CN114176550A - 心率数据分类方法、装置、设备及存储介质 - Google Patents
心率数据分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114176550A CN114176550A CN202111626125.1A CN202111626125A CN114176550A CN 114176550 A CN114176550 A CN 114176550A CN 202111626125 A CN202111626125 A CN 202111626125A CN 114176550 A CN114176550 A CN 114176550A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- data
- initial
- value
- initial heart
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000007781 pre-processing Methods 0.000 claims abstract description 47
- 238000013145 classification model Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 35
- 230000008030 elimination Effects 0.000 claims abstract description 8
- 238000003379 elimination reaction Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000033764 rhythmic process Effects 0.000 abstract description 16
- 238000012937 correction Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 20
- 230000002159 abnormal effect Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 230000036541 health Effects 0.000 description 11
- 230000003044 adaptive effect Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 241000711573 Coronaviridae Species 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 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
-
- 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
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
Abstract
本申请是关于一种心率数据分类方法、装置、设备及存储介质，具体涉及医疗数据检测领域。所述方法包括：获取初始心率数据；根据目标时间区间内的初始心率值的大小，生成心率阈值；根据所述心率阈值，校正所述初始心率数据中的各个初始心率值，获得第一预处理数据；对所述第一预处理数据进行高频噪声消除处理，获得第二预处理数据；根据心率分类模型对所述第二预处理数据进行处理，获得所述初始心率数据所对应的类别结果。上述方案中，通过对初始心率数据先后执行校正操作以及除噪操作，在避免高频噪声干扰的同时，还避免了可穿戴设备误识别到的数据对心率数据分类的影响，从而进一步提高了心率数据分类的准确性。
Description
技术领域
本发明涉及医疗数据检测技术领域，具体涉及一种心率数据分类方法、装置、设备及存储介质。
背景技术
在医疗健康领域，人体心率是反映人体健康状态的一种非常重要的指标，通过人体心率即可以在一定程度上反映出人体所处的状态。
在医疗健康领域，心率采集设备可以采集到人体的心率情况，例如通过手环等可穿戴设备，可以较为准确的采集到人体的心率情况，此时可穿戴设备中的数据处理设备，可以对人体的心率情况进行分析，并在分析中对通过对心率信号进行分解，除去人体心率中的高频噪声，再根据人体心率数据的特征对人体心率数据进行分类，以完成对人体健康状态的判断。
上述方案中，在可穿戴设备采集到的人体的心率数据容易受到外界环境以及人体运动情况的干扰，人体心率数据中可能包含误检测的数据，导致对人体心率数据的分类效果较差。
发明内容
本申请提供了一种心率数据分类方法、装置、设备及存储介质，提高了心率数据分类的分类准确性，该技术方案如下。
一方面，提供了一种心率数据分类方法，所述方法包括：
获取初始心率数据；所述初始心率数据中包含按时间排序的各个初始心率值；
根据目标时间区间内的初始心率值的大小，生成心率阈值；
根据所述心率阈值，校正所述初始心率数据中的各个初始心率值，获得第一预处理数据；
对所述第一预处理数据进行高频噪声消除处理，获得第二预处理数据；
根据心率分类模型对所述第二预处理数据进行处理，获得所述初始心率数据所对应的类别结果。
又一方面，提供了一种心率数据分类装置，所述装置包括：
初始心率获取模块，用于获取初始心率数据；所述初始心率数据中包含按时间排序的各个初始心率值；
心率阈值生成模块，用于根据目标时间区间内的初始心率值的大小，生成心率阈值；
第一预处理模块，用于根据所述心率阈值，校正所述初始心率数据中的各个初始心率值，获得第一预处理数据；
第二预处理模块，用于对所述第一预处理数据进行高频噪声消除处理，获得第二预处理数据；
类别获取模块，用于根据心率分类模型对所述第二预处理数据进行处理，获得所述初始心率数据所对应的类别结果。
再一方面，提供了一种计算机设备，所述计算机设备中包含处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述心率数据分类方法。
又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述的心率数据分类方法。
本申请提供的技术方案可以包括以下有益效果：
当需要对人体的心率数据进行分类时，计算机设备可以先确定出心率数据中的目标时间区间，并根据时间区间内的心率数据，确定心率阈值作为异常心率的判断依据；当确定出心率阈值后，则可以通过心率阈值对初始心率数据中的各个初始心率值进行异常判断，以将初始心率数据校正为第一预处理数据；计算机设备通过除噪算法，对校正后的第一预处理数据进行进一步的处理，得到第二预处理数据，以输入心率分类模型，从而完成对初始心率数据的分类。上述方案中通过对初始心率数据先后执行校正操作以及除噪操作，在避免高频噪声干扰的同时，还避免了可穿戴设备误识别到的数据对心率数据分类的影响，从而进一步提高了心率数据分类的准确性。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，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。
图1是根据一示例性实施例示出的一种心率数据分类系统的结构示意图。
图2是根据一示例性实施例示出的心率数据分类方法的方法流程图。
图3是根据一示例性实施例示出的心率数据分类方法的方法流程图。
图4示出了一种采集的原始心率时序数据的变化示意图。
图5示出了一种获得替换异常值后的新的心率时序数据示意图。
图6展示了一段心率时序数据的处理结果示意图。
图7是根据一示例性实施例示出的心率数据分类装置的结构方框图。
图8是根据本申请一示例性实施例提供的一种计算机设备示意图。
具体实施方式
下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应理解，在本申请的实施例中提到的“指示”可以是直接指示，也可以是间接指示，还可以是表示具有关联关系。举例说明，A指示B，可以表示A直接指示B，例如B可以通过A获取；也可以表示A间接指示B，例如A指示C，B可以通过C获取；还可以表示A和B之间具有关联关系。
在本申请实施例的描述中，术语“对应”可表示两者之间具有直接对应或间接对应的关系，也可以表示两者之间具有关联关系，也可以是指示与被指示、配置与被配置等关系。
本申请实施例中，“预定义”可以通过在设备(例如，包括终端设备和网络设备)中预先保存相应的代码、表格或其他可用于指示相关信息的方式来实现，本申请对于其具体的实现方式不做限定。
本申请实施例中提供的心率数据分类方法可以应用于具有较强数据处理能力的计算机设备中。该心率数据分类方法中包含对心率数据分类模型的训练方法，该心率数据分类模型可以实现对输入心率数据的处理，得到对应于输入心率数据的心率数据类别，以指示人体的健康状态。在一种可能的实现方式中，本申请实施例提供的心率数据分类方法可以应用于个人计算机、工作站或服务器中，即通过个人计算机、工作站以及服务器中至少一者进行心率数据分类模型的训练。
图1是根据一示例性实施例示出的一种心率数据分类系统的结构示意图。该心率数据分类系统中包含服务器110以及终端120。其中，终端120与服务器110之间通过通信网络进行数据通信，该通信网络可以是有线网络也可以是无线网络。
可选的，终端120中安装有具有心率数据处理功能的应用程序，该应用程序可以是专业图像处理应用程序、社交类应用程序，虚拟现实类应用程序、或者具有心率数据处理功能的AI应用程序，本申请实施例对此不做限定。
可选的，该终端120可以是具有心率数据采集组件的终端设备，该心率数据采集组件用于获取心率数据并存储与终端120中的数据存储模块中，例如该终端120可以是具有心率采集功能的可穿戴设备；该终端120还可以是具有数据传输接口的终端设备，该数据传输接口用于接收具有心率数据采集组件的可穿戴设备采集到的心率数据。
可选的，该终端120可以是智能手表、智能手环、智能眼镜等可穿戴设备式的终端，或是具有与具有人体数据采集传感器的可穿戴式设备连接的智能终端，本申请实施例对此不设限制。
服务器110可以实现为一台服务器，也可以实现为一组服务器构成的服务器集群，其可以是物理服务器，也可以实现为云服务器。在一种可能的实现方式中，服务器110是终端120中应用程序的后台服务器。
在本申请实施例的一种可能的实现方式中，服务器110通过预先设置的训练样本集(包括各个训练样本)对心率数据分类模型进行训练，其中训练样本集中可以包含不同类别的训练样本心率数据，各个训练样本心率数据均存在各自的类别标注信息(即标签值)。当服务器110对该心率数据分类模型的训练过程完成后，通过有线网络或无线网络，将该训练好的心率数据分类模型发送至终端120中。
终端120接收到该训练好的心率数据分类模型，并将该心率数据分类模型所对应的数据信息(例如权重信息)发送至具有心率数据分类功能的应用程序中，以便用户使用该应用程序时，可以对输入的心率数据进行分类处理，以识别输入的心率数据所指示的健康状态。
在本申请实施例的另一种可能的实现方式中，终端120可以独立实现心率数据分类流程。以终端120为智能手表为例，当智能手表处于运行状态时，可以读取到穿戴该智能手表的人体的心率数据，并在通过该智能手表中的心率处理应用程序，对该智能手表进行处理。该心率处理应用程序调用预先设置该智能手表中的心率数据分类模型，以对智能手表采集到的心率数据进行处理，从而得到该心率数据所指示的健康状态。
可选的，上述智能手表还可以将分析所获得的健康状态，发送至心率处理应用程序对应的服务器中，以便将该人体的健康状态保存至服务器110中。
可选的，上述服务器可以是独立的物理服务器，也可以是由多个物理服务器构成的服务器集群或者是分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等技术运计算服务的云服务器。
可选的，该系统还可以包括管理设备，该管理设备用于对该系统进行管理(如管理各个模块与服务器之间的连接状态等)，该管理设备与服务器之间通过通信网络相连。可选的，该通信网络是有线网络或无线网络。
可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网，但也可以是其他任何网络，包括但不限于局域网、城域网、广域网、移动、有限或无线网络、专用网络或者虚拟专用网络的任何组合。在一些实施例中，使用包括超文本标记语言、可扩展标记语言等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层、传输层安全、虚拟专用网络、网际协议安全等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
图2是根据一示例性实施例示出的心率数据分类方法的方法流程图。该方法由计算机设备执行，该计算机设备可以是如图1所示的心率数据分类系统中的服务器或终端。如图2所示，该心率数据分类方法可以包括如下步骤：
步骤201，获取初始心率数据。
其中，该初始心率数据中包含按时间排序的各个初始心率值。
可选的，该初始心率数据可以是可穿戴设备采集到的目标人体的心率数据。
即可穿戴设备按照监听到的脉搏跳动信息，并按照指定周期进行目标人体的心跳频率检测，从而得到初始心率数据中的，按照时间排序的各个初始心率值
步骤202，根据目标时间区间内的初始心率值的大小，生成心率阈值。
在计算机设备获取到可穿戴设备所采集到的初始心率值后，为了避免可穿戴设备受到外界环境干扰采集到的误识别信息，对后续心率分类的干扰，此时需要对初始心率数据进行预处理。
计算机设备可以获取到初始心率数据中的一个目标时间区间，并按照目标时间区间内的初始心率值的大小，生成心率阈值，作为一个异常检测框，从而对初始心率数据进行检测处理。
可选的，该目标时间区间可以是初始心率数据中的任意一个目标时间长度的时间区间。在该目标时间区间中，存在各个初始心率数据，而由于可穿戴设备采集的人体心率数据，通常来说不会发生较大的改变，因此根据该区间内的初始心率数据，则可以确定出目标人体的心率的大概范围(即心率阈值)，超出该范围的心率数据即为异常的心率数据。
可选的，该目标时间区间还可以是初始心率数据的各个时间区间内，心率较为平稳的时间区域，即计算机设备可以将初始心率数据划分至各个时间区间，并获取各个时间区间内，初始心率值的方差，并将方差最小的时间区间获取为目标时间区间。此时，目标时间区间是可穿戴设备检测过程中，心率最为平稳的区间，通过该区间生成的心率阈值，可以更好的对异常心率进行检测识别。
可选的，该心率阈值可以是通过该目标时间区间内的心率均值生成的，例如当目标时间区间内的心率均值为70(单位为次每分钟)，则可以将心率阈值确定为70*0.5以及70*1.5，两个心率阈值分别用于检测过高的心率以及过低的心率。
步骤203，根据该心率阈值，校正该初始心率数据中的各个初始心率值，获得第一预处理数据。
在获取到心率阈值后，则可以通过心率阈值，对初始心率阈值中的各个初始心率值进行检测，当检测到不满足该心率阈值所指示的合理心率范围时，可以认为该初始心率值是可能存在异常的心率值，此时可以对该异常心率值进行校正(例如替代或删除)，从而实现将初始心率数据中的初始心率值进行筛选，得到第一预处理数据。
此时第一预处理数据校正了绝大部分，由于可穿戴设备受到环境影响所采集到的误识别数据，通过第一预处理数据进行后续处理时，可以显著的提高心率数据识别的准确率。
步骤204，对该第一预处理数据进行高频噪声消除处理，获得第二预处理数据。
在对初始心率数据进行校正得到第一预处理数据后，此时计算机设备可以再对第一预处理数据进行高频噪声消除处理，心率时序数据是一个非平稳时序数据，而且存在一些噪音，这对基于体征数据进行分析的结果会带来非常大的干扰，可选的，上述高频噪声消除处理可以通过经验模态分解(Empirical Mode Decomposition，EMD)，或集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)算法进行处理，自适应地将信号分解成有限个本征模态函数(Intrinsic Mode Functions，IMF)，生成信号的高度局部化的时频估计，从而去除心率时序数据中的高频信号，以生成第二预处理数据。
步骤205，根据心率分类模型对该第二预处理数据进行处理，获得该初始心率数据所对应的类别结果。
在经过异常数据校正以及高频噪声消除处理后的第二预处理数据，可以被认为是适合进行分析的数据，此时计算机设备可以对该第二预处理设备进行数据处理。在本申请实施例中，计算机设备可以将第二预处理数据输入心率分类模型，通过心率分类模型获得到该初始心率数据所对应的识别概率，从而得到初始心率数据所对应的类别结果。
以健康判断为例，当心率分类模型为二分类机器学习模型时，当计算机设备将第二预处理数据输入心率分类模型后，则心率分类模型进行处理后输出与该第二预处理数据对应的概率分布，即输出健康概率P1与不健康概率P2，当健康概率P1大于阈值时，则将该初始心率数据对应的类别结果确定为健康。
综上所述，当需要对人体的心率数据进行分类时，计算机设备可以先确定出心率数据中的目标时间区间，并根据时间区间内的心率数据，确定心率阈值作为异常心率的判断依据；当确定出心率阈值后，则可以通过心率阈值对初始心率数据中的各个初始心率值进行异常判断，以将初始心率数据校正为第一预处理数据；计算机设备通过除噪算法，对校正后的第一预处理数据进行进一步的处理，得到第二预处理数据，以输入心率分类模型，从而完成对初始心率数据的分类。上述方案中通过对初始心率数据先后执行校正操作以及除噪操作，在避免高频噪声干扰的同时，还避免了可穿戴设备误识别到的数据对心率数据分类的影响，从而进一步提高了心率数据分类的准确性。
图3是根据一示例性实施例示出的心率数据分类方法的方法流程图。该方法由计算机设备执行，该计算机设备可以是如图1所示的心率数据分类系统中的服务器或终端。如图3所示，该心率数据分类方法可以包括如下步骤：
步骤301，获取初始心率数据。
在本申请实施例中，初始心率数据包含按时间排序的各个初始心率值，例如，该初始心率值可以如下表1所示。
表1
| 70 | 72 | 80 | 71 | … | 76 | 69 | 84 |
在如表1中的初始心率数据为可穿戴设备按照指定频率采集到的目标人体的心率数据，各个相邻初始心率值之间的时间间隔是相同的。
步骤302，获取目标时间区间内的各个初始心率值，并计算该目标时间区间内的心率均值。
在对初始心率数据中的初始心率值进行校正之前，可以先获取到目标时间区域内的各个初始心率值，并计算该区间内的初始心率值的均值作为该目标区间内的心率均值。此时该心率均值可以代表着该目标时间区间内的心率值的大致情况。
在一种可能的实现方式中，该目标时间区间即为该初始心率数据所对应的完整时间区间，即此时目标时间区间内的各个初始心率值，即为初始心率数据中的各个初始心率值，此时目标时间内的心率均值，即为初始心率数据的心率均值，表征着初始心率数据整个过程中的整体心率情况。
在一种可能的实现方式中，按照目标时间间隔，将该初始心率数据划分至各个候选时间区间；获取各个候选时间区间内的心率数据均值，并按照大小进行排序，获得均值序列；将该均值序列的中位数所对应的候选时间区间，确定为该目标时间区间。
计算机设备还可以先将初始心率数据划分至各个候选时间区间，并求出各个候选时间区间的均值，并将各个候选时间区间的均值进行排序，此时则可以得出各个候选时间区间的心率情况的整体排名，计算机设备再将均值序列的中位数所对应的候选时间区间，确定为目标时间区间，此时目标时间区间可以更好的代表着初始心率数据的整体情况，通过该目标时间区间确定的异常数据条件，可以更好的筛选出异常的心率阈值。
在上述方案中，目标时间区间可以是初始心率数据中的一个固定的时间区间，而在另一种可能的实现方式中，根据第一初始心率值的时刻信息，确定第一初始心率值所对应的该目标时间区间。
即此时当需要对初始心率数据中的第一初始心率值进行校验时，根据该第一初始心率值的时刻信息，确定出目标时间区间，也就是说，此时计算机设备可以对每一个初始心率值都计算出对应的目标时间区间，通过不同的目标时间区间对各个初始心率值进行校验。
步骤303，将该心率均值与第一比值的乘积，确定为该目标时间区间所对应的该高心率阈值。
在获取到目标时间区间的心率均值后，则可以将心率均值与第一比值进行乘积，获得高心率阈值。
可选的，当心率均值为mHR时，则高心率均值可以被定义为(1+r)mHR。r为自定义参数，可以根据实际情况进行修改。
步骤304，将该心率均值与第二比值的乘积，确定为该目标时间区间所对应的该低心率阈值。
在获取到目标时间区间的心率均值后，还可以将心率均值与第二比值进行乘积，获得低心率阈值。
可选的，当心率均值为mHR时，则低心率均值可以被定义为(1-r)mHR。
例如当r为0.5时，则高心率阈值为1.5倍的心率均值，低心率阈值为0.5倍的心率均值，当初始心率值不在高心率阈值与低心率阈值之间时，则认为该初始心率值存在异常。
步骤305，根据该心率阈值，校正该初始心率数据中的各个初始心率值，获得第一预处理数据。
在获取到心率阈值后，即可以对各个初始心率值进行校正处理，从而减小误采集的数据对真实心率数据的影响。
在一种可能的实现方式中，当该第一初始心率值的时刻信息小于第一时刻时，将该第一初始心率值后的目标时间段，获取为目标时间区间；当该第一初始心率值的时刻信息大于第二时刻时，将该第一初始心率值前的目标时间段，获取为该目标时间区间；当该第一初始心率值的时刻信息大于第一时刻且小于第二时刻时，将该第一初始心率值作为中点，以目标时间段作为区间长度，获取目标时间区间。
在如表1所示的初始心率数据中，当第一初始心率值的时刻信息在中间位置时，则可以将第一初始心率值作为中点，以目标时间段作为区间长度，以获取目标时间区间；
而当第一初始心率值的时刻信息在前端位置时，也就是时刻信息小于第一时刻时，当将第一初始心率值作为中点时，以目标时间段作为区间长度构建的目标时间区间，可能超出了表1的范围。因此计算机设备此时可以将第一初始心率值的时刻信息作为区间的左端点，将第一初始心率值后的目标时间段，获取为目标时间区间。
当第一初始心率值的时刻信息在后端位置时，也就是时刻信息大于第二时刻时，当将第一初始心率值作为中点时，以目标时间段作为区间长度构建的目标时间区间，同样可能超出了表1的范围。因此计算机设备此时可以将第一初始心率值的时刻信息作为区间的右端点，将第一初始心率值前的目标时间段，获取为目标时间区间。
在一种可能的实现方式中，判断该第一初始心率值，是否在该第一初始心率值所对应的低心率阈值与高心率阈值构成的第一阈值区间中；当该第一初始心率值不在该第一阈值区间中，将该第一初始心率值更新为该第一初始心率值对应的该目标时间区间内的中位数。
在获取到第一初始心率值所对应的目标时间区间后，则可以通过该目标时间区间得到的心率阈值，对第一初始心率值进行检测，当第一初始心率值不在该第一阈值区间，则说明该第一初始心率过高或者过低，不符合正常生理状况，很可能是采集设备出现问题采集到的异常数据。
此时为了保证校正后的各个初始心率值仍然按照指定周期排序，将异常的第一初始心率值替换为目标时间区间内的中位数，通过较为平稳的心率值，替换异常心率值，尽可能减小异常数据对整体初始心率数据的影响。
在另一种可能的实现方式中，判断第二初始心率值，是否在该第二初始心率值所对应的低心率阈值与高心率阈值构成的第二阈值区间中；当该第二初始心率值不在该第二阈值区间中，将该第二初始心率值删除。
或者，计算机设备当检测到第二初始心率值不在第二阈值区间中时，计算机设备可以直接将第二初始心率值删除，以避免异常数据对整体初始心率数据的影响。
在本申请实施例的一种可能的实现方式中，计算机设备可以通过自适应性算法对数据进行处理，去除因为手环误检测产生的异常值，从而得到第一预处理数据。
在自适应性算法中，手环等方式监测得到的心率数据容易存在误检测引起的尖峰噪声，因此对心率数据先进行数据预处理是非常有必要的，可消除异常值所带来的负面影响。自适应过滤算法的描述如下：
1.对于心率序列数据中的每个心率值，以该测试心率值HRi为中心，计算前后共2m+1个心率值的平均值(记为mHR)，
2.将测试的心率值HRi与mHR进行比较。如果HRi<(1-r)mHR或HRi>(1+r)mHR，则用m个心率值的中位数代替HRi，否则它保持不变。
当测试心率值HRi位于整个心率序列数据的前m个点或后m个点时，计算平均值的窗口大小小于m。此时通过下述方式进行处理：位于前m个点时，右侧窗口大小不变，左侧数据点全部纳入计算窗口内；当位于后m个点时，左侧窗口大小不变，右侧数据点全部纳入计算窗口内。
图4示出了一种采集的原始心率时序数据的变化示意图，从图4中可看出存在多处异常值。通过自适应过滤算法进行数据预处理，图5示出了一种获得替换异常值后的新的心率时序数据示意图。
步骤306，将该第一预处理数据中的各个第一预处理心率值，按照时序作为时序信号，通过具有自适应噪声的完全集合经验模态分解CEEMDAN算法进行处理，获得第二预处理数据。
心率时序数据是一个非平稳的时间序列数据，并且其中往往伴随着一些高频噪音，在对心率时序数据进行分析时，是非常不利的，使得分析结果出现错误。本申请实施例中提出使用经验模态分解的方法可有效去除心率时序数据中的高频信号(噪音)和非平稳项。
经验模态分解(Empirical Mode Decomposition，EMD)是数据驱动的，目的是根据信号本身固有特点，自适应地将信号分解成有限个本征模态函数(Intrinsic ModeFunctions，IMF)，生成信号的高度局部化的时频估计，同时也具有着自适应和多分辨率的特性。
集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)是针对EMD的模态混合问题，将EMD得到的模态分量平均应用于添加了高斯白噪声的原始信号上，所得到的分解解决了EMD模态混合问题，但引入了新的混合问题。
具有自适应噪声的完全集合经验模态分解(Complete Ensemble Empirical ModeDecomposition with Adaptive Noise,CEEMDAN)在分解的每个阶段中都加入一个特定的噪声，并计算一个唯一的残差来获得每个模态,得到的分解是完整的，在数值上误差可以忽略不计。在分析心电信号时，CEEMDAN比EEMD有更好的模态频谱分离能力，所需的筛选迭代次数也更少，有效的降低了计算成本。
在一种可能的实现方式中，计算机设备可以通过EMD算法对第一预处理心率数据进行处理，EMD算法如下：
心率时序数据可看成信号X[t]，信号X[t]经过EMD被分解成K个IMF分量(IMFi[t])和一个剩余分量RK[t]，i＝1,2,…,K，即X[t]可由所有IMF分量重构而成：
EMD算法[1]步骤如下：
(a)设定阈值ε的取值，i＝1；
(b)记vi[t]＝X[t]；
(c)提取第i个IMF分量：
(1)j＝1,hi,j[t]＝vi[t]；
(2)提取hi,j[t]的所有的极值点(包括极大值点和极小值点)；
(3)分别对hi,j[t]的极大值点和极小值点使用三次样本插值法，得到上、下包络
(4)通过上下包络线生成局部均值曲线
(5)更新hi,j+1[t]＝hi,j[t]-mi,j[t]，j＝j+1；
(6)计算SD(j)＝||hi,j+1[t]-hi,j[t]||2/||hi,j[t]||2；
(7)比较SD(j)和阈值ε：若SD(j)<ε，则IMFi[t]＝hi,j+1[t]；否则返回到步骤(2)；
(d)更新剩余分量vi+1[t]＝vi[t]-IMFi[t]；
(e)如果vi+1[t]的极值点最多只有一个，则结束整个算法过程；否则i＝i+1，返回到步骤(c)。
进一步地，在本申请实施例中，由于CEEMDAN比EEMD有更好的模态频谱分离能力，所需的筛选迭代次数也更少，有效的降低了计算成本，因此计算机设备还可以通过CEEMDAN(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)算法对第一预处理心率数据进行处理，CEEMDAN算法如下：
记
为分解得到的第k个模态分量，并定义运算符Ek(·)表示通过EMD计算获得给定输入信号下的第k个模态分量，Wi[t]是满足零均值和单位方差的高斯白噪声的不同实现，i＝1,2,…,N，λ0是高斯白噪声的标准差。
(a)使用EMD算法对X[t]+λ0·Wi[t](i＝1,2,…,N)进行分解，分别得到它们的第1个模态分量IMFi,1[t]；
(b)计算CEEMDAN方法的第1个模态分量：
(c)计算第1余量：
(d)使用EMD方法分解R1[t]+λ1·E1(Wi[t])(i＝1,2,…,N)得到第1个模态分量，λk是第k个阶段的高斯白噪声的标准差，进而可以得到第2个模态分量：
(e)对于k＝2,3,…,K，计算第k个剩余分量：
(f)使用EMD方法分解Rk[t]+λk·Ek(Wi[t])(i＝1,2,…,N)得到第1个模态分量，并可以得到第k+1个模态分量：
(g)k＝k+1，返回到(e)步；
重复步骤(e-g),直到剩余分量至多只有一个极值点，无法再进一步提取IMF。
如果K是模态分量的个数，RK[t]是最终的剩余分量，则输入信号X[t]便可以通过所有的IMF重构：
图6展示了一段心率时序数据的处理结果示意图。如图6所示，心率时序数据被CEEMDAN分解得到的IMFs和剩余分量，其中IMF1-IMF3为高频信号，往往为一些噪音，对我们进行心率数据的分类预测分析并无显著的有效作用，反而会带来干扰，因此在进程重构时，去除了这些高频信号的IMFs。图6右下角的剩余分量表达了一部分非平稳的趋势，在本申请实施例所示方案中也进行了去除。
步骤307，根据心率分类模型对该第二预处理数据进行处理，获得该初始心率数据所对应的类别结果。
在通过CEEMDAN对心率数据的高频信号以及非平稳趋势进行筛除之后，得到的第二预处理数据是具有较好特征表达能力的数据，此时计算机设备可以将训练好的心率分类模型，对第二预处理数据进行处理，从而得到初始心率数据对应的类别结果。
可选的，当该心率分类模型是训练好的二分类模型时，该心率分类模型对第二预处理数据进行处理后，可以得到初始心率数据所对应的类别概率分布，以指示该初始心率数据所对应的类别结果。
可选的，当该心率分类模型为回归模型时，该心率分类模型对第二预处理数据进行数据处理后，可以得到该初始心率数据所对应的概率值，根据该概率值的大小，可以指示该初始心率数据所对应的类别结果。
例如，该心率分类模型为回归模型，且该回归模型是多项式回归模型时，该多项式回归模型可以是通过样本心率数据，以及样本心率数据所对应的健康程度，拟合而成的多项式，通过该多项式，对输入的第二预处理数据进行计算，即可以输出初始心率数据所对应的类别结果。
又例如，当上述心率分类模型为二分类模型时，例如RESNET-50结构的残差网络模型时，该二分类模型可以通过样本心率数据进行训练。具体的，该计算机设备将样本心率数据输入该二分类模型，并通过二分类模型中的卷积层进行特征提取，再将提取出的特征输入二分类模型中的全连接层，以得到该样本心率数据对应的预测结果。
二分类模型再根据该样本心率数据的预测结果，与该样本心率数据中的标注类别，通过损失函数(如交叉熵损失函数)进行计算，并根据得到的损失函数值进行反向传播更新，从而完成对二分类模型的训练流程。
可选的，上述类别结果可以根据心率分类模型进行确定，例如该心率分类模型是将样本心率数据作为样本，以健康状态(如是否健康)作为标注训练得到的模型时，则最终识别出的类别结果同样为该初始心率数据是否代表目标人物健康。
也就是说，计算机设备将经过上述处理后的心率时序数据(即第二预处理数据)，作为数据输入到一个机器分析模型F(X)进行预测，则有如下数学函数表达式关系：
y＝F(X)
其中X表示心率时序数据，且是通过本申请实施例提出的自适应过滤算法去除了异常值、经过CEEMDAN分解重构后的心率时序数据，是一个向量，y为模型输出结果。
F(X)可以是一个二分类模型，也可以是一个回归模型。若是二分类模型，输出的y为0或1的值，表达是否为新冠肺炎病毒的感染者；若选择回归模型，则输出的y值是一个连续型的数值，可表达感染新冠肺炎病毒的风险程度。
综上所述，当需要对人体的心率数据进行分类时，计算机设备可以先确定出心率数据中的目标时间区间，并根据时间区间内的心率数据，确定心率阈值作为异常心率的判断依据；当确定出心率阈值后，则可以通过心率阈值对初始心率数据中的各个初始心率值进行异常判断，以将初始心率数据校正为第一预处理数据；计算机设备通过除噪算法，对校正后的第一预处理数据进行进一步的处理，得到第二预处理数据，以输入心率分类模型，从而完成对初始心率数据的分类。上述方案中通过对初始心率数据先后执行校正操作以及除噪操作，在避免高频噪声干扰的同时，还避免了可穿戴设备误识别到的数据对心率数据分类的影响，从而进一步提高了心率数据分类的准确性。
图7是根据一示例性实施例示出的心率数据分类装置的结构方框图。所述装置包括：
初始心率获取模块701，用于获取初始心率数据；所述初始心率数据中包含按时间排序的各个初始心率值；
心率阈值生成模块702，用于根据目标时间区间内的初始心率值的大小，生成心率阈值；
第一预处理模块703，用于根据所述心率阈值，校正所述初始心率数据中的各个初始心率值，获得第一预处理数据；
第二预处理模块704，用于对所述第一预处理数据进行高频噪声消除处理，获得第二预处理数据；
类别获取模块705，用于根据心率分类模型对所述第二预处理数据进行处理，获得所述初始心率数据所对应的类别结果。
在一种可能的实现方式中，所述心率阈值包括高心率阈值以及低心率阈值；
所述心率阈值生成模块，还用于，
获取目标时间区间内的各个初始心率值，并计算所述目标时间区间内的心率均值；
将所述心率均值与第一比值的乘积，确定为所述目标时间区间所对应的所述高心率阈值；
将所述心率均值与第二比值的乘积，确定为所述目标时间区间所对应的所述低心率阈值。
在一种可能的实现方式中，所述装置还包括：
区间划分模块，用于按照目标时间间隔，将所述初始心率数据划分至各个候选时间区间；
均值排序模块，用于获取各个候选时间区间内的心率数据均值，并按照大小进行排序，获得均值序列；
第一区间确定模块，用于将所述均值序列的中位数所对应的候选时间区间，确定为所述目标时间区间。
在一种可能的实现方式中，所述装置还包括：
第二区间确定模块，用于根据第一初始心率值的时刻信息，确定第一初始心率值所对应的所述目标时间区间；
所述第一预处理模块，还用于，
判断所述第一初始心率值，是否在所述第一初始心率值所对应的低心率阈值与高心率阈值构成的第一阈值区间中；
当所述第一初始心率值不在所述第一阈值区间中，将所述第一初始心率值更新为所述第一初始心率值对应的所述目标时间区间内的中位数。
在一种可能的实现方式中，所述第一预处理模块，还用于，
当所述第一初始心率值的时刻信息小于第一时刻时，将所述第一初始心率值后的目标时间段，获取为目标时间区间；
当所述第一初始心率值的时刻信息大于第二时刻时，将所述第一初始心率值前的目标时间段，获取为所述目标时间区间；
当所述第一初始心率值的时刻信息大于第一时刻且小于第二时刻时，将所述第一初始心率值作为中点，以目标时间段作为区间长度，获取目标时间区间。
在一种可能的实现方式中，所述第一预处理模块，还用于，
判断第二初始心率值，是否在所述第二初始心率值所对应的低心率阈值与高心率阈值构成的第二阈值区间中；
当所述第二初始心率值不在所述第二阈值区间中，将所述第二初始心率值删除。
在一种可能的实现方式中，所述第二预处理模块，还用于，将所述第一预处理数据中的各个第一预处理心率值，按照时序作为时序信号，通过具有自适应噪声的完全集合经验模态分解CEEMDAN算法进行处理，获得第二预处理数据。
综上所述，当需要对人体的心率数据进行分类时，计算机设备可以先确定出心率数据中的目标时间区间，并根据时间区间内的心率数据，确定心率阈值作为异常心率的判断依据；当确定出心率阈值后，则可以通过心率阈值对初始心率数据中的各个初始心率值进行异常判断，以将初始心率数据校正为第一预处理数据；计算机设备通过除噪算法，对校正后的第一预处理数据进行进一步的处理，得到第二预处理数据，以输入心率分类模型，从而完成对初始心率数据的分类。上述方案中通过对初始心率数据先后执行校正操作以及除噪操作，在避免高频噪声干扰的同时，还避免了可穿戴设备误识别到的数据对心率数据分类的影响，从而进一步提高了心率数据分类的准确性。
请参阅图8，其是根据本申请一示例性实施例提供的一种计算机设备示意图，所述计算机设备包括存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现上述方法。
其中，处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、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(Field-Programmable 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、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施方式中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施方式中的方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在一示例性实施例中，还提供了一种计算机可读存储介质，用于存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行以实现上述方法中的全部或部分步骤。例如，该计算机可读存储介质可以是只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种心率数据分类方法，其特征在于，所述方法包括：
获取初始心率数据；所述初始心率数据中包含按时间排序的各个初始心率值；
根据目标时间区间内的初始心率值的大小，生成心率阈值；
根据所述心率阈值，校正所述初始心率数据中的各个初始心率值，获得第一预处理数据；
对所述第一预处理数据进行高频噪声消除处理，获得第二预处理数据；
根据心率分类模型对所述第二预处理数据进行处理，获得所述初始心率数据所对应的类别结果。
2.根据权利要求1所述的方法，其特征在于，所述心率阈值包括高心率阈值以及低心率阈值；所述根据目标时间区间内的初始心率值的大小，生成心率阈值，包括：
获取目标时间区间内的各个初始心率值，并计算所述目标时间区间内的心率均值；
将所述心率均值与第一比值的乘积，确定为所述目标时间区间所对应的所述高心率阈值；
将所述心率均值与第二比值的乘积，确定为所述目标时间区间所对应的所述低心率阈值。
3.根据权利要求2所述的方法，其特征在于，在所述根据目标时间区间内的初始心率值的大小，生成心率阈值之前，还包括：
按照目标时间间隔，将所述初始心率数据划分至各个候选时间区间；
获取各个候选时间区间内的心率数据均值，并按照大小进行排序，获得均值序列；
将所述均值序列的中位数所对应的候选时间区间，确定为所述目标时间区间。
4.根据权利要求2所述的方法，其特征在于，所述根据目标时间区间内的初始心率值的大小，生成心率阈值之前，还包括：
根据第一初始心率值的时刻信息，确定第一初始心率值所对应的所述目标时间区间；
所述根据所述心率阈值，校正所述初始心率数据中的各个初始心率值，包括：
判断所述第一初始心率值，是否在所述第一初始心率值所对应的低心率阈值与高心率阈值构成的第一阈值区间中；
当所述第一初始心率值不在所述第一阈值区间中，将所述第一初始心率值更新为所述第一初始心率值对应的所述目标时间区间内的中位数。
5.根据权利要求4所述的方法，其特征在于，所述根据第一初始心率值的时刻信息，确定第一初始心率值所对应的所述目标时间区间，包括：
当所述第一初始心率值的时刻信息小于第一时刻时，将所述第一初始心率值后的目标时间段，获取为目标时间区间；
当所述第一初始心率值的时刻信息大于第二时刻时，将所述第一初始心率值前的目标时间段，获取为所述目标时间区间；
当所述第一初始心率值的时刻信息大于第一时刻且小于第二时刻时，将所述第一初始心率值作为中点，以目标时间段作为区间长度，获取目标时间区间。
6.根据所述权利要求2所述的方法，其特征在于，所述根据所述心率阈值，校正所述初始心率数据中的各个初始心率值，还包括：
判断第二初始心率值，是否在所述第二初始心率值所对应的低心率阈值与高心率阈值构成的第二阈值区间中；
当所述第二初始心率值不在所述第二阈值区间中，将所述第二初始心率值删除。
7.根据权利要求1至6任一所述的方法，其特征在于，所述对所述第一预处理数据进行高频噪声消除处理，获得第二预处理数据，包括：
将所述第一预处理数据中的各个第一预处理心率值，按照时序作为时序信号，通过具有自适应噪声的完全集合经验模态分解CEEMDAN算法进行处理，获得第二预处理数据。
8.一种心率数据分类装置，其特征在于，所述装置包括：
初始心率获取模块，用于获取初始心率数据；所述初始心率数据中包含按时间排序的各个初始心率值；
心率阈值生成模块，用于根据目标时间区间内的初始心率值的大小，生成心率阈值；
第一预处理模块，用于根据所述心率阈值，校正所述初始心率数据中的各个初始心率值，获得第一预处理数据；
第二预处理模块，用于对所述第一预处理数据进行高频噪声消除处理，获得第二预处理数据；
类别获取模块，用于根据心率分类模型对所述第二预处理数据进行处理，获得所述初始心率数据所对应的类别结果。
9.一种计算机设备，其特征在于，所述计算机设备中包含处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述心率数据分类方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述的心率数据分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111626125.1A CN114176550B (zh) | 2021-12-28 | 心率数据分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111626125.1A CN114176550B (zh) | 2021-12-28 | 心率数据分类方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114176550A true CN114176550A (zh) | 2022-03-15 |
| CN114176550B CN114176550B (zh) | 2024-10-29 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115337018A (zh) * | 2022-09-19 | 2022-11-15 | 广东技术师范大学 | 基于整体动态特征的心电信号分类方法及系统 |
| CN117243584A (zh) * | 2023-09-11 | 2023-12-19 | 深圳市熠华智能科技有限公司 | 基于手环式心电设备的心率监测方法、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120271181A1 (en) * | 2011-04-25 | 2012-10-25 | Cyberonics Inc. | Identifying seizures using heart rate decrease |
| US20180240543A1 (en) * | 2015-11-06 | 2018-08-23 | Fujitsu Limited | Information processing apparatus, method and non-transitory computer-readable storage medium |
| CN109691994A (zh) * | 2019-01-31 | 2019-04-30 | 英菲泰克(天津)科技有限公司 | 一种基于心电图的心率监测分析方法 |
| CN110840443A (zh) * | 2019-11-29 | 2020-02-28 | 京东方科技集团股份有限公司 | 心电信号处理方法、心电信号处理装置和电子设备 |
| CN111310652A (zh) * | 2020-02-13 | 2020-06-19 | 平安科技（深圳）有限公司 | 基于分类回归双域模型的流量识别方法和系统 |
| CN112967801A (zh) * | 2021-01-28 | 2021-06-15 | 安徽华米健康科技有限公司 | Pai值处理方法、装置、设备和存储介质 |
| CN113520401A (zh) * | 2021-06-18 | 2021-10-22 | 清华大学 | 心电信号的分类方法和装置 |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120271181A1 (en) * | 2011-04-25 | 2012-10-25 | Cyberonics Inc. | Identifying seizures using heart rate decrease |
| US20180240543A1 (en) * | 2015-11-06 | 2018-08-23 | Fujitsu Limited | Information processing apparatus, method and non-transitory computer-readable storage medium |
| CN109691994A (zh) * | 2019-01-31 | 2019-04-30 | 英菲泰克(天津)科技有限公司 | 一种基于心电图的心率监测分析方法 |
| CN110840443A (zh) * | 2019-11-29 | 2020-02-28 | 京东方科技集团股份有限公司 | 心电信号处理方法、心电信号处理装置和电子设备 |
| CN111310652A (zh) * | 2020-02-13 | 2020-06-19 | 平安科技（深圳）有限公司 | 基于分类回归双域模型的流量识别方法和系统 |
| CN112967801A (zh) * | 2021-01-28 | 2021-06-15 | 安徽华米健康科技有限公司 | Pai值处理方法、装置、设备和存储介质 |
| CN113520401A (zh) * | 2021-06-18 | 2021-10-22 | 清华大学 | 心电信号的分类方法和装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115337018A (zh) * | 2022-09-19 | 2022-11-15 | 广东技术师范大学 | 基于整体动态特征的心电信号分类方法及系统 |
| CN115337018B (zh) * | 2022-09-19 | 2024-01-09 | 广东技术师范大学 | 基于整体动态特征的心电信号分类方法及系统 |
| CN117243584A (zh) * | 2023-09-11 | 2023-12-19 | 深圳市熠华智能科技有限公司 | 基于手环式心电设备的心率监测方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
| US6035223A (en) | Method and apparatus for determining the state of an oximetry sensor | |
| CN112022144B (zh) | 心电异常检测网络训练方法、心电异常预警方法及装置 | |
| Faezipour et al. | A patient-adaptive profiling scheme for ECG beat classification | |
| US11826129B2 (en) | Heart rate prediction from a photoplethysmogram | |
| CN113080986A (zh) | 一种基于可穿戴设备的运动性疲劳检测方法和系统 | |
| CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
| CN111832537B (zh) | 异常心电信号识别方法及异常心电信号识别装置 | |
| Roy et al. | Photoplethysmogram signal quality evaluation by unsupervised learning approach | |
| Hamdi et al. | Real time QRS complex detection using DFA and regular grammar | |
| Zhang et al. | Hybrid feature fusion for classification optimization of short ECG segment in IoT based intelligent healthcare system | |
| CN116211322A (zh) | 一种基于机器学习脑电信号的抑郁症识别方法和系统 | |
| CN111128387A (zh) | 建立癫痫发作检测模型的方法和设备 | |
| Bashar et al. | Extraction of heart rate from PPG Signal: a machine learning approach using decision tree regression algorithm | |
| Li et al. | Prediction of cardiac arrhythmia using deterministic probabilistic finite-state automata | |
| Hao et al. | Combinational feature based random forest classification for enhanced bundle branch block beat detection | |
| WO2021211692A1 (en) | Apparatus and method for determining fetal movement | |
| CN114176550B (zh) | 心率数据分类方法、装置、设备及存储介质 | |
| CN114176550A (zh) | 心率数据分类方法、装置、设备及存储介质 | |
| CN115944305B (zh) | 一种无心拍切分的心电异常检测方法、系统、设备及介质 | |
| CN112057068A (zh) | 一种癫痫病理数据分类方法、装置及存储介质 | |
| Jebakumari et al. | Seizure detection in EGG signal with novel optimization algorithm for selecting optimal thresholded offset Gaussian feature | |
| Yang et al. | ECG-aided PPG signal quality assessment (SQA) system for heart rate estimation | |
| JP2018020018A (ja) | 生体信号処理装置、異常判別方法およびプログラム | |
| Suhail | Asymmetric Back Propagation Neural Network-Based Automatic Cardiac Disease Detection Using Electrocardiogram Signal |
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 |