CN118044795A - 基于双路ppg信号的血压测量方法及相关设备 - Google Patents
基于双路ppg信号的血压测量方法及相关设备 Download PDFInfo
- Publication number
- CN118044795A CN118044795A CN202410455231.5A CN202410455231A CN118044795A CN 118044795 A CN118044795 A CN 118044795A CN 202410455231 A CN202410455231 A CN 202410455231A CN 118044795 A CN118044795 A CN 118044795A
- Authority
- CN
- China
- Prior art keywords
- signal
- ppg signal
- target
- blood pressure
- feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000009530 blood pressure measurement Methods 0.000 title claims abstract description 38
- 230000036772 blood pressure Effects 0.000 claims abstract description 143
- 230000004927 fusion Effects 0.000 claims abstract description 66
- 238000010219 correlation analysis Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000013433 optimization analysis Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 42
- 230000017531 blood circulation Effects 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 28
- 230000002457 bidirectional effect Effects 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 27
- 230000002068 genetic effect Effects 0.000 claims description 22
- 239000008280 blood Substances 0.000 claims description 18
- 210000004369 blood Anatomy 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 13
- 238000003786 synthesis reaction Methods 0.000 claims description 13
- 210000004204 blood vessel Anatomy 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000010521 absorption reaction Methods 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 230000000004 hemodynamic effect Effects 0.000 claims description 9
- 230000002194 synthesizing effect Effects 0.000 claims description 9
- 230000008030 elimination Effects 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 7
- 230000008485 antagonism Effects 0.000 claims description 6
- 230000003042 antagnostic effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000000149 argon plasma sintering Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013186 photoplethysmography Methods 0.000 description 195
- 230000008569 process Effects 0.000 description 34
- 238000004364 calculation method Methods 0.000 description 5
- 230000000153 supplemental effect Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000035790 physiological processes and functions Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000009257 reactivity Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000037368 penetrate the skin Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- A61B5/02141—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
- A61B5/026—Measuring blood flow
- A61B5/0295—Measuring blood flow using plethysmography, i.e. measuring the variations in the volume of a body part as modified by the circulation of blood therethrough, e.g. impedance plethysmography
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Hematology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请涉及深度学习技术领域，公开了一种基于双路PPG信号的血压测量方法及相关设备。所述方法包括：通过第一光电传感器和第二光电传感器分别对目标用户进行信号采集，得到第一原始PPG信号和第二原始PPG信号；进行信号数据插补，得到第一标准PPG信号和第二标准PPG信号；进行去噪和信号特征识别，得到第一信号时间特征以及第二信号时间特征并合成第一目标PPG信号和第二目标PPG信号；进行互相关分析和特征处理，得到目标融合特征集合；通过初始血压预测模型进行血压预测，得到目标血压预测数据；对初始血压预测模型进行模型参数优化分析，得到目标血压预测模型，本申请通过双路PPG信号提高了血压测量的准确率。
Description
技术领域
本申请涉及深度学习技术领域，尤其涉及一种基于双路PPG信号的血压测量方法及相关设备。
背景技术
在当前的医疗健康领域，心血管疾病的预防和管理成为了一个重要议题，而血压作为最重要的生理参数之一，其准确测量对于心血管疾病的预防和治疗具有重要意义。传统的血压测量方法，如汞柱血压计和电子血压计，虽然在临床上被广泛使用，但这些方法通常需要专业人员操作，且不便于长期连续监测，限制了其在日常健康管理中的应用。
随着可穿戴设备技术的发展，基于光电容积脉搏波（PPG）信号的血压无创连续监测技术受到了广泛关注。PPG信号能够反映血管的血容量变化，通过分析PPG信号的特征，可以估算出血压值。然而，PPG信号受到多种因素的影响，如环境噪声、用户的运动干扰等，这些因素都会对血压的估算精度造成影响。因此，如何提高基于PPG信号的血压估算精度，成为了一个亟待解决的问题。
发明内容
本申请提供了一种基于双路PPG信号的血压测量方法及相关设备，用于通过双路PPG信号提高了血压测量的准确率。
第一方面，本申请提供了一种基于双路PPG信号的血压测量方法，所述基于双路PPG信号的血压测量方法包括：
通过第一光电传感器和第二光电传感器分别对目标用户进行信号采集，得到第一原始PPG信号和第二原始PPG信号；
采用双向可堆叠循环生成对抗性插补网络分别对所述第一原始PPG信号和所述第二原始PPG信号进行信号数据插补，得到第一标准PPG信号和第二标准PPG信号；
通过带通滤波器和陷波滤波器分别对所述第一标准PPG信号以及所述第二标准PPG信号进行去噪和信号特征识别，得到第一信号时间特征以及第二信号时间特征，并通过高斯函数分别合成第一目标PPG信号和第二目标PPG信号；
分别对所述第一目标PPG信号和所述第二目标PPG信号进行互相关分析，得到信号互相关分析结果，并根据所述信号互相关分析结果对所述第一目标PPG信号和所述第二目标PPG信号进行特征提取和特征处理，得到目标融合特征集合；
将所述目标融合特征集合输入预置的初始血压预测模型进行血压预测，得到目标血压预测数据；
通过预置的改进遗传算法，根据所述目标血压预测数据对所述初始血压预测模型进行模型参数优化分析，得到目标血压预测模型。
第二方面，本申请提供了一种基于双路PPG信号的血压测量装置，所述基于双路PPG信号的血压测量装置包括：
采集模块，用于通过第一光电传感器和第二光电传感器分别对目标用户进行信号采集，得到第一原始PPG信号和第二原始PPG信号；
插补模块，用于采用双向可堆叠循环生成对抗性插补网络分别对所述第一原始PPG信号和所述第二原始PPG信号进行信号数据插补，得到第一标准PPG信号和第二标准PPG信号；
合成模块，用于通过带通滤波器和陷波滤波器分别对所述第一标准PPG信号以及所述第二标准PPG信号进行去噪和信号特征识别，得到第一信号时间特征以及第二信号时间特征，并通过高斯函数分别合成第一目标PPG信号和第二目标PPG信号；
处理模块，用于分别对所述第一目标PPG信号和所述第二目标PPG信号进行互相关分析，得到信号互相关分析结果，并根据所述信号互相关分析结果对所述第一目标PPG信号和所述第二目标PPG信号进行特征提取和特征处理，得到目标融合特征集合；
预测模块，用于将所述目标融合特征集合输入预置的初始血压预测模型进行血压预测，得到目标血压预测数据；
优化模块，用于通过预置的改进遗传算法，根据所述目标血压预测数据对所述初始血压预测模型进行模型参数优化分析，得到目标血压预测模型。
本申请第三方面提供了一种基于双路PPG信号的血压测量设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于双路PPG信号的血压测量设备执行上述的基于双路PPG信号的血压测量方法。
本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于双路PPG信号的血压测量方法。
本申请提供的技术方案中，通过采用双路PPG信号采集，结合多路径光传播模型和血液流动动力学对信号进行修正，能够有效地提高信号的质量和准确性。双路信号采集能够从不同生理位置捕获血流动态，增强了信号对血压变化的敏感度和反应性，同时多路径光传播模型和血液流动动力学的应用进一步优化了信号处理流程，减少了外界干扰和生理噪声的影响。通过双向可堆叠循环生成对抗性插补网络对原始PPG信号进行信号数据插补，能够有效地解决信号丢失或不完整的问题，能够智能地预测并填补缺失的信号部分，显著提高了数据的完整性和可用性。采用带通滤波器和陷波滤波器进行去噪，并通过高斯函数合成目标PPG信号的做法，进一步提升了信号处理的精度。此外，通过互相关分析和特征融合处理，能够从双路PPG信号中提取更为精细和全面的血压相关特征，增强了特征的表征能力，为血压预测模型的构建提供了丰富而有效的输入。通过预置的改进遗传算法对初始血压预测模型进行参数优化，能够根据实际测量数据动态调整模型参数，不断优化和提升血压预测的准确性。这种智能化的模型优化策略能够确保血压预测模型在不同用户和不同环境条件下均能保持较高的预测精度和稳定性，提高了模型的实用性和泛化能力，进而实现了通过双路PPG信号进行血压测量，并且提高了血压测量的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以基于这些附图获得其他的附图。
图1为本申请实施例中基于双路PPG信号的血压测量方法的一个实施例示意图；
图2为本申请实施例中基于双路PPG信号的血压测量装置的一个实施例示意图。
具体实施方式
本申请实施例提供了一种基于双路PPG信号的血压测量方法及相关设备。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中基于双路PPG信号的血压测量方法的一个实施例包括：
步骤S101、通过第一光电传感器和第二光电传感器分别对目标用户进行信号采集，得到第一原始PPG信号和第二原始PPG信号；
可以理解的是，本申请的执行主体可以为基于双路PPG信号的血压测量装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的，通过光电传感器对目标用户发射不同预设波长的红外光，并接收经过血液循环反射回来的光，从而计算得到两个不同的光强度值。具体地，第一光电传感器负责发射第一预设波长的红外光，并接收反射光以计算第一光强度。同理，第二光电传感器则发射第二预设波长的红外光，并接收反射光以计算第二光强度。这两个不同波长的红外光分别穿透用户的血液和组织，反射回来的光强度会因为血液流动、组织吸收和散射等因素而有所不同。通过预置的多路径光传播模型进行信号处理。该模型基于光的吸收系数（）和散射系数（/>）来描述光在组织中的传播行为，其中吸收系数反映了特定波长光被血液和组织吸收的能力，而散射系数的约化形式则考虑了光被组织散射的影响。此外，相位函数的各向异性因子（g）描述了散射光平均散射方向的偏好，有效路径长度（L）则表示光在组织中传播的距离。通过这个模型，计算出在不同波长下，光强度的变化，进而得到更准确的第一传感器信号和第二传感器信号。为了提高信号的准确度，考虑血液流动动力学的因素对信号的影响。通过引入血液流动动力学方程，对第一传感器信号和第二传感器信号进行了信号修正。血液流动动力学方程考虑了血管中血液流动所需克服的阻力，血液的黏度、血液流经的血管长度、血液流量以及血液流量随时间的变化速度等因素。这些因素共同作用，决定了血液在血管中的流动状态，进而影响到PPG信号的形态。通过对这些信号进行动力学修正，得到反映真实血液流动状态的第一原始PPG信号和第二原始PPG信号。
步骤S102、采用双向可堆叠循环生成对抗性插补网络分别对第一原始PPG信号和第二原始PPG信号进行信号数据插补，得到第一标准PPG信号和第二标准PPG信号；
具体的，调用双向可堆叠循环生成对抗性插补网络，该网络由生成器和判别器组成，工作机制基于生成对抗网络（GAN）的原理，引入循环一致性的概念，从而使得模型能够在没有成对训练样本的情况下进行学习。当接收到第一原始PPG信号和第二原始PPG信号时，调用双向可堆叠循环生成对抗性插补网络中的生成器对这两个信号进行预处理。生成器能够识别并生成信号中缺失的部分，通过深度学习算法，能够学习到信号数据的内在模式和结构，从而预测出缺失信号数据的最可能形态。对于第一原始PPG信号和第二原始PPG信号，生成器分别生成第一缺失信号数据和第二缺失信号数据，这两组数据是基于已有信号信息推断出的，旨在填补信号中的空白部分，从而修复信号的不完整性。将生成的缺失信号数据输入双向可堆叠循环生成对抗性插补网络的判别器进行判别分析。判别器的作用是评估生成的缺失信号数据是否足够接近真实的信号数据，区分生成的数据和真实的信号数据之间的差异。通过这种方式，判别器为生成器提供反馈，指导生成器产生更准确、更接近真实信号的数据。对于第一缺失信号数据和第二缺失信号数据，判别器分别给出第一判别结果和第二判别结果，这些结果指示了生成数据的真实性程度。利用判别结果，进一步对第一原始PPG信号和第二原始PPG信号进行信号数据插补。将生成的缺失信号数据融入原始信号中，插补过程不仅依赖于生成的数据，还考虑了判别结果，确保插补后的信号既保持了原有信号的特征，又补充了缺失的信息，从而得到第一标准PPG信号和第二标准PPG信号。
步骤S103、通过带通滤波器和陷波滤波器分别对第一标准PPG信号以及第二标准PPG信号进行去噪和信号特征识别，得到第一信号时间特征以及第二信号时间特征，并通过高斯函数分别合成第一目标PPG信号和第二目标PPG信号；
具体的，通过带通滤波器和陷波滤波器对第一标准PPG信号和第二标准PPG信号进行去噪处理。带通滤波器用于筛选出特定频率范围内的信号，而陷波滤波器则用于剔除特定频率的干扰信号，从而得到第一去噪PPG信号和第二去噪PPG信号。采用改进的滑动窗口法对第一去噪PPG信号和第二去噪PPG信号进行信号时间特征检测。通过动态调整窗口大小来捕获信号中的时间特征，从而分别得到第一去噪PPG信号和第二去噪PPG信号对应的时间特征。利用最小均方误差估计函数对时间特征进行特征分析。最小均方误差估计函数用于评估和优化时间特征的表达，确保通过这一数学模型能够精确反映出信号的真实特性。通过这种方式，分别得到第一信号时间特征和第二信号时间特征的特征分析结果。根据特征分析结果，通过高斯函数对第一去噪PPG信号和第二去噪PPG信号进行信号合成。高斯函数用于模拟信号的生成过程，根据第一特征分析结果和第二特征分析结果，分别对第一去噪PPG信号和第二去噪PPG信号进行处理，最终得到第一目标PPG信号和第二目标PPG信号。通过数学模型精确还原信号，确保合成的PPG信号能够准确反映血液动力学信息。
步骤S104、分别对第一目标PPG信号和第二目标PPG信号进行互相关分析，得到信号互相关分析结果，并根据信号互相关分析结果对第一目标PPG信号和第二目标PPG信号进行特征提取和特征处理，得到目标融合特征集合；
具体的，分别对第一目标PPG信号和第二目标PPG信号进行互相关分析，基于信号处理领域的互相关理论，通过计算两个信号的相似度，从而得到信号互相关分析结果，互相关分析结果揭示了两个PPG信号之间的相互关系。特征提取过程采用最大绝对值规则融合和稀疏表示融合分别处理信号的高频段和低频段特征。高频段特征反映了心跳等快速变化的生理事件，而低频段特征则更多关联于血液流动的慢速变化。对第一目标PPG信号和第二目标PPG信号进行高频段特征提取时，运用最大绝对值规则，这一规则通过识别信号中的最大振幅值来提取高频特征，从而得到第一和第二高频系数特征。这种方法适用于捕捉PPG信号中的尖锐波峰，这些波峰往往与心脏搏动紧密相关。低频段特征的提取则采用稀疏表示方法。该方法通过构建一个稀疏模型来近似信号，以此方式提取信号中的低频特征，得到第一和第二低频系数特征。稀疏表示强调了信号中的主要成分，忽略了那些不重要的细节，从而使得低频特征更加突出。将高频和低频系数特征进行全频段特征融合。融合过程结合了信号的快速和慢速变化信息，通过整合高频系数特征和低频系数特征，形成了第一和第二全频段特征。全频段特征融合旨在捕捉到PPG信号的全面生理信息，确保从信号中提取出的特征既全面又细致。基于互相关分析结果，将第一全频段特征和第二全频段特征进行特征合并，形成初始融合特征集合。合并步骤确保了从两个信号中提取出的特征能够互补，提高了特征集合的代表性。采用递归特征消除法对初始融合特征集合进行优化处理，通过逐步剔除那些对模型贡献较小的特征，最终得到精炼且有效的目标融合特征集合。
步骤S105、将目标融合特征集合输入预置的初始血压预测模型进行血压预测，得到目标血压预测数据；
具体的，将目标融合特征集合输入预置的初始血压预测模型中，该模型是一个复合型的深度学习架构，包括嵌入层、两个双向长短期记忆网络、注意力机制层以及输出层。通过嵌入层对目标融合特征集合进行特征向量编码转换，将其转换为模型处理所需的输入融合特征向量。嵌入层通过学习特征的表示，能够将高维的稀疏特征集合映射到一个低维的稠密向量空间中，这有助于后续模型的特征理解和处理。通过第一双向长短期记忆网络对输入融合特征向量进行特征提取。双向长短期记忆网络网络通过考虑特征序列中的前后信息来捕捉时间序列数据的长期依赖关系，从而能够更加有效地提取时间序列特征。第一双向长短期记忆网络层的输出是第一隐藏特征向量，它包含了从输入融合特征向量中提取的初步时间序列特征信息。将第一隐藏特征向量第二双向输入长短期记忆网络，该网络进一步提炼和提取特征，得到第二隐藏特征向量。第二双向长短期记忆网络层的作用是对第一双向长短期记忆网络层的输出进行深化处理，捕捉更复杂的特征依赖关系。通过注意力机制层对第一隐藏特征向量和第二隐藏特征向量进行注意力机制加权合成，自动学习各个特征的重要性权重，进而生成目标隐藏特征向量。这一向量综合了所有重要特征，并通过注意力权重进行了优化，使得模型的预测更加关注于那些对预测结果影响最大的特征。最终，通过输出层对目标隐藏特征向量进行血压预测，将目标隐藏特征向量映射到血压值上，通过一系列的线性或非线性变换，预测出目标血压预测数据。在这个过程中，输出层不仅考虑了来自注意力机制层的加权特征，也根据模型训练过程中学习到的参数，对血压值进行最终的预测。
步骤S106、通过预置的改进遗传算法，根据目标血压预测数据对初始血压预测模型进行模型参数优化分析，得到目标血压预测模型。
具体的，获取目标用户的真实检测血压数据，真实检测数据作为血压预测的基准，使得模型优化过程有明确的方向和目标。将目标血压预测数据与真实检测血压数据进行对比，通过计算两者之间的误差值来评估预测的准确性。血压预测误差值的计算是优化过程的起点，它直接影响到后续改进遗传算法的迭代次数和优化目标函数的定义。改进遗传算法作为一种高效的全局搜索优化算法，其迭代次数和优化目标函数的设定是确保算法能够在合理的时间内找到最优解的关键因素。使用改进遗传算法对初始血压预测模型的参数进行群体初始化，生成多个第一模型参数集合。模拟生物进化中的变异过程，通过生成多个变异后的参数集合，为找到最优模型参数提供了多样的可能性。每个第一模型参数集合代表了一个潜在的解决方案，即一个潜在的血压预测模型的参数配置。利用优化目标函数对每个第一模型参数集合进行适应度值计算。根据每个参数集合在血压预测任务上的表现，表现越好的参数集合适应度值越高。计算完成后，根据适应度值对所有的模型参数集合进行排序分析，得到一个按适应度从高到低排列的模型参数集合序列。序列反映了各个参数集合在血压预测任务上的优劣，为接下来的选择、交叉和变异操作提供了依据。依据设定的迭代次数，对模型参数集合序列进行模型参数的最优化求解。在这个过程中，通过模拟自然选择的机制，从当前的模型参数集合序列中选择适应度最高的个体，然后通过交叉和变异操作生成新的参数集合，这个过程不断重复，直到达到预设的迭代次数。每一次迭代都可能产生比现有更优的模型参数集合，即第二模型参数集合。最终，将通过迭代得到的第二模型参数集合用于更新初始血压预测模型的参数，得到目标血压预测模型。这个目标模型经过多轮迭代优化后，其参数配置已经能够更准确地预测血压，从而实现了从初始模型到目标模型的转化，确保血压预测的准确性和可靠性。
本申请实施例中，通过采用双路PPG信号采集，结合多路径光传播模型和血液流动动力学对信号进行修正，能够有效地提高信号的质量和准确性。双路信号采集能够从不同生理位置捕获血流动态，增强了信号对血压变化的敏感度和反应性，同时多路径光传播模型和血液流动动力学的应用进一步优化了信号处理流程，减少了外界干扰和生理噪声的影响。通过双向可堆叠循环生成对抗性插补网络对原始PPG信号进行信号数据插补，能够有效地解决信号丢失或不完整的问题，能够智能地预测并填补缺失的信号部分，显著提高了数据的完整性和可用性。采用带通滤波器和陷波滤波器进行去噪，并通过高斯函数合成目标PPG信号的做法，进一步提升了信号处理的精度。此外，通过互相关分析和特征融合处理，能够从双路PPG信号中提取更为精细和全面的血压相关特征，增强了特征的表征能力，为血压预测模型的构建提供了丰富而有效的输入。通过预置的改进遗传算法对初始血压预测模型进行参数优化，能够根据实际测量数据动态调整模型参数，不断优化和提升血压预测的准确性。这种智能化的模型优化策略能够确保血压预测模型在不同用户和不同环境条件下均能保持较高的预测精度和稳定性，提高了模型的实用性和泛化能力，进而实现了通过双路PPG信号进行血压测量，并且提高了血压测量的准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）通过第一光电传感器对目标用户发射第一预设波长的红外光，并接收经过血液循环反射回来的光，计算得到第一光强度；
（2）通过第二光电传感器对目标用户发射第二预设波长的红外光，并接收经过血液循环反射回来的光，计算得到第二光强度；
（3）通过预置的多路径光传播模型分别对第一光强度和第二光强度进行信号处理，得到第一传感器信号以及第二传感器信号，多路径光传播模型包括：，/>表示在波长/>和时间/>处的接收光强度，表示在波长/>处未经过任何组织吸收和散射时的初始光强度，/>表示波长/>下的吸收系数，反映了特定波长光被血液和组织吸收的能力，/>表示波长/>下的散射系数的约化形式，考虑了光被组织散射的影响，/>表示相位函数的各向异性因子，描述了散射光平均散射方向的偏好，/>表示光在组织中传播的有效路径长度；
（4）基于血液流动动力学对第一传感器信号以及第二传感器信号进行信号修正，得到第一原始PPG信号和第二原始PPG信号，其中，血液流动动力学包括：，/>表示两点间的压力差，用于描述血液流动所需克服的阻力，/>表示血液的黏度，反映血液流动时的内部摩擦力，/>表示血液流经的血管长度，/>表示血液流量，即单位时间内通过截面的血液体积，/>表示血管的半径，/>表示流量变化率，反映血液流量随时间的变化速度。
具体的，通过两个不同波长的光电传感器，分别向目标用户的皮肤发射预设波长的红外光。这两种红外光穿透皮肤和血管后，部分光会被血液和其他组织吸收，剩余的光则反射回传感器。这一过程中，第一光电传感器和第二光电传感器接收到的光强度，即第一光强度和第二光强度。采用预置的多路径光传播模型，计算从皮肤和血管反射回来的光强度。该模型考虑了光在组织中传播时的吸收和散射现象，其中包括吸收系数和散射系数，以及光在组织中传播的有效路径长度。吸收系数主要取决于光波长和组织的特性，它描述了特定波长下光被血液和组织吸收的能力；而散射系数则考虑了光在组织中散射的影响，相位函数的各向异性因子描述了散射光的平均散射方向偏好。通过这个模型，计算出在特定波长和时间下，反射回传感器的光强度。基于血液流动动力学对第一传感器信号以及第二传感器信号进行信号修正，以得到更准确的PPG信号。修正过程考虑血液流动时所需克服的阻力、血液的黏度、血液流经的血管长度、血液流量以及流量的变化速度。通过对这些动力学参数的精确计算，对从皮肤和血管反射回来的光信号进行修正，得到更贴近实际生理情况的第一原始PPG信号和第二原始PPG信号。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）调用双向可堆叠循环生成对抗性插补网络，并通过双向可堆叠循环生成对抗性插补网络中的生成器分别对第一原始PPG信号和第二原始PPG信号进行信号数据插补，生成第一原始PPG信号的第一缺失信号数据以及第二原始PPG信号的第二缺失信号数据；
（2）通过双向可堆叠循环生成对抗性插补网络中的判别器，分别对第一缺失信号数据和第二缺失信号数据进行判别分析，得到第一缺失信号数据的第一判别结果以及第二缺失信号数据的第二判别结果；
（3）根据第一判别结果和第一缺失信号数据，对第一原始PPG信号进行信号数据插补，得到第一标准PPG信号；
（4）根据第二判别结果和第二缺失信号数据，对第二原始PPG信号进行信号数据插补，得到第二标准PPG信号。
具体的，调用双向可堆叠循环生成对抗性插补网络，使用该网络中的生成器对第一原始PPG信号和第二原始PPG信号进行处理。通过生成器识别这两个信号中的缺失部分，并生成对应的补充数据。例如，如果第一原始PPG信号在某个时间段内因为传感器的移动或其他干扰而失去了信号，生成器就会尝试在这个时间段内生成一个补充信号，这个补充信号在理想情况下应与真实信号在该时间段的特征相匹配。同样的过程也适用于第二原始PPG信号。生成补充信号数据后，通过双向可堆叠循环生成对抗性插补网络中的判别器对这些数据进行判别分析。判别器评估生成的补充数据与真实信号数据之间的相似度，确保生成的数据在统计特性上与原始信号一致。在给出判别结果的过程中，判别器会产生一个评分，表明生成的补充数据与真实数据相比的真实性。例如，对于第一原始PPG信号生成的补充数据，判别器可能会分析其波形特征、频率分布等，与原有信号的相应特征进行比较，从而得出第一判别结果；同理，第二缺失信号数据也会经过同样的分析过程，得到第二判别结果。根据判别结果，对原始PPG信号进行数据插补。如果判别结果显示生成的补充数据与原始信号高度一致，这些数据就会被用来填补原始信号中的缺失部分。在这一阶段，插补不仅仅是简单地将生成的数据添加到缺失的位置，而是需要根据判别结果调整生成数据的细节，以确保插补后的信号在生理学上是可信的。例如，通过调整补充数据的波形幅度、频率等特征，使得插补后的第一PPG信号在整个记录周期内保持一致的生理特性，从而得到第一标准PPG信号。同样的方法也适用于第二原始PPG信号的插补，确保两个信号在完成插补后都能准确反映用户的血液循环状态。
在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：
（1）通过带通滤波器和陷波滤波器分别对第一标准PPG信号以及第二标准PPG信号进行去噪，得到第一去噪PPG信号和第二去噪PPG信号；
（2）采用改进的滑动窗口法分别对第一去噪PPG信号和第二去噪PPG信号进行信号时间特征检测，得到第一去噪PPG信号对应的第一信号时间特征以及第二标准PPG信号对应的第二信号时间特征；
（3）通过最小均方误差估计函数分别对第一信号时间特征和第二信号时间特征进行特征分析，得到第一信号时间特征的第一特征分析结果以及第二信号时间特征的第二特征分析结果；
（4）通过高斯函数，根据第一特征分析结果对第一去噪PPG信号进行信号合成，得到第一目标PPG信号，并通过高斯函数，根据第二特征分析结果对第二去噪PPG信号进行信号合成，得到第二目标PPG信号。
具体的，通过带通滤波器和陷波滤波器对第一标准PPG信号及第二标准PPG信号进行去噪处理。带通滤波器用于筛选出特定频率范围内的信号，有效地抑制了过低或过高频率的噪声；而陷波滤波器则专门用来消除电源频率（如50Hz或60Hz）的干扰。例如，如果第一标准PPG信号受到了外部环境的电磁干扰，陷波滤波器就能有效地去除这种特定频率的噪声，而带通滤波器则确保了信号中仅保留了心率所在的频率范围，从而得到第一去噪PPG信号和第二去噪PPG信号。采用改进的滑动窗口法对两个去噪后的PPG信号进行信号时间特征检测。滑动窗口法通过在信号上滑动一个固定大小的窗口，并在每个窗口上计算特定的统计量或特征，以此来捕捉信号的局部特性。窗口大小和滑动步长可以根据信号的特点动态调整，以更好地适应信号在不同时间段的变化特性。例如，当检测到心率突变时，可以缩小窗口大小，以捕捉这种快速变化；而在信号相对平稳的段落，则可以增大窗口，以提高特征提取的稳定性。得到第一去噪PPG信号和第二去噪PPG信号的时间特征，这些时间特征反映了信号在不同时间段的生理学特性。通过最小均方误差估计函数对提取出的时间特征进行深入的特征分析。最小均方误差估计函数是一种优化技术，通过最小化预测值和实际值之间的差的平方和，找到最能反映信号特性的参数。最小均方误差估计函数被用来评估和优化时间特征的表达，以确保这些特征能够精确反映PPG信号中的生理信息。通过对第一信号时间特征和第二信号时间特征的分析，分别得到它们的特征分析结果，这些结果为信号合成提供了依据。根据特征分析结果，通过高斯函数对去噪后的PPG信号进行信号合成，以生成第一目标PPG信号和第二目标PPG信号。高斯函数用于模拟心跳等生理事件的波形。在这个过程中，利用高斯函数根据前面分析得到的特征分析结果来调整信号的波形，以确保合成的目标PPG信号能够准确地反映心脏的搏动和血液循环的状态。例如，通过调整高斯函数的参数，模拟心跳在不同生理状态下的变化，如心跳加速或减慢时PPG信号波形的相应变化，从而确保合成的PPG信号在生理学上的准确性和可靠性。
在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：
（1）分别对第一目标PPG信号和第二目标PPG信号进行互相关分析，得到信号互相关分析结果；
（2）通过最大绝对值规则融合对第一目标PPG信号进行高频段特征提取，得到第一高频系数特征，并通过最大绝对值规则融合对第二目标PPG信号进行高频段特征提取，得到第二高频系数特征；
（3）通过稀疏表示融合对第一目标PPG信号进行低频段特征提取，得到第一低频系数特征，并通过稀疏表示融合对第二目标PPG信号进行低频段特征提取，得到第二低频系数特征；
（4）对第一高频系数特征和第一低频系数特征进行全频段特征融合，得到第一全频段特征，并对第二高频系数特征和第二低频系数特征进行全频段特征融合，得到第二全频段特征；
（5）根据信号互相关分析结果对第一全频段特征和第二全频段特征进行特征合并，得到初始融合特征集合；
（6）采用递归特征消除法对初始融合特征集合进行冗余特征消除，得到目标融合特征集合。
具体的，对第一目标PPG信号和第二目标PPG信号进行互相关分析，通过计算这两个信号的互相关系数，得到信号互相关分析结果。互相关分析帮助识别两个信号之间的时间延迟和相似度。通过最大绝对值规则融合方法对第一目标PPG信号和第二目标PPG信号进行高频段特征提取。通过分析每个信号的频谱并识别其中的峰值，提取出代表信号高频成分的高频系数特征。例如，第一目标PPG信号中的一个尖锐峰值可能代表了心跳引起的血液流动变化，通过识别并提取这样的峰值，得到第一高频系数特征。同样的方法也用于第二目标PPG信号，从而得到第二高频系数特征。通过稀疏表示融合方法对这两个信号进行低频段特征提取。稀疏表示是一种信号处理技术，通过将信号表示为少数几个基函数的线性组合来捕捉信号的本质特征。在处理PPG信号时，利用稀疏表示来识别和提取信号中的低频成分，这些低频成分往往与血压变化相关的生理过程有关。通过这种方法，分别从第一目标PPG信号和第二目标PPG信号中提取出第一低频系数特征和第二低频系数特征。将提取出的高频系数特征和低频系数特征进行全频段特征融合。综合考虑信号的高频和低频信息，生成包含信号全面信息的第一全频段特征和第二全频段特征。这种融合策略确保了提取的特征不仅反映了信号的瞬时变化，也包含了信号的长期趋势，为准确测量血压提供了更全面的依据。根据信号互相关分析结果，对第一全频段特征和第二全频段特征进行特征合并，生成初始融合特征集合。这一步骤考虑了两个信号之间的相互关系和时间对齐信息，通过合并特征来构建一个更加全面反映血液动态的特征集合。采用递归特征消除法对初始融合特征集合进行优化，去除冗余和不相关的特征，得到目标融合特征集合。递归特征消除法通过逐步剔除对模型贡献最小的特征，最终保留下对血压预测最有用的特征集合。这个过程不仅提高了特征集合的预测效率，也简化了模型，使得最终的血压预测模型更加精确和有效。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）将目标融合特征集合输入预置的初始血压预测模型，初始血压预测模型包括嵌入层、第一双向长短期记忆网络、第二双向长短期记忆网络、注意力机制层以及输出层；
（2）通过嵌入层对目标融合特征集合进行特征向量编码转换，得到输入融合特征向量；
（3）通过第一双向长短期记忆网络对输入融合特征向量进行特征提取，得到第一隐藏特征向量，并通过第二双向长短期记忆网络对输入融合特征向量进行特征提取，得到第二隐藏特征向量；
（4）通过注意力机制层对第一隐藏特征向量和第二隐藏特征向量进行注意力机制加权合成，得到目标隐藏特征向量；
（5）通过输出层对目标隐藏特征向量进行血压预测，得到目标血压预测数据。
具体的，将目标融合特征集合输入预置的初始血压预测模型中。模型通过嵌入层对融合特征集合进行特征向量编码转换，将高维的稀疏特征向量转换为低维的稠密向量，这种转换不仅减少了模型的计算复杂度，还有助于捕捉特征之间的深层关联。例如，假设目标融合特征集合包含了心率、血氧饱和度等多个生理参数，嵌入层可以将这些参数映射到一个连续的向量空间中，从而得到输入融合特征向量。将输入融合特征向量输入第一双向长短期记忆网络（双向长短期记忆网络）。双向长短期记忆网络通过考虑序列数据中的前向和后向信息，能够更全面地捕捉时间序列特征。第一双向长短期记忆网络层对输入融合特征向量进行处理，提取出与血压变化相关的关键时间序列特征，从而得到第一隐藏特征向量。第二双向长短期记忆网络层进一步提炼和加工这些特征，得到第二隐藏特征向量，从不同的角度和深度对特征进行提取，确保模型能够捕捉到更加细致和全面的信息。将第一隐藏特征向量和第二隐藏特征向量被输入到注意力机制层。通过注意力机制加权合成，模型学习到特征序列中哪些部分更为关键，从而分配更多的注意力给这些部分。生成的目标隐藏特征向量综合所有关键特征，并通过注意力权重进行了优化，使得预测模型更加聚焦于那些对预测结果贡献最大的特征。通过输出层对目标隐藏特征向量进行血压预测，根据学习到的特征和内部参数，对血压值进行预测。这一层通常包含一系列全连接层或其他类型的网络结构，将目标隐藏特征向量映射到血压的预测值上。例如，通过训练过程中学习到的权重和偏置，模型可以计算出给定特征向量对应的血压值，从而得到目标血压预测数据。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）获取目标用户的真实检测血压数据，并对真实检测血压数据和目标血压预测数据进行误差值计算，得到血压预测误差值；
（2）根据血压预测误差值定义改进遗传算法的迭代次数以及优化目标函数；
（3）通过改进遗传算法对初始血压预测模型进行模型参数群体初始化，得到多个第一模型参数集合；
（4）通过优化目标函数分别计算每个第一模型参数集合的适应度值，并根据适应度值对多个第一模型参数集合进行排序分析，得到模型参数集合序列；
（5）根据迭代次数对模型参数集合序列进行模型参数最优化求解，得到第二模型参数集合；
（6）通过第二模型参数集合对初始血压预测模型进行模型参数更新，得到目标血压预测模型。
具体的，获取目标用户的真实检测血压数据，并对真实检测血压数据和目标血压预测数据进行误差值计算，误差值直接反映了预测模型的准确性。根据血压预测误差值定义改进遗传算法的迭代次数以及优化目标函数。遗传算法是用来优化血压预测模型参数的一种高效算法，迭代次数决定了算法寻找最优解的过程进行多久，而优化目标函数则指导算法如何评价一个解的好坏，即模型参数集合的适应度。通过改进遗传算法对初始血压预测模型进行模型参数群体初始化，生成多个第一模型参数集合。这一步骤模拟了生物进化中的变异过程，每个模型参数集合都可以视为一个“个体”，它们代表了模型可能的参数配置。初始化过程确保了参数空间的广泛覆盖，为找到最优解提供了多样化的起点。利用定义好的优化目标函数对每个模型参数集合的适应度进行计算，并根据适应度值对它们进行排序。适应度值高的模型参数集合被认为是更优的解，它们使得模型的预测误差更小。通过适应度排序，确定哪些参数集合更有可能成为最终优化目标的候选。根据设定的迭代次数，对模型参数集合序列进行最优化求解。在这个过程中，遗传算法通过选择、交叉和变异等操作不断生成新的模型参数集合，并评估它们的适应度。这一过程迭代进行，直到达到预设的迭代次数或适应度满足特定条件，最终得到第二模型参数集合，这个集合代表了当前找到的最优模型参数配置。通过第二模型参数集合对初始血压预测模型进行参数更新，得到目标血压预测模型。目标模型经过多轮迭代优化后，其参数配置被调整为能够最准确预测血压的状态。这种基于改进遗传算法的优化过程，不仅提高了模型的预测准确性，还增强了模型对于不同用户和不同生理条件下血压变化的适应能力。
上面对本申请实施例中基于双路PPG信号的血压测量方法进行了描述，下面对本申请实施例中基于双路PPG信号的血压测量装置进行描述，请参阅图2，本申请实施例中基于双路PPG信号的血压测量装置一个实施例包括：
采集模块201，用于通过第一光电传感器和第二光电传感器分别对目标用户进行信号采集，得到第一原始PPG信号和第二原始PPG信号；
插补模块202，用于采用双向可堆叠循环生成对抗性插补网络分别对第一原始PPG信号和第二原始PPG信号进行信号数据插补，得到第一标准PPG信号和第二标准PPG信号；
合成模块203，用于通过带通滤波器和陷波滤波器分别对第一标准PPG信号以及第二标准PPG信号进行去噪和信号特征识别，得到第一信号时间特征以及第二信号时间特征，并通过高斯函数分别合成第一目标PPG信号和第二目标PPG信号；
处理模块204，用于分别对第一目标PPG信号和第二目标PPG信号进行互相关分析，得到信号互相关分析结果，并根据信号互相关分析结果对第一目标PPG信号和第二目标PPG信号进行特征提取和特征处理，得到目标融合特征集合；
预测模块205，用于将目标融合特征集合输入预置的初始血压预测模型进行血压预测，得到目标血压预测数据；
优化模块206，用于通过预置的改进遗传算法，根据目标血压预测数据对初始血压预测模型进行模型参数优化分析，得到目标血压预测模型。
通过上述各个组成部分的协同合作，通过采用双路PPG信号采集，结合多路径光传播模型和血液流动动力学对信号进行修正，能够有效地提高信号的质量和准确性。双路信号采集能够从不同生理位置捕获血流动态，增强了信号对血压变化的敏感度和反应性，同时多路径光传播模型和血液流动动力学的应用进一步优化了信号处理流程，减少了外界干扰和生理噪声的影响。通过双向可堆叠循环生成对抗性插补网络对原始PPG信号进行信号数据插补，能够有效地解决信号丢失或不完整的问题，能够智能地预测并填补缺失的信号部分，显著提高了数据的完整性和可用性。采用带通滤波器和陷波滤波器进行去噪，并通过高斯函数合成目标PPG信号的做法，进一步提升了信号处理的精度。此外，通过互相关分析和特征融合处理，能够从双路PPG信号中提取更为精细和全面的血压相关特征，增强了特征的表征能力，为血压预测模型的构建提供了丰富而有效的输入。通过预置的改进遗传算法对初始血压预测模型进行参数优化，能够根据实际测量数据动态调整模型参数，不断优化和提升血压预测的准确性。这种智能化的模型优化策略能够确保血压预测模型在不同用户和不同环境条件下均能保持较高的预测精度和稳定性，提高了模型的实用性和泛化能力，进而实现了通过双路PPG信号进行血压测量，并且提高了血压测量的准确率。
本申请还提供一种基于双路PPG信号的血压测量设备，所述基于双路PPG信号的血压测量设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于双路PPG信号的血压测量方法的步骤。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于双路PPG信号的血压测量方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于双路PPG信号的血压测量方法，其特征在于，所述基于双路PPG信号的血压测量方法包括：
通过第一光电传感器和第二光电传感器分别对目标用户进行信号采集，得到第一原始PPG信号和第二原始PPG信号；
采用双向可堆叠循环生成对抗性插补网络分别对所述第一原始PPG信号和所述第二原始PPG信号进行信号数据插补，得到第一标准PPG信号和第二标准PPG信号；
通过带通滤波器和陷波滤波器分别对所述第一标准PPG信号以及所述第二标准PPG信号进行去噪和信号特征识别，得到第一信号时间特征以及第二信号时间特征，并通过高斯函数分别合成第一目标PPG信号和第二目标PPG信号；
分别对所述第一目标PPG信号和所述第二目标PPG信号进行互相关分析，得到信号互相关分析结果，并根据所述信号互相关分析结果对所述第一目标PPG信号和所述第二目标PPG信号进行特征提取和特征处理，得到目标融合特征集合；
将所述目标融合特征集合输入预置的初始血压预测模型进行血压预测，得到目标血压预测数据；
通过预置的改进遗传算法，根据所述目标血压预测数据对所述初始血压预测模型进行模型参数优化分析，得到目标血压预测模型。
2.根据权利要求1所述的基于双路PPG信号的血压测量方法，其特征在于，所述通过第一光电传感器和第二光电传感器分别对目标用户进行信号采集，得到第一原始PPG信号和第二原始PPG信号，包括：
通过第一光电传感器对目标用户发射第一预设波长的红外光，并接收经过血液循环反射回来的光，计算得到第一光强度；
通过第二光电传感器对目标用户发射第二预设波长的红外光，并接收经过血液循环反射回来的光，计算得到第二光强度；
通过预置的多路径光传播模型分别对所述第一光强度和所述第二光强度进行信号处理，得到第一传感器信号以及第二传感器信号，所述多路径光传播模型包括：，/>表示在波长/>和时间/>处的接收光强度，/>表示在波长/>处未经过任何组织吸收和散射时的初始光强度，/>表示波长/>下的吸收系数，反映了特定波长光被血液和组织吸收的能力，/>表示波长下的散射系数的约化形式，考虑了光被组织散射的影响，/>表示相位函数的各向异性因子，描述了散射光平均散射方向的偏好，/>表示光在组织中传播的有效路径长度；
基于血液流动动力学对所述第一传感器信号以及所述第二传感器信号进行信号修正，得到第一原始PPG信号和第二原始PPG信号，其中，血液流动动力学包括：，/>表示两点间的压力差，用于描述血液流动所需克服的阻力，表示血液的黏度，反映血液流动时的内部摩擦力，/>表示血液流经的血管长度，/>表示血液流量，即单位时间内通过截面的血液体积，/>表示血管的半径，/>表示流量变化率，反映血液流量随时间的变化速度。
3.根据权利要求1所述的基于双路PPG信号的血压测量方法，其特征在于，所述采用双向可堆叠循环生成对抗性插补网络分别对所述第一原始PPG信号和所述第二原始PPG信号进行信号数据插补，得到第一标准PPG信号和第二标准PPG信号，包括：
调用双向可堆叠循环生成对抗性插补网络，并通过所述双向可堆叠循环生成对抗性插补网络中的生成器分别对所述第一原始PPG信号和所述第二原始PPG信号进行信号数据插补，生成所述第一原始PPG信号的第一缺失信号数据以及所述第二原始PPG信号的第二缺失信号数据；
通过所述双向可堆叠循环生成对抗性插补网络中的判别器，分别对所述第一缺失信号数据和所述第二缺失信号数据进行判别分析，得到所述第一缺失信号数据的第一判别结果以及所述第二缺失信号数据的第二判别结果；
根据所述第一判别结果和所述第一缺失信号数据，对所述第一原始PPG信号进行信号数据插补，得到第一标准PPG信号；
根据所述第二判别结果和所述第二缺失信号数据，对所述第二原始PPG信号进行信号数据插补，得到第二标准PPG信号。
4.根据权利要求1所述的基于双路PPG信号的血压测量方法，其特征在于，所述通过带通滤波器和陷波滤波器分别对所述第一标准PPG信号以及所述第二标准PPG信号进行去噪和信号特征识别，得到第一信号时间特征以及第二信号时间特征，并通过高斯函数分别合成第一目标PPG信号和第二目标PPG信号，包括：
通过带通滤波器和陷波滤波器分别对所述第一标准PPG信号以及所述第二标准PPG信号进行去噪，得到第一去噪PPG信号和第二去噪PPG信号；
采用改进的滑动窗口法分别对所述第一去噪PPG信号和所述第二去噪PPG信号进行信号时间特征检测，得到所述第一去噪PPG信号对应的第一信号时间特征以及所述第二标准PPG信号对应的第二信号时间特征；
通过最小均方误差估计函数分别对所述第一信号时间特征和所述第二信号时间特征进行特征分析，得到所述第一信号时间特征的第一特征分析结果以及所述第二信号时间特征的第二特征分析结果；
通过高斯函数，根据所述第一特征分析结果对所述第一去噪PPG信号进行信号合成，得到第一目标PPG信号，并通过所述高斯函数，根据所述第二特征分析结果对所述第二去噪PPG信号进行信号合成，得到第二目标PPG信号。
5.根据权利要求1所述的基于双路PPG信号的血压测量方法，其特征在于，所述分别对所述第一目标PPG信号和所述第二目标PPG信号进行互相关分析，得到信号互相关分析结果，并根据所述信号互相关分析结果对所述第一目标PPG信号和所述第二目标PPG信号进行特征提取和特征处理，得到目标融合特征集合，包括：
分别对所述第一目标PPG信号和所述第二目标PPG信号进行互相关分析，得到信号互相关分析结果；
通过最大绝对值规则融合对所述第一目标PPG信号进行高频段特征提取，得到第一高频系数特征，并通过所述最大绝对值规则融合对所述第二目标PPG信号进行高频段特征提取，得到第二高频系数特征；
通过稀疏表示融合对所述第一目标PPG信号进行低频段特征提取，得到第一低频系数特征，并通过所述稀疏表示融合对所述第二目标PPG信号进行低频段特征提取，得到第二低频系数特征；
对所述第一高频系数特征和所述第一低频系数特征进行全频段特征融合，得到第一全频段特征，并对所述第二高频系数特征和所述第二低频系数特征进行全频段特征融合，得到第二全频段特征；
根据所述信号互相关分析结果对所述第一全频段特征和所述第二全频段特征进行特征合并，得到初始融合特征集合；
采用递归特征消除法对所述初始融合特征集合进行冗余特征消除，得到目标融合特征集合。
6.根据权利要求1所述的基于双路PPG信号的血压测量方法，其特征在于，所述将所述目标融合特征集合输入预置的初始血压预测模型进行血压预测，得到目标血压预测数据，包括：
将所述目标融合特征集合输入预置的初始血压预测模型，所述初始血压预测模型包括嵌入层、第一双向长短期记忆网络、第二双向长短期记忆网络、注意力机制层以及输出层；
通过所述嵌入层对所述目标融合特征集合进行特征向量编码转换，得到输入融合特征向量；
通过所述第一双向长短期记忆网络对所述输入融合特征向量进行特征提取，得到第一隐藏特征向量，并通过所述第二双向长短期记忆网络对所述输入融合特征向量进行特征提取，得到第二隐藏特征向量；
通过所述注意力机制层对所述第一隐藏特征向量和所述第二隐藏特征向量进行注意力机制加权合成，得到目标隐藏特征向量；
通过所述输出层对所述目标隐藏特征向量进行血压预测，得到目标血压预测数据。
7.根据权利要求1所述的基于双路PPG信号的血压测量方法，其特征在于，所述通过预置的改进遗传算法，根据所述目标血压预测数据对所述初始血压预测模型进行模型参数优化分析，得到目标血压预测模型，包括：
获取所述目标用户的真实检测血压数据，并对所述真实检测血压数据和所述目标血压预测数据进行误差值计算，得到血压预测误差值；
根据所述血压预测误差值定义所述改进遗传算法的迭代次数以及优化目标函数；
通过所述改进遗传算法对所述初始血压预测模型进行模型参数群体初始化，得到多个第一模型参数集合；
通过所述优化目标函数分别计算每个第一模型参数集合的适应度值，并根据所述适应度值对所述多个第一模型参数集合进行排序分析，得到模型参数集合序列；
根据所述迭代次数对所述模型参数集合序列进行模型参数最优化求解，得到第二模型参数集合；
通过所述第二模型参数集合对所述初始血压预测模型进行模型参数更新，得到目标血压预测模型。
8.一种基于双路PPG信号的血压测量装置，其特征在于，所述基于双路PPG信号的血压测量装置包括：
采集模块，用于通过第一光电传感器和第二光电传感器分别对目标用户进行信号采集，得到第一原始PPG信号和第二原始PPG信号；
插补模块，用于采用双向可堆叠循环生成对抗性插补网络分别对所述第一原始PPG信号和所述第二原始PPG信号进行信号数据插补，得到第一标准PPG信号和第二标准PPG信号；
合成模块，用于通过带通滤波器和陷波滤波器分别对所述第一标准PPG信号以及所述第二标准PPG信号进行去噪和信号特征识别，得到第一信号时间特征以及第二信号时间特征，并通过高斯函数分别合成第一目标PPG信号和第二目标PPG信号；
处理模块，用于分别对所述第一目标PPG信号和所述第二目标PPG信号进行互相关分析，得到信号互相关分析结果，并根据所述信号互相关分析结果对所述第一目标PPG信号和所述第二目标PPG信号进行特征提取和特征处理，得到目标融合特征集合；
预测模块，用于将所述目标融合特征集合输入预置的初始血压预测模型进行血压预测，得到目标血压预测数据；
优化模块，用于通过预置的改进遗传算法，根据所述目标血压预测数据对所述初始血压预测模型进行模型参数优化分析，得到目标血压预测模型。
9.一种基于双路PPG信号的血压测量设备，其特征在于，所述基于双路PPG信号的血压测量设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于双路PPG信号的血压测量设备执行如权利要求1-7中任一项所述的基于双路PPG信号的血压测量方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于双路PPG信号的血压测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410455231.5A CN118044795B (zh) | 2024-04-16 | 2024-04-16 | 基于双路ppg信号的血压测量方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410455231.5A CN118044795B (zh) | 2024-04-16 | 2024-04-16 | 基于双路ppg信号的血压测量方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118044795A true CN118044795A (zh) | 2024-05-17 |
| CN118044795B CN118044795B (zh) | 2024-06-21 |
Family
ID=91054159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410455231.5A Active CN118044795B (zh) | 2024-04-16 | 2024-04-16 | 基于双路ppg信号的血压测量方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118044795B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114587310A (zh) * | 2022-03-21 | 2022-06-07 | 北京航空航天大学 | 一种基于光电容积脉搏波实现有创血压波形估计的方法 |
| CN115299899A (zh) * | 2022-08-09 | 2022-11-08 | 东北大学 | 基于多传感器的活动识别与逐搏血压监测分析预警系统 |
| WO2023185873A1 (zh) * | 2022-04-02 | 2023-10-05 | 北京华视诺维医疗科技有限公司 | 一种基于多阶多模态的非袖带式血压测量装置及方法 |
-
2024
- 2024-04-16 CN CN202410455231.5A patent/CN118044795B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114587310A (zh) * | 2022-03-21 | 2022-06-07 | 北京航空航天大学 | 一种基于光电容积脉搏波实现有创血压波形估计的方法 |
| WO2023185873A1 (zh) * | 2022-04-02 | 2023-10-05 | 北京华视诺维医疗科技有限公司 | 一种基于多阶多模态的非袖带式血压测量装置及方法 |
| CN115299899A (zh) * | 2022-08-09 | 2022-11-08 | 东北大学 | 基于多传感器的活动识别与逐搏血压监测分析预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118044795B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mazumder et al. | Synthetic PPG generation from haemodynamic model with baroreflex autoregulation: a Digital twin of cardiovascular system | |
| Li et al. | Multimodal physical activity recognition by fusing temporal and cepstral information | |
| Rahman et al. | Physics-aware generative adversarial networks for radar-based human activity recognition | |
| CN103654760B (zh) | 无创颅内压测量方法及应用该方法的无创颅内压分析仪 | |
| CN113423005B (zh) | 一种基于改进神经网络的智能音乐生成方法及系统 | |
| CN115702782A (zh) | 基于深度学习的心率检测方法及可穿戴设备 | |
| CN114983364A (zh) | 一种基于小动脉光电容积脉搏波的血压检测装置 | |
| Hwang et al. | Variation-stable fusion for PPG-based biometric system | |
| CN101408912B (zh) | 中医脉象特征函数自动提取方法 | |
| CN118044795B (zh) | 基于双路ppg信号的血压测量方法及相关设备 | |
| CN118203314A (zh) | 用于体质改善的智能健康状态监测管理系统及方法 | |
| Tseng et al. | Human identification with electrocardiogram | |
| CN118035782A (zh) | 一种心脏杂音检测方法及装置 | |
| Vargas et al. | A learning-based image processing approach for pulse wave velocity estimation using spectrogram from peripheral pulse wave signals: An in silico study | |
| CN109620198B (zh) | 心血管指数检测、模型训练方法及装置 | |
| CN116956063A (zh) | 一种基于多模态最佳数据选取与增强的手势识别方法与系统 | |
| CN112037906A (zh) | 一种长时生理信号时间序列的样本数据的扩充方法及系统 | |
| CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
| Roy et al. | Parameter estimation of hemodynamic cardiovascular model for synthesis of photoplethysmogram signal | |
| CN112545461A (zh) | 一种无创血红蛋白浓度值的检测方法、装置、系统及计算机可读存储介质 | |
| KR20230036695A (ko) | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 | |
| CN112826459A (zh) | 一种基于卷积自编码器的脉搏波波形重建的方法及系统 | |
| Kaplan et al. | Laser Doppler vibrometry measurements of the carotid pulse: biometrics using hidden Markov models | |
| CN117084677B (zh) | 一种多维度ppg血糖值预估方法 | |
| CN117666788B (zh) | 一种基于穿戴式交互设备的动作识别方法及系统 |
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 |