TWI551266B

TWI551266B - 動脈波分析方法及其系統

Info

Publication number: TWI551266B
Application number: TW102148975A
Authority: TW
Inventors: 丁川偉; 陳明彥
Original assignee: 財團法人工業技術研究院
Priority date: 2013-12-30
Filing date: 2013-12-30
Publication date: 2016-10-01
Also published as: US20150182140A1; TW201524465A; CN104739384A; CN104739384B

Description

動脈波分析方法及其系統

本揭露係有關一種動脈波分析方法及其系統，尤指一種能分析心血管系統狀態之動脈波分析方法及其系統。

心血管疾病為現代人主要疾病之一，如何有效評估心血管系統之狀態，一直以來是現代人不可忽視的課題之一。動脈波訊號是一種生理參數，主要透過量測心搏週期中身體受測部位之動脈血管與血液的變化所得，雖然動脈波訊號會受到心輸出量、動脈壁彈性、血液容量、外周小動脈和微動脈之血管阻力、血液黏稠度等生理因素影響，但由於動脈波訊號之分析及設備之操作安全及簡便，仍為評估心血管系統狀態的技術手段之一。

動脈波訊號可透過非侵入式的量測設備來取得連續性的動脈波訊號，隨著量測技術的進步，甚至能藉由行動裝置與其內建之感測器，如內建的攝影鏡頭與閃光燈，即可取得動脈波訊號，進而分析評估心率與心血管參數等生理健康資訊。然而，現今多數的非侵入式動脈波量測設備，例如壓力式的腕式血壓計、脈診儀，光學式的血氧機等，其量測時容易受到人為移動、人的姿態、周圍環境光、溫度等影響，而干擾量測之訊號品質，導致所取得的連續動脈波訊號產生偏差而形成非標準型態的動脈波訊號。此種非標準型態的動脈波訊號通常沒有很明顯的重搏切跡，或是動脈波訊號中出現多個波峰。

是以，如何提出一種能處理非標準形態的動脈波訊號之技術手段，為目前待解決之課題之一。

本揭露提供一種動脈波分析方法，其步驟包含：透過一動脈波量測設備取得一連續脈波訊號；將該連續脈波訊號區隔出複數個單一脈波；將該些單一脈波之至少一者進行一資料前處理步驟，以取得對應該些單一脈波之至少一者之非時間序列資料，其中，該非時間序列資料係將該些單一脈波之該至少一者以單位時間進行切割並轉換該些單一脈波之該至少一者之振幅的數值所形成；以及以一多模型建模演算法處理該些單一脈波之至少一者之非時間序列資料，以取得對應該些單一脈波之至少一者的至少一特徵點。

本揭露復提供一種動脈波分析系統，包含：訊號擷取單元，用以產生連續脈波訊號；以及運算單元，包含：脈波區隔模組，用以處理該連續脈波訊號，以將該連續脈波訊號區隔出複數個單一脈波；前處理模組，用以處理該些單一脈波之至少一者，以取得對應該些單一脈波之至少一者之非時間序列資料，其中，該非時間序列資料係該前處理模組將該些單一脈波之該至少一者以單位時間進行切割並轉換該些單一脈波之該至少一者之振幅的數值所形成；及多模型建模模組，用以處理該些單一脈波之至少一者之非時間序列資料，以取得對應該些單一脈波之至少一者的至少一特徵點。

20、31‧‧‧脈波

201‧‧‧起搏點

202、311‧‧‧主波峰

203‧‧‧重搏切跡

204、312‧‧‧重搏波峰

21、33‧‧‧第一高斯函數

22、34‧‧‧第二高斯函數

32‧‧‧非時間序列之脈波

331‧‧‧第一頂點

341‧‧‧第二頂點

6‧‧‧動脈波分析系統

61‧‧‧訊號擷取單元

62‧‧‧運算單元

621‧‧‧濾波模組

622‧‧‧脈波區隔模組

623‧‧‧前處理模組

624‧‧‧多模型建模模組

625‧‧‧指標計算模組

63‧‧‧顯示單元

S11至S14、S41至S46‧‧‧步驟

第1圖係為本揭露之一實施例之動脈波分析方法之流程圖；第2圖係為依據本揭露之一實施例之多模型建模演算法處理後取得脈波特徵點之示意圖；第3A、3B、3C圖係為依據本揭露之一實施例之動脈波分析方法之示意圖；第4圖係為本揭露之另一實施例之動脈波分析方法之流程圖；第5A、5B、5C圖係為依據本揭露之一實施例之資料前處理步驟處理脈波之示意圖；以及第6圖係為本揭露之動脈波分析系統之系統架構圖。

以下藉由特定之具體實施例加以說明本揭露之實施方式，而熟悉此技術之人士可由本說明書所揭示之內容輕易地瞭解本揭露之其他優點和功效，亦可藉由其他不同的具體實施例加以施行或應用。

第1圖係為本揭露之一實施例之動脈波分析方法之流程圖。於步驟S11中，透過動脈波量測設備取得一連續脈波訊號，其中，該動脈波量測設備係為血壓計、脈診儀、血氧機或攝影機，但本揭露並不以此為限。而動脈波量測設備可以是壓力式或是光學式，以分析身體特定部位的壓力變化或是組織光吸收度之差異，能得知所測部位之血管與血液體積之變化，進而將此資訊轉化成連續動脈波訊號。例如壓力式係採腕式脈壓帶、壓電感測器來擷取受測部位的壓力變化；光學式係將可見光或紅外光照射受測部位，再透過光電二極體擷取受測部位光線密度的變化。而近來更有以攝影機中的感光元件(CMOS或CCD)取代前述之光電二極體作為光感應器，來進行光密度變化的偵測。

如第2圖所示，連續脈波訊號的脈波20例如是動脈波，動脈波亦稱血壓波、動脈血壓波，血壓脈波等等，以下以動脈波作統一說明。動脈波具有能夠解讀出所代表意義之多個特徵點，如脈波20中的起搏點201(pacemaker)、主波峰202(percussion wave peak)、重搏切跡203(dicrotic notch)、重搏波峰204(dicrotic wave peak)等特徵點。起搏點201所代表的為整個動脈波之波形的起始點，亦指心臟舒張末期血管內的壓力與血液容積、心室射血期之起始點，心臟開始收縮，大量血液開始流入動脈。而且血管內容積與血流量突然的快速擴張，達射血期之終點時，會造成動脈波之波形急遽上升至主波峰202，亦即代表心臟收縮期之最大血液容積，血管壁急速擴張的狀態；主波峰202下降則代表血管內容積與血流量正逐漸減少，血管壁逐漸回縮至擴張前的狀態。重搏波峰204係為主波峰202下降時突出的一個明顯波，主要是血管內脈波之波動傳導至肢體末端時，反彈回來使得所量測之身體特定部位之動脈管壁會出現短暫血液容積變化現象的反彈波。在重搏波峰204與主波峰202之間的凹陷處，則為重搏切跡203，代表動脈靜壓排空時間，亦作為心臟收縮期與舒張期的分界點。而此些特徵點能夠作為心率與心血管參數等評估生理健康指標，例如二主波峰之間的時間間隔能視為心電圖(electrocardiogram,ECG)之心跳間期(RR intervals,RRI)序列，能進一步透過心率變異性(heart rate variability,HRV)分析得知使用者的生理狀態。亦可透過動脈波的型態，掌握使用者之心臟收縮能力、血管彈性、血液黏稠度與外周小動脈和微動脈之血管阻力等能夠反應心血管健康狀態的參數。

於步驟S11所取得之連續脈波訊號，其係由多個單一脈波所組成，要分析出至少一個單一脈波所代表之起搏點、主波峰、重搏切跡、重搏波峰等特徵點前，先將連續脈波訊號區隔出複數個單一脈波(步驟S12)，而區隔之方式係基於連續脈波訊號中的每一波谷或每一波峰作為切割點，來切割出每一個單一脈波，而每一個單一脈波能代表心臟每一次心跳律動所產生之脈波。

取得複數個單一脈波後，於步驟S13中，將該些單一脈波之至少一者進行一資料前處理步驟，經該資料前處理步驟後，能夠取得對應該些單一脈波之至少一者之非時間序列資料。詳言之，一般脈波的波形圖為一振幅隨時間變化的時間序列資料(time series data)，所顯示之橫軸通常代表時間，縱軸代表振幅。而所謂的非時間序列資料(non-time series data)，係將時間序列資料之脈波波形以單位時間之方式進行切割(或分組)成複數組資料，每一組資料分別對應振幅的數值，接著將每一組資料中原本縱軸所代表之振幅的數值轉換為代表次數，而使得時間序列資料型態之脈波波形，從振幅-時間之表示方式轉變成一種以組數-次數分配之表示方式的非時間序列資料。因此，非時間序列資料即是將時間序列資料排除以時間之表示方式的序列資料。於一實施型態中，該非時間序列資料可繪製成如直方圖(histogram)的表示方式，但本揭露並不以此為限。此外，進行資料前處理步驟僅需對該些單一脈波中的至少一者進行處理即可，本揭露並不限制資料前處理步驟必須一次性將該些單一脈波全部處理完，亦不限制每次處理的單一脈波之數量。資料前處理步驟也可以一次性將該些單一脈波全部處理完。

接著前往步驟S14，即可以一多模型建模演算法處理該些單一脈波之至少一者之非時間序列資料，以分析取得對應該些脈波之至少一者的至少一特徵點。詳言之，所謂多模型建模演算法係以高斯混合模型(Gaussian mixture model，GMM)來對該些單一脈波之至少一者之非時間序列資料進行處理。高斯混合模型是由多個高斯函數或高斯分佈依據不同的權重線性組合而成。於本揭露之一實施例中，高斯混合模型係包含至少二個以上之高斯函數，但本揭露並不以此為限。於本揭露之另一實施例中，多模型建模演算法亦可以複數個三角波模型來處理該些單一脈波之至少一者之非時間序列資料，或是以至少一高斯模型與至少一三角波模型之混合模型的方式，來處理該些單一脈波之至少一者之非時間序列資料，但本揭露並不以此為限。而高斯函數所繪製出的波形之特性值(如波峰位置)，即為脈波的特徵點，如主波峰、重搏波峰等。於一實施例中，以兩個高斯函數分別反應動脈波的主波峰及重搏波峰，如第2圖所示，脈波20即可以第一高斯函數21及第二高斯函數22所表示。而此第一高斯函數21、第二高斯函數22各別之平均值(即波峰位置)即可代表主波峰202及重搏波峰204之頂點，可作為脈波20的主波峰202及重搏波峰204的特徵點。另，三角波模型的特性值(如波峰位置)亦可為脈波的特徵點。此外，若採取高斯模型與三角波模型之混合模型的演算方式，則特徵點為個別高斯函數的特性值(例如為波峰位置)、三角波模型之特性值(例如為波峰位置)、混合模型中的高斯模型與三角波模型兩者波形之相交點、混合模型中的該高斯模型的特性值，或是混合模型中的該三角波模型之特性值。其中，上述之高斯函數的特性值可為平均值(mean)、標準差(standard deviation)、中位數(median)、眾數(mode)、極小值(minimum)、極大值(maximum)、變異量(variability)、偏態(skewness)、峰度(kurtosis)等統計量以對應至脈波的特徵點，另外三角波模型之特性值可為頂點、高度、寬度等統計量以對應至脈波的特徵點，且上述高斯模型與三角波模型兩者波形之相交點則可為上述高斯函數之特性值任一者與三角波模型之特性值之任一者所相交之處，或是該混合模型中的高斯模型或三角波模型之特性值，本揭露並不以此為限。此外，多模型建模演算法處理步驟僅需對該些單一脈波中的至少一者進行處理即可，本揭露並不限制多模型建模演算法步驟必須一次性將該些單一脈波全部處理完，亦不限制每次處理的單一脈波之數量。多模型建模演算法步驟也可以一次性將該些單一脈波全部處理完。

進一步參閱第3A、3B、3C圖所示，第3A圖即是單一個脈波31之示意圖。如第3B圖所示，脈波31經資料前處理步驟後即形成非時間序列之脈波32。而此一非時間序列之脈波32經多模型建模演算法處理後，可顯示出第一高斯函數33及第二高斯函數34來代表該非時間序列之脈波32(即等於第3A圖中脈波31)，而第一高斯函數33具有第一頂點331、第二高斯函數34具有第二頂點341，此第一頂點331及第二頂點341對應至非時間序列之脈波32(即等於第3A圖中脈波31)，找出第一頂點331及第二頂點341所在橫軸位置所對應的非時間序列之脈波32的縱軸數值，而能以該縱軸數值對應至脈波31中，進而找出脈波31的主波峰311及重搏波峰312兩個特徵點(如第3C圖所示)。藉由多模型建模演算法處理脈波之非時間序列資料，能夠有效的擷取出脈波的特徵點位置，進而能依據該些特徵點位置所代表的意義，進行生理狀態的分析，如評估心血管健康狀態等等。

於本揭露之另一實施例中，請參閱第4圖所示本揭露之另一實施例之動脈波分析方法之流程圖。在此所述之實施例與前述之實施例之部份步驟相同，詳細內容於此不再重複贅述。於步驟S41中，係先透過動脈波量測設備取得連續脈波訊號。而在將該連續脈波訊號進行處理之前，先進行濾波處理(步驟S42)，此一濾波處理之主要目的在於消除連續脈波訊號中非心血管狀態因素所產生之影響，而濾波處理可以是可消除低頻雜訊的高通濾波、可消除高頻雜訊的低通濾波或可消除特定頻段的帶通濾波。

於步驟S43中，將經過濾波處理後的連續脈波訊號進行切割，以區隔出複數個單一脈波。而區隔的方式係以連續脈波訊號之每一波谷或每一波峰來作為基準點進行區隔，產生複數個脈波。取得複數個單一脈波後，接下來在以多模型建模演算法處理該些單一脈波之至少一者之前，由於多模型建模演算法係用於非時間序列之分析，可以先將單一脈波此種包含時間的數據型態轉為可用於多模型建模之非時間序列之資料型態，即資料前處理步驟。資料前處理步驟包含步驟S44、S45。

請同時參閱第5A、5B、5C圖，第5A圖係為原始脈波之波形，橫軸為時間，縱軸為振幅。於步驟S44中，將該些單一脈波之至少一者之振幅的基線調整至正值，即是將第5A圖中的整個脈波之波形往上平行移動，使得脈波之振幅最小值不會小於零，如第5B圖所示。換言之，即是將第5A圖中的虛線往下移動而形成如第5B圖所示。接著至步驟S45，如第5C圖所示，將脈波以單位時間進行切割成複數組資料，每一時間點(即每一組)皆能對應一振幅之數值。接著將每一時間點所對應之振幅的數值轉換為以次數表示，如第5C圖所示之縱軸即以次數表示，轉換的方式可採放大振幅之數值的方式來進行，例如第5C圖之縱軸數據即是由第5B圖之縱軸數據所放大而來。但轉換的方式亦可採縮小振幅之數值的方式來進行，或是不進行振幅數值之轉換。詳言之，將每一時間點所對應之振幅的數值轉換為以次數表示的方式，可基於單一脈波的振幅特性而定。所謂的振幅特性，係指該脈波振幅之劇烈程度而言。當單一脈波的振幅特性不顯著時，即該脈波振幅並非劇烈地上下振盪，可採用放大振幅之數值的方式進行轉換，會更利於後續之分析；若單一脈波的振幅特性顯著，即該脈波振幅係劇烈地上下振盪，則可採用縮小振幅之數值的方式進行轉換，或是不轉換直接進行後續分析亦可，本揭露並不以此為限。

完成資料前處理步驟後，該些單一脈波之至少一者最後能以組數-次數之方式表示，而非以時間-振幅之方式表示，進而能重新繪製成非時間序列之資料型態，例如為直方圖(histogram)之資料分佈型態，但本揭露並不以此為限。如此一來，於步驟S46中，以多模型建模演算法處理該些單一脈波之至少一者之非時間序列資料，以取得對應該些單一脈波之至少一者的至少一特徵點，並可將該特徵點作進一步生理狀態檢測之用，其中，該特徵點係由起搏點、主波峰、重搏切跡及重搏波峰中之任一種或任二種以上所組合者，例如以多模型建模演算法採至少一高斯模型與至少一三角波模型之混合模型為例，特徵點係以該混合模型中的該高斯模型與該三角波模型之相交點作為重搏切跡、以該混合模型中的該高斯模型的特性值作為主波峰或重搏波峰、該混合模型中的該三角波模型之特性值作為主波峰或重搏波峰。因此，如以混合模型來取得特徵點，即能一次取得任一種或任二種以上所組合的特徵點，但本揭露並不以此為限。

不論是步驟S14或是步驟S46的多模型建模演算法，由於該多模型建模演算法係為機率式多模型，即疊加後的多模型函式滿足機率公設(Axioms of Probability)。滿足機率公設係指滿足其三大公設定理：(1)樣本空間之中的任一事件之機率為正實數或零；(2)每個樣本空間的機率為1；以及(3)樣本空間之中的事件A及事件B若為互斥，則事件A或者事件B發生的機率係為事件A及事件B之各自機率的合。而為了找出最逼近脈波之高斯函數，能透過最大概似度估測法(Maximum Likelihood)及期望最大演算法(Expectation Maximization)讓高斯混合模型進行收斂，收斂所需時間少，而能增加動脈波特徵點擷取之效率。然而最大概似度估測法及期望最大演算法亦可使用在三角波模型的收斂上，更可使用在高斯模型與三角波模型之混合模型中兩者個別函數之收斂上，本揭露並不以此為限。

本揭露更提供一種動脈波分析系統，請參閱第6圖所示，動脈波分析系統6包含訊號擷取單元61、運算單元62以及顯示單元63。該運算單元62包含濾波模組621、脈波區隔模組622、前處理模組623、多模型建模模組624及指標計算模組625。需說明的是，該些模組可包含軟體、硬體或前述之組合。軟體可例如為機械代碼、韌體、嵌入代碼、應用軟體或前述之組合，硬體可例如為電路、處理器、電腦、積體電路、積體電路核心或前述之組合。該訊號擷取單元61用以產生連續脈波訊號。具體而言，訊號擷取單元61可為血壓計、脈診儀、血氧機或攝影機，但本揭露並不以此為限。利用訊號擷取單元61來擷取受測體(如人類)之連續脈波訊號後，將該連續脈波訊號傳送至濾波模組621進行濾波後，以濾除雜訊並產生經濾波後之連續脈波訊號，其中，濾波模組621係以軟體進行可消除低頻雜訊的高通濾波、可消除高頻雜訊的低通濾波或可消除特定頻段的帶通濾波之處理，本揭露並不以此為限。將經濾波後之連續脈波訊號傳送至脈波區隔模組622進行處理，可將經濾波後之連續脈波訊號區隔出複數個單一脈波。該脈波區隔模組622主要係基於經濾波後之連續脈波訊號中每一脈波之波谷或波峰為基準，來區隔出複數個單一脈波。將區隔完成之該些單一脈波之至少一者傳送至前處理模組623進行處理，在將該些單一脈波之至少一者之振幅的基線調整至正值後，令該些單一脈波之至少一者以單位時間進行切割，並轉換該些單一脈波之至少一者之振幅的數值，如採放大或縮小振幅數值之方式來進行轉換，因此，所切割出每一時間點皆能對應一振幅數值轉換成的次數。據此，能將原本以時間-振幅之方式表示之單一脈波轉變成以組數-次數之方式表示，此即能形成對應單一脈波之非時間序列資料。於一實施型態中，非時間序列資料可為如直方圖(histogram)之資料分佈型態，但本揭露並不以此為限。而多模型建模模組624則是用以處理該些單一脈波之至少一者之非時間序列資料，以取得該些單一脈波之至少一者的至少一特徵點，其處理方法係以至少二高斯函數之高斯混合模型、複數個三角波模型，或是至少一高斯模型與至少一三角波模型之混合模型的方式，來處理該些單一脈波之至少一者之非時間序列資料。本揭露所述動脈波分析系統6內之各模組及單元所具備之功能及技術手段相同於前述動脈波分析方法，於此不再贅述。在動脈波分析系統6之多模型建模模組624取得脈波之特徵點後，可再經由指標計算模組625的計算，依據所取得之特徵點進行心血管健康狀態的評估，並可把評估結果透過顯示單元63(如螢幕)進行顯示。

藉由本揭露所提供之動脈波分析方法及其系統，能夠處理動脈波呈現單調遞減或動脈波呈現局部振盪等非標準型態的動脈波訊號，使得動脈波分析技術的適用範圍能夠增加，並從中辨別出動脈波訊號中每次心臟搏動時之波形的特徵點位置所在，以透過特徵點評估使用者之心血管健康狀態。此外，多模型建模演算法搭配最大概似度估測法及期望最大演算法，更可減少收斂高斯函數所需時間，大幅降低動脈波分析方法的處理時間，使其能廣泛地應用在動脈波訊號量測之設備上，更能提昇擷取動脈波特徵點之效率性且更精確地估測心血管健康狀態。

上述實施形態僅為例式性說明本揭露之技術原理、特點及其功效，並非用以限制本揭露之可實施範疇，任何熟習此技術之人士均可在不違背本揭露之精神與範疇下，對上述實施形態進行修飾與改變。然任何運用本揭露所教示內容而完成之等效修飾及改變，均仍應為下述之申請專利範圍所涵蓋。而本揭露之權利保護範圍，應如下述之申請專利範圍所列。

S11至S14‧‧‧步驟

Claims

一種動脈波分析方法，其步驟包含：透過一動脈波量測設備取得一連續脈波訊號；將該連續脈波訊號區隔出複數個單一脈波；將該些單一脈波之至少一者進行一資料前處理步驟，以取得對應該些單一脈波之該至少一者之非時間序列資料，其中，該非時間序列資料係將該些單一脈波之該至少一者以單位時間進行切割並轉換該些單一脈波之該至少一者之振幅的數值所形成；以及以一多模型建模演算法處理該些單一脈波之該至少一者之非時間序列資料，以取得對應該些單一脈波之該至少一者的至少一特徵點。
如申請專利範圍第1項所述之動脈波分析方法，其中，該資料前處理步驟在形成該非時間序列資料之前，更包含將該些單一脈波之該至少一者之振幅的基線調整至正值之步驟。
如申請專利範圍第2項所述之動脈波分析方法，其中，該些單一脈波之該至少一者之振幅的數值係採用放大數值或縮小數值之方式來進行轉換。
如申請專利範圍第1項所述之動脈波分析方法，其中，該多模型建模演算法係以至少一高斯模型與至少一三角波模型之混合模型、至少二高斯函數之高斯混合模型或複數個三角波模型的方式處理該些單一脈波之該至少一者之非時間序列資料。
如申請專利範圍第4項所述之動脈波分析方法，其中，該多模型建模演算法更包含最大概似度估測法及期望最大演算法，以收斂該至少一高斯模型與至少一三角波模型之混合模型、該至少二高斯函數之高斯混合模型或該些三角波模型。
如申請專利範圍第4項所述之動脈波分析方法，其中，該特徵點係對應該至少一高斯模型與至少一三角波模型之混合模型中的該至少一高斯模型與該至少一三角波模型之相交點、該至少一高斯模型與至少一三角波模型之混合模型中的該至少一高斯模型的特性值、該至少一高斯模型與至少一三角波模型之混合模型中的該至少一三角波模型之特性值、該至少二高斯函數之高斯混合模型中的該些高斯函數的特性值或該些三角波模型的特性值。
如申請專利範圍第1項所述之動脈波分析方法，該動脈波分析方法更包含取得該連續脈波訊號後將該連續脈波訊號進行一濾波處理之步驟，其中，該濾波處理係為高通濾波、低通濾波或帶通濾波。
如申請專利範圍第1項所述之動脈波分析方法，其中，該連續脈波訊號係基於該連續脈波訊號之每一波谷或每一波峰以區隔該些單一脈波。
如申請專利範圍第1項所述之動脈波分析方法，其中，該動脈波量測設備係為血壓計、脈診儀、血氧機或攝影機。
如申請專利範圍第1項所述之動脈波分析方法，其中，該特徵點係由起搏點、主波峰、重搏切跡及重搏波峰中之任一種或任二種以上所組合者。
一種動脈波分析系統，包含：訊號擷取單元，用以產生一連續脈波訊號；以及運算單元，包含：脈波區隔模組，用以處理該連續脈波訊號，以將該連續脈波訊號區隔出複數個單一脈波；前處理模組，用以處理該些單一脈波之至少一者，以取得對應該些單一脈波之該至少一者之非時間序列資料，其中，該非時間序列資料係該前處理模組將該些單一脈波之該至少一者以單位時間進行切割並轉換該些單一脈波之該至少一者之振幅的數值所形成；及多模型建模模組，用以處理該些單一脈波之該至少一者之非時間序列資料，以取得對應該些單一脈波之該至少一者的至少一特徵點。
如申請專利範圍第11項所述之動脈波分析系統，該運算單元更包含濾波模組，用以在該訊號擷取單元產生該連續脈波訊號後，接收該連續脈波訊號並進行濾波。
如申請專利範圍第11項所述之動脈波分析系統，其中，該前處理模組係先將該些單一脈波之該至少一者之振幅的基線調整至正值後，再形成該非時間序列資料。
如申請專利範圍第11項所述之動脈波分析系統，該運算單元更包含指標計算模組，用以依據該特徵點進行心血管健康狀態的評估，以產生評估結果。
如申請專利範圍第14項所述之動脈波分析系統，該動脈波分析系統更包含顯示單元，用以顯示該指標計算模組所產生之評估結果。