一种基于去除年龄混淆因子的可穿戴连续血压测量方法及系统

本发明属于医疗器械的血压测量领域，主要涉及一种基于去除年龄混淆因子的可穿戴连续血压测量系统。

背景技术：

0、技术背景

1、血压是在血液不断流动时对血管内壁造成的侧压力，是推动血液流动，维持组织器官血液灌注和循环的动力，并且血压的数值是判断各类心血管疾病的重要依据，因此血压的测量在医学上有重要的意义。

2、目前血压的测量方法有两种，直接测量法和间接测量法。直接测量法直接将装置插入人体动脉来测量动脉血压，优点是获得血压连续，精度高，是血压测量的“金标准”，缺点是有创，实施麻烦，多用于病危和开腔手术；间接测量法，主要有柯式音法、示波法、脉搏波波速法、桡动脉扁平张力法和动脉容积补偿法。间接测量法由于其无创，实施相对简单等特点，广泛应用于临床，但仍存在一些问题。比如，柯式音法和示波法无法获取连续的血压，并且在测量的时候需要袖带的充放气，会给患者带来不适；桡动脉扁平张力法和动脉容积补偿法可以获取连续血压，但需要侵入式测量，测量设备复杂，需专业人员进行操作，有诸多不便。脉搏波波速法虽然可连续测量血压而且无创，但是精度不高，泛化性较差。

3、近年来血压测量的发展方向，主要是无创、无扰、连续的测量，这对于人体的心血管疾病监测有非常重要的意义。穿戴传感以及人工智能算法的发展，为无袖带血压提供了一种新的思路。该方法主要采用心电信号或者脉搏波信号作为输入，输入到神经网络中，通过神经网络对血压进行预测，但由于影响血压的因素较多，如用户的年龄、体重、身高和性别，所以在该类方法的血压测量中，存在测量精度不高，泛化性较差的问题。

4、年龄是困扰血压测量的一个重要的原因。随着年龄的变化，心电信号和脉搏波信号的波形均会发生变化，血压也会随着年龄的增长而增大。基于心电及脉搏波信号可以反映血压变化的前提，人工智能相关算法可以通过心电(electrocardiogram，ecg)信号或者光电容积脉搏波(photoplethysmogram，ppg)信号对血压进行测量。由于年龄同时影响着原因——心电信号和脉搏波信号和结果——血压，使得估测出现归因混淆的问题，进而造成血压测量精度降低，泛化性降低。要解决上述问题，需要从生理机制上对无袖带血压测量进行研究和改进。

5、因果表征学习作为近年来发展迅速的方向，已经在深度学习领域有大量的研究。其优势在于处理复杂的应用场景时可以减少模型学习到的数据之间虚假的关联性，使模型更具鲁棒性，泛化性更好。其主要特点在对问题建模时，考虑潜在的变量造成的归因混淆的问题，一般称之为混淆因子。

技术实现思路

1、本发明要解决的技术问题是提供一种基于去除年龄混淆因子的可穿戴无袖带连续血压测量系统，其能够实现连续的血压测量，准确度更高。

2、为了解决上述问题，本发明提供了一种基于去除年龄混淆因子的可穿戴无袖带连续血压测量系统，该系统包括：数据采集模块、数据预处理模块、神经网络血压估计模型、血压显示模块；

3、所述数据采集模块采集人体某一部位的反射光信号或压力信号，并同时采集心电信号和血压；将采集到的所有信号传输给数据预处理模块；

4、所述数据预处理模块将数据采集器采集到的所有信号进行滤噪和放大，然后将得到的反射光信号或压力信号转化为脉搏波；将预处理后的心电信号和脉搏波信号进行归一化，重采样。

5、一种基于去除年龄混淆因子的可穿戴无袖带连续血压测量方法，主要包括如下步骤：

6、步骤1：使用穿戴无袖带测量设备获取脉搏波信息和心电信息，利用可穿戴电、光及压力传感测量人体某一部位有关心脏及动脉搏动信息，得到心电、光电容积脉搏波及体表动脉压力信号，测量所述信号中有关血压变化；

7、步骤2：对心电信号和脉搏波信号进行预处理，如图2所示；

8、所述步骤2中，“心电信号和脉搏波信号预处理”，具体包括以下步骤：

9、步骤2.1：使用butterworth滤波器滤除心电信号和脉搏波信号的高频噪声；

10、步骤2.2：将心电信号和脉搏波信号周期对齐，将连续的5个心动周期对应的心电信号和脉搏波信号划分为一组输入信号；

11、步骤2.3：对心电信号和脉搏波信号归一化；

12、步骤2.4：对心电信号和脉搏波信号进行插值重采样，每个心动周期采样100个点；

13、步骤2.5：心电信号和脉搏波信号分别和参考心电信号和脉搏波信号计算信号质量指数，去除信号质量指数小于设定阈值的信号；

14、步骤3：搭建去除年龄混淆因子血压估计网络，如图1所示，该网络通过全连接层输出估计的收缩压或者舒张压；

15、所述步骤3中，“搭建去除年龄混淆因子血压估计网络”，具体包括以下步骤：

16、步骤3.1：网络的input_size为2*500，具体为5个心动周期的心电信号和脉搏波信号，其中每个周期采样点为100个；

17、神经网络模型包括两层ann，去除年龄混淆因子层，gru层和全连接层；

18、步骤3.2：第一层为input_size为2*500，output_size为2*1000的ann层，激活函数为relu，第二层为input_size为2*1000，output_size为2*250的ann层，激活函数为relu；

19、步骤3.3：第三层将第二层输出的特征，进行去除年龄混淆因子处理，表达式如下：

20、

21、其中为去年龄混淆特征，qt为第二层输出特征，k为各年龄分组平均特征，z为平均特征，p(z)输入特征为各年龄分组的概率，σ为输入特征qt的长度；

22、各年龄分组平均特征部分，先将20-89岁的样本分为三组，分别是20-39岁，40-59岁，60-89岁；在每个组分别预训练模型，抽取出每个年龄分组的平均特征；p(z)通过5层感知机连接softmax层进行概率预测，input_size为2*500，具体为5个心动周期的心电信号和脉搏波信号；输出为年龄分别为20-39岁，40-59岁，60-89岁的概率；

23、步骤3.4：将得到的年龄组概率再放入一个ann层，输出size为2*100，最终构建的去除年龄混淆因子层，输入size为2*250，输出size为2*100；

24、步骤3.5：第四层将第三层输出和第二层的输出拼接到一起，输出size为2*350；

25、步骤3.6：第五层为gru层，输入size为2*350，输出size为2*128；

26、步骤3.7：第六层为全连接层，输入size为256，输出size为50，激活函数为relu；第七层为全连接层输入size为50，输出size为1预测收缩压或者舒张压，激活函数为relu；

27、步骤4：将样本数据放入去除年龄混淆因子血压估计网络中进行训练，更新血压估计网络的参数，最后获得去除年龄混淆因子血压估计网络；

28、步骤5：将智能穿戴设备获取的数据输入训练完成的去除年龄混淆因子血压估计网络，获得血压估计值显示到血压显示模块。

29、所述步骤1中，“穿戴无袖带连续血压测量设备”具体包括以下步骤：

30、步骤1.1：选择受检者体表动脉，作为受检对象；

31、步骤1.2：采用袖带式连续血压测量设备对受检者选定的体表动脉处的血压进行连续测量；

32、步骤1.3：在测量袖带式血压的同时，将可穿戴测量设备佩戴至同一受检者另一侧动脉的皮肤表面；

33、步骤1.4：同时记录动脉搏动及心脏产生的信号；

34、所述步骤4中，“去除年龄混淆因子血压估计网络中进行训练”，具体包括：

35、使用均方根误差函数计算损失值，使用adam算法反向传播来更新网络权重参数，使模型逐渐收敛；

36、学习率使用0.0001，权重衰减为0.0001，batch_size为128。

37、本发明采取上述方案，具有以下有益效果：

38、1、本发明相较于传统的充气式袖带血压测量，可以实现连续的，无创的血压预测，更能够适用于连续血压监测的场景。

39、2、本发明相较于传统的人工智能血压估计算法，具有更好的泛化性。

40、3、本发明基于深度学习算法，无需手动提取特征。

41、4、本发明相较于只使用脉搏波信号估计血压的算法，同时使用心电信号和脉搏波信号，有更好的鲁棒性。

42、5、本发明的信号采集和算法处理，可以通过微控芯片完成，可以实现小型化穿戴设备监测，可应用于日常生活场景。