一种血压预测方法和装置与流程

本发明涉及电生理信号处理技术领域，特别涉及一种血压预测方法和装置。

背景技术：

心脏是人体血液循环的中心，心脏通过有规律的搏动产生血压，进而向全身供血完成人体的新陈代谢，血压是人体非常重要的生理信号之一。正常范围内的血压才能保证血液正常循环流动，许多因素共同作用下才能使血压保持正常，从而人体的各个器官与组织能获得足够的血量，进而保持人体正常运转。人体血压含有两个重要的数值：收缩压和舒张压，医学上通过这两个量来判断人体血压的正常与否。长期持续观测血压这两项参数，可以帮助人们对自身心脏健康状态有较为清晰的认识。但是，当下大多数传统的血压测量方式均采用有创的介入式测量法或者外力上压的压力计测量法，不仅操作繁琐，且容易引起被测者的不适，因此也就不能多次地使用以达到连续监测的目的。

光体积变化描记图法(photoplethysmography，ppg)信号是利用光感传感器对特定光源的光强识别记录光强变化的一组信号。在心脏搏动时，对血管内单位面积的血流量形成周期性变化，与之对应的血液体积也相应发生变化，从而导致反映血液吸收光量的ppg信号也呈现周期性变化趋势。使用基于人工智能学习算法开发出的针对ppg信号的血压卷积神经网络(convolutionalneuralnetwork，cnn)模型从ppg信号的波形中提取出与血压显著相关的特征，使用血压人工神经网络(artificialneuralnetwork，ann)模型再对这些提取到的特征建立回归模型，最终可实现对血压的预测。考虑到血压与个体的性别、年龄、身高、体重、臂展宽度、包括身体质量指数(bodymassindex，bmi)、体温、是否引用咖啡浓茶、是否运动后等人口统计学与状态特征信息密切相关，在血压预测网络的回归模型训练和推理过程汇总引入这些额外信息，可以帮助模型更好的学习和判断血压值。

技术实现要素：

本发明的目的，就是针对现有技术的缺陷，提供一种血压预测方法和装置，首先使用ppg信号采集设备对测试对象进行数据采集，其次采用由血压cnn模型对ppg采集数据进行ppg-血压数据特征计算，再将测试对象的个体人口特征信息对特征数据进行特征补充，然后使用血压ann模型对补充后的特征数据进行血压数据回归计算从而预测出测试对象的血压数据(舒张压、收缩压)；通过本发明实施例，既避免了常规测试手段的繁琐和不适感，又产生了一种结合测试对象个体特征的自动数据分析方法，从而使得应用方可以方便地对被测对象进行多次连续监测。

为实现上述目的，本发明实施例第一方面提供了一种血压预测方法，其特征在于，所述方法包括：

根据信号采集时间阈值，对测试对象进行光体积变化描记图法ppg信号采集处理生成ppg信号数据；根据数据采样频率阈值，对所述ppg信号数据进行信号采样处理生成ppg一维数据序列；

根据血压卷积神经网络cnn模型的输入数据长度阈值n，对所述ppg一维数据序列进行血压cnn模型输入数据转换处理生成输入数据四维张量；

根据卷积层数阈值，利用所述血压cnn模型对所述输入数据四维张量进行ppg特征提取计算，生成特征数据四维张量；并对所述特征数据四维张量进行血压人工神经网络ann模型输入数据二维矩阵转换处理生成特征数据二维矩阵；

根据人口特征信息标识符，获取人口统计学信息和或个体状态特征信息生成人口特征信息；并使用所述人口特征信息对所述特征数据二维矩阵进行人口特征数据补充处理生成输入数据二维矩阵；

根据最终输出节点阈值，利用所述血压ann模型对所述输入数据二维矩阵进行特征数据回归计算生成血压回归数据二维矩阵；

根据预测模式标识符，对所述血压回归数据二维矩阵进行血压预测处理。

优选的，所述方法之前：

配置所述信号采集时间阈值；

配置所述数据采样频率阈值；

配置所述输入数据长度阈值n；

配置所述卷积层数阈值；

配置所述最终输出节点阈值的值为2；

配置所述人口特征信息标识符；所述人口特征信息标识符包括统计信息、个体特征和全部三种标识符；

配置所述预测模式标识符；所述预测模式标识符包括均值预测和动态预测两种标识符；

获取所述测试对象的个体数据对所述人口统计学信息和所述个体状态特征信息进行设置；所述人口统计学信息至少包括性别、年龄、身高、体重和臂展宽度中的一种信息；所述个体状态特征信息至少包括身体质量指数bmi、体温、是否食用带咖啡因食物和是否运动后中的一种信息。

优选的，所述ppg一维数据序列具体为ppg一维数据序列[a]；所述ppg一维数据序列[a]包括所述a个ppg数据；所述a为所述数据采样频率阈值乘以所述信号采集时间阈值的乘积。

优选的，所述根据血压卷积神经网络cnn模型的输入数据长度阈值n，对所述ppg一维数据序列进行血压cnn模型输入数据转换处理生成输入数据四维张量，具体包括：

根据所述输入数据长度阈值n与所述a计算片段总数m；当所述a能被所述输入数据长度阈值n整除时，设置所述片段总数m为所述a除以所述输入数据长度阈值n的商；当所述a不能被所述输入数据长度阈值n整除时，设置所述片段总数m为对所述a除以所述输入数据长度阈值n的商进行取整计算的结果；

根据所述片段总数m和所述输入数据长度阈值n，对所述ppg一维数据序列[a]进行顺序数据片段划分处理生成ppg片段数据二维矩阵[m，n]；所述ppg片段数据二维矩阵[m，n]包括所述片段总数m个ppg片段数据一维向量[n]；所述ppg片段数据一维向量[n]包括所述输入数据长度阈值n个所述ppg数据；

构建所述输入数据四维张量为输入数据四维张量[b1，h1，w1，c1]，并初始化所述输入数据四维张量[b1，h1，w1，c1]为空；所述b1为所述输入数据四维张量[b1，h1，w1，c1]的第四维度参数，且所述b1为所述片段总数m；所述h1为所述输入数据四维张量[b1，h1，w1，c1]的第三维度参数，且所述h1的值为1；所述w1为所述输入数据四维张量[b1，h1，w1，c1]的第二维度参数，且所述w1为所述输入数据长度阈值n；所述c1为所述输入数据四维张量[b1，h1，w1，c1]的第一维度参数，且所述c1的值为1；

依次提取所述ppg片段数据二维矩阵[m，n]包括的所述ppg片段数据一维向量[n]中的所述ppg数据，向所述输入数据四维张量[b1，h1，w1，c1]进行ppg数据添加操作。

优选的，所述根据卷积层数阈值，利用所述血压cnn模型对所述输入数据四维张量进行ppg特征提取计算，生成特征数据四维张量；并对所述特征数据四维张量进行血压人工神经网络ann模型输入数据二维矩阵转换处理生成特征数据二维矩阵，具体包括：

步骤51，初始化第一索引的值为1；初始化第一总数为所述卷积层数阈值；初始化第一索引临时四维张量为所述输入数据四维张量[b1，h1，w1，c1]；

步骤52，利用所述血压cnn模型的第一索引层卷积层，对所述第一索引临时四维张量进行卷积计算处理，生成第一索引卷积输出数据四维张量；利用所述血压cnn模型的第一索引池化层，对所述第一索引卷积输出数据四维张量进行池化计算处理，生成第一索引池化输出数据四维张量；所述血压cnn模型包括多层所述卷积层和多层所述池化层；

步骤53，设置所述第一索引临时四维张量为所述第一索引池化输出数据四维张量；

步骤54，将所述第一索引加1；

步骤55，判断所述第一索引是否大于所述第一总数，如果所述第一索引大于所述第一总数转至步骤56，如果所述第一索引小于或等于所述第一总数转至步骤52；

步骤56，设置所述特征数据四维张量为所述第一索引临时四维张量；所述特征数据四维张量具体为特征数据四维张量[b2，h2，w2，c2]；所述b2为所述特征数据四维张量[b2，h2，w2，c2]的第四维度参数且所述b2为所述b1；所述h2为所述特征数据四维张量[b2，h2，w2，c2]的第三维度参数；所述w2为所述特征数据四维张量[b2，h2，w2，c2]的第二维度参数；所述c2为所述特征数据四维张量[b2，h2，w2，c2]的第一维度参数；

步骤57，对所述特征数据四维张量[b2，h2，w2，c2]，采用张量降维方式进行血压人工神经网络ann模型的输入数据二维矩阵转换处理，生成所述特征数据二维矩阵；所述特征数据二维矩阵具体为特征数据二维矩阵[w3，c3]；所述特征数据二维矩阵[w3，c3]包括所述w3个特征数据一维向量[c3]；所述w3为所述特征数据二维矩阵[w3，c3]的第二维度参数且所述w3为所述b2；所述c3为所述特征数据二维矩阵[w4，c3]的第一维度参数且所述c3为所述h2乘以所述w2再乘以所述c2的乘积。

优选的，所述根据人口特征信息标识符，获取人口统计学信息和或个体状态特征信息生成人口特征信息；并使用所述人口特征信息对所述特征数据二维矩阵进行人口特征数据补充处理生成输入数据二维矩阵，具体包括：

步骤61，根据所述人口特征信息标识符对所述人口特征信息进行设置，当所述人口特征信息标识符为所述统计信息时，获取所述人口统计学信息对所述人口特征信息进行设置；当所述人口特征信息标识符为所述个体特征时，获取所述个体状态特征信息对所述人口特征信息进行设置；当所述人口特征信息标识符为所述全部时，获取所述人口统计学信息和所述个体状态特征信息对所述人口特征信息进行设置；

步骤62，计算所述人口特征信息的数据长度生成人口特征信息长度l；根据所述人口特征信息长度l构建所述输入数据二维矩阵[w4，c4]，并初始化所述输入数据二维矩阵[w4，c4]为空；所述w4为所述输入数据二维矩阵[w4，c4]的第二维度参数且所述w4为所述w3；所述c4为所述输入数据二维矩阵[w4，c4]的第一维度参数且所述c4为所述c3加上所述人口特征信息长度l的和；

步骤63，初始化第二索引的值为1；初始化第二总数的值为所述w3；

步骤64，初始化当前一维向量[c4]为空；

步骤65，从所述特征数据二维矩阵[w3，c3]中，提取与所述第二索引对应的所述特征数据一维向量[c3]向所述当前一维向量[c4]进行数据添加操作；再将所述人口特征信息向所述当前一维向量[c4]进行数据添加操作；

步骤66，将所述当前一维向量[c4]向所述输入数据二维矩阵[w4，c4]进行数据添加操作；

步骤67，将所述第二索引加1；

步骤68，判断所述第二索引是否大于所述第二总数，如果所述第二索引大于所述第二总数转至步骤69，如果所述第二索引小于或等于所述第二总数转至步骤64；

步骤69，将所述输入数据二维矩阵[w4，c4]向上位应用进行发送。

优选的，所述根据最终输出节点阈值，利用所述血压ann模型对所述输入数据二维矩阵进行特征数据回归计算生成血压回归数据二维矩阵，具体包括：

设置所述血压ann模型的回归分类总数为所述最终输出节点阈值；

利用所述血压ann模型，按所述回归分类总数，对所述输入数据二维矩阵[w4，c4]进行对应的特征数据回归计算生成所述血压回归数据二维矩阵；所述血压回归数据二维矩阵为血压回归数据二维矩阵[w5，c5]；所述w5为所述血压回归数据二维矩阵[w5，c5]的第二维度参数且所述w5为所述w4；所述c5为所述血压回归数据二维矩阵[w5，c5]的第一维度参数且所述c5为所述回归分类总数；

在所述最终输出节点阈值的值为2时，所述回归分类总数的值也为2，则所述血压回归数据二维矩阵[w5，c5]具体为血压回归数据二维矩阵[w5，2]；所述血压回归数据二维矩阵[w5，2]包括所述w5个血压回归数据一维向量[2]；所述血压回归数据一维向量[2]包括片段舒张压数据和片段收缩压数据。

优选的，所述根据预测模式标识符，对所述血压回归数据二维矩阵进行血压预测处理，具体包括：

当所述预测模式标识符为所述均值预测时，对所述血压回归数据二维矩阵[w5，2]包括的所有所述血压回归数据一维向量[2]的所述片段舒张压数据进行总和计算生成舒张压总和，根据所述舒张压总和除以所述w5的商生成舒张压均值预测数据；对所述血压回归数据二维矩阵[w5，2]包括的所有所述血压回归数据一维向量[2]的所述片段收缩压数据进行总和计算生成收缩压总和，根据所述收缩压总和除以所述w5的商生成收缩压均值预测数据；并将所述舒张压均值预测数据和所述收缩压均值预测数据向上位应用进行发送；

当所述预测模式标识符为所述动态预测时，提取所述血压回归数据二维矩阵[w5，2]包括的所有所述血压回归数据一维向量[2]中的所述片段舒张压数据，生成动态舒张压一维向量[w6]；提取所述血压回归数据二维矩阵[w5，2]包括的所有所述血压回归数据一维向量[2]中的所述片段收缩压数据，生成动态收缩压一维向量[w7]；并将所述动态舒张压一维向量[w6]和所述动态收缩压一维向量[w7]向上位应用进行发送；所述w6为所述动态舒张压一维向量[w6]的第一维度参数且所述w6为所述w5；所述w7为所述动态收缩压一维向量[w7]的第一维度参数且所述w7为所述w5。

本发明实施例第一方面提供的一种血压预测方法，首先使用ppg信号采集设备对测试对象进行数据采集，其次采用由血压cnn模型对ppg采集数据进行ppg-血压数据特征计算，再将测试对象的个体人口特征信息对特征数据进行特征补充，然后使用血压ann模型补充后的特征数据进行血压数据回归计算从而预测出测试对象的血压数据(舒张压、收缩压)。

本发明实施例第二方面提供了一种设备，该设备包括存储器和处理器，存储器用于存储程序，处理器用于执行第一方面及第一方面的各实现方式中的方法。

本发明实施例第三方面提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行第一方面及第一方面的各实现方式中的方法。

本发明实施例第四方面提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现第一方面及第一方面的各实现方式中的方法。

附图说明

图1为本发明实施例一提供的一种血压预测方法示意图；

图2为本发明实施例二提供的一种血压预测方法示意图；

图3为本发明实施例三提供的一种血压预测装置的设备结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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它实施例，都属于本发明保护的范围。

在通过实施例对本发明做进一步详细阐述之前，先就文中提及的一些技术手段做下简要说明。

cnn长期以来是特征识别领域的核心算法之一。应用在图像识别中，可以在精细分类识别中用于提取图像的判别特征以供其它分类器进行学习。应用血压特征识别领域中，是对输入的一维ppg信号数据进行ppg信号特征提取计算：在对输入的原始ppg信号数据进行卷积和池化之后，保留符合ppg信号特性的特征数据以供其他网络进行学习。本发明实施例的血压cnn模型是一种已经通过血压特征提取训练完成后的cnn模型，具体由卷积层和池化层组成，其中，卷积层负责对cnn模型的输入数据进行血压特征提取计算，池化层则是对卷积层的提取结果进行降采样；本发明实施例的血压cnn模型分为多个cnn网络层，每个cnn网络层包括一个卷积层和一个池化层。本发明实施例血压cnn模型的输入数据和输出数据格式均为4维张量形式：[b，h，w，c]。每经过一层卷积层或池化层，输出数据某些维度参数的值会发生变化，即张量的总数据长度会缩短，变化的特点是：b作为四维中的第四维参数(ppg一维数据序列的片段总数)不会发生变化；h、w为四维中的第三和二维参数，二者的变化与每一个卷积层的卷积核大小以及滑动步长的设定有关，也与池化层的池化窗口大小和滑动步长有关；c为四维中的第一维参数，它的变化与卷积层中选定的输出空间维数(卷积核的个数)有关。

ann是指由大量的处理单元(神经元)互相连接而形成的复杂网络结构，是对人脑组织结构和运行机制的某种抽象、简化和模拟。ann以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。ann常见应用是对数据进行分类回归计算。本发明实施例的血压ann模型是一种将人口统计学与状态信息作为计算因子对ppg信号进行血压分类回归计算的ann模型。具体的，该血压ann模型由全连接层组成，其中全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来进行一次回归计算并将计算结果作为下一层回归计算的输入，直到符合停止条件之后向网络外部输出最终计算结果。本发明实施例血压ann模型的输入是一个二维矩阵，因此需要将cnn的输出结果从四维张量[b，h，w，c]向二维矩阵形式转换；血压ann模型的输出也是一个二维矩阵[x，y]，该矩阵中第二维度参数x与b相等表示片段总数，第一维度参数y为最终输出节点阈值表示每个片段最终回归计算后输出的预测种类总数(回归分类总数)。使用血压ann模型对血压进行预测，并要求输出舒张压和收缩压两个预测值时，意味着最后的回归分类总数应当为2，也即最终输出节点阈值应当配置为2。当y＝2时，血压ann模型针对每个片段的输入会计算输出两个预测值，其中，数值偏高的是对应片段的预测收缩压，数值偏低的对应片段的预测舒张压。

如图1为本发明实施例一提供的一种血压预测方法示意图所示，本方法主要包括如下步骤：

步骤1，根据信号采集时间阈值，对测试对象进行光体积变化描记图法ppg信号采集处理生成ppg信号数据；根据数据采样频率阈值，对ppg信号数据进行信号采样处理生成ppg一维数据序列。

在此步骤之前，需要对方法中引用的相关参数进行配置：配置信号采集时间阈值；配置数据采样频率阈值；配置输入数据长度阈值n；配置卷积层数阈值；配置最终输出节点阈值的值为2；配置人口特征信息标识符；配置预测模式标识符；其中，人口特征信息标识符包括统计信息、个体特征和全部三种标识符；预测模式标识符包括均值预测和动态预测两种标识符。

在此步骤之前，还需要获取测试对象的个体数据对人口统计学信息和个体状态特征信息进行设置；其中，人口统计学信息至少包括性别、年龄、身高、体重和臂展宽度中的一种信息；个体状态特征信息至少包括身体质量指数(bodymassindex，bmi)、体温、是否食用带咖啡因食物和是否运动后中的一种信息；此处，获取方式可以是多样化的，可以提供用户输入界面让测试对象自行输入，也可以通过人口信息数据库获取。

对于所配置的信息以及具体配置方式如下表所示：

表一

在步骤1中，ppg信号数据是，通过使用无创ppg信号采集设备在信号采集时间阈值内对测试对象局部皮肤表面进行预置光源信号采集操作生成的；对ppg信号进行采集时，提及的预置光源信号至少包括红光源信号、红外光源信号和绿光源信号中的一类；

在步骤1中，ppg一维数据序列具体为ppg一维数据序列[a]；ppg一维数据序列[a]包括a个ppg数据；a为数据采样频率阈值乘以信号采集时间阈值的乘积；此处，设信号采集时间阈值为10秒，数据采样频率阈值为125hz，那么a＝125*10＝1250，表示采集到的数据有1250个，ppg一维数据序列[a]就是一个包括了1250个ppg采集数据的一维数据序列。

步骤2，根据血压卷积神经网络cnn模型的输入数据长度阈值n，对ppg一维数据序列进行血压cnn模型输入数据转换处理生成输入数据四维张量；

具体包括：步骤21，根据输入数据长度阈值n与a计算片段总数m；当a能被输入数据长度阈值n整除时，设置片段总数m为a除以输入数据长度阈值n的商；当a不能被输入数据长度阈值n整除时，设置片段总数m为对a除以输入数据长度阈值n的商进行取整计算的结果；

此处，因为后续要使用血压cnn模型对ppg一维数据序列中的数据进行特征计算，鉴于血压cnn的输入有要求(输入数据长度阈值n)，则按照血压cnn的输入数据长度阈值n对ppg一维数据序列进行片段划分；

此处，片段总数设置原则是：如果ppg一维数据序列总数据长度能被输入数据长度阈值n进行整除，那么片段总数即为二者相除的商；如果ppg一维数据序列总数据长度不能被输入数据长度阈值n进行整除，那么片段总数即为二者相除的商的取整结果，将ppg一维数据序列中最后一段长度不够的片段视为数据不完整片段抛弃；假设输入数据长度阈值n为250，则此处片段总数m为1250/250＝5；假设输入数据长度阈值n为200，则此处片段总数m为int(1250/200)＝6，int()为取整函数；

步骤22，根据片段总数m和输入数据长度阈值n，对ppg一维数据序列[a]进行顺序数据片段划分处理生成ppg片段数据二维矩阵[m，n]；

其中，ppg片段数据二维矩阵[m，n]包括片段总数m个ppg片段数据一维向量[n]；ppg片段数据一维向量[n]包括输入数据长度阈值n个ppg数据；

假设a＝1250，输入数据长度阈值n为250，m＝5，ppg一维数据序列[1250]＝{d1，d2，d3，…di，…d1250}(i的取值从1到1250)，那么ppg片段数据二维矩阵[m，n]就是ppg片段数据二维矩阵[5，250]，表示包括5个ppg片段数据一维向量[250]：第一ppg片段数据一维向量[250]＝{d1，…d250}，第二ppg片段数据一维向量[250]＝{d251，…d500}，第三ppg片段数据一维向量[250]＝{d501，…d750}，第四ppg片段数据一维向量[250]＝{d751，…d1000}，第五ppg片段数据一维向量[250]＝{d1001，…d1250}；

步骤23，构建输入数据四维张量为输入数据四维张量[b1，h1，w1，c1]，并初始化输入数据四维张量[b1，h1，w1，c1]为空；

其中，b1为输入数据四维张量[b1，h1，w1，c1]的第四维度参数，且b1为片段总数m；h1为输入数据四维张量[b1，h1，w1，c1]的第三维度参数，且h1的值为1；w1为输入数据四维张量[b1，h1，w1，c1]的第二维度参数，且w1为输入数据长度阈值n；c1为输入数据四维张量[b1，h1，w1，c1]的第一维度参数，且c1的值为1；

此处，步骤23是构建输入数据四维张量[5，1，250，1]的形状，如前文技术简介提及的，本发明实施例采用的血压cnn模型的输入输出参数都是四维张量形式，所以此处是对ppg一维数据序列[a]做一次四维张量升维的操作，假设a＝1250，n＝250，m＝5，ppg一维数据序列[1250]，那片段划分后的ppg片段数据二维矩阵[m，n]应该是ppg片段数据二维矩阵[5，250]；对ppg片段数据二维矩阵[5，250]进行升维处理变成输入数据四维张量[b1，h1，w1，c1]也即是输入数据四维张量[m，1，n，1](输入数据四维张量[5，1，250，1])；

步骤24，依次提取ppg片段数据二维矩阵[m，n]包括的ppg片段数据一维向量[n]中的ppg数据，向输入数据四维张量[b1，h1，w1，c1]进行ppg数据添加操作。

此处，步骤24是通过将ppg片段数据二维矩阵[5，250]包括的5个ppg片段数据一维向量[250](第一、二、三、四、五ppg片段数据一维向量[250])向输入数据四维张量[5，1，250，1]依次添加来完成对输入数据四维张量[5，1，250，1]的赋值。

步骤3，根据卷积层数阈值，利用血压cnn模型对输入数据四维张量进行ppg特征提取计算，生成特征数据四维张量；并对特征数据四维张量进行血压人工神经网络ann模型输入数据二维矩阵转换处理生成特征数据二维矩阵；

具体包括：步骤31，初始化第一索引的值为1；初始化第一总数为卷积层数阈值；初始化第一索引临时四维张量为输入数据四维张量[b1，h1，w1，c1]；

步骤32，利用血压cnn模型的第一索引层卷积层，对第一索引临时四维张量进行卷积计算处理，生成第一索引卷积输出数据四维张量；利用血压cnn模型的第一索引池化层，对第一索引卷积输出数据四维张量进行池化计算处理，生成第一索引池化输出数据四维张量；

其中，血压cnn模型包括多层卷积层和多层池化层；

此处，将预处理好的数据输入训练好的血压cnn模型中提取特征，血压cnn模型由多层卷积层和池化层组成，一般的结构是一层卷积搭配一层池化后再连接下一个卷积层，血压cnn模型的最终层数由卷积层数阈值的数量决定，例如4个卷积层搭配4个池化层的网络被称为4层卷积网络，其中卷积层进行卷积运算，将输入转换为维度不同的输出，这些输出可以看作对输入的另一种表达方式，而池化层则是用来控制输出数量，简化运算同时促使网络提取更加有效的信息；卷积层数阈值就是血压cnn模型的卷积层(池化层)总数；

步骤33，设置第一索引临时四维张量为第一索引池化输出数据四维张量；

步骤34，将第一索引加1；

步骤35，判断第一索引是否大于第一总数，如果第一索引大于第一总数转至步骤36，如果第一索引小于或等于第一总数转至步骤32；

步骤36，设置特征数据四维张量为第一索引临时四维张量；

其中，特征数据四维张量具体为特征数据四维张量[b2，h2，w2，c2]；b2为特征数据四维张量[b2，h2，w2，c2]的第四维度参数且b2为b1；h2为特征数据四维张量[b2，h2，w2，c2]的第三维度参数；w2为特征数据四维张量[b2，h2，w2，c2]的第二维度参数；c2为特征数据四维张量[b2，h2，w2，c2]的第一维度参数；

此处，血压cnn模型每一层的卷积原理与2维卷积原理相同，与图像卷积不同的是ppg信号高度h为1，所以卷积层中的卷积核第一个维度均为1，例如[1x3]，[1x5]，[1x7]等等，每经过一层卷积层或池化层，输入数据的形状会发生变化，但依然保持4维张量形式，其中第四维度参数(片段总数)不会发生变化，第三、二维度参数(h和w)的变化与每一个卷积层的卷积核大小以及滑动步长的设定有关，也与池化层的池化窗口大小和滑动步长有关，第一维度参数(通道数)与卷积层中选定的输出空间维数(卷积核的个数)有关，网络中层数的设定，每一层各种参数的设定都要根据经验和实验结果确定，不是固定数值，在这里假设经过几层网络后，网络的输出变为形状为[5，1，20，64]的4维张量；

步骤37，对特征数据四维张量[b2，h2，w2，c2]，采用张量降维方式进行血压人工神经网络ann模型的输入数据二维矩阵转换处理，生成特征数据二维矩阵；

其中，特征数据二维矩阵具体为特征数据二维矩阵[w3，c3]；特征数据二维矩阵[w3，c3]包括w3个特征数据一维向量[c3]；w3为特征数据二维矩阵[w3，c3]的第二维度参数且w3为b2；c3为特征数据二维矩阵[w3，c3]的第一维度参数且c3为h2乘以w2再乘以c2的乘积。

此处，因为血压ann模型的输入与输出数据结构都定为二维矩阵的张量结构，所以在将特征数据四维张量[b2，h2，w2，c2]输入血压ann进行回归计算之前需要对其张量形状进行降维处理生成特征数据二维矩阵[w3，c3]，其中w3＝b2＝b1＝片段总数m，c3＝h2*w2*c2；例如，特征数据四维张量[b2，h2，w2，c2]为特征数据四维张量[5，1，20，64]，对其形状进行降维之后，变成特征数据二维矩阵[5，1*20*64]即为特征数据二维矩阵[5，1280]；

步骤4，根据人口特征信息标识符，获取人口统计学信息和或个体状态特征信息生成人口特征信息；并使用人口特征信息对特征数据二维矩阵进行人口特征数据补充处理生成输入数据二维矩阵；

具体包括：步骤41，根据人口特征信息标识符对人口特征信息进行设置，当人口特征信息标识符为统计信息时，获取人口统计学信息对人口特征信息进行设置；当人口特征信息标识符为个体特征时，获取个体状态特征信息对人口特征信息进行设置；当人口特征信息标识符为全部时，获取人口统计学信息和个体状态特征信息对人口特征信息进行设置；

此处，如前文所讲，我们将人口统计与状态信息分成两个部分：人口统计学信息和个体状态特征信息；通过设置人口特征信息标识符(包括：统计信息、个体特征和全部三种标识符)来协助血压ann模型对相关数据的使用；当人口特征信息标识符为统计信息时，后续只使用人口统计学信息参与血压回归计算；当人口特征信息标识符为个体特征时，后续只使用个体状态特征信息参与血压回归计算；当人口特征信息标识符为全部时，后续会使用人口统计学信息+个体状态特征信息参与血压回归计算；其中，人口统计学信息一般指的是测试对象固定不变的基础信息：例如性别、年龄、身高、体重和臂展宽度中等；个体状态特征信息一般指的是能够反映测试对象生活状态(习惯)的信息：例如bmi、体温、是否食用带咖啡因食物和是否处于运动后状态等；

步骤42，计算人口特征信息的数据长度生成人口特征信息长度l；根据人口特征信息长度l构建输入数据二维矩阵[w4，c4]，并初始化输入数据二维矩阵[w4，c4]为空；

其中，w4为输入数据二维矩阵[w4，c4]的第二维度参数且w4为w3；c4为输入数据二维矩阵[w4，c4]的第一维度参数且c4为c3加上人口特征信息长度l的和；

此处，是对输入数据二维矩阵[w4，c4]的形状进行构建，假设特征数据二维矩阵形状为[5，1280]，本发明实施例对人口特征信息的添加规则是：在每条片段的特征向量后面拼接人口特征信息；假设人口特征信息包括四项信息，人口特征信息长度l为4，这样，再添加之后的形成的输入数据二维矩阵[w4，c4]就应该是输入数据二维矩阵[5，1284](w4＝w3＝5，c4＝c3+l＝1280+4＝1284)，每个特征向量的长度从1280变为1284；

步骤43，初始化第二索引的值为1；初始化第二总数的值为w3；

步骤44，初始化当前一维向量[c4]为空；

步骤45，从特征数据二维矩阵[w3，c3]中，提取与第二索引对应的特征数据一维向量[c3]向当前一维向量[c4]进行数据添加操作；再将人口特征信息向当前一维向量[c4]进行数据添加操作；

此处，当前一维向量[c4]的数据结构应是：特征数据一维向量[c3]+人口特征信息；这里，因为对于同一个测试对象而言，补充的人口特征信息都是相等的，所以对每个片段添加的数据都是一样的；

步骤46，将当前一维向量[c4]向输入数据二维矩阵[w4，c4]进行数据添加操作；

此处，是利用当前一维向量[c4]，对应完成形状构建的输入数据二维矩阵[w4，c4]进行赋值；

步骤47，将第二索引加1；

步骤48，判断第二索引是否大于第二总数，如果第二索引大于第二总数转至步骤5，如果第二索引小于或等于第二总数转至步骤44。

步骤5，根据最终输出节点阈值，利用血压ann模型对输入数据二维矩阵进行特征数据回归计算生成血压回归数据二维矩阵；

具体包括：步骤51，设置血压ann模型的回归分类总数为最终输出节点阈值；

此处，最终输出节点阈值是用来配置血压ann模型的回归分类总数的，回归分类总数决定了在完成回归计算后，每个片段能得到几个回归计算结果(分类计算结果)；

步骤52，利用血压ann模型，按回归分类总数，对输入数据二维矩阵[w4，c4]进行对应的特征数据回归计算生成血压回归数据二维矩阵；

其中，血压回归数据二维矩阵为血压回归数据二维矩阵[w5，c5]；血压回归数据二维矩阵[w5，2]包括w5个血压回归数据一维向量[2]；血压回归数据一维向量[2]包括片段舒张压数据和片段收缩压数据；w5为血压回归数据二维矩阵[w5，c5]的第二维度参数且w5为w4；c5为血压回归数据二维矩阵[w5，c5]的第一维度参数且c5为回归分类总数。

此处，血压ann模型是经过训练后的成熟模型，血压ann模型由全连接层组成，全连接层的每一个结点都与上一层的所有，结点相连，用来把前边提取到的特征综合起来，每层全连接层可以设置该层的结点个数以及激活函数(relu较多，也可以改成其他)，例如当前连接层结点个数设置为512，则当前连接层的输出变为[5，512]，经过几层全连接层，将最终的输出转为形状为[w5，c5]的矩阵，第二维度参数w5等于片段总数m，第一维度参数c5表示每个片段的回归分类总数，当c5为2时表示对于每一个片段最后输出两个回归计算值：分别代表血压的收缩压和舒张压；这里，c5等于回归分类总数即最终输出节点阈值。

此处，又因为最终输出节点阈值的值为2，所以回归分类总数的值也为2，也即血压回归数据二维矩阵[w5，c5]具体为血压回归数据二维矩阵[w5，2]；那么血压回归数据二维矩阵[w5，2]具体的，包括w5个血压回归数据一维向量[2]；每个血压回归数据一维向量[2]包括两个血数据：片段舒张压数据和片段收缩压数据。

步骤6，根据预测模式标识符，对血压回归数据二维矩阵进行血压预测处理：

具体包括：步骤61，当预测模式标识符为均值预测时，对血压回归数据二维矩阵[w5，2]包括的所有血压回归数据一维向量[2]的片段舒张压数据进行总和计算生成舒张压总和，根据舒张压总和除以w5的商生成舒张压均值预测数据；对血压回归数据二维矩阵[w5，2]包括的所有血压回归数据一维向量[2]的片段收缩压数据进行总和计算生成收缩压总和，根据收缩压总和除以w5的商生成收缩压均值预测数据；并将舒张压均值预测数据和收缩压均值预测数据向上位应用进行发送；

此处，假设血压回归数据二维矩阵[w5，2]为血压回归数据二维矩阵[5，2]＝{[d11，d12]，[d21，d22]，[d31，d32]，[d41，d42]，[d51，d52]}，那么血压回归数据二维矩阵[5，2]包括的5个血压回归数据一维向量[2]则分别是：第一血压回归数据一维向量[2]＝{d11，d12}，第二血压回归数据一维向量[2]＝{d21，d22}，第三血压回归数据一维向量[2]＝{d31，d32}，第四血压回归数据一维向量[2]＝{d41，d42}，第五血压回归数据一维向量[2]＝{d51，d52}；其中，每个血压回归数据一维向量中的两个值分别是对应着当前片段的片段舒张压数据(偏小值)和片段收缩压数据(偏大值)；当预测模式标识符为均值预测时，说明只需要对外输出信号采集时间阈值内的平均血压值，假设采集时间阈值为10秒，则此时算出的就是这10秒内的血压均值数据；假设dx1(x的取值从1到5)都为片段舒张压数据，则预测均值舒张压数据＝(d11+d21+d31+d41+d51)/5；假设dx2(x的取值从1到5)都为片段收缩压数据，则预测均值收缩压数据＝(d12+d22+d32+d42+d52)/5；

步骤62，当预测模式标识符为动态预测时，提取血压回归数据二维矩阵[w5，2]包括的所有血压回归数据一维向量[2]中的片段舒张压数据，生成动态舒张压一维向量[w6]；提取血压回归数据二维矩阵[w5，2]包括的所有血压回归数据一维向量[2]中的片段收缩压数据，生成动态收缩压一维向量[w7]；并将动态舒张压一维向量[w6]和动态收缩压一维向量[w7]向上位应用进行发送；

其中，w6为动态舒张压一维向量[w6]的第一维度参数且w6为w5；w7为动态收缩压一维向量[w7]的第一维度参数且w7为w5。

此处，假设血压回归数据二维矩阵[w5，2]为血压回归数据二维矩阵[5，2]＝{[d11，d12]，[d21，d22]，[d31，d32]，[d41，d42]，[d51，d52]}，那么血压回归数据二维矩阵[5，2]包括的5个血压回归数据一维向量[2]则分别是：第一血压回归数据一维向量[2]＝{d11，d12}，第二血压回归数据一维向量[2]＝{d21，d22}，第三血压回归数据一维向量[2]＝{d31，d32}，第四血压回归数据一维向量[2]＝{d41，d42}，第五血压回归数据一维向量[2]＝{d51，d52}；其中，每个血压回归数据一维向量中的两个值分别是对应着当前片段的片段舒张压数据(偏小值)和片段收缩压数据(偏大值)；假设dx1(x的取值从1到5)都为片段舒张压数据、dx2(x的取值从1到5)都为片段收缩压数据，经过提取之后，动态舒张压一维向量[w6]应是动态舒张压一维向量[5][5*2]＝{d11，d21，d31，d41，d51}，动态收缩压一维向量[w7]应是动态收缩压一维向量[5]＝{d12，d22，d32，d42，d52}。

如图2为本发明实施例二提供的一种血压预测方法示意图所示，本方法主要包括如下步骤：

步骤101，在系统时间t，获取测试对象张三的具体数据对人口统计学信息和个体状态特征信息进行设置；

其中，系统时间t的格式是年/月/日/小时/分/秒。

假设，根据张三的具体数据：性别为1(0表示女，1表示男)；年龄为45；身高为170(单位cm)；体重为65(单位kg)和臂展宽度为165(单位cm)；则人口统计学信息长度为5，具体为{1，45，170，65，165}；

根据张三在系统时间t时的状态：bmi为22.49，体温为35.2；是否食用带咖啡因食物为1(0为否，1为是)；是否运动后为1(0为否，1为是)；则个体状态特征信息长度为4，具体为{22.49，35.2，1，1}。

步骤102，配置信号采集时间阈值为10秒，配置采集间隔时间为5秒，对张三每隔采集间隔时间就按信号采集时间阈值进行一次ppg信号采集，总计完成10次采集后生成ppg信号集合；

其中，ppg信号集合包括10段长度为10秒的ppg信号数据：第1到第10ppg信号数据。

步骤103，根据数据采样频率阈值，对ppg信号集合中的所有ppg信号数据进行信号采样处理生成ppg一维数据序列集合；

其中，ppg一维数据序列集合包括10个ppg一维数据序列：第1到第10ppg一维数据序列。

步骤103，根据血压卷积神经网络cnn模型的输入数据长度阈值n，对ppg一维数据序列集合中的所有ppg一维数据序列进行血压cnn模型输入数据转换处理生成输入数据四维张量集合。

此处，对每个ppg一维数据序列进行片段划分，划分为5段，又假设输入数据长度阈值n＝250，则输入数据四维张量集合中应包括10个输入数据四维张量[5，1，250，1]：第1到第10输入数据四维张量[5，1，250，1]。

步骤104，根据卷积层数阈值，利用血压cnn模型分别对输入数据四维张量集合的各个输入数据四维张量进行ppg特征提取计算，生成特征数据四维张量集合；并对特征数据四维张量集合中的特征数据四维张量进行血压人工神经网络ann模型输入数据二维矩阵转换处理生成特征数据二维矩阵集合。

此处，假设经过卷积层数阈值层卷积池化计算之后，输出的特征数据四维张量集合包括10个特征数据四维张量，每个特征数据四维张量的形状为[5，1，20，64]；

对特征数据四维张量集合中的所有特征数据四维张量进行形状降维之后生成特征数据二维矩阵集合，特征数据二维矩阵集合包括10个特征数据二维矩阵，每个特征数据二维矩阵的形状为[5，1280]。

步骤105，从系统获取人口特征信息标识符的取值为全部，则获取人口统计学信息和个体状态特征信息对人口特征信息进行设置。

假设，人口特征信息＝人口统计学信息+个体状态特征信息＝{1，45，170，65，165}+{22.49，35.2，1，1}＝{1，45，170，65，165，22.49，35.2，1，1}，此时人口特征信息的数据长度为5+4＝9；

步骤106，使用人口特征信息对特征数据二维矩阵集合中的所有特征数据二维矩阵进行数据补充，生成输入数据二维矩阵集合。

此处，特征数据二维矩阵的形状为[5，1280]，使用长度为9的人口特征信息，对特征数据二维矩阵集合中的每个特征数据二维矩阵进行补充(将人口特征信息附加在原特征数据二维矩阵的最后)后生成输入数据二维矩阵[5，1289]，输入数据二维矩阵集合的数量与特征数据二维矩阵集合的数量是对应的(10个)。

步骤107，根据最终输出节点阈值，利用血压ann模型对输入数据二维矩阵集合中的输入数据二维矩阵分别进行特征数据回归计算生成血压回归数据二维矩阵集合。

此处，为最终输出节点阈值的值为2，对输入数据二维矩阵集合中的输入数据二维矩阵都是采用二分类回归计算方式；最终，血压回归数据二维矩阵集合包括10个血压回归数据二维矩阵，每个血压回归数据二维矩阵的形状为[5，2]；每个血压回归数据二维矩阵[5，2]包括5个血压回归数据一维向量[2]；每个血压回归数据一维向量[2]包括两个血数据：片段舒张压数据和片段收缩压数据。

步骤108，获取预测模式标识符为均值预测，则对血压回归数据二维矩阵集合中的每个血压回归数据二维矩阵进行均值血压计算，生成预测血压数据对集合。

此处，对血压回归数据二维矩阵集合中的每个血压回归数据二维矩阵[5，2]：统计其包括的血压回归数据一维向量[2]的片段舒张压数据进行总和计算生成舒张压总和，统计其包括的血压回归数据一维向量[2]的片段收缩压数据进行总和计算生成收缩压总和，计算舒张压均值预测数据＝舒张压总和/5，计算收缩压均值预测数据＝收缩压总和/5；设置预测血压数据对＝{舒张压均值预测数据，收缩压均值预测数据}。由此可知，预测血压数据集合包括10组预测血压数据对，每一对对应着一段长度为10秒的ppg数据。预测血压数据集合，就是在系统时间t之后，对张三每隔15秒(5秒采集间隔时间+10秒信号采集时间阈值)连续做了10次血压预测的结果。

步骤109，将系统时间t、信号采集时间阈值、采集间隔时间、人口特征信息和预测血压数据对集合添加至张三的血压跟踪监测信息库中；并从张三的血压跟踪监测信息库中提取张三的健康血压数据对。

此处，张三的健康血压数据对是基于信息库长时间持续检测而统计下来的符合张三个体特征的健康指标，具体的计算方法有很多，例如：统计前1000次正常血压数据对并做均值计算获得的，或者按时间轴分阶段统计指定次数的正常血压均值再做加权平均获得的等等。

步骤110，对预测血压数据对集合中的所有预测血压数据对进行均值计算，生成系统时间t血压数据对；

其中，系统时间t血压数据对包括系统时间t收缩压和系统时间t舒张压。

步骤111，使用健康血压数据对与系统时间t血压数据对进行血压差计算，当血压差在指定的压差范围之内时认定测试对象张三在系统时间t时血压正常，当血压差超出指定的压差范围时认定测试对象张三在系统时间t时血压出现异常并提示上位应用做进一步处理。

如图3为本发明实施例三提供的一种血压预测装置的设备结构示意图所示，该设备包括：处理器和存储器。存储器可通过总线与处理器连接。存储器可以是非易失存储器，例如硬盘驱动器和闪存，存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能；设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序，该软件程序被执行时，能够实现本发明实施例提供的方法。

需要说明的是，本发明实施例还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时，能够实现本发明实施例提供的方法。

本发明实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得处理器执行上述方法。

本发明实施例提供的一种血压预测方法和装置，首先使用ppg信号采集设备对测试对象进行数据采集，其次采用由血压cnn模型对ppg采集数据进行ppg-血压数据特征计算，再将测试对象的个体人口特征信息对特征数据进行特征补充，然后使用血压ann模型补充后的特征数据进行血压数据回归计算从而预测出测试对象的血压数据(舒张压、收缩压)；通过本发明实施例，既避免了常规测试手段的繁琐和不适感，又产生了一种结合测试对象个体特征的自动数据分析方法，从而使得应用方可以方便地对被测对象进行多次连续监测。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。