脉搏波血压测量装置的分类预测数据处理方法制造方法及图纸

本发明专利技术提供一种脉搏波血压测量装置的分类预测数据处理方法，包括如下步骤：S100、从采集到的脉搏波信号中提取特征并记录相应的血压值；S200、对血压值按常见血压范围区间分类并设置分类标签；S300、将分类后的血压值数据分成训练数据和测试数据，选用分类算法构建分类训练模型；S400、对创建成功的分类训练模型，利用测试数据进行分类预测，统计分类预测准确率，根据准确率调整优化分类训练模型；S500、调用优化后的分类训练模型，对测试对象的血压值区间类别进行预测以得到血压值区间类别，从而对血压值进行预测。本发明专利技术可以在保持预测精度的前提下降低预测难度，减少了实际测量的数据的随机性对测量的影响，提高实用性。

Data Processing Method for Classified Prediction of Pulse Wave Blood Pressure Measuring Device

The invention provides a data processing method for classified prediction of pulse wave blood pressure measuring device, which includes the following steps: S100, extracting features from collected pulse wave signals and recording corresponding blood pressure values; S200, classifying blood pressure values according to common blood pressure range intervals and setting classification labels; S300, dividing classified blood pressure data into training data and testing data, selecting and classifying them. The algorithm constructs the classification training model; S400, uses the test data to classify and predict, statistics the classification prediction accuracy, adjusts and optimizes the classification training model according to the accuracy; S500, calls the optimized classification training model to predict the blood pressure interval category of the test object to get the blood pressure interval category, so as to improve the blood pressure value. Line prediction. The invention can reduce the difficulty of forecasting on the premise of maintaining the forecasting accuracy, reduce the influence of the randomness of the actual measured data on the measurement, and improve the practicability.

【技术实现步骤摘要】
脉搏波血压测量装置的分类预测数据处理方法
本专利技术涉及数据处理，特别涉及一种脉搏波血压测量装置的分类预测数据处理方法。
技术介绍
本项研究工作得到了中国国家自然科学基金项目(NO.61571268)、广东省科技厅重大科技专项项目-基于智能手机监护仪的远程人体生理多参数实时监测与分析物联网平台与示范工程、以及深圳市发改委重大科技项目-基于智能手机的远程人体生理多参数实时监测与分析网络平台产业化的资助。近年来，随着可穿戴产品越发流行，尤其是针对医疗健康领域。其中，血压作为人体最重要的生理参数之一，对预防高血压，中风，心肌梗塞或心力衰竭等疾病具有重要意义。就传统测量血压方法来讲，医生更倾向于选择柯氏听音法或示波法。虽然该种方法测量精度高，但是柯氏听音法的准确性往往因人而异，受到临床经验的影响，示波法测量血压需要佩戴袖带，往往携带不方便。因此，无创高精度可穿戴血压测量设备受到很多人的期待。其中，针对无创血压测量算法，相关学者做了大量的研究。算法的普遍思路是通过采集人体PPG(photoplethysmography，脉搏波)信号，然后数据进过预处理后提取时域或频域特征，利用相关模型(线性、SVM(支持向量机)、ANN(人工神经网络))进行训练与回归预测。实际测量的数据具有一定的随机性，包括采集数据的随机性及回归预测模型建立的随机性，这种随机性会对方法的实用性产生不利的影响。
技术实现思路
本专利技术的目的是为了解决现有技术中随机性会对方法的实用性产生不利影响的问题，提出一种脉搏波血压测量装置的分类预测数据处理方法。为解决上述技术问题，本专利技术采用以下技术方案：脉搏波血压测量装置的分类预测数据处理方法，包括如下步骤：S100、从采集到的脉搏波信号中提取特征并记录相应的血压值；S200、对血压值按常见血压范围区间分类并设置分类标签；S300、将分类后的血压值数据分成训练数据和测试数据，选用分类算法构建分类训练模型；S400、对创建成功的分类训练模型，利用测试数据进行分类预测，统计分类预测准确率，根据准确率调整优化分类训练模型；S500、调用优化后的分类训练模型，对测试对象的血压值区间类别进行预测以得到血压值区间类别，从而对血压值进行预测。在一些优选的实施方式中，步骤S100包括：S110、采集脉搏波数据样本；S120、对数据进行预处理；S130、提取脉搏波时域参数。在一些优选的实施方式中，步骤S300包括：S310、对采集的脉搏波特征参数和对应的血压值区间类别作为样本数据，分为重搏波明显的样本数据和重搏波不明显样本数据；S320、针对重搏波明显的样本数据，随机选择一部分数据用作重搏明显分类训练数据，其余数据用作重搏明显分类测试数据；针对重搏波不明显样本数据，随机选择一部分数据用作重搏不明显分类训练数据，其余数据用作重搏不明显分类测试数据；S330、选用分类算法对分类训练数据构建训练模型。在一些优选的实施方式中，在增加数据样本的情况下重复步骤S100至S400。在一些优选的实施方式中，步骤S500包括：S510、采集测试对象样本PPG数据，对数据进行处理以及进行特征参数计算；S520、根据计算所得的特征参数调用优化后的分类训练模型，对测试对象的血压值区间类别进行预测；S530、根据得到的血压值区间类别，对血压值进行预测。在进一步优选的实施方式中，步骤S530中对血压值进行预测的方式包括：回归分析方法和通过求取预测类别对应血压区间范围中值作为最终预测血压值。在进一步优选的实施方式中，步骤S130包括：S131、识别统计重搏波明显与不明显的两种典型脉搏波；S132、检测特征点；S133、计算特征参数。在一些优选的实施方式中，步骤S300中的分类算法包括：二元逻辑分类、支持向量机分类、人工神经网络分类、决策树和随机森林。在进一步优选的实施方式中，步骤S110的预处理包括去除基线漂移、滤波去除工频干扰和肌电干扰。在另一方面，本专利技术还提供一种计算机可读存储介质：一种计算机可读存储介质，其存储有与计算设备结合使用的计算机程序，所述计算机程序被处理器执行以实现上述方法。与现有技术相比，本专利技术的有益效果有：将具体血压值回归预测转化为一定血压范围内的分类决策，通过设定相应血压区间并进行分类，选用分类算法构建分类训练模型，可以在保持预测精度的前提下降低预测难度，减少了实际测量的数据的随机性对测量的影响，提高实用性。附图说明图1是本专利技术的流程图；图2是步骤S100的流程图；图3是步骤S130的流程图；图4是本专利技术涉及的一个周期脉搏波的重搏波明显的波形；图5是本专利技术涉及的一个周期脉搏波的重搏波不明显的波形；图6是步骤S300的流程图；图7是步骤S500的流程图。具体实施方式以下对本专利技术的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本专利技术的范围及其应用。参考图1，脉搏波血压测量装置的分类预测数据处理方法包括如下步骤：S100、从采集到的脉搏波信号中提取特征并记录相应的血压值。参考图2，步骤S100具体包括子步骤S110、S120和S130：S110、采集脉搏波数据样本。具体为：针对不同人(总人数：n)分别采集脉搏波数据(PPG信号)，脉搏波数据的获取主要是通过脉搏波采集设备测量得到，每个对象采集数据的时长为t秒，t秒数据对应有效完整脉搏波波形数d,则特征矩阵维数为n*d。脉搏波数据对应的血压值为采集脉搏波的时间段内通过血压测量设备测量得到的可保证准确性的血压值，包括舒张压和收缩压。这里，需要测量n组脉搏波数据及其对应的血压值。优选地，t>20s,n>>100。S120、对数据进行预处理。具体为：对每个采集对象下的每段数据(t秒)进行预处理，主要设计一个带通滤波器，实现去除基线漂移，滤波去除工频干扰和肌电干扰，可采用FIR带通滤波器，通带频率1-5Hz。S130、提取脉搏波时域参数。针对滤波平滑后的数据，进行脉搏波时域参数的提取，参考图3，具体包括子步骤S131、S132和S133：S131、识别统计重搏波明显与不明显的两种典型脉搏波。具体为：识别统计两种典型脉搏波，分别为重搏波明显与不明显的脉搏波，对应人数n1、n2,则n＝n1+n2。S132、检测特征点。针对两种典型脉搏波波形提取对应波形的特征点：参考图4，针对重搏波明显的波形，需要检测的特征点有主动脉瓣开放点A(troughpoint)，收缩期最高压力点B(systolicpeak)，重搏波起点C(dicroticnotch)，重搏波最高压力点D(dicroticpeak)。参考图5，针对重搏波不明显的波形，需要检测的特征点主要有主动脉瓣开放点A(troughpoint)，收缩期最高压力点B(systolicpeak)。利用findpeaks函数可以检测出数据中的极大值点B和D。通过对数据取反再利用findpeaks函数可以检测出数据中的极小值点A和C，findpeaks是利用差分法实现对数据的极值点检测，即设有脉搏波数据d1,d2,d3,……,di,……，如果有di>di-1且di>di+1则判定di为极大值点。S133、计算特征参数。根据特征点计算对应波形类型下的特征参数：参考图4，针对重搏波明显波形(dicroticpe本文档来自技高网...

【技术保护点】
1.一种脉搏波血压测量装置的分类预测数据处理方法，其特征在于包括如下步骤：S100、从采集到的脉搏波信号中提取特征并记录相应的血压值；S200、对血压值按常见血压范围区间分类并设置分类标签；S300、将分类后的血压值数据分成训练数据和测试数据，选用分类算法构建分类训练模型；S400、对创建成功的分类训练模型，利用测试数据进行分类预测，统计分类预测准确率，根据准确率调整优化分类训练模型；S500、调用优化后的分类训练模型，对测试对象的血压值区间类别进行预测以得到血压值区间类别，从而对血压值进行预测。

【技术特征摘要】
1.一种脉搏波血压测量装置的分类预测数据处理方法，其特征在于包括如下步骤：S100、从采集到的脉搏波信号中提取特征并记录相应的血压值；S200、对血压值按常见血压范围区间分类并设置分类标签；S300、将分类后的血压值数据分成训练数据和测试数据，选用分类算法构建分类训练模型；S400、对创建成功的分类训练模型，利用测试数据进行分类预测，统计分类预测准确率，根据准确率调整优化分类训练模型；S500、调用优化后的分类训练模型，对测试对象的血压值区间类别进行预测以得到血压值区间类别，从而对血压值进行预测。2.根据权利要求1所述的方法，其特征在于步骤S100包括：S110、采集脉搏波数据样本；S120、对数据进行预处理；S130、提取脉搏波时域参数。3.根据权利要求1所述的方法，其特征在于步骤S300包括：S310、对采集的脉搏波特征参数和对应的血压值区间类别作为样本数据，分为重搏波明显的样本数据和重搏波不明显样本数据；S320、针对重搏波明显的样本数据，随机选择一部分数据用作重搏明显分类训练数据，其余数据用作重搏明显分类测试数据；针对重搏波不明显样本数据，随机选择一部分数据用作重搏不明显分类训练数据，其余数据用作重搏不明显分类测试数据；S330、选用分类算法对分类训...

【专利技术属性】
技术研发人员：张跃，冯治蒙，张拓，雷夏飞，
申请(专利权)人：深圳市岩尚科技有限公司，清华大学深圳研究生院，
类型：发明
国别省市：广东,44