本發(fā)明屬于人體健康監(jiān)測的，具體涉及一種基于腕部單路ppg信號的血壓測量方法。

背景技術(shù)：

1、血壓作為一種重要的身體健康指標(biāo)，往往代表了一個人的心血管健康狀況。傳統(tǒng)的血壓測量方法通常依賴于袖帶式血壓計，通過加壓和放壓來測量血液在動脈中的壓力。這種方法雖然準(zhǔn)確，但操作復(fù)雜，測量過程需要專門設(shè)備和技術(shù)人員，不適合日常自我監(jiān)測和連續(xù)監(jiān)測。隨著技術(shù)的進(jìn)步和人們對健康監(jiān)測需求的增加，基于光電容積描記圖(photoplethysmography,ppg)信號的監(jiān)測技術(shù)，由于其無創(chuàng)性、實時性和低成本的特點，成為了可穿戴設(shè)備中常用的生理信號檢測方法。

2、目前基于ppg信號的血壓測量方法大多依賴于多路ppg信號或者需要結(jié)合其他生理信號(如ecg信號)來實現(xiàn)，通過多信號峰值差來計算脈搏波傳導(dǎo)速度變化進(jìn)而測量血壓，但是這些方法都增加了設(shè)備的復(fù)雜性和成本；而對于使用單路ppg信號的血壓測量方法，由于單路ppg信號無法直接提供脈搏波傳導(dǎo)速度的相關(guān)特征，因此其測量結(jié)果的準(zhǔn)確性相對于多信號融合的方法較低。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于腕部單路ppg信號的血壓測量方法，解決了現(xiàn)有單路ppg信號測量準(zhǔn)確度較低的問題，同時克服了其他基于ppg信號的血壓測量方法因依賴多信號或額外傳感器而導(dǎo)致的設(shè)備復(fù)雜性和成本增加等技術(shù)問題。

2、本發(fā)明可通過以下技術(shù)方案實現(xiàn)：

3、一種基于腕部單路ppg信號的血壓測量方法，包括以下步驟：

4、步驟一、利用可穿戴設(shè)備采集用戶手腕部位中兩個不同位置對應(yīng)的t1時間段內(nèi)的第一原始腕部信號、t2時間段內(nèi)的第二原始腕部信號，并計算兩個采集位置之間的間距；

5、步驟二、采用生成式補償深度神經(jīng)網(wǎng)絡(luò)generative?compensation?deep?neuralnetwork對第一原始腕部信號、第二原始腕部信號進(jìn)行補償處理，獲得t＝t1+t2時間段內(nèi)完整的第一標(biāo)準(zhǔn)腕部信號和第二標(biāo)準(zhǔn)腕部信號；

6、步驟三、對第一標(biāo)準(zhǔn)腕部信號和第二標(biāo)準(zhǔn)腕部信號分別進(jìn)行特征提取，獲得血液流動動力學(xué)特征、血管硬度特征、心臟指標(biāo)特征，并利用混合智能網(wǎng)絡(luò)模型測量用戶的基準(zhǔn)血壓；

7、其中，所述血管硬度特征采用脈搏波傳播速度pwv來表征，所述脈搏波傳播速度pwv基于第一標(biāo)準(zhǔn)腕部信號和第二標(biāo)準(zhǔn)腕部信號的波峰平均延遲時間和兩個采集位置之間的間距進(jìn)行計算，所述混合智能網(wǎng)絡(luò)模型以lightgbm模型作為模型主體，同時使用粒子群優(yōu)化算法particle?swarm?optimization(pso)和模擬退火算法simulated?annealing(sa)對lightgbm模型的參數(shù)進(jìn)行優(yōu)化來構(gòu)建。

8、進(jìn)一步，針對m個用戶，分別采集t時間段內(nèi)的n組ppg信號數(shù)據(jù)，共獲得m*n組ppg信號數(shù)據(jù)以組成數(shù)據(jù)集，

9、訓(xùn)練時，對于每組ppg信號數(shù)據(jù)，以t1時間段內(nèi)的ppg信號數(shù)據(jù)作為生成式補償深度神經(jīng)網(wǎng)絡(luò)中生成器的輸入，進(jìn)行生成訓(xùn)練，然后將其輸出與t2時間段內(nèi)的ppg信號數(shù)據(jù)輸入生成式補償深度神經(jīng)網(wǎng)絡(luò)中判別器進(jìn)行真實性判斷，持續(xù)交替訓(xùn)練，直至生成器和判別器達(dá)到平衡，完成訓(xùn)練；

10、利用訓(xùn)練好的生成式補償深度神經(jīng)網(wǎng)絡(luò)generative?compensation?deep?neuralnetwork生成t1時間段內(nèi)的第一原始腕部信號對應(yīng)t2時間段內(nèi)的第一生成ppg信號，生成t2時間段內(nèi)的第二原始腕部信號對應(yīng)t1時間段內(nèi)的第二生成ppg信號。

11、進(jìn)一步，記第一原始腕部信號、第二原始腕部信號分別為pq1、pq2，第一生成ppg信號、第二生成ppg信號分別為ps1、ps2，

12、利用下列公式，采用拼接方式合成第一標(biāo)準(zhǔn)腕部信號ph1和第二標(biāo)準(zhǔn)腕部信號ph2，

13、ph1[kt]＝{pq1，ps1}＝{ph11,ph12,ph13,…,ph12n},kt＝1,2,3,…,2n；

14、ph2[kt]＝{ps2，pq2}＝{ph21,ph22,ph23,…,ph22n},kt＝1,2,3,…,2n。

15、進(jìn)一步，所述可穿戴設(shè)備的內(nèi)部設(shè)置光電傳感器和加速度傳感器，所述光電傳感器用于采集腕部的ppg信號，所述加速度傳感器用于采集腕部的加速度信號，

16、利用光電傳感器在采集位置ⅰ進(jìn)行第一原始腕部信號的采集，然后將可穿戴設(shè)備移動至采集位置ⅱ進(jìn)行第二原始腕部信號的采集，同時利用加速度傳感器采集移動過程中的加速度信號，以此計算采集位置ⅰ和采集位置ⅱ之間的間距。

17、進(jìn)一步，進(jìn)行第一原始腕部信號和第二原始腕部信號的采集時，利用加速度傳感器以同樣的采樣頻率采集對應(yīng)的加速度信號，分別記為a1、a2，表示如下，它們與第一原始腕部信號和第二原始腕部信號一一對應(yīng)，

18、a1[k]＝{a11,a12,a13,…,a1n},k＝1,2,3,…,n

19、a2[k]＝{a21,a22,a23,…,a2n},k＝1,2,3,…,n

20、分別計算加速度信號a1、a2對應(yīng)的均值mean、方差variance、波形平滑度smoothness、信息熵signal?entropy、偏度skewness、峭度kurtosis，以此作為機器學(xué)習(xí)分類模型的輸入，對這些加速度信號進(jìn)行分類，找出異常簇及其在第一原始腕部信號和第二原始腕部信號對應(yīng)的ppg信號，并將其剔除，從而實現(xiàn)對第一原始腕部信號和第二原始腕部信號的去噪處理。

21、進(jìn)一步，利用可穿戴設(shè)備采集多個用戶手腕部位中兩個不同位置對應(yīng)的t時間段內(nèi)的第一ppg信號和第二ppg信號，并提取對應(yīng)的血液流動動力學(xué)特征、血管硬度特征、心臟指標(biāo)特征，測量對應(yīng)的收縮壓和舒張壓，以此構(gòu)建數(shù)據(jù)集；

22、以數(shù)據(jù)集中的血液流動動力學(xué)特征、血管硬度特征、心臟指標(biāo)特征作為輸入，以數(shù)據(jù)集中對應(yīng)的收縮壓和舒張壓作為輸出，對混合智能網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，然后利用訓(xùn)練好的混合智能網(wǎng)絡(luò)模型對待測用戶的基準(zhǔn)血壓進(jìn)行測量。

23、本發(fā)明有益的技術(shù)效果如下：

24、1、簡化設(shè)備復(fù)雜性與增強便捷性：

25、采用沿腕部移動可穿戴設(shè)備的方式，改變ppg信號的采集位置，使得僅利用可穿戴設(shè)備自身中的一個光電傳感器就可以實現(xiàn)兩個采集位置的單路ppg信號采集，以此實現(xiàn)血壓測量，避免了多路信號和額外傳感器的需求，如兩個光電傳感器或者ecg信號測量儀器，簡化了設(shè)備的設(shè)計和制造，降低了生產(chǎn)成本和設(shè)備復(fù)雜性。

26、2、提高測量精度與信號穩(wěn)定性：

27、考慮到移動干擾，利用可穿戴設(shè)備中的加速度傳感器同步采集t1時間段內(nèi)、t2時間段內(nèi)的加速度信號，利用數(shù)據(jù)分類模型，消除用戶運動狀態(tài)對ppg信號的影響，增強了ppg信號的穩(wěn)定性和可靠性，確保在用戶日?；顒又腥阅芴峁?zhǔn)確的血壓監(jiān)測結(jié)果；

28、同時采用生成式補償深度神經(jīng)網(wǎng)絡(luò)對第一原始腕部信號和第二原始腕部信號進(jìn)行補償，得到t2時間段內(nèi)的第一生成腕部ppg信號ps1、t1時間段內(nèi)的第二生成腕部ppg信號ps2，并將第一原始腕部信號去噪后的信號pq1和第一生成腕部信號ps1，第二生成腕部信號ps2和第二原始腕部信號去噪后的信號pq2分別組合，得到總計t＝t1+t2時間段內(nèi)的第一合成腕部信號ph1和第二合成腕部信號ph2，即得到時間相互對應(yīng)的一組不同手腕位置的ppg信號，再結(jié)合加速度傳感器的加速度信號和移動時間就可以計算得到兩個采樣位置之間的間距，從而彌補了已有技術(shù)中單路ppg信號無法提取脈搏波傳導(dǎo)速度特征的缺點，有效提高了血壓測量的準(zhǔn)確性和信號質(zhì)量。

29、3、智能優(yōu)化算法的應(yīng)用與綜合特征提?。?/p>

30、采用lightgbm模型結(jié)合粒子群優(yōu)化pso和模擬退火sa算法構(gòu)建混合智能網(wǎng)絡(luò)模型，能夠高效優(yōu)化混合智能網(wǎng)絡(luò)模型的參數(shù)，提高測量模型的魯棒性和泛化能力，更好地適應(yīng)不同用戶的個體差異，提供個性化的血壓測量結(jié)果，同時提取包括血液流動動力學(xué)特征、血管硬度特征、心臟指標(biāo)特征等多種血液特征參數(shù)，全面反映用戶的心血管健康狀況，為血壓測量提供豐富的輸入信息，增強測量模型的準(zhǔn)確性和可靠性，并為用戶的健康管理提供科學(xué)依據(jù)。