CN114391824A - 一种基于ppg信号的心率估计方法、电子设备及存储介质 - Google Patents

一种基于ppg信号的心率估计方法、电子设备及存储介质 Download PDF

Info

Publication number
CN114391824A
CN114391824A CN202210055542.3A CN202210055542A CN114391824A CN 114391824 A CN114391824 A CN 114391824A CN 202210055542 A CN202210055542 A CN 202210055542A CN 114391824 A CN114391824 A CN 114391824A
Authority
CN
China
Prior art keywords
signal
ppg signal
ppg
target
heart rate
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
Application number
CN202210055542.3A
Other languages
English (en)
Inventor
夏懿
许洋洋
方永康健
张诚志
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.)
Anhui University
Original Assignee
Anhui University
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 Anhui University filed Critical Anhui University
Priority to CN202210055542.3A priority Critical patent/CN114391824A/zh
Publication of CN114391824A publication Critical patent/CN114391824A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明公开了一种基于PPG信号的心率估计方法、电子设备及存储介质，涉及信号处理技术领域。获取光体积描记术PPG传感器采集的目标人员的目标PPG信号；对目标PPG信号进行预处理，得到归一化的目标PPG信号；将归一化的目标PPG信号输入预先训练好的生成对抗网络模型，生成目标PPG信号对应的目标心电描记术ECG信号；使用峰值检测算法对目标ECG信号进行心率估计，得到目标人员的估计心率。提高了使用PPG信号进行心率估计的准确度。

Description

一种基于PPG信号的心率估计方法、电子设备及存储介质
技术领域
本发明涉及信号处理技术领域，具体涉及一种基于PPG信号的心率估计方法、电子设备及存储介质。
背景技术
随着生活质量的提高，人们越来越重视身体健康状况的监测，而心率是监测身体健康状态的重要指标。基于可穿戴设备的心率估计主要有两种方式，一种是使用ECG(Electrocardiography，心电描记术)信号进行心率估计的技术，基于ECG技术的产品，进行心率估计的准确度较高，但使用不方便，不适合长时间进行心率测量；另外一种是使用PPG(Photoplethysmography，光体积描记术)信号来进行心率估计的技术，PPG信号作为一种非侵入式的测量方法，在日常生活中得到了广泛地应用。基于PPG技术的产品，佩戴舒适测量方便，并且适合长时间测量。
现有技术中，基于PPG信号的心率估计方法，是通过光电PPG传感器检测血液容积的变化，进而进行心率估计。而通过光电PPG传感器采集的PPG信号，由于存在运动伪影的影响，使得使用PPG信号进行心率估计时误差较大。
发明内容
本发明实施例的目的在于提供一种基于PPG信号的心率估计方法、电子设备及存储介质，实现提高使用PPG信号进行心率估计的准确度。
具体技术方案如下：
在本发明实施的第一方面，首先提供了一种基于PPG信号的心率估计方法，所述方法包括：
获取光体积描记术PPG传感器采集的目标人员的目标PPG信号；
对所述目标PPG信号进行预处理，得到归一化的目标PPG信号；
将所述归一化的目标PPG信号输入预先训练好的生成对抗网络模型，生成所述目标PPG信号对应的目标心电描记术ECG信号；
使用峰值检测算法对所述目标ECG信号进行心率估计，得到所述目标人员的估计心率。
可选地，对所述目标PPG信号进行预处理，得到归一化的目标PPG信号，包括：
将所述目标PPG信号依次进行重采样和滤波操作，得到预设频率且预设波段的PPG信号，作为第一预处理信号；
将所述第一预处理信号进行Z分数标准化，得到第二预处理信号；
将所述第二预处理信号，分割成多个预设时长的信号片段，作为第三预处理信号；相邻两个第三预处理信号之间存在重叠部分；
将所有第三预处理信号进行归一化处理，得到归一化的目标PPG信号。
可选地，所述生成对抗网络模型包括生成器；
所述生成器包括一个多层感知机、三个编码器模块、两个上采样模块以及一个卷积层组成，连接顺序依次为多层感知机、第一编码器模块、第一上采样模块、第二编码器模块、第二上采样模块、第三编码器模块以及卷积层；其中，所述第一上采样模块和所述第二上采样模块结构相同，都包含一个双三次插值层和一个卷积核为3的一维卷积层；所述第一编码器模块、所述第二编码器模块以及所述第三编码器模块，堆积的编码器个数分别为5个、4个和2个。
可选地，在将所述目标PPG信号输入预先训练好的生成对抗网络模型，得到所述目标PPG信号对应的目标ECG信号之前，所述方法还包括：
获取多个人员的PPG信号以及每一PPG信号对应的同步ECG信号，作为第一训练信号；
对所述第一训练信号进行预处理，得到第二训练信号；
对第二训练信号进行随机打乱，以解除PPG信号与其相应的ECG信号之间的配对耦合关系，得到第三训练信号；
使用第三训练信号对生成器进行训练，直至所述生成对抗网络模型的损失函数收敛，并且生成结果达到预设的ECG信号形态，得到训练好的生成器，完成训练。
可选地，所述生成对抗网络模型为循环一致性对抗网络模型，包括前向通道部分和反向通道部分；
所述前向通道部分，以输入的原始PPG信号P作为第一生成器GA2B的输入，第一生成器执行前向映射操作输出合成ECG信号E′，即GA2B(P)＝E′；然后将合成ECG信号输入到第二生成器GB2A，第二生成器执行反向映射操作生成重建原始PPG信号P″，即GB2A(E′)＝P″，从而构成循环训练；
所述反向通道部分，以输入的原始的ECG信号E作为第二生成器的输入，第二生成器执行所述反向映射操作输出合成PPG信号P′，即GB2A(E)＝P′；然后将合成PPG信号输入到第一生成器中，第一生成器执行所述前向映射操作生成重建原始ECG信号E″，即GA2B(P′)＝E″，从而构成完整的循环训练。
可选地，所述生成对抗网络模型的损失函数由对抗损失与循环一致性损失组成；
所述前向通道部分还包括第一鉴别器DE，所述前向映射操作的对抗损失为：
Figure BDA0003476346810000031
所述反向通道部分还包括第二鉴别器DP，所述反向映射操作的对抗损失为：
Figure BDA0003476346810000032
所述循环一致性损失为：
Lcyc(GA2B,GB2A)＝Ee～E[GA2B(GB2A(e))-e||1]+Ep～P[GB2A(GA2B(p))-p||1]；
所述生成对抗网络模型的损失函数为：
LALL＝αLadv(GA2B,DE)+αLadv(GB2A,DP)+βLcyc(GA2B,GB2A)，其中α和β为预设权重参数。
本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的基于PPG信号的心率估计方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的基于PPG信号的心率估计方法。
本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的基于PPG信号的心率估计方法。
本发明实施例提供的基于PPG信号的心率估计方法，获取光体积描记术PPG传感器采集的目标人员的目标PPG信号；对目标PPG信号进行预处理，得到归一化的目标PPG信号；将归一化的目标PPG信号输入预先训练好的生成对抗网络模型，生成目标PPG信号对应的目标心电描记术ECG信号；使用峰值检测算法对目标ECG信号进行心率估计，得到目标人员的估计心率。通过生成对抗网络模型可以根据测量的PPG信号生成ECG信号，并使用生成的ECG信号进行心率估计。提高了使用PPG信号进行心率估计的准确度。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明实施例提供的一种基于PPG信号的心率估计方法的流程图；
图2为本发明实施例提供的另一种基于PPG信号的心率估计方法的流程图；
图3为本发明实施例提供的生成对抗网络模型的生成器的结构图；
图4为本发明实施例提供的另一种基于PPG信号的心率估计方法的流程图；
图5为本发明实施例提供的生成对抗网络模型的整体架构图；
图6为本发明实施例提供的生成对抗网络模型的鉴别器的结构图；
图7为本发明实施例提供的生成对抗网络模型根据PPG信号生成ECG信号的示例图；
图8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
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，都属于本发明保护的范围。
本发明实施例提供了一种基于PPG信号的心率估计方法。参见图1，图1为本发明实施例提供的一种基于PPG信号的心率估计方法的流程图，该方法可以包括以下步骤：
S101，获取PPG传感器采集的目标人员的目标PPG信号。
S102，对目标PPG信号进行预处理，得到归一化的目标PPG信号。
S103，将归一化的目标PPG信号输入预先训练好的生成对抗网络模型，生成目标PPG信号对应的ECG信号。
S104，使用峰值检测算法对目标ECG信号进行心率估计，得到目标人员的估计心率。
基于本发明实施例提供的基于PPG信号的心率估计方法通过生成对抗网络模型可以根据测量的PPG信号生成ECG信号，并使用生成的ECG信号进行心率估计。提高了使用PPG信号进行心率估计的准确度。
一种实现方式中，目标人员可以佩戴运动手环，该运动手环中可以安装有PPG传感器，使PPG信号的采集更方便，并且适合长时间采集。
一种实现方式中，在生成对抗网络模型进行训练时，需要对训练数据进行预处理，而在进行心率估计时，需要对目标PPG信号进行同样预处理。
一种实现方式中，可以使用现有技术中任意一种峰值检测算法对目标ECG信号进行心率估计，在此不做限定。使用ECG信号进行心率估计的精准度高，通过采集的目标PPG信号，生成对应的目标ECG信号，使用目标ECG信号进行心率估计，既保留了PPG信号采集的便利性，又提高了心率估计的精准度。
参见图2，在图1的基础上，步骤S102包括：
S1021，将目标PPG信号依次进行重采样和滤波操作，得到预设频率且预设波段的PPG信号，作为第一预处理信号。
S1022，将第一预处理信号进行Z分数标准化，得到第二预处理信号。
S1023，将第二预处理信号，分割成多个预设时长的信号片段，作为第三预处理信号。
S1024，将所有第三预处理信号进行归一化处理，得到归一化的目标PPG信号。
相邻两个第三预处理信号之间存在重叠部分。
一种实现方式中，可以使用插值法将目标PPG信号重新采样到128Hz，使用通频带频率为1Hz、阻频带频率为8Hz的带通巴特沃斯滤波器(band-pass Butter worth filter)对重采样后的目标PPG信号进行滤波。
一种实现方式中，预设时长可以由技术人员根据经验进行设置，例如，预设时长可以设置为2s、4s等等，在此不作限定。
一种实现方式中，可以将所有第三预处理信号进行[-1,1]之间的归一化。
在一个实施例中，生成对抗网络模型包括生成器；生成器包括一个多层感知机、三个编码器模块、两个上采样模块以及一个卷积层组成，连接顺序依次为多层感知机、第一编码器模块、第一上采样模块、第二编码器模块、第二上采样模块、第三编码器模块以及卷积层；其中，第一上采样模块和第二上采样模块结构相同，都包含一个双三次插值层和一个卷积核为3的一维卷积层；第一编码器模块、第二编码器模块以及第三编码器模块，堆积的编码器个数分别为5个、4个和2个。
一种实现方式中，生成器可以根据输入信号生成一维医学信号。
参见图3，图3为本发明实施例提供的生成对抗网络模型的生成器的结构图。
原始数据(可以为目标PPG信号，或者为第三训练信号)首先进入多层感知机(M)，然后依次经过第一编码器模块(T1)、第一上采样模块(U1)、第二编码器模块(T2)、第二上采样模块(U2)、第三编码器模块(T3)以及卷积层(C)，最后输出一维信号。生成器通过采取两次上采样的方式，以使原始数据达到目标尺寸。
参见图4，在图1的基础上，在S103之前该方法还包括：
S105，获取多个人员的PPG信号以及每一PPG信号对应的同步ECG信号，作为第一训练信号。
S106，对第一训练信号进行预处理，得到第二训练信号。
S107，对第二训练信号进行随机打乱，以解除PPG信号与其相应的ECG信号之间的配对耦合关系，得到第三训练信号。
S108，使用第三训练信号对生成器进行训练，直至生成对抗网络模型的损失函数收敛，并且生成结果达到预设的ECG信号形态，得到训练好的生成器，完成训练。
一种实现方式中，可以使用PPG-DaLiA数据集获取第一训练信号，该数据集中PPG信号的采样频率是64Hz,ECG信号的采用频率是700Hz。第一训练信号中的PPG信号可以使用S1021-S1024相同的方法进行预处理。第一训练信号中的ECG信号，首先重新采样到128Hz，然后使用通带频率为3Hz、阻带频率为45Hz的带通FIR滤波器(band-pass FIR filter)对ECG信号进行滤波，最后，使用S1022-S1024相同的方法进行预处理。
在一个实施例中，生成对抗网络模型为循环一致性对抗网络模型，包括前向通道部分和反向通道部分；
前向通道部分，以输入的原始PPG信号P作为第一生成器GA2B的输入，第一生成器执行前向映射操作输出合成ECG信号E′，即GA2B(P)＝E′；然后将合成ECG信号输入到第二生成器GB2A，第二生成器执行反向映射操作生成重建原始PPG信号P″，即GB2A(E′)＝P″，从而构成循环训练；
反向通道部分，以输入的原始的ECG信号E作为第二生成器的输入，第二生成器执行反向映射操作输出合成PPG信号P′，即GB2A(E)＝P′；然后将合成PPG信号输入到第一生成器中，第一生成器执行前向映射操作生成重建原始ECG信号E″，即GA2B(P′)＝E″，从而构成完整的循环训练。
一种实现方式中，参见图5，图5为本发明实施例提供的生成对抗网络模型的整体架构图。
虚线框A部分是生成对抗网络模型的前向通道部分，Generator A2B为第一生成器，Generator B2A为第二生成器。Input_PPG(原始PPG信号)输入第一生成器，通过第一生成器生成Generated_ECG(合成ECG信号)，并输入第二生成器生成Cyclic_PPG(重建原始PPG信号)。
虚线框B部分是生成对抗网络模型的反向通道部分。Input_ECG(原始ECG信号)输入第二生成器，通过第二生成器生成Generated_PPG(合成PPG信号)，并输入第一生成器生成Cyclic_ECG(重建原始ECG信号)。
生成对抗网络模型还包括两个鉴别器，分别为Discriminator A(第二鉴别器)和Discriminator B(第一鉴别器)。第二鉴别器的输入为重建原始PPG信号或者原始PPG信号，用于判断重建原始PPG信号或者原始PPG信号是真实的还是由生成器合成的假信号，输出为Decision[0,1]，即输出为0表示第二鉴别器将重建原始PPG信号或者原始PPG信号判别为生成器合成的假信号，输出为1表示第二鉴别器将重建原始PPG信号或者原始PPG信号判别为真实的信号(即非合成PPG信号)。第一鉴别器的输入为重建原始ECG信号或者原始ECG信号，用于判断重建原始ECG信号或者原始ECG信号是真实的还是由生成器合成的假信号，输出为Decision[0,1]，即输出为0表示第一鉴别器将重建原始ECG信号或者原始ECG信号判别为生成器合成的假信号，输出为1表示第一鉴别器将重建原始ECG信号或者原始ECG信号判别为真实的信号(即非合成ECG信号)。
参见图6，图6为本发明实施例提供的生成对抗网络模型的鉴别器的结构图。
鉴别器由5个卷积层组成，除了最后一层卷积之外，每层卷积之后都有一层LeakyReLU激活函数。中间的三层卷积后面分别多了一个层归一化(layer normalization)。除了最后一层卷积的卷积核为32，其余的卷积核为16，步长为2。
在一个实施例中，生成对抗网络模型的损失函数由对抗损失与循环一致性损失组成；
前向通道部分还包括第一鉴别器DE，前向映射操作的对抗损失为：
Figure BDA0003476346810000101
反向通道部分还包括第二鉴别器DP，反向映射操作的对抗损失为：
Figure BDA0003476346810000102
循环一致性损失为：
Lcyc(GA2B,GB2A)＝Ee～E[GA2B(GB2A(e))-e||1]+Ep～P[GB2A(GA2B(p))-p||1]；
生成对抗网络模型的损失函数为：
LALL＝αLadv(GA2B,DE)+αLadv(GB2A,DP)+βLcyc(GA2B,GB2A)，其中α和β为预设权重参数。
一种实现方式中，预设权重参数α＝3和β＝30。
在一个实施例中，可以对步骤S108中训练好的生成对抗网络模型的心率估计准确度计算。获取多个人员的PPG信号以及作为每一PPG信号标签的同步ECG信号，作为第四训练信号。将第四训练信号进行预处理后，输入训练好的生成对抗网络模型，生成相应的ECG信号，作为第五训练信号。针对每一第五训练信号，将该第五训练信号与作为标签的同步ECG(该第五训练信号对应的PPG信号的标签)信号进行比较，根据式(1)计算MAE(MeanAbsolute Error,平均绝对误差)。
Figure BDA0003476346810000103
若计算的平均绝对误差不能满足实际要求，可以依次重复训练生成对抗网络模型并计算心率估计准确度，直至心率估计准确度满足实际使用需求。
参见图7，图7为本发明实施例提供的生成对抗网络模型根据PPG信号生成ECG信号的示例图。
PPG Input为输入生成对抗网络模型的PPG信号，ECG Output为生成对抗网络模型输出的ECG信号，Original ECG为输入的PPG信号的标签ECG信号。
本发明实施例还提供了一种电子设备，如图8所示，包括处理器801、通信接口802、存储器803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信，
存储器803，用于存放计算机程序；
处理器801，用于执行存储器803上所存放的程序时，实现如下步骤：
获取光体积描记术PPG传感器采集的目标人员的目标PPG信号；
对所述目标PPG信号进行预处理，得到归一化的目标PPG信号；
将所述归一化的目标PPG信号输入预先训练好的生成对抗网络模型，生成所述目标PPG信号对应的目标心电描记术ECG信号；
使用峰值检测算法对所述目标ECG信号进行心率估计，得到所述目标人员的估计心率。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
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(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一基于PPG信号的心率估计方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一基于PPG信号的心率估计方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和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。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于电子设备及存储介质而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (8)

1.一种基于PPG信号的心率估计方法，其特征在于，所述方法包括：
获取光体积描记术PPG传感器采集的目标人员的目标PPG信号；
对所述目标PPG信号进行预处理，得到归一化的目标PPG信号；
将所述归一化的目标PPG信号输入预先训练好的生成对抗网络模型，生成所述目标PPG信号对应的目标心电描记术ECG信号；
使用峰值检测算法对所述目标ECG信号进行心率估计，得到所述目标人员的估计心率。
2.根据权利要求1所述的一种基于PPG信号的心率估计方法，其特征在于，对所述目标PPG信号进行预处理，得到归一化的目标PPG信号，包括：
将所述目标PPG信号依次进行重采样和滤波操作，得到预设频率且预设波段的PPG信号，作为第一预处理信号；
将所述第一预处理信号进行Z分数标准化，得到第二预处理信号；
将所述第二预处理信号，分割成多个预设时长的信号片段，作为第三预处理信号；相邻两个第三预处理信号之间存在重叠部分；
将所有第三预处理信号进行归一化处理，得到归一化的目标PPG信号。
3.根据权利要求1所述的一种基于PPG信号的心率估计方法，其特征在于，所述生成对抗网络模型包括生成器；
所述生成器包括一个多层感知机、三个编码器模块、两个上采样模块以及一个卷积层组成，连接顺序依次为多层感知机、第一编码器模块、第一上采样模块、第二编码器模块、第二上采样模块、第三编码器模块以及卷积层；其中，所述第一上采样模块和所述第二上采样模块结构相同，都包含一个双三次插值层和一个卷积核为3的一维卷积层；所述第一编码器模块、所述第二编码器模块以及所述第三编码器模块，堆积的编码器个数分别为5个、4个和2个。
4.根据权利要求3所述的一种基于PPG信号的心率估计方法，其特征在于，在将所述目标PPG信号输入预先训练好的生成对抗网络模型，得到所述目标PPG信号对应的目标ECG信号之前，所述方法还包括：
获取多个人员的PPG信号以及每一PPG信号对应的同步ECG信号，作为第一训练信号；
对所述第一训练信号进行预处理，得到第二训练信号；
对第二训练信号进行随机打乱，以解除PPG信号与其相应的ECG信号之间的配对耦合关系，得到第三训练信号；
使用第三训练信号对生成器进行训练，直至所述生成对抗网络模型的损失函数收敛，并且生成结果达到预设的ECG信号形态，得到训练好的生成器，完成训练。
5.根据权利要求4所述的一种基于PPG信号的心率估计方法，其特征在于，所述生成对抗网络模型为循环一致性对抗网络模型，包括前向通道部分和反向通道部分；
所述前向通道部分，以输入的原始PPG信号P作为第一生成器GA2B的输入，第一生成器执行前向映射操作输出合成ECG信号E′，即GA2B(P)＝E′；然后将合成ECG信号输入到第二生成器GB2A，第二生成器执行反向映射操作生成重建原始PPG信号P″，即GB2A(E′)＝P″，从而构成循环训练；
所述反向通道部分，以输入的原始的ECG信号E作为第二生成器的输入，第二生成器执行所述反向映射操作输出合成PPG信号P′，即GB2A(E)＝P′；然后将合成PPG信号输入到第一生成器中，第一生成器执行所述前向映射操作生成重建原始ECG信号E″，即GA2B(P′)＝E″，从而构成完整的循环训练。
6.根据权利要求5所述的一种基于PPG信号的心率估计方法，其特征在于，所述生成对抗网络模型的损失函数由对抗损失与循环一致性损失组成；
所述前向通道部分还包括第一鉴别器DE，所述前向映射操作的对抗损失为：
Figure FDA0003476346800000031
所述反向通道部分还包括第二鉴别器DP，所述反向映射操作的对抗损失为：
Figure FDA0003476346800000032
所述循环一致性损失为：
Lcyc(GA2B,GB2A)＝Ee～E[||GA2B(GB2A(e))-e||1]+Ep～P[||GB2A(GA2B(p))-p||1]；
所述生成对抗网络模型的损失函数为：
LALL＝αLadv(GA2B,DE)+αLadv(GB2A,DP)+βLcyc(GA2B,GB2A)，其中α和β为预设权重参数。
7.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
CN202210055542.3A 2022-01-18 2022-01-18 一种基于ppg信号的心率估计方法、电子设备及存储介质 Pending CN114391824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210055542.3A CN114391824A (zh) 2022-01-18 2022-01-18 一种基于ppg信号的心率估计方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210055542.3A CN114391824A (zh) 2022-01-18 2022-01-18 一种基于ppg信号的心率估计方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114391824A true CN114391824A (zh) 2022-04-26

Family

ID=81231612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210055542.3A Pending CN114391824A (zh) 2022-01-18 2022-01-18 一种基于ppg信号的心率估计方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114391824A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270848A (zh) * 2022-06-17 2022-11-01 合肥心之声健康科技有限公司 一种ppg与ecg自动转换智能算法、存储介质和计算机系统
CN116584952A (zh) * 2023-07-18 2023-08-15 牛津大学(苏州)科技有限公司 心电图异常监测方法、装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20200100693A1 (en) * 2017-10-03 2020-04-02 Salutron, Inc. Arrhythmia monitoring using photoplethysmography
CN111839495A (zh) * 2020-07-30 2020-10-30 深圳前海微众银行股份有限公司 检测方法、设备和存储介质
CN112568886A (zh) * 2020-11-03 2021-03-30 中国科学院深圳先进技术研究院 心律的检测方法、电子设备以及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200100693A1 (en) * 2017-10-03 2020-04-02 Salutron, Inc. Arrhythmia monitoring using photoplethysmography
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
CN111839495A (zh) * 2020-07-30 2020-10-30 深圳前海微众银行股份有限公司 检测方法、设备和存储介质
CN112568886A (zh) * 2020-11-03 2021-03-30 中国科学院深圳先进技术研究院 心律的检测方法、电子设备以及计算机可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270848A (zh) * 2022-06-17 2022-11-01 合肥心之声健康科技有限公司 一种ppg与ecg自动转换智能算法、存储介质和计算机系统
CN115270848B (zh) * 2022-06-17 2023-09-29 合肥心之声健康科技有限公司 一种ppg与ecg自动转换智能算法、存储介质和计算机系统
CN116584952A (zh) * 2023-07-18 2023-08-15 牛津大学(苏州)科技有限公司 心电图异常监测方法、装置、设备和存储介质
CN116584952B (zh) * 2023-07-18 2023-12-08 牛津大学(苏州)科技有限公司 心电图异常监测方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
Venkatesan et al. ECG signal preprocessing and SVM classifier-based abnormality detection in remote healthcare applications
CN114391824A (zh) 一种基于ppg信号的心率估计方法、电子设备及存储介质
CN111133526B (zh) 发掘可用于机器学习技术中的新颖特征，例如用于诊断医疗状况的机器学习技术
Wang et al. Arrhythmia classification algorithm based on multi-head self-attention mechanism
Balili et al. Classification of heart sounds using discrete and continuous wavelet transform and random forests
Wang et al. Identification of the normal and abnormal heart sounds using wavelet-time entropy features based on OMS-WPD
CN109394205B (zh) 一种基于深度神经网络的心电信号分析方法
CN105249925B (zh) 一种中医脉象采集装置及降噪系统和降噪方法
EP2730216A1 (en) Biosignal transmitter, biosignal receiver, and method of transmitting and receiving biosignal
CN108992054B (zh) 一种脉搏信号峰值点检测方法及装置
Mir et al. ECG denoising and feature extraction techniques–a review
Sriraam A high-performance lossless compression scheme for EEG signals using wavelet transform and neural network predictors
CN112998690A (zh) 一种基于脉搏波多特征融合的呼吸率提取方法
CA3186237A1 (en) System and method for saliency detection in long-term ecg monitoring
CN106667439B (zh) 一种心电信号的降噪方法及装置
Wang et al. Ppg signal reconstruction using deep convolutional generative adversarial network
Gon et al. FPGA-Based Low-Cost Architecture for R-Peak Detection and Heart-Rate Calculation Using Lifting-Based Discrete Wavelet Transform
KR102492317B1 (ko) 합성곱·양방향 장단기 기억 순환신경망을 활용한 광전용적맥파 기반 실시간 혈압 모니터링 시스템 및 이를 이용한 실시간 혈압 모니터링 방법
Abdulrahaman Two-stage motion artifact reduction algorithm for rPPG signals obtained from facial video recordings
CN116035593A (zh) 一种基于生成对抗式并行神经网络的脑电降噪方法
Chen et al. Multi-View Cross-Fusion Transformer Based on Kinetic Features for Non-Invasive Blood Glucose Measurement Using PPG Signal
Basarab et al. Compression and Analysis of Ultrasonic Doppler Blood Flow Meter Data by the Discrete Chebyshev Transform
Hartmann Reconstruction of missing cardiovascular signals using adaptive filtering
Subramanian et al. Performance comparison of wavelet and multiwavelet denoising methods for an electrocardiogram signal
Liao et al. AAFA-Net: Adaptive Amplitude-Frequency Attention Network for Fetal Monitoring from Noninvasive Abdominal Recordings

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