CN115137323A - 高血压风险检测方法及相关装置 - Google Patents
高血压风险检测方法及相关装置 Download PDFInfo
- Publication number
- CN115137323A CN115137323A CN202110344922.4A CN202110344922A CN115137323A CN 115137323 A CN115137323 A CN 115137323A CN 202110344922 A CN202110344922 A CN 202110344922A CN 115137323 A CN115137323 A CN 115137323A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- user
- electronic device
- ppg signal
- model
- 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.)
- Pending
Links
- 206010020772 Hypertension Diseases 0.000 title claims abstract description 203
- 238000001514 detection method Methods 0.000 title claims abstract description 112
- 230000036772 blood pressure Effects 0.000 claims abstract description 514
- 238000013186 photoplethysmography Methods 0.000 claims abstract description 399
- 238000000034 method Methods 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims description 143
- 230000035488 systolic blood pressure Effects 0.000 claims description 19
- 230000035487 diastolic blood pressure Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 abstract description 19
- 238000004891 communication Methods 0.000 description 41
- 230000004044 response Effects 0.000 description 20
- 238000005259 measurement Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000007726 management method Methods 0.000 description 12
- 210000000988 bone and bone Anatomy 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 11
- 210000004204 blood vessel Anatomy 0.000 description 10
- 210000004369 blood Anatomy 0.000 description 9
- 239000008280 blood Substances 0.000 description 9
- 238000010295 mobile communication Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 8
- 208000001953 Hypotension Diseases 0.000 description 6
- 208000012866 low blood pressure Diseases 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000001631 hypertensive effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 2
- 238000010009 beating Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 210000002414 leg Anatomy 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
本申请提供一种高血压风险检测方法及相关装置。在该方法中,电子设备中存储有模型库。该模型库中包括多个血压模型。电子设备可以采集用户的光电容积脉搏波PPG信号,并利用该PPG信号从模型库中选取与该用户适配的血压模型。电子设备可以利用选取出的血压模型来检测用户高血压风险的高低程度。上述方法可以减少不同用户身体情况不同以及同一用户身体情况发生变化对检测结果的影响,并且简化用户在检测高血压风险的高低程度时对电子设备的校准操作,提高用户进行高血压风险检测的便捷性。
Description
技术领域
本申请涉及终端技术领域,尤其涉及高血压风险检测方法及相关装置。
背景技术
血压是血液循环对身体动脉壁的压力,是反映人体心血管能力的重要数据。血压可包括收缩压和舒张压。其中,收缩压可显示心脏收缩或跳动时的血管压力。舒张压可显示心脏在两次跳动之间舒张时的血管压力。收缩压和/或舒张压过高,可诊断为高血压。大多数高血压患者可能并没有警示信号或症状而意识不到自己患有高血压。因而定期检测血压有利于用户了解身体状况,减少高血压带来的风险。
目前,一些电子设备(如手表)可以通过检测用户的光电容积脉搏波(photoplethysmography,PPG)信号,来检测血压。PPG信号包含了大量生理信息。PPG信号的波形、周期、峰值等特征与心血管状态、动脉硬化程度、心率等信息密切相关。电子设备可以建立关于PPG信号和血压的模型,利用从PPG信号中提取的特征进行高血压风险检测。
但不同的用户身体情况是不一样的,用户在初次使用上述心率检测方法来检测心率时,需要对上述模型进行校准。并且,同一个用户的身体情况会随时间发生变化(如血管弹性会随时间变化),用户在使用上述心率检测方法来检测心率时,需要经常对上述模型进行校准。上述校准的方法通常需要用户利用更为专业的高血压风险检测设备或者去医院检测得到准确度较高的血压。校准的过程比较麻烦。
发明内容
本申请提供了高血压风险检测方法及相关装置。电子设备中存储有多个血压模型。电子设备可以获取用户的PPG信号,并利用该PPG信号从多个血压模型中选取与用户适配的血压模型。电子设备可以利用被选取出的血压模型来检测用户高血压风险的高低程度。上述方法可以减少不同用户身体情况不同以及同一用户身体情况发生变化对检测结果的影响,并且简化用户在检测高血压风险的高低程度时对电子设备的校准操作,提高用户进行高血压风险检测的便捷性。
本申请提供一种高血压风险检测风险检测方法。该方法为:获取第一用户的第一PPG信号。为第一用户从p个血压模型中选取出q个血压模型。上述p个血压模型由p组训练样本训练得到。上述p个血压模型中一个血压模型由p组训练样本中的一组训练样本训练得到。一组训练样本包括一个用户的多个PPG信号的特征、采集PPG信号时这一个用户高血压风险的高低程度。得到上述一组训练样本的多个PPG信号可以是在第一时间段内采集到的。p为正整数。q为小于或等于p的正整数。利用q个血压模型和第一PPG信号可以确定第一用户高血压风险的高低程度。
由上述方法可知,电子设备可以从上述p个血压模型中选取出不同用户适配的血压模型,减少不同用户身体情况不同对检测结果的影响。另外,由于用户的身体情况可能发生变化,电子设备可以定期或者不定期更新用于检测用户高血压风险的高低程度的血压模型。其中,电子设备可以根据当前采集的用户的PPG信号从上述多个血压模型中选取出一个或多个血压模型。这一个或多个血压模型与当前身体情况下的用户最为适配。这样可以减少用户的身体情况发生变化对检测结果的影响,提高检测用户高血压风险的高低程度的准确率。并且,上述高血压风险检测方法可以简化用户在检测用户高血压风险的高低程度时对电子设备的校准操作,提高用户进行高血压风险检测的便捷性。
在一些实施例中,当获取了PPG信号(如第一PPG信号),可以对PPG信号进行预处理(如滤波等等)。进一步的,可以对经过预处理的PPG信号进行特征提取,得到PPG信号的特征。例如,PPG信号的特征可以包括心跳间隔RRI的均值、RRI的中位数、RRI的最小值、心跳间隔变动系数CVRR、正常心跳间隔的标准差SDNN、PPG信号主峰波峰值、PPG信号上升时间间隔、PPG信号下降时间间隔等等。
结合第一方面,在一些实施例中,为第一用户从p个血压模型中选取出q个血压模型的方法可以为:获取第一用户的第二PPG信号,并利用第二PPG信号从p个血压模型中选取出q个血压模型。其中,q个血压模型由p组训练样本中的q组训练样本训练得到。q组训练样本的PPG信号的特征是p组训练样本中与第二PPG信号的特征差距最小的。
结合第一方面,在一些实施例中,为第一用户从p个血压模型中选取出q个血压模型的方法可以为:获取第一用户的生理特征信息。生理特征信息可包括以下一项或多项:年龄、性别、身高、体重。利用第一用户的生理特征信息从p个血压模型中选取出上述q个血压模型。其中,q个血压模型由p组训练样本中的q组训练样本训练得到。q组训练样本的PPG信号所属用户的生理特征信息与第一用户的生理特征信息属于相同的取值范围。
其中,p组训练样本中每一组训练样本的PPG信号所属用户的生理特征信息对应有各自的取值范围。例如第一取值范围:性别为女性、年龄为20~30岁,身高为150~170厘米,体重为40~60kg。若上述第一用户的性别为女性、年龄为20岁、身高为160厘米、体重为50千克,则第一用户的生理特征信息属于上述第一取值范围。在p组训练样本中可以选取PPG信号所属用户的生理特征信息属于上述第一取值范围的训练样本。被选取出来的训练样本所训练的血压模型即为与第一用户适配的血压模型。
结合第一方面,在一些实施例中,为第一用户从p个血压模型中选取出q个血压模型的方法可以为:获取第一用户的生理特征信息。生理特征信息包括以下一项或多项:年龄、性别、身高、体重。利用第一用户的生理特征信息从p个血压模型中选取出w个血压模型。其中,w个血压模型由p组训练样本中的w组训练样本训练得到。w组训练样本的PPG信号所属用户的生理特征信息与第一用户的生理特征信息属于相同的取值范围。w为小于或等于p且大于或等于q的正整数。获取第一用户的第二PPG信号,并利用第二PPG信号从w个血压模型中选取出q个血压模型。其中,q个血压模型由w组训练样本中的q组训练样本训练得到,q组训练样本的PPG信号的特征是w组训练样本中与第二PPG信号的特征差距最小的。
不同性别、不同年龄、不同身高、不同体重的人所适配的血压模型是不同的。通常的,年龄越大,高血压风险的值往往也越大。处于同一阶层年龄的用户,所适配的血压模型可能的相近的。先根据生理特征信息来选取与该用户适配的血压模型,再利用PPG信号的特征进一步选取血压模型,可以提高选取与用户适配的血压模型的效率。
在一些实施例中,上述第一PPG信号可以是在检测高血压风险的高低程度时采集的。示例性的,响应于作用在图3A所示的开始测量控件212的用户操作,或者响应于作用在图3D所示的开始测量控件232的用户操作,电子设备可以采集PPG信号,得到上述第一PPG信号。上述第二PPG信号可以是在选取与第一用户适配的血压模型时采集的。示例性的,在定期或不定期自动更新血压模型时,或者响应于用于更新血压模型的用户操作(如作用在图3A所示的模型更新控件213的用户操作或者作用在图3D所示的模型更新控件233的用户操作),电子设备可以采集PPG信号,得到上述第二PPG信号。
上述第一PPG信号和上述第二PPG信号可以是同一个PPG信号。示例性的,与第一用户适配的血压模型还未确定,响应于用于测量高血压风险的高低程度的用户操作(如作用在图3A所示的开始测量控件212的用户操作,或者作用在图3D所示的开始测量控件232的用户操作),电子设备可以采集PPG信号。该PPG信号既可用于选取与第一用户适配的血压模型,也可用于检测第一用户的高血压风险的高低程度。
结合第一方面,得到一组训练样本的多个PPG信号是在第一时间段内采集到的。上述第一时间段的时间长度可以例如是一周、一个月。在上述第一时间段内,人的身体情况一般没有特别大的变化。上述第一时间段内采集的多个PPG信号可以反映人在第一时间段内的身体情况。利用上述一组训练样本训练得到的一个血压模型可以比较准确地检测在对应身体情况下的用户高血压风险的高低程度。
结合第一方面,上述第一PPG信号采集的时间和上述第二PPG信号采集的时间之间的时间间隔不超过第二时间段的时间长度。上述第二时间段的时间长度可以例如是一周、一个月。上述第一PPG信号可用于确定用户高血压风险的高低程度。上述第二PPG信号可用于选取与用户适配的血压模型。与用户适配的血压模型可以定期或不定期被更新,或者响应于用于更新血压模型的用户操作被更新。连续两次更新血压模型之间的时间段即为上述第二时间段。在连续两次更新血压模型之间的时间段内,可以利用前一次更新血压模型时被选取的血压模型来检测用户高血压风险的高低程度。
结合第一方面,在获取所述第一用户的第二PPG信号之前,接收到第一用户操作。上述第一用户操作时指示选取血压模型的用户操作。
结合第一方面,采集一个PPG信号时被测量者高血压风险的高低程度可以为采集这一个PPG信号时被测量者的收缩压高于140mmHg的概率。或者,采集一个PPG信号时被测量者高血压风险的高低程度可以为采集这一个PPG信号时被测量者的舒张压高于90mmHg的概率。
结合第一方面,在一些实施例中,上述p个血压模型包含于模型库中。模型库中还可以包含更多的血压模型。可选的,上述模型库可以被更新。经过更新之后的模型库中可以包含更多的血压模型。利用更新后的模型库,可以为更多不同身体情况的用户选取适配的血压模型。
第二方面,本申请提供一种高血压风险检测系统,该系统可包括第一电子设备和第二电子设备。其中,第二电子设备可用于为第一用户从p个血压模型中选取出q个血压模型,并将q个血压模型发送给第一电子设备。p个血压模型由p组训练样本训练得到,p个血压模型中一个血压模型由一组训练样本训练得到。一组训练样本包括一个用户的多个PPG信号的特征、采集PPG信号时这一个用户高血压风险的高低程度。得到一组训练样本的多个PPG信号是在第一时间段内采集到的。p为正整数,q为小于或等于p的正整数。第一电子设备可用于采集第一用户的第一PPG信号,并利用q个血压模型和第一PPG信号确定第一用户高血压风险的高低程度。
结合第二方面,在一些实施例中,上述第一电子设备可以手表、手环等可穿戴设备。上述第二电子设备可以是手机、平板电脑等电子设备。在另一些实施例中,上述第一电子设备可以手表、手环等可穿戴设备。上述第二电子设备可以是云服务器。在另一些实施例中,上述第一电子设备可以是手机、平板电脑等电子设备。上述第二电子设备可以是云服务器。本申请实施例对第一电子设备和第二电子设备的具体类型不作限定。
由上述系统可知,第二电子设备可以从多个血压模型中选取与用户适配的血压模型。第一电子设备可以利用选取出来的血压模型确定该用户高血压风险的高低程度。这可以减少不同用户身体情况不同对检测结果的影响。另外,第一电子设备可以更新用于检测用户高血压风险的高低程度的血压模型。更新后的血压模型与当前身体情况下的用户最为适配。这不仅可以减少用户的身体情况发生变化对检测结果的影响,提高检测用户高血压风险的高低程度的准确率,而且可以简化用户在检测用户高血压风险的高低程度时对电子设备的校准操作,提高用户进行高血压风险检测的便捷性。
结合第二方面,在一些实施例中,第一电子设备还可用于采集第一用户的第二PPG信号,并将第二PPG信号发送给第二电子设备。第二电子设备可用于利用第二PPG信号从p个血压模型中选取出q个血压模型。其中,q个血压模型由p组训练样本中的q组训练样本训练得到。q组训练样本的PPG信号的特征是p组训练样本中与第二PPG信号的特征差距最小的。
结合第二方面,在一些实施例中,第二电子设备还可用于获取第一用户的生理特征信息,并利用生理特征信息从p个血压模型中选取出q个血压模型。生理特征信息可包括以下一项或多项:年龄、性别、身高、体重。q个血压模型由p组训练样本中的q组训练样本训练得到,q组训练样本的PPG信号所属用户的生理特征信息与第一用户的生理特征信息属于相同的取值范围。
结合第二方面,在一些实施例中,第二电子设备还可用于获取第一用户的生理特征信息,并利用生理特征信息从p个血压模型中选取出w个血压模型。生理特征信息可包括以下一项或多项:年龄、性别、身高、体重。w个血压模型由p组训练样本中的w组训练样本训练得到。w组训练样本的PPG信号所属用户的生理特征信息与第一用户的生理特征信息属于相同的取值范围;w为小于或等于p且大于或等于q的正整数。第一电子设备还可用于采集第一用户的第二PPG信号,并将第二PPG信号发送给第二电子设备。第二电子设备还可用于利用第二PPG信号从w个血压模型中选取出q个血压模型。其中,q个血压模型由w组训练样本中的q组训练样本训练得到,q组训练样本的PPG信号的特征是w组训练样本中与第二PPG信号的特征差距最小的。
结合第二方面,在一些实施例中,上述第一PPG信号采集的时间和上述第二PPG信号采集的时间之间的时间间隔不超过第二时间段的时间长度。
结合第二方面,在一些实施例中,在采集第一用户的第二PPG信号之前,第一电子设备还可用于接收第一用户操作。第一用户操作用于指示第一电子设备采集第二PPG信号,并向第二电子设备发送第二PPG信号以及获取血压模型的请求。
结合第二方面,在一些实施例中,在采集第一用户的第二PPG信号之前,第一电子设备还可用于接收来自第二电子设备获取PPG信号的请求,获取PPG信号的请求是第二电子设备接收到第二用户操作之后发送的,第二用户操作可用于指示第二电子设备选取血压模型。
第三方面,本申请提供一种电子设备。电子设备可包括PPG信号采集装置、存储器和处理器,其中,PPG信号采集装置用于采集PPG信号。存储器用于存储存储计算机程序。处理器用于调用计算机程序,使得电子设备执行如第一方面中任一项可能的实现方法。
第四方面,本申请实施例提供一种芯片,该芯片应用于电子设备,该芯片包括一个或多个处理器,该处理器用于调用计算机指令以使得该电子设备执行如第一方面中任一可能的实现方法。
第五方面,本申请实施例提供一种包含指令的计算机程序产品,当上述计算机程序产品在设备上运行时,使得上述电子设备执行如第一方面中任一可能的实现方法。
第六方面,本申请实施例提供一种计算机存储介质,包括计算机指令,当上述计算机指令在电子设备上运行时,使得上述电子设备执行如第一方面中任一可能的实现方法。
可以理解地,上述第三方面提供的电子设备、第四方面提供的芯片、第五方面提供的计算机程序产品和第六方面提供的计算机存储介质均用于执行本申请实施例所提供的方法。因此,其所能达到的有益效果可参考对应方法中的有益效果,此处不再赘述。
附图说明
图1是本申请实施例提供的一种通信系统10的架构图;
图2是本申请实施例提供的一种电子设备100的结构示意图;
图3A~图3F是本申请实施例提供的一些用户界面示意图;
图4A和图4B是本申请实施例提供的PPG信号的波形示意图;
图5是本申请实施例提供的一种高血压风险检测方法的流程图;
图6是本申请实施例提供的另一种通信系统20的架构图;
图7是本申请实施例提供的另一种通信系统30的架构图;
图8是本申请实施例提供的另一种通信系统40的架构图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。其中,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;文本中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为暗示或暗示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一个或者更多个该特征,在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本申请提供一种高血压风险检测方法,可以检测用户高血压风险的高低程度,并且检测过程中可无需用户进行繁琐的校准操作。其中,电子设备中可存储有多个血压模型。这多个血压模型可用于根据用户的PPG信号确定该用户高血压风险的高低程度。这多个血压模型是利用PPG信号数据集训练得到的。PPG信号数据集中可包括多个用户在多个时间段内测得的多个PPG信号以及与这多个PPG信号对应的血压。PPG信号数据集中的一组训练数据可用于训练得到一个血压模型。上述一组训练数据可包括一个用户在一段时间内(如一周内、一个月内)测得的多个PPG信号以及与这多个PPG信号对应的血压。电子设备可以采集用户的PPG信号,并根据该PPG信号从上述多个血压模型中选取一个或多个与该用户适配的血压模型。利用选取的血压模型,电子设备可以确定该用户高血压风险的高低程度。
由医学知识可知,血压可以包括收缩压和舒张压。若用户的收缩压高于140毫米汞柱(mmHg)和/或舒张压高于90mmHg,该用户可被诊断为患有高血压。上述高血压风险的高低程度可以表示用户的收缩压高于140mmHg的概率。其中,用户的收缩压高于140mmHg的概率越高,高血压风险越高(即高血压风险的取值越趋近于1)。用户的收缩压高于140mmHg的概率越低,高血压风险越低(即高血压风险的取值越趋近于0)。
可选的,上述高血压风险的高低程度也可以表示用户的舒张压高于90mmHg的概率。
上述多个血压模型可适用于大部分用户。也即是说,对于大部分用户,电子设备均可以从这多个血压模型中选取出一个或多个与用户适配的血压模型,来确定该用户高血压风险的高低程度。这样,电子设备可以选取出与不同用户适配的血压模型,减少不同用户身体情况不同对检测结果的影响。
由于用户的身体情况可能发生变化,电子设备可以定期或者不定期更新用于检测用户高血压风险的高低程度的血压模型。其中,电子设备可以根据当前采集的用户的PPG信号从上述多个血压模型中选取出一个或多个血压模型。这一个或多个血压模型与当前身体情况下的用户最为适配。这样可以减少用户的身体情况发生变化对检测结果的影响,提高检测用户高血压风险的高低程度的准确率。并且,上述高血压风险检测方法可以简化用户在检测用户高血压风险的高低程度时对电子设备的校准操作,提高用户进行高血压风险检测的便捷性。
请参照图1,图1示例性示出了本申请涉及的一种通信系统10的架构图。
如图1所示,通信系统10可以包括电子设备100和电子设备200。其中,电子设备100可以为手机、平板电脑、桌面型计算机、膝上型计算机、手持计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本,以及个人数字助理(personal digital assistant,PDA)等设备。电子设备200可以为手表、手环等可穿戴设备。本申请实施例对电子设备100和电子设备200的具体类型不作限定。
电子设备100和电子设备200之间建立有通信连接。上述通信连接可以是蓝牙通信连接、无线局域网(wireless local area networks,WLAN)通信连接等等。
在一些实施例中,上述高血压风险检测方法中所提及的多个血压模型可存储于电子设备100中。这多个血压模型可以是电子设备100利用上述PPG信号数据集训练得到的。电子设备200可用于采集用户的PPG信号,并将该PPG信号发送给电子设备100。电子设备100可以根据该PPG信号从上述多个血压模型中选取出一个或多个与该用户适配的血压模型,并将该血压模型发送给电子设备200。电子设备200可以根据接收到的血压模型来检测用户高血压风险的高低程度。
电子设备200可以显示利用血压模型得到的检测结果(即高血压风险的高低程度)。电子设备200可以将上述检测结果发送给电子设备100。电子设备100也可以显示上述检测结果。也即是说,用户可以通过上述电子设备100和电子设备200来查看自己高血压风险的高低程度。
电子设备100和电子设备200之间可具有绑定关系。其中,电子设备100和电子设备200可以通过登录同一个账户(例如,华为账户)绑定。或者,电子设备100和电子设备200可以通过蓝牙配对的方式绑定。本申请实施例对电子设备100和电子设备200建立绑定关系的方法不作限定。
在另一些实施例中,电子设备100可以利用上述PPG信号数据集训练得到上述高血压风险检测方法中所提及的多个血压模型。电子设备100可以存储这多个血压模型。电子设备200可用于采集用户的PPG信号,并将该PPG信号发送给电子设备100。电子设备100可以根据该PPG信号从上述多个血压模型中选取出一个或多个与该用户适配的血压模型。进一步的,电子设备100可以利用被选取出的血压模型来检测用户高血压风险的高低程度。电子设备100可以显示利用血压模型得到的检测结果(即高血压风险的高低程度),并将该检测结果发送给电子设备200。电子设备200可以显示上述检测结果。
上述建立血压模型、选取与用户适配的血压模型的具体实现方法将在后续实施例中介绍,这里先不展开。
在图1所示的通信系统10中,电子设备100与电子设备200可以协同工作,完成对用户高血压风险的高低程度的检测。其中,电子设备100可以建立多个血压模型,并从多个血压模型中选取出一个或多个与用户适配的血压模型。这可以减少电子设备200的运算,降低对电子设备200的处理能力的要求,有利于电子设备200的轻量化。
请参照图2,图2示例性示出了本申请涉及的一种电子设备100的结构示意图。
如图2所示,电子设备100可以包括处理器110,外部存储器接口120,内部存储器121,通用串行总线(universal serial bus,USB)接口130,充电管理模块140,电源管理模块141,电池142,天线1,天线2,移动通信模块150,无线通信模块160,音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,传感器模块180,按键190,马达191,指示器192,摄像头193,显示屏194,以及用户标识模块(subscriber identification module,SIM)卡接口195等。其中传感器模块180可以包括压力传感器180A,陀螺仪传感器180B,气压传感器180C,磁传感器180D,加速度传感器180E,距离传感器180F,接近光传感器180G,指纹传感器180H,温度传感器180J,触摸传感器180K,环境光传感器180L,骨传导传感器180M等。
可以理解的是,本发明实施例示意的结构并不构成对电子设备100的具体限定。在本申请另一些实施例中,电子设备100可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
处理器110可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。
其中,控制器可以是电子设备100的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了系统的效率。
USB接口130是符合USB标准规范的接口,具体可以是Mini USB接口,Micro USB接口,USB Type C接口等。USB接口130可以用于连接充电器为电子设备100充电,也可以用于电子设备100与外围设备之间传输数据。也可以用于连接耳机,通过耳机播放音频。该接口还可以用于连接其他电子设备,例如AR设备等。
充电管理模块140用于从充电器接收充电输入。充电管理模块140为电池142充电的同时,还可以通过电源管理模块141为电子设备100供电。
电源管理模块141用于连接电池142,充电管理模块140与处理器110。电源管理模块141接收电池142和/或充电管理模块140的输入,为处理器110,内部存储器121,外部存储器,显示屏194,摄像头193,和无线通信模块160等供电。在其他一些实施例中,电源管理模块141也可以设置于处理器110中。在另一些实施例中,电源管理模块141和充电管理模块140也可以设置于同一个器件中。
电子设备100的无线通信功能可以通过天线1,天线2,移动通信模块150,无线通信模块160,调制解调处理器以及基带处理器等实现。
天线1和天线2用于发射和接收电磁波信号。电子设备100中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。例如:可以将天线1复用为无线局域网的分集天线。在另外一些实施例中,天线可以和调谐开关结合使用。
移动通信模块150可以提供应用在电子设备100上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块150可以包括至少一个滤波器,开关,功率放大器,低噪声放大器(low noise amplifier,LNA)等。移动通信模块150可以由天线1接收电磁波,并对接收的电磁波进行滤波,放大等处理,传送至调制解调处理器进行解调。移动通信模块150还可以对经调制解调处理器调制后的信号放大,经天线1转为电磁波辐射出去。在一些实施例中,移动通信模块150的至少部分功能模块可以被设置于处理器110中。在一些实施例中,移动通信模块150的至少部分功能模块可以与处理器110的至少部分模块被设置在同一个器件中。
调制解调处理器可以包括调制器和解调器。其中,调制器用于将待发送的低频基带信号调制成中高频信号。解调器用于将接收的电磁波信号解调为低频基带信号。随后解调器将解调得到的低频基带信号传送至基带处理器处理。低频基带信号经基带处理器处理后,被传递给应用处理器。应用处理器通过音频设备(不限于扬声器170A,受话器170B等)输出声音信号,或通过显示屏194显示图像或视频。在一些实施例中,调制解调处理器可以是独立的器件。在另一些实施例中,调制解调处理器可以独立于处理器110,与移动通信模块150或其他功能模块设置在同一个器件中。
无线通信模块160可以提供应用在电子设备100上的包括无线局域网(wirelesslocal area networks,WLAN)(如无线保真(wireless fidelity,Wi-Fi)网络),蓝牙(bluetooth,BT),全球导航卫星系统(global navigation satellite system,GNSS),调频(frequency modulation,FM),近距离无线通信技术(near field communication,NFC),红外技术(infrared,IR)等无线通信的解决方案。无线通信模块160可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块160经由天线2接收电磁波,将电磁波信号调频以及滤波处理,将处理后的信号发送到处理器110。无线通信模块160还可以从处理器110接收待发送的信号,对其进行调频,放大,经天线2转为电磁波辐射出去。
电子设备100通过GPU,显示屏194,以及应用处理器等实现显示功能。GPU为图像处理的微处理器,连接显示屏194和应用处理器。GPU用于执行数学和几何计算,用于图形渲染。处理器110可包括一个或多个GPU,其执行程序指令以生成或改变显示信息。
显示屏194用于显示图像,视频等。显示屏194包括显示面板。在一些实施例中,电子设备100可以包括1个或N个显示屏194,N为大于1的正整数。
电子设备100可以通过ISP,摄像头193,视频编解码器,GPU,显示屏194以及应用处理器等实现拍摄功能。
ISP用于处理摄像头193反馈的数据。例如,拍照时,打开快门,光线通过镜头被传递到摄像头感光元件上,光信号转换为电信号,摄像头感光元件将所述电信号传递给ISP处理,转化为肉眼可见的图像。ISP还可以对图像的噪点,亮度,肤色进行算法优化。ISP还可以对拍摄场景的曝光,色温等参数优化。在一些实施例中,ISP可以设置在摄像头193中。
摄像头193用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给ISP转换成数字图像信号。ISP将数字图像信号输出到DSP加工处理。DSP将数字图像信号转换成标准的RGB,YUV等格式的图像信号。在一些实施例中,电子设备100可以包括1个或N个摄像头193,N为大于1的正整数。
数字信号处理器用于处理数字信号,除了可以处理数字图像信号,还可以处理其他数字信号。例如,当电子设备100在频点选择时,数字信号处理器用于对频点能量进行傅里叶变换等。
视频编解码器用于对数字视频压缩或解压缩。电子设备100可以支持一种或多种视频编解码器。这样,电子设备100可以播放或录制多种编码格式的视频,例如:动态图像专家组(moving picture experts group,MPEG)1,MPEG2,MPEG3,MPEG4等。
NPU为神经网络(neural-network,NN)计算处理器,通过借鉴生物神经网络结构,例如借鉴人脑神经元之间传递模式,对输入信息快速处理,还可以不断的自学习。通过NPU可以实现电子设备100的智能认知等应用,例如:图像识别,人脸识别,语音识别,文本理解等。
外部存储器接口120可以用于连接外部存储卡,例如Micro SD卡,实现扩展电子设备100的存储能力。外部存储卡通过外部存储器接口120与处理器110通信,实现数据存储功能。例如将音乐,视频等文件保存在外部存储卡中。
内部存储器121可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。处理器110通过运行存储在内部存储器121的指令,从而执行电子设备100的各种功能应用以及数据处理。内部存储器121可以包括存储程序区和存储数据区。其中,存储程序区可存储操作系统,至少一个功能所需的应用程序(比如声音播放功能,图像播放功能等)等。存储数据区可存储电子设备100使用过程中所创建的数据(比如音频数据,电话本等)等。此外,内部存储器121可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件,通用闪存存储器(universal flash storage,UFS)等。
电子设备100可以通过音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,以及应用处理器等实现音频功能。例如音乐播放,录音等。
音频模块170用于将数字音频信息转换成模拟音频信号输出,也用于将模拟音频输入转换为数字音频信号。音频模块170还可以用于对音频信号编码和解码。在一些实施例中,音频模块170可以设置于处理器110中,或将音频模块170的部分功能模块设置于处理器110中。
扬声器170A,也称“喇叭”,用于将音频电信号转换为声音信号。
受话器170B,也称“听筒”,用于将音频电信号转换成声音信号。
麦克风170C,也称“话筒”,“传声器”,用于将声音信号转换为电信号。
耳机接口170D用于连接有线耳机。
压力传感器180A用于感受压力信号,可以将压力信号转换成电信号。在一些实施例中,压力传感器180A可以设置于显示屏194。
陀螺仪传感器180B可以用于确定电子设备100的运动姿态。在一些实施例中,可以通过陀螺仪传感器180B确定电子设备100围绕三个轴(即,x,y和z轴)的角速度。
气压传感器180C用于测量气压。
磁传感器180D包括霍尔传感器。
加速度传感器180E可检测电子设备100在各个方向上(一般为三轴)加速度的大小。当电子设备100静止时可检测出重力的大小及方向。还可以用于识别电子设备100姿态,应用于横竖屏切换,计步器等应用。
距离传感器180F,用于测量距离。电子设备100可以通过红外或激光测量距离。在一些实施例中,拍摄场景,电子设备100可以利用距离传感器180F测距以实现快速对焦。
接近光传感器180G可以包括例如发光二极管(LED)和光检测器,例如光电二极管。发光二极管可以是红外发光二极管。电子设备100通过发光二极管向外发射红外光。电子设备100使用光电二极管检测来自附近物体的红外反射光。当检测到充分的反射光时,可以确定电子设备100附近有物体。当检测到不充分的反射光时,电子设备100可以确定电子设备100附近没有物体。
环境光传感器180L用于感知环境光亮度。
指纹传感器180H用于采集指纹。
温度传感器180J用于检测温度。
触摸传感器180K,也称“触控面板”。触摸传感器180K可以设置于显示屏194,由触摸传感器180K与显示屏194组成触摸屏,也称“触控屏”。触摸传感器180K用于检测作用于其上或附近的触摸操作。触摸传感器可以将检测到的触摸操作传递给应用处理器,以确定触摸事件类型。可以通过显示屏194提供与触摸操作相关的视觉输出。在另一些实施例中,触摸传感器180K也可以设置于电子设备100的表面,与显示屏194所处的位置不同。
骨传导传感器180M可以获取振动信号。在一些实施例中,骨传导传感器180M可以获取人体声部振动骨块的振动信号。骨传导传感器180M也可以接触人体脉搏,接收血压跳动信号。在一些实施例中,骨传导传感器180M也可以设置于耳机中,结合成骨传导耳机。音频模块170可以基于所述骨传导传感器180M获取的声部振动骨块的振动信号,解析出语音信号,实现语音功能。应用处理器可以基于所述骨传导传感器180M获取的血压跳动信号解析心率信息,实现心率检测功能。
按键190包括开机键,音量键等。按键190可以是机械按键。也可以是触摸式按键。电子设备100可以接收按键输入,产生与电子设备100的用户设置以及功能控制有关的键信号输入。
马达191可以产生振动提示。
指示器192可以是指示灯,可以用于指示充电状态,电量变化,也可以用于指示消息,未接来电,通知等。
SIM卡接口195用于连接SIM卡。SIM卡可以通过插入SIM卡接口195,或从SIM卡接口195拔出,实现和电子设备100的接触和分离。电子设备100可以支持1个或N个SIM卡接口,N为大于1的正整数。电子设备100通过SIM卡和网络交互,实现通话以及数据通信等功能。在一些实施例中,电子设备100采用eSIM,即:嵌入式SIM卡。eSIM卡可以嵌在电子设备100中,不能和电子设备100分离。
电子设备200的结构示意图可以参考上述图2所示的电子设备100的结构示意图。不限于图2所示的结构中的部件,电子设备200可以包括更多或更少的部件。
需要进行说明的是,电子设备200中可包含光发射器和光接收器。电子设备200可以佩戴在用户的手腕、腹部、腿部等位置,使得上述光发射器可以贴近用户的皮肤。上述光发射器可以向皮肤表面发射光信号。上述发射的光信号可以被血管中的血液、皮肤、肌肉、骨骼等组织吸收、反射和散射。上述光接收器可以接收反射或散射回来的光信号。血管中血液的体积在心脏舒张和收缩的过程中会出现变化,血管中血液吸收的光信号也会出现变化。光接收器接收到的光信号的强度也会随着心脏收缩和舒张而变化。电子设备200可以根据上述光接收器接收到的光信号生成PPG信号。
优选的,上述光发射器发射的光可以为波长在490纳米~580纳米范围内的光。本申请实施例对发射的光的波长不作具体限定。
电子设备200生成上述PPG信号的方法还可以参考现有技术中的其它方法,本申请实施例对此不作限定。
下面介绍本申请提供的高血压风险检测方法涉及的一些用户界面示意图。
图3A示例性示出了电子设备200中用于触发电子设备200进行高血压风险检测的用户界面210。用户界面210可包括标题栏211、开始测量控件212、模型更新控件213。其中:
标题栏211可用于指示用户界面210的显示内容。标题栏211可以包括文字提示“高血压风险筛查”,以提示用户用户界面210中的相关控件可用于触发电子设备200进行高血压风险检测。
开始测量控件212可用于触发电子设备200进行高血压风险检测。响应于作用在开始测量控件212的用户操作,例如触摸操作,电子设备200可以采集用户的PPG信号。一些实施例中,用户非首次使用电子设备200进行高血压风险检测,电子设备200中已存储有血压模型。基于采集到的PPG信号,电子设备200可以利用已存储的血压模型来确定该用户高血压风险的高低程度。
在一些实施例中,用户首次使用电子设备200进行高血压风险检测。电子设备200中还未存储血压模型。响应于作用在上述开始测量控件212的用户操作,电子设备200可以采集用户的PPG信号,并将该PPG信号发送给电子设备100。电子设备100中存储有多个血压模型。电子设备100可以利用接收到的PPG信号从上述多个血压模型中选取一个或多个与该用户适配的血压模型,并将该血压模型发送给电子设备200。电子设备200可以保存接收到的血压模型,并利用该血压模型进行检测。其中,该血压模型的输出可以为用户高血压风险的高低程度。
上述进行高血压风险检测时所使用的PPG信号可以为电子设备200发送给电子设备100的PPG信号(即用于电子设备100选取血压模型的PPG信号)。可选的,上述进行高血压风险检测时所使用的PPG信号也可以为电子设备200接收到血压模型后采集到的PPG信号。
也即是说,电子设备200在首次检测高血压风险的高低程度时,电子设备100可以根据该用户的PPG信号选取与该用户适配的血压模型。电子设备200利用该血压模型进行检测可以提高检测结果的准确率。
在一些实施例中,用户非首次使用电子设备200进行高血压风险检测。电子设备200中已存储有血压模型。电子设备200可以利用采集到的PPG信号和已存储的血压模型,确定用户高血压风险的高低程度。
在一些实施例中,电子设备200可以每隔预设时间段(如30分钟)自动检测用户高血压风险的高低程度。对于用户手动触发电子设备200进行高血压风险检测得到的检测结果、电子设备200自动进行高血压风险检测得到的检测结果,电子设备200均可以进行保存。本申请实施例对上述预设时间段的长度不作限定。
模型更新控件213可用于触发电子设备200更新自己存储的血压模型。响应于作用在模型更新控件213的用户操作,例如触摸操作,电子设备200可以采集用户的PPG信号,并将该PPG信号发送给电子设备100。电子设备100可以利用接收到的PPG信号从多个血压模型中选取一个或多个与该用户适配的血压模型,并将选取出的血压模型发送给电子设备200。电子设备200可以利用接收到的血压模型替换已存储的血压模型。
也即是说,用户可以手动更新存储于电子设备200中用于进行高血压风险检测的血压模型。更新后的血压模型与用户当前的身体情况更为适配,可以更准确地检测用户高血压风险的高低程度。上述更新血压模型的方法仅需要用户在模型更新控件213上进行用户操作(如触摸操作)。相比于利用专业的高血压风险检测设备或者去医院检测得到准确度较高的血压对高血压风险检测设备进行校准,上述更新血压模型的方法更为简便,不仅可以减少用户的身体情况发生变化对检测结果的影响,而且可以提高用户进行高血压风险检测的便捷性。
在一些实施例中,电子设备200还可以定期或者不定期更新自己存储的血压模型。电子设备200在不同时间进行高血压风险检测时,利用的血压模型均可以与当前身体情况下的用户最为适配。这可以减少用户的身体情况发生变化对检测结果的影响,提高检测结果的准确率。电子设备200更新自己存储的血压模型的方法可以参考前述实施例。
图3B示例性示出了电子设备200显示检测结果的用户界面220。
用户界面220可用于显示电子设备200进行高血压风险检测得到的检测结果。示例性的,电子设备200可以将时间T(如一天、一周、一月)内检测得到的高血压风险的高低程度绘制成图3B所示的折线图。例如,由一天内的多次检测结果可以看出,用户的高血压风险趋势以及用户在什么时间段内的血压偏高。用户可以参考上述检测结果调整自己的心情以及生活作息等,减少高血压可能对自己带来的风险。
不限于图3B所示的折线图,电子设备200还可以通过其他表现形式来呈现检测结果。
用户界面210和用户界面220仅为本申请实施例的示例性说明,不应对本申请构成限定。
图3C示例性示出了电子设备200显示检测结果的用户界面260。
如图3C所示,电子设备200可以综合用户在时间T(如一天、一周、一月)内的检测结果,给出用户在时间T内的高血压风险等级。示例性的,电子设备200在一个月内的检测结果中有85%的检测结果指示用户的高血压风险的取值大于0.7。电子设备200可以给出用户在这一个月内的高血压风险等级为高。并且,根据上述高血压风险等级,电子设备200可以在用户界面260显示相关的建议。例如提示建议可以为“综合您近一个月的血压水平情况,初步判断您可能属于高血压人群,请您及时找专业医生进行诊断”。本申请实施例上述提示建议的具体内容不作限定。
图3D示例性示出了电子设备100中用于触发电子设备200进行高血压风险检测的用户界面230。用户界面230可包括用户信息区域231、开始测量控件232、模型更新控件233。
其中:
用户信息区域231中可包括用户的信息,例如昵称、年龄、性别、身高、体重。用户信息区域231中可以包括更多或更少的信息,本申请实施例对此不作限定。
开始测量控件232可用于触发电子设备100指示电子设备200进行高血压风险检测。响应于作用在开始测量控件232的用户操作,例如触摸操作,电子设备100可以向电子设备200发送指令。该指令可用于指示电子设备200进行高血压风险检测。当接受到上述指令,电子设备200可以采集用户的PPG信号,并利用已存储的血压模型确定用户高血压风险的高低程度。电子设备200可以将检测结果发送给电子设备100。电子设备100可以存储接收到的检测结果。
在一些实施例中,用户首次使用电子设备100指示电子设备200进行高血压风险检测。电子设备200中还未存储血压模型。当接收到上述指示电子设备200进行高血压风险检测的指令,电子设备200可以采集用户的PPG信号,将该PPG信号发送给电子设备100并请求血压模型。当接收到上述用于请求血压模型的消息,电子设备100可以利用接收到的PPG信号从多个血压模型中选取一个或多个与用户适配的血压模型,并将该血压模型发送给电子设备200。
模型更新控件233可用于触发电子设备100更新存储于电子设备200中的血压模型。响应于作用在模型更新控件233的用户操作,例如触摸操作,电子设备100可以向电子设备200发送指令。该指令可用于指示电子设备200采集用户的PPG信号。当接收到上述指令,电子设备200可以采集用户的PPG信号,并将该PPG信号发送给电子设备100。电子设备100可以根据接收到的PPG信号从多个血压模型中选取一个或多个与用户适配的血压模型,将该血压模型发送给电子设备200并指示电子设备200进行模型更新。电子设备200可以利用接收到的血压模型替换已存储的血压模型。
图3E示例性示出了电子设备100显示检测结果的用户界面240。
电子设备200利用血压模型进行检测后,可以将得到的检测结果发送给电子设备100。电子设备100可以将时间T(如一天、一周、一月)内检测得到的高血压风险的高低程度绘制成图3B所示的折线图。本申请实施例对用户界面240中检测结果的表现方式不作限定。
图3F示例性示出了电子设备100显示检测结果的用户界面250。
如图3F所示,电子设备100可以综合用户在时间T(如一天、一周、一月)内的检测结果,给出用户在时间T内的高血压风险等级。示例性的,电子设备100在一个月内接收到的检测结果中有85%的检测结果指示用户的高血压风险的取值大于0.7。电子设备100可以给出用户在这一个月内的高血压风险等级为高。并且,根据上述高血压风险等级,电子设备100可以在用户界面250显示相关的建议。例如提示建议可以为“综合您近一个月的血压水平情况,初步判断您可能属于高血压人群,请您及时找专业医生进行诊断”。本申请实施例上述提示建议的具体内容不作限定。
用户界面230、用户界面240、用户界面250和用户界面260仅为本申请实施例的示例性说明,不应对本申请构成限定。
在一些实施例中,电子设备100从多个血压模型中选取一个或多个与用户适配的血压模型时,除了利用PPG信号,还可以利用用户的信息(如性别、年龄、身高、体重)。
具体的,上述多个血压模型可以包含有模型属性。一个血压模型的模型属性可以由PPG信号数据集中训练得到这一个血压模型的一组训练数据中用户的信息确定。例如,训练得到这一个血压模型的一组训练数据中用户的信息包括:性别为女性、年龄20岁、身高160厘米、体重50千克。这一个血压模型的模型属性包括:性别为女性,年龄阶层在20~30岁的范围内,身高阶层在150~170厘米的范围内,体重阶层在40~60千克的范围内。
本申请实施例对上述年龄阶层、身高阶层、体重阶层的范围划分不作限定。
电子设备100在选取血压模型时,可以获取用户的信息。根据用户的信息,电子设备100可以从多个血压模型中选取与用户的信息匹配的若干个血压模型。若用户的信息包含于血压模型的模型属性中各类信息的取值范围,则该血压模型的模型属性与该用户的信息匹配。其中,电子设备100可以将用户的信息与多个血压模型的模型属性进行比较,以确定上述若干个血压模型。
在一些实施例中,在基于上述利用用户的信息选取出来的血压模型的基础上,电子设备100进一步利用PPG信号从上述若干个血压模型中选取出一个或多个与该用户适配的血压模型。
在一种可能的实现方式中,在电子设备200首次进行高血压风险检测之前,电子设备100可以显示用户信息录入界面以获取例如用户的性别、年龄、身高、体重等信息。本申请实施例对电子设备100获取用户的信息的方法不作限定。
不同性别、不同年龄、不同身高、不同体重的人所适配的血压模型是不同的。通常的,年龄越大,高血压风险的值往往也越大。处于同一阶层年龄的用户,所适配的血压模型可能的相近的。电子设备100增加用户的信息来选取与该用户适配的血压模型,可以提高选取与用户适配的血压模型的效率。
下面具体介绍本申请实施例提供的一种建立血压模型的方法。
1、数据预处理
模型建立设备可以利用PPG信号数据集来建立模型库。该模型库中可包括多个血压模型。这多个血压模型中的一个血压模型可以通过PPG信号数据集中的一组训练数据得到。上述一组训练数据可包括一个用户在一段时间内(如一周内、一个月内)测得的多个PPG信号以及与这多个PPG信号对应的血压。
在上述一段时间内,人的身体情况一般没有特别大的变化。上述一段时间内测得的多个PPG信号以及与这多个PPG信号对应的血压可以反映人在上述一段时间内的身体情况。上述一段时间内测得的多个PPG信号以及与这多个PPG信号对应的血压可用于建立一个血压模型。那么,这一个血压模型可适配身体情况为第一身体情况的用户。该第一身体情况为上述一段时间内测得的多个PPG信号以及与这多个PPG信号对应的血压所反映的身体情况。也即是说,在用户的身体情况为上述第一情况时,电子设备200可以利用这一个血压模型较准确地检测该用户高血压风险的高低程度。
模型建立设备可以对上述一组训练数据进行预处理。具体的,模型建立设备可以对一组训练数据中的多个PPG信号进行滤波,以及根据这多个PPG信号对应的血压对这多个PPG信号打标签。
其中,模型建立设备对PPG信号进行滤波,可以滤除PPG信号中的噪声部分,以提高血压模型检测的准确率。本申请实施例对上述滤波的方法不作限定。模型建立设备对PPG信号进行滤波的具体实现方法可以参考现有技术中的实现方法,本申请实施例对此不作赘述。
血压模型可用于检测用户高血压风险的高低程度。高血压风险的高低程度可以表示用户的收缩压高于140mmHg的概率,或者可以表示用户的舒张压高于90mmHg的概率。本申请实施例以高血压风险的高低程度可以表示用户的收缩压高于140mmHg的概率为例进行说明。模型建立设备可以比较上述与多个PPG信号对应的收缩压与140mmHg的大小来确定每一个PPG信号对应的标签值。若一个PPG信号对应的收缩压高于140mmHg,则这一个PPG信号对应的标签值为1。若一个PPG信号对应的收缩压低于或等于140mmHg,则这一个PPG信号对应的标签值为0。
2、PPG信号特征提取
PPG信号的特征与用户的心血管状态密切相关。模型建立设备可以对PPG信号进行特征提取,并基于提取的特征建立血压模型。
在一些实施例中,模型建立设备对PPG信号进行特征提取得到的特征可以包括心跳间隔(rate-to-rate intervals,RRI)的均值(mean)、RRI的中位数(median)、RRI的最小值(minimum,min)、心跳间隔变动系数(coefficient of variation ofRR intervals,CVRR)、正常心跳间隔的标准差(standard deviation of normal-to-normal intervals,SDNN)、PPG信号主峰波峰值、PPG信号上升时间间隔、PPG信号下降时间间隔等等。
图4A示例性示出了一个PPG信号中的一个节拍信号的波形。
心脏有节律的收缩和舒张,血液从心脏射入血管并从血管流回心脏。血管是弹性的腔体,血液在血管中流动可以形成脉搏波。PPG信号的波形可由上升段和下降段组成。根据心脏射血以及血液在血管中传播的过程,PPG信号中的一个节拍信号可以包括图4A所示的3个特征点:主峰波峰点(标记为a)、重博波波谷点(标记为b)、重博波波峰点(标记为c)。在图4A所示的一个节拍信号中,c点之前为这一个节拍信号的上升段。c点之后为这一个节拍信号的下降段。在c点之前,主动脉打开,由于心脏将血液射入主动脉而使主动脉压力变大上升至c点。c点是这一个节拍信号的波峰。随后血液从左心室喷出,右心室开始充盈,房室瓣打开血液反弹回来形成f点。d点之后,由于心脏舒张,主动脉血液反弹回来,动脉压力稍有上升,血管再次扩张形成重博波。
一个PPG信号中可包括多个节拍信号。一个节拍信号的时间间隔为心脏跳动一次所使用的时间。也即是说,一个PPG信号中包括的节拍信号的数量可以表示在获取这一个PPG信号的时间段内心脏跳动的次数。
一个PPG信号中包含的节拍信号的数量可以由采集得到这一个PPG信号的时间确定。采集得到这一个PPG信号的时间越长,这一个PPG信号中包含的节拍信号的数量越多。本申请实施例对采集得到一个PPG信号的时间的长度不作限定。
图4B示例性示出了一个PPG信号中的部分波形。
如图4B所示,连续两个节拍信号的主峰波峰点之间的时间间隔即为RRI。模型建立设备可以计算一个PPG信号中的所有RRI,并进一步得到这些RRI的mean、median和min。
CVRR可以反映多次心跳所用时间的变化。CVRR可以通过下述公式(1)计算得到:
其中,n的值为一个PPG信号中RRI的数量。RRIi为第i个RRI的值。i为1~n中的整数。
SDNN可以表示心率变异性的复杂程度。一般的,SDNN的值越大,心率变异性的复杂程度越高,说明人体越健康。SDNN值越小,心率变异性的复杂程度越低,说明人体的健康状态越差。SDNN可以通过下述公式(2)计算得到:
由图4B可知,一个节拍信号的主峰波峰值为该节拍信号在主峰波峰点对应的幅值。例如,图4B中左侧的节拍信号的主峰波峰点为a1点。a1点对应的幅值为h1。该左侧的节拍信号的主峰波峰值为h1。PPG信号主峰波峰值可以为一个PPG信号中所有节拍信号的主峰波峰值的均值(或者最大值、最小值、中位数)。
一个节拍信号的上升时间间隔(ST)可以为这一个节拍信号上升段第一个幅值为q的点到这一个节拍信号的主峰波峰点之间的时间间隔。一个节拍信号的下降时间间隔(DT)可以为这一个节拍信号的主峰波峰点到这一个节拍信号下降段最后一个幅值为q的点之间的时间间隔。上述q的值可以为这一个节拍信号的主峰波峰值的25%。本申请实施例对上述q的值不作限定,q还可以为其它小于主峰波峰值的数值。PPG信号上升时间间隔可以为一个PPG信号中所有节拍信号的ST的均值(或者最大值、最小值、中位数)。PPG信号下降时间间隔可以为一个PPG信号中所有节拍信号的DT的均值(或者最大值、最小值、中位数)。
不限于上述说明的PPG信号的特征,模型建立设备对PPG信号进行特征提取时还可以提取更多或更少的特征,来建立血压模型。
模型建立设备对PPG信号进行特征提取的方法可以例如是微分方法、曲率法、小波变换过零点法等等方法。本申请实施例对上述特征提取的方法不作限定。模型建立设备对PPG信号进行特征提取的具体实现过程可以参考现有技术中的实现过程,本申请对此不作赘述。
3、血压模型训练
血压模型可以例如是线性模型、xgboost模型等等。本申请实施例对血压模型的类型不作限定。
这里以血压模型为线性模型具体说明。其中,模型建立设备利用PPG信号的特征建立的一个血压模型可以参考下述公式(3):
其中,k的值为模型建立设备在建立血压模型时所使用PPG信号的特征的数量。xj为PPG信号的第j个特征。ej为PPG信号第j个特征的系数。j为1~k中的整数。e1,e2,…,ek,μ为常数。
模型建立设备可以利用PPG信号数据集中的数据训练上述血压模型,确定模型中的e1,e2,…,ek,μ。
模型建立设备可以利用PPG信号数据集中的一组训练数据训练得到一个血压模型。上述一组训练数据可包括一个用户在一段时间内(如一周内、一个月内)测得的多个PPG信号以及与这多个PPG信号对应的血压。上述与这多个PPG信号对应的血压为采集这多个PPG信号时被测量者的血压。上述与多个PPG信号对应的血压可用于确定与这多个PPG信号对应的标签值。
利用一组训练数据训练血压模型的过程即为将这一组训练数据中的多个PPG信号的特征值输入血压模型,使得血压模型输出的高血压风险的值与多个PPG信号对应的标签值之间的差距缩小。
本申请实施例对模型建立设备训练血压模型的方法不作限定,血压模型的具体训练过程可以参考现有技术中训练线性模型、xgboost模型等模型的过程。
模型建立设备可以利用PPG信号数据集中的多组训练数据训练得到模型库。该模型库中可包括多个血压模型。这多个血压模型可适用于大部分用户。
上述模型建立设备可以是本申请实施例中的电子设备100,也可以是其它电子设备。若上述模型建立设备为电子设备100,电子设备100可以存储上述模型库以及与模型库中各血压模型对应的PPG信号的特征值。与一个血压模型对应的PPG信号的特征值为用于训练这一个血压模型的一组训练数据中PPG信号的特征值。一组训练数据中PPG信号的特征值可以是这一组训练数据中多个PPG信号相同特征的均值,或最大值,或最小值,或中位数,或利用其它运算方法处理上述多个PPG信号各特征得到的值。若上述模型建立设备为电子设备100以外的其它电子设备,其它电子设备可以将上述模型库以及与模型库中各血压模型对应的PPG信号的特征值发送给电子设备100。电子设备100可以存储接收到的模型库以及与模型库中各血压模型对应的PPG信号的特征值发送给电子设备100。
下面具体介绍本申请实施例提供的选取与用户适配的血压模型的方法。
在一些实施例中,电子设备100可以利用特征相似度度量的方法来选取与用户适配的血压模型。
电子设备100可以获取用户的PPG信号。电子设备100可以对该PPG信号进行滤波,以滤除PPG信号中的噪声。进一步的,电子设备100可以提取经过滤波处理后的PPG信号的特征。特征提取的方法可以参考前述实施例的介绍,这里不再赘述。电子设备100可以计算该PPG信号的特征值、与模型库中各血压模型对应的PPG信号的特征值的特征相似度,并利用上述特征相似度从模型库中选取与用户适配的血压模型。具体的:
1、计算特征相似度
在一种可能的实现方式中,电子设备100可以通过计算用户PPG信号的特征值、与模型库中各血压模型对应的PPG信号的特征值的最大均值差异(maximum meandiscrepancy,MMD)来计算特征相似度。其中,MMD的计算方法可以参考下述公式(4):
其中,上述XU为用户PPG信号的特征值向量。XU=[xU,1,xU,2,…,xU,k]。xU,j为用户PPG信号的第j个特征。上述XM为与模型库中各血压模型对应的PPG信号的特征值向量。XM=[xM,1,xM,2,…,xM,k]。xM,j为与模型库中各血压模型对应的PPG信号的第j个特征。k的值为对PPG信号进行特征提取时提取的特征的数量。j为1~k中的整数。
上述特征相似度即为d(XU,XM)。
本申请实施例对计算上述特征相似度的方法不作限定。例如,电子设备100还可以通过计算欧几里得距离、马哈顿距离、KL散度等相似度度量算法来计算上述特征相似度。
2、选取模型
当得到用户与模型库中的多个血压模型之间的特征相似度,电子设备100可以选取特征相似度排序在前的一个或多个血压模型。上述特征相似度排序在前的一个或多个血压模型对应的PPG信号的特征是模型库中与用户的PPG信号的特征差距最小的。
在一种可能的实现方式中,电子设备100可以比较上述特征相似度与相似度阈值的大小。若特征相似度大于相似度阈值的血压模型的数量大于或等于预设数量,电子设备100可以选取特征相似度大于相似度阈值的血压模型。若特征相似度大于相似度阈值的血压模型的数量小于预设数量,电子设备100可以选取特征相似度最大的血压模型。上述相似度阈值和上述预设数量的大小可以根据经验设定,本申请实施例对相似度阈值和预设数量的大小不作限定。
在一些实施例中,电子设备100可以利用排序算法来选取与用户适配的血压模型。
具体的,电子设备100可以建立排序模型(如learning to rank排序模型)。该排序模型可以根据用户的PPG信号对模型库中的多个血压模型进行排序。其中排序在前的血压模型与用户的适配度高。排序在后的血压模型与用户的适配度低。
该排序模型可以通过多组训练数据训练得到。一组训练数据包括从一个PPG信号中提取的特征值、模型库中与多个血压模型对应的PPG信号的特征值、模型库中多个血压模型的正确排序。其中,模型库中多个血压模型的正确排序可以由上述从一个PPG信号中提取的特征值以及与这一个PPG信号对应的高血压风险的值确定。若一个PPG信号对应的收缩压高于140mmHg,这一个PPG信号对应的高血压风险的值为1。若一个PPG信号对应的收缩压低于或等于140mmHg,这一个PPG信号对应的高血压风险的值为0。上述从一个PPG信号中提取的特征值输入一个血压模型得到的高血压风险的值与这一个PPG信号对应的高血压风险的值差距越小,则这一个血压模型在上述正确排序中的排序越靠前。
排序模型在训练过程中可以学习一组训练数据中从一个PPG信号中提取的特征值。模型库中与多个血压模型对应的PPG信号的特征值之间的相似度。排序模型的训练过程即为缩小排序模型输出的上述多个血压模型的排序结果与上述正确排序之间差距的过程。
电子设备100可以获取用户的PPG信号,并将从该PPG信号中提取的特征输入排序模型,得到模型库中多个血压模型的排序结果。电子设备100可以选择上述排序结果中排序在前的一个或多个血压模型。
不限于上述特征相似度度量的方法、排序算法,电子设备100还可以利用其它方法来确定用户的PPG信号的特征值与各血压模型对应的PPG信号的特征值之间的匹配程度,并选取匹配程度高的一个或多个血压模型。
在一些实施例中,电子设备100可以结合用户的PPG信号以及用户的信息来选取与该用户适配的血压模型。
电子设备100可以存储模型库、模型库中多个血压模型对应的PPG信号的特征值、模型库中多个血压模型的模型属性。一个血压模型的模型属性可以由PPG信号数据集中训练得到这一个血压模型的一组训练数据中用户的信息确定。用户的信息可包括但不限于:性别、年龄、身高、体重。
电子设备100可以先利用用户的信息从模型库中的多个血压模型中选取若干个血压模型。进一步的,电子设备100可以利用用户的PPG信号从上述若干个血压模型中选取与用户适配的一个或多个血压模型。电子设备100利用用户的信息以及PPG信号选取血压模型的具体方法可以参考前述实施例,这里不再赘述。
利用PPG信号选取血压模型的方法比利用用户的信息选取血压模型的方法复杂度更高。电子设备100可以利用用户的信息对模型库中的多个血压模型进行初步筛选,再进一步利用用户的PPG信号对上述初步筛选得到的血压模型进行筛选,可以提高选取与用户适配的血压模型的效率。
基于上述建立和选取血压模型的方法,下面具体介绍本申请实施例提供的一种高血压风险检测方法。
请参照图5,图5示例性示出了一种高血压风险检测方法的流程图。该方法可包括步骤S101~S107。其中:
S101、电子设备200可以采集用户的PPG信号。
在一些实施例中,电子设备200可以接收到用于触发电子设备200进行高血压风险检测的用户操作。该用户操作可以例如是图3A所示作用在开始测量控件212的触摸操作。当接收到该用户操作,电子设备200可以开始采集用户的PPG信号。
在一些实施例中,电子设备200可以每隔预设时间段自动进行高血压风险检测。在进行高血压风险检测的过程中,电子设备200可以采集用户的PPG信号。
本申请实施例对电子设备200采集用户的PPG信号的时间长度不作限定。
S102、电子设备200可以检测自己是否存储有血压模型。
在没有血压模型的情况下,电子设备200可以执行步骤S103。
在存储有血压模型的情况下,电子设备200可以执行步骤S107。
在一些实施例中,在未进行过高血压风险检测的情况下,电子设备200中没有血压模型。那么,在进行高血压风险检测时,电子设备200可以向电子设备100请求获取血压模型(即执行步骤S103)。
也即是说,用户在首次使用电子设备200进行高血压风险检测时,电子设备200可以向电子设备100请求获取与该用户适配的血压模型。
在一些实施例中,在进行过至少一次高血压风险检测的情况下,电子设备200中存储有血压模型。那么,电子设备200可以利用已存储的血压模型进行高血压风险检测(即执行步骤S107)。
在一些实施例中,在电子设备200首次进行高血压风险检测之前,电子设备200可以向电子设备100请求获取与用户适配的血压模型,并定期或者不定期更新自己存储的血压模型。
也即是说,在未进行过高血压风险检测的情况下,电子设备200中可存储有血压模型。那么,电子设备200可以利用已存储的血压模型进行高血压风险检测(即执行步骤S107)。
需要进行说明的是,在电子设备200首次进行高血压风险检测之后,电子设备200可以定期或者不定期更新自己存储的血压模型。
S103、若电子设备200中未存储有血压模型,电子设备200可以向电子设备100发送用户的PPG信号,请求获取血压模型。
在一些实施例中,电子设备200可以将上述步骤S101中采集得到的PPG信号发送给电子设备100。
在另一些实施例中,电子设备200可以对上述步骤S101中采集得到的PPG信号进行滤波,并对经过滤波的PPG信号进行特征提取,得到PPG信号的特征值。电子设备200可以将该PPG信号的特征值发送给电子设备100。
S104、电子设备100可以根据接收到的PPG信号,从模型库中选取血压模型。
电子设备100中存储有模型库。该模型库中包括多个血压模型。电子设备100还可以存储与各血压模型对应的PPG信号的特征值。建立该模型库的方法可以参考前述实施例。
电子设备100可以根据接收到的PPG信号从模型库中选取血压模型。或者,电子设备100可以结合接收到的PPG信号以及该PPG信号所属用户的信息从模型库中选取血压模型。其中,该PPG信号所属用户的信息(如性别、年龄、身高、体重)可以是电子设备200发送给电子设备100的。可选的,该PPG信号所属用户的信息可以是电子设备100显示用户信息录入界面,通过在该用户信息录入界面接收到的用户输入得到的。本申请实施例对电子设备200获取用户的信息的方法不作限定。
电子设备100从模型库中选取血压模型的方法可以参考前述实施例。这里不再赘述。
S105、电子设备100可以向电子设备200发送选取出的血压模型。
被选取出的血压模型可以是一个或多个。
S106、电子设备200可以存储接收到的血压模型。
S107、电子设备200可以根据用户的PPG信号,利用已存储的血压模型确定用户高血压风险的高低程度。
电子设备100可以对用户的PPG信号进行滤波,并对经过滤波的PPG信号进行特征提取,得到PPG信号的特征值。
在一些实施例中,电子设备200中存储有一个血压模型。电子设备200可以将PPG信号的特征值输入这一个血压模型,得到该用户高血压风险的值。其中,上述高血压风险的值越大,该用户收缩压高于140mmHg的概率越高,该用户患有高血压的风险越高。
在一些实施例中,电子设备200中存储有m个血压模型。m为大于1的整数。电子设备200可以将PPG信号的特征值输入这m个血压模型,得到m个该用户高血压风险的值。电子设备200融合这m个该用户高血压风险的值,确定该用户高血压风险的高低程度。示例性的,电子设备200可以对这m个该用户高血压风险的值进行加权平均。其中,经过加权平均得到的结果越大,该用户收缩压高于140mmHg的概率越高,该用户患有高血压的风险越高。本申请实施例对融合上述m个高血压风险的值的方法不作限定。
由图5所示的高血压风险检测方法可知,用户在首次使用电子设备200进行高血压风险检测时,可以不用进行繁琐的校准操作。电子设备200可以利用用户的PPG信号获取与该用户适配的血压模型,来检测该用户高血压风险的高低程度。这不仅可以减少不同用户身体情况不同对检测结果的影响,提高高血压风险检测的准确率,而且可以简化用户在检测用户高血压风险的高低程度时对电子设备的校准操作,提高用户进行高血压风险检测的便捷性。
在一些实施例中,电子设备200可以定期或者不定期更新自己存储的血压模型。或者,响应于用于更新血压模型的用户操作,电子设备200可以更新自己存储的血压模型。上述用于更新血压模型的用户操作可以例如是作用在图3A所示模型更新控件213的触摸操作。电子设备200更新自己存储的血压模型的实现过程可以为:电子设备200采集用户的PPG信号,并将用户的PPG信号发送给电子设备100,请求获取血压模型。电子设备100可以根据接收到的血压模型从模型库中选取一个或多个与该用户适配的血压模型,并将选取出的血压模型发送给电子设备200。电子设备200可以利用接收到的血压模型替换已存储的血压模型。
相比于利用更为专业的高血压风险检测设备或者去医院检测得到准确度较高的血压对高血压风险检测设备进行校准操作,本申请中电子设备200更新自己存储的血压模型的方法更简便。电子设备200更新后的血压模型与当前身体情况下的用户最为适配。这不仅可以减少用户的身体情况发生变化对检测结果的影响,提高检测用户高血压风险的高低程度的准确率,而且可以简化用户在检测用户高血压风险的高低程度时对电子设备的校准操作,提高用户进行高血压风险检测的便捷性。
在一些实施例中,模型建立设备可以更新模型库。这里以模型建立设备为电子设备100进行说明。具体的,电子设备100可以增加PPG信号数据集中的PPG信号以及与这些PPG信号对应的血压。增加的PPG信号的特征与PPG信号数据集中原来的PPG信号的特征之间的特征相似度大于预设值。电子设备100可以利用增加的PPG信号以及与这些PPG信号对应的血压建立血压模型,并将上述血压模型增加至模型库。用于训练模型库中新增的血压模型的PPG信号以及与这些PPG信号对应的血压可以是从云服务器获取的。
也即是说,电子设备100更新后的模型库中可以包括更多的血压模型。利用更新后的模型库,电子设备100可以为更多不同身体情况的用户选取适配的血压模型。
在一些实施例中,更新后的模型库中的多个血压模型可以包含有模型属性。一个血压模型的模型属性可以由PPG信号数据集中训练得到这一个血压模型的一组训练数据中用户的信息确定。电子设备100可以存储更新后的模型库、与模型库中各血压模型对应的PPG信号的特征值、模型库中各血压模型的模型属性。当选取与一个用户适配的血压模型时,电子设备100可以利用这一个用户PPG信号的特征值、这一个用户的信息从更新后的模型库中选取血压模型。
在一些实施例中,电子设备200中可存储有模型库。电子设备200可以从模型库中选取与用户适配的血压模型。电子设备200可以对选取出来的血压模型进行标记。例如,被选取出来的血压模型可对应有模型标识符。而未被选取的血压模型没有模型标识符。该模型标识符可表示与该模型标识符对应的血压模型为与用户适配的血压模型。电子设备200可以利用模型标识符对应的血压模型来检测用户高血压风险的高低程度。
电子设备200更新用于检测用户高血压风险的高低程度的血压模型时,可以更新上述模型标识符对应的血压模型。例如,在电子设备200中,模型标识符当前对应的血压模型为血压模型A。电子设备200可以采集用户的PPG信号,并利用该PPG信号从模型库中选取血压模型。被选取出来的血压模型为血压模型B。电子设备200可以去除血压模型A的标记,并对血压模型B进行标记。上述模型标识符对应的血压模型从血压模型A更新为血压模型B。
在图5所示的方法中,步骤S102可以为电子设备200检测模型库中的血压模型是否对应有模型标识符。若存在血压模型对应有模型标识符,电子设备200可以利用该模型标识符对应的血压模型来确定用户高血压风险的高低程度。若不存在血压模型对应有模型标识符,电子设备200可以利用用户的PPG信号从模型库中选取出与用户适配的血压模型,并对选取出的血压模型进行标记。被标记的血压模型可对应有模型标识符。进一步的,电子设备200可以利用模型标识符对应的血压模型来确定用户高血压风险的高低程度。
下面介绍本申请实施例提供的另一种通信系统20。
图6示例性示出了通信系统20的架构图。如图2所示,通信系统20可包括电子设备100、电子设备200和云服务器300。其中:
电子设备100和电子设备200可以参考前述通信系统10中的介绍,这里不再赘述。
电子设备100可以通过2G网络、3G网络、4G网络、5G网络、WLAN等连接上云服务器300。
云服务器300中可存储有PPG信号数据集。云服务器300可以利用PPG信号数据集训练血压模型,建立模型库。云服务器300还可以更新PPG信号数据集,并利用更新后的信号数据集来更新模型库。也即是说,前述实施例中的模型建立设备可以为云服务器300。训练血压模型的方法以及更新模型库的方法均可以参考前述实施例中的介绍,这里不再赘述。
云服务器300可以将模型库、与模型库中各血压模型对应的PPG信号的特征值发送给电子设备100。电子设备100可以存储接收到的模型库、与模型库中各血压模型对应的PPG信号的特征值。
电子设备200可用于采集用户的PPG信号,并利用已存储的血压模型来检测用户高血压风险的高低程度。电子设备200中存储的血压模型是由电子设备100发送的。
电子设备200更新自己存储的血压模型时,电子设备200可以采集用户的PPG信号,并将采集得到的PPG信号发送给电子设备100,请求获取血压模型。电子设备100可以利用接收到的PPG信号从模型库中选取与该PPG信号所属用户适配的血压模型,并将选取出的血压模型发送给电子设备200。电子设备200可以利用接收到的血压模型替换自己已存储的血压模型。
需要进行说明的是,响应于作用在电子设备200上用于触发电子设备200更新血压模型的用户操作A,电子设备200可以更新自己存储的血压模型。上述用户操作A可以例如是作用在图3A所示模型更新控件213上的触摸操作。可选的,响应于作用在电子设备100上用于触发电子设备100更新电子设备200中的血压模型的用户操作B,电子设备100可以发送用于指示电子设备200更新血压模型的指令。当接收到该指令,电子设备200可以更新自己存储的血压模型。上述用户操作B可以例如是作用在图3D所示模型更新控件233上的触发操作。可选的,电子设备200可以定期或者不定期自动更新自己存储的血压模型。
在一些实施例中,云服务器300还可以将模型库中各血压模型的模型属性发送给电子设备100。一个血压模型的模型属性可以由PPG信号数据集中训练得到这一个血压模型的一组训练数据中用户的信息确定。电子设备100在选取与用户适配的血压模型时,可以结合该用户的信息(如性别、年龄、身高、体重)与该用户的PPG信号从模型库中选取血压模型。
在图6所示的通信系统20中,云服务器300可以建立以及更新模型库。相比于电子设备100和电子设备200,云服务器300的运算和存储能力更强,这有利于电子设备100获取更为丰富的模型库。上述更为丰富的模型库中的血压模型可以适配更多不同身体情况的用户。电子设备100可以从模型库中选取出与用户更为适配的血压模型,提高检测用户高血压风险的高低程度的准确率。
电子设备100可以从模型库中选取与用户适配的血压模型。电子设备200可以利用选取出来的血压模型确定该用户高血压风险的高低程度。这可以减少不同用户身体情况不同对检测结果的影响。另外,电子设备200可以更新用于检测用户高血压风险的高低程度的血压模型。更新后的血压模型与当前身体情况下的用户最为适配。这不仅可以减少用户的身体情况发生变化对检测结果的影响,提高检测用户高血压风险的高低程度的准确率,而且可以简化用户在检测用户高血压风险的高低程度时对电子设备的校准操作,提高用户进行高血压风险检测的便捷性。
下面介绍本申请实施例提供的另一种通信系统30。
图7示例性示出了通信系统30的架构图。如图7所示,通信系统30可包括电子设备100和云服务器300。其中:
电子设备100的类型和结构可以参考前述实施例的说明。电子设备100可以通过2G网络、3G网络、4G网络、5G网络、WLAN等连接上云服务器300。
电子设备100可以采集用户的PPG信号。在一种可能的实现方式中,电子设备100可以通过摄像头以及闪光灯来采集用户的PPG信号。其中,电子设备100可以以闪光灯作为光源。闪光灯的光可以通过人的手指或者手腕或者其他位置投射/反射,返回的光可以被摄像头接收。电子设备100可以根据摄像头接收到的光确定出用户的PPG信号。本申请实施例对电子设备100采集用户的PPG信号的方法不作限定,具体可以参考现有技术中手机或平板等电子设备采集PPG信号的实现方法。
云服务器300可以建立并更新模型库。云服务器300建立并更新模型库的方法可以参考前述通信系统20中的介绍,这里不再赘述。
在一些实施例中,云服务器200可以将模型库、与模型库中各血压模型对应的PPG信号的特征值发送给电子设备100。电子设备100可以存储接收到的模型库、与模型库中各血压模型对应的PPG信号的特征值。
电子设备100可以采集用户的PPG信号,并利用该PPG信号从模型库中选取与用户适配的血压模型。电子设备100可以对选取出来的血压模型进行标记。例如,被选取出来的血压模型可对应有模型标识符。而未被选取的血压模型没有模型标识符。该模型标识符可表示与该模型标识符对应的血压模型为与用户适配的血压模型。电子设备100可以利用模型标识符对应的血压模型来检测用户高血压风险的高低程度。
电子设备100更新用于检测用户高血压风险的高低程度的血压模型时,可以更新上述模型标识符对应的血压模型。电子设备100更新上述模型标识符对应的血压模型的方法可以参考前述实施例中电子设备200更新模型标识符对应的血压模型的方法,这里不再赘述。
在一些实施例中,云服务器300还可以将模型库中各血压模型的模型属性发送给电子设备100。一个血压模型的模型属性可以由PPG信号数据集中训练得到这一个血压模型的一组训练数据中用户的信息确定。电子设备100在选取与用户适配的血压模型时,可以结合该用户的信息(如性别、年龄、身高、体重)与该用户的PPG信号从模型库中选取血压模型。
在一些实施例中,云服务器300可以根据用户接收到的PPG信号从模型库中选取与用户适配的血压模型,并将选取出来的血压模型发送给电子设备100。电子设备100可以存储接收到的血压模型,并利用接收到的血压模型来检测用户高血压风险的高低程度。
具体的,电子设备100可以采集用户的PPG信号,并将用户的PPG信号发送给云服务器,请求获取血压模型。云服务器300可以根据接收到的PPG信号从模型库中选取血压模型,并将选取出来的血压模型发送给电子设备100。
若电子设备100中未存储有血压模型,电子设备100可以在首次检测用户高血压风险的高低程度时,向云服务器300请求获取血压模型。
其中,响应于用于触发电子设备100更新血压模型的用户操作,电子设备100可以向云服务器300请求获取血压模型,并利用从云服务器300获取的血压模型替换自己已存储的血压模型。上述用户操作可以例如是作用在图3D所示模型更新控件233上的触摸操作。可选的,电子设备100还可以定期或者不定期自动更新自己存储的血压模型。
在一些实施例中,云服务器300可以结合用户的PPG信号以及该用户的信息(如性别、年龄、身高、体重)从模型库中选取与该用户适配的血压模型。其中,电子设备100可以将用户的PPG信号以及该用户的信息发送给云服务器300。
在图7所示的通信系统30中,电子设备100或者云服务器300可以从模型库中选取与用户适配的血压模型。电子设备100可以利用选取出来的血压模型确定该用户高血压风险的高低程度。这可以减少不同用户身体情况不同对检测结果的影响。另外,电子设备100可以更新用于检测用户高血压风险的高低程度的血压模型。更新后的血压模型与当前身体情况下的用户最为适配。这不仅可以减少用户的身体情况发生变化对检测结果的影响,提高检测用户高血压风险的高低程度的准确率,而且可以简化用户在检测用户高血压风险的高低程度时对电子设备的校准操作,提高用户进行高血压风险检测的便捷性。
下面介绍本申请实施例提供的另一种通信系统40。
图8示例性示出了通信系统40的架构图。如图8所示,通信系统40可包括电子设备200和云服务器300。其中:
电子设备200的类型和结构可以参考前述实施例的说明。电子设备200可以通过2G网络、3G网络、4G网络、5G网络、WLAN等连接上云服务器300。
电子设备200可以采集用户的PPG信号,并利用自己存储的血压模型来检测用户高血压风险的高低程度。电子设备200中存储的血压模型是由云服务器300发送的。
云服务器300可以建立并更新模型库。云服务器300建立并更新模型库的方法可以参考前述通信系统20中的介绍,这里不再赘述。
在一些实施例中,云服务器300可以根据用户接收到的PPG信号从模型库中选取与用户适配的血压模型,并将选取出来的血压模型发送给电子设备200。电子设备200可以存储接收到的血压模型,并利用接收到的血压模型来检测用户高血压风险的高低程度。
电子设备200向云服务器300请求获取血压模型的方法可以参考前述实施例中电子设备100向云服务器请求获取血压模型的方法,这里不再赘述。
在图8所示的通信系统40中,电子设备200或者云服务器300可以从模型库中选取与用户适配的血压模型。电子设备200可以利用选取出来的血压模型确定该用户高血压风险的高低程度。这可以减少不同用户身体情况不同对检测结果的影响。另外,电子设备200可以更新用于检测用户高血压风险的高低程度的血压模型。更新后的血压模型与当前身体情况下的用户最为适配。这不仅可以减少用户的身体情况发生变化对检测结果的影响,提高检测用户高血压风险的高低程度的准确率,而且可以简化用户在检测用户高血压风险的高低程度时对电子设备的校准操作,提高用户进行高血压风险检测的便捷性。
在本申请实施例中,电子设备(如本申请中的电子设备100或电子设备200)可以采集第一用户的第一PPG信号。上述第一PPG信号可以是电子设备在检测高血压风险的高低程度时采集的。示例性的,响应于作用在图3A所示的开始测量控件212的用户操作,或者响应于作用在图3D所示的开始测量控件232的用户操作,电子设备可以采集PPG信号,得到上述第一PPG信号。电子设备可以利用上述第一PPG信号和血压模型来确定第一用户高血压风险的高低程度。
电子设备还可以采集第一用户的第二PPG信号。上述第二PPG信号可以是电子设备在选取与第一用户适配的血压模型时采集的。示例性的,在电子设备定期或不定期自动更新血压模型时,或者响应于用于更新血压模型的用户操作(如作用在图3A所示的模型更新控件213的用户操作或者作用在图3D所示的模型更新控件233的用户操作),电子设备可以采集PPG信号,得到上述第二PPG信号。电子设备可以利用上述第二PPG信号从模型库中选取与第一用户适配的血压模型。
需要进行说明的是,上述第一PPG信号和上述第二PPG信号可以是同一个PPG信号。示例性的,响应于作用在图3A所示的开始测量控件212的用户操作,或者响应于作用在图3D所示的开始测量控件232的用户操作,电子设备可以采集PPG信号以检测第一用户高血压风险的高低程度。其中,电子设备还未确定与第一用户适配的血压模型。电子设备可以用采集到的PPG信号从模型库中选取与第一用户适配的血压模型。利用上述采集到的PPG信号和被选取的血压模型,电子设备可以确定第一用户高血压风险的高低程度。
在本申请实施例中,模型库中的一个血压模型可以由一组训练样本训练得到。一组训练样本可以包括一个用户的多个PPG信号的特征、采集上述多个PPG信号时这一个用户高血压风险的高低程度。其中,得到一组训练样本的多个PPG信号是在第一时间段内采集到的。上述第一时间段的时间长度可以例如是一周、一个月。本申请实施例对上述第一时间段的时间长度不作具体限定。在上述第一时间段内,人的身体情况一般没有特别大的变化。上述第一时间段内采集的多个PPG信号可以反映人在第一时间段内的身体情况。利用上述一组训练样本训练得到的一个血压模型可以比较准确地检测在对应身体情况下的用户高血压风险的高低程度。
其中,在选取血压模型时,电子设备可以比较用户的PPG信号的特征与训练一个血压模型的一组训练样本的PPG信号的特征,来判断用户的身体情况是否与这一个血压模型对应。
在本申请实施例中,第一PPG信号采集的时间和第二PPG信号采集的时间之间的时间间隔不超过第二时间段的时间长度。上述第二时间段的时间长度可以例如是一周、一个月。本申请实施例对上述第二时间段的时间长度不作具体限定。由前述实施例可知,上述第一PPG信号可用于确定用户高血压风险的高低程度。上述第二PPG信号可用于从模型库中选取与用户适配的血压模型。电子设备可以定期或不定期更新血压模型,或者响应于用于更新血压模型的用户操作来更新血压模型。电子设备连续两次更新血压模型之间的时间段即为上述第二时间段。在连续两次更新血压模型之间的时间段内,电子设备可以利用前一次更新血压模型时被选取的血压模型来检测用户高血压风险的高低程度。
在本申请实施例中,电子设备可以接收到第一用户操作。该第一用户操作时指示选取血压模型的用户操作。上述第一用户操作可以例如是作用在图3A所示的模型更新控件213的用户操作,或者是作用在图3D所示的模型更新控件233的用户操作。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (17)
1.一种高血压风险检测方法,其特征在于,所述方法包括:
获取第一用户的第一光电容积脉搏波PPG信号;
为所述第一用户从p个血压模型中选取出q个血压模型;所述p个血压模型由p组训练样本训练得到,所述p个血压模型中一个血压模型由一组所述训练样本训练得到;一组所述训练样本包括一个用户的多个PPG信号的特征、采集所述PPG信号时所述一个用户高血压风险的高低程度,得到一组所述训练样本的多个PPG信号是在第一时间段内采集到的;所述p为正整数,所述q为小于或等于p的正整数;
利用所述q个血压模型和所述第一PPG信号确定所述第一用户高血压风险的高低程度。
2.根据权利要求1所述的方法,其特征在于,所述为所述第一用户从p个血压模型中选取出q个血压模型,所述方法具体包括:
获取所述第一用户的第二PPG信号,并利用所述第二PPG信号从所述p个血压模型中选取出所述q个血压模型;其中,所述q个血压模型由所述p组训练样本中的q组训练样本训练得到,所述q组训练样本的PPG信号的特征是所述p组训练样本中与所述第二PPG信号的特征差距最小的。
3.根据权利要求1所述的方法,其特征在于,所述为所述第一用户从p个血压模型中选取出q个血压模型,所述方法具体包括:
获取所述第一用户的生理特征信息,所述生理特征信息包括以下一项或多项:年龄、性别、身高、体重;
利用所述第一用户的生理特征信息从所述p个血压模型中选取出所述q个血压模型;其中,所述q个血压模型由所述p组训练样本中的q组训练样本训练得到,所述q组训练样本的PPG信号所属用户的生理特征信息与所述第一用户的生理特征信息属于相同的取值范围。
4.根据权利要求1所述的方法,其特征在于,所述为所述第一用户从p个血压模型中选取出q个血压模型,所述方法具体包括:
获取所述第一用户的生理特征信息,所述生理特征信息包括以下一项或多项:年龄、性别、身高、体重;
利用所述第一用户的生理特征信息从所述p个血压模型中选取出所述w个血压模型;其中,所述w个血压模型由所述p组训练样本中的w组训练样本训练得到,所述w组训练样本的PPG信号所属用户的生理特征信息与所述第一用户的生理特征信息属于相同的取值范围;所述w为小于或等于p且大于或等于q的正整数;
获取所述第一用户的第二PPG信号,并利用所述第二PPG信号从所述w个血压模型中选取出所述q个血压模型;其中,所述q个血压模型由所述w组训练样本中的q组训练样本训练得到,所述q组训练样本的PPG信号的特征是所述w组训练样本中与所述第二PPG信号的特征差距最小的。
5.根据权利要求2或4所述的方法,其特征在于,所述第一PPG信号采集的时间和所述第二PPG信号采集的时间之间的时间间隔不超过第二时间段的时间长度。
6.根据权利要求2或4或5所述的方法,其特征在于,在获取所述第一用户的第二PPG信号之前,所述方法还包括:
接收到第一用户操作,所述第一用户操作是指示选取血压模型的用户操作。
7.根据权利要求1-6中任一项所述的方法,其特征在于,采集一个PPG信号时被测量者高血压风险的高低程度为采集所述一个PPG信号时所述被测量者的收缩压高于140mmHg的概率;或者,
采集一个PPG信号时所述被测量者高血压风险的高低程度为采集所述一个PPG信号时所述被测量者的舒张压高于90mmHg的概率。
8.一种高血压风险检测系统,其特征在于,所述系统包括第一电子设备和第二电子设备,其中:
所述第二电子设备用于为第一用户从p个血压模型中选取出q个血压模型,并将所述q个血压模型发送给所述第一电子设备;所述p个血压模型由p组训练样本训练得到,所述p个血压模型中一个血压模型由一组所述训练样本训练得到;一组所述训练样本包括一个用户的多个PPG信号的特征、采集所述PPG信号时所述一个用户高血压风险的高低程度,得到一组所述训练样本的多个PPG信号是在第一时间段内采集到的;所述p为正整数,所述q为小于或等于p的正整数;
所述第一电子设备用于采集所述第一用户的第一PPG信号,并利用所述q个血压模型和所述第一PPG信号确定所述第一用户高血压风险的高低程度。
9.根据权利要求8所述的系统,其特征在于,所述第一电子设备还用于采集所述第一用户的第二PPG信号,并将所述第二PPG信号发送给所述第二电子设备;
所述第二电子设备用于利用所述第二PPG信号从所述p个血压模型中选取出所述q个血压模型;其中,所述q个血压模型由所述p组训练样本中的q组训练样本训练得到,所述q组训练样本的PPG信号的特征是所述p组训练样本中与所述第二PPG信号的特征差距最小的。
10.根据权利要求8所述的系统,其特征在于,所述第二电子设备还用于获取所述第一用户的生理特征信息,并利用所述生理特征信息从所述p个血压模型中选取出所述q个血压模型;所述生理特征信息包括以下一项或多项:年龄、性别、身高、体重;所述q个血压模型由所述p组训练样本中的q组训练样本训练得到,所述q组训练样本的PPG信号所属用户的生理特征信息与所述第一用户的生理特征信息属于相同的取值范围。
11.根据权利要求8所述的系统,其特征在于,所述第二电子设备还用于获取所述第一用户的生理特征信息,并利用所述生理特征信息从所述p个血压模型中选取出所述w个血压模型;所述生理特征信息包括以下一项或多项:年龄、性别、身高、体重;所述w个血压模型由所述p组训练样本中的w组训练样本训练得到,所述w组训练样本的PPG信号所属用户的生理特征信息与所述第一用户的生理特征信息属于相同的取值范围;所述w为小于或等于p且大于或等于q的正整数;
所述第一电子设备还用于采集所述第一用户的第二PPG信号,并将所述第二PPG信号发送给所述第二电子设备;
所述第二电子设备还用于利用所述第二PPG信号从所述w个血压模型中选取出所述q个血压模型;其中,所述q个血压模型由所述w组训练样本中的q组训练样本训练得到,所述q组训练样本的PPG信号的特征是所述w组训练样本中与所述第二PPG信号的特征差距最小的。
12.根据权利要求9或11所述的系统,其特征在于,所述第一PPG信号采集的时间和所述第二PPG信号采集的时间之间的时间间隔不超过第二时间段的时间长度。
13.根据权利要求9或11或12所述的系统,其特征在于,在采集所述第一用户的第二PPG信号之前,所述第一电子设备还用于接收第一用户操作,所述第一用户操作用于指示所述第一电子设备采集所述第二PPG信号,并向所述第二电子设备发送所述第二PPG信号以及获取血压模型的请求。
14.根据权利要求9或11或12所述的系统,其特征在于,在采集所述第一用户的第二PPG信号之前,所述第一电子设备还用于接收来自所述第二电子设备获取PPG信号的请求,所述获取PPG信号的请求是所述第二电子设备接收到第二用户操作之后发送的,所述第二用户操作用于指示所述第二电子设备选取血压模型。
15.一种电子设备,其特征在于,所述电子设备包括PPG信号采集装置、存储器和处理器,其中,所述PPG信号采集装置用于采集PPG信号,所述存储器用于存储存储计算机程序,所述处理器用于调用所述计算机程序,使得所述电子设备执行权利要求1-7中任一项所述的方法。
16.一种计算机存储介质,其特征在于,包括:计算机指令;当所述计算机指令在电子设备上运行时,使得所述电子设备执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,其特征在于,当所述计算机程序产品在电子设备上运行时,使得所述电子设备执行权利要求1-7中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344922.4A CN115137323A (zh) | 2021-03-31 | 2021-03-31 | 高血压风险检测方法及相关装置 |
EP22778823.9A EP4293684A1 (en) | 2021-03-31 | 2022-03-26 | Hypertension risk measurement method and related apparatus |
PCT/CN2022/083229 WO2022206641A1 (zh) | 2021-03-31 | 2022-03-26 | 高血压风险检测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344922.4A CN115137323A (zh) | 2021-03-31 | 2021-03-31 | 高血压风险检测方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115137323A true CN115137323A (zh) | 2022-10-04 |
Family
ID=83404037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110344922.4A Pending CN115137323A (zh) | 2021-03-31 | 2021-03-31 | 高血压风险检测方法及相关装置 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4293684A1 (zh) |
CN (1) | CN115137323A (zh) |
WO (1) | WO2022206641A1 (zh) |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201426620A (zh) * | 2012-12-19 | 2014-07-01 | Ind Tech Res Inst | 健康檢查路徑評估指標建構系統、方法、運用此方法之裝置及電腦程式產品 |
US10561321B2 (en) * | 2013-12-12 | 2020-02-18 | Alivecor, Inc. | Continuous monitoring of a user's health with a mobile device |
WO2016162838A1 (en) * | 2015-04-08 | 2016-10-13 | Koninklijke Philips N.V. | Cardiovascular deterioration warning score |
WO2016205414A1 (en) * | 2015-06-15 | 2016-12-22 | Vital Labs, Inc. | Method and system for cardiovascular disease assessment and management |
EP3170449A1 (en) * | 2015-11-20 | 2017-05-24 | Tata Consultancy Services Limited | Device and method to detect diabetes in a person using pulse palpation signal |
CN106343976B (zh) * | 2016-09-14 | 2018-09-07 | 京东方科技集团股份有限公司 | 建立血压模型的方法和装置以及确定血压的方法和装置 |
JP7010946B2 (ja) * | 2016-12-12 | 2022-01-26 | コーニンクレッカ フィリップス エヌ ヴェ | 健康状態の計算解析を容易化するシステム及び方法 |
JP6881687B2 (ja) * | 2017-12-20 | 2021-06-02 | 株式会社村田製作所 | ユーザの精神/感情状態をモデリングする方法およびシステム |
CN107863156A (zh) * | 2017-12-26 | 2018-03-30 | 桂林电子科技大学 | 一种高血压筛查与管理方法与装置 |
US20210121083A1 (en) * | 2018-03-27 | 2021-04-29 | Sharp Kabushiki Kaisha | Model setting device, contactless blood pressure measurement device, model setting method, and recording medium |
EP3861558A1 (en) * | 2018-10-05 | 2021-08-11 | Alivecor, Inc. | Continuous monitoring of a user's health with a mobile device |
CN109767836A (zh) * | 2018-12-29 | 2019-05-17 | 上海亲看慧智能科技有限公司 | 一种医学诊断人工智能系统、装置及其自我学习方法 |
CN112420195A (zh) * | 2020-11-06 | 2021-02-26 | 清华大学 | 一种高血压风险预测方法及装置 |
-
2021
- 2021-03-31 CN CN202110344922.4A patent/CN115137323A/zh active Pending
-
2022
- 2022-03-26 WO PCT/CN2022/083229 patent/WO2022206641A1/zh active Application Filing
- 2022-03-26 EP EP22778823.9A patent/EP4293684A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022206641A1 (zh) | 2022-10-06 |
EP4293684A1 (en) | 2023-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107580471B (zh) | 可穿戴脉搏感测设备信号质量估计 | |
JP6608527B2 (ja) | 装置、端末および生体情報システム | |
US20190350464A1 (en) | Electronic device for measuring blood pressure and operating method thereof | |
KR20210060246A (ko) | 생체 데이터를 획득하는 장치 및 그 방법 | |
EP4070719A1 (en) | Electronic device, method for controlling same to perform ppg detection, and medium | |
CN112057065B (zh) | 一种血压测量方法及电子设备 | |
WO2021248976A1 (zh) | 脉搏检测方法、终端设备和智能鞋 | |
KR102599771B1 (ko) | 전자 장치에서 혈압 보정 시점을 결정하기 위한 장치 및 방법 | |
WO2022206641A1 (zh) | 高血压风险检测方法及相关装置 | |
WO2022033554A1 (zh) | 脉搏波测量装置及其脉搏波测量方法、系统和介质 | |
WO2022100597A1 (zh) | 动作自适应评价方法、电子设备和存储介质 | |
KR20150138736A (ko) | 심음, 또는 폐음을 이용한 사용자의 건강 상태 정보 제공 장치 및 방법 | |
CN114581358A (zh) | 心率检测方法及电子设备 | |
CN114424933B (zh) | 基于便携式电子设备的pwv检测方法和装置 | |
US11806169B2 (en) | Electronic device for integrating and presenting physiological data between multiple devices and method thereof | |
WO2021233018A1 (zh) | 运动后肌肉疲劳度的检测方法及装置、电子设备 | |
CN113749611B (zh) | 数据测量方法及相关装置 | |
CN113359120B (zh) | 用户活动距离的测量方法、设备和电子设备 | |
US20220296115A1 (en) | Apparatus and method for estimating bio-information | |
CN117678988A (zh) | 血压测量方法及电子设备 | |
CN116671884A (zh) | 血压测量的方法及装置 | |
CN117711565A (zh) | 一种运动恢复时间确定方法及电子设备 | |
CN116919367A (zh) | 一种血压测量方法及装置 | |
CN114847943A (zh) | 血氧数据处理方法、相关装置及介质 | |
CN117982126A (zh) | 一种提示方法、装置、电子设备及存储介质 |
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 |