CN113647924A - 基于鸿蒙操作系统的臂戴式血压仪 - Google Patents

Abstract

本发明提供一种基于鸿蒙操作系统的臂戴式血压仪，属于人工智能技术领域。包括：测量模块，包括袖带以及设置于袖带上的气囊、充气单元、放气单元、压力检测电路、柯氏音检测电路、脉搏波检测电路、第一处理器和第一无线通信单元；基于鸿蒙操作系统的移动智能设备，包括输入单元、第二处理器、第二无线通信单元；第一处理器根据第二处理器的控制信号，控制压力检测电路、柯氏音检测电路、充气单元和/或放气单元的运行；输入单元接收用户的控制输入，第二处理器根据控制输入生成控制信号；第二处理器利用深度学习模型、根据袖带压力信息、脉搏波信息和柯氏音信息确定动脉搏动过程中连续变化的血压。本发明检测精度高且能够获取实时连续的血压。

Description

基于鸿蒙操作系统的臂戴式血压仪

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于鸿蒙操作系统的臂戴式血压仪。

背景技术

目前常用的血压计的测量原理主要有以下两种：柯氏音法和袖带振荡波的比例系数法(也可以称为示波法或振荡法)，这两种都需要一个袖带气囊缠绕在胳膊上，用来充气加压，将压强加到收缩压以上，然后在放气泄压的过程中判断血压。柯氏音法包括人工柯氏音法和电子柯氏音法，人工柯氏音法需要有经验的医护人员采用听诊器、水银压力计及袖带、充/放气囊通过将袖带捆绑在受试者上臂的适当位置，以听诊器贴近肱动脉，以充/放气囊向袖带充气增加压力直到阻塞手臂的血液流动，然后通过充/放气囊逐步减低袖带压力以恢复手臂的血液流动，在这个过程中手臂的动脉血流脉动会产生一个由小到大，再由大到小的柯氏音变化，并可借助听诊器和水银压力计来听取柯氏音的变化以确定收缩压和舒张压。而电子柯氏音法的基本原理就是用电子技术代替人工，例如对袖带充气和放气用气泵、电控气门阀等来完成，听音用电子拾音器和处理器来完成。

袖带振荡波的比例系数法基本过程与柯氏音法极为相似，也通过袖带充气升压以阻塞手臂的血液流动，然后逐渐使袖带放气降压以恢复手臂的血液流动，然后逐渐使袖带放气降压以恢复手臂的血液流动，并监测袖带内的静态压力和因动脉血的脉动所产生的压力脉搏波，但计算方法是通过检测在放气过程手臂的动脉血流脉动变化传递到袖带内产生的压力脉搏波及其对应的袖带压力，可以检测到一组幅度从小到大，再由小到大的压力脉搏波及对应的由大到小的袖带压力，并以压力脉搏波的最大值所对应的袖带压力为平均压，再根据经验值的压力脉搏波的幅度比例系数来推算出收缩压和舒张压。

但是，人工柯氏音法对检测人员的要求比较高，否则很可能导致误差较大，不适用于家庭日常检测，电子柯氏音法易受外界其他声音的影响，不同人的脉搏强度也对测量结果有一定影响。而袖带振荡波的比例系数法，由于比例系数一般是经验值(通过大量实验得到)，会出现个体差异导致的误差。另外，柯氏音法测量得到的收缩压和舒张压为测量过程中两个时刻的血压，袖带振荡波的比例系数法是基于测量过程中的平均血压得到收缩压和舒张压，上述的两种方法都无法获取实时连续血压。

发明内容

因此，本发明实施例要解决的技术问题在于克服现有技术中的血压检测方法精度有限且无法获取实时连续血压的缺陷，从而提供一种基于鸿蒙操作系统的臂戴式血压仪。

为此，本发明提供一种基于鸿蒙操作系统的臂戴式血压仪，包括：

测量模块、基于鸿蒙操作系统的移动智能设备；

所述测量模块包括袖带以及设置于所述袖带上的气囊、充气单元、放气单元、压力检测电路、柯氏音检测电路、脉搏波检测电路、第一处理器和第一无线通信单元；所述移动智能设备包括输入单元、第二处理器、第二无线通信单元和显示单元；

所述充气单元、所述放气单元用于根据所述第一处理器的控制在血压检测过程中对所述气囊进行充气、放气；所述压力检测电路用于检测袖带压力信息，所述柯氏音检测电路用于检测柯氏音信息，所述脉搏波检测电路用于检测脉搏波信息，所述第一处理器通过所述第一无线通信单元将所述袖带压力信息、所述脉搏波信息和所述柯氏音信息发送至所述第二无线通信单元；所述第一处理器还根据所述第二处理器通过所述第二无线通信单元和所述第一无线通信单元传输过来的控制信号，控制所述压力检测电路、所述柯氏音检测电路、所述充气单元和/或所述放气单元的运行；

所述输入单元用于接收用户的控制输入，所述第二处理器用于根据所述控制输入生成所述控制信号并通过所述第二无线通信单元发送至所述第一无线通信单元，所述控制输入至少包括启动和停止；所述第二处理器还用于利用深度学习模型、根据所述第二无线通信单元接收到的所述袖带压力信息、脉搏波信息和所述柯氏音信息确定动脉搏动过程中连续变化的血压并在所述显示单元中显示连续的血压波形。

可选的，所述第二处理器根据所述柯氏音信息和所述脉搏波信息确定每一柯氏音与最近的脉搏波上升起点之间的时间间隔；将所述脉搏波信息以及所述柯氏音信息和所述袖带压力信息输入至所述深度学习模型的第一模型分支，将所述第一模型分支的输出以及所述时间间隔输入至所述深度学习模型的第二模型分支，并根据所述第二模型分支的输出确定动脉搏动过程中连续变化的血压。

可选的，所述第一模型分支包括第一神经网络组合和第二神经网络组合，所述第一神经网络组合的输入为所述脉搏波信息，所述第二神经网络组合的输入为所述柯氏音信息和所述袖带压力信息，所述第一神经网络组合和所述第二神经网络组合的输出加权求和得到所述第一模型分支的输出。

可选的，输入至所述第一神经网络组合的脉搏波信息是经过分段处理和预处理后的脉搏波信息；

所述分段处理采用滑动重叠采样策略，得到脉搏波信息段；

所述预处理包括对所述脉搏波信息段进行连续小波分解、去噪和解调处理，得到小波时频图；

所述第一神经网络组合包括卷积神经网络和循环神经网络，所述卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层和第二池化层；所述循环神经网络包括门控循环层、全连接层和识别层。

可选的，所述第一神经网络组合的权值序列损失函数为：

其中，x′_j＝x_j-max(x₁，…，x_m)，m为训练数据的条数，W_j为权值损失函数的权重，x_j为第j条训练数据的小波时频图矩阵。

可选的，所述第一神经网络组合包括深度降噪自动编码器和支持向量机，所述深度降噪自动编码器包括多层自动编码器，前一层自动编码器的隐藏层作为后一层自动编码器的输入层，每一层自动编码器的隐藏层各节点的值由输入层各节点值经线性加权连接求和输出到激励函数中计算得到；

输入至所述第一神经网络组合的所述脉搏波信息是经过变分模态分解处理后的脉搏波信息，经过变分模态分解处理用于将所述脉搏波信息分解至不同的频带，得到属于不同频带的模态分量。

可选的，输入所述第二神经网络组合的所述柯氏音信息和所述袖带压力信息为多个柯氏音信息段和与其时间段一致的袖带压力信息段，每个所述柯氏音信息段包括1/n个柯氏音，n为正整数；

所述第二神经网络组合包括深度置信神经网络和Light GBM网络；所述深度置信神经网络用于提取所述柯氏音信息段的特征信息，所述Light GBM网络根据所述柯氏音信息段的特征信息和所述袖带压力信息段确定对应的血压值；

所述深度置信神经网络的构建方法为：所述深度置信神经网络的构建方法为：堆叠d个受限玻尔兹曼机，对其中一种血压值对应的柯氏音信息段构建向量S，作为第一个受限玻尔兹曼机的显层神经元，通过无监督学习方法对S进行编码，输出向量Q1为柯氏音信息段第一次特征提取结果，构成隐层神经元；通过吉布斯采样和对比散度算法，采用大量无标签的柯氏音信息段训练集数据对所述深度置信神经网络进行训练，得到权重矩阵W1，以Q1作为下一个受限玻尔兹曼机的输入，重复上一步骤，进行柯氏音信息段的二次特征提取；经过d个受限玻尔兹曼机，得到最终的监测信号特征提取结果和深度置信网络的权重W＝{W1，W2，……Wd}。

可选的，所述第二模型分支包括Inception-v3神经网络和极限学习机；所述Inception-v3神经网络根据所述袖带压力值和所述柯氏音信息确定检测对象的收缩压和舒张压；所述极限学习机根据所述时间间隔、所述收缩压和所述舒张压对所述第一模型分支输出的血压值进行修正。

可选的，所述第二模型分支的输出为离散的血压值；所述第二处理器利用残差网络和预测滤波器对所述离散的血压值之间缺失的血压值进行预测；

所述残差网络的输入为所述离散的血压值，输出为所述预测滤波器的系数；

所述预测滤波器是通过以下公式进行预测：

其中，P(t)为t时刻的血压值，P′(t+t₀)为预测得到的(t+t₀)时刻的血压值，A(t₀，t+t₀)为(t+t₀)时刻对应的第t₀个系数，t₀＝-r，-r+1，…，r，r为所述预测滤波器的半径。

可选的，所述血压仪还包括心率检测单元和/或呼吸检测单元；

所述第二模型分支的输入还包括第一心率信息和第二心率信息，和/或，第一呼吸频率和第二呼吸频率；

所述第一心率信息为检测对象平静状态下的心率信息，所述第二心率信息为检测过程中所述心率检测单元检测到的心率信息；

所述第一呼吸频率为检测对象平静状态下的呼吸频率，所述第二呼吸频率为检测过程中所述呼吸检测单元检测到的呼吸频率信息。

本发明实施例的技术方案，具有如下优点：

本发明实施例提供的基于鸿蒙操作系统的臂戴式血压仪同时根据脉搏波信息和柯氏音信息来确定检测对象的血压，提升了检测精度。而且，该血压仪可以连续无间歇地测量血压，可以提供动脉搏动过程中连续的动脉压力波形，更加准确地反应检测对象的血压情况。另外，由于上述测量模块和移动智能设备是无线通信连接，因此该移动智能终端可以是独立的，例如可以由智能手机或平板电脑结合相应的应用程序(APP)实现，降低用户的购买成本。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中基于鸿蒙操作系统的臂戴式血压仪的一个具体示例的结构示意图；

图2为本发明实施例中测量模块的一个具体示例的原理框图；

图3为本发明实施例中移动智能设备的一个具体示例的原理框图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通；可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

本实施例提供一种基于鸿蒙操作系统的臂戴式血压仪，如图1、图2和图3所示，包括：测量模块1、基于鸿蒙操作系统的移动智能设备2；

所述测量模块1包括袖带11以及设置于所述袖带11上的气囊(图中未示出)、充气单元12、放气单元13、压力检测电路14、柯氏音检测电路15、脉搏波检测电路16、第一处理器17和第一无线通信单元18；所述移动智能设备2包括输入单元21、第二处理器22、第二无线通信单元23和显示单元24；

其中，充气单元12、放气单元13、压力检测电路14、柯氏音检测电路15、脉搏波检测电路16、第一处理器17和第一无线通信单元18在袖带11的具体布局可根据检测需要和器件尺寸形状等因素确定，图中未具体示出。

所述充气单元12、所述放气单元13用于根据所述第一处理器17的控制在血压检测过程中对所述气囊进行充气、放气；所述压力检测电路14用于检测袖带压力信息，所述柯氏音检测电路15用于检测柯氏音信息，所述脉搏波检测电路16用于检测脉搏波信息，所述第一处理器17通过所述第一无线通信单元18将所述袖带压力信息、所述脉搏波信息和所述柯氏音信息发送至所述第二无线通信单元23；所述第一处理器17还根据所述第二处理器22通过所述第二无线通信单元23和所述第一无线通信单元18传输过来的控制信号，控制所述压力检测电路14、所述柯氏音检测电路15、所述充气单元12和/或所述放气单元13的运行；

所述输入单元21用于接收用户的控制输入，所述第二处理器22用于根据所述控制输入生成所述控制信号并通过所述第二无线通信单元23发送至所述第一无线通信单元18，所述控制输入至少包括启动和停止；所述第二处理器22还用于利用深度学习模型、根据所述第二无线通信单元23接收到的所述袖带压力信息、脉搏波信息和所述柯氏音信息确定动脉搏动过程中连续变化的血压并在所述显示单元24中显示连续的血压波形。

也即是说，所述第二处理器22可以获取检测过程中实时变化的血压，并非只能显示检测过程中某一时刻或几个时刻的血压。

具体的，所述第一无线通信单元18和所述第二无线通信单元23可以是近场通信单元，也即所述第一无线通信单元18和所述第二无线通信单元23可以实现近场通信。所述检测模块还包括电源，例如电池等。输入单元21可以包括按键和/或触控屏。触控屏同时还可以作为所述显示单元24。充气单元12包括电动充气泵。所述压力检测电路14可以包括电容式压力传感器，其可以设置在气囊内或气囊的连通口处，作用是把气压的变化转化为电容器容量的变化。柯氏音检测电路15可以包括拾音器。

本实施例提供的基于鸿蒙操作系统的臂戴式血压仪同时根据脉搏波信息和柯氏音信息来确定检测对象的血压，提升了检测精度。而且，该血压仪可以连续无间歇地测量血压，可以提供动脉搏动过程中连续的动脉压力波形，更加准确地反应检测对象的血压情况。另外，由于上述测量模块1和移动智能设备2是无线通信连接，因此该移动智能终端可以是独立的，例如可以由智能手机或平板电脑结合相应的应用程序(APP)实现，降低用户的购买成本。

可选的，所述第二处理器22根据所述柯氏音信息和所述脉搏波信息确定每一柯氏音与最近的脉搏波上升起点之间的时间间隔；将所述脉搏波信息以及所述柯氏音信息和所述袖带压力信息输入至所述深度学习模型的第一模型分支，将所述第一模型分支的输出以及所述时间间隔输入至所述深度学习模型的第二模型分支，并根据所述第二模型分支的输出确定动脉搏动过程中连续变化的血压。

具体的，一次放气检测中，每一柯氏音与最近的脉搏波上升起点之间的时间间隔不同，第一次出现的柯氏音对应的时间间隔最长，后面的柯氏音对应的时间间隔越来越短。

针对单独基于柯氏音的血压测量方法和单独基于脉搏波的血压测量方法都需要跨域多次动脉搏动，无法获取每次搏动过程中连续的血压。本实施例中基于脉搏波信息和柯氏音信息估计多次搏动过程中离散的多个血压值，并基于所述时间间隔、所述袖带压力值和所述柯氏音信息进行修正，最后第二处理器22根据离散的血压值获取连续的血压值。

可选的，所述第一模型分支包括第一神经网络组合和第二神经网络组合，所述第一神经网络组合的输入为所述脉搏波信息，所述第二神经网络组合的输入为所述柯氏音信息和所述袖带压力信息，所述第一神经网络组合和所述第二神经网络组合的输出加权求和得到所述第一模型分支的输出。

本实施例中，所述第一神经网络组合用于基于脉搏波信息确定每搏中变化的血压值，所述第二神经网络组合基于柯氏音信息和所述袖带压力信息确定每搏的血压值，然后对第一神经网络组合和第二神经网络组合的输出进行加权求和得到每搏中变化的血压值。

可选的，输入至所述第一神经网络组合的脉搏波信息是经过分段处理和预处理后的脉搏波信息；

所述分段处理采用滑动重叠采样策略，得到脉搏波信息段；

所述预处理包括对所述脉搏波信息段进行连续小波分解、去噪和解调处理，得到小波时频图；

所述第一神经网络组合包括卷积神经网络和循环神经网络，所述卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层和第二池化层；所述循环神经网络包括门控循环层、全连接层和识别层。

具体的，第一卷积层对输入进行卷积操作，卷积核输出值为c_i＝f(w·x_i+a)，其中，w为卷积核权重，a为偏置量，x_i为第i个脉搏波信息段的小波时频图向量矩阵，i表示第i个脉搏波信息段。池化层对卷积层输出的每个特征向量中提取一个最大的值。

门控循环层有两个输入，一个是当前脉搏波信息段对应的特征信息(由所述卷积神经网络提取)x_t，另一个是上一个节点传递下来的隐状态h_t-1，这个隐藏状态包括之前节点的相关信息，结合x_t和h_t-1会得到当前隐藏节点的输出y_t和传递给下一个节点的隐状态h_t。门控循环层有重置门(r门)和更新门(z门)。

其中，所述卷积神经网络用于对每个脉搏波信息段的小波时频图进行特征提取，所述循环神经网络用于对每个脉搏波信息段对应的血压值进行识别。

可选的，所述第一神经网络组合的权值序列损失函数为：

其中，x′_j＝x_j-max(x₁，…，x_m)，m为训练数据的条数，W_j为权值损失函数的权重，x_j为第j条训练数据的小波时频图矩阵。

可选的，所述第一神经网络组合包括深度降噪自动编码器和支持向量机，所述深度降噪自动编码器包括多层自动编码器，前一层自动编码器的隐藏层作为后一层自动编码器的输入层，每一层自动编码器的隐藏层各节点的值由输入层各节点值经线性加权连接求和输出到激励函数中计算得到；

输入至所述第一神经网络组合的所述脉搏波信息是经过变分模态分解处理后的脉搏波信息，经过变分模态分解处理用于将所述脉搏波信息分解至不同的频带，得到属于不同频带的模态分量。

所述深度降噪自动编码器可以通过以下方式训练：

构建训练样本(X，Y)，X为一段脉搏波不同频带的模态分量，Y为对应的血压值；

对所述深度降噪自动编码器进行无监督贪心逐层训练，第l-1层和第l层的自动编码器通过对比散度算法训练；

对深度降噪自动编码器进行有监督微调：将上一步中通过无监督贪心训练的深度降噪自动编码器翻折，得到层数翻倍的自动编码机；利用BP算法对该自动编码机进行训练，用以微调深度降噪自动编码器。

本实施例中，深度降噪自动编码器可以准确提取脉搏波信息中的特征信息为后续支持向量机的血压识别提供更好的数据依据，降低识别难度，提升识别精度。

可选的，输入所述第二神经网络组合的所述柯氏音信息和所述袖带压力信息为多个柯氏音信息段和与其时间段一致的袖带压力信息段，每个所述柯氏音信息段包括1/n个柯氏音，n为正整数；

所述第二神经网络组合包括深度置信神经网络和Light GBM网络；所述深度置信神经网络用于提取所述柯氏音信息段的特征信息，所述Light GBM网络根据所述柯氏音信息段的特征信息和所述袖带压力信息段确定对应的血压值；

所述深度置信神经网络的构建方法为：堆叠d个受限玻尔兹曼机，对其中一种血压值对应的柯氏音信息段构建向量S，作为第一个受限玻尔兹曼机的显层神经元，通过无监督学习方法对S进行编码，输出向量Q1为柯氏音信息段第一次特征提取结果，构成隐层神经元；通过吉布斯采样和对比散度算法，采用大量无标签的柯氏音信息段训练集数据对所述深度置信神经网络进行训练，得到权重矩阵W1，以Q1作为下一个受限玻尔兹曼机的输入，重复上一步骤，进行柯氏音信息段的二次特征提取；经过d个受限玻尔兹曼机，得到最终的监测信号特征提取结果和深度置信网络的权重W＝{W1，W2，……Wd}。

具体的，受限玻尔兹曼机的数量是根据输入的所述柯氏音信息段的个数数量级和输出特征提取结果的个数数量级确定。其中，Light GBM模型是一个使用基于决策树的学习算法，其拥有更快的训练速度，更高的准确率和大数据处理能力。

本实施例中，根据所述柯氏音信息和所述袖带压力信息识别实时的血管压力值，其中血管压力识别主要基于柯氏音信息，但是由于柯氏音受袖带压力影响，也即袖带压力不同时即使血管压力相同柯氏音也会存在不同，因此本实施例还会利用袖带压力信息对基于所述柯氏音信息识别的血管压力值进行修正。

这里需要注意的是，在对所述第一神经网络组合和所述第二神经网络组合的输出进行加权求和时只对同时刻或同时段(时段存在交集可以认为是同时段)的血压值进行加权求和，如果某一时刻或时段只有一个神经网络组合有输出对应的血压值，则不需要进行加权求和处理。

可选的，所述第二模型分支包括Inception-v3神经网络和极限学习机；所述Inception-v3神经网络根据所述袖带压力值和所述柯氏音信息确定检测对象的收缩压和舒张压；所述极限学习机根据所述时间间隔、所述收缩压和所述舒张压对所述第一模型分支输出的血压值进行修正。

本实施例中，所述第二模型分支的输入不仅包括第一模型分支的输出和所述时间间隔，还包括所述袖带压力值和所述柯氏音信息。

具体的，所述Inception-v3神经网络根据所述柯氏音信息识别收缩压对应的第一时间点和舒张压对应的第二时间点，并将所述袖带压力值中第一时间点对应的压力值作为所述收缩压，所述袖带压力值中第二时间点对应的压力值作为所述舒张压。

具体的，所述第二模型分支根据所述收缩压对与所述收缩压对应的时刻的血压值进行修正，所述第二模型分支根据所述舒张压对于所述舒张压对应的时刻的血压值进行修正。例如，可以通过加权求和的方式对血压进行修正，权值可通过训练学习得到。

在根据脉搏波信息确定血压值时会受个体血管情况影响，而针对个体血管情况进行检测需要专业的检测仪器、有些甚至是创伤性检测，这不符合日常血压检测要求，因此本实施例中利用可以反映个体血管情况的柯氏音与脉搏波上升起点之间的时间间隔来对利用脉搏波信息确定的血压值进行修正，从而不仅降低了个体血管情况对血压检测的影响，提升了血压检测精度，而且并未增加检测成本。

另外，在将所述柯氏音信息输入至Inception-v3神经网络之前，还可以对所述柯氏音信息进行分帧加窗处理，得到柯氏音信息帧，每一柯氏音信息帧的长度小于或等于一个柯氏音的时长，然后对柯氏音信息帧进行短时傅里叶变换等得到对应的声谱图数据，然后Inception-v3神经网络基于声谱图数据识别对应的柯氏音信息帧是否是收缩压对应的柯氏音信息帧、是否是舒张压对应的柯氏音信息帧。

可选的，所述第二模型分支的输出为离散的血压值；所述第二处理器22利用残差网络和预测滤波器对所述离散的血压值之间缺失的血压值进行预测；

所述残差网络的输入为所述离散的血压值，输出为所述预测滤波器的系数；

所述预测滤波器是通过以下公式进行预测：

其中，P(t)为t时刻的血压值，P′(t+t₀)为预测得到的(t+t₀)时刻的血压值，A(t₀，t+t₀)为(t+t₀)时刻对应的第t₀个系数，t₀＝-r，-r+1，…，r，r为所述预测滤波器的半径。

其他可替换的实施方式中，第二处理器22也可以对离散的血压值进行曲线拟合处理，例如多项式拟合。

可选的，所述血压仪还包括心率检测单元和/或呼吸检测单元；

所述第二模型分支的输入还包括第一心率信息和第二心率信息，和/或，第一呼吸频率和第二呼吸频率；

所述第一心率信息为检测对象平静状态下的心率信息，所述第二心率信息为检测过程中所述心率检测单元检测到的心率信息；

所述第一呼吸频率为检测对象平静状态下的呼吸频率，所述第二呼吸频率为检测过程中所述呼吸检测单元检测到的呼吸频率信息。

本实施例中，在血压检测过程中还可以基于检测对象的心率变化和呼吸频率变化为血压值进行修正，降低运动、紧张等因素导致的高血压误判。

在其他可替换的实施方式中，也可以不将第一心率信息和第二心率信息，和/或，第一呼吸频率和第二呼吸频率作为第二模型分支的输入，也就是说不根据检测对象的心率变化和呼吸频率变化为血压值进行修正，而是由第二处理器22根据第一心率信息和第二心率信息，和/或，第一呼吸频率和第二呼吸频率输出相应的提示信息，并在显示连续的血压波形的同时显示该提示信息，该提示信息可以说明检测对象当前并非出于平静状态，血压值不能作为诊断依据。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于鸿蒙操作系统的臂戴式血压仪，其特征在于，包括：

测量模块、基于鸿蒙操作系统的移动智能设备；

所述测量模块包括袖带以及设置于所述袖带上的气囊、充气单元、放气单元、压力检测电路、柯氏音检测电路、脉搏波检测电路、第一处理器和第一无线通信单元；所述移动智能设备包括输入单元、第二处理器、第二无线通信单元和显示单元；

所述充气单元、所述放气单元用于根据所述第一处理器的控制在血压检测过程中对所述气囊进行充气、放气；所述压力检测电路用于检测袖带压力信息，所述柯氏音检测电路用于检测柯氏音信息，所述脉搏波检测电路用于检测脉搏波信息，所述第一处理器通过所述第一无线通信单元将所述袖带压力信息、所述脉搏波信息和所述柯氏音信息发送至所述第二无线通信单元；所述第一处理器还根据所述第二处理器通过所述第二无线通信单元和所述第一无线通信单元传输过来的控制信号，控制所述压力检测电路、所述柯氏音检测电路、所述充气单元和/或所述放气单元的运行；

所述输入单元用于接收用户的控制输入，所述第二处理器用于根据所述控制输入生成所述控制信号并通过所述第二无线通信单元发送至所述第一无线通信单元，所述控制输入至少包括启动和停止；所述第二处理器还用于利用深度学习模型、根据所述第二无线通信单元接收到的所述袖带压力信息、脉搏波信息和所述柯氏音信息确定动脉搏动过程中连续变化的血压并在所述显示单元中显示连续的血压波形。

2.根据权利要求1所述的血压仪，其特征在于，所述第二处理器根据所述柯氏音信息和所述脉搏波信息确定每一柯氏音与最近的脉搏波上升起点之间的时间间隔；将所述脉搏波信息以及所述柯氏音信息和所述袖带压力信息输入至所述深度学习模型的第一模型分支，将所述第一模型分支的输出以及所述时间间隔输入至所述深度学习模型的第二模型分支，并根据所述第二模型分支的输出确定动脉搏动过程中连续变化的血压。

3.根据权利要求2所述的血压仪，其特征在于，所述第一模型分支包括第一神经网络组合和第二神经网络组合，所述第一神经网络组合的输入为所述脉搏波信息，所述第二神经网络组合的输入为所述柯氏音信息和所述袖带压力信息，所述第一神经网络组合和所述第二神经网络组合的输出加权求和得到所述第一模型分支的输出。

4.根据权利要求3所述的血压仪，其特征在于，输入至所述第一神经网络组合的脉搏波信息是经过分段处理和预处理后的脉搏波信息；

所述分段处理采用滑动重叠采样策略，得到脉搏波信息段；

所述预处理包括对所述脉搏波信息段进行连续小波分解、去噪和解调处理，得到小波时频图；

所述第一神经网络组合包括卷积神经网络和循环神经网络，所述卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层和第二池化层；所述循环神经网络包括门控循环层、全连接层和识别层。

5.根据权利要求4所述的血压仪，其特征在于，所述第一神经网络组合的权值序列损失函数为：

其中，x′_j＝x_j-max(x₁，…，x_m)，m为训练数据的条数，W_j为权值损失函数的权重，x_j为第j条训练数据的小波时频图矩阵。

6.根据权利要求3所述的血压仪，其特征在于，所述第一神经网络组合包括深度降噪自动编码器和支持向量机，所述深度降噪自动编码器包括多层自动编码器，前一层自动编码器的隐藏层作为后一层自动编码器的输入层，每一层自动编码器的隐藏层各节点的值由输入层各节点值经线性加权连接求和输出到激励函数中计算得到；

输入至所述第一神经网络组合的所述脉搏波信息是经过变分模态分解处理后的脉搏波信息，经过变分模态分解处理用于将所述脉搏波信息分解至不同的频带，得到属于不同频带的模态分量。

7.根据权利要求3所述的血压仪，其特征在于，输入所述第二神经网络组合的所述柯氏音信息和所述袖带压力信息为多个柯氏音信息段和与其时间段一致的袖带压力信息段，每个所述柯氏音信息段包括1/n个柯氏音，n为正整数；

所述第二神经网络组合包括深度置信神经网络和Light GBM网络；所述深度置信神经网络用于提取所述柯氏音信息段的特征信息，所述Light GBM网络根据所述柯氏音信息段的特征信息和所述袖带压力信息段确定对应的血压值；

所述深度置信神经网络的构建方法为：堆叠d个受限玻尔兹曼机，对其中一种血压值对应的柯氏音信息段构建向量S，作为第一个受限玻尔兹曼机的显层神经元，通过无监督学习方法对S进行编码，输出向量Q1为柯氏音信息段第一次特征提取结果，构成隐层神经元；通过吉布斯采样和对比散度算法，采用大量无标签的柯氏音信息段训练集数据对所述深度置信神经网络进行训练，得到权重矩阵W1，以Q1作为下一个受限玻尔兹曼机的输入，重复上一步骤，进行柯氏音信息段的二次特征提取；经过d个受限玻尔兹曼机，得到最终的监测信号特征提取结果和深度置信网络的权重W＝{W1，W2，……Wd}。

8.根据权利要求2所述的血压仪，其特征在于，所述第二模型分支包括Inception-v3神经网络和极限学习机；所述Inception-v3神经网络根据所述袖带压力值和所述柯氏音信息确定检测对象的收缩压和舒张压；所述极限学习机根据所述时间间隔、所述收缩压和所述舒张压对所述第一模型分支输出的血压值进行修正。

9.根据权利要求2所述的血压仪，其特征在于，所述第二模型分支的输出为离散的血压值；所述第二处理器利用残差网络和预测滤波器对所述离散的血压值之间缺失的血压值进行预测；

所述残差网络的输入为所述离散的血压值，输出为所述预测滤波器的系数；

所述预测滤波器是通过以下公式进行预测：

其中，P(t)为t时刻的血压值，P′(t+t₀)为预测得到的(t+t₀)时刻的血压值，A(t₀，t+t₀)为(t+t₀)时刻对应的第t₀个系数，t₀＝-r，-r+1，…，r，r为所述预测滤波器的半径。

10.根据权利要求2所述的血压仪，其特征在于，还包括心率检测单元和/或呼吸检测单元；

所述第二模型分支的输入还包括第一心率信息和第二心率信息，和/或，第一呼吸频率和第二呼吸频率；

所述第一心率信息为检测对象平静状态下的心率信息，所述第二心率信息为检测过程中所述心率检测单元检测到的心率信息；

所述第一呼吸频率为检测对象平静状态下的呼吸频率，所述第二呼吸频率为检测过程中所述呼吸检测单元检测到的呼吸频率信息。

Images