用于血压测量的自校准系统的制作方法

本发明涉及血压检测技术领域，具体地说，涉及一种用于血压测量的自校准系统。

背景技术：

血压(Blood Pressure，BP)作为人体的重要生理健康指标，其能够为如心血管疾病等的诊断与治疗提供重要的参数依据。

现有的血压测量可以分为有创血压测量和无创血压测量两大类，其中：有创血压测量需要将压力传感器的导管插入测量对象的大动脉或者心脏以检测血压信号，测量结果精准，但准备时间长、对受测者要求高且易引起并发症；无创血压测量一般通过接触人体表层获取特征信号进行分析处理得到血压，不会对受测者带来创伤，因此无创测量法更适合常规血压测量的需求。

血压的自动连续测量在医学上有重大的实际意义，如在临床医学上对危重病人和手术中的重症患者都需要进行血压的连续监控，从而使得一旦病人出现意外医护人员能够及时采取有效的救护措施。现有的如柯氏听音法、示波法、动脉张力法、容积补偿法等无创血压测量方法由于受到血管弹性恢复等因素的限制，均都不能进行血压连续监控。

目前普遍是基于容积脉搏波对测量对象的血压进行无创连续监测，该种方法主要是通过建立容积脉搏波传导时间与血压相关性的模型而实现。然而，这种血压测量模型具有一定的局限性，只能应用在与建模环境一致的条件下。因为只有在与建模环境相似的情况下，血压测量模型中表征与血管粘滞性、弹性等特性相关的系数才不会发生变化。但在实际应用中，受测者的行为模式和行为强度不断改变，测量环境与建模环境存在差异性，血管粘滞性和弹性等血管特性参数发生变异，导致血压测量模型不在具有有效性，需要不断校正模型系数才能进行后续血压有效测量，无法满足血压连续测量的健康管理与监测的需求。

技术实现要素：

本发明提供了一种用于血压测量的自校准系统，其能够克服现有技术的某种或某些缺陷。

根据本发明的用于血压测量的自校准系统，其包括血压采集单元、人体姿态采集单元和控制单元，血压采集单元用于采集人体血压检测信号，人体姿态采集单元用于采集人体运动信号，控制单元处设有血压检测模型、人体姿态识别模型和记载了人体不同行为模式下血压检测模型系数的特征值表；控制单元用于根据人体运动信号通过人体姿态识别模型识别出当前人体的行为模式，并根据特征值表将相应的系数带入血压检测模型，进而根据人体血压检测信号通过血压检测模型获取人体血压检测值。

本发明中，能够在对人体进行血压检测时对人体此时的行为模式进行同步检测，从而使得能够根据人体的不同行为模式而将不同的系数带入血压检测模型中，从而能够有效地降低测量环境与建模环境之间的差异性，实现了对血压测量中的自动校准，进而能够较佳地实现对血压的连续测量。

作为优选，血压采集单元包括用于采集人体容积脉搏波的光电传感器。参照公告号为CN107157461A的中国发明专利，本发明中对血压值的连续测量能够仅需要采集单点光电容积脉搏波信号，即可较佳地获取收缩压SBP和舒张压，从而大大降低了信号获取难度、较佳地提升了测量舒适度，而且预测模型结果精度较高，从而很好地实现了连续血压监测。

作为优选，人体姿态采集单元包括三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器，三轴加速度传感器用于采集人体运动过程中产生的加速度数据，三轴地磁传感器用于采集人体运动过程中产生的磁场数据，三轴陀螺仪传感器用于采集人体运动过程中产生的角速度数据。从而能够较佳地对人体的当前行为模式进行识别。

作为优选，控制单元处连接一输出单元，输出单元用于对当前检测的血压值进行输出。从而能够便于数据输出。

作为优选，控制单元与一云端服务器进行连接，人体姿态识别模型和特征值表均存储于云端服务器处。从而能够较佳地便于数据的存储与处理。

基于上述的任一种用于血压测量的自校准系统，本发明还提供了一种用于血压测量的自校准方法，其包括以下步骤：

步骤一，通过一血压采集单元采集人体血压检测信号，并根据血压实测值，建立人体血压检测信号与血压值间的血压检测模型；

步骤二，通过一人体姿态采集单元采集人体运动信号，并根据人体实际行为模式，建立人体运动信号与人体行为模式间的人体姿态识别模型；

步骤三，采集人体处于不同行为模式时的血压检测模型的对应系数值，从而建立特征值表；

步骤四，在血压检测模型、人体姿态识别模型和特征值表建立完成后，在对人体血压进行检测时，同时通过血压采集单元采集人体血压检测信号以及通过人体姿态采集单元采集人体运动信号，之后通过一控制单元根据人体运动信号识别人体当前行为模式，进而通过特征值表将相对应的系数更新至血压检测模型中，之后根据人体血压检测信号和更新系数后的血压检测模型获取人体血压测量值。

通过本发明的方法能够在对人体进行血压检测时的行为模式进行同步检测，从而使得能够根据人体的不同行为模式而将不同的系数带入血压检测模型中，从而能够有效地降低测量环境与建模环境之间的差异性，实现了对血压测量中的自动校准，进而能够较佳地实现对血压的连续测量。

作为优选，血压采集单元通过光电传感器采集人体容积脉搏波作为人体血压检测信号。从而能够很好地实现连续血压监测。

作为优选，人体姿态采集单元通过三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器，分别采集人体运动过程中产生的加速度数据、人体运动过程中产生的磁场数据和人体运动过程中产生的角速度数据作为人体运动信号。

作为优选，控制单元通过一输出单元对当前检测的血压值进行输出。从而能够便于数据输出。

作为优选，控制单元与一云端服务器进行数据交互，并将人体姿态识别模型和特征值表均存储于云端服务器处。从而能够较佳地便于数据的存储与处理。

附图说明

图1为实施例1中的用于血压测量的自校准系统的系统框图示意图；

图2为实施例1中的人体姿态识别模型的建立及识别系统的系统框图示意图；

图3为实施例1中的姿态解算单元的系统框图示意图；

图4为实施例1中的一种用于血压测量的自校准方法的流程示意图；

图5为实施例1中的人体姿态识别模型的建立及识别方法流程示意图。

具体实施方式

为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。

实施例1

如图1所示，本实施例提供了一种用于血压测量的自校准系统，其包括血压采集单元、人体姿态采集单元和控制单元，血压采集单元用于采集人体血压检测信号，人体姿态采集单元用于采集人体运动信号，控制单元处设有血压检测模型、人体姿态识别模型和记载了人体不同行为模式下血压检测模型系数的特征值表；控制单元用于根据人体运动信号通过人体姿态识别模型识别出当前人体的行为模式，并根据特征值表将相应的系数带入血压检测模型，进而根据人体血压检测信号通过血压检测模型获取人体血压检测值。

本实施例中，能够在对人体进行血压检测时对人体此时的行为模式进行同步检测，从而使得能够根据人体的不同行为模式而将不同的系数带入血压检测模型中，从而能够有效地降低测量环境与建模环境之间的差异性，实现了对血压测量中的自动校准，进而能够较佳地实现对血压的连续测量。

本实施例中，血压采集单元包括用于采集人体容积脉搏波的光电传感器。

参照公告号为CN107157461A的中国发明专利，本实施例中对血压值的连续测量能够仅需要采集单点光电容积脉搏波信号，即可较佳地获取收缩压SBP 和舒张压，从而大大降低了信号获取难度、较佳地提升了测量舒适度，而且预测模型结果精度较高，从而很好地实现了连续血压监测。

本实施例中，人体姿态采集单元包括三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器，三轴加速度传感器用于采集人体运动过程中产生的加速度数据，三轴地磁传感器用于采集人体运动过程中产生的磁场数据，三轴陀螺仪传感器用于采集人体运动过程中产生的角速度数据。

本实施例中，人体姿态采集单元能够用于感应人体的肢体动作，如挥手、弹跳、行走、跳跃等，通过对人体不同肢体的规律动作可以较佳地识别出使用者当前正在进行的动作。

结合图2，本实施例中的三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器均采用MEMS传感器，从而能够较佳地对人体运动进行实时捕捉记录。且由于三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器能够同时集成于一人体穿戴设备处，通过将人体穿戴设备设于使用者的不同位置，即可较佳地实现对人体相应部位处的运动姿态检测，通过穿戴多个人体穿戴设备即可较佳地实现对人体行为模式的检测。

其中，人体穿戴设备处还能够设有一用于对人体姿态采集单元进行数据处理的数据处理模块，当然数据处理模块也能够设于控制单元处。

本实施例中，数据处理模块包括数据预处理单元、状态转移图建立单元、姿态解算单元、第一加权计算单元、融合分类单元和第二加权计算单元；数据预处理单元用于对三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器所采集的信号进行预处理，并提取出多个特征点；状态转移图建立单元用于根据所述多个特征点建立或匹配状态转移图模型；姿态解算单元用于对经数据预处理单元处理后的数据进行姿态解算，以获取人体三维姿态信息；第一加权计算单元用于对所述多个特征点中的一个或多个与人体三维姿态信息进行加权计算，融合分类单元用于根据加权计算结果建立或匹配人体姿态预分类模型；第二加权计算单元用于对状态转移图模型和人体姿态预分类模型的匹配结果进行加权计算，从而建立或匹配人体姿态识别模型。

本实施例中，利用人体姿态采集单元能够采集人体运动信息，从而能够获取相关数据的波形，之后能够利用现有的滑动窗口方法自信号波形中提取多个频域、时域、时频特征点，同时能够利用姿态解算模块获取人体三维姿态信息即人体运动三维空间姿态角；之后能够提取部分特征点的特征值与三维空间姿态角进行加权运算并通过融合分类算法进行训练并与人体实际运动姿态进行匹配，即可较佳地获取人体姿态预分类模型，从而能够建立初步的过渡态模型和稳态模型；于此同时，根据所提取的特征点的特征向量变化关系，能够建立状态转移图模型。之后，通过设置人体姿态预分类模型和状态转移图模型的权重比，即可较佳地获取人体姿态识别模型。

本实施例中，第一加权计算单元和第二加权计算单元所采用的权重比均是根据模型预测值与实测值经过一定对比分析，数学处理后获得。

在上述的模型建立完成后，人体姿态采集单元所采集的数据能够与所建立的模型进行匹配，从而能够较佳地获取人体运动姿态。从而能够实现人体运动的自动连续识别，且能够根据识别结果反演出人体行为模式。

本实施例中，融合分类单元处所运用的融合分类算法是结合KNN(k-Nearest Neighbor)算法和SVM(Support Vector Machine)算法。KNN算法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别，而SVM是通过一个非线性映射 p，把样本空间映射到一个高维乃至无穷维的特征空间中，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。通过将两者进行结合，能够有效地对人体的稳态和过渡态动作进行识别，且同时可以保持特征向量的多样性，从而使得每次迭代都会保留样本间的特征量并更新判断标准，经过多次迭代后将产生匹配度最优的特征向量，且融合算法的稳定性较强。

本实施例中，稳态模型的建立是先提取各个稳定运动状态下的上述特征向量(包括所提取的多个特征值和解算出的人体三维姿态信息)，利用融合分类算法对特征向量进行训练拟合，修正每种稳定运动状态分别匹配的特征向量，最终获取所述测量对象的特征向量与稳定运动状态的关系模型。

本实施例中，过渡态模型是通过建立上述特征向量(包括所提取的多个特征值和解算出的人体三维姿态信息)与过渡状态的非线性实时关系，通过大样本迭代求解关系模型中的延迟参数与未知系数。

本实施例中，稳定运动状态指在相对一段时间内重复、持续、相同的活动，如静止，连续跑步等；非稳定运动状态指存在状态迁移和转换，如跑动到静止站立，躺卧到坐起等。

本实施例中，通过建立状态转移图能够较佳地表示出人体在运动过程中当前状态与前后状态之间的过渡关系。

本实施例中，通过姿态解算单元能够较佳地处理得到人体当前的三维姿态信息即三维空间姿态角，通过数据预处理单元能够较佳地提取出三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器所采集信号中的多个频域，时域，时频特征点，通过对所述多个特征点中的一个或多个与三维姿态信息进行加权处理，能够较佳地提升识别结果的精确性。

本实施例中，三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器能够实时地对人体的运动状态进行检测，并能够生成加速度变化波形、磁力变化波形和陀螺仪波形，数据预处理单元能够对加速度变化波形、磁力变化波形和陀螺仪波形进行预处理并提取出相关特征点，进而便于数据的后续处理。

结合图3，本实施例中的姿态解算单元包括互补滤波单元和四元数算法单元，互补滤波单元包括用于对三轴加速度传感器所采集的数据进行中值滤波处理的中值滤波单元，用于对三轴地磁传感器所采集的数据进行校准的自校准单元，用于对三轴陀螺仪所采集的数据进行均值滤波处理的均值滤波单元，用于对中值滤波单元和自校准单元所处理的数据进行归一化处理的归一化处理单元，以及用于对归一化处理单元和均值滤波单元所处理的数据进行数据融合处理以获取四元数的数据融合单元；四元数算法单元用于对互补滤波单元所获取的四元数进行处理，以获取人体三维姿态信息。

本实施例中，三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器在进行标定后，三轴加速度传感器能够采用中值滤波单元进行中值滤波从而能够有效地滤除三轴加速度传感器所采集信号中的脉冲误差，之后通过与自校准后的三轴地磁传感器所采集的信号进行归一化处理，并与经均值滤波处理后的三轴陀螺仪信号进行数据融合，能够有效地提升所采集信号的动态性能和静态精度，从而较佳地保证了所采集数据的实时性和精度。

本实施例中，对三轴加速度传感器所采集信号波形的特征点提取能够包括如加速度均值、方差、过零率，均方差等，对三轴地磁传感器所采集信号波形的特征点提取能够包括如角度偏度，峰度等，对三轴陀螺仪传感器所采集信号波形的特征点提取能够包括如傅里叶变换后的加速度直流分量，功率谱密度，角速度幅度、频率、直流分量等。

本实施例中，控制单元处连接一输出单元，输出单元用于对当前检测的血压值进行输出。从而能够便于数据输出。

本实施例中，控制单元与一云端服务器进行连接，人体姿态识别模型和特征值表均存储于云端服务器处。从而能够较佳地便于数据的存储与处理。

如图4所示，基于本实施例的一种用于血压测量的自校准系统，本实施例还提供了一种用于血压测量的自校准方法，其包括以下步骤：

步骤一，通过一血压采集单元采集人体血压检测信号，并根据血压实测值，建立人体血压检测信号与血压值间的血压检测模型；

步骤二，通过一人体姿态采集单元采集人体运动信号，并根据人体实际行为模式，建立人体运动信号与人体行为模式间的人体姿态识别模型；

步骤三，采集人体处于不同行为模式时的血压检测模型的对应系数值，从而建立特征值表；

步骤四，在血压检测模型、人体姿态识别模型和特征值表建立完成后，在对人体血压进行检测时，同时通过血压采集单元采集人体血压检测信号以及通过人体姿态采集单元采集人体运动信号，之后通过一控制单元根据人体运动信号识别人体当前行为模式，进而通过特征值表将相对应的系数更新至血压检测模型中，之后根据人体血压检测信号和更新系数后的血压检测模型获取人体血压测量值。

通过本实施例的方法能够在对人体进行血压检测时的行为模式进行同步检测，从而使得能够根据人体的不同行为模式而将不同的系数带入血压检测模型中，从而能够有效地降低测量环境与建模环境之间的差异性，实现了对血压测量中的自动校准，进而能够较佳地实现对血压的连续测量。

本实施例中，血压采集单元通过光电传感器采集人体容积脉搏波作为人体血压检测信号。此处引入公告号为CN107157461A的中国发明专利中的全部内容，本实施例中，采用了与该专利申请相同的方法实现对血压的连续检测。从而大大降低了信号获取难度、较佳地提升了测量舒适度，而且预测模型结果精度较高，能够很好地实现了连续血压监测。

本实施例中，人体姿态采集单元通过三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器，分别采集人体运动过程中产生的加速度数据、人体运动过程中产生的磁场数据和人体运动过程中产生的角速度数据作为人体运动信号。

结合图5所示，为本实施例中的人体姿态识别模型的建立及识别方法流程示意图。

本实施例中，对人体姿态进行识别的方法包括以下步骤：

步骤一，通过人体姿态采集单元采集人体运动信息；

步骤二，通过数据处理模块对人体姿态采集单元所采集的数据进行处理，并将处理后的结果与人体姿态识别模型进行匹配，从而获取人体运动姿态预测结果；

该步骤中，首先建立人体姿态识别模型，在人体姿态识别模型建立后即可根据人体姿态采集单元所采集的信息与人体姿态识别模型进行匹配以获取人体当前行为模式；

在人体姿态识别模型的建立和对人体运动信息进行匹配时，通过一数据预处理单元对人体姿态采集单元所采集的信号进行预处理，并提取出多个特征点；通过一状态转移图建立单元根据所述多个特征点建立或匹配状态转移图模型；通过一姿态解算单元对经数据预处理单元处理后的数据进行姿态解算，以获取人体三维姿态信息；通过一第一加权计算单元对所述多个特征点中的一个或多个与人体三维姿态信息进行加权计算，通过一融合分类单元根据加权计算结果建立或匹配人体姿态预分类模型；通过一第二加权计算单元对状态转移图模型和人体姿态预分类模型的匹配结果进行加权计算，进而建立或匹配人体姿态识别模型。

本实施例中，步骤一中，采用三轴加速度传感器采集人体运动过程中产生的加速度数据，采用三轴地磁传感器采集人体运动过程中产生的磁场数据，采用三轴陀螺仪传感器采集人体运动过程中产生的角速度数据和角度数据。

本实施例中，步骤二中，采用一数据预处理单元对三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器所采集的信号进行预处理，并提取出多个特征点发送给一控制单元；采用一姿态解算单元对经数据预处理单元处理后的数据进行姿态解算，以获取人体三维姿态信息并发送给控制单元；通过控制单元对所述多个特征点中的一个或多个与三维姿态信息进行加权处理并与人体姿态识别模型进行匹配以获取人体行为模式预测结果。

本实施例中，姿态解算单元对经数据预处理单元处理后的数据进行姿态解算时，采用一互补滤波单元对三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器的数据进行处理并获取四元数，采用一四元数算法单元对互补滤波单元所获取的四元数进行处理，以获取人体三维姿态信息。

本实施例中，采用互补滤波单元对相关数据进行处理时，采用一中值滤波单元对三轴加速度传感器所采集的数据进行中值滤波处理，采用一自校准单元对三轴地磁传感器所采集的数据进行校准，采用一均值滤波单元对三轴陀螺仪所采集的数据进行均值滤波处理，采用一归一化处理单元对中值滤波单元和自校准单元所处理的数据进行归一化处理的，采用一数据融合单元对归一化处理单元和均值滤波单元所处理的数据进行数据融合处理以获取四元数。

通过本实施例中的人体运动姿态识别方法，使得在人体运动时，三轴加速度传感器能够采集人体运动的加速度数据，三轴地磁传感器能够采集人体运动过程中的磁场数据，三轴陀螺仪传感器能够采集人体运动的角速度及角度数据；之后，能够对三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器所采集信号的波形进行预处理并提取出多个频域、时域、时频特征点；之后，能够对三轴加速度传感器采集的数据进行中值滤波处理，对三轴地磁传感器采集的数据进行自校准，对三轴陀螺仪传感器所采集的数据进行中值滤波；之后，能够将处理后的三轴加速度传感器和三轴地磁传感器所采集的数据进行归一化处理，并与处理后的三轴陀螺仪传感器所采集数据进行数据融合，从而能够获取四元数；之后，能够采用四元数算法对所获取的四元数进行四元数计算，从而能够获取人体三维姿态信息，即人体运动的三维空间姿态角；之后，能够将所获取的三维空间姿态角与所采特征点中的一个或多个的特征值进行加权处理，并与所建立的人体姿态识别模型进行匹配，从而能够较佳地对人体当前的运动姿态进行识别。

本实施例中，人体姿态识别模型是根据人体运动时所采集的相关参数与人体实际运动姿态而建立的。通过，将采集并处理后的数据与人体姿态识别模型进行匹配即可较佳的对人体的当前运动姿态进行识别。

本实施例中，能够通过三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器实现对人体运动数据的采集，之后通过数据预处理单元能够对所采集的数据进行预处理并提取出特征量，之后经数据预处理单元处理后的数据能够通过姿态解算单元进行姿态解算。其中，在建立模型时，能够根据所提取特征量中的一个或多个与姿态解算的结果进行加权处理后与人体实际姿态建立人体姿态预分类模型，能够根据所提取特征量的变化与人体实际姿态变化建立状态转移图模型，并能够根据状态转移图模型与人体姿态预分类模型的设定权重值，建立出人体姿态识别模型。其中，在识别姿态时，能够根据所提取特征量中的一个或多个与姿态解算的结果进行加权处理后与人体姿态预分类模型进行匹配，能够根据所提取特征量与状态转移图模型进行匹配，并能够根据状态转移图模型的匹配结果与人体姿态预分类模型的匹配结果进行权重计算，进而通过匹配人体姿态识别模型而获取人体当前姿态。

通过本实施例的方法，能够实现对人体稳态与过渡态的运动识别。

本实施例中，控制单元通过一输出单元对当前检测的血压值进行输出。从而能够便于数据输出。

本实施例中，控制单元与一云端服务器进行数据交互，并将人体姿态识别模型和特征值表均存储于云端服务器处。从而能够较佳地便于数据的存储与处理。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。