CN116211268B - 一种无创连续血压测量方法 - Google Patents

Abstract

本发明公开了一种无创连续血压测量方法，实时处理被测者的血氧容积波和心电信号，通过差分计算、划分采样区域获取当前心动周期血氧容积波和心电信号中的5个特征点，基于该5个特征点和上一心动周期的5个特征点确定多个特征值，将所有特征值输入进训练过的神经网络模型，该神经网络模型的输出即为当前心动周期的血压值，能够实现基于多参数的无创连续血压测量；对血氧容积波划分4个样本区，方便生理参数的筛选，能够提高筛选生理参数的精度和效率，提高神经网络模型输出的血压值的准确性和效率。

Description

一种无创连续血压测量方法

技术领域

本发明涉及血压测量技术领域，尤其涉及一种无创连续血压测量方法。

背景技术

血压是指流动的血液对单位面积的血管壁产生的侧压力，具有连续性周期性的特点。它是反映人体循环系统的主要参数，是表征人体基本生命体征的重要依据，还是诊断高血压、心脑血管疾病和糖尿病等慢性疾病的关键指标。准确监测血压值，不仅对日常保健具有积极意义，而且对预防、控制高血压等慢性疾病，了解患者术后的康复状况也至关重要。

根据检测原理的不同，无创血压测量法，可分为示波法、柯氏音法、恒定容积法、张力法和脉搏波传输时间测量血压法等。示波法和柯氏音法的准确性和一致性较差，且只能获得单点血压值，因而不能真实、连续、全面地反映被测者的血压状况，故在长时间连续监测方面具有一定的局限性。恒定容积法、张力法和脉搏波传输时间测量血压等方法可实现血压的连续测量，但各自仍有不足之处。恒定容积法虽实现了连续性测量，但测得的血压是指端脉搏压力值，临床参考价值有限；张力法对测量位置和角度的要求较高，使其长时间保持同一位置不变较为困难，在无创连续性血压方面有一定的局限性。脉搏波传输时间的测量方法主要通过脉搏波在主动脉血管中传输的速度或时间来反推血压，由于其测量简便且便于长时间穿戴测量，近年来逐渐成为无创连续血压测量领域研究的热点。最新研究表明：对大量测量样本总和而言，脉搏波传输时间与收缩压线性相关性的平均值约为-0.48；对单个个体而言，脉搏波传输时间与收缩压的线性相关性在-0.37到-0.95之间不等，故不能简单地采用线性模型估算血压值。

神经网络是一种人工智能数学模型，现已被广泛应用于血压预测和辨识上，并取得了良好的效果。血氧容积波作为测量模型的输入，利用深信度神经网络计算血压值，收缩压和舒张压误差的平均值±标准差分别是-2.98±19.35mmHg和3.65±8.69mmHg。虽然该方法采用神经网络等机器学习模型估算血压值，但是只从单一的心电信号中提取特征参数，没有综合考虑其它因素对血压的作用。根据Moens-Korteweg公式知，脉搏波传输时间与血压直接相关，且该方法测得的精度达不到医用设备要求。结合血压形成机制和血液动力学原理知，心输出量、循环血量、血管壁弹性、外周阻力、神经系统和呼吸系统等因素与血压的变化密切相关。因此，仅仅依靠单一因素很难得到血压的准确值，必须同时考虑多种因素对血压的影响。可见，如何提出一种基于多参数的无创连续血压测量方法显得非常重要。

发明内容

本发明所要解决的技术问题在于，提供无创连续血压测量方法，能够实现基于多参数的无创连续血压测量。

为了解决上述技术问题，本发明第一方面公开了一种无创连续血压测量方法，所述方法包括：

实时采集被测者的血氧容积波和心电信号；

预处理采集的血氧容积波和心电信号以滤除干扰；

对经预处理后的血氧容积波在当前心动周期中的每个采样点做一阶差分得到多个一阶差分值，确定最大的一阶差分值对应的采样点为P1点；

在经预处理后的血氧容积波的第一样本区中筛选出幅值最大的采样点，并确定该点为收缩期峰值P2点；所述第一样本区包括m1+1个采样点，具体为所述P1点以及所述P1点之后采集的m1个采样点；

在经预处理后的血氧容积波的第二样本区中筛选出极大值点，并确定该点为舒张期峰值点P3；所述第二样本区包括m2个采样点，具体为所述P2点的下一个采样点，以及该下一个采样点之后采集的m2-1个采样点；

在经预处理后的血氧容积波的第三样本区中筛选出极小值点，并确定该点为重搏切迹点P4；所述第三样本区包括所述P2点的下一个采样点、所述P3点，以及该两采样点之间的所有采样点；

在经预处理后的血氧容积波的第四样本区中筛选出幅值最小的采样点，并确定该点为最小值点P5；所述第四样本区包括m3个采样点，具体为所述P3点的下一个采样点，以及该下一个采样点之后采集的m3-1个采样点；

所述m1、所述m2和所述m3均由采集被测者血氧容积波或心电信号的采样率和被测者的心率所确定；

获取上一心动周期的心电波形R点、收缩期峰值点、舒张期峰值点、最小值点和重搏切迹点的采样时间和幅值，以及所述P1点、所述P2点、所述P3点、所述P4点和所述P5点的采样时间和幅值；

根据上一心动周期的心电波形R点、收缩期峰值点、舒张期峰值点、最小值点和重搏切迹点的采样时间和幅值，以及所述P1点、所述P2点、所述P3点、所述P4点和所述P5点的采样时间和幅值确定多个特征值；

将所有所述特征值输入训练过的神经网络模型，获取该神经网络模型的输出值并确定为所述被测者在当前心动周期的血压值。

作为一种可选的实施方式，在本发明第一方面中，所述预处理采集的血氧容积波和心电信号，包括：

将采集的血氧容积波和心电信号通过截止频率为0.5Hz的高通滤波器，以去除基线漂移；

将采集的血氧容积波和心电信号通过截止频率为10-17Hz的低通滤波器，以抑制血氧容积波和心电信号中肌电信号引起的高频信号；

将采集的血氧容积波和心电信号通过50Hz陷波器，以过滤工频噪声的干扰。

作为又一种可选的实施方式，在本发明第一方面中，所述m1为12*T/HR，所述m2为36*T/HR，所述m3为30*T/HR，其中T为采集血氧容积波的采样率，HR为心率。

作为又一种可选的实施方式，在本发明第一方面中，所述根据上一心动周期的心电波形R点、收缩期峰值点、舒张期峰值点、最小值点和重搏切迹点的采样时间和幅值，以及所述P1点、所述P2点、所述P3点、所述P4点和所述P5点的采样时间和幅值确定多个特征值，包括：

确定第1特征值为所述P1点与所述心电波形R点之间的时间差值、第2特征值为所述P2点的幅值、第3特征值为上一心动周期的收缩期峰值点与当前心动周期的收缩期峰值点所述P2点之间的时间差值、第4特征值为所述P3点的幅值、第5特征值为上一心动周期的舒张期峰值点与当前心动周期的舒张期峰值点所述P3点之间的时间差值、第6特征值为所述P5点的幅值、第7特征值为上一心动周期的最小值点与当前心动周期的最小值点所述P5点之间的时间差值、第8特征值为所述P4点的幅值、第9特征值为上一心动周期的重搏切迹点与当前心动周期的重搏切迹点所述P4点的时间差值、第10特征值为上一心动周期的最小值点与所述P4点之间的血氧容积波的面积、第11特征值为所述P4点与所述P5点之间的血氧容积波的面积、第12特征值为上一心动周期的最小值点与所述P5点之间的血氧容积波的面积、第13特征值为所述第11特征值与所述第12特征值的比值、第14特征值为所述第2特征值与所述第4特征值的差值、第15特征值为所述第2特征值与所述第6特征值之间的差值。

作为又一种可选的实施方式，在本发明第一方面中，在所述预处理采集的血氧容积波和心电信号之后，所述方法还包括：

通过Pan-Tompkins检测算法定位经预处理后的所述心电信号在当前心动周期的心电波形R点，该心电波形R点用于下一心动周期的血压计算。

作为又一种可选的实施方式，在本发明第一方面中，所述神经网络模型为3层BP神经网络模型，其隐含层神经元个数L根据如下公式确定：

其中N为输入层神经元个数，M为输出层神经元个数，A为[1,10]之间的任一常数。

作为又一种可选的实施方式，在本发明第一方面中，所述神经网络模型的传递函数为Sigmoid函数，训练函数为traingdx函数，学习函数为learngdx函数。

本发明第二方面公开了一种无创连续血压测量终端，包括采集模块，所述采集模块用于执行本发明第一方面所述的无创连续血压测量方法中的步骤。

作为一种可选的实施方式，在本发明第二方面中，所述无创连续血压测量终端与被测者的移动终端建立无线通信连接，通过无线通信连接上传所述采集模块的采集数据至该移动终端，以存储和/或云上传该采集数据。

作为又一种可选的实施方式，在本发明第二方面中，所述无创连续血压测量终端还包括磁吸模块和无线传输模块，所述被测者的移动终端内置有霍尔感应器；

其中，所述无创连续血压测量终端与被测者的移动终端建立无线通信连接的方式具体包括：

当所述无创连续血压测量终端靠近被测者的移动终端时，所述磁吸模块触发所述移动终端的所述霍尔传感器发出中断信号；

所述无创连续血压测量终端的控制器接收到所述中断信号后控制所述无线传输模块向外发出广播包；

当搜索到所述广播包时，所述移动终端根据所述广播包与所述无创连续血压测量终端建立无线通信连接。

本发明第三方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如本发明第一方面所述的无创连续血压测量方法中的步骤。

与现有技术相比，本发明实施例具有以下有益效果：

神经网络模型具有很强的非线性拟合能力，本申请根据血氧容积波和心电信号所确定的多个特征值与血压值有较大的相关性，经预先训练之后神经网络模型能够学习这些特征值与血压值的对应关系，因此，本发明实施例的神经网络模型能够根据输入的特征值输出对应的血压值，能够实现基于多参数的无创连续血压测量；本发明实施例对血氧容积波划分4个样本区，方便生理参数(P1点-P5点)的筛选，能够提高筛选生理参数的精度和效率，进而有助于提高根据生理参数确定特征值的准确性和效率，提高神经网络模型输出的血压值的准确性和效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1是本发明实施例公开的一种无创连续血压测量方法的流程示意图；

图2是本发明实施例公开的连续采集的血氧容积波和心电信号的示例图；

图3是本发明实施例公开的一次测试实验中对某位被测者采用本发明算法计算得到的血压值和Finometer设备测量的血压值的对比示意图；

图4a是本发明实施例公开的一次测试实验中所有通过本发明算法计算的被测者的收缩压与Finometer测量的收缩压之间的绝对误差；

图4b是本发明实施例公开的一次测试实验中所有通过本发明方法计算的被测者的舒张压与Finometer测量的舒张压之间的绝对误差；

图5是本发明实施例公开的测试实验中运用本发明方法计算的误差统计表格；

图6是本发明实施例公开的测试实验中对3名测试者用第1次训练的神经网络模型预测第2次的血压值与Finometer测量的血压值的对比表格。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

参见图1，本发明实施例公开一种无创连续血压测量方法，所述方法包括：

101、实时采集被测者的血氧容积波和心电信号，预处理采集的血氧容积波和心电信号以滤除干扰。

102、对经预处理后的血氧容积波在当前心动周期中的每个采样点做一阶差分得到多个一阶差分值，确定最大的一阶差分值对应的采样点为P1点。

103、在经预处理后的血氧容积波的第一样本区中筛选出幅值最大的采样点，并确定该点为收缩期峰值P2点。

本发明实施例中，所述第一样本区包括m1+1个采样点，具体为所述P1点以及所述P1点之后采集的m1个采样点。

104、在经预处理后的血氧容积波的第二样本区中筛选出极大值点，并确定该点为舒张期峰值点P3。

本发明实施例中，所述第二样本区包括m2个采样点，具体为所述P2点的下一个采样点，以及该下一个采样点之后采集的m2-1个采样点。

105、在经预处理后的血氧容积波的第三样本区中筛选出极小值点，并确定该点为重搏切迹点P4。

本发明实施例中，所述第三样本区包括所述P2点的下一个采样点、所述P3点，以及该两采样点之间的所有采样点。

106、在经预处理后的血氧容积波的第四样本区中筛选出幅值最小的采样点，并确定该点为最小值点P5。

本发明实施例中，所述第四样本区包括m3个采样点，具体为在所述P3点的下一个采样点，以及该下一个采样点之后采集的m3-1个采样点。

本发明实施例中，所述m1、所述m2和所述m3均由采集被测者血氧容积波或心电信号的采样率和被测者的心率所确定。

107、获取上一心动周期的心电波形R点、收缩期峰值点、舒张期峰值点、最小值点和重搏切迹点的采样时间和幅值，以及所述P1点、所述P2点、所述P3点、所述P4点和所述P5点的采样时间和幅值。

108、根据上一心动周期的心电波形R点、收缩期峰值点、舒张期峰值点、最小值点和重搏切迹点的采样时间和幅值，以及所述P1点、所述P2点、所述P3点、所述P4点和所述P5点的采样时间和幅值确定多个特征值。

109、将所有所述特征值输入训练过的神经网络模型，获取该神经网络模型的输出值并确定为所述被测者在当前心动周期的血压值。

本发明实施例中，神经网络模型预先经过大量数据训练以学习到特征值与血压值的对应关系，其中，每一组训练数据包括一个心动周期的所有特征值以及该心动周期的测量血压值。

神经网络模型具有很强的非线性拟合能力，本申请根据血氧容积波和心电信号所确定的多个特征值与血压值有较大的相关性，经预先训练之后神经网络模型能够学习这些特征值与血压值的对应关系，因此，本发明实施例的神经网络模型能够根据输入的特征值输出对应的血压值，能够实现基于多参数的无创连续血压测量；本发明实施例对血氧容积波划分4个样本区，方便生理参数(P1点-P5点)的筛选，能够提高筛选生理参数的精度和效率，进而有助于提高根据生理参数确定特征值的准确性和效率，提高神经网络模型输出的血压值的准确性和效率。

在一个可选的实施例中，所述预处理采集的血氧容积波和心电信号，包括：

将采集的血氧容积波和心电信号通过截止频率为0.5Hz的高通滤波器，以去除基线漂移；

将采集的血氧容积波和心电信号通过截止频率为10-17Hz的低通滤波器，以抑制血氧容积波和心电信号中肌电信号引起的高频信号；

将采集的血氧容积波和心电信号通过50Hz陷波器，以过滤工频噪声的干扰。

一般来说，心电信号QRS波群能量主要分布于0～38Hz范围内，波峰集中于10～20Hz，中心频率在17Hz左右，带宽约10Hz；由血氧容积波频谱知，在15Hz以下脉搏波能量衰减达到-40dB，在8Hz以下能量衰减达到-35dB，其中95％的能量集中在0～6Hz。因此，为获取干净的生理信号，需对原始生理信号做预处理。本实施例中，综合考虑滤波器的带宽要求、系统资源和计算复杂度，滤波器选用FIR和IIR组成的带通滤波器，例如：FIR滤波器可以是带宽为[0，15Hz]和50Hz陷波的低通滤波器，IIR滤波器可以是带宽为[0.5Hz，+∞]和50Hz陷波的高通滤波器。

在又一个可选的实施例中，经过大量数据分析，当血氧容积波或心电信号的采样率为T＝250samples/s，心率在HR∈[60bpm,120bpm]时，确定所述m1为12*T/HR，所述m2为36*T/HR，所述m3为30*T/HR，可保证上述四个样本区有较高的划分精度和实现较快的筛选速度；其中T为采集血氧容积波的采样率、单位为samples/s(即每秒采集的样本数)，HR为心率、单位为bpm。

在又一个可选的实施例中，参见图2，所述根根据上一心动周期的心电波形R点、收缩期峰值点、舒张期峰值点、最小值点和重搏切迹点的采样时间和幅值，以及所述P1点、所述P2点、所述P3点、所述P4点和所述P5点的采样时间和幅值确定多个特征值，包括：

获取上一心动周期的收缩期峰值点、舒张期峰值点、最小值点和重搏切迹点，确定第1特征值为所述P1点与所述心电波形R点之间的时间差值a1、第2特征值为所述P2点的幅值a2、第3特征值为上一心动周期的收缩期峰值点与当前心动周期的收缩期峰值点所述P2点之间的时间差值a3、第4特征值为所述P3点的幅值a4、第5特征值为上一心动周期的舒张期峰值点与当前心动周期的舒张期峰值点所述P3点之间的时间差值a5、第6特征值为所述P5点的幅值a6、第7特征值为上一心动周期的最小值点与当前心动周期的最小值点所述P5点之间的时间差值a7、第8特征值为所述P4点的幅值a8、第9特征值为上一心动周期的重搏切迹点与当前心动周期的重搏切迹点所述P4点的时间差值a9、第10特征值为上一心动周期的最小值点与所述P4点之间的血氧容积波的面积a10、第11特征值为所述P4点与所述P5点之间的血氧容积波的面积a11、第12特征值为上一心动周期的最小值点与所述P5点之间的血氧容积波的面积a12、第13特征值为所述第11特征值与所述第12特征值的比值a13、第14特征值为所述第2特征值与所述第4特征值的差值a14、第15特征值为所述第2特征值与所述第6特征值之间的差值a15。

依据血压形成机制和血液动力学原理可知，心输出量、循环血量、血管壁弹性和外周阻力是影响血压变化的主要因素，呼吸和情绪等人为因素也与血压变化密切相关。通常，心输出量增加时，血压升高，引起脉搏波第1峰值的相对幅值和(参数a15)脉搏波传播速度(参数a1.1)减小，收缩面积的增大(参数a10)。外周阻力减小时，血压升高，引起脉搏波第1峰值点绝对高度升高(参数a2)，脉搏波切迹点幅值下降(参数a8)，第1峰值与第2峰值差值减小(参数a14)。同时，同时舒张面积，收缩面积(a10)和舒张面积(a11)的面积比(参数a13)变化指示总血管阻力的增大或减小。血管壁弹性减弱时，血压升高，引起脉搏波传输时间减小(参数a1)，脉搏波的第2峰值点幅值下降(参数a4)，脉搏波切迹点时长增大(参数a9)，第1峰值与第2峰值的差值增加(参数a14)。循环血量对单个个体而言，是相对不变的。但当循环血量减少时，血压减少，直接引起脉搏波基线(参数a6)和脉搏波幅值(参数a2，参数a4)下降，血氧容积波面积减少(参数a12)。呼吸加快时，血压升高。脉搏波幅值(参数a2，参数a4)、脉搏波周期(参数a3)和脉搏波宽度(参数a7)也会随呼吸变化而变化。血压还受神经系统调节的作用。神经系统的变化可通过心电信号的心率变异性表现出来，也可通过脉率变异性(参数a3)和脉搏波第2峰值(参数a5)变异性表现出来。但同脉率变异性的差别在于，脉搏波的第2峰值是传输到下半部身体后反射回来的讯号，除同脉搏波第1峰值反应的血液密度，血液流动速度等共性参数外，还包含反射路径上循环系统的其他参数信息，如血管壁弹性，血管阻力等参数。可见，可通过脉搏波特征参数变化反推出血压变化，而光电容积信号和脉搏波信号具有相同的产生机理，因此可通过光电容积信号反推出血压。由于参数a1.1与参数a1直接相关，故只选择参数a1作为独立参数。虽然参数a2可由a14和a4计算得到，参数a15可由a2和a6计算得到，参数a13、参数a12可由a10和a11计算得到。a15与血氧容积波最小值的差值与血压之间的相关性是0.37±0.30，对血压值的计算非常重要；a2与收缩压直接相关；收缩压与参数a13的线性相关性优于脉搏波传输时间与收缩压的线性相关性，约为0.83；现有文献指出血压与参数a12的变化直接相关，所以本发明依然将参数a2，a15，a13和a12作为独立的特征参数。本发明综合考虑各个特征参数对血压的影响，最终选取参数a1～a15作为血压参数集，反推出血压的变化，如图2所示。

在又一个可选的实施例中，在所述预处理采集的血氧容积波和心电信号之后，所述方法还包括：

通过Pan-Tompkins检测算法定位经预处理后的所述心电信号在当前心动周期的心电波形R点，该心电波形R点用于下一心动周期的血压计算。

在又一个可选的实施例中，所述神经网络模型为3层BP神经网络模型，其隐含层神经元个数L根据如下公式确定：

其中N为输入层神经元个数，M为输出层神经元个数，A为[1,10]之间的任一常数。

在又一个可选的实施例中，所述神经网络模型的传递函数为Sigmoid函数，训练函数为traingdx函数，学习函数为learngdx函数。

需要说明的是，本发明实施例的无创连续血压测量方法经过测试实验，实验结果表明，该方法测得的收缩压和舒张压的测量精度均达到了BHS标准的GradeA类和AAMI标准(≤5±8mmHg)：

该测试实验使用执行所述无创连续血压测量方法的无创连续血压测量终端，其同步心电信号和血氧容积波的采样率均是250samples/s，逐拍的血压参考值来自Finometer(MIDI，FinapresMedicalSystem，Netherlands)设备。采集设备与Finometer设备同时采样，根据采集的心电信号、血氧容积波和血压信号自带的时间戳进行同步。所有志愿者(23-40岁，未患有心脏病或高血压等疾病，但可能患有其它疾病)均进行阶段1测试，测量时长15min；在阶段1测试结束后间隔10min，再从志愿者中随机选取3名志愿者进行阶段2的重复性测试，测量时长15min。实验结果如下：

图3是对某位被测者采用本发明算法计算所得血压值(收缩压，舒张压)和Finometer设备所得测量值(收缩压，舒张压)的对比图，时间宽度为160个心动周期。从图中可以看出，本发明算法计算得到的血压值(收缩压，舒张压)与Finometer血压值的差值很小，且可以准确反映出血压的变化趋势。

分析测试者的血压数据，图4统计了所有被测者通过本发明算法计算的血压值(图4(a)收缩压，图4(b)舒张压)与Finometer血压值(收缩压，舒张压)之间的绝对误差，从图中可以看出，舒张压绝对误差的范围是[37mmHg，-35mmHg]，主要集中在-7～5mmHg的水平，占整体的81.34％；收缩压绝对误差的范围是[30mmHg，-46mmHg]，主要集中在-6～6mmHg水平，占整体误差的88.78％。根据英国高血压协会提出的血压测量标准BHS标准，根据误差在≤5mmHg，≤10mmHg和≤15mmHg的百分比，分为GradeA，GradeB和GradeC3类。图5的表格统计了运用该方法的误差在≤5mmHg，≤10mmHg和≤15mmHg的百分比，收缩压和舒张压的测量精度均达到了GradeA标准。

同时，针对同一个体，进行重复性实验，应用第1次训练的神经网络模型，预测第2次测量的收缩压和舒张压。图6的表格列出3名测试者重复测量的血压值(收缩压，舒张压)与Finometer血压值的对比。对单个个体而言，重复测量实验中，收缩压绝对误差的平均值。

实施例二

一种无创连续血压测量终端，包括采集模块，所述采集模块用于执行实施例一所述的无创连续血压测量方法中的步骤。

在一个可选的实施例中，所述无创连续血压测量终端与被测者的移动终端建立无线通信连接，通过无线通信连接上传所述采集模块的采集数据至该移动终端，以存储和/或云上传该采集数据。

在又一个可选的实施例中，所述无创连续血压测量终端还包括磁吸模块和无线传输模块，所述被测者的移动终端内置有霍尔感应器；

其中，所述无创连续血压测量终端与被测者的移动终端建立无线通信连接的方式具体包括：

当所述无创连续血压测量终端靠近被测者的移动终端时，所述磁吸模块触发所述移动终端的所述霍尔传感器发出中断信号；

所述无创连续血压测量终端的控制器接收到所述中断信号后控制所述无线传输模块向外发出广播包；

当搜索到所述广播包时，所述移动终端根据所述广播包与所述无创连续血压测量终端建立无线通信连接。

本实施例中，考虑到用户人群主要以中老年为主，终端通过磁性模块实现简单快速的连接方式，使得操作简单便捷。

实施例三

一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如实施例一所述的无创连续血压测量方法中的步骤。

本发明实施例公开的内容所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种无创连续血压测量方法，其特征在于，所述方法包括：

实时采集被测者的血氧容积波和心电信号；

预处理采集的血氧容积波和心电信号以滤除干扰；

对经预处理后的血氧容积波在当前心动周期中的每个采样点做一阶差分得到多个一阶差分值，确定最大的一阶差分值对应的采样点为P1点；

在经预处理后的血氧容积波的第一样本区中筛选出幅值最大的采样点，并确定该点为收缩期峰值P2点；所述第一样本区包括m1+1个采样点，具体为所述P1点以及所述P1点之后采集的m1个采样点；

在经预处理后的血氧容积波的第二样本区中筛选出极大值点，并确定该点为舒张期峰值P3点；所述第二样本区包括m2个采样点，具体为所述P2点的下一个采样点，以及该下一个采样点之后采集的m2-1个采样点；

在经预处理后的血氧容积波的第三样本区中筛选出极小值点，并确定该点为重搏切迹P4点；所述第三样本区包括所述P2点的下一个采样点、所述P3点，以及该两采样点之间的所有采样点；

在经预处理后的血氧容积波的第四样本区中筛选出幅值最小的采样点，并确定该点为最小值P5点；所述第四样本区包括m3个采样点，具体为所述P3点的下一个采样点，以及该下一个采样点之后采集的m3-1个采样点；

所述m1、所述m2和所述m3均由采集被测者血氧容积波或心电信号的采样率和被测者的心率所确定；

获取上一心动周期的心电波形R点、收缩期峰值点、舒张期峰值点、最小值点和重搏切迹点的采样时间和幅值，以及所述P1点、所述P2点、所述P3点、所述P4点和所述P5点的采样时间和幅值；

根据上一心动周期的心电波形R点、收缩期峰值点、舒张期峰值点、最小值点和重搏切迹点的采样时间和幅值，以及所述P1点、所述P2点、所述P3点、所述P4点和所述P5点的采样时间和幅值确定多个特征值；

将所有所述特征值输入训练过的神经网络模型，获取该神经网络模型的输出值并确定为所述被测者在当前心动周期的血压值。

2.根据权利要求1所述的无创连续血压测量方法，其特征在于，所述预处理采集的血氧容积波和心电信号，包括：

将采集的血氧容积波和心电信号通过截止频率为0.5 Hz的高通滤波器，以去除基线漂移；

将采集的血氧容积波和心电信号通过截止频率为10-17 Hz的低通滤波器，以抑制血氧容积波和心电信号中肌电信号引起的高频信号；

将采集的血氧容积波和心电信号通过50 Hz陷波器，以过滤工频噪声的干扰。

3.根据权利要求1所述的无创连续血压测量方法，其特征在于，所述m1为12*T/HR，所述m2为36*T /HR，所述m3为30*T /HR，其中T为采集血氧容积波的采样率，HR为心率。

4.根据权利要求1所述的无创连续血压测量方法，其特征在于，所述根据上一心动周期的心电波形R点、收缩期峰值点、舒张期峰值点、最小值点和重搏切迹点的采样时间和幅值，以及所述P1点、所述P2点、所述P3点、所述P4点和所述P5点的采样时间和幅值确定多个特征值，包括：

确定第1特征值为所述P1点与所述心电波形R点之间的时间差值、第2特征值为所述P2点的幅值、第3特征值为上一心动周期的收缩期峰值点与当前心动周期的收缩期峰值点所述P2点之间的时间差值、第4特征值为所述P3点的幅值、第5特征值为上一心动周期的舒张期峰值点与当前心动周期的舒张期峰值点所述P3点之间的时间差值、第6特征值为所述P5点的幅值、第7特征值为上一心动周期的最小值点与当前心动周期的最小值点所述P5点之间的时间差值、第8特征值为所述P4点的幅值、第9特征值为上一心动周期的重搏切迹点与当前心动周期的重搏切迹点所述P4点的时间差值、第10特征值为上一心动周期的最小值点与所述P4点之间的血氧容积波的面积、第11特征值为所述P4点与所述P5点之间的血氧容积波的面积、第12特征值为上一心动周期的最小值点与所述P5点之间的血氧容积波的面积、第13特征值为所述第11特征值与所述第12特征值的比值、第14特征值为所述第2特征值与所述第4特征值的差值、第15特征值为所述第2特征值与所述第6特征值之间的差值。

5.根据权利要求1所述的无创连续血压测量方法，其特征在于，在所述预处理采集的血氧容积波和心电信号之后，所述方法还包括：

通过Pan-Tompkins检测算法定位经预处理后的所述心电信号在当前心动周期的心电波形R点，该心电波形R点用于下一心动周期的血压计算。

6.根据权利要求1所述的无创连续血压测量方法，其特征在于，所述神经网络模型为3层BP神经网络模型，其隐含层神经元个数L根据如下公式确定：

，

其中N为输入层神经元个数，M为输出层神经元个数，A为[1,10]之间的任一常数。

7.根据权利要求6所述的无创连续血压测量方法，其特征在于，所述神经网络模型的传递函数为Sigmoid函数，训练函数为traingdx函数，学习函数为learngdx函数。

8.一种无创连续血压测量终端，其特征在于，包括采集模块，所述采集模块用于执行权利要求1-7任一项所述的无创连续血压测量方法中的步骤。

9.根据权利要求8所述的无创连续血压测量终端，其特征在于，所述无创连续血压测量终端与被测者的移动终端建立无线通信连接，通过无线通信连接上传所述采集模块的采集数据至该移动终端，以存储和/或云上传该采集数据。

10.根据权利要求9所述的无创连续血压测量终端，其特征在于，所述无创连续血压测量终端还包括磁吸模块和无线传输模块，所述被测者的移动终端内置有霍尔传感器；

其中，所述无创连续血压测量终端与被测者的移动终端建立无线通信连接的方式具体包括：

当所述无创连续血压测量终端靠近被测者的移动终端时，所述磁吸模块触发所述移动终端的所述霍尔传感器发出中断信号；

所述无创连续血压测量终端的控制器接收到所述中断信号后控制所述无线传输模块向外发出广播包；

当搜索到所述广播包时，所述移动终端根据所述广播包与所述无创连续血压测量终端建立无线通信连接。