PWTT脉搏波传递时间

1．定义心脏将血液搏动性地射入主动脉，主动脉壁产生脉搏压力波，并以一定的速度沿血管壁向外周血管传导。

通过测量两个动脉记录部位之间的脉搏波传导时间和距离，可以计算出PWV。

无创测定PWV需要选择两个在体表能够触摸到的动脉搏动点，如选择颈动脉和股动脉测定颈动脉-股动脉PWV（cfPWV）、肱动脉和踝部动脉测定臂踝PWV（baPWV）、颈动脉和肱动脉测定上臂PWV（cbPWV）、颈动脉和桡动脉测定臂PWV（crPWV）等。

2．临床意义PWV能够很好地反映大动脉僵硬度，是评价主动脉硬度的经典指标。

年龄和血压水平是影响PWV的重要因素。

但PWV不受反射波影响。

cfPWV的正常值<9m/s，baPWV的正常参考值<14m/s，大于该值提示全身动脉僵硬度升高。

不论在终末期肾病患者中，还是在自然人群中，PWV均可独立预测心脑血管事件的发生和死亡。

但PWV是主动脉僵硬较晚期病变的一个标志，而且是血压依赖性的，易受到长时间结构改变的影响，因此，PWV的敏感性较差，不易发现轻微的动脉弹性改变。

而且传统PWV测量时，体表距离测量有误差，可明显影响数据的准确性。

3．测量方法平面张力法是无创测量PWV的传统方法。

该方法主要适用于浅表动脉，如颈动脉、股动脉和桡动脉等。

选定测量部位后，测量两点间的体表距离输入计算机，将压力感受器置于测量部位搏动最明显处，启动脉搏波传导速度测定装置。

需要注意以下几点：第一，传感器放置在动脉上的位置至关重要，因为操作者的手的活动和受检者的活动可能产生假象。

第二，向下按的力量要刚好能将动脉压平。

第三，探头要尽量与血管轴线垂直。

因此，要准确检测颈股脉波传导速度，需要适当的培训和一定的技巧。

近年来，随着测量技术的进步，欧姆龙公司使用先进的示波测量技术，通过测量baPWV，实现了PWV测量的自动化，不仅提高了测量效率，也提高了测量的准确性。

这种方法的优点是：方法简便，重复性好，与传统的平面张力法测定的cfPWV相关性良好。

本文通过文献复习［1-7］，综合分析不同血压脉搏波特征变化，提出针对不同脉搏特征下的传导时间提取算法，通过逐步回归分析建立血压模型，并据此模型实时测量人体收缩压与舒张压,实现血压的便捷、无创连续测量并可彻底摆脱袖套束缚。

1基本原理血流动力学研究表明，动脉中血液从心脏向外周传播时，由于人体末端很多小动脉、微动脉和毛细血管起着阻力血管的作用，所以血管中血液是存在向心的反射作用的，这些往返脉搏波的线性组合构成动脉中脉搏波的特征形状［8］。

对于动脉硬化的情况而言,其血管弹性降低,血管中血液流速加快,使人体末端的反射血液提前返回心室,这些反射波与推进波的叠加效应,使人体脉压抬升；而动脉状况较好的情况下,血管弹性较好,血液流速较慢,反射波的到来将延迟,收缩期压力将减少。

因此,反射波与推进波汇合的时间,是可以反映脉搏波传导时间的,并可作为反映血压状况的参数。

Hiroshi等［9］在对由容积脉搏波进行二次微分后的加速脉搏波进行研究时发现,加速脉搏波各特征点能很好地反映血液微循环过程。

从加速脉搏波中, 可以清晰看到波形呈现很有规律的上升和下降（图1）。

这些上升支和下降支可以很好地解释心脏搏动引起的血液迸出、血液反射等血液微循环过程,且微循环过程有如下解释。

O-A段：由心脏逬出的血液在20~30mmHg的血压作用下,推进至人体末端的某个小动脉（如手指端）,并流进毛细血管,但是毛细血管极其细微而密集的特性,使推进至此的血液无法快速通过静脉流回心脏,因此,毛细血管中血液容量便急剧增加。

图1 光电容积脉搏波（a）和对应加速脉搏波（b）的图解说明Fig.1 Illustration of PPG pulse wave（a）and accelerated pulse wave（b）A-B段：上述增加的血液在经过一定时间不断向前推进后,会出现一个快速下降过程。

B-C段：随着血液到达末端终点,会遇到静脉的阻碍,因此,来自静脉的反射血液便停留在毛细血管中,再次产生的结果就是毛细血管中血液容量再次有所增加。

㊃新概念㊃新疾病㊃新技术㊃心音特征智能分析在心血管功能评估和疾病诊断中的应用陈燕㊀蔡宁100853北京,中国人民解放军总医院第一医学中心麻醉科通信作者:陈燕,电子信箱:yanzicw@DOI:10.3969/j.issn.1007-5410.2024.01.014㊀㊀ʌ摘要ɔ㊀数字化心音与人工智能技术的结合可实现对心音进行精确地连续㊁定量分析和分类识别,使心音特征提取与融合分析在心脏血流动力学监测㊁心力衰竭分型诊断㊁先天性或风湿性心脏病分类㊁冠状动脉疾病检测等领域成为研究热点㊂本文综述心音特征智能分析在心血管功能评估和疾病诊断中的应用㊂ʌ关键词ɔ㊀心音特征;㊀心音分析;㊀人工智能;㊀心血管功能;㊀疾病诊断基金项目:国家自然科学基金(82172185)Application of heart sound features analysis in the evaluation of cardiovascular function anddiagnosis of cardiovascular diseases㊀Chen Yan,Cai NingDepartment of Anesthesiology,The First Medical Center,Chinese PLA General Hospital,Beijing100853,ChinaCorresponding author:Chen Yan,Email:yanzicw@ʌAbstractɔ㊀The combination of digital phonocardiogram and artificial intelligence enables accurate, continuous,and quantitative analysis and classification of the heart sound signals.Extraction and fusionanalysis of the heart sound features has become popular in monitoring of cardiac hemodynamics,typing the diagnosis of heart failure,classification of congenital or valvular heart disease,and detection of coronaryartery disease.In this paper,we will review the application of intelligent analysis of heart sound features in evaluating cardiovascular function and detecting cardiovascular diseases.ʌKey wordsɔ㊀Heart sound features;㊀Heart sound signals analysis;㊀Artificial intelligence; Cardiovascular function;㊀Diagnosis of diseasesFund program:National Natural Science Foundation of China(82172185)㊀㊀心音是人体重要的生理信号,含有能反映心血管功能状态的生理或病理信息,心音的频率与心脏各组织物理性质及心脏血流动力学变化有密切关系㊂近年来,随着可视化㊁数字化心音监测和计算机辅助心音分析技术的发展,可以获得心音定量的特征参数,利用神经网络深度学习提取心音信号中的病理信息,对不同信息特征进行心音分类,可以辅助诊断心血管疾病㊂人工智能(artificial intelligence,AI)技术的应用有助于心音分析的精准化和自动化,使心音信号特征提取与融合分析在心脏血流动力学监测㊁心力衰竭(简称 心衰 )分型诊断㊁先天性或风湿性心脏病分类㊁冠状动脉疾病检测㊁情感识别等领域成为研究热点[1-4]㊂本文就心音监测与分析技术的发展㊁心音特征分析在心血管功能评估和疾病早期诊断中的应用进行综述㊂1㊀心音监测与分析技术的发展基于智能手机的心音监测系统和包含心音心电信号同步监测的产品,如智能数字听诊器系统㊁EKO等已开始应用于临床[5-7]㊂孙柯等[8]设计了基于全可编程片上系统的异构实时心音心电采集系统,实现了可视化心音心电信号实时并行采集㊂Li等[9]采用可穿戴的心音心电同步传感器,通过模数转换器(analog-to-digital converter,ADC)将心音㊁心电变成数字信号并传入微处理器中,同时微处理器将所采集的数据通过低功耗蓝牙模块传输到智能手机,实时绘制心音心电信号的波形并存储信号数据㊂最近Guo等[10]研发了基于新型心音传感器的多通道可穿戴心音监测系统,包含有72路心音图(phonocardiogram,PCG)信号和1路心电图(electrocardiogram,ECG)信号,具有信号质量高㊁敏感性高和使用便携的优点㊂基于AI的远程心电监测已有效应用于老年慢性疾病㊁心血管疾病等患者危急心电事件的预警[11-12],心音传感器轻便㊁小型,采集的数据失真率低㊁稳定性高㊁抗干扰性强,并可无线传输与存储,是心音监测设备不断改进和优化的方向,将为心音心电监测的远程动态实时分析奠定基础㊂国内外学者在心音的降噪㊁分段㊁特征提取和分类等信号处理和分析技术上不断探索,如融合改进最小值控制递归平均和最优修正对数谱幅度估计的降噪方法能动态估计长时间采集的心音中的噪声,降低心音失真的风险;改进维奥拉积分方法提取心音信号包络和基于两次阈值函数选择的心音分段快速算法,提高了心音分段的正确率和精度㊂近年来随着计算机辅助心音分析技术的发展,在机器学习和信号处理算法上取得了快速进步,尤其是深度学习算法的应用,使心音分析能更好地预测心血管疾病[13],如基于单形进化算法优化的BP神经网络模型心音识别率达到95.96%[14],改进的PSO-BP神经网络算法提高了神经网络的收敛速度和精度,分类准确率达到96.67%[15],Deng等[16]采用梅尔频率倒谱系数(Mel-frequency cepstrum coefficient,MFCC)特征结合一阶和二阶差分特征作为卷积神经网络输入,提出新的心音分类方法,分类准确率达到98%㊂AI技术的应用有助于更加精准㊁自动地分析心音,使心音特征分析能用于对心血管功能状态的评估,尤其心音分类可以在心血管疾病的早期诊断中起到重要作用㊂2㊀心音与心血管功能评估1992年Bartels首次提出心音与血压的关系,近年来通过心音信号特征来估算血压取得了很大进展,使基于心音的血压估算成为一种无创㊁连续测量血压的新方法㊂Kapur 等[17]采用Piezo-accelerometer传感器和神经网络算法为危重症儿童提供了准确的血压监测(收缩压范围在58~173 mmHg)㊂Tang等[18]选取健康犬,以肾上腺素诱发心脏血流动力学发生改变,利用心音的幅度㊁能量和时间多个特征,借助反向传播(back propagation,BP)神经网络推算左心室收缩压,在收缩压100~280mmHg范围内,获得较好的估算结果,绝对误差均值为7.3mmHg㊂目前临床上广泛应用的无创血压测量方法是基于脉搏波传导时间(pulse wave transit time, PWTT)的血压计算方法,但Finnegan等[19]指出很多研究者误将脉搏到达时间作为PWTT进行统计,由于前者包括PWTT和射血前期,利用ECG和脉搏波估算的血压值会存在误差,而用心音信号来测量PWTT可以克服这一缺点㊂成谢锋等[20]采集健康志愿者主动脉瓣心音信号,以第一心音(S1)与第二心音(S2)峰值点时间间隔(heart sound time interval,HSTT)㊁S2峭度(K)为主要参数推导出血压计算公式,估算血压与实际测量值相比,收缩压和舒张压的平均误差分别为-0.401mmHg和-0.812mmHg,符合血压检测精确度评估标准㊂鉴于心音能实时反映心血管功能状态,由心音获得心率㊁血压,在无创㊁便携㊁连续监测机体血流动力学状态的方法中有其独特的优势㊂心音还能反映心脏收缩功能和后负荷的变化,用于评估左心室功能㊂Li等[9]采集同步的心音心电信号,计算的电机械激活时间(electromechanical activation time,EMAT)用于评估左心室收缩功能,诊断心衰(左心室射血分数<50%)的准确率高于N末端B型利钠肽原(N-terminal pro-B-type natriuretic peptide,NT-proBNP)㊂心音信号的舒张期与收缩期时限比还可以反映慢性心衰患者治疗后心功能改善情况㊂心衰的早期检测对及早采取治疗措施有重要意义,Gao 等[21]提出基于门控循环单元的心衰筛查模型,通过直接学习心音特征,能自动识别射血分数保留的心衰和射血分数降低的心衰,准确率可达98.82%,为心衰的早期分型诊断提供了新的有效方法㊂Moon等[22]采用经食管听诊器记录手术中患者的心音信号,发现麻黄碱和艾司洛尔主要引起S1明显变化,而苯肾上腺素和尼卡地平主要引起S2明显变化,且S2与外周血管阻力(systemic vascular resistance,SVR)变化密切相关,提示不同血管活性药物引起心血管功能变化时,由于心排血量㊁SVR相对变化的不同,可以引起心音特征变化的差异性,对差异特征进行提取和分析,有可能区分不同的血流动力学状态㊂新近Chen等[23]在失血性休克猪模型上采集心音信号,观察到S1和S2幅值㊁能量的下降与动脉血压下降趋势一致,尤其S2幅值㊁能量的下降与血压降低呈显著正相关,其变化早于心率㊁脉搏压变异度等传统血流动力学指标,因而心音有可能成为失血性休克早期诊断的一个新指标㊂3㊀心音与心血管疾病诊断人工听诊心音诊断是通过分析心音音调和音强,主要依赖医生经验的定性方法,但心音信号转化为可视化图形后,利用计算机辅助分析技术能获得心音定量的特征参数,有助于发现心音与相关疾病的关系,可作为心血管疾病的无创诊断方法㊂用于临床诊断的心音成分主要为S1和S2,心音周期的收缩期(S1到S2间期)和舒张期(S2到S1间期)时长㊁比例与心血管疾病的发生密切相关㊂在健康年轻人中可能出现第三心音(S3),但在40岁以上成人中出现S3通常是异常表现,可能与心房功能障碍㊁心室容量超负荷有关,S3能反映心排血量减少㊁心室射血分数降低㊁左心室肥厚以及进展性心衰中发生的舒张末压升高,对心衰诊断有很高的特异性㊂由于S3强度弱㊁频率低㊁持续时间短,人耳很难听到,但通过电子听诊器收集PCG波形,可以捕捉到S3㊂Cao等[24]利用植入式心音监测设备,识别S3预测心衰的能力明显优于常规听诊,并有客观㊁连续㊁自动和远程监控的优点㊂在正常心脏周期中不会出现第四心音(S4),其出现可能与舒张期心衰有关,通过监测心音信号波形变化能及时发现病理性S4的出现㊂近年来,深度学习在心电领域有了较快的发展和应用[25],AI技术与数字化心音的结合也使心音分类识别的准确性有了很大提高,通过训练传统机器学习分类器实现心音的分类,不同类型先天性心脏病(简称 先心病 )血流异常产生的心脏杂音,风湿性心脏病心脏瓣膜受损后血流紊乱引起的杂音,都能从心音信号特征的异常变化中分辨出来,从而帮助分类识别心脏疾病(图1)㊂Aziz等[26]利用机器学习对三种先心病(房间隔缺损㊁室间隔缺损㊁动脉导管未闭)的分类准确率为95.24%,Ghosh等[27]采用多类复合分类器对主动脉瓣狭窄㊁二尖瓣狭窄和二尖瓣关闭不全分类的敏感度分别为99.44%㊁98.66%和96.22%㊂Dargam 等[28]给予小鼠腺苷+高磷酸饮食,制作主动脉瓣钙化疾病模型,通过对健康小鼠和主动脉瓣钙化小鼠的心音分析,发现用S2识别主动脉瓣钙化有很高的准确性,受试者工作特征(receiver operating characteristic,ROC)曲线下面积为0.9593㊂深度学习是通过人工神经网络,模拟人脑工作机器学习的一个分支,深度学习智能算法利用神经网络自动学习提取特征,可以实现对心音的准确分类㊂在儿童左向右分流先心病基于深度学习计算机辅助的心音分析中,残差卷积回归神经网络分类模型较其他模型有更高的准确性,对四类先心病(房间隔缺损㊁室间隔缺损㊁动脉导管未闭和复合病变)识别的准确率为94%~99.4%㊂近年Alkhodari 等[29]对1000例患者的心音分析显示,采用卷积和循环神经网络对四种心脏瓣膜疾病(主动脉瓣狭窄㊁二尖瓣狭窄㊁二尖瓣关闭不全和二尖瓣脱垂)的分类准确率高达99.32%㊂图1㊀机器学习心音特征以分类识别心脏疾病示意图冠状动脉疾病(coronary artery disease,CAD)由于动脉管壁增厚和管腔狭窄使血流受阻,可产生特有的湍流声,湍流血流的声学特征可以被心音监测和识别㊂Larsen 等[30]对191例CAD 患者与955例非CAD 患者的心音进行比较,CAD 患者的S1和S2时频谱呈现明显差异,在S1和S2中期能量下降,舒张期和收缩期均在20~120Hz 频率范围能量增加,尤其是舒张期能量显著增加㊂CAD 患者心音舒张期低频能量增加的特点,提示其中可能含有可用于CAD 风险评估的信息,有待进一步的研究对心音能量谱变化进行分析,将可能用于临床对CAD 的辅助诊断和风险分层㊂4㊀心音与其他疾病检测心音信号中含有呼吸音(也称肺音)成分,利用卷积神经网络模型基于特征融合的方法可以分类识别肺音,由于不同肺疾病的肺音在信号波形㊁声谱图㊁梅尔频谱㊁色谱图上表现出不同特征,对肺音特征的分析可以辅助诊断肺疾病,如慢性阻塞性肺疾病㊁支气管扩张㊁上呼吸道感染㊁肺炎等,基于声谱图的肺音分类准确率最高可达99.1%[31]㊂进展性心衰患者植入左心室辅助装置(left ventricularassist device,LVAD)后,需要监测和评估设备工作情况和心脏功能,与床旁临床评估不同,心音监测可实现动态㊁实时㊁远程监测心脏功能,由于在心前区记录的心音中还包含机械泵工作的声音,可以早期发现机械泵故障㊁右心衰竭等LVAD 相关并发症[32]㊂心音信号还能用于情感识别,Cheng 等[4]对志愿者心音的线性和非线性特征进行提取分析,以心率变异性㊁舒张期和收缩期比值变异性作为情感评估指标,评估Valence(愉快和不愉快程度)㊁Arousal (兴奋和平静程度)以及Valence-Arousal 组合情感状态,心音特征对三种情感状态识别的准确率分别为96.87%,88.54%和81.25%㊂临床上各种身心疾病患者常会出现情绪改变㊁情感障碍,用心音辨识情感,为情感障碍的判断提供了新的客观指标,尤其对抑郁㊁焦虑等疾病患者可以起到辅助诊断或判断疗效的作用㊂5㊀小结随着心音监测和分析技术的快速发展,通过提取心音特征中的病理信息,捕捉异常心音变化,对心音信号进行实时㊁动态㊁定量分析和分类识别,可以用于对心血管功能状态的评估和疾病诊断㊂在连续监测心音时,如果发生急性心血管事件,心音的异常变化也能帮助临床判断心血管结构或功能发生的异常改变,因而心音特征分析在早期或突发心血管事件的预警监测中具有极高的应用价值㊂目前计算机辅助心音检测技术领域仍在不断探索,是未来发展的重点方向,同时临床真实场景下心音信号的无线采集㊁云存储与远程分析等技术也在发展中,借助AI 技术,使心音分类算法得到不断改进,实现对心音更精确的智能化分析,有望在心血管功能评估㊁疾病诊断和疗效判断中发挥更重要的作用㊂利益冲突:无参㊀考㊀文㊀献[1]孙伟,郭兴明,郑伊能.心音特征在慢性心力衰竭分型辅助诊断中的应用研究[J].中国生物医学工程学报,2018,37(5):537-544.DOI:10.3969/j.issn.0258-8021.2018.05.004.㊀Sun W,Guo XM,Zheng YN.Application of heart sound feature in the tying aided diagnosis of chronic heart failure[J].Chinese Journal of Biomedical Engineering,2018,37(5):537-544.DOI:10.3969/j.issn.0258-8021.2018.05.004.[2]谭朝文,王威廉,宗容,等.基于卷积神经网络的先心病心音信号分类算法[J].生物医学工程学杂志,2019,36(5):728-736,744.DOI:10.7507/1001-5515.201806031.㊀Tan ZW,Wang WL,Zong R,et al.Classification of heart sound signals in congenital heart disease based on convolutional neural network[J].Journal of Biomedical Engineering,2019,36(5):728-736,744.DOI:10.7507/1001-5515.201806031.[3]曾文入,王维博,王彬蓉,等.基于小波能量谱的先天或风湿性心脏病异常心音分类算法研究[J].航天医学与医学工程,2020,33(2):159-165.DOI:10.16289/ki.1002-0837.2020.02.010.㊀Zeng WR,Wang WB,Wang BR,et al.Research on abnormal heart sound classification algorithm based on wavelet energy spectrum in congenital or rheumatic heart disease [J].Space Medicine &Medical Engineering,2020,33(2):159-165.DOI:10.16289/ki.1002-0837.2020.02.010.[4]Cheng X,Wang Y,Dai S,et al.Heart sound signals can beused for emotion recognition[J].Sci Rep,2019,9(1):6486.DOI:10.1038/s41598-019-42826-2.[5]Lee SY,Huang PW,Chiou JR,et al.Electrocardiogram andphonocardiogram monitoring system for cardiac auscultation[J].IEEE Trans Biomed Circuits Syst,2019,13(6):1471-1482.DOI:10.1109/TBCAS.2019.2947694.[6]Chowdhury MEH,Khandakar A,Alzoubi K,et al.Real-timesmart-digital stethoscope system for heart diseases monitoring[J].Sensors(Basel),2019,19(12):2781.DOI:10.3390/s1*******.[7]Landgraf C,Goolkasian P and Crouch T. Wireless CardiacSensor ,U.S.Patent Appl.20180256061A1,Sept.13,2018.[8]孙柯,潘家华,姚如苹,等.基于APSoC的异构实时心音心电采集系统[J].云南大学学报(自然科学版),2020,42(6):1072-1079.DOI:10.7540/j.ynu.20190634.㊀Sun K,Pan JH,Yao RP,et al.Heterogeneous real-time heartsound and electrocardiogram acquisition system Based on APSoC[J].Journal of Yunnan University:Natural Sciences Edition,2020,42(6):1072-1079.DOI:10.7540/j.ynu.20190634.[9]Li XC,Liu XH,Liu LB,et al.Evaluation of left ventricularsystolic function using synchronized analysis of heart sounds andthe electrocardiogram[J].Heart Rhythm,2020,17(5Pt B):876-880.DOI:10.1016/j.hrthm.2020.01.025. [10]Guo B,Tang H,Xia S,et al.Development of a muti-channelwearable heart sound visualization system[J].J Pers Med,2022,12(12):2011.DOI:10.3390/jpm12122011. [11]欧阳微娜,王春梅,叶冰,等.基于5G+AI的远程动态实时心电监护技术在老年慢性疾病中的应用研究[J].中国心血管杂志,2022,27(5):455-458.DOI:10.3969/j.issn.1007-5410.2022.05.011.㊀Ouyang WN,Wang CM,Ye B,et al.Application of remotedynamic real-time ECG monitoring technology based on5G+AIin the elderly with chronic diseases[J].Chin J Cardiovasc Med,2022,27(5):455-458.DOI:10.3969/j.issn.1007-5410.2022.05.011.[12]吕煜焱,丁思霄,赵逸凡,等.人工智能化的远程心电监测在心血管疾病中的应用[J].中国心血管杂志,2020,25(3):270-273.DOI:10.3969/j.issn.1007-5410.2020.03.014.㊀Lyu YY,Ding SX,Zhao YF,et al.Application of remote ECGmonitoring with artificial intelligence in cardiovascular diseases[J].Chin J Cardiovasc Med,2020,25(3):270-273.DOI:10.3969/j.issn.1007-5410.2020.03.014.[13]Li S,Li F,Tang S,et al.A review of computer-aided heartsound detection techniques[J].Biomed Res Int,2020:5846191.DOI:10.1155/2020/5846191.[14]袁倩影,全海燕.基于新进化优化BP学习算法的心音识别方法[J].吉林大学学报(理学版),2020,58(5):1195-1201.DOI:10.13413/ki.jdxblxb.2019389.㊀Yuan QY,Quan HY.Heart sound recognition method based onnew evolutionary optimization BP learning algorithm[J].Journalof Jilin University(Science Edition),2020,58(5):1195-1201.DOI:10.13413/ki.jdxblxb.2019389. [15]周克良,刘亚亚.改进的PSO-BP神经网络算法在心音分类中的应用[J].制造业自动化,2020,42(10):17-25.DOI:1009-0134(2020)10-0017-05.㊀Zhou KL,Liu YY.Application of improved PSO-BP neuralnetwork algorithm in heart sound classification[J].Manufacturing Automation,2020,42(10):17-25.DOI:1009-0134(2020)10-0017-05.[16]Deng M,Meng T,Cao J,et al.Heart sound classification basedon improved MFCC features and convolutional recurrent neuralnetwork[J].Neural Netw,2020,130:22-32.DOI:10.1016/j.neunet.2020.06.015.[17]Kapur G,Chen L,Xu Y,et al.Noninvasive determination ofblood pressure by heart sound analysis compared with intra-arterial monitoring in critically ill children-a pilot study of a novelapproach[J].Pediatr Crit Care Med,2019,20(9):809-816.DOI:10.1097/PCC.0000000000001997.[18]Tang H,Zhang J,Chen H,et al.A non-invasive approach toinvestigation of ventricular blood pressure using cardiac soundfeatures[J].Physiol Meas,2017,38(2):289-309.DOI:10.1088/1361-6579/aa552a.[19]Finnegan E,Davidson S,Harford M,et al.Pulse arrival time asa surrogate of blood pressure[J].Sci Rep,2021,11(1):22767.DOI:10.1038/s41598-021-01358-4.[20]成谢锋,戴世诚,赵鹏军.基于心音信号的一种血压评估方法[J].物理学报,2020,69(14):148701-1-10.DOI:10.7498/aps.69.20200254.㊀Cheng XF,Dai SC,Zhao PJ.A blood pressure evaluationmethod based on heart sound signal[J].Acta Phys.Sin,2020,69(14):148701-1-10.DOI:10.7498/aps.69.20200254. [21]Gao S,Zheng Y,Guo X.Gated recurrent unit-based heart soundanalysis for heart failure screening[J].Biomed Eng Online,2020,19(1):3.DOI:10.1186/s12938-020-0747-x. [22]Moon YJ,Kim SH,Park YS,et al.Quantitative analysis of anintraoperative digitalized esophageal heart sound signal tospeculate on perturbed cardiovascular function[J].J Clin Med,2019,8(5):715.DOI:10.3390/jcm8050715. [23]Chen Y,Hou A,Wu X,et al.Assessing hemorrhagic shockseverity using the second heart sound determined fromphonocardiogram:A novel approach[J].Micromachines(Basel),2022,13(7):1027.DOI:10.3390/mi13071027.[24]Cao M,Gardner RS,Hariharan R,et al.Ambulatory monitoringof heart sounds via an implanted device is superior to auscultationfor prediction of heart failure events[J].J Card Fail,2020,26(2):151-159.DOI:10.1016/j.cardfail.2019.10.006. [25]吕婷婷,丁子建,袁亦方,等.深度学习在心电图自动诊断和预测心血管疾病中的应用[J].中国心血管杂志,2021,26(3):290-293.DOI:10.3969/j.issn.1007-5410.2021.03.018.㊀Lyu TT,Ding ZJ,Yuan YF,et al.Value of deep learning inautomatic diagnosis and prediction of cardiovascular diseases byelectrocardiogram[J].Chin J Cardiovasc Med,2021,26(3):290-293.DOI:10.3969/j.issn.1007-5410.2021.03.018. [26]Aziz S,Khan MU,Alhaisoni M,et al.Phonocardiogram signalprocessing for automatic diagnosis of congenital heart disordersthrough fusion of temporal and cepstral features[J].Sensors(Basel),2020,20(13):3790.DOI:10.3390/s2*******.[27]Ghosh SK,Ponnalagu RN,Tripathy RK,et al.Automateddetection of heart valve diseases using chirplet transform andmulticlass composite classifier with PCG signals[J].Comput BiolMed,2020,118:103632.DOI:10.1016/pbiomed.2020.103632.[28]Dargam V,Ng HH,Nasim S,et al.S2heart sound detectsaortic valve calcification independent of hemodynamic changes inmice[J].Front Cardiovasc Med,2022,9:809301.DOI:10.3389/fcvm.2022.809301.[29]Alkhodari M,Fraiwan L.Convolutional and recurrent neuralnetworks for the detection of valvular heart diseases inphonocardiogram recordings[J].Comput Methods ProgramsBiomed,2021,200:105940.DOI:10.1016/j.cmpb.2021.105940.[30]Larsen BS,Winther S,Nissen L,et al.Spectral analysis of heartsounds associated with coronary artery disease[J].PhysiolMeas,2021,42(10):105013.DOI:10.1088/1361-6579/ac2fb7.[31]Tariq Z,Shah SK,Lee Y.Feature-based fusion using CNN forlung and heart sound classification[J].Sensors(Basel),2022,22(4):1521.DOI:10.3390/s2*******.[32]Chen XJ,Laporte ET,Olsen C,et al.Heart sound analysis inindividuals supported with left ventricular assist devices[J].IEEE Trans Biomed Eng,2021,68(10):3009-3018.DOI:10.1109/TBME.2021.3060718.(收稿日期:2023-04-15)(本文编辑:谭潇)。

多参数床旁监护仪 BSM-4103/4101（内置记录器） BSM-4113/4111（无记录器） Life Scope P 拥有强大的ECG 管理能力和先进的传感技术，可以为您提供更准确、更强大以及更方便的监护。

Life Scope P 同时为您提供了极大的灵活性，可以适合在ICU 、CCU 、新生儿ICU 、手术室、急诊室、普通病房和心脏康复病房等各种场合使用。

∙多参数灵活接口 当您将不同的换能器或传感器插入多参数灵活接口时，如IBP ，体温，CO ，CO 2或者FiO 2，监护仪可以自动识别参数的类型，并且开始测量，不需要另外的模块或进行额外的设置。

这一特点在为您提供高效率监护的同时，大大节省了开支。

∙高清晰的、具有触摸操作功能的显示屏 o 12.1英寸彩色TFT 液晶显示屏，触摸屏操作，便于观察，方便使用。

o 10个测量参数，6导波形显示，同步12导联ECG 。

∙高可靠性的ECG 监护，好像紧凑的机身中装入了一台高性能的心电图机。

o 12导联ECG 解析（BSM-4103/4113） 使用10芯导联线获得的ECG ，可以提供与日本光电配备了ECAPS 12C 软件的 cardiofax 心电图机相媲美的分析结果。

o 利用10芯导联线同步显示12导联ECG o 高质量的心律失常检测 - 带8个ECG 波形窗口的多模板匹配技术。

您可以编辑和确认窗口中的患者典型波形。

o 通过选配存储卡实现48小时波形回放 o 长片断ECG 波形显示 - 56秒 - 识别心律失常更容易 o 多达500个ST 段事件可以存储到选配的存储卡中。

您可以修改ST 段的测量点。

∙创新的PWTT™技术 这台监护仪采用了一个新的、与血压具有相关性的参数：PWTT （pulse wave transit time ，即脉搏波传递时间）。

通过ECG 和SpO 2，监护仪获得了连续的PWTT 。

在NIBP 定时测量期间，如果PWTT 超出阈值，监护仪就会自动启动NIBP 的测量。

脉搏传导速率计算公式脉搏传导速率是指心脏发出冲动后在心脏内传导的速度，通常用来评估心脏的传导功能。

脉搏传导速率的计算公式可以帮助医生和研究人员更准确地评估心脏传导功能，从而为临床诊断和治疗提供参考依据。

本文将介绍脉搏传导速率的计算公式及其应用。

脉搏传导速率的计算公式为，传导速率 = 心电图上两个连续P波之间的时间间隔 / 心电图上两个连续R波之间的时间间隔。

在这个公式中，P波代表心脏的房性除极，R波代表心脏的室性除极。

通过测量P波和R波之间的时间间隔，可以计算出心脏的传导速率。

传统上，传导速率的单位为毫秒（ms），但在一些研究中也会使用秒（s）作为单位。

脉搏传导速率的计算公式可以应用于不同的心脏疾病和情况。

例如，在房室传导阻滞的患者中，传导速率可能会明显延长；而在心脏起搏器植入术后，传导速率可能会有所改善。

通过测量传导速率，医生可以更好地了解心脏的传导情况，从而制定更有效的治疗方案。

除了传统的计算公式外，还有一些其他方法可以用来评估脉搏传导速率。

例如，可以通过测量心脏内传导系统的电生理参数，如心房-室传导时间（AH间期）和心室-室传导时间（HV间期），来评估传导速率。

这些参数可以提供更详细的信息，帮助医生更全面地评估心脏的传导功能。

脉搏传导速率的计算公式在临床诊断和研究中具有重要意义。

通过测量传导速率，可以及时发现心脏传导功能的异常，指导临床治疗。

此外，传导速率的计算公式也可以用来评估心脏起搏器的功能，帮助医生调整起搏器的参数，从而提高患者的生活质量。

在研究领域，脉搏传导速率的计算公式也被广泛应用。

通过比较不同患者或不同治疗方案下的传导速率，可以更好地了解心脏传导功能的变化规律，为心脏疾病的研究提供重要依据。

此外，传导速率的计算公式还可以用来评估新型治疗方法对心脏传导功能的影响，为临床治疗提供新的思路和方法。

总之，脉搏传导速率的计算公式是评估心脏传导功能的重要工具。

通过测量传导速率，可以更准确地了解心脏的传导情况，指导临床治疗和研究工作。

脉搏波形特征-回复脉搏波形特征是指在脉搏波形中可以观察到的各种特点和规律。

脉搏波形是指人体脉搏传入血管的脉动形成的波形图像，通过观察和分析脉搏波形特征，可以了解人体的心血管功能状态，对疾病的诊断和治疗提供重要的参考依据。

本文将从脉搏波形的基本形态、时标特征、幅度特征等几个方面逐步介绍脉搏波形特征。

一、脉搏波形的基本形态特征脉搏波形的基本形态特征是指脉搏波形的整体形态和特点。

正常脉搏波形形态应该是规则、有规律的周期波形。

根据脉搏波形的形状，可以将其分为锐峰型、圆顶型、低尖型、双峰型等不同形态。

锐峰型脉搏波形具有高峰和低谷的特点，代表了较好的心肌收缩力和弹性血管功能。

圆顶型脉搏波形则代表了心肌收缩力较差，心脏排血量较低。

低尖型脉搏波形常见于贫血和心力衰竭等状态，双峰型脉搏波形则可能提示存在二尖瓣关闭不全或动脉硬化等病变。

二、脉搏波形的时标特征脉搏波形的时标特征是指脉搏波形在时间轴上的特征。

脉搏波形的时标特征包括峰值时间、上升时间、下降时间和持续时间等。

峰值时间是指脉搏波形达到峰值所需的时间，一般为0.07-0.11秒之间。

上升时间是指脉搏波形从起点到达峰值所需的时间，正常值为0.04-0.08秒。

下降时间是指脉搏波形从峰值回到基线所需的时间，一般为0.06-0.11秒。

持续时间是指脉搏波形从起点到峰值再回到起点的总时间，正常值为0.35-0.4秒。

通过观察和分析这些时标特征，可以评估心脏的舒张和收缩功能。

三、脉搏波形的幅度特征脉搏波形的幅度特征是指脉搏波形在幅度轴上的特点。

脉搏波形的幅度特征包括峰高、谷低和波差等。

峰高是指脉搏波形的高度，代表了心脏排血量。

谷低是指脉搏波形的低点，通常与舒张压相关。

波差则是指脉搏波形的峰高和谷低之间的差值，可以用来评估动脉硬化和心脏负荷情况。

正常波差范围为20-60mmHg，波差过大或过小都可能提示存在心血管疾病。

综上所述，脉搏波形的特征有基本形态、时标和幅度三个方面。

脉搏波时域和频域
脉搏波是指血液在动脉中流动时所产生的压力波。

脉搏波的时域和频域分析是研究脉搏波特性的重要方法。

时域分析是指对脉搏波的时间序列进行分析。

通过时域分析，可以得到脉搏波的峰值、波形、上升时间、下降时间等参数。

这些参数可以反映出心脏的收缩和舒张功能、血管的弹性和阻力等生理状态。

例如，脉搏波的峰值和波形可以反映出动脉硬化的程度，上升时间和下降时间可以反映出心脏的收缩和舒张功能。

频域分析是指对脉搏波的频率进行分析。

通过频域分析，可以得到脉搏波的频率分布情况。

这些频率分布可以反映出心脏和血管的生理状态。

例如，低频率成分可以反映出交感神经的活动水平，高频率成分可以反映出副交感神经的活动水平。

此外，频域分析还可以用于研究脉搏波的相位同步性和相位差异性，以及脉搏波的相互作用和耦合关系。

脉搏波时域和频域分析在临床医学中有着广泛的应用。

例如，可以用于评估心血管疾病的风险、监测心脏和血管的功能状态、指导药物治疗和康复训练等。

此外，脉搏波时域和频域分析还可以用于研究心血管疾病的发病机制和治疗方法，为临床医学的发展提供重要的理论和实践基础。

脉搏波时域和频域分析是研究脉搏波特性的重要方法，可以反映出
心脏和血管的生理状态，具有广泛的临床应用价值。

什么是脉搏波传导速度
当血管堵塞不足70%时，人体无任何感觉，常常错过最好防治时机，所以心血管疾病的预防十分重要，定期进行血管健康检查十分必要。

随着技术的发展，脉搏波传导速度（PWV）越来越多地被应用到动脉血管检查中。

脉搏波传导速度（PWV）指心脏每次搏动射血产生的沿大动脉壁传播的压力波传导速度。

它具有操作简便、快捷，可重复等特点，一次PWV检测通常只需要1-2分钟。

传统PWV技术测量误差大
传统的全局脉搏波测量技术求得的PWV是整段血管的平均值，无法准确定位哪一处血管片段发生病变、存在斑块，测量误差较大。

并且在动脉粥样硬化初期，斑块往往都很小，针对局部血管的PWV测量更有参考价值。

局部测量，更可靠。

动脉血管局部PW V测量技术是一种新型的无创的可重复的检测血管脉搏波速度技术，它有着高于传统B超的成像帧率，大幅提高局部PWV测量的准确性。

注重预防、早期诊断和精准干预，是健康医疗发展的新方向。

动脉血管局部PW V测量技术能够有效评估血管僵硬度，可为动脉硬化危险因素的筛选及评价提供客观的检测指标，对动脉疾病的早期发现、治疗和预后判断具有重要意义。