模型构建方法、参数配置方法以及相关装置与流程

1.本技术的实施方式涉及驱动设备领域，更具体地，本技术的实施方式涉及一种模型构建方法、参数配置方法以及相关装置。


背景技术：

2.心血管疾病是威胁人类健康的主要杀手之一。多数心血管疾病最终会影响到左心室功能，导致心脏功能下降。心脏泵，又称为目标装置，可部分或全部替代心脏的泵血功能，减轻左心室负担，满足全身组织、器官的血液灌注需求，提高用户生存质量。
3.相关技术中，心脏泵通常为定速工作模式，即泵的转速和流量保持恒定。这种心脏泵虽然可以缓解用户的心脏负担，恢复一定心脏功能，然而，定速泵所产生的非搏动血流，会影响血液循环系统中微小动脉的自身调节，导致血液过度稀释，血液携氧能力下降，整个心动周期的血液动力学特性不稳定。
4.目前，对医疗器械、耗材、药物等医疗产品的定制化研发、生产、使用的费用均高居不下。相关技术中，通常是为用户装配使用相关的器械设备，并通过对用户的恢复训练使用户主动适应器械设备。因而，现有的心脏泵、动脉泵等设备缺乏对用户的适应性调整。此外，相关技术中，数据模型往往是针对于大规模人群建立的，建模难度大，周期长，研发成本高，难以应用于产品的定制化场景。
5.因此，亟待设计一种全新的技术方案，用以克服相关技术中存在的技术问题。


技术实现要素：

6.在本上下文中，本技术的实施方式期望提供一种模型构建方法、参数配置方法以及相关装置，用以构建个体化参数配置模型，使供血驱动装置能够在个体化参数配置模型的辅助配置下更为适配于用户身体状态，降低供血驱动装置的定制化成本，有利于供血驱动装置的推广应用。
7.在本技术实施方式的第一方面中，提供了一种模型构建方法，包括：
8.获取目标装置对应的用户个体数据；目标装置为用户所使用的供血驱动装置；用户个体数据包括用户的生理指标数据；
9.将生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组；
10.以第一行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动强度；
11.基于运动强度构建个体化参数配置模型；其中，个体化参数配置模型用于预测与用户所处身体状态匹配的目标设备参数；目标设备参数包括目标装置在用户所处身体状态下相匹配的驱动部件运行参数。
12.在本技术实施方式的第二方面中，提供了一种模型构建装置，该装置包括：
13.获取单元，用于获取目标装置对应的用户个体数据；目标装置为用户所使用的供
血驱动装置；用户个体数据包括用户自身的生理指标数据、诊疗信息、目标装置属性中的至少一个；
14.拟合单元，用于将生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组；
15.定积分单元，用于以第一行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动强度；
16.构建单元，用于基于运动强度构建个体化参数配置模型；其中，个体化参数配置模型用于预测与用户所处身体状态匹配的目标设备参数；目标设备参数包括目标装置在用户所处身体状态下相匹配的驱动部件运行参数。
17.在本技术实施方式的第三方面中，提供了一种参数配置方法，包括：
18.获取目标装置对应的用户个体数据；目标装置为用户所使用的供血驱动装置；用户个体数据包括用户自身的生理指标数据；
19.基于用户个体数据通过个体化参数配置模型预测与用户身体状态匹配的目标设备参数；其中，个体化参数配置模型是基于运动强度构建的；运动强度是采用行为规律拟合函数第生理指标数据中各个指定时间段内的肌肉电数据进行拟合处理得到的；用户所处身体状态至少包括肌肉发力程度；目标设备参数包括目标装置在用户所处身体状态下相匹配的驱动部件运行参数；
20.基于目标设备参数配置目标装置。
21.在本技术实施方式的第四方面中，提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行第一方面中任一项所述的模型构建方法。
22.在本技术实施方式的第五方面中，提供了一种计算设备，所述计算设备包括：至少一个处理器、存储器和输入输出单元；其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行第一方面中任一项所述的模型构建方法。
23.本技术实施例中，提供了一种模型构建方法、参数配置方法以及相关装置。本技术实施例中，获取用户所使用的供血驱动装置(即目标装置)对应的用户个体数据，该用户个体数据包括用户的生理指标信息。此处，用户个体数据能够反映出用户当前所处身体状态，为后续对个体化的模型定制方式提供数据基础。获取用户个体数据之后，将生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组。进而，以第一行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动强度。最终，基于运动强度构建个体化参数配置模型，该个体化参数配置模型用于预测与用户所处身体状态匹配的目标设备参数。该目标设备参数包括目标装置在用户所处身体状态下相匹配的驱动部件运行参数。
24.本技术实施例中，通过行为规律拟合函数将生理指标数据中的肌肉电数据拟合为行为规律数组，得到用户在各个时间段内的运动强度，再结合各个时间段内的运动强度分析出该用户的运动强度变化规律，从而构建出符合用户个体情况的个体化参数配置模型，使供血驱动装置能够在该个体化参数配置模型的辅助配置下更为适配于用户身体状态，降低供血驱动装置的定制化成本，有利于供血驱动装置的推广应用。
附图说明
25.通过参考附图阅读下文的详细描述，本技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本技术的若干实施方式，其中：
26.图1为本技术一实施例提供的一种模型构建方法的流程示意图；
27.图2为本技术一实施例提供的一种肌肉电传感器的原始数据示意图；
28.图3为本技术一实施例提供的一种肌肉电传感器的定积分效果示意图；
29.图4为本技术一实施例提供的一种频域特征能量密度的示意图；
30.图5为本技术一实施例提供的一种频域特征能量密度的定积分效果示意图；
31.图6为本技术一实施例提供的一种加速度传感器和陀螺仪的原始数据示意图；
32.图7为本技术一实施例提供的一种加速度传感器和陀螺仪的滤波效果示意图；
33.图8为本技术一实施例提供的一种加速度传感器和陀螺仪的定积分效果示意图；
34.图9为本技术一实施例提供的一种供血驱动装置的参数配置方法的流程示意图；
35.图10为本技术一实施例提供的一种目标设备参数获取方法的流程示意图；
36.图11为本技术一实施例提供的一种行为状态识别方法的流程示意图；
37.图12为本技术一实施例提供的一种血氧平衡模式的原理示意图；
38.图13为本技术一实施例提供的一种模型构建装置的结构示意图；
39.图14为本技术一实施例提供的一种介质的结构示意图；
40.图15为本技术一实施例提供的一种计算设备的结构示意图。
41.在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
42.下面将参考若干示例性实施方式来描述本技术的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本技术，而并非以任何方式限制本技术的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
43.本领域技术人员知道，本技术的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
44.心血管疾病是威胁人类健康的主要杀手之一。多数心血管疾病最终会影响到左心室功能，导致心脏功能下降。心脏泵，又称为目标装置，可部分或全部替代心脏的泵血功能，减轻左心室负担，满足全身组织、器官的血液灌注需求，提高用户生存质量。
45.申请人发现，相关技术中，心脏泵通常为定速工作模式，即泵的转速和流量保持恒定。这种心脏泵虽然可以缓解用户的心脏负担，恢复一定心脏功能，然而，定速泵所产生的非搏动血流，会影响血液循环系统中微小动脉的自身调节，导致血液过度稀释，血液携氧能力下降，使得整个心动周期的血液动力学特性不稳定。
46.相关技术中，除了上述心脏泵之外，还可以通过动脉泵辅助实现心脏功能的恢复。但是，动脉泵通常是在心脏手术中使用的辅助设备，设备主体设置在用户体外，无法植入用户体内或由用户随身携带，难以满足用户的日常生活需求。并且，动脉泵使用的也是定速工
作模式，其转速和流量也同样保持为恒定值。显然，动脉泵同样也无法解决相关技术中心脏泵存在的技术问题。
47.申请人还发现，目前，对医疗器械、耗材、药物等医疗产品的定制化研发、生产、使用的费用均高居不下。相关技术中，通常是为用户装配使用相关的器械设备，并通过对用户的恢复训练使用户主动适应器械设备。因而，现有的心脏泵、动脉泵等设备缺乏对用户的适应性调整，用户体验较差。
48.此外，相关技术中，数据模型往往是针对于大规模人群建立的，建模难度大，周期长，研发成本高，难以应用于产品的定制化场景。
49.因此，亟待设计一种全新的技术方案，用以克服相关技术中供血驱动装置存在的技术问题。
50.本技术实施例提供了一种模型构建方法、参数配置方法以及相关装置。本技术实施例中，获取用户所使用的供血驱动装置(即目标装置)对应的用户个体数据，该用户个体数据包括用户的生理指标信息。此处，用户个体数据能够反映出用户当前所处身体状态，为后续对个体化的模型定制方式提供数据基础。获取用户个体数据之后，将生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组。进而，以第一行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动强度。最终，基于运动强度构建个体化参数配置模型，该个体化参数配置模型用于预测与用户所处身体状态匹配的目标设备参数。该目标设备参数包括目标装置在用户所处身体状态下相匹配的驱动部件运行参数。
51.本技术实施例中，通过行为规律拟合函数将生理指标数据中的肌肉电数据拟合为行为规律数组，得到用户在各个时间段内的运动强度，再结合各个时间段内的运动强度分析出该用户的运动强度变化规律，从而构建出符合用户个体情况的个体化参数配置模型，使供血驱动装置能够在该个体化参数配置模型的辅助配置下更为适配于用户身体状态，降低供血驱动装置的定制化成本，有利于供血驱动装置的推广应用。
52.在一些实施方式中，模型构建装置是一个，也可以是多个。多个模型构建装置可以采用分布式部署，也可以采用集中式部署。在实际应用场景中，供血驱动装置与模型构建装置相配合。例如，模型构建装置用于生成个体化参数配置模型，该个体化参数配置模型可以实现为部署在供血驱动设备中的模块，包括软件模块和/或硬件模块，或者其他形式的组件模块。也可以实现为与供血驱动设备相连的独立设备，连接方式可以是有线方式，也可以是无线方式。还可以实现为接入供血驱动设备的软件服务，如云服务、外部模型服务等，本技术实施例并不限定。
53.需要说明的是，本技术实施例涉及的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、大数据和人工智能平台等基础云计算服务的云服务器。
54.本技术实施例涉及的终端设备，可以是指向用户提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。例如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语音和/或数据。例如，个人通
信业务(personal communication service，pcs)电话、无绳电话、会话发起协议(session initialization protocol，sip)话机、无线本地环路(wireless local loop，wll)站、个人数字助理(personal digital assistant，pda)等设备。
55.需要说明的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
56.下面参考本技术的若干代表性实施方式，详细阐释本技术的原理和精神。
57.下面参考图1，图1为本技术一实施例提供的模型构建方法的流程示意图。需要注意的是，本技术的实施方式可以应用于供血驱动装置的任何场景。尤其是，针对用户持有的供血驱动装置的个性化参数配置场景。
58.图1所示的本技术一实施例提供的模型构建方法的流程。
59.相关技术中，心脏泵和动脉泵一般为定速工作模式，即泵的转速和流量保持恒定。然而，定速泵所产生的非搏动血流，会影响血液循环系统中微小动脉的自身调节，导致血液过度稀释，血液携氧能力下降，整个心动周期的血液动力学特性不稳定。针对定速工作模式带来的上述问题，需要为用户构建出适配于个体情况的个体化参数配置模型，并通过个体化参数配置模型对心脏泵、动脉泵等供血驱动装置的设备参数进行动态调整，以使供血驱动装置满足用户在当前所处身体状态下的个体情况，有助于降低供血驱动装置的定制难度。
60.首先，为构建个体化参数配置模型，需要先获取用户的个体情况。
61.步骤s101，获取目标装置对应的用户个体数据。
62.本技术实施例中，目标装置为用户所使用的供血驱动装置。供血驱动装置用于为用户持续泵血，提供血液循环系统的动力补偿，辅助血液循环系统维持全身血液灌注。实际应用中，供血驱动装置包括但不限于：心脏泵、植入式动脉泵。
63.其中，心脏泵，是一种能够模拟人类心脏功能的设备，可以植入用户体内并长期使用，多被应用于医学研究、治疗等场景。心脏泵可以部分或全部替代心脏的泵血功能，减轻左心室负担，满足全身组织、器官的血液灌注需求，提高用户生存质量。植入式动脉泵，是一种可以植入用户体内并长期使用的设备，用于持续为心脏提供辅助的供血驱动功能。植入式动脉泵常用于心脏病用户中，当其他治疗手段无效时，可以作为心脏移植前的桥梁。具体来说，植入式动脉泵通过手术将其植入胸腔或腹部，连接到心脏或主动脉，以提供持续的血液泵送功能。这种设备可以帮助用户的心脏继续有效地泵血，维持全身血液循环。
64.作为一种可选实施例，本技术实施例中，供血驱动装置包括以下部件：泵体、驱动模块、控制模块、能源供应模块、传感器。
65.其中，供血驱动装置的泵体，可以采用柔性材料，如硅胶或聚氨酯等，以模拟人类心肌组织的柔软性。泵体内部有一个腔室，用于容纳血液模拟液或其他液体，泵体的外壳上通常还配有进出液管。为了能够让泵体像真实的心脏一样有规律地收缩和放松，供血驱动装置中通常采用电机或气动的驱动模块。
66.进一步可选地，目标装置或动植入式动脉泵的外置部分表面，使用耐磨材料丝印或激光刻印的方式，标注了设备的新增编号。编号可以由ascii/utf-8字符集组成的字符、一维码、二维码或其他图案形式呈现。实际应用中，专业医疗机构保存目标装置设备编号和联网密码的数据库。
67.驱动模块，通过控制泵体的运动来实现不同的心率和心输出量。控制模块是供血驱动装置的核心，可以通过控制驱动模块的输出来实现不同的心率和心输出量。
68.控制模块，由微处理器和程序控制单元组成。具体来说，控制模块用于配置驱动模块的目标设备参数。值得说明的是，设置给驱动模块的目标设备参数需要经过相关人员的审核、确认，并生成审核记录存储到历史适配数据库中。或者，由经过相关人员审核确认的机器学习模型生成的。作为一个可选实施例，通过用户界面或无线通信等方式实现对泵(包括心脏泵和动脉泵)的控制和监测。
69.供血驱动装置的能源供应模块，可以使用电池或接口电源，其中，电池可以使泵在设备移动时保持连续工作，接口电源则可以在长时间使用时提供稳定的能量供应。
70.实际应用中，控制模块可以实现为低功耗且可联网的计算设备或模块。此处，模块可以是硬件模块或者软件模块。可选地，控制模块可以包括但不限于以下设备：单板计算机、便携式设备、低功耗微控制器单元(micro controller unit，mcu)、物联网网关。其中，单板计算机例如是完整的计算平台，集成了处理器、内存、存储和输入输出接口，但功耗相对较低。便携式设备，例如是智能手机、平板电脑和pda等，它们通常具有较小的尺寸和较低的功耗设计，以延长电池寿命。mcu，例如是具有较低功耗和较小体积的微控制器，用于控制和监测传感器、执行简单任务和连接外部设备。物联网网关，例如是用于连接和管理物联网设备，它们通常具有低功耗和较小的尺寸，用于处理数据传输、边缘计算和连接性管理等功能。
71.传感器，用于采集用户的生理指标数据以及设备参数。具体来说，用于检测泵转速、电量等设备信息，以及心率、血氧饱和度、姿态数据(例如，加速度数据、陀螺仪数据等)、肌肉电数据等生理指标信息。本技术实施例中，所述传感器包括但不限于：心跳传感器、血氧检测传感器、加速度传感器、陀螺仪、肌肉电传感器。实际应用中，按照传感器类型来划分，例如是实现为以下传感器：
72.肌肉电传感器：又称为肌电传感器，用于测量和记录肌肉产生活动时的电信号。可以监测肌肉收缩和放松时的电信号，提供有关肌肉活动和肌肉状态的信息。肌电传感器通常使用电极贴附在肌肉表面，通过检测肌肉电位的变化来捕捉肌肉收缩的活动模式和强度。
73.加速度传感器：加速度传感器可以测量物体的加速度，即物体在速度和方向上的变化率。它可以检测物体的线性加速度和重力加速度，提供关于物体运动、振动和倾斜的信息。在可穿戴设备和移动设备中，加速度传感器常用于计步器、姿势识别、运动跟踪和手势控制等应用。
74.陀螺仪传感器：陀螺仪传感器用于测量和感知物体的旋转和角速度。它可以检测物体的转动、转向和旋转速度，并提供与方向、角度和姿态相关的信息。陀螺仪传感器在航空航天、导航系统、虚拟现实和游戏控制等领域有广泛应用。
75.血氧饱和度传感器：血氧饱和度传感器(也称为脉搏氧饱和度传感器)用于非侵入性地测量血液中的氧气饱和度水平。它通常通过红外光和光散射原理来检测血液中的氧气含量，提供有关血氧水平和心脏脉搏的信息。血氧饱和度传感器广泛应用于医疗领域，特别是在监护、诊断和睡眠监测等方面。
76.心跳传感器：心跳传感器用于检测和记录心脏的跳动频率。它可以通过测量心电
活动、脉搏或心脏震动等方式来获取心跳数据。心跳传感器提供了有关心脏活动、心率变化和心脏健康状况的信息。在健康监测、运动训练和医疗监护等领域，心跳传感器被广泛使用。
77.上述传感器仅为示例，本技术实施例中并不限定。
78.下面结合具体介绍如何对用户的个体情况进行分析。
79.本技术实施例中，用户个体数据具有多种形式。例如，文本、图片、视频、波形信息等。实际应用中，在一示例中，用户的身高、体重、年龄、性别、基础病史、病例记录、治疗方案等信息，可以是以文本形式保存在电子病例中，从而，通过采集电子病例即可获取上述基础生理信息以及诊疗信息。另一示例中，用户的身高、体重、年龄、性别、基础病史、病例记录、治疗方案等基础生理信息，也可以是以图片形式保存在手写病例的扫描件中，从而，需要通过图像识别技术采集图片中包含的基础生理信息以及诊疗信息。当然，其他示例还可以是，在远程就诊场景中，用户的身高、体重、年龄、性别、基础病史、病例记录、治疗方案等基础生理信息，还可以是在问诊过程中以视频、音频等形式存储到云服务端或本地设备中，进而，需要进一步对视频、音频等文件进行自然语言分析以获取其中包含的基础生理信息以及诊疗信息。
80.再一些实例中，当前心脏指标、血液循环参数，也可以是以检查单形式存储的。检查单一般是富文本形式，因而需要进一步采用图像识别技术解析出富本文中包含的诊疗信息。比如，血氧含量、血液循环量、脉搏数、营养与物质能量交换效率等指标或相关指标变化曲线。
81.另一些实例中，ct检查结果、pct检查结果等诊疗信息，也可以采用特殊的图片形式存储在数据库中，因而，可以进一步提取图片特征，并基于图片特征识别图片中包含的诊疗信息。
82.作为一种可选实施例，用户个体数据还可以采用是否结构化来区分。例如，所述结构化数据可以是，所述用户个体数据中具有固定格式的纯文本信息、富文本信息、图片、视频或音频文件。进一步可选地，视频或音频文件可以通过预先裁剪的形式，处理为具有固定格式的视频片段或音频片段。所述非结构化数据可以是，所述用户个体数据中不具有固定格式的纯文本信息、富文本信息、图片、视频或音频文件。
83.用户个体数据中还包括目标装置属性。此类数据，可以根据设备自身属性设置的设备基础属性，比如设备型号、设备标识、初始值等。进一步可选地，心脏泵或动植入式动脉泵可标注目标装置的设备编号。例如，心脏泵或动植入式动脉泵的外置部分表面，使用耐磨材料丝印或激光刻印的方式，标注出设备编号。该设备编号可以由ascii/utf-8字符集组成的字符、一维码、二维码或其他图案形式呈现。或者，目标装置属性也可通过传感器采集到的数据，比如目标装置的运行参数等。
84.步骤s101中，传感器采集到生理指标数据以及设备参数之后，将由这些生理指标数据以及设备参数传输至控制模块。或者，也可以将由这些生理指标数据以及设备参数传输至上位机。其中，传感器至少包括：心跳传感器、血氧检测传感器、加速度传感器、陀螺仪、肌肉电传感器中的一个。进一步可选地，这些生理指标数据以及设备参数可以传输至上位机，并通过上位机训练各种工作模式对应的个体化参数配置模型，从而，通过个体化参数配置模型预测设备参数，用以辅助供血驱动装置适应用户个体情况。比如，通过自动实现供血
驱动装置的定制化参数配置，使供血驱动装置的参数调整过程更为高效，从而能够及时调整供血驱动装置的配置参数，辅助供血驱动装置满足用户在不同行为状态下的个体情况。可选地，上位机训练得到的个体化参数配置模型以及相关参数，可以下载更新至用户携带的供血驱动装置中。例如，在专业医疗机构审核之后，按照预先设置的更新周期或更新条件，将审核通过的个体化参数配置模型以及相关参数下载到供血驱动装置的控制模块中。
85.进一步可选地，根据不同采集需求，设置不同类型的传感器。实际应用中，为进一步降低植入式设备的功耗，部分或全部传感器设置在体外设备中，实现为与供血驱动装置相分离的独立模块或装置，通过无线或有线通信方式与供血驱动装置的控制模块之间传递控制信号以及采集数据。
86.本技术实施例中，用户个体数据可从用户的生理、心理、对设备的适应情况等多个方面，综合反馈用户的个体情况，从而为后续对用户使用的供血驱动装置的定制化参数设置方案提供数据支持。
87.用户个体数据包括但不限于：用户自身的生理指标信息、诊疗信息、目标装置属性中的至少一个。可以理解的是，用户个体数据中生理指标信息和诊疗信息主要用于从各个维度表示用户所处身体状态，目标装置属性则反映了供血驱动装置的配置需求。这样，通过用户个体数据可以从用户当前所处身体状态以及装置自身的配置需求出发，为后续对供血驱动装置的个体化定制配置方式提供数据基础。上述用户个体数据的具体类型以及数量均与具体的应用场景相关，本技术实施例对此不做限定。
88.具体来说，作为一个可选的实施例，用户自身的生理指标信息包括但不限于：心率、血氧饱和度、姿态数据、肌肉电数据、基础生理信息。例如，基础生理信息包括但不限于：身高、体重、年龄、性别、基础病史。作为一个可选的实施例，诊疗信息包括但不限于：当前心脏指标、血液循环参数、病例记录、治疗方案。诊疗信息和基础生理信息较为固定，可以从历史用户个体数据中获取，也可以从诊疗记录、病例、注册信息或其他信息中获取，还可以是其他方式。相对于需要频繁监测的部分生理指标信息来说，诊疗信息和基础生理信息较为固定，可以直接保存在用户所携带的用户端以及服务端。服务端可以是上位机，也可以是云服务器，或其他服务设备。
89.而心率、血氧饱和度、姿态数据、肌肉电数据，这些生理指标数据则随着用户的行动状态、身体状态、或其他个体化情况的变化而变化。因而，需要通过各类传感器等监测端设备，对用户的生理变化情况进行实时采集或周期性采集。实际应用中，传感器包括但不限于：心跳传感器、血氧检测传感器、加速度传感器、陀螺仪、肌肉电传感器。具体说明参见上文中对各种传感器的相关介绍，此处暂不展开。
90.对于一个用户而言，对供血驱动系统的个体化需求也会随时间、身体状态、心理、患病情况等因素而改变，因此需要对一些变化较大的数据进行监控。实际应用中，对用户个体数据的监控周期以及时机可根据数据变化特征设置。进一步可选地，用户个体数据还包括利用传感器采集用户的生理指标信息。例如，传感器检测用户的血氧饱和度、心跳、加速度数据、陀螺仪数据、肌肉电信号等多种生理指标。其中，加速度数据、陀螺仪数据这些姿态数据，可以用于体现用户的活动状态。这些生理指标可以实时计算用户的心跳频率、血氧水平、活动状态、肌肉发力大小和方向，从而通过这些计算结果可以实时调节供血驱动装置的设备参数以及运行状态。通过供血驱动装置的数据接口实时读取传感器或者其他模块设备
采集到的生理指标信息，以便及时对供血驱动装置作出调节处理，保证供血驱动装置的运行状态的实时性。上述数据接口比如可以是蓝牙接口、wifi接口、专用数据接口、usb接口等。
91.在获取用户个体数据之后，需要从用户个体数据中进一步挖掘用户的个体化需求，从而为后续构建与供血驱动装置适配的个性化参数配置模型提供数据基础。对于一个用户而言，对供血驱动装置的个体化需求也会随时间、身体状态、心理、患病情况等因素而改变，因而，多数用户个体数据往往是实时变动的，需要及时进行分析、识别以及后续处理。
92.步骤s102，将生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组。
93.步骤s103，以第一行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动强度。
94.通过上述步骤s102至s103，可以从肌肉电数据中提取对应时间段内的运动强度，从而，有助于进一步获取用户个体化情况，辅助构建个体化参数配置模型，以提升供血驱动装置的适应性。
95.一般来说，根据函数性质来看，一个输入通常对应于一个输出。基于传感器数据的特点可知，传感器数据是离线显示存在的，而非是波的形式，默认将输入的传感器数据全部取正值。基于上述特点，对于默认输入的传感器数据取正值之后得到的结果，可以采用拟合算法求得行为规律拟合函数，通过对行为规律拟合函数求一段时间内的定积分，从而，识别出当前行为状态对应的运动强度。
96.举例来说，下面结合具体示例介绍行为规律拟合函数的构建方式。
97.假设本技术实施例中所涉及的行为规律拟合函数为函数poly。假设行为规律拟合函数的输入参数包括：t，xx，n，其中n是拟合的阶数。基于上述假设，根据t数组的长度为l，通过以下公式构建计算索引列表index，即：
[0098][0099]
通过以下公式构建时间列表ts，以及数值列表xs，即：
[0100][0101][0102]
其中，t为时间轴数据，xx为输入的传感器值，函数max表示取子列表中的最大值。通过上述公式，可以计算得到子列表中最大元素值，然后将该最大元素值赋给xi。进而，将列表xs中每个子列表的最大值赋给变量xi，构建点集列表记为points：
[0103]
points＝{(t0，x0)，(t1，x1)，(t2，x2)，λ，(t
n-1
，x
n-1
)}
[0104]
进一步地，计算点集中n个数据对应的数组长度：n＝points。
[0105]
进一步地，根据xx的长度l遍历计数器t，开始循环，每次循环增加1，具体公式如下：
[0106]
t＝t*(1/l)
[0107]
n＝n
–1[0108]
值得注意的是，此处公式中的的n是点集的最大索引。
[0109]
进而，初始化x以及y设置为0。遍历在点集中n个数据，每次循环得到n对应的结果值记为i，并计算自定义函数b(i)，即：
[0110][0111]
进而，将上述自定义函数b(i)带入，以更新x以及y，即：
[0112]
x＝x+xi·bi
[0113]
y＝y+yi·bi
[0114]
然后，将添加x到列表px，添加y到列表py。如果y大于0，在列表
[0115]
py中添加y；否则，在列表py中添加0。上述循环过程直到遍历i＝n且
[0116]
t＝l时结束。循环结束之后，返回多项式插值结果px以及py。从而，构建出函数poly，用以辅助后续对生理指标信息的数据分析流程。
[0117]
介绍完行为规律拟合函数的其中一个构建方式之后，下面结合具体示例介绍从肌肉电数据中提取用户的运动强度的具体方法。
[0118]
步骤s102中，将生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组。本技术实施例中，第一行为规律拟合数组包括但不限于：各个指定时间段内分别处于静止状态、干扰噪声状态、负重状态下的拟合数组。进一步可选地，用户在各个指定时间段内的运动强度包括：用户在各个指定时间段内分别处于静止状态、干扰噪声状态、负重状态下的运动强度。
[0119]
举例来说，在步骤s102中，首先需要将肌肉电数据按照行为状态l进行分段。为方便说明，本示例中以静止和握举两种行为进行举例。具体地，用户在专业人员的指导下完成各项生理指标检测，通过对用户的各项生理指标进行自动收集，得到各项传感器采集到的肌肉电数据。例如，图2所示的肌肉电(electromyogram，emg)数据，此处的emg数据是用户在握举情况下通过腕带肌肉电传感器收集到的原始数据，单位为μv。
[0120]
假设行为状态为l，时间为t，传感器输出的数据值为v。那么，结合当前行为状态l、时间t以及对应的传感器数据值v，定义特征提取函数，用于确认用户是否在对应的时间段内进行握举或发力等行为。
[0121]
在接收肌肉电数据(比如本示例中的传感器数据值v)之后，为减少计算量，方便使用行为规律拟合函数对肌肉电数据进行处理，可以将原始的肌肉电数据中小于0的数据设置为0。接着，根据行为状态l对应的起止时间，分别将其每个起止时间范围内的时间t、滤波结果mean的均值mean、拟合阶数n输入到行为规律拟合函数poly，得到第一拟合数组(即第一行为规律拟合数组)，分别记为still(对应静止状态)，noise(对应干扰噪声状态)，hold(对应负重状态)。其中，干扰噪声主要来自传感器。
[0122]
进而，步骤s103，以第一行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动强度。
[0123]
举例来说，在步骤s103中，建立形式为f(x)＝y的映射函数，并将第一拟合数组still、noise、hold分别代入该映射函数中。取各第一拟合数组中0到n-1的长度范围内的数
据，并对这些数据求定积分，得到三个定积分结果s
still
，s
noise
，s
hold
，作为运动强度的评分数值。
[0124]
其中，第一拟合数组的定积分结果的具体图像参见图3。在图3中，emg raw为emg数据中数值大于或等于0的原始数据，阴影面积表示定积分结果。
[0125]
步骤s104，基于运动强度构建个体化参数配置模型。
[0126]
本技术实施例中，个体化参数配置模型用于预测与用户所处身体状态匹配的目标设备参数。目标设备参数包括但不限于：目标装置在用户所处身体状态下相匹配的驱动部件运行参数。
[0127]
具体来说，在一个可选实施例中，步骤s104可以实现为：基于各个指定时间段内的运动强度、历史最大运动强度以及第一自定义权重构建出运动模式参数配置模型。实际应用中，用户处于运动状态下，供血需求主要与运动强度、肌肉发力强度、运动量等因素相关，因此基于肌肉电数据得到的运动强度可以用于构建适配于运动状态下的个性化参数配置模型，即运动模式参数配置模型。由于运动状态下用户个体情况还与其他因素相关，因此可以构建出多种类型的运动模式参数配置模型，此处仅为其中一个示例。为便于描述，本技术中将本实施例中的运动模式参数配置模型称为第一运动模式参数配置模型。其中，运动模式，可以实时监控运动状态、运动量和发力状态，使泵转速快速相应。
[0128]
其中，第一运动模式参数配置模型用于预测目标设备参数。进一步可选地，第一运动模式参数配置模型表示为如下公式：
[0129]vmax
》v
tar
》v
min
[0130]
其中，v
max
由用户当前行为状态下的最大设备参数，v
min
由用户当前行为状态下的最小设备参数，v
tar
为目标设备参数，s为当前指定时间段内的运动强度，s
max
为历史最大运动强度，w1为第一自定义权重。
[0131]
本技术实施例中，通过行为规律拟合函数将生理指标数据中的肌肉电数据拟合为行为规律数组，得到用户在各个时间段内的运动强度，再结合各个时间段内的运动强度分析出该用户的运动强度变化规律，从而构建出符合用户个体情况的个体化参数配置模型，使供血驱动装置能够在该个体化参数配置模型的辅助配置下更为适配于用户身体状态，降低供血驱动装置的定制化成本，有利于供血驱动装置的推广应用。
[0132]
在上述或下述实施例中，步骤s102之后，还可以基于第一行为规律拟合数组，对用户在各个指定时间段内的肌肉运动情况进行标注，并获取被标注的指定时间段内的肌肉发力强度。其中，在被标注的指定时间段内用户使用肌肉进行的运动达到设定强度。
[0133]
作为一个可选实施例中，上述步骤中，基于第一行为规律拟合数组，对用户在各个指定时间段内的肌肉运动情况进行标注，并获取被标注的指定时间段内的肌肉发力强度，可以实现为：
[0134]
将第一行为规律拟合数组进行傅里叶变换，并以傅里叶变换结果的绝对值的平方，作为各个指定时间段内的频域特征能量密度；将各个指定时间段内的频域特征能量密度采用行为规律拟合函数进行拟合处理，得到第二行为规律拟合数组；根据第二行为规律拟合数组中各个指定时间段内的定积分，将定积分大于预设阈值的指定时间段采用发力标识进行标注；以第二行为规律拟合数组中对应的定积分，作为用户在被标注的指定时间段
内的肌肉发力强度。
[0135]
继续上文示例，上述步骤中，假设将图3示出的第一行为规律拟合数组emg raw按照行为状态l对应的起止时间进行分段，分别对每个起止时间范围t内对应的emg raw数据进行傅里叶变换，即：
[0136]
emg_fft＝fft(emg_data)
[0137]
然后，采用以下公式对傅里叶变换结果进行计算，得到每个起止时间范围t内对应的频域特征能量密度，作为每个行为状态l对应的频域特征能量密度power_density，参见图4。公式如下：
[0138]
power_density＝|emg_fft|2[0139]
接着，将每个行为状态l对应的频域特征能量密度power_density、时间t、拟合阶数n，输入到行为规律拟合函数poly，得到第二拟合数组(即第二行为规律拟合数组)，分别记为still(对应静止状态)，noise(对应干扰噪声状态)，hold(对应负重状态)。其中，干扰噪声主要来自传感器。
[0140]
进而，建立形式为f(x)＝y的映射函数，并将第二拟合数组still、noise、hold分别代入该映射函数中。取各第二拟合数组中0到n-1的长度范围内的数据，并对这些数据求定积分，得到第二拟合数组对应的三个定积分结果spd
still
，spd
noise
，spd
hold
。其中，第二拟合数组的定积分结果的具体图像参见图5。在图5中，阴影部分的面积表示频率能量密度拟合函数的定积分。
[0141]
最终，根据第二行为规律拟合数组的定积分结果，对用户的发力情况进行标注。具体地，若spd大于预设阈值，则采用发力flag(即发力标识)标注对应的指定时间段，并以该spd作为用户在当前指定时间段内的肌肉发力强度。实际应用中，可以从图5中直接将阴性部分对应的起止时间，作为用户存在发力现象(如握举行为)的时间段。
[0142]
通过上述示例中的处理流程，可以识别出用户的行为状态。具体处理流程以及相关阈值参数可根据实际应用场景进行设置。
[0143]
在获取被标注的指定时间段内的肌肉发力强度之后，步骤s104中，基于运动强度构建个体化参数配置模型的一种可选实现方式，可以是：
[0144]
基于各个指定时间段内的运动强度、以及被标注的指定时间段内的肌肉发力强度，构建出第二运动模式参数配置模型。该第二运动模式参数配置模型也可用于预测目标设备参数。
[0145]
实际应用中，在运动模式下，运动强度和肌肉发力强度会影响血液供应，因而，可以通过同时控制这两种参数来调控最终的驱动部件运行参数，进一步可选地，第二运动模式参数配置模型表示为如下公式：
[0146]vmax
》v
tar
》v
min
[0147]
其中，v
max
由用户当前行为状态下的最大设备参数，v
min
由用户当前行为状态下的最小设备参数，v
tar
为目标设备参数，s为当前指定时间段内的运动强度，s
max
为历史最大运动强度，w1为第一自定义权重，spd为当前指定时间段内的肌肉发力强度，spd
max
为历史最大肌肉发力强度，w2为第二自定义权重。
[0148]
本实施例中，通过行为规律拟合函数将生理指标数据中的肌肉电数据拟合为行为
规律数组，得到用户在各个时间段内的运动强度以及肌肉发力强度，再结合这两个参数综合分析出该用户的运动强度变化规律，从而构建出符合用户个体情况的个体化参数配置模型，以便同时通过这两个参数调控供血驱动装置的配置参数，使供血驱动装置能够更为适配用户身体状态，进一步降低供血驱动装置的定制化成本。
[0149]
在上述或下述实施例中，步骤s101之后，将所述生理指标数据中各个指定时间段内的加速度数据和/或陀螺仪数据采用行为规律拟合函数进行拟合处理，得到第三行为规律拟合数组；以所述第三行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动量。
[0150]
与上文类似地，对于默认输入的传感器数据取正值之后得到的结果，可以采用拟合算法求得行为规律拟合函数，通过对行为规律拟合函数求一段时间内的定积分，从而，识别出当前行为状态对应的运动量。
[0151]
本技术实施例中，所述第三行为规律拟合数组包括但不限于：各个指定时间段内分别处于静止状态(still)、干扰噪声状态(noise)、负重状态(hold)下的拟合数组。此处的拟合数组可以是采用上文介绍的函数poly构建得到的。进一步可选地，所述用户在各个指定时间段内的运动量包括：用户在各个指定时间段内分别处于静止状态、干扰噪声状态、负重状态下的运动量。
[0152]
举例来说，接收传感器收集到的生理指标数据之后，可以得到m个时间段内的信息矩阵，记为m。其中，信息矩阵m的行信息可表示为：
[0153]
[t，kv0，v0，kv1，v1，
…
，kvn，vn，l]
[0154]
结合当前行为状态l、时间t以及对应的传感器数据值v，定义特征提取函数，用于确认当前行为状态对应的传感器状态，方便进行处理，数据如图6所示。
[0155]
具体来说，需要对加速度数据和陀螺仪数据进行滤波去噪处理。可选地，将三轴加速度数据(ax，ay，az)求平均值，得到的均值结果记为：(ax+ay+az)/3。进而，采用函数clip(filtered，a_min＝0，a_max＝none)对均值结果进行裁剪处理，输出加速度滤波结果acc。类似地，对三轴陀螺仪数据(gx，gy，gz)，采用上述流程进行滤波处理，得到陀螺仪滤波结果gyro。进而，将加速度滤波结果acc以及陀螺仪滤波结果gyro进行均值处理，输出最终的整体滤波结果mean，整体滤波效果见图7所示。
[0156]
在滤波处理之后，根据行为状态l对应的起止时间，分别将其每个起止时间范围内的时间t、滤波结果mean的均值mean、拟合阶数n输入到行为规律拟合函数poly，得到第三拟合数组(即第三行为规律拟合数组)，分别记为still(对应静止状态)，noise(对应干扰噪声状态)，hold(对应负重状态)。其中，干扰噪声主要来自传感器。
[0157]
接着，建立形式为f(x)＝y的映射函数，并将第一拟合数组still、noise、hold分别代入该映射函数中。取各数组中0到n-1的长度范围内的数据，并对这些数据求定积分，得到对应的三个定积分结果p
still
，p
noise
，p
hold
。其中，三个定积分结果的具体图像参见图8。在图8中，raw为mean的原始数据，阴影面积表示定积分结果。最终，以定积分结果p
still
，p
noise
，p
hold
作为当前时间段m内的运动量p。
[0158]
在一可选实施例中，获取各个指定时间段内的运动量之后，基于所述运动强度构建个体化参数配置模型，可以实现为：
[0159]
基于各个指定时间段内的运动强度以及运动量，构建出第三运动模式参数配置模
型。该第三运动模式参数配置模型用于预测目标设备参数。
[0160]
进一步可选地，第三运动模式参数配置模型表示为如下公式：
[0161]vmax
》v
tar
》v
min
[0162]
其中，v
max
由用户当前行为状态下的最大设备参数，v
min
由用户当前行为状态下的最小设备参数，v
tar
为所述目标设备参数，s为当前指定时间段内的运动强度，s
max
为历史最大运动强度，w1为第一自定义权重，p为当前指定时间段内的运动量，p
max
为历史最大运动量，w2为第三自定义权重。
[0163]
本实施例中，通过行为规律拟合函数将生理指标数据中的加速度数据、陀螺仪数据、肌肉电数据拟合为行为规律数组，得到用户在各个时间段内的运动量以及运动强度，再结合这两个参数综合分析出该用户的运动强度变化规律，从而构建出符合用户个体情况的个体化参数配置模型，以便同时通过这两个参数调控供血驱动装置的配置参数，使供血驱动装置能够更为适配用户身体状态，进一步降低供血驱动装置的定制化成本。
[0164]
实际应用中，除了上述三种运动模式参数配置模型之外，还可以基于运动量、运动强度、肌肉发力强度等参数，综合构建符合用户个体情况的个体化参数配置模型。构建原理类似，此处暂不展开。
[0165]
介绍完本技术实施例提供的模型构建方法之后，下面介绍本技术实施例中提供的一种参数配置方法。图9为本技术一实施例提供的供血驱动装置的参数配置方法的流程示意图。
[0166]
步骤s901，获取目标装置对应的用户个体数据。
[0167]
步骤s902，基于用户个体数据获取与用户身体状态匹配的目标设备参数。
[0168]
具体来说，步骤s902中，基于用户个体数据获取与用户身体状态匹配的目标设备参数。其中，个体化参数配置模型是基于运动强度构建的；运动强度是采用行为规律拟合函数第生理指标数据中各个指定时间段内的肌肉电数据进行拟合处理得到的；用户所处身体状态至少包括肌肉发力程度；目标设备参数包括目标装置在用户所处身体状态下相匹配的驱动部件运行参数。
[0169]
由于供血状态与用户自身的供血驱动系统的运行情况相关联，比如，用户处于运动状态下对供血驱动系统的供血状态，用户处于睡眠状态下对供血驱动系统的供血状态，用户处于家务劳动状态下对供血驱动系统的供血状态。因而，结合用户个体数据进一步分析出用户的个体情况，以便后续步骤中可以基于上述情况实现对供血驱动装置的个性化参数配置。
[0170]
相关技术中，机器学习模型的研发推广往往需要医学、数学、计算机等多学科、跨行业之间配合实现，因而，如果采用传统的机器学习模型的研发方式，单个模型的定制时间较长，研发成本较高，难以适应不同用户在不同身体状态下的个体情况。
[0171]
针对这一问题，在获取用户所处身体状态的基础上，本技术实施例中，提供了一种定制化的设备参数预测方式。用户身体状态包括但不限于用户行为状态，在不同行为状态下用户的个体需求不同。因而，步骤s902中，基于所述用户个体数据识别用户的行为状态。具体来说，对每一个用户的供血需求进行深入分析，预测出用户在不同身体状态下对应的个体情况(比如用户在当前活动状态下的血液灌注需求)，从而，获取与用户身体状态匹配
的目标设备参数。通过目标设备参数实现目标装置的参数配置，辅助实现目标装置适应用户个体情况。
[0172]
基于上述原理方式，参见图10所示，上述步骤s902中基于所述用户个体数据获取与用户身体状态匹配的目标设备参数的一种可选实施例，具体实现为以下步骤s1001～步骤s1003：
[0173]
步骤s1001，基于用户个体数据识别用户的行为状态；
[0174]
步骤s1002，获取用户行为状态对应的目标工作模式；所述目标工作模式包括所述目标装置的运动模式、血氧平衡模式、睡眠模式、定速模式中的一个；所述目标工作模式用于满足用户在当前行为状态下的供血需求；
[0175]
步骤s1003，通过目标工作模式对应的个体化参数配置模型，对用户个体数据进行参数预测处理，得到目标设备参数；所述个体化参数配置模型基于历史用户个体数据预先训练得到。
[0176]
通过上述步骤s1001至步骤s1003，可以依据用户个体数据识别出用户所处的行为状态，进而，结合用户行为状态选取个体化参数配置模型，用以对用户个体数据进行参数预测处理得到目标设备参数，辅助供血驱动装置适应用户在当前行为状态下的个体情况。
[0177]
当然，实际应用中，可以是对实时行为状态的预测，此情况下最终得到的目标设备参数是有助于供血驱动装置适应用户当前情况的设备参数配置，可用于装置配置、更新、调整等场景；也可以是对历史行为状态的预测，此情况下，最终得到的目标设备参数是有助于供血驱动装置适应用户历史情况的设备参数配置，可用于用户个体化分析、模型训练、辅助诊疗等场景。
[0178]
步骤s1001中，基于所述用户个体数据识别用户的行为状态。本技术实施例中，用户的行为状态包括多种类型。进一步可选地，根据用户的年龄段、日常活动规律、日常活动需求，可以对用户的行为状态进行个体化定制。或者，也可以是由专业医疗机构预先为不同人群配置的，比如，依据患病类型可以分为：心脏病人群、高血压人群、糖尿病人群。以心脏病为例，根据患病年龄可以分为：儿童心脏病人群、中青年心脏病人群、老年心脏病人群。以心脏病为例，基于患病程度可以分为：轻度人群、中度人群、重度人群。以用户a为例，用户a的行为状态l可以设置为以下：浅睡眠、深度睡眠、静止(清醒状态下)、走路、慢跑、握举、日常活动(包括办公、家务)。
[0179]
本技术实施例中，每种行为状态均设置有对应的设备参数档位(threshold)。作为一个可选实施例，为了适应用户在不同身体状态下的个体情况，设置了多个设备参数档位。可以理解的是，设备参数档位即所述目标装置的多个转速区间。不同设备参数档位之间转速可以重叠。不同设备参数档位中，转速调节趋势由这一区间对应的实际应用场景以及用户在这一场景中的身体状态变化来决定。
[0180]
本技术实施例中，各个设备参数档位分别配置有对应的驱动部件运行参数。各个设备参数档位对应的驱动部件运行参数，包括但不限于：心脏泵的最高转速、最低转速、运行时默认转速、植入式动脉泵的最高心跳补偿转速、最低心跳补偿转速、默认心跳补偿转速中的至少一个。
[0181]
以心脏泵为例，设置n个设备参数档位，其中n为大于1的整数。假设n为50。每个设备参数档位中，设置有该设备参数档位对应的最高转速(记为v
max
)、最低转速(记为v
min
)、运
行时默认转速(记为v
nomal
)。当目标装置处于某一设备参数档位时，其转速不可以超过对应的最高转速或最低转速，通常是采用运行时默认转速来执行。
[0182]
需要说明的是，运行时默认转速可以是最高转速与最低转速之间的区间值，可以是多个，也可以是一个。运行时默认转速可以是静态设置的，例如设置为某一个静态值，该静态值可以根据用户自身的活动规律设置。进一步可选地，该静态值可以是最高转速与用户当前的血压循环参数之间的差值。另一实施例中，运行时默认转速也可以是根据用户体验和/或监测指标来动态调整的。进一步可选地，通过运动手表、心脏监测装置等设备检测到的生理指标值，评估用户当前的身体状态是否处于医生给出的最佳值。若是，则保持当前运行时默认转速；若否，则调整运行时默认转速，直至监测到用户处于最佳身体状态。
[0183]
下面分别以不同类型的生理指标数据为例，介绍上述步骤s902中基于用户个体数据获取与用户身体状态匹配的目标设备参数的具体实现方式。
[0184]
在一可选实现方式中，假设所述生理指标数据至少包括加速度数据和/或陀螺仪数据。基于上述假设，本技术提供了步骤s1001的一种可选实施例，参见图11所示，可以实现为以下步骤：
[0185]
步骤s1101，从用户个体数据中提取生理指标数据；
[0186]
步骤s1102，基于生理指标数据确定用户在指定时间段内的运动量；
[0187]
步骤s1103，根据用户在指定时间段内的运动量，确定用户在指定时间段内的行为状态。
[0188]
通过上述步骤s1101至s1103，可以根据生理指标数据确定用户在各个时间段内的行为状态，以便结合行为状态所反映的用户个体情况(比如各个器官的血液灌注需求等)，辅助选取目标装置适配的工作模式，为后续目标设备参数的获取过程提供个体化的数据分析基础。本技术中为便于描述，目标装置适配的工作模式又称为目标工作模式。
[0189]
步骤s1101中，从用户个体数据中提取生理指标数据。可选地，生理指标数据包括：加速度数据和/或陀螺仪数据。本技术实施例中，由于加速度数据和/或陀螺仪数据能够从用户姿态、所处位置等角度反映出用户的行为状态特征，比如运动量。例如，通过采用预先建立的行为规律拟合函数，从上述数据中获取拟合数组，从而通过拟合数组计算得到用户的运动量。又例如，通过采集用户在24小时内各个时段下的加速度数据和陀螺仪数据，可以确定出用户的行动距离，从而推测出用户的运动量。因而，通过对用户在不同时间段下的加速度数据和/或陀螺仪数据，能够分析出用户在不同时间段下的运动量，便于判断用户在不同时间段下的行为状态。本技术实施例中，为便于描述将需要处理的时间段称为指定时间段。
[0190]
步骤s1102中，基于生理指标数据确定用户在指定时间段内的运动量。具体来说，进一步可选地，从所述生理指标数据中获取各个指定时间段内的加速度数据和/或陀螺仪数据；将加速度数据和/或陀螺仪数据采用行为规律拟合函数进行拟合处理，得到第三行为规律拟合数组；以所述第三行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动量。
[0191]
步骤s1103中，根据用户在指定时间段内的运动量，确定用户在指定时间段内的行为状态。具体来说，在一可选实现方式中，根据用户在各个指定时间段内的运动量，以及预先设置的运动量与行为状态的映射关系，获取用户在各个指定时间段内的行为状态。
[0192]
举例来说，假设以定积分结果p
still
，p
noise
，p
hold
作为当前时间段m内的运动量p。此处，运动量p的获取方式参见上文示例中与第三拟合数组以及运动量p相关的描述，此处暂不展开。
[0193]
基于此，从时间段m的运动量p，分析当前用户的行为状态。具体地，建立运动量p的数值范围与行为状态l之间的映射关系pmap，从而，通过n对1的映射关系pmap可以获取到运动量p对应的行为状态l。
[0194]
值得说明的是，实际应用中，除了采用运动量来判断行为状态之外，也可以采用运动强度、发力标识、肌肉发力强度等参数来判断行为状态。具体判断原理与上文类似，此处暂不展开赘述。
[0195]
基于用户个体数据识别用户的行为状态之后，需要获取用户行为状态对应的目标工作模式。下面结合具体场景，介绍几种目标工作模式的处理方案。
[0196]
作为一个可选实现方式，用户行为状态对应的工作模式，包括但不限于：运动模式、血氧平衡模式、睡眠模式、定速模式。可以说明的是，工作模式之间的切换可以是手动进行的，也可以是通过生理指标数据的检测以及行为状态的识别来自动实现的，还可以是根据历史活动规律预先设置的。
[0197]
其中，运动模式，可以实时监控运动状态、运动量和发力状态，使泵转速快速相应。血氧平衡模式，可以使泵转速随血氧含量在一定区间内动态调节。睡眠模式，可以设置一段时间内在不降低血氧饱和度的前提下降低泵转速，从而快速进入睡眠。该模式可以在满足预设条件时自动设置，也可以手动切换。定速模式，可以在一定区间内和时间内使泵定速运行。相对于传统的定速模式，本技术涉及的定速模式可以根据用户个体化数据进行设置，比如，根据用户年龄、性别、诊疗记录以及历史生理指标数据，对定速模式中的恒定速度进行设置。当然，实际应用中，还可以建立不同应用场景关联的恒定速度，从而，通过识别当前应用场景确定对应的目标装置运行所需的恒定速度。
[0198]
在一种可选实施例中，假设目标工作模式为运动模式。基于此假设，上述步骤s1002可以实现为：将标注有发力标识的指定时间段的目标工作模式设置为运动模式。
[0199]
继续基于上述假设，上述步骤s1003中，通过所述目标工作模式对应的个体化参数配置模型，对所述用户个体数据进行参数预测处理，得到所述目标设备参数，可以实现为：
[0200]
从预先训练得到的多种模型中，调用运动模式对应的运动模式参数配置模型；将所述生理指标数据输入到当前行为状态下的运动模式参数配置模型中，得到驱动部件运行参数在运动模式中的预测值；对所述预测值进行平滑处理，得到驱动部件运行参数在运动模式下的单位时间内的调整值。
[0201]
本技术实施例中，所述运动模式参数配置模型由用户在各个行为状态下的历史运动量以及历史运动强度训练得到。进一步可选地，驱动部件运行参数在运动模式中的预测值至少包括以下参数值之一：心脏泵的目标转速值、植入式动脉泵的目标心跳补偿转速值。相应地，单位调整值至少包括以下参数值之一：心脏泵的转速调整值、植入式动脉泵的心跳补偿转速调整值。
[0202]
可以理解的是，进一步可选地，心率、血氧含量、血氧饱和度等生理指标数据也可以作为反馈参数，用以调节个体化参数配置模型。从而，使个体化参数配置模型输出的预测值，能够辅助供血驱动装置越来越适配于用户的供血需求。实际应用中，除了运动模式参数
配置模型之外，还可以针对运动模式下用户的供血驱动系统的负荷特点，优化运动模式参数配置模型中的配置参数。
[0203]
实际应用中，与上文示例类似，在运动模式下，运动量和肌肉发力程度会影响血液供应，因而，可以通过这两种参数来调控最终的驱动部件运行参数，运动模式对应的运动模式参数配置模型(与上文第三运动模式参数配置模型类似)，可以表示为：
[0204]vmax
》v
tar
》v
min
[0205]
其中，v
max
由行为状态l对应的最大设备参数，v
min
由行为状态l对应的最小设备参数，v
tar
是所述目标装置的目标设备参数的预测值，p
max
为历史最大运动量，s
max
为历史最大运动强度，w2和w3为自定义权重。具体来说，v
max
和v
min
由行为状态l带入dicvg(l)获得，v
tar
是目标装置达到生理心理健康指标时驱动部件的速率，p
max
为数据采集阶段中的最大运动量，s
max
为数据采集阶段中的最大运动强度，w2和w3为采集到的人机磨合数据经过自动化数学建模方式得到的权重。w2和w3可以通过对上位机采集到的数据计算获得。
[0206]
以运动模式为例，控制模块通过如wi-fi、蓝牙、zigbee等无线通信方式获取传感器数据(即生理指标数据)，解析后得到dicv(kv)＝v和dict(kv)＝t，并采用前文示例中的滤波去噪方式处理之后，将传感器数据输入到运动模式对应的运动模式参数配置模型中进行参数预测。
[0207]
接着，通过运动模式对应的运动模式参数配置模型，得到心脏泵或动脉泵在运动模式中的目标速率v
tar
(即预测值)。通过以下公式对目标速率v
tar
进行平滑处理，得到心脏泵或动脉泵在单位时间内的速率调整值v
tmp
。假设调节周期为t，假设从当前速率v
cur
到目标速率v
tar
的时间为goal，基于此，每次速率调节次数为goal/t。具体公式如下：
[0208][0209]
通过上述运动模式参数配置模型可以为用户配置运动模式下的驱动部件运行参数，这样，通过与用户当前行为状态匹配的运动模式以及运动模式参数配置模型，能够预测得到更符合用户当前供血需求的驱动部件运行参数。
[0210]
一般来说，静息心率是在休息或静止状态下的心率。静息心率是比较慢的，而从运动状态转换到其他状态时的恢复心率，或运动状态下的最大心里则是比较快的。为提升用户舒适度，对于目标装置的驱动部件运行参数来说，不能一直采用某一状态的心率作为标准来调整血氧饱和，这样可能会造成用户的血氧饱和度一直维持在99％，甚至100％，影响使用身心健康。
[0211]
因而，在各类测试活动中，可以动态调整目标装置的驱动部件运行参数(如心脏泵的目标转速值、植入式动脉泵的目标心跳补偿转速值)，使血氧含量达到人体各器官的使用需求。这种模式称为血氧平衡模式。
[0212]
作为另一个可选实现方式，上述步骤s1002中，获取用户行为状态对应的目标工作模式的一种可选实施例，具体实现为以下步骤：将未标注有发力标识且未处于睡眠状态下的指定时间段的目标工作模式设置为血氧平衡模式。
[0213]
在血氧平衡模式下，上述步骤s1003中，从预先训练得到的多种模型中，调用血氧平衡模式对应的血氧平衡模式参数配置模型。其中，所述血氧平衡模式参数配置模型由各
个行为状态下所需达到的参考血氧参数训练得到。所述参考血氧参数与驱动部件运行参数值之间线性相关。进一步可选地，所述参考血氧参数基于各个行为状态下的历史血氧参数以及用户反馈的体感信息得到。所述参考血氧参数包括但不限于：血氧含量、血氧饱和度。进一步地，还可以结合用户以及专业医疗机构对各个测试活动的反馈评价，进一步调整目标装置的驱动部件运行参数。
[0214]
进而，步骤s1003中，将所述生理指标数据中的血氧参数，输入到当前行为状态下的血氧平衡模式参数配置模型中，得到驱动部件运行参数在血氧平衡模式中的预测值。最终，对所述预测值进行平滑处理，得到驱动部件运行参数在血氧平衡模式下的单位调整值。
[0215]
值得说明的是，血氧平衡模式中各个驱动部件运行参数的获取方式与前文运动模式中驱动部件运行参数的获取方式类似，相似之处不展开赘述。
[0216]
举例来说，假设在行为状态l下需要达到的血氧饱和度阈值为os。基于此，在数据采集阶段中，通过观察实时血氧以及用户活动表现，手动调节的各种行为状态与驱动部件运行参数的实时值，使其达到血氧饱和度阈值os。从而，记录各种行为状态l对应的驱动部件运行参数的阈值范围[v
min
，v
max
]以及对应的调节时间goal。其中，调节时间goal为当前驱动部件运行参数到达目标驱动部件运行参数属性所需的时间。上述对应关系记录为：dicvg(l)＝[v
min
，v
max
，goal]，具体关系可以表示为图12所示的效果。
[0217]
通过上文可知，血氧饱和度与驱动部件运行参数是线性相关的，因此可以采用多项式拟合得到如下函数：
[0218]vmax
》v
tar
》v
min
[0219]
其中，v
max
由行为状态l对应的最大设备参数，v
min
由行为状态l对应的最小设备参数，v
tar
是所述目标装置的目标设备参数的预测值，os为血氧饱和度，w1至wn是自定义权重。具体来说，v
max
和v
min
由行为状态l带入dicvg(l)获得，v
tar
是目标装置达到生理心理健康指标时驱动部件的速率，os为血氧饱和度，w1至wn则是通过上位机采集的人机磨合数据经由自动化数学建模方式得到的权重。
[0220]
上述血氧平衡模式参数配置模型中，可以根据血氧含量、血氧饱和度等参数动态调整目标装置的驱动部件运行参数，从而辅助目标装置使用户的各个器官达到目标血氧饱和度。
[0221]
作为另一个可选实现方式，上述步骤s1002中，获取用户行为状态对应的目标工作模式，可以实现为：将处于睡眠状态下的指定时间段的目标工作模式设置为睡眠模式。
[0222]
基于此，上述步骤s1003中，从预先训练得到的多种模型中，调用睡眠模式对应的睡眠模式参数配置模型。进而，将所述生理指标数据中的血氧参数，输入到睡眠模式参数配置模型中，得到驱动部件运行参数在睡眠模式中的预测值，所述睡眠模式参数配置模型用以在保持当前血氧饱和度的情况下降低驱动部件参数的数值。例如，在睡眠模式下，可以将驱动部件运行参数下调到设备参数档位所限定的最低值，也可以下调到用户反馈体感舒适时对应的数值，还可以根据睡眠状态下的生理指标监测情况动态调整下降值。最终，对所述预测值进行平滑处理，得到驱动部件运行参数在睡眠模式下的单位调整值。
[0223]
值得说明的是，睡眠模式中各个驱动部件运行参数的获取方式与前文运动模式、以及血氧平衡模式中驱动部件运行参数的获取方式类似，相似之处不展开赘述。
[0224]
在一可选实施例中，还可以根据所述诊疗信息确定用户对应的预警条件。若所述生理指标数据满足所述预警条件，则生成所述生理指标数据对应的预警信息，用以辅助相关人员(如医护人员或监护人员)及时检查用户的健康情况。例如，假设预警条件包括血氧饱和度的最低值，若血氧饱和度低于最低值，则生成低血氧警告，并发送给预先绑定的医疗机构或相关人员处。
[0225]
步骤s903，基于目标设备参数配置目标装置。
[0226]
通过上述步骤，可以将目标设备参数配置到目标装置中，从而实现目标装置的个性化参数配置过程，提升目标装置对用户个体情况的适应性，提升用户体验。
[0227]
进一步可选地，在s903之前，还需要对目标设备参数进行可用性判别，以确定目标设备参数是否可以应用到用户自身的个体情况。可用性判别，包括但不限于以下：
[0228]
第一种判别方式：判断多种传感器采集到的数据是否超过阈值，以剔除异常测量值，避免潜在风险和干扰使用者生活。比如，检测传感器是否存在异常。比如，检测是否存在超过阈值的加速度、陀螺仪或肌肉电传感器值判断异常情况。
[0229]
第二种判别方式：判断监测对象是否已穿戴监测设备。比如，根据血氧和加速度传感器数据，判断监测对象是否处于穿戴状态。
[0230]
第三种判别方式：判断是否监测对象本人穿戴。进一步地，通过控制模块的显示屏和监控开关进行设备状态关联，从而判断穿戴者是否为本人。或者，手动连接以指示穿戴者为本人。
[0231]
完成上述一个或多个判别之后，可以将目标设备参数配置到目标装置中，以控制目标装置的驱动部件满足供血需求。
[0232]
作为一种可选实施例，根据监控设备的使用状态和传感器工作情况，若出现异常情况，比如控制模块出现异常或生理指标数据出现检测异常，则自动进入调节工作状态或恢复默认定速状态。
[0233]
作为一种可选实施例，步骤s901之后，获取目标装置对应的用户个体数据之后，还可以采用所述用户个体数据训练用户的个体化参数配置模型；基于所述用户个体数据设置所述与用户行为状态匹配的设备参数档位；将所述用户个体数据、训练得到的个体化参数配置模型、以及更新后的设备参数档位上传至历史适配数据库中，用以供审核端对所述历史适配数据库中的个体化参数配置模型和/或设备参数档位进行审核；若个体化参数配置模型和/或设备参数档位通过审核，则从所述历史适配数据库中将个体化参数配置模型和/或设备参数档位下发至所述目标装置。
[0234]
进一步可选地，在个体化参数配置模型和/或设备参数档位审核通过之后，生成针对个体化参数配置模型和/或设备参数档位的个体化审核信息。进而，将个体化参数配置模型、设备参数档位、目标设备参数以及对应的个体化审核信息存储到所述历史适配数据库中。这样，有助于为后续的审核评估提供数据基础，进一步提升目标设备参数的准确性。
[0235]
在一可选实施例中，还提供了一种历史适配数据库的建立方式。具体来说，获取医疗数据样本。本技术实施例中，所述医疗数据样本包括用户所使用的历史装置、历史设备参数、以及所述历史设备参数对应的历史用户个体数据。所述历史设备参数包括多个设备参数档位、以及各个设备参数档位对应的驱动部件运行参数。所述历史装置的类型包括心脏泵和/或植入式动脉泵。进而，从所述历史用户个体数据中提取隐私数据。本技术实施例中，
所述隐私数据包括用户的心率、血氧饱和度、肌肉电数据、生理性别、年龄、体重、身高、基础病史、心脏指标、血液循环参数、病例记录、治疗方案中的至少一个。接着，对所述隐私数据进行脱敏处理，得到脱敏处理后的历史用户个体数据。最终，将所述历史装置、所述历史设备参数、以及所述历史设备参数对应的历史用户个体数据存储到所述历史适配数据库中，并建立所述历史装置与所使用的设备参数档位之间的对应关系，以及所述历史装置与所述历史用户个体数据之间的对应关系。
[0236]
通过上述步骤可以构建出历史适配数据库，从而，便于专业医疗机构查询、调取以及审核设备参数调整时所需参考的历史数据，为设备参数的评估提供评估依据，辅助目标装置的个性化参数配置过程，提升目标设备参数的准确性。同时，也降低设备参数评估时历史数据检索所消耗的时间成本，提高装置个性化参数的配置效率。
[0237]
本技术实施例中，基于用户个体数据分析用于体现供血驱动系统运行情况的身体状态，再结合用户的身体状态为供血驱动装置定制匹配于用户个体情况的目标设备参数，使目标装置能够在目标设备参数的自动化配置下更为适应用户自身对供血驱动系统的需求。同时，通过识别用户个体情况实现对供血驱动装置的定制化参数配置，还大大降低了供血驱动装置的定制化成本，有利于供血驱动装置的推广应用。
[0238]
目前，对医疗器械、耗材、药物等医疗产品的定制化研发、生产、使用的费用均高居不下。相关技术中，通常是为用户装配使用相关的器械设备，并通过对用户的恢复训练使用户主动适应器械设备。因而，现有的心脏泵、动脉泵等设备缺乏对用户的适应性调整，用户体验较差。
[0239]
在上述或下述实施例中，针对定制成本高，供血驱动装置对个体适应性不足的情况，还提出了以下方法。
[0240]
进一步可选地，还可以将用户个体数据传输到上位机处，并通过上位机完成对用户个体情况的数据采集，以及个体化参数配置模型的训练。具体来说，作为一个可选实施例，在步骤s901之后，还可以将所述生理指标数据从传感器传输至上位机中。其中，上位机用于训练所述个体化参数配置模型，传感器与所述上位机之间建立有通信连接。进而，在所述上位机中，对所述生理指标数据进行滤波处理；以所述传感器的传感器标识以及设备标识作为索引，将滤波处理后的生理指标数据按照采集时间存储到对应的映射结构中。其中，所述传感器标识包括传感器编号，所述设备标识包括内置所述传感器的设备编号。进而，根据传感器采集时间将与生理指标数据匹配的行为状态添加到所述映射结构中，以构建得到各个时间段对应的信息矩阵；将所述信息矩阵持久化存储到硬盘中。
[0241]
这样，通过上位机处理用户个体数据完成对用户个体情况的针对性分析。在对用户个体情况的分析基础上，采用用户个体数据进一步采用数学建模方式构建出适应于用户个体情况中各个行为状态的个体参数配置模型，实现对供血驱动装置中驱动部件参数的预测模型的自动化训练流程，有助于为专业医疗机构或相关人员提供更为适应于不同用户个体情况的参数配置模型，降低参数设置难度。
[0242]
作为一个可选实施例，供血驱动装置中的控制模块还具有内部/外部消息通信、行为状态识别、驱动部件运行参数下发的功能。控制模块主要应用于对目标装置的控制，但是在训练阶段(如科研、工程研发、测试和使用反馈的阶段)中，也可以将传感器数据中转传输至上位机处的数据采集系统，以便对传感器数据以及其他相关数据进行处理，通过上位机
实现对用户个体情况的定制化分析，以及参数配置模型的工程研发流程。具体流程如下：
[0243]
a)手动将控制模块所处的工作模式切换为研发模式，并为设置上位机的网络通信地址。具体设置方法如下：
[0244]
通过有线方式连接控制模块接口，发送特殊指令将当前工作状态设置为研发模式，同时设置上位机的网络通信地址。设置完成后，发送连接指令后，控制模块将连接上位机的网络地址接口，下次控制模块重启(控制模块重启不会影响驱动和能源系统对泵的作用)后仍然会进行该连接。
[0245]
b)在另一台计算机系统(除监控端和控制模块之外的计算设备)中设置数据采集程序作为上位机，接收来自控制模块的传感器数据。
[0246]
在上位机中编写数据采集程序，用于接收从目标装置控制模块传输的传感器数据。上位机通过与控制模块建立的网络连接接收传感器信息字符串或hex数组，解析后得到dicv(kv)＝v以及dickt(kv)＝t。
[0247]
c)对传感器数据进行预处理，包括滤波和去噪。
[0248]
进一步可选地，采用巴特沃斯滤波器对所述肌肉电数据进行滤波处理。例如，对肌肉收缩电信号(即上文提到的肌肉电数据中的一种)进行预处理时，使用巴特沃斯滤波器对肌肉收缩电信号进行滤波处理，以提高数据质量和减少噪声。其中，巴特沃斯滤波器的传输函数h(z)如下：
[0249]
h(z)＝(b0+b1z-1
+b2z-2
+
…
+bmz-m
)/(a0+a1z-1
+a2z-2
+
…
+amz-m
)
[0250]
其中，h(z)表示滤波器的传输函数，z是单位延迟操作，b0至bm以及a0至am是滤波器的系数。
[0251]
进一步可选地，对加速度传感器输出值(即上文提到的加速度数据)进行处理时，将其x轴，y轴和z轴数据合并后除3进行降维操作，得到值ai，过程如下：
[0252]ai
＝(axi+ayi+azi)/3
[0253]
对加速度陀螺仪传感器输出值进行处理时，将其x轴，y轴和z轴数据合并后除3进行降维操作，并除以λ，得到值gi，过程如下：
[0254]gi
＝((gxi+gyi+gzi)/3)/λ
[0255]
其中，λ作为一个经验参数，主要用于使g转换为小于1的数值，以方便计算。
[0256]
d)半自动记录佩戴者完整一天的行为数据。
[0257]
比如，通过智能手环内置的睡眠监测功能，可以自动识别佩戴者的睡眠起止时间点t
l0
，1，t
l0
，n，并将这段时间内的传感器指标标记为睡眠状态l0。
[0258]
比如，采用定重训练耗材(如定重哑铃)，测量佩戴者在训练过程中对肌肉施加的力量，并使用肌电信号采集装置收集肌肉电信息p。通过记录开始和结束时间t
p
，1，t
p
，n，可以计算肌肉的使用情况，用于训练效果评估和进一步分析。
[0259]
比如，通过运动传感器(如加速度传感器、陀螺仪等)采集到的传感器数据来识别不同的活动状态，如坐l1、卧l2、走l3、跑l4、跳l5等行为。通过定量记录每种活动的时间t
li
，1，t
li
，n，可以了解佩戴者的日常活动模式和运动量，行为集合l＝{l0，ll，l2，
…
，ln}
[0260]
e)对传感器数据进行存储。
[0261]
上位机通过网络接口接收传感器数据，并将其进行存储。同时记录dicv(kv)＝v和dict(kv)＝t的数据，通过上述步骤得到传感器时间对应的行为状态l(睡眠、跑步、跳跃、卧
等)，可记作dickt(t)＝l，从而实现传感器值、类型、时间和行为的完全关联。
[0262]
通过kv关联t和v，通过t关联l，可组成一个数组[t，kv，v，l]，多组传感器在同一时间发送，格式可以为[t，kv0，v0，kv1，v1，
…
，kvn，vn，l]，时间t设置在第一位，当前行为状态设置在最后一位，其中每个时间t组成一行数据，每行存储一个时间的状态，m个时间端的存储格式如下：
[0263]
m＝[t0，kv0，v0，kv1，v1，...，kvn，vn，l
[0264]
t1，kv0，v0，kv1，v1，...，kvn，vn，l
[0265]
...
[0266]
tm，kv0，v0，kv1，v1，...，kvn，vn，l]
[0267]
将传感器数据持久化存储到硬盘中，即可实现不同终端、不同传感器、不同行为和不同时间的存储。
[0268]
通过以上优化步骤，可以在上位机中对目标装置控制模块传感器数据进行采集、预处理和存储，以支持科研、工程研发、测试、使用反馈等阶段的分析工程研发工作。
[0269]
本实施例中，通过研发模式在上位机中处理用户个体数据(包括传感器数据)完成对用户个体情况的针对性分析。在对用户个体情况的分析基础上，采用用户个体数据进一步采用数学建模方式构建出适应于用户个体情况中各个行为状态的个体参数配置模型，从而，实现对供血驱动装置中驱动部件参数的预测模型的自动化训练流程，大大降低模型的个体定制成本，有助于为专业医疗机构或相关人员提供更为适应于不同用户个体情况的参数配置模型，降低参数设置难度。
[0270]
在介绍了本技术示例性实施方式的方法之后，接下来，参考图13对本技术示例性实施方式的一种模型构建装置进行说明，该装置包括：
[0271]
获取单元1301，用于获取目标装置对应的用户个体数据；目标装置为用户所使用的供血驱动装置；用户个体数据包括用户自身的生理指标数据、诊疗信息、目标装置属性中的至少一个；
[0272]
拟合单元1302，用于将生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组；
[0273]
定积分单元1303，用于以第一行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动强度；
[0274]
构建单元1304，用于基于运动强度构建个体化参数配置模型；其中，个体化参数配置模型用于预测与用户所处身体状态匹配的目标设备参数；目标设备参数包括目标装置在用户所处身体状态下相匹配的驱动部件运行参数。
[0275]
作为一种可选的实施方式，拟合单元1302将所述生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组之后，还用于：
[0276]
基于所述第一行为规律拟合数组，对用户在各个指定时间段内的肌肉运动情况进行标注，并获取被标注的指定时间段内的肌肉发力强度。
[0277]
其中，在被标注的指定时间段内用户使用肌肉进行的运动达到设定强度。
[0278]
作为一种可选的实施方式，拟合单元1302基于所述第一行为规律拟合数组，对用户在各个指定时间段内的肌肉运动情况进行标注，并获取被标注的指定时间段内的肌肉发
力强度时，具体用于：
[0279]
将所述第一行为规律拟合数组进行傅里叶变换，并以傅里叶变换结果的绝对值的平方，作为各个指定时间段内的频域特征能量密度；
[0280]
将各个指定时间段内的频域特征能量密度采用行为规律拟合函数进行拟合处理，得到第二行为规律拟合数组；
[0281]
根据所述第二行为规律拟合数组中各个指定时间段内的定积分，将定积分大于预设阈值的指定时间段采用发力标识进行标注；
[0282]
以所述第二行为规律拟合数组中对应的定积分，作为用户在被标注的指定时间段内的肌肉发力强度。
[0283]
作为一种可选的实施方式，构建单元1304基于所述运动强度构建个体化参数配置模型时，具体用于：
[0284]
基于各个指定时间段内的运动强度、以及被标注的指定时间段内的肌肉发力强度，构建出第二运动模式参数配置模型；
[0285]
其中，所述第二运动模式参数配置模型用于预测所述目标设备参数；所述第二运动模式参数配置模型表示为如下公式：
[0286]vmax
》v
tar
》v
min
[0287]
其中，v
max
由用户当前行为状态下的最大设备参数，v
min
由用户当前行为状态下的最小设备参数，v
tar
为所述目标设备参数，s为当前指定时间段内的运动强度，s
max
为历史最大运动强度，w1为第一自定义权重，spd为当前指定时间段内的肌肉发力强度，spd
max
为历史最大肌肉发力强度，w2为第二自定义权重。
[0288]
作为一种可选的实施方式，拟合单元1302还用于：
[0289]
在获取单元1301获取目标装置对应的用户个体数据之后，将所述生理指标数据中各个指定时间段内的加速度数据和/或陀螺仪数据采用行为规律拟合函数进行拟合处理，得到第三行为规律拟合数组；
[0290]
以所述第三行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动量。
[0291]
作为一种可选的实施方式，构建单元1304基于所述运动强度构建个体化参数配置模型时，具体用于：
[0292]
基于各个指定时间段内的运动强度以及运动量，构建出第三运动模式参数配置模型；
[0293]
其中，所述第三运动模式参数配置模型用于预测所述目标设备参数；所述第三运动模式参数配置模型表示为如下公式：
[0294]vmax
》v
tar
》v
min
[0295]
其中，v
max
由用户当前行为状态下的最大设备参数，v
min
由用户当前行为状态下的最小设备参数，v
tar
为所述目标设备参数，s为当前指定时间段内的运动强度，s
max
为历史最大运动强度，w1为第一自定义权重，p为当前指定时间段内的运动量，p
max
为历史最大运动量，w2为第三自定义权重。
[0296]
作为一种可选的实施方式，构建单元1304基于所述运动强度构建个体化参数配置模型时，具体用于：
[0297]
基于各个指定时间段内的运动强度、历史最大运动强度以及第一自定义权重构建出第一运动模式参数配置模型；
[0298]
其中，所述第一运动模式参数配置模型用于预测所述目标设备参数。
[0299]
作为一种可选的实施方式，所述第一运动模式参数配置模型表示为如下公式：
[0300]vmax
》v
tar
》v
min
[0301]
其中，v
max
由用户当前行为状态下的最大设备参数，v
min
由用户当前行为状态下的最小设备参数，v
tar
为所述目标设备参数，s为当前指定时间段内的运动强度，s
max
为历史最大运动强度，w1为所述第一自定义权重。
[0302]
作为一种可选的实施方式，还包括预处理单元，用于：
[0303]
在获取单元1301获取目标装置对应的用户个体数据之后，将所述生理指标数据传输至上位机中；所述生理指标数据中包括肌肉电数据：所述上位机用于执行所述个体化参数配置模型的训练过程；
[0304]
采用巴特沃斯滤波器对所述肌肉电数据进行滤波处理；所述巴特沃斯滤波器的传输函数h(z)如下：
[0305]
h(z)＝(b0+b1z-1
+b2z-2
+
…
+bmz-m
)/(a0+a1z-1
+a2z-2
+
…
+amz-m
)
[0306]
其中，z是单位延迟，b0至bm以及a0至am是滤波器的系数。
[0307]
作为一种可选的实施方式，所述第一行为规律拟合数组包括：各个指定时间段内分别处于静止状态、干扰噪声状态、负重状态下的拟合数组；
[0308]
所述用户在各个指定时间段内的运动强度包括：用户在各个指定时间段内分别处于静止状态、干扰噪声状态、负重状态下的运动强度。
[0309]
作为一种可选的实施方式，预处理单元还用于：
[0310]
在获取单元1301获取目标装置对应的用户个体数据之后，将所述生理指标数据从采集数据的传感器传输至上位机中；所述上位机用于执行所述个体化参数配置模型的训练过程；所述传感器与所述上位机之间建立有通信连接；
[0311]
对所述生理指标数据进行滤波处理；
[0312]
以所述传感器的传感器标识以及设备标识作为索引，将滤波处理后的生理指标数据按照传感器采集时间存储到对应的映射结构中；所述传感器标识包括传感器编号；所述设备标识包括内置所述传感器的设备编号；
[0313]
根据传感器采集时间将与生理指标数据匹配的行为状态添加到所述映射结构中，以构建得到各个时间段对应的信息矩阵；
[0314]
将所述信息矩阵持久化存储到所述上位机的硬盘中。
[0315]
本技术实施例中，通过模型构建装置，通过行为规律拟合函数将生理指标数据中的肌肉电数据拟合为行为规律数组，得到用户在各个时间段内的运动强度，再结合各个时间段内的运动强度分析出该用户的运动强度变化规律，从而构建出符合用户个体情况的个体化参数配置模型，使供血驱动装置能够在该个体化参数配置模型的辅助配置下更为适配于用户身体状态，降低供血驱动装置的定制化成本，有利于供血驱动装置的推广应用。
[0316]
在介绍了本技术示例性实施方式的方法和装置之后，接下来，参考图14对本技术示例性实施方式的计算机可读存储介质进行说明，请参考图14，其示出的计算机可读存储介质为光盘或其他形式存储介质，其上存储有计算机程序(即程序产品100)，所述计算机程序在被处理器运行时，会实现上述方法实施方式中所记载的各步骤，例如，获取目标装置对应的用户个体数据；目标装置为用户所使用的供血驱动装置；用户个体数据包括用户的生理指标数据；将生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组；以第一行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动强度；基于运动强度构建个体化参数配置模型；其中，个体化参数配置模型用于预测与用户所处身体状态匹配的目标设备参数；目标设备参数包括目标装置在用户所处身体状态下相匹配的驱动部件运行参数。
[0317]
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
[0318]
在介绍了本技术示例性实施方式的方法、介质和装置之后，接下来，参考图15对本技术示例性实施方式的用于模型构建的计算设备。
[0319]
图15示出了适于用来实现本技术实施方式的示例性计算设备110的框图，该计算设备110可以是计算机系统或服务器。图15显示的计算设备110仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0320]
如图15所示，计算设备110的组件可以包括但不限于：一个或者多个处理器或者处理单元1101，系统存储器1102，连接不同系统组件(包括系统存储器1102和处理单元1101)的总线1103。
[0321]
计算设备110典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算设备110访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0322]
系统存储器1102可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)11021和/或高速缓存存储器11022。计算设备110可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，rom11023可以用于读写不可移动的、非易失性磁介质(图15中未显示，通常称为“硬盘驱动器”)。尽管未在图15中示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom，dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线1103相连。系统存储器1102中可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本技术各实施例的功能。
[0323]
具有一组(至少一个)程序模块11024的程序/实用工具11025，可以存储在例如系统存储器1102中，且这样的程序模块11024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块11024通常执行本技术所描述的实施例中的功能和/或方法。
[0324]
计算设备110也可以与一个或多个外部设备1104(如键盘、指向设备、显示器等)通信。这种通信可以通过输入/输出(i/o)接口1105进行。并且，计算设备110还可以通过网络
适配器1106与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图15所示，网络适配器1106通过总线1103与计算设备110的其它模块(如处理单元1101等)通信。应当明白，尽管图15中未示出，可以结合计算设备110使用其它硬件和/或软件模块。
[0325]
处理单元1101通过运行存储在系统存储器1102中的程序，从而执行各种功能应用以及数据处理，例如，获取目标装置对应的用户个体数据；目标装置为用户所使用的供血驱动装置；用户个体数据包括用户的生理指标数据；将生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组；以第一行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动强度；基于运动强度构建个体化参数配置模型；其中，个体化参数配置模型用于预测与用户所处身体状态匹配的目标设备参数；目标设备参数包括目标装置在用户所处身体状态下相匹配的驱动部件运行参数。各步骤的具体实现方式在此不再重复说明。应当注意，尽管在上文详细描述中提及了模型构建装置的若干单元/模块或子单元/子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
[0326]
在本技术的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0327]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0328]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0329]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0330]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0331]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。
[0332]
此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

技术特征：
1.一种模型构建方法，其特征在于，包括：获取目标装置对应的用户个体数据；所述目标装置为用户所使用的供血驱动装置；所述用户个体数据包括用户的生理指标数据；将所述生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组；以所述第一行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动强度；基于所述运动强度构建个体化参数配置模型；其中，所述个体化参数配置模型用于预测与用户所处身体状态匹配的目标设备参数；所述目标设备参数包括所述目标装置在用户所处身体状态下相匹配的驱动部件运行参数。2.根据权利要求1所述的方法，其特征在于，所述将所述生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组之后，还包括：基于所述第一行为规律拟合数组，对用户在各个指定时间段内的肌肉运动情况进行标注，并获取被标注的指定时间段内的肌肉发力强度；其中，在被标注的指定时间段内用户使用肌肉进行的运动达到设定强度。3.根据权利要求2所述的方法，其特征在于，所述基于所述第一行为规律拟合数组，对用户在各个指定时间段内的肌肉运动情况进行标注，并获取被标注的指定时间段内的肌肉发力强度，包括：将所述第一行为规律拟合数组进行傅里叶变换，并以傅里叶变换结果的绝对值的平方，作为各个指定时间段内的频域特征能量密度；将各个指定时间段内的频域特征能量密度采用行为规律拟合函数进行拟合处理，得到第二行为规律拟合数组；根据所述第二行为规律拟合数组中各个指定时间段内的定积分，将定积分大于预设阈值的指定时间段采用发力标识进行标注；以所述第二行为规律拟合数组中对应的定积分，作为用户在被标注的指定时间段内的肌肉发力强度。4.根据权利要求2所述的方法，其特征在于，所述基于所述运动强度构建个体化参数配置模型，包括：基于各个指定时间段内的运动强度、以及被标注的指定时间段内的肌肉发力强度，构建出第二运动模式参数配置模型；其中，所述第二运动模式参数配置模型用于预测所述目标设备参数；所述第二运动模式参数配置模型表示为如下公式：其中，v
max
由用户当前行为状态下的最大设备参数，v
min
由用户当前行为状态下的最小设备参数，v
tar
为所述目标设备参数，s为当前指定时间段内的运动强度，s
max
为历史最大运动强度，w1为第一自定义权重，spd为当前指定时间段内的肌肉发力强度，spd
max
为历史最大
肌肉发力强度，w2为第二自定义权重。5.根据权利要求1所述的方法，其特征在于，所述获取目标装置对应的用户个体数据之后，还包括：将所述生理指标数据中各个指定时间段内的加速度数据和/或陀螺仪数据采用行为规律拟合函数进行拟合处理，得到第三行为规律拟合数组；以所述第三行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动量。6.根据权利要求5所述的方法，其特征在于，所述基于所述运动强度构建个体化参数配置模型，包括：基于各个指定时间段内的运动强度以及运动量，构建出第三运动模式参数配置模型；其中，所述第三运动模式参数配置模型用于预测所述目标设备参数；所述第三运动模式参数配置模型表示为如下公式：其中，v
max
由用户当前行为状态下的最大设备参数，v
min
由用户当前行为状态下的最小设备参数，v
tar
为所述目标设备参数，s为当前指定时间段内的运动强度，s
max
为历史最大运动强度，w1为第一自定义权重，p为当前指定时间段内的运动量，p
max
为历史最大运动量，w2为第三自定义权重。7.根据权利要求1所述的方法，其特征在于，所述基于所述运动强度构建个体化参数配置模型，包括：基于各个指定时间段内的运动强度、历史最大运动强度以及第一自定义权重构建出第一运动模式参数配置模型；其中，所述第一运动模式参数配置模型用于预测所述目标设备参数。8.根据权利要求7所述的方法，其特征在于，所述第一运动模式参数配置模型表示为如下公式：其中，v
max
由用户当前行为状态下的最大设备参数，v
min
由用户当前行为状态下的最小设备参数，v
tar
为所述目标设备参数，s为当前指定时间段内的运动强度，s
max
为历史最大运动强度，w1为所述第一自定义权重。9.一种模型构建装置，其特征在于，包括：获取单元，用于获取目标装置对应的用户个体数据；所述目标装置为用户所使用的供血驱动装置；所述用户个体数据包括用户自身的生理指标数据、诊疗信息、目标装置属性中的至少一个；拟合单元，用于将所述生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组；定积分单元，用于以所述第一行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动强度；
构建单元，用于基于所述运动强度构建个体化参数配置模型；其中，所述个体化参数配置模型用于预测与用户所处身体状态匹配的目标设备参数；所述目标设备参数包括所述目标装置在用户所处身体状态下相匹配的驱动部件运行参数。10.一种参数配置方法，其特征在于，包括：获取目标装置对应的用户个体数据；所述目标装置为用户所使用的供血驱动装置；所述用户个体数据包括用户的生理指标数据；基于所述用户个体数据通过个体化参数配置模型预测与用户身体状态匹配的目标设备参数；其中，所述个体化参数配置模型是基于运动强度构建的；所述运动强度是采用行为规律拟合函数第所述生理指标数据中各个指定时间段内的肌肉电数据进行拟合处理得到的；所述用户所处身体状态至少包括肌肉发力程度；所述目标设备参数包括所述目标装置在用户所处身体状态下相匹配的驱动部件运行参数；基于所述目标设备参数配置所述目标装置。

技术总结
本申请提供了一种模型构建方法、参数配置方法以及相关装置。该方法包括：获取目标装置对应的用户个体数据；目标装置为用户所使用的供血驱动装置；用户个体数据包括用户的生理指标数据；将生理指标数据中各个指定时间段内的肌肉电数据采用行为规律拟合函数进行拟合处理，得到第一行为规律拟合数组；以第一行为规律拟合数组在各个指定时间段内的定积分，作为用户在各个指定时间段内的运动强度；基于运动强度构建个体化参数配置模型；个体化参数配置模型用于预测与用户所处身体状态匹配的目标设备参数。本申请能够构建个体化参数配置模型，使供血驱动装置能够在该模型的辅助配置下更为适配于用户身体状态，降低供血驱动装置的定制化成本。定制化成本。定制化成本。


技术研发人员：乔元风 曾凡 孙德佳 朱江烽 阎昶安 王明刚
受保护的技术使用者：上海萱闱医疗科技有限公司
技术研发日：2023.08.04
技术公布日：2023/9/26