1.本发明涉及血压测量领域，具体涉及一种基于人体脉搏波的血压测量方法及系统。
背景技术：2.血压是心血管系统健康状况的重要指标，血压测量对于高血压的预防和治疗具有重要意义。血压测量的成本、测量精度及使用的方便性都是需要关注的问题
3.目前主流的非接触式血压测量方法主要有：
4.1)利用脉搏传导时间进行血压测量。此类方法主要通过采集人体不同位置的脉搏波信号，计算所获取的脉搏波信号之间的时间差来实现对血压的测量。这种方式需要依据人体的生理状态不同而对血压模型参数进行校正，其不具有普适性。
5.2)利用脉搏波特征建立血压模型进行血压测量。此类方法依据人工设计的脉搏波特征进行血压建模。由于人工设计特征的存在冗余性，基于脉搏波特征工程所建立的血压模型血压测量精度较差。
6.以下介绍四种现有测量血压的方法，并对各方法的优缺点进行分析，本发明方法可有效避免下述方法的缺点。
7.与本发明相关的现有技术一
8.发明公告号为cn201780083795.9的用于非接触式确定血压的系统和方法：
9.此专利公开了一种基于人脸视频的血压测量方法，其基于一种透皮光学成像(toi)技术获取人体脉搏波信号，并利用长短神经记忆神经网络提取多个感兴趣区域(roi)脉搏波信号中的相关特征，并基于信息配置模块收集个体特征信息，利用机器学习模型，实现对人体血压值的测量。
10.现有技术一的缺点
11.所述的脉搏波波形特征提取网络为单向lstm结构，此种结构只能获取单向的脉搏波信息流特征，其只能利用已输入的数据对当前输入的数据进行特征抽取，但对于脉搏波时序信号而言，当前时刻的脉搏波特征的输出不仅和之前输入模型的数据有关，还可能和未来的脉搏波波形信息有关。其不足以较好的获取脉搏波波形特征。并且，其未能结合个体特征对波形特征进行增强，导致所建立的模型精度不高。
12.与本发明相关的现有技术二
13.发明公告号为cn201910519685.3a的一种非接触式血压测量方法和系统
14.此专利通过获取用户的面部视频；从面部视频中筛选第一感兴趣区域的多个图像帧和第二感兴趣区域的多个图像帧；分别对第一感兴趣区域和第二感兴趣区域的多个图像帧提取三基色的视频迹曲线；分别对第一感兴趣区域和第二感兴趣区域的三基色视频迹曲线进行盲源分离，得到心率的估计值；以心率的估计值为先验知识，通过盲源信号提取确定第一感兴趣区域和第二感兴趣区域的光电容积脉搏波曲线；根据第一感兴趣区域和第二感兴趣区域的光电容积脉搏波曲线求取ppg信号时滞；将ppg信号时滞输入时滞与血压的关系
方程得到血压值，利用脉搏时间差建立线性模型来实现血压值的测量。
15.现有技术二的缺点
16.基于脉搏时间差的血压测量方法，个体在不同生理状态下，线性模型中的参数各异。在利用这种方法进行血压测量时，需要根据测试者某个时间的身体状况来对参数进行标定，并且随着被测者生理状态发生变化，模型参数需要不断地进行更新，这种血压测量方法不具有普适性。
17.与本发明相关的现有技术三
18.el-hajj c,kyriacou p a.deep learning models for cuffless blood pressure monitoring from ppg signals using attention mechanism[j].biomedical signal processing and control,2021,65:102301.
[0019]
文献中提出了一种基于脉搏波波形特征的非接触式血压测量方法，其通过特征工程的方法，设计了22个脉搏波波形特征，并利用长短记忆神经网络对22个脉搏波波形特征进行学习，构建血压网络，实现对人体血压的非接触式测量。
[0020]
现有技术三的缺点
[0021]
采用特征工程的方式获取脉搏波波形特征存在冗余性且不足以代表脉搏波波形的所有特征，且在特征提取的过程中，不可避免的会引入计算误差，这种方法提取脉搏波波形特征的过程较为复杂，且其没有考虑人群的统计特征与血压之间的关系。
[0022]
与本发明相关的现有技术四
[0023]
师荣堃.基于光电容积脉搏波的无创血压测量模型研究[d].上海交通大学，2019
[0024]
学位论文中提出了一种基于个体特征与脉搏波波形特征融合的非接触式血压测量方法，其通过双向lstm网络对脉搏波特征进行学习，得到脉搏波波形特征，并将其与个体特征进行简单拼接，采用全连接层对拼接后的特征进行融合，构建血压网络，实现对人体血压的非接触式测量。
[0025]
现有技术四的缺点
[0026]
个体的特征信息由于信息维度较低且其量纲不一，利用全连接层对个体特征和波形特征进行融合的方式没有考虑不同人群的个体特征与血压之间的相关性，其对于个体信息的利用不充分，特征融合的效果较差。
技术实现要素：[0027]
本发明所需要解决的问题是如何利用人体脉搏波进行血压测量，期望本发明的方法可部署在手机、平板等移动端，并基于手机、平板等移动设备的硬件配置，实现对人体血压的测量。
[0028]
本发明提供了一种基于人体脉搏波的血压测量方法，该方法在一个或多个处理器上执行，该方法包括：利用光电探测设备，接收从一个或多个人类的皮肤反射的光；基于反射光的强度变化值，由受试者的一个或多个感兴趣区域(roi)获取脉搏波信号；从一个或多个脉搏波信号中提取相关波形特征，对受试者的个体统计信息进行映射，并将脉搏波信号的波形特征和映射后的个体统计信息进行融合，得到与确定血压相关的一个或多个融合特征；对融合特征进行逻辑回归，得到一个或多个波形片段对应的血压估计值
其中，为权重映射矩阵，b
pi
为其偏置，t为融合特征；
[0029]
建立一个基于人体脉搏波的血压测量模型，采用血压训练集结合上述方法对模型进行训练，使得血压估计值与人体实际血压误差符合要求；血压训练集包括一个或多个片段的人体脉搏波信号和一个或多个个体统计信息；使用训练好的基于人体脉搏波的血压测量模型确定受试者的血压估计值，对多个血压估计值取平均值，并输出血压的确定值。
[0030]
在特定的情况下，血压估计值包括收缩压(sbp)和舒张压(dbp)的估计值。
[0031]
在又一种情况下，优先选择受试者灌注强度较高的人体体表区域获取脉搏波信号。
[0032]
在又一种情况下，该方法还包括利用信号滤波方法处理脉搏波信号。
[0033]
在又一种情况下，所选择的一个或多个脉搏波信号片段至少包含一个完整的脉搏波周期片段。
[0034]
在又一种情况下，受试者的个体统计信息包括受试者年龄、性别、身高、体重及既往病史、家族遗传史、个人生活习惯如是否抽烟喝酒等信息中的一个或多个信息。
[0035]
在又一种情况下，该方法通过不断对模型进行训练，使血压估计值与人体实际血压数据误差符合要求，对模型参数进行调整，最终可得到训练好的基于人体脉搏波的血压测量模型。
[0036]
在又一种情况下，人体实际血压数据包括受试者的动脉内血压测量值、受试者的听诊测量值、或受试者的示波测量值中的至少一个。
[0037]
在另一方面，提供了一种非接触式的血压测量系统。一种基于人体脉搏波的血压测量系统包括一个或多个处理器和数据存储设备，该一个或多个处理器配置为：脉搏波信号获取模块，用于获取一个或多个人体感兴趣区域的脉搏波信号，该模块使用信号滤波方法对一个或多个人体感兴趣区域的原始光电信号进行处理，得到一个或多个感兴趣区域(roi)的脉搏波信号。脉搏波波形特征获取模块，用于从一个或多个脉搏波信号片段中提取与血压相关的一个或多个波形特征；人体信息配置模块，用于将个体统计信息从低维度空间向高维度空间进行映射；特征融合模块，用于将脉搏波波形特征与映射后的个体统计信息进行融合，得到与确定血压相关的一个或多个融合特征；深度学习模块，用于构建一个基于人体脉搏波的血压测量模型并采用血压训练集对该模型进行训练，血压训练集包括一个或多个脉搏波信号片段和一个或多个个体特征信息，深度学习模块使用经血压训练集训练好的基于人体脉搏波的血压测量模型确定受试者的血压估计值；输出模块，用于对多个血压估计值求平均值并将其输出为血压的确定值。
[0038]
在另一种情况下，该系统包括滤波器模块，利用联合稀疏方法处理一个或多个脉搏波信号。
[0039]
在又一种情况下，通过脉搏波波形特征获取模块提取一个或多个脉搏波信号片段的波形形态特征。
[0040]
本发明的有益效果为：
[0041]
本发明提出了一种基于人体脉搏波的非接触式血压测量方法，其利用光电设备从受试者体表感知人体脉搏波信号，实现对人体血压的测量。
[0042]
本发明所述血压测量方法，充分考虑了不同人群的血压差异，并结合个体特异性
特征对脉搏波特征进行融合和增强，其在不需要进行复杂的特征工程的前提下，即可实现对人体血压较为准确的测量。
[0043]
本发明所述血压测量方法，血压测量流程简便，其可利用手机等移动设备的硬件配置，不需要开发其他的硬件设备，从而较为方便的部署在手机等移动端设备上，具有较好的实用性，且易于推广。
[0044]
在此考虑和描述了这些和其他方面。应当理解，前述发明内容阐述了用于确定血压的系统和方法的代表性方面，以帮助相关人员理解以下详细描述。
附图说明
[0045]
图1为本发明方法的流程图；
[0046]
图2为重建后的脉搏波波形；
[0047]
图3为一个脉搏波周期波形；
[0048]
图4为双向lstm的结构图；
[0049]
图5为基于人体脉搏波的血压测量系统结构图。
具体实施方式
[0050]
利用本发明方法可通过获取面部视频脉搏波或指端脉搏波进行血压测量，本实施例通过面部视频脉搏波进行血压测量。其流程如图1：
[0051]
1)脉搏波信号获取：利用摄像头获得受试者面部皮肤颜色的变化信号。肤色变化信号可以从受试者的感兴趣区域(roi)中获取，优选的使用前额、鼻子、脸颊等灌注强度高的区域，并且可以手动或自动地定义用于脉搏波信号提取的roi信号。roi优选是非重叠的，由一个区域或多个区域的三(r、g、b)通道的信号获取脉搏波信号。
[0052]
应当理解，面部视频脉搏波获取过程可以用替代的摄像机、照明条件和采样率来执行。
[0053]
2)脉搏波信号处理：
[0054]
a)脉搏波信号去基线处理
[0055]
利用定义的二阶差分d2对输入的脉搏波信号进行去基线处理：
[0056][0057]
去基线操作为：其中yg为脉搏波原始信号，为去基线后的信号，λ为一个设定的常数，在本实施例中设置λ＝0.1；
[0058]
b)脉搏波信号联合稀疏重建
[0059]
在给定信号字典矩阵d上对一个或多个roi脉搏波信号进行k联合重建，k为联合重建中的迭代次数，在本实施例中，字典d为正弦信号字典，其为：频率为ki，为相位的正弦信号，fb为视频的采样率，f为视频的帧数。设置k为20，进行如下操作：初始化残差矩阵r
t
＝y，索引集为
[0060]
步骤1：找出残差矩阵r
t
的每一列r
ti
与信号字典矩阵d中的列dj的距离和的最大值所对应的脚标λ
t
，即
[0061]
步骤2：更新索引集λ
t
＝λ
t-1
∪{λ
t
}，得到原子集合
[0062]
步骤3：根据得到的原子集合φ
t
，计算得到投影系数矩阵a＝(φ
tt
φ
t
)-1
φ
tty[0063]
步骤4：根据得到的原子集合矩阵φ
t
和投影系数矩阵a,进行更新：t＝t-1,r
t
＝y-φ
ta[0064]
步骤5：判断是否满足t》k,若满足停止迭代，得到重建后脉搏波信号若不满足，继续执行步骤2-5。
[0065]
重建后的脉搏波波形如图2。
[0066]
c)脉搏波信号周期波形划分
[0067]
根据脉搏波信号的波谷位置，将脉搏波切分为一个或多个片段，其每一个片段至少包含一个完整的脉搏波信号周期。一个脉搏波周期波形如图3。
[0068]
3)脉搏波波形特征提取
[0069]
在使用双向长短期记忆神经网路的示例中，包含两个方向相反的lstm网络，其中单向的lstm网络包括至少三层细胞。第一层是输入层，它接受输入数据。第二层是隐藏层，其由存储单元组成，最后一层是输出层，输出层利用逻辑回归基于隐藏层生成输出层。双向lstm的结构图如图4。x
t
是时间t的存储单元层的输入阵列。在本实施例中，这是一个或多个包含脉搏波周期波形的信号片段。
[0070]
x
t
＝[x
1t
,x
2t
,
…
,x
nt
]
[0071]
首先计算输入门的值i
t
和时间t的存储单元状态变量的候选量
[0072]it
＝σ(ωix
t
+u
iht-1
+bi)
[0073][0074]
计算在时间t的存储单元的忘记门的激活值f
t
:
[0075]ft
＝σ(ωfx
t
+ufh
t-1
+bf)
[0076]
计算时间t的存储单元的新状态c
t
:
[0077][0078]
计算输出门的值o
t
，并计算单向lstm单元的输出
[0079]ot
＝σ(ωox
t
+u
oht-1
+bo)
[0080][0081]
计算另一个方向的lstm单元的输出并计算双向lstm单元的输出：
[0082][0083]
对于每个时间步的波形特征，可以计算每个时间步双向lstm的输出，因此从输入序列x0、x1、x2、
…
、xn，双向lstm层中的存储器单元将产生代表序列h0、h1、h2、
…
、hn。
[0084]
4)个体统计信息高维映射
[0085]
采集受试者的个体特征信息包括受试者年龄、性别、身高、体重及既往病史、家族
遗传史、个人生活习惯如是否抽烟喝酒等信息中的一个或多个信息，构成受试者的个体特征信息输入阵列t
t
：
[0086]
td＝[t1,t2,
…
,tm]
[0087]
将个体统计信息向高维空间进行映射，得到个体统计信息高维映射特征：
[0088]
sd＝ωd·
td+bd[0089]
5)特征融合
[0090]
将映射后的高维个体统计信息和一个或多个双向lstm层中的存储器单元输出的输出波形特征hi进行拼接，得到输入序列h
[0091]
h＝[sd,h0,h1,
…hi
,
…
,hn]
[0092]
分别将其与三个权重矩阵ωq、ωk、ωv相乘，得到q、k、v三个矩阵：
[0093]
q＝ω
qh[0094]
k＝ω
kh[0095]
v＝ω
vh[0096]
使用q、k的乘积得到注意力矩阵，利用软操作对注意力矩阵进行归一化处理，并将所得到的权重系数作用到v上，实现对个体统计信息和脉搏波特征的融合，并输出融合特征序列t。在本实施例中，也即实现对个体体征高维信息和多个双向lstm层中的存储器单元输出脉搏波波形特征的融合，得到融合特征t为：
[0097][0098]
6)血压输出
[0099]
对融合后的特征进行逻辑回归，得到一个或多个波形片段对应的血压估计值其中，为权重映射矩阵，b
pi
为其偏置，t为融合特征；
[0100]
对多个血压估计值取其平均值，得到血压的确定值。
[0101]
本实施例还提供一种非接触式的血压测量系统，其系统组成如图5。一种基于人体脉搏波的血压测量系统包括一个或多个处理器和数据存储设备，该一个或多个处理器配置为：脉搏波信号获取模块，用于获取一个或多个人体感兴趣区域的脉搏波信号，该模块使用信号滤波方法对一个或多个人体感兴趣区域的原始光电信号进行处理，得到一个或多个感兴趣区域(roi)的脉搏波信号。脉搏波波形特征获取模块，用于从一个或多个脉搏波信号片段中提取与血压相关的一个或多个波形特征；人体信息配置模块，用于将个体统计信息从低维度空间向高维度空间进行映射；特征融合模块，用于将脉搏波波形特征与映射后的个体统计信息进行融合，得到与确定血压相关的一个或多个融合特征；深度学习模块，用于构建一个基于人体脉搏波的血压测量模型并采用血压训练集对该模型进行训练，血压训练集包括一个或多个脉搏波信号片段和一个或多个个体特征信息，深度学习模块使用训练好的基于人体脉搏波的血压测量模型确定受试者的血压估计值；输出模块，用于对多个血压估计值求平均值并将其输出为血压的确定值。
技术特征：1.一种基于人体脉搏波的血压测量方法，其特征在于，首先训练得到一个基于人体脉搏波的血压测量模型，使用血压测量模型确定受试者的血压估计值，对多个血压估计值取平均值，即可得到血压的确定值；所述基于人体脉搏波的血压测量的训练方法如下：从一个或多个脉搏波信号中提取相关波形特征，对受试者的个体统计信息进行映射，并将脉搏波信号的波形特征和映射后的个体统计信息进行融合，得到与确定血压相关的一个或多个融合特征；对融合特征进行逻辑回归，得到一个或多个波形片段对应的血压估计值其中，为权重映射矩阵，b
pi
为其偏置，t为融合特征；训练该模型使得血压估计值与人体实际血压误差符合要求，即可得到所述的基于人体脉搏波的血压测量模型。2.根据权利要求1所述的基于人体脉搏波的血压测量方法，其特征在于，所述脉搏波信号的获取方法为：利用光电探测设备，接收从一个或多个人类的皮肤反射的光；基于反射光的强度变化值，由人类的一个或多个感兴趣区域获取脉搏波信号。3.根据权利要求1所述的基于人体脉搏波的血压测量方法，其特征在于，所述的个体统计信息t
d
包括年龄、性别、身高、体重及既往病史、家族遗传史、个人生活习惯：t
d
＝[t1，t2，
…
，t
m
]将个体统计信息向高维空间进行映射，得到映射后的个体统计信息s
d
：s
d
＝ω
d
·
t
d
+b
d
其中，ω
d
为权重映射矩阵，b
d
为其偏置。4.根据权利要求1所述的基于人体脉搏波的血压测量方法，其特征在于：所述的将脉搏波信号的波形特征和映射后的个体统计信息进行融合，具体为：将映射后的个体统计信息s
d
和一个或多个双向lstm层的输出波形特征h
i
进行拼接，得到输入序列hh＝[s
d
，h0，h1，
…
h
i
，
…
，h
n
]分别将输入序列h与三个权重矩阵ω
q
、ω
k
、ω
v
相乘，得到q、k、v三个矩阵：q＝ω
q
hk＝ω
k
hv＝ω
v
h使用q、k的乘积得到注意力矩阵，利用软操作对注意力矩阵进行归一化处理，并将归一化处理后所得到的权重系数作用到v上，实现对脉搏波波形特征和映射后的个体统计信息的融合，并输出融合特征序列t：5.一种基于人体脉搏波的血压测量系统，其特征在于，包括脉搏波信号获取模块、脉搏波波形特征获取模块、人体信息配置模块、特征融合模块、深度学习模块和血压输出模块；所述的脉搏波信号获取模块用于获取一个或多个人体感兴趣区域的脉搏波信号；所述的脉搏波波形特征获取模块用于从一个或多个脉搏波信号片段中提取与血压相关的一个或多个波形特征；所述人体信息配置模块用于将个体统计信息从低维度空间向高维度空间进行映射；所述的特征融合模块用于将脉搏波的波形特征与映射后的个体统计信息进行融合，得到与确定血压相关的一个或多个融合特征；所述深度学习模块用于构建一个基于人
体脉搏波的血压测量模型，所述模型采用如权利要求1-4任一项所述的方法进行训练，使用训练好的模型确定受试者的血压估计值；所述的血压输出模块用于对多个血压估计值求平均值并将其输出为血压的确定值。
技术总结本发明提供一种基于人体脉搏波的血压测量方法及系统。本发明方法利用光电设备从受试者体表感知人体脉搏波信号，实现对人体血压的测量；所述血压测量方法还充分考虑了不同人群的血压差异，并结合个体特异性特征对脉搏波特征进行融合和增强，其在不需要进行复杂的特征工程的前提下，即可实现对人体血压较为准确的测量；所述血压测量方法流程简便，可利用手机等移动设备的硬件配置，不需要开发其他的硬件设备，从而较为方便的部署在手机等移动端设备上，具有较好的实用性，且易于推广。且易于推广。且易于推广。
技术研发人员：汪密 沈会良 陈圣辉 王瀚宇 黄成
受保护的技术使用者：浙江大学
技术研发日：2022.03.29
技术公布日：2022/7/5
