技术领域
本发明属于医学信号检测与处理领域，涉及一种基于单探头光电容积脉搏波的血管弹性和血压的检测方法。
背景技术
人体的血管弹性大体上是随着年龄逐渐降低的，血管弹性较差的人一般都会有一定程度的动脉硬化。本发明针对很多心血管疾病中存在的动脉硬化情况，以及现有的评价血管弹性的度量标准PWV和ABI在不同人身上存在着差异，且需要同时测量人体两个部位的脉搏波，操作复杂。
基于容积脉搏波获取血压参数信息是近年来研究的重点与热点。此问题难点在于如何对容积脉搏血流进行标定，特别是如何建立其与血压的关系。目前的研究主要包括两种方法：一种是根据容积脉搏波和压力脉搏波之间的转换关系得到血压参量；另一种是利用脉搏波传导时间测量得到血压。前者一般无法摆脱充气袖带的束缚和压力不断变化对人体的影响，长时间测量会给测试者带来不适感。后一种方法是近年来出现的一种新思路，无需充气袖带，只要检测脉搏波传导时间,即可间接推算出每搏血压值，但现有技术一般是测量不同位置两点心电信号与脉搏波信号，脉搏波信号与脉搏波信号，要求操作人员有一定的医学知识，而且对检测部位要求十分严格，操作不便。
发明内容
针对现有技术存在的问题，本发明通过构建使用单路PPG信号血压与血管弹性测量的测量模型，提供一种基于单探头容积脉搏波的血管弹性和血压检测方法，采用Android平台软硬件结合对脉搏信号进行采集分析，涉及信号时域、频域、时频域的信号处理方法，所述的信号处理方法主要包括单路PPG信号量化血管弹性的算法和单路PPG信号检测血压算法。
本发明的技术方案为：
一种基于单探头光电容积脉搏波的血管弹性和血压的检测方法，采用单探头传感器采集PPG信号，在信号时域内提出一个用于对血管弹性的初步量化的血管弹性相关特征量：重搏波特征量(Double Wave Feature)；并且提取PPG信号频域特征、时频域特征，与DWF结合，综合提取一个能量化血管弹性大小的变量记为：DWF1。在提取PPG信号血管弹性相关特征量的同时，对PPG信号做二次差分，提取脉搏波传播时间(Pulse Wave Transit Time，PWTT)，结合DWF1与PPG信号频域特征，建立血压测量方程。单路PPG信号检测血管弹性及血压算法总体框图如图1所示。本发明包括以下步骤：
第一步：采用单探头容积脉搏传感器采集N个不同性别不同年龄段分布的脉搏波信号数据，即PPG信号数据，其编号为：R1，R2，…，RN，所述的PPG信号为被试者食指指端的脉搏波信号。采用袖带式电子血压计采集脉搏波信号数据对应的收缩压数据和舒张压数据，收缩压数据编号为SBP1，SBP2，…，SBPN，舒张压数据编号为DBP1，DBP2，…，DBPN。并以PPG信号数据、收缩压数据和舒张压数据作为训练BP神经网络与建立血压预测方程的标准。
所采集的PPG信号数据通过信号调理电路，滤波和放大后，传输至单片机控制器模块，进行AD转换，并将AD转换后的数据由蓝牙模块传输至移动端软件控制模块，在移动端进行脉搏信号的实时监测处理。所述的AD转换时的采样频率为200Hz。所述的移动端软件控制模块用于实现蓝牙通信、脉搏数据保存、血管弹性量化以及血压计算。
第二步：提取脉搏波血管弹性相关特征量
分别对PPG信号数据R1，R2，…，RN进行预处理后，提取特征点；所述的预处理包括去除噪声、去除饱和信号、去除基线漂移；所述的特征点包括时域特征点、频域特征点、时频域特征点；所述的时域特征点包括主波峰、主波谷、重搏波波峰波谷，脉搏周期数num、重搏波特征量DWF，所述的频域特征点包括心率HR，所述的时频域特征点包括归一化IMF分量提取的血管弹性特征、多尺度倒谱提取血管弹性特征。
2.1)提取心率HR
2.1.1)采用K-means聚类算法提取脉搏特征波形
分别提取PPG信号数据R1，R2，…，RN的脉搏波特征量K、K1、K2值，每一个Ri(i＝1,2,…,N)脉搏波数据对应一组K、K1、K2值，将K、K1、K2作为k-means聚类算法的输入，分别做三次聚类运算，以及一次布尔运算，提取一个周期脉搏特征波形。
以K值为输入的聚类运算步骤为：首先计算得到一组K值的均值与中位数，以两者的差值作为阈值；通过迭代计算不断修改阈值，最终选出0.5*num个周期的脉搏波，聚类中心的K值对应的脉搏波形即为一个周期脉搏特征波形。以K1、K2值为输入的聚类运算步骤和K值为输入的相同。
2.1.2)对步骤2.1.1)得到的脉搏特征波形进行周期延扩频谱分析
首先对脉搏特征波形进行周期扩展，再对其做离散傅里叶变换，求其频谱，并得到三次谐波的谱峰峰值记为h1,h2,h3，再提取频谱的基频频率f1(一般在1～2Hz之间)；当弹性减小的时候h2/h1的比值增大；将f1乘以60得到心率(Heart Rate,HR)。
2.2)提取重搏波特征量DWF
以一个编号为Ri(i＝1,2,…,N)的PPG信号数据为例，首先采用动态差分阈值法找到预处理后的PPG信号数据的num个周期的重搏波波峰(Xf,Yf)和波谷点(Xg,Yg)，然后提取重搏波特征量DWF。
假设理想的完全健康的脉搏信号的DWF值为M，理想的患有严重动脉硬化情况的脉搏波DWF值为L，DWF的范围就是L-M，按如下公式计算DWF：
DWF＝M-∑1/kfg
(1/kfg)max＝M/num
其中，kfg为表征重博波波谷波峰两点的斜率；fs为采样频率；num为PPG信号的脉搏周期数。
2.3)采用EEMD算法，归一化IMF分量提取血管弹性特征
以一个编号为Ri(i＝1,2,…,N)的PPG信号数据为例，对预处理后的PPG信号数据进行EEMD分解得到imfg，其中g不小于6；对前6个imfg分量进行归一化运算采用差分阈值法，找到PPG信号的极大值作为峰值，最后将峰值点的幅值相加得到不同分量的峰值之和分布情况，峰值之和记为Aimfg。
2.4)多尺度倒谱提取血管弹性特征
以一个编号为Ri(i＝1,2,…,N)的PPG信号数据为例，所述的多尺度倒谱分析为对预处理后的PPG信号数据加一个尺度不同的滑动平均滤波器，然后对其做倒功率谱分析，得到倒滤波谱图，在倒滤波谱图中按公式(2)提取血管弹性特征wi。
其中，公式(2)中为PPG信号倒滤波谱；b1为倒滤波谱图中的极小值点，为b1点在倒滤波谱上的幅值；a1为倒滤波谱图中的极小值点，为a1点在倒滤波谱上的幅值。w0与w1在倒滤波谱X轴两段不同的范围内。
公式(2)的目的是针对倒滤波谱图中的极值点求其斜率值，若没有极值点，则求其与相应段起始点之间的斜率值。
第三步：加速脉搏波提取脉搏波血压相关特征量PWTT
以一个编号为Ri(i＝1,2,…,N)的PPG信号数据为例，对原始PPG信号数据进行二次差分后得到加速脉搏波信号，根据第二步中提取的时域特征点能够划分出num个周期；在每一个周期内采用动态差分阈值法提取加速脉搏波的最大值和最小值，以最大值作为A点，最小值作为B点，然后求B点以后的最大值点作为C点；A点和C点之间的时间间隔即为PWTT。
第四步，测量血管弹性值
对第一步中采集的PPG信号数据R1，R2，…，RN中的每一个Ri(i＝1,2,…,N)提取以下三个特征量：步骤2.1)中脉搏特征波形频谱谱峰比值h2/h1、步骤2.3)中归一化IMF分量峰值之和Aimf2、步骤2.4)中多尺度倒谱血管弹性特征wi，以上述三个特征量作为神经网络的输入向量，即：
其中，N为PPG信号的样本个数；
以步骤2.2)中重搏波特征量DWF作为监督学习的训练目标，进行训练，得到一个训练完成的BP神经网络模型；BP神经网络模型的输出结果记为DWF1，即为血管弹性值。
第五步：根据第二、三步中的特征量得到脉搏波测量的血压模型，得到血压值
对第一步中采集的PPG信号数据R1，R2，…，RN中的每一个Ri(i＝1,2,…,N)提取以下三个特征量：步骤2.1)中通过特征波形频谱分析提取的心率HR；第三步中通过加速脉搏波提取的脉搏波传播时间PWTT；第四步中通过训练后的BP神经网络得到的DWF1。
以上述三个特征量为自变量，以第一步中测得的收缩压SBPi(i＝1,2,…,N)和舒张压DBPi(i＝1,2,…,N)为因变量，通过逐步线性回归，建立线性方程，得到脉搏波测量的血压模型，最终得到血压值；
所述的血压模型包括收缩压模型SBP和舒张压模型DBP，具体为：收缩压的测量方程的形式是：
SBP＝a1*PWTT+b1+c1*HR+d1*DWF1，其中a1、b1、c1、d1参数由逐步回归方法确定；
DBP＝a2*PWTT+b2+c2*HR+d2*DWF1，其中，a2、b2、c2、d2参数由逐步回归方法确定。
本发明的有益效果为：本发明算法性能良好，能够通过单探头采集的光电容积脉搏波，实现对人体动脉血管壁弹性的量化，并且能够预测血压值。
附图说明
图1为单路PPG信号检测血管弹性及血压算法总体框图；
图2为本发明技术方案的实施总体流程图；
图3为硬件脉搏波采集模块的整体流程图；
图4为移动端软件功能总体框图；
图5为K特征值聚类算法提取特征脉搏波形流程图；
图6(a)为脉搏波波形特征量K值原理图；
图6(b)为脉搏波波形特征量K1、K2原理图；
图7为动脉硬化程度增加的脉搏波形变化图；
图8为归一化imf分量峰值和分布情况；
图9为脉搏信号多尺度倒滤波谱图；
图10(a)为原始PPG信号波形图；
图10(b)为加速脉搏波提取PWTT原理图；
图11为加速脉搏波峰值点定位流程图；
图12为BP神经网络算法训练流程图。
具体实施方式
为使本发明实施例的目的、技术方案及其优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述，总体流程图如图2所示：
第一步：采用单探头光电容积脉搏传感器采集N个不同性别不同年龄段分布的脉搏波信号数据，即PPG信号数据，其编号为：R1，R2，…，RN。采用袖带式电子血压计采集脉搏波信号数据对应的收缩压数据和舒张压数据，收缩压数据编号为SBP1，SBP2，…，SBPN，舒张压数据编号为DBP1，DBP2，…，DBPN。并以PPG信号数据、收缩压数据和舒张压数据作为训练BP神经网络与建立血压预测方程的标准。
PPG信号数据采集的软硬件流程是：使用光电容积脉搏传感器采集测试者食指指端脉搏波信号(PPG信号)，所采集的PPG信号通过信号调理电路，进行滤波和放大后，传输至单片机控制器模块，进行AD转换，并将AD转换后的数据由蓝牙模块传输至移动端软件控制模块，在移动端进行脉搏信号的实时监测处理。所述的AD转换时的采样频率为200Hz。所述的移动端软件控制模块用于实现蓝牙通信、脉搏数据保存、血管弹性量化以及血压计算。
PPG信号数据采集主要分成以下两个模块：
1).硬件脉搏波采集模块：主要由光电脉搏波传感器、信号调理电路、ATmega128单片机控制模块以及ATK-HC05蓝牙通信模块构成，硬件脉搏波采集模块的整体流程如图3所示。
2)Android移动端软件模块：Android移动端采用eclipse与Android—SDK开发，主要实现蓝牙通信、脉搏数据保存、血管弹性量化以及血压计算等功能。使用B1uetoothAdapter类，能够在Android设备上查找周边的蓝牙设备进行配对，然后开始互连；连接后的设备将会共享同一个RFCOMM通道，以便互传数据。并且实时的将数据导入脉搏波检测血管弹性及血压模型中，这样就完成了血压及血管弹性的测量。移动端软件功能如流程图4所示。
第二步：提取脉搏波血管弹性相关特征量
首先分别对PPG信号数据R1，R2，…，RN进行预处理，之后提取特征点；所述的预处理包括去除噪声、去除饱和信号、去除基线漂移；所述的特征点包括时域特征点、频域特征点、时频域特征点；所述的时域特征点包括主波峰、主波谷、重搏波波峰波谷，脉搏周期数num、重搏波特征量DWF，所述的频域特征点包括心率，所述的时频域特征点包括归一化IMF分量提取的血管弹性特征、多尺度倒谱提取血管弹性特征。
2.1)提取心率HR
2.1.1)采用K-means聚类算法提取脉搏特征波形
分别提取PPG信号数据R1，R2，…，RN的K、K1、K2值。以编号为Ri(i＝1,2,…,N)的PPG信号数据为例，Ri一共有num个脉搏周期，每一个周期对应一组K、K1、K2值，将num个K、num个K1、num个K2作为k-means聚类算法的输入，分别做三次聚类运算，各选取出0.5*num个周期的代表脉搏波形其周期号数组分别记为：LK、LK1、LK2，对以上三个数组采用布尔运算，找出LK、LK1、LK2中共有的那些周期，得到大约是0.25*num～0.3*num个周期的代表脉搏波，其周期号数组记为LK12。最后再对LK12做一次k-means聚类运算，可以得到一个周期的脉搏特征波形。
以上三次聚类运算的目的是提取包含脉搏信号的普遍时域特征的周期波形，剔除包含脉搏信号的异常时域特征的周期波形。
脉搏波特征量K、K1、K2值计算结合图6(a)、图6(b)。其公式为：
或者
以脉搏波特征量K值为例，聚类运算的思路是：对于周期数num的PPG信号有num个K值。首先计算得到num个K值的均值与中位数，以两者的差值作为阈值。通过迭代计算不断修改阈值，最终选出0.5*num个周期的脉搏波，并且记录选出脉搏波的周期号；其聚类中心的K值对应的脉搏波形即为一个周期的代表性脉搏波形。以K1、K2值为输入的聚类运算步骤和K值相同。此算法流程图如图5所示。
对LK12做一次k-means聚类运算，是以LK12周期号对应的K值作为聚类算法的输入，提取出来一个周期的特征脉搏波形。
2.1.2)对步骤2.1.1)得到的脉搏特征波形进行周期延扩频谱分析
首先对一个周期的脉搏特征波形进行周期扩展，再对其做离散傅里叶变换，求其频谱，并得到三次谐波的谱峰峰值记为h1,h2,h3，再提取频谱的基频频率f1(一般在1～2Hz之间)；当弹性减小的时候h2/h1的比值增大；将f1乘以60得到心率(Heart Rate,HR)。
2.2)提取重搏波特征量DWF
此算法根据是随着动脉硬化风险的增大，重搏波波峰波谷的极值点逐渐消失，如图7所示。如果是动脉血管弹性很差的脉搏波形，在主波峰到下个周期的主波谷之间就没有极大极小值点。此时的重博波波峰波谷就要找主波峰到主波谷之间二阶导数较大，一阶导数较小的点。因此，此特征量需要准确找到一段时间PPG信号(大约60s)所有周期的重搏波波峰(Xf,Yf)波谷点(Xg,Yg)。
以一个编号为Ri(i＝1,2,…,N)的PPG信号数据为例，首先采用动态差分阈值法找到预处理后的PPG信号num个周期的重搏波波峰(Xf,Yf)和波谷点(Xg,Yg)，然后提取重搏波特征量DWF。
假设理想的完全健康的脉搏信号的DWF值为100，理想的患有严重动脉硬化情况的脉搏波DWF值为0，DWF的范围就是0-100，按如下公式计算DWF：
DWF＝100-∑1/kfg
(1/kfg)max＝100/num
其中，kfg为表征重博波波谷波峰两点的斜率；fs为采样频率，fs＝200Hz；num为PPG信号的脉搏周期数；
如果信号有明显的重搏波波峰波谷，那么每个周期的kfg就会很小，DWF的值是很接近M。当某个周期的重搏波没有极值，或者找到的重搏波波峰距离下个周期的起始点过近时，再或者计算得到的kfg小于num/100时，设置此周期的
2.3)采用EEMD算法，归一化IMF分量提取血管弹性特征
以一个编号为Ri(i＝1,2,…,N)的PPG信号数据为例，对预处理后的PPG信号进行EEMD分解得到imfg，其中g不小于6；对前6个imfg分量进行归一化运算采用差分阈值法，找到PPG信号的极大值作为峰值，最后将峰值点的幅值相加得到不同分量的峰值之和分布情况，峰值之和记为Aimfg。
此算法的思路是针对脉搏波应用EEMD分解，提取与血管弹性相关的特征。大体流程是：1、对脉搏信号做EEMD分解得到imfl；2、针对前六个imfj分量进行归一化运算3、最后将峰值点的幅值相加得到了不同分量的峰值之和分布情况。此算法的具体步骤如下所示：
步骤1：在原始信号x(t)中M次(M>1)加入均值为0，幅值标准差为常数的高斯白噪声ni(t)(i＝1～M)，即：xi(t)＝x(t)+ni(t)i＝1,2,…M，式中，xi(t)为第i次加入白噪声后的信号。
步骤2：对xi(t)进行EMD分解，得到频率由高到低分布的K个IMF分量cij(t)和一个残差ri(t)，即：对步骤1中M个xi(t)都做EMD分解一共得到K*M个cij(t)。
步骤3：根据高斯白噪声统计均值为0的特性求取最终的imf分量。将步骤1、2得到的所有imf层取平均，以消除附加白噪声的影响，该均值被认定为由EEMD分解得到的imfj分量：
步骤4：针对前六个imfj分量进行归一化运算
步骤5：应用差分阈值法，找到信号的极大值作为峰值。将峰值幅度相加记为Aimfl。
从imf分量的峰值之和分布可以发现第二个imf分量的总幅值对血管弹性较差(图8空心圆点)和血管弹性较好(图8叉号符点)信号有明显差异。因此，我们选取归一化imf2分量的峰值之和作为一个特征,记为Aimf2。
这种情况的产生是因为eemd分解是根据信号自身的极大极小值分布的疏密程度来进行imf分量的提取。如果是健康的脉搏信号，一个脉搏周期中，我们可以至少提取到四个极值点(主波峰、主波谷、重搏波波峰、波谷)，前两个极值点在imf1分量中有所体现。而重搏波波峰波谷主要体现在imf2分量之中。进行归一化的目的就是消除主波峰波谷与重搏波波峰波谷之间的幅度差距。
2.4)多尺度倒谱提取血管弹性特征
以一个编号为Ri(i＝1,2,…,N)的PPG信号数据为例，对Ri进行多尺度倒谱分析，得到倒滤波谱图，在倒滤波谱图中提取血管弹性特征wi。
多尺度倒谱分析，大体思路是对信号加一个平均滤波器，然后对其做倒滤波谱分析，得到倒滤波谱图提取特征。如血管弹性较差的信号的多尺度倒滤波谱图如图9所示，对于血管弹性较好的人可以在倒滤波谱X轴的前6％找到一个很大的正斜率值，而对于血管弹性较差的情况则在倒滤波谱X轴前12％没有正斜率值或者在倒滤波谱X轴的前6％至前12％内有一个很小的正斜率值。图中的星形点标记的是前6％和6％到12％是否有正斜率值的情况。
公式(2)中为PPG信号倒滤波谱；b1为倒滤波谱图中的极小值点，为b1点在倒滤波谱上的幅值；a1为倒滤波谱图中的极小值点，为a1点在倒滤波谱上的幅值。w0在倒滤波谱X轴前6％内寻找极值点，w1在倒滤波谱X轴前6％到前12％内寻找极值点，公式(2)的目的是针对倒滤波谱图中的极值点求其斜率值，若没有极值点，则求其与相应段起始点之间的斜率值。
多尺度的概念就是对信号使用尺度不同的滑动平均滤波器，实验发现，当滤波器尺度m＝7时，取得较好效果。相比于单纯的求倒滤波谱，加入滑动滤波器的倒滤波谱也变得平滑，并且抑制了高频的干扰。
所述的倒谱分析的具体步骤为：
步骤1：计算瞬时频谱Sx(K)
Sx(K)＝F[W(n)·x(n)],0≤n＜N0-1,0≤K＜N0-1,N0＝length(x(n))
其中，W(n)为汉宁窗,即(RN(n)为矩形窗)，x(n)为预处理后的PPG脉搏信号，F[]表示离散傅里叶正变换，其正逆变换关系分别是：
0≤n＜N0-1,0≤K＜N0-1,N0＝length(x(n))
采用FFT算法进行离散傅里叶变换，FFT处理参数选择为：采样频率为fs，频率分辨率△f＝fs/length(x(n))Hz，采样点数为脉搏信号的长度length(x(n))。
步骤2：计算自功率谱
其中为Sx(K)的共扼复数。
步骤3：计算功率倒谱Cax(n)
步骤4：计算倒滤波谱
0≤n＜N-1,N＝length(x(n))，其中m0应取得比脉搏周期数num更小；L(n)为倒滤波窗，即：
第三步：加速脉搏波提取脉搏波血压相关特征量PWTT
一般情况下PWTT主要是通过心电图中特征点与光电容积脉搏波中特征点的时间差值求得，但这要求被测者同时佩戴ECG与PPG传感器，操作不便，所以本发明对仅从PPG传感器提取PWTT进行了研究。
以一个编号为Ri(i＝1,2,…,N)的PPG信号数据为例，对原始PPG信号进行二次差分后得到加速脉搏波信号，根据第二步中提取的时域特征点可以划分出num个周期；在每一个周期内采用动态差分阈值法提取加速脉搏波的最大值和最小值，以最大值作为A点，最小值作为B点，然后求B点以后的最大值点作为C点。A点和C点之间的时间间隔即为PWTT。
加速脉搏波反映的是推动血液的力的变化。其原理是：在心脏收缩时，动脉血血液被推送进毛细血管，其瞬间压力使得毛细血管迅速扩张，表现为加速脉搏波的上升阶段，从而形成了加速脉搏波的第一个尖峰，如图10(b)中A点；然后血液从毛细血管流入静脉，导致波形快速下降。同时，由于静脉血流量迅速增大，在静脉血管受到阻力的作用使一部分血液回流进毛细血管，从而形成第二个尖峰(图10(b)中C点)。同样的过程会反复几个周期，随着血管弹性压力的减小，波形逐渐趋于平缓.A点和C点的时间可以反映PWTT，且压力越大，A点与C点之间的时间越短，本申请以其作为PWTT进而测量收缩压和舒张压。
确定PWTT，就要确定A、C点的位置。A点为一个周期内加速脉搏波的最大值点。C点为加速脉搏波在最小波谷点后的半个周期内的最大值点。A、C两点的定位流程图如图11所示。
第四步，根据第二步中的特征量建立PPG信号测量的血管弹性的BP神经网络模型，得到血管弹性值
训练BP神经网络：针对第一步中采集的PPG信号数据R1，R2，…，RN，每一个Ri(i＝1,2,…,N)提取出以下三个特征量：2.1小节中脉搏特征波形频谱谱峰比值h2/h1、2.3小节中归一化IMF 分量峰值之和Aimf2、2.4小节中多尺度倒谱血管弹性特征wi组成神经网络的输入向量，即：
N为PPG信号的样本个数。以2.2小节中重搏波特征量DWF作为有监督学习的训练目标，进行训练，得到一个训练完成的BP神经网络。BP神经网络的输出结果记为DWF1，即为血管弹性值。训练BP神经网络的流程图如图12所示。
使用BP神经网络：训练完成后得到的是一个以向量(Aimf2,wi,h2/h1)为输入，DWF1为输出的BP神经网络模型。在使用此模型时，只需要输入PPG信号，根据第二步中的步骤完成血管弹性特征提取，并将血管弹性特征向量输入之BP神经网络模型中，最终得到DWF1血管弹性值。
修改BP神经网络：如果对于新样本PPG信号的输入，通过此模型得到的DWF1与此样本的重博波特征量DWF差值过大，即：|DWF1-DWF|＞10，那么就利用上述步骤，再次训练BP神经网络，直到训练结果(DWF1)与训练目标(DWF)的均方误差最小。
第五步：根据第二、三步中的特征量得到脉搏波测量的血压模型，得到血压值
对第一步中采集的PPG信号数据R1，R2，…，RN中的每一个Ri(i＝1,2,…,N)提取以下三个特征量：步骤2.1)中通过特征波形频谱分析提取的心率HR；第三步中通过加速脉搏波提取的脉搏波传播时间PWTT；第四步中通过训练后的BP神经网络得到的DWF1。
以上述三个特征量为自变量，以第一步中测得的收缩压SBPi(i＝1,2,…,N)和舒张压DBPi(i＝1,2,…,N)为因变量，通过逐步线性回归，建立线性方程，得到脉搏波测量的血压模型，最终得到血压值；
所述的血压模型包括收缩压模型SBP和舒张压模型DBP，具体为：收缩压的测量方程的形式是：
SBP＝a1*PWTT+b1+c1*HR+d1*DWF1，其中a1、b1、c1、d1参数由逐步回归方法确定；
DBP＝a2*PWTT+b2+c2*HR+d2*DWF1，其中，a2、b2、c2、d2参数由逐步回归方法确定。