[发明专利]一种血压预测方法和装置

说明书

本发明实施例涉及一种血压预测方法和装置，所述方法包括：根据信号采集时间阈值采集信号生成PPG信号数据；根据数据采样频率阈值对PPG信号数据采样生成PPG一维数据序列；根据输入数据长度阈值对PPG一维数据序列进行CNN输入数据转换生成输入数据四维张量；根据卷积层数阈值对输入数据四维张量进行PPG特征提取生成特征数据四维张量；对特征数据四维张量进行ANN输入数据转换生成特征数据二维矩阵；使用人口特征信息对特征数据二维矩阵进行数据补充生成输入数据二维矩阵；根据最终输出节点阈值对输入数据二维矩阵进行回归计算生成血压回归数据二维矩阵；根据预测模式标识符对血压回归数据二维矩阵进行血压预测处理。

技术领域

本发明涉及电生理信号处理技术领域，特别涉及一种血压预测方法和装置。

背景技术

心脏是人体血液循环的中心，心脏通过有规律的搏动产生血压，进而向全身供血完成人体的新陈代谢，血压是人体非常重要的生理信号之一。正常范围内的血压才能保证血液正常循环流动，许多因素共同作用下才能使血压保持正常，从而人体的各个器官与组织能获得足够的血量，进而保持人体正常运转。人体血压含有两个重要的数值：收缩压和舒张压，医学上通过这两个量来判断人体血压的正常与否。长期持续观测血压这两项参数，可以帮助人们对自身心脏健康状态有较为清晰的认识。但是，当下大多数传统的血压测量方式均采用有创的介入式测量法或者外力上压的压力计测量法，不仅操作繁琐，且容易引起被测者的不适，因此也就不能多次地使用以达到连续监测的目的。

光体积变化描记图法(Photoplethysmography，PPG)信号是利用光感传感器对特定光源的光强识别记录光强变化的一组信号。在心脏搏动时，对血管内单位面积的血流量形成周期性变化，与之对应的血液体积也相应发生变化，从而导致反映血液吸收光量的PPG信号也呈现周期性变化趋势。使用基于人工智能学习算法开发出的针对PPG信号的血压卷积神经网络(Convolutional Neural Network，CNN)模型从PPG信号的波形中提取出与血压显著相关的特征，使用血压人工神经网络(Artificial Neural Network，ANN)模型再对这些提取到的特征建立回归模型，最终可实现对血压的预测。考虑到血压与个体的性别、年龄、身高、体重、臂展宽度、包括身体质量指数(Body Mass Index，BMI)、体温、是否引用咖啡浓茶、是否运动后等人口统计学与状态特征信息密切相关，在血压预测网络的回归模型训练和推理过程汇总引入这些额外信息，可以帮助模型更好的学习和判断血压值。

发明内容

本发明的目的，就是针对现有技术的缺陷，提供一种血压预测方法和装置，首先使用PPG信号采集设备对测试对象进行数据采集，其次采用由血压CNN模型对PPG采集数据进行PPG-血压数据特征计算，再将测试对象的个体人口特征信息对特征数据进行特征补充，然后使用血压ANN模型对补充后的特征数据进行血压数据回归计算从而预测出测试对象的血压数据(舒张压、收缩压)；通过本发明实施例，既避免了常规测试手段的繁琐和不适感，又产生了一种结合测试对象个体特征的自动数据分析方法，从而使得应用方可以方便地对被测对象进行多次连续监测。

为实现上述目的，本发明实施例第一方面提供了一种血压预测方法，其特征在于，所述方法包括：

根据信号采集时间阈值，对测试对象进行光体积变化描记图法PPG信号采集处理生成PPG信号数据；根据数据采样频率阈值，对所述PPG信号数据进行信号采样处理生成PPG一维数据序列；

根据血压卷积神经网络CNN模型的输入数据长度阈值N，对所述PPG一维数据序列进行血压CNN模型输入数据转换处理生成输入数据四维张量；

根据卷积层数阈值，利用所述血压CNN模型对所述输入数据四维张量进行PPG特征提取计算，生成特征数据四维张量；并对所述特征数据四维张量进行血压人工神经网络ANN模型输入数据二维矩阵转换处理生成特征数据二维矩阵；