血压估计方法及装置与流程

本发明涉及医疗技术领域，具体而言，涉及一种血压估计方法及装置。

背景技术：

血压作为人体重要的生理参数，能反映人体的生理健康状况，也是心脏和血管功能健康状况评估的重要依据。因此，及时关注血压的变化，关系着人们的身体健康。

在现有技术中能够，测量血压的方法众多。其中，较方便的一种方法是：采集脉搏波与血压值来训练模型，通过训练后的模型来估计血压值。

虽然，现有技术中的建模方法能够方便和快捷的估测人体血压，但其准确度有待提高。

技术实现要素：

本发明的目的在于，针对上述现有技术中的不足，提供一种血压估计方法及装置，以解决血压估计准确率低的问题。

为实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种血压估计方法，包括：获取输入参数，所述输入参数包含编码信号、特征参数和多尺度熵；

其中，所述编码信号为第一信号数据通过自编码器编码后的信号；所述第一信号数据包括：第一心电信号和第一脉搏波信号；所述第一心电信号为用户的心电信号，所述第一脉搏波信号为所述用户的脉搏波信号；所述特征参数为所述第一信号数据的生理信号指标；所述多尺度熵表征所述第一信号数据的复杂程度；

将所述输入参数输入血压估计模型，获得估计血压；所述估计血压分别与所述编码信号、所述特征参数以及所述多尺度熵具有对应关系。

可选地，所述获取输入参数，包括：

获取所述第一信号数据；

将所述第一信号数据进行分段，获得多个子信号；

将任意一个所述子信号作为所述自编码器的编码输入参数，获得所述编码信号；

将所述编码信号作为所述自编码器的解码输入参数，获得第一输出信号数据；

根据所述第一输出信号数据，获取所述特征参数；其中所述特征参数为所述子信号的生理信号指标；

将所述第一信号数据作为所述自编码器的编解码输入参数，获得第二输出信号数据；

根据所述第二输出信号数据，获取所述多尺度熵。

可选地，所述根据所述第二输出信号数据，获取所述多尺度熵，包括：

获取所述第二输出信号数据，所述第二输出信号数据为第一序列x(n)，n取值为正整数；

选取超参数τ，通过所述第二输出信号数据，得到第二序列，所述第二序列满足下式：

其中，x(i)为第二输出信号数据中第i个向量，1≤i≤n，1≤j≤n/τ，1≤τ≤20；

将所述第二序列分为多个m维向量，所述多个m维向量为z(k)，m取值为正整数，1≤k≤n/τ-m+1；

统计多个m维向量中，满足‖z(i)-z(j)‖∞≤r的向量的个数bi，并计算第一平均个数b^(τ,m,r)，所述第一平均个数b^(τ,m,r)满足下式：

其中，z(i)＝[y(i),y(i+1),y(i+m-1)]，1≤i≤n/τ-m+1；z(j)＝[y(j),y(j+1),y(j+m-1)]，1≤j≤n/τ-m+1，i≠j；

将所述第二序列分为多个m+1维向量，所述多个m+1维向量为h(k)；

统计多个m+1向量中，满足‖h(i)-h(j)‖∞≤r的向量的个数ci，并计算第二平均个数c^(τ,m,r)，所述第二平均个数c^(τ,m,r)满足下式：

其中，h(i)＝[y(i),y(i+1),y(i+m-1),y(i+m)]，

1≤i≤n/τ-m+1，h(j)＝[y(j),y(j+1),y(j+m-1),y(j+m)]，1≤j≤n/τ-m+1；

根据所述第一平均个数b^(τ,m,r)和所述第二平均个数c^(τ,m,r)，获得所述多尺度熵；所述多尺度熵满足下式：

其中，e(m)表示多尺度熵。

可选地，所述特征参数包括下述一项或多项的任意组合：心电图r峰到同一心动周期内脉搏波谷值点的时间间隔、心电图r峰到同一心动周期内脉搏波斜率最大值点的时间间隔、心电图r峰到同一心动周期内脉搏波峰值点的时间间隔、心率、反射率、收缩时长、收缩舒张时长比、舒张时长比、上升时间、收缩末期容积、舒张末期容积、相对收缩末期容积、收缩舒张容积比。

可选地，所述获取输入参数之前，还包括：

获取第二信号数据；所述第二信号数据包括：第二心电信号和第二脉搏波信号；所述第二心电信号为测试人员的心电信号；所述脉搏波信号为所述测试人员的脉搏波信号；

将所述第二信号数据输入所述自编码器，获得输出参数；

根据所述输出参数与所述第二信号数据，获取第一损失函数；所述第一损失函数表征所述输出参数与所述第二信号数据的差值；

当所述第一损失函数小于第一预设值时，则确定所述自编码器训练成功。

可选地，获取所述第二信号数据，所述第二信号数据为信号矩阵s；

将所述第二信号数据输入所述自编码器，获得所述输出参数，所述输出参数可通过下式获得：

r＝decoder(encoder(s))；

其中r表示所述输出参数；

根据所述输出参数与所述第二信号数据，获取所述第一损失函数，所述第一损失函数可通过下式获得：

l1＝‖s-r‖2；

其中，l1表示所述第一损失函数；

当所述第一损失函数小于第一预设值时，则确定所述自编码器训练成功。

可选地，所述将所述输入参数输入血压估计模型，获得估计血压之前，还包括：

获取血压数据，所述血压数据与所述第二信号数据同一时间获取，所述血压数据包括：收缩压sbp1和舒张压dbp1；

将所述血压数据与所述输出参数输入所述血压估计模型，获得输出血压；所述输出血压包括：输出收缩压sbp2和输出舒张压dbp2；

根据所述输出血压与所述血压数据，获取第二损失函数；所述第二损失函数表征所述输出血压与所述血压数据的差值；所述第二损失函数满足下式：

l2＝‖sbp1-sbp2‖2+‖dbp1-dbp2‖2；

其中，l2表示所述第二损失函数；

当所述第二损失函数小于第二预设值时，则确定所述血压估计模型训练成功。

另一方面，本申请还提供一种血压估计装置，包括：获取模块和估计模块；

所述获取模块，用于获取输入参数，所述输入参数包含编码信号、特征参数和多尺度熵；其中，所述编码信号为第一信号数据通过自编码器编码后的信号；所述第一信号数据包括：第一心电信号和第一脉搏波信号；所述第一心电信号为用户的心电信号，所述第一脉搏波信号为所述用户的脉搏波信号；所述特征参数为所述第一信号数据的生理信号指标；所述多尺度熵表征所述第一信号数据的复杂程度；

所述估计模块，用于将所述输入参数输入血压估计模型，获得估计血压；所述估计血压分别与所述编码信号、所述特征参数以及所述多尺度熵具有对应关系。

可选地，所述获取模块，具体用于：

获取所述第一信号数据；

将所述第一信号数据进行分段，获得多个子信号；

将任意一个所述子信号作为所述自编码器的编码输入参数，获得所述编码信号；

将所述编码信号作为所述自编码器的解码输入参数，获得第一输出信号数据；

根据所述第一输出信号数据，获取所述特征参数；其中所述特征参数为所述子信号的生理信号指标；

将所述第一信号数据作为所述自编码器的编解码输入参数，获得第二输出信号数据；

根据所述第二输出信号数据，获取所述多尺度熵。

可选地，所述血压估计装置还包括：训练模块；

所述获取模块，还用于：

获取第二信号数据；所述第二信号数据包括：第二心电信号和第二脉搏波信号；所述第二心电信号为测试人员的心电信号；所述脉搏波信号为所述测试人员的脉搏波信号；

将所述第二信号数据输入所述自编码器，获得输出参数；

所述训练模块，用于根据所述输出参数与所述第二信号数据，获取第一损失函数；所述第一损失函数表征所述输出参数与所述第二信号数据的差值；当所述第一损失函数小于第一预设值时，则确定所述自编码器训练成功。

本实施例中提供的血压估计方法及装置，通过获取用户的第一信号数据，获取编码信号、特征参数和多尺度熵，并将编码信号、特征参数和多尺度熵作为输入，输入到血压估计模型中。由于血压估计模型中估计血压均与编码信号、特征参数和多尺度熵具有对应关系，故通过对用户编码信号、特征参数和多尺度熵的获取，根据对应关系，可获得估计血压。将用户的第一信号数据进行多种类型数据的提取，将多种类型的数据均用于估计用户的血压，可提高血压估计的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。

图1为本申请一实施例提供的血压估计方法流程示意图；

图2为本申请另一实施例提供的血压估计方法流程示意图；

图3为本申请一实施例提供的多尺度熵获取方法流程示意图；

图4为本申请一实施例提供的自编码器训练方法流程示意图；

图5为本申请一实施例提供的血压估计模型训练方法流程示意图；

图6为本申请一实施例提供的血压估计装置结构示意图；

图7为本申请另一实施例提供的血压估计装置结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

图1为本申请一实施例提供的血压估计方法流程示意图，如图1所示，该方法包括：

s101、获取输入参数，输入参数包含编码信号、特征参数和多尺度熵。

其中，编码信号为第一信号数据通过自编码器编码后的信号。第一信号数据包括：第一心电信号和第一脉搏波信号。第一心电信号为用户的心电信号，第一脉搏波信号为用户的脉搏波信号。特征参数为第一信号数据的生理信号指标。多尺度熵表征第一信号数据的复杂程度。

输入参数包含三种类型的数据：编码信号、特征参数和多尺度熵，三种类型的数据均是通过用户的第一信号数据获得。将同一个信号数据从不同的方面进行特征的提取后，输入血压估计模型，提高了血压估计的准确率。

s102、将输入参数输入血压估计模型，获得估计血压。估计血压分别与编码信号、特征参数以及多尺度熵具有对应关系。

本实施例中提供的血压估计方法，通过获取用户的第一信号数据，获取编码信号、特征参数和多尺度熵，并将编码信号、特征参数和多尺度熵作为输入，输入到血压估计模型中。由于血压估计模型中估计血压均与编码信号、特征参数和多尺度熵具有对应关系，故通过对用户编码信号、特征参数和多尺度熵的获取，根据对应关系，可获得估计血压。将用户的第一信号数据进行多种类型数据的提取，将多种类型的数据均用于估计用户的血压，可提高血压估计的准确率。

可选地，图2为本申请另一实施例提供的血压估计方法流程示意图，如图2所示，s101，包括：

s101-1、获取第一信号数据。

可选地，对获取的第一信号数据进行滤波，可采用滑动平均滤波，以剔除第一信号数据中的干扰信号。

s101-2、将第一信号数据进行分段，获得多个子信号。

需要说明的是，对第一信号数据进行分段是按照第一信号波的信号周期t进行分段的，具体的，根据心跳周期，对第一心电信号进行分段；根据脉动周期，对第一脉搏波信号进行分段。

由于不同的用户或者同一个用户在不同的场景下的心跳周期或脉动周期不同，因此，对第一信号数据进行分段，可能获得的子信号的时间长度在[0.2s,0.4s]，[0.4s,0.6s]，[0.6s,0.8s]，[0.8s,1s]，[1s,1.2s]。对于不同长度的子信号，需要根据子信号所在的区间，进行对齐，可选地，可对齐至区间两阈值的中间值。

例如子信号的时间长度在[0.2s,0.4s]内，需要将子信号对齐至0.3s，若子信号的长度在[0.2s,0.3s]内，可采用插值的方式将该子信号对齐至0.3s；若子信号的长度在[0.3s,0.4s]内，科采用剪切的方式将该子信号对齐至0.3s。其余的信号对齐的方式与长度区间在[0.2s,0.4s]内的子信号类似。

具体的，长度区间在[0.4s,0.6s]内的子信号，对齐至0.5s。长度区间在[0.6s,0.8s]内的子信号，对齐至0.7s。长度区间在[0.8s,1s]内的子信号，对齐至0.9s。长度区间在[1s,1.2s]内的子信号，对齐至1.1s。

由于第一信号数据包括：第一心电信号和第一脉搏波信号，子信号包括一个信号周期t的第一心电信号和一个信号周期t的第一脉搏波信号，因此子信号的大小为t*2。

s101-3、将任意一个子信号作为自编码器的编码输入参数，获得编码信号。

s101-4、将编码信号作为自编码器的解码输入参数，获得第一输出信号数据。

通过自编码器对子信号进行编码和解码，实现了对子信号的去噪和压缩，便于提取有用信息。

s101-5、根据第一输出信号数据，获取特征参数。其中特征参数为子信号的生理信号指标。

特征参数包括下述一项或多项的任意组合：心电图r峰到同一心动周期内脉搏波谷值点的时间间隔，心电图r峰到同一心动周期内脉搏波斜率最大值点的时间间隔，心电图r峰到同一心动周期内脉搏波峰值点的时间间隔，心率，反射率，收缩时长，收缩舒张时长比，舒张时长比，上升时间，收缩末期容积，舒张末期容积，相对收缩末期容积，收缩舒张容积比。

反射率满足下式：

其中，r为反射率，a为子信号中脉搏波收缩峰值的幅值，b为a与子信号中脉搏波舒张峰的幅值之差。

收缩时长满足下式：

st＝tnn-tfn；

其中，st为收缩时长，tnn为子信号中脉搏波重搏切迹的时间点，tfn为子信号中脉搏波谷值的时间点。

收缩舒张时长比满足下式：

其中，str为收缩舒张时长比，tfn+1为下一子信号中脉搏波谷值的时间点。

舒张时长比满足下式：

其中，dtr为舒张时长比。

上升时间满足下式：

st＝tpn-tfn；

其中，st为上升时间，tpn为子信号中脉搏波收缩峰的时间点。

收缩末期容积满足下式：

其中，dv为收缩末期容积，ppg为脉搏波信号。

相对收缩末期容积满足下式：

rsv为相对收缩末期容积。

收缩舒张容积比满足下式：

sdvr为收缩舒张容积比。

s101-6、将第一信号数据作为自编码器的编解码输入参数，获得第二输出信号数据。

通过自编码器对第一信号数据进行编码和解码，第二输出信号数据是对第一信号数据的去噪和降维后的数据。

s101-7、根据第二输出信号数据，获取多尺度熵。

可选地，图3为本申请一实施例提供的多尺度熵获取方法流程示意图，如图3所示，s101-7，包括：

s101-7a、获取第二输出信号数据，第二输出信号数据为第一序列x(n)，n取值为正整数。

s101-7b、选取超参数τ，通过第二输出信号数据，得到第二序列，第二序列满足下式：

其中，x(i)为第二输出信号数据中第i个向量，1≤i≤n，1≤j≤n/τ。1≤τ≤20，τ取整数。

例如，第一序列为[1,2,3,4]。其中n＝8。τ取4，第二序列为y(1),y(2),y(3),y(4)，n/τ＝8/4＝2，则y(1),y(2),y(3),y(4)均为两个向量。y(1)＝3/4，y(2)＝7/4，y(3)＝11/4，y(4)＝15/4。获得的第二序列为[3/4,7/4]，[11/4,15/4]。

s101-7c、将第二序列分为k个m维向量，多个m维向量为z(k)，m取值为正整数，

可选地，以序列[3/4,7/4,11/4,15/4]为例，m取2时，将第二序列分为3个2维向量。对该第二序列逐次进行分割，分割后的两个二维向量为[3/4,7/4]、[7/4,11/4]和[11/4,15/4]。

s101-7d、统计k个m维向量中，满足‖z(i)-z(j)‖∞≤r的向量的个数bi，并计算第一平均个数b^(τ,m,r)，第一平均个数b^(τ,m,r)满足下式：

其中，z(i)＝[y(i),y(i+1),y(i+m-1)]，1≤i≤n/τ-m+1；z(j)＝[y(j),y(j+1),y(j+m-1)]，1≤j≤n/τ-m+1，i≠j。

可选地，计算获得第二输出信号数据的标准差为sd，r可以取0.15*sd。

s101-7e、将第二序列分为多个m+1维向量，多个m+1维向量为h(k)。

s101-7f、统计多个m+1向量中，满足‖h(i)-h(j)‖∞≤r的向量的个数ci，并计算第二平均个数c^(τ,m,r)，第二平均个数c^(τ,m,r)满足下式：

其中，h(i)＝[y(i),y(i+1),y(i+m-1),y(i+m)]，1≤i≤n/τ-m+1，h(j)＝[y(j),y(j+1),y(j+m-1),y(j+m)]，1≤j≤n/τ-m+1。

s101-7g、根据第一平均个数b^(τ,m,r)和第二平均个数c^(τ,m,r)，获得多尺度熵。多尺度熵满足下式：

其中，e(m)表示多尺度熵。多尺度熵表征第一信号数据的复杂度。多尺度熵的值越大，表示第一信号数据获取的m+1维向量和m维向量差别越大，第一信号数据重复的数据越少，第一信号数据越复杂；反之，多尺度熵的值越小，表示第一信号数据获取的m+1维向量和m维向量差别越小，第一信号数据重复的数据越多，第一信号数据越简单。

可选地，图4为本申请一实施例提供的自编码器训练方法流程示意图，如图4所示，在图1所示的s101之前，还包括：

s201、获取第二信号数据。第二信号数据包括：第二心电信号和第二脉搏波信号。第二心电信号为测试人员的心电信号。脉搏波信号为测试人员的脉搏波信号。

s202、将第二信号数据输入自编码器，获得输出参数。

s203、根据输出参数与第二信号数据，获取第一损失函数。第一损失函数表征输出参数与第二信号数据的差值。

s204、当第一损失函数小于第一预设值时，则确定自编码器训练成功。

可选地，图4中训练自编码器的一种可选方案如下所示，具体为：

获取第二信号数据，第二信号数据为信号矩阵s。

将第二信号数据输入自编码器，获得输出参数，输出参数可通过下式获得：

r＝decoder(encoder(s))；

其中r表示输出参数。

根据输出参数与第二信号数据，获取第一损失函数，第一损失函数可通过下式获得：

l1＝‖s-r‖2；

其中，l1表示第一损失函数。

当第一损失函数小于第一预设值时，则确定自编码器训练成功。当第一损失函数大于第一预设值时，则根据第一损失函数调整自编码器内的系数。

可选地，图5为本申请一实施例提供的血压估计模型训练方法流程示意图，如图5所示，在s102之前，即在使用血压估计模型之前，还包括对血压估计模型的训练，具体为：

s301、获取血压数据，血压数据与第二信号数据同一时间获取，血压数据包括：收缩压sbp1和舒张压dbp1。

s302、将血压数据与输出参数输入血压估计模型，获得输出血压。输出血压包括：输出收缩压sbp2和输出舒张压dbp2。

在训练血压估计模型时，将第二信号数据输入训练成功的自编码器，获得输出参数。

获取的输出参数包括：训练的编码信号、训练的特征参数和训练的多尺度熵。其中，训练的编码信号为第二信号数据通过训练后的自编码器编码后的信号；训练的特征参数为第二信号数据的生理信号指标；训练的多尺度熵表征第二信号数据的复杂程度。获取输出参数的方法与图2中获取输入参数的方法类似。

可选地，血压估计模型可以为回归器，可利用反向传播算法对用于血压估计的回归器进行训练。

s303、根据输出血压与血压数据，获取第二损失函数。第二损失函数表征输出血压与血压数据的差值。第二损失函数满足下式：

l2＝‖sbp1-sbp2‖2+‖dbp1-dbp2‖2；

其中，l2表示第二损失函数。

s304、当第二损失函数小于第二预设值时，则确定血压估计模型训练成功。

当第二损失函数大于第二预设值时，则根据第二损失函数调整血压估计模型的参数。

可选地，图6为本申请一实施例提供的血压估计装置结构示意图，本实施例提供一种血压估计装置，用于执行上述方法类实施例，具体的，如图6所示，该装置包括：获取模块401和估计模块402。

获取模块401，用于获取输入参数。

输入参数包含编码信号、特征参数和多尺度熵；其中，编码信号为第一信号数据通过自编码器编码后的信号；第一信号数据包括：第一心电信号和第一脉搏波信号；第一心电信号为用户的心电信号，第一脉搏波信号为用户的脉搏波信号；特征参数为第一信号数据的生理信号指标；多尺度熵表征第一信号数据的复杂程度。

估计模块402，用于将输入参数输入血压估计模型，获得估计血压；估计血压分别与编码信号、特征参数以及多尺度熵具有对应关系。

可选地，获取模块401，具体用于：获取第一信号数据。将第一信号数据进行分段，获得多个子信号。将任意一个子信号作为自编码器的编码输入参数，获得编码信号。将编码信号作为自编码器的解码输入参数，获得第一输出信号数据。根据第一输出信号数据，获取特征参数；其中特征参数为子信号的生理信号指标。将第一信号数据作为自编码器的编解码输入参数，获得第二输出信号数据。根据第二输出信号数据，获取多尺度熵。

可选地，在图6的基础上，增加用于模型训练的模块，具体的，图7为本申请另一实施例提供的血压估计装置结构示意图，血压估计装置还包括：训练模块501。

获取模块401，还用于：获取第二信号数据；第二信号数据包括：第二心电信号和第二脉搏波信号；第二心电信号为测试人员的心电信号；脉搏波信号为测试人员的脉搏波信号。将第二信号数据输入自编码器，获得输出参数。

训练模块501，用于根据输出参数与第二信号数据，获取第一损失函数。第一损失函数表征输出参数与第二信号数据的差值。当第一损失函数小于第一预设值时，则确定自编码器训练成功。

上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。

可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(英文：processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文：read-onlymemory，简称：rom)、随机存取存储器(英文：randomaccessmemory，简称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。