CN109363659B - 基于深度学习的心率监控方法、装置及存储介质 - Google Patents

Abstract

本发明涉及一种基于深度学习的心率监控方法，所述方法包括：获取被监控对象的心率数据；对所述心率数据进行分析，得到所述心率数据的标注处理结果；训练神经网络；在训练后的神经网络中对获取的实时心率数据进行分析，并得到对应的实时标注处理结果；当所述实时标注处理结果为预设的第一标注类型时，向所述实时心率数据对应的被监控对象发送警示信息；当所述实时标注处理结果为预设的第二标注类型时，在所述训练后的神经网络保存回溯预定步数的心率数据‑标注处理结果进行迭代训练。本发明的有益效果为：通过用深度学习的方法对心率信号进行监控和分析，将心率信号分为正常、出现异常、临近危险和强烈危险四种类型进行提醒、监控和救援等。

Description

基于深度学习的心率监控方法、装置及存储介质

技术领域

本发明实施例涉及人工智能大数据处理技术领域，尤其涉及一种基于深度学习的心率监控方法、装置及存储介质。

背景技术

随着马拉松赛事在国内热度的逐渐攀升，每年参与马拉松的人越来越多，而在赛事活动中发生危险的事件也频频发生，马拉松选手在赛场上的生命保障受到越来越多的关注。心脏骤停是概率事件，但出现事故时决定结果不同的是每场赛事救援团队的反应速度的快慢；同时选手对自己身体的不认知，和对身体出现问题后的不停步，是出现马拉松意外的很大一部分原因。

神经网络作为对人脑最简单的一种抽象和模拟，其是以数学和物理模拟方法及信息处理方法对人脑神经网络进行抽象，并建立某种简化模型，该模型具备一定的学习能力，深度学习一般是以特征提取或者模式分类进行学习，对神经网络进行初始化后，对该深度学习神经网络进行随机赋值或者按照与待训练数据无关的规则赋予初值，然后进行学习训练，这种随机赋值并不能灵活地对各种应用场景进行很快的适应，而且随机赋值无法对每一次不同的应用场景进行快速地适应，因此目前并没有解决上述问题的方法或者装置出现。

发明内容

为了克服相关技术中存在的问题，本发明提供一种基于深度学习的心率监控方法、装置及存储介质，以实现快速适应短期应用场景的深度学习的神经网络，对具体应用场景内的数据进行更加准确的分析处理。

第一方面，本发明实施例提供了一种基于深度学习的心率监控方法，所述方法包括：

获取被监控对象的心率数据；

根据已建立的基础心率数据-标注处理结果的神经网络，对所述被监控对象的心率数据进行预分析，得到所述被监控对象的心率数据的标注处理结果；

将预设时长的所述被监控对象的心率数据以及所述被监控对象的心率数据对应的标注处理结果存储至所述神经网络，得到训练后的神经网络；

在训练后的神经网络中对获取的实时心率数据进行实时分析，并得到对应的实时标注处理结果；

当所述实时标注处理结果为预设的第一标注类型时，向所述实时心率数据对应的被监控对象发送警示信息；

当所述实时标注处理结果为预设的第二标注类型时，在所述训练后的神经网络保存回溯预定步数的心率数据-标注处理结果进行迭代训练。

结合另一方面，本发明另一可实行实施方式中，在获取被监控对象的心率数据之前，所述方法还包括：

对获取的心率数据进行去噪处理；

对去噪处理后的心率数据流进行分段，每段包括预设帧长度的帧数据；

将每一预设帧长度的帧数据切割为预设频率分量的序列；

所述对所述心率数据进行分析，包括：

对每一预设频率分量的序列进行所述神经网络的训练，并输出每一预设频率分量的序列的标注处理结果。

结合另一方面，本发明另一可实行实施方式中，所述方法还包括：

建立训练后的神经网络的深度学习模型；

在所述深度学习模型中输入每一所述预设频率分量的序列；

输出所述预设频率分量的序列的标注处理结果。

结合另一方面，本发明另一可实行实施方式中，所述方法还包括：

获取所述心率数据的第一采样率；

在所述第一采样率不符合预设采样率范围时，将所述采样率转换为符合预设采样率的第二采样率。

结合另一方面，本发明另一可实行实施方式中，所述方法还包括：

检测所述实时标注处理结果是否为正常；

当所述实时心率数据的实时标注处理结果为正常时，采用第一预设时长对所述实时心率数据对应的被监控对象进行实时心率数据的采集；

当所述实时心率数据的实时标注处理结果为异常时，采用第二预设时长对所述实时心率数据对应的被监控对象进行实时心率数据的采集。

结合另一方面，本发明另一可实行实施方式中，所述所述实时心率数据的实时标注处理结果为异常时，还包括：

当所述实时标注处理结果为临近危险和/或强烈危险时，向所述实时心率数据对应的被监控对象发送警示信息；或

获取所述实时心率数据对应的被监控对象的便携式设备的地理位置信息，将所述地理位置信息发送至护理救援中心。

第二方面，本发明还提供了一种基于深度学习的心率监控装置，所述装置包括：

心率获取模块，用于获取被监控对象的心率数据；

分析模块，用于根据已建立的基础心率数据-标注处理结果的神经网络，对所述被监控对象的心率数据进行预分析，得到所述被监控对象的心率数据的标注处理结果；

训练模块，用于将预设时长的所述被监控对象的心率数据以及所述心率数据对应的标注处理结果存储至所述神经网络进行训练，得到训练后的神经网络；

实时处理模块，用于在训练后的神经网络中对获取的实时心率数据进行分析，并得到对应的实时标注处理结果；

发送模块，用于当所述实时标注处理结果为预设的第一标注类型时，向所述实时心率数据对应的被监控对象发送警示信息；

迭代训练模块，用于当所述实时标注处理结果为预设的第二标注类型时，在所述训练后的神经网络保存回溯预定步数的心率数据-标注处理结果进行迭代训练。

上述的装置，所述装置还包括：

去噪处理模块，用于对获取的心率数据进行去噪处理；

分段模块，用于对去噪处理后的心率数据流进行分段，每段包括预设帧长度的帧数据；

切割模块，用于将每一预设帧长度的帧数据切割为预设频率分量的序列；

所述分析模块还用于：

对每一预设频率分量的序列进行所述神经网络的训练，并输出每一预设频率分量的序列的标注处理结果。

上述的装置，所述装置还包括：

模型建立模块，用于建立训练后的神经网络的深度学习模型；

输入模块，用于在所述深度学习模型中输入每一所述预设频率分量的序列；

输出模块，用于输出所述预设频率分量的序列的标注处理结果。

第三方面，本发明还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

第四方面，本发明还提供了一种可读存储介质，其上存储有计算机指令，该指令被处理器执行时用于实现上述方法的步骤。

本发明通过训练神经网络进行深度学习的方法对马拉松赛事活动中选手的心率信号进行监控和分析，将心率信号分为正常、出现异常、临近危险和强烈危险四种类型，将后三种类型以不同的方式给选手以提醒，使其能清楚地根据自己的身体状态来调整自己的行为，另一方面及时将出现后三种状态的选手信息通过后台通知给医疗人员，便于医务资源的快速有效地调配，从选手和医务人员两方面加以护航，保证马拉松人员的生命安全，降低马拉松选手的猝死风险。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种基于深度学习的心率监控方法的流程图。

图2是根据一示例性实施例示出的深度学习模型的示意图。

图3是根据一示例性实施例示出的深度学习模型的学习训练示意图。

图4是根据一示例性实施例示出的一种基于深度学习的心率监控装置的框图。

图5是根据一示例性实施例示出的一种计算机设备的框图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图中将各步骤描述成顺序的处理，但是其中的许多步骤可以并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排，当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图内的其它步骤。处理可以对应于方法、函数、规程、子例程、子程序等。

本发明涉及一种基于深度学习的心率监控方法、装置及存储介质，其主要运用于马拉松长跑赛事中对于长跑选手的心脏危情监控的场景中，其基本思想是：在马拉松赛事开始时，给每一位赛事选手发放一可穿戴设备例如智能手环用于监测马拉松赛事选手的心率，通过对原始的心率数据的分析得到分类标注，得到赛事选手的心率为正常、出现异常、临近危险和强烈危险四种类型以及对四种类型的预处理，在赛事进行过程中，当获取到选手的心率数据后根据建立的深度学习模型进行分析并得到心率监控数据，使得实现对赛事中每一选手的心率进行监控，以较高的准确率辨识马拉松选手在长跑过程中的心脏危险程度，对于非正常的心率以不同的方式给选手以提醒，使每一选手均能清楚地根据自己的身体状态来调整自己的行为，还能够及时将非正常状态的选手信息包括地理位置信息等通知给医疗人员，便于医务资源的快速有效地调配，从选手和医务人员两方面加以护航，保证马拉松人员的生命安全，极大地降低马拉松选手的猝死风险。

本实施例可适用于带有深度学习神经网络模块例如RNNs循环神经网络的智能型终端中以进行深度学习的心率监控的情况中，该方法可以由神经网络模块的装置来执行，其中该装置可以由软件和/或硬件来实现，一般地可集成于服务器端或云端中，或者终端中的中心控制模块来控制，如图1所示，为本发明的一种基于深度学习的心率监控方法的基本流程示意图，所述方法具体包括如下步骤：

在步骤110中，获取被监控对象的心率数据；

本发明示例性实施例的一种可行的实施场景中，所述被监控对象为参与马拉松赛事的马拉松长跑选手，所述心率数据包括心脏跳动频率，其可以通过心电信号测量，其也可以通过脉搏体现。

在步骤120中，根据已建立的基础心率数据-标注处理结果的神经网络，对所述被监控对象的心率数据进行预分析，得到所述被监控对象的心率数据的标注处理结果；

在实施本发明的方法之前，建立基础心率数据-标注处理结果的神经网络可通过下述方式实现：可根据正常人长跑时心率变化以及对应的标签建立初步神经网络。例如，在长跑运动过程中心血管循环系统的机能随着有效而安全的靶心率，又如静止心率可以为70次/min(分钟)，最大心率为最大负荷强度下心率达到的最高水平，通常理论认为最大心率＝220-实际年龄，而长跑选手在长跑过程中的心率范围是[(最大心率－静止心率)×60％+静止心率]～[(最大心率－静止心率)×80％+静止心率]；假设小明的静止心率是70次，其实际年龄为30岁，则其最大心率＝220－实际年龄＝190，那他的目标心率范围就是：[(190-70)×60％+70]～[(190-70)×80％+70]，也就是142～166。当你在目标心率区间内运动时，就能够获得心血管活动的最大收益，也能保证自己的生命安全，是性价比最高的运动状态。因此，将在[142～166]之间的心率数据对应的标注标签为“正常”，将在167～176(其可根据医学或人体健康标准得出)之间的心率数据标注标签为“出现异常”，将在[176～186]的心率数据标注为“临近危险”，而高于186的心率数据则标注为“强烈危险”，从而形成心率数据对应的标注处理结果。当然，这是对于心率变化时对应的标签的变化，在一些具体的实施场景中，表示强烈危险的心率范围还可以是静止心率70以下，其可能出现的心率变化及对应的标签形式均在本发明的保护范围之内。

经过多次马拉松赛事大量收集马拉松选手的真实心率信号作为神经网络的训练数据进行深度学习训练，并将得到的数据库放在云端，在之后的每一次马拉松赛事时即可通过云端数据库对参与的马拉松选手进行心脏危情监控。

在构建上述监控用的数据库时，在一种可行的实施方式中，可以先创建一个有200个马拉松选手心率信号的数据库，其中100人的心率信号为完整健康地跑完全程的心率信号，其余100人的心率信号为在赛事过程中身体出现不适的心率信号。

在马拉松比赛中为每一位马拉松选手配置心率传感器手环，以便于获得每一位选手的心率数据，每位选手在构建数据库时选择三个小时左右的心率数据，其中100位选手出现身体不适的心率信号包含出现异常、临近危险和强烈危险三种异常类型。

本发明示例性实施例的一种可行的实施场景中，基础心率数据对应的标注处理结果一般可分为正常、异常、临近危险和强烈危险四种标注处理结果，例如正常时保持持续监控，异常时向选手发送初步异常信息，监控危险时发出震动建议选手休息，强烈危险时发出震动并获取该选手的地理位置信息并发送至医护人员等。

在步骤130中，将预设时长的所述心率数据以及所述心率数据对应的标注处理结果存储至所述神经网络，得到训练后的神经网络；

对于标签不同的心率数据在预处理过程中其预设时长也不相同，例如，在所有收集的心率数据范围内异常情况的持续时间从250毫秒到最多800毫秒，因此可选择区间范围在[250ms,800ms]之间的时间长度作为所述预设时长。另一方面，由于正常心率情况下心率信号持续时间较长，所以我们从正常心率中生成随机的高斯分布的持续时间的小段，同样也可以使得所有信号的平均持续时间为320毫秒。

将被选择出来的心率数据以及其对应的标注处理结果作为神经网络的训练数据使用。

在步骤140中，在训练后的神经网络中对获取的实时心率数据进行分析，并得到对应的实时标注处理结果；

所述训练后的神经网络可以为具有记忆能力的循环神经网络RNNs(recurre ntneural networks,RNNs，也可称之为递归神经网络)，深度学习神经网络模型经过训练学习之后即可在赛事过程中对每一选手的心率进行监控，通过将获取到的马拉松选手的心率数据输入到深度学习神经网络模型中即可进行马拉松选手的心脏危险程度识别，并得到对应的马拉松选手的实时标注处理结果。

在步骤150中，当所述实时标注处理结果为预设的第一标注类型时，向所述实时心率数据对应的被监控对象发送警示信息；

其中，第一标注类型对应的心率数据标签可为“临近危险”或“强烈危险”，发送的警示信息的危险程度内容也会根据标签的不同而有所不同。

所述预设的第一标注类型根据心率数据的标签进行区分，其可以为标签为“异常”和“临近危险”两种类型的心率数据对应的标注处理结果，对于该两种标签的被监控对象发送警示信息，以提醒对应的马拉松选手在长跑过程中对自身状态是否适合继续长跑作出较为准确的判断，防止长跑过程中的意外出现。

在步骤160中，当所述实时标注处理结果为预设的第二标注类型时，在所述训练后的神经网络保存回溯预定步数的心率数据-标注处理结果进行迭代训练。

其中，所述第二标注类型可为“正常”或“出现异常”，进行迭代训练时需要重点关注对于从“正常”转化为“出现异常”的数据，以使神经网络进行自我更新，迭代训练指的是不断获取新的心率信号及其对应的分类标注结果进行学习训练，以使其保存的数据库中的保存的数据是当下最适合使用的数据。

所述预设的第二标注类型根据心率数据的标签进行区分，其可以为标签为“正常”类型的心率数据对应的标注处理结果，对于正常的心率数据，由于在每一次马拉松赛事中选手的身体健康有所不同，其对应的正常的心率数据的数据范围也会存在差异，因此，在所述训练后的神经网络保存回溯预定步数的心率数据-标注处理结果进行迭代训练，使得在深度学习训练模型中的数据库中的标签为正常的心率数据的心率信号值、心率信号范围、心率趋势等数据迭代为本次马拉松赛事中的心率数据各项参数。

本发明的方法，通过给马拉松等跑步类型的赛事选手发放可穿戴设备例如智能手环以记录和监测马拉松赛事选手的心率数据，并通过训练模型的分类标注得到赛事选手的心率标注结果，例如一般可以为正常、出现异常、临近危险和强烈危险四种类型，实现了对在赛事过程中对每一选手的心脏危险情况的监控，以及实现了以较高的准确率辨识马拉松选手在长跑过程中的心脏危险程度，对于非正常的心率以不同的方式给选手以提醒，使每一选手均能清楚地根据自己的身体状态来调整自己在赛事中的长跑行为，还能够及时将非正常状态的选手信息包括地理位置信息等通知给医疗人员，便于医务资源的快速有效地调配，从选手和医务人员两方面加以护航，保证马拉松人员的生命安全，极大地降低马拉松选手的猝死风险。

在本发明示例性实施例一种可行的实施场景中，如图2所示，为本发明的RNNs网络结构示意图，其采用一个6层的编码-解码结构实现了RNNs神经网络以构建深度学习模型，这个结构可以使RNN处理和分类任意长度的输入序列，其主要包括编码器、解码器以及全连接层：

其中的编码器由3层组成的，包括分别为128神经元和64神经元的2个双向循环层，有32个循环神经元的单向层。编码器被设置为可以处理最大长度为设定的值的任意序列。编码器里所有的循环神经元都是GRU(Gated Recurrent Unit，选通重复单元)，它结构比较简单，通过更新门和重置门来决定对之前状态的依赖程度，从而可以很好解决远距离依赖及对较长时间之前的信息的处理的精度较差的问题，实现了降低远距离节点之间的相互作用及较高的精度。

固定的编码层：编码器输出的最后一层是一个固定参数的有32神经元的激活层，被用来初始化解码器。

解码器：由一个单独的循环层构成，它具有64个长短时记忆(LSTM)单元，且结合了注意力机制。注意力机制使该网络主要关注输入特性的显著部分，并最终提高分类性能，输入的特性可以为根据马拉松长跑赛事活动进行的时间长短而得出的的心率特性，包括但不限于：在初期、中期、末期得到的心率特性等。目前，我们的解码器设置为对每个输入序列输出一个单一的分类标注(标注处理结果)，即输出选手心脏危险程度中的一级，四种心率危险程度包括正常、出现异常、临近危险和强烈危险四个级别中的一级。

全连接层：在解码器之后，设置一个具有256个ReLU神经元的全连接层,将学到的“分布式特征表示”映射到样本标记空间，组合学习到的多个特征，从而得到心率危险程度整体的特征。

分类：最后的分类层使用softmax输出一个分类标签。Softmax函数可以将输入映射成为(0,1)的值，将这个值理解为概率，便可以选取最大的概率的结果作为分类的结果(四种心率危险程度(正常、出现异常、临近危险和强烈危险)中的一级)。

本发明示例性实施例的一种可行的实施场景中，在获取被监控对象的心率数据之前，所述方法还包括对心率数据进行预处理的步骤，这一过程包括如下：

对获取的心率数据进行去噪处理；

在心率信号传输过程中产生的不相关的数据,如静音和背景噪音,通过对低能量的窗口的检测的方法来达到去除不相关的信号数据的目的，实际操作中可通过设计信号调理电路使传感器可以放大心率信号和完全消除环境信号干扰，以实现去噪处理。

对去噪处理后的心率数据流进行分段，每段包括预设帧长度的帧数据；

将每一预设帧长度的帧数据切割为预设频率分量的序列；

所述对所述心率数据进行分析，包括：

对每一预设频率分量的序列进行所述神经网络的训练，并输出每一预设频率分量的序列的标注处理结果。

经过去噪之后的心率数据被转换为每帧有64个频率分量的序列，这些序列及对应的标签(正常、出现异常、临近危险和强烈危险)将作为训练RNNs的数据被使用，以进一步构建心率识别的深度学习模型。

建立深度学习模型之前可获取马拉松选手佩戴的心率传感器手环中得到的心率数据，每位选手有三个小时左右的心率信号，在建立深度学习模型时可采用若干马拉松选手心率信号的数据库，例如200个选手，其中100人为完整健康地跑完全程，100人为在过程中身体出现不适，此200个心率信号即为建立深度学习模型的原始数据，在建立好深度学习模型之后的每一次识别过程均可认为是其训练过程，但在训练过程同样也可以根据模型接收到的输入的每一所述预设频率分量的序列输出所述预设频率分量的序列的标注处理结果。

结合图3所示，为本发明心率识别时的流程示意图，深度学习模型经过深度学习训练之后可以实现更加精准的心率信号的危险程度识别，在学习训练过程中，包含了两步：1)输入原始的心率信号的数据，分类标注(标注是正常、出现异常、临近危险和强烈危险四种类型的标签中的一种)以及预处理(同上述预处理)。2)根据训练数据(信号帧序列以及相应的标签)进行训练，确定网络参数。对于心脏危险程度识别过程，同样也包含两步：1)通过输入的原始心率信号，进行预处理。2)输入信号帧到建立好的深度学习模型，得到分类结果。分类结果是危险程度中的一类。

本发明示例性实施例的一种可行的实施场景中，所述方法还包括对心率信号采样率转换的过程，包括获取所述心率数据的第一采样率；在所述第一采样率不符合预设采样率范围时，将所述采样率转换为符合预设采样率的第二采样率。

对于所有的记录，心率传感器的采样率可能为44.1kHz，根据模型算法的要求其采样率一般要求为16kHz，传感器采集率与算法要求不同，此时，需要根据算法需求进行转换。

本发明示例性实施例的一种可行的实施场景中，所述方法还包括在采样过程中通过设置不同的采样频率使得降低在数据处理时的工作量，这一过程可包括：

检测所述实时标注处理结果是否为正常；

当获取到的实时的标注处理结果为“正常”时即为“正常”，对于“出现异常、临近危险和强烈危险”等三种情况的实时标注处理结果即为不正常。

当所述实时心率数据的实时标注处理结果为正常时，采用第一预设时长对所述实时心率数据对应的被监控对象进行实时心率数据的采集；

所述第一预设时长例如为1000毫秒。

当所述实时心率数据的实时标注处理结果为异常时，采用第二预设时长对所述实时心率数据对应的被监控对象进行实时心率数据的采集。

所述第二预设时长小于所述第一预设时长，例如其可以为200毫秒。

正常与非正常的心率信号持续时间不同，因此，通过设置不同的预设时长进行采集可以降低采集心率信号的频率。

本发明示例性实施例的一种可行的实施场景中，所述所述实时心率数据的实时标注处理结果为异常时，还包括救援措施，以及时地对心率异常的长跑选手实施救援，防止危害事件的发生，这一过程包括：当所述实时标注处理结果为临近危险和/或强烈危险时，向所述实时心率数据对应的被监控对象发送警示信息，例如向长跑选手的手环发送强烈震动、蜂鸣进行提示，并通过发送改善身体状况的信息提示长跑选手尽快停止或按照一定方式进行自救；或获取所述实时心率数据对应的被监控对象的便携式设备的地理位置信息，将所述地理位置信息发送至护理救援中心，通知救援人员并便于救援人员快速定位实施救援工作。

图4为本发明实施例提供的一种基于深度学习的心率监控装置的结构示意图，该装置可由软件和/或硬件实现，一般地集成于终端中，可通过基于深度学习的心率监控方法来实现。如图所示，本实施例可以以上述实施例为基础，提供了一种基于深度学习的心率监控装置，其主要包括了心率获取模块410、分析模块420、训练模块430、实时处理模块440、发送模块450以及迭代训练模块460。

其中的心率获取模块410，用于获取被监控对象的心率数据；

其中的分析模块420，用于根据已建立的基础心率数据-标注处理结果的神经网络，对所述被监控对象的心率数据进行预分析，得到所述被监控对象的心率数据的标注处理结果；

其中的训练模块430，用于将预设时长的所述被监控对象的心率数据以及所述被监控对象的心率数据对应的标注处理结果存储至所述神经网络进行训练，得到训练后的神经网络；

其中的实时处理模块440，用于在训练后的神经网络中对获取的实时心率数据进行分析，并得到对应的实时标注处理结果；

其中的发送模块450，用于当所述实时标注处理结果为预设的第一标注类型时，向所述实时心率数据对应的被监控对象发送警示信息；

其中的迭代训练模块460，用于当所述实时标注处理结果为预设的第二标注类型时，在所述训练后的神经网络保存回溯预定步数的心率数据-标注处理结果进行迭代训练。

本发明示例性实施例的一种可行的实施场景中，所述装置还包括：

去噪处理模块，用于对获取的心率数据进行去噪处理；

分段模块，用于对去噪处理后的心率数据流进行分段，每段包括预设帧长度的帧数据；

切割模块，用于将每一预设帧长度的帧数据切割为预设频率分量的序列；

所述分析模块还用于：

对每一预设频率分量的序列进行所述神经网络的训练，并输出每一预设频率分量的序列的标注处理结果。

本发明示例性实施例的一种可行的实施场景中，所述装置还包括：

模型建立模块，用于建立训练后的神经网络的深度学习模型；

输入模块，用于在所述深度学习模型中输入每一所述预设频率分量的序列；

输出模块，用于输出所述预设频率分量的序列的标注处理结果。

本发明示例性实施例的一种可行的实施场景中，所述装置还包括：

第一采样获取模块，用于获取所述心率数据的第一采样率；

转换模块，用于在所述第一采样率不符合预设采样率范围时，将所述采样率转换为符合预设采样率的第二采样率。

本发明示例性实施例的一种可行的实施场景中，所述装置还包括：

检测模块，用于检测所述实时标注处理结果；

第一采集模块，用于当所述实时心率数据的实时标注处理结果为正常时，采用第一预设时长对所述实时心率数据对应的被监控对象进行实时心率数据的采集；

第二采集模块，用于当所述实时心率数据的实时标注处理结果为异常时，采用第二预设时长对所述实时心率数据对应的被监控对象进行实时心率数据的采集。

本发明示例性实施例的一种可行的实施场景中，其特征在于，第二采集模块还包括：

警示子模块，用于当所述实时标注处理结果为临近危险和/或强烈危险时，向所述实时心率数据对应的被监控对象发送警示信息；

地理显示模块，用于获取所述实时心率数据对应的被监控对象的便携式设备的地理位置信息，将所述地理位置信息发送至护理救援中心。

上述实施例中提供的基于深度学习的心率监控装置可执行本发明中任意实施例中所提供的基于深度学习的心率监控方法，具备执行该方法相应的功能模块和有益效果，未在上述实施例中详细描述的技术细节，可参见本发明任意实施例中所提供的基于深度学习的心率监控方法。

将意识到的是，本发明也扩展到适合于将本发明付诸实践的计算机程序，特别是载体上或者载体中的计算机程序。程序可以以源代码、目标代码、代码中间源和诸如部分编译的形式的目标代码的形式，或者以任何其它适合在按照本发明的方法的实现中使用的形式。也将注意的是，这样的程序可能具有许多不同的构架设计。例如，实现按照本发明的方法或者系统的功能性的程序代码可能被再分为一个或者多个子例程。

用于在这些子例程中间分布功能性的许多不同方式将对技术人员而言是明显的。子例程可以一起存储在一个可执行文件中，从而形成自含式的程序。这样的可执行文件可以包括计算机可执行指令，例如处理器指令和/或解释器指令(例如，Java解释器指令)。可替换地，子例程的一个或者多个或者所有子例程都可以存储在至少一个外部库文件中，并且与主程序静态地或者动态地(例如在运行时间)链接。主程序含有对子例程中的至少一个的至少一个调用。子例程也可以包括对彼此的函数调用。涉及计算机程序产品的实施例包括对应于所阐明方法中至少一种方法的处理步骤的每一步骤的计算机可执行指令。这些指令可以被再分成子例程和/或被存储在一个或者多个可能静态或者动态链接的文件中。

另一个涉及计算机程序产品的实施例包括对应于所阐明的系统和/或产品中至少一个的装置中每个装置的计算机可执行指令。这些指令可以被再分成子例程和/或被存储在一个或者多个可能静态或者动态链接的文件中。

计算机程序的载体可以是能够运载程序的任何实体或者装置。例如，载体可以包含存储介质，诸如(ROM例如CDROM或者半导体ROM)或者磁记录介质(例如软盘或者硬盘)。进一步地，载体可以是可传输的载体，诸如电学或者光学信号，其可以经由电缆或者光缆，或者通过无线电或者其它手段传递。当程序具体化为这样的信号时，载体可以由这样的线缆或者装置组成。可替换地，载体可以是其中嵌入有程序的集成电路，所述集成电路适合于执行相关方法，或者供相关方法的执行所用。

应该留意的是，上文提到的实施例是举例说明本发明，而不是限制本发明，并且本领域的技术人员将能够设计许多可替换的实施例，而不会偏离所附权利要求的范围。在权利要求中，任何放置在圆括号之间的参考符号不应被解读为是对权利要求的限制。动词“包括”和其词形变化的使用不排除除了在权利要求中记载的那些之外的元素或者步骤的存在。在元素之前的冠词“一”或者“一个”不排除复数个这样的元素的存在。本发明可以通过包括几个明显不同的组件的硬件，以及通过适当编程的计算机而实现。在列举几种装置的装置权利要求中，这些装置中的几种可以通过硬件的同一项来体现。在相互不同的从属权利要求中陈述某些措施的单纯事实并不表明这些措施的组合不能被用来获益。

如果期望的话，这里所讨论的不同功能可以以不同顺序执行和/或彼此同时执行。此外，如果期望的话，以上所描述的一个或多个功能可以是可选的或者可以进行组合。

如果期望的话，上文所讨论的各步骤并不限于各实施例中的执行顺序，不同步骤可以以不同顺序执行和/或彼此同时执行。此外，在其他实施例中，以上所描述的一个或多个步骤可以是可选的或者可以进行组合。

虽然本发明的各个方面在独立权利要求中给出，但是本发明的其它方面包括来自所描述实施方式的特征和/或具有独立权利要求的特征的从属权利要求的组合，而并非仅是权利要求中所明确给出的组合。

这里所要注意的是，虽然以上描述了本发明的示例实施方式，但是这些描述并不应当以限制的含义进行理解。相反，可以进行若干种变化和修改而并不背离如所附权利要求中所限定的本发明的范围。

本领域普通技术人员应该明白，本发明实施例的装置中的各模块可以用通用的计算装置来实现，各模块可以集中在单个计算装置或者计算装置组成的网络组中，本发明实施例中的装置对应于前述实施例中的方法，其可以通过可执行的程序代码实现，也可以通过集成电路组合的方式来实现，因此本发明并不局限于特定的硬件或者软件及其结合。

本领域普通技术人员应该明白，本发明实施例的装置中的各模块可以用通用的移动终端来实现，各模块可以集中在单个移动终端或者移动终端组成的装置组合中，本发明实施例中的装置对应于前述实施例中的方法，其可以通过编辑可执行的程序代码实现，也可以通过集成电路组合的方式来实现，因此本发明并不局限于特定的硬件或者软件及其结合。

本实施例还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器22，如图5所示。需要指出的是，图5仅示出了具有组件21-22的计算机设备20，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备20的内部存储单元，例如该计算机设备20的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备20的外部存储设备，例如该计算机设备20上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件，例如实施例一的RNNs神经网络的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如实现深度学习模型的各层结构，以实现上述实施例的基于深度学习的心率监控方法。

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储金融小程序，被处理器执行时实现上述实施例的基于深度学习的心率监控方法。

另一个涉及计算机程序产品的实施例包括对应于所阐明的系统和/或产品中至少一个的装置中每个装置的计算机可执行指令。这些指令可以被再分成子例程和/或被存储在一个或者多个可能静态或者动态链接的文件中。

计算机程序的载体可以是能够运载程序的任何实体或者装置。例如，载体可以包含存储介质，诸如(ROM例如CDROM或者半导体ROM)或者磁记录介质(例如软盘或者硬盘)。进一步地，载体可以是可传输的载体，诸如电学或者光学信号，其可以经由电缆或者光缆，或者通过无线电或者其它手段传递。当程序具体化为这样的信号时，载体可以由这样的线缆或者装置组成。可替换地，载体可以是其中嵌入有程序的集成电路，所述集成电路适合于执行相关方法，或者供相关方法的执行所用。

应该留意的是，上文提到的实施例是举例说明本发明，而不是限制本发明，并且本领域的技术人员将能够设计许多可替换的实施例，而不会偏离所附权利要求的范围。在权利要求中，任何放置在圆括号之间的参考符号不应被解读为是对权利要求的限制。动词“包括”和其词形变化的使用不排除除了在权利要求中记载的那些之外的元素或者步骤的存在。在元素之前的冠词“一”或者“一个”不排除复数个这样的元素的存在。本发明可以通过包括几个明显不同的组件的硬件，以及通过适当编程的计算机而实现。在列举几种装置的装置权利要求中，这些装置中的几种可以通过硬件的同一项来体现。在相互不同的从属权利要求中陈述某些措施的单纯事实并不表明这些措施的组合不能被用来获益。

如果期望的话，这里所讨论的不同功能可以以不同顺序执行和/或彼此同时执行。此外，如果期望的话，以上所描述的一个或多个功能可以是可选的或者可以进行组合。

如果期望的话，上文所讨论的各步骤并不限于各实施例中的执行顺序，不同步骤可以以不同顺序执行和/或彼此同时执行。此外，在其他实施例中，以上所描述的一个或多个步骤可以是可选的或者可以进行组合。

虽然本发明的各个方面在独立权利要求中给出，但是本发明的其它方面包括来自所描述实施方式的特征和/或具有独立权利要求的特征的从属权利要求的组合，而并非仅是权利要求中所明确给出的组合。

Claims (9)

1.一种基于深度学习的心率监控方法，其特征在于，所述方法包括：

获取被监控对象的心率数据；

根据已建立的基础心率数据-标注处理结果的神经网络，对所述被监控对象的心率数据进行预分析，得到所述被监控对象的心率数据的标注处理结果；

将预设时长的所述被监控对象的心率数据以及所述被监控对象的心率数据对应的标注处理结果存储至所述神经网络进行训练，得到训练后的神经网络；

在训练后的神经网络中对获取的实时心率数据进行实时分析，并得到对应的实时标注处理结果；

当所述实时标注处理结果为预设的第一标注类型时，向所述实时心率数据对应的被监控对象发送警示信息；

当所述实时标注处理结果为预设的第二标注类型时，在所述训练后的神经网络保存回溯预定步数的心率数据-标注处理结果进行迭代训练；所述第二标注类型为“正常”或“出现异常”；

在采样过程中通过设置不同的采样频率使得降低在数据处理时的工作量，这一过程包括：

检测所述实时标注处理结果；

当所述实时心率数据的实时标注处理结果为正常时，采用第一预设时长对所述实时心率数据对应的被监控对象进行实时心率数据的采集；

当所述实时心率数据的实时标注处理结果为异常时，采用第二预设时长对所述实时心率数据对应的被监控对象进行实时心率数据的采集。

2.根据权利要求1所述的方法，其特征在于，在获取被监控对象的心率数据之前，所述方法还包括：

对获取的心率数据进行去噪处理；

对去噪处理后的心率数据流进行分段，每段包括预设帧长度的帧数据；

将每一预设帧长度的帧数据切割为预设频率分量的序列；

对所述心率数据进行分析，包括：

对每一预设频率分量的序列进行所述神经网络的训练，并输出每一预设频率分量的序列的标注处理结果。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

建立训练后的神经网络的深度学习模型；

在所述深度学习模型中输入每一所述预设频率分量的序列；

输出所述预设频率分量的序列的标注处理结果。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述心率数据的第一采样率；

在所述第一采样率不符合预设采样率范围时，将所述采样率转换为符合预设采样率的第二采样率。

5.根据权利要求1所述的方法，其特征在于，所述实时心率数据的实时标注处理结果为异常时，还包括：

当所述实时标注处理结果为临近危险或强烈危险时，向所述实时心率数据对应的被监控对象发送警示信息；或

获取所述实时心率数据对应的被监控对象的便携式设备的地理位置信息，将所述地理位置信息发送至护理救援中心。

6.一种基于深度学习的心率监控装置，其特征在于，所述装置包括：

心率获取模块，用于获取被监控对象的心率数据；

分析模块，用于根据已建立的基础心率数据-标注处理结果的神经网络，对所述被监控对象的心率数据进行预分析，得到所述被监控对象的心率数据的标注处理结果；

训练模块，用于将预设时长的所述被监控对象的心率数据以及所述心率数据对应的标注处理结果存储至所述神经网络进行训练，得到训练后的神经网络；

实时处理模块，用于在训练后的神经网络中对获取的实时心率数据进行分析，并得到对应的实时标注处理结果；

发送模块，用于当所述实时标注处理结果为预设的第一标注类型时，向所述实时心率数据对应的被监控对象发送警示信息；

迭代训练模块，用于当所述实时标注处理结果为预设的第二标注类型时，在所述训练后的神经网络保存回溯预定步数的心率数据-标注处理结果进行迭代训练；所述第二标注类型为“正常”或“出现异常”；

所述装置还用于在采样过程中通过设置不同的采样频率使得降低在数据处理时的工作量，这一过程包括：

检测模块，用于检测所述实时标注处理结果；

第一采集模块，用于当所述实时心率数据的实时标注处理结果为正常时，采用第一预设时长对所述实时心率数据对应的被监控对象进行实时心率数据的采集；

第二采集模块，用于当所述实时心率数据的实时标注处理结果为异常时，采用第二预设时长对所述实时心率数据对应的被监控对象进行实时心率数据的采集。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

去噪处理模块，用于对获取的心率数据进行去噪处理；

分段模块，用于对去噪处理后的心率数据流进行分段，每段包括预设帧长度的帧数据；

切割模块，用于将每一预设帧长度的帧数据切割为预设频率分量的序列；

所述分析模块还用于：

对每一预设频率分量的序列进行所述神经网络的训练，并输出每一预设频率分量的序列的标注处理结果。

8.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至5任一项所述方法的步骤。

9.一种可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1~5所述方法的步骤。

Images