血压测量方法、终端和计算机可读存储介质技术

本发明专利技术公开了一种血压测量方法，终端和计算机可读存储介质，所述方法包括：采集预设组数的血压数据，从每组血压数据中获取各个指标变量和各个血压值，得到每个指标变量对应的指标变量集合和每个血压值对应的血压值集合；对每个指标变量的指标变量集合和每个血压值的血压值集合进行重采样，以得到采样后的样本；根据采样后的样本训练变分编码器和深度神经网络模型，以得到训练后的变分编码器和深度神经网络模型；在接收到待测量的血压数据时，将待测量的血压数据输入到训练后的变分编码器和深度神经网络模型，以得到血压值。本发明专利技术解决样本量偏少的问题，提高了血压测量的准确性。

Blood pressure measurement methods, terminals and computer-readable storage media

The invention discloses a blood pressure measurement method, a terminal and a computer readable storage medium. The method comprises: collecting blood pressure data of preset groups, obtaining each index variable and each blood pressure value from each group of blood pressure data, obtaining the set of index variable corresponding to each index variable and the blood pressure value corresponding to each blood pressure value. Set; resample the set of index variables and the set of blood pressure values of each index variable to get the sampled samples; train the variational encoder and the depth neural network model according to the sampled samples to get the trained variational encoder and the depth neural network model; receive the measured samples. When the blood pressure data is measured, the blood pressure data to be measured is input into the trained variational encoder and depth neural network model to get the blood pressure value. The invention solves the problem of less sample size and improves the accuracy of blood pressure measurement.

【技术实现步骤摘要】
血压测量方法、终端和计算机可读存储介质
本专利技术涉及医学数据处理
，尤其涉及一种血压测量方法、终端和计算机可读存储介质。
技术介绍
随着科学技术的发展，医学数据处理的技术也逐渐发展，其中，血压是一种重要的生理参数，准确测量出血压对于医生的诊断具有重要的意义。传统的无创血压测量方法主要分成多种，例如MAA(下肢深静脉显像)、DerivativeOscillometry(导数示波法)、NNapproach(神经网络方法)等各种方法。这几种方法存在以下缺点：MAA依赖于经验值，若是缺少经验值则测量不够准确，DerivativeOscillometry要求信号完全平滑，否则会出现误差，NNapproach需要大量的训练数据。显然，现有的几种测量血压的方式，依赖经验系数、要求信号平滑、需要大量样本，测量血压的要求较高，若是不满足上述要求会导致测量结果不准确。
技术实现思路
本专利技术的主要目的在于提供一种血压测量方法、终端和计算机可读存储介质，旨在解决现有血压测量方式，测量血压的要求较高，若是不满足要求会导致测量结果不准确的技术问题。为实现上述目的，本专利技术提供一种血压测量方法，所述血压测量方法包括：采集预设组数的血压数据，从每组血压数据中获取各个指标变量和各个血压值，得到每个指标变量对应的指标变量集合和每个血压值对应的血压值集合；对每个指标变量的指标变量集合和每个血压值的血压值集合进行重采样，以得到采样后的样本；根据采样后的样本训练变分编码器和深度神经网络模型，以得到训练后的变分编码器和深度神经网络模型；在接收到待测量的血压数据时，将待测量的血压数据输入到训练后的变分编码器和深度神经网络模型，以得到血压值。可选地，所述对每个指标变量的指标变量集合和每个血压值的血压值集合进行重采样，以得到采样后的样本的步骤包括：对每个指标变量的指标变量集合计算第一均值和第一方差，以及对每个血压值的血压值集合计算第二均值和第二方差；在第一均值和第一方差对应的高斯分布下，对每个指标变量的指标变量集合进行多次采样得到每个指标变量的多个指标变量集合，以及在第二均值和第二方差对应的高斯分布下，对每个血压值的血压值集合进行多次采样得到每个血压值的多个血压值集合；分别对每个指标变量的多个指标变量集合和每个血压值的多个血压值集合计算均值，得到每个指标变量的指标变量集合均值和每个血压值的血压值集合均值；重复上述各个步骤预设次数，以得到每个指标变量预设个数的指标变量集合均值和每个血压值预设个数的血压值集合均值；将各个指标变量预设个数的指标变量集合均值和各个血压值预设个数的血压值集合均值作为采样后的样本。可选地，所述根据采样后的样本训练变分编码器和深度神经网络模型，以得到训练后的变分编码器和深度神经网络模型的步骤包括：在采样后的样本中分出训练集、测试集和验证集；在训练集中提取出各个指标变量；将各个指标变量输入到变分编码器中，以计算出变分编码器的损失函数；采用所述损失函数调整变分编码器的各项参数，并基于调整后的各项系数得到训练后的变分编码器；将训练集中的各个指标变量重新输入到训练后的变分编码器中，以得到输出编码值；采用所述输出编码值输入到深度神经网络模型中，并将训练集的血压值作为输出数据，以根据输出编码值和输出数据调整深度神经网络模型的模型参数，以得到训练后的深度神经网络模型。可选地，所述将各个指标变量输入到变分编码器中，以计算出变分编码器的损失函数的步骤包括：将各个指标变量输入到变分编码器中，以在所述变分编码器中的编码器中输出各个样本的各个分量，并获取所述编码器中输出数据的第一长度值；根据各个样本的各个分量和第一长度值计算第一数值；根据各个样本的各个分量、第一长度值和第一数值计算第二数值；基于第一数值和第二数值，计算KL散度；获取变分编码器中的解码器输出的各条数据的各个分量，并获取所述变分编码器中输入各条数据的各个分量，以及输入数据的第二长度值；根据解码器输出的各条数据的各个分量、变分编码器中输入各条数据的各个分量以及所述第二长度值，计算输入输出数据之间的距离；基于所述KL散度和所述距离计算出变分编码器的损失函数。可选地，所述根据各个样本的各个分量和第一长度值计算第一数值的公式包括：其中，lat_meani表示第一数值，Z_muij表示编码器输出的第i个样本的第j个分量，K表示编码器输出数据的第一长度值；所述根据各个样本的各个分量、第一长度值和第一数值计算第二数值的公式包括：其中，latvari表示第二数值；所述根据第一数值和第二数值，计算KL散度的公式包括：其中，loss1表示KL散度，M表示样本的个数。可选地，所述根据解码器输出的各条数据的各个分量、变分编码器中输入各条数据的各个分量以及所述第二长度值，计算输入输出数据之间的距离的公式包括：其中，loss2表示输入输出数据之间的距离，outij表示解码器输出的第i条数据的第j个分量，inij表示变分编码器中输入的第i条数据的第j个分量，S表示输入数据的第二长度值。可选地，所述将训练集中的各个指标变量重新输入到训练后的变分编码器中，以得到输出编码值的步骤之前，所述方法还包括：按照梯度下降的方式，更新变分编码器的参数，直至网络收敛；采用测试集中的各个指标变量输入到训练后的变分编码器中，得到损失函数的值；将损失函数的值与预设值进行比较；若损失函数的值小于所述预设值，则采用验证集中的各个指标变量输入到训练后的变分编码器中，重新得到损失函数的值；将重新得到的值与所述预设值进行比较；若重新得到的值仍然小于所述预设值，则继续执行所述将训练集中的各个指标变量重新输入到训练后的变分编码器中，以得到输出编码值的步骤。可选地，所述对每个指标变量的指标变量集合和每个血压值的血压值集合进行重采样，以得到采样后的样本的步骤之前，所述方法还包括：在每个指标变量的指标变量集合中，确定出最大值和最小值；在每个指标变量集合中采用每个指标变量的值减去最小值得到第一差值，采用最大值减去最小值得到第二差值；计算各个第一差值与第二差值的商值，并将各个商值乘以预设系数，得到归一化后的各个指标变量，并根据归一化后的各个指标变量更新指标变量集合。此外，为实现上述目的，本专利技术还提供一种终端，所述终端包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的血压测量程序，所述血压测量程序被所述处理器执行时实现如上文所述的血压测量方法的步骤。此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有血压测量程序，所述血压测量程序被处理器执行时实现如上文所述的血压测量方法的步骤。本专利技术提出的血压测量方法，先采集几组血压数据，然后从各组血压数据中得到每个指标变量对应的指标变量集合和每个血压值对应的血压值集合，再对每个指标变量的指标变量集合和每个血压值的血压值集合进行重采样，以得到采样后的样本，通过采样后的样本训练变分编码器和深度神经网络模型，最终需要测试血压数据时，将待测量的血压数据输入到训练后的变分编码器和深度神经网络模型，即可得到血压值。本专利技术通过对集合进行重采样扩充了样本的数量，解决样本量偏少的问题，而通过样本训练变分编码器和深度神经网络模型，以根据训练后的变分编码器和深度神经网络模型测量血压，不再依赖于传本文档来自技高网...

【技术保护点】
1.一种血压测量方法，其特征在于，所述血压测量方法包括：采集预设组数的血压数据，从每组血压数据中获取各个指标变量和各个血压值，得到每个指标变量对应的指标变量集合和每个血压值对应的血压值集合；对每个指标变量的指标变量集合和每个血压值的血压值集合进行重采样，以得到采样后的样本；根据采样后的样本训练变分编码器和深度神经网络模型，以得到训练后的变分编码器和深度神经网络模型；在接收到待测量的血压数据时，将待测量的血压数据输入到训练后的变分编码器和深度神经网络模型，以得到血压值。

【技术特征摘要】
1.一种血压测量方法，其特征在于，所述血压测量方法包括：采集预设组数的血压数据，从每组血压数据中获取各个指标变量和各个血压值，得到每个指标变量对应的指标变量集合和每个血压值对应的血压值集合；对每个指标变量的指标变量集合和每个血压值的血压值集合进行重采样，以得到采样后的样本；根据采样后的样本训练变分编码器和深度神经网络模型，以得到训练后的变分编码器和深度神经网络模型；在接收到待测量的血压数据时，将待测量的血压数据输入到训练后的变分编码器和深度神经网络模型，以得到血压值。2.如权利要求1所述的血压测量方法，其特征在于，所述对每个指标变量的指标变量集合和每个血压值的血压值集合进行重采样，以得到采样后的样本的步骤包括：对每个指标变量的指标变量集合计算第一均值和第一方差，以及对每个血压值的血压值集合计算第二均值和第二方差；在第一均值和第一方差对应的高斯分布下，对每个指标变量的指标变量集合进行多次采样得到每个指标变量的多个指标变量集合，以及在第二均值和第二方差对应的高斯分布下，对每个血压值的血压值集合进行多次采样得到每个血压值的多个血压值集合；分别对每个指标变量的多个指标变量集合和每个血压值的多个血压值集合计算均值，得到每个指标变量的指标变量集合均值和每个血压值的血压值集合均值；重复上述各个步骤预设次数，以得到每个指标变量预设个数的指标变量集合均值和每个血压值预设个数的血压值集合均值；将各个指标变量预设个数的指标变量集合均值和各个血压值预设个数的血压值集合均值作为采样后的样本。3.如权利要求1所述的血压测量方法，其特征在于，所述根据采样后的样本训练变分编码器和深度神经网络模型，以得到训练后的变分编码器和深度神经网络模型的步骤包括：在采样后的样本中分出训练集、测试集和验证集；在训练集中提取出各个指标变量；将各个指标变量输入到变分编码器中，以计算出变分编码器的损失函数；采用所述损失函数调整变分编码器的各项参数，并基于调整后的各项系数得到训练后的变分编码器；将训练集中的各个指标变量重新输入到训练后的变分编码器中，以得到输出编码值；采用所述输出编码值输入到深度神经网络模型中，并将训练集的血压值作为输出数据，以根据输出编码值和输出数据调整深度神经网络模型的模型参数，以得到训练后的深度神经网络模型。4.如权利要求3所述的血压测量方法，其特征在于，所述将各个指标变量输入到变分编码器中，以计算出变分编码器的损失函数的步骤包括：将各个指标变量输入到变分编码器中，以在所述变分编码器中的编码器中输出各个样本的各个分量，并获取所述编码器中输出数据的第一长度值；根据各个样本的各个分量和第一长度值计算第一数值；根据各个样本的各个分量、第一长度值和第一数值计算第二数值；基于第一数值和第二数值，计算KL散度；获取变分编码器中的解码器输出的各条数据的各个分量，并获取所述变分编码器中输入各条数据的各个分量...

【专利技术属性】
技术研发人员：郑慧敏，
申请(专利权)人：深圳竹信科技有限公司，
类型：发明
国别省市：广东,44