CN113456043A - 一种连续血压检测方法及装置 - Google Patents

Abstract

本发明涉及血压检测领域，具体讲，涉及一种连续血压检测方法及装置。连续血压检测方法包括以下步骤：获取目标对象的原始数据；对原始数据进行预处理，得到当前数据；对当前数据进行特征参数提取，基于若干个特征参数进行连续血压预测模型的构建，得到用于血压连续检测的多参数融合血压预测模型。本发明的预测模型具有预测准确率高、误差小的技术优势，进而有效的预防高血压及并发症的发生。

Description

一种连续血压检测方法及装置

技术领域

本发明涉及血压检测领域，具体讲，涉及一种连续血压检测方法及装置。

背景技术

血压是人体最重要的生理参数之一，为临床医生疾病诊断和治疗的提供了重要依据。连续血压测量方法可以实现24小时连续的患者血压状态监护，而且由于测量的是连续血压，可以给医生提供病人全天的血压状态变化情况，让医生对病人的血压情况有一个更加全面的了解，对于预防和治疗高血压及高血压带来的各种并发症至关重要。动脉插管法被称为血压测量的“金标准”。但该方法是有创测量，对测量条件要求苛刻，并且易引发并发症，因此不适合日常的血压测量。无袖带连续血压监测不仅可以实现血压的无创连续监测，而且抛弃了普通血压计的袖带，可以对被测者无感测量。无袖带连续血压监测不仅仅可以适用于临床患者的血压监护，而且可以用来实时监测高血压患者日常生活中的血压状态，具有很大的应用价值和研究价值。

对人体血压进行持续的无创血压监测将有助于人们提前预警发现高血压及并发症的产生，更有效地治疗高血压带来的一系列问题。目前现有的PTT血压预测方法大多以PTT作为唯一的变量来构建与血压值有关的算式，这种方法优点是变量少计算简单，很容易得到BP与PTT的算式关系，但也存在着极大的缺陷，首先，太少的变量意味着变量所包含的与血压有关的信息量较少，很难对不断变化的血压值做出准确的预测，其次，由于个体差异性的存在，少变量的血压计算公式得到的血压预测结果会产生极大的不稳定性准确性，即使对其进行相应的校准过后，在对不同的人进行测量时仍容易产生较大的误差。

鉴于此，特提出本发明。

发明内容

为了更好的对血压进行预测，本发明首要发明目的提出一种连续血压检测方法，使用与血压相关性高的多个无创参数来建立多参数融合血压模型，实现对血压持续的监测，可有效的预防高血压及并发症的发生。

本发明的第二发明目的在于提供一种连续血压检测装置。

为了完成本发明的发明目的，采用的技术方案为：

本发明涉及一种连续血压检测方法，至少包括以下步骤：

获取目标对象的原始数据；所述原始数据包含原始ECG数据、原始PPG数据和原始BP数据中的至少两项；

对所述原始数据进行预处理，得到当前数据；所述当前数据包含当前ECG数据、当前PPG数据和当前BP数据中的至少两项；

对所述当前数据进行特征参数提取，得到若干个特征参数；所述若干个特征参数包含PTT参数、PFV参数、PV参数、RRI参数、SBP参数和DBP参数中的至少两项；

基于所述若干个特征参数进行连续血压预测模型的构建，得到多参数融合血压预测模型，其中，所述多参数融合血压预测模型用于进行连续血压监测。

可选的，在所述获取目标对象的原始数据之前，还包括：

判断所述目标对象的当前生理状态是否达到所需状态，

当所述目标对象达到所述所需状态时，采集所述目标对象在当前生理状态下的基线生理信号数据并存储，

当所述目标对象未达到所述所需状态时，等待；

可选的，所述所需状态为平稳状态；

可选的，在所述获取目标对象的原始数据时，记录所述原始数据获取的开始时间和结束时间。

可选的，所述获取所述目标对象的原始数据，包括以下步骤中的至少一项：

通过预设导联方式对所述目标对象身体的第一部位进行数据采集，得到所述原始ECG数据；

可选的，所述第一部位为胸部区域；

通过目标采集器对所述目标对象身体的第二部位进行数据采集，得到所述原始PPG数据；

可选的，所述第二部位为指尖或胳膊；

通过预设方法对所述目标对象身体的第三部位进行数据采集，得到所述原始BP数据；

可选的，所述第三部位为上臂。

可选的，所述预处理包括如下至少一项：截取、滤波以及去除奇异点。

可选的，所述对所述当前数据进行特征参数提取，得到若干个特征参数，包括：

对所述当前ECG数据和所述当前PPG数据中的至少一项进行特征参数提取，得到所述PTT参数、所述PFV参数、所述PV参数和所述RRI参数中的至少一项；

对所述当前BP数据进行特征参数提取，得到所述SBP参数和所述DBP参数中的至少一项。

可选的，所述若干个特征参数还包括：PFV/PV参数和PTT/RRI参数，其中，所述PFV/PV参数是指所述PFV参数与所述PV参数的比值，所述PTT/RRI参数是指所述PTT参数与所述RRI参数的比值。

可选的，所述基于所述若干个特征参数进行连续血压预测模型的构建，得到多参数融合血压模型，包括：

获取所述若干个特征参数和原始血压模型，所述原始血压模型为堆叠自编码神经网络模型；

提取所述PTT参数、所述PFV参数、所述PV参数和所述RRI参数中的至少两项；或提取所述PTT参数、所述PFV参数、所述PV参数和所述RRI参数中的至少两项，PFV/PV参数和PTT/RRI参数中的至少一项；并按照预设需求分为训练集和预测集；可选的，训练数据集和预测数据集数据比例为80～99：1～20；

提取所述SBP参数和所述DBP参数，并将其作为原始SBP参数及原始DBP参数；

基于所述原始SBP参数及所述原始DBP参数，通过所述训练集对所述原始血压模型进行训练，得到所述多参数融合血压模型；

将所述预测集输入到所述多参数融合血压模型，得到估计SBP参数和估计DBP参数；

将所述估计SBP参数和所述估计DBP参数分别与原始SBP参数及原始DBP参数相减，得到所述多参数融合血压模型的预测误差，所述预测误差用于反映所述多参数融合血压模型检测血压的准确性。

本发明还涉及一种连续血压检测装置，包括：

获取模块，用于获取目标对象的原始数据，所述原始数据包含原始ECG数据、原始PPG数据和原始BP数据中的至少两项；

预处理模块，用于对所述原始数据进行预处理，得到当前数据；所述当前数据包含当前ECG数据、当前PPG数据和当前BP数据中的至少两项；

提取模块，用于对所述当前数据进行特征参数提取，得到若干个特征参数；所述若干个特征参数包含PTT参数、PFV参数、PV参数、RRI参数、SBP参数和DBP参数中的至少两项；

可选的，所述若干个特征参数还包括PFV/PV参数和PTT/RRI参数中的至少一项；

建模模块，用于构建原始血压模型，并基于所述若干个特征参数对所述原始血压模型进行建模，得到多参数融合血压模型，所述多参数融合血压模型用于连续血压的检测。

可选的，该装置还包括：

判断模块，用于判断所述目标对象的当前生理状态是否达到所需状态；

记录模块，用于记录所述获取模块获取数据的开始时间和结束时间。

可选的，所述获取模块包括以下子模块中的至少一项：

第一采集子模块，用于通过预设导联方式对所述目标对象身体的第一部位进行数据采集，得到所述原始ECG数据；

第二采集子模块，用于通过目标采集器对所述目标对象身体的第二部位进行数据采集，得到所述原始PPG数据；

第三采集子模块，通过预设方法对所述目标对象身体的第三部位进行数据采集，得到所述原始IBP数据。

本发明至少具有以下有益的效果：

本发明通过构建多参数融合血压模型，通过该多参数融合血压模型持续的进行血压监测，测量过程中通过对ECG和PPG的持续监测，即可完成连续血压监测，具有简单、高效的技术优势，并且本发明通过多参数对原始血压模型进行建模，具有预测准确率高、误差小的技术优势，进而有效的预防高血压及并发症的发生。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明一实施例中一种连续血压检测方法的流程图；

图2为本发明一实施例中另一种连续血压检测方法的流程图；

图3为本发明一实施例中PTT提取的示意图；

图4为本发明一实施例中数据处理过程的示意图；

图5为本发明一实施例中一种连续血压检测装置的框图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也包括复数形式，此外，还应当理解的是，当在本说明中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

下面将结合实施例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。

本发明实施例涉及一种连续血压检测方法，其流程图如图1所示该方法可被实施为以下步骤S11-S14：

S11、获取目标对象的原始数据；

其中，原始数据包含原始ECG(心电)数据、原始PPG(光电容积脉搏波)数据和原始BP(血压数据)数据中的至少两项；可选的，原始数据包含原始PPG数据和原始BP数据；进一步可选的，原始数据包含原始ECG数据、原始PPG数据和原始BP数据；

S12、对原始数据进行预处理，得到当前数据；

其中，当前数据包含当前ECG数据、当前PPG数据和当前BP数据中的至少两项；可选的，当前数据包含当前PPG数据和当前BP数据；进一步可选的，当前数据包含当前ECG数据、当前PPG数据和当前BP数据。

S13、对当前数据进行特征参数提取，得到若干个特征参数；

其中，若干个特征参数包含PTT(动脉脉波从主动脉瓣传播到外周分支血管所需的时间)参数、PFV(peak-foot values，脉搏波峰谷值)参数、PV(脉搏波峰值)参数、RRI(心电图中R峰到R峰的时间间隔)参数、SBP(Systolic blood pressure，心脏收缩时血管内产生的收缩压)参数和DBP(Diastolic blood pressure，心脏舒张时血管内产生的舒张压)参数中的至少两项。

PTT是指动脉脉波从主动脉瓣传播到外周分支血管所需的时间，PTT可以指脉冲波将血液从心脏传播到目标对象外周动脉所需的时间，PFV(peak-foot values，脉搏波峰谷值)、PV参数(Peak value，脉搏波峰值)、RRI参数(心电图中R峰到R峰的时间间隔)、IBP参数(Invasive Blood Pressure，通过动脉穿刺监测得到的有创动脉血管压力)、SBP参数(Systolic blood pressure，心脏收缩时血管内产生的收缩压)及DBP参数(Diastolicblood pressure，心脏舒张时血管内产生的舒张压)。提取的参数能够更好的体现目标对象的生理状态，PPG中的PV和PFV可以反映血管的变化，是预测多参数融合血压模型的可靠变量。

具体的，对当前ECG数据和当前PPG数据中的至少一项进行特征参数提取，得到PTT参数、PFV参数、PV参数和RRI参数中的至少一项；对当前BP数据进行特征参数提取，得到SBP参数和DBP参数中的至少一项。

S14、基于若干个特征参数进行连续血压预测模型的构建，得到多参数融合血压预测模型，多参数融合血压预测模型用于进行连续血压监测。

其中，连续血压预测模型的构建采用堆叠式自动编码器(Stacked auto-encoder，SAE)形成。

上述技术方案的工作原理及有益效果为：首先，获取目标对象的原始数据(比如ECG和PPG数据)，然后，对原始数据进行预处理，去除无用的数据，得到所需的当前数据，进而，对当前数据进行特征参数的提取，能够得到若干个特征参数，最后用这若干个特征参数对原始血压模型进行建模，得到多参数融合血压模型，能够持续的进行血压监测，进而有效的预防高血压及并发症的发生。

在本发明实施例的一个具体实施方式中，在获取目标对象的原始数据之前，还包括如下步骤：

S51、判断目标对象的当前生理状态是否达到所需状态，具体的，所需状态为平稳状态；

S52、当目标对象达到所需状态时，采集目标对象在当前生理状态下的基线生理信号数据并存储；

当目标对象未达到所述所需状态时，等待。

在本发明实施例的一个具体实施方式中，基线数据采集完成后，开始对目标对象进行原始数据采集，并记录开始时间和结束时间。

上述技术方案的有益效果为：通过采集基线生理信号数据能够易于和数据进行比较，使实验结果更加有依据，而记录开始时间和结束时间，方便后期对数据进行整理。

在本发明实施例的一个具体实施方式中，原始数据包含以下至少两项：原始ECG数据、原始PPG数据以及原始BP数据，如图2所示，上述步骤S11可以被实施为如下步骤S111-S113：

在步骤S111中，通过预设导联方式对目标对象身体的第一部位进行数据采集，得到原始ECG数据；

具体的，通过单导联的方式从胸部区域采集原始ECG数据。

在步骤S112中，通过目标采集器对目标对象身体的第二部位进行数据采集，得到原始PPG数据；

具体的，通过反射式光电容积脉搏波采集器从指尖或者胳膊部位采集到原始PPG数据；并优选指尖位置；

在步骤S113中，通过预设方法对目标对象身体的第三部位进行数据采集，得到原始BP数据；

具体的，通过使用电子血压计在上臂位置采集原始BP数据。在动物实验中，可在左股动脉处使用有创血压法采集到的BP数据。

需要说明的是，上述三种数据采集方式并不是唯一的。

上述技术方案的工作原理及有益效果：通过预设导联方式对目标对象身体的第一部位进行数据采集，能够得到原始ECG数据，然后，通过目标采集器对目标对象身体的第二部位进行数据采集，能够得到所述原始PPG数据；最后，通过预设方法对目标对象身体的第三部位进行数据采集，能够得到原始BP数据，这三种方式使得数据的采集更加准确。

在本发明实施例的一个具体实施方式中，预处理包括如下至少一项：截取、滤波以及去除奇异点。

其中，截取包括但不限于指检测原始数据，删除掉错误的数据段(比如有创血压采集器位置状态不好或者设备脱落导致的无序数据段)，留下无错的数据段。滤波包括但不限于指采用截止频率时20Hz的低通滤波器滤除点原始数据中的高频干扰信号。去除奇异点是指去除原始数据中的奇点，例如，如果一个波形间隔中有两个脉冲波峰或者没有脉冲波峰，则这些点可被视为奇点，需要删除。

上述技术方案的有益效果为：通过截取去除错误数据，之后滤波去除高频干扰信号，最后去除奇异点，能使数据更加满足要求。

具体的，PTT具体提取过程如下：首先，使用心电峰值算法寻找到ECG信号的R波位置以及PPG信号的峰值位置。由于ECG和PPG信号同时采集，且脉搏波信号是由第一部位传递至第二部位，因此PPG信号滞后于ECG信号一段时间，且两个相邻的R峰之间有且仅有一个PPG峰值。按照该原则，对得到的所有数据段进行了筛选，去除不符合条件的奇异点，然后对剩下的符合条件的数据进行提取。得到符合条件的数据后，使用PPG信号的峰值点对应的时间减去心电信号R峰值点对应的时间点，即为一个有效的脉搏波传导时间。PTT提取的示意图如图3所示。

上述技术方案的有益效果为：提取的参数能够更好的体现目标对象的生理状态，PPG中的PV和PFV可以反映血管的变化，是预测多参数融合血压模型的可靠变量。

在本发明实施例的一个具体实施方式中，若干个特征参数还包括：PFV/PV参数和PTT/RRI参数，其中，PFV/PV参数是指PFV参数与PV参数的比值，PTT/RRI参数是指PTT参数与RRI参数的比值。

上述技术方案的有益效果为：PFV/PV参数和PTT/RRI参数在使用时能够更好的处理个体之间的差异。

在本发明实施例的一个具体实施方式中，步骤S4具体包括：

S141、获取若干个特征参数及原始血压模型，原始血压模型为堆叠自编码神经网络模型；

S142、提取PTT参数、PFV参数、PV参数和RRI参数中的至少两项，并按照预设需求分为训练集和预测集；其中，预设需求可以是训练集与预测集的比例是75～95：5～25，还可进一步选择为85～90：10～15；

提取SBP参数和DBP参数，并将其作为原始SBP参数及原始DBP参数；

S143、基于原始SBP参数及原始DBP参数，通过训练集对原始血压模型进行训练，以得到多参数融合血压模型；

S144、将预测集输入到容参数融合血压模型，得到估计SBP参数和估计DBP参数；

S145、将估计SBP参数和估计DBP参数分别与原始SBP参数及原始DBP参数相减，得到多参数融合血压模型的预测误差，预测误差能够反映出多参数融合血压模型对血压进行检测的准确性。数据处理过程示意图如图4所示。其中，原始血压模型采用堆叠式自动编码器(Stacked auto-encoder,SAE)计算获得；通过训练集对原始血压模型进行训练，是指将训练集输入到原始血压模型，通过堆叠式自动编码器(Stacked auto-encoder,SAE)计算得到多参数融合血压模型。层叠自编码器(SAE)深度神经网络是一种有效的无监督特征识别和深度学习方法，广泛应用于各种特征提取和分类问题。SAE网络是由多个自动编码器(AEs)组成的反馈神经网络模型。该自动编码器是一个三层神经网络，包括输入层、隐含层和输出层。相邻层的神经元是完全相互连接的。自动编码器利用神经网络第一层的激活函数提取输入数据的特征，并将其转发到下面的隐含层。采用两个隐层共四层的SAE深度神经网络。SAE是由多层训练好的自编码网络堆叠而成的深度神经网络，由于网络中的每一层都是单独训练而来，相当于都初始了一个合理的数值。SAE网络的作用与自编码网络作用类似，因此SAE多用于特征提取。相较于其他基于感知机的全连接神经网络模型，SAE具有如下优点：1.每一层都可以单独训练，保证降维特征的可控性。2.对于高维分类问题，SAE凭借逐层降维功能使复杂问题简单化。

在建立SAE神经网络之前，选择训练数据集和预测数据集。训练集和预测集数据采用随机抽取的方法对数据样本进行选择，得到训练数据集和预测数据集数据比例约为9：1，随机选取数据的方法会让结果更加可信，因此，为了使SAE神经网络在建模时得到更加令人信服的结果，采用随机选择的方法来选择训练数据集和预测数据集。

具体的，提取若干个特征参数中的PTT参数、PFV参数、PV参数和RRI参数中的至少两项，PFV/PV参数和PTT/RRI参数中的至少一项；并按照预设需求分为训练集和预测集。进一步优选的，提取PTT参数、PFV参数、PV参数和PFV/PV参数共计4项作为输入参数构建PPG-PTT模型，其中输入层、第一隐层、第二隐层分别有4个、3个和2个神经元，输出数据为估计SBP参数和估计DBP参数。提取PTT参数、PFV参数、PV参数、RRI参数、PFV/PV参数和PTT/RRI共计6项作为输入参数构建RRI-PTT模型。RRI-PTT模型输入层、第一隐层、第二隐层分别有6个、4个和2个神经元，输出数据为估计SBP参数和估计DBP参数。上述技术方案的工作原理及有益效果为：获取若干个特征参数及原始血压模型，用于进行模型的构建，然后提取若干个特征参数中的PTT参数、PFV参数、PV参数和RRI参数，并按照预设需求分为训练集和预测集；进而，提取若干个特征参数中的SBP参数及DBP参数，并将其作为原始SBP参数及原始DBP参数；之后，基于原始SBP参数及原始DBP参数，通过训练集对原始血压模型进行训练，能够得到测量连续血压更加准确的多参数融合血压模型；然后，将预测集输入到容参数融合血压模型，得到估计SBP参数和估计DBP参数；最后，将估计SBP参数和估计DBP参数分别与原始SBP参数及原始DBP参数相减，得到多参数融合血压模型的预测误差，预测误差能够反映出多参数融合血压模型对血压进行检测的准确性。

本申请实施例还提出一种连续血压检测装置。图5为本发明实施例中一种连续血压检测装置的框图。如图5所示，该装置包括如下模块：

获取模块31，用于获取目标对象的原始数据；原始数据包含原始ECG数据、原始PPG数据和原始BP数据中的至少一项；

预处理模块32，用于对原始数据进行预处理，得到当前数据；当前数据包含当前ECG数据、当前PPG数据和当前BP数据中的至少一项；

提取模块33，用于对当前数据进行特征参数提取，得到若干个特征参数；若干个特征参数包含PTT参数、PFV参数、PV参数、RRI参数、SBP参数和DBP参数中的至少一项；

建模模块34，用于基于若干个特征参数对原始血压模型进行建模，得到多参数融合血压模型，多参数融合血压模型用于进行连续血压检测。

上述技术方案的工作原理及有益效果为：首先，通过获取模块获取目标对象的原始数据，然后，通过预处理模块对原始数据进行预处理，去除无用的数据，得到所需的当前数据，进而，通过提取模块对当前数据进行特征参数的提取，能够得到若干个特征参数，最后用这若干个特征参数对原始血压模型进行建模，得到多参数融合血压模型，能够持续的进行血压监测，进而有效的预防高血压及并发症的发生。

在本发明实施例的一个具体实施方式中，该装置还包括：

判断模块，用于判断目标对象的当前生理状态是否达到所需状态，

当目标对象达到所需状态时，采集目标对象在当前生理状态下的基线生理信号数据并存储；当所述目标对象未达到所述所需状态时，等待；

记录模块，用于记录获取模块获取数据的开始时间和结束时间。

在本发明实施例的一个具体实施方式中，该装置中的获取模块，包括：

第一采集子模块，用于通过预设导联方式对目标对象身体的第一部位进行数据采集，得到原始ECG数据；

第二采集子模块，用于通过目标采集器对目标对象身体的第二部位进行数据采集，得到原始PPG数据；

第三采集子模块，通过预设方法对目标对象身体的第三部位进行数据采集，得到原始IBP数据。

实施例

1、以长白猪作为实验对象，一共对5头猪进行了实验，体重范围为31±8.5kg，实验过程中会对每一头猪采集以下三种信号：(1)从胸口部位使用单导联采集到的ECG信号；(2)从指尖或者胳膊部位使用反射式光电容积脉搏波采集器采集到的PPG信号；(3)从左股动脉处使用有创血压法采集到的BP信号。这三种信号由成都仪器RM6240C多通道生理参数采集器同步持续采集，该设备可以和电脑连接在电脑上查看实时的波形变化。该实验过程中ECG、PPG和BP信号波形都的采样率均为1kHz。

2、实验流程

实验开始后，先记录猪在稳定状态下的基线生理信号数据，可以与之后的数据变化进行对比。持续采集猪的ECG、PPG和BP信号。按照上述实验流程对5头猪进行了实验。

3、数据处理：得到10个数据段共计1229个完整的心跳周期和对应的SBP值，这些数据经计算后得到建模特征参数用以后期建模。

4、基于SAE的血压模型构建

使用了6个特征参数来构建血压模型，分别为PTT、PFV、PV、RRI、PFV/PV和PTT/RRI，利用6个特征参数作为输入来预测SBP和DBP。分别将PTT与血液相关的参数结合组成PPG-PTT模型，在PPG-PTT模型的基础上再加入与心脏活动变化的参数组成RRI-PTT模型，如表1所示，实验中会通过两个模型的建模结果对比来探索更好的血压预测模型。

表1建模参数对比

通过上文提到的处理方法，最终处理得到数据段共计1229组有效的输入特征参数用来进行SAE建模。其中随机抽取1100个数据作为训练集，剩余的129个数据作为预测集。在建立SAE神经网络之前，选择训练数据集和预测数据集。训练集和预测集数据采用随机抽取的方法对数据样本进行选择，得到训练数据集和预测数据集数据比例约为9：1。

5、实验结果

根据以上内容，包括PTT在内的6个特征参数被提取，然后根据参数的性质将6个特征参数分成了两个模型。之后使用SAE方法来对两个不同的参数模型分别进行，建模的结果如表2所示：

表2不同模型的建模结果

根据表2可以看出，本申请根据特征参数，经过数据处理后使用了SAE方法进行建模，建模结果显示基于SAE方法构建的PPG-PTT模型和RRI-PTT模型得到的SBP预测值与真实值的相关性分别为0.9846和0.9898，均方根误差只有4.77mmHg和3.78mmHg，达到了优异的预测结果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种连续血压检测方法，其特征在于，至少包括以下步骤：

获取目标对象的原始数据；所述原始数据包含原始ECG数据、原始PPG数据和原始BP数据中的至少两项；

对所述原始数据进行预处理，得到当前数据；所述当前数据包含当前ECG数据、当前PPG数据和当前BP数据中的至少两项；

对所述当前数据进行特征参数提取，得到若干个特征参数；所述若干个特征参数包含PTT参数、PFV参数、PV参数、RRI参数、SBP参数和DBP参数中的至少两项；

基于所述若干个特征参数进行连续血压预测模型的构建，得到多参数融合血压预测模型，其中，所述多参数融合血压预测模型用于进行连续血压监测。

2.如权利要求1所述的方法，其特征在于，在所述获取目标对象的原始数据之前，还包括：

判断所述目标对象的当前生理状态是否达到所需状态，

当所述目标对象达到所述所需状态时，采集所述目标对象在当前生理状态下的基线生理信号数据并存储，

当所述目标对象未达到所述所需状态时，等待；

可选的，所述所需状态为平稳状态；

可选的，在所述获取目标对象的原始数据时，记录所述原始数据获取的开始时间和结束时间。

3.如权利要求1所述的方法，其特征在于，所述获取所述目标对象的原始数据，包括以下步骤中的至少一项：

通过预设导联方式对所述目标对象身体的第一部位进行数据采集，得到所述原始ECG数据；

可选的，所述第一部位为胸部区域；

通过目标采集器对所述目标对象身体的第二部位进行数据采集，得到所述原始PPG数据；

可选的，所述第二部位为指尖或胳膊；

通过预设方法对所述目标对象身体的第三部位进行数据采集，得到所述原始BP数据；

可选的，所述第三部位为上臂。

4.如权利要求1所述的方法，其特征在于，所述预处理包括如下至少一项：截取、滤波以及去除奇异点。

5.如权利要求1所述的方法，其特征在于，所述对所述当前数据进行特征参数提取，得到若干个特征参数，包括：

对所述当前ECG数据和所述当前PPG数据中的至少一项进行特征参数提取，得到所述PTT参数、所述PFV参数、所述PV参数和所述RRI参数中的至少一项；

对所述当前BP数据进行特征参数提取，得到所述SBP参数和所述DBP参数中的至少一项。

6.如权利要求5所述的方法，其特征在于，所述若干个特征参数还包括：PFV/PV参数和PTT/RRI参数，其中，所述PFV/PV参数是指所述PFV参数与所述PV参数的比值，所述PTT/RRI参数是指所述PTT参数与所述RRI参数的比值。

7.如权利要求1或6所述的方法，其特征在于，所述基于所述若干个特征参数进行连续血压预测模型的构建，得到多参数融合血压模型，包括：

获取所述若干个特征参数和原始血压模型，所述原始血压模型为堆叠自编码神经网络模型；

提取所述PTT参数、所述PFV参数、所述PV参数和所述RRI参数中的至少两项；或提取所述PTT参数、所述PFV参数、所述PV参数和所述RRI参数中的至少两项，PFV/PV参数和PTT/RRI参数中的至少一项；并按照预设需求分为训练集和预测集；可选的，训练数据集和预测数据集数据比例为75～95：5～25；

提取所述SBP参数和所述DBP参数，并将其作为原始SBP参数及原始DBP参数；

基于所述原始SBP参数及所述原始DBP参数，通过所述训练集对所述原始血压模型进行训练，得到所述多参数融合血压模型；

将所述预测集输入到所述多参数融合血压模型，得到估计SBP参数和估计DBP参数；

将所述估计SBP参数和所述估计DBP参数分别与原始SBP参数及原始DBP参数相减，得到所述多参数融合血压模型的预测误差，所述预测误差用于反映所述多参数融合血压模型检测血压的准确性。

8.一种连续血压检测装置，其特征在于，包括：

获取模块，用于获取目标对象的原始数据，所述原始数据包含原始ECG数据、原始PPG数据和原始BP数据中的至少两项；

预处理模块，用于对所述原始数据进行预处理，得到当前数据；所述当前数据包含当前ECG数据、当前PPG数据和当前BP数据中的至少两项；

提取模块，用于对所述当前数据进行特征参数提取，得到若干个特征参数；所述若干个特征参数包含PTT参数、PFV参数、PV参数、RRI参数、SBP参数和DBP参数中的至少两项；

可选的，所述若干个特征参数还包括PFV/PV参数和PTT/RRI参数中的至少一项；

建模模块，用于构建原始血压模型，并基于所述若干个特征参数对所述原始血压模型进行建模，得到多参数融合血压模型，所述多参数融合血压模型用于连续血压的检测。

9.如权利要求8所述的装置，其特征在于，还包括：

判断模块，用于判断所述目标对象的当前生理状态是否达到所需状态；

记录模块，用于记录所述获取模块获取数据的开始时间和结束时间。

10.如权利要求8所述的装置，其特征在于，所述获取模块包括以下子模块中的至少一项：

第一采集子模块，用于通过预设导联方式对所述目标对象身体的第一部位进行数据采集，得到所述原始ECG数据；

第二采集子模块，用于通过目标采集器对所述目标对象身体的第二部位进行数据采集，得到所述原始PPG数据；

第三采集子模块，通过预设方法对所述目标对象身体的第三部位进行数据采集，得到所述原始IBP数据。

Images