(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211284460.2 (22)申请日 2022.10.17 (71)申请人 中国科学院计算 技术研究所 地址 100190 北京市海淀区中关村科 学院 南路6号 (72)发明人 陈益强　秦欣　卢旺　 (74)专利代理 机构 北京泛华伟业知识产权代理 有限公司 1 1280 专利代理师 王勇 (51)Int.Cl. G06N 3/08(2006.01) G16H 50/50(2018.01) A61B 5/00(2006.01) A61B 5/021(2006.01) (54)发明名称 一种基于迁移学习的血压预测模型训练方 法及预测方法 (57)摘要 本发明提供一种基于迁移学习的血压预测 模型训练方法， 所述血压预测模 型包括低层特征 提取器、 高层特征提取器、 预测器， 所述方法包 括： S1、 采用源域数据集训练神经网络模型至收 敛获得通用模型， 其中， 所述源域数据集包括多 个金标准血压值及每个金标准血压值对应的基 于可穿戴传感器获得的人体数据， 以人体数据为 样本、 其对应的金标准血压值为标签构成源域数 据集的训练样本； S2、 获取目标对象的目标域数 据集； S3、 采用源域数据集和目标域数据集对步 骤S1中获得的通用模型进行迁移训练至收敛获 得目标对象的血压预测模型。 本发 明基于迁移学 习对通用模 型进行微调， 微调后的模 型解决了用 户血压个性化预测的问题， 实现了用户血压精准 预测。 权利要求书2页 说明书7页 附图1页 CN 115470903 A 2022.12.13 CN 115470903 A 1.一种基于迁移学习的血压预测模型训练方法， 所述血压预测模型包括低层特征提取 器、 高层特 征提取器、 预测器， 其特 征在于， 所述方法包括： S1、 采用源域数据集训练神经网络模型至收敛获得通用模型， 其中， 所述源域数据集包 括多个金标准血压值及每个金标准血压值对应的基于可穿戴传感器获得的人体数据， 以人 体数据为样本、 其对应的金 标准血压值 为标签构成源域数据集的训练样本； S2、 获取目标对象的目标域数据集； S3、 采用源域数据集和目标域数据集对步骤S1中获得的通用模型进行迁移训练至收敛 获得目标对象的血压预测模型。 2.根据权利要求1所述的方法， 其特 征在于， 所述 步骤S3包括： S31、 将通用模型的低层特 征提取器的参数固定以获取初始模型； S32、 采用源域数据集和目标域数据集对初始模型的高层特征提取器和预测器的参数 进行微调， 并采用预测损失、 适配损失和一致性损失更新初始模型 的高层特征提取器和预 测器的参数。 3.根据权利要求2所述的方法， 其特征在于， 目标域数据集包括有标签子集， 有标签子 集中以目标对象的人体数据为样本， 其对应的金标准血压值为标签， 在步骤S32中， 所述预 测损失包括源域预测损失和目标域预测损失， 其中， 基于初始模型对源域数据集进行预测 并采用回归误差函数计算源域预测损失， 基于初始模型对目标域数据集的有标签子集进 行 预测并采用回归误差函数计算目标域预测损失。 4.根据权利要求3所述的方法， 其特 征在于， 采用如下 方式计算源域预测损失： 其中， ls表示源域预测损失， ns表示源域数据集中的样本数量， 表示源域数据集中样 本的预测值， yi表示源域数据集中样本的真实值。 5.根据权利要求3所述的方法， 其特 征在于， 采用如下 方式计算目标域预测损失： 其中， lt表示目标域预测损失， tl表示目标域数据 集中有标签子集的样本数量， 表示 预测值， yk表示真实值。 6.根据权利要求2所述的方法， 其特征在于， 在步骤S32中， 采用分布距离度量方式计算 源域数据集与目标域数据集之间的适配损失： 其中， ld表示适配损失， dist( ·)表示分布距离度量函数， 表示源域数据集， 表示权　利　要　求　书 1/2 页 2 CN 115470903 A 2目标域数据集， ns表示源域数据集中的样本数， nt表示目标域数据集中的样本数， zi表示源 域数据集中的样本特 征， zj表示目标域数据集中的样本特 征， 表示再生希尔伯特空间。 7.根据权利要求2所述的方法， 其特征在于， 目标域数据集还包括无标签子集， 无标签 子集中以目标对象的人体数据为样本， 在步骤S 32中， 对目标域数据集的无标签子集进 行增 广处理， 并采用如下方式计算原始无标签子集与增广处理后无标签子集之间的一致性损 失： 其中， lcon表示一致性损失， 表示期望， 表示原始无标签子集， x表示原始无标签子 集中的样 本， x′表示增广处理后的无标签子集中的样 本， lmse(·)表示均方误差损失函数， f (·)表示初始模型。 8.一种血压预测方法， 其特 征在于， F1、 获取待处 理数据； F2、 采用如权利要求1 ‑7任一项所述方法训练的血压预测模型对待处理数据进行处理 获得血压预测结果。 9.一种计算机可读存储介质， 其特征在于， 其上存储有计算机程序， 所述计算机程序 可 被处理器执行以实现权利要求1 ‑7、 8任一所述方法的步骤。 10.一种电子设备， 其特 征在于， 包括： 一个或多个处 理器； 存储装置， 用于存储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理 器执行时， 使得 所述电子设备实现如权利要求1 ‑7、 8中任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115470903 A 3