CN117045217B - 一种无袖带血压测量方法及其相关设备 - Google Patents

Abstract

本申请实施例公开了一种无袖带血压测量方法。通过采集目标用户的光电测量信号（PPG信号）以及在采集PPG信号时产生的生理信号，对采集到的PPG信号和生理信号进行质量评估，若PPG信号和生理信号符合质量要求，则将所提取的PPG信号特征信息和生理信号特征信息输入事先训练好的目标神经网络模型，通过目标神经网络模型处理输入的PPG信号特征和生理信号特征，获得相应的目标血压信息。这种方法的优势在于其考虑了生理信号的重要性，从而提高了血压测量的准确性。通过结合PPG信号和附带的生理信号，该方法不仅从光电测量信号中获取信息，还通过捕获其对应的生理信号获取信息，从而使得血压测量更加准确和可靠。

Description

一种无袖带血压测量方法及其相关设备

技术领域

本申请属于数据测量领域，尤其涉及一种无袖带血压测量方法及其相关设备。

背景技术

随着社会不断发展，人们的物质生活水平日益提升，与此同时，人们患上高血压疾病的风险也逐渐加大。在这种背景下，对于迅速便携的血压测量方法和设备的需求变得日益紧迫。确保能够实时获得准确的血压测量数据，对于那些已经患有高血压或潜在高血压风险的人群而言，具备重要且紧迫的意义。以传统的血压测量方法为例，主要采用柯式听音法。然而，这种方法需要在测量部位佩戴袖带或气囊，并通过充气和泄压的过程中捕捉脉搏波的强度特征来测量血压。虽然该方法在准确性方面表现出色，但用户使用时往往感受到一定的不适，且操作流程繁琐，设备构成复杂，即时性受限。

目前市面上存在着无袖带血压测量方案基于PPG（Photoplethysmography，光电容积描记法）信号进行血压测量。通过分析人体皮肤上的血流波动来推断血压值。PPG是一种通过光学技术测量皮肤表面的微小血流变化的方法。当心脏跳动时，血液会周期性地进入皮肤组织，导致皮肤的光吸收程度发生变化，从而在PPG波形中产生可见的脉搏波。这种方法在实时性和用户体验方面表现出优势，然而在测量准确性方面存在一定问题。

对于基于PPG的血压测量，目前的测量准确性改进方案主要集中在标定和提升信号质量方面，例如更换采集部位、采用多通道多波长技术等，通过这类手段提高测量的准确性，然而每次测量过程中测量条件的丰富多变是基于PPG的无袖带血压准确性偏低的主要影响因素之一，对于该因素目前仍未有较为优秀的方案进行解决。

发明内容

本发明的目的在于提供一种无袖带血压测量方法，旨在解决现有的基于PPG的测量过程对环境因素不够重视的问题，本申请提供的无袖带血压测量方法的一个实施例包括：

本申请实施例第一方面提供了一种无袖带血压测量方法，包括：

采集目标用户的PPG信号和生理信号，所述生理信号为采集所述目标用户的PPG信号时所产生的信号；

确定所述PPG信号和所述生理信号是否符合质量要求；

若所述PPG信号和所述生理信号符合所述质量要求，则提取所述PPG信号的特征信息和所述生理信号的特征信息；

将所述PPG信号的特征信息和所述生理信号的特征信息输入预先训练好的目标神经网络模型，得到所述目标神经网络模型输出的目标血压信息，所述目标神经网络模型用于基于所述PPG信号的特征信息和所述生理信号的特征信息输出血压信息；

展示所述目标血压信息。

基于本申请实施例第一方面所提供的无袖带血压测量方法，可选的，所述生理信号包括：压力信号、温度信号、湿度信号、加速度信号和心电信号中的任意一种或多种。

基于本申请实施例第一方面所提供的无袖带血压测量方法，可选的，所述确定所述PPG信号和所述生理信号是否符合质量要求包括：

获取预设时长内产生的所述PPG信号和所述生理信号；

对所述预设时长内产生的PPG信号进行滤波处理，得到基线信号和交流信号；

判断所述基线信号和交流信号是否满足稳定性要求；

判断所述预设时长内产生的所述生理信号是否满足稳定性要求；

若所述基线信号、所述交流信号和预设时长内产生的所述生理信号均满足所述稳定性要求，则确定所述PPG信号和所述生理信号符合质量要求。

基于本申请实施例第一方面所提供的无袖带血压测量方法，可选的，所述对所述预设时长内产生的PPG信号进行滤波处理，得到基线信号和交流信号，包括：

对所述PPG信号进行SG滤波，获取所述基线信号；

基于所述基线信号对所述PPG信号进行去基线处理，并使用低通滤波器和全通滤波器对去除基线的所述PPG信号进行处理，得到交流信号。

基于本申请实施例第一方面所提供的无袖带血压测量方法，可选的，所述PPG信号的特征信息，包括：

所述PPG信号的时间特征、空间特征和融合特征中的任意一种或多种；

所述时间特征包括：峰值点前归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，峰值点后归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，心搏周期持续采样点数量、PPG信号一阶差分中的最大值采样点与峰值点间隔；

所述空间特征包括：特征点与时间轴形成的图形面积，部分特征点之间连线的斜率和幅值比；

所述融合特征包括：不同波长信号对应的特征点所形成的幅值比、振幅基线比的比值；

所述生理信号的特征信息包括：压力传感器均值、温度传感器均值和湿度传感器均值中的任意一种或多种。

基于本申请实施例第一方面所提供的无袖带血压测量方法，可选的，将所述PPG信号的特征信息和所述生理信号的特征信息输入预先训练好的目标神经网络模型，得到所述目标神经网络模型输出的目标血压信息，包括：

将所述PPG信号的特征信息和所述生理信号的特征信息输入DNN算法模型，得到第一模型输出值；

将所述第一模型输出值作为特征信息与所述PPG信号的特征信息和所述生理信号的特征信息属于xgboost算法模型，得到第二模型输出值；

将所述第一模型输出值、第二模型输出值、所述PPG信号的特征信息和所述生理信号的特征信息输入多元线性回归计算模型，得到目标血压信息。

基于本申请实施例第一方面所提供的无袖带血压测量方法，可选的，所述展示所述目标血压信息之前，所述方法还包括：

对所述目标血压信息进行滤波处理。

本申请实施例第二方面提供了一种无袖带血压测量设备，包括：

采集单元，所述采集单元用于采集目标用户的PPG信号和生理信号，所述生理信号为采集所述目标用户的PPG信号时所产生的信号；

确定单元，所述确定单元用于确定所述PPG信号和所述生理信号是否符合质量要求；

提取单元，所述提取单元用于若所述PPG信号和所述生理信号符合所述质量要求，则提取所述PPG信号的特征信息和所述生理信号的特征信息；

输入单元，所述输入单元用于将所述PPG信号的特征信息和所述生理信号的特征信息输入预先训练好的目标神经网络模型，得到所述目标神经网络模型输出的目标血压信息，所述目标神经网络模型用于基于所述PPG信号的特征信息和所述生理信号的特征信息输出血压信息；

展示单元，所述展示单元用于展示所述目标血压信息。

基于本申请实施例第二方面所提供的无袖带血压测量设备，可选的，所述采集单元包括PPG传感器、温度传感器、压力传感器和湿度传感器；

所述压力传感器为多个且均匀设置于所述PPG传感器外侧；

所述温度传感器和所述湿度传感器靠近所述PPG传感器设置。

基于本申请实施例第二方面所提供的无袖带血压测量设备，可选的，所述生理信号包括：压力信号、温度信号、湿度信号、加速度信号和心电信号中的任意一种或多种。

基于本申请实施例第二方面所提供的无袖带血压测量设备，可选的，所述确定单元具体用于：

获取预设时长内产生的所述PPG信号和所述生理信号；

对所述预设时长内产生的PPG信号进行滤波处理，得到基线信号和交流信号；

判断所述基线信号和交流信号是否满足稳定性要求；

判断所述预设时长内产生的所述生理信号是否满足稳定性要求；

若所述基线信号、所述交流信号和预设时长内产生的所述生理信号均满足所述稳定性要求，则确定所述PPG信号和所述生理信号符合质量要求。

基于本申请实施例第二方面所提供的无袖带血压测量设备，可选的，所述确定单元还用于：

所述对所述预设时长内产生的PPG信号进行滤波处理，得到基线信号和交流信号，包括：

对所述PPG信号进行SG滤波，获取所述基线信号；

基于所述基线信号对所述PPG信号进行去基线处理，并使用低通滤波器和全通滤波器对去除基线的所述PPG信号进行处理，得到交流信号。

基于本申请实施例第二方面所提供的无袖带血压测量设备，可选的，所述PPG信号的特征信息，包括：

所述PPG信号的时间特征、空间特征和融合特征中的任意一种或多种；

所述时间特征包括：峰值点前归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，峰值点后归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，心搏周期持续采样点数量、PPG信号一阶差分中的最大值采样点与峰值点间隔；

所述空间特征包括：特征点与时间轴形成的图形面积，部分特征点之间连线的斜率和幅值比；

所述融合特征包括：不同波长信号对应的特征点所形成的幅值比、振幅基线比的比值；

所述生理信号的特征信息包括：压力传感器均值、温度传感器均值和湿度传感器均值中的任意一种或多种。

基于本申请实施例第二方面所提供的无袖带血压测量设备，可选的，所述输入单元具体用于：

将所述PPG信号的特征信息和所述生理信号的特征信息输入DNN算法模型，得到第一模型输出值；

将所述第一模型输出值作为特征信息与所述所述PPG信号的特征信息和所述生理信号的特征信息属于xgboost算法模型，得到第二模型输出值；

将所述第一模型输出值、第二模型输出值、所述PPG信号的特征信息和所述生理信号的特征信息输入多元线性回归计算模型，得到目标血压信息。

基于本申请实施例第二方面所提供的无袖带血压测量设备，可选的，所述展示单元还用于：

对所述目标血压信息进行滤波处理。

本申请实施例第三方面提供一种无袖带血压测量设备，包括：

中央处理器，存储器，输入输出接口，有线或无线网络接口以及电源；

所述存储器为短暂存储存储器或持久存储存储器；

所述中央处理器配置为与所述存储器通信，在所述无袖带血压测量设备上执行所述存储器中的指令操作以执行如本申请实施例第一方面中任意一项所述的方法。

本申请实施例第四方面提供了一种计算机可读存储介质，其特征在于，包括指令，当所述指令在计算机上运行时，使得计算机执行如本申请实施例第一方面中任意一项所述的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：本方案通过采集目标用户的光电测量信号（PPG信号）以及在采集PPG信号时产生的生理信号，对采集到的PPG信号和生理信号进行质量评估，判断其是否满足预定的质量要求，若PPG信号和生理信号符合质量要求，则提取PPG信号的特征信息以及生理信号的特征信息，将所提取的PPG信号特征信息和生理信号特征信息输入事先训练好的目标神经网络模型，通过目标神经网络模型处理输入的PPG信号特征和生理信号特征，获得相应的目标血压信息。该神经网络模型专门用于根据这些特征输出血压数据，最终，展示获得的目标血压信息。这种方法的优势在于其考虑了生理信号的重要性，从而提高了血压测量的准确性。通过结合PPG信号和附带的生理信号，该方法不仅从光电测量信号中获取信息，还通过捕获其对应的生理信号获取信息，从而使得血压测量更加准确和可靠。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的实施例，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，还可以根据提供的附图获得其他的附图。可以理解的是，本部分所提供的附图仅用于更好地理解本方案，不构成对本申请的限定。

图1为本申请所提供的无袖带血压测量方法实施例的一个流程示意图；

图2为本申请所提供的确述PPG信号和生理信号是否满足质量要求过程的一个流程示意图；

图3为本申请所提供的PPG信号处理过程一阶差分和二阶差分的一个示意图；

图4为本申请所提供的将PPG信号的特征信息和生理信号的特征信息输入预先训练好的目标神经网络模型过程一个流程示意图；

图5为本申请所提供的无袖带血压测量设备实施例的一个结构示意图；

图6为本申请所提供的无袖带血压测量设备所包括的传感器的一个结构示意图；

图7为本申请所提供的无袖带血压测量设备实施例的另一个结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。同时，为了描述清楚和简明，以下的描述中省略了对公知的功能和结构的描述。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

随着社会不断发展，人们的物质生活水平日益提升，与此同时，人们患上高血压疾病的风险也逐渐加大。以传统的血压测量方法为例，主要采用柯式听音法。然而，这种方法需要在测量部位佩戴袖带或气囊，并通过充气和泄压的过程中捕捉脉搏波的强度特征来测量血压。虽然该方法在准确性方面表现出色，但用户使用时往往感受到一定的不适，且操作流程繁琐，设备构成复杂，即时性受限。目前市面上存在着无袖带血压测量方案基于PPG（Photoplethysmography，光电容积描记法）信号进行血压测量。通过分析人体皮肤上的血流波动来推断血压值。PPG是一种通过光学技术测量皮肤表面的微小血流变化的方法。当心脏跳动时，血液会周期性地进入皮肤组织，导致皮肤的光吸收程度发生变化，从而在PPG波形中产生可见的脉搏波。这种方法在实时性和用户体验方面表现出优势，然而在测量准确性方面存在一定问题。

对于基于PPG的血压测量，目前的测量准确性改进方案主要集中在标定和提升信号质量方面，例如更换采集部位、采用多通道多波长技术等，通过这类手段提高测量的准确性，然而每次测量过程中测量条件的丰富多变是基于PPG的无袖带血压准确性偏低的主要影响因素之一，对于该因素目前仍未有较为优秀的方案进行解决。

为解决上述问题，本申请提供了一种无袖带血压测量方法，请参阅图1，本申请所提供的无袖带血压测量方法的一个实施例包括：步骤101-步骤105。

101、采集目标用户的PPG信号和生理信号。

具体的，采集目标用户的PPG信号和生理信号，所述生理信号为采集所述目标用户的PPG信号时所产生的信号，其中生理信号是在采集PPG信号的过程中所同步采集的，二者在采集时间上保持一致，同时为保证生理信号与PPG信号的关联性，生理信号的采集器可以设置在PPG信号的临近处，以保证二者反映的血压信息尽可能相近。生理信号包括：温度、压力和湿度等信号。

PPG信号采集通常是光电传感器进行，将传感器放置在目标用户的皮肤上，传感器所放置的位置通常是手指、耳垂或手腕。光电传感器会发出光并测量光的吸收情况，从而捕获到皮肤表面的脉搏波形。这个脉搏波形信号就是PPG信号，它在心跳时的变化反映了血流量的变化。在实际实施过程中PPG信号可为红光或红外光等各波长光源，具体可依据实际情况而定，在本方案实施过程中无需使用袖带设备，从而保证了血压测量过程的便捷性。

当光电传感器采集到PPG信号时，它所捕获的波形信号还可能会受到其他生理因素的影响。例如，在同一测试条件下，测试部位温度高则会导致该部位血管扩张，采集到的信号更强，而温度低血管收缩泽会导致采集到的信号更弱。同时诸如压力、湿度等类型的参数也可能对PPG信号的测量结果产生影响，进而导致最终计算得出的血压值存在偏差，因此在测量时需要对压力，湿度等参数进行测量获取，并参与后续数据处理过程，可以理解的是，在实际实施过程中生理信号的种类可依据实际情况而定，此处不做限定。

总而言之，本步骤在采集PPG信号的同时，获取可能与血流变化相关的其他生理信号。这些生理信号的采集和PPG信号是同步的，以获取更多有关用户生理状态的信息，以便支持后续步骤的实施。

102、确定所述PPG信号和所述生理信号是否符合质量要求。

具体的，确定所述PPG信号和所述生理信号是否符合质量要求，在实际实施过程中质量要求的标准可依据实际情况而定，一般而言，质量要求可以包括三个方面的质量要求，即信号强度、信号稳定性和信号持续时长。

信号强度的要求：指采集到的PPG信号和生理信号的强度或幅度。强度较弱的信号可能受到噪音、传感器不良放置或信号传输问题的影响。在此步骤中，可以检查信号的幅度范围，确保信号的强度处于合理的范围内，避免过弱或过强的情况。

信号稳定性的要求：这表示信号是否保持稳定，即不受外界干扰或用户的运动等因素影响。不稳定的信号可能会导致数据分析和预测的不准确性。在这一方面，可以通过观察信号的波动情况，信号极值与均值之间的差距变化来判断信号的稳定性。

信号持续时长的要求：指信号的采集是否持续，是否存在中断。如果信号在采集过程中频繁中断，可能会导致数据的不完整和不准确。因此，需要确保信号持续采集一定的时间，以满足后续分析的需求。

为保证所获得的信号满足质量要求可以在测量阶段测量较长时间的信号，例如连续测量30秒的PPG信号和生理信号，并以滑窗判断的形式不断摘取10秒的PPG信号和生理信号进行条件判断，若某一段10秒的PPG信号和生理信号满足质量要求，则基于该段信号进行后续的数据处理过程，具体的质量要求和判断过程可依据实际情况而定，此处不做限定。对于不符合质量要求的信号，则不进行后续处理，在实际实施过程中也可提示用户如何进行测量，如提醒用户保持身体稳定，或者增加按压力度等，具体可依据实际情况而定，此处不做限定。

103、提取所述PPG信号的特征信息和所述生理信号的特征信息。

具体的，若所述PPG信号和所述生理信号符合所述质量要求，则提取所述PPG信号的特征信息和所述生理信号的特征信息，从采集到的PPG信号和生理信号中，抽取出用于数据分析和输入模型的有用信息。这些特征信息可以用于预先训练好的模型中，以从该特征信息中分析得出目标用户的血压信息。

在实际实施过程中特征信息的提取过程可以包括对采集到的PPG信号和生理信号进行必要的预处理。预处理过程可以包括去除基线漂移、滤波噪音和干扰及数据对齐等操作，以准备信号进行后续的特征提取。

特征提取过程可以采用选定的特征提取方法，从PPG信号和生理信号中提取特征。具体的。特征可以是信号的某些统计特性、频域特性、时域特性等。例如，可以提取信号的平均值、方差、频谱分布、脉搏间隔等。具体的，特征可为包括PPG特征点的产生时间（如脉搏波形的峰值和谷值）以及压力传感器均值、温度传感器均值、湿度传感器均值等类型的数据，具体的特征种类依据后续步骤所使用的神经网络模型而定，此处不做限定。在将特征输入模型之前，还可以对特征进行归一化处理，以确保各个特征在相同的数值范围内。这有助于模型的处理过程稳定性与准确性。

104、将所述PPG信号的特征信息和所述生理信号的特征信息输入预先训练好的目标神经网络模型，得到所述目标神经网络模型输出的目标血压信息。

将所述PPG信号的特征信息和所述生理信号的特征信息输入预先训练好的目标神经网络模型，得到所述目标神经网络模型输出的目标血压信息，所述目标神经网络模型用于基于所述PPG信号的特征信息和所述生理信号的特征信息输出血压信息。具体的，信号处理过程中所采用的目标神经网络模型可为DNN、xgboost等类型的模型，所使用的模型为使用大量数据预先训练得到，在基于此类特征提取到血压信息的处理上有较好的表现，在实际处理过程中本步骤由于数据处理压力较大，可在血压测量仪器本身上进行，也可将数据传输至网络服务器，由服务器进行数据处理，得到最终结果后回传给血压测量仪器，具体此处不做限定，可以理解的是，在数据处理过程中可以不仅使用单一的神经网络模型处理，也可使用多个处理模型相互配合计算，进而最终得到所输出的目标血压信息，目标血压信息包括：收缩压（Systolic Blood Pressure，简称SBP）和舒张压（Diastolic BloodPressure，简称DBP）。

105、展示所述目标血压信息。

具体的，向用户展示所述目标血压信息，以使得用户了解自身的血压信息，值得注意的是，在用户持续测量的过程中所输出的目标血压信息可能会随时间变化，此时为避免血压值波动过大，可以对目标血压信息进行滤波处理，以保证输出数据的稳定性。

从以上技术方案可以看出，本申请实施例具有以下优点：本方案通过采集目标用户的光电测量信号（PPG信号）以及在采集PPG信号时产生的生理信号，对采集到的PPG信号和生理信号进行质量评估，判断其是否满足预定的质量要求，若PPG信号和生理信号符合质量要求，则提取PPG信号的特征信息以及生理信号的特征信息，将所提取的PPG信号特征信息和生理信号特征信息输入事先训练好的目标神经网络模型，通过目标神经网络模型处理输入的PPG信号特征和生理信号特征，获得相应的目标血压信息。该神经网络模型专门用于根据这些特征输出血压数据，最终，展示获得的目标血压信息。这种方法的优势在于其考虑了生理信号的重要性，从而提高了血压测量的准确性。通过结合PPG信号和附带的生理信号，该方法不仅从光电测量信号中获取信息，还通过捕获其对应的生理信号获取信息，从而使得血压测量更加准确和可靠。

可以理解的是，在实际实施过程中，本方法所包括的多个步骤可分别以不同形式实施，为便于在实际实施过程中使用本方法，下面对本方案中各个步骤的详细实施方式进行介绍：

一、对于步骤102、确定所述PPG信号和所述生理信号是否满足质量要求。

具体的，请参照图2，确定所述PPG信号和所述生理信号是否满足质量要求的过程具体可包括步骤201至步骤206。

201、获取预设时长内产生的PPG信号和生理信号。

具体的，获取预设时长内产生的PPG信号和生理信号。为保证所获得的信号满足质量要求可以在测量阶段测量较长时间的信号，例如连续测量30秒的PPG信号和生理信号，并以滑窗判断的形式不断摘取10秒的PPG信号和生理信号进行条件判断。其中生理信号的类型可包括压力信号、温度信号、湿度信号、加速度信号和心电信号以及其他类似信号，具体此处不做限定，为便于说明，本实施例以生理信号包括压力信号、温度信号和湿度信号为例进行说明。

202、对所述PPG信号进行SG滤波，获取所述基线信号。

具体的，对PPG信号的处理一般为滤波处理，以得到基线信号和交流信号。其中基线信号的获得包括：对所述PPG信号进行SG滤波，获取所述基线信号。

SG（Savitzky-Golay）滤波是一种常用的信号处理技术，用于平滑和去除信号中的高频噪声或波动。在PPG信号中，基线信号通常对应于心跳的频率。SG滤波可以有效地将基线信号提取出来，从而更容易分析和处理剩余的交流信号（即脉搏波）。

203、基于所述基线信号对所述PPG信号进行去基线处理，并使用低通滤波器和全通滤波器对去除基线的所述PPG信号进行处理，得到交流信号。

在对原始信号进行去基线处理后时需要考虑到使用SG滤波器后可能引入的线性相位延迟。这就意味着，要对信号进行适当的时移操作，以确保信号的相位保持准确。将去除基线后的信号先后传入低通滤波器及全通滤波器进行处理，具体的，滤波器类型可为IIR的butterworth低通滤波器和全通滤波器，选择这两种滤波器的组合，是为了在滤波器的阶次（即复杂度）相对较低的情况下，仍能保持滤波器的相位响应是线性的。这种设计可以有效地将PPG信号的基线部分与交流信号（脉搏波）进行分离并且避免过高的数据处理压力。

204、判断所述基线信号和交流信号是否满足稳定性要求。

在实际实施过程中，可采用任意方法来评估从PPG信号中提取的基线信号和交流信号的稳定性，以确保这些信号具备足够的准确性和可靠性。以仅采集红光和红外光的PPG信号为例，在每个10秒的时间窗口内，可以进行以下特征分析，以评估信号的稳定性：

（1）计算逐拍心搏周期峰值（peak）位置之间的差异，并确定其中峰值位置差值大于阈值的占比不得超出预设占比。

（2）计算逐拍心搏周期起点位置之间的差异，并确定其中起点位置差异大于阈值的占比不得超出预设占比。

（3）分析逐拍心搏周期中红光信号与红外光信号之间的相关性。并确定其中相关系数低于预设阈值的占比不得超出预设占比。

（4）检查红光信号的峰值振幅是否在一定范围内。如果红光信号峰值振幅小于0.75*峰值振幅均值，大于1.25*峰值振幅均值的占比不得超出预设值。

（5）对于基线信号，则确定红光基线值中小于0.75*基线均值、大于1.25*基线均值的时间所占比例不得超过预设占比。

综上所述，通过以上分析，可以判断信号的质量是否符合要求。如果以上情况中的存在数据不满足标准，表明信号的质量存在问题，从而可能影响血压测量结果的可靠性，需要经过筛选，以确保获得的信号满足高质量测量的要求。可以理解的是，在实际实施过程中信号质量的判断标准可依据实际情况进行调整，具体此处不做限定。

205、判断所述预设时长内产生的所述生理信号是否满足稳定性要求。

具体的，该过程可包括：

（1）分别计算三个压力传感器的10s时间窗口内的极差、标准差、均值，三个压力传感器的极差不得超过阈值、标准差不得超过阈值、均值必须满足大于阈值且小于阈值；

（2）计算温度传感器在10s时间窗口内的极差及均值，温度极差不得超过阈值，均值处于预设范围内；

（3）计算湿度传感器在10s时间窗口内的极差及均值，湿度极差不得超过阈值，均值处于预设范围内；

本步骤所使用的传感器可采用如下述图6对应实施例所描述的传感器，具体此处不做赘述。

206、确定PPG信号和所述生理信号符合质量要求。

具体的，若PPG信号和所述生理信号同时满足前述步骤204和步骤205的要求，则确定所采集的信号符合质量要求，若不符合，则重新选取时间窗口或告知用户重新测量，此处不做限定。

二、对于步骤103、提取所述PPG信号的特征信息和所述生理信号的特征信息。

具体的，所采集的信息类别可以包括多种类的信息，在实际实施过程中对于PPG信号的特征信息可以划分为三个维度的特征，包括：时间特征、空间特征和融合特征。

特征采集过程可基于所采集到的PPG波形、VPPG波形（PPG信号一阶差分）、APPG波形（PPG信号二阶差分）进行，具体的，PPG波形、VPPG波形（PPG信号一阶差分）、APPG波形（PPG信号二阶差分）可参照图3，图3即为所采集到的PPG波形、VPPG波形和APPG波形的一个示意图。

在实际实施过程中时间特征包括：峰值点前归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，峰值点后归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，心搏周期持续采样点数量、VPPG中的最大值采样点与峰值点间隔T2；

空间特征包括：特征点与时间轴形成的图形面积，部分特征点之间连线的斜率和幅值比；

融合特征包括：不同波长信号对应的特征点所形成的幅值比、振幅基线比的比值。

对于生理信号所提取的特征信息包括：压力传感器均值、温度传感器均值和湿度传感器均值中的任意一种或多种。

可以理解的是，在这一过程中所采集的特征种类与后续所使用的模型相关，具体的模型是采用何种特征训练得出的，则本步骤就会采集何种特征，具体所采集的特征类别可依据实际情况进行调整，此处不做限定。

三、对于步骤104、将所述PPG信号的特征信息和所述生理信号的特征信息输入预先训练好的目标神经网络模型，得到所述目标神经网络模型输出的目标血压信息。

具体的，将所述PPG信号的特征信息和所述生理信号的特征信息输入预先训练好的目标神经网络模型过程可参照图4，包括：步骤401至步骤403。

401、将所述PPG信号的特征信息和所述生理信号的特征信息输入DNN算法模型，得到第一模型输出值。

深度神经网络（Deep Neural Network，DNN）是一种人工神经网络的变体，它包含多个隐藏层，用于学习和表示数据中的复杂特征。DNN模型可以进行复杂的特征组合，在基于PPG信号测量血压问题上有较好的表现，本方案所使用的DNN算法模型为预先采用相应训练集训练完成得到，在基于PPG信号的特征信息和生理信号的特征信息获得输出的血压值上有较好的表现，可以理解的是，实际实施过程中第一模型输出值可不仅包括收缩压和舒张压，还可包括平均动脉压等其他表征血压信息的参数，具体此处不做限定。

402、将所述第一模型输出值作为特征信息与所述所述PPG信号的特征信息和所述生理信号的特征信息属于xgboost算法模型，得到第二模型输出值。

具体的，将基于原始信号所采集的特征信息及DNN模型的输出值输入xgboost算法模型，即对原有采集到的特征信息进行维度扩充，即增加DNN模型的输出值为新特征，并使用xgboost模型进行进一步处理，是一种优化的分布式梯度增强库，可以进一步的得出更加合理的血压输出值，本方案所使用的xgboost模型为预先采用相应训练集训练完成得到，可以理解的是，实际实施过程中第二模型输出值可不仅包括收缩压和舒张压，还可包括平均动脉压等其他表征血压信息的参数，具体此处不做限定。

403、将所述第一模型输出值、第二模型输出值、所述PPG信号的特征信息和所述生理信号的特征信息输入多元线性回归计算模型，得到目标血压信息。

其中多元线性回归计算模型的计算参数也是由工作人员基于所积累的历史数据调整确定的，通过上述多模型的融合，可以提高模型的泛化能力，即对新样本的预测准确性。所得出的血压值更符合当前用户实际值，同时不同模型的组合可以减少过拟合的风险，更好地适应不同患者的数据，充分利用不同模型的优势，可以充分利用DNN模型和xgboost模型的优点，保证预测结果的稳定性，提高整体预测性能。可以理解的是，在实际实施过程中，所使用的计算模型可依据实际情况进行调整，也可采用不同的模型配合方式，具体此处不做限定。

上述内容对本申请所提供的无袖带血压测量方法进行了描述，为支持上述实施例的实施，本申请还提供了一种无袖带血压测量设备设备，请参阅图5，本申请所提供的无袖带血压测量设备的一个实施例包括：

采集单元501，所述采集单元用于采集目标用户的PPG信号和生理信号，所述生理信号为采集所述目标用户的PPG信号时所产生的信号；

确定单元502，所述确定单元用于确定所述PPG信号和所述生理信号是否符合质量要求；

提取单元503，所述提取单元用于若所述PPG信号和所述生理信号符合所述质量要求，则提取所述PPG信号的特征信息和所述生理信号的特征信息；

输入单元504，所述输入单元用于将所述PPG信号的特征信息和所述生理信号的特征信息输入预先训练好的目标神经网络模型，得到所述目标神经网络模型输出的目标血压信息，所述目标神经网络模型用于基于所述PPG信号的特征信息和所述生理信号的特征信息输出血压信息；

展示单元505，所述展示单元用于展示所述目标血压信息。

可选的，所述采集单元501的形式可如图6所示，包括三个压力传感器611至613、PPG传感器621、温度传感器631和湿度传感器641；

采集单元用于采集用户指尖的各项数据，但可以理解的是，采集部位还可是手指指节、腕部、耳垂等部位，具体此处不做限定。

三个压力传感器均匀的设置于PPG传感器621外侧，这三个传感器用于测量测试部位的接触情况，判断测量部位是否完全接触，接触的力度及接触力度分布；PPG传感器621负责采集测量部位的PPG传感器信号，可以理解的是，PPG传感器信号包括但不限于红光、红外两个波长，也可包括绿光、黄光等其他波长信号，各个波长信号采集的通道数包括但不限于1路；温度传感器631为湿度传感器，用于检测测试部位皮肤的湿润程度，该特征对PPG信号穿透皮肤的特性具有较大影响；湿度传感器641，用于检测测试部位的皮肤温度，该特征对信号的部分波形特征影响较为明显，例如在同一测试条件下，测试部位温度高血管扩张，采集的信号更强，温度低血管收缩采集到的信号更弱。

可选的，所述生理信号包括：压力信号、温度信号、湿度信号、加速度信号和心电信号中的任意一种或多种。

可选的，所述确定单元502具体用于：

获取预设时长内产生的所述PPG信号和所述生理信号；

对所述预设时长内产生的PPG信号进行滤波处理，得到基线信号和交流信号；

判断所述基线信号和交流信号是否满足稳定性要求；

判断所述预设时长内产生的所述生理信号是否满足稳定性要求；

若所述基线信号、所述交流信号和预设时长内产生的所述生理信号均满足所述稳定性要求，则确定所述PPG信号和所述生理信号符合质量要求。

可选的，所述确定单元502还用于：

所述对所述预设时长内产生的PPG信号进行滤波处理，得到基线信号和交流信号，包括：

对所述PPG信号进行SG滤波，获取所述基线信号；

基于所述基线信号对所述PPG信号进行去基线处理，并使用低通滤波器和全通滤波器对去除基线的所述PPG信号进行处理，得到交流信号。

可选的，所述PPG信号的特征信息，包括：

所述PPG信号的时间特征、空间特征和融合特征中的任意一种或多种；

所述时间特征包括：峰值点前归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，峰值点后归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，心搏周期持续采样点数量、PPG信号一阶差分中的最大值采样点与峰值点间隔；

所述空间特征包括：特征点与时间轴形成的图形面积，部分特征点之间连线的斜率和幅值比；

所述融合特征包括：不同波长信号对应的特征点所形成的幅值比、振幅基线比的比值；

所述生理信号的特征信息包括：压力传感器均值、温度传感器均值和湿度传感器均值中的任意一种或多种。

可选的，所述输入单元504具体用于：

将所述PPG信号的特征信息和所述生理信号的特征信息输入DNN算法模型，得到第一模型输出值；

将所述第一模型输出值作为特征信息与所述所述PPG信号的特征信息和所述生理信号的特征信息属于xgboost算法模型，得到第二模型输出值；

将所述第一模型输出值、第二模型输出值、所述PPG信号的特征信息和所述生理信号的特征信息输入多元线性回归计算模型，得到目标血压信息。

可选的，所述展示单元505还用于：

对所述目标血压信息进行滤波处理。

本实施例中，无袖带血压测量设备中各单元所执行的流程与前述图1、图2和图4所对应的实施例中描述的方法流程类似，此处不再赘述。

图7是本申请实施例提供的一种无袖带血压测量设备的结构示意图，该设备700可以包括一个或一个以上中央处理器701和存储器705，该存储器705中存储有一个或一个以上的应用程序或数据。

本实施例中，中央处理器701中的具体功能模块划分可以与前述图5中所描述的各单元的功能模块划分方式类似，此处不再赘述。

其中，存储器705可以是易失性存储或持久存储。存储在存储器705的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器701可以设置为与存储器705通信，在设备700上执行存储器705中的一系列指令操作。

设备700还可以包括一个或一个以上电源702，一个或一个以上有线或无线网络接口703，一个或一个以上传感器704等。

该中央处理器701可以执行前述图1所示实施例中无袖带血压测量方法所执行的操作，具体此处不再赘述。

本申请实施例还提供了一种计算机存储介质，该计算机存储介质用于储存为上述无袖带血压测量方法所用的计算机软件指令，其包括用于执行为无袖带血压测量方法所设计的程序。

该无袖带血压测量方法可以如前述图1至图4中所描述的无袖带血压测量方法。

本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机软件指令，该计算机软件指令可通过处理器进行加载来实现上述图1至图4中任意一项的无袖带血压测量方法的流程。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，电路的等效变换，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种无袖带血压测量设备，其特征在于，包括：

采集单元，所述采集单元用于采集目标用户的PPG信号和生理信号，所述生理信号为采集所述目标用户的PPG信号时所产生的信号，所述生理信号包括：压力信号、温度信号和湿度信号，PPG信号包括红光、红外两个波长；

确定单元，所述确定单元用于确定所述PPG信号和所述生理信号是否符合质量要求；

提取单元，所述提取单元用于若所述PPG信号和所述生理信号符合所述质量要求，则提取所述PPG信号的特征信息和所述生理信号的特征信息；

输入单元，所述输入单元用于将所述PPG信号的特征信息和所述生理信号的特征信息输入预先训练好的目标神经网络模型，得到所述目标神经网络模型输出的目标血压信息，所述目标神经网络模型用于基于所述PPG信号的特征信息和所述生理信号的特征信息输出血压信息；

展示单元，所述展示单元用于展示所述目标血压信息；

所述采集单元包括PPG传感器、温度传感器、压力传感器和湿度传感器；

所述压力传感器为多个且均匀设置于所述PPG传感器外侧；

所述温度传感器和所述湿度传感器靠近所述PPG传感器设置；

所述确定单元还用于：

获取预设时长内产生的所述PPG信号和所述生理信号；

对所述预设时长内产生的PPG信号进行滤波处理，得到基线信号和交流信号；

判断所述基线信号和交流信号是否满足稳定性要求；

判断所述预设时长内产生的所述生理信号是否满足稳定性要求；

若所述基线信号、所述交流信号和预设时长内产生的所述生理信号均满足所述稳定性要求，则确定所述PPG信号和所述生理信号符合质量要求；

所述对所述预设时长内产生的PPG信号进行滤波处理，得到基线信号和交流信号，包括：

对所述PPG信号进行SG滤波，获取所述基线信号；

基于所述基线信号对所述PPG信号进行去基线处理，并使用低通滤波器和全通滤波器对去除基线的所述PPG信号进行处理，得到交流信号；

所述PPG信号的特征信息，包括：

所述PPG信号的时间特征、空间特征和融合特征中的任意一种或多种；

所述时间特征包括：峰值点前归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，峰值点后归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，心搏周期持续采样点数量、PPG信号一阶差分中的最大值采样点与峰值点间隔；

所述空间特征包括：特征点与时间轴形成的图形面积，部分特征点之间连线的斜率和幅值比；

所述融合特征包括：不同波长信号对应的特征点所形成的幅值比、振幅基线比的比值；

所述生理信号的特征信息包括：压力传感器均值、温度传感器均值和湿度传感器均值中的任意一种或多种；

所述输入单元具体用于：

将所述PPG信号的特征信息和所述生理信号的特征信息输入DNN算法模型，得到第一模型输出值；

将所述第一模型输出值作为特征信息与所述PPG信号的特征信息和所述生理信号的特征信息输入xgboost算法模型，得到第二模型输出值；

将所述第一模型输出值、第二模型输出值、所述PPG信号的特征信息和所述生理信号的特征信息输入多元线性回归计算模型，得到目标血压信息。

2.根据权利要求1所述的无袖带血压测量设备，其特征在于，所述展示单元还用于：

对所述目标血压信息进行滤波处理。

3.一种无袖带血压测量设备，其特征在于，包括：

中央处理器，存储器，输入输出接口以及电源；

所述存储器为短暂存储存储器或持久存储存储器；

所述中央处理器配置为与所述存储器通信，在所述无袖带血压测量设备上执行所述存储器中的指令操作以执行一种无袖带血压测量方法；

所述无袖带血压测量方法包括：

采集目标用户的PPG信号和生理信号，所述生理信号为采集所述目标用户的PPG信号时所产生的信号，所述生理信号包括：压力信号、温度信号和湿度信号，PPG信号包括红光、红外两个波长；

确定所述PPG信号和所述生理信号是否符合质量要求；

若所述PPG信号和所述生理信号符合所述质量要求，则提取所述PPG信号的特征信息和所述生理信号的特征信息；

将所述PPG信号的特征信息和所述生理信号的特征信息输入预先训练好的目标神经网络模型，得到所述目标神经网络模型输出的目标血压信息，所述目标神经网络模型用于基于所述PPG信号的特征信息和所述生理信号的特征信息输出血压信息；

展示所述目标血压信息；

所述确定所述PPG信号和所述生理信号是否符合质量要求包括：

获取预设时长内产生的所述PPG信号和所述生理信号；

对所述预设时长内产生的PPG信号进行滤波处理，得到基线信号和交流信号；

判断所述基线信号和交流信号是否满足稳定性要求；

判断所述预设时长内产生的所述生理信号是否满足稳定性要求；

若所述基线信号、所述交流信号和预设时长内产生的所述生理信号均满足所述稳定性要求，则确定所述PPG信号和所述生理信号符合质量要求；

所述对所述预设时长内产生的PPG信号进行滤波处理，得到基线信号和交流信号，包括：

对所述PPG信号进行SG滤波，获取所述基线信号；

基于所述基线信号对所述PPG信号进行去基线处理，并使用低通滤波器和全通滤波器对去除基线的所述PPG信号进行处理，得到交流信号；

所述PPG信号的特征信息，包括：

所述PPG信号的时间特征、空间特征和融合特征中的任意一种或多种；

所述时间特征包括：峰值点前归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，峰值点后归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，心搏周期持续采样点数量、PPG信号一阶差分中的最大值采样点与峰值点间隔；

所述空间特征包括：特征点与时间轴形成的图形面积，部分特征点之间连线的斜率和幅值比；

所述融合特征包括：不同波长信号对应的特征点所形成的幅值比、振幅基线比的比值；

所述生理信号的特征信息包括：压力传感器均值、温度传感器均值和湿度传感器均值中的任意一种或多种；

将所述PPG信号的特征信息和所述生理信号的特征信息输入预先训练好的目标神经网络模型，得到所述目标神经网络模型输出的目标血压信息，包括：

将所述PPG信号的特征信息和所述生理信号的特征信息输入DNN算法模型，得到第一模型输出值；

将所述第一模型输出值作为特征信息与所述PPG信号的特征信息和所述生理信号的特征信息输入xgboost算法模型，得到第二模型输出值；

将所述第一模型输出值、第二模型输出值、所述PPG信号的特征信息和所述生理信号的特征信息输入多元线性回归计算模型，得到目标血压信息。

4.一种计算机可读存储介质，其特征在于，包括指令，当所述指令在计算机上运行时，使得计算机执行一种无袖带血压测量方法；

所述无袖带血压测量方法包括：

采集目标用户的PPG信号和生理信号，所述生理信号为采集所述目标用户的PPG信号时所产生的信号，所述生理信号包括：压力信号、温度信号和湿度信号，PPG信号包括红光、红外两个波长；

确定所述PPG信号和所述生理信号是否符合质量要求；

若所述PPG信号和所述生理信号符合所述质量要求，则提取所述PPG信号的特征信息和所述生理信号的特征信息；

将所述PPG信号的特征信息和所述生理信号的特征信息输入预先训练好的目标神经网络模型，得到所述目标神经网络模型输出的目标血压信息，所述目标神经网络模型用于基于所述PPG信号的特征信息和所述生理信号的特征信息输出血压信息；

展示所述目标血压信息；

所述确定所述PPG信号和所述生理信号是否符合质量要求包括：

获取预设时长内产生的所述PPG信号和所述生理信号；

对所述预设时长内产生的PPG信号进行滤波处理，得到基线信号和交流信号；

判断所述基线信号和交流信号是否满足稳定性要求；

判断所述预设时长内产生的所述生理信号是否满足稳定性要求；

若所述基线信号、所述交流信号和预设时长内产生的所述生理信号均满足所述稳定性要求，则确定所述PPG信号和所述生理信号符合质量要求；

所述对所述预设时长内产生的PPG信号进行滤波处理，得到基线信号和交流信号，包括：

对所述PPG信号进行SG滤波，获取所述基线信号；

基于所述基线信号对所述PPG信号进行去基线处理，并使用低通滤波器和全通滤波器对去除基线的所述PPG信号进行处理，得到交流信号；

所述PPG信号的特征信息，包括：

所述PPG信号的时间特征、空间特征和融合特征中的任意一种或多种；

所述时间特征包括：峰值点前归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，峰值点后归一化振幅10%、25%、50%、75%、90%的采样点与峰值点之间的采样点间隔，心搏周期持续采样点数量、PPG信号一阶差分中的最大值采样点与峰值点间隔；

所述空间特征包括：特征点与时间轴形成的图形面积，部分特征点之间连线的斜率和幅值比；

所述融合特征包括：不同波长信号对应的特征点所形成的幅值比、振幅基线比的比值；

所述生理信号的特征信息包括：压力传感器均值、温度传感器均值和湿度传感器均值中的任意一种或多种；

将所述PPG信号的特征信息和所述生理信号的特征信息输入预先训练好的目标神经网络模型，得到所述目标神经网络模型输出的目标血压信息，包括：

将所述PPG信号的特征信息和所述生理信号的特征信息输入DNN算法模型，得到第一模型输出值；

将所述第一模型输出值作为特征信息与所述PPG信号的特征信息和所述生理信号的特征信息输入xgboost算法模型，得到第二模型输出值；

将所述第一模型输出值、第二模型输出值、所述PPG信号的特征信息和所述生理信号的特征信息输入多元线性回归计算模型，得到目标血压信息。