CN116035548A - 心律状态检测方法、装置、智能穿戴设备及存储介质 - Google Patents
心律状态检测方法、装置、智能穿戴设备及存储介质 Download PDFInfo
- Publication number
- CN116035548A CN116035548A CN202310337832.1A CN202310337832A CN116035548A CN 116035548 A CN116035548 A CN 116035548A CN 202310337832 A CN202310337832 A CN 202310337832A CN 116035548 A CN116035548 A CN 116035548A
- Authority
- CN
- China
- Prior art keywords
- neural network
- heart rhythm
- feature
- pulse wave
- signal
- 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
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 127
- 238000001514 detection method Methods 0.000 claims abstract description 95
- 238000003062 neural network model Methods 0.000 claims abstract description 85
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 94
- 238000013186 photoplethysmography Methods 0.000 claims description 82
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 28
- 239000013598 vector Substances 0.000 description 22
- 230000008569 process Effects 0.000 description 13
- 230000005856 abnormality Effects 0.000 description 8
- 238000000354 decomposition reaction Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000747 cardiac effect Effects 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 5
- 206010006582 Bundle branch block right Diseases 0.000 description 4
- 206010006578 Bundle-Branch Block Diseases 0.000 description 4
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 201000007916 right bundle branch block Diseases 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000002861 ventricular Effects 0.000 description 4
- 206010003658 Atrial Fibrillation Diseases 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000031229 Cardiomyopathies Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 210000001013 sinoatrial node Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Cardiology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (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
本发明涉及心律状态检测技术领域,公开了一种心律状态检测方法、装置、智能穿戴设备及存储介质,其方法通过获取初始光电容积脉搏波信号,对初始光电容积脉搏波信号进行预处理,获得光电容积脉搏波信号;通过训练好的一维卷积神经网络模型对光电容积脉搏波信号进行特征提取,获得第一特征,以及,通过训练好的自编码器神经网络模型对光电容积脉搏波信号进行特征提取,获得第二特征;至少对第一特征和第二特征进行拼接,获得神经网络的第一输入特征;通过训练好的用于表征心律状态的神经网络模型对神经网络的第一输入特征进行检测,获得心律状态检测结果。本发明在保证心律状态检测结果准确性的同时,可满足日常检测的便利性和实时性需求。
Description
技术领域
本发明涉及心律状态检测技术领域,尤其涉及一种心律状态检测方法、装置、智能穿戴设备及存储介质。
背景技术
心律是指心脏跳动的节奏,即心脏这一次心动周期和下一次心动周期之间的间隔。心律状态是人体健康状况的重要指标,正常情况下心动周期之间的间隔是相等的,表明心律状态是整齐的,但是在发生心肌缺血、心肌病和高血压等病理的情况下,可能导致各种类型的心律状态异常。
传统的心律测量方法是基于心电图(Electrocardio-Gram,ECG)来分析心律状态是否正常。由于ECG设备通常需要级联,ECG设备不便于携带、不便于实时检测、且成本较高,所以很难满足用户日常进行心律状态检测的便利性和实时性需求。而光电容积脉搏波标记法(Photoplethysmography,PPG)是通过PPG传感器中的LED发射特定波长的光(例如:绿光、红光等)穿过皮肤中的动脉、静脉和组织,并被吸收和反射回到光电二极管中进行检测的方法。由于肌肉、骨骼等组织对光的吸收基本不变,而血液的流动会造成光散射,所以PPG信号可以反应体内的血液流动情况,同时血液的流动情况与心跳脉搏是紧密相关的,进而可以利用PPG信号来检测心律状态是否正常。此外,PPG传感器还可应用于智能穿戴设备。
目前人们越来越重视健康,尤其是疫情后,人们对健康的关注度和重视度更是提高了很多,随着越来越多的人关注心律状态健康情况,对应的,如何能满足用户日常检测心律状态的便利性和实时性需求成为亟需解决的难题。
发明内容
基于此,有必要针对上述技术问题,提供一种心律状态检测方法、装置、智能穿戴设备及存储介质,以解决心律状态检测的便利性和实时性不够的问题。
一种心律状态检测方法,包括:
获取初始光电容积脉搏波信号,对所述初始光电容积脉搏波信号进行预处理,获得光电容积脉搏波信号;
通过第一特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第一特征,以及,通过第二特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第二特征,所述第一特征提取模型为训练好的一维卷积神经网络模型,所述第二特征提取模型为训练好的自编码器神经网络模型;
至少对所述第一特征和所述第二特征进行拼接,获得神经网络的第一输入特征;
通过训练好的用于表征心律状态的神经网络模型对所述神经网络的第一输入特征进行检测,获得心律状态检测结果。
一种心律状态检测装置,包括:
信号预处理模块,用于获取初始光电容积脉搏波信号,对所述初始光电容积脉搏波信号进行预处理,获得光电容积脉搏波信号;
特征提取模块,用于通过第一特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第一特征,以及,通过第二特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第二特征,所述第一特征提取模型为训练好的一维卷积神经网络模型,所述第二特征提取模型为训练好的自编码器神经网络模型;
特征拼接模块,用于至少对所述第一特征和所述第二特征进行拼接,获得神经网络的第一输入特征;
心律状态检测模块,用于通过训练好的用于表征心律状态的神经网络模型对所述神经网络的第一输入特征进行检测,获得心律状态检测结果。
一种智能穿戴设备,包括存储器、处理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可读指令,所述处理器执行所述计算机可读指令时实现上述心律状态检测方法。
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可读指令,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如上述心律状态检测方法。
上述心律状态检测方法、装置、智能穿戴设备及存储介质,其方法通过获取初始光电容积脉搏波信号,对初始光电容积脉搏波信号进行预处理,获得光电容积脉搏波信号;通过第一特征提取模型对光电容积脉搏波信号进行特征提取,获得第一特征,以及,通过第二特征提取模型对光电容积脉搏波信号进行特征提取,获得第二特征,第一特征提取模型为训练好的一维卷积神经网络模型,第二特征提取模型为训练好的自编码器神经网络模型;至少对第一特征和第二特征进行拼接,获得神经网络的第一输入特征;通过训练好的用于表征心律状态的神经网络模型对神经网络的第一输入特征进行检测,获得心律状态检测结果。本发明的心律状态检测方法基于神经网络模型对光电容积脉搏波信号的预测实现实时检测心律状态,通过训练好的一维卷积神经网络模型提取光电容积脉搏波信号的第一特征,以及通过训练好的自编码器神经网络模型提取光电容积脉搏波信号的第二特征,并对第一特征和第二特征进行拼接,从多方面更加充分地体现信号特征的同时更加符合智能穿戴设备的数据处理要求。此外,将光电容积脉搏波信号传感器用于智能穿戴设备,降低了检测成本,满足了用户日常检测心律状态的便利性和实时性需求。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中心律状态检测方法的一流程示意图;
图2是本发明一实施例中心律状态检测方法的另一流程示意图;
图3是本发明一实施例中心律状态检测方法的预处理流程示意图;
图4是本发明一实施例中心律状态检测方法的自编码器神经网络模型示意图;
图5是本发明一实施例中心律状态检测方法的深度可分离卷积神经网络模型示意图;
图6是本发明一实施例中心律状态检测装置的一结构示意图;
图7是本发明一实施例中智能穿戴设备的一示意图。
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作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。
在一实施例中,如图1所示,提供一种心律状态检测方法,包括如下步骤S10-S40。
S10、获取初始光电容积脉搏波信号,对所述初始光电容积脉搏波信号进行预处理,获得光电容积脉搏波信号。
可理解地,传统的检测方法是基于心电图信号(ECG信号)检测设备来检测ECG信号,进而来分析心律状态是否正常,但是,目前的ECG信号检测设备通常为级联设备,体积较大,不便于携带也不便于实时检测。而在本实施例中是基于光电容积脉搏波信号(PPG信号)来检测心律状态,即本实施例不需要依赖级联设备来检测ECG信号。光电容积脉搏波信号的信号采集装置为光电容积脉搏波传感器,光电容积脉搏波传感器中的光电检测器(photo-diode,PD)将光信号转换成电信号之后,得到了与血液流动情况对应的心跳脉搏信号,即初始光电容积脉搏波信号。PD为非常小的器件,因此光电容积脉搏波传感器可以设置于智能穿戴设备中,例如智能手环、智能手表和智能腕带等智能穿戴设备。当用户佩戴智能手环时,智能手环通过光电容积脉搏波传感器从手腕处实时采集初始光电容积脉搏波信号;当用户穿戴颈部智能按摩枕时,颈部智能按摩枕通过光电容积脉搏波传感器从颈部实时采集初始光电容积脉搏波信号。
由于人体的脉搏波信号属于微弱信号,十分容易受到干扰,因此在信号采集过程中会不可避免地包含各种噪声。例如,由于人体的呼吸和运动等生理活动,导致初始光电容积脉搏波信号中包含了各种高频噪声。此外,脉搏波信号含有丰富的低频成分,基线漂移与脉搏波的低频信号频谱容易发生混叠而掩盖有用信息,使得在对脉搏波信号进行分析时出现较大误差。因此,对于采集到的初始光电容积脉搏波信号,需要经过去除噪声和基线漂移的预处理,获得光电容积脉搏波信号。
S20、通过第一特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第一特征,以及,通过第二特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第二特征,所述第一特征提取模型为训练好的一维卷积神经网络模型,所述第二特征提取模型为训练好的自编码器神经网络模型。
可理解地,在将光电容积脉搏波信号输入到用于表征心律状态的神经网络模型中之前,需要先对光电容积脉搏波信号进行特征提取。特征提取的结果是特征向量,特征向量是神经网络的输入,表示输入数据在神经网络中的抽象特征。神经网络通常是分层的结构,第一层是输入层,代表特征向量中每一个特征的取值,根据不同的神经网络结构和任务,特征向量的维度和内容也会有所不同。在本实施例中,如图2所示,将光电容积脉搏波信号进行复制,获得两份光电容积脉搏波信号后,将两份光电容积脉搏波信号分别输入第一特征提取模型和第二特征提取模型以提取特征向量,因此,光电容积脉搏波信号的特征由第一特征和第二特征两部分组成。第一特征是通过第一特征提取模型提取得到的特征,第一特征提取模型是预先训练好的一维卷积神经网络模型。第二特征是通过第二特征提取模型提取得到的特征,第二特征提取模型是预先训练好的自编码器神经网络模型。
光电容积脉搏波信号是一种时间序列,傅里叶变换(Fourier transform)可以对时间序列进行特征提取。但是如果对光电容积脉搏波信号进行傅里叶变换,将时域的光电容积脉搏波信号转换成频域信号,这个过程中只使用幅度谱信息而不使用相位谱信息,会造成相位信息的缺失,从而导致特征信息提取不充分。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络。其中,一维卷积神经网络可以提取数据信号在特定方向上的平移不变特征,使用一维卷积神经网络模型可以提取光电容积脉搏波信号在时间方向上的平移不变特征。一维卷积神经网络模型可以将光电容积脉搏波信号投影到一个同时表征振幅和相位的领域,不会造成相位信息的缺失,便于更充分提取光电容积脉搏波信号中的特征信息并且筛选出具有区分度的信息,提高了后续分析的准确性。
智能穿戴设备的数据处理能力有限,为了满足智能穿戴设备的便利性要求,计算量越少越好。自编码器(Autoencoder,AE)是一种将输入数据作为学习目标,对输入数据进行表征学习的神经网络模型。从输入端和输出端来看,自编码器相当于是把输入数据映射到输出。自编码器包含编码器(Encoder)和解码器(Decoder)两部分,自编码器可以是前馈结构或者递归结构的神经网络。自编码器神经网络模型的输入和输出是一致的,通过借助稀疏编码的思想重新组合来重构样本。自编码器神经网络可以把高维特征编码成低维特征,从而在损失极少量有效信息的前提下实现数据降维和/或数据压缩,保障特征量不会太大,进而减少计算量。因此,采用自编码器神经网络进行特征提取更加适用于智能穿戴设备。
S30、至少对所述第一特征和所述第二特征进行拼接,获得神经网络的第一输入特征。
可理解地,神经网络的第一输入特征至少包括第一特征和第二特征两部分,在输入训练好的用于表征心律状态的神经网络模型之前需要进行特征向量的融合。特征向量的融合是指将从不同来源或不同特征提取方法中得到的特征向量进行合并,形成一个新的特征向量。向量拼接是融合方法的一种,特征向量的拼接是指将多个特征向量按照一定的顺序连接起来,形成一个更大的特征向量,以提高特征的表达能力和分类能力。特征向量的拼接方式分为水平拼接和垂直拼接两种。水平拼接是将多个特征向量按照水平方向连接起来,形成一个行向量;垂直拼接是将多个特征向量按照垂直方向连接起来,形成一个矩阵。在具体的实施例中,可以根据实际任务和数据特点选择特定的拼接方式(例如垂直拼接方式)将两部分特征向量拼接到一起,将通过自编码器神经网络模型和一维卷积神经网络模型提取得到的两部分特征进行拼接,能够更加充分地体现光电容积脉搏波信号的特征。
S40、通过训练好的用于表征心律状态的神经网络模型对所述神经网络的第一输入特征进行检测,获得心律状态检测结果。
可理解地,训练好的用于表征心律状态的神经网络模型是预先训练好的深度可分离卷积神经网络模型,用于将拼接后的第一输入特征作为输入,输出与光电容积脉搏波信号对应的标签值,即神经网络模型输出结果,根据神经网络模型输出结果获得心律状态检测结果。在神经网络中,一个节点的激活函数定义了该节点在给定的输入下的输出。在本实施例中,心律状态检测结果包括心律状态正常和心律状态异常。在多层的神经网络中,上一层的输出要作为下一层的输入,上一层的输出在输入到下一层之前需要经过激活函数。如图2所示,用于表征心律状态的神经网络模型采用深度可分离卷积神经网络模型,在深度可分离卷积神经网络模型中最后一个全连接层使用一个Sigmoid函数(逻辑斯谛函数,又称S型曲线函数)作为激活函数,将输出缩放到0到1的区间,将心律状态正常的标签值记为1,心律状态异常的标签值记为0。Sigmoid函数用于隐藏层神经元输出,可以将一个实数映射到(0,1)的区间,实现二分类。通过预先设置一个标签值阈值,例如设置为0.5,将神经网络模型输出结果和标签值阈值进行比对进行二分类。当神经网络模型输出结果小于0.5时,通过Sigmoid函数将标签值记为0,心律状态检测结果为心律状态异常;当神经网络模型输出结果大于等于0.5时,通过Sigmoid函数将标签值记为1,心律状态检测结果为心律状态正常。Sigmoid函数的公式如下:;
其中,
Z i 表示深度可分离卷积神经网络模型中最后一个全连接层的第
i个输出值,
e表示自然常数底数。
在另一实施例中,在心律预测结果中心律状态正常和心律状态异常的二分类基础上,心律状态异常还可以进一步进行分类,例如右束支传导阻滞异常和室性早搏异常。此时,在深度可分离卷积神经网络模型中最后一个全连接层使用一个Softmax函数(归一化指数函数)作为激活函数,对心律状态检测结果进行分类,例如心律状态正常、心房颤动异常、右束支传导阻滞异常和室性早搏异常等。Softmax函数可以生成不同类型心律状态检测结果的概率,将不同类型心律状态检测结果对应的神经网络模型输出结果转换为范围为[0,1]且和为1的概率分布。例如:当深度可分离卷积神经网络模型中四种不同类型心律状态检测结果为[1,2,3,4]时,则经过Softmax函数计算得到四种不同类型心律状态检测结果对应的概率为[0.032,0.087,0.237,0.644]。Softmax函数的公式如下:;
其中,
Z i 表示深度可分离卷积神经网络模型中最后一个全连接层的第
i个输出值,
i=1,…,
C,
C表示输出个数,
e表示自然常数底数。
此外,还可以将智能穿戴设备与移动终端设备建立通信连接进行绑定,根据心律状态检测结果生成心律状态检测报告并发送至绑定的移动终端设备,及时提醒用户当前的心律状态是否正常。
本实施例通过获取初始光电容积脉搏波信号,对初始光电容积脉搏波信号进行预处理,获得光电容积脉搏波信号;通过第一特征提取模型对光电容积脉搏波信号进行特征提取,获得第一特征,以及,通过第二特征提取模型对光电容积脉搏波信号进行特征提取,获得第二特征,第一特征提取模型为训练好的一维卷积神经网络模型,第二特征提取模型为训练好的自编码器神经网络模型;至少对第一特征和第二特征进行拼接,获得神经网络的第一输入特征;通过训练好的用于表征心律状态的神经网络模型对神经网络的第一输入特征进行检测,获得心律状态检测结果。本实施例基于神经网络模型对光电容积脉搏波信号的预测实现实时检测心律状态,通过训练好的一维卷积神经网络模型提取光电容积脉搏波信号的第一特征,以及通过训练好的自编码器神经网络模型提取光电容积脉搏波信号的第二特征,并对第一特征和第二特征进行拼接,从多方面更加充分地体现信号特征的同时更加符合智能穿戴设备的数据处理要求。此外,本发明实施例提供的心律状态检测方法及检测装置可以将光电容积脉搏波信号传感器用于智能穿戴设备,其便于携带、可以实时检测、且相比传统的ECG信号检测设备成本更低,进而降低了检测成本,满足了用户日常检测心律状态的便利性和实时性需求。
可选的,步骤S40中,即所述通过训练好的用于表征心律状态的神经网络模型对所述神经网络的第一输入特征进行检测,获得心律状态检测结果,包括:
S401、连续获取P个所述第一输入特征,且通过所述神经网络模型对P个所述第一输入特征进行检测,获得P个心律状态的初始检测结果;
S402、若P个心律状态的初始检测结果中表示心律状态异常的数量大于预设数量,则所述心律状态检测结果为异常,若P个心律状态的初始检测结果中表示心律状态异常的数量小于等于预设数量,则所述心律状态检测结果为正常。
可理解地,在实际应用中,通过光电容积脉搏波传感器按照指定的采样频率(例如64Hz)实时采集光电容积脉搏波信号,将固定采样时间段的光电容积脉搏波信号作为一帧输入到心律状态预测模型。当信号采集的频率很高时,导致两次输入的帧移比较短,如果在短时间内频繁的输出多个值,会出现神经网络模型输出结果的波动很大。因此,如图2所示,需要对神经网络模型输出结果进行后处理,使得心律状态检测结果更加稳定。心律状态的初始检测结果是通过训练好的用于表征心律状态的神经网络模型对每个神经网络的第一输入特征进行检测后直接输出的初始结果,包括正常表征输出结果和异常表征输出结果;心律状态检测结果是对P个心律状态的初始检测结果进行后处理后输出的最终结果,包括心律状态正常和心律状态异常。P个心律状态的初始检测结果是预先设置的用于限定后处理中神经网络模型输出结果的数值,P为大于或等于2的正整数,例如将P设置为10。预设数量是预先设置的用于判定后处理最终输出的心律状态检测结果是否异常的临界数量阈值,预设数量为小于P的正整数,例如将预设数量设置为4。
在一实施例中,光电容积脉搏波信号的采样频率为128Hz,每一帧的长度为4秒,P为10,预设数量为4。第一帧的光电容积脉搏波信号为0~4秒的数据,当帧移为32Hz时,第二帧的光电容积脉搏波信号为0.25~4.25秒的数据。获取连续10帧(例如:第一帧至第十帧、第二帧至第十一帧、第三帧至第十二帧等)的神经网络模型输出结果,即10个心律状态的初始检测结果,对10个心律状态的初始检测结果进行分析,统计初始检测结果中的异常表征输出结果的数量,判断异常表征输出结果的数量是否大于4。当异常表征输出结果的数量大于4时,则判定心律状态检测结果为心律状态异常;当异常表征输出结果的数量小于或等于4时,则判定心律状态检测结果为心律状态正常。
本实施例通过对神经网络模型输出结果进行后处理,基于连续P个心律状态的初始检测结果进行判断,避免了因输出结果的波动而带来的误差,保证了心律状态检测结果的稳定性,提高了实时检测的准确度。
可选的,步骤S20中,即所述通过第一特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第一特征,以及,通过第二特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第二特征,还包括:
S201、对所述光电容积脉搏波信号进行前向一阶差分计算,获得第三特征;
S202、对所述光电容积脉搏波信号进行前向二阶差分计算,获得第四特征;
步骤S30中,即所述至少对所述第一特征和所述第二特征进行拼接,获得神经网络的第一输入特征,包括:
S301、对所述第一特征、所述第二特征、所述第三特征和所述第四特征进行拼接,获得神经网络的第一输入特征。
可理解地,神经网络的第一输入特征至少包括第一特征和第二特征,还包括第三特征和第四特征。通过一维卷积神经网络模型和自编码器神经网络模型对光电容积脉搏波信号进行特征提取后,得到的只是静态的特征,忽略了光电容积脉搏波信号的动态连续性。通过数学计算操作可以获取数据之间的动态特征,例如,通过对路程和时间进行一次求导,可以获得速度的动态信息,对速度和时间进行二次求导,可以获得加速度的动态信息。
在一实施例中,第三特征是通过对光电容积脉搏波信号进行前向一阶差分计算得到的特征,第四特征是对光电容积脉搏波信号进行前向二阶差分计算得到的特征。前向一阶差分是离散函数中连续相邻两项之差,即当前采样点的光电容积脉搏波信号与前一采样点的光电容积脉搏波信号之间的关系;前向二阶差分表示的是相邻的一阶差分与一阶差分之间的关系,即当前项一阶差分与前一项一阶差分之间的关系,体现了相邻三个采样点的光电容积脉搏波信号之间的动态连续关系。本实施例通过前向一阶差分计算和前向二阶差分计算可以得到更加平稳的特征,充分提取光电容积脉搏波信号的特征,将体现静态特征的第一特征和第二特征与体现动态特征的第三特征和第四特征进行拼接得到神经网络的第一输入特征。
本实施例除了采用一维卷积神经网络模型和自编码器神经网络模型分别提取第一特征和第二特征,还引入了前向一阶差分和前向二阶差分的方式提取第三特征和第四特征,保证了特征提取的稳定性和全面性。将四部分特征拼接后输入到神经网络模型进行检测,进一步提高了心律状态检测结果的准确度。
可选的,步骤S10中,即所述对所述初始光电容积脉搏波信号进行预处理,获得光电容积脉搏波信号,包括:
S101、通过滤波器对所述初始光电容积脉搏波信号进行滤波处理,获得光电容积脉搏波滤波信号;
S102、对所述光电容积脉搏波滤波信号进行去基线处理,获得光电容积脉搏波信号。
可理解地,如图2所示,预处理包括滤波处理和去基线处理,滤波处理是为了去除初始光电容积脉搏波信号采集过程中的高频噪声干扰,去基线处理是为了避免基线漂移与脉搏波的低频信号频谱发生混叠而掩盖有用信息。
由于初始光电容积脉搏波信号中涵盖心律状态的特征都集中在10Hz以下,所以滤波器选择低通滤波器(LPF),通过低通滤波器对初始光电容积脉搏波信号进行滤波处理,对高频噪声进行滤除。低通滤波器是容许低于截止频率的信号通过,但高于截止频率的信号不能通过的电子滤波装置。例如,低通滤波器可以采用巴特沃斯滤波器或切比雪夫滤波器。
经验模态分解(Empirical Mode Decomposition,EMD)算法是依据数据自身的时间尺度特征来进行信号分解,无需预先设置任何基函数,因此,采用EMD算法进行去基线处理。EMD算法适用于分析非线性、非平稳信号序列,具有很高的信噪比。对数据信号进行EMD分解是为了获得本征模态函数(Intrinsic Mode Function,IMF),IMF是分解后得到的信号分量。对数据信号进行EMD分解得到多个IMF,将分解得到的最后一个IMF作为残差项,即需要从初始信号中去除的基线项。
在一实施例中,如图3所示,“raw PPG waveform”表示通过光电容积脉搏波传感器采集得到的初始光电容积脉搏波信号,“PPG-LPF”表示经过低通滤波器滤波处理之后的初始光电容积脉搏波滤波信号,“PPG-EMD”表示经过去基线处理之后的光电容积脉搏波信号,其中,横坐标表示采样点数,纵坐标表示幅值。由图3可知,通过滤波处理和去基线处理之后,光电容积脉搏波信号更加光滑且均值处于0附近,整体的噪声问题和基线漂移问题得到了解决。
本实施例通过对初始光电容积脉搏波信号进行滤波处理和去基线处理,有效避免了信号采集过程中的噪声干扰问题和基线漂移问题,有助于提高心律状态检测结果的准确性。
可选的,步骤S20中,即所述通过第一特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第一特征之前,包括:
S203、构建一维卷积神经网络模型;
S204、获取光电容积脉搏波信号训练样本,通过所述光电容积脉搏波信号训练样本对所述一维卷积神经网络模型进行训练,获得第一特征提取模型。
可理解地,一维卷积神经网络模型的结构包括卷积层(Conv)、激活函数层(ReLU)、过渡层(Flatten)和全连接层(Linear)。光电容积脉搏波信号训练样本是基于光电容积脉搏波历史信号数据和心律状态标签生成的样本数据。在一实施例中,通过连接在一起的至少一组卷积层和至少两组全连接层构建一维卷积神经网络模型,通过光电容积脉搏波信号训练样本对一维卷积神经网络模型进行训练,获得第一特征提取模型。其中,第一特征提取模型中的最后一个卷积层连接的两组全连接层输出的结果就是第一特征。
本实施例使用一维卷积神经网络模型可以提取光电容积脉搏波信号在时间方向上的平移不变特征,避免了相位信息的缺失,便于更充分提取光电容积脉搏波信号中的特征信息并且筛选出具有区分度的信息,提高了后续心律状态检测的准确性。
可选的,步骤S20中,即所述通过第二特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第二特征之前,包括:
S205、构建自编码器神经网络模型;
S206、获取光电容积脉搏波信号训练样本,通过所述光电容积脉搏波信号训练样本对所述自编码器神经网络模型进行训练,获得第二特征提取模型。
可理解地,自编码器包含编码器(Encoder)和解码器(Decoder)两部分,编码器用于分析输入序列,解码器用于生成输出序列。最简单的自动编码器神经网络模型由一个输入层、一个隐藏层和一个输出层组成,在输入层和输出层之间的神经网络叫做隐藏层,隐藏层的神经元数目远低于输入层,可以用更少的特征(神经元)表征输入的数据,从而实现降维。在一实施例中,如图4所示,构建自编码器神经网络模型,其中,编码器和解码器的隐藏层数目都是2,编码器的隐藏层神经元数量分别是128和32,解码器的隐藏层数量分别是32和128。自编码器神经网络模型通过编码层将高维空间的向量压缩成低维向量,再通过解码层将低维向量解压重构出原始数据。在模型训练阶段需要编码器和解码器共同完成,在自编码器神经网络模型训练好之后,通过第二特征提取模型提取特征时,只需要使用编码器来提取第二特征。
本实施例通过自编码器神经网络模型把高维特征向量编码成低维特征向量,从而使神经网络学习最有信息量的特征,可以更有效地提取信号特征,减小计算量,更适用于智能穿戴设备。
可选的,所述用于表征心律状态的神经网络模型为深度可分离卷积神经网络模型;步骤S40中,即所述通过训练好的用于表征心律状态的神经网络模型对所述神经网络的第二输入特征进行检测之前,包括:
S403、构建深度可分离卷积神经网络模型;
S404、获取光电容积脉搏波信号训练样本,通过第一特征提取模型对所述光电容积脉搏波信号训练样本进行特征提取,获得第一训练样本特征,以及,通过第二特征提取模型对所述光电容积脉搏波信号训练样本进行特征提取,获得第二训练样本特征;
S405、对所述第一训练样本特征和所述第二训练样本特征进行拼接,获得训练样本特征;
S406、通过所述训练样本特征对所述深度可分离卷积神经网络模型进行训练,获得训练好的用于表征心律状态的神经网络模型。
可理解地,卷积神经网络模型的结构包括输入层、卷积层、池化层和全连接层,经典的卷积神经网络模型的计算量较大,在实际应用场景中,模型的参数量和计算量都是十分重要的指标。深度可分离卷积(Depthwise Separable Convolution,DSC)神经网络模型的计算量更小,可以降低平台体积功耗存储和计算能力的限制,方便部署在智能穿戴设备。深度可分离卷积神经网络模型将卷积核分成两个单独的小卷积核,分别进行深度卷积运算和逐点卷积运算的两种卷积运算。
在一实施例中,构建深度可分离卷积神经网络模型,包括至少两个深度可分离卷积算子。其中,如图5所示,每个深度可分离卷积算子可以分成两个特殊的卷积算子,第一个是卷积核数量为1的空间卷积算子(Depthwise Conv),第二个是感受野大小为1×1的卷积算子(1×1 Conv)。在卷积神经网络中,感受野是卷积神经网络每一层输出的特征图上的像素点在输入图片上映射的区域大小。两个特殊的卷积算子都包含批归一化(BatchNormalization,BN)层和线性整流函数(Rectified Linear Unit,ReLU)层。采用批归一化后,深度神经网络的训练过程更加稳定,对初始值不再敏感,可以加快训练速度、防止过拟合。线性整流函数是神经网络中的激活函数,可以实现更加有效率的梯度下降以及反向传播,避免梯度***和梯度消失问题,同时简化计算过程。
构建深度可分离卷积神经网络模型之后,获取光电容积脉搏波信号训练样本,通过第一特征提取模型对光电容积脉搏波信号训练样本进行特征提取,获得第一训练样本特征,以及,通过第二特征提取模型对光电容积脉搏波信号训练样本进行特征提取,获得第二训练样本特征。对第一训练样本特征和第二训练样本特征进行拼接,获得训练样本特征。在通过训练样本特征对深度可分离卷积神经网络模型进行训练的过程中,通过计算模型预测值和真实标签值的均方差(mean-square error,MSE)来表示损失函数值。均方差是模型预测值和真实标签值的差值的平方然后求和平均,反映了模型预测值和真实标签值之间的差异程度,当模型预测值和真实标签值完全相同时为0,误差越大,均方差越大。训练的目的是通过调整深度可分离卷积神经网络模型中的参数对训练样本数据进行拟合,通过迭代使得深度可分离卷积神经网络模型的损失函数值最小,即获得训练好的用于表征心律状态的神经网络模型。
本实施例基于深度可分离卷积算子构建心律状态预测模型,能够在不降低精度的前提下降低神经网络模型的参数量和计算量,方便部署在智能穿戴设备。
可选的,步骤S404之前,即所述获取光电容积脉搏波信号训练样本之前,包括:
S4041、采集光电容积脉搏波历史信号以及与所述光电容积脉搏波历史信号对应的心电图历史信号;
S4042、对所述光电容积脉搏波历史信号和所述心电图历史信号进行分段处理,获得多个光电容积脉搏波历史信号段和多个心电图历史信号段;
S4043、通过所述心电图历史信号段对所述光电容积脉搏波历史信号段进行打标签,获得多个光电容积脉搏波信号训练样本;所述光电容积脉搏波信号训练样本包括光电容积脉搏波信号正常训练样本和光电容积脉搏波信号异常训练样本。
可理解地,光电容积脉搏波信号训练样本是基于光电容积脉搏波历史信号数据和心律状态标签生成的样本数据,用于对第一特征提取模型、第二特征提取模型和用于表征心律状态的神经网络模型进行模型训练。光电容积脉搏波信号训练样本包括光电容积脉搏波信号正常训练样本和光电容积脉搏波信号异常训练样本,光电容积脉搏波信号正常训练样本是带有心律状态正常标签的光电容积脉搏波信号训练样本,光电容积脉搏波信号异常训练样本是带有心律状态异常标签的光电容积脉搏波信号训练样本。采用监督学习算法进行模型训练时,需要利用一组已知类别(打标签)的样本调整分类器的参数,使模型达到所要求的性能。例如,利用预先同步采集的心电图信号获得已知心律状态类型对光电容积脉搏波信号进行打标签,获得光电容积脉搏波信号训练样本。利用光电容积脉搏波信号训练样本获得训练好的用于表征心律状态的神经网络模型之后,可以仅仅通过光电容积脉搏波信号进行心律状态的检测,而不需要采集心电图信号。
在一实施例中,基于光电容积脉搏波传感器和心电图级联设备,在预设时间段同步采集光电容积脉搏波历史信号和对应的心电图历史信号,例如1个小时内的历史信号数据。由于无法直接通过光电容积脉搏波历史信号准确地观察出是否存在心律状态异常,因此需要将采集得到的光电容积脉搏波历史信号和对应的心电图历史信号进行分段。成年人的平均心率为60~100次/分钟,则一次心跳周期为0 .6~1秒,为了保证每个信号段中都存在心跳的有效信息,分段时的时间段需要大于至少两次心跳周期的时间长度。在本实施例中,每4秒分成一个信号段,每次分段有2秒的重叠,获得多个光电容积脉搏波历史信号段和心电图历史信号段。分段完成后,通过心电图历史信号段对光电容积脉搏波历史信号段进行标注,即打标签。心律是指心脏跳动的节奏,正常心律起源于窦房结,又称窦性心律。若心电图历史信号段中的信号符合窦性心律节奏,则将对应的光电容积脉搏波历史信号段标注为心律状态正常的标签;若心电图历史信号段中的信号不符合窦性心律节奏,则将对应的光电容积脉搏波历史信号段标注为心律状态异常的标签,最后获得多个光电容积脉搏波信号训练样本。在本实施例中,通过心电图历史信号段判断对应时间的光电容积脉搏波历史信号段是否心律状态正常,此时的光电容积脉搏波信号训练样本包含心律状态正常和心律状态异常的两类标签。
其中,在另一实施例中,当通过心电图历史信号段判断对应时间的光电容积脉搏波历史信号段心律状态异常之后,还可以准确判断具体的心律状态异常类型,例如心房颤动异常、右束支传导阻滞异常和室性早搏异常。此时的光电容积脉搏波信号训练样本包含心律状态正常、心房颤动异常、右束支传导阻滞异常和室性早搏异常的四类标签,后续训练好的心律状态预测模型也可以输出对应的四种心律预测结果。
本实施例同步采集光电容积脉搏波历史信号和对应的心电图历史信号,通过心电图历史信号为光电容积脉搏波历史信号打标签,保证了标签分类的准确性,提高了心律状态预测模型的可信度。
在步骤S204和步骤S206之前,即所述获取光电容积脉搏波信号训练样本之前,通过与上述实施例中心律状态检测方法相同的步骤获得多个光电容积脉搏波信号训练样本。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种心律状态检测装置,该心律状态检测装置与上述实施例中心律状态检测方法一一对应。如图6所示,该心律状态检测装置包括信号预处理模块10、特征提取模块20、特征拼接模块30和心律状态检测模块40。各功能模块详细说明如下:
信号预处理模块10,用于获取初始光电容积脉搏波信号,对所述初始光电容积脉搏波信号进行预处理,获得光电容积脉搏波信号;
特征提取模块20,用于通过第一特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第一特征,以及,通过第二特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第二特征,所述第一特征提取模型为训练好的一维卷积神经网络模型,所述第二特征提取模型为训练好的自编码器神经网络模型;
特征拼接模块30,用于至少对所述第一特征和所述第二特征进行拼接,获得神经网络的第一输入特征;
心律状态检测模块40,用于通过训练好的用于表征心律状态的神经网络模型对所述神经网络的第一输入特征进行检测,获得心律状态检测结果。
可选的,心律状态检测模块40,还用于连续获取P个所述第一输入特征,且通过所述神经网络模型对P个所述第一输入特征进行检测,获得P个心律状态的初始检测结果;以及用于若P个心律状态的初始检测结果中表示心律状态异常的数量大于预设数量,则所述心律状态检测结果为异常,若P个心律状态的初始检测结果中表示心律状态异常的数量小于等于预设数量,则所述心律状态检测结果为正常。
可选的,特征提取模块20,还用于对所述光电容积脉搏波信号进行前向一阶差分计算,获得第三特征;以及用于对所述光电容积脉搏波信号进行前向二阶差分计算,获得第四特征;
特征拼接模块30,还用于对所述第一特征、所述第二特征、所述第三特征和所述第四特征进行拼接,获得神经网络的第一输入特征。
可选的,信号预处理模块10,还用于通过滤波器对所述初始光电容积脉搏波信号进行滤波处理,获得光电容积脉搏波滤波信号;以及用于对所述光电容积脉搏波滤波信号进行去基线处理,获得光电容积脉搏波信号。
可选的,特征提取模块20,还用于构建一维卷积神经网络模型;以及用于获取光电容积脉搏波信号训练样本,通过所述光电容积脉搏波信号训练样本对所述一维卷积神经网络模型进行训练,获得第一特征提取模型。
可选的,特征提取模块20,还用于构建自编码器神经网络模型;以及用于获取光电容积脉搏波信号训练样本,通过所述光电容积脉搏波信号训练样本对所述自编码器神经网络模型进行训练,获得第二特征提取模型。
可选的,心律状态检测模块40,还用于构建深度可分离卷积神经网络模型;以及用于获取光电容积脉搏波信号训练样本,通过第一特征提取模型对所述光电容积脉搏波信号训练样本进行特征提取,获得第一训练样本特征,以及,通过第二特征提取模型对所述光电容积脉搏波信号训练样本进行特征提取,获得第二训练样本特征;以及用于对所述第一训练样本特征和所述第二训练样本特征进行拼接,获得训练样本特征;以及用于通过所述训练样本特征向量对所述深度可分离卷积神经网络模型进行训练,获得训练好的用于表征心律状态的神经网络模型。
可选的,心律状态检测模块40还用于采集光电容积脉搏波历史信号以及与所述光电容积脉搏波历史信号对应的心电图历史信号;以及用于对所述光电容积脉搏波历史信号和所述心电图历史信号进行分段处理,获得多个光电容积脉搏波历史信号段和多个心电图历史信号段;以及用于通过所述心电图历史信号段对所述光电容积脉搏波历史信号段进行打标签,获得多个光电容积脉搏波信号训练样本;所述光电容积脉搏波信号训练样本包括光电容积脉搏波信号正常训练样本和光电容积脉搏波信号异常训练样本。
关于心律状态检测装置的具体限定可以参见上文中对于心律状态检测方法的限定,在此不再赘述。上述心律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智能穿戴设备中的处理器中,也可以以软件形式存储于智能穿戴设备中的存储器中,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,提供了一种智能穿戴设备,该智能穿戴设备可以是智能手环、智能手表和智能按摩仪等,其内部结构图可以如图7所示。该智能穿戴设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该智能穿戴设备的处理器用于提供计算和控制能力。该智能穿戴设备的存储器包括可读存储介质、内存储器。该非易失性存储介质存储有操作***和计算机可读指令。该内存储器为可读存储介质中的操作***和计算机可读指令的运行提供环境。该智能穿戴设备的网络接口用于与外部服务器通过网络连接通信。该计算机可读指令被处理器执行时以实现一种心律状态检测方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中,提供了一种智能穿戴设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令,处理器执行计算机可读指令时实现以下步骤:
获取初始光电容积脉搏波信号,对所述初始光电容积脉搏波信号进行预处理,获得光电容积脉搏波信号;
通过第一特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第一特征,以及,通过第二特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第二特征,所述第一特征提取模型为训练好的一维卷积神经网络模型,所述第二特征提取模型为训练好的自编码器神经网络模型;
至少对所述第一特征和所述第二特征进行拼接,获得神经网络的第一输入特征;
通过训练好的用于表征心律状态的神经网络模型对所述神经网络的第一输入特征进行检测,获得心律状态检测结果。
在一个实施例中,提供了一个或多个存储有计算机可读指令的计算机可读存储介质,本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时实现以下步骤:
获取初始光电容积脉搏波信号,对所述初始光电容积脉搏波信号进行预处理,获得光电容积脉搏波信号;
通过第一特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第一特征,以及,通过第二特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第二特征,所述第一特征提取模型为训练好的一维卷积神经网络模型,所述第二特征提取模型为训练好的自编码器神经网络模型;
至少对所述第一特征和所述第二特征进行拼接,获得神经网络的第一输入特征;
通过训练好的用于表征心律状态的神经网络模型对所述神经网络的第一输入特征进行检测,获得心律状态检测结果。
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,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中,该计算机可读指令在执行时,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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (13)
1.一种心律状态检测方法,其特征在于,包括:
获取初始光电容积脉搏波信号,对所述初始光电容积脉搏波信号进行预处理,获得光电容积脉搏波信号;
通过第一特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第一特征,以及,通过第二特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第二特征,所述第一特征提取模型为训练好的一维卷积神经网络模型,所述第二特征提取模型为训练好的自编码器神经网络模型;
至少对所述第一特征和所述第二特征进行拼接,获得神经网络的第一输入特征;
通过训练好的用于表征心律状态的神经网络模型对所述神经网络的第一输入特征进行检测,获得心律状态检测结果。
2.如权利要求1所述的心律状态检测方法,其特征在于,所述通过训练好的用于表征心律状态的神经网络模型对所述神经网络的第一输入特征进行检测,获得心律状态检测结果,包括:
连续获取P个所述第一输入特征,且通过所述神经网络模型对P个所述第一输入特征进行检测,获得P个心律状态的初始检测结果;
若P个心律状态的初始检测结果中表示心律状态异常的数量大于预设数量,则所述心律状态检测结果为异常,若P个心律状态的初始检测结果中表示心律状态异常的数量小于等于预设数量,则所述心律状态检测结果为正常。
3.如权利要求1所述的心律状态检测方法,其特征在于,还包括:
对所述光电容积脉搏波信号进行前向一阶差分计算,获得第三特征;
对所述光电容积脉搏波信号进行前向二阶差分计算,获得第四特征;
所述至少对所述第一特征和所述第二特征进行拼接,获得神经网络的第一输入特征,包括:
对所述第一特征、所述第二特征、所述第三特征和所述第四特征进行拼接,获得神经网络的第一输入特征。
4.如权利要求1所述的心律状态检测方法,其特征在于,所述对所述初始光电容积脉搏波信号进行预处理,获得光电容积脉搏波信号,包括:
通过滤波器对所述初始光电容积脉搏波信号进行滤波处理,获得光电容积脉搏波滤波信号;
对所述光电容积脉搏波滤波信号进行去基线处理,获得光电容积脉搏波信号。
5.如权利要求1所述的心律状态检测方法,其特征在于,所述通过第一特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第一特征之前,包括:
构建一维卷积神经网络模型;
获取光电容积脉搏波信号训练样本,通过所述光电容积脉搏波信号训练样本对所述一维卷积神经网络模型进行训练,获得第一特征提取模型。
6.如权利要求1所述的心律状态检测方法,其特征在于,所述通过第二特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第二特征之前,包括:
构建自编码器神经网络模型;
获取光电容积脉搏波信号训练样本,通过所述光电容积脉搏波信号训练样本对所述自编码器神经网络模型进行训练,获得第二特征提取模型。
7.如权利要求1所述的心律状态检测方法,其特征在于,所述用于表征心律状态的神经网络模型为深度可分离卷积神经网络模型;
所述通过训练好的用于表征心律状态的神经网络模型对所述神经网络的第一输入特征进行检测之前,包括:
构建深度可分离卷积神经网络模型;
获取光电容积脉搏波信号训练样本,通过第一特征提取模型对所述光电容积脉搏波信号训练样本进行特征提取,获得第一训练样本特征,以及,通过第二特征提取模型对所述光电容积脉搏波信号训练样本进行特征提取,获得第二训练样本特征;
对所述第一训练样本特征和所述第二训练样本特征进行拼接,获得训练样本特征;
通过所述训练样本特征对所述深度可分离卷积神经网络模型进行训练,获得训练好的用于表征心律状态的神经网络模型。
8.如权利要求5~7中任一项所述的心律状态检测方法,其特征在于,所述获取光电容积脉搏波信号训练样本之前,包括:
采集光电容积脉搏波历史信号以及与所述光电容积脉搏波历史信号对应的心电图历史信号;
对所述光电容积脉搏波历史信号和所述心电图历史信号进行分段处理,获得多个光电容积脉搏波历史信号段和多个心电图历史信号段;
通过所述心电图历史信号段对所述光电容积脉搏波历史信号段进行打标签,获得多个光电容积脉搏波信号训练样本;所述光电容积脉搏波信号训练样本包括光电容积脉搏波信号正常训练样本和光电容积脉搏波信号异常训练样本。
9.一种心律状态检测装置,其特征在于,包括:
信号预处理模块,用于获取初始光电容积脉搏波信号,对所述初始光电容积脉搏波信号进行预处理,获得光电容积脉搏波信号;
特征提取模块,用于通过第一特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第一特征,以及,通过第二特征提取模型对所述光电容积脉搏波信号进行特征提取,获得第二特征,所述第一特征提取模型为训练好的一维卷积神经网络模型,所述第二特征提取模型为训练好的自编码器神经网络模型;
特征拼接模块,用于至少对所述第一特征和所述第二特征进行拼接,获得神经网络的第一输入特征;
心律状态检测模块,用于通过训练好的用于表征心律状态的神经网络模型对所述神经网络的第一输入特征进行检测,获得心律状态检测结果。
10.如权利要求9所述的心律状态检测装置,其特征在于,所述特征提取模块还用于对所述光电容积脉搏波信号进行前向一阶差分计算,获得第三特征;以及用于对所述光电容积脉搏波信号进行前向二阶差分计算,获得第四特征;
所述特征拼接模块还用于对所述第一特征、所述第二特征、所述第三特征和所述第四特征进行拼接,获得神经网络的第一输入特征。
11.如权利要求9所述的心律状态检测装置,其特征在于,所述特征提取模块还用于构建自编码器神经网络模型;以及用于获取光电容积脉搏波信号训练样本,通过所述光电容积脉搏波信号训练样本对所述自编码器神经网络模型进行训练,获得第二特征提取模型。
12.一种智能穿戴设备,包括存储器、处理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可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至8中任一项所述心律状态检测方法。
13.一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可读指令,其特征在于,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1至8中任一项所述心律状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310337832.1A CN116035548B (zh) | 2023-03-31 | 2023-03-31 | 心律状态检测方法、装置、智能穿戴设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310337832.1A CN116035548B (zh) | 2023-03-31 | 2023-03-31 | 心律状态检测方法、装置、智能穿戴设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116035548A true CN116035548A (zh) | 2023-05-02 |
CN116035548B CN116035548B (zh) | 2023-06-09 |
Family
ID=86114916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310337832.1A Active CN116035548B (zh) | 2023-03-31 | 2023-03-31 | 心律状态检测方法、装置、智能穿戴设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116035548B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160220128A1 (en) * | 2013-10-01 | 2016-08-04 | Koninklijke Philips N.V. | Improved signal selection for obtaining a remote photoplethysmographic waveform |
CN106056843A (zh) * | 2016-07-08 | 2016-10-26 | 华南理工大学 | 辨识呼救声和异常脉搏的智能报警手环及其智能报警方法 |
EP3387990A1 (en) * | 2017-03-28 | 2018-10-17 | IMEC vzw | System and method for heart rate detection with motion artifact reduction |
CN110458197A (zh) * | 2019-07-11 | 2019-11-15 | 启东市知微电子科技有限公司 | 基于光电容积脉搏波的身份识别方法及其*** |
US10582862B1 (en) * | 2015-04-22 | 2020-03-10 | Vital Connect, Inc. | Determination and monitoring of basal heart rate |
US20200093386A1 (en) * | 2018-09-21 | 2020-03-26 | Imec Vzw | Method of generating a model for heart rate estimation from a photoplethysmography signal and a method and a device for heart rate estimation |
CN112568886A (zh) * | 2020-11-03 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 心律的检测方法、电子设备以及计算机可读存储介质 |
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 |
CN113243902A (zh) * | 2021-05-31 | 2021-08-13 | 之江实验室 | 一种基于光电容积脉搏波的特征提取方法 |
US20220022765A1 (en) * | 2020-06-30 | 2022-01-27 | University Of Connecticut | Heart Condition Treatment and Analysis |
CN114052675A (zh) * | 2021-11-18 | 2022-02-18 | 广东电网有限责任公司 | 一种基于融合注意力机制的脉搏异常判别方法及*** |
CN114758386A (zh) * | 2022-03-29 | 2022-07-15 | 深圳市商汤科技有限公司 | 心率检测方法及装置、设备、存储介质 |
WO2023015932A1 (zh) * | 2021-08-11 | 2023-02-16 | 北京荣耀终端有限公司 | 基于深度学习的心率检测方法及可穿戴设备 |
-
2023
- 2023-03-31 CN CN202310337832.1A patent/CN116035548B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160220128A1 (en) * | 2013-10-01 | 2016-08-04 | Koninklijke Philips N.V. | Improved signal selection for obtaining a remote photoplethysmographic waveform |
US10582862B1 (en) * | 2015-04-22 | 2020-03-10 | Vital Connect, Inc. | Determination and monitoring of basal heart rate |
CN106056843A (zh) * | 2016-07-08 | 2016-10-26 | 华南理工大学 | 辨识呼救声和异常脉搏的智能报警手环及其智能报警方法 |
EP3387990A1 (en) * | 2017-03-28 | 2018-10-17 | IMEC vzw | System and method for heart rate detection with motion artifact reduction |
US20200093386A1 (en) * | 2018-09-21 | 2020-03-26 | Imec Vzw | Method of generating a model for heart rate estimation from a photoplethysmography signal and a method and a device for heart rate estimation |
CN110458197A (zh) * | 2019-07-11 | 2019-11-15 | 启东市知微电子科技有限公司 | 基于光电容积脉搏波的身份识别方法及其*** |
US20220022765A1 (en) * | 2020-06-30 | 2022-01-27 | University Of Connecticut | Heart Condition Treatment and Analysis |
CN112568886A (zh) * | 2020-11-03 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 心律的检测方法、电子设备以及计算机可读存储介质 |
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 |
CN113243902A (zh) * | 2021-05-31 | 2021-08-13 | 之江实验室 | 一种基于光电容积脉搏波的特征提取方法 |
WO2023015932A1 (zh) * | 2021-08-11 | 2023-02-16 | 北京荣耀终端有限公司 | 基于深度学习的心率检测方法及可穿戴设备 |
CN114052675A (zh) * | 2021-11-18 | 2022-02-18 | 广东电网有限责任公司 | 一种基于融合注意力机制的脉搏异常判别方法及*** |
CN114758386A (zh) * | 2022-03-29 | 2022-07-15 | 深圳市商汤科技有限公司 | 心率检测方法及装置、设备、存储介质 |
Non-Patent Citations (4)
Title |
---|
KAND, DH;等: "1D convolutional autoencoder-based PPG and GSR Signals for real-time emotion classification", 《IEEE ACCESS》 * |
TANG, CX;等: "Non-contact heart rate monitoring by combining convolutional neural network skin detection and remote photoplethysmography via a low-cost camera", 《IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS》 * |
夏冬: "基于堆栈自编码器的脉搏信号的去噪和检测研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
黄耀: "低流量七氟醚用于腹腔镜手术麻醉的效果", 《人人健康》 * |
Also Published As
Publication number | Publication date |
---|---|
CN116035548B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Deep learning in ECG diagnosis: A review | |
Naeini et al. | A real-time PPG quality assessment approach for healthcare Internet-of-Things | |
Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
CN110944577B (zh) | 一种血氧饱和度的检测方法与*** | |
Casado et al. | Face2PPG: An unsupervised pipeline for blood volume pulse extraction from faces | |
US20230143594A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN111297349A (zh) | 一种基于机器学习的心律分类*** | |
Qaisar et al. | Arrhythmia classification using multirate processing metaheuristic optimization and variational mode decomposition | |
CN110664395B (zh) | 图像处理方法、图像处理装置以及存储介质 | |
Huang et al. | A novel one-stage framework for visual pulse rate estimation using deep neural networks | |
CN111588367A (zh) | 心率检测方法、装置及计算机可读存储介质 | |
CN112788200B (zh) | 频谱信息的确定方法及装置、存储介质、电子装置 | |
Arvanaghi et al. | Classification cardiac beats using arterial blood pressure signal based on discrete wavelet transform and deep convolutional neural network | |
Nowara et al. | The benefit of distraction: Denoising remote vitals measurements using inverse attention | |
Gan et al. | Parallel classification model of arrhythmia based on DenseNet-BiLSTM | |
Wang et al. | TransPhys: Transformer-based unsupervised contrastive learning for remote heart rate measurement | |
CN117694845B (zh) | 基于融合特征增强的非接触式生理信号检测方法及装置 | |
Hu et al. | Contactless blood oxygen estimation from face videos: A multi-model fusion method based on deep learning | |
Karri et al. | A real-time cardiac arrhythmia classification using hybrid combination of delta modulation, 1D-CNN and blended LSTM | |
Hu et al. | Spatiotemporal self-supervised representation learning from multi-lead ECG signals | |
Zabihi et al. | Bp-net: Cuff-less and non-invasive blood pressure estimation via a generic deep convolutional architecture | |
Zhang et al. | MSDN: A multi-stage deep network for heart-rate estimation from facial videos | |
CN116035548B (zh) | 心律状态检测方法、装置、智能穿戴设备及存储介质 | |
Zhu et al. | FM-FCN: a neural network with filtering modules for accurate vital signs extraction | |
Li et al. | Inferring ECG from PPG for Continuous Cardiac Monitoring Using Lightweight Neural Network |
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 |