基于ECG和PPG多生理特征参数动态监测血压的方法与流程

基于ecg和ppg多生理特征参数动态监测血压的方法
技术领域
1.本发明涉及医学检测技术领域，尤其涉及一种基于ecg和ppg多生理特征参数的血压动态监测方法和算法。


背景技术：

2.血压是心血管疾病诊断的重要生理参数，时刻了解血压状况对心血管病患者具有重要意义，血压的连续动态监测是预防、诊断、治疗和控制高血压最有效手段，高血压病是心血管疾病的重要的危险因素。
3.目前市场上有两大类无创血压测量方法，一类是以听诊法、示波法、动脉张力法等为主导的传统测量方法，这类传统测量方法都有不利于实际使用的各种缺陷，如听诊法的水银血压计需经过专业训练的医生或护士操作；示波法的电子血压计为间接测量血压，两种方法均需要使用袖带加压给测试者带来很大不适感，且只能间接性检测血压；动脉张力法对测量装备以及测量位置都很苛刻；故上述传统血压测量方法都不容易实现连续、舒适的24小时血压动态变化的监测。另一类是无袖带脉搏波连续血压估计方法，这类方法大多数简单的采用ppg或和ecg信号某单一生理特征参数血压模型方式进行血压估计，不对个体影响血压因素做校正和补偿，因此测量不够准确和科学。原因是引入血压相关的生理性特征参数不够，因为不同的人或同一人不同的时间段，其主动脉血管阻力、血管壁弹性和血液粘性等情况都不一样，其心肌收缩力和外周阻力也不一样。
4.如申请号为cn201610040135.x的专利申请公开了一种基于脉搏波传播时间的无创连续血压监测方法及装置，在被测试者的仰卧、站立手臂竖直举起、弯腰三种体位下，利用心电信号检测单元检测被测试者标准ⅱ导联的ecg信号的同时，利用容积脉搏波信号检测单元检测食指指端的ppg信号，并通过上位机信号处理单元测量ecg信号的r波峰值点与ppg信号的特征点之间的时间差作为脉搏波的传播时间ptt，通过对得到的ptt数据和由电子血压计记录的血压数据进行相关性分析及线性回归分析，建立ptt对血压的回归方程，通过测量ptt，间接得到血压值。该方案虽然能有效地提高连续血压检测的准确度和实现长时间无创连续的血压测量，但是没有考虑因个体心脏、血管、血液等因素差异，因此导致血压的测量精度的不够准确。


技术实现要素：

5.本发明的目的在于克服现有技术的不足，提供一种基于ecg和ppg多生理特征参数动态监测血压的方法，通过提出多种生理信号特征参数和个体因素校正和补偿算法和方法，其有效的提高了测量的精度，解决了目前无创血压测量方面精度不高的缺陷问题，同时也解决了长期测量血压过程中连续动态的有效性和舒适性，也解决了长期个体生理变化引起血压变化而进行的不定期的校准与补偿，使得测量更加适合身体变化而引起的血压变化带来的准确性。
6.本发明的目的是通过以下技术方案来实现的：
基于ecg和ppg多生理特征参数动态监测血压的方法，包括：步骤一：信号预处理，接收同步采集的心电ecg信号和脉搏波ppg信号并分别进行降噪处理；步骤二：融合信号特征提取，将预处理后的心电ecg信号和脉搏波ppg信号进行融合，并采用窗口移动方式提取融合信号的多个生理特征参数；步骤四：血压精确测量，将多组多个生理特征参数输入到血压估算神经网络分析模型中进行分析，获得公共血压数据测量模型，并输入个体确定血压数值对公共模型血压数据关系校正和补偿，获得独立个体精准血压数据测量模型。
7.具体的，所述步骤一具体包括：首先接收按照预设频率同步采集的心电ecg和脉搏波ppg原始信号，然后采用陷波滤波器、低通滤波器、高通滤波器、带通滤波器和lms自适应滤波器对心电ecg和脉搏波ppg原始信号中的基线漂移、肌电干扰、工频干扰和运动伪迹干扰噪声进行滤波处理，获得预处理后的心电ecg信号和脉搏波ppg信号。
8.具体的，所述多个生理特征参数包括：脉搏波传导时间ptt、脉搏波ppg脉率值pr、脉搏波ppg升支斜率k、脉搏波ppg每搏心输出量z、脉搏波主波幅度h、脉搏波ppg心动压缩期t1和脉搏周期t。
9.具体的，方法还包括血压估算神经网络分析模型的构建步骤：首先选择特定数据作为自动学习数据组库，结合数据库中提取的生理特征参数和对应已知血压数据结果不断的进行深度自动学习、训练，获取初始仲裁权值；再结合实际测量数据和窗口移动提取的生理特征参数，根据血压数据模型规则，不断的对各个神经网络元的仲裁权值和血压估算模型系数进行调整和修正，直到血压估算神经网络分析模型输出期望与已知血压结果一致，输出初始神经网络元仲裁权值和神经网络分析结果，根据初始神经网络元仲裁权值和神经网络分析结果建立实时自动估算血压的血压估算神经网络分析模型。
10.具体的，所述步骤三具体包括：将提取的多个生理特征参数输入到血压估算神经网络分析模型中进行血压估算分析、训练、权值仲裁修正和神经网络分析结果修正，最终获得血压估算神经网络分析模型的分析结果；根据血压估算神经网络分析模型的分析结果和多个生理特征参数构建共性多元线性回归血压数学模型，并确定公共模型血压数据待定系数；将个体确定血压数值输入到共性多元线性回归血压数学模型中，对公共模型血压数据待定系数进行个体独立血压因素校正和补偿，将公共模型血压数据待定系数修正为个体模型系数，获得个体精确血压数据模型，根据个体精确血压数据模型测量出个体收缩压和舒张压的血压数据。
11.具体的，所述共性多元线性回归血压数学模型为：sbp0=a1 b1*ptt c1*z d1*kdbp0= a2 b2*ptt c2*z d2*k e2*pr其中，sbp0为收缩压；dbp0为舒张压；ppt为脉搏波传导时间；a1，b1，c1，d1，a2，b2，c2，d2，e2为待定系数；z为脉搏波ppg每搏心输出量，每搏心输出量z=h*[t1/（t-t1） 1]，h为脉搏波主波幅度，t1为上升支时间，表示心动压缩期，t为脉搏周期；k为脉搏波ppg升支平均斜率，升支平均斜率k=h/t1；pr为脉率值，脉率pr=60/t。
[0012]
具体的，所述个体精确血压数据模型为：sbp=a1‘
b1‘
*ptt c1*z d1*k
dbp= a2‘
b2‘
*ptt c2*z d2*k e2*pr其中，a1‘
，b1‘
、a2‘
、b2‘
为个体待定系数；sbp为个体收缩压；dbp为个体舒张压。
[0013]
本发明的有益效果：1.本发明首先选择特定数据作为自动学习数据组库，结合数据库中生理特征参数和对应血压数据结果不断的进行深度自动学习、训练，获取初始仲裁权值；再结合实际测量数据和窗口移动提取的生理特征参数，根据血压数据模型规则，不断的对各个神经网络元的仲裁权值和血压估算模型系数进行调整和修正，直到血压估算神经网络分析模型输出期望与已知血压结果一致，可以实现更准确，高效的进行血压估算。
[0014]
2.本发明采取一种基于以心电ecg信号为参照基础，并融合脉搏波ppg信号多种生理特征参数进行血压估算神经网络分析模型处理方法。通过上述提出多种生理信号特征参数和个体因素校正和补偿算法和方法，其有效的提高了测量的精度，解决了目前无创血压测量方面精度不高的缺陷问题，同时也解决了长期测量血压过程中连续动态的有效性和舒适性，也解决了长期个体生理变化引起血压变化而进行的不定期的校准与补偿，使得测量更加适合身体变化而引起的血压变化带来的准确性。
附图说明
[0015]
图1是本发明的逻辑结构框架示意图。
[0016]
图2是本发明血压估算神经网络分析模型功能图。
[0017]
图3是本发明心电ecg和脉搏波ppg信号融合后的生理特征参数波形图。
具体实施方式
[0018]
为了对本发明的技术特征、目的和效果有更加清楚的理解，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0019]
实施例一：本实施例中，如图1所示，一种基于ecg和ppg多生理特征参数动态监测血压的方法，包括：步骤一：信号预处理，接收同步采集的心电ecg信号和脉搏波ppg信号并分别进行降噪处理；步骤二：融合信号特征提取，将预处理后的心电ecg信号和脉搏波ppg信号进行融合，并采用窗口移动方式提取融合信号的多个生理特征参数；步骤三：血压精确测量，将多组多个生理特征参数输入到血压估算神经网络分析模型中进行分析，获得公共血压数据测量模型，并输入个体确定血压数值对公共模型血压数据关系校正和补偿，获得独立个体精准血压数据测量模型。
[0020]
本实施例中，步骤一具体包括：首先接收按照预设频率同步采集的心电ecg和脉搏波ppg原始信号，然后采用陷波滤波器、低通滤波器、高通滤波器、带通滤波器和lms自适应滤波器对心电ecg和脉搏波ppg原始信号中的基线漂移、肌电干扰、工频干扰和运动伪迹干
扰噪声进行滤波处理，获得预处理后的心电ecg信号和脉搏波ppg信号。
[0021]
本实施例中，多个生理特征参数包括：脉搏波传导时间ptt、脉搏波ppg脉率值pr、脉搏波ppg升支斜率k、脉搏波ppg每搏心输出量z、脉搏波主波幅度h、脉搏波ppg心动压缩期t1和脉搏周期t。
[0022]
本实施例中，方法首先接收按照一定频率，同步进行心电ecg和脉搏波ppg的原始信号的采集，并对采集的微弱的心电ecg和脉搏波ppg原始信号中的基线漂移、肌电干扰、工频干扰、运动伪迹等干扰噪声采用陷波滤波器、低通/高通/窗口移动提取其生理特征参带通滤波器、lms自适应滤波器等进行处理。
[0023]
其次，如图3所示，对心电ecg和脉搏波ppg信号融合并窗口移动提取其生理特征参数：1. 心电ecg和脉搏波ppg融合生理特征参数 （ptt为脉搏波传导时间），2. 脉搏波ppg生理特征参数（pr为脉搏波ppg脉率值，k为脉搏波ppg升支斜率，z为脉搏波ppg每搏心输出量， h为脉搏波主波幅度， t1为脉搏波ppg心动压缩期，t为脉搏周期）。
[0024]
再次根据心电ecg和脉搏波ppg融合生理特征参数ptt和脉搏波ppg诸多生理特征参数在血压估算神经网络分析模型中进行血压估算分析、训练、权值仲裁修正和其结果修正，再其次根据压估算神经网络分析模型的结果确定公共血压数据测量模型。
[0025]
最后输入个体确定血压数值，进行个体独立血压因素校正和补偿，修正其独立个体模型系数，即能精准，方便测量出独立个体收缩压和舒张压的血压数据。
[0026]
本实施例可以达到以下技术效果：本实施例利用人体的脉搏波波速与血管壁压力呈正比，以及血压与血液流速、心脏输出血液流量、血管外周阻力有关联性的特点，采用这一原理进行人体血压间接测量，结合心电ecg和脉搏波ppg两种信号数据，并引入脉搏波ppg脉率值pr，脉搏波ppg升支斜率k，脉搏波ppg每搏心输出量z，脉搏波主波幅度h，脉搏波ppg心动压缩期t1，脉搏周期t以及脉搏波传导时间ptt等多种生理特征参数。这些特征参数表现为血压与血液流速、心脏输出血液流量、血管外周阻力有关，即血压与脉搏波ppg升支斜率k、主波幅度h，心动压缩期t1有相关性。通过心电ecg和脉搏波ppg中的诸多生理特征参数建立血压估算神经网络分析模型从而可以精准的测量出人体血压。
[0027]
实施例二：本实施例中，在实施例一的基础上，一种基于ecg和ppg多生理特征参数动态监测血压的方法，包括：步骤一：信号预处理，接收同步采集的心电ecg信号和脉搏波ppg信号并分别进行降噪处理；步骤二：融合信号特征提取，将预处理后的心电ecg信号和脉搏波ppg信号进行融合，并采用窗口移动方式提取融合信号的多个生理特征参数；步骤三：血压精确测量，将多组多个生理特征参数输入到血压估算神经网络分析模型中进行分析，获得公共血压数据测量模型，并输入个体确定血压数值对公共模型血压数据关系校正和补偿，获得独立个体精准血压数据测量模型。
[0028]
本实施例中，还包括血压估算神经网络分析模型的构建过程，该过程具体包括：首先选择特定数据作为自动学习数据组库，结合数据库中生理特征参数和对应血压数据结果不断的进行深度自动学习、训练，获取初始仲裁权值；再结合实际测量数据和窗口移动提取
的生理特征参数，根据血压数据模型规则，不断的对各个神经网络元的仲裁权值和血压估算模型系数进行调整和修正，直到血压估算神经网络分析模型输出期望与已知血压结果一致，输出初始神经网络元仲裁权值和神经网络分析结果；根据初始神经网络元仲裁权值和神经网络分析结果建立实时自动估算血压的血压估算神经网络分析模型。血压数据模型规则为共性多元线性回归血压数学模型。
[0029]
本实施例中，如图2所示，血压估算神经网络分析模型是本发明血压估算分析的核心算法。首先选择特定数据作为自动学习数据组库，结合数据库中生理特征参数和对应血压数据进行深度自动学习、训练；然后结合实际测量数据和窗口移动提取的生理特征参数，根据血压数学模型规则，不断的对各个神经网络元的仲裁权值进行反馈调整和修正，直至该神经网络输出期望与已知血压结果一致。此时得到初始神经网络元仲裁权值和神经网络分析，即可建立自动血压估算的实时神经网络分析模型。由于生理数据复杂多变，对结果准确性产生影响，需进行反复对神经网络进行自动学习，实时根据个体不同进行仲裁权值进行修正，实现更准确，高效的进行血压估算。
[0030]
本实施例中，通过构建血压估算神经网络分析模型进行分析训练，并对神经网络进行自动学习，实时根据个体不同进行仲裁权值进行修正，实现更准确，高效的进行血压估算，解决了长期测量血压过程中连续动态的有效性和舒适性。
[0031]
本实施例中，步骤三具体包括：将提取的多个生理特征参数输入到血压估算神经网络分析模型中进行血压估算分析、训练、权值仲裁修正和神经网络分析结果修正，最终获得血压估算神经网络分析模型的分析结果；根据血压估算神经网络分析模型的分析结果和多个生理特征参数构建共性多元线性回归血压数学模型，并确定公共血压数据测量模型待定系数；将个体确定血压数值输入到共性多元线性回归血压数学模型中，对公共模型血压数据待定系数进行个体独立血压因素校正和补偿，将公共血压数据测量模型血压数据待定系数修正为个体模型系数，获得独立个体精确血压数据测量模型，根据独立个体精确血压数据测量模型准确的测量出个体收缩压和舒张压的血压数据。
[0032]
本实施例中的血压估算神经网络分析模型是在理想血压变化和脉搏波传导时间ppt成线性正比相关上建立的。理想型血压为bp-bp0=b*（ptt-ppt0），其中bp为测量血压，bp0为理想血压，ppt为测量脉搏波传导时间，ppt0为理想脉搏波传导时间；但是通常认为人体的血管弹性在一段时期内是稳定的，但是现实中，血压受其个体因素影响并非是线性正比关系，故需在脉搏波传导时间ppt基础上，再加上脉率快慢，脉搏波ppg每搏心输出量，脉搏波ppg升支平均斜率，脉率心动压缩期和脉搏周期等生理特征参数，建立共性多元线性回归血压数学模型：sbp0=a1 b1*ptt c1*z d1*kdbp0= a2 b2*ptt c2*z d2*k e2*pr其中，sbp0为收缩压；dbp0为舒张压；ppt为脉搏波传导时间；a1，b1，c1，d1，a2，b2，c2，d2，e2为待定系数；z为脉搏波ppg每搏心输出量，每搏心输出量z=h*[t1/（t-t1） 1]，h为脉搏波主波幅度，t1为上升支时间，表示心动压缩期，t为脉搏周期；k为脉搏波ppg升支平均斜率，升支平均斜率k=h/t1；pr为脉率值，脉率pr=60/t。
[0033]
上述共性多元线性回归血压数学模型是根据大样本数据人体血压数据模拟，确定待定系数a1，b1，c1，d1和a2，b2，c2，d2，e2的值，即确立了公共模型血压数据关系数学模型中的
系数。
[0034]
本实施例的个体独立血压因素校正和补偿过程主要是在公共模型血压数据关系数学模型中的系数基础上精准确定个体系数a1‘
，b1‘
和a2‘
，b2‘
，其方式为个体用先以水银血压计在平静状态测量多组血压数据，再输入共性多元线性回归血压数学模型中，血压数学模型结合实际水银血压计测量的血压、心电ecg信号和脉搏波ppg信号特征数据参数，校正和补偿个体待定系数a1‘
，b1‘
和a2‘
，b2‘
；这样建立测量独立个体精确血压数据模型即：sbp=a1‘
b1‘
*ptt c1*z d1*kdbp= a2‘
b2‘
*ptt c2*z d2*k e2*pr。
[0035]
其中，sbp为个体收缩压；dbp为个体舒张压。通过上述个体精确血压数据模型可以精确测量出个体收缩压和舒张压的血压数据。
[0036]
本实施例可以达到以下技术效果：1.本实施例首先选择特定数据作为自动学习数据组库，结合数据库中生理特征参数和对应血压数据进行深度自动学习、训练；然后根据血压数学模型规则，不断的对各个神经网络元的仲裁权值进行反馈调整和修正，直至该神经网络输出期望与已知血压结果一致，可以实现更准确，高效的进行血压估算。
[0037]
2.本实施例采取一种基于以心电ecg信号为参照基础，并融合脉搏波ppg信号多种生理特征参数进行血压估算神经网络分析模型处理方法。通过上述提出多种生理信号特征参数和个体因素校正和补偿算法和方法，其有效的提高了测量的精度，解决了目前无创血压测量方面精度不高的缺陷问题，同时也解决了长期测量血压过程中连续动态的有效性和舒适性，也解决了长期个体生理变化引起血压变化而进行的不定期的校准与补偿，使得测量更加适合身体变化而引起的血压变化带来的准确性。
[0038]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。