确定血压

技术领域

本公开涉及确定对象的血压，并且具体地涉及用于根据血流测量结果来确定血压的计算机实施的方法、计算机程序产品和装置。

背景技术

用于无创测量血压的常见方法涉及通过施加外部压力来临时限制四肢(例如手臂或腿)中的动脉血流，并且然后当施加在四肢上的压力量改变时确定血流的量度。如果外部压力高到足以甚至在收缩压的峰值处完全闭塞动脉，则在限制部位远侧的末端部分中将不存在血流。如果外部压力高到足以在心动周期的一部分期间闭塞动脉，则通过肢体的血流将是高度脉动的并且也是湍流的而不是层流的。如果外部压力太低而不能在任何点处闭塞动脉，则血流将是层流的并且是适度脉动的。血流的限制通常通过在患者的一个肢体周围施加可充气袖带并且然后使它充气和放气以实现期望程度的血流限制来实现。

至少有三种方法用于在限制程度改变时确定血流。最常见的方法是通过检测和测量由于血流引起的动脉体积变化引起的袖带中的压力的小变化来工作的振荡法。这种方法经常被使用，因为它便宜并且在袖带中不需要任何传感器或电连接——压力传感器可以与用于给袖带充气的泵一起放置在血压监测器中。缺点是该方法对由患者的运动引起的伪影敏感，因为即使袖带的小的外部干扰也将引起内部的压力变化，该压力变化具有与由血流引起的振荡相同的数量级。

另一种常用的方法是使用光源和光感受器测量由肢体远侧部分中的血流引起的光吸收的微小变化的光电体积描记术(PPG)。该方法在存在运动伪影的情况下更鲁棒，但是需要用于光源和光传感器的附加连接。

第三种常用的方法使用麦克风来检测由血管中的湍流引起的声音，所谓的柯氏音。这些声音很好地指示何时限制程度刚好大到足以在部分时间内闭塞动脉，但是也易受环境噪声的影响。当使用袖带、压力传感器/压力计和用于拾取柯氏音的听诊器执行手动无创血压测量时，该方法是普遍的。

用于确定血流的其他方法包括使用多普勒超声来测量动脉中的流速。

为了确定患者的血压，需要在不同的限制程度下(即，当使用可充气袖带时，在袖带压力的不同值下)测量血流的脉动程度。这提供了包含限制程度和血流的对应量度的值对的测量集。在振荡测量的情况下，这将是成对的静态袖带压力和袖带压力振荡幅值(静态袖带压力、袖带压力振荡幅值)。值对的测量集在本文中被称为“包络数据集”或“测量包络”。在包括振荡测量的包络数据集的情况下，包络数据集可以被称为振荡表。

在常规技术中，一旦包络的范围足够(即，已经针对一定范围的限制程度获得了血流测量)，就可以从包络数据集估计收缩压和舒张压的值。

当前使用的用于从测量的包络数据计算血压值的方法通过使用插值找到包络中的参考点并从参考点的位置导出血压来工作，例如如US 4984577(“Oscillometric non-invasive method for measuring blood pressure and apparatus for automatedoscillometric blood pressure measuring”)中所描述的。另一种方法将模型函数拟合到包络点的集合，并从通过曲线拟合操作获得的参数导出血压值，例如如US 5704362(“Method for oscillometric blood pressure determination employing curvefitting”)中所描述的。

发明内容

常规方法的一个缺点是它们往往很大程度上依赖于测量包络的几个点(特别是血流的最大值)，并且丢弃包含在其他点中的信息。特别地，血压计算通常高度依赖于测量包络的最大值的幅值和位置。因此，单个错误的测量(特别是错误的最大幅值)可能潜在地影响所计算的血压值的大变化。这意味着当遇到由运动伪影或类似因素引起的错误包络点时，该方法往往不是鲁棒的。

另一个缺点是一些当前方法没有将现有信息并入血压计算的方式。先验信息可以包括特定血压范围比其他血压范围更可能(例如，舒张压更可能在70…90mmHg范围内而不是在该范围之外)、特定脉压值比其他脉压值更可能、或患者的血压更可能接近先前的测量而不是显著不同的知识。

因此，需要一种用于从包络数据集确定收缩压和舒张压的改进技术，其更不依赖于包络数据集中的特定测量点或单个测量点。

下面阐述了所公开的技术的方面和实施例。

应当注意，一些实施例还提供了在血压的计算中包括一种或多种类型的先验信息的方式。在这些实施例中，可以通过使用来自贝叶斯统计的最大后验估计方法来考虑先验信息。

根据第一具体方面，提供了一种确定对象的血压的计算机实施的方法。所述方法包括接收针对所述对象的包络数据集，所述包络数据集包括针对被施加到所述对象的身体部分的相应不同程度的限制的所述身体部分中的血流的测量结果；使用概率密度函数PDF的集合来确定用于获得针对所述收缩压和所述舒张压的不同值对的所述包络数据集中的测量结果的相应似然度；并且将针对所述对象的所述收缩压和所述舒张压确定为针对所述包络数据集提供所述最高似然度的所述收缩压和所述舒张压的所述值对。因此，第一方面提供了一种用于确定收缩压和舒张压测量结果的技术，其更不依赖于包络数据集中的特定测量点或单个测量点。因此，该技术更不容易受到由离群测量结果引起的误差和包络数据集中的其他误差的影响。

在一些实施例中，使用PDF的集合的步骤包括：针对包络数据集中的每个测量结果，针对收缩压和舒张压的不同值对确定用于获得包络数据集中的所述测量结果的相应概率；并且针对收缩压和舒张压的每个值对，通过组合针对收缩压和舒张压的所述值对获得包络数据集中的测量结果的所确定的相应概率来确定获得包络数据集中的测量结果的似然度。该实施例提供了根据包络数据集中的每个测量结果发生的联合概率来确定收缩压和舒张压。

在这些实施例中，组合相应概率可以包括将相应概率相乘在一起或对相应概率的对数求和。当将收缩压值和舒张压值识别为具有最高总和的值时，涉及对对数进行求和的实施例具有优点。

在一些实施例中，使用所述PDF的集合的步骤包括：针对收缩压和舒张压的所有可能值对，确定用于获得所述包络数据集中的测量结果的相应似然度。该实施例具有以下优点：不需要优化算法来确定收缩压值和舒张压值，并且对收缩压值和舒张压的所有可能值对的穷举搜索可以使得能够量化所确定的收缩压值和舒张压值的质量，例如通过确定最高概率的突出性。

在替代实施例中，使用所述PDF的集合并确定所述收缩压和舒张压的步骤包括使用迭代优化算法来确定所述包络数据集的最高似然度。这些实施例具有以下优点：与利用跨收缩压和舒张压的所有可能组合的全面搜索相比，可以更快速和/或有效地确定收缩压和舒张压值。

在一些实施例中，使用所述PDF的集合的步骤包括：基于所述包络数据集中的血流的所述一个或多个最高测量结果来确定血流缩放因子；并且及使用所述血流缩放因子来将所述PDF的集合中的血流值与所述包络数据集中的血流的测量结果对齐。这些实施例使得PDF的集合能够被归一化为包络数据集，或使得包络数据集能够被归一化为PDF的集合。在这些实施例中，确定所述血流缩放因子的步骤可以包括基于所述包络数据集中的血流的多个最高测量的函数或中值平均值来确定所述血流缩放因子。使用血流的多次测量来确定血流缩放因子使得缩放对离群测量结果和其他误差更不敏感。

在一些实施例中，所述方法还包括生成所述PDF的集合。在这些实施例中，生成所述PDF的集合的步骤可以包括根据与收缩压和舒张压有关的先验分布来生成所述PDF的集合。在这些实施例中，所述先验分布可以包括或基于以下中的一个或多个：关于收缩压和舒张压的生理上可能值的信息；关于收缩压和舒张压值的生理上可能差值的信息；所述对象的收缩压和舒张压的一个或多个先前值；所述对象的一个或多个特性；用于测量血流的传感器的一个或多个特性；以及用于对身体部分施加限制的设备的一个或多个特性。以此方式，PDF可以被构建为使得存在对象被认为具有在对象或群体的通常生理范围之外的收缩压和舒张压的相对低的似然度，除非它被测量的包络数据集有力地支持。

在一些实施例中，所述PDF的集合包括通过PDF缩放因子缩放的PDF。

在一些实施例中，在一些实施例中，使用被充气和/或放气到多个不同压力或被连续充气或放气的袖带将不同程度的限制施加到身体部分。在这些实施例中，包络数据集可以是测量对的集合，其中，所述测量对包括身体部分中的血流的测量以及当进行血流的测量时袖带中的相应压力。在这些实施例中，对血流的测量可以是对袖带中的压力振荡的幅值或袖带下方的流体或凝胶填充的垫中的压力振荡的测量。替代地，在这些实施例中，血流的测量结果可以从来自被定位在袖带远侧的身体部分上的PPG传感器的光电体积描记PPG信号获得。替代地，在这些实施例中，血流的测量结果可以从来自被定位在袖带远侧的身体部分上的音频传感器或超声传感器的音频信号获得。

根据第二方面，提供了一种包括计算机可读介质的计算机程序产品，所述计算机可读介质具有体现在其中的计算机可读代码，所述计算机可读代码被配置为使得在由合适的计算机或处理单元运行时使所述计算机或处理单元执行根据第一方面或其任何实施例的方法。

根据第三具体方面，提供了一种被配置为确定对象的血压的装置。所述装置包括处理单元，所述处理单元被配置为接收针对所述对象的包络数据集，所述包络数据集包括针对被施加到所述对象的身体部分的相应不同程度的限制的所述身体部分中的血流的测量结果；使用概率密度函数PDF的集合来确定用于获得针对所述收缩压和所述舒张压的不同值对的所述包络数据集中的测量结果的相应似然度；并且将针对所述对象的所述收缩压和所述舒张压确定为针对所述包络数据集提供所述最高似然度的所述收缩压和所述舒张压的所述值对。因此，第三方面提供了一种用于确定收缩压和舒张压测量的装置，其更不依赖于包络数据集中的特定测量点或单个测量点。因此，该装置更不容易受到由离群测量结果引起的误差和包络数据集中的其他误差的影响。

在一些实施例中，所述处理单元被配置为：通过以下方式来使用PDF的集合，即，针对包络数据集中的每个测量结果，针对收缩压和舒张压的不同值对确定用于获得包络数据集中的所述测量结果的相应概率；并且针对收缩压和舒张压的每个值对，通过组合针对收缩压和舒张压的所述值对获得包络数据集中的测量结果的所确定的相应概率来确定获得包络数据集中的测量结果的似然度。该实施例提供了根据包络数据集中的每个测量结果发生的联合概率来确定收缩压和舒张压。

在这些实施例中，所述处理单元可以被配置为通过将相应概率相乘在一起或通过对相应概率的对数求和来组合相应概率。当将收缩压值和舒张压值识别为具有最高总和的值时，涉及对数求和的实施例具有优点。在一些实施例中，所述处理单元被配置为通过针对收缩压和舒张压的所有可能值对来确定用于获得所述包络数据集中的测量结果的相应似然度来使用所述PDF的集合。该实施例具有以下优点：不需要优化算法来确定收缩压值和舒张压值，并且对收缩压值和舒张压的所有可能值对的穷举搜索可以使得能够量化所确定的收缩压值和舒张压值的质量，例如通过确定最高概率的突出性。

在替代实施例中，所述处理单元被配置为通过使用迭代优化算法来确定所述包络数据集的最高似然度来使用所述PDF的集合并确定所述收缩压和舒张压。这些实施例具有以下优点：与利用跨收缩压和舒张压的所有可能组合的全面搜索相比，可以更快速和/或有效地确定收缩压和舒张压值。

在一些实施例中，所述处理单元被配置为：通过以下来使用所述PDF的集合，即，基于所述包络数据集中的血流的所述一个或多个最高测量结果来确定血流缩放因子；并且使用所述血流缩放因子来将所述PDF的集合中的血流值与所述包络数据集中的血流的测量结果对齐。这些实施例使得PDF的集合能够被归一化到包络数据集，或使得包络数据集能够被归一化到PDF的集合。在这些实施例中，所述处理单元可以被配置为基于所述包络数据集中的血流的多个最高测量结果的函数或中值平均值来确定所述血流缩放因子。使用血流的多个测量结果来确定血流缩放因子使得缩放对离群测量结果和其他误差更不敏感。

在一些实施例中，所述处理单元还被配置为生成所述PDF的集合。在这些实施例中，所述处理单元被配置为通过根据与收缩压和舒张压有关的先验分布生成所述PDF的集合来生成所述PDF的集合。在这些实施例中，所述先验分布可以包括或基于以下中的一个或多个：关于收缩压和舒张压的生理上可能值的信息；关于收缩压和舒张压值的生理上可能差值的信息；所述对象的收缩压和舒张压的一个或多个先前值；所述对象的一个或多个特性；用于测量血流的传感器的一个或多个特性；以及用于对身体部分施加限制的设备的一个或多个特性。以此方式，PDF可以被构建为使得存在对象被认为具有在对象或群体的通常生理范围之外的收缩压和舒张压的相对低的似然度，除非它被测量的包络数据集有力地支持。

在一些实施例中，所述PDF的集合包括通过PDF缩放因子缩放的PDF。

在一些实施例中，在一些实施例中，使用被充气和/或放气到多个不同压力或被连续充气或放气的袖带将不同程度的限制施加到身体部分。在这些实施例中，包络数据集可以是测量对的集合，其中，所述测量对包括身体部分中的血流的测量结果以及当进行血流的测量时袖带中的相应压力。在这些实施例中，血流的测量结果可以是袖带中的压力振荡的幅值或袖带下方的流体或凝胶填充的垫中的压力振荡的测量结果。替代地，在这些实施例中，血流的测量结果可以从来自被定位在袖带远侧的身体部分上的PPG传感器的光电体积描记PPG信号获得。替代地，在这些实施例中，血流的测量结果可以从来自被定位在袖带远侧的身体部分上的音频传感器或超声传感器的音频信号获得。

在一些实施例中，所述处理单元被配置为从测量袖带中的压力的压力传感器接收包络数据集。在这些实施例中，该装置还可以包括压力传感器，或压力传感器可以与该装置分开。在替代实施例中，所述处理单元被配置为从测量袖带中的压力的压力传感器接收被施加到身体部分的限制程度的测量结果，并且从血流传感器(诸如PPG传感器、音频传感器或超声传感器)接收身体部分中的血流的测量结果。在这些实施例中，该装置还可以包括压力传感器和/或血流传感器，或压力传感器和/或血流传感器可以与该装置分开。

这些和其他方面将参考下文描述的(一个或多个)实施例变得显而易见并将参考下文描述的(一个或多个)实施例得以阐述。

附图说明

现在将参考以下附图仅通过示例的方式描述示例性实施例，其中：

图1是图示示例性包络数据集的曲线图；

图2是可以用于实施本文描述的技术的装置的框图；

图3是图示根据各种实施例的确定血压的方法的流程图；

图4是针对袖带压力值范围内的归一化振荡幅值以及针对固定收缩压和固定舒张压的概率密度函数(PDF)的集合的图示；并且

图5是示出获得针对收缩压和舒张压的不同组合的包络数据集的似然度的图的图示。

具体实施方式

如上所述，与常规技术相比，所公开的技术使得能够根据包络数据集来确定收缩压和舒张压而更不依赖于包络数据集中的特定测量点或单个测量点。

包络数据集包括针对被施加到身体部分的相应不同程度的限制的身体部分中的血流的测量结果。例如，当袖带用于向对象的上臂施加压力时，在袖带的下游(即，在袖带远侧的手臂部分中(例如，在下臂或手腕中))测量血流。因此，包络数据集由一系列“测量对”或“测量点”组成，其中，每个对包括血流的测量结果和当获得血流测量结果时施加的压力的测量结果(例如，限制血流的袖带中的静态压力)。在振荡法测量的情况下，包络数据集将包括成对的静态袖带压力和袖带压力振荡幅值(静态袖带压力、袖带压力振荡幅值)。值对的测量集在本文中被称为“包络数据集”或“测量包络”。血流测量结果的形式可以取决于用于测量血流的传感器的类型。特别地，传感器应当测量脉动血流。例如，血流的测量结果可以通过测量或检测体积变化的传感器(诸如体积描记术，包括光电体积描记术(PPG)、振荡法或使用放置在可充气袖带与身体部分之间的流体或凝胶填充的垫的压力感测)或通过测量流速的传感器(诸如多普勒超声，或在某种程度上，柯氏音的声学检测)来获得。

图1中的曲线图示出了示例性包络数据集的一部分，该包络数据集包括针对在70mmHg至160mmHg范围内的一系列袖带压力的以mmHg为单位的振荡幅值相对于袖带压力(也以mmHg为单位)的测量结果。对象具有使用参考血压测量技术测量的132mmHg的收缩压和74mmHg的舒张压。应当理解，包络数据集还可以包括在图1所示例围之外的袖带压力的血流测量结果。

用于确定/估计收缩压和舒张压的技术将包络数据集中的测量对考虑为取决于变量“收缩压”和“舒张压”的概率分布的样本。使用包络数据集中的可用测量对并且可选地使用关于收缩压和舒张压的分布的任何先验信息，该技术找到使观察到测量的包络数据集的似然度最大化的收缩压和舒张压的值。

更详细地，在给定个体观察x

联合概率可以被计算为个体概率的乘积。然而，特定实施例可以考虑包络数据集中的测量不是统计上独立的，在这种情况下，计算联合概率可能比仅将个体概率相乘更深入。在这种情况下，代替将概率相乘，还可以通过最大化个体概率的对数之和来找到最大值，这避免了可能在数值上表现不佳的长序列的乘法：

启发性地说，f应当描述以下关系：如果袖带压力在舒张-收缩范围之外，则没有或微弱脉动的血流是更可能的，并且高度脉动的流动更可能在舒张-收缩范围内。在一些优选实施例中，f可以被构造为如对数几率函数(logistic function)或钟形曲线的平滑函数的组合，因为这有助于使用标准优化算法来找到最大值。在一些实施例中，f的构造还考虑了从包络数据集本身获取的一些信息，诸如最小振荡幅值和最大振荡幅值的范围。

一旦f被构造，就可以使用几种可能的方法中的一种来找到其在有效收缩和舒张对的集合上的全局最大值。由于可能的收缩压值和舒张压值对的集合具有有限的大小，因此一些实施例提供了即使具有中等计算能力，也可以通过计算每个可能的对的似然度值并找到最大值来详尽地搜索整个集合。还可以使用标准优化算法，如内部点方法或梯度搜索。最后，根据f的选择，可以使用解析解。

因此，所提出的技术在计算收缩压和舒张压期间尽可能少地依赖于包络数据集中的个体测量点。另外，该技术有效地使用更多或所有可用信息，其包括包络数据集中的没有或具有不显著的血流测量结果(例如，没有或具有不显著的振荡幅值)的测量对。包含在这些测量点中的信息通常在“最大幅值算法”类型的方法中被丢弃，但是在所公开的技术中，这样的测量点将贡献信息并且使似然度函数的最大值更突出。例如，包络数据集中的在袖带压力X下具有接近零幅值的测量对可以使不包括X的血压范围更可能，并且使包括X的血压范围更不可能。

图2是根据各种实施例的用于根据本文描述的技术确定对象的血压的系统2的框图。系统2形成无创血压(NIBP)监测系统2，即，无创地测量对象的血压的系统。如上所述，根据包括针对被施加到身体部分的相应不同程度的限制的对象的身体部分中的血流的测量结果的包络数据集确定血压。在图2所示的实施例中，袖带4用于将限制施加到身体部分。然而，应当理解，可以使用其他类型的设备来对身体部分施加限制以改变身体部分中的血液流动。例如，可以使用其紧密度被电气地、机械地、气动地或液压地致动以改变所施加的压力的止血带。

图2中的系统2包括袖带4、(例如，经由连接管7)连接到袖带4的泵6和用于测量袖带4中的压力的袖带压力传感器8。袖带压力传感器8输出袖带压力信号，该袖带压力信号表示袖带4中随时间的压力或与袖带4中随时间的压力有关。袖带压力信号提供对被施加到包络数据集中的身体部分的限制程度的测量。袖带4将被放置在感兴趣对象的身体部分周围(例如，在诸如手臂或腿的肢体周围)，并且泵6是可控制的以选择性地对袖带4充气。泵6还可以能够选择性地使袖带4放气，和/或可以提供用于使得袖带4能够被放气的阀(未示出)。至少当袖带4将限定的刺激施加在位于袖带4下方的动脉上时(这可以在袖带4的充气期间、袖带4的放气期间，或当袖带4中的压力保持在特定水平时)，袖带压力传感器8测量袖带4中的压力。

袖带4、泵6和袖带压力传感器8可以被认为形成测量设备10。除了测量设备10之外，图1所示的系统2还包括根据本文描述的技术操作以从由测量设备10提供的包络数据集确定对象的血压的装置12。因此，装置12被配置为从袖带压力传感器8接收袖带压力信号。在一些实施例中，装置12被配置为控制泵6的操作，并且从而在适当的时间发起袖带4的充气/放气。尽管装置12在图2中被示出为与测量设备10分开，但是应当理解，在一些实施方式中，测量设备10可以是装置12的一部分，或反之亦然。

装置12可以是计算设备的形式或是计算设备的一部分，所述计算设备诸如为服务器、台式计算机、膝上型计算机、平板计算机、智能电话、智能手表等、或通常存在于临床环境中的其他类型的设备(诸如用于监测(并且可选地显示)对象/患者的各种生理特征的患者监测设备(例如，位于临床环境中的患者的床边的监测设备))。

系统2包括用于测量对象的身体部分中的血流(或脉动血流)的血流传感器。在一些实施例中，形成包络数据集的身体部分中的血流的测量结果是由于血流引起的袖带4中的压力振荡的幅值的测量结果。在这些实施例中，从袖带压力信号获得血流的测量结果，并且因此袖带压力传感器8被用作血流传感器。这种类型的血流测量也被称为振荡测量或振荡法。

在替代实施例中，使用提供PPG信号的PPG传感器14形式的血流传感器来获得形成包络数据集的身体部分中的血流的测量。这种类型的血流测量也被称为光电体积描记测量。因此，在这些实施例中，系统2包括袖带压力传感器8和一个或多个PPG传感器14。一个或多个PPG传感器14能够是测量设备10的部分。PPG传感器14将被放置在袖带4远侧的对象的身体上，并且输出与通过身体的该部分的血流有关的PPG信号。如本领域技术人员已知的，PPG传感器14包括一个或多个光传感器，并且通常包括一个或多个光源。由(一个或多个)PPG传感器14输出的PPG信号可以是来自光传感器的原始测量信号，例如，PPG信号可以是表示随时间的光强度的模拟或数字信号。

在其他替代实施例中，使用压力传感器形式的血流传感器来获得形成包络数据集的身体部分中的血流的测量结果，所述压力传感器测量放置在可充气袖带4与身体部分之间的流体或凝胶填充的垫中的压力或压力振荡。这种类型的传感器在身体部分与袖带4之间提供液压耦合，并且提供比身体部分和充气袖带4之间的气动耦合更高质量的信号。用于测量垫中的压力/压力振荡的压力传感器可以是通常用于侵入性地测量动脉中的压力的类型。在Josef Briegel,M.D.等人的“Clinical Evaluation of a High-fidelity UpperArm Cuff to Measure Arterial Blood Pressure during Noncardiac Surgery”(Anesthesiology November 2020,vol.133,997–1006)中描述了这种血流传感器)的示例，其也称为也称为‘外壳袖带’。压力传感器可以是测量设备10的一部分。压力传感器可以输出压力信号，该压力信号与由于袖带4施加的压力引起的垫中的压力以及通过垫和袖带4下方的身体部分的血液流动有关。由压力传感器输出的压力信号可以是来自压力传感器的原始测量信号，例如，压力信号可以是表示垫中随时间的压力/压力振荡的模拟或数字信号。

在其他替代实施例中，使用一个或多个麦克风16(用于测量血流的声音，包括由动脉中的湍流引起的柯氏音)或一个或多个超声传感器18(用于从多普勒频移测量血流速度)形式的血流传感器获得形成包络数据集的身体部分中的血流的测量。这种类型的血流测量也被称为听诊测量。因此，在这些实施例中，系统2包括袖带压力传感器8和一个或多个麦克风16或超声传感器18。一个或多个麦克风16或一个或多个超声传感器18可以是测量设备10的一部分。(一个或多个)传感器16、18要被放置在袖带4远侧的对象的身体上，并且输出与通过身体的该部分的血流有关的音频信号。由(一个或多个)麦克风16或(一个或多个)超声传感器18输出的音频信号可以是来自(一个或多个)传感器16、18的原始测量信号，例如，音频信号可以是表示随时间的声音/超声的模拟或数字信号。

本领域技术人员将理解，可以使用其他类型的(无创)传感器来获得身体部分中的血流的测量结果，并且所公开的技术不限于上述传感器。

装置12包括控制装置12的操作并且可以被配置为执行或实行本文描述的方法的处理单元22。处理单元22可以利用软件和/或硬件以多种方式来实施，以执行本文描述的各种功能。处理单元22可以包括可以使用软件或计算机程序代码进行编程以执行所需的功能和/或控制处理单元22的部件以实现所需的功能的一个或多个微处理器或数字信号处理器(DSP)。处理单元22可以被实施为执行一些功能的专用硬件(例如，放大器、前置放大器、模数转换器(ADC)/或数模转换器(DAC))和执行其他功能的处理器(例如，一个或多个编程的微处理器、控制器、DSP和相关联的电路)的组合。可以在本公开的各种实施例中采用的部件的示例包括但不限于常规微处理器、DSP、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、用于实施神经网络和/或所谓的人工智能(AI)硬件加速器的硬件(即，可以与主处理器一起使用的专门设计用于AI应用的(一个或多个)处理器或其他硬件)。

处理单元22连接到存储器单元24，存储器单元24可以存储数据、信息和/或信号以供处理单元22在控制装置12的操作和/或在执行或执行本文描述的方法时使用。在一些实施方式中，存储器单元24存储可以由处理单元22执行的计算机可读代码，使得处理单元22执行一个或多个功能，包括本文描述的方法。在特定实施例中，程序代码可以是用于智能手表、智能电话、平板电脑、膝上型电脑或计算机的应用的形式。存储器单元24可以包括任何类型的非瞬态机器可读介质，诸如高速缓存或系统存储器，包括易失性和非易失性计算机存储器，诸如随机存取存储器(RAM)、静态RAM(SRAM)、动态RAM(DRAM)、只读存储器(ROM)，可编程ROM(PROM)、可擦除PROM(EPROM)和电可擦除PROM(EEPROM)，并且存储器单元24可以以存储器芯片、光盘(诸如压缩盘(CD)、数字通用盘(DVD)或蓝光盘)、硬盘、磁带存储解决方案或固态设备(包括记忆棒、固态驱动器(SSD)、存储卡等)的形式实施。

在一些实施例中，装置12包括用户接口26，用户接口26包括使得装置12的用户能够将信息、数据和/或命令输入到装置12中和/或使得装置12能够向装置12的用户输出信息或数据的一个或多个部件。可以由用户接口26输出的信息可以包括根据本文描述的技术从包络数据集确定的收缩压和舒张压。用户接口26可以包括(一个或多个)任何合适的输入部件，包括但不限于键盘、小键盘、一个或多个按钮、开关或拨号盘、鼠标、跟踪板、触摸屏、触控笔、相机、麦克风等，和/或用户接口26可以包括(一个或多个)任何合适的输出部件，包括但不限于显示屏、一个或多个灯或光元件、一个或多个扬声器、振动元件等。

应当理解，装置12的实际实施方式可以包括到图2中所示的那些部件的附加部件。例如，装置12还可以包括诸如电池的电源、或用于使得装置12能够连接到主电源的部件。装置12还可以包括用于实现到其他设备(包括测量设备10(或单独的袖带压力传感器8)、传感器14、16、18、服务器、数据库和用户设备中的任何一个或多个)的数据连接和/或与其他设备(包括测量设备10(或单独的袖带压力传感器8)、传感器14、16、18、服务器、数据库和用户设备中的任何一个或多个)的数据交换的接口电路。

图3中的流程图图示了根据本文描述的技术的实施例的确定血压的方法。该方法的各个步骤可以由装置12并且特别地处理单元22执行。在这方面，可以提供计算机程序代码，当该代码由处理单元22执行时，该计算机程序代码使处理单元22并且因此装置12执行下面描述的方法。通常，图3中的方法可以由处理器、处理单元或计算机实施。如下面进一步指出的，图3中的方法的一个或多个步骤可以利用或涉及使用袖带4(或其他血流限制装置)、泵6、袖带压力传感器8(或其他“限制程度”传感器和/或血流传感器)和(如果存在的话)PPG传感器14、麦克风16和超声传感器18中的任一个。

在图3中的方法的步骤101中，接收针对对象的包络数据集。如上所述，包络数据集包括针对被施加到身体部分的相应不同程度的限制的对象的身体部分中的血流的测量。可以在步骤101中直接从(一个或多个)相关传感器8、14、16、18接收包络数据集，例如当获得血流测量时，在这种情况下，包络数据集是根据接收到的测量形成的。替代地，步骤101可以包括从存储器(例如，从存储器单元24)检索先前获得的包络数据集。

在步骤103中，使用概率密度函数(PDF)的集合来确定用于获得针对收缩压和舒张压的不同值对的测量的相应似然度。如上所述，PDF用于量化针对收缩压和舒张压的不同值对发生的特定包络数据集的似然度。集合中的PDF是一个或多个变量的函数：血流的量度(例如振荡幅值)、限制程度(例如袖带压力)、收缩压和舒张压。在实施例中，集合中的PDF是五个变量的函数：血流的量度(例如振荡幅值)、限制程度(例如袖带压力)、收缩压、舒张压和最大振荡幅值。在实施例中，集合中的PDF是六个变量的函数：血流的量度(例如，振荡幅值)、限制程度(例如袖带压力)、收缩压、舒张压、最大振荡幅值以及描述先验信息的参数。由于血流的量度是通过测量获得的关键未知变量，因此PDF用于量化在特定限制程度下的血流的特定量度对应于不同的收缩压和舒张压的似然度。因此，PDF的集合中的个体PDF可以被认为是针对限制程度的特定值、以及收缩压和舒张压的特定值对。

使用公式(1)和(2)中的项，PDF的集合量化观察到形成包络数据集的测量对x的集合和参数向量θ的组合(对应于收缩压和舒张压的组合)的可能性。PDF的集合可以被认为是由PDF的一系列子集形成的，其中PDF的每个子集对应于收缩压和舒张压的特定值对(例如，120mmHg的收缩压和80mmHg的舒张压)，并且子集中的每个PDF是针对该对收缩压和舒张压值以及特定袖带压力值(例如，100mmHg)的PDF。

在图4中示出了针对120mmHg的收缩压的固定值和80mmHg的舒张压的固定值的PDF的示例性子集f(x

因此，在步骤103中，PDF的集合被用于确定接收到的包络数据集的收缩压和舒张压的值对的似然度。换句话说，步骤103提供了在给定接收到的包络数据集的情况下对象具有收缩压和舒张压的不同值对的似然度。在步骤103中确定的相应似然度在本文中也被称为“联合似然度”，因为它们表示包络数据集中的所有测量对针对收缩压和舒张压的给定值对而发生的似然度。

步骤103的特定实施例包括用于确定相应似然度的两步过程。在第一步骤中，对于包络数据集中的每个测量对，确定用于针对收缩压和舒张压的不同值对获得包络数据集中的测量对的相应概率。也就是说，对于每个测量对，针对收缩压和舒张压的第一值对确定第一概率，并且针对收缩压和舒张压的第二值对确定第二概率，等等。在第二步骤中，对于在第一步骤中评估的收缩压和舒张压的每个值对，通过组合在第一步骤中确定的收缩压和舒张压的该值对的概率来确定获得包络数据集的似然度。在第二步骤中，可以通过将概率相乘在一起或通过对相应概率的对数求和来组合概率。对相应概率的对数求和可以是优选的，因为这避免了当乘以概率时可能发生的可能数值上表现不佳的乘法序列。

在一些实施例中，步骤103可以包括针对收缩压和舒张压的所有可能的值对确定包络数据集的相应似然度。也就是说，在步骤103中评估收缩压和舒张压的所有可能组合。这种穷举搜索是可能的，因为收缩压值和舒张压的值对的集合的大小是相对小的。

在替代实施例中，步骤103可以包括应用迭代优化算法来确定相应似然度。这些实施例通常可以在并行或以其他方式同时执行步骤103和105(下面描述)的情况下使用。其中在一些实施例中，可能不需要执行穷举搜索并确定收缩压和舒张压的所有可能对的似然度。

返回到图4中的PDF的示例性子集，在该分布下具有高概率的测量对将增加120/80mmHg的血压产生测量包络点的集合的似然度，而具有低概率(例如，在100mmHg袖带压力下的低振荡幅值，或在150mmHg袖带压力下的高幅值)的测量对将降低120/80mmHg的血压产生包络数据集中的测量对的似然度。

一旦已经在步骤103中确定相应似然度，则在步骤105中，将针对对象的收缩压和舒张压确定为针对包络数据集提供最高似然度的收缩压和舒张压的值对。

在执行收缩压和舒张压的可能对的穷举搜索的步骤103的实施例中，步骤105可以包括将对象的收缩压和舒张压确定为针对接收到的包络数据集提供最高似然度的收缩压和舒张压的对。在使用迭代优化算法来确定相应似然度的步骤103的实施例中，该算法可以迭代通过收缩压和舒张压的值对以找到包络数据集的似然度中的最大值。本领域技术人员将意识到可以用于实施步骤103/105的各种不同的迭代优化算法，并且本文中不提供细节。然而，在步骤103/105中可以使用诸如顺序二次规划、内部点方法或有效集方法的技术。取决于构建似然度函数的方式，可能存在多于一个的局部最大值。在这种情况下，局部优化算法的单次运行可以达到局部最大值之一而不是全局最大值。也可以使用全局优化算法。

在执行穷举搜索或基本上穷举搜索(例如，在收缩压和舒张压的值的所有似乎合理的组合上)的实施例中，该方法还可以包括确定最大似然度的突出性或显著性。可以通过检查最大值周围的限定大小的邻域来确定突出性或显著性。该算法可以计算邻域中的平均或最小似然度度，并计算最大值与该值的比率。如果比率较大，则认为最大值是显著的。如果比率小，则最大值不是非常明显/突出/显著。最大值的突出性或显著性可以提供所确定的收缩压值和舒张压值的质量的量化。在一些实施例中，如果接收到的包络数据集没有提供足够突出或显著的最大值，则可以丢弃潜在不可靠或不够准确的收缩压和舒张压的值。突出性的确切定义可以取决于用于构建似然度函数的函数。数值可以通过模拟(例如，使用合成的、生成的包络作为表示已知的良好和不良包络的输入)以及凭经验(例如，使用已知为良好或不良的真实包络)来确定。然后可以使用包括机器学习的统计方法来确定用于丢弃/保留收缩压/舒张压的值的最佳阈值。

图5是示出针对收缩压和舒张压的不同组合获得图1中所示的包络数据集的似然度的映射图的图示。图5中所示的似然度是图1中所示的包络数据集的对数似然度。因此，图5表示在步骤103中针对图1中的包络数据集的收缩压和舒张压的所有可能对的穷举搜索的输出。在图5中可以看出，该包络数据集的最大似然度发生在132mmHg的收缩压和74mmHg的舒张压处，其中所确定的似然度在这些值的仅小的差异处显著下降(甚至到0)(例如，似然度在110mmHg至140mmHg的收缩压范围之外为大约0，并且在60mmHg至80mmHg的舒张压范围之外为大约0)。

尽管未在图3中示出，但是在步骤105中确定的收缩压和/或舒张压的值可以例如视觉地和/或听觉地输出给对象或方法/装置12的另一用户(诸如医师或其他医疗保健提供者)，和/或例如以被发送到将收缩压和/或舒张压的值存储在对象的患者记录中的设备或装置的信号的形式电子地输出。PDF的集合中的每个PDF可以由平滑函数(诸如逻辑函数和/或高斯钟形曲线)。平滑函数的使用可以便于使用迭代优化算法来找到最大似然度。在优选实施例中，PDF的集合可以被构建为使得收缩压和舒张压的特定组合具有与其相关联的零概率。例如，舒张压高于收缩压的收缩压和舒张压的所有对应当具有零概率(通过收缩压和舒张压的定义)。

图4中的示例性PDF子集是通过将预期振荡幅值近似为高斯钟形曲线来生成的，其中袖带压力是参数。当遵循袖带压力轴时，振荡幅值轴上的最大值的位置描述了该钟形曲线。为了定义概率密度函数的集合，使用其平均值在最大值处的钟形曲线族，该族中的每个钟形曲线对应于收缩压和舒张压的特定值对。每个个体曲线被缩放，使得曲线下的面积为1(因为真实的高斯钟形曲线是在实数上定义的，但是压力和振荡幅值不能为负)。尽管这是粗略的近似，但是即使在这种形式中，它也是用于由120/80血压产生的包络数据集的合适检测器。

作为将包络的形状近似为高斯钟形曲线的替代方案，可以使用其他钟形函数，包括在舒张/收缩间隔外为0并且在其内为1的函数的极端(且非平滑)情况。这将仍然导致用于给定血压的检测器。

为了形成概率密度函数的子集，可以在舒张/收缩区间中使用钟形分布，而在该区间之外，可以使用缩放的钟形分布或如指数分布的单侧分布。

应当理解，在特定实施方式中用于形成集合中的PDF的函数可以被选择作为计算复杂性和建模准确性之间的折衷。“足够好地”工作的一组简单基函数可能优于仅提供最小附加益处的计算复杂模型。

在一些实施例中，步骤103包括基于包络数据集来缩放包络数据集或PDF的集合。使用被称为“血流缩放因子”的缩放因子来执行该缩放。血流缩放因子可以用于将PDF的集合中的血流值与包络数据集中的血流的测量结果对齐。因此，血流缩放因子可以用于将每个PDF的血流值归一化为包络数据集，或将包络数据集中的血流测量归一化。替代地，血流缩放因子可以用于通过跨PDF的集合中的血流值和包络数据集中的血流的测量两者分布血流缩放因子来将PDF的集合中的血流值和包络数据集中的血流的测量结果对齐。例如，可以通过将(i)PDF的集合中的血流值和(ii)包络数据集中的血流的测量结果中的一个乘以血流缩放因子的平方根，并且将(i)PDF的集合中的血流值和(ii)包络数据集中的血流的测量结果中的另一个除以血流缩放因子的平方根来分布血流缩放因子。血流缩放因子可以基于包络数据集中的血流的一个或更多个最高测量结果。通常，包络数据集中的血流的最高测量结果的幅值取决于多个因素，诸如对象的身体特性、袖带尺寸、袖带类型、袖带被附接到身体部分的牢固程度等，其可以在对象之间变化并且在针对同一对象的测量之间变化。因此，使用血流的最高测量结果的幅值导出PDF的血流缩放因子使得PDF能够适应于那些因子。在一些实施例中，基于具有最高幅值的包络数据集中的血流的测量来确定血流缩放因子。例如，可以将具有最大幅值的血流的测量缩放到1，并且可以相应地缩放所有其他幅值。然而，最高幅值的血流测量结果可能是伪影，导致显著的误差，因此优选地，血流缩放因子根据血流的多个最高幅值测量结果来确定，以使缩放对离群测量结果和其他误差更不敏感。血流缩放因子可以根据多个最高幅值测量的函数来确定，并且该函数能够是均值，诸如平均值、众数或中值(中值是平均值和众数的更优选的选项)。用于确定血流缩放因子的测量的次数可以在2和10之间，例如3、5或7。当取中值并使用3个最高幅值测量时，血流缩放因子对于最大值中的一个为伪影的情况是鲁棒的，当取中值并使用5个最高幅值测量时，血流缩放因子对于中的两个为伪影的情况伪是鲁棒的，等等。从多个最高幅值的血流测量确定血流缩放因子还有助于血压测量技术更不依赖于包络数据集中的单个测量点。

在一些实施例中，该方法还可以包括生成PDF的集合的步骤。可以如上面关于图4所概述的那样生成PDF的集合。如上所述，在一些实施例中，当生成PDF时，可以使用或考虑关于收缩压和舒张压的分布的先验信息。先验信息可以是一个或多个先验分布g(θ)的形式。先验信息可以基于静态信息，即不改变或不快速改变的信息。静态信息可以包括例如对象的特性(例如，年龄、身高、体重、医疗状况、药物等)、用于测量血流的传感器的特性(例如，该传感器的测量中存在的偏移和/或噪声的指示)、用于对身体部分施加限制的设备(例如袖带)的特性、关于收缩压和舒张压的生理上可能的值的信息、以及关于收缩压和舒张压值的生理上可能的差异的信息。在后两个示例中(如上所述)，收缩压和舒张压的特定组合具有零发生概率，并且收缩压和舒张压的其他组合具有接近零或者低的发生概率。例如，舒张压不能高于收缩压，因此舒张压高于收缩压的任何对应当具有零概率。收缩压和舒张压的某些极端值(例如，在已知生理范围之外的非常低的值和非常高的值)也可以具有零或接近零的概率。同样地，脉压(收缩压和舒张压之间的差)的特定值也更不可能，并且应当具有接近零或要不然低的发生概率。以类似的方式，收缩压和舒张压的特定值更加可能，例如，典型生理范围内的值，并且可以在PDF中具有使这些更可能的概率。同样地，脉压的特定值也是更可能的，并且应当相应地构建PDF。在PDF中考虑该先验信息的情况下，存在对象被认为具有在通常生理范围之外的收缩压和舒张压的相对低的似然度，除非它被测量的包络数据集有力地支持。

在一些实施例中，先验信息还可以或替代地包括动态信息，即确实改变或确实快速改变的信息。动态信息可以包括对象的收缩压和舒张压的一个或多个先前值。该动态信息可以用于生成PDF，使得使用包络数据集找到的收缩压和舒张压的新值更可能接近对象的收缩压和舒张压的先前值。对象的先前值对PDF的确切影响可以取决于先前值的最近程度，因为血压相对缓慢地变化，并且因此较近的先前值比较旧的先前值更可能指示收缩压和舒张压的当前值。

虽然PDF的严格数学定义要求整个范围上的积分为1，但是应当理解，可以使用已经通过某个PDF缩放因子缩放的PDF来实施上述方法，使得整个范围上的积分大于(或小于)1，并且应当相应地理解在步骤103中使用PDF的集合。也就是说，步骤103包括使用PDF的集合、或使用概率轴已经通过缩放因子缩放的PDF的集合。例如，参考图4，可以缩放概率密度轴，使得由PDF的集合提供的最大概率密度为3。PDF缩放因子可以是任意的，例如2、3等，或它可以选择为改进实施步骤103和105的算法的性能。

因此，提供了用于从包络数据集确定收缩压和舒张压而与常规技术相比更不依赖于包络数据集中的特定测量点或单个测量点的技术。

本领域技术人员通过研究附图、公开内容以及权利要求，在实践本文描述的原理和技术时能够理解并实现对所公开的实施例的变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。尽管某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。计算机程序可以被存储或分布在合适的介质上，例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是也可以被以其他形式分布，例如经由互联网或其他有线或无线的电信系统。权利要求中的任何附图标记都不应被解释为对范围的限制。