本發(fā)明屬于醫(yī)學信號檢測與處理領域，涉及一種基于單探頭光電容積脈搏波的血管彈性和血壓的檢測方法。

背景技術(shù)：

人體的血管彈性大體上是隨著年齡逐漸降低的，血管彈性較差的人一般都會有一定程度的動脈硬化。本發(fā)明針對很多心血管疾病中存在的動脈硬化情況，以及現(xiàn)有的評價血管彈性的度量標準PWV和ABI在不同人身上存在著差異，且需要同時測量人體兩個部位的脈搏波，操作復雜。

基于容積脈搏波獲取血壓參數(shù)信息是近年來研究的重點與熱點。此問題難點在于如何對容積脈搏血流進行標定，特別是如何建立其與血壓的關(guān)系。目前的研究主要包括兩種方法：一種是根據(jù)容積脈搏波和壓力脈搏波之間的轉(zhuǎn)換關(guān)系得到血壓參量；另一種是利用脈搏波傳導時間測量得到血壓。前者一般無法擺脫充氣袖帶的束縛和壓力不斷變化對人體的影響，長時間測量會給測試者帶來不適感。后一種方法是近年來出現(xiàn)的一種新思路，無需充氣袖帶，只要檢測脈搏波傳導時間,即可間接推算出每搏血壓值，但現(xiàn)有技術(shù)一般是測量不同位置兩點心電信號與脈搏波信號，脈搏波信號與脈搏波信號，要求操作人員有一定的醫(yī)學知識，而且對檢測部位要求十分嚴格，操作不便。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明通過構(gòu)建使用單路PPG信號血壓與血管彈性測量的測量模型，提供一種基于單探頭容積脈搏波的血管彈性和血壓檢測方法，采用Android平臺軟硬件結(jié)合對脈搏信號進行采集分析，涉及信號時域、頻域、時頻域的信號處理方法，所述的信號處理方法主要包括單路PPG信號量化血管彈性的算法和單路PPG信號檢測血壓算法。

本發(fā)明的技術(shù)方案為：

一種基于單探頭光電容積脈搏波的血管彈性和血壓的檢測方法，采用單探頭傳感器采集PPG信號，在信號時域內(nèi)提出一個用于對血管彈性的初步量化的血管彈性相關(guān)特征量：重搏波特征量(Double Wave Feature)；并且提取PPG信號頻域特征、時頻域特征，與DWF結(jié)合，綜合提取一個能量化血管彈性大小的變量記為：DWF1。在提取PPG信號血管彈性相關(guān)特征量的同時，對PPG信號做二次差分，提取脈搏波傳播時間(Pulse Wave Transit Time，PWTT)，結(jié)合DWF1與PPG信號頻域特征，建立血壓測量方程。單路PPG信號檢測血管彈性及血壓算法總體框圖如圖1所示。本發(fā)明包括以下步驟：

第一步：采用單探頭容積脈搏傳感器采集N個不同性別不同年齡段分布的脈搏波信號數(shù)據(jù)，即PPG信號數(shù)據(jù)，其編號為：R₁，R₂，…，R_N，所述的PPG信號為被試者食指指端的脈搏波信號。采用袖帶式電子血壓計采集脈搏波信號數(shù)據(jù)對應的收縮壓數(shù)據(jù)和舒張壓數(shù)據(jù)，收縮壓數(shù)據(jù)編號為SBP₁，SBP₂，…，SBP_N，舒張壓數(shù)據(jù)編號為DBP₁，DBP₂，…，DBP_N。并以PPG信號數(shù)據(jù)、收縮壓數(shù)據(jù)和舒張壓數(shù)據(jù)作為訓練BP神經(jīng)網(wǎng)絡與建立血壓預測方程的標準。

所采集的PPG信號數(shù)據(jù)通過信號調(diào)理電路，濾波和放大后，傳輸至單片機控制器模塊，進行AD轉(zhuǎn)換，并將AD轉(zhuǎn)換后的數(shù)據(jù)由藍牙模塊傳輸至移動端軟件控制模塊，在移動端進行脈搏信號的實時監(jiān)測處理。所述的AD轉(zhuǎn)換時的采樣頻率為200Hz。所述的移動端軟件控制模塊用于實現(xiàn)藍牙通信、脈搏數(shù)據(jù)保存、血管彈性量化以及血壓計算。

第二步：提取脈搏波血管彈性相關(guān)特征量

分別對PPG信號數(shù)據(jù)R₁，R₂，…，R_N進行預處理后，提取特征點；所述的預處理包括去除噪聲、去除飽和信號、去除基線漂移；所述的特征點包括時域特征點、頻域特征點、時頻域特征點；所述的時域特征點包括主波峰、主波谷、重搏波波峰波谷，脈搏周期數(shù)num、重搏波特征量DWF，所述的頻域特征點包括心率HR，所述的時頻域特征點包括歸一化IMF分量提取的血管彈性特征、多尺度倒譜提取血管彈性特征。

2.1)提取心率HR

2.1.1)采用K-means聚類算法提取脈搏特征波形

分別提取PPG信號數(shù)據(jù)R₁，R₂，…，R_N的脈搏波特征量K、K1、K2值，每一個R_i(i＝1,2,…,N)脈搏波數(shù)據(jù)對應一組K、K1、K2值，將K、K1、K2作為k-means聚類算法的輸入，分別做三次聚類運算，以及一次布爾運算，提取一個周期脈搏特征波形。

以K值為輸入的聚類運算步驟為：首先計算得到一組K值的均值與中位數(shù)，以兩者的差值作為閾值；通過迭代計算不斷修改閾值，最終選出0.5*num個周期的脈搏波，聚類中心的K值對應的脈搏波形即為一個周期脈搏特征波形。以K1、K2值為輸入的聚類運算步驟和K值為輸入的相同。

2.1.2)對步驟2.1.1)得到的脈搏特征波形進行周期延擴頻譜分析

首先對脈搏特征波形進行周期擴展，再對其做離散傅里葉變換，求其頻譜，并得到三次諧波的譜峰峰值記為h₁,h₂,h₃，再提取頻譜的基頻頻率f₁(一般在1～2Hz之間)；當彈性減小的時候h₂/h₁的比值增大；將f₁乘以60得到心率(Heart Rate,HR)。

2.2)提取重搏波特征量DWF

以一個編號為R_i(i＝1,2,…,N)的PPG信號數(shù)據(jù)為例，首先采用動態(tài)差分閾值法找到預處理后的PPG信號數(shù)據(jù)的num個周期的重搏波波峰(X_f,Y_f)和波谷點(X_g,Y_g)，然后提取重搏波特征量DWF。

假設理想的完全健康的脈搏信號的DWF值為M，理想的患有嚴重動脈硬化情況的脈搏波DWF值為L，DWF的范圍就是L-M，按如下公式計算DWF：

DWF＝M-∑1/k_fg

(1/k_fg)_max＝M/num

其中，k_fg為表征重博波波谷波峰兩點的斜率；fs為采樣頻率；num為PPG信號的脈搏周期數(shù)。

2.3)采用EEMD算法，歸一化IMF分量提取血管彈性特征

以一個編號為R_i(i＝1,2,…,N)的PPG信號數(shù)據(jù)為例，對預處理后的PPG信號數(shù)據(jù)進行EEMD分解得到imf_g，其中g(shù)不小于6；對前6個imf_g分量進行歸一化運算采用差分閾值法，找到PPG信號的極大值作為峰值，最后將峰值點的幅值相加得到不同分量的峰值之和分布情況，峰值之和記為A_imfg。

2.4)多尺度倒譜提取血管彈性特征

以一個編號為R_i(i＝1,2,…,N)的PPG信號數(shù)據(jù)為例，所述的多尺度倒譜分析為對預處理后的PPG信號數(shù)據(jù)加一個尺度不同的滑動平均濾波器，然后對其做倒功率譜分析，得到倒濾波譜圖，在倒濾波譜圖中按公式(2)提取血管彈性特征w_i。

其中，公式(2)中為PPG信號倒濾波譜；b₁為倒濾波譜圖中的極小值點，為b₁點在倒濾波譜上的幅值；a₁為倒濾波譜圖中的極小值點，為a₁點在倒濾波譜上的幅值。w₀與w₁在倒濾波譜X軸兩段不同的范圍內(nèi)。

公式(2)的目的是針對倒濾波譜圖中的極值點求其斜率值，若沒有極值點，則求其與相應段起始點之間的斜率值。

第三步：加速脈搏波提取脈搏波血壓相關(guān)特征量PWTT

以一個編號為R_i(i＝1,2,…,N)的PPG信號數(shù)據(jù)為例，對原始PPG信號數(shù)據(jù)進行二次差分后得到加速脈搏波信號，根據(jù)第二步中提取的時域特征點能夠劃分出num個周期；在每一個周期內(nèi)采用動態(tài)差分閾值法提取加速脈搏波的最大值和最小值，以最大值作為A點，最小值作為B點，然后求B點以后的最大值點作為C點；A點和C點之間的時間間隔即為PWTT。

第四步，測量血管彈性值

對第一步中采集的PPG信號數(shù)據(jù)R₁，R₂，…，R_N中的每一個R_i(i＝1,2,…,N)提取以下三個特征量：步驟2.1)中脈搏特征波形頻譜譜峰比值h₂/h₁、步驟2.3)中歸一化IMF分量峰值之和A_imf2、步驟2.4)中多尺度倒譜血管彈性特征w_i，以上述三個特征量作為神經(jīng)網(wǎng)絡的輸入向量，即：

其中，N為PPG信號的樣本個數(shù)；

以步驟2.2)中重搏波特征量DWF作為監(jiān)督學習的訓練目標，進行訓練，得到一個訓練完成的BP神經(jīng)網(wǎng)絡模型；BP神經(jīng)網(wǎng)絡模型的輸出結(jié)果記為DWF1，即為血管彈性值。

第五步：根據(jù)第二、三步中的特征量得到脈搏波測量的血壓模型，得到血壓值

對第一步中采集的PPG信號數(shù)據(jù)R₁，R₂，…，R_N中的每一個R_i(i＝1,2,…,N)提取以下三個特征量：步驟2.1)中通過特征波形頻譜分析提取的心率HR；第三步中通過加速脈搏波提取的脈搏波傳播時間PWTT；第四步中通過訓練后的BP神經(jīng)網(wǎng)絡得到的DWF1。

以上述三個特征量為自變量，以第一步中測得的收縮壓SBP_i(i＝1,2,…,N)和舒張壓DBP_i(i＝1,2,…,N)為因變量，通過逐步線性回歸，建立線性方程，得到脈搏波測量的血壓模型，最終得到血壓值；

所述的血壓模型包括收縮壓模型SBP和舒張壓模型DBP，具體為：收縮壓的測量方程的形式是：

SBP＝a1*PWTT+b1+c1*HR+d1*DWF1，其中a1、b1、c1、d1參數(shù)由逐步回歸方法確定；

DBP＝a2*PWTT+b2+c2*HR+d2*DWF1，其中，a2、b2、c2、d2參數(shù)由逐步回歸方法確定。

本發(fā)明的有益效果為：本發(fā)明算法性能良好，能夠通過單探頭采集的光電容積脈搏波，實現(xiàn)對人體動脈血管壁彈性的量化，并且能夠預測血壓值。

附圖說明

圖1為單路PPG信號檢測血管彈性及血壓算法總體框圖；

圖2為本發(fā)明技術(shù)方案的實施總體流程圖；

圖3為硬件脈搏波采集模塊的整體流程圖；

圖4為移動端軟件功能總體框圖；

圖5為K特征值聚類算法提取特征脈搏波形流程圖；

圖6(a)為脈搏波波形特征量K值原理圖；

圖6(b)為脈搏波波形特征量K1、K2原理圖；

圖7為動脈硬化程度增加的脈搏波形變化圖；

圖8為歸一化imf分量峰值和分布情況；

圖9為脈搏信號多尺度倒濾波譜圖；

圖10(a)為原始PPG信號波形圖；

圖10(b)為加速脈搏波提取PWTT原理圖；

圖11為加速脈搏波峰值點定位流程圖；

圖12為BP神經(jīng)網(wǎng)絡算法訓練流程圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案及其優(yōu)點更加清楚，下面結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚完整的描述，總體流程圖如圖2所示：

第一步：采用單探頭光電容積脈搏傳感器采集N個不同性別不同年齡段分布的脈搏波信號數(shù)據(jù)，即PPG信號數(shù)據(jù)，其編號為：R1，R2，…，RN。采用袖帶式電子血壓計采集脈搏波信號數(shù)據(jù)對應的收縮壓數(shù)據(jù)和舒張壓數(shù)據(jù)，收縮壓數(shù)據(jù)編號為SBP₁，SBP₂，…，SBP_N，舒張壓數(shù)據(jù)編號為DBP₁，DBP₂，…，DBP_N。并以PPG信號數(shù)據(jù)、收縮壓數(shù)據(jù)和舒張壓數(shù)據(jù)作為訓練BP神經(jīng)網(wǎng)絡與建立血壓預測方程的標準。

PPG信號數(shù)據(jù)采集的軟硬件流程是：使用光電容積脈搏傳感器采集測試者食指指端脈搏波信號(PPG信號)，所采集的PPG信號通過信號調(diào)理電路，進行濾波和放大后，傳輸至單片機控制器模塊，進行AD轉(zhuǎn)換，并將AD轉(zhuǎn)換后的數(shù)據(jù)由藍牙模塊傳輸至移動端軟件控制模塊，在移動端進行脈搏信號的實時監(jiān)測處理。所述的AD轉(zhuǎn)換時的采樣頻率為200Hz。所述的移動端軟件控制模塊用于實現(xiàn)藍牙通信、脈搏數(shù)據(jù)保存、血管彈性量化以及血壓計算。

PPG信號數(shù)據(jù)采集主要分成以下兩個模塊：

1).硬件脈搏波采集模塊：主要由光電脈搏波傳感器、信號調(diào)理電路、ATmega128單片機控制模塊以及ATK-HC05藍牙通信模塊構(gòu)成，硬件脈搏波采集模塊的整體流程如圖3所示。

2)Android移動端軟件模塊：Android移動端采用eclipse與Android—SDK開發(fā)，主要實現(xiàn)藍牙通信、脈搏數(shù)據(jù)保存、血管彈性量化以及血壓計算等功能。使用B1uetoothAdapter類，能夠在Android設備上查找周邊的藍牙設備進行配對，然后開始互連；連接后的設備將會共享同一個RFCOMM通道，以便互傳數(shù)據(jù)。并且實時的將數(shù)據(jù)導入脈搏波檢測血管彈性及血壓模型中，這樣就完成了血壓及血管彈性的測量。移動端軟件功能如流程圖4所示。

第二步：提取脈搏波血管彈性相關(guān)特征量

首先分別對PPG信號數(shù)據(jù)R₁，R₂，…，R_N進行預處理，之后提取特征點；所述的預處理包括去除噪聲、去除飽和信號、去除基線漂移；所述的特征點包括時域特征點、頻域特征點、時頻域特征點；所述的時域特征點包括主波峰、主波谷、重搏波波峰波谷，脈搏周期數(shù)num、重搏波特征量DWF，所述的頻域特征點包括心率，所述的時頻域特征點包括歸一化IMF分量提取的血管彈性特征、多尺度倒譜提取血管彈性特征。

2.1)提取心率HR

2.1.1)采用K-means聚類算法提取脈搏特征波形

分別提取PPG信號數(shù)據(jù)R₁，R₂，…，R_N的K、K1、K2值。以編號為R_i(i＝1,2,…,N)的PPG信號數(shù)據(jù)為例，R_i一共有num個脈搏周期，每一個周期對應一組K、K1、K2值，將num個K、num個K1、num個K2作為k-means聚類算法的輸入，分別做三次聚類運算，各選取出0.5*num個周期的代表脈搏波形其周期號數(shù)組分別記為：L_K、L_K1、L_K2，對以上三個數(shù)組采用布爾運算，找出L_K、L_K1、L_K2中共有的那些周期，得到大約是0.25*num～0.3*num個周期的代表脈搏波，其周期號數(shù)組記為L_K12。最后再對L_K12做一次k-means聚類運算，可以得到一個周期的脈搏特征波形。

以上三次聚類運算的目的是提取包含脈搏信號的普遍時域特征的周期波形，剔除包含脈搏信號的異常時域特征的周期波形。

脈搏波特征量K、K1、K2值計算結(jié)合圖6(a)、圖6(b)。其公式為：

或者

以脈搏波特征量K值為例，聚類運算的思路是：對于周期數(shù)num的PPG信號有num個K值。首先計算得到num個K值的均值與中位數(shù)，以兩者的差值作為閾值。通過迭代計算不斷修改閾值，最終選出0.5*num個周期的脈搏波，并且記錄選出脈搏波的周期號；其聚類中心的K值對應的脈搏波形即為一個周期的代表性脈搏波形。以K1、K2值為輸入的聚類運算步驟和K值相同。此算法流程圖如圖5所示。

對L_K12做一次k-means聚類運算，是以L_K12周期號對應的K值作為聚類算法的輸入，提取出來一個周期的特征脈搏波形。

2.1.2)對步驟2.1.1)得到的脈搏特征波形進行周期延擴頻譜分析

首先對一個周期的脈搏特征波形進行周期擴展，再對其做離散傅里葉變換，求其頻譜，并得到三次諧波的譜峰峰值記為h₁,h₂,h₃，再提取頻譜的基頻頻率f₁(一般在1～2Hz之間)；當彈性減小的時候h₂/h₁的比值增大；將f₁乘以60得到心率(Heart Rate,HR)。

2.2)提取重搏波特征量DWF

此算法根據(jù)是隨著動脈硬化風險的增大，重搏波波峰波谷的極值點逐漸消失，如圖7所示。如果是動脈血管彈性很差的脈搏波形，在主波峰到下個周期的主波谷之間就沒有極大極小值點。此時的重博波波峰波谷就要找主波峰到主波谷之間二階導數(shù)較大，一階導數(shù)較小的點。因此，此特征量需要準確找到一段時間PPG信號(大約60s)所有周期的重搏波波峰(X_f,Y_f)波谷點(X_g,Y_g)。

以一個編號為R_i(i＝1,2,…,N)的PPG信號數(shù)據(jù)為例，首先采用動態(tài)差分閾值法找到預處理后的PPG信號num個周期的重搏波波峰(X_f,Y_f)和波谷點(X_g,Y_g)，然后提取重搏波特征量DWF。

假設理想的完全健康的脈搏信號的DWF值為100，理想的患有嚴重動脈硬化情況的脈搏波DWF值為0，DWF的范圍就是0-100，按如下公式計算DWF：

DWF＝100-∑1/k_fg

(1/k_fg)_max＝100/num

其中，k_fg為表征重博波波谷波峰兩點的斜率；fs為采樣頻率，fs＝200Hz；num為PPG信號的脈搏周期數(shù)；

如果信號有明顯的重搏波波峰波谷，那么每個周期的k_fg就會很小，DWF的值是很接近M。當某個周期的重搏波沒有極值，或者找到的重搏波波峰距離下個周期的起始點過近時，再或者計算得到的k_fg小于num/100時，設置此周期的

2.3)采用EEMD算法，歸一化IMF分量提取血管彈性特征

以一個編號為R_i(i＝1,2,…,N)的PPG信號數(shù)據(jù)為例，對預處理后的PPG信號進行EEMD分解得到imf_g，其中g(shù)不小于6；對前6個imf_g分量進行歸一化運算采用差分閾值法，找到PPG信號的極大值作為峰值，最后將峰值點的幅值相加得到不同分量的峰值之和分布情況，峰值之和記為A_imfg。

此算法的思路是針對脈搏波應用EEMD分解，提取與血管彈性相關(guān)的特征。大體流程是：1、對脈搏信號做EEMD分解得到imf_l；2、針對前六個imf_j分量進行歸一化運算3、最后將峰值點的幅值相加得到了不同分量的峰值之和分布情況。此算法的具體步驟如下所示：

步驟1：在原始信號x(t)中M次(M>1)加入均值為0，幅值標準差為常數(shù)的高斯白噪聲n_i(t)(i＝1～M)，即：x_i(t)＝x(t)+n_i(t)i＝1,2,…M，式中，x_i(t)為第i次加入白噪聲后的信號。

步驟2：對x_i(t)進行EMD分解，得到頻率由高到低分布的K個IMF分量c_ij(t)和一個殘差r_i(t)，即：對步驟1中M個x_i(t)都做EMD分解一共得到K*M個c_ij(t)。

步驟3：根據(jù)高斯白噪聲統(tǒng)計均值為0的特性求取最終的imf分量。將步驟1、2得到的所有imf層取平均，以消除附加白噪聲的影響，該均值被認定為由EEMD分解得到的imf_j分量：

步驟4：針對前六個imf_j分量進行歸一化運算

步驟5：應用差分閾值法，找到信號的極大值作為峰值。將峰值幅度相加記為A_imfl。

從imf分量的峰值之和分布可以發(fā)現(xiàn)第二個imf分量的總幅值對血管彈性較差(圖8空心圓點)和血管彈性較好(圖8叉號符點)信號有明顯差異。因此，我們選取歸一化imf2分量的峰值之和作為一個特征,記為A_imf2。

這種情況的產(chǎn)生是因為eemd分解是根據(jù)信號自身的極大極小值分布的疏密程度來進行imf分量的提取。如果是健康的脈搏信號，一個脈搏周期中，我們可以至少提取到四個極值點(主波峰、主波谷、重搏波波峰、波谷)，前兩個極值點在imf1分量中有所體現(xiàn)。而重搏波波峰波谷主要體現(xiàn)在imf2分量之中。進行歸一化的目的就是消除主波峰波谷與重搏波波峰波谷之間的幅度差距。

2.4)多尺度倒譜提取血管彈性特征

以一個編號為R_i(i＝1,2,…,N)的PPG信號數(shù)據(jù)為例，對R_i進行多尺度倒譜分析，得到倒濾波譜圖，在倒濾波譜圖中提取血管彈性特征w_i。

多尺度倒譜分析，大體思路是對信號加一個平均濾波器，然后對其做倒濾波譜分析，得到倒濾波譜圖提取特征。如血管彈性較差的信號的多尺度倒濾波譜圖如圖9所示，對于血管彈性較好的人可以在倒濾波譜X軸的前6％找到一個很大的正斜率值，而對于血管彈性較差的情況則在倒濾波譜X軸前12％沒有正斜率值或者在倒濾波譜X軸的前6％至前12％內(nèi)有一個很小的正斜率值。圖中的星形點標記的是前6％和6％到12％是否有正斜率值的情況。

公式(2)中為PPG信號倒濾波譜；b₁為倒濾波譜圖中的極小值點，為b₁點在倒濾波譜上的幅值；a₁為倒濾波譜圖中的極小值點，為a₁點在倒濾波譜上的幅值。w₀在倒濾波譜X軸前6％內(nèi)尋找極值點，w₁在倒濾波譜X軸前6％到前12％內(nèi)尋找極值點，公式(2)的目的是針對倒濾波譜圖中的極值點求其斜率值，若沒有極值點，則求其與相應段起始點之間的斜率值。

多尺度的概念就是對信號使用尺度不同的滑動平均濾波器，實驗發(fā)現(xiàn)，當濾波器尺度m＝7時，取得較好效果。相比于單純的求倒濾波譜，加入滑動濾波器的倒濾波譜也變得平滑，并且抑制了高頻的干擾。

所述的倒譜分析的具體步驟為：

步驟1：計算瞬時頻譜S_x(K)

S_x(K)＝F[W(n)·x(n)],0≤n＜N₀-1,0≤K＜N₀-1,N₀＝length(x(n))

其中，W(n)為漢寧窗,即(R_N(n)為矩形窗)，x(n)為預處理后的PPG脈搏信號，F(xiàn)[]表示離散傅里葉正變換，其正逆變換關(guān)系分別是：

0≤n＜N₀-1,0≤K＜N₀-1,N₀＝length(x(n))

采用FFT算法進行離散傅里葉變換，F(xiàn)FT處理參數(shù)選擇為：采樣頻率為fs，頻率分辨率△f＝fs/length(x(n))Hz，采樣點數(shù)為脈搏信號的長度length(x(n))。

步驟2：計算自功率譜

其中為S_x(K)的共扼復數(shù)。

步驟3：計算功率倒譜C_ax(n)

步驟4：計算倒濾波譜

0≤n＜N-1,N＝length(x(n))，其中m₀應取得比脈搏周期數(shù)num更小；L(n)為倒濾波窗，即：

第三步：加速脈搏波提取脈搏波血壓相關(guān)特征量PWTT

一般情況下PWTT主要是通過心電圖中特征點與光電容積脈搏波中特征點的時間差值求得，但這要求被測者同時佩戴ECG與PPG傳感器，操作不便，所以本發(fā)明對僅從PPG傳感器提取PWTT進行了研究。

以一個編號為R_i(i＝1,2,…,N)的PPG信號數(shù)據(jù)為例，對原始PPG信號進行二次差分后得到加速脈搏波信號，根據(jù)第二步中提取的時域特征點可以劃分出num個周期；在每一個周期內(nèi)采用動態(tài)差分閾值法提取加速脈搏波的最大值和最小值，以最大值作為A點，最小值作為B點，然后求B點以后的最大值點作為C點。A點和C點之間的時間間隔即為PWTT。

加速脈搏波反映的是推動血液的力的變化。其原理是：在心臟收縮時，動脈血血液被推送進毛細血管，其瞬間壓力使得毛細血管迅速擴張，表現(xiàn)為加速脈搏波的上升階段，從而形成了加速脈搏波的第一個尖峰，如圖10(b)中A點；然后血液從毛細血管流入靜脈，導致波形快速下降。同時，由于靜脈血流量迅速增大，在靜脈血管受到阻力的作用使一部分血液回流進毛細血管，從而形成第二個尖峰(圖10(b)中C點)。同樣的過程會反復幾個周期，隨著血管彈性壓力的減小，波形逐漸趨于平緩.A點和C點的時間可以反映PWTT，且壓力越大，A點與C點之間的時間越短，本申請以其作為PWTT進而測量收縮壓和舒張壓。

確定PWTT，就要確定A、C點的位置。A點為一個周期內(nèi)加速脈搏波的最大值點。C點為加速脈搏波在最小波谷點后的半個周期內(nèi)的最大值點。A、C兩點的定位流程圖如圖11所示。

第四步，根據(jù)第二步中的特征量建立PPG信號測量的血管彈性的BP神經(jīng)網(wǎng)絡模型，得到血管彈性值

訓練BP神經(jīng)網(wǎng)絡：針對第一步中采集的PPG信號數(shù)據(jù)R₁，R₂，…，R_N，每一個R_i(i＝1,2,…,N)提取出以下三個特征量：2.1小節(jié)中脈搏特征波形頻譜譜峰比值h₂/h₁、2.3小節(jié)中歸一化IMF 分量峰值之和A_imf2、2.4小節(jié)中多尺度倒譜血管彈性特征w_i組成神經(jīng)網(wǎng)絡的輸入向量，即：

N為PPG信號的樣本個數(shù)。以2.2小節(jié)中重搏波特征量DWF作為有監(jiān)督學習的訓練目標，進行訓練，得到一個訓練完成的BP神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡的輸出結(jié)果記為DWF1，即為血管彈性值。訓練BP神經(jīng)網(wǎng)絡的流程圖如圖12所示。

使用BP神經(jīng)網(wǎng)絡：訓練完成后得到的是一個以向量(A_imf2,w_i,h₂/h₁)為輸入，DWF1為輸出的BP神經(jīng)網(wǎng)絡模型。在使用此模型時，只需要輸入PPG信號，根據(jù)第二步中的步驟完成血管彈性特征提取，并將血管彈性特征向量輸入之BP神經(jīng)網(wǎng)絡模型中，最終得到DWF1血管彈性值。

修改BP神經(jīng)網(wǎng)絡：如果對于新樣本PPG信號的輸入，通過此模型得到的DWF1與此樣本的重博波特征量DWF差值過大，即：|DWF1-DWF|＞10，那么就利用上述步驟，再次訓練BP神經(jīng)網(wǎng)絡，直到訓練結(jié)果(DWF1)與訓練目標(DWF)的均方誤差最小。

第五步：根據(jù)第二、三步中的特征量得到脈搏波測量的血壓模型，得到血壓值

對第一步中采集的PPG信號數(shù)據(jù)R₁，R₂，…，R_N中的每一個R_i(i＝1,2,…,N)提取以下三個特征量：步驟2.1)中通過特征波形頻譜分析提取的心率HR；第三步中通過加速脈搏波提取的脈搏波傳播時間PWTT；第四步中通過訓練后的BP神經(jīng)網(wǎng)絡得到的DWF1。

以上述三個特征量為自變量，以第一步中測得的收縮壓SBP_i(i＝1,2,…,N)和舒張壓DBP_i(i＝1,2,…,N)為因變量，通過逐步線性回歸，建立線性方程，得到脈搏波測量的血壓模型，最終得到血壓值；

所述的血壓模型包括收縮壓模型SBP和舒張壓模型DBP，具體為：收縮壓的測量方程的形式是：

SBP＝a1*PWTT+b1+c1*HR+d1*DWF1，其中a1、b1、c1、d1參數(shù)由逐步回歸方法確定；

DBP＝a2*PWTT+b2+c2*HR+d2*DWF1，其中，a2、b2、c2、d2參數(shù)由逐步回歸方法確定。