System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及临床医学,电信技术和软件工程领域,特别涉及一种基于协程异步rpc高性能服务的血压预测设备。
技术介绍
1、血压是日常生活和术前术后健康监测的重要指标之一,掌握血压的波动状态能够及时地进行疾病的预防和治疗,高血压是引起脑梗塞和心力衰竭等心血管疾病的关键因素,这些疾病具有较长的潜伏期,人体无法明显感知不适,然而此时血压已存在异常,因此实现无创血压的精确预测具有重要意义,脉冲传输时间(ptt)是获得血压(bp)最常用的方法之一,ptt通常被定义为心跳脉冲从心脏传播到身体外围所需的时间,在大多数情况下,研究人员使用心电图(ecg)和光电容积脉搏波(ppg)信号来测量这个参数,ptt的测量可以用一个心电图传感器和一个ppg传感器或两个ppg传感器来完成,正确记录心电信号需要至少放置三个电极在身体的三个不同点,运动伪影和电极与皮肤表面的非接触以及用于长期记录的电极线会给信号添加噪声,这是该方法估计bp的限制因素,此外,以往的许多相关研究中都只关注从ppg或ecg信号中提取的特征,而没有包括人体统计学特征,yi-yen hsieh等针对人体的ptt特征数据,建立了线性回归模型来预测收缩压和舒张压,但其模型较单一,不适用于各种人群,因受到不同人体特征之间的差异影响,使得测量精度较低,tonyhao wu等人使用bp神经网络和径向基函数网络通过对体重指数、年龄、运动、饮酒和吸烟等特征进行建模,来预测血压值,但是该方法的训练时间过长,且bp预测的精确度不高。
2、现存的血压监测研究存在预测模型较单一,不适用于各种人群,因受
技术实现思路
1、本专利技术为克服上述现有技术所述的血压预测模型较单一,不适用于各种人群,容易受到不同人体特征之间的差异影响,使得测量精度较低的问题和非医护人员或患者想随时随地的、精确地无创监测血压往往需要通过本地pc机进行一定时间的预处理、提取特征、模型训练和回归预测才能得到结果的问题,提供一种基于协程异步rpc高性能服务的血压预测设备。
2、为解决上述技术问题,本专利技术的技术方案如下:
3、一种基于协程异步rpc高性能服务的血压预测设备,所述血压预测设备包括: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预测程序,所述血压预测程序被配置为:
4、s1:获取血压原始数据;
5、s2:将血压原始数据进行预处理;
6、s3:从经过步骤s2处理后的血压原始数据中提取与血压预测相关的特征值;
7、s4:将步骤s3得到的特征值使用relieff算法进行特征选择,将选择后的特征值分出训练集;
8、s5:在rpc服务框架建立gpr血压预测回归模型,利用步骤s4得到的训练集训练gpr血压预测回归模型;
9、s6:将步骤s5训练后的gpr血压预测回归模型,使用贝叶斯优化法自动寻找最优超参数,得出最优的gpr血压预测回归模型,对测试者的血压进行预测。
10、进一步,步骤s2中,预处理包括归一化、降噪和消除基线漂移操作。
11、进一步,所述归一化操作,具体为:采用z-score公式进行归一化:
12、
13、式中,z-score normalized signal为归一化后的血压原始数据,signal为血压原始数据,signalmean为所有血压原始数据的均值,standard deviation of signal为血压原始数据的标准方差。
14、进一步,步骤s3中,所述提取与血压预测相关的特征值,具体为:用经过预处理的血压原始数据结合人体统计学特征参数,得到与血压预测相关的特征值。
15、进一步,所述特征值分为三大类特征值:第一类是人口统计学特征,第二类是与血压预测相关的特征值,第三类是数学统计学特征。
16、进一步,步骤s4中,所述将步骤s3得到的特征值使用relieff算法进行特征选择,具体为:从全部特征值中,随机取出一个样本x,通过relieff算法按照权重值取出k个临近样本和对应的响应向量:
17、[idx,weights]=relieff(x,y,k,nam e,value)
18、式中,x为特征值,y为响应向量,k为第k个临近值,idx为函数返回值,weights为对应idx位置处特征值的权重值,name和value为参数对。
19、进一步,步骤s5中,利用步骤s4得到的训练集数据训练gpr血压预测回归模型,具体为:将选择后的特征值的80%作为训练集数据,并结合使用10折交叉验证法对gpr血压预测回归模型进行训练。
20、进一步,步骤s5中,所述在rpc服务框架建立gpr血压预测回归模型,包括以下步骤:
21、s5.1:初始化rpc服务框架;
22、s5.2:先从buffer中得到tinypbprotocol结构体对象,得到method_name,再从orderservice对象里根据service.method_name找到方法func();
23、s5.3:找到和方法func()对应的request type以及response type;
24、s5.4:将请求体tinypbprotocol结构体中的pb_data反序列化为request type的一个对象,以及声明一个空的response type对象;
25、s5.5:调用func(requst,response)执行业务逻辑;
26、s5.6:将response type对象序列化为pb_data字节流,再塞入到响应的tinypbprotocol结构体中,最后再编码变成字节流转入到输出out_buffer中,接着注册可写事件监听,当可写事件到来触发epoll时,就发送buffer中的rpc回包给到客户端,建立gpr血压预测回归模型。
27、进一步,步骤s5.1中,所述初始化rpc服务框架包括:配置模块、日志模块、reactor核心模块、定时器、tcp模块、序列化、编解码模块和rpc模块,
28、配置模块:一键配置rpc服务;
29、日志模块:实现异步定时日志记录机制;
30、reactor核心模块:本框架核心部分的事件循环就是采用主从reactor的模式,让主线程创建的mainreactor只负责监听客户端connfd连接事件,当发生连接后得到新连接的clientfd,就创建新的子线程,这个线程称为subreactor,主线程让给subreactor去监听该tcp连接对应套接字clientfd上的io事件;
31、定时本文档来自技高网...
【技术保护点】
1.一种基于协程异步RPC高性能服务的血压预测设备,其特征在于,所述血压预测设备包括: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预测程序,所述血压预测程序被配置为:
2.根据权利要求1所述的一种基于协程异步RPC高性能服务的血压预测设备,其特征在于,步骤S2中,预处理包括归一化、降噪和消除基线漂移操作。
3.根据权利要求2所述的一种基于协程异步RPC高性能服务的血压预测设备,其特征在于,所述归一化操作,具体为:采用Z-score公式进行归一化操作:
4.根据权利要求1所述的一种基于协程异步RPC高性能服务的血压预测设备,其特征在于,步骤S3中,所述提取与血压预测相关的特征值,具体为:用经过预处理的血压原始数据结合人体统计学特征参数,得到与血压预测相关的特征值。
5.根据权利要求4所述的一种基于协程异步RPC高性能服务的血压预测设备,其特征在于,所述特征值分为三大类特征值:第一类是人口统计学特征,第二类是与血压预测相关的特征值,第三类是数学统计学特征。
6.根据权利要求1所述的一种基于协程异步RPC高性
7.根据权利要求1所述的一种基于协程异步RPC高性能服务的血压预测设备,其特征在于,步骤S5中,所述利用步骤S4得到的训练集数据训练GPR血压预测回归模型,具体为:将选择后的特征值的80%作为训练集数据,并结合使用10折交叉验证法对GPR血压预测回归模型进行训练。
8.根据权利要求1所述的一种基于协程异步RPC高性能服务的血压预测设备,其特征在于,步骤S5中,所述在RPC服务框架建立GPR血压预测回归模型,包括以下步骤:
9.根据权利要求8所述的一种基于协程异步RPC高性能服务的血压预测设备,其特征在于,步骤S5.1中,所述初始化RPC服务框架包括:配置模块、日志模块、Reactor核心模块、定时器、Tcp模块、序列化、编解码模块和RPC模块,
10.根据权利要求1所述的一种基于协程异步RPC高性能服务的血压预测设备,其特征在于,步骤S6中,所述使用贝叶斯优化法自动寻找最优超参数,所述最优超参数包括基函数、核函数、核尺寸、Sigma和标准化。
...【技术特征摘要】
1.一种基于协程异步rpc高性能服务的血压预测设备,其特征在于,所述血压预测设备包括: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预测程序,所述血压预测程序被配置为:
2.根据权利要求1所述的一种基于协程异步rpc高性能服务的血压预测设备,其特征在于,步骤s2中,预处理包括归一化、降噪和消除基线漂移操作。
3.根据权利要求2所述的一种基于协程异步rpc高性能服务的血压预测设备,其特征在于,所述归一化操作,具体为:采用z-score公式进行归一化操作:
4.根据权利要求1所述的一种基于协程异步rpc高性能服务的血压预测设备,其特征在于,步骤s3中,所述提取与血压预测相关的特征值,具体为:用经过预处理的血压原始数据结合人体统计学特征参数,得到与血压预测相关的特征值。
5.根据权利要求4所述的一种基于协程异步rpc高性能服务的血压预测设备,其特征在于,所述特征值分为三大类特征值:第一类是人口统计学特征,第二类是与血压预测相关的特征值,第三类是数学统计学特征。
6.根据权利要求1所述的一种基于协程异步rpc高性能服务的血压预测设备,其特征在于,步骤s4中,所述将步骤s3得到...
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。