CN115153478A - 心率监测方法及系统、存储介质、终端 - Google Patents
心率监测方法及系统、存储介质、终端 Download PDFInfo
- Publication number
- CN115153478A CN115153478A CN202210947828.2A CN202210947828A CN115153478A CN 115153478 A CN115153478 A CN 115153478A CN 202210947828 A CN202210947828 A CN 202210947828A CN 115153478 A CN115153478 A CN 115153478A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data set
- network model
- heart rate
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
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
-
- 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
- A61B5/7235—Details of waveform analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Cardiology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Dentistry (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
本发明提供了一种心率监测方法及系统、存储介质、终端,该方法包括如下步骤:获取原始数据集,所述原始数据集包括原始心冲击图信号;对所述原始数据集进行数据增强,以获得增强数据集;构建神经网络模型,所述神经网络模型为金字塔输入神经网络;使用所述增强数据集训练所述神经网络模型;使用训练后的所述神经网络模型监测心率,通过对原始数据集进行数据增强,并结合金字塔输入,最终提升使用训练后的所述神经网络模型监测心率的准确性。
Description
技术领域
本发明涉及健康监测技术领域,尤其涉及一种心率监测方法及系统、存储介质、终端。
背景技术
根据世界卫生组织的统计,心血管疾病已经成为全球范围内致人死亡的头号病因。其具有较高的发生率、病死率和死亡率,严重影响患者生活质量甚至威胁其生命安全。据估计,2019年约有1790万人死于心血管疾病,占全球死亡人数的32%。人每一次脉搏的搏动,都代表一次有效的心脏跳动,每分钟心脏跳动的次数就是心率。心率作为心脏评估的基本指标,为心血管疾病提供了重要的启示参考。因此,一个有效、简单、经济的心率监测系统对于心血管疾病的预防和早期检测具有很大的前景。
心脏跳动周期中心脏泵血能引起身体产生相应的运动,通过高灵敏度传感器检测该运动信号,并将其描记成波形,该波形称为心冲击图(Ballistocardiogram,BCG),该技术具有无创、非接触、可长期连续监测的优点。因为心冲击图信号记录的是心脏泵血引起的与心搏同步的身体运动,所以心冲击图信号间接反映了心脏动力和运动状态。
但在实际应用中,采集到的心冲击图信号相对较弱,容易受到呼吸、肌肉震颤、振动等因素的干扰,这对基于心冲击图信号的心率检测提出了巨大挑战。
因此,有必要开发一种新型心率监测方法及系统、存储介质、终端,以改善现有技术中存在的上述部分问题。
发明内容
本发明的目的在于提供一种心率监测方法,能够提高心率监测的准确性。
为实现上述目的,本发明提供的心率监测方法,包括如下步骤:获取原始数据集,所述原始数据集包括原始心冲击图信号;对所述原始数据集进行数据增强,以获得增强数据集;构建神经网络模型,所述神经网络模型为金字塔输入神经网络;使用所述增强数据集训练所述神经网络模型;使用训练后的所述神经网络模型监测心率。
本发明提供的心率监测方法的有益效果在于:通过对原始数据集进行数据增强,使增强后的增强数据集内拥有更多的训练样本并提升训练样本的多样性,使用所述增强数据集对构建的神经网络模型进行训练,能够提升训练后的所述神经网络模型的泛化能力和鲁棒性,有利于减小不同待检测对象或不同睡眠姿态影响心率监测的准确性;同时,金字塔输入能够使所述神经网络模型具有多尺度的感受野,以提高网络的性能,最终提升使用训练后的所述神经网络模型监测心率的准确性。
可选的,所述对所述原始数据集进行数据增强,以获得增强数据集,包括如下步骤:获取噪声信号;增大所述噪声信号的幅值;将增幅后的所述噪声信号与所述原始心冲击图信号相加以获得增幅噪声信号,所述增幅噪声信号与所述原始心冲击图信号组成所述增强数据集。其有益效果在于:从MIT-BIH数据库内获得的噪声信号幅值相对于所述原始心冲击图信号过小,增大所述噪声信号的幅值并将其与所述原始心冲击图信号相加作为训练样本,扩大用于训练的数据集的样本数,降低因样本数量太少造成过拟合现象的可能性,提升所述神经网络模型的泛化能力,以提高心率监测的准确性。
可选的,所述增大所述噪声信号的幅值,包括如下步骤:计算所述噪声信号与所述原始心冲击图信号的信噪比;增大所述噪声信号的幅值使所述信噪比数值大于等于5dB且小于等于6dB。其有益效果在于:将所述噪声信号与所述原始心冲击图信号的信噪比控制在大于等于5dB且小于等于6dB,有利于避免所述噪声信号幅值过大使有效信号被淹没。
可选的,所述使用所述增强数据集训练所述神经网络模型,包括:对所述增强数据集内的数据进行Z分数归一化处理;使用所述Z分数归一化处理后的所述增强数据集训练所述神经网络模型。其有益效果在于:对数据进行标准化,有利于减小不同待检测对象或不同睡眠姿态影响对BCG信号幅值变化影响。
可选的,所述噪声信号包括MIT-BIH数据库内的基线漂移噪声信号。
可选的,所述神经网络模型包括卷积模块,所述卷积模块包括依次连接的卷积层、批量归一层、激活函数层、池化层和Disout层。
可选的,所述神经网络模型包括金字塔输入模块和若干卷积模块,所述金字塔输入模块包括若干下采样层,若干所述下采样层的输出与所述若干卷积模块的输出一一对应拼接。
可选的,所述神经网络模型包括:编码模块,所述编码模块与所述卷积模块连接,所述编码模块包括依次连接的Squeeze层、Permute层、Transformer层和Mean层。
可选的,所述使用所述增强数据集训练所述神经网络模型包括:将均方误差作为损失函数,使用Adam算法训练所述神经网络模型。
本发明还提供了一种心率监测系统,所述系统包括:检测单元,用于检测心脏泵血引起的与心搏同步的身体运动并转化为原始心冲击图信号;训练单元,所述训练单元对所述原始数据集进行数据增强,获得增强数据集并使用所述增强数据集训练神经网络模型;监测单元,所述监测单元包括神经网络模型,所述神经网络模型为金字塔输入神经网络,所述监测单元使用训练后的所述神经网络模型监测心率。
可选的,所述增强数据集包括原始心冲击图信号和增幅噪声信号,所述增幅噪声信号由噪声信号增大幅值后与所述原始心冲击图信号相加获得
可选的,增幅后的所述噪声信号与所述原始心冲击图信号之间的信噪比数值大于等于5dB且小于等于6dB
本发明还提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的心率监测方法。
本发明还提供了一种终端,包括:处理器和存储器;所述存储器用于存储计算机程序;所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行上述心率监测方法。
附图说明
图1为本发明实施例中所述心率监测方法的流程示意图;
图2为本发明实施例中对原始数据集进行数据增强的流程示意图;
图3为本发明实施例中所述神经网络模型的架构示意图;
图4为本发明实施例中所述神经网络模型的所述卷积模块的架构示意图;
图5为本发明实施例中所述神经网络模型的所述编码模块的架构示意图;
图6为本发明实施例中所述心率监测系统的结构框图。
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他实施例,都属于本发明保护的范围。除非另外定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“包括”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
为解决现有技术存在的问题,本发明实施例提供了一种心率监测方法,参照图1,所述心率监测方法包括如下步骤:
S101:获取原始数据集,所述原始数据集包括原始心冲击图信号;
S102:对所述原始数据集进行数据增强,以获得增强数据集;
S103:构建神经网络模型,所述神经网络模型为金字塔输入神经网络;
S104:使用所述增强数据集训练所述神经网络模型;
S105:使用训练后的所述神经网络模型监测心率。
本发明一些实施例中,通过将传感器设置于待检测对象的床垫下,以收集所述原始心冲击图信号,将所述原始心冲击图信号纳入所述原始数据集。
本发明一些实施例中,对所述原始心冲击图信号以20bpm和120bpm分别作为上下限进行归一化处理,有利于提升所述神经网络模型的训练收敛速度。
本发明一些具体实施例中,所述心冲击图信号的采样率为50Hz,时间长度为10s。
本发明一些实施例中,所述神经网络模型为一个端对端网络,向所述神经网络模型网络输入BCG信号后,能够直接输出心率数据。
本发明一些实施例中,步骤S102中的所述对所述原始数据集进行数据增强,以获得增强数据集,参照图2,还包括如下步骤:
S1021:获取噪声信号;
S1022:增大所述噪声信号的幅值;
S1023:将增幅后所述噪声信号与所述原始心冲击图信号相加以获得增幅噪声信号,所述增幅噪声信号与所述原始心冲击图信号组成所述增强数据集。
本发明一些实施例中,所述噪声信号MIT-BIH数据库中的基线漂移噪声信号。
本发明一些具体实施例中,所述基线漂移噪声信号取自所述MIT-BIH噪声压力测试数据库(MIT-BIH Noise Stress Test Database,NSTDB)。
本发明一些具体实施例中,对所述噪声信号下采样,采样率为50Hz,时间长度为10s,使所述噪声信号与所述心冲击图信号的采样率和时间长度一致。
本发明一些实施例中,将所述噪声信号与所述原始心冲击图信号在每个相同时点的幅度逐一进行相加后获得增幅噪声信号,将所述增幅噪声信号和所述原始心冲击图信号一起纳入所述增强数据集。
本发明一些实施例中,步骤S1022中的所述增大所述噪声信号的幅值,包括如下步骤:
S10221:计算所述噪声信号与所述原始心冲击图信号之间的信噪比;
S10222:增大所述噪声信号的幅值使所述信噪比数值大于等于5dB且小于等于6dB。
本发明一些具体实施例中,所述信噪比为5dB、5.25dB、5.5dB、5.75dB或6dB。
表1为本发明一些实施例中所述神经网络模型不同所述信噪比范围时的效果比较,所述信噪比(SNR)的范围大于等于5dB且小于等于6dB时,所述神经网络模型在平均绝对误差(MAE)、绝对误差标准差(SDAE)和皮尔森相关系数(PCC)上的表现较优。
表1:
本发明一些实施例中,步骤S104中的所述使用所述增强数据集训练所述神经网络模型,包括如下步骤:
S1041:对所述增强数据集内的数据进行Z分数归一化处理;
具体的,Z分数归一化处理使数据符合标准正态分布,以减少受不同的所述待检测对象的动作姿态影响心率监测的准确性,所述动作姿态包括睡眠姿态。
S1042:使用所述Z分数归一化处理后的所述增强数据集训练所述神经网络模型。
本发明一些实施例中,参照图3和图4,所述神经网络模型包括卷积模块,所述卷积模块包括依次连接的卷积层、批量归一层、激活函数层、池化层和Disout层,所述卷积模块提取信号的局部特征信息,有利于降低所述神经网络模型的计算量。
一些具体实施例中,所述卷积层为一维卷积,用于提取局部特征。
一些具体实施例中,所述批量归一层(Batch Normalization,BN)用于加快所述神经网络模型的收敛速度。
一些具体实施例中,所述激活函数层使用ReLU(The Rectified Linear Unit)激活函数,用于隐层神经元输出,提高网络非线性能力。
一些具体实施例中,所述池化层为一维平均池化层,选择数据的平均值作为池化后的值以实现下采样。
一些具体实施例中,所述Disout层使用Disout算法将扰动引入特征图,提升所述神经网络模型的泛化能力。
本发明一些实施例中,参照图3,所述神经网络模型包括金字塔输入模块和若干卷积模块,所述金字塔输入模块包括若干下采样层,若干所述下采样层的输出与所述若干卷积模块的输出一一对应拼接,由于卷积模块的感受野有限,所述金字塔输入模块能够增加信号的多尺度感受野,提高网络的性能。
一些具体实施例中,参照图3,所述金字塔输入模块包括一个自上而下的下采样路径,所述下采样路径包括若干下采样层,所述下采样层的最邻近差值下采样倍数为5,所述下采样层包括第一下采样层、第二下采样层和第三下采样层。
一些具体实施例中,参照图3,所述神经网络模型包括所述卷积模块包括第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块;所述第一卷积模块提取局部特征并下采样,其一维卷积核大小为1×15,输出通道数为12,平均池化倍数为5,Disout随机扭曲概率为0.2;所述第二卷积模块提取局部特征并下采样,其一维卷积核大小为1×11,输出通道数为24,平均池化倍数为5,Disout随机扭曲概率为0.2;所述第三卷积模块提取局部特征并下采样,其一维卷积核大小为1×5,输出通道数为12,平均池化倍数为2,Disout随机扭曲概率为0.2;所述第四卷积模块提取局部特征并下采样,其一维卷积核大小为1×3,输出通道数为12,平均池化倍数为2,Disout随机扭曲概率为0.2;
一些具体实施例中,参照图3,所述第一下采样层的输出与所述第一卷积模块的输出拼接,所述第二下采样层的输出与所述第二卷积模块的输出拼接,所述第三下采样层的输出与所述第三卷积模块的输出拼接,所述第三下采样层的输出与所述第三卷积模块的输出拼接后作为所述第四卷积模块的输入。
本发明一些实施例中,参照图3和图4,所述神经网络模型还包括编码模块,所述编码模块对所述第四卷积模块输出的特征进行提取,所述编码模块包括依次连接的Squeeze层、Permute层、Transformer层和Mean层。
一些具体实施例中,所述Squeeze层对所述第四卷积模块的输出压缩第三维度,即高度信息。
一些具体实施例中,所述Permute层用于置换三个通道位置。
一些具体实施例中,参照图3,所述Transformer层利用Transformer模型中的Encoder,使用注意力机制来模拟输入数据中节点之间的全局依赖关系,可以提取全局信息,更加关注信号的前后依赖性,两者形成互补;所述Encoder包括依次连接的Multi-HeadAttention层、Dropout层、Add&Norm层、FeedForward层、Add&Norm层。
一些具体实施例中,所述Multi-HeadAttention层的输出通道数dmodel=12,头数h=6。
一些具体实施例中,所述Dropout层的丢弃概率为0.2。
一些具体实施例中,所述FeedForward层的全连接前向传播网络,包含两次卷积,所述两次卷积的卷积核大小均为1×1;第一次卷积输入通道数为12,输出通道数为24;第二次卷积输入通道数为24,输出通道数为12。
本发明一些实施例中,参照图3,所述神经网络模型还包括连接所述编码模块的全连接模块,所述全连接模块包括顺序连接的第一稠密连接层和第二稠密连接层,所述第一稠密连接层的输出通道数为8,所述第二稠密连接层的输出通道数为1。
本发明一些实施例中,使用Adam算法对所述神经网络模型进行训练,训练时使用均方误差作为损失函数。
一些具体实施例中,使用心电图信号(Electrocardiogram,ECG)设备同步采集ECG信号作为所述原始心冲击图信号的金标准,使用所述Adam算法的训练次数为150,超参数学习率lr=0.001,超参数beta_1=0.9,超参数beta_2=0.999,超参数epsilon=le-08,批量训练batchsize=32。
本发明还提供了一种心率监测系统,参考图6,所述系统包括:
检测单元601,用于检测心脏泵血引起的与心搏同步的身体运动并转化为原始心冲击图信号;
训练单元602,所述训练单元对所述原始数据集进行数据增强,获得增强数据集并使用所述增强数据集训练神经网络模型;
监测单元603,所述监测单元603包括神经网络模型,所述神经网络模型为金字塔输入神经网络,所述监测单元603使用训练后的所述神经网络模型监测心率。
本发明一些实施例中,所述增强数据集包括原始心冲击图信号和增幅噪声信号,所述增幅噪声信号由噪声信号增大幅值后与所述原始心冲击图信号相加获得。
本发明一些实施例中,增幅后的所述噪声信号与所述原始心冲击图信号之间的信噪比数值大于等于5dB且小于等于6dB。
需要说明的是,应理解以上系统的各个单元的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分单元通过处理元件调用软件的形式实现,部分单元通过硬件的形式实现。例如,训练单元可以为单独设立的处理元件,也可以集成在上述系统的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述系统的存储器中,由上述系统的某一个处理元件调用并执行以上单元的功能。其它单元的实现与之类似。此外这些单元全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个单元可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些单元可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,ASIC),或,一个或多个数字信号处理器(Digital Signal Processor,DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)等。再如,当以上某个单元通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,CPU)或其它可以调用程序代码的处理器。再如,这些单元可以集成在一起,以片上系统(System-On-a-Chip,SOC)的形式实现。
需要说明的是,上述心率监测系统的结构及原理与上述心率监测方法中的步骤一一对应,故在此不再赘述。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的心率监测方法。
本发明的存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述的方法。所述存储介质包括:只读存储器(Read-Only Memory,ROM)、随机访问存储器(Random Access Memory,RAM)、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
在本发明公开的另一个实施例中,本发明还提供一种芯片系统,芯片系统与存储器耦合,用于读取并执行所述存储器中存储的程序指令,以执行上述心率监测方法的步骤。
通过以上的实施方式的描述,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,仅以上述各功能单元的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元完成,装置的内部结构划分成不同的功能单元,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请实施例各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,本申请实施例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全部或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)或处理器执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:快闪存储器、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
虽然在上文中详细说明了本发明的实施方式,但是对于本领域的技术人员来说显而易见的是,能够对这些实施方式进行各种修改和变化。但是,应理解,这种修改和变化都属于权利要求书中所述的本发明的范围和精神之内。而且,在此说明的本发明可有其它的实施方式,并且可通过多种方式实施或实现。
Claims (15)
1.一种心率监测方法,其特征在于,包括如下步骤:
获取原始数据集,所述原始数据集包括原始心冲击图信号;
对所述原始数据集进行数据增强,以获得增强数据集;
构建神经网络模型,所述神经网络模型为金字塔输入神经网络;
使用所述增强数据集训练所述神经网络模型;
使用训练后的所述神经网络模型监测心率。
2.根据权利要求1所述的心率监测方法,其特征在于,所述对所述原始数据集进行数据增强,以获得增强数据集,包括如下步骤:
获取噪声信号;
增大所述噪声信号的幅值;
将增幅后的所述噪声信号与所述原始心冲击图信号相加以获得增幅噪声信号,所述增幅噪声信号与所述原始心冲击图信号组成所述增强数据集。
3.根据权利要求2所述的心率监测方法,其特征在于,所述增大噪声信号的幅值,包括如下步骤:
计算所述噪声信号与所述原始心冲击图信号之间的信噪比;
增大所述噪声信号的幅值使所述信噪比数值大于等于5dB且小于等于6dB。
4.根据权利要求3所述的心率监测方法,其特征在于,所述使用所述增强数据集训练所述神经网络模型,包括:
对所述增强数据集内的数据进行Z分数归一化处理;
使用所述Z分数归一化处理后的所述增强数据集训练所述神经网络模型。
5.根据权利要求2所述的心率监测方法,其特征在于,所述噪声信号包括MIT-BIH数据库内的基线漂移噪声信号。
6.根据权利要求1所述的心率监测方法,其特征在于,所述神经网络模型包括卷积模块,所述卷积模块包括依次连接的卷积层、批量归一层、激活函数层、池化层和Disout层。
7.根据权利要求1所述的心率监测方法,其特征在于,所述神经网络模型包括金字塔输入模块和若干卷积模块,所述金字塔输入模块包括若干下采样层,若干所述下采样层的输出与所述若干卷积模块的输出一一对应拼接。
8.根据权利要求7所述的心率监测方法,其特征在于,所述神经网络模型包括:编码模块,所述编码模块与所述卷积模块连接,所述编码模块包括依次连接的Squeeze层、Permute层、Transformer层和Mean层。
9.根据权利要求8所述的心率监测方法,其特征在于,所述Transformer层为Transformer模型中的Encoder。
10.根据权利要求1所述的心率监测方法,其特征在于,所述使用所述增强数据集训练所述神经网络模型包括:将均方误差作为损失函数,使用Adam算法训练所述神经网络模型。
11.一种心率监测系统,其特征在于,所述系统包括:
检测单元,用于检测心脏泵血引起的与心搏同步的身体运动并转化为原始心冲击图信号;
训练单元,所述训练单元对所述原始数据集进行数据增强,获得增强数据集并使用所述增强数据集训练神经网络模型;
监测单元,所述监测单元包括神经网络模型,所述神经网络模型为金字塔输入神经网络,所述监测单元使用训练后的所述神经网络模型监测心率。
12.根据权利要求11所述的心率监测系统,其特征在于,所述增强数据集包括原始心冲击图信号和增幅噪声信号,所述增幅噪声信号由噪声信号增大幅值后与所述原始心冲击图信号相加获得。
13.根据权利要求12所述的心率监测系统,其特征在于,增幅后的所述噪声信号与所述原始心冲击图信号之间的信噪比数值大于等于5dB且小于等于6dB。
14.一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至10任一项所述的心率监测方法。
15.一种终端,其特征在于,包括:处理器和存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行权利要求1至10任一项所述的心率监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210947828.2A CN115153478A (zh) | 2022-08-05 | 2022-08-05 | 心率监测方法及系统、存储介质、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210947828.2A CN115153478A (zh) | 2022-08-05 | 2022-08-05 | 心率监测方法及系统、存储介质、终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115153478A true CN115153478A (zh) | 2022-10-11 |
Family
ID=83479994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210947828.2A Pending CN115153478A (zh) | 2022-08-05 | 2022-08-05 | 心率监测方法及系统、存储介质、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115153478A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116509357A (zh) * | 2023-05-16 | 2023-08-01 | 长春理工大学 | 一种基于多尺度卷积的连续血压估计方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110420019A (zh) * | 2019-07-29 | 2019-11-08 | 西安电子科技大学 | 一种心冲击图信号的深度回归心率估计方法 |
CN111887858A (zh) * | 2020-08-04 | 2020-11-06 | 西安电子科技大学 | 基于跨模态映射的心冲击图信号心率估计方法 |
CN112598759A (zh) * | 2020-12-15 | 2021-04-02 | 太原科技大学 | 抑制低剂量ct图像中伪影噪声的多尺度特征生成对抗网络 |
CN113269048A (zh) * | 2021-04-29 | 2021-08-17 | 北京工业大学 | 基于深度学习和混合噪声数据增强的运动想象脑电信号分类方法 |
WO2021220008A1 (en) * | 2020-04-29 | 2021-11-04 | Deep Render Ltd | Image compression and decoding, video compression and decoding: methods and systems |
CN113763292A (zh) * | 2020-08-10 | 2021-12-07 | 西北师范大学 | 一种基于深度卷积神经网络的眼底视网膜图像分割方法 |
CN114126701A (zh) * | 2019-05-31 | 2022-03-01 | 阿比奥梅德公司 | 主动脉内压预测 |
-
2022
- 2022-08-05 CN CN202210947828.2A patent/CN115153478A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114126701A (zh) * | 2019-05-31 | 2022-03-01 | 阿比奥梅德公司 | 主动脉内压预测 |
CN110420019A (zh) * | 2019-07-29 | 2019-11-08 | 西安电子科技大学 | 一种心冲击图信号的深度回归心率估计方法 |
WO2021220008A1 (en) * | 2020-04-29 | 2021-11-04 | Deep Render Ltd | Image compression and decoding, video compression and decoding: methods and systems |
CN111887858A (zh) * | 2020-08-04 | 2020-11-06 | 西安电子科技大学 | 基于跨模态映射的心冲击图信号心率估计方法 |
CN113763292A (zh) * | 2020-08-10 | 2021-12-07 | 西北师范大学 | 一种基于深度卷积神经网络的眼底视网膜图像分割方法 |
CN112598759A (zh) * | 2020-12-15 | 2021-04-02 | 太原科技大学 | 抑制低剂量ct图像中伪影噪声的多尺度特征生成对抗网络 |
CN113269048A (zh) * | 2021-04-29 | 2021-08-17 | 北京工业大学 | 基于深度学习和混合噪声数据增强的运动想象脑电信号分类方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116509357A (zh) * | 2023-05-16 | 2023-08-01 | 长春理工大学 | 一种基于多尺度卷积的连续血压估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oh et al. | Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length heart beats | |
Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
CN112914527B (zh) | 一种基于脉搏波光电容积描记术的动脉血压信号采集方法 | |
Zhang et al. | Patient-specific ECG classification based on recurrent neural networks and clustering technique | |
Übeyli | Combining recurrent neural networks with eigenvector methods for classification of ECG beats | |
Lee et al. | Bidirectional recurrent auto-encoder for photoplethysmogram denoising | |
Casado et al. | Face2PPG: An unsupervised pipeline for blood volume pulse extraction from faces | |
Xiang et al. | ECG-based heartbeat classification using two-level convolutional neural network and RR interval difference | |
US20210315470A1 (en) | Reconstruction of electrocardiogram from photoplethysmogram signals | |
CN115153478A (zh) | 心率监测方法及系统、存储介质、终端 | |
CN116327152A (zh) | 一种远程非接触式心率检测系统及方法 | |
Yang et al. | Proegan-ms: A progressive growing generative adversarial networks for electrocardiogram generation | |
Guo et al. | Wrist pulse signal acquisition and analysis for disease diagnosis: A review | |
Alam et al. | On-board signal quality assessment guided compression of photoplethysmogram for personal health monitoring | |
Sonawani et al. | Biomedical signal processing for health monitoring applications: a review | |
Al Rahhal et al. | Automatic premature ventricular contractions detection for multi-lead electrocardiogram signal | |
Srinivasan et al. | Deep Learning based non-invasive diabetes predictor using Photoplethysmography signals | |
Hasanpoor et al. | Stress detection using ppg signal and combined deep cnn-mlp network | |
Miller et al. | Physiological waveform imputation of missing data using convolutional autoencoders | |
Wu et al. | Software-Hardware Co-Design for Energy-Efficient Continuous HealthMonitoring Via Task-Aware Compression | |
Scherpf et al. | Deepperfusion: Camera-based blood volume pulse extraction using a 3d convolutional neural network | |
Sivanjaneyulu et al. | Cnn based ppg signal quality assessment using raw ppg signal for energy-efficient ppg analysis devices in internet of medical things | |
Liu et al. | Adaptive-weight network for imaging photoplethysmography signal extraction and heart rate estimation | |
Han et al. | Non-contact blood pressure estimation using BP-related cardiovascular knowledge: an uncalibrated method based on consumer-level camera | |
Zhu et al. | FM-FCN: a neural network with filtering modules for accurate vital signs extraction |
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 |