[发明专利]一种血红蛋白浓度预测回归模型的训练、应用方法及系统

权利要求书

1.一种血红蛋白浓度预测回归模型的训练方法，其特征在于，所述训练方法包括：

基于多机器学习算法构建血红蛋白浓度预测回归模型；

获取历史多通道PPG信号和历史血红蛋白浓度值；

对所述历史多通道PPG信号进行预处理，得到预处理后的历史多通道PPG信号数据；

对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取，得到历史自动特征信息；

对所述预处理后的历史多通道PPG信号数据的特征信息进行手动提取，得到历史手动特征信息；

将所述历史自动特征信息和所述历史手动特征信息进行融合，得到历史融合特征信息；

利用所述历史融合特征信息和所述历史血红蛋白浓度值训练血红蛋白浓度预测回归模型，得到训练好的血红蛋白浓度预测回归模型。

2.根据权利要求1所述的预测回归模型的训练方法，其特征在于，所述基于多机器学习算法构建血红蛋白浓度预测回归模型包括：

构建第一层回归器，所述第一层回归器为Ada Boost、PCR、PLSR以及SVR四个并列的模型；

构建第二层回归器，所述第二层回归器为注意力层模型。

3.根据权利要求2所述的预测回归模型的训练方法，其特征在于，所述利用所述历史融合特征和所述历史血红蛋白浓度值训练血红蛋白浓度预测回归模型，得到训练好的血红蛋白浓度预测回归模型具体包括：

将所述历史融合特征分别输入第一层回归器的AdaBoost、PCR、PLSR和SVR模型中，得到历史第一预测结果集；

根据所述历史第一预测结果集和所述历史血红蛋白浓度值训练所述第二层回归器的注意力层模型，得到所述训练好的血红蛋白浓度预测回归模型。

4.根据权利要求1所述的预测回归模型的训练方法，其特征在于，所述对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取，得到历史自动特征信息具体包括：

构建卷积神经网络模型，所述卷积神经网络模型包括1个输入层、2个卷积层和2个全连接层；

根据所述预处理后的历史多通道PPG信号数据对所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；

利用所述训练好的卷积神经网络模型对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取。

5.根据权利要求1所述的预测回归模型的训练方法，其特征在于，所述对所述预处理后的历史多通道PPG信号数据的特征信息进行手动提取，得到历史手动特征信息具体包括：

根据Beer-Lambert方程，建立血红蛋白浓度与检测信号特征值之间的映射关系，所述血红蛋白浓度与检测信号特征值之间的映射关系如下：

c_tHb＝f(R_1,2,…,R_1,N,R_2,1,R_2,3,…,R_2,N,…R_N,1,…R_N,N-1)

其中：c_tHb表示血红蛋白浓度值，f()表示映射关系函数，R_i,j，Ni1，Nj1，为手动提取的特征信息，N为历史多通道PPG信号数据的通道数；

特征信息R_i,j通过下式获得：

其中AC_λi和DC_λi分别为光波长为λi时获取到的历史多通道PPG信号数据的跳变成分AC和非跳变成分DC的幅值强度；AC_λj和DC_λj分别为光波长为λj获取到的历史多通道PPG信号数据的跳变成分AC和非跳变成分DC的幅值强度；

以所述血红蛋白浓度与检测信号特征值之间的映射关系为指导，对所述预处理后的历史多通道PPG信号数据的特征信息进行手动提取，得到历史手动特征信息。