CN111194180B - 确定受试者的血压的***和方法 - Google Patents
确定受试者的血压的***和方法 Download PDFInfo
- Publication number
- CN111194180B CN111194180B CN201780093247.4A CN201780093247A CN111194180B CN 111194180 B CN111194180 B CN 111194180B CN 201780093247 A CN201780093247 A CN 201780093247A CN 111194180 B CN111194180 B CN 111194180B
- Authority
- CN
- China
- Prior art keywords
- subject
- blood pressure
- model
- subjects
- predicting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000000694 effects Effects 0.000 claims abstract description 113
- 238000004891 communication Methods 0.000 claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 26
- 230000000747 cardiac effect Effects 0.000 claims description 75
- 238000009530 blood pressure measurement Methods 0.000 claims description 39
- 206010020772 Hypertension Diseases 0.000 claims description 9
- 238000002651 drug therapy Methods 0.000 claims 2
- 238000005259 measurement Methods 0.000 description 68
- 238000012545 processing Methods 0.000 description 30
- 230000000875 corresponding effect Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 25
- 238000012360 testing method Methods 0.000 description 24
- 238000012549 training Methods 0.000 description 23
- 230000036544 posture Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000002526 effect on cardiovascular system Effects 0.000 description 10
- 229940079593 drug Drugs 0.000 description 8
- 239000003814 drug Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000000670 limiting effect Effects 0.000 description 8
- 238000013186 photoplethysmography Methods 0.000 description 8
- 238000007637 random forest analysis Methods 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000035487 diastolic blood pressure Effects 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 230000035488 systolic blood pressure Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 3
- 229910052753 mercury Inorganic materials 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 241000932075 Priacanthus hamrur Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 206010013700 Drug hypersensitivity Diseases 0.000 description 1
- 208000004262 Food Hypersensitivity Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000002680 cardiopulmonary resuscitation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 235000020932 food allergy Nutrition 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000002106 pulse oximetry Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- RONWGALEIBILOG-VMJVVOMYSA-N quinine sulfate Chemical compound [H+].[H+].[O-]S([O-])(=O)=O.C([C@H]([C@H](C1)C=C)C2)C[N@@]1[C@@H]2[C@H](O)C1=CC=NC2=CC=C(OC)C=C21.C([C@H]([C@H](C1)C=C)C2)C[N@@]1[C@@H]2[C@H](O)C1=CC=NC2=CC=C(OC)C=C21 RONWGALEIBILOG-VMJVVOMYSA-N 0.000 description 1
- 238000013180 random effects model Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
- A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Vascular Medicine (AREA)
- Optics & Photonics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种方法，在计算设备上实现，该计算设备具有至少一个处理器、存储器以及连接到网络的通信平台，该方法包括：从终端接收确定第一受试者的血压的请求，获取与第一受试者的心脏活动相关的数据，确定用于预测第一受试者的血压的个性化模型，基于与第一受试者的心脏活动相关的数据，使用个性化模型，确定第一受试者的血压，以及响应于请求，将第一受试者的血压发送到终端。
Description
技术领域
本申请通常涉及适用于医疗保健相关领域的***和方法。更具体地，本申请涉及用于确定受试者的血压的***和方法。
背景技术
血压测量可分为有创血压测量和无创血压测量。有创血压测量通常用于医学手术或医学研究，需要由医学专业人员进行。无创血压测量是一种间接血压测量方法。血压计是一种流行的无创血压测量设备。它包括一个以可控方式压扁然后释放其下方动脉的可充气袖带，以及用于测量压力的水银或机械压力计。然而，由于频繁的充气压迫受试者的血管，频繁使用血压计进行测量会使受试者不适。另外，在测量过程中，袖带的大小、弹性效应和受试者的姿态会影响所测血压的精度。
另一无创血压测量***使用心电信号和脉搏波信号预测受试者的血压。该***计算脉搏信号的传输速度，并确定用于预测血压的模型。但是，受试者需要配戴两组分别用于测量心电信号和脉搏波信号的设备。因此，需要提供一种无创血压测量***和方法来有效地预测受试者的血压。
发明内容
根据本申请的一个方面，一种确定血压的***可以包括至少一个存储介质，该介质包括一组指令，连接到网络的通信平台以及与至少一个存储介质通信的至少一个处理器。当执行该指令时，至少一个处理器可以从终端接收确定第一受试者的血压的请求。至少一个处理器可以响应于请求，获取与第一受试者的心脏活动相关的数据。至少一个处理器可以确定用于预测第一受试者的血压的个性化模型。至少一个处理器可以基于与第一受试者的心脏活动相关的数据，使用个性化模型，确定第一受试者的血压。至少一个处理器可以响应于请求，将第一受试者的血压发送到终端。
在一些实施例中，至少一个处理器可以与附着于第一受试者的传感器通信。在一些实施例中，传感器可以被配置为检测第一受试者的心脏活动并生成一个信号。至少一个处理器可以基于信号，生成与第一受试者的心脏活动相关的数据。
在一些实施例中，与第一受试者相关的数据包括第一受试者的年龄、第一受试者的性别、第一受试者的身高、第一受试者的体重、第一受试者的姿态、与请求相关的时间信息、第一受试者是否患有高血压和/或第一受试者是否在接收至少一种药物治疗中的至少一个。
在一些实施例中，至少一个处理器可获取与至少两个第二受试者的心脏活动相关的历史数据。在一些实施例中，至少两个第二受试者可以包括第一受试者。在一些实施例中，历史数据可包括至少两个第二受试者的至少两个历史血压测量值。至少一个处理器可以基于与至少两个第二受试者的心脏活动相关的历史数据，确定用于预测血压的初始模型。至少一个处理器可以基于用于预测血压的初始模型和与第一受试者的心脏活动相关的至少一部分历史数据，生成用于预测第一受试者的血压的个性化模型。
在一些实施例中，至少一个处理器可以基于与至少两个第二受试者的心脏活动相关的历史数据，生成用于预测第一血压的第一模型。
在一些实施例中，至少一个处理器可以基于与至少两个第二受试者的心脏活动相关的历史数据，生成第二模型，其用于预测至少两个历史血压测量值和第一模型所预测的第一血压值之间的至少两个残差。至少一个处理器可以基于第一模型、第二模型以及与至少两个第二受试者的心脏活动相关的至少一部分历史数据，确定用于预测血压的初始模型。
在一些实施例中，至少一个处理器可以将信号转换成频域内的第一表示。至少一个处理器可以确定与频域内的第一表示有关的第一至少两个系数。至少一个处理器可以基于第一至少两个系数，生成与第一受试者的心脏活动有关的数据。
在一些实施例中，至少一个处理器可以将部分信号转换成频域内的第二表示。至少一个处理器可以确定与频域内的第二表示相关的第二至少两个系数。至少一个处理器可以基于第二至少两个系数，生成与第一受试者的心脏活动相关的数据。
根据本申请的另一方面，在具有至少一个处理器、存储器以及连接到网络的通信平台的计算设备上实现的用于确定血压方法可以包括：至少一个处理器从终端接收确定第一受试者血压的请求；至少一个处理器响应于请求，获取与第一受试者的心脏活动相关的数据；至少一个处理器确定用于预测第一受试者的血压的个性化模型；至少一个处理器基于与第一受试者的心脏活动相关的数据，使用个性化模型，确定第一受试者的血压；以及至少一个处理器响应于请求，将第一受试者的血压发送到终端。
在一些实施例中，该方法可以进一步包括与附着于第一受试者的传感器通信，生成信号，以及基于信号生成与第一受试者的心脏活动相关的数据。在一些实施例中，传感器可被配置为检测第一受试者的心脏活动。
在一些实施例中，该方法可以进一步包括获取与至少两个第二受试者的心脏活动相关的历史数据，基于与至少两个第二受试者的心脏活动相关的历史数据，确定用于预测血压的初始模型，以及基于用于预测血压的初始模型和与第一受试者的心脏活动相关的历史数据的至少一部分，生成用于预测第一受试者的血压的个性化模型。在一些实施例中，至少两个第二受试者可以包括第一受试者。在一些实施例中，历史数据可包括至少两个第二受试者的至少两个历史血压测量值。
在一些实施例中，该方法可以进一步包括基于与至少两个第二受试者的心脏活动相关的历史数据，生成用于预测第一血压的第一模型。
在一些实施例中，该方法还可以包括基于与至少两个第二受试者的心脏活动相关的历史数据，生成第二模型，其用于预测至少两个历史血压测量值和第一模型所预测的第一血压值之间的至少两个残差差，以及基于第一模型、第二模型以及与至少两个第二受试者的心脏活动相关的历史数据的至少一部分，确定用于预测血压的初始模型。
在一些实施例中，该方法还可以包括：将信号转换变成频域中的第一表示，确定与频域内的第一表示相关的第一至少两个系数，并基于第一至少两个系数，生成与第一受试者的心脏活动相关的数据。
在一些实施例中，该方法可以进一步包括将部分信号转换成频域内的第二表示，确定与频域中的第二表示相关的第二至少两个系数，并基于第二个至少两个系数，生成与第一个受试者的心脏活动相关的数据。
根据本申请的另一方面，一种用于确定血压的***可以包括至少一个存储介质，该介质包括一组指令，连接至网络的通信平台以及与至少一个存储介质通信的至少一个处理器。当执行该组指令时，至少一个处理器可以从终端接收确定第一受试者的血压的请求。至少一个处理器可以响应于请求，获取与第一受试者的心脏活动相关的数据。至少一个处理器可以从云服务器获取用于预测第一受试者的血压的个性化模型。至少一个处理器可以基于与第一受试者的心脏活动相关的数据，使用个性化模型确定第一受试者的血压。至少一个处理器可以响应于请求，将第一受试者的血压发送到终端。
根据本申请的另一方面，一种用于确定血压的***可以包括至少一个存储介质，该介质包括一组指令，连接至网络的通信平台以及与至少一个存储介质通信的至少一个处理器。当执行该组指令时，至少一个处理器可以从终端接收确定第一受试者的血压的请求。至少一个处理器可以响应于请求，获取与第一受试者的心脏活动相关的数据。至少一个处理器可以将与第一受试者的心脏活动相关的数据发送到云服务器。至少一个处理器可以接收云服务器确定的第一受试者的血压。在一些实施例中，可以通过如下方式确定第一受试者的血压：确定用于预测第一受试者的血压的个性化模型，以及基于与第一受试者的心脏活动相关的数据，使用个性化模型，确定第一受试者的血压。至少一个处理器可以响应于请求，将第一受试者的血压发送到终端。
根据本申请的另一方面，非暂时性计算机可读介质包括用于确定血压的至少一组指令。当由至少一个处理器执行时，至少一个指令可以指示至少一个处理器：从终端接收确定第一受试者的血压的请求；响应于请求，获取与第一受试者响应于请求的心脏活动相关的数据；确定用于预测第一受试者的血压的个性化模型；基于与第一受试者的心脏活动相关的数据，使用个性化模型确定第一受试者的血压；以及响应于请求，将第一受试者的血压发送到终端；
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解，本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例，在这些实施例中，各图中相同的编号表示相似的结构，其中：
图1示出了根据本申请的一些实施例所示的示例性***配置，其中可以部署医疗***；
图2是根据本申请的一些实施例所示的计算设备的示例性硬件和软件组件的示意图；
图3是根据本申请的一些实施例所示的可以在其上实现用户终端的示例性移动设备的示例性硬件和/或软件组件的示意图；
图4是根据本申请的一些实施例所示的示例性处理引擎的框图；
图5是根据本申请的一些实施例所示的响应于请求从而将第一受试者的血压提供给终端的过程和/或方法的流程图；以及
图6是根据本申请的一些实施例所示的生成用于预测第一受试者的血压的个性化模型的过程和/或方法的流程图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
本申请中所使用的术语仅用于描述特定的示例性实施例，并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本说明书中所示，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
在考虑了作为本申请一部分的附图的描述内容后，本申请的特征和特点以及操作方法、结构的相关元素的功能、各部分的组合、制造的经济性变得显而易见。然而，应当理解，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例绘制的。
本申请中使用了流程图用来说明根据本申请的一些实施例的***所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将一个或以上其他操作添加到这些流程图中。也可以从流程图中删除一个或以上操作。
本申请的一方面涉及用于确定第一受试者的血压的***和方法。本申请提供了一种了有效的方法，基于指示第一受试者的心脏活动的信号预测第一受试者的血压。在一些实施例中，***和方法可以获取或确定指示至少两个第二受试者的心脏活动的历史数据。历史数据可能与至少两个第二受试者的心脏活动有关的至少两个信号相关。该***和方法可以基于历史数据确定用于预测血压的初始模型。该***和方法可以获取或确定指示第一受试者的心脏活动的数据。该数据可以与指示第一受试者的心脏活动的信号相关。该***和方法可以基于指示第一受试者的心脏活动的数据和初始模型确定用于预测第一受试者的血压的个性化模型。通过使用基于至少两个历史数据训练获得的个性化模型，可以更有效地预测血压，还可以提高预测精度。
图1示出了根据本申请的一些实施例所示的示例性***配置，其中可以部署医疗***100。医疗***100可以被配置为监控感兴趣的生理参数。医疗***100可以包括测量设备110、服务器120、外部数据源130、终端140和存储设备150。医疗***100的各个组件可以通过网络150直接或间接地彼此连接。
测量设备110可以被配置为检测受试者的生理现象（例如，心脏活动）并生成信号。信号可以是心血管信号。信号可能涉及或用于确定感兴趣的生理参数。测量设备110可以包括，例如，临床设备、家用设备、便携式设备、可穿戴设备等或其组合。如本文所使用的，临床设备可以是满足在临床环境中使用的适用要求和规格的设备，临床环境包括，例如，医院、医生办公室、疗养院等。临床设备可以由医务人员使用，或在医务人员的协助下使用。如本文中所使用的，家用设备可以是满足在家庭或非临床环境中使用的适用要求和规格的设备。家用设备可以由专业提供者或非专业提供者使用。临床设备或家用设备，或其部分，可以是便携式的或可穿戴的。示例性临床设备包括听诊设备、示波设备、ECG监测器、PPG监测器等或其组合。示例性的家用设备包括示波设备、家用ECG监测器、血压计等或其组合。示例性便携设备包括示波设备、便携式ECG监测器、便携式PPG监测器等或其组合。示例性可穿戴设备包括眼镜111、肩带112、智能手表113、踝环114、大腿带115、臂带116、胸带117、颈环118等或其组合。上面提到的测量设备110的示例仅用于说明目的，并不用于限制本申请的范围。测量设备110可以采用其他形式，例如指套、腕带、胸罩、内衣、胸带、脉搏血氧仪，或与脉搏血氧仪中使用的原理相关的设备等或其组合。
仅作为示例，测量设备110是可穿戴或便携式设备，其被配置为检测和生成一个或以上心血管信号。在一些实施例中，可穿戴设备可以处理至少一些所测得的信号，基于所测得的信号估计感兴趣的生理参数，以例如图像、音频警报的形式将包括感兴趣的生理参数的结果展示出来，与另一个设备或服务器（例如，服务器120）等进行有线或无线通信，或进行类似操作或其组合。在一些实施例中，可穿戴或便携式设备可以与另一个设备（例如，终端140）或服务器（例如，服务器120）进行通信。该设备或服务器可以处理至少一些所测得的信号，基于所测得的信号估计感兴趣的生理参数，以图像、音频警报或其组合的形式将包括感兴趣的生理参数的结果展示出来。
在一些实施例中，处理生成的信号、估计生理参数、显示结果或进行有线或无线通信的操作可以由集成设备或彼此连接或通信的独立设备执行。这里提到的集成设备可以是便携式的或可穿戴的。在一些实施例中，至少一些独立设备可以是便携式的或可穿戴的，或者位于受试者附近，其从受试者测量信号或估计或监视感兴趣的生理参数。仅作为示例，受试者穿戴测量设备110，其被配置为检测和生成一个或以上心血管信号；生成的一个或以上的心血管信号可以传输到智能手机，该智能手机被配置为基于测得的信号确定感兴趣的生理参数。在一些实施例中，至少一些独立设备位于远离受试者的位置。仅作为示例，受试者穿戴测量设备110，其被配置为检测和生成一个或以上心血管信号；生成的一个或以上心血管信号可以进一步发送到服务器120，该服务器被配置为基于所测得的信号确定感兴趣的生理参数；所确定的感兴趣的生理参数可以传回给受试者或受试者以外的用户（例如，医生、护理人员、与受试者有关的家庭成员等或其组合）。
在一些实施例中，测量设备110可以包含各种类型的传感器，例如，电极传感器、光学传感器、光电传感器、压力传感器、加速度计、重力传感器、温度传感器、湿度传感器等或其组合。测量设备110可以被配置为监控和/或检测一个或以上类型的变量，包括，例如，温度、湿度、用户或受试者输入等或其组合。重力传感器可以检测接受测量的受试者的姿态。姿态可以包括躺姿、坐姿、站姿等。温度传感器可以检测测量设备110附近位置的温度。湿度传感器可检测测量设备110附近区域的湿度。测量设备110也可以包含定位***，例如，GPS接收器或位置传感器，并且位置信息可以通过网络150传输到服务器120、外部数据源130、终端140等或其组合。位置信息和所测得的信号可以同时或依次发送。在一些实施例中，测量设备110可以包含一个或以上计算机芯片，在其上可以实现如下所述的服务器120的功能。
服务器120可以是云服务器。仅作为示例，服务器120可以在可提供存储能力、计算能力等或其组合的云服务器中实施。该服务器可以包括被配置为收集或存储数据的存储设备。数据可以包括个人数据、非个人数据或两者皆有。数据可以包括静态数据、动态数据或两者皆有。示例性静态数据可包括关于受试者的各种信息，包括身份、联系信息、生日、健康史（例如，受试者是否有吸烟史、关于先前手术的信息、食物过敏、药物过敏、医疗历史、遗传病史、家庭健康史等或其组合的信息）、性别、国籍、身高、体重、职业、习惯（例如，与健康相关的习惯，诸如锻炼习惯）、教育背景、爱好、婚姻状况、宗教信仰等或其组合。示例性动态数据可以包括受试者当前的健康状况、受试者正在服用的药物、受试者正在接受的治疗、饮食、多个时间点或一段时间内与受试者相关的生理信号或参数（例如，脉搏波传导时间（PTT）、收缩期血压（SBP）、舒张期血压（DBP）等）等或其组合。
如本文所使用的，受试者可以是指信号或信息被获取，且生理参数得到确定或监控的人或动物。仅作为示例，受试者可以是心血管信号被获取，且血压基于获取的心血管信号得到确定或监控的患者。
在一些实施例中，服务器120可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的（例如，服务器110可以是分布式的***）。在一些实施例中，服务器120可以是本地的，也可以是远程的。例如，服务器120可以经由网络150访问存储在终端140和/或存储设备150中的信息和/或数据。又例如，服务器120可以连接终端140和/或存储设备150以访问存储的信息和/或数据。在一些实施例中，服务器120可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，服务器120可以在如本申请中图2所示的包括一个或以上组件的计算设备200上实现。
在一些实施例中，服务器120可以包括处理引擎122。处理引擎122可以处理信息和/或数据以执行本申请中描述的一个或以上功能。例如，处理引擎122可以基于一个或以上个性化模型、与生成的信号相关的数据和/或与受试者相关的信息确定受试者中的血压。在一些实施例中，处理引擎122可包括一个或以上处理引擎（例如，单芯片处理引擎或多芯片处理引擎）。仅作为示例，处理引擎122可以包括一个或以上硬件处理器，例如，中央处理单元（CPU）、特定应用集成电路（ASIC）、特定应用指令集处理器（ASIP）、图像处理单元（GPU）、物理运算处理单元（PPU）、数字信号处理器（DSP）、现场可编程门阵列（FPGA）、可编程逻辑设备（PLD）、控制器、微控制器单元、精简指令集计算机（RISC）、微处理器等或其任意组合。
外部数据源130可以包括各种组织、***和设备等或其组合。示例性数据源130可以包括医疗机构、研究机构、传统设备和***设备等或其组合。医疗机构或研究机构可以提供例如个人病历、临床测试结果、实验研究结果、理论或数学研究结果、适合于处理数据的算法等或其组合。传统设备可以包括心血管信号测量设备，例如，水银血压计。***设备可以被配置为监控和/或检测一个或以上类型的变量，包括，例如，温度、湿度、用户或受试者输入等或其组合。提供上述外部数据源130和数据类型的示例仅用于说明目的，而无意限制本申请的范围。例如，外部数据源130可以包括其他来源和其他类型的数据，例如，与受试者或其家庭有关的遗传信息。
医疗***100中的终端140可以被配置为处理至少一些生成的信号中，基于生成的心血管信号确定感兴趣的生理参数，以例如图像的形式将包括感兴趣的生理参数的结果展示出来，存储数据，控制对医疗***100或其部分的访问（例如，对存储在医疗***100中的或可从医疗***100访问的个人数据的访问），管理来自受试者或与其相关的输入/输出等或其组合。
终端140可以包括移动设备130-1、平板计算机140-2、膝上型计算机140-3、机动车辆中的内置设备140-4等或其任意组合。在一些实施例中，移动设备140-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴设备可包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理（PDA）、游戏设备、导航设备、销售点（POS）等或其任意组合。在一些实施例中，虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleGlassTM、RiftConTM、FragmentsTM、Gear VRTM等。在一些实施例中，机动车辆中的内置设备140-4可以包括车载计算机、车载电视等。
网络150可以促进信息和/或数据的交换。在一些实施例中，医疗***100的一个或以上组件（例如，测量设备110、服务器120、外部数据源130、终端140和存储设备160）可以通过网络150将信息和/或数据传输到医疗***100中的其他组件。例如，服务器120可以经由网络150从终端140接收确定受试者的血压的请求。在一些实施例中，网络150可以是有线网络或无线网络等或其任意组合。仅作为示例，网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络（LAN）、广域网络（WAN）、无线局域网络（WLAN）、城域网（MAN）、公共交换电话网络（PSTN）、蓝牙网络、紫蜂网络、近场通信（NFC）网络等或其任意组合。在一些实施例中，网络150可以包括一个或以上网络接入点。例如，网络150可以包括诸如基站和/或互联网交换点150-1、150-2...等的有线或无线网络接入点，通过该接入点，医疗***100的一个或以上组件可以连接至网络150，以在它们之间交换数据和/或信息。
存储设备160可以存储数据和/或指令。在一些实施例中，存储设备160可以存储从终端140获取的数据。在一些实施例中，存储设备160可以存储服务器120用来执行或使用以完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备160可包括大容量存储器、可移动存储器、易失性读写内存、只读内存（ROM）等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪光驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机访问内存(RAM)。示例性RAM可包括动态随机存取内存（DRAM）、双倍数据速率同步动态随机存取内存（DDR SDRAM）、静态随机存取内存（SRAM）、晶闸管随机存取内存（T-RAM）和零电容随机存取内存（Z-RAM）等。示例性ROM可以包括掩模型只读内存（MROM）、可编程只读内存（PROM）、可擦除可编程只读内存（EPROM）、电可擦除可编程只读内存（EEPROM）、光盘只读内存（CD-ROM）和数字多功能磁盘只读内存等。在一些实施例中，存储设备160可在云端平台上执行。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等任意组合。
在一些实施例中，存储设备160可以连接到网络150以与医疗***100的一个或以上组件（例如，测量设备110、服务器120、外部数据源130、终端140和存储设备160）通信。医疗***100中的一个或以上组件可以通过网络150访问存储在存储设备160中的数据或指令。在一些实施例中，存储设备160可以直接连接到医疗***100中的一个或以上组件（例如，测量设备110、服务器120、外部数据源130、终端140和存储设备160）或与之通信。
在一些实施例中，服务医疗***100的一个或以上组件（例如，测量设备110、服务器120、外部数据源130、终端140和存储设备160）可以访问存储设备160。例如，服务器110可以在请求预测受试者的血压后读取和/或修改一个或以上用户的信息。
在一些实施例中，医疗***100的各种组件可以包括用于存储中间数据和/或信息的存储设备。这样的组件可以包括，例如，测量设备110、服务器120、外部数据源130、终端140等或其组合。
在一些实施例中，外部数据源130可以经由网络150从测量设备110、服务器120、终端140等或其任意组合接收数据。仅作为示例，外部数据源130（例如，医疗机构或智能家居***等）可以基于从测量设备110或终端140接收的数据，接收与受试者相关的信息（例如，位置信息、来自云服务器或终端的数据等或其组合）。在某些其他实施例中，测量设备110可以通过网络150从服务器120、外部数据源130等或其任意组合接收数据。仅作为示例，测量设备110可以接收与受试者相关的信息（例如，受试者的当前/历史健康状况、受试者正在服用的药物、受试者正在接受的治疗、当前/历史饮食、当前的情绪状态、与受试者相关的历史生理参数（例如，PTT、SBP、DBP）等或其组合）。此外，终端140可以从测量设备110、服务器120、外部数据源130等或其组合接收数据。在一些实施例中，服务器120可以存储用于预测血压的一个或以上的个性化模型，并且可以将个性化模型发送到测量设备110和终端140。
图1是医疗***100的具体示例，并且医疗***100的配置不旨在限制本申请的范围。例如，可以省略服务器120，将其所有功能迁移到终端140。在另一个示例中，服务器120和终端140都可以省略，将它们的所有功能迁移到测量设备110。在不同实施例中，该***可以包括各种设备或其组合。
图2是根据本申请的一些实施例所示的可以在其上实现测量设备110、服务器120、外部数据源130、终端140和存储设备160的计算设备200的示例性硬件和软件组件的示意图。例如，所述处理引擎122可以在计算设备200上实现并执行本申请所披露的处理引擎122的功能。
计算设备200可以是通用计算机或专用计算机，两者均可用于实现本申请的***。计算设备200可用于实现本文所述的任何组件。例如，处理引擎122可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。尽管为了方便起见仅示出了一台这样的计算机，但是与本文所述的医疗***100有关的计算机功能可以以分布式方式在多个类似平台上实现，以分散处理负荷。
例如，计算设备200可以包括与网络相连接的通信端口250，以实现数据通信。计算设备200还可包括处理器（例如，CPU 220），以一个或以上处理器的形式，用于执行程序指令。示例性计算设备可以包括内部通信总线210、不同形式的程序存储器和数据存储器，包括，例如，磁盘270、只读存储器（ROM）230或随机存取存储器（RAM）240，用于存储计算设备处理和/或传输的各种数据文件。示例性的计算设备可以包括存储在ROM 230、ROM 240和/或其他类型的非暂时性存储介质中的可由CPU 220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200还包括I/O组件260，支持计算机和其他组件之间的输入/输出。计算设备200也可以通过网络通信接收编程和数据。
仅为了说明，在图2中仅示出了一个CPU和/或处理器。多个CPU和/或处理器也可以考虑；因此本申请中所描述的由一个CPU和/或处理器执行的操作和/或方法步骤也可以由多个CPU和/或处理器共同地或独立地执行。例如，如果在本申请中计算设备200的CPU和/或处理器执行步骤A和步骤B，则应该了解，步骤A和步骤B也可以由计算设备200的两个不同的CPU和/或处理器共同地或独立地执行（例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一和第二处理器共同地执行步骤A和B)。
图3是根据本申请的一些实施例所示的可以在其上实现用户终端的示例性移动设备300的示例性硬件和/或软件组件的示意图。如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元（GPU）330、中央处理单元（CPU）340、I/O 350、内存360以及存储器390。在一些实施例中，任何其他合适的组件，包括但不限于***总线或控制器（未示出），也可包括在移动设备300内。在一些实施例中，移动操作***370（例如，iOS™、Android™、Windows Phone™等）和一个或以上应用程序380可从存储器390下载至内存360以及由CPU 340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序，用于接收及呈现与图像处理相关的信息或处理引擎122中的其他信息。与信息流的用户交互可以通过I/O 350来实现，并通过网络150提供给处理引擎122和/或医疗***100的其他组件。
为了实施本申请描述的各种模块、单元及其功能，计算机硬件平台可用作本文中描述之一个或以上组件的硬件平台。具有用户接口组件的计算机可用于实施个人计算机（PC）或任何其他类型的工作站或终端设备。若计算机被适当的程序化，计算机亦可用作服务器。
图4是根据本申请的一些实施例所示的示例性处理引擎122的框图。处理引擎122可以包括获取模块402、参数确定模块404、模型生成模块406、血压确定模块408和通信模块410。每个模块都可以是被设计为执行下述操作的硬件电路、一组存储于一个或以上存储介质的指令和/或硬件电路和一个或以上存储介质的组合。
获取模块402可以被配置为获取指示第一受试者的心脏活动的信号。信号可以是生理信号，包括但不限于心电图（ECG）信号、与脉搏波相关的信号（例如，光电容积脉搏波（PPG））、心音图（PCG）信号、心阻抗图（ICG）信号等或其任意组合。获取模块402还可以获取与第一受试者相关的信息。该信息可以包括与第一受试者相关的生命信息。
参数确定模块404可以被配置为基于获取模块402获取的信号确定数据。在一些实施例中，参数确定模块404可以基于信号的节拍的特征点确定数据。在一些实施例中，参数确定模块404可以将信号从时域转换到频域，并确定频域中的信号的表示。参数确定模块404可以基于该表示确定数据。
模型生成模块406可以被配置为确定用于预测第一受试者血压的个性化模型。模型生成模块406可以获取指示与至少两个第二受试者相关的心脏活动的历史数据。模型生成模块406还可以获取与至少两个第二受试者相关的历史信息。至少两个第二受试者可以包括第一受试者。模型生成模块406可以基于历史数据和历史信息确定用于预测血压的初始模型。模型生成模块406可以基于历史数据、历史信息和初始模型确定用于预测血压的个性化模型。
血压确定模块408可以被配置为确定第一受试者的血压。血压确定模块408可以基于指示第一受试者的心脏活动的数据和与第一受试者相关的信息，使用个性化模型，确定第一受试者的血压。
通信模块410可以被配置为将第一受试者的血压发送到终端130。终端140可以对应于第一受试者。可以通过呈现用户界面（未示出）将第二血压显示在终端140上。
处理引擎122中的模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络（LAN）、广域网络（WAN）、蓝牙、紫蜂网络、近场通信（NFC）等或其任意组合。在一些实施例中，任意两个模块可以合并成一模块，并且任一模块可以被拆分成两个或者多个单元。
图5是根据本申请的一些实施例所示的响应于请求将第一受试者的血压提供给终端的过程和/或方法500的流程图。过程和/或方法500可以由医疗***100执行。例如，过程/方法500可以以一组指令（例如，应用程序）的形式实现，该组指令存储于存储ROM 230或RAM240中。CPU 210可以执行该组指令并相应地执行过程和/或方法500。下述过程/方法的操作仅是示例性的。在一些实施例中，所述过程/方法在实现时可以添加一个或以上未描述的额外操作，和/或删减此处所描述的一个或以上操作。另外，图5所示和以下描述的过程/方法的操作顺序并非限制性的。
在步骤502，处理引擎122可以从终端140接收确定第一受试者的血压的请求。在一些实施例中，用户可以通过终端发起并发送请求。在一些实施例中，用户（例如，医务人员）以外的其他人可以通过终端发起并发送请求。
在步骤504中，获取模块402可以响应于请求，获取或确定指示第一受试者的心脏活动的第一数据。第一数据可以与指示心脏活动的信号有关。仅作为示例，信号可以是生理信号，包括但不限于心电图（ECG）信号、与脉搏波相关的信号（例如，光电容积脉搏波（PPG））、心音图（PCG）信号、心阻抗图（ICG）信号等或其任意组合。在一些实施例中，第一数据可以与脉搏波相关的信号（例如，光电容积脉搏波（PPG））有关。
测量设备110可以附着于第一受试者，并检测第一受试者的心脏活动。测量设备110可以通过检测生成指示心脏活动的信号。测量设备110（或其他传感器）也可以检测测量设备110附近区域的温度和/或湿度。
信号可能在预定时间段内保持稳定。预定时间段可以是医疗***100的默认设置，或者可以在不同条件下调整。预定时间段可以是任何时间跨度（例如，10秒、15秒、20秒、30秒等）。指示信号的波形可以显示在终端（例如终端140）的用户界面（未示出）上。例如，信号的示例性波形中，与该波形相关的坐标系可以包括表示时间的横轴（即，x轴）和表示幅度的纵轴（即，y轴）。幅度可以指示第一受试者的血管中的血液量，该血液量是通过附着于第一受试者的测量设备110生成的。在预定时间段内的信号可以包括至少两个节拍。一个节拍可能对应信号的一个时间段。
在一些实施例中，参数确定模块404可以基于信号确定第一数据。对于信号的每个节拍，参数确定模块404可以确定特征点（例如，波峰、波谷等）。参数确定模块404可以确定时间值、幅度值、区域值、与特征点有关的导数等。时间值和幅度值可以分别是特征点的横坐标和纵坐标。区域值可以是时间间隔[a，b]之间的整数。区域值可以指示靠近所附着的测量设备110处的血管中的血量变化。导数可以包括一阶导数、二阶导数、三阶导数、高阶导数等或其组合。对于至少两个节拍，处理引擎122可以确定至少两个时间值、至少两个幅度值、至少两个区域值、至少两个导数等。
在一些实施例中，参数确定模块404可以基于至少两个时间值、至少两个幅度值、至少两个区域值和/或至少两个导数确定第二数据。例如，第二数据可以是至少两个时间值的方差、标准差、四分位范围、平均值、中值和/或加权值。又例如，第二数据可以是至少两个幅度值的方差、标准差、四分位差、平均值、中值和/或加权值。又例如，第二数据可以是至少两个区域值的方差、标准差、四分位范围、平均值、中值和/或加权值。作为又一个示例，第二数据可以是至少两个导数的方差、标准差、四分位范围、平均值、中值和/或加权值。
在一些实施例中，参数确定模块404可以通过将信号从时域转换到频域确定与信号相关的第三数据。参数确定模块404可以确定与频域中的信号相关的表示。时频变换可以包括但不限于傅里叶变换、小波变换、拉普拉斯变换、Z-变换等或其任意组合。傅里叶变换可以包括但不限于素因子FFT算法、Bruun’s FFT算法、Rader’s FFT算法、Bluestein’s FFT算法等。
在一些实施例中，参数确定模块404可以使用傅立叶变换将信号从时域转换到频域，然后确定频域内的第一表示。参数确定模块404可以基于第一表示确定第三数据。例如，第一表示可以由等式（1）表示：
其中，
(l = 0,1,2，……，∞)和
(l = 1,2，……，∞)可以分别表示与
以及
相关的系数。参数确定模块404可以基于等式（1）中的系数确定第三数据。例如，第三数据可以包括
(l=0、1,2，……，∞)和/或
(l=1、2，……，∞)。
在一些实施例中，参数确定模块404可以使用小波转换将信号从时域转换到频域，然后在频域中确定第二表示。信号部分可以包括信号的至少一个节拍。参数确定模块404可以基于第二表示确定第三数据。例如，第二表示可以由等式（2）表示。
其中，
可以表示频域中的信号部分，h可以表示比例因子，g可以表示信号部分的中心位置。处理引擎122可以基于等式（2）中的系数确定第三数据。例如，第三数据可以与m和/或n相关。
应当注意，等式（1）和等式（2）仅用于说明，本申请并不意图是限制性的。频域中的表示可能具有其他形式。因此，第三数据可以是其他形式。
参数确定模块404可以基于第二数据和/或第三数据确定第一数据。例如，第一数据可以包括第二数据和第三数据。第一数据可以进一步包括但不限于温度、湿度等或其组合。在一些实施例中，测量设备110可以处理信号并确定第一数据。第一信号可以存储在测量设备110和/或存储设备160中。
在步骤506，获取模块402可以获取与第一受试者相关的信息。该信息可以包括与第一受试者相关的生命信息。生命信息可以包括但不限于第一受试者的性别、受试者的年龄、第一受试者的身高、第一受试者的体重、获取信号时的第一受试者的姿态、获取信号的时间、第一受试者是否患有高血压、第一受试者是否在接受至少一种药物治疗、家庭成员的姓名和生日、家庭住所的地址和电话、紧急联系信息、当前药物治疗和剂量的清单、过敏症的清单、任何医疗设备（例如，起搏器）的清单、当前医生和办公室电话的清单、保险卡副本、DNR（不施行心肺复苏术）意愿书和表格、授权书（POA）表格等或其组合。获取信号时，第一受试者的姿态可能包括躺姿、坐姿、站姿等。药物治疗可能影响第一受试者的血压。信息可以被输入到终端140。获取模块404可以通过网络150从终端140获取信息。在一些实施例中，终端140可以存储部分信息（例如，获取信号的时间）并自动存储生成的信息。该信息可以存储在终端140和/或存储设备160中。在一些实施例中，获取模块402可以从外部数据源130获取信息。
在步骤508，模型生成模块406可以确定用于预测第一受试者的血压的个性化模型。模型生成模块406可以获取指示与至少两个第二受试者相关的心脏活动的历史数据。模型生成模块406还可以获取与至少两个第二受试者相关的历史信息。至少两个第二受试者可以包括第一受试者。
在一些实施例中，模型生成模块406可以基于历史数据和历史信息确定用于预测第一血压的初始第一模型。模型生成模块406可以基于历史数据和历史信息确定至少两个子模型。模型生成模块406可以基于初始第一模型和历史数据以及历史信息，确定初始第二模型。初始第二模型可以预测历史血压测量值和与至少两个第二受试者中的一个相关的第一预测血压之间的残差。模型生成模块406可以基于初始第一模型、至少两个子模型、初始第二模型以及历史信息的至少一部分，确定与至少两个第二受试者相关的用于预测血压的初始模型。
在一些实施例中，对于每个第二受试者，模型生成模块406可以基于初始第一模型、至少两个子模型、初始第二模型、对应于每个第二受试者的历史数据以及对应于每个第二受试者的历史信息，确定与每个第二受试者相关的用于预测血压的个性化模型。对于每个第二受试者，模型生成模块406可以基于初始第一模型、与每个第二受试者相对应的历史数据以及与每个第二受试者相对应的历史信息，确定用于预测第一血压的个性化的第一模型。对于每个第二受试者，模型生成模块406可以基于至少两个子模型、与每个第二受试者相对应的历史数据以及与每个第二受试者相对应的历史信息确定至少两个个性化的子模型。对于每个第二受试者，模型生成模块406可以基于初始第二模型、与每个第二受试者相对应的历史数据以及与每个第二受试者相对应的历史信息确定个性化的第二模型。模型生成模块406可以基于个性化的第一模型、至少两个个性化的子模型、个性化的第二模型以及与每个第二受试者相关的历史信息的至少一部分确定个性化模型。例如，模型生成模块406可以确定个性化的第一模型、个性化的第二模型、至少两个个性化的子模型和用户预测第一受试者的血压的个性化模型。关于确定用于预测血压的个性化模型的详细描述将在图6中描述。个性化的第一模型、个性化的第二模型和个性化模型可以存储在服务器120（例如，云服务器）和/或存储设备160中。
在步骤510，血压确定模块408可以基于指示第一受试者的心脏活动的第一数据和与第一受试者相关的信息，使用个性化模型确定第一受试者的血压。血压确定模块408可以基于个性化的第一模型确定第一受试者的第一血压。血压确定模块408可以基于至少两个个性化的子模型确定至少两个血压值。血压确定模块408可以确定与第一受试者的所预测的第一血压相关的残差。血压确定模块408可以基于与第一受试者的第一血压、至少两个血压值以及与第一血压相关的残差，使用基于个性化模型的个性化模型确定第二血压。
医疗***100可以采用各种方法确定第二血压。在一些实施例中，测量设备110可以生成并存储指示第一受试者的心脏活动的第一数据。终端140（例如，应用程序）可以获取并存储与第一受试者相关的信息。个性化的第一模型、个性化的第二模型和个性化模型可以存储在服务器120（例如，云服务器）中。
在一些实施例中，终端140（例如，应用程序）可以从服务器120（例如，云服务器）获取个性化的第一模型、个性化的第二模型和个性化模型。终端140可以将与第一受试者相关的信息、个性化的第一模型、个性化的第二模型和个性化模型发送到测量设备110。测量设备110可以生成指示第一受试者的第一数据。测量设备110可以基于第一数据和与第一受试者有关的信息，使用个性化的第一模型、个性化的第二模型和个性化模型确定第二血压。在一些实施例中，测量设备110可以通过包含在其中的一个或以上计算机芯片确定个性化模型。详细描述将在步骤612描述。
在一些实施例中，测量设备110可以将指示第一受试者的心脏活动的第一数据发送到终端140（例如，应用程序）。终端140还可以从服务器120获取个性化的第一模型、个性化的第二模型和个性化模型。终端140可以基于第一数据和与第一受试者有关的信息，使用个性化的第一模型、个性化的第二模型和个性化模型确定第二血压。
在另一实施例中，终端140（例如，应用程序）可以获取由测试设备110生成的指示第一受试者的心脏活动的第一数据。终端140可以将第一数据和与第一受试者有关的信息发送到服务器120。服务器120（例如，处理引擎122）可以基于第一数据和与第一受试者相关的信息，使用个性化的第一模型、个性化的第二模型和个性化模型确定第二血压。
在步骤512，通信模块410可以响应于请求，将第一受试者的第二血压发送到终端140。终端140可以对应于第一受试者。可以通过呈现用户界面（未示出）将第二血压显示在终端140上。
应当注意，提供与第一受试者相关的第二血压的方法是用于说明，而不是限制本申请的范围。对于本领域普通技术人员来说，显然可以使用其他方法来确定与第一受试者相关的第二血压。但是，这些方法可能不会脱离本申请的精神和范围。
图6是根据本申请的一些实施例所示的生成用于预测第一受试者的血压的个性化模型的过程和/或方法600的流程图。过程和/或方法600可以由医疗***100执行。例如，过程/方法500可以以一组指令（例如，应用程序）的形式实现，该组指令存储于存储ROM 230或RAM 240中。CPU 210可以执行该组指令并相应地执行该过程和/或方法600。下述流程/方法的操作仅是示例性的。在一些实施例中，所述流程/方法在实现时可以添加一个或以上未描述的额外操作，和/或删减一个或以上个此处所描述的操作。另外，如图6所示和以下描述的过程/方法的操作顺序并非限制性的。
在步骤602，模型生成模块406可以获取指示至少两个第二受试者的心脏活动的历史第一数据。如步骤504所描述的，术语“历史第一数据”可以指指示在任何时间（例如，几个月前、几天前、几个小时前、几分钟前等）获取的至少两个第二受试者的心脏活动的第一数据。医疗***100可以将该第一数据作为历史第一数据保存到存储组件（例如，存储设备160、测量设备110中的存储单元）。在一些实施例中，至少两个第二受试者可以包括第一受试者。
模型生成模块406可以基于指示至少两个第二受试者的心脏活动的至少两个历史信号确定历史第一数据。测量设备110可能在任何时间（例如，几月前、几天前、几小时前、几分钟前等）探测生理现象（例如，心脏活动）和生成至少两个历史信号。如步骤504所描述的，历史第一数据可以包括历史第二数据和历史第三数据。历史第二数据可能和与指示至少两个第二受试者的心脏活动的至少两个历史信号相关的至少两个时间值、至少两个幅度值和/或至少两个区域值有关。历史第三数据可能与频域中至少两个历史信号中的至少两个表示中的系数相关。历史第一数据可以进一步包括但不限于历史温度、历史湿度等或其组合。
在步骤604，模型生成模块406可以获取至少两个第二受试者的历史信息。如步骤506所述，术语“历史信息”可以指在任何时间（例如，几个月前、几天前、几个小时前、几个分钟前等）采集的与至少两个第二受试者相关的信息。医疗***100可以将信息作为历史信息保存到存储组件（例如，终端140中的存储设备160、存储单元）中。
与步骤506中的信息相比，此处使用的历史信息还可以包括与至少两个第二受试者相关的至少两个历史血压测量值。在一些实施例中，历史血压测量值可以用血压计（例如，无液血压计、水银血压计、自动血压计、电子血压计等）测量。对于每个第二受试者，可以收集至少两个历史血压测量值。当测量血压时，可以针对每个第二受试者的一个或以上姿态，收集与每个第二受试者相关的至少两个历史血压测量值。姿态可包括躺姿、坐姿、站姿等。在一些实施例中，可以针对一天中的时间，收集与每个第二受试者相关的至少两个历史血压测量值。例如，可以连续三个月在每天上午9点收集至少两个历史血压测量值。在一些实施例中，可以针对年龄收集与每个第二受试者相关的至少两个历史血压测量值。例如，可以在40岁至45岁的年度体检中连续收集至少两个历史血压测量值。在一些实施例中，获取模块402可以从外部数据源130获取历史信息。
在一些实施例中，模型生成模块406可以将步骤602描述的历史第一数据和步骤604描述的历史信息组合为样本数据。样本数据可以对应于每个第二受试者的第一预设次数的测量值。第一预设次数的测量值可以包括第一三个测量值、第一五个测量值、第一十个测量值等。在一些实施例中，模型生成模块406可以类似地确定校准样本数据。校准样本数据可以对应于每个第二受试者的第二预设次数的测量值。第二预设次数的测量值可以包括第二三个测量值、第二五个测量值、第二十个测量值等。在一些实施例中，样本数据可以包括校准样本数据。在一些实施例中，样品数据和校准样品数据可以重叠也可以不重叠。样本数据和校准样本数据可各自包括至少两组数据。至少两组数据中的每个可以包括历史第一数据和与对应于至少一个测量值的每个第二受试者相关的历史信息。
在一些实施例中，对于每个第二个受试者，可以多次（例如3次、5次、10次等）获取历史信号。在每次中，模型生成模块406可以确定包括对应历史第一数据和对应历史信息的一组数据。例如，在从历史信号获取与第二受试者相关的历史血压测量值之后，模型生成模块406可以确定与历史信号相关的历史第一数据和与测量时间相对应的历史信息，然后确定与每个第二个受试者相关的一组数据。
模型生成模块406可以处理样本数据。在一些实施例中，模型生成模块406可以确定样本数据项的值是否异常。当确定样本数据项的值异常时，忽略与该异常值相关的一组数据。例如，当历史血压测量值被识别为负值时，模型生成模块406可以忽略与异常历史血压测量值相关的一组数据。
在一些实施例中，模型生成模块406可以将样本数据分类，并确定至少两个变量。至少两个变量可以与下述相关：时间值、幅度值、特征点的区域值与频域、性别、年龄、身高、体重、姿态、测量时间、第二受试者的历史血压测量值、第二受试者是否患有高血压、第二受试者是否在接受至少一种药物治疗等。对于第𝑖个变量，模型生成模块406可以使用𝑋𝑖表示变量。至少两个变量还可以包括用于标识每个第二受试者的用户ID。
当训练或确定下述一个或以上模型时，模型生成模块406可以使用样本数据的至少一部分。模型生成模块406可以使用所有变量或一个或以上变量（以下称为“所使用的变量”）确定一个或以上模型。模型生成模块406可以自动地应用样本数据中与所使用的变量相对应的数据，并且忽略样本数据中与未使用的变量相对应的数据，以训练或确定一个或以上模型。术语“样本数据中与所使用的变量相对应的数据”和“与所使用的变量相关的样本数据”可以互换使用。
在一些实施例中，模型生成模块406可以识别出血压和变量的一次幂之间的关系不是线性的。模型生成模块406可以为变量执行变量指数化。在一些实施例中，模型生成模块406可以确定与变量相关的标准化表示，使得血压与该表示的一次幂之间的标准化关系是线性的。标准化的表示可以包括变量的i次幂（n=2、3、4、5、6等）。例如，与变量𝑋𝑖相关的标准化表示可以用等式（3）表示：
其中𝑋𝑖可以表示第i个变量。等式（3）中所示的血压与第i个变量的标准化表示之间的关系是线性的。应当注意，以上对表示的描述仅用于说明目的，而不是限制性的。标准化表示可以根据实际情况采取其他形式。
模型生成模块406可以进行至少两个第三预设次数（例如，10次、50次、100次、150次等），将样本数据随机划分为至少两组第一训练样本数据和测试样本数据。对于至少两个第三预定次数中的每一次，模型生成模块406可以确定一组第一训练样本数据和测试样本数据。
在一些实施例中，第一训练样本数据可以对应于与至少两个第二受试者的第一组相关的至少两组数据。测试样本数据可以对应于与至少两个第二受试者的第二组（例如，至少两个第二受试者中剩余的第二受试者）相关的至少两组数据。第一训练样本数据和测试样本数据可以分别对应于至少两个第二受试者的第一百分比和至少两个第二受试者的第二百分比。例如，第一训练样本数据可以对应于至少两个第二受试者的10％、20％、30％或40％。测试样本数据可以对应于至少两个第二受试者的90％、80％、70％或60％。第一百分比和第二百分比之和可以等于或小于1。应当理解，上述第一百分比和第二百分比的值是用于说明目的，而不是限制性的。第一百分比和第二百分比可以是0到1之间的任意值。
在另一个实施例中，第一训练样本数据和测试样本数据可以分别包括样本数据中至少两组数据的第三部分和第四部分。第一训练样本数据和测试样本数据可以分别对应于样本数据中的至少两组数据的第三百分比和第四百分比。例如，第三百分比可以是包括10％、20％、30％、40％等中的任意值。第四百分比可以是包括90％、80％、70％、60％等中的任意值。第三百分比和第四百分比之和可以等于或小于1。应该注意的是，每组数据在训练和/或测试期间都被视为一个整体，因此是不可分割的。
在一些实施例中，模型生成模块406可以基于交叉验证，进行至少两个第三预设次数，确定至少两组第一训练样本数据和测试样本数据。结果，至少两组第一训练样本数据可以与至少两个第二受试者中的每一个第二受试者相关。至少两组测试样本数据可以与至少两个第二受试者中的每一个第二受试者相关。
在步骤606中，模型生成模块406可以基于历史第一数据和与至少两个第二受试者相关的历史信息，生成用于预测第一血压的初始第一模型。在一些实施例中，模型生成模块406可以基于样本数据，即步骤602描述的历史第一数据和步骤604描述的历史信息的组合，生成初始第一模型。
模型生成模块406可以将所有变量或一个或以上变量作为所使用的变量来确定初始第一模型。初始第一模型可以包括随机效应模型、Bühlmann模型、多级模型等。模型生成模块406可以在具有N+1个维度的坐标系中使用初始第一模型，基于与所使用的变量相关的样本数据来确定超平面。N可以是所使用的变量的数量。模型生成模块406可以识别表示远离超平面的某些组数据的点。然后，模型生成模块406可以忽略样本数据中的某些组数据，而生成第一样本数据。在一些实施例中，模型生成模块406可以使用鲁棒回归，来忽略用于确定第一样本数据的某些组数据。用于鲁棒回归的示例性方法可以包括但不限于最小二乘选择、参数选择、单位权重等或其组合。在一些实施例中，模型生成模块406可以为样本数据中的每组数据确定向量，并基于与样本数据中的至少两组数据相关的向量确定超平面。
在一些实施例中，模型生成模块406可以使用第一样本数据作为初始第一模型的输入，预测第一血压。模型生成模块406可以调整初始第一模型中当前使用的一个或以上变量，例如，从当前所使用的变量中葫芦娃一个或以上变量、将一个或以上未使用的变量添加到当前所使用的变量中、或者将一个或以上当前所使用的变量替换为未使用的变量。对于每次调整一个或以上变量，模型生成模块406可以确定与预测精度相关的信息准则，并在初始第一模型中调整一个或以上变量。
在一些实施例中，模型生成模块406可以使用高维变量选择方法调整初始第一模型中的一个或以上变量。例如，模型生成模块406可以使用变量选择方法（例如，逐步回归、补偿法等）和信息准则调整初始第一模型中的一个或以上变量。补偿法可以包括套索、与套索有关的方法、平滑修剪绝对偏差（SCAD）和与SCAD有关的方法等。逐步回归可以包括但不限于向前选择、向后消元、双向消除等或其组合。信息准则可以与预测系数和实际系数之间的差异相关。预测系数可以在下面描述（例如，等式（4）中的系数、等式（5）中的系数等等。）。信息准则可以包括但不限于贝叶斯信息准则、赤池信息准则、距离信息准则、汉南奎因信息准则等或其组合。模型生成模块406可以基于高维变量选择方法（例如，逐步回归和信息准则）将至少两个第一变量确定为初始第一模型中所使用的变量。
在一些实施例中，模型生成模块406可以基于第一训练样本数据确定每个第一变量的至少两个值。然后，模型生成模块406可以确定每个第一变量的平均值和标准偏差。标准偏差可以指示与每个第一变量的至少两个值相关的分散度。对于每个第一变量的每个值，模型生成模块406可以从每个值中减去平均值以确定差。然后，模型生成模块406可以将差除以标准偏差，以确定与每个第一变量相关的标准化值。
模型生成模块406可以基于与第一变量和第一训练样本数据相关的标准化值确定第二训练样本数据。在一些实施例中，模型生成模块406可以通过将第一训练样本数据中与第一变量相关的至少两个值替换为与第一变量相关的标准化值，确定第二训练样本数据。
模型生成模块406可以使用具有至少两个第一变量作为所使用的变量的初始第一模型，基于第二训练样本数据，确定超平面。然后，模型生成模块406可以确定第一血压和第一变量之间的关系。例如，该关系可以由等式（4）表示：
其中，F1可以表示与第一血压相关的参数，系数
可以表示与第i个第一变量相对应的系数，
可以表示第i个第一变量的表示，m可以表示第一变量。在一些实施例中，与第一血压相关的参数可以是舒张压、收缩压、血压差、平均血压、其对数等或其组合。在一些实施例中，
可以是第i个第一变量的一次幂（即，
），也可以是第i个第一变量的n次幂。在一些实施例中，
可以包括与变量𝑋𝑖（例如，等式（3））相关的标准化表示。
模型生成模块406可以基于其值对系数
进行排序。模型生成模块406可以识别具有最小值的第一系数。模型生成模块406可以忽略与第一系数相关的第一变量，并且确定至少两个第二变量作为所使用的变量。
然后，模型生成模块406可以基于至少两个第二变量确定初始第一模型。对于测试样本数据中的每组数据，模型生成模块406可以确定第一血压值。模型生成模块406可以确定第一血压值和对应的历史血压测量之间的残差。通常，与预测的第一血压值相关的残差可以指与每组数据相关的测量值（例如，历史血压测量值）与预测值（例如，预测的第一血压值）之间的差。模型生成模块406可以确定与测试样本数据中的至少两组数据相关的至少两个残差的第一平均值。
模型生成模块406可以相继地忽略与第二最小值的系数相关的变量，然后相继忽略与第三最小值的系数相关的变量等等。对于每次忽略变量，模型生成模块406可以确定与残差相关的平均值。模型生成模块406可以确定最小平均值，并识别与最小平均值相对应的剩余变量。模型生成模块406可以将剩余变量确定为至少两个第三变量（也称为“所使用的变量”）。参照等式（4），模型生成模块406可以基于与由等式（5）表示的至少两个第三变量（也被称为“所使用的初始第一模型”）相关的第一样本数据确定初始第一模型。
其中，j可以是至少两个第三变量的数量，系数
的值可与等式（4）中的值不同。
对于与至少两个第三变量相关的样本数据（例如，第一训练样本数据、测试样本数据等）中的每组数据，模型生成模块406可以基于所使用的初始第一模型（例如，等式（5））确定第一血压值。模型生成模块406可以确定第一血压和对应历史血压测量之间的残差。模型生成模块406可以将该残差指定为实际残差。模型生成模块406可以确定与样本数据中的至少两组数据相关的至少两个实际残差，该样本数据与至少两个第三变量相关。
在一些实施例中，模型生成模块406可以进一步确定至少两个子模型。每个子模型可以与特定条件相关。特定条件可以与第二受试者中的组相关，这里组根据下述分类：年龄范围、测量姿态、测量时间、测量季节或至少部分上述特定条件的相互作用等。在一些实施例中，年龄范围可以包括但不限于0-5岁、5-12岁、12-18岁、18-30岁、30-45岁、45-60岁、60-80岁等或其组合。年龄范围可以包括任何其他长度的年龄分割。测量姿态可以包括躺姿、坐姿、站姿等。在一些实施例中，测量时间可以包括早晨、下午、晚上等。测量时间还可以包括至少两个时间间隔。例如，时间间隔可以是上午6点至上午9点、上午6点至上午12点、上午12点至下午6点、下午6点至下午12点、下午12点至上午6点等。至少两个时间间隔可以包括任何其他长度的时间间隔。测量季节可以包括春季、夏季、秋季和冬季。测量季节还可以包括至少两个月的跨度。月份跨度可以包括从一月到二月、从二月到五月、从四月到六月、从六月到九月、从十月到十二月等等。测量季节可以包括一年期或跨几年的任何其他几个月的跨度。特定条件可以是默认设置，也可以在不同情况下进行调整。应当理解，上述特定条件仅用于说明目的。本申请对此并不加以限制。可以根据不同国家、不同气候、不同地区、不同海拔、不同性别、不同职业、不同教育水平、不同既存条件、不同药物记录或其组合，确定特定条件，以确定第二受试者的组。与上述特定条件的至少一部分的交互可以包括与至少两个第二受试者相关的历史信号之间的交互作用项、确定第二受试者是否被诊断为高血压等。
模型生成406可以基于如上所述的用于确定初始第一模型的方法确定至少两个子模型。如上所述，模型生成406可以基于用于确定初始第一模型的数据确定至少两个子模型。且用于确定至少两个子模型的数据可以进一步与子模型的特定条件相关。
在步骤608中，模型生成模块406可以基于与至少两个第二受试者相关的历史第一数据和历史信息，生成初始第二个模型，其用于预测至少两个历史血压测量值和由所使用的初始第一模型预测的第一血压值之间的至少两个残差。模型生成模块406可以将所有变量或一个或以上变量作为所使用的变量确定初始第二模型。模型生成模块406可以确定初始第二模型，其用于预测与一组第二受试者相关的至少两个残差。该组第二受试者可以包括但不限于患有高血压的第二受试者、高龄的第二受试者等或其组合。
在一些实施例中，初始第二模型中所使用的变量可以包括全部变量。在另一个实施例中，初始第二模型中所使用的变量可以包括全部变量中的一个或以上变量。模型生成模块406可以将与一组第二受试者（例如，患有高血压的第二受试者、高龄的第二受试者等）对应的校准样本数据的部分确定为初始第二模型的输入。如步骤606所述，模型生成模块406可以基于校准样本数据的该部分，使用高维变量选择方法（例如，逐步回归和信息标准则），确定哪些变量可以在初始第二模型中使用。模型生成模块406可以将至少两个第四变量确定为初始第二模型中所使用的变量，然后确定以等式（6）表示的初始第二模型（也称为“所使用的初始第二模型”）：
其中F2可以表示预测残差，系数
可以表示与第i个第四变量相对应的系数，
可以表示第i个第四变量的表示，k可以表示第四变量的数量。例如，
可以表示第i个第四变量的一次幂（即，
），也可以表示第i个第四变量的n次幂。在一些实施例中，
可以包括与第四变量相关的标准化表示。
在一些实施例中，模型生成模块406可以确定与所使用的初始第二模型相关的预测精度。模型生成模块406可以确定校准测试样本数据。校准测试样本数据可以是校准样本数据，其指向与测试样本数据相关的第二受试者。对于校准测试样本数据中的每组数据，模型生成模块406可以基于所使用的初始第二模型确定与每组数据相关的预测残差。模型生成模块406可以相应地确定至少两个预测残差。模型生成模块406可以基于至少两个预测残差和至少两个实际残差，确定与所使用的初始第二模型相关的预测精度。可以迭代地执行步骤608，直到预测精度达到预定阈值为止。
应当注意，初始第二模型可以通过将对应的残差添加到对应的第一血压，或从对应的第一血压减去对应的残差，校正与一组（例如，患有高血压的第二受试者、高龄的第二受试者等）第二受试者相关的第一血压。
在步骤610，模型生成模块406可以基于所使用的初始第一模型、至少两个子模型、所使用的初始第二模型以及与至少两个第二受试者相关的历史信息，确定用于预测血压的初始模型。在一些实施例中，为了确定初始模型，模型生成模块406可以确定初始第三模型。初始第三模型可以是所使用的初始第一模型、至少两个子模型和所使用的初始第二模型的组合。模型生成模块406可以选择一个或以上子模型（也称为“所选择的子模型”）确定初始第三模型。模型生成模块406可以基于第一训练样本数据，为所使用的初始第一模型、所选择的子模型和所使用的初始第二模型中的每一个确定加权系数。模型生成模块406可以使用随机森林模型和深度学习方法确定每个加权系数。在一些实施例中，模型生成模型406可以确定初始模型进一步与历史信息中的变量的至少一部分相关。
在一些实施例中，模型生成模块406可以基于初始第三模型，使用与初始第三模型的所使用变量相关的第一训练样本数据，在坐标系中确定超平面。坐标系的维数可以是此处所使用的变量（例如，第三变量和/或第四变量）和1的数量之和。模型生成模块406可以基于超平面确定加权系数的值。
模型生成模块406可以确定随机森林模型。随机森林模型可以包括用于分类、回归等的集成学习方法。随机森林模型的算法可以包括但不限于决策树学习、bagging极端随机树等或其组合。在一些实施例中，随机森林模型可能包括多个（例如，100、200、250、400、500、600等）决策树。决策树的算法可以包括迭代二分法3算法、分类和回归树算法、ID3算法的后算法、卡方自动交互检测器算法、条件推理树算法等或其任意组合。
模型生成模块406可以基于随机森林模型和/或深度学习方法，确定历史信息中的变量的至少一部分。模型生成模块406可以基于初始第三模型和历史信息的变量的至少一部分，确定初始模型。
在步骤612中，模型生成模块406可以基于所使用的用于预测血压的初始第一模型、所选择的子模型、所使用的初始第二模型、第二受试者的历史第一数据以及第一受试者的历史信息的至少一部分，生成用于预测第二受试者的血压的个性化模型。历史信息的至少一部分可以对应于与初始模型相关的历史信息中的变量的至少一部分。在一些实施例中，模型生成模块406可以使用校准测试样本数据确定用于预测血压的个性化模型。
如步骤604所描述的，模型生成模块406可以确定至少两组第一训练样本数据和测试样本数据。模型生成模块406可以使用至少两组第一训练样本数据和测试样本数据确定所使用的初始第一模型、至少两个子模型、所使用的初始第二模型、初始模型和个性化模型。对于至少两个第二受试者中的每一个第二受试者，模型生成模块406可以确定个性化模型。在一些实施例中，模型生成模块406可以进一步使用交叉验证确定所使用的初始第一模型、至少两个子模型、所使用的初始第二模型以及初始模型。在一些实施例中，样本数据和校准样本数据可以随时间更新。因此，模型生成模块406可以更新所使用的初始第一模型、所使用的初始第二模型、至少两个子模型和初始模型。
对于每个第二受试者，模型生成模块406可以基于所使用的初始第一模型和所使用的初始第二模型，分别使用与每个第二受试者相关的校准测试样本数据，确定个性化的第一模型和个性化的第二模型。例如，为了确定与每个第二受试者相关的个性化的第一模型和个性化的第二模型，模型生成模块406可以基于与每个第二受试者相关的样本数据，更新所使用的初始第一模型（例如，等式（5））和所使用的初始第二模型（例如，等式（6））中的系数。
在一些实施例中，模型生成模块406可以从至少两个子模型中确定与个性化模型相关的所选择的子模型。然后，模型生成模块406可以基于校准测试样本数据，确定个性化的所选择的子模型。
模型生成模块406可以基于对应的个性化的第一模型、对应的个性化的第二模型、对应的个性化的所选择的子模型以及历史信息的至少一部分，确定用于预测每个第二受试者的血压的个性化模型。例如，模型生成模块406可以更新初始模型（例如，初始第三模型）中的加权系数以确定个性化模型。模型生成模块406可以使用普适计算（也称为“可穿戴计算”）确定个性化模型。在一些实施例中，模型生成模块406可以使用统计迭代更新和/或贝叶斯后验预测更新确定个性化模型。普适计算可以由测量设备110（例如，通过并入一个或以上计算机芯片）和/或终端140（例如，应用程序）实现。在一些实施例中，与第二受试者相关的校准样本数据可以随时间更新。因此，模型生成模块406可以更新个性化模型。该更新方法也可以是普适计算、统计迭代更新和/或贝叶斯后验预测更新。
在一些实施例中，为了预测至少两个第二受试者中不包括的第三受试者的血压，模型生成模块406可以获取与第三受试者相关的校准样本数据。模型生成模块406可以基于与第三受试者相关的样本数据，生成用于预测第三受试者的血压的个性化模型。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此，应强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“块”、“模块”、“设备”、“单元”、“组件”或“***”。此外，本申请的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序代码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行***、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF等，或任何上述介质的组合。
本申请各部分操作所需的计算机程序代码可以用任意一种或以上程序设计语言编写，包括面向对象程序设计语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C、VB.NET、Python等，常规程序化程序设计语言如C程序设计语言、Visual Basic、Fortran1703、Perl、COBOL 1702、PHP、ABAP，动态程序设计语言如Python、Ruby、和Groovy，或其他程序设计语言等该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络（LAN）或广域网路（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的***组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的***。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (14)
1.一种确定血压的***，包括：
至少一个存储介质，包括一组指令；
连接到网络的通信平台；以及；
至少一个处理器，被配置为与所述至少一个存储介质通信，其中，当执行所述组指令时，所述至少一个处理器用于：从终端接收确定第一受试者的血压的请求；
响应于所述请求，获取与所述第一受试者的心脏活动相关的数据；
确定用于预测所述第一受试者的血压的个性化模型，具体包括：
获取与至少两个第二受试者的心脏活动相关的历史数据，其中
所述至少两个第二受试者包括所述第一受试者，以及
所述历史数据包括所述至少两个第二受试者的至少两个历史血压测量值；
基于与所述至少两个第二受试者的心脏活动相关的所述历史数据，生成用于预测第一血压的第一模型；
基于与所述至少两个第二受试者的心脏活动相关的所述历史数据，生成第二模型，其用于预测所述至少两个历史血压测量值和第一模型所预测的所述第一血压的值之间的至少两个残差；
基于所述第一模型、所述第二模型以及与所述至少两个第二受试者的心脏活动相关的所述历史数据的至少部分，确定用于预测血压的初始模型；
基于用于预测血压的所述初始模型和与所述第一受试者的心脏活动相关的所述历史数据的至少一部分，生成用于预测所述第一受试者的血压的所述个性化模型；
基于与所述第一受试者的心脏活动相关的所述数据，使用所述个性化模型，确定所述第一受试者的所述血压；以及；
响应于所述请求，将所述第一受试者的所述血压发送到所述终端。
2.根据权利要求1所述的***，其特征在于，为了获取与所述第一受试者的心脏活动相关的所述数据，所述至少一个处理器进一步用于：
与附着于所述第一受试者的传感器通信，所述传感器被配置为检测所述第一受试者的心脏活动并生成信号；以及；
基于所述信号，生成与所述第一受试者的心脏活动相关的所述数据。
3.根据权利要求1所述的***，其特征在于，与所述第一受试者的心脏活动相关的所述数据包括以下中的至少一项
所述第一受试者的年龄，
所述第一受试者的性别，
所述第一受试者的身高，
所述第一受试者的体重，
所述第一受试者的姿态，
与所述请求相关的时间信息，
所述第一受试者是否患有高血压，或
所述第一受试者是否在接收至少一种药物治疗。
4.根据权利要求2所述的***，其特征在于，为了基于所述信号生成与所述第一受试者的心脏活动相关的所述数据，所述至少一个处理器进一步用于：
将所述信号转换成频域内的第一表示；
确定与所述频域内的所述第一表示相关的第一至少两个系数；以及；
基于所述第一至少两个系数，生成与所述第一受试者的心脏活动相关的所述数据。
5.根据权利要求2所述的***，其特征在于，基于所述信号生成与所述第一受试者的心脏活动有关的所述数据，所述至少一个处理器还用于：
将所述信号的部分转换成频域内的第二表示；
确定与所述频域内的所述第二表示相关的第二至少两个系数；以及；
基于所述第二至少两个系数，生成与所述第一受试者的心脏活动相关的所述数据。
6.一种在计算设备上实现的用于确定血压的方法，该计算设备具有至少一个处理器、存储器以及连接到网络的通信平台，所述方法包括：
从终端接收确定第一受试者的血压的请求；
响应于所述请求，获取与所述第一受试者的心脏活动相关的数据；
确定用于预测所述第一受试者的血压的个性化模型，具体包括：
获取与至少两个第二受试者的心脏活动相关的历史数据，其中
所述至少两个第二受试者包括所述第一受试者，以及
所述历史数据包括所述至少两个第二受试者的至少两个历史血压测量值；
基于与所述至少两个第二受试者的心脏活动相关的所述历史数据，生成用于预测第一血压的第一模型；
基于与所述至少两个第二受试者的心脏活动相关的所述历史数据，生成第二模型，其用于预测所述至少两个历史血压测量值和第一模型所预测的所述第一血压的值之间的至少两个残差；
基于所述第一模型、所述第二模型以及与所述至少两个第二受试者的心脏活动相关的所述历史数据的至少部分，确定用于预测血压的初始模型；
基于用于预测血压的所述初始模型和与所述第一受试者的心脏活动相关的所述历史数据的至少一部分，生成用于预测所述第一受试者的血压的所述个性化模型；
基于与所述第一受试者的心脏活动相关的所述数据，使用所述个性化模型，确定所述第一受试者的所述血压；以及；
响应于所述请求，将所述第一受试者的所述血压发送到所述终端。
7.根据权利要求6所述的方法，其特征在于，所述获取与所述第一受试者的心脏活动相关的所述数据包括：
与附着于所述第一受试者的传感器通信，所述传感器被配置为检测所述第一受试者的心脏活动并生成信号；以及；
基于所述信号，生成与所述第一受试者的心脏活动相关的所述数据。
8.根据权利要求6所述的方法，其特征在于，与所述第一受试者的心脏活动相关的所述数据包括以下至少一项：
所述第一受试者的年龄，
所述第一受试者的性别，
所述第一受试者的身高，
所述第一受试者的体重，
所述第一受试者的姿态，
与所述请求相关的时间信息，
所述第一受试者是否患有高血压，或
所述第一受试者是否在接收至少一种药物治疗。
9.根据权利要求7所述的方法，其特征在于，所述基于所述信号生成与所述第一受试者的心脏活动相关的所述数据还包括：
将所述信号转换成频域内的第一表示；
确定与所述频域内的所述第一表示相关的第一至少两个系数；以及；
基于所述第一至少两个系数，生成与所述第一受试者的心脏活动相关的所述数据。
10.根据权利要求7所述的方法，其特征在于，所述基于所述信号生成与所述第一受试者的心脏活动有关的所述数据还包括：
将所述信号的部分转换成频域内的第二表示；
确定与所述频域内的所述第二表示相关的第二至少两个系数；以及；
基于所述第二至少两个系数，生成与所述第一受试者的心脏活动相关的所述数据。
11.一种确定血压的***，包括：
至少一个存储介质，包括一组指令；
连接到网络的通信平台；以及；
至少一个处理器，被配置为与所述至少一个存储介质通信，其中，当执行所述组指令时，所述至少一个处理器用于：
从终端接收确定第一受试者的血压的请求；
响应于所述请求，获取与所述第一受试者的心脏活动相关的数据；
从云服务器获取用于预测所述第一受试者的血压的个性化模型，具体包括：
获取与至少两个第二受试者的心脏活动相关的历史数据，其中
所述至少两个第二受试者包括所述第一受试者，以及
所述历史数据包括所述至少两个第二受试者的至少两个历史血压测量值；
基于与所述至少两个第二受试者的心脏活动相关的所述历史数据，生成用于预测第一血压的第一模型；
基于与所述至少两个第二受试者的心脏活动相关的所述历史数据，生成第二模型，其用于预测所述至少两个历史血压测量值和第一模型所预测的所述第一血压的值之间的至少两个残差；
基于所述第一模型、所述第二模型以及与所述至少两个第二受试者的心脏活动相关的所述历史数据的至少部分，确定用于预测血压的初始模型；
基于用于预测血压的所述初始模型和与所述第一受试者的心脏活动相关的所述历史数据的至少一部分，生成用于预测所述第一受试者的血压的所述个性化模型；
基于与所述第一受试者的心脏活动相关的所述数据，使用所述个性化模型，确定所述第一受试者的所述血压；以及；
响应于所述请求，将所述第一受试者的所述血压发送到所述终端。
12.一种确定血压的***，包括：
至少一个存储介质，包括一组指令；
连接到网络的通信平台；以及；
至少一个处理器，被配置为与所述至少一个存储介质通信，其中当执行所述组指令时，所述至少一个处理器用于：
从终端接收确定第一受试者的血压的请求；
响应于所述请求，获取与所述第一受试者的心脏活动相关的数据；
将与所述第一受试者的心脏活动相关的所述数据发送至云服务器；
接收所述云服务器确定的所述第一受试者的所述血压，其中，所述第一受试者的所述血压通过执行以下步骤确定：确定用于预测所述第一受试者的血压的个性化模型，具体包括：
获取与至少两个第二受试者的心脏活动相关的历史数据，其中
所述至少两个第二受试者包括所述第一受试者，以及
所述历史数据包括所述至少两个第二受试者的至少两个历史血压测量值；
基于与所述至少两个第二受试者的心脏活动相关的所述历史数据，生成用于预测第一血压的第一模型；
基于与所述至少两个第二受试者的心脏活动相关的所述历史数据，生成第二模型，其用于预测所述至少两个历史血压测量值和第一模型所预测的所述第一血压的值之间的至少两个残差；
基于所述第一模型、所述第二模型以及与所述至少两个第二受试者的心脏活动相关的所述历史数据的至少部分，确定用于预测血压的初始模型；
基于用于预测血压的所述初始模型和与所述第一受试者的心脏活动相关的所述历史数据的至少一部分，生成用于预测所述第一受试者的血压的所述个性化模型；
基于与所述第一受试者的心脏活动相关的所述数据，使用所述个性化模型，确定所述第一受试者的所述血压；以及；响应于所述请求，将所述第一受试者的所述血压发送到所述终端。
13.一种非暂时性计算机可读介质，包括至少一组用于确定血压的指令，其中，当由至少一个处理器执行时，所述至少一组指令使所述至少一个处理器：
从终端接收确定第一受试者的血压的请求；
响应于所述请求，获取与所述第一受试者的心脏活动相关的数据；
确定用于预测所述第一受试者的血压的个性化模型，具体包括：
获取与至少两个第二受试者的心脏活动相关的历史数据，其中
所述至少两个第二受试者包括所述第一受试者，以及
所述历史数据包括所述至少两个第二受试者的至少两个历史血压测量值；
基于与所述至少两个第二受试者的心脏活动相关的所述历史数据，生成用于预测第一血压的第一模型；
基于与所述至少两个第二受试者的心脏活动相关的所述历史数据，生成第二模型，其用于预测所述至少两个历史血压测量值和所述第一模型所预测的所述第一血压的值之间的至少两个残差；
基于所述第一模型、所述第二模型以及与所述至少两个第二受试者的心脏活动相关的所述历史数据的至少部分，确定用于预测血压的初始模型；
基于用于预测血压的所述初始模型和与所述第一受试者的心脏活动相关的所述历史数据的至少一部分，生成用于预测所述第一受试者的血压的所述个性化模型；
基于与所述第一受试者的心脏活动相关的所述数据，使用所述个性化模型，确定所述第一受试者的所述血压；以及；
响应于所述请求，将所述第一受试者的所述血压发送到所述终端。
14.根据权利要求13所述的非暂时性计算机可读介质，其特征在于，为了获取与所述第一受试者的心脏活动相关的所述数据，所述至少一个处理器进一步用于：
与附着于所述第一受试者的传感器通信，所述传感器被配置为检测所述第一受试者的心脏活动并生成信号；以及；
基于所述信号生成与所述第一受试者的心脏活动相关的所述数据。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2017/094762 WO2019019119A1 (en) | 2017-07-27 | 2017-07-27 | SYSTEMS AND METHODS FOR DETERMINING THE BLOOD PRESSURE OF A SUBJECT |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111194180A CN111194180A (zh) | 2020-05-22 |
| CN111194180B true CN111194180B (zh) | 2022-11-11 |
Family
ID=65039888
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780093247.4A Active CN111194180B (zh) | 2017-07-27 | 2017-07-27 | 确定受试者的血压的***和方法 |
| CN201780093245.5A Active CN110944577B (zh) | 2017-07-27 | 2017-11-20 | 一种血氧饱和度的检测方法与*** |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780093245.5A Active CN110944577B (zh) | 2017-07-27 | 2017-11-20 | 一种血氧饱和度的检测方法与*** |
Country Status (3)
| Country | Link |
|---|---|
| US (2) | US11504034B2 (zh) |
| CN (2) | CN111194180B (zh) |
| WO (2) | WO2019019119A1 (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109044302A (zh) * | 2018-07-03 | 2018-12-21 | 京东方科技集团股份有限公司 | 测量血压的装置、电子设备以及计算机可读存储介质 |
| US20220104715A1 (en) * | 2019-02-01 | 2022-04-07 | Sharp Kabushiki Kaisha | Blood-pressure measurement device, model setting device, and blood-pressure measurement method |
| JP2021001876A (ja) * | 2019-05-23 | 2021-01-07 | ユエンハウ リン | 腎疾患にかかっている可能性の決定 |
| KR20210004376A (ko) * | 2019-07-04 | 2021-01-13 | 삼성전자주식회사 | 생체정보 추정 모델의 캘리브레이션 장치 및 방법과, 생체정보 추정 장치 |
| WO2021030499A1 (en) | 2019-08-12 | 2021-02-18 | Barnacka Anna | System and method for cardiovascular monitoring and reporting |
| US20210110927A1 (en) * | 2019-10-07 | 2021-04-15 | Owlet Baby Care, Inc. | Respiratory Rate Prediction from a Photoplethysmogram |
| CN111358451B (zh) * | 2020-03-17 | 2022-07-29 | 乐普（北京）医疗器械股份有限公司 | 一种血压预测方法和装置 |
| CN113827197B (zh) * | 2020-06-08 | 2023-05-05 | 华为技术有限公司 | 脉搏检测方法、终端设备和智能鞋 |
| US20220008019A1 (en) * | 2020-07-08 | 2022-01-13 | Owlet Baby Care Inc. | Heart Rate Correction Using External Data |
| EP4208825A1 (en) * | 2020-09-02 | 2023-07-12 | Twin Health, Inc. | Virtually monitoring blood pressure levels in a patient using machine learning and digital twin technology |
| TWI795765B (zh) * | 2021-04-28 | 2023-03-11 | 奧比森科技股份有限公司 | 非接觸式生理訊號量測設備、系統及方法 |
| CN113143230B (zh) * | 2021-05-11 | 2022-05-20 | 重庆理工大学 | 一种外周动脉血压波形重构*** |
| CN113671031B (zh) * | 2021-08-20 | 2024-06-21 | 贝壳找房(北京)科技有限公司 | 墙体空鼓检测方法和装置 |
| CN114081482B (zh) * | 2021-11-23 | 2023-04-18 | 电子科技大学 | 一种基于波形证据回归的血糖浓度检测方法及装置 |
| CN114557693B (zh) * | 2022-04-27 | 2022-11-18 | 深圳市脉度科技有限公司 | 一种无创血红蛋白浓度测量装置及方法 |
| CN116889395B (zh) * | 2023-08-24 | 2024-02-13 | 迈德医疗科技(深圳)有限公司 | 一种基于catpca的无创血糖膳食分类方法及*** |
| CN116978570B (zh) * | 2023-09-25 | 2024-02-06 | 之江实验室 | 一种在线实时患者危重程度评估及生命体征参数预测*** |
Family Cites Families (54)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5725480A (en) | 1996-03-06 | 1998-03-10 | Abbott Laboratories | Non-invasive calibration and categorization of individuals for subsequent non-invasive detection of biological compounds |
| US6398728B1 (en) * | 1999-11-16 | 2002-06-04 | Cardiac Intelligence Corporation | Automated collection and analysis patient care system and method for diagnosing and monitoring respiratory insufficiency and outcomes thereof |
| US8388530B2 (en) | 2000-05-30 | 2013-03-05 | Vladimir Shusterman | Personalized monitoring and healthcare information management using physiological basis functions |
| US6757554B2 (en) | 2001-05-22 | 2004-06-29 | Alfred E. Mann Institute For Biomedical Engineering At The University Of Southern California | Measurement of cardiac output and blood volume by non-invasive detection of indicator dilution |
| EP2400288A1 (en) | 2002-02-11 | 2011-12-28 | Bayer Corporation | Non-invasive system for the determination of analytes in body fluids |
| US7674231B2 (en) | 2005-08-22 | 2010-03-09 | Massachusetts Institute Of Technology | Wearable pulse wave velocity blood pressure sensor and methods of calibration thereof |
| US8795170B2 (en) | 2005-11-29 | 2014-08-05 | Venture Gain LLC | Residual based monitoring of human health |
| CN101032395A (zh) | 2006-03-08 | 2007-09-12 | 香港中文大学 | 基于光电容积描记信号周期域特征参量的血压测量方法 |
| US8346327B2 (en) | 2007-03-09 | 2013-01-01 | Covidien Lp | Method for identification of sensor site by local skin spectrum data |
| ES2336997B1 (es) | 2008-10-16 | 2011-06-13 | Sabirmedical,S.L. | Sistema y aparato para la medicion no invasiva de la presion arterial. |
| JP5330933B2 (ja) | 2009-08-27 | 2013-10-30 | 日立コンシューマエレクトロニクス株式会社 | 運動機能評価システム、運動機能評価方法およびプログラム |
| KR20120105444A (ko) | 2009-10-15 | 2012-09-25 | 오클라호마 메디컬 리써치 화운데이션 | 염증성 질병의 활성 측정 및 모니터링을 위한 바이오마커 및 방법 |
| CN102270264B (zh) | 2010-06-04 | 2014-05-21 | 中国科学院深圳先进技术研究院 | 生理信号质量评估***及方法 |
| CN101980228A (zh) | 2010-09-01 | 2011-02-23 | 张辉 | 人体信息监测与处理***及方法 |
| US20120136261A1 (en) | 2010-11-30 | 2012-05-31 | Nellcor Puritan Bennett Llc | Systems and methods for calibrating physiological signals with multiple techniques |
| EP2663349B1 (en) | 2011-01-12 | 2024-03-20 | The Regents of The University of California | System and method for closed-loop patient-adaptive hemodynamic management |
| EP2544125A1 (en) | 2011-07-04 | 2013-01-09 | Sabirmedical, S.L. | Methods and systems for non-invasive measurement of blood pressure |
| US9710788B2 (en) * | 2011-07-05 | 2017-07-18 | Saudi Arabian Oil Company | Computer mouse system and associated, computer medium and computer-implemented methods for monitoring and improving health and productivity of employees |
| CN102397064B (zh) | 2011-12-14 | 2014-02-19 | 中国航天员科研训练中心 | 连续血压测量装置 |
| SG11201404113TA (en) | 2012-01-16 | 2014-10-30 | Agency Science Tech & Res | Method and system for optical blood pressure monitoring |
| US10398323B2 (en) | 2012-08-28 | 2019-09-03 | Board Of Trustees Of Michigan State University | Methods and apparatus for determining pulse transit time as a function of blood pressure |
| CN103778312B (zh) | 2012-10-24 | 2017-05-10 | 中兴通讯股份有限公司 | 远程家庭保健*** |
| CN102930163A (zh) | 2012-11-01 | 2013-02-13 | 北京理工大学 | 一种2型糖尿病风险状态判定方法 |
| KR101408845B1 (ko) | 2013-02-08 | 2014-06-20 | 주식회사 케이헬쓰웨어 | 연속적 자동 맥파 측정 장치 및 혈압 측정 방법 |
| CN103577686A (zh) | 2013-09-11 | 2014-02-12 | 奥美之路(北京)技术顾问有限公司 | 中国人群健康体适能评价模型 |
| CN104434311B (zh) | 2013-09-13 | 2017-06-20 | 深圳迈瑞生物医疗电子股份有限公司 | 生理参数处理方法、***及监护设备 |
| CN103637787B (zh) | 2013-12-02 | 2016-02-10 | 清华大学 | 血压实时测量装置以及实时测量脉搏波传输时间差的方法 |
| US20150213220A1 (en) | 2014-01-30 | 2015-07-30 | Prevail Holdings Inc. | Monitoring patient health |
| US20150313486A1 (en) | 2014-05-02 | 2015-11-05 | Xerox Corporation | Determining pulse wave transit time from ppg and ecg/ekg signals |
| EP2992820B1 (en) * | 2014-08-11 | 2023-05-10 | Tata Consultancy Services Limited | Measuring blood pressure |
| US20160045119A1 (en) | 2014-08-18 | 2016-02-18 | Gerdt David | External Calibration and Recalibration for a Blood Pressure Monitor |
| CN105455797B (zh) * | 2014-08-19 | 2020-01-07 | 南京茂森电子技术有限公司 | 自主神经心脏调控功能测量方法和设备 |
| CN105528509A (zh) | 2014-09-29 | 2016-04-27 | 西安乐食智能餐具有限公司 | 一种管理健康计划的方法、设备和*** |
| CN104323764A (zh) | 2014-10-13 | 2015-02-04 | 天津工业大学 | 一种基于智能手机的人体动脉血压测量方法 |
| CN104523252B (zh) | 2015-01-04 | 2018-06-22 | 深圳市长桑技术有限公司 | 一种移动健康服务方法及***、移动终端 |
| CN204499693U (zh) | 2015-03-31 | 2015-07-29 | 深圳市长桑技术有限公司 | 一种可测量血氧的戒指 |
| CN204515353U (zh) * | 2015-03-31 | 2015-07-29 | 深圳市长桑技术有限公司 | 一种智能手表 |
| CN104720773A (zh) | 2015-03-10 | 2015-06-24 | 中国科学院电子学研究所 | 一种手持式的人体多健康参数监护*** |
| WO2017005016A1 (en) * | 2015-07-03 | 2017-01-12 | Vita-Course Technologies Co., Ltd | System and method for physiological parameter monitoring |
| CN107613856A (zh) | 2015-05-27 | 2018-01-19 | 深圳市长桑技术有限公司 | 一种信号获取方法与*** |
| CN105147269B (zh) * | 2015-06-16 | 2017-10-13 | 江苏斯坦德利医疗科技有限公司 | 一种无创连续血压测量方法 |
| CN105045484B (zh) | 2015-07-06 | 2018-04-17 | 腾讯科技（深圳）有限公司 | 操作处理方法及电子设备 |
| CN105193406A (zh) | 2015-09-29 | 2015-12-30 | 滕大志 | 一种医用检测装置 |
| KR20170048970A (ko) * | 2015-10-27 | 2017-05-10 | 삼성전자주식회사 | 혈압 추정 방법 |
| US20170181649A1 (en) * | 2015-12-28 | 2017-06-29 | Amiigo, Inc. | Systems and Methods for Determining Blood Pressure |
| US10980430B2 (en) * | 2016-03-10 | 2021-04-20 | Healthy.Io Ltd. | Cuff-less multi-sensor system for statistical inference of blood pressure with progressive learning/tuning |
| CN105962918A (zh) | 2016-06-12 | 2016-09-28 | 夏茂 | 基于生理健康指数的人体健康评价方法 |
| CN105877723B (zh) * | 2016-06-22 | 2019-11-12 | 中国科学院苏州生物医学工程技术研究所 | 无创连续血压测量装置 |
| CN106419868A (zh) | 2016-08-18 | 2017-02-22 | 智云康铠（北京）科技股份有限公司 | 一种生命体征监测*** |
| CN106361307B (zh) | 2016-10-09 | 2019-09-20 | 杭州电子科技大学 | 基于光传感的可佩带式生命体征监测设备及血压检测方法 |
| US10716518B2 (en) * | 2016-11-01 | 2020-07-21 | Microsoft Technology Licensing, Llc | Blood pressure estimation by wearable computing device |
| CN106725376B (zh) | 2016-11-30 | 2017-12-19 | 中南民族大学 | 体征信号检测方法及装置 |
| CN106599821A (zh) * | 2016-12-07 | 2017-04-26 | 中国民用航空总局第二研究所 | 基于bp神经网络的管制员疲劳检测方法及*** |
| US20210100455A1 (en) * | 2018-04-13 | 2021-04-08 | Vita-Course Technologies Co., Ltd. | Systems and methods for determining blood pressure of subject |
-
2017
- 2017-07-27 CN CN201780093247.4A patent/CN111194180B/zh active Active
- 2017-07-27 WO PCT/CN2017/094762 patent/WO2019019119A1/en active Application Filing
- 2017-07-27 US US16/633,167 patent/US11504034B2/en active Active
- 2017-11-20 WO PCT/CN2017/111938 patent/WO2019019491A1/zh active Application Filing
- 2017-11-20 CN CN201780093245.5A patent/CN110944577B/zh active Active
- 2017-11-20 US US16/492,541 patent/US11207008B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019019491A1 (zh) | 2019-01-31 |
| US11207008B2 (en) | 2021-12-28 |
| WO2019019119A1 (en) | 2019-01-31 |
| US11504034B2 (en) | 2022-11-22 |
| US20200375512A1 (en) | 2020-12-03 |
| CN110944577A (zh) | 2020-03-31 |
| CN111194180A (zh) | 2020-05-22 |
| US20210153750A1 (en) | 2021-05-27 |
| CN110944577B (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111194180B (zh) | 确定受试者的血压的***和方法 | |
| US11540735B2 (en) | System and method for physiological parameter monitoring | |
| US11593468B2 (en) | System and method for identifying user | |
| CN112040849B (zh) | 用于确定对象血压的***和方法 | |
| CN107847153B (zh) | 一种生理参数监测的***和方法 | |
| WO2017005016A1 (en) | System and method for physiological parameter monitoring | |
| CN105792758A (zh) | 推定装置、程序、推定方法以及推定*** | |
| JP2019509101A (ja) | 小児対象に関する血行力学的不安定性リスクスコアを決定するシステム及び方法 | |
| EP3435852A1 (en) | System and method for physiological feature derivation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40026726 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |