建立血压模型的方法与流程

1.本发明关于血压量测，特别是一种基于心电图(electrocardiography，ecg)、光体积变化描记图法(photoplethysmography，ppg)和脉波传输时间(pulse transit time，ptt)的血压量测系统及其方法。


背景技术：

2.心血管相关疾病已被证明与心率和血压高度相关。不受控制的高血压可能导致心脏病发作、中风、心脏衰竭或其他严重的生命威胁。因此，准确测量血压对于预防意外事件有其必要性。依据美国国家标准协会(american national standards institute，ansi)、医疗器材促进发展协会(association for the advancement of medical instrumentation，aami)及国际标准化组织(international organization for standarization，iso)在2018年认定的标准，血压量测可接受的误差为10毫米汞柱(mm hg)或更小，并且该误差的估计概率至少为85％。
3.现在血压量测方式可分为袖带式(cuff-based)量测及无袖带(cuffless)式量测。袖带式血压计属于侵入性单次量测，因为必须将使用者单一手臂以袖带扣紧一段时间才能获得准确的血压值，故无法适用于长时间(例如整天)的血压量测。然而，袖带式血压计可以准确地量测使用者的血压。另一方面，无袖带式血压计为在使用者身体上配置传感器，传感器用于取得使用者的ecg、ppg及ptt其中一者的感测数据，再将此感测数据换算成血压值。由于传感器的体积比袖带的体积小，因此无袖带式血压计不会对使用者造成干扰，可以长时间连续量测。然而，与袖带式血压计相比，无袖带式血压计量测到的血压值较不准确。此外，现有的无袖带血压计需要收集使用者在多种情境(例如：步行、静坐、运动)下的感测数据才能提供相对准确的血压量测值。对于使用者而言，需耗费额外的体力及时间才能提供不同情境下的感测数据。


技术实现要素：

4.有鉴于此，本发明提出一种建立指定血压模型的方法，在保留无袖带式血压计可随身配戴并可连续测量的优点的前提下，提高血压值量测的精准度，且减少干扰使用者的状况。
5.依据本发明一实施例叙述的一种建立血压模型的方法，适用于血压量测装置。所述建立血压模型的方法包括：取得多个通用用户的多个第一生理数据及这些通用用户的多个第一血压数据；依据这些第一生理数据及这些第一血压数据执行深度学习演算法以建立通用血压模型，此通用血压模型具有参数集合及损失函数；取得指定用户的第二生理数据及此指定用户的第二血压数据；依据第二生理数据及参数集合产生预估血压数据；依据预估血压数据、第二血压数据及损失函数计算误差；以及依据该误差调整参数集合以建立指定血压模型。
6.以上的关于本公开内容的说明及以下的实施方式的说明用以示范与解释本发明
的精神与原理，并且提供本发明的权利要求书更进一步的解释。
附图说明
7.图1为依据本发明一实施例的建立血压模型的系统设计图。
8.图2为依据本发明一实施例的建立血压模型的方法的流程图。
9.图3为依据本发明一实施例的建立血压模型的方法的后续流程图。
10.图4为以长条图示出基于多种第一生理数据建立的多个血压模型的准确度。
11.附图标记说明：
12.s1～s6...步骤
13.s7～s11...步骤
具体实施方式
14.以下在实施方式中详细叙述本发明的详细特征以及优点，其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施，且根据本说明书所公开的内容、权利要求书及图式，任何本领域技术人员可轻易地理解本发明相关的目的及优点。以下的实施例为进一步详细说明本发明的观点，但非以任何观点限制本发明的范畴。
15.本发明提出的建立血压模型的方法适用于可穿戴且非侵入式的血压量测装置。
16.请参考图1。图1示出本发明一实施例的建立血压模型的方法的系统设计图。本发明通过收集受测群体的多笔第一生理数据及多笔第一血压数据并通过深度学习神经网络训练得出通用血压模型。对于每个独立个体，即图1所示的指定用户1、指定用户2及指定用户3，在取得具有通用血压模型的穿戴式血压量测装置之后，可根据自己的生理数据及血压数据进一步微调此通用血压模型，借此建立适用于本身的指定血压模型1、指定血压模型2及指定血压模型3。在建立指定血压模型1之后，指定用户1可使用载入此指定血压模型1的穿戴式血压量测装置并量测本身的收缩压1及舒张压1，此方式同样适用于指定用户2及指定用户3。
17.请参考图2。图2示出本发明一实施例的建立血压模型的方法的流程图。
18.请参考步骤s1。取得多个通用用户的多个第一生理数据及这些通用用户的多个第一血压数据。在一实施例中，这些第一生理数据及第一血压数据的来源为公开数据集。公开数据集例如可采用昆士兰大学生命体征数据集(university of queensland vital signs dataset)，然而本发明并不以此为限制，但凡来自于多名受测者提供的第一生理数据及第一血压数据皆可作为本步骤s1的数据来源。第一生理数据为原始心电图(electrocardiography，ecg)信号、原始光体积变化描记图法(photoplethysmography，ppg)信号、包含上述二者的同步信号或基于上述二者计算出的脉波传输时间(pulse transit time，ptt)。第一血压数据包括收缩压量测值及舒张压量测值，在一实施例中，收缩压量测值及舒张压量测值以袖带式血压计对通用用户进行量测而取得。在一实施例中，可针对同一个通用用户量测多次以取得第一生理数据及第一血压数据。举例来说，通用用户的数量为20人，从每人分别取得15笔ecg信号及15笔ppg信号作为第一生理数据，并从每人分别取得15笔收缩压量测值及15笔舒张压量测值作为第一血压数据。
19.在步骤s1之后且在步骤s2之前，可针对步骤s1取得的第一生理数据进行一前处理
程序。举例来说，在取得第一生理数据的原始信号后，以5秒为单位将其切分成多个第一生理数据片段并采用线性滤波器(如savitzky-golay filter)以保留信号中较为尖锐的边缘或是信号中的峰值。然后移除掉不具有明显峰值或是低变异度的第一生理数据片段。
20.请参考步骤s2：依据第一生理数据及第一血压数据执行深度学习演算法以建立通用血压模型。在一实施例中，第一生理数据为ecg信号、ppg信号或包含上述二者的同步信号，且深度学习演算法为以多层感知器(multilayer perceptron，mlp)作为回归因子(regressor)的卷积神经网络(convolutional neural networks，cnn)。换言之，通用血压模型可单独以ecg信号进行训练，单独以ppg信号进行训练，或是采用ecg信号和ppg信号二者的时间同步信号进行训练。在另一实施例中，第一生理数据为脉波传输时间，其为依据ecg的峰值和ppg的峰值计算二者的间隔时间，且经深度学习演算法训练得到的通用血压模型采用线性回归(linear regression)。
21.在步骤s2完成后，即可加载通用血压模型至血压量测装置对单一指定使用者进行量测。在一实施例中，可直接使用通用血压模型对指定用户进行量测。在另一实施例，可继续执行图2的步骤s3～s6。步骤s3～s6说明如何针对指定使用者的量测数值将通用血压模型调整为指定血压模型。
22.请参考步骤s3：取得指定用户的第二生理数据及第二血压数据。在一实施例中，以血压量测装置上的传感器对指定用户量测以量测第二生理数据。第二生理数据为原始心电图信号、原始光体积变化描记图法信号、包含上述二者的同步信号或基于上述二者计算出的脉波传输时间。第二血压数据包括收缩压量测值及舒张压量测值，该二量测值例如为指定用户以袖带式血压计量测而得。在一实施例中，可重复执行步骤s3以取得多笔指定用户的第二生理数据及第二血压数据。第二生理数据及第二血压数据用于在步骤s4～s6的流程中微调通用血压模型。收集愈多指定用户的数据可将通用血压模型调整为更适用于指定用户的指定血压模型。在另一实施例中，除了取得第二生理数据，在步骤s3可还取得关联于指定用户的参考生理数据。举例来说，参考生理数据包括：指定用户量测第二生理数据时的体温、指定用户量测第二血压数据时的袖带松紧度或气温、指定用户本身的身高体重等，这些数据可用于建立基于不同场景的指定血压模型。然而本发明不以上述举例为限。
23.请参考步骤s4：依据第二生理数据及通用血压模型的第一参数集合产生第一预估血压数据。通用血压模型具有参数集合及损失函数，其中当采用类神经网络建立通用血压模型时，所述的第一参数集合为网络权重的集合，当通用血压模型采用线性回归时，所述的第一参数集合为线性函数的各项参数的集合。在一实施例中，第一预估血压数据为将第二生理数据代入通用血压模型的第一参数集合后得到的输出，此输出值可以是收缩压或舒张压，依据先前训练时所用的第一血压数据而定。在另一实施例中，若在步骤s3中取得多笔指定用户的第二生理数据，则可重复执行步骤s4以取得多笔第一预估数据。
24.请参考步骤s5：依据第一预估血压数据、第二血压数据及损失函数(loss function)计算第一误差。在一实施例中，第一误差的计算方式如下所示：
[0025][0026]
其中l
general
为通用血压模型的损失函数，bp为指定用户的第二血压数据，其为以其他血压计(如袖带式血压计)量测到的收缩压或舒张压的数值。为估计血压数据。
[0027]
请参考步骤s6：依据第一误差调整第一参数集合以建立具有第二参数集合的指定血压模型。举例来说，若通用血压模型为线性模型，依据第二生理数据及第二血压数据所绘的数据点未必能落在此线性模型对应的曲线上。因此，本步骤s6叙述如何适应性地修改线性模型的曲线，使其与指定用户的数据点间的误差最小。为了通过学习方式得出指定血压模型，可进行正规化(regularization)程序，如式二所示：
[0028]
l
calibration
＝l
general
+λ
reg
l
reg
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式二)
[0029]
其中l
calibration
为指定血压模型的损失函数，l
general
为通用血压模型的损失函数，λ
reg
为调整参数。λ
reg
的设定值愈大，则指定血压模型与通用血压模型的相似程度愈高。若λ
reg
设定为0，则代表通用血压模型对应的曲线将完全依据指定用户的数据点进行拟合。l
reg
为正规化程序的修正函数，其计算方式如式三所示。为了保有通用血压模型原本的特性，避免损失函数完全受指定用户的数据点所支配，因此通过l
reg
及适当设置的λ
reg
调整l
calibration
。
[0030][0031]
其中θ
general
为通用血压模型的参数集合(权重集合)，θ
subject
为指定血压模型的参数集合(权重集合)。为了不让θ
subject
偏离于原本学习得到的θ
general
，本发明一实施例采用l1正规化以保留对估计血压数据贡献最大的权重。
[0032]
依据步骤s5获得的第一误差，并选定适当的调整参数λ
reg
，可最佳化指定血压模型的损失函数，进而建立适用于指定用户的指定血压模型。指定血压模型具有第二参数集合，其依据第一参数集合及步骤s5～s6所述的正规化程序调整得出。
[0033]
在另一实施例中，在步骤s5依据第一预估血压数据、第二血压数据及损失函数计算第一误差之后可还包括：依据指定用户的参考生理数据(例如：指定用户量测第二生理数据时的体温、指定用户量测第二血压数据时的袖带松紧度或气温、指定用户本身的身高体重等)并依据误差调整参数集合以建立另一指定血压模型。换言之，本发明允许建立指定用户在不同情境下的多个指定血压模型。
[0034]
在完成图2中步骤s1～s6的流程之后，可建立一个适用于指定用户的指定血压模型。而为了进一步提高指定血压模型的量测准确度，可继续执行图3示出的流程。图3为依据本发明一实施例的建立血压模型的方法的后续流程图。
[0035]
请参考步骤s7，取得指定用户的第三生理数据及第三血压数据。本步骤s7基本上与步骤s3相同。举例来说，在步骤s3中取得第一笔指定用户的数据，本步骤s7相当于取得第二笔指定用户的数据。
[0036]
请参考步骤s8，依据第三生理数据及第二参数集合产生第二预估血压数据。本步骤s8基本上与步骤s4相同。其差别在于第二预估血压数据时为使用步骤s6得到的指定血压模型的第二参数集合计算而得。
[0037]
请参考步骤s9，依据第二预估血压数据、第三血压数据及式一所示的损失函数l
general
计算第二误差。本步骤s9基本上与步骤s5相同。
[0038]
请参考步骤s10，依据第一参数集合及第二参数集合计算第三误差。在一实施例中，依据通用血压模型的第一参数集合及指定血压模型的第二参数集合代入式三以得出第三误差，即l
reg
的计算结果。然而，本发明并不限制第三误差的计算式。例如第三误差可以是
第一参数集合及第二参数集合的均方误差(mean square error，mse)、平均绝对误差(meanabsolute error，mae)或交叉熵(cross-entropy)。
[0039]
请参考步骤s11，依据第二误差、第三误差及调整参数λ
reg
调整指定血压模型的第二参数集合。本步骤s11基本上与步骤s6相同。
[0040]
每次执行图3所示的流程，相当于以新的指定用户的生理数据及血压数据提升指定血压模型的量测精准度。
[0041]
请参考图4。图4为以长条图示出基于多种第一生理数据建立的多个血压模型的准确度。由图4中可知，在步骤s1时选用ptt训练通用血压模型可达到收缩压误差约在7毫米汞柱内，舒张压误差约在5毫米汞柱内。而在采用ecg及ppg同步信号训练通用血压模型的实施例中，亦可达到收缩压误差约在11毫米汞柱内，舒张压误差约在9毫米汞柱内。整体而言，单独采用ppg信号训练通用血压模型，或是采用ptt训练通用血压模型，皆可满足ansi/aami/iso在2018年所订定的血压量测标准，即误差小于10毫米汞柱。
[0042]
综上所述，本发明提出的建立血压模型的方法可达到如下所述的功效：本发明提升了无袖带式血压计量测的精准度，可针对个人的生理数据进行指定血压模型的客制化。应用本发明的血压计将不会在长时间量测时干扰到使用者。本发明可基于多种生理信号建立血压模型，因此在建立模型上更具有选择上的弹性。