Determination of arterial blood pressure

Abstract

Various example embodiments relate to a solution for determining a continuous arterial blood pressure waveform or the systolic and diastolic blood pressure noninvasively. Photoplethysmography, PPG, signals may be obtained from a PPG sensor. Flux signals may be obtained from a flux sensor. The arterial blood pressure waveform or the systolic and diastolic blood pressure may be determined based at least in part on the PPG signals and the flux signals.

Description

DETERMINATION OF ARTERIAL BLOOD PRESSURETECHNICAL FIELD

[0001] Various example embodiments generally relate to the field of determining an arterial blood pressure.BACKGROUND

[0002] Blood pressure can be measured directly using various methods such as inserting a catheter with a pressure sensor into the pulmonary artery or via an inflatable cuff. The catheter type measurement method is an invasive method which is usually used for critical care. The inflatable cuff method is widely applied in clinical practice but is inconvenient and uncomfortable measurement method. A major drawback of both methods is that they do not provide easy and regular blood pressure measurements throughout the day and night.

[0003] An indirect method measuring blood pressure may be performed using photoplethysmography (PPG) sensors. A PPG sensor measures a relative blood volume change in a peripheral vascular bed. The principle of the PPG is based on the absorption of the light by the blood in the measurement site. When the blood volume changes due to the heart pumping blood through the arteries, the light absorption by the blood changes and therefore the light intensity is modulated by the cardiovascular system. While PPG sensors may enable indirect measurement of blood pressure when they are combined with a data-driven computational model including machine learning and deep learning models, the measurement accuracy and reliability are still in question.SUMMARY

[0004] This summary is provided to introduce a selection of concepts in a simplified form that are further described below in the detailed description. This summary is not intended to identify key features or essential features of the claimed subject matter, nor is it intended to be used to limit the scope of the claimed subject matter. It is an objective of the present disclosure to enable an accurate non-invasive measurement of an arterial blood pressure waveform or a the systolic and diastolic blood pressure continuously and noninvasively while still maintaining  easiness for measuring the blood pressure. Further implementation forms are apparent from the dependent claims, the description, and the drawings.

[0005] According to a first aspect, a method for determining a continuous arterial blood pressure waveform or the diastolic and systolic blood pressure noninvasively. The method comprises obtaining photoplethysmography, PPG, signals from a PPG sensor; obtaining flux signals from a flux sensor; and determining the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the PPG signals and the flux signals. This may enable, for example, an accurate solution for measuring the blood pressure waveforms or the systolic and diastolic blood pressure continuously and noninvasively in real time.

[0006] According to an implementation form of the first aspect, the method comprises determining an index of blood vessel cross-sectional area based on the PPG signals; determining a blood flow index based on the flux signals; determining arterial compliance based on the flux signals and the PPG signals; and determining the arterial blood pressure waveform or the diastolic and systolic blood pressure based, at least in part, on the index of blood vessel cross-sectional area and the blood flow index and the arterial compliance.

[0007] According to an implementation form of the first aspect, the method comprises estimating indices of blood vessel cross-sectional area, tissue oxygenation, arterial oxygenation, blood and hemoglobin content based on the PPG signals; determining indices of blood flow, blood velocity, and concentration of moving red blood cells based on the flux signals; determining arterial compliance based on the flux signals and the PPG signals; and determining the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the cardiovascular and hemodynamic indices obtained partly from the PPG signals and flux signals. This may enable, for example, an accurate solution for measuring the blood pressure waveform or the systolic and diastolic blood pressure continuously and noninvasively in real time.

[0008] According to an implementation form of the first aspect, the method further comprises determining first pulse wave analysis, PWA, features based on the PPG signals; determining second PWA features based on the flux signals; and determining the arterial blood pressure waveform or the systolic and diastolic  blood pressure based at least in part on the first PWA features and the second PWA features. This may enable, for example, an accurate solution for measuring the continuous blood pressure in real time or the systolic and diastolic blood pressure on each heart cycle.

[0009] According to an implementation form of the first aspect, the method further comprises applying at least one trained machine learning model in determining the arterial blood pressure waveform or the systolic and diastolic blood pressure, the at least one trained machine learning model being trained based at least in part on PPG signals, flux signals and blood pressure reference measurements. This may enable, for example, an efficient way for determining the continuous arterial blood pressure or the systolic and diastolic blood pressure on each heart cycle.

[0010] According to an implementation form of the first aspect, the at least one trained machine learning model comprises a physics-informed neural network (PINN) based on the mathematical models of blood flow in human vascular system. This may enable, for example, an efficient way for determining the continuous arterial blood pressure or the systolic and diastolic blood pressure on each heart cycle.

[0011] According to an implementation form of the first aspect, the flux sensor comprises a laser Doppler flowmeter (LDF) sensor, a dynamic light scattering (DLS) sensor, a speckle plethysmography (SPG) sensor, a diffusion correlation spectroscopy (DCS) sensor or a laser speckle contrast imaging (LCSI) , sensor. This may enable, for example, an accurate solution for measuring the continuous blood pressure in real time or the systolic and diastolic blood pressure on each heart cycle.

[0012] According to a second aspect, a device for determining a continuous arterial blood pressure waveform or the systolic and diastolic blood pressure noninvasively. The device is configured to obtain photoplethysmography, PPG, signals from a PPG sensor; obtain flux signals from a flux sensor; and determine the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the PPG signals and the flux signals.

[0013] According to an implementation form of the second aspect, the device is configured to determine an index of blood vessel cross-sectional area based on the PPG signals; determine a blood flow index based on the flux signals; determine  arterial compliance based on the flux signals and the PPG signals; and determine the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the index of blood vessel cross-sectional area, the blood flow index and the arterial compliance.

[0014] According to an implementation form of the second aspect, the device is configured to estimate indices of blood vessel cross-sectional area, tissue oxygenation, arterial oxygenation, blood and hemoglobin content based on the PPG signals; determine indices of blood flow, blood velocity, and concentration of moving red blood cells based on the flux signals; determine arterial compliance based on the flux signals and the PPG signals; and determine the arterial blood pressure waveform based at least in part on the cardiovascular and hemodynamic indices obtained partly from the PPG signals and flux signals.

[0015] According to an implementation form of the second aspect, the device is configured to determine first pulse wave analysis, PWA, features based on the PPG signals; determine second PWA features based on the flux signals; and determine the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the first PWA features and the second PWA features.

[0016] According to an implementation form of the second aspect, the device is configured to apply at least one trained machine learning model in determining the arterial blood pressure waveform or the systolic and diastolic blood pressure, the at least one trained machine learning model being trained based at least in part on PPG signals, flux signals and blood pressure reference measurement.

[0017] According to an implementation form of the second aspect, the at least one trained machine learning model comprises a physics-informed neural network, PINN, based on mathematical models of blood flow in a human vascular system, including but not limited to Windkessel models and incompressible fluid flow models based on Navier-Stokes equations.

[0018] According to an implementation form of the second aspect, the flux sensor comprises a laser Doppler flowmeter, LDF, sensor, a dynamic light scattering, DLS, sensor, a speckle plethysmography, SPG, sensor, a diffuse correlation spectroscopy (DCS) sensor, a laser speckle contrast imaging, LCSI, sensor, or a laser Doppler perfusion imaging sensor, LDPI.

[0019] According to a third aspect, there is provided a wearable device comprising a device according to the second aspect.

[0020] According to a fourth aspect, a computer program is provided. The computer program comprises program code configured to cause performance of the method according to the first aspect, when the computer program is executed on a device.

[0021] According to a fifth aspect, a device for determining a continuous arterial blood pressure waveform or the systolic and diastolic blood pressure noninvasively is provided. The device comprises means for obtaining photoplethysmography, PPG, signals from a PPG sensor; means for obtaining flux signals from a flux sensor; and means for determining the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the PPG signals and the flux signals.

[0022] According to a sixth aspect, a device for determining a continuous arterial blood pressure waveform or the systolic and diastolic blood pressure noninvasively is provided. The device comprises at least one processor, and at least one memory storing instructions, that when executed by the at least one processor, cause the apparatus to perform: obtaining photoplethysmography, PPG, signals from a PPG sensor; obtaining flux signals from a flux sensor; and determining the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the PPG signals and the flux signals.

[0023] DESCRIPTION OF THE DRAWINGS

[0024] The accompanying drawings, which are included to provide a further understanding of the example embodiments and constitute a part of this specification, illustrate example embodiments and, together with the description, help to explain the example embodiments. In the drawings:

[0025] FIG. 1 illustrates an example of a device configured to practice one or more embodiments.

[0026] FIG. 2 illustrates a machine learning model for estimating at least one parameter from flux signals according to an example embodiment.

[0027] FIG. 3 illustrates example features calculated from the AC part of the flux signal and from its first derivative according to an example embodiment.

[0028] FIG. 4 illustrates examples of the time domain features calculated from the time differences between the flux and the PPG signals.

[0029] FIG. 5 illustrates examples of the amplitude-based features calculated combining the flux and the PPG signal features.

[0030] FIG. 6 illustrates a machine learning model for calculating at least one parameter from PPG signals according to an example embodiment.

[0031] FIG. 7 illustrates a machine learning model for calculating arterial compliance from the flux and the PPG signals according to an example embodiment.

[0032] FIG. 8 illustrates a machine learning model for calculating blood pressure from the PPG and the flux signals and PWA features calculated from the PPG and the flux signals and their derivatives according to an example embodiment.

[0033] FIG. 9 illustrates a possible embodiment for a system architecture according to an example embodiment.

[0034] FIG. 10 illustrates another possible embodiment for a system architecture according to an example embodiment.

[0035] FIG. 11A illustrates a possible element layout according to an example embodiment.

[0036] FIG. 11B illustrates another possible element layout according to an example embodiment.

[0037] FIG. 12 illustrates a method for determining a continuous arterial blood pressure waveform or the systolic and diastolic blood pressure noninvasively according to an example embodiment.

[0038] Like references are used to designate like parts in the accompanying drawings.DETAILED DESCRIPTION

[0039] Reference will now be made in detail to example embodiments, examples of which are illustrated in the accompanying drawings. The detailed description provided below in connection with the appended drawings is intended as a description of the present examples and is not intended to represent the only forms in which the present example may be constructed or utilized. The description sets forth the functions of the example and the sequence of steps for constructing and  operating the example. However, the same or equivalent functions and sequences may be accomplished by different examples.

[0040] A photoplethysmography (PPG) sensor may be used for blood pressure measurements. The PPG sensor measures the relative blood volume change in a peripheral vascular bed. The principle of PPG is based on the absorption of the light by red blood cells in the blood. When the blood volume changes due to the heart pumping blood through the arteries, the light absorption by the red blood cells changes and therefore the light intensity is modulated. This light intensity modulation is then detected with a photo detector.

[0041] The PPG signal can be divided into two parts, the non-pulsatile DC part and pulsatile AC part. The DC part is due to the light passing through the tissue that is not changing its volume or density. The AC part is due to the light passing through the tissue that is changing its volume or density. The volume changing effect is particularly prominent in the expansion of blood vessels (arteries and arterioles) as a pulse wave propagates through them. The AC part is typically created by blood volume changes in the tissue due to heart pumping. In addition to this, motion can cause changes in the tissue density and volume and cause so called motion artefacts in the AC signal.

[0042] Based on the modified Beer-Lambert law, the PPG signal change is related to the change in the concentration of the red blood cells.

[0043] where ∈λ, lλ, CRBC and Iλ are the optical path length, the red blood cell C concentration and the photodetector current, respectively. The concentration of the red blood cells is in turn related to the blood volume. Therefore, the change in the PPG signal is related to the change in the blood volume. The change in the current ΔIλ divided by the DC current IDCλ is called the perfusion index (PI) that can be defined as

[0044] If assuming that the length of the vessel does not change, the change in the blood volume is related to the change in the vessel cross section. This then means that the PI is related to the change in the vessel cross section ΔA. On the other hand, the vessel cross section change is related to the blood pressure non-linearly

[0045] where β describes the elasticity of the artery wall and the p is blood pressure. On the other hand, the Bramwell-Hill equation gives the arterial compliance C as

[0046] where PWV is the pulse wave velocity and ρ is the density of blood. It is also known that

[0047] By combining the equations (4) and (5) , it can be written that

[0048] By combining the equations (1) and (6) , it can be written that

[0049] Since the arterial compliance and the arterial cross-sectional area A are difficult to measure and their relationships to pressure are nonlinear, the p (PI) is usually estimated using machine learning models that try to estimate the missing parameter from PI signal calculated features.

[0050] Mathematical models for the vascular system blood flow are based on the Navier-Stokes equations for the fluid flow and / or Windkessel models. While the  mathematical models of blood flow on three dimensional geometries of human vascular system allow assessment of blood flow and hemodynamic properties in complex geometries, 1D, 0D, and 1D-0D models show acceptable performance for real-time measurements of blood flow and cardiovascular and hemodynamic properties. For example, the following equations for modelling the artery as a one-dimensional elastic tube can be written

[0051] and

[0052] In the equations (8) and (9) A is the arterial cross-sectional area, Q is the blood flow, K is the parameter characterizing elasticity of the arterial wall, F is the friction coefficient and ρ is the blood density. The blood density can be assumed to be constant and the friction coefficient can be estimated, for instance, with the equation F=2πv (ξ+2)     (10)

[0053] where v is the kinematic viscosity of blood and the value ξ = 9 is commonly used for one-dimensional blood flow. The equations (8) and (9) show that in addition to the cross-sectional area changes, the blood flow and the elasticity changes of the arterial wall may also be measured.

[0054] The embodiments discussed below in more detail may provide a solution for determining a continuous arterial blood pressure waveform or the minimum (systolic) and maximum (diastolic) blood pressure noninvasively. In the solution, PPG signals may be obtained from a PPG sensor. Flux signals may be obtained from a flux sensor. The arterial blood pressure waveform or the systolic and diastolic blood pressure may be determined based at least in part on the PPG signals and the flux signals.

[0055] FIG. 1 illustrates an example of a device 100 configured to practice one or more embodiments. The device 100 may comprise, for example, a mobile device, a smart device, a smart watch, a ring, a chest band, a wrist band, a hearable, or a wearable device, or in general any device configured to implement any functionality described herein. The device 100 may comprise at least one processor 102. The at least one processor 102 may comprise, for example, one or more of various processing devices, such as, for example, a co-processor, a microprocessor, a controller, a digital signal processor (DSP) , a processing circuitry with or without an accompanying DSP, or various other processing devices including integrated circuits such as, for example, an application specific integrated circuit (ASIC) , a field programmable gate array (FPGA) , a microcontroller unit (MCU) , a hardware accelerator, a special-purpose computer chip, or the like.

[0056] The device 100 may further comprise at least one memory 104. The memory 104 may be configured to store, for example, computer program code or the like, for example, operating system software and application software. The memory 104 may comprise one or more volatile memory devices, one or more non-volatile memory devices, and / or a combination thereof. For example, the memory 104 may be embodied as magnetic storage devices (such as hard disk drives, magnetic tapes, etc. ) , optical magnetic storage devices, or semiconductor memories (such as mask ROM, PROM (programmable ROM) , EPROM (erasable PROM) , flash ROM, RAM (random access memory) , etc. ) .

[0057] The device 100 may further comprise a communication interface 108 configured to enable the device 100 to transmit and / or receive information. The communication interface may be further configured to provide a wireless radio connection, such as for example a third generation partnership project (3GPP) mobile broadband connection (e.g. 3G, 4G, 5G, 6G or future generations) , a wireless local area network (WLAN) connection such as for example standardized by IEEE 802.11 series or Wi-Fi alliance, or a short range wireless network connection such as for example a Bluetooth connection. The communication interface 108 may hence comprise one or more antennas to enable transmission and / or reception of radio frequency signals over the air.

[0058] The device 100 may further comprise a user interface 110, for example, a display, configured to display information, for example, blood pressure measurements.

[0059] When the device 100 is configured to implement some functionality, some component and / or components of the device, such as for example the at least one processor 102 and / or the at least one memory 104, may be configured to implement this functionality. Furthermore, when the at least one processor 102 is configured to implement some functionality, this functionality may be implemented using program code 106 comprised, for example, in the at least one memory 104.

[0060] The functionality described herein may be performed, at least in part, by one or more computer program product components such as software components. According to an embodiment, the device 100 comprises a processor or processor circuitry, such as for example a microcontroller, configured by the program code 106, when executed, to execute the embodiments of the operations and functionality described herein. Alternatively, or in addition, the functionality described herein can be performed, at least in part, by one or more hardware logic components. For example, and without limitation, illustrative types of hardware logic components that can be used include field-programmable gate arrays (FPGAs) , application-specific integrated circuits (ASICs) , application-specific standard products (ASSPs) , system-on-a-chip systems (SOCs) , complex programmable logic devices (CPLDs) , graphics processing units (GPUs) , or the like.

[0061] The device 100 may be configured to perform method (s) described herein or comprise means for performing method (s) described herein. In one example, the means comprises the at least one processor 102, the at least one memory 104 including program code 106 configured to, when executed by the at least one processor 102, cause the device 100 to perform the method (s) .

[0062] Although the device 100 is illustrated as a single device, it is appreciated that, wherever applicable, functions of the device 100 may be distributed to a plurality of devices, for example, between components of a transmitter, a receiver, or a transceiver.

[0063] FIG. 2 illustrates a machine learning model for estimating at least one parameter from flux signals. The equations (4) and (5) show that to solve the blood pressure deterministically inside an artery, the absolute values of the blood flow may be measured. In an example embodiment, the same equations can be used for a system of arteries, and then the flow is replaced by the blood flow index. In the solution illustrated in FIG. 2, the first moment of power spectral density (flux) may be calculated from flux signals. The flux sensor may be, for example, a laser Doppler flowmeter (LDF) sensor, a dynamic light scattering (DLS) sensor, a speckle plethysmography (SPG) sensor, a diffusion correlation spectroscopy (DSC) sensor, a laser speckle contrast imaging (LCSI) sensor, or a laser Doppler perfusion imaging (LDPI) sensor.

[0064] The flux can then be used to estimate the blood flow index as it has been shown that the flux signal is correlated with the blood flow. The correlation, however, may be nonlinear. FIG. 2 illustrates a solution in which a machine learning (ML) model that will learn how the flux signal maps to the blood flow index is applied. In various embodiments, different machine learning models can be used to extract the blood flow index from the flux signal. In some embodiments, in order to optimize the learning of the ML model, the Physics Informed Neural Network (PINN) with the constraining equations from the theoretical modelling of blood flow in the vascular tree may be used.

[0065] FIG. 2 illustrates an example where the PINN learns to estimate the blood flow index Q, the blood pressure p, the time constant τ and the arterial compliance C from the input data θ 200 comprising the flux signal and the features calculated from the pulse waveform of the flux signal and from the measured continuous blood pressure reference. Parameters λ1…n are one or more from the features calculated from flux and / or one or more parameters from blood flow, blood velocity and moving RBC concentration that are calculated from the speckle contrast signal. The neural network 202 maps the input data to governing equation variables. The reference 204 illustrates the governing equation components. In the example illustrated in FIG. 2, the governing equation 206, i.e. the governing partial differential equation, is based on the two element Windkessel model

[0066] and the loss function in this case is the combination of governing equation (GE) residue

[0067] The error between the pressure estimated by the PINN and the measured reference arterial blood pressure rdata: =pref (ti) -p (ti; θ )     (14)

[0068] giving the loss function 208

[0069] The GE part of the loss function can be tailored based on which blood flow governing equation is selected. For example, there may be several variations from the Windkessel model: a two parameter model, a three parameter model, a four parameter model and multi compartment models available for the governing equations. In some embodiments, the equations (8) and (9) can be used as the GE loss functions for the PINN, but then further inputs like the PPG signal may be used to include the estimate for the index of blood vessel cross-sectional area A, as required for the blood pressure measurement.

[0070] The input data 200 for the ML model can include, in addition to the flux signal, features calculated from the waveform of flux signal and from its derivatives. Examples for such features are shown in FIG. 3. The features include, but are not limited to, the durations between the peaks and troughs, the amplitude differences between the peaks and troughs, areas under different sections of the curve, higher order derivatives of the signal and the ratios of the aforementioned features.

[0071] Further, in some embodiments, the arterial blood pressure point (s) from reference measurements, measured, for example, with a blood pressure cuff, can also be given as an input for the ML model.

[0072] In addition to flux signal features alone, in some embodiments, additional features that combine the flux signal waveform and the PPG signal waveform can be calculated as illustrated in FIG. 4 and FIG. 5. FIG. 4 illustrates examples of the time domain features calculated from the time differences between the flux and the PPG signals. In FIG. 4, the flux and the PPG signal amplitudes have been scaled for the illustration purposes. FIG. 5 illustrates examples of the amplitude-based features fn calculated combining the flux and the PPG signal features. In FIG. 5, the flux and PPG signals are in arbitrary units.

[0073] FIG. 6 illustrates a machine learning model for calculating at least one parameter from the PPG measurements according to an example embodiment.

[0074] FIG. 6 illustrates a solution to estimate the hemodynamic and cardiovascular features from the PPG and flux sensors from the same tissue volume. In some embodiments, a PPG measurement with the same wavelength LED to what is used in the laser of the flux sensor may be used to achieve the same penetration depth. Furthermore, in some embodiments, the location of sources and detectors and source detector separations may be similar both for the PPG and flux measurements.

[0075] Machine learning may be used to determine the correlation between the PPG signal and the index of blood vessel cross-sectional area. In various embodiments, different machine learning models may be used to use the PPG signal to estimate the index of blood vessel cross-sectional area. In some embodiments, in order to optimize the learning of the ML model, the Physics Informed Neural Network (PINN) with the constraining equations from the theoretical modelling of the blood pressure may be used.

[0076] FIG. 6 illustrates an example in which the PINN learns to estimate at least one parameter, for example, the index of blood vessel cross-sectional area A, the blood pressure p and the arterial compliance C from the input data θ 600 comprising the PPG signal and the features calculated from the pulse waveform of the PPG signal and from the measured continuous blood pressure references. In some embodiments, Parameters λ1…n are one or more from the features calculated from  PPG signals, including its derivatives, and / or one or more parameters from tissue oxygenation, arterial oxygenation, blood and hemoglobin content that are calculated from the PPG signals.

[0077] In some embodiments, multiple PPG wavelengths can be used to provide more input signals for the PINN. The neural network 602 maps the input data 600 to governing equation variables. In some embodiments, reference arterial blood pressure point or points, for example, from a blood pressure cuff, may also be given as an input for the ML model.

[0078] The reference 604 illustrates the governing equation components. In the example illustrated in FIG. 6, the governing equations (GE) 606 are

[0079] The loss functions (15) 608 are based on governing equations and training data. For the training of the neural network reference blood pressure may be measured.

[0080] FIG. 7 illustrates a machine learning model for calculating the arterial compliance from the flux and the PPG signals according to an example embodiment.

[0081] The pulse wave velocity PWV can be expressed as

[0082] where ρ is the density of the blood and D is arterial distensibility. The arterial distensibility is the capacity of the artery to swell as a result of pressure from the inside. The arterial distensibility can be expressed as

[0083] where A is the arterial cross section area and P is the arterial blood pressure. The combination of the equations (18) and (19) provides

[0084] The wave intensity analysis (WIA) can be used to present the forward propagating blood pressure wave as

[0085] The well-established water hammer equation provides another equation for the forward propagating blood pressure wave

[0086] where U is the blood velocity. Replacing the blood velocity with the flow and the arterial cross section area provides that

[0087] The combination of the equations (21) and (22) provides

[0088] Now it is possible to solve PWV as

[0089] Since the above considers only the forward (away from the heart) propagating waves, the equations above are valid only in the beginning of the heart cycle when only the forward propagating wave is present.

[0090] The Bramwell-Hill equation provides the arterial compliance C as

[0091] The combination of the equations (25) and (26) provides

[0092] This can be approximated by using the difference of the variables

[0093] The equation (23) shows that the arterial compliance C can be expressed as a function of the blood flow Q and arterial cross-sectional area A in the beginning of the heart cycle after the previous diastolic cycle. The blood density ρ is assumed to be constant. While the equations may be for one artery, they can be expanded for a system of arteries by replacing the cross-sectional area with an index of cross-sectional area and the flow with a blood flow index.

[0094] It is described above how the estimate for the blood flow index can be calculated from the flux signal and from the pulse wave analysis (PWA) features of the flux signal, including its derivatives. In some embodiments, it is possible to use the blood flow index Q derived above as an input to the ML model or let the ML system learn again how to get the blood flow index from the input signals. In some embodiments, in addition to flux signal, it is possible to use also the PPG signal and features calculated from the PPG signal (including its derivatives) as inputs so that the ML model can learn the relationship between the index of blood vessel cross-sectional area and the PPG signal. In some embodiments, it is also  possible to use multiple wavelength PPG signals with different light source-detector spacing.

[0095] In some embodiments, different machine learning models may be used to derive the arterial compliance from the flux and the PPG signals. In some embodiments, the PINN with the constraining equations from the theoretical modelling of the blood flow in the vascular tree may be used.

[0096] FIG. 7 illustrates an example in which the PINN learns to estimate the arterial compliance C, the blood flow Q, and the arterial cross-section area A from the input data θ 700 comprising the flux signal, the features calculated from the pulse waveform of the flux signal, the features calculated from the derivatives of the flux, the PPG signal, the features calculated from the pulse waveform of the PPG signal and the features calculated from the derivatives of the PPG signal. Parameters λ1…n are one or more from the features calculated from flux and / or one or more of indices of blood flow, blood velocity and moving RBC concentration that are calculated from the speckle contrast signal and / or one or more from the features calculated from PPG signals and / or one or more of indices of arterial and tissue oxygenation, blood and hemoglobin content that are calculated from the PPG signals and its derivatives.

[0097] For the PINN training process, the arterial compliance is measure implicitly via the parameters closely related to it. The arterial compliance may be defined as

[0098] However, this definition may be only valid when p is approximately equal to p0. In this example, the equations (27) and (29) may be used to constrain the PINN during the training process in addition to the reference data. In some embodiments, the arterial blood pressure calibration point or points may also be given as an input for the ML model.

[0099] The neural network 702 maps the input data 700 to governing equation variables. The reference 704 illustrates the governing equation components. In the example illustrated in FIG. 7, the governing equations (GE) 706 are

[0100] The loss functions (15) 708 are based on governing equations and training data.

[0101] FIG. 8 illustrates a machine learning model for calculating blood pressure from the PPG and the flux signals and PWA features calculated from the PPG and the flux signals and their derivatives according to an example embodiment.

[0102] In some embodiments, it is possible to use a combination of some or all the ML models presented above for calculating the variables used in the equation (7) for the blood pressure. In some embodiments, it is also possible to follow the equations derived above and expand the machine learning model to predict the blood pressure from the flux and the PPG signals and from the waveform features calculated from these signals. Various machine learning models can be used for calculating the blood pressure. FIG. 8 illustrates an example how the PINN can be used to calculate the arterial blood pressure from the flux and the PPG signals.

[0103] The ML model uses the PPG and the flux signals and the PWA features of these signals as inputs. The reference blood pressure is used to train the neural network together with the governing equations. The equations (7) , (13) , (27) and (29) are used in this example as governing equations that constrain the behaviour of the neural network. In some embodiments, the arterial blood pressure calibration point or points may also be given as an input for the ML model.

[0104] One advantage of the PINN is that in addition to teaching the neural network what is the correct value at each reference value point, PINNs are capable of incorporating the temporal and spatial evolution of the cardiovascular and hemodynamic variables, typically described with the partial differential equations.

[0105] FIG. 8 illustrates an example in which the PINN learns to estimate the blood pressure from the input data θ 800 comprising the flux signal, the features calculated from the pulse waveform of the flux signal, the features calculated from the derivatives of the flux, the PPG signal, the features calculated from the pulse waveform of the PPG signal and the features calculated from the derivatives of the PPG signal. Parameters λ1…n are one or more from the features calculated flux  and / or one or more of indices of blood flow, blood velocity and moving RBC concentration that are calculated from the speckle contrast signal and / or one or more from the features calculated from PPG signals and / or one or more of indices of arterial and tissue oxygenation, blood and hemoglobin content that are calculated from the PPG signals. The neural network 802 maps the input data 800 to governing equation variables. The reference 804 illustrates the governing equation components. In the example illustrated in FIG. 8, the governing equations (GE) 806 are

[0106] The loss functions (15) 808 are based on governing equations and training data.

[0107] The trained machine learning models discussed relating to FIGS 2, 6, 7 and 8 may be applied, when PPG signals and flux signals are obtained with a device, for example, a smart watch, a ring or other wearable device including hearables. With the trained machine learning models, it is then possible to calculate or estimate the arterial blood pressure based on the PPG signals and flux signals, including their derivatives.

[0108] FIGS. 9 and 10 describe possible embodiments for a system architecture for implementing the above discussed solution. A PPG sensor consists of digital to analog signals that are amplified to drive LEDs. A photo detector or several photo detectors detect the resulting signal travels back from the tissue. The photo detector signals may be amplified and then converted from analog to digital signals for processing in a microcontroller unit (MCU) or in a digital signal processing (DSP) unit.

[0109] A signal from a flux sensor consists of the digital to analog signals that are amplified to drive a vertical-cavity surface-emitting laser (VCSEL) or other miniaturized laser source or sources. The photo detector or several photo detectors detect the resulting signal that travels back from the tissue. The photo detector signals may also amplified and then converted from analog to digital signals for processing in the MCU or in the DSP unit.

[0110] In some embodiments, the system may also contain electrodes and an analog circuitry to measure an electrocardiogram (ECG) signal. The ECG signal can be used to calculate the PWV that gives information about the elastic properties of the arterial wall.

[0111] In some embodiments, the system may have two PPG sensors to measure the PWV from the pulse waveform transit time between the wrist and the finger.

[0112] In some embodiments, the system may comprise a blood pressure cuff and electronics and the mechanics required for the cuff operation. The blood pressure cuff may be used to provide single point calibration values for the systolic and diastolic blood pressure.

[0113] The system illustrated in FIG. 9 or 10 may be included in a device, for example, a smart watch, a ring or other wearable device.

[0114] FIG. 11A illustrates a possible element layout according to an example embodiment. It should be noted that the layout illustrated in FIG. 11A is only one possible layout and that also other layouts may be applied.

[0115] The layout comprises two photo detectors 1100, a LED 1102, VCSEL 1104 and a light barrier 1106. The distance from the VCSEL 1104 and the LED 1102 to the photo detectors 1100 is same and the wavelength of the VCSEL 1104 and the LED 1102 is similar so that the light from both sources penetrates to the same depth and thus goes through the same tissue volume.

[0116] The light barrier 1106 around the light sources 1102, 1104 prevents the direct light leakage from the light source 1102, 1104 to the photo detectors 1100. The photo detectors are preferably placed symmetrically on both sides of the light sources 1102, 1104 to reduce the signal noise.

[0117] In an example embodiment, calibration information from a cuff blood pressure sensor may be provided to improve the determination of the blood pressure from PPG and flux signals.

[0118] FIG. 11B illustrates anther possible element layout according to an example embodiment. The layout illustrated in FIG. 11B differs from the layout illustrated in FIG. 11A in that instead of using two photo detectors, there are four photo detectors placed symmetrically around the light sources 1102, 1104. It should be noted that the layout illustrated in FIG. 11B is only one possible layout and that also other layouts may be applied.

[0119] In an example embodiment, calibration information from a cuff blood pressure sensor may be provided to improve the determination of the blood pressure from PPG and flux signals.

[0120] FIG. 12 illustrates an example of a method for determining a continuous arterial blood pressure waveform or the systolic and diastolic blood pressure noninvasively. The method may be implemented, for example, by the device 100 or an application executed by the device 100.

[0121] At 1200, the method may comprise obtaining photoplethysmography, PPG, signals from a PPG sensor.

[0122] At 1202, the method may comprise obtaining flux signals from a flux sensor.

[0123] At 1204, the method may comprise determining the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the PPG signals and the flux signals.

[0124] In an example embodiment, calibration information from a cuff blood pressure sensor may be provided to improve the determination of the blood pressure from PPG and flux signals.

[0125] A device may be configured to perform or cause performance of any aspect of the method (s) described herein. Further, an embedded program or an embedded program product may comprise instructions for causing, when executed, a device to perform any aspect of the method (s) described herein. Further, a device may comprise means for performing any aspect of the method (s) described herein. According to an example embodiment, the means may comprise at least one processor, and memory including program code, the at least one processor, and  program code configured to, when executed by the at least one processor, cause the device to perform any aspect of the method (s) .

[0126] Any range or device value given herein may be extended or altered without losing the effect sought. Also, any embodiment may be combined with another embodiment unless explicitly disallowed.

[0127] Although the subject matter has been described in language specific to structural features and / or acts, it is to be understood that the subject matter defined in the appended claims is not necessarily limited to the specific features or acts described above. Rather, the specific features and acts described above are disclosed as examples of implementing the claims and other equivalent features and acts are intended to be within the scope of the claims.

[0128] It will be understood that the benefits and advantages described above may relate to one embodiment or may relate to several embodiments. The embodiments are not limited to those that solve any or all of the stated problems or those that have any or all of the stated benefits and advantages. It will further be understood that reference to 'an' item may refer to one or more of those items.

[0129] The steps or operations of the methods described herein may be carried out in any suitable order, or simultaneously where appropriate. Additionally, individual blocks may be deleted from any of the methods without departing from the scope of the subject matter described herein. Aspects of any of the example embodiments described above may be combined with aspects of any of the other example embodiments described to form further example embodiments without losing the effect sought.

[0130] The term 'comprising' is used herein to mean including the method, blocks, or elements identified, but that such blocks or elements do not comprise an exclusive list and a method or apparatus may contain additional blocks or elements.

[0131] Although subjects may be referred to as ‘first’ or ‘second’ subjects, this does not necessarily indicate any order or importance of the subjects. Instead, such attributes may be used solely for the purpose of making a difference between subjects.

[0132] It will be understood that the above description is given by way of example only and that various modifications may be made by those skilled in the art. The above specification, examples and data provide a complete description of the structure and use of exemplary embodiments. Although various embodiments  have been described above with a certain degree of particularity, or with reference to one or more individual embodiments, those skilled in the art could make numerous alterations to the disclosed embodiments without departing from scope of this specification.

Claims

1.A method for determining a continuous arterial blood pressure waveform or the systolic and diastolic blood pressure noninvasively, the method comprising:obtaining photoplethysmography, PPG, signals from a PPG sensor;obtaining flux signals from a flux sensor; anddetermining the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the PPG signals and the flux signals.2.The method according to claim 1, further comprising:determining an index of blood vessel cross-sectional area based on the PPG signals;determining a blood flow index based on the flux signals;determining arterial compliance based on the flux signals and the PPG signals; anddetermining the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the index of blood vessel cross-sectional area, the blood flow index and the arterial compliance.3.The method according to claim 1, further comprising:estimating indices of blood vessel cross-sectional area, tissue oxygenation, arterial oxygenation, blood and hemoglobin content based on the PPG signals;determining indices of blood flow, blood velocity, and concentration of moving red blood cells based on the flux signals;determining arterial compliance based on the flux signals and the PPG signals; anddetermining the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the cardiovascular and hemodynamic indices obtained partly from the PPG signals and flux signals.4.The method according to claim 2 or 3, further comprising:determining first pulse wave analysis, PWA, features based on the PPG signals;determining second PWA features based on the flux signals; anddetermining the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the first PWA features and the second PWA features.5.The method according to any of claims 1 -4, further comprising:applying at least one trained machine learning model in determining the arterial blood pressure waveform or the systolic and diastolic blood pressure, the at least one trained machine learning model being trained based at least in part on PPG signals, flux signals and blood pressure reference measurements.6.The method according to claim 5, wherein the at least one trained machine learning model comprises a physics-informed neural network, PINN, based on the mathematical models of blood flow in human vascular system.7.The method according to any of claims 1 -6, wherein the flux sensor comprises a laser Doppler flowmeter, LDF, sensor, a dynamic light scattering, DLS, sensor, a speckle plethysmography, SPG, sensor, a diffusion correlation spectroscopy, DCS, sensor, a laser speckle contrast imaging, LCSI, sensor, or a laser Doppler perfusion imaging sensor.8.A device for determining a continuous arterial blood pressure waveform or the systolic and diastolic blood pressure noninvasively, the device being configured to:obtain photoplethysmography, PPG, signals from a PPG sensor;obtain flux signals from a flux sensor; anddetermine the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the PPG signals and the flux signals.9.The device according to claim 8, further configured to:determine an index of blood vessel cross-sectional area based on the PPG signals;determine a blood flow index based on the flux signals;determine arterial compliance based on the flux signals and the PPG signals; anddetermine the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the index of blood vessel cross-sectional area, the blood flow index and the arterial compliance.10.The device according to claim 8, further configured to:estimate indices of blood vessel cross-sectional area, tissue oxygenation, arterial oxygenation, blood and hemoglobin content based on the PPG signals;determine indices of blood flow, blood velocity, and concentration of moving red blood cells based on the flux signals;determining arterial compliance based on the flux signals and the PPG signals; anddetermine the arterial blood pressure waveform or the systolic and diastolic blood pressure based on the cardiovascular and hemodynamic indices obtained partly from the PPG signals and flux signals.11.The device according to claim 9 or 10, further configured to:determine first pulse wave analysis, PWA, features based on the PPG signals;determine second PWA features based on the flux signals; anddetermine the arterial blood pressure waveform or the systolic and diastolic blood pressure based at least in part on the first PWA features and the second PWA features.12.The device according to any of claims 8 -11, further configured to:apply at least one trained machine learning model in determining the arterial blood pressure waveform or the systolic and diastolic blood pressure, the at least one trained machine learning model being trained based at least in part on PPG signals, flux signals and blood pressure reference measurements.13.The device according to claim 12, wherein the at least one trained machine learning model comprises a physics-informed neural network, PINN, based on the mathematical models of blood flow in human vascular system.14.The device according to any of claims 8 –13, wherein the flux sensor comprises a laser Doppler flowmeter, LDF, sensor, a dynamic light scattering, DLS, sensor, a speckle plethysmography, SPG, sensor, a diffusion correlation spectroscopy, DCS, sensor, a laser speckle contrast image, LCSI, sensor, or a laser Doppler perfusion imaging, LDPI, sensor.15.The device according to any of claims 8 –14, wherein the device comprises the PPG sensor and the flux sensor.16.A wearable device comprising a device according to any of claims 8 –15.17.A computer program comprising program code configured to cause performance of the method according to any of claims 1 -7, when the computer program is executed on a computer.

Images