本發(fā)明涉及血壓測量領域，特別是涉及基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量方法及系統(tǒng)。

背景技術：

名詞解釋：

SBP：Systolic Blood Pressure，收縮壓；

DBP：Diastolicblood Pressure，舒張壓。

血壓是血液在血管內流動時作用于血管壁的壓力，它是推動血液在血管內流動的動力。心室收縮時，血液從心室流入動脈，此時血液對動脈的壓力最高，稱為收縮壓。心室舒張，動脈血管彈性回縮，血液仍慢慢繼續(xù)向前流動，但血壓下降，此時的壓力稱為舒張壓。血壓是反映人體心血管系統(tǒng)機能的重要生理參數(shù)，在醫(yī)療上，對于手術中的危重病人要通過血壓來反映病人的生命體征；在家庭保健上，對于被測者的心血管疾病的預防也起著至關重要的作用。然而，目前臨床上所采用的血壓測量方式主要以間歇式為主，由于血壓的波動每時每刻都在發(fā)生變化，因此連續(xù)血壓測量方法在臨床醫(yī)療和家庭保健上都有重要的意義。

目前在連續(xù)血壓的測量方法上，可以分為無創(chuàng)和有創(chuàng)兩種方法。有創(chuàng)連續(xù)血壓測量方法測量精度高，但是由于其操作復雜受測者易感染等因素，不能夠得到業(yè)界的普遍認可。在無創(chuàng)連續(xù)血壓的測量方法中，又可分為脈搏波傳播速度法(PWV)和脈搏波特征參數(shù)法。脈搏波傳播速度法：由一路心電信號和一路脈搏信號得出，通過計算出心電峰值點與脈搏波峰值點之間的傳播時間，進而得到脈搏的傳播速度(PWV)，再通過得到的PWV建立起一個線性血壓回歸方程，最終實現(xiàn)對血壓的連續(xù)估計。該種方法由于從血容積描記(PPG)信號獲得的血壓與脈搏速度之間的關系非線性，因此在進行血壓的實時測量的過程中計算誤差比較大。脈搏波特征參數(shù)法：即從每個脈搏波動周期中提取出相應的特征點，如脈搏波降中峽的相對高度(h/H)、重搏波的相對高度(g/H)、收縮期時間、舒張期時間等，通過對以上所得到的特征進行回歸分析最終建立起回歸方程實現(xiàn)對血壓的連續(xù)測量。該種方法只是應用了特定時刻的特征點與該時刻血壓所存在的對應關系，忽略了其上一時刻脈搏特征對當前血壓的影響，因此并沒有實現(xiàn)真正意義上的血壓預測。因此，總的來說，目前的血壓測量方法無法較為準確的測量獲得連續(xù)血壓測量值。

技術實現(xiàn)要素：

為了解決上述的技術問題，本發(fā)明的目的是提供基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量方法，本發(fā)明的另一目的是提供基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量系統(tǒng)。

本發(fā)明解決其技術問題所采用的技術方案是：

基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量方法，包括步驟：

S1、測量獲得被測者的實時的脈搏波信號；

S2、對脈搏波信號進行去噪處理；

S3、對去噪后的脈搏波信號進行特征點提取；

S4、將提取獲得的脈搏波信號的特征點作為Elman神經(jīng)網(wǎng)絡的輸入，進行采用訓練好的Elman神經(jīng)網(wǎng)絡模型對血壓值進行預測，將獲得的預測值作為連續(xù)血壓測量值。

進一步，還包括以下的神經(jīng)網(wǎng)絡訓練步驟：

S01、同步測量獲得多個被測者的實時的脈搏波信號和血壓值信號；

S02、對脈搏波信號進行去噪處理；

S03、對去噪后的脈搏波信號進行特征點提?。?/p>

S04、將特征點與血壓值信號的血壓值建立實時對應關系；

S05、建立Elman神經(jīng)網(wǎng)絡，并將脈搏波信號的特征點作為神經(jīng)網(wǎng)絡的訓練集的輸入值，將血壓值作為神經(jīng)網(wǎng)絡的訓練集的輸出值；

S06、對神經(jīng)網(wǎng)絡進行訓練優(yōu)化，直到訓練參數(shù)滿足預設條件后，獲得訓練好的神經(jīng)網(wǎng)絡訓練模型。

進一步，所述步驟S02，其具體包括：

S021、采用基于中值濾波方法去除脈搏波信號的基線漂移干擾；

S022、采用FIR濾波器去除脈搏波信號的高頻噪聲。

進一步，所述步驟S03，其具體包括：

S031、采用三次樣條插值法對去噪后的脈搏波信號進行插值處理；

S032、采用差分閾值法對插值處理后的脈搏波信號進行特征點提取。

進一步，所述Elman神經(jīng)網(wǎng)絡由輸入矩陣、輸入層、隱含層、上下文層、輸出層和輸出矩陣組成，所述步驟S06，其具體包括：

S061、分別設定Elman神經(jīng)網(wǎng)絡的閾值以及上下文層到隱含層、輸入層到隱含層、隱含層到輸出層之間的權值；

S062、獲取訓練集中的輸入值作為神經(jīng)網(wǎng)絡的輸入矩陣；

S063、根據(jù)神經(jīng)網(wǎng)絡各層之間的權值和神經(jīng)網(wǎng)絡的輸入矩陣，依次計算輸入層的輸出、隱含層的輸出、上下文層的輸出；

S064、計算獲得神經(jīng)網(wǎng)絡的輸出矩陣；

S065、計算輸出矩陣與訓練集中對應的輸出值之間的誤差函數(shù)值，并根據(jù)預設的誤差閾值和步長閾值判斷是否滿足預設條件，若是，則將當前神經(jīng)網(wǎng)絡模型作為訓練好的神經(jīng)網(wǎng)絡模型，反之，對神經(jīng)網(wǎng)絡進行權值更新和閥值更新后，返回步驟S063重新訓練。

進一步，所述預設條件為誤差函數(shù)值不大于預設的誤差閾值或訓練步長不小于預設的步長閾值。

本發(fā)明解決其技術問題所采用的另一技術方案是：

基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量系統(tǒng)，包括手機終端模塊、終端服務器模塊、用于采集被測者的脈搏波信號的脈搏信號采集模塊和用于采集被測者的血壓值信號的血壓采集模塊，所述血壓采集模塊與終端服務器模塊連接，所述手機終端模塊用于對脈搏波信號進行實時顯示并對其進行去噪處理和特征點提取，所述終端服務器模塊用于將提取獲得的脈搏波信號的特征點作為Elman神經(jīng)網(wǎng)絡的輸入，并采用訓練好的Elman神經(jīng)網(wǎng)絡模型對血壓值進行預測，將獲得的預測值作為連續(xù)血壓測量值，并將連續(xù)血壓測量值返回到手機終端模塊進行顯示。

進一步，所述脈搏信號采集模塊包括反射式光電脈搏傳感器。

進一步，所述血壓采集模塊采用無線袖帶血壓計，所述無線袖帶血壓計與手機終端模塊之間通過無線通信方式連接。

進一步，所述終端服務器模塊還用于獲取多個被測者的脈搏波信號的特征點和血壓值信號后，進行如下的訓練步驟：

將脈搏波信號的特征點與血壓值信號的血壓值建立實時對應關系；

建立Elman神經(jīng)網(wǎng)絡，并將脈搏波信號的特征點作為神經(jīng)網(wǎng)絡的訓練集的輸入值，將血壓值作為神經(jīng)網(wǎng)絡的訓練集的輸出值；

對神經(jīng)網(wǎng)絡進行訓練優(yōu)化，直到訓練參數(shù)滿足預設條件后，獲得訓練好的神經(jīng)網(wǎng)絡訓練模型。

本發(fā)明的有益效果是：本發(fā)明的基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量方法，包括步驟：S1、測量獲得被測者的實時的脈搏波信號；S2、對脈搏波信號進行去噪處理；S3、對去噪后的脈搏波信號進行特征點提?。籗4、將提取獲得的脈搏波信號的特征點作為Elman神經(jīng)網(wǎng)絡的輸入，進行采用訓練好的Elman神經(jīng)網(wǎng)絡模型對血壓值進行預測，將獲得的預測值作為連續(xù)血壓測量值。本方法基于Elman神經(jīng)網(wǎng)絡，可以準確的預測出血壓值，具有較好的準確性和穩(wěn)定性。

本發(fā)明的另一有益效果是：基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量系統(tǒng)，包括手機終端模塊、終端服務器模塊、用于采集被測者的脈搏波信號的脈搏信號采集模塊和用于采集被測者的血壓值信號的血壓采集模塊，所述血壓采集模塊與終端服務器模塊連接，所述手機終端模塊用于對脈搏波信號進行實時顯示并對其進行去噪處理和特征點提取，所述終端服務器模塊用于將提取獲得的脈搏波信號的特征點作為Elman神經(jīng)網(wǎng)絡的輸入，并采用訓練好的Elman神經(jīng)網(wǎng)絡模型對血壓值進行預測，將獲得的預測值作為連續(xù)血壓測量值，并將連續(xù)血壓測量值返回到手機終端模塊進行顯示。本系統(tǒng)基于Elman神經(jīng)網(wǎng)絡，可以準確的預測出血壓值，具有較好的準確性和穩(wěn)定性。

附圖說明

下面結合附圖和實施例對本發(fā)明作進一步說明。

圖1是本發(fā)明的基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量方法的流程示意圖；

圖2是本發(fā)明的基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量方法中提取的脈搏波特征點示意圖；

圖3是本發(fā)明所采用的Elman神經(jīng)網(wǎng)絡的結構圖；

圖4是本發(fā)明的本發(fā)明的基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量方法的Elman神經(jīng)網(wǎng)絡學習算法具體流程圖；

圖5是本發(fā)明實施例一通過Elman神經(jīng)網(wǎng)絡模型對一名健康男性的血壓預測與實際值的對比圖；

圖6是本發(fā)明實施例一通過Elman神經(jīng)網(wǎng)絡模型對一名健康女性的血壓預測與實際值的對比圖；

圖7是本發(fā)明的基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量系統(tǒng)的整體結構連接框圖。

具體實施方式

參照圖1，本發(fā)明提供了一種基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量方法，包括步驟：

S1、測量獲得被測者的實時的脈搏波信號；

S2、對脈搏波信號進行去噪處理；

S3、對去噪后的脈搏波信號進行特征點提?。?/p>

S4、將提取獲得的脈搏波信號的特征點作為Elman神經(jīng)網(wǎng)絡的輸入，進行采用訓練好的Elman神經(jīng)網(wǎng)絡模型對血壓值進行預測，將獲得的預測值作為連續(xù)血壓測量值。

進一步作為優(yōu)選的實施方式，還包括以下的神經(jīng)網(wǎng)絡訓練步驟：

S01、同步測量獲得多個被測者的實時的脈搏波信號和血壓值信號；

S02、對脈搏波信號進行去噪處理；

S03、對去噪后的脈搏波信號進行特征點提??；

S04、將特征點與血壓值信號的血壓值建立實時對應關系；

S05、建立Elman神經(jīng)網(wǎng)絡，并將脈搏波信號的特征點作為神經(jīng)網(wǎng)絡的訓練集的輸入值，將血壓值作為神經(jīng)網(wǎng)絡的訓練集的輸出值；

S06、對神經(jīng)網(wǎng)絡進行訓練優(yōu)化，直到訓練參數(shù)滿足預設條件后，獲得訓練好的神經(jīng)網(wǎng)絡訓練模型。

進一步作為優(yōu)選的實施方式，所述步驟S02，其具體包括：

S021、采用基于中值濾波方法去除脈搏波信號的基線漂移干擾；

S022、采用FIR濾波器去除脈搏波信號的高頻噪聲。

進一步作為優(yōu)選的實施方式，所述步驟S03，其具體包括：

S031、采用三次樣條插值法對去噪后的脈搏波信號進行插值處理；

S032、采用差分閾值法對插值處理后的脈搏波信號進行特征點提取。

進一步作為優(yōu)選的實施方式，所述Elman神經(jīng)網(wǎng)絡由輸入矩陣、輸入層、隱含層、上下文層、輸出層和輸出矩陣組成，所述步驟S06，其具體包括：

S061、分別設定Elman神經(jīng)網(wǎng)絡的閾值以及上下文層到隱含層、輸入層到隱含層、隱含層到輸出層之間的權值；

S062、獲取訓練集中的輸入值作為神經(jīng)網(wǎng)絡的輸入矩陣；

S063、根據(jù)神經(jīng)網(wǎng)絡各層之間的權值和神經(jīng)網(wǎng)絡的輸入矩陣，依次計算輸入層的輸出、隱含層的輸出、上下文層的輸出；

S064、計算獲得神經(jīng)網(wǎng)絡的輸出矩陣；

S065、計算輸出矩陣與訓練集中對應的輸出值之間的誤差函數(shù)值，并根據(jù)預設的誤差閾值和步長閾值判斷是否滿足預設條件，若是，則將當前神經(jīng)網(wǎng)絡模型作為訓練好的神經(jīng)網(wǎng)絡模型，反之，對神經(jīng)網(wǎng)絡進行權值更新和閥值更新后，返回步驟S063重新訓練。

進一步作為優(yōu)選的實施方式，所述預設條件為誤差函數(shù)值不大于預設的誤差閾值或訓練步長不小于預設的步長閾值。

參照圖7，本發(fā)明還提供了一種基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量系統(tǒng)，包括手機終端模塊、終端服務器模塊、用于采集被測者的脈搏波信號的脈搏信號采集模塊和用于采集被測者的血壓值信號的血壓采集模塊，所述血壓采集模塊與終端服務器模塊連接，所述手機終端模塊用于對脈搏波信號進行實時顯示并對其進行去噪處理和特征點提取，所述終端服務器模塊用于將提取獲得的脈搏波信號的特征點作為Elman神經(jīng)網(wǎng)絡的輸入，并采用訓練好的Elman神經(jīng)網(wǎng)絡模型對血壓值進行預測，將獲得的預測值作為連續(xù)血壓測量值，并將連續(xù)血壓測量值返回到手機終端模塊進行顯示。

進一步作為優(yōu)選的實施方式，所述脈搏信號采集模塊包括反射式光電脈搏傳感器。

進一步作為優(yōu)選的實施方式，所述血壓采集模塊采用無線袖帶血壓計，所述無線袖帶血壓計與手機終端模塊之間通過無線通信方式連接。

進一步作為優(yōu)選的實施方式，所述終端服務器模塊還用于獲取多個被測者的脈搏波信號的特征點和血壓值信號后，進行如下的訓練步驟：

將脈搏波信號的特征點與血壓值信號的血壓值建立實時對應關系；

建立Elman神經(jīng)網(wǎng)絡，并將脈搏波信號的特征點作為神經(jīng)網(wǎng)絡的訓練集的輸入值，將血壓值作為神經(jīng)網(wǎng)絡的訓練集的輸出值；

對神經(jīng)網(wǎng)絡進行訓練優(yōu)化，直到訓練參數(shù)滿足預設條件后，獲得訓練好的神經(jīng)網(wǎng)絡訓練模型。

以下結合具體實施例對本發(fā)明做詳細說明。

實施例一

參照圖1，一種基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量方法，包括步驟：

S1、測量獲得被測者的實時的脈搏波信號；

S2、對脈搏波信號進行去噪處理；

S3、對去噪后的脈搏波信號進行特征點提??；

S4、將提取獲得的脈搏波信號的特征點作為Elman神經(jīng)網(wǎng)絡的輸入，進行采用訓練好的Elman神經(jīng)網(wǎng)絡模型對血壓值進行預測，將獲得的預測值作為連續(xù)血壓測量值。

應用Elman神經(jīng)網(wǎng)絡模型進行預測之前，還包括以下的神經(jīng)網(wǎng)絡訓練步驟：

S01、同步測量獲得多個被測者的實時的脈搏波信號和血壓值信號，其中，血壓值信號包括舒張壓DBP和收縮壓SBP；

S02、對脈搏波信號進行去噪處理；

S03、對去噪后的脈搏波信號進行特征點提取；

S04、將特征點與血壓值信號的血壓值建立實時對應關系；

S05、建立Elman神經(jīng)網(wǎng)絡，并將脈搏波信號的特征點作為神經(jīng)網(wǎng)絡的訓練集的輸入值，將血壓值作為神經(jīng)網(wǎng)絡的訓練集的輸出值；

S06、對神經(jīng)網(wǎng)絡進行訓練優(yōu)化，直到訓練參數(shù)滿足預設條件后，獲得訓練好的神經(jīng)網(wǎng)絡訓練模型。

步驟S02，具體包括：

S021、采用基于中值濾波方法去除脈搏波信號的基線漂移干擾：首先根據(jù)得到的脈搏波數(shù)據(jù)定義一個長度為奇數(shù)的L長窗口，L＝2*N+1，N為正整數(shù)。對窗口內的數(shù)據(jù)從(a(i),a(i+1),...,a(i+2N))按照由小到大的順序進行排列，a(i)代表脈搏波的數(shù)據(jù)序列，其中a(med)為位于窗口中心的信號樣本值。對于這L 個信號值按照從小到大的順序排列后，其中值在med處的樣本值便定義為中值濾波的輸出值。

S022、采用FIR濾波器去除脈搏波信號的高頻噪聲。通過中值濾波的方法只是去除了脈搏信號的基線漂移，并沒有起到濾除脈搏信號高頻干擾的作用。因此，在本發(fā)明中采用FIR濾波器來實現(xiàn)對高頻噪聲的去除，采用21階海明窗對采集到的脈搏信號進行高頻去噪。脈搏信號的采樣頻率f_s為250Hz，截止頻率f_c設定為30Hz，可得數(shù)字濾波器的指數(shù)為w_c＝2*f_c/f_s＝0.24。至此，通過中值濾波和FIR濾波器的設計最終實現(xiàn)了對脈搏波信號去噪。

步驟S03，其具體包括：

S031、采用三次樣條插值法對去噪后的脈搏波信號進行插值處理；

S032、采用差分閾值法對插值處理后的脈搏波信號進行特征點提取。

具體的，步驟S03的脈搏波特征點提取方法如下：采用差分閾值的方法實現(xiàn)對脈搏波特征點提取。該方法可以分為以下3個步驟：(1)插值；(2)差分；(3)特征點提取。在本發(fā)明中，使用三次樣條插值法實現(xiàn)其中的插值算法。

三次樣條插值法可以確保被插值脈搏函數(shù)具有連續(xù)的一階和二階導數(shù)，有利于后面的差分變化。由于脈搏波的各個特征點之間的差分值的區(qū)別比較大，因此通過此種方法能夠準確的確定脈搏波中各個特征點之間的位置。最終實現(xiàn)脈搏波特征點的檢測。特征點提取后，如圖2所示，圖2表示所采集到的脈搏波波形，以及其所對應的特征點。脈搏波的特征點主要有脈搏波起點o所對應的幅度值h、脈搏波峰值點p所對應的幅度值H、脈搏波降中峽d所對應的幅度值g、脈搏波重搏波的峰值點所對應的幅度值w、收縮期時間t1、舒張期時間t2。

本發(fā)明選擇Elman神經(jīng)網(wǎng)絡算法實現(xiàn)對血壓的連續(xù)估計能夠滿足脈搏波與血壓的非線性關系和對血壓的預測功能。與前饋神經(jīng)網(wǎng)絡不同，“遞歸神經(jīng)網(wǎng)絡”允許網(wǎng)絡中出現(xiàn)環(huán)形結構，從而可讓一些神經(jīng)元的輸出反饋回來作為輸入信號。這樣的結構與信息反饋過程，使得網(wǎng)絡在t時刻的輸出狀態(tài)不僅與t時刻的輸入有關，還與t-1時刻的網(wǎng)絡狀態(tài)有關，從而能夠處理與時間有關的動態(tài)變化。本發(fā)明就是運用了該算法的這一特點，通過血壓隨著脈搏波特征點動態(tài)變化這一特性實現(xiàn)對血壓的連續(xù)預測。

如圖3所示，Elman神經(jīng)網(wǎng)絡由輸入矩陣、輸入層、隱含層、上下文層、輸出層和輸出矩陣組成，圖3中，輸入層和上下文層均具有多個輸入節(jié)點，隱含層具有兩個節(jié)點，輸出層包括兩個輸出節(jié)點，分別為舒張壓DBP和收縮壓SBP，如圖4所示，步驟S06，其具體包括：

S061、分別設定Elman神經(jīng)網(wǎng)絡的閾值以及上下文層到隱含層、輸入層到隱含層、隱含層到輸出層之間的權值分別為w₁、w₂、w₃；

S062、獲取訓練集中的輸入值作為神經(jīng)網(wǎng)絡的輸入矩陣A_train，A_train＝[h_t-1,H_t-1,g_t-1；h_t,H_t,g_t]，其中，h表示起點的幅度，H表示峰值點的幅度，g表示重搏波的幅度。

S063、根據(jù)神經(jīng)網(wǎng)絡各層之間的權值w₁、w₂、w₃和神經(jīng)網(wǎng)絡的輸入矩陣A_train，依次計算輸入層的輸出w₂*A_train、隱含層的輸出x(k)、上下文層的輸出x_c(k)；

S064、計算獲得神經(jīng)網(wǎng)絡的輸出矩陣[SBP_train,DBP_train]；

S065、計算輸出矩陣與訓練集中對應的輸出值之間的誤差函數(shù)值，并根據(jù)預設的誤差閾值E_expect和步長閾值n判斷是否滿足預設條件，若是，則將當前神經(jīng)網(wǎng)絡模型作為訓練好的神經(jīng)網(wǎng)絡模型，反之，對神經(jīng)網(wǎng)絡進行權值更新和閥值更新后，返回步驟S063重新訓練。

誤差函數(shù)值計算方式如下：

其中，[SBP_expect,DBP_expect]表示訓練集中對應的輸出值，即實際測量獲得的血壓值。

本實施例中，預設條件為誤差函數(shù)值E不大于預設的誤差閾值E_expect或訓練步長k不小于預設的步長閾值n。具體的，如果得到的E≤E_expect那么該算法不再進行各個閾值和權值的調整和優(yōu)化，算法結束，保存當前訓練的閾值和權值，得到神經(jīng)網(wǎng)絡的訓練模型net。如果E>E_expect并且k<n，該算法將繼續(xù)進行，系統(tǒng)將繼續(xù)按照誤差梯度下降原理進行權值和閾值的優(yōu)化，直到k≥n或者E≤E_expect時該算法停止最終得到神經(jīng)網(wǎng)絡的訓練模型net。如果E>E_expect但是k>n，停止對參數(shù)的優(yōu)化，將最后一次循環(huán)所得到的各個參數(shù)保存得到Elman神經(jīng)網(wǎng)絡的訓練模型net。

最終得到了該Elman神經(jīng)網(wǎng)絡的訓練模型的內部結構為：

x(k)＝f(w₁*x_c(k)+w₂*A_train)

x_c(k)＝α*x_c(k-1)+x(k-1)

[SBP_train,DBP_train]＝g(w₃*x(k))

在上述公式中α為自連接反饋增益因子，f(x)取為sigmoid函數(shù)，即：

在上述式中g(x)取為線性函數(shù)，即：

g(x)＝k*x+c

驗證試驗：

平均誤差計算公式為：

均方根誤差計算公式：

其中，y為用本發(fā)明提供的連續(xù)血壓測量方法預測得到的血壓值，x為實際的血壓值，n為樣本數(shù)，i表示下標。

步驟S2中對脈搏波信號進行去噪處理的詳細步驟與步驟S02相同，步驟S3中對去噪后的脈搏波信號進行特征點提取的詳細步驟與步驟S03相同，本申請不再贅述。

通過本實施例建立的基于Elman神經(jīng)網(wǎng)絡的連續(xù)血壓測量模型對5名測試者進行了測量，得到的預測結果與實際值的比較如下表1所示。

表1

如表1所示，對于每一位受試者，使用本發(fā)明提供的連續(xù)血壓測量方法預測測得的收縮壓和舒張壓，和實際值比較，平均誤差和標準誤差都滿足美國醫(yī)療器械促進學會(Association for the Advancement of Medical Instrumentation，AAMI)推薦的平均誤差不超過5mmHg這一標準、標準誤差不超過8mmHg的標準。

常人一天中血壓的波動幅度在20-30mmHg。在睡眠的影響下，人一天的血壓有兩個高峰和2個低谷：早起6-8點為第一個高峰；8點后開始下降，到中午12點至下午2點為第一個低谷；然后血壓開始上升，到下午5-8點為第二個高峰；此后血壓下降，到凌晨1-2點為全天最低點，也就是說第二個低谷，然后血壓逐漸上升。由于人體的血壓在一天中變化幅度是比較大的，因此為了排除在同一時刻測量血壓變化幅度小的這一局限性。本文又對兩名測試者(一名男性和一名女性)進行了不同時間段血壓的連續(xù)測量。測量結果與實際值的對比分別如下表2、3所示，表2中展示了對男性的預測結果與實際值的對比，表3中展示了對女性的預測結果與實際值的對比：

表2

表3

表2和表3中對應的預測結果與實際值的對比如圖5和圖6中，DBP和SBP表示實際值，DBP_predict和SBP_predict表示預測值，橫坐標point表示預測數(shù)值點。通過上述的兩個測試的分析可以得到無論是在血壓短時間內的連續(xù)測量，還是在血壓發(fā)生較大的波動時進行測量該方法均能較為準確的預測出血壓值。這反映出該發(fā)明具有較好的準確性和穩(wěn)定性。

實施例二

參照圖7，本發(fā)明還提供了一種基于Elman神經(jīng)網(wǎng)絡的云端連續(xù)血壓測量系統(tǒng)，包括手機終端模塊、終端服務器模塊、用于采集被測者的脈搏波信號的脈搏信號采集模塊和用于采集被測者的血壓值信號的血壓采集模塊，血壓采集模塊與終端服務器模塊連接，手機終端模塊用于對脈搏波信號進行實時顯示并對其進行去噪處理和特征點提取，終端服務器模塊用于將提取獲得的脈搏波信號的特征點作為Elman神經(jīng)網(wǎng)絡的輸入，并采用訓練好的Elman神經(jīng)網(wǎng)絡模型對血壓值進行預測，將獲得的預測值作為連續(xù)血壓測量值，并將連續(xù)血壓測量值返回到手機終端模塊進行顯示。

本實施例中，脈搏信號采集模塊包括反射式光電脈搏傳感器。血壓采集模塊采用無線袖帶血壓計，反射式光電脈搏傳感器、無線袖帶血壓計與手機終端模塊之間通過藍牙無線通信方式連接。手機終端模塊對脈搏波信號進行特征點提取，并將無線袖帶血壓計測量的血壓值發(fā)送到終端服務器模塊，終端服務器模塊與手機終端模塊之間通過Wifi通信方式連接。

本實施例中，終端服務器模塊還用于獲取多個被測者的脈搏波信號的特征點和血壓值信號后，進行如下的訓練步驟：

將脈搏波信號的特征點與血壓值信號的血壓值建立實時對應關系；

建立Elman神經(jīng)網(wǎng)絡，并將脈搏波信號的特征點作為神經(jīng)網(wǎng)絡的訓練集的輸入值，將血壓值作為神經(jīng)網(wǎng)絡的訓練集的輸出值；

對神經(jīng)網(wǎng)絡進行訓練優(yōu)化，直到訓練參數(shù)滿足預設條件后，獲得訓練好的神經(jīng)網(wǎng)絡訓練模型。

即實施例中的特征點提取步驟是手機終端模塊實現(xiàn)的，神經(jīng)網(wǎng)絡訓練和神經(jīng)網(wǎng)絡預測步驟是由終端服務器模塊實現(xiàn)的。手機終端模塊采用Android手機端，主要作用如下：(1)Android手機端用于接收由反射式光電脈搏傳感器和無線袖帶血壓計所發(fā)送的脈搏信號和血壓值；(2)Android手機端用于實時顯示脈搏波的動態(tài)變化，同時對脈搏波進行去噪和特征點提取等操作；(3)用于接收由服務器終端所發(fā)送的血壓值。

以上是對本發(fā)明的較佳實施進行了具體說明，但本發(fā)明創(chuàng)造并不限于實施例，熟悉本領域的技術人員在不違背本發(fā)明精神的前提下還可做出種種的等同變形或替換，這些等同的變型或替換均包含在本申請權利要求所限定的范圍內。