一种基于不确定性量化策略的可穿戴连续血压测量系统的制作方法

1.本发明属于医疗器械技术领域，特别涉及一种基于不确定性量化的无袖带连续血压测量装置。


背景技术：

2.血压测量有两种方法：直接测量和间接测量。直接测量法是经动脉穿刺置管后直接测量动脉血压，其优点是可直接连续测量动脉内压力，测量数值准确，缺点是需要专业技术人员且是有创的，故仅适用于危重和大手术病人。间接测量法因为其无创特性而被广泛应用于临床，其普遍采用袖带加压法，包括基于柯氏音听诊法、示波法、桡动脉扁平张力法和动脉容积补偿法。但由于技术原理的局限，这些方法在实际应用中存在难以解决的问题。如，听诊法和示波法只能测量单点血压而无法提供连续血压读数、且袖带的充放气会给被检测者带来不适；虽然动脉扁平张力法和动脉容积补偿法可用于无创连续血压测量，但其仍属于侵入式测量，会给被检测者带来不适，且其装置复杂而庞大，需要专业的操作人员，导致其应用受到限制。因此，发展新的血压测量方法，实现血压的无创、无扰、连续且实时的测量，对于高血压的早发现、早诊断、早治疗和有效管理具有十分重要的意义。近年来，随着可穿戴传感及智能算法的发展，无袖带血压测量如基于脉搏波传导时间(pulse transit time,ptt)的方法，由于其测量设备结构简单、无需充气袖带，为血压的无创、连续且无扰监测提供了一种新的方法。对于无袖带连续血压测量，测量精度是其主要性能指标之一，表现为：1)测量精度在不同人群及个体间具有普适性；2)测量准确性在初次校准后能保持尽量长的时间。
3.当前，有关无袖带血压测量(包括ptt原理法)的研究已经取得了很多进展，然而现有技术仍然难以实现符合临床医学标准的高精度连续血压测量。无袖带血压精确测量存在的问题主要体现在以下三个方面：(1)无袖带血压估测模型形式具有不确定性：研究学者都希望建立高精度的模型来准确反映无创血压变化指标与血压间的相互作用及影响的关系，以便准确估计血压值。但影响血压调节的因素有很多，而通常研究学者只会考虑主要因素，而忽略次要因素来建立血压估计模型。另外，在建模过程中，不同的研究者由于知识储备和认知水平不同，所建立的模型在表达形式上存在差异。现有描述无袖带血压估计的模型有基于ptt的ln(ptt)模型、1/ptt模型和e
k*ptt
模型等，及结合ptt及其他表征血压变化的特征模型，如ptt和pir模型，这些模型形式都具有一定的差异性。(2)无袖带血压估测模型参数具有不确定性：心血管系统具有高度的动态特性，决定其本身的性能状态会受到各种因素的影响，且用可穿戴设备获得的体表特征也会受到环境及测量系统的影响而发生变化，因此血压变化特征和心血管系统都存在不确定性。这种不确定性共同影响模型参数的分布，从而使得模型参数具有不确定性。此外，人群不同特点以及个体间生理特征差异，包括年龄、血容量、血管弹性、心脏功能、及自主神经功能调节等，导致了血压测量的群体及个体差异性。而血压本身的动态特性决定了个体内的差异性，如血压昼夜差及因个体行为、精神状态、体温等环境因素而导致的变化。(3)模型估测误差具有不确定性：采用机理或者数据驱
动的模型来估测血压，会因为实际血压受到各种干扰(如心率、大动脉弹性、外周阻力等)的影响，使得模型的估测结果和真实血压之间的误差具有不确定性，这种不确定性被称为模型估测误差不确定性。要很好地解决上述问题，不仅需要数据分析和建模手段的提高，更需要从生理机制上对无袖带血压测量进行深入研究和改进。


技术实现要素：

4.本发明的目的在于提供一种旨在解决现有无创连续血压测量测量不准确的问题，实现无袖带血压个性化及精准化测量的可穿戴无袖带连续血压测量系统。
5.本发明技术方案为一种基于不确定性量化策略的可穿戴连续血压测量系统，该系统包括：数据采集器、袖带血压计、数据预处理模块、特征提取模块、血压计算模块、血压显示模块；
6.所述数据采集器采集人体某一部位的反射光信号或压力信号，并同时采集心电信号；将采集到的所有信号传输给数据预处理模块；
7.所述袖带血压计获取人体脉搏血压并将血压传输给血压计算模块；
8.所述数据预处理模块将数据采集器采集到的所有信号进行虑噪和放大，然后将得到的反射光信号或压力信号转化为脉搏波；将预处理后的心电信号和转换得到的脉搏波信号传输给特征提取模块；
9.所述特征提取模块计算的特征包括：脉搏波最大上升沿与心电信号r波峰值间时间间隔ptt；脉搏波波峰与波谷强度之比的脉搏波强度比pir；脉搏波半脉幅对应的时间宽度pwha；再将计算得到的特征传输给血压计算模块；
10.所述血压计算模块包括：模型存储器、模型选择模块、
11.所述模型存储器中存储有7个模型分别为：
[0012][0013][0014][0015]
[0016][0017][0018][0019]
其中，sbp0为初始校准收缩压、dbp0为初始校准舒张压、mbp0为初始校准平均血压，pir0为初始校准脉搏波强度比，ptt0为初始校准脉搏波传播时间，γ为与血管状态相关的系数，a
mi
和b
mi
，i＝1,2,
…
,7分别为对应模型m1～m7的模型系数；
[0020]
所述模型选择模块中的参数选择方法为：
[0021]
步骤1：基于蒙特卡罗
‑
马尔科夫链metropolis
‑
hastings(m
‑
h)采样算法对各模型参数进行不确定性量化；对每个模型进行如下操作：
[0022]
步骤1.1：初始化时间t，采样次数t；
[0023]
步骤1.2：设置相关模型参数u＝(u1,u2,...,u
n
)的值，并初始化参数序列初始状态θ
(t)
＝u，其中u为从均匀分布u(min,max)随机生成的n维数值，n为模型中不确定性参数的个数，如模型m4中，需确定的模型参数为a
m4
和b
m4
，即n＝2；
[0024]
步骤1.3：重复以下的过程：
[0025]
i.令t＝t 1；
[0026]
ii.对每一维模型参数：i＝1,2,
…
,n；
[0027]
iii.已知q(θ
i
)服从均值为u
i
方差为1的正态分布，其概率密度函数为：
[0028]
从中生成一个新的候选状态为给定前一个状态下的当前状态θ
i
的条件分布；设更新之前的整个向量为：
[0029]
则更新之后的向量为：
[0030]
iv.计算接受概率：其中p(θ)表示更新后参数向量θ的概率；
[0031]
v.从均匀分布u(0,1)中生成一个随机值a；
[0032]
vi.如果a≤α，接受新生成的值：否则：
[0033]
步骤1.4：直到t＝t；
[0034]
步骤1.5：将上述采样得到的抽样参数序列θ，代入对应的血压估测模型，选择产生最小估测误差的参数值作为最优模型参数；
[0035]
步骤2：将袖带血压计获取人体脉搏血压作为初始校准血压即先验数据，通过基于贝叶斯理论的模型选择及模型组合理论，对模型形式进行不确定性量化，量化后的模型为
多个模型的的组合；具体方法为：
[0036]
步骤2.1：采用蒙特卡洛方法对k个备选模型的先验概率随机抽取n组样本数据p
i
＝(p
i1
,p
i2
,...,p
ik
),i＝1,2,...,n，其中p
ik
∈[0,1],k＝1,2,...,k，且满足
[0037]
步骤2.2：利用贝叶斯定理，针对每一组样本d，将步骤2.1产生的模型先验概率p(m
k
)，更新得到模型的后验概率：
[0038][0039]
特别地，当设置模型先验概率p(m
k
)服从均匀分布，即模型概率都相等，将上式可以简化为：
[0040][0041]
其中，p(d|m
k
)为m
k
的模型似然，其大小表示模型预测结果与实验数据d的接近程度，其表达式为：
[0042][0043]
其中，l为样本大小，m为单个样本数据长度，d
m
为样本值，f(m
k
)为估测模型m
k
预测分布的均值；
[0044]
步骤2.3：根据步骤2.2得到的模型后验概率作为权重对模型进行加权平均，得到贝叶斯组合模型的表达式，并确定贝叶斯组合预测分布：
[0045][0046]
其中表示贝叶斯组合模型的表达式，表示模型m
i
的表达式，p(m
i
|d)表示在已知一组实验数据d的情况下得到的模型m
i
的后验概率；
[0047]
步骤2.4：计算n组贝叶斯组合预测分布与参考血压间的平均绝对误差，将基于不同先验概率得到的n组平均绝对误差中最小一组的先验概率对应的模型或模型组合作为当前血压计算模型；
[0048]
所述血压计算模块的方法为：根据模型选择模块确定的当前血压计算模型和不确定性参数，和初始校准血压及与初始校准血压同时测量得到的特征，计算当前血压；将计算出的血压输出血压显示模块。
[0049]
进一步地，所述步骤2的模型选择方法还可以为：
[0050]
步骤2.1：设共有m个模型，对每个模型k，有未知的参数向量θ
k
，模型先验概率为：且已知一组实验数据d，数据d的似然函数为f(d|θ
k
,m＝k)，参数θ
k
的先验为p(θ
k
|m＝k)，伪先验为p(θ
k
|m≠k)；
[0051]
步骤2.2：赋初值：上标t
‑
1表示迭代次数；
[0052]
步骤2.3：从中抽取表示给定数据d、第t
‑
1次迭代中的模型m(即m
(t
‑
1)
)和第t
‑
1次迭代中除了模型k以外的其他模型的模型参数时θ
k
的条件概率分布；
[0053]
步骤2.4：从p(θ
k'≠k
|m
(t
‑
1)
＝k)中抽取p(θ
k'≠k
|m
(t
‑
1)
＝k)表示给定第t
‑
1次迭代中模型k的条件下，的条件概率分布；
[0054]
步骤2.5：由计算模型m
k
的后验概率；
[0055]
步骤2.6：重复以上步骤t次得到足够多的样本，计算模型m＝k的后验估计为：
[0056][0057]
其中i(m
(t)
＝k)为第k此迭代中，模型k的似然函数，相应的贝叶斯因子估计为：
[0058][0059]
步骤2.7：选取贝叶斯因子估计最大值对应的模型k为当前血压估计的模型。
[0060]
本发明采用上述技术方案，具有以下有益效果：
[0061]
本发明突破了传统的充气式袖带的束缚及间断测量，可以实现可穿戴连续血压的监测。
[0062]
本发明提出的不确定性量化模型，具有更好的适用性、鲁棒性和精确性。
[0063]
在模型不确定性量化中，本发明采用的基于贝叶斯的模型选择和模型组合方法，可以根据新的血压校准数值，对模型进行可持续优化。
[0064]
本发明的信号采集及处理单元可以由微控芯片完成，可以实现小型化穿戴式或无扰式连续监测，可方便应用于个人、家庭及临床监测。
[0065]
首次将基于马尔科夫蒙特卡洛模拟方法的贝叶斯组合预测引入到无袖带血压预测中，此方法有如下优势：当用不同的条件概率分布时，不需改变要运算法则；贝叶斯组合预测以后验概率作为权重对所选择的单项预测模型进行加权平均，并以后验概率作为判断模型优劣的标准，能处理贝叶斯模型平均相关性很高的参数，同时让其总体样本包含不同单项模型的预测。
附图说明
[0066]
图1为本发明系统框图；
[0067]
图2为贝叶斯组合预测方法流程图；
[0068]
图3为贝叶斯组合预测方法流程图；
[0069]
图4为metropolis
‑
hastings抽样算法流程图。
具体实施方式
[0070]
为达到上述目的，本发明采用可穿戴电、光及压力传感测量人体某一部位有关心脏及动脉搏动信息，得到心电、光电容积脉搏波及体表动脉压力信号，测量所述信号中有关血压变化的特征参数；根据所述特征参数以及当前的真实血压值，采用血压估测模型及其不确定性量化方法，计算每一拍脉搏波动的血压值。
[0071]
所述心脏及动脉搏动信号测量部位包括桡动脉、颈动脉或颞浅动脉；
[0072]
所述信号中提取的特征参数包括脉搏波最大上升沿与心电r波峰值间时间间隔，即脉搏波传导时间(pulse transit time,ptt)；
[0073]
所述信号中提取的特征参数包括由光电容积脉搏波波峰与波谷强度之比的脉搏波强度比(photoplethysmogram intensity ratio,pir)；
[0074]
所述信号中提取的特征参数包括光电容积脉搏波半脉幅对应的时间宽度(pulse width at half amplitude,pwha)；
[0075]
所述信号中提取的特征参数包括光电容积脉搏波幅度(amplitude,am)；
[0076]
所述可穿戴无袖带连续血压测量方法具体包括以下步骤：
[0077]
步骤一，选择受检者体表动脉，如桡动脉，作为受检对象；
[0078]
步骤二，采用袖带式血压对受检者选定的体表动脉处的血压进行常规测量，去两次测量的数值作为血压标定值；
[0079]
步骤三，在测量袖带式血压的同时，将可穿戴测量设备佩戴至同一受检者另一侧动脉的皮肤表面；
[0080]
步骤四，开启可穿戴设备，记录受检者心脏及动脉搏动产生的信号；
[0081]
步骤五，对步骤四所获取的信号进行预处理，包括滤噪及放大；
[0082]
步骤六，根据处理后的信号和标定血压值，基于无袖带连续血压不确定性量化方法计算每一次搏动的实时血压值；
[0083]
步骤七，每隔一段时间显示一次实时血压值，该值为对应时间段内所有搏动血压值的均值；
[0084]
步骤八，将计算的结果呈现在可穿戴设备显示器上，并通过无线方式传输至手机等终端，再通过手机传送给受检者家属或医疗机构供参考决策。
[0085]
进一步，步骤六所述的基于不确定性量化架构的无袖带连续血压测量方法，包括如下步骤：
[0086]
(1)采用多个血压估测模型，用来获取多组血压估测值，这些模型为：
[0087]
[0088][0089][0090][0091][0092][0093][0094]
其中，sbp0、db0、mbp0和pp0为初始校准血压，pir0和ptt0对应初始校准脉搏波强度比和脉搏波传播系数；γ为与血管状态相关的系数，取值在0.016mmhg
‑
1到0.018mmhg
‑
1间；a和b分别为对应模型系数。应用模型不确定性的多模型预测和量化方法，包括分层抽样与基于贝叶斯理论的模型优化方法，分别对(1)中模型参数的不确定性和模型形式不确定性进行量化；
[0095]
(2)运用得到的最优模型参数及最优模型或模型组合，通过测量可穿戴体表特征获得个体动脉连续血压的估计值。
[0096]
进一步，所述步骤(2)中血压估测模型参数及形式不确定性量化的具体步骤如下：
[0097]
(2.1)基于蒙特卡罗
‑
马尔科夫链抽样算法对模型参数进行不确定性量化；
[0098]
(2.2)通过基于贝叶斯理论的模型选择及模型组合理论，对模型形式进行不确定性量化；
[0099]
进一步，所述步骤(2.1)中模型参数的不确定性量化，采用分量形式metropolis
‑
hastings(m
‑
h)采样方法，该采样算法每次针对一维参数进行采样，其已知分布可以采用单变量的分布，具体算法流程如下：
[0100]
(2.1.1)初始化时间t＝1,采样次数t＝1000；
[0101]
(2.1.2)设置相关模型参数u＝(u1,u2,...,u
n
)的值，并初始化参数初始状态θ
(t)
＝u，其中u为从均匀分布u(min,max)随机生成的n维数值；
[0102]
(2.1.3)重复以下的过程：
[0103]
i.令t＝t 1；
[0104]
ii.对每一维模型参数：i＝1,2,
…
,n；
[0105]
iii.从已知分布中生成一个新的候选状态假设没有更新之前的整个向量为：
[0106]
更新之后的向量为：
[0107]
其中q为标准正态密度函数：u
i
为步骤2)中产生的初始值，而σ
i
为第i维参数对应的方差；
[0108]
iv.计算接受概率：
[0109]
v.从均匀分布u(0,1)中生成一个随机值a；
[0110]
vi.如果a≤α，接受新生成的值：否则：
[0111]
(2.1.4)直到t＝t。
[0112]
(2.1.5)将上述采样得到的抽样参数序列，代入对应血压估测模型，选择产生最小估测误差的参数值作为最优模型参数。
[0113]
进一步地，所述步骤(2.2)中基于组合模型方法(即模型平均方法)的模型形式的不确定性量化，具体流程如图2所示，具体步骤如下：
[0114]
(2.2.1)采用蒙特卡洛方法对k个备选模型(如m1,m2,
…
,m
k
)的先验概率随机抽取n组样本数据p
i
＝(p
i1
,p
i2
,...,p
ik
),i＝1,2,...,n，其中p
ik
∈[0,1],k＝1,2,...,k，且满足
[0115]
(2.2.2)利用贝叶斯定理，针对每一组样本d，将(2.2.1)产生的模型先验概率，更新得到模型的后验概率：
[0116][0117]
特别地，当设置模型先验概率p(m
k
)服从均匀分布，即模型概率都相等，则上式可以简化为：
[0118][0119]
其中，p(d|m
k
)为m
k
的模型似然，其大小表示模型预测结果与实验数据d的接近程度，其表达式为：
[0120][0121]
其中，l为样本大小，m为单个样本数据长度，d为样本值，f(m
k
)为估测模型m
k
预测分
布的均值。
[0122]
(2.2.3)根据(2.2.2)得到的模型后验概率作为权重对模型进行加权平均，得到贝叶斯组合模型的表达式，并确定贝叶斯组合预测分布：
[0123][0124]
其中表示贝叶斯组合模型的表达式，表示模型m
i
的表达式，p(m
i
|d)表示在已知一组实验数据d的情况下得到的模型m
i
的后验概率；
[0125]
(2.2.4)计算n组贝叶斯组合预测分布与参考血压间的平均绝对误差，将基于不同先验概率得到的n组平均绝对误差中最小一组的先验概率作为先验概率预设值，则此时得到的贝叶斯组合预测效果更加准确。
[0126]
进一步地，所述步骤(2.2)中基于模型选择方法的模型形式不确定性量化利用贝叶斯因子选择最优模型，其具体过程如下：
[0127]
1)基于gibbs抽样算法对模型参数进行不确定性量化；
[0128]
2)通过基于贝叶斯因子，对模型形式进行不确定性量化；
[0129]
假设共有m个模型，对每个模型k，有未知的参数向量θ
k
，模型先验概率为且已知一组实验数据d，数据d的似然函数为f(y|θ
k
,m＝k)，参数θ
k
的先验为p(θ
k
|m＝k)，伪先验为p(θ
k
|m≠k)。由于在计算上θ
k
与m≠k没有关系，所以我们可以选择任意的形式作为伪先验。
[0130]
进一步地，所述步骤1)中相关关系参数的分布抽样流程如图3所示，具体算法步骤如下：
[0131]
·
赋初值：
[0132]
·
从中抽取
[0133]
·
从中抽取
[0134]
·
由计算
[0135]
p(m＝k|θ
(t)
,d)＝p
k
(k＝1,...,m)
[0136]
·
重复以上步骤得到足够多的样本，则模型m＝k的后验估计为
[0137][0138]
相应的贝叶斯因子估计为：
[0139]
进一步地，所述步骤(2.2)中模型形式的不确定性量化，选取贝叶斯因子估计最大值对应的模型k即为当前血压估计的最优模型。
[0140]
下面结合具体实例，进一步阐明本发明，值得注意的是，这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读本发明之后，本领域技术人员对发明的各种等价形式的修改均落于本技术所附权力要求所限定的范围。
[0141]
如图1所示：一种基于不确定性的无袖带血压测量模型及方法，包括以下步骤：
[0142]
步骤一：分析无创血压变化特征与血压在不同个体中的关联差异性，通过血压变异性指标(如变异系数)评估由于群体及个体差异性而造成的血压变化对血压估测精度的影响；随后，表述不同的血压变化特征与血压间关系的不确定性；最后，分析血压变化特征由于模型形式及模型参数的差异对所估测血压的不确定性传播。
[0143]
步骤二：基于蒙特卡罗
‑
马尔科夫链抽样算法对模型参数进行不确定性量化；采用metropolis
‑
hastings(m
‑
h)抽样方法对血压估测模型参数分布抽样，具体算法步骤如附图3所示。
[0144]
步骤三：通过基于贝叶斯理论的模型组合理论，对模型形式进行不确定性量化。具体步骤如下：
[0145]
步骤四：运用得到的最优模型参数及最优模型或模型组合，通过测量可穿戴体表特征获得个体动脉连续血压的估计值。