CN114343596A - 一种基于反向血流传播时间的连续血压测量系统及方法 - Google Patents

Abstract

本发明涉及一种基于反向血流传播时间的连续血压测量系统及方法，属于移动计算应用技术领域。本发明利用智能设备采集目标用户皮肤下血流的传感信息，基于脉搏波提取反向血流传播时间，即，在同一采集位置正向血流(由心脏向肢端流动)和反向血流(由肢端向心脏)的传播时间差，测量精准血压值。同时，系统使用舒适，并支持连续测量，测量时无需用户参与，能够随时随地使用，支持通用的精准血压测量，能够克服现有的血压测量系统存在的使用不舒适、无法连续测量血压、需要用户额外参与、使用场景受限、精度不足以及依赖大量训练数据等不足。

Description

一种基于反向血流传播时间的连续血压测量系统及方法

技术领域

本发明涉及一种血压测量系统及测量方法，具体涉及一种基于反向血流传播时间的连续血压测量系统及方法，属于移动计算应用技术领域。

背景技术

目前，测量血压的系统主要利用可充气式袖带阻断手臂动脉血流，在袖带慢速放气过程中，通过检测某种特殊现象(例如血流声音的消失和出现、血管壁搏动振荡波幅值达到最大值等)达到测量血压的目的。然而，此类系统依赖特殊设备，其价格高、体积大、操作复杂，难以在日常生活中广泛应用。

为方便随时随地测量血压值，一些系统对可充气式袖带进行了改进，并部署在可穿戴设备中。例如，通过在手表表带中加入充气结构，阻断腕部动脉血流，从而测量血压；或者，利用一种可充气式入耳设备阻断耳部动脉血流，测量血压值。但是，上述这些系统，在测量血压过程中挤压血管，阻断血流常使测量者感到不适，并带来局部组织缺氧的风险。此外，上述阻断血流的系统无法连续测量血压数值。

目前，市场上存在一些无袖带血压测量系统。此类系统主要基于脉搏波速度与血压间的相关关系，无需阻断血流即可实现连续血压检测，例如，一些商用智能手表通过内置的腕部脉搏波传感器和心电传感器，分析同一心脏活动发生在心电图与脉搏波间的时间差，从而推算血流速度并计算血压值。然而，在心电图和脉搏波采集过程中，需要用户额外参与(例如用手指覆盖心电图传感器)。此外，一些测量系统利用部署在身体不同位置的脉搏波传感器分析血流速度，从而测量血压值，例如，利用一组集成在眼镜上的光电容积脉搏波传感器测量血压。然而，用户往往在睡觉时摘下眼镜，测量被迫中断；或利用一组集成在睡裤上的光电容积脉搏波传感器和心电传感器测量血压。然而，其使用场景受限于夜晚穿着睡裤时。此外，这类系统的准确率还受到用户差异、季节、温度、当日时间等因素影响，血压测量精度低。尽管一些系统通过利用机器学习算法能提升血压测量精度。但是其采集足够训练数据又需要耗费大量人力物力，经济上难以承受。

综上所述，现有的系统存在各种不足，亟需一种新的测量系统来克服其局限性。

发明内容

本发明的目的是为了克服现有的血压测量系统存在的使用不舒适、无法连续测量血压、需要用户额外参与、使用场景受限、精度不足以及依赖大量训练数据等技术缺陷和问题，创造性地提出一种基于反向血流传播时间的连续血压测量系统及方法。

本发明通过以下技术方案实现。

一种基于反向血流传播时间的连续血压测量系统，包括脉搏波信号监测装置和处理单元。

其中，脉搏波信号监测装置利用光电容积脉搏波传感器，采集目标用户皮肤下动脉血流的传感信息，并将信息发送给处理单位。测量装置可以采取各种形式进行部署，例如腕带式设备、胸戴式设备、耳戴式设备等。

处理单元负责对传感信息进行处理，检测脉搏波信号监测装置与皮肤间的接触压力，提取纯净动脉脉搏，并计算反向血流传播时间，获取舒张压和收缩压值。

同时，本发明提出了一种基于反向血流传播时间的连续血压测量方法，包括以下步骤：

步骤1：用户佩戴连续血压测量系统(如腕带式)，其内置有光电容积脉搏波传感器。光电容积脉搏波传感器作为脉搏波信号监测装置采集目标用户的脉搏信号。

具体地，用户佩戴连续血压测量系统，其中，光电容积脉搏波传感器作为脉搏波信号监测装置，采集用户的脉搏信号。

步骤2：处理单元检测脉搏波信号监测装置与皮肤间的接触压力。

该步骤的目的是帮助用户调整脉搏波信号监测装置与皮肤的接触压力，获取精准的脉搏信号。

具体地，包括以下步骤：

步骤2.1：对脉搏波信号，提取描述血管弹性和血管阻力的特征，包括收缩期与舒张期时长的比值、收缩峰与舒张峰振幅的比值。

步骤2.2：根据步骤2.1提取的特征，使用最小二乘支持向量机，估计当前脉搏波信号监测装置与皮肤的接触压力值。然后，引导用户调整接触压力，直至与令采集的脉搏波信号交流分量幅值达到最大时的接触压力相等。

步骤3：处理单元提取动脉脉搏波信号，计算反向血流传播时间，根据反向血流传播时间计算舒张压和收缩压的值。

该步骤的目的是根据反向血流传播时间和真实血压值，建立通用的血压测量模型。

具体地，包括以下步骤：

步骤3.1：去除脉搏波信号中无关的噪音。可以使用带通滤波器和百分比方法进行处理。

步骤3.2：分析不同血管容量下不同光源的吸收和反射特点，得到用于后续处理的动脉脉搏波。可以利用针对人体血流的比尔朗伯定律(Modified Beer-Lambert law forblood flow)进行分析。

步骤3.3：利用步骤3.2提取的动脉脉搏波，计算反向血流传播时间及与脉搏波波形相关的几何特征。

步骤3.4：根据步骤3.3提取的反向血流传播时间和与脉搏波波形相关的几何特征，并结合目标用户的生理参数(包括年龄、身高、体重等)，以及真实血压值，建立血压测量神经模型。

步骤3.5：利用迁移学习，训练步骤3.4建立的通用血压测量混合神经网络模型，利用模型计算通用的精准血压值。

有益效果

本发明，与现有技术相比，本发明具有以下优点：

本发明系统及方法，利用智能腕带设备采集目标用户皮肤下血流的传感信息，基于脉搏波提取反向血流传播时间，即，在同一采集位置正向血流(由心脏向肢端流动)和反向血流(由肢端向心脏)的传播时间差，测量精准血压值。同时，系统使用舒适，并支持连续测量，测量时无需用户参与，能够随时随地使用，支持通用的精准血压测量。

附图说明

图1为本发明实施例脉搏波信号示意图。

图2为本发明实施例的接触压力对脉搏波信号交流分量影响示意图。

图3为本发明实施例加速度脉搏波信号示意图。

图4为本发明实施例红外光源与绿色光源受到毛细血管脉搏和动脉脉搏不同影响示意图。

图5为本发明实施例心跳时长相关性受到参数β影响示意图。

图6为本发明实施例所开发的通用血压测量混合神经网络结构图。

图7为本发明实施例应用迁移学习到通用血压测量混合神经网络原理图。

图8为本发明实施例原型图。

图9为本发明实施例连续血压检测的误差。

图10为本发明实施例在不同采样频率下的误差。

具体实施方式

下面结合实施例和附图，对本发明做进一步详细说明。所举实例只用于解释发明，并非用于限定本发明范围。

一种基于反向血流传播时间的连续血压测量系统，包括脉搏波信号监测装置和处理单元。

其中，脉搏波信号监测装置利用光电容积脉搏波传感器采集目标用户腕部的传感信息，并将信息发送给处理单位。

处理单元负责对传感信息进行处理，检测脉搏波信号监测装置与皮肤间的接触压力，提取纯净动脉脉搏，并计算反向血流传播时间，获取舒张压、收缩压值。

一种基于反向血流传播时间的连续血压测量方法，包括以下步骤：

步骤1：用户佩戴连续血压测量系统(如腕带式)，其内置有光电容积脉搏波传感器。光电容积脉搏波传感器作为脉搏波信号监测装置采集目标用户的脉搏信号。

其中，光电容积脉搏波传感器包含光源和光探测器，不同光源(如红外光源和绿色光源)发射出光线，照亮皮肤、肌肉和血管，光探测器检测光源所发射光的强度。当血液伴随心跳在血管中周期性流动时，血管容量发生周期性变化，光吸收能力发生周期性变化。光源发射光强不变的情况下，光感测器采集光信号强度改变。因此，可以利用光电容积脉搏波采集血管容量变化。如图1所示，所采集的脉搏波信号包括直流分量和交流分量。交流分量由心跳引起的血管容量变化引起，直流分量由骨骼、肌肉和静脉血流引起。

步骤2：处理单元检测脉搏波信号监测装置与皮肤间的接触压力。

步骤2.1：对脉搏波信号提取描述血管弹性和血管阻力的特征。

脉搏波信号受脉搏波信号监测装置与皮肤的接触压力影响较大，如图2所示，当压力过小时，交流分量幅值较小，并容易受到身体运动噪音的影响。当压力过大时，血管和皮肤组织会发生变形，从而影响血管的恢复和血流阻力，很难检测到血容量的变化。因此，保持适当的接触压力对于准确测量血压至关重要。

本发明基于血管弹性和血流阻力参数，建立了脉搏波信号监测装置与皮肤间的接触压力检测模型。目前，用于描述血管弹性和血流阻力的特征数量众多。因此，首先进行特征选择。通过比较方差膨胀因子并结合人为观察，选择收缩期与舒张期时长的比值、收缩峰与舒张峰振幅的比值为必要特征，进行接触压力测量。此外，还可以选用原始脉搏波中舒张期围成面积与收缩期围成面积之比、心跳持续时间等常用时域和频域特征，辅助测量接触压力。

为提取上述特征，对采集的某一光源(如绿色光源)脉搏波信号计算二阶导数，即加速度脉搏波，如图3所示，两个必要特征分别通过计算起始点到b点和b点到结束点时间间隔的比值，以及加速度脉搏波信号a点和b点出现时，原始脉搏波信号振幅的比值，其中，a点为收缩期第一个拐点，标志血容量的快速增加；b点为收缩期第二个拐点，标志血容量达到最大。

步骤2.2：根据步骤2.1提取的特征，使用最小二乘支持向量机，估计当前脉搏波信号监测装置与皮肤的接触压力值。然后，引导用户调整接触压力，直至与令采集的脉搏波信号交流分量幅值达到最大时的接触压力相等。

具体如下：

由于最小二乘支持向量机能够处理由训练数据不足引起的不适定问题，因此，采用最小二乘支持向量机训练描述接触压力与所提取特征之间关系的拟合函数。通过使用二次成本函数，将优化问题简化为求解一组线性方程组。其中，所述最小二乘支持向量机利用步骤2.1所提取的特征以及一组真实压力值在脱机时预先训练，用于检测脉搏波信号监测装置与皮肤的接触压力。

当调整接触压力至采集的脉搏波信号交流分量幅值达到最大时，能够准确测量反向血流传播时间。因此，应在上述压力下测量精准血压。由于上述压力受到用户差异，生理变化(如出汗，体重改变)和不同测量位置的影响，每次用户配带智能腕带设备时，需要在每次佩戴时进行校准。在校准过程中，用户缓慢按压智能腕带设备，增加接触压力，直到脉搏波交流分量完全消失，然后缓慢释放设备，降低接触压力，直到光电容积脉搏波传感器与皮肤松散接触。利用预先训练好的最小二乘支持向量机测量交流分量幅值最大时的接触压力。

在采集脉搏波过程中，利用预先训练好的最小二乘支持向量机测量当前接触压力，如果当前接触压力未使得脉搏波信号交流分量幅值达到最大，则引导用户调整智能腕带设备。

步骤3：处理单元提取动脉脉搏波信号，计算反向血流传播时间，根据反向血流传播时间计算舒张压和收缩压的值。

步骤3.1：使用带通滤波器和百分比方法，对不同光源(如红外光源和绿色光源)采集的脉搏波信号进行处理，去除无关的噪音。

具体地，由于人的心率一般在每分钟60-100次，首先采用截止频率为0.5-8Hz的四阶巴特沃斯滤波器消除基带漂移和工频干扰引起的噪音。然后，根据脉搏波的波峰位置粗略切分心跳片段。由于获取的心跳中仍含有与脉搏无关的噪音(如身体运动噪音)，删除异常的脉搏波片段。例如，若一个心跳片段的时长与之前已接受心跳片段时长平均值的差异超过30％，则该片段被删除。其它基于带通滤波以及百分比方法的设定，也在本发明范围之内。

步骤3.2：利用针对人体血流的比尔朗伯定律，分析不同血管容量下不同光源的吸收和反射特点，得到用于后续处理的动脉脉搏波。

精准血压计算依赖精准捕捉动脉容量变化，然而光电容积脉搏波传感器采集动脉容量变化时，不可避免地会受到表层毛细血管容量变化的干扰。因此，需从采集的脉搏波中消除毛细血管容量变化的影响。

首先，光电容积脉搏波传感器的一端发射光信号，照亮皮肤、肌肉和血管，另一端捕捉光信号强度。心脏周期性射血引起血管容量的规律变化，光吸收能力改变，导致光电容积脉搏波传感器捕捉的光强度变化。如图4所示，红外光可穿透皮肤，到达皮下的动脉，因此步骤3.1获取的红外光源脉搏波携带动脉脉搏和毛细血管脉搏，而绿色光只能到达表层毛细血管，步骤3.1获取的绿色光源脉搏波只携带毛细血管脉搏。

利用针对人体血流的比尔朗伯定律，将血管容量变化和光密度变化联系起来，建立分析模型。具体地，将照亮区域视为均质组织，捕捉的光信号强度为I(t)，发射光信号强度为I⁰，则传播过程中光密度变化ΔOD为：

其中，t表示时间，<L>为差分路径长度，

和

分别为基准吸收系数和基准散射系数。Δμ′_s(t)为散射系数的差异变化，通常忽略不计。Δμ_a(t)为吸收系数的差异变化，由式(2)计算：

Δμ_a(t)＝ε·ΔC(t) (2)

其中，ΔC(t)为血管容量变化，ε是由皮肤、肌肉、血管组成的组织吸收系数。

将测量区域分为第一层(毛细血管层)和第二层(动脉层)，绿色光能够达到第一层，红外光能够到底第一层和第二层。波长为λg的绿色光在皮肤传播的光密度变化ΔOD^λg为：

其中，ΔC₁(t)表示第一层的血管容量变化，

表示绿光在第一层中的差分路径长度，

表示绿光在第一层中的组织吸收系数，t表示时间。

波长为λ_IR的红外光在皮肤传播的光密度变化

表示为：

其中，

分别表示红外光在第一层和第二层中的差分路径长度，

分别表示红外光在第一层和第二层中的组织吸收系数，ΔC₂(t)表示第二层的血容量变化，由于第二层血管容量变化即动脉容量变化，ΔC₂(t)即为动脉脉搏波。

根据式3和式4，动脉血管容量变化，即动脉脉搏波ΔC₂(t)解算为：

其中，

α为常数，视作缩放系数，

提取动脉脉搏波信号，需得到参数β。通过式6将问题转化为计算Δd(β,t)只被ΔC₂(t)影响时的β值：

在实践中，由于血管分布在具有一定厚度的组织中，因此，存在一个区间[β₁,β₂]，使得Δd(β,t)只被ΔC₂(t)影响。本发明，利用心跳时长相关性衡量ΔC₂(t)和ΔC₁(t)对Δd(β,t)的影响，定义为原始绿光脉搏波中每跳心跳时长(真实心跳时长)与对应的Δd(β,t)中每跳心跳时长的皮尔逊相关系数。如图5所示，心跳时长相关性首先随β增加而减小，这是因为Δd(β,t)中ΔC₁(t)的比例减小。当Δd(β,t)受ΔC₁(t)和ΔC₂(t)同等影响时，心跳时长相关性达到最低。随着β增加，Δd(β,t)中ΔC₁(t)比例减少、ΔC₂(t)比例增加，心跳时长相关性逐渐增加直到保持稳定。因此，在心跳时长相关性保持稳定的[β₁,β₂]范围内，Δd(β,t)只被ΔC₂(t)影响。当β继续增加，Δd(β,t)中ΔC₁(t)比例增加，心跳时长相关性增加。β取在[β₁,β₂]范围内的任意值均可。

将β值代入式5,消除毛细脉搏波的影响，提取出纯净的动脉脉搏波。为简化计算，可以取α为1，其它常数设定也在本发明范围之内。

步骤3.3：利用步骤3.2提取的动脉脉搏波，计算反向血流传播时间及与脉搏波波形有关的几何特征。

具体地，当心脏射血时，血液从心脏流向身体肢端，形成正向血流。正向血流在血管树分叉处受到阻力，部分血液反向流动，形成反向血流。同一个测量位置正向血流与反向血流的传播时间差被称作与反向血流波传播时间。反向血流传播时间与血流速度呈负相关关系，与血压呈正相关关系。

计算步骤3.2提取的动脉脉搏波的二阶导数，并根据其波峰波谷位置计算反向血流传播时间以及与脉搏波波形有关的几何特征。

如图3所示，反向血流传播时间为加速度脉搏波信号中a到e的时间间隔，其中，e是舒张期的拐点，标志反向血流发生。此外，还可以选择a到b的时间间隔、b到a₊₁的时间间隔、a点幅值与到b幅值的比值、a点幅值与到e幅值的比值、a点幅值与到e幅值的比值原始脉搏波信号中e点到a₊₁点所围成的面积与a点到e所围成的面积的比值、心率等与脉搏波波形有关的几何特征帮助提升系统表现。

步骤3.4：根据步骤3.3提取的反向血流传播时间、辅助特征，结合目标用户的生理参数(如年龄、身高、体重)以及真实血压值，建立通用的血压测量神经模型。

具体地，基于多层双向长短时记忆神经网络开发混合神经网络模型。网络结构如图6所示，包括输入层、隐含层和输出层。

其中，输入层以归一化的反向血流传播时间和辅助特征作为输入。

隐含层包括两个双向长短时记忆神经网络，建立输入特征的更高维度特征表示。在第i个时间步时，隐含层的输出

计算为：

其中，W_P为隐含层权重，

是双向长短时记忆神经网络的输出，PI是用户信息(如年龄、性别、身高、体脂率、体重、心输出量等)。

输出层包括两个全连接层。在第i个时间步时，输出层的输出y计算为：

其中，W_FC为全连接层权重，b_FC为偏置。利用步骤3.3提取的反向血流传播时间和辅助特征，结合目标用户的生理参数(如年龄、身高、体重)以及真实血压值，建立训练数据集。通过最小化血压计算误差，训练通用血压测量混合神经网络。

步骤3.5：利用迁移学习，训练步骤3.4建立的通用血压测量混合神经网络模型，计算通用的精准血压值。

为实现通用、精准血压测量，要建立包含各年龄层，性别用户脉搏波的数据集，用以训练步骤3.4建立的通用血压测量混合神经网络模型。由于在实际中难以收集足够的数据建立数据集。因此，可以使用迁移学习方法：

首先利用一个相关域数据集训练混合神经网络，然后利用本领域数据集修正混合神经网络。例如，可以使用开源在线数据集MIMIC III获取相关域数据集。MIMIC III数据库包含从ICU患者获取的生理信号和生命体征时间序列，其包含三万名16岁或以上患者的指尖脉搏波和血压记录。每个记录时长不同，多数记录的持续时间为几天，但有些记录的持续时间较短，有些记录的持续时间长达数周。

如图7所示，将迁移学习方法用于通用血压测量混合神经网络模型，每个全连接层后添加一个适配层，以执行相关域到本领域的转换。

具体地，首先利用相关域数据集训练混合神经网络，然后利用自采集的本领域数据集修正混合神经网络参数。其中，适配层的域损失函数定义为：

DL＝∑MAE_hθ_h (9)

其中，∑MAE_h为相关域数据集提取的特征和本领域自采集数据集提取的特征之间误差的平均绝对值，θ_h是第h层适配层的域损失函数权重，由softmax函数计算。

最终，血压计算混合神经网络的损失函数Loss由适配层的域损失函数和血压测量的均方误差组成，定义为：

其中，n表示输入特征序列的长度，

和

分别为收缩压和舒张压预测值，

和

分别为收缩压和舒张压真实值。通过最小化损失函数训练通用血压测量混合神经网络。

实施例

为了验证本发明的有益效果，将本发明开发成一个腕带式原型系统进行测试，原型系统如图8所示。原型包括一个集成的光电容积脉搏波传感器(可发射绿色光和红外光)，一个光电容积脉搏波传感器评估板和一个可调节腕带组成。

共招募35名健康志愿者(17名男性和18名女性，年龄19-50岁)参与数据采集。数据采集过程中，志愿者交替佩戴医用袖带式血压仪和原型设备分别采集真实血压值和脉搏波数据。测量间隔为1分钟。依照标准血压测量仪器验证程序，所有志愿者坐在安静、温度适宜的实验室中，背部支撑，双腿不交叉，袖带与心脏高度持平。共收集了71750分钟脉搏波样本进行分析和训练。

平均误差、平均误差标准差和皮尔逊相关系数被用于进行系统性能评价。其中平均误差定义为：血压预测值与血压真实值的差值平均值。平均误差标准差定义为：血压预测值与血压真实值的差值的标准差。皮尔逊相关系数定义为：

其中，r_i为血压真实值，p_i为血压预测值，

为平均真实血压，

为平均预测血压，n为样本个数。

首先测试本发明的总体性能。以34名志愿者的数据训练通用血压测量混合神经网络，以其余1名志愿者的数据测试所训练的网络。所有35个训练数据集和测试数据集的组合经过实验验证，舒张压平均误差为0.86毫米汞柱，平均误差标准差为6.55毫米汞柱，皮尔逊相关系数为0.88；收缩压平均误差为1.67毫米汞柱，平均误差标准差为7.31毫米汞柱，皮尔逊相关系数为0.72，表明本发明能够精准测量收缩压和舒张压。

然后，测试连续血压检测的能力。用于提供真实血压值的医用袖带式血压仪无法连续测量血压，因此全部志愿者在24小时内交替使用医用袖带式血压仪和原型设备采集数据。在7:00至23:00间每半小时进行一次测量，在23:00至次日7：00间每小时进行一次测量。图9展示了24小时内的平均误差。在7:00至23:00间平均误差均低于3.2毫米汞柱，在夜间，平均误差低于7.5毫米汞柱，证实了本发明可以实现连续精准血压测量。

最后，测试本发明应用不同采样率时的表现，证明本发明可以在多种采样率下达到较高的精度。全部志愿者分别以50Hz，100Hz，150Hz和200Hz采集脉搏波数据。图10展示了不同采样率下误差的箱形图。最低点表示估计误差的最小值，最高点表示估计误差的最大值。箱体从下四分位数绘制至上四分位数，中间横线表示中位数。随着采样率增加，估计误差减小，收缩压比舒张压测量精度更高，误差中位数均低于5毫米汞柱。由于商用智能腕带设备内置的光电容积脉搏波传感器往往支持50-200Hz采样率，本发明可以应用于不同商用智能腕带设备。

以上所述的具体实例是对本发明的进一步解释说明，并不用于限定本发明的保护范围，凡在本发明原则和精神之内，所做的更改和等同替换都应是本发明的保护范围之内。

Claims (10)

1.一种基于反向血流传播时间的连续血压测量系统，其特征在于，包括脉搏波信号监测装置和处理单元；

其中，脉搏波信号监测装置利用光电容积脉搏波传感器，采集目标用户皮肤下动脉血流的传感信息，并将信息发送给处理单位；

处理单元负责对传感信息进行处理，检测脉搏波信号监测装置与皮肤间的接触压力，提取纯净动脉脉搏，并计算反向血流传播时间，获取舒张压和收缩压值。

2.如权利要求1所述的一种基于反向血流传播时间的连续血压测量系统，其特征在于，光电容积脉搏波传感器包含光源和光探测器，不同光源发射出光线，照亮皮肤、肌肉和血管，光探测器检测光源所发射光的强度；

当血液伴随心跳在血管中周期性流动时，血管容量发生周期性变化，光吸收能力发生周期性变化；光源发射光强不变的情况下，光感测器采集光信号强度改变；利用光电容积脉搏波采集血管容量变化，所采集的脉搏波信号包括直流分量和交流分量；交流分量由心跳引起的血管容量变化引起，直流分量由骨骼、肌肉和静脉血流引起。

3.一种基于反向血流传播时间的连续血压测量方法，其特征在于，包括以下步骤：

步骤1：用户佩戴连续血压测量系统，其内置有光电容积脉搏波传感器，光电容积脉搏波传感器作为脉搏波信号监测装置，采集目标用户的脉搏信号；

步骤2：处理单元检测脉搏波信号监测装置与皮肤间的接触压力，包括以下步骤：

步骤2.1：对脉搏波信号，提取描述血管弹性和血管阻力的特征，包括收缩期与舒张期时长的比值、收缩峰与舒张峰振幅的比值；

步骤2.2：根据步骤2.1提取的特征，使用最小二乘支持向量机，估计当前脉搏波信号监测装置与皮肤的接触压力值；然后，引导用户调整接触压力，直至与令采集的脉搏波信号交流分量幅值达到最大时的接触压力相等；

步骤3：处理单元提取动脉脉搏波信号，计算反向血流传播时间，根据反向血流传播时间计算舒张压和收缩压的值，建立血压测量模型，利用模型计算精准血压值。

4.如权利要求3所述的一种基于反向血流传播时间的连续血压测量方法，其特征在于，步骤3包括以下步骤：

步骤3.1：去除脉搏波信号中无关的噪音；

步骤3.2：分析不同血管容量下不同光源的吸收和反射特点，得到用于后续处理的动脉脉搏波；

步骤3.3：利用步骤3.2提取的动脉脉搏波，计算反向血流传播时间及与脉搏波波形相关的几何特征；

步骤3.4：根据步骤3.3提取的反向血流传播时间和与脉搏波波形相关的几何特征，并结合目标用户的生理参数，以及真实血压值，建立血压测量神经模型；

步骤3.5：利用迁移学习，训练步骤3.4建立的通用血压测量混合神经网络模型，利用模型计算精准血压值。

5.如权利要求3所述的一种基于反向血流传播时间的连续血压测量方法，其特征在于，步骤2.1中，基于血管弹性和血流阻力参数建立脉搏波信号监测装置与皮肤间的接触压力检测模型；

首先进行特征选择：通过比较方差膨胀因子并结合人为观察，选择收缩期与舒张期时长的比值、收缩峰与舒张峰振幅的比值为必要特征，进行接触压力测量；

为提取上述特征，对采集的某一光源脉搏波信号计算二阶导数，即加速度脉搏波，两个必要特征分别通过计算起始点到b点和b点到结束点时间间隔的比值，以及加速度脉搏波信号a点和b点出现时，原始脉搏波信号振幅的比值，其中，a点为收缩期第一个拐点，标志血容量的快速增加；b点为收缩期第二个拐点，标志血容量达到最大；

步骤2.2中，采用最小二乘支持向量机训练描述接触压力与所提取特征之间关系的拟合函数；通过使用二次成本函数，将优化问题简化为求解一组线性方程组，其中，所述最小二乘支持向量机利用步骤2.1所提取的特征以及一组真实压力值在脱机时预先训练，用于检测脉搏波信号监测装置与皮肤的接触压力；

当调整接触压力至采集的脉搏波信号交流分量幅值达到最大时，能够准确测量反向血流传播时间，在上述压力下测量精准血压；利用预先训练好的最小二乘支持向量机测量交流分量幅值最大时的接触压力；

在采集脉搏波过程中，利用预先训练好的最小二乘支持向量机测量当前接触压力，如果当前接触压力未使得脉搏波信号交流分量幅值达到最大，则引导用户调整智能设备。

6.如权利要求5所述的一种基于反向血流传播时间的连续血压测量方法，其特征在于，每次用户配带智能设备时，要在每次佩戴时进行校准。

7.如权利要求4所述的一种基于反向血流传播时间的连续血压测量方法，其特征在于，步骤3.2中，首先，光电容积脉搏波传感器的一端发射光信号，照亮皮肤、肌肉和血管，另一端捕捉光信号强度；心脏周期性射血引起血管容量的规律变化，光吸收能力改变，导致光电容积脉搏波传感器捕捉的光强度变化；

利用针对人体血流的比尔朗伯定律，将血管容量变化和光密度变化联系起来，建立分析模型；

将照亮区域视为均质组织，捕捉的光信号强度为I(t)，发射光信号强度为I⁰，则传播过程中光密度变化ΔOD为：

其中，t表示时间，<L>为差分路径长度，

和

分别为基准吸收系数和基准散射系数；Δμ′_s(t)为散射系数的差异变化，忽略不计；Δμ_a(t)为吸收系数的差异变化，由式(2)计算：

Δμ_a(t)＝ε·ΔC(t) (2)

其中，ΔC(t)为血管容量变化，ε是由皮肤、肌肉、血管组成的组织吸收系数；

将测量区域分为第一层和第二层，绿色光能够达到第一层，红外光能够到底第一层和第二层；波长为λg的绿色光在皮肤传播的光密度变化ΔOD^λg为：

其中，ΔC₁(t)表示第一层的血管容量变化，

表示绿光在第一层中的差分路径长度，

表示绿光在第一层中的组织吸收系数，t表示时间；

波长为λ_IR的红外光在皮肤传播的光密度变化

表示为：

其中，

分别表示红外光在第一层和第二层中的差分路径长度，

分别表示红外光在第一层和第二层中的组织吸收系数，ΔC₂(t)表示第二层的血容量变化，由于第二层血管容量变化即动脉容量变化，ΔC₂(t)即为动脉脉搏波；

根据式3和式4，动脉血管容量变化，即动脉脉搏波ΔC₂(t)解算为：

其中，

α为常数，视作缩放系数，

提取动脉脉搏波信号，需得到参数β；通过式6将问题转化为计算Δd(β，t)只被ΔC₂(t)影响时的β值：

存在一个区间[β₁，β₂]，使得Δd(β，t)只被ΔC₂(t)影响；利用心跳时长相关性衡量ΔC₂(t)和ΔC₁(t)对Δd(β，t)的影响，定义为原始绿光脉搏波中每跳心跳时长与对应的Δd(β，t)中每跳心跳时长的皮尔逊相关系数；心跳时长相关性首先随β增加而减小；当Δd(β，t)受ΔC₁(t)和ΔC₂(t)同等影响时，心跳时长相关性达到最低；随着β增加，Δd(β，t)中ΔC₁(t)比例减少、ΔC₂(t)比例增加，心跳时长相关性逐渐增加直到保持稳定；在心跳时长相关性保持稳定的[β₁，β₂]范围内，Δd(β，t)只被ΔC₂(t)影响；当β继续增加，Δd(β，t)中ΔC₁(t)比例增加，心跳时长相关性增加；β取在[β₁，β₂]范围内的任意值均可；

将β值代入式5，消除毛细脉搏波的影响，提取出纯净的动脉脉搏波。

8.如权利要求4所述的一种基于反向血流传播时间的连续血压测量方法，其特征在于，步骤3.3中，当心脏射血时，血液从心脏流向身体肢端，形成正向血流；正向血流在血管树分叉处受到阻力，部分血液反向流动，形成反向血流；同一个测量位置正向血流与反向血流的传播时间差被称作与反向血流波传播时间；反向血流传播时间与血流速度呈负相关关系，与血压呈正相关关系；

计算步骤3.2提取的动脉脉搏波的二阶导数，并根据其波峰波谷位置计算反向血流传播时间以及与脉搏波波形有关的几何特征。

9.如权利要求4所述的一种基于反向血流传播时间的连续血压测量方法，其特征在于，步骤3.4中，基于多层双向长短时记忆神经网络开发混合神经网络模型，网络结构包括输入层、隐含层和输出层；

其中，输入层以归一化的反向血流传播时间和辅助特征作为输入；

隐含层包括两个双向长短时记忆神经网络，建立输入特征的更高维度特征表示；在第i个时间步时，隐含层的输出

计算为：

其中，W_P为隐含层权重，

是双向长短时记忆神经网络的输出，PI是用户信息；

输出层包括两个全连接层；在第i个时间步时，输出层的输出y计算为：

其中，W_FC为全连接层权重，b_FC为偏置；利用步骤3.3提取的反向血流传播时间和辅助特征，结合目标用户的生理参数以及真实血压值，建立训练数据集；通过最小化血压计算误差，训练通用血压测量混合神经网络。

10.如权利要求4所述的一种基于反向血流传播时间的连续血压测量方法，其特征在于，步骤3.5中，使用迁移学习方法用于通用血压测量混合神经网络模型，每个全连接层后添加一个适配层，以执行相关域到本领域的转换；

首先，利用相关域数据集训练混合神经网络，然后利用自采集的本领域数据集修正混合神经网络参数，其中，适配层的域损失函数定义为：

DL＝∑MAE_hθ_h (9)

其中，∑MAE_h为相关域数据集提取的特征和本领域自采集数据集提取的特征之间误差的平均绝对值，θ_h是第h层适配层的域损失函数权重，由softmax函数计算；

最终，血压计算混合神经网络的损失函数Loss由适配层的域损失函数和血压测量的均方误差组成，定义为：

其中，n表示输入特征序列的长度，

和

分别为收缩压和舒张压预测值，

种

分别为收缩压和舒张压真实值；通过最小化损失函数训练通用血压测量混合神经网络。

Images