【技术实现步骤摘要】
本专利技术涉及血压测量，具体涉及一种基于大数据和人工智能的血压测量方法和系统。
技术介绍
1、降压测压法是电子血压计中较为常见的血压测量方法，降压测压法主要使用气泵对袖带进行充气加压，利用充气的袖带压迫动脉血管，使动脉血管处于闭塞状态后，再开启放气阀，使袖带内压力缓慢下降。随着袖带内压力的下降，动脉内血管呈完全阻闭-渐开-全开的变化过程。在降压过程中，压力传感器采集大小变化的袖带内压力，通过a/d采样转化为数字信号送入mcu计算得出人体的舒张压、收缩压和平均压。
2、降压测压法在血压测量过程中需要预先确定一个袖带的预设充气压力值，对于婴幼儿或者病情危重的病人或者手臂有创伤的病人，若预设充气压力值设置的过高，则可能会对病人的血管和周围组织造成压力和损伤，从而加重对病人的伤害。若预设充气压力值设置的过低，则袖带可能无法完全阻断动脉血流，这将导致测量结果的不准确。
3、因此如何准确的确定血压测量时的预设充气压力值是当前亟待解决的问题。
技术实现思路
1、本专利技术主要解决的技术问题是如何准确的确定血压测量时的预设充气压力值。
2、根据第一方面，本专利技术提供一种基于大数据和人工智能的血压测量方法，包括：获取用户的手臂图像和用户的年龄；基于所述用户的手臂图像和所述用户的年龄使用袖带尺寸确定模型确定袖带尺寸；获取用户的历史病情记录和用户的脸部图像；计算所述用户的历史病情记录与数据库中多个参考历史病情记录的相似度，并将相似度最高的参考历史病情记录中的血压值作
3、更进一步地，所述基于所述第一预设充气压力值、所述第二预设充气压力值确定目标预设充气压力值包括：对所述第一预设充气压力值和所述第二预设充气压力值分别赋予不同的权重，再进行加权求和后得到目标预设充气压力值。
4、更进一步地，所述袖带尺寸确定模型为卷积神经网络模型，所述袖带尺寸确定模型的输入为所述用户的手臂图像和所述用户的年龄，所述袖带尺寸确定模型的输出为袖带尺寸；所述第一压力值确定模型为卷积神经网络模型，所述第一压力值确定模型的输入为所述用户的手臂图像、所述用户的脸部图像、所述用户的年龄、所述袖带尺寸、所述参考血压值，所述第一压力值确定模型的输出为第一预设充气压力值；所述第二压力值确定模型为长短期神经网络模型，所述第二压力值确定模型的输入为所述用户的脉搏信号序列数据、所述用户的心电图序列数据，所述第二压力值确定模型的输出为第二预设充气压力值。
5、更进一步地，所述方法还包括：基于图神经网络模型判断血压测量结果是否准确。
6、更进一步地，所述图神经网络模型的输入包括三个节点和两条边，所述三个节点分别为充气阶段节点、放气阶段节点、测量结果节点，所述两条边为所述三个节点之间的依次的连线，所述充气阶段节点的节点特征包括充气开始时间、充气持续时间、充气速度、所述目标预设充气压力值，所述放气阶段节点的节点特征包括放气开始时间、放气持续时间、放气速度、脉搏信号的强度、脉搏信号的形态特征、脉搏信号的频率，所述测量结果节点的节点特征包括收缩压、舒张压、脉压差，所述图神经网络模型的输出为准确或不准确。
7、根据第二方面，本专利技术提供一种基于大数据和人工智能的血压测量系统，包括：第一获取模块，用于获取用户的手臂图像和用户的年龄；
8、袖带尺寸确定模块，用于基于所述用户的手臂图像和所述用户的年龄使用袖带尺寸确定模型确定袖带尺寸；
9、第二获取模块，用于获取用户的历史病情记录和用户的脸部图像；
10、计算模块，用于计算所述用户的历史病情记录与数据库中多个参考历史病情记录的相似度，并将相似度最高的参考历史病情记录中的血压值作为参考血压值；
11、第一压力值确定模块，用于基于所述用户的手臂图像、所述用户的脸部图像、所述用户的年龄、所述袖带尺寸、所述参考血压值使用第一压力值确定模型确定第一预设充气压力值；
12、第三获取模块，用于获取用户的脉搏信号序列数据、用户的心电图序列数据；
13、第二压力值确定模块，用于基于所述用户的脉搏信号序列数据、所述用户的心电图序列数据使用第二压力值确定模型确定第二预设充气压力值；
14、目标压力值确定模块，用于基于所述第一预设充气压力值、所述第二预设充气压力值确定目标预设充气压力值；
15、测量模块，用于基于所述目标预设充气压力值对袖带进行充气，并对所述用户进行血压测量。
16、更进一步地，所述目标压力值确定模块还用于：对所述第一预设充气压力值和所述第二预设充气压力值分别赋予不同的权重，再进行加权求和后得到目标预设充气压力值。
17、更进一步地，所述袖带尺寸确定模型为卷积神经网络模型，所述袖带尺寸确定模型的输入为所述用户的手臂图像和所述用户的年龄，所述袖带尺寸确定模型的输出为袖带尺寸；所述第一压力值确定模型为卷积神经网络模型，所述第一压力值确定模型的输入为所述用户的手臂图像、所述用户的脸部图像、所述用户的年龄、所述袖带尺寸、所述参考血压值，所述第一压力值确定模型的输出为第一预设充气压力值；所述第二压力值确定模型为长短期神经网络模型，所述第二压力值确定模型的输入为所述用户的脉搏信号序列数据、所述用户的心电图序列数据，所述第二压力值确定模型的输出为第二预设充气压力值。
18、更进一步地，所述系统还用于：基于图神经网络模型判断血压测量结果是否准确。
19、更进一步地，所述图神经网络模型的输入包括三个节点和两条边，所述三个节点分别为充气阶段节点、放气阶段节点、测量结果节点，所述两条边为所述三个节点之间的依次的连线，所述充气阶段节点的节点特征包括充气开始时间、充气持续时间、充气速度、所述目标预设充气压力值，所述放气阶段节点的节点特征包括放气开始时间、放气持续时间、放气速度、脉搏信号的强度、脉搏信号的形态特征、脉搏信号的频率，所述测量结果节点的节点特征包括收缩压、舒张压、脉压差，所述图神经网络模型的输出为准确或不准确。
20、本专利技术提供的一种基于大数据和人工智能的血压测量方法和系统，该方法包括获取用户的手臂图像和用户的年龄；基于所述用户的手臂图像和所述用户的年龄使用袖带尺寸确定模型确定袖带尺寸；获取用户的历史病情记录和用户的脸部图像；计算所述用户的历史病情记录与数据库中多个参考历史病情记录的相似度，并将相似度最高的参考历史病情记录中的血压值作为参考血压值；基于所述用户的手臂图像、所述用户的脸部图像、所述用户的年本文档来自技高网...
【技术保护点】
1.一种基于大数据和人工智能的血压测量方法，其特征在于，包括：
2.如权利要求1所述的基于大数据和人工智能的血压测量方法，其特征在于，所述基于所述第一预设充气压力值、所述第二预设充气压力值确定目标预设充气压力值包括：对所述第一预设充气压力值和所述第二预设充气压力值分别赋予不同的权重，再进行加权求和后得到目标预设充气压力值。
3.如权利要求1所述的基于大数据和人工智能的血压测量方法，其特征在于，所述袖带尺寸确定模型为卷积神经网络模型，所述袖带尺寸确定模型的输入为所述用户的手臂图像和所述用户的年龄，所述袖带尺寸确定模型的输出为袖带尺寸；所述第一压力值确定模型为卷积神经网络模型，所述第一压力值确定模型的输入为所述用户的手臂图像、所述用户的脸部图像、所述用户的年龄、所述袖带尺寸、所述参考血压值，所述第一压力值确定模型的输出为第一预设充气压力值；所述第二压力值确定模型为长短期神经网络模型，所述第二压力值确定模型的输入为所述用户的脉搏信号序列数据、所述用户的心电图序列数据，所述第二压力值确定模型的输出为第二预设充气压力值。
4.如权利要求1所述的基于大数据
5.如权利要求4所述的基于大数据和人工智能的血压测量方法，其特征在于，所述图神经网络模型的输入包括三个节点和两条边，所述三个节点分别为充气阶段节点、放气阶段节点、测量结果节点，所述两条边为所述三个节点之间的依次的连线，所述充气阶段节点的节点特征包括充气开始时间、充气持续时间、充气速度、所述目标预设充气压力值，所述放气阶段节点的节点特征包括放气开始时间、放气持续时间、放气速度、脉搏信号的强度、脉搏信号的形态特征、脉搏信号的频率，所述测量结果节点的节点特征包括收缩压、舒张压、脉压差，所述图神经网络模型的输出为准确或不准确。
6.一种基于大数据和人工智能的血压测量系统，其特征在于，包括：
7.如权利要求6所述的基于大数据和人工智能的血压测量系统，其特征在于，所述目标压力值确定模块还用于：对所述第一预设充气压力值和所述第二预设充气压力值分别赋予不同的权重，再进行加权求和后得到目标预设充气压力值。
8.如权利要求6所述的基于大数据和人工智能的血压测量系统，其特征在于，所述袖带尺寸确定模型为卷积神经网络模型，所述袖带尺寸确定模型的输入为所述用户的手臂图像和所述用户的年龄，所述袖带尺寸确定模型的输出为袖带尺寸；所述第一压力值确定模型为卷积神经网络模型，所述第一压力值确定模型的输入为所述用户的手臂图像、所述用户的脸部图像、所述用户的年龄、所述袖带尺寸、所述参考血压值，所述第一压力值确定模型的输出为第一预设充气压力值；所述第二压力值确定模型为长短期神经网络模型，所述第二压力值确定模型的输入为所述用户的脉搏信号序列数据、所述用户的心电图序列数据，所述第二压力值确定模型的输出为第二预设充气压力值。
9.如权利要求6所述的基于大数据和人工智能的血压测量系统，其特征在于，所述系统还用于：基于图神经网络模型判断血压测量结果是否准确。
10.如权利要求9所述的基于大数据和人工智能的血压测量系统，其特征在于，所述图神经网络模型的输入包括三个节点和两条边，所述三个节点分别为充气阶段节点、放气阶段节点、测量结果节点，所述两条边为所述三个节点之间的依次的连线，所述充气阶段节点的节点特征包括充气开始时间、充气持续时间、充气速度、所述目标预设充气压力值，所述放气阶段节点的节点特征包括放气开始时间、放气持续时间、放气速度、脉搏信号的强度、脉搏信号的形态特征、脉搏信号的频率，所述测量结果节点的节点特征包括收缩压、舒张压、脉压差，所述图神经网络模型的输出为准确或不准确。
...【技术特征摘要】
1.一种基于大数据和人工智能的血压测量方法，其特征在于，包括：
2.如权利要求1所述的基于大数据和人工智能的血压测量方法，其特征在于，所述基于所述第一预设充气压力值、所述第二预设充气压力值确定目标预设充气压力值包括：对所述第一预设充气压力值和所述第二预设充气压力值分别赋予不同的权重，再进行加权求和后得到目标预设充气压力值。
3.如权利要求1所述的基于大数据和人工智能的血压测量方法，其特征在于，所述袖带尺寸确定模型为卷积神经网络模型，所述袖带尺寸确定模型的输入为所述用户的手臂图像和所述用户的年龄，所述袖带尺寸确定模型的输出为袖带尺寸；所述第一压力值确定模型为卷积神经网络模型，所述第一压力值确定模型的输入为所述用户的手臂图像、所述用户的脸部图像、所述用户的年龄、所述袖带尺寸、所述参考血压值，所述第一压力值确定模型的输出为第一预设充气压力值；所述第二压力值确定模型为长短期神经网络模型，所述第二压力值确定模型的输入为所述用户的脉搏信号序列数据、所述用户的心电图序列数据，所述第二压力值确定模型的输出为第二预设充气压力值。
4.如权利要求1所述的基于大数据和人工智能的血压测量方法，其特征在于，所述方法还包括：基于图神经网络模型判断血压测量结果是否准确。
5.如权利要求4所述的基于大数据和人工智能的血压测量方法，其特征在于，所述图神经网络模型的输入包括三个节点和两条边，所述三个节点分别为充气阶段节点、放气阶段节点、测量结果节点，所述两条边为所述三个节点之间的依次的连线，所述充气阶段节点的节点特征包括充气开始时间、充气持续时间、充气速度、所述目标预设充气压力值，所述放气阶段节点的节点特征包括放气开始时间、放气持续时间、放气速度、脉搏信号的强度、脉搏信号的形态特征、脉搏信号的频率，所述测量结果节点的节点特征包括收缩压、舒张压、脉压差，所述图神经网络模型的输...
【专利技术属性】
技术研发人员：王锐轩，林秋跃，刘阳，张竞宏，
申请(专利权)人：广东锐嵘生物医学科技有限公司，
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。