CN112971748B - 一种实时血压估算方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明提供一种实时血压估算方法、装置、电子设备及存储介质。所述实时血压估算方法，包括：获取当前用户的个体参数信息以及采用两种方式测量得到的脉搏波信号的实时特征信息；根据个体参数信息及预设类别，确定当前用户所属预设类别；利用当前用户所属预设类别对应的预设血压基础模型，得到血压基础值；将脉搏波信号的实时特征信息输入预设血压微调模型，得到血压微调值；将血压基础值及血压微调值叠加得到当前用户的实时血压估算结果。本发明解决了脉搏波信号的建模分析不准确，且生理状态变化后导致建模分析过程繁琐的问题，能够得到准确的实时血压估算结果。

Description

一种实时血压估算方法、装置、电子设备及存储介质

技术领域

本发明涉及血压测量技术领域，尤其涉及一种实时血压估算方法、装置、电子设备及存储介质。

背景技术

现有技术的脉搏波信号分析流程为：先采集并对信号做预处理（滤波、放大等），再提取心动周期，然后在每个周期内提取特征点，最后对特征点进行建模分析，流程如图1所示。

但现有技术中的建模分析过程存在如下问题：

其一，由于输入的标定数据量比较少（不可能要求用户反复输入用其他设备测量的血压值），很可能由于外界干扰、读数误差等因素引入单次测量误差，导致参数拟合不准确。

其二，如果人体生理状态发生变化，比如：生病、饮酒、吃药、剧烈运动等，都会对这些参数产生影响。按照已有方法，需要重新使用其他设备测量血压标定数据，操作过程繁琐。

发明内容

针对现有技术中脉搏波信号的建模分析不准确，且生理状态变化后导致建模分析过程繁琐的问题，本发明提供一种实时血压估算方法、装置、电子设备及存储介质。

第一方面，本发明提供一种实时血压估算方法，包括：

获取当前用户的个体参数信息以及采用两种方式测量得到的脉搏波信号的实时特征信息；

根据个体参数信息及预设类别，确定当前用户所属预设类别；

利用当前用户所属预设类别对应的预设血压基础模型，得到血压基础值；

将脉搏波信号的实时特征信息输入预设血压微调模型，得到血压微调值；

将血压基础值及血压微调值叠加得到当前用户的实时血压估算结果。

根据本发明的实施例，可选地，所述方法还包括：根据个体参数信息划分用户的预设类别；所述根据个体参数信息划分用户的预设类别，包括：

根据初始分类所需各个体参数信息及第一预设规则，将用户进行初始分类，得到多个第一类别；

根据第二预设规则确定二次分类所需各个体参数信息的得分；

在每个第一类别中，基于所述得分将该第一类别中的用户进行二次分类，得到每个第一类别中的多个第二子类别，各第一类别中的每个第二子类别为一个预设类别。

根据本发明的实施例，可选地，所述个体参数信息，包括生理参数、生活习惯和疾病；其中，所述生理参数至少包括性别、年龄、身高及体重。

根据本发明的实施例，可选地，所述方法还包括：建立预设血压基础模型；所述建立预设血压基础模型，包括：

获取对同一用户采用两种不同方式测量得到的第一脉搏波信号和第二脉搏波信号，以及同步测量得到的血压信息；

提取第一脉搏波信号的实时特征信息和第二脉搏波信号的实时特征信息；

提取每个预设类别的用户对应的用户标定血压数据，其中，所述用户标定血压数据，包括：第一脉搏波信号的实时特征信息和第二脉搏波信号的实时特征信息，及同步测量得到的血压信息；

构建表征血压数据与脉搏波相位差之间关系的拟合模型，其中，所述脉搏波相位差为根据第一脉搏波信号的实时特征信息和第二脉搏波信号的实时特征信息计算得到的脉搏波信号相位差；

将提取的用户标定血压数据及所述脉搏波信号相位差代入所述拟合模型，基于最小二乘法得到所述拟合模型的待拟合参数值，进而得到预设血压基础模型。

根据本发明的实施例，可选地，所述拟合模型，包括：

SBP = b₁ / (PD + a₁)² + c₁ * HR + d₁

DBP = b₂ / (PD + a₂)² + c₂ * HR + d₂

其中，SBP、DBP和HR分别为收缩压、舒张压、心率；PD为根据采用两种方式测量得到的脉搏波信号的实时特征信息计算得到的脉搏波相位差；a₁、b₁、c₁、d₁、a₂、b₂、c₂、d₂为待拟合参数值。

根据本发明的实施例，可选地，所述方法还包括：建立预设血压微调模型；所述建立预设血压微调模型，包括：

获取采用两种方式测量得到的不同用户的脉搏波信号的实时特征信息，以及同步测量得到的血压信息，作为用户标定血压数据；

针对每个预设类别，提取该预设类别对应的用户标定血压数据；

根据每个预设类别对应的预设血压基础模型，得到每个预设血压基础模型的血压基础值；

针对每个预设血压基础模型，计算用户标定血压数据与血压估算结果的血压数据误差，作为预设血压基础模型的微调值；

将实时特征信息作为输入、预设血压基础模型的微调值作为输出，建立并训练机器学习模型，作为预设血压微调模型。

根据本发明的实施例，可选地，获取采用两种方式测量得到的脉搏波信号的实时特征信息，包括：

获取脉搏波信号；

根据所述脉搏波信号提取心动周期及在每个心动周期内提取特征点信息。

第二方面，本发明提供一种实时血压估算装置，包括：

获取模块，用于获取当前用户的个体参数信息以及采用两种方式测量得到的脉搏波信号的实时特征信息；

确定模块，用于根据个体参数信息及预设类别，确定当前用户所属预设类别；

第一计算模块，用于利用当前用户所属预设类别对应的预设血压基础模型，得到血压基础值；

第二计算模块，用于将脉搏波信号的实时特征信息输入预设血压微调模型，得到血压微调值；

第三计算模块，用于将血压基础值及血压微调值叠加得到当前用户的实时血压估算结果。

第三方面，本发明提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现第一方面所述的实时血压估算方法。

第四方面，本发明提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现第一方面所述的实时血压估算方法。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

由于单次测量血压，很容易由于环境、读数或其他因素导致测量不准确，传统的标定方法，基于个体若干次血压测量结果进行标定，很容易放大误差，造成拟合生成的参数不准确，在本发明中，先利用群体数据生成每个类别的血压基础模型，鲁棒性更强。同时，通过建立血压微调模型，能够将血压基础模型缺失的部分个体差异信息补回，从而得到准确的实时血压估算结果，解决了脉搏波信号的建模分析不准确，且生理状态变化后导致建模分析过程繁琐的问题。通过大量测试和验证，与现有技术相比本发明能够至少提高2mmHg的血压测量精度。

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是现有技术中的脉搏波信号分析流程示意图；

图2是相关技术中的实时血压估算方法的建模分析过程示意图；

图3是相关技术中对于确定的模型用户进行标定的流程示意图；

图4是本发明实施例一提供的实时血压估算方法流程图；

图5是本发明实施例一提供的心动周期内的特征点示意图；

图6是本发明实施例一提供的实时血压估算方法流程示意图；

图7是本发明实施例二提供的实时血压估算装置框图。

具体实施方式

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。

在相关技术中，建模分析过程所采用的实时血压估算方法流程如图2所示，采用流体动力学模型建模分析计算血压值。该方法的好处是，通过对参数进行拟合后，就可以一直使用。对于确定的模型，用户进行标定的流程如图3所示。标定时，用户需要在采集数据的同时，使用普通血压计采集m组血压数据（m的数值大小，根据模型中参数的个数而定。例如，线性模型和反比例模型中，m=2；二次模型中，m=3；高次模型或带HR（Heart Rate，心率）补偿的模型，m的个数可能会更多）。之后，带入模型，按照参数拟合方法确定参数（例如，可以使用最小二乘法作为参数拟合方法）。这样，模型就确定了下来。

但是这种方法有两个问题。其一，由于输入的标定数据量比较少（不可能要求用户反复输入用其他设备测量的血压值），很可能由于外界干扰、读数误差等因素引入单次测量误差，导致参数拟合不准确。其二，如果人体生理状态发生变化，比如：生病、饮酒、吃药、剧烈运动等，都会对这些参数产生影响。按照传统方法，需要重新使用跟其他设备测量血压标定数据，操作过程繁琐。

实施例一

图4示出了一种实时血压估算方法流程图，如图4所示，本实施例提供一种实时血压估算方法，包括如下步骤：

步骤S110、获取当前用户的个体参数信息以及采用两种方式测量得到的脉搏波信号的实时特征信息。

上述个体参数信息，可以包括但不限于生理参数、生活习惯和疾病。

其中，生理参数至少包括性别、年龄、身高及体重；

举例来说，生活习惯可以包括是否吸烟、平均每天吸烟量，是否饮酒、平均每天饮酒量，是否经常加班或熬夜，从事精神紧张的工作，以及平均每周运动量；疾病可以包括是否有高血压病史、是否有高血压相关的并发症（如冠心病、动脉硬化、脑出血病史、心肌肥厚、心功能减弱、心功能衰竭、高血压肾病、高血压眼病等），以及是否有其他心脑血管系统疾病。

在实际应用中，本方法可以以APP的形式在血压测量设备中实现个体参数信息，用户首次登陆注册APP时，输入上述个体参数信息。

优选地，可以分别采用压力传感器和光电传感器测量当前用户的脉搏波信号，得到第一脉搏波信号（压力脉搏波信号）和第二脉搏波信号（光电脉搏波信号），并提取第一脉搏波信号和第二脉搏波信号的实时特征信息。

具体地，获取采用两种方式测量得到的脉搏波信号的实时特征信息，包括：

步骤S110-1、获取脉搏波信号，包括采用一种测量方式测量得到的第一脉搏波信号和采用另一种测量方式测量得到的第二脉搏波信号。

步骤S110-2、根据脉搏波信号提取心动周期及在每个心动周期内提取特征点信息，其中提取的特征点可以包括如图5所示的特征点。提取心动周期可以采用现有技术中的常用技术手段，例如可以采用如下方式提取心动周期：

针对5s片段的脉搏波信号提取心动周期，首先，对波形进行通带为0.5-10Hz的带通滤波处理，去除低频基线偏移和高频干扰；其次，对信号进行峰值检测，提取全部极大值点；然后，提取该片段信号幅值范围，保留幅值超过信号幅值范围50%的极大值点；接着，寻找极大值点前的第一个极小值点，计算该极小值点与对应极大值点的幅值落差；如果该幅值落差小于50%信号幅值范围，则去掉该极大值点；最后，剩余的所有极大值点作为提取到的脉搏波每搏主峰峰值点，相邻极大值点之间的时间延时，即提取的心动周期。

可以理解的是，根据心动周期（CP）可以得到心率（HR）：HR = 60 / CP。

步骤S120、根据个体参数信息及预设类别，确定当前用户所属预设类别。

具体来说，根据对不同个体参数信息的用户分类所得的预设类别，以及当前用户的个体参数信息，能够确定当前用户所属预设类别。例如，根据体参数信息及第一预设规则，确定当前用户所属第一类别，然后根据第二预设规则确定当前用户的个体参数信息的得分，通过将该得分与预设类别的得分进行聚类，确定该得分与对应的预设类别，也就确定出当前用户所属预设类别。

步骤S210-3、在每个第一类别中，基于得分将该第一类别中的用户进行二次分类，得到每个第一类别中的多个第二子类别，各第一类别中的每个第二子类别为一个预设类别。

步骤S130、利用当前用户所属预设类别对应的预设血压基础模型，得到血压基础值。

可以理解的是，每个预设类别对应一个预设血压基础模型，根据当前用户所属预设类别可确定采用该预设类别对应的预设血压基础模型进行血压估算。

步骤S140、将脉搏波信号的实时特征信息输入预设血压微调模型，得到血压微调值。

可以理解的是，预设血压微调模型的输入是脉搏波信号的实时特征信息，输出是血压微调值，血压微调值也就是预设血压基础模型上需要增减的微调数据。在利用预设血压基础模型进行血压估算的基础上，利用预设血压微调模型得到血压微调值，以便进一步得到最终的实时血压估算结果。

步骤S150、将血压基础值及血压微调值叠加得到当前用户的实时血压估算结果。

为了实现对用户分类进行实时血压估算，需要预先对用户进行类别划分，因此，执行步骤S110~步骤S150之前，本方法还包括：

步骤S210、根据个体参数信息划分用户的预设类别，步骤S210具体可以包括如下子步骤：

步骤S210-1、根据初始分类所需各个体参数信息及第一预设规则，将用户进行初始分类，得到多个第一类别。

步骤S210-2、根据第二预设规则确定二次分类所需各个体参数信息的得分。

步骤S210-3、在每个第一类别中，基于得分将该第一类别中的用户进行二次分类，得到每个第一类别中的多个第二子类别，各第一类别中的每个第二子类别为一个预设类别。

下面对根据个体参数信息划分用户的预设类别的过程进行举例说明：

例如，个体参数信息包括生理参数、生活习惯和疾病；其中，生理参数包括性别、年龄、身高及体重；生活习惯包括是否吸烟、平均每天吸烟量，是否饮酒、平均每天饮酒量，是否经常加班或熬夜，从事精神紧张的工作，以及平均每周运动量；疾病包括是否有高血压病史、是否有高血压相关的并发症（如冠心病、动脉硬化、脑出血病史、心肌肥厚、心功能减弱、心功能衰竭、高血压肾病、高血压眼病等），以及是否有其他心脑血管系统疾病。

基于上述个体参数信息，得到表1：

表1 用户个体参数信息及对应得分

利用个体参数信息中的性别（两个选项：男、女）、年龄（三个年龄段：＜30岁；30-45岁；＞45岁）对用户进行初始分类，按照如下第一预设规则将用户分为6个大类，分别记为A-F（第一类别）：

男，<30岁：A；

男，30-45岁：B；

男，>45岁：C；

女，<30岁：D；

女，30-45岁：E；

女，>45岁：F。

进一步地，在每个第一类别中，针对二次分类所需各个体参数信息（包括生理参数中的身高及体重、生活习惯和疾病）按照第二预设规则（表1中的问题3-10的得分标准），确定不同身高及体重、生活习惯和疾病对应的得分。

在每个第一类别中，基于得分将该第一类别中的用户进行二次分类，得到每个第一类别中的多个第二子类别，各第一类别中的每个第二子类别为一个预设类别；具体是使用kmeans方法将每个第一类别中的用户聚类成三个第二子类别，分别记为a-c：

分数较低的正常用户：a；

分数中等的中危用户：b；

分数较高的高危用户：c。

在kmeans方法中，根据得分高低确定第二子类别，根据每个用户的总得分确定其与聚类中心的距离，初始的三个聚类中心，可以确定为8、16、24，分别为最小值、中值和最大值。

对于每个新用户，根据其所填写输入的个体参数信息，能够确定该用户的得分和所属预设类别。每增加一个新用户，都根据已经聚类好的聚类中心，计算该用户所属类别。每当新增用户量累积到达前次将每个第一类别中的用户聚类成三个第二子类别时的用户基数的5%时，重新进行一次聚类操作。每个新用户的个体参数信息都会自动增加到历史用户标定生理数据中。

进一步地，执行步骤S110~步骤S150之前，本方法还包括：

步骤S310、建立预设血压基础模型；步骤S310建立预设血压基础模型，还包括如下子步骤：

步骤S310-1、获取对同一用户采用两种不同方式测量得到的第一脉搏波信号和第二脉搏波信号，以及同步测量得到的血压信息。

其中，在测量第一脉搏波信号和第二脉搏波信号的同时，采用满足CFDA或FDA认证的标准血压计同步测量血压信息，例如，采用欧姆龙HEM1020等传统（袖带式）血压计，同步测量得到的血压信息用于建立并训练机器学习模型，以得到预设血压微调模型，计算预设血压基础模型的微调值。

步骤S310-2、提取第一脉搏波信号的实时特征信息和第二脉搏波信号的实时特征信息，包括心动周期及在每个心动周期内提取特征点信息。

步骤S310-3、提取每个预设类别的用户对应的用户标定血压数据，其中，用户标定血压数据，包括：第一脉搏波信号的实时特征信息和第二脉搏波信号的实时特征信息，及同步测量得到的血压信息。

由于个体参数信息、脉搏波信号的实时特征信息、同步测量得到的血压信息主要用于模型标定，因此称某用户的个体参数信息为某用户的标定生理数据；称某用户的同步血压信息及对应的实时特征信息为某用户的标定血压数据。某用户的这三类信息统称为该用户的标定数据信息。全部用户的标定数据信息，即为所有用户个体的标定数据信息集合。

步骤S310-4、构建表征血压数据与脉搏波相位差之间关系的拟合模型，其中，脉搏波相位差为根据第一脉搏波信号的实时特征信息和第二脉搏波信号的实时特征信息计算得到的脉搏波信号相位差。

优选地，可以引入平方反比例模型作为拟合模型，包括：

SBP = b₁ / (PD + a₁)² + c₁ * HR + d₁

DBP = b₂ / (PD + a₂)² + c₂ * HR + d₂

其中，SBP、DBP和HR分别为收缩压、舒张压、心率；PD为根据采用两种方式测量得到的脉搏波信号的实时特征信息计算得到的脉搏波相位差，具体来说，脉搏波相位差PD是根据两路脉搏波信号在同一心动周期内每搏主峰峰值点之间的延时得到的；a₁、b₁、c₁、d₁、a₂、b₂、c₂、d₂为待拟合参数值。

步骤S310-5、将提取的用户标定血压数据及所述脉搏波信号相位差代入所述拟合模型，基于最小二乘法得到该拟合模型的待拟合参数值，进而得到预设血压基础模型。

可以根据输入的用户实时特征信息，计算脉搏波相位差，带入拟合模型，通过最小二乘法拟合生成a₁、b₁、c₁、d₁、a₂、b₂、c₂、d₂，之后就可以根据输入的用户实时特征信息利用该拟合模型输出该类别用户的血压基础值，包含SBP、DBP和HR。

进一步地，执行步骤S110~步骤S150之前，本方法还包括：

步骤S410、建立预设血压微调模型；其包括如下子步骤：

步骤S410-1、获取采用两种方式测量得到的不同用户的脉搏波信号的实时特征信息，以及同步测量得到的血压信息，作为用户标定血压数据；其中的血压数据包括SBP、DBP、HR。

步骤S410-2、针对每个预设类别，提取该预设类别对应的用户标定血压数据。

具体地，可以根据预设类别，在全部用户标定血压数据中，找到该预设类别的全部用户标定数据信息。

步骤S410-3、根据每个预设类别对应的预设血压基础模型，得到每个预设血压基础模型的血压基础值。

步骤S410-3、针对每个预设血压基础模型，计算用户标定血压数据与血压估算结果的血压数据误差，作为预设血压基础模型的微调值。

具体来说，针对每个预设血压基础模型，能够计算出SBP、DBP、HR的微调值，即：SBP、DBP、HR的基础值与用户标定血压数据中的同步测量得到的SBP、DBP、HR之间的差值，该差值为预设血压基础模型的微调值。

步骤S410-4、将实时特征信息作为输入、预设血压基础模型的微调值作为输出，建立并训练机器学习模型，作为预设血压微调模型。

针对每一个预设类别，都有相应的预设血压基础模型及预设血压微调模型，以便在进行实时血压估算时，利用当前用户所属预设类别对应的预设血压基础模型，得到血压基础值，再将两路脉搏波信号的实时特征信息输入预设血压微调模型，得到血压微调值，进而将血压基础值及血压微调值叠加得到当前用户的实时血压估算结果。

图6示出了本方法的流程示意图，如图6所示，在用户首次使用本方法时，需要输入个体参数信息，作为个体标定生理数据。然后，进行首次标定，佩戴两种脉搏波测量设备，采集两路脉搏波信号的实时特征信息。同时，使用其他血压计，同步测量SBP、DBP和HR，作为个体标定血压数据。当有数据采集或输入后，自动对用户进行分类，再根据用户类别，对应找到该用户的预设血压基础模型及预设血压微调模型，之后，根据用户的实时特征信息，利用预设血压基础模型及预设血压微调模型，分别生成血压基础值和血压微调值。二者相加，得到最终的血压估算结果。

本实施例提供的方法，至少具有如下技术效果：其一，将用户的基础信息（个体参数信息）作为用户分类的数据，而不是作为直接标定模型参数的数据，用户类别的划分，是根据其基本生理参数（性别、身高体重）、生活习惯（烟酒运动）和基础疾病类型划分的。其二，根据用户所在类别，使用这一类用户的基础模型。拟合模型参数，不是基于该用户个体的某几次血压测量过程，而是基于这类用户的群体数据生成的。其三，拟合模型得到的血压估算结果，为用户当前血压的基础值。再基于用户动态的波形特征点，使用机器学习方法训练血压微调模型来得到血压微调值，对基础值进行微调，从而得到准确的实时血压估算结果。

实施例二

图7示出了一种实时血压估算装置框图，如图7所示，本实施例提供一种实时血压估算装置，包括如下模块：

获取模块710，用于获取当前用户的个体参数信息以及采用两种方式测量得到的脉搏波信号的实时特征信息；

确定模块720，用于根据个体参数信息及预设类别，确定当前用户所属预设类别；

第一计算模块730，用于利用当前用户所属预设类别对应的预设血压基础模型，得到血压基础值；

第二计算模块740，用于将脉搏波信号的实时特征信息输入预设血压微调模型，得到血压微调值；

第三计算模块750，用于将血压基础值及血压微调值叠加得到当前用户的实时血压估算结果。

显然本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这一本发明不限制于任何限定的硬件和软件结合。

可以理解的是，获取模块710可以用于执行实施例一中的步骤S110，确定模块720可以用于执行实施例一中的步骤S120，第一计算模块730可以用于执行实施例一中的步骤S130，第二计算模块740可以用于执行实施例一中的步骤S140，第三计算模块750可以用于执行实施例一中的步骤S150。本装置还可以包括建模模块760，可以用于执行实施例一中的步骤S210、步骤S310、步骤S410。各步骤的执行内容请参见实施例一的相关描述，此处不再赘述。

实施例三

本实施例提供一种电子设备，其包括存储器和处理器，该存储器上存储有计算机程序，该计算机程序被所述处理器执行时实现实施例一的实时血压估算方法。

举例来说，在实际应用中，该电子设备可以是血压测量设备，实施例一的实时血压估算方法可以以APP的形式在血压测量设备中实现。

本实施例中，处理器可以是专用集成电路（Application Specific IntegratedCircuit，简称ASIC）、数字信号处理器（Digital Signal Processor，简称DSP）、数字信号处理设备（Digital Signal Processing Device，简称DSPD）、可编程逻辑器件（ProgrammableLogic Device，简称PLD）、现场可编程门阵列（Field Programmable Gate Array，简称FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例中的方法。在处理器上运行的计算机程序被执行时所实现的实时血压估算方法可参照本发明实施例一提供的方法的具体实施例，此处不再赘述。

实施例四

本实施例提供一种存储介质，该存储介质上存储有计算机程序该计算机程序被一个或多个处理器执行时，实现实施例一的实时血压估算方法。

本实施例中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器（Static Random Access Memory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read-Only Memory，简称EPROM），可编程只读存储器（Programmable Read-Only Memory，简称PROM），只读存储器（Read-Only Memory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统和方法实施例仅仅是示意性的。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (9)

1.一种实时血压估算装置，其特征在于，包括：

获取模块，用于获取当前用户的个体参数信息以及采用两种方式测量得到的脉搏波信号的实时特征信息；

确定模块，用于根据个体参数信息及预设类别，确定当前用户所属预设类别；

第一计算模块，用于利用当前用户所属预设类别对应的预设血压基础模型，得到血压基础值；

第二计算模块，用于将脉搏波信号的实时特征信息输入预设血压微调模型，得到血压微调值；

第三计算模块，用于将血压基础值及血压微调值叠加得到当前用户的实时血压估算结果。

2.根据权利要求1所述的实时血压估算装置，其特征在于，所述预设类别根据个体参数信息划分；根据个体参数信息划分用户的预设类别，包括：

根据初始分类所需各个体参数信息及第一预设规则，将用户进行初始分类，得到多个第一类别；

根据第二预设规则确定二次分类所需各个体参数信息的得分；

在每个第一类别中，基于所述得分将该第一类别中的用户进行二次分类，得到每个第一类别中的多个第二子类别，各第一类别中的每个第二子类别为一个预设类别。

3.根据权利要求1或2所述的实时血压估算装置，其特征在于，所述个体参数信息，包括生理参数、生活习惯和疾病；其中，所述生理参数至少包括性别、年龄、身高及体重。

4.根据权利要求1所述的实时血压估算装置，其特征在于，所述预设血压基础模型的建立过程，包括：

获取对同一用户采用两种不同方式测量得到的第一脉搏波信号和第二脉搏波信号，以及同步测量得到的血压信息；

提取第一脉搏波信号的实时特征信息和第二脉搏波信号的实时特征信息；

提取每个预设类别的用户对应的用户标定血压数据，其中，所述用户标定血压数据，包括：第一脉搏波信号的实时特征信息和第二脉搏波信号的实时特征信息，及同步测量得到的血压信息；

构建表征血压数据与脉搏波相位差之间关系的拟合模型，其中，所述脉搏波相位差为根据第一脉搏波信号的实时特征信息和第二脉搏波信号的实时特征信息计算得到的脉搏波信号相位差；

将提取的用户标定血压数据及所述脉搏波信号相位差代入所述拟合模型，基于最小二乘法得到所述拟合模型的待拟合参数值，进而得到预设血压基础模型。

5.根据权利要求4所述的实时血压估算装置，其特征在于，所述拟合模型，包括：

SBP = b₁ / (PD + a₁)² + c₁ * HR + d₁

DBP = b₂ / (PD + a₂)² + c₂ * HR + d₂

其中，SBP、DBP和HR分别为收缩压、舒张压、心率；PD为根据采用两种方式测量得到的脉搏波信号的实时特征信息计算得到的脉搏波相位差；a₁、b₁、c₁、d₁、a₂、b₂、c₂、d₂为待拟合参数值。

6.根据权利要求1所述的实时血压估算装置，其特征在于，所述预设血压微调模型的建立过程，包括：

获取采用两种方式测量得到的不同用户的脉搏波信号的实时特征信息，以及同步测量得到的血压信息，作为用户标定血压数据；

针对每个预设类别，提取该预设类别对应的用户标定血压数据；

根据每个预设类别对应的预设血压基础模型，得到每个预设血压基础模型的血压基础值；

针对每个预设血压基础模型，计算用户标定血压数据与血压估算结果的血压数据误差，作为预设血压基础模型的微调值；

将实时特征信息作为输入、预设血压基础模型的微调值作为输出，建立并训练机器学习模型，作为预设血压微调模型。

7.根据权利要求1所述的实时血压估算装置，其特征在于，获取采用两种方式测量得到的脉搏波信号的实时特征信息，包括：

获取脉搏波信号；

根据所述脉搏波信号提取心动周期及在每个心动周期内提取特征点信息。

8.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时至少实现如下步骤：

获取当前用户的个体参数信息以及采用两种方式测量得到的脉搏波信号的实时特征信息；

根据个体参数信息及预设类别，确定当前用户所属预设类别；

利用当前用户所属预设类别对应的预设血压基础模型，得到血压基础值；

将脉搏波信号的实时特征信息输入预设血压微调模型，得到血压微调值；

将血压基础值及血压微调值叠加得到当前用户的实时血压估算结果。

9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，至少实现如下步骤：

获取当前用户的个体参数信息以及采用两种方式测量得到的脉搏波信号的实时特征信息；

根据个体参数信息及预设类别，确定当前用户所属预设类别；

利用当前用户所属预设类别对应的预设血压基础模型，得到血压基础值；

将脉搏波信号的实时特征信息输入预设血压微调模型，得到血压微调值；

将血压基础值及血压微调值叠加得到当前用户的实时血压估算结果。

Images