[發(fā)明專利]用于血壓分類的模型訓(xùn)練方法、裝置及可穿戴設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202110489925.7
• 申請(qǐng)日: 2021-05-06
• 公開（公告）號(hào): CN113288091B
• 公開（公告）日: 2023-10-03
• 發(fā)明（設(shè)計(jì)）人: 葉琪;劉慶;凌永權(quán);韋怡婷;崔珩;黃惠慧
• 申請(qǐng)（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): A61B5/021
• 分類號(hào): A61B5/021;A61B5/00
• 代理公司: 北京澤南知識(shí)產(chǎn)權(quán)代理有限公司 11656
• 代理人: 羅攀;顧問

本發(fā)明實(shí)施例提供一種用于血壓分類的模型訓(xùn)練方法、裝置及可穿戴設(shè)備；用于血壓分類的模型訓(xùn)練方法包括：獲取血管容積圖信號(hào)并對(duì)所述血管容積圖信號(hào)進(jìn)行預(yù)處理；提取經(jīng)預(yù)處理后的血管容積圖信號(hào)中的特征參數(shù)；將所述特征參數(shù)作為多個(gè)分類算法的輸入以訓(xùn)練得到血壓分類融合模型。本發(fā)明提供的一種基于血管容積圖信號(hào)的多種分類模型融合的用于血壓分類的模型訓(xùn)練方法，獲取血管容積圖信號(hào)并對(duì)血管容積圖信號(hào)進(jìn)行預(yù)處理后，提取經(jīng)預(yù)處理后的血管容積圖信號(hào)中的特征參數(shù)，并根據(jù)特征參數(shù)利用了三種多種分類模型，讓分類器做出最可能預(yù)測(cè)正確的選擇。相比單一分類模型方法，本發(fā)明實(shí)施例所提供的融合模型方法實(shí)現(xiàn)了對(duì)血壓類別分類的更高準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及電生理信號(hào)處理技術(shù)領(lǐng)域，特別涉及一種用于血壓分類的模型訓(xùn)練方法、裝置及可穿戴設(shè)備。

背景技術(shù)

心臟是人體血液循環(huán)的中心，心臟通過有規(guī)律的搏動(dòng)產(chǎn)生血壓，進(jìn)而向全身供血完成人體的新陳代謝，血壓是人體非常重要的生理信號(hào)之一。高/低血壓病屬于慢性疾病，多數(shù)需要長(zhǎng)期終身護(hù)理，都需要對(duì)血壓進(jìn)行長(zhǎng)時(shí)間動(dòng)態(tài)監(jiān)測(cè)。在日常生活中，目前最常用的是采用有創(chuàng)介入式測(cè)量方法和壓力測(cè)量方法，在測(cè)量過程中需要對(duì)被測(cè)者產(chǎn)生微創(chuàng)傷害或者通過對(duì)被測(cè)者身體施加外部壓力獲取測(cè)試結(jié)果，這兩種方法不僅操作繁瑣，容易對(duì)被測(cè)者造成不適和傷害，而且也不便于進(jìn)行連續(xù)監(jiān)測(cè)。

于是可穿戴設(shè)備進(jìn)行測(cè)量的方式應(yīng)運(yùn)而生，現(xiàn)代可穿戴設(shè)備如智能手表和智能腕帶通常由光體積描記器傳感器組成，而不是心電圖傳感器，因?yàn)榕c心電圖傳感器相比，光體積描記器傳感器具有更高的可用性和更低的成本。然而，它更容易受到噪音的影響。這給信號(hào)的處理、分類和回歸估計(jì)造成了極大的困難，從而帶來測(cè)量的不準(zhǔn)確。

發(fā)明內(nèi)容

為解決上述技術(shù)問題，本發(fā)明實(shí)施例的目的是提供一種用于血壓分類的模型訓(xùn)練方法、裝置及可穿戴設(shè)備。

為了實(shí)現(xiàn)上述目的，在本發(fā)明第一方面，提供一種復(fù)合濾芯結(jié)構(gòu)，包括：獲取血管容積圖信號(hào)的參數(shù)并對(duì)參數(shù)進(jìn)行預(yù)處理；提取經(jīng)預(yù)處理后的參數(shù)的特征參數(shù)；將特征參數(shù)作為多個(gè)分類算法的輸入，以訓(xùn)練得到血壓分類融合模型。

在本申請(qǐng)實(shí)施例中，獲取血管容積圖信號(hào)的參數(shù)并對(duì)參數(shù)進(jìn)行預(yù)處理包括：獲取原始的血管容積圖信號(hào)的參數(shù)；定義滑動(dòng)窗口長(zhǎng)度和窗口大小，將參數(shù)表征為隊(duì)列；對(duì)隊(duì)列進(jìn)行卷積運(yùn)算以獲得去噪后的參數(shù)。

在本申請(qǐng)實(shí)施例中，提取經(jīng)預(yù)處理后的血管容積圖信號(hào)的特征參數(shù)包括：對(duì)去噪后的血管容積圖信號(hào)進(jìn)行離散余弦變換；確定去噪后的血管容積圖信號(hào)經(jīng)離散余弦變換后的系數(shù)；在系數(shù)中提取前n個(gè)系數(shù)作為特征參數(shù)。

在本申請(qǐng)實(shí)施例中，將特征參數(shù)作為多個(gè)分類模型的輸入，以訓(xùn)練得到血壓分類融合模型包括：將所有參數(shù)不重疊的分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集和測(cè)試機(jī)為第一預(yù)設(shè)比例；將訓(xùn)練集分為第一訓(xùn)練集和第二訓(xùn)練集，其中第一訓(xùn)練集和第二訓(xùn)練集為第二預(yù)設(shè)比例；根據(jù)特征參數(shù)，用第一訓(xùn)練集的特征向量作為多個(gè)分類算法的輸入，以得到多個(gè)分類模型；將第二訓(xùn)練集對(duì)多個(gè)分類模型進(jìn)行驗(yàn)證，并獲得多個(gè)分類模型的準(zhǔn)確度模型；根據(jù)測(cè)試集對(duì)多個(gè)分類模型進(jìn)行測(cè)試，并根據(jù)準(zhǔn)確度模型輸出對(duì)應(yīng)的準(zhǔn)確度；將準(zhǔn)確度排序以獲得血壓分類融合模型。

在本申請(qǐng)實(shí)施例中，多個(gè)分類算法包括：隨機(jī)森林、支持向量機(jī)和K最鄰近算法的任一者。

在本申請(qǐng)實(shí)施例中，將準(zhǔn)確度排序以獲得血壓分類融合模型包括：將準(zhǔn)確度大于第一閾值的多個(gè)分類模型作為第一目標(biāo)模型；將準(zhǔn)確度小于第二閾值的多個(gè)分類模型所預(yù)測(cè)的類別取反得到第二目標(biāo)模型；將第一目標(biāo)模型和第二目標(biāo)模型的輸出作為最終結(jié)果以得到血壓分類融合模型。

在本申請(qǐng)實(shí)施例中，第一預(yù)設(shè)比例為4:1，第二預(yù)設(shè)比例為1:3。

在本申請(qǐng)的第二方面，還提供一種用于血壓分類的裝置，裝置包括處理器，處理器被配置成根據(jù)上項(xiàng)的用于血壓分類的模型訓(xùn)練方法。