[發明專利]無袖式血壓測量方法、系統、設備及存儲介質

有效

• 申請號: 202110608383.0
• 申請日: 2021-06-01
• 公開（公告）號: CN113180623B
• 公開（公告）日: 2023-06-16
• 發明（設計）人: 楊公平;盛怡璇;孫啟玉;張永忠;劉圓圓;劉曉芳
• 申請（專利權）人: 山東大學;山東鋒士信息技術有限公司
• 主分類號: A61B5/021
• 分類號: A61B5/021;G06N3/006
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

1.一種無袖式血壓測量系統，其特征是，包括：

獲取模塊，其被配置為：獲取待處理的光電容積脈搏波信號；

預處理模塊，其被配置為：對待處理的光電容積脈搏波信號進行預處理；

特征提取模塊，其被配置為：對預處理后的信號進行特征提取，提取波形輪廓特征和時域特征，具體包括：心動周期、收縮間期、舒張間期、脈沖面積；

光電容積脈搏波信號振幅為10％的舒張期內的時間間隔、光電容積脈搏波信號振幅為10％的舒張期內的時間間隔與光電容積脈搏波信號振幅為10％的收縮期內的時間間隔的求和結果、光電容積脈搏波信號振幅為10％的舒張期內的時間間隔與光電容積脈搏波信號振幅為10％的收縮期內的時間間隔的比值；

光電容積脈搏波信號振幅為25％的舒張期內的時間間隔、光電容積脈搏波信號振幅為25％的舒張期內的時間間隔與光電容積脈搏波信號振幅為25％的收縮期內的時間間隔的求和結果、光電容積脈搏波信號振幅為25％的舒張期內的時間間隔與光電容積脈搏波信號振幅為25％的收縮期內的時間間隔的比值；

光電容積脈搏波信號振幅為33％的舒張期內的時間間隔、光電容積脈搏波信號振幅為33％的舒張期內的時間間隔與光電容積脈搏波信號振幅為33％的收縮期內的時間間隔的求和結果、光電容積脈搏波信號振幅為33％的舒張期內的時間間隔與光電容積脈搏波信號振幅為33％的收縮期內的時間間隔的比值；

光電容積脈搏波信號振幅為50％的舒張期內的時間間隔、光電容積脈搏波信號振幅為50％的舒張期內的時間間隔與光電容積脈搏波信號振幅為50％的收縮期內的時間間隔的求和結果、光電容積脈搏波信號振幅為50％的舒張期內的時間間隔與光電容積脈搏波信號振幅為50％的收縮期內的時間間隔的比值；

光電容積脈搏波信號振幅為66％的舒張期內的時間間隔、光電容積脈搏波信號振幅為66％的舒張期內的時間間隔與光電容積脈搏波信號振幅為66％的收縮期內的時間間隔的求和結果、光電容積脈搏波信號振幅為66％的舒張期內的時間間隔與光電容積脈搏波信號振幅為66％的收縮期內的時間間隔的比值；

特征篩選模塊，其被配置為：對特征提取得到的特征，采用隨機森林算法進行最優特征篩選，得到最優特征子集，具體包括：

(1)獲取特征全集構成的數據集S；

(2)計算隨機森林中每個特征變量的重要性并按照降序排序；

(3)確定刪除比例，從當前特征變量中刪除相對不重要的指標，然后得到一個新的特征集；

(4)用新的特征集建立新的隨機森林，重復步驟(2)～(3)，直至剩下m個特征；

(5)根據前面步驟得到每個特征集和它們建立起來的隨機森林，計算對應的袋外誤差率OOB?err，將袋外誤差率最低的特征集作為最優特征子集；

輸出模塊，其被配置為：將最優特征，輸入到訓練后的收縮壓預測模型中，輸出預測的收縮壓；將最優特征，輸入到訓練后的舒張壓預測模型中，輸出預測的舒張壓；

其中，訓練后的收縮壓預測模型，訓練過程包括：構建第一訓練集，所述第一訓練集為已知收縮壓值的光電容積脈搏波信號的最優特征子集，采用梯度提升決策樹算法，建立收縮壓預測模型，將第一訓練集，輸入到收縮壓預測模型中，對收縮壓模型進行訓練，得到訓練后的收縮壓預測模型；訓練后的舒張壓預測模型，訓練過程包括：構建第二訓練集，所述第二訓練集為已知舒張壓值的光電容積脈搏波信號的最優特征子集，采用梯度提升決策樹算法，建立舒張壓預測模型，將第二訓練集，輸入到舒張壓預測模型中，對舒張壓模型進行訓練，得到訓練后的舒張壓預測模型；

其中，采用梯度提升決策樹算法，建立收縮壓預測模型；將第一訓練集，輸入到收縮壓預測模型中，對收縮壓模型進行訓練，得到訓練后的收縮壓預測模型，具體包括：

輸入：訓練集B＝{((x_i，y_i)(i＝1，2，…N))}，其中x_i代表第i個PPG樣本經過特征選擇由最優特征構成的特征向量，y_i是第i個樣本對應的實際收縮壓值，訓練集樣本數目為N；

對弱學習器進行初始化：

其中，最大迭代次數M，γ是使損失函數L最小化的常數，y_i是實際收縮壓值且p(x_i)是預測值，損失函數L選取平方誤差損失函數：

計算每個樣本i＝1，2，…，N的負梯度：

將上一步計算的數據(x_i,γ_im)(i＝1,2,...N,m＝1,2,...M)作為下棵樹的訓練數據，得到一顆新的回歸樹f_m(x)，其對應的葉子節點區域為R_m,j，其中j＝1，2，…J，J為回歸樹m的葉子結點的個數；

對葉子區域j＝1，2，…J，計算最佳擬合值γ_mj：

更新強學習器f_m(x)：

得到強學習器f(x)：

強學習器f(x)即為訓練后的收縮壓預測模型。