一种非侵入式血压提取方法和系统与流程

1.本发明涉及血压检测技术领域，尤其涉及一种非侵入式血压提取方法和系统。


背景技术：

2.血压是反映人体循环系统机能的重要生理参数，能够间接地映射心脏的泵血功能、外周血管阻力、心律、大动脉弹性、全身的血容量以及血液的物理状态等，且高血压是最常见的一种慢性疾病，也是涉及年龄阶段较广的疾病，更是心脑血管病最主要的危险因素，是脑卒中、心肌梗死、心力衰竭等主要并发症，致残致死率高。因此，监察人体血压具有重要的意义。
3.现有的测血压方式分为有创测血压和无创测血压两种方式，有创测血压方式是通过刺穿血管，在患者是静脉血管内或者动脉血管内放置导管，导管感受到血液的流动和撞击，会产生压力，然后导管再外接压力感受器，通过压力感受器实时显示患者的血压，这种方法虽然可以实时监测患者的血压，但是由于是体内放置导管，患者易受到感染，并且由于外接压力感受器，患者的行动也会受到限制；无创测血压方式是在患者无运动等平静状态下，对袖带充气，通过压力感受器可以实时感受管道传输的振荡变化，从而可以检测那段时间的血压，虽然能避免有创测血压方式存在的问题，但是无法实现实时监控。为了克服现有的有创测血压方式存在的易感染和行动受限以及无创测血压方式存在的无法实时监测问题，现有技术研究出了利用脉搏波传播时间(ptt)提取血压信号的智能手环，脉搏波传播时间使用同步的心电信号(ecg，electrocardiography)和光电容积(ppg，photoplethysmography)传感器测量手腕微循环波形，提取脉搏波传播时间，再利用机器学习的方法，找出舒张压、收缩压和飞行时间之间的关系，估算出被监测人的血压。但是这种提取血压的方式误差较大，检测准确度有待提高。


技术实现要素：

4.本发明提供了一种非侵入式血压提取方法和系统，用于解决现有的非侵入式血压提取方法误差较大，准确性不高的技术问题。
5.有鉴于此，本发明第一方面提供了一种非侵入式血压提取方法，包括：
6.通过智能手环上的ppg信号采集装置和ecg信号采集装置同步采集被测者的ppg信号和ecg信号；
7.计算ppg信号的周期个数，将预置个数的周期的ppg信号合并；
8.对周期合并后的ppg信号进行快速傅里叶变换，得到ppg信号的频谱幅度信息和相位信息；
9.根据ppg信号和ecg信号，计算脉搏波到达时间pat，其中，pat＝ecg
peak
‑
ppg
d
‑
max
，ecg
peak
为通过滑动窗口定位的ecg信号的峰值对应的时间点，ppg
d
‑
max
为通过一阶向前差分得到的ppg信号上升沿具有最大梯度的点对应的横轴时间点；
10.将ppg信号的频谱幅度信息和相位信息，以及脉搏波到达时间pat作为训练数据集
输入stacking模型进行训练，得到训练好的stacking模型，其中，stacking模型的第一层集成随机森林预测模型、支持向量机预测模型和lightgbm预测模型，第二层为多元线性回归模型；
11.通过训练好的stacking模型预测目标检测血压人员的收缩压和舒张压。
12.可选地，获得ppg信号和ecg信号之后，计算ppg信号的周期个数之前，还包括：
13.将ppg信号输入fir滤波器进行滤波，过滤掉ppg信号的重搏峰高频分量。
14.可选地，计算ppg信号的周期个数，将预置个数的周期的ppg信号合并，包括：
15.计算ppg信号的周期个数，根据ppg信号的周期个数，设置预置长度的滑动窗口对ppg信号进行去基线漂移处理，采用线性映射的方式将ppg信号基线对齐；
16.将预置个数的周期的ppg信号合并，在合并时，以各个周期的重搏峰波谷为基线，分别计算基线距离相邻的ppg信号周期的波谷的距离，求取距离平均值，将距离平均值作为周期合并后基线距离单一周期起始点和终点的标准距离，将给定时间内测量得到的ppg信号的周期长度统一化。
17.可选地，fir滤波器的带通频率为2hz、带阻频率为4hz、阻带衰减为80db。
18.可选地，将ppg信号输入fir滤波器进行滤波时，对ppg信号添加3s的直流分量抵消fir滤波器的时延。
19.可选地，滑动窗口的预置长度为0.6t，t为根据ppg信号的周期个数计算的平均周期长度。
20.本发明第二方面提供了一种非侵入式血压提取系统，包括：
21.信号采集模块，用于通过智能手环上的ppg信号采集装置和ecg信号采集装置同步采集被测者的ppg信号和ecg信号；
22.信号周期处理模块，用于计算ppg信号的周期个数，将预置个数的周期的ppg信号合并；
23.信号变换模块，用于对周期合并后的ppg信号进行快速傅里叶变换，得到ppg信号的频谱幅度信息和相位信息；
24.pat计算模块，用于根据ppg信号和ecg信号，计算脉搏波到达时间pat，其中，pat＝ecg
peak
‑
ppg
d
‑
max
，ecg
peak
为通过滑动窗口定位的ecg信号的峰值对应的时间点，ppg
d
‑
max
为通过一阶向前差分得到的ppg信号上升沿具有最大梯度的点对应的横轴时间点；
25.模型训练模块，用于将ppg信号的频谱幅度信息和相位信息，以及脉搏波到达时间pat作为训练数据集输入stacking模型进行训练，得到训练好的stacking模型，其中，stacking模型的第一层集成随机森林预测模型、支持向量机预测模型和lightgbm预测模型，第二层为多元线性回归模型；
26.血压检测模块，用于通过训练好的stacking模型预测目标检测血压人员的收缩压和舒张压。
27.可选地，还包括：
28.滤波模块，用于将ppg信号输入fir滤波器进行滤波，过滤掉ppg信号的重搏峰高频分量。
29.可选地，信号周期处理模块具体用于：
30.计算ppg信号的周期个数，根据ppg信号的周期个数，设置预置长度的滑动窗口对
ppg信号进行去基线漂移处理，采用线性映射的方式将ppg信号基线对齐；
31.将预置个数的周期的ppg信号合并，在合并时，以各个周期的重搏峰波谷为基线，分别计算基线距离相邻的ppg信号周期的波谷的距离，求取距离平均值，将距离平均值作为周期合并后基线距离单一周期起始点和终点的标准距离，将给定时间内测量得到的ppg信号的周期长度统一化。
32.可选地，fir滤波器的带通频率为2hz、带阻频率为4hz、阻带衰减为80db。
33.从以上技术方案可以看出，本发明实施例具有以下优点：
34.本发明提供了一种非侵入式血压提取方法，包括：通过智能手环上的ppg信号采集装置和ecg信号采集装置同步采集被测者的ppg信号和ecg信号；计算ppg信号的周期个数，将预置个数的周期的ppg信号合并；对周期合并后的ppg信号进行快速傅里叶变换，得到ppg信号的频谱幅度信息和相位信息；根据ppg信号和ecg信号，计算脉搏波到达时间pat，其中，pat＝ecg
peak
‑
ppg
d
‑
max
，ecg
peak
为通过滑动窗口定位的ecg信号的峰值对应的时间点，ppg
d
‑
max
为通过一阶向前差分得到的ppg信号上升沿具有最大梯度的点对应的横轴时间点；将ppg信号的频谱幅度信息和相位信息，以及脉搏波到达时间pat作为训练数据集输入stacking模型进行训练，得到训练好的stacking模型，其中，stacking模型的第一层集成随机森林预测模型、支持向量机预测模型和lightgbm预测模型，第二层为多元线性回归模型；通过训练好的stacking模型预测目标检测血压人员的收缩压和舒张压。本发明将多个周期ppg信号合并后的单周期ppg信号作为研究对象，并通过按时间轴抽取的快速傅里叶变换对其进行频率分解，将研究不同ppg信号与血压之间关系的问题转化成研究ppg信号波形的频谱幅度、相位与血压之间的关系，定义ecg信号峰值与ppg信号上升沿具有最大梯度的点之间的时间间隔为脉搏波到达时间pat，脉搏波到达时间pat和ppg信号频谱幅度、相位可以完整地代表被测者的身体特征，将脉搏波到达时间pat和ppg信号频谱幅度、相位作为stacking模型的输入对stacking模型进行训练，再使用训练好的stacking模型进行血压预测，可以实现对血压的准确判断，解决了现有的非侵入式血压提取方法误差较大，准确性不高的技术问题。
附图说明
35.为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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相关的附图。
36.图1为本发明实施例中提供的一种非侵入式血压提取方法的流程示意图；
37.图2为本发明实施例中提供的一种非侵入式血压提取方法的另一流程示意图；
38.图3为光电容积脉搏波ppg信号在去基线漂移过时定位最大值过程中一种典型的误定位情况；
39.图4为光电容积脉搏波ppg信号去基线漂移的过程示意图；
40.图5为脉搏波到达时间pat的提取原理图；
41.图6为对单个光电容积脉搏波ppg信号进行快速傅里叶变换得到其频谱幅度与相位的效果图；
42.图7为本发明实施例中提供的stacking融合模型结构图。
具体实施方式
43.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。
44.实施例1
45.为了便于理解，请参阅图1，本发明提供的一种非侵入式血压提取方法的一个实施例，包括：
46.步骤101、通过智能手环上的ppg信号采集装置和ecg信号采集装置同步采集被测者的ppg信号和ecg信号。
47.本发明中，首先通过具有ppg信号采集和ecg信号采集功能的智能手环同步采集被测者的ppg信号和ecg信号。
48.步骤102、计算ppg信号的周期个数，将预置个数的周期的ppg信号合并。
49.对于ppg信号，计算预置时长内(例如5s)的周期个数，将这段时长内的周期ppg信号进行合并，作为研究对象。
50.步骤103、对周期合并后的ppg信号进行快速傅里叶变换，得到ppg信号的频谱幅度信息和相位信息。
51.ppg信号的频谱幅度和相位可以代表完整的信号信息，因此本发明中对周期合并后的ppg信号进行快速傅里叶变换得到ppg信号的频谱幅度信息和相位信息，如图6所示。
52.步骤104、根据ppg信号和ecg信号，计算脉搏波到达时间pat，其中，pat＝ecg
peak
‑
ppg
d
‑
max
，ecg
peak
为通过滑动窗口定位的ecg信号的峰值对应的时间点，ppg
d
‑
max
为通过一阶向前差分得到的ppg信号上升沿具有最大梯度的点对应的横轴时间点。
53.本发明通过光电容积脉搏ppg信号结合同步心电图ecg信号分离出脉搏波到达时间pat，脉搏波到达时间pat定义为ecg峰值与ppg上升沿具有最大梯度的点之间的时间间隔，即pat＝ecg
peak
‑
ppg
d
‑
max
，通过一阶向前差分得到ppg上升沿具有最大梯度的点，同时通过滑动窗口定位ecg信号峰值，如图5所示。为进一步提高检测精度，还可以将被测者在短时间内测量多个周期内的脉搏波到达时间pat进行矫正处理，矫正处理方式可以是取平均值矫正。
54.步骤105、将ppg信号的频谱幅度信息和相位信息，以及脉搏波到达时间pat作为训练数据集输入stacking模型进行训练，得到训练好的stacking模型，其中，stacking模型的第一层集成随机森林预测模型、支持向量机预测模型和lightgbm预测模型，第二层为多元线性回归模型。
55.将ppg信号的频谱幅度信息和相位信息，以及脉搏波到达时间pat作为stacking模型的训练数据集输入，stacking模型基于集成学习的思想，通过stacking技术融合随机森林预测模型、支持向量机预测模型和lightgbm预测模型3种基模型作为第一层，将多元线性回归模型作为stacking模型的第二层，对第一层的预测结果进行二次回归，从而实现舒张压与收缩压的预测，达到血压非侵入式提取和监控的目标，完成stacking模型的预测。stacking模型的结构如图7所示。
56.stacking模型的构造过程如下：
57.(1)获取原始数据集s＝{(pat
n
，xk
n
，phase
n
),n＝1,...,n}，pat
n
为第n个脉搏波到达时间，xk
n
为第n个ppg信号的频谱幅度，phase
n
为第n个ppg信号的相位，使用10折交叉验证法，将原始数据集划分为10个子集，各子集的大小相等，表示为s'＝{s1,s2,...,s
k
}。
58.(2)在第一次10折交叉验证训练后，对于每个子集s'，分10次以每个子集作为测试机，另外的子集作为第一层的3个基学习器(即随机森林预测模型、支持向量机预测模型和lightgbm预测模型)训练集，将3个基学习器的预测值分别记为randomforest_pred_1、svm_pred_1、lightgbm_pred_1。
59.具体地，关于基模型lightgbm预测模型的构造过程，通过10折交叉验证划分数据集，随机分成训练集和测试机，在lightgbm预测模型调参的拟合和表征收缩压的拟合偏差程度，表征舒张压的拟合偏差程度，其定义如下：
60.式中，分别为收缩压的预测值和平均值，sbp为训练集中收缩压的实际值，分别为舒张压的预测值和平均值，dbp为训练集中舒张压的实际值。
61.分别使得和最小，在调参过程中，结合变步长循环遍历得到最优参数，设置不同的树深度、叶子数、学习率和特征选择概率参数，初始树深度tree_depth范围设置为[2,4,6,8]，设置叶子数num_leaves为[20,30,40,50，60]，设置学习率范围为[0.01,0.02,0.03,0.04,0.05]，设置特征选择概率为[0.4,0.5,0.6,0.7,0.8]，在遍历叶子数和学习率的过程中得到最优参数，基于此最优参数及其相邻的两个点所在范围内等间隔划分为5个区间，以此进行第二次循环遍历，为防止分裂生长过程中由于决策树较深而发生过拟合，因此可以增加对树最大深度的限制，因此在拟合过程中优先考虑降低叶子数、最大树深度情况下选择r2值(即拟合偏差程度和)最小的模型参数。
[0062]
关于基模型随机森林预测模型的构造过程，每组子训练集分别训练一棵cart决策回归树，cart决策回归树根据最小基尼系数作为子节点的划分依据，每一个cart回归树最终的预测结果为该样本点所到叶节点的均值，通过建立大量随机树构成随机森林，对应样本收缩压与舒张压的最终预测结果为所有cart回归树预测结果的均值。
[0063]
关于支持向量机预测模型，将ppg、pat等信号相关特征作为数据输入，设置敏感系数ε值为10
‑2，对惩罚因子c和rbf核函数参数σ进行寻优选取；使用交叉验证网格搜索法进行搜索，最终选出使训练模型误差最小的参数组合。
[0064]
(3)重复步骤(2)的操作，并以此类推，共计重复进行n次，得到lightgbm模型的预测值集合{lightgbm_pred_1，lightgbm_pred_2,...,lightgbm_pred_n}、随机森林模型的预测值集合{randomforest_pred_1，randomforest_pred_2,...，randomforest_pred_n}、分布式支持向量机模型的预测值集合{svm_pred_1，svm_pred_2,...，svm_pred_n}。
[0065]
(4)将(3)中三个基模型所得到的预测值作为stacking模型第二层的数据集，其中特征维度为3。将多元线性回归模型作为stacking模型的第二层，为了降低模型产生过拟合的风险，基于最小二乘法思想将为stacking模型第一层三个基模型所得到的新数据集与所
对应的收缩压与舒张压进行多元线性回归，得到最优回归参数，从而实现血压的预测。
[0066]
由此，便完成了stacking模型的构造。
[0067]
步骤106、通过训练好的stacking模型预测目标检测血压人员的收缩压和舒张压。
[0068]
通过训练好的stacking模型来对目标检测血压人员的血压情况进行提取和监测，同样地，通过智能手环上的ppg信号采集装置和ecg信号采集装置采集目标检测血压人员的ppg信号和ecg信号，根据步骤102～步骤104，获取ppg信号的频谱幅度信息和相位信息，以及脉搏波到达时间pat，输入到训练好的stacking模型，从而得到训练好的stacking模型预测的舒张压和收缩压。
[0069]
在微循环中，压力脉搏代表流量，而容积脉搏波代表血流的压力，因此光电容积脉搏波ppg信号和血压之间具有很强的相关性，同时随着身体状况的变化和年龄的变化，光电容积脉搏波ppg信号在时域的波形和在频域的谐波功率谱都会有明显的差异，因此通过电容积脉搏波来研究压力具有重要的意义，但是目前基于ppg和ecg信号对血压进行预测的相关研究均丢掉了宝贵的ppg波形信息，它们需要在预测前预先采集患者在平静时的血压，并且通过这一小段人体在平静状态下的血压进行参数预拟合，才可以实现血压预测，具有较大的不便捷性。本发明提供的非侵入式血压提取方法将多个周期ppg信号合并后的单周期ppg信号作为研究对象，并通过按时间轴抽取的快速傅里叶变换对其进行频率分解，将研究不同ppg信号与血压之间关系的问题转化成研究ppg信号频谱幅度、相位与血压之间的关系，定义ecg信号峰值与ppg信号上升沿具有最大梯度的点之间的时间间隔为脉搏波到达时间pat，脉搏波到达时间pat和ppg信号波形的频谱幅度、相位可以完整地代表被测者的身体特征，将脉搏波到达时间pat和ppg信号频谱幅度、相位作为stacking模型的输入对stacking模型进行训练，再使用训练好的stacking模型进行血压预测，可以实现对血压的准确判断，解决了现有的非侵入式血压提取方法误差较大，准确性不高的技术问题。同时，本发明不需要在预测前预先采集患者在平静时的血压，不需要通过这一小段人体在平静状态下的血压进行参数预拟合，即可实现血压预测，提高了便捷性。
[0070]
实施例2
[0071]
请参阅图2，本发明中提供了一种非侵入式血压提取方法的另一个实施例，包括：
[0072]
步骤201、通过智能手环上的ppg信号采集装置和ecg信号采集装置同步采集被测者的ppg信号和ecg信号。
[0073]
本实施例中的步骤201与实施例1中的步骤101一致，在此不再进行赘述。
[0074]
步骤202、将ppg信号输入fir滤波器进行滤波，过滤掉ppg信号的重搏峰高频分量。
[0075]
步骤203、计算ppg信号的周期个数，将预置个数的周期的ppg信号合并。
[0076]
步骤204、对周期合并后的ppg信号进行快速傅里叶变换，得到ppg信号的频谱幅度信息和相位信息。
[0077]
对ppg信号进行离散傅里叶变换可以发现ppg信号的频率主要分布在5hz以内，因此，对于定长光电容积信号，本发明实施例设计一个带通频率为2hz、带阻频率为4hz、阻带衰减为80db的fir滤波器，将ppg信号中的重搏峰等高频部分过滤，可以消除重搏峰对在时间一定的ppg信号内的周期数量计算的影响，从而实现ppg信号周期数的计算。但是由于fir滤波器会产生时延效应，同时对ppg信号添加3s的直流分量抵消fir滤波器的时延，基于此消除时延对给定时间的ppg信号周期数量计算的影响。
[0078]
去基线漂移处理如图4所示，采用线性映射的方式将ppg信号基线对齐，避免了非线性映射造成的信号畸变，更好的保护信号信息。对于原始的数据受到硬件设备的影响，会导致信号数据存在非常规振荡，所以，需要根据周期数量通过滑动窗口对ppg信号进行去基线漂移处理，基于周期个数的计算结果计算出平均周期长度t，并将滑动窗口大小设置为0.6t。通过滑动窗口移动找出每个窗口内序列的最大值和最小值，计算得到特定时间内的最大值和最小值之差为d，若检测到的最大值大于3/4*d，最小值小于1/3*d，则可初步认定其为周期序列的最大值和最小值，其次进行第二次筛选做最终判断，其所剔除的误定位情况如图3所示，产生这种情况往往是由于两个相邻的滑动窗口所检测到的最大值、最小值在时间轴方向上相距较小，实际上相邻两个最大点均为同一个波峰或者波谷附近的值，而并非相邻波峰。因此，本发明将两两计算所检测相邻的最大值的最大、最小值之间的时间差，若其时间差小于0.6t则认为其为误定位，若为最大值的误定位则取两者间较大者，若为最小值则取两者间较小者。在得到各周期的最小值点坐标后，采用线性映射的方式将ppg信号的基线对齐，以各个周期的波谷纵轴坐标的平均坐标为基线的纵轴坐标，将同一周期的两端波谷之差等比例化，依次作为该周期上的点纵轴方向锁该偏移的位移量，基于以上操作视线ppg信号的去基线漂移，如图4所示。
[0079]
将滤波后的信号进行周期合并，为了避免由于周期合并而造成重搏峰的信息损失，在ppg信号周期合并时，以各个周期内的重搏峰波谷为基线，分别计算其距离相邻的ppg信号周期的波谷的距离并对其值分别求平均，然后以平均值作为周期合并后该基线距离单一周期起始点及终点的标准距离，可以结合插值或抽样等方式把给定时间内测量得到的ppg信号的周期长度统一化，最后对周期合并后的ppg信号进行快速傅里叶变换得到ppg信号频率幅度及相位信息。
[0080]
本发明通过周期合并的方式实现对ppg信号进行噪声过滤，由于噪声具有随机性，且该噪声不仅仅影响ppg信号的振荡幅度，而且也会对ppg信号的周期宽度造成一定影响，简单的低通滤波器或者带通滤波器并不能很好的解决噪声问题，因此，本发明通过将去除基线漂移后的多个ppg信号进行周期合并，以及将噪声平均化。考虑到邻接周期的大小存在微小差异，以及需要避免在平均过程造成重搏波信息的损失，通过向前差分的方式定位得到重搏波波谷位置，并以该位置为基线，分别计算其距离相邻ppg信号波谷的距离并分别求平均，以平均值作为周期合并后该基线距离单一周期起始点及终点的标准距离，从第一个ppg信号周期开始依次进行周期归一化，在同一采样频率下，若该周期内重搏峰波谷两端的距离大于标准距离，则通过抽样的方式将距离长度压缩到标准距离，若该周期内重搏峰波谷两端的距离小于标准距离，则通过三样条差值的方式将距离长度放大到标准距离，通过这一步可实现ppg信号的去噪处理，以及得到多个周期合并后的单一ppg信号。
[0081]
将被测者约5s内的多个周期ppg信号合并后的单周期ppg信号作为研究对象，并通过按时间轴的快速傅里叶变换对其进行频率分解，将研究不同ppg波形与血压之间的关系问题转化成研究ppg信号频谱幅度、相位与血压之间的关系，如图6所示，根据其衰减情况，选取能量较高的频率作为提取血压的输入。
[0082]
步骤205、根据ppg信号和ecg信号，计算脉搏波到达时间pat，其中，pat＝ecg
peak
‑
ppg
d
‑
max
，ecg
peak
为通过滑动窗口定位的ecg信号的峰值对应的时间点，ppg
d
‑
max
为通过一阶向前差分得到的ppg信号上升沿具有最大梯度的点对应的横轴时间点。
[0083]
在舒张压与收缩压的输入端处理ppg信号的频谱幅度与相位外，还引入了脉搏波到达时间pat信号，其定义为ecg峰值与ppg上升沿上具有最大梯度的点之间的时间间隔，如图5所示，具体公式定义为：pat＝ecg
peak
‑
ppg
d
‑
max
，ecg
peak
为通过滑动窗口定位的ecg信号的峰值对应的时间点，ppg
d
‑
max
为通过一阶向前差分得到的ppg信号上升沿具有最大梯度的点对应的横轴时间点。ecg峰值检测在ppg最大值检测的基础上，根据ecg特征将最大值、最小值的阈值分别设置为2/3t和1/3t。
[0084]
步骤206、将ppg信号的频谱幅度信息和相位信息，以及脉搏波到达时间pat作为训练数据集输入stacking模型进行训练，得到训练好的stacking模型，其中，stacking模型的第一层集成随机森林预测模型、支持向量机预测模型和lightgbm预测模型，第二层为多元线性回归模型；
[0085]
步骤207、通过训练好的stacking模型预测目标检测血压人员的收缩压和舒张压。
[0086]
本发明基于集成学习的思想，通过stacking模型融合多个回归基模型对舒张压和收缩压进行预测。将stacking模型分为两层，第一层由随机森林预测模型、支持向量机预测模型和lightgbm预测模型3个机器学习模型组成，如图7所示，对pat、ppg信号特征进行学习、预测，将预测结果作为第二层的输入数据，为了降低过拟合的风险，第二层则通过简单的多元线性回归模型对stacking模型第一层得到的数据进行第二次回归，得到最优回归参数，最终实现收缩压与舒张压的预测。
[0087]
实施例3
[0088]
本发明中提供了一种非侵入式血压提取系统的实施例，包括：
[0089]
信号采集模块，用于通过智能手环上的ppg信号采集装置和ecg信号采集装置同步采集被测者的ppg信号和ecg信号；
[0090]
信号周期处理模块，用于计算ppg信号的周期个数，将预置个数的周期的ppg信号合并；
[0091]
信号变换模块，用于对周期合并后的ppg信号进行快速傅里叶变换，得到ppg信号的频谱幅度信息和相位信息；
[0092]
pat计算模块，用于根据ppg信号和ecg信号，计算脉搏波到达时间pat，其中，pat＝ecg
peak
‑
ppg
d
‑
max
，ecg
peak
为通过滑动窗口定位的ecg信号的峰值对应的时间点，ppg
d
‑
max
为通过一阶向前差分得到的ppg信号上升沿具有最大梯度的点对应的横轴时间点；
[0093]
模型训练模块，用于将ppg信号的频谱幅度信息和相位信息，以及脉搏波到达时间pat作为训练数据集输入stacking模型进行训练，得到训练好的stacking模型，其中，stacking模型的第一层集成随机森林预测模型、支持向量机预测模型和lightgbm预测模型，第二层为多元线性回归模型；
[0094]
血压检测模块，用于通过训练好的stacking模型预测目标检测血压人员的收缩压和舒张压。
[0095]
还包括：
[0096]
滤波模块，用于将ppg信号输入fir滤波器进行滤波，过滤掉ppg信号的重搏峰高频分量。
[0097]
信号周期处理模块具体用于：
[0098]
计算ppg信号的周期个数，根据ppg信号的周期个数，设置预置长度的滑动窗口对
ppg信号进行去基线漂移处理，采用线性映射的方式将ppg信号基线对齐；
[0099]
将预置个数的周期的ppg信号合并，在合并时，以各个周期的重搏峰波谷为基线，分别计算基线距离相邻的ppg信号周期的波谷的距离，求取距离平均值，将距离平均值作为周期合并后基线距离单一周期起始点和终点的标准距离，将给定时间内测量得到的ppg信号的周期长度统一化。
[0100]
fir滤波器的带通频率为2hz、带阻频率为4hz、阻带衰减为80db。
[0101]
本发明提供的非侵入式血压提取系统，用于执行前述非侵入式血压提取方法实施例中的非侵入式血压提取系统，可取得与非侵入式血压提取方法实施例相同的技术效果，在此不再进行赘述。
[0102]
以上所述，以上实施例仅用以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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。