WO2020007041A1 - 血压测量装置、血压测量方法、电子设备以及计算机可读存储介质 - Google Patents

血压测量装置、血压测量方法、电子设备以及计算机可读存储介质 Download PDF

Info

Publication number
WO2020007041A1
WO2020007041A1 PCT/CN2019/074215 CN2019074215W WO2020007041A1 WO 2020007041 A1 WO2020007041 A1 WO 2020007041A1 CN 2019074215 W CN2019074215 W CN 2019074215W WO 2020007041 A1 WO2020007041 A1 WO 2020007041A1
Authority
WO
WIPO (PCT)
Prior art keywords
blood pressure
calculation model
diastolic
blood
principal component
Prior art date
Application number
PCT/CN2019/074215
Other languages
English (en)
French (fr)
Inventor
徐志红
Original Assignee
京东方科技集团股份有限公司
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 京东方科技集团股份有限公司 filed Critical 京东方科技集团股份有限公司
Priority to US16/489,696 priority Critical patent/US11298029B2/en
Publication of WO2020007041A1 publication Critical patent/WO2020007041A1/zh

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
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • 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
    • A61B5/72—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Cardiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Vascular Medicine (AREA)
  • Optics & Photonics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Pulmonology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

一种测量血压的装置（30,40）、电子设备（1000,2000）及计算机可读存储介质。应用于智能医疗技术领域，电子设备（1000,2000）包括处理器（1001,2001）；该处理器（1001,2001）被配置成执行下述步骤：获取预设测量时间内目标对象的心电信号以及血氧容积波信号（S101，S201），然后基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值（S102，S202）。实现了测量出逐拍的血压值，提高了测量血压的精确度。

Description

血压测量装置、血压测量方法、电子设备以及计算机可读存储介质
交叉引用
本公开要求于2018年7月3日提交的题为“测量血压的装置、电子设备以及计算机可读存储介质”的中国专利申请201810716583.6的优先权益，在此引出以将其一并并入本文。
技术领域
本申请涉及智能医疗技术领域，具体而言，本申请涉及一种血压测量装置、血压测量方法、电子设备以及计算机可读存储介质。
背景技术
血压是指血液在血管内流动时作用于单位面积血管壁的侧压力，它是推动血液在血管内流动的动力，其中血压包括舒张压和收缩压。血压还是反映心血管功能的重要生理参数，是诊断疾病、观察治疗效果、进行愈后判断的重要依据。因此如何测量血压成为一个关键的问题。
当前的基于脉搏波原理的脉搏波血压计采用上臂袖带加下游脉搏波探测的方式，其中将脉搏跳动的非连续事件转变为连续测量，并将人工判断柯氏音有无转化为测量脉搏波在收缩压附近的幅度特性，或测量脉搏波与相对应的气压交流信号之间延迟时间在舒张压附近的时间特性，从而根据收缩压附近的幅度特性或舒张压附近的时间特性，计算出收缩压和舒张压。
发明内容
本申请提供了一种血压测量方法、血压测量装置、电子设备及计算机可读存储介质。
第一方面，提供了一种电子设备，包括：
处理器，处理器被配置成执行如下操作；
获取预设测量时间内目标对象的心电信号以及血氧容积波信号；
基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值。
根据本申请的实施例，所述血压值包括舒张压和收缩压，所述处理器被配置成在实现确定所述目标对象在预设测量时间内逐拍的血压值之后，还用于实现下述步骤：
基于所述获取到的心电信号以及血氧容积波信号，并通过所述训练后的第二血压计算模型，确定所述目标对象在预设测量时间内各拍舒张压对应误差值以及所述目标对象在预设测量时间内各拍收缩压对应的误差值；以及
基于所述目标对象在预设测量时间内各拍舒张压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍舒张压进行修正，确定所述目标对象在预设测量时间内修正后的逐拍舒张压，以及基于所述目标对象在预设测量时间内各拍收缩压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍收缩压进行修正，确定所述目标对象在预设测量时间内修正后的逐拍收缩压。
根据本申请的实施例，所述处理器被配置成在实现基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定所述目标对象在预设测量时间的任一拍的血压值之前，还用于实现下述步骤：
对获取到的血氧容积波信号进行差分处理，得到多个血氧容积波信号的特征值；
基于与所述心电信号在同一周期内的血氧容积波信号的一阶导数的最大值以及所述心电信号的R点所在时刻值，确定脉搏波的传输时间PTT；以及
对PTT以及多个血氧容积波信号的特征值进行主成分分析处理，提取满足预设条件的主成分因子，得到主成分因子矩阵。
根据本申请的实施例，所述处理器被配置成在实现基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定所述目标对象在预设测量时间内的任一拍的血压值的过程中，具体实现下述步 骡：
将所述主成分因子矩阵，输入至所述训练后的第一血压计算模型，确定出与所述主成分因子矩阵相应拍的舒张压以及收缩压；
其中，所述处理器被配置成在实现基于所述获取到的心电信号以及血氧容积波信号，并通过所述训练后的第二血压计算模型，确定所述目标对象在预设测量时间内任一拍的舒张压对应误差值以及所述目标对象在预设测量时间内任一拍的收缩压对应的误差值的过程中，具体实现下述步骤：
将所述主成分因子矩阵，输入至所述训练后的第二血压计算模型，确定出与所述主成分因子矩阵相应拍的舒张压误差值以及收缩压误差。
根据本申请的实施例，所述处理器被配置成在实现基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定所述目标对象在预设测量时间内逐拍的血压值之前，还用于实现下述步骤：
通过训练Elman神经网络，得到训练后的第一血压计算模型。
根据本申请的实施例，所述处理器被配置成在实现通过训练Elman神经网络，得到训练后的第一血压计算模型的过程中，具体实现下述步骤：
将预设采样时间内获取到的多个主成分因子矩阵，以及与预设采样时间内各个主成分因子矩阵同拍测量到的舒张压的参照值以及收缩压的参照值作为训练样本，对所述Elman神经网络进行训练，得到训练后所述第一血压计算模型，该主成分因子矩阵是基于心电信号以及血氧容积波信号通过差分处理及主成分分析得到的。
根据本申请的实施例，所述处理器被配置成在实现基于所述获取到的心电信号以及血氧容积波信号，并通过所述训练后的第二血压计算模型，确定所述目标对象在预设测量时间内各拍舒张压对应误差值以及所述目标对象在预设测量时间内各拍收缩压对应的误差值之前，还用于实现下述步骤：
通过训练线性神经网络，得到训练后的第二血压计算模型。
根据本申请的实施例，所述处理器被配置成在实现通过训练线性神经网络，得到训练后的第二血压计算模型的过程中，具体实现下述步骤：
将所述预设采样时间内获取到的多个主成分因子矩阵以及各个主成 分因子矩阵分别对应的血压误差信息作为训练样本，训练所述线性神经网络，得到训练后的第二血压计算模型；
其中，所述血压误差信息包括：舒张压误差信息以及收缩压误差信息，所述舒张压误差信息为在对Elman神经网络训练过程中输出的舒张压分别与同拍测量到的舒张压的参照值之间的差值；所述收缩压误差信息为在对Elman神经网络的训练过程中输出的收缩压分别与同拍测量到的收缩压的参照值之间的差值。
第二方面，提供了一种血压测量方法，包括：获取预设测量时间内目标对象的心电信号以及血氧容积波信号的输入；以及基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定所述目标对象在预设测量时间内逐拍的血压值。
第三方面，提供了一种血压测量装置，该血压测量装置包括：
获取模块，用于获取预设测量时间内目标对象的心电信号以及血氧容积波信号的输入；以及
确定模块，用于基于获取模块获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值。
第四方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现下述步骤：
获取预设测量时间内目标对象的心电信号以及血氧容积波信号；以及
基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1a为通过ECG和PPG结合测量脉搏波传输时间的示意图；
图1b为通过双PPG的方式测量脉搏波传输时间的示意图；
图1c为本申请实施例提供的一种测量血压的电子设备的结构示意图；
图1d为本申请实施例中电子设备执行测量血压的步骤流程示意图；
图2a为本申请实施例中电子设备执行测量血压的另一种步骤流程示意图；
图2b为本申请实施例中电子设备执行测量血压的另一种步骤流程示意图；
图2c为心电信号与血氧容积波信号的特征值的示意图；
图2d为本申请实施例提供的另一种测量血压的电子设备的结构示意图；
图3为本申请实施例提供的一种血压测量装置的结构示意图；
图4为本申请实施例提供的另一种血压测量装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
目前市售的无创血压测量设备分为水银式血压计和电子式血压计两大类。市售的无创血压测量设备中大多数设备采用袖带式的测量方式，并且采用示波法或者柯氏音法的测量原理。
示波法为同时记录脉搏波以及压力，以检测出血压的方法。利用示波 原理判定收缩压和舒张压的具体方法，主要归为两大类：一类称为波形特征法，波形特征法是通过识别压力波在收缩压和舒张压处的波形特征来判别血压，然而在通过波形特征法测量血压时，由于不能准确有效地提取波形特征，以及提取的波形特征不能适应个体差异性等因素，导致通过波形特征法测量到的血压的精确度较低；另一类称为幅度系数法，幅度系数法是通过确定收缩压幅度、舒张压幅度与最大幅度之间的关系来判别血压，然而在通过幅度系数法测量血压时所用到的幅度系数是统计得到的经验值，并不是针对某个个体，从而导致测量结果不准确。
柯氏音法，作为临床上最常用的血压测量法，由于自身理论的缺陷，容易造成假性高压或者假性低压的误判，测量不准确。
除此之外，还有基于脉搏波原理的脉搏波血压计，其中采用上臂袖带加下游脉搏波探测的方式，将脉搏跳动的非连续事件转变为连续测量，将人工判断柯氏音有无转化为测量脉搏波在收缩压附近的幅度特性，或测量脉搏波与相对应的气压交流信号之间延迟时间在舒张压附近的时间特性，根据收缩压附近的幅度特性或舒张压附近的时间特性，计算出收缩压和舒张压，从而有效避免主观判断柯氏音有无而造成的误差。但基于脉搏波原理测量到的血压，仍然只能得到测量过程中一个舒张压以及对应的一个收缩压，为非连续性血压测量。
血压是反映心血管功能的重要生理参数，是诊断疾病、观察治疗效果、进行预后判断的重要依据。由于血压受如身体状况、情绪环境条件和生理韵律等因素的影响，血压值会随时间变化而变化，单次测量的血压值并不能表明被测试者血压的真实状况。相较于单个的血压值，连续性血压值更能反映血压的真实状况。
怎样保证在无创的情况下，方便准确可靠地测得连续性血压值是需要解决的关键技术。现在主要采用如下方案测量连续性血压：动脉张力法、容积补偿法和脉搏波传输时间法等。
动脉张力法的原理为具有内在压力的血管被外力压扁时，血管壁的内周应力发生变化，当外力达到某一特定值时血管内压力与外力相等，此时通过测量外压力即可得到动脉血压，同时依据外围动脉压与中心动脉压的 相关性，计算出中心动脉压。但是当通过该方法测量血压时，由于传感器对位移的高度灵敏性，要长时间保持传感器测量位置相对固定比较困难，同时在长时间测量过程中气囊加压装置也会影响被测者舒适度，因此动脉张力法不适于血压的长期测量。
容积补偿法的原理为当动脉血管在外力作用下处于去负荷状态时，外加压力等于动脉压力，血管直径不会随血压波动而变化，血管处于恒定容积状态。通过预置参考压力使动脉处于去负荷状态，同时采用快速反应的压力控制系统根据血压波动时刻调节外加压力使动脉血管始终处于恒定容积状态，此时通过测量外加压力即可得到动态的动脉血压值。采用容积补偿法可以连续测量每搏血压波形，但由于气囊压力的作用，长时间测量会导致静脉充血而影响测量精度，同时会给被测者带来不适。
目前利用脉搏波传输时间方法测量无创连续性血压是研究的热点。利用脉搏波传输时间方法测量无创连续性血压的方法分为两种：(1)采用心电图(Electrocardiogram，ECG)信号和光电容积描记(Photo Plethysmograph，PPG)波形结合的方式，如图1a所示，即通过采集第一导联的ECG，同时通过透射的方式或反射的方式采集手指或者腕部或者手背的PPG，计算心电信号R点与PPG特征点之间的时间差PTT，然后利用脉搏波传输时间与收缩压或平均压的关系，再反推出连续性血压；(2)采用双PPG的方式，如图1b所示，即在腕部和手背分别放置一个反射式光电传感器，或者在一根手指的两个不同位置分别放置一个反射式光电传感器，计算两PPG同一特征值点的时间差PTT，然后利用脉搏波传输时间与收缩压或平均压的关系，再反推出连续性血压；然而这两种方法测量的无创连续性血压精度仍然不高。
针对以上问题，本申请实施例构建了一种测量血压的电子设备，用于测量血压。依据血压形成机制和血液动力学原理可知，心输出量、循环血量、血管壁弹性和外周阻力是影响血压变化的主要因素，呼吸和情绪等人为因素也与血压变化密切相关，同时，血压还受年龄和身体状况的影响。
通常，心输出量增加时，血压升高，引起脉搏波第一峰值与最小值幅值的差值变小和脉搏波传输时间变大，收缩面积增大；外周阻力减小时， 血压升高，引起脉搏波第一峰值点幅值升高，脉搏波切迹点幅值下降，脉搏波第一峰值与第二峰值差值减小，同时舒张面积以及收缩面积与舒张面积的面积比变化表征总血管阻力的增大或减小；当血管壁弹性减弱时，血压升高，引起脉搏波传输时间减小，脉搏波的第二峰值点幅值下降，相邻两脉搏波切迹点时间差增大，第一峰值与第二峰值幅值的差值增加，增长系数变化。
循环血量对单个个体而言，是相对不变的，但当循环血量减少时，血压减少，直接引起脉搏波最小值的幅值和脉搏波第一峰值幅值下降，血氧容积波面积减少；呼吸加快时，血压升高，脉搏波第一峰值幅值、相邻两个脉搏波第一峰值的时间差和相邻脉搏波最小值点也会随呼吸变化而变化；血压还受神经系统调节的作用，神经系统的变化可通过心电信号的心率变异性表现出来，也可通过脉率变异性和脉搏波第二峰值变异性表现出来，即神经系统的变化会引起相邻两个脉搏波第二峰值的时间差和相邻两个脉搏波第一峰值的时间差变化。脉搏波的第二峰值变异性与脉率变异性的差别在于脉搏波的第二峰值是传输到下半部身体后反射回来的讯号，因此除随着脉搏波第一峰值反应的血液密度、血液流动速度等共性参数外，脉搏波的第二峰值变异性还包含反射路径上循环系统的其他参数信息，如血管壁弹性，血管阻力等参数。同时，随着年龄的增长，身体健康状况变化等因素，血氧容积波的波形会发生改变，直接导致同一周期中从最小值点到第一峰值点的上升时间，同一周期中从第一峰值点到第二峰值点的时间增量，同一周期中从切迹点到最小值点的时间增量这三个参数的变化。
综上，与血压相关的参数包括：脉搏波传输时间、血氧容积波相邻两个周期中两个第一峰值点的时间差值、两个最小值点的时间差值、两个第二峰值点的时间差值、两个相邻切迹点的时间差值、血氧容积波一个周期中的第一峰值点的幅值、最小值点的幅值、第二峰值点的幅值、切迹点的幅值、收缩面积、舒张面积、血氧容积波的面积、面积比例、血氧容积波同一周期内的第一峰值点幅值与第二峰值点幅值之间的差值、同一周期内的第一峰值点幅值与最小值点幅值之间的差值，同一周期中从最小值点到第一峰值点的上升时间，同一周期中从第一峰值点到第二峰值点的时间增 量，同一周期中从切迹点到最小值点的时间增量、增长系数。
因此，本申请实施例通过计算出上述这些参数值，然后基于这些计算得到的参数值，确定出逐拍的舒张压以及收缩压。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
实施例一
本申请实施例提供了一种电子设备，如图1c所示，图1c所示的电子设备1000包括：处理器1001，其中，处理器1001被配置成执行如图1d所示的操作，其中，
步骤S101、获取预设测量时间内目标对象的心电信号以及血氧容积波信号。
根据本申请实施例，心电信号为心脏活动时心肌激动产生的生物电信号。在本申请实施例中，心电信号可以通过心电图机进行记录。
对于本申请实施例，血氧容积波用于表征单位体积内血液中的血氧浓度变化。在本申请实施例中可以通过现有血氧容积波的测量方法连续检测目标对象的血氧容积波信号。例如通过光电容积脉搏波扫描法连续检测目标对象的血氧容积波信号。
根据本申请实施例，预设测量时间可以由电子设备设置，也可以由用户设置。在本申请实施例中不做限定。例如，预设测量时间可以为1分钟、2分钟等。
根据本申请实施例，获取预设测量时间内目标对象的心电信号以及血氧容积波信号的方式可以为实时获取目标对象在预设测量时间内的心电信号以及血氧容积波信号，也可以接收输入的在预设测量时间内测量到的目标对象的心电信号以及血氧容积波信号。在本申请实施例中不做限定。在本申请实施例中，心电信号以及血氧容积波信号的测量时间相同。
根据本申请实施例，目标对象为需要测量逐拍血压的用户。
步骤S102、基于获取到的心电信号以及血氧容积波信号，并通过训 练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值。
其中，血压值包括舒张压和收缩压。
根据本申请实施例，确定目标对象在预设测量时间内逐拍的血压值意味着，目标对象在预设测量时间内心脏或者脉搏跳动一次即可以确定出一个舒张压以及对应的一个收缩压。
例如，预设测量时间为1分钟，若目标对象心脏跳动60次，则确定出目标对象在一分钟之内60个舒张压以及对应的60个收缩压。
本申请实施例提供了一种电子设备，该电子设备包括处理器，处理器被配置成执行如下操作：获取预设测量时间内目标对象的心电信号以及血氧容积波信号，然后基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值，即该电子设备通过在预设测量时间内测量到的心电信号以及血氧容积波信号，能够在预设测量时间内获取到多个连续舒张压与对应的多个连续收缩压，例如在一分钟测量时间内获取到60个舒张压与对应的60个收缩压，而不是仅测量到一个舒张压以及一个收缩压，从而可以提高测量血压的精确度。
实施例二
本申请实施例的另一种可能的实现方式，处理器1001在被配置成在实现图1d所示的步骤的基础上，还用于实现如图2a所示的步骤，其中，
步骤S102之后还包括步骤S203以及步骤S204，其中步骤S201以及步骤S202所执行的操作与步骤S101以及步骤S102所执行的操作相同，在此不再赘述。
步骤S203、基于获取到的心电信号以及血氧容积波信号，并通过训练后的第二血压计算模型，确定目标对象在预设测量时间内各拍舒张压对应误差值以及目标对象在预设测量时间内各拍收缩压对应的误差值。
根据本申请实施例，由于通过训练后的第一血压计算模型得到的逐拍的舒张压以及对应的逐拍的收缩压，可能与目标对象真实的舒张压以及收缩压相比存在误差，为了提高输出的逐拍的舒张压以及对应的逐拍的收缩压的精确度，通过第二血压计算模型输出的逐拍的舒张压误差以及对应的 逐拍的收缩压误差对训练后的第一血压计算模型输出的逐拍的舒张压以及对应的逐拍的收缩压进行修正。
步骤S204、基于目标对象在预设测量时间内各拍舒张压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍舒张压进行修正，确定目标对象在预设测量时间内修正后的逐拍舒张压，以及基于目标对象在预设测量时间内各拍收缩压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍收缩压进行修正，确定目标对象在预设测量时间内修正后的逐拍收缩压。
对于本申请实施例，若由训练后的第一血压计算模型输出的任一拍的舒张压用BP 1表示，对应的收缩压用BP 2表示，由训练后的第二血压计算模型输出的该拍对应的舒张压对应误差值用BP_error 1表示，对应的收缩压对应的误差值用BP_error 2表示，则目标对象该拍修正后的舒张压为Output_BP 1＝BP_error 1+BP 1，目标对象该拍修正后的舒张压Output_BP 2＝BP_error 2+BP 2。
根据本申请实施例，通过将心电信号以及血氧容积波信号输入至训练后的第二血压训练模型，得到所述目标对象在预设测量时间内各拍舒张压对应误差值以及所述目标对象在预设测量时间内各拍收缩压对应的误差值，并通过得到的误差值分别修正通过训练后的第一血压模型得到的舒张压以及收缩压，得到修正后的逐拍舒张压以及逐拍收缩压，从而可以进一步地提高确定出的血压值的准确度，提升用户体验。
实施例三
本申请实施例的另一种可能的实现方式，处理器1001被配置成在实现基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间的任一拍的血压值之前，还用于实现图2b所示的步骤：步骤A、步骤B以及步骤C，其中，
步骤A、对获取到的血氧容积波信号进行差分处理，得到多个血氧容积波信号的特征值。
根据本申请实施例，对获取到的血氧容积波信号进行差分处理，得到的多个血氧容积波信号的特征值包括：血氧容积波相邻两个周期中两个第 一峰值点的时间差值a 2、两个最小值点的时间差值a 3、两个第二峰值点的间差值a 4、两个切迹点的差值a 5、血氧容积波一个周期中的第一峰值点的幅值a 6、最小值点的幅值a 7、第二峰值点的幅值a 8、切迹点的幅值a 9、收缩面积a 10、舒张面积a 11、血氧容积波的面积a 12、面积比例a 13、血氧容积波同一周期内的第一峰值点幅值a 6与第二峰值点幅值a 8之间的差值a 14、同一周期内的第一峰值点幅值a 6与最小值点幅值a 7之间的差值a 15、同一周期中从最小值点到第一峰值点的上升时间a 16、同一周期中从第一峰值点到第二峰值点的时间增量a 17、同一周期中从切迹点到最小值点的时间增量a 18、增长系数a 19，如图2c所示。
其中，增长系数a 19＝X1/X2，X1为同一周期中第二峰值点与最小值点之间的幅值差值X1，X2为该周期内第一峰值点与最小值点之间的幅值差值X2；
步骤B、基于与心电信号在同一周期内的血氧容积波的一阶导数的最大值以及心电信号的R点所在时刻值，确定脉搏波的传输时间PTT，其中心电信号的R点如图2c所示。
根据本申请实施例，通过Pan-Tompkins算法实时检测目标对象心电信号的R点所在时刻值，记为a 00；对获取到的血氧容积波信号进行差分处理，得到与心电信号在同一周期内的血氧容积波的一阶导数的最大值a 01。在本申请实施例中，脉搏波的传输时间PTT＝|a 01-a 00|，如图2c所示。
步骤C、对PTT以及多个血氧容积波信号的特征值进行主成分分析处理，提取满足预设条件的主成分因子，得到主成分因子矩阵。
对于本申请实施例，主成分分析(Principal Component Analysis，PCA)为一种统计方法，其中将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量以尽可能多地反映原来变量的信息，也是数学上用来降维的一种方法。
对于本申请实施例，将PTT、a 2、a 3、a 4、a 5、a 6、a 7、a 8、a 9、a 10、a 11、a 12、a 13、a 14、a 15、a 16、a 17、a 18、a 19这19个特征值进行主成分分析，提取出特征值大于1的主成分因子，并将提取出的特征值大于1的主成分因子，标记为Factor 1、Factor 2、……、Factor n，其中n＜19，提取出的主 成分因子与原特征值的关系式为：
Figure PCTCN2019074215-appb-000001
W nx19表示所进行的主成分分析。
根据本申请实施例，对血氧容积波信号进行差分处理，得到多个特征值，并基于与心电信号在同一周期内的血氧容积波的一阶导数的最大值以及所述心电信号的R点所在时刻值，确定脉搏波的传输时间PTT，对PTT以及特征值进行主成分分析，以实现对要输入至训练后的第一血压计算模型以及要输入至第二血压计算模型中的数据的降维处理，从而可以降低计算血压值以及血压误差值的时间。
实施例四
本申请实施例的另一种可能的实现方式，处理器1001被配置成在实现基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内的任一拍的血压值的过程中，具体实现图2b所示的步骤D，其中，
步骤D、将主成分因子矩阵，输入至训练后的第一血压计算模型，确定出与主成分因子矩阵相应拍的舒张压以及收缩压。
具体地，将主成分因子矩阵作为输入矩阵Input 1×n＝{Factor 1，Factor 2，L，Factor n}，输入至训练后的第一血压计算模型，得到输出矩阵Ouput 1× 2＝Input 1×n×A n×N×B N×2＝{BP 1，BP 2}，其中，{BP 1，BP 2}为与作为输入矩阵的主成分因子矩阵相对应的舒张压以及收缩压矩阵。具体训练第一血压计算模型的过程以及得到A n×N，B N×2的方式详见实施例五，在此不再赘述。
进一步地，处理器1001被配置成在实现基于获取到的心电信号以及血氧容积波信号，并通过训练后的第二血压计算模型，确定目标对象在预设测量时间内任一拍的舒张压对应误差值以及目标对象在预设测量时间内任一拍的收缩压对应的误差值的过程中，具体实现图2b所示的步骤E，其中，
步骤E、将主成分因子矩阵，输入至训练后的第二血压计算模型，确 定出与主成分因子矩阵相应拍的舒张压误差值以及收缩压误差。
需要指出，图2b中所示的步骤不一定需要按照所示的顺序执行。例如，步骤E可以在步骤D之前执行，步骤D和步骤E可以在步骤A、B、C之间或之前或与之并行地执行。
具体地，将主成分因子矩阵作为输入矩阵Input 1×n＝{Factor 1，Factor 2，L，Factor n}，输入至训练后的第二血压计算模型，得到输出矩阵Ouput_error 1 ×2＝Input 1×n×C n×2＝{BP_error 1，BP_error 2}，其中，{BP_error1，BP_error2}为与作为输入矩阵的主成分因子矩阵相对应的舒张压误差值以及收缩压误差值。具体训练第二血压计算模型的过程以及确定C n×2的方式详见实施例六，在此不再赘述。
根据本申请实施例，由于输入至第一血压计算模型以及输入至第二血压计算模型中的数据为主成分因子矩阵，即血压计算模型的输入数据为进行降维处理后的数据，从而降低计算血压值以及血压误差值的时间，进而可以降低获得连续血压的时间，提升用户体验。
实施例五
本申请实施例的另一种可能的实现方式，处理器1001被配置成在实现步骤S102之前还用于实现图1d所示的步骤S110：通过训练Elman神经网络，得到训练后的第一血压计算模型。虽然在图1d中步骤S110被示出为在步骤S101之后，但是本申请并不局限于此。可以在步骤S101之前，或者与步骤S101并行地执行步骤S110。
对于本申请实施例，在训练第一血压计算模型时，可以通过多种神经网络进行训练。在本申请实施例中详细介绍了通过训练Elman神经网络，得到训练后的第一血压计算模型。
根据本申请实施例，Elman神经网络具有很强的计算能力，其突出优点是具有很强的优化计算和联想记忆功能，因此通过训练Elman神经网络，得到的训练后的第一血压计算模型，具备很强的计算能力、很强的优化能力，并提升第一血压计算模型的处理动态信息的能力。
具体地，处理器1001被配置成在实现通过训练Elman神经网络，得到训练后的第一血压计算模型的过程中，具体用于实现下述步骤：将预设 采样时间内获取到的多个主成分因子矩阵，以及与预设采样时间内各个主成分因子矩阵同拍测量到的舒张压的参照值以及收缩压的参照值作为训练样本，对Elman神经网络进行训练，得到训练后的第一血压计算模型。
其中，该主成分因子矩阵是基于心电信号以及血氧容积波信号通过差分处理及主成分分析得到的。
对于本申请实施例，将预设采样时间内得到的Factor 1、Factor 2，……，Factor n以及与心跳信号以及血氧容积波信号同一时刻测量到的舒张压的参照值以及收缩压的参照值连续输入至Elman神经网络，以对Elman神经网络进行训练。
根据本申请实施例，Elman神经网络是一种典型的局部回归网络(global feed forward local recurrent)，Elman神经网络可以看作是一个具有局部记忆单元和局部反馈连接的递归神经网络。在本申请实施例中，Elman神经网络包括：输入层、输出层以及中间隐层，其中，输入层为单层，并假设为n个神经元，n个神经元分别与上述n个主成分因子一一对应；输出层假设为2个神经元，分别对应舒张压以及收缩压；中间隐层为单层，并假设为N个神经元，其中N＝[10，11，12]。在本申请实施例中，中间隐层的神经元通过全连接的方式分别接收输入层神经元的n个主成分因子以及输出层神经元的舒张压和收缩压，中间隐层利用n个主成分因子以及舒张压和收缩压进行训练，得到两个系数矩阵，分别为A n×N，B N×2，以实现对Elman神经网络的训练。其中，系数矩阵A n×N关联输入层以及中间隐层，系数矩阵B N×2关联中间隐层以及输出层。
根据本申请实施例，预设采样时间不小于5分钟(min)。在本申请实施例中，可以采用现有的连续型血压计连续测量到的目标对象的舒张压以及收缩压作为舒张压的参照值以及收缩压的参照值。
根据本申请实施例，通过预设采样时间内获取到的多个主成分因子矩阵以及与主成分因子矩阵同时刻测量到的舒张压的参照值以及收缩压的参照值作为训练样本，训练得到第一血压计算模型，以用于得到预设测量时间内的逐拍的血压值。
实施例六
本申请实施例的另一种可能的实现方式，处理器1001被配置成在实现步骤S203之前还用于实现图2a所示的步骤S210：通过训练线性神经网络，得到训练后的第二血压计算模型。虽然在图2a中步骤S210被示出为在步骤S202之后，但是本申请并不局限于此。可以在步骤S202之前、甚至步骤S201之前、或者与步骤S201或步骤S202并行地执行步骤S210。
根据本申请实施例，线性神经网络是最简单的一种神经网络，可以由一个或者多个线性神经元组成，并且线性神经网络的收敛速度以及精度较高，因此该步骤中通过线性神经网络训练得到的第二血压计算模型是为了得到舒张压的误差值以及收缩压的误差值，提高了确定出的舒张压误差值以及收缩压误差值的精度。
具体地，处理器1001被配置成在实现通过训练线性神经网络，得到训练后的第二血压计算模型的过程中，具体实现下述步骤：将预设采样时间内获取到的多个主成分因子矩阵以及各个主成分因子矩阵分别对应的血压误差信息作为训练样本，训练线性神经网络，得到训练后的第二血压计算模型。
其中，血压误差信息包括：舒张压误差信息以及收缩压误差信息，舒张压误差信息为在对Elman神经网络训练过程中输出的舒张压分别与同拍测量到的舒张压的参照值之间的差值；收缩压误差信息为在对Elman神经网络的训练过程中输出的收缩压分别与同拍测量到的收缩压的参照值之间的差值。
具体地，通过公式BPerror 1＝BP 1-BP 3确定舒张压误差信息，BPerror 2＝BP 2-BP 4确定收缩压误差信息。
其中，BP 1为在对Elman神经网络训练过程中输出的舒张压，BP 2为在对Elman神经网络训练过程中输出的收缩压，BP 3为与BP 1同拍测量到的舒张压的参照值，BP 4为与BP 2同拍测量到的收缩压的参照值。在本申请实施例中，舒张压的参照值以及收缩压的参照值均可以利用现有连续性血压计连续测量得到。
根据本申请实施例，将预设采样时间内获取到的多个主成分因子矩阵、以及各个主成分因子矩阵对应的BPerror 1、以及BPerror 2作为训练样本输 入线性神经网络，以训练该线性神经网络，得到训练后的第二血压计算模型。
具体地，在训练线性神经网络时，其实是训练线性神经网络中的参数C n×2，C n×2关联线性神经网络的输入层以及输出层，其中输入层假设为n个神经元，分别与输入的n个主成分因子一一对应，输出层假设为2层，分别对应舒张压误差信息以及收缩压误差信息。
根据本申请实施例，通过将各个主成分因子矩阵以及各个主成分因子矩阵分别对应的血压误差信息作为训练样本，对第二血压计算模型进行训练，得到训练后的第二血压计算模型，以用于对第一血压计算模型输出的血压信息进行修正，得到更为精确的血压信息。
实施例七
本申请实施例提供了一种电子设备，如图2d所示，图2d所示的电子设备2000包括：处理器2001和存储器2003。其中，处理器2001和存储器2003相连，如通过总线2002相连。可选地，电子设备2000还可以包括收发器2004。需要说明的是，实际应用中收发器2004不限于一个，该电子设备2000的结构并不构成对本申请实施例的限定。
收发器2004包括接收机和发射机。处理器2001可以是CPU，通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器2001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线2002可包括一通路，在上述组件之间传送信息。总线2002可以是PCI总线或EISA总线等。总线2002可以分为地址总线、数据总线、控制总线等。为便于表示，图2d中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器2003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光 碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器2003用于存储执行本申请方案的至少一个程序，并由处理器2001来控制执行。处理器2001用于执行存储器2003中存储的至少一个程序，以实现实施例一至实施例六任一实施例所示的测量血压的操作。
本申请实施例提供了的电子设备包括处理器，处理器被配置成执行如下操作：获取预设测量时间内目标对象的心电信号以及血氧容积波信号，然后基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值，即该电子设备通过在预设测量时间内测量到的心电信号以及血氧容积波信号，能够在预设测量时间内获取到多个连续舒张压与对应的多个连续收缩压，例如在一分钟测量时间内获取到60个舒张压与对应的60个收缩压，而不是仅测量到一个舒张压以及一个收缩压，从而可以提高测量血压的精确度。
实施例八
本申请实施例提供了一种血压测量装置，如图3所示，该血压测量装置30可以包括：获取模块301以及确定模块302，其中，
获取模块301，用于获取预设测量时间内目标对象的心电信号以及血氧容积波信号的输入。
对于本申请实施例，获取模块301获取预设测量时间内目标对象的心电信号以及血氧容积波信号的方式可以为实时获取目标对象在预设测量时间内的心电信号以及血氧容积波信号，也可以接收输入的在预设测量测量时间内测量到的目标对象的心电信号以及血氧容积波信号。在本申请实施例中不做限定。
确定模块302，用于基于获取模块301获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值。
本申请实施例提供了一种血压测量装置，该血压测量装置包括获取模块和确定模块，该获取模块被配置成执行如下操作：获取预设测量时间内 目标对象的心电信号以及血氧容积波信号，该确定模块被配置成执行如下操作：基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值，即该血压测量装置通过在预设测量时间内测量到的心电信号以及血氧容积波信号，能够在预设测量时间内获取到多个连续舒张压与对应的多个连续收缩压，例如在一分钟测量时间内获取到60个舒张压与对应的60个收缩压，而不是仅测量到一个舒张压以及一个收缩压，从而可以提高测量血压的精确度。
本申请实施例的血压测量装置的优点详见本申请实施例一所示的电子设备，此处不再赘述。
实施例九
本申请实施例提供的另一种血压测量装置的结构示意图，如图4所示，该血压测量装置40可以包括：获取模块401以及确定模块402，其中，
获取模块401，用于获取预设测量时间内目标对象的心电信号以及血氧容积波信号的输入。
其中，图4中的获取模块401与图3中的获取模块301的功能相同或者相似。
确定模块402，用于基于获取模块401获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值。
其中，图4中的确定模块402与图3中的确定模块302的功能相同或者相似。
确定模块402，还用于基于获取模块401获取到的心电信号以及血氧容积波信号，并通过训练后的第二血压计算模型，确定目标对象在预设测量时间内各拍舒张压对应误差值以及目标对象在预设测量时间内各拍收缩压对应的误差值。
进一步地，该血压测量装置40还包括：修正模块403。
修正模块403，用于基于确定模块402确定的目标对象在预设测量时间内各拍舒张压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍舒张压进行修正。
确定模块402，还用于确定目标对象在预设测量时间内修正后的逐拍舒张压。
修正模块403，还用于基于确定模块402确定的目标对象在预设测量时间内各拍收缩压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍舒张压进行修正。
确定模块402，还用于确定目标对象在预设测量时间内修正后的逐拍收缩压。
对于本申请实施例，通过将心电信号以及血氧容积波信号输入至训练后的第二血压训练模型，得到所述目标对象在预设测量时间内各拍舒张压对应误差值以及所述目标对象在预设测量时间内各拍收缩压对应的误差值，并通过得到的误差值分别修正通过训练后的第一血压模型得到的舒张压以及收缩压，得到修正后的逐拍舒张压以及逐拍收缩压，从而可以进一步地提高确定出的血压值的准确度，提升用户体验。
进一步地，该血压测量装置40还包括：差分处理模块404、主成分分析处理模块405、提取模块406，其中，
差分处理模块404，用于对获取到的血氧容积波信号进行差分处理，得到多个血氧容积波信号的特征值。
确定模块402，还用于基于与心电信号在同一周期内的血氧容积波的一阶导数的最大值以及心电信号的R点所在时刻值，确定脉搏波的传输时间PTT。
主成分分析处理模块405，用于对PTT以及多个血氧容积波信号的特征值进行主成分分析处理。
提取模块406，用于提取满足预设条件的主成分因子，得到主成分因子矩阵。
对于本申请实施例，将通过血氧容积波信号进行差分处理，得到多个特征值，并基于与所述心电信号在同一周期内的血氧容积波的一阶导数的最大值以及所述心电信号的R点所在时刻值，确定脉搏波的传输时间PTT，进行主成分分析，以实现对输入至训练后的第一血压计算模型以及输入至第二血压计算模型中的数据进行降维处理，从而可以降低计算血压值以及 血压误差值的时间。
确定模块402，具体用于将提取模块406提取到的主成分因子矩阵，输入至训练后的第一血压计算模型，确定出与主成分因子矩阵相应拍的舒张压以及收缩压。
确定模块402，具体还用于将提取模块406提取到的主成分因子矩阵，输入至训练后的第二血压计算模型，确定出与主成分因子矩阵相应拍的舒张压误差值以及收缩压误差。
根据本申请实施例，由于输入至第一血压计算模型以及输入至第二血压计算模型中的数据为主成分因子矩阵，即血压计算模型的输入数据为进行降维处理后的数据，从而降低计算血压值以及血压误差值的时间，进而可以降低获得连续血压的时间，提升用户体验。
进一步地，该血压测量装置40还包括：训练模块407，其中，
训练模块407，用于通过训练Elman神经网络，得到训练后的第一血压计算模型。
训练模块407，具体用于将预设采样时间内获取到的多个主成分因子矩阵，以及与预设采样时间内各个主成分因子矩阵同拍测量到的舒张压的参照值以及收缩压的参照值作为训练样本，对Elman神经网络进行训练，得到训练后的第一血压计算模型。
其中，该主成分因子矩阵是基于心电信号以及血氧容积波信号通过差分处理及主成分分析得到的。
根据本申请实施例，通过预设采样时间内获取到的多个主成分因子矩阵以及与主成分因子矩阵同时刻测量到的舒张压的参照值以及收缩压的参照值作为训练样本，训练得到第一血压计算模型，以用于得到预设测量时间段内的逐拍的血压值。
训练模块407，还用于通过训练线性神经网络，得到训练后的第二血压计算模型。
根据本申请实施例，线性神经网络是最简单的一种神经网络，可以由一个或者多个线性神经元组成，并且线性神经网络的收敛速度以及精度较高，因此该步骤中通过线性神经网络训练得到的第二血压计算模型是为了 得到舒张压的误差值以及收缩压的误差值，提高了确定出的舒张压误差值以及收缩压误差值的精度。
训练模块407，具体还用于将预设采样时间内获取到的多个主成分因子矩阵以及各个主成分因子矩阵分别对应的血压误差信息作为训练样本，训练线性神经网络，得到训练后的第二血压计算模型。
其中，血压误差信息包括：舒张压误差信息以及收缩压误差信息，舒张压误差信息为在对Elman神经网络训练过程中输出的舒张压分别与同拍测量到的舒张压的参照值之间的差值；收缩压误差信息为在对Elman神经网络的训练过程中输出的收缩压分别与同拍测量到的收缩压的参照值之间的差值。
根据本申请实施例，通过将各个主成分因子矩阵以及各个主成分因子矩阵分别对应的血压误差信息作为训练样本，对第二血压计算模型进行训练，得到训练后的第二血压计算模型，以用于对第一血压计算模型输出的血压信息进行修正，得到更为精确的血压信息。
本申请实施例提供了另一种测量血压装置，该测量血压装置被配置成执行如下操作：获取预设测量时间内目标对象的心电信号以及血氧容积波信号，然后基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值，即该测量血压装置通过在预设测量时间内测量到的心电信号以及血氧容积波信号，能够在预设测量时间内获取到多个连续舒张压与对应的多个连续收缩压，例如在一分钟测量时间内获取到60个舒张压与对应的60个收缩压，而不是仅测量到一个舒张压以及一个收缩压，从而可以提高测量血压的精确度。
本申请实施例的血压测量装置的优点详见本申请实施例一至实施例六任一实施例所示的电子设备，此处不再赘述。
实施例十
本申请实施例提供了一种血压测量方法。根据本公开实施例的血压测量方法可以在图1c所示的电子设备或图3所示的血压测量装置或图4所示的血压测量装置处执行。
如图2b所示，根据本申请实施例的血压测量方法包括步骤S101、获取预设测量时间内目标对象的心电信号以及血氧容积波信号。
根据本申请实施例，心电信号为心脏活动时心肌激动产生的生物电信号。在本申请实施例中，心电信号可以通过心电图机进行记录。
对于本申请实施例，血氧容积波用于表征单位体积内血液中的血氧浓度变化。在本申请实施例中可以通过现有血氧容积波的测量方法连续检测目标对象的血氧容积波信号。例如通过光电容积脉搏波扫描法连续检测目标对象的血氧容积波信号。
根据本申请实施例，预设测量时间可以由电子设备设置，也可以由用户设置。在本申请实施例中不做限定。例如，预设测量时间可以为1分钟、2分钟等。
根据本申请实施例，获取预设测量时间内目标对象的心电信号以及血氧容积波信号的方式可以为实时获取目标对象在预设测量时间内的心电信号以及血氧容积波信号，也可以接收输入的在预设测量时间内测量到的目标对象的心电信号以及血氧容积波信号。在本申请实施例中不做限定。在本申请实施例中，心电信号以及血氧容积波信号的测量时间相同。
根据本申请实施例，目标对象为需要测量逐拍血压的用户。
步骤S102、基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值。
其中，血压值包括舒张压和收缩压。
根据本申请实施例，确定目标对象在预设测量时间内逐拍的血压值意味着，目标对象在预设测量时间内心脏或者脉搏跳动一次即可以确定出一个舒张压以及对应的一个收缩压。
例如，预设测量时间为1分钟，若目标对象心脏跳动60次，则确定出目标对象在一分钟之内60个舒张压以及对应的60个收缩压。
本申请实施例提供了一种血压测量方法，包括：获取预设测量时间内目标对象的心电信号以及血氧容积波信号，然后基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值，即通过在预设测量时间内测量到的心电信 号以及血氧容积波信号，能够在预设测量时间内获取到多个连续舒张压与对应的多个连续收缩压，例如在一分钟测量时间内获取到60个舒张压与对应的60个收缩压，而不是仅测量到一个舒张压以及一个收缩压，从而可以提高测量血压的精确度。
本申请实施例的血压测量方法还可以实现如图2a所示的步骤，其中，
步骤S102之后还包括步骤S203以及步骤S204，其中步骤S201以及步骤S202所执行的操作与步骤S101以及步骤S102所执行的操作相同，在此不再赘述。
步骤S203、基于获取到的心电信号以及血氧容积波信号，并通过训练后的第二血压计算模型，确定目标对象在预设测量时间内各拍舒张压对应误差值以及目标对象在预设测量时间内各拍收缩压对应的误差值。
步骤S204、基于目标对象在预设测量时间内各拍舒张压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍舒张压进行修正，确定目标对象在预设测量时间内修正后的逐拍舒张压，以及基于目标对象在预设测量时间内各拍收缩压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍收缩压进行修正，确定目标对象在预设测量时间内修正后的逐拍收缩压。
本申请实施例的血压测量方法还可以实现图2b所示的步骤：步骤A、步骤B以及步骤C，其中，
步骤A、对获取到的血氧容积波信号进行差分处理，得到多个血氧容积波信号的特征值。
步骤B、基于与心电信号在同一周期内的血氧容积波的一阶导数的最大值以及心电信号的R点所在时刻值，确定脉搏波的传输时间PTT，其中心电信号的R点如图2c所示。
步骤C、对PTT以及多个血氧容积波信号的特征值进行主成分分析处理，提取满足预设条件的主成分因子，得到主成分因子矩阵。
本申请实施例的血压测量方法还可以实现图2b所示的步骤D，其中，
步骤D、将主成分因子矩阵，输入至训练后的第一血压计算模型，确定出与主成分因子矩阵相应拍的舒张压以及收缩压。
本申请实施例的血压测量方法还可以实现图2b所示的步骤E，其中，
步骤E、将主成分因子矩阵，输入至训练后的第二血压计算模型，确定出与主成分因子矩阵相应拍的舒张压误差值以及收缩压误差。
本申请实施例的血压测量方法还可以实现图1d所示的步骤S110：通过训练Elman神经网络，得到训练后的第一血压计算模型。
具体地，步骤S110可包括：将预设采样时间内获取到的多个主成分因子矩阵，以及与预设采样时间内各个主成分因子矩阵同拍测量到的舒张压的参照值以及收缩压的参照值作为训练样本，对Elman神经网络进行训练，得到训练后的第一血压计算模型。
本申请实施例的血压测量方法还可以实现图2a所示的步骤S210：通过训练线性神经网络，得到训练后的第二血压计算模型。
具体地，步骤S210可包括：将预设采样时间内获取到的多个主成分因子矩阵以及各个主成分因子矩阵分别对应的血压误差信息作为训练样本，训练线性神经网络，得到训练后的第二血压计算模型。
实施例十一
本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现下述步骤：
获取预设测量时间内目标对象的心电信号以及血氧容积波信号；
基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值。
其中，血压值包括舒张压和收缩压。
在另一个实施例中，该程序被处理器执行时，在确定目标对象在预设测量时间内逐拍的血压值之后，还用于实现下述步骤：
基于获取到的心电信号以及血氧容积波信号，并通过训练后的第二血压计算模型，确定目标对象在预设测量时间内各拍舒张压对应误差值以及目标对象在预设测量时间内各拍收缩压对应的误差值；以及
基于目标对象在预设测量时间内各拍舒张压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍舒张压进行修正，确定目标对象在预设测量时间内修正后的逐拍舒张压，以及基于目标对象在预设测量 时间内各拍收缩压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍收缩压进行修正，确定目标对象在预设测量时间内修正后的逐拍收缩压。
在另一个实施例中，该程序被处理器执行时，在基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间的任一拍的血压值之前，还用于实现下述步骤：
对获取到的血氧容积波信号进行差分处理，得到多个血氧容积波信号的特征值；
基于与心电信号在同一周期内的血氧容积波的一阶导数的最大值以及心电信号的R点所在时刻值，确定脉搏波的传输时间PTT；
对PTT以及多个血氧容积波信号的特征值进行主成分分析处理，提取满足预设条件的主成分因子，得到主成分因子矩阵。
在另一个实施例中，该程序被处理器执行时，在至少一个程序在实现基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内的任一拍的血压值的过程中，具体实现下述步骤：
将主成分因子矩阵，输入至训练后的第一血压计算模型，确定出与主成分因子矩阵相应拍的舒张压以及收缩压；
其中，该程序被处理器执行时，在基于获取到的心电信号以及血氧容积波信号，并通过训练后的第二血压计算模型，确定目标对象在预设测量时间内任一拍的舒张压对应误差值以及目标对象在预设测量时间内任一拍的收缩压对应的误差值的过程中，具体实现下述步骤：
将主成分因子矩阵，输入至训练后的第二血压计算模型，确定出与主成分因子矩阵相应拍的舒张压误差值以及收缩压误差。
在另一个实施例中，该程序在被处理器执行时，在基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值之前，还用于实现下述步骤：
通过训练Elman神经网络，得到训练后的第一血压计算模型。
在另一个实施例中，该程序在被处理器执行时，在通过训练Elman神 经网络，得到训练后的第一血压计算模型的过程中，具体实现下述步骤：
将预设采样时间内获取到的多个主成分因子矩阵，以及与预设采样时间内各个主成分因子矩阵同拍测量到的舒张压的参照值以及收缩压的参照值作为训练样本，对Elman神经网络进行训练，得到训练后的第一血压计算模型，该主成分因子矩阵是基于心电信号以及血氧容积波信号通过差分处理及主成分分析得到的。
在另一个实施例中，该程序在被处理器执行时，在基于获取到的心电信号以及血氧容积波信号，并通过训练后的第二血压计算模型，确定目标对象在预设测量时间内各拍舒张压对应误差值以及目标对象在预设测量时间内各拍收缩压对应的误差值之前，还用于实现下述步骤：
通过训练线性神经网络，得到训练后的第二血压计算模型。
在另一个实施例中，该程序在被处理器执行时，在通过训练线性神经网络，得到训练后的第二血压计算模型的过程中，具体实现下述步骤：
将预设采样时间内获取到的多个主成分因子矩阵以及各个主成分因子矩阵分别对应的血压误差信息作为训练样本，训练线性神经网络，得到训练后的第二血压计算模型；
其中，血压误差信息包括：舒张压误差信息以及收缩压误差信息，舒张压误差信息为在对Elman神经网络训练过程中输出的舒张压分别与同拍测量到的舒张压的参照值之间的差值；收缩压误差信息为在对Elman神经网络的训练过程中输出的收缩压分别与同拍测量到的收缩压的参照值之间的差值。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时执行如下操作：获取预设测量时间内目标对象的心电信号以及血氧容积波信号，然后基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定目标对象在预设测量时间内逐拍的血压值，即通过在预设测量时间内测量到的心电信号以及血氧容积波信号，能够在预设测量时间内获取到多个连续舒张压与对应的多个连续收缩压，例如在一分钟测量时间内获取到60个舒张压与对应的60个收缩压，而不是仅测量到一个舒张压以及一个收 缩压，从而可以提高测量血压的精确度。
本申请实施例的计算机可读存储介质的描述具体详见实施例一至实施例六任一实施例，其实现原理相类似，此处不再赘述。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (20)

  1. 一种电子设备，包括：
    处理器，所述处理器被配置成执行如下操作：
    获取预设测量时间内目标对象的心电信号以及血氧容积波信号；以及
    基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定所述目标对象在预设测量时间内逐拍的血压值。
  2. 根据权利要求1所述的电子设备，其中，所述血压值包括舒张压和收缩压，
    所述处理器被配置成在实现确定所述目标对象在预设测量时间内逐拍的血压值之后，还用于实现下述步骤：
    基于所述获取到的心电信号以及血氧容积波信号，并通过所述训练后的第二血压计算模型，确定所述目标对象在预设测量时间内各拍舒张压对应误差值以及所述目标对象在预设测量时间内各拍收缩压对应的误差值；以及
    基于所述目标对象在预设测量时间内各拍舒张压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍舒张压进行修正，确定所述目标对象在预设测量时间内修正后的逐拍舒张压，以及基于所述目标对象在预设测量时间内各拍收缩压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍收缩压进行修正，确定所述目标对象在预设测量时间内修正后的逐拍收缩压。
  3. 根据权利要求2所述的电子设备，其中，所述处理器被配置成在实现基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定所述目标对象在预设测量时间的任一拍的血压值之前，还用于实现下述步骤：
    对获取到的血氧容积波信号进行差分处理，得到多个血氧容积波信号的特征值；
    基于与所述心电信号在同一周期内的血氧容积波信号的一阶导数的最大值以及所述心电信号的R点所在时刻值，确定脉搏波的传输时间PTT； 以及
    对PTT以及多个血氧容积波信号的特征值进行主成分分析处理，提取满足预设条件的主成分因子，得到主成分因子矩阵。
  4. 根据权利要求3所述的电子设备，其中，所述处理器被配置成在实现基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定所述目标对象在预设测量时间内的任一拍的血压值的过程中，具体实现下述步骤：
    将所述主成分因子矩阵，输入至所述训练后的第一血压计算模型，确定出与所述主成分因子矩阵相应拍的舒张压以及收缩压；
    其中，所述处理器被配置成在实现基于所述获取到的心电信号以及血氧容积波信号，并通过所述训练后的第二血压计算模型，确定所述目标对象在预设测量时间内任一拍的舒张压对应误差值以及所述目标对象在预设测量时间内任一拍的收缩压对应的误差值的过程中，具体实现下述步骤：
    将所述主成分因子矩阵，输入至所述训练后的第二血压计算模型，确定出与所述主成分因子矩阵相应拍的舒张压误差值以及收缩压误差。
  5. 根据权利要求1所述的电子设备，其中，所述处理器被配置成在实现基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定所述目标对象在预设测量时间内逐拍的血压值之前，还用于实现下述步骤：
    通过训练Elman神经网络，得到训练后的第一血压计算模型。
  6. 根据权利要求5所述的电子设备，其中，所述处理器被配置成在实现通过训练Elman神经网络，得到训练后的第一血压计算模型的过程中，具体实现下述步骤：
    将预设采样时间内获取到的多个主成分因子矩阵，以及与预设采样时间内各个主成分因子矩阵同拍测量到的舒张压的参照值以及收缩压的参照值作为训练样本，对所述Elman神经网络进行训练，得到训练后所述第一血压计算模型，该主成分因子矩阵是基于心电信号以及血氧容积波信号通过差分处理及主成分分析得到的。
  7. 根据权利要求2所述的电子设备，其中，所述处理器被配置成在 实现基于所述获取到的心电信号以及血氧容积波信号，并通过所述训练后的第二血压计算模型，确定所述目标对象在预设测量时间内各拍舒张压对应误差值以及所述目标对象在预设测量时间内各拍收缩压对应的误差值之前，还用于实现下述步骤：
    通过训练线性神经网络，得到训练后的第二血压计算模型。
  8. 根据权利要求7所述的电子设备，其中，所述处理器被配置成在实现通过训练线性神经网络，得到训练后的第二血压计算模型的过程中，具体实现下述步骤：
    将所述预设采样时间内获取到的多个主成分因子矩阵以及各个主成分因子矩阵分别对应的血压误差信息作为训练样本，训练所述线性神经网络，得到训练后的第二血压计算模型；
    其中，所述血压误差信息包括：舒张压误差信息以及收缩压误差信息，所述舒张压误差信息为在对Elman神经网络训练过程中输出的舒张压分别与同拍测量到的舒张压的参照值之间的差值；所述收缩压误差信息为在对Elman神经网络的训练过程中输出的收缩压分别与同拍测量到的收缩压的参照值之间的差值。
  9. 一种血压测量方法，包括：
    获取预设测量时间内目标对象的心电信号以及血氧容积波信号的输入；以及
    基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定所述目标对象在预设测量时间内逐拍的血压值。
  10. 根据权利要求9所述的血压测量方法，还包括
    基于获取到的心电信号以及血氧容积波信号，并通过所述训练后的第二血压计算模型，确定所述目标对象在预设测量时间内各拍舒张压对应误差值以及所述目标对象在预设测量时间内各拍收缩压对应的误差值；
    基于确定的所述目标对象在预设测量时间内各拍舒张压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍舒张压进行修正；
    确定所述目标对象在预设测量时间内修正后的逐拍舒张压；
    基于确定的所述目标对象在预设测量时间内各拍收缩压对应误差值， 分别对通过训练后的第一血压计算模型确定出的对应拍舒张压进行修正；
    确定所述目标对象在预设测量时间内修正后的逐拍收缩压。
  11. 根据权利要求10所述的血压测量方法，还包括：
    对获取到的血氧容积波信号进行差分处理，得到多个血氧容积波信号的特征值；
    基于与所述心电信号在同一周期内的血氧容积波信号的一阶导数的最大值以及所述心电信号的R点所在时刻值，确定脉搏波的传输时间PTT；
    对PTT以及多个血氧容积波信号的特征值进行主成分分析处理；以及
    提取满足预设条件的主成分因子，得到主成分因子矩阵。
  12. 根据权利要求11所述的血压测量方法，还包括：
    将提取到的所述主成分因子矩阵，输入至所述训练后的第一血压计算模型，确定出与所述主成分因子矩阵相应拍的舒张压以及收缩压；以及
    将提取到的所述主成分因子矩阵，输入至所述训练后的第二血压计算模型，确定出与所述主成分因子矩阵相应拍的舒张压误差值以及收缩压误差。
  13. 根据权利要求9所述的血压测量方法，还包括：
    通过训练Elman神经网络，得到训练后的第一血压计算模型。
  14. 根据权利要求13所述的血压测量方法，其中，通过训练Elman神经网络，得到训练后的第一血压计算模型包括：
    将预设采样时间内获取到的多个主成分因子矩阵，以及与预设采样时间内各个主成分因子矩阵同拍测量到的舒张压的参照值以及收缩压的参照值作为训练样本，对所述Elman神经网络进行训练，得到训练后所述第一血压计算模型，该主成分因子矩阵是基于心电信号以及血氧容积波信号通过差分处理及主成分分析得到的。
  15. 根据权利要求10所述的血压测量方法，还包括：
    通过训练线性神经网络，得到训练后的第二血压计算模型。
  16. 根据权利要求15所述的血压测量方法，其中，通过训练线性神经网络，得到训练后的第二血压计算模型包括：
    将所述预设采样时间内获取到的多个主成分因子矩阵以及各个主成分因子矩阵分别对应的血压误差信息作为训练样本，训练所述线性神经网络，得到训练后的第二血压计算模型；
    其中，所述血压误差信息包括：舒张压误差信息以及收缩压误差信息，所述舒张压误差信息为在对Elman神经网络训练过程中输出的舒张压分别与同拍测量到的舒张压的参照值之间的差值；所述收缩压误差信息为在对Elman神经网络的训练过程中输出的收缩压分别与同拍测量到的收缩压的参照值之间的差值。
  17. 一种血压测量装置，包括：
    获取模块，用于获取预设测量时间内目标对象的心电信号以及血氧容积波信号的输入；以及
    确定模块，用于基于所述获取模块获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定所述目标对象在预设测量时间内逐拍的血压值。
  18. 根据权利要求17所述的血压测量装置，其中，所述确定模块还用于基于所述获取模块获取到的心电信号以及血氧容积波信号，并通过所述训练后的第二血压计算模型，确定所述目标对象在预设测量时间内各拍舒张压对应误差值以及所述目标对象在预设测量时间内各拍收缩压对应的误差值；
    所述血压测量装置还包括：修正模块，用于基于所述确定模块确定的所述目标对象在预设测量时间内各拍舒张压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍舒张压进行修正；
    所述确定模块还用于确定所述目标对象在预设测量时间内修正后的逐拍舒张压；
    所述修正模块还用于基于所述确定模块确定的所述目标对象在预设测量时间内各拍收缩压对应误差值，分别对通过训练后的第一血压计算模型确定出的对应拍舒张压进行修正；
    所述确定模块还用于确定所述目标对象在预设测量时间内修正后的逐拍收缩压。
  19. 根据权利要求18所述的血压测量装置，还包括：差分处理模块、主成分分析处理模块、提取模块，
    其中，所述差分处理模块用于对获取到的血氧容积波信号进行差分处理，得到多个血氧容积波信号的特征值；
    所述确定模块还用于基于与所述心电信号在同一周期内的血氧容积波信号的一阶导数的最大值以及所述心电信号的R点所在时刻值，确定脉搏波的传输时间PTT；
    所述主成分分析处理模块用于对PTT以及多个血氧容积波信号的特征值进行主成分分析处理；以及
    所述提取模块用于提取满足预设条件的主成分因子，得到主成分因子矩阵。
  20. 一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现下述步骤：
    获取预设测量时间内目标对象的心电信号以及血氧容积波信号；以及
    基于获取到的心电信号以及血氧容积波信号，并通过训练后的第一血压计算模型，确定所述目标对象在预设测量时间内逐拍的血压值。
PCT/CN2019/074215 2018-07-03 2019-01-31 血压测量装置、血压测量方法、电子设备以及计算机可读存储介质 WO2020007041A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/489,696 US11298029B2 (en) 2018-07-03 2019-01-31 Blood pressure measuring apparatus, blood pressure measuring method, electronic device, and computer readable storage medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810716583.6 2018-07-03
CN201810716583.6A CN109044302A (zh) 2018-07-03 2018-07-03 测量血压的装置、电子设备以及计算机可读存储介质

Publications (1)

Publication Number Publication Date
WO2020007041A1 true WO2020007041A1 (zh) 2020-01-09

Family

ID=64818954

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/074215 WO2020007041A1 (zh) 2018-07-03 2019-01-31 血压测量装置、血压测量方法、电子设备以及计算机可读存储介质

Country Status (3)

Country Link
US (1) US11298029B2 (zh)
CN (1) CN109044302A (zh)
WO (1) WO2020007041A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112914527A (zh) * 2021-02-08 2021-06-08 合肥工业大学 一种基于脉搏波光电容积描记术的动脉血压信号采集方法
CN113456043A (zh) * 2021-07-08 2021-10-01 军事科学院系统工程研究院卫勤保障技术研究所 一种连续血压检测方法及装置
CN113633290A (zh) * 2021-08-18 2021-11-12 北京航空航天大学 血流灌注监测的方法、装置、电子设备和可读存储介质

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109044302A (zh) 2018-07-03 2018-12-21 京东方科技集团股份有限公司 测量血压的装置、电子设备以及计算机可读存储介质
CN110251105B (zh) * 2019-06-12 2022-06-21 广州视源电子科技股份有限公司 一种无创血压测量方法、装置、设备及系统
JP7088153B2 (ja) * 2019-09-19 2022-06-21 カシオ計算機株式会社 Ｃａｐ（周期性脳波活動）検出装置、ｃａｐ（周期性脳波活動）検出方法及びプログラム
CN110731764A (zh) * 2019-10-28 2020-01-31 重庆大学 一种脉搏检测系统
CN110742621B (zh) * 2019-10-31 2022-09-13 京东方科技集团股份有限公司 一种信号处理方法及计算机设备
JP2022516820A (ja) * 2019-12-11 2022-03-03 ホアウェイ・テクノロジーズ・カンパニー・リミテッド 血圧推定方法
CN114431847A (zh) * 2020-11-06 2022-05-06 爱奥乐医疗器械(深圳)有限公司 一种动脉硬化检测方法、装置、系统及计算机程序
CN112971748B (zh) * 2021-01-20 2022-03-18 心永(北京)科技有限公司 一种实时血压估算方法、装置、电子设备及存储介质
CN112932429B (zh) * 2021-02-02 2022-08-26 成都泰盟软件有限公司 一种连续血压测量的自动实时校准方法
CN113057611B (zh) * 2021-03-19 2024-01-12 北京京东拓先科技有限公司 用于输出信息的方法、装置、设备以及存储介质
CN114617536A (zh) * 2022-01-14 2022-06-14 深圳技术大学 一种血压预测方法、装置和计算机可读存储介质
CN114652351B (zh) * 2022-05-24 2022-10-14 苏州圣泽医疗科技有限公司 基于超声多普勒的连续血压测量方法、装置和电子设备
CN116172609B (zh) * 2023-04-19 2023-07-04 苏州圣泽医疗科技有限公司 血压测量装置、系统、存储介质和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110009755A1 (en) * 2009-07-08 2011-01-13 Brian Jeffrey Wenzel Arterial blood pressure monitoring devices, systems and methods for use while pacing
CN105125205A (zh) * 2015-09-01 2015-12-09 中国科学院电子学研究所 一种血压测量方法
CN106539572A (zh) * 2016-11-02 2017-03-29 中国科学院电子学研究所 一种多参数融合的连续性血压测量方法
CN106889979A (zh) * 2016-12-30 2017-06-27 中国科学院电子学研究所 一种基于心电信号和血氧容积波的连续性血压测量方法
CN109044302A (zh) * 2018-07-03 2018-12-21 京东方科技集团股份有限公司 测量血压的装置、电子设备以及计算机可读存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE0001274L (sv) * 2000-04-06 2001-10-07 Anders Johansson Förfarande för mätning av inandning och/eller utandning
GB0624081D0 (en) * 2006-12-01 2007-01-10 Oxford Biosignals Ltd Biomedical signal analysis method
WO2008154647A1 (en) * 2007-06-12 2008-12-18 Triage Wireless, Inc. Vital sign monitor for cufflessly measuring blood pressure corrected for vascular index
US20100081946A1 (en) * 2008-09-26 2010-04-01 Qualcomm Incorporated Method and apparatus for non-invasive cuff-less blood pressure estimation using pulse arrival time and heart rate with adaptive calibration
CN102334985A (zh) * 2010-07-16 2012-02-01 香港理工大学 利用多层前馈网络的心音分析法检测肺动脉血压的方法
CN102429649B (zh) * 2011-12-14 2014-02-19 中国航天员科研训练中心 连续血压测量装置
CN204515353U (zh) * 2015-03-31 2015-07-29 深圳市长桑技术有限公司 一种智能手表
KR102486700B1 (ko) * 2015-08-11 2023-01-11 삼성전자주식회사 혈압 추정 방법 및 장치
CN105962906B (zh) * 2016-06-14 2019-05-24 广州视源电子科技股份有限公司 一种体温测量方法及装置
CN105877723B (zh) * 2016-06-22 2019-11-12 中国科学院苏州生物医学工程技术研究所 无创连续血压测量装置
CN106821356B (zh) * 2017-02-23 2019-08-27 吉林大学 基于Elman神经网络的云端连续血压测量方法及系统
US11504034B2 (en) * 2017-07-27 2022-11-22 Vita-Course Digital Technologies (Tsingtao) Co., Ltd. Systems and methods for determining blood pressure of a subject

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110009755A1 (en) * 2009-07-08 2011-01-13 Brian Jeffrey Wenzel Arterial blood pressure monitoring devices, systems and methods for use while pacing
CN105125205A (zh) * 2015-09-01 2015-12-09 中国科学院电子学研究所 一种血压测量方法
CN106539572A (zh) * 2016-11-02 2017-03-29 中国科学院电子学研究所 一种多参数融合的连续性血压测量方法
CN106889979A (zh) * 2016-12-30 2017-06-27 中国科学院电子学研究所 一种基于心电信号和血氧容积波的连续性血压测量方法
CN109044302A (zh) * 2018-07-03 2018-12-21 京东方科技集团股份有限公司 测量血压的装置、电子设备以及计算机可读存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112914527A (zh) * 2021-02-08 2021-06-08 合肥工业大学 一种基于脉搏波光电容积描记术的动脉血压信号采集方法
CN112914527B (zh) * 2021-02-08 2023-06-30 合肥工业大学 一种基于脉搏波光电容积描记术的动脉血压信号采集方法
CN113456043A (zh) * 2021-07-08 2021-10-01 军事科学院系统工程研究院卫勤保障技术研究所 一种连续血压检测方法及装置
CN113456043B (zh) * 2021-07-08 2023-05-26 军事科学院系统工程研究院卫勤保障技术研究所 一种连续血压检测方法及装置
CN113633290A (zh) * 2021-08-18 2021-11-12 北京航空航天大学 血流灌注监测的方法、装置、电子设备和可读存储介质
CN113633290B (zh) * 2021-08-18 2022-04-01 北京航空航天大学 血流灌注监测的方法、装置、电子设备和可读存储介质

Also Published As

Publication number Publication date
US20210330203A1 (en) 2021-10-28
US11298029B2 (en) 2022-04-12
CN109044302A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
WO2020007041A1 (zh) 血压测量装置、血压测量方法、电子设备以及计算机可读存储介质
CN106413534B (zh) 连续血压测量装置、测量模型建立方法和系统
Ghosh et al. Continuous blood pressure prediction from pulse transit time using ECG and PPG signals
WO2019161609A1 (zh) 多参数监护数据分析方法和多参数监护仪
KR101210828B1 (ko) 다중 생체 신호 측정을 이용하여 손목혈압의 정확도를 향상시키는 방법 및 장치
WO2019161608A1 (zh) 多参数监护数据分析方法和多参数监护系统
US8591428B2 (en) Method and apparatus for measuring blood volume
CN106889979B (zh) 一种基于心电信号和血氧容积波的连续性血压测量系统
US8551005B2 (en) Monitoring respiratory variation of pulse pressure
JP2020028726A (ja) 圧平圧力測定法により生体対象の心拍出量を計算する装置および方法
WO2012021765A2 (en) Methods and apparatus for determining arterial pulse wave velocity
CN114145724A (zh) 基于ecg和ppg多生理特征参数动态监测血压的方法
US11617545B2 (en) Methods and systems for adaptable presentation of sensor data
WO2018095083A1 (zh) 脉搏波传播时间的校正方法
Myint et al. Blood pressure measurement from photo-plethysmography to pulse transit time
Shao et al. An optimization study of estimating blood pressure models based on pulse arrival time for continuous monitoring
CN112155514A (zh) 一种基于检测脉搏生物电信息的非接触眼压测量方法
CN113040738B (zh) 血压检测装置
CN113470805A (zh) 建立血压模型的方法
JP2019513062A (ja) 被検者の収縮期血圧および／または拡張期血圧を導出する方法
Shao et al. A unified calibration paradigm for a better cuffless blood pressure estimation with modes of elastic tube and vascular elasticity
TWI615127B (zh) 計算血壓的方法及其裝置
WO2024031845A2 (zh) 一种基于多点校准的无袖带动态血压测量方法
US20230371827A1 (en) Machine learning techniques for estimating carotid-femoral pulse wave velocity and/or vascular age from single-site arterial waveform measurements
US20230320667A1 (en) Contactless physiological measurement device and method

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19829830

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19829830

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 24.02.2021)

122 Ep: pct application non-entry in european phase

Ref document number: 19829830

Country of ref document: EP

Kind code of ref document: A1