CN109585018A - 信息处理方法、信息处理装置及生理检测设备 - Google Patents

Abstract

本发明实施例公开一种信息处理方法、信息处理装置及生理检测设备，方法包括：采集被检测用户的生理感测信号；将生理感测信号作为第一预测模型的输入，执行第一预测模型得到生理指标；根据生理感测信号及生理指标，调整训练数据集；基于调整后的训练数据集，对第一预测模型进行重训练，得到第二预测模型及第二预测模型的相关系数；通过比较第一预测模型的相关系数及第二预测模型的相关系数，确定是否将第一预测模型更新为第二预测模型。根据本发明实施例提供的技术方案，根据实际得到的用户的生理感测信号及生理指标调整训练数据集，从而获得更符合用户自身的预测模型，进而在监测用户健康状况时，得到更加准确的生理指标，提高健康判断的准确性。

Description

信息处理方法、信息处理装置及生理检测设备

技术领域

本发明实施例属于数据处理技术领域，具体地说，涉及一种信息处理方法、信息处理装置及生理检测设备。

背景技术

随着人们对健康关注度的提高，能够实时准确地监测出用户的健康数据(如血压、血氧、血糖、心率、心电等数据)并进行健康情况的预测变得尤为重要。目前，健康类监测产品的解决方案一般是：在产品内预先存储有根据健康数据与产品输出数据之间的关系建立的模型和参数。在实际使用时，监测产品会将调用已获得的模型和参数，同时结合当前环境下得到的用户的测试数据，进而计算出用户所需要的健康数据并进行健康判断。

但是，现有的解决方案具有一定的缺陷，例如，已存储在监测产品内的模型和参数的不可改变性，加上人体的差异性，或多或少的会影响健康判断的准确性。

发明内容

有鉴于此，本发明实施例提供一种信息处理方法、信息处理装置及生理检测设备，能够获得更符合用户自身的预测模型，进而在监测用户健康状况时，得到更加准确的生理指标，提高健康判断的准确性。

为解决现有技术中的技术问题，本发明实施例提供了一种信息处理方法，包括：

采集被检测用户的生理感测信号；

将所述生理感测信号作为第一预测模型的输入，执行所述第一预测模型得到生理指标；

根据所述生理感测信号及所述生理指标，调整训练数据集；

基于调整后的所述训练数据集，对所述第一预测模型进行重训练，得到第二预测模型及所述第二预测模型的相关系数；

通过比较所述第一预测模型的相关系数及所述第二预测模型的相关系数，确定是否将所述第一预测模型更新为所述第二预测模型。

可选地，根据所述生理感测信号及所述生理指标，调整训练数据集，包括：

将所述训练数据集中误差最大的一组数据删除；

将所述生理感测信号及所述生理指标作为新增数组，添加至所述训练数据集。

可选地，还包括：

监听用户触发的交互事件；

监听到的所述交互事件为重训练事件时，再执行基于调整后的所述训练数据集，对所述第一预测模型进行重训练的动作。

可选地，通过比较所述第一预测模型的相关系数及所述第二预测模型的相关系数，确定是否将所述第一预测模型更新为所述第二预测模型，包括：

比较所述第一预测模型的相关系数大于所述第二预测模型的相关系数时，将所述第一预测模型更新为所述第二预测模型；

比较所述第一预测模型的相关系数小于或等于所述第二预测模型的相关系数时，保留所述第一预测模型。

可选地，所述第一预测模型为：神经网络模型、最小二乘支持向量机或深度学习模型。

可选地，所述生理指标包括血压数据、血氧数据、血糖数据、心率数据及心电数据中的一种或多种。

相应地，本发明实施例还提供了一种信息处理装置，包括：

采集模块，用于采集被检测用户的生理感测信号；

执行模块，用于将所述生理感测信号作为第一预测模型的输入，执行所述第一预测模型得到生理指标；

调整模块，用于根据所述生理感测信号及所述生理指标，调整训练数据集；

训练模块，用于基于调整后的所述训练数据集，对所述第一预测模型进行重训练，得到第二预测模型及所述第二预测模型的相关系数；

确定模块，用于通过比较所述第一预测模型的相关系数及所述第二预测模型的相关系数，确定是否将所述第一预测模型更新为所述第二预测模型。

可选地，所述调整模块还用于：将所述训练数据集中误差最大的一组数据删除；

将所述生理感测信号及所述生理指标作为新增数组，添加至所述训练数据集。

可选地，还包括：

监听模块，用于监听用户触发的交互事件；

所述执行模块，还用于在所述监听模块监听到的所述交互事件为重训练事件时，再执行基于调整后的所述训练数据集，对所述第一预测模型进行重训练的动作。

可选地，所述确定模块还用于：比较所述第一预测模型的相关系数大于所述第二预测模型的相关系数时，将所述第一预测模型更新为所述第二预测模型；

比较所述第一预测模型的相关系数小于或等于所述第二预测模型的相关系数时，保留所述第一预测模型。

相应地，本发明实施例还提供了一种生理检测设备，包括：传感器、存储器及处理器，其中，

所述传感器，用于采集被检测用户的生理感测信号；

所述存储器，用于存储程序、第一预测模型及训练数据集；

所述处理器，与所述传感器及所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：

将所述生理感测信号作为所述第一预测模型的输入，执行所述第一预测模型得到生理指标；

根据所述生理感测信号及所述生理指标，调整所述训练数据集；

基于调整后的所述训练数据集，对所述第一预测模型进行重训练，得到第二预测模型及所述第二预测模型的相关系数；

通过比较所述第一预测模型的相关系数及所述第二预测模型的相关系数，确定是否将所述第一预测模型更新为所述第二预测模型。

可选地，还包括：外壳；所述存储器及所述处理器设置在所述外壳内；

所述外壳上还设有人机交互部件；

所述人机交互部件，用于监听用户触发的交互事件；

所述处理器，还用于在监听到的所述交互事件为重训练事件时，再执行基于调整后的所述训练数据集，对所述第一预测模型进行重训练的动作。

另外，可选地，所述人机交互部件包括如下至少一种：控键、触摸屏、麦克风及摄像头。

根据发明实施例提供的技术方案，可根据实际得到的用户的生理感测信号及生理指标调整训练数据集，从而获得更符合用户自身的预测模型，进而在监测用户健康状况时，得到更加准确的生理指标，防止因人体差异性导致的生理指标误差，提高健康判断的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明实施例的一部分，本发明实施例的示意性实施例及其说明用于解释本发明实施例，并不构成对本发明实施例的不当限定。

在附图中：

图1为本发明实施例的信息处理方法的流程示意图；

图2为本发明实施例的信息处理装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将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、完整地描述，显然，所描述的实施例是本发明实施例一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。

在本发明的说明书、权利要求书及上述附图中描述的一些流程中，包含了按照特定顺序出现的多个操作，这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等，仅仅是用于区分各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

发明人在实现本发明的过程中发现，现有的健康类监测产品的方案中，根据健康数据与产品输出数据之间的关系建立的模型和参数具有不可改变性，加上人体的差异性，或多或少的会影响健康判断的准确性。

因此，为解决现有技术中的缺陷，本发明实施例提供了一种信息处理方法、信息处理装置及生理检测设备，能够获得更符合用户自身的预测模型，进而在监测用户健康状况时，得到更加准确的生理指标，提高健康判断的准确性。

以下将配合附图及实施例来详细说明本发明实施例的实施方式，藉此对本发明实施例如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施，以下结合附图对本发明的结构做进一步说明。

实施例1：

图1为本发明实施例的信息处理方法的流程示意图，如图1所示：本发明实施例提供了一种信息处理方法，包括：

步骤S101：采集被检测用户的生理感测信号；

步骤S101中，生理感测信号包括通过传感器采集到的电信号，例如电压信号等。

步骤S102：将生理感测信号作为第一预测模型的输入，执行第一预测模型得到生理指标；

步骤S102中，通过第一预测模型可将传感器采集到的电信号，如电压信号转化为可辨识的生理指标，例如，生理指标包括血压数据、血氧数据、血糖数据、心率数据及心电数据中的一种或多种，通过生理指标用户可直接获知自身的健康状况。

步骤S103：根据生理感测信号及生理指标，调整训练数据集；

步骤S104：基于调整后的训练数据集，对第一预测模型进行重训练，得到第二预测模型及第二预测模型的相关系数；

预测模型的相关系数用来间接评判预测模型的拟合度，拟合度越高的预测模型得到的生理指标越接近用户真实的生理指标。

步骤S105：通过比较第一预测模型的相关系数及第二预测模型的相关系数，确定是否将第一预测模型更新为第二预测模型。例如，若第一预测模型的拟合度没有第二预测模型高，则将第一预测模型更新为第二预测模型。

根据发明实施例提供的技术方案，可根据实际得到的用户的生理感测信号及生理指标调整训练数据集，从而获得更符合用户自身的预测模型，进而在监测用户健康状况时，得到更加准确的生理指标，防止因人体差异性导致的生理指标误差，提高健康判断的准确性。

下面对本发明实施例提供的信息处理方法作进一步的详细介绍。

本发明的一种可实现的实施例中，对于步骤S103来说，根据生理感测信号及生理指标，调整训练数据集，包括：将训练数据集中误差最大的一组数据删除。将生理感测信号及生理指标作为新增数组，添加至训练数据集。

以生理指标为血压为例，训练数据集为(X，Y)，其中X代表血压数据，Y代表生理感测信号数据，则预测模型为F(X，Y)，预测模型的相关系数为R。第一预测模型可以根据实际情况确定，可以为神经网络模型、最小二乘支持向量机或深度学习模型等。

在首次采集被检测用户的生理感测信号之前，根据已有的训练数据集(X0，Y0)，训练得到预测模型F0(X0，Y0)。预测模型是通过提取训练数据集(X0，Y0)的特征学习优化得来的，即使优化再好的预测模型的相关系数R也不会达到100％，训练数据集中总会存在一组或几组稍偏离预测模型的数据，这一组或几组数据通常会有较大的相对误差。相对误差可通过比较单个血压数据X0与平均血压数据的差的绝对值，绝对值越大误差越大。或者相对误差可通过比较训练数据集内的单个血压数据X0与执行预测模型得到的血压数据的差的绝对值，绝对值越大误差越大。

用户首次使用时，血压传感器会采集一组生理感测信号y’，同时根据已有的预测模型F0(X0，Y0)，计算得出对应的血压数据x’。为使得训练数据集的数据更加接近用户的实际的生理指标，将训练数据集(X0，Y0)中相对误差最大的一组数据删除，同时将这次的用户数据(x’，y’)作为新增数组，添加进训练数据集(X0，Y0)中，进而得到更新后的训练数据集(X’，Y’)，并基于此时的训练数据集(X’，Y’)进行预测模型的训练学习，得到新的预测模型F’(X’,Y’)以及模型的相关系数R’。

本发明的一种可实现的实施例中，对于步骤S105来说，通过比较第一预测模型的相关系数及第二预测模型的相关系数，确定是否将第一预测模型更新为第二预测模型，包括：比较第一预测模型的相关系数大于第二预测模型的相关系数时，将第一预测模型更新为第二预测模型。比较第一预测模型的相关系数小于或等于第二预测模型的相关系数时，保留第一预测模型。

预测模型的相关系数用来间接评判预测模型的拟合度，相关系数越接近100％则说明预测模型的拟合度越高，则通过拟合度越高的预测模型得到的生理指标越接近用户真实的生理指标。举例来说，将原有训练数据集(X0，Y0)中相对误差最大的一组数据删除后，将用户数据(x’，y’)添加进去，进而得到更新后的训练数据集(X’，Y’)，并基于此时的训练数据集(X’，Y’)进行预测模型的训练学习，得到新的预测模型F’(X’,Y’)以及模型的相关系数R’。如果第二预测模型的相关系数R’大于第一预测模型的相关系数R，则将第二预测模型更新为此时的预测模型F’(X’，Y’)。如果此时第二模型的相关系数R’小于第一模型的相关系数R，则仍保留第一预测模型F0(X0，Y0)为此时的预测模型。

本发明的一种可实现的实施例中，是否将第一预测模型更新为第二预测模型，可以自动完成，或者用户可以根据自己的意向进行预测模型的重新训练与否。若用户根据自己的意向进行预测模型的重新训练时，信息处理方法还包括：

监听用户触发的交互事件。交互事件可以是用户通过触控设备上的按键触发的，或者用户发出的语音指令等等。

监听到的交互事件为重训练事件时，再执行基于调整后的训练数据集，对第一预测模型进行重训练的动作。重训练后得到第二预测模型及第二预测模型的相关系数。比较第一预测模型的相关系数及第二预测模型的相关系数，当第一预测模型的相关系数大于第二预测模型的相关系数时，将第一预测模型更新为第二预测模型。比较第一预测模型的相关系数小于或等于第二预测模型的相关系数时，保留第一预测模型。

实施例2

图2为本发明实施例的信息处理装置的结构示意图，如图2所示：相应地，本发明实施例还提供了一种信息处理装置，该装置可以是集成在生理检测设备上的一个具有嵌入式程序的硬件，也可以是安装在生理检测设备中的一个应用软件，还可以是嵌入在生理检测设备操作系统中的工具软件等，本申请实施例对此不作限定。该信息处理装置可执行实施例1中的方法。

具体地，信息处理装置包括：

采集模块10，用于采集被检测用户的生理感测信号；

执行模块20，用于将生理感测信号作为第一预测模型的输入，执行预测模型得到生理指标；

调整模块30，用于根据生理感测信号及生理指标，调整训练数据集；

训练模块40，用于基于调整后的训练数据集，对第一预测模型进行重训练，得到第二预测模型及第二预测模型的相关系数；

确定模块50，用于通过比较第一预测模型的相关系数及第二预测模型的相关系数，确定是否将第一预测模型更新为第二预测模型。

根据发明实施例提供的技术方案，可根据实际得到的用户的生理感测信号及生理指标调整训练数据集，从而获得更符合用户自身的预测模型，进而在监测用户健康状况时，得到更加准确的生理指标，防止因人体差异性导致的生理指标误差，提高健康判断的准确性。

进一步地，调整模块30还用于：将训练数据集中误差最大的一组数据删除；

将生理感测信号及生理指标作为新增数组，添加至训练数据集。

进一步地，还包括：监听模块，用于监听用户触发的交互事件；

执行模块20，还用于在监听模块监听到的交互事件为重训练事件时，再执行基于调整后的训练数据集，对第一预测模型进行重训练的动作。

进一步地，确定模块50还用于：比较第一预测模型的相关系数大于第二预测模型的相关系数时，将第一预测模型更新为第二预测模型；

比较第一预测模型的相关系数小于或等于第二预测模型的相关系数时，保留第一预测模型。

实施例2中的装置可执行实施例1中的方法，实施例2与实施例1中的技术特征相对应，可相互参考，此处不再一一赘述。

实施例3

相应地，本发明实施例还提供了一种生理检测设备，包括：传感器、存储器及处理器。

其中，传感器用于采集被检测用户的生理感测信号。存储器用于存储程序、第一预测模型及训练数据集。处理器与传感器及存储器耦合，用于执行存储器中存储的程序，以用于：将生理感测信号作为第一预测模型的输入，执行预测模型得到生理指标。根据生理感测信号及生理指标，调整训练数据集。基于调整后的训练数据集，对第一预测模型进行重训练，得到第二预测模型及第二预测模型的相关系数。通过比较第一预测模型的相关系数及第二预测模型的相关系数，确定是否将第一预测模型更新为第二预测模型。

本发明的一种可实现的实施例中，传感器根据其用于采集的生理感测信号的不同，包括但不限于血压传感器、血氧传感器、血糖传感器、心率传感器及心电传感器等。处理器包括但不限于为CPU(中央处理器，CentralProcessing Unit)或MCU(微控制单元，Microcontroller Unit)。生理检测设备可根据实际得到的用户的生理感测信号及生理指标调整训练数据集，从而获得更符合用户自身的预测模型，进而在监测用户健康状况时，得到更加准确的生理指标，防止因人体差异性导致的生理指标误差，提高健康判断的准确性。

进一步地，为保护生理检测设备内部的部件，生理检测设备还包括：外壳。存储器及处理器设置在外壳内。外壳上还设有人机交互部件。通过人机交互部件用户可对生理检测设备进行操作，例如，控制选择进行预测模型的重新训练与否。具体地，人机交互部件用于监听用户触发的交互事件。处理器还用于在监听到的交互事件为重训练事件时，再执行基于调整后的训练数据集，对第一预测模型进行重训练的动作。

本发明的一种可实现的实施例中，人机交互部件包括如下至少一种：控键、触摸屏、麦克风及摄像头。交互事件可以是用户通过触控设备上的按键或触摸屏触发的，或者用户发出的语音指令触发，或者作出规定动作进行触发等等。

实施例3中的设备可执行实施例1中的方法，实施例3与实施例1及实施例2中的技术特征相对应，可相互参考，此处不再一一赘述。

综上所述，根据发明实施例提供的技术方案，可根据实际得到的用户的生理感测信号及生理指标调整训练数据集，从而获得更符合用户自身的预测模型，进而在监测用户健康状况时，得到更加准确的生理指标，防止因人体差异性导致的生理指标误差，提高健康判断的准确性。

需要说明的是，虽然结合附图对本发明的具体实施方式进行了详细地描述，但不应理解为对本发明的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属于本发明的保护范围。

本发明实施例的示例旨在简明地说明本发明实施例的技术特点，使得本领域技术人员能够直观了解本发明实施例的技术特点，并不作为本发明实施例的不当限定。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的，本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

上述说明示出并描述了本发明实施例的若干优选实施例，但如前所述，应当理解本发明实施例并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述申请构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明实施例的精神和范围，则都应在本发明实施例所附权利要求的保护范围内。

Claims (13)

1.一种信息处理方法，其特征在于，包括：

采集被检测用户的生理感测信号；

将所述生理感测信号作为第一预测模型的输入，执行所述第一预测模型得到生理指标；

根据所述生理感测信号及所述生理指标，调整训练数据集；

基于调整后的所述训练数据集，对所述第一预测模型进行重训练，得到第二预测模型及所述第二预测模型的相关系数；

通过比较所述第一预测模型的相关系数及所述第二预测模型的相关系数，确定是否将所述第一预测模型更新为所述第二预测模型。

2.根据权利要求1所述的方法，其特征在于，根据所述生理感测信号及所述生理指标，调整训练数据集，包括：

将所述训练数据集中误差最大的一组数据删除；

将所述生理感测信号及所述生理指标作为新增数组，添加至所述训练数据集。

3.根据权利要求1所述的方法，其特征在于，还包括：

监听用户触发的交互事件；

监听到的所述交互事件为重训练事件时，再执行基于调整后的所述训练数据集，对所述第一预测模型进行重训练的动作。

4.根据权利要求1至3中任一项所述的方法，其特征在于，通过比较所述第一预测模型的相关系数及所述第二预测模型的相关系数，确定是否将所述第一预测模型更新为所述第二预测模型，包括：

比较所述第一预测模型的相关系数大于所述第二预测模型的相关系数时，将所述第一预测模型更新为所述第二预测模型；

比较所述第一预测模型的相关系数小于或等于所述第二预测模型的相关系数时，保留所述第一预测模型。

5.根据权利要求1至3中任一项所述的方法，其特征在于，所述第一预测模型为：神经网络模型、最小二乘支持向量机或深度学习模型。

6.根据权利要求1至3中任一项所述的方法，其特征在于，所述生理指标包括血压数据、血氧数据、血糖数据、心率数据及心电数据中的一种或多种。

7.一种信息处理装置，其特征在于，包括：

采集模块，用于采集被检测用户的生理感测信号；

执行模块，用于将所述生理感测信号作为第一预测模型的输入，执行所述第一预测模型得到生理指标；

调整模块，用于根据所述生理感测信号及所述生理指标，调整训练数据集；

训练模块，用于基于调整后的所述训练数据集，对所述第一预测模型进行重训练，得到第二预测模型及所述第二预测模型的相关系数；

确定模块，用于通过比较所述第一预测模型的相关系数及所述第二预测模型的相关系数，确定是否将所述第一预测模型更新为所述第二预测模型。

8.根据权利要求7所述的装置，其特征在于，所述调整模块还用于：将所述训练数据集中误差最大的一组数据删除；

将所述生理感测信号及所述生理指标作为新增数组，添加至所述训练数据集。

9.根据权利要求7或8所述的装置，其特征在于，还包括：

监听模块，用于监听用户触发的交互事件；

所述执行模块，还用于在所述监听模块监听到的所述交互事件为重训练事件时，再执行基于调整后的所述训练数据集，对所述第一预测模型进行重训练的动作。

10.根据权利要求7或8所述的装置，其特征在于，所述确定模块还用于：比较所述第一预测模型的相关系数大于所述第二预测模型的相关系数时，将所述第一预测模型更新为所述第二预测模型；

比较所述第一预测模型的相关系数小于或等于所述第二预测模型的相关系数时，保留所述第一预测模型。

11.一种生理检测设备，其特征在于，包括：传感器、存储器及处理器，其中，

所述传感器，用于采集被检测用户的生理感测信号；

所述存储器，用于存储程序、第一预测模型及训练数据集；

所述处理器，与所述传感器及所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：

将所述生理感测信号作为所述第一预测模型的输入，执行所述第一预测模型得到生理指标；

根据所述生理感测信号及所述生理指标，调整所述训练数据集；

基于调整后的所述训练数据集，对所述第一预测模型进行重训练，得到第二预测模型及所述第二预测模型的相关系数；

通过比较所述第一预测模型的相关系数及所述第二预测模型的相关系数，确定是否将所述第一预测模型更新为所述第二预测模型。

12.根据权利要求11所述的设备，其特征在于，还包括：外壳；所述存储器及所述处理器设置在所述外壳内；

所述外壳上还设有人机交互部件；

所述人机交互部件，用于监听用户触发的交互事件；

所述处理器，还用于在监听到的所述交互事件为重训练事件时，再执行基于调整后的所述训练数据集，对所述第一预测模型进行重训练的动作。

13.根据权利要求12所述的设备，其特征在于，所述人机交互部件包括如下至少一种：控键、触摸屏、麦克风及摄像头。