CN113057611B - 用于输出信息的方法、装置、设备以及存储介质 - Google Patents
用于输出信息的方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113057611B CN113057611B CN202110295027.8A CN202110295027A CN113057611B CN 113057611 B CN113057611 B CN 113057611B CN 202110295027 A CN202110295027 A CN 202110295027A CN 113057611 B CN113057611 B CN 113057611B
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- electrocardiosignal
- pressure information
- prediction model
- target user
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000036772 blood pressure Effects 0.000 claims abstract description 96
- 239000013598 vector Substances 0.000 claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000035487 diastolic blood pressure Effects 0.000 claims description 15
- 230000035488 systolic blood pressure Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 206010020772 Hypertension Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005056 compaction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 208000035850 clinical syndrome Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Vascular Medicine (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请公开了用于输出信息的方法、装置、设备以及存储介质，涉及数据处理。深度学习技术领域。具体实现方案为：获取目标用户的心电信号；提取心电信号的特征向量；响应于确定存在与目标用户对应的专用血压预测模型，根据特征向量以及专用血压预测模型，确定目标用户的血压信息；输出血压信息。本实现方式根据心电信号预测人体血压信息，提高了血压监测的准确度。
Description
技术领域
本申请涉及计算机技术领域，具体涉及数据处理、深度学习领域，尤其涉及用于输出信息的方法、装置、设备以及存储介质。
背景技术
血压，一般指的是体循环动脉血压，是人体最重要的健康状况指标之一。血压一般由收缩压(systolic blood pressure，缩写为SBP)/舒张压(diastolic blood pressure，缩写为DBP)两个值表示，单位为毫米汞柱(mmHg)。根据2020年修订版的《中国高血压防治指南》，高血压是指以收缩压和/或舒张压增高为主要特征(收缩压≥140mmHg，舒张压≥90mmHg)，可伴有心、脑、肾等器官的功能或器质性损害的临床综合征。因此，方便准确地检测血压对于患者来说至关重要。
现有的血压监测方法中，可以利用便携式血压计等简单的电子设备进行血压监测。但是，这些血压监测方法存在监测不准确的问题。
发明内容
提供了一种用于输出信息的方法、装置、设备以及存储介质。
根据第一方面，提供了一种用于输出信息的方法，包括：获取目标用户的心电信号；提取心电信号的特征向量；响应于确定存在与目标用户对应的专用血压预测模型，根据特征向量以及专用血压预测模型，确定目标用户的血压信息；输出血压信息。
根据第二方面，提供了一种用于输出信息的装置，包括：心电信号获取单元，被配置成获取目标用户的心电信号；特征向量提取单元，被配置成提取心电信号的特征向量；血压信息确定单元，被配置成响应于确定存在与目标用户对应的专用血压预测模型，根据特征向量以及专用血压预测模型，确定目标用户的血压信息；血压信息输出单元，被配置成输出血压信息。
根据第三方面，提供了一种用于输出信息的电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面所描述的方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，上述计算机指令用于使计算机执行如第一方面所描述的方法。
根据第五方面，一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如第一方面所描述的方法。
根据本申请的技术可以根据心电信号预测人体血压信息，提高了血压监测的准确度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于输出信息的方法的一个实施例的流程图；
图3是根据本申请的用于输出信息的方法的一个应用场景的示意图；
图4是根据本申请的用于输出信息的方法的另一个实施例的流程图；
图5a是图4所示实施例中所采用的网络结构示意图；
图5b是图5a所示网络中的基本结构的结构示意图；
图6是根据本申请的用于输出信息的装置的一个实施例的结构示意图；
图7是用来实现本申请实施例的用于输出信息的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于输出信息的方法或用于输出信息的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括心电监测仪101、102、103，网络104和服务器105。网络104用以在心电监测仪101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
心电监测仪101、102、103可以通过网络104发送给服务器105交互，以接收或发送消息等。具体的，用户可以使用心电监测仪101、102、103采集人体对象的心电信号，并将采集的心电信号通过网络104发送给服务器105，还可以接收服务器105预测得到的用户的血压信息。心电监测仪101、102、103可以是各种类型的心电监测仪，例如可以是心电监测手环、心电监测领带或者是现有的心电监测仪。
服务器105可以是提供各种服务的服务器，例如对心电监测仪101、102、103采集的心电信号进行处理的后台服务器。后台服务器可以提取心电信号的特征，并基于上述特征，得到血压信息，并将血压信息反馈给心电监测仪101、102、103。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于输出信息的方法可以由心电监测仪101、102、103执行，也可以由服务器105执行。相应地，用于输出信息的装置可以设置于心电监测仪101、102、103中，也可以设置于服务器105中。
应该理解，图1中的心电监测仪、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的心电监测仪、网络和服务器。
继续参考图2，示出了根据本申请的用于输出信息的方法的一个实施例的流程200。本实施例的用于输出信息的方法，包括以下步骤：
步骤201，获取目标用户的心电信号。
本实施例中，用于输出信息的方法的执行主体可以通过各种方式获取目标用户的心电信号。上述心电信号可以是用户通过各种心电监测仪采集得到的心电信号。这里的心电信号可以是PPG(photo plethy smogram，光电容积脉搏波)，也可以是ECG(electrocardio gram，心电图)。
步骤202，提取心电信号的特征向量。
执行主体在获取到心电信号后，可以提取心电信号的特征向量。具体的，执行主体可以利用各种特征提取算法来提取心电信号的特征向量。上述特征提取算法可以包括卷积神经网络、SIFT(Scale Invariant Feature Transfrom，比例不变特征转换)等。上述特征向量可以用于表征心电信号中R峰的位置等特征信息。
步骤203，响应于确定存在与目标用户对应的专用血压预测模型，根据特征向量以及专用血压预测模型，确定目标用户的血压信息。
执行主体在提取目标用户的心电信号的特征向量后，可以进一步判断当前是否存在与目标用户对应的专用血压预测模型。这里，专用血压预测模型用于表征心电信号的特征向量与血压信息之间的对应关系。如果存在与目标用户对应的专用血压预测模型，则可以将特征向量输入上述专用血压预测模型中，得到目标用户的血压信息。上述专用血压预测模型可以包括卷积神经网络、回归算法、分类算法等等。
步骤204，输出血压信息。
执行主体在得到目标用户的血压信息后，可以将血压信息输出。这样，可供技术人员对上述专用血压预测模型进行优化，或者供目标用户关注自身的健康。
继续参见图3，其示出了根据本申请的用于输出信息的方法的一个应用场景的示意图。在图3的应用场景中，用户通过手腕上佩戴的手环来采集用户的心电信号。上述手环中集成了执行步骤201～204的芯片，利用上述芯片对心电信号进行各种分析，得到用户的血压信息。手环上了设置有显示屏，以显示上述血压信息。
本申请的上述实施例提供的用于输出信息的方法，可以根据心电信号预测人体血压信息，提高了血压监测的准确度。
继续参见图4，其示出了根据本申请的用于输出信息的方法的另一个实施例的流程400。如图4所示，本实施例的方法可以包括以下步骤：
步骤401，获取目标用户的心电信号。
步骤402，对心电信号进行以下至少一项预处理：去基线、规范化。
本实施例中，执行主体在获取到目标用户的心电信号后，还可以对心电信号进行预处理。上述预处理可以包括去基线、规范化。去基线是指去除心电信号中的基线，这样可以去除基线漂移造成的血压预测干扰。数据规范化是将原来的度量值转换为无量纲的值。通过将属性数据按比例缩放，通过一个函数将给定属性的整个值域映射到一个新的值域中，即每个旧的值都被一个新的值替代。执行主体可以利用各种规范方法来实现规范化，例如最小-最大(min-max)规范化、z-score规范化、小数定标规范化等。
步骤403，利用预先训练的卷积神经网络中的至少一个卷积层提取心电信号的特征向量。
在对心电信号进行预处理后，执行主体可以将上述心电信号输入利用预先训练的卷积神经网络中的至少一个卷积层中，对预处理后的心电信号进行卷积计算，得到心电信号的特征向量。在一些具体的应用中，上述卷积神经网络是对残差网络Resnet改进得到的深度卷积网络，其中可以包括卷积层、池化层等等。本实施例中，执行主体可以利用图5a所示的卷积神经网络对心电信号进行处理。其中，Conv(7,2)指的是卷积核(convolutionalkernel size)大小为7，卷积步长(convolutional stride)为2的卷积层，它的输出通道数(channel)为64。Linear指的是全连接层。max pool是最大池化层(max pooling layer)，其核大小为2。avg pool为全局平均池化层(global average pooling layer)，将上一层输出的张量(tensor)在时间维度上取平均，把时间维度上的长度削减为1。ResBlock为如图5b所示的基本单元(building block)。
在基本单元中，Conv(3,stride)指的是卷积核大小为3，卷积步长为stride的卷积层，stride一般取1，输出通道数一般与它的上一个卷积层的输出通道数保持一致。当这个单元是每一个ni×ResBlock的第一个基本单元的时候，stride取值为2，输出通道数为上一个卷积层的2倍(i＝2,3,4)。Conv(3)指的是卷积核大小为3，卷积步长为1的卷积层，输出通道数与其上的Conv(3,stride)的输出通道数保持一致。relu指的是整流线性单位函数(rectified linear unit，缩写ReLU)，定义为ReLU(x)＝max(0,x)。shortcut为跳跃连接(skip connection)，一般为恒等映射，输出通道数与Conv(3,stride)保持一致。而当Conv(3,stride)中的参数stride为2的时候，shortcut是一个卷积核大小为1，卷积步长为2的卷积映射。图5a中的n1、n2、n3、n4一般取的是一些固定的值。本实施例中，我们取的值是n1＝3、n2＝4、n3＝6、n4＝3。为了增强网络的感受野(receptive field)，对于每一个ni×ResBlock的最后一个ResBlock(即图5b所示的基本结构)，将其卷积核大小提升为11(即两个Conv(11))。
在本实施例的一些可选的实现方式中，上述卷积神经网络可以通过图4中未示出的以下步骤训练得到：获取公开心电信号集；对公开心电信号集中的数据进行筛选；确定筛选后的心电信号中每条心电信号对应的收缩压信息和舒张压信息；根据收缩压信息和舒张压信息，确定每条心电信号对应的特征信息；利用公开心电信号集以及每条心电信号对应的特征信息，训练卷积神经网络。
本实现方式中，为了提升深度卷积网络的特征提取部分的健壮性，还需要数量足够的高质量数据对其进行训练。本实施例中，可以将公开数据集Medical InformationMart for Intensive Care III(MIMIC-III)Waveform Database Matched Subset(以下都简称MIMIC-III)作为数据来源，并对公开心电信号集中的数据进行筛选，确保得到的训练数据都是高质量的数据。
筛选的具体流程如下所示：
1、判断公开数据集中的每条数据中是否包括同时的PPG，ABP信号，如果有则筛选出来，如果没有，则丢弃该条数据。
2、判断PPG或ABP信号间断(nan值)的持续时间是否超过0.1s。如果否则筛选出来，如果是，则丢弃该条数据。
3、将信号间断部分用三次插值将缺省值补全。判断PPG、ABP信号“平台”(在某段时间内值保持几乎不变)持续时间占比是否超过5％。如果否则筛选出来，如果是，则丢弃该条数据。
4、判断ABP信号是否有异常跳变(收缩压或者舒张压在10s内振幅超过20mmHg)。如果否则筛选出来，如果是，则丢弃该条数据。
5、将PPG信号去基线，Min-Max正规化。计算PPG信号质量指数(signal qualityindex，SQI)，提取其中质量指数高于2，持续时长大于20s的片段，以及ABP信号同时间段片段。
6、以随机步长(2-5s)将PPG、ABP信号切分成长度为5s的片段，同时丢弃有收缩压有值不在[60,200]mmHg范围内，或舒张压有值不在[50,160]mmHg范围内的信号片段。
在执行完成上述筛选流程后，可以确定筛选后的心电信号中每条心电信号对应的收缩压信息和舒张压信息。具体的，执行主体可以将自动检测得到的ABP信号峰值的均值为当前5s片段的收缩压真实值，ABP信号谷值的均值为当前5s片段的舒张压真实值。执行主体可以利用自动检测算法(Python科学计算软件包Scipy提供的argrelextrema函数)来实现自动检测。
在得到舒张压和收缩压后，可以以5s片段的PPG信号为输入，使用图5a中的网络进行训练，输出为收缩压、舒张压组成的二维向量(实际上是N×2的张量，N为批大小，2为mini-batch size)。最后一层的Linear层是输入为512维的特征，输出为2维的血压预测值，进行线性回归(linear regression)的全连接层。训练的损失函数是L1损失函数，即
分别为预测值与真实值，/>为1-范数，即分量相减，取绝对值并求和。
优化器(optimizer)选取的是随机梯度下降(stochastic gradient descent，缩写SGD)。
步骤404，响应于确定不存在与目标用户对应的专用血压预测模型，确定是否收集到目标用户的样本数据。
如果执行主体确定当前确定不存在与目标用户对应的专用血压预测模型，则可以进一步判断是否收集到目标用户的样本数据。这里，样本数据包括样本心电信号以及与所述样本心电信号同时采集的血压信息。
步骤405，响应于收集到样本数据，利用样本数据训练模型，得到专用血压预测模型。
如果执行主体确定收集到上述样本数据，则可以利用样本数据训练模型，得到专用血压预测模型。在一些具体的应用中，执行主体可以首先对样本数据中的样本心电信号进行特征提取，得到特征向量。然后，将特征向量作为输入，将特征向量对应的血压信息作为期望输出，进行岭回归(ridge regression)，将得到的岭回归模型作为专用血压预测模型。
步骤406，响应于确定未收集到样本数据，获取通用血压预测模型。
如果执行主体为收集到样本数据，获取通用血压预测模型。通用血压预测模型也可以用于表征特征向量与血压信息之间的对应关系。上述通用血压预测模型可以是上述训练好的卷积神经网络中的全连接层。
步骤407，根据特征向量以及通用血压预测模型，确定目标用户的血压信息。
执行主体可以将特征向量输入上述通用血压预测模型，得到目标用户的血压信息。
在本实施例的一些可选的实现方式中，执行主体还可以将上述卷积神经网络中的全连接层作为通用血压预测模型。
本申请的上述实施例提供的用于输出信息的方法，用大量高质量数据进行预训练的深度卷积网络，其特征提取能力以及健壮性都很强，结合岭回归进行个体化修正，能达到很高的血压预测精确度。
应用本实施例的方法，可以提供一种方便灵活，可用性、可迁移性、健壮性都很强的，从单路PPG信号估算血压值的算法，用户可以利用带光电信号传感器的手环、指套等轻便的可穿戴设备，进行血压的24小时(尤其是夜间)持续监测，正确地评价个体在休息与活动状态下及昼夜节律。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于输出信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的用于输出信息的装置600包括：心电信号获取单元601、特征向量提取单元602、血压信息确定单元603和血压信息输出单元604。
心电信号获取单元601，被配置成获取目标用户的心电信号。
特征向量提取单元602，被配置成提取心电信号的特征向量。
血压信息确定单元603，被配置成响应于确定存在与目标用户对应的专用血压预测模型，根据特征向量以及专用血压预测模型，确定目标用户的血压信息。
血压信息输出单元604，被配置成输出血压信息。
在本实施例的一些可选的实现方式中，装置600还可以进一步包括图6中未示出的判断单元以及第一训练单元。
判断单元，被配置成响应于确定不存在与目标用户对应的专用血压预测模型，确定是否收集到目标用户的样本数据，样本数据包括样本心电信号以及与样本心电信号同时采集的血压信息；
第一训练单元，被配置成响应于收集到样本数据，利用样本数据训练模型，得到专用血压预测模型。
在本实施例的一些可选的实现方式中，装置600还可以进一步包括图6中未示出的模型获取单元，被配置成响应于确定未收集到样本数据，获取通用血压预测模型。
血压信息确定单元604可以进一步被配置成：根据特征向量以及通用血压预测模型，确定目标用户的血压信息。
在本实施例的一些可选的实现方式中，特征向量提取单元602可以进一步被配置成：利用预先训练的卷积神经网络中的至少一个卷积层提取心电信号的特征向量。
在本实施例的一些可选的实现方式中，装置600还可以进一步包括图6中未示出的预处理单元，被配置成：对心电信号进行以下至少一项预处理：去基线、规范化。
在本实施例的一些可选的实现方式中，卷积神经网络还包括全连接层。装置600还可以进一步包括图6中未示出的通用模型确定单元，被配置成：将全连接层作为通用血压预测模型。
在本实施例的一些可选的实现方式中，装置600还可以进一步包括图6中未示出的第二训练单元，被配置成通过以下步骤训练得到卷积神经网络：获取公开心电信号集；对公开心电信号集中的数据进行筛选；确定筛选后的心电信号中每条心电信号对应的收缩压信息和舒张压信息；根据收缩压信息和舒张压信息，确定每条心电信号对应的特征信息；利用公开心电信号集以及每条心电信号对应的特征信息，训练卷积神经网络。
应当理解，用于输出信息的装置600中记载的单元601至单元604分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于输出信息的方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。
根据本申请的实施例，本申请还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了根据本申请实施例的执行用于输出信息的方法的电子设备700的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储器708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。处理器701、ROM 702以及RAM 703通过总线704彼此相连。I/O接口(输入/输出接口)705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储器708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器701可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器701执行上文所描述的各个方法和处理，例如用于输出信息的方法。例如，在一些实施例中，用于输出信息的方法可被实现为计算机软件程序，其被有形地包含于机器可读存储介质，例如存储器708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由处理器701执行时，可以执行上文描述的用于输出信息的方法的一个或多个步骤。备选地，在其他实施例中，处理器701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于输出信息的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器701执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以是分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请的保护范围之内。
Claims (7)
1.一种用于输出信息的装置，包括：
心电信号获取单元，被配置成获取目标用户的心电信号；
特征向量提取单元，被配置成利用预先训练的卷积神经网络提取所述心电信号的特征向量；
血压信息确定单元，被配置成响应于确定存在与所述目标用户对应的专用血压预测模型，根据所述特征向量以及所述专用血压预测模型，确定所述目标用户的血压信息；
判断单元，被配置成响应于确定不存在与所述目标用户对应的专用血压预测模型，确定是否收集到所述目标用户的样本数据；
第一训练单元，被配置成响应于收集到所述样本数据，基于岭回归利用所述样本数据训练模型，得到所述专用血压预测模型；
模型获取单元，被配置成响应于确定未收集到所述样本数据，获取通用血压预测模型，其中，所述通用血压预测模型为所述卷积神经网络中的全连接层；
所述血压信息确定单元进一步被配置成：根据所述特征向量以及所述通用血压预测模型，确定所述目标用户的血压信息；
血压信息输出单元，被配置成输出所述血压信息。
2.根据权利要求1所述的装置，其中，所述样本数据包括样本心电信号以及与所述样本心电信号同时采集的血压信息。
3.根据权利要求1所述的装置，其中，所述特征向量提取单元进一步被配置成：
利用预先训练的卷积神经网络中的至少一个卷积层提取所述心电信号的特征向量。
4.根据权利要求1所述的装置，其中，所述装置还包括预处理单元，被配置成：
对所述心电信号进行以下至少一项预处理：去基线、规范化。
5.根据权利要求1或3所述的装置，其中，所述装置还包括第二训练单元，被配置成通过以下步骤训练得到卷积神经网络：
获取公开心电信号集；
对所述公开心电信号集中的数据进行筛选；
确定筛选后的心电信号中每条心电信号对应的收缩压信息和舒张压信息；
根据所述收缩压信息和所述舒张压信息，确定每条心电信号对应的特征信息；
利用公开心电信号集以及每条心电信号对应的特征信息，训练所述卷积神经网络。
6.一种执行用于输出信息的方法的电子设备，包括：
至少一个处理器，所述至少一个处理器包括权利要求1-5中任一项所述的装置；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令。
7.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令被所述计算机执行，所述计算机包括权利要求1-5中任一项所述的装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110295027.8A CN113057611B (zh) | 2021-03-19 | 2021-03-19 | 用于输出信息的方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110295027.8A CN113057611B (zh) | 2021-03-19 | 2021-03-19 | 用于输出信息的方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113057611A CN113057611A (zh) | 2021-07-02 |
| CN113057611B true CN113057611B (zh) | 2024-01-12 |
Family
ID=76562333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110295027.8A Active CN113057611B (zh) | 2021-03-19 | 2021-03-19 | 用于输出信息的方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113057611B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018129822A1 (zh) * | 2017-01-10 | 2018-07-19 | 华为技术有限公司 | 一种血压测量方法及设备 |
| CN109044302A (zh) * | 2018-07-03 | 2018-12-21 | 京东方科技集团股份有限公司 | 测量血压的装置、电子设备以及计算机可读存储介质 |
| CN110755059A (zh) * | 2019-10-11 | 2020-02-07 | 中国科学院深圳先进技术研究院 | 一种血压波形监测方法及装置 |
| CN111493850A (zh) * | 2020-04-13 | 2020-08-07 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的血压测量方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3033991B1 (en) * | 2014-12-15 | 2018-02-28 | Stichting IMEC Nederland | System and method for blood pressure estimation |
-
2021
- 2021-03-19 CN CN202110295027.8A patent/CN113057611B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018129822A1 (zh) * | 2017-01-10 | 2018-07-19 | 华为技术有限公司 | 一种血压测量方法及设备 |
| CN109044302A (zh) * | 2018-07-03 | 2018-12-21 | 京东方科技集团股份有限公司 | 测量血压的装置、电子设备以及计算机可读存储介质 |
| CN110755059A (zh) * | 2019-10-11 | 2020-02-07 | 中国科学院深圳先进技术研究院 | 一种血压波形监测方法及装置 |
| CN111493850A (zh) * | 2020-04-13 | 2020-08-07 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的血压测量方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113057611A (zh) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220125322A1 (en) | Methods and Systems for Determining Abnormal Cardiac Activity | |
| Lokendra et al. | AND-rPPG: A novel denoising-rPPG network for improving remote heart rate estimation | |
| CN110623658B (zh) | 信号处理方法、信号处理装置、医学设备、存储介质 | |
| EP3453321B1 (en) | Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing | |
| EP2829223B1 (en) | Monitoring physiological parameters | |
| CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
| WO2018166136A1 (zh) | 波形信号处理的方法及装置 | |
| CN110755059B (zh) | 一种血压波形监测方法及装置 | |
| CN112244853B (zh) | 边缘计算节点的制造方法和边缘计算节点 | |
| WO2020125494A1 (zh) | 一种生物信号的分析处理方法、装置及设备 | |
| Alnaggar et al. | Video-based real-time monitoring for heart rate and respiration rate | |
| Arvanaghi et al. | Classification cardiac beats using arterial blood pressure signal based on discrete wavelet transform and deep convolutional neural network | |
| CN115337018A (zh) | 基于整体动态特征的心电信号分类方法及系统 | |
| CN114366060A (zh) | 一种基于心率变异性的健康预警方法、装置及电子设备 | |
| Zabihi et al. | Bp-net: Cuff-less and non-invasive blood pressure estimation via a generic deep convolutional architecture | |
| Zheng et al. | Tiny-PPG: A lightweight deep neural network for real-time detection of motion artifacts in photoplethysmogram signals on edge devices | |
| CN111407261B (zh) | 生物信号的周期信息的测量方法及装置、电子设备 | |
| CN113057611B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
| CN116138756A (zh) | 基于人脸特征点检测的非接触式心率检测方法、系统及介质 | |
| CN113693610B (zh) | 少导联心电数据处理方法、装置、存储介质及计算机设备 | |
| US20210022620A1 (en) | Systems, Methods and Media for Estimating Compensatory Reserve and Predicting Hemodynamic Decompensation Using Physiological Data | |
| WO2021068193A1 (zh) | 一种血压波形监测方法及装置 | |
| Beh et al. | Machine-Aided PPG Signal Quality Assessment (SQA) for Multi-Mode Physiological Signal Monitoring | |
| CN114469126B (zh) | 心电数据的分类处理方法、装置、存储介质及计算机设备 | |
| US20230190203A1 (en) | Human health risk assessment method |
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 |