[发明专利]一种基于不确定性度量的无袖带连续血压估计系统

权利要求书

1.一种基于不确定性度量方法的无袖带血压估计系统，该系统包括：信号采集模块、数据预处理模块、特征提取模块、血压估计模块；

所述信号采集模块通过可穿戴设备采集人体某处生理信号，如动脉血压(ArterialBlood Pressure，ABP)、心电(Electrocardiogram，ECG)信号或光电容积脉搏波(Photoplethysmog ram，PPG)信号，将采集到的信号传输至数据预处理模块；

所述数据预处理模块对信号采集模块采集到的生理信号进行去噪和放大，然后传输至特征提取模块；

所述特征提取模块对预处理后的ECG信号和PPG信号进行特征提取，将提取的特征传输至血压估计模块；提取的特征如下：

特征1：PPG强度比PIR，即PPG信号的一个周期内，PPG_peak与PPG_valley之比；

特征2：PPG半幅脉冲宽度PWHA，即PPG信号一个周期内，幅度为50％PPG_peak的两个点之间的时间差；

特征3：PPG幅度PA，即PPG信号一个周期内，PPG_peak与PPG_valley之间的幅度差；

特征4：PPG时间PPGP，即两个周期间，PPG_peak1与PPG_peak2之间的时间差；

特征5：PPG一阶导间隔dPPGP，即PPG信号一个周期内，dPPG_peak到dPPG_valley之间的时间差；

其中，PPG_peak表示PPG信号的波峰，PPG_valley表示PPG信号的波谷，dPPG_peak表示PPG信号一阶导数的波峰，dPPG_valley表示PPG信号一阶导数的波谷，PPG_peak1表示一个心动周期内PPG信号波峰，PPG_peak2表示下一个心动周期内PPG信号波峰；

所述血压估计模块包括回归预测和不确定性量化两个部分，包括以下步骤：

步骤1：构建基于证据回归的神经网络模型，为预测目标的似然函数赋予证据先验；

所述神经网络模型，输入为可穿戴设备获取到的与血压相关的生理指特征，输出为预测的动脉血压值以及与证据分布相关的参数；

所述为预测目标的似然函数赋予证据先验如下：

设神经网络的预测目标y_i是从一个高斯分布中提取到的(y₁，y₂，…，y_N)～N(μ，σ²)，在分布参数θ＝(μ，σ²)上分别放置证据先验分布：

在未知均值μ上放置高斯先验分布：μ～N(γ，σ²v^-1)；

在未知方差σ²上放置逆伽马先验分布：σ²～Γ^-1(α，β)；

计算先验分布的联合分布，即为正态逆伽马分布：

其中，p(μ)表示均值μ的概率密度函数，p(σ²)表示方差σ²的概率密度函数，Γ(·)表示伽马函数；m＝(γ，v，α，β)表示证据分布的超参数，γ∈R，v＞0，α＞1，β＞0。正态逆伽马分布的均值由样本均值为γ的v虚拟观测值估计，方差由样本均值为γ的α虚拟观测值和方差之和2v估计，β为逆伽马分布的尺度参数；

步骤2：读取特征提取模块提取到的相关生理参数以及对应的参考舒张压、收缩压值，将数据输入步骤1构建的网络；

步骤3：对网络进行训练，迭代更新模型参数，得到训练后的模型，获取证据分布的超参数，计算任意不确定性和认知不确定性，以表征模型预测的置信水平；

步骤4：将测量得到的生理参数输入训练后的模型，实时估计动脉血压及预测不确定性。

2.如权利要求1所述的一种基于不确定性度量方法的无袖带血压估计系统，其特征在于，所述步骤3中，对神经网络模型进行训练基于最大似然估计原则，具体过程如下：

结合贝叶斯统计理论，预测目标y_i的似然函数即为边际似然函数，可以表征“模型证据”，计算如下:

其中，p(θ|m)为先验的联合分布，p(y_i|θ)表示预测目标y_i的概率密度函数:

最大似然估计方法将神经网络模型的损失函数定义为似然函数的负对数：

此外，定义证据正则化器：

其中，E[μ]表示神经网络模型的预测值，为模型的总证据，为所有推断得到的虚拟观测值之和；

神经网络模型的总损失为：

其中，w表示神经网络模型的参数，λ为正则化系数；

训练完成后，得到证据分布的超参数，m＝(γ，v，α，β)，可以计算神经网络模型的预测值为：

计算任意不确定性为：

任意不确定性的大小评估测试数据与训练数据的一致性，当任意不确定性较大时，表示测试数据与训练数据差异较大，进行生理监测时，表征异常的生理状态，辅助预警；

计算认知不确定性为：

认知不确定性表征模型预测的置信度，模型预测得到的数据分布可以表示为：

其中Y_est表示模型预测值，Var表示预测的置信度。