CN117503085A - 血压数据评估方法、装置、电子设备及存储介质 - Google Patents
血压数据评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117503085A CN117503085A CN202311469191.1A CN202311469191A CN117503085A CN 117503085 A CN117503085 A CN 117503085A CN 202311469191 A CN202311469191 A CN 202311469191A CN 117503085 A CN117503085 A CN 117503085A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- pressure data
- index
- influence
- initial weight
- 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
- 230000036772 blood pressure Effects 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011157 data evaluation Methods 0.000 title claims abstract description 28
- 238000013210 evaluation model Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000007418 data mining Methods 0.000 abstract description 10
- 230000007170 pathology Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000012080 ambient air Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
-
- 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
- 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
本发明提供一种血压数据评估方法、装置、电子设备及存储介质。该方法包括:获取样本血压数据及其对应的影响指标;对应确定各影响指标的权重;根据权重和影响指标,计算加权指标,并基于加权指标和样本血压数据对评估模型进行训练,得到训练好的评估模型;根据待测血压数据所对应的影响指标,计算待测加权指标,并将待测加权指标输入至训练好的评估模型中,得到目标血压数据;根据目标血压数据和待测血压数据,确定待测血压数据的有效性。本发明能够评估病状数据的有效性,从而剔除偏差血压数据,以免影响后续的数据挖掘精度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种血压数据评估方法、装置、电子设备及存储介质。
背景技术
在医学辅助诊断领域,通常使用数据挖掘将病状数据中的有用信息挖掘出来,提供给决策者使用,以便决策者根据数据挖掘结果进行疾病诊断。病状数据指的是疾病症状所对应的症状数据。例如,体温、血压以及心率等都属于病状数据。
其中,在对血压数据进行数据挖掘时,通常是直接将测得的血压数据与预设的标准血压数据进行比对,以确定血压数据中的有用信息。然而,血压数据会受多种因素影响。例如,被测者的性别、年龄、环境气压、环境温度以及测量时间等。受上述因素影响,使得直接测得的血压数据可能会出现偏差,进而导致对直接测得的血压数据进行数据挖掘时,挖掘结果的准确性较低。
发明内容
本发明实施例提供了一种血压数据评估方法、装置、电子设备及存储介质,以解决血压数据可能会出现偏差,进而导致数据挖掘准确度较低的问题。
第一方面,本发明实施例提供了一种血压数据评估方法,包括:
获取样本血压数据及其对应的影响指标;
对应确定各影响指标的权重;
根据所述权重和所述影响指标,计算加权指标,并基于所述加权指标和所述样本血压数据对评估模型进行训练,得到训练好的评估模型;
根据待测血压数据所对应的影响指标,计算待测加权指标,并将所述待测加权指标输入至所述训练好的评估模型中,得到目标血压数据;
根据所述目标血压数据和所述待测血压数据,确定所述待测血压数据的有效性。
在一种可能的实现方式中,所述对应确定各影响指标的权重,包括:
获取所述影响指标所对应的多种初始权重组合,得到初始权重集;每一种初始权重组合中包含各影响指标所对应的一种初始权重;
从所述初始权重集中抽取N种初始权重组合,并分别计算不同初始权重组合下,各影响指标所对应的熵值;N为大于1的整数;
当各影响指标所对应的熵值均满足预设条件时,基于所述N种初始权重组合,对应确定各影响指标的权重。
在一种可能的实现方式中,在从所述初始权重集中抽取N种初始权重组合,并分别计算不同初始权重组合下,各影响指标所对应的熵值之后,还包括:
当任一影响指标所对应的熵值不满足所述预设条件时,从所述初始权重集中重新抽取N种初始权重组合,并基于重新抽取的N种初始权重组合,重新计算各影响指标所对应的当前熵值,直到各影响指标所对应的当前熵值均满足预设条件。
在一种可能的实现方式中,所述预设条件为:
其中,Hij表示第i种初始权重组合下,第j个影响指标所对应的熵值,ωij表示第i种初始权重组合下,第j个影响指标所对应的初始权重,表示N种初始权重组合中,第j个影响指标所对应的权重平均值。
在一种可能的实现方式中,所述基于所述N种初始权重组合,对应确定各影响指标的权重,包括:
基于所述N种初始权重组合,对应计算各影响指标所对应的权重平均值,并将所述权重平均值对应确定为各影响指标的权重。
在一种可能的实现方式中,所述根据所述权重和所述影响指标,计算加权指标,包括:
根据A=ωT计算加权特征;
其中,A表示所述加权特征,ω表示所述权重,T表示所述影响指标。
在一种可能的实现方式中,所述根据所述目标血压数据和所述待测血压数据,确定所述待测血压数据的有效性,包括:
当所述目标血压数据与所述待测血压数据之间的差值小于预设差值时,确定所述待测血压数据有效;
否则,确定所述待测血压数据无效。
第二方面,本发明实施例提供了一种血压数据评估装置,包括:
获取模块,用于获取样本血压数据及其对应的影响指标;
训练模块,用于对应确定各影响指标的权重;
所述训练模块,还用于根据所述权重和所述影响指标,计算加权指标,并基于所述加权指标和所述样本血压数据对评估模型进行训练,得到训练好的评估模型;
评估模块,用于根据待测血压数据所对应的影响指标,计算待测加权指标,并将所述待测加权指标输入至所述训练好的评估模型中,得到目标血压数据;
所述评估模块,还用于根据所述目标血压数据和所述待测血压数据,确定所述待测血压数据的有效性。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种血压数据评估方法、装置、电子设备及存储介质,通过基于多种影响因素以及各影响因素所对应的权重对评估模型进行训练,一方面可以学习评估模型学习各影响因素与血压数据之间的映射关系,从而对待测血压数据进行评估,剔除偏差血压数据,保证血压数据的精准性,进而提升后续的数据挖掘精度。另一方面,本发明实施例在对模型训练时引入权重,可以有效帮助模型收敛,提升模型训练速度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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地介绍,显而易见地,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的血压数据评估方法的实现流程图;
图2是本发明实施例提供的对应确定各影响指标的权重的实现流程图;
图3是本发明实施例提供的病状数据评估装置的结构示意图;
图4是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
图1为本发明实施例提供的血压数据评估方法的实现流程图,详述如下:
步骤101,获取样本血压数据及其对应的影响指标。
血压数据会受到年龄、性别、环境气压、环境温度以及测量时间等多种因素的影响。本发明实施例中的影响指标包括但不限于年龄、性别、环境气压、环境温度以及测量时间等。在获取样本血压数据时,对应获取各影响指标值。为便于后续数据处理,可以对各影响指标进行归一化处理。
步骤102,对应确定各影响指标的权重。
不同的影响指标对于血压数据的影响程度不同。由此,本发明实施例对应确定各影响指标的权重,以便于后续可以基于各影响指标及其权重,来学习各影响指标与血压数据之间的映射关系。
参见图2,在对应确定各影响指标的权重时,可以按照下述步骤执行:
步骤201,获取影响指标所对应的多种初始权重组合,得到初始权重集。每一种初始权重组合包含中包含各影响指标所对应的一种初始权重。
对于各影响指标的初始权重,可以基于主观赋权法、客观赋权法或组合赋权法等多种赋权方法,来对应获取各影响指标的初始权重值。或者也可采用专家评分机制,来获取各影响指标的初始权重值。每一种赋权方法可以对应的获得一种初始权重组合。该初始权重组合中包含各影响指标所对应的一种初始权重。采用不同的赋权方法,可以对应得到多种初始权重组合,形成初始权重集。
步骤202,从初始权重集中抽取N种初始权重组合,并分别计算不同初始权重组合下,各影响指标所对应的熵值;N为大于1的整数。
根据计算可以第i种初始权重组合下,第j个影响指标所对应的熵值;
其中,Hij表示第i种初始权重组合下,第j个影响指标所对应的熵值,ωij表示第i种初始权重组合下,第j个影响指标所对应的初始权重,表示N种初始权重组合中,第j个影响指标所对应的权重平均值。
在N种初始权重组合中,第j个影响指标对应N个初始权重。N个初始权重的平均值,即为第j个影响指标所对应的权重平均值。
步骤203,当各影响指标所对应的熵值均满足预设条件时,基于N种初始权重组合,对应确定各影响指标的权重。
熵值越大,说明N种初始权重组合之间的离散程度越大。反之,熵值越小,说明N种初始权重组合之间的离散程度越小。离散程度越小,说明当前抽取的N种初始权重组合越可靠。由此,本发明实施例基于熵值确定用于计算权重的N种初始权重组合。
在一些实施例中,预设条件为:
其中,Hij表示第i种初始权重组合下,第j个影响指标所对应的熵值,ωij表示第i种初始权重组合下,第j个影响指标所对应的初始权重,表示N种初始权重组合中,第j个影响指标所对应的权重平均值。
也就是说,当熵值小于或等于时,基于当前的N种初始权重组合来分别计算各影响指标的权重。
在一些实施例中,基于N种初始权重组合,对应确定各影响指标的权重,包括:
基于N种初始权重组合,对应计算各影响指标所对应的权重平均值,并将权重平均值对应确定为各影响指标的权重。
N种初始权重组合中包含各影响指标所对应的N个初始权重。针对每一个影响指标,根据该影响指标所对应的N个初始权重,计算N个初始权重的平均值,并将其确定为该影响指标的权重平均值。该权重平均值即为该影响指标的权重。
在一些实施例中,当任一影响指标所对应的熵值不满足上述预设条件时,从初始权重集中重新抽取N种初始权重组合,并基于重新抽取的N种初始权重组合,重新计算各影响指标所对应的当前熵值,直到各影响指标所对应的当前熵值均满足预设条件。
步骤103,基于权重和影响指标,计算加权指标,并基于加权指标和样本血压数据对评估模型进行训练,得到训练好的评估模型。
基于各影响指标及其对应的权重,可以对应计算得到加权指标。将加权指标作为评估模型的输入变量,样本血压数据作为评估模型的输出变量对评估模型进行模型训练,用于学习加权特征与样本血压数据之间的映射关系。其中,评估模型可以是BP神经网络模型。
各影响指标的权重用于表征各影响指标对于血压数据的影响程度。预先基于权重计算加权特征,再利用加权特征进行模型训练,可以有效提升模型训练速度,有助于帮助模型快速收敛。
在一些实施例中,可以根据A=ωT计算加权特征;
其中,A表示加权特征,ω表示权重,T表示影响指标。
步骤104,根据待测血压数据所对应的影响指标,计算待测加权指标,并将待测加权指标输入至训练好的评估模型中,得到目标血压数据。
获取待测血压数据时,对应获取该待测血压数据所对应的影响指标。基于影响指标计算待测加权特征,并将待测加权特征输入至训练好的评估模型中,从而得到该待测加权特征所对应的目标血压数据。
步骤105,根据目标血压数据和待测血压数据,确定待测血压数据的有效性。
目标血压数据是基于待测血压数据所对应的影响指标得到的。可以看做是当前各影响指标下的标准血压数据。通过比较目标血压数据和待测血压数据,从而确定待测血压数据的有效性。
在一些实施例中,当目标血压数据与待测血压数据之间的差值小于预设差值时,确定待测血压数据有效;
否则,确定待测血压数据无效。
即,当待测血压数据与目标血压数据之间的差值大于预设差值时,确定该待测数据存在较大偏差,需要丢弃或重新测量,以免影响后续的数据挖掘精准度。这里的预设差值可由用户自行设定,本发明实施例对此不做具体限定。
本发明实施例的有益效果在于:基于多种影响因素以及各影响因素所对应的权重对评估模型进行训练,一方面可以学习评估模型学习各影响因素与血压数据之间的映射关系,从而对待测血压数据进行评估,剔除偏差血压数据,保证血压数据的精准性,进而提升后续的数据挖掘精度。另一方面,本发明实施例在对模型训练时引入权重,可以有效帮助模型收敛,提升模型训练速度。
另外,本发明实施例通过熵值对于各初始权重进行筛选,并从中选取离散程度较小的N种初始权重,进而确定各影响指标的权重,使得各影响指标的权重值更加可靠。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图3示出了本发明实施例提供的病状数据评估装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图3所示,病状数据评估装置3包括:获取模块31、训练模块32以及评估模块33。
获取模块31,用于获取样本血压数据及其对应的影响指标;
训练模块32,用于对应确定各影响指标的权重;
训练模块32,还用于根据权重和影响指标,计算加权指标,并基于加权指标和样本血压数据对评估模型进行训练,得到训练好的评估模型;
评估模块33,用于根据待测血压数据所对应的影响指标,计算待测加权指标,并将待测加权指标输入至训练好的评估模型中,得到目标血压数据;
评估模块33,还用于根据目标血压数据和待测血压数据,确定待测血压数据的有效性。
在一种可能的实现方式中,训练模块32,用于获取影响指标所对应的多种初始权重组合,得到初始权重集;每一种初始权重组合中包含各影响指标所对应的一种初始权重;
训练模块32,还用于从初始权重集中抽取N种初始权重组合,并分别计算不同初始权重组合下,各影响指标所对应的熵值;N为大于1的整数;
训练模块32,还用于当各影响指标所对应的熵值均满足预设条件时,基于N种初始权重组合,对应确定各影响指标的权重。
在一种可能的实现方式中,训练模块32,用于当任一影响指标所对应的熵值不满足预设条件时,从初始权重集中重新抽取N种初始权重组合,并基于重新抽取的N种初始权重组合,重新计算各影响指标所对应的当前熵值,直到各影响指标所对应的当前熵值均满足预设条件。
在一种可能的实现方式中,预设条件为:
其中,Hij表示第i种初始权重组合下,第j个影响指标所对应的熵值,ωij表示第i种初始权重组合下,第j个影响指标所对应的初始权重,表示N种初始权重组合中,第j个影响指标所对应的权重平均值。
在一种可能的实现方式中,训练模块32,用于基于N种初始权重组合,对应计算各影响指标所对应的权重平均值,并将权重平均值对应确定为各影响指标的权重。
在一种可能的实现方式中,训练模块32,用于根据A=ωT计算加权特征;
其中,A表示加权特征,ω表示权重,T表示影响指标。
在一种可能的实现方式中,评估模块33,用于当目标血压数据与待测血压数据之间的差值小于预设差值时,确定待测血压数据有效;否则,确定待测血压数据无效。
本发明实施例的有益效果在于:训练模块32基于多种影响因素以及各影响因素所对应的权重对评估模型进行训练,一方面可以利用评估模型学习各影响因素与血压数据之间的映射关系,从而对待测血压数据进行评估,保证待测血压数据的精准性,进而提升后续的数据挖掘精度。另一方面,训练模块32在对模型训练时引入权重,可以有效帮助模型收敛,提升模型训练速度。
另外,训练模块32通过熵值对于各初始权重进行筛选,并从中选取离散程度较小的N种初始权重,进而确定各影响指标的权重,使得各影响指标的权重值更加可靠。
图4是本发明实施例提供的电子设备的示意图。如图4所示,该实施例的电子设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个血压数据评估方法实施例中的步骤,例如图1所示的步骤101至步骤105。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图3所示模块31至33的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述电子设备4中的执行过程。例如,所述计算机程序42可以被分割成图3所示的模块31至33。
所述电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是电子设备4的示例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述电子设备4的内部存储单元,例如电子设备4的硬盘或内存。所述存储器41也可以是所述电子设备4的外部存储设备,例如所述电子设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述电子设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个血压数据评估方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种血压数据评估方法,其特征在于,包括:
获取样本血压数据及其对应的影响指标;
对应确定各影响指标的权重;
根据所述权重和所述影响指标,计算加权指标,并基于所述加权指标和所述样本血压数据对评估模型进行训练,得到训练好的评估模型;
根据待测血压数据所对应的影响指标,计算待测加权指标,并将所述待测加权指标输入至所述训练好的评估模型中,得到目标血压数据;
根据所述目标血压数据和所述待测血压数据,确定所述待测血压数据的有效性。
2.根据权利要求1所述的血压数据评估方法,其特征在于,所述对应确定各影响指标的权重,包括:
获取所述影响指标所对应的多种初始权重组合,得到初始权重集;每一种初始权重组合中包含各影响指标所对应的一种初始权重;
从所述初始权重集中抽取N种初始权重组合,并分别计算不同初始权重组合下,各影响指标所对应的熵值;N为大于1的整数;
当各影响指标所对应的熵值均满足预设条件时,基于所述N种初始权重组合,对应确定各影响指标的权重。
3.根据权利要求2所述的血压数据评估方法,其特征在于,在从所述初始权重集中抽取N种初始权重组合,并分别计算不同初始权重组合下,各影响指标所对应的熵值之后,还包括:
当任一影响指标所对应的熵值不满足所述预设条件时,从所述初始权重集中重新抽取N种初始权重组合,并基于重新抽取的N种初始权重组合,重新计算各影响指标所对应的当前熵值,直到各影响指标所对应的当前熵值均满足预设条件。
4.根据权利要求2或3所述的血压数据评估方法,其特征在于,所述预设条件为:
其中,Hij表示第i种初始权重组合下,第j个影响指标所对应的熵值,ωij表示第i种初始权重组合下,第j个影响指标所对应的初始权重,表示N种初始权重组合中,第j个影响指标所对应的权重平均值。
5.根据权利要求2或3所述的血压数据评估方法,其特征在于,所述基于所述N种初始权重组合,对应确定各影响指标的权重,包括:
基于所述N种初始权重组合,对应计算各影响指标所对应的权重平均值,并将所述权重平均值对应确定为各影响指标的权重。
6.根据权利要求1所述的血压数据评估方法,其特征在于,所述根据所述权重和所述影响指标,计算加权指标,包括:
根据A=ωT计算加权特征;
其中,A表示所述加权特征,ω表示所述权重,T表示所述影响指标。
7.根据权利要求1所述的血压数据评估方法,其特征在于,所述根据所述目标血压数据和所述待测血压数据,确定所述待测血压数据的有效性,包括:
当所述目标血压数据与所述待测血压数据之间的差值小于预设差值时,确定所述待测血压数据有效;
否则,确定所述待测血压数据无效。
8.一种血压数据评估装置,其特征在于,包括:
获取模块,用于获取样本血压数据及其对应的影响指标;
训练模块,用于对应确定各影响指标的权重;
所述训练模块,还用于根据所述权重和所述影响指标,计算加权指标,并基于所述加权指标和所述样本血压数据对评估模型进行训练,得到训练好的评估模型;
评估模块,用于根据待测血压数据所对应的影响指标,计算待测加权指标,并将所述待测加权指标输入至所述训练好的评估模型中,得到目标血压数据;
所述评估模块,还用于根据所述目标血压数据和所述待测血压数据,确定所述待测血压数据的有效性。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述血压数据评估方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述血压数据评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311469191.1A CN117503085A (zh) | 2023-11-07 | 2023-11-07 | 血压数据评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311469191.1A CN117503085A (zh) | 2023-11-07 | 2023-11-07 | 血压数据评估方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117503085A true CN117503085A (zh) | 2024-02-06 |
Family
ID=89765558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311469191.1A Pending CN117503085A (zh) | 2023-11-07 | 2023-11-07 | 血压数据评估方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117503085A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130218038A1 (en) * | 2012-02-22 | 2013-08-22 | Siemens Medical Solutions Usa, Inc. | System for Non-invasive Cardiac Output Determination |
US20180042493A1 (en) * | 2015-02-24 | 2018-02-15 | Koninklijke Philips N.V. | Apparatus and method for providing a control signal for a blood pressure measurement device |
CN108567420A (zh) * | 2018-03-15 | 2018-09-25 | 深圳竹信科技有限公司 | 血压测量方法、终端和计算机可读存储介质 |
US20180279953A1 (en) * | 2017-04-04 | 2018-10-04 | Huami Inc. | Wearable Blood Pressure Measurement Systems |
CN108652604A (zh) * | 2018-02-06 | 2018-10-16 | 北京大学深圳研究生院 | 一种基于心电信号的无气囊血压检测方法及系统 |
CN111374652A (zh) * | 2018-12-29 | 2020-07-07 | 中兴通讯股份有限公司 | 一种计算血压的装置和电子设备 |
CN115050472A (zh) * | 2022-06-07 | 2022-09-13 | 西安鹫一卓越软件科技有限公司 | 一种高血压风险级别评估和风险预警的方法及系统 |
CN115281639A (zh) * | 2022-07-28 | 2022-11-04 | 广东宝莱特医用科技股份有限公司 | 充气预测的血压测量方法、装置、电子设备及存储介质 |
KR20230040403A (ko) * | 2021-09-15 | 2023-03-23 | 연세대학교 원주산학협력단 | 심폐소생술 중 예측 혈압을 제공하는 장치 및 그 방법 |
CN116013527A (zh) * | 2023-01-10 | 2023-04-25 | 江西财经大学深圳研究院 | 一种基于熵的cv-mabac高血压年龄段预测方法 |
-
2023
- 2023-11-07 CN CN202311469191.1A patent/CN117503085A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130218038A1 (en) * | 2012-02-22 | 2013-08-22 | Siemens Medical Solutions Usa, Inc. | System for Non-invasive Cardiac Output Determination |
US20180042493A1 (en) * | 2015-02-24 | 2018-02-15 | Koninklijke Philips N.V. | Apparatus and method for providing a control signal for a blood pressure measurement device |
US20180279953A1 (en) * | 2017-04-04 | 2018-10-04 | Huami Inc. | Wearable Blood Pressure Measurement Systems |
CN108652604A (zh) * | 2018-02-06 | 2018-10-16 | 北京大学深圳研究生院 | 一种基于心电信号的无气囊血压检测方法及系统 |
CN108567420A (zh) * | 2018-03-15 | 2018-09-25 | 深圳竹信科技有限公司 | 血压测量方法、终端和计算机可读存储介质 |
CN111374652A (zh) * | 2018-12-29 | 2020-07-07 | 中兴通讯股份有限公司 | 一种计算血压的装置和电子设备 |
KR20230040403A (ko) * | 2021-09-15 | 2023-03-23 | 연세대학교 원주산학협력단 | 심폐소생술 중 예측 혈압을 제공하는 장치 및 그 방법 |
CN115050472A (zh) * | 2022-06-07 | 2022-09-13 | 西安鹫一卓越软件科技有限公司 | 一种高血压风险级别评估和风险预警的方法及系统 |
CN115281639A (zh) * | 2022-07-28 | 2022-11-04 | 广东宝莱特医用科技股份有限公司 | 充气预测的血压测量方法、装置、电子设备及存储介质 |
CN116013527A (zh) * | 2023-01-10 | 2023-04-25 | 江西财经大学深圳研究院 | 一种基于熵的cv-mabac高血压年龄段预测方法 |
Non-Patent Citations (4)
Title |
---|
KNIGHT SP, NEWMAN L, O\'CONNOR JD: "Associations between Neurocardiovascular Signal Entropy and Physical Frailty", ENTROPY, vol. 23, no. 1, 22 December 2020 (2020-12-22) * |
王钰涵, 段鹏喆, 张鑫等: "基于决策树和神经网络的高血压病危险因素研究", 世界科学技术-中医药现代化, vol. 23, no. 8, 11 October 2021 (2021-10-11) * |
蒋小兵: "基于机器学习的高血压脑出血血肿扩大因素分析及应用", 中国优秀硕士学位论文全文数据库, 15 December 2021 (2021-12-15) * |
薛剑鸣: "无接触式健康监测系统的BCG信号处理和疾病诊断方法研究", 中国优秀硕士学位论文全文数据库, 31 August 2022 (2022-08-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9510756B2 (en) | Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images | |
CN108091372B (zh) | 医疗字段映射校验方法及装置 | |
CN109817339B (zh) | 基于大数据的患者分组方法和装置 | |
CN113962930B (zh) | 阿尔茨海默病风险评估模型建立方法和电子设备 | |
CN111785384A (zh) | 基于人工智能的异常数据识别方法及相关设备 | |
CN108492886B (zh) | 微创手术相似病案推荐方法、装置、设备及介质 | |
CN117315379B (zh) | 面向深度学习的医学影像分类模型公平性评估方法及装置 | |
CN114628033A (zh) | 疾病风险预测方法、装置、设备及存储介质 | |
CN117503085A (zh) | 血压数据评估方法、装置、电子设备及存储介质 | |
US20230060794A1 (en) | Diagnostic Tool | |
CN116705300A (zh) | 基于体征数据分析的医疗决策辅助方法、系统及存储介质 | |
CN116705310A (zh) | 围术期风险评估的数据集构建方法、装置、设备及介质 | |
CN116403701A (zh) | 一种非小细胞肺癌患者tmb水平的预测方法及装置 | |
CN113705092B (zh) | 基于机器学习的疾病预测方法及装置 | |
CN113476065B (zh) | 一种多类肺炎诊断系统 | |
CN113889274B (zh) | 一种孤独症谱系障碍的风险预测模型构建方法及装置 | |
CN113593698B (zh) | 一种基于图注意网络的中医证型识别方法 | |
CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
CN111833298B (zh) | 骨骼发育等级检测方法及终端设备 | |
CN112447302B (zh) | 身高增长速度评价方法及终端设备 | |
CN113066580A (zh) | 一种医疗评分确定方法、装置、电子设备及存储介质 | |
CN111370095A (zh) | 一种基于ic卡中医体质辨别与调理测试系统及测试方法 | |
CN112545493B (zh) | 身高评价方法及终端设备 | |
CN108735295B (zh) | 基于回归树模型的血液分析方法及终端设备 | |
CN114363004B (zh) | 风险评估方法、装置、计算机设备和存储介质 |
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 |