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技术

本发明专利技术涉及一种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，属于数字信号处理领域。本发明专利技术的血压监测方法包括步骤：信号采集和预处理、特征点提取和特征值计算、特征类型的分类、数学模型的建立、验证和输出。本发明专利技术检测精度较高，能够较准确的反应血压的变化趋势，检测值与实际值的相关性较好，实现了血压实时、准确的监测。同时本发明专利技术的血压检测方法复杂度低，计算量小，能够有效的从光电容积脉搏波信号中提取血压，适用于各种现有的可穿戴设备，该方法利用线性回归的高效性，结合提取特征类型，根据不同特征类型与血压的相关性进行特征分类，通过对血压值的加权量化，实现了对血压的准确监测，适用于可穿戴设备中的血压检测。血压检测。血压检测。

【技术实现步骤摘要】
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


[0001]本专利技术属于数字信号处理
，涉及一种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。更具体地说，尤其涉及在便携式可穿戴设备上使用的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。

技术介绍

[0002]血压是最基本的生命体征之一，在医学诊断、健康监测、急慢性心血管疾病检测和预防等方面都有着重要的应用，因此，实现血压实时连续的准确监测具有重大的意义。
[0003]光电容积脉搏波信号(PPG)作为人体重要的生理信号之一，包含着丰富的心血管生理病理信息，且具有操作简便、无创、低成本、安全可靠等诸多优点。
[0004]PAT定义为脉搏波从一个动脉部位传播到另一动脉部位所花费的时间，它可以由ECG信号中的R峰值到PPG信号峰值所花费的时间表示。PPG信号和ECG信号的结合可用于确定脉冲传播时间(PAT)，已经有许多相关的论文和实验证明了PAT血压之间的近似线性关系，这种关系可以为无袖带血压检测提供理论基础。由Moens与Korteweg实验研究可知：人体等效长度为L的动脉血管中脉搏波传导时间计算公式为式中，h为血管壁厚度，D为血管内径，σ为血液密度，E为杨氏弹性模量，K为血管参数，这些值在一定时间内都为常量；又有血管弹性模量E与血管跨臂压(血管内外压力之差)P之间的关系为E＝E0e
αP
。式中，α表征血管特征，数值在0.016～0.018mmHg之间；E0是P为0时血管弹性模量，结合以上两式：对PAT求导有写成差分形式：以上内容可见，血压变化与PAT变化在一定范围内成负相关的线性关系。

技术实现思路

[0005](一)要解决的技术问题
[0006]本专利技术要解决的技术问题是如何提供一种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，以解决在可穿戴设备中的对人体血压实现准确监测的技术问题。
[0007](二)技术方案
[0008]为了解决上述技术问题，本专利技术提出一种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，该方法包括如下步骤：
[0009]Q1、信号采集和预处理，采集时间同步的一路脉搏波信号(PPG)和一路心电信号(ECG)，同时同步使用医疗设备采集的血压值作为真实血压值，将所取得的PPG信号和ECG信号划分成对应不同时间分段的信号，每个时间分段对应一组真实血压值的收缩压SBP和舒
张压DBP，对不同时间分段的PPG信号和ECG信号进行去噪处理；
[0010]Q2、特征点识别和特征值计算：对步骤Q1中得到的不同时间分段信号进行逐个处理：首先识别出每个脉搏周期的特征点，依据这些特征点计算不同特征类型的特征值，通过筛选和均值计算后得到每个特征类型对应该时间分段的特征值，将每个时间分段的数据合并得到初步的总体数据；
[0011]Q3、特征类型的筛选与分类：根据步骤Q2的得到的总体数据结合真实血压值计算出各个特征类型与血压的相关性，采用皮尔逊相关系数用来衡量相关性强弱，根据相关系数的大小将特征类型划分为基础特征类型和补充特征类型，并将相关性较差的特征类型删除；
[0012]Q4、数学模型的建立：拟合出各个特征类型与真实血压值的线性回归模型，采用最小二乘法对每个特征类型进行线性回归模型的构建，线性回归的形式为y＝似+b，y代表真实血压值，x代表特征值；分别计算各基础特征类型和补充特征类型对应的加权因子；
[0013]Q5、验证和输出：将Q3中取得的基础特征类型对应的特征值，合并记为特征向量X1，补充特征类型对应的特征值组合并记为特征向量X2，通过Q4中第i个基础特征类型与真实血压值的线性表达式：y＝a
i
x
i
+b
i
，计算血压基础值分量BP
base_i
，对血压基础值分量进行加权求和可得血压的基础值BP
base
；根据Q4中得到第j个补充特征类型与真实血压值的线性表达式：y＝a
j
x
j
+b
j
，计算得到的血压补充值分量BP
base_j
，对血压补充值分量进行加权求和可得血压的补充值BP
sup
；计算基础值和补充值之间的血压偏差值并量化，结合量化值和基础值得到血压最终检测值
[0014](三)有益效果
[0015]本专利技术提出一种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，本专利技术的技术方案检测精度较高，能够较准确的反应血压的变化趋势，检测值与实际值的相关性较好，实现了血压实时、准确的监测。同时本专利技术的血压检测方法复杂度低，计算量小，能够有效的从光电容积脉搏波信号中提取血压，适用于各种现有的可穿戴设备，该方法利用线性回归的高效性，结合本专利所提取特征类型，根据不同特征类型与血压的相关性进行特征分类，通过对血压值的加权量化，实现了对血压的准确监测，非常适用于可穿戴设备中的血压检测。
附图说明
[0016]图1为本专利技术总体流程示意图；
[0017]图2为本专利技术的血压计算模型的拟合模块计算流程示意图；
[0018]图3为本专利技术的血压检测值的验证和输出模块计算流程示意图；
[0019]图4为本专利技术的PPG信号分割示意图；
[0020]图5为本专利技术的基线校准步骤及效果示意图；
[0021]图6为本专利技术的PAT计算示意图；
[0022]图7为本专利技术的PPG波形特征及特征值计算示意图；
[0023]图8为本专利技术的特征分类及结果示意图；
[0024]图9为本专利技术的血压检测算法平均绝对误差MAE示意图；
[0025]图10为本专利技术的血压检测算法结果与真实血压相关性示意图；
[0026]图11为本专利技术的血压检测算法结果与真实血压值对比示意图。
具体实施方式
[0027]为使本专利技术的目的、内容和优点更加清楚，下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。
[0028]针对现有技术的上述缺陷和问题，本专利技术所要解决的技术问题是提供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，用于解决在可穿戴设备中的对人体血压实现准确监测的技术问题。
[0029]为了达到上述目的，本专利技术提供如下技术方案：
[0030]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，包括步骤：
[0031]Q1、信号采集和预处理，采集时间同步的一路脉搏波信号(PPG)和一路心电信号(ECG)，同时同步使用专业医疗设备采集的血压值作为真实血压值，将所取得的PPG信号和ECG信号划分成对应不同时间分段的信号，每个时间分段对应一组真实血压值的收缩压SBP和舒张压DBP，对不同时间分段的PPG信号和ECG信号进行平滑滤波和基线校准；
[0032]Q2、特征点提取和特征值计算，将Q1中不同时间分段的PPG信号和ECG信号逐个处理，所述PPG信号的一个脉搏波中有A本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种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，其特征在于，该方法包括如下步骤：Q1、信号采集和预处理，采集时间同步的一路脉搏波信号(PPG)和一路心电信号(ECG)，同时同步使用医疗设备采集的血压值作为真实血压值，将所取得的PPG信号和ECG信号划分成对应不同时间分段的信号，每个时间分段对应一组真实血压值的收缩压SBP和舒张压DBP，对不同时间分段的PPG信号和ECG信号进行去噪处理；Q2、特征点识别和特征值计算：对步骤Q1中得到的不同时间分段信号进行逐个处理：首先识别出每个脉搏周期的特征点，依据这些特征点计算不同特征类型的特征值，通过筛选和均值计算后得到每个特征类型对应该时间分段的特征值，将每个时间分段的数据合并得到初步的总体数据；Q3、特征类型的筛选与分类：根据步骤Q2的得到的总体数据结合真实血压值计算出各个特征类型与血压的相关性，采用皮尔逊相关系数用来衡量相关性强弱，根据相关系数的大小将特征类型划分为基础特征类型和补充特征类型，并将相关性较差的特征类型删除；Q4、数学模型的建立：拟合出各个特征类型与真实血压值的线性回归模型，采用最小二乘法对每个特征类型进行线性回归模型的构建，线性回归的形式为y＝ax+b，y代表真实血压值，x代表特征值；分别计算各基础特征类型和补充特征类型对应的加权因子；Q5、验证和输出：将Q3中取得的基础特征类型对应的特征值，合并记为特征向量X1，补充特征类型对应的特征值组合并记为特征向量X2，通过Q4中第i个基础特征类型与真实血压值的线性表达式：y＝a
i
x
i
+b
i
，计算血压基础值分量BP
base_i
，对血压基础值分量进行加权求和可得血压的基础值BP
base
；根据Q4中得到第j个补充特征类型与真实血压值的线性表达式：y＝a
j
x
j
+b
j
，计算得到的血压补充值分量BP
base_j
，对血压补充值分量进行加权求和可得血压的补充值BP
sup
；计算基础值和补充值之间的血压偏差值并量化，结合量化值和基础值得到血压最终检测值。2.如权利要求1所述的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，其特征在于，所述Q1中的时间分段的长度为10
‑
20s。3.如权利要求1所述的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，其特征在于，所述Q1的去噪处理包括平滑滤波和基线校准，其中，信号平滑滤波点数为3，即对每个信号点取左右相邻点及其自身值的平均值作为这个信号点的值。4.如权利要求3所述的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，其特征在于，所述基线校准包括使用三次样条插值法进行基线校准，具体包括：首先，对于每段PPG信号，利用波峰大致计算出该段信号的脉搏周期N，然后以脉搏周期N为滑动窗口，以0.2*N为步长，求出每次滑动窗口内的最小值用来代表一个脉搏周期内的波谷所在；利用这些波谷结合三次样条插值法求出每段信号的下包络，最后利用原始信号减去下包络即可得到去除基线漂移的信号。5.如权利要求1所述的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，其特征在于，所述步骤Q2中识别出每个脉搏周期的特征点具体包括：所述PPG信号的一个脉搏波中有A点、B点、C点、D点和E点五个特征点，A点为起点，B点为主波峰及最大值点，C点为次波谷，D点为次波峰，E点为终点，E点是下一个周期波形的起点，其中A点、E点两点均为主波谷及最小值点；所述ECG信号中提取的特征点为P点，即一个心电波形的主波峰。
6.如权利要求5所述的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，其特征在于，所述步骤Q2中依据这些特征点计算不同特征类型的特征值具体包括：选取与时间相关的特征类型：脉冲传播时间PAT，收缩期时间占比t1/t，舒张期时间占比t2/t，心率Hr；与幅度相关的特征类型：降中峡相对高度h2/h1，重搏波相对高度h3/h1；与面积相关的特征类型：脉搏特征值K1＝Sabcu/Safhu，K2＝Sucde/Suhie；计算每个特征类型在每个时间段...

【专利技术属性】
技术研发人员：袁学光，王琦，张阳安，张锦南，刘雨飞，朱越凡，郜政，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：