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

摘要

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。

说明书

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；

中值变异系数。

可选地，其中，确定所述心电信号的第二特征值包括：

确定所述心电信号中每个心跳波形；

基于两两相邻的两个心跳波形，获取两两相邻的两个心跳波形的特征值，

遍历所述心电信号的全部心跳波形，获取全部两两相邻的两个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二特征值。

可选地，其中，所述两两相邻的两个心跳波形的特征值包括以下至少一项：

两两相邻的心跳波形的PP间期；

两两相邻的心跳波形的QQ间期；

两两相邻的心跳波形的RR间期；

两两相邻的心跳波形的SS间期；

两两相邻的心跳波形的TT间期；

两两相邻的心跳波形的UU间期。

可选地，其中，所述统计值包括以下至少一项：

均方根；

中值绝对偏差；

中值变异系数；

大于50毫秒的连续间隔差异数。

可选地，其中，确定所述心电信号的第三特征值包括：

获取所述第二特征值对应的时域波形的功率频谱；

基于所述功率频谱，获取若干预设频域的功率值；

将所述若干预设频域的功率值之间的比值确定为所述心电信号的第三特征值。

可选地，其中，确定所述心电信号的第三特征值还包括：

基于所述功率频谱，计算所述功率频谱的熵值；

将所述功率频谱的熵值确定为所述心电信号的第三特征值。

可选地，所述一种用于血压预测的机器学习模型样本获取的方法还包括：

基于获取的若干历史心电信号及其对应的血压值，确定若干所述机器学习模型样本，以构建所述机器学习模型的样本集。

可选地，所述方法还包括：

基于所述样本集，训练所述机器学习模型，当所述机器学习模型的评估指标符合预设阈值，将训练后的机器学习模型确定为血压预测模型。

可选地，所述方法还包括：

确定获取的心电信号的第一特征值、第二特征值及第三特征值；

将所述心电信号的第一特征值、第二特征值及第三特征值输入所述血压预测模型，预测所述心电信号对应的血压值。

根据本申请的又一方面，还提供了一种用于血压预测的机器学习模型样本获取的装置，其中，所述装置包括：

第一模块，用于获取心电信号及其对应的血压值；

第二模块，用于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；

第三模块，用于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，所述一种用于血压预测的机器学习模型样本获取的装置还包括：

第四模块，用于基于获取的若干历史心电信号及其对应的血压值，确定若干所述机器学习模型样本，以构建所述机器学习模型的样本集。

可选地，所述装置还包括：

第五模块，用于基于所述样本集，训练所述机器学习模型，当所述机器学习模型的评估指标符合预设阈值，将训练后的机器学习模型确定为血压预测模型。

可选地，所述装置还包括：

第六模块，用于确定获取的心电信号的第一特征值、第二特征值及第三特征值；

第七模块，用于将所述心电信号的第一特征值、第二特征值及第三特征值输入所述血压预测模型，预测所述心电信号对应的血压值。

与现有技术相比，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，基于获取的若干历史心电信号及其对应的血压值，确定若干所述机器学习模型样本，以构建所述机器学习模型的样本集。并基于所述样本集训练所述机器学习模型，确定通过心电信号的多维特征值来预测血压的血压预测模型。通过该技术方案，基于心电信号的多维特征值来预测血压，具有较高的预测准确度，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训练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。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出典型心电信号波形示意图；

图2示出根据本申请一个方面的一种用于血压预测的机器学习模型样本获取的方法流程图；

图3示出根据本申请另一个方面的一种用于血压预测的机器学习模型样本获取的装置示意图；

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本发明作进一步详细描述。

在本申请一个典型的配置中，设备、装置各模块和/或可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

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。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

为更进一步阐述本申请所采取的技术手段及取得的效果，下面结合附图及可选实施例，对本申请的技术方案，进行清楚和完整的描述。

图2示出本申请一个方面的一种用于血压预测的机器学习模型样本获取的方法流程图，其中，一个实施例的方法包括：

S21获取心电信号及其对应的血压值；

S22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；

S23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。

在本申请中，所述方法通过设备100执行，其中，设备100为安装有相关计算机程序的计算机设备和/或云，所述计算机设备包括但不限于个人计算机、笔记本电脑、工业计算机、网络主机、单个网络服务器、多个网络服务器集；所述云由基于云计算(CloudComputing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。

在此，所述计算机设备和/或云仅为举例，其他现有的或者今后可能出现的设备和/或资源共享平台如适用于本申请也应包含在本申请的保护范围内，在此，以引用的方式包含于此。

在该实施例中，在所述步骤S21中，设备100获取采集自采集对象的心电信号及其对应的血压值，其中，血压值包括舒张压和收缩压两个数值，其中，获取的心电信号可以是通过专用心电信号采集设备采集后以数字格式保存的心电信号波形(电压-时间波形，即心电图)，或者是通过专用心电信号采集设备采集后传输给设备100，设备100获取后转换成数字格式的心电信号波形。其中，获取的心电信号可以是单导联心电信号，也可以是多导联心电信号，其中，为了确保可获取到足够特征信息及其对应的特征值，每个导联心电信号的采样频率不少于100Hz，心电信号至少持续25秒。其中，获取的血压值可以是在心电信号采集期间多次测量同一对象的血压值的平均值，包括舒张压的平均值和收缩压的平均值。

继续在该实施例中，在所述步骤S22中，设备100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。

其中，对步骤S21获取的心电信号波形进行处理，标注整段心电信号波形中的特征信息，确定该心电信号的第一特征值、第二特征值及第三特征值。其中，在特征信息标注完成后，需要对整段心电信号波形以及特征信息进行检验，排除掉无效的心电信号波形、心电信号波形中无效的心跳波形以及标注错误的特征信息，以确保后续确定的各类特征值的正确性。优选地，排除掉无效的心电信号波形、心电信号波形中无效的心跳波形以及标注错误的特征信息后，保留下来的正常心电信号波形中至少包括5组两两相邻的心跳波形，以保证可确定足够数量的各特征值。保留下来的正常心电信号波形中包括的两两相邻的心跳波形越多，相应地获得的各特征值的数量越多。

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。

其中，设备100获取的心电信号波形通常由若干个心跳波形组成，设备100对心电信号波形进行处理，标注整段心电信号波形中的特征信息，包括确定心电信号波形中的每个心跳波形，标注出每个心跳波形的特征信息。每个心跳波形的特征信息包括：P波、PR间期、QRS、ST段、T波、U波、TP段及QT间期等。获取每个心跳波形的各类特征信息相应的特征值，在此基础上，设备100遍历整段心电信号波形的全部心跳波形，获取全部心跳波形的各类特征信息对应的特征值各自的统计值，并将各统计值确定为该段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。

其中，每个心跳波形的特征信息包括：P波、PR间期、QRS、ST段、T波、U波、TP段及QT间期等，每个心跳波形各特征信息对应的特征值可包括：P波对应的P波时长、PR间期对应的PR间期、QRS对应的QRS时间、ST段对应的ST段时长、T波对应的T波时长、TP段对应的TP段时长、QT间期对应的QT间期及U波对应的U波时长。整段心电信号的所有心跳波形的各特征值对应的统计值可以包括：整段心电信号的所有心跳波形的P波对应的特征值P波时长的统计值、整段心电信号的所有心跳波形的PR间期对应的特征值PR间期的统计值、整段心电信号的所有心跳波形的QRS对应的特征值QRS时间的统计值、整段心电信号的所有心跳波形的ST段对应的特征值ST段时长的统计值、整段心电信号的所有心跳波形的T波对应的特征值T波时长的统计值、整段心电信号的所有心跳波形的TP段对应的特征值TP段时长的统计值、整段心电信号的所有心跳波形的QT间期对应的特征值QT间期的统计值以及整段心电信号的所有心跳波形的U波对应的特征值U波时长的统计值。

可选地，其中，所述全部心跳波形的特征值的统计值包括以下至少一项：

均方根；

中值绝对偏差；

中值变异系数。

其中，所述统计值可以是整段心电信号的所有心跳波形的各类特征信息对应的特征值各自的均方根，和/或其中值绝对偏差，和/或中值变异系数，所述统计值也可以是整段心电信号的所有心跳波形的各类型特征信息对应的特征值各自的其它统计值，在此，不做具体限定，任何适用于本申请中的整段心电信号的所有心跳波形的各类特征信息对应的特征值的统计值形式都应处于本申请的保护范围内。

可选地，其中，确定所述心电信号的第二特征值包括：

确定所述心电信号中每个心跳波形；

基于两两相邻的两个心跳波形，获取两两相邻的两个心跳波形的特征值，

遍历所述心电信号的全部心跳波形，获取全部两两相邻的两个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二特征值。

其中，设备100在对心电信号波形进行处理，标注出整段心电信号的每个心跳波形的特征信息如P波、PR间期、QRS、ST段、T波、U波、TP段及QT间期的基础上，根据两两相邻的两个心跳波形(连续的两两相邻的两个心跳波形，不允许拼接得到两两相邻的两个心跳波形)，获取两两相邻的两个心跳波形同类特征信息对应的特征值，在此基础上，设备100遍历整段心电信号波形的全部心跳波形，获取全部两两相邻的两个心跳波形的各个同类特征信息对应的特征值各自的统计值，并将各统计值确定为该段心电信号的第二特征值。

可选地，其中，所述两两相邻的两个心跳波形的特征值包括以下至少一项：

两两相邻的心跳波形的PP间期；

两两相邻的心跳波形的QQ间期；

两两相邻的心跳波形的RR间期；

两两相邻的心跳波形的SS间期；

两两相邻的心跳波形的TT间期；

两两相邻的心跳波形的UU间期。

其中，心电信号的每个心跳波形中的特征信息可以包括：P波、PR间期、QRS、ST段、T波、QT间期、TP段及U波，两两相邻的两个心跳波形各特征信息对应的特征值分别为PP间期、QQ间期、RR间期、SS间期、TT间期及UU间期，整段心电信号的所有两两相邻的两个心跳波形各特征信息对应的各特征值的统计值可以包括：所有两两相邻的两个心跳波形的P波对应的PP间期的统计值、所有两两相邻的两个心跳波形的Q点对应的QQ间期的统计值、所有两两相邻的两个心跳波形的R点对应的RR间期的统计值、所有两两相邻的两个心跳波形的S点对应的SS间期的统计值、所有两两相邻的两个心跳波形的T波对应的TT间期的统计值及所有两两相邻的两个心跳波形的U波对应的UU间期的统计值。

其中，若整段心电信号对应的心电信号波形标注的特征信息中存在异常的特征信息，需删除异常的特征信息及其所在的整个心跳波形，此种情况下，整段心电信号的心电信号波形将被分割成若干段，则分别确定这若干段心电信号波形的两两相邻的两个心跳波形的各类特征信息对应的特征值，然后汇总，确定统计值。

可选地，其中，所述全部两两相邻的两个心跳波形的特征值的统计值包括以下至少一项：

均方根；

中值绝对偏差；

中值变异系数；

大于50毫秒的连续间隔差异数。

其中，所述统计值可以是整段心电信号的所有两两相邻的两个心跳波形的各类特征信息对应的特征值的均方根，和/或其中值绝对偏差，和/或中值变异系数，和/或其中大于50毫秒的连续间隔差异数，所述统计值也可以是整段心电信号的所有两两相邻的两个心跳波形的各类特征信息对应的特征值的其它统计值，在此，不做具体限定，任何适用于本申请中的整段心电信号的所有两两相邻的两个心跳波形的各类特征信息对应的特征值的统计值形式都应处于本申请的保护范围内。

可选地，其中，确定所述心电信号的第三特征值包括：

获取所述第二特征值对应的时域波形的功率频谱；

基于所述功率频谱，获取若干预设频域的功率值；

将所述若干预设频域的功率值之间的比值确定为所述心电信号的第三特征值。

在心电信号研究领域，两两相邻的心跳波形的PP间期、QQ间期、RR间期、SS间期、TT间期和/或UU间期等本申请中所述的第二特征值对应的时域波形可以反映采集对象的人体交感与副交感神经的活性，因此，第二特征值对应的时域波形，与心电信号的时域波形相比较，更能体现与血压(舒张压及收缩压)等其它生理指标的关联性。第二特征值对应的时域波形的功率频谱反映的是第二特征值对应的时域波形速度的频率分布，可以从其功率频谱中获取更多的特征用于本申请中所述的机器学习模型。

其中，在获取所述第二特征值对应的时域波形的功率频谱之前，若整段心电信号对应的心电信号波形标注的特征信息中存在异常的特征信息，需删除异常的特征信息及其所在的整个心跳波形，此种情况下，整段心电信号的心电信号波形将被分割成若干段，分别获取这若干段心电信号波形中的第二特征值对应的时域波形的功率频谱，然后将获得的各功率频谱进行叠加。

结合第二特征值对应的时域波形的特点，将第二特征值对应的时域波形转换成功率频谱后，功率频谱的大部分能量(功率)集中在0.04～0.15赫兹(Hz)的频域范围内，为了便于后续机器学习模型的学习，可将此频域范围划分成若干预设频域，获取每个预设频域内的功率值，其中，各预设频域内的功率值之和归一化后为1。将各预设频域内的功率值的比值确定为所述心电信号的第三特征值。比如，可按如下划分预设频域：VLF(Very LowFrequency，甚低频)，低于0.04Hz；LF(Low Frequency，低频)，0.04～0.15Hz(含两端点)；HF(High Frequency，高频)，大于0.15Hz，其中，设这三个预设频域内的功率值归一化后分别为P1、P2及P3，P1+P2+P3＝1，P1/P2＝a，P2/P3＝b，P1/P3＝c，可将a、b及c确定为所述心电信号的第三特征值。

为了获得预测准确率更高的血压预测模型，可选地，其中，确定所述心电信号的第三特征值还包括：

基于所述功率频谱，计算所述功率频谱的熵值；

将所述功率频谱的熵值确定为所述心电信号的第三特征值。

其中，在获取整段心电信号波形中所有正常心跳信号波形的功率频谱后，还计算该功率平铺的熵值，并将该功率频谱的熵值也确定为所述心电信号的第三特征值，即，第三特征值可以包括：所述心电信号的功率频谱在若干预设频域内的功率值的比值，以及该功率频谱的熵值。

继续在该实施例中，在所述步骤S23中，设备100将在步骤S21中与心电信号同期获取的血压值确定为在步骤S22中确定的该心电信号的第一特征值、第二特征值及第三特征值的标签，并将该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，其中，所述血压值包括舒张压和收缩压两个数值。

可选地，所述实施例的方法还包括：

S24(未示出)获取若干历史心电信号及其对应的血压值，采用上述实施例的方法来确定若干所述机器学习模型样本，以构建所述机器学习模型的样本集，用于所述机器学习模型的训练。

其中，为了使得机器学习模型的样本具有更广泛的多样性，以使得训练后的机器学习模型适用不同人群，所选的样本集中的样本的血压值应该涵盖不同血压值范围，比如：对应舒张压<60mmHg(毫米汞柱)、收缩压<90mmHg的样本；舒张压为60～79mmHg、收缩压为90～119mmHg的样本；舒张压为80～89mmHg、收缩压为120～139mmHg的样本及舒张压>89mmHg、收缩压>139mmHg的样本，不同血压值范围的样本在样本集中的数量可以基本相同，比如，上述四组血压值范围的样本在样本集中的占比各为25％。在此基础上，还可以基于不同性别、年龄段的采集对象来采集心电信号及其对应的血压，比如，对应舒张压<60mmHg、收缩压<90mmHg的样本，可以是分别按性别(男性和女性)、年龄段(比如：18～30岁、31～60岁及61岁以上)采集不同采集对象的心电信号及其同期的血压值得到的。不同性别、各年龄段的样本在样本集中的数量也应该基本相同。

其中，若采集的原始心电信号和/或其对应的血压值异常，比如，获取的心电信号持续时间少于25秒、无法根据获取的心电信号确定足够的特征点来获得其第一特征值、第二特征值，则放弃该原始心电信号及其对应的血压值。

其中，所选的样本集中的样本的第一特征值、第二特征值中包括的特征值越多，训练机器学习模型后得到的血压预测模型的预测准确度越高。

可选地，所述实施例的方法还包括：

S25(未示出)基于所述样本集，训练所述机器学习模型，当所述机器学习模型的评估指标符合预设阈值，将训练后的机器学习模型确定为血压预测模型。

其中，一个可选实施例中，所述机器学习模型可以是多元线性回归模型。多元线性回归模型可用如下公式表达：

y＝b

其中，b

在本可选实施例中，该多元线性回归模型可用如下公式表达：

s＝a

其中，a

利用样本集中的样本，可以采用SVM(Support Vector Machines，支持向量机)、SGD(Stochastic Gradient Descent，随机梯度下降)等方法来训练上述多元线性回归模型，基于预设的多元线性回归模型的评估指标阈值，来确定该多元线性回归模型的常数项及各偏回归系数，并将符合评估指标阈值的训练后的多元线性回归模型确定为血压预测模型。其中，基于上述样本集中的样本，采用样本中的心电信号的第一特征值、第二特征值、第三特征值及血压值的舒张压标签，对该多元线性回归模型进行训练，当训练后的多元线性回归模型的评估指标符合预设阈值，将训练后的多元线性回归模型确定为用于预测血压值的舒张压的血压预测模型；基于上述样本集中的样本，采用样本中的心电信号的第一特征值、第二特征值、第三特征值及血压值的收缩压标签，对该多元线性回归模型进行训练，当训练后的多元线性回归模型的评估指标符合预设阈值，将训练后的多元线性回归模型确定为用于预测血压值的收缩压的血压预测模型。

其中，所述多元线性回归模型的评估指标是用来评估该多元线性回归模型拟合度的指标，该评估指标可以是回归值的MSE(Mean Squared Error，均方误差)，也可以是回归值的RMSE(Root Mean Squared Error，均方根误差)，当评估指标符合预设阈值，表明基于样本集训练后的多元线性回归模型的拟合度满足要求，可将训练后的多元线性回归模型确定为血压预测模型。如果基于样本集多次迭代训练后的多元线性回归模型的评估指标无法满足预设阈值，可以将最优评估指标对应的训练后的多元线性回归模型确定为血压预测模型，比如，如采用MSE作为评估指标，则将MSE最小的训练后的多元线性回归模型确定为血压预测模型。

其中，另一个可选实施例中，所述机器学习模型还可以是随机森林回归模型，基于样本集做多次放回样本的抽样，获得多个子样本集，然后基于多个子样本集中各样本的第一特征值、第二特征值及第三特征值，分别对随机森林回归模型进行连续的决策与机会节点训练，生成各自对应的决策树，其中，每个决策树输出一个结果，再基于多个子样本集中的标记，对每个决策树进行投票，根据投票结果，将评估指标满足预设阈值的决策树对应的随机森林回归模型确定为血压预测模型。其中，基于多个子样本集中血压值的舒张压标签，对每个决策树进行投票，根据投票结果，将评估指标满足预设阈值的决策树对应的随机森林回归模型确定为用于预测血压值的舒张压的血压预测模型；基于多个子样本集中血压值的收缩压标签，对每个决策树进行投票，根据投票结果，将评估指标满足预设阈值的决策树对应的随机森林回归模型确定为用于预测血压值的收缩压的血压预测模型。

可选地，上述实施例的方法还包括：

S26(未示出)确定获取的心电信号的第一特征值、第二特征值及第三特征值；

S27(未示出)将所述心电信号的第一特征值、第二特征值及第三特征值输入所述血压预测模型，预测所述心电信号对应的血压值。

其中，设备100获取采集对象的一段持续时间不少于25秒、包含若干完整心跳波形的心电信号，参照前述实施例的方法确定其特征点，获得其第一特征值、第二特征值及第三特征值，然后将获得的该心电信号的第一特征值、第二特征值及第三特征值输入上述用于预测血压值的舒张压的血压预测模型，以预测该心电信号对应的血压舒张压数值；将获得的该心电信号的第一特征值、第二特征值及第三特征值输入上述用于预测血压值的收缩压的血压预测模型，以预测该心电信号对应的血压收缩压数值。

图3示出根据本申请另一个方面的一种用于血压预测的机器学习模型样本获取的装置示意图，其中，一个实施例的所述装置包括：

第一模块31，用于获取心电信号及其对应的血压值；

第二模块32，用于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；

第三模块33，用于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。

在该实施例中，所述装置用于实施前述实施例的方法，所述装置集成在与前述设备100软硬件配置环境相同的设备中。

其中，该装置的第一模块31获取采集自采集对象的心电信号及其对应的血压值，其中，血压值包括舒张压和收缩压两个数值，其中，获取的心电信号可以是通过专用心电信号采集设备采集后以数字格式保存的心电信号波形(电压-时间波形，即心电图)，或者是通过专用心电信号采集设备采集后传输给该装置，该装置获取后转换成数字格式的心电信号波形。其中，获取的心电信号可以是单导联心电信号，也可以是多导联心电信号，其中，为了确保可获取到足够特征信息及其对应的特征值，每个导联心电信号的采样频率不少于100Hz，至少持续25秒的心电信号。其中，获取的血压值可以是在心电信号采集期间多次测量同一对象的血压值的平均值，包括舒张压的平均值和收缩压的平均值。

该装置的第二模块32对第一模块31中获取的心电信号波形进行处理，标注整段心电信号波形中的特征信息，确定该心电信号的第一特征值、第二特征值及第三特征值。其中，在特征信息标注完成后，需要对整段心电信号波形以及特征信息进行检验，排除掉无效的心电信号波形、心电信号波形中无效的心跳波形以及标注错误的特征信息，以确保后续确定的各类特征值的正确性。

该装置的第三模块33将在第一模块31中与心电信号同期获取的血压值确定为在第二模块32中确定的该心电信号的第一特征值、第二特征值及第三特征值的标签，并将该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，其中，所述血压值包括舒张压和收缩压两个数值。

进一步地，所述装置还包括第四模块34(未示出)，用于获取若干历史心电信号及其对应的血压值，采用上述实施例的方法来确定若干所述机器学习模型样本，以构建所述机器学习模型的样本集，用于所述机器学习模型的学习。

进一步地，所述装置还包括第五模块35(未示出)，用于基于第四模块34中构建的所述样本集，训练所述机器学习模型，当所述机器学习模型的评估指标符合预设阈值，将训练后的机器学习模型确定为血压预测模型。其中，基于上述样本集中的样本，采用样本中的心电信号的第一特征值、第二特征值、第三特征值及血压值的舒张压标签，对该机器学习模型进行训练，当训练后的机器学习模型的评估指标符合预设阈值，将训练后的机器学习模型确定为用于预测血压值的舒张压的血压预测模型；基于上述样本集中的样本，采用样本中的心电信号的第一特征值、第二特征值、第三特征值及血压值的收缩压标签，对该机器学习模型进行训练，当训练后的机器学习模型的评估指标符合预设阈值，将训练后的机器学习模型确定为用于预测血压值的收缩压的血压预测模型。

进一步地，所述装置还包括第六模块36(未示出)，用于获取采集对象的心电信号，确定该心电信号的第一特征值、第二特征值及第三特征值，并将该心电信号的第一特征值、第二特征值及第三特征值输入所述血压预测模型，预测所述心电信号对应的血压值。将心电信号的第一特征值、第二特征值、第三特征值输入预测血压值的舒张压的血压预测模型，获得血压舒张压预测值；将心电信号的第一特征值、第二特征值、第三特征值输入预测血压值的收缩压的血压预测模型，获得血压收缩压预测值。

根据本申请的又一方面，还提供了一种计算机可读介质，所述计算机可读介质存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。

需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备运行基于前述根据本申请的多个实施例的方法和/或技术方案。

根据本申请的又一方面，还提供了一种用于用于血压预测的机器学习模型样本获取的设备，其中，该设备包括：

一个或多个处理器；以及

存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述方法的操作。

例如，计算机可读指令在被执行时使所述一个或多个处理器：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，其中，所述心电信号的第一特征值包括所述心电信号的全部心跳波形的特征值的统计值，所述心电信号的第二特征值包括所述心电信号各段连续正常心电信号波形中，全部两两相邻的两个心跳波形的特征值的统计值，所述心电信号的第三特征值包括所述心电信号对应的功率频谱中若干预设频段的功率之间的比值，还包括所述功率频谱的熵值；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，基于获取的若干历史心电信号及其对应的血压值，采用上述方法确定若干所述机器学习模型样本，以构建所述机器学习模型的样本集。进一步地，基于所述样本集，训练所述机器学习模型，当所述机器学习模型的评估指标符合预设阈值，将训练后的机器学习模型确定为血压预测模型。进一步地，确定获取的心电信号的第一特征值、第二特征值及第三特征值；将所述心电信号的第一特征值、第二特征值及第三特征值输入所述血压预测模型，预测所述心电信号对应的血压值。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件和/或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。