CN113456033B - 生理指标特征值数据处理方法、系统及计算机设备 - Google Patents
生理指标特征值数据处理方法、系统及计算机设备 Download PDFInfo
- Publication number
- CN113456033B CN113456033B CN202110703601.9A CN202110703601A CN113456033B CN 113456033 B CN113456033 B CN 113456033B CN 202110703601 A CN202110703601 A CN 202110703601A CN 113456033 B CN113456033 B CN 113456033B
- Authority
- CN
- China
- Prior art keywords
- target
- physiological index
- value
- sample set
- tester
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 239000008280 blood Substances 0.000 claims description 11
- 210000004369 blood Anatomy 0.000 claims description 11
- 230000036772 blood pressure Effects 0.000 claims description 8
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 7
- 239000008103 glucose Substances 0.000 claims description 7
- 210000000707 wrist Anatomy 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 abstract description 16
- 210000000038 chest Anatomy 0.000 description 3
- 230000010412 perfusion Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003811 finger Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- 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
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0531—Measuring skin impedance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Optics & Photonics (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Pulmonology (AREA)
- Dermatology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Emergency Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种生理指标特征值数据处理方法、系统及计算机设备，该方法先获取大量的不同测试者的多个第一样本集，然后，针对目标测试者，获取第二样本集，进而从所有的第一样本集中，获取与第二样本集之间的距离在预设范围内的多个第一目标样本集，即只筛选出适合目标测试者的第一样本集，并避免个体差异过大的影响，通过第二特征值、第二生理指标值、第一目标特征值以及第一目标生理指标值为训练数据，能够建立专门针对目标测试者的个体模型，后续在对目标测试者进行生理指标测试时，调用该个体模型即可，有效解决了全局模型对个别测试者误差较大的问题。
Description
技术领域
本发明涉及生理指标数据处理技术领域，特别是涉及一种生理指标特征值数据处理方法、系统及计算机设备。
背景技术
生理指标是用于预测人体健康的重要参数，常见的生理指标值包括血压值、血糖值等。目前，生理指标测试方法一般采用线性回归等全局模型来进行学习和预测，这意味着参与学习的所有采集数据都影响每次预测结果。
在一些生理指标测试中，会遇到全局模型对个别测试者误差较大的情况，比如基于脉搏波传导时间的血压测试，如果利用全局模型进行预测，由于个体之间的差异(比如血管总长度、管道直径、管壁厚度与弹性、血液粘度、密度等的差异)，一部分个体或人群的测试结果会存在偏差，有的时候甚至还会出现误差特别大的情况。
发明内容
为此，本发明的一个目的在于提出一种生理指标特征值数据处理方法，以在现有技术中全局模型对个别测试者误差较大的问题。
本发明提供一种生理指标特征值数据处理方法，包括：
获取从多个测试者得到的多个第一样本集，所述第一样本集包括从测试者的第一采集信号中获取到的第一特征值，以及与所述第一特征值对应的第一生理指标值；
获取第二样本集，所述第二样本集包括从目标测试者的第二采集信号中获取到的第二特征值，以及与所述第二特征值对应的第二生理指标值；
从所有的所述第一样本集中，获取与所述第二样本集之间的距离在预设范围内的多个第一目标样本集，所述第一目标样本集包括所述第一目标特征值以及与所述第一目标特征值对应的第一目标生理指标值；
以所述第二特征值、所述第二生理指标值、所有的所述第一目标特征值以及与所述第一目标特征值对应的第一目标生理指标值为训练数据，建立针对所述目标测试者的个体模型；
获取所述目标测试者的第三采集信号，并从所述第三采集信号中获取第三特征值；
将所述第三特征值输入至所述个体模型，以获得第三生理指标值。
根据本发明提供的生理指标特征值数据处理方法，先获取大量的不同测试者的多个第一样本集，然后，针对目标测试者，获取第二样本集，进而从所有的第一样本集中，获取与第二样本集之间的距离在预设范围内的多个第一目标样本集，即只筛选出适合目标测试者的第一样本集，并避免个体差异过大的影响，通过第二特征值、第二生理指标值、第一目标特征值以及第一目标生理指标值为训练数据，能够建立专门针对目标测试者的个体模型，后续在对目标测试者进行生理指标测试时，调用该个体模型即可，有效解决了全局模型对个别测试者误差较大的问题。
另外，根据本发明上述的生理指标特征值数据处理方法，还可以具有如下附加的技术特征：
进一步地，从所有的所述第一样本集中，获取与所述第二样本集之间的距离在预设范围内的多个第一目标样本集中，采用下式计算所述第一样本集与所述第二样本集之间的距离：
其中，L表示所述第一样本集与所述第二样本集之间的距离，i表示第i个测试者，j表示第j种特征值，Aj表示第j种特征值的加权系数，U1ij表示针对第i个测试者，包含第j种第一特征值的第一样本集，U2j表示包含第j种第二特征值的第二样本集。
进一步地，所述方法还包括：
建立针对所述目标测试者的用户账号；
将所述第二特征值、所述第二生理指标值、所有的所述第一目标特征值、与所述第一目标特征值对应的第一目标生理指标值、以及所述个体模型存储在所述用户账号中。
进一步地，所述第一采集信号包括ECG信号、PPG信号、温湿度信号、低频阻抗信号，采集位置为手指或手腕或胸部。
进一步地，所述第一特征值包括独立特征值和组合特征值，所述独立特征值为由单个信号直接获取的特征值，所述组合特征值为从两个以及以上的信号获取的特征值，所述第一生理指标值包括血压值和血糖值。
本发明的另一个目的在于提出一种生理指标特征值数据处理系统，以在现有技术中全局模型对个别测试者误差较大的问题。
本发明提供一种生理指标特征值数据处理系统，包括：
第一获取模块，用于获取从多个测试者得到的多个第一样本集，所述第一样本集包括从测试者的第一采集信号中获取到的第一特征值，以及与所述第一特征值对应的第一生理指标值；
第二获取模块，用于获取第二样本集，所述第二样本集包括从目标测试者的第二采集信号中获取到的第二特征值，以及与所述第二特征值对应的第二生理指标值；
第三获取模块，用于从所有的所述第一样本集中，获取与所述第二样本集之间的距离在预设范围内的多个第一目标样本集，所述第一目标样本集包括所述第一目标特征值以及与所述第一目标特征值对应的第一目标生理指标值；
模型建立模块，用于以所述第二特征值、所述第二生理指标值、所有的所述第一目标特征值以及与所述第一目标特征值对应的第一目标生理指标值为训练数据，建立针对所述目标测试者的个体模型；
第四获取模块，用于获取所述目标测试者的第三采集信号，并从所述第三采集信号中获取第三特征值；
输入获取模块，用于将所述第三特征值输入至所述个体模型，以获得第三生理指标值。
根据本发明提供的生理指标特征值数据处理系统，先获取大量的不同测试者的多个第一样本集，然后，针对目标测试者，获取第二样本集，进而从所有的第一样本集中，获取与第二样本集之间的距离在预设范围内的多个第一目标样本集，即只筛选出适合目标测试者的第一样本集，并避免个体差异过大的影响，通过第二特征值、第二生理指标值、第一目标特征值以及第一目标生理指标值为训练数据，能够建立专门针对目标测试者的个体模型，后续在对目标测试者进行生理指标测试时，调用该个体模型即可，有效解决了全局模型对个别测试者误差较大的问题。
另外，根据本发明上述的生理指标特征值数据处理系统，还可以具有如下附加的技术特征：
进一步地，所述第三获取模块用于采用下式计算所述第一样本集与所述第二样本集之间的距离：
其中，L表示所述第一样本集与所述第二样本集之间的距离，i表示第i个测试者，j表示第j种特征值，Aj表示第j种特征值的加权系数，U1ij表示针对第i个测试者，包含第j种第一特征值的第一样本集，U2j表示包含第j种第二特征值的第二样本集。
进一步地，所述系统还包括：
账号建立模块，用于建立针对所述目标测试者的用户账号；
账号存储模块，用于将所述第二特征值、所述第二生理指标值、所有的所述第一目标特征值、与所述第一目标特征值对应的第一目标生理指标值、以及所述个体模型存储在所述用户账号中。
进一步地，所述第一采集信号包括ECG信号、PPG信号、温湿度信号、低频阻抗信号，采集位置为手指或手腕或胸部。
进一步地，所述第一特征值包括独立特征值和组合特征值，所述独立特征值为由单个信号直接获取的特征值，所述组合特征值为从两个以及以上的信号获取的特征值，所述第一生理指标值包括血压值和血糖值。
本发明还提出一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
本发明还提出一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一实施例的生理指标特征值数据处理方法的流程图；
图2是根据本发明另一实施例的生理指标特征值数据处理方法的流程图；
图3是根据本发明一实施例的生理指标特征值数据处理系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明一实施例提出的生理指标特征值数据处理方法，包括步骤S101～S106：
S101，获取从多个测试者得到的多个第一样本集，所述第一样本集包括从测试者的第一采集信号中获取到的第一特征值，以及与所述第一特征值对应的第一生理指标值。
其中，所述第一采集信号包括ECG信号、PPG信号、温湿度信号、低频阻抗信号，采集位置为手指或手腕或胸部，具体可以通过ECG传感器、PPG传感器、温湿度传感器等采集得到。
所述第一特征值包括独立特征值和组合特征值，所述独立特征值为由单个信号直接获取的特征值，例如，由温度信号得到的第一特征值为温度、温度梯度等，由PPG信号得到的第一特征值为心率、灌注率等。
所述组合特征值为从两个以及以上的信号获取的特征值，例如，组合特征值为PTT(脉搏波传导时间)，其是ECG信号高峰和PPG信号高峰之间的时间差。或者，组合特征值为手指血流速，其是由PPG信号和温度信号变化得到的。
其中，与第一特征值对应的第一生理指标值，表示的意思是获取到第一特征值时，此时对应的第一生理指标值，第一生理指标值例如包括血压值和血糖值。具体实施时，与血糖对应的第一特征值包括温湿度、温湿度变化、PTT、ECG波形若干个特征间隔以及波峰值、心率、血氧饱和度等。与血压对应的第一特征值包括温度及温度变化、PTT、心率等。
步骤S101中，需要先采集计算大量的第一样本集，参与采集的测试者可以在不同测试条件下做多次测试。第一样本集要覆盖不同个体类型和不同测试条件，比如在无创血糖测试中，第一样本集要覆盖正常人、一型糖尿病和二型糖尿病人，男性和女性，年龄范围为20岁到80岁等。从采集的数据中得出第一特征值，比如脉搏波传导时间PTT、血氧饱和度、灌注量、ECG信号的几个波峰波谷值、心率、心率异常值等。并同时要记录第一特征值对应的第一生理指标值。第一特征值和对应的第一生理指标值可以放在云端，也可以放在本地，在个体模型建立中方便调用。
第一样本集可以采用下式表示：
U1＝(t，X1，Y1)
其中，t表示测试时间，X1为第一特征值，Y1为第一生理指标值或第一生理指标值的内插值，U1表示第一样本集，具体是一个多维向量，具体实施时，需要对多维向量中元素t、X1、Y1的归一化，便于后续处理。
在因条件限制不能采集很多第一生理指标值的时候，可以利用已知前后时刻的第一生理指标值内插得到目标的第一生理指标值。X1由多种特征值构成，例如，温度为第一种第一特征值，心率为第二种第一特征值，灌注率为第三种第一特征值。
S102，获取第二样本集，所述第二样本集包括从目标测试者的第二采集信号中获取到的第二特征值，以及与所述第二特征值对应的第二生理指标值。
其中，从数据组成上，第二样本集与第一样本集是相同的，不同的是，第二样本集针对的是目标测试者，即单一个体。第一采集信号也包括ECG信号、PPG信号、温湿度信号、低频阻抗信号，第二特征值也包括独立特征值和组合特征值，其种类应与第一特征值相同。
第二样本集可以采用下式表示：
U2＝(t，X2，Y2)
其中，t表示测试时间，X2为第二特征值，Y2为第二生理指标值或第二生理指标值的内插值，U2表示第二样本集，也是一个多维向量，具体实施时，需要对多维向量中元素t、X2、Y2的归一化，便于后续处理。
S103，从所有的所述第一样本集中，获取与所述第二样本集之间的距离在预设范围内的多个第一目标样本集，所述第一目标样本集包括所述第一目标特征值以及与所述第一目标特征值对应的第一目标生理指标值。
其中，具体采用下式计算第一样本集与第二样本集之间的距离：
其中，L表示所述第一样本集与所述第二样本集之间的距离，i表示第i个测试者，j表示第j种特征值，Aj表示第j种特征值的加权系数，U1ij表示针对第i个测试者，包含第j种第一特征值的第一样本集，U2j表示包含第j种第二特征值的第二样本集。
采用上述公式能够计算出每个第一样本集分别与第二样本集之间的距离，然后能够找到距离在预设范围内的多个第一目标样本集。
S104，以所述第二特征值、所述第二生理指标值、所有的所述第一目标特征值以及与所述第一目标特征值对应的第一目标生理指标值为训练数据，建立针对所述目标测试者的个体模型。
其中，建立的个体模型可以是人工神经网络模型或者随机森林模型。因为该个体模型的训练数据来自第二特征值、第二生理指标值、所有第一目标特征值以及与第一目标特征值对应的第一目标生理指标值，因此，更适合该目标测试者。个体模型只针对个体使用，在测试设备里建立个体档案以及保存个体模型的方法可实现对个体目标值的预测。
S105，获取所述目标测试者的第三采集信号，并从所述第三采集信号中获取第三特征值。
S106，将所述第三特征值输入至所述个体模型，以获得第三生理指标值。
其中，当需要对目标测试者进行生理指标值预测时，只需先获取目标测试者的第三采集信号，并从第三采集信号中获取第三特征值，然后将第三特征值输入至之前建立的个体模型，即可获得第三生理指标值。
此外，请参阅图2，作为一个具体示例，所述方法还包括：
S107，建立针对所述目标测试者的用户账号；
S108，将所述第二特征值、所述第二生理指标值、所有的所述第一目标特征值、与所述第一目标特征值对应的第一目标生理指标值、以及所述个体模型存储在所述用户账号中。
其中，可以为不同的目标测试者分配不同的用户账号，将第二特征值、第二生理指标值、所有的第一目标特征值、与第一目标特征值对应的第一目标生理指标值、以及个体模型存储在相应的用户账号中，便于后续测试时调用。
根据本实施例提供的生理指标特征值数据处理方法，先获取大量的不同测试者的多个第一样本集，然后，针对目标测试者，获取第二样本集，进而从所有的第一样本集中，获取与第二样本集之间的距离在预设范围内的多个第一目标样本集，即只筛选出适合目标测试者的第一样本集，并避免个体差异过大的影响，通过第二特征值、第二生理指标值、第一目标特征值以及第一目标生理指标值为训练数据，能够建立专门针对目标测试者的个体模型，后续在对目标测试者进行生理指标测试时，调用该个体模型即可，有效解决了全局模型对个别测试者误差较大的问题。
请参阅图3，本发明一实施例提出的生理指标特征值数据处理系统，包括：
第一获取模块11，用于获取从多个测试者得到的多个第一样本集，所述第一样本集包括从测试者的第一采集信号中获取到的第一特征值，以及与所述第一特征值对应的第一生理指标值；
第二获取模块12，用于获取第二样本集，所述第二样本集包括从目标测试者的第二采集信号中获取到的第二特征值，以及与所述第二特征值对应的第二生理指标值；
第三获取模块13，用于从所有的所述第一样本集中，获取与所述第二样本集之间的距离在预设范围内的多个第一目标样本集，所述第一目标样本集包括所述第一目标特征值以及与所述第一目标特征值对应的第一目标生理指标值；
模型建立模块14，用于以所述第二特征值、所述第二生理指标值、所有的所述第一目标特征值以及与所述第一目标特征值对应的第一目标生理指标值为训练数据，建立针对所述目标测试者的个体模型；
第四获取模块15，用于获取所述目标测试者的第三采集信号，并从所述第三采集信号中获取第三特征值；
输入获取模块16，用于将所述第三特征值输入至所述个体模型，以获得第三生理指标值。
本实施例中，所述第三获取模块13用于采用下式计算所述第一样本集与所述第二样本集之间的距离：
其中，L表示所述第一样本集与所述第二样本集之间的距离，i表示第i个测试者，j表示第j种特征值，Aj表示第j种特征值的加权系数，U1ij表示针对第i个测试者，包含第j种第一特征值的第一样本集，U2j表示包含第j种第二特征值的第二样本集。
本实施例中，所述系统还包括：
账号建立模块17，用于建立针对所述目标测试者的用户账号；
账号存储模块18，用于将所述第二特征值、所述第二生理指标值、所有的所述第一目标特征值、与所述第一目标特征值对应的第一目标生理指标值、以及所述个体模型存储在所述用户账号中。
本实施例中，所述第一采集信号包括ECG信号、PPG信号、温湿度信号、低频阻抗信号，采集位置为手指或手腕或胸部。
本实施例中，所述第一特征值包括独立特征值和组合特征值，所述独立特征值为由单个信号直接获取的特征值，所述组合特征值为从两个以及以上的信号获取的特征值，所述第一生理指标值包括血压值和血糖值。
根据本实施例提供的生理指标特征值数据处理系统，先获取大量的不同测试者的多个第一样本集，然后，针对目标测试者，获取第二样本集，进而从所有的第一样本集中，获取与第二样本集之间的距离在预设范围内的多个第一目标样本集，即只筛选出适合目标测试者的第一样本集，并避免个体差异过大的影响，通过第二特征值、第二生理指标值、第一目标特征值以及第一目标生理指标值为训练数据，能够建立专门针对目标测试者的个体模型，后续在对目标测试者进行生理指标测试时，调用该个体模型即可，有效解决了全局模型对个别测试者误差较大的问题。
此外，本发明的实施例还提出一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例中所述方法的步骤。
此外，本发明的实施例还提出一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例中所述方法的步骤。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种生理指标特征值数据处理方法，其特征在于，所述方法包括：
获取从多个测试者得到的多个第一样本集，所述第一样本集包括从测试者的第一采集信号中获取到的第一特征值，以及与所述第一特征值对应的第一生理指标值；
获取第二样本集，所述第二样本集包括从目标测试者的第二采集信号中获取到的第二特征值，以及与所述第二特征值对应的第二生理指标值；
从所有的所述第一样本集中，获取与所述第二样本集之间的距离在预设范围内的多个第一目标样本集，所述第一目标样本集包括第一目标特征值以及与所述第一目标特征值对应的第一目标生理指标值；
以所述第二特征值、所述第二生理指标值、所有的所述第一目标特征值以及与所述第一目标特征值对应的第一目标生理指标值为训练数据，建立针对所述目标测试者的个体模型；
获取所述目标测试者的第三采集信号，并从所述第三采集信号中获取第三特征值；
将所述第三特征值输入至所述个体模型，以获得第三生理指标值；
从所有的所述第一样本集中，获取与所述第二样本集之间的距离在预设范围内的多个第一目标样本集中，采用下式计算所述第一样本集与所述第二样本集之间的距离：
其中，L表示所述第一样本集与所述第二样本集之间的距离，i表示第i个测试者，j表示第j种特征值，Aj表示第j种特征值的加权系数，U1ij表示针对第i个测试者，包含第j种第一特征值的第一样本集，U2j表示包含第j种第二特征值的第二样本集。
2.根据权利要求1所述的生理指标特征值数据处理方法，其特征在于，所述方法还包括：
建立针对所述目标测试者的用户账号；
将所述第二特征值、所述第二生理指标值、所有的所述第一目标特征值、与所述第一目标特征值对应的第一目标生理指标值、以及所述个体模型存储在所述用户账号中。
3.根据权利要求1所述的生理指标特征值数据处理方法，其特征在于，所述第一采集信号包括ECG信号、PPG信号、温湿度信号、低频阻抗信号，采集位置为手指或手腕或胸部。
4.根据权利要求3所述的生理指标特征值数据处理方法，其特征在于，所述第一特征值包括独立特征值和组合特征值，所述独立特征值为由单个信号直接获取的特征值，所述组合特征值为从两个以及以上的信号获取的特征值，所述第一生理指标值包括血压值和血糖值。
5.一种生理指标特征值数据处理系统，其特征在于，所述系统包括：
第一获取模块，用于获取从多个测试者得到的多个第一样本集，所述第一样本集包括从测试者的第一采集信号中获取到的第一特征值，以及与所述第一特征值对应的第一生理指标值；
第二获取模块，用于获取第二样本集，所述第二样本集包括从目标测试者的第二采集信号中获取到的第二特征值，以及与所述第二特征值对应的第二生理指标值；
第三获取模块，用于从所有的所述第一样本集中，获取与所述第二样本集之间的距离在预设范围内的多个第一目标样本集，所述第一目标样本集包括第一目标特征值以及与所述第一目标特征值对应的第一目标生理指标值；
模型建立模块，用于以所述第二特征值、所述第二生理指标值、所有的所述第一目标特征值以及与所述第一目标特征值对应的第一目标生理指标值为训练数据，建立针对所述目标测试者的个体模型；
第四获取模块，用于获取所述目标测试者的第三采集信号，并从所述第三采集信号中获取第三特征值；
输入获取模块，用于将所述第三特征值输入至所述个体模型，以获得第三生理指标值；
所述第三获取模块用于采用下式计算所述第一样本集与所述第二样本集之间的距离：
其中，L表示所述第一样本集与所述第二样本集之间的距离，i表示第i个测试者，j表示第j种特征值，Aj表示第j种特征值的加权系数，U1ij表示针对第i个测试者，包含第j种第一特征值的第一样本集，U2j表示包含第j种第二特征值的第二样本集。
6.根据权利要求5所述的生理指标特征值数据处理系统，其特征在于，所述系统还包括：
账号建立模块，用于建立针对所述目标测试者的用户账号；
账号存储模块，用于将所述第二特征值、所述第二生理指标值、所有的所述第一目标特征值、与所述第一目标特征值对应的第一目标生理指标值、以及所述个体模型存储在所述用户账号中。
7.根据权利要求5所述的生理指标特征值数据处理系统，其特征在于，所述第一采集信号包括ECG信号、PPG信号、温湿度信号、低频阻抗信号，采集位置为手指或手腕或胸部。
8.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110703601.9A CN113456033B (zh) | 2021-06-24 | 2021-06-24 | 生理指标特征值数据处理方法、系统及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110703601.9A CN113456033B (zh) | 2021-06-24 | 2021-06-24 | 生理指标特征值数据处理方法、系统及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113456033A CN113456033A (zh) | 2021-10-01 |
| CN113456033B true CN113456033B (zh) | 2023-06-23 |
Family
ID=77872654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110703601.9A Active CN113456033B (zh) | 2021-06-24 | 2021-06-24 | 生理指标特征值数据处理方法、系统及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113456033B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116403718B (zh) * | 2023-06-08 | 2023-09-01 | 中国医学科学院阜外医院 | 生理指征预测模型的构建方法、装置、设备及存储介质 |
| CN116504395B (zh) * | 2023-06-21 | 2023-10-27 | 广东省人民医院 | 一种基于人工智能的骨质疏松预测方法、系统及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106021377A (zh) * | 2016-05-11 | 2016-10-12 | 上海点荣金融信息服务有限责任公司 | 计算机实现的信息处理方法及装置 |
| CN109902577A (zh) * | 2019-01-25 | 2019-06-18 | 华中科技大学 | 一种轻量级手势检测卷积神经网络模型的构建方法及应用 |
| CN109948280A (zh) * | 2019-03-29 | 2019-06-28 | 广州视源电子科技股份有限公司 | 无袖带血压模型生成方法、装置、设备及可读存储介质 |
| CN110060299A (zh) * | 2019-04-18 | 2019-07-26 | 中国测绘科学研究院 | 基于双目视觉技术的输电通道内危险源识别和定位方法 |
| CN110363229A (zh) * | 2019-06-27 | 2019-10-22 | 岭南师范学院 | 一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法 |
| CN111145902A (zh) * | 2019-12-06 | 2020-05-12 | 江苏大学 | 一种基于改进人工神经网络的哮喘病诊断方法 |
| CN111291895A (zh) * | 2020-01-17 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 组合特征评估模型的样本生成和训练方法及装置 |
| CA3079431A1 (en) * | 2019-04-24 | 2020-10-24 | Interaxon Inc. | System and method for brain modelling |
| CN112487278A (zh) * | 2019-09-11 | 2021-03-12 | 华为技术有限公司 | 推荐模型的训练方法、预测选择概率的方法及装置 |
| CN112515645A (zh) * | 2021-02-07 | 2021-03-19 | 江西科莱富健康科技有限公司 | 血压测量数据处理方法、系统及计算机设备 |
| CN112750532A (zh) * | 2019-10-30 | 2021-05-04 | 宏碁股份有限公司 | 特征识别方法与电子装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NZ572036A (en) * | 2008-10-15 | 2010-03-26 | Nikola Kirilov Kasabov | Data analysis and predictive systems and related methodologies |
-
2021
- 2021-06-24 CN CN202110703601.9A patent/CN113456033B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106021377A (zh) * | 2016-05-11 | 2016-10-12 | 上海点荣金融信息服务有限责任公司 | 计算机实现的信息处理方法及装置 |
| CN109902577A (zh) * | 2019-01-25 | 2019-06-18 | 华中科技大学 | 一种轻量级手势检测卷积神经网络模型的构建方法及应用 |
| CN109948280A (zh) * | 2019-03-29 | 2019-06-28 | 广州视源电子科技股份有限公司 | 无袖带血压模型生成方法、装置、设备及可读存储介质 |
| CN110060299A (zh) * | 2019-04-18 | 2019-07-26 | 中国测绘科学研究院 | 基于双目视觉技术的输电通道内危险源识别和定位方法 |
| CA3079431A1 (en) * | 2019-04-24 | 2020-10-24 | Interaxon Inc. | System and method for brain modelling |
| CN110363229A (zh) * | 2019-06-27 | 2019-10-22 | 岭南师范学院 | 一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法 |
| CN112487278A (zh) * | 2019-09-11 | 2021-03-12 | 华为技术有限公司 | 推荐模型的训练方法、预测选择概率的方法及装置 |
| CN112750532A (zh) * | 2019-10-30 | 2021-05-04 | 宏碁股份有限公司 | 特征识别方法与电子装置 |
| CN111145902A (zh) * | 2019-12-06 | 2020-05-12 | 江苏大学 | 一种基于改进人工神经网络的哮喘病诊断方法 |
| CN111291895A (zh) * | 2020-01-17 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 组合特征评估模型的样本生成和训练方法及装置 |
| CN112515645A (zh) * | 2021-02-07 | 2021-03-19 | 江西科莱富健康科技有限公司 | 血压测量数据处理方法、系统及计算机设备 |
Non-Patent Citations (5)
| Title |
|---|
| K近邻分类算法的应用研究;皮亚宸;《通讯世界》;第26卷(第1期);第286-287页 * |
| Multi-modal human action recognition using deep neural networks fusing image and inertial sensor data;Inhwan Hwang等;《2017 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI)》;全文 * |
| Prediction of Physical Load Level by Machine Learning Analysis of Heart Activity after Exercises;Peng Gang等;《2019 IEEE Symposium Series on Computational Intelligence (SSCI)》;全文 * |
| 基于动态自组织映射网的用户兴趣建模方法;吴丽花等;《计算机集成制造系统》(第8期);第1183-1187+1210页 * |
| 基于类决策树分类的特征层融合识别算法;彭刚等;《控制与决策》;第31卷(第6期);第1009-1014页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113456033A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tan et al. | Non-invasive continuous blood pressure measurement based on mean impact value method, BP neural network, and genetic algorithm | |
| CN102488503B (zh) | 连续血压测量装置 | |
| CN102429649B (zh) | 连续血压测量装置 | |
| CN113456033B (zh) | 生理指标特征值数据处理方法、系统及计算机设备 | |
| CN102397064B (zh) | 连续血压测量装置 | |
| CN108665449B (zh) | 预测血流矢量路径上的血流特征的深度学习模型及装置 | |
| TWI500411B (zh) | 脈波與體質健康風險評估系統與方法 | |
| CN107582037A (zh) | 基于脉搏波设计医疗产品的方法 | |
| JP2002523168A (ja) | 胎盤および胎児健康診断用モニター | |
| CN107742151A (zh) | 一种中医脉象的神经网络模型训练方法 | |
| CN113506640B (zh) | 脑灌注状态分类装置、方法、设备及模型训练装置 | |
| CN113133762B (zh) | 一种无创血糖预测方法及装置 | |
| JPH05176932A (ja) | 脳梗塞の診断方法 | |
| Nayeem et al. | Prediction of disease level using multilayer perceptron of artificial neural network for patient monitoring | |
| CN113569984A (zh) | 脑灌注状态分类装置、方法、设备及存储介质 | |
| EP3942567A1 (en) | Population-level gaussian processes for clinical time series forecasting | |
| Ergün et al. | Classification of carotid artery stenosis of patients with diabetes by neural network and logistic regression | |
| CN114533121B (zh) | 脑灌注状态预测装置、方法、设备及模型训练装置 | |
| US8920327B2 (en) | Method for determining cardiac output | |
| CN111370120A (zh) | 一种基于心音信号的心脏舒张功能障碍的检测方法 | |
| US20150133798A1 (en) | Methods for noninvasive intracranial pressure calibration without the need for invasive icp | |
| CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
| CN110598789A (zh) | 一种基于模糊感知器的人体疲劳状态预测方法及系统 | |
| Chen et al. | Generalized regression estimator improved the accuracy rate of estimated dialysis accesses stenotic condition on in-vitro arteriovenous graft experimental model | |
| Shi et al. | Systolic blood pressure measurement algorithm with mmWave radar sensor |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240326 Address after: No.2 303, workshop, no.6352 Pingshan Avenue, Shatian community, Kengzi street, Pingshan District, Shenzhen, Guangdong 518000 Patentee after: SHENZHEN KELAIFU HEALTH TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 330000 station 13a, Taihao iterative space zone, 1st floor, South complex building, 918 torch street, high tech Industrial Development Zone, Nanchang City, Jiangxi Province Patentee before: Jiangxi Kelaifu Health Technology Co.,Ltd. Country or region before: China Patentee before: SHENZHEN KELAIFU HEALTH TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |