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。
背景技术
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。
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。
实现思路