一种血压测量装置制造方法及图纸

本发明专利技术公开了一种血压测量装置，包括压力气囊、压力传感器和数据处理器，压力气囊压迫血管的同时，所述压力传感器采集原始压力信号，并将所述原始压力信号传递给所述数据处理器；所述数据处理器采用如下方法处理原始压力信号并获得血压值：从所述原始压力信号中分离出脉搏波信号；从所述脉搏波信号中提取特征值；将所述特征值作为回归模型的输入，得到血压值。本发明专利技术通过建立合适的回归模型，兼顾脉搏波信号中多种形态特征的影响，保证血压测量装置得到的测量结果更加准确。装置得到的测量结果更加准确。装置得到的测量结果更加准确。

【技术实现步骤摘要】
一种血压测量装置


[0001]本专利技术涉及血压测量装置，具体为一种基于回归模型的血压测量装置。

技术介绍

[0002]血压是人体的一项重要生理参数，在临床诊断中具有十分重要的价值。
[0003]目前，市面上的大多数电子血压计都是通过示波法进行血压测量，再通过识别平均压(ABP)进而利用系数公式推导出相应的舒张压(DBP)与收缩压(SBP)。对于不同的电子血压计，这个推算公式可以进行各种演变，最终得到一个更加适用于当前电子血压计的数学关系。
[0004]但是在实际应用中，上述数学关系并不只是单一线性变换公式，从脉搏波信号中提取的特征值不同，经过相同逻辑的变换公式得到的血压值也会大不相同，需要考虑多种因素的不同影响，因此如何处理获取的原始信号并从原始信号中得到准确的血压值变得更加难和更加必要。

技术实现思路

[0005]本专利技术的目的是为了提供一种血压测量装置，通过建立合适的回归模型，兼顾脉搏波信号中多种形态特征的影响，保证血压测量装置得到的测量结果更加准确。
[0006]为了实现上述专利技术目的，本专利技术采用了以下技术方案：一种血压测量装置，包括压力气囊、压力传感器和数据处理器，压力气囊压迫血管的同时，所述压力传感器采集原始压力信号，并将所述原始压力信号传递给所述数据处理器；所述数据处理器采用如下方法处理原始压力信号并获得血压值：从所述原始压力信号中分离出脉搏波信号；从所述脉搏波信号中提取特征值；将所述特征值作为回归模型的输入，得到血压值。
[0007]原始压力信号是由直流压力信号与交流的脉搏波信号叠加而成的，通过滤波处理将二者分离，直流部分用于实际压力值的对照，交流部分用于脉搏波特征提取。脉搏波信号提取出来后从所述脉搏波信号中获取特征值，将所述特征值作为回归模型的输入，得到血压值。
[0008]优选的，特征值从脉搏波信号中提取，主要为脉搏波特征、压力特征以及时间位置特征，具体的，包括但不限于以下任意一种或多种的组合：
[0009](a)ABP：最大压力值，脉搏波信号中震荡幅值最大时对应的压力值；
[0010](b)ABP
p
：最大压力值的位置，ABP所在的时间点ABP
t
和采样频率fs的乘积，即ABP
p
＝ABP
t
*fs；
[0011](c)SBP0：收缩压参考压力值，为脉搏波信号中最大压力值ABP的比例振幅对应压力值，即SBP0＝ABP*S
SBP
，其中，S
SBP
为收缩压比例系数；
[0012](d)SBP
p
：收缩压参考压力值的位置，在脉搏波信号中位于最大压力值ABP后的下降段中，SBP0所在的时间点SBP
t
和采样频率fs的乘积，即SBP
p
＝SBP
t
*fs；
[0013](e)DBP0：舒张压参考压力值，为脉搏波信号中最大压力值ABP的比例振幅对应压
力值，即DBP0＝ABP*S
DBP
，其中，S
DBP
为舒张压比例系数；
[0014](f)DBP
p
：舒张压参考压力值的位置，脉搏波信号中位于最大压力值ABP前的上升段中，DBP0所在的时间点DBP
t
和采样频率fs的乘积，即DBP
p
＝DBP
t
*fs；
[0015](g)OSBP：对称参考压力值，在脉搏波信号中位于最大压力值ABP前的上升段中，最大压力值ABP的比例振幅对应的压力值；
[0016](h)BP
p
：气囊补偿气压值，当压力气囊达到补偿点时的压力值，所述补偿点的位置通过脉搏波信号中的脉搏波数量和振幅确定。
[0017]优选的，所述回归模型采用多元线性回归模型。多元线性回归是针对一个因变量由多个自变量决定的情况，即
[0018]h
θ
(x1,x2,...x
n
)＝θ0+θ1x1+...+θ
n
x
n
[0019]在本模型中，采用均方误差作为损失函数，即
[0020][0021]其中m为样本的个数，n为样本的特征数，为真实值。
[0022]优选的，所述回归模型也可以采用支持向量机回归模型。使用支持向量机回归模型(SVM回归模型)寻找一个超平面使得样本点尽量拟合到一个线性模型上，即
[0023]y
i
＝ω
T
x
i
+b
[0024]在本模型中，采用误差函数ε作为损失函数，如果预测值y
i
与真实值之间的差值则不产生损失；否则损失代价为
[0025]优选的，所述回归模型采用随机森林回归模型。随机森林回归模型通过决策树作为弱学习器，经过多次迭代后，输出最终的强学习结果。
[0026]假设输入数据集D＝{(x1,y1),(x2,y2),...(xj,yj)}，弱分类器多次迭代，次数为T，进而输出为最终的强分类器。
[0027]在本模型中，对于t＝1,2,
…
,T时，对训练集进行第t次随机采样，共采集j次，得到包含j个样本的采样集Dj；用采样集Dj训练第j个决策树模型Gj(x)，在训练决策树模型的节点的时候，在节点上所有的样本特征中选择一部分样本特征，在这些随机选择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分。如果本模型采用分类算法预测，则T个弱学习器投出最多票数的类别或者类别之一为最终类别。如果是回归算法，T个弱学习器得到的回归结果进行算术平均得到的值为最终的模型输出。随机森林回归模型的算法可以根据实际需求进行选择。
[0028]优选的，所述回归模型采用以下训练方法：
[0029]数据采集：通过所述血压测量装置获取测试数据，通过水银血压计获取参考数据；一测试数据和相对应的一参考数据为组合数据，采集组合数据S组；
[0030]其中，一组组合数据内的测试数据和参考数据来自同一血压测量者，所述测试数据为原始压力信号，所述参考数据包括参考舒张压值和参考收缩压值；
[0031]数据处理：从所述测试数据中分离，得到每组测试数据中的脉搏波信号；
[0032]特征值提取：从S组脉搏波信号中，分别提出单个或者多个所述特征值；
[0033]数据集筛选：将所述参考数据中的舒张压值和收缩压值作为标签值，所述标签值与组合数据中相应的特征值相对应，将在S组相应的特征值与标签值按比例筛选出训练集和测试集。
[0034]优选的，所述训练方法中的所述数据集筛选后，还包括预测效果验证：将每组组合数据中的特征值作为回归模型的输入，得到预测血压值，所述预测血压值包括预测舒张压值和预测收缩压值；根据不同组中预测血压值和所述参考血压值判断所述回归模型的预测效果。
[0035]优选的，所述预测效果验证还包括：通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种血压测量装置，其特征在于：包括压力气囊、压力传感器和数据处理器，压力气囊压迫血管的同时，所述压力传感器采集原始压力信号，并将所述原始压力信号传递给所述数据处理器；所述数据处理器采用如下方法处理原始压力信号并获得血压值：从所述原始压力信号中分离出脉搏波信号；从所述脉搏波信号中提取特征值；将所述特征值作为回归模型的输入，得到血压值。2.根据权利要求1所述的血压测量装置，其特征在于：所述特征值包括以下任意一种或多种的组合：(a)ABP：最大压力值，脉搏波信号中震荡幅值最大时对应的压力值；(b)ABP
p
：最大压力值的位置，ABP所在的时间点ABP
t
和采样频率fs的乘积，即ABP
p
＝ABP
t
*fs；(c)SBP0：收缩压参考压力值，为脉搏波信号中最大压力值ABP的比例振幅对应压力值，即SBP0＝ABP*S
SBP
，其中，S
SBP
为收缩压比例系数；(d)SBP
p
：收缩压参考压力值的位置，在脉搏波信号中位于最大压力值ABP后的下降段中，SBP0所在的时间点SBP
t
和采样频率fs的乘积，即SBP
p
＝SBP
t
*fs；(e)DBP0：舒张压参考压力值，为脉搏波信号中最大压力值ABP的比例振幅对应压力值，即DBP0＝ABP*S
DBP
，其中，S
DBP
为舒张压比例系数；(f)DBP
p
：舒张压参考压力值的位置，脉搏波信号中位于最大压力值ABP前的上升段中，DBP0所在的时间点DBP
t
和采样频率fs的乘积，即DBP
p
＝DBP
t
*fs；(g)OSBP：对称参考压力值，在脉搏波信号中位于最大压力值ABP前的上升段中，最大压力值...

【专利技术属性】
技术研发人员：王怡，盛奕冰，
申请(专利权)人：研和智能科技杭州有限公司，
类型：发明
国别省市：