CN114358081A - 心冲击信号的波峰定位方法、装置和电子设备 - Google Patents
心冲击信号的波峰定位方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114358081A CN114358081A CN202210007983.6A CN202210007983A CN114358081A CN 114358081 A CN114358081 A CN 114358081A CN 202210007983 A CN202210007983 A CN 202210007983A CN 114358081 A CN114358081 A CN 114358081A
- Authority
- CN
- China
- Prior art keywords
- signal
- layer
- target
- index information
- peak
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000035939 shock Effects 0.000 title claims abstract description 72
- 230000000747 cardiac effect Effects 0.000 claims abstract description 69
- 230000015654 memory Effects 0.000 claims abstract description 60
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000004807 localization Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 208000010125 myocardial infarction Diseases 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 9
- 230000014509 gene expression Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000036544 posture Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- PIRWNASAJNPKHT-SHZATDIYSA-N pamp Chemical compound C([C@@H](C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCCNC(N)=N)C(N)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CO)NC(=O)[C@H](C)NC(=O)[C@@H](NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](C)N)C(C)C)C1=CC=CC=C1 PIRWNASAJNPKHT-SHZATDIYSA-N 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000001112 cardioblast Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 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
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种心冲击信号的波峰定位方法、装置和电子设备,获取待定位心冲击信号;将待定位心冲击信号输入至预先训练完成的定位模型中,输出待定位心冲击信号中目标波峰的目标索引信息;目标波峰的目标索引信息包括目标波峰在待定位心冲击信号中的时间信息;其中的定位模型包括输入层、双向长短时记忆网络层、全连接层以及输出层。该方式中,通过包括输入层、双向长短时记忆网络层、全连接层以及输出层的定位模型,可以定位各种环境下,心冲击信号中的目标波峰,提高了心冲击信号中目标波峰的定位精度。
Description
技术领域
本发明涉及信号处理技术领域,尤其是涉及一种心冲击信号的波峰定位方法、装置和电子设备。
背景技术
心冲击(ballistocardiogram,BCG)信号为非接触式检测信号,心冲击信号通常在家庭环境用于健康检测。比如,通过非接触式的传感器采集心冲击信号,将采集的信号进行各种处理,以达到健康监测的目的。通常心冲击信号包括多个波峰,其中的J波隐含的信息较多,因此目前针对J波的定位处理较为常见。
相关技术中,通常采用模板匹配法、差分阈值法、无监督学习法等定位心冲击信号的J波。但是BCG信号易因噪音干扰、个体差异、采集方式以及采集设备的不同呈现不同的形态。具体表现在各个波峰幅值以及距离的相对变化,“W”波模式不再明显。应用于整夜睡眠采集时,受试者的BCG波群会因为多重因素的干扰表现出明显差异。其次BCG的采集标准并不统一,不同的采集设备及对应去噪处理后的信号也会表现出明显差异。因此,上述方式无法准确的定位情况下BCG的J波。
发明内容
有鉴于此,本发明的目的在于提供一种心冲击信号的波峰定位方法、装置和电子设备,以提高心冲击信号中目标波峰的定位精度。
第一方面,本发明实施例提供了一种心冲击信号的波峰定位方法,方法包括:获取待定位心冲击信号;将待定位心冲击信号输入至预先训练完成的定位模型中,输出待定位心冲击信号中目标波峰的目标索引信息;目标波峰的目标索引信息包括目标波峰在待定位心冲击信号中的时间信息;其中,定位模型包括输入层、双向长短时记忆网络层、全连接层以及输出层。
进一步的,双向长短时记忆网络层包括相互连接的第一双向长短时记忆网络层和第二双向长短时记忆网络层;全连接层包括相互连接第一全连接层和第二全连接层;输入层与第一双向长短时记忆网络层连接;第二双向长短时记忆网络层与第一全连接层连接;第二全连接层与输出层连接;第一双向长短时记忆网络层设置有第一预设数值的隐藏层单元,第二双向长短时记忆网络层设置有第二预设数值的隐藏层单元;第一全连接层设置有第三预设数值的隐藏层单元;第二连接层设置有第四预设数值的隐藏层单元。
进一步的,定位模型通过下述方式训练:获取心冲击信号的训练信号;其中,训练信号中标注有第一标识符,第一标识符用于指示目标波峰的标准索引信息;将训练信号输入至定位模型,输出训练信号中目标波峰的预测索引信息;根据预测索引信息和标准索引信息,计算预测索引信息的损失值;基于损失值优化定位模型的模型参数,直至损失值满足预设条件,得到训练完成的定位模型。
进一步的,获取心冲击信号的训练信号的步骤,包括:获取同一被试对象在相同时间内的初始心冲击信号和初始心电信号;通过R波定位算法,在初始心电信号的R波上标注第二标识符,得到初始心冲击信号的参考信号;其中,第二标识符用于指示R波的索引信息;基于参考信号,确定初始心冲击信号中目标波峰;在目标波峰上标注第二标识符,得到心冲击信号的训练信号。
进一步的,获取同一被试对象在相同时间内的初始心冲击信号和初始心电信号的步骤之后,方法还包括:去除初始心冲击信号中的运行非正常信号。
进一步的,在目标波峰上标注第二标识符,得到心冲击信号的训练信号的步骤之后,方法还包括:将训练信号进行序列处理,得到多维数据矩阵;其中,数据矩阵的步长为指定步长。
进一步的,目标波峰至少包括:心冲击信号的J波;方法还包括:基于心冲击信号中目标波峰的目标索引信息,计算心冲击信号所属对象的心率。
第二方面,本发明实施例提供了一种心冲击信号的波峰定位装置,装置包括:获取模块,用于获取待定位心冲击信号;定位模块,用于将待定位心冲击信号输入至预先训练完成的定位模型中,输出待定位心冲击信号中目标波峰的目标索引信息;目标波峰的目标索引信息包括目标波峰在待定位心冲击信号中的时间信息;其中,定位模型包括输入层、双向长短时记忆网络层、全连接层以及输出层。
第三方面,本发明实施例提供了一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的机器可执行指令,处理器执行机器可执行指令以实现权第一方面任一项的心冲击信号的波峰定位方法。
第四方面,本发明实施例提供了一种机器可读存储介质,机器可读存储介质存储有机器可执行指令,机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现第一方面任一项的心冲击信号的波峰定位方法。
本发明实施例带来了以下有益效果:
本发明提供了一种心冲击信号的波峰定位方法、装置和电子设备,获取待定位心冲击信号;将待定位心冲击信号输入至预先训练完成的定位模型中,输出待定位心冲击信号中目标波峰的目标索引信息;目标波峰的目标索引信息包括目标波峰在待定位心冲击信号中的时间信息;其中的定位模型包括输入层、双向长短时记忆网络层、全连接层以及输出层。该方式中,通过包括输入层、双向长短时记忆网络层、全连接层以及输出层的定位模型,可以定位各种环境下,心冲击信号中的目标波峰,提高了心冲击信号中目标波峰的定位精度。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明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发明的一些实施方式,对于本领域技术人员来讲,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为本发明实施例提供的一种心冲击信号的波峰定位方法流程图;
图2为本发明实施例提供的一种心冲击信号的波峰定位方法中定位模型的示意图;
图3为本发明实施例提供的一种心冲击信号的波峰定位装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
鉴于心电图(electrocardiogram,ECG)采集无可避免的接触性干扰和相对专业化的操作过程,适合家庭环境的非接触式心冲击(ballistocardiogram,BCG)信号检测技术备受瞩目,而由此带来的心跳检测的精度和泛化能力问题成为制约其应用的瓶颈。目前常用的J波定位方法有模板匹配法、差分阈值法、无监督学习法等。上述方法的不足在于未考虑到BCG形态的不稳定性,使得算法在不同采集情况下的泛化能力不足。实际采集过程中,BCG信号易因噪音干扰、个体差异、采集方式以及采集设备的不同呈现不同的形态。具体表现在各个波峰幅值以及距离的相对变化,“W”波模式不再明显。应用于整夜睡眠采集时,受试者的BCG波群会因为多重因素的干扰表现出明显差异。其次BCG的采集标准并不统一,不同的采集设备及对应去噪处理后的信号也会表现出明显差异,因此上述的心跳检测方法对形态标准且模式单一的BCG信号有很强的依赖性,以BCG波群内在的时序特征进行检测是解决此类问题的关键。
基于此,本发明实施例提供的一种心冲击信号的波峰定位方法、装置和电子设备,该技术可以应用于具有信号处理功能的设备。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种心冲击信号的波峰定位方法进行详细介绍,如图1所示,该方法包括:
步骤S102,获取待定位心冲击信号;
上述待定位心冲击信号通常是通过采集装置采集的被试对象的心冲击信号。上述心冲击信号可以是被试对象在仰卧、俯卧、左侧卧、右侧卧四种睡姿下采集的心冲击信号。且在获取到心冲击信号后,还需要对心冲击心血号进行初步信号处理,包括滤波、放大、分析、整理、AD(模拟信号到数字信号)转换,还包括运动伪影去除处理,即将信号幅值大于预设阈值的信号去除,预设阈值可以是所有信号的平均值。具体可以通过短时能量法对BCG数据进行滑动窗口阈值检测,表达式为:
其中的e(i)为得到的能量信号,n表示窗口大小,即采样点数,s表示原始信号,mean表示窗口内原始信号的均值。BCG信号容易受到运动振动的影响,运动伪影的幅值要远高于BCG信号的幅值,若信号幅值不在正常阈值内,则将该段信号剔除。最后得到上述待定位心冲击信号。
步骤S104,将待定位心冲击信号输入至预先训练完成的定位模型中,输出待定位心冲击信号中目标波峰的目标索引信息;目标波峰的目标索引信息包括目标波峰在待定位心冲击信号中的时间信息;其中,定位模型包括输入层、双向长短时记忆网络层、全连接层以及输出层。
上述双向长短时记忆网络层由前向长短时记忆网络层(Long Short Term MemoryNetwork,LSTM)和后向长短时记忆网络层组成,LSTM是一种特殊的循环神经网络(Recurrent Neural Network,RNN)。LSTM对于长期依赖信息具有很强的学习能力,每个细胞单元中都含有三个门控单元:输入门、遗忘门、输出门,通过当前细胞状态与门权限决定输出,能有效地解决梯度消失问题。每个细胞单元工作时,会先通过遗忘门,决定从原细胞记忆中保留多少比例的信息。遗忘门表达式如式下式所示:
Γf=σ(wf[h(t-1),x(t)]+bf)
其中,σ为sigmoid激活函数,wf为遗忘门权值矩阵,h(t-1)为(t-1)时刻的隐藏层状态,x(t)为t时刻的输入,bf为遗忘门截距。
接下来通过输入门确定新信息存到新的细胞状态里的比例,输入门表达式以及细胞状态修正值表达式分别如下述公式所示:
Γi=σ(wi[h(t-1),x(t)]+bi);
其中,wi,bi为输入门权值及截距,wc,bc为细胞状态修正权值及截距。
最后依据当前状态信息决定输出部分,得到新的细胞状态,更新隐藏层。输出门表达式、当前细胞状态表达式及当前时刻隐藏层表达式如下述公式:
Γo=σ(wo[h(t-1),x(t)]+bo);
h(t)=Γo*tanh C(t);
其中,wo,bo为输出门权值及截距,tanh为双曲正切函数。
最终定位模型输出模式为多对多模式,每段序列数据含有100个步长,输出产生100个分类结果。即上述待定位心冲击信号中目标波峰的目标索引信息。
本发明实施例提供了一种心冲击信号的波峰定位方法,获取待定位心冲击信号;将待定位心冲击信号输入至预先训练完成的定位模型中,输出待定位心冲击信号中目标波峰的目标索引信息;目标波峰的目标索引信息包括目标波峰在待定位心冲击信号中的时间信息;其中的定位模型包括输入层、双向长短时记忆网络层、全连接层以及输出层。该方式中,通过包括输入层、双向长短时记忆网络层、全连接层以及输出层的定位模型,可以定位各种环境下,心冲击信号中的目标波峰,提高了心冲击信号中目标波峰的定位精度。
上述双向长短时记忆网络层包括相互连接的第一双向长短时记忆网络层和第二双向长短时记忆网络层;全连接层包括相互连接第一全连接层和第二全连接层;输入层与第一双向长短时记忆网络层连接;第二双向长短时记忆网络层与第一全连接层连接;第二全连接层与输出层连接;第一双向长短时记忆网络层设置有第一预设数值的隐藏层单元,第二双向长短时记忆网络层设置有第二预设数值的隐藏层单元;第一全连接层设置有第三预设数值的隐藏层单元;第二连接层设置有第四预设数值的隐藏层单元。
上述第一预设数值可以是128,第二预设数值可以是64,上述第一预设数值可以是32,上述第一预设数值可以是16。如图2所示的定位模型的示意图。
下面描述定位模型通过下述方式训练:获取心冲击信号的训练信号;其中,训练信号中标注有第一标识符,第一标识符用于指示目标波峰的标准索引信息;将训练信号输入至定位模型,输出训练信号中目标波峰的预测索引信息;根据预测索引信息和标准索引信息,计算预测索引信息的损失值;基于损失值优化定位模型的模型参数,直至损失值满足预设条件,得到训练完成的定位模型。
上述目标波峰可以包括J波,还可以包括H波、L波,以及其他波峰,因此,上述第一标识符用于指示J波的标准索引信息,第一标识符可以为“1”,上述训练信号中还可以标注有第二标识符,第三标识符和第四标识符,分别用于指示H波、L波,以及其他波峰的标准索引信息,第二标识符,第三标识符和第四标识符,分别为“2”,“3”和“0”。上述损失值可以根据交叉熵损失函数计算得到。
上述获取心冲击信号的训练信号的步骤,包括:获取同一被试对象在相同时间内的初始心冲击信号和初始心电信号;通过R波定位算法,在初始心电信号的R波上标注第二标识符,得到初始心冲击信号的参考信号;其中,第二标识符用于指示R波的索引信息;基于参考信号,确定初始心冲击信号中目标波峰;在目标波峰上标注第二标识符,得到心冲击信号的训练信号。
具体的,采集受试者仰卧、俯卧、左侧卧、右侧卧四种睡姿数据,共招募到28名志愿者,年龄18~50岁,男性16人,女性12人,四种睡姿分别采集10min。信号经过信号进行滤波、放大、分析、整理、AD转换后获得完整信号。同步使用三导联心电采集系统获取作为参考标准的ECG信号,使用Pan-Tompkins算法检测R波,进行RR间期提取,将该数据作为标准参考数据。
数据以序列片段的形式输入,将采集好的数据打上标签并进行分段处理。通过短时能量法对BCG数据进行滑动窗口阈值检测。表达式为:
e(i)为得到的能量信号,n表示窗口大小,即采样点数,s表示原始信号,mean表示窗口内原始信号的均值。BCG信号容易受到运动振动的影响,运动伪影的幅值要远高于BCG信号的幅值,若信号幅值不在正常阈值内,则将该段信号剔除。
考虑到BCG信号会受到不同睡姿影响,BCG信号的“W”波群会有所差异,阈值法或模板法都不适用于本数据集。聚类算法能通过一定的规则将无标注数据划分为几个不相交的多个子集,同一子集内相似度尽可能大,子集间相似度尽可能小,根据BCG波峰群具有在连续的一段时间内表现出规律性及周期性的特点,因此在给每条BCG进行J点标注时,采用了k均值聚类算法(k-means clustering algorithm)区分BCG信号各类波峰。
算法步骤如下:
(1)检索区间内信号S的k个采样点,找出信号S的所有波峰和所有波谷以及对应索引位置,如下式所示:
其中,Pamp表示波峰幅值,Ppos表示波峰索引,Tamp表示波谷幅值,Tpos表示波谷索引。
(2)使用全部的波峰及波谷信息进行参数计算,对每个波峰计算4个参数,分别为该波峰P(n)的幅值Pa(n)、该波峰邻近波谷T(n)的幅值Ta(n)、波峰P(n)与波谷T(n)之间的距离Pd(n)、波谷T(n)与下一个波峰P(n+1)之间的距离Td(n),各参数表达式如下式所示:
Pa(n)=Pamp(n);Ta(n)=Tamp(n);
Pd(n)=Tpos(n)-Ppos(n);Td(n)=Ppos(n+1)-Tpos(n);
取该波峰及之后连续4个波峰的参数作为该波峰的特征向量构建特征集,每个特征向量共20个参数,如下式所示:
fn=(Pa(n),Ta(n),Pd(n),Td(n),K,Pa(n+4),Ta(n+4),Pd(n+4),Td(n+4));
(3)对特征集进行k-means聚类,聚类数量采用5,距离为欧几里德距离,在五个初始化中选择最佳排列,对聚类后的波峰群进行对应的索引确认,k-means聚类区分各波峰后,进行下一步处理并标注,以J波为索引基准,分别定位H波的索引以及L波的索引。为了使得数据集样本分类均衡,将每条BCG信号中J波标记为1,H波标记为2,L波标记为3,其余波峰标记为0。按照每100个波峰为一个序列将每条BCG数据分割,剩余片段不足100个波峰用0补全。
上述定位模型训练参数设置如下:训练轮数(epoch)为100,采用样本批次训练处理,批次大小设置为50,学习率为0.01。将20%的训练集数据设置为交叉验证集,为了加速训练并提升训练效果,两层Bi-LSTM分别设置了0.5与0.3的随机失活操作(Dropout)来减少过拟合。
在获取同一被试对象在相同时间内的初始心冲击信号和初始心电信号的步骤之后,上述方法还包括:去除初始心冲击信号中的运行非正常信号。
在目标波峰上标注第二标识符,得到心冲击信号的训练信号的步骤之后,上述方法还包括:将训练信号进行序列处理,得到多维数据矩阵;其中,数据矩阵的步长为指定步长。
具体的,输入层采用本文标注处理的特征集进行输入,每条特征序列为100 3的数据矩阵。其中100为步长,对应BCG序列中100个波峰的索引信息;3为维度,对应每个波峰的特征参数量,分别为波峰幅值及与相邻两峰的距离。标签编码为采用独热(one-hot)编码进行处理。
激活函数设置为线性整流函数(Rectified Linear Unit,ReLU);输出层采用softmax激活函数进行逻辑回归,对4种输出结果进行分类。网络优化方法采用自适应矩估计(adaptive moment,Adam)优化器,损失函数采用交叉熵损失函数,每次迭代后根据损失函数的值对网络连接权重和偏置进行优化。
另外,上述方法还包括:基于心冲击信号中目标波峰的目标索引信息,计算心冲击信号所属对象的心率。具体可以根据信号长度以及目标索引信息确定上述心率。
本实施例中,结果中受试者平均偏差率只有0.27%,心跳检测准确率高达99.73%,在瞬时心率检测方面具有较高的精度。平均假阴率不超过1%,只有个别受试者的假阴性样本偏多,平均假阳率则不超过0.3%。个别结果不理想的样本主要是由于采集过程干扰或是睡姿异常状况下的BCG信号失真,使得部分波形不规律,不符合模型所学习到的序列特征规律。而深度学习的优点在于扩大样本量可减弱过拟合现象,当扩充的样本量足够时,部分特殊形状的BCG波形也可正确识别。在查全率以及查准率方面,本方法的识别方法则分别达到了99.15%和98.90%,具有较高的精度。另外,以该方法识别的J波为基础,可进一步应用至心率变异性的计算,通过配对样本t检验、皮尔逊相关系数及Bland-Alt法的检验,ECG信号计算的心率可以代替ECG信号的参考心率。
为验证本方法的理论依据及泛化能力,在未经新一轮训练的前提下,采用原有的模型进行了跨设备数据集验证实验,平均偏差率只有2.16%,综合查全率以及查准率皆在90%以上,在心率检测结果中的性能也属于较高水准。说明本模型在一定误差范围内会确保J波即心率数量占到一定比例,学习到的是BCG信号时序片段特征。这还是在未扩充数据集的情况下,该模型实现了不同被试、不同睡姿及不同采集环境下的高准确检测。考虑到深度学习算法的优势,该方法的性能在扩充训练集的条件下可以进一步提升。
对应上述方法实施例,本发明实施例还提供了一种心冲击信号的波峰定位装置,如图3所示,该装置包括:
获取模块31,用于获取待定位心冲击信号;
定位模块32,用于将待定位心冲击信号输入至预先训练完成的定位模型中,输出待定位心冲击信号中目标波峰的目标索引信息;目标波峰的目标索引信息包括目标波峰在待定位心冲击信号中的时间信息;其中,定位模型包括输入层、双向长短时记忆网络层、全连接层以及输出层。
本发明提供了一种心冲击信号的波峰定位装置,获取待定位心冲击信号;将待定位心冲击信号输入至预先训练完成的定位模型中,输出待定位心冲击信号中目标波峰的目标索引信息;目标波峰的目标索引信息包括目标波峰在待定位心冲击信号中的时间信息;其中的定位模型包括输入层、双向长短时记忆网络层、全连接层以及输出层。该方式中,通过包括输入层、双向长短时记忆网络层、全连接层以及输出层的定位模型,可以定位各种环境下,心冲击信号中的目标波峰,提高了心冲击信号中目标波峰的定位精度。
进一步的,上述双向长短时记忆网络层包括相互连接的第一双向长短时记忆网络层和第二双向长短时记忆网络层;全连接层包括相互连接第一全连接层和第二全连接层;输入层与第一双向长短时记忆网络层连接;第二双向长短时记忆网络层与第一全连接层连接;第二全连接层与输出层连接;第一双向长短时记忆网络层设置有第一预设数值的隐藏层单元,第二双向长短时记忆网络层设置有第二预设数值的隐藏层单元;第一全连接层设置有第三预设数值的隐藏层单元;第二连接层设置有第四预设数值的隐藏层单元。
进一步的,上述装置还包括训练模块,用于获取心冲击信号的训练信号;其中,训练信号中标注有第一标识符,第一标识符用于指示目标波峰的标准索引信息;将训练信号输入至定位模型,输出训练信号中目标波峰的预测索引信息;根据预测索引信息和标准索引信息,计算预测索引信息的损失值;基于损失值优化定位模型的模型参数,直至损失值满足预设条件,得到训练完成的定位模型。
进一步的,上述训练模块还用于:获取同一被试对象在相同时间内的初始心冲击信号和初始心电信号;通过R波定位算法,在初始心电信号的R波上标注第二标识符,得到初始心冲击信号的参考信号;其中,第二标识符用于指示R波的索引信息;基于参考信号,确定初始心冲击信号中目标波峰;在目标波峰上标注第二标识符,得到心冲击信号的训练信号。
进一步的,上述训练模块还用于:去除初始心冲击信号中的运行非正常信号。
进一步的,上述训练模块还用于:将训练信号进行序列处理,得到多维数据矩阵;其中,数据矩阵的步长为指定步长。
进一步的,上述目标波峰至少包括:心冲击信号的J波;上述装置还包括心率计算模块,用于:基于心冲击信号中目标波峰的目标索引信息,计算心冲击信号所属对象的心率。
本发明实施例提供的心冲击信号的波峰定位装置,与上述实施例提供的心冲击信号的波峰定位方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本实施例还提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的机器可执行指令,处理器执行机器可执行指令以实现上述心冲击信号的波峰定位方法。该电子设备可以是服务器,也可以是终端设备。
参见图4所示,该电子设备包括处理器100和存储器101,该存储器101存储有能够被处理器100执行的机器可执行指令,该处理器100执行机器可执行指令以实现上述心冲击信号的波峰定位方法。
进一步地,图4所示的电子设备还包括总线102和通信接口103,处理器100、通信接口103和存储器101通过总线102连接。
其中,存储器101可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器100可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器100中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器100可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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发明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也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器101,处理器100读取存储器101中的信息,结合其硬件完成前述实施例的方法的步骤。
本实施例还提供一种机器可读存储介质,机器可读存储介质存储有机器可执行指令,机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现上述心冲击信号的波峰定位方法。
本发明实施例所提供的心冲击信号的波峰定位方法、装置、电子设备以及系统的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元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取存储介质中。基于这样的理解,本发明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,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种心冲击信号的波峰定位方法,其特征在于,所述方法包括:
获取待定位心冲击信号;
将所述待定位心冲击信号输入至预先训练完成的定位模型中,输出所述待定位心冲击信号中目标波峰的目标索引信息;所述目标波峰的目标索引信息包括所述目标波峰在所述待定位心冲击信号中的时间信息;
其中,所述定位模型包括输入层、双向长短时记忆网络层、全连接层以及输出层。
2.根据权利要求1所述的方法,其特征在于,所述双向长短时记忆网络层包括相互连接的第一双向长短时记忆网络层和第二双向长短时记忆网络层;所述全连接层包括相互连接第一全连接层和第二全连接层;
所述输入层与所述第一双向长短时记忆网络层连接;所述第二双向长短时记忆网络层与所述第一全连接层连接;所述第二全连接层与所述输出层连接;
所述第一双向长短时记忆网络层设置有第一预设数值的隐藏层单元,所述第二双向长短时记忆网络层设置有第二预设数值的隐藏层单元;所述第一全连接层设置有第三预设数值的隐藏层单元;所述第二连接层设置有第四预设数值的隐藏层单元。
3.根据权利要求1所述的方法,其特征在于,所述定位模型通过下述方式训练:
获取所述心冲击信号的训练信号;其中,所述训练信号中标注有第一标识符,所述第一标识符用于指示所述目标波峰的标准索引信息;
将所述训练信号输入至所述定位模型,输出所述训练信号中目标波峰的预测索引信息;
根据所述预测索引信息和所述标准索引信息,计算所述预测索引信息的损失值;
基于所述损失值优化所述定位模型的模型参数,直至所述损失值满足预设条件,得到训练完成的所述定位模型。
4.根据权利要求1所述的方法,其特征在于,所述获取所述心冲击信号的训练信号的步骤,包括:
获取同一被试对象在相同时间内的初始心冲击信号和初始心电信号;
通过R波定位算法,在所述初始心电信号的R波上标注第二标识符,得到所述初始心冲击信号的参考信号;其中,所述第二标识符用于指示所述R波的索引信息;
基于所述参考信号,确定所述初始心冲击信号中目标波峰;
在所述目标波峰上标注所述第二标识符,得到所述心冲击信号的训练信号。
5.根据权利要求4所述的方法,其特征在于,获取同一被试对象在相同时间内的初始心冲击信号和初始心电信号的步骤之后,所述方法还包括:
去除所述初始心冲击信号中的运行非正常信号。
6.根据权利要求4所述的方法,其特征在于,在所述目标波峰上标注所述第二标识符,得到所述心冲击信号的训练信号的步骤之后,所述方法还包括:
将所述训练信号进行序列处理,得到多维数据矩阵;其中,所述数据矩阵的步长为指定步长。
7.根据权利要求1所述的方法,其特征在于,所述目标波峰至少包括:所述心冲击信号的J波;
所述方法还包括:基于所述心冲击信号中目标波峰的目标索引信息,计算所述心冲击信号所属对象的心率。
8.一种心冲击信号的波峰定位装置,其特征在于,所述装置包括:
获取模块,用于获取待定位心冲击信号;
定位模块,用于将所述待定位心冲击信号输入至预先训练完成的定位模型中,输出所述待定位心冲击信号中目标波峰的目标索引信息;所述目标波峰的目标索引信息包括所述目标波峰在所述待定位心冲击信号中的时间信息;
其中,所述定位模型包括输入层、双向长短时记忆网络层、全连接层以及输出层。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现权利要求1-7任一项所述的心冲击信号的波峰定位方法。
10.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现权利要求1-7任一项所述的心冲击信号的波峰定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210007983.6A CN114358081A (zh) | 2022-01-05 | 2022-01-05 | 心冲击信号的波峰定位方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210007983.6A CN114358081A (zh) | 2022-01-05 | 2022-01-05 | 心冲击信号的波峰定位方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358081A true CN114358081A (zh) | 2022-04-15 |
Family
ID=81107736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210007983.6A Pending CN114358081A (zh) | 2022-01-05 | 2022-01-05 | 心冲击信号的波峰定位方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358081A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116369911A (zh) * | 2023-06-05 | 2023-07-04 | 华南师范大学 | 基于生理信号的心脏信息检测方法、装置以及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113196407A (zh) * | 2018-12-19 | 2021-07-30 | 美敦力泌力美公司 | 用于为个人用户生成个性化的饮食和健康建议或推荐的自动方法和系统 |
CN113288172A (zh) * | 2021-05-24 | 2021-08-24 | 山东师范大学 | 癫痫脑电信号识别方法及系统 |
-
2022
- 2022-01-05 CN CN202210007983.6A patent/CN114358081A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113196407A (zh) * | 2018-12-19 | 2021-07-30 | 美敦力泌力美公司 | 用于为个人用户生成个性化的饮食和健康建议或推荐的自动方法和系统 |
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 |
CN113288172A (zh) * | 2021-05-24 | 2021-08-24 | 山东师范大学 | 癫痫脑电信号识别方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116369911A (zh) * | 2023-06-05 | 2023-07-04 | 华南师范大学 | 基于生理信号的心脏信息检测方法、装置以及设备 |
CN116369911B (zh) * | 2023-06-05 | 2023-08-29 | 华南师范大学 | 基于生理信号的心脏信息检测方法、装置以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Beatgan: Anomalous rhythm detection using adversarially generated time series. | |
CN116705337B (zh) | 一种健康数据采集及智能分析方法 | |
CN110547792B (zh) | 房颤的检测方法、装置、计算机设备及存储介质 | |
CN109758145B (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
CN112883803B (zh) | 一种基于深度学习的心电信号分类方法、装置及存储介质 | |
CN116821809B (zh) | 基于人工智能的生命体征数据采集系统 | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
CN111783887B (zh) | 基于fMRI小世界脑网络计算机分类测谎识别方法 | |
CN106599903B (zh) | 基于相关性的加权最小二乘字典学习的信号重构方法 | |
CN114330572A (zh) | 基于对比学习的异常检测方法、系统及计算机存储介质 | |
CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
CN113349793A (zh) | 一种基于分层注意力模型的心律失常分类方法 | |
CN114358081A (zh) | 心冲击信号的波峰定位方法、装置和电子设备 | |
Xie et al. | Intelligent analysis of premature ventricular contraction based on features and random forest | |
Liu et al. | Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest | |
Liu et al. | LSTM Neural Network for Beat Classification in ECG Identity Recognition. | |
Sayed et al. | Arrhythmia classification based on novel distance series transform of phase space trajectories | |
CN108573240A (zh) | 一种结合形状序列和线性时间归一化的步态身份识别 | |
CN116776245A (zh) | 一种基于机器学习的三相逆变器设备故障诊断方法 | |
CN116350233A (zh) | 一种基于自编码器的心电信号质量评估方法 | |
Xu et al. | Hybrid label noise correction algorithm for medical auxiliary diagnosis | |
CN114366116A (zh) | 一种基于Mask R-CNN网络及心电图的参数获取方法 | |
CN114419657A (zh) | 基于局部片段稀疏表示的ecg身份识别方法 | |
Lee et al. | Comparative neural network based on template cluster for automated abnormal beat detection in electrocardiogram signals | |
CN112686091A (zh) | 基于深度神经网络的两步骤心律失常分类方法 |
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 |