血压预测方法及电子设备与流程

本技术属于电子设备，尤其涉及一种血压预测方法、电子设备、芯片系统及计算机可读存储介质。

背景技术：

1、血压是指心脏射出的血液在血管中的压力。如果不能保持正常的血压，就会出现诸如无法为身体提供足够的营养和器官功能丧失等问题。特别是当血压过高时，血管会发生动脉硬化，可引起多种疾病。血压是确定健康风险的关键因素，定期检查血压是必要的，特别是在提高预期寿命和人口老龄化的背景下。传统的血压测量方法是使用水银血压计或者电子血压计进行血压测量，但传统方法的缺点是个人需要去医院或购买测量仪器来获取血压数据，不仅非常不方便，而且成本高。

2、随着手机、智能手表、手环等电子设备的大量普及与快速发展，电子设备的功能也越来越强大。在这类便携式电子设备中提供血压测量功能，以使用户可以十分方便的随时测量血压，是一个亟待解决的问题。

技术实现思路

1、本技术实施例提供了一种血压预测方法、电子设备、芯片系统、计算机可读存储介质及计算机程序产品，可以解决亟需在用户常用的便携式电子设备中提供血压测量功能，以使用户可以十分方便的随时测量血压，以提升血压测量的便捷性的问题。

2、第一方面，本技术实施例提供了一种血压预测方法，包括：响应于血压预测指令，获取用户当前的光电容积脉搏波(photo-plethysmography，ppg)信号；对ppg信号进行特征提取，以确定ppg信号对应的多个血压相关特征；对多个血压相关特征进行融合，以生成ppg信号对应的目标输入特征；将目标输入特征输入血压预测模型，以确定用户的舒张压及收缩压。

3、如此，通过电子设备中的ppg传感器采集用户的ppg信号，并对该ppg信号进行多种信号特征提取，以确定多个与用户的血压相关的信号特征，进而将多个血压相关特征融合作为血压预测模型的输入，以实现对用户血压的预测。由此，通过在电子设备中集成ppg信号检测模块进行ppg信号采集，并根据ppg信号对应的多个与血压相关的信号特征进行血压预测，从而不仅可以使得用户可以十分方便的随时测量血压，提升了血压测量的便捷性，而且保证了血压预测的准确性和可靠性。

4、在第一方面一种可能的实现方式中，上述血压相关特征包括以下特征中的至少两种：ppg信号对应的形态特征、频谱特征、时域特征、有创连续动脉血压(invasive arteryblood pressure，abp)特征。

5、如此，通过对用户的ppg信号进行多种信号特征提取，得到ppg信号对应的形态特征、频谱特征、时域特征、abp特征等与用户血压相关的信号特征，并将这些特征的融合特征输入血压预测模型进行舒张压和收缩压的预测，由于这些信号特征与用户的血压特征密切相关，因此通过这些特征进行血压预测，进一步提升了血压预测的准确性和可靠性。

6、可选的，在第一方面另一种可能的实现方式中，上述血压预测模型包括主干网络、第一子网络及第二子网络；相应的，上述将目标输入特征输入血压预测模型，以确定用户的舒张压及收缩压，包括：

7、将目标输入特征输入主干网络，以生成ppg信号对应的共享输出特征；

8、将共享输出特征输入第一子网络，以确定舒张压；

9、将共享输出特征输入第二子网络，以确定收缩压。

10、如此，由于人体的血压测量通常需要对舒张压和收缩压进行预测，而舒张压和收缩压与不同特征之间的联系可能是不同的，因此可以基于多任务模型构建血压预测模型，以在通过主干网络进行共享特征提取之后，可以分别采用不同的子网络分别进行舒张压和收缩压的预测，以根据舒张压预测和收缩压预测这两个不同的预测任务，通过不同的子网络分别进行进一步的自适应特征提取，以得到更加准确的舒张压和舒张压预测结果，进一步提升了血压预测的准确性和可靠性。

11、可选的，在第一方面再一种可能的实现方式中，上述主干网络包括n个多尺度模块，n为正整数；相应的，上述将目标输入特征输入主干网络，以生成ppg信号对应的共享输出特征，包括：

12、将目标输入特征输入主干网络，利用各个多尺度模块依次对目标输入特征进行多尺度特征提取，以对目标输入特征进行n次多尺度特征提取，生成共享输出特征。

13、如此，通过在血压预测模型的主干网络中堆叠多个多尺度模块，以提升网络深度，并对目标输入特征进行多尺度特征提取，进而提升模型对输入特征的关键信息的学习能力，从而进一步提升了血压预测的准确性和可靠性。

14、可选的，在第一方面又一种可能的实现方式中，上述将目标输入特征输入主干网络，利用各个多尺度模块依次对目标输入特征进行多尺度特征提取，以对目标输入特征进行n次多尺度特征提取，生成共享输出特征，包括：

15、将第i个中间特征输入第i+1个多尺度模块，对目标输入特征进行第i+1次多尺度特征提取，以生成第i+1个中间特征，其中，第0个中间特征为目标输入特征，第n个中间特征为共享输出特征，i为大于等于0且小于n的整数。

16、如此，通过在每次多尺度特征提取时，均与每个多尺度模块的原始输入特征进行残差连接，以提升模型对原始输入特征的学习能力，防止在血压预测过程中丢失原始输入特征中的关键信息，从而进一步提升血压预测的准确性和可靠性。

17、可选的，在第一方面又一种可能的实现方式中，上述每个多尺度模块均包含多个不同尺寸的卷积核、第一注意力模块及残差连接模块；相应的，上述将第i个中间特征输入第i+1个多尺度模块，对目标输入特征进行第i+1次多尺度特征提取，以生成第i+1个中间特征，包括：

18、将第i个中间特征分别输入第i+1个多尺度模块的各个卷积核进行卷积处理，以生成第i个中间特征对应的各个不同尺寸的卷积特征；

19、将各个卷积特征输入第i+1个多尺度模块的第一注意力模块，以生成各个卷积特征对应的第一注意力权重，并根据各个卷积特征对应的第一注意力权重对各个卷积特征进行融合处理，以生成第i+1个多尺度融合特征；

20、将第i个中间特征及第i+1个多尺度融合特征输入第i+1个多尺度模块的残差连接模块，以生成第i+1个中间特征。

21、如此，通过多个不同尺寸的卷积核对目标输入特征进行多尺度特征提取，并通过注意力机制学习不同尺度的特征对应的权重，以及通过残差连接将每个多尺度模块的原始输入特征与提取出的多尺度特征进行融合，以通过注意力机制为与血压相关度较高的特征赋予更高的权重，并通过残差连接提升网络对输入特征的学习能力，从而进一步提升了血压预测的准确性和可靠性。

22、可选的，在第一方面另一种可能的实现方式中，上述各个卷积核的尺寸是根据ppg信号的间期确定的。

23、如此，通过根据ppg信号的间期确定多尺度模块中各个卷积核的尺寸，以使得通过多尺度模块提取的多尺度特征与ppg信号的关键特征更加匹配，从而进一步提升了血压预测的准确性和可靠性。

24、可选的，在第一方面再一种可能的实现方式中，上述第一子网络包括第一混合注意力模块、第一卷积层及第一全连接层，上述第二子网络包括第二混合注意力模块、第二卷积层及第二全连接层。

25、可选的，在第一方面又一种可能的实现方式中，上述将共享输出特征输入第一子网络，以确定舒张压，包括：

26、将共享输出特征输入第一混合注意力模块，以确定共享输出特征对应的第一混合注意力权重矩阵；

27、根据第一混合注意力权重矩阵对共享输出特征进行加权，以生成共享输出特征对应的第一子输出特征；

28、将第一子输出特征输入第一卷积层及第一全连接层，以确定舒张压。

29、如此，通过在提取出ppg信号对应的共享输出特征之后，将共享输出特征输入用于预测舒张压的第一子网络，以对共享输出特征进行进一步的特征提取，并通过混合注意力机制确定共享输出特征在舒张压预测任务中的混合注意力权重矩阵，以使与舒张压关联性更高的特征具有更高的权重，进而使得第一输出子特征中包含更多与舒张压相关的关键信息，从而进一步提升了舒张压预测的准确性和可靠性。

30、可选的，在第一方面又一种可能的实现方式中，上述将共享输出特征输入第二子网络，以确定收缩压，包括：

31、将共享输出特征输入第二混合注意力模块，以确定共享输出特征对应的第二混合注意力权重矩阵；

32、根据第二混合注意力权重矩阵对共享输出特征进行加权，以生成共享输出特征对应的第二子输出特征；

33、将第二子输出特征输入第二卷积层及第二全连接层，以确定收缩压。

34、如此，通过在提取出ppg信号对应的共享输出特征之后，将共享输出特征输入用于预测收缩压的第二子网络，以对共享输出特征进行进一步的特征提取，并通过混合注意力机制确定共享输出特征在收缩压预测任务中的混合注意力权重矩阵，以使与收缩压关联性更高的特征具有更高的权重，进而使得第二输出子特征中包含更多与收缩压相关的关键信息，从而进一步提升了舒张压预测的准确性和可靠性。

35、第二方面，本技术实施例提供了一种血压预测装置，包括：第一获取模块，用于响应于血压预测指令，获取用户当前的ppg信号；第一确定模块，用于对ppg信号进行特征提取，以确定ppg信号对应的多个血压相关特征；第一生成模块，用于对多个血压相关特征进行融合，以生成ppg信号对应的目标输入特征；第二确定模块，用于将目标输入特征输入血压预测模型，以确定用户的舒张压及收缩压。

36、如此，通过电子设备中的ppg传感器采集用户的ppg信号，并对该ppg信号进行多种信号特征提取，以确定多个与用户的血压相关的信号特征，进而将多个血压相关特征融合作为血压预测模型的输入，以实现对用户血压的预测。由此，通过在电子设备中集成ppg信号检测模块进行ppg信号采集，并根据ppg信号对应的多个与血压相关的信号特征进行血压预测，从而不仅可以使得用户可以十分方便的随时测量血压，提升了血压测量的便捷性，而且保证了血压预测的准确性和可靠性。

37、在第二方面一种可能的实现方式中，上述血压相关特征包括以下特征中的至少两种：ppg信号对应的形态特征、频谱特征、时域特征、abp特征。

38、如此，通过对用户的ppg信号进行多种信号特征提取，得到ppg信号对应的形态特征、频谱特征、时域特征、abp特征等与用户血压相关的信号特征，并将这些特征的融合特征输入血压预测模型进行舒张压和收缩压的预测，由于这些信号特征与用户的血压特征密切相关，因此通过这些特征进行血压预测，进一步提升了血压预测的准确性和可靠性。

39、可选的，在第二方面另一种可能的实现方式中，上述血压预测模型包括主干网络、第一子网络及第二子网络；相应的，上述第二确定模块，包括：

40、第一生成单元，用于将目标输入特征输入主干网络，以生成ppg信号对应的共享输出特征；

41、第一确定单元，用于将共享输出特征输入第一子网络，以确定舒张压；

42、第二确定单元，用于将共享输出特征输入第二子网络，以确定收缩压。

43、如此，由于人体的血压测量通常需要对舒张压和收缩压进行预测，而舒张压和收缩压与不同特征之间的联系可能是不同的，因此可以基于多任务模型构建血压预测模型，以在通过主干网络进行共享特征提取之后，可以分别采用不同的子网络分别进行舒张压和收缩压的预测，以根据舒张压预测和收缩压预测这两个不同的预测任务，通过不同的子网络分别进行进一步的自适应特征提取，以得到更加准确的舒张压和舒张压预测结果，进一步提升了血压预测的准确性和可靠性。

44、可选的，在第二方面再一种可能的实现方式中，上述主干网络包括n个多尺度模块，n为正整数；相应的，上述第一生成单元，具体用于：

45、将目标输入特征输入主干网络，利用各个多尺度模块依次对目标输入特征进行多尺度特征提取，以对目标输入特征进行n次多尺度特征提取，生成共享输出特征。

46、如此，通过在血压预测模型的主干网络中堆叠多个多尺度模块，以提升网络深度，并对目标输入特征进行多尺度特征提取，进而提升模型对输入特征的关键信息的学习能力，从而进一步提升了血压预测的准确性和可靠性。

47、可选的，在第二方面又一种可能的实现方式中，上述第一生成单元，还用于：

48、将第i个中间特征输入第i+1个多尺度模块，对目标输入特征进行第i+1次多尺度特征提取，以生成第i+1个中间特征，其中，第0个中间特征为所述目标输入特征，第n个中间特征为共享输出特征，i为大于等于0且小于n的整数。

49、如此，通过在每次多尺度特征提取时，均与每个多尺度模块的原始输入特征进行残差连接，以提升模型对原始输入特征的学习能力，防止在血压预测过程中丢失原始输入特征中的关键信息，从而进一步提升血压预测的准确性和可靠性。

50、可选的，在第二方面又一种可能的实现方式中，上述每个多尺度模块均包含多个不同尺寸的卷积核、第一注意力模块及残差连接模块；相应的，上述第一生成单元，还用于：

51、将第i个中间特征分别输入第i+1个多尺度模块的各个卷积核进行卷积处理，以生成第i个中间特征对应的各个不同尺寸的卷积特征；

52、将各个卷积特征输入第i+1个多尺度模块的第一注意力模块，以生成各个卷积特征对应的第一注意力权重，并根据各个卷积特征对应的第一注意力权重对各个卷积特征进行融合处理，以生成第i+1个多尺度融合特征；

53、将第i个中间特征及第i+1个多尺度融合特征输入第i+1个多尺度模块的残差连接模块，以生成第i+1个中间特征。

54、如此，通过多个不同尺寸的卷积核对目标输入特征进行多尺度特征提取，并通过注意力机制学习不同尺度的特征对应的权重，以及通过残差连接将每个多尺度模块的原始输入特征与提取出的多尺度特征进行融合，以通过注意力机制为与血压相关度较高的特征赋予更高的权重，并通过残差连接提升网络对输入特征的学习能力，从而进一步提升了血压预测的准确性和可靠性。

55、可选的，在第二方面另一种可能的实现方式中，上述各个卷积核的尺寸是根据ppg信号的间期确定的。

56、如此，通过根据ppg信号的间期确定多尺度模块中各个卷积核的尺寸，以使得通过多尺度模块提取的多尺度特征与ppg信号的关键特征更加匹配，从而进一步提升了血压预测的准确性和可靠性。

57、可选的，在第二方面再一种可能的实现方式中，上述第一子网络包括第一混合注意力模块、第一卷积层及第一全连接层，上述第二子网络包括第二混合注意力模块、第二卷积层及第二全连接层。

58、可选的，在第二方面又一种可能的实现方式中，上述第一确定单元，具体用于：

59、将共享输出特征输入第一混合注意力模块，以确定共享输出特征对应的第一混合注意力权重矩阵；

60、根据第一混合注意力权重矩阵对共享输出特征进行加权，以生成共享输出特征对应的第一子输出特征；

61、将第一子输出特征输入第一卷积层及第一全连接层，以确定舒张压。

62、如此，通过在提取出ppg信号对应的共享输出特征之后，将共享输出特征输入用于预测舒张压的第一子网络，以对共享输出特征进行进一步的特征提取，并通过混合注意力机制确定共享输出特征在舒张压预测任务中的混合注意力权重矩阵，以使与舒张压关联性更高的特征具有更高的权重，进而使得第一输出子特征中包含更多与舒张压相关的关键信息，从而进一步提升了舒张压预测的准确性和可靠性。

63、可选的，在第二方面又一种可能的实现方式中，上述第二确定单元，具体用于：

64、将共享输出特征输入第二混合注意力模块，以确定共享输出特征对应的第二混合注意力权重矩阵；

65、根据第二混合注意力权重矩阵对共享输出特征进行加权，以生成共享输出特征对应的第二子输出特征；

66、将第二子输出特征输入第二卷积层及第二全连接层，以确定收缩压。

67、如此，通过在提取出ppg信号对应的共享输出特征之后，将共享输出特征输入用于预测收缩压的第二子网络，以对共享输出特征进行进一步的特征提取，并通过混合注意力机制确定共享输出特征在收缩压预测任务中的混合注意力权重矩阵，以使与收缩压关联性更高的特征具有更高的权重，进而使得第二输出子特征中包含更多与收缩压相关的关键信息，从而进一步提升了舒张压预测的准确性和可靠性。

68、第三方面，本技术实施例提供了一种电子设备，包括：一个或多个处理器，以及存储器；所述存储器与一个或多个处理器耦合，所述存储器用于存储计算机程序代码，计算机程序代码包括计算机指令，一个或多个处理器调用计算机指令以使得电子设备执行如前所述的血压预测方法。

69、第四方面，本技术实施例提供了一种芯片系统，应用于电子设备，所述芯片系统包括一个或多个处理器，所述一个或多个处理器用于调用计算机指令以使得电子设备执行如前所述的血压预测方法。

70、第五方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括指令，当所述指令在电子设备上运行时，使得所述电子设备执行如前所述的血压预测方法。

71、第六方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行如前所述的血压预测方法。

72、上述第二方面、第三方面、第四方面、第五方面和第六方面所获得的技术效果与上述第一方面中对应的技术手段获得的技术效果近似，在这里不再赘述。