CN113876320A - 血红蛋白浓度确定方法、装置、电子设备和存储介质 - Google Patents

血红蛋白浓度确定方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113876320A
CN113876320A CN202111147744.2A CN202111147744A CN113876320A CN 113876320 A CN113876320 A CN 113876320A CN 202111147744 A CN202111147744 A CN 202111147744A CN 113876320 A CN113876320 A CN 113876320A
Authority
CN
China
Prior art keywords
historical
emission
hemoglobin concentration
training
combination
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
Application number
CN202111147744.2A
Other languages
English (en)
Other versions
CN113876320B (zh
Inventor
李雅男
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.)
Tianjin Yongheng Medical Technology Co ltd
Original Assignee
Tianjin Yongheng Medical Technology 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 Tianjin Yongheng Medical Technology Co ltd filed Critical Tianjin Yongheng Medical Technology Co ltd
Priority to CN202111147744.2A priority Critical patent/CN113876320B/zh
Publication of CN113876320A publication Critical patent/CN113876320A/zh
Application granted granted Critical
Publication of CN113876320B publication Critical patent/CN113876320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • A61B5/14546—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 analytes not otherwise provided for, e.g. ions, cytochromes
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请公开了一种血红蛋白浓度确定方法、装置、电子设备和存储介质，该方法包括：获取多个发射光组合，针对每个发射光组合，计算发射光组合中各组子发射光组合的脉搏波特征值；将发射光组合对应的脉搏波特征值输入第一阶段模型中，得到发射光组合对应的第一血红蛋白浓度值；获取发射光组合中各波长的发射光对应的评价特征值；将发射光组合对应的评价特征值输入第二阶段模型中，得到发射光组合对应的评价分数；将各发射光组合对应的第一血红蛋白浓度值，以及与各发射光组合对应的评价分数输入第三阶段模型中，得到第二血红蛋白浓度值。如此解决了相关技术中在血红蛋白的检测过程中，血红蛋白浓度检测不够精确，且模型训练数据较多的问题。

Description

血红蛋白浓度确定方法、装置、电子设备和存储介质
技术领域
本申请属于医疗领域，具体涉及一种血红蛋白浓度确定方法、装置、电子设备和存储介质。
背景技术
血常规是评价身体健康和病人病情变化的最常见检查，其中血红蛋白的浓度是血常规中最重要的评价指标之一。
目前，在对血红蛋白进行检测时，通常是采用无创的方式进行检测，具体的是获取到照射到检测部位的不用波长的光的强度信息，将该信息发送至训练好的神经网络模型中，即可得到血红蛋白的浓度。
发明人发现，由于不同的人，血红蛋白有不同的较高成分，例如感染的病人，高铁血红蛋白比较高，煤气中毒的病人，一氧化碳血红蛋白比较高，若计算不同类型的人的血红蛋白浓度均用一个神经网络模型(该神经网络模型可能仅是利用一类人的血红蛋白数据进行训练得到)，则得到的结果不够精确，若针对不同类型的人均训练一个神经网络模型，则需要大量的训练数据，模型训练的过程比较繁琐。
发明内容
本申请实施例的目的是提供一种血红蛋白浓度确定方法、装置、电子设备和存储介质，能够解决相关技术中，在血红蛋白的检测过程中，血红蛋白浓度检测不够精确，且模型训练数据较多的问题。
第一方面，本申请实施例提供了一种血红蛋白浓度检测方法，该方法包括：
获取至少一个发射光组合，其中，每个所述发射光组合包括至少两个不同波长的发射光；
针对每个所述发射光组合，计算所述发射光组合中至少一组子发射光组合的脉搏波特征值；其中，每个所述子发射光组合为所述发射光组合中每两个波长的发射光所组成的组合；
针对每个所述发射光组合，将所述发射光组合所对应的所述脉搏波特征值输入至预先训练好的第一阶段模型中，得到所述发射光组合所对应的第一血红蛋白浓度值；其中，所述第一阶段模型基于多组第一训练样本训练得到，每组所述第一训练样本包括：至少一个历史发射光组合对应的脉搏波特征值，以及与各所述历史发射光组合对应的历史血红蛋白浓度值；
针对每个所述发射光组合，获取所述发射光组合中各波长的发射光对应的评价特征值；
针对每个所述发射光组合，将所述发射光组合所对应的所述评价特征值输入至预先训练好的第二阶段模型中，得到所述发射光组合所对应的评价分数；其中，所述第二阶段模型基于多组第二训练样本训练得到，每组所述第二训练样本包括：各所述历史发射光组合对应的历史评价特征值，以及与各所述历史发射光组合对应的历史评价分数；
将各所述发射光组合对应的第一血红蛋白浓度值，以及与各所述发射光组合对应的评价分数输入至训练好的第三阶段模型中，得到第二血红蛋白浓度值；其中，所述第三阶段模型基于第三训练样本训练得到，每组所述第三训练样本包括：基于第一阶段模型得到的各所述历史发射光组合所对应的历史第一血红蛋白浓度值、基于第二阶段模型得到的各所述历史发射光组合所对应的历史评价分数和历史血红蛋白浓度值。
第二方面，本申请实施例提供了一种血红蛋白浓度确定装置，该装置包括：
发射光组合获取模块，用于获取至少一个发射光组合，其中，每个所述发射光组合包括至少两个不同波长的发射光；
脉搏波特征值确定模块，用于针对每个所述发射光组合，计算所述发射光组合中至少一组子发射光组合的脉搏波特征值；其中，每个所述子发射光组合为所述发射光组合中每两个波长的发射光所组成的组合；
第一血红蛋白浓度值确定模块，用于针对每个所述发射光组合，将所述发射光组合所对应的所述脉搏波特征值输入至预先训练好的第一阶段模型中，得到所述发射光组合所对应的第一血红蛋白浓度值；其中，所述第一阶段模型基于多组第一训练样本训练得到，每组所述第一训练样本包括：至少一个历史发射光组合对应的脉搏波特征值，以及与各所述历史发射光组合对应的历史血红蛋白浓度值；
评价特征值确定模块，用于针对每个所述发射光组合，获取所述发射光组合中各波长的发射光对应的评价特征值；
评价分数确定模块，用于针对每个所述发射光组合，将所述发射光组合所对应的所述评价特征值输入至预先训练好的第二阶段模型中，得到所述发射光组合所对应的评价分数；其中，所述第二阶段模型基于多组第二训练样本训练得到，每组所述第二训练样本包括：各所述历史发射光组合对应的历史评价特征值，以及与各所述历史发射光组合对应的历史评价分数；
第二血红蛋白浓度值确定模块，用于将各所述发射光组合对应的第一血红蛋白浓度值，以及与各所述发射光组合对应的评价分数输入至训练好的第三阶段模型中，得到第二血红蛋白浓度值；其中，所述第三阶段模型基于第三训练样本训练得到，每组所述第三训练样本包括：基于第一阶段模型得到的各所述历史发射光组合所对应的历史第一血红蛋白浓度值、基于第二阶段模型得到的各所述历史发射光组合所对应的历史评价分数和历史血红蛋白浓度值。
在本申请实施例中，通过获取至少一组发射光组合，利用各组发射光组合训练一个模型的三个阶段，由于不同成分的血红蛋白对不同发射光的吸收程度不同，将各发射光组合所对应的脉搏波特征值输入至第一阶段模型中，可得到根据吸收的各发射光组合的发射光所得到的第一血红蛋白浓度值，然后计算各发射光组合中各波长的发射光对应的评价特征值，各发射光组合所对应的评价特征值输入至第二阶段模型中，可得到各发射光组合对应的评价分数，即可得到各发射光组合对应的第一血红蛋白浓度值的评价分数，然后将各发射光组合对应的第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数输入到第三阶段模型中，可得到第二血红蛋白浓度值。如此，可利用不同类型的人对不同发射光组合的吸收程度，得到对应的第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数，进而可根据第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数，得到第二血红蛋白浓度值，如此，针对不同类型的人均可利用本申请的模型，即可计算出精确的血红蛋白浓度值，无需针对不同类型的人设计不同的模型，减少了模型训练数据的获取，节省了时间，提高了血红蛋白浓度的确定效率，解决现有技术中训练出同样精度模型(或算法)，所需训练数据要求较多的问题。
附图说明
图1是根据一示例性实施例示出的血红蛋白浓度确定方法流程图之一；
图2是根据一示例性实施例示出的血红蛋白浓度确定方法流程图之二；
图3是根据一示例性实施例示出的血红蛋白浓度确定方法流程图之三；
图4是根据一示例性实施例示出的血红蛋白浓度确定方法流程图之四；
图5是根据一示例性实施例示出的血红蛋白浓度确定方法流程图之五；
图6是根据一示例性实施例示出的血红蛋白浓度确定方法流程图之六；
图7是根据一示例性实施例示出的血红蛋白浓度确定方法流程图之七；
图8是根据一示例性实施例示出的血红蛋白浓度确定方法流程图之八；
图9是根据一示例性实施例示出的血红蛋白浓度确定装置的结构框图；
图10是根据本申请实施例提供的一种电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
如背景技术，在现有技术中，由于不同的人，血红蛋白有不同的较高成分，例如感染的病人，高铁血红蛋白比较高，煤气中毒的病人，一氧化碳血红蛋白比较高，若计算不同类型的人的血红蛋白浓度均用一个神经网络模型(该神经网络模型可能仅是利用一类人的血红蛋白数据进行训练得到)，则得到的结果不够精确，若针对不同类型的人均训练一个神经网络模型，则需要大量的训练数据，模型训练的过程比较繁琐。
为了解决上述问题，本申请实施例提供了一种血红蛋白浓度确定方法，通过获取至少一组发射光组合，利用各组发射光组合训练一个模型的三个阶段，由于不同成分的血红蛋白对不同发射光的吸收程度不同，将各发射光组合所对应的脉搏波特征值输入至第一阶段模型中，可得到根据吸收的各发射光组合的发射光所得到的第一血红蛋白浓度值，然后计算各发射光组合中各波长的发射光对应的评价特征值，各发射光组合所对应的评价特征值输入至第二阶段模型中，可得到各发射光组合对应的评价分数，即可得到各发射光组合对应的第一血红蛋白浓度值的评价分数，然后将各发射光组合对应的第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数输入到第三阶段模型中，可得到第二血红蛋白浓度值。如此，可利用不同类型的人对不同发射光组合的吸收程度，得到对应的第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数，进而可根据第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数，得到第二血红蛋白浓度值，如此，针对不同类型的人均可利用本申请的模型，即可计算出精确的血红蛋白浓度值，无需针对不同类型的人设计不同的模型，减少了模型训练数据的获取，节省了时间，提高了血红蛋白浓度的确定效率，解决现有技术中训练出同样精度模型(或算法)，所需训练数据要求较多的问题。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的血红蛋白浓度确定系统进行详细地说明。
下面结合图1来对本申请实施例提供的血红蛋白浓度确定进行详细说明。
图1是根据一示例性实施例示出的一种血红蛋白浓度确定方法的流程图，该血红蛋白浓度确定方法可以包括如下步骤110-步骤160：
步骤110、获取至少一个发射光组合。
其中，每个发射光组合可以包括至少两个不同波长的发射光。
步骤120、针对每个发射光组合，计算发射光组合中至少一组子发射光组合的脉搏波特征值。
其中，每个子发射光组合可以为发射光组合中每两个波长的发射光所组成的组合。
步骤130、针对每个发射光组合，将发射光组合所对应的脉搏波特征值输入至预先训练好的第一阶段模型中，得到发射光组合所对应的第一血红蛋白浓度值。
其中，第一阶段模型可以是基于多组第一训练样本训练得到，每组第一训练样本可以包括：至少一个历史发射光组合对应的脉搏波特征值，以及与各历史发射光组合对应的历史血红蛋白浓度值；
步骤140、针对每个发射光组合，获取发射光组合中各波长的发射光对应的评价特征值。
步骤150、针对每个发射光组合，将发射光组合所对应的评价特征值输入至预先训练好的第二阶段模型中，得到发射光组合所对应的评价分数。
其中，第二阶段模型可以是基于多组第二训练样本训练得到，每组第二训练样本可以包括：各历史发射光组合对应的历史评价特征值，以及与各历史发射光组合对应的历史评价分数。
步骤160、将各发射光组合对应的第一血红蛋白浓度值，以及与各发射光组合对应的评价分数输入至训练好的第三阶段模型中，得到第二血红蛋白浓度值。
其中，第三阶段模型可以是基于第三训练样本训练得到，每组第三训练样本可以包括：基于第一阶段模型得到的各历史发射光组合所对应的历史第一血红蛋白浓度值、基于第二阶段模型得到的各历史发射光组合所对应的历史评价分数和历史血红蛋白浓度值。
在本申请的实施例中，通过获取至少一组发射光组合，利用各组发射光组合训练一个模型的三个阶段，由于不同成分的血红蛋白对不同发射光的吸收程度不同，将各发射光组合所对应的脉搏波特征值输入至第一阶段模型中，可得到根据吸收的各发射光组合的发射光所得到的第一血红蛋白浓度值，然后计算各发射光组合中各波长的发射光对应的评价特征值，各发射光组合所对应的评价特征值输入至第二阶段模型中，可得到各发射光组合对应的评价分数，即可得到各发射光组合对应的第一血红蛋白浓度值的评价分数，然后将各发射光组合对应的第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数输入到第三阶段模型中，可得到第二血红蛋白浓度值。如此，可利用不同类型的人对不同发射光组合的吸收程度，得到对应的第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数，进而可根据第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数，得到第二血红蛋白浓度值，如此，针对不同类型的人均可利用本申请的模型，即可计算出精确的血红蛋白浓度值，无需针对不同类型的人设计不同的模型，减少了模型训练数据的获取，节省了时间，提高了血红蛋白浓度的确定效率，解决现有技术中训练出同样精度模型(或算法)，所需训练数据要求较多的问题。
在介绍本申请实施例提供的血红蛋白浓度确定方法之前，先介绍一下本申请实施例提供的血红蛋白浓度确定方法中所用的模型训练方法：
在本申请的一些实施例中，本申请实施例提供的血红蛋白浓度确定方法中所用的模型可以是神经网络模型，该神经网络模型可以具有三个阶段，分别为第一阶段模型、第二阶段模型和第三阶段模型。
可以理解的是，本申请实施例提供的血红蛋白浓度确定方法中所用的模型为第一阶段模型、第二阶段模型和第三阶段模型这3个子模型所组成的一个大的神经网络模型。
首先介绍第一阶段模型的训练方法。
如图2所示，第一阶段模型的训练方法可以包括如下步骤210-步骤240：
步骤210、获取多个历史发射光数据，以及每个历史发射光数据对应的历史血红蛋白浓度值。
其中，每个历史发射光数据中可以包括至少一个历史发射光组合，每个历史发射光组合可以包括至少两个不同波长的发射光。
步骤220、针对每个历史发射光数据中的每个历史发射光组合，计算历史发射光组合中各历史子发射光组合的历史脉搏波特征值。
其中，每个历史子发射光组合可以为历史发射光组合中每两个波长的发射光所组成的组合。
步骤230、分别将每个历史发射光数据对应的历史脉搏波特征值，以及每个历史发射光数据对应的历史血红蛋白浓度值构建第一训练样本。
步骤240、根据多个第一训练样本，训练第一阶段模型，直至满足第一训练停止条件，得到训练后的第一阶段模型。
在本申请的实施例中，通过训练第一阶段模型，以便基于训练好的第一阶段模型可快速且精确地确定各发射光组合对应的第一血红蛋白浓度值。
下面详细介绍第一阶段模型的训练方法。
首先介绍步骤210，获取多个历史发射光数据，以及每个历史发射光数据对应的历史血红蛋白浓度值。
其中，每个历史发射光数据中可以包括至少一个历史发射光组合，每个历史发射光组合可以包括至少两个不同波长的发射光。
针对每个历史发射光数据，历史血红蛋白浓度值可以是该历史发射光数据所对应的真实的血红蛋白浓度值。
在本申请的一些实施例中，历史发射光数据，以及每个历史发射光数据对应的历史血红蛋白浓度值可以是从存储有发射光数据，以及与该发射光数据对应的血红蛋白浓度值的数据库中获取的，例如可以是从医院的数据库中获取的。
需要说明的是，具体的历史发射光数据，以及每个历史发射光数据对应的历史血红蛋白浓度值的获取方式在此不做限定，只要可获取到历史发射光数据，以及每个历史发射光数据对应的历史血红蛋白浓度值的方式均属于本申请的保护范围之列。
在本申请的一些实施例中，为了更加进一步减少模型训练数据的获取，在步骤210之前，上述涉及的第一阶段神经网络模型的训练方法还可以包括：
获取至少两个不同波长的历史发射光；
将至少两个不同波长的历史发射光中的至少两个波长的历史发射光进行组合，形成至少一个历史发射光组合。
在本申请的一些实施例中，首先获取至少两个波长的历史发射光，将至少两个不同波长的历史发射光中的至少两个波长的历史发射光进行组合，可形成至少一个历史发射光组合。
在一个示例中，获取5个不同波长的历史发射光，例如分别为波长630、660、730、905和1300的历史发射光，将这5个波长的历史发射光中的至少两个波长的历史发射光进行组合，可形成至少一个历史发射光组合，例如，将波长630、660和730进行组合，可形成历史发射光组合630、660和730，再例如，将波长630、660、730、905和1300进行组合，可形成历史发射光组合630、660、730、905和1300。如此，将5个波长的历史发射光中的至少两个波长的历史发射光进行组合，可形成多个历史发射光组合。
然后介绍步骤220，针对每个历史发射光数据中的每个历史发射光组合，计算历史发射光组合中各历史子发射光组合的历史脉搏波特征值。
其中，每个历史子发射光组合可以为历史发射光组合中每两个波长的发射光所组成的组合。
在本申请的一些实施例中，步骤220中计算历史发射光组合中各历史子发射光组合的历史脉搏波特征值，具体可以包括如下步骤2201-步骤2203：
步骤2201、将发射光组合中的各波长的发射光两两组合，形成至少一个历史子发射光组合。
在一个示例中，继续参考上述示例，针对其中一个历史发射光组合630、660和730而言，可以将该历史发射光组合中每两个波长的历史发射光组成组合，形成3个历史子发射光组合，例如，可以是将波长630和660进行组合，形成一个历史子发射光组合，将波长630和730进行组合，形成一个历史子发射光组合，将波长660和730进行组合，形成一个历史子发射光组合，如此，针对历史发射光组合630、660和730而言，可以形成3个历史子发射光组合，分别为(630、660)、(630、730)和(660、730)。
步骤2202、针对每个历史子发射光组合，获取历史子发射光组合中的第一波长的发射光在预设时间段内的第一光平均强度值和在预设时间段内的第一光强度差值，以及历史子发射光组合中的第二波长的发射光在预设时间段内的第二光平均强度值和在预设时间段内的第二光强度差值。
其中，历史子发射光组合中的第一波长的发射光可以是历史子发射光组合中的某一个波长的发射光。
历史子发射光组合中的第二波长的发射光可以是历史子发射光组合中除第一波长的发射光之外的另一个波长的发射光。
在一个示例中，继续参考上述示例，对于某一个历史子发射光组合630和730而言，第一波长的发射光可以是波长630的发射光，第二波长的发射光可以是波长730的发射光。
预设时间段可以是预先设置的时间段，例如可以是一分钟。
第一光平均强度值可以是第一波长的发射光在预设时间段内的光平均强度值。
第一光强度差值可以是第一波长的发射光在预设时间段内的光强度差值。
第二光平均强度值可以是第二波长的发射光在预设时间段内的光平均强度值。
第二光强度差值可以是第二波长的发射光在预设时间段内的光强度差值。
在本申请的一些实施中，某一波长的发射光在预设时间段内的光平均强度值以及光强度差值可以基于接收发射光的接收模组确定，具体的确定方式可以是：
不同波长的发射光照射待检测部位(例如可以是人的手指部分)，经待检测部位吸收后，不被待检测部位吸收的发射光会经待检测部位投射至接收模组中，接收模组接收到不被待检测部位吸收的发射光后，可基于接收到的发射光得到强度信息，得到与强度信息对应的波形图，基于该波形图可确定在预设时间内的光强度差值和光平均强度值。
如图3所示，图3为接收模组接收的光强度信息对应的波形图，基于该波形图可得到在预设时间内的光强度差值和光平均强度值。
其中，光强度差值为在预设时间内光强度信息的峰值与谷值之间的差值，光平均强度值可以是在预设时间内光强度信息对应的平均值。
需要说明的是，如何基于接收模组接收到的发射光的强度信息，得到图3所示的波形图，属于现有技术，在此不做说明。
在本申请实施例中，基于图3中的波形图，可以得到第一光平均强度值、第一光强度差值、第二光平均强度值、第二光强度差值。
步骤2203、针对每个历史子发射光组合，基于第一光平均强度值、第一光强度差值、第二光平均强度值、第二光强度差值，确定历史子发射光组合对应的历史脉搏波特征值。
其中，历史脉搏波特征值可以是基于第一光平均强度值、第一光强度差值、第二光平均强度值、第二光强度差值所得到的脉搏波特征值。
在本申请的一些实施例中，脉搏波特征值可以是用于表征不同波长的发射光对脉搏波的波动的影响的值。
在本申请的一些实施例中，针对每个历史子发射光组合，在得到该历史子发射光组合对应的第一光平均强度值、第一光强度差值、第二光平均强度值、第二光强度差值后，可基于预设计算方式得到历史子发射光组合对应的脉搏波特征值。具体的可以是根据两个波长下光电容积脉搏波在脉搏搏动周期内光强的最大值和最小值计算得到的，即根据各波长的发射光对应的图3中的波形图中的最大值和最小值计算得到的。
在本申请的一些实施例中，针对每个历史子发射光组合，具体的可以是通过如下公式(1)得到该历史子发射光组合对应的脉搏波特征值。
Rλ1/λ2＝(ACλ1/DCλ1)/(ACλ2/DCλ2) (1)；
其中，Rλ1/λ2为历史子发射光组合对应的脉搏波特征值，ACλ1为第一光强度差；DCλ1为第一光平均强度值；ACλ2为第二光强度差；DCλ2为第二光平均强度值。
在本申请的实施例中，通过将发射光组合中的各波长的发射光两两组合，形成至少一个历史子发射光组合，针对每个历史子发射光组合，获取历史子发射光组合中的第一波长的发射光在预设时间段内的第一光平均强度值和在预设时间段内的第一光强度差值，以及历史子发射光组合中的第二波长的发射光在预设时间段内的第二光平均强度值和在预设时间段内的第二光强度差值，针对每个历史子发射光组合，基于第一光平均强度值、第一光强度差值、第二光平均强度值、第二光强度差值，确定历史子发射光组合对应的脉搏波特征值，如此，可以得到各历史子发射光组合对应的精确的历史脉搏波特征值。
然后介绍步骤230，分别将每个历史发射光数据对应的历史脉搏波特征值，以及每个历史发射光数据对应的历史血红蛋白浓度值构建第一训练样本。
其中，第一训练样本可以是用于训练第一阶段模型的训练样本。
最后介绍步骤240，根据多个第一训练样本，训练第一阶段模型，直至满足第一训练停止条件，得到训练后的第一阶段模型。
其中，第一训练停止条件可以是第一阶段模型训练可以停止的条件。
在一个示例中，第一训练停止条件可以是第一阶段模型的损失函数小于某一阈值，还可以是迭代训练第一阶段模型的次数达到预设次数，具体的第一训练停止条件可以根据用户需求自行设置，这里不做限定。
在本申请的一些实施例中，利用多个第一训练样本，训练第一阶段模型，直至满足第一训练停止条件，得到训练后的第一阶段模型。
在本申请的一些实施例中，步骤240可以具体包括：
针对每个所述第一训练样本，执行如下步骤2401-步骤2403：
步骤2401、将第一训练样本输入至预设的第一阶段模型中，得到与第一训练样本中历史发射光数据对应的历史第一预测血红蛋白浓度值。
其中，历史第一预设血红蛋白浓度值可以是将第一训练样本输入至第一阶段模型后，得到的血红蛋白浓度值。
在本申请的一些实施例中，在利用第一训练样本对第一阶段模型进行训练时，可以是以第一训练样本中历史发射光数据对应的历史血红蛋白浓度为训练目标进行训练。
在一个示例中，针对每个第一训练样本而言，例如针对一个历史发射光数据而言，该历史发射光数据具有(630、660和730)、(630、660和905)和(630、660、730和905)这3个历史发射光组合，该历史发射光数据对应的历史血红蛋白浓度值为A。计算出每个历史发射光组合中各历史子发射光组合的脉搏波特征值，将每个历史发射光组合对应的脉搏波特征值输入到第一阶段模型中，得到各历史发射光组合对应的预测血红蛋白浓度值。
需要说明的是，在第一阶段模型中还可以具有与历史发射光组合的数量对应的子模型，每个子模型分别接收一个历史发射光组合对应的脉搏波特征值，基于该脉搏波特征值，得到该历史发射光组合对应的预测血红蛋白浓度值。例如，某一个历史发射光数据具有(630、660和730)、(630、660和905)和(630、660、730和905)这3个历史发射光组合，针对每个历史发射光组合，均有对应的一个子模型，例如针对历史发射光组合(630、660和730)而言，其历史子发射光组合有(630、660)、(630、730)和(660、730)，计算得到这3个历史子发射光组合的脉搏波特征值：R(630、660)、R(630、730)和R(660、730)，将这3个脉搏波特征值输入到第一阶段模型中的一个子模型中，得到与历史发射光组合(630、660和730)对应的预测血红蛋白浓度值。
在本申请的一些实施例中，在得到各历史发射光组合对应的预测血红蛋白浓度值后，可对各历史发射光组合对应的预测血红蛋白浓度值进行计算，得到该历史发射光数据对应的预测血红蛋白浓度值(即第一预测血红蛋白浓度值)。
在本申请的一些实施例中，对各历史发射光组合对应的预测血红蛋白浓度值进行计算，得到该历史发射光数据对应的预测血红蛋白浓度值(即第一预测血红蛋白浓度值)，具体的可以是对各历史发射光组合对应的预测血红蛋白浓度值进行平均值计算，也可以是对各历史发射光组合对应的预测血红蛋白浓度值进行加权计算，得到该历史发射光数据对应的预测血红蛋白浓度值(即第一预测血红蛋白浓度值)，具体如何对各历史发射光组合对应的预测血红蛋白浓度值进行计算，得到该历史发射光数据对应的预测血红蛋白浓度值(即第一预测血红蛋白浓度值)，可根据用户需求自行设置，在此不做限定。
步骤2402、根据各个第一训练样本的历史第一预测血红蛋白浓度值和历史血红蛋白浓度值，确定第一阶段模型的第一损失函数值。
其中，第一损失函数值可以是第一阶段模型的损失函数值。
在本申请得到一些实施例中，如图4所示，以多组历史发射光数据对应的历史血红蛋白浓度值为训练目标，在得到多组历史发射光数据对应第一预测血红蛋白浓度值后，可利用该多组历史发射光数据对应的历史血红蛋白浓度值对该多组历史发射光数据对应的第一预测血红蛋白浓度值进行拟合，得到第一阶段模型中的各子模型的损失函数值，根据第一阶段模型中的各子模型的损失函数值，可得到第一阶段模型的损失函数值(即第一损失函数值)。
步骤2403、在第一损失函数值不满足第一训练停止条件的情况下，调整第一阶段模型的模型参数，并利用第一训练样本训练参数调整后的第一阶段模型，直至满足第一训练停止条件，得到训练后的第一阶段模型。
在本申请的实施例中，经过上述对第一阶段模型的训练，可得到训练后的第一阶段模型，以基于该训练后的第一阶段模型可快速得到精确的第一预测血红蛋白浓度值。
接着介绍第二阶段模型的训练方法。
如图5所示，第二阶段模型的训练方法可以包括如下步骤510-步骤540：
步骤510、针对每个历史发射光数据中的每个历史发射光组合，计算历史发射光组合中各波长的发射光对应的历史评价特征值。
步骤520、针对每个历史发射光数据，基于历史发射光数据对应的历史血红蛋白浓度值和历史第一预测血红蛋白浓度值，确定历史发射光数据中的每个历史发射光组合对应的历史评价分数。
步骤530、分别将每个历史发射光数据对应的历史评价特征值，以及每个历史发射光数据对应的历史评价分数构建第二训练样本。
步骤540、根据多个第二训练样本，训练第二阶段模型，直至满足第二训练停止条件，得到训练后的第二阶段模型。
在本申请的一些实施例中，通过对第二阶段模型进行训练，得到训练后的第二阶段模型，可基于训练后的第二阶段模型快速得到各第一预测血红蛋白浓度对应的评价分数。
下面详细介绍第二阶段模型的训练方法。
首先介绍步骤510，针对每个历史发射光数据中的每个历史发射光组合，计算历史发射光组合中各波长的发射光对应的历史评价特征值。
其中，历史评价特征值可以是历史发射光组合中各波长的发射光对应的评价特征值。
在本申请的一些实施例中，步骤510中所述计算历史发射光组合中各波长的发射光对应的历史评价特征值，具体可以包括：
步骤5101、获取在预设时间段内接收的历史发射光组合中的各波长的发射光的光强度信息，确定历史发射光组合中不同波长的发射光对应的第三光平均强度值和第三光强度差值。
其中，第三光平均强度值可以是历史发射光组合中不同波长的发射光对应的光平均强度值。
第三光强度差值可以是历史发射光组合中不同波长的发射光对应的光平均强度值。
在本申请的一些实施例中，第三光平均强度值和第三光强度差值的获取与上述的第一光平均强度值和第一光强度差值(或第二光平均强度值和第二光强度差值)的获取方式一样，在此不再赘述。
步骤5102、基于第三光平均强度值和第三光强度差值，确定历史发射光组合中不同波长的发射光对应的血流灌注指数。
其中，血流灌注指数可以是基于第三光平均强度值和第三光强度差值，所得到的历史发射光组合中不同波长的发射光对应血流灌注指数。
在本申请的一些实施例中，血流灌注指数可以是用于表征血流灌注的强弱的值。
在本申请的一些实施例中，针对历史发射光组合中不同波长的发射光，基于历史发射光组合中不同波长的发射光的第三光平均强度值和第三光强度差值，可具体基于如下公式(2)得到血流灌注指数：
PI＝AC/DC (2)；
其中，PI是血流灌注指数；AC是第三光强度差值；DC是第三光平均强度值。
步骤5103、将第三光平均强度值、第三光强度差值和血流灌注指数，确定为历史发射光组合中各波长的发射光对应的历史评价特征值。
在本申请的一些实施例中，在确定了第三光平均强度值、第三光强度差值和血流灌注指数后，可将第三光平均强度值、第三光强度差值和血流灌注指数，确定为历史发射光组合中各波长的发射光对应的历史评价特征值。
在一个示例中，某一个历史发射光数据具有(630、660和730)、(630、660和905)和(630、660、730和905)这3个历史发射光组合，针对每个历史发射光组合，可计算每个历史发射光组合中的各波长的发射光对应的评价特征值(即历史评价特征值)，例如，针对历史发射光组合(630、660和730)而言，可以基于获取各波长的发射光对应的评价特征值，即PI(630)、PI(660)和PI(730)、RMS(DC630)、RMS(DC660)和RMS(DC730)、RMS(AC630)、RMS(DC660)和RMS(AC730)。
接着介绍步骤520，针对每个历史发射光数据，基于历史发射光数据对应的历史血红蛋白浓度值和历史第一预测血红蛋白浓度值，确定历史发射光数据中的每个历史发射光组合对应的历史评价分数。
其中，历史评价分数可以对历史发射光数据中的每个历史发射光组合对应的评价分数。
在本申请的一些实施例中，某一历史发射光组合对应的历史评价分数可以是用于表征该历史发射光组合所得到的预测血红蛋白浓度值在各历史发射光组合所得到的预测血红蛋白浓度值中所占的比重。
在本申请的一些实施例中，所述基于历史发射光数据对应的历史血红蛋白浓度值和历史第一预测血红蛋白浓度值，确定历史发射光数据中的每个历史发射光组合对应的历史评价分数，具体可以是：
对于每个历史发射光数据中的每个历史发射光组合，基于历史发射光组合对应的历史第一子预测血红蛋白浓度值和历史血红蛋白浓度值，确定历史发射光数据中的每个历史发射光组合对应的历史评价分数。
其中，历史第一子预测血红蛋白浓度值可以为历史发射光数据中各历史发射光组合对应的预测血红蛋白浓度值，即为第一预测模型中各子模型得到各历史发射光组合所对应的预测血红蛋白浓度值。
在本申请的一些实施例中，在基于第一预测模型中各子模型得到各历史发射光组合所对应的预测血红蛋白浓度值后，利用各历史发射光组合对应的历史第一子预测血红蛋白浓度值和历史血红蛋白浓度值，确定各历史发射光组合对应的评价分数(即历史评价分数)。
在本申请的一些实施例中，针对任一历史发射光组合，利用该历史发射光组合对应的历史第一子预测血红蛋白浓度值和历史血红蛋白浓度值，确定该历史发射光组合对应的评价分数(即历史评价分数)，具体的可以是基于如下公式(3)确定：
Z＝(X-Y)/Y (3)；
其中，Z为历史评价分数；X为基于历史第一子预测血红蛋白浓度值；Y为历史血红蛋白浓度值。
在一个示例中，某一个历史发射光数据具有(630、660和730)、(630、660和905)和(630、660、730和905)这3个历史发射光组合，该历史发射光数据的历史血红蛋白浓度值为A，若针对历史发射光组合(630、660和730)而言，基于第一阶段模型中的第一个子模型所得到的预测血红蛋白浓度值(即历史第一子预测血红蛋白浓度值)为B，若针对历史发射光组合(630、660和905)而言，基于第一阶段模型中的第二个子模型所得到的预测血红蛋白浓度值(即历史第一子预测血红蛋白浓度值)为C，若针对历史发射光组合(630、660、730和905)而言，基于第一阶段模型中的第三个子模型所得到的预测血红蛋白浓度值(即历史第一子预测血红蛋白浓度值)为D，则(B-A)/A即为历史发射光组合(630、660和730)的历史评价分数，(C-A)/A即为历史发射光组合(630、660和905)的历史评价分数，(D-A)/A即为历史发射光组合(630、660、730和905)的历史评价分数。
然后介绍步骤530，分别将每个历史发射光数据对应的历史评价特征值，以及每个历史发射光数据对应的历史评价分数构建第二训练样本。
其中，第二训练样本可以是第二阶段模型的训练样本。
最后介绍步骤540，根据多个第二训练样本，训练第二阶段模型，直至满足第二训练停止条件，得到训练后的第二阶段模型。
其中，第二训练停止条件可以是第二阶段模型训练停止的条件。
在本申请的一些实施例中，第二训练停止条件可以是第二阶段模型的损失函数小于某一阈值，还可以是迭代训练第二阶段模型的次数达到预设次数，具体的第二训练停止条件可以根据用户需求自行设置，这里不做限定。
在本申请的一些实施例中，步骤540具体可以包括：
针对每个第二训练样本，执行如下步骤5401-步骤5403：
步骤5401、将第二训练样本输入至预设的第二阶段模型中，得到与第二训练样本中历史发光数据对应的历史预测评价分数。
其中，历史预测评价分数可以是将第二训练样本输入至第二阶段模型中后，得到的历史发光数据对应的评价分数。
在本申请的一些实施例中，在第二阶段模型中也可以具有与历史发射光组合的数量对应的子模型，每个子模型针对一个历史发射光组合，即第二阶段模型中的各子模型与第一阶段模型中的各子模型一一对应。
在本申请的一些实施例中，对于第二阶段模型中的各子模型可以是以与各历史发射光组合对应的历史评价分数为训练目标进行训练。
在本申请的一些实施例中，针对任一历史发射光数据中的各历史发射光组合而言，可以是将各历史发射光组合对应的历史评价特征值输入至各子模型中，得到与各历史发射光组合对应的历史预测评价分数。
在一个示例中，针对每个第二训练样本而言，例如针对一个历史发射光数据Q而言，该历史发射光数据Q具有(630、660和730)、(630、660和905)和(630、660、730和905)这3个历史发射光组合，以上述3个历史发射光组合中的任一一个历史发射光组合为例，例如针对历史发射光组合(630、660和730)而言，将该历史发射光组合(630、660和730)对应的历史评价特征值PI(630)、PI(660)和PI(730)、RMS(DC630)、RMS(DC660)和RMS(DC730)、RMS(AC630)、RMS(DC660)和RMS(AC730)输入至第二阶段模型中的某一子模型中，基于该子模型，可得到该历史发射光组合(630、660和730)对应的历史预测评价分数。如此，(630、660和730)、(630、660和905)和(630、660、730和905)这3个历史发射光组合可得到3个历史预测评价分数P1、P2和P3，这3个历史预测评价分数P1、P2和P3即为历史发射光数据Q对应的预测评价分数。
步骤5402、根据各个第二训练样本的历史预测评价分数和历史评价分数，确定第二阶段模型的第二损失函数值。
其中，第二损失函数值可以是第二阶段模型对应的损失函数值。
在本申请的一些实施例中，如图6所示，可以以各历史发射光组合对应的历史评价分数作为训练目标，在得到各历史发射光组合对应的历史预测评价分数后，可利用该多组历史发射光组合对应的历史评价分数对各历史发射光组合对应的历史预测评价分数进行拟合，得到第二阶段模型中的各子模型的损失函数值。根据第二阶段模型中的各子模型的损失函数值可得到第二阶段模型的损失函数值(即第二损失函数值)。
步骤5403、在第二损失函数值不满足第二训练停止条件的情况下，调整第二阶段模型的模型参数，并利用第二训练样本训练参数调整后的第二阶段模型，直至满足第二训练停止条件，得到训练后的第二阶段模型。
在本申请的实施例中，经过上述对第二阶段模型的训练，可得到训练后的第二阶段模型，以基于该训练后的第二阶段模型可快速得到精确的评价分数。
最后介绍第三阶段模型的训练方法。
如图7所示，第三阶段模型的训练方法可以包括如下步骤1010-步骤730：
步骤1010、针对每个历史发射光数据中的每个历史发射光组合，获取与历史发射光组合对应的历史第一预测血红蛋白浓度值，以及与历史发射光组合对应的历史预测评价分数。
步骤720、分别将每个历史发射光数据对应的历史第一预测血红蛋白浓度值、历史预测评价分数和历史血红血红蛋白浓度值构建第三训练样本。
步骤730、根据多个第三训练样本，训练第三阶段模型，直至满足第三训练停止条件，得到训练后的第三阶段模型。
在本申请的一些实施例中，通过对第三阶段模型进行训练，得到训练后的第三阶段模型，可基于训练后的第三阶段模型快速得到最后的血红蛋白浓度值。
下面详细介绍第二阶段模型的训练方法。
首先介绍步骤1010，针对每个历史发射光数据中的每个历史发射光组合，获取与历史发射光组合对应的历史第一预测血红蛋白浓度值，以及与历史发射光组合对应的历史预测评价分数。
在本申请的一些实施例中，针对每个历史发射光数据而言，从第一阶段模型中的各子模型中获取该历史发射光数据中的各历史发射光组合对应的历史第一预测血红蛋白浓度值，从第二阶段中的各子模型中获取该历史发射光数据中的各历史发射光组合对应的历史预测评价分数。
然后介绍步骤720，分别将每个历史发射光数据对应的历史第一预测血红蛋白浓度值、历史预测评价分数和历史血红血红蛋白浓度值构建第三训练样本。
其中，第三训练样本可以是第三阶段模型对应的训练样本。
在本申请的一些实施例中，针对每个历史发射光数据而言，从第一阶段模型中的各子模型中获取该历史发射光数据中的各历史发射光组合对应的历史第一预测血红蛋白浓度值，从第二阶段中的各子模型中获取该历史发射光数据中的各历史发射光组合对应的历史预测评价分数之后，将从第一阶段模型中的各子模型中获取该历史发射光数据中的各历史发射光组合对应的历史第一预测血红蛋白浓度值作为该历史发射光数据对应的历史第一预测血红蛋白浓度值，将从第二阶段中的各子模型中获取该历史发射光数据中的各历史发射光组合对应的历史预测评价分数作为该历史发射光数据对应的历史预测评价分数。然后将每个历史发射光数据对应的历史第一预测血红蛋白浓度值、历史预测评价分数和历史血红血红蛋白浓度值构建第三训练样本。
最后介绍步骤730，根据多个第三训练样本，训练第三阶段模型，直至满足第三训练停止条件，得到训练后的第三阶段模型。
其中，第三训练停止条件可以是第三阶段模型停止训练的条件。
在本申请的一些实施例中，第三训练停止条件可以是第三阶段模型的损失函数小于某一阈值，还可以是迭代训练第三阶段模型的次数达到预设次数，具体的第三训练停止条件可以根据用户需求自行设置，这里不做限定。
在本申请的一些实施例中，步骤730具体可以包括：
针对每个所述第三训练样本，执行如下步骤7301-步骤7303：
步骤7301、将第三训练样本输入至预设的第三阶段模型中，得到与第三训练样本中历史发光数据对应的历史第二预测血红蛋白浓度值。
其中，历史第二预测血红蛋白浓度值可以是将第三训练样本输入至第三阶段模型中后，得到的与第三训练样本中历史发光数据对应的预测血红蛋白浓度值。
在本申请的一些实施例中，针对每个历史发射光数据而言，在从第一阶段模型中的各子模型中获取该历史发射光数据中的各历史发射光组合对应的历史第一预测血红蛋白浓度值，从第二阶段中的各子模型中获取该历史发射光数据中的各历史发射光组合对应的历史预测评价分数之后，将其输入至第三阶段模型中，由于第一阶段模型中的一个子模型对应与第二阶段模型中的一个子模型，即第一阶段模型中的各子模型与第二阶段模型中的各子模型一一对应，然后分别对应于一个历史发射光组合，第三阶段模型可基于各历史发射光组合对应的历史第一预测血红蛋白浓度值和历史预测评价分数，得到包含该各历史发射光组合的历史发射光数据的预测血红蛋白浓度值(即历史第二预测血红蛋白浓度值)。
在一个示例中，针对每个第二训练样本而言，例如针对一个历史发射光数据Q而言，该历史发射光数据Q具有(630、660和730)、(630、660和905)和(630、660、730和905)这3个历史发射光组合，若历史发射光组合(630、660和730)对应的历史第一预测血红蛋白浓度值为E，该历史发射光组合(630、660和730)对应的历史预测评价分数为P1；历史发射光组合(630、660和905)对应的历史第一预测血红蛋白浓度值为F，该历史发射光组合(630、660和905)对应的历史预测评价分数为P2；历史发射光组合(630、660、730和905)对应的历史第一预测血红蛋白浓度值为G，该历史发射光组合(630、660、730和905)对应的历史预测评价分数为P3；则根据E、P1、F、P2、G、P3得到历史发射光数据Q的预测血红蛋白浓度值(即历史第二预测血红蛋白浓度值)，具体的可以是基于E*P1+F*P2+G*P3得到历史第二预测血红蛋白浓度值。
步骤7302、根据各个第三训练样本的历史第二预测血红蛋白浓度值和历史血红蛋白浓度值，确定第三阶段模型的第三损失函数值。
其中，第三损失函数值可以是滴三阶段模型的损失函数值。
在本申请的一些实施例中，如图8所示，可以以各历史发射光数据对应的历史血红蛋白浓度值为训练目标，在各历史发射光数据对应的历史第二预测血红蛋白浓度值后，可利用各历史发射光数据对应的历史血红蛋白浓度值对各历史发射光数据对应的历史第二预测血红蛋白浓度值进行拟合，得到第三阶段模型的第三损失函数值。
步骤7303、在第三损失函数值不满足第三训练停止条件的情况下，调整第三阶段模型的模型参数，并利用第三训练样本训练参数调整后的第三阶段模型，直至满足第三训练停止条件，得到训练后的第三阶段模型。
在本申请的实施例中，经过上述对第三阶段模型的训练，可得到训练后的第三阶段模型，以基于该训练后的第三阶段模型可快速得到精确的第二血红蛋白浓度值。
在本申请的一些实施例中，在对血红蛋白检测模型的第一阶段模型、第二阶段模型和第三阶段模型训练完成后，可基于包含第一阶段模型、第二阶段模型和第三阶段模型的血红蛋白检测模型进行使用，以基于该血红蛋白检测模型快速得到不同类型的人的精确的血红蛋白浓度值。
在本申请的一些实施例中，第二阶段模型和第三阶段模型的使用方法可以是如图1中的步骤110-步骤160所示。
下面对本申请实施例提供的血红蛋白浓度确定方法进行详细介绍。
首先介绍步骤110，获取至少一个发射光组合。
其中，每个发射光组合可以包括至少两个不同波长的发射光。
在本申请的一些实施例中，各发射光组合的获取方式可以是与历史发射光组合的获取方式一致，在此不再赘述。
然后介绍步骤120，针对每个发射光组合，计算发射光组合中至少一组子发射光组合的脉搏波特征值。
其中，每个子发射光组合可以为发射光组合中每两个波长的发射光所组成的组合。
脉搏波特征值与历史脉搏波特征值所表征的意思一致，其获取方式也与历史脉搏波特征值的获取方式一致，在此不再赘述。
在本申请的一些实施例中，各子发射光组合的获取方式与历史子发射光组合的获取方式一致，在此不再赘述。
在本申请的一些实施例中，针对每个发射光组合，计算发射光组合中至少一组子发射光组合的脉搏波特征值的方式与针对每个历史发射光组合，计算历史发射光组合中至少一组历史子发射光组合的历史脉搏波特征值的方式一致，在此不再赘述。
然后介绍步骤130，针对每个发射光组合，将发射光组合所对应的脉搏波特征值输入至预先训练好的第一阶段模型中，得到发射光组合所对应的第一血红蛋白浓度值。
在本申请的一些实施例中，第一血红蛋白浓度值的意思与历史第一预测血红蛋白浓度值的含义相同，其获取方式也与历史第一预测血红蛋白浓度值的获取方式一致，在此不再赘述。
然后介绍步骤140，针对每个发射光组合，获取发射光组合中各波长的发射光对应的评价特征值。
在本申请的一些实施例中，评价特征值的含义与历史评价特征值的含义一致，其获取方式也与历史评价特征值的获取方式一致，在此不再赘述。
然后介绍步骤150，针对每个发射光组合，将发射光组合所对应的评价特征值输入至预先训练好的第二阶段模型中，得到发射光组合所对应的评价分数。
在本申请的一些实施例中，评价分数与历史评价分数的含义一致，其获取方式也与历史评价分数的获取方式一致，在此不再赘述。
步骤160、将各发射光组合对应的第一血红蛋白浓度值，以及与各发射光组合对应的评价分数输入至训练好的第三阶段模型中，得到第二血红蛋白浓度值。
在本申请的一些实施例中，第二血红蛋白浓度值的含义与历史第二预测血红蛋白浓度值的含义一致，其获取方式也与该历史第二预测血红蛋白浓度值的获取方式一致，在此不再赘述。
在本申请的实施例中，通过获取至少一组发射光组合，利用各组发射光组合训练一个模型的三个阶段，由于不同成分的血红蛋白对不同发射光的吸收程度不同，将各发射光组合所对应的脉搏波特征值输入至第一阶段模型中，可得到根据吸收的各发射光组合的发射光所得到的第一血红蛋白浓度值，然后计算各发射光组合中各波长的发射光对应的评价特征值，各发射光组合所对应的评价特征值输入至第二阶段模型中，可得到各发射光组合对应的评价分数，即可得到各发射光组合对应的第一血红蛋白浓度值的评价分数，然后将各发射光组合对应的第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数输入到第三阶段模型中，可得到第二血红蛋白浓度值。如此，可利用不同类型的人对不同发射光组合的吸收程度，得到对应的第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数，进而可根据第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数，得到第二血红蛋白浓度值，如此，针对不同类型的人均可利用本申请的模型，即可计算出精确的血红蛋白浓度值，无需针对不同类型的人设计不同的模型，减少了模型训练数据的获取，节省了时间，提高了血红蛋白浓度的确定效率，解决现有技术中训练出同样精度模型(或算法)，所需训练数据要求较多的问题。
需要说明的是，本申请实施例提供的血红蛋白浓度确定方法，执行主体可以为血红蛋白浓度确定装置，或者该血红蛋白浓度确定装置中的用于执行血红蛋白浓度确定方法的控制模块。本申请实施例中以血红蛋白浓度确定装置执行血红蛋白浓度确定方法为例，说明本申请实施例提供的血红蛋白浓度确定装置。
图9是根据一示例性实施例示出的一种血红蛋白浓度确定装置的结构框架图，如图9所示，该血红蛋白浓度确定装置可以包括：
发射光组合获取模块910，用于获取至少一个发射光组合，其中，每个所述发射光组合包括至少两个不同波长的发射光；
脉搏波特征值确定模块920，用于针对每个所述发射光组合，计算所述发射光组合中至少一组子发射光组合的脉搏波特征值；其中，每个所述子发射光组合为所述发射光组合中每两个波长的发射光所组成的组合；
第一血红蛋白浓度值确定模块930，用于针对每个所述发射光组合，将所述发射光组合所对应的所述脉搏波特征值输入至预先训练好的第一阶段模型中，得到所述发射光组合所对应的第一血红蛋白浓度值；其中，所述第一阶段模型基于多组第一训练样本训练得到，每组所述第一训练样本包括：至少一个历史发射光组合对应的脉搏波特征值，以及与各所述历史发射光组合对应的历史血红蛋白浓度值；
评价特征值确定模块940，用于针对每个所述发射光组合，获取所述发射光组合中各波长的发射光对应的评价特征值；
评价分数确定模块950，用于针对每个所述发射光组合，将所述发射光组合所对应的所述评价特征值输入至预先训练好的第二阶段模型中，得到所述发射光组合所对应的评价分数；其中，所述第二阶段模型基于多组第二训练样本训练得到，每组所述第二训练样本包括：各所述历史发射光组合对应的历史评价特征值，以及与各所述历史发射光组合对应的历史评价分数；
第二血红蛋白浓度值确定模块960，用于将各所述发射光组合对应的第一血红蛋白浓度值，以及与各所述发射光组合对应的评价分数输入至训练好的第三阶段模型中，得到第二血红蛋白浓度值；其中，所述第三阶段模型基于第三训练样本训练得到，每组所述第三训练样本包括：基于第一阶段模型得到的各所述历史发射光组合所对应的历史第一血红蛋白浓度值、基于第二阶段模型得到的各所述历史发射光组合所对应的历史评价分数和历史血红蛋白浓度值。
在本申请的实施例中，通过发射光组合获取模块获取至少一组发射光组合，利用各组发射光组合训练一个模型的三个阶段，由于不同成分的血红蛋白对不同发射光的吸收程度不同，利用脉搏波特征值确定模块获取各发射光组合所对应的脉搏波特征值，利用第一血红蛋白浓度值确定模块将各发射光组合所对应的脉搏波特征值输入至第一阶段模型中，可得到根据吸收的各发射光组合的发射光所得到的第一血红蛋白浓度值，然后基于评价特征值确定模块计算各发射光组合中各波长的发射光对应的评价特征值，基于评价分数确定模块将各发射光组合所对应的评价特征值输入至第二阶段模型中，可得到各发射光组合对应的评价分数，即可得到各发射光组合对应的第一血红蛋白浓度值的评价分数，然后基于第二血红蛋白浓度值确定模块将各发射光组合对应的第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数输入到第三阶段模型中，可得到第二血红蛋白浓度值。如此，可利用不同类型的人对不同发射光组合的吸收程度，得到对应的第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数，进而可根据第一血红蛋白浓度值，以及与该第一血红蛋白浓度值对应的评价分数，得到第二血红蛋白浓度值，如此，针对不同类型的人均可利用本申请的模型，即可计算出精确的血红蛋白浓度值，无需针对不同类型的人设计不同的模型，减少了模型训练数据的获取，节省了时间，提高了血红蛋白浓度的确定效率，解决现有技术中训练出同样精度模型(或算法)，所需训练数据要求较多的问题。
在本申请的一些实施例中，该装置还可以包括：
历史数据获取模块，用于获取多个历史发射光数据，以及每个所述历史发射光数据对应的历史血红蛋白浓度值；其中，每个所述历史发射光数据中包括至少一个历史发射光组合，其中，每个所述历史发射光组合包括至少两个不同波长的发射光；
历史脉搏波特征值确定模块，用于针对每个所述历史发射光数据中的每个所述历史发射光组合，计算所述历史发射光组合中各历史子发射光组合的历史脉搏波特征值；其中，每个所述历史子发射光组合为所述历史发射光组合中每两个波长的发射光所组成的组合；
第一训练样本构建模块，用于分别将每个所述历史发射光数据对应的历史脉搏波特征值，以及每个所述历史发射光数据对应的历史血红蛋白浓度值构建第一训练样本；
第一阶段模型训练模块，用于根据多个第一训练样本，训练所述第一阶段模型，直至满足第一训练停止条件，得到训练后的第一阶段模型。
在本申请的一些实施例中，所述第一阶段模型训练模块具体用于：
针对每个所述第一训练样本，执行如下步骤：
将所述第一训练样本输入至预设的第一阶段模型中，得到与所述第一训练样本中所述历史发射光数据对应的历史第一预测血红蛋白浓度值；
根据各个所述第一训练样本的历史第一预测血红蛋白浓度值和所述历史血红蛋白浓度值，确定所述第一阶段模型的第一损失函数值；
在所述第一损失函数值不满足第一训练停止条件的情况下，调整所述第一阶段模型的模型参数，并利用所述第一训练样本训练参数调整后的第一阶段模型，直至满足所述第一训练停止条件，得到训练后的所述第一阶段模型。
在本申请的一些实施例中，所述历史脉搏波特征值确定模块具体用于：
针对每个所述历史发射光数据中的每个所述历史发射光组合，将所述发射光组合中的各波长的发射光两两组合，形成至少一个历史子发射光组合；
针对每个所述历史子发射光组合，获取所述历史子发射光组合中的第一波长的发射光在预设时间段内的第一光平均强度值和在所述预设时间段内的第一光强度差值，以及所述历史子发射光组合中的第二波长的发射光在预设时间段内的第二光平均强度值和在所述预设时间段内的第二光强度差值；
针对每个所述历史子发射光组合，基于所述第一光平均强度值、所述第一光强度差值、所述第二光平均强度值、所述第二光强度差值，确定所述历史子发射光组合对应的历史脉搏波特征值。
在本申请的一些实施例中，该装置还包括：
历史评价特征值获取模块，用于针对每个所述历史发射光数据中的每个所述历史发射光组合，计算所述历史发射光组合中各波长的发射光对应的历史评价特征值；
历史评价分数获取模块，用于针对每个所述历史发射光数据，基于所述历史发射光组合对应的历史血红蛋白浓度值和历史第一预测血红蛋白浓度值，确定所述历史发射光数据对应的历史评价分数；
第二训练样本构建模块，用于分别将每个所述历史发射光数据对应的历史评价特征值，以及每个所述历史发射光数据对应的历史评价分数构建第二训练样本；
第二阶段模型训练模块，用于根据多个第二训练样本，训练所述第二阶段模型，直至满足第二训练停止条件，得到训练后的第二阶段模型。
在本申请的一些实施例中，所述第二阶段模型训练模块具体用于：
针对每个所述第二训练样本，执行如下步骤：
将所述第二训练样本输入至预设的第二阶段模型中，得到与所述第二训练样本中所述历史发光数据对应的历史预测评价分数；
根据各个所述第二训练样本的历史预测评价分数和所述历史评价分数，确定所述第二阶段模型的第二损失函数值；
在所述第二损失函数值不满足第二训练停止条件的情况下，调整所述第二阶段模型的模型参数，并利用所述第二训练样本训练参数调整后的第二阶段模型，直至满足所述第二训练停止条件，得到训练后的所述第二阶段模型。
在本申请的一些实施例中，所述历史评价特征值具体用于：
获取在所述预设时间段内接收的所述历史发射光组合中的各波长的发射光的光强度信息，确定所述历史发射光组合中不同波长的发射光对应的第三光平均强度值和第三光强度差值；
基于所述第三光平均强度值和第三光强度差值，确定所述历史发射光组合中不同波长的发射光对应的血流灌注指数；
将所述第三光平均强度值、第三光强度差值和所述血流灌注指数，确定为所述历史发射光组合中各波长的发射光对应的历史评价特征值。
在本申请的一些实施例中，所述装置还包括：
历史预测评价分数获取模块，用于针对每个所述历史发射光数据中的每个所述历史发射光组合，获取与所述历史发射光组合对应的历史第一预测血红蛋白浓度值，以及与所述历史发射光组合对应的历史预测评价分数；
第三训练样本构建模块，用于分别将每个所述历史发射光数据对应的历史第一预测血红蛋白浓度值、历史预测评价分数和历史血红血红蛋白浓度值构建第三训练样本；
第三阶段模型训练模块，用于根据多个第三训练样本，训练所述第三阶段模型，直至满足第三训练停止条件，得到训练后的第三阶段模型。
在本申请的一些实施例中，所述第三阶段模型具体用于：
针对每个所述第三训练样本，执行如下步骤：
将所述第三训练样本输入至预设的第三阶段模型中，得到与所述第三训练样本中所述历史发光数据对应的历史第二预测血红蛋白浓度值；
根据各个所述第三训练样本的历史第二预测血红蛋白浓度值和所述历史血红蛋白浓度值，确定所述第三阶段模型的第三损失函数值；
在所述第三损失函数值不满足第三训练停止条件的情况下，调整所述第三阶段模型的模型参数，并利用所述第三训练样本训练参数调整后的第三阶段模型，直至满足所述第三训练停止条件，得到训练后的所述第三阶段模型。
本申请实施例提供的血红蛋白浓度确定装置，可以用于执行上述各方法实施例提供的血红蛋白浓度确定方法，其实现原理和技术效果类似，为简介起见，在此不再赘述。
基于同一发明构思，本申请实施例还提供了一种电子设备。
图10是本申请实施例提供的一种电子设备的结构示意图。如图10所示，电子设备可以包括处理器1001以及存储有计算机程序或指令的存储器1002。
具体地，上述处理器1001可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器1002可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器1002可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器1002可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器1002可在综合网关容灾设备的内部或外部。在特定实施例中，存储器1002是非易失性固态存储器。在特定实施例中，存储器1002包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器1001通过读取并执行存储器1002中存储的计算机程序指令，以实现上述实施例中的任意一种血红蛋白浓度确定方法。
在一个示例中，电子设备还可包括通信接口1003和总线1010。其中，如图10示，处理器1001、存储器1002、通信接口1003通过总线1010连接并完成相互间的通信。
通信接口1003，主要用于实现本发明实施例中各模块、设备、单元和/或设备之间的通信。
总线1010包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1010可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该电子设备可以执行本发明实施例中的血红蛋白浓度确定方法，从而实现图1-图8任一描述的血红蛋白浓度确定方法。
另外，结合上述实施例中的血红蛋白浓度确定方法，本发明实施例可提供一种可读存储介质来实现。该可读存储介质上存储有程序指令；该程序指令被处理器执行时实现上述实施例中的任意一种血红蛋白浓度确定方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (12)

1.一种血红蛋白浓度确定方法，其特征在于，包括：
获取至少一个发射光组合，其中，每个所述发射光组合包括至少两个不同波长的发射光；
针对每个所述发射光组合，计算所述发射光组合中至少一组子发射光组合的脉搏波特征值；其中，每个所述子发射光组合为所述发射光组合中每两个波长的发射光所组成的组合；
针对每个所述发射光组合，将所述发射光组合所对应的所述脉搏波特征值输入至预先训练好的第一阶段模型中，得到所述发射光组合所对应的第一血红蛋白浓度值；其中，所述第一阶段模型基于多组第一训练样本训练得到，每组所述第一训练样本包括：至少一个历史发射光组合对应的脉搏波特征值，以及与各所述历史发射光组合对应的历史血红蛋白浓度值；
针对每个所述发射光组合，获取所述发射光组合中各波长的发射光对应的评价特征值；
针对每个所述发射光组合，将所述发射光组合所对应的所述评价特征值输入至预先训练好的第二阶段模型中，得到所述发射光组合所对应的评价分数；其中，所述第二阶段模型基于多组第二训练样本训练得到，每组所述第二训练样本包括：各所述历史发射光组合对应的历史评价特征值，以及与各所述历史发射光组合对应的历史评价分数；
将各所述发射光组合对应的第一血红蛋白浓度值，以及与各所述发射光组合对应的评价分数输入至训练好的第三阶段模型中，得到第二血红蛋白浓度值；其中，所述第三阶段模型基于第三训练样本训练得到，每组所述第三训练样本包括：基于第一阶段模型得到的各所述历史发射光组合所对应的历史第一血红蛋白浓度值、基于第二阶段模型得到的各所述历史发射光组合所对应的历史评价分数和历史血红蛋白浓度值。
2.根据权利要求1所述的方法，其特征在于，在所述获取至少一个发射光组合之前，所述方法还包括：
获取多个历史发射光数据，以及每个所述历史发射光数据对应的历史血红蛋白浓度值；其中，每个所述历史发射光数据中包括至少一个历史发射光组合，其中，每个所述历史发射光组合包括至少两个不同波长的发射光；
针对每个所述历史发射光数据中的每个所述历史发射光组合，计算所述历史发射光组合中各历史子发射光组合的历史脉搏波特征值；其中，每个所述历史子发射光组合为所述历史发射光组合中每两个波长的发射光所组成的组合；
分别将每个所述历史发射光数据对应的历史脉搏波特征值，以及每个所述历史发射光数据对应的历史血红蛋白浓度值构建第一训练样本；
根据多个第一训练样本，训练所述第一阶段模型，直至满足第一训练停止条件，得到训练后的第一阶段模型。
3.根据权利要求2所述的方法，其特征在于，所述根据多个第一训练样本，训练所述第一阶段模型，直至满足第一训练停止条件，得到训练后的第一阶段模型，包括：
针对每个所述第一训练样本，执行如下步骤：
将所述第一训练样本输入至预设的第一阶段模型中，得到与所述第一训练样本中所述历史发射光数据对应的历史第一预测血红蛋白浓度值；
根据各个所述第一训练样本的历史第一预测血红蛋白浓度值和所述历史血红蛋白浓度值，确定所述第一阶段模型的第一损失函数值；
在所述第一损失函数值不满足第一训练停止条件的情况下，调整所述第一阶段模型的模型参数，并利用所述第一训练样本训练参数调整后的第一阶段模型，直至满足所述第一训练停止条件，得到训练后的所述第一阶段模型。
4.根据权利要求2所述的方法，其特征在于，所述计算所述历史发射光组合中各历史子发射光组合的历史脉搏波特征值，包括：
将所述发射光组合中的各波长的发射光两两组合，形成至少一个历史子发射光组合；
针对每个所述历史子发射光组合，获取所述历史子发射光组合中的第一波长的发射光在预设时间段内的第一光平均强度值和在所述预设时间段内的第一光强度差值，以及所述历史子发射光组合中的第二波长的发射光在预设时间段内的第二光平均强度值和在所述预设时间段内的第二光强度差值；
针对每个所述历史子发射光组合，基于所述第一光平均强度值、所述第一光强度差值、所述第二光平均强度值、所述第二光强度差值，确定所述历史子发射光组合对应的历史脉搏波特征值。
5.根据权利要求4所述的方法，其特征在于，在所述得到训练后的第一阶段模型之后，所述方法还包括：
针对每个所述历史发射光数据中的每个所述历史发射光组合，计算所述历史发射光组合中各波长的发射光对应的历史评价特征值；
针对每个所述历史发射光数据，基于所述历史发射光组合对应的历史血红蛋白浓度值和历史第一预测血红蛋白浓度值，确定所述历史发射光数据对应的历史评价分数；
分别将每个所述历史发射光数据对应的历史评价特征值，以及每个所述历史发射光数据对应的历史评价分数构建第二训练样本；
根据多个第二训练样本，训练所述第二阶段模型，直至满足第二训练停止条件，得到训练后的第二阶段模型。
6.根据权利要求5所述的方法，其特征在于，所述根据多个第二训练样本，训练所述第二阶段模型，直至满足第二训练停止条件，得到训练后的第二阶段模型，包括：
针对每个所述第二训练样本，执行如下步骤：
将所述第二训练样本输入至预设的第二阶段模型中，得到与所述第二训练样本中所述历史发光数据对应的历史预测评价分数；
根据各个所述第二训练样本的历史预测评价分数和所述历史评价分数，确定所述第二阶段模型的第二损失函数值；
在所述第二损失函数值不满足第二训练停止条件的情况下，调整所述第二阶段模型的模型参数，并利用所述第二训练样本训练参数调整后的第二阶段模型，直至满足所述第二训练停止条件，得到训练后的所述第二阶段模型。
7.根据权利要求5所述的方法，其特征在于，所述计算所述历史发射光组合中各波长的发射光对应的历史评价特征值，包括：
获取在所述预设时间段内接收的所述历史发射光组合中的各波长的发射光的光强度信息，确定所述历史发射光组合中不同波长的发射光对应的第三光平均强度值和第三光强度差值；
基于所述第三光平均强度值和第三光强度差值，确定所述历史发射光组合中不同波长的发射光对应的血流灌注指数；
将所述第三光平均强度值、第三光强度差值和所述血流灌注指数，确定为所述历史发射光组合中各波长的发射光对应的历史评价特征值。
8.根据权利要求5所述的方法，其特征在于，在所述得到训练后的第二阶段模型之后，所述方法还包括：
针对每个所述历史发射光数据中的每个所述历史发射光组合，获取与所述历史发射光组合对应的历史第一预测血红蛋白浓度值，以及与所述历史发射光组合对应的历史预测评价分数；
分别将每个所述历史发射光数据对应的历史第一预测血红蛋白浓度值、历史预测评价分数和历史血红血红蛋白浓度值构建第三训练样本；
根据多个第三训练样本，训练所述第三阶段模型，直至满足第三训练停止条件，得到训练后的第三阶段模型。
9.根据权利要求8所述的方法，其特征在于，所述根据多个第三训练样本，训练所述第三阶段模型，直至满足第三训练停止条件，得到训练后的第三阶段模型，包括：
针对每个所述第三训练样本，执行如下步骤：
将所述第三训练样本输入至预设的第三阶段模型中，得到与所述第三训练样本中所述历史发光数据对应的历史第二预测血红蛋白浓度值；
根据各个所述第三训练样本的历史第二预测血红蛋白浓度值和所述历史血红蛋白浓度值，确定所述第三阶段模型的第三损失函数值；
在所述第三损失函数值不满足第三训练停止条件的情况下，调整所述第三阶段模型的模型参数，并利用所述第三训练样本训练参数调整后的第三阶段模型，直至满足所述第三训练停止条件，得到训练后的所述第三阶段模型。
10.一种血红蛋白浓度确定装置，其特征在于，包括：
发射光组合获取模块，用于获取至少一个发射光组合，其中，每个所述发射光组合包括至少两个不同波长的发射光；
脉搏波特征值确定模块，用于针对每个所述发射光组合，计算所述发射光组合中至少一组子发射光组合的脉搏波特征值；其中，每个所述子发射光组合为所述发射光组合中每两个波长的发射光所组成的组合；
第一血红蛋白浓度值确定模块，用于针对每个所述发射光组合，将所述发射光组合所对应的所述脉搏波特征值输入至预先训练好的第一阶段模型中，得到所述发射光组合所对应的第一血红蛋白浓度值；其中，所述第一阶段模型基于多组第一训练样本训练得到，每组所述第一训练样本包括：至少一个历史发射光组合对应的脉搏波特征值，以及与各所述历史发射光组合对应的历史血红蛋白浓度值；
评价特征值确定模块，用于针对每个所述发射光组合，获取所述发射光组合中各波长的发射光对应的评价特征值；
评价分数确定模块，用于针对每个所述发射光组合，将所述发射光组合所对应的所述评价特征值输入至预先训练好的第二阶段模型中，得到所述发射光组合所对应的评价分数；其中，所述第二阶段模型基于多组第二训练样本训练得到，每组所述第二训练样本包括：各所述历史发射光组合对应的历史评价特征值，以及与各所述历史发射光组合对应的历史评价分数；
第二血红蛋白浓度值确定模块，用于将各所述发射光组合对应的第一血红蛋白浓度值，以及与各所述发射光组合对应的评价分数输入至训练好的第三阶段模型中，得到第二血红蛋白浓度值；其中，所述第三阶段模型基于第三训练样本训练得到，每组所述第三训练样本包括：基于第一阶段模型得到的各所述历史发射光组合所对应的历史第一血红蛋白浓度值、基于第二阶段模型得到的各所述历史发射光组合所对应的历史评价分数和历史血红蛋白浓度值。
11.一种电子设备，其特征在于，包括：其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-9任一所述的血红蛋白浓度确定方法的步骤。
12.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-9任一所述的血红蛋白浓度确定方法的步骤。
CN202111147744.2A 2021-09-29 2021-09-29 血红蛋白浓度确定方法、装置、电子设备和存储介质 Active CN113876320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111147744.2A CN113876320B (zh) 2021-09-29 2021-09-29 血红蛋白浓度确定方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111147744.2A CN113876320B (zh) 2021-09-29 2021-09-29 血红蛋白浓度确定方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113876320A true CN113876320A (zh) 2022-01-04
CN113876320B CN113876320B (zh) 2024-06-25

Family

ID=79007685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111147744.2A Active CN113876320B (zh) 2021-09-29 2021-09-29 血红蛋白浓度确定方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113876320B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115944293A (zh) * 2023-03-15 2023-04-11 汶上县人民医院 一种基于神经网络的肾脏透析用血红蛋白水平预测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005096951A1 (ja) * 2004-04-09 2005-10-20 Hitachi Medical Corporation 生体光計測装置
WO2007144977A1 (ja) * 2006-06-15 2007-12-21 Hitachi Medical Corporation 生体光計測装置
US20200121257A1 (en) * 2017-06-20 2020-04-23 Sidney Soong-Ling CHAN Method and system for monitoring a diabetes treatment plan
US20210007648A1 (en) * 2018-03-05 2021-01-14 Marquette University Method and Apparatus for Non-Invasive Hemoglobin Level Prediction
CN112233721A (zh) * 2020-09-30 2021-01-15 吾征智能技术(北京)有限公司 一种基于血红蛋白浓度分析预测系统及其设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005096951A1 (ja) * 2004-04-09 2005-10-20 Hitachi Medical Corporation 生体光計測装置
WO2007144977A1 (ja) * 2006-06-15 2007-12-21 Hitachi Medical Corporation 生体光計測装置
US20200121257A1 (en) * 2017-06-20 2020-04-23 Sidney Soong-Ling CHAN Method and system for monitoring a diabetes treatment plan
US20210007648A1 (en) * 2018-03-05 2021-01-14 Marquette University Method and Apparatus for Non-Invasive Hemoglobin Level Prediction
CN112233721A (zh) * 2020-09-30 2021-01-15 吾征智能技术(北京)有限公司 一种基于血红蛋白浓度分析预测系统及其设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘瑾;蔡子晋;张紫杨;孙迪;王文;: "光电容积脉搏波无创测量人体血液成分的评估", 光学精密工程, no. 06, 15 June 2016 (2016-06-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115944293A (zh) * 2023-03-15 2023-04-11 汶上县人民医院 一种基于神经网络的肾脏透析用血红蛋白水平预测系统
CN115944293B (zh) * 2023-03-15 2023-05-16 汶上县人民医院 一种基于神经网络的肾脏透析用血红蛋白水平预测系统

Also Published As

Publication number Publication date
CN113876320B (zh) 2024-06-25

Similar Documents

Publication Publication Date Title
Johnson et al. Patient specific predictions in the intensive care unit using a Bayesian ensemble
CN113876320B (zh) 血红蛋白浓度确定方法、装置、电子设备和存储介质
CN113705092B (zh) 基于机器学习的疾病预测方法及装置
CN109067800A (zh) 一种固件漏洞的跨平台关联检测方法
CN109864737A (zh) 一种心电信号中p波识别方法和系统
CN113593714A (zh) 一种多分类新冠肺炎病例的检测方法、系统、设备及介质
CN113128585B (zh) 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法
CN117598700B (zh) 智能化血氧饱和度检测系统及方法
TWI740647B (zh) 疾病分類方法及疾病分類裝置
CN108492886B (zh) 微创手术相似病案推荐方法、装置、设备及介质
CN111785366A (zh) 患者治疗方案的确定方法、装置及计算机设备
CN113688710A (zh) 儿童孤独症训练系统及其方法
CN108377508B (zh) 基于测量报告数据的用户感知分类方法和装置
CN114403904A (zh) 基于肌电信号与肌肉血氧饱和度确定肌肉状态的装置
CN113397563A (zh) 抑郁分类模型的训练方法、装置、终端及介质
CN116186561B (zh) 基于高维时序图网络的跑步姿势识别纠正方法及系统
CN113242213A (zh) 一种电力通信骨干网节点脆弱性诊断方法
CN112036328A (zh) 银行客户满意度计算方法及装置
CN107392074A (zh) 提升rfid读写器接收灵敏度的方法及装置
CN116798604A (zh) 基于多源数据的发热呼吸道症候群监测预警方法及系统
TWI792333B (zh) 低血壓的預測處理方法與系統
CN112259244B (zh) 一种基于血氧饱和度的疾病信息匹配系统
CN114677227A (zh) 风险投资模型构建方法、装置、设备、介质和程序产品
CN113808755A (zh) 感染人群预测模型训练的方法、预测的方法、装置、设备
CN106502893A (zh) 一种对软件功能进行测试的方法及装置

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