CN117297571B - 一种血压手表的血压测量方法及血压手表 - Google Patents
一种血压手表的血压测量方法及血压手表 Download PDFInfo
- Publication number
- CN117297571B CN117297571B CN202311441895.8A CN202311441895A CN117297571B CN 117297571 B CN117297571 B CN 117297571B CN 202311441895 A CN202311441895 A CN 202311441895A CN 117297571 B CN117297571 B CN 117297571B
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- model
- neural network
- layer
- network 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.)
- Active
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 68
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 52
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 32
- 230000000306 recurrent effect Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 8
- 230000000630 rising effect Effects 0.000 abstract description 7
- 230000010355 oscillation Effects 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000005259 measurement Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000001174 ascending effect Effects 0.000 description 6
- 238000000691 measurement method Methods 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000000919 ceramic Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- RVCKCEDKBVEEHL-UHFFFAOYSA-N 2,3,4,5,6-pentachlorobenzyl alcohol Chemical compound OCC1=C(Cl)C(Cl)=C(Cl)C(Cl)=C1Cl RVCKCEDKBVEEHL-UHFFFAOYSA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
-
- 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
- A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
- A61B5/02233—Occluders specially adapted therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Vascular Medicine (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Ophthalmology & Optometry (AREA)
- Dentistry (AREA)
- Fuzzy Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及血压测量技术领域，具体公开了一种血压手表的血压测量方法及血压手表，方法包括：生成循环神经网络模型，包括输入层、隐藏层以及输出层，隐藏层共有j层，每层包括i个运算单元，运算单元与其同层后一个运算单元以及下一层同列的运算单元相连，以及，将实时获取的模型输入参数输入到循环神经网络模型中，计算运算单元对应的参数值，并根据参数值生成下一采样时刻的预测速率，再根据预测速率对电源电压值以及气压值进行调节，并进行血压测量。本发明的血压手表在通过上升式测量法进行血压测量时，气泵加压控制根据预测速率进行，确保变化过程不会出现拐点，进而不会发生上扬、下压、振荡等情况，确保测量结果更加精确。
Description
技术领域
本发明涉及血压测量技术领域，尤其涉及一种血压手表的血压测量方法及血压手表。
背景技术
随着科学技术的飞速发展，人们对移动设备的要求越来越高，也更倾向于小巧、便捷、多功能的电子产品，可穿戴设备的出现得到了大众的认可。血压是人体健康体征数据中非常关键的一项，所以市面上出现了小巧、可佩戴在手腕上的多功能智能手表，不仅可以解决日常通信问题，还可以实时检测人的心率、血压、运动等情况，非常适用于老年人和儿童。
目前用于检测血压的智能手表一般都是绑缚在手腕上的，血压的检测原理基本上都是基于上升式测量法，这样会让手表的体积尽量缩小，更加便于携带。但是上升式测量法对气泵加压控制要求很高，还会出现上扬/上凸、下压/下凹、振荡等情况，对血压波造成影响，使得频率混杂，静态气压与动态脉搏信号难以分离的现象。也正是因为静态气压与动态脉搏混合在一起，用传统数字滤波不仅仅无法完全分离，还会因为数字滤波会有相位偏差，即迟滞效应，导致无法实时监测当前气压值，从而导致控制滞后于真实变化，最终影响血压测量精度。
所以基于上述问题，如何提高血压检测精度，是一个亟待解决的问题。
发明内容
针对现有技术中的技术问题，本发明提供一种血压手表的血压测量方法及血压手表。
本发明的一种血压手表的血压测量方法，包括步骤：
获取模型输入参数x；
根据预设的模型建立策略生成循环神经网络模型；所述循环神经网络模型包括输入层、隐藏层以及输出层，所述隐藏层共有j层，每层包括i个运算单元，运算单元与其同层后一个运算单元/>以及下一层同列的运算单元/>相连；其中，/>和/>为正整数，且/>，/>；
设定循环神经网络模型的初始参数，/>，…，/>，并将所述模型输入参数x输入到所述循环神经网络模型中，得到参数值/>；
令所述循环神经网络模型的初始参数为，0，…，0，将实时获取的所述模型输入参数x输入到所述循环神经网络模型中，计算运算单元对应的参数值，为：第一层的参数值/>，第二层及以上的参数值/>；其中，/>为预设的权重系数，/>为预设的偏移量；
根据生成下一采样时刻的预测速率/>；
根据所述预测速率对电源电压值以及气压值进行调节，并进行血压测量。
进一步的，上述方法还包括：
根据预设的模型训练策略对所述循环神经网络模型进行训练；
所述模型训练策略包括：
在血压模拟仪提供正常使用情况和异常使用情况下的血压模拟时，进行血压测量，并获得对应的模型训练参数；
根据预设的损失函数反向传播，对所述循环神经网络模型中的参数进行迭代训练；
其中，损失函数为：
；为经验参数，/>为/>时刻的真实速率，/>包括三个预测值，分别为/>、/>、/>，表示/>时刻的真实驱动比例增减量，/>表示当/>时其值为1，当/>时其值为0，/>表示当/>时其值为1，当时其值为0。
进一步的，所述循环神经网络模型中隐藏层共有3层。
进一步的，根据生成下一采样时刻的预测速率/>，包括：
对进行全连接网络运算，得到运算结果；
根据预设的驱动比例增减量以及所述运算结果计算下一采样时刻的驱动比例，并生成对应的预测速率/>。
进一步的，所述驱动比例增减量的取值为1、-1或0。
进一步的，所述循环神经网络模型中的隐藏层至少有1层，每层至少包括20个运算单元。
本发明还包括一种血压手表，包括主控模块，所述主控模块包括参数获取单元、模型预测单元以及控制单元，其中，
所述参数获取单元，与所述模型预测单元相连接，所述参数获取单元用于获取模型输入参数x；
所述模型预测单元，与所述参数获取单元、控制单元相连接，所述模型预测单元用于根据预设的模型建立策略生成循环神经网络模型；所述循环神经网络模型包括输入层、隐藏层以及输出层，所述隐藏层共有j层，每层包括i个运算单元，运算单元与其同层后一个运算单元/>以及下一层同列的运算单元/>；其中，/>和/>为正整数，且/>，；以及，设定循环神经网络模型的初始参数/>，/>，…，/>，并将所述模型输入参数x输入到所述循环神经网络模型中，得到参数值/>；以及，令所述循环神经网络模型的初始参数为/>，0，…，0，将实时获取的所述模型输入参数x输入到所述循环神经网络模型中，计算运算单元对应的参数值，为：第一层的参数值/>，第二层及以上的参数值/>；其中，/>为预设的权重系数，/>为预设的偏移量；以及，根据/>生成下一采样时刻的预测速率/>；
所述控制单元，与所述模型预测单元相连接，所述控制单元用于根据所述预测速率对电源电压值以及气压值进行调节，并进行血压测量。
进一步的，所述模型预测单元还用于：
根据预设的模型训练策略对所述循环神经网络模型进行训练；
所述模型训练策略包括：
在血压模拟仪提供正常使用情况和异常使用情况下的血压模拟时，进行血压测量，并获得对应的模型训练参数；
根据预设的损失函数反向传播，对所述循环神经网络模型中的参数进行迭代训练；
其中，损失函数为：
；为经验参数，/>为/>时刻的真实速率，/>包括三个预测值，分别为/>、/>、/>，表示/>时刻的真实驱动比例增减量，/>表示当/>时其值为1，当/>时其值为0，/>表示当/>时其值为1，当时其值为0。
进一步的，所述模型预测单元根据生成下一采样时刻的预测速率/>，包括：
对进行全连接网络运算，得到运算结果；
根据预设的驱动比例增减量以及所述运算结果计算下一采样时刻的驱动比例，并生成对应的预测速率/>。
进一步的，血压手表还包括手表本体，连接在所述手表本体两端的表带，在所述表带内侧固定安装的气囊组件，其中：
所述主控模块安装于所述手表本体的内部，并与所述气囊组件电连接。
本发明的血压手表的血压测量方法及血压手表，生成的循环神经网络模型包括输入层、隐藏层以及输出层，隐藏层共有j层，每层包括i个运算单元，运算单元与其同层后一个运算单元以及下一层同列的运算单元相连，将实时获取的模型输入参数输入到循环神经网络模型中，计算运算单元对应的参数值，并根据参数值生成下一采样时刻的预测速率，再根据预测速率对电源电压值以及气压值进行调节，并进行血压测量；本发明对电源电压值以及气压值进行调节，使得血压手表在通过上升式测量法进行血压测量时，气泵加压控制根据预测速率进行，确保变化过程不会出现拐点，进而不会发生上扬、下压、振荡等情况，也就不会对血压波造成影响，确保测量结果更加精确。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例的血压手表的血压测量方法的步骤流程图（一）；
图2为本发明实施例的血压手表的血压测量方法中循环神经网络模型的结构示意图；
图3为本发明实施例的血压手表的血压测量方法的步骤流程图（二）；
图4为本发明实施例的血压手表的血压测量方法的步骤流程图（三）；
图5为本发明实施例的血压手表中主控模块的结构组成图。
具体实施方式
下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通的技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明的保护范围。
血压手表有电路控制和气路控制两部分，其中：
1、电路控制部分：开始测量时，电磁阀关闭，气泵在处理器的控制下，不断根据压力传感器反馈计算当前压力，因为有脉搏的干扰，一般都会用低通数字滤波来获取较精准的压力值，此时压力值会有相对延时。然后根据压力值来估算当前加压速率，控制气泵驱动电路的PWM，对气泵输出功率进行调整，使气压稳定上升。测量结束后，打开电磁阀，排出气囊的空气。
2、气路控制：气泵、电磁阀、气囊、压力传感器，通过直插或管道连通在一起。
以上通用方式可以由陶瓷泵代替传统气泵加电磁阀的功能，达到加压/排放一体化功能，控制陶瓷泵驱动电压可以控制压力上升速率。基于以上内容，本发明实施例的一种血压手表的血压测量方法，如图1所示，包括步骤：
步骤S10：获取模型输入参数x。
本发明实施例中的模型输入参数x为：x=[ V,P,R]；其中，V表示当前的电源电压值，P表示当前的气压值，R表示驱动比例。驱动比例P是指陶瓷泵驱动电压或气泵驱动的PWM，本发明实施例还涉及到驱动比例增减量，该变量是为了让气泵不出现拐点，所以最终的预测值只会在最小分度上进行±1，或不变（即为0）。
本发明实施例的模型输入参数x的获取频率本发明实施例不进行限定，例如以50Hz的频率进行采样，并于用后续的参数预测。
步骤S20：根据预设的模型建立策略生成循环神经网络模型；循环神经网络模型包括输入层、隐藏层以及输出层，隐藏层共有j层，每层包括i个运算单元，运算单元与其同层后一个运算单元/>以及下一层同列的运算单元/>相连；其中，/>和/>为正整数，且，/>。
本发明实施例的循环神经网络模型中，一个序列当前的输出与前面的输出是相关联的。其具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。
本发明实施例对循环神经网络模型中的隐藏层所包含的层数以及每层所包含的运算单元的数量并不做具体的限定，优选的，隐藏层至少有1层，每层至少包括20个运算单元。更为优选的，本发明实施例中的循环神经网络模型中隐藏层共有3层，其中运算单元的连接关系如图2所示。
步骤S30：设定循环神经网络模型的初始参数，/>，…，/>，并将模型输入参数x输入到循环神经网络模型中，得到参数值/>。
步骤S40：令循环神经网络模型的初始参数为，0，…，0，将实时获取的模型输入参数x输入到循环神经网络模型中，计算运算单元对应的参数值，为：第一层的参数值，第二层及以上的参数值/>；其中，/>为预设的权重系数，/>为预设的偏移量。
本步骤将，0，…，0作为初始参数，这是考虑到血压手表中电池、PCBA、气泵等部件会随时间而老化，所以每一次完成测量之后得到的参数值/>都可作为下一次测量的初始参数，可快速进入运算状态。将原本的/>的值设为/>，其余的初始参数/>，…，均设为0。
每获得一个模型输入参数x，就进行一次运算，若隐藏层共有3层，则对应的计算结果为：，/>，以及，权重系数和偏移量为预设值。
步骤S50：根据生成下一采样时刻的预测速率/>。
结合上一步骤的实例，得到的为/>，故具体的，如图3所示，步骤S50：根据/>生成下一采样时刻的预测速率/>，包括：
步骤S501：对进行全连接网络运算，得到运算结果。
步骤S502：根据预设的驱动比例增减量以及运算结果计算下一采样时刻的驱动比例，并生成对应的预测速率/>。
结合前述内容，驱动比例增减量的取值为1、-1或者0。本实施例的循环神经网络模型的输出即预测速率/>为1*3维向量，所以生成的/>包含三个预测值，并未直接给出唯一确定的预测值，所以便于产品厂家做更多定制尝试，例如，可有意做成下压曲线。
步骤S60：根据预测速率对电源电压值以及气压值进行调节，并进行血压测量。
关于血压测量的过程，可直接通过现有的血压手表测量方式实现，例如对测量数据进行双向滤波处理，例如采用matlab的filtfilt函数，计算出真实的气压值而无时间的迟滞。
通过本发明的实施例，对电源电压值以及气压值进行调节，使得血压手表在通过上升式测量法进行血压测量时，气泵加压控制根据预测速率进行，确保变化过程不会出现拐点，进而不会发生上扬、下压、振荡等情况，也就不会对血压波造成影响，确保测量结果更加精确。
在上一实施例的基础上，本发明这一实施例还包括：
步骤S70：根据预设的模型训练策略对循环神经网络模型进行训练。
具体的，如图4所示，模型训练策略包括：
步骤S701：在血压模拟仪提供正常使用情况和异常使用情况下的血压模拟时，进行血压测量，并获得对应的模型训练参数。
本实施例对循环神经网络模型进行训练时，可以通过血压模拟仪模拟多种情况，令样本数据更加多样化，对模型的训练也更全面，使得血压手表的适用情况更加多样化。
步骤S702：根据预设的损失函数反向传播，对循环神经网络模型中的参数进行迭代训练。
其中，损失函数为：
；为经验参数，/>为/>时刻的真实速率，/>包括三个预测值，分别为/>、/>、/>，表示/>时刻的真实驱动比例增减量，其值来自[-1,0,1]，/>表示当/>时其值为1，当/>时其值为0，/>表示当时其值为1，当/>时其值为0。
经验参数可通过多次训练比较得到。将电源电压值下降时真实速率上升的情况结合到损失函数中，是因为该情况属于预测偏差，便于模型训练时更快收敛。本实施例中在进行血压模拟及血压测量时均采用现有方式实现，例如，血压模拟过程中需对马达速率进行调节，以达到特定数值，此过程的调节则采用传统算法，例如PID调节方式，每一次调节都会得到驱动比例增减量/>的具体值，该值则被用于上述损失函数的计算。如上损失函数的计算中，将/>时刻的真实驱动比例增减量/>加1后，与/>时刻的预测速率/>做乘积，之后与真实速率/>作差得到预测结果和真实结果的差异。
本发明实施例的循环神经网络模型的组成可根据处理器的处理能力适当加长，将整个网络的计算分担到每个采样点进行计算，这样也不需要每次记录中间的计算结果，非常适合嵌入式系统和单片机的资源。另外，每次采样后都可以获取、/>、/>三个预测值，处理器可以根据自身的血压算法自主选择相应的目标速率进行调节，不断进行预测和计算，直到血压测量完成。
本发明实施例还包括一种血压手表，如图5所示，包括主控模块100，主控模块100包括参数获取单元101、模型预测单元102以及控制单元103，其中，
参数获取单元101，与模型预测单元102相连接，参数获取单元101用于获取模型输入参数x；
模型预测单元102，与参数获取单元101、控制单元103相连接，模型预测单元102用于根据预设的模型建立策略生成循环神经网络模型；循环神经网络模型包括输入层、隐藏层以及输出层，隐藏层共有j层，每层包括i个运算单元，运算单元与其同层后一个运算单元/>以及下一层同列的运算单元/>相连；其中，/>和/>为正整数，且/>，；以及，设定循环神经网络模型的初始参数/>，/>，…，/>，并将模型输入参数x输入到循环神经网络模型中，得到参数值/>；以及，令循环神经网络模型的初始参数为，0，…，0，将实时获取的模型输入参数x输入到循环神经网络模型中，计算运算单元对应的参数值，为：第一层的参数值/>，第二层及以上的参数值；其中，/>为预设的权重系数，/>为预设的偏移量；以及，根据/>生成下一采样时刻的预测速率/>；
控制单元103，与模型预测单元102相连接，控制单元103用于根据预测速率对电源电压值以及气压值进行调节，并进行血压测量。
具体的，本发明实施例的主控模块100中的模型预测单元102还用于：
根据预设的模型训练策略对循环神经网络模型进行训练；
模型训练策略包括：
在血压模拟仪提供正常使用情况和异常使用情况下的血压模拟时，进行血压测量，并获得对应的模型训练参数；
根据预设的损失函数反向传播，对循环神经网络模型中的参数进行迭代训练；
其中，损失函数为：；/>为经验参数，/>为/>时刻的真实速率，/>包括三个预测值，分别为/>、/>、/>，表示/>时刻的真实驱动比例增减量，/>表示当时其值为1，当/>时其值为0，/>表示当时其值为1，当/>时其值为0。
具体的，本发明实施例中的模型预测单元102根据生成下一采样时刻的预测速率/>，包括：
对进行全连接网络运算，得到运算结果；
根据预设的驱动比例增减量以及运算结果计算下一采样时刻的驱动比例，并生成对应的预测速率/>。
上对于主控模块中所包含的各单元的功能，可结合前述方法实施例的内容进行理解，此处将不再赘述。
具体的，本发明实施例的血压手表还包括手表本体，连接在手表本体两端的表带，在表带内侧固定安装的气囊组件，其中：主控模块安装于手表本体的内部，并与气囊组件电连接。本实施例的气囊组件包含充放气过程涉及到的所有部件，可结合现有技术实现，此处不做具体限定。
本发明实施例的血压手表的血压测量方法及血压手表，生成的循环神经网络模型包括输入层、隐藏层以及输出层，隐藏层共有j层，每层包括i个运算单元，运算单元与其同层后一个运算单元以及下一层同列的运算单元相连，将实时获取的模型输入参数输入到循环神经网络模型中，计算运算单元对应的参数值，并根据参数值生成下一采样时刻的预测速率，再根据预测速率对电源电压值以及气压值进行调节，并进行血压测量；本发明对电源电压值以及气压值进行调节，使得血压手表在通过上升式测量法进行血压测量时，气泵加压控制根据预测速率进行，确保变化过程不会出现拐点，进而不会发生上扬、下压、振荡等情况，也就不会对血压波造成影响，确保测量结果更加精确。
以上借助具体实施例对本发明做了进一步描述，但是应该理解的是，这里具体的描述，不应理解为对本发明的实质和范围的限定，本领域内的普通技术人员在阅读本说明书后对上述实施例做出的各种修改，都属于本发明所保护的范围。
Claims (5)
1.一种血压手表的血压测量方法，其特征在于，包括步骤：
获取模型输入参数x；
根据预设的模型建立策略生成循环神经网络模型；所述循环神经网络模型包括输入层、隐藏层以及输出层，所述隐藏层共有j层，每层包括i个运算单元，运算单元aj,i与其同层后一个运算单元aj,i+1以及下一层同列的运算单元aj+1,i相连；其中，i和j为正整数，且i∈[1,n]，j∈[1,m]；
设定循环神经网络模型的初始参数a1,0，a2,0，…，aj,0，并将所述模型输入参数x输入到所述循环神经网络模型中，得到参数值am,n；
令所述循环神经网络模型的初始参数为am,n，0，…，0，将实时获取的所述模型输入参数x输入到所述循环神经网络模型中，计算运算单元对应的参数值，为：第一层的参数值a1,i＝g(W1(x1,a1,i-1)+b1)，第二层及以上的参数值aj,i＝g(Wj(aj-1,i,aj,i-1)+bj)；其中，W为预设的权重系数，b为预设的偏移量；
根据aj,i生成下一采样时刻的预测速率yi；
根据所述预测速率yi对电源电压值以及气压值进行调节，并进行血压测量；
还包括：
根据预设的模型训练策略对所述循环神经网络模型进行训练；
所述模型训练策略包括：
在血压模拟仪提供正常使用情况和异常使用情况下的血压模拟时，进行血压测量，并获得对应的模型训练参数；
根据预设的损失函数Loss反向传播，对所述循环神经网络模型中的参数进行迭代训练；
其中，损失函数Loss为：
a为经验参数，spi为i时刻的真实速率，yi包括三个预测值，分别为yi(0)、yi(1)、yi(2)，c_truei-1表示i-1时刻的真实驱动比例增减量，Large(yi(0),yi(1))表示当yi(0)＞yi(1)时其值为1，当yi(0)＜yi(1)时其值为0，Large(yi(1),yi(2))表示当yi(1)＞yi(2)时其值为1，当yi(1)＜yi(2)时其值为0；
所述循环神经网络模型中隐藏层共有3层；
根据aj,i生成下一采样时刻的预测速率yi，包括：
对a3,i进行全连接网络运算，得到运算结果；
根据预设的驱动比例增减量ci以及所述运算结果计算下一采样时刻的驱动比例，并生成对应的预测速率yi。
2.如权利要求1所述的一种血压手表的血压测量方法，其特征在于，所述驱动比例增减量ci的取值为1、-1或0。
3.如权利要求1所述的一种血压手表的血压测量方法，其特征在于，所述循环神经网络模型中的隐藏层至少有1层，每层至少包括20个运算单元。
4.一种血压手表，其特征在于，包括主控模块，所述主控模块包括参数获取单元、模型预测单元以及控制单元，其中，
所述参数获取单元，与所述模型预测单元相连接，所述参数获取单元用于获取模型输入参数x；
所述模型预测单元，与所述参数获取单元、控制单元相连接，所述模型预测单元用于根据预设的模型建立策略生成循环神经网络模型；所述循环神经网络模型包括输入层、隐藏层以及输出层，所述隐藏层共有j层，每层包括i个运算单元，运算单元aj,i与其同层后一个运算单元aj,i+1以及下一层同列的运算单元aj+1,i相连；其中，i和j为正整数，且i∈[1,n]，j∈[1,m]；以及，设定循环神经网络模型的初始参数a1,0，a2,0，…，aj,0，并将所述模型输入参数x输入到所述循环神经网络模型中，得到参数值am,n；以及，令所述循环神经网络模型的初始参数为am,n，0，…，0，将实时获取的所述模型输入参数x输入到所述循环神经网络模型中，计算运算单元对应的参数值，为：第一层的参数值a1,i＝g(W1(x1,a1,i-1)+b1)，第二层及以上的参数值aj,i＝g(Wj(aj-1,i,aj,i-1)+bj)；其中，W为预设的权重系数，b为预设的偏移量；以及，根据aj,i生成下一采样时刻的预测速率yi；
所述控制单元，与所述模型预测单元相连接，所述控制单元用于根据所述预测速率yi对电源电压值以及气压值进行调节，并进行血压测量；
所述模型预测单元还用于：
根据预设的模型训练策略对所述循环神经网络模型进行训练；
所述模型训练策略包括：
在血压模拟仪提供正常使用情况和异常使用情况下的血压模拟时，进行血压测量，并获得对应的模型训练参数；
根据预设的损失函数Loss反向传播，对所述循环神经网络模型中的参数进行迭代训练；
其中，损失函数Loss为：
a为经验参数，spi为i时刻的真实速率，yi包括三个预测值，分别为yi(0)、yi(1)、yi(2)，c_truei-1表示i-1时刻的真实驱动比例增减量，Large(yi(0),yi(1))表示当yi(0)＞yi(1)时其值为1，当yi(0)＜yi(1)时其值为0，Large(yi(1),yi(2))表示当yi(1)＞yi(2)时其值为1，当yi(1)＜yi(2)时其值为0；
所述循环神经网络模型中隐藏层共有3层；
所述模型预测单元根据aj,i生成下一采样时刻的预测速率yi，包括：
对a3,i进行全连接网络运算，得到运算结果；
根据预设的驱动比例增减量ci以及所述运算结果计算下一采样时刻的驱动比例，并生成对应的预测速率yi。
5.如权利要求4所述的一种血压手表，其特征在于，还包括手表本体，连接在所述手表本体两端的表带，在所述表带内侧固定安装的气囊组件，其中：
所述主控模块安装于所述手表本体的内部，并与所述气囊组件电连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311441895.8A CN117297571B (zh) | 2023-11-01 | 2023-11-01 | 一种血压手表的血压测量方法及血压手表 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311441895.8A CN117297571B (zh) | 2023-11-01 | 2023-11-01 | 一种血压手表的血压测量方法及血压手表 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117297571A CN117297571A (zh) | 2023-12-29 |
| CN117297571B true CN117297571B (zh) | 2024-04-05 |
Family
ID=89246467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311441895.8A Active CN117297571B (zh) | 2023-11-01 | 2023-11-01 | 一种血压手表的血压测量方法及血压手表 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117297571B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4969466A (en) * | 1988-09-15 | 1990-11-13 | Spacelabs, Inc. | Inflation rate control circuit for blood pressure cuffs |
| JPH06159539A (ja) * | 1992-11-26 | 1994-06-07 | Fukuda Denshi Co Ltd | 血圧測定装置 |
| CN205094424U (zh) * | 2015-11-02 | 2016-03-23 | 山东省医疗器械产品质量检验中心 | 一种基于压力动态平衡的静态压力准确性测试装置 |
| CN106026978A (zh) * | 2016-05-11 | 2016-10-12 | 广州视源电子科技股份有限公司 | 血压测量装置的pwm电路占空比调节方法和系统 |
| CN106108877A (zh) * | 2016-06-03 | 2016-11-16 | 广州中科新知科技有限公司 | 一种血压测量仪 |
-
2023
- 2023-11-01 CN CN202311441895.8A patent/CN117297571B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4969466A (en) * | 1988-09-15 | 1990-11-13 | Spacelabs, Inc. | Inflation rate control circuit for blood pressure cuffs |
| JPH06159539A (ja) * | 1992-11-26 | 1994-06-07 | Fukuda Denshi Co Ltd | 血圧測定装置 |
| CN205094424U (zh) * | 2015-11-02 | 2016-03-23 | 山东省医疗器械产品质量检验中心 | 一种基于压力动态平衡的静态压力准确性测试装置 |
| CN106026978A (zh) * | 2016-05-11 | 2016-10-12 | 广州视源电子科技股份有限公司 | 血压测量装置的pwm电路占空比调节方法和系统 |
| CN106108877A (zh) * | 2016-06-03 | 2016-11-16 | 广州中科新知科技有限公司 | 一种血压测量仪 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117297571A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106326594B (zh) | 一种获取线性谐振致动器输出量的方法和电路 | |
| CN102401857B (zh) | 频率测量装置和电子设备 | |
| CN103823562B (zh) | 自动提醒用户睡觉的方法、系统及可穿戴设备 | |
| JP3930399B2 (ja) | 歩行補助装置 | |
| KR20190016727A (ko) | 신호압축법을 이용한 인체 심박수 모델링을 위한 장치 및 방법 | |
| CN106419893A (zh) | 睡眠状态检测方法和装置 | |
| CA2395154A1 (en) | Technique for synchronizing clocks in a network | |
| CN106026978B (zh) | 血压测量装置的pwm电路占空比调节方法和系统 | |
| CN117297571B (zh) | 一种血压手表的血压测量方法及血压手表 | |
| CN104251712B (zh) | 基于小波多尺度分析的mems陀螺随机误差补偿方法 | |
| CN105043348A (zh) | 基于卡尔曼滤波的加速度计陀螺仪水平角度测量方法 | |
| CN106454679A (zh) | 扬声器振膜状态估计方法及应用其的扬声器驱动电路 | |
| CN102018507A (zh) | 一种基于示波法测量血压的数据分析处理方法 | |
| CN109670139B (zh) | 一种超声波车削装置跟踪频率的确定方法及系统 | |
| CN108071581A (zh) | 一种微型压电泵充气软件控制方法及系统 | |
| CN107765554B (zh) | 一种基于自适应控制节点的月球探测器软着陆最优控制系统 | |
| Dong et al. | Recursive identification algorithm for dynamic systems with output backlash and its convergence | |
| CN112965383A (zh) | 单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法 | |
| CN105988487A (zh) | 控制装置及控制方法 | |
| US20230084426A1 (en) | Apparatus for the control of a training device | |
| CN112274109A (zh) | 身体质量指数区间估测装置及其操作方法 | |
| CN102176117B (zh) | 水果高速分选系统动态称重信号的智能处理方法 | |
| CN107800296A (zh) | 用于电源电流整形的系统和方法 | |
| CN111855031A (zh) | 一种硅谐振压力传感器双频输出转换成单频输出的方法 | |
| Sledevič et al. | The lattice-ladder neuron and its training circuit implementation in FPGA |
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 |