一种连续无创血压监测方法及装置与流程

1.本发明涉及生物信号检测技术领域，特别是涉及一种连续无创血压监测方法及装置。


背景技术：

2.高血压是心血管疾病最重要的预测因素之一，心血管疾病是世界范围内的主要死亡原因之一。收缩压与舒张压的比率每超过20/10mmhg,心血管疾病的风险就会增加一倍。与单次间歇血压相比，动态血压监测一再被证明能更好地预测心血管状况和死亡率。持续的动脉血压对于监测包括休克和严重外周血管收缩在内的危重患者或正在接受或即将接受大手术的患者的血流动力学稳定性至关重要。
3.动脉导管动脉内血压因其及时性和准确性而被临床医生普遍采用，是目前连续血压监测的“金标准”；电子臂式血压计是目前无创血压检测的“金标准”。然而，侵入性方法的会给患者带来痛苦和潜在的并发症；间歇的血压检测会丢失连续的血流动力学信息。而目前存在的许多无创连续血压监测方法如：压平眼压技术、脉搏波传导时间、脉搏波传导速度等都存在测量易受影响、需要频繁校准、精确度低等缺点。


技术实现要素：

4.本发明的目的是提供一种连续无创、血压监测方法及装置，能够实时、无创、准确地对血压进行监测。
5.为实现上述目的，本发明提供了如下方案：
6.本发明提供了一种连续无创血压监测方法，包括：
7.s1，获取初始上臂血压值，所述初始上臂血压值由血压测量仪器测量得到；所述上臂血压值包括：上臂收缩压、上臂舒张压及上臂平均压；
8.s2，执行血压拟合波形确定步骤：
9.s21，根据所述上臂平均压对指套压力值进行调整以使所述指套压力值等于所述上臂平均压，再实时采集指套压力信号及采集使用者设定部位的光电容积脉搏信号；
10.s22，根据所述上臂血压值、所述指套压力信号以及所述光电容积脉搏信号得到血压拟合波形；
11.s3，根据s2中的光电容积脉搏信号采用血压预测模型，对上臂血压值进行预测；返回步骤s2根据预测得到的上臂血压值进行血压拟合波形的确定。
12.可选地，在执行步骤s3之前，还包括：
13.判断血压信号波动参数是否大于设定阈值；所述血压信号波动参数根据所述血压拟合波形得到；
14.在血压信号波动参数大于设定阈值时，采用血压测量仪器重新测量使用者的上臂血压值，执行步骤s2根据重新测量的上臂血压值进行血压拟合波形的确定。
15.可选地，在执行步骤s3之前，还包括：
16.判断当前时刻与上次采用血压测量仪器测量使用者的上臂血压值时刻之间的时间间隔是否大于等于设定时间阈值；
17.在当前时刻与上次采用血压测量仪器测量使用者的上臂血压值时刻之间的时间间隔大于等于所述设定时间阈值时，采用血压测量仪器重新测量使用者的上臂血压值，并执行步骤s2根据重新测量得到的上臂血压值进行血压拟合波形的确定。
18.可选地，采用基于过采样的极高速锁相技术采集光电容积脉搏信号。
19.可选地，在所述采用血压预测模型，对上臂血压值进行预测之前，还包括：
20.获取训练数据集，所述训练数据集包括多组数据样本，每组数据样本包括光电容积脉搏信的特征参数和对应的历史有创血压值；
21.采用所述训练集对深度学习网络模型进行训练，获得训练后的网络模型作为血压预测模型。
22.可选地，所述采用所述训练集对深度学习网络模型进行训练，获得训练后的网络模型作为血压预测模型，具体包括：
23.基于所述训练集，采用无监督学习方法训练所述深度学习网络模型的权重和偏差，生成训练后的权重和偏差；
24.将所述训练后的权重和偏差作为初始值输入bp神经网络中进行训练，生成优化后的权重和偏差；
25.将所述优化后的权重和偏差作为训练后的网络模型的网络参数，生成训练后的网络模型作为血压预测模型。
26.为实现上述目的，本发明还提供了一种连续无创血压监测装置，包括：处理器、血压测量模块、显示模块、指套、内嵌于指套内的光电采集模块及压力采集模块；
27.所述血压测量模块，用于测量使用者上臂血压值；所述上臂血压值包括：上臂收缩压、上臂舒张压和上臂平均压；
28.所述压力采集模块，用于实时采集指套压力信号；
29.所述光电采集模块，用于实时采集使用者的设定部位的光电容积脉搏信号；
30.所述处理器，具体包括：
31.初始值获取单元，用于获取初始上臂血压值，所述初始上臂血压值由所述血压测量模块测量得到；所述上臂血压值包括：上臂收缩压、上臂舒张压及上臂平均压；
32.血压拟合波形确定单元，包括初始上臂血压值调整子单元、预测上臂血压值调整子单元及血压拟合波形确定子单元；
33.所述初始上臂平均压调整子单元，用于根据初始上臂平均压对指套压力值进行调整以使所述指套压力值等于所述初始上臂平均压；
34.所述预测上臂平均压调整子单元，用于根据预测上臂平均压对指套压力值进行调整以使所述指套压力值等于所述预测上臂平均压；所述预测上臂平均压由血压预测模型预测得到；
35.血压拟合波形确定子单元，用于根据所述上臂血压值、所述指套压力信号以及所述光电容积脉搏信号得到血压拟合波形；
36.血压预测单元，用于根据预测上臂平均压调整子单元调整后的指套压力值对应的光电容积脉搏信号采用血压预测模型，对上臂血压值进行预测；
37.所述血压拟合波形确定单元还用于根据预测得到的上臂血压值进行血压拟合波形的确定；
38.显示模块，与所述处理器连接，用于实时显示所述血压拟合波形。
39.可选地，所述处理器还包括：
40.第一判断单元，用于判断血压信号波动参数是否大于设定阈值；所述血压信号波动参数根据所述血压拟合波形子单元得到；
41.在血压信号波动参数大于设定阈值时，所述血压测量模块还用于重新测量使用者的上臂血压值，所述血压拟合波形确定单元还用于根据重新测量的上臂血压值进行血压拟合波形的确定。
42.可选地，所述处理器，还包括：
43.第二判断单元，用于判断当前时刻与上次采用血压测量仪器测量使用者的上臂血压值时刻之间的时间间隔是否大于等于设定时间阈值；
44.在当前时刻与上次采用血压测量模块测量使用者的上臂血压值时刻之间的时间间隔大于等于所述设定时间阈值时，所述血压测量模块还用于重新测量使用者的上臂血压值，所述血压拟合波形确定单元还用于根据重新测量得到的上臂血压值进行血压拟合波形的确定。
45.可选地，所述光电采集模块包括：光电探测器、第一光源、第二光源和第三光源；
46.所述第一光源，与中心的连线和光电探测器与中心的连线呈120度夹角，用于向使用者的设定部位发射红光信号；所述中心为指套横截面的中心；
47.所述第二光源，与所述中心的连线和光电探测器与所述中心的连线呈120度夹角，与所述中心的连线和第一光源与中心的连线呈120度夹角，用于向使用者的设定部位发射近红外光信号；
48.所述第三光源，与所述光电探测器并排设置，所述第三光源与所述光电探测器间隔设定距离，用于向使用者的设定部位发射绿光信号；
49.所述光电探测器，用于根据照射到所述光电探测器上的光信号得到光电容积脉搏信号。
50.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明涉及一种连续无创血压监测方法及装置，该方法通过血压测量仪器获取初始上臂血压值，再执行以下步骤：s21，根据上臂平均压对指套压力值进行调整以使指套压力值等于上臂平均压，再实时采集指套压力信号及设定部位的光电容积脉搏信号；s22，根据上臂血压值、指套压力信号以及光电容积脉搏信号得到血压拟合波形；s3，根据s2中的光电容积脉搏信号采用血压预测模型，对上臂血压值进行预测；返回s2根据预测得到的上臂血压值进行血压拟合波形的确定。本发明通过实时采集指套压力信号、光电容积脉搏信号并通过血压预测模型进行血压预测，能够实现连续、无创、准确地血压监测。
51.另外，本发明采用基于过采样的极高速锁相技术采集光电容积脉搏信号，能够实现弱灌注下的血压监测，此外，本发明连续无创血压监测装置可与可穿戴设备结合、体积小且操作简便。
附图说明
52.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
53.图1为本发明连续无创血压监测方法的流程图；
54.图2为本发明连续无创血压监测装置的模块结构示意图；
55.图3为指套内光源与探测器位置关系示意图；
56.图4为本发明连续无创血压监测装置的显示模块界面示意图；
57.图5为本发明连续无创血压监测装置的佩戴方式示意图；
58.图6为本发明连续无创血压监测装置的信号检测原理图；
59.图7为深度学习网络模型结构示意图。
60.符号说明：
61.处理器
‑
1，血压测量模块
‑
2，显示模块
‑
3，指套
‑
4，内嵌于指套内的光电采集模块
‑
5，光电探测器
‑
51，第一光源
‑
52，第二光源
‑
53，第三光源
‑
54，压力采集模块
‑
6。
具体实施方式
62.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做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。
63.本发明的目的是提供一种连续无创血压监测方法及装置，能够实时、无创、准确地对血压进行监测。
64.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
65.如图1所示，本发明连续无创血压监测方法包括以下步骤：
66.s1，获取初始上臂血压值，初始上臂血压值由血压测量仪器测量得到；上臂血压值包括：上臂收缩压、上臂舒张压及上臂平均压。
67.s2，执行血压拟合波形确定步骤：
68.s21，根据上臂平均压对指套压力值进行调整以使指套压力值等于上臂平均压，再实时采集指套压力信号及采集使用者设定部位的光电容积脉搏信号(photoplethysmograph，ppg)。
69.s22，根据上臂血压值、指套压力信号以及光电容积脉搏信号得到血压拟合波形。
70.s3，根据s2中的光电容积脉搏信号采用血压预测模型，对上臂血压值进行预测；返回步骤s2根据预测得到的上臂血压值进行血压拟合波形的确定。
71.进一步地，在执行步骤s3之前，还包括：
72.判断血压信号波动参数是否大于设定阈值；所述血压信号波动参数根据所述血压拟合波形得到。
73.在血压信号波动参数大于设定阈值时，采用血压测量仪器重新测量使用者的上臂
血压值，执行步骤s2根据重新测量的上臂血压值进行血压拟合波形的确定。
74.更进一步地，在执行步骤s3之前，还包括：
75.判断当前时刻与上次采用血压测量仪器测量使用者的上臂血压值时刻之间的时间间隔是否大于等于设定时间阈值。
76.在当前时刻与上次采用血压测量仪器测量使用者的上臂血压值时刻之间的时间间隔大于等于所述设定时间阈值时，采用血压测量仪器重新测量使用者的上臂血压值，并执行步骤s2根据重新测量得到的上臂血压值进行血压拟合波形的确定。通过该步骤对血压进行阶段性的校准，减小测量误差。
77.进一步地，采用基于过采样的极高速锁相技术采集光电容积脉搏信号，能够实现弱灌注下的ppg信号获取，从而实现弱灌注下的血压追踪。
78.本发明采用透射式及反射式ppg法，其原理均是基于郎伯
‑
比尔定律，光源从手指一侧入射，一侧出射，出射一侧的光电探测器接收随手指内血流变化相对应的光强变化信息，由此实现脉搏波波形的检测，从而得到相应的血压变化信息。由朗伯
‑
比尔定律可知，当强度为i0入射到手指时，部分光能量被组织、血液吸收，其出射光强度i为公式(1)所示：
79.i＝i0e
‑
ε(λ)cd
ꢀꢀꢀ
(1)
80.式中，ε(λ)为物质对光波长为λ的摩尔消光系数，c为吸光物质浓度，d为光程长。
81.入射光照射到指尖时会被一定程度的吸收，出射光或反射光的衰减量即反映了指尖内的血流变化。在心脏舒张时，手指血容量最少，此时血液对光的吸收最少，采集到的光能量最大。相反，心脏在收缩时，血容量最多，此时对光的吸收最多，采集到的光能量最小。
82.本发明用到的锁相技术主要包括：锁相放大、极高速锁相、过采样锁相、计算修正因子。锁相放大器利用信号和噪声互不相干的特点，采用互相关检测原理来实现信号的检测。数字锁相放大通过adc采样，在微处理器中实现与参考信号的正交相关解调，实现鉴定幅值和鉴定相位的功能。
83.假设ppg信号为其中dc为ppg信号的直流分量，a为ppg信号幅值，为ppg信号初相位。以采样率f
s
＝n
·
f，n>3对ppg信号信号进行采样，采集到的离散信号x[n]如公式(2)所示：
[0084][0085]
将离散信号基于处理器产生的同步采样正弦信号与余弦信号得到通向输出和正交输出的互相关信号，再通过低通滤波器取出相关信号中的直流分量，计算出信号的相位和幅值。信号的幅值表达如公式(3)所示、信号的相位表达如公式(4)所示，q[n]为低通滤波后的信号。
[0086][0087][0088]
当采样率设置为信号频率的4倍时。正交互相关计算中的乘法运算全部消除，只有采样信号的间法运算就能实现互相关运算，较少了计算量，而且微处理器不需要提供同频率的参考信号，减轻了微处理器的负担，大大提高了算法实现的速度。这种快速的数字锁相
算法与相同采样频率的传统数字锁相算法相比一个周期减少了8次乘法运算和4次加法，若采集q个周期，则相应的减少8q法运算和4q次加法。
[0089]
过采样实质是用速度换取采集的高精度。在相同的采样间隔ts(相位为π/2)内，由采集1点变为k点，再以这k个采样值的均值代替原来的单一的采样值x[n](n表示第n个采样间隔)，当k足够大时，为该采样间隔内信号序列的数学期望的无偏估计。因此，若要用一个常数来代替一个采样间隔内采样值，求和平均的方法更合理。另一方面，在采集过程中引入的量化噪声、外界干扰以及系统产生的热噪声等大多为白噪声，其均值的近似为0，所以求和平均的方法具有极强的去噪效果，可以使信噪比得到显著提高，进而折合为adc有效位数的增加。此种方法采用的就是“过采样”技术，以实际所需要采样频率fs的k倍(k为过采样率)，即kfs进行采样，再通过平均下抽样使等效转换速率仍还原为fs的一种方法。
[0090]
修正因子的引入保证了采用下抽样后的均值来计算幅值不带来任何理论上的误差，符合过采样技术运用到数字锁相中所需要的条件，发挥了基于过采样的数字锁相检测的精度优势，还保持了算法的高速性。修正因子c根据过采样率k的变化而变化，修正因子c与k的关系如公式(5)所示，α为任意值。
[0091][0092]
进一步地，在采用血压预测模型，对上臂血压值进行预测之前，还包括：
[0093]
获取训练数据集，所述训练数据集包括多组数据样本，每组数据样本包括光电容积脉搏信的各类特征参数和对应的历史有创血压值。
[0094]
采用训练集对深度学习网络模型进行训练，获得训练后的网络模型作为血压预测模型。
[0095]
进一步地，采用训练集对深度学习网络模型进行训练，获得训练后的网络模型作为血压预测模型，具体包括：
[0096]
基于所述训练集，采用无监督学习方法训练所述深度学习网络模型的权重和偏差，生成训练后的权重和偏差。
[0097]
将所述训练后的权重和偏差作为初始值输入bp神经网络中进行训练，生成优化后的权重和偏差。
[0098]
将所述优化后的权重和偏差作为训练后的网络模型的网络参数，生成训练后的网络模型作为血压预测模型。
[0099]
具体地，通过大量动物实验，建立包含连续血压变化信息的数据库，数据库包含训练数据集，训练数据集中包括处于血压平稳状态下、处于血压变化趋势变化幅度较大以及处于弱灌注情况下的大量样本数据；每个所述样本数据中包括一组ppg信号所对应的各特征参数及真实有创血压值。每组所述特征参数包括ppg信号ac分量、dc分量、幅值、波形单周期积分面积、波形上升沿一阶导数、波形上升沿二阶导数与波形上升沿与峰谷值连线差值的和。
[0100]
为实现上述目的，本发明还提供了一种连续无创血压监测装置，如图2所示，该装置包括：处理器1、血压测量模块2、显示模块3、指套4、内嵌于指套内的光电采集模块5及压
力采集模块6。
[0101]
血压测量模块2，用于测量使用者上臂血压值；所述上臂血压值包括：上臂收缩压、上臂舒张压和上臂平均压。
[0102]
压力采集模块6，用于实时采集指套压力信号。
[0103]
光电采集模块5，用于实时采集使用者的设定部位的光电容积脉搏信号。
[0104]
处理器1，具体包括：
[0105]
血压测量模块2，用于测量使用者上臂血压值；所述上臂血压值包括：上臂收缩压、上臂舒张压和上臂平均压。
[0106]
压力采集模块6，用于实时采集指套压力信号。
[0107]
光电采集模块5，用于实时采集使用者的设定部位的光电容积脉搏信号。
[0108]
处理器1，具体包括：
[0109]
初始值获取单元，用于获取初始上臂血压值，初始上臂血压值由血压测量模块2测量得到；上臂血压值包括：上臂收缩压、上臂舒张压及上臂平均压。
[0110]
血压拟合波形确定单元，包括初始上臂血压值调整子单元、预测上臂血压值调整子单元及血压拟合波形确定子单元。
[0111]
所述初始上臂平均压调整子单元，用于根据初始上臂平均压对指套压力值进行调整以使指套压力值等于初始上臂平均压。
[0112]
预测上臂平均压调整子单元，用于根据预测上臂平均压对指套压力值进行调整以使指套压力值等于预测上臂平均压；预测上臂平均压由血压预测模型预测得到。
[0113]
血压拟合波形确定子单元，用于根据上臂血压值、指套压力信号以及光电容积脉搏信号得到血压拟合波形。
[0114]
血压预测单元，用于根据预测上臂平均压调整子单元调整后的指套压力值对应的光电容积脉搏信号采用血压预测模型，对上臂血压值进行预测。
[0115]
血压拟合波形确定单元还用于根据预测得到的上臂血压值进行血压拟合波形的确定。
[0116]
显示模块3，与处理器1连接，用于实时显示所述血压拟合波形。
[0117]
进一步地，所述处理器1还包括：
[0118]
第一判断单元，用于判断血压信号波动参数是否大于设定阈值；血压信号波动参数根据血压拟合波形子单元得到；
[0119]
在血压信号波动参数大于设定阈值时，血压测量模块2还用于重新测量使用者的上臂血压值，血压拟合波形确定单元还用于根据重新测量的上臂血压值进行血压拟合波形的确定。
[0120]
进一步地，所述处理器1，还包括：
[0121]
第二判断单元，用于判断当前时刻与上次采用血压测量模块2测量使用者的上臂血压值时刻之间的时间间隔是否大于等于设定时间阈值。
[0122]
在当前时刻与上次采用血压测量模块测量使用者的上臂血压值时刻之间的时间间隔大于等于设定时间阈值时，血压测量模块2还用于重新测量使用者的上臂血压值，血压拟合波形确定单元还用于根据重新测量得到的上臂血压值进行血压拟合波形的确定。
[0123]
具体地，如图3所示，光电采集模块5包括：光电探测器51、第一光源52、第二光源53
和第三光源54。
[0124]
第一光源，与中心的连线和光电探测器与中心的连线呈120度夹角，用于向使用者的设定部位发射红光信号；中心为指套横截面的中心。
[0125]
第二光源，与中心的连线和光电探测器与中心的连线呈120度夹角，与中心的连线和第一光源与中心的连线呈120度夹角，用于向使用者的设定部位发射近红外光信号。
[0126]
第三光源，与光电探测器并排设置，所述第三光源与所述光电探测器间隔设定距离，用于向使用者的设定部位发射绿光信号。
[0127]
所述光电探测器，用于根据照射到光电探测器上的光信号得到光电容积脉搏信号。
[0128]
进一步地，第一光源52发射640nm的红光，第二光源53发射810nm的近红外光，第三光源54发射525nm的绿光。光电探测器51采用接收面积大、灵敏度高、暗电流小、噪声低的pin型光敏二极管。
[0129]
本发明光源与光电探测器的位置分布是根据光源透射式与反射式原理设计的。较佳地，本发明中主要采集的是指端部位的光电信号，因为指端皮肤层薄，外周毛细血管丰富，受其他组织血流干扰少；指端的ppg信号信噪比高，有利于提高血压预测的准确性。
[0130]
本发明光源与光电探测器装置采用的是一探多源结构，光电采集分为透射式光电采集与反射式光电采集。这样一探多源的结构，可以提高信号采集质量和精度。下面将分别对两种光电采集的原理进行介绍。
[0131]
本发明用到的光电容积脉搏波法是基于红光、近红外光的透射理论及基于绿光的反射理论。选择红光和近红外光作为透射式ppg的光源，是因为红光和红外光波长更深地穿透组织，可以为深层组织的血液流动提供更好的反馈信息。选择绿光作为反射式ppg的光源，是因为绿光这样短波长光源用于皮肤中的表面血流时，选做反射光源的时，绿色光源的信噪比高于红光和红外光源。
[0132]
进一步地，压力采集模块6包括：压力传感器、超声泵及比例阀。
[0133]
压力传感器，用于采集使用者的指套压力信号，并将指套压力信号转换成相应的电信号。在本发明的具体实施例中，压力传感器采用型号为xgzp6857的气压力传感器。
[0134]
超声泵及比例阀，用于根据处理器的反馈的信号调节指套压力的大小。
[0135]
为了实现较佳的采集效果，充放气指套内需要加覆一层遮光材料，降低其他外界光源对指套内的ppg信号采集的影响。
[0136]
优选地，充放气指套外层为保护固定壳。
[0137]
优选地，充放气指套型号有大、中、小不同型号。
[0138]
优选地，本发明连续无创血压监测装置还包括无线模块，用于将血压拟合波形信号传输至上位机实现远程监护。
[0139]
优选地，本发明还包括存储模块，存储方式包括sd卡本地存储及云端存储。本地存储基于存储模块，云端存储基于专用服务器实现。
[0140]
为了实现实时监测血压，本发明可与可穿戴医疗设备结合，采用可穿戴的指套及腕式显示屏，其中，处理器1的主控芯片为stm32f103rct6型单片机，显示模块3为电子显示屏，显示界面如图4所示。监测的时候将指套套于两根手指根部、显示屏佩戴于手腕，佩戴方式示意图如图5。
[0141]
本发明工作原理：本发明根据血管卸载技术，当心脏收缩时，手指内的血容量增大；当心脏舒张时，手指内的血容量会减小。通过随时调整指套压力使其随手指内血容量保持恒定，即可认为指套上的压力等于指内血压。当指套压力维持在某一定值上时，手指内ppg信号峰值即可达到最大，此时的恒定压力值则为手指内平均动脉压。当人体处于平稳状态时，指套压力维持在平均压时，即可根据所述ppg信号和压力信号及经验公式检测出实时的血压波形。当血压发生变化时，维持在上一时刻平均压下的ppg信号会发生明显的形态学变化，根据ppg的特征的变化以及血压预测模型可得到变化的血压，从而实时调整指套压力，从而实现血压变化趋势的追踪。图6为本发明提供的连续无创血压监测装置信号检测原理图。
[0142]
本发明在血压预测部分采用了长短时记忆深度学习网络模型，利用选择后的ppg信号所对应特征参数及真实有创血压值作为输入层，血压值作为输出层，使用深度学习建立ppg信号与血压之间的非线性关系。本发明提供的深度学习网络模型结构如图7所示。
[0143]
所述深度学习网络模型结构的训练过程主要在于细胞状态及“门”结构。细胞状态相当于信息传输的路径，让信息能在序列中传递下去。细胞状态即可以看作网络的“记忆”，即使较早时间步长的信息也能写的带到较厚时间步长的细胞中来，克服了短时记忆的影响。而“门”的作用是添加信息或者移除信息，“门”结构在训练过程中学会保存或者遗忘信息。
[0144]
所述深度网络模型结构中，某一时刻的输入有三个：当前时刻网络的输入值x_t、上一时刻的输出值h_t
‑
1、以及上一时刻的单元状态c_t
‑
1；其输出有两个：当前时刻输出值h_t、和当前时刻的单元状态c_t。
[0145]
所述深度学习网络模型结构主要包括三个“门”：遗忘门、输入门、输出门。
[0146]
遗忘门决定了上一时刻的单元状态有多少信息保留到当前时刻。来自前一个隐藏状态的信息和当前输入信息同时传递到激活函数中。输出值介于0与1之间，越接近0意味着越应该丢弃，越接近1意味着越应该保留。遗忘门决定了应该丢弃或保留的信息。深度学习中所用到的激活函数为sigmoid激活函数。sigmoid激活函数与tanh函数类似，不同之处在于sigmoid是把值压缩到0
‑
1之间而不是
‑1‑
1之间，这样的设置有助于更新或忘记信息，因为任何数乘以0都得0，这部分信息就会剔除掉。同样的，任何数乘以1都得到它本身，这部分信息就会完美地保存下来。这样网络了解到哪些数据是需要遗忘，哪些数据是需要保存的。
[0147]
由于输入门的控制，它可以保存很久之前的信息。由于输入门的控制，可以避免当前无关紧要的内容进入记忆。由上一次的单元状态c_t
‑
1按元素乘以遗忘门f_t。再用当前输入的单元状态c_t和长期的记忆c_t
‑
1组合在一起，形成了新的单元状态c_t。
[0148]
输出门控制单元状态有多少信息输出到所述深度学习网络模型的当前输出值。输出门可以确定下一个隐藏状态的值，隐藏状态包含了先前输入的信息。首先，我们将前一个隐藏状态和当前输入传递到sigmoid函数中，然后将新得到的细胞状态传递给tanh函数。最后将tanh的输出与sigmoid的输出相乘，以确定隐藏状态应携带的信息。再将隐藏状态作为当前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。
[0149]
本发明基于所述深度学习网络模型主要由两个叠加的lstm层组成，这两层之间连接就要有时间分布的人工神经网络。叠加的lstm层学习提取的特征在不同时间尺度上的变化，以改进血压估计。
[0150]
lstm隐藏状态产生过程由公式(6)
‑
(10)所示：
[0151]
f
t
＝σ(w
xf
x
t
w
hf
h
t
‑1 b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0152]
i
t
＝σ(w
xi
x
t
w
hi
h
t
‑1 b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0153]
o
t
＝σ(w
xo
x
t
w
ho
h
t
‑1 b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0154]
c
t
＝f
t
⊙
c
t
‑1 i
t
⊙
tanh(x
t
w
hc
h
t
‑1 b
c
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0155]
h
t
＝o
t
⊙
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0156]
其中f、i和o分别是遗忘门、输入门、输出门，它们控制有多少信息将被遗忘、累积或输出。w项和b项分别表示权重矩阵和偏差向量。σ和tanh分别代表逻辑sigmoid函数和双曲正切函数的元素应用。
⊙
表示元素式乘法。
[0157]
基于血压预测模型和经验公式进行血压波形预测与血流动力学参数计算：
[0158]
心输出量co(carbonic oxide)、容量管理参数脉压变异性ppv(blood pressure variance)/svv、外周血管阻力svr是引起血压变化最重要的血流动力学指标。co为心输出量，其计算公式为(11)所示：
[0159][0160]
p
s
‑
p
d
为心脏的收缩能力，p
s
和p
d
分别为收缩压(mmhg)和舒张压(mmhg)，k为脉搏波波形参数，它是代表人体外周阻力和血管壁硬化程度大小的量，反应血管壁的收缩和硬化程度，且k可由公式(12)计算：
[0161][0162]
其中p
m
为平均动脉压，可从一个新的周期中脉搏压力瞬时变化曲线积分求出，因此可以将它表示成公式(13)：
[0163][0164]
心搏输出量sv的计算公式由(14)所示：
[0165][0166]
其中，t为心动周期，p
s
‑
p
d
为脉压差，k为脉搏波特征参数，代表血管阻力、血管壁弹性与血液黏性等生理因素对心脏射血的限制。即心输出量与心动周期和脉压差成正比。
[0167]
脉压变异性ppv的计算公式由(15)所示：
[0168][0169]
其中，pp
max
为最大脉压差，pp
min
为最小脉压差，pp
mean
为平均脉压差。每搏输出变异性svv的计算公式由(16)所示：
[0170][0171]
其中，sv
max
为最高的每搏输出量，sv
min
为最低的每搏输出量，sv
mean
为每搏输出量的平均值。
[0172]
本发明连续无创血压监测装置的具体工作流程如下：
[0173]
首先，单片机控制上臂袖带进行上臂平均压检测，通过测量得到初始上臂血压值，
再将手指平均压校准为初始上臂平均压，以实现装置的初始化。然后单片机控制指套初始压力稳定在手指平均压附近，然后进行ppg信号与指套压力信号的实时采集，进而对初始上臂血压值、ppg信号与指套压力信号进行计算得到血压拟合波形。然后，将当前指套压力值对应的ppg信号输入到血压预测模型中进行上臂血压预测，并将预测得到的上臂平均压反馈到压力采集模块，调整指套压力值至与预测得到的上臂平均压相等，然后根据预测得到的上臂血压值、调整后的指套压力值对应的ppg信号及指套压力信号，得到血压拟合波形，实现血压趋势的预测，同时，显示模块进行实时的血压波形显示。
[0174]
单片机采用spi通讯方式，在光电信号采集时，三组光源同时工作、频分复用。红光、近红外光、绿光同时入射手指内，光电探测器对三路光电信号进行采集，三路通道传输的光电信号并行工作，被调至到不同的载波频率上，然后组合成一路光电信号。利用频分复用的检测技术，可以实现快速的ppg信号检测，从而减少血压监测的时间延迟。
[0175]
单片机对检测到的ppg信号进行预处理后，在单片机内部，基于深度学习得到的血压预测关系对血压进行预测。血压信息一方面进行存储，一方面基于显示屏进行实时显示。数据分析后的血流动力学参数结果和血压波形课通过无线模块发送到其他设备上进行显示，可用于对于患者实时重要的治疗提供有价值的辅助判断。无线模块可实现远程的通信及云端存储来建立个人的血压监测档案。存储模块内置sd卡可在断网时实现保护存储，不会出现数据丢失情况。
[0176]
本发明与现有技术，至少具备以下优点：
[0177]
1、利用血管卸载技术与深度学习相结合的方法对血压进行预测，以实现快速准确的连续无创血压监测，即同时实现了无创和连续的血压监测功能。通过指套加压无创的方式实现了血压值的精确测量、血压变化趋势的追踪预测和实时的血压波形监测功能。
[0178]
2、本发明实现了弱灌注下的血压监测：当前基于ppg监测血压变化的设备中，一旦患者由于心血管疾病、休克等原因造成血容量低灌注时，设备将无法正常监测血压。其根本原因在于发生弱灌注现象时，被测部位的动脉血流会减小，此时检测到的ppg信号质量大大降低，无法采集到信噪比高的脉搏波信号。目前通用的反映灌注程度的参数指标为灌注指数pi值，灌注指数指被监测部位，如手指、耳垂处血流ac分量(即搏动部分)与dc分量(非搏动静态血流)的比值，表示该部位的脉搏强度。pi反映的是被测部位的动脉血流情况。一般成年人正常pi>1，儿童pi>0.7，当pi值<0.3时，则呈现弱灌注现象。本发明将基于锁相技术实现弱灌注情况下的血压监测。
[0179]
3、本发明减小了血压监测的延迟时间：众多研究都在使用基于pwtt(pulse wave transit time)和pwv(pulse transit velocity)预测血压的算法。但是需要两个采集通道分别采集系心电信号和心电信号和脉搏波信号，计算两者的时间差。由于积累的采集时间误差会增大血压预测追踪的延迟时间。本发明中直接采用脉搏波的形态学特征及时域频域特征来预测血压。脉搏波形态学特征参数有很多，比如时间上有脉率，上升支时间，下降支时间，一阶导数峰值、二阶导数等；空间上有ppg幅值、ppg单周期宽度、ppg单周期主峰频率等；时间与空间的结合上有上升支面积，下降支面积，单周期ppg面积等。各种脉搏波波形特征参数与血压之间的相关性不尽相同。可以根据这些特征的反馈，自适应地调节指套压力，实时反馈出血压的变化，减小延迟误差。
[0180]
4、本发明的监测成本低。具有充电、蓄电功能，蓄电能力为2小时。监测指套和校准
袖带可以循环使用，无需更换。
[0181]
5、本发明与可穿戴设备结合、操作简便。目前国外公司的同类设备外形较为笨重。本发明旨在设计一款小型化的连续无创血压监测可穿戴设备，尺寸为20cm*20cm*10cm；外带三个不同大小型号的指套；显示屏幕内嵌于监测装置内，屏幕大小为15cm*15cm；可佩戴与手腕上处，不会给患者带来不适体验。操作开关均采取触屏方式、色彩对比度大、标识辨识度高。具有存储、实时显示、无线传输血压信息等功能。
[0182]
6、本发明将实时监测到的使用者的血压情况通过无线的方式传至云端和pc端，可实现远程医疗，大大节省医疗的时间与空间成本
[0183]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0184]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。