CN108697350A - 一种血压测量方法及设备 - Google Patents

Abstract

一种血压测量方法及设备，该方法包括：测量设备根据采集到的用户的生物信号，提取生物信号中的特征数据，根据特征数据和预设分类参数计算分类参考值，根据分类参考值落入的预设阈值范围，从血压预测模型集合中确定目标血压预测模型，将特征数据输入目标血压预测模型，获得用户的血压测量结果。因此，本申请提供的血压测量方法能够更好地适应血压多样性的场景，不再直接将特征数据输入到单一的血压预测模型，可以有效提升血压测量的准确度。

Description

一种血压测量方法及设备

本申请要求在2017年1月10日提交中国专利局、申请号为201710017279.8、发明名称为“一种基于分类的血压测量方法和终端”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本申请涉及终端领域，尤其涉及一种血压测量方法及设备。

背景技术

血压是推动血液在血管内循环流动的动力，能够为各个组织器官提供足够的血量，以维持正常的新陈代谢。其中，血压增高表现出的高血压，是一种很常见的心血管疾病，我国约有1.6亿高血压患者，高血压会带来脑卒、失明、心肌梗死等诸多危害。

近年来，随着移动健康业务的发展，血压监测的便捷性正在逐渐提升，手表、手环等较为方便的可穿戴设备已经能够实现较为便利的测量血压功能。如何提高这些可穿戴设备血压测量的准确度成为一个重要问题。

具体的，可穿戴设备，是基于获取的生物信号来测量血压的，其工作原理为：

1)获取生物信号，通过可穿戴设备中的生物信号采集模块，获取用户的相关生物信号，如心电、脉搏波等生物信号；

2)建立预测模型，根据先验的计算血压的理论公式，或者预先获取的数据，建立血压预测的模型；

3)提取特征数据，对采集到的生物信号进行滤波等预处理操作，然后从执行预处理操作后的生物信号中提取能够表征生物信号的相关特征数据；

4)将提取出的特征数据输入到2)中的预测模型，输出预测的血压值。

由上可知，现有的可穿戴血压设备在测量血压时，都是将生物信号进行预处理后获得相应的特征数据，然后直接将特征数据输入到单一的预测模型中进行血压预测，但是单一的预测模型并不能适应于多样性的血压情况，无法实现高精度预测血压的需求，导致血压测量准确度不高。

发明内容

本申请实施例提供一种血压测量方法及设备，用于解决血压测量准确度不高的问题。

第一方面，本申请提供一种血压测量方法，包括：测量设备根据采集到的用户的生物信号，提取生物信号中的特征数据，根据特征数据和预设分类参数计算分类参考值，然后根据分类参考值落入的预设阈值范围，从血压预测模型集合中确定目标血压预测模型，最后将特征数据输入目标血压预测模型，获得用户的血压测量结果。其中，每个血压预设模型对应一个预设阈值范围，目标血压预测模型对应的预设阈值范围与分类参考值落入的预设阈值范围相同。因此，采用本申请提供的方法测量设备采集用户的生物信号，从生物信号中提取特征数据，根据预设分类参数和从生物信号中提取的特征数据计算分类参考值， 当分类参考值落入的预设阈值范围不同时，测量设备确定的目标血压预测模型也不同，因此，本申请提供的血压测量方法能够更好地适应血压多样性的场景，不再直接将特征数据输入到单一的血压预测模型，进而可以有效提升血压测量的准确度。

在一种可能的实现方式中，预设分类参数是采用以下方法获得的：测量设备获取训练数据集合，根据每条训练数据中包括的实际血压测量结果，将训练数据集合划分为至少两个第一类训练数据子集，根据至少两个第一类训练数据子集和预设分类函数获得预设分类参数，例如，预设的分类函数可以是逻辑回归函数。其中，训练数据集合中的每条训练数据包括一个特征数据和一个实际血压测量结果，实际血压测量结果包括收缩压和舒张压，且每条训练数据中特征数据对应的生物信号与实际血压测量结果对应的生物信号相同。应理解的是，训练数据集合中包括大量训练数据，第k条训练数据中的特征数据是针对第k个生物信号提取出的特征数据，第k条训练数据中的实际血压测量结果是针对第k个生物信号的血压测量结果，这里的实际血压测量结果可以是指用户通过使用水银血压计、有袖带的血压计等工具测量得到的血压测量结果，k为正整数。应理解的是，当预设阈值范围包括两个以上，则需要两组以上预设分类参数，需要计算得到的两个以上分类参考值进行组合，以分别对应不同的预设阈值范围。

在一种可能的实现方式中，血压预测模型集合是采用以下方法获得的：

测量设备根据每个第一类训练数据子集建立一个血压预测模型，获得血压预测模型集合。因此，测量设备可以直接根据第一类训练数据子集建立血压预测模型，方法简便。

在一种可能的实现方式中，血压预测模型集合是采用以下方法获得的：

测量设备根据每条训练数据中包括的实际血压测量结果，将训练数据集合划分为至少两个第二类训练数据子集，第一类训练数据子集的数目与第二类训练数据子集的数目相同；根据每个第二类训练数据子集建立一个血压预测模型，获得血压预测模型集合。因此，测量设备可以采用与第一类训练数据子集不同的第二类训练数据子集建立血压预测模型，方法灵活，以适用于不同场景的需要。

在一种可能的实现方式中，第一类训练数据子集的数目与第二类训练数据子集的数目相同，每个第一类训练数据子集对应一个第一类实际血压测量结果取值范围，每个第二类训练数据子集对应一个第二类实际血压测量结果取值范围，第i个第一类训练数据子集对应的第i个第一类实际血压测量结果取值范围是第i个第二类训练数据子集对应的第i个第二类实际血压测量结果取值范围的子集，其中，i为正整数。因此，将训练数据集合划分为至少两个第二类训练数据子集，而不再继续使用至少两个第一类训练数据子集的原因在于，建立不同血压预测模型所采用的训练数据子集之间需要有一定的冗余度，以保证分类节点附近的血压测量的准确性。

第二方面，本申请提供一种血压测量设备，包括：采集器，存储器和处理器，其中，采集器，用于采集用户的生物信号；存储器，用于存储计算机程序；处理器，用于调用存储器中存储的计算机程序，执行：根据采集器采集到的用户的生物信号，提取生物信号中的特征数据；根据特征数据和预设分类参数计算分类参考值；根据分类参考值落入的预设阈值范围，从血压预测模型集合中确定目标血压预测模型，每个血压预设模型对应一个预设阈值范围，目标血压预测模型对应的预设阈值范围与分类参考值落入的预设阈值范围相同；将特征数据输入目标血压预测模型，获得用户的血压测量结果。

在一种可能的实现方式中，处理器，还用于：获取训练数据集合，训练数据集合中的 每条训练数据包括一个特征数据和一个实际血压测量结果，且每条训练数据中特征数据对应的生物信号与实际血压测量结果对应的生物信号相同；根据每条训练数据中包括的实际血压测量结果，将训练数据集合划分为至少两个第一类训练数据子集；根据至少两个第一类训练数据子集和预设分类函数获得预设分类参数。

在一种可能的实现方式中，处理器，还用于：根据每个第一类训练数据子集建立一个血压预测模型，获得血压预测模型集合。

在一种可能的实现方式中，处理器，还用于：根据每条训练数据中包括的实际血压测量结果，将训练数据集合划分为至少两个第二类训练数据子集，第一类训练数据子集的数目与第二类训练数据子集的数目相同；根据每个第二类训练数据子集建立一个血压预测模型，获得血压预测模型集合。

在一种可能的实现方式中，第一类训练数据子集的数目与第二类训练数据子集的数目相同，每个第一类训练数据子集对应一个第一类实际血压测量结果取值范围，每个第二类训练数据子集对应一个第二类实际血压测量结果取值范围，第i个第一类训练数据子集对应的第i个第一类实际血压测量结果取值范围是第i个第二类训练数据子集对应的第i个第二类实际血压测量结果取值范围的子集，其中，i为正整数。

第三方面，本申请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中存储有指令，当所述指令在计算机上运行时，使得计算机执行上述各方面所述的方法。

第四方面，本申请提供了一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行上述各方面所述的方法。

附图说明

图1为本申请实施例中具有血压测量功能的手表的示意图；

图2为本申请实施例中测量设备的基本构成示意图；

图3为本申请实施例中血压测量方法的概述流程图；

图4为本申请实施例中测量设备执行血压测量的具体流程图；

图5为本申请实施例中训练数据集合划分为两个第二类训练数据子集的数据分布示意图；

图6为本申请实施例中根据第二类训练数据子集划分结果获得对应血压预测模型的示意图。

具体实施方式

下面结合附图，对本申请的实施例进行描述。

应理解的是，本申请实施例中提到的测量设备一般是指可穿戴设备，具体的，可穿戴设备可以为手表、手环等，如图1所示为一种具有血压测量功能的手表。

图2所示为测量设备的基本构成示意图，该测量设备包括：采集器210，存储器220，处理器230，电源240等。

在一种可能的设计中，测量设备还可包括：显示单元250，蓝牙模块260等。

本申请实施例中提到的测量设备与上述图2所示的测量设备构成基本一致，须知本申请实施例不涉及对测量设备硬件构成的改进。

参阅图3所示，本申请实施例提供一种血压测量方法，以解决血压测量准确度不高的问题，该方法包括：

步骤300：测量设备根据采集到的用户的生物信号，提取生物信号中的特征数据。

这里的生物信号可以为心电信号，或脉搏波信号等。

从生物信号中提取的特征数据可以为波峰波谷之间的间隔、波峰的半高全宽等能够表征生物信号的特征数据。提取生物信号中特征数据的一般的做法是先提取生物信号中的特征点的位置，如脉搏波信号的波峰、波谷和最大斜率点等位置，然后基于特征点的位置，结合生物信号获得特征数据。例如，从生物信号中提取的特征数据可以记为x0,x1,x2,…,xn。

步骤310：测量设备根据特征数据和预设分类参数计算分类参考值。

这里的预设分类参数可以为A，记为a0,a1,a2,…,an。例如，当特征数据为x0,x1,x2,…,xn时，测量设备计算得到的分类参考值为a0*x0+a1*x1+a2*x2+…+an*xn。

步骤320：测量设备根据分类参考值落入的预设阈值范围，从血压预测模型集合中确定目标血压预测模型。

每个血压预设模型对应一个预设阈值范围，目标血压预测模型对应的预设阈值范围与分类参考值落入的预设阈值范围相同。

例如，假设预设阈值范围包括两个，分别为分类参考值大于等于0和分类参考值小于0，则血压预测模型集合也包括两个，分别对应分类参考值大于等于0和分类参考值小于0。当步骤310计算得到的分类参考值大于等于0时，测量设备将分类参考值大于等于0对应的血压预测模型作为目标血压预测模型，当步骤310计算得到的分类参考值小于0时，测量设备将分类参考值小于0对应的血压预测模型作为目标血压预测模型。

应理解的是，当预设阈值范围包括两个以上，则需要两组以上预设分类参数，需要计算得到的两个以上分类参考值进行组合，以分别对应不同的预设阈值范围。

步骤330：测量设备将特征数据输入目标血压预测模型，获得用户的血压测量结果。

因此，通过上述步骤300～步骤320，测量设备确定出目标血压预测模型，即适用于当前特征数据的血压预设模型，进而将特征数据输入至该目标血压预测模型。

须知，血压预测模型集合中的每个血压预测模型是以特征数据为自变量，以血压值为因变量。

由上可知，如图4所示，测量设备采集用户的生物信号，从生物信号中提取特征数据，根据预设分类参数和从生物信号中提取的特征数据计算分类参考值，根据分类参考值确定目标血压预测模型，将特征数据输入至目标血压预测模型获得血压测量结果。当分类参考值落入的预设阈值范围不同时，测量设备确定的目标血压预测模型也不同，因此，本申请实施例提供的血压测量方法能够更好地适应血压多样性的场景，不再直接将特征数据输入到单一的血压预测模型，进而有效提升了血压测量的准确度。

应理解的是，步骤310中提到的预设分类参数和步骤320中提到的血压预测模型集合是在测量设备执行血压测量之前获得，保存在测量设备中。

上述预设分类参数和血压预测模型集合可以通过建立分类模型和血压预测模型获得，具体可以采用但不限于以下可能的实现方式。

首先，测量设备获取训练数据集合。

其中，训练数据集合中的每条训练数据包括一个特征数据和一个实际血压测量结果，实际血压测量结果包括收缩压和舒张压，且每条训练数据中特征数据对应的生物信号与实 际血压测量结果对应的生物信号相同。

应理解的是，训练数据集合中包括大量训练数据，第k条训练数据中的特征数据是针对第k个生物信号提取出的特征数据，第k条训练数据中的实际血压测量结果是针对第k个生物信号的血压测量结果，这里的实际血压测量结果可以是指用户通过使用水银血压计、有袖带的血压计等工具测量得到的血压测量结果，k为正整数。

然后，测量设备根据训练数据集合建立分类模型，获得预设分类参数。具体的，测量设备根据每条训练数据中包括的实际血压测量结果，将训练数据集合划分为至少两个第一类训练数据子集，根据至少两个第一类训练数据子集和预设分类函数，获得预设分类参数。其中，每个第一类训练数据子集对应一个第一类实际血压测量结果取值范围。

例如，以收缩压(systolic blood pressure，SBP)等于140为界，将训练数据集合分为两个第一类训练数据子集，第一个第一类训练数据子集包括训练数据中SBP小于140的训练数据，第二个第一类训练数据子集包括训练数据中SBP大于等于140的训练数据。其中，将训练数据中SBP小于140的训练数据标记为-1，训练数据中SBP大于等于140的训练数据标记为+1，通过预设的分类函数获得预设分类参数A，记为a0,a1,a2,…,an。

应理解的是，上述以SBP等于140为界，将训练数据集合划分到两个第一类训练数据子集，其中，第一个第一类训练数据子集表示非高压子集，第二个第一类训练数据子集表示高压子集，仅作为一种举例，也可以根据实际情况进行其他分类。例如，以SBP等于100为界，将训练数据集合划分到两个第一类训练数据子集，第一个第一类训练数据子集包括训练数据中SBP小于100的训练数据，表示低压子集，第二个第一类训练数据子集包括训练数据中SBP大于等于100的训练数据，表示非低压子集。当然，也可以以SBP等于110、120等值为界，将训练数据集合划分为任意两个第一类训练数据子集，不考虑其中是否具有高压、低压等特定含义。

接着，测量设备根据每个第一类训练数据子集建立一个血压预测模型，获得血压预测模型集合。

例如，测量设备以SBP等于140为界，将训练数据集合分为两个第一类训练数据子集，已根据这两个第一类训练数据子集和预设分类函数获得预设分类参数。进一步地，测量设备根据这两个第一类训练数据子集通过预设回归函数获得两个血压预测模型，分别记为模型1和模型2，例如，回归函数可以是线性回归函数，其中，模型1的参数B，记为b0,b1,b2,…,bn，模型1对应的分类参考值小于0，模型2的参数C，记为c0,c1,c2,…,cn，模型2对应的分类参考值大于等于0。

进一步地，假设特征数据为x0,x1,x2,…,xn，当测量设备计算得到的分类参考值小于0时，测量设备将模型1作为目标血压预测模型，获得用户的血压测量结果为b0*x0+b1*x1+b2*x2+…+bn*xn；当测量设备计算得到的分类参考值大于等于0时，测量设备将模型2作为目标血压预测模型，获得用户的血压测量结果为c0*x0+c1*x1+c2*x2+…+cn*xn。

应理解的是，实施例中是以收缩压为例进行阐述的，预测舒张压的方式与预测收缩压的方式类似，不同之处在于将建立模型时的因变量由收缩压改为舒张压。

可选的，获得血压预测模型集合还可采用如下方案：

测量设备根据每条训练数据中包括的实际血压测量结果，将训练数据集合划分为至少两个第二类训练数据子集，根据每个第二类训练数据子集建立一个血压预测模型，获得血 压预测模型集合。其中，每个第二类训练数据子集对应一个第二类实际血压测量结果取值范围。

可选的，第一类训练数据子集的数目与第二类训练数据子集的数目相同，第i个第一类训练数据子集对应的第i个第一类实际血压测量结果取值范围是第i个第二类训练数据子集对应的第i个第二类实际血压测量结果取值范围的子集，其中，i为正整数。

例如，测量设备根据每条训练数据中包括的实际血压测量结果，将训练数据集合划分为两个第二类训练数据子集，如图5所示，第一个第二类训练数据子集包括训练数据中SBP小于150的训练数据，第二个第二类训练数据子集包括训练数据中SBP大于等于130的训练数据，然后，测量设备根据这两个第二类训练数据子集通过预设回归函数获得两个血压预测模型，分别为模型x和模型y，如图6所述，其中，模型x对应第一个第一类训练数据子集，模型x的参数B，记为b0,b1,b2,…,bn，模型x还对应分类参考值小于0，模型y对应第二个第一类训练数据子集，模型y的参数C，记为c0,c1,c2,…,cn，模型y还对应分类参考值大于等于0。

在上述实施例中，将训练数据集合划分为至少两个第二类训练数据子集，而不再继续使用至少两个第一类训练数据子集的原因在于，建立不同血压预测模型所采用的训练数据子集之间需要有一定的冗余度，以保证分类节点附近的血压测量的准确性。

又例如，以SBP等于100和SBP等于140为界将训练数据集合划分成四个第一类训练数据子集，第一个第一类训练数据子集包括训练数据中SBP小于100的训练数据，第二个第一类训练数据子集包括训练数据中SBP大于等于100的训练数据，第三个第一类训练数据子集包括训练数据中SBP小于140的训练数据，第四个第一类训练数据子集包括训练数据中SBP大于等于140的训练数据，基于第一个第一类训练数据子集和第二个第一类训练数据子集，通过预设的分类函数获得预设分类参数A1，基于第三个第一类训练数据子集和第四个第一类训练数据子集，通过预设的分类函数获得预设分类参数A2。

进一步地，将训练数据集合划分为三个第二类训练数据子集，第一个第二类训练数据子集包括训练数据中SBP小于100的训练数据，第二个第一类训练数据子集包括训练数据中SBP大于等于100且SBP小于140的训练数据，第三个第一类训练数据子集包括训练数据中SBP大于等于140的训练数据，基于这三个第二类训练数据子集通过预设回归函数获得三个血压预测模型，分别为模型x1、模型x2和模型x3。此外，在将训练数据集合划分为三个第二类训练数据子集时，也可以为各个训练数据子集之间设定一定的冗余度。

其中，模型x1对应根据A1计算得到分类参考值小于0，模型x2对应根据A1计算的分类参考值大于等于0且根据A2计算得到分类参考值小于0，模型x3对应根据A2计算得到分类参考值大于等于0。

当特征数据为x0,x1,x2,…,xn时，测量设备根据A1计算分类参考值，记为B1，根据A2计算分类参考值，记为B2，当B1小于0时，测量设备将x1作为目标血压预测模型，当B1大于等于0且B2小于0时，测量设备将x2作为目标血压预测模型，当B3大于等于0时，测量设备将x3作为目标血压预测模型。

应理解的是，上述获得预设分类参数和血压预测模型集合的过程可以由测量设备执行，也可由其他设备执行，在其他设备执行上述过程获得预设分类参数和血压预测模型集合后，需将预设分类参数和血压预测模型集合存储至测量设备中。

此外，可选的，测量设备根据特征数据和预设分类参数计算分类参考值后，测量设备 根据分类参考值落入的预设阈值范围，还可以从血压预测模型集合中确定至少两个目标血压预测模型，所述至少两个目标血压预测模型的概率和为1，测量设备将特征数据输入至每个目标血压预测模型，获得所述至少两个目标血压预测模型分别对应血压测量结果，然后根据每个目标血压预测模型的概率确定最终的用户的血压测量结果。

例如，测量设备根据分类参考值落入的预设阈值范围，从血压预测模型集合中确定两个目标血压预测模型，分别为模型1和模型2，模型1的概率为70％，模型2的概率为30％，测量设备将特征数据分别输入至这两个目标血压预测模型，获得两个血压测量结果，分别为S1和S2，然后确定最终的用户的血压测量结果为70％*S1+30％*S2。

基于同一构思，本申请还提供了一种血压测量设备，该设备可以用于执行上述图3对应的方法实施例，因此本申请实施例提供的血压测量设备的实施方式可以参见该方法的实施方式，重复之处不再赘述。

如图2所示，本申请提供一种血压测量设备，其中，采集器210，用于采集用户的生物信号；

存储器220，用于存储计算机程序；

处理器230，用于调用存储器中存储的计算机程序，以执行如下处理：

根据采集器210采集到的用户的生物信号，提取生物特征信号的特征数据；根据特征数据和预设分类参数计算分类参考值；并根据分类参考值落入的预设阈值范围，从血压预测模型集合中确定目标血压预测模型，每个血压预设模型对应一个预设阈值范围，目标血压预测模型对应的预设阈值范围与分类参考值落入的预设阈值范围相同；然后将特征数据输入目标血压预测模型，获得用户的血压测量结果。

在一种可能的实现方式中，处理器230，还用于：获取训练数据集合，训练数据集合中的每条训练数据包括一个特征数据和一个实际血压测量结果，且每条训练数据中特征数据对应的生物信号与实际血压测量结果对应的生物信号相同；根据每条训练数据中包括的实际血压测量结果，将训练数据集合划分为至少两个第一类训练数据子集；根据至少两个第一类训练数据子集和预设分类函数获得预设分类参数。

在一种可能的实现方式中，处理器230，还用于：根据每个第一类训练数据子集建立一个血压预测模型，获得血压预测模型集合。

在一种可能的实现方式中，处理器230，还用于：根据每条训练数据中包括的实际血压测量结果，将训练数据集合划分为至少两个第二类训练数据子集，第一类训练数据子集的数目与第二类训练数据子集的数目相同；根据每个第二类训练数据子集建立一个血压预测模型，获得血压预测模型集合。

在一种可能的实现方式中，第一类训练数据子集的数目与第二类训练数据子集的数目相同，每个第一类训练数据子集对应一个第一类实际血压测量结果取值范围，每个第二类训练数据子集对应一个第二类实际血压测量结果取值范围，第i个第一类训练数据子集对应的第i个第一类实际血压测量结果取值范围是第i个第二类训练数据子集对应的第i个第二类实际血压测量结果取值范围的子集，其中，i为正整数。

在具体实现过程中，图3对应的实施例的方法中的步骤可以通过处理器230中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的血压测量方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写 可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器220中，处理器230读取存储器220中的信息，结合其硬件完成图3对应的实施例的方法中的步骤。为避免重复，这里不再详细描述。

本申请还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机可以执行上述如图3对应的实施例的方法。

综上所述，测量设备采集用户的生物信号，从生物信号中提取特征数据，根据预设分类参数和从生物信号中提取的特征数据计算分类参考值，根据分类参考值确定目标血压预测模型，当分类参考值落入的预设阈值范围不同时，测量设备确定的目标血压预测模型也不同，将特征数据输入至目标血压预测模型获得血压测量结果。因此，本申请实施例提供的血压测量方法能够更好地适应血压多样性的场景，不再直接将特征数据输入到单一的血压预测模型，进而可以有效提升了血压测量的准确度，且方法简便、灵活。此外，建立不同血压预测模型所采用的训练数据子集之间具有一定的冗余度，以保证分类节点附近的血压测量的准确性。

本领域内的技术人员应明白，本申请实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (11)

1. 一种血压测量方法，其特征在于，包括：

   测量设备根据采集到的用户的生物信号，提取所述生物信号中的特征数据；

   所述测量设备根据所述特征数据和预设分类参数计算分类参考值；

   所述测量设备根据所述分类参考值落入的预设阈值范围，从血压预测模型集合中确定目标血压预测模型，每个血压预设模型对应一个预设阈值范围，所述目标血压预测模型对应的预设阈值范围与所述分类参考值落入的预设阈值范围相同；

   所述测量设备将所述特征数据输入所述目标血压预测模型，获得所述用户的血压测量结果。
2. 如权利要求1所述的方法，其特征在于，所述预设分类参数是采用以下方法获得的：

   所述测量设备获取训练数据集合，所述训练数据集合中的每条训练数据包括一个特征数据和一个实际血压测量结果，且每条训练数据中特征数据对应的生物信号与实际血压测量结果对应的生物信号相同；

   所述测量设备根据每条训练数据中包括的实际血压测量结果，将所述训练数据集合划分为至少两个第一类训练数据子集；

   所述测量设备根据所述至少两个第一类训练数据子集和预设分类函数获得预设分类参数。
3. 如权利要求2所述的方法，其特征在于，所述血压预测模型集合是采用以下方法获得的：

   所述测量设备根据每个第一类训练数据子集建立一个血压预测模型，获得血压预测模型集合。
4. 如权利要求2所述的方法，其特征在于，所述血压预测模型集合是采用以下方法获得的：

   所述测量设备根据每条训练数据中包括的实际血压测量结果，将所述训练数据集合划分为至少两个第二类训练数据子集，第一类训练数据子集的数目与第二类训练数据子集的数目相同；

   所述测量设备根据每个第二类训练数据子集建立一个血压预测模型，获得血压预测模型集合。
5. 如权利要求4所述的方法，其特征在于，第一类训练数据子集的数目与第二类训练数据子集的数目相同，每个第一类训练数据子集对应一个第一类实际血压测量结果取值范围，每个第二类训练数据子集对应一个第二类实际血压测量结果取值范围，第i个第一类训练数据子集对应的第i个第一类实际血压测量结果取值范围是第i个第二类训练数据子集对应的第i个第二类实际血压测量结果取值范围的子集，其中，i为正整数。
6. 一种血压测量设备，其特征在于，包括：采集器、存储器和处理器，其中：

   所述采集器，用于采集用户的生物信号；

   所述存储器，用于存储计算机程序；

   所述处理器，用于调用所述存储器中存储的计算机程序，执行：根据所述采集器采集到的用户的生物信号，提取所述生物信号中的特征数据；根据所述特征数据和预设分类参 数计算分类参考值；根据所述分类参考值落入的预设阈值范围，从血压预测模型集合中确定目标血压预测模型，每个血压预设模型对应一个预设阈值范围，所述目标血压预测模型对应的预设阈值范围与所述分类参考值落入的预设阈值范围相同；将所述特征数据输入所述目标血压预测模型，获得所述用户的血压测量结果。
7. 如权利要求6所述的设备，其特征在于，所述处理器，还用于：

   获取训练数据集合，所述训练数据集合中的每条训练数据包括一个特征数据和一个实际血压测量结果，且每条训练数据中特征数据对应的生物信号与实际血压测量结果对应的生物信号相同；

   根据每条训练数据中包括的实际血压测量结果，将所述训练数据集合划分为至少两个第一类训练数据子集；

   根据所述至少两个第一类训练数据子集和预设分类函数获得预设分类参数。
8. 如权利要求7所述的设备，其特征在于，所述处理器，还用于：

   根据每个第一类训练数据子集建立一个血压预测模型，获得血压预测模型集合。
9. 如权利要求8所述的设备，其特征在于，所述处理器，还用于：

   根据每条训练数据中包括的实际血压测量结果，将所述训练数据集合划分为至少两个第二类训练数据子集，第一类训练数据子集的数目与第二类训练数据子集的数目相同；

   根据每个第二类训练数据子集建立一个血压预测模型，获得血压预测模型集合。
10. 如权利要求9所述的设备，其特征在于，第一类训练数据子集的数目与第二类训练数据子集的数目相同，每个第一类训练数据子集对应一个第一类实际血压测量结果取值范围，每个第二类训练数据子集对应一个第二类实际血压测量结果取值范围，第i个第一类训练数据子集对应的第i个第一类实际血压测量结果取值范围是第i个第二类训练数据子集对应的第i个第二类实际血压测量结果取值范围的子集，其中，i为正整数。
11. 一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～5任一项所述的方法。