[发明专利]一种无创连续血压测量方法

说明书

本发明公开了一种无创连续血压测量方法，实时处理被测者的血氧容积波和心电信号，通过差分计算、划分采样区域获取当前心动周期血氧容积波和心电信号中的5个特征点，基于该5个特征点和上一心动周期的5个特征点确定多个特征值，将所有特征值输入进训练过的神经网络模型，该神经网络模型的输出即为当前心动周期的血压值，能够实现基于多参数的无创连续血压测量；对血氧容积波划分4个样本区，方便生理参数的筛选，能够提高筛选生理参数的精度和效率，提高神经网络模型输出的血压值的准确性和效率。

技术领域

本发明涉及血压测量技术领域，尤其涉及一种无创连续血压测量方法。

背景技术

血压是指流动的血液对单位面积的血管壁产生的侧压力，具有连续性周期性的特点。它是反映人体循环系统的主要参数，是表征人体基本生命体征的重要依据，还是诊断高血压、心脑血管疾病和糖尿病等慢性疾病的关键指标。准确监测血压值，不仅对日常保健具有积极意义，而且对预防、控制高血压等慢性疾病，了解患者术后的康复状况也至关重要。

根据检测原理的不同，无创血压测量法，可分为示波法、柯氏音法、恒定容积法、张力法和脉搏波传输时间测量血压法等。示波法和柯氏音法的准确性和一致性较差，且只能获得单点血压值，因而不能真实、连续、全面地反映被测者的血压状况，故在长时间连续监测方面具有一定的局限性。恒定容积法、张力法和脉搏波传输时间测量血压等方法可实现血压的连续测量，但各自仍有不足之处。恒定容积法虽实现了连续性测量，但测得的血压是指端脉搏压力值，临床参考价值有限；张力法对测量位置和角度的要求较高，使其长时间保持同一位置不变较为困难，在无创连续性血压方面有一定的局限性。脉搏波传输时间的测量方法主要通过脉搏波在主动脉血管中传输的速度或时间来反推血压，由于其测量简便且便于长时间穿戴测量，近年来逐渐成为无创连续血压测量领域研究的热点。最新研究表明：对大量测量样本总和而言，脉搏波传输时间与收缩压线性相关性的平均值约为-0.48；对单个个体而言，脉搏波传输时间与收缩压的线性相关性在-0.37到-0.95之间不等，故不能简单地采用线性模型估算血压值。

神经网络是一种人工智能数学模型，现已被广泛应用于血压预测和辨识上，并取得了良好的效果。血氧容积波作为测量模型的输入，利用深信度神经网络计算血压值，收缩压和舒张压误差的平均值±标准差分别是-2.98±19.35mmHg和3.65±8.69mmHg。虽然该方法采用神经网络等机器学习模型估算血压值，但是只从单一的心电信号中提取特征参数，没有综合考虑其它因素对血压的作用。根据Moens-Korteweg公式知，脉搏波传输时间与血压直接相关，且该方法测得的精度达不到医用设备要求。结合血压形成机制和血液动力学原理知，心输出量、循环血量、血管壁弹性、外周阻力、神经系统和呼吸系统等因素与血压的变化密切相关。因此，仅仅依靠单一因素很难得到血压的准确值，必须同时考虑多种因素对血压的影响。可见，如何提出一种基于多参数的无创连续血压测量方法显得非常重要。

发明内容

本发明所要解决的技术问题在于，提供无创连续血压测量方法，能够实现基于多参数的无创连续血压测量。

为了解决上述技术问题，本发明第一方面公开了一种无创连续血压测量方法，所述方法包括：

实时采集被测者的血氧容积波和心电信号；

预处理采集的血氧容积波和心电信号以滤除干扰；

对经预处理后的血氧容积波在当前心动周期中的每个采样点做一阶差分得到多个一阶差分值，确定最大的一阶差分值对应的采样点为P1点；

在经预处理后的血氧容积波的第一样本区中筛选出幅值最大的采样点，并确定该点为收缩期峰值P2点；所述第一样本区包括m1+1个采样点，具体为所述P1点以及所述P1点之后采集的m1个采样点；

在经预处理后的血氧容积波的第二样本区中筛选出极大值点，并确定该点为舒张期峰值点P3；所述第二样本区包括m2个采样点，具体为所述P2点的下一个采样点，以及该下一个采样点之后采集的m2-1个采样点；