[发明专利]脉搏波血压测量装置的分类预测数据处理方法

说明书

本发明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。

技术领域

本发明涉及数据处理，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。

背景技术

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。

发明内容

本发明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，本发明采用以下技术方案：

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；