[发明专利]基于脉搏波设计医疗产品的方法

权利要求书

1.一种基于脉搏波的医疗产品设计方法，其特征是步骤包括：

1)利用脉搏波采集装置采集到脉搏波；

2)设计产品的脉搏波参数计算模块，用来计算和提取脉搏波的各类特征参数；

3)设计产品的数值预测模型或分类预测模型构建模块，用来基于脉搏波的各类特征参数构建模型，通过模型实现对作为目标变量的生理特征进行数值预测或分类预测，得出被测试者相应的生理状态。

2.根据权利要求1所述的设计方法，其特征是还包括步骤4)设计远程云端服务器，把步骤1～3)中得到的模型和/或数据上传至云端，远程进行数据处理。

3.根据权利要求1所述的设计方法，其特征是所述步骤2)中，在设计产品的脉搏波参数计算模块之前，还包括步骤：

先设计产品的合法性检测模块，用来对脉搏波信号进行运算检测，判定此脉搏波是否合法；

再设计产品的数字滤波模块，用来对合法的脉搏波进行去噪与变换：

由产品的脉搏波参数计算模块对上述步骤得到脉搏波进行计算，得到脉搏波的各类特征参数，并输出至样本数据库，为步骤3)的数值预测模型或分类预测模型的模型构建提供样本支撑；同时输出至数值预测模型或分类预测模型进行预测或判定。

4.根据权利要求1所述的设计方法，其特征是所述步骤3)中，

设计产品的大数据建模及判定模块，对步骤2)得到的脉搏波的特征参数进行提取，构建数值预测模型或分类预测模型，利用模型对被测试者的人体生理特征进行精准判定和评估。

5.根据权利要求1所述的设计方法，其特征是所述步骤4)中：

利用GPRS网络、3G网络、4G网络和/或WIFI网络接入互联网，将步骤1)～3)得到的数据传输并存储到远程云端服务器，由服务器对数据进行分类、查询、统计、分析和管理；

产品的显示模块接收服务器提供的数据服务功能的结果以报表或图形的方式显示到产品的屏幕上。

6.根据权利要求1所述的设计方法，其特征是所述步骤2)中，脉搏波的特征参数分为三类：脉搏波时域类参数、脉搏波频域类参数、脉搏波统计类参数；

所述脉搏波时域类参数是对脉搏波采样序列的特征点在时间序列上的位置即时间点、幅度、以及各点围成的面积等因素综合分析得出的参数；这里的特征点包括脉搏波的波峰、波谷、拐点、重搏点和反射点；

所述脉搏波频域类参数是对脉搏波频谱的特征点在频域序列上的位置即频点、幅度、以及各点围成的面积等因素综合分析得出的参数；这里的特征点包括最大峰值点、各谐波峰值点和特定频点；

所述脉搏波统计类参数是对多个脉搏波信号的脉搏波时域类参数和脉搏波频域类参数统计构造得到的参数。

7.根据权利要求1所述的设计方法，其特征是所述步骤3)中，数值预测模型或分类预测模型构建方法为：

3.1)数据预处理

对步骤2)得到的脉搏波参数数据进行预处理，步骤为：

第一步，剔除数据中存在的无效值，清洗异常值，对缺失值进行插补；

第二步，数据变换，方法包括归一化、离散化、指数变换或对数变换；

3.2)特征工程

对数据预处理产生的脉搏波参数进行指标生成，方式为：

方式一，数据降维,采取PCA、LDA等降维算法对脉搏波参数进行数据降维，获取建模指标；

方式二，特征选择，方案有三种，分别是

1.Filter方案的特征选择：通过考察作为自变量的脉搏波参数和作为目标变量的生理特征之间的关联，从而生成建模指标；

2.Wrapper方案的特征选择：通过目标函数来决定是否将一个脉搏波参数加入到模型中，从而生成建模指标；

3.Embedded方案的特征选择：通过机器学习对脉搏波参数自动进行特征选择，从而生成建模指标。

方式三，变量衍生，对作为原始参数的脉搏波参数进行加工，生成有意义的变量；

通过以上三种方式得到需要建立模型的指标；再对建模指标和生理特征的关系建立相应的模型；

3.3)构造数值预测模型或分类预测模型

预测分为两种场景，第一种场景是对生理特征进行数值预测；第二是对生理特征进行分类；根据不同的应用场景，构造数值预测模型或分类预测模型；

1.生理特征数值预测

生理特征是数值型变量时，根据不同的应用场景以及对建模指标和生理特征关系的理解不同，包括以下三种建模方法：

1.1参数模型预测生理特征数值

针对建模指标和生理特征的关系明确的场景，采用参数建模方法构建模型来实现对生理特征的数值预测，步骤如下：

第一步，将由建模指标和生理特征组成的数据划分为训练集和测试集；

第二步，在训练集基础上，采用交叉验证方法，通过回归方法来拟合建模指标和生理特征之间的关系；

1.2非参数模型预测生理特征数值

针对建模指标和生理特征的关系不明确的场景，采用非参数建模方法构建模型来实现对生理特征的数值预测，步骤如下：

第一步，将由建模指标和生理特征组成的数据划分为训练集和测试集；

第二步，在训练集基础上，采用交叉验证方法、通过核函数法、最近邻函数法、样条函数法或小波函数法构建非参数模型；

1.3半参数模型预测生理特征数值

针对部分建模指标和生理特征的关系明确，部分建模指标和生理特征的关系不明确的场景，采用半参数建模方法构建模型来实现对生理特征的数值预测，步骤如下：

第一步，将数据划分为训练集和测试集；

第二步，在训练集基础上，采用交叉验证方法，通过将一部分指标的参数模型和非参数模型结合构造半参数模型；

2.生理特征分类预测

生理特征是类别型变量时，对生理特征进行分类，构建分类预测模型，分类预测模型的方法分为单分类器和集成分类器两种。

2.1.方法一：单分类器

单分类器包括决策树分类器、神经网络分类器、支持向量机分类器、贝叶斯分类器以及逻辑回归分类器；

a.决策树分类器

在建模指标和生理特征存在较为明显的线性关系的情况下，采用决策树分类器对生理特征进行分类；

根据已有的建模指标和其对应生理特征组合生成生理特征数据，选取部分生理特征数据作为训练集，基于训练集，构造决策树，步骤如下：

第一步，在信息增益最大化或者基尼系数最大化的原则指导下，选择指标；

第二步，采用预剪枝或后剪枝策略，修剪决策树，最终满足损失函数最小化这一限定条件，形成最终可以对数据分类的决策树；

第三步，通过决策树实现对类别型生理特征精准分类；

b.神经网络分类器

在建模数据量大的情况下，采用神经网络分类器对生理特征进行分类；

根据已有的建模指标和其对应生理特征组合生成生理特征数据，选取部分生理特征数据作为训练集，基于训练集，构造人工神经网络；根据实际应用场景，确定神经网络的层数以及每个隐藏层神经元的个数；在确定层数和神经元个数之后，基于梯度下降等原则调节神经网络的参数，不断更新参数，直到满足终止的条件,最终满足损失函数最小化这一限定条件，从而形成最终对由建模指标和生理特征组成的数据分类的神经网络；

针对海量数据集、高维特征指标的场景，基于深度学习构造神经网络模型实现对生理特征的高效、精准判别；

c.支持向量机分类器

在建模指标维数较高，生理特征数据量较少的情况下，采用支持向量机分类器对生理特征进行分类；

根据已有的建模指标和其对应生理特征组合生成生理特征数据，选取部分生理特征数据作为训练集，基于训练集，构造支持向量机；针对不同的场景选取合适的核函数，以及惩罚参数，最终确定支持向量，以满足损失函数最小化这一限定条件，形成最终可以对生理特征分类的支持向量机；

d.贝叶斯分类器

在建模指标的相关性较小且数据指标维度较高的情况下，采用贝叶斯分类器对生理特征进行分类；

根据已有的建模指标和其对应生理特征组合生成生理特征数据，选取部分生理特征数据作为训练集，基于训练集，构造贝叶斯分类器；通过分析训练集，得到生理特征数据分布的先验概率，在后验概率最大化准则的指导下，构建将生理特征精准分类的贝叶斯分类器；

e.逻辑回归分类器

在建模指标相关性较弱，且对分类的精度要求不高的情况下，采用逻辑回归分类器作为集成分类器的基分类器，最终实现对生理特征的精准分类；

根据已有的建模指标和其对应生理特征组合生成生理特征数据，选取部分生理特征数据作为训练集，基于训练集，构造逻辑回归分类器；在满足损失函数最小化的条件下，计算逻辑回归分类器的参数，形成最终可以对生理特征分类的逻辑回归分类器；

2.2方法二：集成分类器

在单分类器对生理特征分类效果不佳的情况下，采用集成分类器来提高判断的精度。集成分类器以单个分类器为基础，通过对单个分类器的组合，形成强分类器，最终实现对数据的精准分类；

集成分类器包括Boosting类或bagging类；

Boosting集成分类器包括Adaboost、Xgboost；

a.Adaboost分类器

针对无法自行进行特征指标选择的情况，采用Adaboost分类器自动进行特征工程，并完成建模，实现生理特征的精准判别，步骤如下：

根据已有的建模指标和其对应生理特征组合而成生理特征数据，选取部分生理特征数据作为训练集，基于训练集，构造Adaboost分类器；依据Adaboost算法，不断更新训练集的样本权重和基分类器的权重，最终形成基分类器的线性组合，从而形成最终可以对生理特征数据分类的Adaboost分类器；

b.Xgboost分类器

针对需要自行构造损失函数和判别指标的生理特征分类的情况，采用Xgboost分类器对生理特征进行精准判别，步骤如下：

根据已有的建模指标和其对应生理特征组合而成生理特征数据，选取部分生理特征数据作为训练集，基于训练集，构造Xgboost分类器；设定迭代次数t，构建t个分类器；每一轮的分类器的初始值是上一轮预测值与实际值的残差；调节Xgboost的参数，最终获得强分类器，从而实现对生理特征数据的精准分类；

bagging算法主要包括随机森林等算法；针对生理特征数据量较大，特征指标较多，无法自行进行特征选择的情况，采用随机森林分类器，构建随机森林分类器的步骤如下：

根据已有的建模指标和其对应生理特征组合而成生理特征数据，选取部分生理特征数据作为训练集，基于训练集，构造随机森林分类器；设定树的棵树m，从原始训练集中抽取一部分数据，构造m个新的训练数据；从原始指标中抽取一部分建模指标，构造m个新的指标集；将新的训练数据和新的指标集对应组合，构造基分类器，最终将基分类器组合，按照投票选取的方式，形成强分类器，从而实现对生理特征数据的精准分类；

3.4)评估数值预测模型或分类预测模型

根据不同的生理特征预测要求，构建数值预测模型或分类预测模型；模型完成之后，在测试集上评价模型的质量；数值预测模型主要以预测值与实际值的误差均值和误差标准差作为评价指标；分类预测模型以实际类别和预测类别的准确率、召回率等一系列指标作为评价指标；如果模型质量无法满足实际应用要求，返回特征工程步骤，重新生成新的生理指标和新的模型；

3.5)确定和使用模型

确定生成的模型满足实际应用要求，有效存储该模型，并利用该模型对新生理特征数据进行预测。