CN115316985B - 基于生理信号的心脏信息检测方法、装置以及设备 - Google Patents

基于生理信号的心脏信息检测方法、装置以及设备 Download PDF

Info

Publication number
CN115316985B
CN115316985B CN202211250644.7A CN202211250644A CN115316985B CN 115316985 B CN115316985 B CN 115316985B CN 202211250644 A CN202211250644 A CN 202211250644A CN 115316985 B CN115316985 B CN 115316985B
Authority
CN
China
Prior art keywords
signal
heart
sampling periods
sample users
features
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211250644.7A
Other languages
English (en)
Other versions
CN115316985A (zh
Inventor
张涵
冯申
鲍安东
林关养
伍先达
林锡颖
庞志强
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.)
South China Normal University
Original Assignee
South China Normal 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 South China Normal University filed Critical South China Normal University
Priority to CN202211250644.7A priority Critical patent/CN115316985B/zh
Publication of CN115316985A publication Critical patent/CN115316985A/zh
Application granted granted Critical
Publication of CN115316985B publication Critical patent/CN115316985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/103—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
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Pulmonology (AREA)
  • Fuzzy Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computational Linguistics (AREA)
  • Dentistry (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明涉及心脏信息检测领域，涉及一种基于生理信号的心脏信息检测方法，构建心脏检测模型，获得待测用户的生理信号，从所述待测用户的生理信号中提取心冲击信号以及呼吸信号，将所述待测用户的心冲击信号以及呼吸信号输入至所述心脏检测模型，获得所述心脏检测模型输出的概率分布向量，根据所述概率分布向量以及预设的概率阈值，获得所述待测用户的心脏信息检测结果，通过计算心冲击信号以及呼吸信号的线性和非线性特征，并聚焦于局部特征以及时间特征，用于进行心脏检测模型的构建，实现了对用户进行心脏信息的准确检测，作为对心脏健康状况评估的辅助数据，提高对心脏健康状况进行评估的准确性。

Description

基于生理信号的心脏信息检测方法、装置以及设备
技术领域
本发明涉及心脏健康评估测量领域，特别涉及是一种基于生理信号的心脏信息检测方法、装置、设备以及存储介质。
背景技术
随着人们生活水平的不断提高与工作压力的不断增加，人们对于自身的健康意识日益增强，而心脏在一定程度上会反映身体状况，由此，通过对心脏进行检测，能够有效地反映出自身的身体状况。
目前，心脏健康的主要检测方式是定期体检，通常需要额外时间以供临床医生进行检视和基于测试结果做出诊断，并连同从体检及询问收集的数据对该个体的整体心脏健康状况做出评估。不仅耗时、费力，并且容易受到诸多主观、人为因素影响，难以对心脏健康状况进行准确的评估。
发明内容
基于此，本发明的目的在于，提供一种基于生理信号的心脏信息检测方法、装置、设备以及存储介质，通过计算心冲击信号以及呼吸信号的线性和非线性特征，并聚焦于局部特征以及时间特征，用于进行心脏检测模型的构建，实现了对用户进行心脏信息的准确检测，作为对心脏健康状况评估的辅助数据，提高对心脏健康状况进行评估的准确性。
第一方面，本申请实施例提供了一种基于生理信号的心脏信息检测方法，包括以下步骤：
获取若干个样本用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号，根据预设的采样周期，将所述心冲击信号划分为若干个样本用户的若干个采样周期对应的心冲击信号段，以及将所述呼吸信号划分为若干个样本用户的若干个采样周期对应的呼吸信号段，并将同一采样周期对应的心冲击信号段以及呼吸信号段进行组合，获得所述若干个样本用户的若干个采样周期对应的信号段集；
获取预设的神经网络模型，所述神经网络模型包括特征提取模块、卷积模块以及待训练的分类模块，将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述特征提取模块，获得所述若干个样本用户的若干个采样周期对应的第一特征集，其中，所述第一特征集包括线性特征以及非线性特征，所述线性特征包括峰值特征以及波动特征，所述非线性特征包括偏度特征、峰度特征、模糊熵特征以及整体纵向应变特征；
将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述卷积模块，获得所述若干个样本用户的若干个采样周期对应的第二特征集，其中，所述第二特征集包括局部特征以及时间特征；
获得所述若干个样本用户对应的标签集，其中，所述标签集包括若干个采样周期对应的标签数据；
将所述若干个样本用户的若干个采样周期对应的第一特征集、第二特征集以及标签集输入至所述待训练的分类模块中，对所述待训练的分类模块进行训练，获得训练好的神经网络模型，作为心脏检测模型；
响应于检测指令，获得待测用户的生理信号，从所述待测用户的生理信号中提取心冲击信号以及呼吸信号，将所述待测用户的心冲击信号以及呼吸信号输入至所述心脏检测模型，获得所述心脏检测模型输出的概率分布向量，根据所述概率分布向量以及预设的概率阈值，获得所述待测用户的心脏信息检测结果。
第二方面，本申请实施例提供了一种基于生理信号的心脏信息检测装置，包括：
信号处理模块，用于获取若干个样本用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号，根据预设的采样周期，将所述心冲击信号划分为若干个样本用户的若干个采样周期对应的心冲击信号段，以及将所述呼吸信号划分为若干个样本用户的若干个采样周期对应的呼吸信号段，并将同一采样周期对应的心冲击信号段以及呼吸信号段进行组合，获得所述若干个样本用户的若干个采样周期对应的信号段集；
第一特征集计算模块，用于获取预设的神经网络模型，所述神经网络模型包括特征提取模块、卷积模块以及待训练的分类模块，将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述特征提取模块，获得所述若干个样本用户的若干个采样周期对应的第一特征集，其中，所述第一特征集包括线性特征以及非线性特征，所述线性特征包括峰值特征以及波动特征，所述非线性特征包括偏度特征、峰度特征、模糊熵特征以及整体纵向应变特征；
第二特征集计算模块，用于将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述卷积模块，获得所述若干个样本用户的若干个采样周期对应的第二特征集，其中，所述第二特征集包括局部特征以及时间特征；
标签数据获取模块，用于获得所述若干个样本用户对应的标签集，其中，所述标签集包括若干个采样周期对应的标签数据；
训练模块，用于将所述若干个样本用户的若干个采样周期对应的第一特征集、第二特征集以及标签集输入至所述待训练的分类模块中，对所述待训练的分类模块进行训练，获得训练好的神经网络模型，作为心脏检测模型；
检测模块，用于响应于检测指令，获得待测用户的生理信号，从所述待测用户的生理信号中提取心冲击信号以及呼吸信号，将所述待测用户的心冲击信号以及呼吸信号输入至所述心脏检测模型，获得所述心脏检测模型输出的概率分布向量，根据所述概率分布向量以及预设的概率阈值，获得所述待测用户的心脏信息检测结果。
第三方面，本申请实施例提供了一种用于执行基于生理信号的心脏信息检测方法的系统，包括：
压电传感器，用于将用户的身体微振信号转换为模拟信号，获取待测用户的生理信号，其中，所述生理信号包括心冲击信号以及呼吸信号；
放大电路，用于将所述压电传感器获得的模拟信号进行放大处理，获取放大处理后的模拟信号；
模数转换单元，用于将所述模拟信号转换为数字信号；
滤波器，用于滤除所述数字信号中的工频噪声，去除基线漂移，从所述数字信号中提取心冲击信号以及呼吸信号，获取待测用户的心冲击信号以及呼吸信号；
信号段组合单元，用于根据预设的采样周期，将所述待测用户的心冲击信号划分为若干个采样周期对应的心冲击信号段，以及将所述待测用户的呼吸信号划分为待测用户的若干个采样周期对应的呼吸信号段，并将同一采样周期对应的心冲击信号段以及呼吸信号段进行组合，获得所述待测用户的若干个采样周期对应的信号段集；
处理器单元，用于将所述待测用户的若干个采样周期对应的信号段集输入至预设的心脏检测模型，所述心脏检测模型包括特征提取模块、卷积模块以及分类模块，根据所述待测用户的若干个采样周期对应的信号段集以及特征提取模块，获得所述待测用户的若干个采样周期对应的第一特征集，其中，所述第一特征集包括线性特征以及非线性特征，所述线性特征包括峰值特征以及波动特征，所述非线性特征包括偏度特征、峰度特征、模糊熵特征以及整体纵向应变特征；将所述待测用户的若干个采样周期对应的信号段集输入至所述卷积模块，获得所述待测用户的若干个采样周期对应的第二特征集，其中，所述第二特征集包括局部特征以及时间特征；根据所述待测用户的若干个采样周期对应的第一特征集、第二特征集以及分类模块，获得所述待测用户的心脏信息检测结果，并保存于电子数据库系统；
存储器单元，用于存储所述电子数据库系统的数据；
供电单元，用于对所述压电传感器、放大电路、模数转换单元、滤波器、信号段组合单元、处理器单元以及存储器单元供电。
在本申请实施例中，提供一种基于生理信号的心脏信息检测方法、装置、设备以及存储介质，通过计算心冲击信号以及呼吸信号的线性和非线性特征，并聚焦于局部特征以及时间特征，用于进行心脏检测模型的构建，实现了对用户进行心脏信息的准确检测，作为对心脏健康状况评估的辅助数据，提高对心脏健康状况进行评估的准确性。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请第一实施例提供的基于生理信号的心脏信息检测方法的流程示意图；
图2为本申请第一实施例提供的基于生理信号的心脏信息检测方法中S3的流程示意图；
图3为本申请第二实施例提供的基于生理信号的心脏信息检测方法中S3的流程示意图；
图4为本申请第三实施例提供的基于生理信号的心脏信息检测方法中S3的流程示意图；
图5为本申请第四实施例提供的基于生理信号的心脏信息检测方法中S3的流程示意图；
图6为本申请第五实施例提供的基于生理信号的心脏信息检测方法中S3的流程示意图；
图7为本申请第一实施例提供的基于生理信号的心脏信息检测方法中的BiLSTM网络的结构示意图；
图8为本申请第一实施例提供的基于生理信号的心脏信息检测方法中S6的流程示意图；
图9为本申请第六实施例提供的基于生理信号的心脏信息检测装置的结构示意图；
图10为本申请第七实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请第一实施例提供的基于生理信号的心脏信息检测方法的流程示意图，方法包括如下步骤：
S1：获取若干个样本用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号，根据预设的采样周期，将所述心冲击信号划分为若干个样本用户的若干个采样周期对应的心冲击信号段，以及将所述呼吸信号划分为若干个样本用户的若干个采样周期对应的呼吸信号段，并将同一采样周期对应的心冲击信号段以及呼吸信号段进行组合，获得所述若干个样本用户的若干个采样周期对应的信号段集。
基于生理信号的心脏信息检测方法的执行主体为基于生理信号的心脏信息检测方法的检测设备（以下简称检测设备）。检测设备可以通过软件和/或硬件的方式实现，可以通过软件和/或硬件的方式实现基于生理信号的心脏信息检测方法，该检测设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。检测设备所指向的硬件，本质上均是指计算机设备，例如，检测设备可以是电脑、手机、平板或交互平板等设备。在一个可选的实施例中，检测设备具体可以是服务器，或是多台计算机设备联合而成的服务器机群。
检测设备获取若干个样本用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号，在一个可选的实施例中，检测设备可以通过在预设的数据库中进行查询，获取用户的生理信号，在另一个可选的实施例中，检测设备可以采用压电传感器获取用户的压电混叠信号，并根据模数转换模块，将该压电混叠信号转换为数字信号，根据数据处理模块对该数字信号进行分析，从该数字信号中提取用户的生理信号；其中，生理信号为人体特征信号，包括心冲击信号以及呼吸信号，所述心冲击信号BCG（ballistocardiogram）用于心率检测、心率变异性监测、心脏收缩性以及心输出量变化监测等方面。
由于生理信号的能量主要在0到50Hz，其中，心冲击信号的能量频谱范围主要在1到10Hz，呼吸信号的能量频谱范围在 0.01 到 1Hz，其余高斯噪声和工频噪声的能量均在20Hz 以上。
为了减少高斯噪声和工频噪声的英雄，检测设备通过50Hz的陷波器滤除工频干扰，通过滤波的方式，可以采用截止频率0.01 到 1Hz和1 到 10Hz的两个带通滤波器对所述生理信号进行滤波处理，将心冲击信号以及呼吸信号从所述生理信号中分离出来。
所述压电传感器可以是压电陶瓷传感器、压电薄膜传感器等，可以放在平躺位置心脏的下方，也可以放在枕头下方，来获取用户的人体微振信号，即压电混叠信号。
所述模数转换模块可以采用外置芯片，也可以采用相应的内置模数转换接口来对人体微振信号转换为数字信号。
所述数据处理模块可以采用DSP（Digital Signal Processing）或者ARM（Advanced RISC Machines）处理器，对该数字信号进行分析，从该数字信号中提取用户的生理信号。
所述采样周期可以是10秒、30秒以及60秒，由于人眼观测的时间尺度需尽可能包含一次完整的信号片段，但又要避免尺度过大造成的信息浪费，在本实施例中，检测设备将采样周期设置为30秒，将所述心冲击信号划分为若干个样本用户的若干个采样周期对应的心冲击信号段，以及将所述呼吸信号划分为若干个样本用户的若干个采样周期对应的呼吸信号段，并将同一采样周期对应的心冲击信号段以及呼吸信号段进行组合，获得若干个样本用户的若干个采样周期对应的信号段集。
S2：获取预设的神经网络模型，将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述特征提取模块，获得所述若干个样本用户的若干个采样周期对应的第一特征集。
所述心脏分类模型包括特征提取模块、卷积模块以及分类模块，在本实施例中，检测设备将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述特征提取模块，获得所述若干个样本用户的若干个采样周期对应的第一特征集，其中，所述第一特征集包括线性特征以及非线性特征，所述线性特征包括峰值特征以及波动特征，所述非线性特征包括偏度特征、峰度特征、模糊熵特征以及整体纵向应变特征。
请参阅图2，图2为本申请第一实施例提供的基于生理信号的心脏信息检测方法中S3的流程示意图，包括步骤S31~S32，具体如下：
S31：分别将所述信号段集中的心冲击信号段、呼吸信号段作为第一输入信号段，根据预设的峰值特征计算算法，获得所述第一输入信号段对应的峰值特征。
峰值特征反映了信号的幅度，其中，所述峰值特征计算算法为：
式中，为所述第一输入信号段对应的峰值特征，为均方根函数，为所述第 n个采样周期对应的第一输入信号段，为最大值函数，为最小值函数。
在本实施例中，检测设备分别将所述信号段集中的心冲击信号段、呼吸信号段作为第一输入信号段，根据预设的峰值特征计算算法，获得所述第一输入信号段对应的峰值特征，其中，所述峰值特征包括所述心冲击信号段对应的心冲击峰值特征以及所述呼吸信号段对应的呼吸峰值特征。
S32：将同一采样周期对应的所述心冲击信号段对应的心冲击峰值特征与所述呼吸信号段对应的呼吸峰值特征作比值，获得若干个样本用户的若干个采样周期对应的信号段集的比值结果，作为所述若干个样本用户的若干个采样周期对应的信号段集的心肺峰值系数比特征。
在本实施例中，检测设备将同一采样周期对应的所述心冲击信号段对应的心冲击峰值特征与所述呼吸信号段对应的呼吸峰值特征作比值，获得若干个样本用户的若干个采样周期对应的信号段集的比值结果，作为所述若干个样本用户的若干个采样周期对应的信号段集的心肺峰值系数比特征。
请参阅图3，图3为本申请第二实施例提供的基于生理信号的心脏信息检测方法中S3的流程示意图，包括步骤S33~S35，具体如下：
S33：根据预设的窗口数目，分别将所述心冲击信号段以及呼吸信号段进行划分，获得若干个心冲击信号段对应的若干个子心冲击信号段，以及若干个呼吸信号段对应的若干个子呼吸信号段。
在本实施例中，检测设备根据预设的窗口数目，分别将所述信号段集中的心冲击信号段以及呼吸信号段进行划分，获得若干个心冲击信号段对应的若干个子心冲击信号段，以及若干个呼吸信号段对应的若干个子呼吸信号段。
具体地，检测设备采用滑窗分割的方法，将滑动窗户的尺度设置为30s，滑动窗口的起始点设置为信号起始点，滑动窗口的单位时间粒度（步长）为1s，以获取数据量足够大的，每步进1s滑窗一次，从而获取所述子心冲击信号段以及子呼吸信号段。
在一个可选的实施例中，检测设备对所述子心冲击信号段进行标准化处理，获取标准化处理后的子心冲击信号段。
S34：根据所述若干个心冲击信号段对应的若干个子心冲击信号段以及预设的功率参数计算算法，获得所述若干个子心冲击信号段的功率参数。
所述功率参数计算算法为：
式中，为第 i个所述子心冲击信号段的功率参数，为第 i个所述子心冲击信号段， L为所述子心冲击信号段的数目。
在本实施例中，检测设备根据所述若干个心冲击信号段对应的若干个子心冲击信号段以及预设的功率参数计算算法，获得所述若干个子心冲击信号段的功率参数。
S35：将同一个心冲击信号段的所述若干个子心冲击信号段的功率参数进行组合，获取所述若干个心冲击信号段的功率参数序列，根据所述若干个心冲击信号段的功率参数序列以及预设的波动特征计算算法，获得所述若干个心冲击信号段的对应的波动特征。
所述波动特征计算算法为：
式中，为所述第 n个采样周期对应的心冲击信号段对应的波动特征。
在本实施例中，检测设备将同一个心冲击信号段的所述若干个子心冲击信号段的功率参数进行组合，获取所述若干个心冲击信号段的功率参数序列，根据所述若干个心冲击信号段的功率参数序列以及预设的波动特征计算算法，获得所述若干个心冲击信号段的对应的波动特征。用以在固定时间尺度上，对心冲击信号段的功率参数序列的波动性和不规则性进行衡量，从而提高心脏信息检测的精准性。
请参阅图4，图4为本申请第三实施例提供的基于生理信号的心脏信息检测方法中S3的流程示意图，包括步骤S36~S37，具体如下：
S36：根据预设的偏度特征计算算法，获得所述第一输入信号段对应的偏度特征。
所述偏度特征计算算法为：
式中，为所述第 n个采样周期对应的第一输入信号段对应的偏度特征，为所述第 n个采样周期对应的输入信号段，为所述第一输入信号段的平均值周围的第 k个矩阵：
式中，N为所述采样周期的数目，为所述平均值；
在本实施例中，检测设备根据预设的偏度特征计算算法，获得所述第一输入信号段对应的偏度特征，其中，所述偏度特征包括所述心冲击信号段对应的心冲击偏度特征以及所述呼吸信号段对应的呼吸偏度特征。
S37：根据预设的峰度特征计算算法，获得所述第一输入信号段对应的峰度特征。
所述峰度特征计算算法为：
式中，为所述第 n个采样周期对应的第一输入信号段对应的峰度特征。
在本实施例中，检测设备根据预设的峰度特征计算算法，获得所述第一输入信号段对应的峰度特征，其中，所述峰度特征包括所述心冲击信号段对应的心冲击峰度特征以及所述呼吸信号段对应的呼吸峰度特征。
混沌是指在确定系统在一定条件下所呈现的不确定的或不可预测的随机现象，可评价时序信号紊乱程度。用于计算所述第一输入信号段对应的模糊熵特征算法是一种更有效的混沌复杂度测度算法，且对相空间维数(m)、相似容限度和序列长度的敏感性、依赖性更低，鲁棒性和测度值的连续性更好，反应了相空间任意两个向量相似的概率的程度，表明混沌系统的复杂程度。
在一个可选的实施例中，所述模糊熵特征包括心冲击模糊熵特征以及呼吸模糊熵特征，所述心冲击模糊熵特征包括第一心冲击模糊熵特征、第二心冲击模糊熵特征以及第三心冲击模糊熵特征；所述呼吸模糊熵特征包括第一呼吸模糊熵特征、第二呼吸模糊熵特征以及第三呼吸模糊熵特征。请参阅图5，图5为本申请第四实施例提供的基于生理信号的心脏信息检测方法中S3的流程示意图，包括步骤：获得所述第一输入信号段对应的模糊熵特征，该步骤包括S381~S384，具体如下：
S381：根据所述第一输入信号段以及预设的嵌入维数，构建所述第一输入信号段相应的多维相空间，根据所述第一输入信号段相应的多维相空间，计算所述若干个样本用户的若干个采样周期对应的第一输入信号段对应的第一模糊熵特征。
所述第一模糊熵特征包括心冲击信号段对应的第一心冲击模糊熵特征以及呼吸信号段对应的第一呼吸模糊熵特征；
在本实施例中，检测设备根据所述第一输入信号段以及预设的嵌入维数，构建所述第一输入信号段相应的多维相空间，根据所述第一输入信号段相应的多维相空间以及预设的根据模糊熵特征计算算法，计算所述若干个样本用户的若干个采样周期对应的第一输入信号段对应的第一模糊熵特征，其中，所述模糊熵特征计算算法为：
式中，为所述输入信号段对应的第一模糊熵特征，表示所述输入信号段相应的多维相空间的表达式， r为预设的模糊隶属度阈值，表示除自身以外所有模糊隶属度的平均值。
S382：分别将所述子心冲击信号段、子呼吸信号段作为第二输入信号段，构建所述第二输入信号段相应的多维相空间，根据所述第二输入信号段相应的多维相空间以及所述模糊熵特征计算算法，获得所述若干个样本用户的若干个采样周期对应的第一输入信号段的若干个第二输入信号段对应的局部模糊熵特征。
所述局部模糊熵特征包括子心冲击信号段对应的局部心冲击模糊熵特征以及子呼吸信号段对应的局部呼吸模糊熵特征；
在本实施例中，检测设备分别将所述子心冲击信号段、子呼吸信号段作为第二输入信号段，构建所述第二输入信号段相应的多维相空间，根据所述第二输入信号段相应的多维相空间以及所述模糊熵特征计算算法，获得所述若干个样本用户的若干个采样周期对应的第一输入信号段的若干个第二输入信号段对应的局部模糊熵特征。
S383：根据所述若干个第二输入信号段对应的局部模糊熵特征以及预设的第二模糊熵特征计算算法，获得所述若干个样本用户的若干个采样周期对应的第一输入信号段的第二模糊熵特征。
所述第二模糊熵特征计算算法为：
式中，为所述第 n个采样周期对应的第一输入信号段对应的第二模糊熵特征，为所述第 i个第二输入信号段对应的局部模糊熵特征；
在本实施例中，检测设备根据所述若干个第二输入信号段对应的局部模糊熵特征以及预设的第二模糊熵特征计算算法，获得所述若干个样本用户的若干个采样周期对应的第一输入信号段的第二模糊熵特征。
S384：根据所述若干个第二输入信号段对应的局部模糊熵特征以及预设的第三模糊熵特征计算算法，获得所述若干个样本用户的若干个采样周期对应的第一输入信号段的第三模糊熵特征。
所述第三模糊熵特征计算算法为：
式中，为所述第 n个采样周期对应的第一输入信号段对应的第三模糊熵特征。
在本实施例中，检测设备根据所述若干个第二输入信号段对应的局部模糊熵特征以及预设的第三模糊熵特征计算算法，获得所述若干个样本用户的若干个采样周期对应的第一输入信号段的第三模糊熵特征。
请参阅图6，图6为本申请第五实施例提供的基于生理信号的心脏信息检测方法中S3的流程示意图，包括步骤S39，具体如下：
S39：获取所述若干个样本用户的年龄和身体质量指数，基于同一采样周期对应的，根据预设的整体纵向应变特征计算算法，获取所述若干个样本用户的若干个采样周期对应的第一输入信号段对应的整体纵向应变特征。
所述整体纵向应变特征为：
式中，为所述第 n个采样周期对应的第一输入信号段对应的整体纵向应变特征，为所述第 n个采样周期对应的心冲击信号段对应的峰值特征，为所述第 n个采样周期对应的心冲击信号段对应的第二模糊熵特征；为所述第 n个采样周期对应的心冲击信号段对应的第三模糊熵特征；为所述第 n个采样周期对应的心冲击信号段对应的心冲击偏度特征；为所述第 n个采样周期对应的心冲击信号段对应的心冲击峰度特征；为预设的经验系数，age为所述若干个样本用户的年龄；BMI为所述若干个样本用户的身体质量指数。
在本实施例中，检测设备获取所述若干个样本用户的年龄和身体质量指数，基于同一采样周期对应的，根据预设的整体纵向应变特征计算算法，获取所述若干个样本用户的若干个采样周期对应的第一输入信号段对应的整体纵向应变特征。
S4：将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述卷积模块，获得所述若干个样本用户的若干个采样周期对应的第二特征集，其中，所述第二特征集包括局部特征以及时间特征。
所述第二特征集包括局部特征以及时间特征。所述卷积模块包括CNN卷积网络以及BiLSTM网络。
在本实施例中，检测设备分别将所述信号段集中的心冲击信号段、呼吸信号段作为第一输入信号段，将所述第一输入信号段输入至所述卷积模块的CNN卷积网络中，获得所述第一输入信号段的局部特征。
具体地，所述CNN卷积网络包括依次相连的若干个1-D卷积层、若干个最大池化层，用于交替提取所述若干个样本用户的若干个采样周期对应的信号段集中各个信号段的局部波形特征；每个卷积层之后均连接一个批处理归一化(BN)层，用来对所述局部波形特征进行归一化处理，以加速网络的收敛性，防止梯度扩散，并在一定程度上防止过拟合的影响。
所述CNN卷积网络还包括GAP (global average pooling)层，GAP层用于将获得的信号段的局部波形特征进行集合，并引入非线性的激活函数ReLu，使CNN卷积网络网络实现结构上的正则化，防止模型参数量，有效地抑制过拟合，保留从卷积层和最大池化层提取的特征语义，提高CNN卷积网络的性能。
在本实施例中，检测设备将所述第一输入信号段输入至所述卷积模块的BiLSTM网络中，获得所述第一输入信号段的时间特征。
具体地，所述BiLSTM网络包括依次相连的输入层、前向隐含层、后向隐含层以及输出层，如图7所示，图7为本申请第一实施例提供的基于生理信号的心脏信息检测方法中的BiLSTM网络的结构示意图，所述BiLSTM网络由正向 LSTM 模型与反向LSTM 模型进行组合构建的，所述LSTM 模型为循环神经网络的一种，用于捕获时间序列数据中的短期和长期复杂特征。
所述BiLSTM网络包括若干个时间步重用对应的特殊权值，分别是“”~“”，分别对应输入层到前向隐含层，输入层到后向隐含层，从前向隐含层到前向隐含层，从后向隐含层到后向隐含层，前向隐含层到输出层，后向隐含层到输出层，检测设备将所述第一输入信号段作为输入序列，根据预设的时间特征计算算法，获得所述第一输入信号段的时间特征，其中，所述时间特征计算算法为：
式中，为 t时刻前向隐含层的状态，为 t时刻后向隐含层的状态，
为输入序列，为时间特征，为预设的第一激活函数，为预设的第二激活函数。
S5：获得所述若干个样本用户对应的标签集，其中，所述标签集包括若干个采样周期对应的标签数据。
S6：将所述若干个样本用户的若干个采样周期对应的第一特征集、第二特征集以及标签集输入至所述待训练的分类模块中，对所述待训练的分类模块进行训练，获得训练好的神经网络模型，作为心脏检测模型。
所述分类器模块为XGBoost（eXtreme Gradient Boosting）网络，在本实施例中，检测设备将所述若干个样本用户的若干个采样周期对应的第一特征集、第二特征集以及标签集输入至所述待训练的分类模块中，对所述待训练的分类模块进行训练，获得训练好的神经网络模型，作为心脏检测模型。
请参阅图8，图8为本申请第一实施例提供的基于生理信号的心脏信息检测方法中S6的流程示意图，包括步骤S61，具体如下：
S61：采用决策树方法，根据所述若干个样本用户的若干个采样周期对应的第一特征集、第二特征集以及标签集、预设的目标函数以及预设的迭代次数，对所述待训练的分类模块进行迭代训练，获得训练好的神经网络模型，作为心脏检测模型。
在本实施例中，检测设备采用决策树方法，根据所述若干个样本用户的若干个采样周期对应的第一特征集、第二特征集以及标签集、预设的目标函数以及预设的迭代次数，对所述待训练的分类模块进行迭代训练，获得训练好的神经网络模型，作为心脏检测模型。
具体地，检测设备进行第一次迭代训练时，将各个采样周期对应的第一特征集以及第二特征训练集输入至所述分类模块中的初始树模块，获得所述初始树模块输出的若干个采样周期对应的预测值，并将所述若干个采样周期对应的标签数据，作为相应的采样周期的真实值，根据所述预测值、真实值以及预设的目标函数，构建由上一次迭代训练采用的树模块分裂形成的子树模块，进行下一次迭代训练，根据预设的迭代次数，进行迭代训练，不断构建用来弥补差距的子树模块，获得训练好的神经网络模型，作为心脏检测模型。其中，所述目标函数为：
式中，为所述目标函数， k为所述样本用户的数目， j表示第 j个样本用户， l为预设的损失函数， t表示第 t个树模块，为所述第t个树模块输出的所述采样周期对应的标签数据，为所述第 t-1个树模块输出的第 j个样本用户的预测值，表示所述第 t-1个树模块进行迭代训练后，分裂形成的子树模块输出的第 j个样本用户的预测值，其中，，为第 j个样本用户的第一特征集以及第二特征集的集合，为预设的训练函数，为预设的正则项，Z为预设的常数项。
S7：响应于检测指令，获得待测用户的生理信号，从所述待测用户的生理信号中提取心冲击信号以及呼吸信号，将所述待测用户的心冲击信号以及呼吸信号输入至所述心脏检测模型，获得所述心脏检测模型输出的概率分布向量，根据所述概率分布向量以及预设的概率阈值，获得所述待测用户的心脏信息检测结果。
所述检测指令是用户发出的，检测设备接收的。
在本实施例中，检测设备响应于检测指令，获得待测用户的生理信号，从所述待测用户的生理信号中提取心冲击信号以及呼吸信号，将所述待测用户的心冲击信号以及呼吸信号输入至所述心脏检测模型，获得所述心脏检测模型输出的概率分布向量，其中，所述概率分布向量用以反映待测用户的心脏健康状况。
根据所述概率分布向量以及预设的概率阈值，获得所述待测用户的心脏信息检测结果，其中，所述心脏信息检测结果包括已检测到心脏信息结果以及未检测到心脏信息结果。
具体地，检测设备将所述概率分布向量与概率阈值进行对比，若所述概率分布向量大于或等于的概率阈值，则获得已检测到心脏信息结果，若所述概率分布向量小于的概率阈值，则获得未检测到心脏信息结果。
请参考图9，图9为本申请第六实施例提供的基于生理信号的心脏信息检测装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于生理信号的心脏信息检测装置的全部或一部分，该装置9包括：
信号处理模块91，用于获取若干个样本用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号，根据预设的采样周期，将所述心冲击信号划分为若干个样本用户的若干个采样周期对应的心冲击信号段，以及将所述呼吸信号划分为若干个样本用户的若干个采样周期对应的呼吸信号段，并将同一采样周期对应的心冲击信号段以及呼吸信号段进行组合，获得所述若干个样本用户的若干个采样周期对应的信号段集；
第一特征集计算模块92，用于获取预设的神经网络模型，所述神经网络模型包括特征提取模块、卷积模块以及待训练的分类模块，将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述特征提取模块，获得所述若干个样本用户的若干个采样周期对应的第一特征集，其中，所述第一特征集包括线性特征以及非线性特征，所述线性特征包括峰值特征以及波动特征，所述非线性特征包括偏度特征、峰度特征、模糊熵特征以及整体纵向应变特征；
第二特征集计算模块93，用于将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述卷积模块，获得所述若干个样本用户的若干个采样周期对应的第二特征集，其中，所述第二特征集包括局部特征以及时间特征；
标签数据获取模块94，用于获得所述若干个样本用户对应的标签集，其中，所述标签集包括若干个采样周期对应的标签数据；
训练模块95，用于将所述若干个样本用户的若干个采样周期对应的第一特征集、第二特征集以及标签集输入至所述待训练的分类模块中，对所述待训练的分类模块进行训练，获得训练好的神经网络模型，作为心脏检测模型；
检测模块96，用于响应于检测指令，获得待测用户的生理信号，从所述待测用户的生理信号中提取心冲击信号以及呼吸信号，将所述待测用户的心冲击信号以及呼吸信号输入至所述心脏检测模型，获得所述心脏检测模型输出的概率分布向量，根据所述概率分布向量以及预设的概率阈值，获得所述待测用户的心脏信息检测结果。
在本实施例中，通过信号处理模块，获取若干个样本用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号，根据预设的采样周期，将所述心冲击信号划分为若干个样本用户的若干个采样周期对应的心冲击信号段，以及将所述呼吸信号划分为若干个样本用户的若干个采样周期对应的呼吸信号段，并将同一采样周期对应的心冲击信号段以及呼吸信号段进行组合，获得所述若干个样本用户的若干个采样周期对应的信号段集；通过第一特征集计算模块，获取预设的神经网络模型，所述神经网络模型包括特征提取模块、卷积模块以及待训练的分类模块，将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述特征提取模块，获得所述若干个样本用户的若干个采样周期对应的第一特征集，其中，所述第一特征集包括线性特征以及非线性特征，所述线性特征包括峰值特征以及波动特征，所述非线性特征包括偏度特征、峰度特征、模糊熵特征以及整体纵向应变特征；通过第二特征集计算模块，将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述卷积模块，获得所述若干个样本用户的若干个采样周期对应的第二特征集，其中，所述第二特征集包括局部特征以及时间特征；通过标签数据获取模块，用于获得所述若干个样本用户对应的标签集，其中，所述标签集包括若干个采样周期对应的标签数据；通过训练模块，将所述若干个样本用户的若干个采样周期对应的第一特征集、第二特征集以及标签集输入至所述待训练的分类模块中，对所述待训练的分类模块进行训练，获得训练好的神经网络模型，作为心脏检测模型；通过检测模块，响应于检测指令，获得待测用户的生理信号，从所述待测用户的生理信号中提取心冲击信号以及呼吸信号，将所述待测用户的心冲击信号以及呼吸信号输入至所述心脏检测模型，获得所述心脏检测模型输出的概率分布向量，根据所述概率分布向量以及预设的概率阈值，获得所述待测用户的心脏信息检测结果。本申请通过计算心冲击信号以及呼吸信号的线性和非线性特征，并聚焦于局部特征以及时间特征，用于进行心脏检测模型的构建，实现了对用户进行心脏信息的准确检测，作为对心脏健康状况评估的辅助数据，提高对心脏健康状况进行评估的准确性。
请参考图10，图10为本申请第七实施例提供的用于执行基于生理信号的心脏信息检测方法的系统的结构示意图，该系统10包括：
压电传感器101，用于将用户的身体微振信号转换为模拟信号，获取若干个样本用户的生理信号，其中，所述生理信号包括心冲击信号以及呼吸信号；
在一个可选的实施例中，压电传感器101可以采用压电陶瓷或者压电薄膜等传感器。
放大电路102，用于将所述压电传感器获得的模拟信号进行放大处理，获取放大处理后的模拟信号；
在一个可选的实施例中，采用集成芯片放大电路，将压电传感器91获得的模拟信号进行放大处理，获取放大处理后的模拟信号；
模数转换单元103，用于将所述模拟信号转换为数字信号；
模拟信号转换为数字信号后才能用软件进行处理，所述模数转换芯片用于将模拟信号转化换数据信号，根据采样率，所述模数转换单元可以采用外置芯片也可以采用处理器的内置模数转换接口。
滤波器104，用于滤除所述数字信号中的工频噪声，去除基线漂移，从所述数字信号中提取心冲击信号以及呼吸信号，获取待测用户的心冲击信号以及呼吸信号；
信号段组合单元105，用于根据预设的采样周期，将所述待测用户的心冲击信号划分为若干个采样周期对应的心冲击信号段，以及将所述待测用户的呼吸信号划分为待测用户的若干个采样周期对应的呼吸信号段，并将同一采样周期对应的心冲击信号段以及呼吸信号段进行组合，获得所述待测用户的若干个采样周期对应的信号段集；
处理器单元106，用于将所述待测用户的若干个采样周期对应的信号段集输入至预设的心脏检测模型，所述心脏检测模型包括特征提取模块、卷积模块以及分类模块，根据所述待测用户的若干个采样周期对应的信号段集以及特征提取模块，获得所述待测用户的若干个采样周期对应的第一特征集，其中，所述第一特征集包括线性特征以及非线性特征，所述线性特征包括峰值特征以及波动特征，所述非线性特征包括偏度特征、峰度特征、模糊熵特征以及整体纵向应变特征；将所述待测用户的若干个采样周期对应的信号段集输入至所述卷积模块，获得所述待测用户的若干个采样周期对应的第二特征集，其中，所述第二特征集包括局部特征以及时间特征；根据所述待测用户的若干个采样周期对应的第一特征集、第二特征集以及分类模块，获得所述待测用户的心脏信息检测结果，并保存于电子数据库系统；
根据所述待测用户的若干个采样周期对应的第一特征集、第二特征集以及待训练的分类模块，获得所述神经网络模型输出的所述待测用户的心脏信息检测结果，并保存于电子数据库系统；
其中，处理器单元106可以包括一个或多个处理核心。处理器利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储器内的数据，执行基于生理信号的心脏信息检测装置9的各种功能和处理数据，可选的，处理器可以采用数字信号处理（Digital Signal Processing,DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（ProgrambleLogic Array，PLA）中的至少一个硬件形式来实现。处理器可集成中央处理器CentralProcessing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器中，单独通过一块芯片进行实现。
在一个可选的实施例中，处理器单元106设置在云平台上，具体地，所述云平台为TCP服务器，信号段组合单元105通过TCP/IP协议与云平台建立连接，将所述待测用户的若干个采样周期对应的信号段集输入至处理器单元96，处理器单元进行处理，用户能随时随地进行心脏信息的检测，提高了检测的便利性。
存储器单元107，用于存储所述电子数据库系统的数据，其中，存储器单元107可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-OnlyMemory）。可选的，该存储器包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器可用于存储指令、程序、代码、代码集或指令集。存储器可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控指令等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器可选的还可以是至少一个位于远离前述处理器的存储装置。
供电单元108，用于对所述压电传感器、放大电路、模数转换单元、滤波器信号段组合单元、处理器单元以及存储器单元供电。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图8的方法步骤，具体执行过程可以参见图1至图8的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块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、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明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。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (9)

1.一种基于生理信号的心脏信息检测方法，其特征在于，包括以下步骤：
获取若干个样本用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号，根据预设的采样周期，将所述心冲击信号划分为若干个样本用户的若干个采样周期对应的心冲击信号段，以及将所述呼吸信号划分为若干个样本用户的若干个采样周期对应的呼吸信号段，并将同一采样周期对应的心冲击信号段以及呼吸信号段进行组合，获得所述若干个样本用户的若干个采样周期对应的信号段集；
获取预设的神经网络模型，所述神经网络模型包括特征提取模块、卷积模块以及待训练的分类模块，将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述特征提取模块，获得所述若干个样本用户的若干个采样周期对应的第一特征集，其中，所述第一特征集包括线性特征以及非线性特征，所述线性特征包括峰值特征以及波动特征，所述非线性特征包括偏度特征、峰度特征、模糊熵特征以及整体纵向应变特征；
所述峰值特征包括所述心冲击信号段对应的心冲击峰值特征以及所述呼吸信号段对应的呼吸峰值特征以及心肺峰值系数比特征；
分别将所述信号段集中的心冲击信号段、呼吸信号段作为第一输入信号段，根据预设的峰值特征计算算法，获得所述第一输入信号段对应的峰值特征，其中，所述峰值特征包括所述心冲击信号段对应的心冲击峰值特征以及所述呼吸信号段对应的呼吸峰值特征，所述峰值特征计算算法为：
式中，为所述第一输入信号段对应的峰值特征，为均方根函数，为第n个采样周期对应的第一输入信号段，为最大值函数，为最小值函数；
将同一采样周期对应的所述心冲击信号段对应的心冲击峰值特征与所述呼吸信号段对应的呼吸峰值特征作比值，获得若干个样本用户的若干个采样周期对应的信号段集的比值结果，作为所述若干个样本用户的若干个采样周期对应的信号段集的心肺峰值系数比特征；
将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述卷积模块，获得所述若干个样本用户的若干个采样周期对应的第二特征集，其中，所述第二特征集包括局部特征以及时间特征；
获得所述若干个样本用户对应的标签集，其中，所述标签集包括若干个采样周期对应的标签数据；
将所述若干个样本用户的若干个采样周期对应的第一特征集、第二特征集以及标签集输入至所述待训练的分类模块中，对所述待训练的分类模块进行训练，获得训练好的神经网络模型，作为心脏检测模型；
响应于检测指令，获得待测用户的生理信号，从所述待测用户的生理信号中提取心冲击信号以及呼吸信号，将所述待测用户的心冲击信号以及呼吸信号输入至所述心脏检测模型，获得所述心脏检测模型输出的概率分布向量，根据所述概率分布向量以及预设的概率阈值，获得所述待测用户的心脏信息检测结果。
2.根据权利要求1所述的基于生理信号的心脏信息检测方法，其特征在于，所述将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述特征提取模块，获得所述若干个样本用户的若干个采样周期对应的第一特征集，包括步骤：
根据预设的窗口数目，分别将所述心冲击信号段以及呼吸信号段进行划分，获得若干个心冲击信号段对应的若干个子心冲击信号段，以及若干个呼吸信号段对应的若干个子呼吸信号段；
根据所述若干个心冲击信号段对应的若干个子心冲击信号段以及预设的功率参数计算算法，获得所述若干个子心冲击信号段的功率参数，其中，所述功率参数计算算法为：
式中，为第i个所述子心冲击信号段的功率参数，为第i个所述子心冲击信号段，L为所述子心冲击信号段的数目；
将同一个心冲击信号段的所述若干个子心冲击信号段的功率参数进行组合，获取所述若干个心冲击信号段的功率参数序列，根据所述若干个心冲击信号段的功率参数序列以及预设的波动特征计算算法，获得所述若干个心冲击信号段的对应的波动特征，其中，所述波动特征计算算法为：
式中，为所述第n个采样周期对应的心冲击信号段对应的波动特征。
3.根据权利要求2所述的基于生理信号的心脏信息检测方法，其特征在于，所述将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述特征提取模块，获得所述若干个样本用户的若干个采样周期对应的第一特征集，包括步骤：
根据预设的偏度特征计算算法，获得所述第一输入信号段对应的偏度特征，其中，所述偏度特征包括所述心冲击信号段对应的心冲击偏度特征以及所述呼吸信号段对应的呼吸偏度特征，其中，所述偏度特征计算算法为：
式中，为所述第n个采样周期对应的第一输入信号段对应的偏度特征，为所述第n个采样周期对应的输入信号段，为所述第一输入信号段的平均值周围的第k个矩阵：
式中，N为所述采样周期的数目，为所述平均值；
根据预设的峰度特征计算算法，获得所述第一输入信号段对应的峰度特征，其中，所述峰度特征包括所述心冲击信号段对应的心冲击峰度特征以及所述呼吸信号段对应的呼吸峰度特征，所述峰度特征计算算法为：
式中，为所述第n个采样周期对应的第一输入信号段对应的峰度特征。
4.根据权利要求3所述的基于生理信号的心脏信息检测方法，其特征在于：所述模糊熵特征包括心冲击模糊熵特征以及呼吸模糊熵特征，所述心冲击模糊熵特征包括第一心冲击模糊熵特征、第二心冲击模糊熵特征以及第三心冲击模糊熵特征；所述呼吸模糊熵特征包括第一呼吸模糊熵特征、第二呼吸模糊熵特征以及第三呼吸模糊熵特征；
所述将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述特征提取模块，获得所述若干个样本用户的若干个采样周期对应的第一特征集，包括步骤：
根据所述第一输入信号段以及预设的嵌入维数，构建所述第一输入信号段相应的多维相空间，根据所述第一输入信号段相应的多维相空间，计算所述若干个样本用户的若干个采样周期对应的第一输入信号段对应的第一模糊熵特征，其中，所述第一模糊熵特征包括心冲击信号段对应的第一心冲击模糊熵特征以及呼吸信号段对应的第一呼吸模糊熵特征；
分别将所述子心冲击信号段、子呼吸信号段作为第二输入信号段，构建所述第二输入信号段相应的多维相空间，根据所述第二输入信号段相应的多维相空间以及所述模糊熵特征计算算法，获得所述若干个样本用户的若干个采样周期对应的第一输入信号段的若干个第二输入信号段对应的局部模糊熵特征，其中，所述局部模糊熵特征包括子心冲击信号段对应的局部心冲击模糊熵特征以及子呼吸信号段对应的局部呼吸模糊熵特征；
根据所述若干个第二输入信号段对应的局部模糊熵特征以及预设的第二模糊熵特征计算算法，获得所述若干个样本用户的若干个采样周期对应的第一输入信号段的第二模糊熵特征，其中，所述第二模糊熵特征计算算法为：
式中，为所述第n个采样周期对应的第一输入信号段对应的第二模糊熵特征，为所述第i个第二输入信号段对应的局部模糊熵特征；
根据所述若干个第二输入信号段对应的局部模糊熵特征以及预设的第三模糊熵特征计算算法，获得所述若干个样本用户的若干个采样周期对应的第一输入信号段的第三模糊熵特征，其中，所述第三模糊熵特征计算算法为：
式中，为所述第n个采样周期对应的第一输入信号段对应的第三模糊熵特征。
5.根据权利要求4所述的基于生理信号的心脏信息检测方法，其特征在于，所述将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述特征提取模块，获得所述若干个样本用户的若干个采样周期对应的第一特征集，包括步骤：
获取所述若干个样本用户的年龄和身体质量指数，基于同一采样周期对应的，根据预设的整体纵向应变特征计算算法，获取所述若干个样本用户的若干个采样周期对应的第一输入信号段对应的整体纵向应变特征，其中，所述整体纵向应变特征为：
式中，为所述第n个采样周期对应的第一输入信号段对应的整体纵向应变特征，为所述第n个采样周期对应的心冲击信号段对应的峰值特征，为所述第n个采样周期对应的心冲击信号段对应的第二模糊熵特征；为所述第n个采样周期对应的心冲击信号段对应的第三模糊熵特征；为所述第n个采样周期对应的心冲击信号段对应的心冲击偏度特征；为所述第n个采样周期对应的心冲击信号段对应的心冲击峰度特征；为预设的经验系数，age为所述若干个样本用户的年龄；BMI为所述若干个样本用户的身体质量指数。
6.根据权利要求1所述的基于生理信号的心脏信息检测方法，其特征在于，所述将所述若干个样本用户的若干个采样周期对应的第一特征集、第二特征集以及标签集输入至所述待训练的分类模块中，对所述待训练的分类模块进行训练，获得训练好的神经网络模型，作为心脏检测模型，包括步骤：
采用决策树方法，根据所述若干个样本用户的若干个采样周期对应的第一特征集、第二特征集以及标签集、预设的目标函数以及预设的迭代次数，对所述待训练的分类模块进行迭代训练，获得训练好的神经网络模型，作为心脏检测模型，其中，所述目标函数为：
式中，为所述目标函数，k为所述样本用户的数目，j表示第j个样本用户，l为预设的损失函数，t表示第t个树模块，为所述第t个树模块输出的所述采样周期对应的标签数据，为第t-1个树模块输出的第j个样本用户的预测值，表示所述第t-1个树模块进行迭代训练后，分裂形成的子树模块输出的第j个样本用户的预测值，其中，，为第j个样本用户的第一特征集以及第二特征集的集合，为预设的训练函数，为预设的正则项，Z为预设的常数项。
7.一种基于生理信号的心脏信息检测装置，其特征在于，包括：
信号处理模块，用于获取若干个样本用户的生理信号，从所述生理信号中提取心冲击信号以及呼吸信号，根据预设的采样周期，将所述心冲击信号划分为若干个样本用户的若干个采样周期对应的心冲击信号段，以及将所述呼吸信号划分为若干个样本用户的若干个采样周期对应的呼吸信号段，并将同一采样周期对应的心冲击信号段以及呼吸信号段进行组合，获得所述若干个样本用户的若干个采样周期对应的信号段集；
第一特征集计算模块，用于获取预设的神经网络模型，所述神经网络模型包括特征提取模块、卷积模块以及待训练的分类模块，将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述特征提取模块，获得所述若干个样本用户的若干个采样周期对应的第一特征集，其中，所述第一特征集包括线性特征以及非线性特征，所述线性特征包括峰值特征以及波动特征，所述非线性特征包括偏度特征、峰度特征、模糊熵特征以及整体纵向应变特征；
所述峰值特征包括所述心冲击信号段对应的心冲击峰值特征以及所述呼吸信号段对应的呼吸峰值特征以及心肺峰值系数比特征；
分别将所述信号段集中的心冲击信号段、呼吸信号段作为第一输入信号段，根据预设的峰值特征计算算法，获得所述第一输入信号段对应的峰值特征，其中，所述峰值特征包括所述心冲击信号段对应的心冲击峰值特征以及所述呼吸信号段对应的呼吸峰值特征，所述峰值特征计算算法为：
式中，为所述第一输入信号段对应的峰值特征，为均方根函数，为第n个采样周期对应的第一输入信号段，为最大值函数，为最小值函数；
将同一采样周期对应的所述心冲击信号段对应的心冲击峰值特征与所述呼吸信号段对应的呼吸峰值特征作比值，获得若干个样本用户的若干个采样周期对应的信号段集的比值结果，作为所述若干个样本用户的若干个采样周期对应的信号段集的心肺峰值系数比特征；
第二特征集计算模块，用于将所述若干个样本用户的若干个采样周期对应的信号段集输入至所述卷积模块，获得所述若干个样本用户的若干个采样周期对应的第二特征集，其中，所述第二特征集包括局部特征以及时间特征；
标签数据获取模块，用于获得所述若干个样本用户对应的标签集，其中，所述标签集包括若干个采样周期对应的标签数据；
训练模块，用于将所述若干个样本用户的若干个采样周期对应的第一特征集、第二特征集以及标签集输入至所述待训练的分类模块中，对所述待训练的分类模块进行训练，获得训练好的神经网络模型，作为心脏检测模型；
检测模块，用于响应于检测指令，获得待测用户的生理信号，从所述待测用户的生理信号中提取心冲击信号以及呼吸信号，将所述待测用户的心冲击信号以及呼吸信号输入至所述心脏检测模型，获得所述心脏检测模型输出的概率分布向量，根据所述概率分布向量以及预设的概率阈值，获得所述待测用户的心脏信息检测结果。
8.一种用于执行基于生理信号的心脏信息检测方法的系统，包括：
压电传感器，用于将用户的身体微振信号转换为模拟信号，获取待测用户的生理信号，其中，所述生理信号包括心冲击信号以及呼吸信号；
放大电路，用于将所述压电传感器获得的模拟信号进行放大处理，获取放大处理后的模拟信号；
模数转换单元，用于将所述模拟信号转换为数字信号；
滤波器，用于滤除所述数字信号中的工频噪声，去除基线漂移，从所述数字信号中提取心冲击信号以及呼吸信号，获取待测用户的心冲击信号以及呼吸信号；
信号段组合单元，用于根据预设的采样周期，将所述待测用户的心冲击信号划分为若干个采样周期对应的心冲击信号段，以及将所述待测用户的呼吸信号划分为待测用户的若干个采样周期对应的呼吸信号段，并将同一采样周期对应的心冲击信号段以及呼吸信号段进行组合，获得所述待测用户的若干个采样周期对应的信号段集；
处理器单元，用于将所述待测用户的若干个采样周期对应的信号段集输入至预设的心脏检测模型，所述心脏检测模型包括特征提取模块、卷积模块以及分类模块，根据所述待测用户的若干个采样周期对应的信号段集以及特征提取模块，获得所述待测用户的若干个采样周期对应的第一特征集，其中，所述第一特征集包括线性特征以及非线性特征，所述线性特征包括峰值特征以及波动特征；所述峰值特征包括所述心冲击信号段对应的心冲击峰值特征以及所述呼吸信号段对应的呼吸峰值特征以及心肺峰值系数比特征；
分别将所述信号段集中的心冲击信号段、呼吸信号段作为第一输入信号段，根据预设的峰值特征计算算法，获得所述第一输入信号段对应的峰值特征，其中，所述峰值特征包括所述心冲击信号段对应的心冲击峰值特征以及所述呼吸信号段对应的呼吸峰值特征，所述峰值特征计算算法为：
式中，为所述第一输入信号段对应的峰值特征，为均方根函数，为第n个采样周期对应的第一输入信号段，为最大值函数，为最小值函数；
将同一采样周期对应的所述心冲击信号段对应的心冲击峰值特征与所述呼吸信号段对应的呼吸峰值特征作比值，获得若干个样本用户的若干个采样周期对应的信号段集的比值结果，作为所述若干个样本用户的若干个采样周期对应的信号段集的心肺峰值系数比特征；
所述非线性特征包括偏度特征、峰度特征、模糊熵特征以及整体纵向应变特征；将所述待测用户的若干个采样周期对应的信号段集输入至所述卷积模块，获得所述待测用户的若干个采样周期对应的第二特征集，其中，所述第二特征集包括局部特征以及时间特征；根据所述待测用户的若干个采样周期对应的第一特征集、第二特征集以及分类模块，获得所述待测用户的心脏信息检测结果，并保存于电子数据库系统；
存储器单元，用于存储所述电子数据库系统的数据；
供电单元，用于对所述压电传感器、放大电路、模数转换单元、滤波器、信号段组合单元、处理器单元以及存储器单元供电。
9.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于生理信号的心脏信息检测方法的步骤。
CN202211250644.7A 2022-10-13 2022-10-13 基于生理信号的心脏信息检测方法、装置以及设备 Active CN115316985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211250644.7A CN115316985B (zh) 2022-10-13 2022-10-13 基于生理信号的心脏信息检测方法、装置以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211250644.7A CN115316985B (zh) 2022-10-13 2022-10-13 基于生理信号的心脏信息检测方法、装置以及设备

Publications (2)

Publication Number Publication Date
CN115316985A CN115316985A (zh) 2022-11-11
CN115316985B true CN115316985B (zh) 2023-04-18

Family

ID=83913648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211250644.7A Active CN115316985B (zh) 2022-10-13 2022-10-13 基于生理信号的心脏信息检测方法、装置以及设备

Country Status (1)

Country Link
CN (1) CN115316985B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107510449A (zh) * 2017-08-16 2017-12-26 深圳市微克科技有限公司 心率分析方法及智能穿戴设备
WO2018106146A2 (ru) * 2016-11-24 2018-06-14 Александр Викторович Ежков Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий
CN108272447A (zh) * 2018-03-27 2018-07-13 厦门金网科技有限公司 一种基于uwb技术的呼吸和心跳速率检测系统
WO2022052358A1 (zh) * 2020-09-09 2022-03-17 生物岛实验室 心电异常检测网络训练方法、心电异常预警方法及装置
KR102416878B1 (ko) * 2022-04-15 2022-07-05 주식회사 엠마헬스케어 심박수 측정을 위한 헬스케어 장치

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3515301A4 (en) * 2016-09-16 2021-07-07 Honeywell Safety Products USA, Inc. BIOMETRIC ASSESSMENT SYSTEMS, DEVICES AND METHODS
US11832970B2 (en) * 2017-07-26 2023-12-05 Cardiac Pacemakers, Inc. Worsening heart failure stratification
CN108056769B (zh) * 2017-11-14 2020-10-16 深圳市大耳马科技有限公司 一种生命体征信号分析处理方法、装置和生命体征监测设备
US10863948B2 (en) * 2017-12-06 2020-12-15 Cardiac Pacemakers, Inc. Heart failure stratification based on respiratory pattern
KR20190088680A (ko) * 2018-01-19 2019-07-29 울산대학교 산학협력단 인공 신경망 생성 장치 및 심실 부정맥 예측 장치
CN111657894A (zh) * 2020-06-29 2020-09-15 深圳数联天下智能科技有限公司 健康检测装置
CN114081462B (zh) * 2021-11-19 2023-06-09 齐齐哈尔大学 一种基于多维度生理信息的心脏健康监护系统
CN114145735B (zh) * 2021-12-03 2023-10-20 华南师范大学 基于bcg信号的运动规划方案生成方法、系统以及设备
CN114376564B (zh) * 2021-12-29 2024-04-02 华南理工大学 一种基于心冲击信号的睡眠分期方法、系统、装置及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018106146A2 (ru) * 2016-11-24 2018-06-14 Александр Викторович Ежков Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий
CN107510449A (zh) * 2017-08-16 2017-12-26 深圳市微克科技有限公司 心率分析方法及智能穿戴设备
CN108272447A (zh) * 2018-03-27 2018-07-13 厦门金网科技有限公司 一种基于uwb技术的呼吸和心跳速率检测系统
WO2022052358A1 (zh) * 2020-09-09 2022-03-17 生物岛实验室 心电异常检测网络训练方法、心电异常预警方法及装置
KR102416878B1 (ko) * 2022-04-15 2022-07-05 주식회사 엠마헬스케어 심박수 측정을 위한 헬스케어 장치

Also Published As

Publication number Publication date
CN115316985A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN106108889B (zh) 基于深度学习算法的心电图分类方法
Wang et al. Arrhythmia classification algorithm based on multi-head self-attention mechanism
US10758186B2 (en) Physiological sign information acquisition method and system
CN109961017A (zh) 一种基于卷积循环神经网络的心音信号分类方法
CN108498089A (zh) 一种基于深度神经网络的无创连续血压测量方法
US11406304B2 (en) Systems and methods for physiological sign analysis
CN114041786B (zh) 心冲击图信号的检测方法、装置以及设备
CN111248879A (zh) 一种基于多模态注意力融合的高血压老年人活动分析方法
CN114732361A (zh) 基于生理信号的睡眠分期预测方法、设备以及存储介质
CN112806977A (zh) 基于多尺度融合网络的生理参数测量方法
CN114190897B (zh) 睡眠分期模型的训练方法、睡眠分期方法及装置
CN111789629A (zh) 一种基于深度学习的呼吸音智能诊疗系统及方法
CN117598700B (zh) 智能化血氧饱和度检测系统及方法
Yan et al. Topological descriptors of gait nonlinear dynamics toward freezing-of-gait episodes recognition in parkinson’s disease
Wang et al. Ppg signal reconstruction using deep convolutional generative adversarial network
CN114366060A (zh) 一种基于心率变异性的健康预警方法、装置及电子设备
CN115316985B (zh) 基于生理信号的心脏信息检测方法、装置以及设备
CN112336369A (zh) 一种多通道心音信号的冠心病风险指数评估系统
CN110179451B (zh) 心电信号质量检测方法、装置、计算机设备和存储介质
Zaki et al. Smart medical chatbot with integrated contactless vital sign monitor
CN111311466A (zh) 安全控制方法及装置
CN116130107A (zh) 基于时域分析的瓣膜置换术早期临床评估方法及系统
CN116186561A (zh) 基于高维时序图网络的跑步姿势识别纠正方法及系统
JP2020048622A (ja) 生体状態推定装置
CN111345815B (zh) 一种心电信号中qrs波的检测方法、装置、设备和存储介质

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
CB03 Change of inventor or designer information

Inventor after: Zhang Han

Inventor after: Feng Shen

Inventor after: Bao Andong

Inventor after: Lin Guanyang

Inventor after: Wu Xianda

Inventor after: Lin Xiying

Inventor after: Pang Zhiqiang

Inventor before: Feng Shen

Inventor before: Zhang Han

Inventor before: Bao Andong

Inventor before: Lin Guanyang

Inventor before: Wu Xianda

Inventor before: Lin Xiying

Inventor before: Pang Zhiqiang

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant