一种血压监测方法、装置及电子设备

技术领域

本申请涉及血压监测技术领域，尤其涉及一种血压监测方法、装置及电子设备。

背景技术

目前，在血压监测技术中，CNN(Convolutional Neural Networks，卷积神经网络)虽然能够自动提取具有判别性的特征以及对提取到的特征进行收缩压和舒张压的回归，实现基于回归预测实现端到端的血压测量。但是，在对阵列PPG(Photoplethysmographic，光电容积脉搏波描记法)信号对血压进行收缩压和舒张压实时监测时，由于阵列中的PPG信号的相关关系是非规则的，用传统的欧式距离无法准确描述，使用CNN模型不仅不能够充分提取具有区分度的特征信息，而且还会导致血压监测准确率不高的问题。

因此，有必要提出一种用于阵列PPG信号在不同收缩压和舒张压实时监测的算法，可以提升传统的深度学习方法对阵列PPG信号在不同收缩压和舒张压值实时监测准确性能不高的问题。

发明内容

本申请实施例提供一种血压监测方法、装置及电子设备，可以提高血压监测的准确率。

本申请实施例的技术方案是这样实现的：

第一方面，本申请实施例提供一种血压监测方法，包括：

将阵列PPG信号进行预处理，得到标准化的阵列PPG信号和所述阵列PPG信号对应的图结构的邻接矩阵；

基于所述标准化的阵列PPG信号以及所述邻接矩阵，确定所述阵列PPG信号对应的空间特征和时间特征；

将所述空间特征和所述时间特征进行特征融合得到空时特征；

基于所述空时特征确定血压预测值；

基于所述血压预测值，确定所述阵列PPG信号对应的收缩压的血压区间和舒张压的血压区间。

在上述方案中，所述将阵列PPG信号进行预处理，得到标准化的阵列PPG信号和所述阵列PPG信号对应的图结构的邻接矩阵，包括：

对所述阵列PPG信号进行标准化处理，得到所述标准化的阵列PPG信号。

在上述方案中，所述将阵列PPG信号进行预处理，得到标准化的阵列PPG信号和所述阵列PPG信号对应的图结构的邻接矩阵，包括：

基于滑动窗口选取第一长度的阵列PPG信号；

针对每次选取的第一长度的阵列PPG信号，基于每路PPG信号与相邻PPG信号之间的最大互信息系数之和的平均值，构建所述邻接矩阵。

在上述方案中，所述基于标准化的阵列PPG信号以及所述邻接矩阵，确定所述阵列PPG信号对应的空间特征和时间特征，包括：

基于图卷积神经网络得到所述阵列PPG信号对应的空间特征；

基于长短期记忆神经网络得到所述阵列PPG信号对应的时间特征。

在上述方案中，所述将所述空间特征和所述时间特征进行特征融合得到空时特征，包括：

将所述空间特征和所述时间特征通过全连接层进行特征融合，得到所述空时特征。

在上述方案中，所述基于所述空时特征确定血压预测值，包括：

基于线性回归算法对所述空时特征进行预测，得到收缩压的预测值和舒张压的预测值。

在上述方案中，所述基于所述血压预测值，确定所述阵列PPG信号对应的收缩压的血压区间和舒张压的血压区间，包括：

基于收缩压的预测值和舒张压的预测值，确定收缩压对应的第一上界值和第一下界值；

基于所述第一上界值和所述第一下界值，确定所述收缩压的血压区间；

基于收缩压的预测值和舒张压的预测值，确定舒张压对应的第二上界值和第二下界值；

基于所述第二上界值和所述第二下界值，确定所述舒张压的血压区间。

第二方面，本申请实施例提供一种血压监测模型的训练方法，其特征在于，所述方法包括：

将样本数据集中的阵列PPG信号进行预处理，得到标准化的阵列PPG信号以及所述阵列PPG信号对应的图结构的邻接矩阵，所述样本数据集包括阵列PPG信号以及阵列PPG信号对应的收缩压的标注值和舒张压的标注值；

将所述标准化的阵列PPG信号以及所述邻接矩阵作为血压监测模型中第一子模型的输入，得到血压预测值，所述血压预测值包括收缩压的预测值和舒张压的预测值；

将所述收缩压的预测值和舒张压的预测值作为第二子模型的输入，得到收缩压的血压区间范围和舒张压的血压区间范围。

在上述方案中，所述将所述标准化的阵列PPG信号以及所述邻接矩阵作为血压监测模型中第一子模型的输入，得到血压预测值，包括：

基于图卷积神经网络得到所述阵列PPG信号对应的空间特征；

基于长短期记忆神经网络得到所述阵列PPG信号对应的时间特征；

将所述空间特征和所述时间特征通过全连接层进行特征融合，基于线性回归算法对融合后的空时特征进行预测，得到收缩压的预测值和舒张压的预测值；

其中，所述第一子模型基于收缩压的标注值和收缩压的预测值之间的差异，以及所述舒张压的标注值和所述舒张压的预测值之间的差异，调整所述第一子模型的参数，进行模型训练。

在上述方案中，所述将所述收缩压的预测值和舒张压的预测值作为第二子模型的输入，得到收缩压的血压区间范围和舒张压的血压区间范围，包括：

所述第二子模型基于所述收缩压的预测值进行高斯回归处理，确定所述收缩压对应的第一上界值和第一下界值，基于所述第一上界值和所述第一下界值，确定所述收缩压的血压区间；

所述第二子模型基于所述舒张压的预测值进行高斯回归处理，确定舒张压对应的第二上界值和第二下界值，基于所述第二上界值和所述第二下界值，确定所述舒张压的血压区间。

第三方面，本申请实施例提供一种血压监测装置，所述血压监测装置包括：

预处理模块，用于将阵列PPG信号进行预处理，得到标准化的阵列PPG信号和所述阵列PPG信号对应的图结构的邻接矩阵；

血压值确定模块，用于基于所述标准化的阵列PPG信号以及所述邻接矩阵，得到所述阵列PPG信号对应的空间特征和时间特征；将所述空间特征和所述时间特征进行特征融合，基于融合后得到的空时特征确定收缩压的预测值和舒张压的预测值；

血压区间确定模块，用于基于所述收缩压的预测值和所述舒张压的预测值，确定所述阵列PPG信号对应的收缩压的血压区间和舒张压的血压区间。

第四方面，本申请实施例提供一种血压监测模型训练装置，所述装置包括：

预处理模块，用于将样本数据集中的阵列PPG信号进行预处理，得到标准化的阵列PPG信号以及所述阵列PPG信号对应的图结构的邻接矩阵，所述样本数据集包括阵列PPG信号以及阵列PPG信号对应的收缩压的标注值和舒张压的标注值；

血压值确定模块，将所述标准化的阵列PPG信号以及所述邻接矩阵作为血压监测模型中第一子模型的输入，得到血压预测值，所述血压预测值包括收缩压的预测值和舒张压的预测值；

血压区间确定模块，将所述收缩压的预测值和舒张压的预测值作为第二子模型的输入，得到收缩压的血压区间范围和舒张压的血压区间范围

第五方面，本申请实施例提供一种电子设备，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例提供的血压监测方法或者本申请实施例提供的血压监测模型训练方法。

第六方面，本申请实施例提供一种计算机可读存储介质，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行本申请实施例提供的血压监测方法或者血压监测模型训练方法。

本申请实施例提供的血压监测方法，将阵列PPG信号进行预处理，得到对应的标准化的阵列PPG信号和阵列PPG信号对应的图结构的邻接矩阵；基于所述标准化的阵列PPG信号以及所述邻接矩阵，确定所述阵列PPG信号对应的空间特征和时间特征；将所述空间特征和所述时间特征进行特征融合得到空时特征；基于所述空时特征确定血压预测值；基于所述血压预测值，确定所述阵列PPG信号对应的收缩压的血压区间和舒张压的血压区间。本申请的血压监测方法通过对空间特征和时间特征的提取并进融合，提高了血压值预测的准确率以及血压区间预测的准确率。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请实施例提供的血压监测方法的一种可选处理流程示意图；

图2是本申请实施例提供的基于阵列PPG信号构造图数据过程的示意图；

图3是本申请实施例提供的空间特征提取模型结构示意图；

图4是本申请实施例提供的时间特征提取模型结构示意图；

图5是本申请实施例提供的获取血压预测值的流程示意图；

图6是本申请实施例提供的血压监测方法的另一种可选处理流程示意图；

图7是本申请实施例提供的血压监测装置的一种可选结构示意图；

图8是本申请实施例提供的血压监测模型训练方法的一种可选处理流程示意图；

图9是本申请实施例提供的血压监测模型训练方法的另一种可选处理流程示意图；

图10是本申请实施例提供的血压区间的预测结果示意图；

图11是本申请实施例提供的血压监测模型训练装置的一种可选结构示意图；

图12是本申请实施例提供的一种可选电子设备示意性框图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一第二”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一第二”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

下面将介绍本申请实施例提供的一种血压监测方法，参见图1，图1是本申请实施例提供的血压监测方法的一种可选处理流程示意图，下面将结合图1示出的步骤S101-S105进行说明。

步骤S101、将阵列PPG信号进行预处理，得到标准化的阵列PPG信号和所述阵列PPG信号对应的图结构的邻接矩阵。

在一些实施例中，阵列PPG信号包括两个维度，一个维度为时间，另外一个维度为阵列数。如时长为2s的3*3的阵列PPG信号。图2示出的为阵列为3*3的PPG信号，包括v1、v2、v3、v4、v5、v6、v7、v8和v9，一共9路PPG信号。

在一些实施例中，假设原始的阵列PPG信号的序列依次为：s

在一些实施例中，以图2为例，阵列PPG信号为9路的3*3的PPG信号为例，可以使用滑动窗口法，将实时采集的原始阵列PPG信号按照固定的第一长度进行选取，针对每次选取的第一长度的阵列PPG信号，基于每路PPG信号和相邻PPG信号之间的最大互信息系数之和的平均值，构建阵列PPG信号对应的图的邻接矩阵。下述公式(1)示出了阵列PPG信号中两路相邻的PPG信号之间的最大互信息系数的计算公式。

在公式(1)中，V

在基于公式(1)得到阵列PPG信号中每路PPG信号的最大互信息系数之后，将每路PPG信号与相邻的PPG信号之间的最大互信息系数之和的平均值，如公式(2)所示，得到最终构造的邻接矩阵。

在公式(2)中，以

步骤S102、基于所述标准化的阵列PPG信号以及所述邻接矩阵，确定所述阵列PPG信号对应的空间特征和时间特征。

在一些实施例中，可以对标准化的阵列PPG信号和邻接矩阵，通过图卷积神经网络(Graph Convolutional Neural Networks，GCN)模型得到空间特征。通过长短期记忆神经网络(Long Short-term Memory，LSTM)模型得到时间特征。

其中，通过将标准化的阵列PPG信号和邻接矩阵输入图3示出的空间特征提取模型，可以得到阵列PPG信号对应的空间特征。在图3中，空间特征提取模型包括两层图卷积层和一层全连接层。

通过将标准化的阵列PPG信号和邻接矩阵输入图4示出的时间特征提取模型，可以得到阵列PPG信号对应的时间特征。在图4中，时间特征提取模型包括两层LSTM层和一层全连接层。

步骤S103、将所述空间特征和所述时间特征进行特征融合得到空时特征。

在一些实施例中，可以将空间特征和时间特征通过全连接层进行特征融合，得到阵列PPG信号的空时特征。

由于空时特征由空间特征和时间特征经过进行进一步的线性映射得到，消除了不同特征直接由于幅度不同导致对有区分度特征的提取不充分的问题，提取特征更加准确。

步骤S104、基于所述空时特征确定血压预测值。

在一些实施例中，可以基于线性回归算法对融合后的空时特征进行预测，确定血压预测值，其中，血压预测值包括收缩压的预测值和舒张压的预测值。如图5所示，图5示出了获取血压预测值的流示意图。图5的结构包括图3的空间特征提取模型和图4的时间特征提取模型，在基于空间特征提取模型提取到空间特征，以及基于时间特征提取模型提取到时间特征之后，通过全连接层基于空间特征和时间特征得到空时特征，并将空时特征基于回归层进行线性回归计算，确定收缩压的预测值和舒张压的预测值。

步骤S105、基于所述血压预测值，确定收缩压的血压区间范围和舒张压的血压区间范围。

在一些实施例中，可以基于收缩压的预测值和舒张压的预测值，确定收缩压对应的第一上界值和第一下界值，基于第一上界值和第一下界值，确定收缩压的血压区间；

可以基于舒张压的预测值和舒张压的预测值，确定舒张压对应的第二上界值和第二下界值，基于第二上界值和第二下界值，确定舒张压的血压区间。

下面说明本申请实施例提供的血压监测方法的另一种处理流程。参见图6，图6是本申请实施例提供的血压监测方法的另一种可选处理流程示意图。

在一些实施例中，血压监测方法可以基于本申请提出的图卷积神经网络空时特征融合深度学习模型GT-net模型实现。

步骤1、将原始的阵列PPG信号输入预处理单元，得到标准化的阵列PPG信号，以及对应的邻接矩阵。

步骤2、将标准化的阵列PPG信号以及邻接矩阵，通过空间特征提取单元提取对应的空间特征，同时，通过时间特征提取单元提取对应的时间特征。

步骤3、将空间特征和时间特征通过特征融合单元，得到空时特征。

步骤4、将空时特征通过点输出单元，输出血压值，血压值包括收缩压的预测值和舒张压的预测值。

步骤5、将血压值通过高斯过程回归单元，得到收缩压的第一上界值和第一下界值，以及舒张压的第二上界值和第二下界值。

步骤6，将收缩压的第一上界值和第一下界值，以及舒张压的第二上界值和第二下界值通过区间输出单元，输出血压值区间，血压值区间包括收缩压的血压范围和舒张压的血压范围。

下面介绍本申请实施例提供的血压监测装置。图7为本申请实施例提供的血压监测装置的一种可选装置结构示意图，血压监测装置700包括预处理模块701、血压值确定模块702和血压区间确定模块703。其中，

预处理模块701，用于将阵列光电式脉搏波PPG信号进行预处理，得到阵列PPG信号对应的标准化的阵列PPG信号和阵列PPG信号对应的图结构的邻接矩阵；

血压值确定模块702，用于基于所述标准化的阵列PPG信号以及所述邻接矩阵，得到所述阵列PPG信号对应的空间特征和时间特征；将所述空间特征和所述时间特征进行特征融合得到空时特征，基于所述空时特征确定血压预测值；

血压区间确定模块703，用于基于所述血压预测值，确定所述阵列PPG信号对应的收缩压的血压区间和舒张压的血压区间。

在一些实施例中，预处理模块701用于：对所述阵列PPG信号进行标准化处理，得到所述标准化的阵列PPG信号。

在一些实施例中，预处理模块701还用于：基于滑动窗口选取第一长度的阵列PPG信号；针对每次选取的第一长度的阵列PPG信号，基于每路PPG信号与相邻PPG信号之间的最大互信息系数之和的平均值，构建所述邻接矩阵。

在一些实施例中，血压值确定模块702用于：基于图卷积神经网络得到所述阵列PPG信号对应的空间特征；基于长短期记忆神经网络得到所述阵列PP G信号对应的时间特征。

在一些实施例中，血压值确定模块702还用于：将所述空间特征和所述时间特征通过全连接层进行特征融合，得到所述空时特征。

在一些实施例中，血压值确定模块702还用于：基于线性回归算法对所述空时特征进行预测，得到收缩压的预测值和舒张压的预测值。

在一些实施例中，血压区间确定模块703用于基于收缩压的预测值和舒张压的预测值，确定收缩压对应的第一上界值和第一下界值；基于所述第一上界值和所述第一下界值，确定所述收缩压的血压区间；基于收缩压的预测值和舒张压的预测值，确定舒张压对应的第二上界值和第二下界值；基于所述第二上界值和所述第二下界值，确定所述舒张压的血压区间。

需要说明的是，本申请实施例的血压监测装置与上述血压监测方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。对于本申请实施例提供的血压监测装置中未尽的技术细节，可以根据图1至图6中任一附图的说明而理解。

下面将介绍本申请实施例提供的一种血压监测模型的训练方法，本申请提出的血压监测模型为GT-GPR模型，结合图8-图9进行说明。

步骤801、将样本数据集中的阵列PPG信号进行预处理，得到阵列PPG信号对应的标准化的阵列PPG信号以及阵列PPG信号对应的图结构的邻接矩阵，所述样本数据集包括阵列PPG信号以及阵列PPG信号对应的收缩压的标注值和舒张压的标注值。

在一些实施例中，可以采集多个受试者的阵列PPG信号，并获取每个受试者的阵列PPG信号对应的真实的收缩压的值和舒张压的值；

在一些实施例中，对所有的阵列PPG信号进行标准化，得到标准化的阵列PPG信号。

其中，标准化处理的过程为：假设所有的阵列PPG信号的信号序列分别为s

在一些实施例中，对所有的阵列PPG信号基于滑动窗口法进行选取，针对每次选取的固定长度的阵列PPG信号，得到对应的邻接矩阵。

其中，可以针对每次选取的固定长度的阵列PPG信号，基于每路PPG信号和相邻PPG信号之间的最大互信息系数之和的平均值，构建阵列PPG信号对应的图的邻接矩阵。

在一些实施例中，将预处理之后得到的阵列PPG信号作为样本数据，将每个阵列PPG信号对应的收缩压的值和舒张压的值作为样本标签。将样本数据分为测试集和训练集。其中，测试集用于血压监测模型的训练，测试集用于对训练完成的血压监测模型进行测试。

步骤802、将所述标准化的阵列PPG信号以及所述邻接矩阵作为血压监测模型中第一子模型的输入，得到血压预测值，所述血压预测值包括收缩压的预测值和舒张压的预测值。

在一些实施例中，第一子模型为图9中的GT-net模型，由空间特征提取网络、时间特征提取网络、特征融合网络和血压预测值输出构成的GCN-LSTM神经网络模型。

其中，GT-net模型的训练过程为：

基于两层GCN和一层全连接层构成的空间特征提取网络得到阵列PPG信号对应的空间特征；同时，基于两层LSTM和一层全连接层构成的时间特征提取网络得到阵列PPG信号对应的时间特征。将空间特征和时间特征通过全连接层构成的特征融合网络进行特征融合，基于线性回归算法对融合后的空时特征进行血压值的预测，得到血压的预测值，其中，血压预测值包括收缩压的预测值和舒张压的预测值。再根据收缩压的标注值和收缩压的预测值之间的差异，以及舒张压的标注值和舒张压的预测值之间的差异，对GT-net模型的参数进行更新，直到满足训练终止条件，模型完成训练。

步骤803、将所述收缩压的预测值和舒张压的预测值作为第二子模型的输入，得到收缩压的血压区间范围和舒张压的血压区间范围。

在一些实施例中，第二子模型为图9中的GPR模型，第二子模型可以由预测收缩压的血压区间范围的GPR模型和预测舒张压的血压区间范围的GPR模型构成。

其中，预测收缩压的血压区间范围的GPR模型，基于收缩压的预测值进行高斯回归处理，确定收缩压对应的第一上界值和第一下界值，基于第一上界值和第一下界值，确定收缩压的血压区间为包括第一上界值和第一下界值在内的第一上界值和第一下界值之间的血压范围。

预测舒张压的血压区间范围的GPR模型，基于舒张压的预测值进行高斯回归处理，确定舒张压对应的第二上界值和第二下界值，基于第二上界值和第二下界值，确定舒张压的血压区间为包括第二上界值和第二下界值在内的第二上界值和第二下界值之间的血压范围。

综上，第一子模型和第二子模型构成本申请提出的GT-GPR模型，可以利用测试集的数据对训练完毕的GT-GPR模型进行模型验证。

如下表所示，本申请提出的GT-GPR模型使用麻省理工学院计算生理学实验室开发的公开数据集MIMIC-III对SBP(Systolic Blood Pressure，收缩血压)进行验证。点预测采用性能指标MAE(Mean Absolute Error，平均绝对误差)，ME(Mean Error，平均误差)和STD；区间预测采用CP

MC

综上，本申请为充分利用阵列PPG信号的空时域上的信息，将GCN模型和LSTM模型提取的特征进行融合，提出了基于图卷积神经网络空时特征融合深度学习模型GT-net；本申请提出的模型充分利用了各网络的优势，采用GCN提取阵列PPG信号的空域特征，采用LSTM提取阵列PPG信号的时域特征，并实现空时特征的融合，从而实现阵列PPG信号用来血压值测量的特征的充分提取；利用本申请提出的GT-net在收缩压的预测和舒张压的预测取得较高准确率的基础上，本申请结合GPR模型在区间预测上的优势，提出本申请中用于血压值不确定测量的GT-GPR模型，提高了血压区间监测的准确率；本申请提出的模型避免了人工特征所存在的有区分度特征表达不充分的问题，提升了模型的泛化性能，本申请提出的模型更适合基于阵列PPG信号的无袖带血压值的不确定性监测。其中，测试集的收缩压的血压区间和舒张压的区间的预测结果如图10所示。

下面介绍本申请实施例提供的血压监测模型训练装置。图11为本申请实施例提供的血压监测模型训练装置的一种可选装置结构示意图，血压监测模型训练装置1100包括预处理模块1101、血压值确定模块1102和血压区间确定模块1103。其中，

预处理模块1101，用于将样本数据集中的阵列光电式脉搏波PPG信号进行预处理，得到标准化的阵列PPG信号以及所述阵列PPG信号对应的图结构的邻接矩阵，所述样本数据集包括阵列PPG信号以及阵列PPG信号对应的收缩压的标注值和舒张压的标注值；

血压值确定模块1102，用于将所述标准化的阵列PPG信号以及所述邻接矩阵作为血压监测模型中第一子模型的输入，得到血压预测值，所述血压预测值包括收缩压的预测值和舒张压的预测值；

血压区间确定模块1103，用于将所述收缩压的预测值和舒张压的预测值作为第二子模型的输入，得到收缩压的血压区间范围和舒张压的血压区间范围。

在一些实施例中，预处理模块1101用于：将样本数据集中的阵列光电式脉搏波PPG信号进行预处理，得到标准化的阵列PPG信号以及所述阵列PPG信号对应的图结构的邻接矩阵，所述样本数据集包括阵列PPG信号以及阵列PPG信号对应的收缩压的标注值和舒张压的标注值；将所述标准化的阵列PPG信号以及所述邻接矩阵作为血压监测模型中第一子模型的输入，得到血压预测值，所述血压预测值包括收缩压的预测值和舒张压的预测值；将所述收缩压的预测值和舒张压的预测值作为第二子模型的输入，得到收缩压的血压区间范围和舒张压的血压区间范围。

在一些实施例中，血压值确定模块1102用于：基于图卷积神经网络得到所述阵列PPG信号对应的空间特征；基于长短期记忆神经网络得到所述阵列PPG信号对应的时间特征；将所述空间特征和所述时间特征通过全连接层进行特征融合，基于线性回归算法对融合后的空时特征进行预测，得到收缩压的预测值和舒张压的预测值；其中，所述第一子模型基于收缩压的标注值和收缩压的预测值之间的差异，以及所述舒张压的标注值和所述舒张压的预测值之间的差异，调整所述第一子模型的参数，进行模型训练。

在一些实施例中，血压区间确定模块1103用于：所述第二子模型基于所述收缩压的预测值进行高斯回归处理，确定所述收缩压对应的第一上界值和第一下界值，基于所述第一上界值和所述第一下界值，确定所述收缩压的血压区间；所述第二子模型基于所述舒张压的预测值进行高斯回归处理，确定舒张压对应的第二上界值和第二下界值，基于所述第二上界值和所述第二下界值，确定所述舒张压的血压区间。

图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备1200用于实施本公开实施例的血压监测方法或者血压监测模型训练方法。在一些可选实施例中，电子设备1200可以通过运行计算机程序来实现本申请实施例提供的血压监测方法或者血压监测模型的训练方法，例如，计算机程序可以是操作系统中的软件模块；可以是本地(Native)APP(Appli cation，应用程序)，即需要在操作系统中安装才能运行的程序；也可以是小程序，即只需要下载到浏览器环境中就可以运行的程序；还可以是能够嵌入至任意APP中的小程序。总而言之，上述计算机程序可以是任意形式的应用程序、模块或插件。

在实际应用中，电子设备1200可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器，其中，云技术(Cloud Technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。电子设备1200可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能电视、智能手表等，但并不局限于此。

电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备、车载终端和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图12所示，电子设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM 1203中，还可存储电子设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。

电子设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206，例如键盘、鼠标等；输出单元1207，例如各种类型的显示器、扬声器等；存储单元1208，例如磁盘、光盘等；以及通信单元1209，例如网卡、调制解调器、无线通信收发机等。通信单元1209允许电子设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理，例如血压监测方法或者血压监测模型的训练方法。例如，在一些可选实施例中，血压监测方法或者血压监测模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1208。在一些可选实施例中，计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到电子设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的血压监测方法或者血压监测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为血压监测方法或者血压监测模型的训练方法。

本申请实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的血压监测方法或者血压监测模型的训练方法。

在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

应理解，在本申请的各种实施例中，各实施过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

以上，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。