CN109044323A - 基于深度学习的心率和血氧饱和度测量设备 - Google Patents

Abstract

PPG即光电容积脉搏波描记法，具体做法为将LED光射向皮肤，用光敏传感器接受经过皮肤组织吸收后被反射回来或透射过去的光，将光敏传感器得到的电信号转化为数字信号就可以得到最终的PPG信号。由于氧合血红蛋白与血红蛋白对光的吸收特性不同，传统方法使用两种波长的光分别测定反射光交流信号的强度，然后根据两种光的吸收特性图计算出氧合血红蛋白与血红蛋白的比例。本发明提出一种基于深度学习和PPG信号的心率和血氧饱和度测量设备，该设备同使用两种光得到两路PPG信号，同时借助设备中的深度学习网络模型处理PPG信号，从而预测人体的心率和血氧饱和度。该设备对噪声有很好的容忍度，在静息状态和运动状态都能够对心率和血氧进行准确测量。

Description

基于深度学习的心率和血氧饱和度测量设备

技术领域

本发明涉及心率及血氧饱和度测量设备领域，尤其是一种基于深度学习和PPG信号的心率和血氧饱和度测量设备。

背景技术

心率是衡量人体健康状况的重要指标，它可以客观地反映人体心脏的工作状态。对心率进行检测可以检测人体健康状况，预防心血管疾病，在运动时也可以对运动状态进行评估。ECG信号，脉搏传感器信号，PPG信号等都可以用于对人体心率的检测。由于ECG信号，脉搏传感器等具有穿戴不便，容易受运动影响的特点，PPG信号成为便携式心率测量最为有效的方法。另外，根据氧合血红蛋白和血红蛋白对光波不同的吸收系数，PPG信号还能够用于测量血氧含量。然而，由于受测量部位肤色、温度、胖瘦及环境光等因素的影响，采集到的PPG信号往往具有很大噪声，造成测量结果不准确。

发明内容

基于此，本发明提出一种心率及血氧测量设备，采用的技术方案如下：

一种心率及血氧饱和度测量设备，所述设备包括PPG信号处理单元，所述信号处理单元中含有深度学习网络模型，深度学习网络模型的输入为PPG信号，输出为心率及血氧含量。

进一步的，所述设备测量时采用两种波长的光同时产生两路PPG信号，一路为红光反射或透射得到的PPG信号，另一路为红外光反射或透射得到的PPG信号。

进一步的，PPG信号的频率为100Hz，降采样后频率为25Hz，处理时取8s作为一个测量窗。

进一步的，所述深度学习网络模型的输入为200*2的向量。

进一步的，所述深度学习网络模型采用多任务学习方式，模型结构为依次相连的五层卷积神经网络层，最后一层卷积神经网络层后连接两个并列的第一全连接层和第二全连接层，第一全连接层连接第三全连接层，第二全连接层连接256个二分类器。

进一步的，卷积神经网络层之间含有门控线性单元。

进一步的，训练模型时使用的心率损失函数为：

其中o_i为第i个二分类器实际的输出，y_i为该二分类器期望的输出。

进一步的，训练模型时使用的血氧含量损失函数为：

L2＝(Y′-Y)²

其中Y′为预测血氧饱和度，Y为实际血氧饱和度。

进一步的，训练模型时使用的正则化损失函数为：

L3＝(θ)²

其中θ为模型参数。

进一步的，训练模型时整个深度学习网络模型的损失函数为：

L＝α1*L1+α2*L2+α3*L3

其中α1，α2，α3为三个损失函数的权重。

进一步的，α1，α2，α3为三个损失函数的权重优选1，0.01，0.00005。

与现有技术相比，本发明的有益效果在于：

1.该设备对噪声有很好的容忍度，所以在静息状态和运动状态都能够PPG信号对心率和血氧进行准确测量。

2.采用基于注意力机制的卷积神经网络处理PPG信号，能够提高准确率并加快计算速度。

附图说明

图1是增加了门控线性单元的卷积神经网络层结构示意图；

图2是连接二分类器的全连接层结构示意图；

图3是深度学习网络模型结构示意图；

图4是测量方法示意图。

具体实施方式

本发明提出的心率及血氧饱和度测量设备包括PPG信号处理单元，信号处理单元中含有深度学习网络模型，借助深度学习网络模型进行心率及血氧饱和度的预测，如图1至图3所示，深度学习网络模型采用多任务学习方式，即这两个预测任务共享了卷积层，而使用不同的全连接层进行最后的预测，模型结构为依次相连的五层卷积神经网络层，卷积神经网络层之间含有门控线性单元，门控线性单元公式如下：

H＝A*sigmoid(B)

其中H为输出，A和B为输入的一半通道数。相乘的形式为逐点相乘。利用这样的门控线性单元，简化了梯度传播，同时使CNN就具有了注意力机制，对于序列问题也有了较好的解决能力。

当初始数据经过卷积神经网络层之后，还需要根据卷积神经网络提取出的高维特征来得到心率和血氧饱和度。对于血氧饱和度预测任务，在共享卷积层后增加两个全连接层，最后一个全连接层输出数值即为血氧饱和度。

而心率的预测将使用有序回归(ordinal regression)的方法，在共享的卷积层后，我们会加上一层全连接层，然后在全连接层后加上256个二分类器，每个分类器输出0或1，如果心率数值大于分类器序号，则分类器输出为1，否则为0。

深度学习网络模型的具体参数如下表：

表1

其中网络中卷积层输出的通道数为表格中通道数的一半，因为线性门控单元需要使用一半的通道数控制另一半通道数的信息是否传递到下一层。

为了对网络模型进行训练，需要实际测量得到的PPG信号以及已经标注好的心率和血氧含量。在训练时，PPG信号的频率为25Hz，每隔两秒取一个8S长的测量窗，将测量窗内的PPG信号及其对应的血氧含量和心率输入网络模型，利用规定好的损失函数对网络模型进行优化。

对于心率的预测采用的是有序回归方法。假设o_i为第i个分类器实际的输出，y_i为该分类器我们期望的输出(当心率大于该分类器序号时输出为1否则为0)，1(·)代表若括号中等式成立则取1否则为0。则损失函数为：

对于血氧含量的预测采用的是回归方法，即网络的输出直接为血氧饱和度的值，训练模型时使用的血氧饱和度损失函数为：

L2＝(Y′-Y)²

其中Y′为预测血氧饱和度，Y为实际血氧饱和度。

训练模型时使用的正则化损失函数为：

L3＝(θ)²

其中θ为模型参数。

训练模型时整个深度学习网络模型的损失函数为：

L＝α1*L1+α2*L2+α3*L3

其中α1，α2，α3为三个损失函数的权重，三个损失函数的权重分别为1，0.01，0.00005。

根据整个深度学习网络模型的损失函数对整个网络模型进行优化，优化时使用Adam算法，当损失函数收敛时停止训练。

如图4所示，测量时，信号处理单元将传感器实时采集到的两路PPG信号按照训练时采用的时间间隔和测量窗输入到网络模型中，网络输出的血氧饱和度即为预测血氧饱和度，将心率预测部分的256个分类器的输出加在一起即为预测的心率。

以上所述仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明创造的保护范围之内。

Claims (10)

1.一种心率及血氧饱和度测量设备，所述设备包括PPG信号处理单元，其特征在于，所述信号处理单元中含有深度学习网络模型，深度学习网络模型的输入为PPG信号，输出为心率及血氧饱和度指标。

2.如权利要求1所述一种心率及血氧测量设备，其特征在于，所述设备同时采用两种波长的光获取两路PPG信号，一路为红光反射或透射得到的PPG信号，另一路为红外光反射或透射得到的PPG信号。

3.如权利要求2所述一种心率及血氧饱和度测量设备，其特征在于，PPG信号的频率为100Hz，降采样后频率为25Hz，处理时取8s作为一个测量窗。

4.如权利要求3所述一种心率及血氧饱和度测量设备，其特征在于，所述深度学习网络模型的输入为200*2的向量。

5.如权利要求1所述一种心率及血氧饱和度测量设备，其特征在于，所述深度学习网络模型采用多任务学习方式，模型结构为依次相连的五层卷积神经网络层，最后一层卷积神经网络层后连接两个并列的第一全连接层和第二全连接层，第一全连接层连接第三全连接层，第二全连接层连接256个二分类器。

6.如权利要求5所述一种心率及血氧饱和度测量设备，其特征在于，卷积神经网络层之间含有门控线性单元。

7.如权利要求5所述一种心率及血氧测量设备，其特征在于，训练模型时使用的心率损失函数为：

其中o_i为第i个二分类器实际的输出，y_i为该二分类器期望的输出。

8.如权利要求7所述一种心率及血氧饱和度测量设备，其特征在于，训练模型时使用的血氧含量损失函数为：

L2＝(Y′-Y)²

其中Y′为预测血氧饱和度，Y为实际血氧饱和度。

9.如权利要求8所述一种心率及血氧测量设备，其特征在于，训练模型时使用的正则化损失函数为：

L3＝(θ)²

其中θ为模型参数。

10.如权利要求9所述一种心率及血氧测量设备，其特征在于，训练模型时整个深度学习网络模型的损失函数为：

L＝α1*L1+α2*L2+α3*L3

其中α1，α2，α3为三个损失函数的权重。