具体实施方式

本实施例中，参照图1，深度神经网络预测血压的训练方法包括以下步骤：

S1.获取脉搏波信号、心电信号和动脉血压信号；

S2.对脉搏波信号和心电信号进行滤波；

S3.从动脉血压信号中提取收缩压、舒张压和平均动脉压；

S4.将脉搏波信号和心电信号输入至深度神经网络模型，由深度神经网络模型提取不同尺度特征，进行多任务回归预测；

S5.以收缩压、舒张压和平均动脉压作为深度神经网络模型的期望输出，根据深度神经网络模型的实际输出与期望输出，确定损失函数的值；

S6.当损失函数的值满足收敛条件，结束对深度神经网络模型的训练。

步骤S1-S6的原理如图2所示，其中，PPG表示脉搏波信号，ECG表示心电信号，SBP表示收缩压，DBP表示舒张压，MAP表示平均动脉压。

本实施例中，需要训练的深度神经网络模型为MS-CNN网络。参照图3，MS-CNN网络包括输入层和最大池化层，然后分成3个通道，每个通道分别包括多个卷积层、BN层和Relu层，不同通道的卷积核大小互不相同，以便提取不同尺度特征；3个通道之后，依次是池化层和全连接层。

步骤S1中，获取脉搏波信号PPG、心电信号ECG和动脉血压信号ABP，以组建训练集和测试集。其中，可以直接从人体测量多段脉搏波信号、多段心电信号和多段动脉血压信号。接着，进行对脉搏波信号、心电信号和动脉血压信号的预处理过程。具体地，对所测量的脉搏波信号、心电信号和动脉血压信号进行筛选，具体筛选标准包括时长限制、幅度峰值大小限制、波峰时间间隔限制，例如设置时长限制为大于8分钟，则可以筛选出时长大于8分钟的脉搏波信号、心电信号和动脉血压信号；设置波峰时间间隔限制为大于0.6s，则可以筛选出波峰时间间隔大于0.6s的动脉血压信号；而根据幅度峰值大小限制则可以排除异常值和虚假波峰信号干扰，从而使得筛选出的脉搏波信号、心电信号和动脉血压信号都是有效信号。

步骤S2和S3仍然是对脉搏波信号、心电信号和动脉血压信号的预处理过程。步骤S2中，使用离散小波变换对脉搏波信号和心电信号进行滤波，从而滤除脉搏波信号中小于0.25Hz和大于31.125Hz的成分，滤除心电信号中小于0.5Hz和大于31.125Hz的成分。具体地，通过设置脉搏波信号的分解层数为8层，分解出近似系数和细节系数，将近似系数第8级置零，细节系数第一级置零，对所述脉搏波信号进行软阈值去噪和系数重建；通过设置心电信号的分解层数为7层，分解出近似系数和细节系数，将近似系数第7级置零，细节系数第一级置零，对所述心电信号进行软阈值去噪和系数重建。

步骤S3中，获取动脉血压信号的波峰值作为收缩压SBP，获取动脉血压信号的波谷值作为舒张压DBP，获取收缩压SBP与舒张压DBP的加权平均值作为平均动脉压MAP；其中，收缩压的权重为1，舒张压为2，即计算平均动脉压MAP的公式为MAP＝(SBP+2DBP)/3。

执行完步骤S3之后，在将脉搏波信号和心电信号输入至深度神经网络模型之前，还对脉搏波信号和心电信号进行归一化处理。具体地，进行归一化所使用的公式为 x是被归一化的信号片段中的点，x_max、x_min分别是信号片段中的最大值点和最小值点。通过对脉搏波信号和心电信号进行归一化处理，可以使脉搏波信号和心电信号的分布区域在[-1,1]，可以减小幅度差异影响，便于网络输入端分布相似以使神经网络更好的收敛。

步骤S4中，将脉搏波信号和心电信号输入至深度神经网络模型，由深度神经网络模型提取不同尺度特征进行多任务回归预测。参照图3，深度神经网络模型首先对脉搏波信号和心电信号进行一次卷积处理和最大池化处理，接着深度神经网络模型中的各通道不同感受野对脉搏波信号和心电信号提取不同尺度特征，各通道所提取的不同尺度特征经过所在通道内部的BN层和Relu层之后，由池化层对各通道所提取的特征进行平均池化，由全连接层对经过平均池化后的特征进行回归分析，得到深度神经网络模型的实际输出。其中，每个通道通过多个卷积层提取特征，同时经过BN层，可以加快收敛速度；每个通道所提取的特征经过Relu层的处理，能够防止梯度消失，有利于进行深层训练，同时也可缓解过拟合问题；对3条通道分别进行平均池化，可以降低特征冗余。

步骤S5中，将深度神经网络模型的实际输出作为预测值，与作为期望输出的收缩压、舒张压和平均动脉压进行误差计算，具体地，根据深度神经网络模型的实际输出与期望输出，使用MSE损失函数进行计算，得到损失函数的值，如果损失函数的值满足收敛条件，例如损失函数的值小于预设值，那么可以认为对深度神经网络模型的训练已达标，结束对深度神经网络模型的训练。反之，也就是损失函数的值不满足收敛条件，例如损失函数的值大于预设值，那么可以返回至步骤S1继续执行下一轮训练过程。也可以将已经执行的各轮训练过程所得到的损失函数的值排成损失曲线，根据损失曲线的变化来确定是否结束对深度神经网络模型的训练。

经过步骤S1-S6训练好的深度神经网络模型具有根据脉搏波信号和心电信号高精度预测血压的能力，也就是将从人体测得的脉搏波信号和心电信号输入至深度神经网络模型中进行学习，深度神经网络模型能够提取出脉搏波信号和心电信号中包含的血压信息，从而输出收缩压、舒张压和平均脉动压等数值。

在执行步骤S1-S6的基础上，可以设计学习脉搏波和心电信号特征与血压之间关系的多任务训练模型，利用多任务网络分析脉搏波和心电信号特征与血压之间的相关性，同时考虑不同任务之间的差异性，共享不同任务已学到的特征，减轻对特定任务的过度拟合，提升网络模型对不同任务的适应性能，提升模型预测连续血压进度的同时较少学习时间。

通过本实施例中提出的训练方法训练得到的深度神经网络模型，能够实现收缩压，舒张压和平均动脉压的平均误差分别为0.007，0.022，0.009mmHg，平均绝对误差分别为4.04，2.29，2.46mmHg，标准偏差分别为5.81，3.55，3.58mmHg，皮尔逊相关系数分别为0.96，0.92，0.94，符合AAMI的标准，在BHS指标中均达到A的评价，说明本发明方法具有较好的可行性和有效性。现有使用ECG和PPG信号且通过机器学习方法预测血压相比，其获得收缩压、舒张压预测精度的平均绝对误差分别为11.17mmHg和5.35mmHg，本发明方法预测血压精度有很大的提升。与现有使用ECG信号结合深度学习的方法预测血压相比，其收缩压、舒张压的预测精度的平均绝对误差分别达到7.10，4.61mmHg，本发明方法预测血压精度也有明显的提升。总的说来，本发明方法实现了高精度、无需校准过程的血压预测，为实现可穿戴式设备中连续血压测量提供一种可行的方法。

经过步骤S1-S6训练好的深度神经网络模型可以用于非治疗用途，例如将深度神经网络模型用于血压测量仪器的校正。可以安排测试人员，测量测试人员的脉搏波信号和心电信号，使用本实施例中的深度神经网络模型对脉搏波信号和心电信号进行处理，输出测试人员的收缩压、舒张压和平均脉动压等数值。在相同的环境条件和生理条件下，可以认为在短时间内测试人员的收缩压、舒张压和平均脉动压等数值是不变的。由于深度神经网络模型能够提取出脉搏波信号和心电信号中包含的血压信息，可以将深度神经网络模型输出的收缩压、舒张压和平均脉动压等数值作为标准值，使用血压测量仪器对测试人员进行血压测量，将血压测量仪器测得的收缩压、舒张压和平均脉动压，分别与深度神经网络模型输出的收缩压、舒张压和平均脉动压进行对比，如果将血压测量仪器测得的收缩压与深度神经网络模型输出的收缩压一致或者误差不大于阈值，那么认为血压测量仪器的工作参数的正常范围内，无需进行校正，如果将血压测量仪器测得的收缩压与深度神经网络模型输出的收缩压之间的误差大于阈值，那么认为血压测量仪器需要进行校正，对血压测量仪器的工作参数进行调整并重新测量测试人员的收缩压，直至血压测量仪器测得的收缩压与深度神经网络模型输出的收缩压一致或者误差不大于阈值，从而完成对血压测量仪器的收缩压测量功能的校正。同理，可以进行对血压测量仪器的舒张压和平均脉动压的测量功能的校正。

通过使用本实施例中的深度神经网络预测血压的训练方法，训练得到的深度神经网络模型具有根据脉搏波信号和心电信号识别相应的和动脉血压的能力，并且基于测得人体的脉搏波信号和心电信号，能够进行在线或离线的血压测量，相比起现有的血压测量方法，训练好的深度神经网络模型具有连续、实时、操作方便等优势。本实施例中的深度神经网络预测血压的训练方法训练得到的深度神经网络模型可以用于非治疗用途，例如将深度神经网络模型用于血压测量仪器的校正，校正过程无需依赖专用的器具，只需要测试人员配合计算机运行训练好的深度神经网络模型即可实施校正，向使用者提供校正的条件，方便使用者经常校正血压测量仪器，从而改善血压测量仪器的使用效果。

可以通过编写执行本实施例中的深度神经网络预测血压的训练方法的计算机程序，将该计算机程序写入至计算机装置或者存储介质中，当计算机程序被读取出来运行时，执行本实施例中的深度神经网络预测血压的训练方法，从而实现与实施例中的防止疲劳驾驶的提醒系统相同的技术效果。

需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。

计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。