CN113288091A - 用于血压分类的模型训练方法、装置及可穿戴设备 - Google Patents
用于血压分类的模型训练方法、装置及可穿戴设备 Download PDFInfo
- Publication number
- CN113288091A CN113288091A CN202110489925.7A CN202110489925A CN113288091A CN 113288091 A CN113288091 A CN 113288091A CN 202110489925 A CN202110489925 A CN 202110489925A CN 113288091 A CN113288091 A CN 113288091A
- Authority
- CN
- China
- Prior art keywords
- classification
- blood pressure
- vessel volume
- volume map
- blood vessel
- 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
- A61B5/02—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
- A61B5/68—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
- A61B5/68—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
- A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
-
- 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
- A61B5/681—Wristwatch-type devices
-
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明实施例提供一种用于血压分类的模型训练方法、装置及可穿戴设备;用于血压分类的模型训练方法包括:获取血管容积图信号并对所述血管容积图信号进行预处理;提取经预处理后的血管容积图信号中的特征参数;将所述特征参数作为多个分类算法的输入以训练得到血压分类融合模型。本发明提供的一种基于血管容积图信号的多种分类模型融合的用于血压分类的模型训练方法,获取血管容积图信号并对血管容积图信号进行预处理后,提取经预处理后的血管容积图信号中的特征参数,并根据特征参数利用了三种多种分类模型,让分类器做出最可能预测正确的选择。相比单一分类模型方法,本发明实施例所提供的融合模型方法实现了对血压类别分类的更高准确率。
Description
技术领域
本发明涉及电生理信号处理技术领域,特别涉及一种用于血压分类的模型训练方法、装置及可穿戴设备。
背景技术
心脏是人体血液循环的中心,心脏通过有规律的搏动产生血压,进而向全身供血完成人体的新陈代谢,血压是人体非常重要的生理信号之一。高/低血压病属于慢性疾病,多数需要长期终身护理,都需要对血压进行长时间动态监测。在日常生活中,目前最常用的是采用有创介入式测量方法和压力测量方法,在测量过程中需要对被测者产生微创伤害或者通过对被测者身体施加外部压力获取测试结果,这两种方法不仅操作繁琐,容易对被测者造成不适和伤害,而且也不便于进行连续监测。
于是可穿戴设备进行测量的方式应运而生,现代可穿戴设备如智能手表和智能腕带通常由光体积描记器传感器组成,而不是心电图传感器,因为与心电图传感器相比,光体积描记器传感器具有更高的可用性和更低的成本。然而,它更容易受到噪音的影响。这给信号的处理、分类和回归估计造成了极大的困难,从而带来测量的不准确。
发明内容
为解决上述技术问题,本发明实施例的目的是提供一种用于血压分类的模型训练方法、装置及可穿戴设备。
为了实现上述目的,在本发明第一方面,提供一种复合滤芯结构,包括:获取血管容积图信号的参数并对参数进行预处理;提取经预处理后的参数的特征参数;将特征参数作为多个分类算法的输入,以训练得到血压分类融合模型。
在本申请实施例中,获取血管容积图信号的参数并对参数进行预处理包括:获取原始的血管容积图信号的参数;定义滑动窗口长度和窗口大小,将参数表征为队列;对队列进行卷积运算以获得去噪后的参数。
在本申请实施例中,提取经预处理后的血管容积图信号的特征参数包括:对去噪后的血管容积图信号进行离散余弦变换;确定去噪后的血管容积图信号经离散余弦变换后的系数;在系数中提取前n个系数作为特征参数。
在本申请实施例中,将特征参数作为多个分类模型的输入,以训练得到血压分类融合模型包括:将所有参数不重叠的分为训练集和测试集,其中训练集和测试机为第一预设比例;将训练集分为第一训练集和第二训练集,其中第一训练集和第二训练集为第二预设比例;根据特征参数,用第一训练集的特征向量作为多个分类算法的输入,以得到多个分类模型;将第二训练集对多个分类模型进行验证,并获得多个分类模型的准确度模型;根据测试集对多个分类模型进行测试,并根据准确度模型输出对应的准确度;将准确度排序以获得血压分类融合模型。
在本申请实施例中,多个分类算法包括:随机森林、支持向量机和K最邻近算法的任一者。
在本申请实施例中,将准确度排序以获得血压分类融合模型包括:将准确度大于第一阈值的多个分类模型作为第一目标模型;将准确度小于第二阈值的多个分类模型所预测的类别取反得到第二目标模型;将第一目标模型和第二目标模型的输出作为最终结果以得到血压分类融合模型。
在本申请实施例中,第一预设比例为4:1,第二预设比例为1:3。
在本申请的第二方面,还提供一种用于血压分类的装置,装置包括处理器,处理器被配置成根据上项的用于血压分类的模型训练方法。
在本申请的第三方面,还提供一种血压检测设备,血压检测设备包括可穿戴设备,可穿戴设备包括:手表、手环、戒指、眼镜的任一种。
另一方面,本发明实施例还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于在被处理器执行时使得处理器能够执行上述的用于血压分类的模型训练方法。
通过上述技术方案,本发明提供的一种用于血压分类的模型训练方法,获取血管容积图信号并对血管容积图信号进行预处理后,提取经预处理后的血管容积图信号中的特征参数,并根据特征参数利用了三种多种分类模型,让分类器做出最可能预测正确的选择。相比单一分类模型方法,本发明实施例所提供的融合模型方法实现了对血压类别分类的更高准确率。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例所提供的用于血压分类的模型训练方法的流程图;
图2是本发明实施例所提供的用于血压分类的模型训练方法中步骤S101的流程图;
图3是本发明实施例所提供的用于血压分类的模型训练方法中步骤S102的流程图;
图4是本发明实施例所提供的用于血压分类的模型训练方法中步骤S103的流程图;
图5是本发明实施例所提供的用于血压分类的模型训练方法中步骤S1036的流程图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其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。另外,全文中出现的“和/或”的含义为,包括三个并列的方案,以“A和/或B”为例,包括A方案,或B方案,或A和B同时满足的方案。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
为了更清楚的阐述本方案,本发明实施例首先提供一种用于血压分类的模型训练方法,具体来说为一种根据血管容积图信号对血压进行监控分类的方法;该方法旨在解决现有的用于血压分类的模型训练方法,由于依靠光体积描记器传感器,容易受到噪音的影响。从而血管容积图信号的处理、分类和回归估计造成了极大的困难,从而带来测量的不准确的问题,最终未能符合反映用户真实的血压。本发明实施例通过提出一种血压分类融合模型,该模型依靠多个分类算法,从而甄选准确度较高的结果作为的最终输出,从而解决上述问题。且该血压分类具备很强的迁移性,可以通过封装为装置在用户的可穿戴设备中进行简单的非标设计,即可满足便携式的多元化需求。以下通过具体地实施例予以阐述:
请参阅图1,图1是本发明实施例所提供的用于血压分类的模型训练方法的流程图;在一个总的发明构思中,为解决上述技术问题,本发明的技术方案如下:
本发明实施例提供一种基于血管容积图信号的多种分类模型融合的用于血压分类的模型训练方法,包括以下步骤:
步骤S101、获取血管容积图信号并对血管容积图信号进行预处理;
步骤S102、提取经预处理后的血管容积图信号中的特征参数;
步骤S103、将特征参数作为多个分类算法的输入以训练得到血压分类融合模型。
其中,上述所提到的术语“血管容积图信号”又称血液容积图信号(Photoplethysmo grahic,PPG),血管容量是指血细胞容量与血浆容量的总和,其中由于获取的血管容积图信号在采集过程中,既受人体生理、病理因素影响,同时也易受测量过程中的外界干扰尤其是人体自身运动的干扰的影响,从而导致血管容积图信号容易产生噪声,带来检测分类过程中的信息损失。
在步骤S101中,可以通过光体积描记器传感器采集到血管容积图信号,并对血管容积图信号进行预处理,其中预处理可以包括去噪。
在一些实施例中,如果血管容积图信号数据较为庞大或者数据库较小,预处理还可以包括对血管容积图信号进行消除、归一、平滑、复原等,可以采用插值法、均值法等,其目的为了恢复有用的真实信号,增强有关信息的可检测性和最大限度地简化数据,从而方便后续改进特征抽取、图像分割、匹配和识别的可靠性。
在步骤S102中,即提取经预处理后的血管容积图信号中的特征参数,可以理解为反应血压类型的重要数据,在图像识别中为本领域人员常见技术手段,在此次不再过多阐述。在本发明实施例所提供的步骤S103中,将特征参数作为多个分类算法的输入以训练得到血压分类融合模型,采用多类算法融合是为了解决上述的技术问题,即测量的准确性问题,由于分类算法具备各自的准确性,通过多模型融合算法可以比单一模型算法有极为明显的效果提升,可在同一融合模型中发挥各算法的长处,从而使其适应性和精准性增大,抗干扰能力强。
综上,本发明实施例基于在光体积描记器传感器获取的血管容积图信号基础上,提供一种用于血压分类的模型训练方法,通过多算法融合提高算法的分类准确性,增加所集合产品的可靠性。以下通过具体的实施例予以阐述:
请参阅图2,图2是本发明实施例所提供的用于血压分类的模型训练方法中步骤S101的流程图;在针对于上述的步骤S101中,获取血管容积图信号并对血管容积图信号进行预处理可以包括以下流程:
步骤S1011、获取原始的血管容积图信号;
步骤S1012、定义滑动窗口长度和窗口大小,对血管容积图信号进行卷积运算以对血管容积图信号进行去噪。
其中,对光体积描记器采集的血管容积图信号通过滑动均值滤波算法进行去噪,可选地滑动窗口长度为25,大小根据血管容积图信号所视,从而得到去噪后的血管容积图信号;
首先获取一组原始的血管容积图信号X1,…,Xn,在本发明实施例中利用数字处理软件matlabR2018b予以阐述,实现血管容积图信号的去噪。其中:令
L=ones(1,25)/25 指令1
上述的指令1为定义滑动窗口长度,继而利用卷积函数conv(matlab的一种算法指令)实现算法,即:
f=conv(Xi,L,'same'),i=1,2...,n 指令2
其中,在指令2中,L指代血管容积图信号,f即为去噪后的血管容积图信号。可以理解的是,本发明实施例所提到的matlabR2018b软件仅作为演示本发明实施例所提供的方法,可更换其他软件代替软件,只要采用了同样的方法实现了相同的技术效果,应当同样属于本发明实施例所涵盖的保护范围内。
请参阅图3,图3是本发明实施例所提供的用于血压分类的模型训练方法中步骤S102的流程图;在针对于上述的步骤S102中,获取血管容积图信号并对血管容积图信号进行预处理可以包括以下流程:
步骤S1021、对去噪后的血管容积图信号进行离散余弦变换;
步骤S1022、确定去噪后的血管容积图信号经离散余弦变换后的系数;
步骤S1022、在系数中提取前n个系数作为特征参数。
具体地,计算去噪后的血管容积图信号进行离散余弦变换后的系数,取前n个系数作为特征。同理利用软件matlab R2018b,其中,利用函数dct实现算法,即
c=dct(Xi) 指令3
其中在指令3中,c即为去噪后的血管容积图信号进行离散余弦变换后的系数,函数dct为matlab R2018b的一个指令,为离散余弦变换。
可选地,计算去噪后的血管容积图信号进行离散余弦变换后的系数,取前20个系数作为特征。
请参阅图4,图4是本发明实施例所提供的用于血压分类的模型训练方法中步骤S103的流程图;将特征参数作为多个分类算法的输入,以训练得到血压分类融合模型包括:
步骤S1031、将所有血管容积图信号不重叠的分为训练集和测试集,其中训练集和测试机为第一预设比例;
步骤S1032、将训练集分为第一训练集和第二训练集,其中第一训练集和第二训练集为第二预设比例;
步骤S1033、根据特征参数,用第一训练集的特征向量作为多个分类算法的输入,以得到多个分类模型;
步骤S1034、将第二训练集对多个分类模型进行验证,并获得多个分类模型的准确度模型;
步骤S1035、根据测试集对多个分类模型进行测试,并根据准确度模型输出对应的准确度;
步骤S1036、将准确度排序以获得血压分类融合模型。
可选地,其中以多个分类算法为随机森林、支持向量机和K最邻近算法作为示例,该特征参数作为以随机森林分类算法、K最邻近算法和支持向量机为基础的多模型融合分类方法的输入,从而训练出血压分类融合模型。
在一个具体的实施例中,针对于步骤S1031将所有血管容积图信号的数据集不重叠的分为训练集A和测试集B,可选地A与B的比例可选地为8:2,训练集A进一步不重叠的分为第一训练集C和第二训练集D,第一训练集C与第二训练集D的比例可选地为1:3;根据上述已计算出的特征参数,用第一训练集C的特征向量作为输入分别训练出随机森林、K最邻近算法和支持向量机的分类模型,该分类模型可分类出正常血压和高血压前期。可以理解,其中第一预设比例和第二预设比例可根据血管容积图信号的数据集的实际质量进行修正,在本发明实施例中所适应的血管容积图信号的数据集本较小的情况。
请参阅图5,图5是本发明实施例所提供的用于血压分类的模型训练方法中步骤S1036的流程图;将准确度排序以获得血压分类融合模型包括:
步骤S1036a、根据准确度排序进行标记;
步骤S1036b、根据标记将所述多个分类模型分类;
步骤S1036c、根据分类结果,确定血压分类融合模型的最终输出。
进一步将第二训练集D对上述得到的三个血压分类模型进行验证。首先模型所输出的结果为第二训练集D血压值的估计类别。如果估计的血压类别与实际的血压类别相同,将标记为符号‘1’;如果估计的血压类别与实际的血压类别不同,将标记为符号‘0’,所以,通过以上方式,结合随机森林、K最邻近算法和支持向量机三种模型会得到8种可能的情况,分别代表了三种模型对第二训练集D中每个特征向量的分类精度。如表1所示,示例性的显示了所有情况的可能性。
随机森林 | 支持向量机 | K最邻近算法 | 标记符号 |
1 | 1 | 1 | 7 |
1 | 1 | 0 | 6 |
1 | 0 | 1 | 5 |
1 | 0 | 0 | 4 |
0 | 1 | 1 | 3 |
0 | 1 | 0 | 2 |
0 | 0 | 1 | 1 |
0 | 0 | 0 | 0 |
表1
即使用训练集D表1中定义的标记符号及其对应的特征向量来作为随机森林分类算法的输入,从而训练出随机森林、支持向量机和K最邻近算法的血压分类器的准确率模型。
使用测试集B中的特征向量,利用上述获得的三个血压分类模型,对血压值的类别进去估计;此外,使用测试集B中的特征向量,根据S33得到的模型来估计各种分类器的准确率。即可以得到随机森林、支持向量机和K最邻近算法的分类准确率。
具体地,根据上述对于标记符号‘3’、‘5’、‘6’和‘7’,即在同样预测估计的类与实际的类相同的分类器(分类模型)中,取准确率较高的分类模型所预测出的类别作为多种分类融合模型的最终结果;对于标记符号‘1’、‘2’和‘4’,取预测估计的类与实际的类相同的分类器所预测的类别作为我们多种分类融合模型的最终结果;对于标记符号‘0’,将准确率最高的分类器所预测出的类别“取反”,即将另一个类别作为多种分类融合模型的最终结果。至此,本发明和实施例所提供的一种基于血管容积图信号的多种分类模型融合的血压分类模型就建立完成。
与现有技术相比,本发明技术方案的有益效果是:本发明提供的一种基于血管容积图信号的多种分类模型融合的用于血压分类的模型训练方法,利用了三种分类器模型,创新性地采用“编码”方式,让分类器做出最可能预测正确的选择。相比单一分类模型方法,我们的融合模型方法实现了对血压类别分类的更高准确率。
本发明实施例还提供一种用于血压分类的装置,所述装置包括处理器,所述处理器被配置成执行用于血压分类的模型训练方法。
本领域技术人员也应当理解,如果将本发明方法或者清洗装置、经过简单变化、在其上述方法增添功能进行组合、或者在其装置上进行替换,如各组件进行型号材料上的替换、使用环境进行替换、各组件位置关系进行简单替换等;或者将其所构成的产品一体设置;或者可拆卸设计;凡组合后的组件可以组成具有特定功能的方法/设备/装置,用这样的方法/设备/装置替代本发明的方法和装置均同样落在本发明的保护范围内。
本发明第五实施例还提供一种血压检测设备,包括如上述的血压分类装置。应当理解的是,该血压检测设备不限定尺寸、外形轮廓,仅需利用到了血压分类装置对应的元件实现了相同或者相似的功能,均同样应位于本发明所保护的范围内。
所述血压检测设备包括:可穿戴设备,如手表、手环、眼镜的任一种。
血压分类装置还包括存储器,上述用于血压检测设备的补光方法可作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调节内核参数来针对餐具图像控制血压检测设备的喷淋臂对餐具进行清洗。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例还提供了一种机器可读存储介质,其上存储有程序,该程序被处理器执行时实现控制器所被配置执行的控制方法。
本发明实施例还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行控制器所被配置执行的控制方法。
本发明实施例还提供一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现上述的控制器所被配置执行的控制方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图或方框图来描述的。应理解可由计算机程序指令实现流程图或方框图中的每一流程或方框、以及流程图或方框图中的流程或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理器的处理器以产生一个机器,使得通过计算机或其他可编程数据处理器的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理器以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理器上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于血压分类的模型训练方法,其特征在于,包括:
获取血管容积图信号并对所述血管容积图信号进行预处理;
提取经预处理后的血管容积图信号中的特征参数;
将所述特征参数作为多个分类算法的输入以训练得到血压分类融合模型。
2.根据权利要求1所述的用于血压分类的模型训练方法,其特征在于,所述获取血管容积图信号并对所述血管容积图信号进行预处理包括:
获取原始的血管容积图信号;
定义滑动窗口长度和窗口大小,并对所述血管容积图信号进行卷积运算以对血管容积图信号进行去噪。
3.根据权利要求2所述的用于血压分类的模型训练方法,其特征在于,所述提取经预处理后的血管容积图信号中的特征参数包括:
对所述去噪后的血管容积图信号进行离散余弦变换;
确定去噪后的血管容积图信号经离散余弦变换后的系数;
在所述系数中提取前n个系数作为特征参数。
4.根据权利要求1所述的用于血压分类的模型训练方法,其特征在于,所述将所述特征参数作为多个分类算法的输入,以训练得到血压分类融合模型包括:
将所有血管容积图信号不重叠的分为训练集和测试集,其中所述训练集和所述测试机为第一预设比例;
将所述训练集分为第一训练集和第二训练集,其中所述第一训练集和所述第二训练集为第二预设比例;
根据所述特征参数,用所述第一训练集的特征向量作为所述多个分类算法的输入,以得到多个分类模型;
将第二训练集对所述多个分类模型进行验证,并获得多个分类模型的准确度模型;
根据所述测试集对所述多个分类模型进行测试,并根据准确度模型输出对应的准确度;
根据所述准确度进行排序,以获得所述血压分类融合模型的最终输出。
5.根据权利要求4所述的用于血压分类的模型训练方法,其特征在于,所述多个分类算法包括:随机森林、支持向量机和K最邻近算法。
6.根据权利要求4所述的用于血压分类的模型训练方法,其特征在于,所述将所述准确度排序以获得血压分类融合模型包括:
根据准确度排序进行标记;
根据标记将所述多个分类模型分类;
根据分类结果,确定血压分类融合模型的最终输出。
7.根据权利要求4所述的用于血压分类的模型训练方法,其特征在于,所述第一预设比例为4:1,所述第二预设比例为1:3。
8.一种用于血压分类的装置,其特征在于,所述装置包括处理器,所述处理器被配置成根据权利要求1至7任一项所述的用于血压分类的模型训练方法。
9.一种可穿戴设备,其特征在于,包括权利要求8所述的血压分类装置,所述可穿戴设备包括:手表、手环、戒指、眼镜的任一种。
10.一种机器可读存储介质,其特征在于,该机器可读存储介质上存储有指令,该指令用于在被处理器执行时使得所述处理器能够执行根据权利要求1至7中任意一项权利要求所述的用于血压分类的模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110489925.7A CN113288091B (zh) | 2021-05-06 | 2021-05-06 | 用于血压分类的模型训练方法、装置及可穿戴设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110489925.7A CN113288091B (zh) | 2021-05-06 | 2021-05-06 | 用于血压分类的模型训练方法、装置及可穿戴设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113288091A true CN113288091A (zh) | 2021-08-24 |
CN113288091B CN113288091B (zh) | 2023-10-03 |
Family
ID=77320849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110489925.7A Active CN113288091B (zh) | 2021-05-06 | 2021-05-06 | 用于血压分类的模型训练方法、装置及可穿戴设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113288091B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897096A (zh) * | 2022-06-02 | 2022-08-12 | 中国银联股份有限公司 | 模型融合方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125218A1 (en) * | 2014-10-30 | 2016-05-05 | Datalogic IP Tech, S.r.l. | Systems, methods and articles for reading highly blurred machine-readable symbols |
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 |
CN109833034A (zh) * | 2017-11-24 | 2019-06-04 | 深圳市岩尚科技有限公司 | 一种脉搏波信号中提取血压数据的方法及装置 |
WO2019105105A1 (zh) * | 2017-11-28 | 2019-06-06 | 深圳市岩尚科技有限公司 | 脉搏波血压测量装置的分类预测数据处理方法 |
US20200042903A1 (en) * | 2018-08-03 | 2020-02-06 | Samsung Electronics Co., Ltd. | Multi-layered machine learning system to support ensemble learning |
CN111081229A (zh) * | 2019-12-23 | 2020-04-28 | 科大讯飞股份有限公司 | 基于语音的评分方法及相关装置 |
US20200175354A1 (en) * | 2018-12-03 | 2020-06-04 | Deep Learn, Inc. | Time and accuracy estimate-based selection of machine-learning predictive models |
US20200372648A1 (en) * | 2018-05-17 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | Image processing method and device, computer apparatus, and storage medium |
US20210035689A1 (en) * | 2018-04-17 | 2021-02-04 | Bgi Shenzhen | Modeling method and apparatus for diagnosing ophthalmic disease based on artificial intelligence, and storage medium |
WO2021022572A1 (zh) * | 2019-08-07 | 2021-02-11 | 南京智谷人工智能研究院有限公司 | 一种基于元学习的主动采样方法 |
CN112587133A (zh) * | 2020-12-09 | 2021-04-02 | 深圳市奋达智能技术有限公司 | 一种血氧饱和度的测量方法 |
CN113159132A (zh) * | 2021-03-26 | 2021-07-23 | 上海市杨浦区中心医院(同济大学附属杨浦医院) | 一种基于多模型融合的高血压分级方法 |
-
2021
- 2021-05-06 CN CN202110489925.7A patent/CN113288091B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125218A1 (en) * | 2014-10-30 | 2016-05-05 | Datalogic IP Tech, S.r.l. | Systems, methods and articles for reading highly blurred machine-readable symbols |
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 |
CN109833034A (zh) * | 2017-11-24 | 2019-06-04 | 深圳市岩尚科技有限公司 | 一种脉搏波信号中提取血压数据的方法及装置 |
WO2019105105A1 (zh) * | 2017-11-28 | 2019-06-06 | 深圳市岩尚科技有限公司 | 脉搏波血压测量装置的分类预测数据处理方法 |
US20210035689A1 (en) * | 2018-04-17 | 2021-02-04 | Bgi Shenzhen | Modeling method and apparatus for diagnosing ophthalmic disease based on artificial intelligence, and storage medium |
US20200372648A1 (en) * | 2018-05-17 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | Image processing method and device, computer apparatus, and storage medium |
US20200042903A1 (en) * | 2018-08-03 | 2020-02-06 | Samsung Electronics Co., Ltd. | Multi-layered machine learning system to support ensemble learning |
US20200175354A1 (en) * | 2018-12-03 | 2020-06-04 | Deep Learn, Inc. | Time and accuracy estimate-based selection of machine-learning predictive models |
WO2021022572A1 (zh) * | 2019-08-07 | 2021-02-11 | 南京智谷人工智能研究院有限公司 | 一种基于元学习的主动采样方法 |
CN111081229A (zh) * | 2019-12-23 | 2020-04-28 | 科大讯飞股份有限公司 | 基于语音的评分方法及相关装置 |
CN112587133A (zh) * | 2020-12-09 | 2021-04-02 | 深圳市奋达智能技术有限公司 | 一种血氧饱和度的测量方法 |
CN113159132A (zh) * | 2021-03-26 | 2021-07-23 | 上海市杨浦区中心医院(同济大学附属杨浦医院) | 一种基于多模型融合的高血压分级方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897096A (zh) * | 2022-06-02 | 2022-08-12 | 中国银联股份有限公司 | 模型融合方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113288091B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021169128A1 (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
CN110944577B (zh) | 一种血氧饱和度的检测方法与系统 | |
US10242293B2 (en) | Method and program for computing bone age by deep neural network | |
Alaskar et al. | The implementation of pretrained AlexNet on PCG classification | |
Quiceno-Manrique et al. | Selection of dynamic features based on time–frequency representations for heart murmur detection from phonocardiographic signals | |
CN103251391A (zh) | 从源视频图像获得动脉脉搏传导时间 | |
Naseri et al. | Computerized quality assessment of phonocardiogram signal measurement-acquisition parameters | |
Pisov et al. | Incorporating task-specific structural knowledge into CNNs for brain midline shift detection | |
Revanur et al. | Instantaneous physiological estimation using video transformers | |
Gamage et al. | Instance-based segmentation for boundary detection of neuropathic ulcers through Mask-RCNN | |
CN113793300A (zh) | 一种基于红外热像仪的非接触式呼吸率检测方法 | |
CN113288091B (zh) | 用于血压分类的模型训练方法、装置及可穿戴设备 | |
Sun et al. | Cascade faster R-CNN detection for vulnerable plaques in OCT images | |
CN117333529B (zh) | 一种基于模板匹配的血管超声内膜自动化测量方法及系统 | |
Ma et al. | Cross-subject emotion recognition based on domain similarity of EEG signal transfer learning | |
Hazeri et al. | Classification of normal/abnormal PCG recordings using a time–frequency approach | |
Guru Pradeep Reddy et al. | Retinal-layer segmentation using dilated convolutions | |
JP6053166B2 (ja) | 数値データ解析装置及びプログラム | |
CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 | |
CN114757944B (zh) | 一种血管图像的分析方法、装置及存储介质 | |
Konstantinidis et al. | A deep network for automatic video-based food bite detection | |
US20220211283A1 (en) | Methods for blood pressure calibration selection and modeling methods thereof | |
KR20230126564A (ko) | 심박수 측정 방법 및 이를 수행하기 위한 컴퓨팅 장치 | |
CN113425248B (zh) | 医疗影像评估方法、装置、设备及计算机存储介质 | |
Qiang et al. | Automatic detection and localisation of myocardial infarction using multi-channel dense attention neural network |
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 |