一种无创血压预测方法、系统及设备与流程

本技术涉及健康监测领域，更具体地说，涉及一种无创血压预测方法、系统及设备。

背景技术：

1、目前，心血管疾病已成为世界最常见的死亡原因之一，其中血压水平的变化与心血管疾病风险密切相关，因此持续监测血压对于评估健康状态意义重大。针对这个大背景，现有技术中用于持续监测血压的方法主要为有创方式，操作复杂、带来痛苦，不适合长期监测。基于袖带的无创测量方法能预测血压值，但无法实现连续监测。

2、中国专利申请，申请号cn202310408554.4，公开日2023年4月17日，公开了一种基于领域自适应的无创连续血压测量方法，包括以下步骤：获取数据集并对数据进行预处理，所述数据集包括ppg数据集、ecg数据集；建立血压预测模型，并使用预处理后的数据集对血压预测模型进行训练；使用测试集进行收缩压和舒张压的预测。

3、但上述方案中过多的卷积层导致参数量大、计算复杂，难以满足实时监测需求。现有的便携设备如手环，受手腕处肌肉运动和皮肤颜色的影响，采集信号质量较差，连续监测效果不佳，上述方案中的无创血压监测的精度有待进一步提高。

技术实现思路

1、1.要解决的技术问题

2、针对现有技术中存在的无法进行无创式连续动脉血压监测的问题，本技术提供了一种无创血压预测方法、系统及设备，通过结合脉搏波信号和心电信号，构建基于卷积神经网络的1dunet模型实现血压值预测，以达到无创式连续监测血压目的。

3、2.技术方案

4、本发明的目的通过以下技术方案实现。

5、本说明书实施例的一个方面提供一种无创血压预测方法，包括：采集脉搏波信号ppg和心电信号ecg；对采集的脉搏波信号ppg和心电信号ecg分别进行预处理；构建基于卷积神经网络的1dunet模型；将预处理后的脉搏波信号ppg和心电信号ecg进行拼接，作为输入信号输入构建的1dunet模型中，并通过1dunet模型输出预测血压值；其中，使用光电传感器等设备采集脉搏波信号ppg，同时使用心电图设备采集心电信号ecg。这些传感器可以放置在使用者的皮肤表面，实现非侵入性的生理信号采集。获得了关于心血管系统活动的两种重要生理信号，为后续的血压预测提供了基础数据。对采集到的生理信号进行滤波、去噪、降采样等预处理步骤，以提高信号质量和降低噪音的影响。预处理后的信号更适合用于模型的训练和预测，提高了模型的准确性和鲁棒性。设计一个1dunet模型，该模型结合了卷积神经网络(cnn)的特征提取能力和1dunet结构的上采样和下采样能力，用于对输入信号进行特征学习和血压预测。1dunet模型能够有效地捕捉时序信息和层次结构，提高对生理信号的抽象能力，有助于更准确地预测血压值。将经过预处理的脉搏波信号和心电信号拼接成一个多通道的输入信号，以更全面地包含两种信号的信息。融合多种信息有助于提高模型对生理状态的理解，使模型更好地适应个体差异和生理变化。将拼接后的信号输入事先训练好的1dunet模型中，通过模型的前向传播得到血压值的预测结果。1dunet模型通过学习输入信号的特征，能够输出连续的血压预测值，实现了无创式连续监测血压的目标。

6、具体地，ppg即脉搏波信号，是光电容积脉搏图的缩写，通过光电传感器采集肢体血液容积脉动引起的光学性质变化，反映了机体的血液循环信息。ecg即心电图，通过检测皮肤电位差变化，反映心脏的电生理活动，包含心搏和心律等信息。ppg作为外周血液循环信号，包含主动脉脉搏波传导速度、脉波形态等信息，这些都与血压变化有关。ecg可以提供心率、心动周期等信息，也与血压变化相关。因此，本技术通过采集ppg和ecg作为模型输入，这两种信号都包含与血压变化相关的生理信息。构建的1dunet深度学习模型可以自动学习信号中的特征，建立输入特征和血压输出之间的复杂映射关系，无需人工提取特征，因此实现仅通过ppg和ecg预测血压的目的。

7、1dunet模型包含：编码器，包含多个卷积层和最大池化层，通过不同卷积核提取输入信号的局部特征，并通过最大池化层进行降维；解码器，包含多个上采样层和卷积层，且通过跳跃连接和编码器进行连接，对编码器输出的局部特征进行上采样和卷积处理，并输出特征图；全连接层，将解码器输出的特征图映射为特征向量；输出层，根据特征向量输出预测血压值。

8、其中，编码器由多个卷积层和最大池化层组成。卷积层通过应用不同卷积核，提取输入信号的局部特征，捕捉信号的空间信息。最大池化层用于降低信号的空间维度，保留最显著的特征。编码器的设计使得模型能够从输入信号中提取关键的局部特征，有助于抽象和压缩输入信号的信息。解码器包括多个上采样层和卷积层，通过跳跃连接与编码器相连接。跳跃连接帮助将编码器中提取的高级特征与解码器中的低级特征结合起来。上采样层用于将特征图的空间维度还原，卷积层用于进一步处理特征。解码器的设计旨在通过跳跃连接和卷积层重新构建输入信号的结构，保持高级和低级特征的关联，有助于还原输入信号的细节信息。全连接层用于将解码器输出的特征图映射为特征向量。这一步骤对特征的全局表示进行处理，为输出层提供一个紧凑的特征向量。全连接层的作用是在解码器输出的基础上提取更高级别的抽象特征，以供输出层进行血压值的最终预测。输出层根据全连接层的特征向量生成最终的血压值预测。这可以通过使用合适的激活函数和适当的损失函数来实现。输出层的设计使得模型能够将学到的特征映射到血压值的预测上，完成整个1dunet模型的预测过程。通过整合编码器、解码器、全连接层和输出层，1dunet模型能够从脉搏波信号ppg和心电信号ecg中学到的特征，实现对血压值的预测。这个模型结构的设计使得模型能够适应不同的生理信号输入，从而实现无创式连续监测血压的目标。

9、具体地，1dunet模型是一种基于卷积神经网络的端到端一维语义分割模型。其结构参考了u型结构的u-net模型，由编码器和解码器两部分构成。编码器部分包含多层的一维卷积层和最大池化层。通过不同尺寸的卷积核提取输入信号的局部特征信息，并通过最大池化层降维。解码器部分包含上采样层和卷积层，通过跳跃连接将编码器输出的特征图传递到解码器对应层，实现特征复用。解码器逐步上采样并卷积，恢复语义细节，输出语义分割结果。在本技术方案中，采用1dunet模型直接对时间序列输入的ppg和ecg信号进行端到端学习，无需人工特征提取。编码器学习信号的层次特征，解码器映射到预测血压的语义输出，实现仅利用ppg和ecg预测血压的目的。

10、进一步地，将预处理后的脉搏波信号ppg和心电信号ecg进行拼接，包括如下步骤：采用插值或截取的方式，使脉搏波信号ppg和心电信号ecg的采样点数量和采样时间范围均相同；通过重采样将脉搏波信号ppg和心电信号ecg的时间轴进行对齐；将时间轴对齐后的脉搏波信号ppg和心电信号ecg的对应采样点进行叠加处理，生成二维矩阵作为1dunet模型的输入信号。

11、其中，由于脉搏波信号ppg和心电信号ecg可能来自不同的设备或传感器，其采样点数量和采样时间范围可能不一致。在这一步骤中，可以采用插值或截取的方式，调整两者的采样点数量和时间范围，使二者相同。保证了后续步骤的对齐处理，使得两种信号能够在时间上一一对应，方便后续的处理和叠加。对脉搏波信号ppg和心电信号ecg进行重采样，使它们的时间轴对齐。这可以通过插值或截断的方式，确保两者在相同的时间点上有相应的采样值。通过时间轴的对齐，使得两个信号在时间上保持同步，有助于后续的信号叠加和1dunet模型的输入处理。对齐后的信号进行适当的叠加处理，可以简单地将它们连接成一个更长的信号序列，或者进行逐点加权叠加等处理方式。通过叠加处理，将脉搏波信号ppg和心电信号ecg结合起来形成一个联合的输入信号。这有助于模型更全面地理解脉搏波和心电信号之间的关联，提高血压值预测的准确性。将叠加处理后的脉搏波信号ppg和心电信号ecg组织成一个二维矩阵，其中每行对应于一个时间点，每列对应于一个采样点的特征。这个二维矩阵将作为1dunet模型的输入信号。通过将信号组织成二维矩阵，使得1dunet模型能够同时考虑脉搏波和心电信号在时间和空间上的关联，为模型提供更为丰富的信息。通过以上步骤，完成了脉搏波信号ppg和心电信号ecg的拼接处理，生成了1dunet模型的输入信号，为无创式连续监测血压提供了更为全面和综合的生理信息。

12、具体地，由于ppg和ecg的原始采样频率可能不同，首先对两种信号分别进行重采样，提高采样频率，然后进行三次样条插值，使重采样后的ppg和ecg具有相同的高采样频率。这样通过插值法可以使ppg和ecg拥有相同数量的采样点。计算ppg和ecg信号中的最大采样点数m和最小采样时间长度t。从ppg和ecg原始信号中分别截取长度为t的片段，如果原信号长度小于t，用0补齐。然后从截取的ppg和ecg片段各取m个点，使两信号的采样点数量相同。通过插值或截取预处理，可保证不同来源的ppg和ecg在数量和长度上一致，便于后续生成统一的输入矩阵。

13、具体地，对ppg和ecg信号分别检测心拍起点，确定每拍起始时间，将两信号的第一拍起始时间对齐，作为时间零点，通过三次样条插值方法，重新采样ppg和ecg，使两信号采样点对应同一时间序列。将时间轴对齐后的ppg和ecg排列成二维矩阵的两行，矩阵第一维是统一的时间序列，第二维是ppg和ecg两路信号序列，在矩阵第二维对ppg和ecg进行标记，表示其时间同步关系，这样生成的二维矩阵即为1dunet模型的输入，通过上述技术手段，实现了对不同采样率信号的时间轴对齐，并生成了包含时间关系标注的二维输入矩阵。

14、进一步地，包括如下步骤：二维矩阵中的第一维对应采样序列，采样序列为脉搏波信号ppg和心电信号ecg进行时间轴对齐后形成的采样序列；二维矩阵中的第二维对应脉搏波信号ppg和心电信号ecg两条通道序列；在二维矩阵中的两条通道序列上进行标注，以表示脉搏波信号ppg和心电信号ecg的时间同步关系；将标注了通道关系的二维矩阵输入到1dunet模型中进行训练。

15、其中，从脉搏波信号ppg和心电信号ecg中提取采样点，经过插值或截断等方式，使它们的采样序列在时间轴上对齐。保证了后续处理中两个信号的时间同步，为模型提供了在相同时间点上的一致采样序列。创建一个二维矩阵，其中第一维对应采样序列，第二维分别对应脉搏波信号ppg和心电信号ecg的两条通道序列。将两个信号结构化成一个矩阵，方便后续处理和模型输入。在二维矩阵的两个通道序列上进行标注，以表示脉搏波信号ppg和心电信号ecg的时间同步关系。这可以是通过添加时间标签或其他方式来标明两个信号在时间上的对应关系。提供了模型所需的信息，确保模型能够理解脉搏波信号ppg和心电信号ecg之间的时间同步关系。将标注了通道关系的二维矩阵输入到1dunet模型中进行训练。1dunet模型是一个基于卷积神经网络的架构，适用于处理具有时序特征的数据。模型通过学习脉搏波信号ppg和心电信号ecg之间的复杂关系，能够预测血压值。由于采用了1dunet模型，使得模型能够有效地捕捉信号之间的时序依赖关系。通过这一整体的技术方案，实现了脉搏波信号ppg和心电信号ecg的融合，并通过1dunet模型进行训练，以实现无创式连续监测血压的目标。这种方法结合了信号处理和深度学习技术，为血压预测提供了一种创新而有效的解决方案。

16、具体地，在二维矩阵中的两条通道序列上进行标注，可以采用：在二维矩阵中的每个时间点上，为脉搏波信号ppg和心电信号ecg的值添加相应的时间标签。这可以是绝对时间戳或相对时间(相对于某一起始时间点的时间差)。为二维矩阵中的每个时间点添加一个二元标签，表示当前时间点对应于脉搏波信号ppg还是心电信号ecg。例如，可以使用0和1表示两者。交替地在二维矩阵中的两个通道序列上进行标注，例如，为每个脉搏波信号ppg的时间点标注'a'，为每个心电信号ecg的时间点标注'b'。根据两个信号的相对位置关系，在二维矩阵中标注相对的位置信息。例如，可以为每个时间点标注'p'表示脉搏波信号，'e'表示心电信号，并标注它们在时间上的相对位置。

17、更具体地，在本技术中，在二维矩阵第二维，对应脉搏波信号ppg和心电信号ecg两条序列。在ppg序列开始位置，标注“ppg_start”，表示该序列对应ppg信号。在ecg序列开始位置，标注“ecg_start”，表示该序列对应ecg信号。在矩阵第一维时间轴上，用“ppg-rpeak”标注ppg信号中每个心拍r峰的位置。在矩阵第一维时间轴上，用“ecg_rpeak”标注ecg信号中每个心拍r峰的位置。根据标注的ppg和ecgr峰位置，可以确定两信号中的心拍是对齐同步的。通过在通道序列上进行信号类型及r峰的标注，明确了不同序列对应的信号含义，以及它们之间的时间对齐关系，为下一步的模型输入提供了准确的时间信息。

18、进一步地，通过重采样将脉搏波信号ppg和心电信号ecg的时间轴进行对齐，还包括如下步骤：对脉搏波信号ppg和心电信号ecg分别进行标定，使脉搏波信号ppg和心电信号ecg的起始时间和终止时间对齐；对标定后的脉搏波信号ppg和心电信号ecg，分别采用三次样条插值，使脉搏波信号ppg和心电信号ecg的采样频率和采样点数量一致。

19、其中，将脉搏波信号ppg和心电信号ecg的时间轴进行对齐，以确保二者在时间上同步。通过重采样技术，对脉搏波信号和心电信号进行调整，使它们在时间上对齐，为后续步骤提供一致的时间基准。分别对脉搏波信号ppg和心电信号ecg进行标定，确保它们的起始时间和终止时间一致。对两个信号进行标定，以保证它们在时间轴上的起始和终止点是一致的，以便在后续的处理中更加准确地对齐。对标定后的脉搏波信号ppg和心电信号ecg进行三次样条插值，使它们的采样频率和采样点数量一致。通过三次样条插值，对两个信号进行平滑处理，使它们的采样频率和采样点数量达到一致，以确保在建模过程中能够更好地融合和比较。

20、具体地，三次样条插值(cubic spline interpolation)是一种曲线插值方法。它利用多项式插值，通过多个控制点构造出光滑的三次多项式曲线，来逼近给定的数据点。在本技术中，将ppg和ecg信号从原始采样频率插值到更高频率，可增加采样点数量，提高时间分辨率。将ppg和ecg信号插值到统一的高采样频率，使两信号采样点数量一致，方便生成统一的二维输入矩阵。对ppg和ecg信号的心拍时间进行插值，可提高时间轴对齐的精确度。在时间轴对齐后，采用三次样条插值重新采样ppg和ecg，使两信号对应同一时间轴。综上，三次样条插值提高了信号时间分辨率，有利于统一不同采样率信号的时间对应关系，从而整合到同一个模型输入矩阵中。

21、进一步地，还包括：采用基于均方误差的损失函数，训练构建的1dunet模型的参数；构建预测血压值和真实血压值y之间的均方误差，作为损失函数

22、

23、其中，n为训练样本数量，为第i个训练样本的预测血压值；yi第i个训练样本对应的真实血压值，真实血压值指公开数据集中的动脉血压信号abp。具体地，在本技术方案中，真实血压值y来源于公开数据集中的动脉血压信号abp。abp即动脉血压，是通过动脉内导管直接测量的血压波形。反映了动脉内的实际血压变化。对于每个训练样本，其对应的真实血压值y是指：从公开数据集找到该样本对应的abp信号段；在abp信号段中检测波峰和波谷；波峰值为收缩压sbp，波谷值为舒张压dbp；将sbp和dbp组合作为该训练样本的真实血压值y。也就是说，真实血压值y直接来源于该样本对应时间段内的abp测量结果。其中包含了该样本的实际收缩压和舒张压值。

24、更具体地，真实血压值来源于公开数据集的abp信号，这保证了血压标签的准确性。abp通过动脉导管直接测量，可以反映实际血压变化，是获得真实血压值的最佳途径。从abp波形中提取收缩压sbp和舒张压dbp作为血压标签，这与临床实际测量血压的方法一致，使模型训练过程更贴近最终的预测目标。每个训练样本对应一段abp波形信号，根据该信号段确定血压标签，这样标签上下文信息丰富，有利于模型学习输入信号与血压输出之间的映射关系。利用公开可获取的大样本数据集训练模型，扩大了模型泛化范围，避免过拟合，有利于在实际使用中对新的输入信号进行泛化和血压预测。采用自动化的方式从abp生成大量训练标签，提高了标签提取效率，解决了医学数据标签获取不足的难题。

25、具体地，采用基于均方误差的损失函数mse，mse是一种常用的回归问题损失函数，它计算模型的预测值与真实值之间的平方差，并求取平均值。在血压预测这样的连续数值预测问题中，mse是一个合适的选择，因为它对较大的误差具有较强的惩罚，有助于模型更准确地学习目标。通过最小化损失函数，训练过程旨在使模型的预测值尽可能接近真实血压值，从而提高模型的准确性和泛化能力。这种损失函数的选择是在监督学习框架下对模型进行有效训练的一部分。

26、进一步地，将输入的预处理后的脉搏波信号ppg和心电信号ecg划分为若干批次；对每个批次的脉搏波信号ppg和心电信号ecg，前向传播计算1dunet模型，输出预测血压值；计算预测血压值和真实血压值之间的均方误差，作为损失函数；通过损失函数的反向传播更新训练1dunet模型的参数；重复以上步骤直至遍历所有批次。

27、其中，将预处理后的脉搏波信号ppg和心电信号ecg划分为若干批次。数据通常会被分成批次来进行训练，这有助于模型并行计算，提高训练效率。批次的大小可以根据计算资源和数据量进行调整。对每个批次的脉搏波信号ppg和心电信号ecg进行前向传播计算1dunet模型，输出预测血压值。将每个批次的数据输入到1dunet模型中，模型执行前向传播操作，生成对血压值的预测结果。计算预测血压值和真实血压值之间的均方误差，作为损失函数。对于每个批次，计算模型预测值与真实血压值之间的均方误差，以衡量预测结果与真实值之间的差距。通过损失函数的反向传播，更新训练1dunet模型的参数。根据损失函数计算的结果，利用反向传播算法调整模型的参数，使得模型在训练过程中逐步优化，提高对血压预测的准确性。遍历所有批次，重复以上步骤。这个训练过程是一个典型的深度学习模型训练流程，通过多次迭代训练和参数优化，模型逐渐学习到脉搏波信号ppg和心电信号ecg之间复杂的关联，并最小化预测值与真实血压值之间的均方误差，从而实现更准确的血压值预测。

28、具体地，前向传播(forward propagation)：是神经网络的正向计算过程，按照输入层、隐含层、输出层的顺序，逐层计算并传递信号，最终得到输出值。在本方案中，对输入批次数据进行前向传播，即输入ppg和ecg，通过1dunet模型层层计算，最终得到血压预测输出。反向传播(back propagation)：是神经网络的反向计算过程，按照输出层、隐含层、输入层的顺序，根据损失函数计算误差，逐层反向传递，调整网络权重和偏置，实现模型学习。在本方案中，计算损失函数后，进入反向传播过程，根据损失函数误差，通过1dunet模型层层回传，更新每层中的参数，完成一次迭代优化。重复前向和反向传播，在所有训练批次上迭代，可提高模型对输入信号与血压输出映射关系的学习和预测能力。

29、进一步地，更新训练1dunet模型的参数采用adam算法。adam(adaptive momentestimation)是一种结合了动量法和自适应学习率的优化算法，用于调整神经网络模型的权重和偏置。adam算法根据每个参数的梯度以及之前的梯度动量，计算出相应的参数更新步长。它还通过自适应地调整学习率，针对不同参数进行不同程度的学习率调整，从而更有效地更新模型参数。在每个训练批次或周期之后，根据模型预测值和真实值之间的损失，利用adam算法计算模型参数的梯度，并根据这些梯度来更新模型的权重和偏置，使得模型逐渐优化以最小化损失函数。在本技术中，采用adam算法来更新1dunet模型的参数是为了更有效地训练模型，使其能够更准确地学习脉搏波信号ppg和心电信号ecg之间的关联，从而实现准确的血压预测。

30、本说明书实施例的另一个方面提供一种无创血压预测系统，用于执行本技术的一种无创血压预测方法，包括：采集模块，采集脉搏波信号ppg和心电信号ecg；预处理模块，对采集的脉搏波信号ppg和心电信号ecg进行预处理；拼接模块，将预处理后的脉搏波信号ppg和心电信号ecg进行拼接，生成二维矩阵作为输入信号；模型构建模块，构建基于卷积神经网络的1dunet模型，利用构建的1dunet模型输出预测血压值；模型训练模块，基于均方误差的损失函数，采用adam算法训练构建的1dunet模型。

31、其中，采集模块用于获取脉搏波信号ppg和心电信号ecg。这可能包括传感器或设备，用于实时采集患者的脉搏波信号和心电信号。这些信号是后续血压预测的输入数据。预处理模块对采集的脉搏波信号ppg和心电信号ecg进行预处理。预处理操作可能包括滤波、去噪、去基线漂移等，以确保输入信号的质量和准确性。拼接模块将预处理后的脉搏波信号ppg和心电信号ecg进行拼接，生成二维矩阵作为输入信号，更好地理解脉搏波信号和心电信号之间的关系，将它们以矩阵的形式作为模型的输入。模型构建模块负责构建基于卷积神经网络的1dunet模型，并利用该模型输出预测血压值。这个模块定义了模型的结构，包括卷积层、池化层等，以便有效地从拼接后的信号中学习特征，并生成对血压值的预测。模型训练模块使用基于均方误差的损失函数，采用adam算法训练构建的1dunet模型。该模块执行模型的训练过程，利用反向传播和优化算法(adam)来更新模型的参数，以最小化预测值与真实血压值之间的均方误差。这个系统整体上通过数据采集、预处理、模型构建和训练等步骤，实现了对无创血压的预测。这种系统的设计旨在提供一种有效的方法，能够结合脉搏波信号和心电信号，通过深度学习模型来实现连续的无创血压监测。

32、本说明书实施例的另一个方面提供一种无创血压预测设备，用于执行本技术的一种无创血压预测方法，包括：数据采集接口，采集脉搏波信号ppg和心电信号ecg；存储单元，存储采集的脉搏波信号ppg和心电信号ecg、构建的1dunet模型和模型参数；处理单元，对采集的脉搏波信号ppg和心电信号ecg进行预处理、构建1dunet模型、计算损失函数和训练1dunet模型参数；网络传输单元，将采集的脉搏波信号ppg和心电信号ecg传输至云端服务器，并从云端服务器接收训练后的1dunet模型和1dunet模型参数；电源单元，为设备供电。其中，数据采集接口，用于采集脉搏波信号ppg和心电信号ecg。数据采集接口可以由光电传感器、电极等构成，实现对使用者生理信号的采集。存储单元，用于存储采集的ppg和ecg原始信号数据、构建的1dunet模型结构、模型训练过程中产生的网络参数。存储单元可以采用闪存等形式实现。处理单元，用于对采集的ppg和ecg信号进行预处理，构建1dunet模型的网络框架，计算网络训练所需的损失函数，并根据损失函数训练网络参数。处理单元可以采用dsp、gpu等芯片实现。网络传输单元，用于将采集的ppg和ecg原始信号传输到云端服务器，以及从云端接收经过训练的1dunet模型结构和模型参数。网络传输单元可采用wifi、蓝牙等无线传输模式。电源单元，用于为设备各单元提供工作电源。可以采用充电电池等形式。

33、训练1dunet模型参数采用基于云端服务器的模型训练架构；网络传输单元将采集的脉搏波信号ppg和心电信号ecg上传到云端服务器；在云端服务器进行1dunet模型参数的训练；并将训练后的1dunet模型和1dunet模型参数发送到设备。

34、其中，网络传输单元将设备采集的原始脉搏波信号ppg和心电信号ecg上传传输到云端服务器。云端服务器在强大的计算平台上完成1dunet模型结构搭建，以及大规模训练数据集上的模型参数训练。具体可以利用云计算服务，通过grid搜索等方法寻找最优模型参数。训练完成后，云端服务器将产生的1dunet最终模型结构文件和训练好的参数文件打包，通过网络传输单元发送到无创血压预测设备。设备端接收到经过云端训练的1dunet模型和参数文件后，存储到设备本地，完成模型的部署。此后设备端可以直接利用接收的模型对采集的新数据进行inference，无需再进行模型训练，从而降低设备计算和存储成本。

35、具体地，云端服务器通常具有大量的计算资源和存储空间，可以更有效地处理大规模的数据集和复杂的神经网络模型。这有助于提高训练效率和处理大规模数据的能力。云端服务器支持分布式计算和并行处理，可以同时处理多个训练任务，加速模型的训练过程。这对于大规模深度学习模型的训练是至关重要的。云端训练提供了灵活性和可扩展性，使得可以根据需要动态调整计算资源。这意味着可以轻松地扩展训练集的规模、调整模型的复杂度，而无需过多依赖本地计算资源。在云端进行模型训练可以更好地处理数据的安全性和隐私保护。敏感的医疗数据不需要离开受控制的环境，可以在云端服务器上进行模型训练，而只有模型参数或预测结果需要传输回设备。通过在云端进行模型训练，可以实现实时性和连续更新。模型可以定期在云端进行重新训练，利用新的数据和知识，以提高模型的性能和适应性，而无需在设备端进行繁重的模型更新。

36、优选的，本技术的一种无创血压预测设备为手持式设备，手持式设备易于携带，患者可以方便地携带设备进行日常生活中的活动。这使得无创血压监测不再受到地理位置或场所的限制，患者能够更加方便地进行连续监测。手持式设备使得无创血压监测能够实时进行，无需患者前往医疗机构。患者可以在日常生活中持续进行血压监测，提高监测的频率和时效性。手持式设备通常设计简单，易于使用，适用于各个年龄段和使用者水平。这有助于提高设备的接受度和患者的便利性。手持式设备能够轻松连接到云端服务器，实现数据的传输和存储。患者可以方便地将采集到的脉搏波信号ppg和心电信号ecg上传到云端，进行模型训练和更新。手持式设备通常具有较强的嵌入式处理能力，能够实现一定程度的智能化处理。这使得设备能够在本地对数据进行初步处理，减轻云端服务器的负担，并降低数据传输的需求。

37、3.有益效果

38、相比于现有技术，本技术的优点在于：

39、(1)采用无创式的生理信号检测方式，仅需获取脉搏波信号ppg和心电信号ecg，避免了采集动脉血压abp时对使用者造成的不适，实现了无创连续血压监测；

40、(2)构建基于1dunet的深度学习模型，可以直接利用ppg和ecg信号实现血压值预测，无需提取信号特征，避免了特征工程中的人工经验，提高了方法可复用性；

41、(3)采用端侧和云端协同的系统架构，手持设备采集信号和模型预处理，云服务器完成深度模型训练，降低了手持设备的计算和存储需求，实现高效率血压监测。

42、(4)设备采集时传感器接触部位不固定，可以选择联系紧密的部位，获得质量更好的生理信号，腕带设备长时间佩戴容易使接触状态松动，导致信号质量下降，而设备采集时间短可避免此问题，设备可以方便采集多轮信号，剔除质量差的信号，选择最优信号输入模型，输入信号质量直接决定模型的预测效果上限，有利于最终提升监测的准确性，有利于提高预测准确性。