26、三种不同类型手腕脉搏信号的比较与应用

三种不同类型手腕脉搏信号的比较与应用

1. 脉搏信号测量机制

1.1 压力信号测量

压力会影响整个系统，手腕桡动脉靠近皮肤表面，因此可以无创测量压力变化。测量的压力 (p_m) 由按压压力的反作用力 (p_c) 和血管的跨壁压力 (p) 组成，即 (p_m = p_c + p)。通常由于皮肤和组织的阻尼作用，(p) 会小于其真实值。但桡动脉靠近皮肤表面，这种阻尼通常较小，这也是中医选择手腕进行脉诊的原因。

1.2 光电传感器测量机制

光电传感器用于测量血管某一区域的血液体积。反射光的强度与血管体积成正比。当血管内的血液体积随心跳变化时，反射光也会相应变化，通过测量血管反射光的强度可以记录体积变化。光电传感器通常采用红外光，因为它比可见光能更深入地穿透血管，同时被表皮黑色素吸收和反射的较少。

测量的体积信号 (V_m) 由组织反射光 (V_0) 和血管反射光 (V_s) 组成，即 (V_m = V_s + V_0)，其中 (V_0) 对于同一个人几乎是恒定的，(V_s) 随时间变化且与血管体积有关。光电传感器中的光电晶体管只能接收某一区域的反射红外光，测量的体积是传感器尺寸确定的长度 (l) 上横截面积的积分。由于 (l) 是恒定的，光电传感器测量的体积取决于测量区域内横截面积的变化。

1.3 超声传感器测量机制

超声传感器用于测量血管沿线某一位置的血液速度。通过测量发射器（T）发射的超声波与接收器（R）接收到的反射波之间的频率偏移，可以获得速度信息。超声信号反映了血管中红细胞的速度，频率偏移和速度的关系可以表示为：
[u = \frac{c (f_r - f_0)}{2 f_0 \cos\alpha}]
其中 (f_0) 是发射频率，(f_r) 是反射频率，(u) 是流速，(c) 是软组织中的声速（约 1540 m/s）。通常，角度 (\alpha) 应在 30° 到 60° 之间。在实际应用中，通常假设速度 (u) 是血管中心的血液速度，通过定位最大血流速度 (u_{max}) 的位置来实现。

2. 信号的依赖与互补性

2.1 假设条件

为了简化分析，对动脉系统和传感器提出了一些假设。假设血液成分、血液密度和血管壁的弹性是均匀的，采样窗口内的血流是层流。同时假设血管是直的圆柱形管，具有圆形横截面，且血管的变形最小。在这些假设下，光电信号 (V_m) 与血管半径 (R) 的平方成正比，即 (V_m = V_0 + \pi l R^2)。

传感器类型	物理意义
压力传感器	(p)
光电传感器	(A)（或 (R^2)）
超声传感器	(u_{max})

2.2 稳定层流中血液速度、半径和压力的关系

在稳定层流中，半径 (R)、密度 (\rho)、粘度 (\eta)、速度 (u)、体积 (V) 和压力 (p) 都是恒定的，压力梯度也是均匀的。根据连续性方程和 Navier - Stokes 方程，稳定层流的解为：
[u = \frac{R^2 - r^2}{4\eta} \frac{\partial p}{\partial z}]
由于脉搏波以速度 (c) 无失真传播，压力 (p) 可以表示为 (p = p_0 + f(t - \frac{z}{c}))。对其求关于 (t) 和 (z) 的导数可得：
[\frac{\partial p}{\partial z} = -\frac{1}{c} \frac{\partial p}{\partial t}]
超声信号测量的是血管中心的速度（(r = 0)），将 (r = 0) 和上述导数关系代入速度方程可得：
[u_{max} = -\frac{1}{4\eta R^2} \frac{\partial p}{\partial t}]
可以看出，测量的速度 (u_{max})、半径 (R) 和测量压力 (p) 的时间导数高度相关。在简化假设下，如果已知参数 (\eta) 和 (c) 以及连续的压力和光电信号，就可以通过上述公式计算速度。如果有三种类型的测量信号，还可以估计参数 (\eta c)。

然而，在更现实的情况下，关系会变得更加复杂。例如，当压力梯度呈脉动形式时，速度的估计需要使用更复杂的模型。

2.3 生理和病理因素的影响

不同类型的传感器具有不同的物理意义，因此会受到不同循环参数的影响。
- 压力信号 ：与血管壁的弹性和半径有关。从增量弹性模量的定义 (E_{inc} = \frac{\sigma_{inc}}{\epsilon_{inc}} = \frac{R \frac{\partial p}{\partial t}}{h \frac{\partial R}{\partial t}}) 可以看出，压力信号对血管半径、弹性特性和厚度的变化敏感。
- 光电信号 ：可用于测量血管内血液的体积变化，主要对半径变化敏感。此外，光电信号是反射红外光强度的测量，会受到血液成分的影响。不同血液成分（如水、氧合血红蛋白和脱氧血红蛋白）的红外吸收光谱不同，因此成分比例可能会影响红外吸收率。
- 超声信号 ：代表血液流动的速度，与压力梯度、血液密度和粘度有关。速度还反映了血流状态，例如雷诺数 (Re = \frac{2uR\rho}{\eta}) 可以衡量湍流发生的趋势。当雷诺数超过 200 - 400 时，血管分支中可能会出现湍流；当雷诺数超过约 2000 时，即使在直而光滑的血管中也通常会出现湍流。

传感器类型	血管半径	血管壁弹性特性	血管壁厚度	血液成分	血流状态	血液粘度
压力传感器	●	●	●
光电传感器	●			●
超声传感器	●				●	●

2.4 总结

三种常用传感器测量的信号密切相关，但具有不同的物理意义，并且对不同的循环参数敏感。通过组合不同类型的信号，可以推断出一些有用的诊断参数，如血流量、血管顺应性和阻力，这体现了不同信号的互补性。由于它们对可能与某些参数相关的疾病具有不同的敏感性，使用对特定参数敏感的传感器可能会获得更好的诊断性能。

例如，所有类型的信号都对血管半径的变化敏感，因此与半径变化相关的疾病可以通过这些传感器检测。压力信号对血管壁弹性特性和厚度的变化更敏感，因此在诊断相关疾病（如动脉硬化）时可能比其他类型的传感器更有效。光电传感器在诊断与血管横截面积和血液成分相关的疾病时可能更有效，而超声传感器在诊断与血流相关的疾病（如糖尿病，据报道与粘度有关）时可能更有效。此外，由于不同信号具有互补性，组合这些信号可能会进一步揭示其他诊断参数，从而提高诊断性能。

3. 案例研究

在案例研究中，使用实验室设计的压力和光电系统以及 EDAN Instruments 提供的 CBS 2000 超声系统采集脉搏信号。从健康志愿者采集的不同类型脉搏信号的波形来看，它们具有相似性，这表明这些信号是相关的，但差异也很明显，这可能是由于它们不同的物理属性和影响因素。因此，使用三种类型的脉搏信号诊断不同疾病可能会有不同的性能。

以糖尿病和动脉硬化的诊断为例进行实验，因为糖尿病与血液粘度有关，动脉硬化是指动脉壁增厚和硬化。

3.1 方法

• 预处理 ：去除与脉搏信号耦合的高频噪声和基线漂移。这两种干扰分别主要由电源线干扰和呼吸引起。采用小波去噪方法去除噪声，采用基于小波的级联自适应滤波器校正基线漂移。
• 特征提取 ：
  • 时域基准点特征 ：描述平均脉搏周期的形状，包括主波峰、重搏切迹和次波峰的位置，是脉搏信号分类中最常用的特征。
  • 多尺度样本熵 ：可以测量脉搏信号的不可预测性，多尺度样本熵可以揭示在多个空间和时间尺度上具有长程相关性的不可预测性。
  • TWED 特征 ：是一种弹性度量，用于测量时间序列之间的距离，在脉搏信号分类中被报道有效且高效。
• 分类 ：采用复合核学习（CKL）方法组合这些特征，因为它在组合来自不同来源的特征时比 SVM 更灵活。对于每种类型的脉搏信号，提取三种特征，即时域基准点特征、多尺度样本熵（SampEn）和 TWED 特征，构建九个基础核 (K_{1,1} \sim K_{3,3})。

基础核根据传感器类型分为三组：(G_1 = {K_{1,1}, K_{1,2}, K_{1,3}})，(G_2 = {K_{2,1}, K_{2,2}, K_{2,3}})，(G_3 = {K_{3,1}, K_{3,2}, K_{3,3}})。CKL 模型中核的组合定义为：
[K(x, y) = \sum_{l} \sigma_l \sum_{m} \sigma_{lm} K_{lm}(x, y)]
同时，对核选择和去除施加以下约束：
[\sum_{l} \frac{\sigma_l}{d_l} \leq 1, \sigma_l \geq 0]
[\sum_{m} \frac{\sigma_{lm}}{q} \leq 1, \sigma_{lm} \geq 0]
其中 (p) 和 (q) 是两个用于调整组内或组间稀疏性的超参数，(d_l) 是组 (G_l) 中的基础核数量。CKL 模型的目标是最小化：
[\min_{\gamma_{lm}} J(\gamma_{lm}) = \sum_{l} \frac{\gamma_{l}}{p} + \sum_{m} \frac{\gamma_{lm}}{q}]
约束条件为 (\sum_{l} \gamma_{l} \leq 1)，(\sum_{m} \gamma_{lm} \leq 1)，(\gamma_{lm} \geq 0)。

通过这些实验，可以进一步验证三种类型脉搏信号在疾病诊断中的性能以及组合信号的有效性。

综上所述，三种不同类型的手腕脉搏信号各有特点，它们之间的依赖和互补关系为疾病诊断提供了更多的信息和可能性。在实际应用中，可以根据具体的诊断需求选择合适的传感器或组合使用多种传感器，以提高诊断的准确性和有效性。

三种不同类型手腕脉搏信号的比较与应用

4. 实验结果分析

4.1 信号波形分析

从采集到的健康志愿者的三种脉搏信号（压力、光电和超声）波形来看，它们在整体形态上具有一定的相似性，这进一步证实了之前所分析的三种信号之间存在依赖关系。然而，它们的差异也较为明显。压力信号的波形可能会受到血管壁弹性和半径变化的显著影响，其峰值和谷值的变化反映了血管内压力的动态变化。光电信号主要体现血管内血液体积的变化，波形的起伏与血管的充盈和排空过程相关。超声信号则侧重于反映血液的流动速度，其波形的特征与血流状态密切相关。

例如，在一个完整的脉搏周期内，压力信号可能会出现明显的主波峰和重搏切迹，这与心脏的收缩和舒张过程相对应。光电信号在心脏收缩时，由于血管内血液体积增加，反射光强度增大，波形上升；在心脏舒张时，波形下降。超声信号在血流速度较快时，波形的幅值较大；而在血流速度较慢时，幅值较小。

4.2 疾病诊断性能评估

在糖尿病和动脉硬化的诊断实验中，对三种传感器单独使用和组合使用的诊断性能进行了评估。
- 压力传感器 ：在动脉硬化的诊断中表现出较好的性能。由于动脉硬化会导致血管壁增厚和弹性降低，压力信号对这些变化较为敏感。通过分析压力信号的特征，如压力变化的幅度、速率等，可以有效地检测到动脉硬化的存在。在实验中，压力传感器对动脉硬化的诊断准确率相对较高。
- 光电传感器 ：在诊断与血管横截面积和血液成分相关的疾病时具有优势。对于糖尿病患者，血液成分可能会发生变化，影响红外光的吸收和反射，从而使光电信号产生相应的改变。光电传感器能够捕捉到这些细微的变化，在糖尿病的诊断中表现出一定的潜力。
- 超声传感器 ：在诊断与血流相关的疾病时更为有效。糖尿病患者的血液粘度可能会增加，影响血流速度，超声传感器可以准确测量血液速度的变化，从而辅助诊断糖尿病。在实验中，超声传感器对糖尿病的诊断性能较好。

当将三种传感器的信号组合使用时，诊断性能得到了进一步提升。通过复合核学习方法组合不同类型信号的特征，可以综合利用三种信号的优势，更全面地反映人体的生理状态。在糖尿病和动脉硬化的诊断中，组合信号的诊断准确率明显高于单一传感器的诊断准确率。

5. 实际应用建议

5.1 传感器选择

在实际应用中，应根据具体的诊断需求选择合适的传感器。
- 如果主要关注血管壁的弹性和压力变化，如诊断动脉硬化等疾病，压力传感器是一个较好的选择。它能够实时监测血管内压力的动态变化，为疾病的早期诊断提供重要信息。
- 当需要了解血管内血液体积的变化以及血液成分的情况时，光电传感器更为合适。例如，在监测血液氧饱和度或诊断与血液成分异常相关的疾病时，光电传感器可以发挥重要作用。
- 对于诊断与血流速度和血流状态相关的疾病，如糖尿病、血管狭窄等，超声传感器是首选。它能够准确测量血液的流动速度，及时发现血流异常情况。

5.2 多传感器组合策略

为了提高诊断的准确性和有效性，建议组合使用多种传感器。可以采用以下策略：
- 并行组合 ：同时使用压力、光电和超声传感器采集脉搏信号，然后对这些信号进行综合分析。通过复合核学习等方法组合不同信号的特征，能够充分利用三种信号的互补性，提高诊断的可靠性。
- 顺序组合 ：根据不同的诊断阶段或病情发展，依次使用不同的传感器。例如，在初步筛查时，可以先使用光电传感器进行快速检测，发现异常后再使用压力传感器和超声传感器进行进一步的诊断和评估。

5.3 临床应用流程

在临床应用中，可以按照以下流程进行操作：
1. 信号采集 ：使用合适的传感器或传感器组合采集患者的脉搏信号。确保采集过程的准确性和稳定性，避免外界干扰。
2. 信号预处理 ：去除信号中的噪声和基线漂移，提高信号的质量。可以采用小波去噪、自适应滤波等方法进行预处理。
3. 特征提取 ：从预处理后的信号中提取有用的特征，如时域基准点特征、多尺度样本熵、TWED 特征等。这些特征能够反映信号的本质特征，为疾病诊断提供依据。
4. 特征组合与分类 ：采用复合核学习等方法组合不同类型信号的特征，并进行分类。根据分类结果判断患者是否患有疾病以及疾病的类型。
5. 诊断结果评估 ：对诊断结果进行评估，结合患者的临床症状和其他检查结果进行综合判断。如果诊断结果存在疑问，可以进行进一步的检查和验证。

6. 未来发展趋势

6.1 传感器技术的改进

未来，传感器技术将不断发展和改进。压力传感器可能会更加小型化、高精度化，能够更准确地测量血管内的微小压力变化。光电传感器的灵敏度和分辨率可能会进一步提高，能够检测到更细微的血液体积和成分变化。超声传感器的成像技术可能会更加先进，能够提供更详细的血流信息。

6.2 信号处理算法的优化

随着计算机技术的不断发展，信号处理算法也将不断优化。新的算法可能会更加智能、高效，能够更好地处理和分析复杂的脉搏信号。例如，深度学习算法在信号处理领域的应用可能会为脉搏信号的分析和诊断带来新的突破。

6.3 多模态融合的深入研究

多模态融合是未来的一个重要发展方向。除了将压力、光电和超声信号进行融合外，还可以将其他生理信号，如心电图、血压等进行融合，实现更全面、准确的疾病诊断。通过多模态融合，可以综合利用不同信号的优势，提高诊断的准确性和可靠性。

6.4 远程医疗和健康监测

随着互联网和物联网技术的发展，远程医疗和健康监测将成为未来的发展趋势。患者可以通过便携式的传感器设备在家中实时采集脉搏信号，并将数据传输到医疗机构进行分析和诊断。医生可以根据远程传输的信号及时了解患者的健康状况，提供及时的医疗建议和治疗方案。

综上所述，三种不同类型的手腕脉搏信号在疾病诊断中具有重要的应用价值。它们之间的依赖和互补关系为疾病诊断提供了更多的信息和可能性。通过不断改进传感器技术、优化信号处理算法、深入研究多模态融合以及发展远程医疗和健康监测，未来的疾病诊断将更加准确、高效，为人们的健康提供更好的保障。在实际应用中，应根据具体需求选择合适的传感器和组合策略，以提高诊断的准确性和有效性。

graph LR
    A[信号采集] --> B[信号预处理]
    B --> C[特征提取]
    C --> D[特征组合与分类]
    D --> E[诊断结果评估]

发展趋势	具体内容
传感器技术改进	压力传感器小型化、高精度化；光电传感器灵敏度和分辨率提高；超声传感器成像技术先进
信号处理算法优化	采用深度学习等智能高效算法
多模态融合深入研究	融合多种生理信号
远程医疗和健康监测	患者在家采集信号，数据远程传输诊断