CN109791564B - 信号计算法中的参数的设定方法及装置 - Google Patents
信号计算法中的参数的设定方法及装置 Download PDFInfo
- Publication number
- CN109791564B CN109791564B CN201780000780.1A CN201780000780A CN109791564B CN 109791564 B CN109791564 B CN 109791564B CN 201780000780 A CN201780000780 A CN 201780000780A CN 109791564 B CN109791564 B CN 109791564B
- Authority
- CN
- China
- Prior art keywords
- parameters
- parameter
- signal
- calculation method
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本申请部分实施例提供了一种信号计算法中的参数的设定方法及装置。信号计算法中的参数的设定方法包括:建立参数空间,参数空间包括至少一组取值位于信号计算法中的参数取值范围内的参数;建立用于评估参数优劣的度量模型;将预设的信号数据集中的信号、参数空间中的参数代入度量模型,计算得到参数优劣度量值;根据参数优劣度量值设定信号计算法中的参数。采用本申请的实施例,通过度量模型对参数空间中的参数的优劣程度进行评估,客观的为信号计算法设定了较为准确的参数,避免人为设定参数的主观性以及不确定性。
Description
技术领域
本申请涉及信号处理技术领域,特别涉及一种信号计算法中的参数的设定方法及装置。
背景技术
随着生活水平的提高,人们越来越重视生活的健康水平。心率是指人体心脏每分钟跳动的次数,在临床诊断上是一项非常重要的生理指标。传统医疗设备在测量心率时要求使用者处于静止状态,同时不方便携带;因此,很多厂商已经生产出可以进行心率测量的穿戴设备,以便于使用者可以在日常生活状态下进行心率的测量。
现有的最常用的心率测量方法是光电脉搏容积(PPG)法,利用LED发出特定波长的光并经人体组织传播、散射、衍射和反射后返回,将返回的光信号转换为电信号,从而获取相应的PPG信号。光束在人体组织传播过程中,由于人体组织的吸收作用而衰减,其中静态组织如皮肤、脂肪、肌肉等的吸收是恒定值,而血液由于心脏的收缩和舒张周期而产生周期性容积变化,因而PPG信号中产生与心跳一致的周期性波形,所以通过PPG信号可以测量出心跳频率,且光电脉搏容积法测量心率是一种无创无害的测量方法。
发明人发现现有技术至少存在以下问题:现有的心率计算方法主要有时域波形法、频谱分析法、独立成分分析方法、经验模态分解方法、自适应滤波器方法等,在这些心率计算方法中均有较多的参数变量,其中,参数变量的范围可以根据数学原理估计,参数变量的具体数值可以根据经验或者临床生理特征设定,但是参数变量的设定具有主观性和不确定性,并且无法保证设定的参数变量的准确度。
发明内容
本申请部分实施例的目的在于提供一种信号计算法中的参数的设定方法及装置,通过度量模型对参数空间中的参数的优劣程度进行评估,客观的为信号计算法设定了较为准确的参数,避免人为设定参数的主观性以及不确定性。
本申请实施例提供了一种信号计算法中的参数的设定方法,包括:建立参数空间,参数空间包括至少一组取值位于信号计算法中的参数取值范围内的参数;建立用于评估参数优劣的度量模型;将预设的信号数据集中的信号、参数空间中的参数代入度量模型,计算得到参数优劣度量值;根据参数优劣度量值设定信号计算法中的参数。
本申请实施例还提供了一种信号计算法中的参数的设定装置,包括:第一建立模块,用于建立参数空间;参数空间包括至少一组取值位于信号计算法中的参数取值范围内的参数;第二建立模块,用于建立用于评估参数优劣的度量模型;计算模块,用于将预设的信号数据集中的信号、参数空间中的参数代入度量模型,计算得到参数优劣度量值;设定模块,用于根据参数优劣度量值设定信号计算法中的参数。
本申请实施例相对于现有技术而言,建立了参数空间,并建立了用于评估参数优劣的度量模型,从而可以通过度量模型对参数空间中的参数的优劣程度进行评估,客观的为信号计算法设定了较为准确的参数,避免人为设定参数的主观性以及不确定性。
另外,参数空间包括多组参数;将预设的信号数据集中的信号、参数空间中的参数代入度量模型,计算得到参数优劣度量值,具体为:将预设的信号数据集中的信号、参数空间中的参数代入度量模型,计算得到多组参数的参数优劣度量值;根据参数优劣度量值设定信号计算法中的参数,具体为:将参数优劣度量值最小的一组参数设定为信号计算法中的参数。本实施例提供了一种设定信号计算法中的参数的具体实现方式。
另外,将预设的信号数据集中的信号、参数空间中的参数代入度量模型,计算得到参数优劣度量值,具体为:将预设的信号数据集中的信号、参数空间中的参数代入度量模型,采用梯度下降法计算得到满足预设条件的参数优劣度量值;其中,以参数空间中的任意一组参数作为梯度下降法的初值;根据参数优劣度量值设定信号计算法中的参数,具体为:将满足预设条件的参数优劣度量值对应的一组参数设定为信号计算法中的参数。本实施例提供了另一种设定信号计算法中的参数的具体实现方式。
另外,将预设的信号数据集中的信号、参数空间中的参数代入度量模型,计算得到多组参数的参数优劣度量值,具体为:将预设的信号数据集中的信号、参数空间中的参数代入度量模型,并行计算得到多组参数的参数优劣度量值。本实施例中,并行计算多组参数的参数优劣度量值,提高了计算速度,从而减少了计算时间。
另外,将参数优劣度量值最小的一组参数设定为信号计算法中的参数之前,还包括:对多组参数的参数优劣度量值进行滤波处理。本实施例中对多组参数的参数优劣度量值进行滤波处理,能够防止噪声或异常数据导致的参数优劣度量值的误差。
另外,滤波处理方式为均值平滑滤波或中值滤波。本实施例提供了具体的滤波处理方式。
另外,度量模型为基于最小均方误差的代价函数或基于最小二乘的代价函数。本实施例提供了度量模型的具体实现方式。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是根据本申请第一实施例中的信号计算法中的参数的设定方法的具体流程图;
图2是根据本申请第二实施例中的信号计算法中的参数的设定方法的具体流程图;
图3是根据本申请第三实施例中的信号计算法中的参数的设定方法的具体流程图;
图4是根据本申请第四实施例中的信号计算法中的参数的设定方法的具体流程图;
图5是根据本申请第五实施例中的信号计算法中的参数的设定装置的方框示意图;
图6是根据本申请第八实施例中的信号计算法中的参数的设定装置的方框示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请部分实施例进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请第一实施例涉及一种信号计算法中的参数的设定方法,信号可以为心率信号、血氧信号等生物信号,信号计算法可以为计算心率的自适应滤波算法、计算心率的频域心率算法、计算血氧的血氧算法等,本实施例对信号的种类以及信号计算法均不作任何限制。其中,不同信号计算法中涉及的参数是不同,例如,计算心率的自适应滤波算法中的参数为自适应滤波器节数、自适应滤波器迭代步长等;计算心率的频域心率算法中的参数为频率搜索起始频率、终止频率、频率幅度阈值等,需要根据信号计算法来获取具体参数种类。信号计算法中的参数的取值范围可以根据数学原理、算法经验以及信号特征来获取。
本实施例中在确定信号的种类后,会为信号建立相应的数据集,以信号为心率信号为例,建立的心率信号的数据集需满足以下三个条件:
1、数据集中每个数据具有统一的数据格式,包括统一的数据长度、统一的数据增益和存储格式等,以提高心率算法设计的标准化和适用于并行处理平台。
2、数据集需要有足够的数据量,以防止少量数据导致心率算法的过拟合、泛化能力差,同时避免心率算法在训练数据计算结果准确度高,在测试数据和其他为标注数据计算准确度低。
3、数据集中的数据是完备的,即,数据集能够覆盖多种心率算法的应用场景数据,具体来说,一是该数据集包括不同心率值的数据,根据人体生理特征或产品需求,定义了心率测量算法的测量范围[HeartRatelow,HeartRatehigh],该数据集中的数据的真实心率能够覆盖测量范围[HeartRatelow,HeartRatehigh]内的每一个心率值;二是数据集包括不同信号质量的数据,不同人的生理特征不同,产生的心率信号质量不同,因此该数据集需既包含信号质量较好的数据,也包含信号质量较差的数据;三是心率算法不仅能测量静止状态心率,还要能够测量运动状态(走路、上下楼、跑步、爬山等)心率,因此,该数据集要包括静止状态数据、不同运动状态的数据、不同运动状态干扰的数据、不同测量部位的数据等。
本实施例的信号计算法中的参数的设定方法的具体流程如图1所示。
步骤101,建立参数空间。
具体而言,建立一个能够覆盖所有参数取值的参数空间S,参数空间S包括至少一组取值位于信号计算法中的参数取值范围内的参数。
步骤102,建立用于评估参数优劣的度量模型。
具体而言,建立一种基于信号计算法准确度的度量模型来评估参数优劣,即,对于每一组参数,该度量模型均能计算出一个度量值来衡量该组参数的优劣。其中,度量模型可以为基于最小均方误差的代价函数或基于最小二乘的代价函数,这里代价函数的计算值称为度量值,度量值越小,则说明计算得到的信号越准确,即参数的准确度越高,越接近理论最优值;反之,则说明计算得到的信号越不准确,即参数的准确度越低,与理论最优值相差越大。
下面以信号为心率信号为例,建立一种基于心率最小均方误差的代价函数(即度量模型),函数具体表达式如下:
其中,J(s)表示设置参数为参数空间S中的一组参数时,心率算法计算心率的均方误差;HRs(i,t)表示在设置参数为参数空间S中的一组参数时,数据集中第i个信号计算得到时刻t时的心率;HRref(i,t)表示数据集中第i个信号在时刻t时的参考心率;M表示数据集中共有M个信号;T表示数据集中每个信号的时间长度为T。
在基于心率最小均方误差的代价函数(即度量模型)计算度量值的过程可以分为两个步骤:首先根据参数配置心率算法,把数据集中的心率信号输入到心率算法计算得到心率值;然后把计算得到的心率值和数据集中的心率信号已知的参考心率值代入代价函数,计算得到的代价函数的值即为度量值。
需要说明的是,本实施例中以最小均方误差的代价函数作为度量模型,然不限于此,还可以以基于最小二乘的代价函数作为度量模型,本实施例对此不作任何限制。
步骤103,将预设的信号数据集中的信号、参数空间中的参数代入度量模型,计算得到参数优劣度量值。
具体而言,根据步骤102中建立的度量模型,将预设的信号数据集中的信号、参数空间中的参数代入度量模型,可以计算得到度量值并作为参数优劣度量值。例如,度量模型为基于心率最小均方误差的代价函数,则参数空间中的一组参数的参数优劣度量值为:设置参数该组参数时,心率算法计算心率的均方误差。
步骤104,根据参数优劣度量值设定信号计算法中的参数。
具体而言,根据参数优劣度量值将较优的一组参数设定为信号计算法中的参数,或将满足预设条件的参数优劣度量值对应的参数设定为信号计算法中的参数,本实施例对此不作任何限制。
需要说明的是,图1中只是示意性给出步骤的执行顺序,然本实施例对步骤101与步骤102的实际执行顺序不作任何限制,即,本实施例中也可以先执行步骤102建立用于评估参数优劣的度量模型,然后在执行步骤101建立参数空间。
本实施例相对于现有技术而言,建立了参数空间,并建立了用于评估参数优劣的度量模型,从而可以通过度量模型对参数空间中的参数的优劣程度进行评估,客观的为信号计算法设定了较为准确的参数,避免人为设定参数的主观性以及不确定性。
本申请第二实施例涉及一种信号计算法中的参数的设定方法,本实施例是对第一实施例的细化,主要细化之处在于:提供了一种设定信号计算法中的参数的具体实现方式。
本实施例的信号计算法中的参数的设定方法的具体流程如图2所示。
步骤201,建立参数空间。
具体而言,参数空间包括多组参数,参数空间中包含有限组参数,例如信号计算法中有N个参数[p1,p2,···,pi,···,pN],每个参数的取值范围已知,参数pi的取值范围为[pi 1,pi 2,···,pi K,···,pi Ki],共Ki个可能取值。
进一步的,定义参数空间S为一个K×N的矩阵,其中N表示参数的个数,Ki表示参数pi的可能取值个数。参数空间S的每一行表示N个参数的某一种组合,参数空间S遍历N个参数范围的任意组合,共有K种组合,参数空间S能够覆盖所有参数取值。S=[s1,s2,···,si,···,sK]T,[·]T表示矩阵转置,sK表示参数的第K中组合,称为第K组参数,K大于1。例如,参数空间S中的参数有3个,分别为p1、p2、p3,参数p1的取值范围为[a1,a2,a3],参数p2的取值范围为[b1,b2,b3],参数p3的取值范围为[c1,c2,c3],则参数空间S包括27种组合,S=[a1b1c1,a1b1c2,a1b1c3,a1b2c1,a1b2c2,a1b2c3,a1b3c1,a1b3c2,a1b3c3,a2b1c1,a2b1c2,a2b1c3,a2b2c1,a2b2c2,a2b2c3,a2b3c1,a2b3c2,a2b3c3,a3b1c1,a3b1c2,a3b1c3,a3b2c1,a3b2c2,a3b2c3,a3b3c1,a3b3c2,a3b3c3]。
本实施例中,提供了一种离散型的参数取值方式,即参数pi在其取值范围内间隔取值,形成一个个离散的参数取值点。
较佳的,参数pi在其取值范围内等间隔取值,从而能够保证取值范围内各个区域的值都能被取到,避免参数较优的取值在某个区域内而没有被取到的情况;其中,取值间隔越小,参数的取值越接近参数的理论最优值,甚至参数取值为参数的理论最优值。例如,参数pi的理论最优值为1.4,在建立参数空间S时,pi的取值范围为[1,2],当取值间隔为0.5时,pi的取值为[1,1.5,2],此时,最终设定的信号计算法中的参数pi值为1.5;当取值间隔为0.2时,pi的取值为[1,1.2,1.4,1.6,1.8,2],则最终设定的信号计算法中的参数A值为理论最优值1.4(即可以取到理论最优值)。
步骤202,建立用于评估参数优劣的度量模型。
具体而言,本步骤与第一实施例中的步骤102大致相同,在此不再赘述。
步骤203,将预设的信号数据集中的信号、参数空间中的参数代入度量模型,计算得到多组参数的参数优劣度量值。
具体而言,由于参数空间S中包含多组参数sK,例如,度量模型为第一实施例中的步骤102中的基于心率最小均方误差的代价函数,则参数优劣度量值为J(sK),表示在设置参数为第k组参数sK时,心率算法计算心率的均方误差。将预设的信号数据集中的信号、参数空间S中的多组参数sK代入度量模型,具体来说,以度量模型为基于均方误差的代价函数为例,用待计算参数优劣度量值的一组参数配置心率算法然后将数据集中的多个信号分别输入已配置心率算法并计算得到心率值,将计算得到的心率值和已知参考心率值代入该代价函数求得该组参数的参数优劣度量值;对于每组参数,均采用上述计算方法,即可以分别计算得到多组参数sK的参数优劣度量值。
较佳的,将预设的信号数据集中的信号、参数空间中的参数代入度量模型,并行计算得到多组参数的参数优劣度量值,具体包括两个方面:一是计算每组参数的参数优劣度量值时,并行计算数据集中的多个信号对应的代价函数值,继而计算出该组参数的参数优劣度量值;二是计算多组参数的参数优劣度量值时,并行计算多组参数中的每组参数的参数优劣度量值。其中,并行计算得到多组参数的参数优劣度量值,提高了计算速度,从而减少了计算时间。
步骤204,将参数优劣度量值最小的一组参数设定为信号计算法中的参数。
具体而言,参数优劣度量值越小表示参数取值越接近最优值,因此,将参数优劣度量值最小的一组参数设定为信号计算法中的参数,可以保证参数取值的准确度;其中,若参数优劣度量值最小的参数不止一组,则可以从其中任选一组设定为信号计算法中的参数,本实施例对此不作任何限制。
值得一提的是,本实施例中还可以为参数优劣度量值设定一阈值,从所有小于该阈值的参数优劣度量值对应的多组参数中选择一组参数设定为信号计算法中的参数,然本实施例对此不作任何限制。
本实施例相对于第一实施例而言,提供了一种设定信号计算法中的参数的具体实现方式;即从离散型的参数取值中,选取最优的一组参数设定为信号计算法中的参数。
本申请第三实施例涉及一种信号计算法中的参数的设定方法,本实施例是对第一实施例的细化,主要细化之处在于:提供了另一种设定信号计算法中的参数的具体实现方式。
本实施例的信号计算法中的参数的设定方法的具体流程如图3所示。
步骤301,建立参数空间。
具体而言,参数空间S中的参数可在其连续的取值范围内取任意值,参数空间S中可以包括无限组参数。例如,参数空间S中的参数有3个,分别为A、B、C,参数A的取值范围为[a1,a3],参数B的取值范围为[b1,b3],参数C的取值范围为[c1,c3],则参数A可以取[a1,a3]中的任意一个值,参数B可以取[b1,b3]中的任意一个值,参数C可以取[c1,c3]中的任意一个值。
本实施例中,提供了一种连续型的参数取值方式,即参数pi在其取值范围内连续取值。
步骤302,建立用于评估参数优劣的度量模型。
具体而言,本步骤与实施例中的步骤102大致相同,在此不再赘述。
步骤303,将预设的信号数据集中的信号、参数空间中的参数代入度量模型,采用梯度下降法计算得到满足预设条件的参数优劣度量值。
具体而言,度量模型J(s),则满足预设条件的参数优劣度量值为minJ(s),具体计算过程如下:
1、以步骤301中建立的参数空间中的任意一组参数sK作为梯度下降法的初值。
4、将S′代入J(s),计算得到J(S′),如果|J(S′)-J(sK)|小于预设的阈值,则说明参数优劣度量值J(S′)满足预设条件,停止迭代;否则,令S=S′,重复上述步骤2到步骤4,直至获取满足预设条件的参数优劣度量值。其中,设置预设的阈值越小,获取的满足预设条件的参数优劣度量值对应的参数越接近理论最优值,本实施例对此不作任何限制。
步骤304,将满足预设条件的参数优劣度量值对应的一组参数设定为信号计算法中的参数。
具体而言,将步骤303中采用梯度下降法计算得到的满足预设条件的参数优劣度量值对应的一组参数设定为信号计算法中的参数,即,将J(S′)对应的参数S′设定为信号计算法中的参数。
本实施例相对于第一实施例而言,提供了另一种设定信号计算法中的参数的具体实现方式,即将满足预设条件的参数优劣度量值对应的一组参数设定为信号计算法中的参数。
本申请第四实施例涉及一种信号计算法中的参数的设定方法,本实施例是在第二实施例基础上的改进,主要改进之处在于:本实施例中,在第二实施例中的步骤204之前,对多组参数的参数优劣度量值进行滤波处理。
本实施例的信号计算法中的参数的设定方法的具体流程如图4所示。
其中,步骤401至步骤403与步骤201至步骤203大致相同,步骤405与步骤204大致相同,在此不再赘述,主要不同之处在于,本实施例中,增加了步骤404,具体如下:
步骤404,对多组参数的参数优劣度量值进行滤波处理。
具体而言,在步骤203(本实施例中步骤403)计算得到多组参数的参数优劣度量值后,对多组参数的参数优劣度量值进行滤波处理,继而进入步骤405,在滤波处理后的多组参数的参数优劣度量值中,将参数优劣度量值最小的一组参数设定为信号计算法中的参数。其中,滤波处理的方式可以是均值平滑滤波或中值滤波,然本实施例对此不作任何限制。
本实施例相对于第二实施例而言,对多组参数的参数优劣度量值进行滤波处理,能够防止噪声或异常数据导致的参数优劣度量值的误差。
本申请第五实施例涉及一种信号计算法中的参数的设定装置,信号可以为心率信号、血氧信号等生物信号,信号计算法可以为计算心率的自适应滤波算法、计算心率的频域心率算法、计算血氧的血氧算法等,本实施例对信号的种类以及信号计算法均不作任何限制。其中,不同信号计算法中涉及的参数是不同,例如,计算心率的自适应滤波算法中的参数为自适应滤波器节数、自适应滤波器迭代步长等;计算心率的频域心率算法中的参数为频率搜索起止频率、终止频率、频率幅度阈值等,需要根据信号计算法来获取具体参数种类。信号计算法中的参数的取值范围可以根据数学原理、算法经验以及信号特征来获取。
本实例中,请参考图5,信号计算法中的参数的设定装置包括:第一建立模块1、第二建立模块2、计算模块3以及设定模块4。
第一建立模块1用于建立参数空间S;参数空间S包括至少一组取值位于信号计算法中的参数取值范围内的参数。
第二建立模块2用于建立用于评估参数优劣的度量模型,即,对于每一组参数,该度量模型均能计算出一个度量值来衡量该组参数的优劣;度量模型可以为基于最小均方误差的代价函数或基于最小二乘的代价函数,这里的度量值即为代价函数的计算值。
计算模块3用于将预设的信号数据集中的信号、参数空间S中的参数代入度量模型,计算得到参数优劣度量值。
设定模块4用于根据参数优劣度量值设定信号计算法中的参数。
由于第一实施例与本实施例相互对应,因此本实施例可与第一实施例互相配合实施。第一实施例中提到的相关技术细节在本实施例中依然有效,在第一实施例中所能达到的技术效果在本实施例中也同样可以实现,为了减少重复,这里不再赘述。相应地,本实施例中提到的相关技术细节也可应用在第一实施例中。
本实施例相对于现有技术而言,建立了能够覆盖所有参数取值的参数空间,并建立了用于评估参数优劣的度量模型,从而可以通过度量模型对参数空间中的参数的优劣程度进行评估,客观的为信号计算法设定了较为准确的参数,避免人为设定参数的主观性以及不确定性。
本申请第六实施例涉及一种信号计算法中的参数的设定装置,本实施例是对第五实施例的细化,主要细化之处在于:提供了一种设定信号计算法中的参数的具体实现方式。
本实施例中的信号计算法中的参数的设定装置的方框示意图请参考图5。其中,第一建立模块1建立的参数空间S包括多组参数,参数空间S中包含有限组参数,例如信号计算法中有N个参数[p1,p2,···,pi,···,pN],每个参数的取值范围已知,参数pi的取值范围为[pi 1,pi 2,···,pi K,···,pi Ki],共Ki个可能取值。
本实施例中,提供了一种离散型的参数取值方式,即参数pi在其取值范围内间隔取值,形成一个个离散的参数取值点。
较佳的,参数pi在其取值范围内等间隔取值,从而能够保证取值范围内各个区域的值都能被取到,避免参数较优的取值在某个区域内而没有被取到的情况,取值间隔越小,参数的取值越接近参数的理论最优值,甚至参数取值为参数的理论最优值。例如,参数pi的理论最优值为1.4,在建立参数空间S时,pi的取值范围为[1,2],当取值间隔为0.5时,pi的取值为[1,1.5,2],此时,最终设定的信号计算法中的参数A值为1.5;当取值间隔为0.2时,pi的取值为[1,1.2,1.4,1.6,1.8,2],则最终设定的信号计算法中的参数pi值为理论最优值1.4(即可以取到理论最优值)。
计算模块3用于将预设的信号数据集中的信号、参数空间S中的参数代入度量模型,具体来说,以度量模型为基于均方误差的代价函数为例,用待计算参数优劣度量值的一组参数配置心率算法,然后将数据集中的多个信号分别输入已配置心率算法并计算得到心率值,将计算得到的心率值和已知参考心率值代入该代价函数求得该组参数的参数优劣度量值;对于每组参数,均采用上述计算方法,即可以分别计算得到多组参数sK的参数优劣度量值。
较佳的,计算模块3用于将预设的信号数据集中的信号、参数空间S中的参数代入度量模型,并行计算得到多组参数的参数优劣度量值;具体而言,计算模块3可以包括多个计算单元,在计算每组参数的参数优劣度量值时,多个计算单元并行计算数据集中的多个信号对应的代价函数值;计算多组参数的参数优劣度量值时,将多组参数分配到多个计算单元并行计算。其中,并行计算得到多组参数的参数优劣度量值,提高了计算速度,从而减少了计算时间。
设定模块4用于将参数优劣度量值最小的一组参数设定为信号计算法中的参数。参数优劣度量值越小表示参数取值的越接近最优值,因此,将参数优劣度量值最小的一组参数设定为信号计算法中的参数,可以保证参数取值的准确度;其中,若参数优劣度量值最小的参数不止一组,则可以从其中任选一组设定为信号计算法中的参数,本实施例对此不作任何限制。
值得一提的是,本实施例中还可以为参数优劣度量值设定一阈值,从所有小于该阈值的参数优劣度量值对应的多组参数中选择一组参数都可以设定为信号计算法中的参数,然本实施例对此不作任何限制。
由于第二实施例与本实施例相互对应,因此本实施例可与第二实施例互相配合实施。第二实施例中提到的相关技术细节在本实施例中依然有效,在第二实施例中所能达到的技术效果在本实施例中也同样可以实现,为了减少重复,这里不再赘述。相应地,本实施例中提到的相关技术细节也可应用在第二实施例中。
本实施例相对于第五实施例而言,提供了一种设定信号计算法中的参数的具体实现方式;即从离散型的参数取值中,选取最优的一组参数设定为信号计算法中的参数。
本申请第七实施例涉及一种信号计算法中的参数的设定装置,本实施例是对第五实施例的细化,主要细化之处在于:提供了另一种设定信号计算法中的参数的具体实现方式。
本实施例中的信号计算法中的参数的设定装置的方框示意图请参考图5。其中,第一建立模块1建立的参数空间S时,参数空间S中的参数可在其连续的取值范围内取任意值,参数空间S中可以包括无限组参数。例如,参数空间S中的参数有3个,分别为p1、p2、p3,参数p1的取值范围为[a1,a3],参数p2的取值范围为[b1,b3],参数p3的取值范围为[c1,c3],则参数p1可以取[a1,a3]中的任意一个值,参数p2可以取[b1,b3]中的任意一个值,参数p3可以取[c1,c3]中的任意一个值。
本实施例中,提供了一种连续型的参数取值方式,即参数pi在其取值范围内连续取值。
计算模块3用于将预设的信号数据集中的信号、参数空间S中的参数代入度量模型,采用梯度下降法计算得到满足预设条件的参数优劣度量值;其中,以参数空间S中的任意一组参数作为梯度下降法的初值。
设定模块4用于将满足预设条件的参数优劣度量值对应的一组参数设定为信号计算法中的参数。
由于第三实施例与本实施例相互对应,因此本实施例可与第三实施例互相配合实施。第三实施例中提到的相关技术细节在本实施例中依然有效,在第三实施例中所能达到的技术效果在本实施例中也同样可以实现,为了减少重复,这里不再赘述。相应地,本实施例中提到的相关技术细节也可应用在第三实施例中。
本实施例相对于第五实施例而言,提供了另一种设定信号计算法中的参数的具体实现方式,即将满足预设条件的参数优劣度量值对应的一组参数设定为信号计算法中的参数。
本申请第八实施例涉及一种信号计算法中的参数的设定装置,本实施例是在第五实施例基础上的改进,主要改进之处在于:本实施例中,请参考图6,信号计算法中的参数的设定装置还包括滤波模块5。
滤波模块5用于对多组参数的参数优劣度量值进行滤波处理。滤波处理方式可以为均值平滑滤波或中值滤波,然本实施例对此不作任何限制。
由于第四实施例与本实施例相互对应,因此本实施例可与第四实施例互相配合实施。第四实施例中提到的相关技术细节在本实施例中依然有效,在第四实施例中所能达到的技术效果在本实施例中也同样可以实现,为了减少重复,这里不再赘述。相应地,本实施例中提到的相关技术细节也可应用在第四实施例中。
本实施例相对于第六实施例而言,对多组参数的参数优劣度量值进行滤波处理,能够防止噪声或异常数据导致的参数优劣度量值的误差。
本领域的普通技术人员可以理解,上述各实施例是实现本申请的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本申请的精神和范围。
Claims (10)
1.一种信号计算法中的参数的设定方法,其特征在于,包括:
建立参数空间,所述参数空间包括至少一组取值位于所述信号计算法中的参数取值范围内的参数;
建立用于评估参数优劣的度量模型;所述度量模型为基于最小均方误差的代价函数或基于最小二乘的代价函数;
将预设的信号数据集中的信号、所述参数空间中的参数代入所述度量模型,计算得到参数优劣度量值;
根据所述参数优劣度量值设定所述信号计算法中的参数;
其中,所述参数空间包括多组参数;所述将预设的信号数据集中的信号、所述参数空间中的参数代入所述度量模型,计算得到参数优劣度量值,具体为:将预设的信号数据集中的信号、所述参数空间中的参数代入所述度量模型,计算得到多组参数的参数优劣度量值;
所述根据所述参数优劣度量值设定所述信号计算法中的参数,具体为:将参数优劣度量值最小的一组参数设定为所述信号计算法中的参数;
所述参数优劣度量值的计算方式为:根据所述参数空间中的参数配置所述信号计算法,并将所述预设的信号数据集中的信号代入所述信号计算法中得到信号值;将计算得到的所述信号值和所述预设的信号数据集中的参考信号值代入所述度量模型中,计算得到所述参数优劣度量值。
2.如权利要求1所述的方法,其特征在于,所述将预设的信号数据集中的信号、所述参数空间中的参数代入所述度量模型,计算得到多组参数的参数优劣度量值,具体为:
将预设的信号数据集中的信号、所述参数空间中的参数代入所述度量模型,并行计算得到多组参数的参数优劣度量值。
3.如权利要求1所述的方法,其特征在于,所述将参数优劣度量值最小的一组参数设定为所述信号计算法中的参数之前,还包括:
对所述多组参数的参数优劣度量值进行滤波处理。
4.如权利要求3所述的方法,其特征在于,所述滤波处理方式为均值平滑滤波或中值滤波。
5.一种信号计算法中的参数的设定方法,其特征在于,包括:
建立参数空间,所述参数空间包括至少一组取值位于所述信号计算法中的参数取值范围内的参数;
建立用于评估参数优劣的度量模型;所述度量模型为基于最小均方误差的代价函数或基于最小二乘的代价函数;
将预设的信号数据集中的信号、所述参数空间中的参数代入所述度量模型,计算得到参数优劣度量值;
根据所述参数优劣度量值设定所述信号计算法中的参数;
其中,所述将预设的信号数据集中的信号、所述参数空间中的参数代入所述度量模型,计算得到参数优劣度量值,具体为:将预设的信号数据集中的信号、所述参数空间中的参数代入所述度量模型,采用梯度下降法计算得到满足预设条件的参数优劣度量值;其中,以所述参数空间中的任意一组参数作为梯度下降法的初值;
所述根据所述参数优劣度量值设定所述信号计算法中的参数,具体为:将满足预设条件的所述参数优劣度量值对应的一组参数设定为所述信号计算法中的参数;
所述参数优劣度量值的计算方式为:根据所述参数空间中的参数配置所述信号计算法,并将所述预设的信号数据集中的信号代入所述信号计算法中得到信号值;将计算得到的所述信号值和所述预设的信号数据集中的参考信号值代入所述度量模型中,计算得到所述参数优劣度量值。
6.一种信号计算法中的参数的设定装置,其特征在于,包括:
第一建立模块,用于建立参数空间;所述参数空间包括至少一组取值位于所述信号计算法中的参数取值范围内的参数;
第二建立模块,用于建立用于评估参数优劣的度量模型;所述度量模型为基于最小均方误差的代价函数或基于最小二乘的代价函数;
计算模块,用于将预设的信号数据集中的信号、所述参数空间中的参数代入所述度量模型,计算得到参数优劣度量值;
设定模块,用于根据所述参数优劣度量值设定所述信号计算法中的参数;
所述参数空间包括多组参数;所述计算模块用于将预设的信号数据集中的信号、所述参数空间中的参数代入所述度量模型,计算得到多组参数的参数优劣度量值;所述设定模块用于将参数优劣度量值最小的一组参数设定为所述信号计算法中的参数;
其中,所述计算模块还用于根据所述参数空间中的参数配置所述信号计算法,并将所述预设的信号数据集中的信号代入所述信号计算法中得到信号值;将计算得到的所述信号值和所述预设的信号数据集中的参考信号值代入所述度量模型中,计算得到参数优劣度量值。
7.如权利要求6所述的装置,其特征在于,所述计算模块用于将预设的信号数据集中的信号、所述参数空间中的参数代入所述度量模型,并行计算得到多组参数的参数优劣度量值。
8.如权利要求6所述的装置,其特征在于,所述装置还包括滤波模块;所述滤波模块用于对所述多组参数的参数优劣度量值进行滤波处理。
9.如权利要求8所述的装置,其特征在于,所述滤波处理方式为均值平滑滤波或中值滤波。
10.一种信号计算法中的参数的设定装置,其特征在于,包括:
第一建立模块,用于建立参数空间;所述参数空间包括至少一组取值位于所述信号计算法中的参数取值范围内的参数;
第二建立模块,用于建立用于评估参数优劣的度量模型;所述度量模型为基于最小均方误差的代价函数或基于最小二乘的代价函数;
计算模块,用于将预设的信号数据集中的信号、所述参数空间中的参数代入所述度量模型,计算得到参数优劣度量值;
设定模块,用于根据所述参数优劣度量值设定所述信号计算法中的参数;
所述计算模块用于将预设的信号数据集中的信号、所述参数空间中的参数代入所述度量模型,采用梯度下降法计算得到满足预设条件的参数优劣度量值;其中,以所述参数空间中的任意一组参数作为梯度下降法的初值;所述设定模块用于将满足预设条件的所述参数优劣度量值对应的一组参数设定为所述信号计算法中的参数;
其中,所述计算模块还用于根据所述参数空间中的参数配置所述信号计算法,并将所述预设的信号数据集中的信号代入所述信号计算法中得到信号值;将计算得到的所述信号值和所述预设的信号数据集中的参考信号值代入所述度量模型中,计算得到参数优劣度量值。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/093909 WO2019014933A1 (zh) | 2017-07-21 | 2017-07-21 | 信号计算法中的参数的设定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109791564A CN109791564A (zh) | 2019-05-21 |
CN109791564B true CN109791564B (zh) | 2023-06-16 |
Family
ID=65014839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780000780.1A Active CN109791564B (zh) | 2017-07-21 | 2017-07-21 | 信号计算法中的参数的设定方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109791564B (zh) |
WO (1) | WO2019014933A1 (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010067830A (ja) * | 2008-09-11 | 2010-03-25 | Fujitsu Ltd | モデルパラメータ抽出プログラム |
CN102663417A (zh) * | 2012-03-19 | 2012-09-12 | 河南工业大学 | 一种小样本数据模式识别的特征选择方法 |
CN104995562A (zh) * | 2012-12-18 | 2015-10-21 | 科磊股份有限公司 | 基于模型的度量及过程模型的经整合使用 |
CN105335619A (zh) * | 2015-11-10 | 2016-02-17 | 广西大学 | 适用于高计算代价数值计算模型参数反分析的协同优化法 |
WO2017016086A1 (zh) * | 2015-07-30 | 2017-02-02 | 华南理工大学 | 基于生理信息的抑郁症评估***及其评估方法 |
CN106599230A (zh) * | 2016-12-19 | 2017-04-26 | 北京天元创新科技有限公司 | 一种分布式数据挖掘模型评估的方法与*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6456675B2 (en) * | 1999-10-12 | 2002-09-24 | Memorylink Corporation | Diversity reception employing periodic testing |
US20090171226A1 (en) * | 2007-12-31 | 2009-07-02 | Nellcor Puritan Bennett Llc | System and method for evaluating variation in the timing of physiological events |
CN102722103A (zh) * | 2012-05-18 | 2012-10-10 | 镇江雅迅软件有限责任公司 | 基于模糊分析和可视化技术的多目标参数寻优方法 |
US20140301309A1 (en) * | 2013-04-08 | 2014-10-09 | Qualcomm Incorporated | Low complexity blind detection of transmission parameters of interferers |
CN104200087B (zh) * | 2014-06-05 | 2018-10-02 | 清华大学 | 用于机器学习的参数寻优及特征调优的方法及*** |
-
2017
- 2017-07-21 WO PCT/CN2017/093909 patent/WO2019014933A1/zh active Application Filing
- 2017-07-21 CN CN201780000780.1A patent/CN109791564B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010067830A (ja) * | 2008-09-11 | 2010-03-25 | Fujitsu Ltd | モデルパラメータ抽出プログラム |
CN102663417A (zh) * | 2012-03-19 | 2012-09-12 | 河南工业大学 | 一种小样本数据模式识别的特征选择方法 |
CN104995562A (zh) * | 2012-12-18 | 2015-10-21 | 科磊股份有限公司 | 基于模型的度量及过程模型的经整合使用 |
WO2017016086A1 (zh) * | 2015-07-30 | 2017-02-02 | 华南理工大学 | 基于生理信息的抑郁症评估***及其评估方法 |
CN105335619A (zh) * | 2015-11-10 | 2016-02-17 | 广西大学 | 适用于高计算代价数值计算模型参数反分析的协同优化法 |
CN106599230A (zh) * | 2016-12-19 | 2017-04-26 | 北京天元创新科技有限公司 | 一种分布式数据挖掘模型评估的方法与*** |
Also Published As
Publication number | Publication date |
---|---|
WO2019014933A1 (zh) | 2019-01-24 |
CN109791564A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shimazaki et al. | Cuffless blood pressure estimation from only the waveform of photoplethysmography using CNN | |
AU720450B2 (en) | Method and apparatus for adaptively averaging data signals | |
JP6971150B2 (ja) | 被験体の平均動脈圧を導き出すための方法および装置 | |
US9936886B2 (en) | Method for the estimation of the heart-rate and corresponding system | |
CN108478206B (zh) | 运动状态下基于脉搏波的心率监测方法 | |
CN108261190B (zh) | 连续血压估计方法、装置以及设备 | |
Chung et al. | Deep learning for heart rate estimation from reflectance photoplethysmography with acceleration power spectrum and acceleration intensity | |
CN112220471A (zh) | 时域干扰去除和改进的心率测量跟踪机理 | |
Yang et al. | Estimation and validation of arterial blood pressure using photoplethysmogram morphology features in conjunction with pulse arrival time in large open databases | |
US11337657B2 (en) | Dynamic calibration of a blood pressure measurement device | |
US10744261B2 (en) | System and method of a biosensor for detection of vasodilation | |
CN109497977A (zh) | 人体心率和血氧饱和度检测方法和装置 | |
CN105816165B (zh) | 一种实时动态心率监测装置及监测方法 | |
WO2017142667A1 (en) | Pulse validation | |
CN111466899A (zh) | 一种基于mpga-miv-bp模型簇的连续血压无创监测方法 | |
CN109791564B (zh) | 信号计算法中的参数的设定方法及装置 | |
US20200065649A1 (en) | Method for robust and noise-tolerant SpO2 determination | |
Everson et al. | BioTranslator: inferring R-peaks from ambulatory wrist-worn PPG signal | |
JP2017023472A (ja) | 生体情報推定装置、生体情報推定方法、及びコンピュータプログラム | |
Xing et al. | Temporal complexity in photoplethysmography and its influence on blood pressure | |
CN109643579A (zh) | 质量评估方法及装置、模型建立方法及模块、穿戴设备 | |
Zhang et al. | Non-invasive blood glucose detection using NIR based on GA and SVR | |
Fedorin et al. | Lightweight neural network based model for real-time precise HR monitoring during high intensity workout using consumer smartwatches | |
GB2595162A (en) | Biological function measurement device, and biological function measurement method, and program | |
Papezova | Signal processing of bioimpedance equipment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |