一种基于血压脉搏波的血压计算方法和血压测量设备与流程

本发明涉及智能医疗设备控制，具体为一种基于血压脉搏波的血压计算方法。

背景技术：

1、基于示波法的血压测量设备，如：示波法血压计，包括：控制器、缠在手臂上的袖带和充气装置，袖带上设置压力传感器。袖带由充气装置充气后，包裹在被测试者的手臂上，血流通过血管具有一定的振荡波，即血压脉搏波，由压力传感器接收并传递给控制器。在一次完整测量过程中，控制器自动调节缠缚于上臂的袖带的充气量，改变袖带中的气体压力，根据被测试者的脉搏波的变化，压力传感器所检测的压力及波动也随之变化。在控制器中，选择波动最大的时刻为平均压，以平均压为基础，向前寻某值为收缩压，向后寻某值为舒张压。通常在一次完整测量过程中以时间顺序采集两组数据，拟合后分别得到血压脉搏波曲线和血压计压力曲线，具体如图1所示。

2、现有技术中，从脉搏波的波形计算得到收缩压和舒张压的方法包括：比例系数法和特征值法。

3、比例系数法，即幅值法，血液的平均压和收缩压、舒张压存在一定的关系，这两个系数称为ks和kd。

4、sp/mp＝ks(取值范围:0.3to 0.75),dp/mp＝kd(取值范围:0.45to 0.90)

5、其中sp为收缩压，mp为平均压，dp为舒张压，通过比例系数计算对应的舒张压和收缩压。比例系数法计算过程简单，但是在比例系数法中，ks和kd这两个数据是由大数据统计出来的结果，用于个体检测血压计算时，如：对高压病人进行计算，因为个体差异和统计值的不一致性较大，所以导致了比例系数法的计算结果准确率不高。

6、特征值法的计算取决于脉搏波在收缩压和舒张压对应点有没有特征变化。特征值法通过分辨出曲线的拐点并且建立模型分析数据。特征值法虽然能够基于个体特征进行计算，但是计算步骤比较复杂。同时，在实际应用中采集到的血压脉搏波中经常无明显的拐点，所以准确度也会比较低。

技术实现思路

1、为了解决现有技术中，基于脉搏波的波形计算得到收缩压和舒张压的方法准确率较低的问题，本发明提供一种基于血压脉搏波的血压计算方法，其可以基于个体特征对血液进行计算，且计算结果准确率更高；同时计算速度更快。同时，本技术还公开了一种基于血压脉搏波的血压测量设备。

2、本发明的技术方案是这样的：一种基于血压脉搏波的血压计算方法，其特征在于，其包括以下步骤：

3、s1：获取血压检测的原始测量数据，对舒张压和收缩压进行标注，得到：训练样本原始数据；

4、所述训练样本原始数据中包括：收缩压样本原始数据和舒张压样本原始数据；

5、s2：基于所述训练样本原始数据，提取原始测量数据对应的原始脉搏波曲线；纠正误差数据后，在所述原始脉搏波曲线中寻找所有波峰点和波谷点，拟合得到波峰包络线和波谷包络线；

6、基于所述波峰包络线和所述波谷包络线计算拟合得到原始振幅曲线；

7、s3：剔除所述训练样本原始数据中的异常数据后，对所述原始振幅曲线基于压力值重采样，完成对所述所述训练样本原始数据的数据增强操作；

8、再对数据增强后得到的振幅曲线的系数进行归一化，得到重采样振幅曲线系数；

9、s4：对所述重采样振幅曲线系数依次进行特征提取操作和降维操作；

10、得到的低维度收缩压数据即为所述收缩压样本数据；得到的低维度舒张压数据即为所述舒张压样本数据；

11、s5：基于机器学习算法分别生成收缩压预测模型和舒张压预测模型；

12、s6：使用所述收缩压样本数据对所述收缩压预测模型进行训练，使用所述舒张压样本数据对所述舒张压预测模型进行训练，分别得到训练好的所述收缩压预测模型和所述舒张压预测模型；

13、s7：获取待测量原始血压数据，提取所述待测量原始血压数据对应的原始脉搏波曲线；在所述原始脉搏波曲线中寻找所有波峰点和波谷点，拟合得到波峰包络线和波谷包络线；基于所述波峰包络线和所述波谷包络线计算拟合得到原始振幅曲线；

14、对所述原始振幅曲线进行压力值重采样，再对重采样后得到的振幅曲线的系数进行归一化，得到重采样振幅曲线系数；

15、得到所述待测量原始血压数据对应的重采样振幅曲线系数，记作：待计算振幅曲线系数；

16、s8：对所述待计算振幅曲线系数依次进行所述特征提取操作和所述降维操作，得到所述低维度收缩压数据和所述低维度舒张压数据分别记作：收缩压输入数据和舒张压输入数据；

17、s9：将所述收缩压输入数据输入到所述收缩压预测模型中，将所述舒张压输入数据输入到所述收缩压预测模型和舒张压预测模型中，进行血压预测；所述收缩压预测模型和所述舒张压预测模型分别输出收缩压预测值和舒张压预测值，即得到所述待测量原始血压数据对应的测量值。

18、其进一步特征在于：

19、其还包括以下步骤：

20、s10：基于所述待计算振幅曲线系数、所述收缩压预测值和所述舒张压预测值，分别计算得到所述收缩压预测值和所述舒张压预测值共同对应的预测值可信度；计算过程包括：

21、a1：计算预测值准确度x：

22、

23、其中，diaai为舒张压预测值，sysai为收缩压预测值压，diaamplitude为基于幅值法计算的舒张压，sysamplitude为基于幅值法计算的收缩压；abs()用来计算参数的绝对值；

24、a2：计算所述预测值可信度：

25、

26、其中，accuracy为预测值可信度；x为预测值准确度；

27、s11：将所述收缩压预测值、所述舒张压预测值和所述预测值可信度共同作为最终输出值；

28、步骤s2中，所述波峰包络线、所述波谷包络线和所述原始振幅曲线的拟合包括以下步骤：

29、b1：对所述原始脉搏波曲线进行纠正误差数据操作；

30、纠正误差数据操作为：将所述原始脉搏波曲线中所有压力值大于前一条压力的数据视为误差数据并连同对应的脉搏波曲线值删除，得到计算用脉搏波曲线；

31、b2：提取所述计算用脉搏波曲线，寻找所有波峰点，使用线性插值拟合得到所述波峰包络线；

32、b3：提取所述计算用脉搏波曲线，寻找所有波谷点，使用线性插值拟合得到所述波谷包络线；

33、b4：将所述波峰包络线和所述波谷包络线放入同一个坐标系，横坐标为时间，纵坐标为压力值，计算所述原始振幅曲线；原始振幅曲线的横坐标为时间，纵坐标为所述波峰包络线的纵坐标减去所述波谷包络线的纵坐标；

34、步骤s3中，所述重采样振幅曲线系数的计算方法包括以下步骤：

35、c1：以1mmhg为间隔，0mmhg为起始点，xmaxmmhg为终止点对拟合的所述原始振幅曲线进行截取和所述压力值重采样；基于所述压力值重采样后得到的压力值，再次构建拟合曲线，得到：计算用拟合曲线；

36、其中xmax为人类血压最大范围；

37、c2：计算所述计算用拟合曲线的曲线振幅系数，记作：计算用振幅系数；

38、c3：对所述计算用振幅系数进行归一化，归一化方法为：

39、(x-min)/(max-min)

40、其中，x为振幅系数；min为振幅系数中最小值，max为振幅系数中最大值；

41、步骤s4中，所述特征提取操作具体包括以下步骤：

42、d1：寻找归一化后的重采样振幅曲线系数的最高点，得到平均压mp；

43、d2：对重采样振幅曲线系数x_co进行改造，分别生成收缩压预测用样本x_sys和舒张压预测用样

44、本x_dia；具体改造方法为：

45、x_sys[i]＝x_co[i]if i>mp else 0

46、x_dia[i]＝x_co[i]if i<mp else 0

47、其中，mp为平均压，i为压力值；

48、步骤s4中，所述降维操作具体包括以下步骤：

49、e1：构建预测值降维模型，所述预测值降维模型的输入为251维，输出为16维；

50、所述预测值降维模型是基于encoder-decoder架构而构建的深度学习模型；

51、所述预测值降维模型包括：依次连接的encoder层和decoder层；

52、所述encoder层包括：依次连接的连续的3层多头自注意力层和全连接层，每个所述多头自注意力层包括8个自注意力模块，全连接层将数据降维为16维，输出中间数据定义为：xm；

53、所述decoder层包括：依次连接的全连接层和3层连续的多头自注意力层，每个多头自注意力层，包括8个自注意力模块；全连接层接收所述encodeer层输出的xm，并将xm升维为251维后送入后续的三个多头自注意力层，输出最终结果记作：xr；

54、损失函数lossfuction设置为：

55、lossfuction＝crossent(x输入,xr输入)+crossent(x原始,xr原始)+crossent(xm输入,xm原始)

56、其中，crossent()为交叉熵计算；x输入表示需要降维的收缩压预测x_sys或者舒张压预测x_dia；xr输入表示x输入对应的所述预测值降维模型的输出值；xm输入表示x输入对应的所述预测值降维模型中encoder层输出的中间数据；x原始为重采样振幅曲线系数x_co；xr原始和xm原始表示，将重采样振幅曲线系数x_co输入到x输入对应的所述预测值降维模型后，得到的最终输出值和encoder层输出的中间数据；

57、e2：使用所述预测值降维模型分别为所述收缩压预测用样本x_sys和所述舒张压预测用样本x_dia进行降维，得到所述低维度收缩压数据和所述低维度舒张压数据；

58、生成训练样本过程中，在执行所述特征提取操作之前，还需要对收缩压预测用样本x_sys和舒张压预测用样本x_dia进行数据增强操作；

59、所述数据增强操作包括：

60、基于所述训练样本原始数据，将所述训练样本原始数据中位于平均压mp右侧的重采样振幅曲线系分别数置为0和随机数，得到两倍的样本数据，加入到所述收缩压预测用样本x_sys中；

61、基于所述训练样本原始数据，将所述训练样本原始数据中位于平均压mp左侧的重采样振幅曲线系分别数置为0和随机数，得到两倍的样本数据，加入到所述舒张压预测用样本x_dia中；

62、步骤s1中，基于血压袖带装置采集血压检测的原始测量数据；

63、所述收缩压预测模型和所述舒张压预测模型基于随机森林算法构建。

64、一种基于血压脉搏波的血压测量设备，其包括：控制器、显示模块和数据采集模块，所述显示模块和所述数据采集模块分别电连接所述控制器，其特征在于：

65、所述控制器中包括：计算模块和计算用模型；所述计算用模型包括：训练好的收缩压预测模型、舒张压预测模型和预测值降维模型；

66、所述数据采集模块电连接外置的血压检测用血压袖带装置，采集测量数据；所述数据采集模块采集到待测量原始血压数据后送入所述计算模块；

67、所述计算模块中，计算得到所述待测量原始血压数据对应的重采样振幅曲线系数，记作：待计算振幅曲线系数；对所述待计算振幅曲线系数进行特征提取操作后，将提取到的收缩压预测用样本和舒张压预测用样本，输入到所述预测值降维模型中进行降维，得到收缩压输入数据和舒张压输入数据；

68、所述计算模块将所述收缩压输入数据和所述舒张压输入数据输入到对应的所述收缩压预测模型和舒张压预测模型中，进行血压预测；

69、所述收缩压预测模型和舒张压预测模型将输出的收缩压预测值和舒张压预测值送入到所述计算模块中，所述计算模块基于所述待计算振幅曲线系数、所述收缩压预测值和所述舒张压预测值，分别计算得到所述收缩压预测值和所述舒张压预测值共同对应的预测值可信度；

70、所述计算模块将所述收缩压预测值、所述舒张压预测值和所述预测值可信度共同作为最终输出值传递给所述显示模块进行显示。

71、本技术提供的一种基于血压脉搏波的血压计算方法，其基于原始的血压的压力脉搏波数据，拟合得到振幅曲线，然后对振幅曲线进行重采样后归一化处理，提取到计算血压值时所需的所有关键特征信息，无需采集其他数据进行辅助计算，基于压力脉搏波计算得到舒张压和收缩压的血压值，不但准确度更高，而且更有针对性；基于机器学习算法构建收缩压预测模型和舒张压预测模型，通过带有标签的训练数据对两个模型进行训练，通过特征提取，将基于原始的压力脉搏波采集的归一化重采样振幅系数分别改造为适用于舒张压预测模型和收缩压预测模型的输入数据，提高了血压检测的准确率的同时，基于确保了本技术的血压计算方法适用于不同类型的血压数据的计算；同时，本技术将输入到收缩压预测模型和舒张压预测模型的特征值，先进性降维，然后再输入到收缩压预测模型和舒张压预测模型，保证本专利在不损失准确度的情况下计算速度更快。。