基于多元线性回归和相关性加权选择算法的血压监测方法

1.本发明属于数字信号处理技术领域，涉及一种基于多元线性回归和相关性加权选择算法的血压监测方法。更具体地说，尤其涉及在便携式可穿戴设备上使用的基于多元线性回归和相关性加权选择算法的血压监测方法。


背景技术：

2.血压是最基本的生命体征之一，在医学诊断、健康监测、急慢性心血管疾病检测和预防等方面都有着重要的应用，因此，实现血压实时连续的准确监测具有重大的意义。
3.光电容积脉搏波信号(ppg)作为人体重要的生理信号之一，包含着丰富的心血管生理病理信息，且具有操作简便、无创、低成本、安全可靠等诸多优点。
4.pat定义为脉搏波从一个动脉部位传播到另一动脉部位所花费的时间，它可以由ecg信号中的r峰值到ppg信号峰值所花费的时间表示。ppg信号和ecg信号的结合可用于确定脉冲传播时间(pat)，已经有许多相关的论文和实验证明了pat血压之间的近似线性关系，这种关系可以为无袖带血压检测提供理论基础。由moens与korteweg实验研究可知：人体等效长度为l的动脉血管中脉搏波传导时间计算公式为式中，h为血管壁厚度，d为血管内径，σ为血液密度，e为杨氏弹性模量，k为血管参数，这些值在一定时间内都为常量；又有血管弹性模量e与血管跨臂压(血管内外压力之差)p之间的关系为e＝e0e
αp
。式中，α表征血管特征，数值在0.016～0.018mmhg之间；e0是p为0时血管弹性模量，结合以上两式：对pat求导有写成差分形式：以上内容可见，血压变化与pat变化在一定范围内成负相关的线性关系。


技术实现要素：

5.(一)要解决的技术问题
6.本发明要解决的技术问题是如何提供一种基于多元线性回归和相关性加权选择算法的血压监测方法，以解决在可穿戴设备中的对人体血压实现准确监测的技术问题。
7.(二)技术方案
8.为了解决上述技术问题，本发明提出一种基于多元线性回归和相关性加权选择算法的血压监测方法，该方法包括如下步骤：
9.q1、信号采集和预处理，采集时间同步的一路脉搏波信号(ppg)和一路心电信号(ecg)，同时同步使用医疗设备采集的血压值作为真实血压值，将所取得的ppg信号和ecg信号划分成对应不同时间分段的信号，每个时间分段对应一组真实血压值的收缩压sbp和舒
张压dbp，对不同时间分段的ppg信号和ecg信号进行去噪处理；
10.q2、特征点识别和特征值计算：对步骤q1中得到的不同时间分段信号进行逐个处理：首先识别出每个脉搏周期的特征点，依据这些特征点计算不同特征类型的特征值，通过筛选和均值计算后得到每个特征类型对应该时间分段的特征值，将每个时间分段的数据合并得到初步的总体数据；
11.q3、特征类型的筛选与分类：根据步骤q2的得到的总体数据结合真实血压值计算出各个特征类型与血压的相关性，采用皮尔逊相关系数用来衡量相关性强弱，根据相关系数的大小将特征类型划分为基础特征类型和补充特征类型，并将相关性较差的特征类型删除；
12.q4、数学模型的建立：拟合出各个特征类型与真实血压值的线性回归模型，采用最小二乘法对每个特征类型进行线性回归模型的构建，线性回归的形式为y＝似+b，y代表真实血压值，x代表特征值；分别计算各基础特征类型和补充特征类型对应的加权因子；
13.q5、验证和输出：将q3中取得的基础特征类型对应的特征值，合并记为特征向量x1，补充特征类型对应的特征值组合并记为特征向量x2，通过q4中第i个基础特征类型与真实血压值的线性表达式：y＝aixi+bi，计算血压基础值分量bp
base_i
，对血压基础值分量进行加权求和可得血压的基础值bp
base
；根据q4中得到第j个补充特征类型与真实血压值的线性表达式：y＝ajxj+bj，计算得到的血压补充值分量bp
base_j
，对血压补充值分量进行加权求和可得血压的补充值bp
sup
；计算基础值和补充值之间的血压偏差值并量化，结合量化值和基础值得到血压最终检测值
14.(三)有益效果
15.本发明提出一种基于多元线性回归和相关性加权选择算法的血压监测方法，本发明的技术方案检测精度较高，能够较准确的反应血压的变化趋势，检测值与实际值的相关性较好，实现了血压实时、准确的监测。同时本发明的血压检测方法复杂度低，计算量小，能够有效的从光电容积脉搏波信号中提取血压，适用于各种现有的可穿戴设备，该方法利用线性回归的高效性，结合本专利所提取特征类型，根据不同特征类型与血压的相关性进行特征分类，通过对血压值的加权量化，实现了对血压的准确监测，非常适用于可穿戴设备中的血压检测。
附图说明
16.图1为本发明总体流程示意图；
17.图2为本发明的血压计算模型的拟合模块计算流程示意图；
18.图3为本发明的血压检测值的验证和输出模块计算流程示意图；
19.图4为本发明的ppg信号分割示意图；
20.图5为本发明的基线校准步骤及效果示意图；
21.图6为本发明的pat计算示意图；
22.图7为本发明的ppg波形特征及特征值计算示意图；
23.图8为本发明的特征分类及结果示意图；
24.图9为本发明的血压检测算法平均绝对误差mae示意图；
25.图10为本发明的血压检测算法结果与真实血压相关性示意图；
26.图11为本发明的血压检测算法结果与真实血压值对比示意图。
具体实施方式
27.为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
28.针对现有技术的上述缺陷和问题，本发明所要解决的技术问题是提供基于多元线性回归和相关性加权选择算法的血压监测方法，用于解决在可穿戴设备中的对人体血压实现准确监测的技术问题。
29.为了达到上述目的，本发明提供如下技术方案：
30.基于多元线性回归和相关性加权选择算法的血压监测方法，包括步骤：
31.q1、信号采集和预处理，采集时间同步的一路脉搏波信号(ppg)和一路心电信号(ecg)，同时同步使用专业医疗设备采集的血压值作为真实血压值，将所取得的ppg信号和ecg信号划分成对应不同时间分段的信号，每个时间分段对应一组真实血压值的收缩压sbp和舒张压dbp，对不同时间分段的ppg信号和ecg信号进行平滑滤波和基线校准；
32.q2、特征点提取和特征值计算，将q1中不同时间分段的ppg信号和ecg信号逐个处理，所述ppg信号的一个脉搏波中有a点、b点、c点、d点和e点五个特征点，a点为起点，b点为主波峰及最大值点，c点为次波谷，d点为次波峰，e点为终点，e点是下一个周期波形的起点，其中a点、e点两点均为主波谷及最小值点；所述ecg信号中提取的特征点为p点，即一个心电波形的主波峰。选取与时间相关的特征类型：脉冲传播时间pat，收缩期时间占比t1/t，舒张期时间占比t2/t，心率hr；与幅度相关的特征类型：降中峡相对高度h2/h1，重搏波相对高度h3/h1；与面积相关的特征类型：脉搏特征值k1＝sabcu/safhu，k2＝sucde/suhie。计算每个特征类型在每个时间段信号对应的特征值；
33.q3、特征类型的分类，用q2的得到的总体数据结合真实血压值计算出各个特征类型与血压的相关性，采用皮尔逊相关系数用来衡量相关性强弱，根据相关系数的大小将特征类型划分为基础特征类型和补充特征类型，并将相关性较差的特征类型删除；
34.q4、数学模型的建立，拟合出各个特征类型与真实血压值的线性回归模型，采用最小二乘法对每个特征类型进行线性回归模型的构建，线性回归具有的一般形式为y＝ax+b，y代表真实血压值，x代表特征值；
35.计算各基础特征类型对应的加权因子：各个基础特征类型的加权因子将用作血压基础值的合成计算，计算公式：
[0036][0037]
qi为加权因子，ri为第i个基础特征类型与血压的相关性，s为基础特征类型的个数；
[0038]
计算各补充特征类型对应的加权因子：各个补充特征类型的加权因子将用作血压补充值的合成计算，计算公式：
[0039]
[0040]
qj为加权因子，rj为第j个补充特征类型与血压的相关性，m为补充特征类型的个数。
[0041]
q5、验证和输出，包括如下三个步骤：
[0042]
将q3中取得的基础特征类型对应的特征值，合并记为特征向量x1，补充特征类型对应的特征值组合并记为特征向量x2，计算血压基础值bp
base
，通过q4中第i个基础特征类型与真实血压值的线性表达式：y＝aixi+bi，计算得到血压基础值分量：
[0043]
bp
base_i
＝aixi+bi[0044]
上式中xi为向量x1中的第i个元素，代表第i个基础特征类型对应的特征值大小，ai、bi为第i个基础特征类型对应的系数，以每个基础特征类型与真实血压值的相关系数为权值，根据每个基础特征类型对应的加权因子，对血压基础值进行加权求和可得血压的基础值bp
base
，其中qi为第i个基础特征类型对应的加权因子；
[0045]
对血压补充值的计算：根据q4中得到第j个补充特征类型与真实血压值的线性表达式：y＝ajxj+bj，计算得到的血压补充值分量
[0046]
bp
sup_j
＝ajxj+bj[0047]
上式中xj为向量x2中的第j个元素，代表第j个补充特征类型对应的特征值大小，aj、bj为第j个补充特征类型对应的系数，以每个补充特征类型与真实血压值的相关系数为权值，根据每个补充特征类型对应的加权因子，对血压补充值进行加权求和可得血压的补充值bp
sup
，其中qj为第j个补充特征类型对应的加权因子；
[0048]
计算血压偏差值并量化。血压偏差值bp
dev
表示由补充特征类型计算得到的血压值与由基础特征类型计算得到的血压值之间的差值，首先计算出血压偏差值bp
dev
，bp
dev
＝bp
base-bp
sup
，然后对其进行量化得到，量化过程根据方案：
[0049][0050]
最终血压检测值为δbp＝bp
base
±
δbp。
[0051]
上述技术方案中，所述q2中，时间分段的长度一般设定为10～20s，特征值筛选处理可采用设定阈值法或3-σ准则。
[0052]
上述技术方案中，所述q3中，采用皮尔逊相关系数用来衡量相关性强弱，计算公式如下：
[0053][0054]
其中：为特征值的均值，xi代表特征值，代表收缩压的均值，yi代表收缩压，n为每个特征类型对应特征值的个数。
[0055]
上述技术方案中，所述q3中，所述的相关性均采用皮尔逊相关系数进行衡量，皮尔逊相关系数取值范围在-1～1之间，其绝对值与变量的相关强度的大致关系为：0.8-1为极强相关，0.6-0.8为强相关，0.4-0.6为中等程度相关，0.2-0.4为弱相关，0-0.2为极弱相关
或无关。
[0056]
上述技术方案中，所述q4中，对于不同的个人，同一特征类型的参数a和b不相同，为了保证血压的准确检测，通过校准模块进行参数的校准。
[0057]
本发明的技术方案检测精度较高，能够较准确的反应血压的变化趋势，检测值与实际值的相关性较好，实现了血压实时、准确的监测。同时本发明的血压检测方法复杂度低，计算量小，能够有效的从光电容积脉搏波信号中提取血压，适用于各种现有的可穿戴设备，该方法利用线性回归的高效性，结合本专利所提取特征类型，根据不同特征类型与血压的相关性进行特征分类，通过对血压值的加权量化，实现了对血压的准确监测，非常适用于可穿戴设备中的血压检测。
[0058]
本发明的基于多元线性回归和相关性加权选择算法的血压监测方法，包括血压计算模型的校准模块(简称校准模块)和血压检测值的计算和输出模块。
[0059]
校准模块包含的步骤如下：
[0060]
1)信号采集和预处理：采集时间同步的一路脉搏波信号(ppg)和一路心电信号(ecg)，同时还要使用专业医疗设备同步采集的血压值作为真实血压值。将上述信号划分成对应不同时间分段的信号。每个时间分段对应一组真实血压值(收缩压(sbp)和舒张压(dbp))，对每个时间分段的信号分别进行去噪处理。
[0061]
2)特征点识别和特征值计算：对步骤1)中得到的不同时间分段信号进行逐个处理：首先识别出每个脉搏周期的特征点，依据这些特征点计算不同特征类型的特征值，通过筛选和均值计算后得到每个特征类型对应该时间分段的特征值，将每个时间分段的数据合并得到初步的总体数据。
[0062]
3)特征类型的筛选与分类：根据步骤2)的得到的总体数据结合真实血压值计算出各个特征类型与血压的相关性，首先选取脉冲传播时间(pat)和心率(hr)作为基础特征类型，将其他特征类型中相关性较差的特征类型删除。剩余的特征类型则作为补充特征类型。
[0063]
4)数学模型的建立：拟合出各个特征类型与真实血压值的线性回归模型，根据步骤3)中各个特征类型与血压的相关性，分别计算各基础特征类型和补充特征类型对应的加权因子，至此完成数学模型的建立。
[0064]
所述步骤1)中的时间分段取10s；每个时间分段内会有约12个完整的脉搏周期，每个脉搏周期包含一组特征值；每一时间分段的数据由一个长度为8(8为上述选取的特征类型数量)的向量表示，向量中的元素代表对应特征类型的特征值。总体数据是由各个向量合并得到的。
[0065]
所述步骤2)的筛选方案采用3-σ准则，用以去除同一时间分段内偏差过大的特征值。具体步骤如下：
[0066]
a、计算同一类型特征值的均值和标准差σ；
[0067]
b、计算每个特征值与均值的差，并去除差值的绝对值大于σ的特征值；
[0068]
c、对于每个特征类型，计算其特征值的均值，对应该时间分段的真实血压值；
[0069]
所述步骤3)中的特征类型筛选与分类方法为：选取pat和hr作为基础特征类型，以所述步骤10中计算得到的相关系数大小为依据，删除相关性较差的特征类型，然后根据各特征类型与血压值的相关性强弱从中选取其它基础特征类型，剩余的特征类型作为补充特征类型。
[0070]
血压检测值的计算和输出模块包含的步骤如下：
[0071]
1)对信号波形进行校准模块中步骤1和步骤2的处理，计算得到各个特征类型(不包括血压校准模块中已经排除的特征类型)对应的特征值，并完成特征类型的分类。
[0072]
2)计算血压基础值
[0073]
3)计算血压补充值
[0074]
4)计算血压偏差值并量化，结合量化值和基础值得到血压最终检测值。
[0075]
本发明针对从ppg信号和ecg信号中提取血压值，提出了一种全新的框架，本发明实现无创血压检测的过程主要分为两步：1.血压的特征选择和参数拟合过程2.血压检测输出过程。因此本专利的总体方案又可分为两大模块：1.血压计算模型的校准模块(简称校准模块)2.血压检测值的计算和输出模块。两个模块的具体技术方案分别参见说明书附图2和附图3所示。
[0076]
该方法结合ppg信号和ecg信号，利用信号中提取的某些特征参数与血压的高度线性相关性，可以实现血压值的实时、准确监测，非常适用于可穿戴设备中的血压检测。本方法首先对信号进行固定长度时间窗口的分段和血压值的匹配对应，接着对信号波形进行预处理，确保实现特征点的精确识别和特征值的准确计算，最后探究特征值与血压之间的相关性，根据相关性进行特征分类，建立血压的计算模型，通过血压基础值的计算和血压偏差值的修正得出最终的血压检测值。
[0077]
根据图1-图11所示，作为实施例所示的基于多元线性回归和相关性加权选择算法的血压监测方法，本发明针对从光电容积脉搏波信号(以下简称为“ppg信号”)中获取监测血压提出了一种全新的框架，从而能够准确地实时检测血压。本专利所述方法主要包括信号采集和预处理、特征点提取和特征值计算、特征类型的分类、数学模型的建立、验证和输出五个方面，总体可分为血压计算模型的校准模块和血压检测值的验证和输出模块。以下将对各步骤进行详细说明。
[0078]
1.信号采集和预处理
[0079]
1)在信号采集过程中，利用手环等可穿戴设备可以同步的采集到ppg信号和ecg信号。虽然只利用ppg或ecg信号就可以求出血压，但是计算出的血压容易存在一定的误差。对于利用ppg和ecg双通道信号求血压的方案，多通道信号的使用可以有效的降低检测误差。本专利在信号采集的过程中，通过袖带充气式电子血压计在人体左臂的桡动脉处记录真实血压值。
[0080]
2)在信号采集完成后，将得到的ppg信号进行预处理，即分成一段段与真实血压值相对应的信号。如说明书附图4所示。一般来说每段的时间长度取10～20秒，这样与之对应的真实血压相对有代表性，同时又能反映血压检测的实时性。本专利方案所取的时间分段的长度为20秒，对于每个时间分段会有大约25个脉搏周期。首先对每段信号进行周期分割，连续的ppg信号被分割为时长20s的时间分段，g1，g2，g3，...gn共n段，同时对应真实的血压值bp1，bp1，bp3，...，bpn，每个bp代表一对收缩压sbp和舒张压dbp。在本发明中，使用的ppg信号和ecg信号是微弱的电信号，在信号的采集过程中易受肌电干扰和基线漂移的影响，导致信号特征提取的准确性降低。因此，为了最大化原始信号的有用信息，同时兼顾较低的运算复杂度，本发明使用了平滑滤波和三次样条插值法对信号进行了去噪。由于本发明所使用的特征类型大多与ppg信号相关，对于ecg信号的特征提取仅限于波峰，所以信号的预处
理主要针对ppg信号。本发明使用的信号平滑滤波点数为3，即对每个信号点取左右相邻点及其自身值的平均值作为这个信号点的值。
[0081]
使用三次样条插值法进行基线校准：首先，对于每段ppg信号，可利用波峰大致计算出该段信号的脉搏周期n，然后以脉搏周期n为滑动窗口，以0.2*n为步长，求出每次滑动窗口内的最小值用来代表一个脉搏周期内的波谷所在。附图5中的圆圈代表波谷值。利用这些波谷结合三次样条插值法可以求出每段信号的下包络。最后利用原始信号减去下包络即可得到去除基线漂移的信号。使用该方法进行基线校准的步骤及其所能达到的效果如附图5所示。
[0082]
ppg信号经过前面的预处理可以很好的消除基线漂移等噪声，大大降低了噪声对血压检测的影响。
[0083]
2.特征点识别和特征值计算：
[0084]
1)特征点的识别：对步骤1得到的分段信号进行逐个处理。由于本专利采用的时间分段的长度为20s，因此每段信号大概会有25个脉搏波周期。本专利设定ppg信号的一个脉搏波中有a、b、c、d和e五个特征点，a点为起点，b点为主波峰及最大值点，c点为次波谷，d点为次波峰，e点为终点，也是下一个周期波形的起点。其中a、e两点均为主波谷及最小值点。在ecg信号中提取的特征点为p点，即一个心电波形的主波峰。各个特征点在波形中的具体位置如图5所示，图中实线波形代表ppg信号，虚线波形代表ecg信号。本专利采用ppg波形峰值(图6中的b点)与ecg波形峰值(图6中的p点)之间的时间间隔代表pat。
[0085]
2)特征值计算和筛选：本专利选用的特征参数(如图7所示)包括时间参数、幅度参数、面积参数以及人体心率。时间参数有脉冲传播时间pat，收缩期时间占比t1/t，舒张期时间占比t2/t；幅度参数中有降中峡相对高度h2/h1，重搏波相对高度h3/h1。面积参数有脉搏特征值k1＝sabcu/safhu，k2＝sucde/suhie。基于脉冲传播时间pat和心率hr在血压检测中的稳定表现，本发明选择pat和hr作为特征参数中的主导，其他类型的特征参数按照实际情况进行分类补充。本专利采用的时间分段长度为20s，每个时间分段内会有约25个完整的脉搏波周期，每个脉搏周期都会包含一组特征值。由于各个特征类型与血压的关系都近似为线性，因此对于特征值的筛选，可采用3-σ准则用来去除同一时间分段内偏差过大的特征值，具体步骤如下
[0086]
(1)计算同一类型特征值的均值和标准差σ；
[0087]
(2)计算每个特征值与均值的差，并去除差值的绝对值大于σ的特征值；
[0088]
(3)对于每个特征类型，计算其特征值的均值，对应该时间分段的真实血压值。
[0089]
由于本专利选取的时间分段长度为20秒，即每个时间分段内都会有20个左右的脉搏周期。经过特征值筛选后每个特征类型仍会余有十个左右的特征值。考虑到算法的实用性和准确性，本文针对同一特征类型在同一时间分段中，取每个时间分段中特征值的平均值作为对应特征类型的最终特征值。
[0090]
经过步骤2)的处理将得到一个包含血压值以及不同类型特征值的总体数据，该总体数据的结构如图3所示。
[0091]
3.特征类型的分类
[0092]
1)通过步骤2得到的总体数据计算各个特征类型与血压的相关性。以收缩压sbp与特征类型1的相关性计算过程为例，取特征值f11，f21，...，fn1构成向量x，血压值sbp1，
sbp2，...，sbpn构成向量y，x和y具有相同的元素个数并且两向量之间的元素存在一一对应的关系。利用以下公式可得到二者的皮尔逊相关系数
[0093][0094]
其中为特征值的均值，xi代表特征值f
i1
，代表收缩压的均值，yi代表收缩压sbpi，n为特征值的个数。
[0095]
2)将除去pat之外相关系数绝对值小于0.4的特征类型删除。其余特征类型根据相关系数的大小划分为基础特征类型和补充特征类型。在本专利中，选择pat和hr作为基础特征类型的一部分。本专利的特征分类标准为：相关系数大于0.7的特征类型被划分为基础特征类型，相关系数在0.4-0.7之间的特征类型被划分为补充特征类型。在本实施例中，如图7所示，特征类型降中峡相对高度h2/h1与血压值的相关系数为0.33，小于专利中设定的阈值0.4，因此该特征类型删除。同时选取相关系数大于0.7的特征类型收缩期时间占比t1/t作为基础特征类型，相关系数小于0.7的特征类型h3/h1，k1和k2作为补充特征类型，本实施例中各特征类型分类结果如图8所示。
[0096]
4.数学模型的建立
[0097]
采用最小二乘法对每个特征类型进行线性回归模型的构建。具体步骤为：
[0098]
1)首先提取总体数据中的每一列向量x和血压真实值y，向量x中的元素代表不同时间分段中同一特征类型的特征值，y中的元素代表不同时间分段对应的真实血压值，因此x和y具有相同的元素个数并且两向量之间的元素存在一一对应的关系。在线性回归模型y＝ax+b中，需要求解的是参数a、b。将步骤(1)中提出的向量x和y作为校准过程的输入，根据最小二乘法可逐步校准回归得到对应特征类型的参数a、b；
[0099]
本实施例中，各个特征类型对应的系数a和b如下表所示
[0100][0101]
2)根据各特征类型的分类计算加权因子：
[0102]
(1)计算各基础特征类型对应的加权因子：各个基础特征类型的加权因子将用作血压基础值的合成计算，它的计算公式如下：
[0103][0104]
式中qi为加权因子，ri为第i个基础特征类型与血压的相关性，s为基础特征类型的个数。
[0105]
本实施例中，各基础特征类型对应的加权因子大小如下表所示：
[0106][0107]
(2)计算各补充特征类型对应的加权因子：各个补充特征类型的加权因子将用作血压补充值的合成计算，它的计算公式如下：
[0108][0109]
式中qj为加权因子，rj为第j个补充特征类型与血压的相关性，m为补充特征类型的个数。
[0110]
本实施例中，各补充特征类型对应的加权因子大小如下表所示：
[0111][0112]
5.验证和输出步骤：
[0113]
由于要实现血压的连续实时检测，因此在验证和输出阶段，时间分段的长度不宜过大，同时又要保证一个时间分段内拥有多个完整的脉搏周期，以确保特征值的准确获取。本专利选用的时间分段长度为5s。具体步骤如下：
[0114]
1)对于该时间分段输入的信号波形进行校准模块中步骤1和步骤2的处理，可得到各个特征类型(不包括血压校准模块中已经排除的特征类型)对应的特征值，将这些特征值中基础特征类型对应的特征值组合并记为特征向量x1，补充特征类型对应的特征值组合并记为特征向量x2；
[0115]
2)计算血压基础值。将x1中基础特征类型对应的特征值带入到基础值计算模型中，根据每个基础特征类型与血压的线性关系计算出血压基础值的分量bp
base_i
，bp
base_i
＝dixi+bi。式中xi为向量x1中的第i个元素，代表第i个基础特征类型对应的特征值大小，ai、bi为第i个基础特征类型对应的系数。本实施例中各血压基础值分量的大小如下表所示：
[0116][0117]
再以每个基础类型与血压值的相关系数为权值计算出血压基础值qi为第i个基础特征类型对应的加权因子，计算方法为式中ri为第i个基础特征类型与血压的相关性，s为基础特征类型的个数。本实施例所选用的三个基础特征类型为pat，hr和t1/t，它们对应的加权因子分别为0.352，0.309，0.339，结合基础值分量计算得到血压基础值bp
base
为112mmhg。
[0118]
3)计算血压补充值。将x2中补充特征类型对应的特征值带入到补充值计算模型中，根据每个补充特征类型与血压的线性关系计算出血压补充值的分量bp
sup_j
，bp
sup_j
＝ajxj+bj。式中xj为向量x2中的第j个元素，代表第j个补充特征类型对应的特征值大小，aj、bj为第j个补充特征类型对应的系数。本实施例中各血压补充值分量的大小如下表所示：
[0119][0120]
再以每个补充类型与血压值的相关系数为权值计算出血压补充值qj为第j个补充特征类型对应的加权因子，计算方法为rj
为第j个补充特征类型与血压的相关性，m为补充特征类型的个数，在本专利的实施例中m为4，代表本实施例所选用的四个补充特征类型t2/t，h3/h1，k1，k2，它们对应的加权因子分别为0.276，0.218，0.267，0.239，结合补充值分量计算得到血压补充值bp
sup
为114.2。
[0121]
4)计算血压偏差值并量化。在本实施例的一个时间分段中，由bp
dev
＝bp
base-bp
sup
，可得血压偏差值bp
dev
＝2.2。对得到的血压偏差值bp
dev
进行量化。本专利的量化过程根据实验经验采取如下方案：
[0122][0123]
最终血压检测值为δbp＝bp
base
±
δbp，在本实施例中，经过量化得到的δbp＝0，所取时间分段的血压检测值为bp＝112+0＝112mmhg。
[0124]
具体采用本发明的血压检测算法所能达到的效果参见说明书附图9，图10和图11。血压监测的关键技术指标有血压的平均绝对误差，检测值与实际值的相关性以及误差分布。
[0125]
图9显示了平均绝对误差的大小以及误差与血压值大小的关系，从中可见本专利检测所得的血压平均绝对误差较小(mae＝1.76)，误差在不同血压范围内分布较为均匀且具有不规律性，说明适合本专利检测的血压范围较大，同时较小的误差波动(std＝4.01)保证了血压检测的稳定性。图10和图11显示了血压检测值与实际值的关系。图10可明显看出本专利所测得的血压检测值与实际值的显著相关性(相关系数r＝0.93)，图11更直观的反映了检测值与实际值的变动关系，可见本发明在各个血压范围内都能获得准确的结果，具有良好的适应性。
[0126]
|e|(mmhg)＜＝5＜＝10＜＝15百分比(％)688698
[0127]
表1
[0128][0129]
表2
[0130]
表1展示了本发明的血压监测误差分布状况，对比目前广泛使用的血压监测标准bhs(见表2)，本发明达到了该标准的a等级。
[0131]
本发明相对于现有技术中的数据处理方法，由于本方案监测精度高、复杂性低、计算量小，血压监测方案具有很强的鲁棒性，检测精度能够稳定地保持在很高的水平，因此非
常使用于各种可穿戴设备的实时血压监测。
[0132]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。