一种基于无创连续血压测量的PPG采样率估算方法转让专利
申请号 : CN202210118049.1
文献号 : CN114145725B
文献日 : 2022-05-06
发明人 : 胡铃越 , 林政佳 , 刘庆 , 凌永权 , 陈丹妮 , 马思琪
申请人 : 广东工业大学
摘要 :
权利要求 :
1.一种基于无创连续血压测量的PPG采样率估算方法,其特征在于,包括:S1.以采样率阈值E作为采样率,采集M次测试对象的PPG原始信号,将M次测试对象的PPG原始信号作为M个PPG原始信号样本,E为正整数;
S2.直接测取测试对象的M次血压真实值,将M次血压真实值分别作为M个PPG原始信号样本所对应的血压测量基准值;
S3.根据采样率阈值对每一个PPG原始信号样本数据进行采样预处理,得到每一个PPG原始样本的原始PPG信号矩阵;
S4.引入DCT变换矩阵,利用DCT变换矩阵对原始PPG信号矩阵进行DCT变换,得到频域内的矩阵A;
S5.以N作为等间隔采样率变化间距,将采样率降低N,得到新的采样率,从矩阵A中提取前N个低频点,组成矩阵C,N为正整数;
S6.对矩阵C进行DCT逆变换,得到时域内的新PPG信号矩阵Xo;
S7.对于每一个PPG原始信号样本,当得到的新PPG信号矩阵Xo的个数未达到设定值Q时,返回S5,Q对应由采样率阈值逐次降低N后得到的不同采样率的个数;当达到设定值Q时,对Q个不同采样率下M个PPG原始信号样本对应的血压值分别进行回归预测,执行步骤S8;
S8.将Q个不同采样率下M个PPG原始信号样本对应的血压值分别与步骤S2所述的血压测量基准值对比,得到Q个不同采样率下M个PPG原始信号样本分别对应血压值的准确率,绘制准确率随采样率变化的趋势曲线;
S9.将趋势曲线中自准确率开始降低至准确率再次升高过程中的首个转折点对应的采样率作为估算的PPG采样率。
2.根据权利要求1所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,在步骤S1中,所述的采样率阈值是M次采集测试对象PPG原始信号的最高采样率,在采集过程中,以时间序列为索引,采集测试对象的PPG原始信号,然后以每秒钟的PPG原始信号作为一个PPG原始信号样本。
3.根据权利要求2所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,步骤S3所述的根据采样率阈值对每一个PPG原始信号样本数据进行采样预处理的操作为:以采样率阈值E为尺度基准,将每一个PPG原始信号样本处理成PPG一维向量,表示为E×1的原始PPG信号矩阵Xi。
4.根据权利要求3所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,步骤S4所述引入的DCT变换矩阵为E×E的矩阵,利用DCT变换矩阵对原始PPG信号矩阵Xi进行DCT变换时,E×1的原始PPG信号矩阵Xi左乘DCT变换矩阵,得到频域内的矩阵A,矩阵A共E行、1列。
5.根据权利要求4所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,在经DCT变换后得到的矩阵A中,自首行开始自上而下的矩阵分量,在频域内代表从低频至高频;
步骤S5所述从矩阵A中提取前N个低频点,组成矩阵C的过程为:引入N×E的低频提取矩阵B,低频提取矩阵B由N阶单位矩阵与N×(E‑N)的零矩阵拼接而成,E大于N;
矩阵A左乘低频提取矩阵B,得到N个低频矩阵分量组成的矩阵C,矩阵C共N行、1列;
步骤S6所述对矩阵C进行DCT逆变换时,引入用于DCT逆变换的N×N的IDCT矩阵,N×1的矩阵C左乘N×N的IDCT矩阵,得到N×1的新PPG信号矩阵Xo。
6.根据权利要求5所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,在步骤S7中,设从采样率阈值E开始,以N作为等间隔采样率变化间距,采样率逐次降低N后所至的下限为Sa,Sa为正整数,则采样率降低尺度为(E‑Sa),N与(E‑Sa)满足:N*Q=E‑Sa
其中,Q表示得到的新PPG信号矩阵Xo的个数设定值,即采样率从采样率阈值E开始逐次降低N后得到不同采样率的个数,对于每一个PPG原始信号样本,Q个不同PPG信号矩阵Xo对应Q个不同的采样率。
7.根据权利要求6所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,步骤S8所述的Q个不同采样率下M个PPG原始信号样本对应的血压值分别与步骤S2所述的血压测量基准值对比的过程为:
设VPG为对PPG信号矩阵Xo中PPG信号一次求导后的信号,APG为对PPG信号矩阵Xo中PPG信号二次求导后的信号,对于M个PPG原始信号样本的每一个PPG原始信号样本,从Q个不同采样率下PPG信号矩阵Xo中PPG信号的脉搏波曲线出发,对Q个不同采样率下PPG信号矩阵Xo中PPG信号、VPG信号、APG信号的特征点进行提取,设采样率i下提取的PPG信号、VPG信号、APG信号的特征点为qi个,则M个PPG原始信号样本得到M*qi特征点,i表示采样率次序,i=1,
2,…,Q,也表示得到PPG信号矩阵Xo的次序,将M个PPG原始信号样本划分为训练集和测试集,引入随机森林模型,基于每个PPG原始信号样本提取的特征点,利用训练集和测试集训练并测试随机森林模型;
在随机森林模型训练测试完成后,将M个PPG原始信号样本输入随机森林模型进行回归预测,输出M个PPG原始信号样本对应的血压值,并分别与血压测量基准值对比,记录Q个不同采样率下回归预测后得到的血压值与血压测量基准值相同时的样本,将此类样本的个数mi_true作为采样率i下的正确样本数。
8.根据权利要求7所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,所述的特征点包括:PPG信号矩阵Xo中PPG信号脉搏波的收缩点S;VPG信号的收缩周期极大值w、重陷点N、舒张周期极大值u;APG信号的5个二次求导点a、b、c、d、e。
9.根据权利要求8所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,步骤S8中所述Q个不同采样率下PPG原始信号样本对应血压值的准确率的表达式为:Pi_true=mi_true/M其中,Pi_true表示采样率i下的PPG原始信号样本对应的血压值的准确率;mi_true表示采样率i下的M个PPG原始信号样本中进行回归预测后得到的血压值与血压测量基准值相同时的PPG原始信号样本的个数。
10.一种无创连续血压测量设备,其特征在于,所述设备应用权利要求1 权利要求9任~
意一项所述的PPG采样率估算方法设计PPG采样率。
说明书 :
一种基于无创连续血压测量的PPG采样率估算方法
技术领域
背景技术
诊断以及治疗具有重要意义。
方式测得的血压值也越来越准确,而且这种方式凭借其方便性和实用性,在日常血压测量
中的应用也越来越广泛,因此,现在很多学者也热衷于开展无创连续血压测量的研究,尤其
以PPG为代表。常规的光电容积脉搏波(PPG)是一种光学技术,是以LED光源和探测器为基
础,测量经过人体血管和组织反射、吸收后的衰减光,记录血管的搏动状态并测量脉搏波,
其可用于检测外周循环中血液的容量变化,是一种在皮肤表面进行测量的非侵入式方法,
但考虑脉搏波直接判断血压值是不准确的,不少学者也对此进行了改进,如现有技术中公
开了基于PPG与心电图混合的无创血压检测方法,通过采用常规基于PPG的方法,提取PPG信
号中的特征参数,建立人体血压的测量模型,经过血压标定校准,得到同人体血压值之间的
有密切相关性的校准参数,然后利用这些标定校准参数,进行基于PPG波形和ECG波形的脉
搏波的血压测量,再通过采用基于PPG波形和ECG波形的脉搏波波速测定法,建立多参数血
压估计模型,最后通过二者测得数据进行比较分析修正,即整体上通过PPG波形和ECG波形
混合模式进行检测,与单纯基于PPG相比,提高了血压检验精度。
图1所示,PPG波形常常包含收缩峰、舒张峰和介于两者之间的位阶等,图1中横坐标为时间,
单位为μs,纵坐标为振幅,单位为μV,S为收缩峰,N为舒张峰,O为介于两者之间的位阶,P为
PPG信号的底部,是关键特征,一般为了找到PPG波形的底部,需要计算PPG波形的一阶和二
阶导数,进而能非常准确地检测信号的底部特征,理论上当PPG采样率无限高时,计算出来
的血压值则完全准确,即采样率越高,计算出的血压值越准确,事实上,不同人的生理信号
处于的频段不同,直接设计一个很高的PPG采样率,会导致数据传输过程中需要消耗较多的
能量,带来的成本消耗也较高,但倘若PPG采样率较低,再加上噪声干扰,则可能导致采样的
生理信号稀疏性较差,无法满足重构精度和速度的要求。因此,以怎样的采样率采集PPG信
号并计算血压值是性价比最高的,即如何综合考虑采样成本和血压测量准确度,是需要探
讨的一个技术问题。目前,在基于PPG的血压估计方法中,也有根据传统奈奎斯特采样定理
直接设定PPG采样率的方式,但因为血压估计需要用到PPG一次求导和二次求导后的信号,
意味着根据传统奈奎斯特采样定理直接设定PPG采样率的方式会造成PPG信号的某些特征
丢失,计算出的血压值出现较大误差。
发明内容
提下,估计出适宜恰当的采样率,同时回避了PPG采样中的噪声干扰的问题,而且不受生理
信号稀疏性差的影响。
值Q时,对Q个不同采样率下M个PPG原始信号样本对应的血压值分别进行回归预测,执行步
骤S8;
率,绘制准确率随采样率变化的趋势曲线;
PPG原始信号作为一个PPG原始信号样本。
原始信号计算出的血压值也将是最准确的,以此处作为采样率估算出发点。而为提高本方
案的可靠性,对于PPG原始信号本身,本方案中也会采用M批量的样本,所以会采集M次PPG原
始信号。
矩阵A,矩阵A共E行、1列。
号矩阵分量和低频信号矩阵分量,通常人体生理信号中的低频部分的信息量大于高频部分
的信息量,高频部分中会含有噪声信息等,因此,通过DCT变换的方式将PPG信号转换到频域
中进行降维,是一种删除高频的降维方式,以保证后续估算的采样率的合理性,依此进行的
血压测量准确率也会更高。
C左乘N×N的IDCT矩阵,得到N×1的新PPG信号矩阵Xo 。
率降低。
Xo对应Q个不同的采样率。
同采样率下PPG信号矩阵Xo中PPG信号的脉搏波曲线出发,对Q个不同采样率下PPG信号矩阵
Xo中PPG信号、VPG信号、APG信号的特征点进行提取,设采样率i下提取的PPG信号、VPG信号、
APG信号的特征点为qi个,则M个PPG原始信号样本得到M*qi特征点,i表示采样率次序,i=1,
2,…,Q,也表示得到PPG信号矩阵Xo的次序;将M个PPG原始信号样本划分为训练集和测试
集,引入随机森林模型,基于每个PPG原始信号样本提取的特征点,利用训练集和测试集训
练并测试随机森林模型;
个不同采样率下回归预测后得到的血压值与血压测量基准值相同时的样本,将此类样本的
个数mi_true作为采样率i下的正确样本数。
同时的PPG原始信号样本的个数。
变换的方式将PPG原始信号转换到频域中进行降维,回避高频噪声的干扰,以保证后续估算
的采样率的合理性,在具体估计采样率的过程中,采用逐次降低采样率的方式,获得不同采
样率下的信号,最后以测试对象的血压真实值为基准,预测不同采样率下的信号对应的血
压值并与基准对比,获得不同采样率下血压准确度的趋势曲线,基于趋势曲线,在保证血压
测量准确度的前提下,估计出合理的采样率,操作简便,且不受生理信号稀疏性差的影响,
可用于设计智能可穿戴血压估计硬件的采样率,从而降低硬件的功耗,降低成本。
附图说明
具体实施方式
则可能导致采样的生理信号稀疏性较差,无法满足重构精度和速度的要求,影响血压测量
准确度,因此,为兼顾采样成本与血压测量准确度,本实施例提出一种基于无创连续血压测
量的PPG采样率估算方法,该方法的流程示意图如图2所示,包括以下步骤:
采集测试对象的PPG原始信号,然后以每秒钟的PPG原始信号作为一个PPG原始信号样本。在
该步骤中,考虑采样率越高,计算出的血压值越准确,因此,步骤S1以最高采样率进行PPG原
始信号的采集,此条件下的PPG原始信号计算出的血压值也将是最准确的,以此处作为采样
率估算出发点。对于PPG原始信号本身,本实施例中也会采用M批量的样本,所以会采集M次
PPG原始信号。
估计的对比基准。
即是设定为无创连续血压测量装置硬件所能达到的最高采样率,然后以最高采样率采集
PPG原始信号,这样原始PPG信号矩阵Xi为一个1000×1的矩阵。
DCT变换矩阵,得到频域内的矩阵A,矩阵A共1000行、1列。
即可以得出高频信号矩阵分量和低频信号矩阵分量,通常人体生理信号中的低频部分的信
息量大于高频部分的信息量,高频部分中会含有噪声信息等,因此,通过DCT变换的方式将
PPG信号转换到频域中进行降维,是一种删除高频的降维方式,这样能保证后续估算的采样
率的合理性,依此进行的血压测量准确率也会更高,因此,在经DCT变换后得到的矩阵A中,
自首行开始自上而下的矩阵分量,在频域内代表从低频至高频;
值,也即是从最高采样率开始降低,以满足不断抓取新的采样率的需要;
PPG信号矩阵Xo,该技术操作是对每一个PPG原始样本的原始PPG信号矩阵进行的,与原始
PPG信号矩阵Xo相比,原始PPG信号矩阵Xo为1000×1的矩阵,新PPG信号矩阵Xo是N×1的矩
阵,采样率降低。
值Q时,对Q个不同采样率下M个PPG原始信号样本对应的血压值分别进行回归预测,执行步
骤S8;
始,不会无休止的一直下降,下降的次数会以设定值Q为准则,Q的具体值根据信号的数据量
以及实际需求来设定,采样率以N作为等间隔采样率变化间距,每降低一次,获得一个新采
样率,Q代表获得的新的采样率的个数。
率,绘制准确率随采样率变化的趋势曲线;
同时的PPG原始信号样本的个数。
准确率“加速度”趋势曲线可能有变化,自准确率开始降低至准确率再次升高过程中的首个
转折点,即“加速度”最低点对应的采样率为最低采样率。
到频域中进行降维,回避高频噪声的干扰,以保证后续获取的最低采样率的合理性,在具体
估计最低采样率的过程中,采用逐次降低采样率的方式,获得不同采样率下的信号,最后以
测试对象的血压真实值为基准,预测不同采样率下的信号对应的血压值并与基准对比,获
得不同采样率下血压准确度的趋势曲线,基于趋势曲线,在保证血压测量准确度的前提下,
估计出最低采样率,操作简便,且不受生理信号稀疏性差的影响,可用于设计智能可穿戴血
压估计硬件的最佳采样率,可减少某个血压估计硬件所需花费的时间成本及人力成本,简
化寻找血压估计硬件最低采样率的过程,进而降低硬件的功耗。
点,组成矩阵C时,涉及到采用逐次降低采样率的方式,以获得不同采样率下的信号,但是采
样率以Q为准则,不可能无休止地降低,因此,设从采样率阈值E开始,以N作为等间隔采样率
变化间距,采样率逐次降低N后所至的下限为Sa,Sa为正整数,则采样率降低尺度为(E‑Sa),
N与(E‑Sa)满足:
Xo对应Q个不同的采样率,整个过程的示意可参见图3,在图3中,以在每一个采样率下,以线
段长度代表采样率,最开始为采样阈值E,N作为等间隔采样率变化间距在图3中也有标出。
同采样率下PPG信号矩阵Xo中PPG信号的脉搏波曲线出发,对Q个不同采样率下PPG信号矩阵
Xo中PPG信号、VPG信号、APG信号的特征点进行提取,参见图4,所述的特征点包括:PPG信号
矩阵Xo中PPG信号脉搏波的收缩点S;VPG信号的收缩周期极大值w、重陷点N、舒张周期极大
值u;APG信号的5个二次求导点a、b、c、d、e,其中,二次求导点a、b、c、d、e一般取APG信号的第
一个极大值点、第一个极小值点、第二个极大值点、第二个极小值点、第三个极大值点等。
将M个PPG原始信号样本划分为训练集和测试集,引入随机森林模型,随机森林模型属于集
成学习中的bagging算法中的一种,随机森林就是通过集成学习的思想将多棵树集成的一
种算法,基本单元是决策树,本质属于机器学习的一大分支——集成学习(Ensemble
Learning)方法,随机森林模型中每棵决策树都是一个分类器,那么对于一个输入样本,W棵
树会有W个分类结果,而随机森林集成了所有的分类投票结果,将投票次数最多的类别指定
为最终的输出,在本实施例中,基于每个PPG原始信号样本提取的特征点,利用训练集和测
试集训练并测试随机森林模型,具体过程此处不再赘述。
个不同采样率下回归预测后得到的血压值与血压测量基准值相同时的样本,将此类样本的
个数mi_true作为采样率i下的正确样本数。
样率估算方法应用于无创连续血压测量设备硬件采样率的设计,所述的无创连续血压测量
设备硬件可以为手环、智能手表等智能可穿戴的血压估计装置的硬件。
做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发
明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的
保护范围之内。