CN111248883A - 一种血压预测的方法和装置 - Google Patents

一种血压预测的方法和装置 Download PDF

Info

Publication number
CN111248883A
CN111248883A CN202010110288.3A CN202010110288A CN111248883A CN 111248883 A CN111248883 A CN 111248883A CN 202010110288 A CN202010110288 A CN 202010110288A CN 111248883 A CN111248883 A CN 111248883A
Authority
CN
China
Prior art keywords
data
dimensional
blood pressure
pulse wave
tensor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010110288.3A
Other languages
English (en)
Other versions
CN111248883B (zh
Inventor
张碧莹
曹君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lepu Medical Technology Beijing Co Ltd
Original Assignee
Lepu Medical Technology Beijing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lepu Medical Technology Beijing Co Ltd filed Critical Lepu Medical Technology Beijing Co Ltd
Priority to CN202010110288.3A priority Critical patent/CN111248883B/zh
Publication of CN111248883A publication Critical patent/CN111248883A/zh
Priority to PCT/CN2020/129629 priority patent/WO2021164345A1/zh
Priority to EP20919486.9A priority patent/EP4108164A4/en
Priority to US17/904,672 priority patent/US20230107787A1/en
Application granted granted Critical
Publication of CN111248883B publication Critical patent/CN111248883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Vascular Medicine (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明实施例涉及一种血压预测的方法和装置，所述方法包括：对PPG信号数据进行信号转换采样生成脉搏波一维数据序列；对脉搏波一维数据序列进行数据片段划分；根据片段总数和脉搏波一维数据序列生成输入数据四维张量；利用血压CNN对输入数据四维张量进行多层卷积池化计算生成特征数据四维张量；根据特征数据四维张量生成输入数据二维矩阵；利用血压ANN对输入数据二维矩阵进行特征数据回归计算生成血压回归数据二维矩阵；当预测模式标识符为均值预测时进行均值舒张、收缩压数据计算生成预测均值舒张、收缩压数据；当预测模式标识符为动态预测时提取舒张、收缩压数据生成预测血压一维数据序列。

Description

一种血压预测的方法和装置
技术领域
本发明涉及电生理信号处理技术领域，特别涉及一种血压预测的方法和装置。
背景技术
心脏是人体血液循环的中心，心脏通过有规律的搏动产生血压，进而向全身供血完成人体的新陈代谢，血压是人体非常重要的生理信号之一。正常范围内的血压才能保证血液正常循环流动，许多因素共同作用下才能使血压保持正常，从而人体的各个器官与组织能获得足够的血量，进而保持人体正常运转。人体血压含有两个重要的数值：收缩压和舒张压，医学上通过这两个量来判断人体血压的正常与否。长期持续观测血压这两项参数，可以帮助人们对自身心脏健康状态有较为清晰的认识。但是，当下大多数传统的血压测量方式均采用压力计之类的外力上压检测方式，不仅操作繁琐，且容易引起被测者的不适，因此也就不能多次地使用以达到连续监测的目的。
发明内容
本发明的目的，就是针对现有技术的缺陷，提供一种血压预测的方法和装置，首先使用光体积变化描记图法(Photoplethysmography，PPG)对测试者进行数据采集，其次采用由血压卷积神经网络(Convolutional Neural Network，CNN)模型和血压人工神经网络(Artificial Neural Network，ANN)模型组成的智能网络模型对PPG采集数据进行PPG-血压数据特征计算及血压数据回归计算从而推算出测试者的血压数据(舒张压、收缩压)；通过本发明实施例，既避免了常规测试手段的繁琐和不适感，又产生了一种自动智能的数据分析方法，从而使得应用方可以方便地对被测对象进行多次连续监测。
为实现上述目的，本发明实施例第一方面提供了一种血压预测的方法，其特征在于，所述方法包括：
对光体积变化描记图法PPG信号数据进行脉搏波转换及采样处理生成脉搏波一维数据序列；并按脉搏波数据片段长度阈值对所述脉搏波一维数据序列进行数据片段划分生成多个脉搏波一维数据片段；以所述脉搏波一维数据序列包括的所述脉搏波一维数据片段的总数为片段总数；
根据所述片段总数和所述脉搏波一维数据序列，进行血压卷积神经网络CNN的输入数据四维张量构建操作，生成输入数据四维张量；
按预置的卷积层数阈值，利用所述血压CNN对所述输入数据四维张量进行多层卷积池化计算生成特征数据四维张量；
根据所述特征数据四维张量，进行血压人工神经网络ANN的输入数据二维矩阵构建操作，生成输入数据二维矩阵；
利用所述血压ANN，对所述输入数据二维矩阵进行特征数据回归计算生成血压回归数据二维矩阵[X，2]；所述X为所述血压回归数据二维矩阵[X，2]的第二维度参数，且所述X的值为所述片段总数；
获取预测模式标识符；所述预测模式标识符包括均值预测和动态预测两种标识符；
当所述预测模式标识符为所述均值预测时，根据所述血压回归数据二维矩阵[X，2]，进行均值舒张压数据计算操作生成预测均值舒张压数据和均值收缩压数据计算操作生成预测均值收缩压数据；
当所述预测模式标识符为所述动态预测时，根据所述血压回归数据二维矩阵[X，2]，进行舒张压数据与收缩压数据提取操作，生成预测血压一维数据序列。
优选的，所述对光体积变化描记图法PPG信号数据进行脉搏波转换及采样处理生成脉搏波一维数据序列，具体包括：
调用PPG信号采集生成设备在信号采集时间阈值内对生物体局部皮肤表面进行所述预置光源信号采集操作生成所述PPG信号数据；所述预置光源信号至少包括红光源信号、红外光源信号和绿光源信号的一类；
对所述PPG信号数据进行脉搏波数据转换操作生成脉搏波信号数据；
对所述脉搏波信号数据按脉搏波特征采样频率阈值进行数据采样生成所述脉搏波一维数据序列；所述脉搏波一维数据序列具体为脉搏波一维数据序列[A]；所述A为所述脉搏波一维数据序列[A]的第一维度参数，且所述A为所述信号采集时间阈值乘以所述脉搏波特征采样频率阈值的乘积。
优选的，所述根据所述片段总数和所述脉搏波一维数据序列，进行血压卷积神经网络CNN的输入数据四维张量构建操作，生成输入数据四维张量，具体包括：
步骤31，设置所述输入数据四维张量为输入数据四维张量[B1，H1，W1，C1]；所述输入数据四维张量[B1，H1，W1，C1]包括所述B1个三维张量数据[H1，W1，C1]；所述B1为所述输入数据四维张量[B1，H1，W1，C1]的第四维度参数，且所述B1为所述片段总数；所述H1为所述输入数据四维张量[B1，H1，W1，C1]的第三维度参数，且所述H1的值为1；所述W1为所述输入数据四维张量[B1，H1，W1，C1]的第二维度参数，且所述W1为所述脉搏波数据片段长度阈值；所述C1为所述输入数据四维张量[B1，H1，W1，C1]的第一维度参数，且所述C1的值为1；
步骤32，初始化所述输入数据四维张量[B1，H1，W1，C1]中所有所述三维张量数据[H1，W1，C1]为空；初始化第一索引的值为1；初始化第一总数为所述片段总数；
步骤33，根据所述脉搏波一维数据序列中与所述第一索引对应的脉搏波一维数据片段，对所述输入数据四维张量[B1，H1，W1，C1]中与所述第一索引对应的三维张量数据[H1，W1，C1]的矩阵元素进行数值赋值处理；
步骤34，将所述第一索引的值加1；
步骤35，判断所述第一索引是否大于所述第一总数，如果所述第一索引大于所述第一总数转至步骤36，如果所述第一索引小于或等于所述第一总数转至步骤33；
步骤36，将完成矩阵元素赋值后的所述输入数据四维张量[B1，H1，W1，C1]作为输入数据四维张量构建结果向上位应用进行数据传送。
优选的，所述按预置的卷积层数阈值，利用所述血压CNN对所述输入数据四维张量进行多层卷积池化计算生成特征数据四维张量，具体包括：
步骤41，初始化第二索引的值为1；初始化第二总数为所述卷积层数阈值；初始化第二索引临时四维张量为所述输入数据四维张量；
步骤42，利用所述血压CNN的第二索引层卷积层，对所述第二索引临时四维张量进行卷积计算处理，生成第二索引卷积输出数据四维张量；利用所述血压CNN的第二索引池化层，对所述第二索引卷积输出数据四维张量进行池化计算处理，生成第二索引池化输出数据四维张量；所述血压CNN包括多层所述卷积层和多层所述池化层；
步骤43，设置所述第二索引临时四维张量为所述第二索引池化输出数据四维张量；
步骤44，将所述第二索引加1；
步骤45，判断所述第二索引是否大于所述第二总数，如果所述第二索引大于所述第二总数转至步骤46，如果所述第二索引小于或等于所述第二总数转至步骤42；
步骤46，设置所述特征数据四维张量为所述第二索引临时四维张量。
优选的，所述根据所述特征数据四维张量，进行血压人工神经网络ANN的输入数据二维矩阵构建操作，生成输入数据二维矩阵，具体包括：
所述特征数据四维张量具体为特征数据四维张量[B2，H2，W2，C2]；所述B2为所述特征数据四维张量[B2，H2，W2，C2]的第四维度参数且所述B2为所述片段总数；所述H2为所述特征数据四维张量[B2，H2，W2，C2]的第三维度参数；所述W2为所述特征数据四维张量[B2，H2，W2，C2]的第二维度参数；所述C2为所述特征数据四维张量[B2，H2，W2，C2]的第一维度参数；
对所述特征数据四维张量[B2，H2，W2，C2]进行张量数据降维处理生成所述输入数据二维矩阵；所述输入数据二维矩阵具体为输入数据二维矩阵[W3，C3]；所述W3为所述输入数据二维矩阵[W3，C3]的第二维度参数且所述W3为所述B2；所述C3为所述输入数据二维矩阵[W3，C3]的第一维度参数且所述C3为所述H2乘以所述W2再乘以所述C2的乘积。
优选的，当所述预测模式标识符为所述均值预测时，根据所述血压回归数据二维矩阵[X，2]，进行均值舒张压数据计算操作生成预测均值舒张压数据和均值收缩压数据计算操作生成预测均值收缩压数据，具体包括：
提取所述血压回归数据二维矩阵[X，2]包括的所有片段收缩压数据进行总和计算生成收缩压总和，根据所述收缩压总和除以所述片段总数的商生成所述预测均值收缩压数据；提取所述血压回归数据二维矩阵[X，2]包括的所有片段舒张压数据进行总和计算生成舒张压总和，根据所述舒张压总和除以所述片段总数的商生成所述预测均值收缩压数据；所述血压回归数据二维矩阵[X，2]包括所述片段总数个回归数据一维数据序列[2]；所述回归数据一维数据序列[2]包括所述片段收缩压数据和所述片段舒张压数据。
优选的，当所述预测模式标识符为所述动态预测时，根据所述血压回归数据二维矩阵[X，2]，进行舒张压数据与收缩压数据提取操作，生成预测血压一维数据序列，具体包括：
所述预测模式标识符为所述动态预测时，初始化预测血压一维数据序列为空；设置血压数据组；初始化所述血压数据组的舒张压数据为空；初始化所述血压数据组的收缩压数据为空；
依次提取所述血压回归数据二维矩阵[X，2]包括的所述回归数据一维数据序列[2]生成当前数据序列[2]；设置血压数据组的所述收缩压数据为所述当前数据序列[2]的所述片段收缩压数据，设置血压数据组的所述舒张压数据为所述当前数据序列[2]的所述片段舒张压数据；并将所述血压数据组向所述预测血压一维数据序列进行数据组添加操作。
本发明实施例第一方面提供的一种血压预测的方法，使用PPG采集设备对测试者进行数据采集，采用由血压CNN模型和血压ANN模型组成的智能网络模型对PPG采集数据进行血压数据预测(舒张压、收缩压)，最后根据预测模式标识符对预测出的血压数据做均值输出或者动态血压序列输出。
本发明实施例第二方面提供了一种设备，该设备包括存储器和处理器，存储器用于存储程序，处理器用于执行第一方面及第一方面的各实现方式中的方法。
本发明实施例第三方面提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行第一方面及第一方面的各实现方式中的方法。
本发明实施例第四方面提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现第一方面及第一方面的各实现方式中的方法。
附图说明
图1为本发明实施例一提供的一种血压预测的方法示意图；
图2为本发明实施例二提供的一种血压预测的方法示意图；
图3为本发明实施例三提供的一种血压预测的装置的设备结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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它实施例，都属于本发明保护的范围。
在通过实施例对本发明做进一步详细阐述之前，先就文中提及的一些技术手段做下简要说明。
PPG信号是利用光感传感器对特定光源的光强识别记录光强变化的一组信号。在心脏搏动时，对血管内单位面积的血流量形成周期性变化，与之对应的血液体积也相应发生变化，从而导致反映血液吸收光量的PPG信号也呈现周期性变化趋势。一个心动周期包括两个时间期：心脏收缩期和心脏舒张期；当心脏收缩期时，心脏对去全身做功，造成血管内压力与血流体积产生连续周期性变化，此时血管内血液对光线的吸收最多；当心脏舒张期时，对血管的压力相对性较小，此时上一次心脏收缩向全身推出的血液经过循环撞击心脏瓣膜从而对光线产生一定的反射与折射效应，造成舒张周期时血管内血液对光线能量的吸收降低。因此，反映血管内血液吸收光能的PPG信号波形就由两部分信号叠加而成：心脏收缩时期信号和心脏舒张时期信号；常见的PPG信号中有大小两个峰值，前一个属于心脏收缩期后一个属于心脏舒张期。
初期采集的PPG信号中，存在较多的噪声与干扰源，那么在采集之后需要对PPG信号进行一定的滤波降噪转换，将转换后的信号我们视为基本能够正常体现测试者脉搏波动周期特性的脉搏波信号。通过对脉搏波信号进行进一步的特征识别和回归分类处理，我们就可以进一步的获取到血压的收缩压与舒张压的预测值。具体的：首先对脉搏波数据进行有效数据提取，也就是所谓的特征提取或者特征计算；然后将获得的特征数据通过使用血压回归计算方式得到回归数据作为预测结果。因为脉搏波单个信号中包括了收缩特征和舒张特征信号，所以在血压回归计算中的回归数据对应也为两个：舒张压数据与收缩压数据，其中收缩压数据大于舒张压数据。
有关特征计算，我们已知CNN长期以来是特征识别领域的核心算法之一。应用在图像识别中，可以在精细分类识别中用于提取图像的判别特征以供其它分类器进行学习。应用血压特征识别领域中，是对输入的一维脉搏波数据进行脉搏波特征提取计算：在对输入的原始脉搏波数据进行卷积和池化之后，保留符合脉搏波特性的特征数据以供其他网络进行学习。文中提及的血压CNN是一种已经通过血压特征提取训练完成后的CNN模型，具体由卷积层和池化层组成，其中，卷积层负责对CNN模型的输入数据进行血压特征提取计算，池化层则是对卷积层的提取结果进行降采样；本文的血压CNN分为多个CNN网络层，每个CNN网络层包括一个卷积层和一个池化层。血压CNN的输入数据和输出数据格式均为4维张量形式：[B，H，W，C]。每经过一层卷积层或池化层，输出数据某些维度参数的值会发生变化，即张量的总数据长度会缩短，变化的特点是：B作为四维中的第四维参数(脉搏波一维数据序列的片段总数)不会发生变化；H、W为四维中的第三和二维参数，二者的变化与每一个卷积层的卷积核大小以及滑动步长的设定有关，也与池化层的池化窗口大小和滑动步长有关；C为四维中的第一维参数，它的变化与卷积层中选定的输出空间维数(卷积核的个数)有关。
ANN是指由大量的处理单元(神经元)互相连接而形成的复杂网络结构，是对人脑组织结构和运行机制的某种抽象、简化和模拟。ANN以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。ANN常见应用是对数据进行分类回归计算。文中提及的血压ANN是一种已经通过血压分类回归训练完成后的ANN模型；具体的，该血压ANN由全连接层组成，其中全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来进行一次回归计算并将计算结果作为下一层回归计算的输入，直到符合停止条件之后向网络外部输出最终计算结果。此处，血压ANN的输入是一个二维矩阵，因此需要将CNN的输出结果从四维张量[B，H，W，C]向二维矩阵形式转换；血压ANN的输出也是一个二维矩阵[X，2]，该矩阵中第二维度参数X与B相等表示片段总数，第一维度参数为2表示该矩阵包括的X个一维数据序列的长度均为2。每个一维数据序列[2]包括两个数值，数值偏高的是根据对应的脉搏波一维数据片段预测出的收缩压，数值偏低的是根据对应的脉搏波一维数据片段预测出的舒张压。
最后，血压ANN的输出是每个片段对应的一对血压预测值(收缩压和舒张压)，对于这些血压预测值可以采取不同的处理方法，例如取平均值，从而得到信号采集时间阈值内的平均血压数据；又或者直接输出血压值序列，从而获得一段动态血压信号。
如图1为本发明实施例一提供的一种血压预测的方法示意图所示，本方法主要包括如下步骤：
步骤1，对光体积变化描记图法PPG信号数据进行脉搏波转换及采样处理生成脉搏波一维数据序列；
具体包括：步骤11，调用PPG信号采集生成设备在信号采集时间阈值内对生物体局部皮肤表面进行预置光源信号采集操作生成PPG信号数据；预置光源信号至少包括红光源信号、红外光源信号和绿光源信号的一类；
步骤12，对PPG信号数据进行脉搏波数据转换操作生成脉搏波信号数据；
步骤13，对脉搏波信号数据按脉搏波特征采样频率阈值进行数据采样生成脉搏波一维数据序列；脉搏波一维数据序列具体为脉搏波一维数据序列[A]；A为脉搏波一维数据序列[A]的第一维度参数，且A为信号采集时间阈值乘以脉搏波特征采样频率阈值的乘积。
此处，预置光源信号至少包括红光源信号、红外光源信号和绿光源信号的一类。
此处，脉搏波一维数据序列具体为脉搏波一维数据序列[A]；A为脉搏波一维数据序列[A]的第一维度参数，且A的值为信号采集时间阈值乘以脉搏波特征采样频率阈值的乘积。例如，设信号采集时间阈值为10秒，脉搏波特征采样频率阈值为125Hz，那么此处的A＝125*10＝1250，表示采集到的数据有1250个。脉搏波一维数据序列[A]具体就成为脉搏波一维数据序列[1250]，是一个包括了1250个独立脉搏波数据的一维数据序列。
步骤2，按脉搏波数据片段长度阈值对脉搏波一维数据序列进行数据片段划分生成多个脉搏波一维数据片段；以脉搏波一维数据序列包括的脉搏波一维数据片段的总数为片段总数。
此处，因为后续要使用血压CNN对脉搏波一维数据序列中的数据进行特征计算，鉴于血压CNN的输入有要求，则按照血压CNN输入的最大数据长度对脉搏波一维数据序列进行片段划分，其中，脉搏波数据片段长度阈值就是血压CNN输入的最大数据长度。此处的片段总数设置方法：如果脉搏波一维数据序列总数据长度能被脉搏波数据片段长度阈值进行整除，那么片段总数即为二者相除的商；如果脉搏波一维数据序列总数据长度不能被脉搏波数据片段长度阈值进行整除，那么片段总数即为二者相除的商的取整结果，将最后一段长度不够的片段视为数据不完整片段抛弃。例如，假设脉搏波数据片段长度阈值为250，则此处片段总数为1250/250＝5；假设脉搏波数据片段长度阈值为200，则此处片段总数为|1250/200|＝6。
步骤3，根据片段总数和脉搏波一维数据序列，进行血压卷积神经网络CNN的输入数据四维张量构建操作，生成输入数据四维张量；
具体包括：步骤31，设置输入数据四维张量为输入数据四维张量[B1，H1，W1，C1]；
其中，输入数据四维张量[B1，H1，W1，C1]包括B1个三维张量数据[H1，W1，C1]；B1为输入数据四维张量[B1，H1，W1，C1]的第四维度参数，且B1为片段总数；H1为输入数据四维张量[B1，H1，W1，C1]的第三维度参数，且H1的值为1；W1为输入数据四维张量[B1，H1，W1，C1]的第二维度参数，且W1为脉搏波数据片段长度阈值；C1为输入数据四维张量[B1，H1，W1，C1]的第一维度参数，且C1的值为1；
此处，将得到的脉搏波数据段转换为4维数据，四个维度[B，H，W，C]分别代表片段个数(batch)、片段数据的高度(height)、片段数据的宽度(width)和片段数据的通道数(channel)。在处理彩色图像数据时，片段的高度、宽度和通道数分别对应图像的高、宽和RGB通道。由于脉搏波数据是一维时间序列，所以片段个数B应设置为片段总数，高度H应设置为1，通道数C应设置为1，宽度W为此前设定的片段长度即脉搏波数据片段长度阈值，例如：假设脉搏波数据片段长度阈值为250，将脉搏波一维数据序列[1250]进行转换后得到的输入数据四维张量是[B1，H1，W1，C1]具体是输入数据四维张量[5，1，250，1]；
步骤32，初始化输入数据四维张量[B1，H1，W1，C1]中所有三维张量数据[H1，W1，C1]为空；初始化第一索引的值为1；初始化第一总数为片段总数；
步骤33，根据脉搏波一维数据序列中与第一索引对应的脉搏波一维数据片段，对输入数据四维张量[B1，H1，W1，C1]中与第一索引对应的三维张量数据[H1，W1，C1]的矩阵元素进行数值赋值处理；
此处，三维张量数据[H1，W1，C1]具体为三维张量数据[1，脉搏波数据片段长度阈值，1]，即第三维度与第一维参数都是1，这说明三维张量数据[H1，W1，C1]实际就是一个一维数据序列(或者向量)，只不过因为血压CNN计算因子是四维张量格式，所以需要将一维数据序列用三维张量(三维矢量)的方式表述出来；假设脉搏波数据片段长度阈值为250，脉搏波一维数据序列[1250]分为5段，则输入数据四维张量为输入数据四维张量[5，1，250，1]，则每1段脉搏波一维数据序列片段就对应一个三维张量数据[1，250，1]；
步骤34，将第一索引的值加1；
步骤35，判断第一索引是否大于第一总数，如果第一索引大于第一总数转至步骤36，如果第一索引小于或等于第一总数转至步骤33；
步骤36，将完成矩阵元素赋值后的输入数据四维张量[B1，H1，W1，C1]作为输入数据四维张量构建结果向上位应用进行数据传送。
步骤4，按预置的卷积层数阈值，利用血压CNN对输入数据四维张量进行多层卷积池化计算生成特征数据四维张量；
具体包括：步骤41，初始化第二索引的值为1；初始化第二总数为卷积层数阈值；初始化第二索引临时四维张量为输入数据四维张量；
步骤42，利用血压CNN的第二索引层卷积层，对第二索引临时四维张量进行卷积计算处理，生成第二索引卷积输出数据四维张量；利用血压CNN的第二索引池化层，对第二索引卷积输出数据四维张量进行池化计算处理，生成第二索引池化输出数据四维张量；血压CNN包括多层卷积层和多层池化层；
此处，血压CNN由多层组成，每层都包括1个卷积层和1个池化层；
步骤43，设置第二索引临时四维张量为第二索引池化输出数据四维张量；
步骤44，将第二索引加1；
步骤45，判断第二索引是否大于第二总数，如果第二索引大于第二总数转至步骤46，如果第二索引小于或等于第二总数转至步骤42；
步骤46，设置特征数据四维张量为第二索引临时四维张量[B2，H2，W2，C2]，
其中，B2为特征数据四维张量[B2，H2，W2，C2]的第四维度参数且B2为片段总数；H2为特征数据四维张量[B2，H2，W2，C2]的第三维度参数；W2为特征数据四维张量[B2，H2，W2，C2]的第二维度参数；C2为特征数据四维张量[B2，H2，W2，C2]的第一维度参数。
此处，步骤4，是血压CNN对输入数据四维张量进行多层卷积池化计算生成特征数据四维张量的阐述；此处，血压CNN由卷积层和池化层组成，一般的结构是一层卷积搭配一层池化后再连接下一个卷积层，网络的最终层数由卷积层的数量决定既卷积层数阈值；假设卷积层数阈值为4，则此处需要完成4次卷积+池化计算；每层计算的输出结果都将作为下一层计算的输入。假设脉搏波一维数据序列[1250]的片段总数为5，且脉搏波高度不变仍为1，则特征数据四维张量应是特征数据四维张量[5，1，W2，C2]。
步骤5，根据特征数据四维张量，进行血压人工神经网络ANN的输入数据二维矩阵构建操作，生成输入数据二维矩阵；
具体包括：对特征数据四维张量[B2，H2，W2，C2]进行张量数据降维处理生成输入数据二维矩阵；输入数据二维矩阵具体为输入数据二维矩阵[W3，C3]；W3为输入数据二维矩阵[W3，C3]的第二维度参数且W3为B2；C3为输入数据二维矩阵[W3，C3]的第一维度参数且C3为H2乘以W2再乘以C2的乘积。
此处，假设特征数据四维张量为[5，1，W2，C2]为[5，1，20，64]，那么降维之后输入数据二维矩阵[W3，C3]为输入数据二维矩阵[5，1280](H2*W2*C2＝1*20*64)。
步骤6，利用血压ANN，对输入数据二维矩阵进行特征数据回归计算生成血压回归数据二维矩阵[X，2]；
其中，X为血压回归数据二维矩阵[X，2]的第二维度参数，且X的值为片段总数。
步骤7，获取预测模式标识符；
其中，预测模式标识符包括均值预测和动态预测两种标识符。
步骤8，当预测模式标识符为均值预测时，根据血压回归数据二维矩阵[X，2]，进行均值舒张压数据计算操作生成预测均值舒张压数据和均值收缩压数据计算操作生成预测均值收缩压数据；
具体包括：提取血压回归数据二维矩阵[X，2]包括的所有片段收缩压数据进行总和计算生成收缩压总和，根据收缩压总和除以片段总数的商生成预测均值收缩压数据；提取血压回归数据二维矩阵[X，2]包括的所有片段舒张压数据进行总和计算生成舒张压总和，根据舒张压总和除以片段总数的商生成预测均值收缩压数据；血压回归数据二维矩阵[X，2]包括片段总数个回归数据一维数据序列[2]；回归数据一维数据序列[2]包括片段收缩压数据和片段舒张压数据。
假设血压回归数据二维矩阵[X，2]为血压回归数据二维矩阵[5，2]＝{[D11，D12]，[D21，D22]，[D31，D32]，[D41，D42]，[D51，D52]}，那么血压回归数据二维矩阵[5，2]包括的回归数据一维数据序列则分别是：第一回归数据一维数据序列[2]＝{D11，D12}，第二回归数据一维数据序列[2]＝{D21，D22}，第三回归数据一维数据序列[2]＝{D31，D32}，第四回归数据一维数据序列[2]＝{D41，D42}，第五回归数据一维数据序列[2]＝{D51，D52}；其中，每个回归数据一维数据序列中的两个值分别是对应着当前片段的片段舒张压数据(偏小值)和片段收缩压数据(偏大值)；
此处，当预测模式标识符为均值预测时，说明只需要采集时间阈值的平均血压值，假设采集时间阈值为10秒，则此时算出的就是这10秒内的血压均值数据；假设DX1都为片段舒张压数据，则预测均值舒张压数据＝(D11+D21+D31+D41+D51)/5；假设DX2都为片段收缩压数据，则预测均值收缩压数据＝(D12+D22+D32+D42+D52)/5。
步骤9，当预测模式标识符为动态预测时，根据血压回归数据二维矩阵[X，2]，进行舒张压数据与收缩压数据提取操作，生成预测血压一维数据序列；
具体包括：步骤91，预测模式标识符为动态预测时，初始化预测血压一维数据序列为空；设置血压数据组；初始化血压数据组的舒张压数据为空；初始化血压数据组的收缩压数据为空；
步骤92，依次提取血压回归数据二维矩阵[X，2]包括的回归数据一维数据序列[2]生成当前数据序列[2]；设置血压数据组的收缩压数据为当前数据序列[2]的片段收缩压数据，设置血压数据组的舒张压数据为当前数据序列[2]的片段舒张压数据；并将血压数据组向预测血压一维数据序列进行数据组添加操作。
此处，是将血压回归数据二维矩阵[X，2]中的血压数据提取出来生成一个能体现动态血压变化的预测血压一维数据序列；
假设血压回归数据二维矩阵[X，2]为血压回归数据二维矩阵[5，2]＝{[D11，D12]，[D21，D22]，[D31，D32]，[D41，D42]，[D51，D52]}，那么血压回归数据二维矩阵[5，2]包括的回归数据一维数据序列则分别是：第一回归数据一维数据序列[2]＝{D11，D12}，第二回归数据一维数据序列[2]＝{D21，D22}，第三回归数据一维数据序列[2]＝{D31，D32}，第四回归数据一维数据序列[2]＝{D41，D42}，第五回归数据一维数据序列[2]＝{D51，D52}；其中，每个回归数据一维数据序列中的两个值分别是对应着当前片段的片段舒张压数据(偏小值)和片段收缩压数据(偏大值)；
则经过提取之后，则预测血压一维数据序列应是预测血压一维数据序列[5]＝{第1血压数据组，第2血压数据组，第3血压数据组，第4血压数据组，第5血压数据组}；其中，第1血压数据组的舒张压数据为[D11，D12]中的片段舒张压数据，第1血压数据组的收缩压数据为[D11，D12]中的片段收缩压数据；……第5血压数据组的舒张压数据为[D51，D52]中的片段收缩压数据，第5血压数据组的收缩压数据为[D51，D52]中的片段收缩压数据。
如图2为本发明实施例二提供的一种血压预测的方法示意图所示，本方法主要包括如下步骤：
步骤101，初始化尝试重测计数器的值为0，初始化第一校验位为0，初始化第二校验位为0。
步骤102，调用光体积变化描记图法PPG信号采集生成设备在信号采集时间阈值内对生物体局部皮肤表面进行预置光源信号采集操作生成PPG信号数据，对PPG信号数据进行脉搏波数据转换操作生成脉搏波信号数据，对脉搏波信号数据按脉搏波特征采样频率阈值进行数据采样生成脉搏波一维数据序列。
此处，预置光源信号至少包括红光源信号、红外光源信号和绿光源信号的一类。
此处，脉搏波一维数据序列具体为脉搏波一维数据序列[A]；A为脉搏波一维数据序列[A]的第一维度参数，且A的值为信号采集时间阈值乘以脉搏波特征采样频率阈值的乘积。例如，设信号采集时间阈值为10秒，脉搏波特征采样频率阈值为125Hz，那么此处的A＝125*10＝1250，表示采集到的数据有1250个。脉搏波一维数据序列[A]具体就成为脉搏波一维数据序列[1250]，是一个包括了1250个独立脉搏波数据的一维数据序列。
步骤103，按脉搏波数据片段长度阈值对脉搏波一维数据序列进行数据片段划分生成多个脉搏波一维数据片段；以脉搏波一维数据序列包括的脉搏波一维数据片段的总数为片段总数。
此处，因为后续要使用血压CNN对脉搏波一维数据序列中的数据进行特征计算，鉴于血压CNN的输入有要求，则按照血压CNN输入的最大数据长度对脉搏波一维数据序列进行片段划分，其中，脉搏波数据片段长度阈值就是血压CNN输入的最大数据长度。此处的片段总数设置方法：如果脉搏波一维数据序列总数据长度能被脉搏波数据片段长度阈值进行整除，那么片段总数即为二者相除的商；如果脉搏波一维数据序列总数据长度不能被脉搏波数据片段长度阈值进行整除，那么片段总数即为二者相除的商取整后的结果。例如，假设脉搏波数据片段长度阈值为250，则此处片段总数为1250/250＝5；假设脉搏波数据片段长度阈值为200，则此处片段总数为|1250/200|＝6。
步骤104，根据片段总数和脉搏波一维数据序列，进行血压卷积神经网络CNN的输入数据四维张量构建操作，生成输入数据四维张量；按预置的卷积层数阈值，利用血压CNN对输入数据四维张量进行多层卷积池化计算生成特征数据四维张量。
此处，首先将得到的脉搏波数据段转换为4维数据，四个维度[B，H，W，C]分别代表片段个数(batch)、片段数据的高度(height)、片段数据的宽度(width)和片段数据的通道数(channel)。在处理彩色图像数据时，片段的高度、宽度和通道数分别对应图像的高、宽和RGB通道。由于脉搏波数据是一维时间序列，所以片段个数B应设置为片段总数，高度H应设置为1，通道数C应设置为1，宽度W为此前设定的片段长度即脉搏波数据片段长度阈值，例如：假设脉搏波数据片段长度阈值为250，将脉搏波一维数据序列[1250]进行转换后得到的输入数据四维张量是[B1，H1，W1，C1]具体是输入数据四维张量[5，1，250，1]；
其次，是对血压CNN对输入数据四维张量进行多层卷积池化计算生成特征数据四维张量；此处，血压CNN由卷积层和池化层组成，一般的结构是一层卷积搭配一层池化后再连接下一个卷积层，网络的最终层数由卷积层的数量决定既卷积层数阈值；假设卷积层数阈值为4，则此处需要完成4次卷积+池化计算；每层计算的输出结果都将作为下一层计算的输入；此处，特征数据四维张量具体为特征数据四维张量[B2，H2，W2，C2]，其中，B2为特征数据四维张量[B2，H2，W2，C2]的第四维度参数且B2的值为片段总数；H2为特征数据四维张量[B2，H2，W2，C2]的第三维度参数；W2为特征数据四维张量[B2，H2，W2，C2]的第二维度参数；C2为特征数据四维张量[B2，H2，W2，C2]的第一维度参数。假设脉搏波一维数据序列[1250]的片段总数为5，且脉搏波高度不变仍为1，则特征数据四维张量应是特征数据四维张量[5，1，W2，C2]。
步骤105，根据特征数据四维张量，进行血压人工神经网络ANN的输入数据二维矩阵构建操作，生成输入数据二维矩阵；
具体包括：对特征数据四维张量[B2，H2，W2，C2]进行张量数据降维处理生成输入数据二维矩阵；输入数据二维矩阵具体为输入数据二维矩阵[W3，C3]；
其中，W3为输入数据二维矩阵[W3，C3]的第二维度参数且W3为B2；C3为输入数据二维矩阵[W3，C3]的第一维度参数且C3为H2乘以W2再乘以C2的乘积。
此处，假设特征数据四维张量为[5，1，W2，C2]为[5，1，20，64]，那么降维之后输入数据二维矩阵[W3，C3]为输入数据二维矩阵[5，1280](H2*W2*C2＝1*20*64)。
步骤106，利用血压ANN，对输入数据二维矩阵进行特征数据回归计算生成血压回归数据二维矩阵[X，2]；
其中，X为血压回归数据二维矩阵[X，2]的第二维度参数，且X的值为片段总数。
步骤107，获取预测模式标识符；
其中，预测模式标识符包括均值预测和动态预测。
步骤108，当预测模式标识符为均值预测时，根据血压回归数据二维矩阵[X，2]，进行均值舒张压数据计算操作生成预测均值舒张压数据和均值收缩压数据计算操作生成预测均值收缩压数据；
具体包括：步骤1081，当预测模式标识符为均值预测时，初始化临时预测血压一维数据序列为空；设置血压数据组；初始化血压数据组的舒张压数据为空；初始化血压数据组的收缩压数据为空；
步骤1082，依次提取血压回归数据二维矩阵[X，2]包括的回归数据一维数据序列生成当前一维数据序列[2]；设置血压数据组的收缩压数据为当前一维数据序列[2]的片段收缩压数据，设置血压数据组的舒张压数据为当前一维数据序列[2]的片段舒张压数据；并将血压数据组向临时预测血压一维数据序列进行数据组添加操作；
此处，步骤1081-1082是将血压回归数据二维矩阵[X，2]中的血压数据提取出来生成临时预测血压一维数据序列，以供后续计算均值使用，其中，血压回归数据二维矩阵[X，2]包括片段总数个回归数据一维数据序列；当前一维数据序列[2]包括片段舒张压数据和片段收缩压数据；
步骤1083，对临时预测血压一维数据序列中包括的所有血压数据组的舒张压数据进行总和计算生成舒张压总和，根据舒张压总和除以片段总数的商生成预测均值舒张压数据；对临时预测血压一维数据序列中包括的所有血压数据组的收缩压数据进行总和计算生成收缩压总和，根据收缩压总和除以片段总数的商生成预测均值收缩压数据。
此处，当预测模式标识符为均值预测时，说明只需要采集时间阈值内血压数据的平均血压值，其中，预测均值舒张压数据＝片段舒张压总和/片段总数；预测均值收缩压数据＝片段收缩压总和/片段总数。
步骤109，如果预测均值收缩压数据超出预置的收缩压正常阈值范围则将第一校验位设置为1，如果预测均值收缩压数据未超出收缩压正常阈值范围则将第一校验位设置为0；如果预测均值舒张压数据超出预置的舒张压正常阈值范围则将第二校验位设置为1，如果预测均值舒张压数据未超出舒张压正常阈值范围则将第二校验位设置为0。
此处，是对预测出的数据做正常范围判定，如果都在正常范围内则第一校验位与第二校验位均为0，反之，则设置对应的校验位为1。
步骤110，判断第一校验位与第二校验位是否均为0，如果第一校验位与第二校验位均为0则转至步骤114，如果第一校验位与第二校验位不全为0则转至步骤111。
此处，如果第一校验位与第二校验位均为0则表示均在正常血压范围之内，下一步转至步骤114对返回数据进行准备；反之，则进入步骤111-113的启动重新测试的处理过程。
步骤111，将尝试重测计数器的值加1。
步骤112，判断尝试重测计数器是否大于预置的尝试重测计数器最大值，如果尝试重测计数器大于预置的尝试重测计数器最大值则转至步骤113，如果尝试重测计数器小于或等于尝试重测计数器最大值则转至步骤102。
此处，如果尝试重测计数器在许可范围之内，则本发明实施例要求对PPG信号进行重新采集，并重新对新采集的PPG数据进行血压预测处理；如果尝试重测计数器超出许可范围，则可能有多种原因导致出错：采集传感器错误、人体实际血压出现问题等等，基于任何一原因都需要停止当前采集分析处理流程并引起使用者或者测试者的注意，因此将会转至步骤113进行错误情况处理。
步骤113，停止对PPG数据的采样及血压数据分析处理流程，设置返回数据为血压数据超出正常阈值范围错误信息；转至步骤115。
此处，执行上文中提及的体制流程操作，并将向上位应用准备的返回数据设置为：血压数据超出正常阈值范围错误信息。
步骤114，将尝试重测计数器清零，并设置返回数据为预测均值舒张压数据+预测均值收缩压数据。
此处，整个执行过程中未出现任何错误，则将向上位应用准备的返回数据设置为：预测均值舒张压数据+预测均值收缩压数据。
步骤115，将返回数据向上位应用进行发送。
此处，根据实际应用情况，上位应用可以是函数、软件、系统或者硬件模块。
如图3为本发明实施例三提供的一种血压预测的装置的设备结构示意图所示，该设备包括：处理器和存储器。存储器可通过总线与处理器连接。存储器可以是非易失存储器，例如硬盘驱动器和闪存，存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能；设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序，该软件程序被执行时，能够实现本发明实施例提供的方法。
需要说明的是，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执行时，能够实现本发明实施例提供的方法。
本发明实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得处理器执行上述方法。
本发明实施例提供的一种血压预测的方法和装置，使用PPG采集设备对测试者进行数据采集，采用由血压CNN和血压ANN组成的智能网络模型对PPG采集数据进行血压数据预测(舒张压、收缩压)。通过使用本发明实施例的方法和装置，既避免了常规测试手段的繁琐和不适感，又产生了一种自动智能的数据分析方法，从而使得应用方可以方便地对被测对象进行多次连续监测。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种血压预测的方法，其特征在于，所述方法包括：
对光体积变化描记图法PPG信号数据进行脉搏波转换及采样处理生成脉搏波一维数据序列；并按脉搏波数据片段长度阈值对所述脉搏波一维数据序列进行数据片段划分生成多个脉搏波一维数据片段；以所述脉搏波一维数据序列包括的所述脉搏波一维数据片段的总数为片段总数；
根据所述片段总数和所述脉搏波一维数据序列，进行血压卷积神经网络CNN的输入数据四维张量构建操作，生成输入数据四维张量；
按预置的卷积层数阈值，利用所述血压CNN对所述输入数据四维张量进行多层卷积池化计算生成特征数据四维张量；
根据所述特征数据四维张量，进行血压人工神经网络ANN的输入数据二维矩阵构建操作，生成输入数据二维矩阵；
利用所述血压ANN，对所述输入数据二维矩阵进行特征数据回归计算生成血压回归数据二维矩阵[X，2]；所述X为所述血压回归数据二维矩阵[X，2]的第二维度参数，且所述X的值为所述片段总数；
获取预测模式标识符；所述预测模式标识符包括均值预测和动态预测两种标识符；
当所述预测模式标识符为所述均值预测时，根据所述血压回归数据二维矩阵[X，2]，进行均值舒张压数据计算操作生成预测均值舒张压数据和均值收缩压数据计算操作生成预测均值收缩压数据；
当所述预测模式标识符为所述动态预测时，根据所述血压回归数据二维矩阵[X，2]，进行舒张压数据与收缩压数据提取操作，生成预测血压一维数据序列。
2.根据权利要求1所述的血压预测的方法，其特征在于，所述对光体积变化描记图法PPG信号数据进行脉搏波转换及采样处理生成脉搏波一维数据序列，具体包括：
调用PPG信号采集生成设备在信号采集时间阈值内对生物体局部皮肤表面进行所述预置光源信号采集操作生成所述PPG信号数据；所述预置光源信号至少包括红光源信号、红外光源信号和绿光源信号的一类；
对所述PPG信号数据进行脉搏波数据转换操作生成脉搏波信号数据；
对所述脉搏波信号数据按脉搏波特征采样频率阈值进行数据采样生成所述脉搏波一维数据序列；所述脉搏波一维数据序列具体为脉搏波一维数据序列[A]；所述A为所述脉搏波一维数据序列[A]的第一维度参数，且所述A为所述信号采集时间阈值乘以所述脉搏波特征采样频率阈值的乘积。
3.根据权利要求1所述的血压预测的方法，其特征在于，所述根据所述片段总数和所述脉搏波一维数据序列，进行血压卷积神经网络CNN的输入数据四维张量构建操作，生成输入数据四维张量，具体包括：
步骤31，设置所述输入数据四维张量为输入数据四维张量[B1，H1，W1，C1]；所述输入数据四维张量[B1，H1，W1，C1]包括所述B1个三维张量数据[H1，W1，C1]；所述B1为所述输入数据四维张量[B1，H1，W1，C1]的第四维度参数，且所述B1为所述片段总数；所述H1为所述输入数据四维张量[B1，H1，W1，C1]的第三维度参数，且所述H1的值为1；所述W1为所述输入数据四维张量[B1，H1，W1，C1]的第二维度参数，且所述W1为所述脉搏波数据片段长度阈值；所述C1为所述输入数据四维张量[B1，H1，W1，C1]的第一维度参数，且所述C1的值为1；
步骤32，初始化所述输入数据四维张量[B1，H1，W1，C1]中所有所述三维张量数据[H1，W1，C1]为空；初始化第一索引的值为1；初始化第一总数为所述片段总数：
步骤33，根据所述脉搏波一维数据序列中与所述第一索引对应的脉搏波一维数据片段，对所述输入数据四维张量[B1，H1，W1，C1]中与所述第一索引对应的三维张量数据[H1，W1，C1]的矩阵元素进行数值赋值处理；
步骤34，将所述第一索引的值加1；
步骤35，判断所述第一索引是否大于所述第一总数，如果所述第一索引大于所述第一总数转至步骤36，如果所述第一索引小于或等于所述第一总数转至步骤33；
步骤36，将完成矩阵元素赋值后的所述输入数据四维张量[B1，H1，W1，C1]作为输入数据四维张量构建结果向上位应用进行数据传送。
4.根据权利要求1所述的血压预测的方法，其特征在于，所述按预置的卷积层数阈值，利用所述血压CNN对所述输入数据四维张量进行多层卷积池化计算生成特征数据四维张量，具体包括：
步骤41，初始化第二索引的值为1；初始化第二总数为所述卷积层数阈值；初始化第二索引临时四维张量为所述输入数据四维张量；
步骤42，利用所述血压CNN的第二索引层卷积层，对所述第二索引临时四维张量进行卷积计算处理，生成第二索引卷积输出数据四维张量；利用所述血压CNN的第二索引池化层，对所述第二索引卷积输出数据四维张量进行池化计算处理，生成第二索引池化输出数据四维张量；所述血压CNN包括多层所述卷积层和多层所述池化层；
步骤43，设置所述第二索引临时四维张量为所述第二索引池化输出数据四维张量；
步骤44，将所述第二索引加1；
步骤45，判断所述第二索引是否大于所述第二总数，如果所述第二索引大于所述第二总数转至步骤46，如果所述第二索引小于或等于所述第二总数转至步骤42；
步骤46，设置所述特征数据四维张量为所述第二索引临时四维张量。
5.根据权利要求1所述的血压预测的方法，其特征在于，所述根据所述特征数据四维张量，进行血压人工神经网络ANN的输入数据二维矩阵构建操作，生成输入数据二维矩阵，具体包括：
所述特征数据四维张量具体为特征数据四维张量[B2，H2，W2，C2]；所述B2为所述特征数据四维张量[B2，H2，W2，C2]的第四维度参数且所述B2为所述片段总数；所述H2为所述特征数据四维张量[B2，H2，W2，C2]的第三维度参数；所述W2为所述特征数据四维张量[B2，H2，W2，C2]的第二维度参数；所述C2为所述特征数据四维张量[B2，H2，W2，C2]的第一维度参数；
对所述特征数据四维张量[B2，H2，W2，C2]进行张量数据降维处理生成所述输入数据二维矩阵；所述输入数据二维矩阵具体为输入数据二维矩阵[W3，C3]；所述W3为所述输入数据二维矩阵[W3，C3]的第二维度参数且所述W3为所述B2；所述C3为所述输入数据二维矩阵[W3，C3]的第一维度参数且所述C3为所述H2乘以所述W2再乘以所述C2的乘积。
6.根据权利要求1所述的血压预测的方法，其特征在于，当所述预测模式标识符为所述均值预测时，根据所述血压回归数据二维矩阵[X，2]，进行均值舒张压数据计算操作生成预测均值舒张压数据和均值收缩压数据计算操作生成预测均值收缩压数据，具体包括：
提取所述血压回归数据二维矩阵[X，2]包括的所有片段收缩压数据进行总和计算生成收缩压总和，根据所述收缩压总和除以所述片段总数的商生成所述预测均值收缩压数据；提取所述血压回归数据二维矩阵[X，2]包括的所有片段舒张压数据进行总和计算生成舒张压总和，根据所述舒张压总和除以所述片段总数的商生成所述预测均值收缩压数据；所述血压回归数据二维矩阵[X，2]包括所述片段总数个回归数据一维数据序列[2]；所述回归数据一维数据序列[2]包括所述片段收缩压数据和所述片段舒张压数据。
7.根据权利要求6所述的血压预测的方法，其特征在于，当所述预测模式标识符为所述动态预测时，根据所述血压回归数据二维矩阵[X，2]，进行舒张压数据与收缩压数据提取操作，生成预测血压一维数据序列，具体包括：
所述预测模式标识符为所述动态预测时，初始化预测血压一维数据序列为空；设置血压数据组；初始化所述血压数据组的舒张压数据为空；初始化所述血压数据组的收缩压数据为空；
依次提取所述血压回归数据二维矩阵[X，2]包括的所述回归数据一维数据序列[2]生成当前数据序列[2]；设置血压数据组的所述收缩压数据为所述当前数据序列[2]的所述片段收缩压数据，设置血压数据组的所述舒张压数据为所述当前数据序列[2]的所述片段舒张压数据；并将所述血压数据组向所述预测血压一维数据序列进行数据组添加操作。
8.一种设备，包括存储器和处理器，其特征在于，所述存储器用于存储程序，所述处理器用于执行如权利要求1至7任一项所述的方法。
9.一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行根据权利要求1至7任一项所述的方法。
CN202010110288.3A 2020-02-21 2020-02-21 一种血压预测的方法和装置 Active CN111248883B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010110288.3A CN111248883B (zh) 2020-02-21 2020-02-21 一种血压预测的方法和装置
PCT/CN2020/129629 WO2021164345A1 (zh) 2020-02-21 2020-11-18 一种血压预测的方法和装置
EP20919486.9A EP4108164A4 (en) 2020-02-21 2020-11-18 METHOD AND DEVICE FOR PREDICTING BLOOD PRESSURE
US17/904,672 US20230107787A1 (en) 2020-02-21 2020-11-18 Blood pressure prediction method and device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010110288.3A CN111248883B (zh) 2020-02-21 2020-02-21 一种血压预测的方法和装置

Publications (2)

Publication Number Publication Date
CN111248883A true CN111248883A (zh) 2020-06-09
CN111248883B CN111248883B (zh) 2022-08-02

Family

ID=70941741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010110288.3A Active CN111248883B (zh) 2020-02-21 2020-02-21 一种血压预测的方法和装置

Country Status (4)

Country Link
US (1) US20230107787A1 (zh)
EP (1) EP4108164A4 (zh)
CN (1) CN111248883B (zh)
WO (1) WO2021164345A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070067A (zh) * 2020-10-12 2020-12-11 乐普（北京）医疗器械股份有限公司 一种光体积描计信号的散点图分类方法和装置
CN112336325A (zh) * 2020-10-12 2021-02-09 乐普（北京）医疗器械股份有限公司 一种融合标定光体积描计信号数据的血压预测方法和装置
WO2021164345A1 (zh) * 2020-02-21 2021-08-26 乐普（北京）医疗器械股份有限公司 一种血压预测的方法和装置
WO2021184801A1 (zh) * 2020-03-17 2021-09-23 乐普（北京）医疗器械股份有限公司 一种基于同步信号进行血压预测的方法和装置
EP4056108A1 (en) * 2021-03-10 2022-09-14 Samsung Electronics Co., Ltd. Apparatus and method for estimating bio-information

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106037694A (zh) * 2016-05-13 2016-10-26 吉林大学 一种基于脉搏波的连续血压测量装置
CN107669256A (zh) * 2017-11-13 2018-02-09 深圳先进技术研究院 连续血压的测量方法、装置和系统
CN108498089A (zh) * 2018-05-08 2018-09-07 北京邮电大学 一种基于深度神经网络的无创连续血压测量方法
CN108926334A (zh) * 2017-05-26 2018-12-04 深圳市玉成创新科技有限公司 基于脉搏波的血压获取方法及其系统和装置
WO2019100827A1 (zh) * 2017-11-24 2019-05-31 深圳市岩尚科技有限公司 一种脉搏波信号中提取血压数据的方法及装置
KR20200006447A (ko) * 2018-07-10 2020-01-20 재단법인 아산사회복지재단 동맥압 파형을 이용한 심박출량 획득 방법 및 그 프로그램

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110077484A1 (en) * 2009-09-30 2011-03-31 Nellcor Puritan Bennett Ireland Systems And Methods For Identifying Non-Corrupted Signal Segments For Use In Determining Physiological Parameters
CN107928654A (zh) * 2017-12-11 2018-04-20 重庆邮电大学 一种基于神经网络的脉搏波信号血压检测方法
US10973468B2 (en) * 2018-07-12 2021-04-13 The Chinese University Of Hong Kong Deep learning approach for long term, cuffless, and continuous arterial blood pressure estimation
CN109288508A (zh) * 2018-08-18 2019-02-01 浙江好络维医疗技术有限公司 一种基于crnn-bp的血压值智能测量方法
CN111248883B (zh) * 2020-02-21 2022-08-02 乐普（北京）医疗器械股份有限公司 一种血压预测的方法和装置
CN111358452B (zh) * 2020-03-17 2022-07-29 乐普（北京）医疗器械股份有限公司 一种基于同步信号进行血压预测的方法和装置
CN111358451B (zh) * 2020-03-17 2022-07-29 乐普（北京）医疗器械股份有限公司 一种血压预测方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106037694A (zh) * 2016-05-13 2016-10-26 吉林大学 一种基于脉搏波的连续血压测量装置
CN108926334A (zh) * 2017-05-26 2018-12-04 深圳市玉成创新科技有限公司 基于脉搏波的血压获取方法及其系统和装置
CN107669256A (zh) * 2017-11-13 2018-02-09 深圳先进技术研究院 连续血压的测量方法、装置和系统
WO2019100827A1 (zh) * 2017-11-24 2019-05-31 深圳市岩尚科技有限公司 一种脉搏波信号中提取血压数据的方法及装置
CN109833034A (zh) * 2017-11-24 2019-06-04 深圳市岩尚科技有限公司 一种脉搏波信号中提取血压数据的方法及装置
CN108498089A (zh) * 2018-05-08 2018-09-07 北京邮电大学 一种基于深度神经网络的无创连续血压测量方法
KR20200006447A (ko) * 2018-07-10 2020-01-20 재단법인 아산사회복지재단 동맥압 파형을 이용한 심박출량 획득 방법 및 그 프로그램

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021164345A1 (zh) * 2020-02-21 2021-08-26 乐普（北京）医疗器械股份有限公司 一种血压预测的方法和装置
WO2021184801A1 (zh) * 2020-03-17 2021-09-23 乐普（北京）医疗器械股份有限公司 一种基于同步信号进行血压预测的方法和装置
CN112070067A (zh) * 2020-10-12 2020-12-11 乐普（北京）医疗器械股份有限公司 一种光体积描计信号的散点图分类方法和装置
CN112336325A (zh) * 2020-10-12 2021-02-09 乐普（北京）医疗器械股份有限公司 一种融合标定光体积描计信号数据的血压预测方法和装置
WO2022077889A1 (zh) * 2020-10-12 2022-04-21 乐普（北京）医疗器械股份有限公司 一种融合标定光体积描计信号数据的血压预测方法和装置
CN112070067B (zh) * 2020-10-12 2023-11-21 乐普（北京）医疗器械股份有限公司 一种光体积描计信号的散点图分类方法和装置
CN112336325B (zh) * 2020-10-12 2024-02-23 乐普（北京）医疗器械股份有限公司 一种融合标定光体积描计信号数据的血压预测方法和装置
EP4056108A1 (en) * 2021-03-10 2022-09-14 Samsung Electronics Co., Ltd. Apparatus and method for estimating bio-information

Also Published As

Publication number Publication date
CN111248883B (zh) 2022-08-02
EP4108164A4 (en) 2024-02-28
EP4108164A1 (en) 2022-12-28
US20230107787A1 (en) 2023-04-06
WO2021164345A1 (zh) 2021-08-26

Similar Documents

Publication Publication Date Title
CN111248883B (zh) 一种血压预测的方法和装置
US20230131876A1 (en) Systems and methods of identity analysis of electrocardiograms
CN111248882B (zh) 一种预测血压的方法和装置
CN110619322A (zh) 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统
CN109035284B (zh) 基于深度学习的心脏ct图像分割方法、装置、设备及介质
CN111134662B (zh) 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置
CN111358452B (zh) 一种基于同步信号进行血压预测的方法和装置
CN111588367A (zh) 心率检测方法、装置及计算机可读存储介质
KR102483693B1 (ko) 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법
CN111291727B (zh) 一种光体积变化描记图法信号质量检测方法和装置
CN111358451B (zh) 一种血压预测方法和装置
WO2021184802A1 (zh) 一种血压分类预测方法和装置
CN112070067A (zh) 一种光体积描计信号的散点图分类方法和装置
CN111248881B (zh) 一种对血压进行预测的方法和装置
CN111248880A (zh) 一种基于光体积变化描记图法信号的血压预测方法和装置
CN113647905A (zh) 深度神经网络预测血压的训练方法、计算机装置和存储介质
CN116451129A (zh) 一种脉象分类识别方法及系统
CN115836847A (zh) 一种血压预测装置及设备
CN112842355B (zh) 基于深度学习目标检测的心电信号心搏检测识别方法
CN113990499A (zh) 一种心脏年龄评估方法、装置、电子设备及存储介质
CN114869249B (zh) 脉搏波特征参数的获取方法、装置、电子设备及介质
Sushma et al. AI Medical Diagnosis Application
CN114403831B (zh) 一种ppg波形脉冲提取方法及装置
Odugoudar et al. ECG Classification System for Arrhythmia Detection Using Convolutional Neural Networks
Patel et al. Multi-Modal Data Fusion Based Cardiac Disease Prediction using Late Fusion and 2D CNN Architectures

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant