[发明专利]无袖式血压测量方法、系统、设备及存储介质

权利要求书

1.一种无袖式血压测量系统，其特征是，包括：

获取模块，其被配置为：获取待处理的光电容积脉搏波信号；

预处理模块，其被配置为：对待处理的光电容积脉搏波信号进行预处理；

特征提取模块，其被配置为：对预处理后的信号进行特征提取，提取波形轮廓特征和时域特征，具体包括：心动周期、收缩间期、舒张间期、脉冲面积；

光电容积脉搏波信号振幅为10％的舒张期内的时间间隔、光电容积脉搏波信号振幅为10％的舒张期内的时间间隔与光电容积脉搏波信号振幅为10％的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为10％的舒张期内的时间间隔与光电容积脉搏波信号振幅为10％的收缩期内的时间间隔的比值；

光电容积脉搏波信号振幅为25％的舒张期内的时间间隔、光电容积脉搏波信号振幅为25％的舒张期内的时间间隔与光电容积脉搏波信号振幅为25％的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为25％的舒张期内的时间间隔与光电容积脉搏波信号振幅为25％的收缩期内的时间间隔的比值；

光电容积脉搏波信号振幅为33％的舒张期内的时间间隔、光电容积脉搏波信号振幅为33％的舒张期内的时间间隔与光电容积脉搏波信号振幅为33％的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为33％的舒张期内的时间间隔与光电容积脉搏波信号振幅为33％的收缩期内的时间间隔的比值；

光电容积脉搏波信号振幅为50％的舒张期内的时间间隔、光电容积脉搏波信号振幅为50％的舒张期内的时间间隔与光电容积脉搏波信号振幅为50％的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为50％的舒张期内的时间间隔与光电容积脉搏波信号振幅为50％的收缩期内的时间间隔的比值；

光电容积脉搏波信号振幅为66％的舒张期内的时间间隔、光电容积脉搏波信号振幅为66％的舒张期内的时间间隔与光电容积脉搏波信号振幅为66％的收缩期内的时间间隔的求和结果、光电容积脉搏波信号振幅为66％的舒张期内的时间间隔与光电容积脉搏波信号振幅为66％的收缩期内的时间间隔的比值；

特征筛选模块，其被配置为：对特征提取得到的特征，采用随机森林算法进行最优特征筛选，得到最优特征子集，具体包括：

(1)获取特征全集构成的数据集S；

(2)计算随机森林中每个特征变量的重要性并按照降序排序；

(3)确定删除比例，从当前特征变量中删除相对不重要的指标，然后得到一个新的特征集；

(4)用新的特征集建立新的随机森林，重复步骤(2)～(3)，直至剩下m个特征；

(5)根据前面步骤得到每个特征集和它们建立起来的随机森林，计算对应的袋外误差率OOB err，将袋外误差率最低的特征集作为最优特征子集；

输出模块，其被配置为：将最优特征，输入到训练后的收缩压预测模型中，输出预测的收缩压；将最优特征，输入到训练后的舒张压预测模型中，输出预测的舒张压；

其中，训练后的收缩压预测模型，训练过程包括：构建第一训练集，所述第一训练集为已知收缩压值的光电容积脉搏波信号的最优特征子集，采用梯度提升决策树算法，建立收缩压预测模型，将第一训练集，输入到收缩压预测模型中，对收缩压模型进行训练，得到训练后的收缩压预测模型；训练后的舒张压预测模型，训练过程包括：构建第二训练集，所述第二训练集为已知舒张压值的光电容积脉搏波信号的最优特征子集，采用梯度提升决策树算法，建立舒张压预测模型，将第二训练集，输入到舒张压预测模型中，对舒张压模型进行训练，得到训练后的舒张压预测模型；

其中，采用梯度提升决策树算法，建立收缩压预测模型；将第一训练集，输入到收缩压预测模型中，对收缩压模型进行训练，得到训练后的收缩压预测模型，具体包括：

输入：训练集B＝{((x_i，y_i)(i＝1，2，…N))}，其中x_i代表第i个PPG样本经过特征选择由最优特征构成的特征向量，y_i是第i个样本对应的实际收缩压值，训练集样本数目为N；

对弱学习器进行初始化：

其中，最大迭代次数M，γ是使损失函数L最小化的常数，y_i是实际收缩压值且p(x_i)是预测值，损失函数L选取平方误差损失函数：

计算每个样本i＝1，2，…，N的负梯度：

将上一步计算的数据(x_i,γ_im)(i＝1,2,...N,m＝1,2,...M)作为下棵树的训练数据，得到一颗新的回归树f_m(x)，其对应的叶子节点区域为R_m,j，其中j＝1，2，…J，J为回归树m的叶子结点的个数；

对叶子区域j＝1，2，…J，计算最佳拟合值γ_mj：

更新强学习器f_m(x)：

得到强学习器f(x)：

强学习器f(x)即为训练后的收缩压预测模型。