CN115299899A - 基于多传感器的活动识别与逐搏血压监测分析预警系统 - Google Patents

基于多传感器的活动识别与逐搏血压监测分析预警系统 Download PDF

Info

Publication number
CN115299899A
CN115299899A CN202210947548.1A CN202210947548A CN115299899A CN 115299899 A CN115299899 A CN 115299899A CN 202210947548 A CN202210947548 A CN 202210947548A CN 115299899 A CN115299899 A CN 115299899A
Authority
CN
China
Prior art keywords
blood pressure
signal
module
signals
beat
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
CN202210947548.1A
Other languages
English (en)
Other versions
CN115299899B (zh
Inventor
徐礼胜
杨慧
崔慧颖
谭浚宜
王璐
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202210947548.1A priority Critical patent/CN115299899B/zh
Publication of CN115299899A publication Critical patent/CN115299899A/zh
Application granted granted Critical
Publication of CN115299899B publication Critical patent/CN115299899B/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
    • 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
    • A61B5/02141—Details of apparatus construction, e.g. pump units or housings therefor, cuff pressurising systems, arrangements of fluid conduits or circuits
    • 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
    • A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
    • A61B5/02225—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers using the oscillometric method
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Vascular Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Ophthalmology & Optometry (AREA)
  • Power Engineering (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明提供一种基于多传感器的活动识别与逐搏血压监测分析预警系统，涉及可穿戴医疗健康监测技术领域。该系统包括人体活动与逐搏血压监测设备、传输装置、智能终端系统和智能云端系统；人体活动与逐搏血压监测设备用于实时连续采集使用者的生理信号，并传输到智能终端系统；智能终端系统将获取的多生理信号进行预处理，利用消除射血前期影响的脉搏波传导时间实时计算用户的逐搏血压数值，并进行血压校准，获取并显示云端返回的处理结果；智能云端系统可消除射血前期对脉搏波传导时间的影响、重建中心动脉压力波，并通过对人体日常活动的识别，融合人体活动信息进行心血管状态的联合分析，实现心血管状态的辨识、疾病风险的预警及辅助诊断。

Description

基于多传感器的活动识别与逐搏血压监测分析预警系统
技术领域
本发明涉及可穿戴医疗健康监测技术领域，尤其涉及一种基于多传感器的活动识别与逐搏血压监测分析预警系统。
背景技术
心血管疾病作为当前我国国民死亡的原因之首，已成为重大公共卫生安全难题。然而，这类疾病的早期症状一般不易察觉，患者很难在初期感到明显病状。常常因此而忽视了病情，导致病情加重，错过最佳治疗时间，甚至最终会导致死亡。因此，心血管系统的健康监测尤为重要。
动脉血压是目前最常见的家庭健康监测指标之一。血压仪几乎成为了家庭必备品，但当前商业上的血压仪仍然存在测量不准确、功能单一、携带不便、难以实现长时程逐搏准确测量及未排除因日常活动而导致的疾病误判等问题，而且日常活动的识别和记录在动态血压测量及心血管疾病预测中也非常有参考价值。
专利号为CN112914530A的发明专利提供了一种自动校准式智能血压计，该血压计壳体的一侧靠近后部的位置设有收纳机构，方便对袖带进行收纳，内置MCU处理器实现血压计的自我校准；但是，该血压计体积较大，不易随身携带，无法实现血压的长时程逐搏测量。专利号为CN110477890A的发明专利提供了一种血压计算方法及血压测量装置，依据心电信号和脉搏波信号提取脉搏波传导时间，再利用建立的线性模型计算血压；但是该装置体积较大，难以携带，不能测量连续血压。专利号为CN110292370A的发明专利提供了一种基于脉搏波传导时间的胸口无创血压检测方法，消除了射血前期对脉搏波传导时间的影响，并加入了心率、脉搏波形态学参数对血压模型进行改进；但是没有考虑不同活动状态对血压值的影响。专利号为CN109480802A的发明提供了一种基于波形分析技术的血压参数估计系统及方法，旨在准确地估计脉搏波传导时间，同时实现无创测量人体不同部位血压，但是该发明没有提出用于连续血压测量；专利号为CN114224304A的发明专利提供了一种动态无袖带连续血压测量方法、装置及非暂态计算机可读存储介质，此发明利用神经网络建立所述脉搏波传导时间信息、脉搏波波形信息及个人特征信息与血压的关系模型，但是该专利未能充分考虑到在测量连续血压过程中人体活动对血压值的影响及关联；专利号为CN114041765A的发明提供了一种自校准无创连续血压测量方法及装置，该发明是基于三轴加速度传感器对不同方向获取的数据进行特征提取，根据运动状态进行血压校准，但是该发明的血压估计模型未考虑用户个人的体重身高等因素；专利号为CN105411558A的发明提供了一种连续血压监测方法，该方法是在正常状态下采集人体的血压值，但是由于测量连续血压，该方法没有考虑多种活动状态对血压值测量的影响；专利号为CN114271801A的发明提供了一种移动端人体连续血压监测装置及方法，利用移动终端进行血压信号的采集与分析，虽然在使用上有一定的便携性，但是缺少校正功能，精度与实时性仍有待提高；专利号为CN112998674A的发明提供了一种连续血压测量装置及自标定方法，该发明通过采集手指与手臂两处的脉搏波传导时间计算血压值，并根据实测血压进行了模型标定与校正，虽然该方法在计算模型上有校正环节，但是测量的过程中没有考虑用户的多种活动状态的影响；专利号为CN110840427A的发明提供了一种基于容积脉搏波信号的连续血压测量方法，该方法根据采集的脉搏波的幅值变化特点获得血压值，但是没有根据真实血压值进行校正；专利号为CN113456043A的发明提供了一种连续血压检测方法及装置，该方法是直接通过提取数据特征构建模型的方法得到血压值，但是该发明功能比较单一，没有校正环节，血压值的准确性有待验证；专利号为CN112890790A的发明提供了一种穿戴式的无创血压动态跟踪监测方法，利用两路血压信号计算血压值，设备便携，而该专利不具备血压校正模块，获得的血压值会有一定误差；专利号为CN113100729A的发明专利提供了一种基于智能袖带的血压测量装置，该装置采用柯氏音法和示波法相结合的方式测量血压，通过麦克风传感器采集加压时脉搏波动的声音信号，容易受到使用者活动影响，从而导致血压计算不准确；专利号为CN209003977U的发明提供了一种无创连续血压测量装置，通过连续血压采集装置采集手指血压数据，并通过袖带装置采集的肱动脉血压数据对手指血压数据进行校正，但是其校正装置仅考虑了高度校正，未考虑用户自身心率、身高、体重等因素的影响；专利号为CN108272446A的发明提供了一种无创连续血压测量系统及校准方法，但是该系统功能较为单一，仅能测得血压值，不具备疾病预测和风险评估功能；专利号为CN112754447A的发明专利提供了一种用于血压计的新型智能袖带，通过压力信息计算血压数据，并无任何血压数值校正程序；专利号为CN113854987A的发明专利提供了一种无线血压连续监测系统，结合Zigbee无线传输技术，实现基于PWTT的无线血压监测，但是对测得血压值的可用性没有进行分析，没有对不同活动状态下的血压值进行区分，无法降低系统对疾病误判的概率；专利号为CN113171070A的发明提供了一种基于PWTT的动态连续血压测量方法，基于PWTT得到血压值，再根据高压、脉压、心率与血压的关系对得到的血压值进行校正，但是该方法不具备心血管疾病的预警功能，功能较为单一；《中国医学物理学杂志》第38卷第7期的名为“基于脉搏波传导时间的血压测量方法”论文提出了一种利用脉搏波传导时间测量血压的方法，该方法一是解决了某些方法不能对高血压患者进行测试的问题，二是解决了因忽略诸如身高、体重等因素造成的结果不准确的问题，但是该方法对于噪声严重的心电信号检测效果并不好，测得血压的准确性还需验证；《电子与信息学报》第40卷第2期的名为“一种基于多参数融合的无袖带式连续血压测量方法的研究”论文中提出了一种基于BP神经网络的无创连续性血压测量方法，但是该方法的计算结果未进行个性化校正，没有心血管疾病的预警功能，功能较为单一；吉林大学于潇的名为“基于脉搏波速度的无创连续血压测量系统研究”硕士论文对生理信号采集、分析处理及特征点提取、传导速度测量算法、根据速度计算血压算法等进行了调研，该研究中选用了肱动脉及桡动脉两个部位进行实时采集信号，系统体积和功耗较小，分析能力强，能够完成数据实时多点采集与处理，但是仍存在测量有误差，泛化能力弱等问题。
以上专利的功能与普通血压计无较大差别，主要是信号采集方式与血压计算方式的改进。而且，目前的专利文献对血压的长时逐搏估计研究较少，准确性及算法的优化有待提高，功能也较为单一。并且部分专利不具备心血管状态预警功能，尤其是没有将人体的日常活动影响作为主要干扰因素进行联合识别与处理，可能会导致预警系统出现对心血管状态的识别产生误判，且血压计算模型泛化能力弱，没有进行个性化校正，导致血压数值分析不准确等问题。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于多传感器的活动识别与逐搏血压监测分析预警系统，实现对连续血压的测量与系统疾病的风险智能预警。
为解决上述技术问题，本发明所采取的技术方案是：基于多传感器的活动识别与逐搏血压监测分析预警系统，用于测量血压、评估心血管系统疾病风险，包括人体活动与逐搏血压监测设备、传输装置、智能终端系统和智能云端系统；所述人体活动与逐搏血压监测设备用于实时连续采集使用者的生理信号，并通过传输装置传输到智能终端系统；所述智能终端系统将获取的多生理信号进行预处理，利用消除射血前期影响的脉搏波传导时间实时计算用户的逐搏血压数值，并根据用户自定义的时间间隔进行血压的校准，获取并显示云端返回的数据处理结果；所述智能云端系统用于消除射血前期对脉搏波传导时间的影响、重建中心动脉压力波，并通过对人体日常活动的识别，融合人体活动信息进行心血管状态的联合分析，实现心血管状态的辨识、疾病风险的预警及辅助诊断；并且定时更新智能终端系统中的各模型和算法。
优选地，所述人体活动与逐搏血压监测设备包括主控盒、佩戴装置、气囊、自动充放气装置、多传感器融合的生理信号采集装置和主控电路装置；佩戴装置主体为双层弹性袖带，气囊和多传感器融合的生理信号采集装置均嵌于袖带内层，多传感器融合的生理信号采集装置用于实时采集使用者的生理信号并通过传输装置传输至主控电路装置；自动充放气装置在智能终端系统及主控电路装置的控制下对袖带中的气囊进行充放气，实现血压数值的测量并辅助进行智能血压校正；主控电路装置安装于主控盒中，用于将采集到的多种生理信号处理后通过有线或无线方式传输到智能终端系统。
优选地，所述多传感器融合的生理信号采集装置包括心电信号采集装置、加速度信号采集装置、脉搏信号采集装置和两个高度传感器装置；所述心电信号采集装置包括三个金属电极，金属电极采用干电极、一次性湿电极或柔性导电材料，所述金属电极嵌入双层弹性袖带内层的不同位置并通过导联线连接到主控电路装置的输入端；所述加速度信号采集装置包括三轴加速度传感器和陀螺传感器，嵌于袖带内侧，实时采集人体三轴加速度、角速度信号；所述脉搏信号采集装置嵌于袖带内侧，包括两个光电脉搏血氧传感器和一个压力脉搏传感器，两个光电脉搏血氧传感器对上臂不同位置的脉搏波实现长时动态监测，压力脉搏传感器采集袖带充气时的压力脉搏波信号；所述两个高度传感器一个内附于袖带内侧，另一个放置在胸部同心脏等高部位；所述多传感器融合的生理信号采集装置中各装置的输出端均与传输装置连接。
优选地，所述传输装置包括用于多传感器融合的生理信号采集装置与主控电路装置进行数据传输的第一数据传输模块、主控电路装置与智能终端系统进行数据传输的第二数据传输模块以及智能终端系统与智能云端系统进行数据传输的第三数据传输模块；所述第一数据传输模块通过连接采集装置与主控盒的导线传输数据；所述第二、第三数据传输模块采用无线收发装置传输数据。
优选地，所述系统还包括AD转换装置以及为其供电的电源管理模块；所述AD转换装置为模拟信号预处理结束后的生理信号进行AD转换，AD转换后的生理信号作为智能终端系统的输入信号；所述电源管理模块包括锂电池和电源管理电路，电源管理电路包括电源管理芯片和稳压芯片；电源管理电路采用电源管理芯片为锂电池进行充电，并提供+3V稳定电压，稳压芯片将+3V电压转换为+2.5V电压，为AD转换装置提供持续稳定的电压。
优选地，所述智能终端系统包括信号智能预处理模块、特征提取模块、血压计算模块、血压校准模块和血压及心血管状态预警结果的获取、显示模块；所述信号智能预处理模块用于对多传感器融合的生理信号采集装置采集的多种生理信号进行去噪处理，包括去基线漂移部分、去工频干扰部分和去高频干扰部分；信号智能预处理模块将预处理后的多生理信号传输至云端服务器；所述特征提取模块对信号智能预处理模块预处理后的多生理信号进行特征点提取；所述血压计算模块根据ECG信号与两路光电容积脉搏波PPG信号之间的传导时间PTT1、PTT2、以及两路光电容积脉搏波PPG信号之间的传导时间PTT3建立血压估计模型，进行血压的估计；所述血压校准模块内设血压校正单元，实时计算并校正使用者的逐搏血压数值，对血压计算模块所计算的血压进行校正；所述血压及心血管状态预警结果的获取、显示模块获取血压测量结果及智能云端系统返回的用户活动状态、疾病风险评估结果并显示在终端系统。
优选地，所述智能云端系统包括中心动脉压力波形重建模块、脉搏波传导时间计算模块、血压计算、校正模型的实时建立模块、人体活动状态识别模块及心血管状态预警模块；所述中心动脉压力波形重建模块利用改进的ABP-net模型分别对多传感器融合的生理信号采集装置采集到的两路光电容积脉搏波信号进行中心动脉压力波形的重建，然后将两路重建波形进行融合，并对融合结果进行特征提取，以消除射血前期对传导时间的影响；所述脉搏波传导时间计算模块根据多种生理信号进行脉搏波传导时间的计算；血压计算、校正模型的实时建立模块根据用户的生理特征与脉搏波传导时间实时建立血压计算与校正模型；所述人体活动识别模块使用机器学习的方法，自动学习由信号智能预处理模块提取的人体活动识别的相关特征，对用户活动状态进行识别，为心血管状态预警提供依据；所述心血管状态预警模块基于特征向量融合的深度神经网络，考虑多种心血管疾病的互相关联性，融合信号特征的分类结果、血压与活动状态的监测结果实现对使用者的心血管状态辨识和疾病风险预警。
优选地，所述人体活动识别模块实现对多种日常活动状态的识别；采用层次分类方法分析采集到的加速度信号与角速度信号，提取特征并利用SVM进行分类，实现活动状态识别，并结合人体不同负荷下同一生理指标进行血压与活动状态的动态对应与关联分析。
所述心血管状态预警模块包括多生理信号的深度分析单元和风险预警单元；所述多生理信号的深度分析单元对采集的用户的多生理信号进行特征提取与分类，一方面利用双向长短时记忆网络结合注意力机制提取信号特征；另一方面利用主成分分析法通过对数据进行降维并提取特征；最后将二者分别提取的特征输入特征融合模块进行特征融合，并引入支持向量机进行分类；所述风险预警单元是将深度分析单元的分类结果、使用者当前的血压测量结果及对应的活动状态输入联合分析模块，将血压特点、人体活动状态类别以及提取的多生理信号特征进行关联分析，按照疾病风险评估标准，实现心血管状态预警。
所述特征融合模块是针对利用双向长短时记忆网络提取的特征矩阵及利用主成分分析法提取的特征矩阵进行特征融合，采用系列特征融合的方式，将两个特征矩阵的对应列的特征直接进行连接，生成融合特征集；所述联合分析模块即利用支持向量机实现分类后得到的初步风险评估分值、血压与活动状态对应结果的可信度分值进行建模，估计最终的风险评估分值，实现多角度的联合分析结果。
优选地，所述基于多传感器的活动识别与逐搏血压监测分析预警系统用于测量血压、评估心血管风险的具体方法为：
步骤1：通过袖带内嵌的多传感器融合的生理信号采集装置采集ECG信号、两路光电容积脉搏波PPG信号、三轴加速度信号与角速度信号、袖带充气时的压力脉搏波信号PW，并通过传输装置将采集到的信号传输到智能终端系统；
步骤2：智能终端系统内置信号智能预处理模块，对多生理信号采集系统采集到的信号进行智能预处理，并通过预处理后的两路光电容积脉搏波PPG信号进行中心动脉压力波信号的重建，具体方法为：
步骤2.1：对生理信号去除基线漂移；针对不同频率的多生理信号的同步处理，采用多通道级联提升小波自适应分类滤波法实现；
步骤2.1.1：首先对于输入的多种信号进行分类并将信号分别输入相应的基线漂移处理通道，即去除ECG信号基线漂移的第一通道、去除PPG信号基线漂移的第二通道、去除三轴加速度信号与角速度信号基线漂移的第三通道及去除压力脉搏波信号PW基线漂移的第四通道，每个通道设置两个基线漂移处理模块；
其中，第一个基线漂移处理模块通过经验模态分解(Empirical ModeDecomposition,EMD)方式将信号分为若干个本征模态函数和一个残余分量，即从原始信号中将残余量分离出来以达到去除基线漂移的目的；第二个基线漂移处理模块是通过分段处理模式进去除基线漂移，先将各通道相应的生理信号的基线漂移水平进行检测，即计算不同生理信号波形与其对应的基线漂移的偏移，若偏移量高于设定的阈值，则使用三次样条插值滤波法进行滤波，若偏移量低于设定的阈值，则使用小波滤波器进行第一次滤波，再使用三次样条插值进行第二次滤波；针对ECG信号使用改进的三次样条插值进行滤波，即在三次样条插值基础上，选择一个波形周期内的两个基准点，两个基准点为通过对原始信号进行一次求导得到的一个周期内频率变化最大的位置，即求导后的最大值与最小值的位置进行插值；
步骤2.1.2：将第一个基线漂移处理模块与第二个基线漂移处理模块得到的去除基线漂移的信号相结合，得到最终的去除基线漂移的生理信号；
步骤2.2：对生理信号去除工频干扰；利用小波基函数对去除基线漂移的生理信号进行小波分解，对各层小波系数进行傅里叶分解，找到50Hz或60Hz的工频干扰所对应频率的小波系数，并将其置零，其他频率小波系数保持不变，根据当前的各小波系数做小波逆变换，重构信号，即得到去除工频干扰后的生理信号；
步骤2.3：对生理信号去除高频噪声干扰；利用小波基函数对去除工频干扰的生理信号做多层小波分解变换，对各层小波系数分别做软阈值处理，降低高频部分的小波系数，去除高频噪声干扰，即得到去除高频噪声干扰后的生理信号；
步骤2.4：基于ABP-net模型对步骤2.3处理后得到的两路光电容积脉搏波PPG信号进行中心动脉压力波形的重建：
步骤2.4.1：分别求出两路PPG信号的一阶导数，称作速度体积描记，记为VPG；求出二阶导数，称作加速度体积描记，记为APG；
步骤2.4.2：将原始PPG信号以及步骤2.4.1中计算得到的APG信号、VPG信号作为ABP-net模型的输入；
步骤2.4.3：在ABP-net模型的编码块中分别对输入的信号进行一维卷积与下采样操作；
步骤2.4.4：编码结束后通过中间层进入解码模块，分别进行一维卷积与上采样操作；
步骤2.4.5：将编码模块与解码模块对应的特征进行拼接并送到输出层，得到重建的中心动脉压力波形；
步骤2.5：将两路重建波形进行融合；采用加权平均法对信号进行融合，通过对PPG信号的重建波形的信息进行加权平均，得到融合值，最终将两路PPG信号重建波形的融合值作为目标中心动脉压力波信号；
步骤3：对步骤2预处理后的多生理信号和重建得到的中心动脉压力波信号计算射血前期及脉搏波传导时间，具体方法为：
步骤3.1：检测ECG信号R波峰值Pecg，确定射血前期；
设定阈值，保证ECG信号的R波峰值Pecg处于阈值之上，ECG信号其他部分处于阈值之下，实时标记大于阈值的R波；ECG信号R波峰值Pecg与中心动脉压力波起始点A之间的传输时间即为射血前期；
步骤3.2：检测两路光电容积脉搏波PPG信号上升沿的最大斜率点S1、S2和主波波峰Pppg1、Pppg2；
首先，分别对两路光电容积脉搏波PPG信号求导，检测上升沿的最大斜率点S1和S2；再分别对两路光电容积脉搏波PPG信号进行多层小波分解，提取并重构高频信号，高频信号中高于设定阈值的波峰为主波波峰Pppg，低于设定阈值的波峰为重搏波峰值；
步骤3.3：分别计算ECG信号和两路光电容积脉搏波PPG信号以及两路光电容积脉搏波PPG信号之间的传导时间；即分别计算ECG信号与第一路光电容积脉搏波PPG信号之间的脉搏波传输时间PTT1，具体为ECG信号R波峰值Pecg与第一路光电容积脉搏波PPG信号主波峰值Pppg1之间的传导时间；ECG与第二路光电容积脉搏波PPG信号之间的脉搏波传输时间PTT2，具体为ECG信号R波峰值Pecg与第二路光电容积脉搏波PPG信号主波峰值Pppg2之间的传导时间；第一路光电容积脉搏波PPG信号与第二路光电容积脉搏波PPG信号之间的脉搏波传导时间PTT3，具体为第一路光电容积脉搏波PPG信号上升沿的斜率最大值点S1和第二路光电容积脉搏波PPG信号上升沿的斜率最大值点S2之间的传导时间；
步骤4：基于各脉搏波之间的传导时间建立血压估计与校正模型并实现血压的计算与校正，具体如下：
步骤4.1：根据步骤3中得到的三个脉搏波之间的传导时间与用户生理特点实时建立血压估计模型，具体如下：
Figure BDA0003788137220000081
Figure BDA0003788137220000082
Figure BDA0003788137220000083
其中，BP1、BP2、BP3分别为由三个脉搏波之间的传导时间计算得到的估计血压值；α0、α1、α2、α3，β0、β1、β2、β3，γ0、γ1、γ2、γ3均为拟合系数，由自建数据库中的大量数据拟合得到；HR为心率，K1为第一路脉搏波信号的波形面积，K2为第二路脉搏波信号的波形面积；
步骤4.2：对基于示波法利用袖带充放气得到的血压BP4进行校正，消除血压测量时的高度差影响；
步骤4.2.1：根据袖带内置高度传感器装置与心脏部位高度传感器装置得到的压力值P1、P2分别计算得到两处传感器当前时刻的相对高度H1、H2，再计算得到H1与H2的高度差；
步骤4.2.2：对基于示波法利用袖带充放气得到的血压BP4进行校正，消除血压测量时的高度差影响，如下公式所示：
BP5＝BP4-γ(H2-H1)
其中，BP5为对血压BP4进行校正后的血压；γ为系数；
步骤4.3：将BP5作为参考血压，结合血压估计模型建立血压校正模型，对估计的血压值进行校准；
将BP5作为参考血压，分别计算BP1、BP2、BP3与BP5之间的差值diff1、diff2、diff3，取差值的平均值diffavg作为校正量加入血压估计模型，得到血压校正模型，如下公式所示：
BP＝θ1*BP1+θ2*BP2+θ3*BP3+θ4*diffavg
θ1+θ2+θ3+θ4＝1
其中，θ1、θ2、θ3、θ4均为回归系数；
步骤5：对人体日常行为活动进行识别；
步骤5.1：利用采集的加速度信号与角速度信号数据共同确定人体活动行为的特征子集；对获得的加速度信号与角速度信号进行深度分析，提取其时频域特征，并针对这些特征进行特征选择，通过绘制两组信号融合的X轴、Y轴、Z轴、三轴合量的VSM、SAA的数据曲线进行特征选择，确定特征子集；
步骤5.2：利用支持向量机进行分类，实现活动识别；
将步骤5.1中确定的特征子集输入支持向量机进行活动状态分类，进而实现对13种日常行为活动的识别，并评估分类精度；
步骤6：将人体活动状态与血压值进行动态对应；
步骤6.1：将步骤5中对识别出的人体活动状态与不同活动状态下的血压值进行对比分析，结合人体不同负荷下同一生理指标的变化规律，进行活动状态与血压值的动态对应，并根据对应结果给出可信度值；
步骤6.2：将计算得到的动脉血压数值及活动状态显示在智能终端系统，并将记录到的血压数值、同步采集的多生理信号上传到智能云端系统；
步骤7：利用心血管状态预警模块实现心血管状态预警；
步骤7.1：利用长短时记忆网络LSTM提取多生理信号特征；
步骤7.1.1：首先将该用户的n组多种生理信号输入双向长短时记忆网络，得到每组信号在长短时记忆网络来回两个方向上的特征向量A、A'；
步骤7.1.2：嵌入注意力机制计算特征权重，得到不同特征对疾病风险评估的贡献程度；将长短时记忆网络输出的特征向量A、A'通过fatt操作计算出来的结果应用softmax函数实现归一化转化成概率，得到特征权重；
步骤7.1.3：对得到的特征权重进行加权求和，计算出加权后的特征向量B；
步骤7.1.4：将特征向量B输入长短时记忆神经网络得到输出序列隐状态S；
步骤7.1.5：全连接层将输出的全部隐状态进行整合，完成对多生理信号的特征提取；
步骤7.2：通过主成分分析法提取多生理信号特征；输入多生理信号数据，先将数据中心化，然后求解当前生理信号数据的协方差矩阵，计算得到协方差矩阵的特征值与特征向量，再将特征向量按照大小顺序排列，最后确定该生理信号提取的有效特征；
步骤7.3：将步骤7.1与步骤7.2得到的特征直接连接实现特征融合并输入支持向量机进行分类；
步骤7.4：依据步骤7.3得到的分类结果，再结合步骤4测得的血压值与步骤5得到的与血压对应的活动状态识别结果进行联合分析，实现心血管状态预警，具体如下：
步骤7.4.1：计算初步风险评估分值S；将步骤7.3中得到的结果与心血管状态预警模块训练得到的疾病风险预警特征进行比对，根据匹配程度按照低、中、高三个评估级别得到初步的风险评估分值；
步骤7.4.2：计算血压值与活动状态对应结果的可信度分值R；根据步骤4中测得的用户的血压值，计算该血压值偏离在相应状态下正常血压值参考范围最大值或最小值的程度计算得到的分值；
步骤7.4.3：将7.4.1与7.4.2得到的结果输入最终风险评估模型计算最终的风险评估分值Sf，如下公式所示：
Sf＝λS+μR
其中，S为初步风险评估分值；R为血压值与活动状态对应结果的可信度分值；λ、μ分别为根据S、R的相对重要性得到的权重；Sf为最终疾病风险评估分值；
步骤7.4.4：将步骤7.4.3中得到的疾病风险评估分值与心血管状态预警模块中设定的参考风险分值进行对比，若分值超过设定的参考疾病预测标准，则用户是患有疾病的风险；
步骤8：由智能终端系统显示疾病风险评估分值，并根据云端系统对心血管状态的预警结果，向使用者发出警告。
采用上述技术方案所产生的有益效果在于：本发明提供的基于多传感器的活动识别与逐搏血压监测分析预警系统，设备体积小，与人体接触的部分均采用舒适度较高的材料制成，与皮肤的贴合度更强，可以实现在充气气压比正常充气气压低的情况下实现血压的测量，减少因充放气给使用者造成的不适感；本发明所提供的血压估计模型，不需要对袖带进行加压即可估算逐搏血压，为血压监测设备的长期佩戴提供了方便；通过血压校正模型实现融合血压估计模型的优化，保证了血压监测模型的个性化、智能化，有效提高测量血压值的准确度；人体活动识别模块在很大程度上减小了系统对疾病风险预警的误判概率；深度分析并记录同步采集的心电信号、多路脉搏信号、重建得到的中心动脉压力波信号，可得到更为准确的血压值，提供准确、丰富的心血管功能评估依据；智能终端系统显示逐搏血压数值、活动状态和疾病的预警评分，实现心血管功能的风险预警，是一款功能多样、实用性强、准确率高的智能可穿戴设备及其大数据心血管功能评估与系统疾病风险预警系统。
附图说明
图1为本发明实施例提供的基于多传感器的活动识别与逐搏血压监测分析预警系统的结构框图；
图2为本发明实施例提供的人体活动与逐搏血压监测设备的结构示意图；
图3为本发明实施例提供的智能终端系统的界面图；
图4为本发明实施例提供的基于多传感器的活动识别与逐搏血压监测分析预警系统的工作流程图；
图5为本发明实施例提供的中心动脉压力波形重建模型；
图6为本发明实施例提供的人体活动识别模块的流程图；
图7为本发明实施例提供的心血管状态预警模块流程图；
图8为本发明实施例提供的LSTM提取特征的网络结构图；
图9为本发明实施例提供的LSTM提取特征的流程图；
图10为本发明实施例提供的联合分析模块的流程图。
图中，0、佩戴装置；1、袖带；11、魔术贴；12、气囊；13、多传感器融合的生理信号采集装置；131、心电信号采集装置；132、加速度信号采集装置；133、第一路光电脉搏血氧传感器；134、第二路光电脉搏血氧传感器；135、压力脉搏传感器；136、高度传感器；2、主控盒；21、自动充放气装置；22、主控电路装置；3、皮导管。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，基于多传感器的活动识别与逐搏血压监测分析预警系统，如图1所示，用于测量血压、评估心血管风险，包括人体活动与逐搏血压监测设备、传输装置、智能终端系统和智能云端系统；所述人体活动与逐搏血压监测设备用于实时连续采集使用者的生理信号，并通过传输装置传输到智能终端系统；所述智能终端系统将获取的多生理信号实现预处理，进行血压的计算与校正，获取并显示云端返回的数据处理结果；所述智能云端系统用于消除射血前期对脉搏波传导时间的影响、重建中心动脉压力波，并通过对人体日常活动的识别，融合人体活动信息进行心血管状态的联合分析，实现心血管状态的辨识、疾病风险的预警及辅助诊断；并且定时更新智能终端系统中的各模型和算法。
所述人体活动与逐搏血压监测设备如图2所示，包括佩戴装置0、主控盒2、气囊12、自动充放气装置21、主控电路装置22、多传感器融合的生理信号采集装置13；佩戴装置主体0为双层弹性袖带1，气囊12和多传感器融合的生理信号采集装置13均嵌于袖带1内层，多传感器融合的生理信号采集装置13用于实时采集使用者的生理信号并通过传输装置传输至主控电路装置22；所述双层弹性袖带1的袖带两端设置固定用魔术贴11；双层弹性袖带1主体通过皮导管3与主控盒2连接；皮导管3由内层的充放气管和外层的导线管构成。自动充放气装置21在智能终端系统及主控电路装置22的控制下对袖带中的气囊12进行充放气，实现血压数值的测量并辅助进行智能血压校正；主控电路装置22安装于主控盒2中，用于将采集到的多种生理信号处理后通过无线方式传输到智能终端系统。
所述多传感器融合的生理信号采集装置13包括心电信号采集装置131、加速度信号采集装置132、脉搏信号采集装置和两个高度传感器装置136；所述心电信号采集装置131包括三个金属电极，金属电极采用干电极、一次性湿电极或柔性导电材料，所述金属电极嵌入双层弹性袖带内层的不同位置并通过导联线连接到主控电路装置的输入端；所述加速度信号采集装置132包括三轴加速度传感器和陀螺传感器，嵌于袖带1内侧，实时采集人体三轴加速度信号和角速度信号；所述脉搏信号采集装置嵌于袖带1内侧，包括两个光电脉搏血氧传感器133、134和一个压力脉搏传感器135，两个光电脉搏血氧传感器133、134对上臂不同位置的脉搏波实现长时动态监测，压力脉搏传感器135采集袖带充气时的压力脉搏波信号；所述两个高度传感器136，一个内附于袖带内侧，另一个放置在胸部同心脏等高部位；所述多传感器融合的生理信号采集装置13中各装置的输出端均与传输装置连接。
所述传输装置包括用于多传感器融合的生理信号采集装置与主控电路装置进行数据传输的第一数据传输模块、主控电路装置与智能终端系统进行数据传输的第二数据传输模块以及智能终端系统与智能云端系统进行数据传输的第三数据传输模块；所述第一数据传输模块通过连接采集装置与主控盒的导线传输数据；所述第二、第三数据传输模块采用无线收发装置传输数据。
本实施例中，基于多传感器的活动识别与逐搏血压监测分析预警系统还包括AD(模/数)转换装置以及为其供电的电源管理模块；所述AD转换装置为模拟信号预处理结束后的生理信号进行AD转换，AD转换后的生理信号作为智能终端系统的输入信号；所述电源管理模块包括锂电池和电源管理电路，电源管理电路包括电源管理芯片和稳压芯片；电源管理电路采用电源管理芯片为锂电池进行充电，并提供+3V稳定电压，稳压芯片将+3V电压转换为+2.5V电压，为AD转换装置提供持续稳定的电压。
本实施例中，所述智能终端系统包括信号智能预处理模块、特征提取模块、血压计算模块、血压校准模块和血压及心血管状态预警结果的获取、显示模块；所述信号智能预处理模块用于对多传感器融合的生理信号采集装置采集的多种生理信号进行去噪处理，包括去基线漂移部分、去工频干扰部分和去高频干扰部分，增强信号的质量；信号智能预处理模块将预处理后的多生理信号暂存在SD卡中，网络顺畅时将传输至云端服务器；所述特征提取模块对信号智能预处理模块预处理后的多生理信号进行特征点提取，包括血压计算模块的特征提取及人体活动识别模块的特征提取与选择；所述血压计算模块根据ECG信号与两路光电容积脉搏波PPG信号之间的传导时间PTT1、PTT2、以及两路光电容积脉搏波PPG信号之间的传导时间PTT3建立血压估计模型，进行血压估计计算；所述血压校准模块内设血压校正单元，实时计算并校正使用者的逐搏血压数值，对血压计算模块计算的血压进行校正，提高测量血压的准确性；所述血压及心血管状态预警结果的获取、显示模块获取血压测量结果及智能云端系统返回的用户活动状态、疾病风险评估结果并显示在终端系统。
本实施例中，所述智能云端系统包括中心动脉压力波形重建模块、脉搏波传导时间计算模块、血压计算、校正模型的实时建立模块、人体活动状态识别模块及心血管状态预警模块；所述中心动脉压力波形重建模块是利用改进的ABP-net模型分别对多传感器融合的生理信号采集装置采集到的两路光电容积脉搏波信号进行中心动脉压力波形的重建，然后将两路重建波形进行融合，最终将融合结果作为特征提取模块的输入信号进行特征提取，以消除射血前期对传导时间的影响；所述脉搏波传导时间计算模块是根据多种生理信号进行脉搏波传导时间的计算；血压计算、校正模型的实时更新模块根据用户的生理特征信息与脉搏波传导时间实时建立血压计算与校正模型；所述人体活动识别模块使用机器学习的方法，自动学习由信号智能预处理模块提取的人体活动识别的相关特征，对用户活动状态进行识别，为心血管系统状态预警提供依据；所述心血管系统状态预警模块基于特征向量融合的深度神经网络，考虑各种心血管系统疾病的互相关联性，融合信号特征的分类结果、血压与活动状态的监测结果实现对使用者的心血管系统状态辨识和疾病风险评估预警。
本实施例中，人体活动识别模块实现对起立、坐下、弯腰、下蹲、摔倒、躺下、步行、跑步、上楼梯、下楼梯、站立、翻身、转身等多种基本日常活动状态的识别；采用层次分类方法分析采集到的加速度信号与角速度信号，提取特征并利用SVM进行分类，实现活动状态识别，并结合人体不同负荷下同一生理指标进行血压与活动状态的动态对应与关联分析，减小由于日常活动而导致风险预警系统产生误判的概率，辅助心血管功能的风险评估与心血管系统的功能分析；另外，鉴于日常活动多且复杂，很难提前获取包含所有可能活动类别的训练样本，故人体活动识别模块已通过对13种基本活动状态的识别及其序列的组合来判别人体动作行为和活动量，嵌入对多种其他活动状态的识别算法，用户可以根据实际需求通过活动状态添加功能在模块中加入新的活动状态。
本实施例中，心血管系统状态预警模块包括多生理信号的深度分析单元和风险预警单元；所述多生理信号的深度分析单元对采集的用户的多生理信号进行特征提取与分类，一方面利用双向长短时记忆网络结合注意力机制提取信号特征；另一方面利用主成分分析法通过对数据降维提取特征；最后将二者分别提取的特征输入特征融合模块进行特征融合，并引入支持向量机进行分类；所述风险预警单元是将深度分析单元的分类结果、使用者当前的血压测量结果及对应的活动状态输入联合分析模块，将血压特点、人体活动状态类别以及提取的多生理信号特征进行关联分析，按照疾病风险评估标准，实现心血管状态预警。同时也可以对用户不同状态下的逐搏血压值进行分析，监测用户心血管的功能状态变化。
本实施例中，特征融合模块是针对利用双向长短时记忆网络提取的特征矩阵及利用主成分分析法提取的特征矩阵进行特征融合，采用系列特征融合的方式，将两个特征矩阵的对应列的特征直接进行连接，生成融合特征集。
本实施例中，联合分析模块即利用支持向量机实现分类后得到的初步风险评估分值、血压与活动状态对应结果的可信度分值进行建模，估计最终的风险评估分值，实现多角度的联合分析结果；
本实施例中，智能终端系统最终通过如图3所示的界面显示被测者的个人信息及血压数据等信息，同时，被测者还能在界面设置通过血压校准模块进行血压校准的时间间隔及添加更多的人体活动状态。
本实施例中，通过基于多传感器的活动识别与逐搏血压监测分析预警系统进行测量血压、评估心血管风险，如图4所示，具体方法为：
步骤1：通过袖带内嵌的多传感器融合的生理信号采集装置采集ECG信号、两路光电容积脉搏波PPG信号、三轴加速度信号与角速度信号、袖带充气时的压力脉搏波信号PW，并通过传输装置将采集到的信号传输到智能终端系统；
步骤2：智能终端系统内置信号智能预处理模块，对多生理信号采集系统采集到的信号进行智能预处理，并通过预处理后的两路光电容积脉搏波PPG信号进行中心动脉压力波信号的重建，具体方法为：
步骤2.1：对生理信号去除基线漂移；针对不同采样频率的多生理信号进行同步处理，采用多通道级联提升小波自适应分类滤波法实现；
步骤2.1.1：首先对于输入的多种信号进行分类并将信号分别输入相应的基线漂移处理通道，即去除ECG信号基线漂移的第一通道、去除PPG信号基线漂移的第二通道、去除三轴加速度信号与角速度信号基线漂移的第三通道及去除压力脉搏波信号PW基线漂移的第四通道，每个通道设置两个基线漂移处理模块；
其中，第一个基线漂移处理模块通过经验模态分解(Empirical ModeDecomposition,EMD)方式将信号分为若干个本征模态函数和一个残余分量，即从原始信号中将残余量分离出来以达到去除基线漂移的目的；第二个基线漂移处理模块是通过分段处理模式去除基线漂移，先将各通道相应的生理信号的基线漂移水平进行检测，即计算不同生理信号波形与其对应的基线漂移的偏移，若偏移量高于设定的阈值，则使用三次样条插值滤波法进行滤波，若偏移量低于设定的阈值，则使用小波滤波器进行第一次滤波，再使用三次样条插值进行第二次滤波；针对ECG信号使用改进的三次样条插值进行滤波，即在三次样条插值基础上，选择一个波形周期内的两个基准点，两个基准点为通过对原始信号进行一次求导得到的一个周期内频率变化最大的位置，即求导后的最大值与最小值的位置进行插值；
步骤2.1.2：将第一个基线漂移处理模块与第二个基线漂移处理模块得到的去除基线漂移的信号相结合，得到最终的去除基线漂移后的生理信号；
步骤2.2：对生理信号去除工频干扰；利用小波基函数对去除基线漂移的生理信号进行小波分解，对各层小波系数进行傅里叶分解，找到50Hz或60Hz的工频干扰所对应频率的小波系数，并将其置零，其他频率小波系数保持不变，根据当前的各小波系数做小波逆变换，重构信号，即得到去除工频干扰后的生理信号；
步骤2.3：对生理信号去除高频噪声干扰；利用小波基函数对去除工频干扰的生理信号做多层小波分解变换，对各层小波系数分别做软阈值处理，降低高频部分的小波系数，去除高频噪声干扰，即得到去除高频噪声干扰的生理信号；
步骤2.4：基于ABP-net模型对步骤2.3处理后得到的两路光电容积脉搏波PPG信号进行中心动脉压力波信号的重建，模型结构如图5所示：
步骤2.4.1：分别求出两路PPG信号的一阶导数，称作速度体积描记，记为VPG；求出二阶导数，称作加速度体积描记，记为APG；；
步骤2.4.2：将原始PPG信号以及步骤2.4.1中计算得到的APG信号、VPG信号作为ABP-net模型的输入；
步骤2.4.3：在ABP-net模型的编码块中分别对输入的信号进行一维卷积与下采样操作；
步骤2.4.4：编码结束后通过中间层进入解码模块，分别进行一维卷积与上采样操作；
步骤2.4.5：将编码模块与解码模块对应的特征进行拼接并送到输出层，得到重建的中心动脉压力波形；
步骤2.5：将两路重建波形进行融合；采用加权平均法对信号进行融合，通过对PPG信号提供的重建波形的信息进行加权平均，得到融合值，最终将两路PPG信号重建波形的融合值作为目标中心动脉压力波信号；
步骤3：对步骤2预处理后的多生理信号和重建得到的中心动脉压力波信号计算射血前期及脉搏波传导时间，具体方法为：
步骤3.1：检测ECG信号R波峰值Pecg，确定射血前期；
设定阈值，保证ECG信号的R波峰值Pecg处于阈值之上，ECG信号其他部分处于阈值之下，实时标记大于阈值的R波；ECG信号R波峰值Pecg与中心动脉压力波起始点A之间的传输时间即为射血前期；
步骤3.2：检测两路光电容积脉搏波PPG信号上升沿的最大斜率点S1和S2、主波波峰Pppg1和Pppg2；
首先分别对两路光电容积脉搏波PPG信号求导，检测上升沿的最大斜率点S1和S2，再分别对两路光电容积脉搏波PPG信号进行多层小波分解，提取并重构高频信号，高频信号中高于设定阈值的波峰为主波波峰Pppg，低于设定阈值的波峰为重搏波峰值；
步骤3.3：分别计算ECG信号和两路光电容积脉搏波PPG信号以及两路光电容积脉搏波PPG信号之间的传导时间；即分别计算ECG信号与第一路光电容积脉搏波PPG信号之间的脉搏波传输时间PTT1，具体为ECG信号R波峰值Pecg与第一路光电容积脉搏波PPG信号主波峰值Pppg1之间的传导时间；ECG与第二路光电容积脉搏波PPG信号之间的脉搏波传输时间PTT2，具体为ECG信号R波峰值Pecg与第二路光电容积脉搏波PPG信号主波峰值Pppg2之间的传导时间；第一路光电容积脉搏波PPG信号与第二路光电容积脉搏波PPG信号之间的脉搏波传导时间PTT3，具体为第一路光电容积脉搏波PPG信号上升沿的斜率最大值点S1和第二路光电容积脉搏波PPG信号上升沿的斜率最大值点S2之间的传导时间；
步骤4：基于各脉搏波之间的传导时间建立血压估计与校正模型并实现血压的计算与校正，具体如下：
步骤4.1：根据步骤3中得到的三个脉搏波之间的传导时间与用户的生理特点实时建立血压估计模型，具体如下：
Figure BDA0003788137220000161
Figure BDA0003788137220000162
Figure BDA0003788137220000163
其中，BP1、BP2、BP3分别为由三个脉搏波之间的传导时间计算得到的估计血压值；α0、α1、α2、α3，β0、β1、β2、β3，γ0、γ1、γ2、γ3均为拟合系数，由自建数据库中大量数据拟合得到；HR为心率，K1为第一路脉搏波信号的波形面积，K2为第二路脉搏波信号的波形面积；
步骤4.2：对基于示波法利用袖带充放气得到的血压BP4进行校正，消除血压测量时的高度差影响；
步骤4.2.1：设定H1、H2分别为根据袖带内置高度传感器装置与心脏部位高度传感器装置的压力值计算得到的传感器的相对高度(单位：m)，用于在Z轴的高度差的计算；首先根据袖带内置高度传感器装置与心脏部位高度传感器装置得到的压力值Pa、Pb分别计算得到两处传感器当前时刻的相对高度H1、H2，再计算得到H1与H2的高度差；
加入海拔高度对人体血压的影响，可建立计算高度H的数学模型：
Figure BDA0003788137220000171
其中，α、β为常数；Pa、Pb为传感器测得压力值；s为接触面积；
步骤4.2.2：对基于示波法利用袖带充放气得到的血压BP4进行校正，消除血压测量时的高度差影响，如下公式所示：
BP5＝BP4-γ(H2-H1)
其中，BP5为对血压BP4进行校正后的血压；γ为常数；
步骤4.3：将BP5作为参考血压，结合血压估计模型建立血压校正模型，对估计的血压值进行校准；
将BP5作为参考血压，分别计算BP1、BP2、BP3与BP5之间的差值diff1、diff2、diff3，取差值的平均值diffavg作为校正量加入血压估计模型，得到血压校正模型，如下公式所示：
BP＝θ1*BP1+θ2*BP2+θ3*BP3+θ4*diffavg
θ1+θ2+θ3+θ4＝1
其中，θ1、θ2、θ3、θ4均为回归系数，从自建数据集中拟合得到。
步骤5：对人体日常行为活动进行识别，如图6所示，具体方法为：
步骤5.1：利用采集的用户的加速度信号与角速度信号数据共同确定人体活动行为的特征子集；对获得的加速度信号与角速度信号进行深度分析，提取其时频域特征，并针对这些特征进行特征选择，通过绘制两组信号融合的X轴、Y轴、Z轴、三轴合量的VSM(Vectorsum，即矢量和)、SAA(Scalar addition，即标量和)的数据曲线进行特征选择，确定特征子集；
两组信号的X轴、Y轴、Z轴三轴合量的VSM和SAA如下公式所示：
Figure BDA0003788137220000172
SAA＝|x|+|y|+|z|
其中，x，y，z分别为X，Y，Z三轴融合的加速度信号与角速度信号；
步骤5.2：利用支持向量机进行分类，实现活动识别；
将步骤5.1中确定的特征子集输入支持向量机进行活动状态分类，进而实现对13种日常行为活动的识别，并评估分类精度；
步骤6：将人体活动状态与血压值进行动态对应；
步骤6.1：将步骤5中对识别出的人体活动状态与不同活动状态下的血压值进行对比分析，结合人体不同负荷下同一生理指标的变化规律，进行活动状态与血压值的动态对应，并根据对应结果给出可信度；
步骤6.2：将计算得到的动脉血压数值及活动状态显示在智能终端系统，并将记录到的血压数值、同步采集的多生理信号上传到智能云端系统；
步骤7：利用心血管状态预警模块实现心血管状态预警，如图7所示，具体方法为：
步骤7.1：利用如图8所示的长短时记忆网络LSTM提取多生理信号特征，如图9所示，具体方法为；
步骤7.1.1：首先将该用户的n组多种生理信号输入双向长短时记忆网络，得到每组信号在长短时记忆网络来回两个方向上的特征向量A、A'；
步骤7.1.2：嵌入注意力机制计算特征权重，得到不同特征对疾病风险评估的贡献程度；将长短时记忆网络输出的特征向量A、A'通过fatt(相乘或拼接)操作计算出来的结果应用softmax函数实现归一化转化成概率，得到特征权重；
步骤7.1.3：对得到的特征权重进行加权求和，计算出加权后的特征向量B；
步骤7.1.4：将特征向量B输入长短时记忆神经网络得到输出序列隐状态S；步骤7.1.5：
全连接层将输出的全部隐状态进行整合，完成对多生理信号的特征提取；
步骤7.2：通过主成分分析法提取多生理信号特征；输入多生理信号数据，先将数据中心化，然后求解当前生理信号数据的协方差矩阵，计算得到协方差矩阵的特征值与特征向量，再将特征向量按照大小顺序排列，最后确定该生理信号提取的有效特征(即通过对数据降维的方式得到所提取的特征)；
步骤7.3：将步骤7.1与步骤7.2得到的特征进行直接连接实现特征融合并输入支持向量机进行分类；
步骤7.4：依据步骤7.3得到的分类结果，再结合步骤4测得的血压值与步骤5得到的与血压对应的活动状态识别结果进行联合分析，实现心血管状态预警，如图10所示，具体如下：
步骤7.4.1：计算初步风险评估分值S；将步骤7.3中得到的结果与心血管状态预警模块训练得到的疾病风险预警特征进行比对，根据匹配程度按照低、中、高三个评估级别得到初步的风险评估分值；
步骤7.4.2：计算血压值与活动状态对应结果的可信度分值R；根据步骤4中测得的用户的血压值，计算该血压值偏离在相应状态下正常血压值参考范围最大值或最小值的程度计算得到的分值；
步骤7.4.3：将7.4.1与7.4.2得到的结果输入最终风险评估模型计算最终的风险评估分值Sf，如下公式所示：
Sf＝λS+μR
其中，S为初步风险评估分值；R为血压值与活动状态对应结果的可信度分值；λ、μ分别为根据S、R的相对重要性得到的权重；Sf为最终疾病风险评估分值；
步骤7.4.4：将步骤7.4.3中得到的疾病风险评估分值与心血管状态预警模块中设定的参考风险分值进行对比，若分值超过设定的参考疾病预测标准，则用户是患有疾病的风险；
步骤8：由智能终端系统显示疾病风险评估分值，并根据云端系统对心血管状态的预警结果步骤7.4.4的评估结果，向使用者发出警告。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (10)

1.一种基于多传感器的活动识别与逐搏血压监测分析预警系统，用于测量血压、评估心血管系统疾病风险，其特征在于：包括人体活动与逐搏血压监测设备、传输装置、智能终端系统和智能云端系统；所述人体活动与逐搏血压监测设备用于实时连续采集使用者的生理信号，并通过传输装置传输到智能终端系统；所述智能终端系统将获取的多生理信号进行预处理，利用消除射血前期影响的脉搏波传导时间实时计算用户的逐搏血压数值，并根据用户自定义的时间间隔进行血压的校准，获取并显示智能云端系统返回的数据处理结果；所述智能云端系统用于消除射血前期对脉搏波传导时间的影响、重建中心动脉压力波，并通过对人体日常活动的识别，融合人体活动信息进行心血管状态的联合分析，实现心血管状态的辨识、疾病风险的预警及辅助诊断；定时更新智能终端系统中的各模型和算法。
2.根据权利要求1所述的基于多传感器的活动识别与逐搏血压监测分析预警系统，其特征在于：所述人体活动与逐搏血压监测设备包括主控盒、佩戴装置、气囊、自动充放气装置、多传感器融合的生理信号采集装置和主控电路装置；佩戴装置主体为双层弹性袖带，气囊和多传感器融合的生理信号采集装置均嵌于袖带内层，多传感器融合的生理信号采集装置用于实时采集使用者的生理信号并通过传输装置传输至主控电路装置；自动充放气装置在智能终端系统及主控电路装置的控制下对袖带中的气囊进行充放气，实现血压数值的测量并辅助进行智能血压校正；主控电路装置安装于主控盒中，用于将采集到的多种生理信号处理后通过有线或无线方式传输到智能终端系统。
3.根据权利要求1所述的基于多传感器的活动识别与逐搏血压监测分析预警系统，其特征在于：所述多传感器融合的生理信号采集装置包括心电信号采集装置、加速度信号采集装置、脉搏信号采集装置和两个高度传感器装置；所述心电信号采集装置包括三个金属电极，金属电极采用干电极、一次性湿电极或柔性导电材料，所述金属电极嵌入双层弹性袖带内层的不同位置并通过导联线连接到主控电路装置的输入端；所述加速度信号采集装置包括三轴加速度传感器和陀螺传感器，嵌于袖带内侧，实时采集人体三轴加速度、角速度信号；所述脉搏信号采集装置嵌于袖带内侧，包括两个光电脉搏血氧传感器和一个压力脉搏传感器，两个光电脉搏血氧传感器对上臂不同位置的脉搏波实现长时动态监测，压力脉搏传感器采集袖带充气时的压力脉搏波信号；所述两个高度传感器一个内附于袖带内侧，另一个放置在胸部同心脏等高部位；所述多传感器融合的生理信号采集装置中各装置的输出端均与传输装置连接。
4.根据权利要求1所述的基于多传感器的活动识别与逐搏血压监测分析预警系统，其特征在于：所述传输装置包括用于多传感器融合的生理信号采集装置与主控电路装置进行数据传输的第一数据传输模块、主控电路装置与智能终端系统进行数据传输的第二数据传输模块以及智能终端系统与智能云端系统进行数据传输的第三数据传输模块；所述第一数据传输模块通过连接采集装置与主控盒的导线传输数据；所述第二、第三数据传输模块采用无线收发装置传输数据。
5.根据权利要求1所述的基于多传感器的活动识别与逐搏血压监测分析预警系统，其特征在于：所述系统还包括AD转换装置以及为其供电的电源管理模块；所述AD转换装置为模拟信号预处理结束后的生理信号进行AD转换，AD转换后的生理信号作为智能终端系统的输入信号；所述电源管理模块包括锂电池和电源管理电路，电源管理电路包括电源管理芯片和稳压芯片；电源管理电路采用电源管理芯片为锂电池进行充电，并提供+3V稳定电压，稳压芯片将+3V电压转换为+2.5V电压，为AD转换装置提供持续稳定的电压。
6.根据权利要求1所述的基于多传感器的活动识别与逐搏血压监测分析预警系统，其特征在于：所述智能终端系统包括信号智能预处理模块、特征提取模块、血压计算模块、血压校准模块和血压及心血管状态预警结果的获取、显示模块；所述信号智能预处理模块用于对多传感器融合的生理信号采集装置采集的多种生理信号进行去噪处理，包括去基线漂移部分、去工频干扰部分和去高频干扰部分；信号智能预处理模块将预处理后的多生理信号传输至云端服务器；所述特征提取模块对信号智能预处理模块预处理后的多生理信号进行特征点提取；所述血压计算模块根据ECG信号与两路光电容积脉搏波PPG信号之间的传导时间PTT1、PTT2、以及两路光电容积脉搏波PPG信号之间的传导时间PTT3建立血压估计模型，进行血压的估计；所述血压校准模块内设血压校正单元，实时计算并校正使用者的逐搏血压数值，对血压计算模块所计算的血压进行校正；所述血压及心血管状态预警结果的获取、显示模块获取血压测量结果及智能云端系统返回的用户活动状态、疾病风险评估结果并显示在终端系统。
7.根据权利要求6所述的基于多传感器的活动识别与逐搏血压监测分析预警系统，其特征在于：所述智能云端系统包括中心动脉压力波形重建模块、脉搏波传导时间计算模块、血压计算、校正模型的实时建立模块、人体活动状态识别模块及心血管状态预警模块；所述中心动脉压力波形重建模块利用改进的ABP-net模型分别对多传感器融合的生理信号采集装置采集到的两路光电容积脉搏波信号进行中心动脉压力波形的重建，然后将两路重建波形进行融合，并对融合结果进行特征提取，以消除射血前期对传导时间的影响；所述脉搏波传导时间计算模块根据多种生理信号进行脉搏波传导时间的计算；血压计算、校正模型的实时建立模块根据用户的生理特征与脉搏波传导时间实时建立血压计算与校正模型；所述人体活动识别模块使用机器学习的方法，自动学习由信号智能预处理模块提取的人体活动识别的相关特征，对用户活动状态进行识别，为心血管状态预警提供依据；所述心血管状态预警模块基于特征向量融合的深度神经网络，考虑多种心血管疾病的互相关联性，融合信号特征的分类结果、血压与活动状态的监测结果实现对使用者的心血管状态辨识和疾病风险预警。
8.根据权利要求7所述的基于多传感器的活动识别与逐搏血压监测分析预警系统，其特征在于：所述人体活动识别模块实现对多种活动状态的识别；采用层次分类方法分析采集到的加速度信号与角速度信号，提取特征并利用SVM进行分类，实现活动状态识别，并结合人体不同负荷下同一生理指标进行血压与活动状态的动态对应与关联分析；
所述心血管状态预警模块包括多生理信号的深度分析单元和风险预警单元；所述多生理信号的深度分析单元对采集的用户的多生理信号进行特征提取与分类，一方面利用双向长短时记忆网络结合注意力机制提取信号特征；另一方面利用主成分分析法通过对数据进行降维并提取特征；最后将二者分别提取的特征输入特征融合模块进行特征融合，并引入支持向量机进行分类；所述风险预警单元是将深度分析单元的分类结果、使用者当前的血压测量结果及对应的活动状态输入联合分析模块，将血压特点、人体活动状态类别以及提取的多生理信号特征进行关联分析，按照疾病风险评估标准，实现心血管状态预警；
所述特征融合模块是针对利用双向长短时记忆网络提取的特征矩阵及利用主成分分析法提取的特征矩阵进行特征融合，采用系列特征融合的方式，将两个特征矩阵的对应列的特征直接进行连接，生成融合特征集；所述联合分析模块即利用支持向量机实现分类后得到的初步风险评估分值、血压与活动状态对应结果的可信度分值进行建模，估计最终的风险评估分值，实现多角度的联合分析结果。
9.根据权利要求1所述的基于多传感器的活动识别与逐搏血压监测分析预警系统，其特征在于：所述基于多传感器的活动识别与逐搏血压监测分析预警系统用于测量血压、评估心血管风险的具体方法为：
步骤1：通过袖带内嵌的多传感器融合的生理信号采集装置采集ECG信号、两路光电容积脉搏波PPG信号、三轴加速度信号与角速度信号、袖带充气时的压力脉搏波信号PW，并通过传输装置将采集到的信号传输到智能终端系统；
步骤2：智能终端系统内置信号智能预处理模块，对多生理信号采集系统采集到的信号进行智能预处理，并通过预处理后的两路光电容积脉搏波PPG信号进行中心动脉压力波信号的重建；
步骤3：对步骤2预处理后的多生理信号和重建得到的中心动脉压力波信号计算射血前期及脉搏波传导时间，具体方法为：
步骤3.1：检测ECG信号R波峰值Pecg，确定射血前期；
设定阈值，保证ECG信号的R波峰值Pecg处于阈值之上，ECG信号其他部分处于阈值之下，实时标记大于阈值的R波；ECG信号R波峰值Pecg与中心动脉压力波起始点A之间的传输时间即为射血前期；
步骤3.2：检测两路光电容积脉搏波PPG信号上升沿的最大斜率点S1、S2和主波波峰Pppg1、Pppg2；
首先，分别对两路光电容积脉搏波PPG信号求导，检测上升沿的最大斜率点S1和S2；再分别对两路光电容积脉搏波PPG信号进行多层小波分解，提取并重构高频信号，高频信号中高于设定阈值的波峰为主波波峰Pppg，低于设定阈值的波峰为重搏波峰值；
步骤3.3：分别计算ECG信号和两路光电容积脉搏波PPG信号以及两路光电容积脉搏波PPG信号之间的传导时间；即分别计算ECG信号与第一路光电容积脉搏波PPG信号之间的脉搏波传输时间PTT1，具体为ECG信号R波峰值Pecg与第一路光电容积脉搏波PPG信号主波峰值Pppg1之间的传导时间；ECG与第二路光电容积脉搏波PPG信号之间的脉搏波传输时间PTT2，具体为ECG信号R波峰值Pecg与第二路光电容积脉搏波PPG信号主波峰值Pppg2之间的传导时间；第一路光电容积脉搏波PPG信号与第二路光电容积脉搏波PPG信号之间的脉搏波传导时间PTT3，具体为第一路光电容积脉搏波PPG信号上升沿的斜率最大值点S1和第二路光电容积脉搏波PPG信号上升沿的斜率最大值点S2之间的传导时间；
步骤4：基于各脉搏波之间的传导时间建立血压估计与校正模型并实现血压的计算与校正，具体如下：
步骤4.1：根据步骤3中得到的三个脉搏波之间的传导时间与用户生理特点实时建立血压估计模型，具体如下：
Figure FDA0003788137210000041
Figure FDA0003788137210000042
Figure FDA0003788137210000043
其中，BP1、BP2、BP3分别为由三个脉搏波之间的传导时间计算得到的估计血压值；α0、α1、α2、α3，β0、β1、β2、β3，γ0、γ1、γ2、γ3均为拟合系数，由自建数据库中的大量数据拟合得到；HR为心率，K1为第一路脉搏波信号的波形面积，K2为第二路脉搏波信号的波形面积；
步骤4.2：对基于示波法利用袖带充放气得到的血压BP4进行校正，消除血压测量时的高度差影响；
步骤4.2.1：根据袖带内置高度传感器装置与心脏部位高度传感器装置得到的压力值P1、P2分别计算得到两处传感器当前时刻的相对高度H1、H2，再计算得到H1与H2的高度差；
步骤4.2.2：对基于示波法利用袖带充放气得到的血压BP4进行校正，消除血压测量时的高度差影响，如下公式所示：
BP5＝BP4-γ(H2-H1)
其中，BP5为对血压BP4进行校正后的血压；γ为系数；
步骤4.3：将BP5作为参考血压，结合血压估计模型建立血压校正模型，对估计的血压值进行校准；
将BP5作为参考血压，分别计算BP1、BP2、BP3与BP5之间的差值diff1、diff2、diff3，取差值的平均值diffavg作为校正量加入血压估计模型，得到血压校正模型，如下公式所示：
BP＝θ1*BP1+θ2*BP2+θ3*BP3+θ4*diffavg
θ1+θ2+θ3+θ4＝1
其中，θ1、θ2、θ3、θ4均为回归系数；
步骤5：对人体日常行为活动进行识别；
步骤5.1：利用采集的加速度信号与角速度信号数据确定人体活动行为的特征子集；对获得的加速度信号与角速度信号进行深度分析，提取其时频域特征，并针对这些特征进行特征选择，通过绘制两组信号融合的X轴、Y轴、Z轴、三轴合量的VSM、SAA的数据曲线进行特征选择，确定特征子集；
步骤5.2：利用支持向量机进行分类，实现活动识别；
将步骤5.1中确定的特征子集输入支持向量机进行活动状态分类，进而实现对13种日常行为活动的识别，并评估分类精度；
步骤6：将人体活动状态与血压值进行动态对应；
步骤6.1：将步骤5中对识别出的人体活动状态与不同活动状态下的血压值进行对比分析，结合人体不同负荷下同一生理指标的变化规律，进行活动状态与血压值的动态对应，并根据对应结果给出可信度值；
步骤6.2：将计算得到的动脉血压数值及活动状态显示在智能终端系统，并将记录到的血压数值、同步采集的多生理信号上传到智能云端系统；
步骤7：利用心血管状态预警模块实现心血管状态预警；
步骤7.1：利用长短时记忆网络LSTM提取多生理信号特征；
步骤7.1.1：首先将该用户的n组多种生理信号输入双向长短时记忆网络，得到每组信号在长短时记忆网络来回两个方向上的特征向量A、A'；
步骤7.1.2：嵌入注意力机制计算特征权重，得到不同特征对疾病风险评估的贡献程度；将长短时记忆网络输出的特征向量A、A'通过fatt操作计算出来的结果应用softmax函数实现归一化转化成概率，得到特征权重；
步骤7.1.3：对得到的特征权重进行加权求和，计算出加权后的特征向量B；
步骤7.1.4：将特征向量B输入长短时记忆神经网络得到输出序列隐状态S；
步骤7.1.5：全连接层将输出的全部隐状态进行整合，完成对多生理信号的特征提取；
步骤7.2：通过主成分分析法提取多生理信号特征；输入多生理信号数据，先将数据中心化，然后求解当前生理信号数据的协方差矩阵，计算得到协方差矩阵的特征值与特征向量，再将特征向量按照大小顺序排列，最后确定该生理信号提取的有效特征；
步骤7.3：将步骤7.1与步骤7.2得到的特征直接连接实现特征融合并输入支持向量机进行分类；
步骤7.4：依据步骤7.3得到的分类结果，再结合步骤4测得的血压值与步骤5得到的与血压对应的活动状态识别结果进行联合分析，实现心血管状态预警，具体如下：
步骤7.4.1：计算初步风险评估分值S；将步骤7.3中得到的结果与心血管状态预警模块训练得到的疾病风险预警特征进行比对，根据匹配程度按照低、中、高三个评估级别得到初步的风险评估分值；
步骤7.4.2：计算血压值与活动状态对应结果的可信度分值R；根据步骤4中测得的用户的血压值，计算该血压值偏离在相应状态下正常血压值参考范围最大值或最小值的程度计算得到的分值；
步骤7.4.3：将7.4.1与7.4.2得到的结果输入最终风险评估模型计算最终的风险评估分值Sf，如下公式所示：
Sf＝λS+μR
其中，S为初步风险评估分值；R为血压值与活动状态对应结果的可信度分值；λ、μ分别为根据S、R的相对重要性得到的权重；Sf为最终疾病风险评估分值；
步骤7.4.4：将步骤7.4.3中得到的疾病风险评估分值与心血管状态预警模块中设定的参考风险分值进行对比，若分值超过设定的参考疾病预测标准，则用户是患有疾病的风险；
步骤8：由智能终端系统显示疾病风险评估分值，并根据云端系统对心血管状态的预警结果，向使用者发出警告。
10.根据权利要求9所述的基于多传感器的活动识别与逐搏血压监测分析预警系统，其特征在于：所述步骤2的具体方法为：
步骤2.1：对生理信号去除基线漂移；针对不同频率的多生理信号的同步处理，采用多通道级联提升小波自适应分类滤波法实现；
步骤2.1.1：首先对于输入的多种信号进行分类并将信号分别输入相应的基线漂移处理通道，即去除ECG信号基线漂移的第一通道、去除PPG信号基线漂移的第二通道、去除三轴加速度信号与角速度信号基线漂移的第三通道及去除压力脉搏波信号PW基线漂移的第四通道，每个通道设置两个基线漂移处理模块；
其中，第一个基线漂移处理模块通过经验模态分解(Empirical Mode Decomposition,EMD)方式将信号分为若干个本征模态函数和一个残余分量，即从原始信号中将残余量分离出来以达到去除基线漂移的目的；第二个基线漂移处理模块是通过分段处理模式进去除基线漂移，先将各通道相应的生理信号的基线漂移水平进行检测，即计算不同生理信号波形与其对应的基线漂移的偏移，若偏移量高于设定的阈值，则使用三次样条插值滤波法进行滤波，若偏移量低于设定的阈值，则使用小波滤波器进行第一次滤波，再使用三次样条插值进行第二次滤波；针对ECG信号使用改进的三次样条插值进行滤波，即在三次样条插值基础上，选择一个波形周期内的两个基准点，两个基准点为通过对原始信号进行一次求导得到的一个周期内频率变化最大的位置，即求导后的最大值与最小值的位置进行插值；
步骤2.1.2：将第一个基线漂移处理模块与第二个基线漂移处理模块得到的去除基线漂移的信号相结合，得到最终的去除基线漂移的生理信号；
步骤2.2：对生理信号去除工频干扰；利用小波基函数对去除基线漂移的生理信号进行小波分解，对各层小波系数进行傅里叶分解，找到50Hz或60Hz的工频干扰所对应频率的小波系数，并将其置零，其他频率小波系数保持不变，根据当前的各小波系数做小波逆变换，重构信号，即得到去除工频干扰后的生理信号；
步骤2.3：对生理信号去除高频噪声干扰；利用小波基函数对去除工频干扰的生理信号做多层小波分解变换，对各层小波系数分别做软阈值处理，降低高频部分的小波系数，去除高频噪声干扰，即得到去除高频噪声干扰后的生理信号；
步骤2.4：基于ABP-net模型对步骤2.3处理后得到的两路光电容积脉搏波PPG信号进行中心动脉压力波形的重建：
步骤2.4.1：分别求出两路PPG信号的一阶导数，称作速度体积描记，记为VPG；求出二阶导数，称作加速度体积描记，记为APG；
步骤2.4.2：将原始PPG信号以及步骤2.4.1中计算得到的APG信号、VPG信号作为ABP-net模型的输入；
步骤2.4.3：在ABP-net模型的编码块中分别对输入的信号进行一维卷积与下采样操作；
步骤2.4.4：编码结束后通过中间层进入解码模块，分别进行一维卷积与上采样操作；
步骤2.4.5：将编码模块与解码模块对应的特征进行拼接并送到输出层，得到重建的中心动脉压力波形；
步骤2.5：将两路重建波形进行融合；采用加权平均法对信号进行融合，通过对PPG信号的重建波形的信息进行加权平均，得到融合值，最终将两路PPG信号重建波形的融合值作为目标中心动脉压力波信号。
CN202210947548.1A 2022-08-09 2022-08-09 基于多传感器的活动识别与逐搏血压监测分析预警系统 Active CN115299899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210947548.1A CN115299899B (zh) 2022-08-09 2022-08-09 基于多传感器的活动识别与逐搏血压监测分析预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210947548.1A CN115299899B (zh) 2022-08-09 2022-08-09 基于多传感器的活动识别与逐搏血压监测分析预警系统

Publications (2)

Publication Number Publication Date
CN115299899A true CN115299899A (zh) 2022-11-08
CN115299899B CN115299899B (zh) 2024-08-27

Family

ID=83860339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210947548.1A Active CN115299899B (zh) 2022-08-09 2022-08-09 基于多传感器的活动识别与逐搏血压监测分析预警系统

Country Status (1)

Country Link
CN (1) CN115299899B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115633943A (zh) * 2022-11-09 2023-01-24 东北大学 基于多模态连续监测信号的下肢静脉血栓预警评价系统
CN115633947A (zh) * 2022-12-26 2023-01-24 四川大学华西医院 一种可穿戴血压监测装置及血压监测方法
CN117045216A (zh) * 2023-10-11 2023-11-14 泰州市榕兴医疗用品股份有限公司 一种基于模糊控制的血液指标非侵入性医疗分析方法
CN117883057A (zh) * 2024-02-18 2024-04-16 福州康达八方电子科技有限公司 上升法与下降法结合的血压测量方法、系统及存储介质
CN118044795A (zh) * 2024-04-16 2024-05-17 深圳市优创亿科技有限公司 基于双路ppg信号的血压测量方法及相关设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202282004U (zh) * 2011-06-02 2012-06-20 上海巨浪信息科技有限公司 基于情景感知与活动分析的移动健康管理系统
CN104921713A (zh) * 2015-05-28 2015-09-23 中国科学院合肥物质科学研究院 一种基于心率与脉搏的心肌血氧供需状况动态监测系统及预警方法
CN107233087A (zh) * 2017-04-28 2017-10-10 哈尔滨工业大学深圳研究生院 一种基于光电容积脉搏波特征的无创血压测量装置
CN108366749A (zh) * 2015-10-12 2018-08-03 西北大学 动态血压与生命体征监测装置、系统和方法
CN109009017A (zh) * 2018-07-03 2018-12-18 中南大学 一种智能健康监测系统及其数据处理方法
CN109195511A (zh) * 2016-05-20 2019-01-11 克里斯蒂安医学院 用于测量血压变异性的无创系统和方法
CN114521126A (zh) * 2019-07-25 2022-05-20 Dp控股(英国)有限公司 非侵入性、实时、逐搏、动态血压监测

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202282004U (zh) * 2011-06-02 2012-06-20 上海巨浪信息科技有限公司 基于情景感知与活动分析的移动健康管理系统
CN104921713A (zh) * 2015-05-28 2015-09-23 中国科学院合肥物质科学研究院 一种基于心率与脉搏的心肌血氧供需状况动态监测系统及预警方法
CN108366749A (zh) * 2015-10-12 2018-08-03 西北大学 动态血压与生命体征监测装置、系统和方法
CN109195511A (zh) * 2016-05-20 2019-01-11 克里斯蒂安医学院 用于测量血压变异性的无创系统和方法
CN107233087A (zh) * 2017-04-28 2017-10-10 哈尔滨工业大学深圳研究生院 一种基于光电容积脉搏波特征的无创血压测量装置
CN109009017A (zh) * 2018-07-03 2018-12-18 中南大学 一种智能健康监测系统及其数据处理方法
CN114521126A (zh) * 2019-07-25 2022-05-20 Dp控股(英国)有限公司 非侵入性、实时、逐搏、动态血压监测

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姜永涛: "基于脉搏波速法的可穿戴动态连续血压监护", 中国优秀硕士学位论文全文数据库 (医药卫生科技辑), no. 2011, 15 August 2011 (2011-08-15), pages 062 - 116 *
陈伊: "基于机器学习的血压测量及血压预测研究", 中国优秀硕士学位论文全文数据库 (医药卫生科技辑), no. 2021, 15 January 2021 (2021-01-15), pages 060 - 4 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115633943A (zh) * 2022-11-09 2023-01-24 东北大学 基于多模态连续监测信号的下肢静脉血栓预警评价系统
CN115633947A (zh) * 2022-12-26 2023-01-24 四川大学华西医院 一种可穿戴血压监测装置及血压监测方法
CN115633947B (zh) * 2022-12-26 2023-03-21 四川大学华西医院 一种可穿戴血压监测装置及血压监测方法
CN117045216A (zh) * 2023-10-11 2023-11-14 泰州市榕兴医疗用品股份有限公司 一种基于模糊控制的血液指标非侵入性医疗分析方法
CN117045216B (zh) * 2023-10-11 2024-04-02 泰州市榕兴医疗用品股份有限公司 一种基于模糊控制的血液指标非侵入性医疗分析系统
CN117883057A (zh) * 2024-02-18 2024-04-16 福州康达八方电子科技有限公司 上升法与下降法结合的血压测量方法、系统及存储介质
CN118044795A (zh) * 2024-04-16 2024-05-17 深圳市优创亿科技有限公司 基于双路ppg信号的血压测量方法及相关设备
CN118044795B (zh) * 2024-04-16 2024-06-21 深圳市优创亿科技有限公司 基于双路ppg信号的血压测量方法及相关设备

Also Published As

Publication number Publication date
CN115299899B (zh) 2024-08-27

Similar Documents

Publication Publication Date Title
CN115299899B (zh) 基于多传感器的活动识别与逐搏血压监测分析预警系统
CN109157202B (zh) 一种基于多生理信号深度融合的心血管疾病预警系统
US11844593B2 (en) System and method for non-invasive determination of blood pressure dip based on trained prediction models
CN103385702B (zh) 一种无创血压连续检测装置及方法
Su et al. Monitoring the relative blood pressure using a hydraulic bed sensor system
KR101210828B1 (ko) 다중 생체 신호 측정을 이용하여 손목혈압의 정확도를 향상시키는 방법 및 장치
WO2017024457A1 (zh) 连续血压测量装置、测量模型建立方法和系统
CN108186000B (zh) 基于心冲击信号与光电信号的实时血压监测系统及方法
US20090024044A1 (en) Data recording for patient status analysis
CN101006915A (zh) 非接触式关键生理参数测量方法
Seeberg et al. A novel method for continuous, noninvasive, cuff-less measurement of blood pressure: evaluation in patients with nonalcoholic fatty liver disease
WO2016168979A1 (zh) 一种生命体征分析方法与系统
CN103876723A (zh) 无创桡动脉波计算脉搏波传导时间获取血压值的方法
Jung et al. Accurate ballistocardiogram based heart rate estimation using an array of load cells in a hospital bed
JP2023099105A (ja) ウエアラブルデバイスを利用する心電図測定方法及びシステム
CN108024743A (zh) 血压分析装置、血压测定装置、血压分析方法、血压分析程序
CN107773223A (zh) 一种在线获取脉搏波的手指仪及获取脉搏波峰形参数方法
CN116548935A (zh) 基于柔性有机光探测器和深度学习算法的血压测量系统
Jegan et al. Sensors based biomedical framework to monitor patient’s vital parameters
CN114343596A (zh) 一种基于反向血流传播时间的连续血压测量系统及方法
CN213883186U (zh) 一种无袖带血压监测装置
CN111603151B (zh) 一种基于时频联合分析的无创血液成分检测方法及系统
CN116803340B (zh) 一种基于多源数据融合和图神经网络的无创血压检测方法
CN117045217B (zh) 一种无袖带血压测量方法及其相关设备
CN116392090B (zh) 一种可穿戴血压数据采集装置

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