[发明专利]一种基于不确定性度量的无袖带连续血压估计系统

说明书

本发明公开了一种基于不确定性度量方法的无袖带血压估计系统，属于信号处理领域，具体包括：信号采集模块，数据预处理模块，特征提取模块和血压估计模块。利用可穿戴设备采集ECG、PPG等生理信号，对信号进行预处理，提取PIR、PWHA等与动脉血压变化相关的生理指标，搭建基于证据回归思想的神经网络模型，在实现精确预测血压的同时度量预测的不确定性。证据回归过程无需采样，可直接训练模型输出证据分布的超参数，量化预测过程中的任意不确定性和认知不确定性。经过实例数据验证，模型推理速度更快，血压预测准确度较高；可输出预测的置信度，辅助决策，同时系统的可拓展性较强。

技术领域

本发明涉及无创连续血压测量领域，具体涉及一种基于不确定性度量的无袖带连续血压估计系统。

背景技术

高血压是心脑血管疾病的一大诱因，使用方便、准确且连续的血压测量设备对于高血压的早期发现、监测和治疗至关重要。传统的血压测量，需要充气式袖带(如基于柯氏音法或示波法的血压测量)，这种方式只能测得血压片段，且加压充气袖带会给患者带来不适。此外侵入性的直接测量方法(如动脉穿刺置管式的血压测量)有创且需要专业人员进行操作，仅适用于临床场景。

随着传感器和人工智能技术的发展，许多学者基于可穿戴设备获取的心电(Electrocardi-o gram，ECG)信号和光电容积脉搏波(Photoplethysmogram，PPG)信号，使用生理模型或神经网络方法对无袖带血压估计进行了广泛的研究。例如一些学者提出从ECG和PPG信号中提取诸如脉搏波传导时间(Pulse Transit Time,PTT)、PPG强度比(Photoplethysmogram Inte nsity Ratio,PIR)和脉搏波脉幅半宽(Pulse Wave HalfWidth,PWHA)等能够反映动脉血压变化的生理指标，建立生理机制模型，进而估测连续动脉血压。另有一些学者利用深度学习技术自动特征提取的特性，从ECG或PPG信号中自动提取特征信息，利用支持向量机(Suppor t Vector Machine,SVM)或长短时记忆(Long ShortTime Memory,LSTM)等网络训练深度模型，以估计动脉血压。

以上模型或方法已被证明具有良好的血压估测性能，然而由于存在模型不确定性的问题，无袖带血压估计的精度难以达到临床医学要求的标准。一方面，可穿戴设备在采集信号的过程中易受到噪声干扰，人群间也存在较强的个体差异性，使得用于训练模型的数据存在不确定性，即任意不确定性(Aleatoric Uncertainty)。另一方面，心血管系统存在高度的动态特性，影响血压变化的因素众多，研究者难以找到完全具备代表性的生理指标，以建立性能完备的血压估测模型，这使得模型的设计和训练存在不确定性，即认知不确定性(Epistemic Uncertainty)。此外，由于心血管系统存在高度的变异性，多数模型对于分布外(Out-of-Distribution，OOD)样本数据的预测性能减弱，用于生理监测时难以及时捕获异常生理状态。在自动驾驶、医学图像分割等众多领域中，推断神经网络模型预测的不确定性，为决策提供置信度，增强模型对分布外(Out-of-Distribution，OOD)样本数据的预测性能，确保决策的可靠性，这对于神经网络的广泛应用至关重要。