目的:为降低环境因素对心率提取的影响,提出一种基于手机指尖视频的心率提取算法.方法:首先,采集指尖视频并按照30帧/s的帧率进行图像提取,并将图像分离成R、G、B 3个通道图像.通过对比3个通道图像的亮度变化强弱情况,选取对指尖血流信号最为敏感的G通道作为信号源,提取图像亮度变化信息生成时长为10 s的容积脉搏波.其次,对该波形进行数字滤波、去除基线漂移、傅里叶变换等信号处理后,根据最大谱峰位置信息预估心率.最后,在BUT PPG数据集(Brno University of Technology Smartphone PPG Database)上验证提出的算法对心率的预测效果.结果:提出的算法心率预测值与实际心率的均方差、均方根差和平均绝对误差分别为3.71、1.92和1.2次/min.结论:提出的算法预测心率的准确率高,适合部署于手机进行日常心率监测.

精神疲劳是一种综合性的心理和生理现象,会对个体的身心健康产生负面影响,并严重削弱其工作效能,从而可能导致重大事故.因此,对精神疲劳评估的研究尤为重要.心率变异性(heart rate variability,HRV)作为精神疲劳评估的重要手段,具有获取途径广泛和高信噪比等特点,成为当前研究热点.目前关于采用HRV进行精神疲劳评估的研究不断涌现,但仍缺乏系统性的总结和分析.因此,本文对基于HRV的精神疲劳评估的研究现状进行了综述.首先,本文对精神疲劳评估的HRV分析方法进行了总结,HRV特征可以从心电图(electrocardiogram,ECG)、光电容积脉搏波(photoplethysmography,PPG)和心冲击图(ballistocardiogram,BCG)信号中获得,对这3种信号评估精神疲劳的技术原理以及优缺点进行了详细介绍,目前较成熟的方法是采用ECG信号,BCG信号在精神疲劳评估领域虽然研究较少,但其采集过程可以做到无束缚,有着广泛的应用前景;其次,对基于心电图、光电容积脉搏波和心冲击图信号开发的精神疲劳评估设备进行了归纳和对比,分为穿戴式设备和非穿戴式设备,两者应用场景不同,穿戴式设备相较于非穿戴式设备更加成熟;最后,本文对精神疲劳评估现存的难点提出了对策,以期为后续精神疲劳评估技术的改进和创新提供参考,能够更好地监测和评估精神疲劳,提升个人的心理健康和工作效率.

目的:评估连续光电容积脉搏波算法应用于可穿戴设备时，检出心房颤动（房颤）和评估房颤负荷的准确性。方法:本研究是一项自身对照的前瞻性队列研究，连续纳入2022年9至11月于首都医科大学附属北京安贞医院心内科住院治疗的254例房颤患者。所有受试者同时佩戴2种设备：（1）心电手表，用于采集光电容积脉搏波（W-PPG）和心电图（W-ECG）；（2）心电贴，用于采集心电图（P-ECG）。分别以30 s数据片段和受试者个体为单位，将心电手表得出的测量结果与心电图专家判读心电贴结果相对比，采用受试者工作特征曲线评估其敏感度和特异度。按照房颤负荷比例均分为4个分段，计算由房颤分析软件得出的房颤负荷与心电图专家判别心电贴结果得出的房颤负荷差值。结果:254例受试者的年龄为（63.04±11.04）岁，99例（38.98%）为女性，持续性房颤患者97例（38.19%）。以心电图专家判读心电贴的结果为标准，以片段为单位时，P-ECG算法的敏感度为94.86%（95% CI：94.81%~94.91%），特异度为99.30%（95% CI：99.28%~99.31%），W-PPG算法的敏感度为96.07%（95% CI：95.97%~96.18%），特异度为98.62%（95% CI：98.59%~98.65%）；以个体为单位时，P-ECG算法的敏感度为92.55%（95% CI：87.57%~95.71%），特异度为96.39%（95% CI：93.45%~98.09%），W-PPG算法的敏感度为93.71%（95% CI：88.75%~96.67%），特异度为89.62%（95% CI：85.61%~92.65%）；以单次采集W-ECG记录为单位时，W-ECG算法的敏感度为92.04%（95% CI：88.14%~94.78%），特异度为96.19%（95% CI：94.35%~97.47%）。房颤负荷评估方面，各负荷分布区间内W-PPG分析结果与心电图专家判读心电贴结果相差均小于2%。 结论:连续PPG算法应用于可穿戴设备检测房颤是一种可行策略。以心电图专家判读心电贴的结果为标准，通过智能手表连续监测PPG对于房颤诊断具有较高的准确性，同时也可有效地完成房颤负荷评估。

目的:验证基于光电容积脉搏波描记术（PPG）的无创血红蛋白检测仪的准确性。方法:采用偏最小二乘（PLS）机器学习算法和PPG技术研发无创血红蛋白检测仪，对无偿献血人群和中国人民解放军总医院血液科患者采用新研发的无创设备检测血红蛋白（SpHb），有创血常规检测血红蛋白值（tHb）做参考。数据分析采用软件MATLAB R2015b，通过相关系数（ R）、均方根误差（ RMSE）、残差、克拉克（Clarke）网格误差分析和软件MedCalc19.5.6进行Bland-Altman（BA）分析验证其血红蛋白检测准确度。 结果:与临床常用有创检测方法比较，二者相关系数 R=0.915 2， RMSE为0.959 51。Clarke误差网格分析结果显示，数据均位于A区（88.82%）和B区（11.18%），C区无数据分布。BA一致性分析显示，SpHb与tHb差值的平均值0.7 g/L，95%可信区间（ CI）-18.1~19.5g/L。 结论:基于PPG无创检测血红蛋白技术可快速准确测量患者血红蛋白水平，有望替代传统的有创血红蛋白检测方法。

目的 借助体外循环实验系统的可控参数优势考察血流参数变化对脉率特性的影响.方法 建立一套搭载腕部体外模型的人体循环系统,通过分别改变心率、腕部流量、压力和系统顺应性等参数,从腕部模型中获取光电容积脉搏波信号,并提取脉率变异性的时域和频域指标.结果 心率、压力和系统顺应性的改变会引起脉搏波形状的改变,但能够表明脉率变异性的时域指标NN50、PNN50 数值为 0,其他指标以及频域指标都处在极低值范畴.结论 在未有心率变异性时,心率、腕部流量、血压和系统顺应性等血流动力学变化未产生明显的脉率变异性.本研究可为临床在更便利的腕部采集设备加持下开展更多脉率变异性和心率变异性研究提供参考.

目的 探索光电容积脉搏波振幅(PPGA)用于评估手术患者术前焦虑程度的可行性.方法 依据状态-特质焦虑量表中的状态焦虑量表(STAI-S)评分将113例择期行外科手术的患者分为焦虑组(术前STAI-S评分≥40分,57例)和非焦虑组(STAI-S评分＜40分,56例).采用光电监护仪记录两组患者PPGA.采用Pearson相关系数分析STAI-S评分与各临床指标之间的相关性.ROC曲线分析PPGA对患者术前焦虑的诊断价值.结果 焦虑组PPGA低于非焦虑组(P＜0.01).两组心率、收缩压、舒张压均无统计学差异(P＞0.05).STAI-S评分与PPGA呈负相关(r=-0.43,P＜0.01),与心率、收缩压、舒张压无相关性(r=0.11、0.11、0.02,P＞0.05).ROC曲线结果显示,PPGA诊断患者术前焦虑的曲线下面积为0.77[95％CI(0.68～0.86)],当取最佳诊断界值为13.5任意单位时,其对应的灵敏度和特异度分别为79.6％和71.2％.结论 PPGA可用于评估患者术前焦虑状态.患者PPGA越低,术前焦虑程度越高.

目的:提出一种基于光电容积脉搏波(PPG)的极简特征回归树血压估计模型.方法:从单路PPG信号中提取15个特征参数,利用斯皮尔曼相关系数筛选与血压相关性最高的4个参数,构建极简特征回归树血压模型.结果:极简特征回归树血压模型收缩压和舒张压的估计误差分别达到(-0.02±3.63)mmHg和(-0.04±2.10)mmHg.结论:提出的极简特征回归树血压模型结构简洁、准确率较高,这一发现对于在可穿戴设备中使用单路PPG信号进行血压估计具有重要意义.

光电容积脉搏波(photoplethysmography,PPG)在可穿戴和智能健康设备中具有重要的应用价值.然而,PPG信号在采集过程中由于不可避免的耦合运动产生干扰段,导致信号质量降低.面向PPG信号干扰段实时检测问题,该研究分析PPG信号干扰段产生原因及波形特征,对相邻波峰间的脉搏波数据提取7个特征,并利用双样本Kolmogorov-Smirnov检验来选择显著变化的特征,最后训练决策树模型对干扰段信号进行实时检测.设计实验,采集20名在校大学生的PPG信号构成实验数据集.实验结果表明,所提出方法的平均准确率为(94.07±1.14)%,比常用的干扰段检测算法的准确率和实时性更高.

为实现血红蛋白浓度的无创检测,设计基于支持向量回归的血红蛋白浓度检测方法.首先,基于Beer-Lambert定律建立血红蛋白无创检测数学模型;然后,对采集的光电容积脉搏波描记法(PPG)信号进行降噪和滤除基线漂移处理后提取出血红蛋白浓度特征信息,并使用递归特征消除算法对提取的特征信息进行选择,以去除冗余特征;最后,将筛选出的29个特征信息作为回归模型的输入特征,并采用支持向量回归算法构建血红蛋白预测回归模型.通过对249例临床数据进行试验验证(其中199例作为训练数据集,50例作为测试数据集),得出预测值与参考值的均方根误差为1.83 g/dL,相关系数为0.75(P<0.01),试验结果表明本文方法与传统有创检测方法具有较强的一致性.

针对传统的血红蛋白浓度检测需要抽血采样,检测流程复杂且无法连续监测血红蛋白浓度的变化趋势等问题,本研究设计了一种基于多波长近红外光谱的无创血红蛋白浓度检测方法.首先,基于Beer-Lambert定律建立了血红蛋白无创检测数学模型,并依据该模型设计了八波长近红外光电容积脉搏波(photoplethysmography,PPG)信号采集系统;然后,对采集的PPG信号进行降噪和滤除基线漂移等预处理,并根据建立的无创检测模型对特征信息进行提取与选择;最后,基于Stacking算法构建血红蛋白预测回归模型.通过对 249 例临床数据进行实验验证,得到无创检测模型的预测值与参考值的均方根误差为 1.17 g/dL,相关系数为 0.75.实验结果表明,本研究方法可有效实现血红蛋白浓度的无创检测.