CN113261932B - 基于ppg信号和一维卷积神经网络的心率测量方法及装置 - Google Patents
基于ppg信号和一维卷积神经网络的心率测量方法及装置 Download PDFInfo
- Publication number
- CN113261932B CN113261932B CN202110720815.7A CN202110720815A CN113261932B CN 113261932 B CN113261932 B CN 113261932B CN 202110720815 A CN202110720815 A CN 202110720815A CN 113261932 B CN113261932 B CN 113261932B
- Authority
- CN
- China
- Prior art keywords
- signal
- ppg
- heart rate
- signals
- model
- 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.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000009532 heart rate measurement Methods 0.000 title claims description 10
- 230000001133 acceleration Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000013186 photoplethysmography Methods 0.000 description 54
- 210000000707 wrist Anatomy 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000015592 Involuntary movements Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000017311 musculoskeletal movement, spinal reflex action Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000021542 voluntary musculoskeletal movement Effects 0.000 description 1
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
- A61B5/02416—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
- A61B5/103—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
- A61B5/1118—Determining activity level
-
- 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
- A61B5/7235—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
-
- 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
Abstract
本发明涉及基于PPG信号和一维卷积神经网络的心率测量方法及装置,其中,心率测量方法包括以下步骤:获取PPG信号、心电信号和三轴加速度信号进行预处理;构建一维卷积神经网络模型,输入经预处理的PPG信号、心电信号与三轴加速度信号作为训练集,对模型进行训练;基于训练完成的模型,输入经预处理的PPG信号与三轴加速度信号,输出心率值。同时输入PPG信号与三轴加速度计信号后能够极大地降低运动伪影所带来的影响,提高了模型在各种运动情况下的适应性。
Description
技术领域
本发明涉及运动状态的心率检测领域,具体为基于PPG信号和一维卷积神经网络的心率测量方法及装置。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
心脏每分钟跳动的次数被定义为心率,在日常生活中,心率通常用于监测人体的运动量,也能够为医学诊断提供参考。因此,它已被广泛地应用于健身运动、竞技比赛、体育训练以及运动康复等多个方面。
近年来,出现了多种能够实现心率测量的可穿戴智能设备,其中,基于光电容积脉搏波(Photoplethysmography,PPG)信号实现心率测量的设备,其主要优点是成本较低、硬件实现简单。
但PPG信号是从人体组织表面提取的生物信号,其信号强度弱,易受到剧烈运动所引起的运动伪影的影响,进而大幅度降低心率测量结果的可靠性和精确度。
传统的方法大多采用小波变换,进行心率的评估,但在评估过程中容易受到运动伪影的干扰从而影响PPG信号的获取。运动伪影是由人体自主和非自主运动或血管搏动造成的沿相位编码方向分布的条形或弧形伪影,其强弱与磁场强度、运动幅度、运动方向有关,并且运动伪影因人而异,因运动而异。
以常见的智能手表为例,智能手表穿戴在手腕上的松紧程度,手腕皮肤出汗量的大小,手腕皮肤颜色深浅等因素,都对PPG的获取存在一定影响。因此,采取传统方式获取心率测量结果的可靠性和精确度都难以满足需求。
发明内容
为了解决上述问题,本发明给出了基于PPG信号和一维卷积神经网络的心率测量方法及装置,舍弃了快速傅里叶变换将时域信息转到频率域后再进行二维卷积的方法,原因在于使用完快速傅里叶变换后将时域信息转到了频率域中,在频率域中卷积窗口内的数据在时域是不连续的。改进后卷积神经网络直接在原始数据上进行卷积而不是频率域。并且对模型架构进行了改变,适当加深了网络的层数。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供基于PPG信号和一维卷积神经网络的心率测量方法,包括以下步骤:
获取PPG信号、心电信号和三轴加速度信号进行预处理;
构建一维卷积神经网络模型,输入经预处理的PPG信号、心电信号与三轴加速度信号作为训练集,对模型进行训练;
基于训练完成的模型,输入经预处理的PPG信号与三轴加速度信号,输出心率值。
预处理的过程包括,依据奇偶索引划分PPG信号。
预处理的过程还包括,将划分完成的PPG信号与三轴加速度信号拼接在一起,形成一维卷积神经网络模型的输入数据集。
预处理的过程还包括,以设定时间周期内的瞬时平均心电信号作为数据集的标签。
一维卷积神经网络模型包括连接在一起的至少一组卷积层,至少六组卷积层和至少四组全连接层。
一维卷积神经网络模型中,最后一个卷积层连接的四组全连接层输出的结果,即为预测的心率值。
对模型进行训练的过程包括,将拼接完成的PPG信号数据与三轴加速度信号数据以及对应的标签信息,输入构建完成的一维卷积神经网络模型中,训练模型。
输入经预处理的PPG信号与三轴加速度信号输出心率值的过程包括,依据PPG信号与三轴加速度信号的采样频率,将PPG信号调整至与三轴加速度信号一致的采样点个数,输入训练完成的模型。
训练完成的模型输出预测的心率值,即为最终测量的心率值。
本发明的第二个方面提供实现上述心率测量方法的装置,包括传感器和处理器:
传感器获取PPG信号、心电信号和三轴加速度信号发送给处理器;
处理器对接收的PPG信号、心电信号和三轴加速度信号预处理,基于一维卷积神经网络,输入经预处理的PPG信号与三轴加速度信号,输出心率值。
与现有技术相比,以上一个或多个技术方案存在以下有益效果:
1、同时输入PPG信号与三轴加速度计信号后能够极大地降低运动伪影所带来的影响,提高了模型在各种运动情况下的适应性。
2、通过舍弃掉频域的二维卷积而采用一维卷积,模型训练时减少了快速傅里叶变换所消耗的时间,使得模型更加能够实时预测心率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的监测流程示意图;
图2是本发明一个或多个实施例提供的模型结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明使用一维卷积神经网络并在原有基础上进行了改进,核心思想是基于同步记录的三轴加速度计信号以及PPG信号,将运动信息从PPG信息中抽离出来。使用一维卷积神经网络(ConvolutionalNeuralNetworks,CNN),输入时域PPG信号以及三轴加速计数据,输出预测的心率。
使用一维CNN而不是LSTM(长短期记忆网络),Transformer(一种完全基于自注意力的网络架构)等网络的原因是相较于RNN(循环神经网络),CNN可以很好地识别出数据中的简单模式,然后使用这些简单模式在更高级的层中生成更复杂的模式。当从整体数据集中较短的片段中获得感兴趣特征,并且该特性在该数据片段中的位置不具有高度相关性时,一维CNN是非常有效的。
实验证明,一维CNN可以很好地应用于传感器数据的时间序列分析,比如陀螺仪或加速度计数据;同样也可以很好地用于分析具有固定长度周期的信号数据,比如音频信号。此外,它还能应用于自然语言处理的任务。
本发明对现有CNN方法的改进是舍弃了快速傅里叶变换(FastFourierTransformFFT),将时域信息转到频率域后再进行二维卷积的方法,原因在于使用完FFT后将时域信息转到了频率域中,在频率域中卷积窗口内的数据在时域是不连续的。改进后CNN直接在原始数据上进行卷积而不是频率域。并且对模型架构进行了改变,适当加深了网络的层数。
实施例一:
如图1-2所示,基于PPG信号和一维卷积神经网络的心率测量方法,包括以下步骤:
对原始PPG、ECG(心电图)、三轴加速度计信号进行去噪、筛除异常信号、周期划分等预处理,并将划分好的PPG与三轴加速度计信号拼接在一起;
搭建一维卷积神经网络(一维CNN),输入处理好的PPG信号与三轴加速度计信号作为训练集,分批次对模型进行训练;
对新输入的PPG信号与三轴加速度计信号进行同训练集一样的处理后,输入训练好的模型中,对心率进行预测,输出心率的预测值。
具体过程如下:
1、预处理
本实施例中选取的数据包含不同个体在不同运动情况下(包括静坐、骑自行车,跑步,散步等8种不同的行为)同步采集的三种信号:PPG信号、ECG信号和三轴加速度计信号。
在测试数据中使用的PPG采样频率为64Hz,三轴加速度计信号的采样频率为32Hz,ECG的采样频率为700Hz。将数据处理成长度为8s,并且窗口滑动为2s的数据集合。
也就是说,在8s内PPG数据的采样点为512(8*64)个,三轴加速度计采样点为256(8*32)个。两者并不匹配,因此这里的处理方法是将PPG信号进行降采样,取到与三轴加速度计相同。但是这样做的话PPG会损失掉一半的信息,则将PPG数据分成按照奇偶索引分开,形成两段长度为256的PPG信号。因此联合三轴加速度计的3组长度为256的信号,可以得到5组长度为256的信号,因此模型的输入为一个(5,256)的序列。
对于标签的制作,以8s为窗口,将每8s内的瞬时平均ECG信号作为标签,以此来制作数据集。训练时需要采集到ECG数据以作为训练标签,测试时便可不必采集ECG数据,只采集PPG及三轴加速度计数据即可。
2、模型搭建与训练
模型结构如图2所示,数据先经过1个卷积层,再经过6组卷积层与池化层的组合,再经过一个卷积层并展平成一维向量,通过4个全连接层缓慢降维,最终得到心率结果的预测值。
模型具体参数如下:
·input数据维度:(channel,segment),此模型中为(5,256)
·convolution,in_channel=5,out_chanel=8,kernel_size=1,stride=1
·convolution,in_channel=8,out_chanel=16,kernel_size=7,stride=1,padding=3
·max-pool,kernel_size=2,stride=2
·convolution,in_channel=16,out_chanel=32,kernel_size=3,stride=1,padding=1
·max-pool,kernel_size=2,stride=2
·convolution,in_channel=32,out_chanel=64,kernel_size=3,stride=1,padding=1
·max-pool,kernel_size=2,stride=2
·convolution,in_channel=64,out_chanel=128,kernel_size=3,stride=1,padding=1
·max-pool,kernel_size=2,stride=2
·convolution,in_channel=128,out_chanel=256,kernel-size=3,stride=1,padding=1
·max-pool,kernel_size=2,stride=2
·convolution,in_channel=256,out_chanel=512,kernel_size=3,stride=1,padding=1
·max-pool,kernel_size=2,stride=2
·convolution,in_channel=512,out_chanel=32,kernel_size=3,stride=1,padding=1
·fully-connected layer,in_futures=128,out_features=512
·dropout layer,dropout-rate=0.5
·fully-connected layer,in_futures=512,out_features=128
·ReLUlayer
·fully-connected layer,in_futures=128,out_features=32
·ReLUlayer
·fully-connected layer,in_futures=32,out_features=1
·output数据维度:(1,1)
第一个卷积层取得卷积核大小为1,目的是将PPG与三轴加速度计五个通道的数据进行融合。中间层的目的是为了提高模型的学习能力。最后一个卷积层降低了输入的维数,目的是减少模型的参数个数与训练时间。卷积后连接着4个全连接层与激活函数层的组合,目的是对卷积后的数据进行降维。最终输出一个维度为(1,1)的结果,即为预测的心率。
模型的搭建遵循着以下原则:
a)卷积核大小尽量为3;
b)经过每一次卷积层后通道数加深;
c)经过每一次卷积池化层组合后每一通道的数据维数减少。
以上原则在VGGNet,ResNet,DenseNet中都取得了较好的效果。训练时本模型使用的优化器为Adam,模型的目标是最小化Mean Absolute Error(MAF)。将制作好的PPG与三轴加速度计数据以及对应标签信息,直接输入到已经搭建好的一维卷积神经网络,即可开始训练模型。模型在训练3000轮左右就可大致收敛。
3.心率预测
心率预测时需要同时输入PPG与三轴加速度计信号。需要采集时间长度为8s的连续PPG与三轴加速度计数据。对于PPG信号,按照PPG信号与三轴加速度计信号的采样频率,将其调整为与三轴加速度计一样的采样点个数。直接将PPG信号与三轴加速度计信号在不同维度进行拼接,形成多个通道的数据送入步骤2训练好的模型,即可得到心率的预测值。
上述过程通过同时输入PPG信号与三轴加速度计信号后可以极大地降低运动伪影所带来的影响,提高了模型在各种运动情况下的适应性。通过舍弃掉频域的二维卷积而采用一维卷积,模型训练时减少了FFT所消耗的时间,使得模型更加能够实时预测心率。
实施例二:
本实施例是基于实施例一心率测量方法实现心率测量的装置,包括传感器和处理器:
传感器获取PPG信号、ECG信号和三轴加速度计信号发送给处理器;
处理器对接收的PPG信号、ECG信号和三轴加速度计信号预处理,将设定时间周期的PPG信号与三轴加速度计信号拼接在一起;
基于一维卷积神经网络,输入拼接完成的PPG信号与三轴加速度计信号作为训练集,对模型进行训练;
利用训练好的模型,输入输入的PPG信号与三轴加速度计信号,输出心率的预测值。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于PPG信号和一维卷积神经网络的心率测量方法,其特征在于:包括以下步骤:
获取PPG信号、心电信号和三轴加速度信号进行预处理;
构建一维卷积神经网络模型,输入经预处理的PPG信号、心电信号与三轴加速度信号作为训练集,对模型进行训练;
基于训练完成的模型,输入经预处理的PPG信号与三轴加速度信号,输出心率值;
所述预处理,使用的PPG采样频率为64Hz,三轴加速度计信号的采样频率为32Hz,ECG的采样频率为700Hz,将数据处理成长度为8s,并且窗口滑动为2s的数据集合;将PPG数据分成按照奇偶索引分开,形成两段长度为256的PPG信号;联合三轴加速度计的3组长度为256的信号,可以得到5组长度为256的信号;以8s为窗口,将每8s内的瞬时平均ECG信号作为数据集的标签;
所述一维卷积神经网络模型,数据先经过1个卷积层,再经过6组卷积层与池化层的组合,再经过一个卷积层并展平成一维向量,通过4个全连接层缓慢降维,最终得到心率结果的预测值;
对模型进行训练的过程包括,将拼接完成的PPG信号数据与三轴加速度信号数据以及对应的标签信息,输入构建完成的一维卷积神经网络模型中,训练模型。
2.如权利要求1所述的基于PPG信号和一维卷积神经网络的心率测量方法,其特征在于:输入经预处理的PPG信号与三轴加速度信号输出心率值的过程包括,依据PPG信号与三轴加速度信号的采样频率,将PPG信号调整至与三轴加速度信号一致的采样点个数,输入训练完成的模型。
3.如权利要求2所述的基于PPG信号和一维卷积神经网络的心率测量方法,其特征在于:训练完成的模型输出预测的心率值,即为最终测量的心率值。
4.基于权利要求1-3任一项所述方法实现心率测量的装置,包括传感器和处理器:
传感器获取PPG信号、心电信号和三轴加速度信号发送给处理器;
处理器对接收的PPG信号、心电信号和三轴加速度信号预处理,基于一维卷积神经网络,输入经预处理的PPG信号与三轴加速度信号,输出心率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720815.7A CN113261932B (zh) | 2021-06-28 | 2021-06-28 | 基于ppg信号和一维卷积神经网络的心率测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720815.7A CN113261932B (zh) | 2021-06-28 | 2021-06-28 | 基于ppg信号和一维卷积神经网络的心率测量方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113261932A CN113261932A (zh) | 2021-08-17 |
CN113261932B true CN113261932B (zh) | 2022-03-04 |
Family
ID=77236323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110720815.7A Active CN113261932B (zh) | 2021-06-28 | 2021-06-28 | 基于ppg信号和一维卷积神经网络的心率测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113261932B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115770029A (zh) * | 2021-09-09 | 2023-03-10 | 深圳市韶音科技有限公司 | 一种心率监测方法、系统及存储介质 |
CN113940638B (zh) * | 2021-10-22 | 2023-09-19 | 上海理工大学 | 基于频域双特征融合的脉搏波信号识别分类方法 |
CN114916928B (zh) * | 2022-05-12 | 2023-08-04 | 电子科技大学 | 一种人体姿态多通道卷积神经网络检测方法 |
CN114781465B (zh) * | 2022-06-20 | 2022-08-30 | 华中师范大学 | 一种基于rPPG的非接触式疲劳检测系统及方法 |
CN115120217B (zh) * | 2022-08-25 | 2022-11-25 | 首都医科大学附属北京同仁医院 | 一种运动伪影去除方法、装置、存储介质及电子设备 |
CN117045217A (zh) * | 2023-10-13 | 2023-11-14 | 深圳市奋达智能技术有限公司 | 一种无袖带血压测量方法及其相关设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103346799A (zh) * | 2013-06-05 | 2013-10-09 | 中国科学院微电子研究所 | 基于压缩感知理论的气体识别方法 |
CN109846469A (zh) * | 2019-04-16 | 2019-06-07 | 合肥工业大学 | 一种基于卷积神经网络的非接触式心率测量方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101176663B (zh) * | 2007-12-06 | 2010-10-27 | 山东大学 | 基于脉搏波的无创心输出量检测方法和装置 |
FR2941114B1 (fr) * | 2009-01-13 | 2011-07-01 | Viaccess Sa | Procede et module de renouvellement du code d'un algorithme cryptographique, procede et module de generation d'une graine, processeur de securite et support d'enregistrement pour ces procedes |
CN103720469B (zh) * | 2014-01-02 | 2015-06-10 | 山东大学 | 可穿戴式动态母体胎儿心电检测装置 |
US9936886B2 (en) * | 2014-06-09 | 2018-04-10 | Stmicroelectronics S.R.L. | Method for the estimation of the heart-rate and corresponding system |
US20170164847A1 (en) * | 2015-12-15 | 2017-06-15 | Texas Instruments Incorporated | Reducing Motion Induced Artifacts in Photoplethysmography (PPG) Signals |
US9990564B2 (en) * | 2016-03-29 | 2018-06-05 | Wipro Limited | System and method for optical character recognition |
US10285651B2 (en) * | 2016-06-30 | 2019-05-14 | Analog Devices, Inc. | On-demand heart rate estimation based on optical measurements |
EP3406189A1 (en) * | 2017-05-25 | 2018-11-28 | Tata Consultancy Services Limited | System and method for heart rate estimation |
CN111342905B (zh) * | 2018-12-18 | 2022-11-04 | 深圳市中兴微电子技术有限公司 | 一种信号处理方法、装置和计算机存储介质 |
US20210022620A1 (en) * | 2019-07-22 | 2021-01-28 | Mayo Foundation For Medical Education And Research | Systems, Methods and Media for Estimating Compensatory Reserve and Predicting Hemodynamic Decompensation Using Physiological Data |
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 |
CN111248879B (zh) * | 2020-02-20 | 2021-12-07 | 电子科技大学 | 一种基于多模态注意力融合的高血压老年人活动分析方法 |
CN111597925A (zh) * | 2020-04-29 | 2020-08-28 | 山东卓文信息科技有限公司 | 一种基于dcnn的电力系统暂态信号分析方法 |
CN112370036A (zh) * | 2020-10-20 | 2021-02-19 | 复旦大学 | 基于级联型rls自适应滤波的ppg心率提取装置和方法 |
CN113033309B (zh) * | 2021-02-25 | 2023-12-19 | 北京化工大学 | 一种基于信号下采样及一维卷积神经网络的故障诊断方法 |
-
2021
- 2021-06-28 CN CN202110720815.7A patent/CN113261932B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103346799A (zh) * | 2013-06-05 | 2013-10-09 | 中国科学院微电子研究所 | 基于压缩感知理论的气体识别方法 |
CN109846469A (zh) * | 2019-04-16 | 2019-06-07 | 合肥工业大学 | 一种基于卷积神经网络的非接触式心率测量方法 |
Non-Patent Citations (1)
Title |
---|
基于主成分-正则化极限学习机的超高密度电法非线性反演;江沸菠等;《地球物理学报》;20150915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113261932A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113261932B (zh) | 基于ppg信号和一维卷积神经网络的心率测量方法及装置 | |
Yamamoto et al. | ECG signal reconstruction via Doppler sensor by hybrid deep learning model with CNN and LSTM | |
CN114376564B (zh) | 一种基于心冲击信号的睡眠分期方法、系统、装置及介质 | |
CN108451532B (zh) | 呼吸信息的获取方法及系统 | |
Azar et al. | Deep recurrent neural network-based autoencoder for photoplethysmogram artifacts filtering | |
Song et al. | Nas-ppg: Ppg-based heart rate estimation using neural architecture search | |
CN109446972B (zh) | 基于肌电信号的步态识别模型建立方法、识别方法及装置 | |
CN112274120B (zh) | 一种基于单路脉搏波的无创动脉硬化检测方法、装置 | |
CN105534517A (zh) | 一种去除三导联心电信号中车辆运动噪声的方法 | |
He et al. | Robust heart rate monitoring for quasi-periodic motions by wrist-type PPG signals | |
Wang et al. | Ppg signal reconstruction using deep convolutional generative adversarial network | |
Li et al. | Hybrid D1DCnet using forehead iPPG for continuous and noncontact blood pressure measurement | |
CN113143270A (zh) | 一种基于生物雷达和语音信息的双模态融合情绪识别方法 | |
Iadarola et al. | A new method for sEMG envelope detection from reduced measurements | |
CN112836647A (zh) | 一种基于ppg信号的无创式甘油三酯估计系统 | |
CN111278353A (zh) | 一种生命体征信号噪声的检测方法与系统 | |
Duraj et al. | Heartbeat detection in seismocardiograms with semantic segmentation | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
CN110801227A (zh) | 基于可穿戴设备的立体色块障碍测试的方法和系统 | |
CN115770028A (zh) | 血压检测方法、系统、装置及存储介质 | |
CN106344008B (zh) | 睡眠状态分析中清醒状态检测方法和系统 | |
Tarekegn et al. | Enhancing human activity recognition through sensor fusion and hybrid deep learning model | |
CN116269413A (zh) | 利用智能腕带运动传感器的连续心电波形重构系统及方法 | |
CN112168167B (zh) | 一种脑磁图单次听觉诱发信号检测方法及电子装置 | |
CN115005803A (zh) | 呼吸检测方法和装置 |
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 |