一种多参数融合的连续性血压测量方法

摘要

本发明提供一种多参数融合连续性血压的测量方法，综合考虑了除利用脉搏波传输时间标定血压外，同时考虑了与心电信号在同一周期内的血氧容积波的一阶导数的最大值a₀₁，相邻两个周期中两个收缩期峰值点的时间差值a₂、两个最小值点的时间差值a₃、两个舒张期峰值点的时间差值a₄、两个重搏切迹点的差值a₅，收缩期峰值点的幅值a₆、最小值点的幅值a₇、舒张期峰值点的幅值a₈、重搏切迹点的幅值a₉、收缩面积a₁₀、舒张面积a₁₁、血氧容积波的面积a₁₂、面积比例a₁₃，同周期的两个峰值点之间的差值a₁₄，同周期的收缩期峰值点与最小值点之差a₁₅，上升时间a₁₆、时间增量a₁₇、增长系数a₁₈、反射系数a₁₉。根据这18个参数用BP神经网络建立血压的模型，依据模型预测血压值。

主权项

一种多参数融合的连续性血压测量方法，其特征在于，包括以下步骤：步骤1：实时检测待测者的心电信号的R点位置a₀₀；步骤2：连续检测待测者的血氧容积波，对血氧容积波进行差分处理，得到与心电信号在同一周期内的血氧容积波的一阶导数的最大值a₀₁，血氧容积波相邻两个周期中两个收缩期峰值点的时间差值a₂、两个最小值点的时间差值a₃、两个舒张期峰值点的时间差值a₄、两个重搏切迹点的差值a₅，血氧容积波一个周期中的收缩期峰值点的幅值a₆、最小值点的幅值a₇、舒张期峰值点的幅值a₈、重搏切迹点的幅值a₉、收缩面积a₁₀、舒张面积a₁₁、血氧容积波的面积a₁₂、面积比例a₁₃，血氧容积波同一周期内的收缩期峰值点幅值a₆与舒张期峰值点幅值a₈之间的差值a₁₄、同一周期内的收缩期峰值点幅值a₆与最小值点幅值a₇之间的差值a₁₅、同一周期中从最小值点到收缩期峰值点的上升时间a₁₆、同一周期中从收缩期峰值点到舒张期峰值点的时间增量a₁₇、增长系数a₁₈、反射系数a₁₉；所述增长系数a₁₈表示同一周期中舒张期峰值点与最小值点之间的差值X₁和收缩期峰值点与最小值点之间的差值X₂的比值X₁/X₂；所述反射系数a₁₉表示增长系数a₁₈与1的差值；步骤3：采用传统的连续型血压计连续测量待测者的舒张压和收缩压；步骤4：将血氧容积波的一阶导数的最大值a₀₁与同一周期的心电信号的R点位置a₀₀做差，得到脉搏波的传输时间PTT＝a₀₁‑a₀₀；步骤5：将PTT，a₂，a₃，a₄，a₅，a₆，a₇，a₈，a₉，a₁₀，a₁₁，a₁₂，a₁₃，a₁₄，a₁₅，a₁₆，a₁₇，a₁₈，a₁₉这19个特征值，以及与心电信号、血氧容积波同一时刻测量的步骤3所述的舒张压和收缩压连续输入到BP神经网络中，其中连续输入时间不少于5min；所述BP神经网络包括输入层，输出层以及中间隐层；所述BP神经网络的输入层为单层，并假设为19个神经元，其中19个神经元分别与所述19个特征值一一对应；所述BP神经网络的输出层假设为2个神经元，分别对应舒张压与收缩压；所述BP神经网络的中间隐层为单层，并假设为N个神经元，其中N＝10,11,12；所述中间隐层的神经元通过全连接的方式分别连续接收输入层神经元的19个特征值、输出层神经元的舒张压和收缩压；BP神经网络利用19个特征值、舒张压以及收缩压训练血压模型，得到两个系数矩阵A_19×N,B_N×2；其中系数矩阵A_19×N关联输入层与中间隐层，系数矩阵B_N×2关联中间隐层与输出层；步骤6：重新检测待测者的血氧容积波和心电信号，采用步骤2和步骤4的方法对血氧容积波进行差分处理，得到PTT，a₂，a₃，a₄，a₅，a₆，a₇，a₈，a₉，a₁₀，a₁₁，a₁₂，a₁₃，a₁₄，a₁₅，a₁₆，a₁₇，a₁₈，a₁₉这19个特征值，并构造输入矩阵Input_1×19：Input_1×19＝{PTT,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉,a₁₀,a₁₁,a₁₂,a₁₃,a₁₄,a₁₅,a₁₆,a₁₇,a₁₈,a₁₉}，同时构造输出矩阵Output_1×2＝Input_1×19×A_19×N×B_N×2，其中Output_1×2＝{BP₁,BP₂}，BP₁和BP₂分别为待测的舒张压与收缩压。