CN112040849B - 用于确定对象血压的系统和方法 - Google Patents

用于确定对象血压的系统和方法 Download PDF

Info

Publication number
CN112040849B
CN112040849B CN201880092256.6A CN201880092256A CN112040849B CN 112040849 B CN112040849 B CN 112040849B CN 201880092256 A CN201880092256 A CN 201880092256A CN 112040849 B CN112040849 B CN 112040849B
Authority
CN
China
Prior art keywords
subject
blood pressure
historical
subjects
initial
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.)
Active
Application number
CN201880092256.6A
Other languages
English (en)
Other versions
CN112040849A (zh
Inventor
邓梓明
韦传敏
陆颖
黄子健
赵纪伟
马科正
胡梦承
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsang digital technology (Qingdao) Co.,Ltd.
Original Assignee
Vita Course Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Vita Course Technologies Co Ltd filed Critical Vita Course Technologies Co Ltd
Publication of CN112040849A publication Critical patent/CN112040849A/zh
Application granted granted Critical
Publication of CN112040849B publication Critical patent/CN112040849B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Abstract

一种在具有至少一个处理器(220，330，340，400)，存储器(270，230，240，360，390)和连接到网络(150)的通信平台(250，310)的计算设备(200，300)上实现的用于确定血压的方法，该方法包括：从终端(140)接收确定第一受试者的血压的请求，获取与第一受试者相关的数据，与第一受试者相关的数据包括与第一受试者的心脏活动相关的数据和与第一受试者相关的个人信息，从与第一受试者相关的数据中提取与第一受试者相关的目标特征，基于与第一受试者相关的目标特征使用预测模型确定第一受试者的初始血压，基于初始血压使用优化模型确定第一受试者的预测血压，并将第一受试者的预测血压发送给所述终端(140)。

Description

用于确定对象血压的系统和方法
技术领域
本申请通常涉及医疗保健相关领域的系统和方法。更具体地，本申请涉及用于确定受试者的血压的系统和方法。
背景技术
血压测量可分为有创血压测量和无创血压测量。有创血压测量通常用于医学手术或医学研究，需要由医学专业人员进行。无创血压测量是一种间接血压测量方法。血压计是一种流行的无创血压测量设备。它包括一个以可控方式压扁然后释放其下方动脉的可充气袖带，以及一个用于测量压力的水银或机械压力计。然而，由于频繁的充气压迫受试者的血管，频繁使用血压计进行测量会使受试者不适。另外，在测量过程中，袖带的大小、弹性效应和受试者的姿态会影响所测血压的精度。
另一无创血压测量系统可以收集多个受试者(例如病人或人)的多个生理特征数据作为样本数据，以建立预测受试者血压的模型。由于多个受试者的生理特征数据量巨大，特征的维度高，并且包括离群样本数据，因此难以建立用于预测受试者血压的模型。因此，需要通过减小特征的高维度而又不删除异常样本数据来提供准确、有效和个性化的血压预测模型。
发明内容
根据本申请的一个方面，提供了一种用于确定血压的系统。所述系统可以包括至少一个存储介质，该存储介质包括一组指令，连接到网络的通信平台；至少一个处理器，该处理器与所述至少一个存储介质通信。当执行所述一组指令时，所述至少一个处理器可以用于从终端接收确定第一受试者的血压的请求。所述至少一个处理器可以获取与所述第一受试者相关的数据，其中与所述第一受试者相关的数据可以包括与所述第一受试者的心脏活动相关的数据和与所述第一受试者相关的个人信息。所述至少一个处理器可以从与所述第一受试者相关的数据中提取与所述第一受试者相关的目标特征。所述至少一个处理器可以基于与所述第一受试者相关的所述目标特征使用预测模型来确定所述第一受试者的初始血压。所述至少一个处理器可以基于所述初始血压使用优化模型来确定所述第一受试者的预测血压。所述至少一个处理器还可以响应于所述请求而将所述第一受试者的所述预测血压发送到所述终端。
根据本申请的另一方面，提供了一种在计算设备上实现的用于确定血压的方法，所述计算设备具有至少一个处理器，存储器和连接到网络的通信平台。所述方法可以包括从终端接收确定第一受试者的血压的请求。所述方法可以包括获得与所述第一受试者相关的数据，其中与所述第一受试者相关的数据可以包括与所述第一受试者的心脏活动相关的数据和与所述第一受试者相关的个人信息。所述方法可以包括从与所述第一受试者相关的数据中提取与所述第一受试者相关的目标特征。所述方法可以包括基于与所述第一受试者相关的所述目标特征使用预测模型来确定所述第一受试者的初始血压。所述方法可以包括基于所述初始血压使用优化模型来确定所述第一受试者的预测血压。所述方法还可以包括响应于所述请求将所述第一受试者的所述预测血压发送到所述终端。
根据本申请的另一方面，提供了一种非暂时性计算机可读介质，包括至少一组用于确定血压的指令。当由至少一个处理器执行时，所述至少一组指令可以使所述至少一个处理器从终端接收确定第一受试者的血压的请求。所述至少一个处理器还可以获取与所述第一受试者相关的数据，其中与所述第一受试者相关的数据可以包括与所述第一受试者的心脏活动相关的数据和与所述第一受试者相关的个人信息。所述至少一组指令可以使所述至少一个处理器从与所述第一受试者相关的数据中提取与所述第一受试者相关的目标特征。所述至少一组指令可以使所述至少一个处理器基于与所述第一受试者相关的目标特征使用预测模型来确定所述第一受试者的初始血压。所述至少一组指令可以使所述至少一个处理器基于所述初始血压使用优化模型来确定所述第一受试者的预测血压。所述至少一组指令还可使所述至少一个处理器响应于所述请求将所述第一受试者的预测血压发送到所述终端。
在一些实施例中，为了获取与第一受试者的心脏活动相关的数据，所述至少一个处理器可以进一步被指示与连接到第一受试者的设备进行通信，该设备被配置为检测所述第一受试者的心脏活动并产生信号，以及从该设备接收基于所述信号产生的与所述第一受试者的心脏活动相关的数据。
在一些实施例中，可以经由第一训练过程来生成预测模型。所述第一训练过程可以包括：获取与至少两个第二受试者相关的历史数据以及与所述至少两个第二受试者相关联的至少两个历史血压测量值，其中所述至少两个第二受试者可以包括所述第一受试者，以及与所述至少两个第二受试者相关的所述历史数据可以包括与所述至少两个第二受试者的心脏活动相关的数据和与所述至少两个第二受试者相关的历史个人信息。所述第一训练过程还可以包括基于与所述至少两个第二受试者相关的历史数据和与所述至少两个第二受试者相关联的多个历史血压测量值生成初始预测模型；以及基于所述初始预测模型和与所述第一受试者相关的所述历史数据的至少一部分生成第一受试者有关的预测模型。
在一些实施例中，基于与所述至少两个第二受试者相关的历史数据和与所述至少两个第二受试者相关的至少两个历史血压测量值生成初始预测模型可以包括从与所述至少两个第二受试者相关的历史数据中提取第一组特征；基于第一组特征确定第二组特征，第二组特征的维度小于第一组特征的维度；将与至少两个第二受试者相关的历史数据聚类为一个或以上聚类；根据第二组特征确定历史目标特征；对于一个或以上聚类中的每个聚类，基于所述每个聚类中历史数据的历史目标特征以及与每个聚类中历史数据相对应的历史血压测量值，确定子预测模型；将与一个或以上聚类相对应的一个或以上子预测模式指定为初始预测模型。
在一些实施例中，基于与所述至少两个第二受试者相关的历史数据和与所述至少两个第二受试者相关的至少两个历史血压测量值产生初始预测模型可以进一步包括在从与所述至少两个第二受试者相关的历史数据中提取第一组特征之前，归一化与所述至少两个第二受试者相关的历史数据。
在一些实施例中，可以使用主成分分析技术来确定第二组特征。
在一些实施例中，基于初始预测模型和与所述第一受试者相关的历史数据的至少一部分生成第一受试者有关的预测模型可以包括从与所述第一受试者相关的历史数据中提取历史目标特征；基于与所述第一受试者相关的所述历史数据的所述历史目标特征，从一个或以上聚类中确定目标聚类；并将与所述目标聚类相对应的子预测模式指定为所述第一受试者有关的所述预测模型。
在一些实施例中，为了基于初始血压使用优化模型确定第一受试者的预测血压，所述至少一个处理器可以被进一步指示：初始化第一优化模型；以及将初始血压指定为第一血压；迭代执行：使用所述第一优化模型基于所述第一血压产生第二血压；基于所述第一血压和所述第二血压确定是否满足收敛条件；响应于确定满足收敛条件，将第一优化模型指定为所述优化模型，并将迭代中产生的第二血压指定为预测血压；响应于确定不满足收敛条件，更新所述第一优化模型，并将迭代中产生的所述第二血压指定为所述第一血压。
在一些实施例中，为了初始化第一优化模型，所述至少一个处理器可以被指示：获取第一受试者的历史血压测量值和第一受试者的历史目标特征；以及基于所述第一受试者的历史血压测量值和所述第一受试者的历史目标特征初始化所述第一优化模型。
在一些实施例中，第一受试者的预测血压可以包括收缩压和舒张压。可以使用优化模型基于舒张压来预测收缩压。
本申请的一部分附加特性可以在以下描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解，本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各个方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例，在这些实施例中，各图中相同的编号表示相似的结构，其中：
图1示出了根据本申请的一些实施例所示的示例性系统配置，其中可以部署医疗系统；
图2是根据本申请的一些实施例所示的计算设备的示例性硬件和软件组件的示意图；
图3是根据本申请的一些实施例所示的可以在其上实现用户终端的示例性移动设备的示例性硬件和/或软件组件的示意图；
图4是根据本申请的一些实施例所示的示例性处理器的框图；
图5是根据本申请的一些实施例的所示的用于响应于请求向终端提供第一受试者的血压的过程和/或方法的流程图；
图6A和图6B是根据本申请的一些实施例所示的另一示例性处理器的框图。
图7是根据本申请的一些实施例所示的用于生成预测第一受试者的初始血压的预测模型的过程和/或方法的流程图；
图8是根据本申请的一些实施例所示的示例性初始预测模型确定模块的框图；
图9是根据本申请的一些实施例所示的用于生成初始预测模型的过程和/或方法的流程图；
图10是根据本申请的一些实施例所示的示例性预测模型确定模块的框图；
图11是根据本申请的一些实施例所示的用于确定第一受试者有关的预测模型的过程和/或方法的流程图；
图12是根据本申请的一些实施例所示的示例性预测血压确定模块的框图；以及
图13是根据本申请的一些实施例所示的使用优化模型确定第一受试者的预测血压的过程和/或方法的流程图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所披露的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
本申请中所使用的术语仅出于描述特定示例实施例的目的，而非限制性的。如本申请使用的单数形式“一”、“一个”及“该”同样可以包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本说明书中所示，术语“包括”、“包含”、仅提示存在所述特征，整体、步骤、操作、组件和/或部件，但不排除存在或增加一个或以上其他特征，整体、步骤、操作、组件、部件和/或其组合的情况。
在考虑了作为本申请一部分的附图的描述内容后，本申请的特征和特点以及操作方法、结构的相关元素的功能、各部分的组合、制造的经济性变得显而易见。然而，应当理解，附图仅出于说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例绘制的。
本申请中使用了流程图用来说明根据本申请的一些实施例的系统所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将一个或以上其他操作添加到这些流程图中。也可以从流程图中删除一个或以上操作。
本申请的一个方面涉及用于确定第一受试者(在本文中也称为目标受试者)的血压的系统和方法。本申请基于与第一受试者相关的数据使用预测模型来预测第一受试者的初始血压。该预测模型是使用与大量受试者相关联的血压测量值的样本数据集来训练的。与第一受试者相关的数据可以包括与第一受试者的心脏活动相关的数据和与第一受试者相关的个人信息。本申请进一步基于上述初始血压使用优化模型产生第一受试者的预测血压。优化模型利用受试者的收缩压和舒张压之间的相关性来确定每次迭代期间的收缩压和舒张压，以获得更准确的血压预测结果。
图1示出了根据本申请的一些实施例所示的示例性系统配置，其中可以部署医疗系统100。医疗系统100可以被配置为监测感兴趣的生理参数。医疗系统100可以包括测量设备110、服务器120、外部数据源130、终端140和存储设备160。医疗系统100的各个组件可以经由网络150直接或间接地彼此连接。
测量设备110可以被配置为检测受试者的生理现象(例如，心脏活动)并产生信号。该信号可以是心血管信号。该信号可能涉及或用于确定感兴趣的生理参数。测量设备110可以包括例如临床设备、家用设备、便携式设备、可穿戴设备等或其组合。如本文所用，临床设备可以是满足在临床环境中使用的适用要求和规范的设备，临床环境包括例如医院、医生办公室、疗养院等。临床设备可以由医务人员使用或在医务人员的协助下使用。如本文所使用的，家用设备可以是满足要在家庭或非临床环境中使用的适用要求和规格的家用设备。家用设备可能由专业提供者或非专业提供者使用。临床设备或家用设备或其一部分可以是便携式的或可穿戴的。示例性临床设备包括听诊设备、示波设备、ECG监测器、PPG监测器等或其组合。示例性的家用设备包括示波设备、家用ECG监测器、血压计等或其组合。示例性便携设备包括示波设备、便携式ECG监测器、便携式PPG监测器等或其组合。示例性可穿戴设备包括眼镜111、肩带112、智能手表113、脚链114、大腿带115、臂带116、胸带117、颈带118等或其组合。上面提到的测量设备110的示例仅用于说明性目的，并不用于限制本申请的范围。测量设备110可以是其他形式，例如指套、腕带、胸罩、内衣、胸带、脉搏血氧仪、或与脉搏血氧仪中使用的原理相关的设备等或其组合。
仅作为示例，测量设备110是可穿戴或便携式设备，被配置为检测并生成一个或以上心血管信号。在一些实施例中，可穿戴设备或便携式设备可以处理至少一些所测得的信号，基于所测得的信号估计感兴趣的生理参数，以例如图像、音频警报的形式将包括感兴趣的生理参数的结果展示出来，与另一个设备或服务器(例如，服务器120)等进行有线或无线通信，或其类似方式。在一些实施例中，可穿戴设备或便携式设备可以与另一设备(例如，终端140)或服务器(例如，服务器120)通信。该设备或服务器可以处理至少一些所测得的信号，基于所测得的信号估计感兴趣的生理参数，以例如图像、音频警报或其组合的形式将包括感兴趣的生理参数的结果展示出来。
在一些实施例中，处理生成的信号，估计生理参数，显示结果或者执行有线或无线通信的操作可以由集成设备或由此连接或通信的单独设备执行。这样的集成设备可以是便携式的或可穿戴的。在一些实施例中，至少一些独立设备可以是便携式的或可穿戴的，或者位于受试者附近，其从受试者测量信号或估计或监视感兴趣的生理参数。仅作为示例，受试者佩戴测量设备110，该测量设备被配置为检测并产生一个或以上心血管信号；生成的一个或以上心血管信号传输到智能手机，该智能手机被配置为根据测得的信号确定感兴趣的生理参数。在一些实施例中，至少一些独立设备位于远离受试者的位置。仅作为示例，受试者佩戴测量设备110，其被配置为检测并产生一个或以上心血管信号；生成的一个或以上心血管信号被进一步发送到服务器120，该服务器120被配置为基于所测量的信号来确定感兴趣的生理参数；并且可以将确定的感兴趣的生理参数传回受试者或受试者以外的用户(例如，医生、护理人员、与受试者有关的家庭成员等或其组合)。
在一些实施例中，测量设备110可以包含各种类型的传感器，例如，电极传感器、光学传感器、光电传感器、压力传感器、加速度计、重力传感器、温度传感器、湿度传感器等或其组合。测量设备110可以被配置为监控和/或检测一种或以上类型的变量，包括，例如温度、湿度、用户或受试者输入等或其组合。重力传感器可以检测被测受试者的姿势。姿势可以包括躺姿、坐姿、站姿等。温度传感器可以检测测量设备110附近位置的温度。湿度传感器可以检测测量设备110附近区域的湿度。测量设备110还可包括定位系统，例如GPS接收器或位置传感器，并且位置信息可以通过网络150传输到服务器120、外部数据源130、终端140等或其组合。位置信息和所测得的信号可以同时或依次发送。在一些实施例中，测量设备110可以包含一个或以上个计算机芯片，在其上可以实现下述服务器120的功能。
服务器120可以是云服务器。仅作为示例，服务器120可以在可提供存储容量，计算容量等或其组合的云服务器中实现。服务器120可以包括被配置为收集或存储数据的存储设备。数据可以包括个人数据、非个人数据或两者皆有。数据可以包括静态数据、动态数据或两者皆有。在一些实施例中，静态数据可包括关于受试者的各种信息，包括身份、联系信息、生日、健康史(例如，受试者是否有吸烟史，关于先前手术的信息、食物过敏、药物过敏、医疗历史、遗传病史、家庭健康史等或其组合的信息)、性别、国籍、身高、体重、职业、习惯(例如与健康有关的习惯，例如锻炼习惯)、教育背景、爱好、婚姻状况、宗教信仰等或其组合。在一些实施例中，动态数据可以包括受试者当前的健康状况、受试者正在服用的药物、受试者正在接受的药物治疗、饮食、多个时间点或一段时间内与受试者相关的生理信号或参数(例如，脉搏波传导时间(PTT)、收缩压(SBP)、舒张压(DBP)等)或其组合。
如本文所使用的，受试者可以指信号或信息被获取，且生理参数得到确定或监控的人或动物。仅作为示例，受试者可以是心血管信号被获取，且血压基于获取的心血管信号得到确定或监控的患者。
在一些实施例中，服务器120可以是单个服务器或服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式的系统)。在一些实施例中，服务器120可以是本地的，也可以是远程的。例如，服务器120可以经由网络150访问存储在终端140和/或存储设备160中的信息和/或数据。作为另一示例，服务器120可以连接终端140和/或存储设备160以访问存储的信息和/或数据。在一些实施例中，服务器120可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，服务器120可以在计算设备200上实现，该计算设备200具有本申请中的图2中所示的一个或以上组件。
在一些实施例中，服务器120可以包括处理引擎122。处理引擎122可以处理信息和/或数据以执行本公开中描述的一个或以上功能。例如，处理引擎122可以基于一个或以上个性化模型，与所生成的信号相关的数据和/或与受试者相关的信息来确定受试者的血压。在一些实施例中，处理引擎122可以包括一个或以上处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎122可以包括一个或以上硬件处理器、例如中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑设备(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)，微处理器等或其任意组合。
外部数据源130可以包括各种组织、系统和设备等或其组合。在一些实施例中，数据源130可以包括医疗机构、研究机构、传统设备和外围设备等或其组合。医疗机构或研究机构可以提供例如个人病例、临床测试结果、实验研究结果、理论或数学研究结果、适合于处理数据的算法等或其组合。传统设备可以包括心血管信号测量设备，例如水银血压计。外围设备可以监控和/或检测一种或以上类型的变量，包括，例如温度、湿度、用户或受试者输入等或其组合。提供上述外部数据源130和数据类型的示例是出于说明的目的，而无意限制本公开的范围。例如，外部数据源130可以包括其他来源和其他类型的数据，例如与受试者或其家庭有关的遗传信息。
医疗系统100中的终端140可以被配置为处理至少一些生成的信号，基于所生成的心血管信号确定感兴趣的生理参数，以例如图像的形式显示包括感兴趣的生理参数的结果，存储数据，控制对医疗系统100或其一部分的访问(例如，对存储在医疗系统100中或可从医疗系统100访问的个人数据的访问)，管理来自受试者或与其相关的输入/输出等或其组合。
终端140可以包括移动设备140-1、平板计算机140-2、膝上型计算机140-3、机动车辆中的内置设备140-4等或其任意组合。在一些实施例中，移动设备140-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能服装、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleGlassTM、RiftConTM、FragmentsTM、GearVRTM等。在一些实施例中，机动车辆中的内置设备140-4可以包括车载计算机、车载电视等。
网络150可以促进信息和/或数据的交换。在一些实施例中，医疗系统100的一个或以上组件(例如，测量设备110、服务器120、外部数据源130、终端140和存储设备160)可以经由网络150将信息和/或数据发送给医疗系统100中的其他组件。例如，服务器120可以经由网络150从终端140接收确定受试者的血压的请求。在一些实施例中，网络150可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络150可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共电话交换网(PSTN)、蓝牙网络、ZigBee网络、近场通信(NFC)网络等，或其任意组合。在一些实施例中，网络150可以包括一个或以上网络接入点。例如，网络150可以包括诸如基站和/或互联网交换点150-1、150-2，…之类的有线或无线网络接入点，医疗系统100的一个或以上组件可以通过有线或无线网络接入点连接到网络150，以在它们之间交换数据和/或信息。
存储设备160可以存储数据和/或指令。在一些实施例中，存储设备160可以存储从终端140获得的数据。在一些实施例中，存储设备160可以存储服务器120用来执行或使用以完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备160可以包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取内存(DRAM)、双倍数据速率同步动态随机存取内存(DDRSDRAM)、静态随机存取内存(SRAM)、晶闸管随机存取内存(T-RAM)和零电容随机存取内存(Z-RAM)等。示例性ROM可包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字多功能盘ROM等在一些实施例中，存储设备160可以在云平台上执行。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，存储设备160可以连接到网络150以与医疗系统100的一个或以上组件(例如，测量设备110、服务器120、外部数据源130、终端140和存储设备160)通信。医疗系统100中的一个或以上组件可以通过网络150访问存储在存储设备160中的数据或指令。在一些实施例中，存储设备160可以直接连接至医疗系统100中的一个或以上组件(例如，测量设备110、服务器120、外部数据源130、终端140和存储设备160)或与之通信。
在一些实施例中，服务医疗系统100的一个或以上组件(例如，测量设备110、服务器120、外部数据源130、终端140和存储设备160)可以访问存储设备160。例如，服务器120可以在请求预测受试者的血压后读取和/或修改一个或以上用户的信息。
在一些实施例中，医疗系统100的各种组件可以包括用于存储中间数据和/或信息的存储设备。这样的组件可以包括例如测量设备110、服务器120、外部数据源130、终端140等或其组合。
在一些实施例中，外部数据源130可以经由网络150从测量设备110、服务器120、终端140等或任何组合接收数据。仅作为示例，外部数据源130(例如，医疗机构或智能家居系统等)可以基于从测量设备110或终端140接收的数据，接收与受试者相关的信息(例如，位置信息、来自云服务器或终端的数据等或其组合)。在一些其他实施例中，测量设备110可以经由网络150从服务器120、外部数据源130等或其任意组合接收数据。仅作为示例，测量设备110可以接收与受试者相关的信息(例如，受试者的当前/历史健康状况、受试者正在服用的药物、受试者正在接受的医疗、当前/历史饮食、当前情绪状态、与受试者相关的历史生理参数(例如，PTT、SBP、DBP等)或其组合)。此外，终端140可以从测量设备110、服务器120、外部数据源130等或其组合接收数据。在一些实施例中，服务器120可以存储用于预测血压的一个或以上个性化模型，并且可以将个性化模型发送到测量设备110和终端140。
应当注意，关于医疗系统100配置的描述不旨在限制本申请的范围。在一些实施例中，可以省略服务器120，将其所有功能迁移到终端140。在一些实施例中，服务器120和终端140都可以被省略，将它们的所有功能迁移到测量设备110。在不同的实施例中，系统可以包括各种设备或设备的组合。
图2是根据本申请的一些实施例所示的可以在其上实现测量设备110、服务器120、外部数据源130、终端140和存储设备160的计算设备200的示例性硬件和软件组件的示意图。例如，处理引擎122可以被实现在计算设备200上并且被配置为执行本申请中公开的处理引擎122的功能。
计算设备200可以是通用计算机或专用计算机，两者均可用于实现本申请的系统。计算设备200可以用于实现本文所述的任何组件。例如，处理引擎122可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。尽管为了方便起见，仅示出了一台这样的计算机，但是与本文所述的医疗系统100有关的计算机功能可以以分布式方式在多个类似平台上实现，以分散处理负荷。
例如，计算设备200可以包括与网络相连接的通信端口250，以实现数据通信。计算设备200还可包括以一个或以上处理器的形式，用于执行程序指令的处理器(例如，处理器220)。示例性计算设备可以包括内部通信总线210，不同形式的程序存储和数据存储器，包括，例如磁盘270、只读存储器(ROM)230或随机存取存储器(RAM)240，用于存储计算设备处理和/或传输的各种数据文件。在一些实施例中，计算设备还可包括存储在ROM230、RAM240和/或其他类型的非暂时性存储介质中的可由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200还包括支持计算机和其他组件之间的输入/输出的输入/输出组件260。计算设备200还可以通过网络通信来接收编程和数据。
仅出于说明目的，图2中仅示出了一个CPU和/或处理器。也可以考虑使用多个CPU和/或处理器。因此，如本公开中所描述的由一个CPU和/或处理器执行的操作和/或方法步骤也可以由多个CPU和/或处理器共同或分别执行。例如，如果在本申请中，计算设备200的CPU和/或处理器同时执行步骤A和步骤B，则应当理解，步骤A和步骤B也可以由两个不同的CPU和/或处理器共同地或独立地执行(例如，第一处理器执行步骤A、第二处理器执行步骤B、或者第一处理器和第二处理器共同执行步骤A和B)。
图3是根据本申请的一些实施例所示的可以在其上实现用户终端的示例性移动设备300的示例性硬件和/或软件组件的示意图。如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出组件(I/O)350、内存360和存储器390。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可包括在移动设备300内。在一些实施例中，移动操作系统370(例如，iOSTM、AndroidTM、WindowsPhoneTM等)和一个或以上应用程序380可以从存储器390加载到内存360中以便由CPU 340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序，用于接收和呈现与图像处理有关的信息或处理引擎122中的其他信息。可以通过I/O350实现信息流与用户的交互，并通过网络150将其提供给处理引擎122和/或医疗系统100的其他组件。
为了实施本申请描述的各种模块、单元及其功能，计算机硬件平台可用作本文中描述的一个或以上组件的硬件平台。具有用户接口元素的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端设备。若计算机被适当的程序化，计算机亦可用作服务器。
图4是根据本申请的一些实施例所示的示例性处理器的框图。处理器400可以包括数据获取模块402、特征提取模块404、初始血压确定模块406、预测血压确定模块408和通信模块410。每个模块可以是被设计为执行以下操作的硬件电路，存储在一个或以上存储介质中的一组指令，和/或硬件电路与一个或以上存储介质的任意组合。处理器400中的模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属电缆、光缆、混合电缆等或其任何组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、紫蜂网络、近场通信(NFC)等或其任意组合。在一些实施例中，模块中的任何两个可以被组合为单个模块，并且模块中的任何一个可以被划分为两个或以上单元。
数据获取模块402可以获取与第一受试者相关的数据。与第一受试者相关的数据可以包括与第一受试者的心脏活动相关的数据和与第一受试者相关的个人信息。仅作为示例，该信号可以是生理信号，包括但不限于心电图(ECG)信号、与脉搏波有关的信号(例如，光电容积脉搏波(PPG))、心电图(PCG)信号、心阻抗图(ICG)信号等，或其任意组合。与第一受试者相关的个人信息可以包括第一受试者的性别、受试者的年龄、第一受试者的身高、第一受试者的体重、在获得信号时的第一受试者的姿态、获取信号的时间，第一受试者是否患有高血压、第一受试者是否正在接受至少一种药物的治疗、与所述至少一种药物相关的信息、家庭成员的姓名和生日、家庭住所的电话和地址、紧急联系信息、当前用药和剂量清单、过敏症清单、任何医疗设备(例如心脏起搏器)清单、当前医生和办公室电话清单、保险卡副本、DNR(不施行心肺复苏术)意愿书和表格、授权书(POA)表格等或其组合。获得信号时，第一受试者的姿态可以包括躺姿、坐姿、站姿等。
特征提取模块404可以从由数据获取模块402获取的与第一受试者相关的数据中提取与第一受试者相关的目标特征。目标特征可以指与第一受试者的血压预测相关的特征。
初始血压确定模块406可以确定第一受试者的初始血压。在一些实施例中，初始血压确定模块406可以基于与第一受试者相关的目标特征使用预测模型来确定第一受试者的初始血压。目标特征可以用作预测模型的输入。然后，初始血压确定模块406可以将预测模型的输出指定为第一受试者的初始血压。初始血压可以包括收缩压和舒张压。在一些实施例中，可以预先训练预测模型。
预测血压确定模块408可以基于第一受试者的初始血压使用优化模型来确定第一受试者的预测血压，以优化初始血压。在一些实施例中，可以预先训练优化模型，并且可以将优化模型存储在服务器120(例如，云服务器)、终端140和/或存储设备160中。预测血压确定模块408可以相应地从服务器120、终端140和/或存储设备160获取优化模型。在一些实施例中，可以通过执行图13描述的一个或以上操作来确定优化模型。
通信模块410可以从终端140接收确定第一受试者的血压的请求。通信模块410还可以响应于请求而将第一受试者的预测血压发送到终端140。终端140可以对应于第一受试者。例如，第一受试者可以是终端140的用户。
在一些实施例中，图4中的所有模块可以由医疗系统100的一个组件(例如，测量设备110、服务器120或终端140)的单个处理器来实现。在一些实施例中，图4中的一个或以上模块可以由医疗系统100的一个组件(例如，测量设备110、服务器120或终端140)中的不同处理器实现。在一些实施例中，图4中描述的一个或以上模块可以由医疗系统100的不同组件，例如测量设备110、服务器120或终端140中的不同处理器来实现。例如，模块402、406、408和410可以由服务器120中的处理器来实现。作为另一个示例，模块402和410可以由终端140中的第一处理器来实现，而模块404、406和408可以由终端140中的第二处理器来实现。作为又一个示例，模块402和410可以由服务器120中的第一处理器来实现，而模块404、406和408可以由服务器120中的第二处理器来实现。作为又一个示例，模块402和410可以由测量设备110中的处理器来实现，而模块404、406和408可以由服务器120中的处理器来实现。作为又一个示例，模块402可以由测量设备110中的处理器来实现，模块404、406和408可以被包括在服务器120中的处理器中，并且模块410可以由终端140中的处理器来实现。
图5是根据本申请的一些实施例所示的用于响应于请求向终端提供第一受试者的血压的过程和/或方法500的流程图。处理和/或方法500可以由医疗系统100(例如，终端140、服务器120)执行。例如，过程和/或方法500可以被实现为存储在存储ROM 230或RAM240中的一组指令(例如，应用程序)。处理器220(例如，处理器400)可以执行所述一组指令，并被指示据此执行过程和/或方法500。下面所示的描述性过程/方法的操作旨在进行说明。在一些实施例中，所述流程/方法在实现时可以添加一个或以上未描述的额外操作和/或删减一个或以上此处所描述的操作。另外，图5所示和以下描述的过程/方法的操作顺序并非限制性的。还应当注意，过程和/或方法500可以在测量设备110、服务器120、终端140和/或它们的任何组合中实现。
在502中，处理器400(例如，通信模块410)可以从终端140接收确定第一受试者的血压的请求。在一些实施例中，用户可以通过终端发起并发送请求。在一些实施例中，除用户之外的其他人(例如，医务工作者)可以通过终端发起并发送请求。
在504中，处理器400(例如，数据获取模块402)可以获取与第一受试者相关的数据。
在一些实施例中，与第一受试者相关的数据可以包括与第一受试者的心脏活动相关的数据。与第一受试者的心脏活动相关的数据可以包括与指示第一受试者的心脏活动的信号相关的数据。仅作为示例，该信号可以是生理信号，包括但不限于心电图(ECG)信号、与脉搏波有关的信号(例如，光电容积脉搏波(PPG))、心电图(PCG)信号、阻抗心电图(ICG)信号等，或其任意组合。
测量设备110可以附接到第一受试者并且检测第一受试者的心脏活动。测量设备110可以通过检测来生成指示心脏活动的信号。处理器400(例如，数据获取模块402)可以通过通信模块410接收与第一受试者的心脏活动相关的数据，该数据基于来源于测量设备110的信号而生成。
信号可以在预定时间段内保持稳定。预定时间段可以是医疗系统100的默认设置，或者可以在不同条件下调整。预定时间段可以是任何时间跨度(例如，10秒、15秒、20秒、30秒等)。代表信号的波形可以显示在终端(例如，终端140)的用户界面上。预定时间段内的信号可以包括第一受试者的心脏的至少两个搏动。
对于信号的每个搏动，该波可以包括一个或以上特征点(例如，波峰、波谷等)。与第一受试者的心脏活动相关的数据可以包括与信号相关的第一数据，例如时间值、振幅值、面积值、与一个或以上特征点中的每一个相关的导数等。特征点的时间值和振幅值可以分别是特征点的横坐标和纵坐标。面积值可以是与时间间隔有关的积分。面积值可以指示靠近附接的测量设备110的血管中的血容量变化。导数可包括一阶导数、二阶导数、三阶导数、高阶导数等或其组合。对于至少两个搏动，处理器400可以确定至少两个时间值、至少两个振幅值、至少两个面积值、至少两个导数等。
在一些实施例中，与第一受试者的心脏活动相关的数据可以包括与上述信号相关的第二数据，该第二数据源基于与一个或以上特征点相关的至少两个时间值、至少两个振幅值、至少两个面积值和/或至少两个导数。例如，第二数据可以是至少两个时间值的方差、标准偏差、四分位数范围、平均值、中值和/或加权值。作为另一示例，第二数据可以是至少两个振幅值的方差、标准偏差、四分位数范围、平均值、中值和/或加权值。作为另一示例，第二数据可以是至少两个面积值的方差、标准偏差、四分位数范围、平均值、中值和/或加权值。作为又一个示例，第二数据可以是至少两个导数的方差、标准偏差、四分位数范围、平均值、中值和/或加权值。
在一些实施例中，通过将信号从时域转换到频域，与第一受试者的心脏活动相关的数据可以包括与信号有关的第三数据。时频变换可以包括但不限于傅里叶变换、小波变换、拉普拉斯变换、Z变换等或其任意组合。傅立叶变换可以包括但不限于素因子FFT算法、Bruun′sFFT算法、Rader′sFFT算法、Bluestein′sFFT算法等。
在一些实施例中，数据获取模块402可以使用傅立叶变换将信号从时域变换到频域，然后确定频域中的第一表示。数据获取模块402可以基于第一表示来确定第三数据。例如，第一表示可以由等式(1)表示：
其中al(l＝0、1、2、……，∞)和bl(l＝1、2、……，∞)分别表示与cos(l·x)和sin(l·x)相关联的系数。处理器400可以基于等式(1)的系数来确定第三数据。例如，第三数据可以包括al(l＝0、1、2，……，∞)和/或bl(l＝1、2，……，∞)。
在一些实施例中，数据获取模块402可以使用小波变换将信号的一部分从时域变换到频域，然后确定频域中的第二表示。该部分信号可以包括信号的至少一个搏动。数据获取模块402可以基于第二表示来确定第三数据。例如，第二表示可以由等式(2)表示：
其中，X(g，h)可以表示频域中的信号部分，h可以表示比例因子，g可以表示信号部分的中心位置。处理器400可以基于等式(2)的系数来确定第三数据。例如，第三数据可以与m和/或n相关联。
应当注意，等式(1)和等式(2)是用于说明的，并且本申请并不意图是限制性的。频域中的表示可以具有其他形式。因此，第三数据可以是其他形式。
在一些实施例中，与第一受试者的心脏活动相关的数据可以被存储在测量设备110、终端140和/或存储设备160中。
在一些实施例中，与第一受试者相关的数据可以包括与第一受试者相关的个人信息。与第一受试者相关的个人信息可以包括注册信息/登录信息，诸如与医疗系统100相关联的第一受试者的用户名和密码。与第一受试者相关的个人信息还可以包括：第一受试者的性别、受试者的年龄、第一受试者的身高、第一受试者的体重、获取信号时第一受试者的姿势、获取信号的时间、第一位受试者是否患有高血压、第一位受试者是否正在接受至少一种药物的治疗、与所述至少一种药物有关的信息、家庭成员的姓名和生日、家庭住所的地址和号码、紧急联系信息、当前用药和剂量清单、过敏症清单、任何医疗设备(例如，起搏器)清单、主治医生的联系方式、保险卡副本，DNR(请勿复苏)意愿书和表格，授权书(POA)表格等或其组合。获得信号时的第一受试者的姿势可以包括躺姿、坐姿、站姿等。与药物有关的信息可以包括第一受试者服用的药物、第一受试者服用的药物的剂量、药物的剂量是否已改变、如果改变时的改变的详细记录、第一受试者服用药物的时间、第一个受试者服用药物的时间长度等。第一受试者的个人信息可以预先存储在服务器120、终端140、外部数据源130、存储设备160中，和/或它们的组合。数据获取模块402可以经由网络150从终端140、外部数据源130和/或存储设备160获取个人信息。在一些实施例中，数据获取模块402可以从外部数据源130获取个人信息。在一些实施例中，当预测第一受试者的血压时，第一受试者或其他受试者可以通过终端140输入第一受试者的个人信息。
在506中，处理器400(例如，特征提取模块404)可以从与第一受试者相关的数据中提取与第一受试者相关的目标特征。目标特征可以指与第一受试者的血压预测相关的特征。目标特征可以是用于确定第一受试者的初始血压的预测模型的输入。
在508中，处理器400(例如，初始血压确定模块406)可以确定第一受试者的初始血压。在一些实施例中，初始血压确定模块406可以基于与第一受试者相关的目标特征使用预测模型来确定第一受试者的初始血压。目标特征可以作为预测模型的输入。然后，初始血压确定模块406可以将预测模型的输出指定为第一受试者的初始血压。初始血压可以包括收缩压和舒张压。
在一些实施例中，可以预先训练预测模型。并且，训练后的预测模型可以被存储在服务器120(例如，云服务器)，终端140和/或存储设备160中。初始血压确定模块406可以相应地从服务器120，终端140和/或存储设备160获得预测模型。在一些实施例中，可以通过执行图7、图9、和/或图11描述的一个或以上操作来确定预测模型。
在一些实施例中，处理器400(例如，预测血压确定模块408)可以使用初始血压作为第一受试者的预测血压的最终结果。由于初始血压(例如，收缩压和舒张压中的一个或两个)是基于与大量受试者相关的信息确定的，因此对于特定受试者而言可能不准确。因此，处理器400可能需要进一步优化初始血压以适应于特定受试者。在一些实施例中，基于收缩压和舒张压间的相关性的优化模型可以用于优化初始血压。
然后，在510中，处理器400(例如，预测血压确定模块408)可以基于第一受试者的初始血压使用优化模型来确定第一受试者的预测血压，以优化初始血压。在一些实施例中，可以预先训练优化模型，并且可以将优化模型存储在服务器120(例如，云服务器)、终端140、存储设备160和/或它们的组合中。预测血压确定模块408可以相应地从服务器120，终端140和/或存储设备160获取优化模型。在一些实施例中，可以通过执行图13描述的一个或以上操作来确定优化模型。
在512中，处理器400(例如，通信模块410)可以响应于请求而将第一受试者的预测血压发送到终端140。终端140可以对应于第一受试者。例如，第一受试者可以是终端140的用户。预测的血压可以显示在终端140的用户界面上。
作为另一示例，可以在示例性过程/方法中的其他地方添加一个或以上其他可选步骤(例如，存储步骤，预处理步骤)。
在一些实施例中，图5中描述的所有步骤可以由医疗系统100的一个组件(例如，测量设备110、服务器120或终端140)的信号处理器执行。在一些实施例中，图5中描述的一个或以上步骤可以由医疗系统100的一个组件(例如，测量设备110、服务器120或终端140)中的不同处理器执行。在一些实施例中，图5中描述的一个或以上步骤可以由医疗系统100的不同组件(例如，测量设备110、服务器120或终端140)中的不同处理器执行。例如，步骤502至512可以由服务器120中的处理器执行。作为另一示例，步骤502至508可以由服务器120中的第一处理器执行，并且步骤510和512可以由服务器120中的第二处理器执行。作为另一示例，步骤502和504可以由终端140中的第一处理器执行，步骤506至512可以由终端140中的第二处理器执行。作为另一示例，步骤502和504可以由测量设备110中的处理器执行，而步骤506至512可以由服务器120中的处理器执行。作为又一个示例，步骤502和504可以由终端140中的处理器执行，而步骤506至512可以由服务器120中的处理器执行。
图6A和6B是根据本申请的一些实施例所示的另一示例性处理器的框图。如图6A中所述，处理器600可以包括历史数据获取模块602，初始预测模型确定模块604和预测模型确定模块606。如在图6B中所描述的，处理器600可以包括历史数据获取模块602，初始预测模型确定模块604。并且另一个处理器可以包括预测模型确定模块606。每个模块都可以是被设计为执行下述操作的硬件电路，存储在一个或以上存储介质中的一组指令，和/或硬件电路与一个或以上所述存储介质的任意组合。处理器600中的模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属电缆、光缆、混合电缆等或其任何组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、紫蜂网络、近场通信(NFC)等或其任意组合。在一些实施例中，模块中的任何两个可以被组合为一个模块，并且模块中的任何一个可以被分为两个或以上单元。
历史数据获取模块602可以获取与至少两个第二受试者相关的历史数据以及与至少两个第二受试者相关联的至少两个血压测量值。与至少两个第二受试者相关的历史数据在这里也可以称为至少两组历史数据。每组历史数据可以与第二受试者的历史血压测量值有关。至少两个历史血压测量值中的每一个可以对应于至少两组历史数据中的一组。如504所述，术语“历史数据”可以指与至少两个第二受试者的心脏活动相关的历史数据和与至少两个第二受试者相关的历史个人信息。在一些实施例中，术语“血压测量值”可以指由血压计(例如，无液血压计、水银血压计、自动血压计、电子血压计等)测量的历史血压测量值。
初始预测模型确定模块604可以基于与由历史数据获取模块602获取的与至少两个第二受试者相关的历史数据和与至少两个第二受试者相关联的至少两个历史血压测量值来生成初始预测模型。在一些实施例中，初始预测模型可以包括一个或以上子初始模型。
预测模型确定模块606可以基于初始预测模型和与第一受试者相关的历史数据的至少一部分来生成第一受试者有关的预测模型。历史数据的至少一部分可以对应于与初始模型相关联的相关历史数据的至少一部分特征。在一些实施例中，预测模型确定模块606可以基于与第一受试者相关的历史数据的至少一部分从一个或以上子预测模型中指定一个子预测模型作为第一受试者有关的预测模型。
在一些实施例中，图6A和6B中的所有模块可以通过医疗系统100的一个组件(例如，测量设备110、服务器120或终端140)的处理器来实现。在一些实施例中，图6A和6B中的一个或以上模块可以由医疗系统100的一个组件(例如，测量设备110、服务器120或终端140)中的不同处理器来实现。在一些实施例中，图6A和图6B所述的一个或以上模块可以被包括在在医疗系统100的不同组件，例如，测量设备110、服务器120或终端140，中的不同处理器中。例如，模块602和604可以由服务器120中的处理器实现。作为另一示例，模块602和604可以由服务器120中的第一处理器来实现，而模块606可以由服务器120中的第二处理器来实现。作为又一个示例，模块602和604可以由服务器120中的处理器来实现，而模块606可以由终端140中的处理器来实现。
图7是根据本申请的一些实施例所示的用于生成用于预测第一受试者的初始血压的预测模型的过程和/或方法的流程图。该过程和/或方法700可以由医疗系统100执行。例如，过程和/或方法700可以被实现为存储在存储ROM230或RAM240中的一组指令(例如，应用程序)。处理器220(例如，处理器600)可以执所述一组行指令，并且可以因此被指示执行过程和/或方法700。下面所示的描述性过程/方法的操作旨在进行说明。在一些实施例中，所述过程/方法在实现时可以添加一个或以上未描述的额外操作，和/或删减此处所描述的一个或以上操作。另外，图7中所示和以下描述的过程/方法的操作顺序并非旨在限制。还应当注意，过程和/或方法700可以在测量设备110、服务器120和/或终端140中实现。
在702中，处理器600(例如，历史数据获取模块602)可以获取与至少两个第二受试者相关的历史数据以及与至少两个第二受试者相关联的至少两个血压测量值。与至少两个第二受试者相关的历史数据在本文中也可以指至少两组历史数据。每组历史数据可以与第二受试者的历史血压测量值相关。至少两个历史血压测量值中的每一个可以对应于至少两组历史数据中的一组。如504所描述的，术语“历史数据”可以指与至少两个第二受试者的心脏活动相关的历史数据和与至少两个第二受试者相关的历史个人信息。在一些实施例中，术语“血压测量值”可以指由血压计(例如，无液血压计、水银血压计、自动血压计、电子血压计等)测量的历史血压测量值。对于每个第二受试者，可以收集一个或以上历史血压测量值。当测量血压时，可以针对每个第二受试者的一个或以上姿态，收集与每个第二受试者相关的至少两个历史血压测量值。姿态可以包括躺姿、坐姿、站姿等。在一些实施例中，可以针对一天中的一个时间，收集与每个第二受试者相关的至少两个历史血压测量值。例如，可以在每天的上午9点连续三个月收集所述至少两个历史血压测量值。在一些实施例中，可以针对年龄，收集与每个第二受试者相关的至少两个历史血压测量值。例如，可以在40岁至45岁的的年度体检中连续收集至少两个历史血压测量值。与至少两个第二受试者相关的历史数据以及与至少两个第二受试者相关的至少两个历史血压测量值可以在过去的任何时间(例如，几个月前、几天前、几小时前、几小时内、几分钟前等)。医疗系统100可以将与至少两个第二受试者相关的历史数据和与至少两个第二受试者相关联的至少两个历史血压测量值作为历史数据保存到存储设备160、外部数据源130、或服务器120。在一些实施例中，至少两个第二受试者可以包括第一受试者。
处理器600(例如，历史数据获取模块602)可以基于至少两个第二受试者的指示心脏活动的至少两个历史信号来确定与至少两个第二受试者的心脏活动相关的历史数据。测量设备110可以检测生理现象(例如，心脏活动)并在过去的任何时间(例如，几个月前、几天前、几小时前、几分钟前等)生成至少两个历史信号。如504所描述的，与心脏活动相关的历史数据可以包括历史第一数据，历史第二数据和历史第三数据。对于至少两个历史信号中的每一个历史信号中的每个搏动，所述波可以包括一个或以上特征点(例如，波的波峰、波的波谷等)。历史第一数据可以包括与至少两个历史信号中的每一个历史信号的一个或以上特征点中的每一个相关的时间值、振幅值、面积值、导数等。特征点的时间值和振幅值可以分别是特征点的横坐标和纵坐标。面积值可以是与时间间隔有关的积分。面积值可以指靠近附接的测量设备110的血管中的血容量的变化。导数可包括一阶导数、二阶导数、三阶导数、高阶导数等，或其组合。对于至少两个搏动，处理器400可以确定至少两个时间值、至少两个振幅值、至少两个面积值、至少两个导数等。历史第二数据可以是多个时间值、振幅值和/或面积值的方差、标准差、四分位数范围、平均值、中值和/或加权值等。历史第三数据可以与在频域中表示至少两个历史信号的系数相关联。
处理器600(例如，历史数据获取模块602)可以确定与至少两个第二受试者相关的历史个人信息。如504所述，与至少两个第二受试者相关的历史个人信息可以包括第二受试者的性别、第二受试者的年龄、第二受试者的身高、第二受试者的体重、获取信号时第二受试者的姿势、获得信号的时间、第二受试者是否患有高血压、第二受试者是否在接受至少一种药物治疗、与至少一种药物有关的信息、家庭成员的姓名和生日、家庭成员的家庭住址和电话号码、紧急联系信息、当前用药和剂量清单、过敏症清单、任何医疗设备(例如起搏器)清单、初级保健医生的联系信息、保险卡副本、DNR(请勿心肺复苏)的意愿书和表格、授权书(POA)表格等，或其组合。与至少两个第二受试者中的每一个的药物治疗有关的信息可以包括第二受试者服用的药物、第二受试者服用的药物的剂量、药物的剂量是否改变、如果改变变化的详细记录，第二受试者服用药物的时间，第二受试者服用药物的时间长度等或其任意组合。在一些实施例中，处理器600(例如，历史数据获取模块602)可以经由网络150从服务器120或存储设备160获得历史个人信息。
在一些实施例中，处理器600(例如，历史数据获取模块602)可以将与至少两个第二受试者(在本文中也称为至少两个历史项)有关的历史数据和与至少两个第二受试者相关联的至少两个历史血压测量值进行组合生成用于训练的样本数据。至少两个历史血压测量值之一和与该历史血压测量值相对应的一组历史数据的组合可以被称为历史样本数据项。样本数据可以对应于每个第二受试者的第一预定次数的测量值。第一预定次数的测量值可以包括第一一个测量、第一三个测量、第一五个测量，第一十个测量等。在一些实施例中，处理器600可以类似地确定校准样本数据。校准样本数据可以包括一个历史血压测量值和与该历史血压测量值相对应的一组历史数据。校准样本数据可以对应于每个第二受试者的第二预定次数的测量值。第二预定次数的测量值可以包括第二一个测量、第二三个测量、第二五个测量、第二十个测量等。在一些实施例中，样本数据可以包括校准样本数据。在一些实施例中，样本数据和校准样本数据可以重叠或不重叠。样本数据和校准样本数据可各自包括至少两组数据。
在一些实施例中，处理器600(例如，历史数据获取模块602)可以过滤样本数据，例如通过确定至少两个样本数据项中的每一个的值是否异常。当确定样本数据项的值异常时，可以忽略与异常值相关联的样本数据项。例如，当样本数据项的历史血压测量值被识别为负值时，处理器600可以忽略与异常历史血压测量值相关联的样本数据项。在一些实施例中，处理器600可以获取与至少两个样本数据项中的每一个相关的时间信息。与至少两个样本数据项中的每一个相关的时间信息可以指由测量设备110获取样本数据项的时间，例如在一天中的上午8点，在一天中的下午2点。在一些实施例中，处理器600可以将一天划分为预定数量的组，例如4组、6组。每个组可以对应于相同长度的时间段。例如，将一天分为6组时，六组中的每组可以有4个小时。每个组可以与一个时间标签关联。然后，处理器600可以对时间标签进行分类。
在704中，处理器600(例如初始预测模型确定模块604)可以基于由历史数据获取模块602获取的与至少两个受试者相关的历史数据和与至少两个第二受试者相关联的至少两个历史血压测量值来生成初始预测模型。在一些实施例中，初始预测模型可以包括一个或以上子初始模型。
在一些实施例中，处理器600可以从多组历史数据中提取特征。当训练初始预测模型时，处理器600(例如，初始预测模型确定模块604)可首先使用归一化技术(例如，最小-最大归一化、z分数归一化、十进制缩放归一化)对样本数据进行归一化。然后，处理器600(例如(初始预测模型确定模块604)可从归一化的样本数据中提取特征。这些特征可以包括与历史信号的特征点的时间值、振幅值、面积值相关的至少两个特征，与历史信号相关的第二数据、与频域中的表示相关的第三数据、至少两个第二受试者中的每个受试者的性别、年龄、身高、体重、姿势、测量时间、历史血压测量值、至少两个第二受试者中的每个受试者是否患有高血压、至少两个受试者中的每个受试者是否正在接受至少一种药物的治疗等。特征还可以包括与至少两个样本数据项中的每一个相关的时间标签。在一些实施例中，处理器600(例如，初始预测模型确定模块604)可以基于归一化样本数据来生成初始预测模型。有关生成初始预测模型的详细描述可以看图9。
在706中，预测模型确定模块606可以基于初始预测模型和与第一受试者相关的历史数据的至少一部分来生成第一受试者有关的预测模型。历史数据的至少一部分可以对应于与第一受试者相关联的历史数据相关的至少一部分特征。在一些实施例中，处理器600(例如，预测模型确定模块606)可以基于与第一受试者相关的历史数据的至少一部分，从初始预测模型的一个或以上子预测模型中指定一个子预测模型作为第一受试者有关的预测模型。生成初始预测模型的详细描述可以参看图11。
在一些实施例中，预测模型确定模块606可以由如图6A所示的处理器600实现。例如，处理器600是测量设备110，服务器120或终端140中的处理器，并且处理器600可以执行如过程/方法700的步骤702、704和706中描述的所有操作。例如，服务器120可以获取与至少两个第二受试者相关的历史数据以及与至少两个第二受试者相关联的至少两个对应的血压测量值，并生成初始预测模型。因为至少两个第二受试者包括第一受试者，所以服务器120可以基于初始预测模型和与第一受试者相关的历史数据直接生成第一受试者有关的预测模型。在一些实施例中，预测模型确定模块606可以由测量设备110或终端140中的处理器而不是处理器600来实现。例如，处理器600是服务器120中的处理器，但是预测模型确定模块606可以由测量设备110或终端140的处理器来实现。因此，可以在服务器120中执行步骤702和704中描述的操作，并且可以在测量设备110或终端140中执行步骤706中描述的操作。例如，服务器120可以首先获取与至少两个第二受试者相关的历史数据以及与至少两个第二受试者相关联的至少两个相应的血压测量值，并生成初始预测模型。然后，服务器120可以将初始预测模型发送到测量设备110或终端140，然后测量设备110或终端140可以基于初始预测模型和第一受试者相关的历史数据来生成第一受试者有关的预测模型。所生成的预测模型可以被存储在测量设备110，终端140或其组合中。
图8是根据本申请的一些实施例所示的示例性初始预测模型确定模块的框图。初始预测模型确定模块800可以包括第一组特征提取单元802、第二组特征提取单元804、聚类单元806、历史目标特征确定单元808、子预测模型确定单元810和初始预测模型确定单元812。每个单元可以是被设计为执行以下操作的硬件电路，存储在一个或以上存储介质中的一组指令，和/或硬件电路与一个或以上存储介质的任意组合。初始预测模型确定模块800中的单元可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属电缆、光缆、混合电缆等或其任何组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、紫蜂网络、近场通信(NFC)等或其任意组合。在一些实施例中，任何两个单元可以被组合为单个单元，并且任何一个单元可以被划分为两个或以上子单元。
第一组特征提取单元802可以从与至少两个第二受试者相关的至少两组历史数据中提取第一组特征。第一组特征可以与以下数据相关，例如历史信号的特征点的时间值、振幅值、面积值、与历史信号相关的第二数据、与频域的表示相关的第三数据。至少两个第二受试者中每个受试者的性别、年龄、身高、体重、姿势、测量时间、历史血压测量值、至少两个第二受试者中的每个受试者是否患有高血压、至少两个第二受试者中的每一个是否在接受至少一种药物治疗等。第一组特征的维度可以表示为n1。在一些实施例中，初始预测模型确定模块800还可以归一化第一组特征。
第二组特征提取单元804可以基于归一化的第一组特征来确定第二组特征。第二组特征的维度可以小于归一化的第一组特征的维度。第二组特征的维度可以表示为n2。n2小于n1。
在一些实施例中，第二组特征提取单元804可以基于归一化的第一组特征使用主成分分析(PCA)来确定第二组特征。第二组特征中的一个可以是归一化的第一组特征中的一个或上特征的线性组合。
聚类单元806可以将与至少两个第二受试者相关的至少两组历史数据(例如，滤波后的至少两组历史数据)聚类为一个或以上聚类。在一些实施例中，聚类单元806可以基于第二组特征使用聚类算法将历史数据聚类到一个或以上聚类。聚类算法可以包括基于连通性的聚类(例如，平均链接聚类)、基于质心的聚类(例如，k-medoid聚类)、基于分布的聚类(例如，高斯混合模型)、基于密度的聚类(例如，具有噪声的基于空间密度的聚类(DBSCAN)等，或其任何组合。k-medoid聚类可以包括围绕中心点分区(PAM)的算法。
历史目标特征确定单元808可以基于训练样本数据集的第二组特征来确定历史目标特征。在一些实施例中，第二组特征的一部分可能与血压的预测较少相关。因此，处理器220可以仅选择与血压的预测更相关的特征。在一些实施例中，历史目标特征确定单元808可以使用特征选择技术和信息标准从第二组特征中确定历史目标特征。特征选择技术可以包括逐步回归、惩罚方法等。逐步回归可以包括但不限于前向选择、后向消除、双向消除等或其组合。惩罚方法可以包括套索算法、与套索算法相关的方法、平滑剪切绝对偏差(SCAD)、以及与SCAD相关的方法等。信息准则可以包括贝叶斯信息准则、Akaike信息准则、偏差信息准则、Hannan-Quinn信息准则等或其组合。历史目标特征可以包括固定影响特征和随机影响特征。固定影响特征可以包括与历史血压测量值具有线性相关性的特征，例如，与特征点的时间值、振幅值、面积值、药物治疗相关的特征。随机影响特征可以包括与历史血压测量值不具有线性相关性的特征，但是随机影响特征可以对历史血压测量值具有随机影响，例如，与特征点或药物治疗相关的特征的序列号。
子预测模型确定单元810可以基于每个聚类中的历史数据的历史目标特征和与每个聚类中的历史数据相对应的历史血压测量值，为一个或以上聚类中的每个聚类确定子预测模型。每个聚类的子预测模型可以是与聚类单元806确定的聚类相对应的子预测模型。例如，如果聚类单元806生成k个聚类，则子预测模型确定单元810可以生成k个子预测模型。
初始预测模型确定单元812可以将与一个或以上聚类相对应的一个或以上子预测模型指定为初始预测模型。初始预测模型可以包括与一个或以上聚类中的所有聚类相对应的所有一个或以上子预测模型。初始预测模型可以适用于不同的受试者。
图9是根据本申请的一些实施例所示的用于生成初始预测模型的过程和/或方法的流程图。过程和/或方法900可以由医疗系统100执行。例如，过程和/或方法900可以被实现为存储在存储ROM230或RAM240中的一组指令(例如，应用程序)。处理器220可以执行上述一组指令，并且可以因此被指示执行过程和/或方法900。如下所示的描述性过程/方法的操作旨在进行说明。在一些实施例中，所述过程/方法在实现时可以添加一个或以上未描述的额外操作，和/或删减此处所描述的一个或以上操作。另外，图9所示和以下描述的过程/方法的操作顺序不是限制性的。还应当注意，过程和/或方法900可以在测量设备110、服务器120和/或终端140中实现。
在902中，处理器220(例如初始预测模型确定模块800的第一组特征提取单元802)可从与至少两个第二受试者相关的至少两组历史数据中提取第一组特征。第一组特征可以与以下数据相关，例如历史信号的特征点的时间值、振幅值、面积值、与历史信号相关的第二数据、与频域的表示相关的第三数据。至少两个第二受试者中每个受试者的性别、年龄、身高、体重、姿势、测量时间、历史血压测量值、至少两个第二受试者中的每个受试者是否患有高血压、至少两个第二受试者中的每一个是否在接受至少一种药物治疗等。第一组特征的维度可以表示为n1。
在一些实施例中，在处理器220执行步骤902之前，处理器220可以首先过滤与至少两个第二受试者相关的至少两组历史数据。例如，处理器220可以去除血压值异常的历史数据和/或没有血压测量值的历史数据。然后，第一组特征提取单元802可以从过滤的至少两组历史数据中提取第一组特征。
在一些实施例中，在第一组特征提取单元802提取第一组特征之前，处理器220可以将历史数据归一化。历史数据的归一化可以包括特征缩放和零均值归一化。特征缩放可以使所有历史数据处于相同的缩放比例。零均值归一化可以使每个历史数据的平均值为零，并且使每个历史数据的标准偏差为一。
在904中，处理器220(例如初始预测模型确定模块800的第二组特征确定单元804)可以基于归一化的第一组特征来确定第二组特征。第二组特征的维度可以小于归一化的第一组特征的维度。第二组特征的维度可以表示为n2。n2小于n1。
在一些实施例中，处理器220可以基于归一化的第一组特征使用主成分分析(PCA)来确定第二组特征。第二组特征中的一个可以是归一化的第一组特征中的一个或以上的线性组合。例如，一个第二特征Z1可以表示为等式(3)：
Z1＝a1*X1+a2*X2+…+ai*Xi ，(3)
其中，可以Xi指归一化的第一组特征的第ith个特征，系数ai可以指与归一化的第一组特征的第ith个特征相对应的系数，并且i可以指大于0且小于或等于n1的整数。
在一些实施例中，在对归一化的第一组特征采用主成分分析后，第二组特征的维度可以基于累积方差贡献率来确定。累积方差贡献率可以是系统中的默认值，也可以由系统操作员设置。在一些实施例中，累积方差贡献率可以是从85％到95％的值。在一些实施例中，累积方差贡献率可以是常数。在一些实施例中，累积方差贡献率可以基于与全部或部分历史数据相关的预测结果进行改变。例如，可以将累积方差贡献率设置为第一个数字，并且对全部或部分历史数据进行预测以生成预测结果。然后，处理器220可以将预测结果与对应于全部或部分历史数据的历史血压测量值进行比较。当比较结果不满足条件时，处理器220可以改变累积方差贡献率的值，直到比较结果满足条件为止。
在906中，处理器220(例如初始预测模型确定模块800的聚类单元806)可将与至少两个第二受试者相关的至少两组历史数据(例如，过滤后的至少两组历史数据)聚类为一个或以上聚类。在一些实施例中，聚类单元806可以基于第二组特征使用聚类算法将历史数据聚类为一个或以上聚类。聚类算法可以包括基于连通性的聚类(例如，平均链接聚类)、基于质心的聚类(例如，k-medoid聚类)、基于分布的聚类(例如，高斯混合模型)、基于密度的聚类(例如，具有噪声的基于空间密度的聚类(DBSCAN)等，或其任何组合。k-medoid聚类可以包括围绕中心点划分(PAM)算法。在聚类之后，处理器220可以给一个或以上聚类中的每一个分配标签。处理器220可以进一步将标签添加到第二组特征。
在一些实施例中，在聚类之前，处理器220(初始预测模型确定模块800)可以根据至少两次预定次数(例如，10次、50次、100次、150次等)将样本数据随机划分为训练样本数据集和测试样本数据集。然后，对于至少两次预定次数中的每一个，初始预测模型确定模块800可以仅对训练样本数据集进行聚类以生成一个或以上聚类。处理器220可以为测试样本数据集中的每一个从一个或以上聚类中指定一个聚类。
在一些实施例中，训练样本数据可以对应于与至少两个第二受试者相关联的至少两组历史数据中的一部分。测试样本数据集可以对应于与至少两个第二受试者相关联的至少两组历史数据的剩余部分。训练样本数据集可以对应于至少两组历史数据的50％-90％(例如，90％、85％、80％、75％、70％、65％、60％、55％、50％)的数据。在一些实施例中，训练样本数据集和测试样本数据集可以分别对应于至少两个第二受试者的第一百分比和至少两个第二受试者的第二百分比。例如，训练样本数据可以对应于至少两个第二受试者的10％、20％、30％或40％。测试样本数据集可以相应地对应于至少两个第二受试者的90％、80％、70％或60％。第一百分比和第二百分比之和可以等于或小于1。应当理解，上面提到的第一百分比和第二百分比的值是用于说明目的，而不是限制性的。第一个百分比和第二个百分比可以是0到1之间的任何值。应该注意的是，每组样本数据在训练和/或测试期间都被视为一个整体，因此是不可分割的。
在一些实施例中，可以在PCA过程之前处理将至少两组历史数据划分为训练样本数据集和测试样本数据集的过程。例如，初始预测模型确定模块800可以在从训练样本数据中提取第一组特征之前将样本数据划分为训练样本数据集和测试样本数据集。然后，初始预测模型确定模块800可以归一化训练样本数据并生成一个或以上归一化参数。然后，初始预测模型确定模块800可以使用一个或以上归一化参数来归一化测试样本数据集。对于归一化训练样本数据集和归一化测试样本数据集，初始预测模型确定模块800可以提取第一组特征并执行PCA处理。
在908中，处理器220(例如(初始预测模型确定模块800的历史目标特征确定单元808)可以基于训练样本数据的第二组特征来确定历史目标特征。在一些实施例中，第二组特征的一部分可能与血压的预测较少相关。因此，处理器220可以仅选择与血压的预测更相关的特征。在一些实施例中，历史目标特征确定单元808可以使用特征选择技术和信息标准从第二组特征中确定历史目标特征。特征选择技术可以包括逐步回归，惩罚方法等。逐步回归可以包括但不限于前向选择、后向消除、双向消除等或其组合。惩罚方法可以包括套索算法、与套索算法相关的方法、平滑剪切绝对偏差(SCAD)、以及与SCAD相关的方法等。信息准则可以包括贝叶斯信息准则、Akaike信息准则、偏差信息准则、Hannan-Quinn信息准则等或其组合。历史目标特征可以包括固定影响特征和随机影响特征。固定影响特征可以包括与历史血压测量值具有线性相关性的特征，例如，与特征点的时间值、振幅值、面积值、药物治疗有关的特征。随机影响特征可以包括与历史血压测量值不具有线性相关性的特征，但是随机影响特征可以对历史血压测量值具有随机影响，例如，与特征点或药物治疗有关的特征的序列号。
在910中，处理器220(例如初始预测模型确定模块800的子预测模型确定单元810)可以基于每个聚类中的历史数据的历史目标特征和与每个聚类中的历史数据相对应的历史血压测量值，为一个或以上聚类中的每一个确定子预测模型。每个聚类的子预测模型可以是与在906中生成的聚类相对应的子预测模型。例如，如果在906中生成k个聚类，则可以在910中生成k个子预测模型。在一些实施例中，子预测模型可以包括广义线性模型。
在一些实施例中，广义线性模型可以由等式(4)表示：
P＝q1·f(Z1)+q2·f(Z2)+…+qn·f(Zn)， (4)
其中，P可以指血压，Zi可以指历史目标特征，1≤i≤n，n可以指历史目标特征的总数，f(Zi)可以指历史目标特征Zi的表示，并且qi可以指与历史目标特征Zi对应的系数。一个或以上子预测模型中的每一个可以以与等式(4)类似的形式表达。
在912中，处理器220(例如初始预测模型确定模块800的初始预测模型确定单元812)可以将与一个或以上聚类相对应的一个或以上子预测模型指定为初始预测模型。初始预测模型可以包括与一个或以上聚类中的全部聚类相对应的一个或以上子预测模型的全部子预测模型。初始预测模型可以适用于不同的受试者。
在一些实施例中，处理器220可以使用测试样本数据集来测试经训练的初始预测模型的预测性能。如果处理器220确定经训练的初始预测模型的预测性能满足预定标准，则处理器220可以使用初始预测模型来预测血压。如果处理器220确定初始预测模型不符合预定标准，则处理器220(例如，初始预测模型确定模块800)可以基于新的历史数据和与新的历史数据相对应的血压测量值来更新初始预测模型。
图10是根据本申请的一些实施例所示的示例性预测模型确定模块的框图。预测模型确定模块1000可以包括目标特征提取单元1002、目标聚类确定单元1004和预测模型确定单元1006。每个单元可以被设计为执行以下操作的硬件电路，存储在一个或以上存储介质中的一组指令，和/或硬件电路与一个或以上存储介质的任意组合。预测模型确定模块1000中的单元可以经由有线连接或无线连接彼此连接或彼此通信。有线连接可以包括金属电缆、光缆、混合电缆等或其任何组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、紫蜂网络、近场通信(NFC)等或其任意组合。在一些实施例中，任何两个单元可以被组合为单个单元，并且任何一个单元可以被划分为两个或以上子单元。
目标特征提取单元1002可以从与第一受试者相关的历史数据中提取历史目标特征。在一些实施例中，至少两个第二受试者可以包括第一受试者，并且与至少两个第二受试者相关的历史数据可以包括与第一受试者相关的历史数据。然后，目标特征提取单元1002可以直接从908中确定的历史目标特征中提取与第一受试者相关的历史目标特征。在一些实施例中，至少两个第二受试者可以不包括第一受试者，处理器220可以首先获得与第一受试者相关的至少一组历史数据和相应的血压测量值。然后，目标特征提取单元1002可以从与第一受试者相关的至少一组历史数据中提取目标特征。
目标聚类确定单元1004可以基于与第一受试者相关的历史数据的历史目标特征从一个或以上聚类中确定目标聚类。在一些实施例中，目标聚类确定单元1004可以将与第一受试者相关的历史数据的历史目标特征与每个聚类中的历史目标特征进行比较，以确定一个或以上聚类中的一个作为与第一受试者相对应的目标聚类。
预测模型确定单元1006可以将与目标聚类相对应的子预测模型指定为第一受试者有关的预测模型。
图11是示出根据本申请的一些实施例所示的用于确定第一受试者有关的预测模型的过程和/或方法的流程图。过程和/或方法1100可以由医疗系统100执行。例如，过程和/或方法1100可以被实现为存储在存储ROM230或RAM240中的一组指令(例如，应用程序)。处理器220可以执行上述一组指令，并且可以因此被指示执行过程和/或方法1100。如下所示的描述性过程/方法的操作旨在进行说明。在一些实施例中，所述过程/方法在实现时可以添加一个或以上未描述的额外操作，和/或删减此处所描述的一个或以上操作。另外，图11所示和以下描述的过程/方法的操作顺序不旨在限制。还应当注意，过程和/或方法1100可以在测量设备110、服务器120和/或终端140中实现。
在1102中，处理器220(例如(预测模型确定模块1000的目标特征提取单元1002)可以从与第一受试者相关的历史数据中提取历史目标特征。在一些实施例中，至少两个第二受试者可以包括第一受试者，并且与至少两个第二受试者相关的历史数据可以包括与第一受试者相关的历史数据。然后，目标特征提取单元1002可以直接从908中确定的历史目标特征中提取与第一受试者相关的历史目标特征。在一些实施例中，至少两个第二受试者可以不包括第一受试者，处理器220可以首先获得与第一受试者相关的至少一组历史数据和相应的血压测量值。然后，目标特征提取单元1002可以从与第一受试者相关的至少一组历史数据中提取目标特征。
在1104中，处理器220(例如预测模型确定模块1000的目标聚类确定单元1004)可以基于与第一受试者相关的历史数据的历史目标特征从一个或以上聚类中确定目标聚类。在一些实施例中，处理器220(例如，预测模型确定模块1000的目标聚类确定单元1004)可以将与第一受试者相关的历史数据的历史目标特征与每个聚类中的历史目标特征进行比较，以确定一个或以上聚类中的一个作为与第一受试者相对应的目标聚类。
在1106中，处理器220(例如预测模型确定模块1000的预测模型确定单元1006)可以将与目标聚类相对应的子预测模型指定为第一受试者有关的预测模型。
在一些实施例中，基于更新的与第一受试者相关的历史数据和与第一受试者相关的相应的血压测量值，预测模型确定模块1000可以更新预测模型。例如，第一受试者最近可能患有疾病并且可能正在接受可能对血压有影响的至少一种药物的治疗。如果处理器220仍然使用与第一受试者相关的历史数据来确定第一受试者有关的预测模型，则预测模型可能不会产生适应于第一受试者的最近身体状况的准确预测结果。因此，处理器220可能需要使用最近获得的与第一受试者相关的更新历史数据来更新第一受试者有关的预测模型。例如，处理器220(例如预测模型确定模块1000)可以从更新的与第一受试者相关的历史数据中提取新的目标特征，并基于更新的与第一受试者相关的目标特征从一个或以上聚类中确定更新的目标聚类，并指定与更新的目标聚类对应的子预测模型作为更新的第一受试者有关的预测模型。更新的预测模型可以更适应于第一受试者的最近身体状况。因此，更新的预测模型可以更准确地预测第一受试者的血压。
图12是根据本申请的一些实施例所示的示例性预测血压确定模块的框图。预测血压确定模块1200可以包括模型初始化单元1202、第一血压确定单元1204、第二血压确定单元1206、条件确定单元1208、优化模型确定单元1210、预测血压确定单元1212和模型更新单元1214。每个单元可以是被设计为执行以下操作的硬件电路，存储在一个或以上存储介质中的一组指令，和/或硬件电路与一个或以上存储介质的任意组合。预测血压确定模块1200中的单元可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属电缆、光缆、混合电缆等或其任何组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、紫蜂网络、近场通信(NFC)等或其任意组合。在一些实施例中，任何两个单元可以被组合为单个单元，并且任何一个单元可以被划分为两个或以上个子单元。
模型初始化单元1202可以通过初始化与优化模型有关的参数来初始化优化模型。在一些实施例中，与优化模型有关的一个或以上参数的初始值可以是随机值。在一些实施例中，可以基于与第一受试者相关的样本数据和第一受试者的初始血压，使用第一受试者有关的预测模型来确定与优化模型有关的一个或以上参数的初始值。
第一血压确定单元1204可以将初始血压指定为第一血压。第一血压可以包括第一收缩压和第一舒张压。第一血压确定单元1204可以将初始收缩压和初始舒张压分别指定为第一收缩压和第一舒张压。
在一些实施例中，对于一次迭代，第一血压确定单元1204还可将迭代之前的血压指定为第一血压。
第二血压确定单元1206可以使用第一优化模型基于第一血压来生成第二血压。第二血压可以包括第二收缩压和第二舒张压。
条件确定单元1208可以确定是否满足收敛条件。收敛条件可以与第一血压和第二血压相关。在一些实施例中，条件确定单元1208可以确定第一血压和第二血压的标准偏差，并且确定该标准偏差是否小于预定阈值。响应于确定标准偏差小于预定阈值，条件确定单元1208可以确定满足收敛条件。响应于确定标准偏差大于或等于预定阈值，条件确定单元1208可以确定不满足收敛条件。
优化模型确定单元1210可以基于迭代结果来确定优化模型。
预测血压确定单元1212可以确定第一受试者的预测血压。例如，当满足收敛条件时，预测血压确定单元1212可以将在迭代中生成的第二血压指定为预测血压。
模型更新单元1214可以更新优化模型。例如，模型更新单元1214可以调整优化模型中的一个或以上参数值。然后，模型更新单元1214可以生成更新的优化模型。
图13是根据本申请的一些实施例所示的用于使用优化模型确定第一受试者的预测血压的过程和/或方法的流程图。过程和/或方法1300可以由医疗系统100执行。例如，过程和/或方法1300可以被实现为存储在存储ROM230或RAM240中的一组指令(例如，应用程序)。处理器220可以执行上述一组指令，并且可以因此被指示执行过程和/或方法1300。如下所示的描述性过程/方法的操作旨在进行说明。在一些实施例中，所述过程/方法在实现时可以添加一个或以上未描述的额外操作，和/或删减此处所描述的一个或以上操作。另外，图13所示和以下描述的过程/方法的操作顺序不旨在限制。还应当注意，过程和/或方法1300可以在测量设备110、服务器120和/或终端140中实现。
由于初始血压(例如，收缩压和舒张压中的一个或两个)是基于与大量受试者相关的信息确定的，因此对于特定受试者而言可能不准确。因此，处理器220可能需要进一步优化初始血压以适应特定受试者。在一些实施例中，基于血压与舒张压之间的相关性的优化模型可以用于优化初始血压。为了确定预测血压，处理器220可执行一次或以上迭代以计算血压，直到满足收敛条件为止。第一血压可以包括第一收缩压和第一舒张压。第二血压可以包括第二收缩压和第二舒张压。
在1302中，处理器220(例如预测血压确定模块1200的模型初始化单元1202可以初始化优化模型。
在一些实施例中，优化模型可以由等式(5)和(6)表示：
Sbp2＝α1*Dbp1+β1*Y+δ1， (5)
Dbp2＝α2*Dbp1+β2*Y+δ2， (6)
其中Sbp2可以指迭代后的收缩压，Dbp2可以指迭代后的舒张压，Dbp1可以指迭代前的舒张压，Y可以指与第一受试者相关的目标特征，α1和α2可以指舒张压Dbp1对应的系数，β1和β2可以指目标特征Y对应的参数，δ1和δ2可以指误差值。模型初始化单元1202可以确定与优化模型有关的参数(例如α1、α2、β1、β2、δ1、和δ2)的初始值。当确定α1、α2、β1、β2、δ1、和δ2时，可以初始化第一优化模型。
在一些实施例中，预测血压确定模块1200的模型初始化单元1202可以基于与第一受试者相关的样本数据来初始化β1、β2、δ1、δ2。
在一些实施例中，预测血压确定模块1200的模型初始化单元1202可以基于上面确定的与第一受试者相关的样本数据和第一受试者的初始血压，使用如下的等式(7)和(8)来初始化β1、β2、δ1和δ2。
Sbp1＝β1*Y+δ1， (7)
Dbp1＝β2*Y+δ2， (8)
其中，Sbp1可以指使用预测模型确定的初始收缩压、Dbp1可以指使用预测模型确定的初始舒张压、Y可以指与第一受试者相关的目标特征、β1可以指与初始收缩压对应的目标特征Y的系数、β2可以指与初始舒张压对应的目标特征Y的系数、δ1可以指与初始收缩压对应的误差值、δ2可以指与初始舒张压对应的误差值。基于从与第一受试者相关的样本数据提取的目标特征和初始血压(包括初始收缩压和初始舒张压)，模型初始化单元1202可以确定包括β1、β2、δ1和δ2的参数的值。确定的包括β1、β2、δ1和δ2的参数的值可以是包括β1、β2、δ1和δ2的参数的初始值。
在一些实施例中，模型初始化单元1202可以为α1和α2分配随机值。
仅为说明，初始化的优化模型也可以称为第一优化模型。
在1304中，处理器220(例如预测血压确定模块1200的第一血压确定单元1204)可以将初始血压指定为第一血压。第一血压可以包括第一收缩压和第一舒张压。第一血压确定单元1204可以将初始收缩压和初始舒张压分别指定为第一收缩压和第一舒张压。
在1306中，处理器220(例如预测血压确定模块1200的第二血压确定单元1206)可以使用公式(5)和(6)中描述的第一优化模型基于第一血压来生成第二血压。Sbp2和Dbp2可以分别指第二收缩压和第二舒张压，并且Dbp1可以指第一舒张压。
在1308中，处理器220(例如预测血压确定模块1200的条件确定单元1208)可以确定是否满足收敛条件。收敛条件可以与第一血压和第二血压相关。在一些实施例中，条件确定单元1208可以确定第一血压和第二血压的标准偏差，并且确定该标准偏差是否小于预定阈值。预定阈值可以是0.001至0.1，例如0.01、0.02、0.03、0.04、0.05、0.06、0.07、0.08、0.09。响应于确定标准偏差小于预定阈值，条件确定单元1208可以确定满足收敛条件，然后过程1300可以进行到1310。响应于确定标准偏差大于或等于预定阈值，条件确定单元1208可以确定不满足收敛条件，然后过程1300可以进行到1314。
在一些实施例中，收敛条件可以包括Sbp1和Sbp2的标准偏差(也称为收缩压标准偏差)，和/或Dbp1和Dbp2的标准偏差(也称为舒张压标准偏差)。在一些实施例中，条件确定单元1208可以只使用收缩压标准偏差和舒张压标准偏差中的一个来与预定阈值进行比较，以确定是否满足收敛条件。例如，如果收缩压标准偏差或舒张压标准偏差小于预定阈值，则条件确定单元1208可以确定满足收敛条件。
在一些实施例中，条件确定单元1208可以同时使用收缩压标准偏差和舒张压标准偏差与预定阈值进行比较，以确定是否满足收敛条件。例如，仅当收缩压标准偏差和舒张压标准偏差均小于预定阈值时，条件确定单元1208才可以确定满足收敛条件。
在一些实施例中，条件确定单元1208可以将收缩压标准偏差与第一预定阈值进行比较，并且将舒张压标准偏差与第二预定阈值进行比较，以确定是否满足收敛条件。当收缩压标准偏差小于第一预定阈值且舒张压标准偏差小于第二预定阈值时，条件确定单元1208可以确定满足收敛条件。第一预定阈值可以与第二预定阈值不同。第一预定阈值和/或第二预定阈值可以是0.001至0.1，例如0.01、0.02、0.03、0.04、0.05、0.06、0.07、0.08、0.09。
在1310中，处理器220(例如预测血压确定模块1200的优化模型确定单元1210)可以将第一优化模型指定为优化模型。处理器220可以使用优化模型来生成第一受试者有关的预测血压。
在1312中，处理器220(例如预测血压确定模块1200的预测血压确定单元1212)可以将在迭代中生成的第二血压指定为预测血压。预测血压可以显示在与第一受试者相关联的终端140的用户界面上。
在1314中，处理器220(例如预测血压确定模块1200的模型更新单元1214)可以更新第一优化模型。例如，模型更新单元1214可以调整第一优化模型中的α1、α2、β1、β2、δ1和δ2中的一个或以上的值。然后，处理器220(例如预测血压确定模块1200的模型更新单元1214)可以生成更新的第一优化模型。
在1316中，处理器220(例如预测血压确定模块1200的第一血压确定单元1204)可以将迭代中生成的第二血压指定为第一血压。然后，过程1300可以返回到1306以基于第一血压和更新的第一优化模型来生成新的第二血压。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此，应强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“块”、“模块”、“设备”、“单元”、“组件”或“系统”。此外，本申请的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
计算机可读信号介质可以包含一个内含有计算机程序代码的传播数据信号，例如，在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、设备或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF等，或任何上述介质的组合。
本申请各部分操作所需的计算机程序代码可以用任意一种或以上程序设计语言编写，包括面向对象程序设计语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Pvthon等，常规程序化程序设计语言如C程序设计语言、VisualBasic、Fortran1703、Perl、COBOL1702、PHP、ABAP，动态程序设计语言如Python、Ruby、和Groovy，或其他程序设计语言等。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后一种情况下，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者可以与外部计算机建立连接(例如，通过使用网络服务提供商的网络)或在云计算环境中或作为服务提供，例如，软件服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请的实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本申请的方法不应被解释为反映了要求保护的主题需要比每个权利要求中明确记载的特征更多的特征的意图。实际上，要求保护的主题需要的特征少于上述披露的单个实施例的全部特征。

Claims (18)

1.一种确定血压的系统，包括：
至少一个存储介质，所述存储介质包括一组指令；
连接到网络的通信平台；以及
至少一个处理器，所述至少一个处理器与所述至少一个存储介质通信，其中，当执行所述一组指令时，所述至少一个处理器用于：
从终端接收确定第一受试者的血压的请求；
获取与所述第一受试者相关的数据，与所述第一受试者相关的数据包括与所述第一受试者的心脏活动相关的数据以及与所述第一受试者相关的个人信息；
从与所述第一受试者相关的所述数据中提取与所述第一受试者相关的目标特征；
基于与所述第一受试者相关的所述目标特征，使用预测模型确定所述第一受试者的初始血压；
基于所述初始血压，使用优化模型确定所述第一受试者的预测血压；以及
响应于所述请求，将所述第一受试者的所述预测血压发送到所述终端；
其中，为了基于所述初始血压使用所述优化模型确定所述第一受试者的所述预测血压，所述至少一个处理器还用于：
初始化第一优化模型；
将所述初始血压指定为第一血压；以及
迭代执行：
使用所述第一优化模型基于所述第一血压产生第二血压；
基于所述第一血压和所述第二血压确定是否满足收敛条件；
响应于确定满足所述收敛条件，
将所述第一优化模型指定为所述优化模型，并将迭代中产生的所述第二血压指定为所述预测血压；以及
响应于确定不满足所述收敛条件，
更新所述第一优化模型并将迭代中生成的所述第二血压指定为所述第一血压。
2.根据权利要求1所述的系统，其特征在于，为了获取与所述第一受试者的所述心脏活动相关的所述数据，所述至少一个处理器进一步用于：
与连接到所述第一受试者的设备通信，所述设备被配置为检测所述第一受试者的所述心脏活动并产生信号；以及
从所述设备接收基于所述信号生成的与所述第一受试者的所述心脏活动相关的所述数据。
3.根据权利要求1所述的系统，其特征在于通过第一训练过程生成所述预测模型，所述第一训练过程包括：
获取与至少两个第二受试者相关的历史数据以及与所述至少两个第二受试者相关联的至少两个历史血压测量值，其中所述至少两个第二受试者包括所述第一受试者，并且与所述至少两个第二受试者相关的所述历史数据包括与所述至少两个第二受试者的心脏活动相关的数据以及与所述至少两个第二受试者相关的历史个人信息；
基于与所述至少两个第二受试者相关的所述历史数据和与所述至少两个第二受试者相关联的所述至少两个历史血压测量值生成初始预测模型；以及
基于所述初始预测模型和与所述第一受试者相关的所述历史数据的至少一部分，生成所述第一受试者有关的预测模型。
4.根据权利要求3所述的系统，其特征在于基于与所述至少两个第二受试者相关的所述历史数据和与所述至少两个第二受试者相关联的所述至少两个历史血压测量值生成所述初始预测模型，包括：
从与所述至少两个第二受试者相关的所述历史数据中提取第一组特征；
基于所述第一组特征确定第二组特征，所述第二组特征的维度小于所述第一组特征的维度；
将与所述至少两个第二受试者相关的所述历史数据聚类为一个或以上聚类；
基于所述第二组特征确定历史目标特征；
对于所述一个或以上聚类中的每个聚类，基于所述每个聚类中所述历史数据的所述历史目标特征以及所述每个聚类中所述历史数据对应的所述历史血压测量值，确定子预测模型；以及
将与所述一个或以上聚类相对应的所述一个或以上子预测模型指定为所述初始预测模型。
5.根据权利要求4所述的系统，其特征在于基于与所述至少两个第二受试者相关的所述历史数据以及与所述至少两个第二受试者相关联的所述至少两个历史血压测量值生成所述初始预测模型，进一步包括：
在从与所述至少两个第二受试者相关的所述历史数据中提取所述第一组特征之前，对与所述至少两个第二受试者相关的所述历史数据进行归一化。
6.根据权利要求4所述的系统，其特征在于使用主成分分析技术确定所述第二组特征。
7.根据权利要求4所述的系统，其特征在于基于所述初始预测模型和与所述第一受试者相关的所述历史数据的所述至少一部分生成所述第一受试者有关的所述预测模型，包括：
从与所述第一受试者相关的所述历史数据中提取历史目标特征；
基于与所述第一受试者相关的所述历史数据的所述历史目标特征，从所述一个或以上聚类中确定一个目标聚类；以及
将与所述目标聚类相对应的所述子预测模型指定为所述第一受试者有关的所述预测模型。
8.根据权利要求1所述的系统，其特征在于为了初始化所述第一优化模型，所述至少一个处理器用于：
获取所述第一受试者的历史血压测量值和所述第一受试者的历史目标特征；以及
基于所述第一受试者的所述历史血压测量值和所述第一受试者的所述历史目标特征，初始化所述第一优化模型。
9.根据权利要求1所述的系统，其特征在于所述第一受试者的所述预测血压包括收缩压和舒张压，并且使用所述优化模型基于所述舒张压预测所述收缩压。
10.一种在计算设备上实现的用于确定血压的方法，该计算设备具有至少一个处理器，存储器以及连接到网络的通信平台，所述方法包括：
从终端接收确定第一受试者的血压的请求；
获取与所述第一受试者相关的数据，与所述第一受试者相关的所述数据包括与所述第一受试者的心脏活动相关的数据和与所述第一受试者相关的个人信息；
从与所述第一受试者相关的所述数据中提取与所述第一受试者相关的目标特征；
基于与所述第一受试者相关的所述目标特征，使用预测模型确定所述第一受试者的初始血压；
基于所述初始血压使用优化模型确定所述第一受试者的预测血压；以及
响应于所述请求，将所述第一受试者的所述预测血压发送到所述终端；
其中基于所述初始血压使用所述优化模型确定所述第一受试者的所述预测血压包括：
初始化第一优化模型；
将所述初始血压指定为第一血压；以及
迭代执行：
使用所述第一优化模型基于所述第一血压产生第二血压；
基于所述第一血压和所述第二血压确定是否满足收敛条件；
响应于确定满足所述收敛条件，
将所述第一优化模型指定为所述优化模型，并将迭代中产生的所述第二血压指定为所述预测血压；以及
响应于确定不满足所述收敛条件，
更新所述第一优化模型并将迭代中生成的所述第二血压指定为所述第一血压。
11.根据权利要求10所述的方法，其特征在于，获取与所述第一受试者的所述心脏活动相关的所述数据包括：
与连接到所述第一受试者的设备通信，所述设备被配置为检测所述第一受试者的所述心脏活动并生成信号；以及
从所述设备接收基于所述信号生成的与所述第一受试者的所述心脏活动相关的所述数据。
12.根据权利要求10所述的方法，其特征在于通过第一训练过程生成所述预测模型，所述第一训练过程包括：
获取与至少两个第二受试者相关的历史数据以及与所述至少两个第二受试者相关联的至少两个历史血压测量值，其中所述至少两个第二受试者包括所述第一受试者，并且与所述至少两个第二受试者相关的历史数据包括与所述至少两个第二受试者的心脏活动相关的数据以及与所述至少两个第二受试者相关的历史个人信息；
基于与所述至少两个第二受试者相关的所述历史数据和与所述至少两个第二受试者相关联的所述至少两个历史血压测量值生成初始预测模型；以及
基于所述初始预测模型和与所述第一受试者相关的所述历史数据的至少一部分，生成所述第一受试者有关的所述预测模型。
13.根据权利要求12所述的方法，其特征在于基于与所述至少两个第二受试者相关的所述历史数据和与所述至少两个第二受试者相关联的所述至少两个历史血压测量值生成所述初始预测模型，包括：
从与所述至少两个第二受试者相关的所述历史数据中提取第一组特征；
基于所述第一组特征确定第二组特征，所述第二组特征的维度小于所述第一组特征的维度；
将与所述至少两个第二受试者相关的所述历史数据聚类为一个或以上聚类；
根据所述第二组特征确定历史目标特征；
对于所述一个或以上聚类中的每个聚类，基于所述每个聚类中所述历史数据的所述历史目标特征以及与所述每个聚类中所述历史数据对应的所述历史血压测量值，确定子预测模型；以及
将与所述一个或以上聚类相对应的所述一个或以上子预测模型指定为所述初始预测模型。
14.根据权利要求13所述的方法，其特征在于基于与所述至少两个第二受试者相关的所述历史数据以及与所述至少两个第二受试者相关联的所述至少两个历史血压测量值生成所述初始预测模型，进一步包括：
在从与所述至少两个第二受试者相关的所述历史数据中提取所述第一组特征之前，对与所述至少两个第二受试者相关的所述历史数据进行归一化。
15.根据权利要求13所述的方法，其特征在于使用主成分分析技术确定所述第二组特征。
16.根据权利要求13所述的方法，其特征在于基于所述初始预测模型和与所述第一受试者相关的所述历史数据的所述至少一部分生成所述第一受试者有关的所述预测模型，包括：
从与所述第一受试者相关的所述历史数据中提取历史目标特征；
基于与所述第一受试者相关的所述历史数据的所述历史目标特征，从所述一个或以上聚类中确定目标聚类；以及
将与所述目标聚类相对应的子预测模型指定为所述第一受试者有关的所述预测模型。
17.根据权利要求10所述的方法，其特征在于初始化所述第一优化模型包括：
获取所述第一受试者的历史血压测量值和所述第一受试者的历史目标特征；以及
基于所述第一受试者的所述历史血压测量值和所述第一受试者的所述历史目标特征，初始化所述第一优化模型。
18.一种非暂时性计算机可读介质，包括至少一组用于确定血压的指令，其中，当由至少一个处理器执行时，所述至少一组指令使所述至少一个处理器：
从终端接收确定第一受试者的血压的请求；
获取与所述第一受试者相关的数据，与所述第一受试者相关的所述数据包括与所述第一受试者的心脏活动相关的数据以及与所述第一受试者相关的个人信息；
从与所述第一受试者相关的所述数据中提取与所述第一受试者相关的目标特征；
基于与所述第一受试者相关的所述目标特征，使用预测模型确定所述第一受试者的初始血压；
基于所述初始血压使用优化模型确定所述第一受试者的预测血压；以及
响应于所述请求，将所述第一受试者的所述预测血压发送到所述终端；
其中基于所述初始血压使用所述优化模型确定所述第一受试者的所述预测血压包括：
初始化第一优化模型；
将所述初始血压指定为第一血压；以及
迭代执行：
使用所述第一优化模型基于所述第一血压产生第二血压；
基于所述第一血压和所述第二血压确定是否满足收敛条件；
响应于确定满足所述收敛条件，
将所述第一优化模型指定为所述优化模型，并将迭代中产生的所述第二血压指定为所述预测血压；以及
响应于确定不满足所述收敛条件，
更新所述第一优化模型并将迭代中生成的所述第二血压指定为所述第一血压。
CN201880092256.6A 2018-04-13 2018-04-13 用于确定对象血压的系统和方法 Active CN112040849B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/082902 WO2019196076A1 (en) 2018-04-13 2018-04-13 Systems and methods for determining blood pressure of subject

Publications (2)

Publication Number Publication Date
CN112040849A CN112040849A (zh) 2020-12-04
CN112040849B true CN112040849B (zh) 2024-01-02

Family

ID=68163846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880092256.6A Active CN112040849B (zh) 2018-04-13 2018-04-13 用于确定对象血压的系统和方法

Country Status (3)

Country Link
US (1) US20210100455A1 (zh)
CN (1) CN112040849B (zh)
WO (1) WO2019196076A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019019119A1 (en) * 2017-07-27 2019-01-31 Vita-Course Technologies (Hainan) Co., Ltd. SYSTEMS AND METHODS FOR DETERMINING THE BLOOD PRESSURE OF A SUBJECT
CN113171067B (zh) * 2021-03-05 2022-03-15 上海立阖泰医疗科技有限公司 一种基于pwv的血压测量手表
TWI792333B (zh) * 2021-06-18 2023-02-11 翔安生醫科技股份有限公司 低血壓的預測處理方法與系統
CN113662520B (zh) * 2021-08-26 2022-10-14 电子科技大学 一种基于不确定性量化策略的可穿戴连续血压测量系统
CN116452559B (zh) * 2023-04-19 2024-02-20 深圳市睿法生物科技有限公司 基于ctDNA片段化模式的肿瘤病灶的定位方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102429649A (zh) * 2011-12-14 2012-05-02 中国航天员科研训练中心 连续血压测量装置
CA2840795A1 (en) * 2011-07-05 2013-01-10 Saudi Arabian Oil Company Computer mouse system and associated, computer medium and computer-implemented methods for monitoring and improving health and productivity of employees
JP2014000105A (ja) * 2012-06-15 2014-01-09 Univ Of Tokyo 非侵襲的連続血圧モニタリング方法及び装置
JP2016016295A (ja) * 2014-07-11 2016-02-01 株式会社デンソー 血圧推定装置
CN106343976A (zh) * 2016-09-14 2017-01-25 京东方科技集团股份有限公司 建立血压模型的方法和装置以及确定血压的方法和装置
CN106419878A (zh) * 2015-08-11 2017-02-22 三星电子株式会社 血压估计设备和方法
CN106659404A (zh) * 2015-05-27 2017-05-10 华为技术有限公司 连续血压测量方法、装置和设备
CN106923807A (zh) * 2015-12-31 2017-07-07 北京大学深圳研究生院 基于温度对血压测量值进行校正的方法及系统
WO2018052635A1 (en) * 2016-09-16 2018-03-22 Qualcomm Incorporated Multi-model blood pressure estimation
CN107847158A (zh) * 2015-03-31 2018-03-27 深圳市长桑技术有限公司 用于生理参数监测的系统和方法
CN107847153A (zh) * 2015-07-03 2018-03-27 深圳市长桑技术有限公司 一种生理参数监测的系统和方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8047998B2 (en) * 2007-04-17 2011-11-01 General Electric Company Non-invasive blood pressure determination method
GB201402680D0 (en) * 2014-02-14 2014-04-02 Univ Surrey Delay coordinate analysis of physiological data
WO2016154256A1 (en) * 2015-03-25 2016-09-29 Quanttus, Inc. Contact-less blood pressure measurement
US10420475B2 (en) * 2015-06-15 2019-09-24 Vital Labs, Inc. Method and system for cardiovascular disease assessment and management
TWI545516B (zh) * 2015-09-16 2016-08-11 國立交通大學 血壓量測系統及其方法、使用該方法之電腦程式產品及其電腦可讀取記錄媒體
US10980430B2 (en) * 2016-03-10 2021-04-20 Healthy.Io Ltd. Cuff-less multi-sensor system for statistical inference of blood pressure with progressive learning/tuning
US20180151254A1 (en) * 2016-11-30 2018-05-31 Electronics And Telecommunications Research Institute High-speed similar case search method and device through reduction of large scale multi-dimensional time series health data to multiple dimensions
CN106889979B (zh) * 2016-12-30 2020-04-07 中国科学院电子学研究所 一种基于心电信号和血氧容积波的连续性血压测量系统
US10918327B2 (en) * 2017-02-02 2021-02-16 Coopersurgical, Inc. Compositions and methods for determining receptivity of an endometrium for embryonic implantation
US11213258B2 (en) * 2017-08-09 2022-01-04 University of Pittsburgh—of the Commonwealth System of Higher Education Variable index for determining patient status
WO2019123463A1 (en) * 2017-12-20 2019-06-27 The Elegant Monkeys Ltd. Method and system of modelling a mental/ emotional state of a user
WO2019187852A1 (ja) * 2018-03-27 2019-10-03 シャープ株式会社 モデル設定装置、非接触式血圧測定装置、モデル設定方法、モデル設定プログラム、および記録媒体

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2840795A1 (en) * 2011-07-05 2013-01-10 Saudi Arabian Oil Company Computer mouse system and associated, computer medium and computer-implemented methods for monitoring and improving health and productivity of employees
CN102429649A (zh) * 2011-12-14 2012-05-02 中国航天员科研训练中心 连续血压测量装置
JP2014000105A (ja) * 2012-06-15 2014-01-09 Univ Of Tokyo 非侵襲的連続血圧モニタリング方法及び装置
JP2016016295A (ja) * 2014-07-11 2016-02-01 株式会社デンソー 血圧推定装置
CN107847158A (zh) * 2015-03-31 2018-03-27 深圳市长桑技术有限公司 用于生理参数监测的系统和方法
CN106659404A (zh) * 2015-05-27 2017-05-10 华为技术有限公司 连续血压测量方法、装置和设备
CN107847153A (zh) * 2015-07-03 2018-03-27 深圳市长桑技术有限公司 一种生理参数监测的系统和方法
CN106419878A (zh) * 2015-08-11 2017-02-22 三星电子株式会社 血压估计设备和方法
CN106923807A (zh) * 2015-12-31 2017-07-07 北京大学深圳研究生院 基于温度对血压测量值进行校正的方法及系统
CN106343976A (zh) * 2016-09-14 2017-01-25 京东方科技集团股份有限公司 建立血压模型的方法和装置以及确定血压的方法和装置
WO2018052635A1 (en) * 2016-09-16 2018-03-22 Qualcomm Incorporated Multi-model blood pressure estimation

Also Published As

Publication number Publication date
CN112040849A (zh) 2020-12-04
WO2019196076A1 (en) 2019-10-17
US20210100455A1 (en) 2021-04-08

Similar Documents

Publication Publication Date Title
US11540735B2 (en) System and method for physiological parameter monitoring
CN111194180B (zh) 确定受试者的血压的系统和方法
CN112040849B (zh) 用于确定对象血压的系统和方法
CN107847153B (zh) 一种生理参数监测的系统和方法
US11593468B2 (en) System and method for identifying user
WO2017005016A1 (en) System and method for physiological parameter monitoring
JP2019509101A (ja) 小児対象に関する血行力学的不安定性リスクスコアを決定するシステム及び方法
CN105792758A (zh) 推定装置、程序、推定方法以及推定系统
RU2657384C2 (ru) Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий
US20220211332A1 (en) Medical device system for monitoring patient health
US11957440B2 (en) System and method for physiological parameter monitoring
CN111183424B (zh) 识别用户的系统和方法
US20240008813A1 (en) Smart wearable device and method for estimating traditional medicine system parameters
EP3435852A1 (en) System and method for physiological feature derivation
WO2023281424A1 (en) Integrative system and method for performing medical diagnosis using artificial intelligence

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40042230

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240124

Address after: 266000 floor 26, block D1, Qingdao International Innovation Park, No. 169, Songling Road, Laoshan District, Qingdao, Shandong

Patentee after: Changsang digital technology (Qingdao) Co.,Ltd.

Guo jiahuodiqu after: Zhong Guo

Address before: 518101 3rd floor, building B, Tuopu Industrial Zone (Hello everyone Plaza), 362 Yu'an 2nd Road, Xin'an street, Bao'an District, Shenzhen City, Guangdong Province

Patentee before: VITA-COURSE TECHNOLOGIES Co.,Ltd.

Guo jiahuodiqu before: Zhong Guo

TR01 Transfer of patent right