CN114010186B - 一种心冲击图信号定位方法和计算机设备 - Google Patents
一种心冲击图信号定位方法和计算机设备 Download PDFInfo
- Publication number
- CN114010186B CN114010186B CN202210024168.0A CN202210024168A CN114010186B CN 114010186 B CN114010186 B CN 114010186B CN 202210024168 A CN202210024168 A CN 202210024168A CN 114010186 B CN114010186 B CN 114010186B
- Authority
- CN
- China
- Prior art keywords
- signal
- peak
- ballistocardiogram
- convolution
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 113
- 230000004927 fusion Effects 0.000 claims description 84
- 239000011159 matrix material Substances 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 49
- 230000002457 bidirectional effect Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004807 localization Effects 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 6
- 239000012634 fragment Substances 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007105 physical stamina Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect 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
- A61B5/103—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
- A61B5/1102—Ballistocardiography
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心冲击图信号定位方法和计算机设备，所述方法包括：获取待处理的心冲击图信号以及预构建的心冲击图信号检测模型；将待处理的心冲击图信号输入到所述心冲击图信号检测模型，获得所述待处理的心冲击图信号的信号特征；根据信号特征计算各个信号点的J峰概率，获得定位J峰点位置后的目标心冲击图；根据各个J峰点位置和预设的时长范围，划分目标心冲击图信号，得到多个信号组；根据信号组获得所述目标心冲击图信号的信噪比和心跳形态之间的相似性；根据信噪比和心跳形态之间的相似性，获得有效的目标心冲击图信号。本发明可以对未定位的心冲击图信号中进行准确定位处理，并检测出定位后的心冲击图信号的有效性。
Description
技术领域
本申请涉及心冲击图信号检测的技术领域，具体涉及一种心冲击图信号定位方法和计算机设备。
背景技术
现有的心冲击图信号定位方式，只依赖信号形态进行定位，而信号形态容易受到呼吸和运动伪影的影响，导致心冲击图信号的定位准确性下降，且定位获取的心冲击图信号的有效性不明确。
发明内容
本申请的目的在于克服现有技术中的缺点与不足，提供一种心冲击图信号定位方法和计算机设备，可以从未定位的心冲击图信号中进行准确的定位处理，并检测出定位得到的心冲击图信号的有效性。
本申请的一个实施例提供一种心冲击图信号定位方法，包括：
获取待处理的心冲击图信号以及预构建的心冲击图信号检测模型，所述心冲击图信号检测模型包括依次连接的多个第一卷积模块、多个下采样卷积模块、下采样模块、双向时序特征卷积模块、多个上采样融合卷积模块和多个第二卷积模块，且多个所述下采样卷积模块与多个所述上采样融合卷积模块对应连接；
将所述待处理的心冲击图信号输入到所述多个第一卷积模块、多个下采样卷积模块、下采样模块、双向时序特征卷积模块、多个上采样融合卷积模块和多个第二卷积模块，获得所述待处理的心冲击图信号的信号特征；
根据所述信号特征计算出对应的各个信号点的J峰概率；
根据各个信号点的J峰概率，获得所述待处理的心冲击图信号的J峰点位置，将定位J峰点位置后的所述待处理的心冲击图信号确定为目标心冲击图信号；
根据各个所述J峰点位置和预设的时长范围，划分所述目标心冲击图信号，得到多个信号组；根据所述信号组，获得所述目标心冲击图信号的信噪比和心跳形态之间的相似性；
根据所述目标心冲击图信号的信噪比和心跳形态之间的相似性，获得并输出有效的所述目标心冲击图信号。
本申请的心冲击图信号定位方法通过预构建的心冲击图信号检测模型进行信号特征提取，得到所述待处理的心冲击图信号的信号特征，再根据所述信号特征对应的的J峰概率获取J峰点位置，从而完成对J峰的定位，再根据各个所述J峰点位置及其附近信号点的信号特征确定所述目标心冲击图信号的有效性，可以为用户检测出定位准确且有效的心冲击图信号。
在一个实施例中，所述将所述待处理的心冲击图信号输入到所述多个第一卷积模块、多个下采样卷积模块、下采样模块、双向时序特征卷积模块、多个上采样融合卷积模块和多个第二卷积模块，获得所述待处理的心冲击图信号的信号特征的步骤，包括：
将待处理的心冲击图信号输入至所述第一卷积模块进行多次第一卷积处理，得到第一卷积输出矩阵；
通过多个所述下采样卷积模块依次对所述第一卷积输出矩阵进行多次下采样卷积处理，得到目标下采样卷积输出矩阵；其中，首个所述下采样卷积模块接收所述待处理的心冲击图信号，其余各个所述下采样卷积模块接收的是上一个所述下采样卷积模块输出的下采样卷积输出矩阵；将最后一个所述下采样卷积模块输出的下采样卷积输出矩阵确定为目标下采样卷积输出矩阵；
通过所述下采样模块对所述目标下采样卷积输出矩阵进行下采样处理，得到下采样输出矩阵；
通过所述双向时序特征卷积模块对所述下采样输出矩阵进行双向时序特征提取和卷积处理，得到双向特征卷积输出矩阵；
通过多个所述上采样融合卷积模块对所述双向特征卷积输出矩阵进行上采样融合卷积处理，得到目标上采样融合卷积输出矩阵；其中，首个上采样融合卷积模块接收的是所述双向特征卷积输出矩阵，以及对应的所述下采样卷积模块输出的下采样卷积输出矩阵；最后一个所述上采样融合卷积模块接收的是上一个上采样融合卷积模块输出的上采样融合卷积输出矩阵，以及对应的所述第一卷积模块输出的第一卷积输出矩阵；其余各个所述上采样融合卷积模块接收的是上一个上采样融合卷积模块输出的上采样融合卷积输出矩阵，以及对应的所述下采样卷积模块输出的下采样卷积输出矩阵；将最后一个所述上采样融合卷积模块输出的上采样融合卷积输出矩阵确定为目标上采样融合卷积输出矩阵；
通过所述第二卷积模块对所述目标上采样融合卷积输出矩阵进行一维卷积处理，得到所述待处理的心冲击图信号的信号特征。
通过对所述待处理的心冲击图信号依次进行多次第一卷积处理、多次下采样卷积处理、双向时序特征提取和卷积处理、多次上采样融合卷积和一维卷积处理得到所述待处理的心冲击图信号的信号特征。
在一个实施例中，所述根据所述信号特征计算出对应的各个信号点的J峰概率的步骤，包括：
通过以下公式，计算J峰概率：
其中，
为各个信号点的J峰概率，
为各个信号点的所述信号特征，
为自然数。
通过公式计算，可以得到各个信号点的J峰概率。
在一个实施例中，所述根据各个信号点的J峰概率，获得所述待处理的心冲击图信号的J峰点位置，将定位J峰点位置后的所述待处理的心冲击图信号确定为目标心冲击图信号的步骤，包括：
将各个信号点的J峰概率与预设的第一概率阈值对比，若所述J峰概率大于所述第一概率阈值，确定对应的信号点的方波幅值为1，否则确定对应的信号点的方波幅值为0；
根据各个信号点的方波幅值生成方波信号；
获取所述方波信号的各个方波波峰的上升沿和下降沿位置；
将各个波峰的上升沿和下降沿位置之间的中点信号位置确定为所述J峰点位置。
根据所述J峰概率构建方波信号图，从所述方波信号图的各个方波波峰的中点获取到J峰点位置，可以综合同一方波波峰上的较大的J峰概率得到所述J峰点位置，提高J峰点位置定位的准确性。
在一个实施例中，所述根据各个信号点的J峰概率，获得所述待处理的心冲击图信号的J峰点位置，将定位J峰点位置后的所述待处理的心冲击图信号确定为目标心冲击图信号之后的步骤，还包括：
将相邻的J峰点位置之间的距离确定为心跳间期；
将大于预设的第一间期阈值的所述心跳间期的范围内的J峰概率与预设的第二概率阈值比对，将所述心跳间期的范围内大于所述第二概率阈值的J峰概率对应的信号点位置确定为J峰点位置。
考虑到两个相邻的心跳之间的间期是存在一个无法超越的最小上限值的，因此通过将所述最小上限值设置为所述第一间期阈值，可以检测出相邻的J峰点位置之间是否还存在一个被遗留的J峰点位置。
在一个实施例中，若所述心跳间期小于预设的第二间期阈值，还包括：
将小于预设的第二间期阈值的所述心跳间期对应的两个J峰点位置确定为候选J峰点位置；
对比所述候选J峰点位置对应方波信号中的方波波峰的宽度，对应方波波峰的宽度更宽的所述候选J峰点位置，获得第一分数值；
根据两个所述候选J峰点位置所在的方波波峰对应的信号点的范围，获取两组辅助对比信号点位置，对比两组所述辅助对比信号点位置对应的J峰概率的平均值，对应J峰概率的平均值更大的所述候选J峰点位置，获得第二分数值；
对比两组所述辅助对比信号点位置对应的J峰概率的最小值，对应J峰概率的最小值更大的所述候选J峰点位置，获得第三预设分数值；
对比两组所述辅助对比信号点位置对应的J峰概率的最大值，对应J峰概率的最大值更大的所述候选J峰点位置，获得第四分数值；
若两个所述候选J峰点位置获得的所述预设分数值的总分数不同，将对应总分数更大的所述候选J峰点位置确定为J峰点位置；若总分相同，将获得所述第二分数值的候选J峰点位置确定为J峰点位置。
考虑到两个相邻的心跳之间的间期是存在一个无法小于的最大下限值的，因此通过将所述最大下限值设置为所述第二间期阈值，防止出现两个相邻的J峰点位置的心跳间期过短的情况。
在一个实施例中，所述根据各个所述J峰点位置和预设的时长范围，划分所述目标心冲击图信号，得到多个信号组；根据所述信号组，获得所述目标心冲击图信号的信噪比和心跳形态之间的相似性的步骤，包括：
以各个所述J峰点位置为中心，根据所述预设时长范围得到多个信号组；
通过以下公式，计算所述目标心冲击图信号的信噪比：
其中，
为信噪比，
为所述多个信号组的平均值信号段，
为第
个信号组的信号段，
为所述多个信号组的总个数；
通过以下公式，计算心跳形态之间的相似性：
其中，
为心跳形态之间的相似性，
为第
个信号组与第
个信号组的协方差。
根据所述J峰点位置和预设的时长范围获取多个信号组，通过各个信号组计算出所述目标心冲击图信号的信噪比和心跳形态之间的相似性。
在一个实施例中，所述根据所述目标心冲击图信号的信噪比和心跳形态之间的相似性，确定所述目标心冲击图信号的准确程度的步骤，包括：
若所述信噪比大于预设的第一信噪比阈值，且所述相似性大于预设的第一相似性阈值，确定对应的目标心冲击图信号为可以直接输出的准确性高的有效的心冲击图信号；
若所述信噪比小于预设的第二信噪比阈值，且所述相似性小于预设的第二相似性阈值，确定对应的目标心冲击图信号为低准确程度的无效的心冲击图信号；
将不属于有效的心冲击图信号和无效的心冲击图信号的目标心冲击图信号确定为待重定位心冲击图信号；对所述待重定位心冲击图信号进行重定位处理，将输出重定位处理后的所述待重定位心冲击图信号确定为有效的心冲击图信号并输出。
对所述目标心冲击图信号进行有效性判断，从而输出有效的心冲击图信号。
在一个实施例中，所述对所述待重定位心冲击图信号进行重定位处理的步骤，包括：
根据所述待重定位心冲击图信号中的各个心跳间期，计算出平均心跳间期；
将所述待重定位心冲击图信号中，相邻于各个所述J峰点位置的第一相邻J峰点位置和第二相邻J峰点位置；
根据所述平均心跳间期、所述第一相邻J峰点位置、所述第二相邻J峰点位置和预设的间期调整值，得到J峰范围区间；
若所述第一相邻J峰点位置和所述第二相邻J峰点位置之间的所述J峰点位置在所述J峰范围区间内，保留对应的所述J峰点位置，否则，检测所述J峰范围区间内是否存在与所述J峰点位置的总分数相同的候选J峰点位置，若存在，将对应的候选J峰点位置代替所述J峰点位置成为新的J峰点位置，否则，保留对应的所述J峰点位置。
根据所述候选J峰点位置与所述J峰范围区间的关系，对所述J峰点位置进行重定位更新。
本发明的一个实施例还提供一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的心冲击图信号定位方法的步骤。
为了能更清晰的理解本申请，以下将结合附图说明阐述本申请的具体实施方式。
附图说明
图1为本申请一个实施例的心冲击图信号定位方法的流程图。
图2为本申请一个实施例的心冲击图信号定位方法的步骤S2的流程图。
图3为本申请一个实施例的心冲击图信号定位方法的步骤S41-S44的流程图。
图4为本申请一个实施例的心冲击图信号定位方法的步骤S45-S467的流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作在一个实施例中地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，其是本申请一个实施例的心冲击图信号定位方法的流程图，包括：
S1：获取待处理的心冲击图信号以及预构建的心冲击图信号检测模型，所述心冲击图信号检测模型包括依次连接的多个第一卷积模块、多个下采样卷积模块、下采样模块、双向时序特征卷积模块、多个上采样融合卷积模块和多个第二卷积模块，且多个所述下采样卷积模块与多个所述上采样融合卷积模块对应连接。
心冲击图信号是通过将由心脏射血过程引起的人体微弱颤动情况转换为电信号得到的信号。可以体现人体的心脏跳动情况。
所述待处理的心冲击图信号是通过压电传感器进行信号采集，再处理模块进行第一次滤波处理、信号放大处理和转换处理，以及巴特沃斯带带通滤波器进行第二次滤波处理得到的信号，例如可以设置在目标人物的床下、枕下等。所述压电传感器可以将目标人物的心跳、呼吸或体能活动产生的体震转换为模拟电信号，通过所述处理模块中的滤波电路对所述模拟电信号进行滤波处理，以去除与心冲击图信号差异较大的干扰信号，再通过所述处理模块中的信号放大电路对过滤后的模拟电信号进行放大处理，得到放大后的模拟电信号，最后通过所述处理模块中的A/D转换电路将所述模拟电信号转换为数字信号，再利用所述巴特沃斯带带通滤波器进行第二次滤波处理，得到滤除了呼吸和高频干扰的所述待处理的心冲击图信号。优选地，所述处理模块设置在距离所述目标人物至少30cm以上的位置，以降低所述压电传感器或人体的电磁干扰。
优选地，还将所述待处理的心冲击图信号降采样至预设的频率范围，例如降采样至100Hz。这是因为心冲击图信号的主要能量分布在1-20Hz之间，因此通过降采样处理，可以保留所述待处理的心冲击图信号中的有效信息，并且提高后续的处理效率。并且为了进一步加快检测效率，还将目标人物的整晚数据平均分割为多个片段数据，将各个所述片段数据确定为所述待处理的心冲击图信号来进行检测，可以同时检测多个所述片段数据的心冲击图信号。
其中，由于多个所述上采样融合卷积模块与对应的多个所述下采样卷积模块和所述第一卷积模块连接，因此所述下采样卷积模块和所述第一卷积模块的数量和等于所述上采样融合卷积模块的数量。所述下采样卷积模块用于对所述待处理的心冲击图信号进行抽象，从而获取所述待处理的心冲击图信号的细节特征，所述上采样融合卷积模块用于对所述细节特征进行重构，因此所述心冲击图信号检测模型结合抽象和细节特征的重构步骤，更准确地对所述待处理的心冲击图信号进行定位。其中，所述第一卷积模块、下采样卷积模块和上采样融合卷积中都分别包含多次卷积处理。
所述双向时序特征卷积模块为Bi-LSTM，能在长时间序列中选择性地留下某些节点的重要信息，从而充分提取信号中丰富的时序信息，由于心冲击图信号中J峰的特征明显，且心跳的间期具有一致性，因此通过所述Bi-LSTM增加了双向时序特征的提取能力，提高信号定位的准确率。优选地，为了提高所述心冲击图信号检测模型泛化能力并防止过拟合（过拟合是指为了得到一致假设而使假设变得过度严格），所述双向时序特征卷积模块与所述上采样融合卷积模块之间还设有Dropout模块，所述双向时序特征卷积模块通过所述Dropout模块与所述上采样融合卷积模块连接。通过所述Dropout模块防止过拟合，并提升模型泛化能力。
S2：将所述待处理的心冲击图信号输入到所述多个第一卷积模块、多个下采样卷积模块、下采样模块、双向时序特征卷积模块、多个上采样融合卷积模块和多个第二卷积模块，获得所述待处理的心冲击图信号的信号特征。
具体地，所述步骤S2还能表述为将所述待处理的心冲击图信号输入到所述预构建的心冲击图信号检测模型，获得所述待处理的心冲击图信号的信号特征。
S3：根据所述信号特征计算出对应的各个信号点的J峰概率。
S4：根据各个信号点的J峰概率，获得所述待处理的心冲击图信号的J峰点位置，将定位J峰点位置后的所述待处理的心冲击图信号确定为目标心冲击图信号。
具体地，可以根据所述J峰概率构建方波信号，再从所述方波信号的方波波峰中获取J峰点位置。
S5：根据各个所述J峰点位置和预设的时长范围，划分所述目标心冲击图信号，得到多个信号组；根据所述信号组，获得所述目标心冲击图信号的信噪比和心跳形态之间的相似性。
所述信噪比是指信号段上有效信号能量和随机噪声的比值，可以有效地反映噪声对有效信号的影响程度。
所述心跳形态之间的相似性是通过计算每个心跳之间的平均相关系数得出的，可有效地反应多个心跳之间的平均相似程度。
S6：根据所述目标心冲击图信号的信噪比和心跳形态之间的相似性，获得并输出有效的所述目标心冲击图信号。
当所述目标心冲击图信号的信噪比和心跳形态之间的相似性的数值都大于对应的预设值时，表示所述目标心冲击图信号收到的噪声干扰小，定位准确性高，因此属于有效的所述目标心冲击图信号。
其中，由于所述目标心冲击图信号是定位J峰点位置后的所述待处理的心冲击图信号，所以输出有效的所述目标心冲击图信号时，也包括输出了对应的J峰定位结果。
本申请的心冲击图信号定位方法通过预构建的心冲击图信号检测模型进行信号特征提取，得到所述待处理的心冲击图信号的信号特征，再根据所述信号特征对应的的J峰概率获取J峰点位置，从而完成对J峰的定位，再根据各个所述J峰点位置及其附近信号点的信号特征确定所述目标心冲击图信号的有效性，可以为用户检测出定位准确且有效的心冲击图信号。
请参阅图2，在一个可行的实施例中，所述步骤S2：将所述待处理的心冲击图信号输入到所述多个第一卷积模块、多个下采样卷积模块、下采样模块、双向时序特征卷积模块、多个上采样融合卷积模块和多个第二卷积模块，获得所述待处理的心冲击图信号的信号特征的步骤，包括：
S21：将待处理的心冲击图信号输入至所述第一卷积模块进行多次第一卷积处理，得到第一卷积输出矩阵。
S22：通过多个所述下采样卷积模块依次对所述第一卷积输出矩阵进行多次下采样卷积处理，得到目标下采样卷积输出矩阵；其中，首个所述下采样卷积模块接收所述待处理的心冲击图信号，其余各个所述下采样卷积模块接收的是上一个所述下采样卷积模块输出的下采样卷积输出矩阵；将最后一个所述下采样卷积模块输出的下采样卷积输出矩阵确定为目标下采样卷积输出矩阵。
例如，若所述下采样卷积模块数量为4，第一个所述下采样卷积模块接收所述待处理的心冲击图信号，第二个所述下采样卷积模块接收第一个所述下采样卷积模块输出的下采样卷积输出矩阵，第三个所述下采样卷积模块接收第二个所述下采样卷积模块输出的下采样卷积输出矩阵，第四个所述下采样卷积模块接收第三个所述下采样卷积模块输出的下采样卷积输出矩阵，第四个所述下采样卷积模块输出的为所述目标下采样卷积输出矩阵。
S23：通过所述下采样模块对所述目标下采样卷积输出矩阵进行下采样处理，得到下采样输出矩阵。
S24：通过所述双向时序特征卷积模块对所述下采样输出矩阵进行双向时序特征提取和卷积处理，得到双向特征卷积输出矩阵。
S25：通过多个所述上采样融合卷积模块对所述双向特征卷积输出矩阵进行上采样融合卷积处理，得到目标上采样融合卷积输出矩阵；其中，首个上采样融合卷积模块接收的是所述双向特征卷积输出矩阵，以及对应的所述下采样卷积模块输出的下采样卷积输出矩阵；最后一个所述上采样融合卷积模块接收的是上一个上采样融合卷积模块输出的上采样融合卷积输出矩阵，以及对应的所述第一卷积模块输出的第一卷积输出矩阵；其余各个所述上采样融合卷积模块接收的是上一个上采样融合卷积模块输出的上采样融合卷积输出矩阵，以及对应的所述下采样卷积模块输出的下采样卷积输出矩阵；将最后一个所述上采样融合卷积模块输出的上采样融合卷积输出矩阵确定为目标上采样融合卷积输出矩阵。
例如，若所述下采样卷积模块数量为4，由于还有一个所述第一卷积模块，因此所述上采样融合卷积模块的数量为5个。第一个所述上采样融合卷积模块接收的是所述双向特征卷积输出矩阵，以及对应的第四个所述下采样卷积模块输出的下采样卷积输出矩阵；第二个所述上采样融合卷积模块接收的是第一个所述上采样融合卷积模块输出的上采样融合卷积输出矩阵，以及对应的第三个所述下采样卷积模块输出的下采样卷积输出矩阵；第三个所述上采样融合卷积模块接收的是第二个所述上采样融合卷积模块输出的上采样融合卷积输出矩阵，以及对应的第二个所述下采样卷积模块输出的下采样卷积输出矩阵；第四个所述上采样融合卷积模块接收的是第三个所述上采样融合卷积模块输出的上采样融合卷积输出矩阵，以及对应的第一个所述下采样卷积模块输出的下采样卷积输出矩阵；第五个所述上采样融合卷积模块接收的是第四个所述上采样融合卷积模块输出的上采样融合卷积输出矩阵，以及对应的所述第一卷积模块输出的第一卷积输出矩阵。
为了更好地理解所述第一卷积模块和下采样卷积模块与所述上采样融合卷积模块的对应关系，可以通过网络层次的方式来划分，例如将所述第一卷积模块的输出视为位于第一层网络的特征输出，此时第一个所述下采样卷积模块的输出由于经过下采样处理后再卷积输出的，因此相当于是第二层网络的特征输出，同理可得，第二、三、四个所述下采样卷积模块的输出相当于是第三、四、五层网络的特征输出，此时由于各个所述上采样融合卷积模块需要依次融合对应层次的特征输出，因此第一个所述上采样融合卷积模块对应接收的是第五层网络的特征输出，即第一个所述上采样融合卷积模块与第四个所述下采样卷积模块对应，第二个所述上采样融合卷积模块对应接收的是第四层网络的特征输出，即第二个所述上采样融合卷积模块与第三个所述下采样卷积模块对应，……，第五个所述上采样融合卷积模块对应接收的是第一层网络的特征输出，即第五个所述上采样融合卷积模块与所述第一卷积模块对应。
S26：通过所述第二卷积模块对所述目标上采样融合卷积输出矩阵进行一维卷积处理，得到所述待处理的心冲击图信号的信号特征。
在本实施例中，通过对所述待处理的心冲击图信号依次进行多次第一卷积处理、多次下采样卷积处理、双向时序特征提取和卷积处理、多次上采样融合卷积和一维卷积处理得到所述待处理的心冲击图信号的信号特征。
在一个可行的实施例中，所述步骤S3：根据所述信号特征计算出对应的各个信号点的J峰概率的步骤，包括：
通过以下公式，计算J峰概率：
其中，
为各个信号点的J峰概率，
为各个信号点的所述信号特征，
为自然数。
上述公式属于sigmod函数，是一种在生物学中常见的S型函数，也称为S型生长曲线，常用作神经网络的激活函数，将变量映射到[0，1]之间。通过sigmod函数的公式计算，可以得到各个信号点的J峰概率。
请参阅图3，在一个可行的实施例中，所述步骤S4：根据各个信号点的J峰概率，获得所述待处理的心冲击图信号的J峰点位置，将定位J峰点位置后的所述待处理的心冲击图信号确定为目标心冲击图信号的步骤，包括：
S41：将各个信号点的J峰概率与预设的第一概率阈值对比，若所述J峰概率大于所述第一概率阈值，确定对应的信号点的方波幅值为1，否则确定对应的信号点的方波幅值为0。
S42：根据各个信号点的方波幅值生成方波信号。
S43：获取所述方波信号的各个方波波峰的上升沿和下降沿位置。
所述方波波峰是指方波幅值为1的峰部。
S44：将各个波峰的上升沿和下降沿位置之间的中点信号位置确定为所述J峰点位置。
在本实施例中，根据所述J峰概率构建方波信号图，从所述方波信号图的各个方波波峰的中点获取到J峰点位置，可以综合同一方波波峰上的较大的J峰概率得到所述J峰点位置，提高J峰点位置定位的准确性。
请参阅图4，在一个可行的实施例中，所述步骤S4：根据各个信号点的J峰概率，获得所述待处理的心冲击图信号的J峰点位置，将定位J峰点位置后的所述待处理的心冲击图信号确定为目标心冲击图信号之后的步骤，还包括：
S45：将相邻的J峰点位置之间的距离确定为心跳间期。
S461：将大于预设的第一间期阈值的所述心跳间期的范围内的J峰概率与预设的第二概率阈值比对，将所述心跳间期的范围内大于所述第二概率阈值的J峰概率对应的信号点位置确定为J峰点位置。
其中，所述第二概率阈值小于所述第一概率阈值。
在本实施例中，考虑到两个相邻的心跳之间的间期是存在一个无法超越的最小上限值的，因此通过将所述最小上限值设置为所述第一间期阈值，可以检测出相邻的J峰点位置之间是否还存在一个幅度较小的J峰点位置。
优选地，若所述心跳间期小于预设的第二间期阈值，还包括：
S462：将小于预设的第二间期阈值的所述心跳间期对应的两个J峰点位置确定为候选J峰点位置。
其中，所述第二间期阈值小于所述第一间期阈值。
S463：对比所述候选J峰点位置对应方波信号中的方波波峰的宽度，对应方波波峰的宽度更宽的所述候选J峰点位置，获得第一分数值。
例如所述候选J峰点位置包括X点和Y点，若X点对应方波波峰的宽度更宽，X获得所述第一分数值。
S464：根据两个所述候选J峰点位置所在的方波波峰对应的信号点的范围，获取两组辅助对比信号点位置，对比两组所述辅助对比信号点位置对应的J峰概率的平均值，对应J峰概率的平均值更大的所述候选J峰点位置，获得第二分数值。
如上所述的候选J峰点位置包括X点和Y点，若X点所在的该组辅助对比信号点位置的J峰概率的平均值更大，X点获得第二分数值。
S465：对比两组所述辅助对比信号点位置对应的J峰概率的最小值，对应J峰概率的最小值更大的所述候选J峰点位置，获得第三预设分数值。
如上所述的候选J峰点位置包括X点和Y点，若Y点所在的该组辅助对比信号点位置的J峰概率的最小值更大，Y点获得所述第三预设分数值。
S466：对比两组所述辅助对比信号点位置对应的J峰概率的最大值，对应J峰概率的最大值更大的所述候选J峰点位置，获得第四分数值。
如上所述的候选J峰点位置包括X点和Y点，若Y点所在的该组辅助对比信号点位置的J峰概率的最大值更大，Y点获得所述第四预设分数值。
优选地，所述第一分数值、第二分数值、第三分数值和第四分数值的数值相同，例如同为1、2、3等。
S467：若两个所述候选J峰点位置获得的所述预设分数值的总分数不同，将对应总分数更大的所述候选J峰点位置确定为J峰点位置；若总分相同，将获得所述第二分数值的候选J峰点位置确定为J峰点位置。
如上所述的候选J峰点位置包括X点和Y点，根据上述分数情况进行分数统计，可以看出X点和Y点的总分相同，而由于X点获得所述第二分数值，因此X点确定为J峰点位置，而Y点继续作为候选J峰点位置。
在本实施例中，考虑到两个相邻的心跳之间的间期是存在一个无法小于的最大下限值的，因此通过将所述最大下限值设置为所述第二间期阈值，一旦出现出现两个相邻的J峰点位置的心跳间期过短的情况，就表示有其中有一个J峰点位置是错误的，因此根据对两个峰点位置进行评分，以选出更高概率为正确的一个J峰点位置，防止出现两个相邻的J峰点位置的心跳间期过短的情况。
在一个可行的实施例中，所述步骤S5：根据各个所述J峰点位置和预设的时长范围，划分所述目标心冲击图信号，得到多个信号组；根据所述信号组，获得所述目标心冲击图信号的信噪比和心跳形态之间的相似性的步骤，包括：
S51：以各个所述J峰点位置为中心，根据所述预设时长范围得到多个信号组。
优选地，所述预设时长范围可以根据标注的一次完整心跳占用的时间设置，也可以根据标注的心跳间期来设置。
S52：通过以下公式，计算所述目标心冲击图信号的信噪比：
其中，
为信噪比，
为所述多个信号组的平均值信号段，
为第
个信号组的信号段，
为所述多个信号组的总个数。
S53：通过以下公式，计算心跳形态之间的相似性：
其中，
为心跳形态之间的相似性，
为第
个信号组与第
个信号组的协方差。
根据所述J峰点位置和预设的时长范围获取多个信号组，通过各个信号组计算出所述目标心冲击图信号的信噪比和心跳形态之间的相似性。
在一个可行的实施例中，所述步骤S6：根据所述目标心冲击图信号的信噪比和心跳形态之间的相似性，确定所述目标心冲击图信号的准确程度的步骤，包括：
S61：若所述信噪比大于预设的第一信噪比阈值，且所述相似性大于预设的第一相似性阈值，确定对应的目标心冲击图信号为可以直接输出的准确性高的有效的心冲击图信号。
S62：若所述信噪比小于预设的第二信噪比阈值，且所述相似性小于预设的第二相似性阈值，确定对应的目标心冲击图信号为低准确程度的无效的心冲击图信号。
S63：将不属于有效的心冲击图信号和无效的心冲击图信号的目标心冲击图信号确定为待重定位心冲击图信号；对所述待重定位心冲击图信号进行重定位处理，将输出重定位处理后的所述待重定位心冲击图信号确定为有效的心冲击图信号并输出。
在本实施例中，对所述目标心冲击图信号进行有效性判断，从而输出有效的心冲击图信号。
在一个可行的实施例中，所述步骤S63中，对所述待重定位心冲击图信号进行重定位处理的步骤，包括：
S631：根据所述待重定位心冲击图信号中的各个心跳间期，计算出平均心跳间期。
S632：将所述待重定位心冲击图信号中，相邻于各个所述J峰点位置的第一相邻J峰点位置和第二相邻J峰点位置。
例如，A点、B点和C点是三个依次且相邻排列的J峰点位置，则A点为B点的第一相邻J峰点位置，C点为B点的第二相邻J峰点位置。
S633：根据所述平均心跳间期、所述第一相邻J峰点位置、所述第二相邻J峰点位置和预设的间期调整值，得到J峰范围区间。
例如，所述J峰范围区间可以表示为：
其中，
为所述第一相邻J峰点位置，
为所述平均心跳间期，
为所述第二相邻J峰点位置，
为所述间期调整值。
S634：若所述第一相邻J峰点位置和所述第二相邻J峰点位置之间的所述J峰点位置在所述J峰范围区间内，保留对应的所述J峰点位置，否则，检测所述J峰范围区间内是否存在与所述J峰点位置的总分数相同的候选J峰点位置，若存在，将对应的候选J峰点位置代替所述J峰点位置成为新的J峰点位置，否则，保留对应的所述J峰点位置。
在本实施例中，根据所述候选J峰点位置与所述J峰范围区间的关系，对所述J峰点位置进行重定位更新，以提高J峰点位置的定位准确性。
本发明的一个实施例还提供一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的心冲击图信号定位方法的步骤。
以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中选定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中选定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中选定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种心冲击图信号定位方法，其特征在于，包括如以下步骤：
获取待处理的心冲击图信号以及预构建的心冲击图信号检测模型，所述心冲击图信号检测模型包括依次连接的多个第一卷积模块、多个下采样卷积模块、下采样模块、双向时序特征卷积模块、多个上采样融合卷积模块和多个第二卷积模块，且多个所述下采样卷积模块与多个所述上采样融合卷积模块对应连接；所述双向时序特征卷积模块为Bi-LSTM；
将所述待处理的心冲击图信号输入到所述多个第一卷积模块、多个下采样卷积模块、下采样模块、双向时序特征卷积模块、多个上采样融合卷积模块和多个第二卷积模块，获得所述待处理的心冲击图信号的信号特征；
根据所述信号特征计算出对应的各个信号点的J峰概率；
根据各个信号点的J峰概率，获得所述待处理的心冲击图信号的J峰点位置，将定位J峰点位置后的所述待处理的心冲击图信号确定为目标心冲击图信号；
根据各个所述J峰点位置和预设的时长范围，划分所述目标心冲击图信号，得到多个信号组；根据所述信号组，获得所述目标心冲击图信号的信噪比和心跳形态之间的相似性；
根据所述目标心冲击图信号的信噪比和心跳形态之间的相似性，获得并输出有效的所述目标心冲击图信号；
其中，所述将所述待处理的心冲击图信号输入到所述多个第一卷积模块、多个下采样卷积模块、下采样模块、双向时序特征卷积模块、多个上采样融合卷积模块和多个第二卷积模块，获得所述待处理的心冲击图信号的信号特征的步骤，包括：
将待处理的心冲击图信号输入至所述第一卷积模块进行多次第一卷积处理，得到第一卷积输出矩阵；
通过多个所述下采样卷积模块依次对所述第一卷积输出矩阵进行多次下采样卷积处理，得到目标下采样卷积输出矩阵；其中，首个所述下采样卷积模块接收所述第一卷积输出矩阵，其余各个所述下采样卷积模块接收的是上一个所述下采样卷积模块输出的下采样卷积输出矩阵；将最后一个所述下采样卷积模块输出的下采样卷积输出矩阵确定为目标下采样卷积输出矩阵；
通过所述下采样模块对所述目标下采样卷积输出矩阵进行下采样处理，得到下采样输出矩阵；
通过所述双向时序特征卷积模块对所述下采样输出矩阵进行双向时序特征提取和卷积处理，得到双向特征卷积输出矩阵；
通过多个所述上采样融合卷积模块对所述双向特征卷积输出矩阵进行上采样融合卷积处理，得到目标上采样融合卷积输出矩阵；其中，首个上采样融合卷积模块接收的是所述双向特征卷积输出矩阵，以及对应的所述下采样卷积模块输出的下采样卷积输出矩阵；最后一个所述上采样融合卷积模块接收的是上一个上采样融合卷积模块输出的上采样融合卷积输出矩阵，以及对应的所述第一卷积模块输出的第一卷积输出矩阵；其余各个所述上采样融合卷积模块接收的是上一个上采样融合卷积模块输出的上采样融合卷积输出矩阵，以及对应的所述下采样卷积模块输出的下采样卷积输出矩阵；将最后一个所述上采样融合卷积模块输出的上采样融合卷积输出矩阵确定为目标上采样融合卷积输出矩阵；
通过所述第二卷积模块对所述目标上采样融合卷积输出矩阵进行一维卷积处理，得到所述待处理的心冲击图信号的信号特征。
2.根据权利要求1所述的心冲击图信号定位方法，其特征在于，所述根据所述信号特征计算出对应的各个信号点的J峰概率的步骤，包括：
通过以下公式，计算J峰概率：
其中，
为各个信号点的J峰概率，
为各个信号点的所述信号特征，
为自然数。
3.根据权利要求1所述的心冲击图信号定位方法，其特征在于，所述根据各个信号点的J峰概率，获得所述待处理的心冲击图信号的J峰点位置，将定位J峰点位置后的所述待处理的心冲击图信号确定为目标心冲击图信号的步骤，包括：
将各个信号点的J峰概率与预设的第一概率阈值对比，若所述J峰概率大于所述第一概率阈值，确定对应的信号点的方波幅值为1，否则确定对应的信号点的方波幅值为0；
根据各个信号点的方波幅值生成方波信号；
获取所述方波信号的各个方波波峰的上升沿和下降沿位置；
将各个波峰的上升沿和下降沿位置之间的中点信号位置确定为所述J峰点位置。
4.根据权利要求1所述的心冲击图信号定位方法，其特征在于，所述根据各个信号点的J峰概率，获得所述待处理的心冲击图信号的J峰点位置，将定位J峰点位置后的所述待处理的心冲击图信号确定为目标心冲击图信号之后的步骤，还包括：
将相邻的J峰点位置之间的距离确定为心跳间期；
将大于预设的第一间期阈值的所述心跳间期的范围内的J峰概率与预设的第二概率阈值比对，将所述心跳间期的范围内大于所述第二概率阈值的J峰概率对应的信号点位置确定为J峰点位置。
5.根据权利要求4所述的心冲击图信号定位方法，其特征在于，若所述心跳间期小于预设的第二间期阈值，还包括：
将小于预设的第二间期阈值的所述心跳间期对应的两个J峰点位置确定为候选J峰点位置；
对比所述候选J峰点位置对应方波信号中的方波波峰的宽度，对应方波波峰的宽度更宽的所述候选J峰点位置，获得第一分数值；
根据两个所述候选J峰点位置所在的方波波峰对应的信号点的范围，获取两组辅助对比信号点位置，对比两组所述辅助对比信号点位置对应的J峰概率的平均值，对应J峰概率的平均值更大的所述候选J峰点位置，获得第二分数值；
对比两组所述辅助对比信号点位置对应的J峰概率的最小值，对应J峰概率的最小值更大的所述候选J峰点位置，获得第三分数值；
对比两组所述辅助对比信号点位置对应的J峰概率的最大值，对应J峰概率的最大值更大的所述候选J峰点位置，获得第四分数值；
若两个所述候选J峰点位置获得的分数值的总分数不同，将对应总分数更大的所述候选J峰点位置确定为J峰点位置；若总分相同，将获得所述第二分数值的候选J峰点位置确定为J峰点位置。
6.根据权利要求5所述的心冲击图信号定位方法，其特征在于，所述根据各个所述J峰点位置和预设的时长范围，划分所述目标心冲击图信号，得到多个信号组；根据所述信号组，获得所述目标心冲击图信号的信噪比和心跳形态之间的相似性的步骤，包括：
以各个所述J峰点位置为中心，根据所述预设时长范围得到多个信号组；
通过以下公式，计算所述目标心冲击图信号的信噪比：
其中，
为信噪比，
为所述多个信号组的平均值信号段，
为第
个信号组的信号段，
为所述多个信号组的总个数；
通过以下公式，计算心跳形态之间的相似性：
其中，
为心跳形态之间的相似性，
为第
个信号组与第
个信号组的协方差。
7.根据权利要求6所述的心冲击图信号定位方法，其特征在于，所述根据所述目标心冲击图信号的信噪比和心跳形态之间的相似性，获得并输出有效的所述目标心冲击图信号的步骤，包括：
若所述信噪比大于预设的第一信噪比阈值，且所述相似性大于预设的第一相似性阈值，确定对应的目标心冲击图信号为可以直接输出的准确性高的有效的心冲击图信号；
若所述信噪比小于预设的第二信噪比阈值，且所述相似性小于预设的第二相似性阈值，确定对应的目标心冲击图信号为无效的低准确程度的心冲击图信号；
将不属于有效的心冲击图信号和无效的心冲击图信号的目标心冲击图信号确定为待重定位心冲击图信号；对所述待重定位心冲击图信号进行重定位处理，将输出重定位处理后的所述待重定位心冲击图信号确定为有效的心冲击图信号并输出。
8.根据权利要求7所述的心冲击图信号定位方法，其特征在于，所述对所述待重定位心冲击图信号进行重定位处理的步骤，包括：
根据所述待重定位心冲击图信号中的各个心跳间期，计算出平均心跳间期；
将所述待重定位心冲击图信号中，相邻于各个所述J峰点位置的第一相邻J峰点位置和第二相邻J峰点位置；
根据所述平均心跳间期、所述第一相邻J峰点位置、所述第二相邻J峰点位置和预设的间期调整值，得到J峰范围区间；
若所述第一相邻J峰点位置和所述第二相邻J峰点位置之间的所述J峰点位置在所述J峰范围区间内，保留对应的所述J峰点位置，否则，检测所述J峰范围区间内是否存在与所述J峰点位置的总分数相同的候选J峰点位置，若存在，将对应的候选J峰点位置代替所述J峰点位置成为新的J峰点位置，否则，保留对应的所述J峰点位置。
9.一种计算机设备，其特征在于：包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的心冲击图信号定位方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210024168.0A CN114010186B (zh) | 2022-01-11 | 2022-01-11 | 一种心冲击图信号定位方法和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210024168.0A CN114010186B (zh) | 2022-01-11 | 2022-01-11 | 一种心冲击图信号定位方法和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114010186A CN114010186A (zh) | 2022-02-08 |
| CN114010186B true CN114010186B (zh) | 2022-03-18 |
Family
ID=80069863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210024168.0A Active CN114010186B (zh) | 2022-01-11 | 2022-01-11 | 一种心冲击图信号定位方法和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114010186B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098721B (zh) * | 2022-01-25 | 2022-04-15 | 华南师范大学 | 心冲击图信号的提取方法、装置以及设备 |
| CN116369907B (zh) * | 2023-03-20 | 2024-02-13 | 华南师范大学 | 一种心冲击图信号定位方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109350050A (zh) * | 2018-11-20 | 2019-02-19 | 锐捷网络股份有限公司 | 心跳间期检测方法及装置 |
| CN110427924A (zh) * | 2019-09-09 | 2019-11-08 | 桂林电子科技大学 | 一种基于lstm的心冲击信号自动多分类识别方法 |
| CN110916636A (zh) * | 2019-11-22 | 2020-03-27 | 新绎健康科技有限公司 | 一种基于动态二阶差分阈值的bcg信号心率计算方法及系统 |
| CN111091116A (zh) * | 2019-12-31 | 2020-05-01 | 华南师范大学 | 一种用于判断心律失常的信号处理方法及系统 |
| CN112507784A (zh) * | 2020-10-30 | 2021-03-16 | 华南师范大学 | 一种心冲击图时序信号的有效性检测方法 |
| CN112869733A (zh) * | 2021-01-08 | 2021-06-01 | 广州中科新知科技有限公司 | 一种心冲击图实时心搏间期测算方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8046058B2 (en) * | 2007-08-10 | 2011-10-25 | Salutron, Inc. | Heart beat signal recognition |
| US10188305B2 (en) * | 2015-07-09 | 2019-01-29 | Drägerwerk AG & Co. KGaA | Locating J-points in electrocardiogram signals |
-
2022
- 2022-01-11 CN CN202210024168.0A patent/CN114010186B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109350050A (zh) * | 2018-11-20 | 2019-02-19 | 锐捷网络股份有限公司 | 心跳间期检测方法及装置 |
| CN110427924A (zh) * | 2019-09-09 | 2019-11-08 | 桂林电子科技大学 | 一种基于lstm的心冲击信号自动多分类识别方法 |
| CN110916636A (zh) * | 2019-11-22 | 2020-03-27 | 新绎健康科技有限公司 | 一种基于动态二阶差分阈值的bcg信号心率计算方法及系统 |
| CN111091116A (zh) * | 2019-12-31 | 2020-05-01 | 华南师范大学 | 一种用于判断心律失常的信号处理方法及系统 |
| CN112507784A (zh) * | 2020-10-30 | 2021-03-16 | 华南师范大学 | 一种心冲击图时序信号的有效性检测方法 |
| CN112869733A (zh) * | 2021-01-08 | 2021-06-01 | 广州中科新知科技有限公司 | 一种心冲击图实时心搏间期测算方法 |
Non-Patent Citations (1)
| Title |
|---|
| J peak extraction from non-standard ballistocardiography data:A preliminary study;Xin Li et al;《2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Socity（EMBC）》;20161018;第688-691页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114010186A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114010186B (zh) | 一种心冲击图信号定位方法和计算机设备 | |
| CN110547783B (zh) | 非接触性心率检测方法、系统、设备及存储介质 | |
| Huang et al. | A new hierarchical method for inter-patient heartbeat classification using random projections and RR intervals | |
| ES2960027T3 (es) | Detección de anomalías en las señales de ECG | |
| JPS58130030A (ja) | Ｘ線ディジタル画像処理装置 | |
| WO2021057328A1 (zh) | 基于特征选取的st段分类卷积神经网络及其使用方法 | |
| CN109864736A (zh) | 心电信号的处理方法、装置、终端设备及介质 | |
| CN109009084B (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
| CN110384482A (zh) | 心电信号分类方法、装置、计算机设备和存储介质 | |
| Moridani et al. | New algorithm of mortality risk prediction for cardiovascular patients admitted in intensive care unit | |
| KR20190105180A (ko) | 합성곱 신경망 기반의 병변 진단 장치 및 방법 | |
| CN114093501A (zh) | 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法 | |
| Xu et al. | An ECG denoising method based on the generative adversarial residual network | |
| CN115359909A (zh) | 一种基于注意力机制的癫痫发作检测系统 | |
| CN114041800B (zh) | 心电信号实时分类方法、装置及可读存储介质 | |
| CN113288132B (zh) | 用于预测血糖值的方法、装置、存储介质及处理器 | |
| KR20140097039A (ko) | 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치 | |
| CN105046654A (zh) | 一种基于粒子群优化的心电信号自适应非局部均值降噪方法 | |
| CN109620249B (zh) | 癫痫发作的监测方法及装置 | |
| EP3770921A1 (en) | Method and system for pressure autoregulation based synthesizing of photoplethysmogram signal | |
| CN113974649A (zh) | 心搏信号的分类的和用于心搏信号的分类的深度学习模型的训练的方法、设备和介质 | |
| CN107680278A (zh) | 一种净化器的控制方法和装置 | |
| Nguyen et al. | HS‐UNET‐ID: An approach for human skin classification integrating between UNET and improved dense convolutional network | |
| Albuquerque et al. | Authentication based on electrocardiography signals and machine learning | |
| CN109009047B (zh) | 一种心律失常检测方法、装置及设备 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240204 Address after: Building 2, No. 38 Junfeng Road, Huangpu District, Guangzhou City, Guangdong Province, 510000 Patentee after: GUANGDONG JUNFENG BFS INDUSTRY CO.,LTD. Country or region after: China Address before: School of physics and telecommunication engineering, South China Normal University, No. 378, Waihuan West Road, Panyu District, Guangzhou City, Guangdong Province, 510006 Patentee before: SOUTH CHINA NORMAL University Country or region before: China |
|
| TR01 | Transfer of patent right |