CN111714135A - 血氧饱和度确定方法及装置 - Google Patents
血氧饱和度确定方法及装置 Download PDFInfo
- Publication number
- CN111714135A CN111714135A CN202010505610.2A CN202010505610A CN111714135A CN 111714135 A CN111714135 A CN 111714135A CN 202010505610 A CN202010505610 A CN 202010505610A CN 111714135 A CN111714135 A CN 111714135A
- Authority
- CN
- China
- Prior art keywords
- blood oxygen
- oxygen saturation
- user
- sample value
- neural network
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
- A61B5/14552—Details of sensors specially adapted therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提出一种血氧饱和度确定方法及装置,其中,该方法包括:通过血氧传感器确定使用者的初始血氧饱和度,其中,血氧传感器设置在可穿戴设备上,在使用者佩戴可穿戴设备时,血氧传感器与使用者的皮肤接触;获取使用者的当前身体质量指数;将当前身体质量指数和初始血氧饱和度输入到预设的第一神经网络模型,得到使用者的实际血氧饱和度,并向使用者提供实际血氧饱和度。由此,结合第一神经网络模型、使用者的初始血氧饱和度以及当前质量指数,准确确定出了与使用者真实情况对应的血氧饱和度,并向使用者提供可反映其真实情况的血氧饱和度。
Description
技术领域
本申请涉及医疗器械技术领域,尤其涉及一种血氧饱和度确定方法及装置。
背景技术
精确测量和监控血氧饱和度对临床诊断和医疗保健方案的制定发挥了关键作用。现有的血氧饱和度确定方法:依赖于较为昂贵的专用医疗设备;或者采用通用的设备(如智能手机、智能手环等)但测量精度较低,因此,如何向用户提供准确的血氧饱和度是目前亟需解决的问题。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种血氧饱和度确定方法。
本申请的第二个目的在于提出一种血氧饱和度确定装置。
本申请的第三个目的在于提出一种可穿戴设备。
本申请的第四个目的在于提出一种计算机可读存储介质。
为达上述目的,本申请第一方面实施例提出了一种血氧饱和度确定方法,所述方法包括:通过血氧传感器确定使用者的初始血氧饱和度,其中,所述血氧传感器设置在可穿戴设备上,在所述使用者佩戴所述可穿戴设备时,所述血氧传感器与所述使用者的皮肤接触;获取所述使用者的当前身体质量指数;将所述当前身体质量指数和所述初始血氧饱和度输入到预设的第一神经网络模型,得到所述使用者的实际血氧饱和度,并向所述使用者提供所述实际血氧饱和度。
在本申请的一个实施例中,所述血氧传感器包括光电传感器和至少三个不同波长光源,所述至少三个不同波长光源中的其中一个为绿光光源,所述方法还包括:获取所述光电传感器输出的测量数据,其中,所述测量数据是所述光电传感器通过对经所述使用者作用过的所述至少三个不同波长光源各自发出的光源信号进行采集而得到的,所述测量数据包括所述绿光光源对应的第一测量数据,以及除所述绿光光源外之外的其他光源对应的第二测量数据;根据所述第一测量数据,确定所述使用者的灌注指数;所述通过血氧传感器确定使用者的初始血氧饱和度,包括:根据所述第二测量数据,确定所述使用者的初始血氧饱和度;所述将所述当前身体质量指数和所述初始血氧饱和度输入到预设的第一神经网络模型,得到所述使用者的实际血氧饱和度,包括:将所述灌注指数、所述当前身体质量指数和所述初始血氧饱和度输入到预设的第一神经网络模型,得到所述使用者的实际血氧饱和度。
在本申请的一个实施例中,所述血氧传感器设置在所述可穿戴设备的主体部的底壳上,所述可穿戴设备还包括带状结构,供穿戴于所述使用者上,所述方法还包括:将所述灌注指数输入到预设的第二神经网络模型,以得到所述使用者皮肤和所述底壳接触面的接触压力值;确定所述接触压力值小于预设压力阈值,则输出提醒信息,其中,所述提醒信息用于指示所述使用者对所述带状结构的长度进行调整。
在本申请的一个实施例中,所述至少三个不同波长光源包括至少一个红光光源和红外光源。
在本申请的一个实施例中,所述方法还包括:获取第一训练数据,其中,所述第一训练数据包括第一血氧饱和度样本值、第二血氧饱和度样本值、身体质量指数样本值,所述第一血氧饱和度样本值为样本用户通过所述可穿戴设备测量所得到的初始血氧饱和度,所述第二血氧饱和度样本值为所述样本用户的实际血氧饱和度,所述身体质量指数样本值为所述样本用户的身体质量指数;根据所述训练数据,建立所述第一神经网络模型。
在本申请的一个实施例中,所述方法还包括:获取第二训练数据,其中,所述第二训练数据包括灌注指数样本值和接触压力样本值,所述灌注指数样本值为样本用户通过所述可穿戴设备测量所得到的灌注指数,所述接触压力样本值为所述样本用户皮肤和所述底壳接触面的实际接触压力值;将所述灌注指数样本值作为所述第二神经网络模型的输入特征,并将所述接触压力样本值作为所述第二神经网络模型的输出特征,对所述第二神经网络模型进行训练。
在本申请的一个实施例中,所述根据所述训练数据,建立所述第一神经网络模型,包括:将所述第一血氧饱和度样本值和所述身体质量指数样本值作为所述第一神经网络模型的输入特征,所述第二血氧饱和度样本值作为所述第一神经网络模型的输出特征,对所述第一神经网络模型进行训练;或者,将所述第一血氧饱和度样本值和所述身体质量指数样本值作为BP神经网络的输入,并将所述第二血氧饱和度样本值减去所述第一血氧饱和度样本值得到的测量误差值作为所述BP神经网络的输出,训练得到所述测量误差值与所述第一血氧饱和度样本值以及所述身体质量指数样本值之间的关系模型,以及根据所述关系模型和所述第一血氧饱和度样本值,确定所述第一神经网络模型。
本申请实施例提供的血氧饱和度确定方法,通过血氧传感器确定使用者的初始血氧饱和度,其中,血氧传感器设置在可穿戴设备上,在使用者佩戴可穿戴设备时,血氧传感器与使用者的皮肤接触;获取使用者的当前身体质量指数;将当前身体质量指数和初始血氧饱和度输入到预设的第一神经网络模型,得到使用者的实际血氧饱和度,并向使用者提供实际血氧饱和度。由此,结合第一神经网络模型、使用者的初始血氧饱和度以及当前质量指数,准确确定出了与使用者真实情况对应的血氧饱和度,并向使用者提供可反映其真实情况的血氧饱和度。
为达上述目的,本申请第二方面实施例提出了一种血氧饱和度确定装置,所述装置包括:第一确定模块,用于通过血氧传感器确定使用者的初始血氧饱和度,其中,所述血氧传感器设置在可穿戴设备上,在所述使用者佩戴所述可穿戴设备时,所述血氧传感器与所述使用者的皮肤接触;第一获取模块,用于获取所述使用者的当前身体质量指数;血氧饱和度确定模块,用于将所述当前身体质量指数和所述初始血氧饱和度输入到预设的第一神经网络模型,得到所述使用者的实际血氧饱和度,并向所述使用者提供所述实际血氧饱和度。
在本申请的一个实施例中,所述血氧传感器包括光电传感器和至少三个不同波长光源,所述至少三个不同波长光源中的其中一个为绿光光源,所述装置还包括:第二获取模块,用于获取所述光电传感器输出的测量数据,其中,所述测量数据是所述光电传感器通过对经所述使用者作用过的所述至少三个不同波长光源各自发出的光源信号进行采集而得到的,所述测量数据包括所述绿光光源对应的第一测量数据,以及除所述绿光光源外之外的其他光源对应的第二测量数据;第二确定模块,用于根据所述第一测量数据,确定所述使用者的灌注指数;所述第一确定模块,具体用于:根据所述第二测量数据,确定所述使用者的初始血氧饱和度;所述血氧饱和度确定模块,具体用于:将所述灌注指数、所述当前身体质量指数和所述初始血氧饱和度输入到预设的第一神经网络模型,得到所述使用者的实际血氧饱和度。
在本申请的一个实施例中,所述血氧传感器设置在所述可穿戴设备的主体部的底壳上,所述可穿戴设备还包括带状结构,供穿戴于所述使用者上,所述装置还包括:接触压力值确定模块,用于将所述灌注指数输入到预设的第二神经网络模型,以得到所述使用者皮肤和所述底壳接触面的接触压力值;提醒模块,用于确定所述接触压力值小于预设压力阈值,则输出提醒信息,其中,所述提醒信息用于指示所述使用者对所述带状结构的长度进行调整。
在本申请的一个实施例中,所述至少三个不同波长光源包括至少一个红光光源和红外光源。
在本申请的一个实施例中,所述装置还包括:第三获取模块,用于获取第一训练数据,其中,所述第一训练数据包括第一血氧饱和度样本值、第二血氧饱和度样本值、身体质量指数样本值,所述第一血氧饱和度样本值为样本用户通过所述可穿戴设备测量所得到的初始血氧饱和度,所述第二血氧饱和度样本值为所述样本用户的实际血氧饱和度,所述身体质量指数样本值为所述样本用户的身体质量指数;第一模型建立模块,用于根据所述训练数据,建立所述第一神经网络模型。
在本申请的一个实施例中,所述装置还包括:第四获取模块,用于获取第二训练数据,其中,所述第二训练数据包括灌注指数样本值和接触压力样本值,所述灌注指数样本值为样本用户通过所述可穿戴设备测量所得到的灌注指数,所述接触压力样本值为所述样本用户皮肤和所述底壳接触面的实际接触压力值;第二模型建立模块,用于将所述灌注指数样本值作为所述第二神经网络模型的输入特征,并将所述接触压力样本值作为所述第二神经网络模型的输出特征,对所述第二神经网络模型进行训练。
在本申请的一个实施例中,所述第一模型建立模块,具体用于:将所述第一血氧饱和度样本值和所述身体质量指数样本值作为所述第一神经网络模型的输入特征,所述第二血氧饱和度样本值作为所述第一神经网络模型的输出特征,对所述第一神经网络模型进行训练;或者,将所述第一血氧饱和度样本值和所述身体质量指数样本值作为BP神经网络的输入,并将所述第二血氧饱和度样本值减去所述第一血氧饱和度样本值得到的测量误差值作为所述BP神经网络的输出,训练得到所述测量误差值与所述第一血氧饱和度样本值以及所述身体质量指数样本值之间的关系模型,以及根据所述关系模型和所述第一血氧饱和度样本值,确定所述第一神经网络模型。
本申请实施例提供的血氧饱和度确定装置,通过血氧传感器确定使用者的初始血氧饱和度,其中,血氧传感器设置在可穿戴设备上,在使用者佩戴可穿戴设备时,血氧传感器与使用者的皮肤接触;获取使用者的当前身体质量指数;将当前身体质量指数和初始血氧饱和度输入到预设的第一神经网络模型,得到使用者的实际血氧饱和度,并向使用者提供实际血氧饱和度。由此,结合第一神经网络模型、使用者的初始血氧饱和度以及当前质量指数,准确确定出了与使用者真实情况对应的血氧饱和度,并向使用者提供可反映其真实情况的血氧饱和度。
为了实现上述目的,本申请第三方面实施例提出了一种可穿戴设备,包括血氧传感器、存储器和控制器,其中,所述控制器分别与所述血氧传感器和所述存储器通信连接,其中:所述血氧传感器在使用者佩戴所述可穿戴设备时,与使用者的皮肤接触,并获取所述使用者的初始血氧饱和度,并将所述初始血氧饱和度传输至所述控制器;所述存储器存储有可被所述控制器执行的指令,所述指令被所述控制器执行,以使所述控制器能够执行上述实施例的血氧饱和度确定方法。。
本申请实施例的可穿戴设备,通过血氧传感器确定使用者的初始血氧饱和度,并获取使用者的当前身体质量指数,以及将当前身体质量指数和初始血氧饱和度输入到预设的第一神经网络模型,得到使用者的实际血氧饱和度,并向使用者提供实际血氧饱和度。由此,结合第一神经网络模型、使用者的初始血氧饱和度以及当前质量指数,准确确定出了与使用者真实情况对应的血氧饱和度,并向使用者提供可反映其真实情况的血氧饱和度。
为了实现上述目的,本申请第四方面实施例提出了一种计算机可读存储介质,当所述存储介质中的指令被处理器执行时,实现如上所述的血氧饱和度确定方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提供的一种血氧饱和度确定方法的流程示意图;
图2为本申请实施例提供的另一种血氧饱和度确定方法的流程示意图;
图3为本申请实施例提供的另一种血氧饱和度确定方法的流程示意图;
图4为预先建立第一神经网络模型的流程示意图;
图5为训练第二神经网络的流程示意图;
图6为本申请实施例提供的一种血氧饱和度确定装置的结构示意图;
图7为本申请实施例提供的另一种血氧饱和度确定装置的结构示意图;
图8为本申请实施例提供的一种可穿戴设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的血氧饱和度确定方法及装置。
图1为本申请实施例提供的一种血氧饱和度确定方法的流程示意图。
其中,需要说明的是,本实施例的血氧饱和度确定执行主体为血氧饱和度确定装置,本实施例的血氧饱和度确定装置可以设置在具有血氧饱和度测量功能的可穿戴设备中,也可以设置在与可穿戴设备进行通信的服务器中,该实施例对此不作具体限定。如图1所示,该血氧饱和度确定方法可以包括:
步骤101,通过血氧传感器确定使用者的初始血氧饱和度。
其中,本实施例的血氧传感器设置在可穿戴设备上,在使用者佩戴可穿戴设备时,血氧传感器与使用者的皮肤接触,以对使用者的血氧饱和度进行测量,进而得到使用者的初始血氧饱和度。
在一些实施例中,在本实施例中的血氧饱和度确定方法由可穿戴设备中的控制器执行时,血氧传感器测量将使用者的初始血氧饱和度发送给控制器,以使控制器获取使用者的初始血氧饱和度。
在一些实施例中,在本实施例中的血氧饱和度确定方法由服务器执行时,在可穿戴设备中的血氧传感器获取使用者的初始血氧饱和度后,可通过可穿戴设备的通信功能将血氧传感器所得到的使用者的初始血氧度发送给服务器,以使服务器获取使用者的初始血氧度。
步骤102,获取使用者的当前身体质量指数。
其中,本实施例中使用者的当前身体质量指数(Body Mass Index,简称BMI)可以是用户自己在血氧饱和度确定装置中预先设定的,也可以是血氧饱和度确定装置从其他设备中获取的,当然在实际应用中,还可以通过其他方式获取使用者的当前身体质量指数,该实施例对获取使用者的当前身体质量指数的方式不作具体限定。
步骤103,将当前身体质量指数和初始血氧饱和度输入到预设的第一神经网络模型,得到使用者的实际血氧饱和度,并向使用者提供实际血氧饱和度。
其中,本实施例中的第一神经网络模型已学习得到了当前身体质量指数和初始血氧饱和度和实际血氧饱和度之间的对应关系。
本申请实施例的血氧饱和度确定方法,在确定使用者的血氧饱和度的过程中,通过血氧传感器确定使用者的初始血氧饱和度,并获取使用者的当前身体质量指数,然后,结合第一神经网络模型、使用者的初始血氧饱和度以及当前质量指数,准确确定出了与使用者真实情况对应的血氧饱和度,并向使用者提供可反映其真实情况的血氧饱和度。
基于上述实施例的基础上,为了可以进一步地准确确定出使用者的实际血氧饱和度,本实施的血氧传感器可以包括光电传感器和至少三个不同波长光源,至少三个不同波长光源中的其中一个为绿光光源,并结合光电传感器输出的测量数据,确定使用者的灌注指数,并结合灌注指数、初始血氧饱和度和当前身体质量指数,确定使用者的实际血氧饱和度。下面结合图2进行对本申请实施例的血氧饱和度确定方法进一步描述。其中,该实施例是对上述实施例进一步扩展和优化。
图2为本申请实施例提供的另一种血氧饱和度确定方法的流程示意图。
如图2所示,该血氧饱和度确定方法可以包括:
步骤201,获取光电传感器输出的测量数据。
其中,测量数据是光电传感器通过对经使用者作用过的至少三个不同波长光源各自发出的光源信号进行采集而得到的,测量数据包括绿光光源对应的第一测量数据,以及除绿光光源外之外的其他光源对应的第二测量数据。
在本申请的一个实施例中,至少三个不同波长光源包括至少一个红光光源和红外光源。
在本实施例中的血氧传感器可以由一个波长为540nm的绿光LED,一个波长为660nm的红光LED、一个波长为940的红外LED、一个光电二极管PD组成为例进行示意描述,当然在实际应用中也可以采用其他波长,该实施对此不作限定。
步骤202,根据第一测量数据,确定使用者的灌注指数。
具体地,在获取第一测量数据和第二测量数据后,可通过计算绿光灌注指数的方式,利用第一测量数据,确定出当前的绿光灌注指数。
例如,可穿戴设备为腕式血氧仪,腕式血氧仪的血氧传感器由一个波长为540nm的绿光LED,一个波长为660nm的红光LED、一个波长为940的红外LED、一个光电二极管PD组成,然后,光电二极管PD所得到的测量数据,包括:AC540表示绿光LED所对应的光电容积脉搏波信号中的交流量,DC540表示绿光LED所对应的光电容积脉搏波信号中的直流量;AC660表示红光LED所对应的光电容积脉搏波信号中的交流量,DC660表示红光LED所对应的光电容积脉搏波信号中的直流量,AC940表示红外LED所对应的光电容积脉搏波信号中的交流量,DC940表示红外LED所对应的光电容积脉搏波信号中的直流量,R=(AC660/DC660)/(AC940/DC940),然后,通过R值计算其中血氧饱和度。
步骤203,根据第二测量数据,确定使用者的初始血氧饱和度。
具体而言,可基于常规血氧计算方法,结合第二测量数据,计算出初始血氧饱和度。
步骤204,获取使用者的当前身体质量指数。
关于步骤204的具体实现过程可参见上述实施例中相关内容的记载,此处不再赘述。
步骤205,将灌注指数、当前身体质量指数和初始血氧饱和度输入到预设的第一神经网络模型,得到使用者的实际血氧饱和度。
其中,第一神经网络模型,已学习得到绿光灌注指数、当前身体质量指数以及初始血氧饱和度与实际血氧饱和度之间的映射关系。
本实施例的血氧饱和度的确定方法,在确定使用者的血氧饱和度时,结合光电传感器得到的测量数据,确定出绿光灌注指数以及使用者的初始血氧饱和度,然后,结合绿光灌注指数、使用者的初始血氧饱和度和当前身体质量指数以及第一神经网络模型确定出使用者真实的实际血氧饱和度,以向用户提供与使用者真实情况对应的血氧饱和度。由此,结合第一神经网络模型以及绿光灌注指数、使用者的初始血氧饱和度和当前身体质量指数准确确定出了与使用者真实情况对应的血氧饱和度,可为使用者准确提供反映其真实情况对应的血氧饱和度。
在本申请的一个实施例中,为了准确测量血氧饱和度,血氧传感器设置在可穿戴设备的主体部的底壳上,可穿戴设备还包括带状结构,供穿戴于使用者上。作为一种示例性的实施方式,本实施例的可穿戴设备可以为一个具有带状结构的可穿戴设备,其中,带状结构包括但不仅限于腕带、手环等。
通常在使用者通过带状结构佩戴可穿戴设备的过程中,由于佩戴方式不合适从而导致可穿戴设备无法进行准确测量,为了可在佩戴过程中,对用户进行佩戴提示,如图3所示,该方法还可以包括:
步骤301,将绿光灌注指数输入到预设的第二神经网络模型,以得到使用者皮肤和底壳接触面的接触压力值。
其中,可以理解的是,本实施例中的第二神经网络模型是预先训练的,该第二神经网络模型已学习得到绿光灌注指数和接触压力值之间的映射关系。
步骤302,确定接触压力值小于预设压力阈值,则输出提醒信息,其中,提醒信息用于指示使用者对带状结构的长度进行调整。
具体而言,在或使用者皮肤和底壳接触面的接触压力值后,可将接触压力值与预设压力阈值进行大小比较,以确定接触压力值是否小于预设压力阈值,如果小于预设压力阈值,则说明使用者佩戴比较松,输出提醒信息,以提示用户。
其中,预设压力阈值是预先设置的压力阈值。
其中,可穿戴设备输出提醒信息的方式有很多,例如,可以文字和/或语音的方式输出提醒信息,该实施例不对输出提醒信息的方式进行具体限定。
基于上述实施例的基础上,为了可准确向使用者提供血氧饱和度,在本实施例中,可结合训练数据,预先建立第一神经网络模型。
图4为预先建立第一神经网络模型的流程示意图;
如图4所示,可以包括:
步骤401,获取第一训练数据,其中,第一训练数据包括第一血氧饱和度样本值、第二血氧饱和度样本值、身体质量指数样本值。
在本实施例中,第一血氧饱和度样本值为样本用户通过可穿戴设备测量所得到的初始血氧饱和度。
第二血氧饱和度样本值为样本用户的实际血氧饱和度。其中,本实施例中的第二血氧饱和度样本值可以是样本用户通过金标准设备(指夹式血氧仪或血气分析仪等)测量得到的实际血氧饱和度。
身体质量指数样本值为样本用户的身体质量指数。
步骤402,根据训练数据,建立第一神经网络模型。
在本实施例中,在不同应用场景中,根据训练数据,建立第一神经网络模型的方式不同,举例说明如下:
作为一种示例,将第一血氧饱和度样本值和身体质量指数样本值作为第一神经网络模型的输入特征,第二血氧饱和度样本值作为第一神经网络模型的输出特征,对第一神经网络模型进行训练。
作为另一种示例,可将第一血氧饱和度样本值和身体质量指数样本值作为BP神经网络的输入,并将第二血氧饱和度样本值减去第一血氧饱和度样本值得到的测量误差值作为BP神经网络的输出,训练得到测量误差值和第一血氧饱和度样本值和身体质量指数样本值之间的关系模型,以及根据关系模型和第一血氧饱和度样本值,确定第一神经网络模型。
例如,可收集大量样本用户的测量数据作为训练数据,训练数据包括第一血氧饱和度(SpO2)样本值a、第二血氧饱和度(SpO2)样本值b、身体质量指数样本值c,然后,将a、c作为第一神经网络模型的输入特征,b作为第一神经网络模型的输出,训练得到实际血氧值与a、c的关系模型f;基于此模型的血氧值=f(a,c)。
其中,样本用户对应的属性信息不同,属性信息可以包括但不限于年龄、性别、身高、体重、年龄、种族等。
作为一种示例性的实施方式,可收集大量样本用户的测量数据作为训练数据,训练数据包括第一血氧饱和度(SpO2)样本值a、第二血氧饱和度(SpO2)样本值b、身体质量指数样本值c,然后,将a和c作为BP神经网络的输入,b-a作为BP神经网络输出,训练得到测量误差与a、c的关系模型g;然后,根据关系模型g和第一血氧饱和度(SpO2)样本值a,确定出第一神经网络模型,第一神经网络模型输出的实际血氧饱和度h=a+g(a,c)。
在本申请的一个实施例中,基于上述实施例的基础上,在第一神经网络模型是基于灌注指数、当前身体质量指数和初始血氧饱和度,来确定对应的实际血氧饱和度时,上述实施例的训练数据中还可以包括绿光灌注指数样本值,绿光灌注指数样本值为样本用户通过血氧饱和度测量装置测量所得到的绿光灌注指数。
在本实施例中,在训练数据中还包括绿光灌注指数样本值,结合训练数据建立第一神经网络模型的具体方式,举例说明如下:
作为一种示例,可将第一血氧饱和度样本值、身体质量指数样本值和绿光灌注指数样本值作为第一神经网络模型的输入特征,第二血氧饱和度样本值作为第一神经网络模型的输出特征,对第一神经网络模型进行训练。
作为另一种示例,可将第一血氧饱和度样本值、身体质量指数样本值和绿光灌注指数样本值作为BP神经网络的输入,并将第二血氧饱和度样本值减去第一血氧饱和度样本值得到的测量误差值作为BP神经网络的输出,训练得到测量误差值和第一血氧饱和度样本值、身体质量指数样本值和绿光灌注指数样本值之间的关系模型,以及根据关系模型和第一血氧饱和度样本值,确定第一神经网络模型。
例如,可收集大量样本用户的测量数据作为训练数据,训练数据包括第一血氧饱和度(SpO2)样本值a、第二血氧饱和度(SpO2)样本值b、身体质量指数样本值c和绿光灌注指数样本值d,然后,将a、c、d作为第一神经网络模型的输入特征,b作为第一神经网络模型的输出,训练得到实际血氧值与a、c、d的关系模型f;基于此模型的血氧值=f(a,c,d)。
其中,样本用户对应的属性信息不同,属性信息可以包括但不限于年龄、性别、身高、体重、年龄、种族等。
作为一种示例性的实施方式,可收集大量样本用户的测量数据作为训练数据,训练数据包括第一血氧饱和度(SpO2)样本值a、第二血氧饱和度(SpO2)样本值b、身体质量指数样本值c和绿光灌注指数样本值d,然后,将a和c、d作为BP神经网络的输入,b-a作为BP神经网络输出,训练得到测量误差与a、c、d的关系模型g;然后,根据关系模型g和第一血氧饱和度(SpO2)样本值a,确定出第一神经网络模型,第一神经网络模型输出的实际血氧饱和度h=a+g(a,c,d)。
基于上述任意实施例的基础上,为了使得第二神经网络模型可准确确定出接触压力值,可结合相应的训练数据对第二神经网络模型进行训练。
图5为训练第二神经网络的流程示意图。
如图5所示,可以包括:
步骤501,获取第二训练数据,其中,第二训练数据包括绿光灌注指数样本值和接触压力样本值。
其中,绿光灌注指数样本值为样本用户通过血氧饱和度测量装置测量所得到的绿光灌注指数。
其中,接触压力样本值为样本用户皮肤和底壳接触面的实际接触压力值。
步骤502,将绿光灌注指数样本值作为第二神经网络模型的输入特征,并将接触压力样本值作为第二神经网络模型的输出特征,对第二神经网络模型进行训练。
图6为本申请实施例提供的一种血氧饱和度确定装置的结构示意图。
如图6所示,该血氧饱和度确定装置可以包括第一确定模块110、第一获取模块120和血氧饱和度确定模块130,其中:
第一确定模块110,用于通过血氧传感器确定使用者的初始血氧饱和度,其中,血氧传感器设置在可穿戴设备上,在使用者佩戴可穿戴设备时,血氧传感器与使用者的皮肤接触。
第一获取模块120,用于获取使用者的当前身体质量指数。
血氧饱和度确定模块130,用于将当前身体质量指数和初始血氧饱和度输入到预设的第一神经网络模型,得到使用者的实际血氧饱和度,并向使用者提供实际血氧饱和度。
在本申请的一个实施例中,血氧传感器包括光电传感器和至少三个不同波长光源,至少三个不同波长光源中的其中一个为绿光光源,如图6所示的基础上,如图7所示,该装置还包括:
第二获取模块140,用于获取光电传感器输出的测量数据,其中,测量数据是光电传感器通过对经使用者作用过的至少三个不同波长光源各自发出的光源信号进行采集而得到的,测量数据包括绿光光源对应的第一测量数据,以及除绿光光源外之外的其他光源对应的第二测量数据;
第二确定模块150,用于根据第一测量数据,确定使用者的灌注指数;
第一确定模块110,具体用于:根据第二测量数据,确定使用者的初始血氧饱和度;
血氧饱和度确定模块130,具体用于:将灌注指数、当前身体质量指数和初始血氧饱和度输入到预设的第一神经网络模型,得到使用者的实际血氧饱和度。
在本申请的一个实施例中,血氧传感器设置在可穿戴设备的主体部的底壳上,可穿戴设备还包括带状结构,供穿戴于使用者上,如图7所示,该装置还包括:
接触压力值确定模块160,用于将灌注指数输入到预设的第二神经网络模型,以得到使用者皮肤和底壳接触面的接触压力值;
提醒模块170,用于确定接触压力值小于预设压力阈值,则输出提醒信息,其中,提醒信息用于指示使用者对带状结构的长度进行调整。
在本申请的一个实施例中,至少三个不同波长光源包括至少一个红光光源和红外光源。
在本申请的一个实施例中,如图7所示,该装置还可以包括:
第三获取模块180,用于获取第一训练数据,其中,第一训练数据包括第一血氧饱和度样本值、第二血氧饱和度样本值、身体质量指数样本值,第一血氧饱和度样本值为样本用户通过可穿戴设备测量所得到的初始血氧饱和度,第二血氧饱和度样本值为样本用户的实际血氧饱和度,身体质量指数样本值为样本用户的身体质量指数;
第一模型建立模块190,用于根据训练数据,建立第一神经网络模型。
在本申请的一个实施例中,如图7所示,该装置还可以包括:
第四获取模块200,用于获取第二训练数据,其中,第二训练数据包括灌注指数样本值和接触压力样本值,灌注指数样本值为样本用户通过可穿戴设备测量所得到的灌注指数,接触压力样本值为样本用户皮肤和底壳接触面的实际接触压力值;
第二模型建立模块210,用于将灌注指数样本值作为第二神经网络模型的输入特征,并将接触压力样本值作为第二神经网络模型的输出特征,对第二神经网络模型进行训练。
在本申请的一个实施例中,第一模型建立模块190,具体用于:将第一血氧饱和度样本值和身体质量指数样本值作为第一神经网络模型的输入特征,第二血氧饱和度样本值作为第一神经网络模型的输出特征,对第一神经网络模型进行训练;或者,将第一血氧饱和度样本值和身体质量指数样本值作为BP神经网络的输入,并将第二血氧饱和度样本值减去第一血氧饱和度样本值得到的测量误差值作为BP神经网络的输出,训练得到测量误差值与第一血氧饱和度样本值以及身体质量指数样本值之间的关系模型,以及根据关系模型和第一血氧饱和度样本值,确定第一神经网络模型。
其中,需要说明的是,前述对血氧饱和度确定方法实施例的解释说明也适用于该实施例的血氧饱和度确定装置,此处不再赘述。
本申请实施例提供的血氧饱和度确定装置,在确定使用者的血氧饱和度的过程中,通过血氧传感器确定使用者的初始血氧饱和度,并获取使用者的当前身体质量指数,然后,结合第一神经网络模型、使用者的初始血氧饱和度以及当前质量指数,准确确定出了与使用者真实情况对应的血氧饱和度,并向使用者提供可反映其真实情况的血氧饱和度。
图8为本申请实施例提供的一种可穿戴设备的结构示意图。
如图8所示,该可穿戴设备1可以包括血氧传感器10、存储器20和控制器30,其中,所述控制器30分别与所述血氧传感器10和所述存储器20通信连接。
在一个实施例中,血氧传感器10、存储器20和控制器30可通过通信接口通信。
其中,所述血氧传感器10在所述使用者佩戴所述可穿戴设备时,与使用者的皮肤接触,并获取所述使用者的初始血氧饱和度,并将所述初始血氧饱和度传输至所述控制器20。
所述存储器20存储有可被所述控制器30执行的指令,所述指令被所述控制器30执行,以使所述控制器能够执行以下步骤:获取所述使用者的当前身体质量指数,并将所述当前身体质量指数和所述初始血氧饱和度输入到预设的第一神经网络模型,得到所述使用者的实际血氧饱和度,并向所述使用者提供所述实际血氧饱和度。
存储器20可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
在本申请的一个实施例中,所述血氧传感器10可以包括光电传感器(图中未示出)和至少三个不同波长光源,所述至少三个不同波长光源中的其中一个为绿光光源,该控制器30,还用于执行以下步骤:获取所述光电传感器输出的测量数据,其中,所述测量数据是所述光电传感器通过对经所述使用者作用过的所述至少三个不同波长光源各自发出的光源信号进行采集而得到的,所述测量数据包括所述绿光光源对应的第一测量数据,以及除所述绿光光源外之外的其他光源对应的第二测量数据;根据所述第一测量数据,确定所述使用者的灌注指数;根据所述第二测量数据,确定所述使用者的初始血氧饱和度;将所述灌注指数、所述当前身体质量指数和所述初始血氧饱和度输入到预设的第一神经网络模型,得到所述使用者的实际血氧饱和度。
在本申请一个实施例中,为了准确进行测量,所述血氧传感器10设置在所述可穿戴设备1的主体部的底壳上,所述可穿戴设备1还包括带状结构,供穿戴于所述使用者上,该控制器30还可以用于执行以下步骤:将所述灌注指数输入到预设的第二神经网络模型,以得到所述使用者皮肤和所述底壳接触面的接触压力值;确定所述接触压力值小于预设压力阈值,则输出提醒信息,其中,所述提醒信息用于指示所述使用者对所述带状结构的长度进行调整。
在本申请的一个实施例中,所述至少三个不同波长光源包括至少一个红光光源和红外光源。
在本申请的一个实施例中,该控制器30还可以用于执行以下步骤:获取第一训练数据,其中,所述第一训练数据包括第一血氧饱和度样本值、第二血氧饱和度样本值、身体质量指数样本值,所述第一血氧饱和度样本值为样本用户通过所述可穿戴设备测量所得到的初始血氧饱和度,所述第二血氧饱和度样本值为所述样本用户的实际血氧饱和度,所述身体质量指数样本值为所述样本用户的身体质量指数;根据所述训练数据,建立所述第一神经网络模型。
在本申请的一个实施例中,该控制器30还可以用于执行以下步骤:获取第二训练数据,其中,所述第二训练数据包括灌注指数样本值和接触压力样本值,所述灌注指数样本值为样本用户通过所述可穿戴设备测量所得到的灌注指数,所述接触压力样本值为所述样本用户皮肤和所述底壳接触面的实际接触压力值;将所述灌注指数样本值作为所述第二神经网络模型的输入特征,并将所述接触压力样本值作为所述第二神经网络模型的输出特征,对所述第二神经网络模型进行训练。
在本申请的一个实施例中,该控制器30还可以用于执行以下步骤:将所述第一血氧饱和度样本值和所述身体质量指数样本值作为所述第一神经网络模型的输入特征,所述第二血氧饱和度样本值作为所述第一神经网络模型的输出特征,对所述第一神经网络模型进行训练;或者,将所述第一血氧饱和度样本值和所述身体质量指数样本值作为BP神经网络的输入,并将所述第二血氧饱和度样本值减去所述第一血氧饱和度样本值得到的测量误差值作为所述BP神经网络的输出,训练得到所述测量误差值与所述第一血氧饱和度样本值以及所述身体质量指数样本值之间的关系模型,以及根据所述关系模型和所述第一血氧饱和度样本值,确定所述第一神经网络模型。其中,需要说明的是,前述对血氧饱和度确定方法实施例的解释说明也适用于该实施例的可穿戴设备。
本申请实施例的可穿戴设备,通过血氧传感器确定使用者的初始血氧饱和度,并获取使用者的当前身体质量指数,以及将当前身体质量指数和初始血氧饱和度输入到预设的第一神经网络模型,得到使用者的实际血氧饱和度,并向使用者提供实际血氧饱和度。由此,结合第一神经网络模型、使用者的初始血氧饱和度以及当前质量指数,准确确定出了与使用者真实情况对应的血氧饱和度,并向使用者提供可反映其真实情况的血氧饱和度。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上的血氧饱和度确定方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (16)
1.一种血氧饱和度确定方法,其特征在于,所述方法包括:
通过血氧传感器确定使用者的初始血氧饱和度,其中,所述血氧传感器设置在可穿戴设备上,在所述使用者佩戴所述可穿戴设备时,所述血氧传感器与所述使用者的皮肤接触;
获取所述使用者的当前身体质量指数;
将所述当前身体质量指数和所述初始血氧饱和度输入到预设的第一神经网络模型,得到所述使用者的实际血氧饱和度,并向所述使用者提供所述实际血氧饱和度。
2.如权利要求1所述的方法,其特征在于,所述血氧传感器包括光电传感器和至少三个不同波长光源,所述至少三个不同波长光源中的其中一个为绿光光源,所述方法还包括:
获取所述光电传感器输出的测量数据,其中,所述测量数据是所述光电传感器通过对经所述使用者作用过的所述至少三个不同波长光源各自发出的光源信号进行采集而得到的,所述测量数据包括所述绿光光源对应的第一测量数据,以及除所述绿光光源外之外的其他光源对应的第二测量数据;
根据所述第一测量数据,确定所述使用者的灌注指数;
所述通过血氧传感器确定使用者的初始血氧饱和度,包括:
根据所述第二测量数据,确定所述使用者的初始血氧饱和度;
所述将所述当前身体质量指数和所述初始血氧饱和度输入到预设的第一神经网络模型,得到所述使用者的实际血氧饱和度,包括:
将所述灌注指数、所述当前身体质量指数和所述初始血氧饱和度输入到预设的第一神经网络模型,得到所述使用者的实际血氧饱和度。
3.如权利要求2所述的方法,其特征在于,所述血氧传感器设置在所述可穿戴设备的主体部的底壳上,所述可穿戴设备还包括带状结构,供穿戴于所述使用者上,所述方法还包括:
将所述灌注指数输入到预设的第二神经网络模型,以得到所述使用者皮肤和所述底壳接触面的接触压力值;
确定所述接触压力值小于预设压力阈值,则输出提醒信息,其中,所述提醒信息用于指示所述使用者对所述带状结构的长度进行调整。
4.如权利要求2所述的方法,其特征在于,所述至少三个不同波长光源包括至少一个红光光源和红外光源。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取第一训练数据,其中,所述第一训练数据包括第一血氧饱和度样本值、第二血氧饱和度样本值、身体质量指数样本值,所述第一血氧饱和度样本值为样本用户通过所述可穿戴设备测量所得到的初始血氧饱和度,所述第二血氧饱和度样本值为所述样本用户的实际血氧饱和度,所述身体质量指数样本值为所述样本用户的身体质量指数;
根据所述训练数据,建立所述第一神经网络模型。
6.如权利要求3所述的方法,其特征在于,所述方法还包括:
获取第二训练数据,其中,所述第二训练数据包括灌注指数样本值和接触压力样本值,所述灌注指数样本值为样本用户通过所述可穿戴设备测量所得到的灌注指数,所述接触压力样本值为所述样本用户皮肤和所述底壳接触面的实际接触压力值;
将所述灌注指数样本值作为所述第二神经网络模型的输入特征,并将所述接触压力样本值作为所述第二神经网络模型的输出特征,对所述第二神经网络模型进行训练。
7.如权利要求3所述的方法,其特征在于,所述根据所述训练数据,建立所述第一神经网络模型,包括:
将所述第一血氧饱和度样本值和所述身体质量指数样本值作为所述第一神经网络模型的输入特征,所述第二血氧饱和度样本值作为所述第一神经网络模型的输出特征,对所述第一神经网络模型进行训练;或者,
将所述第一血氧饱和度样本值和所述身体质量指数样本值作为BP神经网络的输入,并将所述第二血氧饱和度样本值减去所述第一血氧饱和度样本值得到的测量误差值作为所述BP神经网络的输出,训练得到所述测量误差值与所述第一血氧饱和度样本值以及所述身体质量指数样本值之间的关系模型,以及根据所述关系模型和所述第一血氧饱和度样本值,确定所述第一神经网络模型。
8.一种血氧饱和度确定装置,其特征在于,所述装置包括:
第一确定模块,用于通过血氧传感器确定使用者的初始血氧饱和度,其中,所述血氧传感器设置在可穿戴设备上,在所述使用者佩戴所述可穿戴设备时,所述血氧传感器与所述使用者的皮肤接触;
第一获取模块,用于获取所述使用者的当前身体质量指数;
血氧饱和度确定模块,用于将所述当前身体质量指数和所述初始血氧饱和度输入到预设的第一神经网络模型,得到所述使用者的实际血氧饱和度,并向所述使用者提供所述实际血氧饱和度。
9.如权利要求8所述的装置,其特征在于,所述血氧传感器包括光电传感器和至少三个不同波长光源,所述至少三个不同波长光源中的其中一个为绿光光源,所述装置还包括:
第二获取模块,用于获取所述光电传感器输出的测量数据,其中,所述测量数据是所述光电传感器通过对经所述使用者作用过的所述至少三个不同波长光源各自发出的光源信号进行采集而得到的,所述测量数据包括所述绿光光源对应的第一测量数据,以及除所述绿光光源外之外的其他光源对应的第二测量数据;
第二确定模块,用于根据所述第一测量数据,确定所述使用者的灌注指数;
所述第一确定模块,具体用于:
根据所述第二测量数据,确定所述使用者的初始血氧饱和度;
所述血氧饱和度确定模块,具体用于:
将所述灌注指数、所述当前身体质量指数和所述初始血氧饱和度输入到预设的第一神经网络模型,得到所述使用者的实际血氧饱和度。
10.如权利要求9所述的装置,其特征在于,所述血氧传感器设置在所述可穿戴设备的主体部的底壳上,所述可穿戴设备还包括带状结构,供穿戴于所述使用者上,所述装置还包括:
接触压力值确定模块,用于将所述灌注指数输入到预设的第二神经网络模型,以得到所述使用者皮肤和所述底壳接触面的接触压力值;
提醒模块,用于确定所述接触压力值小于预设压力阈值,则输出提醒信息,其中,所述提醒信息用于指示所述使用者对所述带状结构的长度进行调整。
11.如权利要求9所述的装置,其特征在于,所述至少三个不同波长光源包括至少一个红光光源和红外光源。
12.如权利要求8所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于获取第一训练数据,其中,所述第一训练数据包括第一血氧饱和度样本值、第二血氧饱和度样本值、身体质量指数样本值,所述第一血氧饱和度样本值为样本用户通过所述可穿戴设备测量所得到的初始血氧饱和度,所述第二血氧饱和度样本值为所述样本用户的实际血氧饱和度,所述身体质量指数样本值为所述样本用户的身体质量指数;
第一模型建立模块,用于根据所述训练数据,建立所述第一神经网络模型。
13.如权利要求10所述的装置,其特征在于,所述装置还包括:
第四获取模块,用于获取第二训练数据,其中,所述第二训练数据包括灌注指数样本值和接触压力样本值,所述灌注指数样本值为样本用户通过所述可穿戴设备测量所得到的灌注指数,所述接触压力样本值为所述样本用户皮肤和所述底壳接触面的实际接触压力值;
第二模型建立模块,用于将所述灌注指数样本值作为所述第二神经网络模型的输入特征,并将所述接触压力样本值作为所述第二神经网络模型的输出特征,对所述第二神经网络模型进行训练。
14.如权利要求10所述的装置,其特征在于,所述第一模型建立模块,具体用于:
将所述第一血氧饱和度样本值和所述身体质量指数样本值作为所述第一神经网络模型的输入特征,所述第二血氧饱和度样本值作为所述第一神经网络模型的输出特征,对所述第一神经网络模型进行训练;或者,
将所述第一血氧饱和度样本值和所述身体质量指数样本值作为BP神经网络的输入,并将所述第二血氧饱和度样本值减去所述第一血氧饱和度样本值得到的测量误差值作为所述BP神经网络的输出,训练得到所述测量误差值与所述第一血氧饱和度样本值以及所述身体质量指数样本值之间的关系模型,以及根据所述关系模型和所述第一血氧饱和度样本值,确定所述第一神经网络模型。
15.一种可穿戴设备,其特征在于,包括血氧传感器、存储器和控制器,其中,所述控制器分别与所述血氧传感器和所述存储器通信连接,其中:
所述血氧传感器在使用者佩戴所述可穿戴设备时,与使用者的皮肤接触,并获取所述使用者的初始血氧饱和度,并将所述初始血氧饱和度传输至所述控制器;
所述存储器存储有可被所述控制器执行的指令,所述指令被所述控制器执行,以使所述控制器能够执行如权利要求1-7所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505610.2A CN111714135B (zh) | 2020-06-05 | 2020-06-05 | 血氧饱和度确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505610.2A CN111714135B (zh) | 2020-06-05 | 2020-06-05 | 血氧饱和度确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111714135A true CN111714135A (zh) | 2020-09-29 |
CN111714135B CN111714135B (zh) | 2022-06-10 |
Family
ID=72566151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010505610.2A Active CN111714135B (zh) | 2020-06-05 | 2020-06-05 | 血氧饱和度确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111714135B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112472079A (zh) * | 2020-11-23 | 2021-03-12 | 青岛歌尔智能传感器有限公司 | 血氧饱和度检测装置、设备及存储介质 |
CN115205270A (zh) * | 2022-07-25 | 2022-10-18 | 哈尔滨工业大学 | 基于图像处理的非接触式血氧饱和度检测方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5076271A (en) * | 1990-07-19 | 1991-12-31 | Siemens-Pacesetter, Inc. | Rate-responsive pacing method and system employing minimum blood oxygen saturation as a control parameter and as a physical activity indicator |
CN104462858A (zh) * | 2014-12-30 | 2015-03-25 | 天津迈沃医药技术有限公司 | 基于多阶隐马尔可夫模型的健康预警方法 |
US20150164346A1 (en) * | 2013-12-05 | 2015-06-18 | Medisim, Ltd. | Flexible thermometer for invasive and non-invasive measurement and predictive based on additional parameters measurement |
US20180199823A1 (en) * | 2017-01-17 | 2018-07-19 | Cheng Uei Precision Industry Co., Ltd. | Physiological signal measurement device and blood oxygen concentration algorithm applied therein |
CN108836264A (zh) * | 2018-04-23 | 2018-11-20 | 中冶赛迪技术研究中心有限公司 | 生命指数计算方法及体征指数仪 |
US20190076098A1 (en) * | 2017-09-08 | 2019-03-14 | Arizona Board Of Regents On Behalf Of The Universty Of Arizona | Artificial Neural Network Based Sleep Disordered Breathing Screening Tool |
CN109767836A (zh) * | 2018-12-29 | 2019-05-17 | 上海亲看慧智能科技有限公司 | 一种医学诊断人工智能系统、装置及其自我学习方法 |
WO2019102000A1 (en) * | 2017-11-27 | 2019-05-31 | Nokia Technologies Oy | An apparatus and associated methods for lifestyle recommendation generation |
CN110236508A (zh) * | 2019-06-12 | 2019-09-17 | 云南东巴文健康管理有限公司 | 一种无创血压连续监测方法 |
TW201944340A (zh) * | 2018-04-18 | 2019-11-16 | 真茂科技股份有限公司 | 一種肌少健康評估系統及其預防改善方法 |
US10528833B1 (en) * | 2018-08-06 | 2020-01-07 | Denso International America, Inc. | Health monitoring system operable in a vehicle environment |
CN110827993A (zh) * | 2019-11-21 | 2020-02-21 | 北京航空航天大学 | 基于集成学习的早期死亡风险评估模型建立方法及装置 |
-
2020
- 2020-06-05 CN CN202010505610.2A patent/CN111714135B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5076271A (en) * | 1990-07-19 | 1991-12-31 | Siemens-Pacesetter, Inc. | Rate-responsive pacing method and system employing minimum blood oxygen saturation as a control parameter and as a physical activity indicator |
US20150164346A1 (en) * | 2013-12-05 | 2015-06-18 | Medisim, Ltd. | Flexible thermometer for invasive and non-invasive measurement and predictive based on additional parameters measurement |
CN104462858A (zh) * | 2014-12-30 | 2015-03-25 | 天津迈沃医药技术有限公司 | 基于多阶隐马尔可夫模型的健康预警方法 |
US20180199823A1 (en) * | 2017-01-17 | 2018-07-19 | Cheng Uei Precision Industry Co., Ltd. | Physiological signal measurement device and blood oxygen concentration algorithm applied therein |
US20190076098A1 (en) * | 2017-09-08 | 2019-03-14 | Arizona Board Of Regents On Behalf Of The Universty Of Arizona | Artificial Neural Network Based Sleep Disordered Breathing Screening Tool |
WO2019102000A1 (en) * | 2017-11-27 | 2019-05-31 | Nokia Technologies Oy | An apparatus and associated methods for lifestyle recommendation generation |
TW201944340A (zh) * | 2018-04-18 | 2019-11-16 | 真茂科技股份有限公司 | 一種肌少健康評估系統及其預防改善方法 |
CN108836264A (zh) * | 2018-04-23 | 2018-11-20 | 中冶赛迪技术研究中心有限公司 | 生命指数计算方法及体征指数仪 |
US10528833B1 (en) * | 2018-08-06 | 2020-01-07 | Denso International America, Inc. | Health monitoring system operable in a vehicle environment |
CN109767836A (zh) * | 2018-12-29 | 2019-05-17 | 上海亲看慧智能科技有限公司 | 一种医学诊断人工智能系统、装置及其自我学习方法 |
CN110236508A (zh) * | 2019-06-12 | 2019-09-17 | 云南东巴文健康管理有限公司 | 一种无创血压连续监测方法 |
CN110827993A (zh) * | 2019-11-21 | 2020-02-21 | 北京航空航天大学 | 基于集成学习的早期死亡风险评估模型建立方法及装置 |
Non-Patent Citations (2)
Title |
---|
杨帆,等: "体质指数对脉搏波传导速度的影响", 《南京医科大学学报(自然科学版)》 * |
王来明,等: "BMI轨迹与肱踝脉搏波传导速度的关联", 《中国动脉硬化杂志》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112472079A (zh) * | 2020-11-23 | 2021-03-12 | 青岛歌尔智能传感器有限公司 | 血氧饱和度检测装置、设备及存储介质 |
CN115205270A (zh) * | 2022-07-25 | 2022-10-18 | 哈尔滨工业大学 | 基于图像处理的非接触式血氧饱和度检测方法及系统 |
CN115205270B (zh) * | 2022-07-25 | 2023-10-24 | 哈尔滨工业大学 | 基于图像处理的非接触式血氧饱和度检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111714135B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10524671B2 (en) | Electronic device that computes health data | |
KR101564073B1 (ko) | 생체 신호 측정을 위해 구비된 복수의 전극을 터치 센서로 활용하는 생체 신호 측정 장치 | |
US20170105679A1 (en) | Earphone comprising bio-signal measurement means, and bio-signal monitoring system comprising same | |
US8649838B2 (en) | Wavelength switching for pulse oximetry | |
US8777867B2 (en) | Detection of oximetry sensor sites based on waveform characteristics | |
EP3295867A1 (en) | A phone for use in health monitoring | |
JP6608527B2 (ja) | 装置、端末および生体情報システム | |
JP2004130142A (ja) | 生体信号に基づいた健康管理機能を有するモバイル機器及びこれを用いた健康管理方法 | |
Preejith et al. | Design, development and clinical validation of a wrist-based optical heart rate monitor | |
CN111714135B (zh) | 血氧饱和度确定方法及装置 | |
CN107920786A (zh) | 脉搏血氧测定 | |
US11147461B2 (en) | Blood pressure analyzing apparatus, blood pressure measuring apparatus, and blood pressure analyzing method | |
US8483788B2 (en) | Motion compensation in a sensor | |
JP7247444B2 (ja) | 血圧を測定するための装置 | |
KR102562817B1 (ko) | 혈압 측정을 위한 전자 장치 및 그의 동작 방법 | |
JP6066893B2 (ja) | パルスオキシメータ | |
US20190298190A1 (en) | Pulse detection, measurement and analysis based health management system, method and apparatus | |
JP2014158600A (ja) | 集中状態推定システム、推定装置、筆記具、推定方法及びプログラム | |
JP2017023472A (ja) | 生体情報推定装置、生体情報推定方法、及びコンピュータプログラム | |
US20210068668A1 (en) | Electronic device and method for obtaining vital sign | |
US20220039666A1 (en) | Apparatus and method for estimating bio-information | |
KR20220012582A (ko) | 생체정보 추정 장치 및 방법 | |
CN114557693B (zh) | 一种无创血红蛋白浓度测量装置及方法 | |
EP3939500B1 (en) | Apparatus and method for estimating bio-information | |
US20240055091A1 (en) | Method for calculating a degree of fatigue |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200922 Address after: Room 201, building H8, phase II, innovation industrial park, 2800 innovation Avenue, hi tech Zone, Hefei City, Anhui Province Applicant after: Hefei huami Microelectronics Co.,Ltd. Address before: 1201, building 230088, building A4, national animation base, 800 Wangjiang West Road, Hefei hi tech Zone, Anhui, China Applicant before: Anhui Huami Information Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |