[发明专利]一种血压预测的方法和装置

说明书

本发明实施例涉及一种血压预测的方法和装置，所述方法包括：对PPG信号数据进行信号转换采样生成脉搏波一维数据序列；对脉搏波一维数据序列进行数据片段划分；根据片段总数和脉搏波一维数据序列生成输入数据四维张量；利用血压CNN对输入数据四维张量进行多层卷积池化计算生成特征数据四维张量；根据特征数据四维张量生成输入数据二维矩阵；利用血压ANN对输入数据二维矩阵进行特征数据回归计算生成血压回归数据二维矩阵；当预测模式标识符为均值预测时进行均值舒张、收缩压数据计算生成预测均值舒张、收缩压数据；当预测模式标识符为动态预测时提取舒张、收缩压数据生成预测血压一维数据序列。

技术领域

本发明涉及电生理信号处理技术领域，特别涉及一种血压预测的方法和装置。

背景技术

心脏是人体血液循环的中心，心脏通过有规律的搏动产生血压，进而向全身供血完成人体的新陈代谢，血压是人体非常重要的生理信号之一。正常范围内的血压才能保证血液正常循环流动，许多因素共同作用下才能使血压保持正常，从而人体的各个器官与组织能获得足够的血量，进而保持人体正常运转。人体血压含有两个重要的数值：收缩压和舒张压，医学上通过这两个量来判断人体血压的正常与否。长期持续观测血压这两项参数，可以帮助人们对自身心脏健康状态有较为清晰的认识。但是，当下大多数传统的血压测量方式均采用压力计之类的外力上压检测方式，不仅操作繁琐，且容易引起被测者的不适，因此也就不能多次地使用以达到连续监测的目的。

发明内容

本发明的目的，就是针对现有技术的缺陷，提供一种血压预测的方法和装置，首先使用光体积变化描记图法(Photoplethysmography，PPG)对测试者进行数据采集，其次采用由血压卷积神经网络(Convolutional Neural Network，CNN)模型和血压人工神经网络(Artificial Neural Network，ANN)模型组成的智能网络模型对PPG采集数据进行PPG-血压数据特征计算及血压数据回归计算从而推算出测试者的血压数据(舒张压、收缩压)；通过本发明实施例，既避免了常规测试手段的繁琐和不适感，又产生了一种自动智能的数据分析方法，从而使得应用方可以方便地对被测对象进行多次连续监测。

为实现上述目的，本发明实施例第一方面提供了一种血压预测的方法，其特征在于，所述方法包括：

对光体积变化描记图法PPG信号数据进行脉搏波转换及采样处理生成脉搏波一维数据序列；并按脉搏波数据片段长度阈值对所述脉搏波一维数据序列进行数据片段划分生成多个脉搏波一维数据片段；以所述脉搏波一维数据序列包括的所述脉搏波一维数据片段的总数为片段总数；

根据所述片段总数和所述脉搏波一维数据序列，进行血压卷积神经网络CNN的输入数据四维张量构建操作，生成输入数据四维张量；

按预置的卷积层数阈值，利用所述血压CNN对所述输入数据四维张量进行多层卷积池化计算生成特征数据四维张量；

根据所述特征数据四维张量，进行血压人工神经网络ANN的输入数据二维矩阵构建操作，生成输入数据二维矩阵；

利用所述血压ANN，对所述输入数据二维矩阵进行特征数据回归计算生成血压回归数据二维矩阵[X，2]；所述X为所述血压回归数据二维矩阵[X，2]的第二维度参数，且所述X的值为所述片段总数；

获取预测模式标识符；所述预测模式标识符包括均值预测和动态预测两种标识符；

当所述预测模式标识符为所述均值预测时，根据所述血压回归数据二维矩阵[X，2]，进行均值舒张压数据计算操作生成预测均值舒张压数据和均值收缩压数据计算操作生成预测均值收缩压数据；

当所述预测模式标识符为所述动态预测时，根据所述血压回归数据二维矩阵[X，2]，进行舒张压数据与收缩压数据提取操作，生成预测血压一维数据序列。

优选的，所述对光体积变化描记图法PPG信号数据进行脉搏波转换及采样处理生成脉搏波一维数据序列，具体包括：