血压连续测量预测方法、装置、设备及存储介质

本申请涉及深度学习，尤其涉及一种血压连续测量预测方法、装置、设备及存储介质。背景技术：1、在当前医疗健康领域，血压作为评估个体心血管健康状况的重要指标，其准确测量与连续监测对于高血压及相关心血管疾病的预防、诊断和治疗至关重要。然而，传统的血压测量方法大多依赖于间断性的手动测量或使用自动血压监测设备在固定时间点进行测量，这些方法往往无法捕捉到血压在一天中的动态变化，也难以实时监测和预测潜在的血压异常变化，限制了对个体血压状况的全面了解。2、随着可穿戴技术和智能医疗设备的快速发展，实现对个体血压的实时连续监测成为可能。然而，由于血压受到多种内外因素的影响，其动态变化呈现出复杂的非线性特征，这对血压监测数据的分析和处理提出了更高的要求。如何从连续采集的血压数据中准确预测血压状态，特别是及时识别血压异常波动，成为一个亟待解决的问题。此外，个体之间以及同一个体在不同条件下的血压反应存在显著差异，这要求血压预测方法不仅能够处理复杂的数据特征，还需具备高度的个性化和适应性。然而，现有的血压监测和预测方法往往忽略了个体特异性和环境因素的影响，难以达到精准预测和个性化健康管理的需求。技术实现思路1、本申请提供了一种血压连续测量预测方法、装置、设备及存储介质，用于提高血压连续测量预测的准确率。2、第一方面，本申请提供了一种血压连续测量预测方法，所述血压连续测量预测方法包括：3、通过血压测量系统根据多个第一血压测量部位分别对目标用户进行血压监测，获取每个第一血压测量部位的关联参数集合，并通过k最近邻算法根据所述关联参数集合对所述多个第一血压测量部位进行时空关联节点判别和节点筛选，得到多个第二血压测量部位；4、根据所述多个第二血压测量部位构建变结构动态贝叶斯网络模型，并通过所述变结构动态贝叶斯网络模型对所述多个第二血压测量部位进行血压状态预测，得到每个第二血压测量部位的第一血压状态预测策略；5、基于核注意力机制分别对所述多个第二血压测量部位进行节点先验概率密度估计，得到每个第二血压测量部位的先验概率密度，并根据所述先验概率密度对所述第一血压状态预测策略进行影响权重调整，得到每个第二血压测量部位的第二血压状态预测策略；6、基于矩形分割全局优化算法对每个第二血压测量部位的第二血压状态预测策略进行血压状态预测策略融合，生成所述血压测量系统的目标血压状态预测策略；7、基于所述目标血压状态预测策略对所述血压测量系统进行血压数据采集，得到血压时序数据，并将所述血压时序数据输入预置的初始volterra泛函级数模型进行血压异常检测，得到目标血压异常检测结果；8、通过自适应蝙蝠算法，根据所述目标血压异常检测结果对所述初始volterra泛函级数模型进行模型优化，得到目标volterra泛函级数模型，并通过所述目标volterra泛函级数模型对所述血压测量系统进行连续血压异常检测，输出连续血压异常检测结果。9、第二方面，本申请提供了一种血压连续测量预测装置，所述血压连续测量预测装置包括：10、监测模块，用于通过血压测量系统根据多个第一血压测量部位分别对目标用户进行血压监测，获取每个第一血压测量部位的关联参数集合，并通过k最近邻算法根据所述关联参数集合对所述多个第一血压测量部位进行时空关联节点判别和节点筛选，得到多个第二血压测量部位；11、预测模块，用于根据所述多个第二血压测量部位构建变结构动态贝叶斯网络模型，并通过所述变结构动态贝叶斯网络模型对所述多个第二血压测量部位进行血压状态预测，得到每个第二血压测量部位的第一血压状态预测策略；12、调整模块，用于基于核注意力机制分别对所述多个第二血压测量部位进行节点先验概率密度估计，得到每个第二血压测量部位的先验概率密度，并根据所述先验概率密度对所述第一血压状态预测策略进行影响权重调整，得到每个第二血压测量部位的第二血压状态预测策略；13、融合模块，用于基于矩形分割全局优化算法对每个第二血压测量部位的第二血压状态预测策略进行血压状态预测策略融合，生成所述血压测量系统的目标血压状态预测策略；14、检测模块，用于基于所述目标血压状态预测策略对所述血压测量系统进行血压数据采集，得到血压时序数据，并将所述血压时序数据输入预置的初始volterra泛函级数模型进行血压异常检测，得到目标血压异常检测结果；15、输出模块，用于通过自适应蝙蝠算法，根据所述目标血压异常检测结果对所述初始volterra泛函级数模型进行模型优化，得到目标volterra泛函级数模型，并通过所述目标volterra泛函级数模型对所述血压测量系统进行连续血压异常检测，输出连续血压异常检测结果。16、本申请第三方面提供了一种血压连续测量预测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述血压连续测量预测设备执行上述的血压连续测量预测方法。17、本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的血压连续测量预测方法。18、本申请提供的技术方案中，通过在多个第一血压测量部位进行连续监测并获取关联参数集合，能够实现对目标用户血压的实时和连续跟踪。这不仅有助于捕捉血压在短时间内的动态变化，而且能够及时发现血压的异常波动。通过构建变结构动态贝叶斯网络模型，并结合核注意力机制进行节点先验概率密度估计，能够更准确地预测每个第二血压测量部位的血压状态。能够有效地处理血压数据的非线性特征和时间依赖性，提高血压状态预测的准确度。通过基于k最近邻算法的时空关联节点判别和节点筛选，以及基于矩形分割全局优化算法的血压状态预测策略融合，能够充分考虑个体差异和环境因素的影响，实现血压预测的个性化和适应性。通过将血压时序数据输入预置的初始volterra泛函级数模型进行血压异常检测，并利用自适应蝙蝠算法进行模型优化，不仅能够有效地识别血压的异常波动，还能够自适应地优化异常检测模型，以适应血压变化的复杂性。实现了血压的实时监测、准确预测和有效异常检测，为用户提供了一个全面、高效的血压健康管理方案。这不仅能够帮助用户及时了解自己的血压状况，还能够提供数据支持，从而提高了血压连续测量预测的准确率。技术特征：1.一种血压连续测量预测方法，其特征在于，所述血压连续测量预测方法包括：2.根据权利要求1所述的血压连续测量预测方法，其特征在于，所述通过血压测量系统根据多个第一血压测量部位分别对目标用户进行血压监测，获取每个第一血压测量部位的关联参数集合，并通过k最近邻算法根据所述关联参数集合对所述多个第一血压测量部位进行时空关联节点判别和节点筛选，得到多个第二血压测量部位，包括：3.根据权利要求2所述的血压连续测量预测方法，其特征在于，所述根据所述多个第二血压测量部位构建变结构动态贝叶斯网络模型，并通过所述变结构动态贝叶斯网络模型对所述多个第二血压测量部位进行血压状态预测，得到每个第二血压测量部位的第一血压状态预测策略，包括：4.根据权利要求3所述的血压连续测量预测方法，其特征在于，所述基于核注意力机制分别对所述多个第二血压测量部位进行节点先验概率密度估计，得到每个第二血压测量部位的先验概率密度，并根据所述先验概率密度对所述第一血压状态预测策略进行影响权重调整，得到每个第二血压测量部位的第二血压状态预测策略，包括：5.根据权利要求4所述的血压连续测量预测方法，其特征在于，所述基于矩形分割全局优化算法对每个第二血压测量部位的第二血压状态预测策略进行血压状态预测策略融合，生成所述血压测量系统的目标血压状态预测策略，包括：6.根据权利要求5所述的血压连续测量预测方法，其特征在于，所述基于所述目标血压状态预测策略对所述血压测量系统进行血压数据采集，得到血压时序数据，并将所述血压时序数据输入预置的初始volterra泛函级数模型进行血压异常检测，得到目标血压异常检测结果，包括：7.根据权利要求6所述的血压连续测量预测方法，其特征在于，所述通过自适应蝙蝠算法，根据所述目标血压异常检测结果对所述初始volterra泛函级数模型进行模型优化，得到目标volterra泛函级数模型，并通过所述目标volterra泛函级数模型对所述血压测量系统进行连续血压异常检测，输出连续血压异常检测结果，包括：8.一种血压连续测量预测装置，其特征在于，所述血压连续测量预测装置包括：9.一种血压连续测量预测设备，其特征在于，所述血压连续测量预测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的血压连续测量预测方法。技术总结本申请涉及深度学习技术领域，公开了一种血压连续测量预测方法、装置、设备及存储介质。方法包括：通过血压测量系统根据多个第一血压测量部位分别对目标用户进行血压监测并进行时空关联节点判别和节点筛选，得到多个第二血压测量部位；构建变结构动态贝叶斯网络模型并进行血压状态预测，得到第一血压状态预测策略；进行节点先验概率密度估计和影响权重调整，得到第二血压状态预测策略；进行血压状态预测策略融合，生成目标血压状态预测策略；通过初始Volterra泛函级数模型进行血压异常检测，得到目标血压异常检测结果；进行模型优化和连续血压异常检测，输出连续血压异常检测结果，本申请提高了血压连续测量预测的准确率。技术研发人员：李子青受保护的技术使用者：深圳市优创亿科技有限公司技术研发日：技术公布日：2024/8/16