本发明涉及一种生理参数检测方法，具体涉及一种人体生理参数检测方法、装置、存储介质及系统。
背景技术：
随着科技的发展，多种非入侵检测人体生理参数技术的成熟，使得市面上出现越来越多应用非入侵检测人体生理参数方法的产品通过采集人体信号对人体生理参数进行检测。
一般地，市面上的人体生理参数检测产品运用单一的检测方法对人体进行检测，由于受到检测方法的限制，如果用户在运用该产品进行生理参数检测之前服用过药物或经历过运动过程，则无法通过单一人体生理参数检测方法得出准确的生理参数值，并且如果用户运用该产品连续多次进行测量时，通过单一人体生理参数检测方法得出的生理参数值浮动性大；同时，每种人体生理参数检测方法都对应用环境和人体状态有一定的限制要求，但由于人体生理环境的特异性以及环境因素的干扰，使得通过单一的人体生理参数检测方法得出的生理参数值误差大。
技术实现要素：
本发明实施例提供一种人体生理参数检测方法、装置、存储介质和系统，实现更稳定准确的检测得出人体的生理参数。
在第一方面，本发明实施例提供一种人体生理参数检测方法，包括：
获取用于对检测模型进行构建的训练数据；所述训练数据包括n个被测个体的随环境参数变化的生理测量参数、所述n个被测个体的随个体特征参数变化的生理测量参数和所述n个被测个体的随测量方法变化的生理测量参数；n＞1；
根据每一个检测模型的参数属性，从所述训练数据中提取与所述参数属性对应的生理测量参数，对该检测模型进行训练，完成每一个检测模型的构建；
当接收到对待测个体进行测量获得生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数时，根据每一个检测模型的参数属性，均将接收到的且与该参数属性对应的参数输入到该检测模型中，获得每一个检测模型输出的生理估算参数；
根据融合算法对每一个检测模型输出的生理估算参数进行计算，获得所述待测人员的生理实际参数。
进一步地，所述测量环境的环境参数包括被测部位的温度和被测部位的表皮湿度；
所述测量方法包括由光电容积脉搏波测量所述生理测量参数的方法、阻抗谱测量所述生理测量参数的方法和近红外光谱测量所述生理测量参数的方法；
所述个体特征参数包括被测个体的身体特征、患病历史和生活状态。
进一步地，所述检测模型包括m层检测模型，m≥1；其中，每一层所述检测模型包括一种生理测量参数变化模型；所述生理测量参数变化模型包括随测量方法变化的生理测量参数变化模型、随被测个体患病历史变化的生理测量参数变化模型、随被测个体的身体特征变化的生理测量参数变化模型、随所述环境参数变化的生理测量参数变化模型或随被测个体的生活状态变化的生理测量参数变化模型。
进一步地，在所述根据每一个检测模型的参数属性，从所述训练数据中提取与所述参数属性对应的生理测量参数之后，还包括：
对于提取出来的任一生理测量参数，判断所述生理测量参数是否超出生理测量参数范围；所述生理测量参数范围为[x-kσ，x+kσ]，x为所有测量方法测量获得的所有生理测量参数的均值，σ为所有测量方法测量获得的所有生理测量参数的方差，k为预设系数；
当所述生理测量参数超出所述生理测量参数范围，则将所述生理测量参数从所述提取到的生理测量参数中移除。
进一步地，所述根据融合算法对每一个检测模型输出的生理估算参数进行计算，获得所述待测人员的生理实际参数，具体包括：
根据bayesianmodelaveraging方法，计算得出每一个检测模型的bayesian后验概率；
根据每一个检测模型的bayesian后验概率，对每一个检测模型输出的生理估算参数进行加权平均值计算，获得所述待测人员的生理实际参数。
在第二方面，本发明实施例还提供一种人体生理参数检测装置，所述装置包括：
训练数据获取模块，用于获取用于对检测模型进行构建的训练数据；所述训练数据包括n个被测个体的随环境参数变化的生理测量参数、所述n个被测个体的随个体特征参数变化的生理测量参数和所述n个被测个体的随测量方法变化的生理测量参数；n＞1；
检测模型构建模块，用于根据每一个检测模型的参数属性，从所述训练数据中提取与所述参数属性对应的生理测量参数，对该检测模型进行训练，完成每一个检测模型的构建；
生理参数估算模块，用于当接收到对待测个体进行测量获得生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数时，根据每一个检测模型的参数属性，均将接收到的且与该参数属性对应的参数输入到该检测模型中，获得每一个检测模型输出的生理估算参数；
生理参数获得模块，用于根据融合算法对每一个检测模型输出的生理估算参数进行计算，获得所述待测人员的生理实际参数。
进一步地，所述人体生理参数检测装置还包括：
测量参数判断模块，用于在所述根据每一个检测模型的参数属性，从所述训练数据中提取与所述参数属性对应的生理测量参数之后，对于提取出来的任一生理测量参数，判断所述生理测量参数是否超出生理测量参数范围；所述生理测量参数范围为[x-kσ，x+kσ]，x为所有测量方法测量获得的所有生理测量参数的均值，σ为所有测量方法测量获得的所有生理测量参数的方差，k为预设系数；
测量参数移除模块，用于当所述生理测量参数超出所述生理测量参数范围，则将所述生理测量参数从所述提取到的生理测量参数中移除。
进一步地，所述生理参数获得模块具体包括：
后验概率计算单元，用于根据bayesianmodelaveraging方法，计算得出每一个检测模型的bayesian后验概率；
生理实际参数计算单元，用于根据每一个检测模型的bayesian后验概率，对每一个检测模型输出的生理估算参数进行加权平均值计算，获得所述待测人员的生理实际参数。
在第三方面，本发明实施例还提供一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行第一方面提供的人体生理参数检测方法。
在第四方面，本发明实施例还提供一种人体生理参数检测系统，包括：用户终端和服务器；
所述用户终端与所述服务器连接；
所述用户终端用于对待测个体进行测量，并向所述服务器发送测量获得的生理测量参数、测量环境的环境参数和所述待测个体的身体特征参数；
所述服务器执行第一方面提供的人体生理参数检测方法。
相比于现有技术，本发明实施例提供的人体生理参数检测方法、装置、存储介质和系统，通过大量结合多种测量方法、人体生理环境的特异性和环境因数的生理测量参数作为训练数据，并且根据每一个检测模型的参数属性的不同，从训练数据中提取同属性的生理测量参数作为该检测模型的训练数据并构建该检测模型，得到多个用于检测人体生理参数的检测模型；将收到的对待测个体进行测量获得的生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数按照参数属性输入对应的检测模型中，得到每一个检测模型输出的生理估算参数，并根据融合算法对每一个检测模型输出的生理估算参数进行计算后获得待测人员的生理实际参数；由于获得的待测人员的生理实际参数是基于测量获得的生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数通过多个检测模型对生理参数进行估算后，根据融合算法针对所有检测模型得出的生理估算参数进行一定的计算而获得的，避免人体生理参数检测方法由于人体生理环境的特异性、被测人员的个体特征和环境因数而导致检测得到的生理参数不稳定且误差大，实现更稳定准确的检测得出人体的生理参数。
附图说明
图1是本发明实施例提供的一种人体生理参数检测方法的流程示意图；
图2是本发明实施例提供的一种人体生理参数检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明提供的人体生理参数检测方法的流程示意图；本发明实施例提供的一种人体生理参数检测方法可以由服务器执行，且下文均以服务器作为执行主体进行说明；
所述的人体生理参数检测方法，包括步骤s1至步骤s4，具体如下：
s1、获取用于对检测模型进行构建的训练数据；所述训练数据包括n个被测个体的随环境参数变化的生理测量参数、所述n个被测个体的随个体特征参数变化的生理测量参数和所述n个被测个体的随测量方法变化的生理测量参数；n＞1；
s2、根据每一个检测模型的参数属性，从所述训练数据中提取与所述参数属性对应的生理测量参数，对该检测模型进行训练，完成每一个检测模型的构建；
s3、当接收到对待测个体进行测量获得生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数时，根据每一个检测模型的参数属性，均将接收到的且与该参数属性对应的参数输入到该检测模型中，获得每一个检测模型输出的生理估算参数；
s4、根据融合算法对每一个检测模型输出的生理估算参数进行计算，获得所述待测人员的生理实际参数。
在本发明实施例中，当待测人员未能提供对待测个体进行测量获得的生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数中的某个参数时，包含待测人员未能使用测量某个体特征参数的测量装置进行测量从而导致该参数缺失的情况，在该对应参数属性的检测模型计算过程中自动忽略缺失的输入参数进行计算输出生理估算参数；当待测人员未能提供某一检测模型中包含的同一参数属性的所有输入参数时即检测模型中的所有输入参数缺失时，不对该检测模型进行计算即该检测模型不输出生理估算参数；当所述检测模型中的所有输入参数都缺失时，无生理估算参数输出从而导致无法测量出人体生理参数。所述人体生理参数包括但不限于人体血糖值、人体血压值、人体呼吸率、人体心电数据和人体脉搏波信号。
需要说明的是，通过大量结合多种测量方法、人体生理环境的特异性和环境因数的生理测量参数作为训练数据，并且根据每一个检测模型的参数属性的不同，从训练数据中提取同属性的生理测量参数作为该检测模型的训练数据并构建该检测模型，得到多个用于检测人体生理参数的检测模型；将收到的对待测个体进行测量获得的生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数按照参数属性输入对应的检测模型中，得到每一个检测模型输出的生理估算参数，并根据融合算法对每一个检测模型输出的生理估算参数进行计算后获得待测人员的生理实际参数；由于获得的待测人员的生理实际参数是基于测量获得的生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数通过多个检测模型对生理参数进行估算后，根据融合算法针对所有检测模型得出的生理估算参数进行一定的计算而获得的，避免人体生理参数检测方法由于人体生理环境的特异性、被测人员的个体特征和环境因数而导致检测得到的生理参数不稳定且误差大，实现更稳定准确的检测得出人体的生理参数。
进一步地，所述测量环境的环境参数包括被测部位的温度和被测部位的表皮湿度；
所述测量方法包括由光电容积脉搏波测量所述生理测量参数的方法、阻抗谱测量所述生理测量参数的方法和近红外光谱测量所述生理测量参数的方法；
所述个体特征参数包括被测个体的身体特征、患病历史和生活状态。
在本发明实施例中，所述训练数据通过大量样本采集和现有医学数据获得，所述测量环境参数包括但不限于被测部位的温度、被测部位的表皮湿度、测量环境温度和测量环境湿度；所述测量方法包括但不限于由光电容积脉搏波测量所述生理测量参数的方法、阻抗谱测量所述生理测量参数的方法、近红外光谱测量所述生理测量参数的方法和代谢热测量所述生理测量参数的方法；所述个体特征参数包括但不限于被测个体的性别、身高、体重、年龄、患病历史、抽烟史、饮食情况、运动情况、用药情况；在训练数据中将被测个体的环境参数、个体特征参数和测量方法作为训练数据向量合集的自变量，随环境参数变化的生理测量参数、随个体特征参数变化的生理测量参数和随测量方法变化的生理测量参数作为训练数据向量合集的因变量。
进一步地，所述检测模型包括包括m层检测模型，m≥1；其中，每一层所述检测模型包括一种生理测量参数变化模型；所述生理测量参数变化模型包括随测量方法变化的生理测量参数变化模型、随被测个体患病历史变化的生理测量参数变化模型、随被测个体的身体特征变化的生理测量参数变化模型、随所述环境参数变化的生理测量参数变化模型和随被测个体的生活状态变化的生理测量参数变化模型。
在本发明实施例中，所述检测模型包括多层检测模型；在优选的实施过程中所述检测模型包括五层检测模型，所述第一层检测模型包括随测量方法变化的生理测量参数变化模型为从所述训练数据中提取对应的通过光电容积脉搏波法、心电图法、阻抗谱法、近红外光谱法测量的人体信号进行去噪处理过后得到的生理测量参数作为第一层检测模型的训练数据并对第一层检测模型的训练数据训练后生成，并且根据被测个体的个体特征的不同对第一层检测模型设置有对应的置信度；所述第二层检测模型包括随被测个体患病历史变化的生理测量参数变化模型为从所述训练数据中提取对应的通过大数据分析得到的随患病史和吸烟史变化的生理测量参数作为第二层检测模型的训练数据并对第二层检测模型的训练数据训练后生成；所述第三层检测模型包括随被测个体的身体特征变化的生理测量参数变化模型为从所述训练数据中提取对应的随被测人员的性别、身高、体重、年龄变化的生理测量参数作为第三层检测模型的训练数据并对第三层检测模型的训练数据训练后生成；所述第四层检测模型包括随所述环境参数变化的生理测量参数变化模型为从所述训练数据中提取对应的随被测部位的温度、被测部位的表皮湿度、测量环境温度和测量环境湿度变化的生理测量参数作为第四层检测模型的训练数据并对第四层检测模型的训练数据训练后生成；所述第五层检测模型包括随被测个体的生活状态变化的生理测量参数变化模型为从所述训练数据中提取对应的随被测人员饮食情况、运动情况和用药情况变化的生理测量参数作为第五层检测模型的训练数据并对第五层检测模型的训练数据训练后生成。
进一步地，在所述根据每一个检测模型的参数属性，从所述训练数据中提取与所述参数属性对应的生理测量参数之后，还包括：
对于提取出来的任一生理测量参数，判断所述生理测量参数是否超出生理测量参数范围；所述生理测量参数范围为[x-kσ，x+kσ]，x为所有测量方法测量获得的所有生理测量参数的均值，σ为所有测量方法测量获得的所有生理测量参数的方差，k为预设系数；
当所述生理测量参数超出所述生理测量参数范围，则将所述生理测量参数从所述提取到的生理测量参数中移除。
通过将超出生理测量参数范围的生理测量参数从所述提取到的生理测量参数中移除剔除处于无效范围内的生理测量参数使得将所述生理测量参数输入对应的检测模型中计算生理估算参数时获得的数值更加准确，从而使得最后通过融合算法计算后获得的生理实际参数更准确可靠。
进一步地，所述根据融合算法对每一个检测模型输出的生理估算参数进行计算，获得所述待测人员的生理实际参数，具体包括：
根据bayesianmodelaveraging方法，计算得出每一个检测模型的bayesian后验概率；
根据每一个检测模型的bayesian后验概率，对每一个检测模型输出的生理估算参数进行加权平均值计算，获得所述待测人员的生理实际参数。
在本发明实施例中，根据bayesianmodelaveraging方法，计算得出每一个检测模型的bayesian后验概率的具体计算过程为：
设所有检测模型输出的生理估算参数为定给定数据d，检测模型为m1，m2，m3…，mi，i为检测模型的数量；
检测模型mi的bayesian后验概率为：
其中，p(mi)是检测模型mi为最优模型的先验概率；p(d|mi)是检测模型mi的可积似然函数，它通过对未知参数进行积分来得到：
p(d|mi)＝∫p(d|θi,mi)p(θi|mi)dθi
其中，θi是检测模型mi的参数，p(d|θi,mi)是在给定检测模型mi和参数θi下数据d似然函数，检测模型mi为最优模型的先验概率一般取为相等。
设定检测模型输出的生理估算参数为x1，x2，x3，…xi，i为检测模型的数量；
根据每一个检测模型的bayesian后验概率，对每一个检测模型输出的生理估算参数进行加权平均值计算：
最后获得所述待测人员的生理实际参数。
本发明实施例提供的人体生理参数检测方法，通过大量结合多种测量方法、人体生理环境的特异性和环境因数的生理测量参数作为训练数据，并且根据每一个检测模型的参数属性的不同，从训练数据中提取同属性的生理测量参数作为该检测模型的训练数据并构建该检测模型，得到多个用于检测人体生理参数的检测模型；将收到的对待测个体进行测量获得的生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数按照参数属性输入对应的检测模型中，得到每一个检测模型输出的生理估算参数，并根据融合算法对每一个检测模型输出的生理估算参数进行计算后获得待测人员的生理实际参数；由于获得的待测人员的生理实际参数是基于测量获得的生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数通过多个检测模型对生理参数进行估算后，根据融合算法针对所有检测模型得出的生理估算参数进行一定的计算而获得的，避免人体生理参数检测方法由于人体生理环境的特异性、被测人员的个体特征和环境因数而导致检测得到的生理参数不稳定且误差大，实现更稳定准确的检测得出人体的生理参数。
参见图2，是本发明实施例提供的一种人体生理参数检测装置的结构示意图；
在第二方面，本发明实施例提供的人体生理参数检测装置，包括：
训练数据获取模块201，用于获取用于对检测模型进行构建的训练数据；所述训练数据包括n个被测个体的随环境参数变化的生理测量参数、所述n个被测个体的随个体特征参数变化的生理测量参数和所述n个被测个体的随测量方法变化的生理测量参数；n＞1；
检测模型构建模块202，用于根据每一个检测模型的参数属性，从所述训练数据中提取与所述参数属性对应的生理测量参数，对该检测模型进行训练，完成每一个检测模型的构建；
生理参数估算模块203，用于当接收到对待测个体进行测量获得生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数时，根据每一个检测模型的参数属性，均将接收到的且与该参数属性对应的参数输入到该检测模型中，获得每一个检测模型输出的生理估算参数；
生理参数获得模块204，用于根据融合算法对每一个检测模型输出的生理估算参数进行计算，获得所述待测人员的生理实际参数。
进一步地，所述人体生理参数检测装置还包括：
测量参数判断模块205，用于在所述根据每一个检测模型的参数属性，从所述训练数据中提取与所述参数属性对应的生理测量参数之后，对于提取出来的任一生理测量参数，判断所述生理测量参数是否超出生理测量参数范围；所述生理测量参数范围为[x-kσ，x+kσ]，x为所有测量方法测量获得的所有生理测量参数的均值，σ为所有测量方法测量获得的所有生理测量参数的方差，k为预设系数；
测量参数移除模块206，用于当所述生理测量参数超出所述生理测量参数范围，则将所述生理测量参数从所述提取到的生理测量参数中移除。
进一步地，所述生理参数获得模块204具体包括：
后验概率计算单元，用于根据bayesianmodelaveraging方法，计算得出每一个检测模型的bayesian后验概率；
生理实际参数计算单元，用于根据每一个检测模型的bayesian后验概率，对每一个检测模型输出的生理估算参数进行加权平均值计算，获得所述待测人员的生理实际参数。
本发明实施例提供的一种人体生理参数检测装置，训练数据获取模块201，获取用于对检测模型进行构建的训练数据后，检测模型构建模块202根据每一个检测模型的参数属性，从所述训练数据中提取与所述参数属性对应的生理测量参数，对该检测模型进行训练，完成每一个检测模型的构建，当接收到对待测个体进行测量获得生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数时，生理参数估算模块203根据每一个检测模型的参数属性，均将接收到的且与该参数属性对应的参数输入到该检测模型中，获得每一个检测模型输出的生理估算参数，生理参数获得模块204根据融合算法对每一个检测模型输出的生理估算参数进行计算，获得所述待测人员的生理实际参数；由于获得的待测人员的生理实际参数是基于测量获得的生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数通过多个检测模型对生理参数进行估算后，根据融合算法针对所有检测模型得出的生理估算参数进行一定的计算而获得的，避免人体生理参数检测方法由于人体生理环境的特异性、被测人员的个体特征和环境因数而导致检测得到的生理参数不稳定且误差大，实现更稳定准确的检测得出人体的生理参数。
在第三方面，本发明实施例还提供一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行第一方面提供的人体生理参数检测方法。
在第四方面，本发明实施例还提供一种人体生理参数检测系统，包括：用户终端和服务器；
所述用户终端与所述服务器连接；
所述用户终端用于对待测个体进行测量，并向所述服务器发送测量获得的生理测量参数、测量环境的环境参数和所述待测个体的身体特征参数；
所述服务器执行第一方面提供的人体生理参数检测方法。
本发明实施例提供的人体生理参数检测系统，服务器通过大量结合多种测量方法、人体生理环境的特异性和环境因数的生理测量参数作为训练数据，并且根据每一个检测模型的参数属性的不同，从训练数据中提取同属性的生理测量参数作为该检测模型的训练数据并构建该检测模型，得到多个用于检测人体生理参数的检测模型；将用户终端发送的对待测个体进行测量获得的生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数按照参数属性输入对应的检测模型中，得到每一个检测模型输出的生理估算参数，并根据融合算法对每一个检测模型输出的生理估算参数进行计算后获得待测人员的生理实际参数；由于获得的待测人员的生理实际参数是基于测量获得的生理测量参数、测量环境的环境参数和所述待测个体的个体特征参数通过多个检测模型对生理参数进行估算后，根据融合算法针对所有检测模型得出的生理估算参数进行一定的计算而获得的，避免人体生理参数检测方法由于人体生理环境的特异性、被测人员的个体特征和环境因数而导致检测得到的生理参数不稳定且误差大，实现更稳定准确的检测得出人体的生理参数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。