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.

目的:探讨夜间脉搏血氧饱和度（SpO 2）监测对阻塞性睡眠呼吸暂停低通气综合征（OSAHS）预测和分类的价值。 方法:回顾性分析2018年1月至2019年12月就诊于天津医科大学总医院睡眠中心的580例打鼾患者的临床资料，男418例，女162例，年龄13~85（49±14）岁，所有患者均接受了整夜多导睡眠监测（PSG），睡眠呼吸暂停低通气指数（AHI）为0~101.4（43.06±27.47）次/h。其中，非OSAHS组（AHI<5次/h）52例，轻度OSAHS组（5次/h30次/h）361例。从SpO 2信号中提取13个指标，与AHI做相关性分析后，最终筛选11个与AHI相关的SpO 2指标（3%氧减饱和度回升指数，SpO 2低于90%曲线下面积，最低SpO 2平均值，最低SpO 2，平均SpO 2，SpO 2分别低于95%、90%、85%、80%、75%、70%的时间百分比），加入3个人口学指标［性别、年龄、体质量指数（BMI）］作为全部特征。分别利用多元线性回归（MLR）方法和反向传播神经网络（BPNN）多分类方法，进行AHI预测和OSAHS严重程度分类。采用SPSS 25.0软件进行统计学分析，计量资料均采用Pearson相关检验。 结果:对MLR方法和BPNN多分类方法进行评价。MLR方法获得了较高预测性能，其模型拟合优度 r2=0.848（ P<0.05），预测相关系数 r=0.901（ P<0.05）。BPNN多分类方法分类结果的特异度和阴性预测率均在90%左右，敏感度和阳性预测率也较高，其中非OSAHS组分类敏感度为88.46%±4.50%，重度OSAHS组分类的敏感度为94.74%±0.76%。 结论:基于夜间SpO 2监测仪记录的信号，利用MLR模型进行AHI预测以及利用BPNN模型进行多分类的方法，可能对OSAHS有较高的预测和分类价值。

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: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.

脉诊借助脉搏探查人体气血循环状态,为疾病诊治、未病先知、养生保健等提供指导信息.然而,从微弱脉搏中提取脉象信息仍是脉象仪研发中的瓶颈问题.本文从脉搏信号特点、中医脉象分类及其面临的挑战等方面入手,综述了近年来利用基本机器学习(Machine Learning,ML)算法、神经网络算法以及集成学习算法建立脉象分类模型的相关研究,旨在通过比较不同ML算法和实验方案在脉象分类准确度上的表现,探讨基于ML算法建立脉象分类模型的可行性和有效性,以期为脉象仪研发提供参考.

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.

目的 探究上肢脉搏波传导速度(ulPWV)特征价值及不同脉搏波传导速度(PWV)与脉图参数的关系.方法 同步采集82名健康人上肢不同部位多信号波形,利用Matlab提取传导时间与脉图参数,结合传导距离计算6种ulPWV,观察其分布情况并比较左右侧差异;对不同PWV之间的关系进行双变量相关分析,对不同PWV与脉图参数的关系进行典型相关分析.结果 心臂脉搏波速度(hbPWV)、心桡脉搏波速度(hrPWV)与心指脉搏波速度(hfPWV)变异率小,可能是较为稳定的ulPWV指标.健康人ulPWV左右侧差异均无统计学意义,不同ulPWV与对应的动脉血管类型及动脉壁构成特点有关,富含主动脉弹性信息的hbPWV最低,反映肌性中小动脉硬度的臂桡脉搏波速度(brPWV)最高,对应手部末梢循环的桡指脉搏波速度(rfPWV)有其特异性.典型相关分析结果显示,PWV指标与脉图参数的集合变量间相关(R=0.612,P= 0.004),hbPWV、臂踝脉搏波传导速度(baPWV)与h3/h1正相关、与h5/h1负相关,hrPWV与h4/h1正相关,且hbPWV对PWV集合变量的权重系数大于baPWV.结论 健康人左右侧ulPWV反映的动脉血管硬度相近,且不同ulPWV反映对应血管的生理结构特点.健康人不同PWV与脉图参数相关,主动脉硬度信息有可能从"寸口"桡动脉处获取,两者可从中医脉诊和现代医学2个维度结合用于血管健康状况的评价.

目的 睡眠呼吸暂停综合征(sleep apnea syndrome,SAS)是由于睡眠时上气道通气不畅或堵塞引起的呼吸暂停或低通气,严重影响人类健康和生活.目前的检测方法是多导睡眠仪,检测过程较为复杂,影响患者正常睡眠.为此本文提出了一种针对血氧饱和度信号的引入交叉变异的全局混沌人工蜂群(cross global chaos artificial bee colony,CGCABC)算法优化支持向量机(support vector machine,SVM)的SAS检测方法.方法 从数据集ISRUC-SLEEP中提取 25 名SAS患者整晚 8h的脉搏血氧饱和度数据,经预处理后对每段数据计算 5 种非线性特征,包括近似熵、模糊熵、信息熵、排列熵和样本熵.比较发病片段信号特征和未发病片段信号特征之间的差异,使用CGCABC算法优化的SVM模型进行分类检测,并与人工蜂群(artificial bee colony,ABC)算法、粒子群(particle swarm optimization,PSO)算法、麻雀搜索(sparrow search,SS)算法优化SVM模型的检测结果进行对比.结果 使用CGCABC算法优化的SVM模型在准确率、特异度、敏感度以及收敛时间上均有较好的效果,优于ABC算法、PSO算法和SS算法优化SVM模型的检测.结论 本文提出的方法对SAS这一疾病的识别和检测具有重要价值,在医疗领域上具有广泛的应用前景.