CN113743376A - 一种信号滤波方法、模型训练方法、装置及电子设备 - Google Patents

一种信号滤波方法、模型训练方法、装置及电子设备 Download PDF

Info

Publication number
CN113743376A
CN113743376A CN202111285615.XA CN202111285615A CN113743376A CN 113743376 A CN113743376 A CN 113743376A CN 202111285615 A CN202111285615 A CN 202111285615A CN 113743376 A CN113743376 A CN 113743376A
Authority
CN
China
Prior art keywords
signal
ppg
peak
training
ppg signal
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
CN202111285615.XA
Other languages
English (en)
Other versions
CN113743376B (zh
Inventor
吴平平
汪志伟
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.)
Xinyuan Microelectronics Nanjing Co ltd
VeriSilicon Microelectronics Nanjing Co Ltd
Original Assignee
Xinyuan Microelectronics Nanjing 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 Xinyuan Microelectronics Nanjing Co ltd filed Critical Xinyuan Microelectronics Nanjing Co ltd
Priority to CN202111285615.XA priority Critical patent/CN113743376B/zh
Publication of CN113743376A publication Critical patent/CN113743376A/zh
Application granted granted Critical
Publication of CN113743376B publication Critical patent/CN113743376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • A61B5/02—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
    • A61B5/026—Measuring blood flow
    • A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Cardiology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Hematology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请涉及一种信号滤波方法、模型训练方法、装置及电子设备，属于计算机技术领域。该信号滤波方法包括：获取待滤波PPG信号；利用事先训练好的多层小波神经网络模型来对所述待滤波PPG信号进行滤波处理，得到目标PPG信号。本申请实施例通过事先训练好用于滤波的多层小波神经网络模型，使得在需要滤波时，可以直接将待滤波PPG信号输入事先训练好的多层小波神经网络模型中进行处理，即可得到经该多层小波神经网络模型处理后的信号，不需要进行过多复杂的信号处理操作，简化了计算复杂度，同时，得益于深度学习的强大拟合能力，不仅能够滤除静态或非静态噪声，还能够修复被噪声破坏的PPG信号。

Description

一种信号滤波方法、模型训练方法、装置及电子设备
技术领域
本申请属于计算机技术领域，具体涉及一种信号滤波方法、模型训练方法、装置及电子设备。
背景技术
光电容积脉搏波描记法(PhotoPlethysmoGraphic，PPG)是利用光电手段在活体组织中检测血液容积变化的一种无创检测方法，包含有血液流动等诸多心血管系统的重要生理信息。脉搏波所呈现出的形态、强度、速率和节律等方面的综合信息，在很大程度上反映出人体心血管系统中许多生理病理的血流特征，因此对脉搏波的采集和处理具有很高的医学价值和应用前景。
然而，基于光电容采集脉搏波时，会受到各种噪声的干扰，这些噪声会严重破坏信号包含的生理信息，使得算法计算不准确或无法计算，阻碍了基于光电容脉搏波分析算法的创新和发展，因此对PPG信号进行高质量的滤波处理势在必行。
虽然目前PPG滤波领域中，已经提出了很多信号处理技术来消除或衰减上述噪声，以便从受污染的PPG信号中准确计算各种生理信息。常用的滤波方法包括自适应滤波、基于小波的去噪、独立成分分析、经验模态分解、时频分析和信号分解等。然而这些滤波方法的性能高度依赖于特定场景调整好的启发式阈值或参数，滤波效果受场景限制，使得在日常生活场景中性能不甚理想，且还存在计算复杂度过高的问题。
发明内容
鉴于此，本申请的目的在于提供一种信号滤波方法、模型训练方法、装置及电子设备，以改善现有技术中脉搏波滤波不理想、滤波效果受场景限制、计算复杂度过高的问题。
本申请的实施例是这样实现的：
第一方面，本申请实施例提供了一种信号滤波方法，包括：获取待滤波PPG信号；利用事先训练好的多层小波神经网络模型来对所述待滤波PPG信号进行滤波处理，得到目标PPG信号，其中，训练所述多层小波神经网络模型的步骤如下：获取训练样本及标签数据，所述训练样本包括多个预设时间长度的含有噪声的PPG信号，每一个所述预设时间长度的含有噪声的PPG信号均对应有一个所述标签数据，该标签数据为所述预设时间长度的无噪声的纯净PPG信号；利用所述训练样本及标签数据对初始多层小波神经网络模型进行训练，得到训练好的所述多层小波神经网络模型，训练时，所使用的损失函数为均方根误差。本申请实施例通过事先训练好用于滤波的多层小波神经网络模型，使得在需要滤波时，可以直接将待滤波PPG信号输入事先训练好的多层小波神经网络模型中进行处理，即可得到经该多层小波神经网络模型处理后的信号，不需要进行过多复杂的信号处理操作，简化了计算复杂度，同时，不会再受到受场景限制，此外，得益于深度学习的强大拟合能力，不仅能够滤除静态或非静态噪声，还能够修复被噪声破坏的PPG信号。在训练多层小波神经网络模型时，通过获取一组含有噪声的PPG信号及其对应的无噪声的纯净PPG信号，其中，含有噪声的PPG信号作为训练样本，纯净PPG信号作为对应的标签数据，训练时，所使用的损失函数为均方根误差，使得训练好的多层小波神经网络模型具备滤波效果，能对PPG信号进行滤波。
结合第一方面实施例的一种可能的实施方式，所述待滤波PPG信号为经过滤波器滤波后的PPG信号，所述方法还包括： 利用滤波器对所述目标PPG信号进行滤波处理。本申请实施例中，通过对输入多层小波神经网络模型的PPG信号以及多层小波神经网络模型输出的PPG信号进行滤波，这样最终得到的PPG信号的噪声更少，滤波效果更好，同时还可以进一步优化多层小波神经网络的滤波效果及效率。
第二方面，本申请实施例还提供了一种模型训练方法，包括：获取训练样本及标签数据，所述训练样本包括多个预设时间长度的含有噪声的PPG信号，每一个所述预设时间长度的含有噪声的PPG信号均对应有一个所述标签数据，该标签数据为所述预设时间长度的无噪声的纯净PPG信号；利用所述训练样本及标签数据对初始多层小波神经网络模型进行训练，得到训练好的所述多层小波神经网络模型，训练时，所使用的损失函数为均方根误差。本申请实施例中，通过获取一组含有噪声的PPG信号及其对应的无噪声的纯净PPG信号，其中，含有噪声的PPG信号作为训练样本，纯净PPG信号作为对应的标签数据，训练时，所使用的损失函数为均方根误差，使得训练好的多层小波神经网络模型具备滤波效果，能对PPG信号进行滤波。
结合第二方面实施例的一种可能的实施方式，获取所述训练样本及标签数据，包括：获取同一时刻采集同一对象得到的完整ECG信号和完整PPG信号；以所述预设时间长度为窗口大小、以预设间隔为滑窗偏移量对所述完整PPG信号进行滑窗操作，得到所述训练样本；i依次取1至n-1，n为所述完整ECG信号中的最后一个R峰的编号，针对所述完整ECG信号中的第i个R峰，从多个预设的纯净PPG模板信号中选取位置不大于所述第i个R峰位置且距离最近的目标PPG模板信号；根据所述第i个R峰与第i+1个R峰之间的时间间隔和所述完整PPG信号的采样率，确定采样点数；将所述目标PPG模板信号中的第一个R峰与所述第i个R峰对齐，并对所述目标PPG模板信号进行调整，使调整后的所述目标PPG模板信号中的采样点与确定的所述采样点数相同，并将所述第i个R峰与第i+1个R峰之间的信号替换成调整后的所述目标PPG模板信号，得到完整的纯净PPG信号；以所述预设时间长度为窗口大小、以所述预设间隔为滑窗偏移量对所述完整的纯净PPG信号进行滑窗操作，得到所述标签数据。本申请实施例中，通过上述方法便可以获得对应的训练样本及标签数据，使得采用模型进行滤波成为了可能。
结合第二方面实施例的一种可能的实施方式，获取所述纯净PPG模板信号的过程，包括：获取所述预设时间长度的PPG信号中的所有R峰位置；确定所述所有R峰位置中每两个相邻R峰之间的心率值；将心率值满足预设条件的每两个相邻R峰之间的波形信号作为备选信号；根据所有的备选信号，生成所述纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置。本申请实施例中，通过上述方法便可获得纯净PPG模板信号，使得后续可以基于该纯净PPG模板信号来获得完整的纯净PPG信号，进而可以获得作为标签的标签数据。
结合第二方面实施例的一种可能的实施方式，所述预设条件为两个相邻R峰之间的心率值大于A倍目标心率值且小于B倍目标心率值，所述目标心率值为所述预设时间长度的PPG信号对应的ECG信号的心率值，A、B均为实数，且A小于B。
结合第二方面实施例的一种可能的实施方式，根据所有的备选信号，生成所述纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置，包括：针对所有备选信号中的每个备选信号，确定该备选信号与其余备选信号的皮尔逊相关系数，得到该备选信号的备选信号组；统计该备选信号的备选信号组中皮尔逊相关系数大于预设阈值的数量；筛选出数量最多的皮尔逊相关系数大于预设阈值的目标备选信号组；剔除该目标备选信号组中皮尔逊相关系数小于所述预设阈值的备选信号，并根据所有剩余的备选信号生成所述纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置。本申请实施例中，通过剔除备选信号中皮尔逊相关系数不符合要求的备选信号，然后再根据所有剩余的备选信号生成纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置，使得最终生成的纯净PPG模板信号更纯净，进而后续基于该纯净PPG模板信号来获得的标签数据，在训练模型时，能提高模型的滤波效果。
结合第二方面实施例的一种可能的实施方式，获取所述预设时间长度的PPG信号中的所有R峰位置，包括：获取所述预设时间长度的PPG信号中的所有的极大值点与极小值点；确定所有极大值点中每一个极大值点与其相邻的极小值点的高度差的和，并选取所有和中的最大和；从所有的极大值点中剔除和小于C倍最大和的极大值点，剩余的极大值点则为所述预设时间长度的PPG信号中的R峰。
结合第二方面实施例的一种可能的实施方式，若所述完整ECG信号中的采样点的值大于预设阈值，则该采样点为R峰，该预设阈值为a.（max+min）+min，max为完整ECG信号中的最大采样点的值，min为完整ECG信号中的最小采样点的值，a为乘积系数且大于0小于1。
第三方面，本申请实施例还提供了一种信号滤波装置，包括：获取模块以及处理模块；获取模块，用于获取待滤波PPG信号；处理模块，用于利用事先训练好的多层小波神经网络模型来对所述待滤波PPG信号进行滤波处理，得到目标PPG信号。
第四方面，本申请实施例还提供了一种模型训练装置，包括：获取模块以及训练模块；获取模块，用于获取训练样本及标签数据，所述训练样本包括多个预设时间长度的含有噪声的PPG信号，每一个所述预设时间长度的含有噪声的PPG信号均对应有一个所述标签数据，该标签数据为所述预设时间长度的无噪声的纯净PPG信号；训练模块，用于利用所述训练样本及标签数据对初始多层小波神经网络模型进行训练，得到训练好的所述多层小波神经网络模型，训练时，所使用的损失函数为均方根误差。
第五方面，本申请实施例还提供了一种电子设备，包括：存储器和处理器，所述处理器与所述存储器连接；所述存储器，用于存储程序；所述处理器，用于调用存储于所述存储器中的程序，以执行上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式提供的方法，或者，执行上述第二方面实施例和/或结合第二方面实施例的任一种可能的实施方式提供的方法。
第六方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，执行上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式提供的方法，或者，执行上述第二方面实施例和/或结合第二方面实施例的任一种可能的实施方式提供的方法。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例而了解。本申请的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。通过附图所示，本申请的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本申请的主旨。
图1示出了本申请实施例提供的一种信号滤波方法的流程示意图。
图2示出了本申请实施例提供的一种模型训练方法的流程示意图。
图3示出了本申请实施例提供的一种基于ECG信号和纯净PPG模板信号生成纯净PPG信号的原理示意图。
图4示出了本申请实施例提供的一种多层小波神经网络模型的结构示意图。
图5示出了本申请实施例提供的一种信号滤波装置的模块示意图。
图6示出了本申请实施例提供的一种模型训练装置的模块示意图。
图7示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
再者，本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
为了解决现有技术中脉搏波滤波不理想、滤波效果受场景限制、计算复杂度过高的问题，本申请实施例提供了一种信号滤波方法，该方法通过利用事先训练好的多层小波神经网络模型来对待滤波PPG信号进行滤波处理，这样使得不再依赖于特定场景调整的启发式阈值或参数，使得能够在日常生活场景与运动场景中依然发挥高质量的滤波效果。下面将结合图1，对本申请实施例提供的信号滤波方法进行说明。
S1：获取待滤波PPG信号。
一种实施方式下，待滤波PPG信号为原始PPG信号（没有经过滤波器滤波后的PPG信号）；又一种实施方式下，待滤波PPG信号为经过滤波器滤波后的PPG信号，也即，原始PPG信号经过滤波器滤波后，得到待滤波PPG信号。例如，可以是利用三阶巴特沃斯滤波器滤除原始PPG信号中频率高于10Hz，以及频率低于0.4Hz的噪声，保留频率为0.4Hz-10Hz的PPG信号，以滤除原始PPG信号中的高频噪声以及基线漂移。
S2：利用事先训练好的多层小波神经网络模型来对所述待滤波PPG信号进行滤波处理，得到目标PPG信号。
在获取到待滤波PPG信号后，利用事先训练好的多层小波神经网络模型来对待滤波PPG信号进行滤波处理，便可得到滤波后的目标PPG信号。本申请实施例中，通过事先训练好用于滤波的多层小波神经网络模型，使得在需要滤波时，可以直接将待滤波PPG信号输入事先训练好的多层小波神经网络模型中进行处理，即可得到经该多层小波神经网络模型处理后的信号，不需要进行过多复杂的信号处理操作，简化了计算复杂度，同时，得益于深度学习的强大拟合能力，不仅能够滤除静态或非静态噪声，还能够修复被噪声破坏的PPG信号。
为了进一步提高滤波效率，一种可选实施方式下，待滤波PPG信号为经过滤波器滤波后的PPG信号；在得到目标PPG信号后，该信号滤波方法还包括：利用滤波器对目标PPG信号进行滤波处理。也即在该种实施方式下，可以先利用滤波器对原始PPG信号进行初始滤波处理，得到待滤波PPG信号，再利用多层小波神经网络模型来对待滤波PPG信号进行滤波处理，得到目标PPG信号，最后再利用滤波器对目标PPG信号进行滤波处理。在该种实施方式下，可以对输入多层小波神经网络模型的PPG信号以及多层小波神经网络模型输出的PPG信号均进行滤波处理。
可选地，在利用滤波器对目标PPG信号进行滤波处理时，可以是利用三阶巴特沃斯滤波器滤除多层小波神经网络模型输出的PPG信号中频率高于10Hz，以及频率低于0.4Hz的噪声，保留频率为0.4Hz-10Hz的PPG信号，以滤除多层小波神经网络模型输出的PPG信号中的高频噪声以及基线漂移。由于多层小波神经网络模型输出的PPG信号，很容易出现一些高频噪声，同时为了使滤波之后的信号进一步平滑，因此可以使用截止频率为0.4Hz-10Hz的三阶巴特沃斯带通滤波对其进行滤波，得到最终滤波之后的PPG信号。
需要说明的是，不能将上述需要对输入多层小波神经网络模型的待滤波PPG信号以及多层小波神经网络模型输出的PPG信号均进行滤波处理的实施方式，理解成是对本申请的限制，一种可选实施方式下，可以不对输入多层小波神经网络模型的待滤波PPG信号进行滤波处理，而是直接将待滤波PPG信号输入多层小波神经网络模型中进行处理，或者，不对多层小波神经网络模型输出的PPG信号进行滤波处理。
下面将结合图2所示的模型训练方法对训练上述多层小波神经网络模型的过程进行说明。
S10：获取训练样本及标签数据，所述训练样本包括多个预设时间长度的含有噪声的PPG信号，每一个所述预设时间长度的含有噪声的PPG信号均对应有一个所述标签数据，该标签数据为所述预设时间长度的无噪声的纯净PPG信号。
要训练初始多层小波神经网络模型，需要获取所需的训练样本及标签数据。其中，训练样本包括多个预设时间长度（如8秒）的含有噪声的PPG信号，每一个预设时间长度的含有噪声的PPG信号均对应有一个标签数据，该标签数据为预设时间长度的无噪声的纯净PPG信号。也即训练初始多层小波神经网络模型，需要一组含有噪声的PPG信号及其对应的无噪声的纯净PPG信号，含有噪声的PPG信号作为训练样本，纯净PPG信号作为对应的标签数据。
其中，获取训练样本的过程可以为：获取完整PPG信号，例如，获取一段时长为30秒的完整PPG信号；以预设时间长度（如8秒）为窗口大小、以预设间隔（如4秒）为滑窗偏移量对完整PPG信号进行滑窗操作，得到训练样本，例如，以时长8秒为窗口大小、以4秒为滑窗偏移量对时长为30秒的PPG信号进行滑窗操作，这样便可得到包含6个长度为8秒的含有噪声的PPG信号的训练样本，分别为0-8秒的PPG信号、4-12秒的PPG信号、8-16秒的PPG信号、12-20秒的PPG信号、16-24秒的PPG信号、20-28秒的PPG信号，这样便得到所需的训练样本。上述所示的完整PPG信号的长度30秒、4秒的滑窗偏移量以及8秒的预设时间长度均为一种示例，不能将其理解成是对本申请的限制。
需要说明的是，一种可选实施方式下，在进行滑窗操作之前，可以先对获取的完整PPG信号进行滤波操作，如使用截止频率为0.4Hz-10Hz的三阶巴特沃斯滤波器对获取的完整PPG信号进行滤波操作，之后再进行滑窗操作。
获取标签数据的过程可以为：获取完整ECG（Electrocardiogram，心电信号）信号，其中，上述获取的完整ECG信号和完整PPG信号，需要是同一时刻采集同一对象得到的完整ECG信号和完整PPG信号，例如，获取在同一时刻采集同一对象的ECG信号和PPG信号，得到时长为30秒的完整ECG信号和30秒的完整PPG信号；之后，i依次取1至n-1，n为完整ECG信号中的最后一个R峰的编号，针对完整ECG信号中的第i个R峰，从多个预设的纯净PPG模板信号中选取位置不大于第i个R峰位置且距离最近的目标PPG模板信号，每个预设的纯净PPG模板信号都对应有一个位置，该位置为该纯净PPG模板信号在完整PPG信号中的位置；此外，还根据第i个R峰与第i+1个R峰之间的时间间隔和完整PPG信号的采样率，确定采样点数，采样点数=时间间隔*采样率；在获取到目标PPG模板信号后，以及得到采样点数后，将目标PPG模板信号中的第一个R峰与第i个R峰对齐，并对目标PPG模板信号进行调整（也即重采样），使调整后的目标PPG模板信号中的采样点与确定的采样点数相同，并将第i个R峰与第i+1个R峰之间的信号替换成调整后的目标PPG模板信号，当完整ECG信号中的任一相邻R峰之间的信号均替换成调整后的对应目标PPG模板信号后，便可得到完整的纯净PPG信号；之后，以预设时间长度（如8秒）为窗口大小、以预设间隔（如4秒）为滑窗偏移量对完整的纯净PPG信号进行滑窗操作，便可得到标签数据，例如，以时长8秒为窗口大小、以4秒为滑窗偏移量对时长为30秒的完整的纯净PPG信号进行滑窗操作，这样便可得到包含6个长度为8秒的无噪声的纯净PPG信号的标签数据，分别为0-8秒的纯净PPG信号、4-12秒的纯净PPG信号、8-16秒的纯净PPG信号、12-20秒的纯净PPG信号、16-24秒的纯净PPG信号、20-28秒的纯净PPG信号。
为了便于理解，下面举例进行说明，在获取完整ECG信号后，针对该完整ECG信号中的前n-1个R峰中的每一个R峰，如从第1个R峰开始，从多个预设的纯净PPG模板信号中选取位置不大于第1个R峰位置且距离最近的一个纯净PPG模板信号作为所需的目标PPG模板信号，同时，根据完整PPG信号的采样率以及第1个R峰与第2个R峰之间的时间间隔，来确定采样点数，之后，将目标PPG模板信号中的第1个R峰与完整ECG信号中的第1个R峰对齐（Alignment），并对目标PPG模板信号（Temp1ate）进行调整（也即重采样（Resampling）），使调整后的目标PPG模板信号中的采样点与确定的采样点数相同，之后，将第1个R峰与第2个R峰之间的信号替换（replacing）成调整后的目标PPG模板信号，在替换完第1个R峰与第2个R峰之间的信号后，重复上述的方式，替换第2个R峰与第3个R峰之间的信号、替换第3个R峰与第4个R峰之间的信号……直至完整ECG信号中的任一相邻R峰之间的信号均替换成调整后的对应目标PPG模板信号后，便可得到完整的纯净PPG信号（Clean PPG）。其原理示意图如图3所示。图3中的Alignment表示将目标PPG模板信号中的第1个R峰与完整ECG信号中的第1个R峰对齐， Resampling and replacing表示对目标PPG模板信号（Temp1ate）进行调整（也即重采样（Resampling）），使调整后的目标PPG模板信号中的采样点与确定的采样点数相同，之后，将第1个R峰与第2个R峰之间的信号替换（replacing）成调整后的目标PPG模板信号。
需要说明的是，一种可选实施方式下，在将ECG信号中两个相邻R峰之间的信号替换成调整后的对应目标PPG模板信号之前，可以先对获取的完整ECG信号进行滤波操作，如使用截止频率为0.4Hz-10Hz的三阶巴特沃斯滤波器对获取的完整ECG信号进行滤波操作，之后再将ECG信号中两个相邻R峰之间的信号替换成调整后的对应目标PPG模板信号。
可选地，可以通过以下方式确定完整ECG信号中的采样点是否为R峰，若完整ECG信号中的采样点的值大于预设阈值，则该采样点为R峰，反之，则不为R峰。该预设阈值为a.（max+min）+min，max为完整ECG信号中的最大采样点的值，min为完整ECG信号中的最小采样点的值，a为乘积系数大于0小于1，例如，a为0.6，此时，若采样点的值大于0.6.（max+min）+min，则该采样点为R峰。
其中，由于在现实中不可能捕获到纯净PPG模板信号，本申请实施例中基于ECG信号和PPG信号来生成纯净PPG模板信号，一种实施方式下，获取上述纯净PPG模板信号的过程包括：获取预设时间长度（如8秒）的PPG信号中的所有R峰位置；确定所有R峰位置中每两个相邻R峰之间的心率值；将心率值满足预设条件的每两个相邻R峰之间的波形信号作为备选信号；根据所有的备选信号，生成纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置。例如，以一段30秒长的PPG信号为例，假设预设时间长度为8秒，滑窗偏移量为4秒，则可以得到6个时间长度为8秒的PPG信号，针对每一个长度为8秒的PPG信号，此处以0-8秒的PPG信号为例，则获取0-8秒的PPG信号中的所有R峰位置，确定所有R峰位置中每两个相邻R峰之间的心率值，如第1个R峰与第2个R峰之间的心率值、第2个R峰与第3个R峰之间的心率值、第3个R峰与第4个R峰之间的心率值……，之后筛选出心率值满足预设条件的所有两个相邻R峰，将心率值满足预设条件的每两个相邻R峰之间的波形信号作为备选信号，最后根据所有的备选信号，生成纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置。
需要说明的是，在基于ECG信号和PPG信号来生成纯净PPG模板信号时，可以对ECG信号和PPG信号进行滤波处理，之后，基于滤波后的ECG信号和PPG信号来生成纯净PPG模板信号，例如，可以使用20-30Hz的带通滤波器滤除ECG信号和PPG信号中的噪声。
可选地，预设条件为两个相邻R峰之间的心率值大于A倍目标心率值且小于B倍目标心率值，目标心率值为预设时间长度的PPG信号（可以为滤波后的预设时间长度的PPG信号）对应的ECG信号（可以为滤波后的ECG信号）的心率值，A、B均为实数，且A小于B。为了便于理解，假设两个相邻R峰之间的心率值为HR_PPG，目标心率值为HR_ECG，若A*HR_ECG>HR_PPG>B*HR_ECG，则表示两个相邻R峰之间的心率值满足预设条件。一种可选实施方式下，A为1.2，B为0.8，此时，若1.2HR_ECG>HR_PPG>0.8HR_ECG，则表示两个相邻R峰之间的心率值满足预设条件。
其中，PPG信号中任一两个相邻R峰之间的心率值为1/这两个相邻R峰之间的时间间隔，例如，对于第1个R峰与第2个R峰来说，假设第1个R峰与第2个R峰之间的时间间隔为0.3秒，则第1个R峰与第2个R峰之间心率值=1/0.3。其余相邻R峰之间的心率值与之类似，不再赘述。
目标心率值为预设时间长度的PPG信号对应的ECG信号的心率值，例如，以0-8秒的PPG信号为例，则对应的ECG信号为同一时刻采集同一对象的ECG信号，例如也为0-8秒的ECG信号。ECG信号的心率值为该ECG信号中所有R峰位置中每两个相邻R峰之间的心率值的平均值，假设有8个R峰，则有7个相邻R峰之间的间隔，也即，第1个R峰与第2个R峰之间的间隔、第2个R峰与第3个R峰之间的间隔、第3个R峰与第4个R峰之间的间隔、第4个R峰与第5个R峰之间的间隔、第5个R峰与第6个R峰之间的间隔、第6个R峰与第7个R峰之间的间隔、第7个R峰与第8个R峰之间的间隔，则该目标心率值=7/这7个相邻R峰间隔之和。
可选地，获取预设时间长度的PPG信号中的所有R峰位置的过程包括：获取预设时间长度的PPG信号中的所有的极大值点（可以理解成波峰）与极小值点（可以理解成波谷），确定所有极大值点中每一个极大值点与其相邻的极小值点的高度差的和，得到H1、H2、H3……Hk，k为极大值点个数，并选取所有和中的最大和，记为Hmax，从所有的极大值点中剔除和小于C倍最大和的极大值点，如剔除和小于C.Hmax的极大值点，剩余的极大值点则为预设时间长度的PPG信号中的R峰。可选地，C可以为0.5，也即从所有的极大值点中剔除和小于1/2Hmax的极大值点。
其中，一种实施方式下，根据所有的备选信号，生成纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置的过程可以是，将所有的备选信号中除第一个备选信号外的其余备选信号的信号长度缩放到与第一个备选信号的信号长度相同，之后，将所有的备选信号按照对应点相加并求取平均值，即可得到纯净PPG模板信号。假设缩放后的备选信号包含16个采样点，假设有3个备选信号，则将这3个备选信号按照对应点相加并求取平均值，这样就可以得到包含16个采样点（每个采样点为3个备选信号对应采样点的平均值的纯净PPG模板信号。例如，对于纯净PPG模板信号中的采样点1来说，则为（备选信号1的采样点1+备选信号2的采样点1+备选信号3的采样点1）/3。在该种实施方式下，可以将位于中间位置的备选信号在原PPG信号中的起始位置作为纯净PPG模板信号的位置，例如中间位置的备选信号在原PPG信号中的起始位置为5秒，则纯净PPG模板信号在原PPG信号中的位置可以为5秒的位置。
又一种可选实施方式下，可以先剔除备选信号中皮尔逊相关系数不符合要求的备选信号，然后再根据所有剩余的备选信号生成纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置。此时，根据所有的备选信号，生成纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置的过程可以是：针对所有备选信号中的每个备选信号，确定该备选信号与其余备选信号的皮尔逊相关系数，得到该备选信号的备选信号组，统计该备选信号的备选信号组中皮尔逊相关系数大于预设阈值的数量，筛选出数量最多的皮尔逊相关系数大于预设阈值的目标备选信号组，剔除该目标备选信号组中皮尔逊相关系数小于预设阈值的备选信号，并根据所有剩余的备选信号生成纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置。
例如，假设有5个备选信号，分别为备选信号1、备选信号2、备选信号3、备选信号4、备选信号5，则对于备选信号1来说，确定备选信号1与其余备选信号（备选信号2、备选信号3、备选信号4、备选信号5）各自的皮尔逊相关系数，得到备选信号1的备选信号组，该备选信号组包括备选信号1与备选信号2的皮尔逊相关系数、备选信号1与备选信号3的皮尔逊相关系数、备选信号1与备选信号4的皮尔逊相关系数、备选信号1与备选信号5的皮尔逊相关系数，之后，统计备选信号1的备选信号组中皮尔逊相关系数大于预设阈值（例如0.7）的数量，假设有3个。同理，对于其余备选信号来说，按照同样的方式，统计备选信号2的备选信号组中皮尔逊相关系数大于预设阈值的数量，假设有2个、统计备选信号3的备选信号组中皮尔逊相关系数大于预设阈值的数量，假设有3个、统计备选信号4的备选信号组中皮尔逊相关系数大于预设阈值的数量，假设有3个、统计备选信号5的备选信号组中皮尔逊相关系数大于预设阈值的数量，假设有2个。之后，筛选出数量最多的皮尔逊相关系数大于预设阈值的目标备选信号组（若皮尔逊相关系数大于预设阈值的数量相同，则选择皮尔逊系数平均值最大的备选信号组），之后，剔除该目标备选信号组中皮尔逊相关系数小于预设阈值的备选信号，并根据所有剩余的备选信号生成纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置。
其中，在根据所有剩余的备选信号生成纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置的过程与上述没有剔除不满足皮尔逊相关系数小于预设阈值的备选信号的过程类似，都是将所有剩余的备选信号中除第一个备选信号外的其余备选信号的信号长度缩放到与第一个备选信号的信号长度相同，之后，将所有的备选信号按照对应点相加并求取平均值，即可得到纯净PPG模板信号。在该种实施方式下，可以将目标备选信号组对应的备选信号的位置作为纯净PPG模板信号在原PPG信号中的位置，假设目标备选信号组为备选信号2对应的备选信号组，则将备选信号2在原PPG信号中的起始位置作为纯净PPG模板信号的位置。
其中，根据每一个预设长度的PPG信号及其对应的ECG信号，即可生成一个纯净PPG模板信号，这样通过上述的方式就可以获得多个纯净PPG模板信号，每个纯净PPG模板信号都有各自在原PPG信号中的位置。
S20：利用所述训练样本及标签数据对初始多层小波神经网络模型进行训练，得到训练好的所述多层小波神经网络模型，训练时，所使用的损失函数为均方根误差。
在获取到样本数据及对应的数据标签后，便可利用获取到的训练样本及标签数据对初始多层小波神经网络模型进行训练，便可得到训练好的多层小波神经网络模型。其中，训练时，所使用的损失函数为均方根误差。具体的训练过程已经为本领域所熟知，在此不再进行介绍。
一种可选实施方式下，初始多层小波神经网络模型可以为MWCNN（Multi-levelWavelet Convolutional Neural Networks）模型，由于PPG信号为一维信号，因此该MWCNN模型中的卷积核可以全部采用一维卷积，如使用3x3的卷积核，其网络结构如图4所示，为左右对称结构。其中，图中的数字表示通道数，通过图中的数字可以看出，通道数先增加后减少，且前后对称，这样使得该网络模型能够结合底层和高层信息，使得滤波效果更好。
其中，图4中的DWT（Discrete Wavelet Transformation）为离散小波变换，IWT(Integer Wavelet Transform)为整数小波变换，sum connection为全连接，Conv为Convolution，表示卷积，BN（Batch Normalization）为归一化或标准化，ReLU为激活函数。其中，底层信息，也叫深层信息，是指经过多次下采样后的低分辨率信息，能够提供滤波目标在整个信号中上下文语义信息，能反应目标及其环境之间关系的特征，这个特征有助于噪声的判断。高层信息，也叫浅层信息，是指经过concatenate（连接）操作从encoder（编码）直接传递到同高度decoder（解码）上的高分辨率信息，能够为滤波提供更加精细的信息，有助于对波形的修正。
基于同样的发明构思，本申请实施例还提供了一种信号滤波装置100，如图5所示，该信号滤波装置100包括：获取模块110以及处理模块120。
获取模块110，用于获取待滤波PPG信号。
处理模块120，用于利用事先训练好的多层小波神经网络模型来对所述待滤波PPG信号进行滤波处理，得到目标PPG信号。
可选地，所述待滤波PPG信号为经过滤波器滤波后的PPG信号，所述处理模块120，还用于利用滤波器对所述目标PPG信号进行滤波处理。
本申请实施例所提供的信号滤波装置100，其实现原理及产生的技术效果和前述信号滤波方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述信号滤波方法实施例中相应内容。
基于同样的发明构思，本申请实施例还提供了一种模型训练装置200，如图6所示，该模型训练装置200包括：获取模块210以及训练模块220。
获取模块210，用于获取训练样本及标签数据，所述训练样本包括多个预设时间长度的含有噪声的PPG信号，每一个所述预设时间长度的含有噪声的PPG信号均对应有一个所述标签数据，该标签数据为所述预设时间长度的无噪声的纯净PPG信号。
训练模块220，用于利用所述训练样本及标签数据对初始多层小波神经网络模型进行训练，得到训练好的所述多层小波神经网络模型，训练时，所使用的损失函数为均方根误差。
可选地，获取模块210，用于获取同一时刻采集同一对象得到的完整ECG信号和完整PPG信号；以所述预设时间长度为窗口大小、以预设间隔为滑窗偏移量对所述完整PPG信号进行滑窗操作，得到所述训练样本；i依次取1至n-1，n为所述完整ECG信号中的最后一个R峰的编号，针对所述完整ECG信号中的第i个R峰，从多个预设的纯净PPG模板信号中选取位置不大于所述第i个R峰位置且距离最近的目标PPG模板信号；根据所述第i个R峰与第i+1个R峰之间的时间间隔和所述完整PPG信号的采样率，确定采样点数；将所述目标PPG模板信号中的第一个R峰与所述第i个R峰对齐，并对所述目标PPG模板信号进行调整，使调整后的所述目标PPG模板信号中的采样点与确定的所述采样点数相同，并将所述第i个R峰与第i+1个R峰之间的信号替换成调整后的所述目标PPG模板信号，得到完整的纯净PPG信号；以所述预设时间长度为窗口大小、以所述预设间隔为滑窗偏移量对所述完整的纯净PPG信号进行滑窗操作，得到所述标签数据。
本申请实施例所提供的模型训练装置200，其实现原理及产生的技术效果和前述模型训练方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述模型训练方法实施例中相应内容。
如图7所示，图7示出了本申请实施例提供的一种电子设备300的结构框图。所述电子设备300包括：收发器310、存储器320、通讯总线330以及处理器340。
所述收发器310、所述存储器320、处理器340各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线330或信号线实现电性连接。其中，收发器310用于收发数据。存储器320用于存储计算机程序，如存储有图5中所示的软件功能模块，即信号滤波装置100，或者，存储有图6中所示的软件功能模块，即模型训练装置200。其中，信号滤波装置100或模型训练装置200包括至少一个可以软件或固件（Firmware）的形式存储于所述存储器320中或固化在所述电子设备300的操作系统（Operating System，OS）中的软件功能模块。所述处理器340，用于执行存储器320中存储的可执行模块。例如，执行信号滤波装置100包括的软件功能模块或计算机程序时，处理器340，用于获取待滤波PPG信号；利用事先训练好的多层小波神经网络模型来对所述待滤波PPG信号进行滤波处理，得到目标PPG信号。
例如，执行模型训练装置200包括的软件功能模块或计算机程序时，处理器340，用于获取训练样本及标签数据，所述训练样本包括多个预设时间长度的含有噪声的PPG信号，每一个所述预设时间长度的含有噪声的PPG信号均对应有一个所述标签数据，该标签数据为所述预设时间长度的无噪声的纯净PPG信号；利用所述训练样本及标签数据对初始多层小波神经网络模型进行训练，得到训练好的所述多层小波神经网络模型，训练时，所使用的损失函数为均方根误差。
其中，存储器320可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。
处理器340可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit， CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器340也可以是任何常规的处理器等。
其中，上述的电子设备300，包括但不限于计算机，如可以为服务器。
本申请实施例还提供了一种非易失性的计算机可读取存储介质（以下简称存储介质），该存储介质上存储有计算机程序，该计算机程序被计算机如上述的电子设备300运行时，执行上述所示的信号滤波方法，和/或，模型训练方法。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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计算机可读存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，笔记本电脑,服务器，或者电子设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (13)

1.一种信号滤波方法，其特征在于，包括：
获取待滤波PPG信号；
利用事先训练好的多层小波神经网络模型来对所述待滤波PPG信号进行滤波处理，得到目标PPG信号，
其中，训练所述多层小波神经网络模型的步骤如下：
获取训练样本及标签数据，所述训练样本包括多个预设时间长度的含有噪声的PPG信号，每一个所述预设时间长度的含有噪声的PPG信号均对应有一个所述标签数据，该标签数据为所述预设时间长度的无噪声的纯净PPG信号；
利用所述训练样本及标签数据对初始多层小波神经网络模型进行训练，得到训练好的所述多层小波神经网络模型，训练时，所使用的损失函数为均方根误差。
2.根据权利要求1所述的方法，其特征在于，所述待滤波PPG信号为经过滤波器滤波后的PPG信号，所述方法还包括：
利用滤波器对所述目标PPG信号进行滤波处理。
3.一种模型训练方法，其特征在于，包括：
获取训练样本及标签数据，所述训练样本包括多个预设时间长度的含有噪声的PPG信号，每一个所述预设时间长度的含有噪声的PPG信号均对应有一个所述标签数据，该标签数据为所述预设时间长度的无噪声的纯净PPG信号；
利用所述训练样本及标签数据对初始多层小波神经网络模型进行训练，得到训练好的所述多层小波神经网络模型，训练时，所使用的损失函数为均方根误差。
4.根据权利要求3所述的方法，其特征在于，获取所述训练样本及标签数据，包括：
获取同一时刻采集同一对象得到的完整ECG信号和完整PPG信号；
以所述预设时间长度为窗口大小、以预设间隔为滑窗偏移量对所述完整PPG信号进行滑窗操作，得到所述训练样本；
i依次取1至n-1，n为所述完整ECG信号中的最后一个R峰的编号，针对所述完整ECG信号中的第i个R峰，从多个预设的纯净PPG模板信号中选取位置不大于所述第i个R峰位置且距离最近的目标PPG模板信号；
根据所述第i个R峰与第i+1个R峰之间的时间间隔和所述完整PPG信号的采样率，确定采样点数；
将所述目标PPG模板信号中的第一个R峰与所述第i个R峰对齐，并
对所述目标PPG模板信号进行调整，使调整后的所述目标PPG模板信号中的采样点与确定的所述采样点数相同，并将所述第i个R峰与第i+1个R峰之间的信号替换成调整后的所述目标PPG模板信号，得到完整的纯净PPG信号；
以所述预设时间长度为窗口大小、以所述预设间隔为滑窗偏移量对所述完整的纯净PPG信号进行滑窗操作，得到所述标签数据。
5.根据权利要求4所述的方法，其特征在于，获取所述纯净PPG模板信号的过程，包括：
获取所述预设时间长度的PPG信号中的所有R峰位置；
确定所述所有R峰位置中每两个相邻R峰之间的心率值；
将心率值满足预设条件的每两个相邻R峰之间的波形信号作为备选信号；
根据所有的备选信号，生成所述纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置。
6.根据权利要求5所述的方法，其特征在于，所述预设条件为两个相邻R峰之间的心率值大于A倍目标心率值且小于B倍目标心率值，所述目标心率值为所述预设时间长度的PPG信号对应的ECG信号的心率值，A、B均为实数，且A小于B。
7.根据权利要求5所述的方法，其特征在于，根据所有的备选信号，生成所述纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置，包括：
针对所有备选信号中的每个备选信号，确定该备选信号与其余备选信号的皮尔逊相关系数，得到该备选信号的备选信号组；
统计该备选信号的备选信号组中皮尔逊相关系数大于预设阈值的数量；
筛选出数量最多的皮尔逊相关系数大于预设阈值的目标备选信号组；
剔除该目标备选信号组中皮尔逊相关系数小于所述预设阈值的备选信号，并根据所有剩余的备选信号生成所述纯净PPG模板信号并确定该纯净PPG模板信号在原PPG信号中的位置。
8.根据权利要求5所述的方法，其特征在于，获取所述预设时间长度的PPG信号中的所有R峰位置，包括：
获取所述预设时间长度的PPG信号中的所有的极大值点与极小值点；
确定所有极大值点中每一个极大值点与其相邻的极小值点的高度差的和，并选取所有和中的最大和；
从所有的极大值点中剔除和小于C倍最大和的极大值点，剩余的极大值点则为所述预设时间长度的PPG信号中的R峰。
9.根据权利要求4所述的方法，其特征在于，若所述完整ECG信号中的采样点的值大于预设阈值，则该采样点为R峰，该预设阈值为a.（max+min）+min，max为完整ECG信号中的最大采样点的值，min为完整ECG信号中的最小采样点的值，a为乘积系数且大于0小于1。
10.一种信号滤波装置，其特征在于，包括：
获取模块，用于获取待滤波PPG信号；
处理模块，用于利用事先训练好的多层小波神经网络模型来对所述待滤波PPG信号进行滤波处理，得到目标PPG信号。
11.一种模型训练装置，其特征在于，包括：
获取模块，用于获取训练样本及标签数据，所述训练样本包括多个预设时间长度的含有噪声的PPG信号，每一个所述预设时间长度的含有噪声的PPG信号均对应有一个所述标签数据，该标签数据为所述预设时间长度的无噪声的纯净PPG信号；
训练模块，用于利用所述训练样本及标签数据对初始多层小波神经网络模型进行训练，得到训练好的所述多层小波神经网络模型，训练时，所使用的损失函数为均方根误差。
12.一种电子设备，其特征在于，包括：
存储器和处理器，所述处理器与所述存储器连接；
所述存储器，用于存储程序；
所述处理器，用于调用存储于所述存储器中的程序，以执行如权利要求1或2所述的方法，或者，执行如权利要求3-9中任一项所述的方法。
13.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器运行时，执行如权利要求1或2所述的方法，或者，执行如权利要求3-9中任一项所述的方法。
CN202111285615.XA 2021-11-02 2021-11-02 一种信号滤波方法、模型训练方法、装置及电子设备 Active CN113743376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111285615.XA CN113743376B (zh) 2021-11-02 2021-11-02 一种信号滤波方法、模型训练方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111285615.XA CN113743376B (zh) 2021-11-02 2021-11-02 一种信号滤波方法、模型训练方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113743376A true CN113743376A (zh) 2021-12-03
CN113743376B CN113743376B (zh) 2022-03-08

Family

ID=78727144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111285615.XA Active CN113743376B (zh) 2021-11-02 2021-11-02 一种信号滤波方法、模型训练方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113743376B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106059532A (zh) * 2016-06-02 2016-10-26 国网山东省电力公司济宁供电公司 一种基于小波神经网络的多功能自适应滤波器及滤波方法
CN110664390A (zh) * 2019-10-11 2020-01-10 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
US20200015755A1 (en) * 2018-07-12 2020-01-16 The Chinese University Of Hong Kong Deep learning approach for long term, cuffless, and continuous arterial blood pressure estimation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106059532A (zh) * 2016-06-02 2016-10-26 国网山东省电力公司济宁供电公司 一种基于小波神经网络的多功能自适应滤波器及滤波方法
US20200015755A1 (en) * 2018-07-12 2020-01-16 The Chinese University Of Hong Kong Deep learning approach for long term, cuffless, and continuous arterial blood pressure estimation
CN110664390A (zh) * 2019-10-11 2020-01-10 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

Also Published As

Publication number Publication date
CN113743376B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
Jain et al. An adaptive thresholding method for the wavelet based denoising of phonocardiogram signal
Ismail et al. Localization and classification of heart beats in phonocardiography signals—a comprehensive review
Venkatesan et al. ECG signal preprocessing and SVM classifier-based abnormality detection in remote healthcare applications
Ismail et al. Heart rate tracking in photoplethysmography signals affected by motion artifacts: A review
Zahid et al. Robust R-peak detection in low-quality holter ECGs using 1D convolutional neural network
Kumar et al. Design of wavelet transform based electrocardiogram monitoring system
Kumar et al. Heart rate monitoring and therapeutic devices: a wavelet transform based approach for the modeling and classification of congestive heart failure
Kim et al. Motion artifact reduction in photoplethysmography using independent component analysis
Xu et al. Baseline wander correction in pulse waveforms using wavelet-based cascaded adaptive filter
Castillo et al. Noise suppression in ECG signals through efficient one-step wavelet processing techniques
Naraharisetti et al. Comparison of different signal processing methods for reducing artifacts from photoplethysmograph signal
Rasti-Meymandi et al. A deep learning-based framework For ECG signal denoising based on stacked cardiac cycle tensor
Mourad ECG denoising algorithm based on group sparsity and singular spectrum analysis
Cuomo et al. A novel O (n) numerical scheme for ECG signal denoising
CN111310570A (zh) 一种基于vmd和wpd的脑电信号情感识别方法及系统
CN113397496B (zh) 基于信噪比提高技术的脉搏波获取方法、系统及存储介质
Sundar et al. A comprehensive assessment of the performance of modern algorithms for enhancement of digital volume pulse signals
Ghosh et al. Evaluation of performance metrics and denoising of PCG signal using Wavelet Based Decomposition
Yao et al. A new method based CEEMDAN for removal of baseline wander and powerline interference in ECG signals
Kayhan et al. ECG denoising on bivariate shrinkage function exploiting interscale dependency of wavelet coefficients
Luke et al. Motion artifact removal and feature extraction from PPG signals using efficient signal processing algorithms
Yuen et al. Detecting noisy ECG QRS complexes using WaveletCNN autoencoder and ConvLSTM
CN113743376B (zh) 一种信号滤波方法、模型训练方法、装置及电子设备
Yu et al. Accurate wavelet thresholding method for ECG signals
Bhogeshwar et al. To verify and compare denoising of ECG signal using various denoising algorithms of IIR and FIR filters

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