CN117562523A - 一种基于光电容积法的心率检测方法、***及可穿戴设备 - Google Patents
一种基于光电容积法的心率检测方法、***及可穿戴设备 Download PDFInfo
- Publication number
- CN117562523A CN117562523A CN202311483587.1A CN202311483587A CN117562523A CN 117562523 A CN117562523 A CN 117562523A CN 202311483587 A CN202311483587 A CN 202311483587A CN 117562523 A CN117562523 A CN 117562523A
- Authority
- CN
- China
- Prior art keywords
- matrix
- heart rate
- acceleration
- signal
- photoelectric volume
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 138
- 230000001133 acceleration Effects 0.000 claims abstract description 113
- 239000013598 vector Substances 0.000 claims abstract description 105
- 238000009532 heart rate measurement Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000004913 activation Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 14
- 238000013186 photoplethysmography Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 230000003213 activating effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 abstract description 25
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 210000000707 wrist Anatomy 0.000 description 8
- 238000005295 random walk Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000009021 linear effect Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
- A61B5/02444—Details of sensor
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Cardiology (AREA)
- Surgery (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Psychiatry (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本申请涉及一种基于光电容积法的心率检测方法、***及可穿戴设备,属于心率监测技术领域,方法包括获取原始光电容积信号,并对原始光电容积信号进行去噪处理,得到去噪光电容积信号;获取加速度信号,并将加速度信号进行处理得到加速度幅值曲线;对去噪光电容积信号以及加速度幅值曲线进行整合处理,得到参考矩阵;对去噪光电容积信号以及参考矩阵进行加权处理,得到若干个心率预测向量;对若干个心率预测向量进行频域分析,以生成心率测量结果。由于使用了加速度信号来估计运动的影响,并与光电容积信号进行了融合,以便对运动伪影带来的影响进行实时补偿,抵消了运动伪影。本申请具有减小运动伪影对心率测量的影响的效果。
Description
技术领域
本发明涉及心率监测技术领域,尤其是涉及一种基于光电容积法的心率检测方法、***及可穿戴设备。
背景技术
光电容积法,即光电容积描记(Photoplethysmography,PPG),是一种利用红外无损检测技术对人体运动心率进行检测方法,具体地,利用光电传感器,检测经过人体血液和组织吸收后的反射光强度的不同,描记出血管容积在心动周期内的变化,从得到的脉搏波形中计算出心率。由于光电传感器体积小巧,易于集成到可穿戴设备中,例如运动手环、手表等,从而便于为消费者提供实时的连续的心率测量。
然而,在可穿戴设备位于人体移动较为频繁的位置(例如手腕处)时,使用光电容积法进行心率测量,光电传感器易受到肢体运动的影响,而产生运动伪影,从而易导致利用光电容积法测量到的心率准确性下降。如何减小运动伪影对心率测量对影响,是目前亟待解决的问题。
发明内容
为了减小运动伪影对心率测量的影响,本申请提供了一种基于光电容积法的心率检测方法、***及可穿戴设备。
第一方面,本申请提供的一种基于光电容积法的心率检测方法,采用如下的技术方案:
一种基于光电容积法的心率检测方法,包括:
获取原始光电容积信号,并对原始光电容积信号进行去噪处理,得到去噪光电容积信号;
获取加速度信号,并将加速度信号进行处理得到加速度幅值曲线;
对去噪光电容积信号以及加速度幅值曲线进行整合处理,得到参考矩阵;
对去噪光电容积信号以及参考矩阵进行加权处理,得到若干个心率预测向量;
对若干个心率预测向量进行频域分析,以生成心率测量结果。
通过采用上述技术方案,分别对原始光电容积信号以及加速度信号进行处理,以得到去噪光电容积信号以及加速度幅值曲线,利用去噪光电容积信号和加速度幅值曲线共同生成参考矩阵,使得参考矩阵更加吻合真实心率波形,并利用参考矩阵与去噪光光电容积信号加权,以便得到心率预测向量,此时通过对心率预测向量进行频域分析,即能够生成心率测量结果,由于使用了加速度信号来估计运动的影响,并与光电容积信号进行了融合,以便对运动伪影带来的影响进行实时补偿,从而抵消了运动伪影,进而减小运动伪影对心率测量的影响。
可选的,所述获取加速度信号,并将加速度信号进行合成得到加速度幅值曲线,具体包括:
获取加速度信号,并计算每个预设采样周期内的加速度信号的艾伦差分数据;
根据艾伦差分数据,对加速度信号进行零偏矫正和随机误差补偿,得到加速度校准信号;对加速度校准信号中的X方向分量、Y方向分量以及Z方向分量进行合成,得到加速度幅值曲线。
通过采用上述技术方案,先利用艾伦差分数据对加速度信号进行零偏不稳定性校正和随机游走误差的补偿,以减小采集加速度信号时的误差,由于加速度信号包括三个方向的分量,为了便于对加速度信号进行处理,将加速度校准信号中的X方向分量、Y方向分量以及Z方向分量进行合成,以得到加速度幅值曲线,一方面加速度幅值曲线综合了三个方向的分量的数据,另一方面减小了所需处理的数据量。
可选的,所述对去噪光电容积信号以及加速度幅值曲线进行整合处理,得到参考矩阵,具体包括:
对去噪光电容积信号以及加速度幅值曲线进行拼接,得到拼接矩阵;
基于拼接矩阵以及随机生成的若干组初始化矩阵,生成若干个自注意输出向量;
将若干个自注意输出向量进行合并,以生成多头注意输出矩阵;
对多头注意输出矩阵进行非线性映射操作生成映射矩阵,并将映射矩阵和拼接矩阵进行跳转连接,以得到融合矩阵;
通过第二激活函数对融合矩阵进行激活,得到参考矩阵。
通过采用上述技术方案,通过拼接操作将去噪光电容积信号以及加速度幅值曲线进行初步融合,以得到拼接矩阵,利用随机生成初始化矩阵的方式,得到若干个不同的自注意输出向量,以便对拼接矩阵的不同位置进行加权关注,再将若干自注意输出向量合并得到多头注意输出矩阵,以便能够并行提取更丰富的特征信息,然后,通过非线性映射操作跳转连接将多头注意输出矩与拼接矩阵进行融合,以得到融合矩阵,以便更好的传递拼接矩阵的信息和梯度,最后对融合矩阵进行激活,即通过多次特征的拼接提取传递等操作,使得生成的参考矩阵能更加吻合真实心率波形。
可选的,所述对去噪光电容积信号以及加速度幅值曲线进行拼接,得到拼接矩阵,具体包括:
根据时间顺序,对去噪光电容积信号进行第一窗口划分操作,得到若干个光电容积向量;根据时间顺序,对加速度幅值曲线进行第二窗口划分操作,得到若干个加速度向量;其中,所述第一窗口划分操作和第二窗口划分操作所预设的窗口大小、窗口个数均一致;
将光电容积向量与加速度向量对位相加,得到若干组拼接数据;
对每组拼接数据进行相对位置编码,得到每组拼接数据的编码值;
将所有拼接数据和与其对应编码值相加,得到拼接矩阵。
通过采用上述技术方案,通过窗口大小和窗口个数均一致的第一窗口划分操作以及第二窗口划分操作,将去噪光电容积信号和加速度曲线划分为同样的个数及同样的数据长度,以便得对得到的光电容积向量与加速度向量对位相加,得到若干组拼接数据,再对每组拼接数据进行相对位置编码,通过相对位置编码便于对拼接数据中不同位置上的数据之间的关系进行提取,再将所有拼接数据和与其对应编码值相加,即能够得到融合了去噪光电容积信号和加速度幅值曲线的拼接矩阵。
可选的,所述基于拼接矩阵以及随机生成的若干组初始化矩阵,生成若干个自注意输出向量,具体包括:
基于拼接矩阵以及随机生成的若干组初始化矩阵,计算若干组权重矩阵,所述权重矩阵包括键矩阵、值矩阵以及查询矩阵;
计算每组权重矩阵中的键矩阵以及查询矩阵的相似度,并通过第一激活函数对相似度进行激活,得到每组权重矩阵对应的激活矩阵;
基于所有激活矩阵以及与其对应的值矩阵,得到若干个自注意输出向量。
通过采用上述技术方案,利用若干组随机生成的初始化矩阵,便于使基于拼接矩阵生成的键矩阵、值矩阵以及查询矩阵向不同的方向进行优化,并通过键矩阵以及查询矩阵计算出拼接矩阵在身各个向量之间的相似性,再通过激活函数以及值矩阵分配权重,以得到自注意输出向量。
可选的,所述对去噪光电容积信号以及参考矩阵进行加权处理,得到若干组心率预测向量,具体包括:
对去噪光电容积信号进行第一窗口划分操作,得到若干个光电容积向量;
将参考矩阵按行进行拆分,得到若干个参考向量;
逐个对每个光电容积向量以及对应的参考向量进行卡尔曼加权处理,得到若干个心率预测向量。
通过采用上述技术方案,利用第一窗口划分操作以便对光电容积信号进行拆分,同时对参考矩阵按拆分,将去噪光电容积信号和参考矩阵均转化为向量形式,以便将去噪光电容积信号和参考矩阵转换为统一形式的信号,从而便于将去噪光电容积信号和参考矩阵进行卡尔曼加权,以得到若干个心率预测向量。
可选的,所述对若干个心率预测向量进行频域分析,以生成心率测量结果,具体包括:
分别对每个心率预测向量进行离散傅里叶变换,得到若干个向量频谱图;
对所有向量频谱图进行归一化操作,得到归一频谱图;
搜索归一频谱图中的最大频率分量,并量最大频率分量对应的心率值作为心率测量结果。
通过采用上述技术方案,对心率预测向量进行离散傅里叶变换,并通过在归一化频谱图的方式,便于提取出心脏电活动的主要频率,即找到峰值最大的频率分量所对应的心率值,从而得到心率测量结果。
第二方面,本申请提供一种基于光电容积法的心率检测***,采用如下技术方案:
一种基于光电容积法的心率检测***,包括:
光电容积信号预处理层,用于获取原始光电容积信号,并对原始光电容积信号进行去噪处理,得到去噪光电容积信号;
加速度信号预处理层,用于获取加速度信号,并将加速度信号进行处理得到加速度幅值曲线;参考信号生成层,用于对去噪光电容积信号以及加速度幅值曲线进行整合处理,得到参考矩阵;
心率信号预测层,用于对去噪光电容积信号以及参考矩阵进行加权处理,得到若干个心率预测向量;
测量结果输出层,用于对若干个心率预测向量进行频域分析,以生成心率测量结果。
第三方面,本申请提供一种可穿戴设备,采用如下技术方案:
一种可穿戴设备,包括存储器、处理器以及储存在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行如上述任一种方法的计算机程序。
第四方面,本申请提供一种计算机可读存储介质,采用如下技术方案:
一种计算机可读存储介质,包括存储有能够被处理器加载并执行如上述任一方法中的计算机程序。
附图说明
图1是本申请其中一实施例心率检测方法的流程图。
图2是本申请其中一实施例加速度幅值曲线生成的方法流程图。
图3是本申请其中一实施例参考矩阵生成的方法流程图。
图4是本申请其中一实施例拼接矩阵生成的方法流程图。
图5是本申请其中一实施例自注意输出向量生成的方法流程图。
图6是本申请其中一实施例心率预测向量生成的方法流程图。
图7是本申请其中一实施例心率测量结果生成的方法流程图。
图8是本申请其中一实施例心率检测方法的框图。
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,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
首先对本实施例相关的术语进行解释。
光电容积法:是一种用于测量生物体内的血液流动情况的方法。它通常使用光电传感器来检测皮肤下血管区域的光吸收变化,以估计脉搏和血流速度。这种技术常用于心率监测和血压监测等医疗应用。
艾伦差分法(Allen Cahn Equation):艾伦差分法是一种时间序列分析方法,主要用于预测或估算时间序列数据的发展趋势。
激活函数:是神经网络中的一种数学函数,它用于在神经元中引入非线性性质。这些函数将神经元的输入映射到输出,通常用于决定神经元是否应该被激活(产生输出信号)。常见的激活函数包括Sigmoid、ReLU(Rectified Linear Unit)、Tanh等。
卡尔曼滤波加权:卡尔曼滤波是一种用于估计状态变量的数学算法,经常用于处理带有噪声的数据。卡尔曼滤波加权是指在使用卡尔曼滤波时,对不同数据来源或不同时间点的数据给予不同的权重,以便更准确地估计状态变量。
Transformer模型:Transformer模型是一种深度学习模型,它主要由两部分组成:编码器和解码器。编码器将输入序列转换为上下文向量,解码器则使用这些向量来生成输出序列。Transformer模型的核心在于使用了自注意力机制(self-attention mechanism)来捕捉输入序列中的长程依赖关系。
其次,对本申请的提出背景进行进一步介绍。
目前,对于心率监测主要有两种方法,一种是将测量设备通过智能手环、智能手表等可穿戴设备佩戴在手腕上,另一种是医用的心率监测仪器(如心电图机器)通常放置在胸部或其他位置。采用心率监测仪对心率进行监测时通常要求与皮肤有更紧密的接触,且胸部的运动幅度相对较小,便于传感器可以准确地检测心跳信号。而当在手腕处采集心率信号时,由于手腕是身体运动的一个主要关节,运动时手腕可能会受到摇晃或震动,并且手环、手表可能会与皮肤有一定的间隙,所以手腕上的传感器容易受到运动的影响,信号的衰减或干扰也会较大。
基于此,为了便于提高手腕处测量心率的准确性,本申请实施例公开一种基于光电容积法的心率检测方法。参照图1,一种基于光电容积法的心率检测方法,包括:
步骤S101:获取原始光电容积信号,并对原始光电容积信号进行去噪处理,得到去噪光电容积信号。
具体地,作为一种可能实现方式,去噪处理可以采用滑动平均法(MovingAverage),通过滑动平均滤波器来滤除带外频率范围的成分,带外频率即要滤除的频率范围,以原始光电容积信号的采集频率设为60HZ为例,由于有用的原始光电容积信号位于0.3-5Hz之间,因此为了衰减带外频率,可以选用四阶巴特沃斯IIR带通滤波器作为滑动平均滤波器,将原始光电容积信号中的带外噪声去除,在原始光电容积信号中带外噪声包括交流噪声、肌肉收缩噪声和其他电干扰等。
步骤S102:获取加速度信号,并将加速度信号进行处理得到加速度幅值曲线。
其中,加速度信号可以通过加速度计进行获取,加速度计是一种传感器,能够测量待测目标在三个轴(通常是X、Y和Z轴)上的加速度,在本实施例中,加速度信号用于表征佩戴可穿戴设备的手腕的加速度。
还需要说明的是,为了便于对加速度信号进行处理,加速度信号的采样频率应与原始光电容积信号的采集频率保持一致,即均为60HZ。
步骤S103:对去噪光电容积信号以及加速度幅值曲线进行整合处理,得到参考矩阵。
应当理解,在相关技术中采用光电容积法测量心率所使用到的参考信号通常是指一个已知的、稳定的信号源,例如呼吸运动或心跳的周期性变化,以校准和消除干扰因素。而本实施例中,参考矩阵的生成依赖于加速度幅值曲线,加速度幅值曲线随佩戴者的随机运动而生成,无法进行预测。
步骤S104:对去噪光电容积信号以及参考矩阵进行加权处理,得到若干个心率预测向量。
步骤S105:对若干个心率预测向量进行频域分析,以生成心率测量结果。
上述实施方式中,分别对原始光电容积信号以及加速度信号进行处理,以得到去噪光电容积信号以及加速度幅值曲线,利用去噪光电容积信号和加速度幅值曲线共同生成参考矩阵,使得参考矩阵更加吻合真实心率波形,并利用参考矩阵与去噪光光电容积信号加权,以便得到心率预测向量,此时通过对心率预测向量进行频域分析,即能够生成心率测量结果,由于使用了加速度信号来估计运动的影响,并与光电容积信号进行了融合,以便对运动伪影带来的影响进行实时补偿,从而抵消了运动伪影,进而减小运动伪影对心率测量的影响。
参照图2,作为步骤S102的一种实施方式,步骤S102具体包括以下步骤,下面进行详细介绍。
步骤S1021:获取加速度信号,并计算每个预设采样周期内的加速度信号的艾伦差分数据。
其中,预设采用周期可基于采样频率进行计算得到。
步骤S1022:根据艾伦差分数据,对加速度信号进行零偏矫正和随机误差补偿,得到加速度校准信号。
其中,零偏不稳定性是指加速度计输出在相同条件下的重复性误差。通过记录在一段时间内的加速度信号,可以计算出不同时间间隔内的零偏变化,以测量出零偏不稳定性。随机游走误差是指加速度计输出在相同条件下的累积误差,通常是随时间逐渐增加的,通过对加速度信号进行积分,可以估计出随机游走误差,以测量不同时间间隔内的随机游走误差。通过零偏不稳定性和随机游走误差的测量结果即能够对加速度信号进行补偿。即使用零偏漂移的时间常数来进行零偏矫正,使用随机游走误差来进行误差补偿。
步骤S1023:对加速度校准信号中的X方向分量、Y方向分量以及Z方向分量进行合成,得到加速度幅值曲线。
具体地,作为一种可能的实现方式,先将X方向分量、Y方向分量以及Z方向分量进行合成为单通道输出:其中,mag表示运动幅值。根据所设定的采样频率,在每一采样时刻都能够计算出相应的运动幅值,将所有采样时刻获取的运动幅值进行拟合,即能够得到加速度幅值曲线。
上述实施方式中,先利用艾伦差分数据对加速度信号进行零偏不稳定性校正和随机游走误差的补偿,以减小采集加速度信号时的误差,由于加速度信号包括三个方向的分量,为了便于对加速度信号进行处理,将加速度校准信号中的X方向分量、Y方向分量以及Z方向分量进行合成,以得到加速度幅值曲线,一方面加速度幅值曲线综合了三个方向的分量的数据,另一方面减小了所需处理的数据量。
参照图3,作为步骤S103的一种实施方式,步骤S103具体包括以下步骤,下面进行详细介绍。
步骤S1031:对去噪光电容积信号以及加速度幅值曲线进行拼接,得到拼接矩阵。
其中,拼接矩阵为方矩阵。
步骤S1032:基于拼接矩阵以及随机生成的若干组初始化矩阵,生成若干个自注意输出向量。
应当理解,每随机生成一组初始化矩阵,则结合拼接矩阵对应生成一个自注意输出向量。例如,生成八组初始化矩阵,则相应地生成八个自注意输出向量。
步骤S1033:将若干个自注意输出向量进行合并,以生成多头注意输出矩阵。
步骤S1034:对多头注意输出矩阵进行非线性映射操作生成映射矩阵,并将映射矩阵和拼接矩阵进行跳转连接,以得到融合矩阵。
其中,作为一种可能的实现方式,可以采用BP神经网络执行非线性映射,BP神经网络包括中间隐层和BP输出层。BP神经网络的神经元通常使用非线性激活函数,通过非线性激活函数,对多头注意输出矩阵的每一列经过非线性映射后,再按行进行合并,即能够得到与多头注意输出矩阵同维度的映射矩阵。通过非线性映射引入了非线性性质,以便网络能够捕捉更复杂的特征和关系的经过非线性映射。
其中,作为一种可能的实现方式,跳转连接可以采用将映射矩阵和拼接矩阵按位相加操作,即将映射矩阵和拼接矩阵中行列相同位置的元素进行相加,得到融合矩阵中行列相同位置的元素。当映射矩阵和拼接矩阵按位相加时,得到的融合矩阵包含了来自拼接矩阵和多头注意力输出矩阵的信息。
步骤S1035:通过第二激活函数对融合矩阵进行激活,得到参考矩阵。
其中,作为一种可能的实现方式,第二激活函数可以是Softmax函数,对融合矩阵的每一列使用Softmax函数进行激活,得到参考矩阵。
上述实施方式中,通过拼接操作将去噪光电容积信号以及加速度幅值曲线进行初步融合,以得到拼接矩阵,利用随机生成初始化矩阵的方式,得到若干个不同的自注意输出向量,以便对拼接矩阵的不同位置进行加权关注,再将若干自注意输出向量合并得到多头注意输出矩阵,以便能够并行提取更丰富的特征信息,然后,通过非线性映射操作跳转连接将多头注意输出矩与拼接矩阵进行融合,以得到融合矩阵,以便更好的传递拼接矩阵的信息和梯度,最后对融合矩阵进行激活,即通过多次特征的拼接提取传递等操作,使得生成的参考矩阵能更加吻合真实心率波形。
参照图4,作为步骤S1031的一种实施方式,步骤S1031具体包括以下步骤,下面进行详细介绍。
步骤S10311:根据时间顺序,对去噪光电容积信号进行第一窗口划分操作,得到若干个光电容积向量。
其中,作为一种可能的实现方式,在第一窗口划分操作中,窗口大小为K(K指时间参数),每个窗口包含的数据个数为8L,与去噪光电容积信号对应的窗口个数为8L。下述步骤均以窗口个数为8L进行示例说明。
其中,若干个光电容积向量可以依次标记为:p1、p2、p3、...p8L。
步骤S10312:根据时间顺序,对加速度幅值曲线进行第二窗口划分操作,得到若干个加速度向量;其中,所述第一窗口划分操作和第二窗口划分操作所预设的窗口大小、窗口个数均一致。
同理,在第二窗口划分操作中,窗口大小为K(K指时间参数),与加速度幅值曲线对应的窗口个数为8L,由于去噪光电容积信号和加速度幅值曲线具有相同的采样频率,所以加速度幅值曲线中每个窗口同样包含的数据个数为8L。
其中,若干个加速度向量可以依次标记为:q1、q2、q3、...q8L。
步骤S10313:将光电容积向量与加速度向量对位相加,得到若干组拼接数据;
具体地,将p1和q1、p2和q2、p3和q3、...、p8L和q8L相加,以得到拼接数据。
步骤S10314:对每组拼接数据进行相对位置编码,得到每组拼接数据的编码值。
步骤S10315:将所有拼接数据和与其对应编码值相加,得到拼接矩阵。
应当理解,拼接矩阵的维度可以是8L×8L。
上述实施方式中,通过窗口大小和窗口个数均一致的第一窗口划分操作以及第二窗口划分操作,将去噪光电容积信号和加速度曲线划分为同样的个数及同样的数据长度,以便得对得到的光电容积向量与加速度向量对位相加,得到若干组拼接数据,再对每组拼接数据进行相对位置编码,通过相对位置编码便于对拼接数据中不同位置上的数据之间的关系进行提取,再将所有拼接数据和与其对应编码值相加,即能够得到融合了去噪光电容积信号和加速度幅值曲线的拼接矩阵。
参照图5,作为步骤S1032的一种实施方式,步骤S1032具体包括以下步骤,下面进行详细介绍。
步骤S10321:基于拼接矩阵以及随机生成的若干组初始化矩阵,计算若干组权重矩阵;
其中,每组初始化矩阵包括三个矩阵,其维度均为8L×L。
其中,权重矩阵包括键矩阵、值矩阵以及查询矩阵。
具体地,计算一组权重矩阵的公式为:
K=RT×Wk
V=RT×Wv
Q=RT×Wq
其中,K为键矩阵、V为值矩阵,Q为查询矩阵,R为拼接矩阵,Wk、Wv、Wq是同一组随机生成的初始化矩阵。
在本实施例中,共随机生成八组初始化矩阵,即生成八组权重矩阵。
步骤S10322:计算每组权重矩阵中的键矩阵以及查询矩阵的相似度,并通过第一激活函数对相似度进行激活,得到每组权重矩阵对应的激活矩阵。
具体地,相似性计算公式如下:
其中,E是相似性,相似性的维度为L×L;d表示拼接矩阵的列数,此处为d为8L。
步骤S10323:基于所有激活矩阵以及与其对应的值矩阵,得到若干个自注意输出向量。
具体地,自注意输出向量的计算公式为:C=V×SE;其中,SE是激活矩阵,C是自注意输出向量,V是值矩阵。
上述实施方式中,利用若干组随机生成的初始化矩阵,便于使基于拼接矩阵生成的键矩阵、值矩阵以及查询矩阵向不同的方向进行优化,并通过键矩阵以及查询矩阵计算出拼接矩阵在身各个向量之间的相似性,再通过激活函数以及值矩阵分配权重,以得到自注意输出向量。
参照图6,作为步骤S104的一种实施方式,步骤S104具体包括以下步骤,下面进行详细介绍。
步骤S1041:对去噪光电容积信号进行第一窗口划分操作,得到若干个光电容积向量。
应当理解,第一窗口划分操作对具体步骤可以参照步骤S10311,在此不再赘述。同样,若干个光电容积向量可以依次标记为:p1、p2、p3、...p8L。
步骤S1042:将参考矩阵按行进行拆分,得到若干个参考向量;
其中,若干个参考向量可以标记为A1、A2、A3、...A8L。
步骤S1043:逐个对每个光电容积向量以及对应的参考向量进行卡尔曼加权处理,得到若干个心率预测向量。
具体地,卡尔曼加权处理的计算公式为:Bi=Ai+α(pi-Ai);其中,α为卡尔曼增益系数,Ai表示参考矩阵拆分后第i行的参考向量;pi表示去噪光电容积信号的第i个窗口的光电容积向量;Bi表示第i个窗口的心率预测向量。
其中,卡尔曼增益系数的计算公式为:
其中,Bi-1表示前一窗口预测内所有数值的不确定性估计,用方差表示;H表示观测系数,此处取值为1;R表示测量不确定性方差,取值为0.09;因此卡尔曼增益系数α取值为0.1。
上述实施方式中,利用第一窗口划分操作以便对光电容积信号进行拆分,同时对参考矩阵按拆分,将去噪光电容积信号和参考矩阵均转化为向量形式,以便将去噪光电容积信号和参考矩阵转换为统一形式的信号,从而便于将去噪光电容积信号和参考矩阵进行卡尔曼加权,以得到若干个心率预测向量。
参照图7,作为步骤S105的一种实施方式,步骤S105具体包括以下步骤,下面进行详细介绍。
步骤S1051:分别对每个心率预测向量进行离散傅里叶变换,得到若干个向量频谱图。
其中,对于每个心率预测向量,执行离散傅里叶变换(Discrete FourierTransform,DFT),将时域信号形式的心率预测向量转换为频域信号形式的向量频谱图,向量频谱图即不同频率分量在心率预测向量中的存在和强度。
步骤S1052:对所有向量频谱图进行归一化操作,得到归一频谱图;
步骤S1053:搜索归一频谱图中的最大频率分量,并量最大频率分量对应的心率值作为心率测量结果。
应当理解,最大频率分量对应于心率信号中的主要周期性成分,通过搜索最大频率分量,即能够可以估算出心率的测量值。
上述实施方式中,对心率预测向量进行离散傅里叶变换,并通过在归一化频谱图的方式,便于提取出心脏电活动的主要频率,即找到峰值最大的频率分量所对应的心率值,从而得到心率测量结果。
本申请实施例公开一种基于光电容积法的心率检测***。参照图8,一种基于光电容积法的心率检测***,包括:
光电容积信号预处理层,用于获取原始光电容积信号,并对原始光电容积信号进行去噪处理,得到去噪光电容积信号;
加速度信号预处理层,用于获取加速度信号,并将加速度信号进行处理得到加速度幅值曲线;参考信号生成层,用于对去噪光电容积信号以及加速度幅值曲线进行整合处理,得到参考矩阵;
心率信号预测层,用于对去噪光电容积信号以及参考矩阵进行加权处理,得到若干个心率预测向量;
测量结果输出层,用于对若干个心率预测向量进行频域分析,以生成心率测量结果。
本申请提供的一种基于光电容积法的心率检测***能够实现上述一种基于光电容积法的心率检测方法,且一种基于光电容积法的心率检测***的具体工作过程可参考上述方法实施例中的对应过程。
需要说明的是,在上述实施例中,对各个实施例的描述各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
基于同一技术构思,本发明还公开一种可穿戴设备,包括存储器、处理器以及储存在所述存储器上并可在处理器上运行的计算机程序,处理器执行如上述任一种方法的计算机程序。
本发明还公开一种计算机可读储存介质,一种计算机可读存储介质,包括存储有能够被处理器加载并执行如上述任一方法中的计算机程序。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,本说明书(包括摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或者具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
Claims (10)
1.一种基于光电容积法的心率检测方法,其特征在于,包括:
获取原始光电容积信号,并对所述原始光电容积信号进行去噪处理,得到去噪光电容积信号;
获取加速度信号,并将所述加速度信号进行处理得到加速度幅值曲线;
对所述去噪光电容积信号以及所述加速度幅值曲线进行整合处理,得到参考矩阵;
对所述去噪光电容积信号以及所述参考矩阵进行加权处理,得到若干个心率预测向量;
对若干个所述心率预测向量进行频域分析,以生成心率测量结果。
2.根据权利要求1所述的方法,其特征在于,所述获取加速度信号,并将加速度信号进行合成得到加速度幅值曲线,具体包括:
获取所述加速度信号,并计算每个预设采样周期内的加速度信号的艾伦差分数据;
根据所述艾伦差分数据,对加速度信号进行零偏矫正和随机误差补偿,得到加速度校准信号;
对所述加速度校准信号中的X方向分量、Y方向分量以及Z方向分量进行合成,得到加速度幅值曲线。
3.根据权利要求1所述的方法,其特征在于,所述对所述去噪光电容积信号以及加速度幅值曲线进行整合处理,得到参考矩阵,具体包括:
对所述去噪光电容积信号以及所述加速度幅值曲线进行拼接,得到拼接矩阵;
基于所述拼接矩阵以及随机生成的若干组初始化矩阵,生成若干个自注意输出向量;
将若干个所述自注意输出向量进行合并,以生成多头注意输出矩阵;
对所述多头注意输出矩阵进行非线性映射操作生成映射矩阵,并将所述映射矩阵和所述拼接矩阵进行跳转连接,以得到融合矩阵;
通过第二激活函数对融合矩阵进行激活,得到参考矩阵。
4.根据权利要求3所述的方法,其特征在于,所述对所述去噪光电容积信号以及所述加速度幅值曲线进行拼接,得到拼接矩阵,具体包括:
根据时间顺序,对所述去噪光电容积信号进行第一窗口划分操作,得到若干个光电容积向量;
根据时间顺序,对所述加速度幅值曲线进行第二窗口划分操作,得到若干个加速度向量;其中,所述第一窗口划分操作和所述第二窗口划分操作所预设的窗口大小、窗口个数均一致;
将所述光电容积向量与所述加速度向量对位相加,得到若干组拼接数据;
对每组所述拼接数据进行相对位置编码,得到每组拼接数据的编码值;
将所有所述拼接数据和与其对应所述编码值相加,得到拼接矩阵。
5.根据权利要求3所述的方法,其特征在于,所述基于拼接矩阵以及随机生成的若干组初始化矩阵,生成若干个自注意输出向量,具体包括:
基于所述拼接矩阵以及随机生成的若干组初始化矩阵,计算若干组权重矩阵,所述权重矩阵包括键矩阵、值矩阵以及查询矩阵;
计算每组权重矩阵中的键矩阵以及查询矩阵的相似度,并通过第一激活函数对相似度进行激活,得到每组权重矩阵对应的激活矩阵;
基于所有所述激活矩阵以及与其对应的值矩阵,得到若干个自注意输出向量。
6.根据权利要求1所述的方法,其特征在于,所述对所述去噪光电容积信号以及参考矩阵进行加权处理,得到若干组心率预测向量,具体包括:
对去噪光电容积信号进行第一窗口划分操作,得到若干个光电容积向量;
将参考矩阵按行进行拆分,得到若干个参考向量;
逐个对每个所述光电容积向量以及对应的所述参考向量进行卡尔曼加权处理,得到若干个心率预测向量。
7.根据权利要求1-6任一所述的方法,其特征在于,所述对若干个所述心率预测向量进行频域分析,以生成心率测量结果,具体包括:
分别对每个心率预测向量进行离散傅里叶变换,得到若干个向量频谱图;
对所有向量频谱图进行归一化操作,得到归一频谱图;
搜索归一频谱图中的最大频率分量,并量最大频率分量对应的心率值作为心率测量结果。
8.一种基于光电容积法的心率检测***,其特征在于,包括:
光电容积信号预处理层,用于获取原始光电容积信号,并对原始光电容积信号进行去噪处理,得到去噪光电容积信号;
加速度信号预处理层,用于获取加速度信号,并将加速度信号进行处理得到加速度幅值曲线;
参考信号生成层,用于对去噪光电容积信号以及加速度幅值曲线进行整合处理,得到参考矩阵;
心率信号预测层,用于对去噪光电容积信号以及参考矩阵进行加权处理,得到若干个心率预测向量;
测量结果输出层,用于对若干个心率预测向量进行频域分析,以生成心率测量结果。
9.一种可穿戴设备,其特征在于:包括存储器、处理器以及储存在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行如权利要求1-7中任一种方法的计算机程序。
10.一种计算机可读存储介质,其特征在于,包括存储有能够被处理器加载并执行如权利要求1-7中任一方法中的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311483587.1A CN117562523A (zh) | 2023-11-08 | 2023-11-08 | 一种基于光电容积法的心率检测方法、***及可穿戴设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311483587.1A CN117562523A (zh) | 2023-11-08 | 2023-11-08 | 一种基于光电容积法的心率检测方法、***及可穿戴设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117562523A true CN117562523A (zh) | 2024-02-20 |
Family
ID=89889095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311483587.1A Pending CN117562523A (zh) | 2023-11-08 | 2023-11-08 | 一种基于光电容积法的心率检测方法、***及可穿戴设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117562523A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109471532A (zh) * | 2018-10-31 | 2019-03-15 | 北京津发科技股份有限公司 | 多通道人机环境测试数据同步平台实验设计***和方法 |
CN109864713A (zh) * | 2019-04-04 | 2019-06-11 | 北京邮电大学 | 基于多通道并行滤波和谱峰加权选择算法的心率监测方法 |
CN113349752A (zh) * | 2021-05-08 | 2021-09-07 | 电子科技大学 | 一种基于传感融合的可穿戴设备实时心率监测方法 |
CN114692686A (zh) * | 2022-03-31 | 2022-07-01 | 维沃移动通信有限公司 | 心率监测降噪方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-11-08 CN CN202311483587.1A patent/CN117562523A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109471532A (zh) * | 2018-10-31 | 2019-03-15 | 北京津发科技股份有限公司 | 多通道人机环境测试数据同步平台实验设计***和方法 |
CN109864713A (zh) * | 2019-04-04 | 2019-06-11 | 北京邮电大学 | 基于多通道并行滤波和谱峰加权选择算法的心率监测方法 |
CN113349752A (zh) * | 2021-05-08 | 2021-09-07 | 电子科技大学 | 一种基于传感融合的可穿戴设备实时心率监测方法 |
CN114692686A (zh) * | 2022-03-31 | 2022-07-01 | 维沃移动通信有限公司 | 心率监测降噪方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210267452A1 (en) | Signal obtaining method and system | |
CN113349752B (zh) | 一种基于传感融合的可穿戴设备实时心率监测方法 | |
CN109937002B (zh) | 用于基于相机的心率跟踪的***和方法 | |
Shyam et al. | PPGnet: Deep network for device independent heart rate estimation from photoplethysmogram | |
CN109431492B (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
CN109793506B (zh) | 一种非接触式桡动脉波形提取方法 | |
CN105943012B (zh) | 一种去除光电容积脉搏波信号中运动噪声的心率测量方法 | |
CN105832289A (zh) | 用于使用希尔伯特变换估计生物生理速率的设备和方法 | |
CN105249925B (zh) | 一种中医脉象采集装置及降噪***和降噪方法 | |
CN113116321A (zh) | 基于pso-grnn神经网络的无创连续血压测量*** | |
CN111588367A (zh) | 心率检测方法、装置及计算机可读存储介质 | |
Przybyło | A deep learning approach for remote heart rate estimation | |
CN114052693B (zh) | 心率分析方法、装置及设备 | |
Ayesha et al. | Heart rate monitoring using PPG with smartphone camera | |
CN105796091B (zh) | 一种用于去除心电信号车辆运动噪声的智能终端 | |
Martinek et al. | Adaptive signal processing of fetal PCG recorded by interferometric sensor | |
Roy et al. | BePCon: a photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning | |
CN114557685B (zh) | 一种非接触式运动鲁棒心率测量方法及测量装置 | |
CN113647905A (zh) | 深度神经网络预测血压的训练方法、计算机装置和存储介质 | |
CN117883074A (zh) | 一种基于人体姿态视频的帕金森病步态量化分析方法 | |
EP3610787B1 (en) | Wearable device, and method and apparatus for eliminating exercise interference | |
CN109620198B (zh) | 心血管指数检测、模型训练方法及装置 | |
CN117357079A (zh) | 基于个体校正的人体血压测量方法 | |
CN111278353A (zh) | 一种生命体征信号噪声的检测方法与*** | |
CN115624322B (zh) | 一种基于高效时空建模的非接触生理信号检测方法及*** |
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 |