基于神经网络水下电子血压计测量值矫正评估方法及系统与流程

本发明涉及水下电子血压计测量，特别是涉及一种基于神经网络的水下电子血压计测量值矫正评估方法及系统。

背景技术：

1、目前，市场上的电子血压计能够很方便的检测出人体的血压值，但在水下这种特殊的高压环境下，由于水下环境下水下外界气压对血压值的影响，所以导致电子血压计测量出的血压值就不准确。而机械血压计不受水下环境下水下外界气压对血压值的影响，所以机械血压计测量出的血压值准确。但是，在水下环境下使用机械血压计来测量潜水员的血压值不方便，一般是使用电子血压计来测量。由此，本发明的设计人就想到了构建神经网络模型，并利用电子血压计的血压值等作为输入、机械血压计的血压值作为输出对构建的神经网络模型进行训练，对训练好的神经网络模型进行测试评估其是否可以用来对电子血压计测量值矫正。若是可以，则后续直接将电子血压计测得的潜水员的血压值输入至训练好的神经网络模型中，输出的血压值就是接近真实的血压值。

技术实现思路

1、本发明针对现有技术存在的问题和不足，提供一种基于神经网络的水下电子血压计测量值矫正评估方法及系统。

2、本发明是通过下述技术方案来解决上述技术问题的：

3、本发明提供一种基于神经网络的水下电子血压计测量值矫正评估方法，其特点在于，其包括以下步骤：

4、s1、采集不同水下深度下电子血压计收缩压和舒张压及机械血压计收缩压和舒张压，构成原始数据集，原始数据集包括多组原始数据，每组原始数据包括对应的水下深度、电子血压计收缩压、电子血压计舒张压、机械血压计收缩压和机械血压计舒张压；

5、s2、利用均值插值法对原始数据集中的水下深度、电子血压计收缩压、电子血压计舒张压、机械血压计收缩压和机械血压计舒张压分别进行插值处理以实现数据增强，形成增强数据集；

6、s3、基于生成的深度随机数对增强数据集中的水下深度进行加噪处理以此对水下深度添加噪声，基于生成的血压随机数对增强数据集中的电子血压计收缩压和电子血压计舒张压进行加噪处理以此对电子血压计收缩压和舒张压添加噪声，形成样本数据集，样本数据集包括m组样本数据，其中深度随机数的取值范围为-0.1至0.1，血压随机数的取值范围为-0.5至0.5；

7、s4、样本数据集中m1组样本数据作为训练数据集、m2组样本数据作为测试数据集，m＝m1+m2，m、m1和m2均为正整数；

8、s5、针对样本数据集中数据特点，选择全连接神经网络结构搭建深度学习模型，深度学习模型依次包括输入层、隐藏层和输出层，输入层包括第一线性层和第一激活函数层，隐藏层包括第二线性层和第二激活函数层，输出层包括第三线性层，激活函数层选用relu激活函数；

9、s6、将训练数据集中每组的水下深度、电子血压计收缩压和舒张压作为深度学习模型的输入，对深度学习模型进行训练，第一线性层对输入的每组水下深度、电子血压计收缩压和舒张压进行线性变换并输出n1个线性特征数据，第一激活函数层对n1个线性特征数据进行非线性处理并输出n1个非线性特征数据，第二线性层对输入的n1个非线性特征数据进行线性变换并输出n2个线性特征数据，第二激活函数层对n2个线性特征数据进行非线性处理并输出n2个非线性特征数据，第三线性层对输入的n2个非线性特征数据进行线性变换并输出2个线性特征数据即拟合机械血压计的收缩压和舒张压，其中n1和n2均为大于2并为2的次方值，且n1大于n2；

10、s7、结合模型训练拟合结果和训练数据集中每组的作为真实值的机械血压计的收缩压和舒张压，不断进行迭代训练，不断调整模型权重参数直至获得最优解，此时拟合机械血压计的收缩压和舒张压与对应真实机械血压计的收缩压和舒张压之间的绝对误差均小于等于设定误差值，此时模型为最优深度学习模型；

11、s8、将测试数据集中每组的水下深度、电子血压计收缩压和舒张压作为最优深度学习模型的输入，对最优深度学习模型进行测试验证，输出对应的预测机械血压计的收缩压和舒张压，计算收缩压的预测准确率和舒张压的预测准确率来评估最优深度学习模型是否可用来电子血压计测量值矫正。

12、本发明还提供一种基于神经网络的水下电子血压计测量值矫正评估系统，其特点在于，其包括数据采集模块、数据增强模块、数据加噪处理模块、样本数据划分模块、模型构建模块、模型训练模块、最优模型输出模块和模型评估模块；

13、所述数据采集模块用于采集不同水下深度下电子血压计收缩压和舒张压及机械血压计收缩压和舒张压，构成原始数据集，原始数据集包括多组原始数据，每组原始数据包括对应的水下深度、电子血压计收缩压、电子血压计舒张压、机械血压计收缩压和机械血压计舒张压；

14、所述数据增强模块用于利用均值插值法对原始数据集中的水下深度、电子血压计收缩压、电子血压计舒张压、机械血压计收缩压和机械血压计舒张压分别进行插值处理以实现数据增强，形成增强数据集；

15、所述数据加噪处理模块用于基于生成的深度随机数对增强数据集中的水下深度进行加噪处理以此对水下深度添加噪声，基于生成的血压随机数对增强数据集中的电子血压计收缩压和电子血压计舒张压进行加噪处理以此对电子血压计收缩压和舒张压添加噪声，形成样本数据集，样本数据集包括m组样本数据，其中深度随机数的取值范围为-0.1至0.1，血压随机数的取值范围为-0.5至0.5；

16、所述样本数据划分模块用于将样本数据集中m1组样本数据作为训练数据集、m2组样本数据作为测试数据集，m＝m1+m2，m、m1和m2均为正整数；

17、所述模型构建模块用于针对样本数据集中数据特点，选择全连接神经网络结构搭建深度学习模型，深度学习模型依次包括输入层、隐藏层和输出层，输入层包括第一线性层和第一激活函数层，隐藏层包括第二线性层和第二激活函数层，输出层包括第三线性层，激活函数层选用relu激活函数；

18、所述模型训练模块用于将训练数据集中每组的水下深度、电子血压计收缩压和舒张压作为深度学习模型的输入，对深度学习模型进行训练，第一线性层对输入的每组水下深度、电子血压计收缩压和舒张压进行线性变换并输出n1个线性特征数据，第一激活函数层对n1个线性特征数据进行非线性处理并输出n1个非线性特征数据，第二线性层对输入的n1个非线性特征数据进行线性变换并输出n2个线性特征数据，第二激活函数层对n2个线性特征数据进行非线性处理并输出n2个非线性特征数据，第三线性层对输入的n2个非线性特征数据进行线性变换并输出2个线性特征数据即拟合机械血压计的收缩压和舒张压，其中n1和n2均为大于2并为2的次方值，且n1大于n2；

19、所述最优模型输出模块用于结合模型训练拟合结果和训练数据集中每组的作为真实值的机械血压计的收缩压和舒张压，不断进行迭代训练，不断调整模型权重参数直至获得最优解，此时拟合机械血压计的收缩压和舒张压与对应真实机械血压计的收缩压和舒张压之间的绝对误差均小于等于设定误差值，此时模型为最优深度学习模型；

20、所述模型评估模块用于将测试数据集中每组的水下深度、电子血压计收缩压和舒张压作为最优深度学习模型的输入，对最优深度学习模型进行测试验证，输出对应的预测机械血压计的收缩压和舒张压，计算收缩压的预测准确率和舒张压的预测准确率来评估最优深度学习模型是否可用来电子血压计测量值矫正。

21、本发明的积极进步效果在于：

22、本发明选择全连接神经网络结构来构建深度学习模型，将水下深度、电子血压计收缩压和电子血压计舒张压作为输入、机械血压计收缩压和机械血压计舒张压作为输出，对深度学习模型进行训练，对训练好的深度学习模型进行测试评估其是否可以用来对电子血压计测量值进行矫正。评估结果可以，则后续可以直接将潜水员的水下深度、电子血压计收缩压和电子血压计舒张压输入至训练好的深度学习模型中，输出的血压值就是接近真实的血压值，提高了潜水员水下血压测量的精度。