TWI768344B - 生理參數測量校準方法、裝置、電腦裝置及存儲介質 - Google Patents

生理參數測量校準方法、裝置、電腦裝置及存儲介質 Download PDF

Info

Publication number
TWI768344B
TWI768344B TW109116110A TW109116110A TWI768344B TW I768344 B TWI768344 B TW I768344B TW 109116110 A TW109116110 A TW 109116110A TW 109116110 A TW109116110 A TW 109116110A TW I768344 B TWI768344 B TW I768344B
Authority
TW
Taiwan
Prior art keywords
physiological parameter
parameter information
measured
standard
calibrated
Prior art date
Application number
TW109116110A
Other languages
English (en)
Other versions
TW202141520A (zh
Inventor
陳成
劉秉昊
向能德
胡明順
Original Assignee
大陸商疆域康健創新醫療科技成都有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 大陸商疆域康健創新醫療科技成都有限公司 filed Critical 大陸商疆域康健創新醫療科技成都有限公司
Publication of TW202141520A publication Critical patent/TW202141520A/zh
Application granted granted Critical
Publication of TWI768344B publication Critical patent/TWI768344B/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Emergency Medicine (AREA)
  • Pulmonology (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Vascular Medicine (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring Fluid Pressure (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本發明提供一種生理參數測量校準方法、生理參數測量校準裝置、電腦裝置及電腦存儲介質，所述方法應用於電腦裝置中，所述電腦裝置與待校準裝置進行通訊連接，所述方法包括：獲取待校準裝置採集的生理參數資訊；將生理參數資訊輸入到生理參數校準模型中，從所述生理參數校準模型中調用與所述生理參數資訊對應的子模組，所述被調用的子模組藉由回歸模型對所述生理參數資訊進行校準，並得到校準後的生理參數資訊，其中，所述生理參數校準模型中每一個子模組對應一項生理參數資訊；輸出藉由所述被調用的子模組校準後的生理參數資訊。

Description

生理參數測量校準方法、裝置、電腦裝置及存儲介質
本發明涉及電腦醫療技術領域，具體涉及一種生理參數測量校準方法、生理參數測量校準裝置、電腦裝置及電腦存儲介質。
隨著生活水準的提高，人們越來越關注醫療衛生保健，以及和身體健康相關的各種生理參數資料，例如血壓、血氧、血脂、血糖、心率等，如果出現任意生理參數超過標準值，則可以及時進行醫治，減少病情加重的風險。現有的生理參數測量方法主要是藉由一些可穿戴生理參數測量裝置進行即時監控測量，現有的生理參數測量方法由於沒有對應的校準方法導致測量資料不準確。
鑒於以上內容，有必要提出一種生理參數測量校準方法及裝置、電腦裝置和電腦可讀存儲介質，藉由校準測量得到的生理參數，使得生理參數的測量結果更加準確。
本申請的第一方面提供一種生理參數測量校準方法，所述方法應用於電腦裝置中，所述電腦裝置與待校準裝置進行通訊連接，所述方法包括：獲取所述待校準裝置採集的生理參數資訊； 將所述生理參數資訊輸入到生理參數校準模型中，從所述生理參數校準模型中調用與所述生理參數資訊對應的子模組，所述被調用的子模組藉由回歸模型對所述生理參數資訊進行校準，並得到校準後的生理參數資訊，其中，所述生理參數校準模型中每一個子模組對應一項生理參數資訊；輸出藉由所述被調用的子模組校準後的生理參數資訊。
優選地，所述方法還包括：將校準後的生理參數資訊與一預設閾值範圍進行比較；當所述校準後的生理參數資訊不在所述預設閾值範圍內時，生成提示消息。
優選地，所述電腦裝置還與標準測量裝置進行通訊連接，所述方法還包括：生成所述生理參數校準模型中的子模組，包括：獲取多組樣本資料，所述樣本資料包括使用者的測量生理參數資訊和標準生理參數資訊，其中，所述測量生理參數資訊由所述待校準裝置測量得到，所述標準生理參數資訊由所述標準測量裝置測量得到；從預設的分類演算法中選取至少兩種回歸演算法分別對基於同一種生理參數資訊建立的至少兩個子模組進行訓練；對所述至少兩個子模組進行模型平均，得到生理參數校準模型的第一子模型。
優選地，所述從預設的分類演算法中選取至少兩種回歸演算法分別對基於同一種生理參數資訊建立的至少兩個子模組進行訓練包括：獲取多組樣本資料，所述多組樣本資料包括使用者的測量生理參數資訊和標準生理參數資訊，其中，所述測量生理參數資訊由所述待校準裝置測量得到，所述標準生理參數資訊由所述標準測量裝置測量得到；將所述多組樣本資料分為訓練集和驗證集； 建立基於回歸演算法的分析模型，並利用所述訓練集對所述基於回歸演算法的分析模型的參數進行訓練，其中將所述訓練集中的標準生理參數資訊作為所述基於回歸演算法的分析模型的輸入資料，測量生理參數資訊作為基於回歸演算法的分析模型的輸出資料；利用所述驗證集對訓練後的基於回歸演算法的分析模型進行驗證，並根據驗證結果統計得到所述基於回歸演算法的分析模型的預測準確率；判斷所述基於回歸演算法的分析模型的預測準確率是否小於預設閾值；若所述基於回歸演算法的分析模型的預測準確率不小於所述預設閾值，將訓練完成的所述基於回歸演算法的分析模型作為所述子模組。
優選地，所述方法還包括：若所述基於回歸演算法的分析模型的預測準確率小於所述預設閾值，調整所述回歸演算法的結構和/或訓練集中樣本的數量，並利用所述訓練集重新對調整後的基於回歸演算法的分析模型進行訓練；利用所述驗證集對調整後的基於回歸演算法的分析模型進行驗證，並根據驗證結果重新統計調整後的基於回歸演算法的分析模型預測準確率，並判斷調整後的基於回歸演算法的分析模型的預測準確率是否小於所述預設閾值；若所述重新統計得到的模型預測準確率不小於所述預設閾值，則將調整後的基於回歸演算法的分析模型作為所述子模型；或若所述重新統計得到的預測準確率小於所述預設閾值，重複執行所述調整所述回歸演算法的結構和/或訓練集中樣本的數量，並利用所述訓練集重新對調整後的基於回歸演算法的分析模型進行訓練，以及所述利用所述驗證集對調整後的基於回歸演算法的分析模型進行驗證，並根據驗證結果重新統計調整後的基於回歸演算法的分析模型預測準確率，直至所述預測準確率不小於所述預設閾值。
優選地，所述樣本資料的獲取方式還包括： 獲取至少兩台待校準裝置測量的多組測量生理參數資訊，以及至少兩台標準測量裝置測量的多組標準生理參數資訊；將所述多組測量生理參數資訊與所述多組標準生理參數資訊按照所述待校準裝置和所述標準測量裝置的編號進行排列組合，得到所述至少兩台待校準裝置測量中任意一個待校準裝置測量的測量生理參數與所有所述標準測量裝置測量的標準生理參數資訊的組合，以及所述至少兩台標準測量裝置測量中任意一個標準測量裝置測量的標準生理參數資訊與所有所述待校準裝置測量的測量生理參數資訊的組合。
優選地，所述待校準裝置包括智慧手環、智慧手錶、可攜式血氧儀、智能體重秤中的一項或多項。
本申請的第二方面提供一種生理參數測量校準裝置，所述裝置包括：獲取模組，用於獲取待校準裝置採集的生理參數資訊；校準模組，用於將所述生理參數資訊輸入到生理參數校準模型中，從所述生理參數校準模型中調用與所述生理參數資訊對應的子模組，所述被調用的子模組藉由回歸模型對所述生理參數資訊進行校準，並得到校準後的生理參數資訊，其中，所述生理參數校準模型中每一個子模組對應一項生理參數資訊；輸出模組，用於輸出藉由所述子模組校準後的生理參數資訊。
本申請的第三方面提供一種電腦裝置，所述電腦裝置包括處理器和記憶體，所述處理器用於執行所述記憶體中存儲的電腦程式時實現如前所述生理參數測量校準方法。
本申請的第四方面提供一種電腦存儲介質，其上存儲有電腦程式，所述電腦程式被處理器執行時實現如前所述生理參數測量校準方法。
本發明一種生理參數測量校準方法、生理參數測量校準裝置、電腦裝置及電腦存儲介質，所述方法藉由獲取待校準裝置採集的生理參數資訊，並將所述生理參數資訊輸入到生理參數校準模型中，藉由所述生理參數校準模 型的演算法實現對所述生理參數資訊的校準。藉由所述方法可以使採集的生理參數資訊更加準確。
1:電腦裝置
2:待校準測量裝置
3:標準測量裝置
10:生理參數測量校準裝置
20:記憶體
30:處理器
40:電腦程式
101:獲取模組
102:校準模組
103:輸出模組
圖1是本發明實施例一提供的生理參數測量校準方法的應用環境架構示意圖。
圖2是本發明實施例二提供的生理參數測量校準方法流程圖。
圖3是本發明實施例三提供的生理參數測量校準裝置的結構示意圖。
圖4是本發明實施例四提供的電腦裝置示意圖。
為了能夠更清楚地理解本發明的上述目的、特徵和優點，下面結合附圖和具體實施例對本發明進行詳細描述。需要說明的是，在不衝突的情況下，本申請的實施例及實施例中的特徵可以相互組合。
在下面的描述中闡述了很多具體細節以便於充分理解本發明，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
除非另有定義，本文所使用的所有的技術和科學術語與屬於本發明的技術領域的技術人員通常理解的含義相同。本文中在本發明的說明書中所使用的術語只是為了描述具體的實施例的目的，不是旨在於限制本發明。
實施例一
參閱圖1所示，為本發明實施例一提供的生理參數測量校準方法的 應用環境架構示意圖。
本發明中的生理參數測量校準方法應用在電腦裝置1中，所述電腦裝置1和至少一個待校準測量裝置2、至少一個標準測量裝置3藉由網路建立通訊連接。所述網路可以是有線網路，也可以是無線網路，例如無線電、無線保真(Wireless Fidelity,WIFI)、蜂窩、衛星、廣播等。
所述電腦裝置1可以為安裝有生理參數測量校準軟體的電子設備，例如個人電腦、智慧手機等
所述待校準測量裝置2可以是用於測量血壓值、血氧值、血糖值、心率值、血脂值等生理參數資訊的可攜式電子設備，例如：智能手環、智能手錶、可攜式血氧儀、智能體重秤等。
所述標準測量裝置3可以是用於測量血壓值、血氧值、血糖值、心率值、血脂值等生理參數資訊的醫用電子設備，例如：醫用血壓計、醫用血糖測量儀、醫用心率檢測設備等。
實施例二
請參閱圖2所示，是本發明第二實施例提供的生理參數測量校準方法的流程圖。根據不同的需求，所述流程圖中步驟的順序可以改變，某些步驟可以省略。
步驟S1、獲取待校準裝置採集的生理參數資訊。
所述生理參數資訊包括但不限於血壓值、血氧值、血糖值、心率值、血脂值中的任意一種。
所述獲取待校準裝置採集的生理參數資訊的方式可以包括：藉由網路通訊接收所述待校準裝置發送的生理參數資訊，還可以是藉由接收使用者輸入的待校準裝置採集的生理參數資訊。
步驟S2、將所述生理參數資訊輸入到生理參數校準模型中，從所 述生理參數校準模型中調用與所述生理參數資訊對應的子模組，所述被調用的子模組藉由回歸模型對所述生理參數資訊進行校準，並得到校準後的生理參數資訊。
其中，所述生理參數校準模型中每一個子模組對應一項生理參數資訊。
所述生理參數校準模型根據具體的生理參數內容對應不同的子模組，例如第一子模組對應血壓值，第二子模組對應血氧值，第三子模組對應血糖值，第四子模組對應心率值，第五子模組對應血脂值等。
生成所述生理參數校準模型中的子模組的方法可以包括：獲取多組樣本資料，所述樣本資料包括使用者的測量生理參數資訊和標準生理參數資訊，其中，所述測量生理參數資訊由所述待校準裝置測量得到，所述標準生理參數資訊由所述標準測量裝置測量得到。從預設的分類演算法中選取至少兩種回歸演算法分別對基於同一種生理參數資訊建立的至少兩個子模組進行訓練。所述預設的分類演算法包括：線性回歸、非線性回歸、局部加權回歸等。對所述至少兩個子模組進行模型平均，得到生理參數校準模型的第一子模型。
其中，所述從預設的分類演算法中選取至少兩種回歸演算法分別對基於同一種生理參數資訊建立的至少兩個子模組進行訓練包括：獲取多組樣本資料，所述多組樣本資料包括使用者的測量生理參數資訊和標準生理參數資訊，其中，所述測量生理參數資訊由所述待校準裝置測量得到，所述標準生理參數資訊由所述標準測量裝置測量得到；將所述多組樣本資料分為訓練集和驗證集；建立基於回歸演算法的分析模型，並利用所述訓練集對所述基於回歸演算法的分析模型的參數進行訓練，其中將所述訓練集中的標準生理參數資訊作為 所述基於回歸演算法的分析模型的輸入資料，測量生理參數資訊作為基於回歸演算法的分析模型的輸出資料；利用所述驗證集對訓練後的基於回歸演算法的分析模型進行驗證，並根據驗證結果統計得到所述基於回歸演算法的分析模型的預測準確率；判斷所述基於回歸演算法的分析模型的預測準確率是否小於預設閾值；若所述基於回歸演算法的分析模型的預測準確率不小於所述預設閾值，將訓練完成的所述基於回歸演算法的分析模型作為所述子模組。
若所述基於回歸演算法的分析模型的預測準確率小於所述預設閾值，調整所述回歸演算法的結構和/或訓練集中樣本的數量，並利用所述訓練集重新對調整後的基於回歸演算法的分析模型進行訓練；利用所述驗證集對調整後的基於回歸演算法的分析模型進行驗證，並根據驗證結果重新統計調整後的基於回歸演算法的分析模型預測準確率，並判斷調整後的基於回歸演算法的分析模型的預測準確率是否小於所述預設閾值；若所述重新統計得到的模型預測準確率不小於所述預設閾值，則將調整後的基於回歸演算法的分析模型作為所述子模型；或若所述重新統計得到的預測準確率小於所述預設閾值，重複執行所述調整所述回歸演算法的結構和/或訓練集中樣本的數量，並利用所述訓練集重新對調整後的基於回歸演算法的分析模型進行訓練，以及所述利用所述驗證集對調整後的基於回歸演算法的分析模型進行驗證，並根據驗證結果重新統計調整後的基於回歸演算法的分析模型預測準確率，直至所述預測準確率不小於所述預設閾值。
所述樣本資料的獲取方式包括：獲取至少兩台待校準裝置測量的多組測量生理參數資訊，以及至少兩台標準測量裝置測量的多組標準生理參數資訊； 將所述多組測量生理參數資訊與所述多組標準生理參數資訊按照所述待校準裝置和所述標準測量裝置的編號進行排列組合，得到所述至少兩台待校準裝置測量中任意一個待校準裝置測量的測量生理參數與所有所述標準測量裝置測量的標準生理參數資訊的組合，以及所述至少兩台標準測量裝置測量中任意一個標準測量裝置測量的標準生理參數資訊與所有所述待校準裝置測量的測量生理參數資訊的組合。
例如，為了減少設備之間的差異性，選擇m個待校準裝置和n個標準測量裝置進行配對測量，一共有m乘以n組配對，為了確保樣本資料的一致性，需要保持所述待校準裝置和所述標準測量裝置在同一個狀態下，為了盡可能覆蓋全所有可能的資料，可以獲取不同的人員在不同的身體狀態和測試環境下進行測量。測量得到的樣本資料越多，構建的模型準確性就越高。
步驟S3、輸出藉由所述被調用的子模組校準後的生理參數資訊。
在本發明又一實施方式中，所述生理參數測量校準方法還包括：將校準後的生理參數資訊與預設閾值範圍進行比較；當所述校準後的生理參數資訊不在所述預設閾值範圍內時，生成提示消息。所述提示消息可以藉由郵件、短信、即時通訊工具等方式輸出。
上述圖2詳細介紹了本發明的生理參數測量校準方法，下面結合第3-4圖，對實現所述生理參數測量校準方法的軟體裝置的功能模組以及實現所述生理參數測量校準方法的硬體裝置架構進行介紹。
應所述瞭解，所述實施例僅為說明之用，在專利申請範圍上並不受此結構的限制。
實施例三
圖3為本發明生理參數測量校準裝置較佳實施例的結構圖。
在一些實施例中，生理參數測量校準裝置10運行於電腦裝置中。 所述電腦裝置藉由網路連接了多個使用者終端。所述生理參數測量校準裝置10可以包括多個由程式碼段所組成的功能模組。所述生理參數測量校準裝置10中的各個程式段的程式碼可以存儲於電腦裝置的記憶體中，並由所述至少一個處理器所執行，以實現生理參數測量校準功能。
本實施例中，所述生理參數測量校準裝置10根據其所執行的功能，可以被劃分為多個功能模組。參閱圖3所示，所述功能模組可以包括：獲取模組101、校準模組102、輸出模組103。本發明所稱的模組是指一種能夠被至少一個處理器所執行並且能夠完成固定功能的一系列電腦程式段，其存儲在記憶體中。在本實施例中，關於各模組的功能將在後續的實施例中詳述。
所述獲取模組101，用於獲取待校準裝置採集的生理參數資訊。
所述生理參數資訊包括但不限於血壓值、血氧值、血糖值、心率值、血脂值中的任意一種。
所述獲取待校準裝置採集的生理參數資訊的方式可以包括：藉由網路通訊接收所述待校準裝置發送的生理參數資訊，還可以是藉由接收使用者輸入的待校準裝置採集的生理參數資訊。
所述校準模組102，用於將所述生理參數資訊輸入到生理參數校準模型中，調用與所述生理參數資訊對應的子模組，其中，所述生理參數校準模型中每一個子模組對應一項生理參數資訊，所述子模組藉由回歸模型對所述生理參數資訊進行校準，得到校準後的生理參數資訊。
其中，所述生理參數校準模型中每一個子模組對應一項生理參數資訊。
所述生理參數校準模型根據具體的生理參數內容對應不同的子模組，例如第一子模組對應血壓值，第二子模組對應血氧值，第三子模組對應血糖值，第四子模組對應心率值，第五子模組對應血脂值等。
生成所述生理參數校準模型中的子模組的方法可以包括：獲取多組樣本資料，所述樣本資料包括使用者的測量生理參數資訊和標準生理參數資訊，其中，所述測量生理參數資訊由所述待校準裝置測量得到，所述標準生理參數資訊由所述標準測量裝置測量得到。從預設的分類演算法中選取至少兩種回歸演算法分別對基於同一種生理參數資訊建立的至少兩個子模組進行訓練。所述預設的分類演算法包括：線性回歸、非線性回歸、局部加權回歸等。對所述至少兩個子模組進行模型平均，得到生理參數校準模型的第一子模型。
其中，所述從預設的分類演算法中選取至少兩種回歸演算法分別對基於同一種生理參數資訊建立的至少兩個子模組進行訓練包括：獲取多組樣本資料，所述多組樣本資料包括使用者的測量生理參數資訊和標準生理參數資訊，其中，所述測量生理參數資訊由所述待校準裝置測量得到，所述標準生理參數資訊由所述標準測量裝置測量得到；將所述多組樣本資料分為訓練集和驗證集；建立基於回歸演算法的分析模型，並利用所述訓練集對所述基於回歸演算法的分析模型的參數進行訓練，其中將所述訓練集中的標準生理參數資訊作為所述基於回歸演算法的分析模型的輸入資料，測量生理參數資訊作為基於回歸演算法的分析模型的輸出資料；利用所述驗證集對訓練後的基於回歸演算法的分析模型進行驗證，並根據驗證結果統計得到所述基於回歸演算法的分析模型的預測準確率；判斷所述基於回歸演算法的分析模型的預測準確率是否小於預設閾值；若所述基於回歸演算法的分析模型的預測準確率不小於所述預設閾值，將訓練完成的所述基於回歸演算法的分析模型作為所述子模組。
若所述基於回歸演算法的分析模型的預測準確率小於所述預設閾 值，調整所述回歸演算法的結構和/或訓練集中樣本的數量，並利用所述訓練集重新對調整後的基於回歸演算法的分析模型進行訓練；利用所述驗證集對調整後的基於回歸演算法的分析模型進行驗證，並根據驗證結果重新統計調整後的基於回歸演算法的分析模型預測準確率，並判斷調整後的基於回歸演算法的分析模型的預測準確率是否小於所述預設閾值；若所述重新統計得到的模型預測準確率不小於所述預設閾值，則將調整後的基於回歸演算法的分析模型作為所述子模型；或若所述重新統計得到的預測準確率小於所述預設閾值，重複執行所述調整所述回歸演算法的結構和/或訓練集中樣本的數量，並利用所述訓練集重新對調整後的基於回歸演算法的分析模型進行訓練，以及所述利用所述驗證集對調整後的基於回歸演算法的分析模型進行驗證，並根據驗證結果重新統計調整後的基於回歸演算法的分析模型預測準確率，直至所述預測準確率不小於所述預設閾值。
所述樣本資料的獲取方式包括：獲取至少兩台待校準裝置測量的多組測量生理參數資訊，以及至少兩台標準測量裝置測量的多組標準生理參數資訊；將所述多組測量生理參數資訊與所述多組標準生理參數資訊按照所述待校準裝置和所述標準測量裝置的編號進行排列組合，得到所述至少兩台待校準裝置測量中任意一個待校準裝置測量的測量生理參數與所有所述標準測量裝置測量的標準生理參數資訊的組合，以及所述至少兩台標準測量裝置測量中任意一個標準測量裝置測量的標準生理參數資訊與所有所述待校準裝置測量的測量生理參數資訊的組合。
例如，為了減少設備之間的差異性，選擇m個待校準裝置和n個標準測量裝置進行配對測量，一共有m乘以n組配對，為了確保樣本資料的一致性， 需要保持所述待校準裝置和所述標準測量裝置在同一個狀態下，為了盡可能覆蓋全所有可能的資料，可以獲取不同的人員在不同的身體狀態和測試環境下進行測量。測量得到的樣本資料越多，構建的模型準確性就越高。
所述輸出模組103，用於輸出藉由所述子模組校準後的生理參數資訊。
在本發明又一實施方式中，所述生理參數測量校準方法還包括：將校準後的生理參數資訊與預設閾值範圍進行比較；當所述校準後的生理參數資訊不在所述預設閾值範圍內時，生成提示消息。所述提示消息可以藉由郵件、短信、即時通訊工具等方式輸出。
實施例四
圖4為本發明電腦裝置較佳實施例的示意圖。
所述電腦裝置1包括記憶體20、處理器30以及存儲在所述記憶體20中並可在所述處理器30上運行的電腦程式40，例如生理參數測量校準程式。所述處理器30執行所述電腦程式40時實現上述生理參數測量校準方法實施例中的步驟，例如圖2所示的步驟S1~S3，或者，所述處理器30執行所述電腦程式40時實現上述生理參數測量校準裝置實施例中各模組/單元的功能，例如圖3中的單元101-103。
示例性的，所述電腦程式40可以被分割成一個或多個模組/單元，所述一個或者多個模組/單元被存儲在所述記憶體20中，並由所述處理器30執行，以完成本發明。所述一個或多個模組/單元可以是能夠完成特定功能的一系列電腦程式指令段，所述指令段用於描述所述電腦程式40在所述電腦裝置1中的執行過程。例如，所述電腦程式40可以被分割成圖3中的獲取模組101、校準模組102、輸出模組103。
所述電腦裝置1可以是桌上型電腦、筆記本、掌上型電腦及雲端伺 服器等計算設備。本領域技術人員可以理解，所述示意圖僅僅是電腦裝置1的示例，並不構成對電腦裝置1的限定，可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件，例如所述電腦裝置1還可以包括輸入輸出設備、網路接入設備、匯流排等。
所稱處理器30可以是中央處理單元(Central Processing Unit，CPU)，還可以是其他通用處理器、數位訊號處理器(Digital Signal Processor，DSP)、專用積體電路(Application Specific Integrated Circuit，ASIC)、現成可程式設計閘陣列(Field-Programmable Gate Array，FPGA)或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件等。通用處理器可以是微處理器或者所述處理器30也可以是任何常規的處理器等，所述處理器30是所述電腦裝置1的控制中心，利用各種介面和線路連接整個電腦裝置1的各個部分。
所述記憶體20可用於存儲所述電腦程式40和/或模組/單元，所述處理器30藉由運行或執行存儲在所述記憶體20內的電腦程式和/或模組/單元，以及調用存儲在記憶體20內的資料，實現所述電腦裝置1的各種功能。所述記憶體20可主要包括存儲程式區和存儲資料區，其中，存儲程式區可存儲作業系統、至少一個功能所需的應用程式(比如聲音播放功能、圖像播放功能等)等；存儲資料區可存儲根據電腦裝置1的使用所創建的資料(比如音訊資料、電話本等)等。此外，記憶體20可以包括高速隨機存取記憶體，還可以包括非易失性記憶體，例如硬碟、記憶體、插接式硬碟，智慧存儲卡(Smart Media Card,SMC)，安全數位(Secure Digital,SD)卡，快閃記憶體卡(Flash Card)、至少一個磁碟記憶體件、快閃記憶體器件、或其他易失性固態記憶體件。
所述電腦裝置1集成的模組/單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個電腦可讀取存儲介質中。基於這樣的理解，本發明實現上述實施例方法中的全部或部分流程，也可以藉由電 腦程式來指令相關的硬體來完成，所述的電腦程式可存儲於一電腦可讀存儲介質中，所述電腦程式在被處理器執行時，可實現上述各個方法實施例的步驟。其中，所述電腦程式包括電腦程式代碼，所述電腦程式代碼可以為原始程式碼形式、物件代碼形式、可執行檔或某些中間形式等。所述電腦可讀介質可以包括：能夠攜帶所述電腦程式代碼的任何實體或裝置、記錄介質、U盤、移動硬碟、磁碟、光碟、電腦記憶體、唯讀記憶體(ROM，Read-Only Memory)、隨機存取記憶體(RAM，Random Access Memory)、電載波信號、電信信號以及軟體分發介質等。需要說明的是，所述電腦可讀介質包含的內容可以根據司法管轄區內立法和專利實踐的要求進行適當的增減，例如在某些司法管轄區，根據立法和專利實踐，電腦可讀介質不包括電載波信號和電信信號。
在本發明所提供的幾個實施例中，應所述理解到，所揭露的電腦裝置和方法，可以藉由其它的方式實現。例如，以上所描述的電腦裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式。
另外，在本發明各個實施例中的各功能單元可以集成在相同處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在相同單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用硬體加軟體功能模組的形式實現。
對於本領域技術人員而言，顯然本發明不限於上述示範性實施例的細節，而且在不背離本發明的精神或基本特徵的情況下，能夠以其他的具體形式實現本發明。因此，無論從哪一點來看，均應將實施例看作是示範性的，而且是非限制性的，本發明的範圍由所附專利申請範圍而不是上述說明限定，因此旨在將落在專利申請範圍的等同要件的含義和範圍內的所有變化涵括在本發明內。不應將專利申請範圍中的任何附圖標記視為限制所涉及的專利申請範 圍。此外，顯然“包括”一詞不排除其他單元或步驟，單數不排除複數。電腦裝置專利申請範圍中陳述的多個單元或電腦裝置也可以由同一個單元或電腦裝置藉由軟體或者硬體來實現。第一，第二等詞語用來表示名稱，而並不表示任何特定的順序。
最後應說明的是，以上實施例僅用以說明本發明的技術方案而非限制，儘管參照較佳實施例對本發明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發明的技術方案進行修改或等同替換，而不脫離本發明技術方案的精神和範圍。

Claims (7)

  1. 一種生理參數測量校準方法，所述方法應用於電腦裝置中，其改良在於，所述電腦裝置與待校準裝置進行通訊連接，所述方法包括：獲取所述待校準裝置採集的生理參數資訊；將所述生理參數資訊輸入到生理參數校準模型中，從所述生理參數校準模型中調用與所述生理參數資訊對應的子模組，所述被調用的子模組藉由回歸模型對所述生理參數資訊進行校準，並得到校準後的生理參數資訊，其中，所述生理參數校準模型中每一個子模組對應一項生理參數資訊；輸出藉由所述被調用的子模組校準後的生理參數資訊，其中，所述電腦裝置還與標準測量裝置進行通訊連接，所述方法還包括：生成所述生理參數校準模型中的子模組，包括：獲取多組樣本資料，所述樣本資料包括使用者的測量生理參數資訊和標準生理參數資訊，其中，所述測量生理參數資訊由所述待校準裝置測量得到，所述標準生理參數資訊由所述標準測量裝置測量得到；獲取多組樣本資料，所述多組樣本資料包括使用者的測量生理參數資訊和標準生理參數資訊，其中，所述測量生理參數資訊由所述待校準裝置測量得到，所述標準生理參數資訊由所述標準測量裝置測量得到，其中，所述樣本資料的獲取方式還包括：獲取至少兩台待校準裝置測量的多組測量生理參數資訊，以及至少兩台標準測量裝置測量的多組標準生理參數資訊；將所述多組測量生理參數資訊與所述多組標準生理參數資訊按照所述待校準裝置和所述標準測量裝置的編號進行排列組合，得到所述至少兩台待校準裝置測量中任意一個待校準裝置測量的測量生理參數與所有所述標準測量裝置測量的標準生理參數資訊的組合，以及所述至少兩台標準測量裝置測量中任意一個標準測量裝置測量的標準生理參數資訊與所有所述待校準裝置測量的測量生理參數資訊的組合； 將所述多組樣本資料分為訓練集和驗證集；建立基於回歸演算法的分析模型，並利用所述訓練集對所述基於回歸演算法的分析模型的參數進行訓練，其中將所述訓練集中的標準生理參數資訊作為所述基於回歸演算法的分析模型的輸入資料，測量生理參數資訊作為基於回歸演算法的分析模型的輸出資料；利用所述驗證集對訓練後的基於回歸演算法的分析模型進行驗證，並根據驗證結果統計得到所述基於回歸演算法的分析模型的預測準確率；判斷所述基於回歸演算法的分析模型的預測準確率是否小於預設閾值；若所述基於回歸演算法的分析模型的預測準確率不小於所述預設閾值，將訓練完成的所述基於回歸演算法的分析模型作為所述子模組；對所述至少兩個子模組進行模型平均，得到生理參數校準模型的第一子模型。
  2. 如請求項1所述之生理參數測量校準方法，其中，所述方法還包括：將校準後的生理參數資訊與一預設閾值範圍進行比較；當所述校準後的生理參數資訊不在所述預設閾值範圍內時，生成提示消息。
  3. 如請求項1所述之生理參數測量校準方法，其中，所述方法還包括：若所述基於回歸演算法的分析模型的預測準確率小於所述預設閾值，調整所述回歸演算法的結構和/或訓練集中樣本的數量，並利用所述訓練集重新對調整後的基於回歸演算法的分析模型進行訓練；利用所述驗證集對調整後的基於回歸演算法的分析模型進行驗證，並根據 驗證結果重新統計調整後的基於回歸演算法的分析模型預測準確率，並判斷調整後的基於回歸演算法的分析模型的預測準確率是否小於所述預設閾值；若所述重新統計得到的模型預測準確率不小於所述預設閾值，則將調整後的基於回歸演算法的分析模型作為所述子模型；或若所述重新統計得到的預測準確率小於所述預設閾值，重複執行所述調整所述回歸演算法的結構和/或訓練集中樣本的數量，並利用所述訓練集重新對調整後的基於回歸演算法的分析模型進行訓練，以及所述利用所述驗證集對調整後的基於回歸演算法的分析模型進行驗證，並根據驗證結果重新統計調整後的基於回歸演算法的分析模型預測準確率，直至所述預測準確率不小於所述預設閾值。
  4. 如請求項1所述之生理參數測量校準方法，其中，所述待校準裝置包括智慧手環、智慧手錶、可攜式血氧儀、智能體重秤中的一項或多項。
  5. 一種生理參數測量校準裝置，其改良在於，所述裝置包括：獲取模組，用於獲取待校準裝置採集的生理參數資訊；校準模組，用於將所述生理參數資訊輸入到生理參數校準模型中，從所述生理參數校準模型中調用與所述生理參數資訊對應的子模組，所述被調用的子模組藉由回歸模型對所述生理參數資訊進行校準，並得到校準後的生理參數資訊，其中，所述生理參數校準模型中每一個子模組對應一項生理參數資訊；輸出模組，用於輸出藉由所述子模組校準後的生理參數資訊；其中，所述校準模組還用於：生成所述生理參數校準模型中的子模組，包括：獲取多組樣本資料，所述樣本資料包括使用者的測量生理參數資訊和標準生理參數資訊，其中，所述測量生理參數資訊由所述待校準裝置測量得到，所述標準生理參數資訊由所述標準測量裝置測量得到； 獲取多組樣本資料，所述多組樣本資料包括使用者的測量生理參數資訊和標準生理參數資訊，其中，所述測量生理參數資訊由所述待校準裝置測量得到，所述標準生理參數資訊由所述標準測量裝置測量得到，其中，所述樣本資料的獲取方式還包括：獲取至少兩台待校準裝置測量的多組測量生理參數資訊，以及至少兩台標準測量裝置測量的多組標準生理參數資訊；將所述多組測量生理參數資訊與所述多組標準生理參數資訊按照所述待校準裝置和所述標準測量裝置的編號進行排列組合，得到所述至少兩台待校準裝置測量中任意一個待校準裝置測量的測量生理參數與所有所述標準測量裝置測量的標準生理參數資訊的組合，以及所述至少兩台標準測量裝置測量中任意一個標準測量裝置測量的標準生理參數資訊與所有所述待校準裝置測量的測量生理參數資訊的組合；將所述多組樣本資料分為訓練集和驗證集；建立基於回歸演算法的分析模型，並利用所述訓練集對所述基於回歸演算法的分析模型的參數進行訓練，其中將所述訓練集中的標準生理參數資訊作為所述基於回歸演算法的分析模型的輸入資料，測量生理參數資訊作為基於回歸演算法的分析模型的輸出資料；利用所述驗證集對訓練後的基於回歸演算法的分析模型進行驗證，並根據驗證結果統計得到所述基於回歸演算法的分析模型的預測準確率；判斷所述基於回歸演算法的分析模型的預測準確率是否小於預設閾值；若所述基於回歸演算法的分析模型的預測準確率不小於所述預設閾值，將訓練完成的所述基於回歸演算法的分析模型作為所述子模組；對所述至少兩個子模組進行模型平均，得到生理參數校準模型的第一子模型。
  6. 一種電腦裝置，其中所述電腦裝置包括處理器和記憶體，所述處理器用於執行所述記憶體中存儲之電腦程式時實現如請求項1至4項中任一項所述之生理參數測量校準方法。
  7. 一種電腦可讀存儲介質，其上存儲有電腦程式，其中所述電腦程式被處理器執行時實現如請求項1至4項中任一項所述之生理參數測量校準方法。
TW109116110A 2020-04-23 2020-05-14 生理參數測量校準方法、裝置、電腦裝置及存儲介質 TWI768344B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010328240.X 2020-04-23
CN202010328240.XA CN113545761A (zh) 2020-04-23 2020-04-23 生理参数测量校准方法、装置、计算机装置及存储介质

Publications (2)

Publication Number Publication Date
TW202141520A TW202141520A (zh) 2021-11-01
TWI768344B true TWI768344B (zh) 2022-06-21

Family

ID=78101074

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109116110A TWI768344B (zh) 2020-04-23 2020-05-14 生理參數測量校準方法、裝置、電腦裝置及存儲介質

Country Status (3)

Country Link
US (1) US11793470B2 (zh)
CN (1) CN113545761A (zh)
TW (1) TWI768344B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116999024A (zh) * 2023-05-26 2023-11-07 荣耀终端有限公司 生理参数检测方法、电子设备、存储介质及程序产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200628125A (en) * 2005-02-02 2006-08-16 Tsair Kao Method for detecting continuous blood pressure waveform
CN108366761A (zh) * 2015-12-15 2018-08-03 皇家飞利浦有限公司 用于校准医学监测设备的方法和装置
US20190076070A1 (en) * 2017-09-13 2019-03-14 Medtronic Minimed, Inc. Methods, systems, and devices for calibration and optimization of glucose sensors and sensor output
CN109872820A (zh) * 2019-03-29 2019-06-11 广州视源电子科技股份有限公司 一种无袖带血压测量方法、装置、设备及存储介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100346740C (zh) * 2003-05-20 2007-11-07 香港中文大学 基于桡动脉脉搏信息的血压测量装置
EP2922462A1 (en) * 2012-11-23 2015-09-30 Koninklijke Philips N.V. Device and method for extracting physiological information
CN103479339B (zh) * 2013-09-29 2015-03-25 中华人民共和国南京出入境检验检疫局 一种红外体温监测自动校准方法及校准系统
US10314547B2 (en) * 2014-04-09 2019-06-11 Halo Wearables LLC Calibration of a wearable medical device
CN204500650U (zh) * 2015-03-05 2015-07-29 邓伟廷 无创传感检测手环
CN204765598U (zh) * 2015-07-01 2015-11-18 夏鑫 一种智慧医疗监控终端
CN205251524U (zh) * 2015-12-15 2016-05-25 济南金域医学检验中心有限公司 一种智能生理指标检测装置
US10638979B2 (en) * 2017-07-10 2020-05-05 Glysens Incorporated Analyte sensor data evaluation and error reduction apparatus and methods
KR102498121B1 (ko) * 2017-11-20 2023-02-09 삼성전자주식회사 생체정보 추정 장치 및 방법
CN108670277A (zh) * 2018-06-04 2018-10-19 新华网股份有限公司 精神压力监测方法
WO2021026399A1 (en) * 2019-08-06 2021-02-11 Medtronic Minimed, Inc. Machine learning-based system for estimating glucose values
CN110464369A (zh) * 2019-08-29 2019-11-19 安徽澄小光智能科技有限公司 一种基于人体体征数值的精神状态判断算法
US20210298648A1 (en) * 2020-03-24 2021-09-30 Medtronic Minimed, Inc. Calibration of a noninvasive physiological characteristic sensor based on data collected from a continuous analyte sensor

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200628125A (en) * 2005-02-02 2006-08-16 Tsair Kao Method for detecting continuous blood pressure waveform
CN108366761A (zh) * 2015-12-15 2018-08-03 皇家飞利浦有限公司 用于校准医学监测设备的方法和装置
US20190076070A1 (en) * 2017-09-13 2019-03-14 Medtronic Minimed, Inc. Methods, systems, and devices for calibration and optimization of glucose sensors and sensor output
CN109872820A (zh) * 2019-03-29 2019-06-11 广州视源电子科技股份有限公司 一种无袖带血压测量方法、装置、设备及存储介质

Also Published As

Publication number Publication date
TW202141520A (zh) 2021-11-01
CN113545761A (zh) 2021-10-26
US20210330268A1 (en) 2021-10-28
US11793470B2 (en) 2023-10-24

Similar Documents

Publication Publication Date Title
McDowell et al. Excessive gestational weight gain
Masalski et al. Hearing tests on mobile devices: evaluation of the reference sound level by means of biological calibration
Beltrame et al. Prediction of oxygen uptake dynamics by machine learning analysis of wearable sensors during activities of daily living
US11547334B2 (en) Psychological stress estimation method and apparatus
CN111671399A (zh) 噪声感知强度的测量方法、装置和电子设备
WO2021179630A1 (zh) 一种并发症风险预测系统、方法、装置、设备及介质
TWI768344B (zh) 生理參數測量校準方法、裝置、電腦裝置及存儲介質
Lee et al. Dedicated cardiac rehabilitation wearable sensor and its clinical potential
US20190231232A1 (en) Method for accurately estimating a pure tone threshold using an unreferenced audio-system
Dai et al. Trend analysis of fragmented time series for mHealth apps: Hypothesis testing based adaptive spline filtering method with importance weighting
Lin et al. A smartphone-based approach to screening for sudden sensorineural hearing loss: cross-sectional validity study
Humes Longitudinal changes in auditory and cognitive function in middle-aged and older adults
Lelo de Larrea-Mancera et al. Remote auditory assessment using Portable Automated Rapid Testing (PART) and participant-owned devices
CN111341416A (zh) 一种心理压力评估模型处理方法以及相关设备
Albert et al. Modelling longitudinal semicontinuous emesis volume data with serial correlation in an acupuncture clinical trial
WO2015044926A1 (en) Audiometry system and method
Ganek et al. Cochlear implant datalogging accurately characterizes children’s ‘auditory scenes’
Sarraf Electronic Health Record data is unable to effectively characterize measurement error from pulse oximetry: a simulation study
Mechael et al. The elusive path toward measuring health outcomes: lessons learned from a pseudo-randomized controlled trial of a large-scale mobile health initiative
Ellis et al. Using machine learning and the national health and nutrition examination survey to classify individuals with hearing loss
CN110192872B (zh) 压力评估校准方法、装置及存储介质
CN112786156A (zh) 一种基于rpg游戏的心理测试方法、装置及存储介质
Bug et al. Influence of response-time limits on automated hearing threshold determination
Bug et al. Free-field correction values for RadioEar DD65v2 circumaural audiometric headphones
CN112741622A (zh) 一种测听系统、测听方法、装置、耳机及终端设备