【技术实现步骤摘要】
本专利技术涉及数据处理领域，具体来说涉及生理信号处理领域，更具体地说，涉及一种基于元学习的域泛化血压估计训练方法。
技术介绍
1、高血压是一种慢性病症，是全球范围内心血管疾病和相关死亡率的主要诱因之一。随着人口老龄化的加剧，高血压的患病率呈逐年上升趋势。高血压患者需要频繁监测血压以便及时调整治疗方案，从而降低心血管并发症的风险。然而，目前常见的血压测量设备（如水银血压计和袖带式血压计）在操作上存在诸多不便，尤其在需要频繁测量或持续监控时，这些设备的适用性受到限制。袖带式血压测量设备在活动状态下的适用性较低，且其测量方法会干扰患者的日常活动，难以实现全天候、无干扰的血压监测。
2、为了解决上述问题，近年来基于光电容积描记（photoplethysmography，简称ppg）和心电图（electrocardiogram，简称ecg）信号的无袖带血压估计技术逐渐得到关注。ppg信号可反映皮下血液体积和血流量的变化，ecg信号则反映心脏的电活动，通过分析ppg和ecg信号之间的关联，可以间接推测血压。这种方法具备无创性、便携性和实时性的特点，非常适合在便携设备上进行实时血压估计。然而，由于个体生理特征差异显著，ppg和ecg信号的特征分布也随之不同，导致基于机器学习或深度学习的血压估计方法在不同个体上表现不稳定。为提高精度，传统方法通常需要大量的个性化数据来对模型进行微调，这在实际应用中很难实现。尽管迁移学习技术可以在大规模公共数据集上进行模型预训练，并通过少量个性化数据进行微调，但此方法对个性化数据的依赖程度依然较高，导
3、为解决模型在实际应用中泛化能力有限的问题，领域泛化（domaingeneralization，简称dg）技术被引入血压估计领域。领域泛化技术通过训练模型在多个源域上学习领域不变特征，从而增强模型对新域数据的泛化能力。
4、然而，传统的领域泛化方法在生理信号领域的表现有限，尤其是处理具有高度个体差异的时序生理数据时难以获得理想的估计效果。生理信号的时序特性和个体间差异导致在估计任务中数据分布的不一致，现有领域泛化方法在应对这类高度变异性数据时显得不足。
5、需要说明的是：本
技术介绍
仅用于介绍本专利技术的相关信息，以便于帮助理解本专利技术的技术方案，但并不意味着相关信息必然是现有技术。相关信息与本专利技术方案一同提交和公开，在没有证据表明相关信息已在本专利技术的申请日以前公开的情况下，相关信息不应被视为现有技术。
技术实现思路
1、因此，本专利技术的目的在于克服上述现有技术的缺陷，提供一种血压估计训练方法。
2、本专利技术的目的是通过以下技术方案实现的：
3、根据本专利技术的第一方面，提供一种血压估计训练方法，包括：获取血压估计模型，其用于从输入的传感数据中提取信号特征以及根据信号特征估计血压预测值；获取包括多个源域的源域集合，每个源域包括单个对象的多个样本，每个样本包括从对象采集的传感数据和指示采集传感数据时对象的血压值的标签，传感数据包括ppg信号和ecg信号；利用源域集合和预设的总损失函数，指导血压估计模型进行分阶段的元学习以最小化损失值，其中，元学习包括：多次执行元训练阶段的学习，每次变换地从源域集合中选定至少一个源域组成元优化域，其余源域组成元训练域，每次执行元训练阶段的学习包括：训练子阶段，包括：利用当前的元训练域和总损失函数，训练血压估计模型；优化子阶段，包括：利用当前的元训练域、元优化域和总损失函数,训练经子阶段学习后的血压估计模型；执行元测试阶段的学习，包括：基于源域集合中的所有源域和总损失函数,训练经元训练阶段学习后的血压估计模型。该方案通过两阶段元学习策略分为“元训练阶段”和“元测试阶段”，其中元训练阶段进一步分为“训练子阶段”和“优化子阶段”，学习过程中，变换地选定源域组成元优化域，其余源域作为元训练域，在每一轮元训练阶段，模型在元训练域内的多个源域上训练，以模拟不同个体的数据分布，通过对不同个体数据的学习，提升模型的泛化性能；在元测试阶段，模型利用源域数据进行微调，以提升在真正的目标域（新个体数据）上的预测精度。通过两阶段元学习策略，使得模型能够通过模拟不同个体的数据分布，实现跨域泛化能力，从而在不需要大量个性化数据的情况下，也能在新个体上达到较高的预测精度；与传统方法相比，本方案显著减少了对个性化数据的依赖，使得无袖带血压估计方法在实际应用中更加实用和高效。
4、可选的，在元训练阶段，每次从源域集合中选定预设数量的未选择过的源域作为元优化域，其中，训练子阶段是分批次从当前的元训练域中选取批次样本，利用从元训练域选取的批次样本迭代训练血压估计模型，直至达到预设的要求后转至优化子阶段。该方案至少能够实现以下有益技术效果：通过在训练子阶段对元训练域的多轮迭代，模型逐步从不同源域中提取不变特征，确保对不同个体数据的适应性，训练子阶段的不断优化使模型具备领域不变性，为后续在元优化域上的优化奠定基础。
5、可选的，优化子阶段是分批次从当前的元训练域和元优化域中选取批次样本，利用从元训练域和元优化域中选取的批次样本迭代训练血压估计模型，直至达到预设的要求后转至优化子阶段。
6、可选的，元测试阶段在元训练阶段结束后进行，元测试阶段是从源域集合中的所有源域中选取批次样本，利用从所有源域中选取的批次样本微调训练血压估计模型。
7、可选的，在训练血压估计模型时，利用预设的训练组件完成，所述训练组件包括：血压估计模型，包括：用于从输入的传感数据中提取信号特征的特征提取模块，和用于根据信号特征确定血压预测值的预测模块；域不变特征提取模块，用于从信号特征中提取域不变特征；其中，训练时，利用血压的回归损失、以及指定的域的域不变特征间的对齐损失和分布差异指导血压估计模型的参数更新。
8、可选的，所述特征提取模块包括：多个处理分支，每个处理分支用于从传感数据中的一种模态信号中提取模态特征，其中，每个处理分支包括堆叠的多个时间残差块和门控循环单元，融合模块，用于对多个处理分支提取的模态特征进行融合，得到信号特征。
9、可选的，总损失函数为：
10、
11、其中，表示用于计算血压预测值和标签间回归损失的子函数，表示用于计算指定的域的域不变特征间对齐损失的子函数，表示用于计算指定的域的域不变特征间分布差异的子函数，表示的权重，表示的权重，表示的权重。
12、根据本专利技术的第二方面，提供一种血压估计方法，包括：获取按照第一方面所述的方法得到的经训练的血压估计模型；获取待评估对象的传感数据，利用所述经训练的血压估计模型根据待评估对象的传感数据估计血压预测值。
13、根据本专利技术的第三方面，提供一种电子设备，包括：一个或多个处理器；以及存储器，其中存储器用于存储可执行指令；所述一个或多个处理器被配置为经由执行所述可执行指令以实现第一方面和/或第二方面所述方法的步骤。
本文档来自技高网...【技术保护点】
1.一种血压估计训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在元训练阶段，每次从源域集合中选定预设数量的未选择过的源域作为元优化域，其中，
3.根据权利要求2所述的方法，其特征在于，优化子阶段是分批次从当前的元训练域和元优化域中选取批次样本，利用从元训练域和元优化域中选取的批次样本迭代训练血压估计模型，直至达到预设的要求后转至优化子阶段。
4.根据权利要求3所述的方法，其特征在于，元测试阶段在元训练阶段结束后进行，元测试阶段是从源域集合中的所有源域中选取批次样本，利用从所有源域中选取的批次样本微调训练血压估计模型。
5.根据权利要求1-4之一所述的方法，其特征在于，在训练血压估计模型时，利用预设的训练组件完成，所述训练组件包括：
6.根据权利要求5所述的方法，其特征在于，所述特征提取模块包括：
7.根据权利要求5所述的方法，其特征在于，总损失函数为：
8.一种血压估计方法，包括：
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序可
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种血压估计训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在元训练阶段，每次从源域集合中选定预设数量的未选择过的源域作为元优化域，其中，
3.根据权利要求2所述的方法，其特征在于，优化子阶段是分批次从当前的元训练域和元优化域中选取批次样本，利用从元训练域和元优化域中选取的批次样本迭代训练血压估计模型，直至达到预设的要求后转至优化子阶段。
4.根据权利要求3所述的方法，其特征在于，元测试阶段在元训练阶段结束后进行，元测试阶段是从源域集合中的所有源域中选取批次样本，利用从所有源域中选...
【专利技术属性】
技术研发人员：谷洋，郭锦鹏，范非易，张巍，金元，陈益强，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。