CN111407261A - 生物信号的周期信息的测量方法及装置、电子设备 - Google Patents

生物信号的周期信息的测量方法及装置、电子设备 Download PDF

Info

Publication number
CN111407261A
CN111407261A CN202010244231.2A CN202010244231A CN111407261A CN 111407261 A CN111407261 A CN 111407261A CN 202010244231 A CN202010244231 A CN 202010244231A CN 111407261 A CN111407261 A CN 111407261A
Authority
CN
China
Prior art keywords
feature
signal
binary classifiers
biosignal
classification
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
Application number
CN202010244231.2A
Other languages
English (en)
Inventor
祖春山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202010244231.2A priority Critical patent/CN111407261A/zh
Publication of CN111407261A publication Critical patent/CN111407261A/zh
Priority to US17/438,597 priority patent/US20220211327A1/en
Priority to PCT/CN2021/074907 priority patent/WO2021196872A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/08—Learning methods
    • 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
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1103—Detecting eye twinkling
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

提供了一种生物信号的周期信息的测量方法及装置、电子设备。该测量方法，包括：获取生物信号的特征张量，通过多个二元分类器中的每一个对特征张量进行分类以获得多个分类结果，所述多个二元分类器中的每一个的分类参数不同，以及基于所述多个分类结果确定生物信号的周期信息的第一测量值。通过本发明提供的测量方法不易受局部干扰影响并且也不易过拟合。

Description

生物信号的周期信息的测量方法及装置、电子设备
技术领域
本公开涉及一种生物信号的周期信息的测量方法及装置、电子设备。
背景技术
随着人们对健康和医疗的需求的增加，正在开展对信息技术(IT，InformationTechnology)与医学融合技术的研究。特别地，不再限于在诸如医院的固定场所执行对人体的健康状况的监视，而是可以在任何地方(诸如，在家或在办公室)并且可以在任何时间来监视用户的健康状况。可以通过用户的生物信号来表示其健康状况。生物信号可以包括心电信号、呼吸信号、脑电信号、脉搏信号(例如光电容积脉搏信号)、肌电信号等。通过分析生物信号的信息可以监测用户在日常生活中的身体和精神状态。
发明内容
根据本公开的至少一实施例，提供一种生物信号的周期信息的测量方法。该测量方法包括：获取生物信号的特征张量；通过多个二元分类器中的每一个对特征张量进行分类以获得多个分类结果，多个二元分类器中的每一个的分类参数不同；以及基于多个分类结果确定生物信号的周期信息的第一测量值。
例如，在一些实施方式中，在通过多个二元分类器中的每一个对特征张量进行分类之前，还包括：确定生物信号的周期信息的范围；以及基于范围确定多个二元分类器的数量以及多个二元分类器中的每一个的分类参数。
例如，在一些实施方式中，通过多个二元分类器中的每一个对特征张量进行分类以获得多个分类结果，包括：将特征张量转换为特征矩阵；以及通过所述多个二元分类器中的每一个对特征矩阵进行分类以获得所述多个分类结果。
例如，在一些实施方式中，多个二元分类器中的每一个被实施为卷积神经网络。
例如，在一些实施方式中，获取生物信号的特征张量包括通过卷积神经网络提取生物信号的特征以获取特征张量。
例如，在一些实施方式中，还包括：将特征张量划分为多个片段；对多个片段中的每一个中的特征点进行估计以获得多个估计结果，特征点与生物信号的周期信息相关联；基于多个估计结果确定生物信号的周期信息的第二测量值；以及基于第一测量值和第二测量值获得生物信号的周期信息的最终测量值。
例如，在一些实施方式中，该测量方法还包括：将特征张量划分为多个片段；对多个片段中的每一个中的特征点进行估计以获得多个估计结果，特征点与生物信号的周期信息相关联；基于多个估计结果确定生物信号的周期信息的第二测量值，其中，生物信号和第二测量值还作为训练数据用于多个二元分类器中的每一个的训练。
例如，在一些实施方式中，将所述特征张量划分为多个片段包括：将特征张量转换为特征矩阵；以及将特征矩阵划分为所述多个片段。
例如，在一些实施方式中，使用卷积神经网络对多个片段中的每一个中的特征点进行估计。
例如，在一些实施方式中，所述多个估计结果还被用于卷积神经网络的训练。
例如，在一些实施方式中，该测量方法还包括：对多个二元分类器中的每一个进行训练。训练包括：确定用于所述多个二元分类器的训练数据集；以及使用训练数据集对多个二元分类器中的每一个进行训练。
例如，在一些实施方式中，使用训练数据集对多个二元分类器中的每一个进行训练包括：对于多个二元分类器中的每一个，将训练数据集划分为第一子集和第二子集，并且使用第一子集和第二子集来对相应的二元分类器进行训练。
例如，在一些实施方式中，生物信号的类型包括心电信号、呼吸信号、脉搏信号、脑电信号、肌电信号中的至少一个。
根据本公开的至少一实施例，提供一种生物信号的周期信息的测量装置。该测量装置包括：特征获取模块，用于获取生物信号的特征张量；分类模块，用于通过多个二元分类器中的每一个对特征张量进行分类以获得多个分类结果，多个二元分类器中的每一个的分类参数不同；和周期信息确定模块，用于基于多个分类结果确定生物信号的周期信息的第一测量值。
例如，在一些实施方式中，分类模块用于确定生物信号的周期信息的范围，并且基于范围确定多个二元分类器的数量以及多个二元分类器中的每一个的分类参数。
例如，在一些实施方式中，分类模块用于将特征张量转换为特征矩阵，并且通过所述多个二元分类器中的每一个对特征矩阵进行分类以获得所述多个分类结果。
例如，在一些实施方式中，该测量装置还包括训练模块，训练模块用于确定训练数据集，并且使用训练数据集对多个二元分类器中的每一个进行训练。
例如，在一些实施方式中，该训练模块用于对于所述多个二元分类器中的每一个，将训练数据集划分为第一子集和第二子集，并且使用第一子集和第二子集来对相应的二元分类器进行训练。
例如，在一些实施方式中，该测量装置还包括分段测量模块。分段测量模块包括：分段子模块，用于将特征张量划分为多个片段；估计子模块，用于对多个片段中的每一个中的特征点进行估计以获得多个估计结果，特征点与生物信号的周期信息相关联；以及第二周期信息确定子模块，用于基于多个估计结果确定生物信号的周期信息的第二测量值，其中，生物信号和第二测量值还作为训练数据用于多个二元分类器中的每一个的训练。
例如，在一些实施方式中，该测量装置还包括分段测量模块，包括：分段子模块，用于将特征张量划分为多个片段；估计子模块，用于对所述多个片段中的每一个中的特征点进行估计以获得多个估计结果，特征点与所述生物信号的周期信息相关联；以及第二周期信息确定子模块，用于基于所述多个估计结果确定生物信号的周期信息的第二测量值，其中，所述多个估计结果还用于估计子模块的训练。
例如，在一些实施方式中，分段子模块用于将特征张量转换为特征矩阵，并且将特征矩阵划分为所述多个片段。
例如，在一些实施方式中，生物信号的类型包括心电信号、呼吸信号、脉搏信号、脑电信号、肌电信号中的至少一个。
根据本公开的至少一实施例，提供一种电子设备。该电子设备包括：至少一个处理器；和存储器，用于存储至少一个计算机程序，其中，当至少一个计算机程序被至少一个处理器执行时，使得至少一个处理器执行以上任意一个实施方式描述的测量方法的步骤中的一个或多个。
例如，在一些实施方式中，该电子设备还包括一个或多个传感器，用于获取待测量的生物信号。
根据本公开的至少一实施例，提供一种计算机可读存储介质，其上存储有至少一个计算机程序，当至少一个计算机程序被至少一个处理器执行时执行以上任意一个实施方式描述的测量方法的步骤中的一个或多个。
附图说明
为了更清楚地说明本公开的实施例的技术方案，下面将对本公开实施例的附图作简单地介绍。明显地，下面描述的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。附图中：
图1示出了根据本公开的一些实施例的生物信号的周期信息的测量装置的框图；
图2示出了根据本公开的一些实施例的分类模块的框图；
图3示出了根据本公开的一些实施例的生物信号的周期信息的测量装置的框图；
图4A示出了根据本公开的一些实施例的特征矩阵被划分到的多个片段的示意图；
图4B示出了根据本公开的一些实施例的通过包括在估计子模块中的估计模型对片段进行估计的示意图；
图5示出了根据本公开的一些实施例的生物信号的周期信息的测量方法的流程图；
图6示出了根据本公开的一些实施例的生物信号的周期信息的测量方法的流程图；以及
图7示出了根据本公开的一些实施例的电子设备的框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。明显地，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
这里用于描述本发明的实施例的术语并非旨在限制和/或限定本发明的范围。
例如，除非另外定义，本公开使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
应该理解的是，本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。除非上下文另外清楚地指出，否则单数形式“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。
将进一步理解的是，术语“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
生物信号可以包括心电信号、呼吸信号、脑电信号、脉搏信号(例如光电容积脉搏信号)、肌电信号等。通过分析生物信号的信息可以监测用户在日常生活中的身体和精神状态。
在一些情况下，通过分析生物信号的周期信息可以估计用户的健康信息。生物信号的周期信息可以包括心率、呼吸率、脉率、眨眼率等中的一个或多个。
可以通过回归分析或曲线拟合的方法来测量生物信号的周期信息。然而，这种方法容易受到干扰的影响，从而造成测量结果的准确率不高。
为了解决至少以上问题，本公开的实施例提供了一种用于测量生物信号的周期信息的方法、装置、电子设备及计算机可读存储介质。
下面，将参考附图详细地说明本公开的实施例。应当注意的是，不同的附图中相同的附图标记将用于指代已描述的相同的元件。
图1示出了根据本公开的一些实施例的生物信号的周期信息的测量装置的框图。
参考图1，测量装置100可以包括特征获取模块110、分类模块120和周期信息确定模块130。特征获取模块110用于获取生物信号的特征张量。分类模块120可以包括多个二元分类器(二元分类器1、二元分类器2、…、二元分类器N)。周期信息确定模块130用于基于所述多个分类结果确定生物信号的周期信息的第一测量值。
在本公开的实施例中，生物信号包括心电信号、呼吸信号、脉搏信号、脑电信号、肌电信号中的至少一个。生物信号的周期信息可以包括心率、呼吸率、脉率、眨眼率等中的一个或多个。
在本公开的实施例中，特征张量可以包括一个或多个矩阵，用于表征生物信号的各种特征。在这种情况下，特征张量中的元素与生物信号的特征有关。
在一种示例中，可以提取生物信号的周期信息相关的特征以生成三阶特征张量。例如，在生物信号是多导联生物信号(例如，多导联心电信号)的情况下，可以生成三阶特征张量。在这种情况下，特征张量表征了生物信号的与周期信息相关的时序信息以及指示生物信号中的每个导联生物信号之间的时序相关性的空间信息。
在另一种示例中，可以提取生物信号的周期信息相关的特征以生成二阶特征张量，即特征矩阵。例如，在生物信号是单导联生物信号(例如，单导联心电信号)的情况下，可以生成二阶特征张量(即，特征矩阵)。在这种情况下，特征张量表征了生物信号的与周期信息相关的时序信息。
在生物信号为心电信号的情况下，生物信号的与周期信息相关的特征的示例可以包括R波波峰(例如，R波顶点)、T波波峰(例如，T波顶点)、QRS起始点、或QRS终点中的一个或多个。
在一些实施方式中，特征获取模块110可以用于提取生物信号的特征以获得特征张量。
在一些实施方式中，特征获取模块110可以从另一设备接收生物信号的特征张量。
在一些实施方式中，特征获取模块110可以包括第一神经网络模型110。第一神经网络模型110可以包括前馈神经网络、循环神经网络(Recurrent Neural Network，RNN)、卷积神经网络(Convolutional Neural Networks，CNN)或其他形式的神经网络。第一神经网络模型的类型可以包括深度神经网络。
虽然已经描述了可以通过特征获取模块110被实施为各种神经网络的实施方式。然而，本公开不限于此。例如，特征获取模块110可以被实施为可以获取特征张量的任何机器学习模型。
在一些实施方式中，二元分类器1、二元分类器2、……、二元分类器N中的每一个可以被实施为神经网络。例如，用于分类模块的神经网络可以包括前馈神经网络、循环神经网络(RNN)、卷积神经网络(CNN)或其他形式的神经网络。用于分类模块的神经网络的类型可以包括深度神经网络。
在一些实施方式中，参考图2，分类模块120中的多个二元分类器的输入相同。也就是说，多个二元分类器对同一输入进行分类。例如，多个二元分类器的输入可以是特征获取模块110所获取的生物信号的特征张量。在一个示例中，多个二元分类器的输入可以是对该特征张量进行转换所获得的特征向量。
在本公开的一些实施例中，可以通过张量的矩阵化(matricization)方法来将特征张量转换为特征矩阵。下面通过一些具体的示例来说明可以应用于本公开的一些实施例的张量的矩阵化方法。为了便于描述，假设要被矩阵化的张量为Γ：
Figure BDA0002433543070000071
张量Γ的阶数为3并且大小为2×3×3。由于张量可以被视为由多个矩阵组成，因此，张量Γ也可以被表示为Γ＝{A；B；C}，其中矩阵A、B和C分别表示为：
Figure BDA0002433543070000072
Figure BDA0002433543070000073
Figure BDA0002433543070000074
在一种示例中，可以通过对张量在某个方向(例如，列方向上)进行扩展来获得相应的矩阵。例如，对于张量Γ，通过在列方向上进行拼接，可以得到与张量Γ相对应的矩阵T为：
Figure BDA0002433543070000075
在另一种示例中，可以对构成特征张量的多个矩阵的对应位置的元素进行数据处理(例如，取均值)，来将特征张量转换为特征矩阵。例如，通过对矩阵A、B和C的相同位置处的元素进行数据处理，可以获得与张量Γ相对应的矩阵Q为：
Figure BDA0002433543070000081
上式中，矩阵Q中的各个元素可以为矩阵A、B和C的相同位置处的元素进行数据处理获得的值。例如，q11可以为对a11、b11和c11进行数据处理(例如，取均值)而获得的值，q12可以为对a11、b11和c11进行数据处理(例如，取均值)而获得的值，并且q23可以为对a23、b23和c23进行数据处理(例如，取均值)而获得的值。矩阵Q中的其它元素(q13、q21、q22)可以是通过类似的方式获得的值。
需要说明，以上描述的张量的阶数和大小仅是示例。另外，虽然以上描述了可以应用于本公开的一些实施例的张量的矩阵化方法，然而本公开的实施例不限于此。例如，可以采用各种方法来将特征张量转换为特征矩阵。
在一些实施方式中，包括在分类模块120中的多个二元分类器的数量可以基于周期信息的范围来确定。在一个示例中，如果周期信息的范围被表示为MIN～MAX，其中MIN、MAX为非负整数，则总的类别数K可以表示为：K＝MAX-MIN+1，类别1～类别K可以分别对应MIN、MIN+1、……、MAX。在这种情况下，包括在分类模块120中的多个二元分类器的数量(即，N)可以被确定为K-1。并且，二元分类器1、二元分类器2、……、二元分类器N的期望的分类阈值可以分别被确定为MIN、MIN+1、……、MAX-1。也就是说，二元分类器1的分类阈值可以为MIN，并且二元分类器2的分类阈值可以为MIN+1。类似地，二元分类器N的分类阈值可以为MAX-1。在本公开的实施例中，通过对多个分类器中的每一个进行训练，可以使得相应的分类器具有相应的模型参数(本公开中，称为分类参数)并且可以具备识别输入是否满足与分类阈值有关的分类条件的能力。例如，经过训练，二元分类器1能够识别输入是否大于分类阈值MIN，二元分类器2能够识别输入是否大于分类阈值MIN+1，并且二元分类器N能够识别输入是否大于分类阈值MAX-1。
例如，包括在分类模块120中的多个二元分类器中的每一个可以基于其分类阈值执行分类并获得分类结果。在一个示例中，在二元分类器的输入满足相应的分类条件的情况下，分类结果可以为“1”，并且在二元分类器的输入不满足相应的分类条件的情况下，分类结果可以为“0”。在另一个示例中，在二元分类器的输入满足相应的分类条件的情况下，分类结果可以为“1”，并且在二元分类器的输入不满足相应的分类条件的情况下，分类结果可以为“-1”。
在一些实施方式中，周期信息确定模块130可以基于等式(1)确定生物信号的周期信息的第一测量值。
[等式(1)]
Figure BDA0002433543070000091
等式(1)中，p(xi)表示生物信号xi的周期信息的第一测量值，MIN可以表示周期信息的范围内的最小值，n表示二元分类器的编号，xi为N个二元分类器(二元分类器1、二元分类器2、……、二元分类器N)中的每一个的输入，fn(xi)是相应二元分类器的输出，[.]为示性函数。例如，[fn(xi)＞0]可以表示当表达式“fn(xi)＞0”为真返回1否则返回0。此外，N可以被确定为MAX-MIN，MAX可以表示周期信息的范围内的最大值。由此，基于多个二元分类器中的每一个的分类结果，可以获得生物信号的周期信息的第一测量值。
在一些实施方式中，测量装置100还可以包括训练模块(未示出)。训练模块可以用于对包括在分类模块120中的多个二元分类器进行训练。此外，训练模块还可以用于对特征获取模块110进行训练。
例如，在使用分类模块120中的多个二元分类器之前，还包括对多个二元分类器进行训练。下面描述训练方法的一些示例。
在一些示例中，假设yj是表示第j个训练样本(生物信号)的特征向量，tj∈{MIN,MIN+1,……,MAX是对应的样本类别标签，该样本类别标签指示相应训练样本的类别。对于每个二元分类器，整个训练数据集D被分成两个子集，如等式(2)和等式(3)所示。
[等式(2)]
Figure BDA0002433543070000092
[等式(3)]
Figure BDA0002433543070000093
等式(2)和等式(3)中，n表示二元分类器的编号，n为大于等于1且小于等于N的整数，
Figure BDA0002433543070000101
表示二元分类器n的两个子集(第一子集
Figure BDA0002433543070000102
和第二子集
Figure BDA0002433543070000103
)，“+1”、“-1”表示二元分类标签。二元分类标签可以表示通过二元分类器对其分类获得的分类结果。对于二元分类器n，
Figure BDA0002433543070000104
中包括样本类别标签大于(MIN+n-1的训练样本并且该训练样本的二元分类标签被确定为“+1”，
Figure BDA0002433543070000105
中包括样本类别标签小于等于(MIN+n-1的训练样本并且该训练样本的二元分类标签被确定为“-1”。
对于每个二元分类器，均使用由训练数据集D划分得到的两个子集进行训练，以获得每个二元分类器的参数或对每个二元分类器进行优化。由此，对于每个二元分类器，使用了训练数据集D中的所有训练样本进行训练，从而不易受局部干扰影响。
在一些实施方式中，可以使用训练数据对测量装置100中的特征获取模块110、分类模块120、周期信息确定模块130中的一个或多个进行联合训练。也就是说，测量装置100中的特征获取模块110、分类模块120和周期信息确定模块130可以形成为端到端(end-to-end)的学习模型。
在本公开的一些实施例中，基于不同的划分，包括在分类模块120中的多个二元分类器以多任务的方式进行训练。由于每个二元分类器都使用了训练数据集中的全部训练样本，所以不易受局部干扰影响，也不易过拟合。例如，过拟合是指模型(例如，二元分类器)在训练数据集上表现好，而在测试数据集上表现差的一种现象。
生物信号的周期信息具有显著的增量特点。例如，心率会随着心脏搏动周期的缩短而单调递增。并且，生物信号自身容易受到随机噪声的干扰而导致其周期信息具有随机性。在本公开的实施例，通过利用生物信号的周期信息的增量特点，设置多个二元分类器来进行分类，可以降低随机噪声对测量结果的影响。
图3示出了根据本公开的一些实施例的生物信号的周期信息的测量装置300的框图。
参考图3，除了图1中示出的特征获取模块110、分类模块120和周期信息确定模块130以外，装置300还包括分段测量模块140。
关于特征获取模块110、分类模块120和周期信息确定模块130的配置可以参考以上描述，这里省略对其的进一步描述。
继续参考图3，分段测量模块140可以包括分段子模块141、估计子模块142和周期信息确定子模块143。
分段子模块141用于将特征张量划分为多个片段。
例如，分段子模块141可以用于将特征张量转换为特征矩阵，并基于特征矩阵的列向量来将特征矩阵划分为多个片段，多个片段中的每一个对应于特征矩阵中的一个列向量。
在本公开的一些实施例中，可以通过张量的矩阵化(matricization)方法来将特征张量转换为特征矩阵。关于将特征张量转换为特征矩阵的方法可以参考以上描述的各种示例。图4A示出了特征矩阵被划分到的多个片段的示意图。参考图4A，对于U×V大小的特征矩阵，可以将该特征矩阵划分为V个列向量作为V个片段，U和V均为正整数。
估计子模块142用于对所述多个片段中的每一个中的特征点进行估计以获得多个估计结果，特征点与生物信号的周期信息相关联。
在一些实施方式中，在生物信号为心电信号的情况下，特征点可以包括R波波峰(例如，R波顶点)。在这种情况下，生物信号周期信息可以通过在一定时间段内同一类特征点出现的数量来度量。例如，心率可以通过预定时间段(例如，一分钟)内心电信号中出现的R波顶点的数量来确定。
在一些实施方式中，在对特征矩阵进行划分时，确保所述多个片段中的每一个中的特征点的数量不超过一个。在这种情况下，可以通过估计子模块142来估计所述多个片段中存在特征点的片段的数量来获得生物信号的周期信息。
在一些实施方式中，估计子模块142可以包括多个估计模型。例如，多个估计模型的数量与划分得到的片段的数量相同。每个估计模型与一个片段相对应，用于对相应的片段进行估计以获得相应的估计结果。每个估计模型可以用于估计相应的片段是否具有特征点并输出相应的估计结果。参考图4B，对于第v个片段(即，第v个列向量)，其中v为大于等于1且小于等于V的整数，可以使用相应的估计模型来估计该片段中的特征点的数量。
在一些实施方式中，估计子模块142可以包括单个估计模型，通过该单个估计模型分别对由分段子模块划分得到的多个片段进行估计以获得多个估计结果。
在一些实施方式中，估计子模块142或包括在其中的(多个)估计模型可以被实施为神经网络。例如，用于估计子模块142的神经网络可以包括前馈神经网络、循环神经网络(RNN)、卷积神经网络(CNN)或其他形式的神经网络。用于分类模块的神经网络的类型可以包括深度神经网络。
周期信息确定子模块143用于基于估计子模块142获得的所述多个估计结果来确定生物信号的周期信息的第二测量值。
在一些实施方式中，由分段子模块141划分得到的多个片段中的每一个中的特征点的数量不超过一个。在这种情况下，可以基于等式(4)确定生物信号的周期信息的第二测量值。
[等式(4)]
Figure BDA0002433543070000121
等式(4)中，q(zl)表示生物信号zl的周期信息的第二测量值，v表示片段的编号，gv(zl)表示第v个片段对应的估计模型输出的估计结果，V表示所述多个片段的数量，[.]为示性函数。例如，[gv(zl)＞0]可以表示当表达式“gv(zl)＞0”为真返回1否则返回0。
在一些实施方式中，可以将第一测量值和第二测量值之一作为最终测量值，并将该最终测量值作为测量得到的生物信号的周期信息。
在一些实施方式中，基于第一测量值和第二测量值获得生物信号的周期信息的最终测量值，并将该最终测量值作为测量得到的生物信号的周期信息。例如，可以对第一测量值和第二测量值进行加权平均处理来获得最终测量值。
在一些实施方式中，生物信号和与该生物信号相对应的周期信息的第二测量值可以作为训练样本。例如，该训练样本可以用于包括在分类模块120中的多个二元分类器的训练。或者，该训练样本可以用于包括在估计子模块142中的估计模型的训练。通过将分段测量模块140测量得到的周期信息的第二测量值作为训练样本对相应的模型进行训练，可以隐式地增加用于测量装置300中的相应模型的监督信息，提高周期信息的测量的准确度并且避免过拟合。
在一些实施方式中，估计子模块142可以使用关于特征点的信息来作为训练样本来对估计子模块142中的估计模型进行训练。因此，在已知关于特征点的信息的情况下，可以使用关于特征点的信息作为显式监督信息来优化模型的训练，从而进一步提高周期信息的测量的准确度并避免过拟合。
例如，估计子模块142还可以基于估计结果输出关于特征点的信息，如图3中的虚线箭头所示。关于特征点的信息可以为相应分段中的特征点的数量。例如，该关于特征点的信息可以用于测量装置300中的各种模型的训练。
在一些实施方式中，可以使用训练数据对测量装置300中的特征获取模块110、分类模块120、周期信息确定模块130、分段测量模块140中的一个或多个进行联合训练。也就是说，测量装置300中的特征获取模块110、分类模块120、周期信息确定模块130、分段测量模块140可以形成为端到端(end-to-end)的学习模型。
在本公开的一些实施例中，通过使用分段测量模块140，能够进一步提高周期信息的测量的准确度并避免过拟合。
图5示出了根据本公开的一些实施例的生物信号的周期信息的测量方法500的流程图。
参考图5，在步骤S510，获取生物信号的特征张量。
在本公开的实施例中，生物信号包括心电信号、呼吸信号、脉搏信号、脑电信号、肌电信号中的至少一个。生物信号的周期信息可以包括心率、呼吸率、脉率、眨眼率等中的一个或多个。
在一些实施方式中，步骤S510可以包括从另一装置或模块(例如，存储器)接收生物信号的特征张量。
在本公开的实施例中，特征张量可以包括一个或多个特征矩阵，用于表征生物信号的各种特征。在一种示例中，可以提取生物信号的周期信息相关的特征以生成三阶特征张量。三阶特征张量中的元素与这些特征有关。
在本公开的实施例中，在生物信号为心电信号的情况下，生物信号的与周期信息相关的特征的示例可以包括R波波峰(例如，R波顶点)、T波波峰(例如，T波顶点)、QRS起始点、或QRS终点中的一个或多个。
在一些实施方式中，步骤S510可以包括提取生物信号的特征以获得特征张量。例如，可以通过第一神经网络模型提取生物信号的特征以获得特征张量。
例如，第一神经网络模型可以包括前馈神经网络、循环神经网络(RNN)、卷积神经网络(CNN)或其他形式的神经网络。第一神经网络模型的类型可以包括深度神经网络。
虽然已经描述了可以通过各种神经网络来提取生物信号的特征以获得特征张量。然而，本公开不限于此。例如，可以通过可以获取特征张量的任何机器学习模型来对生物信号执行特征提取。
在一些实施方式中，步骤S510之前可以包括对生物信号进行预处理。
例如，对生物信号进行预处理可以包括：对生物信号进行滤波，以去除工频干扰和/或基线漂移；以及对滤波后的生物信号进行波形检测和/或波形分割。
在包括对生物信号进行预处理的情况下，步骤S510可以包括：在对生物信号进行预处理后，对预处理后的生物信号执行特征提取以提取特征张量。
在一些实施方式中，由于生物信号的尺度或维度可以变化，因此对生物信号进行特征提取得到的特征的维度也可以变化。也就是说，取决于生物信号的尺度或维度，获得的特征张量的阶数可以变化。
然后，在步骤S530，通过多个二元分类器中的每一个对特征张量进行分类以获得多个分类结果，所述多个二元分类器中的每一个的分类参数不同。
在一些实施方式中，多个二元分类器的输入相同。也就是说，多个二元分类器对同一输入进行分类。例如，多个二元分类器的输入可以是对生物信号的特征执行特征提取所获得的特征张量。在一个示例中，多个二元分类器的输入可以是对该特征张量进行转换所获得的特征向量。可以采用以上描述的示例方法来将特征张量转换为特征矩阵。然后，可以在特征矩阵的行方向或列方向上将特征矩阵转换为特征向量。
接下来，在步骤S550，基于所述多个分类结果确定生物信号的周期信息的第一测量值。
在一些实施方式中，可以基于等式(1)确定生物信号的周期信息的第一测量值。
在一些实施方式中，在步骤S530之前，还可以包括：确定生物信号的周期信息的范围；以及基于该范围确定所述多个二元分类器的数量以及所述多个二元分类器中的每一个的分类参数。
在一个示例中，如果周期信息的范围被表示为MIN～MAX，其中MIN、MAX为非负整数，则总的类别数K可以表示为：K＝MAX-MIN+1，类别1～类别K可以分别对应MIN、MIN+1、……、MAX。在这种情况下，所述多个二元分类器的数量(即，N)可以被确定为类别数K-1。并且，所述多个二元分类器的分类参数可以分别被确定为MIN、MIN+1、……、MAX-1。通过对多个分类器中的每一个进行训练，可以使得相应的分类器具有相应的分类参数并且可以具备识别输入是否满足与分类阈值有关的分类条件的能力。例如，经过训练，二元分类器1能够识别输入是否大于分类阈值MIN，二元分类器2能够识别输入是否大于分类阈值MIN+1，并且二元分类器N能够识别输入是否大于分类阈值MAX-1。
在一些实施方式中，所述多个二元分类器中的每一个可以被实施为神经网络。例如，用于分类模块的神经网络可以包括前馈神经网络、循环神经网络(RNN)、卷积神经网络(CNN)或其他形式的神经网络。用于分类模块的神经网络的类型可以包括深度神经网络。
在一些实施方式中，测量方法500还可以包括：对所述多个二元分类器中的每一个进行训练。
例如，对所述多个二元分类器中的每一个进行训练可以包括：确定训练数据集；以及使用所述训练数据集对所述多个二元分类器中的每一个进行训练。
例如，使用所述训练数据集对所述多个二元分类器中的每一个进行训练包括：对于所述多个二元分类器中的每一个，将所述训练数据集划分为第一子集和第二子集，并且使用所述第一子集和所述第二子集来对相应的二元分类器进行训练。
关于对所述多个二元分类器中的每一个进行训练可以参考之前的描述。
在一些实施方式中，可以使用参考图1描述的测量装置100来实现方法500。
在本公开的一些实施例中，基于不同的划分，多个二元分类器以多任务的方式进行训练。由于每个二元分类器都使用了训练数据集中的全部训练样本，所以不易受局部干扰影响，也不易过拟合。
生物信号的周期信息具有显著的增量特点。例如，心率会随着心脏搏动周期的缩短而单调递增。并且，生物信号自身容易受到随机噪声的干扰而导致其周期信息具有随机性。在本公开的实施例中，通过利用生物信号的周期信息的增量特点，设置多个二元分类器来进行分类，可以降低随机噪声对测量结果的影响。
图6示出了根据本公开的一些实施例的生物信号的周期信息的测量方法600的流程图。
参考图6，步骤S610，提取生物信号的特征以获得特征张量。
然后，在步骤S630，通过多个二元分类器中的每一个对特征张量进行分类以获得多个分类结果，所述多个二元分类器中的每一个的分类参数不同。
接下来，在步骤S650，基于所述多个分类结果确定生物信号的周期信息的第一测量值。
步骤S610、步骤S630和步骤S650的各种实施方式可以分别参考步骤S510、步骤S530和步骤S550，这里省略对其的详细描述。
除了步骤S610，测量方法600还包括步骤S640、步骤S660和步骤S680。需要说明，本公开的实施例不限制步骤S640、步骤S660和步骤S680与步骤S630和步骤S650之间的顺序。例如，步骤S640可以在步骤S630之前或之后执行，或者与步骤S630并行执行。
继续参考图6，在步骤S640，将特征张量划分为多个片段。
在一些实施方式中，步骤S640可以包括将特征张量转换为特征矩阵，并基于特征矩阵的列向量来将特征矩阵划分为多个片段，多个片段中的每一个对应于特征矩阵中的一个列向量。
在本公开的实施例中，可以通过用于将张量转换为矩阵的方法来将特征张量转换为特征矩阵。关于将特征张量转换为特征矩阵的方法可以参考以上描述的各种示例。
在一些实施方式中，在对特征矩阵进行划分时，确保所述多个片段中的每一个中的特征点的数量不超过一个。
接下来，在步骤S660，对所述多个片段中的每一个中的特征点进行估计以获得多个估计结果，该特征点与所述生物信号的周期信息相关联。
在一些实施方式中，在生物信号为心电信号的情况下，特征点可以包括R波波峰(例如，R波顶点)。在这种情况下，生物信号周期信息可以通过在一定时间段内同一类特征点出现的数量来度量。例如，心率可以通过预定时间段(例如，一分钟)内心电信号中出现的R波顶点的数量来确定。
在一些实施方式中，在对特征矩阵进行划分时，确保所述多个片段中的每一个中的特征点的数量不超过一个。在这种情况下，可以通过估计所述多个片段中存在特征点的片段的数量来获得生物信号的周期信息。
然后，在步骤S660，基于所述多个估计结果确定生物信号的周期信息的第二测量值。
在一些实施方式中，可以基于以上描述的等式(4)确定生物信号的周期信息的第二测量值。
在一些实施方式中，生物信号和与该生物信号相对应的周期信息的第二测量值可以作为训练样本。例如，该训练样本可以用于包括多个二元分类器的训练。通过将测量得到的周期信息的第二测量值作为训练样本对相应的模型进行训练，可以隐式地增加用于方法500中的相应模型的监督信息，提高周期信息的测量的准确度并且避免过拟合。
在一些实施方式中，可以使用关于特征点的信息作为训练样本来对用于对所述多个片段中的每一个中的特征点进行估计的估计模型进行训练。因此，在已知关于特征点的信息的情况下，可以使用关于特征点的信息作为显式监督信息来优化模型的训练，从而进一步提高周期信息的测量的准确度并避免过拟合。
在一些实施方式中，如图6中的虚线框所示，可以将第一测量值和第二测量值之一作为最终测量值，并将该最终测量值作为测量得到的生物信号的周期信息。
在一些实施方式中，测量方法600还可以包括：基于第一测量值和第二测量值获得生物信号的周期信息的最终测量值，并将该最终测量值作为测量得到的生物信号的周期信息。
例如，可以对第一测量值和第二测量值进行加权平均处理来获得最终测量值。
在本公开的一些实施例中，通过使用附加的分段测量过程，能够进一步提高周期信息的测量的准确度并避免过拟合。
以上描述了根据本公开的各种实施例的生物信号的周期信息的测量方法。应当理解，附图中的流程图和框图图示了根据本公开的各种实施例的方法、装置、系统和计算机可读存储介质的可能实现的体系架构、功能和操作。例如，流程图或框图中的每个框可以表示包括用于实现指定的逻辑功能的至少一个可执行指令的模块、段或代码部分。还应该注意的是，在一些替代实施方式中，方框中提到的功能可以不按照附图中指出的顺序发生。例如，取决于所涉及的功能，连续示出的两个框实际上可以基本上同时执行，或者框有时可以以相反的顺序执行。还将注意到，框图和/或流程图的每个框以及框图和/或流程图中的框的组合可以由执行指定功能或动作的基于专用硬件的系统、或专用硬件和计算机指令的组合来实现。
图7示出了根据本公开的一些实施例的电子设备700的框图。
参考图，电子设备700可以包括一个或多个处理器710和存储器720。存储器可以用于存储一个或多个计算机程序。处理器可以包括各种处理电路，诸如但不限于专用处理器、中央处理单元、或应用处理器中的一种或更多种。存储器可以包括易失性和/或非易失性存储器。
在一些实施方式中，当一个或多个计算机程序被一个或多个处理器执行时，使得一个或多个处理器实现如上描述的本公开的方法。
在一些实施方式中，电子设备700可以包括一个或多个传感器(未示出)。
例如，一个或多个传感器可以用于感测用户的生物信号。例如，一个或多个传感器可以包括光电容积脉搏波成像(PPG)传感器。
例如，一个或多个传感器可以被设置为电子设备700的一部分，或者与电子设备700分离设置。在一个示例中，一个或多个传感器可以设置在电子设备700的表面。
例如，一个或多个处理器710可以执行存储在存储器720中的一个或多个计算机程序来实现如上描述的本公开的方法，以便对一个或多个传感器感测到的生物信号的周期信息进行测量。
在一些实施方式中，本公开的实施例中的电子设备700可以包括诸如智能电话、平板个人计算机(PC)、服务器、移动电话、视频电话、电子书阅读器、台式PC、膝上型计算机、上网本计算机、个人数字助理(PDA)、便携式多媒体播放器(PMP)、MP3播放器、移动医疗设备、照相机或可穿戴设备(例如头戴式设备(HMD)、电子衣服、电子手环、电子项链、电子饰品、电子纹身或智能手表)等。
如本文所使用的，术语“模块”可以包括在硬件、软件或固件和/或其任何组合中配置的单元，并且可以与其他术语(例如逻辑、逻辑块、部件或电路)互换使用。模块可以是单个整体部件或执行一个或更多个功能的最小单元或部件。该模块可以机械地或电子地实现，并且可以包括但不限于已知的或将要被开发的执行某些操作的专用处理器、CPU、专用集成电路(ASIC)芯片、现场可编程门阵列(FPGA)或可编程逻辑器件。
根据本公开的实施例，装置(例如，模块或其功能)或方法(例如，操作或步骤)的至少一部分可以被实现为例如以程序模块的形式存储在计算机可读存储介质(例如，存储器720)中的指令。当由处理器(例如，处理器710)执行该指令时，该指令可以使处理器能够执行相应的功能。计算机可读存储介质可以包括例如硬盘、软盘、磁介质、光学记录介质、DVD、磁光介质。该指令可以包括由编译器创建的代码或者可由解释器执行的代码。根据本公开的各种实施例的模块或编程模块可以包括上述组件中的至少一个或更多个，可以省略其中的一些，或者还包括其他附加的组件。由根据本公开的各种实施例的模块、编程模块或其他组件执行的操作可以顺序地、并行地、重复地或启发地执行，或者至少一些操作可以以不同的顺序被执行或被省略，或者可以添加其他操作。
对于本公开，还有以下几点需要说明：
(1)本公开的实施例的附图只涉及到与本公开的实施例涉及到的结构，其他结构可参考通常设计。
(2)在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。

Claims (14)

1.一种生物信号的周期信息的测量方法，包括：
获取所述生物信号的特征张量；
通过多个二元分类器中的每一个对所述特征张量进行分类以获得多个分类结果，所述多个二元分类器中的每一个的分类参数不同；以及
基于所述多个分类结果确定所述生物信号的周期信息的第一测量值。
2.根据权利要求1所述的测量方法，其中，在通过多个二元分类器中的每一个对所述特征张量进行分类之前，还包括：
确定所述生物信号的周期信息的范围；以及
基于所述范围确定所述多个二元分类器的数量以及所述多个二元分类器中的每一个的分类参数。
3.根据权利要求1所述的测量方法，其中，通过多个二元分类器中的每一个对所述特征张量进行分类以获得多个分类结果，包括：
将所述特征张量转换为特征矩阵；以及
通过所述多个二元分类器中的每一个对所述特征矩阵进行分类以获得所述多个分类结果。
4.根据权利要求1所述的测量方法，其中，所述多个二元分类器中的每一个被实施为卷积神经网络，并且
其中，获取所述生物信号的特征张量包括通过卷积神经网络提取所述生物信号的特征以获取特征张量。
5.根据权利要求1所述的测量方法，还包括：
将所述特征张量划分为多个片段；
对所述多个片段中的每一个中的特征点进行估计以获得多个估计结果，所述特征点与所述生物信号的周期信息相关联；
基于所述多个估计结果确定所述生物信号的周期信息的第二测量值；以及
基于所述第一测量值和所述第二测量值获得所述生物信号的周期信息的最终测量值。
6.根据权利要求1所述的测量方法，还包括：
将所述特征张量划分为多个片段；
对所述多个片段中的每一个中的特征点进行估计以获得多个估计结果，所述特征点与所述生物信号的周期信息相关联；
基于所述多个估计结果确定所述生物信号的周期信息的第二测量值，
其中，所述生物信号和所述第二测量值还作为训练数据用于所述多个二元分类器中的每一个的训练。
7.根据权利要求5或6所述的测量方法，其中，将所述特征张量划分为多个片段包括：
将所述特征张量转换为特征矩阵；以及
将所述特征矩阵划分为所述多个片段。
8.根据权利要求1所述的测量方法，其中，使用卷积神经网络对所述多个片段中的每一个中的特征点进行估计，并且
其中，所述多个估计结果还被用于所述卷积神经网络的训练。
9.根据权利要求1或2所述的测量方法，还包括：对所述多个二元分类器中的每一个进行训练，
其中，所述训练包括：
确定用于所述多个二元分类器的训练数据集；
对于所述多个二元分类器中的每一个，将所述训练数据集划分为第一子集和第二子集；以及
使用所述第一子集和所述第二子集来对相应的二元分类器进行训练。
10.根据权利要求1所述的测量方法，所述生物信号的类型包括心电信号、呼吸信号、脉搏信号、脑电信号、肌电信号中的至少一个。
11.一种生物信号的周期信息的测量装置，包括：
特征获取模块，用于获取所述生物信号的特征张量；
分类模块，用于通过多个二元分类器中的每一个对所述特征张量进行分类以获得多个分类结果，所述多个二元分类器中的每一个的分类参数不同；和
周期信息确定模块，用于基于所述多个分类结果确定所述生物信号的周期信息的第一测量值。
12.一种电子设备，包括：
至少一个处理器；和
存储器，用于存储至少一个计算机程序，
其中，当所述至少一个计算机程序被所述至少一个处理器执行时，使得所述至少一个处理器执行根据权利要求1至10中任一所述的测量方法。
13.根据权利要求12所述的电子设备，还包括一个或多个传感器，用于获取待测量的所述生物信号。
14.一种计算机存储介质，其上存储有至少一个计算机程序，当所述至少一个计算机程序被至少一个处理器执行时执行根据权利要求1至10中任一所述的测量方法。
CN202010244231.2A 2020-03-31 2020-03-31 生物信号的周期信息的测量方法及装置、电子设备 Pending CN111407261A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010244231.2A CN111407261A (zh) 2020-03-31 2020-03-31 生物信号的周期信息的测量方法及装置、电子设备
US17/438,597 US20220211327A1 (en) 2020-03-31 2021-02-02 Measurement method and apparatus for period information of biological signal, and electronic device
PCT/CN2021/074907 WO2021196872A1 (zh) 2020-03-31 2021-02-02 生物信号的周期信息的测量方法及装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010244231.2A CN111407261A (zh) 2020-03-31 2020-03-31 生物信号的周期信息的测量方法及装置、电子设备

Publications (1)

Publication Number Publication Date
CN111407261A true CN111407261A (zh) 2020-07-14

Family

ID=71485391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010244231.2A Pending CN111407261A (zh) 2020-03-31 2020-03-31 生物信号的周期信息的测量方法及装置、电子设备

Country Status (3)

Country Link
US (1) US20220211327A1 (zh)
CN (1) CN111407261A (zh)
WO (1) WO2021196872A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021196872A1 (zh) * 2020-03-31 2021-10-07 京东方科技集团股份有限公司 生物信号的周期信息的测量方法及装置、电子设备
CN113892955A (zh) * 2021-10-18 2022-01-07 上海乐普云智科技股份有限公司 基于人工智能模型定位qrs波并进行分类的方法和装置

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6171256B1 (en) * 1998-04-30 2001-01-09 Physio-Control Manufacturing Corporation Method and apparatus for detecting a condition associated with acute cardiac ischemia
US20110245701A1 (en) * 2010-03-31 2011-10-06 Anders Bjorling Arrhythmia classification
JP2011212364A (ja) * 2010-04-01 2011-10-27 Sharp Corp 心音測定装置
CN102622609A (zh) * 2012-03-01 2012-08-01 西北工业大学 一种基于支持向量机的三维模型自动分类方法
KR20130034635A (ko) * 2011-09-28 2013-04-05 삼성전자주식회사 심장 부정맥을 분류하기 위한 방법 및 장치
CN105919584A (zh) * 2016-06-23 2016-09-07 电子科技大学 用于可穿戴心率监测设备的心率估计方法及装置
CN105997055A (zh) * 2016-07-11 2016-10-12 吉林大学 一种心电信号st段的自动分类方法、系统及装置
US20170086023A1 (en) * 2015-09-18 2017-03-23 Qualcomm Incorporated Using Intrabody Signal Propagation To Infer Wearable Device Location On The Body For Sensor Optimization And Configuration
CN108030488A (zh) * 2017-11-30 2018-05-15 北京医拍智能科技有限公司 基于卷积神经网络的心律失常的检测系统
US20190059763A1 (en) * 2017-08-25 2019-02-28 Cambridge Heartwear Limited Method of detecting abnormalities in ecg signals
CN109497990A (zh) * 2018-12-27 2019-03-22 山东大学 一种基于典型相关分析的心电信号身份识别方法及系统
CN109522916A (zh) * 2017-09-19 2019-03-26 塔塔咨询服务有限公司 识别单导心电图（ecg）信号中的节律的级联二元分类器
CN110623658A (zh) * 2019-09-24 2019-12-31 京东方科技集团股份有限公司 信号处理方法、信号处理装置、医学设备、存储介质
CN110693489A (zh) * 2019-10-28 2020-01-17 杭州电子科技大学 一种基于多分类器强化学习的心肌梗塞检测方法
CN110751131A (zh) * 2019-11-16 2020-02-04 李汭傧 一种心律失常检测装置
CN110801212A (zh) * 2019-07-29 2020-02-18 杭州埃因霍温科技有限公司 基于神经网络的bcg信号心率提取方法
CN110826631A (zh) * 2019-11-08 2020-02-21 广州视源电子科技股份有限公司 心率失常疾病的分类方法、装置、存储介质和处理器

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008007236A2 (en) * 2006-06-07 2008-01-17 Koninklijke Philips Electronics N.V. Atrial fibrillation detection
US20090082637A1 (en) * 2007-09-21 2009-03-26 Michael Galperin Multi-modality fusion classifier with integrated non-imaging factors
CN105726018A (zh) * 2016-02-06 2016-07-06 河北大学 一种与rr间期无关的房颤自动检测方法
US20200382286A1 (en) * 2018-01-10 2020-12-03 The Trustees Of Princeton University System and method for smart, secure, energy-efficient iot sensors
CN108388912B (zh) * 2018-02-08 2021-12-10 南京理工大学 基于多传感器特征优化算法的睡眠分期方法
KR102258726B1 (ko) * 2019-08-12 2021-06-01 (주)허니냅스 딥러닝을 이용한 수면질환 자동 판정을 위한 데이터 처리 장치 및 그 동작 방법
CN111407261A (zh) * 2020-03-31 2020-07-14 京东方科技集团股份有限公司 生物信号的周期信息的测量方法及装置、电子设备

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6171256B1 (en) * 1998-04-30 2001-01-09 Physio-Control Manufacturing Corporation Method and apparatus for detecting a condition associated with acute cardiac ischemia
US20110245701A1 (en) * 2010-03-31 2011-10-06 Anders Bjorling Arrhythmia classification
JP2011212364A (ja) * 2010-04-01 2011-10-27 Sharp Corp 心音測定装置
KR20130034635A (ko) * 2011-09-28 2013-04-05 삼성전자주식회사 심장 부정맥을 분류하기 위한 방법 및 장치
CN102622609A (zh) * 2012-03-01 2012-08-01 西北工业大学 一种基于支持向量机的三维模型自动分类方法
US20170086023A1 (en) * 2015-09-18 2017-03-23 Qualcomm Incorporated Using Intrabody Signal Propagation To Infer Wearable Device Location On The Body For Sensor Optimization And Configuration
CN105919584A (zh) * 2016-06-23 2016-09-07 电子科技大学 用于可穿戴心率监测设备的心率估计方法及装置
CN105997055A (zh) * 2016-07-11 2016-10-12 吉林大学 一种心电信号st段的自动分类方法、系统及装置
US20190059763A1 (en) * 2017-08-25 2019-02-28 Cambridge Heartwear Limited Method of detecting abnormalities in ecg signals
CN109522916A (zh) * 2017-09-19 2019-03-26 塔塔咨询服务有限公司 识别单导心电图（ecg）信号中的节律的级联二元分类器
CN108030488A (zh) * 2017-11-30 2018-05-15 北京医拍智能科技有限公司 基于卷积神经网络的心律失常的检测系统
CN109497990A (zh) * 2018-12-27 2019-03-22 山东大学 一种基于典型相关分析的心电信号身份识别方法及系统
CN110801212A (zh) * 2019-07-29 2020-02-18 杭州埃因霍温科技有限公司 基于神经网络的bcg信号心率提取方法
CN110623658A (zh) * 2019-09-24 2019-12-31 京东方科技集团股份有限公司 信号处理方法、信号处理装置、医学设备、存储介质
CN110693489A (zh) * 2019-10-28 2020-01-17 杭州电子科技大学 一种基于多分类器强化学习的心肌梗塞检测方法
CN110826631A (zh) * 2019-11-08 2020-02-21 广州视源电子科技股份有限公司 心率失常疾病的分类方法、装置、存储介质和处理器
CN110751131A (zh) * 2019-11-16 2020-02-04 李汭傧 一种心律失常检测装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
M.A.SOHAIL.ET.AL: "An ECG Processor for the Detection of Eight Cardiac Arrhythmias with Minimum False Alarms", 2019 IEEE BIOMEDICAL CIRCUITS AND SYSTEMS CONFERENCE(BIOCAS), pages 1 - 4 *
宋莉;孟庆建;张光玉;车琳琳;曹卫芳;: "基于波形特征和SVM的心电信号自动分类方法研究", 中国医学物理学杂志, no. 04 *
童佳斐;董军;: "分类器组合在心电图分类中的应用", 计算机应用, no. 04 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021196872A1 (zh) * 2020-03-31 2021-10-07 京东方科技集团股份有限公司 生物信号的周期信息的测量方法及装置、电子设备
CN113892955A (zh) * 2021-10-18 2022-01-07 上海乐普云智科技股份有限公司 基于人工智能模型定位qrs波并进行分类的方法和装置
CN113892955B (zh) * 2021-10-18 2024-03-29 上海乐普云智科技股份有限公司 基于人工智能模型定位qrs波并进行分类的方法和装置

Also Published As

Publication number Publication date
US20220211327A1 (en) 2022-07-07
WO2021196872A1 (zh) 2021-10-07

Similar Documents

Publication Publication Date Title
Jung et al. Utilizing deep learning towards multi-modal bio-sensing and vision-based affective computing
Li et al. Patient-specific ECG classification by deeper CNN from generic to dedicated
EP3558101B1 (en) Methods and systems for determining abnormal cardiac activity
Sivapalan et al. ANNet: A lightweight neural network for ECG anomaly detection in IoT edge sensors
Hejazi et al. ECG biometric authentication based on non-fiducial approach using kernel methods
Kim et al. Deep learning based on 1-D ensemble networks using ECG for real-time user recognition
US8935195B2 (en) Method of identification and devices thereof
Wang et al. Living-skin classification via remote-PPG
Wang et al. Arrhythmia classification algorithm based on multi-head self-attention mechanism
Geweid et al. A new automatic identification method of heart failure using improved support vector machine based on duality optimization technique
WO2021057423A1 (zh) 图像处理方法、图像处理装置以及存储介质
Zhao et al. ECG identification based on matching pursuit
WO2021196872A1 (zh) 生物信号的周期信息的测量方法及装置、电子设备
Casado et al. Depression recognition using remote photoplethysmography from facial videos
Luguev et al. Deep learning based affective sensing with remote photoplethysmography
Chen et al. Negative-ResNet: noisy ambulatory electrocardiogram signal classification scheme
Liu et al. Vidaf: A motion-robust model for atrial fibrillation screening from facial videos
Mellouk et al. CNN-LSTM for automatic emotion recognition using contactless photoplythesmographic signals
Mekruksavanich et al. A deep residual-based model on multi-branch aggregation for stress and emotion recognition through biosignals
Zhao et al. An explainable attention-based TCN heartbeats classification model for arrhythmia detection
Wang et al. A novel approach for biometric recognition based on ECG feature vectors
Hai et al. Wavelet-based kernel construction for heart disease classification
Gavrishchaka et al. Multi-complexity ensemble measures for gait time series analysis: Application to diagnostics, monitoring and biometrics
Liu et al. Ensemble learning-based atrial fibrillation detection from single lead ECG wave for wireless body sensor network
Ostankovich et al. Towards human pulse rate estimation from face video: automatic component selection and comparison of blind source separation methods

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