CN109044323A - 基于深度学习的心率和血氧饱和度测量设备 - Google Patents
基于深度学习的心率和血氧饱和度测量设备 Download PDFInfo
- Publication number
- CN109044323A CN109044323A CN201811150628.4A CN201811150628A CN109044323A CN 109044323 A CN109044323 A CN 109044323A CN 201811150628 A CN201811150628 A CN 201811150628A CN 109044323 A CN109044323 A CN 109044323A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- oxygen saturation
- ppg signal
- deep learning
- blood oxygen
- 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
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 43
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 43
- 239000001301 oxygen Substances 0.000 title claims abstract description 43
- 238000005259 measurement Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 239000008280 blood Substances 0.000 claims abstract description 30
- 210000004369 blood Anatomy 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 6
- 230000033001 locomotion Effects 0.000 abstract description 4
- 108010054147 Hemoglobins Proteins 0.000 abstract description 3
- 102000001554 Hemoglobins Human genes 0.000 abstract description 3
- 108010064719 Oxyhemoglobins Proteins 0.000 abstract description 3
- 238000010521 absorption reaction Methods 0.000 abstract description 3
- 238000007796 conventional method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 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
- A61B5/02416—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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- 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
-
- 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
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
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oi为第i个二分类器实际的输出,yi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oi为第i个分类器实际的输出,yi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oi为第i个二分类器实际的输出,yi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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811150628.4A CN109044323B (zh) | 2018-09-29 | 2018-09-29 | 基于深度学习的心率和血氧饱和度测量设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811150628.4A CN109044323B (zh) | 2018-09-29 | 2018-09-29 | 基于深度学习的心率和血氧饱和度测量设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109044323A true CN109044323A (zh) | 2018-12-21 |
CN109044323B CN109044323B (zh) | 2021-03-02 |
Family
ID=64767091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811150628.4A Active CN109044323B (zh) | 2018-09-29 | 2018-09-29 | 基于深度学习的心率和血氧饱和度测量设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109044323B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109620198A (zh) * | 2019-02-21 | 2019-04-16 | 天津惊帆科技有限公司 | 心血管指数检测、模型训练方法及装置 |
CN109745002A (zh) * | 2018-12-27 | 2019-05-14 | 天津惊帆科技有限公司 | 一种便携式睡眠监测设备 |
CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
CN110664390A (zh) * | 2019-10-11 | 2020-01-10 | 南京航空航天大学 | 基于腕带式ppg和深度学习的心率监测系统及方法 |
CN111406672A (zh) * | 2020-02-28 | 2020-07-14 | 湖南师范大学 | 一种生猪健康状况监测方法与系统 |
CN113576472A (zh) * | 2021-09-02 | 2021-11-02 | 成都云卫康医疗科技有限公司 | 一种基于全卷积神经网络的血氧信号分割方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001076471A1 (en) * | 2000-04-06 | 2001-10-18 | Anders Johansson | A method for measuring inspiration and/or expiration |
CN101500633A (zh) * | 2006-06-05 | 2009-08-05 | 佛罗里达大学研究基金公司 | 呼吸器监控系统和使用同样系统的方法 |
US20090287070A1 (en) * | 2008-05-16 | 2009-11-19 | Nellcor Puritan Bennett Llc | Estimation Of A Physiological Parameter Using A Neural Network |
CN103271726A (zh) * | 2012-12-10 | 2013-09-04 | 中国人民解放军第一五二中心医院 | 无线便携式生命体征监测装置 |
CN106264554A (zh) * | 2015-06-09 | 2017-01-04 | 中国科学院软件研究所 | 一种基于可见光的血氧饱和度检测方法及系统 |
CN107545248A (zh) * | 2017-08-24 | 2018-01-05 | 北京小米移动软件有限公司 | 生物特征活体检测方法、装置、设备及存储介质 |
CN109247923A (zh) * | 2018-11-15 | 2019-01-22 | 中国科学院自动化研究所 | 基于视频的非接触式脉搏实时估计方法及设备 |
-
2018
- 2018-09-29 CN CN201811150628.4A patent/CN109044323B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001076471A1 (en) * | 2000-04-06 | 2001-10-18 | Anders Johansson | A method for measuring inspiration and/or expiration |
CN101500633A (zh) * | 2006-06-05 | 2009-08-05 | 佛罗里达大学研究基金公司 | 呼吸器监控系统和使用同样系统的方法 |
US20090287070A1 (en) * | 2008-05-16 | 2009-11-19 | Nellcor Puritan Bennett Llc | Estimation Of A Physiological Parameter Using A Neural Network |
CN103271726A (zh) * | 2012-12-10 | 2013-09-04 | 中国人民解放军第一五二中心医院 | 无线便携式生命体征监测装置 |
CN106264554A (zh) * | 2015-06-09 | 2017-01-04 | 中国科学院软件研究所 | 一种基于可见光的血氧饱和度检测方法及系统 |
CN107545248A (zh) * | 2017-08-24 | 2018-01-05 | 北京小米移动软件有限公司 | 生物特征活体检测方法、装置、设备及存储介质 |
CN109247923A (zh) * | 2018-11-15 | 2019-01-22 | 中国科学院自动化研究所 | 基于视频的非接触式脉搏实时估计方法及设备 |
Non-Patent Citations (1)
Title |
---|
荣凡稳等: "基于深度学习的运动心率测量系统", 《电子测量与仪器学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109745002A (zh) * | 2018-12-27 | 2019-05-14 | 天津惊帆科技有限公司 | 一种便携式睡眠监测设备 |
CN109620198A (zh) * | 2019-02-21 | 2019-04-16 | 天津惊帆科技有限公司 | 心血管指数检测、模型训练方法及装置 |
CN109620198B (zh) * | 2019-02-21 | 2022-04-12 | 天津惊帆科技有限公司 | 心血管指数检测、模型训练方法及装置 |
CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
CN110664390A (zh) * | 2019-10-11 | 2020-01-10 | 南京航空航天大学 | 基于腕带式ppg和深度学习的心率监测系统及方法 |
CN110664390B (zh) * | 2019-10-11 | 2020-08-04 | 南京航空航天大学 | 基于腕带式ppg和深度学习的心率监测系统及方法 |
CN111406672A (zh) * | 2020-02-28 | 2020-07-14 | 湖南师范大学 | 一种生猪健康状况监测方法与系统 |
CN113576472A (zh) * | 2021-09-02 | 2021-11-02 | 成都云卫康医疗科技有限公司 | 一种基于全卷积神经网络的血氧信号分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109044323B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109044323A (zh) | 基于深度学习的心率和血氧饱和度测量设备 | |
CN104853670B (zh) | 用于提取生理信息的设备和方法 | |
CN100450437C (zh) | 低灌注下测量血氧的方法 | |
CN105473060B (zh) | 用于从远程检测到的电磁辐射中提取生理信息的系统和方法 | |
CN105009173A (zh) | 用于确定对象的血氧饱和度的设备和方法 | |
CN106901705A (zh) | 一种无感知人体多生理参数采集装置及采集方法和应用 | |
JP6472153B1 (ja) | 脈拍測定による健康状態評価システムとその作動方法 | |
CN104665840A (zh) | 无创血糖测量方法及指端测量探头 | |
CN108024713A (zh) | 用于确定组织中的生物指标水平的设备和方法 | |
EP2996553A1 (en) | Portable pulse measuring device | |
CN101347334A (zh) | 血氧饱和度测量方法和装置 | |
CN106805985B (zh) | 基于功能性近红外光谱技术的专注力检测、训练系统和方法 | |
CN106934934A (zh) | 一种体检与售卖互动设备及健康管理系统 | |
Sung et al. | Mobile physiological measurement platform with cloud and analysis functions implemented via IPSO | |
US20210204816A1 (en) | Near-infrared spectroscopy for sensing glycogen in muscle tissue | |
CN107908928A (zh) | 一种基于深度学习技术的血红蛋白动态光谱分析预测方法 | |
CN109512392A (zh) | 血氧饱和度测量置信度的计算方法、系统及存储介质 | |
CN104114090A (zh) | 用于无创测量血液中的血红蛋白浓度的方法、布置、传感器和计算机程序产品 | |
CN113143230B (zh) | 一种外周动脉血压波形重构系统 | |
WO2019049126A1 (en) | METHOD AND APPARATUS FOR NON-INVASIVE GLUCOSE MEASUREMENT | |
CN107595296A (zh) | 一种消除运动干扰的血氧饱和度检测方法及血氧检测装置 | |
CN112788200A (zh) | 频谱信息的确定方法及装置、存储介质、电子装置 | |
WO2023284234A1 (zh) | 一种ppg传感器、生理参数传感器及智能可穿戴设备 | |
CN107689040A (zh) | 血糖检测的移动终端 | |
CN108697335A (zh) | 利用信号分析来检测活体组织的方法和设备 |
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 |