买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳市龙田医疗科技有限公司

摘要：本发明属于血压计校准技术领域，本发明公开了一种血压计校准方法和系统；包括：获取待校准血压计的n组测量数据，同时记录环境参数和测量者生理状态参数；将待校准血压计的测量数据进行预处理，得到测量数据特征向量；将环境参数和测量者生理状态参数进行改进证据理论融合，得到综合特征数据；构建非线性映射模型，将测量数据特征向量和综合特征数据输入非线性映射模型，得到标准血压计测量数据；使血压计在不同情况下均能保持出色的校准性能。

主权项：1.一种血压计校准方法，其特征在于，包括：S1、获取待校准血压计的n组测量数据，同时记录环境参数和测量者生理状态参数；所述测量数据为待校准血压计在不同环境和测量者生理状态下获取的一系列血压测量数据，并基于一系列血压测量数据构建成血压波形信号，即为测量数据；环境参数包括温度、湿度、噪音水平、光照强度和空气质量指数；测量者生理状态参数包括心率、呼吸频率、体温、运动状态、情绪状态、年龄、性别、身高和体重；S2、将待校准血压计的测量数据进行预处理，得到测量数据特征向量；所述进行预处理的方式包括：将血压波形信号分解为m个频带；将每个频带进行去噪，得到去噪后频带；利用逆小波包变换重构去噪后频带，得到重构信号；基于自适应模态分解将重构信号分解为M个本征模态函数；计算每个本征模态函数的希尔伯特-黄变换，并提取瞬时频率和幅值特征；利用主成分分析对瞬时频率和幅值特征进行降维，得到测量数据特征向量；S3、将环境参数和测量者生理状态参数进行改进证据理论融合，得到综合特征数据；所述进行改进证据理论融合的方式包括：对于环境参数和测量者生理状态参数中离散化的参数进行Z-score标准化，对于非数值型数据进行编码，得到离散型数据；对于环境参数和测量者生理状态参数中的时序参数应用指数加权移动平均进行数据平滑，得到连续型数据；构建动态辨识框架，动态辨识框架的构建方式包括：初始化动态辨识框架Θ，Θ中包含环境参数和测量者生理状态参数的假设θg，g为假设的索引；设置框架动态调整机制为：若某假设θg的置信度mθg低于预设的置信度阈值ζ，则将其移除，并引入新的假设θnew，定义θnew初始的置信度将连续型数据进行聚类，定义聚类的目标函数JK； 其中，N'为连续型数据的数据点数量，U'聚类的数量，表示第n'个数据点属于第u'个聚类的隶属度；m'是隶属度的模糊度参数；xn'是第n'个数据点的特征向量，cu'是第u'个聚类中心的特征向量，χ是分散程度权重参数，c为聚类中心的整体均值；通过迭代优化来最小化目标函数JK，得到U'个聚类；并对于每个数据点和每个聚类中心，计算隶属度其中，qn'u'为xn'属于cu'的隶属度；cy'为另一个聚类中心，y'为不同于u'的聚类的索引；将隶属度进行归一化，并将归一化后的隶属度用作假设的初始的置信度；对于离散型数据，定义假设的初始的置信度为其中，φ为平滑参数；N”为所有假设的观察次数总和，KU为假设的数量，countθg为假设θg的观察次数；基于得到的初始的置信度，计算证据距离其中，m1和m2各为两个初始的置信度，T为转置，DT为正定矩阵；基于证据距离，计算各证据源的权重，计算公式为： 其中，W'x'为证据源x'的权重，DQx'为证据源x'的平均的证据距离，DQz'为证据源z'的平均的证据距离；基于得到的权重，应用加权PCR5规则进行证据组合，并且融合过程将动态辨识框架作为基础；计算证据冲突度KN＝∑A'∩B'＝ηm1A'·m2B'，其中，A'和B'表示来自两个不同证据源的焦元；m1A'表示第一个证据源对焦元A'的基本概率分配值，m2B'表示第二个证据源对焦元B'的基本概率分配值，A'∩B'＝η是求和的条件，η为预设的求和限制；设置自适应冲突阈值，当证据冲突度KN大于自适应冲突阈值时，将高度冲突的证据分解为子证据，对子证据重新计算初始的置信度、计算各证据源的权重、应用加权PCR5规则进行证据组合以及计算证据冲突度；迭代获取最终的证据组合结果，生成综合特征数据；S4、构建非线性映射模型，将测量数据特征向量和综合特征数据输入非线性映射模型，得到标准血压计测量数据；所述构建非线性映射模型的方式包括：采集模型训练数据，将模型训练数据中的环境参数和测量者生理状态参数进行改进证据理论融合，得到的综合特征数据，记作历史综合特征数据；处理模型训练数据中的测量数据，得到测量数据特征向量，记作历史测量数据特征向量；对应的记录每组历史综合特征数据和历史测量数据特征向量同时对应的标签，即同期使用标准血压计获得的测量值；即构成了训练特征集合；将历史综合特征数据和历史测量数据特征向量作为原始样本；将训练特征集合内的原始样本w'自适应的注入噪声，注入噪声的方式包括：定义噪声强度函数其中，t1为第一超参数，t2为第二超参数，用于平衡影响；P'为非线性映射模型预测原始样本属于标签的概率，Y'为原始样本的标签，f'w'为一个标量值，即非线性映射模型对输入的预测值，为非线性映射模型在原始样本w'上的求导，CHw'为非线性映射模型在原始样本w'上的置信度；则注入噪声的公式为：w'noisy＝w'+σw'·Noisy，其中，w'noisy为注入噪声后的原始样本，记作噪声样本；Noisy为标准高斯噪声或均匀噪声；将噪声样本进行时间翘曲变换，生成时间翘曲样本；构建一个支持向量机回归网络，使用核函数K1对训练数据进行拟合，得到支持向量机回归模型的预测值fsvm；构建一个高斯回归网络，使用核函数K2对训练数据的残差进行建模，得到高斯回归模型的预测值fgpr；将支持向量机回归网络与高斯回归网络集成，作为非线性映射模型的框架，将fsvm和fgpr相加，作为非线性映射模型的预测输出；定义非线性映射模型的损失函数为交叉熵损失函数；设置优化器使用原始样本、噪声样本和时间翘曲样本交替训练非线性映射模型，提高模型的泛化能力，得到构建完成的非线性映射模型。

全文数据：

权利要求：

百度查询： 深圳市龙田医疗科技有限公司 一种血压计校准方法和系统