臺灣博碩士論文加值系統

由於穿戴技術的進步，許多生理監測儀器逐漸轉變為可穿戴式裝置。但是，血壓監測的儀器在目前消費市場中，依然採用臂帶的測量方式。現在，基於脈搏傳遞時間(PTT)的理論，開發了臂帶血壓測量技術，但其準確性並不好。根據心臟血流動力學理論，血壓與動脈特徵有關。因此，本研究的目的是利用光電容積描繪法與體阻抗容積描繪法，測量脈搏波，並擷取其特徵，利用多維度回歸模型與多層類神經網路估測血壓。經過評估後發現多維度回歸模型的測量誤差較小。有20名受試者參與實驗，並且透過運動來改變受試者的血壓。光電容積描繪法結果顯示，以最好的參數組合透過多維度回歸模型估測的收縮壓和舒張壓，其平均的均方根誤差分別為 5.877mmHg和4.334 mmHg，均優於單一參數脈波傳遞時間，7.796 mmHg和6.039 mmHg。體阻抗積描記法結果顯示，其平均的均方根誤差分別為 5.387mmHg和5.528 mmHg，均優於單一參數脈波傳遞時間，6.324mmHg和6.480 mmHg。透過多層類神經網路，其最好光電容積描繪法的參數組所估測的收縮壓與舒張壓的值為 8.080mmHg和4.620mmHg，均優於單一參數PTT， 8.214mmHg和4.648mmHg。

According to the advancement of wearable technology, many physiological monitoring instruments are gradually converted into wearable devices.However, the blood pressure monitor still is a cuff-type device in the consumer market, which also can not perform the beat-by-beat continuous blood pressure measurement. Recently, the cuffless blood pressure measurement has been developed based on the pulse transit time (PTT) but its accuracy is not better. According to the cardiac hemodynamic theorem, the blood pressure relate to the arterial characteristics. Therefore, the purpose of this study was to use the characteristics of the pulse wave measured by the photoplethysmography (PPG) and impedance-plethysmography (IPG) to estimate the blood pressure with a multi-dimension regression model and deep neural network. The contour of pulse wave has some characteristics of the artery. There were 20 subjects participating the experiment, and the blood pressure of the subject was changed by the exercise. PPGresults showed that the root mean square errors using multi-dimension regression model of the estimated systolic and diastolic pressures with the multi-parameters were 5.877mmHg and 4.334 mmHg and were better than those only using the PTTparameter, 7.796 mmHg and 6.039 mmHg. IPG results show that the multi-dimension regression model root mean square error of the estimated systolic and diastolic pressures with the multi-parameters were 5.387mmHg and 5.528 mmHg and were better than those only using the PTTparameter, PTT, 6.324 mmHg and 6.480 mmHg. PPG results showed that the best estimated error of the systolic and diastolic blood pressures with the deep neural network were 8.08 mmHg and 4.62 mmHg. Such results were better than those by using single-parameter PTT 8.21 mmHg and 4.64 mmHg.

中文摘要 I
ABSTRACT II
致謝 III
目錄 IV
表目錄 VII
圖目錄 IX
第一章 緒論 1
1.1研究背景 1
1.2研究動機與目的 2
1.3論文架構 4
第二章 文獻探討 5
第三章 研究方法 7
3.1系統架構 7
3.2實驗裝置介紹 8
3.2.1生理訊號測量平台(K&H KL-710) 8
3.2.2體阻抗容積描繪法電路 9
3.3數位訊號處理 11
3.3.1光容積描繪法訊號前處理 11
3.3.2體阻抗容積描繪法訊號前處理 13
3.3.3心電描繪法訊號前處理 15
3.4數位訊號參數 16
3.4.1脈波傳導時間 16
3.4.2脈波參數擷取 17
3.5預測模型 24
3.5.1多維度回歸模型 24
3.5.2多層類神經網路模型 25
第四章 實驗步驟 29
4.1.受測者數據 29
4.2.受測流程 31
4.3.血壓波參數標記 33
4.4.脈波參數與血壓相關度 34
4.5.交叉驗證 35


第五章 實驗結果 36
5.1.脈波參數與血壓相關度 36
5.1.1.光容積描繪法的脈波參數與血壓相關度 36
5.1.2.體阻抗容積描繪法的脈波參數與血壓相關度 37
5.2.多維度回歸模型結果 38
5.2.1.光容積描繪法的脈波參數與舒張壓預測結果 39
5.2.2.光容積描繪法的脈波參數與收縮壓預測結果 41
5.2.3.體阻抗容積描繪法的脈波參數與舒張壓預測結果 43
5.2.4.體阻抗容積的脈波參數與收縮壓預測結果 45
5.3.多層類神經網路模型結果 47
5.3.1.光容積描繪法的脈波參數與舒張壓預測結果 48
5.3.2.光容積描繪法的脈波參數與收縮壓預測結果 50
第六章討論與結論 52
參考文獻 61
表目錄
表 1、光容積描繪法脈衝波的參數定義 22
表 2、阻抗容積描繪法脈衝波的參數定義 23
表 3、多層類神經網路的超參數 28
表4、受測者的基本資料 30
表 5、20人光容積描繪法參數估測舒張壓的誤差(續) 39
表 5、20人光容積描繪法參數估測舒張壓的誤差 40
表 6、20人光容積描繪法參數估測收縮壓的誤差 41
表 6、20人光容積描繪法參數估測收縮壓的誤差 42
表 7、20人體阻抗容積描繪法參數估測舒張壓的誤差 43
表7、20人體阻抗容積描繪法參數估測舒張壓的誤差 44
表 8、20人體阻抗容積描繪法參數估測收縮壓的誤差 46
表 9、20人的光容積描繪法參數估測舒張壓的誤差 48
表 9、20人的光容積描繪法參數估測舒張壓的誤差 49
表 10、20人的光容積描繪法參數估測收縮壓的誤差 50
表 10、20人的PPG參數估測收縮壓的誤差 51
表 11、光容積描繪法與體阻抗容積描繪法預估收縮壓比較 57
表 12、光容積描繪法與體阻抗容積描繪法預估舒張壓比較 57
表 13、多層類神經網路與多維度回歸模型預估收縮壓比較 58
表 14、多層類神經網路與多維度回歸模型預估舒張壓比較 58
表 15、多參數與脈波傳導時間預估收縮壓比較 59
表 16、多參數與脈波傳導時間預估舒張壓比較 59
表 17、光容積描繪法與體阻抗容積描繪法正確率比較 60


圖目錄
圖 1、系統架構 7
圖 2 、K&H KL-710 8
圖 3、擷取體阻抗容積描繪法訊號電路系統架構圖 9
圖 4、體阻抗容積描繪法類筆電路 10
圖 5 、體阻抗容積描繪法手環和電極位置 10
圖 6、數位巴特沃茲低通濾波器頻率響應 11
圖 7、數位巴特沃茲高通濾波頻率響應 12
圖 8、數位切比雪夫四階低通濾波器 13
圖 9、數位切比雪夫二階高通濾波器 14
圖 10、數位巴特沃茲低通濾波器頻率響應 15
圖 11、脈波傳遞時間的波形示意圖 16
圖 12、脈衝波，前向波與反射波。 18
圖 13、光容積描繪法脈波波形 18
圖 14、體阻抗積描繪法脈波波形 19
圖 15、光容積描繪法脈波的差分波。 20
圖 16、體阻抗描繪法脈波的差分波。 21
圖 17、基本類神經元 25
圖 18、多層類神經網路架構 26
圖 19、多層類神經網路架構 27
圖20、感測器擺放位置示意圖 31
圖21、踏車實驗步驟 32
圖 22、脈波參數尋找和計算範例 33
圖 23相關度Ρ值呈現出來的結果 34
圖 24、交叉驗證示意 35
圖 25、光容積描繪法脈搏波參數與血壓之間的相關係數 36
圖 26、體阻抗容積描繪法脈搏波參數與血壓之間的相關係數 37
圖 27、多維度回歸模型比較光容積描繪法與體阻抗容積描繪法預測舒張壓 53
圖28、多維度回歸模型比較光容積描繪法與體阻抗容積描繪法預測收縮壓 54
圖 29、光容積描繪法比較多層類神經網路與多維度回歸預測舒張壓 55
圖 30、光容積描繪法比較多層類神經網路與多維度回歸預測收縮壓 56

[1]S. Majumder, T, Mondal, M.J. Deen, “Wearable sensors for remote health monitoring,” Sensors, vol.17, pp.130-174, 2017.
[2]K.K. Tremper, S.J. Barker, Pulse oximetry. Anesthesiology, vol.70, pp.98-108, 1989.
[3]S-H. Liu, J-J. Wang, C-H. Su, T-H. Tan, “Development of a patch-type electrocardiographic monitor for real time heartbeat detection and heart rate variability analysis,” J. Med. Bio. Eng., vol. 38, pp. 411-423, 2018
[4]S-H. Liu, Y-J. Chang, “Using accelerometers for physical actions recognition by a neural fuzzy network,” Tel. e-Heal., vol. 15, pp. 867-876, 2009,
[5]J.J. Carr, J.M. Brown, Introduction to biomedical equipment technology, 4th ed., Prentice Hall, 2001.
[6]閱讀, “血壓計原理 如何使用血壓計”,https://read01.com/naaALM.html,
2019.
[7]3C新報,” 三星 Galaxy Watch Active 智慧手錶可測血壓，但專業性受專家質疑”https://ccc.technews.tw/2019/02/27/samsung-galaxy-watch-is-suppos
ed-to-measure-blood-pressure/,2019.
[8]A. S. Phillip, A. T. Reisner, and H. H. Asada,“Cuffless blood pressure monitoring using hydrostatic pressure changes”, IEEE Trans. Biomed. Eng., vol. 55, pp. 1775-1777, 2008.
[9] G. Sharwood-Smith, J. Bruce, G. Drummond,“Assessment of pulse transit time to indicate cardiovascular changes during obstetric spinal anaesthesia”, British Journal of Anaesthesia, vol. 96, pp. 100-105, 2006.
[10]C. Ahlstrom, A. Johansson, F. Uhlin, T. Lanne, P. Ask, Noninvasive investigation of blood pressure changes using the pulse wave transit time: a novel approach in the monitoring of hemodialysis patients, Journal of Artificial Organs, vol. 8, pp 192-197, 2005.
[11]C. Ahlstrom, A. Johansson, F. Uhlin, et al., “Noninvasive investigation of blood pressure changes using the pulse wave transit time: a novel approach in the monitoring of hemodialysis patients,” J. Arti. Org., vol. 8, pp. 192-197, 2005.
[12]G. Sharwood-Smith, J. Bruce, G. Drummond, “Assessment of pulse transit time to indicate cardiovascular changes during obstetric spinal anesthesia,” British Journal of Anesthesia, vol.96, pp.100-105,2006.
[13] K. H. Wesseling, J. C. Jansen, J. J. Settels, and J. J. Schreuder, "Computation of arrtic flow from pressure in humans using a nonlinear three-element model," J. Appl. Physiol., vol. 74, pp. 2566-2573, 1993.
[14] J. Oliver, and D. Webb, “Noninvasive assessment of arterial stiffness and risk of atherosclerotic events,” Art. Thromb. Vasc. Biol., vol. 23, pp. 554-566, 2003.
[15]C-H. Su, S-H. Liu, T-H. Tan, C-H Lo, “Using the pulse contour method to measure the changes in stroke volume during a passive leg raising Test,” Sensors, vol.18, pp.3420, 2018.
[16]Liu SH, Cheng DC, Su CH,” A Cuffless Blood Pressure Measurement Based on the Impedance Plethysmography Technique”, Sensors, PMID:28531140, DOI:10.3390/s17051176,2017.
[17]CSDN,”參數(parameters)和超參數(hyperparameters)”, https://blog.csdn.ne
t/UESTC_C2_403/article/details/77428736.2017.
[18]Medium,”相關係數與共變異數(Correlation Coefficient and Covariance),”https://medium.com/@chih.sheng.huang821/%E7%9B%B8%E9%97%9C%E4%BF%82%E6%95%B8%E8%88%87%E5%85%B1%E8%AE%8A%E7%95%B0%E6%95%B8-correlation-coefficient-and-covariance-c9324c5cf679,2018.