CN113080907A - 脉搏波信号处理方法及装置 - Google Patents
脉搏波信号处理方法及装置 Download PDFInfo
- Publication number
- CN113080907A CN113080907A CN202110400929.3A CN202110400929A CN113080907A CN 113080907 A CN113080907 A CN 113080907A CN 202110400929 A CN202110400929 A CN 202110400929A CN 113080907 A CN113080907 A CN 113080907A
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- blood pressure
- wave signal
- wave signals
- standard pulse
- 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.)
- Granted
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
- A61B5/021—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
- A61B5/7235—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供了一种脉搏波信号处理方法及装置,该方法包括:获取待处理的脉搏波信号;对脉搏波信号进行预处理,获得标准脉搏波信号;分别通过血压识别模型的频域特征处理子模型提取标准脉搏波信号的关键频域特征,以及通过血压识别模型的时域特征处理子模型提取标准脉搏波信号的关键时域特征;应用血压识别模型的特征融合子模型对关键时域特征以及关键频域特征进行融合,获得标准脉搏波信号的融合特征;应用血压识别模型的输出子模型基于融合特征,获得标准脉搏波信号的血压识别结果。能够提取标准脉搏波信号的关键频域特征以及关键时域特征,进而依据该关键频域特征以及关键时域特征进行血压识别,能够有效的提升血压识别结果的准确率。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种脉搏波信号处理方法及装置。
背景技术
血压是健康监测中最为重要的指标之一,监测血压不但可以监控人们的身体状况还可以预防与生活方式有关的疾病。
相关技术中,是基于先验知识构建血压的特征工程,进而根据获取到的特征作为机器学习模型的输入,从而预测出血压值,然而,由于认知的局限性,通过先验知识无法全面获得影响血压值的相关特征,因此,导致血压的识别结果不准确。
发明内容
本发明所要解决的技术问题是提供一种脉搏波信号处理方法,能够提高血压识别结果的准确率。
本发明还提供了一种脉搏波信号处理装置,用以保证上述方法在实际中的实现及应用。
一种脉搏波信号处理方法,包括:
获取待处理的脉搏波信号;
对所述脉搏波信号进行预处理,获得标准脉搏波信号;
分别通过预先构建的血压识别模型的频域特征处理子模型提取所述标准脉搏波信号的关键频域特征,以及通过所述血压识别模型的时域特征处理子模型提取所述标准脉搏波信号的关键时域特征;
应用所述血压识别模型的特征融合子模型对所述关键时域特征以及所述关键频域特征进行融合,获得所述标准脉搏波信号的融合特征;
应用所述血压识别模型的输出子模型基于所述融合特征,获得所述标准脉搏波信号的血压识别结果。
上述的方法,可选的,所述对所述脉搏波信号进行预处理,获得标准脉搏波信号,包括:
应用预先存储的标准化参数对所述脉搏波信号进行标准化处理,获得标准脉搏波信号,所述标准化参数包括标准脉搏波信号平均值以及标准脉搏波信号标准差。
上述的方法,可选的,所述血压识别模型的构建过程,包括:
获取训练数据集,所述训练数据集包含多个训练脉搏波信号以及每个所述训练脉搏波信号的血压值标签;
利用所述训练数据集训练所述血压识别模型。
上述的方法,可选的,所述频域特征处理子模型包括卷积神经网络以及第一注意力模块;
所述通过预先构建的血压识别模型的频域特征处理模块提取所述标准脉搏波信号的关键频域特征,包括:
通过所述卷积神经网络提取所述标准脉搏波信号的频域特征;
通过所述第一注意力模块对所述频域特征进行筛选,获得所述标准脉搏波信号的关键频域特征。
上述的方法,可选的,所述时域处理子模型包括长短期记忆网络以及第二注意力模块;
所述通过预先构建的血压识别模型的时域特征处理子模型提取所述标准脉搏波信号的关键时域特征,包括:
通过所述长短期记忆网络提取所述所述标准脉搏波信号的时域特征;
通过所述第二注意力模块对所述时域特征进行筛选,获得所述标准脉搏波信号的关键时域特征。
一种脉搏波信号处理装置,包括:
获取单元,用于获取待处理的脉搏波信号;
预处理单元,用于对所述脉搏波信号进行预处理,获得标准脉搏波信号;
特征提取单元,用于分别通过预先构建的血压识别模型的频域特征处理子模型提取所述标准脉搏波信号的关键频域特征,以及通过所述血压识别模型的时域特征处理子模型提取所述标准脉搏波信号的关键时域特征;
特征融合单元,用于应用所述血压识别模型的特征融合子模型对所述关键时域特征以及所述关键频域特征进行融合,获得所述标准脉搏波信号的融合特征;
识别单元,用于应用所述血压识别模型的输出子模型基于所述融合特征,获得所述标准脉搏波信号的血压识别结果。
上述的装置,可选的,所述预处理单元,包括:
标准化处理子单元,用于应用预先存储的标准化参数对所述脉搏波信号进行标准化处理,获得标准脉搏波信号,所述标准化参数包括标准脉搏波信号平均值以及标准脉搏波信号标准差。
上述的装置,可选的,还包括:
训练单元,用于获取训练数据集,所述训练数据集包含多个训练脉搏波信号以及每个所述训练脉搏波信号的血压值标签;利用所述训练数据集训练所述血压识别模型。
上述的装置,可选的,所述频域特征处理子模型包括卷积神经网络以及第一注意力模块;
所述特征提取单元,包括:
第一特征提取子单元,用于通过所述卷积神经网络提取所述标准脉搏波信号的频域特征;
第一特征筛选单元,用于通过所述第一注意力模块对所述频域特征进行筛选,获得所述标准脉搏波信号的关键频域特征。
上述的装置,可选的,所述时域处理子模型包括长短期记忆网络以及第二注意力模块;
所述特征提取单元,包括:
第二特征提取子单元,用于通过所述长短期记忆网络提取所述所述标准脉搏波信号的时域特征;
第二特征筛选子单元,用于通过所述第二注意力模块对所述时域特征进行筛选,获得所述标准脉搏波信号的关键时域特征。
一种存储介质,所述存储介质包括存储指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如上述的脉搏波信号处理方法。
一种电子设备,包括存储器,以及一个或者一个以上的指令,其中一个或一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行如上述的脉搏波信号处理方法。
与现有技术相比,本发明包括以下优点:
本发明提供了一种脉搏波信号处理方法及装置,首先获取待处理的脉搏波信号,对脉搏波信号进行预处理,获得标准脉搏波信号;然后,分别通过预先构建的血压识别模型的频域特征处理子模型提取标准脉搏波信号的关键频域特征,以及通过血压识别模型的时域特征处理子模型提取标准脉搏波信号的关键时域特征;应用血压识别模型的特征融合子模型对关键时域特征以及所述关键频域特征进行融合,获得标准脉搏波信号的融合特征;应用血压识别模型的输出子模型基于所述融合特征,获得标准脉搏波信号的血压识别结果。能够提取标准脉搏波信号的关键频域特征以及关键时域特征,能够全面的获取到脉搏波信号的特征,进而依据获取到的关键频域特征以及关键时域特征进行血压识别,能够有效的提升血压识别结果的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种脉搏波信号处理方法的方法流程图;
图2为本发明提供的一种血压识别模型的结构示例图;
图3为本发明提供的一种血压识别模型的构建过程的流程图;
图4为本发明提供的一种提取标准脉搏波信号的关键频域特征的过程的流程图;
图5为本发明提供的一种提取标准脉搏波信号的关键时域特征的过程的流程图;
图6为本发明提供的一种血压识别模型的又一结构示例图;
图7为本发明提供的一种脉搏波信号处理装置的结构示意图;
图8为本发明提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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他实施例,都属于本发明保护的范围。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例提供了一种脉搏波信号处理方法,该方法可以应用于电子设备,所述方法的方法流程图如图1所示,具体包括:
S101:获取待处理的脉搏波信号。
其中,该脉搏波信号可以为桡动脉压力脉搏波信号RA-PPW,也可以为光电容积脉搏波信号PPG。
S102:对所述脉搏波信号进行预处理,获得标准脉搏波信号。
在本发明实施例中,对脉搏波信号进行预处理的一种可行的方式为应用预先存储的标准化参数对所述脉搏波信号进行标准化处理,获得该脉搏波信号的标准脉搏波信号。
S103:分别通过预先构建的血压识别模型的频域特征处理子模型提取所述标准脉搏波信号的关键频域特征,以及通过所述血压识别模型的时域特征处理子模型提取所述标准脉搏波信号的关键时域特征。
在本发明实施例中,该关键频域特征为识别血压值所需的频域特征,该关键时域特征为识别血压值所需的时域特征。
其中,该血压识别模型的结构示意图参见图2,该血压识别模型包括频域特征处理子模型、时域特征处理子模型、特征融合子模型以及输出子模型。
S104:应用所述血压识别模型的特征融合子模型对所述关键时域特征以及所述关键频域特征进行融合,获得所述标准脉搏波信号的融合特征。
在本发明实施例中,通过融合关键时域特征以及关键频域特征,可以获得标准脉搏波信号中具有区分度的特征。
S105:应用所述血压识别模型的输出子模型基于所述融合特征,获得所述标准脉搏波信号的血压识别结果。
在本发明实施例中,该血压识别结果可以为血压值标签,该输入子模型可以根据融合特征在各个血压值标签中选取出概率最大的血压标签进行输出。
其中,该输出子模型可以为各种类型的分类器。
应用本发明实施例提供的方法,能够提取标准脉搏波信号的关键频域特征以及关键时域特征,能够全面的获取到脉搏波信号的特征,进而依据获取到的关键频域特征以及关键时域特征进行血压识别,能够有效的提升血压识别结果的准确率。
本发明实施例提供的方法中,基于上述的方案,可选的,所述对所述脉搏波信号进行预处理,获得标准脉搏波信号,包括:
应用预先存储的标准化参数对所述脉搏波信号进行标准化处理,获得标准脉搏波信号,所述标准化参数包括标准脉搏波信号平均值以及标准脉搏波信号标准差。
在本发明实施例中,可以通过预先设置的标准化公式对脉搏波信号进行标准化处理,该标准化公式如下:
其中,s′k为标准脉搏波信号,sk为脉搏波信号,μ为标准脉搏波信号平均值,σ为标准脉搏波信号标准差,n为正整数。
可选的,标准脉搏波信号平均值以及标准脉搏波信号标准差可以根据预先采集的多个历史脉搏波信号s1,…,sn得到。
具体的,其中标准化后的信号序列值的服从正态分布。
本发明实施例提供的方法中,基于上述的方案,可选的,所述血压识别模型的构建过程,如图3所示,可以包括:
S301:获取训练数据集,所述训练数据集包含多个训练脉搏波信号以及每个所述训练脉搏波信号的血压值标签。
在本发明实施例中,获取训练数据集的一种可行的方式为:获取至少一个原始脉搏波序列,对每个原始脉搏波序列进行截取,获得多个预设长度的原始脉搏波信号,对每个原始脉搏波信号进行标准化处理,得到训练脉搏波信号,确定每个训练脉搏波信号的血压值,基于每个训练脉搏波的血压值确定该训练脉搏波信号的血压值标签,由每个训练脉搏波信号以及每个训练脉搏波信号的血压值标签组成训练数据集。
S302:利用所述训练数据集训练所述血压识别模型。
在本发明实施例中,可以应用训练数据集中的每个训练脉搏波信号以及每个训练脉搏信号的血压值标签训练该血压识别模型,直至该血压识别模型满足已设定的训练完成条件,该训练完成条件的可以为训练次数大于预先设置的次数阈值,也可以为该血压识别模型的识别准确率大于预先设置的准确率阈值等。
本发明实施例提供的方法中,基于上述的方案,可选的,所述频域特征处理子模型包括卷积神经网络以及第一注意力模块;
所述通过预先构建的血压识别模型的频域特征处理模块提取所述标准脉搏波信号的关键频域特征的过程,如图4所示,可以包括:
S401:通过所述卷积神经网络提取所述标准脉搏波信号的频域特征。
其中,该卷积神经网络可以为一维卷积神经网络1D-CNN,通过采用该1D-CNN,可以提取标准脉搏波信号上的某一方向的平移不变特征,即,能够准确的提取出标准脉搏波信号的频域特征。
S402:通过所述第一注意力模块对所述频域特征进行筛选,获得所述标准脉搏波信号的关键频域特征。
在发明实施例中,该第一注意力模块可以为软注意力机制SAM模块,该频域特征可以为多维向量的形式,该第一注意力模块中设置有频域特征中的每一维度的向量对应的关注权重,通过唯一维度的向量对应的关注权重对该频域特征进行筛选,可以获得该标准脉搏波信号的关键频域特征。
本发明实施例提供的方法中,基于上述的方案,可选的,所述时域处理子模型包括长短期记忆网络以及第二注意力模块;
所述通过预先构建的血压识别模型的时域特征处理子模型提取所述标准脉搏波信号的关键时域特征,如图5所示,包括:
S501:通过所述长短期记忆网络提取所述所述标准脉搏波信号的时域特征。
在本发明实施例中,该长短期记忆网络可以为GRU模型,该标准脉搏波信号为一种时间序列,因此,可以采用该长短期记忆网络提取该标准脉搏波信号的时域特征。
S502:通过所述第二注意力模块对所述时域特征进行筛选,获得所述标准脉搏波信号的关键时域特征。
在本发明实施例中,该第二注意力模块可以为硬注意力机制HAM模块,通过该第二注意力模块可以计算得到一个特征权重,通过该特征权重对该时域特征进行筛选,可以获得该标准脉搏波信号的关键时域特征。
本发明实施例提供的脉搏波信号处理方法,在实际应用过程中,可以将采集的历史数据标注样本后训练血压识别模型,参见图6,为本发明实施例提供的一种血压识别模型的又一结构示例图,具体包括频域特征处理子模型、时域特征处理子模型、特征融合子模型以及输出子模型,该频域特征处理子模型包括卷积神经网络以及第一注意力模块,该时域特征处理子模型包括长短期记忆网络以及第二注意力模块。
将实时采集的固定长度的RA-PPW信号,使用训练集共享的标准化参数进行标准化后作为血压识别模型的输入;获得血压识别模型回归预测输出的血压值标签。
其中,由于RA-PPW信号其常见的整个心动周期信号带宽为0.5-4Hz,呼吸周期信号带宽为0-0.5Hz,其在频域上具有丰富的特征信息,同时RA-PPW信号也是一种时间序列,其也具有丰富的时域特征。因此,充分RA-PPW信号中的时域特征和频域特征进行血压识别,能够提升能够进行连续血压识别的血压识别模型的泛化性能。
具体的,该第一注意力模块可以为SAM模块,第二注意力模型可以为HAM模块,其中,SAM可以对输入向量的所有维度都计算一个关注权重,根据重要性赋予不同的权重,HAM可以针对输入向量计算得到一个唯一的确定权重,在使用RA-PPW信号进行连续血压测量的方法中,CNN具有多个卷积核,每一个卷积核由一个通道表示,也就相当于对输入增加了一个维度,更适合使用SAM;而LSTM的输出跟输入是同一维度的向量,因此使用HAM进行特征筛选更好。
因此,本发明一维的RA-PPW信号进行一维卷积获取到的时频特征通过SAM进行特征筛选,与GRU提取一维RA-PPW信号时域特征通过HAM进行特征筛选,然后通过使用相同单元数的全连接层将两种特征进行融合,最后与实测血压值进行回归。
在本发明实施例中,融合1D-CNN和GRU的特征提取,同时采用注意力机制对融合特征进行重要程度分析得到的血压识别归模型,可以很好的解决单个模型在时频域特征提取存在的不足,以及冗余特征可能导致模型过拟合带来的泛化性能不强问题。
应用本发明实施例提供的方法,能够基于卷积神经网络(CNN)和长短期记忆网络(GRU)提取的特征,提出了软注意力机制下的频域特征筛选和硬注意力机制下的时域特征筛选,然后通过相同全连接单元进行信息融合的深度学习模型FSA-THA,充分利用RA-PPW信号的时频域上的信息,并且,血压识别模型充分利用了各网络的优势,采用CNN提取RA-PPW信号的频域特征,GRU提取RA-PPW信号时序特征,并引入不同注意力机制完成时频信息筛选后进行融合的关键特征提取,获得了RA-PPW信号用以血压测量的最优特征表示,模型避免了人工特征所存在的有区分度特征表达不充分的问题,同时提升了模型的泛化性能,使得本发明提出的模型更适合基于RA-PPW信号的连续血压监测。
与图1所述的方法相对应,本发明实施例还提供了一种脉搏波信号处理装置,用于对图1中方法的具体实现,本发明实施例提供的脉搏波信号处理装置可以应用于电子设备中,其结构示意图如图7所示,具体包括:
获取单元701,用于获取待处理的脉搏波信号;
预处理单元702,用于对所述脉搏波信号进行预处理,获得标准脉搏波信号;
特征提取单元703,用于分别通过预先构建的血压识别模型的频域特征处理子模型提取所述标准脉搏波信号的关键频域特征,以及通过所述血压识别模型的时域特征处理子模型提取所述标准脉搏波信号的关键时域特征;
特征融合单元704,用于应用所述血压识别模型的特征融合子模型对所述关键时域特征以及所述关键频域特征进行融合,获得所述标准脉搏波信号的融合特征;
识别单元705,用于应用所述血压识别模型的输出子模型基于所述融合特征,获得所述标准脉搏波信号的血压识别结果。
应用本发明实施例提供的装置,能够提取标准脉搏波信号的关键频域特征以及关键时域特征,能够全面的获取到脉搏波信号的特征,进而依据获取到的关键频域特征以及关键时域特征进行血压识别,能够有效的提升血压识别结果的准确率。
在本发明提供的一实施例中,基于上述的方案,具体的,所述预处理单元702,包括:
标准化处理子单元,用于应用预先存储的标准化参数对所述脉搏波信号进行标准化处理,获得标准脉搏波信号,所述标准化参数包括标准脉搏波信号平均值以及标准脉搏波信号标准差。
在本发明提供的一实施例中,基于上述的方案,具体的,还包括:
训练单元,用于获取训练数据集,所述训练数据集包含多个训练脉搏波信号以及每个所述训练脉搏波信号的血压值标签;利用所述训练数据集训练所述血压识别模型。
在本发明提供的一实施例中,基于上述的方案,具体的,所述频域特征处理子模型包括卷积神经网络以及第一注意力模块;
所述特征提取单元704,包括:
第一特征提取子单元,用于通过所述卷积神经网络提取所述标准脉搏波信号的频域特征;
第一特征筛选单元,用于通过所述第一注意力模块对所述频域特征进行筛选,获得所述标准脉搏波信号的关键频域特征。
在本发明提供的一实施例中,基于上述的方案,具体的,所述时域处理子模型包括长短期记忆网络以及第二注意力模块;
所述特征提取单元704,包括:
第二特征提取子单元,用于通过所述长短期记忆网络提取所述所述标准脉搏波信号的时域特征;
第二特征筛选子单元,用于通过所述第二注意力模块对所述时域特征进行筛选,获得所述标准脉搏波信号的关键时域特征。
上述本发明实施例公开的脉搏波信号处理装置中的各个单元和模块具体的原理和执行过程,与上述本发明实施例公开的脉搏波信号处理方法相同,可参见上述本发明实施例提供的脉搏波信号处理方法中相应的部分,这里不再进行赘述。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述脉搏波信号处理方法。
本发明实施例还提供了一种电子设备,其结构示意图如图8所示,具体包括存储器801,以及一个或者一个以上的指令802,其中一个或者一个以上指令802存储于存储器801中,且经配置以由一个或者一个以上处理器803执行所述一个或者一个以上指令802进行以下操作:
获取待处理的脉搏波信号;
对所述脉搏波信号进行预处理,获得标准脉搏波信号;
分别通过预先构建的血压识别模型的频域特征处理子模型提取所述标准脉搏波信号的关键频域特征,以及通过所述血压识别模型的时域特征处理子模型提取所述标准脉搏波信号的关键时域特征;
应用所述血压识别模型的特征融合子模型对所述关键时域特征以及所述关键频域特征进行融合,获得所述标准脉搏波信号的融合特征;
应用所述血压识别模型的输出子模型基于所述融合特征,获得所述标准脉搏波信号的血压识别结果。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种脉搏波信号处理方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种脉搏波信号处理方法,其特征在于,包括:
获取待处理的脉搏波信号;
对所述脉搏波信号进行预处理,获得标准脉搏波信号;
分别通过预先构建的血压识别模型的频域特征处理子模型提取所述标准脉搏波信号的关键频域特征,以及通过所述血压识别模型的时域特征处理子模型提取所述标准脉搏波信号的关键时域特征;
应用所述血压识别模型的特征融合子模型对所述关键时域特征以及所述关键频域特征进行融合,获得所述标准脉搏波信号的融合特征;
应用所述血压识别模型的输出子模型基于所述融合特征,获得所述标准脉搏波信号的血压识别结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述脉搏波信号进行预处理,获得标准脉搏波信号,包括:
应用预先存储的标准化参数对所述脉搏波信号进行标准化处理,获得标准脉搏波信号,所述标准化参数包括标准脉搏波信号平均值以及标准脉搏波信号标准差。
3.根据权利要求1所述的方法,其特征在于,所述血压识别模型的构建过程,包括:
获取训练数据集,所述训练数据集包含多个训练脉搏波信号以及每个所述训练脉搏波信号的血压值标签;
利用所述训练数据集训练所述血压识别模型。
4.根据权利要求1所述的方法,其特征在于,所述频域特征处理子模型包括卷积神经网络以及第一注意力模块;
所述通过预先构建的血压识别模型的频域特征处理模块提取所述标准脉搏波信号的关键频域特征,包括:
通过所述卷积神经网络提取所述标准脉搏波信号的频域特征;
通过所述第一注意力模块对所述频域特征进行筛选,获得所述标准脉搏波信号的关键频域特征。
5.根据权利要求1所述的方法,其特征在于,所述时域处理子模型包括长短期记忆网络以及第二注意力模块;
所述通过预先构建的血压识别模型的时域特征处理子模型提取所述标准脉搏波信号的关键时域特征,包括:
通过所述长短期记忆网络提取所述所述标准脉搏波信号的时域特征;
通过所述第二注意力模块对所述时域特征进行筛选,获得所述标准脉搏波信号的关键时域特征。
6.一种脉搏波信号处理装置,其特征在于,包括:
获取单元,用于获取待处理的脉搏波信号;
预处理单元,用于对所述脉搏波信号进行预处理,获得标准脉搏波信号;
特征提取单元,用于分别通过预先构建的血压识别模型的频域特征处理子模型提取所述标准脉搏波信号的关键频域特征,以及通过所述血压识别模型的时域特征处理子模型提取所述标准脉搏波信号的关键时域特征;
特征融合单元,用于应用所述血压识别模型的特征融合子模型对所述关键时域特征以及所述关键频域特征进行融合,获得所述标准脉搏波信号的融合特征;
识别单元,用于应用所述血压识别模型的输出子模型基于所述融合特征,获得所述标准脉搏波信号的血压识别结果。
7.根据权利要求6所述的装置,其特征在于,所述预处理单元,包括:
标准化处理子单元,用于应用预先存储的标准化参数对所述脉搏波信号进行标准化处理,获得标准脉搏波信号,所述标准化参数包括标准脉搏波信号平均值以及标准脉搏波信号标准差。
8.根据权利要求6所述的装置,其特征在于,还包括:
训练单元,用于获取训练数据集,所述训练数据集包含多个训练脉搏波信号以及每个所述训练脉搏波信号的血压值标签;利用所述训练数据集训练所述血压识别模型。
9.根据权利要求6所述的装置,其特征在于,所述频域特征处理子模型包括卷积神经网络以及第一注意力模块;
所述特征提取单元,包括:
第一特征提取子单元,用于通过所述卷积神经网络提取所述标准脉搏波信号的频域特征;
第一特征筛选单元,用于通过所述第一注意力模块对所述频域特征进行筛选,获得所述标准脉搏波信号的关键频域特征。
10.根据权利要求6所述的装置,其特征在于,所述时域处理子模型包括长短期记忆网络以及第二注意力模块;
所述特征提取单元,包括:
第二特征提取子单元,用于通过所述长短期记忆网络提取所述所述标准脉搏波信号的时域特征;
第二特征筛选子单元,用于通过所述第二注意力模块对所述时域特征进行筛选,获得所述标准脉搏波信号的关键时域特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400929.3A CN113080907B (zh) | 2021-04-14 | 2021-04-14 | 脉搏波信号处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400929.3A CN113080907B (zh) | 2021-04-14 | 2021-04-14 | 脉搏波信号处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113080907A true CN113080907A (zh) | 2021-07-09 |
CN113080907B CN113080907B (zh) | 2022-10-25 |
Family
ID=76677357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110400929.3A Active CN113080907B (zh) | 2021-04-14 | 2021-04-14 | 脉搏波信号处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113080907B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114098691A (zh) * | 2022-01-26 | 2022-03-01 | 之江实验室 | 基于混合高斯模型的脉搏波身份认证方法、装置和介质 |
CN114259255A (zh) * | 2021-12-06 | 2022-04-01 | 深圳信息职业技术学院 | 一种基于频域信号与时域信号的模态融合胎心率分类方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180228444A1 (en) * | 2017-02-16 | 2018-08-16 | Tata Consultancy Services Limited | Method and system for detection of coronary artery disease in a person using a fusion approach |
CN108764084A (zh) * | 2018-05-17 | 2018-11-06 | 西安电子科技大学 | 基于空域分类网络和时域分类网络融合的视频分类方法 |
CN109758160A (zh) * | 2019-01-11 | 2019-05-17 | 南京邮电大学 | 一种基于lstm-rnn模型的无创血糖预测方法 |
CN111248879A (zh) * | 2020-02-20 | 2020-06-09 | 电子科技大学 | 一种基于多模态注意力融合的高血压老年人活动分析方法 |
CN111493855A (zh) * | 2020-04-21 | 2020-08-07 | 重庆理工大学 | 个体化心输出量的无创测量***与方法 |
CN111950444A (zh) * | 2020-08-10 | 2020-11-17 | 北京师范大学珠海分校 | 一种基于时空特征融合深度学习网络的视频行为识别方法 |
CN112016473A (zh) * | 2020-08-31 | 2020-12-01 | 国网安徽省电力有限公司电力科学研究院 | 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法 |
CN112274127A (zh) * | 2020-10-28 | 2021-01-29 | 河北工业大学 | 一种基于单路脉搏波的无创连续血压检测方法、装置 |
CN112381011A (zh) * | 2020-11-18 | 2021-02-19 | 中国科学院自动化研究所 | 基于人脸图像的非接触式心率测量方法、***及装置 |
CN112587153A (zh) * | 2020-12-08 | 2021-04-02 | 合肥工业大学 | 一种基于vPPG信号的端到端的非接触房颤自动检测***和方法 |
-
2021
- 2021-04-14 CN CN202110400929.3A patent/CN113080907B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180228444A1 (en) * | 2017-02-16 | 2018-08-16 | Tata Consultancy Services Limited | Method and system for detection of coronary artery disease in a person using a fusion approach |
CN108764084A (zh) * | 2018-05-17 | 2018-11-06 | 西安电子科技大学 | 基于空域分类网络和时域分类网络融合的视频分类方法 |
CN109758160A (zh) * | 2019-01-11 | 2019-05-17 | 南京邮电大学 | 一种基于lstm-rnn模型的无创血糖预测方法 |
CN111248879A (zh) * | 2020-02-20 | 2020-06-09 | 电子科技大学 | 一种基于多模态注意力融合的高血压老年人活动分析方法 |
CN111493855A (zh) * | 2020-04-21 | 2020-08-07 | 重庆理工大学 | 个体化心输出量的无创测量***与方法 |
CN111950444A (zh) * | 2020-08-10 | 2020-11-17 | 北京师范大学珠海分校 | 一种基于时空特征融合深度学习网络的视频行为识别方法 |
CN112016473A (zh) * | 2020-08-31 | 2020-12-01 | 国网安徽省电力有限公司电力科学研究院 | 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法 |
CN112274127A (zh) * | 2020-10-28 | 2021-01-29 | 河北工业大学 | 一种基于单路脉搏波的无创连续血压检测方法、装置 |
CN112381011A (zh) * | 2020-11-18 | 2021-02-19 | 中国科学院自动化研究所 | 基于人脸图像的非接触式心率测量方法、***及装置 |
CN112587153A (zh) * | 2020-12-08 | 2021-04-02 | 合肥工业大学 | 一种基于vPPG信号的端到端的非接触房颤自动检测***和方法 |
Non-Patent Citations (2)
Title |
---|
朱平芳: "《统计学理论前沿》", 31 July 2016 * |
王骞: "脉搏波时频域的连续血压估计研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114259255A (zh) * | 2021-12-06 | 2022-04-01 | 深圳信息职业技术学院 | 一种基于频域信号与时域信号的模态融合胎心率分类方法 |
CN114259255B (zh) * | 2021-12-06 | 2023-12-08 | 深圳信息职业技术学院 | 一种基于频域信号与时域信号的模态融合胎心率分类方法 |
CN114098691A (zh) * | 2022-01-26 | 2022-03-01 | 之江实验室 | 基于混合高斯模型的脉搏波身份认证方法、装置和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113080907B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377911B (zh) | 对话框架下的意图识别方法和装置 | |
EP3136297A1 (en) | System and method for determining information and outliers from sensor data | |
CN113724695B (zh) | 基于人工智能的电子病历生成方法、装置、设备及介质 | |
CN113094578B (zh) | 基于深度学习的内容推荐方法、装置、设备及存储介质 | |
CN113080907B (zh) | 脉搏波信号处理方法及装置 | |
KR102198273B1 (ko) | 머신러닝 기반의 음성데이터 분석 방법, 장치 및 프로그램 | |
CN105139237A (zh) | 信息推送的方法和装置 | |
CN109086265B (zh) | 一种语义训练方法、短文本中多语义词消歧方法 | |
CN111881722B (zh) | 一种跨年龄人脸识别方法、***、装置及存储介质 | |
CN113204969A (zh) | 医疗命名实体识别模型的生成方法、装置和计算机设备 | |
CN111145903A (zh) | 获取眩晕症问诊文本的方法、装置、电子设备及问诊*** | |
CN113724819B (zh) | 医疗命名实体识别模型的训练方法、装置、设备及介质 | |
CN111292851A (zh) | 数据分类方法、装置、计算机设备和存储介质 | |
CN111180025A (zh) | 表示病历文本向量的方法、装置及问诊*** | |
CN113420122A (zh) | 分析文本的方法、装置、设备及存储介质 | |
CN117115581A (zh) | 一种基于多模态深度学习的智能误操作预警方法及*** | |
CN112926332A (zh) | 一种实体关系联合抽取方法及装置 | |
CN114218427A (zh) | 语音质检分析方法、装置、设备及介质 | |
CN117198468A (zh) | 基于行为识别和数据分析的干预方案智慧化管理*** | |
CN116663536B (zh) | 一种临床诊断标准词的匹配方法及装置 | |
CN111797194B (zh) | 文本风险检测方法、装置、电子设备及存储介质 | |
CN116486840A (zh) | 一种基于自然语音的抑郁症自动评估*** | |
CN111259698A (zh) | 用于获取图像的方法及装置 | |
CN114495224A (zh) | 一种信贷风险确定方法及装置 | |
CN115687910A (zh) | 一种数据处理方法、装置、计算机设备以及可读存储介质 |
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 |