CN115462771A - 一种心率估计方法 - Google Patents

Abstract

本发明公开了一种心率估计方法，包括：获取心冲击信号；将所述心冲击信号划分为无动作干扰段和有动作干扰段；对所述无动作干扰段进行J峰检测，以得到第一J峰序列；根据所述第一J峰序列和点过程模型构建J峰检测模型；采用所述J峰检测模型对所述有动作干扰段进行J峰检测，以得到第二J峰序列；以及根据所述第一J峰序列和所述第二J峰序列得到心率估计值。本发明可以有效识别出心冲击信号中的无动作干扰段和有动作干扰段，并能够基于无动作干扰段和点过程模型构建J峰检测模型，以对有动作干扰段进行J峰检测，从而得到准确的心率估计值。

Description

一种心率估计方法

技术领域

本发明涉及心率检测技术领域，尤其涉及一种基于心冲击信号的心率估计方法。

背景技术

心冲击信号(Ballistocardiography，BCG信号)是通过传感器测量人体体表压力微小变化而形成的信号，包含人体心动、呼吸和运动等信息。与传统常用的心电信号相比，心冲击信号能够通过在床垫、座垫等地方安装传感器来获取，具有极强的检测便捷性，这使得心冲击信号成为检测心动周期及计算心率的主要方法。如图1所示，一个心动周期内心冲击信号的最大值被记为J峰，其左右最近的极大值被记为H峰和L峰，HJL波群是血管对心脏射血的响应的体现；如果能够得到一段信号内的每个J峰的位置，则可以计算出每个心动周期以及心率。

然而，由于心冲击信号往往是通过体外传感器进行测量得到，且其中心动产生的信号相比于由呼吸和可能的身体运动产生的信号来说非常小，使得心冲击信号的波形易受到较大的干扰，尤其在被测对象身体运动幅度较大的情况下。目前，对于心冲击信号，可以通过带通滤波器去除呼吸等具有较明确频率范围的干扰，但对于可能出现的人体动作干扰，由于其幅值相对心动信息幅值很大并且没有先验的频域特征，并不能被很好地去除，致使基于心冲击信号的心率测量无法推广至多应用场景。

发明内容

本发明的目的在于提供一种心率估计方法，可以有效识别出心冲击信号中的无动作干扰段和有动作干扰段，并基于无动作干扰段和点过程模型构建J峰检测模型，以对有动作干扰段进行J峰检测，从而得到准确的心率估计值。

为了达到上述目的，本发明通过以下技术实现：

一种心率估计方法，包括：

获取心冲击信号；

将所述心冲击信号划分为无动作干扰段和有动作干扰段；

对所述无动作干扰段进行J峰检测，以得到第一J峰序列；

根据所述第一J峰序列和点过程模型构建J峰检测模型；

采用所述J峰检测模型对所述有动作干扰段进行J峰检测，以得到第二J峰序列；以及

根据所述第一J峰序列和所述第二J峰序列得到心率估计值。

优选地，所述将所述心冲击信号划分为无动作干扰段和有动作干扰段的步骤包括：

根据预设评价窗的窗长将所述心冲击信号划分为若干个评价信号；

采用干扰评价函数对每一所述评价信号进行计算，以得到每一所述评价信号对应的评价函数值；

根据预设心动窗的窗长将所有所述评价信号划分为若干个评价组；

从每一所述评价组内的所有所述评价信号对应的评价函数值中选取最大值，以作为每一所述评价组的极大值；

根据所有所述评价组的极大值得到动作干扰阈值；

根据所述动作干扰阈值对所述心冲击信号中所有所述评价信号对应的评价函数值进行分段处理，以得到第一阈值段和第二阈值段；以及

将所述第一阈值段和所述第二阈值段分别映射至所述心冲击信号中，以得到所述无动作干扰段和所述有动作干扰段。

优选地，所述干扰评价函数的表达式如下：

其中，Q(i)表示第i个所述评价信号对应的评价函数值；n表示第i个所述评价信号中采样点的数量；D(k)表示第i个所述评价信号中第k个采样点对应的信号值；

所述动作干扰阈值采用如下公式进行计算：

threshold＝3×min{Y′(1)，Y′(2)，…，Y′(h)，…}

其中，threshold表示所述动作干扰阈值；{Y'(1)，Y'(2)，···，Y'(h)，···}表示所有所述评价组的极大值的集合；Y'(h)表示第h个所述评价组的极大值。

优选地，执行所述对所述无动作干扰段进行J峰检测，以得到第一J峰序列的步骤之前还包括：

采用经验小波变换对所述心冲击信号进行去除呼吸干扰处理，以得到去呼吸干扰信号。

优选地，所述对所述无动作干扰段进行J峰检测，以得到第一J峰序列的步骤包括：

根据预设长度变换窗的窗长将所述去呼吸干扰信号划分为若干个变换信号；

对每一所述变换信号进行长度变换，以得到每一所述变换信号的长度变换结果；

根据所有所述变换信号的长度变换结果得到所述去呼吸干扰信号的长度变换结果；

将所述去呼吸干扰信号的长度变换结果中的所有峰值映射至所述心冲击信号中，以得到所述心冲击信号的初始J峰序列；以及

选取所述心冲击信号中所述无动作干扰段对应的初始J峰序列作为所述第一J峰序列。

优选地，对每一所述变换信号采用如下公式进行长度变换：

其中，L(t)表示第t个所述变换信号的长度变换结果；w表示所述预设长度变换窗的窗长；m表示第t个所述变换信号中采样点的数量；Z(b)表示第t个所述变换信号中第b个采样点对应的信号值。

优选地，所述J峰检测模型为正态概率模型，且所述J峰检测模型的概率密度函数为：

其中，μ为所述J峰检测模型的均值，σ为所述J峰检测模型的方差。

优选地，所述采用所述J峰检测模型对所述有动作干扰段进行J峰检测，以得到第二J峰序列的步骤包括：

选取所述心冲击信号中所述有动作干扰段对应的初始J峰序列作为候选J峰序列；

根据所述候选J峰序列得到若干个候选J峰间距，且所有所述候选J峰间距构成候选J峰间距序列；

根据所述J峰检测模型的概率密度函数得到所述候选J峰间距序列的概率；以及

根据所述候选J峰间距序列的概率，从所述候选J峰序列中选取所述第二J峰序列。

优选地，所述候选J峰间距序列的概率采用如下公式进行计算：

其中，{JJ}表示所述候选J峰间距序列；P({JJ})表示所述候选J峰间距序列的概率；JJ_r表示第r个所述候选J峰间距；f(JJ_r)表示第r个所述候选J峰间距的概率密度函数值；s表示所述候选J峰间距的数量；δ＝1。

优选地，所述根据所述第一J峰序列和所述第二J峰序列得到心率估计值的步骤包括：

根据所述第一J峰序列和所述第二J峰序列得到所述心冲击信号的最终J峰序列；以及

根据预设时间内所述心冲击信号的最终J峰序列中最终J峰的数量得到所述心率估计值。

本发明与现有技术相比至少具有以下优点之一：

本发明提供一种心率估计方法，可以将心冲击信号划分为无动作干扰段和有动作干扰段，基于无动作干扰段可以得到第一J峰序列，根据第一J峰序列和点过程模型则可以构建J峰检测模型；通过J峰检测模型对有动作干扰段进行J峰检测可以得到第二J峰序列，根据第一J峰序列和第二J峰序列则可以得到心率估计值。

本发明将心冲击信号划分为若干个评价信号后，可以通过干扰评价函数得到每一评价信号对应的评价函数值，从而得到动作干扰阈值，进而根据动作干扰阈值有效识别出心冲击信号中的无动作干扰段和有动作干扰段。

本发明可以基于经验小波变换滤除心冲击信号中的呼吸干扰并得到去呼吸干扰信号；通过对去呼吸干扰信号进行长度变换，则可以得到心冲击信号的初始J峰序列，进而得到无动作干扰段对应的第一J峰序列。

本发明根据第一J峰序列和点过程模型可以构建J峰检测模型，通过J峰检测模型的概率密度函数和候选J峰间距可以从有动作干扰段中准确检测到第二J峰序列。

本发明通过将第一J峰序列和第二J峰序列进行组合即可得到心冲击信号的最终J峰序列，并通过统计预设时间内心冲击信号的最终J峰序列中最终J峰的数量则可以得到心率估计值。

附图说明

图1是一个心动周期内心冲击信号中J峰、H峰和L峰的示意图；

图2是本发明一实施例提供的一种心率估计方法的流程图；

图3是本发明一实施例提供的一种心率估计方法的心冲击信号图；

图4是本发明一实施例提供的一种心率估计方法的所有评价信号对应的评价函数值图；

图5是本发明一实施例提供的一种心率估计方法的心冲击信号的分段图；

图6是本发明一实施例提供的一种心率估计方法的去呼吸干扰信号图；

图7是本发明一实施例提供的一种心率估计方法的去呼吸干扰信号的长度变换结果图；

图8是本发明一实施例提供的一种心率估计方法的心冲击信号的最终J峰序列图。

具体实施方式

以下结合附图和具体实施方式对本发明提出的一种心率估计方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

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。

结合附图2～8所示，本实施例提供一种心率估计方法，包括：步骤S110、获取心冲击信号；步骤S120、将所述心冲击信号划分为无动作干扰段和有动作干扰段；步骤S130、对所述无动作干扰段进行J峰检测，以得到第一J峰序列；步骤S140、根据所述第一J峰序列和点过程模型构建J峰检测模型；步骤S150、采用所述J峰检测模型对所述有动作干扰段进行J峰检测，以得到第二J峰序列；以及步骤S160、根据所述第一J峰序列和所述第二J峰序列得到心率估计值。

请同时参考图2至图5，所述步骤S120包括：根据预设评价窗的窗长将所述心冲击信号划分为若干个评价信号；采用干扰评价函数对每一所述评价信号进行计算，以得到每一所述评价信号对应的评价函数值；根据预设心动窗的窗长将所有所述评价信号划分为若干个评价组；从每一所述评价组内的所有所述评价信号对应的评价函数值中选取最大值，以作为每一所述评价组的极大值；根据所有所述评价组的极大值得到动作干扰阈值；根据所述动作干扰阈值对所述心冲击信号中所有所述评价信号对应的评价函数值进行分段处理，以得到第一阈值段和第二阈值段；以及将所述第一阈值段和所述第二阈值段分别映射至所述心冲击信号中，以得到所述无动作干扰段和所述有动作干扰段。

可以理解的是，在一些其他的实施例中，所述干扰评价函数的表达式如下：

其中，Q(i)表示第i个所述评价信号对应的评价函数值；n表示第i个所述评价信号中采样点的数量；D(k)表示第i个所述评价信号中第k个采样点对应的信号值；

所述动作干扰阈值采用如下公式进行计算：

threshold＝3×min{Y′(1)，Y′(2)，…，Y′(h)，…} (2)

其中，threshold表示所述动作干扰阈值；{Y'(1)，Y'(2)，···，Y'(h)，···}表示所有所述评价组的极大值的集合；Y'(h)表示第h个所述评价组的极大值。

具体的，所述心冲击信号是通过体外传感器进行测量得到的，而被测对象在测量过程中会不可避免地进行呼吸及身体运动，被测对象的呼吸及身体运动则会给所述心冲击信号带来呼吸干扰和动作干扰。由于所述心冲击信号中呼吸信息具有明确频率范围，则可以对其进行有效滤除。对于动作干扰，当所述心冲击信号中某一信号段的变化幅度过大时，则说明该信号段可能受到了动作干扰的影响，可能为所述有动作干扰段；在基于所述心冲击信号进行心率计算时，为保证所述J峰检测模型的精度及计算得到的所述心率估计值的准确率，需要对所述心冲击信号中的所述无动作干扰段和所述有动作干扰段进行准确识别，但本发明不以此为限。

在本实施例中，将所述心冲击信号划分为若干个所述评价信号时，所述预设评价窗的窗长可以设为16个采样点，则每一所述评价信号中采样点的数量同样为16个。采用公式(1)计算得到的每一所述评价信号对应的评价函数值为每一所述评价信号的差分能量；且所述评价信号的变化幅度较大时，其差分能量就会越大，即其对应的评价函数值就会越大。将所有所述评价信号划分为若干个所述评价组时，考虑到心率实际取值范围，2s的时间范围内必定包含至少一个心动周期；基于所述体外传感器的50Hz采样频率下，所述预设心动窗的窗长则可以设为100个采样点；由于每一所述评价信号中采样点的数量为16个，则每一所述评价组可以包含6个所述评价信号。从每一所述评价组内的6个所述评价信号对应的评价函数值中选出最大值，并作为每一所述评价组的极大值，因而每一所述评价组的极大值为局部极大值。从所有所述评价信号组的极大值中选取最小值，则可以得到动作干扰基础值即min{Y'(1)，Y'(2)，···，Y'(h)，···}；根据所述动作干扰基础值及公式(2)可以计算得到所述动作干扰阈值，且所述动作干扰阈值为145。根据所述动作干扰阈值则可以将所述心冲击信号中所有所述评价信号对应的评价函数值划分为所述第一阈值段(图4中无阴影部分)和所述第二阈值段(图4中有阴影部分)；且所述第一阈值段中每一所述评价信号对应的评价函数值不大于所述动作干扰阈值，所述第二阈值段中每一所述评价信号对应的评价函数值大于所述动作干扰阈值。将所述第一阈值段对应的采样点一一映射至所述心冲击信号的采样点中，即可在所述心冲击信号中识别出所述无动作干扰段(图5中无阴影部分)；同样将所述第二阈值段对应的采样点一一映射至所述心冲击信号的采样点中，即可在所述心冲击信号中识别出所述有动作干扰段(图5中有阴影部分)，但本发明不以此为限。

请同时参考图2、图6和图7，执行将所述步骤S130之前还包括：采用经验小波变换对所述心冲击信号进行去除呼吸干扰处理，以得到去呼吸干扰信号。

可以理解的是，在一些其他的实施例中，所述步骤S130包括：根据预设长度变换窗的窗长将所述去呼吸干扰信号划分为若干个变换信号；对每一所述变换信号进行长度变换，以得到每一所述变换信号的长度变换结果；根据所有所述变换信号的长度变换结果得到所述去呼吸干扰信号的长度变换结果；将所述去呼吸干扰信号的长度变换结果中的所有峰值映射至所述心冲击信号中，以得到所述心冲击信号的初始J峰序列；以及选取所述心冲击信号中所述无动作干扰段对应的初始J峰序列作为所述第一J峰序列。

在一些实施例中，对每一所述变换信号采用如下公式进行长度变换：

其中，其中，L(t)表示第t个所述变换信号的长度变换结果；w表示所述预设长度变换窗的窗长；m表示第t个所述变换信号中采样点的数量；Z(b)表示第t个所述变换信号中第b个采样点对应的信号值。

具体的，在本实施例中，由于所述心冲击信号中呼吸信息具有明确频率范围，则基于先验的呼吸信息频率并采用所述经验小波变换可以对滤除所述心冲击信号中的呼吸干扰，从而得到所述去呼吸干扰信号，但本发明不以此为限。

具体的，在本实施例中，将所述去呼吸干扰信号划分为若干个所述变换信号时，考虑到所述心冲击信号中HJL波群的持续时间，所述预设长度变换窗的窗长可以设为16个采样点，则每一所述变换信号中的采样点数量同样为16个。采用公式(3)可以计算得到每一所述变换信号的长度变换结果，且每一所述变换信号的长度变换结果表征了每一所述变换信号的变化剧烈程度。将所有所述变换信号的长度变换结果进行组合即可得到所述去呼吸干扰信号的长度变换结果，且所述去呼吸干扰信号的长度变换结果中存在若干个峰值。根据所述心冲击信号中J峰定义：一个心动周期内幅值最大的峰，可以将所述去呼吸干扰信号的长度变换结果中所有峰值对应的采样点一一映射至所述心冲击信号的采样点中，从而得到所述心冲击信号的初始J峰序列，且所述心冲击信号的初始J峰序列包含若干个初始J峰；更具体的，若所述去呼吸干扰信号的长度变换结果中某一峰值对应的采样点映射至所述心冲击信号的某一采样点后，所述心冲击信号在该采样点处并不存在初始J峰，则可以取该采样点附近的其他信号极大值为初始J峰，以能够得到所述心冲击信号的初始J峰序列。在所述心冲击信号的初始J峰序列中则可以选取所述无动作干扰段对应的若干个初始J峰构成所述第一J峰序列，但本发明不以此为限。

请继续参考图2，所述J峰检测模型为正态概率模型，且所述J峰检测模型的概率密度函数为：

其中，μ为所述J峰检测模型的均值，σ为所述J峰检测模型的方差。

具体的，在本实施例中，所述步骤S140中，以所述第一J峰序列为样本数据，基于所述点过程模型构建所述J峰检测模型时，为保证所述J峰检测模型的精度，可以去除所述第一J峰序列中最大5％和最小5％的样本，取中间90％的样本构建所述J峰检测模型的样本集，并取样本集中样本均值和样本方差为所述J峰检测模型的均值和方差，但本发明不以此为限。

请继续参考图2，所述步骤S150包括：选取所述心冲击信号中所述有动作干扰段对应的初始J峰序列作为候选J峰序列；根据所述候选J峰序列得到若干个候选J峰间距，且所有所述候选J峰间距构成候选J峰间距序列；根据所述J峰检测模型的概率密度函数得到所述候选J峰间距序列的概率；以及根据所述候选J峰间距序列的概率，从所述候选J峰序列中选取所述第二J峰序列。

可以理解的是，在一些其他的实施例中，所述候选J峰间距序列的概率采用如下公式进行计算：

其中，{JJ}表示所述候选J峰间距序列；P({JJ})表示所述候选J峰间距序列的概率；JJ_r表示第r个所述候选J峰间距；f(JJ_r)表示第r个所述候选J峰间距的概率密度函数值；s表示所述候选J峰间距的数量；δ＝1。

具体的，在本实施例中，所述候选J峰序列可以包括若干个候选J峰，且相邻两个所述候选J峰的采样点距离即为一个所述候选J峰间距，因此根据若干个所述候选J峰可以得到若干个所述候选J峰间距，根据若干个所述候选J峰间距则可以得到所述候选J峰间距序列；采用公式(4)和公式(5)即可计算得到所述候选J峰间距序列的概率。此外，还可以根据所述第一J峰序列得到若干个第一J峰间距，根据若干个所述第一J峰间距可以得到所述第一J峰间距序列，同样采用公式(4)和公式(5)计算得到所述第一J峰间距序列的概率。更具体的，当所述候选J峰间距序列的概率与所述第一J峰间距序列的概率的差值处于预设范围内时，则此时可以根据所述候选J峰间距序列，从所述候选J峰序列中选取涉及到的所述候选J峰，以构成所述第二J峰序列；若所述候选J峰间距序列的概率与所述第一J峰间距序列的概率的差值超出所述预设范围时，则此时可以删除任意个所述候选J峰间距，以构成新的所述候选J峰间距序列，并采用公式(4)和公式(5)可以计算得到新的所述候选J峰间距序列的概率，直至新的所述述候选J峰间距序列的概率与所述第一J峰间距序列的概率的差值处于预设范围内，且根据新的所述候选J峰间距序列从所述候选J峰序列中选取涉及到的所述候选J峰，以构成所述第二J峰序列，但本发明不以此为限。

请同时参考图2和图8，所述步骤S160包括：根据所述第一J峰序列和所述第二J峰序列得到所述心冲击信号的最终J峰序列；以及根据预设时间内所述心冲击信号的最终J峰序列中最终J峰的数量得到所述心率估计值。

具体的，在本实施例中，将所述第一J峰序列和所述第二J峰序列进行组合即可得到所述心冲击信号的最终J峰序列，统计所述预设时间内所述心冲击信号的最终J峰序列中最终J峰的数量则可以得到所述心率估计值，但本发明不以此为限。

综上所述，本实施例提供一种心率估计方法，可以将心冲击信号划分为无动作干扰段和有动作干扰段；通过对无动作干扰段进行J峰检测可以得到第一J峰序列；根据第一J峰序列和点过程模型则可以构建J峰检测模型；通过J峰检测模型对有动作干扰段进行J峰检测可以得到第二J峰序列，根据第一J峰序列和第二J峰序列则可以得到心率估计值。本实施例将心冲击信号划分为若干个评价信号后，可以通过干扰评价函数得到每一评价信号对应的评价函数值，从而得到动作干扰阈值，进而根据动作干扰阈值有效识别出心冲击信号中的无动作干扰段和有动作干扰段。本实施例还可以基于经验小波变换滤除心冲击信号中的呼吸干扰并得到去呼吸干扰信号；通过对去呼吸干扰信号进行长度变换，则可以得到心冲击信号的初始J峰序列，进而得到无动作干扰段对应的第一J峰序列；以及根据第一J峰序列和点过程模型可以构建J峰检测模型，通过J峰检测模型的概率密度函数和候选J峰间距可以从有动作干扰段中准确检测到第二J峰序列。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种心率估计方法，其特征在于，包括：

获取心冲击信号；

将所述心冲击信号划分为无动作干扰段和有动作干扰段；

对所述无动作干扰段进行J峰检测，以得到第一J峰序列；

根据所述第一J峰序列和点过程模型构建J峰检测模型；

采用所述J峰检测模型对所述有动作干扰段进行J峰检测，以得到第二J峰序列；以及

根据所述第一J峰序列和所述第二J峰序列得到心率估计值。

2.如权利要求1所述的心率估计方法，其特征在于，所述将所述心冲击信号划分为无动作干扰段和有动作干扰段的步骤包括：

根据预设评价窗的窗长将所述心冲击信号划分为若干个评价信号；

采用干扰评价函数对每一所述评价信号进行计算，以得到每一所述评价信号对应的评价函数值；

根据预设心动窗的窗长将所有所述评价信号划分为若干个评价组；

从每一所述评价组内的所有所述评价信号对应的评价函数值中选取最大值，以作为每一所述评价组的极大值；

根据所有所述评价组的极大值得到动作干扰阈值；

根据所述动作干扰阈值对所述心冲击信号中所有所述评价信号对应的评价函数值进行分段处理，以得到第一阈值段和第二阈值段；以及

将所述第一阈值段和所述第二阈值段分别映射至所述心冲击信号中，以得到所述无动作干扰段和所述有动作干扰段。

3.如权利要求2所述的心率估计方法，其特征在于，

所述干扰评价函数的表达式如下：

其中，Q(i)表示第i个所述评价信号对应的评价函数值；n表示第i个所述评价信号中采样点的数量；D(k)表示第i个所述评价信号中第k个采样点对应的信号值；

所述动作干扰阈值采用如下公式进行计算：

threshold＝3×min{Y′(1)，Y′(2)，…，Y′(h)，…}

其中，threshold表示所述动作干扰阈值；{Y'(1)，Y'(2)，···，Y'(h)，···}表示所有所述评价组的极大值的集合；Y'(h)表示第h个所述评价组的极大值。

4.如权利要求1所述的心率估计方法，其特征在于，执行所述对所述无动作干扰段进行J峰检测，以得到第一J峰序列的步骤之前还包括：

采用经验小波变换对所述心冲击信号进行去除呼吸干扰处理，以得到去呼吸干扰信号。

5.如权利要求4所述的心率估计方法，其特征在于，所述对所述无动作干扰段进行J峰检测，以得到第一J峰序列的步骤包括：

根据预设长度变换窗的窗长将所述去呼吸干扰信号划分为若干个变换信号；

对每一所述变换信号进行长度变换，以得到每一所述变换信号的长度变换结果；

根据所有所述变换信号的长度变换结果得到所述去呼吸干扰信号的长度变换结果；

将所述去呼吸干扰信号的长度变换结果中的所有峰值映射至所述心冲击信号中，以得到所述心冲击信号的初始J峰序列；以及

选取所述心冲击信号中所述无动作干扰段对应的初始J峰序列作为所述第一J峰序列。

6.如权利要求5所述的心率估计方法，其特征在于，

对每一所述变换信号采用如下公式进行长度变换：

其中，L(t)表示第t个所述变换信号的长度变换结果；w表示所述预设长度变换窗的窗长；m表示第t个所述变换信号中采样点的数量；Z(b)表示第t个所述变换信号中第b个采样点对应的信号值。

7.如权利要求1所述的心率估计方法，其特征在于，所述J峰检测模型为正态概率模型，且所述J峰检测模型的概率密度函数为：

其中，μ为所述J峰检测模型的均值，σ为所述J峰检测模型的方差。

8.如权利要求5所述的心率估计方法，其特征在于，所述采用所述J峰检测模型对所述有动作干扰段进行J峰检测，以得到第二J峰序列的步骤包括：

选取所述心冲击信号中所述有动作干扰段对应的初始J峰序列作为候选J峰序列；

根据所述候选J峰序列得到若干个候选J峰间距，且所有所述候选J峰间距构成候选J峰间距序列；

根据所述J峰检测模型的概率密度函数得到所述候选J峰间距序列的概率；以及

根据所述候选J峰间距序列的概率，从所述候选J峰序列中选取所述第二J峰序列。

9.如权利要求8所述的心率估计方法，其特征在于，

所述候选J峰间距序列的概率采用如下公式进行计算：

其中，{JJ}表示所述候选J峰间距序列；P({JJ})表示所述候选J峰间距序列的概率；JJ_r表示第r个所述候选J峰间距；f(JJ_r)表示第r个所述候选J峰间距的概率密度函数值；s表示所述候选J峰间距的数量；δ＝1。

10.如权利要求1所述的心率估计方法，其特征在于，所述根据所述第一J峰序列和所述第二J峰序列得到心率估计值的步骤包括：

根据所述第一J峰序列和所述第二J峰序列得到所述心冲击信号的最终J峰序列；以及

根据预设时间内所述心冲击信号的最终J峰序列中最终J峰的数量得到所述心率估计值。

Images