[发明专利]一种用于血压预测的机器学习模型样本获取的方法及装置

说明书

本申请通过一种用于血压预测的机器学习模型样本获取的技术方案，获取心电信号及其对应的血压值；确定所述心电信号的第一特征值、第二特征值及第三特征值；将所述血压值确定为所述心电信号的第一特征值、第二特征值及第三特征值的标签，并将所述心电信号的第一特征值、第二特征值、第三特征值及所述标签确定为所述机器学习模型样本。进一步地，基于若干所述样本，构建所述机器学习模型的样本集，所述机器学习模型基于所述样本集进行学习，确定血压预测模型。该方案可以通过心电信号的多维特征值来预测血压，无需再单独测量，提升了用户体验，而且基于多样性的样本集确定的血压预测模型可用于对不同人的心电信号进行血压预测，具有普遍适用性。

技术领域

本申请涉及心电信号处理技术领域，尤其涉及一种用于血压预测的机器学习模型样本获取的技术。

背景技术

心电信号是一种周期性信号，具有频率、振幅(或功率)和相位等要素，易于检测，具有较直观的规律性，是人类最早研究并应用于医学临床的一种生物电信号。典型的心电信号波形如图1所示，x轴为以毫秒(mS)为单位的时间(T)，y轴为以毫伏特(mV)为单位的电压(V)，可被认为是由一系列不同频率、振幅和相位的正弦波精确叠加而成的。

以前主要是临床医生人工分析心电信号，这无疑是费时费力且可靠性不高。随着计算机技术迅速发展，特别是随着人工智能技术的迅速发展，出现越来越多的采用机器学习技术对心电信号进行分析的方法，提取心电信号的特征，可以通过机器学习模型进行自动分析，获取与心电信号对应的人体生理指标，比如，可通过经过学习的机器学习模型来预测与心电信号对应的血压。

现有通过学习后的机器学习模型来预测与心电信号对应的血压方法，只基于心电信号的个别参数进行数值处理、提取特征值，构建的机器学习模型需要针对每个人的血压单独建立模型函数，不具有普遍性。

发明内容

本申请的目的是提供一种用于血压预测的机器学习模型样本获取的技术方案，用以构建适用于不同人的一种基于心电信号的多维特征值来预测血压的机器学习模型。

根据本申请的一个方面，提供了一种用于血压预测的机器学习模型样本获取的方法，其中，所述方法包括：

获取心电信号及其对应的血压值；

确定所述心电信号的第一特征值、第二特征值及第三特征值；

将所述血压值确定为所述心电信号的第一特征值、第二特征值及第三特征值的标签，并将所述心电信号的第一特征值、第二特征值、第三特征值及所述标签确定为所述机器学习模型样本。

可选地，其中，确定所述心电信号的第一特征值包括：

确定所述心电信号中每个心跳波形；

基于每个心跳波形，获取每个心跳波形的特征值，

遍历所述心电信号的全部心跳波形，获取全部心跳波形的特征值的统计值，并将所述统计值确定为所述心电信号的第一特征值。

可选地，其中，所述每个心跳波形的特征值包括以下至少一项：

每个心跳波形的P波时长；

每个心跳波形的PR间期；

每个心跳波形的QRS时间；

每个心跳波形的ST段时长；

每个心跳波形的T波时长；

每个心跳波形的TP段时长；

每个心跳波形的QT间期；

每个心跳波形的U波时长。

可选地，所述统计值包括以下至少一项：

均方根；

中值绝对偏差；