基于脑部的体征信息检测装置、方法及相关设备与流程

本说明书实施例涉及检测技术领域，尤其涉及一种基于脑部的体征信息检测装置、方法及相关设备。

背景技术：

随着人们对身体健康的重视，越来越多的人开始注意定期对自身的身体体征进行检测和分析，其中，由于人脑的重要性，对于脑部的体征信息的检测就显得尤为重要。

目前，为了应对脑卒中等脑部病症，现有的基于脑部的体征信息检测装置往往需要人们口服含有放射性的药物后，利用特定的辐射分析设备检测放射性药物在人体脑部的聚集程度，从而实现对脑部的体征信息检测。然而在实际应用中，当前脑部的体征信息检测过程往往依赖于放射性药物，当用户需要在短时间内进行多次检测时，则需要多次服用放射性药物，也就是说，若用户想要得到脑部的体征变化趋势，则需要在短时间内服用多次放射性药物后利用辐射分析设备进行分析，继而会导致人们因多次服用放射性药物而影响身体健康。因此，如何设置一种减少对身体影响的情况下实现对脑部的体征信息的检测的装置，成为了领域内亟待解决的问题。

技术实现要素：

本说明书实施例提供及一种基于脑部的体征信息检测装置、方法及相关设备。

第一方面，本说明书实施例提供一种基于脑部的体征信息检测装置，所述装置包括：

第一采集单元，用于通过预设红外线扫描器采集第一指标信息，所述第一指标信息用于表征脑部的血流动力学参数变化；

第二采集单元，用于通过预设血压检测器采集第二指标信息，所述第二指标信息用于表征血压变化；

计算单元，用于根据所述第一指标信息及第二指标信息，通过预设算法计算出待评估信息，所述待评估信息包括脑部血流动力学异常参数、脑部血流自主调节参数以及脑部血管硬化程度参数；

确定单元，用于根据所述待评估信息，通过预设评估机器模型，确定体征信息检测结果，所述预设评估机器模型为预先基于历史样本数据训练得到的，所述历史样本数据包括历史脑部血流动力学样本数据及历史血压样本数据。

可选的，所述第一指标信息包括：脑局部组织氧饱和度信息、氧合血红蛋白浓度信息、脱氧血红蛋白浓度信息以及组织的血容积信息，所述第二指标信息包括血压信息；

所述第一采集单元，具体用于通过预设红外线扫描器扫描目标位置，并获取对应所述目标位置的所述第一指标信息，所述目标位置包括前额；

所述第二采集单元，具体用于通过预设血压检测器采集所述血压信息。

可选的，所述计算单元，包括：第一计算模块，用于通过所述脑局部组织氧饱和度信息、所述氧合血红蛋白浓度信息、所述脱氧血红蛋白浓度信息以及所述组织的血容积信息，根据第一算法计算出所述脑部血流动力学异常参数；

第二计算模块，用于通过所述脑局部组织氧饱和度信息、所述组织的血容积信息以及所述血压信息，根据第二算法计算出所述脑部血流自主调节参数以及脑部血管硬化程度参数。

可选的，所述预设评估机器模型包括第一模型及第二模型，所述第一模型是基于预设lstm-rnn神经网络算法构建的，所述第二模型是基于预设svm-ls分类算法构建；

所述装置还包括：

第一训练单元，用于根据所述历史脑部血流动力学参数样本数据以及历史血压样本数据，结合所述lstm-rnn神经网络算法训练所述第一模型；

第二训练单元，用于根据所述历史脑部血流动力学参数样本数据以及历史血压样本数据，结合svm-ls分类算法训练所述第二模型；

所述确定单元包括：

第一执行模块，用于根据所述待评估信息，通过所述第一模型执行预测操作，得到第一预测结果，作为所述检测结果，其中，所述第一预测结果用于表征基于脑部的体征变化趋势；

第二执行模块，用于根据所述待评估信息，通过所述第二模型执行预测操作，得到第二预测结果，作为所述检测结果，其中，所述第二预测结果用于表征基于脑部的病变风险。

第二方面，本说明书实施例提供了一种基于脑部的体征信息检测方法，包括：

通过预设红外线扫描器采集第一指标信息，所述第一指标信息用于表征脑部的血流动力学参数变化；

通过预设血压检测器采集第二指标信息，所述第二指标信息用于表征血压变化；

根据所述第一指标信息及所述第二指标信息，通过预设算法计算出待评估信息，所述待评估信息包括脑部血流动力学异常参数、脑部血流自主调节参数以及脑部血管硬化程度参数；

根据所述待评估信息，通过预设评估机器模型，确定体征信息检测结果，所述预设评估机器模型为预先基于历史样本数据训练得到的，所述历史样本数据包括历史脑部血流动力学参数样本数据及历史血压样本数据。

可选的，所述第一指标信息包括：脑局部组织氧饱和度信息、氧合血红蛋白浓度信息、脱氧血红蛋白浓度信息以及组织的血容积信息；

所述通过预设红外线扫描器采集第一指标信息包括：

通过预设红外线扫描器扫描目标位置，并获取对应所述目标位置的所述第一指标信息，所述目标位置包括前额。

可选的，所述第二指标信息包括血压信息；

所述通过预设血压检测器采集第二指标信息，包括：

通过预设血压检测器采集所述血压信息。

可选的，所述根据所述第一指标信息及第二指标信息，通过预设算法计算出待评估信息包括：

通过所述脑局部组织氧饱和度信息、所述氧合血红蛋白浓度信息、所述脱氧血红蛋白浓度信息以及所述组织的血容积信息，根据第一算法计算出所述脑部血流动力学异常参数。

可选的，所述根据所述第一指标信息及第二指标信息，通过预设算法计算出待评估信息包括：

通过所述脑局部组织氧饱和度信息、所述组织的血容积信息以及所述血压信息，根据第二算法计算出所述脑部血流自主调节参数以及脑部血管硬化程度参数。

可选的，所述预设评估机器模型包括第一模型，所述第一模型是基于预设lstm-rnn神经网络算法构建的；

在所述根据所述待评估信息，通过预设评估机器模型，确定体征信息检测结果之前，所述方法还包括：

根据所述历史脑部血流动力学参数样本数据以及历史血压(压)样本数据，结合所述lstm-rnn神经网络算法训练所述第一模型；

所述根据所述待评估信息，通过预设评估机器模型，确定体征信息检测结果包括：

根据所述待评估信息，通过所述第一模型执行预测操作，得到第一预测结果，作为所述检测结果，其中，所述第一预测结果用于表征基于脑部的体征变化趋势。

可选的，所述预设评估机器模型还包括第二模型，所述第二模型是基于预设svm-ls分类算法构建；

在所述根据所述待评估信息，通过预设评估机器模型，确定体征信息检测结果之前，所述方法还包括：

根据所述历史脑部血流动力学参数样本数据以及历史血压(压)样本数据，结合svm-ls分类算法训练所述第二模型；

所述根据所述待评估信息，通过预设评估机器模型，确定体征信息检测结果包括：

根据所述待评估信息，通过所述第二模型执行预测操作，得到第二预测结果，作为所述检测结果，其中，所述第二预测结果用于表征基于脑部的病变风险。

第四方面，本说明书实施例提供一种基于脑部的体征信息检测系统，包括：红外线扫描器、血压检测器以及处理终端；

所述红外线扫描器，用于采集第一指标信息，所述第一指标信息用于表征脑部的血流动力学参数变化；

所述血压检测器，用于采集第二指标信息，所述第二指标信息用于表征血压变化；

所述处理终端，用于根据所述第一指标信息及所述第二指标信息，通过预设算法计算出待评估信息，并根据所述待评估信息及预设评估机器模型，确定体征信息检测结果，其中，所述待评估信息包括脑部血流动力学异常参数、脑部血流自主调节参数以及脑部血管硬化程度参数，所述预设评估机器模型为预先基于历史样本数据训练得到的，所述历史样本数据包括历史脑部血流动力学样本数据及历史血压样本数据。

第四方面，本说明书实施例提供一种基于脑部的体征信息检测的处理终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行上述任一项所述方法的步骤。

第五方面，本说明书实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

本说明书实施例有益效果如下：

本说明书实施例中，上述基于脑部的体征信息检测的装置、方法及相关设备，在本装置中包括：第一采集单元、第二采集单元、计算单元以及确定单元，其中，第一采集单元能够通过预设红外线扫描器采集第一指标信息，所述第一指标信息用于表征脑部的血流动力学参数变化；第二采集单元，能够通过预设血压检测器采集第二指标信息，所述第二指标信息用于表征血压变化；计算单元，能够根据所述第一指标信息及第二指标信息，通过预设算法计算出待评估信息，所述待评估信息包括脑部血流动力学异常参数、脑部血流自主调节参数以及脑部血管硬化程度参数；确定单元，能够根据所述待评估信息，通过预设评估机器模型，确定体征信息检测结果，所述预设评估机器模型为预先基于历史样本数据训练得到的，所述历史样本数据包括历史脑部血流动力学参数样本数据及历史血压样本数据，这样，通过第一采集单元、第二采集单元分别获取到第一指标信息、第二指标信息后，能够通过计算单元基于第一指标信息和第二指标信息计算出对应的待评估信息，最后再由确定单元基于待评估信息及预设评估机器模型确定对应的体征信息检测结果，由于本装置在基于上述单元进行脑部的体征信息检测时，无需用户口服放射性药剂的过程，避免了放射性药物对身体的影响，尤其是当用户需要短时间多次检测时，本装置可以解决现有的检测设备需要依赖放射性药物检测时对的用户身体健康的影响。另外，由于现有的检测设备在检测脑部的体征信息时是需要判断放射性药物的聚集的，也就是说用户在一定时间后若未能检测则会导致后续无法进行检测，因此难以满足大量用户检测的需求，而本发明的装置则可以利用红外线及血压采集时则无需考虑时限的要求，因此，本发明所述的装置能够满足大量用户的脑部的体征信息检测的需求。同时，由于现有的检测设备在检测时需要基于放射性药物在用户脑部的聚集进行检测，而总所周知具有检测辐射功能的检测设备的价格往往较高，而本发明的装置由于检测方式的不同，比现有的检测设备更具价格上的优势，能够减少用户成本消耗。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本说明书的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本说明书实施例第一方面提供的基于脑部的体征信息检测装置的示意图；

图2为本说明书实施例第一方面提供的另一种基于脑部的体征信息检测装置的示意图；

图3为本说明书实施例第二方面提供的一种基于脑部的体征信息检测方法流程图；

图4为本说明书实施例第二方面提供的一种基于脑部的体征信息检测方法过程中具体步骤的流程图。

具体实施方式

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明，应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明，而不是对本说明书技术方案的限定，在不冲突的情况下，本说明书实施例以及实施例中的技术特征可以相互组合。

目前在用户需要对脑部的体征信息进行检测时，现有的检测设备大多依赖于放射性聚集的多少来评估脑部的体征信息，如脑部的血流动力学参数变化以及脑部新陈代谢情况等。在现有的检测设备检测时，往往依赖于pet技术进行检测，其中，pet技术是指将短寿命的放射性核素如氟-18(18f)和氧-15等标记在生命代谢必须的物质如葡萄糖和蛋白质等上，在注入人体后通过该物质在代谢中的聚集，来反映体征的代谢活动情况。

因此在利用pet检测设备进行脑部的体征信息检测时。首先，利用生成的放射性同位素18f并将其附着在脱氧葡萄糖上，生成[18f]fdg(氟脱氧葡萄糖)。然后，将[18f]fdg注入至身体内，等待一个小时，使得大脑吸收[18f]fdg。之后，就可以利用专用的pet扫描机器扫描[18f]fdg在脑部的位置和代谢情况。最后，利用计算机对图像进行构建并显示。而在利用pet扫描机器执行脑部的体征信息检测时，由于检测过程必然需要用户注入[18f]fdg后，这就导致利用该设备检测时会对用户的身体健康造成影响，尤其是需要多次检测时会导致用户多次注入含有辐射的[18f]fdg

基于此，为了实现一种能够对脑部的体征信息进行检测的同时避免现有技术检测时带来的健康影响的问题，本发明实施例提供了一种基于脑部的体征信息检测装置，可如图1所示，该装置执行基于脑部的体征信息检测的过程可以如下：

第一采集单元11，可以用于通过预设红外线扫描器采集第一指标信息，所述第一指标信息可以用于表征脑部的血流动力学参数变化；

第二采集单元12，可以用于通过预设血压检测器采集第二指标信息，所述第二指标信息可以用于表征血压变化；

计算单元13，可以用于根据所述第一采集单元11采集的第一指标信息及第二采集单元12采集的第二指标信息，通过预设算法计算出待评估信息，所述待评估信息包括脑部血流动力学异常参数、脑部血流自主调节参数以及脑部血管硬化程度参数；

确定单元14，可以用于根据所述计算单元13计算出的待评估信息，通过预设评估机器模型，确定体征信息检测结果，所述预设评估机器模型为预先基于历史样本数据训练得到的，所述历史样本数据包括历史脑部血流动力学参数样本数据及历史血压样本数据。

在本装置中，第一采集单元11及第二采集单元12分别执行第一指标信息、第二指标信息的采集过程中，可以同时进行，也可以根据需要选择先后执行的顺序，在此不做具体的限定，可以根据用户的实际需要选取，例如，可以控制第一采集单元11先采集第一指标信息，然后当第一采集单元11采集完成后，再控制第二采集单元12采集第二指标信息。

同时，在计算单元13基于第一指标信息及第二指标信息进行待评估信息的计算过程中，其执行过程实际上可以参考现有技术的方式进行计算，例如，当第一指标信息包括：所述脑局部组织氧饱和度信息、所述氧合血红蛋白浓度信息、所述脱氧血红蛋白浓度信息以及所述组织的血容积信息，且所述待评估信息为脑部血流动力学异常参数时，则该计算单元13基于所述脑局部组织氧饱和度信息、所述氧合血红蛋白浓度信息、所述脱氧血红蛋白浓度信息以及所述组织的血容积信息，计算出脑部血流动力学异常参数的过程可以根据现有技术中记载的计算方式进行，在此不做限定。

当计算单元13计算出待评估信息后，则可以通过确定单元14对待评估信息进行检测，其检测过程是通过预设评估机器模型进行的，其中该预设评估机器模型是基于历史样本数据训练得到的，该历史样本数据包括历史脑部血流动力学参数样本数据及历史血压样本数据，也就是说该确定单元14在执行脑部的体征信息检测时所使用的预设评估机器模型是预先利用了脑部血流动力学参数数据和历史血流(压)样本数据实现的，因此该模型具有基于实际获取到的血流动力学参数数据和血压数据进行用户的脑部的体征信息预测功能。在此，对于该模型的训练方式及其过程可以基于现有的模型训练方式进行，在此不做限定。

基于此，本实施例提供了一种基于脑部的体征信息检测的装置，在本实施例中该装置中包括：第一采集单元、第二采集单元、计算单元以及确定单元，其中，第一采集单元能够通过预设红外线扫描器采集第一指标信息，所述第一指标信息用于表征脑部的血流动力学参数变化；第二采集单元，能够通过预设血压检测器采集第二指标信息，所述第二指标信息用于表征血压变化；计算单元，能够根据所述第一指标信息及第二指标信息，通过预设算法计算出待评估信息，所述待评估信息包括脑部血流动力学异常参数、脑部血流自主调节参数以及脑部血管硬化程度参数；确定单元，能够根据所述待评估信息，通过预设评估机器模型，确定体征信息检测结果，所述预设评估机器模型为预先基于历史样本数据训练得到的，所述历史样本数据包括历史脑部血流动力学参数样本数据及历史血压样本数据，这样，通过第一采集单元、第二采集单元分别获取到第一指标信息、第二指标信息后，能够通过计算单元基于第一指标信息和第二指标信息计算出对应的待评估信息，最后再由确定单元基于待评估信息及预设评估机器模型确定对应的体征信息检测结果，由于本装置在基于上述单元进行脑部的体征信息检测时，无需用户口服放射性药剂的过程，避免了放射性药物对身体的影响，尤其是当用户需要短时间多次检测时，本装置可以解决现有的检测设备需要依赖放射性药物检测时对的用户身体健康的影响。另外，由于现有的检测设备在检测脑部的体征信息时是需要判断放射性药物的聚集的，也就是说用户在一定时间后若未能检测则会导致后续无法进行检测，因此难以满足大量用户检测的需求，而本发明的装置则可以利用红外线及血压采集时则无需考虑时限的要求，因此，本发明所述的装置能够满足大量用户的脑部的体征信息检测的需求。同时，由于现有的检测设备在检测时需要基于放射性药物在用户脑部的聚集进行检测，而总所周知具有检测辐射功能的检测设备的价格往往较高，而本发明的装置由于检测方式的不同，比现有的检测设备更具价格上的优势，能够减少用户成本消耗。

进一步的，作为上述装置的进一步扩展和细化，本申请还提供了下述多种示例性的装置，具体可以结合图2所示。

在一些实施例中，当所述检测装置用于基于血流状况和血压状况进行脑部的体征信息检测时，则前述实施例中，所述第一指标信息可以包括：脑局部组织氧饱和度信息、氧合血红蛋白浓度信息、脱氧血红蛋白浓度信息以及组织的血容积信息，所述第二指标信息可以包括血压信息；

这样，在第一采集单元11和第二采集单元12分别采集第一指标信息和第二指标信息时，所述第一采集单元11，可以具体用于通过预设红外线扫描器扫描目标位置，并获取对应所述目标位置的所述第一指标信息，其中，所述目标位置包括前额；同时，所述第二采集单元12，具体用于通过预设血压检测器采集所述血压信息。

通过第一采集单元11利用预设红外线扫描器对用户的前额位置进行扫描，可以实现对脑局部组织氧饱和度信息、氧合血红蛋白浓度信息、脱氧血红蛋白浓度信息以及组织的血容积信息的采集效果，以及利用血压检测器采集血压信息，能够为后续基于这些信息进行脑部的体征信息检测奠定基础。

在一些实施例中，为了基于上述具体的血流信息、血压信息的进行计算，得到对应反映用户相关血流、血压的参数，在实际应用中，所述计算单元13，可以包括：第一计算模块131及第二计算模块132，其中第一计算模块131可以用来进行脑部血流动力学异常参数的计算，而第二计算模块132则可以用来计算脑部血流自主调节参数衱脑部血管硬化程度参数的计算。

具体的，第一计算模块131，可以用于通过所述脑局部组织氧饱和度信息、所述氧合血红蛋白浓度信息、所述脱氧血红蛋白浓度信息以及所述组织的血容积信息，根据第一算法计算出所述脑部血流动力学异常参数；

具体的，第二计算模块132，可以用于通过所述脑局部组织氧饱和度信息、所述组织的血容积信息以及所述血压信息，根据第二算法计算出所述脑部血流自主调节参数以及脑部血管硬化程度参数。

需要说明的是，在本实施例中，所述第一算法、第二算法均可以理解为本领域常用的用于计算对应参数的算法，其计算过程可以如现有技术所记载的方式进行计算，在此并不具体限定其具体的实现方式，可以根据用户的需求基于对应每种参数的信息进行选取。

在一些实施例中，所述预设评估机器模型包括第一模型及第二模型，所述第一模型是基于预设lstm-rnn神经网络算法构建的，所述第二模型是基于预设svm-ls分类算法构建；

其中，lstm-rnn神经网络是通过lstm和rnn两个神经网络构成中，lstm称作长短期记忆网络(longshort-termmemory，简称lstm)是一种时间循环神经网络，是为了解决一般的rnn(循环神经网络)存在的长期依赖问题而专门设计出来的。因此，通过lstm-rnn神经网络算法能够构建一种对数据变化趋势进行预判的模型。

svm-ls分类算法，又称最小二乘支持向量机，是svm(支持向量机)的一种，但比普通的svm计算简单，它可以用于模式分类以及函数回归预测等等，也就是说能够基于输入的数据进行分类判断。因此，通过svm-ls分类算法能够构建一种对数据进行判断的模型。

基于此，在本装置中，还可以就上述两种算法分别进行第一模型及第二模型的训练，以便后续确定单元14能够基于这两个模型执行相应的预测功能，继而实现脑部的体征检测效果。所述装置还包括：

第一训练单元15，可以用于根据所述历史脑部血流动力学样本数据以及历史血压样本数据，结合所述lstm-rnn神经网络算法训练所述第一模型；

第二训练单元16，可以用于根据所述历史脑部血流动力学样本数据以及历史血压样本数据，结合svm-ls分类算法训练所述第二模型；

所述确定单元14包括：

第一执行模块141，可以用于根据所述待评估信息，通过所述第一模型执行预测操作，得到第一预测结果，作为所述检测结果，其中，所述第一预测结果可以用于表征基于脑部的体征变化趋势；

第二执行模块142，可以用于根据所述待评估信息，通过所述第二模型执行预测操作，得到第二预测结果，作为所述检测结果，其中，所述第二预测结果可以用于表征基于脑部的病变风险。

通过预先基于lstm-rnn神经网络算法训练所述第一模型，能够实现一种可以基于多次输入的待评估信息得到用户的脑部体征变化趋势，从而实现了在用户多次检测过程中，依靠本实施例所述的检测装置能够得到体征变化的情况，丰富的检测结果的类型，便于后续用户基于变化趋势了解自身脑部的状态变化情况。同时，通过预先基于svm-ls分类算法训练所述第二模型，能够实现一种基于用户输入的待评估信息预测用户的脑部的病变风险的功能，从而是预测风险的过程无需人工操作，简化了检测过程。

第二方面，基于上述所述方法的同一发明构思，本发明实施例还提供了一种脑部的体征检测方法，其执行过程及方式皆与前述方面所述的装置一致，如图3所示，其中包括：

301、通过预设红外线扫描器采集第一指标信息。

其中，第一指标信息用于表征脑部的血流动力学参数变化。

302、通过预设血压检测器采集第二指标信息。

其中，第二指标信息用于表征血压变化。

303、根据第一指标信息及第二指标信息，通过预设算法计算出待评估信息。

其中，待评估信息包括脑部血流动力学异常参数、脑部血流自主调节参数以及脑部血管硬化程度参数。

304、根据待评估信息，通过预设评估机器模型，确定体征信息检测结果。

其中，所述预设评估机器模型为预先基于历史样本数据训练得到的，所述历史样本数据包括历史脑部血流动力学参数样本数据及历史血压样本数据。

在一些实施例中，所述第一指标信息包括：脑局部组织氧饱和度信息、氧合血红蛋白浓度信息、脱氧血红蛋白浓度信息以及组织的血容积信息；

所述通过预设红外线扫描器采集第一指标信息包括：

通过预设红外线扫描器扫描目标位置，并获取对应所述目标位置的所述第一指标信息，所述目标位置包括前额。

在一些实施例中，所述第二指标信息包括血压信息；

所述通过预设血压检测器采集第二指标信息，包括：

通过预设血压检测器采集所述血压信息。

在一些实施例中，所述根据所述第一指标信息及第二指标信息，通过预设算法计算出待评估信息包括：

通过所述脑局部组织氧饱和度信息、所述氧合血红蛋白浓度信息、所述脱氧血红蛋白浓度信息以及所述组织的血容积信息，根据第一算法计算出所述脑部血流动力学异常参数。

在一些实施例中，所述根据所述第一指标信息及第二指标信息，通过预设算法计算出待评估信息包括：

通过所述脑局部组织氧饱和度信息、所述组织的血容积信息以及所述血压信息，根据第二算法计算出所述脑部血流自主调节参数以及脑部血管硬化程度参数。

在一些实施例中，所述预设评估机器模型包括第一模型，所述第一模型是基于预设lstm-rnn神经网络算法构建的；

在所述根据所述待评估信息，通过预设评估机器模型，确定体征信息检测结果之前，所述方法还包括：

根据所述历史脑部血流动力学样本数据以及历史血压样本数据，结合所述lstm-rnn神经网络算法训练所述第一模型；

所述根据所述待评估信息，通过预设评估机器模型，确定体征信息检测结果包括：

根据所述待评估信息，通过所述第一模型执行预测操作，得到第一预测结果，作为所述检测结果，其中，所述第一预测结果用于表征基于脑部的体征变化趋势。

在一些实施例中，所述预设评估机器模型还包括第二模型，所述第二模型是基于预设svm-ls分类算法构建；

在所述根据所述待评估信息，通过预设评估机器模型，确定体征信息检测结果之前，所述方法还包括：

根据所述历史脑部血流动力学参数样本数据以及历史血压(压)样本数据，结合svm-ls分类算法训练所述第二模型；

所述根据所述待评估信息，通过预设评估机器模型，确定体征信息检测结果包括：

根据所述待评估信息，通过所述第二模型执行预测操作，得到第二预测结果，作为所述检测结果，其中，所述第二预测结果用于表征基于脑部的病变风险。

第三方面，出于同一发明构思，本实施例还提供了一种用于执行上述检测功能的基于脑部的体征信息检测系统，如图4所示，其中包括：红外线扫描器、血压检测器以及处理终端；

所述红外线扫描器41，可以用于采集第一指标信息，所述第一指标信息用于表征脑部的血流动力学参数变化；

所述血压检测器42，可以用于采集第二指标信息，所述第二指标信息用于表征血压变化；

所述处理终端43，可以用于根据所述红外线扫描器41采集的第一指标信息及所述血压检测器42采集的第二指标信息，通过预设算法计算出待评估信息，并根据所述待评估信息及预设评估机器模型，确定体征信息检测结果，其中，所述待评估信息包括脑部血流动力学异常参数、脑部血流自主调节参数以及脑部血管硬化程度参数，所述预设评估机器模型为预先基于历史样本数据训练得到的，所述历史样本数据包括历史脑部血流动力学参数样本数据及历史血压样本数据。

其中，所述处理终端能够执行如前述实施例中任一项所述的计算单元及确定单元的功能，所述红外线扫描器能够执行前述任一项所述的第一采集单元的功能，所述血压检测器能够执行前述任一项所述的第二采集单元的功能。具体的，其执行方式和功能皆与前述实施例中对应的单元、模块一致，在此不再赘述。需要说明的是，在本实施例中，所述处理终端可以具体为计算机。

第四方面，基于与前述实施例中基于脑部的体征信息检测方法同样的发明构思，本说明书实施例还提供一种基于脑部的体征信息检测的处理终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前文所述基于脑部的体征信息检测方法的任一方法的步骤。

第五方面，基于与前述实施例中基于脑部的体征信息检测方法的发明构思，本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述基于脑部的体征信息检测方法的任一方法的步骤。

综上所示，本说明书实施例提供了一种基于脑部的体征信息检测装置、方法及其相关设备，可以通过第一采集单元、第二采集单元分别获取到第一指标信息、第二指标信息后，能够通过计算单元基于第一指标信息和第二指标信息计算出对应的待评估信息，最后再由确定单元基于待评估信息及预设评估机器模型确定对应的体征信息检测结果，由于本装置在基于上述单元进行脑部的体征信息检测时，无需用户口服放射性药剂的过程，避免了放射性药物对身体的影响，尤其是当用户需要短时间多次检测时，本装置及方法可以解决现有的检测设备需要依赖放射性药物检测时对的用户身体健康的影响。

另外，由于现有的检测设备在检测脑部的体征信息时是需要判断放射性药物的聚集的，也就是说用户在一定时间后若未能检测则会导致后续无法进行检测，因此难以满足大量用户检测的需求，而本发明的装置则可以利用红外线及血压采集时则无需考虑时限的要求，因此，本发明所述的装置能够满足大量用户的脑部的体征信息检测的需求。

同时，由于现有的检测设备在检测时需要基于放射性药物在用户脑部的聚集进行检测，而总所周知具有检测辐射功能的检测设备的价格往往较高，而本发明的装置由于检测方式的不同，比现有的检测设备更具价格上的优势，能够减少用户成本消耗。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品，该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本说明书的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。

显然，本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样，倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内，则本说明书也意图包含这些改动和变型在内。