的影响。由于随机森林模型的输出结果具有随机性,因此重复进行10次实验,并取10次输出结果的平均值。如图10所示,随着特征维度的增加,SBP与DBP模型的预测误差先迅速降低,随后趋于平稳或缓慢增加。SBP预测模型和DBP预测模型分别在第26维特征和第18维特征时平均绝对误差达到最小值,其标准差在该维度附近也达到最小值。因此,最终选择SBP特征重要性排序的前26维特征建立SBP预测模型的特征集,选择DBP特征重要性排序的前18维特征建立DBP预测模型的特征集。
实验中共采集了89位受试者的血压与脉搏波样本,在不同时间段采集多次,共获得347例样本。模型训练中,采用水银血压计测量得到的血压作为目标值,其中SBP的范围为100~158mmHg,DBP的范围为65~103mmHg。为保证回归预测训练集拥有充足的样本数量,设置训练集和测试集样本比例为9:1。基于RFR算法建立了SBP和DBP血压预测模型,其中分别使用经过特征融合后的26维SBP特征集和18维DBP特征集作为模型输入,并使用网格搜索法对随机森林中的主要参数进行优化。
SBP和DBP预测模型建立完成后,使用测试集样本对模型的性能进行验证,预测结果如图11所示。经过相关性分析,收缩压、舒张压的预测值与实际值的相关系数分别为0.9478和0.8724,两者具有较高的相关性。统计结果显示,SBP预测模型输出的预测值与实际值之间的平均绝对误差为4.90mmHg,标准差为6.28mmHg;DBP预测模型输出的预测值与实际值之间的平均绝对误差为3.90mmHg,标准差为5.20mmHg,两模型均具有较高的预测精度,满足AAMI国际电子血压计的整体性能要求(5±8mmhg)从实验结果中可以看到,DBP的预测误差整体上小于SBP的预测误差。其原因可能是SBP主要取决于心肌的收缩力和大动脉的弹性,DBP主要取决于外周血管的阻力和小动脉壁的弹性,而实验模型中占据较大重要性权值的PWV特征的测量对象是手部小动脉,使得DBP与PWV之间的相关性更强。
本发明分别从腕部压力脉搏波、腕部容积脉搏波和指端容积脉搏波中各提取了26个时域特征,通过加压获取了3个在不同取脉压力等级下的H/P特征,通过两路容积脉搏波获取了手部微小动脉的PWV特征,共计82维特征。由于在机器学习时特征参数过多会造成在高维度空间内可使用数据变得稀疏,形成维度灾难,使得算法的数据组织效率降低,因此需要进行特征融合实现维度的降低,提高血压预测模型的性能。
特征融合的优点在于可以从原始特征集中筛选出最具差异性的信息,并消除相关特征之间产生的冗余信息,提高后续决策的准确性。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于特征融合的血压预测方法,其特征在于,包括以下几个步骤:
步骤1:原始脉搏波信号的采集,通过检测手环对腕部桡动脉处的压力脉搏波信号、容积脉搏波信进行采集,通过检测指夹对指端的容积脉搏波信号进行采集,得到原始脉搏波信号;
步骤2:对原始脉搏波信号依次进行滤波、去除基线漂移和单周期提取等预处理得到处理后的脉搏波信号;
步骤3:对步骤2中处理后的脉搏波信号进行特征提取,得到预处理后的脉搏波信号的时域特征、压力脉搏波在不同等级压力下的幅度变化特征,以及容积脉搏波传导速度,并基于嵌入式特征选择法完成特征的筛选融合,得到用于血压预测的特征集;
步骤4:基于随机森林回归算法对特征集进行训练,得到SBP 和 DBP 预测模型;利用SBP 和 DBP 预测模型对血压进行预测。
2.根据权利要求1所述的基于特征融合的血压预测方法,其特征在于,所述步骤2中对原始脉搏波信号进行滤波的方法是采用零相位滤波算法进行滤波,具体包括以下几个步骤,
步骤1,将原始脉搏波信号按顺序正向输入滤波器,得到一组输出脉搏波数据;
步骤2,将输出脉搏波数据按顺序首尾调换,即得到包含逆转后的数据的逆转数据组;
步骤3,将逆转后的数据输入滤波器,得到一组新脉搏波数据;
步骤4,将新脉搏波数据再次按顺序首尾调换进行逆转,即为最终的脉搏波信号。
3.根据权利要求2所述的基于特征融合的血压预测方法,其特征在于,所述步骤2中对滤波后的脉搏波信号进行去除基线漂移的方法是,首先定位脉搏波信号中各个周期的波谷点,随后使用波谷点拟合出基线,最后通过求取信号与基线的差值校正信号整体的波动;因为主波波峰点处于较明显的位置,因此首先定位波峰点,再通过向前寻找极小值点定位波谷点;
其中波峰点的定位是通过窗口切分法实现,窗口切分法包括以下几个步骤,
步骤1,将滤波后的脉搏波切分成 n 段窗口且长度为 w 的波形;
步骤2,寻找出每段窗口波形中的最大值点,并记录位置;
步骤3,从第一个窗口开始,将该窗口内的最大值与其相邻的左右 10 个窗口内的最大值比较,若该点为最大值,则将其标记为波峰点,然后滑动至下一个窗口,重复此步骤,直至最后一个窗口。
4.根据权利要求3所述的基于特征融合的血压预测方法,其特征在于,所述步骤3中对除基线漂移后脉搏波信号进行单周期提取的方法是,包括以下几个步骤,,
步骤1,首先将去除基线漂移处理定位的脉搏波波谷点,切分出多个单周期波形;
步骤2,剔除异常单周期波形,这些异常波形可能是由于人体的运动导致的,主要为波形长度过长或过短、幅值过大的区间;
步骤3,计算各个单周期波形最大的长度,对低于该长度的值进行补零操作;
步骤4,计算所有周期同一个采样点的平均值,并去除末尾多余的均值为零的采样点,生成单周期波形;
步骤5,进行平均处理,因为脉搏波信号是一种准周期信号,由于每个单周期信号都可能会受到外部因素的影响导致存在细微的波形差异,因此为使提取出的单周期信号具有代表性,需要将所有提取的周期进行平均处理。
5.根据权利要求1所述的基于特征融合的血压预测方法,其特征在于,所述步骤3中对脉搏波信号的时域特征的提取方法是,使用特征点法和脉图面积法从脉搏波中提取了多个时域特征。
6.根据权利要求1所述的基于特征融合的血压预测方法,其特征在于,所述步骤3中提取压力脉搏波在不同等级压力下的幅度变化特征的方法是,通过检测手环腕部压力脉搏波信号,获取了脉搏波的幅值,并将其作为预测血压的特征,由于不同人的皮肤、血管等硬度不同,以及在实际采集中加压压力存在一定的误差,使得在相同加压等级和血压作用下采集得到的脉搏波幅值仍会存在较大差异,因此需要将脉搏波幅值与实际压力两个参数进行融合,采用比值的方式融合压力值 P 与幅值 H,获得低压等级下H1/P1、中压等级下H2/P2和高压等级下 H3/P3 三个特征。
7.根据权利要求1所述的基于特征融合的血压预测方法,其特征在于,所述的容积脉搏波传播速度 PWV 特征提取的方法是,使用腕部光电传感器和指端光电传感器测量容积脉搏波在局部动脉中的传播速度,根据公式,其中为可获取脉搏波传导时间,L为传播距离,
得PWV需通过 PTT 确定,通过采用两路容积脉搏波信号中的典型标志点,如起始点、波峰点;计算手部动脉中的 PTT 值,具体过程如下,
(1)在获取脉搏波信号中波峰点的基础上,分别记录下腕部容积脉搏波中每个周期的波峰点位置,以及指端容积脉搏波对应周期中的波峰点位置;
(2)计算每个周期中,两路信号波峰点之间的采样点数 n,并根据采样频率 fs得出时间差 t=n/fs;
(3)求取两路信号中各个周期时间差的平均值,最终获得 PTT 值,并根据两个传感器间的距离 L 计算得出 PWV 值。
8.根据权利要求6所述的基于特征融合的血压预测方法,其特征在于,所述的基于嵌入式特征选择法完成特征的筛选融合,得到用于血压预测的特征集方法是,分别从腕部压力脉搏波、腕部容积脉搏波和指端容积脉搏波中各提取了N个时域特征,通过加压获取了 M个在不同取脉压力等级下的 H/P 特征,通过两路容积脉搏波获取了手部微小动脉的 PWV 特征,共计 I维特征,选用基于特征选择的方法完成特征融合,使用机器学习模型,得出原始特征集中各个特征在模型中实际预测时所占据的权值,从中去除作用较小的特征,获得最终的特征集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048295.6A CN113598737A (zh) | 2021-09-08 | 2021-09-08 | 一种基于特征融合的血压预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048295.6A CN113598737A (zh) | 2021-09-08 | 2021-09-08 | 一种基于特征融合的血压预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113598737A true CN113598737A (zh) | 2021-11-05 |
Family
ID=78342826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111048295.6A Pending CN113598737A (zh) | 2021-09-08 | 2021-09-08 | 一种基于特征融合的血压预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113598737A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114010168A (zh) * | 2022-01-05 | 2022-02-08 | 季华实验室 | 脉搏波处理方法、时域特征提取方法、装置、设备及介质 |
CN114271800A (zh) * | 2021-12-01 | 2022-04-05 | 西北工业大学 | 一种办公环境下的非侵扰式连续血压监测方法及应用 |
CN116383617A (zh) * | 2023-04-21 | 2023-07-04 | 复旦大学 | 一种基于脉搏波波形特征的智能血压检测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160166160A1 (en) * | 2014-12-15 | 2016-06-16 | Stichting Imec Nederland | System and Method for Blood Pressure Estimation |
WO2018095083A1 (zh) * | 2016-11-22 | 2018-05-31 | 浙江脉联医疗设备有限公司 | 脉搏波传播时间的校正方法 |
CN112274126A (zh) * | 2020-10-28 | 2021-01-29 | 河北工业大学 | 一种基于多路脉搏波的无创连续血压检测方法、装置 |
CN113180623A (zh) * | 2021-06-01 | 2021-07-30 | 山东大学 | 无袖式血压测量方法、***、设备及存储介质 |
-
2021
- 2021-09-08 CN CN202111048295.6A patent/CN113598737A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160166160A1 (en) * | 2014-12-15 | 2016-06-16 | Stichting Imec Nederland | System and Method for Blood Pressure Estimation |
WO2018095083A1 (zh) * | 2016-11-22 | 2018-05-31 | 浙江脉联医疗设备有限公司 | 脉搏波传播时间的校正方法 |
CN112274126A (zh) * | 2020-10-28 | 2021-01-29 | 河北工业大学 | 一种基于多路脉搏波的无创连续血压检测方法、装置 |
CN113180623A (zh) * | 2021-06-01 | 2021-07-30 | 山东大学 | 无袖式血压测量方法、***、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
张佳等: "基于卷积递归神经网络的血压测量模型", 《北京生物医学工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114271800A (zh) * | 2021-12-01 | 2022-04-05 | 西北工业大学 | 一种办公环境下的非侵扰式连续血压监测方法及应用 |
CN114010168A (zh) * | 2022-01-05 | 2022-02-08 | 季华实验室 | 脉搏波处理方法、时域特征提取方法、装置、设备及介质 |
CN116383617A (zh) * | 2023-04-21 | 2023-07-04 | 复旦大学 | 一种基于脉搏波波形特征的智能血压检测方法及*** |
CN116383617B (zh) * | 2023-04-21 | 2023-09-22 | 复旦大学 | 一种基于脉搏波波形特征的智能血压检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107822608B (zh) | 基于高斯混合模型的脉搏波特征提取方法 | |
CN106974631B (zh) | 一种基于脉搏波波形和心电信号的血压测量方法及装置 | |
CN106691406A (zh) | 一种基于单探头光电容积脉搏波的血管弹性和血压的检测方法 | |
CN109833035B (zh) | 脉搏波血压测量装置的分类预测数据处理方法 | |
CN111493850A (zh) | 一种基于深度神经网络的血压测量方法及装置 | |
CN113598737A (zh) | 一种基于特征融合的血压预测方法 | |
CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
CN109124610B (zh) | 一种无创血压测量的抗干扰方法和装置 | |
US20190175042A1 (en) | Method and apparatus for determining blood pressure | |
WO2000072750A1 (en) | Cuffless continuous blood pressure monitor | |
CN101919704B (zh) | 一种心音信号定位、分段方法 | |
CN107028603A (zh) | 使用脉搏触诊信号来检测人体内的糖尿病的装置和方法 | |
CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
CN113729648B (zh) | 一种基于多脉搏传感器的穿戴式脉诊手环*** | |
CN111839488B (zh) | 基于脉搏波的无创连续血压测量装置和方法 | |
CN110840428B (zh) | 基于一维U-Net网络的无创血压估计方法 | |
CN114582503A (zh) | 基于多元线性回归和相关性加权选择算法的血压监测方法 | |
CN113243902B (zh) | 一种基于光电容积脉搏波的特征提取方法 | |
Shukla | Estimation of blood pressure from non-invasive data | |
Yen et al. | Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN. | |
Pu et al. | Cuff-less blood pressure estimation from electrocardiogram and photoplethysmography based on VGG19-LSTM network | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
Wuerich et al. | Blood pressure estimation based on electrocardiograms | |
CN110623651A (zh) | 一种对袖带压力振荡波的测量数据处理方法及装置 | |
Wang et al. | Feature extraction of radial arterial pulse |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211105 |