具有多个惯性测量单元的无袖带血压监测器的制作方法

本公开涉及血压监测器，并且更具体地涉及无袖带血压监测器。

背景技术：

1、对于处于各种情况下的个人来说，血压可能是有用的指标。例如，高血压患者定期监测血压来避免严重的医疗问题可能是有益的。在以健身为目的进行锻炼时监测个人的血压也是有益的。出于各种其他原因，监测个人的血压可能是有益的。

2、通常，血压可以在医生办公室测量。在这些情况下，血压监测袖带可以缠绕在个人的手臂上。血压袖带包括充气囊和软管。充气囊被充气至足以阻止局部主动脉血流的气压。充气囊逐渐放气，直到血液开始流经动脉。压力传感器测量血液开始流动的压力。这与收缩压相对应。当血流不再受限时，也会进行压力测量。这对应于舒张压。

3、虽然血压袖带是测量血压的有效方法，但也存在若干缺点。例如，全天使用血压袖带可能不方便或不切实际。具体地，运动时使用血压袖带是不切实际的。

4、“背景技术”部分中讨论的所有主题不一定是现有技术，也不应仅因为在“背景技术”部分中的讨论而假定为现有技术。按照这些思路，除非明确声明为现有技术，否则对现有技术中背景技术部分讨论的或与此类主题相关联的问题的任何认识都不应被视为现有技术。相反，在“背景技术”部分中对任何主题的讨论应被视为发明人解决特定问题的方法的一部分，而该方法本身也可能具有创造性。

技术实现思路

1、本公开的实施例提供了能够有效和高效地监测个体的血压的无袖带血压监测设备。血压监测设备包括一个或多个传感器，一个或多个传感器部分基于个体的血流特性生成传感器信号。在一个实施例中，加速度计传感器测量由于周期中的血液注射所生成的冲击力而导致的心动周期中的事件。血压监测设备包括分析模型，分析模型利用多阶段机器学习过程来训练，以基于传感器信号来估计个体的血压。多阶段机器学习过程包括通用机器学习过程和个性化机器学习过程。这样，分析模型可以基于传感器信号来高效并且有效地估计个体的血压。

2、在一个实施例中，血压监测设备包括第一惯性测量单元和第二惯性测量单元。第一惯性测量单元和第二惯性测量单元靠近个体皮肤定位并且沿着选定的方向彼此间隔。惯性测量单元基于个体的血流生成传感器信号。分析模型接收传感器信号、处理传感器信号并且基于传感器信号而生成所估计的血压。

3、在一个实施例中，血压监测设备预加载有分析模型，该分析模型已经基于传感器信号和多个其他个体的测量的血压而经历了第一机器学习过程。当用户获得血压监测设备时，第二机器学习过程被执行。在第二机器学习过程期间，个人训练集数据针对用户来收集。收集个人训练集数据包括记录在用户佩戴血压监测设备时生成的传感器信号。收集个人训练集数据还包括记录与传感器信号被记录的时间段相关联的控制血压值。第二机器学习过程然后被执行，从而利用个性化训练集来重新训练分析模型或分析模型的一部分。结果是，分析模型可以基于传感器信号来准确并且有效地预测或估计用户的血压。

4、在一个实施例中，分析模型包括具有多个层的长短期记忆(lstm)神经网络。第一机器学习过程可以基于从多个其他个体收集的通用训练集来训练lstm神经网络的所有层。第二机器学习过程可以重新训练lstm神经网络的一个或多个层，而lstm神经网络的一个或多个其他层保持固定(即，不被重新训练)。结果是一个神经网络，包括基于大量个体的通用训练的益处以及基于从用户收集的数据的个性化训练的益处。

5、在一个实施例中，血压监测设备包括可以被粘附到用户皮肤的柔性贴片。第一惯性测量单元和第二惯性测量单元被嵌入在柔性贴片中。该基于双mems加速度计的传感器贴片可以沿着颈动脉的长度放置，以监测心动周期期间的脉搏运动。血压监测设备还包括控制单元，控制单元通过一个或多个电缆或电线而耦合到柔性贴片。第一惯性测量单元和第二惯性测量单元生成传感器信号并且经由一个或多个电线或电缆而将传感器信号提供给控制单元。分析模型对传感器信号进行处理并基于传感器信号，生成所估计或所预测的血压值。

技术特征：

1.一种方法，包括：

2.根据权利要求1所述的方法，其中所述血压监测设备包括第一惯性测量单元和第二惯性测量单元，所述第一惯性测量单元和所述第二惯性测量单元各自被配置为基于所述用户的血流生成传感器数据。

3.根据权利要求2所述的方法，其中所述血压监测设备包括被配置为放置在所述用户的皮肤上的柔性贴片，其中所述第一惯性测量单元和所述第二惯性测量单元被部署在所述贴片上。

4.根据权利要求3所述的方法，其中收集所述第二训练集包括：在所述血压监测设备被放置在所述用户身上时，从放置在所述用户身上的控制血压监测器接收血压测量数据。

5.根据权利要求4所述的方法，包括：使用所述血压测量数据作为所述个性化训练集数据中的标签数据。

6.根据权利要求2所述的方法，包括：在所述分析模型的所述重新训练之后，利用所述分析模型，基于所述传感器数据生成所述用户的所估计的血压值。

7.根据权利要求2所述的方法，其中所述分析模型包括神经网络，所述神经网络包括第一神经层和第二神经层，其中所述第二机器学习过程包括在保持所述第一神经层固定时，重新训练所述第二神经层。

8.根据权利要求7所述的方法，其中所述神经网络包括长短期记忆神经网络。

9.根据权利要求8所述的方法，包括：在重新训练所述分析模型之后：

10.根据权利要求9所述的方法，其中每个窗口包括多个传感器数据样本。

11.根据权利要求9所述的方法，其中每个所估计的血压值包括收缩压值和舒张压值。

12.一种血压监测设备，包括：

13.根据权利要求12所述的血压监测设备，其中所述第一惯性测量单元和所述第二惯性测量单元各自包括相应的加速度计。

14.根据权利要求12所述的血压监测设备，其中所述第一惯性测量单元和所述第二惯性测量单元各自包括相应的加速度计和相应的陀螺仪。

15.根据权利要求12所述的血压监测设备，其中所述分析模型包括神经网络。

16.根据权利要求15所述的血压监测设备，其中所述神经网络是长短期神经网络。

17.根据权利要求15所述的血压监测设备，其中所述神经网络包括第一神经层和第二神经层。

18.根据权利要求17所述的血压监测设备，其中所述第一机器学习过程训练所述第一神经层和所述第二神经层，其中所述第二机器学习过程训练所述第二神经层但不训练所述第一神经层。

19.一种方法，包括：

20.根据权利要求19所述的方法，其中所述神经网络是长短期神经网络。

21.根据权利要求19所述的方法，其中生成所述训练传感器数据包括：利用所述血压监测设备的第一惯性测量单元和第二惯性测量单元，生成所述训练传感器数据。

技术总结血压监测设备包括贴片，贴片包括放置在用户皮肤附近的两个惯性测量单元。血压监测设备包括控制单元，控制单元被耦合到贴片并且被配置为接收来自惯性测量单元的传感器数据。控制单元包括分析模型，分析模型使用多个机器学习过程来训练，以基于传感器数据生成血压估计值。第一通用机器学习过程使用从多个其他个体收集的训练集来训练分析模型。第二通用机器学习过程使用第二机器学习过程，利用从用户收集的个性化训练集来重新训练分析模型的一部分。技术研发人员：M·乔达里,V·库玛,戈蒂,K·保罗受保护的技术使用者：意法半导体公司技术研发日：技术公布日：2024/6/11