一种血压预测方法、装置和计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种血压预测方法，应用于无袖带血压测量，方法包括步骤：获取受试者的心电信号和光电容积脉搏波信号，并根据心电信号和光电容积脉搏波信号获取特征数据，通过第一模型根据特征数据获取受试者的预测收缩压SBP1和预测舒张压DBP1，通过第二模型根据特征数据预测受试者的收缩压误差ΔSBP和舒张压误差ΔDBP；根据预测收缩压和收缩压误差获取受试者的融合预测收缩压SBP,根据预测舒张压和舒张压误差获取受试者的融合预测舒张压DBP。本发明专利技术一并公开了相应的装置及计算机可读存储介质。储介质。储介质。

【技术实现步骤摘要】
一种血压预测方法、装置和计算机可读存储介质


[0001]本专利技术涉及可穿戴设备和医学测量领域，尤其涉及一种血压预测方法、装置、计算机可读存储介质。

技术介绍

[0002]血压是临床上作为诊断心血管疾病，尤其是高血压的主要依据，相较于传统的办公室血压测量，长期连续的动态血压监测具有重大临床价值，包括更准确的预测心血管风险事件、更合理地指导用药等。
[0003]连续动态血压监测对设备的便捷性和无扰性提出了更高的要求，目前应用最广泛的袖带式血压测量设备很难应用于可穿戴场景。而心电图 (electrocardiogram，ECG)和光电容积描记图(photoplethysmogram，PPG) 相对于连续血压更容易采集，因此，基于ECG和PPG的无袖带血压估计为连续血压监测提供了另一种思路。
[0004]目前无袖带血压监测的主要方法是构建生理模型或深度学习模型，其中，生理模型法主要基于脉搏波在血管中的传输理论和血管壁弹性与血压之间的关系等生理学原理构建血压估计模型，通常是血压与脉搏传导时间关系模型。一些专利与研究论文都曾提出过基于生理模型的无袖带血压测量方法，如某些专利文献公开了通过脉搏传导时间或者脉搏传导速度构建生理模型预测血压；某些论文公开了将光电容积描记图强度比(photoplethysmogramintensity ratio，PIR)与脉搏传导时间结合共同构建生理模型估计血压，一定程度上改善了血压估计精度。但生理模型的构建往往是理想化的，所设置的参数也是有限的，模型通常会因为过于简单而不能适应复杂场景，如喝水、走路等动态场景。
[0005]从ECG、PPG信号中提取特征并使用神经网络估计血压的机器/深度学习法也是近几年无袖带血压估计的主要方法。最近的几项研究中，有人在ECG、 PPG和BCG(ballistocardiogram)上直接提取特征，使用双向长短期记忆(Longshort
‑
term memory，LSTM)模型估计收缩压(SBP)和舒张压(DBP)，平均绝对误差(Mean Absolute Error，MAE)分别为5.82、5.24mmHg，但该项研究也仅限于静态场景，并无动态场景的测试结果。在某专利中使用短期、静态ECG、 PPG数据，提取特征后经人工神经网络预测SBP和DBP值，均方根误差(RootMean Square Error，RMSE)可达到6.11和4.70mmHg，但该项研究只针对整个群体做了估计值和测量值之间的相关系数的分析，并没有个体的相关系数数据，无法反映模型在每个个体上的血压变化趋势预测能力；且无动态场景，无法得知其动态场景性能。
[0006]直至今日，商业化的无袖带血压测量设备屈指可数，相关设备仅在静态场景下能满足AAMI血压测量标准。
[0007]可见，无论是基于生理模型法还是机器学习法的无袖带血压估计，目前都还不是最佳的无袖带式血压测量方法，性能缺陷一直限制其发展，尤其是在动态场景下。也就是说，现有的无袖带血压估计方法由于单纯采用生理模型法或机器学习法，存在无法在动态场景下准确预测血压的技术问题。

技术实现思路

[0008]为此，本专利技术提供了一种血压预测方法、装置及可读存储介质，以力图解决或者至少缓解上面存在的问题。
[0009]根据本专利技术的一个方面，提供一种血压预测方法，应用于无袖带血压测量，其中，方法包括步骤：获取受试者的心电信号和光电容积脉搏波信号，并根据心电信号和光电容积脉搏波信号获取特征数据；通过第一模型根据特征数据获取受试者的预测收缩压SBP1和预测舒张压DBP1；通过第二模型根据特征数据预测受试者的收缩压误差ΔSBP和舒张压误差ΔDBP；根据预测收缩压和收缩压误差获取受试者的融合预测收缩压SBP；根据预测舒张压和舒张压误差获取受试者的融合预测舒张压DBP。
[0010]可选的，在根据本专利技术的血压预测方法中，特征数据包括脉搏传导时间和光电容积脉搏波强度比，脉搏传导时间为同一心动周期内的心电信号R峰与光电容积脉搏波信号波峰之间的时间间隔，光电容积脉搏波强度比为同一心动周期内光电容积脉搏波信号的峰值和谷值之比。
[0011]可选的，在根据本专利技术的血压预测方法中，通过第一模型获取预测收缩压的计算公式为：
[0012][0013]预测舒张压的计算公式为：
[0014][0015]其中，DBP0为初始舒张压，PIR0为初始光电容积脉搏波强度比，PIR为光电容积脉搏波强度比，PP0为初始脉压差，PTT0为初始脉搏传导时间，PTT为脉搏传导时间。
[0016]可选的，在根据本专利技术的血压预测方法中，DBP0为初始校准舒张压或者是获取的前第一预定数量个舒张压的平均值，PIR0为初始校准光电容积脉搏波强度比或者是前第一预定数量个电容积脉搏波强度比的平均值，PP0为初始校准脉压差或者是前第一预定数量个脉压差的平均值，PTT0为初始校准脉搏传导时间或者是前第一预定数量个脉搏传导时间的平均值。
[0017]可选的，在根据本专利技术的血压预测方法中，第二模型为机器学习模型，机器学习模型包括决策树、支持向量机、卷积神经网络、循环神经网络以及长短期记忆网络中的至少一种。
[0018]可选的，在根据本专利技术的血压预测方法中，第二模型为深度神经网络，深度神经网络包括依次相连的第一卷积层、第二卷基层、池化层、第一LSTM层、第二LSTM层、第一全连接层、第二全连接层、丢弃层。
[0019]可选的，在根据本专利技术的血压预测方法中，机器学习模型的训练方法包括：收集训练样本，训练样本包括当前心动周期及与当前心动周期连续的前第二预定数量个心动周期的脉搏传导时间、光电容积脉搏波强度比、收缩压误差以及舒张压误差；将训练样本输入机器学习模型进行训练；当机器学习模型收敛或达到最大迭代次数时结束训练，获得训练好的机器学习模型。
[0020]可选的，在根据本专利技术的血压预测方法中，特征数据包括幅值特征数据和时间特
征数据，其中，幅值特征数据包括第一幅值、第二幅值、第一面积比、第三幅值、第四幅值、第五幅值、第六幅值、第七幅值、第二幅值比、第三幅值比中的至少一个，第一幅值为光电容积脉搏波信号直流分量振幅，第二幅值为光电容积脉搏波信号交流分量振幅，第一面积比为光电容积脉搏波信号波谷和其重搏切迹(dicrotic notch)之间的阴影面积与重搏切迹和下一拍光电容积脉搏波信号波谷之间的阴影面积之比，第三幅值为光电容积脉搏波信号一阶导数的最正峰的振幅，第四幅值为光电容积脉搏波信号一阶导数的最负峰的振幅，第五幅值为光电容积脉搏波信号二阶导数的最正峰的振幅，第六幅值为光电容积脉搏波信号二阶导数的最负峰的振幅，第七幅值为光电容积脉搏波信号二阶导数的第二正峰的振幅，第二幅值比为同一心动周期光电容积脉搏波信号二阶导数的最负峰振幅与光电容积脉搏波信号二阶导数的最正峰振幅的比值，第三幅值比为同一心动周期光电容积脉搏波信号二阶导数的第二正峰振幅与光电容积脉搏波信号二阶导数的最正峰振幅；时间特征数据包括第一时间间隔、第一时间间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种血压预测方法，应用于无袖带血压测量，其中，所述方法包括步骤：获取受试者的心电信号和光电容积脉搏波信号，并根据所述心电信号和光电容积脉搏波信号获取特征数据；通过第一模型根据所述特征数据获取所述受试者的预测收缩压SBP1和预测舒张压DBP1；通过第二模型根据所述特征数据预测所述受试者的收缩压误差ΔSBP和舒张压误差ΔDBP；根据所述预测收缩压和所述收缩压误差获取所述受试者的融合预测收缩压SBP；根据所述预测舒张压和所述舒张压误差获取所述受试者的融合预测舒张压DBP。2.如权利要求1所述的方法，其中，所述特征数据包括脉搏传导时间和光电容积脉搏波强度比，所述脉搏传导时间为同一心动周期内的心电信号R峰与光电容积脉搏波信号波峰之间的时间间隔，所述光电容积脉搏波强度比为同一心动周期内光电容积脉搏波信号的峰值和谷值之比。3.如权利要求1或2所述的方法，其中，通过所述第一模型获取所述预测收缩压的计算公式为：所述预测舒张压的计算公式为：其中，SBP0为初始收缩压，DBP0为初始舒张压，PIR0为初始光电容积脉搏波强度比，PIR为光电容积脉搏波强度比，PP0为初始脉压差，PTT0为初始脉搏传导时间，PTT为脉搏传导时间。4.如权利要求3所述的方法，其中，所述DBP0为初始校准舒张压或者是获取的前第一预定数量个舒张压的平均值，所述PIR0为初始校准光电容积脉搏波强度比或者是前第一预定数量个电容积脉搏波强度比的平均值，所述PP0为初始校准脉压差或者是前第一预定数量个脉压差的平均值，所述PTT0为初始校准脉搏传导时间或者是前第一预定数量个脉搏传导时间的平均值。5.如权利要求1
‑
4中任意一项所述的方法，其中，所述第一模型为生理模型，所述第二模型为机器学习模型，所述机器学习模型包括决策树、支持向量机、卷积神经网络、循环神经网络以及长短期记忆网络LSTM中的至少一种。6.如权利要求5所述的方法，其中，所述第二模型为深度神经网络。7.如权利要求5或6所述的方法，其中，所述机器学习模型的训练方法包括：收集训练样本，所述训练样本包括当前心动周期及与所述当前心动周期连续的前第二预定数量个心动周期的脉搏传导时间、光电容积脉搏波强度比、收缩压误差以及舒张压误差；将所述训练样本输入所述机器学习模型进行训练；当所述机器学习模型收敛或达到最大迭代次数时结束训练，获得训练好的机器学习模型。
8.如权利要求1或2所述的方法，其中，所述特征数据包括幅值特征数据和时间特征数据，所述包括幅值特征数据包括第一幅值、第二幅值、第一面积比、第三幅值、第四幅值、第五幅值、第六幅值、第七幅值、第二幅值比、第三幅值比中的至少一个，所述第一...

【专利技术属性】
技术研发人员：郑亚莉，王日琛，
申请(专利权)人：深圳技术大学，
类型：发明
国别省市：