[发明专利]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

摘要

本发明属于医学信号处理领域,提供一种基于单探头容积脉搏波的血管弹性和血压的检测方法，该方法能够在只通过单探头采集的光电容积脉搏波条件下，完成对血管弹性的量化以及血压的估测。该方法包括1)基于脉搏波采集系统和袖带血压计采集脉搏波和血压；2)提取与血管弹性和血压相关的特征；3)根据相关特征量采用逐步回归法建立血压预测线性回归方程；4)根据相关特征量训练BP神经网络，通过训练好的神经网络测量动脉血管弹性；并且能够得到血压值。本发明的有益效果为本发明算法性能良好，能够通过单探头采集的光电容积脉搏波，实现对人体动脉血管壁弹性的量化，同时能够准确的预测血压值。

主权项

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，其特征在于以下步骤：第一步：采用单探头容积脉搏传感器采集N个不同性别不同年龄段分布的脉搏波信号数据，即PPG信号数据，其编号为：R1，R2，…，RN，所述的PPG信号为试者食指指端的脉搏波信号；采用电子血压计采集脉搏波信号数据对应的收缩压数据和舒张压数据，收缩压数据编号为SBP1，SBP2，…，SBPN，舒张压数据编号为DBP1，DBP2，…，DBPN；并以PPG信号数据、收缩压数据和舒张压数据作为训练BP神经网络与建立血压预测方程的标准；第二步：提取脉搏波血管弹性相关特征量分别对PPG信号数据R1，R2，…，RN进行预处理后，提取特征点；所述的时域特征点包括主波峰、主波谷、重搏波波峰波谷，脉搏周期数num、重搏波特征量DWF；所述的频域特征点包括心率HR；所述的时频域特征点包括归一化IMF分量提取的血管弹性特征、多尺度倒谱提取血管弹性特征；2.1)提取心率HR2.1.1)采用K‑means聚类算法提取脉搏特征波形分别提取PPG信号数据R1，R2，…，RN的脉搏波特征量K、K1、K2值，每一个Ri(i＝1,2,…,N)脉搏波数据对应一组K、K1、K2值，将K、K1、K2作为k‑means聚类算法的输入，分别做三次聚类运算，以及一次布尔运算，提取一个周期脉搏特征波形；2.1.2)对步骤2.1.1)得到的脉搏特征波形进行周期延扩频谱分析首先对脉搏特征波形进行周期扩展，再对其做离散傅里叶变换，求其频谱，并得到三次谐波的谱峰峰值记为h1,h2,h3，再提取频谱的基频频率f1；当弹性减小的时候h2/h1的比值增大；将f1乘以60得到心率；2.2)提取重搏波特征量DWF以一个编号为Ri(i＝1,2,…,N)的PPG信号数据为例，首先采用动态差分阈值法找到预处理后的PPG信号数据的num个周期的重搏波波峰(Xf,Yf)和波谷点(Xg,Yg)，然后提取重搏波特征量DWF；假设理想的完全健康的脉搏信号的DWF值为M，理想的患有严重动脉硬化情况的脉搏波DWF值为L，DWF的范围就是L‑M，按如下公式计算DWF：DWF=M-Σ1/kfgkfg=(Yf-Yg)·fsXf-Xg(1/kfg)max=M/num---(1)]]>其中，kfg为表征重博波波谷波峰两点的斜率；fs为采样频率；num为PPG信号的脉搏周期数；2.3)采用EEMD算法，归一化IMF分量提取血管弹性特征以一个编号为Ri(i＝1，2，...，N)的PPG信号数据为例，对预处理后的PPG信号数据进行EEMD分解得到imfg，其中g不小于6；对前6个imfg分量进行归一化运算采用差分阈值法，找到PPG信号的极大值作为峰值，最后将峰值点的幅值相加得到不同分量的峰值之和分布情况，峰值之和记为Aimfg；2.4)多尺度倒谱提取血管弹性特征以一个编号为Ri(i＝1，2，...，N)的PPG信号数据为例，所述的多尺度倒谱分析为对预处理后的PPG信号数据加一个尺度不同的滑动平均滤波器，然后对其做倒功率谱分析，得到倒滤波谱图，在倒滤波谱图中按公式(2)提取血管弹性特征wi；其中，公式(2)中为PPG信号倒滤波谱；b1为倒滤波谱图中的极小值点，为b1点在倒滤波谱上的幅值；a1为倒滤波谱图中的极小值点，为a1点在倒滤波谱上的幅值；w0与w1在倒滤波谱X轴两段不同的范围内；第三步：加速脉搏波提取脉搏波血压相关特征量PWTT以一个编号为Ri(i＝1，2，...，N)的PPG信号数据为例，对原始PPG信号数据进行二次差分后得到加速脉搏波信号，根据第二步中提取的时域特征点能够划分出num个周期；在每一个周期内采用动态差分阈值法提取加速脉搏波的最大值和最小值，以最大值作为A点，最小值作为B点，然后求B点以后的最大值点作为C点；A点和C点之间的时间间隔即为PWTT；第四步，测量血管弹性值对第一步中采集的PPG信号数据R1，R2，...，RN中的每一个Ri(i＝1，2，...，N)提取以下三个特征量：步骤2.1)中脉搏特征波形频谱谱峰比值h2/h1、步骤2.3)中归一化IMF分量峰值之和Aimf2、步骤2.4)中多尺度倒谱血管弹性特征wi，以上述三个特征量作为神经网络的输入向量，即：其中，N为PPG信号的样本个数；以步骤2.2)中重搏波特征量DWF作为监督学习的训练目标，进行训练，得到一个训练完成的BP神经网络模型；BP神经网络模型的输出结果记为DWF1，即为血管弹性值；第五步：根据第二、三步中的特征量得到脉搏波测量的血压模型，得到血压值对第一步中采集的PPG信号数据R1，R2，…，RN中的每一个Ri(i＝1,2,…,N)提取以下三个特征量：步骤2.1)中通过特征波形频谱分析提取的心率HR；第三步中通过加速脉搏波提取的脉搏波传播时间PWTT；第四步中通过训练后的BP神经网络得到的DWF1；以上述三个特征量为自变量，以第一步中测得的收缩压SBPi(i＝1,2,…,N)和舒张压DBPi(i＝1,2,…,N)为因变量，通过逐步线性回归，建立线性方程，得到脉搏波测量的血压模型，最终得到血压值；所述的血压模型包括收缩压模型SBP和舒张压模型DBP，具体为：收缩压的测量方程的形式是：SBP＝a1*PWTT+b1+c1*HR+d1*DWF1，其中a1、b1、c1、d1参数由逐步回归方法确定；DBP＝a2*PWTT+b2+c2*HR+d2*DWF1，其中，a2、b2、c2、d2参数由逐步回归方法确定。