CN118319270A - 血压预测方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本申请公开了一种血压预测方法、装置、电子设备及可读存储介质，本申请涉及医疗技术领域，所述血压预测方法包括：同步采集生理信号，其中，所述生理信号包括心电信号、脉搏信号与心音信号；对所述生理信号进行特征提取，得到信号特征其中，所述信号特征包括射血前期持续时间与脉搏传递时间；将所述信号特征输入至预训练的血压预测模型中，以供所述血压预测模型输出得到血压预测结果。本申请提高了血压的预测准确度。

Description

血压预测方法、装置、电子设备及可读存储介质

技术领域

本申请涉及医学技术领域，尤其涉及一种血压预测方法、装置、电子设备及可读存储介质。

背景技术

无袖带血压测量设备主要它通过脉搏传递时间来估测血压。脉搏传递时间(PWTT)被定义为同一时刻心脏射血从近端点到达远端点所需要的时间，通常获得脉搏传递时间的方法是同步采集心电信号和脉搏波信号，以心电信号的R波波峰为起点，以脉搏波特征点为终点，该段时间差为脉搏传递时间。

然而实际上R波峰处并不是心脏开始收缩的时间，心脏开始收缩之前有一段准备的时间称为射血前期(PEP，preejection period)。由于射血前期的存在，使得基于脉搏传递时间估测的血压结果是不可靠的。

以上背景技术内容的公开仅用于辅助理解本申请的发明构思及技术方案，其并不必然属于本专利申请的现有技术，也不必然会给出技术教导，在于提供一般的背景信息，并不一定构成现有技术。

发明内容

本申请的主要目的在于提供一种血压预测方法、装置、电子设备及可读存储介质，旨在解决服务器上如何提高血压的预测准确度的技术问题。

为实现上述目的，本申请提供一种血压预测方法，所述血压预测方法包括：

同步采集生理信号，其中，所述生理信号包括心电信号、脉搏信号与心音信号；

对所述生理信号进行特征提取，得到信号特征其中，所述信号特征包括射血前期持续时间与脉搏传递时间；

将所述信号特征输入至预训练的血压预测模型中，以供所述血压预测模型输出得到血压预测结果。

可选地，所述对所述生理信号进行特征提取的步骤，包括：

确定所述心电信号的QRS峰值，确定所述心音信号的心音峰值，确定两个所述峰值之间的时间差，将所述时间差作为射血前期持续时间；

基于所述脉搏信号与所述心电信号获取脉搏传递时间。

可选地，所述信号特征还包括收缩期持续时间比与舒张期持续时间比，所述对所述生理信号进行特征提取的步骤，还包括：

将所述脉搏信号对应的收缩期持续时间作为第一收缩期持续时间，将所述脉搏信号对应的舒张期持续时间作为第一舒张期持续时间；

对所述心音信号进行心音分割，得到所述心音信号对应的收缩期持续时间与舒张期持续时间；

将所述心音信号对应的收缩期持续时间作为第二收缩期持续时间，将所述心音信号对应的舒张期持续时间作为第二舒张期持续时间；

将所述第一收缩期持续时间与第二收缩期持续时间的比值，作为收缩期持续时间比；

将所述第一舒张期持续时间与第二舒张期持续时间的比值，作为舒张期持续时间比。

可选地，所述对所述心音信号进行心音分割，得到所述心音信号对应的收缩期持续时间与舒张期持续时间的步骤，包括：

获取所述心音信号对应的第一阈值与第二阈值；

确定所述心音信号的上包络线，对所述上包络线进行滤波处理，得到心音包络信号；

将所述心音包络信号的信号值大于所述第一阈值的持续时间窗口，作为第一持续时间窗口；

将所述第一持续时间窗口的起始时间作为第一起始时间，将所述第一持续窗口的结束时间作为第一结束时间；

将所述心音包络信号的信号值大于所述第二阈值的持续时间窗口，作为第二持续时间窗口；

将所述第二持续时间窗口的起始时间作为第二起始时间，将所述第一持续窗口的结束时间作为第二结束时间；

将所述第一结束时间与所述第二起始时间之间的时间差，作为所述心音信号对应的收缩期持续时间；

将所述第一起始时间与所述第二结束时间之间的时间差，作为所述心音信号对应的舒张期持续时间。

可选地，所述获取所述心音信号对应的第一阈值与第二阈值的步骤，之前，所述方法还包括：

确定所述心电信号的QRS波峰值点，将所述QRS波峰值点对应的时间作为第一时间；

确定所述脉搏信号的波谷点，将所述波谷点对应的时间作为第二时间；

确定所述脉搏信号的第一个过零点与第二个过零点，确定所述第一个过零点对应的第三时间，确定所述第二个过零点对应的第四时间；

确定所述第一时间与所述第二时间对应的第一阈值，确定所述第三时间与所述第四时间对应的第二阈值。

可选地，所述确定所述第一时间与所述第二时间对应的第一阈值的步骤，包括：

确定所述心音包络信号在所述第一时间与所述第二时间之间的第一峰值；

基于预设调整系数调整所述第一峰值，得到第一阈值，其中，所述第一阈值小于所述第一峰值。

可选地，所述确定所述第三时间与所述第四时间对应的第二阈值的步骤，包括：

确定所述心音包络信号在所述第三时间与所述第四时间之间的第二峰值；

基于预设调整系数调整所述第二峰值，得到第二阈值，其中，所述第二阈值小于所述第二峰值。

此外，为实现上述目的，本申请还提供一种血压预测装置，所述血压预测装置包括：

生理信号采集模块，用于同步采集生理信号，其中，所述生理信号包括心电信号、脉搏信号与心音信号；

特征提取模块，用于对所述生理信号进行特征提取，得到信号特征，其中，所述信号特征包括射血前期持续时间与脉搏传递时间；

血压预测模块，用于将所述信号特征输入至预训练的血压预测模型中，以供所述血压预测模型输出得到血压预测结果。

本申请还提供一种电子设备，所述电子设备为实体设备，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述血压预测方法的步骤。

本申请还提供一种可读存储介质，所述可读存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有实现血压预测方法的程序，所述实现血压预测方法的程序被处理器执行以实现如上所述血压预测方法的步骤。

本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的血压预测方法的步骤。

本申请中同步采集生理信号，其中，所述生理信号包括心电信号、脉搏信号与心音信号；对所述生理信号进行特征提取，得到信号特征，其中，所述信号特征包括射血前期持续时间与脉搏传递时间；将所述信号特征输入至预训练的血压预测模型中，以供所述血压预测模型输出得到血压预测结果。如此，与现有技术在基于脉搏传递时间估测血压的方式相比，本申请实施例，基于射血前期持续时间与脉搏传递时间等融合信号特征，预测检测者的血压，考量了射血前期持续时间这一因素对血压的影响，从而提高了血压的预测准确度。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请血压预测方法第一实施例的流程示意图；

图2为本申请可穿戴式设备系统总架构示意图；

图3为本申请可穿戴式设备结构示意图；

图4为本申请血压预测方法的预测流程示意图；

图5为本申请血压预测方法的另一预测流程示意图；

图6为本申请血压预测方法生理信号示意图；

图7为本申请血压预测装置的装置模块示意图；

图8为本申请实施例中血压预测装置涉及的硬件运行环境的设备结构示意图。

本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。

实施例一

传统的血压测量方法大都是基于示波法的袖带式电子血压计，然而这种方法在测量过程中袖带的充放气会对用户造成极大的不适感，而且测量设备体积大，不够便携。近些年来无袖带血压测量设备的出现，解决了袖带的不适感，极大的减小了体积。随着近些年可穿戴式设备的用户逐渐增多，人们对应可穿戴式设备测量血压的需求也日渐增加，尤其是有些无袖带测量设备被集成到智能手表中，提高了用户的欢迎度和测量的实时性，但目前无袖带血压测量设备的精度有待提高。

无袖带血压测量设备主要它通过脉搏传递时间来估测血压。脉搏传递时间(PWTT)被定义为同一时刻心脏射血从近端点到达远端点所需要的时间，通常获得脉搏传递时间的方法是同步采集心电信号和脉搏波信号，以心电信号的R波波峰为起点，以脉搏波特征点为终点，该段时间差为脉搏传递时间。

然而实际上R波峰处并不是心脏开始收缩的时间，心脏开始收缩之前有一段准备的时间称为射血前期(PEP，preejection period)。由于射血前期的存在，使得基于脉搏传递时间估测的血压结果是不可靠的。

基于上述问题，本申请提出第一实施例的血压预测方法，请参照图1，所述血压预测方法包括：

步骤S10，同步采集生理信号，其中，所述生理信号包括心电信号、脉搏信号与心音信号；

本实施例中该血压预测方法应用与可穿戴式设备，该可穿戴式设备具体可为智能手表、智能手环等等。

示例性，参照图2-3所示，该可穿戴式设备包括外壳1，与设于外壳的传感器，所述传感器用于采集生理信号。该传感器包括用于采集心音信号的第一传感器、用于采集脉搏信号的第二传感器、用于采集心电信号的第三传感器，该第一传感可为VPU(Voice PickUp，骨传导)传感器250，该第二传感器可为光电脉搏传感器240，该第三传感器可为电极传感器，具体该电极传感器可包括三个电极，第一电极210和第三电极230用于构成回路，用于心电信号采集，第二电极220提供一个参考点位来消除身体和可穿戴式设备之间的电势差，提高心电信号采集的信噪比。

进一步地，参照图2-3所示，该可穿戴式设备还可以包括装置开关110，用于开关可穿戴式设备；装置处理器120，用于执行存储器中的程序代码，以执行可穿戴式设备的各种功能；时间校准模块130，用于显示实时时间以及数据同步采集校准；交互模块140，用于收集用户的个性化信息，响应用户进行血压测量操作产生的信号以及简单的血压测量使用指示，所述进行血压操作产生的信号包括开启血压测量信号，所述使用提示包括血压测量信号采集位置和用户采集姿势；生理信号采集模块150，用于收集用户与血压测量有关的生理信号以及加速度陀螺仪信号。所述与血压测量有关的生理信号包括心电信号，脉搏信号和心音信号。数据处理模块160，用于实时处理生理信号测量模块所收集到的生理信号片段，所述数据处理步骤主要包括信号降噪，信号质量评估以及特征提取。无线通信模块180，用于将采集到的生理信号数据，真实的用户血压值以及用户个性化信息，通过无线模块传输到服务器或者终端，用于血压测量数据库的构建。血压测量模块170，用于分析用户的生理信号数据和/或个性化信息，最终进行血压预测，返回血压预测结果，并判断当前血压水平。

此外，参照图3所示，所述生理信号采集模块还包括6轴信号采集模块，加速度和陀螺仪信号主要通过6轴信号采集模块采集得到，所述6轴信号采集模块主要由设备内部集成的6轴传感器260构成。在血压测量进行之前，6轴信号采集模块能够计算当前的欧拉角，辅助用户定位采集位置以及姿势；在进行血压测量过程中，6轴信号采集模块能够监测用户手臂的移动情况，与心电信号，心音信号和脉搏信号结合，进行生理信号的去噪，能够在采集过程中提高上述信号的信噪比。

可以理解的是，本申请实施例示意的结构并不构成对可穿戴式设备的具体限定。其可以具有上述更多的或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。上述的各种部件可以在包括一个或多个信号处理或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。

进一步地，在同一时刻内同时开始采集生理信号，确定心电信号、脉搏信号与心音信号与时间的关系，以确保生理信号的严格同步性。并且还可以通过校对后的实时时间，记录数据从开启采集的时刻。

步骤S20，对所述生理信号进行特征提取，得到信号特征，其中，所述信号特征包括射血前期持续时间与脉搏传递时间；

进一步地，在提取生理信号的信号特征之前，为提高提取到的信号特征的准确度，可对生理信号进行信号处理，如对生理信号进行滤波、降噪、分段等处理。基于处理后的生理信号进行特征提取，得到信号特征。

在一种可行的实施方式中，所述对所述生理信号进行特征提取的步骤，包括：

步骤S201，对所述生理信号进行信号预处理，得到预处理后的生理信号，其中，所述信号预处理包括滤波、归一化、降噪中的一种或多种；

本实施例中，优选地，信号预处理包括归一化、滤波与降噪。可选地，将采集到的生理信号进行归一化操作，进一步的经预先设计好的FIR带通滤波器，对心电信号、脉搏信号和心音信号进行带通滤波。将滤波后的数据与加速度信号再经自适应滤波进行二次处理，滤除由于运动伪迹产生的噪声，得到干净的高质量生理信号。

步骤S202，确定所述预处理后的生理信号的信号持续时长；

步骤S203，若所述信号持续时长大于预设时长，则对所述预处理后的生理信号进行信号分段处理，得到多段子生理信号；

需要说明地是，对所述预处理后的生理信号进行信号分段处理，得到多段子生理信号，可为以无时间重叠的方式对生理信号进行分段处理，如信号持续时长为12秒，以时长3秒进行信号分段，则可以分为0～3秒、3～6秒、6～9秒、9～12秒四个子生理信号。也可以以有时间重叠的方式对生理信号进行分段处理，将每种信号分为固定时长(Sig_t)的信号片段，重叠长度为范围(0～Sig_t-1)的任意值。如信号持续时长为9秒，以固定时长3秒，重叠长度1秒进行信号分段，则可以分为0～3秒、2～5秒、4～7秒、6～9秒四个子生理信号。

进一步地，对预处理后的生理信号进行信号分段处理，得到多段子生理信号后，还可以对评估每一段子生理信号的信号质量，删除信号质量差的子生理信号，基于信号质量较好的子生理信号提取信号特征，保证提取的信号特征的有效性。

作为其中一种实施方式，评估每一段子生理信号的信号质量，可为在每一个子生理信号信号片段中，计算心电信号的RR间期，KSQI指数等，脉搏信号信号的峰值间期、峰值间期标准差、过零点个数等，心音信号的SSQI系数、信号均值等特征，再结合加速度信号幅值的变化时间(如排除与加速度信号幅值时间重叠的子生理信号)，排除噪声干扰过的信号片段。利用将这些特征输入至分类模型，如SVM(Support Vector Machine，支持向量机)模型，对每段信号进行粗分类，如分为可用子生理信号与不可用子生理信号，基于可用子生理信号提取信号特征。

步骤S204，对于每一段所述子生理信号，提取所述子生理信号的子信号特征；

步骤S205，确定所有所述子信号特征的均值信号特征，将所述均值信号特征作为所述心理信号的信号特征。

如果所述预处理后的生理信号的信号持续时长大于预设时长，如5秒、6秒、7秒等，可对预处理后的生理信号进行信号分段处理，提取每一段子生理信号的子信号特征。

可以理解地是，对预处理后的生理信号进行信号分段处理，也即对预处理后的心电信号、预处理后的脉搏信号与预处理的心音信号进行分段处理。提取每一段子生理信号的子信号特征，每一子信号特征构成n维特征序列X(t)，n为特征个数，计算所有X(t)的每一维特征的均值，得到均值信号特征，也即最终的信号特征。举例来说，假设包括心电信号、脉搏信号与心音信号的心理信号生理信号，分段处理后得到三段子生理信号，分别为子生理信号1、子生理信号2、子生理信号3，子生理信号1包括子心电信号1、子心音信号1与子脉搏信号1，子生理信号2包括子心电信号2、子心音信号2与子脉搏信号2，子生理信号3包括子心电信号3、子心音信号3与子脉搏信号3。提取子生理信号1的信号特征，记为子信号特征1【1_1、1_2、1_3】，提取子生理信号1的信号特征，记为子信号特征2【2_1、2_2、2_3】，提取子生理信号3的信号特征，记为子信号特征3【3_1、3_2、3_3】，则最终得到的信号特征为【(1_1+2_1+3_1)/3、(1_2+2_2+3_2)/3、(1_3+2_3+3_3)/3】。

此外，进一步地，在提取到每一子生理信号的子信号特征后，可对所有子信号特征进行异常值处理，删除异常的特征。可选地，对于每一段子生理信号的信号特征，遵循箱线图原则进行异常值特征序列处理，示例性的处理流程可如下：S1，每段子生理信号特征的特征值，构成n维特征序列X(t)，n为特征个数；S2，设置每一维特征的上边缘与下边缘，如计算每一维特征的上四分位数Q1i，下四分位数Q3i，四分位距IQRi，取上边缘Q1i-1.5IQRi，下边缘Q3i+1.5IQRi，i＝1：n；S3，过滤掉每一维特征在上下边缘之外的异常数据；S4，得到去除异常值后的特征序列S(t)。S5，对筛选后的特征序列计算其均值，以获得均值信号特征S-。

该信号特征包括但不限于射血前期持续时间与脉搏传递时间，如还可以包括脉冲到达时间(pulse arrival time，PAT)、脉搏信号和心音信号收缩期持续时间比、脉搏信号和心音信号舒张期持续时间比、时域特征，频域特征，时频特征，统计学特征等等。

其中，时域特征包括但不限于以下特征：心电信号的R-R间期(RR)，R-R标准差(SDNN)，均方根差(RMSSD)等；脉搏信号的PP间期(PP)，半幅脉宽(PW50)，收缩期时间，舒张期时间，上升时间，最快上升面积，峰值高度，上升斜率等；VPG信号(对脉搏信号进行一阶差分处理得到信号)的第一过零点时间，最后一个拐点时间，峰值与第一过零点斜率，峰值斜率，峰值面积等；APG信号(对脉搏信号进行二阶差分处理得到信号)最低点时间，峰值点与最低点斜率，第一过零点与最低点斜率；心音信号中第一心音持续时间，第二心音持续时间，收缩期持续时间，舒张期持续时间等。

频域特征包括但不限于以下特征：心电信号功率谱密度；脉搏信号第一组成频率及其幅值大小，第二组成频率及其幅值大小，第三组成频率及其幅值大小；心音信号S1主要组成频率，S2主要组成频率等。

时频特征包括但不限于以下特征：小波系数，希尔伯特黄变换系数，梅尔倒频谱系数，线性预测系数特征等；

统计学特征包括但不限于以下特征：峰度因子，偏度因子，特征序列的标准差等。

步骤S30，将所述信号特征输入至预训练的血压预测模型中，以供所述血压预测模型输出得到血压预测结果。

该训练的血压模型，可为基于数据库训练的血压预测模型，数据库至少包括真实血压数据，以及每一真实血压数据对应的信号特征数据。该数据库可为通过预先收集真实血压数据与信号特征数据得到。

进一步地，为了提高血压预测模型的预测准确度，实现血压的个性化预测，可以预先多次收集检测对象的真实血压值和生理信号，建立个体数据集，以该个体数据集作为训练预测模型的数据库，完成血压预测模型的训练。

作为其中一种实施方式，血压预测模型的预训练过程可为：S1，通过已有数据库，在多类别特征库当中进行特征选择；S2，两两计算特征之间的互信息，其中p(x)为x出现的概率，p(y)为y出现的概率，p(x，y)为x，y同时出现的概率，即联合概率。互信息越高，代表两个特征之间依赖程度更高。将低于互信息阈值的特征去掉，得到新的特征子集；S3，计算新的特征子集与血压之间的相关系数，相关系数越高，代表特征和血压的线性相关性更高；S4，按照相关系数对特征子集进行从高到低特征排序，得到排序后的特征子集；S5，对排序后的特征子集进行训练集和测试集划分，训练集和测试集比例为8：2；S6，针对训练集，采用十折交叉验证和后向特征选择进行特征个数选择，得到RMSE(Root Mean Squared Error，均方根误差)最低的特征子集S；S7，使用最终特征子集训练多元线性回归模型：其中BP为具体血压值，S为最优特征子集，Ki为多元线性回归模型拟合系数，n为最优特征子集的维数。

此外，还可以收集检测者的年龄，性别，身高，体重，BMI(BodyMassIndex，身体质量指数)指数等个性化特征，与信号特征数据进行模型训练，得到预训练完成的个性化血压预测模型，基于生理信号提取信号特征后，进一步检测者的年龄，性别，身高，体重，BMI(BodyMassIndex，身体质量指数)指数等个性化特征，将信号特征与个性化特征输入至预训练完成的个性化血压预测模型中，输出得到血压预测结果，考虑年龄，性别，身高，体重，BMI(BodyMassIndex，身体质量指数)指数等因素对血压的影响，可进一步提高血压预测的准确度。

进一步地，在得到血压预测结果之后，可在可穿戴式设备上输出该血压预测结果，同时还可将该血压预测结果上传至与可穿戴式设备通信连接的终端或服务器上，以供用户查看，终端和服务器能够实现用户的历史血压数据查看，有助于医生诊断。根据历史数据定制个性化血压测量方案，更全面的帮助用户了解自身健康状况，进而更科学的给出用户就诊意见。

本实施例中同步采集生理信号，其中，所述生理信号包括心电信号、脉搏信号与心音信号；对所述生理信号进行特征提取，得到信号特征，其中，所述信号特征包括射血前期持续时间与脉搏传递时间；将所述信号特征输入至预训练的血压预测模型中，以供所述血压预测模型输出得到血压预测结果。如此，与现有技术在基于脉搏传递时间估测血压的方式相比，本实施例，基于射血前期持续时间与脉搏传递时间等融合信号特征，预测检测者的血压，考量了射血前期持续时间这一因素对血压的影响，从而提高了血压的预测准确度。

为了助于理解本申请的技术构思或技术原理，列举一具体实施例：

参见图3-4所示，在本具体实施例中的血压预测流程为：

通过装置开关启动腕表式设备，同时腕表式设备可连接服务器与手机APP，时间校准后用户可输入个性化信息，如身高、体重等等，提示用户配置方式，用户按提示信息佩戴该腕表式设备后，腕表式设备开启血压测量，采集生理信号，该生理信号包括心电信号、心音信号与脉搏信号，同时还以采集用户的加速度、角速度等信息，计算用户当前的欧拉角，辅助用户定位采集位置以及姿势；在进行血压测量过程中，采集用户的加速度、角速度信息能够监测用户手臂的移动情况，与心电信号，心音信号和脉搏信号结合，进行生理信号的去噪，对采集到的生理信号进行信号处理，如滤波(具体可包括带通滤波与自适应滤波)、信号质量评估等，对信号质量评估的评估结果为信号质量高的生理信号进行特征提取，将提取到的信号特征输入至血压预测模型中，进行血压预测，并显示血压预测结果同时上传血压预测结果。

需要说明的是，上述具体实施例仅用于理解本申请，并不构成对本申请血压预测流程的限定以及对应用设备的限定，基于此技术构思进行更多形式的简单变换，均在本申请的保护范围内。

实施例二

基于本申请第一实施例，在本申请另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，所述对所述生理信号进行特征提取的步骤，包括：

步骤A10，确定所述心电信号的QRS峰值，确定所述心音信号的心音峰值，确定两个所述峰值之间的时间差，将所述时间差作为射血前期持续时间；

需要说明地是，若对生理信号进行了分段处理，则本实施例中的对生理信号就进行特征提取，实际上可为对每一子生理信号进行特征提取，心电信号、心音信号与脉搏信号也为子生理信号中包括的心电信号、心音信号与脉搏信号。

可以理解地是，参照图6所示，生理信号包括心电(electrocardiogram，ECG)信号、心音(phonocardiogram，PCG)信号与脉搏信号确定心电信号的信号峰值，确定心音信号的信号峰值，具体可为确定属于同一个心跳周期的心电信号的信号峰值，心音信号的信号峰值，获取这两个信号峰值对应的时间，将两者之间的时间差作为射血前期持续时间。如生理信号包括多个心跳周期，则可以确定每一心跳周期对应的射血前期持续时间，将所有射血前期持续时间的均值作为最终的射血前期持续时间。

步骤A20，基于所述脉搏信号与所述心电信号获取脉搏传递时间。

以心电信号的R波波峰为起点，以脉搏波特征点为终点，该段时间差为脉搏传递时间，从而可以选择一个或多个脉搏波特征点得到对应的一个或多个脉搏传递时间，也即脉搏传递时间包括一个或多个，用户可根据实际情况设置脉搏波特征点的选择规则，本实施例对脉搏传递时间的特征数量并不做具体限制。

类似地，基于同步采集心电信号和脉搏信号，确定一个或多个脉冲到达时间(pulse arrival time，PAT)，将这一个或多个脉冲到达时间也可作为提取得到的信号特征。

本实施例中，提取射血前期持续时间、脉搏传递时间等信号特征，为预测血压值提供了有效地数据基础。

在一种可能的实施方式中，所述信号特征还包括收缩期持续时间比与舒张期持续时间比，所述对所述生理信号进行特征提取的步骤，还包括：

步骤B10，将所述脉搏信号对应的收缩期持续时间作为第一收缩期持续时间，将所述脉搏信号对应的舒张期持续时间作为第一舒张期持续时间；

脉搏信号在收缩期与舒张期的信号特征不同，基于此从脉搏信号中提取到收缩期持续时间与舒张期持续时间，具体提取方式可采用现有技术，本实施例中不再赘述。

步骤B20，对所述心音信号进行心音分割，得到所述心音信号对应的收缩期持续时间与舒张期持续时间，将所述心音信号对应的收缩期持续时间作为第二收缩期持续时间，将所述心音信号对应的舒张期持续时间作为第二舒张期持续时间；

心音信号的心音分割，具体为区分出每个心动周期的第一心音(S1)、收缩期、第二心音(S2)和舒张期的确切位置。在每个心动周期中，第一心音(S1)是由于二尖瓣和三尖瓣关闭时产生的血压变化及其振动引起的；第二心音(S2)是由主动脉瓣和肺动脉瓣关闭和振动产生的。收缩期是S1和S2之间的区间，舒张期是从S2到下一个心动周期S1开始。心音信号分割的正确性直接影响后续心音信号的分析效果。则收缩期持续时间也即为S1和S2之间的时长，舒张期持续时间为从S2到下一个心动周期S1之间的时长。

步骤B30，将所述第一收缩期持续时间与第二收缩期持续时间的比值，作为收缩期持续时间比；

步骤B40，将所述第一舒张期持续时间与第二舒张期持续时间的比值，作为舒张期持续时间比。

本实施例中，对心音信号进行心音分割后，得到基于心音信号的第二收缩期持续时间与第二舒张期持续时间，并获取脉搏信号的第一收缩期持续时间与第以舒张期持续时间，将两者之间的比值也作为信号特征，从而综合衡量了心音信号与脉搏信号的舒张期持续时间与收缩期持续时间，收缩期持续时间比与舒张期持续时间比可以反映外周动脉是否病变，进一步地提高血压预测的准确度。

在一种可能的实施方式中，所述对所述心音信号进行心音分割，得到所述心音信号对应的收缩期持续时间与舒张期持续时间的步骤，包括：

步骤C10，获取所述心音信号对应的第一阈值与第二阈值；

步骤C20，确定所述心音信号的上包络线，对所述上包络线进行滤波处理，得到心音包络信号；

该滤波处理具体可为去基线和滑动平均滤波处理。

步骤C30，将所述心音包络信号的信号值大于所述第一阈值的持续时间窗口，作为第一持续时间窗口；

步骤C40，将所述第一持续时间窗口的起始时间作为第一起始时间，将所述第一持续窗口的结束时间作为第一结束时间；

步骤C50，将所述心音包络信号的信号值大于所述第二阈值的持续时间窗口，作为第二持续时间窗口；

步骤C60，将所述第二持续时间窗口的起始时间作为第二起始时间，将所述第一持续窗口的结束时间作为第二结束时间；

步骤C70，将所述第一结束时间与所述第二起始时间之间的时间差，作为所述心音信号对应的收缩期持续时间；

步骤C80，将所述第一起始时间与所述第二结束时间之间的时间差，作为所述心音信号对应的舒张期持续时间。

可以理解地是，对于每一心跳周期，均有其对应的第一持续时间窗口与第二持续时间窗口，将第一持续时间窗口记为S1(t)，其中，t为第t个心跳周期(或称心动周期)，记第二持续时间窗口为S2(t)，S1(t)的第一起始时间记为S1start(t)，S1(t)的第一结束时间记为S1end(t)，S2(t)的第二起始时间记为S2start(t)，S2(t)的第二结束时间记为S2end(t)，则第t个心跳周期对应的收缩期持续时间为S1end(t)与S2start(t)之间的时间差，舒张期持续时间为S1start(t+1)与S2end(t)之间的时间差，基于此，若心音信号包括多个心跳周期的心音信号，则对于每一心跳周期对应一个收缩期持续时间与舒张期持续时间，可将所有心跳周期对应的收缩期持续时间的持续时间均值作为最终的第二收缩期持续时间，类似地，将所有心跳周期对应的舒张期持续时间的持续时间均值作为最终的舒张期持续时间。

本实施例中，通过阈值比较对心音信号进行心音分割，降低了心音分割的资源耗费。

在一种可能的实施方式中，所述获取所述心音信号对应的第一阈值与第二阈值的步骤，之前，所述方法还包括：

步骤D10，确定所述心电信号的QRS波峰值点，将所述QRS波峰值点对应的时间作为第一时间；

步骤D20，确定所述脉搏信号的波谷点，将所述波谷点对应的时间作为第二时间；

步骤D30，确定所述脉搏信号的第一个过零点与第二个过零点，确定所述第一个过零点对应的第三时间，确定所述第二个过零点对应的第四时间；

步骤D40，确定所述第一时间与所述第二时间对应的第一阈值，确定所述第三时间与所述第四时间对应的第二阈值。

可以理解地是，对于每一心跳周期的心电信号与脉搏信号，确定该心跳周期内心电信号波峰值点第一时间，该波峰值点具体可为心电信号QRS波峰值点，脉搏信号的波谷点第二时间，以及脉搏信号的第一个过零点第三时间与第二个过零点第四时间，进而确定该心跳周期的第一阈值与第二阈值，以该心跳周期的第一阈值与第二阈值对该心跳周期的心音信号进行心音分割，得到该心跳周期的心音信号的第二收缩期持续时间与第二舒张期持续时间，从而基于每一心跳周期对心音信号进行心音分割，提高了心音信号的心音分割的精度。

在一种可能的实施方式中，所述确定所述第一时间与所述第二时间对应的第一阈值的步骤，包括：

步骤E10，确定所述心音包络信号在所述第一时间与所述第二时间之间的第一峰值；

步骤E20，基于预设调整系数调整所述第一峰值，得到第一阈值，其中，所述第一阈值小于所述第一峰值。

该预设调整系数可为提前设置的任意系数，如0.1、0.15、0.2等等，基于预设调整系数调整所述第一峰值，具体可为以预设调整系数乘以第一峰值，得到第一阈值。

本实施例中，以第一时间与所述第二时间之间的第一峰值，确定第一阈值，该第一阈值与第一峰值相关，不同的峰值对应不同阈值，从而可以实现阈值的智能化调整，而不是以固定的阈值进行心音分割，提高了心音分割的分割精度。

在一种可能的实施方式中，所述确定所述第三时间与所述第四时间对应的第二阈值的步骤，包括：

步骤F10，确定所述心音包络信号在所述第三时间与所述第四时间之间的第二峰值；

步骤F30，基于预设调整系数调整所述第二峰值，得到第二阈值，其中，所述第二阈值小于所述第二峰值。

该预设调整系数可为与上述调整系数相同或不同的调整系数，基于预设调整系数调整所述第二峰值，也可为以预设调整系数乘以第二峰值，得到第二阈值。该第二阈值与第二峰值相关，不同的峰值对应不同阈值，从而可以实现阈值的智能化调整，而不是以固定的阈值进行心音分割，提高了心音分割的分割精度。

为了助于理解本申请的技术构思或技术原理，列举一具体实施例：

在本具体实施例中，心音分割流程为：

S1，识别心电信号QRS波峰值点，获得峰值点位置序列R(t)；

S2，识别脉搏信号波谷点和两个过零点，获得波谷点位置序列V(t)，第一个过零点位置序列Cross_zero1(t)，第二个过零点位置序列Cross_zero2(t)；

S3，计算心音信号的上包络线，对上包络线进行去基线和滑动平均滤波，消除基线漂移和噪声干扰；

S4，计算心音包络信号在R(t)和V(t)序列之间的峰值，阈值大小设为峰值的10％，将大于阈值的包络起始点序列S1start(t)和结束点序列S1end(t)时间差作为S1持续时间序列S1(t)；

S5，计算心音包络信号在Cross_zero1(t)和Cross_zero2(t)序列之间的峰值，阈值大小同样为峰值的10％，将大于阈值的包络起始点序列S2start(t)和结束点序列S2end(t)时间差作为S2持续时间序列S2(t)；

S6，利用S1end(t)与S2start(t)时间差计算得到收缩期持续时间序列Sys(t)，利用S1start(t+1)与S2end(t)舒张期持续时间序列Dia(t)。

需要说明的是，上述具体实施例仅用于理解本申请，并不构成对本申请心音分割流程的限定，基于此技术构思进行更多形式的简单变换，均在本申请的保护范围内。

实施例三

本发明实施例还提供一种血压预测装置，请参照图7，所述服务器包括多个核心板，所述装置包括：

生理信号采集模块10，用于同步采集生理信号，其中，所述生理信号包括心电信号、脉搏信号与心音信号；

特征提取模块20，用于对所述生理信号进行特征提取，得到信号特征，其中，所述信号特征包括射血前期持续时间与脉搏传递时间；

血压预测模块30，用于将所述信号特征输入至预训练的血压预测模型中，以供所述血压预测模型输出得到血压预测结果。

所述特征提取模块，还用于：

确定所述心电信号的QRS峰值，确定所述心音信号的心音峰值，确定两个所述峰值之间的时间差，将所述时间差作为射血前期持续时间；

基于所述脉搏信号与所述心电信号获取脉搏传递时间。

所述信号特征还包括收缩期持续时间比与舒张期持续时间比，所述特征提取模块，还用于：

将所述脉搏信号对应的收缩期持续时间作为第一收缩期持续时间，将所述脉搏信号对应的舒张期持续时间作为第一舒张期持续时间；

对所述心音信号进行心音分割，得到所述心音信号对应的收缩期持续时间与舒张期持续时间，将所述心音信号对应的收缩期持续时间作为第二收缩期持续时间，将所述心音信号对应的舒张期持续时间作为第二舒张期持续时间；

将所述第一收缩期持续时间与第二收缩期持续时间的比值，作为收缩期持续时间比；

将所述第一舒张期持续时间与第二舒张期持续时间的比值，作为舒张期持续时间比。

所述特征提取模块，还用于：

获取所述心音信号对应的第一阈值与第二阈值；

确定所述心音信号的上包络线，对所述上包络线进行滤波处理，得到心音包络信号；

将所述心音包络信号的信号值大于所述第一阈值的持续时间窗口，作为第一持续时间窗口，将所述第一持续时间窗口的起始时间作为第一起始时间，将所述第一持续窗口的结束时间作为第一结束时间；

将所述心音包络信号的信号值大于所述第二阈值的持续时间窗口，作为第二持续时间窗口，将所述第二持续时间窗口的起始时间作为第二起始时间，将所述第一持续窗口的结束时间作为第二结束时间；

将所述第一结束时间与所述第二起始时间之间的时间差，作为所述心音信号对应的收缩期持续时间；

将所述第一起始时间与所述第二结束时间之间的时间差，作为所述心音信号对应的舒张期持续时间。

所述特征提取模块，还用于：

确定所述心电信号的QRS波峰值点，将所述QRS波峰值点对应的时间作为第一时间；

确定所述脉搏信号的波谷点，将所述波谷点对应的时间作为第二时间；

确定所述脉搏信号的第一个过零点与第二个过零点，确定所述第一个过零点对应的第三时间，确定所述第二个过零点对应的第四时间；

确定所述第一时间与所述第二时间对应的第一阈值，确定所述第三时间与所述第四时间对应的第二阈值。

所述特征提取模块，还用于：

确定所述心音包络信号在所述第一时间与所述第二时间之间的第一峰值；

基于预设调整系数调整所述第一峰值，得到第一阈值，其中，所述第一阈值小于所述第一峰值。

所述特征提取模块，还用于：

确定所述心音包络信号在所述第三时间与所述第四时间之间的第二峰值；

基于预设调整系数调整所述第二峰值，得到第二阈值，其中，所述第二阈值小于所述第二峰值。

此外，所述生理信号采集模块，还用于：

用户测量过程中的加速度和陀螺仪信号。

所述生理信号采集模块包括：心电测量模块、脉搏测量模块、心音信号测量模块与6轴信号采集模块。

心电信号主要通过心电测量模块采集得到，所述心电测量模块主要由高阻抗芯片以及导电性良好的三个干电极构成。所述脉搏信号主要通过脉搏测量模块采集得到，所述脉搏测量模块主要由多波长LED(light-emitting diode，发光二级管)，光电传感器以及滤波放大电路构成，最终得到的脉搏信号是由多波长LED融合而成的。为保证无袖带血压测量手表的体积，模拟的心电信号采集的高阻抗特性，脉搏信号的融合，滤波放大电路及两种生理信号的同步性均由集成的AFE芯片实现。

心音信号主要通过心音信号测量模块采集得到，所述心音信号测量模块主要由数字VPU传感器构成，将VPU传感器通过严格的刚性连接方式贴合在手表外壳内部，调节VPU传感器的放大倍数，防止测试过程中信号的溢出，以得到完整的心音信号。

加速度和陀螺仪信号主要通过6轴信号采集模块采集得到，所述6轴信号采集模块主要由手表内部集成的6轴传感器构成。在血压测量进行之前，6轴信号采集模块能够计算当前的欧拉角，辅助用户定位采集位置以及姿势；在进行血压测量过程中，6轴信号采集模块能够监测用户手臂的移动情况，与心电信号，心音信号和脉搏信号结合，进行生理信号的去噪，能够在采集过程中提高上述信号的信噪比。

此外，该血压预测装置还包括：

手表外壳，用于放置生理信号采集所用传感器以及手表控制系统；

时间校准模块，用于显示实时时间以及数据同步采集校准；

交互模块，用于收集用户的个性化信息，响应用户进行血压测量操作产生的信号以及简单的血压测量手表使用指示。所述进行血压操作产生的信号包括开启血压测量信号。所述手表使用提示包括血压测量手表信号采集位置和用户采集姿势；

数据处理模块，用于实时处理生理信号测量模块所收集到的生理信号片段，所述数据处理步骤主要包括信号降噪，信号质量评估以及特征提取。

无线通信模块，用于将采集到的生理信号数据，真实的用户血压值以及用户个性化信息，通过无线模块传输到服务器或者手机终端，用于血压测量手表数据库的构建。

所述手表外壳外部包括手表的开关和心电监测的三个干电极。手表开关主要控制手表的开关机以及手表内部菜单的调取。第一电极和第三电极用于构成回路，用于心电信号采集，第二电极提供一个参考点位来消除身体和手表之间的电势差，提高心电信号采集的信噪比。腕表外壳内部包括刚性连接的VPU传感器以及光电脉搏传感器，用于心音信号和光电容积脉搏信号的测量。

所述时间校准模块用于产生实时时钟，在同一时刻内控制传感器同时开始采集生理信号，确定心电信号、脉搏信号与心音信号与时间的关系，以确保生理信号的严格同步性。并通过校对后的实时时间，记录数据从开启采集的时刻。

所述交互模块包括输入模块，显示模块以及提示模块，其功能都由手表内部MCU(Microcontroller Unit，微控制单元)和手表屏幕实现。所述交互模块中的输入模块141，用于过手表的屏幕，在进行血压测量之前，将个性化信息输入到手表内部，不仅包括性别，身高，年龄以及体重等个人信息，还包括是否服用降压药物以及降压药物名称等信息。

所述交互模块中的显示模块，用于显示手表使用方法，以及测量步骤。用户通过完成个性化信息输入步骤之后，通过屏幕点击血压测量功能，就能看到手表佩戴的方式和测量时用户应保持的姿势。在完成使用教程之后，将进入测试阶段，手表可以通过提示模块提示手臂位置的调整，以确保生理信号采集质量。

所述交互模块中的提示模块，包括语音芯片和线性振动马达，用于提示用户操作流程，手臂放置位置和测量姿势，确保血压测量准确性。

所述数据处理模块包括：信号降噪模块与信号质量评估模块。

信号降噪模块，用于采集到的生理信号进行归一化操作，进一步的经预先设计好的FIR(Finite Impulse Response，有限脉冲响应)带通滤波器，对心电信号、脉搏信号和心音信号进行带通滤波。将滤波后的数据与加速度信号再经自适应滤波进行二次处理，滤除由于运动伪迹产生的噪声，得到干净的高质量生理信号。

信号质量评估模块，用于将每种信号分为固定时长(Sig_t)的信号片段，时长一般>5s，重叠长度为范围(0～Sig_t-1)的任意值。在每一个信号片段中，计算心电信号的RR间期，KSQI指数等，脉搏信号的峰值间期、峰值间期标准差、过零点个数等，心音信号的SSQI系数，信号均值等特征，再结合加速度信号幅值的变化时间，利用SVM模型对每段信号进行粗分类，排除噪声干扰过的信号片段。

所述无线通信模块用于将采集得到的生理信号，输入的个性化信息以及真实测量得到的血压值发送到终端，并上传至云端服务器用于数据收集。

本发明提供的血压预测装置，采用上述实施例一或实施例二中的血压预测方法，能够解决如何提高血压的预测准确度的技术问题。与现有技术相比，本发明实施例提供的血压预测装置的有益效果与上述实施例提供的血压预测方法的有益效果相同，且所述血压预测装置中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。

实施例四

本发明实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的血压预测方法。

下面参考图8，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的该电子设备可为可穿戴式设备等。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备可以包括处理装置1001(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM1002)中的程序或者从存储装置加载到随机访问存储器(RAM1004)中的程序而执行各种适当的动作和处理。在RAM1004中，还存储有电子设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出(I/O)接口也连接至总线1005。

通常，以下系统可以连接至I/O接口1006：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1008；包括例如磁带、硬盘等的存储装置1003；以及通信装置1009。通信装置1009可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置1003被安装，或者从ROM1002被安装。在该计算机程序被处理装置1001执行时，执行本公开实施例的方法中限定的上述功能。

本发明提供的电子设备，采用上述实施例中的血压预测方法，能解决如何提高血压的预测准确度的技术问题。与现有技术相比，本发明实施例提供的电子设备的有益效果与上述实施例提供的血压预测方法的有益效果相同，且该电子设备中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

实施例五

本发明实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的血压预测方法。

本发明实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体地例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。

上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：同步采集生理信号，其中，所述生理信号包括心电信号、脉搏信号与心音信号；对所述生理信号进行特征提取，得到信号特征其中，所述信号特征包括射血前期持续时间与脉搏传递时间；将所述信号特征输入至预训练的血压预测模型中，以供所述血压预测模型输出得到血压预测结果。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。

本发明提供的可读存储介质为计算机可读存储介质，所述计算机可读存储介质存储有用于执行上述血压预测方法的计算机可读程序指令，能够解决如何提高血压的预测准确度的技术问题。与现有技术相比，本发明实施例提供的计算机可读存储介质的有益效果与上述实施例一或实施例二提供的血压预测方法的有益效果相同，在此不做赘述。

实施例六

本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的血压预测方法的步骤。

本申请提供的计算机程序产品能够解决如何提高血压的预测准确度的技术问题。与现有技术相比，本发明实施例提供的计算机程序产品的有益效果与上述实施例一或实施例二提供的血压预测方法的有益效果相同，在此不做赘述。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。

Claims (10)

1.一种血压预测方法，其特征在于，所述血压预测方法包括：

同步采集生理信号，其中，所述生理信号包括心电信号、脉搏信号与心音信号；

对所述生理信号进行特征提取，得到信号特征，其中，所述信号特征包括射血前期持续时间与脉搏传递时间；

将所述信号特征输入至预训练的血压预测模型中，以供所述血压预测模型输出得到血压预测结果。

2.如权利要求1所述的血压预测方法，其特征在于，所述对所述生理信号进行特征提取的步骤，包括：

确定所述心电信号的QRS峰值，确定所述心音信号的心音峰值，确定两个所述峰值之间的时间差，将所述时间差作为射血前期持续时间；

基于所述脉搏信号与所述心电信号获取脉搏传递时间。

3.如权利要求1所述的血压预测方法，其特征在于，所述信号特征还包括收缩期持续时间比与舒张期持续时间比，所述对所述生理信号进行特征提取的步骤，还包括：

将所述脉搏信号对应的收缩期持续时间作为第一收缩期持续时间，将所述脉搏信号对应的舒张期持续时间作为第一舒张期持续时间；

对所述心音信号进行心音分割，得到所述心音信号对应的收缩期持续时间与舒张期持续时间；

将所述心音信号对应的收缩期持续时间作为第二收缩期持续时间，将所述心音信号对应的舒张期持续时间作为第二舒张期持续时间；

将所述第一收缩期持续时间与第二收缩期持续时间的比值，作为收缩期持续时间比；

将所述第一舒张期持续时间与第二舒张期持续时间的比值，作为舒张期持续时间比。

4.如权利要求3所述的血压预测方法，其特征在于，所述对所述心音信号进行心音分割，得到所述心音信号对应的收缩期持续时间与舒张期持续时间的步骤，包括：

获取所述心音信号对应的第一阈值与第二阈值；

确定所述心音信号的上包络线，对所述上包络线进行滤波处理，得到心音包络信号；

将所述心音包络信号的信号值大于所述第一阈值的持续时间窗口，作为第一持续时间窗口；

将所述第一持续时间窗口的起始时间作为第一起始时间，将所述第一持续窗口的结束时间作为第一结束时间；

将所述心音包络信号的信号值大于所述第二阈值的持续时间窗口，作为第二持续时间窗口；

将所述第二持续时间窗口的起始时间作为第二起始时间，将所述第一持续窗口的结束时间作为第二结束时间；

将所述第一结束时间与所述第二起始时间之间的时间差，作为所述心音信号对应的收缩期持续时间；

将所述第一起始时间与所述第二结束时间之间的时间差，作为所述心音信号对应的舒张期持续时间。

5.如权利要求4所述的血压预测方法，其特征在于，所述获取所述心音信号对应的第一阈值与第二阈值的步骤，之前，所述方法还包括：

确定所述心电信号的QRS波峰值点，将所述QRS波峰值点对应的时间作为第一时间；

确定所述脉搏信号的波谷点，将所述波谷点对应的时间作为第二时间；

确定所述脉搏信号的第一个过零点与第二个过零点，确定所述第一个过零点对应的第三时间，确定所述第二个过零点对应的第四时间；

确定所述第一时间与所述第二时间对应的第一阈值，确定所述第三时间与所述第四时间对应的第二阈值。

6.如权利要求5所述的血压预测方法，其特征在于，所述确定所述第一时间与所述第二时间对应的第一阈值的步骤，包括：

确定所述心音包络信号在所述第一时间与所述第二时间之间的第一峰值；

基于预设调整系数调整所述第一峰值，得到第一阈值，其中，所述第一阈值小于所述第一峰值。

7.如权利要求5所述的血压预测方法，其特征在于，所述确定所述第三时间与所述第四时间对应的第二阈值的步骤，包括：

确定所述心音包络信号在所述第三时间与所述第四时间之间的第二峰值；

基于预设调整系数调整所述第二峰值，得到第二阈值，其中，所述第二阈值小于所述第二峰值。

8.一种血压预测装置，其特征在于，所述血压预测装置包括：

生理信号采集模块，用于同步采集生理信号，其中，所述生理信号包括心电信号、脉搏信号与心音信号；

特征提取模块，用于对所述生理信号进行特征提取，得到信号特征，其中，所述信号特征包括射血前期持续时间与脉搏传递时间；

血压预测模块，用于将所述信号特征输入至预训练的血压预测模型中，以供所述血压预测模型输出得到血压预测结果。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述血压预测方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有实现血压预测方法的程序，所述实现血压预测方法的程序被处理器执行以实现如权利要求1至7中任一项所述血压预测方法的步骤。