一种基于人工智能的血压检测方法及装置

1.本发明属于医疗器械领域，涉及血压检测技术，具体为一种基于人工智能的血压检测方法及装置。


背景技术：

2.血压（blood pressure，bp）是指血液在血管内流动时作用于单位面积血管壁的侧压力，它是推动血液在血管内流动的动力。在不同血管内被分别称为动脉血压、毛细血管压和静脉血压，通常所说的血压是指体循环的动脉血压。血压可以判断心脏功能与外周血管阻力，也是诊断疾病、观察病情变化与判断治疗效果的一项重要内容。
3.目前无创血压测量方法主要有柯氏音听诊法和示波法，柯氏音听诊法就是用柯氏音测量血压的方法，工作过程是通过充气球先给袖带充气,当袖带内压力超过动脉收缩压时,动脉血管封闭,血流不通。然后打开针形阀使袖带内的压力以2~3mmhg/s的速度缓慢放气,当收缩压高于袖带内压力时,部分动脉打开，血液喷射形成涡流或湍流,它使血管振动并传到体表即为柯氏音。这是国际医学唯一认可的一种血压计量和测量方法的合称，听诊法是科学的、经典的血压计量和测量器具，迄今无法替代。市面上卖的电子血压计大多采用示波法，利用压力下降时臂带气囊内出现的震荡波来预测血压，当振荡波的振幅最大时，气袖的压力就是动脉的平均压。动脉的收缩压对应于振幅包络线的第一个拐点，舒张压对应于包络线的第二个拐点。该仪器操作简便，比较适合家庭使用。
4.但是听诊法操作较为复杂，虽然现在有全自动的听诊法血压计，但大多数还是需要手动充气放气与读数，且其需要使用袖带对肱动脉进行加压，这会使测量者产生不适感，并且产品体积较大，不易携带；示波法电子血压计由于震荡波来源复杂，且人类个体差异，存在由震荡波振幅计算收缩压和舒张压的普遍适用的换算关系，其存在一定误差，不适合医疗使用，并且示波法同样需要使用袖带加压，较为繁琐。
5.基于容积脉搏波获取血压参数信息是近年来研究的重点与热点。以led光源和探测器为基础,测量经过人体血管和组织反射、吸收后的衰减光, 描记出血管容积在心动周期内的变化，当心脏收缩时外周血容量最多，光吸收量也最大检测到的光强度最小；而在心脏舒张时，正好相反，检测到的光强度最大，故光接收器接收到的光强度随之呈脉动性变化，由此可见，容积脉搏血流中包含有血液流动等诸多心血管系统的重要生理信息，是我们研究人体循环系统重要的信息来源，包括血压、心率等信息。申请号为201410461910x的专利公开了一种无创血压连续逐拍测量装置，利用脉搏波传导时间，基于标准血压测量数据建立被测对象的血压检测模型，从而实现无创连续血压监测；申请号为2014101634254的专利是基于脉搏波特征参数的血压测量装置，但目前仍缺少脉搏波速以及脉搏波传导时间与动脉脉压相关关系的统一标准，且影响脉搏波速的因素比较多，需要考虑血管弹性等因素对其的影响，需要开发可靠、准确的算法以及建立更合适的回归模型。


技术实现要素：

6.本发明目的在于提供一种测量精度高、结果可靠的基于人工智能的血压检测方法，旨在解决现有血压测量方案较为繁琐与不适合连续多次测量的技术问题及现有血压测量装置体积较大、不方便携带的问题。
7.实现上述目的的技术方案包括如下内容。
8.一种基于人工智能的血压检测方法，包括如下步骤，获取原始光电容积脉搏波信号；对脉搏波信号进行带通滤波平滑化处理；对平滑化处理后的信号进行小波变换，将一维 ppg 信号段转换成二维时频色谱；将二维时频色谱输入血压预测模型中进行预测，得到血压。
9.进一步，所述血压预测模型包括前驱二维cnn网络加后接lstm网络混合搭建而成的cnn-lstm网络模型，后续的lstm网络对前期二维cnn 输出的深层矩阵进行整合归纳出顺序特征量，通过lstm网络中的循环链结构得到相关时间序列信息，进而辅助模型进行分类。
10.进一步，所述cnn-lstm网络模型的第 1-13 层由卷积层和最大池化层相互交叉混合搭建，第 14-15 层分别是lstm 层、全连接层，其中每个二维卷积层和全连接层后都有一个leakyrelu激活函数层，并且每个最大池化层的前面都包含一个bn层。在最大池化层和 lstm层的连接处，通过修改数据维度将大小为（none，32,32,128）的形状改为（256,192），在全连接层之前，使用flatten结构将上层的多维数据一维化，全连接层对上层的一维数据进行概率计算，最终输出最大概率下的回归情况。
11.本发明的血压检测方法使用深度学习强大的特征提取能力对ppg信号进行特征提取，避免了脉搏波速以及脉搏波传导时间与动脉脉压相关关系缺少统一标准的问题，充分发挥深度学习性能，并通过连续小波变换，将一维ppg信号段转换成二维时频色谱图，不仅可以避免信息的丢失，还能充分展现原始信号中的时频信息，最终实现单路光电容积脉搏波波形测量血压，从而提高了检测结果的可靠性。
12.基于上述的血压检测方法，本发明还提供一种基于人工智能的血压检测装置，包括如下模块：光电容积脉搏波采集模块;对采集的波形数据进行运算处理及运行血压预测模型的运算处理模块;对采集的波形数据进行存储及储存血压预测模型的存储模块;对波形数据与测量结果进行显示的波形及结果显示模块，光电容积脉搏波采集模块与运算处理模块连接，运算处理模块与存储模块和波形及结果显示模块连接。
13.进一步，所述光电容积脉搏波采集模块包括双波长传感器和信号调理电路，信号调理电路对双波长传感器获得的信号进行调理并传输给运算处理模块。
14.进一步，所述运算处理模块采用采用嵌入式linux板卡。
15.进一步，所述嵌入式linux板卡为香橙派 zero2。
16.该装置体积更加小巧，可放入口袋随身携带，且测量方便，适合在家庭及社区医疗监护使用，为早期高血压、低血压预防，提供重要参考生理指标；同时，血压检测装置操作方便，检测快速，只需将手指按压在指定区域，即可实现血压预测，减少患者诊断检测时得心理负担，提高检测得的准确性。
lstm网络模型的第 1-13 层主要由卷积层和最大池化层相互交叉混合搭建，第 14-15 层分别是lstm 层、全连接层，其中每个二维卷积层和全连接层后都有一个leakyrelu激活函数层，并且每个最大池化层的前面都包含一个bn层。在最大池化层和 lstm层的连接处，通过修改数据维度将大小为（none，32,32,128）的形状改为（256,192），在全连接层之前，使用flatten结构将上层的多维数据一维化，全连接层对上层的一维数据进行概率计算，最终输出最大概率下的回归情况。2d-cnn-lstm 网络模型详细架构如图2所示。
27.（5）运算处理模块6为整个系统的核心处理器，负责包括数据的采集、存储及显示的控制，更为重要的是对采集到的数据进行深度学习算法模型预测，该运算的处理过程主要包括以下几个步骤：读取采集到的脉搏波数据并保存在大容量存储器7中；对于上面读取到的脉搏波数据进行带通滤波，去除高频干扰及低频干扰，使波形图像更加平滑，滤波前后图像如图4所示；滤波后通过小波变换，将一维 ppg 信号段转换成二维时频色谱图并将其保存到大容量存储模块7中，小波变换图像如图5所示；运算处理模块6将保存的小波变换的图像输入2d-cnn-lstm深度学习模型中，预测出血压；上面得到的数据通过波形及结果显示模块5显示出来，并进行本地和云端存储。
28.本实施例的血压检测仪器内置深度学习血压预测模型，使用深度学习强大的特征提取能力对ppg信号进行特征提取，避免了脉搏波速以及脉搏波传导时间与动脉脉压相关关系缺少统一标准的问题，充分发挥深度学习性能，并通过连续小波变换，将一维ppg信号段转换成二维时频色谱图，不仅可以避免信息的丢失，还能充分展现原始信号中的时频信息。最终实现单路光电容积脉搏波波形测量血压，并且可连续测量，数据可保存，便于操作，使用方便。轻量化，本发明基于嵌入式设备，体积小、耗电低、便携，自身带有锂电池，无需一直外接供电，还具有以下优点：易操作，打开电源开关后可以实现一键测量，且可重复多次测量，操作简便；直观显示，通过oled屏显示波形、心率以及血压，是用户直观的看到测量结果；数据存储，测量结果可以保存在外部大容量存储器中，同时可以同步保存在云端，为用户健康管理提供数据参考；采集方式便捷，只需将一根手指放置在指定位置即可测量出血压、心率信息。使用本实施例的血压检测仪器和市售欧姆龙血压计进行血压检测对比，欧姆龙血压计是袖带式电子血压计，其采用示波法原理进行测量，测量时需要将袖带套在手臂上，且两次测量需要间隔两分钟，步骤较为繁琐，袖带充气会带来不适感且不适合连续测量，检测结果参见图6，横坐标为本发明测量的血压值，纵坐标代表使用欧姆龙血压计测量的血压值，其相关性越好，说明二者测量结果越接近，从图6可以看出，二者相关性较好，并且本发明满足aami标准，相比之下，本发明的血压检测仪器只需将手指放在指定位置，不会产生不适感，且可连续多次测量，使用简单，检测结果更有参考性。