基于脈搏波特征參數(shù)的無(wú)創(chuàng)連續(xù)血壓監(jiān)測(cè)

謝寒霜,王瑞平,王艷潔,劉于豪

北京交通大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院 生物醫(yī)學(xué)工程系, 北京 100044

基于脈搏波特征參數(shù)的無(wú)創(chuàng)連續(xù)血壓監(jiān)測(cè)

謝寒霜,王瑞平,王艷潔,劉于豪

北京交通大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院 生物醫(yī)學(xué)工程系, 北京 100044

據(jù)報(bào)道,血壓的變化和脈搏波形息息相關(guān),可以利用脈搏特征參數(shù)間接估計(jì)血壓.本文針對(duì)無(wú)創(chuàng)血壓的連續(xù)監(jiān)測(cè)提出一種新的預(yù)測(cè)模型.本研究從脈搏波信號(hào)波形圖中提取14個(gè)特征參數(shù),建立多元線性模型,通過(guò)改進(jìn)的逐步回歸算法動(dòng)態(tài)實(shí)時(shí)估計(jì)連續(xù)血壓,并利用多參數(shù)智能監(jiān)控?cái)?shù)據(jù)庫(kù)中6個(gè)病人的數(shù)據(jù)來(lái)驗(yàn)證該動(dòng)態(tài)模型.分析實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),血壓估計(jì)偏差的均值和方差符合美國(guó)醫(yī)療器械A(chǔ)AMI標(biāo)準(zhǔn)(5±8 mmHg),且預(yù)測(cè)的血壓值和提取的血壓值呈顯著相關(guān).實(shí)驗(yàn)表明,利用脈搏波這14個(gè)特征參數(shù)參數(shù)建立的動(dòng)態(tài)模型可以被用來(lái)預(yù)測(cè)連續(xù)血壓,而且預(yù)測(cè)正確率較高.

脈搏波特征參數(shù);無(wú)創(chuàng)血壓;逐步回歸算法;動(dòng)態(tài)模型

引言

血壓(Blood Pressure,BP)作為人體一個(gè)重要生理參數(shù),是人體心血管疾病的重要判斷依據(jù),能夠清楚反映人體心臟和血管是否存在異常,也是臨床醫(yī)師診斷、治療疾病的重要判斷依據(jù),因此血壓的測(cè)量非常重要.日常生活中,家用電子血壓計(jì)和臨床常用的水銀血壓計(jì)的測(cè)量方法較為常見(jiàn),然而該種方式只能測(cè)量某一時(shí)刻的血壓值,且袖帶的束縛也會(huì)給人體帶來(lái)不適感.動(dòng)脈插管法雖能測(cè)量連續(xù)血壓,但這種有創(chuàng)的測(cè)量方法容易造成出血、感染等一系列風(fēng)險(xiǎn)[1].而無(wú)創(chuàng)連續(xù)血壓監(jiān)測(cè)是根據(jù)與血壓相關(guān)的生理參數(shù)間接預(yù)測(cè)血壓的一種方法,它既可以獲得連續(xù)的血壓,又可避免動(dòng)脈直接測(cè)壓所產(chǎn)生的風(fēng)險(xiǎn),因此無(wú)創(chuàng)連續(xù)血壓監(jiān)測(cè)方法在當(dāng)前的在血壓可靠性監(jiān)測(cè)中備受研究者關(guān)注.血壓依賴(lài)于血容量和血管外周阻力[2],研究者通過(guò)分析血容量和血管外周阻力的相關(guān)生理參數(shù)建立數(shù)學(xué)模型來(lái)估計(jì)連續(xù)血壓.如Cattivelli等[3]和Gesche等[4]使用脈搏波傳輸時(shí)間(Pulse Wave Transit Time,PWTT)建立線性模型估計(jì)血壓;Wong等[5]觀察到BP與瞬時(shí)心率(Heart Rate,HR)高度相關(guān),通過(guò)PTTT和HR建立線性模型;Wang等[6]通過(guò)分析人體神經(jīng)調(diào)節(jié)和體液調(diào)節(jié)發(fā)現(xiàn),當(dāng)前時(shí)刻的BP受前一時(shí)刻BP的影響,并在前人模型基礎(chǔ)上添加前一時(shí)刻的BP,估計(jì)出連續(xù)血壓.眾所周知人體是一個(gè)極其復(fù)雜的系統(tǒng),血壓受到人體諸多因素的影響,單純利用幾個(gè)特征參數(shù)估計(jì)血壓其說(shuō)服力略為欠缺.且上述模型均基于PTTT建立,PTTT是評(píng)價(jià)血管彈性程度的重要指標(biāo),它的準(zhǔn)確測(cè)量直接關(guān)系到預(yù)測(cè)結(jié)果的準(zhǔn)確性.而醫(yī)學(xué)上對(duì)PTTT的定義和算法,以及PTTT的檢測(cè)方法都沒(méi)有統(tǒng)一的規(guī)定[7],研究者根據(jù)各自數(shù)據(jù)特點(diǎn),選擇方便的特征點(diǎn)計(jì)算PTTT,模型之間的可比性難免會(huì)略顯不足.

在參閱大量研究的基礎(chǔ)上,本文采用光電容積脈搏波(Photo Plethysmo Graphy,PPG)[8]特征參數(shù)估計(jì)血壓的思想來(lái)探究無(wú)創(chuàng)連續(xù)血壓監(jiān)測(cè)的難題.PPG波形特征參數(shù)與血壓變化息息相關(guān),學(xué)者湯池[9]、歐輝彬等[10]、Visvanathan等[11]已經(jīng)分別從生理上詳細(xì)分析脈搏波特征參數(shù)與人體血管外周阻力和血容量的相關(guān)關(guān)系.前文提到血壓主要受這兩者影響,因此可以利用脈搏波相關(guān)的波形特征參數(shù)估計(jì)血壓.而到目前為止,還沒(méi)有人僅通過(guò)PPG特征參數(shù)建立動(dòng)態(tài)模型實(shí)時(shí)預(yù)測(cè)血壓變化.本論文提出一種基于脈搏波特征參數(shù)的血壓估計(jì)模型,通過(guò)提取PPG波形特征參數(shù),構(gòu)建BP預(yù)測(cè)模型,并使用標(biāo)準(zhǔn)的MIMIC[12]數(shù)據(jù)庫(kù)中同步記錄的動(dòng)脈血壓(Arterial Blood Pressure,ABP)和脈搏波信號(hào)驗(yàn)證該模型,旨在實(shí)現(xiàn)無(wú)創(chuàng)血壓的連續(xù)監(jiān)測(cè).

1 材料和方法

1.1 信號(hào)預(yù)處理

當(dāng)前,沒(méi)有一種有效的手段能夠用于獲得健康人的連續(xù)BP數(shù)據(jù),因此本研究使用數(shù)據(jù)庫(kù)中已有的病人數(shù)據(jù).由麻省理工學(xué)院維護(hù)的MIMIC數(shù)據(jù)庫(kù)[13]通過(guò)提取重癥監(jiān)護(hù)室病人的生理信號(hào),收集了大量可靠的連續(xù)BP信號(hào)和PPG信號(hào),因此選擇該數(shù)據(jù)庫(kù)中的數(shù)據(jù)驗(yàn)證本研究提出的模型是一種較為理想的選擇.信號(hào)采集過(guò)程中,人為因素或者采集儀器出現(xiàn)間斷性等問(wèn)題不可避免,在將PPG信號(hào)導(dǎo)入matlab中發(fā)現(xiàn),每一個(gè)病人連續(xù)數(shù)據(jù)中都存在NAN的無(wú)效片段,這些無(wú)效片段的存在,無(wú)疑會(huì)影響到后續(xù)的處理結(jié)果.因此,利用matlab程序?qū)@取到的2～3 h數(shù)據(jù)劃分,提取最長(zhǎng)有效數(shù)據(jù)片段作為該病人的有效數(shù)據(jù),同步截取ABP數(shù)據(jù)段,得到6組連續(xù)的有效數(shù)據(jù)段,將此作為實(shí)驗(yàn)數(shù)據(jù),能大大降低無(wú)效片段帶來(lái)的誤差等影響.

信號(hào)采集過(guò)程中往往會(huì)受到周?chē)h(huán)境、人體呼吸、肌電干擾、工頻干擾等諸多因素影響而產(chǎn)生不同的噪聲.利用小波對(duì)信號(hào)去噪時(shí),小波基函數(shù)的選擇十分重要,不同小波基函數(shù)對(duì)信號(hào)分解可以突出不同特點(diǎn)的信號(hào)特征[14-15].小波基的選擇沒(méi)有統(tǒng)一標(biāo)準(zhǔn),通常情況下選取和將要處理的信號(hào)形狀相似的小波基函數(shù).Daubechies小波是一種正交的對(duì)稱(chēng)小波,Daubechies家族中db4小波不僅和脈搏波信號(hào)形狀相似,而且能夠提供更加精確的細(xì)節(jié)信息[16-17].因此,本研究采用一維多層小波分解技術(shù),選擇db4小波作為小波基函數(shù),利用matlab中小波分解函數(shù)wavedec和重構(gòu)函數(shù)wrcoef對(duì)脈搏波信號(hào)分解及重構(gòu).

1.2 特征點(diǎn)提取

本節(jié)在去除高頻噪聲和低頻漂移的信號(hào)的基礎(chǔ)上,利用matlab編程實(shí)現(xiàn)時(shí)間域上PPG信號(hào)和BP信號(hào)的特征提取.1.2.1 PPG特征提取

Matlab內(nèi)置函數(shù)findpeaks可以粗糙獲取PPG的局部峰值,通常情況下,提取到的值包含主波峰值和重波峰值,PPG特征參數(shù)提取結(jié)果,見(jiàn)圖1.有時(shí)提取結(jié)果不理想,出現(xiàn)一些非目標(biāo)點(diǎn)(圖1a).為了保證主波和重波峰值的準(zhǔn)確提取,需將非目標(biāo)點(diǎn)剔除.研究中采用的剔除方法是判斷兩峰值之間的時(shí)間差,如果時(shí)間差太小(lt;0.2 s),則這兩個(gè)點(diǎn)之間必定有一個(gè)非目標(biāo)點(diǎn),需將兩個(gè)點(diǎn)中幅值較小的點(diǎn)剔除.此時(shí)得到的就是有效的局部峰值點(diǎn),即主波峰值和重波峰值(圖1b).

由于PPG波形主波和重波之間的幅度差存在個(gè)體差異,這里提出一種自適應(yīng)閾值法分離主波峰值和重波峰值.具體操作如下:將提取到的前100個(gè)峰值點(diǎn)降序排序,得出后20個(gè)較小的峰值平均值和前20個(gè)較大的峰值平均值的比值.比值大代表此被試者的主波和重波幅值比較接近,此時(shí)選取較大閾值劃分主波和重波.反之,則選取較小閾值,得到的主波波峰(圖1c).切跡為一個(gè)周期內(nèi)主波波峰和重波波峰之間的最小值(圖1d),脈搏波波谷(圖1e),它是前一個(gè)心動(dòng)周期的重波峰值和當(dāng)前主波峰值之間的最小值,時(shí)間均同步提取.

14個(gè)特征參數(shù),見(jiàn)表1.利用公式(1)將得到的特征參數(shù)標(biāo)準(zhǔn)化,使得所有參數(shù)在大致相同的標(biāo)度中.

其中,x代表14個(gè)特征參數(shù);mean (x)和std (x)是這些參數(shù)的均值和方差;y是標(biāo)準(zhǔn)化后的參數(shù).

表1 PPG的14個(gè)特征

1.2.2 BP特征提取

一般情況下正常人的血壓短期內(nèi)不會(huì)發(fā)生明顯變化,MIMIC數(shù)據(jù)庫(kù)的患者血壓由于藥物作用或其它因素可能急劇變化,且變化趨勢(shì)不盡相同,單純利用固定閾值法無(wú)法獲取準(zhǔn)確的峰值.一個(gè)周期內(nèi),ABP的重波和主波幅值相差較大.根據(jù)血壓波形的這一特性,本研究提出了一種魯棒性高的提取方法.

首先,采用提取PPG峰值的方法找出局部峰值,并剔除非目標(biāo)點(diǎn).常規(guī)情況下,血壓20 s內(nèi)波形幅度不可能發(fā)生巨大變化,因此實(shí)驗(yàn)過(guò)程中選取20 s的數(shù)據(jù)點(diǎn)作為一個(gè)滑動(dòng)窗口,將血壓分段,每段選出一個(gè)閾值.根據(jù)BP波形特征中窗口內(nèi)各主波峰值之間,重波峰值之間幅值相差較小,而主波和重波之間幅值相差較大的特點(diǎn),先將窗口內(nèi)的值降序排序,獲取相鄰兩幅度差的最大值,將該位置上的值作為閾值,剔除小于該閾值的幅度值.依次從左向右移動(dòng)窗口,得到收縮壓(Systolic Blood Pressare,SBP)的值,相鄰兩峰值之間的最小值即為舒張壓(Diastolic Blood Pressure,DBP)(圖1f).

圖1 PPG特征參數(shù)提取結(jié)果

1.3 動(dòng)態(tài)估計(jì)模型構(gòu)建

利用標(biāo)準(zhǔn)化后的14個(gè)特征參數(shù)建立多元線性模型,如公式(2).

其中BP代表血壓,{a1,a2…a15}是未知參數(shù),{x1,x2... x14}是脈搏波波形中14個(gè)特征參數(shù).

本文提出的動(dòng)態(tài)建模過(guò)程,分步驟描述其主要思想為:① 規(guī)定訓(xùn)練樣本的大小為n,將其作為滑動(dòng)窗口,按照時(shí)間推移的順序動(dòng)態(tài)估計(jì)血壓;② 當(dāng)估計(jì)某時(shí)刻的血壓時(shí),用該時(shí)刻前面最近的n組值做訓(xùn)練,逐步回歸法做特征選擇,估計(jì)該時(shí)刻的血壓;③ 將估計(jì)的血壓值放入訓(xùn)練數(shù)據(jù)中作為訓(xùn)練樣本,繼續(xù)估計(jì)下一點(diǎn)的血壓值,再次利用逐步回歸進(jìn)行特征選擇,以此類(lèi)推估計(jì)出所有的血壓值.用逐步回歸法做特征選擇時(shí),選擇matlab工具包stepwise中的stepwisefit函數(shù),規(guī)定進(jìn)入概率為0.05,剔除概率為0.1.stepwisefit函數(shù)輸出參數(shù)的邏輯向量INMODEL,為1代表選入,為0表示未選中或已被剔除.將選中的元素再做多元線性回歸分析,利用最小二乘法得到系數(shù),規(guī)避了逐步回歸無(wú)法找出原來(lái)參數(shù)的弊端.

2 結(jié)果

通過(guò)逐步回歸分析得到估計(jì)血壓,與MIMIC數(shù)據(jù)庫(kù)中提取到的血壓比較,得出6個(gè)病人誤差的均值,方差和均方誤差.根據(jù)國(guó)際規(guī)定,估計(jì)值和實(shí)際測(cè)量值的偏差在±5 mmHg范圍內(nèi)認(rèn)為預(yù)測(cè)結(jié)果正確,分別計(jì)算出舒張壓和收縮壓的估計(jì)正確率,見(jiàn)表2.

表2 基于逐步回歸的血壓結(jié)果 (mmHg)

通過(guò)表2計(jì)算可得,SBP的平均誤差為2.45 mmHg,標(biāo)準(zhǔn)誤差為2.65 mmHg,DBP的平均誤差為1.67 mmHg,標(biāo)準(zhǔn)差為1.73 mmHg,均滿(mǎn)足AAMI標(biāo)準(zhǔn)值.且6個(gè)病人SBP的平均正確率為87.18%,DBP的平均正確率為96.23%.

以編號(hào)409的病人數(shù)據(jù)為例,分析預(yù)測(cè)值和提取值之間的相關(guān)關(guān)系.提取到的舒張壓和收縮壓與預(yù)測(cè)的舒張壓和收縮壓之間的相關(guān)關(guān)系,見(jiàn)圖2～3.計(jì)算得出SBP的相關(guān)系數(shù)R=0.78,P=0.000.DBP的相關(guān)系數(shù)R=0.76,P=0.000.由結(jié)果可知,無(wú)論是舒張壓還是收縮壓,估計(jì)血壓和提取血壓均呈顯著線性相關(guān),說(shuō)明預(yù)測(cè)血壓和提取的血壓趨勢(shì)相同.

圖2 提取的收縮壓和預(yù)測(cè)的收縮壓相關(guān)關(guān)系分析

圖3 提取到的舒張壓和預(yù)測(cè)的舒張壓相關(guān)關(guān)系分析

編號(hào)409病人的一段估計(jì)和測(cè)量的血壓波形,見(jiàn)圖4.可以看出,估計(jì)值的波形緊密地跟隨測(cè)量血壓的趨勢(shì).SBP的提取值與估計(jì)值之差集中在±8 mmHg之間,DBP的估計(jì)值和提取值的偏差集中在±4 mmHg之間,估計(jì)偏差較小(圖5).實(shí)驗(yàn)證明,利用脈搏波特征參數(shù)可以估計(jì)血壓,而且估計(jì)效果比較好.

圖4 記錄409利用模型得到的血壓預(yù)測(cè)值和提取值

圖5 記錄409利用模型得到預(yù)測(cè)值和提取值之間的偏差

3 討論

正常人體血壓通過(guò)激素和神經(jīng)調(diào)節(jié)來(lái)改變,是一個(gè)慢速調(diào)節(jié)過(guò)程,短時(shí)間內(nèi)血壓相對(duì)穩(wěn)定.MIMIC數(shù)據(jù)庫(kù)中病人的數(shù)據(jù)大多是來(lái)自重癥監(jiān)護(hù)室中肺部或心血管疾病患者,在信號(hào)采集期間,因藥物或治療作用,血壓可能會(huì)急劇飆升或者驟然下降,這無(wú)疑會(huì)給特征點(diǎn)的提取帶來(lái)困難,也不可避免地引入預(yù)測(cè)偏差.本實(shí)驗(yàn)采用動(dòng)態(tài)閾值法獲取特征點(diǎn),在一定程度上規(guī)避了上述情況帶來(lái)的影響,在特征提取方面取得了良好的估計(jì)效果..同時(shí)實(shí)驗(yàn)發(fā)現(xiàn),當(dāng)正常人體血壓相對(duì)穩(wěn)定時(shí),提出的模型估計(jì)結(jié)果最為理想,當(dāng)出現(xiàn)藥物或治療等外界干預(yù)使得血壓短期內(nèi)突然變化導(dǎo)致血壓的改變不完全由血管外周阻力、血管彈性以及心輸出量決定時(shí),血壓的變化不能及時(shí)在脈搏波波形中表征出來(lái),此時(shí)血壓的預(yù)測(cè)值和真實(shí)值之間會(huì)有一定偏差.

4 結(jié)論

本文建立一種基于脈搏波特征參數(shù)的血壓預(yù)測(cè)模型,并提出動(dòng)態(tài)估計(jì)方法實(shí)時(shí)監(jiān)測(cè)血壓變化.文中方法規(guī)避了模型依賴(lài)于PTT而造成的不便,單純利用脈搏波形特征估計(jì)血壓,并用MIMIC公共數(shù)據(jù)庫(kù)進(jìn)一步驗(yàn)證基于脈搏波特征參數(shù)估計(jì)動(dòng)態(tài)血壓的可行性.通過(guò)實(shí)驗(yàn)發(fā)現(xiàn),SBP和DBP估計(jì)誤差在±5 mmHg內(nèi)的正確率分別為84.6%和95.5%,平均估計(jì)誤差分別為2.45 mmHg和1.67 mmHg,標(biāo)準(zhǔn)差分別為2.65和1.73,均符合AAMI標(biāo)準(zhǔn).因此,這種模型可以實(shí)時(shí)監(jiān)測(cè)血壓的連續(xù)變化,對(duì)無(wú)創(chuàng)連續(xù)血壓測(cè)量方法的研究起到推動(dòng)作用,也為便攜血壓計(jì)的血壓估計(jì)方法提供參考.

基于本研究的理論基礎(chǔ),在未來(lái)的計(jì)劃中,可嘗試將該模型應(yīng)用于健康人,通過(guò)采集健康人的血壓和脈搏波信號(hào),進(jìn)一步驗(yàn)證該模型在實(shí)際應(yīng)用中的意義和使用價(jià)值.

[1] 李頂立.基于脈搏波的無(wú)創(chuàng)連續(xù)血壓測(cè)量方法研究[D].杭州:浙江大學(xué),2008.

[2] 李康,霍勇.新型每搏即時(shí)連續(xù)無(wú)創(chuàng)血壓監(jiān)測(cè)技術(shù)的臨床應(yīng)用[J].中國(guó)介入心臟病學(xué)雜志,2013,(6):396-398.

[3] Cattivelli FS,Garudadri H.Noninvasive cuffless estimation of blood pressure from pulse arrival time and heart rate with adaptive calibration[A].International Workshop on Wearable and Implantable Body Sensor Networks[C].New York:IEEE,2009:114-119.

[4] Gesche H,Grosskurth D,Küchler G,et al.Continuous blood pressure measurement by using the pulse transit time:comparison to a cuff-based method[J].Eur J Appl Physiol,2012,112(1):309-315.

[5] Wong MY,Poon C,Zhang Y,et al.An evaluation of the cuffless blood pressure estimation based on pulse transit time technique:a half year study on normotensive subjects[J].cardiovasc Eng,2009,9(1):32-38.

[6] Wang R,Jia W,Mao ZH,et al.Cuff-free blood pressure estimation using pulse transit time and heart rate[A].International Conference on Signal Processing[C].New York:IEEE,2015:115-118.

[7] Pachauri A, Bhuyan M.Wavelet transform based arterial blood pressure waveform delineator[J].Int J Biol Biomed Eng,2012,6(1):16-25.

[8] 陳斌.光電容積脈搏波描記法原理、應(yīng)用及其電路設(shè)計(jì)[J].電子技術(shù)與軟件工程,2014,18:132-133.

[9] 湯池.利用脈搏波無(wú)創(chuàng)連續(xù)檢測(cè)血壓的實(shí)驗(yàn)研究[D].西安:第四軍醫(yī)大學(xué),2005.

[10] 歐輝彬.無(wú)創(chuàng)動(dòng)態(tài)血壓監(jiān)測(cè)技術(shù)研究進(jìn)展[J].中國(guó)醫(yī)療設(shè)備,2016,31(11):78-80.

[11] Visvanathan A,Banerjee R,Dutta Choudhury A,et al.Smart phone based blood pressure indicator[A].Proceedings of the 4thACM MobiHoc Workshop on Pervasive Wireless Healthcare[C].Texas:ACM,2014:19-24.

[12] Clifford GD,Scott DJ,Villarroel M.User guide and documentation for the MIMIC II database[J].Mimic,2009.

[13] Moody GB,Mark RG.A database to support development and evaluation of intelligent intensive care monitoring[A].Computers in Cardiology[C].New York:IEEE,1996:657-660.

[14] 文莉,劉正士,葛運(yùn)建.小波去噪的幾種方法[J].合肥工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2002,25(2):167-172.

[15] 李艷文,姜印平,鄭彤,等.基于小波變換的脈搏波信號(hào)去噪[J].河北工業(yè)大學(xué)學(xué)報(bào),2005,34(4):82-85.

[16] Pachauri A,Bhuyan M.Wavelet transform based arterial blood pressure waveform delineator[J].Int J Biol Biomed Eng,2012,6(1):16-25.

[17] 段永剛,馬立元,李永軍,等.基于小波分析的改進(jìn)軟閾值去噪算法[J].科學(xué)技術(shù)與工程,2010,10(23):5755-5758.

本文編輯 袁雋玲

Measurement of Non-Invasive Blood Pressure Continuously Based on Pulse Wave

XIE Hanshuang, WANG Ruiping, WANG Yanjie, LIU Yuhao
Department of Biomedical Engineering, School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044, China

Pulse wave is reported to have a correlation with blood pressure and character parameters of pulse wave, which can predict blood pressure indirectly. A new predictive model was proposed in this paper for continuous monitoring of noninvasive blood pressure. This study aimed to extract 14 parameters from the pulse wave signal in order to establish the multivariate linear model.The improved stepwise regression analysis algorithm was used to estimate the blood pressure in real time, and the data of six patients in the MIMIC database was used to validate the dynamic model. The experimental results indicated that the mean and variance of deviation of blood pressure estimation met the American Medical Device AAMI standard (5±8 mmHg), and the predicted blood pressure was significantly correlated with the extracted blood pressure values. The results show that the dynamic model established by 14 parameters of pulse wave can be used to predict continuous blood pressure with high accuracy.

character parameters of pulse wave; non-invasive blood pressure; stepwise regression analysis algorithm; dynamic model

R318

A

10.3969/j.issn.1674-1633.2017.10.010

1674-1633(2017)10-0039-05

2017-02-15

王瑞平,副教授,主要研究方向?yàn)獒t(yī)學(xué)圖像處理和模式識(shí)別、生物醫(yī)學(xué)信號(hào)處理與檢測(cè)、醫(yī)療儀器開(kāi)發(fā)、神經(jīng)工程.

通訊作者郵箱:rpwang@bjtu.edu.cn