CN112957018A - 基于人工智能的心脏状态检测方法和装置 - Google Patents
基于人工智能的心脏状态检测方法和装置 Download PDFInfo
- Publication number
- CN112957018A CN112957018A CN202110309837.4A CN202110309837A CN112957018A CN 112957018 A CN112957018 A CN 112957018A CN 202110309837 A CN202110309837 A CN 202110309837A CN 112957018 A CN112957018 A CN 112957018A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- pulse wave
- state detection
- heart
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请涉及一种基于人工智能的心脏状态检测方法和装置。所述方法包括:获取目标对象的脉搏波数据;对所述目标对象的脉搏波数据进行特征分析得到目标特征数据;所述目标特征数据包括所述目标对象的脉搏特征;将所述目标特征数据发送到服务器,并接收所述服务器反馈的心脏状态检测结果;所述心脏状态检测结果为所述服务器根据预先训练的心脏状态检测模型和所述目标特征数据进行状态检测得到的,所述心脏状态检测结果用于指示所述目标对象的心脏是否为正常状态。采用本方法能够降低检测成本、简化检测操作。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种基于人工智能的心脏状态检测方法和装置。
背景技术
心脏是人体最重要的器官之一,心脏的状态直接影响着人们的健康。近些年,心脏病的发病率不断升高,并且发病群体有逐渐年轻化的趋势,因此对心脏状态进行检测是非常有必要的。
目前,通常采用心电图(Electrocardiogram,ECG)进行心脏状态检测。但是,心电图受空间、时间的限制,一般只有去医院才能进行检测。虽然一些家用型心电设备也可以进行心脏状态检测,但是,家用型心电设备存在设备费用昂贵、操作繁琐等问题,因此家用型心电设备的使用并不普及。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低检测成本,简化检测操作的基于人工智能的心脏状态检测方法和装置。
本公开实施例提供了一种基于人工智能的心脏状态检测方法,应用于终端,该方法包括:
获取目标对象的脉搏波数据;
对目标对象的脉搏波数据进行特征分析得到目标特征数据;目标特征数据包括目标对象的脉搏特征;
将目标特征数据发送到服务器,并接收服务器反馈的心脏状态检测结果;心脏状态检测结果为服务器根据预先训练的心脏状态检测模型和目标特征数据进行状态检测得到的,心脏状态检测结果用于指示目标对象的心脏是否为正常状态。
在其中一个实施例中,脉搏波数据包括脉搏波时域数据和脉搏波频域数据;上述对目标对象的脉搏波数据进行特征分析得到目标特征数据,包括:
对目标对象的脉搏波时域数据进行时域分析得到目标时域特征数据;
对目标对象的脉搏波频域数据进行频域分析得到目标频域特征数据。
在其中一个实施例中,上述对目标对象的脉搏波时域数据进行时域分析得到目标时域特征数据,包括以下至少一种:
根据目标对象的脉搏波时域数据计算多个RR间期的平均值得到间期平均值;
根据目标对象的脉搏波时域数据计算多个RR间期的标准差得到间期标准差;
根据目标对象的脉搏波时域数据计算多个RR间期的均方根得到间期均方根;
根据目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并计算多个差值的标准差得到差值标准差;
根据目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并将大于预设时长的差值确定为目标差值,计算目标差值的数量与RR间期的总数量之间的比值得到间期比值。
在其中一个实施例中,上述对目标对象的脉搏波频域数据进行频域分析得到目标频域特征数据,包括:
根据目标对象的脉搏波频域数据,确定幅值最大的脉搏波频域数据所对应的第一频率,并对第一频率进行加倍处理得到第二频率和第三频率;
将第一频率、第二频率和第三频率附近预设数量的脉搏波频域数据确定为目标频域特征数据。
本公开实施例提供了一种基于人工智能的心脏状态检测方法,应用于服务器,该方法包括:
接收终端发送的目标特征数据;目标特征数据为终端在获取到目标对象的脉搏波数据后,对目标对象的脉搏波数据进行特征分析得到的;目标特征数据包括目标对象的脉搏特征;
根据预先训练的心脏状态检测模型和目标特征数据进行状态检测,得到心脏状态检测结果;心脏状态检测结果用于指示目标对象的心脏是否为正常状态;
将心脏状态检测结果反馈到终端。
在其中一个实施例中,在上述根据预先训练的心脏状态检测模型和目标特征数据进行状态检测,得到心脏状态检测结果之前,该方法还包括:
获取样本集;样本集包括多个样本特征数据和各样本特征数据的标注;样本特征数据包括训练对象的脉搏特征;标注用于指示训练对象的心脏是否为正常状态;
基于样本集进行神经网络模型的训练,得到心脏状态检测模型。
在其中一个实施例中,上述获取样本集,包括:
获取多个训练对象的脉搏波数据和心电图数据;
对于各训练对象,对训练对象的脉搏波数据进行特征分析得到样本特征数据,对训练对象的心电图数据进行特征分析得到训练对象的心脏是否为正常状态的标注;
根据多个训练对象的样本特征数据和标注得到样本集。
在其中一个实施例中,样本集包括训练样本集、验证样本集和测试样本集;上述基于样本集进行神经网络模型的训练,得到心脏状态检测模型,包括:
根据神经网络模型的层数范围和神经网络模型中每层的神经元数量范围构建多个初始神经网络模型;
基于训练样本集对多个初始神经网络模型进行训练,得到多个候选神经网络模型;
基于验证样本集对多个候选神经网络模型进行验证,得到各候选神经网络模型的检测准确率;
将检测准确率最高的候选神经网络模型确定为目标神经网络模型,基于测试样本集对目标神经网络模型进行测试,若目标神经网络模型的检测准确率小于预设阈值,则调整目标神经网络模型中的可调参数继续训练,直到目标神经网络模型的检测准确率大于或等于预设阈值时停止训练,并将停止训练时的目标神经网络模型确定为心脏状态检测模型。
本公开实施例提供了一种基于人工智能的心脏状态检测装置,应用于终端,该装置包括:
脉搏波获取模块,用于获取目标对象的脉搏波数据;
特征分析模块,用于对目标对象的脉搏波数据进行特征分析得到目标特征数据;目标特征数据包括目标对象的脉搏特征;
结果接收模块,用于将目标特征数据发送到服务器,并接收服务器反馈的心脏状态检测结果;心脏状态检测结果为服务器根据预先训练的心脏状态检测模型和目标特征数据进行状态检测得到的,心脏状态检测结果用于指示目标对象的心脏是否为正常状态。
在其中一个实施例中,脉搏波数据包括脉搏波时域数据和脉搏波频域数据;上述特征分析模块包括:
时域分析子模块,用于对目标对象的脉搏波时域数据进行时域分析得到目标时域特征数据;
频域分析子模块,用于对目标对象的脉搏波频域数据进行频域分析得到目标频域特征数据。
在其中一个实施例中,上述时域分析子模块,具体用于根据目标对象的脉搏波时域数据计算多个RR间期的平均值得到间期平均值;根据目标对象的脉搏波时域数据计算多个RR间期的标准差得到间期标准差;根据目标对象的脉搏波时域数据计算多个RR间期的均方根得到间期均方根;根据目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并计算多个差值的标准差得到差值标准差;根据目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并将大于预设时长的差值确定为目标差值,计算目标差值的数量与RR间期的总数量之间的比值得到间期比值。
在其中一个实施例中,上述频域分析子模块,具体用于根据目标对象的脉搏波频域数据,确定幅值最大的脉搏波频域数据所对应的第一频率,并对第一频率进行加倍处理得到第二频率和第三频率;将第一频率、第二频率和第三频率附近预设数量的脉搏波频域数据确定为目标频域特征数据。
本公开实施例提供了一种基于人工智能的心脏状态检测装置,应用于服务器,该装置包括:
数据接收模块,用于接收终端发送的目标特征数据;目标特征数据为终端在获取到目标对象的脉搏波数据后,对目标对象的脉搏波数据进行特征分析得到的;目标特征数据包括目标对象的脉搏特征;
状态检测模块,用于根据预先训练的心脏状态检测模型和目标特征数据进行状态检测,得到心脏状态检测结果;心脏状态检测结果用于指示目标对象的心脏是否为正常状态;
结果发送模块,用于将心脏状态检测结果反馈到终端。
在其中一个实施例中,该装置还包括:
样本获取模块,用于获取样本集;样本集包括多个样本特征数据和各样本特征数据的标注;样本特征数据包括训练对象的脉搏特征;标注用于指示训练对象的心脏是否为正常状态;
训练模块,用于基于样本集进行神经网络模型的训练,得到心脏状态检测模型。
在其中一个实施例中,上述样本获取模块,具体用于获取多个训练对象的脉搏波数据和心电图数据;对于各训练对象,对训练对象的脉搏波数据进行特征分析得到样本特征数据,对训练对象的心电图数据进行特征分析得到训练对象是否的心脏是否为正常状态的标注;根据多个训练对象的样本特征数据和标注得到样本集。
在其中一个实施例中,样本集包括训练样本集、验证样本集和测试样本集;上述训练模块,用于根据神经网络模型的层数范围和神经网络模型中每层的神经元数量范围构建多个初始神经网络模型;基于训练样本集对多个初始神经网络模型进行训练,得到多个候选神经网络模型;基于验证样本集对多个候选神经网络模型进行验证,得到各候选神经网络模型的检测准确率;将检测准确率最高的候选神经网络模型确定为目标神经网络模型,基于测试样本集对目标神经网络模型进行测试,若目标神经网络模型的检测准确率小于预设阈值,则调整目标神经网络模型中的可调参数继续训练,直到目标神经网络模型的检测准确率大于或等于预设阈值时停止训练,并将停止训练时的目标神经网络模型确定为心脏状态检测模型。
本公开实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标对象的脉搏波数据;
对目标对象的脉搏波数据进行特征分析得到目标特征数据;目标特征数据包括目标对象的脉搏特征;
将目标特征数据发送到服务器,并接收服务器反馈的心脏状态检测结果;心脏状态检测结果为服务器根据预先训练的心脏状态检测模型和目标特征数据进行状态检测得到的,心脏状态检测结果用于指示目标对象的心脏是否为正常状态。
本公开实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标对象的脉搏波数据;
对目标对象的脉搏波数据进行特征分析得到目标特征数据;目标特征数据包括目标对象的脉搏特征;
将目标特征数据发送到服务器,并接收服务器反馈的心脏状态检测结果;心脏状态检测结果为服务器根据预先训练的心脏状态检测模型和目标特征数据进行状态检测得到的,心脏状态检测结果用于指示目标对象的心脏是否为正常状态。
上述基于人工智能的心脏状态检测方法和装置,获取目标对象的脉搏波数据;对目标对象的脉搏波数据进行特征分析得到目标特征数据;将目标特征数据发送到服务器,并接收服务器反馈的心脏状态检测结果。本公开实施例中,终端获取目标对象的脉搏波,并将体现目标对象脉搏特征的目标特征数据发送到服务器进行心脏状态检测,与现有技术中利用心电图进行心脏状态检测相比,脉搏波采集设备相对便宜,利用脉搏波进行心脏状态检测可以降低检测成本,同时简化检测操作。
附图说明
图1为一个实施例中基于人工智能的心脏状态检测方法的应用环境图;
图2为一个实施例中基于人工智能的心脏状态检测方法的流程示意图;
图3为一个实施例中对目标对象的脉搏波数据进行特征分析得到目标特征数据步骤的流程示意图;
图4a为一个实施例中脉搏波时域数据的示意图;
图4b为一个实施例中脉搏波频域数据的示意图;
图5为另一个实施例中基于人工智能的心脏状态检测方法的流程示意图;
图6为另一个实施例中训练心脏状态检测模型的流程示意图之一;
图7为另一个实施例中训练心脏状态检测模型的流程示意图之二;
图8为又一个实施例中基于人工智能的心脏状态检测方法的流程示意图;
图9为一个实施例中基于人工智能的心脏状态检测装置的结构框图;
图10为另一个实施例中基于人工智能的心脏状态检测装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
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,对本申请进行进一步详细说明。应当理解,此处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。
本申请提供的基于人工智能的心脏状态检测方法,可以应用于如图1所示的应用环境中。该应用环境包括终端102和服务器104;其中,终端102通过网络与服务器104进行通信。上述终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑以及智能手环、智能手表等便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于人工智能的心脏状态检测方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤201,获取目标对象的脉搏波数据。
其中,脉搏波是心脏的搏动沿动脉血管和血流向外周传播而形成的,脉搏波数据可以在一定程度上反映被测对象的心脏状态。脉搏波数据包括脉搏波时域数据和脉搏波频域数据。
终端可以采集目标对象的脉搏波数据;也可以通过多种连接方式外接脉搏波采集设备,从脉搏波采集设备获取目标对象的脉搏波时域数据。之后,终端对脉搏波时域数据进行傅里叶变换得到脉搏波频域数据。
获取脉搏波时域数据可以是实时获取,也可以是按照预设周期获取。例如,终端每隔1分钟从外接的脉搏波采集设备获取一次目标对象的脉搏波时域数据。本公开实施例对预设周期不做限定。
上述连接方式可以包括串口、蓝牙和USB(Universal Serial Bus,通用串行总线)接口中的至少一种;上述脉搏波采集设备可以是光电式的指尖光电容积脉搏波采集设备,也可以是压力式的桡动脉脉搏波采集设备。本公开实施例对此不做限定。
步骤202,对目标对象的脉搏波数据进行特征分析得到目标特征数据。
其中,目标特征数据包括目标对象的脉搏特征。
终端获取到目标对象的脉搏波数据后,对目标对象的脉搏波数据进行特征分析。比如,对目标对象的脉搏波数据进行时域分析和频域分析,得到目标特征数据。或者,将目标对象的脉搏波数据输入到预先训练的特征提取模型中,得到特征提取模型输出的目标特征数据。本公开实施例对分析方式不做限定,可以根据实际情况进行选取。
在其中一个实施例中,终端先对目标对象的脉搏波数据进行降噪处理和滤波处理,再对处理后的脉搏波数据进行特征分析。
步骤203,将目标特征数据发送到服务器,并接收服务器反馈的心脏状态检测结果。
其中,心脏状态检测结果为服务器根据预先训练的心脏状态检测模型和目标特征数据进行状态检测得到的,心脏状态检测结果用于指示目标对象的心脏是否为正常状态。
终端在得到目标特征数据之后,将目标特征数据发送到服务器。对应地,服务器接收终端发送的目标特征数据,并将目标特征数据输入到预先训练的心脏状态检测模型中,得到心脏状态检测模型输出的心脏状态检测结果。
例如,终端将目标对象A的目标特征数据发送到服务器,服务器接收目标特征数据,并将目标特征数据输入到心脏状态检测模型中,心脏状态检测模型输出目标对象A的心脏为正常状态的心脏状态检测结果。经过一段时间后,终端又将目标对象A的目标特征数据发送到服务器,服务器再将目标特征数据输入到心脏状态检测模型中,心脏状态检测模型输出目标对象A的心脏为异常状态的心脏状态检测结果。
服务器得到心脏状态检测结果后,将心脏状态检测结果反馈到终端。对应地,终端接收服务器反馈的心脏状态检测结果。
上述基于人工智能的心脏状态检测方法中,终端获取目标对象的脉搏波数据;对目标对象的脉搏波数据进行特征分析得到目标特征数据;将目标特征数据发送到服务器,并接收服务器反馈的心脏状态检测结果。本公开实施例中,终端获取目标对象的脉搏波,并将体现目标对象脉搏特征的目标特征数据发送到服务器进行心脏状态检测,与现有技术中利用心电图进行心脏状态检测相比,脉搏波采集设备相对便宜,利用脉搏波进行心脏状态检测可以降低检测成本,同时简化检测操作。进一步地,降低检测成本后,可以扩展心脏状态检测的应用范围。
在一个实施中,脉搏波数据包括脉搏波时域数据和脉搏波频域数据,如图3所示,上述对目标对象的脉搏波数据进行特征分析得到目标特征数据的步骤,可以包括:
步骤301,对目标对象的脉搏波时域数据进行时域分析得到目标时域特征数据。
其中,目标时域特征数据包括RR间期、间期平均值NNVGR、间期标准差SDNN、间期均方根RMSSD、差值标准差SDSD、间期比值pNN50中的至少一种。RR间期为脉搏波中两个波峰之间的时长。
终端对目标对象的脉搏波时域数据进行时域分析得到目标时域特征数据,可以包括以下至少一种:根据目标对象的脉搏波时域数据计算多个RR间期的平均值得到间期平均值NNVGR。根据目标对象的脉搏波时域数据计算多个RR间期的标准差得到间期标准差SDNN;根据目标对象的脉搏波时域数据计算多个RR间期的均方根得到间期均方根RMSSD;根据目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并计算多个差值的标准差得到差值标准差SDSD;根据目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并将大于预设时长的差值确定为目标差值,计算目标差值的数量与RR间期的总数量之间的比值得到间期比值pNN50。
例如,目标对象的脉搏波时域数据如图4a所示,可以确定有6个RR间期。计算6个RR间期的平均值,即可得到间期平均值NNVGR。计算6个RR间期的标准差,即可得到间期标准差SDNN。计算第1个RR间期和第2个RR间期之间的均方根,计算第2个RR间期和第3个RR间期之间的均方根,以此类推,一直到计算第5个RR间期和第6个RR间期之间的均方根,得到5个间期均方根间期标准差SDNN。计算第1个RR间期和第2个RR间期之间的差值,计算第2个RR间期和第3个RR间期之间的差值,以此类推,一直到计算第5个RR间期和第6个RR间期之间的差值,得到5个差值;然后计算这5个差值的标准差得到差值标准差SDSD。预设时长为50ms,将上述计算出的5个差值中大于50ms的差值确定为目标差值,统计出目标差值的数量为2、RR间期的总数量为6,则计算目标差值的数量2与RR间期的总数量6之间的比值,得到间期比值pNN50。本公开实施例对预设时长不做限定。
步骤302,对目标对象的脉搏波频域数据进行频域分析得到目标频域特征数据。
终端根据目标对象的脉搏波频域数据,确定幅值最大的脉搏波频域数据所对应的第一频率,并对第一频率进行加倍处理得到第二频率和第三频率;之后,将第一频率、第二频率和第三频率附近预设数量的脉搏波频域数据确定为目标频域特征数据。
例如,目标对象的脉搏波频域数据如图4b所示,其中,幅值最大的脉搏波频域数据所对应的第一频率为85Hz,85Hz的2倍为170Hz,85Hz的3倍为255Hz,则将170Hz确定为第二频率,将255Hz确定为第三频率。将第一频率对应的脉搏波频域数据X1和脉搏波频域数据X1左右各10个脉搏波频域数据确定为目标频域特征数据;将第二频率附近幅值最大的脉搏波频域数据X2和脉搏波频域数据X2左右各10个脉搏波频域数据也确定为目标频域特征数据;将第三频率附近幅值最大的脉搏波频域数据X3和脉搏波频域数据X3左右各10个脉搏波频域数据也确定为目标频域特征数据,一共得到63个目标频域特征数据。本公开实施例对预设数量不做限定。
上述步骤301和步骤302的顺序不受限定。
上述对目标对象的脉搏波数据进行特征分析得到目标特征数据的步骤中,终端对目标对象的脉搏波时域数据进行时域分析得到目标时域特征数据;对目标对象的脉搏波频域数据进行频域分析得到目标频域特征数据。本公开实施例中,终端对脉搏波数据进行时域分析和频域分析,得到可以体现目标对象的脉搏特征的目标特征数据,以便后续可以根据目标特征数据进行心脏状态检测。与现有技术中利用心电图进行心脏状态检测相比,本公开实施例利用脉搏波进行心脏状态检测,可以降低检测成本,同时简化检测操作。
在一个实施例中,如图5所示,提供了一种基于人工智能的心脏状态检测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤401,接收终端发送的目标特征数据。
其中,目标特征数据为终端在获取到目标对象的脉搏波数据后,对目标对象的脉搏波数据进行特征分析得到的;目标特征数据包括目标对象的脉搏特征。
终端可以采集目标对象的脉搏波数据,也可以从外接的脉搏波采集设备获取到目标对象的脉搏波数据。之后,终端对目标对象的脉搏波数据进行特征分析得到目标特征数据,并将目标特征数据发送到服务器。对应地,服务器接收终端发送的目标特征数据。
步骤402,根据预先训练的心脏状态检测模型和目标特征数据进行心脏状态检测,得到心脏状态检测结果。
其中,心脏状态检测结果用于指示目标对象的心脏是否为正常状态。
服务器预先训练心脏状态检测模型,在接收到目标特征数据之后,将目标特征数据输入到心脏状态检测模型中,得到心脏状态检测模型输出的心脏状态检测结果。
步骤403,将心脏状态检测结果反馈到终端。
服务器得到心脏状态检测结果后,将心脏状态检测结果发送到终端。对应地,终端接收服务器发送的心脏状态检测结果。
在其中一个实施例中,服务器存储目标对象的目标特征数据和心脏状态检测结果,以便后续查看。
上述基于人工智能的心脏状态检测方法中,接收终端发送的目标特征数据;根据预先训练的心脏状态检测模型和目标特征数据进行状态检测,得到心脏状态检测结果;将心脏状态检测结果反馈到终端。本公开实施例中,服务器根据终端发送的体现目标对象脉搏特征的目标特征数据进行心脏状态检测,与现有技术中利用心电图进行心脏状态检测相比,脉搏波采集设备相对便宜,利用脉搏波进行心脏状态检测可以降低检测成本,同时简化检测操作。进一步地,降低检测成本后,可以扩展心脏状态检测的应用范围。
在一个实施例中,如图6所示,在上述实施例的基础上,本公开实施例还可以包括训练心脏状态检测模型的过程:
步骤501,获取样本集。
其中,样本集包括多个样本特征数据和各样本特征数据的标注;样本特征数据包括训练对象的脉搏特征;标注用于指示训练对象的心脏是否为正常状态。
服务器获取多个训练对象的脉搏波数据和心电图数据;对于各训练对象,对训练对象的脉搏波数据进行特征分析得到样本特征数据,对训练对象的心电图数据进行特征分析得到训练对象的心脏是否为正常状态的标注;根据多个训练对象的样本特征数据和标注得到样本集。
在实际应用中,训练对象的心脏为正常状态的标注数量与训练对象的心脏为异常状态的标注数量相等。
在其中一个实施例中,脉搏波数据包括脉搏波时域数据和脉搏波频域数据;脉搏波时域数据可以是服务器通过脉搏波采集设备获取到的,脉搏波频域数据可以是对脉搏波时域数据进行傅里叶变换得到的。服务器对训练对象的脉搏波数据进行特征分析,可以参考上述实施例中终端对目标对象的脉搏波数据进行特征分析的过程。
在其中一个实施例中,服务器对脉搏波数据进行特征分析前,对脉搏波数据进行降噪处理和滤波处理,再对处理后的脉搏波数据进行特征分析。
在其中一个实施例中,心电图数据包括心电图时域数据和心电图频域数据;心电图时域数据可以是服务器通过心电图采集设备获取到的,心电图频域数据可以是服务器对心电图时域数据进行傅里叶变换得到的。服务器可以接收用户根据训练对象的心电图时域数据输入的训练对象的心脏是否为正常状态的标注;也可以对训练对象的心电图数据进行特征分析,得到训练对象的心脏是否为正常状态的标注。
服务器对训练对象的心电图数据进行特征分析,可以包括如下过程:服务器将训练对象的心电图数据与心脏为正常状态的心电图数据进行比较,如果训练对象的心电图数据与心脏为正常状态的心电图数据相似,则确定训练对象的心脏为正常状态。
在其中一个实例中,服务器对心电图数据进行分析前,对心电图数据进行降噪处理和滤波处理,再对处理后的心电图数据进行分析。
步骤502,基于样本集进行神经网络模型的训练,得到心脏状态检测模型。
其中,神经网络模型的激活函数可以采用线性整流函数(Rectified LinearUnit,ReLU)函数,训练神经网络模型的损失函数可以采用二次代价函数(quadraticcost),神经网络模型的学习率可以设置为0.01。本公开实施例对激活函数、损失函数和学习率不做限定。
样本集包括训练样本集、验证样本集和测试样本集,其中,训练样本集、验证样本集和测试样本集中的样本特征数据的比例可以是8:1:1。本公开实施例对此不做限定。如图7所示,训练过程可以包括以下步骤:
步骤5021,根据神经网络模型的层数范围和神经网络模型中每层的神经元数量范围构建多个初始神经网络模型。
例如,神经网络模型的层数范围为3-8,每层的神经元数量范围为8-12,将层数与神经元数量进行两两组合,可以构建出30个初始神经网络模型。
步骤5022,基于训练样本集对多个初始神经网络模型进行训练,得到多个候选神经网络模型。
对于每个初始神经网络模型,服务器将训练样本集中的样本特征数据输入到初始神经网络模型中,得到初始神经网络模型输出的训练结果。接着,利用损失函数计算训练结果与标注之间的损失值,如果损失值不符合预设收敛条件,则调整初始神经网络模型中的可调参数继续训练,直到损失值符合预设收敛条件时停止训练,并将停止训练时的初始神经网络模型确定为候选神经网络模型。
例如,分别对30个初始神经网络模型进行训练,得到30个候选神经网络模型。
步骤5023,基于验证样本集对多个候选神经网络模型进行验证,得到各候选神经网络模型的检测准确率。
对于每个候选神经网络模型,服务器将验证样本集中的多个样本特征数据输入到候选神经网络模型中,得到候选神经网络模型输出的各样本特征数据对应的验证结果。服务器判断各样本特征数据的验证结果是否与样本特征数据的标注一致,并根据判断结果确定候选神经网络模型的检测准确率。
例如,将m个样本特征数据输入到候选神经网络模型1中,得到m个验证结果;其中,n个验证结果与标注一致,m-n个验证结果与标注不一致,确定候选神经网络模型的检测准确率为P=n/m。以此类推,可以得到其他候选神经网络模型的检测准确率。
步骤5024,将检测准确率最高的候选神经网络模型确定为目标神经网络模型,基于测试样本集对目标神经网络模型进行测试,若目标神经网络模型的检测准确率小于预设阈值,则调整目标神经网络模型中的可调参数继续训练,直到目标神经网络模型的检测准确率大于或等于预设阈值时停止训练,并将停止训练时的目标神经网络模型确定为心脏状态检测模型。
服务器得到每个候选神经网络模型的检测准确率后,将检测准确率最高的候选神经网络模型确定为目标神经网络。之后,服务器将测试样本集中的多个样本特征数据输入到目标神经网络模型中,得到目标神经网络模型输出的各样本特征数据对应的测试结果。服务器根据各样本特征数据的测试结果与样本特征数据的标注确定目标神经网络模型的检测准确率。如果检测准确率小于预设阈值,则调整目标神经网络模型中的可调参数继续训练,直到检测准确率大于或等于预设阈值时停止训练,并将停止训练时的目标神经网络模型确定为心脏状态检测模型。
例如,预设阈值为98%,如果服务器确定目标神经网络模型的检测准确率小于98%,则调整目标神经网络模型中的可调参数继续训练,一直到服务器确定检测准确率大于或等于98%时停止训练。
在其中一个实施例中,服务器接收多个终端发送的目标特征数据,并根据多个目标特征数据更新心脏状态检测模型。
上述训练心脏状态检测模型的过程中,服务器获取样本集;基于样本集进行神经网络模型的训练,得到心脏状态检测模型。本公开实施例中,服务器利用体现脉搏特征的样本特征数据和根据心电图数据得到的心脏是否为正常状态的标注进行心脏状态检测模型的训练,训练出的心脏状态检测模型可以将心脏状态检测从利用心电图转换为利用脉搏波,不仅可以保证检测准确性,而且可以降低检测成本、简化检测操作。
在一个实施例中,如图8所示,提供了一种基于人工智能的心脏状态检测方法,包括以下步骤:
步骤601,终端获取目标对象的脉搏波数据。
步骤602,终端对目标对象的脉搏波数据进行特征分析得到目标特征数据。
其中,目标特征数据包括目标对象的脉搏特征。
在其中一个实施例中,终端对目标特征数据进行图形化展示。
步骤603,终端将目标特征数据发送到服务器。
步骤604,服务器接收终端发送的目标特征数据。
步骤605,服务器根据预先训练的心脏状态检测模型和目标特征数据进行状态检测,得到心脏状态检测结果。
其中,心脏状态检测结果用于指示目标对象的心脏是否为正常状态。
步骤606,服务器将心脏状态检测结果反馈到终端。
步骤607,终端接收服务器反馈的心脏状态检测结果。
在其中一个实施例中,终端对心脏状态检测结果进行图形化展示。
步骤608,终端确定心脏状态检测结果符合预设报警条件,输出报警信息。
其中,预设报警条件可以包括:连续获取到目标对象的心脏为异常状态的心脏状态检测结果。例如,每隔1分钟接收到一个服务器发送的目标对象的心脏为异常状态的心脏状态检测结果。
终端确定心脏状态检测结果符合预设报警条件后,可以输出语音报警信息,也可以输出振动报警信息。报警信息可以是持续输出直到用户触发停止报警,也可以是只输出一次。本公开实施例对报警方式不做限定。
上述公开实施例中,终端与服务器交互进行心脏状态检测,与现有技术中利用心电图进行心脏状态检测相比,脉搏波采集设备相对便宜,利用脉搏波进行心脏状态检测可以降低检测成本,同时简化检测操作。进一步地,降低检测成本后,可以扩展心脏状态检测的应用范围。
应该理解的是,虽然图2至图8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至图8中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种基于人工智能的心脏状态检测装置,应用于终端,该装置包括:
脉搏波获取模块701,用于获取目标对象的脉搏波数据;
特征分析模块702,用于对目标对象的脉搏波数据进行特征分析得到目标特征数据;目标特征数据包括目标对象的脉搏特征;
结果接收模块703,用于将目标特征数据发送到服务器,并接收服务器反馈的心脏状态检测结果;心脏状态检测结果为服务器根据预先训练的心脏状态检测模型和目标特征数据进行状态检测得到的,心脏状态检测结果用于指示目标对象的心脏是否为正常状态。
在其中一个实施例中,脉搏波数据包括脉搏波时域数据和脉搏波频域数据;上述特征分析模块702包括:
时域分析子模块,用于对目标对象的脉搏波时域数据进行时域分析得到目标时域特征数据;
频域分析子模块,用于对目标对象的脉搏波频域数据进行频域分析得到目标频域特征数据。
在其中一个实施例中,上述时域分析子模块,具体用于根据目标对象的脉搏波时域数据计算多个RR间期的平均值得到间期平均值;根据目标对象的脉搏波时域数据计算多个RR间期的标准差得到间期标准差;根据目标对象的脉搏波时域数据计算多个RR间期的均方根得到间期均方根;根据目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并计算多个差值的标准差得到差值标准差;根据目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并将大于预设时长的差值确定为目标差值,计算目标差值的数量与RR间期的总数量之间的比值得到间期比值。
在其中一个实施例中,上述频域分析子模块,具体用于根据目标对象的脉搏波频域数据,确定幅值最大的脉搏波频域数据所对应的第一频率,并对第一频率进行加倍处理得到第二频率和第三频率;将第一频率、第二频率和第三频率附近预设数量的脉搏波频域数据确定为目标频域特征数据。
在一个实施例中,如图9所示,提供了一种基于人工智能的心脏状态检测装置,应用于服务器,该装置包括:
数据接收模块801,用于接收终端发送的目标特征数据;目标特征数据为终端在获取到目标对象的脉搏波数据后,对目标对象的脉搏波数据进行特征分析得到的;目标特征数据包括目标对象的脉搏特征;
状态检测模块802,用于根据预先训练的心脏状态检测模型和目标特征数据进行心脏状态检测,得到心脏状态检测结果;心脏状态检测结果用于指示目标对象的心脏是否为正常状态;
结果发送模块803,用于将心脏状态检测结果反馈到终端。
在其中一个实施例中,该装置还包括:
样本获取模块,用于获取样本集;样本集包括多个样本特征数据和各样本特征数据的标注;样本特征数据包括训练对象的脉搏特征;标注用于指示训练对象的心脏是否为正常状态;
训练模块,用于基于样本集进行神经网络模型的训练,得到心脏状态检测模型。
在其中一个实施例中,上述样本获取模块,具体用于获取多个训练对象的脉搏波数据和心电图数据;对于各训练对象,对训练对象的脉搏波数据进行特征分析得到样本特征数据;对训练对象的心电图数据进行特征分析得到训练对象的心脏是否为正常状态的标注;根据多个训练对象的样本特征数据和标注得到样本集。
在其中一个实施例中,样本集包括训练样本集、验证样本集和测试样本集;上述训练模块,用于根据神经网络模型的层数范围和神经网络模型中每层的神经元数量范围构建多个初始神经网络模型;基于训练样本集对多个初始神经网络模型进行训练,得到多个候选神经网络模型;基于验证样本集对多个候选神经网络模型进行验证,得到各候选神经网络模型的检测准确率;将检测准确率最高的候选神经网络模型确定为目标神经网络模型,基于测试样本集对目标神经网络模型进行测试,若目标神经网络模型的检测准确率小于预设阈值,则调整目标神经网络模型中的可调参数继续训练,直到目标神经网络模型的检测准确率大于或等于预设阈值时停止训练,并将停止训练时的目标神经网络模型确定为心脏状态检测模型。
关于基于人工智能的心脏状态检测装置的具体限定可以参见上文中对于基于人工智能的心脏状态检测方法的限定,在此不再赘述。上述基于人工智能的心脏状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于人工智能的心脏状态检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标对象的脉搏波数据;
对目标对象的脉搏波数据进行特征分析得到目标特征数据;目标特征数据包括目标对象的脉搏特征;
将目标特征数据发送到服务器,并接收服务器反馈的心脏状态检测结果;心脏状态检测结果为服务器根据预先训练的心脏状态检测模型和目标特征数据进行心脏状态检测得到的,心脏状态检测结果用于指示目标对象的心脏是否为正常状态。
在一个实施例中,脉搏波数据包括脉搏波时域数据和脉搏波频域数据;处理器执行计算机程序时还实现以下步骤:
对目标对象的脉搏波时域数据进行时域分析得到目标时域特征数据;
对目标对象的脉搏波频域数据进行频域分析得到目标频域特征数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据目标对象的脉搏波时域数据计算多个RR间期的平均值得到间期平均值;
根据目标对象的脉搏波时域数据计算多个RR间期的标准差得到间期标准差;
根据目标对象的脉搏波时域数据计算多个RR间期的均方根得到间期均方根;
根据目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并计算多个差值的标准差得到差值标准差;
根据目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并将大于预设时长的差值确定为目标差值,计算目标差值的数量与RR间期的总数量之间的比值得到间期比值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据目标对象的脉搏波频域数据,确定幅值最大的脉搏波频域数据所对应的第一频率,并对第一频率进行加倍处理得到第二频率和第三频率;
将第一频率、第二频率和第三频率附近预设数量的脉搏波频域数据确定为目标频域特征数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标对象的脉搏波数据;
对目标对象的脉搏波数据进行特征分析得到目标特征数据;目标特征数据包括目标对象的脉搏特征;
将目标特征数据发送到服务器,并接收服务器反馈的心脏状态检测结果;心脏状态检测结果为服务器根据预先训练的心脏状态检测模型和目标特征数据进行心脏状态检测得到的,心脏状态检测结果用于指示目标对象的心脏是否为正常状态。
在一个实施例中,脉搏波数据包括脉搏波时域数据和脉搏波频域数据;计算机程序被处理器执行时还实现以下步骤:
对目标对象的脉搏波时域数据进行时域分析得到目标时域特征数据;
对目标对象的脉搏波频域数据进行频域分析得到目标频域特征数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据目标对象的脉搏波时域数据计算多个RR间期的平均值得到间期平均值;
根据目标对象的脉搏波时域数据计算多个RR间期的标准差得到间期标准差;
根据目标对象的脉搏波时域数据计算多个RR间期的均方根得到间期均方根;
根据目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并计算多个差值的标准差得到差值标准差;
根据目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并将大于预设时长的差值确定为目标差值,计算目标差值的数量与RR间期的总数量之间的比值得到间期比值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据目标对象的脉搏波频域数据,确定幅值最大的脉搏波频域数据所对应的第一频率,并对第一频率进行加倍处理得到第二频率和第三频率;
将第一频率、第二频率和第三频率附近预设数量的脉搏波频域数据确定为目标频域特征数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于人工智能的心脏状态检测方法,其特征在于,应用于终端,所述方法包括:
获取目标对象的脉搏波数据;
对所述目标对象的脉搏波数据进行特征分析得到目标特征数据;所述目标特征数据包括所述目标对象的脉搏特征;
将所述目标特征数据发送到服务器,并接收所述服务器反馈的心脏状态检测结果;所述心脏状态检测结果为所述服务器根据预先训练的心脏状态检测模型和所述目标特征数据进行状态检测得到的,所述心脏状态检测结果用于指示所述目标对象的心脏是否为正常状态。
2.根据权利要求1所述的方法,其特征在于,所述脉搏波数据包括脉搏波时域数据和脉搏波频域数据;所述对所述目标对象的脉搏波数据进行特征分析得到目标特征数据,包括:
对所述目标对象的脉搏波时域数据进行时域分析得到目标时域特征数据;
对所述目标对象的脉搏波频域数据进行频域分析得到目标频域特征数据。
3.根据权利要求2所述的方法,其特征在于,所述对所述目标对象的脉搏波时域数据进行时域分析得到目标时域特征数据,包括以下至少一种:
根据所述目标对象的脉搏波时域数据计算多个RR间期的平均值得到间期平均值;
根据所述目标对象的脉搏波时域数据计算多个RR间期的标准差得到间期标准差;
根据所述目标对象的脉搏波时域数据计算多个RR间期的均方根得到间期均方根;
根据所述目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并计算多个所述差值的标准差得到差值标准差;
根据所述目标对象的脉搏波时域数据计算每相邻两个RR间期的差值,并将大于预设时长的差值确定为目标差值,计算所述目标差值的数量与所述RR间期的总数量之间的比值得到间期比值。
4.根据权利要求2所述的方法,其特征在于,所述对所述目标对象的脉搏波频域数据进行频域分析得到目标频域特征数据,包括:
根据所述目标对象的脉搏波频域数据,确定幅值最大的脉搏波频域数据所对应的第一频率,并对所述第一频率进行加倍处理得到第二频率和第三频率;
将所述第一频率、所述第二频率和所述第三频率附近预设数量的脉搏波频域数据确定为所述目标频域特征数据。
5.一种基于人工智能的心脏状态检测方法,其特征在于,应用于服务器,所述方法包括:
接收终端发送的目标特征数据;所述目标特征数据为所述终端在获取到目标对象的脉搏波数据后,对所述目标对象的脉搏波数据进行特征分析得到的;所述目标特征数据包括所述目标对象的脉搏特征;
根据预先训练的心脏状态检测模型和所述目标特征数据进行状态检测,得到心脏状态检测结果;所述心脏状态检测结果用于指示所述目标对象的心脏是否为正常状态;
将所述心脏状态检测结果反馈到所述终端。
6.根据权利要求5所述的方法,其特征在于,在所述根据预先训练的心脏状态检测模型和所述目标特征数据进行状态检测,得到心脏状态检测结果之前,所述方法还包括:
获取样本集;所述样本集包括多个样本特征数据和各所述样本特征数据的标注;所述样本特征数据包括训练对象的脉搏特征;所述标注用于指示所述训练对象的心脏是否为正常状态;
基于所述样本集进行神经网络模型的训练,得到所述心脏状态检测模型。
7.根据权利要求6所述的方法,其特征在于,所述获取样本集,包括:
获取多个所述训练对象的脉搏波数据和心电图数据;
对于各所述训练对象,对所述训练对象的脉搏波数据进行特征分析得到样本特征数据,对所述训练对象的心电图数据进行特征分析得到所述训练对象的心脏是否为正常状态的标注;
根据多个所述训练对象的样本特征数据和标注得到所述样本集。
8.根据权利要求6所述的方法,其特征在于,所述样本集包括训练样本集、验证样本集和测试样本集;所述基于所述样本集进行神经网络模型的训练,得到所述心脏状态检测模型,包括:
根据所述神经网络模型的层数范围和所述神经网络模型中每层的神经元数量范围构建多个初始神经网络模型;
基于所述训练样本集对所述多个初始神经网络模型进行训练,得到多个候选神经网络模型;
基于所述验证样本集对所述多个候选神经网络模型进行验证,得到各所述候选神经网络模型的检测准确率;
将检测准确率最高的候选神经网络模型确定为目标神经网络模型,基于所述测试样本集对所述目标神经网络模型进行测试,若所述目标神经网络模型的检测准确率小于预设阈值,则调整所述目标神经网络模型中的可调参数继续训练,直到所述目标神经网络模型的检测准确率大于或等于所述预设阈值时停止训练,并将停止训练时的目标神经网络模型确定为所述心脏状态检测模型。
9.一种基于人工智能的心脏状态检测装置,其特征在于,应用于终端,所述装置包括:
脉搏波获取模块,用于获取目标对象的脉搏波数据;
特征分析模块,用于对所述目标对象的脉搏波数据进行特征分析得到目标特征数据;所述目标特征数据包括所述目标对象的脉搏特征;
结果接收模块,用于将所述目标特征数据发送到服务器,并接收所述服务器反馈的心脏状态检测结果;所述心脏状态检测结果为所述服务器根据预先训练的心脏状态检测模型和所述目标特征数据进行状态检测得到的,所述心脏状态检测结果用于指示所述目标对象的心脏是否为正常状态。
10.一种基于人工智能的心脏状态检测装置,其特征在于,应用于服务器,所述装置包括:
数据接收模块,用于接收终端发送的目标特征数据;所述目标特征数据为所述终端在获取到目标对象的脉搏波数据后,对所述目标对象的脉搏波数据进行特征分析得到的;所述目标特征数据包括所述目标对象的脉搏特征;
状态检测模块,用于根据预先训练的心脏状态检测模型和所述目标特征数据进行状态检测,得到心脏状态检测结果;所述心脏状态检测结果用于指示所述目标对象的心脏是否为正常状态;
结果发送模块,用于将所述心脏状态检测结果反馈到所述终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110309837.4A CN112957018A (zh) | 2021-03-23 | 2021-03-23 | 基于人工智能的心脏状态检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110309837.4A CN112957018A (zh) | 2021-03-23 | 2021-03-23 | 基于人工智能的心脏状态检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112957018A true CN112957018A (zh) | 2021-06-15 |
Family
ID=76278213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110309837.4A Pending CN112957018A (zh) | 2021-03-23 | 2021-03-23 | 基于人工智能的心脏状态检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112957018A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112971749A (zh) * | 2021-03-23 | 2021-06-18 | 童心堂健康科技(北京)有限公司 | 基于人工智能的疲劳检测方法和装置 |
CN117899351A (zh) * | 2024-03-14 | 2024-04-19 | 生命盾医疗技术(苏州)有限公司 | 流量预测方法、装置、电子设备及存储介质 |
-
2021
- 2021-03-23 CN CN202110309837.4A patent/CN112957018A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112971749A (zh) * | 2021-03-23 | 2021-06-18 | 童心堂健康科技(北京)有限公司 | 基于人工智能的疲劳检测方法和装置 |
CN112971749B (zh) * | 2021-03-23 | 2023-10-17 | 童心堂健康科技(北京)有限公司 | 基于人工智能的疲劳检测方法和装置 |
CN117899351A (zh) * | 2024-03-14 | 2024-04-19 | 生命盾医疗技术(苏州)有限公司 | 流量预测方法、装置、电子设备及存储介质 |
CN117899351B (zh) * | 2024-03-14 | 2024-05-14 | 生命盾医疗技术(苏州)有限公司 | 流量预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sopic et al. | Real-time event-driven classification technique for early detection and prevention of myocardial infarction on wearable systems | |
US20230131876A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
US11147463B2 (en) | Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device | |
Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
US20200155024A1 (en) | Detection of electrocardiographic signal | |
US10980429B2 (en) | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time | |
US11006874B2 (en) | Real-time stress determination of an individual | |
EP2829223A1 (en) | Monitoring physiological parameters | |
CN109009084B (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
CN112957018A (zh) | 基于人工智能的心脏状态检测方法和装置 | |
CN111631704A (zh) | 基于心电与脑电信息结合的糖尿病前期检测***和方法 | |
Vhaduri et al. | Predicting a user's demographic identity from leaked samples of health-tracking wearables and understanding associated risks | |
Mortensen et al. | Multi-class stress detection through heart rate variability: A deep neural network based study | |
US20240099665A1 (en) | Electrocardiogram data processing server, electrocardiogram data processing method of extracting analysis required section while segmenting electrocardiogram signal into signal segments with variable window sizes, and computer program | |
CN116975594A (zh) | 远程心冲击信号的特征提取方法和装置 | |
CN116327133A (zh) | 一种多生理指标检测方法、装置及相关设备 | |
JP6706996B2 (ja) | 生体信号処理装置、異常判別方法およびプログラム | |
Kang et al. | GAN-based patient information hiding for an ECG authentication system | |
CN112971749B (zh) | 基于人工智能的疲劳检测方法和装置 | |
EP3831287A1 (en) | Method and device for capacitive touch panel based biosignal measurement | |
Ekiz et al. | Long short-term memory network based unobtrusive workload monitoring with consumer grade smartwatches | |
CN112022124A (zh) | 生理监测方法、装置、计算机设备和存储介质 | |
US20240008790A1 (en) | Electrocardiogram data processing method, and non-transitory recording medium storing instruction set for executing the method | |
CN117423457B (zh) | 远程健康监测方法及其*** | |
KR102450482B1 (ko) | 의료 데이터 제공 장치, 의료 데이터 제공 방법 및 컴퓨터 프로그램 |
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 |