[发明专利]一种基于同步信号进行血压预测的方法和装置

说明书

本发明实施例涉及一种基于同步信号进行血压预测的方法和装置，所述方法包括：获取PPG信号数据和与之同步的ECG信号数据；按数据采样频率阈值分别对PPG信号数据和ECG信号数据进行信号采样处理生成PPG、ECG一维数据序列；对PPG、ECG一维数据序列进行血压CNN输入数据融合处理生成输入数据四维张量；按卷积层数阈值利用血压CNN模型进行多层卷积池化计算生成特征数据四维张量；构建血压ANN输入数据二维矩阵；利用血压ANN模型进行特征数据回归计算生成血压回归数据二维矩阵；获取预测模式标识符；预测模式标识符为均值预测时生成均值血压预测数据对；预测模式标识符为动态预测时生成动态血压预测一维数据序列。

技术领域

本发明涉及电生理信号处理技术领域，特别涉及一种基于同步信号进行血压预测的方法和装置。

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。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压力计之类的外力上压检测方式，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。

发明内容

本发明的目的，就是针对现有技术的缺陷，提供一种基于同步信号进行血压预测的方法和装置，通过使用无创的随身信号采集设备对测试者进行无创的心电图(Electrocardiogram，ECG)信号和光体积变化描记图法(Photoplethysmography，PPG)信号的同步采集，并将获取到的ECG信号与PPG信号进行数据融合处理，再通过血压卷积神经网络(Convolutional Neural Network，CNN)模型和血压人工神经网络(Artificial NeuralNetwork，ANN)模型组成的血压预测模型对融合数据进行特征计算及血压数据回归计算从而推算出测试者血压数据，最后通过预测模式标识符的选择具体输出均值血压预测数据对(收缩压预测数据、舒张压预测数据)还是动态血压预测一维数据序列；通过本发明实施例，既避免了常规血压采集手段的繁琐和不适感，又产生了一种自动智能的数据分析方法，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基于同步信号进行血压预测的方法，其特征在于，所述方法包括：

获取光体积变化描记图法PPG信号数据和与之同步的心电图ECG信号数据；并按数据采样频率阈值，分别对所述PPG信号数据和所述ECG信号数据进行信号采样处理生成PPG一维数据序列和生成ECG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一维数据序列和所述ECG一维数据序列，进行血压CNN输入数据融合处理生成输入数据四维张量；

按卷积层数阈值，利用所述血压CNN模型对所述输入数据四维张量进行多层卷积池化计算生成特征数据四维张量；

根据所述特征数据四维张量进行血压人工神经网络ANN模型的输入数据二维矩阵构建操作生成输入数据二维矩阵；并利用所述血压ANN模型对所述输入数据二维矩阵进行特征数据回归计算生成血压回归数据二维矩阵；

获取预测模式标识符；所述预测模式标识符包括均值预测和动态预测两种标识符；

当所述预测模式标识符为所述均值预测时，对所述血压回归数据二维矩阵，进行均值血压计算操作生成均值血压预测数据对；所述均值血压预测数据对包括舒张压预测数据和收缩压预测数据；

当所述预测模式标识符为所述动态预测时，对所述血压回归数据二维矩阵，进行动态血压数据提取操作生成动态血压预测一维数据序列。

优选的，