CN112070067B - 一种光体积描计信号的散点图分类方法和装置 - Google Patents
一种光体积描计信号的散点图分类方法和装置 Download PDFInfo
- Publication number
- CN112070067B CN112070067B CN202011086771.9A CN202011086771A CN112070067B CN 112070067 B CN112070067 B CN 112070067B CN 202011086771 A CN202011086771 A CN 202011086771A CN 112070067 B CN112070067 B CN 112070067B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- tensor
- classification
- layer
- scatter diagram
- 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
- 238000010586 diagram Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000004364 calculation method Methods 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 77
- 238000005070 sampling Methods 0.000 claims abstract description 67
- 238000011176 pooling Methods 0.000 claims abstract description 50
- 238000012790 confirmation Methods 0.000 claims abstract description 48
- 238000010606 normalization Methods 0.000 claims abstract description 44
- 238000010200 validation analysis Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 66
- 238000013527 convolutional neural network Methods 0.000 claims description 31
- 230000000747 cardiac effect Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012217 deletion Methods 0.000 claims description 7
- 230000037430 deletion Effects 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000013186 photoplethysmography Methods 0.000 abstract description 48
- 230000036541 health Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 206010003658 Atrial Fibrillation Diseases 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
-
- 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
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/18—Classification; Matching by matching signal segments by plotting the signal segments against each other, e.g. analysing scattergrams
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Vascular Medicine (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例涉及一种光体积描计信号的散点图分类方法和装置,所述方法包括:获取PPG信号;对PPG信号进行信号采样处理生成PPG采样信号;根据PPG采样信号、采样频率和心搏间期最大值,生成对应的散点图二维张量;使用人工智能网络,对散点图二维张量进行卷积池化计算、全连接计算和归一化指数计算,得到归一二维张量;根据归一二维张量,进行分类确认处理,生成确认数据;确认数据包括分类合理信息和分类不合理信息。本发明实施例降低了散点图生成难度,丰富了光体积描计法在健康监控领域的应用场景。
Description
技术领域
本发明涉及信号处理技术领域,特别涉及一种光体积描计信号的散点图分类方法和装置。
背景技术
相邻心电图信号波形的峰值点时间间隔被视作为一个心动周期时间,称之为心搏间期。心搏间期散点图(简称散点图)是以二维坐标的方式通过观察心搏间期数据的变化来识别对应的心脏律动特性。散点图中每一个散点的横坐标表示某次心搏动作的前一个心搏间期、纵坐标表示某次心搏动作的后一个心搏间期。通过对散点图中散点的分布规律进行识别,可以把握心脏整体主导节律;RR间期散点图可用于评价心率波动、自主神经调节、心率变异;亦可用于诊断心律失常,评估疾病预后。使用心搏间期散点图进行心律特性分析,散点数量越大,形成的典型图像才会更明显,从而分析的结果更准确,这就意味着需要进行长时间的连续采集(例如,至少半小时)。而常规的心电图信号采集方式,并不方便对测试对象进行随时的长时监测。
光体积描计(Photoplethysmography,PPG)法,是借助光电手段在活体组织中检测血液容积变化的一种无创检测方法。心脏搏动会使得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,从而使得反映血液吸收光量的PPG信号也会发生周期性变化,且PPG信号的周期性变化与心脏搏动、血压变化是密切相关的。在PPG信号中,相邻信号波形的最大峰值点时间间隔,也被等为一个心搏间期。
发明内容
本发明的目的,就是针对现有技术的缺陷,提供一种光体积描计信号的散点图分类方法、装置、电子设备、计算机程序产品及计算机可读存储介质,从PPG信号中提取心搏间期数据生成散点图,再将散点图带入用于确认散点图分类的人工智能网络进行类型确认,以此降低散点图生成难度,丰富光体积描计法在健康监控领域的应用场景。
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描计信号的散点图分类方法,所述方法包括:
获取光体积描计PPG信号;
根据预设的采样频率,对所述PPG信号进行信号采样处理,生成PPG采样信号;
根据所述PPG采样信号,进行散点二维坐标准备处理,生成散点二维坐标序列;
根据所述采样频率和预设的心搏间期最大值,进行散点图分辨率确认处理,生成散点图分辨率;
根据所述散点图分辨率,进行散点图初始化处理,生成散点图二维张量;
根据所述散点二维坐标序列,对所述散点图二维张量进行散点标记处理;
使用人工智能网络的卷积神经网络,对所述散点图二维张量进行多层卷积池化计算,生成四维输出张量;所述人工智能网络包括所述卷积神经网络、全连接神经网络和归一处理层;
使用所述人工智能网络的所述全连接神经网络,对所述四维输出张量进行多层全连接计算,生成二维输出张量;
使用所述人工智能网络的所述归一处理层,对所述二维输出张量进行归一化指数计算,生成归一二维张量;
根据所述归一二维张量,进行分类确认处理,生成确认数据;所述确认数据包括分类合理信息和分类不合理信息。
优选的,所述根据所述PPG采样信号,进行散点二维坐标准备处理,生成散点二维坐标序列,具体包括:
从所述PPG采样信号中,依次提取信号波形的最大幅值信号点所对应的时间信息,生成峰值时间数据,并由所述峰值时间数据组成峰值时间数据序列;所述PPG采样信号包括多个所述信号波形;所述信号波形包括多个信号点;所述峰值时间数据序列的峰值时间数据数量为第一总数n;
在所述峰值时间数据序列中,将与第一索引i'对应的所述峰值时间数据做为当前峰值时间数据;对所述当前峰值时间数据和所述当前峰值时间数据的前一个峰值时间数据,进行绝对差值计算,生成与第二索引i对应的散点横轴坐标Xi;对所述当前峰值时间数据和所述当前峰值时间数据的后一个峰值时间数据,进行绝对差值计算,生成与所述第二索引i对应的散点竖轴坐标Yi;由所述散点横轴坐标Xi和所述散点竖轴坐标Yi组成散点二维坐标XYi;所述散点二维坐标XYi为(Xi,Yi);所述第一索引i'为所述峰值时间数据的索引号,所述第一索引i'的取值范围从2到n-1;所述第二索引i为所述散点二维坐标XYi的索引号,i=i'-1,所述第二索引i的取值范围从1到n-2;
由n-2个所述散点二维坐标XYi组成所述散点二维坐标序列;所述散点二维坐标序列为(XY1,…XYi,…XYn-2);
在所述散点二维坐标序列中,对多个相同的所述散点二维坐标XYi,只保留一个;对所述散点横轴坐标Xi超出所述心搏间期最大值的所述散点二维坐标XYi,进行删除处理;对所述散点竖轴坐标Yi超出所述心搏间期最大值的所述散点二维坐标XYi,进行删除处理。
优选的,所述根据所述采样频率和预设的心搏间期最大值,进行散点图分辨率确认处理,生成散点图分辨率,具体包括:
根据所述采样频率和所述心搏间期最大值,进行最大像素点数量计算,生成最大像素点数量a;a=采样频率*心搏间期最大值;
设置所述散点图分辨率的水平像素点数量X为所述最大像素点数量a;并设置所述散点图分辨率的垂直像素点数量Y为所述最大像素点数量a;散点图分辨率=X*Y=a*a。
优选的,所述根据所述散点图分辨率,进行散点图初始化处理,生成散点图二维张量,具体包括:
根据所述散点图分辨率,设置所述散点图二维张量;所述散点图二维张量的形状为H1×W1;所述H1为所述散点图二维张量的2维参数,且H1=Y=a;所述W1为所述散点图二维张量的1维参数,且W1=X=a;所述散点图二维张量包括H1*W1个像素点数据DS,Z;所述像素点数据DS,Z的值为预设的第一像素值;所述S为所述像素点数据DS,Z的横向脚标,所述S的取值范围从1到W1;所述Z为所述像素点数据DS,Z的纵向脚标,所述Z的取值范围从1到H1。
优选的,所述根据所述散点二维坐标序列,对所述散点图二维张量进行散点标记处理,具体包括:
在所述散点图二维张量中,将与所述散点二维坐标序列的所述散点二维坐标XYi匹配的所述像素点数据DS,Z的值,设置为预设的第二像素值;所述像素点数据DS,Z的横向脚标S与所述散点二维坐标XYi的所述散点横轴坐标Xi相同;所述像素点数据DS,Z的纵向脚标Z与所述散点二维坐标XYi的所述散点竖轴坐标Yi相同。
优选的,所述使用人工智能网络的卷积神经网络,对所述散点图二维张量进行多层卷积池化计算,生成四维输出张量,具体包括:
按所述卷积神经网络的四维张量输入数据格式,将所述散点图二维张量的形状从二维张量形状升维到四维张量形状,生成四维输入张量;所述四维输入张量的形状为B1×H2×W2×C1;所述B1为所述四维输入张量的4维参数,且B1=1;所述H2为所述四维输入张量的3维参数,且H2=H1;所述W2为所述四维输入张量的2维参数,且W2=W1;所述C1为所述四维输入张量的1维参数,且C1=1;
将所述四维输入张量送入所述卷积神经网络的第一层卷积网络层,进行第一层卷积池化计算,生成第一四维张量;再将所述第一四维张量送入所述卷积神经网络的第二层卷积网络层,进行第二层卷积池化计算,生成第二四维张量;直至最后,将倒数第二个四维张量送入所述卷积神经网络的最后一层卷积网络层,进行最后一层卷积池化计算,生成所述四维输出张量;所述卷积神经网络包括多层所述卷积网络层;所述卷积网络层包括卷积层和池化层;所述四维输出张量的形状为B2×H3×W3×C2;所述B2为所述四维输出张量的4维参数,且B2=B1=1;所述H3为所述四维输出张量的3维参数;所述W3为所述四维输出张量的2维参数;所述C2为所述四维输出张量的1维参数;
其中,所述将所述四维输入张量送入所述卷积神经网络的第一层卷积网络层,进行第一层卷积池化计算,生成第一四维张量,为将所述四维输入张量,送入所述第一层卷积网络层的第一卷积层,进行第一卷积计算,生成第一卷积四维张量;再将所述第一卷积四维张量,送入所述第一层卷积网络层的第一池化层,进行第一池化计算,生成所述第一四维张量。
优选的,所述使用所述人工智能网络的所述全连接神经网络,对所述四维输出张量进行多层全连接计算,生成二维输出张量,具体包括:
按所述全连接神经网络的二维张量输入数据格式,将所述四维输出张量的形状从四维张量形状降维到二维张量形状,生成二维输入张量;所述二维输入张量的形状为B3×W4;所述B3为所述二维输入张量的2维参数,且B3=B2=1;所述W4为所述二维输入张量的1维参数,且W4=H3*W3*C2;
将所述二维输入张量送入所述全连接神经网络的第一层全连接层,进行第一层全连接计算,生成第一二维张量;再将所述第一二维张量送入所述全连接神经网络的第二层全连接层,进行第二层全连接计算,生成第二二维张量;直至最后,将倒数第二个二维张量送入所述全连接神经网络的最后一层全连接层,进行最后一层全连接计算,生成所述二维输出张量;所述全连接神经网络包括多层所述全连接层;所述二维输出张量的形状为B4×W5;所述B4为所述二维输出张量的2维参数,且B4=B3=1;所述W5为所述二维输出张量的1维参数,且W5=2;所述二维输出张量包括2个数据:分类合理权重数据和分类不合理权重数据。
优选的,所述使用所述人工智能网络的所述归一处理层,对所述二维输出张量进行归一化指数计算,生成归一二维张量,具体包括:
将所述二维输出张量送入所述归一处理层,对所述分类合理权重数据和所述分类不合理权重数据,进行归一化指数计算,生成分类合理概率和分类不合理概率;所述分类合理概率和所述分类不合理概率的和为1;
由所述分类合理概率和所述分类不合理概率组成所述归一二维张量;所述归一二维张量的形状为B5×W6;所述B5为所述归一二维张量的2维参数,且B5=B4=1;所述W6为所述归一二维张量的1维参数,且W6=W5=2;所述归一二维张量包括2个数据:所述分类合理概率和所述分类不合理概率。
优选的,所述根据所述归一二维张量,进行分类确认处理,生成确认数据;所述确认数据包括分类合理信息和分类不合理信息,具体包括:
当所述分类合理概率高于所述分类不合理概率时,将所述分类合理信息做为所述确认数据;
当所述分类合理概率低于所述分类不合理概率时,将所述分类不合理信息做为所述确认数据。
本发明实施例第二方面提供了一种光体积描计信号的散点图分类装置,包括:
获取模块用于获取光体积描计PPG信号;
采样模块用于根据预设的采样频率,对所述PPG信号进行信号采样处理,生成PPG采样信号;
散点图模块用于根据所述PPG采样信号,进行散点二维坐标准备处理,生成散点二维坐标序列;并根据所述采样频率和预设的心搏间期最大值,进行散点图分辨率确认处理,生成散点图分辨率;再根据所述散点图分辨率,进行散点图初始化处理,生成散点图二维张量;接着根据所述散点二维坐标序列,对所述散点图二维张量进行散点标记处理;
人工智能计算模块用于使用人工智能网络的卷积神经网络,对所述散点图二维张量进行多层卷积池化计算,生成四维输出张量;再使用所述人工智能网络的全连接神经网络,对所述四维输出张量进行多层全连接计算,生成二维输出张量;接着使用所述人工智能网络的归一处理层,对所述二维输出张量进行归一化指数计算,生成归一二维张量;所述人工智能网络包括所述卷积神经网络、所述全连接神经网络和所述归一处理层;
分类确认模块用于根据所述归一二维张量,进行分类确认处理,生成确认数据;所述确认数据包括分类合理信息和分类不合理信息。
本发明实施例第三方面提供了一种电子设备,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现上述第一方面所述的方法步骤;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
本发明实施例第四方面提供了一种计算机程序产品,所述计算机程序产品包括计算机程序代码,当所述计算机程序代码被计算机执行时,使得所述计算机执行上述第一方面所述的方法。
本发明实施例第五方面提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行上述第一方面所述的方法的指令。
本发明实施例提供一种光体积描计信号的散点图分类方法、装置、电子设备、计算机程序产品及计算机可读存储介质,从PPG信号中提取心搏间期数据生成散点图,再将散点图带入用于确认散点图分类的人工智能网络进行类型确认,由此,降低了散点图生成难度,丰富了光体积描计法在健康监控领域的应用场景。
附图说明
图1为本发明实施例一提供的一种光体积描计信号的散点图分类方法示意图;
图2为本发明实施例一提供的PPG采样信号示意图;
图3为本发明实施例一提供的散点图;
图4a为本发明实施例一提供的人工智能网络的结构示意图;
图4b为本发明实施例一提供的卷积神经网络的结构示意图;
图4c为本发明实施例一提供的全连接神经网络的结构示意图;
图5为本发明实施例二提供的一种光体积描计信号的散点图分类装置的模块结构图;
图6为本发明实施例三提供的一种电子设备的结构示意图。
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。
在对本发明实施例进行详细阐述之前,先对上文提及的用于确认散点图分类的人工智能网络的结构和数据格式进行简要描述。
人工智能网络对散点图进行对应分类确认计算之后,会得出的两个权重数据:分类合理权重数据和分类不合理权重数据;本发明实施例由这两个权重数据,最终得到分类确认结果(分类合理与分类不合理)。例如,人工智能网络具体为房颤散点图确认网络时,对当前散点图进行房颤散点图分类确认计算;当得到的分类确认结果为分类合理时,认为当前散点图的类型是房颤散点图;当得到的分类确认结果为分类不合理时,认为当前散点图的类型不是房颤散点图。
这里的人工智能网络,由卷积神经网络、全连接神经网络和归一处理层组成;其中,卷积神经网络由多层卷积网络层组成,全连接神经网络由多层全连接层组成。
卷积神经网络用于对散点图进行卷积计算和池化计算,并输出特征数据以供其他网络进行进一步学***移、旋转以及尺度不变性,常用的有均值池化(mean-pooling)和最大池化(max-pooling)两种处理方式;另一个作用是在保留上一层卷积层输出数据的主要特征的前提下,减少下一层卷积层的参数量和计算量,防止过拟合。
此处,在每层卷积网络层中,散点图会与固定大小的卷积核进行卷积操作,一般卷积核形状为3×3、5×5、7×7,每经过一层卷积网络层,输出数据相对于输入数据而言会产生形状变化,但是仍然保持4维张量的形式:输入四维张量(例如,形状为Pin4×Pin3×Pin2×Pin1)、输出四维张量(例如,形状为Pout4×Pout3×Pout2×Pout1),其中:Pin4、Pin3、Pin2和Pin1分别为输入四维张量的4、3、2和1维参数,Pout4、Pout3、Pout2和Pout1分别为输出四维张量的4、3、2和1维参数。每经过一层卷积网络层计算,输出四维张量的形状相对于输入四维张量的形状而言,维度参数的变化规律是:1)Pout4相对于Pin4,4维参数不会发生变化,在本发明实施例中均为1;2)Pout3、Pout2相对于Pin3、Pin2,3维和2维参数会发生变化,该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;3)Pout1相对于Pin1,1维参数会发生变化,该变化与卷积层中选定的输出空间维数(卷积核的个数)有关。
卷积神经网络的输出结果,将输入全连接神经网络的全连接层进行全连接计算。全连接层是由大量的神经元(节点)互相连接而形成的复杂网络结构,是对人脑组织结构和运行机制的某种抽象、简化和模拟。每层全连接层包括多个结点,每一个结点都与上一层的所有结点相连,用来把前边提取到的结点数据综合起来进行一次结点计算,并将计算结果做为当前结点的值留待下一层全连接层的结点进行连接获取;这里的结点计算也叫全连接计算。此处,每层全连接层的输入数据与输出数据格式均为2维张量形式:输入二维张量(例如,形状为Qin2×Qin1)、输出二维张量(形状为Qout2×Qout1),其中:Qin2和Qin1为输入二维张量的2维和1维参数,Qout2和Qout1为输出二维张量的2维和1维参数。每经过一层全连接层计算,输出二维张量的形状相对于输入二维张量的形状而言,维度参数的变化规律是:1)Qout2相对于Qin2,2维参数不会发生变化,在本发明实施例中均为1;2)Qout1相对于Qin1,1维参数的变化与全连接层的结点总数有关,本发明实施例的最后一层全连接层的结点总数为2,对应的Qout1为2。
由上可知,卷积神经网络的输出为四维张量,全连接神经网络的输入为二维张量,所以需要将卷积神经网络层的输出结果从输出四维张量形状(Pout4×Pout3×Pout2×Pout1)向全连接神经网络的输入二维张量形状(Qin2×Qin1)进行降维处理。全连接神经网络最终输出的二维张量形状应为1×2,该二维张量中的两个数据,即为人工智能网络针对散点图进行分类确认计算之后,得出的两个权重数据:分类合理、分类不合理权重数据。
全连接神经网络输出两个权重数据之后,使用归一处理层对权重数据进行归一化处理。具体的,归一处理层会使用Softmax函数(归一化指数函数)对这两个权重数据进行归一化指数计算,将两个权重数据转换为两个小于1的概率,以便于后续进行分类确认判断。这里的两个概率分别是:分类合理概率、分类不合理概率,且两个概率数据的和应为1。
最终,本发明实施例会在这两个概率中,选择数值偏大的做为分类确认结果:数值偏大的是分类合理概率,则分类结果为分类合理;数值偏大的是分类不合理概率,则分类结果为分类不合理。
本发明实施例一提供一种光体积描计信号的散点图分类方法,从PPG信号中提取心搏间期数据生成散点图,再将散点图带入用于确认散点图分类的人工智能网络进行类型确认,最终根据人工智能网络输出的权重数据得到分类确认结果。如图1为本发明实施例一提供的一种光体积描计信号的散点图分类方法示意图所示,本方法主要包括如下步骤:
步骤1,获取PPG信号。
具体的,设备可以通过本地的PPG信号采集装置,获取测试对象的实时PPG信号;还可以通过与自身连接的其他设备的PPG信号采集装置,获取测试对象的实时PPG信号;还可以从本地的存储介质或与自身连接的其他设备的存储介质中,获取测试对象的历史PPG信号。
此处,设备具体为实现本发明实施例提供的方法的终端设备或者服务器。
例如,获取的PPG信号为一段长度为30分钟的实时PPG信号。
步骤2,根据预设的采样频率,对PPG信号进行信号采样处理,生成PPG采样信号。
此处,采样频率用于对PPG信号进行信号采样,采样频率存储在设备的本地存储介质内;PPG采样信号,如图2为本发明实施例一提供的PPG采样信号示意图所示,包括多个信号波形,每个信号波形包括多个信号点。
例如,PPG信号长度为30分钟,采样频率为250赫兹(Hertz,Hz),则PPG采样信号长度也为30分钟,且250*60*30=45万个信号点。
步骤3,根据PPG采样信号,进行散点二维坐标准备处理,生成散点二维坐标序列;
具体包括:步骤31,从PPG采样信号中,依次提取信号波形的最大幅值信号点所对应的时间信息,生成峰值时间数据,并由峰值时间数据组成峰值时间数据序列;
其中,峰值时间数据序列的峰值时间数据数量为第一总数n;
此处,如图2所示,每个信号波形中,信号幅值最大的信号点就是最大幅值信号点,最大幅值信号点对应的时间信息,就是峰值时间数据;
例如,PPG采样信号长度为30分钟,其中包括了1800个最大幅值信号点,则第一总数n=1800,峰值时间数据序列包括了1800个峰值时间数据;
步骤32,在峰值时间数据序列中,将与第一索引i'对应的峰值时间数据做为当前峰值时间数据;对当前峰值时间数据和当前峰值时间数据的前一个峰值时间数据,进行绝对差值计算,生成与第二索引i对应的散点横轴坐标Xi;对当前峰值时间数据和当前峰值时间数据的后一个峰值时间数据,进行绝对差值计算,生成与第二索引i对应的散点竖轴坐标Yi;由散点横轴坐标Xi和散点竖轴坐标Yi组成散点二维坐标XYi;
其中,散点二维坐标XYi为(Xi,Yi);第一索引i'为峰值时间数据的索引号,第一索引i'的取值范围从2到n-1;第二索引i为散点二维坐标XYi的索引号,i=i'-1,第二索引i的取值范围从1到n-2;
此处,如图2所示,相邻的两个峰值时间数据的绝对差,就是心搏间期;因为要以某个峰值时间数据的前一个心搏间期做为散点的横轴坐标、后一个心搏间期做为散点的竖轴坐标,并以此来生成散点图的散点二维坐标,所以在选择前峰值时间数据的时候,需要将第1个峰值时间数据(没有前一个峰值时间数据)和第n个峰值时间数据(没有后一个峰值时间数据)排除,所以第一索引i'的取值是从2到n-1;又因为计算出的散点二维坐标需要从第1个坐标开始计数,所以第二索引i=i'+1,这里,第二索引i是用于标识第1个到第n-2个散点二维坐标的;
例如,第一总数n=1800,峰值时间数据序列包括了1800个峰值时间数据,则,
当i'=2时,以第2个峰值时间数据做为当前峰值时间数据,以第1个峰值时间数据做为前一个峰值时间数据,以第3个峰值时间数据做为后一个峰值时间数据,生成的第i个(这里i=i'-1=2-1=1)散点二维坐标XY1为(X1,Y1),其中,散点横轴坐标X1=|第2个峰值时间数据-第1个峰值时间数据|,散点竖轴坐标Y1=|第3个峰值时间数据-第2个峰值时间数据|;这里||为取绝对值计算符;
当i'=3时,以第3个峰值时间数据做为当前峰值时间数据,以第2个峰值时间数据做为前一个峰值时间数据,以第4个峰值时间数据做为后一个峰值时间数据,生成的第i个(这里i=i'-1=3-1=2)散点二维坐标XY2为(X2,Y2),其中,散点横轴坐标X2=|第3个峰值时间数据-第2个峰值时间数据|,散点竖轴坐标Y2=|第4个峰值时间数据-第3个峰值时间数据|;
依次类推,
当i'=n-1=1800-1=1799时,以第1799个峰值时间数据做为当前峰值时间数据,以第1798个峰值时间数据做为前一个峰值时间数据,以第1800个峰值时间数据做为后一个峰值时间数据,生成的第i个(这里i=i'-1=1799-1=1798)散点二维坐标XY1798为(X1798,Y1798),其中,散点横轴坐标X1798=|第1799个峰值时间数据-第1798个峰值时间数据|,散点竖轴坐标Y1798=|第1800个峰值时间数据-第1799个峰值时间数据|;
步骤33,由n-2个散点二维坐标XYi组成散点二维坐标序列;
其中,散点二维坐标序列为(XY1,…XYi,…XYn-2);
这里,由PPG采样信号获得的散点总数为n-2个;
例如,第一总数n=1800,峰值时间数据序列包括了1800个峰值时间数据,则,散点二维坐标序列为(XY1,…XYi,…XY1798);
步骤34,在散点二维坐标序列中,对多个相同的散点二维坐标XYi,只保留一个;对散点横轴坐标Xi超出心搏间期最大值的散点二维坐标XYi,进行删除处理;对散点竖轴坐标Yi超出心搏间期最大值的散点二维坐标XYi,进行删除处理。
此处,心搏间期最大值存储在设备的本地存储介质中。
这里,首先是对冗余散点进行清理,所谓冗余散点就是散点二维坐标XYi相同的散点,清理方式是只保留其中一个、将其余冗余的散点二维坐标XYi删除;然后是对过于离散的误差散点进行清除,本发明实施例使用心搏间期最大值来识别是否为误差散点,因为散点二维坐标XYi的横轴、竖轴坐标实际都是心搏间期,所以将横轴或竖轴坐标超过心搏间期最大值的散点二维坐标XYi都记为误差散点,将其从散点二维坐标序列中删除。
例如,第一总数n=7,峰值时间数据序列包括了7个峰值时间数据,散点二维坐标序列为(XY1,XY2,XY3,XY4,XY5),其中XY1为(1,1),XY2为(3,1),XY3为(2,1),XY4为(1,3),XY5为(1,1),心搏间期最大值为2秒,则首先去除相同坐标的XY1和XY5中的一个(假设删除XY5),然后去除横轴坐标超过心搏间期最大值的XY2,和竖轴坐标超过心搏间期最大值的XY4,最后经过去冗和去误差的散点二维坐标序列为(XY1,XY3),意味着此时的散点总数从之前的5个变为2个。
步骤4,根据采样频率和预设的心搏间期最大值,进行散点图分辨率确认处理,生成散点图分辨率;
具体包括:步骤41,根据采样频率和心搏间期最大值,进行最大像素点数量计算,生成最大像素点数量a,a=采样频率*心搏间期最大值;
这里,将后续要得到的散点图二维张量视作为一个像素图的话,则该像素图需要通过计算分辨率来设置张量形状;分辨率的表达方式为水平像素点数量×垂直像素点数量,这里的水平像素点数量应是横轴方向最大像素点总数,垂直像素点数量应是竖轴方向最大像素点总数;又已知横轴与竖轴的最大边界值为心搏间期最大值,那么求得横轴方向的最小精度就可以得到横轴方向最大像素点总数=最大边界值/横轴最小精度,同理,竖轴方向最大像素点总数=最大边界值/竖轴最小精度;又因为PPG采样信号上两个信号点之间的间隔应该是1/采样频率(秒),所以心搏间期的最小值与最小精度都应为1/采样频率,也就是横轴、竖轴最小精度都应为1/采样频率;所以:
横轴方向最大像素点总数=最大边界值/横轴最小精度=最大边界值/(1/采样频率)=最大边界值*采样频率;
横轴方向最大像素点总数=最大边界值/竖轴最小精度=最大边界值/(1/采样频率)=最大边界值*采样频率;
因为横轴方向最大像素点总数与横轴方向最大像素点总数相等,所以步骤41只做一次最大像素点数量a计算;
例如,心搏间期最大值为2秒,采样频率为250Hz,则最大像素点数量a=2*250=500;
步骤42,设置散点图分辨率的水平像素点数量X为最大像素点数量a;并设置散点图分辨率的垂直像素点数量Y为最大像素点数量a。
此处,散点图分辨率=X*Y=a*a。
如上文所述,分辨率为水平像素点数量×垂直像素点数量;
例如,心搏间期最大值为2秒,采样频率为250Hz,最大像素点数量a=500,则散点图分辨率为500×500。
步骤5,根据散点图分辨率,进行散点图初始化处理,生成散点图二维张量;
具体包括:根据散点图分辨率,设置散点图二维张量;
其中,散点图二维张量的形状为H1×W1;H1为散点图二维张量的2维参数,且H1=Y=a;W1为散点图二维张量的1维参数,且W1=X=a;散点图二维张量包括H1*W1个像素点数据DS,Z;像素点数据DS,Z的值为预设的第一像素值;S为像素点数据DS,Z的横向脚标,S的取值范围从1到W1;Z为像素点数据DS,Z的纵向脚标,Z的取值范围从1到H1。
此处,第一像素值存储在设备的本地存储介质中,默认的第一像素值被设置为0。
这里,散点图二维张量用于存储散点图的所有像素点的像素值,散点图的分辨率为水平像素点数量X×垂直像素点数量Y(a×a),散点图二维张量的形状应与散点图的分辨率对应,所以散点图二维张量的2维参数H1=Y=a、1维参数W1=X=a;像素点数据DS,Z就是散点图二维张量中的数据,具体的值就是对应像素点的像素值。
例如,心搏间期最大值为2秒,采样频率为250Hz,最大像素点数量a=500,散点图分辨率为500×500,第一像素值默认为0,则H1=Y=a=500,W1=X=a=500,散点图二维张量的形状为500×500,散点图二维张量的数据为:
其中,像素点数据DS,Z的横向脚标S的取值范围从1到500,像素点数据DS,Z的纵向脚标Z的取值范围从1到500;并且,每个像素点数据DS,Z的值都被默认设置为0。这时候,可以将散点图二维张量视为一张空白的散点图。
步骤6,接着根据散点二维坐标序列,对散点图二维张量进行散点标记处理;
具体包括:在散点图二维张量中,将与散点二维坐标序列的散点二维坐标XYi匹配的像素点数据DS,Z的值,设置为预设的第二像素值;
其中,像素点数据DS,Z的横向脚标S与散点二维坐标XYi的散点横轴坐标Xi相同;像素点数据DS,Z的纵向脚标Z与散点二维坐标XYi的散点竖轴坐标Yi相同。
此处,第二像素值存储在设备的本地存储介质中,默认的第二像素值被设置为1。
这里,就是在步骤6输出的散点图二维张量中,对由步骤3得到的散点进行标记,标记的依据就是步骤3输出的散点二维坐标。
例如,第一总数n=1800,峰值时间数据序列包括了1800个峰值时间数据,散点二维坐标序列为(XY1,…XYi,…XY1798),其中没有冗余也没有误差散点;心搏间期最大值为2秒,采样频率为250Hz,散点图二维张量的形状为500×500,第二像素值默认为1,散点图二维张量的数据为:
那么,在散点图二维张量中,将与散点二维坐标序列的散点二维坐标XYi匹配的像素点数据DS,Z的值,设置为预设的第二像素值,就是上述二维张量的数据区中,将数据脚标与散点二维坐标相同的像素点数据DS,Z的值设置第二像素值即可(设置为1):假设散点二维坐标序列中的一个散点二维坐标XYi具体为(1,1)那么就将D1,1的值设置为1,假设散点二维坐标序列中的一个散点二维坐标XYi具体为(9,8)那么就将D9,8的值设置为1,以此类推,直至将散点二维坐标序列中所有散点二维坐标XYi对应的像素点数据DS,Z的值都完成设置。这时候可以将散点图二维张量视为一张已经完成散点标记的散点图,如图3为本发明实施例一提供的散点图所示。
步骤7,使用人工智能网络的卷积神经网络,对散点图二维张量进行多层卷积池化计算,生成四维输出张量;
其中,人工智能网络,如图4a为本发明实施例一提供的人工智能网络的结构示意图所示,包括卷积神经网络、全连接神经网络和归一处理层;
具体包括:步骤71,按卷积神经网络的四维张量输入数据格式,将散点图二维张量的形状从二维张量形状升维到四维张量形状,生成四维输入张量;
其中,四维输入张量的形状为B1×H2×W2×C1;B1为四维输入张量的4维参数,且B1=1;H2为四维输入张量的3维参数,且H2=H1;W2为四维输入张量的2维参数,且W2=W1;C1为四维输入张量的1维参数,且C1=1;
这里,将散点图二维张量的形状从二维张量形状升维到四维张量形状,其过程只对张量形状重新设置,没有破坏张量内的实际数据顺序;
例如,将散点图二维张量[500,500]从二维张量形状升维到四维张量形状,B1=1,H2=H1=500,W2=W1=500,C1=1,则四维输入张量的形状为1×500×500×1,这里用四维输入张量[1,500,500,1]来表示;
步骤72,将四维输入张量送入卷积神经网络的第一层卷积网络层,进行第一层卷积池化计算,生成第一四维张量;再将第一四维张量送入卷积神经网络的第二层卷积网络层,进行第二层卷积池化计算,生成第二四维张量;直至最后,将倒数第二个四维张量送入卷积神经网络的最后一层卷积网络层,进行最后一层卷积池化计算,生成四维输出张量;
其中,卷积神经网络包括多层卷积网络层;卷积网络层包括卷积层和池化层;四维输出张量的形状为B2×H3×W3×C2;B2为四维输出张量的4维参数,且B2=B1=1;H3为四维输出张量的3维参数;W3为四维输出张量的2维参数;C2为四维输出张量的1维参数;
其中,将四维输入张量送入卷积神经网络的第一层卷积网络层,进行第一层卷积池化计算,生成第一四维张量,具体为将四维输入张量,送入第一层卷积网络层的第一卷积层,进行第一卷积计算,生成第一卷积四维张量;再将第一卷积四维张量,送入第一层卷积网络层的第一池化层,进行第一池化计算,生成第一四维张量。
例如,卷积神经网络包括四层卷积网络层,其网络结构如图4b为本发明实施例一提供的卷积神经网络的结构示意图所示,则,
将四维输入张量送入卷积神经网络的第一层卷积网络层的第一卷积层进行第一卷积计算,生成第一卷积四维张量;再将第一卷积四维张量送入第一池化层,进行第一池化计算,生成第一四维张量;
再将第一四维张量送入卷积神经网络的第二层卷积网络层的第二卷积层进行第二卷积计算,生成第二卷积四维张量;再将第二卷积四维张量送入第二池化层,进行第二池化计算,生成第二四维张量;
再将第二四维张量送入卷积神经网络的第三层卷积网络层的第三卷积层进行第三卷积计算,生成第三卷积四维张量;再将第三卷积四维张量送入第三池化层,进行第三池化计算,生成第三四维张量;
再将第三四维张量送入卷积神经网络的第四层卷积网络层的第四卷积层进行第四卷积计算,生成第四卷积四维张量;再将第四卷积四维张量送入第四池化层,进行第四池化计算,最终得到四维输入张量。
这里由前文可知,在卷及神经网络中,每经过一层卷积层或池化层,输入数据的形状都会发生变化,但依然保持4维张量形式,其中4维参数不会发生变化;3维、2维参数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;1维参数的变化与卷积层中选定的输出空间维数(卷积核的个数)有关。在实际应用中,网络中层数的设定,以及每一层各种参数的设定都可以根据经验和实验结果进行不停的修正。
步骤8,使用人工智能网络的全连接神经网络,对四维输出张量进行多层全连接计算,生成二维输出张量;
具体包括:步骤81,按全连接神经网络的二维张量输入数据格式,将四维输出张量的形状从四维张量形状降维到二维张量形状,生成二维输入张量;
其中,二维输入张量的形状为B3×W4;B3为二维输入张量的2维参数,且B3=B2=1;W4为二维输入张量的1维参数,且W4=H3*W3*C2;
这里,将四维输出张量的形状从四维张量形状降维到二维张量形状,其过程只对张量形状重新设置,没有破坏张量内的实际数据顺序;
例如,卷积神经网络的输出四维张量的形状为1×2×20×64,则B3=B2=1,W8=H3*W3*C2=2*20*64=2560,二维输入张量的形状应为1×2560,这里将之表示为二维输入张量[1,2560];
步骤82,将二维输入张量送入全连接神经网络的第一层全连接层,进行第一层全连接计算,生成第一二维张量;再将第一二维张量送入全连接神经网络的第二层全连接层,进行第二层全连接计算,生成第二二维张量;直至最后,将倒数第二个二维张量送入全连接神经网络的最后一层全连接层,进行最后一层全连接计算,生成二维输出张量;
其中,全连接神经网络包括多层全连接层;二维输出张量的形状为B4×W5;B4为二维输出张量的2维参数,且B4=B3=1;W5为二维输出张量的1维参数,且W5=2;二维输出张量包括2个数据:分类合理权重数据和分类不合理权重数据。
例如,全连接神经网络包括四层全连接层,其网络结构如图4c为本发明实施例一提供的全连接神经网络的结构示意图所示,则,
将二维输入张量送入全连接神经网络的第一层全连接层,进行第一层全连接计算,生成第一二维张量;
将第一二维张量送入全连接神经网络的第二层全连接层,进行第二层全连接计算,生成第二二维张量;
将第二二维张量送入全连接神经网络的第三层全连接层,进行第三层全连接计算,生成第三二维张量;
将第三二维张量送入全连接神经网络的第四层全连接层,进行第二层全连接计算,最终得到二维输出张量;
这里,B4=B3=1,最后一层全连接层的节点数为2(W5=2),对应的最终的二维输出张量的形状具体为1×2,将之表示为二维输出张量[1,2];二维输出张量[1,2]的数据为(分类合理权重数据,分类不合理权重数据)。
步骤9,使用人工智能网络的归一处理层,对二维输出张量进行归一化指数计算,生成归一二维张量;
具体包括:步骤91,将二维输出张量送入归一处理层,对分类合理权重数据和分类不合理权重数据,进行归一化指数计算,生成分类合理概率和分类不合理概率;
其中,分类合理概率和分类不合理概率的和为1;
这里,之所以要对类合理权重数据和分类不合理权重数据做归一指数化处理,就是希望通过明确的比率关系,一方面可以一目了然,另一方面也方便收集更多概率数据做趋势分析;因为是基于两个数据做的归一化处理,所以两个概率的和应该为1;
步骤92,由分类合理概率和分类不合理概率组成归一二维张量;
其中,归一二维张量的形状为B5×W6;B5为归一二维张量的2维参数,且B5=B4=1;W6为归一二维张量的1维参数,且W6=W5=2;归一二维张量包括2个数据:分类合理概率和分类不合理概率。
例如,二维输出张量的形状为1×2,则B5=B4=1,W6=W5=2,归一二维张量的形状也为1×2;将之表示为二维输出张量[1,2];二维输出张量[1,2]的数据为(分类合理概率,分类不合理概率);
步骤10,根据归一二维张量,进行分类确认处理,生成确认数据;
其中,确认数据包括分类合理信息和分类不合理信息;
具体包括:对分类合理概率是否高于分类不合理概率进行识别,当分类合理概率高于分类不合理概率时,将分类合理信息做为确认数据;当分类合理概率低于分类不合理概率时,将分类不合理信息做为确认数据。
此处,确认数据包括分类合理信息和分类不合理信息都是存储在设备本地存储介质中的信息。
这里,当分类合理概率高于分类不合理概率时,说明人工智能网络识别当前散点图为某个类别散点图的概率,高于它不是该类别散点图的概率;当分类合理概率低于分类不合理概率时,说明人工智能网络识别当前散点图不为某个类别散点图的概率,高于它是该类别散点图的概率。
例如,人工智能网络是用来识别房颤散点图,二维输出张量[1,2]的数据为(90%,10%),其中分类合理概率=90%,分类不合理概率=10%,分类合理信息具体为“房颤状态”,分类不合理信息具体为“非房颤状态”,则本发明实施例会设置确认数据为分类合理信息(“房颤状态”)。完成本次分别确认之后,设备得到具体为“房颤状态”的确认数据,会立即启动与之相关的预警处理流程。
图5为本发明实施例二提供的一种光体积描计信号的散点图分类装置的模块结构图,该装置可以为前述实施例所描述的终端设备或者服务器,也可以为能够使得前述终端设备或者服务器实现本发明实施例提供的方法的装置,例如该装置可以是前述终端设备或者服务器的装置或芯片***。如图5所示,该装置包括:
获取模块51用于获取光体积描计PPG信号;
采样模块52用于根据预设的采样频率,对PPG信号进行信号采样处理,生成PPG采样信号;
散点图模块53用于根据PPG采样信号,进行散点二维坐标准备处理,生成散点二维坐标序列;并根据采样频率和预设的心搏间期最大值,进行散点图分辨率确认处理,生成散点图分辨率;再根据散点图分辨率,进行散点图初始化处理,生成散点图二维张量;接着根据散点二维坐标序列,对散点图二维张量进行散点标记处理;
人工智能计算模块54用于使用人工智能网络的卷积神经网络,对散点图二维张量进行多层卷积池化计算,生成四维输出张量;再使用人工智能网络的全连接神经网络,对四维输出张量进行多层全连接计算,生成二维输出张量;接着使用人工智能网络的归一处理层,对二维输出张量进行归一化指数计算,生成归一二维张量;人工智能网络包括卷积神经网络、全连接神经网络和归一处理层;
分类确认模块55用于根据归一二维张量,进行分类确认处理,生成确认数据;确认数据包括分类合理信息和分类不合理信息。
本发明实施例提供的一种光体积描计信号的散点图分类装置,可以执行上述方法实施例中的方法步骤,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,获取模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,ASIC),或,一个或多个数字信号处理器(Digital Signal Processor,DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上***(System-on-a-chip,SOC)的形式实现。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本发明实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路((Digital Subscriber Line,DSL))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
图6为本发明实施例三提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器,也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图6所示,该电子设备可以包括:处理器61(例如CPU)、存储器62、收发器63;收发器63耦合至处理器61,处理器61控制收发器63的收发动作。存储器62中可以存储各种指令,以用于完成各种处理功能以及实现本发明上述实施例中提供的方法和处理过程。优选的,本发明实施例涉及的电子设备还包括:电源64、***总线65以及通信端口66。***总线65用于实现元件之间的通信连接。上述通信端口66用于电子设备与其他外设之间进行连接通信。
在图6中提到的***总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该***总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,RAM),也可能还包括非易失性存储器(Non-Volatile Memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器CPU、网络处理器(NetworkProcessor,NP)、图形处理器(Graphics Processing Unit,GPU)等;还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,本发明实施例还提供一种计算机可读存储介质,该存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种运行指令的芯片,该芯片用于执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种程序产品,该程序产品包括计算机程序,该计算机程序存储在存储介质中,至少一个处理器可以从上述存储介质读取上述计算机程序,上述至少一个处理器执行上述实施例中提供的方法和处理过程。
本发明实施例提供一种光体积描计信号的散点图分类方法、装置、电子设备、计算机程序产品及计算机可读存储介质,从PPG信号中提取心搏间期数据生成散点图,再将散点图带入用于确认散点图分类的人工智能网络进行类型确认,由此,降低了散点图生成难度,丰富了光体积描计法在健康监控领域的应用场景。
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 (10)
1.一种光体积描计信号的散点图分类方法,其特征在于,所述方法包括:
获取光体积描计PPG信号;
根据预设的采样频率,对所述PPG信号进行信号采样处理,生成PPG采样信号;
根据所述PPG采样信号,进行散点二维坐标准备处理,生成散点二维坐标序列;
根据所述采样频率和预设的心搏间期最大值,进行散点图分辨率确认处理,生成散点图分辨率;
根据所述散点图分辨率,进行散点图初始化处理,生成散点图二维张量;
根据所述散点二维坐标序列,对所述散点图二维张量进行散点标记处理;
使用人工智能网络的卷积神经网络,对所述散点图二维张量进行多层卷积池化计算,生成四维输出张量;所述人工智能网络包括所述卷积神经网络、全连接神经网络和归一处理层;
使用所述人工智能网络的所述全连接神经网络,对所述四维输出张量进行多层全连接计算,生成二维输出张量;
使用所述人工智能网络的所述归一处理层,对所述二维输出张量进行归一化指数计算,生成归一二维张量;
根据所述归一二维张量,进行分类确认处理,生成确认数据;所述确认数据包括分类合理信息和分类不合理信息;
其中,所述根据所述PPG采样信号,进行散点二维坐标准备处理,生成散点二维坐标序列,具体包括:
从所述PPG采样信号中,依次提取信号波形的最大幅值信号点所对应的时间信息,生成峰值时间数据,并由所述峰值时间数据组成峰值时间数据序列;所述PPG采样信号包括多个所述信号波形;所述信号波形包括多个信号点;所述峰值时间数据序列的峰值时间数据数量为第一总数n;
在所述峰值时间数据序列中,将与第一索引i'对应的所述峰值时间数据做为当前峰值时间数据;对所述当前峰值时间数据和所述当前峰值时间数据的前一个峰值时间数据,进行绝对差值计算,生成与第二索引i对应的散点横轴坐标Xi;对所述当前峰值时间数据和所述当前峰值时间数据的后一个峰值时间数据,进行绝对差值计算,生成与所述第二索引i对应的散点竖轴坐标Yi;由所述散点横轴坐标Xi和所述散点竖轴坐标Yi组成散点二维坐标XYi;所述散点二维坐标XYi为(Xi,Yi);所述第一索引i'为所述峰值时间数据的索引号,所述第一索引i'的取值范围从2到n-1;所述第二索引i为所述散点二维坐标XYi的索引号,i=i'-1,所述第二索引i的取值范围从1到n-2;
由n-2个所述散点二维坐标XYi组成所述散点二维坐标序列;所述散点二维坐标序列为(XY1,…XYi,…XYn-2);
在所述散点二维坐标序列中,对多个相同的所述散点二维坐标XYi,只保留一个;对所述散点横轴坐标Xi超出所述心搏间期最大值的所述散点二维坐标XYi,进行删除处理;对所述散点竖轴坐标Yi超出所述心搏间期最大值的所述散点二维坐标XYi,进行删除处理;
所述根据所述采样频率和预设的心搏间期最大值,进行散点图分辨率确认处理,生成散点图分辨率,具体包括:
根据所述采样频率和所述心搏间期最大值,进行最大像素点数量计算,生成最大像素点数量a;a=采样频率*心搏间期最大值;
设置所述散点图分辨率的水平像素点数量X为所述最大像素点数量a;并设置所述散点图分辨率的垂直像素点数量Y为所述最大像素点数量a;散点图分辨率=X*Y=a*a;
所述根据所述散点图分辨率,进行散点图初始化处理,生成散点图二维张量,具体包括:
根据所述散点图分辨率,设置所述散点图二维张量;所述散点图二维张量的形状为H1×W1;所述H1为所述散点图二维张量的2维参数,且H1=Y=a;所述W1为所述散点图二维张量的1维参数,且W1=X=a;所述散点图二维张量包括H1*W1个像素点数据DS,Z;所述像素点数据DS,Z的值为预设的第一像素值;所述S为所述像素点数据DS,Z的横向脚标,所述S的取值范围从1到W1;所述Z为所述像素点数据DS,Z的纵向脚标,所述Z的取值范围从1到H1。
2.根据权利要求1所述的光体积描计信号的散点图分类方法,其特征在于,所述根据所述散点二维坐标序列,对所述散点图二维张量进行散点标记处理,具体包括:
在所述散点图二维张量中,将与所述散点二维坐标序列的所述散点二维坐标XYi匹配的所述像素点数据DS,Z的值,设置为预设的第二像素值;所述像素点数据DS,Z的横向脚标S与所述散点二维坐标XYi的所述散点横轴坐标Xi相同;所述像素点数据DS,Z的纵向脚标Z与所述散点二维坐标XYi的所述散点竖轴坐标Yi相同。
3.根据权利要求1所述的光体积描计信号的散点图分类方法,其特征在于,所述使用人工智能网络的卷积神经网络,对所述散点图二维张量进行多层卷积池化计算,生成四维输出张量,具体包括:
按所述卷积神经网络的四维张量输入数据格式,将所述散点图二维张量的形状从二维张量形状升维到四维张量形状,生成四维输入张量;所述四维输入张量的形状为B1×H2×W2×C1;所述B1为所述四维输入张量的4维参数,且B1=1;所述H2为所述四维输入张量的3维参数,且H2=H1;所述W2为所述四维输入张量的2维参数,且W2=W1;所述C1为所述四维输入张量的1维参数,且C1=1;
将所述四维输入张量送入所述卷积神经网络的第一层卷积网络层,进行第一层卷积池化计算,生成第一四维张量;再将所述第一四维张量送入所述卷积神经网络的第二层卷积网络层,进行第二层卷积池化计算,生成第二四维张量;直至最后,将倒数第二个四维张量送入所述卷积神经网络的最后一层卷积网络层,进行最后一层卷积池化计算,生成所述四维输出张量;所述卷积神经网络包括多层所述卷积网络层;所述卷积网络层包括卷积层和池化层;所述四维输出张量的形状为B2×H3×W3×C2;所述B2为所述四维输出张量的4维参数,且B2=B1=1;所述H3为所述四维输出张量的3维参数;所述W3为所述四维输出张量的2维参数;所述C2为所述四维输出张量的1维参数;
其中,所述将所述四维输入张量送入所述卷积神经网络的第一层卷积网络层,进行第一层卷积池化计算,生成第一四维张量,为将所述四维输入张量,送入所述第一层卷积网络层的第一卷积层,进行第一卷积计算,生成第一卷积四维张量;再将所述第一卷积四维张量,送入所述第一层卷积网络层的第一池化层,进行第一池化计算,生成所述第一四维张量。
4.根据权利要求3所述的光体积描计信号的散点图分类方法,其特征在于,所述使用所述人工智能网络的所述全连接神经网络,对所述四维输出张量进行多层全连接计算,生成二维输出张量,具体包括:
按所述全连接神经网络的二维张量输入数据格式,将所述四维输出张量的形状从四维张量形状降维到二维张量形状,生成二维输入张量;所述二维输入张量的形状为B3×W4;所述B3为所述二维输入张量的2维参数,且B3=B2=1;所述W4为所述二维输入张量的1维参数,且W4= H3*W3*C2;
将所述二维输入张量送入所述全连接神经网络的第一层全连接层,进行第一层全连接计算,生成第一二维张量;再将所述第一二维张量送入所述全连接神经网络的第二层全连接层,进行第二层全连接计算,生成第二二维张量;直至最后,将倒数第二个二维张量送入所述全连接神经网络的最后一层全连接层,进行最后一层全连接计算,生成所述二维输出张量;所述全连接神经网络包括多层所述全连接层;所述二维输出张量的形状为B4×W5;所述B4为所述二维输出张量的2维参数,且B4=B3=1;所述W5为所述二维输出张量的1维参数,且W5=2;所述二维输出张量包括2个数据:分类合理权重数据和分类不合理权重数据。
5.根据权利要求4所述的光体积描计信号的散点图分类方法,其特征在于,所述使用所述人工智能网络的所述归一处理层,对所述二维输出张量进行归一化指数计算,生成归一二维张量,具体包括:
将所述二维输出张量送入所述归一处理层,对所述分类合理权重数据和所述分类不合理权重数据,进行归一化指数计算,生成分类合理概率和分类不合理概率;所述分类合理概率和所述分类不合理概率的和为1;
由所述分类合理概率和所述分类不合理概率组成所述归一二维张量;所述归一二维张量的形状为B5×W6;所述B5为所述归一二维张量的2维参数,且B5=B4=1;所述W6为所述归一二维张量的1维参数,且W6=W5=2;所述归一二维张量包括2个数据:所述分类合理概率和所述分类不合理概率。
6.根据权利要求5所述的光体积描计信号的散点图分类方法,其特征在于,所述根据所述归一二维张量,进行分类确认处理,生成确认数据;所述确认数据包括分类合理信息和分类不合理信息,具体包括:
当所述分类合理概率高于所述分类不合理概率时,将所述分类合理信息做为所述确认数据;
当所述分类合理概率低于所述分类不合理概率时,将所述分类不合理信息做为所述确认数据。
7.一种用于实现权利要求1-6任一项所述的光体积描计信号的散点图分类方法的装置,其特征在于,所述装置包括:
获取模块用于获取光体积描计PPG信号;
采样模块用于根据预设的采样频率,对所述PPG信号进行信号采样处理,生成PPG采样信号;
散点图模块用于根据所述PPG采样信号,进行散点二维坐标准备处理,生成散点二维坐标序列;并根据所述采样频率和预设的心搏间期最大值,进行散点图分辨率确认处理,生成散点图分辨率;再根据所述散点图分辨率,进行散点图初始化处理,生成散点图二维张量;接着根据所述散点二维坐标序列,对所述散点图二维张量进行散点标记处理;
人工智能计算模块用于使用人工智能网络的卷积神经网络,对所述散点图二维张量进行多层卷积池化计算,生成四维输出张量;再使用所述人工智能网络的全连接神经网络,对所述四维输出张量进行多层全连接计算,生成二维输出张量;接着使用所述人工智能网络的归一处理层,对所述二维输出张量进行归一化指数计算,生成归一二维张量;所述人工智能网络包括所述卷积神经网络、所述全连接神经网络和所述归一处理层;
分类确认模块用于根据所述归一二维张量,进行分类确认处理,生成确认数据;所述确认数据包括分类合理信息和分类不合理信息。
8.一种电子设备,其特征在于,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现权利要求1-6任一项所述的方法步骤;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
9.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序代码,当所述计算机程序代码被计算机执行时,使得所述计算机执行权利要求1-6任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行权利要求1-6任一项所述的方法的指令。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011086771.9A CN112070067B (zh) | 2020-10-12 | 2020-10-12 | 一种光体积描计信号的散点图分类方法和装置 |
EP21878942.8A EP4227852A1 (en) | 2020-10-12 | 2021-04-19 | Scatter diagram classification method and apparatus for photoplethysmography signal |
US18/248,770 US20230397887A1 (en) | 2020-10-12 | 2021-04-19 | Scatter diagram classification method and apparatus for photoplethysmography signal |
PCT/CN2021/088021 WO2022077888A1 (zh) | 2020-10-12 | 2021-04-19 | 一种光体积描计信号的散点图分类方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011086771.9A CN112070067B (zh) | 2020-10-12 | 2020-10-12 | 一种光体积描计信号的散点图分类方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070067A CN112070067A (zh) | 2020-12-11 |
CN112070067B true CN112070067B (zh) | 2023-11-21 |
Family
ID=73655459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011086771.9A Active CN112070067B (zh) | 2020-10-12 | 2020-10-12 | 一种光体积描计信号的散点图分类方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230397887A1 (zh) |
EP (1) | EP4227852A1 (zh) |
CN (1) | CN112070067B (zh) |
WO (1) | WO2022077888A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020003910A1 (ja) * | 2018-06-28 | 2020-01-02 | 株式会社村上開明堂 | 心拍検出装置、心拍検出方法及びプログラム |
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 |
CN112869725B (zh) * | 2021-02-23 | 2022-05-27 | 佛山科学技术学院 | 一种多通道脉搏采集***及方法 |
CN113052086B (zh) * | 2021-03-29 | 2024-02-27 | 深圳市科曼医疗设备有限公司 | 一种白细胞分类方法、装置、计算机设备和存储介质 |
CN115099361A (zh) * | 2022-07-15 | 2022-09-23 | 井芯微电子技术(天津)有限公司 | 一种基于ai识别的异构体多路数据匹配算法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9721203B1 (en) * | 2016-11-10 | 2017-08-01 | Google Inc. | Performing kernel striding in hardware |
CN107481313A (zh) * | 2017-08-18 | 2017-12-15 | 深圳市唯特视科技有限公司 | 一种基于学习有效点云生成的密集三维物体重建方法 |
CN108734247A (zh) * | 2017-04-13 | 2018-11-02 | 蒂萨斯克里博斯有限责任公司 | 具有复制保护的安全标记 |
CN108784680A (zh) * | 2018-03-19 | 2018-11-13 | 武汉海星通技术股份有限公司 | 基于散点图的心电图智能分析方法及*** |
CN109033780A (zh) * | 2018-07-03 | 2018-12-18 | 南方电网科学研究院有限责任公司 | 一种基于小波变换和神经网络的边缘计算接入认证方法 |
CN110251115A (zh) * | 2019-06-20 | 2019-09-20 | 张远 | 基于体表视频的ppg信号提取方法、***、设备及介质 |
WO2019191487A1 (en) * | 2018-03-28 | 2019-10-03 | Livmor, Inc. | Photoplethysmogram data analysis and presentation |
CN110332895A (zh) * | 2019-07-11 | 2019-10-15 | 广东工业大学 | 一种长方体包裹长宽信息检测的方法、***及设备 |
WO2020047750A1 (zh) * | 2018-09-04 | 2020-03-12 | 深圳先进技术研究院 | 心律失常的检测方法、装置、电子设备及计算机存储介质 |
CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
KR20200064349A (ko) * | 2018-11-29 | 2020-06-08 | 연세대학교 산학협력단 | 텐서 분해 기반의 포인트 검출 방법 및 장치 |
CN111248883A (zh) * | 2020-02-21 | 2020-06-09 | 乐普(北京)医疗器械股份有限公司 | 一种血压预测的方法和装置 |
CN111291727A (zh) * | 2020-03-17 | 2020-06-16 | 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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111248880B (zh) * | 2020-02-21 | 2022-07-29 | 乐普(北京)医疗器械股份有限公司 | 一种基于光体积变化描记图法信号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 |
-
2020
- 2020-10-12 CN CN202011086771.9A patent/CN112070067B/zh active Active
-
2021
- 2021-04-19 US US18/248,770 patent/US20230397887A1/en active Pending
- 2021-04-19 EP EP21878942.8A patent/EP4227852A1/en active Pending
- 2021-04-19 WO PCT/CN2021/088021 patent/WO2022077888A1/zh unknown
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9721203B1 (en) * | 2016-11-10 | 2017-08-01 | Google Inc. | Performing kernel striding in hardware |
CN108734247A (zh) * | 2017-04-13 | 2018-11-02 | 蒂萨斯克里博斯有限责任公司 | 具有复制保护的安全标记 |
CN107481313A (zh) * | 2017-08-18 | 2017-12-15 | 深圳市唯特视科技有限公司 | 一种基于学习有效点云生成的密集三维物体重建方法 |
CN108784680A (zh) * | 2018-03-19 | 2018-11-13 | 武汉海星通技术股份有限公司 | 基于散点图的心电图智能分析方法及*** |
WO2019191487A1 (en) * | 2018-03-28 | 2019-10-03 | Livmor, Inc. | Photoplethysmogram data analysis and presentation |
CN109033780A (zh) * | 2018-07-03 | 2018-12-18 | 南方电网科学研究院有限责任公司 | 一种基于小波变换和神经网络的边缘计算接入认证方法 |
WO2020047750A1 (zh) * | 2018-09-04 | 2020-03-12 | 深圳先进技术研究院 | 心律失常的检测方法、装置、电子设备及计算机存储介质 |
KR20200064349A (ko) * | 2018-11-29 | 2020-06-08 | 연세대학교 산학협력단 | 텐서 분해 기반의 포인트 검출 방법 및 장치 |
CN110251115A (zh) * | 2019-06-20 | 2019-09-20 | 张远 | 基于体表视频的ppg信号提取方法、***、设备及介质 |
CN110332895A (zh) * | 2019-07-11 | 2019-10-15 | 广东工业大学 | 一种长方体包裹长宽信息检测的方法、***及设备 |
CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
CN111248883A (zh) * | 2020-02-21 | 2020-06-09 | 乐普(北京)医疗器械股份有限公司 | 一种血压预测的方法和装置 |
CN111291727A (zh) * | 2020-03-17 | 2020-06-16 | 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 |
Non-Patent Citations (3)
Title |
---|
基于卷积神经网络的第一导联心电图心拍分类;庞彦伟;李潇;梁金升;何宇清;;天津大学学报(自然科学与工程技术版)(10);全文 * |
对截取波段处理的室性早搏分类方法研究;王霞;王姗;唐予军;李兵兵;;现代电子技术(11);全文 * |
心电散点图在动态心电图中诊断心律失常的应用;钱惠英;《***医学》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112070067A (zh) | 2020-12-11 |
US20230397887A1 (en) | 2023-12-14 |
EP4227852A1 (en) | 2023-08-16 |
WO2022077888A1 (zh) | 2022-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070067B (zh) | 一种光体积描计信号的散点图分类方法和装置 | |
US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
CN111160139B (zh) | 心电信号的处理方法、装置及终端设备 | |
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 | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
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*** | |
CN109480824B (zh) | 心电波形数据的处理方法、装置和服务器 | |
CN112508110A (zh) | 一种基于深度学习的心电信号图的分类方法 | |
CN113080990B (zh) | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 | |
CN109394205B (zh) | 一种基于深度神经网络的心电信号分析方法 | |
CN109567789B (zh) | 心电图数据的分割处理方法、装置及可读存储介质 | |
CN111759345B (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、***和装置 | |
CN111291727B (zh) | 一种光体积变化描记图法信号质量检测方法和装置 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
EP4108164A1 (en) | Blood pressure prediction method and device | |
CN112336325B (zh) | 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 | |
WO2023108873A1 (zh) | 一种脑网络和脑成瘾连接计算方法及装置 | |
CN114419500A (zh) | 基于心脏超声视频筛选舒张期和收缩期图像的方法和装置 | |
CN113180679A (zh) | 一种单导联心电异常信号识别方法 | |
CN112102351A (zh) | 医学图像分析方法、装置、电子设备及可读存储介质 | |
CN111354005A (zh) | 基于卷积神经网络的全自动胎儿心超影像三血管分割方法 | |
CN116712056A (zh) | 心电图数据的特征图像生成与识别方法、设备及存储介质 | |
CN116523813A (zh) | 基于血管造影图像分析血流储备分数的处理方法和装置 | |
Rana et al. | Comparison of artificial neural networks for low-power ECG-classification system | |
Rahuja et al. | A deep neural network approach to automatic multi-class classification of electrocardiogram signals |
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 |