一种基于特征融合的血压预测方法技术

本发明专利技术公开了一种基于特征融合的血压预测方法，对原始脉搏波信号的采集；对原始脉搏波信号依次进行滤波、去除基线漂移和单周期提取等预处理得到处理后的脉搏波信号；对步骤2中处理后的脉搏波信号进行特征提取，得到预处理后的脉搏波信号的时域特征、压力脉搏波在不同等级压力下的幅度变化特征，以及容积脉搏波传导速度，并基于嵌入式特征选择法完成特征的筛选融合，得到用于血压预测的特征集；基于随机森林回归算法对特征集进行训练，得到SBP和DBP预测模型；利用SBP和DBP预测模型对血压进行预测。本发明专利技术实现现了SBP和DBP准确有效的预测，能够满足AAMI使用标准，具有预测准确的特点。点。点。

【技术实现步骤摘要】
一种基于特征融合的血压预测方法


[0001]本专利技术涉及血压预测方法
，具体为一种基于特征融合的血压预测方法。

技术介绍

[0002]动脉血压是判断人体心血管系统健康状态的重要生理指标，对脉象信号的分析识别也具有重要作用。近来，无创血压测量技术随着科技水平的提高不断进步，在临床应用中取得了较大的进展。与有创式相比，无创式具有更高的安全性和便捷性，适用于穿戴式设备的应用中。
[0003]当前基于脉搏波进行无创血压预测的方法主要有两大类[84]，一类是通过监测脉搏波在外部压力连续递增时的变化，确定相应的收缩压(Systolic Blood Pressure，SBP)和舒张压(Diastolic Blood Pressure，DBP)，另一类是提取脉搏波自身携带的信息，如时域参数、频域参数、传播速度等与血压具有相关性的特征，而后建立SBP和DBP的预测模型。前者常见于基于柯氏音法、示波法、容积振动法等原理的血压测量中；后者常通过建立血压与特征之间的拟合关系式或利用机器学习算法建立回归模型完成血压的预测。第一类方法能够获得较为准确的血压值，但是通常需要对上肢连续加压，设备复杂、耗时较长，长期使用易造成伤害；第二类测量方法较便捷，适合应用在血压的快速测量中，但是需要获取与血压相关性较强的特征，以提高血压预测的精度。因此我们对此做出改进，提出一种基于特征融合的血压预测方法。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供了如下的技术方案：
[0005]本专利技术基于特征融合的血压预测方法包括以下几个步骤：
[0006]步骤1：原始脉搏波信号的采集，通过检测手环对腕部桡动脉处的压力脉搏波信号、容积脉搏波信进行采集，通过检测指夹对指端的容积脉搏波信号进行采集，得到原始脉搏波信号；
[0007]步骤2：对原始脉搏波信号依次进行滤波、去除基线漂移和单周期提取等预处理得到处理后的脉搏波信号；
[0008]步骤3：对步骤2中处理后的脉搏波信号进行特征提取，得到预处理后的脉搏波信号的时域特征、压力脉搏波在不同等级压力下的幅度变化特征，以及容积脉搏波传导速度，并基于嵌入式特征选择法完成特征的筛选融合，得到用于血压预测的特征集；
[0009]步骤4：基于随机森林回归算法对特征集进行训练，得到SBP和DBP预测模型；利用SBP和DBP预测模型对血压进行预测断。
[0010]作为本专利技术的一种优选技术方案，所述步骤2中对原始脉搏波信号进行滤波的方法是采用零相位滤波算法进行滤波，具体包括以下几个步骤，
[0011]步骤1，将原始脉搏波信号按顺序正向输入滤波器，得到一组输出脉搏波数据；
[0012]步骤2，将输出脉搏波数据按顺序首尾调换，即得到包含逆转后的数据的逆转数据
组；
[0013]步骤3，将逆转后的数据输入滤波器，得到一组新脉搏波数据；
[0014]步骤4，将新脉搏波数据再次按顺序首尾调换进行逆转，即为最终的脉搏波信号。
[0015]作为本专利技术的一种优选技术方案，所述步骤2中对滤波后的脉搏波信号进行去除基线漂移的方法是，首先定位脉搏波信号中各个周期的波谷点，随后使用波谷点拟合出基线，最后通过求取信号与基线的差值校正信号整体的波动；因为主波波峰点处于较明显的位置，因此首先定位波峰点，再通过向前寻找极小值点定位波谷点；
[0016]其中波峰点的定位是通过窗口切分法实现，窗口切分法包括以下几个步骤，
[0017]步骤1，将滤波后的脉搏波切分成n段窗口且长度为w的波形；
[0018]步骤2，寻找出每段窗口波形中的最大值点，并记录位置；
[0019]步骤3，从第一个窗口开始，将该窗口内的最大值与其相邻的左右10个窗口内的最大值比较，若该点为最大值，则将其标记为波峰点，然后滑动至下一个窗口，重复此步骤，直至最后一个窗口。
[0020]作为本专利技术的一种优选技术方案，所述步骤3中对除基线漂移后脉搏波信号进行单周期提取的方法是，包括以下几个步骤，，
[0021]步骤1，首先将去除基线漂移处理定位的脉搏波波谷点，切分出多个单周期波形；
[0022]步骤2，剔除异常单周期波形，这些异常波形可能是由于人体的运动导致的，主要为波形长度过长或过短、幅值过大的区间；
[0023]步骤3，计算各个单周期波形最大的长度，对低于该长度的值进行补零操作；
[0024]步骤4，计算所有周期同一个采样点的平均值，并去除末尾多余的均值为零的采样点，生成单周期波形；
[0025]步骤5，进行平均处理，因为脉搏波信号是一种准周期信号，由于每个单周期信号都可能会受到外部因素的影响导致存在细微的波形差异，因此为使提取出的单周期信号具有代表性，需要将所有提取的周期进行平均处理。
[0026]作为本专利技术的一种优选技术方案，所述步骤3中对脉搏波信号的时域特征的提取方法是，使用特征点法和脉图面积法从脉搏波中提取了多个时域特征。
[0027]作为本专利技术的一种优选技术方案，所述步骤3中提取压力脉搏波在不同等级压力下的幅度变化特征的方法是，通过检测手环腕部压力脉搏波信号，获取了脉搏波的幅值，并将其作为预测血压的特征，由于不同人的皮肤、血管等硬度不同，以及在实际采集中加压压力存在一定的误差，使得在相同加压等级和血压作用下采集得到的脉搏波幅值仍会存在较大差异，因此需要将脉搏波幅值与实际压力两个参数进行融合。采用比值的方式融合压力值P与幅值H，获得低压等级下H1/P1、中压等级下H2/P2和高压等级下H3/P3三个特征。
[0028]作为本专利技术的一种优选技术方案，所述的容积脉搏波传播速度PWV特征提取的方法是，使用腕部光电传感器和指端光电传感器测量容积脉搏波在局部动脉中的传播速度，根据公式其中PTT为可获取脉搏波传导时间，L为传播距离，
[0029]得PWV需通过PTT确定，通过采用两路容积脉搏波信号中的典型标志点，如起始点、波峰点；计算手部动脉中的PTT值，具体过程如下，
[0030](1)在获取脉搏波信号中波峰点的基础上，分别记录下腕部容积脉搏波中每个周
期的波峰点位置，以及指端容积脉搏波对应周期中的波峰点位置；
[0031](2)计算每个周期中，两路信号波峰点之间的采样点数n，并根据采样频率fs得出时间差t＝n/fs；
[0032](3)求取两路信号中各个周期时间差的平均值，最终获得PTT值，并根据两个传感器间的距离L计算得出PWV值。
[0033]作为本专利技术的一种优选技术方案，使用机器学习模型，得出原始特征集中各个特征在模型中实际预测时所占据的权值，从中去除作用较小的特征，获得最终的特征集。
[0034]本专利技术的有益效果是：该种基于特征融合的血压预测方法，主要是原始脉搏波信号的采集，通过检测手环对腕部桡动脉处的压力脉搏波信号、容积脉搏波信进行采集，通过检测指夹对指端的容积脉搏波信号进行采集，得到原始脉搏波信号；对原始脉搏波信号依次进行滤波、去除基线漂移和单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征融合的血压预测方法，其特征在于，包括以下几个步骤：步骤1：原始脉搏波信号的采集，通过检测手环对腕部桡动脉处的压力脉搏波信号、容积脉搏波信进行采集，通过检测指夹对指端的容积脉搏波信号进行采集，得到原始脉搏波信号；步骤2：对原始脉搏波信号依次进行滤波、去除基线漂移和单周期提取等预处理得到处理后的脉搏波信号；步骤3：对步骤2中处理后的脉搏波信号进行特征提取，得到预处理后的脉搏波信号的时域特征、压力脉搏波在不同等级压力下的幅度变化特征，以及容积脉搏波传导速度，并基于嵌入式特征选择法完成特征的筛选融合，得到用于血压预测的特征集；步骤4：基于随机森林回归算法对特征集进行训练，得到SBP 和 DBP 预测模型；利用SBP 和 DBP 预测模型对血压进行预测。2.根据权利要求1所述的基于特征融合的血压预测方法，其特征在于，所述步骤2中对原始脉搏波信号进行滤波的方法是采用零相位滤波算法进行滤波，具体包括以下几个步骤，步骤1，将原始脉搏波信号按顺序正向输入滤波器，得到一组输出脉搏波数据；步骤2，将输出脉搏波数据按顺序首尾调换，即得到包含逆转后的数据的逆转数据组；步骤3，将逆转后的数据输入滤波器，得到一组新脉搏波数据；步骤4，将新脉搏波数据再次按顺序首尾调换进行逆转，即为最终的脉搏波信号。3.根据权利要求2所述的基于特征融合的血压预测方法，其特征在于，所述步骤2中对滤波后的脉搏波信号进行去除基线漂移的方法是，首先定位脉搏波信号中各个周期的波谷点，随后使用波谷点拟合出基线，最后通过求取信号与基线的差值校正信号整体的波动；因为主波波峰点处于较明显的位置，因此首先定位波峰点，再通过向前寻找极小值点定位波谷点；其中波峰点的定位是通过窗口切分法实现，窗口切分法包括以下几个步骤，步骤1，将滤波后的脉搏波切分成 n 段窗口且长度为 w 的波形；步骤2，寻找出每段窗口波形中的最大值点，并记录位置；步骤3，从第一个窗口开始，将该窗口内的最大值与其相邻的左右 10 个窗口内的最大值比较，若该点为最大值，则将其标记为波峰点，然后滑动至下一个窗口，重复此步骤，直至最后一个窗口。4.根据权利要求3所述的基于特征融合的血压预测方法，其特征在于，所述步骤3中对除基线漂移后脉搏波信号进行单周期提取的方法是，包括以下几个步骤，，步骤1，首先将去除基线漂移处理定位的脉搏波波谷点，切分出多个单周期波形；步骤2，剔除异常单周期波形，这些异常波形可能是由于人体的运动导致的，主要为波形长度过长或过短、幅值过大的区间；步骤3，计算各个单周期波形最大的长度，对低于该长度的值进行补零操作；步骤4，计算所有周期同一个...

【专利技术属性】
技术研发人员：郭睿，颜建军，燕海霞，王忆勤，朱光耀，蔡祥磊，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：