CN115553745A - 基于机器学习的血液容积脉搏波信号增强方法及系统 - Google Patents
基于机器学习的血液容积脉搏波信号增强方法及系统 Download PDFInfo
- Publication number
- CN115553745A CN115553745A CN202211362076.XA CN202211362076A CN115553745A CN 115553745 A CN115553745 A CN 115553745A CN 202211362076 A CN202211362076 A CN 202211362076A CN 115553745 A CN115553745 A CN 115553745A
- Authority
- CN
- China
- Prior art keywords
- signals
- pulse wave
- blood volume
- signal
- volume pulse
- 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.)
- Granted
Links
- 210000004369 blood Anatomy 0.000 title claims abstract description 89
- 239000008280 blood Substances 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010801 machine learning Methods 0.000 title claims abstract description 24
- 230000000737 periodic effect Effects 0.000 claims abstract description 65
- 238000013186 photoplethysmography Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000036387 respiratory rate Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000004886 head movement Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pulmonology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于机器学习的血液容积脉搏波信号增强方法及系统，该方法包括：获取血液容积脉搏波信号及其对应的真实光电容积描记信号；对获取的信号进行信号预处理，获取信号的多个周期单元信号；构建基于梯度提升回归的多输出回归模型，以血液容积脉搏波信号的多个周期单元信号及其对应的真实光电容积描记信号的多个周期单元信号为训练样本集，训练所述多输出回归模型；将原始血液容积脉搏波信号输入训练完成的多输出回归模型，输出增强后的血液容积脉搏波信号。本发明通过借助机器学习方法搭建信号增强模型，能够增强输出信号的质量，提高信号增强的鲁棒性，同时可以有效提高心率、呼吸率等生理指标检测的准确性。
Description
技术领域
本发明涉及信号处理技术领域，尤其涉及一种基于机器学习的血液容积脉搏波信号增强方法及系统。
背景技术
近年来，随着电子信息技术的发展，基于光电信号的远程生理指标检测方法越来越引起人们的关注。这一方法借助光学传感器捕获针对人体手腕、面部等皮肤区域的肉眼无法看到的颜色变化，考虑到皮肤区域颜色的周期性变化是由心脏搏动所造成的，因此，通过对一定时间内皮肤区域颜色周期性变化进行分析，即可得到血液容积脉搏波(BloodVolume Pulse,BVP)信号，基于该BVP信号实现实现心率、呼吸率等生理指标的检测。
在进行远程生理指标检测时，需要控制光照变化和环境固定，并要求被试者保持头部稳定。但是在实验和实际使用过程中，被试者的头部运动、表情变化、环境变化、光照变化都是无法避免的，而因此带来的噪声会影响获取的BVP信号的质量，进而影响检测的准确性。因此，上述远程生理指标检测方法中，保证获取BVP信号的质量是保证远程生理指标检测准确性的前提。
现有的信号增强方法主要包括滤除噪声和信号重构两类，通过信号增强来提升信号质量。其中，滤除噪声的方法通过主成分分析分离出噪声，使用滤波过滤噪声频率，然而，由于噪声和血液容积脉搏波信号在频率上存在重叠，该方法仅能消除信号中的部分噪声；信号重构的方法主要通过稳定的正弦函数代替原始信号的波形，得到的信号波形和幅值较为稳定，但是这一方案破坏了原有信号的形态，波峰、波谷等关键信息会产生差异。
发明内容
为解决上述现有技术的不足，本发明提供了一种基于机器学习的血液容积脉搏波信号增强方法及系统，解决在远程生理指标检测时因光照变化、头部运动等无关因素造成的血液容积脉搏波信号振幅较弱、波形异常问题，通过借助机器学习方法搭建信号增强模型，学习接触式医疗器械测量的光电容积描记信号特征，以此增强血液容积脉搏波信号，这一方法能够增强输出信号的质量，提高信号增强的鲁棒性，同时可以有效提高心率、呼吸率等生理指标检测的准确性。
第一方面，本公开提供了一种基于机器学习的血液容积脉搏波信号增强方法，包括：
获取血液容积脉搏波信号及其对应的真实光电容积描记信号；
对获取的信号进行信号预处理，获取血液容积脉搏波信号及其对应的真实光电容积描记信号的多个周期单元信号；
构建基于梯度提升回归的多输出回归模型，以血液容积脉搏波信号的多个周期单元信号及其对应的真实光电容积描记信号的多个周期单元信号为训练样本集，训练所述多输出回归模型；
将原始血液容积脉搏波信号输入训练完成的多输出回归模型，输出增强后的血液容积脉搏波信号。
进一步的技术方案，所述信号预处理包括峰值检测、周期分割、归一化和插值处理。
进一步的技术方案，对获取的信号进行信号预处理，包括：
将血液容积脉搏波信号进行转置，原始波峰变为波谷，原始波谷变为波峰，转置后的两个波峰之间的信号为一个周期单元；
进行峰值检测，检测每个周期单元的波峰，记录峰值对应的横坐标；
对整段信号按峰值横坐标进行周期分割，分割后转置，得到血液容积脉搏波信号的多个周期单元信号。
进一步的技术方案，还包括：
对获取的血液容积脉搏波信号的多个周期单元信号进行归一化处理，将信号值转换到[0,1]范围区间；
采用曲线拟合插值法对归一化后的周期单元信号进行插值处理，使得处理后的所有周期单元信号的长度一致且与真实光电容积描记信号的多个周期单元信号的长度一致。
进一步的技术方案，所述基于梯度提升回归的多输出回归模型包含多个梯度提升回归学习器，以血液容积脉搏波信号的多个周期单元信号作为模型的输入特征，以真实光电容积描记信号的多个周期单元信号作为数据标签，构建训练样本集，训练所述多个梯度提升回归学习器，每个梯度提升回归学习器对相应点位的数据进行位置和幅值恢复。
进一步的技术方案，所述多输出回归模型依次输出增强后的BVP信号，根据插值操作前保存的长度信息，将增强的BVP信号还原回原始长度，依次拼接所有输出的BVP信号，完成血液容积脉搏波信号的信号增强。
第二方面，本公开提供了一种基于机器学习的血液容积脉搏波信号增强系统，包括：
信号获取模块，用于获取血液容积脉搏波信号及其对应的真实光电容积描记信号；
信号预处理模块，用于对获取的信号进行信号预处理，获取血液容积脉搏波信号及其对应的真实光电容积描记信号的多个周期单元信号；
信号增强模型构建及训练模块，用于构建基于梯度提升回归的多输出回归模型，以血液容积脉搏波信号的多个周期单元信号及其对应的真实光电容积描记信号的多个周期单元信号为训练样本集，训练所述多输出回归模型；
信号增强模块，用于将原始血液容积脉搏波信号输入训练完成的多输出回归模型，输出增强后的血液容积脉搏波信号。
进一步的技术方案，所述信号预处理包括峰值检测、周期分割、归一化和插值处理。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
以上一个或多个技术方案存在以下有益效果：
1、本发明提供了一种基于机器学习的血液容积脉搏波信号增强方法及系统，解决在远程生理指标检测时因光照变化、头部运动等无关因素造成的血液容积脉搏波信号振幅较弱、波形异常问题，通过借助机器学习方法搭建信号增强模型，学习接触式医疗器械测量的光电容积描记信号特征，以此增强血液容积脉搏波信号，这一方法能够增强输出信号的质量，提高信号增强的鲁棒性，同时可以有效提高心率、呼吸率等生理指标检测的准确性。
2、本发明细化信号增强方法，信号增强模型每次对一个周期单元进行增强，可以提高血液容积脉搏波信号质量，增强远程生理指标检测方法鲁棒性；使用基于机器学习的方法增强信号，可以去除部分噪声，提高后续分析过程中心率、呼吸率等其他生理指标检测的准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一所述基于机器学习的血液容积脉搏波信号增强方法的整体流程图；
图2为本发明实施例一中对信号进行峰值检测和周期单元分割的示意图；
图3为本发明实施例一中训练基于梯度提升回归的多输出回归模型的示意图；
图4为本发明实施例一中基于梯度提升回归的多输出回归模型的示意图；
图5为本发明实施例一所述方法增强的BVP信号与未进行增强的BVP信号的对比图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种基于机器学习的血液容积脉搏波信号增强方法，如图1所示，包括以下步骤：
步骤S1、获取血液容积脉搏波信号及其对应的真实光电容积描记信号。在本实施例中，对被试者视频进行实时信号提取，利用CHROM方法提取被试者面部皮肤区域的血液容积脉搏波信号即BVP信号，将提取的BVP信号以CSV文件格式存储及加载；同时，利用医用指夹式血氧仪获取被试者实时的真实光电容积描记信号，将该真实光电容积描记信号以CSV文件格式存储及加载。
作为另一种实施方式，将一定波长的光束照射到被试者面部皮肤表面，光束将通过透射或反射方式传送到光电检测器，在此过程中，皮肤肌肉、组织等对光的吸收在整个血液循环中是保持恒定不变的，而皮肤内的血液容积在心脏作用下呈搏动性变化，当心脏收缩时外周血容量最多，光吸收量也最大，检测到的光强度最小；而在心脏舒张时，正好相反，检测到的光强度最大，因此，光电接收器接收到的光强度随之呈脉动性变化，将此光强度变化信号转换成电信号，获得血液容积脉搏波信号。
步骤S2、对血液容积脉搏波信号及其对应的真实光电容积描记信号进行信号预处理，获取血液容积脉搏波信号及其对应的真实光电容积描记信号的多个周期单元信号。
上述信号预处理包括峰值检测、周期分割、归一化和插值处理。血液容积脉搏波信号和真实光电容积描记信号均为周期性信号，信号的一次起伏和回落即为一个周期单元，本实施例所述信号增强方案每次对一个周期单元的信号进行增强，因此，通过峰值检测对完整信号中的周期单元进行分割。具体的，如图2所示，首先，将血液容积脉搏波信号进行转置，原始波峰变为波谷，原始波谷变为波峰，转置后的两个波峰之间的信号即为一个周期单元；然后，进行峰值检测，检测每个周期单元的波峰，记录峰值对应的横坐标；最后，对整段信号按峰值横坐标进行周期分割，分割后转置即得到血液容积脉搏波信号的多个周期单元信号。
通过同样的方法，对真实光电容积描记信号进行峰值检测和周期分割，获得真实光电容积描记信号的多个周期单元信号。此时需要说明的是，血液容积脉搏波信号的多个周期单元信号分别与真实光电容积描记信号的多个周期单元信号依次一一对应。需指出的是，此时周期单元信号虽一一对应，但是其长度并不相同，为了使周期单元信号的长度相同，对此进行相应的插值处理。
具体的，首先，为了保证不同来源数据的规范性，同时方便后续插值等操作，对获取的两种周期单元信号进行归一化处理，将信号值转换到[0,1]范围区间。
由于信号采集设备的采样率不同，两种周期单元信号在长度上存在较大差异。为此，对归一化后的周期单元信号进行插值处理。在本实施例中，视频采样率为30Hz，血液容积脉搏波信号的周期单元信号长度主要分布在[15,30]区间范围内，故将周期单元信号插值长度设置为30，以满足后续机器学习模型的需求。
在进行插值操作前，记录单个周期单元信号的原始长度，以便在插值增强后将信号还原到真实的原始长度。
在本实施例中，使用曲线拟合插值法对一维周期单元信号进行插值处理，该方法返回一维数据的拟合函数，在保证信号整体特征不变的情况下对数据进行上采样和下采样。通过插值处理，使得所有周期单元信号的长度一致，且与真实光电容积描记信号的多个周期单元信号的长度一致。
步骤S3、构建基于梯度提升回归的多输出回归模型，以血液容积脉搏波信号的多个周期单元信号及其对应的真实光电容积描记信号的多个周期单元信号为训练样本集，训练上述多输出回归模型。
在本实施例中，如图3所示，构建基于梯度提升回归的多输出回归模型，该模型中包含多个梯度提升回归学习器，以血液容积脉搏波信号的多个周期单元信号作为模型的输入特征，以真实光电容积描记信号的多个周期单元信号作为数据标签，构建训练样本集，训练上述多个梯度提升回归学习器，每个梯度提升回归学习器对相应点位的数据进行位置和幅值恢复，以达到信号增强的目的。
如图4所示，考虑到梯度提升回归只能对单个值进行回归，因此，为了满足连续信号的增强需要，本实施例构建了基于梯度提升回归的多输出回归模型，该模型中包含30个梯度提升回归学习器GBR，根据输入的血液容积脉搏波信号的多个周期单元信号及其对应的真实光电容积描记信号的多个周期单元信号，进行梯度提升回归学习器的学习与训练，每个梯度提升回归学习器GBR对相应点位的数据进行位置和幅值恢复，如GBR1对血液容积脉搏波信号的周期单元信号最左端的值进行恢复，获取增强后的BVP信号；GBR2对血液容积脉搏波信号的周期单元信号左端第二个值进行恢复，获取增强后的BVP信号，以此类推，实现对血液容积脉搏波信号的周期单元信号的恢复与增强。
进一步的，通过上述方案训练完成的基于梯度提升回归的多输出回归模型依次输出增强后的BVP信号，实现对BVP信号的增强处理；根据插值操作前保存的长度信息，将增强的BVP信号还原回原始长度，依次拼接所有输出的BVP信号，即完成血液容积脉搏波信号的信号增强。
作为另一种实施方式，将构建的训练样本集按7：3进行划分，划分为训练数据集和测试数据集。利用训练数据集训练基于梯度提升回归的多输出回归模型，利用测试数据集对训练完成的基于梯度提升回归的多输出回归模型进行信号增强测试。
步骤S4、将原始血液容积脉搏波信号输入训练完成的基于梯度提升回归的多输出回归模型，输出增强后的血液容积脉搏波信号。增强后的血液容积脉搏波信号具备较高的信号质量，同时可以有效提高心率、呼吸率等生理指标检测的准确性和鲁棒性。
为了进一步验证本实施例所述信号增强方案的优异性，比较未进行信号增强的BVP信号和通过本实施例所述增强方案增强后的BVP信号在信号波形与幅值上的相似度，通过皮尔逊相关系数计算发现，本实施例所提出的增强方法明显优于未增强的方法，如下表1和图5所示，相较于利用CHROM方法和POS方法直接获取BVP信号，本实施例获取的增强后的BVP信号与实时光电容积描记信号的皮尔逊相关系数更高，也即输出信号更接近接触式医疗设备测得的光电容积描记信号。
表1不同方案获取的BVP信号与实际光电容积描记信号的皮尔逊相关系数的比较结果
| 方法 | CHROM方法 | POS方法 | 本实施例所述方法 |
| 皮尔逊相关系数 | 0.679 | 0.645 | 0.792 |
实施例二
本实施例提供了提供了一种基于机器学习的血液容积脉搏波信号增强系统，包括：
信号获取模块，用于获取血液容积脉搏波信号及其对应的真实光电容积描记信号；
信号预处理模块，用于对获取的信号进行信号预处理，获取血液容积脉搏波信号及其对应的真实光电容积描记信号的多个周期单元信号；
信号增强模型构建及训练模块，用于构建基于梯度提升回归的多输出回归模型，以血液容积脉搏波信号的多个周期单元信号及其对应的真实光电容积描记信号的多个周期单元信号为训练样本集，训练所述多输出回归模型；
信号增强模块，用于将原始血液容积脉搏波信号输入训练完成的多输出回归模型，输出增强后的血液容积脉搏波信号。
实施例三
本实施例提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上所述的基于机器学习的血液容积脉搏波信号增强方法中的步骤。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上所述的基于机器学习的血液容积脉搏波信号增强方法中的步骤。
以上实施例二至四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于机器学习的血液容积脉搏波信号增强方法，其特征是，包括：
获取血液容积脉搏波信号及其对应的真实光电容积描记信号；
对获取的信号进行信号预处理，获取血液容积脉搏波信号及其对应的真实光电容积描记信号的多个周期单元信号；
构建基于梯度提升回归的多输出回归模型，以血液容积脉搏波信号的多个周期单元信号及其对应的真实光电容积描记信号的多个周期单元信号为训练样本集，训练所述多输出回归模型；
将原始血液容积脉搏波信号输入训练完成的多输出回归模型，输出增强后的血液容积脉搏波信号。
2.如权利要求1所述的一种基于机器学习的血液容积脉搏波信号增强方法，其特征是，所述信号预处理包括峰值检测、周期分割、归一化和插值处理。
3.如权利要求2所述的一种基于机器学习的血液容积脉搏波信号增强方法，其特征是，对获取的信号进行信号预处理，包括：
将血液容积脉搏波信号进行转置，原始波峰变为波谷，原始波谷变为波峰，转置后的两个波峰之间的信号为一个周期单元；
进行峰值检测，检测每个周期单元的波峰，记录峰值对应的横坐标；
对整段信号按峰值横坐标进行周期分割，分割后转置，得到血液容积脉搏波信号的多个周期单元信号。
4.如权利要求3所述的一种基于机器学习的血液容积脉搏波信号增强方法，其特征是，还包括：
对获取的血液容积脉搏波信号的多个周期单元信号进行归一化处理，将信号值转换到[0,1]范围区间；
采用曲线拟合插值法对归一化后的周期单元信号进行插值处理，使得处理后的所有周期单元信号的长度一致且与真实光电容积描记信号的多个周期单元信号的长度一致。
5.如权利要求1所述的一种基于机器学习的血液容积脉搏波信号增强方法，其特征是，所述基于梯度提升回归的多输出回归模型包含多个梯度提升回归学习器，以血液容积脉搏波信号的多个周期单元信号作为模型的输入特征，以真实光电容积描记信号的多个周期单元信号作为数据标签，构建训练样本集，训练所述多个梯度提升回归学习器，每个梯度提升回归学习器对相应点位的数据进行位置和幅值恢复。
6.如权利要求1所述的一种基于机器学习的血液容积脉搏波信号增强方法，其特征是，所述多输出回归模型依次输出增强后的BVP信号，根据插值操作前保存的长度信息，将增强的BVP信号还原回原始长度，依次拼接所有输出的BVP信号，完成血液容积脉搏波信号的信号增强。
7.一种基于机器学习的血液容积脉搏波信号增强系统，其特征是，包括：
信号获取模块，用于获取血液容积脉搏波信号及其对应的真实光电容积描记信号；
信号预处理模块，用于对获取的信号进行信号预处理，获取血液容积脉搏波信号及其对应的真实光电容积描记信号的多个周期单元信号；
信号增强模型构建及训练模块，用于构建基于梯度提升回归的多输出回归模型，以血液容积脉搏波信号的多个周期单元信号及其对应的真实光电容积描记信号的多个周期单元信号为训练样本集，训练所述多输出回归模型；
信号增强模块，用于将原始血液容积脉搏波信号输入训练完成的多输出回归模型，输出增强后的血液容积脉搏波信号。
8.如权利要求7所述的一种基于机器学习的血液容积脉搏波信号增强系统，其特征是，所述信号预处理包括峰值检测、周期分割、归一化和插值处理。
9.一种电子设备，其特征是：包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-6中任一项所述的一种基于机器学习的血液容积脉搏波信号增强方法的步骤。
10.一种计算机可读存储介质，其特征是：用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-6中任一项所述的一种基于机器学习的血液容积脉搏波信号增强方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211362076.XA CN115553745B (zh) | 2022-11-02 | 基于机器学习的血液容积脉搏波信号增强方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211362076.XA CN115553745B (zh) | 2022-11-02 | 基于机器学习的血液容积脉搏波信号增强方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115553745A true CN115553745A (zh) | 2023-01-03 |
| CN115553745B CN115553745B (zh) | 2024-07-09 |
Family
ID=
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110251493A1 (en) * | 2010-03-22 | 2011-10-13 | Massachusetts Institute Of Technology | Method and system for measurement of physiological parameters |
| CN109063763A (zh) * | 2018-07-26 | 2018-12-21 | 合肥工业大学 | 基于pca的视频微小变化放大方法 |
| CN112233813A (zh) * | 2020-09-28 | 2021-01-15 | 兰州大学 | 一种基于ppg的非接触式无创心率呼吸测量方法及系统 |
| CN112998676A (zh) * | 2021-03-29 | 2021-06-22 | 华南理工大学 | 基于光电阵列增强信号多特征提取的连续血压测量方法 |
| CN113065449A (zh) * | 2021-03-29 | 2021-07-02 | 济南大学 | 面部图像采集方法、装置、计算机设备及存储介质 |
| CN114305364A (zh) * | 2022-01-05 | 2022-04-12 | 北京科技大学 | 基于毫米波雷达的血压检测方法、系统及设备 |
| US20220167863A1 (en) * | 2019-03-27 | 2022-06-02 | Nec Corporation | Blood volume pulse signal detection apparatus, blood volume pulse signal detection apparatus method, and computer-readable storage medium |
| US20220185032A1 (en) * | 2020-12-16 | 2022-06-16 | Hyundai Motor Company | Method and apparatus for predicting tire wear using machine learning |
| CN114861750A (zh) * | 2022-03-15 | 2022-08-05 | 中国卫星海上测控部 | 基于多输出的多传感器在线航迹融合方法 |
| CN115089150A (zh) * | 2022-05-30 | 2022-09-23 | 合肥工业大学 | 一种基于无人机的脉搏波检测方法、装置、电子设备及存储介质 |
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110251493A1 (en) * | 2010-03-22 | 2011-10-13 | Massachusetts Institute Of Technology | Method and system for measurement of physiological parameters |
| CN109063763A (zh) * | 2018-07-26 | 2018-12-21 | 合肥工业大学 | 基于pca的视频微小变化放大方法 |
| US20220167863A1 (en) * | 2019-03-27 | 2022-06-02 | Nec Corporation | Blood volume pulse signal detection apparatus, blood volume pulse signal detection apparatus method, and computer-readable storage medium |
| CN112233813A (zh) * | 2020-09-28 | 2021-01-15 | 兰州大学 | 一种基于ppg的非接触式无创心率呼吸测量方法及系统 |
| US20220185032A1 (en) * | 2020-12-16 | 2022-06-16 | Hyundai Motor Company | Method and apparatus for predicting tire wear using machine learning |
| CN112998676A (zh) * | 2021-03-29 | 2021-06-22 | 华南理工大学 | 基于光电阵列增强信号多特征提取的连续血压测量方法 |
| CN113065449A (zh) * | 2021-03-29 | 2021-07-02 | 济南大学 | 面部图像采集方法、装置、计算机设备及存储介质 |
| CN114305364A (zh) * | 2022-01-05 | 2022-04-12 | 北京科技大学 | 基于毫米波雷达的血压检测方法、系统及设备 |
| CN114861750A (zh) * | 2022-03-15 | 2022-08-05 | 中国卫星海上测控部 | 基于多输出的多传感器在线航迹融合方法 |
| CN115089150A (zh) * | 2022-05-30 | 2022-09-23 | 合肥工业大学 | 一种基于无人机的脉搏波检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| HAAN, DE, G., & LEEST, VAN, A. J.: "Improved motion robustness of remote-PPG by using the blood volume pulse signature", PHYSIOLOGICAL MEASUREMENT, vol. 35, no. 9, 27 August 2014 (2014-08-27), pages 1913 - 1926, XP020269523, DOI: 10.1088/0967-3334/35/9/1913 * |
| 牛雪松等: "基于rPPG的生理指标测量方法综述", 中国图像图形学报, vol. 25, no. 11, 30 November 2020 (2020-11-30), pages 2321 - 2336 * |
| 陈宇等: "自适应人脸多区域分析的视频心率检测", 计算机系统应用, vol. 31, no. 10, 28 June 2022 (2022-06-28), pages 175 - 183 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Naeini et al. | A real-time PPG quality assessment approach for healthcare Internet-of-Things | |
| Casado et al. | Face2PPG: An unsupervised pipeline for blood volume pulse extraction from faces | |
| Luque et al. | End-to-end photopleth YsmographY (PPG) based biometric authentication by using convolutional neural networks | |
| Azar et al. | Deep recurrent neural network-based autoencoder for photoplethysmogram artifacts filtering | |
| Hernandez-Ortega et al. | A comparative evaluation of heart rate estimation methods using face videos | |
| CN115211858A (zh) | 一种基于深度学习的情绪识别方法、系统及可存储介质 | |
| Sonawani et al. | Biomedical signal processing for health monitoring applications: a review | |
| Bousefsaf et al. | Estimation of blood pressure waveform from facial video using a deep U-shaped network and the wavelet representation of imaging photoplethysmographic signals | |
| CN115089179A (zh) | 一种心理情绪洞察分析方法及系统 | |
| Wang et al. | Ppg signal reconstruction using deep convolutional generative adversarial network | |
| Xi et al. | Weighted combination and singular spectrum analysis based remote photoplethysmography pulse extraction in low-light environments | |
| Zheng et al. | Tiny-PPG: A lightweight deep neural network for real-time detection of motion artifacts in photoplethysmogram signals on edge devices | |
| Sivanjaneyulu et al. | Cnn based ppg signal quality assessment using raw ppg signal for energy-efficient ppg analysis devices in internet of medical things | |
| Kapfo et al. | LSTM based Synthesis of 12-lead ECG Signal from a Reduced Lead Set | |
| Wang et al. | IMSF-Net: An improved multi-scale information fusion network for PPG-based blood pressure estimation | |
| He et al. | Dual attention convolutional neural network based on adaptive parametric ReLU for denoising ECG signals with strong noise | |
| CN115553745B (zh) | 基于机器学习的血液容积脉搏波信号增强方法及系统 | |
| CN115553745A (zh) | 基于机器学习的血液容积脉搏波信号增强方法及系统 | |
| Zhu et al. | FM-FCN: a neural network with filtering modules for accurate vital signs extraction | |
| CN115245318A (zh) | 一种基于深度学习的有效ippg信号的自动识别方法 | |
| CN113591769A (zh) | 基于光电容积脉搏描记法的非接触式心率检测方法 | |
| CN113907733A (zh) | 博纳希ai | |
| Kraft et al. | Reliability factor for accurate remote PPG systems | |
| Omer et al. | Video-based beat-by-beat blood pressure monitoring via transfer deep-learning | |
| CN116035548B (zh) | 心律状态检测方法、装置、智能穿戴设备及存储介质 |
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: Wang Hucheng Inventor after: Chen Zhenxiang Inventor after: Jiang Xiaoqing Inventor after: Li Kaiyun Inventor after: Liu Wenjuan Inventor after: Wang Peicheng Inventor before: Chen Zhenxiang Inventor before: Wang Hucheng Inventor before: Jiang Xiaoqing Inventor before: Li Kaiyun Inventor before: Liu Wenjuan Inventor before: Wang Peicheng |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant |