检索历史 清除

1.一种基于机器学习的血压预测方法，其特征在于包括以下步骤： S1、利用一维卷积神经网络1D-CNN构建一个预训练的通用模型，该模型经预训练以基于脉搏波信号数据预测血压，并通过学习不同个体的脉搏波信号来提取血压预测的共性特征； S2、应用迁移学习技术，将从新用户采集的脉搏波信号数据作为校正数据集，对预先训练的通用模型进行个性化校正，以适应该新用户特有的脉搏波信号特征； S3、利用经过校正的模型和从新用户采集的脉搏波信号数据，预测新用户的血压。 2.如权利要求1所述的基于机器学习的血压预测方法，其特征在于，利用迁移学习技术对一维卷积神经网络(1D-CNN)模型进行个性化校正的过程中，采用早期停止机制来防止模型的过度拟合。 3.如权利要求1或2所述的基于机器学习的血压预测方法，其特征在于，利用迁移学习技术对一维卷积神经网络(1D-CNN)模型进行个性化校正的过程中，通过剔除CNN模型中的层来防止模型的过度拟合。 4.如权利要求1至3任一项所述的基于机器学习的血压预测方法，其特征在于，利用迁移学习技术对一维卷积神经网络(1D-CNN)模型进行个性化校正的过程中，应用L1/L2正则化，通过在损失函数中添加正则项来防止模型的过度拟合。 5.如权利要求1至4任一项所述的基于机器学习的血压预测方法，其特征在于，所述脉搏波信号数据使用来自有袖带的血压测量设备测量的数据。 6.如权利要求1至4任一项所述的基于机器学习的血压预测方法，其特征在于，所述脉搏波信号数据使用来自无袖带的血压测量设备测量的数据，所述无袖带的血压测量设备包括基于氮化镓GaN光电器件的压力传感器，所述压力传感器包括单片集成的氮化镓GaN光电器件、蓝宝石基底、柔性基板和具有微纳结构的薄膜，所述单片集成的氮化镓GaN光电器件包括发光二极管LED和光电二极管PD，所述蓝宝石基底设置在所述GaN光电器件的上方，用于实现光在LED和PD之间的全内反射，所述GaN光电器件连同所述蓝宝石基底封装在所述柔性基板上，所述具有微纳结构的薄膜设置在所述蓝宝石基底上方，在受力变形时，所述薄膜与所述蓝宝石基底之间的空气体积变小而所述薄膜与所述蓝宝石基底的接触面积增大，改变光从所述蓝宝石基底到所述薄膜的有效折射率，从而影响全内反射的条件，进而影响从LED发出并反射回PD的光量。 7.如权利要求6所述的基于机器学习的血压预测方法，其特征在于，所述薄膜为PDMS薄膜，所述PDMS薄膜的纳米结构包括爆米花状纳米结构，优选地，所述爆米花状纳米结构通过灼烧过程形成。 8.如权利要求7所述的基于机器学习的血压预测方法，其特征在于，所述PDMS薄膜的微米级结构形成蜂窝孔，与所述爆米花状纳米结构相结合，形成微纳双重结构。 9.如权利要求6至8任一项所述的基于机器学习的血压预测方法，其特征在于，所述蓝宝石基底具有直径和高度为微米级的圆顶形阵列图案。 10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序由处理器执行时实现如权利要求1-4任一项所述的基于机器学习的血压预测方法。