JSTA Journal of Sensor Technology and Application 2331-0235 Scientific Research Publishing 10.12677/JSTA.2023.111003 JSTA-60221 JSTA20230100000_24586878.pdf 工程技术 基于光电容积脉搏波的心血管疾病相关体征参数提取算法 Parameter Extraction Algorithm of Cardiovascular Disease Related Physical Signs Based on Photoplethysmography 田 紫微 2 1 贾 芸芳 2 1 南开大学电子信息与光学工程学院，天津 null 09 01 2023 11 01 20 27 © Copyright 2014 by authors and Scientific Research Publishing Inc. 2014 This work is licensed under the Creative Commons Attribution International License (CC BY). http://creativecommons.org/licenses/by/4.0/

光电容积脉搏波(Photoplethysmography, PPG)中蕴含着人体脉搏信息，将其提取出来是实现快速、高精度、低成本心血管健康监测的前提。PPG脉搏信号在时域中存在典型特征点，分析这些特征点可求出脉搏周期、极值、波形特征量等信号的基本特征值，再通过各种衍生公式获得心率(HR)、血压(BP)、心输出量(CO)等体征参数，这些体征参数与心血管疾病密切相关，并可直接反映患者的健康状况，是临床心血管疾病早期诊断的重要依据。本文采用MATLAB软件给出了从PPG脉搏波信号中识别典型特征点和计算体征参数(HR、BP、SV、CO、TPR、AC)的算法流程，并将这种基于PPG信号的心血管体征信息参数提取算法用于真实人体PPG信号分析，该研究有望对心血管疾病的预警提供一种方便快捷的监测技术。 Photoplethysmography (PPG) signal implicates human pulse in-formation, and its extraction is the premise of cardiovascular health monitoring in a rapid, precise and low-cost manner. The PPG pulse signal shows typical feature points in the time domain, by ana-lyzing them pulse waves’ features such as pulse period, typical peaks’ height and waveform charac-teristic quantity can be acquired, and the physical signs parameters can be obtained through re-lated derivative formulas, like heart rate (HR), blood pressure (BP) and cardiac output (CO), which have a close relationship with cardiovascular diseases (CVD) and can directly reflect the health sta-tus of patients, these physical signs parameters play an important role in the CVD’s early diagnosis. This paper uses MATLAB software to give the algorithm flow of identifying typical feature points and calculating physical signs parameters (HR, BP, SV, CO, TPR, AC) from PPG signal, and applies this cardiovascular sign information parameter extraction algorithm based on PPG signal to the analysis of real human PPG signal. This research is expected to provide a convenient and fast monitoring technology for the early warning of CVD.

 光电容积脉搏波，心血管系统指数，体征参数提取, PPG Cardiovascular System Index Physical Signs Parameter Extraction 摘要

光电容积脉搏波(Photoplethysmography, PPG)中蕴含着人体脉搏信息，将其提取出来是实现快速、高精度、低成本心血管健康监测的前提。PPG脉搏信号在时域中存在典型特征点，分析这些特征点可求出脉搏周期、极值、波形特征量等信号的基本特征值，再通过各种衍生公式获得心率(HR)、血压(BP)、心输出量(CO)等体征参数，这些体征参数与心血管疾病密切相关，并可直接反映患者的健康状况，是临床心血管疾病早期诊断的重要依据。本文采用MATLAB软件给出了从PPG脉搏波信号中识别典型特征点和计算体征参数(HR、BP、SV、CO、TPR、AC)的算法流程，并将这种基于PPG信号的心血管体征信息参数提取算法用于真实人体PPG信号分析，该研究有望对心血管疾病的预警提供一种方便快捷的监测技术。

 关键词

光电容积脉搏波，心血管系统指数，体征参数提取

 Parameter Extraction Algorithm of Cardiovascular Disease Related Physical Signs Based on Photoplethysmography<sup> </sup>

Ziwei Tian, Yunfang Jia*

College of Electronic Information and Optical Engineering, Nankai University, Tianjin

Received: Sep. 27th, 2022; accepted: Jan. 3rd, 2023; published: Jan. 12th, 2023

 ABSTRACT

Photoplethysmography (PPG) signal implicates human pulse information, and its extraction is the premise of cardiovascular health monitoring in a rapid, precise and low-cost manner. The PPG pulse signal shows typical feature points in the time domain, by analyzing them pulse waves’ features such as pulse period, typical peaks’ height and waveform characteristic quantity can be acquired, and the physical signs parameters can be obtained through related derivative formulas, like heart rate (HR), blood pressure (BP) and cardiac output (CO), which have a close relationship with cardiovascular diseases (CVD) and can directly reflect the health status of patients, these physical signs parameters play an important role in the CVD’s early diagnosis. This paper uses MATLAB software to give the algorithm flow of identifying typical feature points and calculating physical signs parameters (HR, BP, SV, CO, TPR, AC) from PPG signal, and applies this cardiovascular sign information parameter extraction algorithm based on PPG signal to the analysis of real human PPG signal. This research is expected to provide a convenient and fast monitoring technology for the early warning of CVD.

Keywords:PPG, Cardiovascular System Index, Physical Signs Parameter Extraction

Copyright © 2023 by author(s) and beplay安卓登录

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

 1. 引言

心血管疾病(Cardiovascular disease, CVD)是严重威胁人类健康的常见疾病 [ 1 ]，临床经验证明如果能发现早期CVD并加以干预，可能有显著疗效 [ 2 ]。然而，CVD的早期诊断往往由于症状轻微而被推迟，当出现更严重的症状时，心脏和血管已经受损 [ 3 ]，为提高CVD的治疗效果迫切需要一种快速便捷的CVD预警技术。从传统中华医学著名的脉诊，到现代医学对心血管系统及相关疾病的深入研究，均充分说明了人体脉搏与CVD之间存在直接关系 [ 4 ]，在一段时间内持续监测脉搏波并提取生命体征参数(如心率(HR)、血压(BP)、心输出量(CO)等)，有助于了解心血管系统的健康状况，从而提供CVD的预警信息。CVD临床研究表明，如果HR异常增加将会对心脏、动脉等造成不可逆的损伤，从而加快动脉硬化的速度，因此HR的监测对动脉硬化的早期预警具有实际意义 [ 5 ]；持续性高血压会让CVD的危险比增加，甚至导致死亡，因此BP是CVD预警的重要生理指标 [ 6 ]；CO是心脏血流量的指标，与心脏的泵血和回血的能力密切相关，例如心功能不全患者的心脏无法正常完成收缩和舒张功能导致CO指标的异常 [ 7 ]。由此可见，通过CVD相关生命体征参数的提取，可以为CVD的早期预防、早期诊疗提供辅助信息。

脉搏波的波形变化是评价人体心血管系统生理病理状态的重要依据，人们总是试图利用各种方法获得脉搏波 [ 8 ]，1938年Hertzman提出了一种运用光电技术无创获得人体脉搏波的光电容积脉搏波(Photoplethysmography, PPG)技术 [ 9 ]，因其操作简单、性能稳定、无创伤和适应性强等诸多优点而广泛应用于脉搏波的获取。研究表明，根据PPG信号的典型特征点可以计算HR [ 5 ]、BP [ 6 ]、CO [ 7 ] 等体征参数，这些体征参数可以反映心血管系统的健康状况；1982年O’Rouke用大量的临床实测结果证明了PPG信号中存在可用于CVD相关体征信息提取的典型特征点。因此，从PPG信号中提取的体征信息可以为医生诊断CVD提供参考，达到早期预警的目的。目前，PPG信号典型特征点的提取方法主要包括时域分析法和频域分析法 [ 10 ]。所谓时域分析法即在时间维度上分析PPG信号的典型特征点与脉象变化的内在联系。时域分析法包括直观形态法、多因素识脉法、脉象速率图法、脉图面积法等，北京工业大学的罗志昌教授等提出了一个以脉图面积变化为基础的脉搏波波形特征量K，并研究证实了当心血管生理和病理上发生变化时将会引起PPG信号中典型特征点和波形特征量K值的相应变化，K值变化不仅很有规律，而且相当敏感 [ 11 ]。频域分析法主要是通过离散快速傅里叶变换，将时域的PPG信号曲线变换到频域，得到相应的PPG信号频谱曲线，通过频谱曲线的特征分析，从中提取人的体征信息。频域分析包括功率谱分析和倒谱分析，清华大学的孟兆辉等对高血压病人的PPG信号进行了频域分析，通过比较各谐波峰值与谐波斜率的方法对高血压病的早期诊断提供一种新的参考方法 [ 12 ]。此外，分析PPG信号的频谱曲线还可以获得心室收缩舒张系数、血液黏度、动脉管弹性模量等体征信息 [ 13 ]，但由于傅里叶变换的复杂性，这种方式在实现时运算量较大。

为了方便快速地从PPG信号中提取CVD相关生命体征参数的信息，本文以HR、BP、SV、CO、TPR、AC六项生理指标为例，设计并实现了可用于CVD预警的参数提取算法，并将其应用于真实人体PPG信号分析，研究结果表明该方法有望为CVD预警提供一种方便快捷的监测技术。

 2. 原理与方法 2.1. PPG信号的典型特征点

一般认为脉搏波的波形图有六大特征点 [ 14 ]，但在实际应用中，并不会这样严格，而是使用比较简单的拥有四个典型特征点的脉搏波波形，如图1所示，其中每个特征点都与人体相应的生理活动密切相关。图1中分界线左侧为上升支(A点到B点)，心脏收缩，主动脉瓣打开形成点A也称为脉搏波的起点，主动脉瓣打开后向动脉中快速射血，主动脉压力也随之升高，导致血管壁快速扩张，当心脏收缩达到最大压力点时形成主波波峰点B；分界线右侧为下降支，根据波谷(S点)又可以分为两段，分界线到波谷S点心室射血速度减慢，射血量减少，动脉在缓冲时间内进行弹性回缩，动脉压力下降，之后心室开始舒张，两侧的半月瓣关闭，防止血液回流，动脉压力和心室内压一起下降，脉搏波波形呈现继续下降的状态，形成了降中峡点S；波谷后半段(S点到D点)，心室进入舒张期末期，心房开始收缩，将残留的血液射入心室，使其充盈度进一步提高，进而造成心室的压力随之出现一个小的升高，所以在波形中出现一个小的波峰，即重博波点D。利用PPG技术获得的信号(PPG信号)的波形特点与脉搏波信号一致。

图1. 脉搏波的四大典型特征点

 2.2. 心率和血压的计算方法

在CVD的数据分析中，心率(Heart Rate, HR)和血压(Blood Pressure, BP)仍然是主要的参考基础。从第一声心脏跳动开始计数，每分钟跳动的次数被定义为HR [ 15 ]。HR在正常情况下为60~100 BMP(Beat Per Minute，次/分钟)，可因年龄、性别或其他生理因素产生个体差异。一般来说，年龄越小，HR越快，老年人HR比年轻人慢，女性的HR比同龄男性快，这些都是正常的生理现象 [ 16 ]。健康人PPG信号的一个周期波形可以清晰对应心脏跳动一次的过程，利用时域分析法分析PPG信号可以提取出HR。脉搏周期T可以通过相邻两个波峰或波谷之间的采样点数N和采样率fs确定，HR可以由PPG信号的周期T计算，它们之间存在的关系如公式(1)所示。

HR = 60 T (1)

BP是指血液在血管内流动时对血管壁产生的单位面积侧压。心脏的周期性射血活动引起血管壁弹性的周期性变化。人们日常所说的高压低压即是临床上所说的收缩压(Systolic Pressure, Ps)和舒张压(Diastolic Pressure, Pd) [ 17 ]，分别对应于脉搏波的主波波峰点(B)与脉搏波起点(A)的血压值。为完整评价一个人的血压特性，仅靠Ps和Pd是完全不够的，还应包含有描述血压波形随时间变化的参数如波形特征量K，K值的大小取决于脉搏波信号的波形形状，并和人体的外周阻力、血管壁弹性以及血液粘性等生理因素有关，所以不同的K值将从量的方面反映不同的心血管生理状态，K值大小在0.33左右是健康人的正常状态，患有严重高血压和动脉粥样硬化的病人其K值会增加可能达到0.5左右 [ 18 ]。计算K值先要计算平均动脉压Pm，Pm的计算按照公式(2)进行，其中P(t)代表随时间变化的脉搏信号(即定标后的PPG信号)，K值的计算按照公式(3)进行。

P m = 1 T ∫ 0 T P ( t ) d t (2)

K = P m − P d P s − P d (3)

 2.3. 血管健康指标的计算方法

血流量是评估心血管功能的重要参数，血流量信息主要包括心输出量(Cardiac Output, CO)和心搏出量(Stroke Volume, SV)。CO是一侧心室每分钟射出的血液量，SV则是CO与HR的乘积。CVD的临床医生要靠观察CO的变化来判断疾病的治疗效果，从而确定病人状况是否已得到改善或进一步恶化。由于血流量在人体内部血管内流动，要在人体外部无创伤地检测到其流量十分困难。20世纪60年代以来许多研究人员通过脉搏波压力波形导出脉搏流量地方法计算SV，其中比较重要的是Wesseling于1983年提出的用弹性管模型计算CO的方法，1987年北京工业大学罗志昌等在前人的基础上继续研究，并将公式进一步简化为临床的实用形式。其计算公式分别为(4)和(5)所示，其中0.283和17均为实验参数 [ 18 ]。

SV = 0.283 × ( P s − P d ) K 2 × T (4)

CO = 17 × ( P s − P d ) K 2 × 10 3 (5)

 2.4. 血管健康指标的计算方法

血管的健康状况是否良好，主要用外周血管阻力(Total Peripheral Resistance, TPR)和血管顺应性(Vascular Compliance, AC)两个直观指标来进行描述。TPR是由血流流动时所发生的血液和血管壁以及血液内部的摩擦产生，是诊断和反映循环血流阻力以及心脏后负荷水平渐变而直观的指标 [ 19 ]，其单位为dyn·s/cm5。AC则是反映血管弹性功能的量，它指血液在血管流动过程中由于压力的变化所引起的血管容积的变化，取决于动脉腔径大小和管壁硬度，是动脉血管舒张功能的表现 [ 20 ]。研究表明AC下降是各种CVD存在的强预测指标 [ 21 ]。两个指标的计算公式如式(6)和式(7)所示：

TPR = 80 × P m CO (6)

AC = SV P s − P d (7)

 2.5. PPG信号中提取体征信息的算法流程

本次研究中提取PPG信号中CVD相关生命体征信息的算法流程如图2所示。PPG信号中的交流信号反映了血液容积的变化，可近似代表某处血管压力随时间变化的脉搏信号，但这信号是以电压量变化来表示的，信号幅值不能如实反映人体血压值，因而需要以毫米汞柱(mmHg, 1 mmHg = 0.133 kPa)为单位对PPG信号曲线进行定标。定标需要借助PPG信号和动脉血压(Arterial Blood Pressure, ABP)信号求出定标公式中所需要的数值。定标公式为公式(8)，其中P1(t)为PPG信号的原始信号，P(t)为定标后PPG信号。

图2. PPG信号中提取CVD相关体征参数的流程图

由图1可知PPG信号的四大典型特征点可大致分为两类：极大值点(主波波峰点B和重博波波峰点D)和极小值点(起点A和降中峡点S)，利用极大值函数找到PPG信号中所有的极大值点，并设置阈值去除因干扰产生的微小波峰，得到PPG信号中所有的主波波峰点和重博波点，再利用主波峰B点和重博波峰D点周期性交替出现在PPG信号，以及两者之间的幅度差，区分出主波波峰点B和重博波波峰点D。所有的极小值点利用极大值函数的相反数得到，利用阈值法去除因干扰产生的微小波谷，再利用起点A和降中峡点S周期性交替出现的特点，以及它们的幅度差，区分出所有的起点A和降中峡点S。

此外，图1还显示出一个完整脉搏波周期中特征点依次是起点、主波波峰点、降中峡点和重博波点，因此PPG信号中的特征点应以起点开始重博波点结束，若第一个特征点不是起点，则应把第一个起点之前的特征点全部去除；若最后一个特征点不是重博波点，则应把最后一个重博波点之后的特征点全部去除，去除多余特征点后统计所有起点和主波波峰点的幅值，再分别求平均得到PPG信号的起点和主波波峰点的平均值，用Fd和Fs来表示。

P ( i ) = M s − M d F s − F d × [ P 1 ( i ) − F d ] + M d (8)

ABP信号起点和主波波峰点平均值Md和Ms的求解同PPG信号一致，先找到ABP信号的所有特征点，再去除多余特征点，计算ABP信号中所有起点和主波波峰点的平均值，得到Fd、Fs和Md、Ms的值后带入定标公式即公式(8)中，对PPG信号进行定标。定标后的PPG信号是脉搏血压信号，定标后再次标识特征点以及去除多余特征点，统计定标后PPG信号中出现的A (或B或S或D)点的个数得到脉搏周期T；计算每个周期内A点和B点的时间差，求均值得到主波到达时间(Crest Time, CT)；计算每个周期内B点和D点的时间差并求均值得到主波波峰和重博波波峰之间的时间差，用tmc表示；利用积分函数得到每个周期内的平均血压，通过求均值得到平均动脉压Pm；统计定标后PPG信号的脉搏波起点和主波波峰点的幅度平均值得到人体真实的收缩压Ps和舒张压Pd，波形特征量K利用Ps和Pd得到。得到这些基础特征量后，利用计算公式得到需要提取的与CVD相关的生命体征信息HR、BP、CO、SV、TPR、AC。

 3. 实验结果与讨论 3.1. 特征点识别

从PPG信号中提取CVD相关体征信息的关键一步是对PPG信号进行定标，PPG信号的定标需要借助PPG信号和ABP信号的起点和主波波峰点的平均值，因此首先对PPG信号和ABP信号分别进行特征点标识，求出Fs和Fd、Ms和Md，然后利用定标公式对PPG信号进行定标。定标过程中信号的特征点标记结果如图3所示。

图3. 特征点标记示意图。(a) PPG信号中起点和主波波峰点标记图；(b) ABP信号中起点和主波波峰点标记图；(c) 定标后PPG信号的特征点标记图

 3.2. 体征参数计算结果

对数据库MIMIC中的PPG信号(采样频率为125 Hz)进行参数提取，得到的生命体征参数信息见表1。根据定标后的PPG信号计算各种体征参数，脉搏周期T通过计算相邻特征点A (或B)之间的时间差得到，利用公式(1)得到患者的HR为88.5559 BMP；定标后的PPG信号反映人体真实血压状况，统计其A点和B点的平均幅值获得患者的Ps和Pd分别为110.5033 mmHg、76.9214 mmHg，同时表1中给出了数据库中相应的记录结果分别为88 BMP、109 mmHg、77 mmHg。通过对比发现，计算结果与数据库中的测量值之间具有较小的误差，这表明本文的特征参数提取算法具有一定的准确性。此外，基于HR, BP以及相应的计算公式计算了其他的体征参数，得到K = 0.304、CO = 6.1863 L/min、SV = 69.7752 mL、TPR = 1126.66 dyn·s/cm5，AC = 2.079 mL/mmHg。总体看来患者的HR、BP、SV、TPR、AC都处于正常范围内，而CO略高，患者在日常生活中应注意保护心脏。在接下来的工作中，会基于目前的工作，研究并提取PPG信号中更多的体征参数，为CVD预警提供更全面的辅助信息。

Comparison table of calculation results, database record results and physical sign parameters in normal rang
体征参数 本文计算结果/数据库记录结果 正常范围
收缩压(Ps) 110.503 mmHg/109 mmHg 90~120 mmHg
舒张压(Pd) 76.921 mmHg/77 mmHg 60~80 mmHg
脉搏周期(T) 0.678 s/- 0.8 s左右
心率(HR) 88.556 BMP/88 BMP 60~90 BMP
平均动脉压(Pm) 87.123 mmHg/86 mmHg 70~90 mmHg
波形特征量(K) 0.304/- 0.33左右
心搏出量(SV) 69.775 mL/- 60~80 mL
心输出量(CO) 6.186 L/min/- 4~6 L/min
外周血管总阻力(TPR) 1126.66 dyn·s/cm5/- 900~1400 dyn·s/cm5
血管顺应性(AC) 2.079 mL/mmHg/- 不小于1.2 mL/mmHg

表1. 本文计算结果，数据库记录结果以及正常范围的体征参数对比表

 4. 结论与展望

PPG技术利用光的透射率变化来测量随心动周期引起的组织中小动脉和毛细血管的血容量的细微变化，实时反映心血管状态，为临床监测患者心血管功能提供依据。本文设计了从PPG信号中提取CVD相关生命体征信息的算法，并以数据库MIMIC中的PPG信号作为概念性验证，提取了患者的HR、BP、CO、SV、TPR、AC体征信息，实验结果表明采用本文算法得到的体征信息数据与数据库中的临床记录相一致。这些体征参数的变化是CVD患者的外在表现，获得这些生理信息既有助于CVD早期预警，又有助于疗效监控，因此，本文所提出的基于PPG信号体征参数提取算法将为CVD疾病的诊疗提供一种方便快捷的监测技术，特别是在当今智能化时代，将光电传感器中的PPG技术与智能设备、云端医疗数据库等结合在一起，将会大大降低就医成本，在疾病的日常监测等方面将会有广泛的发展空间和应用前景。

 基金项目

本文为国家自然科学基金(编号：62271269，61771260)资助项目。

 文章引用

田紫微,贾芸芳. 基于光电容积脉搏波的心血管疾病相关体征参数提取算法 Parameter Extraction Algorithm of Cardiovascular Disease Related Physical Signs Based on Photoplethysmography[J]. 传感器技术与应用, 2023, 11(01): 20-27. https://doi.org/10.12677/JSTA.2023.111003

 参考文献 References Feng, Y.Z., Chen, X.J., Schaufelberger, M., et al. (2022) Patient-Level Comparison of Heart Failure Patients in Clinical Phenotype and Prognosis from China and Sweden. BMC Cardiovascular Disorders, 22, Article No. 91.
https://doi.org/10.1186/s12872-022-02540-w McGill, H.C., McMahan, C.A. and Gidding, S.S. (2008) Pre-venting Heart Disease in the 21st Century: Implications of the Pathobiological Determinants of Atherosclerosis in Youth (PDAY) Study. Circulation, 117, 1216-1227.
https://doi.org/10.1161/CIRCULATIONAHA.107.717033 Tjugen, T.B., Flaa, A., Kjeldsen, et al. (2010) The Prognostic Significance of Heart Rate for Cardiovascular Disease and Hypertension. Current Hypertension Reports, 12, 162-169.
https://doi.org/10.1007/s11906-010-0104-8 王晓杰, 李超, 陈俊, 等. 脉搏波理论在心血管疾病应用的研究进展[J/OL]. 中华中医药学刊, 2022, 40(4): 61-65.
https://doi.org/10.13193/j.issn.1673-7717.2022.04.012 Seravalle, G. and Grassi, G. (2020) Heart Rate as Cardiovascular Risk Factor. Postgraduate Medicine, 132, 358-367.
https://doi.org/10.1080/00325481.2020.1738142 Psaty, B.M., Furberg, C.D., Kuller, L.H., et al. (2001) As-sociation between Blood Pressure Level and the Risk of Myocardial Infarction, Stroke, and Total Mortality: The Cardio-vascular Health Study. Archives of Internal Medicine, 161, 1183-1192.
https://doi.org/10.1001/archinte.161.9.1183 Pienn, M., Kovacs, G., Tscherner, M., et al. (2013) Determination of Cardiac Output with Dynamic Contrast-Enhanced Computed Tomography. The International Journal of Cardiovas-cular Imaging, 29, 1871-1878.
https://doi.org/10.1007/s10554-013-0279-6 Wang, K., Jia, Y. and Yan, X. (2021) Neuro-Receptor Mediated Synapse Device Based on Crumpled MXene Ti3C2Tx Nanosheets. Advanced Functional Materials, 31, P-M.
https://doi.org/10.1002/adfm.202104304 Hertzman, A.B. and Randall, W.C. (1947) Estimation of Cutaneous Blood Flow with the Photoelectric Plethysmograph in the Presence of Arterial Pathology. Federation Proceedings, 6, 130. Allen, J., Zheng, D.C., Kyriacou, P.A., et al. (2021) Photoplethysmography (PPG): State-of-the-Art Methods and Applications. Physiological Measurement, 42, Article ID: 100301.
https://doi.org/10.1088/1361-6579/ac2d82 罗志昌, 张松, 杨文鸣, 等. 脉搏波波形特征信息的研究[J]. 北京工业大学学报, 1996, 22(1): 71-79. Bi, Z.-J., Yao, X.-H., Hu, X.-J., et al. (2022) Assessment Parameters for Arrayed Pulse Wave Analysis and Application in Hypertensive Disorders. Evidence-Based Complementary and Alterna-tive Medicine, 2022, Article ID: 6652028.
https://doi.org/10.1155/2022/6652028 张剑锋, 陈光华, 高博. 基于光电容积脉搏波的脉搏信息提取研究[J]. 电子测量技术, 2019, 42(13): 117-120.
https://doi.org/10.19651/j.cnki.emt.1802552 Koutsiaris, A.G. (2016) Hemodynamics in the Microcirculation. Annals of Biomedical Engineering, 44, 1321-1322.
https://doi.org/10.1007/s10439-016-1568-8 Larsson, S.C., Drca, N., Mason, A.M., et al. (2019) Resting Heart Rate and Cardiovascular Disease. Circulation. Genomic and Precision Medicine, 12, e002459.
https://doi.org/10.1161/CIRCGEN.119.002459 Yip, A.M.C., Zhai, A.B. and Haddad, H. (2016) Heart Rate and Heart Failure. Current Opinion in Cardiology, 31, 204-208.
https://doi.org/10.1097/HCO.0000000000000266 Castagna, F., McDonnell, B.J., Yuzefpolskaya, et al. (2016) Validity and Reliability of a Next Generation Non-Invasive Blood Pressure Monitor in Patients with Continuous-Flow Left Ventricular Assist Device. The Journal of Heart and Lung Transplantation, 35, S326-S327.
https://doi.org/10.1016/j.healun.2016.01.934 罗志昌, 程桂馨, 吴峥嵘, 等. 人体脉搏波波形参数与生理参数间关系的理论和实验研究[J]. 北京工业大学学报, 1988,(2): 22-29. Wang, L., et al. (2017) Non-Invasive Vascular Resistance Monitoring with a Piezoelectric Sensor and Photoplethysmogram. Sensors and Actuators A: Physi-cal, 263, 198-208.
https://doi.org/10.1016/j.sna.2017.06.007 Birkl, C, Langkammer, C, Sati, P., et al. (2019) Quantitative Susceptibility Mapping to Assess Cerebral Vascular Compliance. American Journal of Neuroradiology, 40, 460-463.
https://doi.org/10.3174/ajnr.A5933 You, B.-A., Gao, H.-Q., Li, G.S., et al. (2009) Vascular Com-pliance is Reduced in Geriatric People with Angiographic Coronary Atherosclerosis. Journal of International Medical Research, 37, 1443-1449.
https://doi.org/10.1177/147323000903700519
Baidu
map