一种新的非有创连续血压测量基于心电图 -- 知识铺
特刊文章
机械工程进展
2016, Vol. 8(6): 1–8
Ó作者 2016
DOI: 10.1177/1687814016653689
aime.sagepub.com
一种新的非
有创连续血压
测量基于
心电图
吴忠敏
1
, Chueh Yu Chuang (楚玉庄酒店)
2
, 陈汝玖
3
和Shih-Chung
陈
3
抽象
各种生理参数已被广泛用于疾病的预防和检测。特别是,
心血管疾病的发生可以通过每天测量血压来观察。目前,
最常见的血压测量方法记录上臂的血压。这可能导致
受试者因压力而感到手臂不舒服和紧张可能会导致测量误差。心电
革兰克代表心脏功能期间的电活动,但也包含与血压相关的信息。这
该研究试图使用一种新的非
利用智能神经网络算法计算血液的侵入性血压测量技术
来自心电图参数的压力值。在这项研究中,血压测量的平均错误率——
与普通血压机相比,血压低于 5%。所提出的方法缓解了
不适引起的误差,这为在更少的时间内连续监测血压提供了更可行的方法
压力大的条件。这项技术在推进医疗保健方面具有巨大潜力。
关键字
心电图、血压、神经网络、医疗保健
收稿日期: 2015-09-15;录用日期: 2016-05-12
学术编辑:Stephen D Prior
介绍
各种生理参数已被广泛使用
用于预防和检测疾病。在标准面上
ticular,可以观察到 cardi- 的发生
通过每日血压 (BP) 引起的血管疾病
测量。目前,最常见的血压测量
保证法记录上臂的压力。
受试者可能会感到不舒服和紧张
由于手臂上的压力可能导致血压测量
保证错误。以前的研究使用了光容积剂
mogram (PPG) 和机器学习技术
同时无创估计血液
1
昆山大学计算机与通信系
台南市, 台湾
2
国立成功大学生物医学工程系
台南, 中国台湾
3
南台大学电机工程系
Science and Technology, 台南, 台湾
通讯作者:
Chung-Min Wu,计算机与通信系,坤
掸大学, No. 195, Kunda Rd, Yong-kang Dist., Tainan City 71003,
台湾。
电子邮件: cmwu@mail.ksu.edu.tw
Creative Commons CC-BY:本文根据 Creative Commons Attribution 3.0 License 的条款分发
(http://www.creativecommons.org/licenses/by/3.0/) 允许对作品进行任何使用、复制和分发,但不得
进一步的许可,前提是原始作品按照SAGE和开放获取页面(https://us.sagepub.com/en-us/nam/ 的规定注明出处
在鼠尾草上开放访问)。
序列。PPG的峰值结果相同。这
模糊峰检测算法如下所述。
设 X(k) 表示 ECG 数据的振幅
离散时间 k。心电波的斜率可以是
由公式(1)得到
斜率kðÞ=2Xk2ðÞX(k1)
+Xk+lðÞ+2Xk+2ðÞ ð1Þ
斜率阈值 = 1=23maxpkð2Þ
初始最大值是
ECG 文件中的前 200 个数据点。
当两个连续的心电图数据满足条件时
斜率(k)大于slope_threshold
定义为等式 (2),QRS 波群的开始
被检测到。检测到QRS发作后
复数,则搜索最大点 (maxp) 为
作为 Rpoint。然后,maxpis 由
定义为方程的模糊阈值算法
(3)和(4)
maxpk= 模糊(峰值 maxpk1) + maxpk1ð3Þ
峰值 = Rpoint 高度 QRS 发病高度 ð4Þ
在模糊阈值算法中,预测误差
e
k
是由 dif- 创建的模糊算法的输入。
峰值和最大值之间的波动
k21
可以谴责
作为公式 (5) 发送
ek= 峰值 maxpk1ð5Þ
在模糊算法中,语言模糊推理
规则用于计算修改后的误差 E9k。这
五个语言参数如下: ‘‘LN,负数
大,“‘‘SN,负小”,“ZE,零”,“SP,正”
small“和”LP,正大“(图2(b))。这
语言模糊推理规则的示例描述为
‘‘如果 e
k
是 LN,然后是 e9kis LN。在这项研究中,
模糊推理规则表如表1所示。
模糊阈值的输出变量 (e9k) 为
以重心法计算为方程
(6),其中变量S为S
i
是
推理规则中的第 个前提和 B
i
是中心
推理规则中第 th 个结论的值。这
除毛器的范围来自 B
1
至 B
5
(图2(c))
e9k=P
n
i=1
SiBi
P
n
i=1
Si
ð6Þ
PPG与心电图的关系分析
为了将心电图的信号转换为值
对于 BP,我们需要计算每个
波段(图4)与动脉收缩压和
动脉舒张期以找到转换参数。
在图 4 中,“TR”表示 T 之间的周期
波浪和下一个R波的周期,与TQ相同
和 TP。 ‘‘ST’’ 表示 S 波之间的周期
和 T 波在同一周期中,与 RT 和
QT.‘‘SB’‘表示收缩期,“DB’’”表示收缩期。
满足舒张期。“ET”代表心电图
周期,即 R-R 间隔和“BT”的周期
表示 PPG 循环。
表 1.模糊推理规则表。
e
k
LN SN ZE SP LP
e9kLN SN ZE SP LP
LN:负大;SN:负小;ZE:零;SP:正小;LP唱片:
正大。
图4.心电图和PPG之间的关系。
图5.智能神经网络结构。
Wu et al. 3
无创血压测量技术
在这项研究中,我们开发了一个智能神经网络——
转换心电图信号的工作算法(图5)
转换为 BP 值。该算法使用强对应
在 ECG 和 PPG 之间作为神经网络的输入-
工作,并通过大量的学习试验,
增强输出的正确性。神经网络
算法包括多层感知器 (MLP) 和
错误反向传播 (EBP)。
在 MLP 处理中,我们设置学习率 h(1)
和一个可容忍的误差 (0.001),输入的输入节点
层是i
j
其中 jis 从 1 到 n,nis 是
高相关系数(.0.7)。这 w
hi
是th
隐藏层的权重值,即 W
oh
是 hth
输出层的权重值,以及这些初始权重
值是随机的。活动函数 (f) 使用
定义为方程的对数 Ϟmoid 传递函数
(7)、y
o1
和 y
o2
是 SBP 和 的估计值
DBP 分别
fxðÞ=1=exp( 05x)ð7Þ
EBP 在两层之间进行处理,输出
把 nlayer 和 th 神经元 (yn
j) 可以得到
由等式 (8) 式 其中 Fis 活动函数 Netn
jis
N21层的权重累计值。错误
函数 (E) 定义为等式 (9),其中 d
k
是
第 k 个目标值和 y
k
是第k个神经元的输出
在输出层中。调整权重值
方程 (10) 和 (11),其中 pi 的训练时间为
PTH
yn
j=f 净值
j
,netn
j=Xiwn
吉恩1
i+bn
jð8Þ
E=P
k
dkyk
ðÞ
2
2ð9Þ
wji pðÞ=wji p1ðÞ+Dwji ð10Þ
德吉 =h
∂E
∂wji
=hdjyn
j
f9netn
j
yn1
ið11Þ
图形用户界面分析
本研究使用了MATLAB的图形用户界面
(GUI) 建立心电图分析平台
信号(图6)。该平台的功能将
显示每个峰的检测,心电图节律分析,
和 BP 的估计值。
结果
测量实验
在这项研究中,我们输入心电图、PPG 和血压测量值——
ments(图7)。涉及的信号处理步骤
图6.心电信号分析平台。
4机械工程进展
信号峰值检测和相关性分析以及
确定
这些信号。
在 ECG 和 PPG 中检测到的峰值由
模糊阈值算法如图8所示。这
虚线是图中峰值检测的阈值
第8(b)和(d)段。图8(c)显示了来自
PPG,其检测峰的阈值为
PPG 最大振幅的 50%。
心电图和PPG特征分析
最初,我们从五个收集了 ECG 和 PPG 数据
参与者发现心电图之间的特征
和 PPG。信号处理后,表征
心电图和PPG信号的相关性分析为:
如表2所示。我们从表 2 中选择了 rele-
VANT 特性高于 68.2%(一个标准
偏差)的区间参数(ET、RT、QT、
ST、TP、TQ 和 TR) 用于神经网络输入
变量。
图7.使用(a)PPG进行实验测量
测量装置和(b)心电图测量装置。
图8.比较原始数据和模糊数据的心电图和PPG中的峰值检测:(a)心电图原始数据,(b)模糊心电图的R波峰
检测,(c) PPG 峰值检测,以及 (d) 模糊 PPG 的峰值检测。
Wu et al. 5 (英语)
BP的估计值
使用 ET、RT、QT、ST、TP、TQ 和 TR 时间序列
作为神经网络的输入信号,这
研究建立了两个反向传播神经网络
具有 4 个输入节点、40 个隐藏节点和
1 个输出节点。一个区块估计了 SBP(ET、QT、
RT 和 ST 作为输入),以及另一个估计的 DBP
(ET、TP、TQ 和 TR 作为输入)。50 名参与者
这项研究的年龄在20-26岁之间,我们收集了两个
每个主题的数据集,总共 100 个数据集。其中,
50 个数据集用于训练,另外 50 个数据
用于测试的集。在学习了 50 个数据集(图 9)后,
受试者直接进行 1 分钟的心电图测量,并计算
culed BP 值,我们比较了
BP (ECG-BP, PTT-BP) 与汞值
血压计(KENLU 型号 K-300),如图所示
在附录 1 中。估计的平均错误率
SBP为1.96%,DBP的平均错误率为1.96%
ECG-BP模型为2.14%。平均错误率
估计的 SBP 为 6.23%,平均误差为
PTT-BP模型的DBP率为6.23%。
结论
在这项研究中,BP 测量的平均错误率——
低于5%(SBP/DBP为1.96%/2.14%)
与 KENLU 型号 K-300 汞相比
血压计。血压可能受到外在因素的影响
环境和行为因素,以及
内在的心血管调节机制。这
表 2.ECG和PPG信号之间的表征相关性分析。
PPG BT Bh SB SB SB DB DB DB
心电图 ET Rh RT QT ST TP TQ TR
受试者 1 0.98 20.2 0.8 0.88 0.8 0.94 0.96 0.96
主题 2 0.97 0.26 0.68 0.75 0.74 0.95 0.96 0.96
主题 3 0.92 20.04 0.81 0.79 0.83 0.86 0.85 0.86
受试者 4 0.98 20.1 0.67 0.7 0.56 0.82 0.91 0.9
主题 5 0.99 20.04 0.81 0.74 0.76 0.84 0.85 0.85
平均值 0.97 20.02 0.75 0.77 0.74 0.88 0.91 0.91
PPG: 光电容积脉搏波;ECG:心电图。
图 9.神经网络的训练性能。
6机械工程进展
反向传播神经网络利用监督
一种学习算法,可以跟踪用户的可变HR
行为改变并适应估计 BP 值
实时。综上所述,本研究可用于
观察BP的动态变化,并提出
方法减轻了因不适而引起的错误
提供持续监测血压的可行方法
在压力较小的条件下。这项研究测量了
心电图生物信号,使用信号估计血压值
减少高干扰的测量装置
频率噪声和运动混叠,而不是同时
仔细测量心电图和PPG。我们可以
观察到本技术中提出的ECG-BP模型
cle 比 PTT-BP 模型更准确
11
in
附录 1.这项技术具有巨大的潜力
促进医疗保健。
利益冲突的声明
作者声明与作者没有潜在的利益冲突
尊重本研究、作者身份和/或出版物
品。
资金
作者披露收到以下财务支持:
用于研究、撰写和/或出版本文件的端口
文章:作者非常感谢支持
由科学部和
技术, 台湾, 中华民国, 根据合同
MOST:104-2627-E-006-001。
引用
1. Enric MM. 血糖和
通过光电容积脉搏波测定血压
机器学习技术。Artif Intell Med 2011 年;
53: 127–138.
2. Liu Q, Poon CCY 和 Zhang YT.时频肛门-
心率、收缩压变异性的 YSIS
和运动前后的脉搏传递时间,使用
递归自回归模型。生物医学信号处理
2011;6: 364–369.
3. Ahmad S, Chen S, Soueidan K, et al.心电图-
辅助血压估计。IEEE T 生物医学工程
2012;59: 608–618.
4. 瓦洛赫 RA。采用全自动血压计
伪影剔除方法及装置。美国专利
5,337,750, 1994.
5. 无创血压测量和运动技术
事实:一项比较研究。俄勒冈州比弗顿:修订实验室
公司,1998 年。
6. Teng XF 和 Zhang YT.连续无创
使用照片估计动脉血压
体积描记法。在:25日会议记录
IEEE工程年度国际会议
医学和生物学会,墨西哥坎昆,17-21
2003年9月,第3153-3156页。纽约:IEEE。
7. 索达
的 P、Mersich A 和 Jobba
‘gy A
´.高级间接
测量血压的方法。时期理工学院
电子 2009;53: 115–121.
8. Ilango S 和 Sridhar P.无创血压
使用 Android 智能手机进行测量。IOSR J 凹痕
医学科学 2014;13: 28–31.
9. Fung P, Dumont G, Ries C, et al.连续无创
通过脉搏传输时间测量血压。
在:第26届IEEE工程年会
医学和生物学学会 IEMBS ‘04,San
加利福尼亚州弗朗西斯科,2004 年 9 月 1 日至 5 日。纽约:IEEE。
10. Poon CCY 和 Zhang YT.无袖带、无创
通过脉冲传输测量动脉血压
时间。在:第27届年度国际会议工程
医学与生物学会(IEEE-EMBS),上海,
中国,2005年1月17日至18日。纽约:IEEE。
11. Ye SY, Kim GR, Jung DK, et al.估计收缩压
和舒张压使用脉冲传递时间。程序
2010年世界科学院工程技术奖;43: 726–731.
12. So HH 和 Chan KL. QRS 检测的发展
一种实时动态心脏监护仪的方法。在:
第19届国际年会论文集
IEEE医学和生物学工程学会,中国
伊利诺伊州卡戈,1997年10月30日至11月2日,第1卷,
第289-292页。纽约:IEEE。
Wu 等人 7
附录1 使用智能神经网络算法估算血压值。
受试者:水银压力计 ECG-BP、PTT-BP
SBP DBP SBP DBP SBP DBP
01 118 72 123.29 74.80 108.54 67.65
02 138 88 130.77 86.38 128.34 80.73
03 138 86 136.57 86.51 134.34 83.73
04 130 76 134.76 76.53 134.34 83.73
05 108 72 105.80 72.27 118.24 70.64
06 112 70 114.01 70.89 113.90 78.80
07 128 84 128.43 84.70 125.70 85.60
08 130 90 128.02 90.36 140.80 87.76
09 118 76 116.70 76.57 120.43 75.57
10 120 80 118.32 80.81 124.16 81.20
11 130 90 124.50 90.24 126.52 89.94
12 138 98 137.71 98.80 136.29 98.80
13 108 68 106.08 68.34 105.92 72.72
14 114 72 122.53 72.10 125.53 69.10
15 126 78 123.96 78.06 128.09 75.06
16 108 72 106.72 73.36 136.90 85.30
17 106 64 108.40 67.27 121.82 63.58
18 122 72 129.11 78.27 129.57 66.20
19 138 86 134.92 84.93 130.02 70.35
20 118 78 119.61 81.09 126.37 69.12
21 122 80 125.51 80.75 127.82 69.61
22 108 68 120.31 68.84 125.66 64.88
23 116 78 117.33 78.11 124.85 68.61
24 128 88 124.58 83.83 127.92 82.64
25 118 84 116.93 84.44 123.46 68.13
26 130 88 131.65 89.83 129.36 70.13
27 108 68 109.26 69.68 127.80 69.60
28 128 70 128.11 70.58 123.98 68.31
29 130 96 129.85 96.65 130.13 90.39
30 102 66 101.59 66.22 109.86 66.30
31 110 68 109.59 68.11 120.12 66.38
32 110 70 109.94 42.57 120.05 66.36
33 114 64 112.18 62.97 121.24 65.75
34 118 70 117.37 71.36 127.76 65.59
35 128 74 128.28 75.62 130.11 70.38
36 126 76 126.23 76.20 128.28 69.76
37 124 68 124.56 69.91 128.33 69.78
38 108 66 107.85 66.70 106.38 65.12
39 128 80 125.02 80.88 127.49 77.49
40 140 82 129.01 82.52 127.00 79.33
41 120 86 118.09 86.33 127.01 89.33
42 138 78 137.45 79.38 126.06 69.01
43 120 86 120.92 86.44 130.13 70.39
44 136 86 136.21 86.79 130.04 78.36
45 118 86 117.38 85.96 129.73 80.25
46 86 54 85.64 54.06 104.40 58.45
47 106 70 107.00 69.68 110.14 70.39
48 118 84 124.29 82.89 110.04 80.36
49 128 68 128.20 68.56 129.89 66.31
50 130 66 131.67 66.99 129.89 66.30
ECG:心电图;BP:血压;PTT:脉冲传输时间;SBP:收缩压;DBP:舒张压。
8机械工程进展
- 原文作者:知识铺
- 原文链接:https://index.zshipu.com/ecg/post/20240419/%E4%B8%80%E7%A7%8D%E6%96%B0%E7%9A%84%E9%9D%9E%E6%9C%89%E5%88%9B%E8%BF%9E%E7%BB%AD%E8%A1%80%E5%8E%8B%E6%B5%8B%E9%87%8F%E5%9F%BA%E4%BA%8E%E5%BF%83%E7%94%B5%E5%9B%BE--%E7%9F%A5%E8%AF%86%E9%93%BA/
- 版权声明:本作品采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可,非商业转载请注明出处(作者,原文链接),商业转载请联系作者获得授权。
- 免责声明:本页面内容均来源于站内编辑发布,部分信息来源互联网,并不意味着本站赞同其观点或者证实其内容的真实性,如涉及版权等问题,请立即联系客服进行更改或删除,保证您的合法权益。转载请注明来源,欢迎对文章中的引用来源进行考证,欢迎指出任何有错误或不够清晰的表达。也可以邮件至 sblig@126.com