CN111839495A - 检测方法、设备和存储介质 - Google Patents

检测方法、设备和存储介质 Download PDF

Info

Publication number
CN111839495A
CN111839495A CN202010751766.9A CN202010751766A CN111839495A CN 111839495 A CN111839495 A CN 111839495A CN 202010751766 A CN202010751766 A CN 202010751766A CN 111839495 A CN111839495 A CN 111839495A
Authority
CN
China
Prior art keywords
heart rate
model
data
preset
rate detection
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
Application number
CN202010751766.9A
Other languages
English (en)
Other versions
CN111839495B (zh
Inventor
高大山
鞠策
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.)
WeBank Co Ltd
Original Assignee
WeBank 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 WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202010751766.9A priority Critical patent/CN111839495B/zh
Publication of CN111839495A publication Critical patent/CN111839495A/zh
Application granted granted Critical
Publication of CN111839495B publication Critical patent/CN111839495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/02—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
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • 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
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请公开了一种心率检测方法、设备和存储介质，该方法包括：联合第二参与方的待检测的第一数据以及其他第一参与方的第二数据，确定第一目标联邦学习模型，以得到对应第一基础模型性能度；生成所述第一数据的对抗数据；联合所述对抗数据以及所述第二数据，确定第二目标联邦学习模型，以得到对应第一对抗模型性能度；根据所述第一基础模型性能度以及所述第一对抗模型性能度，评估所述第一数据的贡献度。本申请解决现有技术中使用参与方对模型性能进行提升的过程中，存在不能准确计算各个参与方在模型性能提升上的贡献度的技术问题。

Description

检测方法、设备和存储介质
技术领域
本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种检测方法、设备和存储介质。
背景技术
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术应用在金融领域，但金融业也对技术提出了更高的要求，如金融业对心率检测也有更高的要求。
随着社会的进步和生活质量的提高，人们越来越关注自身的心脏健康，心脏健康与否可以通过个人的心率检测结果来反应，如是否存在心率不齐，早搏等心脏症状可以通过个人的心率检测结果来反应，现有技术中，主要通过采集用户的心率数据，输入至训练好的机器学习模型以获取心率检测结果，目前，机器学习模型的训练数据主要基于生物电势的检测法如心率图(ECG)检测方法(已标注，数据量少)，以及广泛用于穿戴式手环的基于容积描记波法(PPG)光电检测方法(未标注，隐私敏感性，不能分享)获取，由于心率数据的隐私敏感性以及稀缺性，导致现有基于心率图(ECG)检测方法以及基于容积描记波法(PPG)光电检测方法均很难产生满足要求的足够的训练数据，以得到能够准确预测心率结果的机器学习模型，致使现有技术中基于用户的心率数据难以准确得到心率检测结果。
发明内容
本申请的主要目的在于提供一种心率检测方法、设备和存储介质，旨在解决现有技术中难以准确准确得到心率检测结果的技术问题。
为实现上述目的，本申请提供一种心率检测方法，应用于第一参与方，所述第一参与方与第二参与方进行联邦连接，所述心率检测方法包括：
获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据；
接收第二参与方的有标注的第二心电图数据，基于所述第一心电图数据以及所述第二心电图数据，通过联邦学习得到目标心率检测模型。
可选地，所述获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据的步骤，包括：
将所述第一可穿戴设备心率数据输入至预设特征映射模型中，基于所述预设特征映射模型对所述第一可穿戴设备心率数据进行特征转换处理，得到有标注的第一心电图数据；
其中，所述预设特征映射模型是基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行迭代训练后得到的目标模型。
可选地，所述将所述第一可穿戴设备心率数据输入至预设特征映射模型中，基于所述预设特征映射模型对所述第一可穿戴设备心率数据进行特征转换处理，得到第一心电图数据的步骤之前，所述方法包括：
基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行联邦迭代训练，得到目标模型；
将所述目标模型设置为所述预设特征映射模型。
可选地，所述基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行联邦迭代训练，得到目标模型的步骤，包括：
基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行迭代训练，以训练更新所述第一预设基础模型的模型变量；
判断迭代训练的所述第一预设基础模型是否达到预设替换更新条件，若迭代训练的所述第一预设基础模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量；
持续对替换更新的所述模型变量进行迭代训练和替换更新，直至满足预设训练完成条件，获得目标模型。
可选地，所述第一参与方与预设中心服务器进行通信连接；
所述若迭代训练的所述第一预设基础模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量的步骤，包括：
若迭代训练的所述第一预设基础模型的损失函数收敛，则将所述第二参与方的迭代训练的模型变量发送给预设中心服务器，以供预设中心服务器基于所有第二参与方与第一参与方的迭代训练的模型变量，得到聚合模型变量；
基于所述聚合模型变量对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量。
可选地，所述第二参与方以及所述第二参与方均为多个，且所述第二心电图数据与所述第一心电图数据的图波形信号形式相同。
可选地，所述接收第二参与方的有标注的第二心电图数据，基于所述第一心电图数据以及所述第二心电图数据，通过联邦学习得到目标心率检测模型的步骤之后，所述方法包括：
获取待处理心率数据，将所述待处理心率数据输入至目标心率检测模型中；
基于所述目标心率检测模型对所述待处理心率数据进行检测处理，得到待处理心率数据的目标心率检测结果。
可选地，所述基于所述目标心率检测模型对所述待处理心率数据进行检测处理，得到待处理心率数据的目标心率检测结果的步骤之前，所述方法包括：
基于预设第一滤波器，对所述待处理心率数据进行基线漂移噪音的第一噪声去除处理，得到第一处理结果；
确定所述第一处理结果的噪音是否大于预设噪声值；
若所述第一处理结果的噪音大于预设噪声值，使用预设第二滤波器，对第一处理结果进行第二噪声去除处理，得到第二处理结果。
本申请还提供一种心率检测装置，应用于第一参与方，所述第一参与方与第二参与方进行联邦连接，所述心率检测装置包括：
第一获取模块，用于获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据；
接收模块，用于接收第二参与方的有标注的第二心电图数据，基于所述第一心电图数据以及所述第二心电图数据，通过联邦学习得到目标心率检测模型。
可选地，所述第一获取模块包括：
输入单元，用于将所述第一可穿戴设备心率数据输入至预设特征映射模型中，基于所述预设特征映射模型对所述第一可穿戴设备心率数据进行特征转换处理，得到有标注的第一心电图数据；
其中，所述预设特征映射模型是基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行迭代训练后得到的目标模型。
可选地，所述心率检测装置还包括：
训练模块，用于基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行联邦迭代训练，得到目标模型；
设置模块，用于将所述目标模型设置为所述预设特征映射模型。
可选地，所述训练模块包括：
训练单元，用于基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行迭代训练，以训练更新所述第一预设基础模型的模型变量；
判断单元，用于判断迭代训练的所述第一预设基础模型是否达到预设替换更新条件，若迭代训练的所述第一预设基础模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量；
替换单元，用于持续对替换更新的所述模型变量进行迭代训练和替换更新，直至满足预设训练完成条件，获得目标模型。
可选地，所述第一参与方与预设中心服务器进行通信连接；
所述判断单元包括：
发送子单元，用于若迭代训练的所述第一预设基础模型的损失函数收敛，则将所述第二参与方的迭代训练的模型变量发送给预设中心服务器，以供预设中心服务器基于所有第二参与方与第一参与方的迭代训练的模型变量，得到聚合模型变量；
替换更新子单元，用于基于所述聚合模型变量对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量。
可选地，所述第二参与方以及所述第二参与方均为多个，且所述第二心电图数据与所述第一心电图数据的图波形信号形式相同。
可选地，所述心率检测装置还包括：
第二获取模块，用于获取待处理心率数据，将所述待处理心率数据输入至目标心率检测模型中；
检测模块，用于基于所述目标心率检测模型对所述待处理心率数据进行检测处理，得到待处理心率数据的目标心率检测结果。
可选地，所述心率检测装置还包括：
噪声去除处理模块，用于基于预设第一滤波器，对所述待处理心率数据进行基线漂移噪音的第一噪声去除处理，得到第一处理结果；
确定模块，用于确定所述第一处理结果的噪音是否大于预设噪声值；
去除模块，用于若所述第一处理结果的噪音大于预设噪声值，使用预设第二滤波器，对第一处理结果进行第二噪声去除处理，得到第二处理结果。
本申请还提供一种心率检测设备，所述心率检测设备为实体设备，所述心率检测设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述心率检测方法的程序，所述心率检测方法的程序被处理器执行时可实现如上述的心率检测方法的步骤。
本申请还提供一种存储介质，所述存储介质上存储有实现上述心率检测方法的程序，所述心率检测方法的程序被处理器执行时实现如上述的心率检测方法的步骤。
本申请通过获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据；接收第二参与方的有标注的第二心电图数据，基于所述第一心电图数据以及所述第二心电图数据，通过联邦学习得到目标心率检测模型。在本申请中，对第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到有标注的第一心电图数据后，再联合第二参与方的有标注的第二心电图数据，因而，得到足够的用于训练的有标注的心电图数据，以通过联邦学习得到目标心率检测模型，实现在保护用户隐私的情况下，得到足够的训练数据联邦训练得到目标心率检测模型，以提升心率检测结果的检测准确性，本申请克服现有技术中由于心率数据的隐私敏感性以及稀缺性，导致难以准确得到机器学习模型，致使难以准确得到心率检测结果的技术难题。
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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请心率检测方法第一实施例的流程示意图；
图2为本申请心率检测方法中所述将所述第一可穿戴设备心率数据输入至预设特征映射模型中，基于所述预设特征映射模型对所述第一可穿戴设备心率数据进行特征转换处理，得到第一心电图数据的步骤之前的细化步骤流程示意图；
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种心率检测方法，在本申请心率检测方法的第一实施例中，参照图1，所述心率检测方法应用于第一参与方，所述第二参与方与第一参与方进行联邦连接，所述心率检测方法包括：
步骤S10，获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据；
步骤S20，接收第二参与方的有标注的第二心电图数据，基于所述第一心电图数据以及所述第二心电图数据，通过联邦学习得到目标心率检测模型。
具体步骤如下：
步骤S10，获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据；
在本实施例中，需要说明的是，可以应用于第一参与方，该第一参与方属于心率检测系统，该心率检测系统从属于心率检测设备，对于心率检测系统而言，包括第二参与方与第一参与方，其中，该第一参与方以及第二参与方均可以为多个，另外，该心率检测系统还可以包括预设中心服务器，该预设中心服务器可以作为中间方与第一参与方，以及第二参与方进行通信连接，在本实施例中，需要说明的是，第二参与方可以与第一参与方直接进行联邦通信，其中，第一参与方是具有第一可穿戴设备心率数据的参与方，第二参与方是第二心电图数据的参与方，也即，第一参与方可以是可穿戴设备，或者与穿戴设备连接的手机/平板电脑等，该可穿戴设备包括可穿戴手环，可穿戴眼镜等，而第二参与方可以是心率监测设备，特别地，是医院的心率监测设备，对于第一参与方而言，基于容积描记波法(PPG，PhotoPlethysmoGraphy)光电检测方法，获取第一可穿戴设备心率数据(PPG数据，光电心率信号)，该第一可穿戴设备心率数据包括单位时间内心跳次数等内容，对于第二参与方而言，基于生物电势的检测法如心率图(ECG，electrocardiogram)，得到第二心电图数据(ECG数据或者ECG信号)，基于容积描记波法(PPG)光电检测方法以及基于生物电势的检测法如心率图(ECG)，原理不同，采集到的原始数据也不同，这些原始数据具有不同的特征空间，在本实施例中，通过获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据，使得不同类型的原始数据转换为相同的特征空间的训练数据，以供后续进行联邦学习，进而得到目标心率检测模型。
由于心率信号客观反映了心脏的健康信息，研究者不断尝试从心率信号的变化中分析复杂多样的心脏活动信息，机器学习利用人工收集的大量心率数据(原始数据或预处理后的数据)训练得到机器学习模型，从而实现根据机器学习模型以及采集的心率信号精准检测与识别心脏活动与健康状况，为了提升复杂任务检测的准确性，机器学习模型需要大量有标注的心率数据作为训练数据，然而医院的单个心率监测设备使用者一定时间内很难产生足够的机器学习模型训练所需数据，另一方面，由于心率数据具有隐私敏感性，直接从众多可穿戴设备使用者中收集心率数据用于模型训练会带来巨大的隐私侵犯风险。即在现有技术中，由于可穿戴设备如智能手环检测的数据保存在用户个人可穿戴设备上，并且由于隐私原因不能共享，使得使用智能手环检测的数据用于机器学习模型遇到了挑战，而对于医院检测的ECG信号数据而言，虽然标注精确，研究充分，但是数据量不大，难以得到足够的训练数据，用于训练机器学习模型，在本实施例中，能够同时利用ECG数据和穿戴式手环采集的光电心率信号，联邦训练机器模型，在保护用户的隐私的同时，提供足够的训练数据训练机器模型。
在本实施例中，获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据，其中，第一参与方为可穿戴设备，且该第一参与方为多个，获取第一可穿戴设备心率数据，即是获取可穿戴设备采集的心跳速度，心跳间隔时长，心跳间隔时长的变化等数据，在获取第一可穿戴设备心率数据后，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据。
获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据的方式包括：
方式一：获取第一可穿戴设备心率数据，基于预存的可穿戴设备心率数据与有标注的心电图数据的预设映射关系，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据。
方式二：通过预设特征映射模型，对对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据。
具体地，在方式二中，所述获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据的步骤，包括：
步骤S11，将所述第一可穿戴设备心率数据输入至预设特征映射模型中，基于所述预设特征映射模型对所述第一可穿戴设备心率数据进行特征转换处理，得到有标注的第一心电图数据；
其中，所述预设特征映射模型是基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行迭代训练后得到的目标模型。
在本实施例中，预设特征映射模型是已经训练好的，因而，将所述第一可穿戴设备心率数据输入至预设特征映射模型中后，能够基于所述预设特征映射模型对所述第一可穿戴设备心率数据进行特征转换处理，准确得到有标注的第一心电图数据。
其中，参照图2，所述将所述第一可穿戴设备心率数据输入至预设特征映射模型中，基于所述预设特征映射模型对所述第一可穿戴设备心率数据进行特征转换处理，得到第一心电图数据的步骤之前，所述方法包括：
步骤S01，基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行联邦迭代训练，得到目标模型；
步骤S02，将所述目标模型设置为所述预设特征映射模型。
在本实施例中，基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行联邦迭代训练，得到目标模型，具体地，将第二可穿戴设备心率数据输入至第一预设基础模型中，不断对第一预设基础模型进行联邦迭代训练，对应得到各个第二可穿戴设备心率数据对应的心电图预测数据，将所述心电图预测数据与预设心电图数据标签进行比对，得到比对结果，基于比对结果，不断调整第一预设基础模型中的模型参数，直至得到目标模型，将所述目标模型设置为所述预设特征映射模型。
在本实施例中，预设特征映射模型为GAN(Generative Adversarial Network)生成器，该GAN生成器的输入是原始的PPG数据，输出生成的是对应于输入PPG数据的ECG数据，即GAN的生成器作为将PPG数据形式映射到ECG数据形式的特征映射模型。
在本实施例中，需要说明的是，所述第二参与方以及所述第二参与方均为多个，且所述第二心电图数据与所述第一心电图数据的图波形信号形式相同。具体地，例如，ECG采集设备可以是三导联ECG设备、六导联设备、十二导联设备或十八导联设备，对应的，采集到的原始ECG数据可以是三导联心率图波形数据、六导联心率图波形数据、十二导联心率图波形数据、十八导联心率图波形数据等多导联心率图波形数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据后，该第一心电图数据与第二心电图数据形式相同，如第二心电图数据形式为对应三导联心率图波形数据，则第一心电图数据为三导联心率图波形数据，第二心电图数据形式为六导联心率图波形数据，则第一心电图数据为六导联心率图波形数据。
步骤S20，接收第二参与方的有标注的第二心电图数据，基于所述第一心电图数据以及所述第二心电图数据，通过联邦学习得到目标心率检测模型。
在本实施例中，接收第二参与方的有标注的第二心电图数据，基于所述第一心电图数据以及所述第二心电图数据，通过联邦学习对第二预设基础模型进行迭代训练，得到目标心率检测模型，整体地，在本实施例中，所有的穿戴设备(或者与穿戴设备连接的手机/平板电脑等)，以及医院的ECG心电测量设备开始进行联邦学习，穿戴设备采集的是PPG数据，医院的ECG设备采集ECG数据，所有的参与方进行联邦学习，训练一个根据ECG数据预测心率数值的回归模型，回归模型可以是一个5层的卷积神经网络，后接2层全连接网络，激活函数用ReLU，神经网络最后一层输出为心率。
联邦训练过程中，每个穿戴设备采集到PPG数据即PPG心电信号以后，先通过存储在穿戴设备本地的特征映射模型，将PPG数据映射为ECG数据，然后将根据PPG数据生成的ECG数据作为联邦学习的第一训练数据，训练联邦学习模型，相应地，医院中的ECG设备，直接使用预处理后的采集的ECG信号作为第二训练数据，训练联邦学习模型，也即，通过第一训练数据以及第二训练数据联合训练联邦学习模型，训练过程中，根据计算得到的神经网络损失，通过反向传播算法(Back Propagation)来计算模型梯度，并根据算得的梯度更新模型，直至得到目标心率检测模型。
本申请通过获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据；接收第二参与方的有标注的第二心电图数据，基于所述第一心电图数据以及所述第二心电图数据，通过联邦学习得到目标心率检测模型。在本申请中，对第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到有标注的第一心电图数据后，再联合第二参与方的有标注的第二心电图数据，因而，得到足够的用于训练的有标注的心电图数据，以通过联邦学习得到目标心率检测模型，实现在保护用户隐私的情况下，得到足够的训练数据联邦训练得到目标心率检测模型，以提升心率检测结果的检测准确性，本申请克服现有技术中由于心率数据的隐私敏感性以及稀缺性，导致难以准确得到机器学习模型，致使难以准确得到心率检测结果的技术难题。
进一步地，基于本申请中第一实施例，所述基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行联邦迭代训练，得到目标模型的步骤，包括：
步骤A1，基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行迭代训练，以训练更新所述第一预设基础模型的模型变量；
步骤A2，判断迭代训练的所述第一预设基础模型是否达到预设替换更新条件，若迭代训练的所述第一预设基础模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量；
在本实施例中，基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行迭代训练，以训练更新所述第一预设基础模型的模型变量，判断迭代训练的所述第一预设基础模型是否达到预设替换更新条件，如是否达到预设迭代次数，具体地，如是否达到迭代次数500次，若迭代训练的所述第一预设基础模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述模型变量进行替换更新，具体地，将训练更新的所述模型变量替换更新为聚合变量，获得替换更新的所述模型变量。
步骤A3，持续对替换更新的所述模型变量进行迭代训练和替换更新，直至满足预设训练完成条件，获得目标模型。
持续对替换更新的所述模型变量进行迭代训练和替换更新，直至满足预设训练完成条件，获得目标模型，该预设训练完成条件可能是预设损失函数收敛。
所述第一参与方与预设中心服务器进行通信连接；
所述若迭代训练的所述第一预设基础模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量的步骤，包括：
步骤B1，若迭代训练的所述第一预设基础模型的损失函数收敛，则将所述第二参与方的迭代训练的模型变量发送给预设中心服务器，以供预设中心服务器基于所有第二参与方与第一参与方的迭代训练的模型变量，得到聚合模型变量；
在本实施例中，训练更新模型变量过程中，若迭代训练的所述第一预设基础模型的损失函数收敛，则将所述第二参与方的迭代训练的模型变量发送给预设中心服务器，以供预设中心服务器基于所有第二参与方与第一参与方的迭代训练的模型变量，得到聚合模型变量，具体地，还可以是：若迭代训练的所述第一预设基础模型的损失函数收敛，则将所述第二参与方的迭代训练的模型变量加密发送给预设中心服务器，以供预设中心服务器基于所有第二参与方与第一参与方的迭代训练的模型变量，得到聚合模型变量，以避免信息的泄露，确保信息的安全性。
步骤B2，基于所述聚合模型变量对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量。
基于所述聚合模型变量对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量，以实现模型的更新
在本实施例中，通过基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行迭代训练，以训练更新所述第一预设基础模型的模型变量；判断迭代训练的所述第一预设基础模型是否达到预设替换更新条件，若迭代训练的所述第一预设基础模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量；持续对替换更新的所述模型变量进行迭代训练和替换更新，直至满足预设训练完成条件，获得目标模型。在本实施例中，准确获得目标模型。
进一步地，基于本申请中第一实施例和第二实施例，所述接收第二参与方的有标注的第二心电图数据，基于所述第一心电图数据以及所述第二心电图数据，通过联邦学习得到目标心率检测模型的步骤之后，所述方法包括：
步骤C1，获取待处理心率数据，将所述待处理心率数据输入至目标心率检测模型中；
步骤C2，基于所述目标心率检测模型对所述待处理心率数据进行检测处理，得到待处理心率数据的目标心率检测结果。
在本实施例中，目标心率检测模型已经训练好的，因而，获取待处理心率数据，将所述待处理心率数据输入至目标心率检测模型中后，基于所述目标心率检测模型对所述待处理心率数据进行检测处理，得到待处理心率数据的目标心率检测结果，该训率检测结果包括心率正常或者心率不正常，当检测得到的结果为心率不正常时，生成提示信息，或者进行标注，以供用户查看。
所述基于所述目标心率检测模型对所述待处理心率数据进行检测处理，得到待处理心率数据的目标心率检测结果的步骤之前，所述方法包括：
步骤D1，基于预设第一滤波器，对所述待处理心率数据进行基线漂移噪音的第一噪声去除处理，得到第一处理结果；
在本实施例中，在得到，基于预设第一滤波器，对所述待处理心率数据进行基线漂移噪音的第一噪声去除处理，得到第一处理结果。
步骤D2，确定所述第一处理结果的噪音是否大于预设噪声值；
步骤D3，若所述第一处理结果的噪音大于预设噪声值，使用预设第二滤波器，对第一处理结果进行第二噪声去除处理，得到第二处理结果。
在本实施例中，采集ECG信号的过程中，由于ECG信号微弱，且带有很强的干扰，因而，基于预设第一滤波器如高通滤波器，对所述待处理心率数据进行基线漂移噪音的第一噪声去除处理，得到第一处理结果，具体地，获取预设基线漂移噪音，确定所述待处理心率数据中的噪声是否大于所述预设基线漂移噪音，具体地，基于待处理心率数据中PQ段信号的标准方差和阈值，确认待处理心率数据中的噪声是否大于所述预设基线漂移噪音，若大于，则对大于所述预设基线漂移噪音的噪声进行去除处理，得到第一处理结果，在得到第一处理结果后，还确定所述第一处理结果的噪音是否大于预设噪声值，若所述第一处理结果的噪音大于预设噪声值，使用预设第二滤波器如低通巴特沃斯滤波器，对第一处理结果进行第二噪声去除处理，得到第二处理结果，具体地，将经过去噪的ECG数据(第二处理结果)储存在本地设备的存储器上，经由本地处理器进行下一步的处理。
本实施例通过获取待处理心率数据，将所述待处理心率数据输入至目标心率检测模型中；基于所述目标心率检测模型对所述待处理心率数据进行检测处理，得到待处理心率数据的目标心率检测结果，在本实施例中，准确对待处理心率数据进行处理。
参照图3，图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示，该心率检测设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该心率检测设备还可以包括矩形用户接口、网络接口、摄像头、RF(RadioFrequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图3中示出的心率检测设备结构并不构成对心率检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图3所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及心率检测程序。操作系统是管理和控制心率检测设备硬件和软件资源的程序，支持心率检测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与心率检测系统中其它硬件和软件之间通信。
在图3所示的心率检测设备中，处理器1001用于执行存储器1005中存储的心率检测程序，实现上述任一项所述的心率检测方法的步骤。
本申请心率检测设备具体实施方式与上述心率检测方法各实施例基本相同，在此不再赘述。
本申请还提供一种心率检测装置，应用于第一参与方，所述第一参与方与第二参与方进行联邦连接，所述心率检测装置包括：
第一获取模块，用于获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据；
接收模块，用于接收第二参与方的有标注的第二心电图数据，基于所述第一心电图数据以及所述第二心电图数据，通过联邦学习得到目标心率检测模型。
可选地，所述第一获取模块包括：
输入单元，用于将所述第一可穿戴设备心率数据输入至预设特征映射模型中，基于所述预设特征映射模型对所述第一可穿戴设备心率数据进行特征转换处理，得到有标注的第一心电图数据；
其中，所述预设特征映射模型是基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行迭代训练后得到的目标模型。
可选地，所述心率检测装置还包括：
训练模块，用于基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行联邦迭代训练，得到目标模型；
设置模块，用于将所述目标模型设置为所述预设特征映射模型。
可选地，所述训练模块包括：
训练单元，用于基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行迭代训练，以训练更新所述第一预设基础模型的模型变量；
判断单元，用于判断迭代训练的所述第一预设基础模型是否达到预设替换更新条件，若迭代训练的所述第一预设基础模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量；
替换单元，用于持续对替换更新的所述模型变量进行迭代训练和替换更新，直至满足预设训练完成条件，获得目标模型。
可选地，所述第一参与方与预设中心服务器进行通信连接；
所述判断单元包括：
发送子单元，用于若迭代训练的所述第一预设基础模型的损失函数收敛，则将所述第二参与方的迭代训练的模型变量发送给预设中心服务器，以供预设中心服务器基于所有第二参与方与第一参与方的迭代训练的模型变量，得到聚合模型变量；
替换更新子单元，用于基于所述聚合模型变量对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量。
可选地，所述第二参与方以及所述第二参与方均为多个，且所述第二心电图数据与所述第一心电图数据的图波形信号形式相同。
可选地，所述心率检测装置还包括：
第二获取模块，用于获取待处理心率数据，将所述待处理心率数据输入至目标心率检测模型中；
检测模块，用于基于所述目标心率检测模型对所述待处理心率数据进行检测处理，得到待处理心率数据的目标心率检测结果。
可选地，所述心率检测装置还包括：
噪声去除处理模块，用于基于预设第一滤波器，对所述待处理心率数据进行基线漂移噪音的第一噪声去除处理，得到第一处理结果；
确定模块，用于确定所述第一处理结果的噪音是否大于预设噪声值；
去除模块，用于若所述第一处理结果的噪音大于预设噪声值，使用预设第二滤波器，对第一处理结果进行第二噪声去除处理，得到第二处理结果。
本申请心率检测装置的具体实施方式与上述心率检测方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种存储介质，且所述存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的心率检测方法的步骤。
本申请存储介质具体实施方式与上述心率检测方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种心率检测方法，其特征在于，应用于第一参与方，所述第一参与方与第二参与方进行联邦连接，所述心率检测方法包括：
获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据；
接收第二参与方的有标注的第二心电图数据，基于所述第一心电图数据以及所述第二心电图数据，通过联邦学习得到目标心率检测模型。
2.如权利要求1所述的心率检测方法，其特征在于，所述获取第一可穿戴设备心率数据，对所述第一可穿戴设备心率数据进行有标注的心电图形式数据的转换处理，得到第一心电图数据的步骤，包括：
将所述第一可穿戴设备心率数据输入至预设特征映射模型中，基于所述预设特征映射模型对所述第一可穿戴设备心率数据进行特征转换处理，得到有标注的第一心电图数据；
其中，所述预设特征映射模型是基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行迭代训练后得到的目标模型。
3.如权利要求2所述的心率检测方法，其特征在于，所述将所述第一可穿戴设备心率数据输入至预设特征映射模型中，基于所述预设特征映射模型对所述第一可穿戴设备心率数据进行特征转换处理，得到第一心电图数据的步骤之前，所述方法包括：
基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行联邦迭代训练，得到目标模型；
将所述目标模型设置为所述预设特征映射模型。
4.如权利要求3所述的心率检测方法，其特征在于，所述基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行联邦迭代训练，得到目标模型的步骤，包括：
基于具有预设心电图数据标签的第二可穿戴设备心率数据，对第一预设基础模型进行迭代训练，以训练更新所述第一预设基础模型的模型变量；
判断迭代训练的所述第一预设基础模型是否达到预设替换更新条件，若迭代训练的所述第一预设基础模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量；
持续对替换更新的所述模型变量进行迭代训练和替换更新，直至满足预设训练完成条件，获得目标模型。
5.如权利要求4所述的心率检测方法，其特征在于，所述第一参与方与预设中心服务器进行通信连接；
所述若迭代训练的所述第一预设基础模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量的步骤，包括：
若迭代训练的所述第一预设基础模型的损失函数收敛，则将所述第二参与方的迭代训练的模型变量发送给预设中心服务器，以供预设中心服务器基于所有第二参与方与第一参与方的迭代训练的模型变量，得到聚合模型变量；
基于所述聚合模型变量对训练更新的所述模型变量进行替换更新，获得替换更新的所述模型变量。
6.如权利要求1所述的心率检测方法，其特征在于，所述第一参与方以及所述第二参与方均为多个，且所述第二心电图数据与所述第一心电图数据的图波形信号形式相同。
7.如权利要求1所述的心率检测方法，其特征在于，所述接收第二参与方的有标注的第二心电图数据，基于所述第一心电图数据以及所述第二心电图数据，通过联邦学习得到目标心率检测模型的步骤之后，所述方法包括：
获取待处理心率数据，将所述待处理心率数据输入至目标心率检测模型中；
基于所述目标心率检测模型对所述待处理心率数据进行检测处理，得到待处理心率数据的目标心率检测结果。
8.如权利要求1所述的心率检测方法，其特征在于，所述基于所述目标心率检测模型对所述待处理心率数据进行检测处理，得到待处理心率数据的目标心率检测结果的步骤之前，所述方法包括：
基于预设第一滤波器，对所述待处理心率数据进行基线漂移噪音的第一噪声去除处理，得到第一处理结果；
确定所述第一处理结果的噪音是否大于预设噪声值；
若所述第一处理结果的噪音大于预设噪声值，使用预设第二滤波器，对第一处理结果进行第二噪声去除处理，得到第二处理结果。
9.一种心率检测设备，其特征在于，所述心率检测设备包括：存储器、处理器以及存储在存储器上的用于实现所述心率检测方法的程序，
所述存储器用于存储实现心率检测方法的程序；
所述处理器用于执行实现所述心率检测方法的程序，以实现如权利要求1至8中任一项所述心率检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有实现心率检测方法的程序，所述实现心率检测方法的程序被处理器执行以实现如权利要求1至8中任一项所述心率检测方法的步骤。
CN202010751766.9A 2020-07-30 2020-07-30 检测方法、设备和存储介质 Active CN111839495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010751766.9A CN111839495B (zh) 2020-07-30 2020-07-30 检测方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010751766.9A CN111839495B (zh) 2020-07-30 2020-07-30 检测方法、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111839495A true CN111839495A (zh) 2020-10-30
CN111839495B CN111839495B (zh) 2023-04-07

Family

ID=72945644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010751766.9A Active CN111839495B (zh) 2020-07-30 2020-07-30 检测方法、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111839495B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095238A (zh) * 2021-04-15 2021-07-09 山东省人工智能研究院 一种基于联邦学习的个性化心电信号监测方法
CN114391824A (zh) * 2022-01-18 2022-04-26 安徽大学 一种基于ppg信号的心率估计方法、电子设备及存储介质
CN115270848A (zh) * 2022-06-17 2022-11-01 合肥心之声健康科技有限公司 一种ppg与ecg自动转换智能算法、存储介质和计算机系统
CN116584952A (zh) * 2023-07-18 2023-08-15 牛津大学(苏州)科技有限公司 心电图异常监测方法、装置、设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109036573A (zh) * 2018-07-06 2018-12-18 苏州大学 基于生成式对抗网络技术的心电图生成及分类方法
US20190117096A1 (en) * 2017-10-24 2019-04-25 Stmicroelectronics S.R.L. Method of processing electrophysiological signals and corresponding system, vehicle, and computer program product
CN110811582A (zh) * 2019-12-09 2020-02-21 北京明略软件系统有限公司 心率检测方法、装置和设备
CN110888911A (zh) * 2019-10-11 2020-03-17 平安科技（深圳）有限公司 样本数据处理方法、装置、计算机设备及存储介质
US20200151578A1 (en) * 2017-11-20 2020-05-14 Alibaba Group Holding Limited Data sample label processing method and apparatus
CN111275207A (zh) * 2020-02-10 2020-06-12 深圳前海微众银行股份有限公司 基于半监督的横向联邦学习优化方法、设备及存储介质
CN111368196A (zh) * 2020-03-03 2020-07-03 深圳前海微众银行股份有限公司 模型参数的更新方法、装置、设备及可读存储介质
CN111428881A (zh) * 2020-03-20 2020-07-17 深圳前海微众银行股份有限公司 识别模型的训练方法、装置、设备及可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190117096A1 (en) * 2017-10-24 2019-04-25 Stmicroelectronics S.R.L. Method of processing electrophysiological signals and corresponding system, vehicle, and computer program product
US20200151578A1 (en) * 2017-11-20 2020-05-14 Alibaba Group Holding Limited Data sample label processing method and apparatus
CN109036573A (zh) * 2018-07-06 2018-12-18 苏州大学 基于生成式对抗网络技术的心电图生成及分类方法
CN110888911A (zh) * 2019-10-11 2020-03-17 平安科技（深圳）有限公司 样本数据处理方法、装置、计算机设备及存储介质
CN110811582A (zh) * 2019-12-09 2020-02-21 北京明略软件系统有限公司 心率检测方法、装置和设备
CN111275207A (zh) * 2020-02-10 2020-06-12 深圳前海微众银行股份有限公司 基于半监督的横向联邦学习优化方法、设备及存储介质
CN111368196A (zh) * 2020-03-03 2020-07-03 深圳前海微众银行股份有限公司 模型参数的更新方法、装置、设备及可读存储介质
CN111428881A (zh) * 2020-03-20 2020-07-17 深圳前海微众银行股份有限公司 识别模型的训练方法、装置、设备及可读存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095238A (zh) * 2021-04-15 2021-07-09 山东省人工智能研究院 一种基于联邦学习的个性化心电信号监测方法
CN113095238B (zh) * 2021-04-15 2021-12-28 山东省人工智能研究院 一种基于联邦学习的个性化心电信号监测方法
CN114391824A (zh) * 2022-01-18 2022-04-26 安徽大学 一种基于ppg信号的心率估计方法、电子设备及存储介质
CN115270848A (zh) * 2022-06-17 2022-11-01 合肥心之声健康科技有限公司 一种ppg与ecg自动转换智能算法、存储介质和计算机系统
CN115270848B (zh) * 2022-06-17 2023-09-29 合肥心之声健康科技有限公司 一种ppg与ecg自动转换智能算法、存储介质和计算机系统
CN116584952A (zh) * 2023-07-18 2023-08-15 牛津大学(苏州)科技有限公司 心电图异常监测方法、装置、设备和存储介质
CN116584952B (zh) * 2023-07-18 2023-12-08 牛津大学(苏州)科技有限公司 心电图异常监测方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN111839495B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111839495B (zh) 检测方法、设备和存储介质
Pathinarupothi et al. IoT-based smart edge for global health: Remote monitoring with severity detection and alerts transmission
Raj et al. HEMAN: Health monitoring and nous: An IoT based e-health care system for remote telemedicine
US20230143594A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
CN107714024B (zh) 用于监测心脏活动的方法、系统及装置
Ru et al. [Retracted] A Detailed Research on Human Health Monitoring System Based on Internet of Things
WO2019161610A1 (zh) 心电信息处理方法和心电工作站系统
Gupta et al. FrWT-PPCA-based R-peak detection for improved management of healthcare system
US11457853B2 (en) Methods and systems for automatically detecting events based on ECG signals determined from compressed sensed measurements
EP2698112A1 (en) Real-time stress determination of an individual
Kumar et al. Efficient QRS complex detection algorithm based on Fast Fourier Transform
Rahman et al. Robustness of electrocardiogram signal quality indices
Demirel et al. Energy-efficient real-time heart monitoring on edge–fog–cloud internet of medical things
Masud et al. Resource-aware mobile-based health monitoring
JP6583892B2 (ja) Ｅｃｇ信号の並行解析装置、方法及び移動端末
Koshimizu et al. Future possibilities for artificial intelligence in the practical management of hypertension
Ardeti et al. An overview on state-of-the-art electrocardiogram signal processing methods: Traditional to AI-based approaches
WO2021071646A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
Park et al. Cascade classification with adaptive feature extraction for arrhythmia detection
US10617356B2 (en) Garment and cardiac data processing
Yuan et al. Diagnosing cardiac abnormalities from 12-lead electrocardiograms using enhanced deep convolutional neural networks
Sufi et al. Cardioids‐based faster authentication and diagnosis of remote cardiovascular patients
Jeon et al. Multi-slice Nested Recurrence Plot (MsNRP): A robust approach for person identification using daily ECG or PPG signals
CN111419214A (zh) 一种心电异常检测方法、终端及服务器
Jokić et al. An efficient approach for heartbeat classification

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