CN109948280A - 无袖带血压模型生成方法、装置、设备及可读存储介质 - Google Patents
无袖带血压模型生成方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN109948280A CN109948280A CN201910249004.6A CN201910249004A CN109948280A CN 109948280 A CN109948280 A CN 109948280A CN 201910249004 A CN201910249004 A CN 201910249004A CN 109948280 A CN109948280 A CN 109948280A
- Authority
- CN
- China
- Prior art keywords
- model
- blood pressure
- meta
- user
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种无袖带血压模型生成方法，包括如下步骤：对构造的血压预测模型进行参数初始化，获得血压预测元模型；获取多个用户个体的训练样本数据；基于每个用户个体的训练样本数据以及所述血压预测元模型进行优化训练，生成对应于每个用户个体的个体模型；根据每个用户个体的个体模型对所述血压预测元模型的参数进行优化，使得优化后的所述血压预测元模型与各个个体模型在参数空间的距离接近，从而获得优化后的血压预测模型。本发明还公开了一种无袖带血压模型生成装置、设备及计算机可读存储介质，本发明通过对血压预测元模型与个体模型的相对位置进行约束，有效缓解因模型参数量大而导致的校准困难。
Description
技术领域
本发明涉及医疗器械领域，具体地涉及一种无袖带血压模型生成方法、装置、设备及计算机可读存储介质。
背景技术
目前常见的无创血压测量方法可分为袖带式和无袖带式两种。袖带式法的代表是柯式音法和示波法，其优点是单次测量准确率高，但是由于需要通过袖带充放气进行血压测量，无法实现连续监测且不便于长期使用。因此，发展适用于连续血压监测的无袖带血压测量方法显得尤为重要。
现有的无袖带血压测量方法，受个体差异的影响较大，使用前需要针对每个个体进行校准以保证测量准确度。然而，校准模型所需的校准样本数和校准时间会随着模型参数量的增加而增加。尤其是利用深度学习技术对血压测量模型进行建模时，模型参数量很容易达到几十乃至上百万，此时需要的校准样本数量和校准时间会非常多，极大限制了无袖带血压测量技术的应用。
发明内容
有鉴于此，本发明的目的在于提出一种无袖带血压模型生成方法、装置、设备及计算机可读存储介质，能够实现血压测量模型在不同个体间的少样本、快速校准。
本发明实施例提供了一种无袖带血压模型生成方法，包括如下步骤：
对构造的血压预测模型进行参数初始化，获得血压预测元模型；其中，所述血压预测模型的输入包括用户的生理信号数据，输出为测量血压值；
获取多个用户个体的训练样本数据；其中，所述训练样本数据包括用户个体的生理信号数据和对应的实测血压值；
基于每个用户个体的训练样本数据以及所述血压预测元模型进行优化训练，生成对应于每个用户个体的个体模型；
根据每个用户个体的个体模型对所述血压预测元模型的参数进行优化，使得优化后的所述血压预测元模型与各个个体模型在参数空间中的距离接近，从而获得优化后的血压预测模型。
优选地，优化后的所述血压预测元模型与各个个体模型在参数空间中的距离之和最小。
优选地，所述根据每个用户个体的个体模型对所述血压预测元模型的参数进行优化，使得优化后的所述血压预测元模型与各个个体模型的距离接近，具体包括：
获取所述血压预测元模型根据初始化生成的第一参数组，以及每个个体模型根据所述优化训练得到的第二参数组；
根据所述第一参数组以及每个个体模型的第二参数组，计算所述血压预测元模型和各个个体模型在参数空间的距离；以及
根据计算得到的距离对所述第一参数组进行优化，使得所述血压预测元模型与各个个体模型在参数空间中的距离之和最小，从而获得优化后的血压预测模型。
优选地，利用欧式距离算法、马氏距离算法、余弦距离算法或KL散度算法计算所述血压预测元模型和各个个体模型在参数空间的距离。
优选地，根据计算得到的距离对所述第一参数组进行优化的方法为梯度下降法、遗传算法或粒子群算法。
优选地，对所述血压预测模型进行参数初始化的方法为随机初始化方法、预训练法或启发式法。
优选地，基于每个用户个体的训练样本数据以及所述血压预测元模型进行优化训练，生成对应于每个用户个体的个体模型具体为：
将每个用户个体的生理信号数据输入所述血压预测元模型，得到对应的用户个体的测量血压值。
根据对应用户个体的实测血压值和测量血压值对所述血压预测元模型的参数进行优化，生成对应用户个体的个体模型。
本发明实施例还提供了一种无袖带血压模型生成装置，包括：
血压预测元模型获取单元，用于对构造的血压预测模型进行参数初始化，获得血压预测元模型；其中，所述血压预测模型的输入包括用户的生理信号数据，输出为测量血压值；
训练样本数据获取单元，用于获取多个用户个体的训练样本数据，所述训练样本数据包括用户个体的生理信号数据和对应的实测血压值；
个体模型生成单元，用于基于每个用户个体的训练样本数据以及所述血压预测元模型进行优化训练，生成对应于每个用户个体的个体模型；
血压预测元模型优化单元，用于根据每个用户个体的个体模型对所述血压预测元模型的参数进行优化，使得优化后的所述血压预测元模型与各个个体模型在参数空间的距离接近，从而获得优化后的血压预测模型。
本发明实施例还提供了一种无袖带血压模型生成设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的无袖带血压模型生成方法。
本发明实施例还提供了一种计算机可读存储介质，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的无袖带血压模型生成方法。
上述一个实施例中，通过建立适用于快速校准的血压预测元模型，并以血压预测元模型为参数优化目标，根据每个用户个体的个体模型对所述血压预测元模型的参数进行优化，对血压预测元模型和个体模型的相对位置进行约束，使得优化训练后的血压预测模型与各个个体模型在参数空间中的距离接近，从而实现血压预测模型在不同个体间的少样本、快速校准。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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。
图1是本发明第一实施例提供的无袖带血压模型生成方法的流程示意图。
图2是本发明第一实施例提供的血压预测元模型和个体模型在参数空间中的位置、距离示意图。
图3是本发明第一实施例提供的血压预测元模型在参数空间中的优化过程示意图。
图4是本发明第二实施例提供的无袖带血压模型生成装置的结构示意图。
图5是本发明一个实施例提供的个体模型生成单元的结构示意图。
图6是本发明一个实施例提供的血压预测元模型优化单元的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明第一实施例提供了一种无袖带血压预测模型生成方法，包括如下步骤：
S101，对构造的血压预测模型进行参数初始化，获得血压预测元模型；其中，所述血压预测模型的输入包括用户的生理信号数据，输出为测量血压值。
在本实施例中，用户的生理信号数据包括用户的脉搏波信号、心电信号。在其他实施例中，用户的生理信号数据还可以进一步包括用户的身高、体重等。
在本实施例中，血压预测模型可以利用现有的机器学习、深度学习、变量回归等技术构造得到，本发明不做具体限定。其中，血压预测模型在构造完成后，需要进行参数的初始化。例如可使用随机初始化方法进行参数初始化，如标准随机初始化、XavierInitialization、He Initialization等。可以理解的是，在本发明的其他实施例中，还可以用预训练法或启发式方法等对血压预测模型进行参数初始化。在初始化后，所述血压预测元模型具有根据初始化生成的第一参数组。
S102，获取多个用户个体的训练样本数据；其中，所述训练样本数据包括用户个体的生理信号数据和对应的实测血压值。
在本实施例中，用户个体的训练样本数据可以从用于构造血压预测模型的数据库中获得，也可以另外获得。用户个体的训练样本数据可以是2份、3份、4份等，本发明实施例不作具体的限制。
用户个体的实测血压值优选为通过袖带式血压计测量得到。
S103，基于每个用户个体的训练样本数据以及所述血压预测元模型进行优化训练，生成对应于每个用户个体的个体模型。
在本实施例中，在获得所述血压预测元模型以及每个用户个体的训练样本数据后，可针对每个用户个体的训练样本数据对所述血压预测元模型进行训练，得到相应于每个用户个体的个体模型。在训练后，每个个体模型具有根据所述优化训练得到的第二参数组。
具体地，在训练某个用户个体的个体模型时，将训练样本数据中的生理信号数据作为输入，将训练样本数据中的实测血压值作为输出，对血压预测元模型的参数进行优化训练，即可以获得对应于该用户个体的个体模型。显而易见的是，由于该个体模型是采用用户个体的训练样本数据训练得到的，因而其对该用户个体的测量具有较高的准确度。
S104，根据每个用户个体的个体模型对所述血压预测元模型的参数进行优化，使得优化后的所述血压预测元模型与各个个体模型在参数空间中的距离接近，从而获得优化后的血压预测模型。
在本实施例中，在得到用户个体的个体模型后，可以计算每个用户个体的个体模型与所述血压预测元模型在参数空间中的距离。其中，距离的大小表示个体模型与所述血压预测元模型的相关程度，距离越小表示个体模型与所述血压预测元模型的相关程度越大，则在将所述血压预测元模型校准到个体模型时所需的样本较少或者时间较短；反之，距离越大表示个体模型与所述血压预测元模型的相关程度越小，则在将所述血压预测元模型校准到个体模型时所需的样本较多或者时间较长。
例如，假设用户个体A的个体模型为1，其与血压预测元模型的距离为DA，用户个体B的个体模型为2，其与血压预测元模型的距离为DB；用户个体C的个体模型为3，其与血压预测元模型的距离为DC。DA越短，则该血压预测元模型校准到个体模型1越容易，反之，DA越长，则该血压预测元模型校准到个体模型1越困难。同样地，DB越短，则该血压预测元模型校准到个体模型2越容易，DC越短，则该血压预测元模型校准到个体模型3越容易。显而易见地，当DA、DB、DC的总和最小时，该血压预测元模型与个体模型A、B、C的距离整体较小，因此，该血压预测元模型可以很容易快速地校准到个体模型1、2、3。
在本实施例中，可以采用梯度下降法、遗传算法、粒子群算法等方法对所述血压预测元模型的参数进行优化，来使得优化后的所述血压预测元模型与各个个体模型在参数空间中的距离之和最小。
综上所述，本实施例中，通过约束血压预测元模型和个体模型的相对位置，使得优化后的血压预测元模型与各个个体模型的距离之和最短，从而该血压预测元模型可以很方便快速地校准到各个用户个体的个体模型。因此，训练所得的血压预测模型可实现少样本、快速地校准到不同用户个体，有助于血压预测模型的发展，尤其是深度学习模型的应用。
在上述实施例的基础上，本发明的一个优选实施例中，步骤S103具体包括：
S1031，将每个用户个体的生理信号数据输入所述血压预测元模型，得到对应的用户个体的测量血压值。
S1032，根据对应用户个体的实测血压值和测量血压值对所述血压预测元模型的参数进行优化，生成对应用户个体的个体模型。
在本实施例中，以血压预测元模型所处的位置为起点，利用优化算法迭代优化n轮(n＝1,2,3……)，而后将迭代优化后的参数作为个体模型的参数，即获得对应用户个体的个体模型。例如可以采用梯度下降法、遗传算法或粒子群算法等方法进行优化训练。
以梯度下降法为例，则此时步骤S1032具体包括：
重复以下步骤直至达到预设的迭代次数：将测量血压值和对应的实测血压输入损失函数，例如均方差损失函数，计算所述损失函数损失并回传梯度；根据回传的梯度优化血压预测元模型的参数，从而生成对应用户个体的个体模型。
在本实施例中，所述优化训练的方法可以是梯度下降法、遗传算法、粒子群算法等。
在上述实施例的基础中，在本发明的一个优选实施例中，步骤S104具体包括：
S1041，获取所述血压预测元模型根据初始化生成的第一参数组，以及每个个体模型根据所述优化训练得到的第二参数组。
S1042，根据所述第一参数组以及每个个体模型的第二参数组，计算所述血压预测元模型和各个个体模型在参数空间的距离。
在本实施例中，所述血压预测元模型和各个个体模型的参数空间可以由模型的所有(或部分)参数构成，例如，对于多层感知机模型而言，不同单元间的连接权重参数和偏置参数就可以构成一个参数空间。
如图2所示为血压预测元模型和个体模型在参数空间中的位置、距离示意图。在计算血压预测元模型与个体模型的距离时，可以根据实际需求选择合适的距离计算方法，比如欧氏距离、曼哈顿距离、马氏距离、余弦距离、KL散度等。
以欧氏距离为例：设所述血压预测元模型的第一参数组为W，个体模型的第二参数组为Wn，则计算W和Wn的欧氏距离作为元模型和个体模型在参数空间内的距离D。计算公式如下：
S1043，根据计算得到的距离对所述第一参数组进行优化，使得所述血压预测元模型与各个个体模型在参数空间的距离之和最小，从而获得优化后的血压预测模型。
如图3所示为血压预测元模型在参数空间中的优化过程示意图。通过对第一参数组进行优化，使得所述血压预测元模型在参数空间中离各个个体模型的距离之和最小。在本实施例中，血压预测元模型在参数空间中离各个个体模型的距离之和最小可以表示血压预测元模型在参数空间中离各个个体模型的距离减小到预设的可接受水平，例如可以采用梯度下降法、遗传算法或粒子群算法等方法进行优化。
以梯度下降法为例，步骤S1043具体包括：
以血压预测元模型的参数作为优化起点，重复以下步骤直至达到预设的条件，例如达到预设的迭代次数：
以参数空间中血压预测元模型到个体模型的方向作为梯度方向，以血压预测元模型和个体模型的距离给优化步长加权，将血压预测元模型到各个体模型的梯度进行累加得到综合梯度；根据综合梯度优化血压预测元模型的参数。
可以理解的是，以血压预测元模型随机初始后的参数作为优化起点，按照步骤S104中的方法得到优化后的血压预测元模型后，继续以优化后的血压预测元模型为优化起点，按照步骤S104中的方法对血压预测元模型进行优化，直到血压预测元模型在参数空间中离各个个体模型的距离之和最小。
请参阅图4，本发明第二实施例提供了一种无袖带血压模型生成装置，包括：
血压预测元模型获取单元10，用于对构造的血压预测模型进行参数初始化，获得血压预测元模型；其中，所述血压预测模型的输入包括用户的生理信号数据，输出为测量血压值。
在本实施例中，用户的生理信号数据包括用户的脉搏波信号、心电信号。在其他实施例中，用户的生理信号数据还可以进一步包括用户的身高、体重等。
血压预测模型可以利用现有的机器学习、深度学习、变量回归等技术构造得到，本发明不做具体限定。其中，血压预测模型在构造完成后，需要进行参数的初始化。例如可使用随机初始化方法进行参数初始化，如标准随机初始化、Xavier Initialization、HeInitialization等。可以理解的是，在本发明的其他实施例中，还可以用预训练法或启发式方法等对血压预测模型进行参数初始化。在初始化后，所述血压预测元模型具有根据初始化生成的第一参数组。
训练样本数据获取单元20，用于获取多个用户个体的训练样本数据，所述训练样本数据包括用户个体的生理信号数据和对应的实测血压值。
个体模型生成单元30，用于基于每个用户个体的训练样本数据以及所述血压预测元模型进行优化训练，生成对应于每个用户个体的个体模型。
在本实施例中，在获得所述血压预测元模型以及每个用户个体的训练样本数据后，可针对每个用户个体的训练样本数据对所述血压预测元模型进行训练，得到相应于每个用户个体的个体模型。在训练后，每个个体模型具有根据所述优化训练得到的第二参数组。在本实施例中，所述优化训练的方法可以是梯度下降法、遗传算法、粒子群算法等。
具体地，在训练某个用户个体的个体模型时，将训练样本数据中的生理信号数据作为输入，将训练样本数据中的实测血压值作为输出，对血压预测元模型的参数进行优化训练，即可以获得对应于该用户个体的个体模型。显而易见的是，由于该个体模型是采用用户个体的训练样本数据训练得到的，因而其对该用户个体的测量具有较高的准确度。
请参阅图5，在本发明的一个优选实施例中，个体模型生成单元30具体包括：
测量血压值获取模块31，用于将每个用户个体的生理信号数据输入所述血压预测元模型，得到对应的用户个体的测量血压值。
个体模型获取模块32，根据对应用户个体的实测血压值和测量血压值对所述血压预测元模型的参数进行优化，生成对应用户个体的个体模型。
在本实施例中，以血压预测元模型所处的位置为起点，利用优化算法迭代优化n轮(n＝1,2,3……)，而后将迭代优化后的参数作为个体模型的参数，对所述血压预测元模型的参数进行优化得到对应用户个体的个体模型。每个个体模型具有根据所述优化训练得到的第二参数组。例如可以采用梯度下降法、遗传算法或粒子群算法等方法进行优化。以梯度下降法为例，个体模型获取模块32具体包括：输入子模块，用于将测量血压值和对应的实测血压输入损失函数，例如均方差损失函数；计算子模块，用于计算所述损失函数的损失并回传梯度，根据回传的梯度优化血压预测元模型的参数，从而获得对应的个体模型。
血压预测元模型优化单元40，用于根据每个用户个体的个体模型对所述血压预测元模型的参数进行优化，使得优化后的所述血压预测元模型与各个个体模型在参数空间的距离接近，从而获得优化后的血压预测模型。
在本实施例中，可以采用梯度下降法、遗传算法、粒子群算法等方法对所述血压预测元模型的参数进行优化。
在第二实施例的基础中，在本发明的一个优选实施例中，所述血压预测元模型优化单元40包括：
第一参数组获取模块41，用于获取所述血压预测元模型根据初始化生成的第一参数组。
第二参数组获取模块42，用于获取每个个体模型根据所述优化训练得到的第二参数组。
距离计算模块43，用于根据所述第一参数组以及每个个体模型的第二参数组，计算所述血压预测元模型和各个个体模型在参数空间的距离。
在本实施例中，所述血压预测元模型和各个个体模型的参数空间可以由模型的所有(或部分)参数构成，例如，对于多层感知机模型而言，不同单元间的连接权重参数和偏置参数就可以构成一个参数空间。
在计算血压预测元模型与个体模型的距离时，可以根据实际需求选择合适的距离计算方法，比如欧氏距离、曼哈顿距离、马氏距离、余弦距离、KL散度等。以欧氏距离为例：设所述血压预测元模型的第一参数组为W，个体模型的第二参数组为Wn，则计算W和Wn的欧氏距离作为元模型和个体模型在参数空间内的距离D。计算公式如下：
距离优化模块44，用于根据计算得到的距离对所述第一参数组进行优化，使得所述血压预测元模型与各个个体模型在参数空间的距离之和最小，从而获得优化后的血压预测模型。
以梯度下降法为例，距离优化模块44具体包括：用于以血压预测元模型的参数作为优化起点；以参数空间中血压预测元模型到个体模型的方向作为梯度方向，以血压预测元模型和个体模型的距离给优化步长加权，将血压预测元模型到各个体模型的梯度进行累加得到综合梯度；根据综合梯度优化血压预测元模型的参数。
通过对第一参数组进行优化，使得所述血压预测元模型在参数空间中离各个个体模型的距离之和最小。在本实施例中，血压预测元模型在参数空间中离各个个体模型的距离之和最小可以表示血压预测元模型在参数空间中离各个个体模型的距离减小到预设的可接受水平，例如可以采用梯度下降法、遗传算法或粒子群算法等方法进行优化，使得血压预测元模型在参数空间中离各个个体模型的距离之和最小。
本发明第三实施例提供了一种无袖带血压模型生成设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理执行的计算机程序，所述处理器执行所述计算机程序时实现如第一实施例所述的无袖带血压模型生成方法。
本发明第四实施例还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存储的计算机程序。其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述第一实施例中所述的一种无袖带血压模型生成方法。
示例性地，本发明第三实施例和第四实施例中所述的计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述实现一种无袖带血压模型生成设备中的执行过程。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述无袖带血压模型生成方法的控制中心，利用各种接口和线路连接整个所述实现无袖带血压模型生成方法的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现无袖带血压模型生成方法的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序或者模型等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述实现的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，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。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种无袖带血压模型生成方法，其特征在于，包括如下步骤：
对构造的血压预测模型进行参数初始化，获得血压预测元模型；其中，所述血压预测模型的输入包括用户的生理信号数据，输出为测量血压值；
获取多个用户个体的训练样本数据；其中，所述训练样本数据包括用户个体的生理信号数据和对应的实测血压值；
基于每个用户个体的训练样本数据以及所述血压预测元模型进行优化训练，生成对应于每个用户个体的个体模型；
根据每个用户个体的个体模型对所述血压预测元模型的参数进行优化，使得优化后的所述血压预测元模型与各个个体模型在参数空间中的距离接近，从而获得优化后的血压预测模型。
2.根据权利要求1所述的无袖带血压模型生成方法，其特征在于，优化后的所述血压预测元模型与各个个体模型在参数空间中的距离之和最小。
3.根据权利要求1所述的无袖带血压模型生成方法，其特征在于，所述根据每个用户个体的个体模型对所述血压预测元模型的参数进行优化，使得优化后的所述血压预测元模型与各个个体模型在参数空间中的距离接近，具体包括：
获取所述血压预测元模型根据初始化生成的第一参数组，以及每个个体模型根据所述优化训练得到的第二参数组；
根据所述第一参数组以及每个个体模型的第二参数组，计算所述血压预测元模型和各个个体模型在参数空间的距离；以及
根据计算得到的距离对所述第一参数组进行优化，使得所述血压预测元模型与各个个体模型在参数空间中的距离之和最小，从而获得优化后的血压预测模型。
4.根据权利要求3所述的无袖带血压模型生成方法，其特征在于，利用欧式距离算法、马氏距离算法、余弦距离算法或KL散度算法计算所述血压预测元模型和各个个体模型在参数空间的距离。
5.根据权利要求3所述的无袖带血压模型生成方法，其特征在于，根据计算得到的距离对所述第一参数组进行优化的方法为梯度下降法、遗传算法或粒子群算法。
6.根据权利要求1所述的无袖带血压模型生成方法，其特征在于，对所述血压预测模型进行参数初始化的方法为随机初始化方法、预训练法或启发式法。
7.根据权利要求1所述的无袖带血压模型生成方法，其特征在于，
所述基于每个用户个体的训练样本数据以及所述血压预测元模型进行优化训练，生成对应于每个用户个体的个体模型具体为：
将每个用户个体的生理信号数据输入所述血压预测元模型，得到对应的用户个体的测量血压值；
根据对应用户个体的实测血压值和测量血压值对所述血压预测元模型的参数进行优化，生成对应用户个体的个体模型。
8.一种无袖带血压模型生成装置，其特征在于，包括：
血压预测元模型获取单元，用于对构造的血压预测模型进行参数初始化，获得血压预测元模型；其中，所述血压预测模型的输入包括用户的生理信号数据，输出为测量血压值；
训练样本数据获取单元，用于获取多个用户个体的训练样本数据，所述训练样本数据包括用户个体的生理信号数据和对应的实测血压值；
个体模型生成单元，用于基于每个用户个体的训练样本数据以及所述血压预测元模型进行优化训练，生成对应于每个用户个体的个体模型；
血压预测元模型优化单元，用于根据每个用户个体的个体模型对所述血压预测元模型的参数进行优化，使得优化后的所述血压预测元模型与各个个体模型在参数空间的距离接近，从而获得优化后的血压预测模型。
9.一种无袖带血压模型生成设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的无袖带血压模型生成方法。
10.一种计算机可读存储介质，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的无袖带血压模型生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910249004.6A CN109948280B (zh) | 2019-03-29 | 2019-03-29 | 无袖带血压模型生成方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910249004.6A CN109948280B (zh) | 2019-03-29 | 2019-03-29 | 无袖带血压模型生成方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948280A true CN109948280A (zh) | 2019-06-28 |
| CN109948280B CN109948280B (zh) | 2023-06-09 |
Family
ID=67012957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910249004.6A Active CN109948280B (zh) | 2019-03-29 | 2019-03-29 | 无袖带血压模型生成方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948280B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111297341A (zh) * | 2020-02-20 | 2020-06-19 | 京东方科技集团股份有限公司 | 一种动态血压检测设备及脉搏波特征提取设备 |
| TWI733378B (zh) * | 2020-03-18 | 2021-07-11 | 英業達股份有限公司 | 建立血壓模型的方法 |
| CN113456033A (zh) * | 2021-06-24 | 2021-10-01 | 江西科莱富健康科技有限公司 | 生理指标特征值数据处理方法、系统及计算机设备 |
| CN113470805A (zh) * | 2020-03-15 | 2021-10-01 | 英业达科技有限公司 | 建立血压模型的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170042433A1 (en) * | 2015-08-11 | 2017-02-16 | Samsung Electronics Co., Ltd. | Blood pressure estimating apparatus and method |
| US20180263570A1 (en) * | 2015-09-25 | 2018-09-20 | Huawei Technologies Co., Ltd. | Blood Pressure Measurement Method, Blood Pressure Measurement Apparatus, And Terminal |
| CN108567420A (zh) * | 2018-03-15 | 2018-09-25 | 深圳竹信科技有限公司 | 血压测量方法、终端和计算机可读存储介质 |
| CN108697350A (zh) * | 2017-01-10 | 2018-10-23 | 华为技术有限公司 | 一种血压测量方法及设备 |
-
2019
- 2019-03-29 CN CN201910249004.6A patent/CN109948280B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170042433A1 (en) * | 2015-08-11 | 2017-02-16 | Samsung Electronics Co., Ltd. | Blood pressure estimating apparatus and method |
| US20180263570A1 (en) * | 2015-09-25 | 2018-09-20 | Huawei Technologies Co., Ltd. | Blood Pressure Measurement Method, Blood Pressure Measurement Apparatus, And Terminal |
| CN108697350A (zh) * | 2017-01-10 | 2018-10-23 | 华为技术有限公司 | 一种血压测量方法及设备 |
| CN108567420A (zh) * | 2018-03-15 | 2018-09-25 | 深圳竹信科技有限公司 | 血压测量方法、终端和计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 洪溪等: "基于舒张期时间的个体化血压建模方法研究", 《生物医学工程研究》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111297341A (zh) * | 2020-02-20 | 2020-06-19 | 京东方科技集团股份有限公司 | 一种动态血压检测设备及脉搏波特征提取设备 |
| CN113470805A (zh) * | 2020-03-15 | 2021-10-01 | 英业达科技有限公司 | 建立血压模型的方法 |
| TWI733378B (zh) * | 2020-03-18 | 2021-07-11 | 英業達股份有限公司 | 建立血壓模型的方法 |
| CN113456033A (zh) * | 2021-06-24 | 2021-10-01 | 江西科莱富健康科技有限公司 | 生理指标特征值数据处理方法、系统及计算机设备 |
| CN113456033B (zh) * | 2021-06-24 | 2023-06-23 | 江西科莱富健康科技有限公司 | 生理指标特征值数据处理方法、系统及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948280B (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948280A (zh) | 无袖带血压模型生成方法、装置、设备及可读存储介质 | |
| Toker et al. | Information integration in large brain networks | |
| Beaumont | Approximate bayesian computation | |
| CN110426112A (zh) | 一种生猪体重测量方法及装置 | |
| Saha et al. | Ensemble learning prediction of protein–protein interactions using proteins functional annotations | |
| Griffin et al. | Comparing distributions by using dependent normalized random-measure mixtures | |
| CN111080397A (zh) | 信用评估方法、装置及电子设备 | |
| Pavoine et al. | Testing for phylogenetic signal in biological traits: the ubiquity of cross-product statistics | |
| Panin et al. | Bilevel competitive facility location and pricing problems | |
| CN108563660A (zh) | 服务推荐方法、系统及服务器 | |
| US20170345029A1 (en) | User action data processing method and device | |
| EP3780003A1 (en) | Prediction system, model generation system, method, and program | |
| CN108885719B (zh) | 基于立体视觉的随机地图生成和贝叶斯更新 | |
| CN110110226A (zh) | 一种推荐算法、推荐系统及终端设备 | |
| Robert | Bayesian computational tools | |
| CN115600771A (zh) | 作物产量估测方法、装置、设备及存储介质 | |
| JPWO2016111240A1 (ja) | 情報処理システム、変化点検出方法、およびプログラム | |
| Paradis | The distribution of branch lengths in phylogenetic trees | |
| Kropat et al. | Regulatory networks under ellipsoidal uncertainty–data analysis and prediction by optimization theory and dynamical systems | |
| US20200050892A1 (en) | System to identify and explore relevant predictive analytics tasks of clinical value and calibrate predictive model outputs to a prescribed minimum level of predictive accuracy | |
| US20170136298A1 (en) | Method and apparatus for generating exercise program or providing exercise feedback | |
| Zhang et al. | The minimum knowledge base for predicting organ-at-risk dose–volume levels and plan-related complications in IMRT planning | |
| Perkins et al. | Visualizing dynamic gene interactions to reverse engineer gene regulatory networks using topological data analysis | |
| EP3270308B1 (en) | Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product | |
| Levnajić | Derivative-variable correlation reveals the structure of dynamical networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |