血压估计方法、模型训练方法、装置和计算机可读存储介质

技术领域

本发明涉及可穿戴设备和医学测量领域，尤其涉及一种无袖带血压估计方法、模型训练方法、装置和计算机可读存储介质。

背景技术

血压是临床上作为诊断心血管疾病，尤其是高血压的主要依据，相较于传统的办公室血压测量，长期连续的动态血压监测具有重大临床价值，包括更准确的预测心血管风险事件、更合理地指导用药等。

连续动态血压监测对设备的便捷性和无扰性提出了更高的要求，目前应用最广泛的袖带式血压测量设备很难应用于可穿戴场景。而心电图(electrocardiogram，ECG)和光电容积描记图(photoplethysmogram，PPG)相对于连续血压更容易采集，因此，基于ECG和PPG的无袖带血压估计为连续血压监测提供了另一种思路。目前无袖带血压监测的主要方法是构建生理模型或深度学习模型。

在现有的基于深度模型结构的无袖带血压估计方法中，相关深度模型往往采用单一的神经网络模型，例如：使用U-net算法构建的长短程特征学习网络。这些袖带血压估计方法往往仅能在静态场景取得较高的精度，在动态场景下效果并不理想。相应地，直至今日，商业化的无袖带血压测量设备也屈指可数，而且往往仅在静态场景下能满足AAMI血压标准，在动态场景下效果往往并不理想。其中，AAMI血压标准是美国医疗器械促进协会颁布的评价电子血压计的国际标准。

可见，现有的基于深度模型的无袖带血压估计方法，存在无法在动态场景下准确预测血压的技术问题。

发明内容

为此，本发明提供了一种血压估计方法、模型训练方法、装置和计算机可读存储介质，以力图解决或者至少缓解上面存在的问题。

根据本发明实施例的一个方面，提供一种无袖带血压估计方法，也称无袖带血压检测方法，其中，所述方法包括步骤：

对待检测对象的生理信号进行预处理，其中所述生理信号包括心电信号和光电容积脉搏波信号；

利用训练好的深度神经网络模型对经过预处理的所述生理信号进行处理，以获取所述待检测对象的连续血压波形，其中，所述深度神经网络模型包括第一网络以及与其联合的第二网络，所述第一网络用于抽取所述生理信号的短程特征，所述第二网络用于抽取所述生理信号的长程特征；

对所述预测连续血压进行处理，以获取所述待检测对象的收缩压和舒张压的至少一种。

可选地，在该无袖带血压检测方法中，所述第一网络包括U-net网络，所述第二网络包括Transformer网络，其中，所述U-net网络的浅层网络用于提取所述生理信号的短程特征，所述U-net网络的深层网络用于提取所述生理信号的较长层特征，所述Transformer网络用于提取所述生理信号的长程特征。

可选地，所述对所述连续血压波形进行处理，以获取所述待检测对象的收缩压和舒张压的至少一种包括：

对所述连续血压波形执行特征点检测，以得到所述收缩压和所述舒张压；或者，

利用第三网络对所述连续血压波形进行处理，以得到所述收缩压和所述舒张压，其中，所述第三网络为基于端到端深度学习的神经网络。

可选地，所述深度神经网络模型还包括与所述第一网络以及所述第二网络联合的第四网络，所述第四网络包括交叉注意力机制网络，用于对所述第一网络所抽取的所述短程特征和所述第二网络所抽取的所述长程特征进行特征优化。

可选地，所述深度神经网络模型的内部连接方式包括：

将所述第一网络的编码端的短程特征在所述第二网络输出的长程特征指导下，经过所述第四网络计算后与所述第二网络输出的长程特征经过上采样后进行拼接，再将拼接后的向量作为所述第一网络的解码端浅一层的输入；

或者，

将所述第一网络的每一层编码端的特征在所述第一网络的解码端深一层特征的指导下，经过所述第四网络进行计算后与所述第一网络的深一层解码端的特征上采样后进行拼接，再将拼接后的向量作为所述第一网络的解码端浅一层的输入。可选地，所述对待检测对象的生理信号进行预处理包括：对所述生理信号执行带通滤波、归一化、数据片段划分、去除运动伪影片段中的至少一项。

可选地，在所述预处理包括归一化的情况下，所述利用训练好的深度神经网络模型对经过预处理的所述生理信号进行处理以获取所述待检测对象的连续血压波形包括：

利用所述深度神经网络模型对经过预处理的所述生理信号进行处理，得到所述待检测对象的归一化的连续血压波形；

对所述归一化的连续血压波形进行反归一化，以获取正常的连续血压波形。

本发明实施例的另一个方面提供一种用于无袖带血压检测的深度神经网络模型的训练方法，其中，所述方法包括：

设计深度神经网络模型，其中，所述深度神经网络模型包括第一网络以及与其联合的第二网络，所述第一网络用于抽取所述生理信号的短程特征，所述第二网络用于抽取所述生理信号的长程特征；

利用训练数据集对所述深度神经网络模型进行训练，基于所述深度神经网络模型所计算的连续血压波形与所述训练数据集中的实际测得的连续血压波形，持续对所述深度神经网络模型进行参数优化；其中，所述训练数据集包括生理信号，所述生理信号包括心电信号和光电容积脉搏波信号；

当所述深度神经网络模型所计算的连续血压波形与实际测得的连续血压波形误差最小化时，结束训练，获得训练好的深度神经网络模型。

可选地，所述利用训练数据集对所述深度神经网络模型进行训练包括：

以连续预定时长的ECG(t)、PPG(t)、以及PPG一阶导数VPG(t)和PPG二阶导数APG(t)作为所述深度神经网络模型的输入，计算对应的连续血压波形。

可选地，所述方法还包括：设计第三网络，将所述第三网络与所述深度神经网络模型级联；并且，在所述获得训练好的深度神经网络模型的步骤之后还包括：

将训练数据集输入训练好的所述深度神经网络模型，将所述深度神经网络模型的输出作为所述第三网络的输入对所述第三网络训练，基于所述第三网络所计算的收缩压和舒张压与基于特征点检测所获得的收缩压和舒张压，持续对所述第三网络进行参数优化，

当所述第三网络所计算的收缩压和舒张压与基于特征点检测所获得的收缩压和舒张压的相应误差最小化时，结束训练，获得训练好的第三网络。

可选地，所述深度神经网络模型还包括与所述第一网络以及所述第二网络联合的第四网络，所述第四网络包括交叉注意力机制网络，用于对所述第一网络所抽取的所述短程特征和所述第二网络所抽取的所述长程特征进行特征优化。

可选地，所述第一网络包括U-net网络，所述第二网络包括Transformer网络，所述第三网络包括基于端到端深度学习的神经网络，其中，所述U-net网络的浅层网络用于提取所述生理信号的短程特征，所述U-net网络的深层网络用于提取所述生理信号的较长层特征，所述Transformer网络用于提取所述生理信号的长程特征，。

本发明实施例的再一个方面提供一种无袖带血压检测装置，所述血压预测装置包括信号预处理单元、第一预测单元、第二预测单元，其中，

所述信号预处理单元用于对待检测对象的生理信号进行预处理，其中所述生理信号包括心电信号和光电容积脉搏波信号；

所述第一预测单元用于对经过预处理的所述生理信号进行处理以获取所述待检测对象的连续血压波形，其中所述一预测单元包括训练好的深度神经网络模型，所述深度神经网络模型包括第一网络以及与其联合的第二网络，所述第一网络用于抽取所述生理信号的短程特征，所述第二网络用于抽取所述生理信号的长程特征；

所述第二预测单元对所述预测连续血压进行处理，以获取所述待检测对象的收缩压和舒张压的至少一种。

本发明实施例还提供一种存储有程序指令的计算机可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行前述的任一项所述的方法。

根据本发明的技术方案，提供了一种基于长短程特征学习的无袖带血压检测方法，通过使用包括第一网络以及与其联合的第二网络的深度神经网络模型进行血压检测，有效提高了在动态场景下血压检测的准确度。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的无袖带血压预测方法100的流程图；

图2示出了根据本发明一个实施例的生理信号预处理流程图；

图3示出了根据本发明一个实施例的用于无袖带血压检测的深度神经网络模型的训练方法300的流程图；

图4-1示出了根据本发明一个实施例的用于无袖带血压检测的深度神经网络模型的训练方法的第一种具体实现方式的流程图；

图4-2示出了根据本发明一个实施例的用于无袖带血压检测的深度神经网络模型的训练方法的第二种具体实现方式的流程图；

图4-3示出了根据本发明一个实施例的用于无袖带血压检测的深度神经网络模型的训练方法的第三种具体实现方式的流程图；

图4-4示出了根据本发明一个实施例的用于无袖带血压检测的深度神经网络模型的训练方法的第四种具体实现方式的流程图；

图4-5示出了根据本发明一个实施例的用于无袖带血压检测的深度神经网络模型的训练方法的第五种具体实现方式的流程图；

图5示出了根据本发明一个实施例的无袖带血压预测装置300的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

在可穿戴设备和医学测量领域中，生理模型法主要基于脉搏波在血管中的传输理论和血管壁弹性与血压之间的关系等生理学原理构建血压估计模型，通常是血压与脉搏传导时间关系模型。一些专利与研究论文都曾提出过基于生理模型的无袖带血压测量方法，如某些专利文献公开了通过脉搏传导时间或者脉搏传导速度构建生理模型预测血压；某些论文公开了将光电容积描记图强度比(photoplethysmogram intensity ratio，PIR)与脉搏传导时间结合共同构建生理模型估计血压，一定程度上改善了血压估计精度。但生理模型的构建往往是理想化的，所设置的参数也是有限的，模型通常会因为过于简单而不能适应复杂场景，如喝水、走路等动态场景。

从ECG(心电图)、PPG(光电容积脉搏波)信号中提取特征并使用神经网络估计血压的机器学习法也是近几年无袖带血压估计的主要方法。最近的几项研究中，有人在ECG、PPG和BCG(ballistocardiogram，心冲击图)上直接提取特征，使用双向长短期记忆(Longshort-term memory，LSTM)模型估计收缩压(SBP)和舒张压(DBP)，平均绝对误差(MeanAbsolute Error，MAE)分别为5.82、5.24mmHg，但该项研究也仅限于静态场景，并无动态场景的测试结果。在某专利中使用短期、静态ECG、PPG数据，提取特征后经人工神经网络预测SBP和DBP值，均方根误差(Root Mean Square Error，RMSE)可达到6.11和4.70mmHg，但该项研究只针对整个群体做了估计值和测量值之间的相关系数的分析，并没有个体的相关系数数据，无法反映模型在每个个体上的血压变化趋势预测能力；且无动态场景，无法得知其动态场景性能。

本发明提供了一种无袖带血压估计(也可称检测)方法，能够有效提高在动态场景下的血压检测的准确度。图1示出了根据本发明一个实施例的无袖带血压检测方法100的流程图。

如图1所示，方法100始于步骤S101，在本步骤中，对待检测对象的生理信号进行预处理，其中所述生理信号包括心电信号和光电容积脉搏波信号。

其中，本发明实施例的对待检测对象的生理信号进行预处理可以包括：对生理信号执行带通滤波、归一化、数据片段划分、去除运动伪影片段中的至少一项。优选地，如图2所示，该预处理包括对生理信号执行带通滤波、归一化、数据片段划分、去除运动伪影片段等全部操作，相对于传统的只包括滤波、去噪操作的预处理而言，其能够为后续步骤提供更优质的数据，从而提升血压检测的准确度。

在一个预处理具体示例中，该预处理包括如下步骤：

1)对输入生理信号进行滤波。

将ECG信号、PPG信号和连续血压信号分别在0.5-30Hz、0.5-15Hz和0.5-15Hz进行带通滤波，去除高频噪声和基线漂移。

2)对输入生理信号进行归一化和分段。

采用最大-最小归一化，将原始信号转换到0-1范围内的数值，并以预定时间段(例如3秒、5秒等)作为一个样本对信号进行分段，对含有运动伪影的片段进行去除。

该具体示例的前述预处理步骤，通过选择合适的带通滤波频率范围以及选择预定时间段对信号进行分段，相对于传统的预处理，可以为后续步骤提供更优质的数据，从而提升血压预测的准确度。

随后，进入步骤S102，利用训练好的深度神经网络模型对经过预处理的所述生理信号进行处理，以获取所述待检测对象的连续血压波形，其中，所述深度神经网络模型包括第一网络以及与其联合的第二网络，所述第一网络用于抽取所述生理信号的短程特征，所述第二网络用于抽取所述生理信号的长程特征。

在一个示例性的具体实施例中，第一网络为U-net网络，第二网络为Transformer网络，其中，U-net网络的浅层网络用于提取所述生理信号的短程特征，U-net网络的深层网络用于提取所述生理信号的较长层特征，Transformer网络用于提取所述生理信号的长程特征。

最后，进入步骤S103，对所述预测连续血压进行处理，以获取待检测对象的收缩压和舒张压的至少一种。

示例性地，在步骤S103中，对连续血压波形进行处理以获取待检测对象的收缩压和舒张压的方法可以为：对所述连续血压波形执行特征点检测，以得到所述收缩压和所述舒张压。其中特征点检测的方法可以为常规算法。

在步骤S103中，对连续血压波形进行处理以获取待检测对象的收缩压和舒张压的方法还可以为：利用第三网络对连续血压波形进行处理以得到收缩压和所述舒张压。其中，第三网络优选为基于端到端深度学习的神经网络，进一步地，第三网络优选为全连接网络。

根据本发明实施例的技术方案，提供了一种基于长短程特征学习的无袖带血压检测方法，通过使用包括第一网络以及与其联合的第二网络的深度神经网络模型进行血压检测，可以有效提高在动态场景下血压检测的准确度。

进一步地，在本实施例中，深度神经网络模型除包括第一网络以及第二网络外，还可以包括与所述第一网络以及所述第二网络联合的第四网络，用于对所述第一网络所抽取的所述短程特征和所述第二网络所抽取的所述长程特征进行特征优化。在一个优选示例中，第四网络为交叉注意力机制(Cross_Attent i on)网络。通过增加第四网络，可以进一步提高在动态场景下血压检测的准确度。

本发明实施例的深度神经网络模型的一大特点在于，其结合了两种及以上神经网络结构的回归模型，其中至少有一种网络结构提取单通道或多通道输入生理信号的短程，至少有一种网络提取输入生理信号的长程特征，从而可以有效提高在动态场景下血压检测的准确度。

例如，本发明实施例的深度神经网络模型可以是基于U-net和Transformer两种神经网络结构结合，或者U-net、Transformer以及全连接网络结合的回归模型。其中U-net浅层网络提取生理信号的短程特征，U-net深层网络提取生理信号的较长层特征，Transformer网络提取生理信号的长程特征。

示例性地，本发明实施例的深度神经网络模型的结构可以按如下方式设置：第二网络结构连接在第一网络结构的最深层，由第一网络结构输出连续血压波形(CBP)，再经过特征点检测算法获取SBP和DBP，或者经过第三网络结构输出SBP和DBP。

例如，Transformer网络的编码(Encoder)端连接到U-net网络Encoder端的最深层，U-net网络的解码(Decoder)端输出连续血压波形(CBP)，从U-net网络的解码端输出连续血压波形后执行常规的特征点检测算法获取SBP和DBP，或再经过全连接网络输出SBP和DBP。

在一个具体示例中，深度神经网络模型包括第一网络结构U-net和第二网络结构Transformer，其中，U-net联合Transformer构成特征提取器从多生理通道信号ECG(t)、PPG(t)、VPG(t)和APG(t)中提取生理信号长短程生理特征。U-net网络Encoder端每一层经过一层卷积和一层池化，最底层连接12层Transformer网络Encoder端。U-net网络Encoder端每一层特征经过Cross_attention计算后的特征和U-net网络Decoder端浅一层的短程特征上采样后进行拼接。

进一步地，在上述结构基础上，可以在第一网络结构内部结合第四网络结构，对长短程特征进一步优化学习。其中，深度神经网络模型的内部连接方式，即其内部的各个子网络(例如：第一网络、第二网络和第四网络)的连接方式可以采用各种可行的实现方式，本发明实施例并不对此进行限制。

例如，该深度神经网络模型的内部连接方式可以为：在U-net网络中引入Cross-Attention网络结构，将U-net网络Encoder端的短程特征在Transformer网络输出特征或者U-net网络解码端深一层的长程特征指导下，经过Cross-Attention计算后与Transformer网络输出特征或U-net网络解码端深一层特征进行上采样后再拼接，拼接后的向量作为U-net网络的解码端浅一层的输入。

在一个具体实施例中，本发明实施例的深度神经网络模型的内部连接方式为：将第一网络(例如U-net网络)的编码端的短程特征在第二网络(例如Transformer网络)输出的长程特征指导下，经过第四网络(例如：Cross-Attention网络)计算后与第二网络输出的长程特征经过上采样后进行拼接，再将拼接后的向量作为所述第一网络的解码端浅一层的输入。

在另一个具体实施例中，该深度神经网络模型的内部连接方式为：将第一网络的每一层编码端的特征在该第一网络的解码端深一层特征的指导下，经过第四网络进行计算后与第一网络的深一层解码端的特征上采样后进行拼接，再将拼接后的向量作为该第一网络的解码端浅一层的输入。

本发明的发明人发现，这两个具体实施例中的深度神经网络模型的内部连接方式相对于其他连接方式，均在一定程度上能够提高模型在动态场景下血压检测的准确度。

在本发明实施例中，在步骤S101的预处理包括归一化的情况下，利用训练好的深度神经网络模型对经过预处理的所述生理信号进行处理以获取所述待检测对象的连续血压波形的步骤将具体包括：

利用深度神经网络模型对经过预处理的所述生理信号进行处理，得到待检测对象的归一化的连续血压波形；

对归一化的连续血压波形进行反归一化，以获取正常的连续血压波形。

本发明实施例通过相应的归一化和反归一化的操作，能够进一步提高无袖带血压检测的准确度。

根据本发明的另一个实施例，提供一种用于无袖带血压检测的深度神经网络模型的训练方法。示例性地，如图3所示，该方法包括：

步骤S301，设计深度神经网络模型，其中，该深度神经网络模型包括第一网络以及与其联合的第二网络，所述第一网络用于抽取所述生理信号的短程特征，所述第二网络用于抽取所述生理信号的长程特征；

步骤S302，利用训练数据集对所述深度神经网络模型进行训练，基于所述深度神经网络模型所计算的连续血压波形与所述训练数据集中的实际测得的连续血压波形，持续对所述深度神经网络模型进行参数优化；其中，所述训练数据集包括生理信号，所述生理信号包括心电信号和光电容积脉搏波信号；

步骤S303，当所述深度神经网络模型所计算的连续血压波形与实际测得的连续血压波形误差最小化时，结束训练，获得训练好的深度神经网络模型。

其中，示例性地，利用训练数据集对深度神经网络模型进行训练包括：

以连续预定时长的ECG(t)、PPG(t)、以及PPG一阶导数VPG(t)和PPG二阶导数APG(t)作为所述深度神经网络模型的输入，计算对应的连续血压波形。

进一步地，所述方法还可以包括如下步骤：设计第三网络，将第三网络与深度神经网络模型级联；并且，在获得训练好的深度神经网络模型的步骤之后还可以包括：

将训练数据集输入训练好的深度神经网络模型，将深度神经网络模型的输出作为第三网络的输入对第三网络训练，基于第三网络所计算的收缩压和舒张压与基于特征点检测所获得的收缩压和舒张压，持续对第三网络进行参数优化，

当第三网络所计算的收缩压和舒张压与基于特征点检测所获得的收缩压和舒张压的相应误差最小化时，结束训练，获得训练好的第三网络。

示例性地，深度神经网络模型还可以包括与第一网络以及第二网络联合的第四网络，所述第四网络用于对第一网络所抽取的短程特征和第二网络所抽取的长程特征进行特征优化。其中，第四网络可以采用对第一网络所抽取的短程特征和第二网络所抽取的长程特征进行特征优化的任何神经网络。优选地，第四网络为交叉注意力机制网络，可以获得更高的血压检测精度。

示例性地，在本实施例的深度神经网络模型的训练方法中，第一网络可以为U-net网络，第二网络可以为Transformer网络，第三网络可以为基于端到端深度学习的神经网络，例如全连接网络。其中，U-net网络的浅层网络用于提取生理信号的短程特征，U-net网络的深层网络用于提取生理信号的较长层特征，Transformer网络用于提取生理信号的长程特征。

在一个更具体的深度神经网络模型训练过程中，该训练方法包括如下两个阶段：

阶段一：以连续5秒的ECB(t)、PPG(t)、PPG一阶导数VPG(t)和PPG二阶导数APG(t)为U-net联合Transformer模型的输入，以训练集所测得的连续血压波形(CBP)作为输出，先对U-net联合Transformer模型进行参数优化，模型所估计的连续血压波形与所测得连续血压波形误差最小化时，即得到U-net联合Transformer模型最优化模型参数；

阶段二：固定阶段一中所得到的U-net联合Transformer最优化模型参数，以此估计5秒连续血压波形，作为全连接网络的输入，以训练集所测得的连续血压波形经过特征点检测所得到的SBP和DBP为全连接网络的输出，进行全连接网络的参数微调，SBP和DBP误差最小化时即得到全连接网络的最优化模型参数。

模型训练的超参数配置在阶段一和阶段二中保持一致，即：epochs数量设置为100，当20个epochs loss优化不超过0.001时提前结束；batch size为32；优化器为Adam，学习率learning rate为0.001。

示例性地，在该模型训练过程中，可采用如下方式进行训练数据集的划分。该实例使用两种活动场景的数据进行训练和验证：饮水场景(25人)和锻炼场景(20人)。两种场景下，分别选取1名受试者作为测试集，其余受试者作为训练集，训练集中选取80％数据用作训练，20％数据用作验证，并依次使用不同受试者作为测试集进行交叉训练与验证，遍历所有受试者。保存训练的所有模型。

对于前述深度神经网络模型的训练方法，本发明的发明人进一步提出了如图4-1至图4-5所示的具体的实现方式。简要介绍相关方案如下：

图4-1示出了根据本发明一个实施例的用于无袖带血压检测的深度神经网络模型的训练方法的第一种具体实现方式的流程图。图4-2示出了根据本发明一个实施例的用于无袖带血压检测的深度神经网络模型的训练方法的第二种具体实现方式的流程图。二者的区别主要在于，图4-1示意的方式中的深度神经网络包括第一网络和第二网络，而图4-2示意的方式中的深度神经网络还包括第四网络。

在图4-1和图4-2对应的实例中，当第一网络结构联合第二网络结构(或第一网络结构联合第二网络结构联合第四网络结构)输出连续血压波形(CBP)并经过常规特征点检测算法获取SBP和DBP时，模型的训练以ECG和或PPG和或PPG的一阶导数和或PPG的二阶导数作为输入，以训练集所测得的连续血压波形(CBP)作为输出，对第一网络结构联合第二网络结构(或第一网络结构联合第二网络结构联合第四网络结构)的模型进行参数优化，当模型估计得到的连续血压波形与所测得的连续血压波形的误差最小时即得到第一网络结构和第二网络结构(或第一网络结构联合第二网络结构联合第四网络结构)的最优化模型参数。

例如，在进一步的一个更具体的实例中，第一网络为U-net网络，第二网络为Transformer网络，第四网络为Cross_Attention网络。当U-net网络联合Transformer网络(或U-net网络联合Transformer网络联合Cross_Attention网络)输出连续血压波形(CBP)再经过常规特征点检测算法获取SBP和DBP时，以ECG和或PPG和或PPG的一阶导数和或PPG的二阶导数作为输入，模型的训练以训练集所测得的连续血压波形(CBP)作为输出，对U-net网络联合Transformer网络模型进行参数优化，当模型估计得到的连续血压波形与所测得的连续血压波形的误差最小时即得到Unet网络联合Transformer网络(或U-net网络联合Transformer网络联合Cross_Attention网络)的模型最优化参数。

图4-3示出了根据本发明一个实施例的用于无袖带血压检测的深度神经网络模型的训练方法的第三种具体实现方式的流程图；图4-4示出了根据本发明一个实施例的用于无袖带血压检测的深度神经网络模型的训练方法的第四种具体实现方式的流程图。二者的区别主要在于，图4-3示意的方式中的深度神经网络包括第一网络和第二网络，而图4-4示意的方式中的深度神经网络还包括第四网络。

在图4-3和图4-4对应的实例中，当第一网络结构联合第二网络结构(或第一网络结构联合第二网络结构联合第四网络结构)输出连续血压波形(CBP)再经过第三网络结构输出SBP和DBP时，模型的训练以ECG和或PPG和或PPG的一阶导数和或PPG的二阶导数作为输入，以连续血压波形(CBP)作为输出，先对第一网络结构和第二网络结构(或第一网络结构联合第二网络结构联合第四网络结构)进行参数优化，当连续血压波形误差最小时得到第一网络结构和第二网络结构(或第一网络结构联合第二网络结构联合第四网络结构)的最优化模型参数；然后固定第一网络结构和第二网络结构(或第一网络结构联合第二网络结构联合第四网络结构)的参数为最优化模型参数，并基于第一网络结构联合第二网络结构(或第一网络结构联合第二网络结构联合第四网络结构)模型计算得到的输出连续血压波形，作为第三网络结构的输入，以训练集所测得的连续血压波形经过特征点检测所得到的SBP和DBP为输出，进行第三网络结构的参数微调，当第三网络结构估计得到的SBP和DBP与特征检测算法所得到的SBP和DBP误差最小时得到第三网络结构最优化模型参数。

例如，在进一步的一个更具体的实例中，第一网络为U-net网络，第二网络为Transformer网络，第四网络为Cross_Attention网络。当U-net网络联合Transformer网络(或U-net网络联合Transformer网络联合Cross_Attention网络)模型输出连续血压波形(CBP)再经过全连接层输出SBP和DBP时，模型的训练以ECG和或PPG和或PPG的一阶导数和或PPG的二阶导数作为输入，以训练集所测得的连续血压波形(CBP)作为输出，先对U-net联合Transformer模型(或U-net网络联合Transformer网络联合Cross_Attention网络)进行参数优化，得到U-net联合Transformer模型(或U-net网络联合Transformer网络联合Cross_Attention网络)所估计的连续血压波形与所测得的连续血压波形误差最小化时的U-net联合Transformer模型(或U-net网络联合Transformer网络联合Cross_Attention网络)最优化模型参数；然后固定U-net联合Transformer模型(或U-net网络联合Transformer网络联合Cross_Attention网络)的参数为最优化模型参数，基于U-net联合Transformer模型(或U-net网络联合Transformer网络联合Cross_Attention网络)所估计连续血压波形为全连接层的输入，以训练集所测得的连续血压波形经过特征点检测所得到的SBP和DBP为输出，进行全连接网络的参数微调，得到SBP和DBP误差最小化时的全连接层的最优化模型参数。

图4-5示出了根据本发明一个实施例的用于无袖带血压检测的深度神经网络模型的训练方法的第五种具体实现方式的流程图。与图4-3所示的实现方式相对应，在该实例中，第一网络为U-net网络，第二网络为Transformer网络，第三网络为全连接网络。

基于本发明实施例的前述深度神经网络模型训练方法得到的训练好的深度神经网络模型，本发明实施例还可相应提供无袖带连续血压估计方法的推理方法，即，相应的无袖带血压检测方法。示例性地，该血压检测方法可以包括如下步骤：

1)对单通道或多通道生理信号带通滤波、去除运动伪影片段以及归一化的预处理。

2)利用训练好的深度神经网络模型，基于预处理的生理信号，进行连续血压波形。

示例性地，可以采用非端到端推理方法一(或二)：当第一网络结构联合第二网络结构(或第一网络结构联合第二网络结构联合第四网络结构)输出连续血压波形(CBP)并经过常规特征点检测算法获取SBP和DBP时，推理时，在服务器端或电脑端或移动设备端加载权力要求书3所述的第一网络联合第二网络模型(或第一网络结构联合第二网络结构联合第四网络结构)的最优化模型参数，经过计算得到连续血压波形估计值，并经过常规特征点检测算法获取SBP和DBP的估计值。

当U-net网络联合Transformer(或U-net网络联合Transformer网络联合Cross_Attention网络)输出连续血压波形时，推理时，在服务器端或电脑端或移动设备端加载权力要求书3所述的Unet联合Transformer(或U-net网络联合Transformer网络联合Cross_Attention网络)模型的最优化模型参数，经过计算得到连续血压波形估计值，并经过常规特征点检测算法获取SBP和DBP的估计值。

示例性地，还可以采用端到端推理方法三(或四)：当第一网络结构联合第二网络结构(或第一网络结构联合第二网络结构联合第四网络结构)输出连续血压波形(CBP)再经过第三网络结构输出SBP和DBP时，推理时，在服务器端或电脑端或移动设备端加载权力要求书3所述的第一网络联合第二网络模型(或第一网络结构联合第二网络结构联合第四网络结构)的最优化模型参数和第三网络结构的微调参数，经过计算得到SBP和DBP的估计值。

当U-net联合Transformer模型(或U-net网络联合Transformer网络联合Cross_Attention网络)输出连续血压波形再经过全连接网络输出SBP和DBP时，推理时，在服务器端或电脑端或移动设备端加载权力要求书3所述的训练好的U-net联合Transformer(或U-net网络联合Transformer网络联合Cross_Attention网络)最优化模型参数和全连接网络的微调参数，得到SBP和DBP的血压预测值。

4)对深度神经网络模型估计的连续血压波形以及SBP和DBP进行反归一化处理，得到连续血压波形以及SBP和DBP最终的估计值。

在一个具体实施例中，基于本发明实施例的前述深度神经网络模型训练方法得到的训练好的深度神经网络模型，本发明实施例还可相应提供一种无袖带血压检测方法，该方法包括如下步骤：

1)对待输入的生理信号ECG(t)、PPG(t)、VPPG(t)和APPG(t)做滤波、去运动伪影max-min归一化和分段；

2)分场景加载已训练的深度神经网络模型，依次对分段信号预测SBP和DBP。

根据本发明的血压预测方法相较于传统的单独采用生理模型或单独采用深度学习模型的方式，在性能和误差改善上均有明显提升。表1示出了根据本发明的采用Unet+Transformer网络结构的血压预测方法和传统的CNN-BiGRU模型方式的比较结果。本发明的发明人在两种活动场景下的连续无袖带血压估计结果评估。计算Unet+Transformer模型血压预测值与真实血压值的误差平均值(ME)、误差标准方差(SD)、误差皮尔逊相关系数(PCC)和平均绝对误差(MAE)。本实施例的实验结果如下表1所示。由表1可见，本发明提出的特征学习模型相较于现有的其他模型在各项指标中都有显著改进。

表1 Unet+Transformer模型在两种场景下的连续无袖带血压估计的实验对比

图5示出了根据本发明一个实施例的血压预测装置500的示意图。如图5所示，血压预测装置500包括信号预处理单元501、第一预测单元502、第二预测单元503。

信号预处理单元501用于对待检测对象的生理信号进行预处理，其中生理信号包括心电信号和光电容积脉搏波信号；

第一预测单元502用于对经过预处理的生理信号进行处理以获取待检测对象的连续血压波形，其中一预测单元502包括训练好的深度神经网络模型，该深度神经网络模型包括第一网络以及与其联合的第二网络，第一网络用于抽取生理信号的短程特征，第二网络用于抽取生理信号的长程特征；

第二预测单元503对该连续血压波形进行处理，以获取待检测对象的收缩压和舒张压的至少一种。

根据本发明的再一个实施例，提供了一种存储有程序指令的计算机可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如如上所述的无袖带血压检测方法或深度神经网络训练方法。

根据本发明的技术方案，提供了一种无袖带血压检测方法，该方法通过使用包括第一网络以及与其联合的第二网络的深度神经网络模型，基于长短程特征进行血压检测，有效地提高了无袖带智能穿戴产品在动态场景下的血压检测的准确度。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的血压预测方法或模型训练方法。

以示例而非限制的方式，计算机可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。

在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。