基于Elman神经网络的云端连续血压测量方法及系统技术方案

本发明专利技术公开了基于Elman神经网络的云端连续血压测量方法和系统，包括步骤：S1、测量获得被测者的实时的脉搏波信号；S2、对脉搏波信号进行去噪处理；S3、对去噪后的脉搏波信号进行特征点提取；S4、将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，进行采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值。本发明专利技术基于Elman神经网络，可以准确的预测出血压值，具有较好的准确性和稳定性，可广泛应用于血压测量行业中。

Cloud continuous blood pressure measuring method and system based on Elman neural network

The invention discloses a Elman neural network cloud based on continuous blood pressure measurement method and system, comprising the steps of: S1, was measured by real time measurement of pulse wave signal; denoising of the pulse wave signal, S2; S3, feature extraction of the denoised signal, pulse wave; S4 the extraction of pulse wave signal to obtain the feature points as the input of Elman neural network, using Elman neural network model trained on blood pressure predicted, will obtain the predictive value as a continuous blood pressure measurement. The invention can accurately predict the blood pressure value based on the Elman neural network, has better accuracy and stability, and can be widely applied to the blood pressure measuring profession.

【技术实现步骤摘要】
基于Elman神经网络的云端连续血压测量方法及系统
本专利技术涉及血压测量领域，特别是涉及基于Elman神经网络的云端连续血压测量方法及系统。
技术介绍
名词解释：SBP：SystolicBloodPressure，收缩压；DBP：DiastolicbloodPressure，舒张压。血压是血液在血管内流动时作用于血管壁的压力，它是推动血液在血管内流动的动力。心室收缩时，血液从心室流入动脉，此时血液对动脉的压力最高，称为收缩压。心室舒张，动脉血管弹性回缩，血液仍慢慢继续向前流动，但血压下降，此时的压力称为舒张压。血压是反映人体心血管系统机能的重要生理参数，在医疗上，对于手术中的危重病人要通过血压来反映病人的生命体征；在家庭保健上，对于被测者的心血管疾病的预防也起着至关重要的作用。然而，目前临床上所采用的血压测量方式主要以间歇式为主，由于血压的波动每时每刻都在发生变化，因此连续血压测量方法在临床医疗和家庭保健上都有重要的意义。目前在连续血压的测量方法上，可以分为无创和有创两种方法。有创连续血压测量方法测量精度高，但是由于其操作复杂受测者易感染等因素，不能够得到业界的普遍认可。在无创连续血压的测量方法中，又可分为脉搏波传播速度法(PWV)和脉搏波特征参数法。脉搏波传播速度法：由一路心电信号和一路脉搏信号得出，通过计算出心电峰值点与脉搏波峰值点之间的传播时间，进而得到脉搏的传播速度(PWV)，再通过得到的PWV建立起一个线性血压回归方程，最终实现对血压的连续估计。该种方法由于从血容积描记(PPG)信号获得的血压与脉搏速度之间的关系非线性，因此在进行血压的实时测量的过程中计算误差比较大。脉搏波特征参数法：即从每个脉搏波动周期中提取出相应的特征点，如脉搏波降中峡的相对高度(h/H)、重搏波的相对高度(g/H)、收缩期时间、舒张期时间等，通过对以上所得到的特征进行回归分析最终建立起回归方程实现对血压的连续测量。该种方法只是应用了特定时刻的特征点与该时刻血压所存在的对应关系，忽略了其上一时刻脉搏特征对当前血压的影响，因此并没有实现真正意义上的血压预测。因此，总的来说，目前的血压测量方法无法较为准确的测量获得连续血压测量值。
技术实现思路
为了解决上述的技术问题，本专利技术的目的是提供基于Elman神经网络的云端连续血压测量方法，本专利技术的另一目的是提供基于Elman神经网络的云端连续血压测量系统。本专利技术解决其技术问题所采用的技术方案是：基于Elman神经网络的云端连续血压测量方法，包括步骤：S1、测量获得被测者的实时的脉搏波信号；S2、对脉搏波信号进行去噪处理；S3、对去噪后的脉搏波信号进行特征点提取；S4、将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，进行采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值。进一步，还包括以下的神经网络训练步骤：S01、同步测量获得多个被测者的实时的脉搏波信号和血压值信号；S02、对脉搏波信号进行去噪处理；S03、对去噪后的脉搏波信号进行特征点提取；S04、将特征点与血压值信号的血压值建立实时对应关系；S05、建立Elman神经网络，并将脉搏波信号的特征点作为神经网络的训练集的输入值，将血压值作为神经网络的训练集的输出值；S06、对神经网络进行训练优化，直到训练参数满足预设条件后，获得训练好的神经网络训练模型。进一步，所述步骤S02，其具体包括：S021、采用基于中值滤波方法去除脉搏波信号的基线漂移干扰；S022、采用FIR滤波器去除脉搏波信号的高频噪声。进一步，所述步骤S03，其具体包括：S031、采用三次样条插值法对去噪后的脉搏波信号进行插值处理；S032、采用差分阈值法对插值处理后的脉搏波信号进行特征点提取。进一步，所述Elman神经网络由输入矩阵、输入层、隐含层、上下文层、输出层和输出矩阵组成，所述步骤S06，其具体包括：S061、分别设定Elman神经网络的阈值以及上下文层到隐含层、输入层到隐含层、隐含层到输出层之间的权值；S062、获取训练集中的输入值作为神经网络的输入矩阵；S063、根据神经网络各层之间的权值和神经网络的输入矩阵，依次计算输入层的输出、隐含层的输出、上下文层的输出；S064、计算获得神经网络的输出矩阵；S065、计算输出矩阵与训练集中对应的输出值之间的误差函数值，并根据预设的误差阈值和步长阈值判断是否满足预设条件，若是，则将当前神经网络模型作为训练好的神经网络模型，反之，对神经网络进行权值更新和阀值更新后，返回步骤S063重新训练。进一步，所述预设条件为误差函数值不大于预设的误差阈值或训练步长不小于预设的步长阈值。本专利技术解决其技术问题所采用的另一技术方案是：基于Elman神经网络的云端连续血压测量系统，包括手机终端模块、终端服务器模块、用于采集被测者的脉搏波信号的脉搏信号采集模块和用于采集被测者的血压值信号的血压采集模块，所述血压采集模块与终端服务器模块连接，所述手机终端模块用于对脉搏波信号进行实时显示并对其进行去噪处理和特征点提取，所述终端服务器模块用于将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，并采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值，并将连续血压测量值返回到手机终端模块进行显示。进一步，所述脉搏信号采集模块包括反射式光电脉搏传感器。进一步，所述血压采集模块采用无线袖带血压计，所述无线袖带血压计与手机终端模块之间通过无线通信方式连接。进一步，所述终端服务器模块还用于获取多个被测者的脉搏波信号的特征点和血压值信号后，进行如下的训练步骤：将脉搏波信号的特征点与血压值信号的血压值建立实时对应关系；建立Elman神经网络，并将脉搏波信号的特征点作为神经网络的训练集的输入值，将血压值作为神经网络的训练集的输出值；对神经网络进行训练优化，直到训练参数满足预设条件后，获得训练好的神经网络训练模型。本专利技术的有益效果是：本专利技术的基于Elman神经网络的云端连续血压测量方法，包括步骤：S1、测量获得被测者的实时的脉搏波信号；S2、对脉搏波信号进行去噪处理；S3、对去噪后的脉搏波信号进行特征点提取；S4、将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，进行采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值。本方法基于Elman神经网络，可以准确的预测出血压值，具有较好的准确性和稳定性。本专利技术的另一有益效果是：基于Elman神经网络的云端连续血压测量系统，包括手机终端模块、终端服务器模块、用于采集被测者的脉搏波信号的脉搏信号采集模块和用于采集被测者的血压值信号的血压采集模块，所述血压采集模块与终端服务器模块连接，所述手机终端模块用于对脉搏波信号进行实时显示并对其进行去噪处理和特征点提取，所述终端服务器模块用于将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，并采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值，并将连续血压测量值返回到手机终端模块进行显示。本系统基于Elman神经网络，可以准确的预测出血压值，具有较好的准确性和稳定性。附图说明下面结合附图和实施例对本专利技术作进一本文档来自技高网...

【技术保护点】
基于Elman神经网络的云端连续血压测量方法，其特征在于，包括步骤：S1、测量获得被测者的实时的脉搏波信号；S2、对脉搏波信号进行去噪处理；S3、对去噪后的脉搏波信号进行特征点提取；S4、将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，进行采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值。

【技术特征摘要】
1.基于Elman神经网络的云端连续血压测量方法，其特征在于，包括步骤：S1、测量获得被测者的实时的脉搏波信号；S2、对脉搏波信号进行去噪处理；S3、对去噪后的脉搏波信号进行特征点提取；S4、将提取获得的脉搏波信号的特征点作为Elman神经网络的输入，进行采用训练好的Elman神经网络模型对血压值进行预测，将获得的预测值作为连续血压测量值。2.根据权利要求1所述的基于Elman神经网络的云端连续血压测量方法，其特征在于，还包括以下的神经网络训练步骤：S01、同步测量获得多个被测者的实时的脉搏波信号和血压值信号；S02、对脉搏波信号进行去噪处理；S03、对去噪后的脉搏波信号进行特征点提取；S04、将特征点与血压值信号的血压值建立实时对应关系；S05、建立Elman神经网络，并将脉搏波信号的特征点作为神经网络的训练集的输入值，将血压值作为神经网络的训练集的输出值；S06、对神经网络进行训练优化，直到训练参数满足预设条件后，获得训练好的神经网络训练模型。3.根据权利要求2所述的基于Elman神经网络的云端连续血压测量方法，其特征在于，所述步骤S02，其具体包括：S021、采用基于中值滤波方法去除脉搏波信号的基线漂移干扰；S022、采用FIR滤波器去除脉搏波信号的高频噪声。4.根据权利要求2所述的基于Elman神经网络的云端连续血压测量方法，其特征在于，所述步骤S03，其具体包括：S031、采用三次样条插值法对去噪后的脉搏波信号进行插值处理；S032、采用差分阈值法对插值处理后的脉搏波信号进行特征点提取。5.根据权利要求2所述的基于Elman神经网络的云端连续血压测量方法，其特征在于，所述Elman神经网络由输入矩阵、输入层、隐含层、上下文层、输出层和输出矩阵组成，所述步骤S06，其具体包括：S061、分别设定Elman神经网络的阈值以及上下文层到隐含层、输入层到隐含层、隐含层到输出层之间的权值；S062、获取训练集中的输入值作为神经网络的输入矩阵；S063、根据神经网络各层之间的权值和神经网络的输入矩阵，依...

【专利技术属性】
技术研发人员：司玉娟，王月猛，刘立勋，郎六琪，于靖涛，
申请(专利权)人：吉林大学，吉林大学珠海学院，
类型：发明
国别省市：吉林,22