血压监测轨迹的分析方法、装置、电子设备及存储介质与流程

1.本公开涉及健康监测技术领域，尤其涉及一种血压监测轨迹的分析方法、装置、电子设备及存储介质。


背景技术：

2.随着我国逐步进入老龄化社会，高血压患病率逐年增加，有研究表明，我国约67％的老年人患有高血压，这与老年身体特征有一定的关系，如何降低老年人高血压的发生率，控制老年高血压患者血压平稳波动，减少心脑血管意外事件的发生，是临床长期研究的问题。正常人体血压随着时间、环境的改变，呈现出节律性动态变化，上午高于下午，白天高于夜晚，血压波动曲线呈长杓状，即为杓型血压。但老年人心功能减退，动脉血管粥样硬化，血管内皮受损，动脉顺应性降低，内分泌系统功能紊乱，体液免疫因子及内皮微粒和内皮素等影响血压因子分泌异常，血管压力感受器对血压调节敏感性下降，使24小时血压呈较高状态，且夜间血压下降不明显，甚至有些老年人夜间血压不降反升，或者下降大于全天血压的20％，临床上称之为非杓型血压。此类血压使机体长期处于高负荷状态，对心、脑、肾和血管等靶向器官有严重的损害倾向，特别是对心、脑血管的危害最大，增加心脑血管意外事件发生率。
3.虽然国内外有关于血压节律的研究，但目前还没有自动可以分析24小时血压监测轨迹的系统。


技术实现要素：

4.有鉴于此，本公开的目的在于提出一种血压监测轨迹的分析方法、装置、电子设备及存储介质。
5.基于上述目的，第一方面，本公开实施例提供了一种血压监测轨迹的分析方法，所述分析方法基于可穿戴设备，所述分析方法包括：
6.通过可穿戴设备获取用户的第一生理数据；其中，所述第一生理数据至少包括血压；
7.对所述第一生理数据进行预处理，得到第二生理数据；
8.利用特征提取模型，根据所述第二生理数据得到生理特征数据集；
9.利用轨迹分析模型，根据所述生理特征数据集得到轨迹风险等级；其中，所述特征提取模型和所述轨迹分析模型为机器学习模型。
10.进一步地，所述特征提取模型和所述轨迹分析模型通过经典机器学习算法、深度学习算法、图计算、nlp、集成学习算法构建得到。
11.进一步地，通过蓝牙传输所述第一生理数据。
12.进一步地，所述特征提取模型和所述轨迹分析模型运行在kubernetes集群中。
13.进一步地，所述kubernetes集群中包括不同用户的namespace空间。
14.第二方面，本公开实施例提供了一种血压监测轨迹的分析装置，包括：
15.获取模块，被配置为：通过可穿戴设备获取用户的第一生理数据；其中，所述第一生理数据至少包括血压；
16.预处理模块，被配置为：对所述第一生理数据进行预处理，得到第二生理数据；
17.特征模块，被被配置为：利用特征提取模型，根据所述第二生理数据得到生理特征数据集；
18.风险模块，被被配置为：利用轨迹分析模型，根据所述生理特征数据集得到轨迹风险等级；其中，所述特征提取模型和所述轨迹分析模型为机器学习模型。
19.进一步地，所述特征提取模型和所述轨迹分析模型通过经典机器学习算法、深度学习算法、图计算、nlp、集成学习算法构建得到。
20.进一步地，通过蓝牙传输所述第一生理数据。
21.第三方面，本公开实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面的所述分析方法。
22.第四方面，本公开实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如第一方面所述分析方法。
23.从上面所述可以看出，本公开提供的血压监测轨迹的分析方法、装置、电子设备及存储介质，通过可穿戴设备获取用户的第一生理数据；其中，所述第一生理数据至少包括血压；对所述第一生理数据进行预处理，得到第二生理数据；利用特征提取模型，根据所述第二生理数据得到生理特征数据集；利用轨迹分析模型，根据所述生理特征数据集得到轨迹风险等级；其中，所述特征提取模型和所述轨迹分析模型为机器学习模型。借助可穿戴设备24小时随身动态监测血压，能为用户提供专业的24小时动态血压报告，以避免单次血压测量的偶然性和盲目性，可以通过智能手机实现“无线传输、智能诊断、云端同步”的效果。
附图说明
24.为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1为本公开实施例提供的一种血压监测轨迹的分析方法的流程示意图；
26.图2为本公开实施例提供的一种血压监测轨迹的分析方法的链路示意图；
27.图3为本公开实施例提供的一种血压监测轨迹的分析装置的结构示意图；
28.图4为本公开实施例提供的电子设备的结构示意图。
具体实施方式
29.为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
30.需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第
一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
31.鉴于背景技术中提到的技术问题，本公开实施例提供一种血压监测轨迹的分析方法，所述分析方法基于可穿戴设备。
32.如图1所示，所述分析方法包括：
33.步骤s101：通过可穿戴设备获取用户的第一生理数据；其中，所述第一生理数据至少包括血压；
34.步骤s103：对所述第一生理数据进行预处理，得到第二生理数据；
35.步骤s105：利用特征提取模型，根据所述第二生理数据得到生理特征数据集；
36.步骤s107：利用轨迹分析模型，根据所述生理特征数据集得到轨迹风险等级；其中，所述特征提取模型和所述轨迹分析模型为机器学习模型。
37.在一些实施例中，所述特征提取模型和所述轨迹分析模型通过经典机器学习算法、深度学习算法、图计算、nlp、集成学习算法构建得到。
38.在一些实施例中，通过蓝牙传输所述第一生理数据。
39.在一些实施例中，所述特征提取模型和所述轨迹分析模型运行在kubernetes集群中。
40.在一些实施例中，所述kubernetes集群中包括不同用户的namespace空间。
41.在一些实施例中，如图2所示，数据处理部分通过datacanvas aps机器学习(以下简称aps)进行分析。aps提供一站式模型建设全工作周期的服务能力，包括但不限于数据源接入、数据集管理、数据预处理、模型训练、模型自学习、模型评估、模型发布、模型部署、模型监控、模型预测、模型管理、全服务监控等等。各功能模块需有可视化界面，友好易用，并方便系统功能的扩展及维护。
42.以下本公开的实施例进行示例性说明：
43.①
总体逻辑架构
44.结合多个国内外互联网和金融机构大型项目在此领域的需求和实现，沉淀出既有的框架和产品datacanvas aps作为基础系统产品，并在此之上通过敏捷定制化开发，满足课题研发要求。
45.系统底层利用docker容器技术进行封装，所有功能均采用容器化模块化封装设计，保证系统的集成性、扩展性和易用性。
46.②
系统基础架构
47.aps采用开放式基础架构设计，在开发语言、机器学习/深度学习、资源调度、数据存储等方面都以开放的架构进行设计，能够快速适配个性化需求，可根据具体需求对aps进行完善、增强。
48.在基础设施层面，aps出厂支持多种主流机器学习/深度学习框架，并根据具体需要定制私有开发环境；同时，aps还支持多种主流数据存储系统、多种资源调度与容器编排系统、支持cpu/gpu计算。
49.模型开发方面，aps内置丰富的预置算子并提供相应源代码，可以使用python、r、pyspark等语言开发自定义算子。
50.自动建模层面，aps出厂内置图像识别、时序预测、通用场景等多种应用场景，同时提供开发接口，可根据具体需求开发个性化应用场景。
51.模型服务方面，aps支持pmml、pkl、h5、onnx等多种模型上线，允许导出模型或导出sdk，最大化模型的利用率。
52.③
系统部署架构
53.aps运行在kubernetes集群中(集群模式或单机模式)，在生产环境中建议采用3台以上服务器部署，通过kubernetes对物理服务器的计算资源与存储空间进行统一调度，可以最大限度提高服务器的物理资源利用率。在集群模式下，kubernetes自身及数据库等核心组件将以高可用的方式进行部署，单台服务器故障不会影响系统整体运行,保证aps系统稳定性并持续提供服务。在实验环境中，也可采用一台服务器部署单节点的aps，此时kubernetes自身及数据库等核心组件不支持高可用，服务器故障将导致aps不可用。
54.逻辑上，aps在kubernetes集群中为不同的用户创建namespace，并对计算资源和存储空间进行隔离。这些namespace分别用于数据分析与探索、算子调试、模型训练、模型服务等，各个namespace的资源限额可以在用户创建时配置。
55.④
系统模型服务架构
56.通过aps训练得到的模型都保存在模型仓库中，可根据实际需求将模型部署为在线服务，或利用aps的模型导入/导出功能进行模型交换与利用。
57.对于在线模型服务，aps根据模型的类别提供与之适配的java或python运行环境；业务系统可通过rest、grpc、mq、batch等方式调用模型服务所提供的接口进行数据预测。
58.对于无法直接访问aps模型服务的系统或者需要进行大批量数据预测的场景，aps允许将模型以sdk的方式导出，sdk中包含有模型数据及相应的开发接口。以java开发的业务系统可直接调用sdk中的api进行数据预测；而基于hive或spark的应用则可以将导出的sdk注册为udf，并在hiveql或sparksql中调用这些udf。
59.本公开实施例的优势：
60.系统底层利用docker容器技术进行封装，所有功能均采用容器化模块化封装设计，保证系统的集成性、扩展性和易用性。集成经典机器学习算法、深度学习算法、图计算、nlp、集成学习等算法，引入spark ml、keras、caffe、tensorflow、h2o、mxnet等算法框架，并在系统开放性上着重考虑，为未来引入新的算法体系奠定基础。
61.(1)赋能：企业数据科学工程化能力，拖拽式流程化建模、引导式建模、automl自动机器学习建模，搭建ai模型生产的流水线。
62.(2)积累：模块化代码封装发布，一次编辑多次调用，实现持续的模块丰富，标签化模块调用管理。
63.(3)低门槛：图形化数据探索工具，开箱即用的算子模块，拖拽式建模方式，降低建模门槛；功能化封装，无需关注底层技术，降低技术门槛。
64.(4)高效率：高凝聚力的团队协同作业，模块、应用工作流复用，流程调试功能，降低重复工作提升工作效率。
65.(5)高扩展：异构多引擎融合架构实现灵活的底层技术支持，openapi实现开放性接口调用，提高系统扩展性。
66.(6)高上线：提供灵活的数据访问和模块编码方式，提供ide和工具链集成，提高系
统拓展上线。
67.(7)安全可靠：完备的用户管理和权限管理系统，从系统功能、数据资源、计算资源、模型等多个层面进行全面的授权管理，提升系统的安全性和可靠性。
68.需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
69.需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
70.基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种血压监测轨迹的分析装置。
71.参考图3，所述分析装置，包括：
72.获取模块301，被配置为：通过可穿戴设备获取用户的第一生理数据；其中，所述第一生理数据至少包括血压；
73.预处理模块303，被配置为：对所述第一生理数据进行预处理，得到第二生理数据；
74.特征模块305，被被配置为：利用特征提取模型，根据所述第二生理数据得到生理特征数据集；
75.风险模块307，被被配置为：利用轨迹分析模型，根据所述生理特征数据集得到轨迹风险等级；其中，所述特征提取模型和所述轨迹分析模型为机器学习模型。
76.在一些实施例中，所述特征提取模型和所述轨迹分析模型通过经典机器学习算法、深度学习算法、图计算、nlp、集成学习算法构建得到。
77.在一些实施例中，通过蓝牙传输所述第一生理数据。
78.为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
79.上述实施例的装置用于实现前述任一实施例中相应的分析方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
80.基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的分析方法。
81.图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
82.处理器1010可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方
案。
83.存储器1020可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
84.输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
85.通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
86.总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
87.需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
88.上述实施例的电子设备用于实现前述任一实施例中相应的分析方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
89.基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的分析方法。
90.本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
91.上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的分析方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
92.所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
93.另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下
事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
94.尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
95.本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

技术特征：
1.一种血压监测轨迹的分析方法，其特征在于，所述分析方法基于可穿戴设备，所述分析方法包括：通过可穿戴设备获取用户的第一生理数据；其中，所述第一生理数据至少包括血压；对所述第一生理数据进行预处理，得到第二生理数据；利用特征提取模型，根据所述第二生理数据得到生理特征数据集；利用轨迹分析模型，根据所述生理特征数据集得到轨迹风险等级；其中，所述特征提取模型和所述轨迹分析模型为机器学习模型。2.根据权利要求1所述的分析方法，其特征在于，所述特征提取模型和所述轨迹分析模型通过经典机器学习算法、深度学习算法、图计算、nlp、集成学习算法构建得到。3.根据权利要求1所述的分析方法，其特征在于，通过蓝牙传输所述第一生理数据。4.根据权利要求1所述的分析方法，其特征在于，所述特征提取模型和所述轨迹分析模型运行在kubernetes集群中。5.根据权利要求4所述的分析方法，其特征在于，所述kubernetes集群中包括不同用户的namespace空间。6.一种血压监测轨迹的分析装置，其特征在于，包括：获取模块，被配置为：通过可穿戴设备获取用户的第一生理数据；其中，所述第一生理数据至少包括血压；预处理模块，被配置为：对所述第一生理数据进行预处理，得到第二生理数据；特征模块，被被配置为：利用特征提取模型，根据所述第二生理数据得到生理特征数据集；风险模块，被被配置为：利用轨迹分析模型，根据所述生理特征数据集得到轨迹风险等级；其中，所述特征提取模型和所述轨迹分析模型为机器学习模型。7.根据权利要求6所述的装置，其特征在于，所述特征提取模型和所述轨迹分析模型通过经典机器学习算法、深度学习算法、图计算、nlp、集成学习算法构建得到。8.根据权利要求6所述的装置，其特征在于，通过蓝牙传输所述第一生理数据。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任意一项所述的方法。10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行权利要求1至5任一所述方法。

技术总结
本公开提供一种血压监测轨迹的分析方法、装置、电子设备及存储介质。具体地，所示分析方法包括通过可穿戴设备获取用户的第一生理数据；其中，所述第一生理数据至少包括血压；对所述第一生理数据进行预处理，得到第二生理数据；利用特征提取模型，根据所述第二生理数据得到生理特征数据集；利用轨迹分析模型，根据所述生理特征数据集得到轨迹风险等级；其中，所述特征提取模型和所述轨迹分析模型为机器学习模型。借助可穿戴设备24小时随身动态监测血压，能为用户提供专业的24小时动态血压报告，以避免单次血压测量的偶然性和盲目性，可以通过智能手机实现“无线传输、智能诊断、云端同步”的效果。的效果。的效果。


技术研发人员：冯英 李新水 赵银萍 温凯 王士全
受保护的技术使用者：国网信息通信产业集团有限公司
技术研发日：2022.12.05
技术公布日：2023/8/24