CN115381438A - 生命体征信号的重建方法、装置、计算机设备和存储介质 - Google Patents

生命体征信号的重建方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115381438A
CN115381438A CN202211016863.9A CN202211016863A CN115381438A CN 115381438 A CN115381438 A CN 115381438A CN 202211016863 A CN202211016863 A CN 202211016863A CN 115381438 A CN115381438 A CN 115381438A
Authority
CN
China
Prior art keywords
signal
body motion
motion artifact
normal
reconstruction
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
Application number
CN202211016863.9A
Other languages
English (en)
Other versions
CN115381438B (zh
Inventor
张涵
曾启正
叶颂斌
朱玮玮
高佳宁
庞志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGDONG JUNFENG BFS INDUSTRY CO LTD
Original Assignee
South China Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China Normal University filed Critical South China Normal University
Priority to CN202211016863.9A priority Critical patent/CN115381438B/zh
Publication of CN115381438A publication Critical patent/CN115381438A/zh
Application granted granted Critical
Publication of CN115381438B publication Critical patent/CN115381438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1102—Ballistocardiography
    • 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
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A61B5/7214—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using signal cancellation, e.g. based on input of two identical physiological sensors spaced apart, or based on two signals derived from the same sensor, for different optical wavelengths

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Cardiology (AREA)
  • Dentistry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请涉及一种生命体征信号的重建方法、装置、计算机设备和存储介质，该方法包括：获取生命体征信号；生命体征信号包括至少一个体动伪迹信号、第一正常信号以及第二正常信号；根据第一正常信号以及第二正常信号，判断体动伪迹信号是否可以重建；若体动伪迹信号可以重建，将第一正常信号、第二正常信号输入至预设的体动伪迹信号重建模型中，获得体动伪迹信号对应的重建信号，将重建信号替换生命体征信号中相应的体动伪迹信号，获得重建后的生命体征信号，提高了生命体征信号重建的准确性。

Description

生命体征信号的重建方法、装置、计算机设备和存储介质
技术领域
本申请涉及信号处理技术领域，特别是涉及一种生命体征信号的重建方法、装置、计算机设备和存储介质。
背景技术
心冲击图(Ballistocardiogram，BCG)信号是基于无扰式传感器信号采集设备获取的一种能反应人体心脏功能的信号，它的产生机制是心脏泵血收缩，血液快速冲击血管而使得人体产生细微的颤抖。BCG信号是一种微弱的力信号，可以在非直接接触的情况下通过压力传感器将力信号转换为电信号，实现对用户生命体征信号的勿扰采集。
由产生机制可看出，BCG信号与人体心脏功能密切相关，但也同时固有存在以下特点：(1)鲁棒性差：由于人体各器官的代谢运动产生的微振会对BCG信号有干扰，采集的BCG形态不稳定；(2)个体差异明显：BCG信号形态会随着人的生理状况不同导致心脏活动状况不同产生差异；(3)环境因素影响大：由于BCG信号是通过压力传感器采集的，患者的心脏与传感器距离的远近会影响采集信号的采集质量。
结合以上特点，导致BCG信号在采集过程中，极易受到非接触设备一并采集到的体动伪迹的干扰，导致部分片段波形被破坏，而严重影响了后续进一步的心搏定位和HRV等处理和分析。然而，现有技术中，对被体动伪迹破坏的信号进行重建，以获得原始的正常信号，准确性不高。
发明内容
基于此，本发明的目的在于，提供一种生命体征信号的重建方法、装置、计算机设备和存储介质，其具有提高生命体征信号重建的准确性的优点。
根据本申请实施例的第一方面，提供一种生命体征信号的重建方法，包括如下步骤：
获取生命体征信号；所述生命体征信号包括至少一个体动伪迹信号、第一正常信号以及第二正常信号；所述第一正常信号为所述体动伪迹信号之前的且与所述体动伪迹信号相邻的连续正常信号，所述第二正常信号为所述体动伪迹信号之后的且与所述体动伪迹信号相邻的连续正常信号；
根据所述第一正常信号以及所述第二正常信号，判断所述体动伪迹信号是否可以重建；
若所述体动伪迹信号可以重建，将所述第一正常信号、所述第二正常信号输入至预设的体动伪迹信号重建模型中，获得所述体动伪迹信号对应的重建信号。
根据本申请实施例的第二方面，提供一种生命体征信号的重建装置，包括：
信号获取模块，用于获取生命体征信号；所述生命体征信号包括至少一个体动伪迹信号、第一正常信号以及第二正常信号；所述第一正常信号为所述体动伪迹信号之前的且与所述体动伪迹信号相邻的连续正常信号，所述第二正常信号为所述体动伪迹信号之后的且与所述体动伪迹信号相邻的连续正常信号；
信号判断模块，用于根据所述第一正常信号以及所述第二正常信号，判断所述体动伪迹信号是否可以重建；
信号重建模块，用于若所述体动伪迹信号可以重建，将所述第一正常信号、所述第二正常信号输入至预设的体动伪迹信号重建模型中，获得所述体动伪迹信号对应的重建信号；
信号替换模块，用于将所述重建信号替换所述生命体征信号中相应的体动伪迹信号，获得重建后的生命体征信号。
根据本申请实施例的第三方面，提供一种计算机设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如上述任意一项所述的生命体征信号的重建方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的生命体征信号的重建方法。
本申请实施例通过获取生命体征信号；所述生命体征信号包括至少一个体动伪迹信号、第一正常信号以及第二正常信号；所述第一正常信号为所述体动伪迹信号之前的且与所述体动伪迹信号相邻的连续正常信号，所述第二正常信号为所述体动伪迹信号之后的且与所述体动伪迹信号相邻的连续正常信号；根据所述第一正常信号以及所述第二正常信号，判断所述体动伪迹信号是否可以重建；若所述体动伪迹信号可以重建，将所述第一正常信号、所述第二正常信号输入至预设的体动伪迹信号重建模型中，获得所述体动伪迹信号对应的重建信号，将所述重建信号替换所述生命体征信号中相应的体动伪迹信号，获得重建后的生命体征信号，提高了生命体征信号重建的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的生命体征信号的重建方法的流程示意图；
图2为本申请一个实施例提供的生命体征信号的重建方法中步骤S20的流程示意图；
图3为本申请另一个实施例提供的生命体征信号的重建方法中步骤S20的流程示意图；
图4为本申请一个实施例提供的生命体征信号的重建方法中步骤S1的流程示意图；
图5为本申请一个实施例提供的生命体征信号的重建方法中步骤S30的流程示意图；
图6为本申请一个实施例提供的生命体征信号的重建方法中步骤S303的流程示意图；
图7为本申请一个实施例提供的生命体征信号的重建装置的结构框图；
图8为本申请一个实施例提供的电子设备的结构示意框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
实施例1
请参阅图1，本发明实施例提供一种生命体征信号的重建方法，包括的步骤如下：
S10：获取生命体征信号；所述生命体征信号包括至少一个体动伪迹信号、第一正常信号以及第二正常信号；所述第一正常信号为所述体动伪迹信号之前的且与所述体动伪迹信号相邻的连续正常信号，所述第二正常信号为所述体动伪迹信号之后的且与所述体动伪迹信号相邻的连续正常信号。
在本申请实施例中，所述生命体征信号的重建方法的执行主体为生命体征信号的重建设备(以下简称重建设备)，重建设备可以是一台计算机设备，可以是服务器，或多台计算机设备联合而成的服务器机群。
重建设备可以通过在预设的数据库中进行查询，获取用户的生命体征信号。重建设备也可以采用无扰式传感器实时采集用户的生命体征信号。其中，无扰式传感器包括信号采集模块和数据存储模块。
具体地，信号采集模块放置于用户枕头下放，用户枕在枕头上入睡，用户由于心脏活动、呼吸活动等使身体产生微振，重心发生偏移，产生力信号。信号采集模块可将力信号转换为模拟电信号，随后通过内置的滤波电路、放大电路以及A/D转换电路，对模拟电信号进行滤波、放大、A/D转换变为采样率为1000Hz的数字信号，即为用户的生命体征信号。其中，生命体征信号包括时序连续的若干个正常信号和至少一个体动伪迹信号。
以某个体动伪迹信号为例，获取与该体动伪迹信号之前的在时序上相邻的连续正常信号，即第一正常信号，例如，第一正常信号的信号长度为6s。获取与该体动伪迹信号之后的在时序上相邻的连续正常信号，即第二正常信号，例如，第二正常信号的信号长度为7s。将所述第一正常信号记为sig_left，将所述第二正常信号记为sig_right。
S20：根据所述第一正常信号以及所述第二正常信号，判断所述体动伪迹信号是否可以重建。
在本申请实施例中，可以根据第一正常信号以及所述第二正常信号的信号长度以及信号质量来判断体动伪迹信号重建的可行性。若信号长度过短，则无法有效将体动伪迹信号恢复至原始正常信号。若信号质量差，即使准确恢复体动伪迹信号，对于后续的信号处理也不会起到任何作用。
S30：若所述体动伪迹信号可以重建，将所述第一正常信号、所述第二正常信号输入至预设的体动伪迹信号重建模型中，获得所述体动伪迹信号对应的重建信号。
在本申请实施例中，预设的体动伪迹信号重建模型为一种深度学习模型，具体地，为一生成式对抗网络(GAN，Generative Adversarial Networks)，包括生成器和判别器。生成器(Generator)通过接收体动伪迹前边和后边的正常信号，对体动伪迹信号进行重建，将体动伪迹信号恢复至原始正常信号。
判别器(Discriminator)分别接收真实的原信号，以及生成器生成的信号，用于判别两者是否一致。在训练过程中，生成器的目标就是尽量生成真实的信号去欺骗判别器。而判别器的目标就是尽量把生成网络生成的信号和真实的信号区分开来。这样，生成器和判别器构成了一个动态的“博弈过程”。最后博弈的结果是：在最理想的状态下生成器可以生成足以“以假乱真”的信号。对于判别器来说，它难以判定生成器生成的信号究竟是不是真实的。
在判断体动伪迹信号可以重建后，将所述第一正常信号输入至预设的体动伪迹信号重建模型中，可以获得前向预测的重建信号；将所述第二正常信号输入至预设的体动伪迹信号重建模型中，可以获得后向预测的重建信号。将前向预测的重建信号与后向预测的重建信号求平均，从而获得体动伪迹信号对应的重建信号。在判断体动伪迹信号不可以重建后，则跳过该体动伪迹信号，对下一个体动伪迹信号进行是否可以重建判断。
S40：将所述重建信号替换所述生命体征信号中相应的体动伪迹信号，获得重建后的生命体征信号。
在本申请实施例中，将生命体征信号中所有可以重建的体动伪迹信号通过对应的重建信号进行替换，获得重建后的生命体征信号。
应用本申请实施例，通过获取生命体征信号；所述生命体征信号包括至少一个体动伪迹信号、第一正常信号以及第二正常信号；所述第一正常信号为所述体动伪迹信号之前的且与所述体动伪迹信号相邻的连续正常信号，所述第二正常信号为所述体动伪迹信号之后的且与所述体动伪迹信号相邻的连续正常信号；根据所述第一正常信号以及所述第二正常信号，判断所述体动伪迹信号是否可以重建；若所述体动伪迹信号可以重建，将所述第一正常信号、所述第二正常信号输入至预设的体动伪迹信号重建模型中，获得所述体动伪迹信号对应的重建信号，将所述重建信号替换所述生命体征信号中相应的体动伪迹信号，获得重建后的生命体征信号。本申请通过预设的体动伪迹信号重建模型提取体动伪迹前后正常信号的时序特征和形态特征，根据前后正常信号对体动伪迹信号进行前后双向重建，获得体动伪迹信号对应的重建信号，提高了生命体征信号重建的准确性。
在一个可选的实施例中，请参阅图2，所述步骤S20包括步骤S201～S202，具体如下：
S201：获取所述第一正常信号的第一信号长度以及所述第二正常信号的第二信号长度；
S202：若所述第一信号长度以及所述第二信号长度均大于或等于第一预设信号长度，确定所述体动伪迹信号可以重建。
在本申请实施例中，第一预设信号长度为5s，第一正常信号的第一信号长度或第二正常信号的第二信号长度均大于或等于5s，则确定该体动伪迹信号可以重建。若第一正常信号的第一信号长度或第二正常信号的第二信号长度小于5s，则跳过该体动伪迹信号的重建。通过体动伪迹前后正常信号的信号长度，判断体动伪迹信号是否有重建的可行性，可以自动快捷地筛选可重建的体动伪迹信号。
在一个可选的实施例中，请参阅图3，所述步骤S20包括步骤S203～S204，具体如下：
S203：分别计算所述第一正常信号和所述第二正常信号的样本熵、一阶标准差以及二阶标准差；
S204：若所述样本熵均小于预设的第一样本熵阈值且所述样本熵均大于预设的第二样本熵阈值、所述一阶标准差均小于预设的一阶标准差阈值、以及所述二阶标准差均小于预设的二阶标准差阈值，确定所述体动伪迹信号可以重建。
其中，样本熵(Sample Entropy)是通过度量信号中产生新模式的概率大小来衡量时间序列复杂性，新模式产生的概率越大，序列的复杂性就越大。计算样本熵的方法为现有技术，在此不再赘述。
在本申请实施例中，以第一正常信号的第一信号长度为6s，第二正常信号的第二信号长度为7s为例，对第一正常信号和第二正常信号分别计算样本熵，分别记为sam_left和sam_right。将第一正常信号分为6个1s信号片段，计算第一正常信号的一阶标准差分别为[std_left1，std_left2，…，std_left6]。将这6个一阶标准差计算标准差，获得第一正常信号的二阶标准差，记为std2_left。将第二正常信号分为7个1s信号片段，计算第二正常信号的一阶标准差分别为[std_right1，std_right2，…，std_right7]。将这7个一阶标准差计算标准差，获得第二正常信号的二阶标准差，记为std2_right。
设定经验阈值进行信号质量划分，其中，预设的第一样本熵阈值为样本熵上限阈值，记为thr_max_sam，预设的第二样本熵阈值为样本熵下限阈值为thr_min_sam，预设的一阶标准差阈值thr_std1，预设的二阶标准差阈值为thr_std2。由于样本熵描述的是信号的时序复杂度，信号质量越差的波形，信号时序越凌乱和复杂，样本熵也就越大，因此样本熵小于样本熵上限阈值则判为信号质量较好，另外需要注意的是部分信号由于受试者离床，导致波形为一条直线，样本熵极小，因此设置了样本熵下限阈值，以防止这种情况被归类为正常信号。其次一阶标准差仅取最大值与thr_std1比较，保证每个1s信号片段的离散程度小于一阶标准差阈值thr_std1即可认为各信号片段为信号质量较好的正常信号。二阶标准差衡量的是每个1s信号片段的一阶标准差的离散程度，如果该值比较大，说明信号波动较严重，可能存在心律失常等导致的前后信号形态或时序异常的情况，因此只有在二阶标准差小于二阶标准差阈值thr_std2才认为体动伪迹信号可以重建。
在本申请实施例中，若所述第一正常信号和所述第二正常号的样本熵均小于预设的第一样本熵阈值且所述样本熵均大于预设的第二样本熵阈值、所述一阶标准差均小于预设的一阶标准差阈值、以及所述二阶标准差均小于预设的二阶标准差阈值，确定所述体动伪迹信号可以重建；若所述第一正常信号和所述第二正常号的样本熵、一阶标准差、二阶标准差的其中一个不满足预设阈值，则判断体动伪迹信号不可以重建。
可选的，先判断第一正常信号和第二正常信号的信号长度，若信号长度均满足第一预设信号长度，再判断第一正常信号和第二正常信号的信号质量，通过信号长度和信号质量两者结合，来判断体动伪迹信号是否可以重建。
通过样本熵、一阶标准差以及二阶标准差判断体动伪迹信号是否有重建的必要性，防止对信号质量较差的片段重建，导致原信号序列的时序性被进一步破坏。
在一个可选的实施例中，所述步骤S30之前，包括步骤S1～S7，具体如下：
S1：获取若干个第二预设信号长度的正常信号样本数据。
在本申请实施例中，第二预设信号长度为6s。
S2：将所述正常信号样本数据划分为时序上连续的第一样本数据和第二样本数据；所述第一样本数据的信号长度为第一预设信号长度，所述第二样本数据的信号长度为所述第二预设信号长度与所述第一预设信号长度的差。
在本申请实施例中，将6s的正常信号样本数据划分为前5s的信号片段(第一样本数据)和后1s的信号片段(第二样本数据)。
S3：将所述第一样本数据作为生成对抗网络中生成器的输入，获得所述生成器的第一预测结果，将所述第一预测结果和所述第二样本数据均作为所述生成对抗网络中判别器的输入，获得所述判别器的第一判别结果。
在本申请实施例中，将5s的第一样本数据输入至生成器，获得1s的第一预测结果，将1s的第一预测结果和1s的第二样本数据输入至判别器，获得第一判别结果。
S4：将所述正常信号样本数据划分为时序上连续的第三样本数据和第四样本数据；所述第三样本数据的信号长度为第三预设信号长度，所述第四样本数据的信号长度为所述第二预设信号长度与所述第三预设信号长度的差。
在本申请实施例中，将6s的正常信号样本数据划分为前1s的信号片段(第三样本数据)和后5s的信号片段(第四样本数据)。
S5：将所述第四样本数据作为所述生成器的输入，获得所述生成器的第二预测结果，将所述第二预测结果和所述第三样本数据均作为所述判别器的输入，获得所述判别器的第二判别结果。
在本申请实施例中，将5s的第四样本数据输入至生成器，获得1s的第二预测结果，将1s的第二预测结果和1s的第三样本数据输入至判别器，获得第二判别结果。
S6：不断训练所述生成器和所述判别器，直至所述第一判别结果和所述第二判别结果达到预设阈值，获得训练好的生成对抗网络；
S7：将所述训练好的生成对抗网络作为预设的体动伪迹信号重建模型。
在本申请实施例中，生成器包括门控循环单元和全卷积网络，判别器采用多层感知机(Multilayer Perceptron，MLP)模型，包括输入层、隐藏层和输出层。判别器的判别结果计算公式如下：
ReLU(x)＝max(0，x)
h[n]＝ReLU(w[0]·x[0]+w[1]·x[1]+...+w[p]·x[p]+b)
Figure BDA0003812868550000081
其中，ReLU是激活函数，w和v是权重参数，b是偏置参数，h[n]是隐藏层结果，
Figure BDA0003812868550000082
是输出层输出的判别结果。
生成对抗网络的目标函数，具体如下：
Figure BDA0003812868550000083
其中，
Figure BDA0003812868550000084
表示分布函数的期望值，pdata表示真实数据的分布，pz(x)表示模型输入数据的分布。
其中，判别器D的目标函数具体如下：
Figure BDA0003812868550000085
当真实数据标签为1，生成数据标签为0时，我们期望真实数据越来越接近于1，也就是说使得D(x)为1，而生成的数据越来越接近于0，D(G(x))＝0，所以目标函数会增大。
生成器G的目标函数具体如下：
Figure BDA0003812868550000086
生成器是对生成数据的期望，我们期望D(G(x))趋向于1，因为真实标签为1，所以使得目标函数减小。生成器在训练时，判别器是需要固定的。生成器和判别器分别进行训练，交替进行。生成器和判别器互相博弈，判别器希望能够判别出生成数据，而生成器又在不断地优化网络，使得数据越来越逼真，从而获得训练好的生成器和判别器，即训练好的生成对抗网络，将所述训练好的生成对抗网络作为预设的体动伪迹信号重建模型。
在一个可选的实施例中，请参阅图4，所述步骤S1包括步骤S101～S104，具体如下：
S101：获取用户整晚的生命体征信号样本数据；
S102：对所述生命体征信号样本数据进行降采样，去除降采样后的所述生命体征信号进行体动伪迹信号、工频干扰以及高频噪声的滤除，获得正常信号样本数据。
在本申请实施例中，对生命体征信号样本数据进行降采样，具体地，对生命体征信号样本数据进行间隔采样，例如，每10个信号点采样一次，由于生命体征信号样本数据的采样率为1000Hz，从而获得降采样后采样率为100Hz的生命体征信号样本数据。
由于生命体征信号样本数据中存在体动伪迹、工频干扰以及高频噪声等干扰，人工剔除体动伪迹后，通过截止频率为10Hz的六阶巴特沃斯低通滤波器，去除工频干扰及高斯加性噪声，获得正常信号样本数据。
S103：根据第二预设信号长度，对所述正常信号样本数据进行滑窗分割，获得分割后的正常信号样本数据。
在本申请实施例中，预设的第二信号长度为6s，将正常信号样本数据按顺序以1s为步进，滑窗分割成一个一个6s片段(包括600个信号点)。
S104：对所述分割后的正常信号样本数据进行Z-Score标准化操作，获得若干个第二预设信号长度的正常信号样本数据。
在本申请实施例中，对每个6s片段进行去均值和除以标准差的Z-Score标准化操作，获得若干个正常信号样本片段。其中，Z-Score标准化操作的计算公式如下：
Figure BDA0003812868550000091
其中，z是每个信号点经过Z-Score标准化操作后的信号幅度，x是每个信号点的信号幅度，μ是6s片段内所有信号点的信号幅度平均值，σ是6s片段内所有信号点的信号幅度标准差。
通过Z-Score标准化操作，使得每个信号点的信号幅度在0范围上下波动，且波动范围较统一，从而可以减少不同用户之间心冲击信号幅度范围上的差异性，尽可能使每个信号片段的幅值控制在相同的范围内变化。
在一个可选的实施例中，请参阅图5，所述步骤S30包括步骤S301～S312，具体如下：
S301：将所述体动伪迹信号划分为若干个时序连续的第三预设信号长度的体动伪迹信号单元。
其中，第三预设信号长度为1s。若体动伪迹信号为1s，则体动伪迹信号本身为一个体动伪迹信号单元。若体动伪迹信号为1s以上，则将体动伪迹信号划分为若干个1s的体动伪迹信号单元。例如，体动伪迹信号为2s，则将体动伪迹信号划分为两个1s的体动伪迹信号单元，体动伪迹信号为2.5s，则将体动伪迹信号划分为三个1s的体动伪迹信号单元。在本申请实施例中，以体动伪迹信号为3s进行说明，将体动伪迹信号划分为三个1s的体动伪迹信号单元。
S302：从所述第一正常信号中选取第三正常信号；其中，所述第三正常信号为与所述体动伪迹信号在时序上连续的第一预设信号长度的正常信号。
在本申请实施例中，第一预设信号长度为5s，从6s的第一正常信号中选取后5s信号片段，作为第三正常信号。
S303：将所述第三正常信号输入至预设的体动伪迹信号重建模型，获得第一个体动伪迹信号单元的第一重建信号。
在本申请实施例中，将5s的第三正常信号输入至预设的体动伪迹信号重建模型，重建体动伪迹信号的第1s信号片段，也即，获得第一个体动伪迹信号单元的第一重建信号。
S304：从所述第三正常信号中选取第四正常信号，将所述第四正常信号与所述第一个体动伪迹信号单元的第一重建信号拼接后，输入至预设的体动伪迹信号重建模型，获得第二个体动伪迹信号单元的第一重建信号；其中，所述第四正常信号为与所述第一个体动伪迹信号单元在时序上连续的正常信号，所述第四正常信号的信号长度为所述第一预设信号长度与所述第三预设信号长度的差。
在本申请实施例中，从5s的第三正常信号中选取后4s信号片段，作为第四正常信号。将4s的第四正常信号和1s的第一个体动伪迹信号单元的第一重建信号拼接，获得5s的信号片段，将这5s的信号片段输入至预设的体动伪迹信号重建模型，重建体动伪迹信号的第2s信号片段，也即，获得第二个体动伪迹信号单元的第一重建信号。
S305：从所述第四正常信号中选取第五正常信号，将所述第五正常信号与所述第一个体动伪迹信号单元的第一重建信号、所述第二个体动伪迹信号单元的第一重建信号拼接后，输入至预设的体动伪迹信号重建模型，获得下一个体动伪迹信号单元的第一重建信号；其中，所述第五正常信号为与所述第一个体动伪迹信号单元在时序上连续的正常信号，所述第五正常信号的信号长度为所述第一预设信号长度与二倍所述第三预设信号长度的差；
S306：直至确定所有体动伪迹信号单元的第一重建信号。
同样地，从4s的第四正常信号中选取后3s信号片段，作为第五正常信号。将3s的第五正常信号和1s的第一个体动伪迹信号单元的第一重建信号、1s的第二个体动伪迹信号单元的第一重建信号拼接，获得5s的信号片段，将这5s的信号片段输入至预设的体动伪迹信号重建模型，重建体动伪迹信号的第3s信号片段，也即，获得第三个体动伪迹信号单元的第一重建信号。
S307：从所述第二正常信号中选取第六正常信号；其中，所述第六正常信号为与所述体动伪迹信号在时序上连续的第一预设信号长度的正常信号。
在本申请实施例中，从7s的第二正常信号中选取前5s信号片段，作为第六正常信号。
S308：将所述第六正常信号输入至预设的体动伪迹信号重建模型，获得倒数第一个体动伪迹信号单元的第二重建信号。
在本申请实施例中，将5s的第六正常信号输入至预设的体动伪迹信号重建模型，重建体动伪迹信号的最后1s信号片段，获得倒数第一个体动伪迹信号单元的第二重建信号。
S309：从所述第六正常信号中选取第七正常信号，将所述第七正常信号与所述倒数第一个体动伪迹信号单元的第二重建信号拼接后，输入至预设的体动伪迹信号重建模型，获得倒数第二个体动伪迹信号单元的第二重建信号；其中，所述第七正常信号为与所述倒数第一个体动伪迹信号单元在时序上连续的正常信号，所述第七正常信号的信号长度为所述第一预设信号长度与所述第三预设信号长度的差。
在本申请实施例中，从5s的第六正常信号中选取前4s信号片段，作为第七正常信号。将4s的第七正常信号和1s的倒数第一个体动伪迹信号单元的第二重建信号拼接，获得5s的信号片段，将这5s的信号片段输入至预设的体动伪迹信号重建模型，获得倒数第二个体动伪迹信号单元的第二重建信号。
S310：从所述第七正常信号中选取第八正常信号，将所述第八正常信号与所述倒数第一个体动伪迹信号单元的第二重建信号、所述倒数第二个体动伪迹信号单元的第二重建信号拼接后，输入至预设的体动伪迹信号重建模型，获得上一个体动伪迹信号单元的第二重建信号；其中，所述第八正常信号为与所述倒数第一个体动伪迹信号单元在时序上连续的正常信号，所述第八正常信号的信号长度为所述第一预设信号长度与二倍所述第三预设信号长度的差；
S311：直至确定所有体动伪迹信号单元的第二重建信号。
同样地，从4s的第七正常信号中选取前3s信号片段，作为第八正常信号。将3s的第八正常信号和1s的倒数第一个体动伪迹信号单元的第二重建信号、1s的倒数第二个体动伪迹信号单元的第二重建信号拼接，获得5s的信号片段，将这5s的信号片段输入至预设的体动伪迹信号重建模型，获得倒数第三个体动伪迹信号单元的第一重建信号。
S312：将所有体动伪迹信号单元的第一重建信号和第二重建信号求平均，将平均结果作为所述体动伪迹信号对应的重建信号。
在本申请实施例中，在获得三个体动伪迹信号单元的第一重建信号和第二重建信号后，将每个体动伪迹信号单元的第一重建信号和第二重建信号求平均，从而获得体动伪迹信号对应的重建信号。
在一个可选的实施例中，预设的体动伪迹信号重建模型包括生成器，所述生成器包括门控循环单元和全卷积神经网络，请参阅图6，所述步骤S303包括步骤S3031～S3032，具体如下：
S3031：将所述第三正常信号输入至所述门控循环单元，获得时序特征向量；
门控循环单元(Gated recurrent unit，简称GRU)是一种常见的循环神经网络(Recurrent neural network，简称RNN)改进型，它是一种基于门的循环单元，包括更新门和重置门，更新门用于控制前边记忆信息能够继续保留到当前时刻的数据量，或者说决定有多少之前时间步的信息和当前时间步的信息要被继续传递到未来。重置门用于决定要忘记多少过去的信息，其控制当前信息和记忆信息的数据量，并生成新的记忆信息继续向前传递。
将5s的第三正常信号输入所述全卷积神经网络进行形态特征提取，获得第三正常信号对应的时序特征向量，具体的公式如下：
zt＝σ(Wz·[ht-1，xt])
rt＝σ(Wr·[ht-1，xt])
Figure BDA0003812868550000121
Figure BDA0003812868550000122
其中，zt是更新门当前时间步t的输出，rt是重置门当前时间步t的输出，xt是当前时间步t输入的生命体征信号片段对应的一维输入向量，ht-1是上一时间步t-1的输出的时序特征向量，
Figure BDA0003812868550000123
是当前时间步t输出的中间结果，ht是当前时间步t输出的时序特征向量，Wz是更新门的权重参数，Wr是重置门的权重参数，W是计算中间结果对应的权重参数，σ是sigmoid激活函数，tanh是tanh激活函数，[，]为向量拼接操作。
S3032：将所述第三正常信号输入至所述全卷积神经网络，获得形态特征向量。
卷积神经网络(Convolutional Neural Network,简称CNN)常用于图像和时间序列等对象的特征提取。全卷积网络(Fully Convolutional Networks，FCN)由多层卷积块组成，这些卷积块可能具有不同或相同的卷积核大小。将5s的第三正常信号输入所述全卷积神经网络进行形态特征提取，获得第三正常信号对应的形态特征向量，具体的公式如下：
y＝W′*x+b
z＝BN(y)
Out＝Relu(z)
其中，x表示第三正常信号对应的一维输入向量，W’是一维卷积核的权重参数，b是偏置参数，y是卷积核的输出向量，z是对卷积核应用批量归一化操作后(BatchNormalization)的中间结果，然后将z传递给线性整流函数ReLU，以计算卷积核Out的输出，获得形态特征向量。
S3033：将所述时序特征向量和所述形态特征向量进行拼接，将拼接结果输入至全连接层，获得第一个体动伪迹信号单元对应的第一重建信号。
在本申请实施例中，将所述时序特征向量和所述形态特征向量进行拼接，将拼接结果输入至全连接层，输出1s片段(100个数据点)，即第一个体动伪迹信号单元对应的第一重建信号。
在本申请实施例中，关于步骤S304～S306，步骤S308～S311中获得各个体动伪迹信号单元对应的第一重建信号和第二重建信号的过程，可参考步骤S3031～S3033，在此不再赘述。
实施例2
相应于上述方法实施例，请参阅7，本发明实施例提供一种生命体征信号的重建装置4，包括：
信号获取模块41，用于获取生命体征信号；所述生命体征信号包括至少一个体动伪迹信号、第一正常信号以及第二正常信号；所述第一正常信号为所述体动伪迹信号之前的且与所述体动伪迹信号相邻的连续正常信号，所述第二正常信号为所述体动伪迹信号之后的且与所述体动伪迹信号相邻的连续正常信号；
信号判断模块42，用于根据所述第一正常信号以及所述第二正常信号，判断所述体动伪迹信号是否可以重建；
信号重建模块43，用于若所述体动伪迹信号可以重建，将所述第一正常信号、所述第二正常信号输入至预设的体动伪迹信号重建模型中，获得所述体动伪迹信号对应的重建信号；
信号替换模块44，用于将所述重建信号替换所述生命体征信号中相应的体动伪迹信号，获得重建后的生命体征信号。
可选的，信号判断模块，包括：
信号长度获取单元，用于获取所述第一正常信号的第一信号长度以及所述第二正常信号的第二信号长度；
第一信号重建确定单元，用于若所述第一信号长度以及所述第二信号长度均大于或等于第一预设信号长度，确定所述体动伪迹信号可以重建。
可选的，信号判断模块，包括：
样本熵计算单元，用于分别计算所述第一正常信号和所述第二正常信号的样本熵、一阶标准差以及二阶标准差；
第二信号重建确定单元，用于若所述样本熵均小于预设的第一样本熵阈值且所述样本熵均大于预设的第二样本熵阈值、所述一阶标准差均小于预设的一阶标准差阈值、以及所述二阶标准差均小于预设的二阶标准差阈值，确定所述体动伪迹信号可以重建。
可选的，信号重建模块，包括：
信号划分单元，用于将所述体动伪迹信号划分为若干个时序连续的第三预设信号长度的体动伪迹信号单元；
第一信号选取单元，用于从所述第一正常信号中选取第三正常信号；其中，所述第三正常信号为与所述体动伪迹信号在时序上连续的第一预设信号长度的正常信号；
第一重建信号获得单元，用于将所述第三正常信号输入至预设的体动伪迹信号重建模型，获得第一个体动伪迹信号单元的第一重建信号；
第二信号选取单元，用于从所述第三正常信号中选取第四正常信号，将所述第四正常信号与所述第一个体动伪迹信号单元的第一重建信号拼接后，输入至预设的体动伪迹信号重建模型，获得第二个体动伪迹信号单元的第一重建信号；其中，所述第四正常信号为与所述第一个体动伪迹信号单元在时序上连续的正常信号，所述第四正常信号的信号长度为所述第一预设信号长度与所述第三预设信号长度的差；
第三信号选取单元，用于从所述第四正常信号中选取第五正常信号，将所述第五正常信号与所述第一个体动伪迹信号单元的第一重建信号、所述第二个体动伪迹信号单元的第一重建信号拼接后，输入至预设的体动伪迹信号重建模型，获得下一个体动伪迹信号单元的第一重建信号；其中，所述第五正常信号为与所述第一个体动伪迹信号单元在时序上连续的正常信号，所述第五正常信号的信号长度为所述第一预设信号长度与二倍所述第三预设信号长度的差；
第一重建信号确定单元，用于直至确定所有体动伪迹信号单元的第一重建信号；
第四信号选取单元，用于从所述第二正常信号中选取第六正常信号；其中，所述第六正常信号为与所述体动伪迹信号在时序上连续的第一预设信号长度的正常信号；
第二重建信号获得单元，将所述第六正常信号输入至预设的体动伪迹信号重建模型，获得倒数第一个体动伪迹信号单元的第二重建信号；
第五信号选取单元，用于从所述第六正常信号中选取第七正常信号，将所述第七正常信号与所述倒数第一个体动伪迹信号单元的第二重建信号拼接后，输入至预设的体动伪迹信号重建模型，获得倒数第二个体动伪迹信号单元的第二重建信号；其中，所述第七正常信号为与所述倒数第一个体动伪迹信号单元在时序上连续的正常信号，所述第七正常信号的信号长度为所述第一预设信号长度与所述第三预设信号长度的差；
第六信号选取单元，用于从所述第七正常信号中选取第八正常信号，将所述第八正常信号与所述倒数第一个体动伪迹信号单元的第二重建信号、所述倒数第二个体动伪迹信号单元的第二重建信号拼接后，输入至预设的体动伪迹信号重建模型，获得上一个体动伪迹信号单元的第二重建信号；其中，所述第八正常信号为与所述倒数第一个体动伪迹信号单元在时序上连续的正常信号，所述第八正常信号的信号长度为所述第一预设信号长度与二倍所述第三预设信号长度的差；
第二重建信号确定单元，用于直至确定所有体动伪迹信号单元的第二重建信号；
信号重建单元，用于将所有体动伪迹信号单元的第一重建信号和第二重建信号求平均，将平均结果作为所述体动伪迹信号对应的重建信号。
可选的，第一重建信号获得单元，包括：
时序向量获得单元，用于将所述第三正常信号输入至所述门控循环单元，获得时序特征向量；
形态向量获得单元，用于将所述第三正常信号输入至所述全卷积神经网络，获得形态特征向量；
向量拼接单元，用于将所述时序特征向量和所述形态特征向量进行拼接，将拼接结果输入至全连接层，获得第一个体动伪迹信号单元对应的第一重建信号。
应用本申请实施例，通过获取生命体征信号；所述生命体征信号包括至少一个体动伪迹信号、第一正常信号以及第二正常信号；所述第一正常信号为所述体动伪迹信号之前的且与所述体动伪迹信号相邻的连续正常信号，所述第二正常信号为所述体动伪迹信号之后的且与所述体动伪迹信号相邻的连续正常信号；根据所述第一正常信号以及所述第二正常信号，判断所述体动伪迹信号是否可以重建；若所述体动伪迹信号可以重建，将所述第一正常信号、所述第二正常信号输入至预设的体动伪迹信号重建模型中，获得所述体动伪迹信号对应的重建信号，将所述重建信号替换所述生命体征信号中相应的体动伪迹信号，获得重建后的生命体征信号。本申请通过预设的体动伪迹信号重建模型提取体动伪迹前后正常信号的时序特征和形态特征，根据前后正常信号对体动伪迹信号进行前后双向重建，获得体动伪迹信号对应的重建信号，提高了生命体征信号重建的准确性。
实施例3
下述为本申请设备实施例，可以用于执行本申请实施例1中方法的内容。对于本申请设备实施例中未披露的细节，请参照本申请实施例1中方法的内容。
请参阅图7，本申请还提供一种电子设备300，电子设备可以具体为计算机、手机、平板电脑、交互平板等，在本申请的示例性实施例中，电子设备300为交互平板，交互平板可以包括：至少一个处理器301、至少一个存储器302，至少一个显示器，至少一个网络接口303，用户接口304以及至少一个通信总线305。
其中，用户接口304主要用于为用户提供输入的接口，获取用户输入的数据。可选的，用户接口还可以包括标准的有线接口、无线接口。
其中，网络接口303可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，通信总线305用于实现这些组件之间的连接通信。
其中，处理器301可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个电子设备内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行电子设备的各种功能和处理数据。可选的，处理器可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器可集成中央处理器(Central ProcessingUnit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作***、用户界面和应用程序等；GPU用于负责显示层所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器中，单独通过一块芯片进行实现。
其中，存储器302可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器可用于存储指令、程序、代码、代码集或指令集。存储器可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器可选的还可以是至少一个位于远离前述处理器的存储装置。作为一种计算机存储介质的存储器中可以包括操作***、网络通信模块、用户接口模块、操作应用程序。
处理器可以用于调用存储器中存储的视频分辨率调整方法的应用程序，并具体执行上述所示实施例1的方法步骤，具体执行过程可以参见实施例1所示的具体说明，在此不进行赘述。
实施例4
本申请还提供一种计算机可读存储介质，其上储存有计算机程序，指令适于由处理器加载并执行上述所示实施例1的方法步骤，具体执行过程可以参见实施例所示的具体说明，在此不进行赘述。存储介质所在设备可以是个人计算机、笔记本电脑、智能手机、平板电脑等电子设备。
对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种生命体征信号的重建方法，其特征在于，所述方法包括如下步骤：
获取生命体征信号；所述生命体征信号包括至少一个体动伪迹信号、第一正常信号以及第二正常信号；所述第一正常信号为所述体动伪迹信号之前的且与所述体动伪迹信号相邻的连续正常信号，所述第二正常信号为所述体动伪迹信号之后的且与所述体动伪迹信号相邻的连续正常信号；
根据所述第一正常信号以及所述第二正常信号，判断所述体动伪迹信号是否可以重建；
若所述体动伪迹信号可以重建，将所述第一正常信号、所述第二正常信号输入至预设的体动伪迹信号重建模型中，获得所述体动伪迹信号对应的重建信号；
将所述重建信号替换所述生命体征信号中相应的体动伪迹信号，获得重建后的生命体征信号。
2.根据权利要求1所述的生命体征信号的重建方法，其特征在于：
所述根据所述第一正常信号以及所述第二正常信号，判断所述体动伪迹信号是否可以重建的步骤，包括：
获取所述第一正常信号的第一信号长度以及所述第二正常信号的第二信号长度；
若所述第一信号长度以及所述第二信号长度均大于或等于第一预设信号长度，确定所述体动伪迹信号可以重建。
3.根据权利要求1所述的生命体征信号的重建方法，其特征在于：
所述根据所述第一正常信号以及所述第二正常信号，判断所述体动伪迹信号是否可以重建的步骤，包括：
分别计算所述第一正常信号和所述第二正常信号的样本熵、一阶标准差以及二阶标准差；
若所述样本熵均小于预设的第一样本熵阈值且所述样本熵均大于预设的第二样本熵阈值、所述一阶标准差均小于预设的一阶标准差阈值、以及所述二阶标准差均小于预设的二阶标准差阈值，确定所述体动伪迹信号可以重建。
4.根据权利要求1所述的生命体征信号的重建方法，其特征在于：
所述若所述体动伪迹信号可以重建，将所述第一正常信号、所述第二正常信号输入至预设的体动伪迹信号重建模型中，获得所述体动伪迹信号对应的重建信号的步骤，包括：
将所述体动伪迹信号划分为若干个时序连续的第三预设信号长度的体动伪迹信号单元；
从所述第一正常信号中选取第三正常信号；其中，所述第三正常信号为与所述体动伪迹信号在时序上连续的第一预设信号长度的正常信号；
将所述第三正常信号输入至预设的体动伪迹信号重建模型，获得第一个体动伪迹信号单元的第一重建信号；
从所述第三正常信号中选取第四正常信号，将所述第四正常信号与所述第一个体动伪迹信号单元的第一重建信号拼接后，输入至预设的体动伪迹信号重建模型，获得第二个体动伪迹信号单元的第一重建信号；其中，所述第四正常信号为与所述第一个体动伪迹信号单元在时序上连续的正常信号，所述第四正常信号的信号长度为所述第一预设信号长度与所述第三预设信号长度的差；
从所述第四正常信号中选取第五正常信号，将所述第五正常信号与所述第一个体动伪迹信号单元的第一重建信号、所述第二个体动伪迹信号单元的第一重建信号拼接后，输入至预设的体动伪迹信号重建模型，获得下一个体动伪迹信号单元的第一重建信号；其中，所述第五正常信号为与所述第一个体动伪迹信号单元在时序上连续的正常信号，所述第五正常信号的信号长度为所述第一预设信号长度与二倍所述第三预设信号长度的差；
直至确定所有体动伪迹信号单元的第一重建信号；
从所述第二正常信号中选取第六正常信号；其中，所述第六正常信号为与所述体动伪迹信号在时序上连续的第一预设信号长度的正常信号；
将所述第六正常信号输入至预设的体动伪迹信号重建模型，获得倒数第一个体动伪迹信号单元的第二重建信号；
从所述第六正常信号中选取第七正常信号，将所述第七正常信号与所述倒数第一个体动伪迹信号单元的第二重建信号拼接后，输入至预设的体动伪迹信号重建模型，获得倒数第二个体动伪迹信号单元的第二重建信号；其中，所述第七正常信号为与所述倒数第一个体动伪迹信号单元在时序上连续的正常信号，所述第七正常信号的信号长度为所述第一预设信号长度与所述第三预设信号长度的差；
从所述第七正常信号中选取第八正常信号，将所述第八正常信号与所述倒数第一个体动伪迹信号单元的第二重建信号、所述倒数第二个体动伪迹信号单元的第二重建信号拼接后，输入至预设的体动伪迹信号重建模型，获得上一个体动伪迹信号单元的第二重建信号；其中，所述第八正常信号为与所述倒数第一个体动伪迹信号单元在时序上连续的正常信号，所述第八正常信号的信号长度为所述第一预设信号长度与二倍所述第三预设信号长度的差；
直至确定所有体动伪迹信号单元的第二重建信号；
将所有体动伪迹信号单元的第一重建信号和第二重建信号求平均，将平均结果作为所述体动伪迹信号对应的重建信号。
5.根据权利要求4所述的生命体征信号的重建方法，其特征在于：预设的体动伪迹信号重建模型包括生成器，所述生成器包括门控循环单元和全卷积神经网络；
所述将所述第三正常信号输入至预设的体动伪迹信号重建模型，获得第一个体动伪迹信号单元的第一重建信号的步骤，包括：
将所述第三正常信号输入至所述门控循环单元，获得时序特征向量；
将所述第三正常信号输入至所述全卷积神经网络，获得形态特征向量；
将所述时序特征向量和所述形态特征向量进行拼接，将拼接结果输入至全连接层，获得第一个体动伪迹信号单元的第一重建信号。
6.根据权利要求1至5任意一项所述的生命体征信号的重建方法，其特征在于：
所述若所述体动伪迹信号可以重建，将所述第一正常信号、所述第二正常信号输入至预设的体动伪迹信号重建模型中，获得所述体动伪迹信号对应的重建信号的步骤之前，包括：
获取若干个第二预设信号长度的正常信号样本数据；
将所述正常信号样本数据划分为时序上连续的第一样本数据和第二样本数据；所述第一样本数据的信号长度为第一预设信号长度，所述第二样本数据的信号长度为所述第二预设信号长度与所述第一预设信号长度的差；
将所述第一样本数据作为生成对抗网络中生成器的输入，获得所述生成器的第一预测结果，将所述第一预测结果和所述第二样本数据均作为所述生成对抗网络中判别器的输入，获得所述判别器的第一判别结果；
将所述正常信号样本数据划分为时序上连续的第三样本数据和第四样本数据；所述第三样本数据的信号长度为第三预设信号长度，所述第四样本数据的信号长度为所述第二预设信号长度与所述第三预设信号长度的差；
将所述第四样本数据作为所述生成器的输入，获得所述生成器的第二预测结果，将所述第二预测结果和所述第三样本数据均作为所述判别器的输入，获得所述判别器的第二判别结果；
不断训练所述生成器和所述判别器，直至所述第一判别结果和所述第二判别结果达到预设阈值，获得训练好的生成对抗网络；
将所述训练好的生成对抗网络作为预设的体动伪迹信号重建模型。
7.根据权利要求6所述的生命体征信号的重建方法，其特征在于：
所述获取若干个第二预设信号长度的正常信号样本数据的步骤，包括：
获取用户整晚的生命体征信号样本数据；
对所述生命体征信号样本数据进行降采样，去除降采样后的所述生命体征信号进行体动伪迹信号、工频干扰以及高频噪声的滤除，获得正常信号样本数据；
根据第二预设信号长度，对所述正常信号样本数据进行滑窗分割，获得分割后的正常信号样本数据；
对所述分割后的正常信号样本数据进行Z-Score标准化操作，获得若干个第二预设信号长度的正常信号样本数据。
8.一种生命体征信号的重建装置，其特征在于，包括：
信号获取模块，用于获取生命体征信号；所述生命体征信号包括至少一个体动伪迹信号、第一正常信号以及第二正常信号；所述第一正常信号为所述体动伪迹信号之前的且与所述体动伪迹信号相邻的连续正常信号，所述第二正常信号为所述体动伪迹信号之后的且与所述体动伪迹信号相邻的连续正常信号；
信号判断模块，用于根据所述第一正常信号以及所述第二正常信号，判断所述体动伪迹信号是否可以重建；
信号重建模块，用于若所述体动伪迹信号可以重建，将所述第一正常信号、所述第二正常信号输入至预设的体动伪迹信号重建模型中，获得所述体动伪迹信号对应的重建信号；
信号替换模块，用于将所述重建信号替换所述生命体征信号中相应的体动伪迹信号，获得重建后的生命体征信号。
9.一种计算机设备，包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述方法的步骤。
CN202211016863.9A 2022-08-24 2022-08-24 生命体征信号的重建方法、装置、计算机设备和存储介质 Active CN115381438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211016863.9A CN115381438B (zh) 2022-08-24 2022-08-24 生命体征信号的重建方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211016863.9A CN115381438B (zh) 2022-08-24 2022-08-24 生命体征信号的重建方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN115381438A true CN115381438A (zh) 2022-11-25
CN115381438B CN115381438B (zh) 2023-04-18

Family

ID=84121567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211016863.9A Active CN115381438B (zh) 2022-08-24 2022-08-24 生命体征信号的重建方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115381438B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117438024A (zh) * 2023-12-15 2024-01-23 吉林大学 急诊病人体征数据的智能采集分析***及方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110077484A1 (en) * 2009-09-30 2011-03-31 Nellcor Puritan Bennett Ireland Systems And Methods For Identifying Non-Corrupted Signal Segments For Use In Determining Physiological Parameters
CN109645979A (zh) * 2017-10-10 2019-04-19 深圳市理邦精密仪器股份有限公司 动态心电信号伪差识别方法及装置
CN109816095A (zh) * 2019-01-14 2019-05-28 湖南大学 基于改进门控循环神经网络的网络流量预测方法
CN111046824A (zh) * 2019-12-19 2020-04-21 上海交通大学 一种时间序列信号高效去噪和高精度重构建模方法及***
CN111035367A (zh) * 2019-12-31 2020-04-21 华南师范大学 一种用于判断睡眠呼吸暂停的信号检测方法及***
CN111401553A (zh) * 2020-03-12 2020-07-10 南京航空航天大学 一种基于神经网络的缺失数据填充方法及***
CN111984637A (zh) * 2020-07-06 2020-11-24 苏州研数信息科技有限公司 数据建模中的缺失值处理方法和装置、设备及存储介质
US20200405269A1 (en) * 2018-02-27 2020-12-31 Koninklijke Philips N.V. Ultrasound system with a neural network for producing images from undersampled ultrasound data
CN112836180A (zh) * 2021-04-19 2021-05-25 北京瑞莱智慧科技有限公司 传感数据确定方法、装置、电子设备及可读存储介质
CN112884237A (zh) * 2021-03-11 2021-06-01 山东科技大学 配电网预测辅助状态估计方法及***
CN114004258A (zh) * 2021-11-03 2022-02-01 大连大学 一种半监督的心电异常检测方法
CN114041786A (zh) * 2022-01-11 2022-02-15 华南师范大学 心冲击图信号的检测方法、装置以及设备
CN114680879A (zh) * 2022-06-01 2022-07-01 华南师范大学 体动伪迹信号的检测方法以及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110077484A1 (en) * 2009-09-30 2011-03-31 Nellcor Puritan Bennett Ireland Systems And Methods For Identifying Non-Corrupted Signal Segments For Use In Determining Physiological Parameters
CN109645979A (zh) * 2017-10-10 2019-04-19 深圳市理邦精密仪器股份有限公司 动态心电信号伪差识别方法及装置
US20200405269A1 (en) * 2018-02-27 2020-12-31 Koninklijke Philips N.V. Ultrasound system with a neural network for producing images from undersampled ultrasound data
CN109816095A (zh) * 2019-01-14 2019-05-28 湖南大学 基于改进门控循环神经网络的网络流量预测方法
CN111046824A (zh) * 2019-12-19 2020-04-21 上海交通大学 一种时间序列信号高效去噪和高精度重构建模方法及***
CN111035367A (zh) * 2019-12-31 2020-04-21 华南师范大学 一种用于判断睡眠呼吸暂停的信号检测方法及***
CN111401553A (zh) * 2020-03-12 2020-07-10 南京航空航天大学 一种基于神经网络的缺失数据填充方法及***
CN111984637A (zh) * 2020-07-06 2020-11-24 苏州研数信息科技有限公司 数据建模中的缺失值处理方法和装置、设备及存储介质
CN112884237A (zh) * 2021-03-11 2021-06-01 山东科技大学 配电网预测辅助状态估计方法及***
CN112836180A (zh) * 2021-04-19 2021-05-25 北京瑞莱智慧科技有限公司 传感数据确定方法、装置、电子设备及可读存储介质
CN114004258A (zh) * 2021-11-03 2022-02-01 大连大学 一种半监督的心电异常检测方法
CN114041786A (zh) * 2022-01-11 2022-02-15 华南师范大学 心冲击图信号的检测方法、装置以及设备
CN114680879A (zh) * 2022-06-01 2022-07-01 华南师范大学 体动伪迹信号的检测方法以及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117438024A (zh) * 2023-12-15 2024-01-23 吉林大学 急诊病人体征数据的智能采集分析***及方法
CN117438024B (zh) * 2023-12-15 2024-03-08 吉林大学 急诊病人体征数据的智能采集分析***及方法

Also Published As

Publication number Publication date
CN115381438B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
US20230131876A1 (en) Systems and methods of identity analysis of electrocardiograms
CN109247923B (zh) 基于视频的非接触式脉搏实时估计方法及设备
CN105813558B (zh) 用于基于睡眠周期确定睡眠阶段的***和方法
JP2022163153A (ja) 脳波信号から被験者の視覚的注意の集中を決定する方法、コンピュータプログラム、コンピュータシステムおよび脳波信号から被験者の視覚的注意の集中を決定するシステム
CN108363487B (zh) 梦境重现模型的构建方法、梦境重现方法及装置
TW201446216A (zh) 光學心率追蹤
CN115381438B (zh) 生命体征信号的重建方法、装置、计算机设备和存储介质
US20210076953A1 (en) Methods and systems for pulse transit time determination
CN110532999B (zh) 抽烟行为识别方法、装置及设备
JP7339676B2 (ja) 複数のセンサを伴うダイレクトフォトプレチスモグラフィ（ｐｐｇ）のためのコンピュータ実装方法及びシステム
CN113554726B (zh) 基于脉冲阵列的图像重构方法、装置、存储介质及终端
WO2023112384A1 (ja) 計算機システム及び情動推定方法
Xu et al. Classification of motor imagery tasks for electrocorticogram based brain-computer interface
CN114203300A (zh) 一种健康状态评估方法及***、服务端、存储介质
CN102204820A (zh) 记录设备及其记录方法
EP2769668B1 (fr) Ensemble pour le diagnostic adaptatif de l'insuffisance cardiaque moyennant des classifieurs et un arbre de décision booléen
KR102257295B1 (ko) 초음파 영상 기반의 기계 학습을 통한 취약성 죽상반 진단 시스템 및 이의 진단 방법
CN110008881B (zh) 多运动目标的奶牛行为的识别方法及装置
CN114680879B (zh) 体动伪迹信号的检测方法以及装置
KR101413853B1 (ko) 적외선 영상을 이용한 생체 신호 측정 방법 및 장치
KR101213677B1 (ko) 점진적 ｅｍ ｐｃａ를 이용한 결측값 대치 시스템
EP4140392A1 (en) Noise removal in physiological signals
EP3499513A1 (en) Determining whether a hypothesis concerning a signal is true
CN112308784A (zh) 动态心电图仿真方法和装置
Roy et al. Identification and classification of human mental stress using physiological data: A low-power hybrid approach

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240221

Address after: Building 2, No. 38 Junfeng Road, Huangpu District, Guangzhou City, Guangdong Province, 510000

Patentee after: GUANGDONG JUNFENG BFS INDUSTRY CO.,LTD.

Country or region after: China

Address before: School of physics and telecommunication engineering, South China Normal University, No. 378, Waihuan West Road, Panyu District, Guangzhou City, Guangdong Province, 510006

Patentee before: SOUTH CHINA NORMAL University

Country or region before: China