[发明专利]一种基于不确定性量化策略的可穿戴连续血压测量系统

权利要求书

1.一种基于不确定性量化策略的可穿戴连续血压测量系统，该系统包括：数据采集器、袖带血压计、数据预处理模块、特征提取模块、血压计算模块、血压显示模块；

所述数据采集器采集人体某一部位的反射光信号或压力信号，并同时采集心电信号；将采集到的所有信号传输给数据预处理模块；

所述袖带血压计获取人体脉搏血压并将血压传输给血压计算模块；

所述数据预处理模块将数据采集器采集到的所有信号进行虑噪和放大，然后将得到的反射光信号或压力信号转化为脉搏波；将预处理后的心电信号和转换得到的脉搏波信号传输给特征提取模块；

所述特征提取模块计算的特征包括：脉搏波最大上升沿与心电信号R波峰值间时间间隔PTT；脉搏波波峰与波谷强度之比的脉搏波强度比PIR；脉搏波半脉幅对应的时间宽度PWHA；再将计算得到的特征传输给血压计算模块；

所述血压计算模块包括：模型存储器、模型选择模块、

所述模型存储器中存储有7个模型分别为：

其中，SBP₀为初始校准收缩压、DBP₀为初始校准舒张压、MBP₀为初始校准平均血压，PIR₀为初始校准脉搏波强度比，PTT₀为初始校准脉搏波传播时间，γ为与血管状态相关的系数，a_Mi和b_Mi，i＝1,2,…,7分别为对应模型M1～M7的模型系数；

所述模型选择模块中的参数选择方法为：

步骤1：基于蒙特卡罗-马尔科夫链Metropolis-Hastings采样算法对各模型参数进行不确定性量化；对每个模型进行如下操作：

步骤1.1：初始化t，采样次数T；

步骤1.2：设置相关模型参数u＝(u₁,u₂,...,u_N)的值，并初始化参数序列初始状态Θ^(t)＝u，其中u为从均匀分布U(min,max)随机生成的N维数值，N为模型中不确定性参数的个数；

步骤1.3：重复以下的过程：

i.令t＝t+1；

ii.对每一维模型参数：i＝1,2,…,N；

iii.已知q(θ_i)服从均值为u_i方差为1的正态分布，其概率密度函数为：从q(θ_i|θ_i^(t-1))中生成一个新的候选状态θ_i^(*)，q(θ_i|θ_i^(t-1))为给定前一个状态θ_i^(t-1)下的当前状态θ_i的条件分布；设更新之前的整个向量为：则更新之后的向量为：

iv.计算接受概率：其中p(Θ)表示更新后参数向量Θ的概率；

v.从均匀分布U(0,1)中生成一个随机值a；

vi.如果a≤α，接受新生成的值：θ_i^(t)＝θ_i^(*)；否则：θ_i^(t)＝θ_i^(t-1)；

步骤1.4：直到t＝T；

步骤1.5：将上述采样得到的抽样参数序列Θ，代入对应的血压估测模型，选择产生最小估测误差的参数值作为最优模型参数；

步骤2：将袖带血压计获取人体脉搏血压作为初始校准血压即先验数据，通过基于贝叶斯理论的模型选择及模型组合理论，对模型形式进行不确定性量化，量化后的模型为多个模型的的组合；具体方法为：

步骤2.1：采用蒙特卡洛方法对K个备选模型的先验概率随机抽取N组样本数据P_i＝(P_i1,P_i2,...,P_iK),i＝1,2,...,N，其中P_ik∈[0,1],k＝1,2,...,K，且满足

步骤2.2：利用贝叶斯定理，针对每一组样本D，将步骤2.1产生的模型先验概率P(M_k)，更新得到模型的后验概率：

当设置模型先验概率P(M_k)服从均匀分布，即模型概率都相等，将上式简化为：

其中，P(D|M_k)为M_k的模型似然，其大小表示模型预测结果与实验数据D的接近程度，其表达式为：

其中，L为样本大小，M为单个样本数据长度，d_m为样本值，f(M_k)为估测模型M_k预测分布的均值；

步骤2.3：根据步骤2.2得到的模型后验概率作为权重对模型进行加权平均，得到贝叶斯组合模型的表达式，并确定贝叶斯组合预测分布：

其中表示贝叶斯组合模型的表达式，表示模型M_i的表达式，P(M_i|D)表示在已知一组实验数据D的情况下得到的模型M_i的后验概率；

步骤2.4：计算N组贝叶斯组合预测分布与参考血压间的平均绝对误差，将基于不同先验概率得到的N组平均绝对误差中最小一组的先验概率对应的模型或模型组合作为当前血压计算模型；

所述血压计算模块的方法为：根据模型选择模块确定的当前血压计算模型和不确定性参数，和初始校准血压及与初始校准血压同时测量得到的特征，计算当前血压；将计算出的血压输出血压显示模块。

2.如权利要求1所述的一种基于不确定性量化策略的可穿戴连续血压测量系统，其特征在于，所述血压计算模块中的模型选择模块的选择方法还可以为：

步骤2.1：设共有M个模型，对每个模型k，有未知的参数向量θ_k，模型先验概率为：且已知一组实验数据D，数据D的似然函数为f(D|θ_k,M＝k)，参数θ_k的先验为p(θ_k|M＝k)，伪先验为p(θ_k|M≠k)；

步骤2.2：赋初值：M^(t-1)＝k,θ_k^(t-1),上标t-1表示迭代次数；

步骤2.3：从中抽取表示给定数据D、第t-1次迭代中的模型M(即M^(t-1))和第t-1次迭代中除了模型k以外的其他模型的模型参数时θ_k的条件概率分布；

步骤2.4：从p(θ_k'≠k|M^(t-1)＝k)中抽取p(θ_k'≠k|M^(t-1)＝k)表示给定第t-1次迭代中模型k的条件下，的条件概率分布；

步骤2.5：由计算模型M_k的后验概率；

步骤2.6：重复以上步骤T次得到的样本，计算模型M＝k的后验估计为：

其中I(M^(t)＝k)为第k此迭代中，模型k的似然函数，相应的贝叶斯因子估计为：

步骤2.7：选取贝叶斯因子估计最大值对应的模型k为当前血压估计的模型。