CN109034060B - 一种佩戴状态检测的方法及装置 - Google Patents
一种佩戴状态检测的方法及装置 Download PDFInfo
- Publication number
- CN109034060B CN109034060B CN201810829412.4A CN201810829412A CN109034060B CN 109034060 B CN109034060 B CN 109034060B CN 201810829412 A CN201810829412 A CN 201810829412A CN 109034060 B CN109034060 B CN 109034060B
- Authority
- CN
- China
- Prior art keywords
- peak value
- wave peak
- historical
- data model
- hrv
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请实施例公开了一种佩戴状态检测的方法及装置,用于提高对佩戴状态的识别准确率。本申请实施例方法包括:获取脉搏波信号;根据所述脉搏波信号计算得到波峰值;对所述波峰值进行取余计算,得到RR间期;根据所述RR间期计算得到心率变异性HRV相关参数;获取原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系;根据所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态。因此,智能穿戴设备通过原始数据模型和HRV相关参数确定智能穿戴设备的佩戴状态,其中,对所述波峰值进行取余计算,得到RR间期可以解决多周期形成一个波峰导致的标准差偏大导致的对佩戴造成误判的问题,从而提高对佩戴状态的识别准确率。
Description
技术领域
本申请涉及智能设备领域,尤其涉及一种佩戴状态检测的方法及装置。
背景技术
智能穿戴设备是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称,如手表、手环、眼镜、服饰等。
在现有技术中,可穿戴设备一般体积小,无法放下大容量的电池,要延长续航时间,最有效的方法就是降低产品功耗。在保证产品续航时间的前提下,降低产品功耗。目前,可通过检测用户是否佩戴智能穿戴设备,来开启或关闭智能穿戴设备中的某些功能模块,例如,可以利用智能穿戴设备中的温度、接近、加速度等传感器检测用户的特征信息,从而确定该用户是否佩戴该智能穿戴设备。
但是现有技术包括利用温度、接近、加速度等传感器都会在某些状态下无法判断,比如温度在适合体温的温度下无法判断是否佩戴,接近传感器在有其他物体靠近的情况下也无法判断是否佩戴,加速度在有无佩戴均可有加速度的产生,所以诸如上述给定的传感器都不能很好的判断用户是否佩戴智能穿戴设备。
申请内容
本申请实施例提供了一种佩戴状态检测的方法及装置,用于提高对佩戴状态的识别准确率。
本申请实施例第一方面提供了一种佩戴状态检测的方法,应用于智能穿戴设备,包括:
获取脉搏波信号;
根据所述脉搏波信号计算得到波峰值;
对所述波峰值进行取余计算,得到RR间期;
根据所述RR间期计算得到心率变异性HRV相关参数;
获取原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系;
根据所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态。
可选地,所述根据所述脉搏波信号计算得到波峰值包括:
对所述脉搏波信号进行傅里叶变换求得波形周期;
根据所述波形周期在所述脉搏波信号中得到波峰值。
可选地,所述对所述波峰值进行取余计算,得到RR间期包括:
根据所述波峰值获取波峰值的前后第一差值;
使用所述波峰值的前后第一差值对所述脉搏波信号的周期取余,得到取余值;
当确定所述取余值大于周期的一半时,将所述取余值减去周期得到波峰值的前后第二差值;
根据所述波峰值的前后第一差值和所述波峰值的前后第二差值确定出RR间期。
可选地,所述获取原始数据模型包括:
获取脉搏波信号的历史数据;
根据脉搏波信号的历史数据计算得到历史波峰值;
根据所述历史波峰值求得历史HRV相关参数;
采用预设算法对所述历史HRV相关参数进行处理得到原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系。
可选地,所述采用预设算法对所述历史HRV相关参数进行处理得到原始数据模型包括:
按照预设比例将所述历史HRV相关参数划分为训练集和预测集,进行归一化处理;
利用分类模型算法对所述训练集和预测集进行分类,得到原始数据模型。
本申请实施例第二方面提供了一种佩戴状态检测的装置,应用于智能穿戴设备,包括:
第一获取单元,用于获取脉搏波信号;
第一计算单元,用于根据所述脉搏波信号计算得到波峰值;
第二计算单元,用于对所述波峰值进行取余计算,得到RR间期;
第三计算单元,用于根据所述RR间期计算得到心率变异性HRV相关参数;
第二获取单元,用于获取原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系;
确定单元,用于根据所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态。
可选地,所述第一计算单元具体用于:
对所述脉搏波信号进行傅里叶变换求得波形周期;
根据所述波形周期在所述脉搏波信号中得到波峰值。
可选地,所述第二计算单元具体用于:
根据所述波峰值获取波峰值的前后第一差值;
使用所述波峰值的前后第一差值对所述脉搏波信号的周期取余,得到取余值;
当确定所述取余值大于周期的一半时,将所述取余值减去周期得到波峰值的前后第二差值;
根据所述波峰值的前后第一差值和所述波峰值的前后第二差值确定出RR间期。
可选地,所述第二获取单元具体用于:
获取脉搏波信号的历史数据;
根据脉搏波信号的历史数据计算得到历史波峰值;
根据所述历史波峰值求得历史HRV相关参数;
采用预设算法对所述历史HRV相关参数进行处理得到原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系。
可选地,所述第二获取单元具体用于:
按照预设比例将所述历史HRV相关参数划分为训练集和预测集,进行归一化处理;
利用分类模型算法对所述训练集和预测集进行分类,得到原始数据模型。
本申请第三方面提供了一种智能穿戴设备,包括:
处理器、存储器、输入输出设备以及总线;
所述处理器、存储器、输入输出设备分别与所述总线相连;
所述处理器用于执行如前述方法实施例中所述的方法。
本申请实施例第四方面提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如前述方法实施例中所述方法的步骤。
从以上技术方案可以看出,本申请实施例具有以下优点:本实施例中,获取脉搏波信号;根据所述脉搏波信号计算得到波峰值;对所述波峰值进行取余计算,得到RR间期;根据所述RR间期计算得到心率变异性HRV相关参数;获取原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系;根据所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态。因此,智能穿戴设备可以通过所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态,其中,对所述波峰值进行取余计算,得到RR间期可以解决多周期形成一个波峰导致的标准差偏大导致的对佩戴造成误判的问题,从而提高对佩戴状态的识别准确率。
附图说明
图1为本申请实施例中一种佩戴状态检测的方法实施例的一个示意图;
图2为本申请图1方法实施例中步骤102的一个细化实施例示意图;
图3为本申请图1方法实施例中步骤103的一个细化实施例示意图;
图4为本申请图1方法实施例中步骤105的一个细化实施例示意图;
图5为本申请实施例中一种佩戴状态检测的装置实施例的一个示意图;
图6本申请实施例中智能穿戴设备的一个示意图。
具体实施方式
本申请实施例提供了公开了一种佩戴状态检测的方法及装置,应用于智能穿戴设备,用于提高智能穿戴设备对佩戴状态的识别准确率。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于理解,下面对本申请实施例中的具体流程进行描述,请参阅图1,本申请实施例中一种佩戴状态检测的方法的一个实施例包括:
101、获取脉搏波信号;
本实施例中,智能穿戴设备可以为智能手环、或者是智能手表或者是其它的智能穿戴设备,此处不做限定。
具体地,获取脉搏波信号的过程可以为智能穿戴设备通过自身传感器直接采集得到,也可以接收其它终端发送的脉搏波信号,具体此处不做限定。其中,当只能穿戴设备直接采集获取的过程具体可以使用光电传感器、红外传感器、心电传感器或者其它类型传感器采集获取得到脉搏波信号。
102、根据所述脉搏波信号计算得到波峰值;
本实施例中,智能穿戴设备可以通过预设算法在脉搏波信号上进行求解,通过计算得到脉搏波信号上的一个个峰值点,并将峰值点的值确定为波峰值。
103、对所述波峰值进行取余计算,得到RR间期;
本实施例中,对步骤102中获取得到的波峰值进行取余计算,得到RR间期。
具体地,通过本步骤的取余计算用以消除脉搏波波形中的两个或多个周期只形成一个波形对后续利用RR间期计算心率变异性的相关参数的影响。实验数据表明,正常人的心率有可能会存在脉搏波波形中的两个或多个周期只形成一个波形的情况,这会导致后续的判断佩戴状态出现一定的偏差,本步骤的区域计算就是用于消除这种偏差。
104、根据所述RR间期计算得到心率变异性HRV相关参数;
本实施例中,按照标准流程通过RR间期计算得到心率变异性HRV相关参数。
具体地,心率变异性(HRV,heartrate variability)是指逐次心跳周期差异的变化情况,它含有神经体液因素对心血管系统调节的信息,从而判断其对心血管等疾病的病情及预防,可能是预测心脏性猝死和心律失常性事件的一个有价值的指标。本实施例中,HRV相关参数指的是正常窦性RR间期的标准差和/或相邻RR间期差值的均方根。
具体使用RR间期计算得到心率变异性HRV相关参数的过程为:
正常窦性RR间期的标准差(SDNN)——
式中:N为正常心搏总数;是第i个RR间期;是N个心搏的RR间期的平均值。
相邻RR间期差值的均方根(r-MSSD)——
式中:N为正常心搏总数;是第i个RR间期;和是相邻两个窦性心动周期的长度。
105、获取原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系;
本实施例中,智能穿戴设备可以在自身存储空间中读取得到原始数据模型,也可以接收其它设备或者服务器发送的原始数据模型,还可以是通过脉搏波信号的历史数据计算得到,具体此处不做限定。此外,该原始数据模型包括佩戴状态与历史HRV相关参数的对应关系,具体用于后续的判断智能穿戴设备的佩戴状态。
106、根据所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态。
本实施例中,智能穿戴设备在步骤105中获取得到的原始数据模型中查找与步骤104中获取得到的HRV相关参数对应的佩戴状态,具体该佩戴状态可以为佩戴中或者未佩戴,当确定该智能穿戴设备未佩戴时,智能穿戴设备可以按照预设流程关闭相对应的应用,以达到省电的目的,并且停止心电信号的采集,从而避免心电信号的误采集导致的统计数据的偏差。
本实施例中,获取脉搏波信号;根据所述脉搏波信号计算得到波峰值;对所述波峰值进行取余计算,得到RR间期;根据所述RR间期计算得到心率变异性HRV相关参数;获取原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系;根据所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态。因此,智能穿戴设备可以通过所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态,其中,对所述波峰值进行取余计算,得到RR间期可以解决多周期形成一个波峰导致的标准差偏大导致的对佩戴造成误判的问题,从而提高对佩戴状态的识别准确率。
请参阅图2,本申请实施例中步骤102可以进一步包括:
201、对所述脉搏波信号进行傅里叶变换求得波形周期;
本实施例中,首先对脉搏波信号进行滤波,得到滤波后的脉搏波信号,接着对该滤波后的脉搏波信号进行傅里叶变换提取频率,从而计算出波形周期。
202、根据所述波形周期在所述脉搏波信号中得到波峰值。
本实施例中,根据在步骤201中获取得到的波形周期在脉搏波信号中得到波峰值。
具体地,根据脉搏波信号得到光电容积脉搏描记法(PPG,photoplethysmograph)原始信号,再对PPG原始信号进行傅里叶变换,得到PPG原始信号的幅度-频率曲线。再根据正常人的心率范围对幅度-频率曲线进行筛选,具体地,从PPG原始信号的幅度-频率曲线中选取心率范围内的信号,并令该信号的功率为P。再对选取出的信号进行滤波处理,得到PPG信号,令PPG信号的功率为PS。将滤波处理前和滤波处理后的两条曲线的幅值相减,并取绝对值,得到新的幅度-频率曲线。从新的幅度-频率曲线中选出除左、右两个端点之外的幅度值最大的点,得到该幅度值最大的点对应的频率值f。将频率值f设为低通滤波的阈值,并对PPG原始信号进行低通滤波,得到峰值曲线。最后对峰值曲线求导,找出所有极大值点,并从中提取出N+1个峰值点,从而,将该N+1个峰值点确定为波峰值。
请参阅图3,本申请实施例中步骤103可以进一步包括:
301、根据所述波峰值获取波峰值的前后第一差值;
本实施例中,根据波峰值获取波峰值的前后第一差值,即获取每两个峰值点之间的时间差,将该时间差确定为波峰值的前后第一差值。
302、使用所述波峰值的前后第一差值对所述脉搏波信号的所述波形周期取余,得到取余值;
本实施例中,在获取得到波峰值的前后第一差值后,分别将该波峰值的前后第一差值对波形周期进行取余计算,得到各个取余值。
303、当确定所述取余值大于波形周期的一半时,将所述取余值减去波形周期得到波峰值的前后第二差值;
本实施例中,判断步骤202中计算得到的各个取余值与波形周期的一半之间的大小关系,若不大于,则将该取余值对应的波峰值的前后第一差值保留,若大于,则将该取余值减去波形周期得到一个新的值,该新的值为波峰值的前后第二差值,并在波峰值的前后第一差值中去除掉该取余值对应的值。
304、根据所述波峰值的前后第一差值和所述波峰值的前后第二差值确定出RR间期。
本实施例中,根据修正后的波峰值的前后第一差值和所述波峰值的前后第二差值确定出RR间期,具体地,每两个峰值点之间的时间差即为RR间期,因此,可根据修正后的波峰值的前后第一差值和所述波峰值的前后第二差值求得N个RR间期。
具体地,本实施例中,使用取余计算的方法计算求得RR间期,用以消除脉搏波波形中的两个或多个周期只形成一个波形对后续利用RR间期计算心率变异性的相关参数的影响。实验数据表明,正常人的心率有可能会存在脉搏波波形中的两个或多个周期只形成一个波形的情况,这会导致后续的判断佩戴状态出现一定的偏差,本步骤的取余计算就是用于消除这种偏差。
本申请实施例中,步骤105中,智能穿戴设备获取原始数据模型的方法有多种,其中可以通过脉搏波信号的历史数据计算得到,下面将详细介绍该方法,请参阅图4,本申请实施例中步骤105可以进一步包括:
401、获取脉搏波信号的历史数据;
本实施例中,智能穿戴设备可以在本地存储空间中读取到脉搏波信号的历史数据,其中,该脉搏波信号的历史数据包括具体的历史脉搏波波形和该历史脉搏波波形对应的佩戴状态。
402、根据脉搏波信号的历史数据计算得到历史波峰值;
本实施例中,智能穿戴设备根据步骤401中获取得到的脉搏波信号的历史数据参照步骤202获取得到历史波峰值。
403、根据所述历史波峰值求得历史HRV相关参数;
本实施例中,在历史波峰值中,每两个峰值点之间的时间差即为RR间期,因此,可根据历史波峰值中N+1个峰值点求得N个RR间期。再参照以下公式求得历史HRV相关参数。
正常窦性RR间期的标准差(SDNN)——
式中:N为正常心搏总数;是第i个RR间期;是N个心搏的RR间期的平均值。
相邻RR间期差值的均方根(r-MSSD)——
式中:N为正常心搏总数;是第i个RR间期;和是相邻两个窦性心动周期的长度。
404、按照预设比例将所述历史HRV相关参数划分为训练集和预测集,进行归一化处理;
本实施例中,智能穿戴设备可以按照一定的比例划分,例如使用选取90%为参考集,其余10%为训练集,对历史HRV相关参数进行归一化处理。
405、利用分类模型算法对所述训练集和预测集进行分类,得到原始数据模型。
本实施例中,可以使用分类模型算法进行分类,具体可以为贝叶斯算法、决策树算法、k-近邻(kNN,k-NearestNeighbors)算法或者是其它的分类算法,具体此处不做限定。
以KNN算法为例,将90%的历史数据作为系统训练的已知标准,作为参考,另外10%作为训练数据,输入到系统。系统将从90%的历史数据中找出与输入到系统的10%的历史数据最接近的一个历史数据点,并给出穿戴状态。结合系统给出的穿戴状态与10%的历史数据的实际穿戴状态,对检测系统相关参数进行调整,并更新整个检测系统的参数,实现训练的过程,从而得到原始数据模型。
上面对本申请实施例中一种佩戴状态检测的方法进行了描述,下面介绍本申请实施例中的一种佩戴状态检测的装置。请参阅图5,本申请实施例中一种佩戴状态检测的装置的实施例包括:
第一获取单元501,用于获取脉搏波信号;
第一计算单元502,用于根据所述脉搏波信号计算得到波峰值;
第二计算单元503,用于对所述波峰值进行取余计算,得到RR间期;
第三计算单元504,用于根据所述RR间期计算得到心率变异性HRV相关参数;
第二获取单元505,用于获取原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系;
确定单元506,用于根据所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态。
在一些可能的实施例中,所述第一计算单元502具体用于:
对所述脉搏波信号进行傅里叶变换求得波形周期;
根据所述波形周期在所述脉搏波信号中得到波峰值。
在一些可能的实施例中,所述第二计算单元503具体用于:
根据所述波峰值获取波峰值的前后第一差值;
使用所述波峰值的前后第一差值对所述波形周期取余,得到取余值;
当确定所述取余值大于周期的一半时,将所述取余值减去所述波形周期得到波峰值的前后第二差值;
根据所述波峰值的前后第一差值和所述波峰值的前后第二差值确定出RR间期。
在一些可能的实施例中,所述第二获取单元505具体用于:
获取脉搏波信号的历史数据;
根据脉搏波信号的历史数据计算得到历史波峰值;
根据所述历史波峰值求得历史HRV相关参数;
采用预设算法对所述历史HRV相关参数进行处理得到原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系。
在一些可能的实施例中,所述第二获取单元505具体用于:
按照预设比例将所述历史HRV相关参数划分为训练集和预测集,进行归一化处理;
利用分类模型算法对所述训练集和预测集进行分类,得到原始数据模型。
本实施例中,第一获取单元501,用于获取脉搏波信号;第一计算单元502,用于根据所述脉搏波信号计算得到波峰值;第二计算单元503,用于对所述波峰值进行取余计算,得到RR间期;第三计算单元504,用于根据所述RR间期计算得到心率变异性HRV相关参数;第二获取单元505,用于获取原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系;确定单元506,用于根据所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态。因此,智能穿戴设备可以通过所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态,其中,对所述波峰值进行取余计算,得到RR间期可以解决多周期形成一个波峰导致的标准差偏大导致的对佩戴造成误判的问题,从而提高对佩戴状态的识别准确率。
上面从模块化的装置对本申请实施例中一种佩戴状态检测的装置进行了描述,下面硬件装置对本申请实施例中的智能穿戴设备进行描述,请参阅图6,本申请实施例中智能穿戴设备的一个具体实施例包括:
该装置600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)601(例如,一个或一个以上处理器)和存储器605,该存储器605中存储有一个或一个以上的应用程序或数据。
其中,存储器605可以是易失性存储或持久存储。存储在存储器605的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器601可以设置为与存储器605通信,在智能终端600上执行存储器605中的一系列指令操作。
该装置600还可以包括一个或一个以上电源602,一个或一个以上有线或无线网络接口603,一个或一个以上输入输出接口604,和/或,一个或一个以上操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
处理器601具体用于执行以下步骤:
获取脉搏波信号;
根据所述脉搏波信号计算得到波峰值;
对所述波峰值进行取余计算,得到RR间期;
根据所述RR间期计算得到心率变异性HRV相关参数;
获取原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系;
根据所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态。
在一些可能的实施例中,所述对所述波峰值进行取余计算,得到RR间期包括:
根据所述波峰值获取波峰值的前后第一差值;
使用所述波峰值的前后第一差值对所述脉搏波信号的周期取余,得到取余值;
当确定所述取余值大于周期的一半时,将所述取余值减去周期得到波峰值的前后第二差值;
根据所述波峰值的前后第一差值和所述波峰值的前后第二差值确定出RR间期。
在一些可能的实施例中,所述根据所述脉搏波信号计算得到波峰值包括:
对所述脉搏波信号进行傅里叶变换求得波形周期;
根据所述波形周期在所述脉搏波信号中得到波峰值。
在一些可能的实施例中,所述获取原始数据模型包括:
获取脉搏波信号的历史数据;
根据脉搏波信号的历史数据计算得到历史波峰值;
根据所述历史波峰值求得历史HRV相关参数;
采用预设算法对所述历史HRV相关参数进行处理得到原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系。
在一些可能的实施例中,所述采用预设算法对所述历史HRV相关参数进行处理得到原始数据模型包括:
按照预设比例将所述历史HRV相关参数划分为训练集和预测集,进行归一化处理;
利用分类模型算法对所述训练集和预测集进行分类,得到原始数据模型。
可以理解的是,在本申请的各种实施例中,上述各步骤的序号的大小并不意味着执行顺序的先后,各步骤的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,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,例如多个单元或组件可以结合或者可以集成到另一个系统,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。
所述作为分离部件说明的单元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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (6)
1.一种佩戴状态检测的方法,其特征在于,应用于智能穿戴设备,包括:
获取脉搏波信号;
根据所述脉搏波信号计算得到波峰值;
对所述波峰值进行取余计算,得到心率RR间期;
根据所述RR间期计算得到心率变异性HRV相关参数;
获取原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系;
根据所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态;
所述根据所述脉搏波信号计算得到波峰值包括:
对所述脉搏波信号进行傅里叶变换求得波形周期;
根据所述波形周期在所述脉搏波信号中得到波峰值;
所述对所述波峰值进行取余计算,得到RR间期包括:
根据所述波峰值获取波峰值的前后第一差值;
使用所述波峰值的前后第一差值对所述波形周期取余,得到取余值;
当确定所述取余值大于周期的一半时,将所述取余值减去所述波形周期得到波峰值的前后第二差值;
根据所述波峰值的前后第一差值和所述波峰值的前后第二差值确定出RR间期。
2.根据权利要求1所述的方法,其特征在于,所述获取原始数据模型包括:
获取脉搏波信号的历史数据;
根据脉搏波信号的历史数据计算得到历史波峰值;
根据所述历史波峰值求得历史HRV相关参数;
采用预设算法对所述历史HRV相关参数进行处理得到原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系。
3.根据权利要求2所述的方法,其特征在于,所述采用预设算法对所述历史HRV相关参数进行处理得到原始数据模型包括:
按照预设比例将所述历史HRV相关参数划分为训练集和预测集,进行归一化处理;
利用分类模型算法对所述训练集和预测集进行分类,得到原始数据模型。
4.一种佩戴状态检测的装置,其特征在于,应用于智能穿戴设备,包括:
第一获取单元,用于获取脉搏波信号;
第一计算单元,用于根据所述脉搏波信号计算得到波峰值;
第二计算单元,用于对所述波峰值进行取余计算,得到RR间期;
第三计算单元,用于根据所述RR间期计算得到心率变异性HRV相关参数;
第二获取单元,用于获取原始数据模型,所述原始数据模型包括佩戴状态与历史HRV相关参数的对应关系;
确定单元,用于根据所述原始数据模型和所述HRV相关参数确定所述智能穿戴设备的佩戴状态;
所述第一计算单元具体用于:
对所述脉搏波信号进行傅里叶变换求得波形周期;
根据所述波形周期在所述脉搏波信号中得到波峰值;
所述第二计算单元具体用于:
根据所述波峰值获取波峰值的前后第一差值;
使用所述波峰值的前后第一差值对所述波形周期取余,得到取余值;
当确定所述取余值大于周期的一半时,将所述取余值减去所述波形周期得到波峰值的前后第二差值;
根据所述波峰值的前后第一差值和所述波峰值的前后第二差值确定出RR间期。
5.一种智能穿戴设备,其特征在于,包括:
处理器、存储器、输入输出设备以及总线;
所述处理器、存储器、输入输出设备分别与所述总线相连;
所述处理器用于执行如权利要求1至3任一项所述的方法。
6.一种计算机可读存储介质,其上存储有计算机程序,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3中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810829412.4A CN109034060B (zh) | 2018-07-25 | 2018-07-25 | 一种佩戴状态检测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810829412.4A CN109034060B (zh) | 2018-07-25 | 2018-07-25 | 一种佩戴状态检测的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034060A CN109034060A (zh) | 2018-12-18 |
CN109034060B true CN109034060B (zh) | 2022-04-12 |
Family
ID=64645396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810829412.4A Active CN109034060B (zh) | 2018-07-25 | 2018-07-25 | 一种佩戴状态检测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034060B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111132139B (zh) * | 2019-12-13 | 2023-06-02 | 西安易朴通讯技术有限公司 | 防盗控制方法以及智能穿戴设备 |
CN114003124B (zh) * | 2020-07-28 | 2022-11-01 | 荣耀终端有限公司 | 确定可穿戴设备的穿戴状态的方法和电子设备 |
CN112006663B (zh) * | 2020-09-04 | 2023-03-14 | 北京中科心研科技有限公司 | 一种生理信号异常检测及补偿的方法及装置 |
CN114469016A (zh) * | 2022-01-14 | 2022-05-13 | 甄十信息科技(上海)有限公司 | 一种穿戴设备佩戴检测的方法及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008073462A (ja) * | 2006-09-25 | 2008-04-03 | Seiko Instruments Inc | 認証装置、及び認証方法 |
CN103110417A (zh) * | 2013-02-28 | 2013-05-22 | 华东师范大学 | 一种心电图自动识别系统 |
CN105380596A (zh) * | 2014-08-26 | 2016-03-09 | 三星电子株式会社 | 电子设备和电子设备中的睡眠监视方法 |
CN106645978A (zh) * | 2016-10-28 | 2017-05-10 | 广东美的制冷设备有限公司 | 智能穿戴设备的穿戴状态检测方法及检测装置 |
CN106725326A (zh) * | 2016-12-28 | 2017-05-31 | 天津众阳科技有限公司 | 基于人体hrv测量的睡眠质量评估系统及方法 |
CN107820410A (zh) * | 2017-09-22 | 2018-03-20 | 深圳市汇顶科技股份有限公司 | 可穿戴设备的佩戴状态检测方法、装置和可穿戴设备 |
-
2018
- 2018-07-25 CN CN201810829412.4A patent/CN109034060B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008073462A (ja) * | 2006-09-25 | 2008-04-03 | Seiko Instruments Inc | 認証装置、及び認証方法 |
CN103110417A (zh) * | 2013-02-28 | 2013-05-22 | 华东师范大学 | 一种心电图自动识别系统 |
CN105380596A (zh) * | 2014-08-26 | 2016-03-09 | 三星电子株式会社 | 电子设备和电子设备中的睡眠监视方法 |
CN106645978A (zh) * | 2016-10-28 | 2017-05-10 | 广东美的制冷设备有限公司 | 智能穿戴设备的穿戴状态检测方法及检测装置 |
CN106725326A (zh) * | 2016-12-28 | 2017-05-31 | 天津众阳科技有限公司 | 基于人体hrv测量的睡眠质量评估系统及方法 |
CN107820410A (zh) * | 2017-09-22 | 2018-03-20 | 深圳市汇顶科技股份有限公司 | 可穿戴设备的佩戴状态检测方法、装置和可穿戴设备 |
Non-Patent Citations (2)
Title |
---|
《Preprocessing RR interval time series for heart rate variability analysis and estimates of standard deviation of RR intervals》;R.A.Thuraisingharm,et al;《Computer Methods and Programs in Biomedicine》;20060731;第83卷(第1期);第78-82页 * |
《心电信号中R波的检测及RR间期的预测方法研究》;邵淑红;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20090215(第2期);第E080-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109034060A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034060B (zh) | 一种佩戴状态检测的方法及装置 | |
Andreotti et al. | Comparing feature-based classifiers and convolutional neural networks to detect arrhythmia from short segments of ECG | |
US20220125322A1 (en) | Methods and Systems for Determining Abnormal Cardiac Activity | |
CN107847154B (zh) | 不一致监测 | |
Oweis et al. | QRS detection and heart rate variability analysis: A survey | |
Boon et al. | Paroxysmal atrial fibrillation prediction method with shorter HRV sequences | |
AU2016365753B2 (en) | Atrial fibrillation detection system and methods of use | |
Balli et al. | Classification of biological signals using linear and nonlinear features | |
CN109009073B (zh) | 房颤检测装置及存储介质 | |
CN109222964B (zh) | 房颤检测装置及存储介质 | |
CN113876335B (zh) | 心电图心搏分类方法、装置、电子设备和介质 | |
CN109674474B (zh) | 睡眠呼吸暂停识别方法、设备及计算机可读介质 | |
CN111557658A (zh) | Ppg实时心率信号质量评估方法及装置、存储介质 | |
CN109077721A (zh) | 房颤检测装置及存储介质 | |
Papadogiorgaki et al. | Heart rate classification using ECG signal processing and machine learning methods | |
WO2024082923A1 (zh) | 心律失常的识别方法和可穿戴设备 | |
CN109770920A (zh) | 基于穿戴式心电信号的紧张情绪判别方法及其系统 | |
Varon et al. | Detection of epileptic seizures by means of morphological changes in the ECG | |
CN116328187A (zh) | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 | |
Ding-Fei et al. | Study of feature extraction based on autoregressive modeling in EGG automatic diagnosis | |
CN111407261A (zh) | 生物信号的周期信息的测量方法及装置、电子设备 | |
Srivastava et al. | A novel algorithm for reducing false arrhythmia alarms in intensive care units | |
CN111887836B (zh) | 心电信号的处理方法、装置及设备 | |
WO2018234427A1 (en) | DETECTION OF HYPOXIA | |
CN115067930B (zh) | 呼吸状态的预警方法、装置、计算机设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190625 Address after: 518057 Yuanzheng Industrial Park, 4012 North Fifth Avenue, Bantian Street, Longgang District, Shenzhen City, Guangdong Province Applicant after: Yuanzheng Science and Technology Co., Ltd., Shenzhen City Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant before: HESVIT HEALTH TECH CO., LTD. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |