CN116636826A - 血压估算模型的训练方法、装置、电子设备及存储介质 - Google Patents
血压估算模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116636826A CN116636826A CN202310927162.9A CN202310927162A CN116636826A CN 116636826 A CN116636826 A CN 116636826A CN 202310927162 A CN202310927162 A CN 202310927162A CN 116636826 A CN116636826 A CN 116636826A
- Authority
- CN
- China
- Prior art keywords
- blood flow
- blood
- flow velocity
- blood pressure
- anchor point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 117
- 238000012549 training Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000017531 blood circulation Effects 0.000 claims abstract description 144
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 66
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 12
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000002792 vascular Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000009530 blood pressure measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- A61B5/02—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
- A61B5/026—Measuring blood flow
- A61B5/0265—Measuring blood flow using electromagnetic means, e.g. electromagnetic flowmeter
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Vascular Medicine (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Electromagnetism (AREA)
- Hematology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及一种血压估算模型的训练方法、装置、电子设备及存储介质，获取训练数据集，对训练数据集进行特征提取处理，以提取出若干血液流速特征组，基于一项血液流速特征组建立第一血管模型；采用微波/射频多普勒法在第一血管模型上设定第一锚点，并经过预设时间后在第一血管模型上确定出第二锚点，通过第一锚点与第二锚点确定出第一血管模型的第一血液流速信息；基于若干血液流速特征组对第一血液流速信息进行均值修正得到第二血液流速信息；采用第二血液流速信息输入至血压计算公式后得到血压估算模型；采用非接触式血压估算电子设备对用户进行血压估算，以实现快速的在医疗点上估算用户群体对应的血压值的效果。
Description
技术领域
本发明涉及医学测量的技术领域，特别涉及一种血压估算模型的训练方法、装置、电子设备及存储介质。
背景技术
血压估算的主要用途是在日常生活中快速、非侵入性地监测血压水平。它可以帮助人们了解自己的健康状况，及时发现异常情况，并在必要时采取适当的行动。血压估算也可以应用于临床医学领域，辅助医生进行初步评估和诊断。
在现有技术中也具有对血压估算模型的训练方法，参考专利公开号CN111973164A-智能可穿戴监测设备、系统及血压估算模型的训练方法，通过在云端服务器上采用人群训练数据进行模型的预训练，得到人群血压估计模型，并将人群血压估计模型的模型参数传输至智能健康管理模块；在智能健康管理模块上采用个体训练数据对人群血压估计模型进行训练以得到个体血压估算模型，其中个体血压估算模型用于在智能健康管理模块上估算待监测对象的血压，而目前的血压测量设备以非侵入式为主，因此在非侵入式的血压测量设备上训练血压估算模型，其依赖于采集的数据质量和多样性，来支撑血压估算过程。
发明内容
本发明的主要目的为提供一种血压估算模型的训练方法、装置、电子设备及存储介质，采用非接触式血压估算电子设备对用户进行血压估算，以实现快速的在医疗点上估算用户群体对应的血压值，并通过训练于非接触式血压估算电子设备上的血压估算模型提升非接触式血压估算精度。
为实现上述目的，本发明提供了一种血压估算模型的训练方法，包括以下步骤：
通过云端服务器获取训练数据集，所述训练数据集包括心率值和与心率值相对应的血液流速；
对所述训练数据集进行特征提取处理，以提取出与所述训练数据集中若干样本数据一一对应的若干血液流速特征组，所述样本数据为患者对应的心率值及血液流速数据；
基于一项所述血液流速特征组建立第一血管模型；
采用微波/射频多普勒法在所述第一血管模型上设定第一锚点，并经过预设时间后在第一血管模型上确定出第二锚点，通过所述第一锚点与第二锚点确定出第一血管模型的第一血液流速信息；
基于若干所述血液流速特征组对所述第一血液流速信息进行均值修正得到第二血液流速信息；
采用所述第二血液流速信息输入至血压计算公式后得到血压估算模型。
进一步地，对所述训练数据集进行特征提取处理，以提取出与所述训练数据集中若干样本数据一一对应的若干血液流速特征组的步骤，包括：
采用文本分类器根据所述训练数据集中各个患者标签，对应创建患者数据组；
将与所述患者标签对应的样本数据输入至所述患者数据组中，生成所述血液流速特征组。
进一步地，所述采用微波/射频多普勒法在所述第一血管模型上设定第一锚点，并经过预设时间后在第一血管模型上确定出第二锚点，通过所述第一锚点与第二锚点确定出第一血管模型的第一血液流速信息的步骤，包括：
在所述第一血管模型上设置符合微波/射频多普勒法的发射波和反射波；
通过所述发射波与反射波在第一血管模型上放置的先后顺序，对所述第一血管模型建立正向向量和反向向量，所述正向向量和反向向量为血液相对于发射波与反射波位置的正反流动方向；
采用所述正向向量和反向向量确定出血流方向的反射波频移，所述反射波频移包括高频与低频；
通过反射波频移输入至微波多普勒平移公式中，得到第一锚点与第二锚点的夹角值；
通过所述夹角值以确定出第一血管模型的第一血液流速信息。
进一步地，所述微波多普勒平移公式为：
其中，为光速，v为血液流速，/>为反射波频移，/>为发射波与反射波的均值频率，为传播介质的相对介电常数，/>为夹角值。
进一步地，基于若干所述血液流速特征组对所述第一血液流速信息进行均值修正得到第二血液流速信息的步骤，包括：
对其余若干所述血液流速特征组均进行第一血液流速信息的训练，得到若干第一血液流速信息；
对所有的第一血液流速信息进行均值计算，得到修正的第二血液流速信。
进一步地，血压估算模型的训练完成后对用户进行血压估算的步骤，包括：
识别用户手臂位置是否非接触式的伸入电子设备的预设位置；
若是，则通过所述血压估算模型对用户手臂进行血压估算过程以输出血压值。
进一步地，所述通过所述血压估算模型对用户手臂进行血压估算过程以输出血压值的步骤，包括：
通过发射波和反射波向用户手臂输出和接收波，以在用户手臂的用户血管位置上设定锚点；
通过所述锚点的偏移方向判断用户血管内血液流向为正向或反向；
识别确定偏移方向后的锚点的偏移量，根据所述偏移量得到反射波频移；
通过反射波频移输入至微波多普勒平移公式中，得到所述锚点位移前后的发射波和反射波夹角值；
通过夹角值以确定用户血管内的血液流速，将所述血液流速结合用户手臂上识别到的心率，计算出血压值。
本发明还提出一种血压估算模型的训练装置，包括：
云端获取单元，用于通过云端服务器获取训练数据集，所述训练数据集包括心率值和与心率值相对应的血液流速；
特征提取单元，用于对所述训练数据集进行特征提取处理，以提取出与所述训练数据集中若干样本数据一一对应的若干血液流速特征组，所述样本数据为患者对应的心率值及血液流速数据；
血管模型单元，用于基于一项所述血液流速特征组建立第一血管模型；
微波/射频训练单元，用于采用微波/射频多普勒法在所述第一血管模型上设定第一锚点，并经过预设时间后在第一血管模型上确定出第二锚点，通过所述第一锚点与第二锚点确定出第一血管模型的第一血液流速信息；
均值修正单元，用于基于若干所述血液流速特征组对所述第一血液流速信息进行均值修正得到第二血液流速信息；
血压计算训练单元，用于采用所述第二血液流速信息输入至血压计算公式后得到血压估算模型。
本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述血压估算模型的训练方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的血压估算模型的训练步骤。
本发明提供的血压估算模型的训练方法、装置、电子设备及存储介质具有以下有益效果：
（1）通过训练于非接触式血压估算电子设备上的血压估算模型提升非接触式血压估算精度；
（2）通过采用微波/射频多普勒法在第一血管模型上设定第一锚点，并经过预设时间后在第一血管模型上确定第二锚点，可以通过第一锚点与第二锚点确定第一血管模型的血液流速信息。这样可以准确地确定血流的方向和速度，提供可信的输入数据给血压计算公式。
附图说明
图1是本发明一实施例中血压估算模型的训练方法步骤示意图；
图2是本发明一实施例中血压估算模型的训练装置结构框图；
图3是本发明一实施例的电子设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1为本发明提出的一种血压估算模型的训练方法的流程示意图，包括以下步骤：
S1，通过云端服务器获取训练数据集，所述训练数据集包括心率值和与心率值相对应的血液流速；
S2，对所述训练数据集进行特征提取处理，以提取出与所述训练数据集中若干样本数据一一对应的若干血液流速特征组，所述样本数据为患者对应的心率值及血液流速数据；
S3，基于一项所述血液流速特征组建立第一血管模型；
S4，采用微波/射频多普勒法在所述第一血管模型上设定第一锚点，并经过预设时间后在第一血管模型上确定出第二锚点，通过所述第一锚点与第二锚点确定出第一血管模型的第一血液流速信息；
S5，基于若干所述血液流速特征组对所述第一血液流速信息进行均值修正得到第二血液流速信息；
S6，采用所述第二血液流速信息输入至血压计算公式后得到血压估算模型。
具体的，本发明提出的血压估算模型的训练方法为在电子设备上训练的模型，而该电子设备为本说明的执行主体具体为非接触式血压估算器，以在非接触式血压估算器上训练一血压估算模型，使用云端服务器获取训练数据集，其中包括心率值和相应的血液流速数据。通过对训练数据集进行特征提取处理，提取出与样本数据一一对应的血液流速特征组。然后，基于血液流速特征组建立第一血管模型。接下来，采用微波/射频多普勒法在第一血管模型上设定第一锚点，并经过预设时间后确定第二锚点。通过第一锚点和第二锚点，确定第一血管模型的第一血液流速信息。为了提高准确性，基于其他血液流速特征组对第一血液流速信息进行均值修正，得到第二血液流速信息。最后，将第二血液流速信息输入到血压计算公式中，通过计算得到血压估算模型的输出结果即血压值。该方案的使用效果是实现了血压的准确估算。通过结合心率和血流速等信息，建立血压估算模型，利用微波/射频多普勒法确定血液流速。通过均值修正和输入到血压计算公式中，得到准确的血压估算结果。
在一个实施例中，对所述训练数据集进行特征提取处理，以提取出与所述训练数据集中若干样本数据一一对应的若干血液流速特征组的步骤，包括：
采用文本分类器根据所述训练数据集中各个患者标签，对应创建患者数据组；
将与所述患者标签对应的样本数据输入至所述患者数据组中，生成所述血液流速特征组。
具体的，首先，采用文本分类器对训练数据集中的各个患者标签进行分类。这可以帮助将患者数据分组，使其与相应的标签相关联。然后，将与患者标签对应的样本数据输入到相应的患者数据组中，生成血液流速特征组。这意味着每个患者都有一个对应的数据组，其中包含了相应的样本数据和血液流速特征。通过这种方式，可以根据训练数据集的标签，将数据按照患者进行组织，以生成与样本数据一一对应的血液流速特征组。这有助于后续的模型训练和血压估算过程。
在一个实施例中，所述采用微波/射频多普勒法在所述第一血管模型上设定第一锚点，并经过预设时间后在第一血管模型上确定出第二锚点，通过所述第一锚点与第二锚点确定出第一血管模型的第一血液流速信息的步骤，包括：
在所述第一血管模型上设置符合微波/射频多普勒法的发射波和反射波；
通过所述发射波与反射波在第一血管模型上放置的先后顺序，对所述第一血管模型建立正向向量和反向向量，所述正向向量和反向向量为血液相对于发射波与反射波位置的正反流动方向；
采用所述正向向量和反向向量确定出血流方向的反射波频移，所述反射波频移包括高频与低频；
通过反射波频移输入至微波多普勒平移公式中，得到第一锚点与第二锚点的夹角值；
通过所述夹角值以确定出第一血管模型的第一血液流速信息。
在具体实施时，在第一血管模型上设置符合微波/射频多普勒法的发射波和反射波。根据发射波和反射波在第一血管模型上放置的先后顺序，建立正向向量和反向向量。这些向量表示血液相对于发射波和反射波的流动方向。然后，采用正向向量和反向向量，确定出血流方向的反射波频移。反射波频移包括高频和低频成分。通过将反射波频移输入到微波多普勒平移公式中，可以计算出第一锚点和第二锚点之间发射波与反射波的夹角值。通过夹角值，可以确定第一血管模型的第一血液流速信息。夹角值提供了血液流速方向的重要信息，帮助确定血液流速的大小和速度。这个过程的目的是建立第一血管模型，并通过微波/射频多普勒法计算出血液流速信息。通过确定发射波和反射波的位置和顺序，以及计算夹角值，可以得出第一血管模型的血液流速信息。这为后续的血液流速信息修正和血压估算提供了基础。
优选的，所述微波多普勒平移公式为：
其中，为光速，v为血液流速，/>为反射波频移，/>为发射波与反射波的均值频率，为传播介质的相对介电常数，/>为夹角值。
具体的，基于若干所述血液流速特征组对所述第一血液流速信息进行均值修正得到第二血液流速信息的步骤，包括：
对其余若干所述血液流速特征组均进行第一血液流速信息的训练，得到若干第一血液流速信息；
对所有的第一血液流速信息进行均值计算，得到修正的第二血液流速信。
在一个实施例中，血压估算模型的训练完成后对用户进行血压估算的步骤，包括：
识别用户手臂位置是否非接触式的伸入电子设备的预设位置；
若是，则通过所述血压估算模型对用户手臂进行血压估算过程以输出血压值。
具体的，如果用户的手臂位置被识别为伸入电子设备的预设位置，则可以使用血压估算模型对用户手臂进行血压估算。通过输入相应的血液流速信息到血压计算公式中，可以获得血压估算模型的输出结果即血压值。通过这一步骤，可以实现非接触式的血压估算过程。这有助于提供更便捷的血压监测方法，减少了使用传统方式进行血压测量的不便和不舒适。
具体的，所述通过所述血压估算模型对用户手臂进行血压估算过程以输出血压值的步骤，包括：
通过发射波和反射波向用户手臂输出和接收波，以在用户手臂的用户血管位置上设定锚点；
通过所述锚点的偏移方向判断用户血管内血液流向为正向或反向；
识别确定偏移方向后的锚点的偏移量，根据所述偏移量得到反射波频移；
通过反射波频移输入至微波多普勒平移公式中，得到所述锚点位移前后的发射波和反射波夹角值；
通过夹角值以确定用户血管内的血液流速，将所述血液流速结合用户手臂上识别到的心率，计算出血压值。
参考附图2为本发明提出的一种血压估算模型的训练装置的结构框图，其包括：
云端获取单元1，用于通过云端服务器获取训练数据集，所述训练数据集包括心率值和与心率值相对应的血液流速；
特征提取单元2，用于对所述训练数据集进行特征提取处理，以提取出与所述训练数据集中若干样本数据一一对应的若干血液流速特征组，所述样本数据为患者对应的心率值及血液流速数据；
血管模型单元3，用于基于一项所述血液流速特征组建立第一血管模型；
微波/射频训练单元4，用于采用微波/射频多普勒法在所述第一血管模型上设定第一锚点，并经过预设时间后在第一血管模型上确定出第二锚点，通过所述第一锚点与第二锚点确定出第一血管模型的第一血液流速信息；
均值修正单元5，用于基于若干所述血液流速特征组对所述第一血液流速信息进行均值修正得到第二血液流速信息；
血压计算训练单元6，用于采用所述第二血液流速信息输入至血压计算公式后得到血压估算模型。
在本实施例中，上述装置实施例中的各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
参照图3，本发明实施例中还提供一种电子设备，该电子设备可以是服务器，其内部结构可以如图3所示。该电子设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储本实施例中对应的数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的电子设备的限定。
本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，获取训练数据集，对训练数据集进行特征提取处理，以提取出若干血液流速特征组，基于一项血液流速特征组建立第一血管模型；采用微波/射频多普勒法在第一血管模型上设定第一锚点，并经过预设时间后在第一血管模型上确定出第二锚点，通过第一锚点与第二锚点确定出第一血管模型的第一血液流速信息；基于若干血液流速特征组对第一血液流速信息进行均值修正得到第二血液流速信息；采用第二血液流速信息输入至血压计算公式后得到血压估算模型；采用非接触式血压估算电子设备对用户进行血压估算，以实现快速的在医疗点上估算用户群体对应的血压值的效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种血压估算模型的训练方法，其特征在于，包括以下步骤：
通过云端服务器获取训练数据集，所述训练数据集包括心率值和与心率值相对应的血液流速；
对所述训练数据集进行特征提取处理，以提取出与所述训练数据集中若干样本数据一一对应的若干血液流速特征组，所述样本数据为患者对应的心率值及血液流速数据；
基于一项所述血液流速特征组建立第一血管模型；
采用微波/射频多普勒法在所述第一血管模型上设定第一锚点，并经过预设时间后在第一血管模型上确定出第二锚点，通过所述第一锚点与第二锚点确定出第一血管模型的第一血液流速信息；
基于若干所述血液流速特征组对所述第一血液流速信息进行均值修正得到第二血液流速信息；
采用所述第二血液流速信息输入至血压计算公式后得到血压估算模型。
2.根据权利要求1所述的血压估算模型的训练方法，其特征在于，对所述训练数据集进行特征提取处理，以提取出与所述训练数据集中若干样本数据一一对应的若干血液流速特征组的步骤，包括：
采用文本分类器根据所述训练数据集中各个患者标签，对应创建患者数据组；
将与所述患者标签对应的样本数据输入至所述患者数据组中，生成所述血液流速特征组。
3.根据权利要求1所述的血压估算模型的训练方法，其特征在于，所述采用微波/射频多普勒法在所述第一血管模型上设定第一锚点，并经过预设时间后在第一血管模型上确定出第二锚点，通过所述第一锚点与第二锚点确定出第一血管模型的第一血液流速信息的步骤，包括：
在所述第一血管模型上设置符合微波/射频多普勒法的发射波和反射波；
通过所述发射波与反射波在第一血管模型上放置的先后顺序，对所述第一血管模型建立正向向量和反向向量，所述正向向量和反向向量为血液相对于发射波与反射波位置的正反流动方向；
采用所述正向向量和反向向量确定出血流方向的反射波频移，所述反射波频移包括高频与低频；
通过反射波频移输入至微波多普勒平移公式中，得到第一锚点与第二锚点的夹角值；
通过所述夹角值以确定出第一血管模型的第一血液流速信息。
4.根据权利要求3所述的血压估算模型的训练方法，其特征在于，所述微波多普勒平移公式为：
其中，为光速，v为血液流速，/>为反射波频移，/>为发射波与反射波的均值频率，/>为传播介质的相对介电常数，/>为夹角值。
5.根据权利要求3所述的血压估算模型的训练方法，其特征在于，基于若干所述血液流速特征组对所述第一血液流速信息进行均值修正得到第二血液流速信息的步骤，包括：
对其余若干所述血液流速特征组均进行第一血液流速信息的训练，得到若干第一血液流速信息；
对所有的第一血液流速信息进行均值计算，得到修正的第二血液流速信息。
6.根据权利要求1所述的血压估算模型的训练方法，其特征在于，血压估算模型的训练完成后对用户进行血压估算的步骤，包括：
识别用户手臂位置是否非接触式的伸入电子设备的预设位置；
若是，则通过所述血压估算模型对用户手臂进行血压估算过程以输出血压值。
7.根据权利要求6所述的血压估算模型的训练方法，其特征在于，所述通过所述血压估算模型对用户手臂进行血压估算过程以输出血压值的步骤，包括：
通过发射波和反射波向用户手臂输出和接收波，以在用户手臂的用户血管位置上设定锚点；
通过所述锚点的偏移方向判断用户血管内血液流向为正向或反向；
识别确定偏移方向后的锚点的偏移量，根据所述偏移量得到反射波频移；
通过反射波频移输入至微波多普勒平移公式中，得到所述锚点位移前后的发射波和反射波夹角值；
通过夹角值以确定用户血管内的血液流速，将所述血液流速结合用户手臂上识别到的心率，计算出血压值。
8.一种血压估算模型的训练装置，其特征在于，包括：
云端获取单元，用于通过云端服务器获取训练数据集，所述训练数据集包括心率值和与心率值相对应的血液流速；
特征提取单元，用于对所述训练数据集进行特征提取处理，以提取出与所述训练数据集中若干样本数据一一对应的若干血液流速特征组，所述样本数据为患者对应的心率值及血液流速数据；
血管模型单元，用于基于一项所述血液流速特征组建立第一血管模型；
微波/射频训练单元，用于采用微波/射频多普勒法在所述第一血管模型上设定第一锚点，并经过预设时间后在第一血管模型上确定出第二锚点，通过所述第一锚点与第二锚点确定出第一血管模型的第一血液流速信息；
均值修正单元，用于基于若干所述血液流速特征组对所述第一血液流速信息进行均值修正得到第二血液流速信息；
血压计算训练单元，用于采用所述第二血液流速信息输入至血压计算公式后得到血压估算模型。
9.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述血压估算模型的训练方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的血压估算模型的训练方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927162.9A CN116636826B (zh) | 2023-07-27 | 2023-07-27 | 血压估算模型的训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927162.9A CN116636826B (zh) | 2023-07-27 | 2023-07-27 | 血压估算模型的训练方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116636826A true CN116636826A (zh) | 2023-08-25 |
| CN116636826B CN116636826B (zh) | 2023-09-22 |
Family
ID=87643779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310927162.9A Active CN116636826B (zh) | 2023-07-27 | 2023-07-27 | 血压估算模型的训练方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116636826B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101692976A (zh) * | 2009-10-13 | 2010-04-14 | 华东师范大学 | 基于微波、射频多普勒效应的血液动力学检测方法及其装置 |
| JP2010207344A (ja) * | 2009-03-09 | 2010-09-24 | Koden Kk | 血流圧力血流速度状態判定装置およびその判定方法 |
| CN101884526A (zh) * | 2009-05-13 | 2010-11-17 | 深圳先进技术研究院 | 基于超声血流信息的动脉血压测量装置 |
| CN106419883A (zh) * | 2016-10-20 | 2017-02-22 | 京东方科技集团股份有限公司 | 一种血压检测方法和血压计 |
| US20170172431A1 (en) * | 2015-12-18 | 2017-06-22 | Samsung Electronics Co., Ltd. | Method and apparatus of calculating blood pressure |
| CN107115111A (zh) * | 2017-01-23 | 2017-09-01 | 上海联影医疗科技有限公司 | 血流状态分析系统及方法 |
| CN108735270A (zh) * | 2018-05-25 | 2018-11-02 | 杭州脉流科技有限公司 | 基于降维模型的血流储备分数获取方法、装置、系统和计算机存储介质 |
| EP3629341A1 (en) * | 2018-09-28 | 2020-04-01 | Kardiolytics Inc. | Modelling blood vessels and blood flow |
| WO2021033097A1 (en) * | 2019-08-20 | 2021-02-25 | Ecole Polytechnique Federale De Lausanne (Epfl) | System and methods for real time noninvasive estimation of cardiovascular parameters |
| CN113660901A (zh) * | 2019-04-10 | 2021-11-16 | 皇家飞利浦有限公司 | 颅内血压估计方法和设备 |
| CN114818910A (zh) * | 2022-04-22 | 2022-07-29 | 北京邮电大学 | 一种非接触式血压检测模型训练方法、血压检测方法及装置 |
| CN116030968A (zh) * | 2023-02-10 | 2023-04-28 | 复旦大学附属中山医院 | 一种基于血管内超声影像的血流储备分数预测方法和装置 |
-
2023
- 2023-07-27 CN CN202310927162.9A patent/CN116636826B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010207344A (ja) * | 2009-03-09 | 2010-09-24 | Koden Kk | 血流圧力血流速度状態判定装置およびその判定方法 |
| CN101884526A (zh) * | 2009-05-13 | 2010-11-17 | 深圳先进技术研究院 | 基于超声血流信息的动脉血压测量装置 |
| CN101692976A (zh) * | 2009-10-13 | 2010-04-14 | 华东师范大学 | 基于微波、射频多普勒效应的血液动力学检测方法及其装置 |
| US20170172431A1 (en) * | 2015-12-18 | 2017-06-22 | Samsung Electronics Co., Ltd. | Method and apparatus of calculating blood pressure |
| CN106419883A (zh) * | 2016-10-20 | 2017-02-22 | 京东方科技集团股份有限公司 | 一种血压检测方法和血压计 |
| CN107115111A (zh) * | 2017-01-23 | 2017-09-01 | 上海联影医疗科技有限公司 | 血流状态分析系统及方法 |
| CN108735270A (zh) * | 2018-05-25 | 2018-11-02 | 杭州脉流科技有限公司 | 基于降维模型的血流储备分数获取方法、装置、系统和计算机存储介质 |
| EP3629341A1 (en) * | 2018-09-28 | 2020-04-01 | Kardiolytics Inc. | Modelling blood vessels and blood flow |
| CN113660901A (zh) * | 2019-04-10 | 2021-11-16 | 皇家飞利浦有限公司 | 颅内血压估计方法和设备 |
| WO2021033097A1 (en) * | 2019-08-20 | 2021-02-25 | Ecole Polytechnique Federale De Lausanne (Epfl) | System and methods for real time noninvasive estimation of cardiovascular parameters |
| CN114818910A (zh) * | 2022-04-22 | 2022-07-29 | 北京邮电大学 | 一种非接触式血压检测模型训练方法、血压检测方法及装置 |
| CN116030968A (zh) * | 2023-02-10 | 2023-04-28 | 复旦大学附属中山医院 | 一种基于血管内超声影像的血流储备分数预测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116636826B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10755411B2 (en) | Method and apparatus for annotating medical image | |
| CN111275207B (zh) | 基于半监督的横向联邦学习优化方法、设备及存储介质 | |
| US11562222B2 (en) | Systems and methods of identity analysis of electrocardiograms | |
| CN107729929B (zh) | 用于获取信息的方法及装置 | |
| CN113689359B (zh) | 一种图像伪影去除模型及其训练方法和系统 | |
| CN111383259A (zh) | 图像分析方法、计算机设备和存储介质 | |
| RU2016130084A (ru) | Аспекты идентификации биомедицинских устройств для передачи биометрической информации | |
| CN113688912A (zh) | 基于人工智能的对抗样本生成方法、装置、设备及介质 | |
| CN116636826B (zh) | 血压估算模型的训练方法、装置、电子设备及存储介质 | |
| CN112957018A (zh) | 基于人工智能的心脏状态检测方法和装置 | |
| CN112017784B (zh) | 一种基于多模态数据的冠心病风险预测方法及相关设备 | |
| CN111354463A (zh) | 人体健康测量方法、装置、计算机设备及存储介质 | |
| CN116720493A (zh) | 生理数据处理方法、装置、电子设备及存储介质 | |
| CN111144506B (zh) | 基于超声图像的肝包虫识别方法、存储介质及超声设备 | |
| CN116712099A (zh) | 基于多模态数据的胎心状态检测方法、电子设备、存储介质 | |
| CN111860636A (zh) | 测量信息提示方法和超声训练方法 | |
| CN112488982A (zh) | 一种超声图像检测方法及装置 | |
| US9251611B2 (en) | Method and apparatus for medical image display, and user interface screen generating method | |
| CN112834047A (zh) | 一种可穿戴式温度监测设备、温度监测方法及存储介质 | |
| CN112086155A (zh) | 一种基于语音录入的诊疗信息结构化收集方法 | |
| CN110543607A (zh) | 页面数据生成方法、装置、计算机设备及存储介质 | |
| CN117357126A (zh) | 轻量级的深度学习心拍定位方法、装置、设备和介质 | |
| CN109195505B (zh) | 生理测量处理 | |
| CN220713890U (zh) | 一种脑卒中风险评估预警系统 | |
| EP4248879A1 (en) | Information processing device, information processing method, and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |