CN111291727B - 一种光体积变化描记图法信号质量检测方法和装置 - Google Patents
一种光体积变化描记图法信号质量检测方法和装置 Download PDFInfo
- Publication number
- CN111291727B CN111291727B CN202010189139.0A CN202010189139A CN111291727B CN 111291727 B CN111291727 B CN 111291727B CN 202010189139 A CN202010189139 A CN 202010189139A CN 111291727 B CN111291727 B CN 111291727B
- Authority
- CN
- China
- Prior art keywords
- ppg
- dimensional
- probability
- signal quality
- data
- 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
- 238000013186 photoplethysmography Methods 0.000 title claims abstract description 452
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000011159 matrix material Substances 0.000 claims abstract description 102
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 239000012634 fragment Substances 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 82
- 239000013598 vector Substances 0.000 claims description 68
- 238000012797 qualification Methods 0.000 claims description 42
- 238000011176 pooling Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 33
- 238000010276 construction Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 description 15
- 239000008280 blood Substances 0.000 description 12
- 210000004369 blood Anatomy 0.000 description 12
- 210000004204 blood vessel Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 6
- 230000036772 blood pressure Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000003709 heart valve Anatomy 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Psychiatry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及一种光体积变化描记图法信号质量检测方法和装置,所述方法包括:获取PPG信号,按数据采样频率阈值对PPG信号采样生成PPG一维数据序列;根据CNN输入长度阈值对PPG一维数据序列进行片段划分生成多个PPG一维子片段;根据片段总数和PPG一维数据序列生成PPG数据四维张量;使用CNN模型进行PPG特征提取生成PPG特征四维张量;构建PPG特征二维矩阵;使用ANN模型进行PPG特征二分类概率回归计算,生成PPG概率二维矩阵[X,2];根据PPG概率二维矩阵[X,2]对PPG信号进行PPG信号质量判断生成PPG信号质量检测结果。
Description
技术领域
本发明涉及电生理信号处理技术领域,特别涉及一种光体积变化描记图法信号质量检测方法和装置。
背景技术
光体积变化描记图法(Photoplethysmograph,PPG)信号是利用光感传感器对特定光源的光强识别记录光强变化的一组信号。在心脏搏动时,对血管内单位面积的血流量形成周期性变化,与之对应的血液体积也相应发生变化,从而导致反映血液吸收光量的PPG信号也呈现周期性变化趋势。一个心动周期包括两个时间期:心脏收缩期和心脏舒张期;当心脏收缩期时,心脏对全身做功,造成血管内压力与血流体积产生连续周期性变化,此时血管内血液对光线的吸收最多;当心脏舒张期时,对血管的压力相对性较小,此时上一次心脏收缩向全身推出的血液经过循环撞击心脏瓣膜从而对光线产生一定的反射与折射效应,造成舒张周期时血管内血液对光线能量的吸收降低。因此,通过对反映血管内血液吸收光能的PPG信号波形进行分析可以对血压进行预测。然而在实际的应用过程中我们发现:PPG信号在采集过程中容易受到诸如传感器灵敏度、测试者生理状态、环境信号干扰等因素的影响,受影响的PPG信号会出现子波形态、幅值等多个特征各不相同的情况,使用受影响的PPG信号对血压进行预测会降低结果的准确度甚至出现错误。
发明内容
本发明的目的,就是针对现有技术的缺陷,提供一种光体积变化描记图法信号质量检测方法和装置,首先对需要进行质量检测的PPG信号进行片段划分,然后使用卷积神经网络(Convolutional Neural Networks,CNN)模型对片段化的PPG信号进行特征提取操作,接着将提取出的特征数据通过人工神经网络(Artificial Neural Network,ANN)模型进行二分概率回归计算得出PPG信号各片段的两个信号质量概率(PPG信号质量合格概率和PPG信号质量不合格概率),最后根据各片段的质量概率进行PPG信号质量判断得出PPG信号质量检测结果。本发明实施例提供的方法和装置,一方面,提供了一种对PPG信号质量进行自动检测的途径,保障了PPG信号应用的质量;另一方面,相较于常规滤波方式无法自动提升检测精度的缺陷,本发明实施例使用具备深度学习能力的智能神经网络,能随着检测数据量的增加而自动提高检测精度。
为实现上述目的,本发明实施例第一方面提供了一种光体积变化描记图法信号质量检测方法,其特征在于,所述方法包括:
获取光体积变化描记图法PPG信号;并按数据采样频率阈值对所述PPG信号进行信号数据采样处理生成PPG一维数据序列;
根据卷积神经网络CNN输入长度阈值,对所述PPG一维数据序列进行顺序片段划分处理生成多个PPG一维子片段;以所述PPG一维数据序列包括的PPG一维子片段总数为片段总数;
根据所述片段总数和所述PPG一维数据序列,进行CNN输入四维张量构建操作生成PPG数据四维张量;并使用CNN模型对所述PPG数据四维张量进行PPG特征提取操作生成PPG特征四维张量;
根据所述PPG特征四维张量,进行ANN输入数据二维矩阵构建操作生成PPG特征二维矩阵;并使用ANN模型对所述PPG特征二维矩阵进行PPG特征二分类概率回归计算,生成PPG概率二维矩阵[X,2];所述PPG概率二维矩阵[X,2]包括所述X个PPG概率一维向量[2];所述PPG概率一维向量[2]包括PPG信号质量合格概率和PPG信号质量不合格概率;所述X为所述片段总数;
根据所述PPG概率二维矩阵[X,2]中包括的所有所述PPG信号质量合格概率和所述PPG信号质量不合格概率,对所述PPG信号进行PPG信号质量判断处理生成PPG信号质量检测结果。
优选的.
所述PPG信号是,调用PPG信号采集生成设备在信号采集时间阈值内对生物体局部皮肤表面进行预置光源信号采集操作生成的;所述预置光源信号至少包括红光源信号、红外光源信号和绿光源信号的一类;
所述PPG一维数据序列具体为PPG一维数据序列[A];所述A为所述PPG一维数据序列[A]的第一维度参数,且所述A为所述信号采集时间阈值乘以所述数据采样频率阈值的乘积。
优选的,所述根据卷积神经网络CNN输入长度阈值,对所述PPG一维数据序列进行顺序片段划分处理生成多个PPG一维子片段,具体包括:
以所述CNN输入长度阈值为子片段长度,将所述PPG一维数据序列按顺序划分为多个长度相等的所述PPG一维子片段。
优选的,所述根据所述片段总数和所述PPG一维数据序列,进行CNN输入四维张量构建操作生成PPG数据四维张量;并使用CNN模型对所述PPG数据四维张量进行PPG特征提取操作生成PPG特征四维张量,具体包括:
步骤41,设置所述PPG数据四维张量为PPG数据四维张量[B1,H1,W1,C1],并初始化所述PPG数据四维张量[B1,H1,W1,C1]中所有张量元素为空;所述B1为所述PPG数据四维张量[B1,H1,W1,C1]的第四维度参数,且所述B1为所述片段总数;所述H1为所述PPG数据四维张量[B1,H1,W1,C1]的第三维度参数,且所述H1的值为1;所述W1为所述PPG数据四维张量[B1,H1,W1,C1]的第二维度参数,且所述W1为所述CNN输入长度阈值;所述C1为所述PPG数据四维张量[B1,H1,W1,C1]的第一维度参数,且所述C1的值为1;
步骤42,依次提取所述PPG一维数据序列中的所述PPG一维子片段,对所述PPG数据四维张量[B1,H1,W1,C1]进行数据添加处理;
步骤43,获取卷积核数量阈值;获取卷积层数阈值;初始化第一索引的值为1,并初始化第一总数为所述卷积层数阈值;初始化第一索引临时四维张量为所述PPG数据四维张量[B1,H1,W1,C1];
步骤44,利用所述CNN模型的第一索引层卷积层,对所述第一索引临时四维张量进行卷积计算处理生成第一索引卷积输出数据四维张量;利用所述CNN模型的第一索引池化层,对所述第一索引卷积输出数据四维张量进行池化计算处理生成第一索引池化输出数据四维张量;所述CNN模型包括多层所述卷积层和多层所述池化层;
步骤45,设置所述第一索引临时四维张量为所述第一索引池化输出数据四维张量;
步骤46,将所述第一索引加1;
步骤47,判断所述第一索引是否大于所述第一总数,如果所述第一索引大于所述第一总数转至步骤48,如果所述第一索引小于或等于所述第一总数转至步骤44;
步骤48,设置所述PPG特征四维张量为所述第二索引临时四维张量;所述PPG特征四维张量具体为PPG特征四维张量[B2,H2,W2,C2];所述B2为所述PPG特征四维张量[B2,H2,W2,C2]的第四维度参数且所述B2为所述B1;所述H2为所述PPG特征四维张量[B2,H2,W2,C2]的第三维度参数;所述W2为所述PPG特征四维张量[B2,H2,W2,C2]的第二维度参数;所述C2为所述PPG特征四维张量[B2,H2,W2,C2]的第一维度参数且所述C2为所述卷积核数量阈值。
优选的,所述根据所述PPG特征四维张量,进行ANN输入数据二维矩阵构建操作生成PPG特征二维矩阵;并使用ANN模型对所述PPG特征二维矩阵进行PPG特征二分类概率回归计算,生成PPG概率二维矩阵[X,2],具体包括:
步骤51,根据所述PPG特征四维张量[B2,H2,W2,C2],对所述PPG特征四维张量[B2,H2,W2,C2]进行张量数据降维处理生成所述PPG特征二维矩阵;所述PPG特征二维矩阵具体为PPG特征二维矩阵[W3,C3];所述PPG特征二维矩阵[W3,C3]包括所述W3个PPG特征一维向量[C3];所述W3为所述PPG特征二维矩阵[W3,C3]的第二维度参数且所述W3为所述B2;所述C3为所述PPG特征二维矩阵[W3,C3]的第一维度参数且所述C3为所述H2乘以所述W2再乘以所述C2的乘积;
步骤52,初始化第二索引的值为1;初始化第二总数的值为所述W3;构建所述PPG概率二维矩阵[X,2],并初始化所述PPG概率二维矩阵[X,2]为空;
步骤53,使用所述ANN模型对所述PPG特征二维矩阵[W3,C3]中与所述第二索引对应的所述PPG特征一维向量[C3]进行PPG特征二分类概率回归计算,生成第二索引PPG概率一维向量[2];并将所述第二索引PPG概率一维向量[2]向所述PPG概率二维矩阵[X,2]进行数据添加操作;
步骤54,将所述第二索引加1;
步骤55,判断所述第二索引是否大于所述第二总数,如果所述第二索引大于所述第二总数转至步骤56,如果所述第二索引小于或等于所述第二总数转至步骤53;
步骤56,将所述PPG概率二维矩阵[X,2]向上位应用进行发送。
优选的,所述根据所述PPG概率二维矩阵[X,2]中包括的所有所述PPG信号质量合格概率和所述PPG信号质量不合格概率,对所述PPG信号进行PPG信号质量判断处理生成PPG信号质量检测结果,具体包括:
构建PPG信号质量概率一维向量[X],并初始化所述PPG信号质量概率一维向量[X]为空;
依次对所述PPG概率二维矩阵[X,2]包括的所述PPG概率一维向量[2]进行轮询,对所述PPG概率一维向量[2]包括的所述PPG信号质量合格概率和所述PPG信号质量不合格概率两个概率值进行数值大小比对,提取数值较大的概率值向所述PPG信号质量概率一维向量[X]进行数据添加操作;
统计所述PPG信号质量概率一维向量[X]包括的所述PPG信号质量合格概率的总数生成合格概率总数;根据所述合格概率总数除以所述X的商生成合格占比;
根据所述合格占比对所述PPG信号进行PPG信号质量判断,当所述合格占比大于或等于预置的合格片段占比阈值时设置所述PPG信号质量检测结果为PPG信号质量合格,当所述合格占比小于所述合格片段占比阈值时设置所述PPG信号质量检测结果为PPG信号质量不合格。
优选的,所述方法还包括:
当所述PPG信号质量检测结果为所述PPG信号质量合格时,依次对所述PPG概率二维矩阵[X,2]包括的所述PPG概率一维向量[2]进行轮询;当所述PPG概率一维向量[2]包括的所述PPG信号质量合格概率小于预置的信号质量合格概率阈值时,从所述PPG一维数据序列中删除对应的所述PPG一维子片段。
本发明实施例第一方面提供的一种光体积变化描记图法信号质量检测方法,首先对需要进行质量检测的PPG信号进行片段划分,然后使用CNN模型对片段化的PPG信号进行特征提取操作,接着将提取出的特征数据通过ANN模型进行二分概率回归计算得出PPG信号各片段的两个信号质量概率(PPG信号质量合格概率和PPG信号质量不合格概率),最后根据各片段的质量概率进行PPG信号质量判断得出PPG信号质量检测结果。
本发明实施例第二方面提供了一种设备,该设备包括存储器和处理器,存储器用于存储程序,处理器用于执行第一方面及第一方面的各实现方式中的方法。
本发明实施例第三方面提供了一种包含指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行第一方面及第一方面的各实现方式中的方法。
本发明实施例第四方面提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现第一方面及第一方面的各实现方式中的方法。
附图说明
图1为本发明实施例一提供的一种光体积变化描记图法信号质量检测方法示意图;
图2为本发明实施例二提供的一种光体积变化描记图法信号质量检测方法示意图;
图3为本发明实施例三提供的一种光体积变化描记图法信号质量检测装置的设备结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在通过实施例对本发明做进一步详细阐述之前,先就文中提及的一些技术手段做下简要说明。
PPG信号是利用光感传感器对特定光源的光强识别记录光强变化的一组信号。在心脏搏动时,对血管内单位面积的血流量形成周期性变化,与之对应的血液体积也相应发生变化,从而导致反映血液吸收光量的PPG信号也呈现周期性变化趋势。一个心动周期包括两个时间期:心脏收缩期和心脏舒张期;当心脏收缩期时,心脏对全身做功,造成血管内压力与血流体积产生连续周期性变化,此时血管内血液对光线的吸收最多;当心脏舒张期时,对血管的压力相对性较小,此时上一次心脏收缩向全身推出的血液经过循环撞击心脏瓣膜从而对光线产生一定的反射与折射效应,造成舒张周期时血管内血液对光线能量的吸收降低。因此,通过对反映血管内血液吸收光能的PPG信号波形进行分析可以对血压进行预测。
CNN长期以来是特征识别领域的核心算法之一。应用在图像识别中,可以在精细分类识别中用于提取图像的判别特征以供其它分类器进行学习。应用在一维PPG信号的特征识别领域中,是通过对输入的一维原始信号进行卷积和池化计算完成PPG信号特征提取操作。本发明实施例的CNN模型是一种已经通过PPG信号特征提取训练完成后的CNN模型,具体由卷积层和池化层组成。其中,卷积层负责对CNN模型的输入数据进行PPG信号特征提取计算,通过设定卷积层的卷积核(卷积核是一个一维向量)数量规定特征提取的PPG特征类别数量,使用具体的PPG信号特征类别计算参数设定卷积核的向量元素值,经由卷积层处理输出的特征提取结果是与PPG特征类别数量对应的一系列PPG特征类别数值;池化层则是对卷积层的特征提取结果进行降采样,一般是通过保留最大值的方式。本发明实施例的CNN模型分为多个CNN网络层,每个CNN网络层包括一个卷积层和一个池化层。本发明实施例CNN模型的输入数据和输出数据格式均为4维张量形式:输入为[B1,H1,W1,C1],输出为[B2,H2,W2,C2]。
在使用CNN模型对PPG信号做特征提取之前,需将一维的原始信号按CNN模型的卷积数据长度限制进行片段划分,再将划分好的一维片段数据进行形状转换变成四维张量形状,输入CNN模型进行特征提取。输入的张量在CNN模型内部,每经过一层卷积层或池化层,输出数据某些维度参数的值会发生变化,即张量的总数据长度会缩短。忽略内部长度变化不计,以一段长度为A的一维原始信号为例,简单说明一下CNN模型输入前后的数据及数据格式变化情况:
1、将一维原始信号[A]按CNN数据模型的最大卷积数据长度划分片段,片段总数为M;
2、将一维原始信号[A]按片段方式构建输入四维张量[B1,H1,W1,C1];其中,B1为四维中的第四维参数,表示一维原始信号的片段总数M;H1为四维中的第三维参数,表示信号片段的高度(对于一维性质的原始信号,此处为1);W1为四维中的第二维参数,表示信号片段的宽度(对于一维性质的原始信号,此处为信号片段数据长度也即CNN数据模型的最大卷积数据长度);C1为四维中的第一维参数,是一维原始信号数据的通道数目(一般情况下PPG信号都是单光源信号,所以C1一般都为1);
3、经过CNN模型完成特征计算后输出的四维张量形状为[B2,H2,W2,C2];其中,B2为四维中的第四维参数,表示一维原始信号的片段总数M(与B1相等),在全过程中四维张量的第四维参数都不会发生变化;H2、W2为四维中的第三和第二维参数,二者的变化与每一个卷积层的卷积核大小以及滑动步长的设定有关,也与池化层的池化窗口大小和滑动步长有关(常规情况下,针对一维信号的特征计算时都采用一维卷积核和一维池化向量,所以H2常见为1);C2为输出四维张量的第一维参数,一般情况下,等于CNN模型中最后一层卷积层的卷积核数量。输出的四维张量[B2,H2,W2,C2]表征的就是一维原始信号中各信号片段包括的所有子信号PPG特征类别数值的集合。
通过CNN模型获得PPG特征类别数值集合之后,本发明实施例使用具备二分类概率归回计算功能的ANN模型对PPG特征类别数值集合做进一步的整合,最终得出一维原始信号的各信号片段符合PPG信号特征的两个概率值:PPG信号质量合格概率和PPG信号质量不合格概率。本发明实施例的ANN模型是一种已经通过PPG信号特征二分类归回计算训练的ANN模型,具体由多层全连接层组成,每层全连接层包括多个神经单元,层级间数据传递采用全连接关系传递即每一层的每一个神经单元都与上一层的所有神经单元相连,用来把前边提取到的特征综合起来;每层全连接层可以设置该层的结点个数以及激活函数(ReLU较多,也可以改成其他)。本发明实施例的ANN模型是对输入的多个片段的特征类别数值向量分别进行二分类概率回归计算形成片段总数个概率一维向量[2],再将片段总数个概率一维向量进行合并最终输出完整PPG信号的多个片段的概率向量合集。本发明实施例的ANN模型的输入数据格式为二维张量(矩阵)格式,因此需要将CNN的输出结果从四维张量向二维矩阵形式转换;输出数据格式也为二维张量(矩阵)格式,该二维张量(矩阵)的第二维参数表示片段总数,第一维参数为2表示各信号片段的两个信号质量概率。
如图1为本发明实施例一提供的一种光体积变化描记图法信号质量检测方法示意图所示,本方法主要包括如下步骤:
步骤1,获取光体积变化描记图法PPG信号;并按数据采样频率阈值对PPG信号进行信号数据采样处理生成PPG一维数据序列。
此处,PPG信号是调用PPG信号采集生成设备在信号采集时间阈值内对生物体局部皮肤表面进行预置光源信号采集操作生成的;预置光源信号至少包括红光源信号、红外光源信号和绿光源信号的一类。
此处,PPG一维数据序列具体为PPG一维数据序列[A];其中,A为PPG一维数据序列[A]的第一维度参数,且A为信号采集时间阈值乘以数据采样频率阈值的乘积;假设信号采集时间阈值为10秒,数据采样频率阈值为125Hz,那么A=125*10=1250,表示采集到的数据有1250个,PPG一维数据序列[A]就是一个包括了1250个PPG采集数据的一维数据序列。
步骤2,根据卷积神经网络CNN输入长度阈值,对PPG一维数据序列进行顺序片段划分处理生成多个PPG一维子片段;以PPG一维数据序列包括的PPG一维子片段总数为片段总数;
其中,根据卷积神经网络CNN输入长度阈值,对PPG一维数据序列进行顺序片段划分处理生成多个PPG一维子片段,具体为:以CNN输入长度阈值为子片段长度,将PPG一维数据序列按顺序划分为多个长度相等的PPG一维子片段。
假设A=1250,输入长度阈值为250,则片段总数=1250/250=5,假设PPG一维数据序列[1250]={D1,D2,D3,…Di,…D1250}(i的取值从1到1250),那么PPG一维数据序列[1250]包括5个PPG一维子片段[250]:第一PPG一维子片段[250]={D1,…D250},第二PPG一维子片段[250]={D251,…D500},第三PPG一维子片段[250]={D501,…D750},第四PPG一维子片段[250]={D751,…D1000},第五PPG一维子片段[250]={D1001,…D1250}。
步骤3,根据片段总数和PPG一维数据序列,进行CNN输入四维张量构建操作生成PPG数据四维张量;并使用CNN模型对PPG数据四维张量进行PPG特征提取操作生成PPG特征四维张量;
具体包括:步骤31,设置PPG数据四维张量为PPG数据四维张量[B1,H1,W1,C1],并初始化PPG数据四维张量[B1,H1,W1,C1]中所有张量元素为空;
其中,B1为PPG数据四维张量[B1,H1,W1,C1]的第四维度参数,且B1为片段总数;H1为PPG数据四维张量[B1,H1,W1,C1]的第三维度参数,且H1的值为1;W1为PPG数据四维张量[B1,H1,W1,C1]的第二维度参数,且W1为CNN输入长度阈值;C1为PPG数据四维张量[B1,H1,W1,C1]的第一维度参数,且C1的值为1;
步骤32,依次提取PPG一维数据序列中的PPG一维子片段,对PPG数据四维张量[B1,H1,W1,C1]进行数据添加处理;
此处,如前文技术简介提及的,本发明实施例采用的CNN模型的输入输出参数都是四维张量形式,所以此处是对PPG一维数据序列[A]做一次四维张量升维的操作;假设A=1250,输入长度阈值为250,片段总数为5,对PPG一维数据序列[1250]进行升维处理变成PPG数据四维张量[B1,H1,W1,C1]也即是PPG数据四维张量[5,1,250,1];
步骤33,获取卷积核数量阈值;获取卷积层数阈值;初始化第一索引的值为1,并初始化第一总数为卷积层数阈值;初始化第一索引临时四维张量为PPG数据四维张量[B1,H1,W1,C1];
步骤34,利用CNN模型的第一索引层卷积层,对第一索引临时四维张量进行卷积计算处理生成第一索引卷积输出数据四维张量;利用CNN模型的第一索引池化层,对第一索引卷积输出数据四维张量进行池化计算处理生成第一索引池化输出数据四维张量;
其中,CNN模型包括多层卷积层和多层池化层;
此处,将预处理好的数据输入训练好的CNN模型中提取特征,CNN模型由多层卷积层和池化层组成,一般的结构是一层卷积搭配一层池化后再连接下一个卷积层,CNN模型的最终层数由卷积层数阈值的数量决定,例如4个卷积层搭配4个池化层的网络被称为4层卷积网络,其中卷积层进行卷积运算,将输入转换为维度不同的输出,这些输出可以看作对输入的另一种表达方式,而池化层则是用来控制输出数量,简化运算同时促使网络提取更加有效的信息;
此处,卷积层数阈值就是CNN模型的卷积层总数,可以通过设置进行修改,也可以用初始化的方式固化在执行软件或者硬件的非变量存储载体中;
步骤35,设置第一索引临时四维张量为第一索引池化输出数据四维张量;
步骤36,将第一索引加1;
步骤37,判断第一索引是否大于第一总数,如果第一索引大于第一总数转至步骤38,如果第一索引小于或等于第一总数转至步骤34;
步骤38,设置PPG特征四维张量为第二索引临时四维张量;
其中,PPG特征四维张量具体为PPG特征四维张量[B2,H2,W2,C2];B2为PPG特征四维张量[B2,H2,W2,C2]的第四维度参数且B2为片段总数;H2为PPG特征四维张量[B2,H2,W2,C2]的第三维度参数;W2为PPG特征四维张量[B2,H2,W2,C2]的第二维度参数;C2为PPG特征四维张量[B2,H2,W2,C2]的第一维度参数且C2为卷积核数量阈值。
此处,CNN模型每一层的卷积原理与2维卷积原理相同,与图像卷积不同的是PPG信号高度H为1,所以卷积层中的卷积核第一个维度均为1,例如[1x3],[1x5],[1x7]等等,每经过一层卷积层或池化层,输入数据的形状会发生变化,但依然保持4维张量形式,其中第四维度参数(片段总数)不会发生变化,第三、二维度参数(H和W)的变化与每一个卷积层的卷积核大小以及滑动步长的设定有关,也与池化层的池化窗口大小和滑动步长有关,第一维度参数(通道数)与卷积层中选定的输出空间维数(卷积核数量阈值)有关,网络中层数的设定,每一层各种参数的设定都要根据经验和实验结果确定,不是固定数值,在这里假设经过几层网络后,已知卷积核数量阈值为64,网络的输出变为形状为[5,1,20,64]的4维张量。
步骤4,根据PPG特征四维张量,进行ANN输入数据二维矩阵构建操作生成PPG特征二维矩阵;并使用ANN模型对PPG特征二维矩阵进行PPG特征二分类概率回归计算,生成PPG概率二维矩阵[X,2];
其中,PPG概率二维矩阵[X,2]包括X个PPG概率一维向量[2];PPG概率一维向量[2]包括PPG信号质量合格概率和PPG信号质量不合格概率;X为片段总数;
具体包括:步骤41,根据PPG特征四维张量[B2,H2,W2,C2],对PPG特征四维张量[B2,H2,W2,C2]进行张量数据降维处理生成PPG特征二维矩阵;
其中,PPG特征二维矩阵具体为PPG特征二维矩阵[W3,C3];PPG特征二维矩阵[W3,C3]包括W3个PPG特征一维向量[C3];W3为PPG特征二维矩阵[W3,C3]的第二维度参数且W3为B2;C3为PPG特征二维矩阵[W3,C3]的第一维度参数且C3为H2乘以W2再乘以C2的乘积;
此处,因为ANN模型的输入与输出数据结构都定为二维矩阵的张量结构,所以在将PPG特征四维张量[B2,H2,W2,C2]输入ANN模型进行回归计算之前需要对其张量形状进行降维处理,例如,PPG特征四维张量[B2,H2,W2,C2]为PPG特征四维张量[5,1,20,64],对其形状进行降维之后,变成PPG特征二维矩阵[5,1*20*64]即为PPG特征二维矩阵[5,1280];
步骤42,初始化第二索引的值为1;初始化第二总数的值为W3;构建PPG概率二维矩阵[X,2],并初始化PPG概率二维矩阵[X,2]为空;
步骤43,使用ANN模型对PPG特征二维矩阵[W3,C3]中与第二索引对应的PPG特征一维向量[C3]进行PPG特征二分类概率回归计算,生成第二索引PPG概率一维向量[2];并将第二索引PPG概率一维向量[2]向PPG概率二维矩阵[X,2]进行数据添加操作;
此处,假设PPG特征二维矩阵[W3,C3]为PPG特征二维矩阵[5,1280],说明PPG一维数据序列中每个子片段(总共5个)经过特征提取计算后有1280个特征数据输出,ANN模型在这里是对每一个片段的1280个数据分别进行二分类概率回归计算,从而会得出5对概率对(PPG信号质量合格概率和PPG信号质量不合格概率),每一个片段的概率对都保存在PPG概率二维矩阵[X,2]中对应的PPG概率一维向量[2]中;
步骤44,将第二索引加1;
步骤45,判断第二索引是否大于第二总数,如果第二索引大于第二总数转至步骤5,如果第二索引小于或等于第二总数转至步骤43。
步骤5,根据PPG概率二维矩阵[X,2]中包括的所有PPG信号质量合格概率和PPG信号质量不合格概率,对PPG信号进行PPG信号质量判断处理生成PPG信号质量检测结果;
具体包括:步骤51,构建PPG信号质量概率一维向量[X],并初始化PPG信号质量概率一维向量[X]为空;
步骤52,依次对PPG概率二维矩阵[X,2]包括的PPG概率一维向量[2]进行轮询,对PPG概率一维向量[2]包括的PPG信号质量合格概率和PPG信号质量不合格概率两个概率值进行数值大小比对,提取数值较大的概率值向PPG信号质量概率一维向量[X]进行数据添加操作;
此处,假设PPG概率二维矩阵[X,2]为PPG概率二维矩阵[5,2]的中对应的数据结构及数值如表一所示,
X | PPG信号质量合格概率(%) | PPG信号质量不合格概率(%) |
1 | 75 | 25 |
2 | 65 | 35 |
3 | 40 | 60 |
4 | 80 | 20 |
5 | 90 | 10 |
表一
经过对PPG概率二维矩阵[5,2]中每个片段对应的PPG概率一维向量[2]轮询后输出的PPG信号质量概率一维向量[5]中对应的数据结构及数值如表二所示,
向量ID | 概率数据对象 |
1 | 片段1的PPG信号质量合格概率(75%) |
2 | 片段2的PPG信号质量合格概率(65%) |
3 | 片段3的PPG信号质量不合格概率(60%) |
4 | 片段4的PPG信号质量合格概率(80%) |
5 | 片段5的PPG信号质量合格概率(90%) |
表二
步骤53,统计PPG信号质量概率一维向量[X]包括的PPG信号质量合格概率的总数生成合格概率总数;根据合格概率总数除以X的商生成合格占比;
此处,对PPG信号质量概率一维向量[5]中包括的PPG信号质量合格概率的总数进行统计,合格概率总数=4(第三片段是不合格概率大于合格概率),那么合格占比=4/5=80%;
步骤54,根据合格占比对PPG信号进行PPG信号质量判断,当合格占比大于或等于预置的合格片段占比阈值时设置PPG信号质量检测结果为PPG信号质量合格,当合格占比小于合格片段占比阈值时设置PPG信号质量检测结果为PPG信号质量不合格。
此处,假设预置的合格片段占比阈值为75%,那么合格占比为80%是大于合格片段占比阈值的,那么就可以判定当前PPG信号的PPG信号质量检测结果是PPG信号质量合格,表示当前PPG信号的大部分数据都符合PPG信号特征,可以对其作进一步提取用于其他应用(比如血压预测等方面);
此处如果合格占比小于合格片段占比阈值,则说明当前PPG信号中的干扰信息太多以至于PPG信号特征过于不明显甚至发生错误,这种时候就要判定当前PPG信号的PPG信号质量检测结果是PPG信号质量不合格,并应进一步提示上位应用对此段信号做及时处理。
如图2为本发明实施例二提供的一种光体积变化描记图法信号质量检测方法示意图所示,本方法主要包括如下步骤:
步骤101,获取光体积变化描记图法PPG信号;并按数据采样频率阈值对PPG信号进行信号数据采样处理生成PPG一维数据序列。
此处,PPG信号是调用PPG信号采集生成设备在信号采集时间阈值内对生物体局部皮肤表面进行预置光源信号采集操作生成的;预置光源信号至少包括红光源信号、红外光源信号和绿光源信号的一类。
此处,PPG一维数据序列具体为PPG一维数据序列[A];其中,A为PPG一维数据序列[A]的第一维度参数,且A为信号采集时间阈值乘以数据采样频率阈值的乘积;假设信号采集时间阈值为10秒,数据采样频率阈值为125Hz,那么A=125*10=1250,表示采集到的数据有1250个,PPG一维数据序列[A]就是一个包括了1250个PPG采集数据的一维数据序列。
步骤102,根据卷积神经网络CNN输入长度阈值,对PPG一维数据序列进行顺序片段划分处理生成多个PPG一维子片段;以PPG一维数据序列包括的PPG一维子片段总数为片段总数;
其中,根据卷积神经网络CNN输入长度阈值,对PPG一维数据序列进行顺序片段划分处理生成多个PPG一维子片段,具体为:以CNN输入长度阈值为子片段长度,将PPG一维数据序列按顺序划分为多个长度相等的PPG一维子片段。
假设A=1250,输入长度阈值为250,则片段总数=1250/250=5,假设PPG一维数据序列[1250]={D1,D2,D3,…Di,…D1250}(i的取值从1到1250),那么PPG一维数据序列[1250]包括5个PPG一维子片段[250]:第一PPG一维子片段[250]={D1,…D250},第二PPG一维子片段[250]={D251,…D500},第三PPG一维子片段[250]={D501,…D750},第四PPG一维子片段[250]={D751,…D1000},第五PPG一维子片段[250]={D1001,…D1250}。
步骤103,根据片段总数和PPG一维数据序列,进行CNN输入四维张量构建操作生成PPG数据四维张量;并使用CNN模型对PPG数据四维张量进行PPG特征提取操作生成PPG特征四维张量;
其中,PPG数据四维张量具体为PPG数据四维张量[B1,H1,W1,C1];其中,B1为PPG数据四维张量[B1,H1,W1,C1]的第四维度参数,且B1为片段总数;H1为PPG数据四维张量[B1,H1,W1,C1]的第三维度参数,且H1的值为1;W1为PPG数据四维张量[B1,H1,W1,C1]的第二维度参数,且W1为CNN输入长度阈值;C1为PPG数据四维张量[B1,H1,W1,C1]的第一维度参数,且C1的值为1;
PPG特征四维张量具体为PPG特征四维张量[B2,H2,W2,C2];B2为PPG特征四维张量[B2,H2,W2,C2]的第四维度参数且B2为片段总数;H2为PPG特征四维张量[B2,H2,W2,C2]的第三维度参数;W2为PPG特征四维张量[B2,H2,W2,C2]的第二维度参数;C2为PPG特征四维张量[B2,H2,W2,C2]的第一维度参数且C2为卷积核数量阈值。
此处,如前文技术简介提及的,本发明实施例采用的CNN模型的输入输出参数都是四维张量形式,所以此处是对PPG一维数据序列[A]做一次四维张量升维的操作;假设A=1250,输入长度阈值为250,片段总数为5,对PPG一维数据序列[1250]进行升维处理变成PPG数据四维张量[B1,H1,W1,C1]也即是PPG数据四维张量[5,1,250,1];
此处,CNN模型包括多层卷积层和多层池化层;将预处理好的数据输入训练好的CNN模型中提取特征,CNN模型由多层卷积层和池化层组成,一般的结构是一层卷积搭配一层池化后再连接下一个卷积层,CNN模型的最终层数由卷积层数阈值的数量决定,例如4个卷积层搭配4个池化层的网络被称为4层卷积网络,其中卷积层进行卷积运算,将输入转换为维度不同的输出,这些输出可以看作对输入的另一种表达方式,而池化层则是用来控制输出数量,简化运算同时促使网络提取更加有效的信息;这里,卷积层数阈值就是CNN模型的卷积层总数,可以通过设置进行修改,也可以用初始化的方式固化在执行软件或者硬件的非变量存储载体中;CNN模型每一层的卷积原理与2维卷积原理相同,与图像卷积不同的是PPG信号高度H为1,所以卷积层中的卷积核第一个维度均为1,例如[1x3],[1x5],[1x7]等等,每经过一层卷积层或池化层,输入数据的形状会发生变化,但依然保持4维张量形式,其中第四维度参数(片段总数)不会发生变化,第三、二维度参数(H和W)的变化与每一个卷积层的卷积核大小以及滑动步长的设定有关,也与池化层的池化窗口大小和滑动步长有关,第一维度参数(通道数)与卷积层中选定的输出空间维数(卷积核数量阈值)有关,网络中层数的设定,每一层各种参数的设定都要根据经验和实验结果确定,不是固定数值,在这里假设经过几层网络后,已知卷积核数量阈值为64,网络的输出变为形状为[5,1,20,64]的4维张量。
步骤104,根据PPG特征四维张量,进行ANN输入数据二维矩阵构建操作生成PPG特征二维矩阵;并使用ANN模型对PPG特征二维矩阵进行PPG特征二分类概率回归计算,生成PPG概率二维矩阵[X,2];
其中,PPG特征二维矩阵具体为PPG特征二维矩阵[W3,C3];PPG特征二维矩阵[W3,C3]包括W3个PPG特征一维向量[C3];W3为PPG特征二维矩阵[W3,C3]的第二维度参数且W3为B2;C3为PPG特征二维矩阵[W3,C3]的第一维度参数且C3为H2乘以W2再乘以C2的乘积;
PPG概率二维矩阵[X,2]包括X个PPG概率一维向量[2];PPG概率一维向量[2]包括PPG信号质量合格概率和PPG信号质量不合格概率;X为片段总数。
此处,因为ANN模型的输入与输出数据结构都定为二维矩阵的张量结构,所以在将PPG特征四维张量[B2,H2,W2,C2]输入ANN模型进行回归计算之前需要对其张量形状进行降维处理,例如,PPG特征四维张量[B2,H2,W2,C2]为PPG特征四维张量[5,1,20,64],对其形状进行降维之后,变成PPG特征二维矩阵[5,1*20*64]即为PPG特征二维矩阵[5,1280];
此处,假设PPG特征二维矩阵[W3,C3]为PPG特征二维矩阵[5,1280],说明PPG一维数据序列中每个子片段(总共5个)经过特征提取计算后有1280个特征数据输出,ANN模型在这里是对每一个片段的1280个数据分别进行二分类概率回归计算,从而会得出5对概率对(PPG信号质量合格概率和PPG信号质量不合格概率),每一个片段的概率对都保存在PPG概率二维矩阵[X,2]中对应的PPG概率一维向量[2]中。
步骤105,根据PPG概率二维矩阵[X,2]中包括的所有PPG信号质量合格概率和PPG信号质量不合格概率,对PPG信号进行PPG信号质量判断处理生成PPG信号质量检测结果;
具体包括:步骤1051,构建PPG信号质量概率一维向量[X],并初始化PPG信号质量概率一维向量[X]为空;
步骤1052,依次对PPG概率二维矩阵[X,2]包括的PPG概率一维向量[2]进行轮询,对PPG概率一维向量[2]包括的PPG信号质量合格概率和PPG信号质量不合格概率两个概率值进行数值大小比对,提取数值较大的概率值向PPG信号质量概率一维向量[X]进行数据添加操作;
此处,假设PPG概率二维矩阵[X,2]为PPG概率二维矩阵[5,2]的中对应的数据结构及数值如表三所示,
X | PPG信号质量合格概率(%) | PPG信号质量不合格概率(%) |
1 | 55 | 45 |
2 | 65 | 35 |
3 | 40 | 60 |
4 | 50 | 50 |
5 | 90 | 10 |
表三
经过对PPG概率二维矩阵[5,2]中每个片段对应的PPG概率一维向量[2]轮询后输出的PPG信号质量概率一维向量[5]中对应的数据结构及数值如表四所示,
表四
步骤1053,统计PPG信号质量概率一维向量[X]包括的PPG信号质量合格概率的总数生成合格概率总数;根据合格概率总数除以X的商生成合格占比;
此处,对PPG信号质量概率一维向量[5]中包括的PPG信号质量合格概率的总数进行统计,合格概率总数=3(第三、四片段是不合格概率大于合格概率),那么合格占比=3/5=60%;
步骤1054,根据合格占比对PPG信号进行PPG信号质量判断,当合格占比大于或等于预置的合格片段占比阈值时设置PPG信号质量检测结果为PPG信号质量合格,当合格占比小于合格片段占比阈值时设置PPG信号质量检测结果为PPG信号质量不合格。
此处,假设预置的合格片段占比阈值为60%,那么合格占比为60%是等于合格片段占比阈值的,那么就可以判定当前PPG信号的PPG信号质量检测结果是PPG信号质量合格,表示当前PPG信号的大部分数据都符合PPG信号特征,可以基于此对其作进一步信号的信号检查。
步骤106,当PPG信号质量检测结果为PPG信号质量合格时,依次对PPG概率二维矩阵[X,2]包括的PPG概率一维向量[2]进行轮询;当PPG概率一维向量[2]包括的PPG信号质量合格概率小于预置的信号质量合格概率阈值时,从PPG一维数据序列中删除对应的PPG一维子片段。
此处,因为有时候虽然合格占比勉强达标,但是实际上每个片段的信号合格概率都不是很高,这也说明质量有问题,对这样的信号进行预测仍然会出现较多错误;如何规避这一点,本发明实施例就是在合格占比的基础上提供了另一个信号质量合格概率阈值来对信号做二次检查;检查的最终目的是将不满足条件的片段从PPG信号中移除,即将不满足条件对应的一维子片段从PPG一维数据序列中删除,如此一来PPG一维数据序列最后保留的都是信号合格概率较高的PPG信号数据,用于血压预测或其他应用出现的偏差几率大大降低。
假设信号质量合格概率阈值为80%,如果按表四所示的PPG信号质量概率一维向量[5],通过步骤106的筛查,最后PPG一维数据序列中只会保留第5片段的PPG信号数据(第1片段为55%<80%,第2片段为65%<80%)。
如图3为本发明实施例三提供的一种光体积变化描记图法信号质量检测装置的设备结构示意图所示,该设备包括:处理器和存储器。存储器可通过总线与处理器连接。存储器可以是非易失存储器,例如硬盘驱动器和闪存,存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能;设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序,该软件程序被执行时,能够实现本发明实施例提供的方法。
需要说明的是,本发明实施例还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时,能够实现本发明实施例提供的方法。
本发明实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时,使得处理器执行上述方法。
本发明实施例提供的一种光体积变化描记图法信号质量检测方法和装置,首先对需要进行质量检测的PPG信号进行片段划分,然后使用CNN模型对片段化的PPG信号进行特征提取操作,接着将提取出的特征数据通过ANN模型进行二分概率回归计算得出PPG信号各片段的两个信号质量概率(PPG信号质量合格概率和PPG信号质量不合格概率),最后根据各片段的质量概率进行PPG信号质量判断得出PPG信号质量检测结果。本发明实施例提供的方法和装置,一方面,提供了一种对PPG信号质量进行自动检测的途径,保障了PPG信号应用的质量;另一方面,相较于常规滤波方式无法自动提升检测精度的缺陷,本发明实施例使用具备深度学习能力的智能神经网络,能随着检测数据量的增加而自动提高检测精度。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种光体积变化描记图法信号质量检测方法,其特征在于,所述方法包括:
获取光体积变化描记图法PPG信号;并按数据采样频率阈值对所述PPG信号进行信号数据采样处理生成PPG一维数据序列;
根据卷积神经网络CNN输入长度阈值,对所述PPG一维数据序列进行顺序片段划分处理生成多个PPG一维子片段;以所述PPG一维数据序列包括的PPG一维子片段总数为片段总数;
根据所述片段总数和所述PPG一维数据序列,进行CNN输入四维张量构建操作生成PPG数据四维张量;并使用CNN模型对所述PPG数据四维张量进行PPG特征提取操作生成PPG特征四维张量;
根据所述PPG特征四维张量,进行ANN输入数据二维矩阵构建操作生成PPG特征二维矩阵;并使用ANN模型对所述PPG特征二维矩阵进行PPG特征二分类概率回归计算,生成PPG概率二维矩阵[X,2];所述PPG概率二维矩阵[X,2]包括X个PPG概率一维向量[2];所述PPG概率一维向量[2]包括PPG信号质量合格概率和PPG信号质量不合格概率;所述X为所述片段总数;
根据所述PPG概率二维矩阵[X,2]中包括的所有所述PPG信号质量合格概率和所述PPG信号质量不合格概率,对所述PPG信号进行PPG信号质量判断处理生成PPG信号质量检测结果;
其中,所述根据所述片段总数和所述PPG一维数据序列,进行CNN输入四维张量构建操作生成PPG数据四维张量;并使用CNN模型对所述PPG数据四维张量进行PPG特征提取操作生成PPG特征四维张量,具体包括:
步骤41,设置所述PPG数据四维张量为PPG数据四维张量[B1,H1,W1,C1],并初始化所述PPG数据四维张量[B1,H1,W1,C1]中所有张量元素为空;所述B1为所述PPG数据四维张量[B1,H1,W1,C1]的第四维度参数,且所述B1为所述片段总数;所述H1为所述PPG数据四维张量[B1,H1,W1,C1]的第三维度参数,且所述H1的值为1;所述W1为所述PPG数据四维张量[B1,H1,W1,C1]的第二维度参数,且所述W1为所述CNN输入长度阈值;所述C1为所述PPG数据四维张量[B1,H1,W1,C1]的第一维度参数,且所述C1的值为1;
步骤42,依次提取所述PPG一维数据序列中的所述PPG一维子片段,对所述PPG数据四维张量[B1,H1,W1,C1]进行数据添加处理;
步骤43,获取卷积核数量阈值;获取卷积层数阈值;初始化第一索引的值为1,并初始化第一总数为所述卷积层数阈值;初始化第一索引临时四维张量为所述PPG数据四维张量[B1,H1,W1,C1];
步骤44,利用所述CNN模型的第一索引层卷积层,对所述第一索引临时四维张量进行卷积计算处理生成第一索引卷积输出数据四维张量;利用所述CNN模型的第一索引池化层,对所述第一索引卷积输出数据四维张量进行池化计算处理生成第一索引池化输出数据四维张量;所述CNN模型包括多层所述卷积层和多层所述池化层;
步骤45,设置所述第一索引临时四维张量为所述第一索引池化输出数据四维张量;
步骤46,将所述第一索引加1;
步骤47,判断所述第一索引是否大于所述第一总数,如果所述第一索引大于所述第一总数转至步骤48,如果所述第一索引小于或等于所述第一总数转至步骤44;
步骤48,设置所述PPG特征四维张量为所述第一索引临时四维张量;所述PPG特征四维张量具体为PPG特征四维张量[B2,H2,W2,C2];所述B2为所述PPG特征四维张量[B2,H2,W2,C2]的第四维度参数且所述B2为所述B1;所述H2为所述PPG特征四维张量[B2,H2,W2,C2]的第三维度参数;所述W2为所述PPG特征四维张量[B2,H2,W2,C2]的第二维度参数;所述C2为所述PPG特征四维张量[B2,H2,W2,C2]的第一维度参数且所述C2为所述卷积核数量阈值。
2.根据权利要求1所述的光体积变化描记图法信号质量检测方法,其特征在于,
所述PPG信号是,调用PPG信号采集生成设备在信号采集时间阈值内对生物体局部皮肤表面进行预置光源信号采集操作生成的;所述预置光源信号至少包括红光源信号、红外光源信号和绿光源信号的一类;
所述PPG一维数据序列表达为PPG一维数据序列[A];所述A为所述PPG一维数据序列[A]的第一维度参数,且所述A为所述信号采集时间阈值乘以所述数据采样频率阈值的乘积。
3.根据权利要求1所述的光体积变化描记图法信号质量检测方法,其特征在于,所述根据卷积神经网络CNN输入长度阈值,对所述PPG一维数据序列进行顺序片段划分处理生成多个PPG一维子片段,具体包括:
以所述CNN输入长度阈值为子片段长度,将所述PPG一维数据序列按顺序划分为多个长度相等的所述PPG一维子片段。
4.根据权利要求1所述的光体积变化描记图法信号质量检测方法,其特征在于,所述根据所述PPG特征四维张量,进行ANN输入数据二维矩阵构建操作生成PPG特征二维矩阵;并使用ANN模型对所述PPG特征二维矩阵进行PPG特征二分类概率回归计算,生成PPG概率二维矩阵[X,2],具体包括:
步骤51,根据所述PPG特征四维张量[B2,H2,W2,C2],对所述PPG特征四维张量[B2,H2,W2,C2]进行张量数据降维处理生成所述PPG特征二维矩阵;所述PPG特征二维矩阵具体为PPG特征二维矩阵[W3,C3];所述PPG特征二维矩阵[W3,C3]包括W3个PPG特征一维向量[C3];所述W3为所述PPG特征二维矩阵[W3,C3]的第二维度参数且所述W3为所述B2;所述C3为所述PPG特征二维矩阵[W3,C3]的第一维度参数且所述C3为所述H2乘以所述W2再乘以所述C2的乘积;
步骤52,初始化第二索引的值为1;初始化第二总数的值为所述W3;构建所述PPG概率二维矩阵[X,2],并初始化所述PPG概率二维矩阵[X,2]为空;
步骤53,使用所述ANN模型对所述PPG特征二维矩阵[W3,C3]中与所述第二索引对应的所述PPG特征一维向量[C3]进行PPG特征二分类概率回归计算,生成第二索引PPG概率一维向量[2];并将所述第二索引PPG概率一维向量[2]向所述PPG概率二维矩阵[X,2]进行数据添加操作;
步骤54,将所述第二索引加1;
步骤55,判断所述第二索引是否大于所述第二总数,如果所述第二索引大于所述第二总数转至步骤56,如果所述第二索引小于或等于所述第二总数转至步骤53;
步骤56,将所述PPG概率二维矩阵[X,2]向上位应用进行发送。
5.根据权利要求1所述的光体积变化描记图法信号质量检测方法,其特征在于,所述根据所述PPG概率二维矩阵[X,2]中包括的所有所述PPG信号质量合格概率和所述PPG信号质量不合格概率,对所述PPG信号进行PPG信号质量判断处理生成PPG信号质量检测结果,具体包括:
构建PPG信号质量概率一维向量[X],并初始化所述PPG信号质量概率一维向量[X]为空;
依次对所述PPG概率二维矩阵[X,2]包括的所述PPG概率一维向量[2]进行轮询,对所述PPG概率一维向量[2]包括的所述PPG信号质量合格概率和所述PPG信号质量不合格概率两个概率值进行数值大小比对,提取数值较大的概率值向所述PPG信号质量概率一维向量[X]进行数据添加操作;
统计所述PPG信号质量概率一维向量[X]包括的所述PPG信号质量合格概率的总数生成合格概率总数;根据所述合格概率总数除以所述X的商生成合格占比;
根据所述合格占比对所述PPG信号进行PPG信号质量判断,当所述合格占比大于或等于预置的合格片段占比阈值时设置所述PPG信号质量检测结果为PPG信号质量合格,当所述合格占比小于所述合格片段占比阈值时设置所述PPG信号质量检测结果为PPG信号质量不合格。
6.根据权利要求5所述的光体积变化描记图法信号质量检测方法,其特征在于,所述方法还包括:
当所述PPG信号质量检测结果为所述PPG信号质量合格时,依次对所述PPG概率二维矩阵[X,2]包括的所述PPG概率一维向量[2]进行轮询;当所述PPG概率一维向量[2]包括的所述PPG信号质量合格概率小于预置的信号质量合格概率阈值时,从所述PPG一维数据序列中删除对应的所述PPG一维子片段。
7.一种设备,包括存储器和处理器,其特征在于,所述存储器用于存储程序,所述处理器用于执行如权利要求1至6任一项所述的方法。
8.一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行根据权利要求1至6任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010189139.0A CN111291727B (zh) | 2020-03-17 | 2020-03-17 | 一种光体积变化描记图法信号质量检测方法和装置 |
PCT/CN2020/129645 WO2021184804A1 (zh) | 2020-03-17 | 2020-11-18 | 一种光体积变化描记图法信号质量检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010189139.0A CN111291727B (zh) | 2020-03-17 | 2020-03-17 | 一种光体积变化描记图法信号质量检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291727A CN111291727A (zh) | 2020-06-16 |
CN111291727B true CN111291727B (zh) | 2023-10-03 |
Family
ID=71027074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010189139.0A Active CN111291727B (zh) | 2020-03-17 | 2020-03-17 | 一种光体积变化描记图法信号质量检测方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111291727B (zh) |
WO (1) | WO2021184804A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291727B (zh) * | 2020-03-17 | 2023-10-03 | 乐普(北京)医疗器械股份有限公司 | 一种光体积变化描记图法信号质量检测方法和装置 |
CN111839488B (zh) * | 2020-07-15 | 2023-06-27 | 复旦大学 | 基于脉搏波的无创连续血压测量装置和方法 |
CN112336325B (zh) * | 2020-10-12 | 2024-02-23 | 乐普(北京)医疗器械股份有限公司 | 一种融合标定光体积描计信号数据的血压预测方法和装置 |
CN112070067B (zh) * | 2020-10-12 | 2023-11-21 | 乐普(北京)医疗器械股份有限公司 | 一种光体积描计信号的散点图分类方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10039463B1 (en) * | 2013-06-27 | 2018-08-07 | Vital Connect, Inc. | Signal quality metric for cardiovascular time series |
WO2018166136A1 (zh) * | 2017-03-14 | 2018-09-20 | 华为技术有限公司 | 波形信号处理的方法及装置 |
CN109195510A (zh) * | 2016-04-29 | 2019-01-11 | 飞比特公司 | 多信道光电容积脉搏波传感器 |
CN110505833A (zh) * | 2017-03-28 | 2019-11-26 | 苹果公司 | 使用心率传感器检测状况 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10939835B2 (en) * | 2017-11-14 | 2021-03-09 | Samsung Electronics Co., Ltd. | Method and apparatus for obtaining high quality photoplethysmogram data from wearable |
EP3501381A1 (en) * | 2017-12-22 | 2019-06-26 | Stichting IMEC Nederland | A method and a system for time domain signal reconstruction for representing heart activity |
CN110197186B (zh) * | 2019-06-03 | 2022-03-11 | 清华大学 | 一种基于ppg的光照舒适度测量方法及*** |
CN110378319A (zh) * | 2019-07-31 | 2019-10-25 | 广州视源电子科技股份有限公司 | 一种信号的检测方法、装置、计算机设备和存储介质 |
CN111291727B (zh) * | 2020-03-17 | 2023-10-03 | 乐普(北京)医疗器械股份有限公司 | 一种光体积变化描记图法信号质量检测方法和装置 |
-
2020
- 2020-03-17 CN CN202010189139.0A patent/CN111291727B/zh active Active
- 2020-11-18 WO PCT/CN2020/129645 patent/WO2021184804A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10039463B1 (en) * | 2013-06-27 | 2018-08-07 | Vital Connect, Inc. | Signal quality metric for cardiovascular time series |
CN109195510A (zh) * | 2016-04-29 | 2019-01-11 | 飞比特公司 | 多信道光电容积脉搏波传感器 |
WO2018166136A1 (zh) * | 2017-03-14 | 2018-09-20 | 华为技术有限公司 | 波形信号处理的方法及装置 |
CN110505833A (zh) * | 2017-03-28 | 2019-11-26 | 苹果公司 | 使用心率传感器检测状况 |
Also Published As
Publication number | Publication date |
---|---|
CN111291727A (zh) | 2020-06-16 |
WO2021184804A1 (zh) | 2021-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291727B (zh) | 一种光体积变化描记图法信号质量检测方法和装置 | |
CN111160139B (zh) | 心电信号的处理方法、装置及终端设备 | |
CN109948647B (zh) | 一种基于深度残差网络的心电图分类方法及*** | |
CN111134662B (zh) | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 | |
CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
CN111358455B (zh) | 一种多数据源的血压预测方法和装置 | |
CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及*** | |
US20230334632A1 (en) | Image recognition method and device, and computer-readable storage medium | |
CN109480824B (zh) | 心电波形数据的处理方法、装置和服务器 | |
CN112070067B (zh) | 一种光体积描计信号的散点图分类方法和装置 | |
CN111248882B (zh) | 一种预测血压的方法和装置 | |
CN111345817B (zh) | Qrs波群位置确定方法、装置、设备及存储介质 | |
CN110688942A (zh) | 一种基于InResNet网络的心电信号联合识别模块及方法 | |
CN111248883A (zh) | 一种血压预测的方法和装置 | |
CN113180679A (zh) | 一种单导联心电异常信号识别方法 | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
CN113509185A (zh) | 基于多模态病人信息注意力建模的心肌梗塞分类方法 | |
Sapitri et al. | Segmentation atrioventricular septal defect by using convolutional neural networks based on U-NET architecture | |
CN114224288A (zh) | 检测癫痫脑电信号的微型胶囊神经网络训练方法及设备 | |
Irfan et al. | Skin cancer prediction using deep learning techniques | |
CN111899272B (zh) | 基于耦合神经网络和线连接器的眼底图像血管分割方法 | |
Xia et al. | Retinal vessel segmentation via a coarse-to-fine convolutional neural network | |
Zhang et al. | Multi-feature decision fusion network for heart sound abnormality detection and classification | |
CN114224354B (zh) | 心律失常分类方法、装置及可读存储介质 | |
CN114692682A (zh) | 一种基于图嵌入表示的运动想象分类方法及*** |
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 |