CN108403101A - 一种模型训练方法及装置、测量血压的方法及装置 - Google Patents

Abstract

本发明提供了一种模型训练方法及装置、测量血压的方法及装置，其中，该模型训练方法包括：获取受试者的心搏信号、血压信息以及个体信息；从获取的心搏信号中，提取心搏特征信息；将提取的心搏特征信息和个体信息作为血压测量模型的输入特征，将获取的血压信息作为血压测量模型的输出结果，训练得到血压测量模型，用于为用户测量血压。本发明提供的模型训练方法及装置、测量血压的方法及装置，通过训练出可以自动化测量血压的血压测量模型来帮助用户测量血压，实现对血压进行连续测量的目的，且避免了袖带充气测量方式所带来的干扰使用者日常生活的问题，使用体验度较佳。

Description

一种模型训练方法及装置、测量血压的方法及装置

技术领域

本发明涉及血压测量技术领域，具体而言，涉及一种模型训练方法及装置、测量血压的方法及装置。

背景技术

血压是反映人体循环系统机能的重要参数，是指由心脏泵血活动造成的血液对于单位面积血管壁的侧压力，随每个心动周期呈连续性、周期性变化。其中，心室收缩时，血液从心室流入动脉，此时血液对动脉的压力最高，称为收缩压；心室舒张，动脉血管弹性回缩，血液仍慢慢继续向前流动，但血压下降，此时的压力称为舒张压。由于血压的波动每时每刻都在发生变化，因此设计连续性血压测量方法以了解血压(即收缩压和舒张压)的昼夜变化规律在在临床医疗和家庭保健上都有重要的意义。

相关技术中提供了一种动态血压测量方法，该方法采用电动泵使动态血压计上的袖带自动充气，根据压力示波法或者柯氏音听诊法测压原理拾取信号进行血压测量。

然而，上述动态血压测量方法虽然可以对24小时内的血压波动情况进行测量，但其反映的是各个测量时间段的血压瞬时值，无法真正达到血压连续性测量的目的，且由于在每次测量时均需要对上袖带进行充气，会严重干扰到使用者的日常生活，使用体验度不佳。

发明内容

有鉴于此，本发明的目的在于提供一种模型训练方法及装置、测量血压的方法及装置，用以实现血压连续测量目的的同时，提高测量体验度。

第一方面，本发明提供了一种模型训练方法，该方法包括：

获取受试者的心搏信号、血压信息以及个体信息；

从获取的所述心搏信号中，提取心搏特征信息；

将提取的所述心搏特征信息和所述个体信息作为血压测量模型的输入特征，将获取的所述血压信息作为所述血压测量模型的输出结果，训练得到所述血压测量模型，用于为用户测量血压。

结合第一方面，本发明提供了第一方面的第一种可能的实施方式，其中，所述心搏信号包括同步采集的心电信号和脉搏波信号；所述从获取的所述心搏信号中，提取心搏特征信息，包括：

对获取的所述心电信号进行R波峰值检测，确定对应于所述心电信号的第一峰值点；

对获取的所述脉搏波信号进行主波峰值检测，确定对应于所述脉搏波信号的第二峰值点；

计算相邻第一峰值点对应的时间间隔，得到心率信息；

基于所述第一峰值点对应的第一时间点和距离该第一峰值点最近的所述第二峰值点对应的第二时间点之间的时间间隔，计算得到脉搏波传导时间信息，所述心搏特征信息包括所述心率信息和所述脉搏波传导时间信息。

结合第一方面的第一种可能的实施方式，本发明提供了第一方面的第二种可能的实施方式，其中，所述对获取的所述心电信号进行R波峰值检测，确定对应于所述心电信号的第一峰值点，包括：

根据差分法计算得到所述心电信号的所有峰值点；

针对任一个峰值点，判断该峰值点与其相邻峰值点之间的幅值差是否大于第一预设阈值，若是，则确定该峰值点为所述第一峰值点对应的R波峰值点。

结合第一方面的第二种可能的实施方式，本发明提供了第一方面的第三种可能的实施方式，其中，在所述根据差分法计算得到所述心电信号的所有峰值点之后，所述针对任一个峰值点，判断该峰值点与其相邻峰值点之间的幅值差是否大于预设阈值之前，还包括：

针对任一个峰值点，判断该峰值点与该峰值点前第n个峰值点的幅值差是否小于第二预设阈值，若是，则删除该峰值点。

结合第一方面，本发明提供了第一方面的第四种可能的实施方式，其中，所述心搏信号包括同步采集的心电信号和脉搏波信号；所述从获取的所述心搏信号中，提取心搏特征信息，包括：

对获取的所述心电信号进行R波峰值检测，确定对应于所述心电信号的第一峰值点；

基于所述第一峰值点截取所述心电信号的各个子心电信号；

和，对获取的所述脉搏波信号进行主波峰值检测，确定对应于所述脉搏波信号的第二峰值点；

基于所述第二峰值点截取所述脉搏波信号的各个子脉搏波信号；

所述心搏特征信息包括所述各个子心电信号以及所述各个子脉搏波信号。

结合第一方面的第四种可能的实施方式，本发明提供了第一方面的第五种可能的实施方式，其中，所述基于所述第一峰值点截取所述心电信号的各个子心电信号，包括：

针对任意第一峰值点，截取与该第一峰值点对应的采样点之前的第一预设截取采样点数的第一采样点集，以及截取与该第一峰值点对应的采样点之后的第二预设截取采样点数的第二采样点集；

基于所述第一采样点集、所述第一峰值点对应的采样点和所述第二采样点集，确定对应于该第一峰值点的子心电信号。

结合第一方面的第四种可能的实施方式，本发明提供了第一方面的第六种可能的实施方式，其中，所述基于所述第二峰值点截取所述脉搏波信号的各个子脉搏波信号之后，还包括：

对每个子脉搏波信号均进行降采样处理，得到降采样处理后的子脉搏波信号。

第二方面，本发明还提供了一种基于第一方面、第一方面的第一种可能的实施方式至第六种可能的实施方式中任一训练出的血压测量模型测量血压的方法，该方法包括：

获取用户的心搏特征信息和个体信息；

将获取的所述心搏特征信息和所述个体信息输入训练好的血压测量模型中，得到所述用户的血压信息。

第三方面，本发明还提供了一种模型训练装置，该装置包括：

获取模块，用于获取受试者的心搏信号、血压信息以及个体信息；

提取模块，用于从获取的所述心搏信号中，提取心搏特征信息；

训练模块，用于将提取的所述心搏特征信息和所述个体信息作为血压测量模型的输入特征，将获取的所述血压信息作为所述血压测量模型的输出结果，训练得到所述血压测量模型，用于为用户测量血压。

第四方面，本发明还提供了一种基于第三方面训练出的血压测量模型测量血压的装置，该装置包括：

获取模块，用于获取用户的心搏特征信息和个体信息；

测量模块，用于将获取的所述心搏特征信息和所述个体信息输入训练好的血压测量模型中，得到所述用户的血压信息。

本发明中的模型训练方法，首先获取受试者的心搏信号、血压信息以及个体信息；然后从获取的心搏信号中，提取心搏特征信息；最后将提取的心搏特征信息和个体信息作为血压测量模型的输入特征，将获取的血压信息作为血压测量模型的输出结果，训练得到血压测量模型，用于为用户测量血压。本发明提供的模型训练方法及装置、测量血压的方法及装置，通过训练出可以自动化测量血压的血压测量模型来帮助用户测量血压，实现对血压进行连续测量的目的，且避免了袖带充气测量方式所带来的干扰使用者日常生活的问题，使用体验度较佳。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本发明实施例所提供的一种模型训练方法的流程图；

图2示出了本发明实施例所提供的另一种模型训练方法的流程图；

图3示出了本发明实施例所提供的一种模型训练方法中心率和脉搏波传导时间计算的示意图；

图4示出了本发明实施例所提供的另一种模型训练方法的流程图；

图5示出了本发明实施例所提供的另一种模型训练方法的流程图；

图6示出了本发明实施例所提供的另一种模型训练方法的流程图；

图7示出了本发明实施例所提供的一种测量血压的方法的流程图；

图8示出了本发明实施例所提供的一种模型训练装置的结构示意图；

图9示出了本发明实施例所提供的一种测量血压的装置的结构示意图；

图10示出了本发明实施例所提供的一种计算机设备的结构示意图；

图11示出了本发明实施例所提供的另一种计算机设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

考虑到相关技术中的动态血压测量方法虽然可以对24小时内的血压波动情况进行测量，但其反映的是各个测量时间段的血压瞬时值，无法真正达到血压的连续性测量目的，且由于在每次测量时均需要对袖带进行充气，会严重干扰到使用者的日常生活，使用体验度不佳。有鉴于此，本发明实施例提供了一种模型训练方法及装置、测量血压的方法及装置，用以实现血压连续测量目的的同时，提高测量体验度。

参见图1所示的本发明实施例提供的模型训练方法的流程图，该模型训练方法应用于计算机设备，上述方法具体包括如下步骤：

S101、获取受试者的心搏信号、血压信息以及个体信息；

考虑到本发明实施例提供的模型训练方法的具体应用场景，上述模型训练方法需要获取受试者的心搏信号、血压信息和个体信息。其中，上述心搏信号包括心电(electrocardiogram，ECG)信号和脉搏波(PhotoPlethysmoGraph，PPG)信号，ECG信号指的是通过心电描记器从体表引出多种形式的电位变化的图形信号，PPG信号指的是通过光电容积脉搏波描记法得到的信号。另外，上述血压信息可以是容积补偿法或动脉张力法原理的连续血压测量设备测量得到的每搏血压值，也即每搏收缩压(Systolic BloodPressure，SBP)值和每搏舒张压(Diastolic Blood Pressure，DBP)值，个体信息则可以包括以下信息中的任意一种或任意组合：年龄、性别、身高、体重、人体体质指数，其中，人体体质指数为体重与身高的平方之间的比值。

值得说明的是，本发明实施例可以通过可信范围对血压信息进行筛选，其中，上述可信范围为SBP≤220mmHg和DBP≤120mmHg。可见，本发明实施例选用可信范围内的SBP信息和DBP信息作为血压信息。

S102、从获取的心搏信号中，提取心搏特征信息；

对于上述心搏信号，本发明实施例可以从该心搏信号中提取相应的心搏特征信息。该心搏特征信息包括根据对心电信号进行R波峰值检测的检测结果，以及对脉搏波信号进行主波峰值检测的检测结果计算得到的心率信息和脉搏波传导时间信息，另外，该心搏特征信息还包括对上述检测结果进行心电信号截取和脉搏波信号截取的各个子心电信号以及各个子脉搏波信号。

S103、将提取的心搏特征信息和个体信息作为血压测量模型的输入特征，将获取的血压信息作为血压测量模型的输出结果，训练得到血压测量模型，用于为用户测量血压。

这里，血压测量模型是将输入特征(即上述心搏特征信息和个体信息)映射为输出结果(即对应于上述信息的血压信息)。本发明实施例可以采用深度神经网络(Deep NeuralNetworks,DNN)进行模型训练。也即，本发明实施例选用DNN不仅可以实现复杂的非线性函数逼近，还可以从处理后的波形信息中提取隐含的特征，通过反复迭代学习，逐渐掌握各种基础知识，并最终学习得到如何根据特征信息(即心搏特征信息和个体信息)生成对应的血压信息(即收缩压值和舒张压值)。

其中，上述DNN包括输入层，隐藏层和输出层，隐藏层的层数和节点数可以自由设置，且该隐藏层的激活函数采用ReLU。另外，本发明实施例为了克服过度拟合的问题，将批标准化(Batch Normalization，BN)添加到每个隐藏层中，还利用L2正则化减少过拟合，L2正则化参数选为1×10^-5。

另外，本发明实施例可以通过十折交叉验证方法选取最优的训练模型，用以在获取到用户的特征信息后，将该特征信息输入至上述训练得到的最优的训练模型中，得到优选的收缩压值和舒张压值。其中，上述训练模型的最优选择是首先将实验数据分为十份，然后轮流将其中9份数据进行模型训练，另外1份作为测试。并基于每个训练结果与真实结果之间的数据误差选取出数据误差最小的一份数据对应的训练模型作为最优的训练模型，从而进一步保证模型训练的准确性。另外，本发明实施例可以采用平均值(mean)，标准差(SD)，平均绝对误差(MAD)，均方根误差(RMSE)等作为上述数据误差的评估指标。

本发明实施例中的模型训练方法，首先获取受试者的心搏信号、血压信息以及个体信息；然后从获取的心搏信号中，提取心搏特征信息；最后将提取的心搏特征信息和个体信息作为血压测量模型的输入特征，将获取的血压信息作为血压测量模型的输出结果，训练得到血压测量模型，用于为用户测量血压，其通过训练出可以自动化测量血压的血压测量模型来帮助用户测量血压，实现对血压进行连续测量的目的，且避免了袖带充气测量方式所带来的干扰使用者日常生活的问题，使用体验度较佳。

本发明实施例中的心搏信号包括同步采集的心电信号和脉搏波信号，为了更好的对上述心电信号和脉搏波信号进行特征提取，参见图2，上述步骤102的提取过程，具体通过如下步骤实现：

S201、对获取的心电信号进行R波峰值检测，确定对应于心电信号的第一峰值点；

S202、对获取的脉搏波信号进行主波峰值检测，确定对应于脉搏波信号的第二峰值点；

S203、计算相邻第一峰值点对应的时间间隔，得到心率信息；

S204、基于第一峰值点对应的第一时间点和距离该第一峰值点最近的第二峰值点对应的第二时间点之间的时间间隔，计算得到脉搏波传导时间信息，心搏特征信息包括心率信息和脉搏波传导时间信息。

为了便于后续的心率信息和脉搏波传导时间信息的计算，需要将心电信号和脉搏波信号在同一心动周期内进行采集，这样才能保证数据的同步性。另外，本发明实施例在对心搏信号进行特征提取之前，还根据已有的ECG信号和PPG信号的标准模板库来评价获取的ECG信号和PPG信号的质量。其中，上述标准模板库中含有高质量的信号集、轻度污染的信号集以及重度污染的信号集。本发明实施例将获取的心搏信号逐拍进行分割后，与标准模板库中的标准信号进行对比，确定信号的质量，对于级别1的高质量信号则直接保留以为后续分析提供数据源，对于级别2的轻度污染信号则可以通过滤波去除的方式处理后再进行利用，对于级别3的重度污染信号，则可以直接舍弃。

在进行上述信号预处理之后，本发明实施例通过对心搏信号进行峰值检测，检测结果则用于计算心率(HR)信息和脉搏波传导时间(PTT)信息。参见图3所示的HR信息和PTT信息计算的示意图，具体根据如下公式计算HR和PTT。

PTT＝T_P1-T_R1 (1)

其中t代表当前时刻的时间，RRt代表Ri点到Ri+1点之间的时间间隔，T_R1和T_P1分别表示第一峰值点对应的第一时间点和距离该第一峰值点最近的第二峰值点对应的第二时间点，单位均为秒。

具体的，对于心电信号而言，本发明实施例对该心电信号进行R波峰值检测，得到第一峰值点，通过确定计算相邻第一峰值点对应的时间间隔得到相应的心率(HR)信息；对于脉搏波信号而言，本发明实施例对该脉搏波信号进行主波峰值检测，得到第二峰值点，通过第一峰值点对应的第一时间点和距离该第一峰值点最近的第二峰值点对应的第二时间点之间的时间间隔，计算得到脉搏波传导时间(PTT)信息。

值得说明的是，本发明实施例中的第二时间点可以是指上述第一峰值点后最近的第二峰值点对应的时间点。

本发明实施例提供的模型训练方法基于差分法进行R波峰值检测，参见图4，上述R波峰值检测方法具体包括如下步骤：

S301、根据差分法计算得到心电信号的所有峰值点；

S302、针对任一个峰值点，判断该峰值点与其相邻峰值点之间的幅值差是否大于第一预设阈值，若是，则确定该峰值点为第一峰值点对应的R波峰值点。

本发明实施例中，基于峰值点之前和之后的数据点对应的信号值均小于该峰值点的信号值进行差分处理，得到心电信号的所有峰值点。考虑到R波的生理属性，本发明实施例通过判断该峰值点与其相邻峰值点之间的幅值差是否大于第一预设阈值的判断结果，确定上述峰值点是否为第一峰值点对应的R波峰值点。其中，上述第一预设阈值优选为心电信号平均幅值的0.6倍。

另外，为了去除运动等干扰情况下所带来的信号噪声，本发明实施例还针对任一个峰值点，判断该峰值点与该峰值点前第n个峰值点的幅值差是否小于第二预设阈值，若是，则删除该峰值点。其中，上述n可选为6，第二预设阈值优选为心电信号平均幅值的0.6倍。

与上述心电信号类似的是，脉搏波信号的主波峰值检测方式也采用上述差分方法，对应的阈值优选为脉搏波信号平均幅值的0.4倍，对于信号噪声，本发明实施例采用与上述心电信号的峰值点删除方式，对应的n可选为12，阈值优选为脉搏波信号平均幅值的0.6倍。

本发明实施例中的心搏信号包括同步采集的心电信号和脉搏波信号，为了更好的对上述心电信号和脉搏波信号进行特征提取，参见图5，上述步骤102的提取过程，还具体通过如下步骤实现：

S401、对获取的心电信号进行R波峰值检测，确定对应于心电信号的第一峰值点；

S402、基于第一峰值点截取心电信号的各个子心电信号；

S403、和，对获取的脉搏波信号进行主波峰值检测，确定对应于脉搏波信号的第二峰值点；

S404、基于第二峰值点截取脉搏波信号的各个子脉搏波信号；心搏特征信息包括各个子心电信号以及各个子脉搏波信号。

本发明实施例基于心电信号R波峰值检测的检测结果，以及脉搏波信号主波峰值检测的检测结果分别对心电信号和脉搏波信号进行子心电信号和子脉搏波信号的截取。其中，本发明实施例中的各个子心电信号和各个子脉搏波信号均为心搏特征信息的一部分。在本发明实施例中，对应于心搏特征信息的子心电信号和子脉搏波信号主要指的是上述两种信号的波形信息，以及对应于该波形信息的波峰信息。

考虑到心电信号和脉搏波信号的生理属性，本发明实施例还对截取后的子脉搏波信号进行降采样处理，以过滤掉脉搏波信号本身的毛刺，使得截取得到的子脉搏波信号处于平滑状态。另外，本发明实施例还可以对将采样处理后的子脉搏波信号进行采样点的截取，在此不做赘述。

为了更好的对心电信号进行截取，本发明实施例截取得到的信号与上述R峰峰值相对应，上述基于第一峰值点截取心电信号的各个子心电信号，参见图6，具体包括如下步骤：

S501、针对任意第一峰值点，截取与该第一峰值点对应的采样点之前的第一预设截取采样点数的第一采样点集，以及截取与该第一峰值点对应的采样点之后的第二预设截取采样点数的第二采样点集；

S502、基于第一采样点集、第一峰值点对应的采样点和第二采样点集，确定对应于该第一峰值点的子心电信号。

本发明实施例中，心电信号和脉搏波信号的采样率为200Hz。首先可以根据每个人的平均心率计算平均的RR间隔的点数，即一个ECG周期的采样点数。根据经验得到，能够覆盖一个周期有用信息的平均采样点数在150个左右，因此本发明实施例优选的将ECG信号截取为每个ECG周期含有150个采样点。具体方法为：

对于ECG信号，首先需要对齐ECG信号的R波，然后将Ri作为每个ECG周期的第31个点，则每个ECG周期的起点为向前数30个点，终点为向后数period个点。period定义为平均RR间隔点数的五分之四。若ECG周期的长度大于150则删除后面点数，若不足150则补零，这样每个ECG周期均包含150个采样点。其中，每个ECG周期均对应于一个子心电信号。

类似于ECG信号，本发明实施例对于PPG信号也采用上述方法进行截取，且优选的将PPG信号截取为每个PPG周期含有150个采样点。首先需要对齐PPG信号的主波，设定Pi为每个PPG周期的第71个点，之后数80个点，补足150个采样点。其中，每个PPG周期均对应于一个子脉搏波信号。

本发明实施例可以将一个子心电信号的全部采样点以及一个子脉搏波信号的全部采样点均作为血压测量模型的输入特征，也可以将截取子心电信号中R波周围的30个采样点以及子脉搏波信号中主波周围的50个采样点的截取结果作为上述血压测量模型的输入特征，以进一步提高模型输入特征的鲁棒性。

本发明实施例将从心电信号和脉搏波信号中提取出的心搏特征信息，也即心率信息、脉搏波传导时间信息、子心电信号的波形信息以及子脉搏波信号的波形信息，以及个体信息作为DNN的输入特征，上述血压信息作为DNN的输出结果进行血压测量模型的训练，通过该血压测量模型为用户进行血压测量。

基于上述实施例，本发明实施例还提供了一种测量血压的方法，如图7所示，为本发明实施例提供的测量血压的方法的流程图，应用于计算机设备，上述测量血压的方法包括如下步骤：

S601、获取用户的心搏特征信息和个体信息；

S602、将获取的心搏特征信息和个体信息输入训练好的血压测量模型中，得到用户的血压信息。

上述用户的心搏特征信息可以包括用户的心率信息、脉搏波传导时间信息、子心电信号的波形信息以及子脉搏波信号的波形信息，以及用户的个体信息。采用预先训练好的血压测量模型可以快速高效的帮助用户测量血压，方便快捷，且无需采用袖带充气，用户的使用体验度较佳。

基于同一发明构思，本发明实施例中还提供了与模型训练方法对应的模型训练装置，由于本发明实施例中的装置解决问题的原理与本发明实施例上述模型训练方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。如图8所示，为本发明实施例所提供的模型训练装置示意图，该模型训练模型包括：

获取模块11，用于获取受试者的心搏信号、血压信息以及个体信息；

提取模块12，用于从获取的心搏信号中，提取心搏特征信息；

训练模块13，用于将提取的心搏特征信息和个体信息作为血压测量模型的输入特征，将获取的血压信息作为血压测量模型的输出结果，训练得到血压测量模型，用于为用户测量血压。

本发明实施例中，上述心搏信号包括同步采集的心电信号和脉搏波信号，上述提取模块12，包括第一检测单元、第二检测单元、第一计算单元和第二计算单元，其中，上述第一检测单元，用于对获取的心电信号进行R波峰值检测，确定对应于心电信号的第一峰值点；上述第二检测单元，用于对获取的脉搏波信号进行主波峰值检测，确定对应于脉搏波信号的第二峰值点；上述第一计算单元，用于计算相邻第一峰值点对应的时间间隔，得到心率信息；上述第二计算单元，用于基于第一峰值点对应的第一时间点和距离该第一峰值点最近的第二峰值点对应的第二时间点之间的时间间隔，计算得到脉搏波传导时间信息，心搏特征信息包括心率信息和脉搏波传导时间信息。

其中，上述第一检测单元，具体用于根据差分法计算得到心电信号的所有峰值点；针对任一个峰值点，判断该峰值点与其相邻峰值点之间的幅值差是否大于第一预设阈值，若是，则确定该峰值点为第一峰值点对应的R波峰值点。

本发明实施例提供的模型训练装置还包括删除模块，该删除模块，用于针对任一个峰值点，判断该峰值点与该峰值点前第n个峰值点的幅值差是否小于第二预设阈值，若是，则删除该峰值点。

本发明实施例中，上述提取模块12还包括第一截取单元和第二截取单元，其中，上述第一截取单元，用于基于第一峰值点截取心电信号的各个子心电信号；上述第二截取单元，用于基于第二峰值点截取脉搏波信号的各个子脉搏波信号；心搏特征信息包括各个子心电信号以及各个子脉搏波信号。

其中，上述第一截取单元，具体用于针对任意第一峰值点，截取与该第一峰值点对应的采样点之前的第一预设截取采样点数的第一采样点集，以及截取与该第一峰值点对应的采样点之后的第二预设截取采样点数的第二采样点集；基于第一采样点集、第一峰值点对应的采样点和第二采样点集，确定对应于该第一峰值点的子心电信号。

本发明实施例提供的模型训练装置还包括处理模块，该处理模块，用于对每个子脉搏波信号均进行降采样处理，得到降采样处理后的子脉搏波信号。

基于同一发明构思，本发明实施例中还提供了与测量血压的方法对应的测量血压的装置，由于本发明实施例中的装置解决问题的原理与本发明实施例上述测量血压的方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。如图9所示，为本发明实施例所提供的测量血压的装置示意图，该测量血压的装置包括：

获取模块21，用于获取用户的心搏特征信息和个体信息；

测量模块22，用于将获取的心搏特征信息和个体信息输入训练好的血压测量模型中，得到用户的血压信息。

可见，本发明实施例提供的模型训练方法及装置、测量血压的方法及装置，通过训练出可以自动化测量血压的血压测量模型来帮助用户测量血压，实现对血压进行连续测量的目的，且避免了袖带充气测量方式对使用者的日常生活带来干扰，本发明实施例提供的方案则无需按压血管和气泵加压，即使长时监测不会带来不适，使用体验度较佳。

对应于图1至图6中的模型训练方法，本发明实施例还提供了一种计算机设备，如图10所示，该设备包括存储器1000、处理器2000及存储在该存储器1000上并可在该处理器2000上运行的计算机程序，其中，上述处理器2000执行上述计算机程序时实现上述模型训练方法的步骤。

具体地，上述存储器1000和处理器2000能够为通用的存储器和处理器，这里不做具体限定，当处理器2000运行存储器1000存储的计算机程序时，能够执行上述模型训练方法，从而解决目前袖带充气测量方式所带来的干扰使用者日常生活的问题，进而达到无需按压血管和气泵加压，使用体验度较佳的效果。

对应于图1至图6中的模型训练方法，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述模型训练方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述模型训练方法，从而解决目前袖带充气测量方式所带来的干扰使用者日常生活的问题，进而达到无需按压血管和气泵加压，使用体验度较佳的效果。

对应于图7中的测量血压的方法，本发明实施例还提供了一种计算机设备，如图11所示，该设备包括存储器3000、处理器4000及存储在该存储器3000上并可在该处理器4000上运行的计算机程序，其中，上述处理器4000执行上述计算机程序时实现上述测量血压的方法的步骤。

具体地，上述存储器3000和处理器4000能够为通用的存储器和处理器，这里不做具体限定，当处理器4000运行存储器3000存储的计算机程序时，能够执行上述测量血压的方法，从而解决目前袖带充气测量方式所带来的干扰使用者日常生活的问题，进而达到无需按压血管和气泵加压，使用体验度较佳的效果。

对应于图7中的测量血压的方法，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述测量血压的方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述测量血压的方法，从而解决目前袖带充气测量方式所带来的干扰使用者日常生活的问题，进而达到无需按压血管和气泵加压，使用体验度较佳的效果。

本发明实施例所提供的进行模型训练以及测量血压的方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

本发明实施例所提供的模型训练以及测量血压的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种模型训练方法，其特征在于，该方法包括：

获取受试者的心搏信号、血压信息以及个体信息；

从获取的所述心搏信号中，提取心搏特征信息；

将提取的所述心搏特征信息和所述个体信息作为血压测量模型的输入特征，将获取的所述血压信息作为所述血压测量模型的输出结果，训练得到所述血压测量模型，用于为用户测量血压。

2.根据权利要求1所述的方法，其特征在于，所述心搏信号包括同步采集的心电信号和脉搏波信号；所述从获取的所述心搏信号中，提取心搏特征信息，包括：

对获取的所述心电信号进行R波峰值检测，确定对应于所述心电信号的第一峰值点；

对获取的所述脉搏波信号进行主波峰值检测，确定对应于所述脉搏波信号的第二峰值点；

计算相邻第一峰值点对应的时间间隔，得到心率信息；

基于所述第一峰值点对应的第一时间点和距离该第一峰值点最近的所述第二峰值点对应的第二时间点之间的时间间隔，计算得到脉搏波传导时间信息，所述心搏特征信息包括所述心率信息和所述脉搏波传导时间信息。

3.根据权利要求2所述的方法，其特征在于，所述对获取的所述心电信号进行R波峰值检测，确定对应于所述心电信号的第一峰值点，包括：

根据差分法计算得到所述心电信号的所有峰值点；

针对任一个峰值点，判断该峰值点与其相邻峰值点之间的幅值差是否大于第一预设阈值，若是，则确定该峰值点为所述第一峰值点对应的R波峰值点。

4.根据权利要求3所述的方法，其特征在于，在所述根据差分法计算得到所述心电信号的所有峰值点之后，所述针对任一个峰值点，判断该峰值点与其相邻峰值点之间的幅值差是否大于预设阈值之前，还包括：

针对任一个峰值点，判断该峰值点与该峰值点前第n个峰值点的幅值差是否小于第二预设阈值，若是，则删除该峰值点。

5.根据权利要求1所述的方法，其特征在于，所述心搏信号包括同步采集的心电信号和脉搏波信号；所述从获取的所述心搏信号中，提取心搏特征信息，包括：

对获取的所述心电信号进行R波峰值检测，确定对应于所述心电信号的第一峰值点；

基于所述第一峰值点截取所述心电信号的各个子心电信号；

和，对获取的所述脉搏波信号进行主波峰值检测，确定对应于所述脉搏波信号的第二峰值点；

基于所述第二峰值点截取所述脉搏波信号的各个子脉搏波信号；

所述心搏特征信息包括所述各个子心电信号以及所述各个子脉搏波信号。

6.根据权利要求5所述的方法，其特征在于，所述基于所述第一峰值点截取所述心电信号的各个子心电信号，包括：

针对任意第一峰值点，截取与该第一峰值点对应的采样点之前的第一预设截取采样点数的第一采样点集，以及截取与该第一峰值点对应的采样点之后的第二预设截取采样点数的第二采样点集；

基于所述第一采样点集、所述第一峰值点对应的采样点和所述第二采样点集，确定对应于该第一峰值点的子心电信号。

7.根据权利要求5所述的方法，其特征在于，所述基于所述第二峰值点截取所述脉搏波信号的各个子脉搏波信号之后，还包括：

对每个子脉搏波信号均进行降采样处理，得到降采样处理后的子脉搏波信号。

8.一种基于权利要求1至7中任一训练出的血压测量模型测量血压的方法，其特征在于，该方法包括：

获取用户的心搏特征信息和个体信息；

将获取的所述心搏特征信息和所述个体信息输入训练好的血压测量模型中，得到所述用户的血压信息。

9.一种模型训练装置，其特征在于，该装置包括：

获取模块，用于获取受试者的心搏信号、血压信息以及个体信息；

提取模块，用于从获取的所述心搏信号中，提取心搏特征信息；

训练模块，用于将提取的所述心搏特征信息和所述个体信息作为血压测量模型的输入特征，将获取的所述血压信息作为所述血压测量模型的输出结果，训练得到所述血压测量模型，用于为用户测量血压。

10.一种基于权利要求9训练出的血压测量模型测量血压的装置，其特征在于，该装置包括：

获取模块，用于获取用户的心搏特征信息和个体信息；

测量模块，用于将获取的所述心搏特征信息和所述个体信息输入训练好的血压测量模型中，得到所述用户的血压信息。