具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI人工智能 血压的测量和预测是心脏病患者和有心脏问题的人的一个重要条件，应该保持持续的控制。在这项研究中，基于从使用袖带的个体获得的振荡波形，振荡波形分为三个周期。第一个周期是从起点到收缩压(SBP)，第二个周期是从收缩压(SBP)到舒张压(DBP)之间，第三个周期是从舒张压(DBP)到波形结束之间。在数据集中，收缩压点对应的拍的属性标记为1，舒张压点对应的拍的属性标记为2。其他节拍用0标记。在这项研究中，数据集首先被重新标记。收缩期搏动标记为1，收缩期到舒张期的搏动标记为2，舒张期到结束标记为3。重新标记后，350个测量值，300个测量值分为训练数据子集，50个测量值分为测试数据子集。用300个子集训练分类器，生成分类器模型。利用生成的模型对测试数据子集中的脉冲序列进行分类。在发现的标签系列中，将前1至2个标签标记为收缩压点，最后2至3个标签标记为舒张压点，并估计相应的袖带压力为收缩压和舒张压值。通过对这些时间段进行分类，收缩压(SBP)和舒张压(DBP)值使用三种分类算法进行估计，包括k近邻(kNN)、加权k近邻(WkNN)和Bagged Trees算法。为了评估预测算法的性能，使用了四种不同的性能指标，包括MAE(平均绝对误差)、MSE(均方误差)、RMSE(均方根误差)和R2。对于使用kNN算法、加权kNN和Bagged Trees估计SBP值，得到的MAEs分别为3.590、3.520和4.499。利用kNN算法、加权kNN算法和Bagged树算法估计DBP值，得到的MAEs分别为11.077、11.032和13.069。实验结果表明，该方法可以作为一种新的方法用于血压的估计.

从示波法中找到SBP和DBP点的图形表示：（a）袖带压力（CP）；（b） 示波；（c） 示波包络（OMW） 在本研究中，使用了 BP Data-UNSW 数据集 [1]。数据集总共包含 350 条记录。该选择是从 155 名受试者收集的 643 条记录中选出的， 没有任何噪音或运动伪影。记录过程中，袖口压力、示波波形和以 500 Hz 采样的柯氏音。该数据集由 9个特征组成。这些特征在表 1 中给出。 数据集中的第一行显示了标签。 SBP 和 DBP 点分别标记为 1 和 2。其他点标记为 0。在预处理步骤中，找到了示波波的包络，并且特征被提取出来。 SBP和DBP点由柯氏音确定。然而，由于没有根据确定 DBP 点的标准，对检测到的点进行目视检查 。示波波与袖带压力的波形如图 3 所示。在该图中，蓝线用长示波波形标准化，红线用长示波波形标准化是袖带压力。绿色区域代表收缩前区域，黄色区域代表收缩点和舒张点之间的区域，紫色区域代表舒张后区域。 虽然血压估计是一个回归问题，但在本研究中它被转化为分类问题。除了数据集中给出的收缩压和舒张压点标签外，它们还被重新标记为收缩压前、收缩压和舒张压之间以及舒张压后。研究中使用的框图如图4所示。 使用示波波获得的数据集，首先重新标记示波波包络。使用的标签在表2中给出。 图 5 显示了根据特征的类别分布。可以清楚地看到，类根据特征交织在一起。数据集分为训练子集和测试子集。 300 名受试者被定义为训练，50 名受试者被定义为测试子 集。首先，分类器针对每个类别进行训练，并为测试数据子集生成模型. 。

图 6 给出了样本测量过程的实际值和 预测值。对血压测量周期中发生的所有心跳进行类别估计.

本研究使用了三种不同的分类算法。它们是 k 近邻 (kNN)、加权 kNN (WkNN) 和Bagged Trees。k 近邻 (kNN)该分类器是一种非参数惰性学习算法。在该算法中，测量新数据和训练数据之间的距离，并将新数据标记为K最近类别的值。加权 kNN (WkNN)该分类器的工作方式为 kNN。 WkNN 距离根据特征进行加权。权重是在数据训练期间确定的。因此，每个邻居对邻域得分都有不同程度的贡献。Bagged Trees这种方法基本上是一种集成决策树结构。每个决策树评估数据，并根据所有估计做出最终决策. 。

最后此篇关于一种新的基于机器学习的示波法血压估计方法，开源、低功耗、低成本的人工智能软硬件提供者的文章就讲到这里了,如果你想了解更多关于一种新的基于机器学习的示波法血压估计方法，开源、低功耗、低成本的人工智能软硬件提供者的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。