CN116807432A - 使用光体积变化描记信号分析以估算血压的系统 - Google Patents

Abstract

一种使用光体积变化描记(PPG)信号分析以估算血压(BP)的系统，包含上臂可穿戴装置、基于袖带的血压测量装置、PPG信号接收器和分析器及PPG到BP估算器和校正器。上臂可穿戴装置感测建模用PPG波形信号。基于袖带的血压测量装置获得真实的脉搏容积记录波形和真实的血压。PPG信号接收器和分析器建构为对建模用PPG波形信号进行处理，取得建模用特征参数，并获得建模用个人信息参数。PPG到BP估算器和校正器建构为根据建模用特征参数和建模用个人信息参数计算出估算的血压，储存近似拟合估算的血压与真实的血压之间的关系的校正模型；并使用校正模型计算建模用校正估算的血压。

Description

使用光体积变化描记信号分析以估算血压的系统

技术领域

本发明涉及一种使用光体积变化描记(photoplethysmography；PPG)信号分析以估算血压的系统，尤其是一种通过处理自一受测者的上臂检测到PPG波形信号以估算血压，及使用机器学习演算法以更得到精确地估算血压及心率的系统。

背景技术

高血压是导致各种医疗状况、疾病和事件(例如心脏病发作、心脏衰竭、动脉瘤、中风和肾脏病等)的主要心血管危险因素。因此，它是早期识别心血管疾病(cardiovasculardiseases；CVD)的关键心血管风险参数。对血压和其他生命体征监测有着明确的需求，无论这种监测发生在医院环境、医师诊所、患者家中还是办公室，以及这种监测是否发生在个体休息或从事活动时的动作，例如坐着、走路、运动或睡觉。

对于由医师执行的医疗监测和诊断，常需要连续测量血压。传统的24小时血压测量装置可在昼夜采规律的时间间隔，将袖带反复充气和放气而监测血压。此种测量在夜间会导致健康的人失眠或睡眠中断，并让日常生活会不舒服、不连续且不适。

最近，可穿戴医疗保健装置已被证明可以成功地进行长期的个人健康监测，而不会对生活造成困扰麻烦，并帮助专业人员了解患者的多种慢性病如何相互作用。为了使用腕式装置计算血压，许多研究试图使用腕式装置上的PPG信号来估计血压以简化设计。通常，高血压患者还存在其他个体差异，这会导致PPG波形被干扰，从而降低传统估算系统中使用的高斯过程(Gaussian processes：GP)回归模型的拟合精度。在数据测量过程中，这些个体差异可能会受到多种因素、环境条件和/或实验误差的影响。由于心血管特征和信号因条件而异并随时间而变化，因此确定血压估算值就因素或时间而变化的程度很重要。

陈嘉伟等人因此提出了一篇题为《AData-Driven Model with FeedbackCalibration Embedded Blood Pressure Estimator Using ReflectivePhotoplethysmography》的论文(Sensors 22.5(2022):1873)，其教示内容通过引用的方式得以整体并入本文。本研究以PPG特征参数和个人信息参数为特征，并基于多个年龄分组模型进行血压估算。PPG信号转换为动脉血压(ABP)在另一篇名为《PPG2ABP:TranslatingPhotoplethysmogram(PPG)Signals to Arterial Blood Pressure(ABP)Waveforms usingFully Convolutional Neural Networks》的非专利文献中有描述(由Nabil Ibtehaz及M.Sohel Rahman撰写；电气工程和系统科学：信号处理，出版于2020年5月5日)，其教示通过引用的方式得以整体并入本文。然而，上述两项研究的PPG信号都是从腕式装置或手指式装置获得的。

腕式装置中包括的PPG感测器通常包含LED光源和光电检测器。LED会向皮肤组织发射光，光电检测器追踪有多少光线被反射回，亦即吸收程度。最初来自PPG感测器的光的反射量与在照射皮肤区域中流动的血液量成正比。另一方面，如果从比手腕或手指更接近心脏的上臂检测到PPG信号，则这种基于手臂的信号在心血管特征的良好呈现和血压估算方面更具优势。然而，上臂和手腕信号需要不同的信号处理方法，这表明基于手腕的血压估算模型不应直接应用到手臂PPG信号。此外，如果可以根据手臂PPG信号进一步估算中央动脉血压(CBPs)，则预测高血压和相关心血管事件的发生会比血压估算更有用。

发明内容

针对前开所述现有技术的不足，本申请提供了一种利用PPG信号分析以估算血压的的系统。该系统舒适、可连续且适合于全天使用，并且充分提高了对血压和/或中央动脉血压的估算的准确性。此外，PPG分析和测量可以集成至上臂可穿戴装置或臂袖脉搏体积描记(pulse volume plethysmography；PVP)装置中，以准确估计使用者的中央动脉血压。

根据上述观点，在一个实施例中，本申请提供一种使用光体积变化描记信号分析来校正和估算血压的方法，包含以下步骤：

提供一上臂可穿戴装置，用于感测来自佩戴该上臂可穿戴装置的多个受测者的建模用PPG波形信号；

对该建模用PPG波形信号进行处理，从该建模用PPG波形信号中取得建模用特征参数；

获得来自多个受测者的建模用个人信息参数；

通过将该多个建模用个人信息参数中至少一个参数分成多个组，基于该建模用特征参数和该建模用个人信息参数计算出估算的血压；

提供一基于袖带的血压测量装置，以获取多个受测者的脉搏容积记录(PVR)波形和真实的血压；

建立一校正模型以近似拟合该估算的血压和该真实的血压之间的关系；

根据一使用者的特征参数和该使用者的个人信息参数，得到佩戴该上臂可穿戴装置的该使用者之估算的血压；以及

将该使用者的估算的血压和真实的血压输入到校准模型中，以获得该使用者的校正估算的血压和心率。

根据上述观点，在一个实施例中，本申请提供一种使用PPG信号分析来估算中央动脉血压的方法，包含以下步骤：

提供一上臂可穿戴装置，用于感测来自佩戴该上臂可穿戴装置的多个受测者的建模用PPG波形信号；

对该建模用PPG波形信号进行处理，从该建模用PPG波形信号中取得建模用特征参数；

获得来自该多个受测者的建模用个人信息参数；

藉由将该建模用个人信息参数中至少一个参数分成多个组，基于该建模用特征参数和该建模用个人信息参数计算出估算的血压；

提供一基于袖带的血压测量装置，以获取多个受测者的脉搏容积记录(PVR)波形和真实的血压；

建立一校正模型以近似拟合估算的血压和真实的血压之间的关系；

使用该校正模型从该估算的血压和该真实的血压计算出建模用校正估算的血压；

通过使用一近似网路(Approximation Network)和一精炼网路(RefinementNetwork)处理建模用PPG波形信号建立一预测模型，以根据该真实PVR波形得到建模用精炼PVR波形；

建立一线性回归方程式以拟合该建模用精炼PVR波形的波形参数及来自多个受测者的建模用校准正估算血压之间的相关性；

根据一使用者的特征参数和该使用者的个人信息参数，得到佩戴该上臂可穿戴装置的该使用者的估算的血压；

将该使用者的估算的血压和真实的血压输入到校准模型中，以获得该使用者的校正估算的血压和心率；

使用该预测模型自该使用者的PPG波形信号得到该使用者的精炼PVR波形；以及

将该使用者的校正估算的血压、该心率及该使用者的精炼PVR波形的波形参数代入该线性回归方程式以获得估算中央动脉血压。

根据上述观点，在一个实施例中，本申请提供一种使用光体积变化描记信号分析来估算血压及/或中央动脉血压的系统，包含：

一上臂可穿戴装置，包含一光体积变化描记(PPG)感测器及感测来自佩戴该上臂可穿戴装置的多个受测者的建模用PPG波形信号；

一基于袖带的血压(BP)测量装置，获得该多个受测者的真实的脉搏容积记录(PVR)波形和真实的血压；

一PPG信号接收器和分析器，建构为：

对建模用PPG波形信号进行处理，自该建模用PPG波形信号取得建模用特征参数,并获得建模用个人信息参数；及

获得来自该多个受测者的建模用个人信息参数；以及

一PPG到BP估算器和校正器，建构为：

通过将该建模用个人信息参数中至少一个参数分成多个组，根据该建模用特征参数和该建模用个人信息参数计算出估算的血压；

储存近似拟合估算的血压与真实的血压之间的关系的一校正模型；及

使用该校正模型自该估算的血压和真实的血压计算建模用校正估算的血压。

于一实施例中，该上臂可穿戴装置另包括一重力感测器，该上臂可穿戴装置为穿戴于该受测者的上臂以感测该受测者的上臂的运动。

于一实施例中，该上臂可穿戴装置另包括一提醒装置，当该重力感测器感测该运动，该提醒装置警示该受测者。

于一实施例中，该PPG信号接收器和分析器及该PPG到BP估算器和校正器被整合于该上臂可穿戴装置内。

于一实施例中，该上臂可穿戴装置无线或有线传输该PPG波形信号至该PPG信号接收器和分析器。

于一实施例中，该PPG信号接收器和分析器使用一年龄及性别分组方法及通过机器学习演算法进而校正该估算的血压。

在另一个实施例中，该系统还包含：

一PPG到PVR转换器，建构为：

储存一预测模型，其通过使用一近似网络(Approximation Network)和一精炼网络(Refinement Network)处理建模用PPG波形信号，以根据该真实PVR波形得到建模用精炼PVR波形：以及

一中央动脉血压(CBP)估算器，建构为：

储存一线性回归方程式以拟合该建模用精炼PVR波形的波形参数及来自该多个受测者的建模用校正估算血压之间的相关性：及

将一使用者的校正估算的血压、心率及精炼PVR波形的波形参数代入该线性回归方程式以获得估算中央动脉血压。

于一实施例中，该建模用特征参数为通过向该建模用PPG波形信号执行特征提取而得到。

于一实施例中，该建模用PPG波形信号分为等时距的多个集，一初始集被删除，及该真实PVR波形具有一初始时距的一区段被裁截。

于一实施例中，该建模用PPG波形信号及该真实PVR波形为采相同峰数对准和动态时间规整方法使得彼此间被同步化处理。

附图说明

参考附图，可了解制造及使用所公开的实施例的方式及工艺。应了解的是，此等附图中所说明的部件及结构是不一定按比例的，而是强调说明本文所述概念的原理。遍及不同视图，类似的附图标记指定对应的零件。再者，图中以举例的方式而非限制性方式来说明实施例，其中：

图1为按照本发明的实施例的中央动脉血压估算的系统及其次系统的方块图；

图2A为按照本发明的实施例的具有一内嵌的PPG感测器的上臂可穿戴装置的示意图；

图2B为按照本发明的实施例的一PPG模拟处理电路的电路图；

图3为按照本发明的实施例的一包括特征参数的已处理PPG波形的示意波形图；

图4A及图4B为按照本发明的实施例的真实的收缩压和校正估算的收缩压在相关系数分析之间的关系的统计图；

图5A至图5D为按照本发明的实施例的于裁切及对准处理下非同步上臂PPG及PVR波形信号；

图6A为按照本发明的实施例的上臂PPG波形；

图6B为按照本发明的实施例的已处理PPG波形；

图6C为按照本发明的实施例的近似的PVR波形；

图6D为按照本发明的实施例的精炼的PVR波形；

图7A为按照本发明的实施例由上臂可穿戴装置得到PPG波形信号；

图7B为按照本发明的实施例在深度学习处理后的PVR波形；

图7C为按照本发明的实施例由基于袖带的血压测量装置得到真实PVR波形；

图7D为按照本发明的实施例显示精炼的PVR波形和真实的PVR波形二者拼合一起。

主要元件符号说明：

10:中央动脉血压估算的系统

11:上臂可穿戴装置

12:基于袖带的血压测量装置

13:PPG信号接收器和分析器

14:PPG到BP估算器和校正器

15:PPG到PVR转换器

16:CBP估算器

101:PPG到BP次系统

102:PPG到CBP次系统

111:PPG感测器

111a:发光二极管

111b:光电二极管

111c:发光二极管

111d:发光二极管

112:PPG模拟预处理电路

112a:补偿直流漂移电路

112b:噪声滤波器

112c:内部时脉器

112d:放大器

112e:模拟数字转换器

112f:I²C介面

112g:时序引擎

112h:IO缓冲器

1121:R-C滤波器

1122:转阻放大器

121:袖带

900:受测者

具体实施方式

本文所叙述的特征及优点并非包罗万象；以附图、说明书及权利要求书的观点，许多另外的特征及优点对于本领域技术人员将为明显的。再者，应注意的是，于说明书中所使用的语言主要是为了可读性及指导目的而选择，且未以任何方式限制本发明主题的范围。主题技术易受许多实施例的影响。随后者是主题技术的说明性、但不是详尽的范围。

图1为按照本发明的实施例的中央动脉血压估算的系统10及其PPG到BP次系统101和PPG到CBP次系统102的方块图。受测者900通常会静态坐在椅子上，手臂平稳地放置在桌面上，以利通过后述上臂可穿戴装置11或基于袖带的血压测量装置12穿戴于手臂上进行稳态测量。在其他实施例中，也可以基于白天和夜间的稳定受测者场景在每个间隔执行测量，以供临床使用24小时动态血压监测(ambulatory blood pressure monitoring；ABPM)。在多个受测者中的受测者900在不同时期分别地佩戴上臂可穿戴装置11和基于袖带的血压测量装置12中的袖带121。本领域技术人员当知，基于袖带的血压测量装置12至少更包括充气泵、泄气阀和压力感测器。特别说明的是，基于袖带的血压测量装置12已经被标准校正，以便提供准确的血压给PPG到BP估算器和校正器14作校正。在其他实施例中，若为同一位受测者，则前述的PPG到BP估算器和校正器14作校正也可以每隔一段特定时间做一次。当然，若换成不同受测者，则要作校正。上臂可穿戴装置11与PPG感测器(图未示出)整合，为设计用于测量PPG波形信号及/或能够从上臂感测其他生命体征的生物感测器。PPG波形信号及/或其他生命体征被无线传输至PPG信号接收器和分析器13(例如：笔记型电脑、电脑或智能手机)，并在其上显示信息影像或发出提示或警告声音。在其他实施例中，PPG信号接收器和分析器13也可以让上臂可穿戴装置11处于自动监测模式，以基于白天和夜间稳定受测者场景每隔一段时间(例如30分钟)进行测量，以供临床使用24小时动态血压监测。

PPG信号接收器和分析器13从PPG波形信号中提取特征参数以用于建模或临床使用。也就是说于本实施例中，对PPG波形信号执行特征提取以具有建模用特征参数(即，特别是模型建立使用)。此外，个人信息参数(例如年龄和性别)被输入到PPG信号接收器和分析器13。在其他实施例中，PPG到BP子系统101还包括用于向PPG信号接收器和分析器13提供个人信息的输入单元参数。之后，PPG到BP估算器和校正器14从PPG信号接收器和分析器13接收特征参数和个人信息参数。此外，它使用年龄分组方法，并通过机器学习(ML)演算法或其他演算法进一步校正初步值(例如：回归演算法、人工神经网络(ANN)、模糊逻辑和支援向量机)以更准确地估算的收缩压(SBP)、估算的舒张压(DBP)和心率(HR)，这将在下文详细讨论。综上所述，包括PPG信号接收器和分析器13及PPG到BP估算器和校正器14的PPG到BP子系统101可以是电脑或电路系统，或者PPG到BP子系统101有部分功能或整个系统可被整合在上臂可穿戴装置11内被执行，并输出校正估算的收缩压、校正估算的舒张压和心率到手机或行动装置。在其他实施例中，PPG到BP子系统101还包括显示单元，用于向使用者显示校正估算的收缩压、校正估算的舒张压和心率。

在该实施例中，PPG到PVR转换器15使用深度机器学习将PPG波形信号转换为精炼PVR波形，这将在下文详细讨论。中央动脉血压(CBP)估算器16进一步使用线性回归方程式来估算临床用途中的中央动脉血压。线性回归方程式初始地被建立如美国专利公开号201502725112所教导的方法，该专利的教导以引用的方式整体并入本文，以拟合来自该多个受测者的近似的PVR波形的波形参数、估算的血压和测量所得实际的中央动脉血压之间的相关性。综上所述，PPG到CBP子系统102可以是电脑或电路系统或者系统102可被整合在上臂可穿戴装置11内被执行，并输出血压数值到智能手机或行动装置。

图2A为具有PPG感测器111的上臂可穿戴装置11的示意图，PPG感测器111内嵌在其背面。PPG感测器111由具有三个发光二极管(LED)111a、111c、111d的多波长光源(例如：绿光、红光、红外线光等)和一个光电二极管(PD)111b组成并以凸字形的设置内嵌在上臂可穿戴装置11背面(接触皮肤的表面)。但不限于凸字形的设置，亦可为L形的设置。此外，发光二极管111a、111c、111d和光电二极管111b之间有黑色的间隔物，可以有效隔绝/消除外界光线的干扰和串扰。在本实施例中，发光二极管111a、111c、111d为绿光LED用于初步估算的血压，但并不以此为限，绿光传送进到皮肤中，并且使用光电二极管(PD)111b接收/测量反射或未吸收光的量，该未吸收光的量显示组织中微血管床的血容量变化。在其他实施例中，发光二极管也可以是红光发光二极管或红外线发光二极管用以估算血氧。

如图2B所示，PPG模拟预处理电路112包括LED控制器(图未示出)、补偿直流漂移电路112a、噪声滤波器112b、内部时脉器112c、放大器112d、模拟数字转换器(ADC)112e、I²C介面112f、时序引擎112g及IO缓冲器112h。放大器112d为用以增强来自光电二极管(PD)111b的信号，并通过模拟数字转换器112e将信号转换为数字数据。从光电二极管(PD)111b检测到由皮肤的散射或反射而回的光线，会转换成为原始的PPG波形信号。首先在模拟预处理中进行放大(增益＝66dB)和低通滤波(滤波器带宽＝50Hz)，该模拟预处理利用了一个补偿直流漂移电路112a，其包含转阻放大器(trans-impedance amplifier；TIA)1122和R-C滤波器1121以补偿或消除直流漂移。PPG模拟预处理完成后，得到一个无噪声的PPG波形信号，以用于特征值提取。

上臂可穿戴装置11还可以设置有重力感测器(G-sensor)和/或振动装置(例如振动马达)。当上臂可穿戴设备11开始或结束测量时，振动装置会提供振动以提醒受测者。或者，当重力感测器感测到受测者上臂的明显运动(相关的身体任何运动都会影响PPG测量结果)时，振动装置也会振动作为提醒受测者停止不动。在其他实施例中，也可以从PPG波形信号中特征值以识别出受测者上臂运动。此外，本领域技术人员当知振动装置可以用蜂鸣器代替。

图3是处理后的PPG波形的示意波形图，其包括特征参数，又该特征参数包括由PPG信号接收器和分析器13提取的波形参数和时间相关参数。波形参数包括收缩期面积占总面积比(即A1/(A1+A2))、舒张期面积占总面积比(即A2/(A1+A2))、收缩期面积和脉搏幅度比(即A1/AC)、舒张期面积和脉搏幅度比(即A2/AC)和随时间变化的最大幅度(即最大斜率)，与时间相关的参数包括收缩时间，舒张时间和平均峰到峰值间隔。

特征参数的变异在不同性别组(男性和女性)以及不同年龄组之间存在显著变异。为了减少此种变异，由PPG到BP估算器和校正器14执行的PPG到BP预测模型要被分成多个组，并且它们被建构用于PPG和BP之间的特定受测者关系。多个组通过年龄分组方法进行分类，并使用指数GPR(高斯过程回归；Gaussian Process Regression)演算法进行训练。在本实施例中，435名受测者参与建立PPG到BP预测模型。PPG数据库分为训练数据库(306名受测者或参与者作为参考数据库)和测试数据库(129名受测者或参与者作为验证数据库)。对于本实施例中的舒张压预测模型，PPG数据库按性别和年龄以15岁间距分组(即，年龄<30；30≤年龄<45；45≤年龄<60；60≤年龄<75；75≤年龄)。首先，是有10个组被训练为收缩压的不同模型。另一方面，收缩压预测模型以30岁间距为一组，从而分为6组(即年龄<30；30≤年龄<60；60≤年龄)。包括特征参数和个人信息参数在内的多个变量(例如十个或九个变量)是模型输入参数。

训练集以下方式表示为等式(1)：

其中n代表数据集的数量，x代表训练参数数组(包括特征参数和个人信息参数)，y代表目标值作为实际血压值。学习函数f(x_i)用于将输入数组x_i转换为目标值y_i，给定一模型如公式(2)所示：

y_i＝f(x_i)+ε_i (2)

其中ε_i代表均值为零的高斯噪声，并代表变异数。因此，观察到的目标也可以用高斯分布描述为等式(3)：

其中x代表所有输入点x_i的向量和K(x，x)代表使用给定共变异数函数所计算的共变异数矩阵。共变异数函数可以由各种核函数定义，并且可以根据向量θ中的核参数进行参数化。因此，可以将共变异数函数表示为K(x，x|θ)。该模型对每个预测变量使用具有单独长度尺度的指数核函数。共变异数函数定义如下：

核参数基于信号标准偏差σ_f和特征长度尺度σ_l。无约束参数化θ为：

θ₁＝logσ_l，θ₂＝logσ_f (5)

因此，查询点i的观测目标值和预测值f(x_i)的联合分布在等式(6)中给出：

预测的平均值和相应的变异数V(x_i)可以用等式(7)和(8)表示如下：

高斯过程回归模型是一用于统计分析数据的机器学习演算方法的型式。此目的是了解两个或多个变量之间的关系，并建立数学模型以预测感兴趣的变量。更具体地说，使用回归分析，可以从给定的特征参数中找到关系函数，并估计血压的长期趋势。

举例而言，当使用者(真实年龄25岁)使用上臂可穿戴装置11和PPG到BP子系统101于未经校正下开始PPG到BP估算或预测时，以实际性别(即男性)基于训练的模型的所有年龄组为用于预测许多血压值。计算来自基于袖带的血压测量装置12的计算收缩压和实际收缩压之间的最小平均误差，并通过校正选择相应的最佳年龄组(即，30≤年龄<45；但不是上述真实年龄组)。最后，该使用者的最佳年龄组被用于进一步准确的血压估算。此外，在其他实施例中还设计了一个基于iOS、Android应用程序或Windows系统的界面，以便通过低功耗蓝牙(Bluetooth Low Energy；BLE)在上臂可穿戴装置11中轻松地键入个人信息参数(例如：年龄及性别等)并启动血压校正功能。例如，具iOS应用程序的智能手机通过低功耗蓝牙(Bluetooth Low Energy；BLE)以便和上臂可穿戴装置11无线通信传输数据。已选择的模型是更适合使用者的PPG特征参数，可以在变量K(x_i,x_i)中计算补偿值，开始可以使用公式(7)估算血压。然后，可以将参数包含在模型中进行个人校正，优化后的模型和组将更准确地预测血压。

图4A及图4B为按照本发明的实施例的真实的收缩压和校正估算的收缩压在相关系数分析之间的关系的统计图。在图4A中，未经校正的PPG到SBP估算显示了真实的收缩压值和估算的收缩压值之间有中等相关性。相比之下，经过校正的PPG到SBP估算显示了真实的收缩压值和校正估算的收缩压值之间有极好相关性，如图4B所示。

上述实施例中，PPG对BP估算的准确性可以满足标准ANSI/AAMI/ISO 81060-2:2013。显然，根据BHS分级标准，经校正后估算结果的等级会变得更好。建立和验证的结果如下表1所示。

表1：

参考前开Nabil Ibtehaz等人撰写的非专利文献，手指PPG数据库是通过PPG到ABP模型训练的，其作为动脉血压估算的预训练模型。在一个实施例中，基于来自50个受测者的上臂PPG数据库提出并训练为一种微调模型。训练过程步骤依循Ibtehaz等人所教示的方法。上臂PPG波形信号(以下简称“上臂PPG”)和PVR波形信号之间的非同步数据库需要在预处理步骤中被解决，但在Ibtehaz的研究中没有看到和讨论这个重要的问题。在预处理步骤中，采相同峰数对准(the same peak number alignment)的调整和动态时间规整方法(dynamic time warping method)，以实现上臂PPG和PVR波形信号之间的数据库同步。此外，在本实施例中，上臂PPG和PVR波形信号的正规化值(最大值和最小值)是从上臂PPG数据库计算所得。

图5A至图5D为按照本发明的实施例的于裁切及对准处理下非同步上臂PPG及PVR波形信号。首先，PPG波形分为6集，每集10秒。由于信号失真，前10秒内的初始第0集需要被删除，第1到5集中分割的PPG波形以平均波形进一步处理。相似地，第一秒内的PVR波形也被裁截，如图5B所示。之后，上臂PPG和PVR波形使用相同的峰数对准和动态时间规整方法彼此同步。即，上臂PPG波形和PVR波形的两个峰值的出现沿时间轴大致彼此接近，如图5C所示。最后，在图5D中，将两个处理后的上臂PPG和PVR波形拼合在一起。

此外，下文将进一步讨论PPG到PVR转换的步骤。Ibtehaz等人提出的PPG2PVR演算法，其被执行以从PPG波形信号中取8.912秒长的上臂PPG波形，如图6A所示。如图6B所示，然后用一些最小的预处理操作来执行预处理或滤波的PPG波形以减弱其不规则性和噪声。接下来，使用近似网络进一步处理预处理的PPG波形，该近似网络基于已输入的上臂PPG波形信号来近似的PVR波形的形状，如图6C所示。初步近似估算的PVR波形通过精炼网络进一步精细炼化，从而有图6D中精炼的PVR波形。上面提到的两个网络都是基于一维深度监督的U-Net模型架构(U-Net模型用于近似网络和MultiResUNet模型用于精炼网络)。

U-Net包含一个仅使用卷积层构建的网络来执行语义分割任务。网络结构是使用一对对称的编码器网络和解码器网络所构建。编码器网络从输入数据中提取空间特征，解码器网络利用这些空间特征来生成分割图。在U-Net后最具创新性的想法是使用跳跃连接，它保留空间特征图，它可能在池化操作期间丢失。尽管最初的U-Net被设计在对图像执行语义分割，就我们的目的，我们使用它来执行基于一维信号的回归。因此，二维卷积、池化和上采样操作被它们的一维对应物所取代。

此外，除最后一层之外的所有卷积层都使用ReLU(Rectied Linear Unit)激活函数并进行了批次正规化。为了产生回归输出，最后的卷积层使用线性激活函数。此外，在U-Net网络中使用了深度监督。深度监督是一种被证明可以通过指导隐藏层的学习过程来减少整体错误的技术。在深度监督的1D U-Net中，在每次上采样操作之前计算中间输出，它是实际输出信号的次采样版本。随着学习过程更深入该模型，使用逐渐下降的权重因子以计算损失函数。这种额外的辅助损失是用来驱动隐藏层的训练并使最终输出更加优化。

MultiResUNet模型是U-Net模型的改良版本。两者之间的主要区别在于包含MultiRes区块和Res路径。Multires区块涉及使用分解卷积的紧凑型式的多分辨率分析。另一方面，Res路径沿快捷连接施加额外的卷积操作，以减少相应阶层的编码和解码网络的特征图之间的差异。与近似网络类似，该网络也由卷积、池化和上采样操作的一维版本所组成。激活函数也是相同的，即所有层为ReLU，但最后一层使用线性激活取代。这些层也是批次正规化的层，但没有深度监督。

图7A为由上臂可穿戴装置11得到PPG波形信号。图7B为以近似网络和精炼网络的深度学习处理后精炼(估算的，非真实的)PVR波形。图7C为由基于袖带的血压测量装置12得到真实PVR波形。精炼的(估算的)PVR波形和真实的PVR波形二者拼合一起，如图7D所示。该估算的PVR波形与真实的PVR波形非常相似。

在图1中，CBP估算器16进一步使用线性回归方程式来估计临床用途的中央动脉血压，并将校正估计的血压和使用者的精炼的PVR波形的波形参数代入线性回归方程式以得到估算的CBP。美国公开专利第20150272512号所教示的线性回归方程式具有中央动脉血压作为因变量，并且具有由波反射产生的收缩晚期肩部的压力值(即第二峰值)、末期收缩压、在收缩期间波形下的面积、在舒张期波形下的面积、末期舒张压和心率作为控制变量。

线性回归方程式如下所示：

SBP-C＝0.30×SBP2+0.20×ESP+1.97×As+0.87×Ad–0.75×DBP+1.00×HeartRate–58.16 (9)

PP-C＝0.26×SBP2–0.06×ESP+2.61×As+1.37×Ad–1.73×DBP+1.62×HeartRate–114.64 (10)

其中SBP-C代表该收缩压、PP-C代表该脉搏压、SBP2代表该第二峰值、ESP代表该末期收缩压、As代表该收缩期波形下面积、Ad代表该舒张压期波形下面积、DBP代表该舒张压、Heart Rate代表该心率。

在等式(9)和(10)中，SBP-C代表收缩压，PP-C代表脉搏压。在每个控制变量前的回归系数(常数)和常数(-58.16，-114.64)仅为例示。该系数和常数可以根据各种估算装置或装置中使用的电子元件而变化，但本发明不限于该实施例。

尽管在上述示范性实施例中已叙述及说明所公开的主题，但本公开内容仅只是以举例的方式作成。因此，于未偏离所公开的主题的精神及范围的情况下，可作成所公开的主题的实作的细节中的许多改变。

本专利中所引用的所有公告及参考文献都明确地全部以引用的方式并入本文中。本申请案主张标题为《使用光体积变化描记信号分析以估算血压的方法和使用该方法的系统》(2022年3月17日提交)的美国临时申请案第63/321,095号和美国申请案第17/752,911号的优先权及利益，此申请案全部以引用的方式并入本文中。

Claims (10)

1.一种使用光体积变化描记信号分析以估算血压的系统，其特征在于，包含：

一上臂可穿戴装置，包含一光体积变化描记(PPG)感测器及感测来自佩戴该上臂可穿戴装置的多个受测者的建模用PPG波形信号；

一基于袖带的血压(BP)测量装置，获得该多个受测者的真实的脉搏容积记录(PVR)波形和真实的血压；

一PPG信号接收器和分析器，建构为：

对建模用PPG波形信号进行处理，自该建模用PPG波形信号取得建模用特征参数；及

获得来自多个受测者的建模用个人信息参数；以及

一PPG到BP估算器和校正器，建构为：

通过将该建模用个人信息参数中至少一个参数分成多个组，根据该建模用特征参数和该建模用个人信息参数计算出估算的血压；

储存近似拟合估算的血压与真实的血压之间的关系的一校正模型；及

使用该校正模型自该估算的血压和真实的血压计算建模用校正估算的血压。

2.如权利要求1的使用光体积变化描记信号分析以估算血压的系统，其特征在于，该上臂可穿戴装置另包括一重力感测器，该上臂可穿戴装置为穿戴于该受测者的上臂以感测该受测者的上臂的运动。

3.如权利要求2的使用光体积变化描记信号分析以估算血压的系统，其特征在于，该上臂可穿戴装置另包括一提醒装置，当该重力感测器感测该运动，该提醒装置警示该受测者。

4.如权利要求1的使用光体积变化描记信号分析以估算血压的系统，其特征在于，该PPG信号接收器和分析器及该PPG到BP估算器和校正器被整合于该上臂可穿戴装置内。

5.如权利要求1的使用光体积变化描记信号分析以估算血压的系统，其特征在于，该上臂可穿戴装置无线或有线传输该PPG波形信号至该PPG信号接收器和分析器。

6.如权利要求1的使用光体积变化描记信号分析以估算血压的系统，其特征在于，该PPG信号接收器和分析器使用一年龄及性别分组方法及通过机器学习演算法进而校正该估算的血压。

7.一种使用光体积变化描记信号分析以估算中央动脉血压的系统，其特征在于，包含：

一上臂可穿戴装置，包含一光体积变化描记(PPG)感测器及感测来自佩戴该上臂可穿戴装置的多个受测者的建模用PPG波形信号；

一基于袖带的血压(BP)测量装置，获得该多个受测者的真实的脉搏容积记录(PVR)波形和真实的血压；

一PPG信号接收器和分析器，建构为：

对建模用PPG波形信号进行处理，自该建模用PPG波形信号取得建模用特征参数；及

获得来自多个受测者的建模用个人信息参数；

一PPG到BP估算器和校正器，建构为：

通过将该建模用个人信息参数中至少一个参数分成多个组，根据该建模用特征参数和该建模用个人信息参数计算出估算的血压；

储存近似拟合估算的血压与真实的血压之间的关系的一校正模型；及

使用该校正模型自该估算的血压和真实的血压计算建模用校正估算的血压；

一PPG到PVR转换器，建构为：

储存一预测模型，其通过使用一近似网络和一精炼网络处理建模用PPG波形信号，以根据该真实PVR波形得到建模用精炼PVR波形；以及

一中央动脉血压(CBP)估算器，建构为：

储存一线性回归方程式以拟合该建模用精炼PVR波形的波形参数及来自该多个受测者的建模用校正估算血压之间的相关性；及

将一使用者的校正估算的血压、心率及精炼PVR波形的波形参数代入该线性回归方程式以获得估算中央动脉血压。

8.如权利要求7的使用光体积变化描记信号分析以估算中央动脉血压的系统，其特征在于，该建模用特征参数为通过向该建模用PPG波形信号执行特征提取而得到。

9.如权利要求7的使用光体积变化描记信号分析以估算中央动脉血压的系统，其特征在于，该建模用PPG波形信号分为等时距的多个集，一初始集被删除，及该真实PVR波形具有一初始时距的一区段被裁截。

10.如权利要求7的使用光体积变化描记信号分析以估算中央动脉血压的系统，其特征在于，该建模用PPG波形信号及该真实PVR波形为采相同峰数对准和动态时间规整方法使得彼此间被同步化处理。