CN111887858A - 基于跨模态映射的心冲击图信号心率估计方法 - Google Patents

Abstract

本发明提出了一种基于跨模态映射的心冲击图信号心率估计方法，用于解决现有技术中存在的心率估计精度较低的技术问题，实现步骤为：采集心冲击图信号和心脏脉冲信号；对心冲击图信号进行滤波；利用心冲击图信号的周期性先验知识获取训练样本集和测试样本集；构建基于心冲击图信号周期性和幅值特征的跨模态映射模型；对跨模态映射模型进行训练；峰值搜索算法和平均心率法计算得到心冲击图信号的心率估计值。本发明在心冲击图信号的心率估计问题中引入跨模态映射的思想，利用一维卷积神经网络将心冲击图信号映射为心脏脉冲信号，以降低心跳检测的难度，同时避免现有技术对应同一心率值的心冲击图信号差异较大问题，很大程度上改善心率估计精度。

Description

基于跨模态映射的心冲击图信号心率估计方法

技术领域

本发明属于生物医学信息处理技术领域，涉及一种心冲击图信号心率估计方法，具体涉及一种基于跨模态映射的心冲击图信号心率估计方法，用于辅助人体健康监测。

背景技术

随着生活水平的不断改善，越来越多的人关注自身的心脏健康问题。心跳节奏超出正常范围的变化通常预示着某种疾病的发生，比如心脏性猝死，窒息，心律不齐等。因此，日常生活中的心率监测对于人们自身疾病的早期发现与治疗有着重要的意义。

由于目前在临床上，心电图(ECG)在心率监测方面被广泛应用，但是这种需要将电极或者心脏探头与人体紧密接触，这给受监测者带来极大不便和心理压力。并且由于电极对人体皮肤的刺激作用，长时间的粘贴电极，会使受试者患上皮肤疾病。在非临床上，心率监测的设备主要是手环，心率带等可穿戴设备。虽然这类设备在监测心率方面相比心电图要更加方便，但是它们同样会给受监测者带来束缚感，并且心率估计的误差较大，甚至对于一些患有疾病的老年人而言，他们可能并没有使用这种设备的能力。因此，寻找一种更加适合日常监测、简单方便、误差小的心率监测技术有着重要的意义。

目前，根据使用信号类型的不同，心率估计方法可分为基于侵入式监测信号的心率估计方法和基于非侵入式监测信号的心率估计方法两类，其中，基于非侵入式监测信号的心率估计方法，典型的为基于心冲击图信号的心率估计方法，该方法无需传感器直接贴附人体，非专业人员也可以操作。

基于心冲击图信号的心率估计方法按照是否为学习算法可以分为基于信号处理的方法和基于机器学习方法两大类，其中基于机器学习方法分为无监督、有监督、弱监督三大类。有监督的学习方法通过引入监督信息，构建神经网络模型，利用神经网络强大的特征提取能力获取心冲击图信号的周期性特征和幅值特征，进而对心冲击图信号进行心跳检测或直接回归得到心率估计。例如，申请公布号为CN110420019A，名称为“一种心冲击图信号的深度回归心率估计方法”的专利申请，公开了一种心冲击图信号的深度回归心率估计方法，该方法采用有监督的学习方式，引入心脏脉冲信号的心率值作为监督信息，通过双向循环神经网络获取心冲击图信号的周期性特征和幅值特征，然后通过回归网络同时利用心冲击图信号的周期性特征和幅值特征估计心冲击图信号的心率值。该发明在一定程度上提高了心率估计的精度，但其存在的不足之处是：1、该发明虽然利用了心冲击图信号对应的心脏脉冲信号的心率值，但在对心冲击图信号进行标记以及对双向循环神经网络进行训练的过程中，仅仅利用了心冲击图信号对应的心脏脉冲信号的心率值，未更充分的利用心脏脉冲信号提供的幅值特征和周期特征，因此估计误差较大；2、该发明在对双向循环神经网络进行训练的过程中，将由心脏脉冲信号计算得到的心率值作为参考信息，对应同一心率值的心冲击图信号差异较大，网络学习较难把握规律性，因此估计误差较大。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于跨模态映射的心冲击图信号心率估计方法，用于解决现有技术中存在的心率估计精度较低的技术问题。

为实现上述目的，本发明采用的技术方案包括如下步骤：

(1)采集心冲击图信号和心脏脉冲信号：

采用指夹式脉冲传感器和液压传感器，并以f_s为采样频率分别采集受试者的心脏脉冲信号B和M个心冲击图信号A＝{A₁,A₂,...,A_m,...,A_M}，其中，f_s≥100Hz，A_m表示第m个心冲击图信号，M≥2，B和A_m的长度均为T，T≥60000；

(2)对每个心冲击图信号A_m进行滤波：

采用截断频率下限和上限分别为f₁和f₂的带通滤波器对每个心冲击图信号A_m进行带通滤波，得到带通滤波后的M个心冲击图信号A′＝{A′₁,A′₂,...,A′_m,...,A′_M}，0.3Hz≤f₁≤0.8Hz，8Hz≤f₂≤12Hz；

(3)获取训练样本集和测试样本集：

(3a)采用长度为D的滑窗，并以s为步长，按照采集的时间顺序对心脏脉冲信号B和每个滤波后的心冲击图信号A′_m进行N次滑动，得到心脏脉冲信号段集合B＝{B₁,B₂,...,B_n,...,B_N}和A′对应的心冲击图信号段集合X＝{X₁,X₂,...,X_m,...,X_M},其中，B_n表示第n个心脏脉冲信号段，X_m表示A′_m对应的心冲击图信号段子集合

表示第n个滤波后的心冲击图信号段,

(3b)对心脏脉冲信号段集合B＝{B₁,B₂,...,B_n,...,B_N}和心冲击图信号段集合

进行Z-Score标准化处理，得到Z-Score标准化处理后的心脏脉冲信号段集合Y＝{Y₁,Y₂,...,Y_n,...,Y_N}和心冲击图信号段集合X′＝{X₁′,X₂′,...,X′_m,...,X′_M}，

(3c)将X′中M个子集合中第n个心冲击图信号段进行组合，得到M通道心冲击图信号段集合Z＝{Z₁,Z₂,...,Z_n,...,Z_N},

(3d)通过Y中半数以上的心脏脉冲信号段分别对Z中对应位置的心冲击图信号段进行标注，并将标注后带有标签的心冲击图信号段组合为训练样本集Z_tr＝{Z₁,Z₂,...,Z_e,...,Z_E}，

将Z中其余心冲击图信号段组合为测试样本集Z_te＝{Z₁,Z₂,...,Z_j,...,Z_J},

(4)构建基于心冲击图信号周期性和幅值特征的跨模态映射模型H：

(4a)构建包括依次层叠的第一卷积层、多个卷积-激励层和第二卷积层的跨模态映射模型H，激励层的激励函数为ReLU，第二卷积层中卷积核个数为1；第一卷积层用于接收M通道心冲击图信号；多个卷积-激励层用于提取M通道心冲击图信号的周期性与幅值特征，并对提取的特征进行融合，通过激励函数ReLU对融合后的特征进行非线性映射，第二卷积层用于对非线性的结果进行卷积，最后输出一维映射向量，完成M通道心冲击图信号到单通道心脏脉冲信号的跨模态映射；

(4b)构建跨模态映射模型H的损失函数F：

其中，Y′和Y分别为模型训练输出的估计值和真值，Q为每次训练的批尺寸，||·||₂表示2-范数，γ表示正则化参数，控制

的参与程度，w表示整个网络的权重，w＝[W,b]；

(5)对跨模态映射模型H进行迭代训练：

(5a)设迭代次数为k，最大迭代次数为K，K≥10，跨模态映射模型H中各层的权重矩阵W与偏置b取值为范围[-1，1]内的随机数，并令k＝0，H_k＝H；

(5b)将从训练样本集中随机选取Q个训练样本作为跨模态映射模型H_k的输入进行前向传播，第一卷积层对训练样本进行卷积，得到每个训练样本中M通道心冲击图信号的特征，多个卷积-激励层对提取的特征进行融合，然后通过激励函数ReLU对融合后的特征进行非线性映射，第二卷积层对非线性映射结果进行卷积，实现M通道心冲击图信号到单通道心脏脉冲信号的跨模态映射，得到映射向量集合Y′_k＝{Y′_k1,Y′_k2,...,Y′_kq,...,Y′_kQ},Y′_kq为第q个训练样本对应的一维映射向量，Q≤N且

为向下取整；

(5c)将Y′_k和Y′_k对应的心脏脉冲信号Y_k＝{Y_k1,Y_k2,...,Y_kq,...,Y_kQ}作为跨模态映射模型H_k的损失函数F_k的输入，计算跨模态映射模型H_k的损失值F_k，并采用反向传播算法，通过损失值F_k对各层的权重矩阵W_k与偏置b_k进行更新，得到更新后的跨模态映射模型H_k；

(5d)判断k＝K是否成立，若是，得到训练好的跨模态映射模型H^*；

否则，令k＝k+1，并执行步骤(5b)；

(6)获取测试样本的心率估计结果：

(6a)将测试样本集作为训练好的跨模态映射模型H^*的输入进行映射，得到每个测试样本对应的心脏脉冲信号，并采用峰值搜索算法，对映射出的心脏脉冲信号进行峰值搜索，获得J个测试样本对应的心跳信息C＝{C₁,C₂,...,C_j,...,C_J}，其中，C_j为第j个心脏脉冲信号段对应的心跳信息，

c_j和

分别为第j个心脏脉冲信号段对应的心跳个数与心跳的位置；

(6b)采用平均心率法，并通过每个心脏脉冲信号段对应的心跳信息C_j，计算C_j对应的真实心率y_j，得到J个测试样本对应J个真实心率。

本发明与现有技术相比，具有以下优点：

1、本发明的跨模态映射模型为一维卷积神经网络，将与心冲击图信号对应的心脏脉冲信号作为心冲击图信号的标记，充分利用了心脏脉冲信号的周期性特征和幅值特征，对心冲击图信号进行卷积提取多通道心冲击图信号的周期性特征与幅值特征并进行融合，完成从多通道心冲击图信号到单通道心脏脉冲信号的跨模态映射，将多通道心冲击图信号融合转换成易于进行心跳检测的心脏脉冲信号，这从根本上为心率估计精度的提升提供了保障。

2、本发明通过一维卷积神经网络建立从心冲击图信号到心脏脉冲信号的非线性映射关系，将多通道心冲击图信号映射成易于进行心跳检测的心脏脉冲信号，再对映射的心脏脉冲信号进行心跳检测进而计算心率，避免了现有技术对应同一心率值的心冲击图信号差异较大问题，另外，卷积神经网络在信号增强中强大的特征融合和数据拟合能力进一步提升了心率的估计精度。

附图说明

图1是本发明的实现流程图。

具体实施方式

以下结合附图和具体实施例，对本发明作进一步详细描述。

参照图1，本发明包括步骤如下：

步骤1)采集心冲击图信号和心脏脉冲信号：

采用指夹式脉冲传感器和液压传感器，并以f_s为采样频率分别采集受试者的心脏脉冲信号B和M个心冲击图信号A＝{A₁,A₂,...,A_m,...,A_M}，其中，f_s≥100Hz，A_m表示第m个心冲击图信号，B和A_m的长度均为T，其中M＝4，T＝60000，f_s＝100Hz；n与T过小时会导致心率估计精度大幅降低，M、T和f_s过大时不仅对于心率估计精度提升不明显而且会导致算法的复杂度大大升高；使用与该液压传感器相同采样频率的指夹式脉冲传感器是为了获取与心冲击图信号同步且长度相等的心脏脉冲信号；

步骤2)对每个心冲击图信号A_m进行滤波：

为了减弱心冲击图信号中的呼吸分量和高频噪声对心率估计性能的影响，采用截断频率下限为f₁、上限为f₂的六阶巴特沃斯带通滤波器分别对每个心冲击图信号进行带通滤波，得到带通滤波后的M个心冲击图信号A′＝{A′₁,A′₂,...,A′_m,...,A′_M}，其中f₁＝0.4Hz，f₂＝10Hz；f₁的取值范围的依据为心冲击图信号中呼吸分量的频率上限约为0.3Hz～0.8Hz，f₂的取值范围的依据为心冲击图信号中高频噪声分量的频率下限约为8Hz～12Hz；

步骤3)获取训练样本集和测试样本集：

步骤3a)采用长度为D的滑窗，并以s为步长，按照采集的时间顺序对心脏脉冲信号B和每个滤波后的心冲击图信号A′_m进行N次滑动，得到心脏脉冲信号段集合B＝{B₁,B₂,...,B_n,...,B_N}和A′对应的心冲击图信号段集合X＝{X₁,X₂,...,X_m,...,X_M},其中，B_n表示第n个心脏脉冲信号段，X_m表示A′_m对应的心冲击图信号段子集合

表示第n个滤波后的心冲击图信号段，其中D＝600，s＝1，

D和s为上述取值时估计精度最好；

步骤3b)对心脏脉冲信号段集合B＝{B₁,B₂,...,B_n,...,B_N}和心冲击图信号段集合

进行Z-Score标准化处理，得到Z-Score标准化处理后的心脏脉冲信号段集合Y＝{Y₁,Y₂,...,Y_n,...,Y_N}和心冲击图信号段集合X′＝{X′₁,X′₂,...,X′_m,...,X′_M}，

Z-Score标准化处理提高了数据的可比性；

其中，对第n个心冲击图信号段

和第n个心冲击图信号段B_n进行Z-Score标准化处理的计算公式分别为：

其中,

和

分别为第n个心冲击图信号段

的均值和方差,

和

分别为第n个心脏脉冲信号段Y_n的均值和方差；

步骤3c)将X′中M个子集合中第n个心冲击图信号段进行组合，得到M通道心冲击图信号段集合Z＝{Z₁,Z₂,...,Z_n,...,Z_N},

步骤3d)通过Y中半数以上的心脏脉冲信号段分别对Z中对应位置的心冲击图信号段进行标注，并将标注后带有标签的心冲击图信号段组合为训练样本集Z_tr＝{Z₁,Z₂,...,Z_e,...,Z_E}，E＝35000,将Z中其余心冲击图信号段组合为测试样本集Z_te＝{Z₁,Z₂,...,Z_j,...,Z_J},J＝20400；

步骤4)构建基于心冲击图信号周期性和幅值特征的跨模态映射模型H：

步骤4a)构建包括依次层叠的第一卷积层、多个卷积-激励层和第二卷积层的跨模态映射模型H，激励层的激励函数为ReLU，第二卷积层中卷积核个数为1；第一卷积层用于接收M通道心冲击图信号；多个卷积-激励层用于提取M通道心冲击图信号的周期性与幅值特征，并对提取的特征进行融合，通过激励函数ReLU对融合后的特征进行非线性映射，第二卷积层用于对非线性的结果进行卷积，最后输出一维映射向量，完成M通道心冲击图信号到单通道心脏脉冲信号的跨模态映射；

跨模态映射网络模型的结构为：第一卷积层->3个卷积-激励层->第二卷积层；

跨模态映射网络模型的参数设置：

第一卷积层：包含8个卷积核，每个卷积核大小为30，步长为1，其目的是为了提取心冲击图信号的结构性特征；

卷积-激励层：数量为3个，卷积层均包含16个卷积核，步长为1，三层卷积层中卷积核大小分别为50、80、80，多次卷积操作使得网络模型在信号处理中拥有了更强的特征抽象能力和更高的运算效率，激励函数增强了网络的非线性，其中ReLU激活函数的不饱和性可以有效抑制训练过程中梯度消失情况的发生，加速网络收敛；

激励层的激励函数为ReLU的表达式为:

ReLU(x)＝max{x,0}；

第二卷积层：卷积核个数为1，卷积核大小为80，步长为1；

步骤4b)当映射心脏脉冲信号与真实心脏脉冲信号在相差较大时，均方误差的梯度较大，当映射心脏脉冲信号与真实心脏脉冲信号在相差较小时，均方误差的梯度较小，在训练过程中使用均方误差作为跨模态映射模型H的损失函数F可以加速网络的训练过程；在跨模态映射模型H的损失函数F中引入L2正则，可有效降低网络模型的过拟合风险；

跨模态映射模型H的损失函数F表达式为：

其中，Y′和Y分别为模型训练输出的估计值和真值，Q为每次训练的批尺寸，||·||₂表示2-范数，γ表示正则化参数，控制

的参与程度，w表示整个网络的权重，w＝[W,b]，γ＝0.001；

步骤5)对跨模态映射模型H进行迭代训练：

步骤5a)设迭代次数为k，最大迭代次数为K＝120，跨模态映射模型H中各层的权重矩阵W与偏置b取值为范围[-1，1]内的随机数，为了使心率回归估计网络模型的训练过程较为稳定，学习率η设置为0.0001，并令k＝0，H_k＝H；

步骤5b)将从训练样本集中随机选取Q个训练样本作为跨模态映射模型H_k的输入进行前向传播，第一卷积层对训练样本进行卷积，得到每个训练样本中M通道心冲击图信号的特征，多个卷积-激励层对提取的特征进行融合，多次卷积操作使得网络模型在信号处理中拥有了更强的特征抽象能力和更高的运算效率，激励函数增强了网络的非线性，然后通过激励函数ReLU对融合后的特征进行非线性映射，ReLU激活函数的不饱和性可以有效抑制训练过程中梯度消失情况的发生，并加速网络收敛，第二卷积层对非线性映射结果进行卷积，实现M通道心冲击图信号到更易进行心跳检测的单通道心脏脉冲信号的跨模态映射，得到映射向量集合Y′_k＝{Y′_k1,Y′_k2,...,Y′_kq,...,Y′_kQ},Y′_kq为第q个训练样本对应的一维映射向量，Q≤N且

为向下取整,Q＝256；

步骤5c)将Y′_k和Y′_k对应的心脏脉冲信号Y_k＝{Y_k1,Y_k2,...,Y_kq,...,Y_kQ}作为跨模态映射模型H_k的损失函数F_k的输入，计算跨模态映射模型H_k的损失值F_k，并采用反向传播算法，通过损失值F_k对各层的权重矩阵W_k与偏置b_k进行更新，得到更新后的跨模态映射模型H_k；

W_k和b_k的更新公式分别为：

其中，η表示学习率，η＝0.0001，W_k+1、b_k+1分别表示W_k、b_k更新后的结果，表

示求导操作；

步骤5d)判断k＝120是否成立，若是，得到训练好的跨模态映射模型H^*；

否则，令k＝k+1，并执行步骤(5b)；

步骤6)获取测试样本的心率估计结果：

步骤6a)将测试样本集作为训练好的跨模态映射模型H^*的输入进行映射，得到每个测试样本对应的心脏脉冲信号，设定幅度阈值a＝0.5和间隔阈值b＝0.4，对每个心脏脉冲信号段

以b为间隔遍历查找心脏脉冲信号段

中比相邻两个元素的值都大且不小于幅度阈值a的位置，即满足x_d-1＜x_d＜x_d+1，且x_d≥a，获得每个心跳在心脏脉冲信号段中的位置

并对其心跳位置的个数进行统计，得到该心脏脉冲信号段心跳脉冲个数c_j，再将c_j和

组合为第j个心脏脉冲信号段对应的心跳信息，获得J个测试样本对应的心跳信息C＝{C₁,C₂,...,C_j,...,C_J}，其中，C_j为第j个心脏脉冲信号段对应的心跳信息，

c_j和

分别为第j个心脏脉冲信号段对应的心跳个数与心跳的位置；

步骤6b)采用平均心率法，并通过每个心脏脉冲信号段对应的心跳信息C_j，计算C_j对应的真实心率y_j，得到J个测试样本对应J个真实心率；

其中平均心率法的计算公式为：

其中，c_j为第j个心脏脉冲信号段的心跳个数，P_j为第j个心脏脉冲信号段第一个心跳脉冲与最后一个心跳脉冲的时间间隔，

以下结合仿真实验，对本发明的技术效果作进一步说明：

1.仿真条件和内容

本实验采用的数据包括十个受试者的采集数据，每个受试者有四个心冲击图信号和一个心脏脉冲信号。仿真平台为主频为3.20GHz的Inter酷睿i7-6900KCPU，英伟达GTX1080Ti的显卡，32.0GB的内存，Windows10操作系统，1.40版本的Tensorflow深度学习平台，Matlab2018a开发平台，Python3.6版本开发平台。

利用本方法分别为每个受试者训练跨模态网络模型，并获取每个受试者测试集样本的估计心率；利用心冲击图信号的深度回归心率估计方法(Bi-LSTM)，分别获取每个受试者测试集样本的估计心率，并分别计算两种方法的心率估计误差。

心率估计误差的计算公式为：

其中，J为受试者测试集的样本总数，y_j和y′_j分别为测试集中第j个样本的真实心率和估计心率，|·|表示绝对值运算。

2.仿真结果分析

下表为本方法和心冲击图信号的深度回归心率估计方法(以下简称为Bi-LSTM方法)在上述10位受试者测试集上的心率估计误差(次数/分钟)。

表1本方法和Bi-LSTM算法的心率估计误差对比

从表1中可以看出，本方法在十位受试者的测试集样本上的平均心率估计误差为0.14，而Bi-LSTM方法在十位受试者的测试集样本上的平均心率估计误差为0.49，显然与Bi-LSTM方法相比，本方法的估计误差较小。并且从上表中可以看出本方法的心率估计误差的方差更小，说明本方法的鲁棒性更强。

以上的实验结果与实验分析可以表明，在有监督学习的框架下，基于跨模态的心冲击图信号心率估计方法通过一维卷积神经网络建立从心冲击图信号到心脏脉冲信号的非线性映射关系，将多通道心冲击图信号融合转换成易于进行心跳检测的单通道心脏脉冲信号，进而计算心率估计结果，可有效降低心率估计误差。

Claims (6)

1.一种基于跨模态映射的心冲击图信号心率估计方法，其特征在于，包括步骤如下：

(1)采集心冲击图信号和心脏脉冲信号：

采用指夹式脉冲传感器和液压传感器，并以f_s为采样频率分别采集受试者的心脏脉冲信号B和M个心冲击图信号A＝{A₁,A₂,...,A_m,...,A_M}，其中，f_s≥100Hz，A_m表示第m个心冲击图信号，M≥2，B和A_m的长度均为T，T≥60000；

(2)对每个心冲击图信号A_m进行滤波：

采用截断频率下限和上限分别为f₁和f₂的带通滤波器对每个心冲击图信号A_m进行带通滤波，得到带通滤波后的M个心冲击图信号A′＝{A′₁,A′₂,...,A′_m,...,A′_M}，0.3Hz≤f₁≤0.8Hz，8Hz≤f₂≤12Hz；

(3)获取训练样本集和测试样本集：

(3a)采用长度为D的滑窗，并以s为步长，按照采集的时间顺序对心脏脉冲信号B和每个滤波后的心冲击图信号A′_m进行N次滑动，得到心脏脉冲信号段集合B＝{B₁,B₂,...,B_n,...,B_N}和A′对应的心冲击图信号段集合X＝{X₁,X₂,...,X_m,...,X_M},其中，B_n表示第n个心脏脉冲信号段，X_m表示A′_m对应的心冲击图信号段子集合

表示第n个滤波后的心冲击图信号段,

(3b)对心脏脉冲信号段集合B＝{B₁,B₂,...,B_n,...,B_N}和心冲击图信号段集合

进行Z-Score标准化处理，得到Z-Score标准化处理后的心脏脉冲信号段集合Y＝{Y₁,Y₂,...,Y_n,...,Y_N}和心冲击图信号段集合X′＝{X′₁,X′₂,...,X′_m,...,X′_M}，

(3c)将X′中M个子集合中第n个心冲击图信号段进行组合，得到M通道心冲击图信号段集合Z＝{Z₁,Z₂,...,Z_n,...,Z_N},

(3d)通过Y中半数以上的心脏脉冲信号段分别对Z中对应位置的心冲击图信号段进行标注，并将标注后带有标签的心冲击图信号段组合为训练样本集Z_tr＝{Z₁,Z₂,...,Z_e,...,Z_E}，

将Z中其余心冲击图信号段组合为测试样本集Z_te＝{Z₁,Z₂,...,Z_j,...,Z_J},

(4)构建基于心冲击图信号周期性和幅值特征的跨模态映射模型H：

(4a)构建包括依次层叠的第一卷积层、多个卷积-激励层和第二卷积层的跨模态映射模型H，激励层的激励函数为ReLU，第二卷积层中卷积核个数为1；第一卷积层用于接收M通道心冲击图信号；多个卷积-激励层用于提取M通道心冲击图信号的周期性与幅值特征，并对提取的特征进行融合，通过激励函数ReLU对融合后的特征进行非线性映射，第二卷积层用于对非线性的结果进行卷积，最后输出一维映射向量，完成M通道心冲击图信号到单通道心脏脉冲信号的跨模态映射；

(4b)构建跨模态映射模型H的损失函数F：

其中，Y′和Y分别为模型训练输出的估计值和真值，Q为每次训练的批尺寸，||·||₂表示2-范数，γ表示正则化参数，控制

的参与程度，w表示整个网络的权重，w＝[W,b]；

(5)对跨模态映射模型H进行迭代训练：

(5a)设迭代次数为k，最大迭代次数为K，K≥10，跨模态映射模型H中各层的权重矩阵W与偏置b取值为范围[-1，1]内的随机数，并令k＝0，H_k＝H；

(5b)将从训练样本集中随机选取Q个训练样本作为跨模态映射模型H_k的输入进行前向传播，第一卷积层对训练样本进行卷积，得到每个训练样本中M通道心冲击图信号的特征，多个卷积-激励层对提取的特征进行融合，然后通过激励函数ReLU对融合后的特征进行非线性映射，第二卷积层对非线性映射结果进行卷积，实现M通道心冲击图信号到单通道心脏脉冲信号的跨模态映射，得到映射向量集合Y_k′＝{Y′_k1,Y′_k2,...,Y′_kq,...,Y′_kQ},Y′_kq为第q个训练样本对应的一维映射向量，Q≤N且

为向下取整；

(5c)将Y_k′和Y_k′对应的心脏脉冲信号Y_k＝{Y_k1,Y_k2,...,Y_kq,...,Y_kQ}作为跨模态映射模型H_k的损失函数F_k的输入，计算跨模态映射模型H_k的损失值F_k，并采用反向传播算法，通过损失值F_k对各层的权重矩阵W_k与偏置b_k进行更新，得到更新后的跨模态映射模型H_k；

(5d)判断k＝K是否成立，若是，得到训练好的跨模态映射模型H^*；否则，令k＝k+1，并执行步骤(5b)；

(6)获取测试样本的心率估计结果：

(6a)将测试样本集作为训练好的跨模态映射模型H^*的输入进行映射，得到每个测试样本对应的心脏脉冲信号，并采用峰值搜索算法，对映射出的心脏脉冲信号进行峰值搜索，获得J个测试样本对应的心跳信息C＝{C₁,C₂,...,C_j,...,C_J}，其中，C_j为第j个心脏脉冲信号段对应的心跳信息，

c_j和

分别为第j个心脏脉冲信号段对应的心跳个数与心跳的位置；

(6b)采用平均心率法，并通过每个心脏脉冲信号段对应的心跳信息C_j，计算C_j对应的真实心率y_j，得到J个测试样本对应J个真实心率。

2.根据权利要求1所述的一种基于跨模态映射的心冲击图信号心率估计方法，其特征在于，步骤(3b)中所述的对心脏脉冲信号段集合B＝{B₁,B₂,...,B_n,...,B_N}和心冲击图信号段集合

进行Z-Score标准化处理，其中对第n个心冲击图信号段

和第n个心冲击图信号段B_n进行Z-Score标准化处理的计算公式分别为：

其中,

和

分别为第n个心冲击图信号段

的均值和方差,

和

分别为第n个心脏脉冲信号段Y_n的均值和方差。

3.根据权利要求1所述的一种基于跨模态映射的心冲击图信号心率估计方法，其特征在于，步骤(4a)中所述的跨模态映射模型H，其中：

第一卷积层，包含8个卷积核，每个卷积核大小为30，步长为1；

卷积-激励层的数量为3个，卷积层均包含16个卷积核，三层卷积层中卷积核大小分别为50、80、80，激励层的激励函数为ReLU的表达式为:

ReLU(x)＝max{x,0}

第二卷积层中卷积核大小为80。

4.根据权利要求1所述的一种基于跨模态映射的心冲击图信号心率估计方法，其特征在于，步骤(5c)中所述的通过跨模态映射模型H_k的损失值F_k和对各层的权重矩阵W_k与偏置b_k进行更新，更新公式分别为：

其中，η表示学习率，0＜η≤0.1，W_k+1、b_k+1分别表示W_k、b_k更新后的结果，

表示求导操作。

5.根据权利要求1所述的一种基于跨模态映射的心冲击图信号心率估计方法，其特征在于，步骤(6a)中的所述的采用峰值搜索算法，对映射出的心脏脉冲信号进行峰值搜索，实现方法为：设定幅度阈值a和间隔阈值b，输入第j个心脏脉冲信号段

以b为间隔遍历查找心脏脉冲信号段

中比相邻两个元素的值都大且不小于幅度阈值a的位置，即满足x_d-1＜x_d＜x_d+1，且x_d≥a，获得每个心跳在心脏脉冲信号段中的位置

并对其心跳位置的个数进行统计，得到该心脏脉冲信号段心跳脉冲个数c_j，再将c_j和

组合为第j个心脏脉冲信号段对应的心跳信息。

6.根据权利要求1所述的一种基于跨模态映射的心冲击图信号心率估计方法，其特征在于，步骤(6b)中的所述的计算C_j对应的真实心率y_j，计算公式为：

其中，c_j为第j个心脏脉冲信号段的心跳个数，P_j为第j个心脏脉冲信号段第一个心跳脉冲与最后一个心跳脉冲的时间间隔，

Images