连续无创血压和心功能参数监测系统及方法

1.本发明涉及医疗器械技术领域，具体而言，涉及一种连续无创血压和心功能参数监测系统及方法。


背景技术：

2.心血管系统疾病，特别是高血压、心脏衰竭、心肌梗死等疾病，每年会造成数以千万计的死亡，是威胁人类生存的最重要的疾病之一。通过测量血压和心功能参数实现对心血管系统疾病的早期监测、诊断和干预治疗，是评估心血管状态的重要手段，可以有效减少心血管相关的死亡风险，提高生存质量。
3.脉搏波是最直接反映人体心血管状态的关键生理信号之一，研究人员通常使用脉搏传感器监测脉搏波的各项特征指标。但脉搏传感器的实际应用还存在诸多挑战。对于大部分没有专业医学背景的普通人而言，特别是对于脉搏波本身较弱的病人而言，往往很难精准定位到脉搏所在位置；传感器在实际使用过程中不可避免地会出现滑移问题，这些因素通常导致无法准确获取高质量的脉搏信号。更为重要的是，即便获得了高质量的脉搏信号也很难从中提取血压和心功能参数等心血管状态相关信息。
4.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。


技术实现要素：

5.本发明为了获得高质量的脉搏信号，以从中提取出血压和心功能参数，提出了一种连续无创血压和心功能参数监测系统及方法。
6.为了实现上述目的，根据本发明的一个方面，提供了一种连续无创血压和心功能参数监测系统，该系统包括：脉搏波采集模块、脉搏波信号预处理模块以及血压和心功能参数分析模块；
7.所述脉搏波采集模块，用于采集脉搏波信号；
8.所述脉搏波信号预处理模块，用于从采集的脉搏波信号中提取出高质量的脉搏信号；
9.所述血压和心功能参数分析模块，用于根据所述高质量的脉搏信号以及预先训练出的血压和心功能参数预测模型确定血压和心功能参数。
10.为了实现上述目的，根据本发明的另一方面，提供了一种连续无创血压和心功能参数监测方法，该方法包括：
11.获取脉搏波采集模块采集的脉搏波信号；
12.从采集的脉搏波信号中提取出高质量的脉搏信号；
13.根据所述高质量的脉搏信号以及预先训练出的血压和心功能参数预测模型确定血压和心功能参数。
14.本发明的有益效果为：
15.本发明能够采集人体体表的脉搏波信号，进而提取出高质量的脉搏信号，进而通过预测模型计算分析人体的血压和心功能参数，本发明所采集的人体脉搏波信号具有高精度和富含丰富特征信息的优点，所预测的血压和心功能参数具有精确度高、误差小的优点。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
17.图1为本发明设计的连续无创血压和心功能参数监测系统示意图；
18.图2为本发明使用的应变传感器阵列的性能，其中图2中的(a)至(f)分别为按压手指按压不同位置时的传感器的响应；
19.图3为本发明所述的脉搏波传感器采集脉搏的原理示意图；
20.图4为本发明使用的脉搏波传感器在没有精准定位的情况下采集到的脉搏信号；
21.图5为本发明使用的脉搏波传感器与传统光电容积描计传感器采集的脉搏信号对比图，其中(a)为本发明使用的脉搏波传感器采集的脉搏信号，(b)为光电容积描计传感器采集的脉搏信号；
22.图6为本发明构建的脉搏波采集模块的原理、功能示意图；
23.图7为本发明构建的信号转化单元和多通道模数转换单元的结构原理示意图；
24.图8为本发明构建的脉搏波信号预处理模块的原理、功能示意图；
25.图9为本发明使用的小波变换预处理算法结构示意图；
26.图10为本发明构建的脉搏波预处理模块进行脉搏筛选的效果示意图，其中方框标识的脉搏为低质量信号，圆圈标识的脉搏为高质量脉搏信号；
27.图11为本发明构建的脉搏波预处理模块进行脉搏筛选的正确率；
28.图12为本发明构建的血压和心功能参数分析模块的功能和原理示意图；
29.图13为本发明构建的深度学习模型的损失函数值随算法运行迭代次数的变化曲线；
30.图14为本发明构建的深度学习算法预测的血压与医用每搏连续血压监测装置测量的血压值之间的对比，其中(a)为血压预测值和血压测量值之间的对比图，(b)为血压预测值和血压测量值之间的对比小提琴图，(c)为血压预测值和血压测量值的预测平均绝对误差；
31.图15为本发明对比例使用的其他预测算法预测血压的效果，其中(a)为线性回归，(b)为支持向量机，(c)岭回归，(d)随机森林，(e)为自适应增强回归；
32.图16为本发明构建的深度学习算法预测脉压差变异率的效果，其中(a)为损失函数随算法迭代次数变化曲线，(b)为预测的脉压差变异率和通过医用设备测量的脉压差变异率的对比小提琴图；
33.图17为本发明构建的深度学习算法预测每分心输出量的效果，其中(a)为损失函数随算法迭代次数变化曲线，(b)为预测的每分心输出量和通过医用设备测量的每分心输出量的对比小提琴图；
34.图18为本发明构建的深度学习算法预测每搏心输出量的效果，其中(a)为损失函数随算法迭代次数变化曲线，(b)为预测的每搏心输出量和通过医用设备测量的每搏心输出量的对比小提琴图；
35.图19为本发明构建的深度学习算法预测总外周阻力的效果，其中(a)为损失函数随算法迭代次数变化曲线，(b)为预测的总外周阻力和通过医用设备测量的总外周阻力的对比小提琴图；
36.图20为本发明构建的显示预警模块的原理、功能示意图；
37.图21为本发明构建的显示预警程序流程框图和程序页面截图，其中(a)为显示预警程序流程框图，(b)为实时显示预警程序页面截图；
38.图22为本发明构建的连续无创血压和心功能参数监测系统应用场景示意图；
39.图23为本发明构建的连续无创血压和心功能参数监测系统应用场景示实物照片；
40.图24为本发明构建的连续无创血压和心功能参数监测系统在实际应用过程中监测血压的效果图；
41.图25为本发明构建的连续无创血压和心功能参数监测系统在实际应用过程中监测心功能参数的效果图，其中(a)为脉压差变异率，(b)为每分心输出量，(c)为每搏心输出量，(d)为总外周阻力。
具体实施方式
42.为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
43.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
44.除了在操作实施例中所示以外或另外表明之外，所有在说明书和权利要求中表示成分的量、物化性质等所使用的数字理解为在所有情况下通过术语“约”来调整。例如，因此，除非有相反的说明，否则上述说明书和所附权利要求书中列出的数值参数均是近似值，本领域的技术人员能够利用本文所公开的教导内容寻求获得的所需特性，适当改变这些近似值。用端点表示的数值范围的使用包括该范围内的所有数字以及该范围内的任何范围，例如，1至5包括1、1.1、1.3、1.5、2、2.75、3、3.80、4和5等。
45.本发明的实施例，提供一种连续无创血压和心功能参数监测系统，包含脉搏波采集模块、脉搏波信号预处理模块、血压和心功能参数分析模块、显示预警模块；所述脉搏波采集模块，用于采集脉搏波信号；所述脉搏波信号预处理模块，用于从采集的脉搏波信号中提取出高质量的脉搏信号；所述血压和心功能参数分析模块，用于根据所述高质量的脉搏信号以及预先训练出的血压和心功能参数预测模型确定血压和心功能参数；所述显示预警模块用于数据显示以及在出现异常时发送预警信息。
46.在本发明一个实施例中，所述脉搏波采集模块包括高灵敏脉搏波传感器、信号转
化单元和多通道模数转换单元，所述高灵敏脉搏波传感器为应变传感器阵列和/或压力传感器阵列中的一种或多种，所述信号转化单元为基于定值电阻和/或可变电阻的电阻转电压模块，所述多通道模数转换单元为多通道采集卡和/或arduino单片机和/或stm32单片机；所述脉搏波信号预处理模块包括小波变换算法和切分筛选算法，分别具有降噪、去基线和切分、筛选高质量脉搏信号的功能；所述血压和心功能参数分析模块包括但不限于四个卷积层、三个最大池化层和两个全连接层；所述显示预警模块，包括但不限于云端数据库和智能终端应用程序。
47.在本发明一个实施例中，所述血压具体包括：收缩压、舒张压及平均压；所述心功能参数具体包括：脉压差变异率、每分心输出量、每搏心输出量及总外周阻力。
48.脉搏波是最直接反映人体心血管状态的关键生理信号之一，通过脉搏传感器可以监测脉搏波的各项特征指标。但脉搏传感器的实际应用还存在诸多挑战。对于没有专业医学背景的普通人而言，往往很难精准定位到脉搏所在位置，且传感器中不可避免地会出现滑移，因此无法准确获取高质量的脉搏信号。更为重要的是，即便获得了高质量的脉搏信号，普通人也很难从中提取血压和心功能参数等心血管状态相关信息。因此，迫切需要开发一种智慧、简便、无需精准定位的新型脉搏信号采集分析系统，可以高质量地采集脉搏信号并预测血压和心功能参数。本发明提出的新型连续无创血压和心功能参数监测系统，可以在无需精准定位的基础上采集人体脉搏信号，并自动分析血压和心功能参数。
49.本发明的连续无创血压和心功能参数监测系统可以在无需精准定位的基础上采集脉搏，并实现对收缩压、舒张压及平均压和脉压差变异率、每分心输出量、每搏心输出量及总外周阻力的连续无创监测。在一些优选实施例中，通过所述无创血压和心功能参数监测系统预测的血压与医用每搏连续无创血压监测系统采集的血压相比，二者平均绝对误差不到3mmhg。
50.本发明提供了一种高性能的脉搏波采集模块制备方法，包括以下步骤：
51.s101.将脉搏传感器贴附于桡动脉附近，并采集因桡动脉体积变化造成的皮肤变形信号，通过脉搏波传感器将皮肤变形信号转化为电阻变化；
52.s102.使用基于定值电阻和/或可变电阻的电阻转电压模块，将电阻变化转化为电压波动；
53.s103.使用多通道采集卡和/或arduino单片机和/或stm32单片机等多通道模数转换单元，采集电压波动。
54.图6为本发明构建的脉搏波采集模块的原理、功能示意图，如图6所示，本发明应变传感器阵列检测到的皮肤变形信号通过信号转化单元和多通道模数转换单元转化为电压表示的脉搏信号。
55.图1为本发明设计的连续无创血压和心功能参数监测系统示意图，如图1所示，本发明将脉搏传感器贴附于用户桡动脉附近，并通过信号转化单元和多通道模数转换单元将脉搏传感器采集的因桡动脉体积变化造成的皮肤变形信号转化为脉搏信号。进而基于包含卷积层和全连接层的血压和心功能参数预测模型对血压和心功能参数进行预测。
56.使用本发明实施例提供的脉搏波采集模块采集脉搏，一方面可以在无需精准定位的情况下实现脉搏的采集，另一方面采集的脉搏信号具有极高的质量，可以从中提取脉搏波起始点、主波、潮波切迹、潮波、重播波切迹、重播波及其衍生特征信息。
57.步骤s101中，所述脉搏波传感器为应变传感器阵列、压力传感器阵列中的一种或多种。
58.图2为本发明使用的应变传感器阵列的性能，其中图2中的(a)至(f)分别为按压手指按压不同位置时的传感器的响应。图3为本发明所述的脉搏波传感器采集脉搏的原理示意图。
59.图4为本发明使用的脉搏波传感器在没有精准定位的情况下采集到的脉搏信号，如图4所示，由于本发明采用了传感器阵列可以保证在没有精准定位的情况下采集较好的脉搏信号。
60.图5为本发明使用的脉搏波传感器与传统光电容积描计传感器采集的脉搏信号对比图，其中(a)为本发明使用的脉搏波传感器采集的脉搏信号，(b)为光电容积描计传感器采集的脉搏信号。如图5所示，本发明使用的脉搏波传感器采集的脉搏信号比为光电容积描计传感器采集的脉搏信号更为准确。
61.步骤s102中，所述定值电阻和/或可变电阻的阻值为0.1ω～100mω中的任意值，包括但不限于0.1ω、1ω、10ω、100ω、1kω、10kω、100kω、1mω、10mω、100mω。
62.步骤s103中，所述多通道模数转换单元，包括但不限于多通道采集卡、arduino单片机、stm32单片机中的一种或多种。
63.图7为本发明一个实施例构建的信号转化单元和多通道模数转换单元的结构原理示意图。
64.本发明的还一方面，提供了一种基于小波变换的脉搏波信号的预处理算法，包括以下步骤：
65.s201.通过小波变换对采集的脉搏波信号进行降噪处理，去除高频噪声；
66.s202.通过小波变换对采集的脉搏波信号进行去基线处理，去除低频基线偏移；
67.s203.通过识别算法对经过降噪和去基线处理的脉搏波信号提取脉搏起始特征点，并按照脉搏周期进行切分；
68.s204.通过筛选算法对切分后的脉搏信号进行筛选，筛选出高质量的脉搏信号。
69.图8为本发明构建的脉搏波信号预处理模块的原理、功能示意图，如图8所示，使用本发明实施例提供的脉搏波预处理算法，一方面可以保留脉搏波信号主要特征信息的基础上去除高频噪声和低频基线漂移，另一方面可以按照脉搏周期对传感器采集的连续脉搏信号进行切分并筛选出高质量的脉搏信号。
70.步骤s201中，所述小波变换的小波基函数包括但不限于sym2、sym3、sym4、sym5、sym6、sym7、sym8、db1、db2、db3、db4、db5、db6、db7、db8、db9、db10、coif1、coif2、coif3、coif4、coif5、harr等，所述小波变换分解层数包括但不限于1、2、3、4、5、6、7、8、9、10层，所述降噪算法包括但不限于软阈值降噪、硬阈值降噪和软硬阈值折中降噪。
71.图9为本发明一个实施例使用的小波变换预处理算法结构示意图。
72.步骤s202中，所述小波变换的小波基函数包括但不限于sym2、sym3、sym4、sym5、sym6、sym7、sym8、db1、db2、db3、db4、db5、db6、db7、db8、db9、db10、coif1、coif2、coif3、coif4、coif5、harr等，所述小波变换分解层数包括但不限于3、4、5、6、7、8、9、10、11、12层。
73.步骤s203中，所述识别算法，可以提取脉搏特征信息，包括但不限于脉搏起始点、主波、潮波切迹、潮波、重播波切迹、重播波、主波、收缩期上升时间、心跳周期、反射波传输
时间、脉搏主波到重搏波的时间、左心室射血时间、脉搏波斜率峰值与脉搏主峰的时间差、潮波与主波的强度比、收缩期上升到25％最大脉搏强度对应的脉搏波宽度、舒张期下降到25％最大脉搏强度对应的脉搏波宽度、50％最大脉搏强度对应的脉搏波宽度、70％最大脉搏强度对应的脉搏波宽度；所述识别算法还可以按脉搏周期对脉搏信号进行切分。
74.步骤s204中，所述筛选算法可以按照脉搏特征信息筛选出高质量的脉搏信号。
75.图10为本发明一个实施例构建的脉搏波预处理模块进行脉搏筛选的效果示意图，其中方框标识的脉搏为低质量信号，圆圈标识的脉搏为高质量脉搏信号。
76.图11为本发明构建的脉搏波预处理模块进行脉搏筛选的正确率。
77.本方面的再一个方面，提供了一种基于深度学习的血压和心功能参数预测算法，包括以下步骤：
78.s301.将上述经过筛选的脉搏信号按照一定比例划分为训练集、验证集和测试集；
79.s302.将训练集数据输入深度学习模型，进行训练，优化深度学习模型参数；
80.s303.将验证集数据输入经训练优化中的深度学习模型，初步验证模型预测精度；
81.s304.将测试集数据输入训练优化后的深度学习模型，评估深度学习模型精度。
82.使用本发明实施例提供的血压和心功能参数预测算法，以经过预处理的脉搏为输入信号，可以预测血压和心功能参数。
83.图12为本发明构建的血压和心功能参数分析模块的功能和原理示意图，如图12所示，本发明的血压和心功能参数预测模型具体包括依次设置的第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第二最大池化层、第四卷积层、第三最大池化层、第一全连接层以及第二全连接层。
84.步骤s301中，所述训练集、验证集和测试集划分比例，包括但不限于6：2：2；6：3：1；7：2：1；7：1：2；8：1：1。
85.步骤s302中，所述深度学习模型，包括但不限于四个卷积层、三个最大池化层、两个全连接层。
86.图13为本发明构建的深度学习模型的损失函数值随算法运行迭代次数的变化曲线。
87.图14为本发明构建的深度学习算法预测的血压与医用每搏连续血压监测装置测量的血压值之间的对比，其中(a)为血压预测值和血压测量值之间的对比图，(b)为血压预测值和血压测量值之间的对比小提琴图，(c)为血压预测值和血压测量值的预测平均绝对误差，如图14可见，本发明构建的血压和心功能参数预测模型预测的准确性较高。
88.图15为本发明对比例使用的其他预测算法预测血压的效果，其中(a)为线性回归，(b)为支持向量机，(c)岭回归，(d)随机森林，(e)为自适应增强回归。
89.图16为本发明构建的深度学习算法预测脉压差变异率的效果，其中(a)为损失函数随算法迭代次数变化曲线，(b)为预测的脉压差变异率和通过医用设备测量的脉压差变异率的对比小提琴图，如图16可见，本发明构建的血压和心功能参数预测模型预测的脉压差变异率和通过医用设备测量的脉压差变异率较为接近，本发明构建的血压和心功能参数预测模型预测的准确性较高。
90.图17为本发明构建的深度学习算法预测每分心输出量的效果，其中(a)为损失函数随算法迭代次数变化曲线，(b)为预测的每分心输出量和通过医用设备测量的每分心输
出量的对比小提琴图，如图17可见，本发明构建的血压和心功能参数预测模型预测的每分心输出量和通过医用设备测量的每分心输出量较为接近，本发明构建的血压和心功能参数预测模型预测的准确性较高。
91.图18为本发明构建的深度学习算法预测每搏心输出量的效果，其中(a)为损失函数随算法迭代次数变化曲线，(b)为预测的每搏心输出量和通过医用设备测量的每搏心输出量的对比小提琴图，如图18可见，本发明构建的血压和心功能参数预测模型预测的每搏心输出量和通过医用设备测量的每搏心输出量较为接近，本发明构建的血压和心功能参数预测模型预测的准确性较高。
92.图19为本发明构建的深度学习算法预测总外周阻力的效果，其中(a)为损失函数随算法迭代次数变化曲线，(b)为预测的总外周阻力和通过医用设备测量的总外周阻力的对比小提琴图，如图19可见，本发明构建的血压和心功能参数预测模型预测的总外周阻力和通过医用设备测量的总外周阻力较为接近，本发明构建的血压和心功能参数预测模型预测的准确性较高。
93.本方面的又一个方面，提供了一种智能终端应用程序，实现对血压和心功能参数的实时显示和评估，进而对人体的心血管状态进行实时预警，包括以下步骤：
94.s401.将脉搏数据以及通过深度学习计算得到的血压和心功能参数数据上传到云端数据库；
95.s402.从云端数据库下载脉搏、血压和心功能参数数据到智能终端；
96.s403.在开发的应用程序上以曲线的形式实时显示脉搏数据，以数值的形式显示血压和心功能参数数据；
97.s404.根据血压和心功能参数，实时判断人体心血管功能状态，及时通过应用程序进行预警和提示。
98.图20为本发明构建的显示预警模块的原理、功能示意图，如图20所示，本发明将脉搏信号数据、血压和心功能参数数据上传到云端数据库进行存储，此外，本发明还设置了智能终端应用程序，便于用户进行数据查询以及向用户发送预警信息。使用本发明实施例提供的智能终端应用程序，可以实时显示脉搏、血压和心功能参数数据，同时可以根据血压和心功能参数判断人体心血管状态，并给出及时预警。
99.步骤s401中，所述云端数据库包括但不限于阿里云、京东云、巴法云、自编数据库等数据库中的一种或多种，所述上传方式包括但不限于通过无线网络、蜂窝数据、蓝牙、有线连接中的一种或多种。
100.步骤s402中，所述下载方式包括但不限于通过无线网络、蜂窝数据、蓝牙、有线连接中的一种或多种，所述智能终端包括但不限于手机、电脑、平板电脑、智能手表等中的一种或多种。
101.步骤s403中，所述应用程序包括但不限于安卓应用程序、苹果应用程序、微信小程序等。
102.步骤s404中，所述预警和提示方式包括但不限于弹窗、声音、发光、变色、报警等。
103.图21为本发明构建的显示预警程序流程框图和程序页面截图，其中(a)为显示预警程序流程框图，(b)为实时显示预警程序页面截图。
104.图22为本发明一个实施例构建的连续无创血压和心功能参数监测系统应用场景
示意图，如图22所示，通过可穿戴传感器检测到的脉搏信号数据、血压和心功能参数数据可以实时显示在用户的移动终端上，此外，也可以将检测到的脉搏信号数据、血压和心功能参数数据发送到远程医疗端进行异常诊断，并将诊断结果发送到用户的移动终端上。
105.图23为本发明一个实施例构建的连续无创血压和心功能参数监测系统应用场景示实物照片。
106.图24为本发明一个实施例构建的连续无创血压和心功能参数监测系统在实际应用过程中监测血压的效果图。
107.图25为本发明一个实施例构建的连续无创血压和心功能参数监测系统在实际应用过程中监测心功能参数的效果图，其中(a)为脉压差变异率，(b)为每分心输出量，(c)为每搏心输出量，(d)为总外周阻力。
108.由以上实施例可以看出，本发明提供的血压和心功能监测系统能够在无需精准定位的基础上采集人体体表的脉搏信号，经降噪、去基线、切分、筛选等预处理筛选出高质量的脉搏信号，进而通过深度学习计算分析人体的血压和心功能参数，最后通过终端应用程序实现血压和心功能参数的实时显示和预警。本发明所使用的脉搏波传感器具有高灵敏和高稳定的特征，所采集的人体脉搏信号具有高精度和富含丰富特征信息的优点，所预测的血压和心功能参数具有精确度高、误差小的优点。
109.基于同一发明构思，本发明实施例还提供了一种连续无创血压和心功能参数监测方法，如下面的实施例所述。
110.在本发明一个实施例中，本发明的连续无创血压和心功能参数监测方法，包括以下步骤：
111.获取脉搏波采集模块采集的脉搏波信号；
112.从采集的脉搏波信号中提取出高质量的脉搏信号；
113.根据所述高质量的脉搏信号以及预先训练出的血压和心功能参数预测模型确定血压和心功能参数。
114.在本发明另一个具体实施例中，本发明的连续无创血压和心功能参数监测方法，包括以下步骤：
115.获取脉搏波采集模块采集的脉搏波信号，其中，所述脉搏波采集模块包括：脉搏传感器、信号转化单元和多通道模数转换单元；所述脉搏传感器，贴附于桡动脉附近，用于采集因桡动脉体积变化造成的皮肤变形信号，并将皮肤变形信号转化为电阻变化；所述信号转化单元，用于将电阻变化转化为电压波动；所述多通道模数转换单元用于采集电压波动并输出脉搏波信号；
116.对所述脉搏波信号进行降噪处理和去基线处理，然后对处理后的所述脉搏波信号提取脉搏起始特征点并按照脉搏周期进行切分，进而通过筛选算法对切分后的脉搏信号进行筛选，筛选出高质量的脉搏信号；
117.根据所述高质量的脉搏信号以及预先训练出的血压和心功能参数预测模型确定血压和心功能参数。
118.在本发明一个实施例中，所述对所述脉搏波信号进行降噪处理和去基线处理，具体包括：
119.对所述脉搏波信号进行小波变换处理，进行n层分解，采用降噪算法去除高频噪
声；
120.对降噪后的所述脉搏信号进行小波变换处理，进行m层分解，去除低频基线漂移，其中，n和m均为正整数。
121.在本发明一个实施例中，所述对处理后的所述脉搏波信号提取脉搏起始特征点并按照脉搏周期进行切分，具体包括：
122.通过识别算法提取出处理后的所述脉搏波信号的脉搏特征信息，并通过所述识别算法按脉搏周期对处理后的所述脉搏波信号进行切分，其中，所述脉搏特征信息具体包括：脉搏起始点、主波、潮波切迹、潮波、重播波切迹、重播波、主波、收缩期上升时间、心跳周期、反射波传输时间、脉搏主波到重搏波的时间、左心室射血时间、脉搏波斜率峰值与脉搏主峰的时间差、潮波与主波的强度比、收缩期上升到25％最大脉搏强度对应的脉搏波宽度、舒张期下降到25％最大脉搏强度对应的脉搏波宽度、50％最大脉搏强度对应的脉搏波宽度以及70％最大脉搏强度对应的脉搏波宽度。
123.在本发明一个实施例中，本发明的连续无创血压和心功能参数监测方法，还包括以下步骤：
124.在接收到用户的数据请求时从云数据库下载所述脉搏波信号、所述血压以及所述心功能参数并发送到所述用户的终端设备，以及在所述脉搏波信号、所述血压以及所述心功能参数中的任意之一出现异常时向所述终端设备发送预警信息，其中，将脉搏波信号以及血压和心功能参数上传到所述云数据库。
125.以下为具体实施例。旨在对本发明做进一步的详细说明，以帮助本领域技术及研究人员进一步理解本发明，有关技术条件等并不构成对本发明的任何限制。在本发明权利要求范围内所做的任何形式的修改，均在本发明权利要求的保护范围之内。
126.实施例1
127.1、使用脉搏波采集模块采集桡动脉脉搏。将应变传感器阵列贴附于手腕桡动脉附近，将桡动脉附近皮肤随脉搏搏动带来的变形转化为电阻变化。使用基于定值电阻(1kω)的电阻转电压模块，将传感器的电阻变化转化为电压信号。使用多通道采集卡，采集电阻转电压模块输出的电压信号为脉搏信号。
128.2、使用脉搏波信号预处理模块，对采集到的脉搏数据进行预处理。使用sym8小波基函数，对上述采集的脉搏信号进行小波变换处理，进行6层分解，采用软阈值方式去除高频噪声；使用sym8小波基函数，对上述降噪后的脉搏信号进行小波变换处理，进行11层分解，去除低频基线漂移；使用自编的识别算法，识别脉搏起点，并按照脉搏周期对脉搏进行切分；使用自编的筛选算法，筛选高质量的脉搏信号。
129.3、使用血压和心功能参数分析模块，分析经预处理的脉搏数据，预测血压和心功能参数。将高质量的脉搏信号按照8：1：1的比例随机划分为训练集、验证集和测试集；将训练集数据输入包含四个卷积层、三个最大池化层、两个全连接层的深度学习模型进行训练，以预测血压和心功能参数；训练过程中，输入验证集数据对深度学习的预测血压和心功能参数的效果进行初步评估；训练完成后，输入测试集数据评估深度学习模型的预测血压和心功能参数精度。
130.4、使用显示预警模块，显示血压和心功能参数，同时判断用户心血管状态并进行及时预警。将脉搏数据以及血压和心功能参数数据通过无线网络上传到巴法云数据库；从
巴法云数据库下载脉搏、血压和心功能参数数据到手机；在收集应用程序上以曲线的形式实时显示脉搏数据，以数值的形式显示血压和心功能参数数据；根据血压和心功能参数，实时判断人体心血管功能状态，及时通过声音的方式进行预警和提示。
131.实施例2
132.1、使用脉搏波采集模块采集桡动脉脉搏。将压力传感器阵列贴附于手腕桡动脉附近，将桡动脉附近皮肤随脉搏搏动带来的变形转化为电阻变化。使用基于定值电阻(1kω)的电阻转电压模块，将传感器的电阻变化转化为电压信号。使用多通道采集卡，采集电阻转电压模块输出的电压信号为脉搏信号。
133.2、使用脉搏波信号预处理模块，对采集到的脉搏数据进行预处理。使用sym8小波基函数，对上述采集的脉搏信号进行小波变换处理，进行6层分解，采用软阈值方式去除高频噪声；使用sym8小波基函数，对上述降噪后的脉搏信号进行小波变换处理，进行11层分解，去除低频基线漂移；使用自编的识别算法，识别脉搏起点，并按照脉搏周期对脉搏进行切分；使用自编的筛选算法，筛选高质量的脉搏信号。
134.3、使用血压和心功能参数分析模块，分析经预处理的脉搏数据，预测血压和心功能参数。将高质量的脉搏信号按照8：1：1的比例随机划分为训练集、验证集和测试集；将训练集数据输入包含四个卷积层、三个最大池化层、两个全连接层的深度学习模型进行训练，以预测血压和心功能参数；训练过程中，输入验证集数据对深度学习的预测血压和心功能参数的效果进行初步评估；训练完成后，输入测试集数据评估深度学习模型的预测血压和心功能参数精度。
135.4、使用显示预警模块，显示血压和心功能参数，同时判断用户心血管状态并进行及时预警。将脉搏数据以及血压和心功能参数数据通过无线网络上传到巴法云数据库；从巴法云数据库下载脉搏、血压和心功能参数数据到手机；在收集应用程序上以曲线的形式实时显示脉搏数据，以数值的形式显示血压和心功能参数数据；根据血压和心功能参数，实时判断人体心血管功能状态，及时通过声音的方式进行预警和提示。
136.实施例3
137.1、使用脉搏波采集模块采集桡动脉脉搏。将应变传感器阵列贴附于手腕桡动脉附近，将桡动脉附近皮肤随脉搏搏动带来的变形转化为电阻变化。使用基于定值电阻(1kω)的电阻转电压模块，将传感器的电阻变化转化为电压信号。使用arduino，采集电阻转电压模块输出的电压信号为脉搏信号。
138.2、使用脉搏波信号预处理模块，对采集到的脉搏数据进行预处理。使用sym8小波基函数，对上述采集的脉搏信号进行小波变换处理，进行6层分解，采用软阈值方式去除高频噪声；使用sym8小波基函数，对上述降噪后的脉搏信号进行小波变换处理，进行11层分解，去除低频基线漂移；使用自编的识别算法，识别脉搏起点，并按照脉搏周期对脉搏进行切分；使用自编的筛选算法，筛选高质量的脉搏信号。
139.3、使用血压和心功能参数分析模块，分析经预处理的脉搏数据，预测血压和心功能参数。将高质量的脉搏信号按照8：1：1的比例随机划分为训练集、验证集和测试集；将训练集数据输入包含四个卷积层、三个最大池化层、两个全连接层的深度学习模型进行训练，以预测血压和心功能参数；训练过程中，输入验证集数据对深度学习的预测血压和心功能参数的效果进行初步评估；训练完成后，输入测试集数据评估深度学习模型的预测血压和
心功能参数精度。
140.4、使用显示预警模块，显示血压和心功能参数，同时判断用户心血管状态并进行及时预警。将脉搏数据以及血压和心功能参数数据通过无线网络上传到巴法云数据库；从巴法云数据库下载脉搏、血压和心功能参数数据到手机；在收集应用程序上以曲线的形式实时显示脉搏数据，以数值的形式显示血压和心功能参数数据；根据血压和心功能参数，实时判断人体心血管功能状态，及时通过声音的方式进行预警和提示。
141.实施例4
142.1、使用脉搏波采集模块采集桡动脉脉搏。将应变传感器阵列贴附于手腕桡动脉附近，将桡动脉附近皮肤随脉搏搏动带来的变形转化为电阻变化。使用基于定值电阻(1kω)的电阻转电压模块，将传感器的电阻变化转化为电压信号。使用多通道采集卡，采集电阻转电压模块输出的电压信号为脉搏信号。
143.2、使用脉搏波信号预处理模块，对采集到的脉搏数据进行预处理。使用db8小波基函数，对上述采集的脉搏信号进行小波变换处理，进行6层分解，采用软阈值方式去除高频噪声；使用db8小波基函数，对上述降噪后的脉搏信号进行小波变换处理，进行11层分解，去除低频基线漂移；使用自编的识别算法，识别脉搏起点，并按照脉搏周期对脉搏进行切分；使用自编的筛选算法，筛选高质量的脉搏信号。
144.3、使用血压和心功能参数分析模块，分析经预处理的脉搏数据，预测血压和心功能参数。将高质量的脉搏信号按照8：1：1的比例随机划分为训练集、验证集和测试集；将训练集数据输入包含四个卷积层、三个最大池化层、两个全连接层的深度学习模型进行训练，以预测血压和心功能参数；训练过程中，输入验证集数据对深度学习的预测血压和心功能参数的效果进行初步评估；训练完成后，输入测试集数据评估深度学习模型的预测血压和心功能参数精度。
145.4、使用显示预警模块，显示血压和心功能参数，同时判断用户心血管状态并进行及时预警。将脉搏数据以及血压和心功能参数数据通过无线网络上传到巴法云数据库；从巴法云数据库下载脉搏、血压和心功能参数数据到手机；在收集应用程序上以曲线的形式实时显示脉搏数据，以数值的形式显示血压和心功能参数数据；根据血压和心功能参数，实时判断人体心血管功能状态，及时通过声音的方式进行预警和提示。
146.对比例1
147.1、使用脉搏波采集模块采集桡动脉脉搏。将应变传感器贴附于手腕桡动脉附近，将桡动脉附近皮肤随脉搏搏动带来的变形转化为电阻变化。使用基于定值电阻(1kω)的电阻转电压模块，将传感器的电阻变化转化为电压信号。使用采集卡，采集电阻转电压模块输出的电压信号为脉搏信号。
148.2、使用脉搏波信号预处理模块，对采集到的脉搏数据进行预处理。使用sym8小波基函数，对上述采集的脉搏信号进行小波变换处理，进行6层分解，采用软阈值方式去除高频噪声；使用sym8小波基函数，对上述降噪后的脉搏信号进行小波变换处理，进行11层分解，去除低频基线漂移；使用自编的识别算法，识别脉搏起点，并按照脉搏周期对脉搏进行切分；使用自编的筛选算法，筛选高质量的脉搏信号。
149.3、使用血压和心功能参数分析模块，分析经预处理的脉搏数据，预测血压和心功能参数。将高质量的脉搏信号按照8：1：1的比例随机划分为训练集、验证集和测试集；将训
练集数据输入包含四个卷积层、三个最大池化层、两个全连接层的深度学习模型进行训练，以预测血压和心功能参数；训练过程中，输入验证集数据对深度学习的预测血压和心功能参数的效果进行初步评估；训练完成后，输入测试集数据评估深度学习模型的预测血压和心功能参数精度。
150.4、使用显示预警模块，显示血压和心功能参数，同时判断用户心血管状态并进行及时预警。将脉搏数据以及血压和心功能参数数据通过无线网络上传到巴法云数据库；从巴法云数据库下载脉搏、血压和心功能参数数据到手机；在收集应用程序上以曲线的形式实时显示脉搏数据，以数值的形式显示血压和心功能参数数据；根据血压和心功能参数，实时判断人体心血管功能状态，及时通过声音的方式进行预警和提示。
151.对比例2
152.1、使用脉搏波采集模块采集桡动脉脉搏。将光电容积描计传感器贴附于手腕桡动脉附近，将桡动脉附近皮肤随脉搏搏动带来的变形转化为电阻变化。使用基于定值电阻(1kω)的电阻转电压模块，将传感器的电阻变化转化为电压信号。使用采集卡，采集电阻转电压模块输出的电压信号为脉搏信号。
153.2、使用脉搏波信号预处理模块，对采集到的脉搏数据进行预处理。使用sym8小波基函数，对上述采集的脉搏信号进行小波变换处理，进行6层分解，采用软阈值方式去除高频噪声；使用sym8小波基函数，对上述降噪后的脉搏信号进行小波变换处理，进行11层分解，去除低频基线漂移；使用自编的识别算法，识别脉搏起点，并按照脉搏周期对脉搏进行切分；使用自编的筛选算法，筛选高质量的脉搏信号。
154.3、使用血压和心功能参数分析模块，分析经预处理的脉搏数据，预测血压和心功能参数。将高质量的脉搏信号按照8：1：1的比例随机划分为训练集、验证集和测试集；将训练集数据输入包含四个卷积层、三个最大池化层、两个全连接层的深度学习模型进行训练，以预测血压和心功能参数；训练过程中，输入验证集数据对深度学习的预测血压和心功能参数的效果进行初步评估；训练完成后，输入测试集数据评估深度学习模型的预测血压和心功能参数精度。
155.4、使用显示预警模块，显示血压和心功能参数，同时判断用户心血管状态并进行及时预警。将脉搏数据以及血压和心功能参数数据通过无线网络上传到巴法云数据库；从巴法云数据库下载脉搏、血压和心功能参数数据到手机；在收集应用程序上以曲线的形式实时显示脉搏数据，以数值的形式显示血压和心功能参数数据；根据血压和心功能参数，实时判断人体心血管功能状态，及时通过声音的方式进行预警和提示。
156.对比例3
157.1、使用脉搏波采集模块采集桡动脉脉搏。将应变传感器阵列贴附于手腕桡动脉附近，将桡动脉附近皮肤随脉搏搏动带来的变形转化为电阻变化。使用基于定值电阻(1kω)的电阻转电压模块，将传感器的电阻变化转化为电压信号。使用多通道采集卡，采集电阻转电压模块输出的电压信号为脉搏信号。
158.2、使用脉搏波信号预处理模块，对采集到的脉搏数据进行预处理。使用sym8小波基函数，对上述采集的脉搏信号进行小波变换处理，进行12层分解，采用软阈值方式去除高频噪声；使用sym8小波基函数，对上述降噪后的脉搏信号进行小波变换处理，进行17层分解，去除低频基线漂移；使用自编的识别算法，识别脉搏起点，并按照脉搏周期对脉搏进行
切分；使用自编的筛选算法，筛选高质量的脉搏信号。
159.3、使用血压和心功能参数分析模块，分析经预处理的脉搏数据，预测血压和心功能参数。将高质量的脉搏信号按照8：1：1的比例随机划分为训练集、验证集和测试集；将训练集数据输入包含四个卷积层、三个最大池化层、两个全连接层的深度学习模型进行训练，以预测血压和心功能参数；训练过程中，输入验证集数据对深度学习的预测血压和心功能参数的效果进行初步评估；训练完成后，输入测试集数据评估深度学习模型的预测血压和心功能参数精度。
160.4、使用显示预警模块，显示血压和心功能参数，同时判断用户心血管状态并进行及时预警。将脉搏数据以及血压和心功能参数数据通过无线网络上传到巴法云数据库；从巴法云数据库下载脉搏、血压和心功能参数数据到手机；在收集应用程序上以曲线的形式实时显示脉搏数据，以数值的形式显示血压和心功能参数数据；根据血压和心功能参数，实时判断人体心血管功能状态，及时通过声音的方式进行预警和提示。
161.对比例4
162.1、使用脉搏波采集模块采集桡动脉脉搏。将应变传感器阵列贴附于手腕桡动脉附近，将桡动脉附近皮肤随脉搏搏动带来的变形转化为电阻变化。使用基于定值电阻(1kω)的电阻转电压模块，将传感器的电阻变化转化为电压信号。使用多通道采集卡，采集电阻转电压模块输出的电压信号为脉搏信号。
163.2、使用脉搏波信号预处理模块，对采集到的脉搏数据进行预处理。使用sym8小波基函数，对上述采集的脉搏信号进行小波变换处理，进行6层分解，采用软阈值方式去除高频噪声；使用sym8小波基函数，对上述降噪后的脉搏信号进行小波变换处理，进行11层分解，去除低频基线漂移；使用自编的识别算法，识别脉搏起点，并按照脉搏周期对脉搏进行切分；使用自编的筛选算法，筛选高质量的脉搏信号。
164.3、通过线性回归、支持向量机、岭回归、随机森林和自适应增强回归分析经预处理的脉搏数据，预测血压和心功能参数。
165.4、使用显示预警模块，显示血压和心功能参数，同时判断用户心血管状态并进行及时预警。将脉搏数据以及血压和心功能参数数据通过无线网络上传到巴法云数据库；从巴法云数据库下载脉搏、血压和心功能参数数据到手机；在收集应用程序上以曲线的形式实时显示脉搏数据，以数值的形式显示血压和心功能参数数据；根据血压和心功能参数，实时判断人体心血管功能状态，及时通过声音的方式进行预警和提示。
166.性能表征
167.对实施例1～4及对比例1～4中的血压和心功能参数预测效果进行表征和分析。
168.实施例1～4及对比例1～4的参数列表如下表1：
169.表1
[0170][0171]
实施例1～4及对比例1～4的血压和心功能参数预测结果如下表2所示。
[0172][0173]
从上表2可知，通过实施例1～4和对比例1～4的对比可知，本发明提供的连续无创血压和心功能参数监测系统无需精准定位即可采集脉搏，并实现对血压和心功能参数的高精度监测。而对比例1～4提供的血压和心功能参数监测系统，无法在无需精准定位的情况下实现对血压和心功能参数的精准监测。
[0174]
应用例1
[0175]
受试者同时佩戴医用每搏连续无创血压监测系统和本发明实施例1所述的连续无创血液和心功能参数监测系统，分别采集血压及心功能参数和预测血压和心功能参数，如图22到图25所示。对比医用每搏连续无创血压监测系统采集的血压及心功能参数和使用本发明实施例1所述的连续无创血液和心功能参数监测系统预测的血压和心功能参数。结果显示，本发明所述的连续无创血液和心功能参数监测系统预测的血压和心功能参数精度高、误差小，即便受试者通过瓦式呼吸极大地改变人体心血管状态，本发明所提出的系统依然能够实现对血压和心功能参数的精准追踪和监测。
[0176]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0177]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种连续无创血压和心功能参数监测系统，其特征在于，包括：脉搏波采集模块、脉搏波信号预处理模块以及血压和心功能参数分析模块；所述脉搏波采集模块，用于采集脉搏波信号；所述脉搏波信号预处理模块，用于从采集的脉搏波信号中提取出高质量的脉搏信号；所述血压和心功能参数分析模块，用于根据所述高质量的脉搏信号以及预先训练出的血压和心功能参数预测模型确定血压和心功能参数。2.根据权利要求1所述的连续无创血压和心功能参数监测系统，其特征在于，所述脉搏波采集模块包括：脉搏传感器、信号转化单元和多通道模数转换单元；所述脉搏传感器，贴附于桡动脉附近，用于采集因桡动脉体积变化造成的皮肤变形信号，并将皮肤变形信号转化为电阻变化；所述信号转化单元，用于将电阻变化转化为电压波动；所述多通道模数转换单元用于采集电压波动并输出脉搏波信号。3.根据权利要求2所述的连续无创血压和心功能参数监测系统，其特征在于，所述脉搏传感器包括：应变传感器阵列和/或压力传感器阵列；所述信号转化单元包括：基于定值电阻和/或可变电阻的电阻转电压模块；所述多通道模数转换单元包括：多通道采集卡、arduino单片机以及stm32单片机中的至少一种。4.根据权利要求1所述的连续无创血压和心功能参数监测系统，其特征在于，所述脉搏波信号预处理模块，具体用于对所述脉搏波信号进行小波变换处理，进行n层分解，采用降噪算法去除高频噪声，然后对降噪后的所述脉搏信号进行小波变换处理，进行m层分解，去除低频基线漂移，其中，n和m均为正整数。5.根据权利要求1所述的连续无创血压和心功能参数监测系统，其特征在于，所述脉搏波信号预处理模块，具体还用于对处理后的所述脉搏波信号提取脉搏起始特征点并按照脉搏周期进行切分，以及通过筛选算法对切分后的脉搏信号进行筛选，筛选出所述高质量的脉搏信号。6.根据权利要求1所述的连续无创血压和心功能参数监测系统，其特征在于，所述血压和心功能参数分析模块，通过血压和心功能参数预测模型分析所述高质量的脉搏信号，预测血压和心功能参数；所述血压和心功能参数预测模型具体包括四个卷积层、三个最大池化层和两个全连接层。7.根据权利要求1所述的连续无创血压和心功能参数监测系统，其特征在于，还包括：显示预警模块；所述显示预警模块，用于在接收到用户的数据请求时从云数据库下载所述脉搏波信号、所述血压以及所述心功能参数并发送到所述用户的终端设备，以及在所述脉搏波信号、所述血压以及所述心功能参数中的任意之一出现异常时向所述终端设备发送预警信息，其中，将所述脉搏波采集模块采集得到的脉搏波信号以及所述血压和心功能参数分析模块确定得到的血压和心功能参数上传到所述云数据库。8.一种连续无创血压和心功能参数监测方法，其特征在于，包括：获取脉搏波采集模块采集的脉搏波信号；从采集的脉搏波信号中提取出高质量的脉搏信号；根据所述高质量的脉搏信号以及预先训练出的血压和心功能参数预测模型确定血压和心功能参数。9.根据权利要求8所述的连续无创血压和心功能参数监测方法，其特征在于，所述从采
集的脉搏波信号中提取出高质量的脉搏信号，具体包括：对所述脉搏波信号进行小波变换处理，进行n层分解，采用降噪算法去除高频噪声；对降噪后的所述脉搏信号进行小波变换处理，进行m层分解，去除低频基线漂移，其中，n和m均为正整数；对处理后的所述脉搏波信号提取脉搏起始特征点并按照脉搏周期进行切分；通过筛选算法对切分后的脉搏信号进行筛选，筛选出高质量的脉搏信号。10.根据权利要求8所述的连续无创血压和心功能参数监测方法，其特征在于，还包括：在接收到用户的数据请求时从云数据库下载所述脉搏波信号、所述血压以及所述心功能参数并发送到所述用户的终端设备，以及在所述脉搏波信号、所述血压以及所述心功能参数中的任意之一出现异常时向所述终端设备发送预警信息，其中，将脉搏波信号以及血压和心功能参数上传到所述云数据库。

技术总结
本发明实施例公开了一种连续无创血压和心功能参数监测系统及方法，该系统包括：脉搏波采集模块、脉搏波信号预处理模块、血压和心功能参数分析模块以及显示预警模块；所述脉搏波采集模块包括：脉搏传感器、信号转化单元和多通道模数转换单元；所述脉搏波信号预处理模块，用于对所述脉搏波信号进行降噪处理、去基线处理、并按照脉搏周期进行切分、以及筛选出高质量的脉搏信号；所述血压和心功能参数分析模块，用于根据所述高质量的脉搏信号确定血压和心功能参数；所述显示预警模块，用于数据显示以及在出现异常时发送预警信息。本发明能够获得高质量的脉搏信号并以从中提取出血压和心功能参数等心血管状态相关信息。心功能参数等心血管状态相关信息。心功能参数等心血管状态相关信息。


技术研发人员：张莹莹 李硕
受保护的技术使用者：清华大学
技术研发日：2023.05.18
技术公布日：2023/8/16