CN115670397A - 一种ppg伪迹识别方法、装置、存储介质及电子设备 - Google Patents
一种ppg伪迹识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115670397A CN115670397A CN202211460598.3A CN202211460598A CN115670397A CN 115670397 A CN115670397 A CN 115670397A CN 202211460598 A CN202211460598 A CN 202211460598A CN 115670397 A CN115670397 A CN 115670397A
- Authority
- CN
- China
- Prior art keywords
- data segments
- data
- data segment
- signal
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Landscapes
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种PPG伪迹识别方法、装置、存储介质及电子设备。所述方法包括:对初始PPG信号进行滤波处理,并提取波峰和波谷;对滤波后的PPG信号进行分段处理获得多个数据段;确定各个数据段的数据长度;对各个数据段进行分类处理确定第一类别数据段和第二类别数据段,并对满足第一类别数据段的数据段进行预设标准化处理得到多个处理后的数据段;在存在信号模板的情况下,将各个处理后的数据段依次与信号模板中的数据段进行互相关操作,以确定满足互相关条件的数据段个数,根据满足互相关条件的数据段个数再结合预设深度学习模型判定各个处理后的数据段的信号质量。同时使用模板匹配和深度学习判定PPG伪迹,提升了判定的准确性。
Description
技术领域
本申请涉及信号分析及处理技术领域,特别地涉及一种PPG伪迹识别方法、装置、存储介质以及电子设备。
背景技术
当前技术下针对PPG伪迹的识别包括许多方法,常用的方法有:建立神经网络、模板匹配、提取时域/频域特征或是使用其它传感器辅助识别伪迹。
通常来说,使用神经网络或提取时频域特征实时识别伪迹需要预先建立模型或确定阈值。PPG伪迹的产生原因众多,任何运动都可能降低PPG信号质量从而导致伪迹产生;此外,脉搏波的形态也因人而异,因此使用预先确定的标准识别伪迹难以完全适用于所有场景(比如,CNN的准确率通常在85%~95%之间)。
基于模板匹配的方法则通常是基于确定好的标准从实际采集的PPG信号中提取最合适的模板。其优点在于能够根据实际信号随时调整模板,但当信号质量较差时难以建立模板,而且由于其需要预先确定标准,使得建立模板时仍包含存在伪迹的PPG信号。
另外,使用其它传感器辅助识别伪迹则对设备本身的硬件有一定要求,如果测量PPG的设备未集成辅助测量的传感器(例如ACC传感器等)或传感器之间的信号具备同步性不佳、辅助传感器的精度不够等缺陷都会影响整个伪迹识别的准确性。
发明内容
针对上述问题,本申请提出一种PPG信号检测方法、装置、存储介质及电子设备,同时使用模板匹配和深度学习两种方法作为判断PPG伪迹的依据,可以准确的判断PPG信号中的伪迹,为后续的伪迹处理提供可靠依据。
本申请的第一个方面,提供了一种PPG伪迹识别方法,所述方法包括:
对初始PPG信号进行滤波处理得到滤波后的PPG信号,并从所述滤波后的PPG信号中提取波峰和波谷;
根据所述波峰基于预设分段策略对所述滤波后的PPG信号进行分段处理,获得多个数据段;
确定各个数据段的数据长度,所述数据长度包括数据段的波峰前后两个相邻波谷间的时间间隔;
根据各个数据段的数据长度对各个数据段进行分类处理,以确定第一类别数据段和第二类别数据段,并对满足所述第一类别数据段的数据段进行预设标准化处理,得到多个处理后的数据段,其中,所述第一类别数据段的数据长度均位于预设长度区间之内,所述第二类别数据段的数据长度均不位于所述预设长度区间之内;
在存在信号模板的情况下,将各个处理后的数据段依次与所述信号模板的多个数据段进行互相关操作,以在所述信号模板的多个数据段中确定满足互相关条件的数据段个数,并根据所述满足互相关条件的数据段个数和预设深度学习模型判定各个处理后的数据段的信号质量。
进一步的,在所述确定第一类别数据段和第二类别数据段之后,还包括:
将所有满足所述第二类别数据段的数据段均标记为伪迹。
进一步的,所述预设分段策略,包括:
从所述滤波后的PPG信号中获取各个波峰位置处预设时长的数据段。
进一步的,所述预设时长,包括:
从所述波峰位置前第一步长至所述波峰位置后第二步长之间的时长。
进一步的,所述根据所述满足互相关条件的数据段个数和预设深度学习模型判定各个处理后的数据段的信号质量,包括:
在所述满足互相关条件的数据段个数不小于第一预设数量的情况下,判定处理后的数据段的信号质量为第一等级;
通过所述预设深度学习模型对所述处理后的数据段的信号质量进行判定得到判定结果;
在通过所述满足互相关条件的数据段个数判定所述处理后的数据段的信号质量为第一等级且所述判定结果也为第一等级的情况下,判定所述处理后的数据段的信号质量为第二等级。
进一步的,还包括:
在所述判定结果为第一等级且所述满足互相关条件的数据段个数不小于第二预设数量的情况下,根据所述处理后的数据段更新所述信号模板。
进一步的,还包括:
在不存在信号模板的情况下,通过所述预设深度学习模型判定各个处理后的数据段的信号质量,并保存所有信号质量为第一等级的数据段;
在已保存的数据段的个数达到第一预设个数的情况下,确定所述已保存的数据段之间的互相关;
从所述已保存的数据段中选取和其它数据段互相关中位数最大的数据段作为中心模板;
从所述已保存的数据段中选取和所述中心模板互相关最大的第二预设个数的数据段作为已选数据段,在所述已选据段的互相关满足预设条件的情况下根据所述已选数据段生成信号模板。
本申请的第二个方面,提供了一种装置,所述装置包括:
滤波模块,用于对初始PPG信号进行滤波处理得到滤波后的PPG信号,并从所述滤波后的PPG信号中提取波峰和波谷;
分段模块,用于根据所述波峰基于预设分段策略对所述滤波后的PPG信号进行分段处理,获得多个数据段;
确定模块,用于确定各个数据段的数据长度,所述数据长度包括数据段的波峰前后两个相邻波谷间的时间间隔;
分类模块,用于根据各个数据段的数据长度对各个数据段进行分类处理,以确定第一类别数据段和第二类别数据段,并对满足所述第一类别数据段的数据段进行预设标准化处理,得到多个处理后的数据段,其中,所述第一类别数据段的数据长度均位于预设长度区间之内,所述第二类别数据段的数据长度均不位于所述预设长度区间之内;
判定模块,用于在存在信号模板的情况下,将各个处理后的数据段依次与所述信号模板的多个数据段进行互相关操作,以在所述信号模板的多个数据段中确定满足互相关条件的数据段个数,并根据所述满足互相关条件的数据段个数和预设深度学习模型判定各个处理后的数据段的信号质量。
本申请的第三个方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储的计算机程序,可被一个或多个处理器执行,用以实现如上所述的方法。
本申请的第四个方面,提供了一种电子设备,包括存储器和一个或多个处理器,所述存储器上存储有计算机程序,所述存储器和所述一个或多个处理器之间互相通信连接,该计算机程序被所述一个或多个处理器执行时,实现如上所述的方法。
与现有技术相比,本申请的技术方案具有以下优点或有益效果:
同时使用模板匹配和深度学习两种方法作为判断PPG伪迹的依据,可以准确的判断PPG信号中的伪迹,为后续的伪迹处理提供可靠依据。无需借助于其它测量设备,因此避免了使用多种传感器同步测量带来的其它技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于所属领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种PPG伪迹识别方法的流程图;
图2为本申请实施例提供的一种装置的结构示意图;
图3为本申请实施例提供的一种电子设备的连接框图。
具体实施方式
以下将结合附图及实施例来详细说明本申请的实施方式,借此对本申请如何应用技术手段来解决技术问题,并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征,在不相冲突的前提下可以相互结合,所形成的技术方案均在本申请的保护范围之内。
实施例一
本实施例提供一种PPG伪迹识别方法,图1为本申请实施例提供的一种PPG伪迹识别法的流程图,如图1所示,本实施例的方法包括:
步骤110、对初始PPG信号进行滤波处理得到滤波后的PPG信号,并从所述滤波后的PPG信号中提取波峰和波谷。
可选的,采集到初始PPG信号后对初始PPG原始信号进行滤波处理,并从滤波后的PPG信号中提取波峰、波谷。
步骤120、根据所述波峰基于预设分段策略对所述滤波后的PPG信号进行分段处理,获得多个数据段。
在一些实施例中,所述预设分段策略,包括:
从所述滤波后的PPG信号中获取各个波峰位置处预设时长的数据段。
可选的,对滤波后的PPG信号进行分段处理,在本实施例中,每段数据可取波峰前1秒至后1秒的数据,其中预设分段策略可根据用户的实际需求进行选择。
在一些实施例中,所述预设时长,包括:
从所述波峰位置前第一步长至所述波峰位置后第二步长之间的时长。
可选的,第一步长和第二步长均可以根据用户的实际需求进行设定,比如都可以设为1秒。
步骤130、确定各个数据段的数据长度,所述数据长度包括数据段的波峰前后两个相邻波谷间的时间间隔。
可选的,将滤波后的PPG信号进行分段处理,每段数据取波峰索引点前1秒至后1秒的数据,并计算该波峰前后两个相邻的波谷间的时间间隔,记为数据段的数据长度。
步骤140、根据各个数据段的数据长度对各个数据段进行分类处理,以确定第一类别数据段和第二类别数据段,并对满足所述第一类别数据段的数据段进行预设标准化处理,得到多个处理后的数据段,其中,所述第一类别数据段的数据长度均位于预设长度区间之内,所述第二类别数据段的数据长度均不位于所述预设长度区间之内。
在一些实施例中,预设标准化处理包括z-分数标准化处理。
可选的,预设长度区间包括:[0.3s,1.2s]。
在一些实施例中,在所述确定第一类别数据段和第二类别数据段之后,还包括:
将所有满足所述第二类别数据段的数据段均标记为伪迹。
可选的,任何数据长度 > 1.2s或数据长度 < 0.3s的数据段,将其直接标记为伪迹(即,将这些数据段的信号质量标记为差)。
可选的,针对数据长度均在预设长度区间之内的数据段,每个数据段分别做z-分数标准化处理,得到多个处理后的数据段。
步骤150、在存在信号模板的情况下,将各个处理后的数据段依次与所述信号模板的多个数据段进行互相关操作,以在所述信号模板的多个数据段中确定满足互相关条件的数据段个数,并根据所述满足互相关条件的数据段个数和预设深度学习模型判定各个处理后的数据段的信号质量。
举例说明,针对多个处理后的数据段中的某一数据段,此处将其标记为当前数据段。将当前数据段依次与所述信号模板的多个数据段(假设信号模板中共有6个数据段)进行互相关操作,分别得到多个互相关值(假设得到的多个互相关值分别为:0.8,0.9,0.5,0.9,0.9,0.9),此处的互相关条件可包括互相关值>0.8。因此,针对当前数据段,可知在信号模板的多个数据段中确定满足互相关条件的数据段个数为4。
可选的,预设深度学习模型包括卷积神经网络模型(比如,CNN模型等)。
进一步的,再判断是否已存在信号模板,包括存在信号模板和不存在存在信号模板两种情况。
在一些实施例中,所述根据所述满足互相关条件的数据段个数和预设深度学习模型判定各个处理后的数据段的信号质量,包括:
在所述满足互相关条件的数据段个数不小于第一预设数量的情况下,判定处理后的数据段的信号质量为第一等级;
通过所述预设深度学习模型对所述处理后的数据段的信号质量进行判定得到判定结果;
在通过所述满足互相关条件的数据段个数判定所述处理后的数据段的信号质量为第一等级且所述判定结果也为第一等级的情况下,判定所述处理后的数据段的信号质量为第二等级。
可选的,第一等级包括良,第二等级包括优。
在一些实施例中,还包括:
在所述判定结果为第一等级且所述满足互相关条件的数据段个数不小于第二预设数量的情况下,根据所述处理后的数据段更新所述信号模板。
可选的,第一预设数量包括4,第二预设数量包括6。
可选的,在存在信号模板的情况下,本实施例的方法还可包括:
若数据段和模板中数据段的互相关>0.8的数据个数大于4,则信号质量为良;
若CNN模型判断信号为良,则信号质量为良;
若CNN模型和模板均判断为良,则信号质量为优;
若CNN模型判断为良且数据段和模板中数据段的互相关>0.8的数据个数等于6,则将该数据段纳入信号模板,并删除信号模板中和其它数据段互相关中位数最低的数据段。
在一些实施例中,还包括:
在不存在信号模板的情况下,通过所述预设深度学习模型判定各个处理后的数据段的信号质量,并保存所有信号质量为第一等级的数据段;
在已保存的数据段的个数达到第一预设个数的情况下,确定所述已保存的数据段之间的互相关;
从所述已保存的数据段中选取和其它数据段互相关中位数最大的数据段作为中心模板;
从所述已保存的数据段中选取和所述中心模板互相关最大的第二预设个数的数据段作为已选数据段,在所述已选据段的互相关满足预设条件的情况下根据所述已选数据段生成信号模板。
可选的,预设条件包括处理后的数据段和信号模板中数据段的互相关>0.8。
可选的,第一预设个数包括30,第二预设个数包括5。
在一些可能的情形下,若不存在信号模板,本实施例的方法还可包括:
若不存在信号模板,则信号质量单独由CNN模型判断信号质量(良/差)并在缓存区储存信号质量为良的数据段;
数据段累积至30个后,计算所有数据段之间的互相关,选取和其它数据段互相关中位数最大的数据段作为中心模板;
选取和中心模板互相关最大的5个数据段,若这些数据段的互相关均大于0.8则生成信号模板;反之,则删除缓存区中和其它数据段互相关中位数最小的值。
本申请实施例所公开的方法同时使用神经网络和模板匹配两种方法可以准确的判断PPG信号中的伪迹,使用神经网络可以保证进入模板匹配中的PPG信号绝大部分为干净的PPG信号,因此可以避免在模板匹配过程中混入异常数据导致PPG信号模板建立的不准确性;在成功建立模板后,则可随着测量的持续进行不断的更新PPG信号模板,保证在测量过程中可以持续准确的追踪干净的PPG信号,降低了对神经网络准确性的依赖(更准的神经网络通常需要更多的层数,加大了计算量,不利于实时传输)。另外,本申请实施例所公开的方法不需要其它设备辅助因此避免了使用多种传感器同步测量带来的其它技术问题。
本实施例提供的PPG伪迹识别方法可以准确的判断PPG信号中的伪迹,为后续的伪迹处理提供可靠依据。具体的包括:对初始PPG信号进行滤波处理得到滤波后的PPG信号,并从所述滤波后的PPG信号中提取波峰和波谷;根据所述波峰基于预设分段策略对所述滤波后的PPG信号进行分段处理,获得多个数据段;确定各个数据段的数据长度,所述数据长度包括数据段的波峰前后两个相邻波谷间的时间间隔;根据各个数据段的数据长度对各个数据段进行分类处理,以确定第一类别数据段和第二类别数据段,并对满足所述第一类别数据段的数据段进行预设标准化处理,得到多个处理后的数据段,其中,所述第一类别数据段的数据长度均位于预设长度区间之内,所述第二类别数据段的数据长度均不位于所述预设长度区间之内;在存在信号模板的情况下,将各个处理后的数据段依次与所述信号模板的多个数据段进行互相关操作,以在所述信号模板的多个数据段中确定满足互相关条件的数据段个数,并根据所述满足互相关条件的数据段个数和预设深度学习模型判定各个处理后的数据段的信号质量。同时使用模板匹配和深度学习两种方法作为判断PPG伪迹的依据,可以准确的判断PPG信号中的伪迹,为后续的伪迹处理提供可靠依据。无需借助于其它测量设备,因此避免了使用多种传感器同步测量带来的其它技术问题。
实施例二
本实施例提供一种装置,本装置实施例可以用于执行本申请方法实施例,对于本装置实施例中未披露的细节,请参照本申请方法实施例。图2为本申请实施例提供的一种装置的结构示意图,如图2所示,本实施例提供的装置200包括:
滤波模块201,用于对初始PPG信号进行滤波处理得到滤波后的PPG信号,并从所述滤波后的PPG信号中提取波峰和波谷;
分段模块202,用于根据所述波峰基于预设分段策略对所述滤波后的PPG信号进行分段处理,获得多个数据段;
确定模块203,用于确定各个数据段的数据长度,所述数据长度包括数据段的波峰前后两个相邻波谷间的时间间隔;
分类模块204,用于根据各个数据段的数据长度对各个数据段进行分类处理,以确定第一类别数据段和第二类别数据段,并对满足所述第一类别数据段的数据段进行预设标准化处理,得到多个处理后的数据段,其中,所述第一类别数据段的数据长度均位于预设长度区间之内,所述第二类别数据段的数据长度均不位于预设长度区间之内;
判定模块205,用于在存在信号模板的情况下,将各个处理后的数据段依次与所述信号模板的多个数据段进行互相关操作,以在所述信号模板的多个数据段中确定满足互相关条件的数据段个数,并根据所述满足互相关条件的数据段个数和预设深度学习模型判定各个处理后的数据段的信号质量。
在一些实施例中,还包括标记模块,用于在所述确定第一类别数据段和第二类别数据段之后,将所有满足所述第二类别数据段的数据段均标记为伪迹。
在一些实施例中,所述预设分段策略,包括:
从所述滤波后的PPG信号中获取各个波峰位置处预设时长的数据段。
在一些实施例中,所述预设时长,包括:
从所述波峰位置前第一步长至所述波峰位置后第二步长之间的时长。
在一些实施例中,所述判定模块205包括:第一判定单元,第二判定单元,第三判定单元;其中,
第一判定单元,用于在所述满足互相关条件的数据段个数不小于第一预设数量的情况下,判定处理后的数据段的信号质量为第一等级;
第二判定单元,用于通过所述预设深度学习模型对所述处理后的数据段的信号质量进行判定得到判定结果;
第三判定单元,用于在通过所述满足互相关条件的数据段个数判定所述处理后的数据段的信号质量为第一等级且所述判定结果也为第一等级的情况下,判定所述处理后的数据段的信号质量为第二等级。
在一些实施例中,所述判定模块205还包括更新单元用于在所述判定结果为第一等级且所述满足互相关条件的数据段个数不小于第二预设数量的情况下,根据所述处理后的数据段更新所述信号模板。
在一些实施例中,还包括:第二判定模块,第二确定模块,选取模块,生成模块;其中,
第二判定模块,用于在不存在信号模板的情况下,通过所述预设深度学习模型判定各个处理后的数据段的信号质量,并保存所有信号质量为第一等级的数据段;
第二确定模块,用于在已保存的数据段的个数达到第一预设个数的情况下,确定所述已保存的数据段之间的互相关;
选取模块,用于从所述已保存的数据段中选取和其它数据段互相关中位数最大的数据段作为中心模板;
生成模块,用于从所述已保存的数据段中选取和所述中心模板互相关最大的第二预设个数的数据段作为已选数据段,在所述已选据段的互相关满足预设条件的情况下根据所述已选数据段生成信号模板。
所属领域技术人员可以理解,图2中示出的结构并不构成对本申请实施例装置的限定,可以包括比图示更多或更少的模块/单元,或者组合某些模块/单元,或者不同的模块/单元布置。
需要说明的是,上述各个模块/单元可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块/单元而言,上述各个模块/单元可以位于同一处理器中;或者上述各个模块/单元还可以按照任意组合的形式分别位于不同的处理器中。
本实施例提供的装置包括:滤波模块201,用于对初始PPG信号进行滤波处理得到滤波后的PPG信号,并从所述滤波后的PPG信号中提取波峰和波谷;分段模块202,用于根据所述波峰基于预设分段策略对所述滤波后的PPG信号进行分段处理,获得多个数据段;确定模块203,用于确定各个数据段的数据长度,所述数据长度包括数据段的波峰前后两个相邻波谷间的时间间隔;分类模块204,用于根据各个数据段的数据长度对各个数据段进行分类处理,以确定第一类别数据段和第二类别数据段,并对满足所述第一类别数据段的数据段进行预设标准化处理,得到多个处理后的数据段,其中,所述第一类别数据段的数据长度均位于预设长度区间之内,所述第二类别数据段的数据长度均不位于预设长度区间之内;判定模块205,用于在存在信号模板的情况下,将各个处理后的数据段依次与所述信号模板的多个数据段进行互相关操作,以在所述信号模板的多个数据段中确定满足互相关条件的数据段个数,并根据所述满足互相关条件的数据段个数和预设深度学习模型判定各个处理后的数据段的信号质量。同时使用模板匹配和深度学习两种方法作为判断PPG伪迹的依据,可以准确的判断PPG信号中的伪迹,为后续的伪迹处理提供可靠依据。无需借助于其它测量设备,因此避免了使用多种传感器同步测量带来的其它技术问题。
实施例三
本实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序被处理器执行时可以实现如前述方法实施例中的方法步骤,本实施例在此不再重复赘述。
其中,计算机可读存储介质还可单独包括计算机程序、数据文件、数据结构等,或者包括其组合。计算机可读存储介质或计算机程序可被计算机软件领域的技术人员具体设计和理解,或计算机可读存储介质对计算机软件领域的技术人员而言可以是公知和可用的。计算机可读存储介质的示例包括:磁性介质,例如硬盘、软盘和磁带;光学介质,例如,CDROM盘和DVD;磁光介质,例如,光盘;和硬件装置,具体被配置以存储和执行计算机程序,例如,只读存储器(ROM)、随机存取存储器(RAM)、闪存;或服务器、app应用商城等。计算机程序的示例包括机器代码(例如,由编译器产生的代码)和包含高级代码的文件,可由计算机通过使用解释器来执行高级代码。所描述的硬件装置可被配置为用作一个或多个软件模块,以执行以上描述的操作和方法,反之亦然。另外,计算机可读存储介质可分布在联网的计算机系统中,可以分散的方式存储和执行程序代码或计算机程序。
实施例四
图3为本申请实施例提供的一种电子设备的连接框图,如图3所示,该电子设备300可以包括:一个或多个处理器301,存储器302,多媒体组件303,输入/输出(I/O)接口304,以及通信组件305。
其中,一个或多个处理器301用于执行如前述方法实施例中的全部或部分步骤。存储器302用于存储各种类型的数据,这些数据例如可以包括电子设备中的任何应用程序或方法的指令,以及应用程序相关的数据。
一个或多个处理器301可以是专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(ProgrammableLogic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行如前述方法实施例中的方法。
存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
多媒体组件303可以包括屏幕和音频组件,该屏幕可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器,用于输出音频信号。
I/O接口304为一个或多个处理器301和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。
通信组件305用于该电子设备300与其他设备之间进行有线或无线通信。有线通信包括通过网口、串口等进行通信;无线通信包括:Wi-Fi、蓝牙、近场通信(Near FieldCommunication,简称NFC)、2G、3G、4G、5G,或它们中的一种或几种的组合。因此相应的该通信组件305可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
综上,本申请提供了一种PPG伪迹识别方法、装置、计算机可读存储介质以及电子设备。本申请所提供的PPG伪迹识别方法可以准确的判断PPG信号中的伪迹,为后续的伪迹处理提供可靠依据。具体的包括:对初始PPG信号进行滤波处理得到滤波后的PPG信号,并从所述滤波后的PPG信号中提取波峰和波谷;根据所述波峰基于预设分段策略对所述滤波后的PPG信号进行分段处理,获得多个数据段;确定各个数据段的数据长度,所述数据长度包括数据段的波峰前后两个相邻波谷间的时间间隔;根据各个数据段的数据长度对各个数据段进行分类处理,以确定第一类别数据段和第二类别数据段,并对满足所述第一类别数据段的数据段进行预设标准化处理,得到多个处理后的数据段,其中,所述第一类别数据段的数据长度均位于预设长度区间之内,所述第二类别数据段的数据长度均不位于所述预设长度区间之内;在存在信号模板的情况下,将各个处理后的数据段依次与所述信号模板的多个数据段进行互相关操作,以在所述信号模板的多个数据段中确定满足互相关条件的数据段个数,并根据所述满足互相关条件的数据段个数和预设深度学习模型判定各个处理后的数据段的信号质量。同时使用模板匹配和深度学习两种方法作为判断PPG伪迹的依据,可以准确的判断PPG信号中的伪迹,为后续的伪迹处理提供可靠依据。无需借助于其它测量设备,因此避免了使用多种传感器同步测量带来的其它技术问题。
另外应该理解到,在本申请所提供的实施例中所揭露的方法或系统,也可以通过其它的方式实现。以上所描述的方法或系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的方法和装置的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、计算机程序段或计算机程序的一部分,模块、计算机程序段或计算机程序的一部分包含一个或多个用于实现规定的逻辑功能的计算机程序。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生,实际上也可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机程序的组合来实现。
在本申请中,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,并不排除在包括要素的过程、方法、装置或者设备中还存在另外的相同要素;如果有描述到“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系;在本申请的描述中,除非另有说明,术语“多个”、“多”的含义是指至少两个;如果有描述到服务器,需要说明的是,服务器可以是独立的物理服务器或终端,也可以是多个物理服务器构成的服务器集群,可以是能够提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器;在本申请中如果有描述到智能终端或移动设备,需要说明的是,智能终端或移动设备可以是手机、平板电脑、智能手表、上网本、可穿戴电子设备、个人数字助理(Personal Digital Assistant,PDA)、增强现实技术设备(Augmented Reality,AR)、虚拟现实设备(Virtual Reality,VR)、智能电视、智能音响、个人计算机(Personal Computer,PC)等,但并不局限于此,本申请对智能终端或移动设备的具体形式不做特殊限定。
最后需要说明的是,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“一个示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式进行结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例都是示例性的,所述的内容只是为了便于理解本申请而采用的实施方式,并非用以限定本申请。任何本申请所属技术领域内的技术人员,在不脱离本申请所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本申请的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种PPG伪迹识别方法,其特征在于,所述方法包括:
对初始PPG信号进行滤波处理得到滤波后的PPG信号,并从所述滤波后的PPG信号中提取波峰和波谷;
根据所述波峰基于预设分段策略对所述滤波后的PPG信号进行分段处理,获得多个数据段;
确定各个数据段的数据长度,所述数据长度包括数据段的波峰前后两个相邻波谷间的时间间隔;
根据各个数据段的数据长度对各个数据段进行分类处理,以确定第一类别数据段和第二类别数据段,并对满足所述第一类别数据段的数据段进行预设标准化处理,得到多个处理后的数据段,其中,所述第一类别数据段的数据长度均位于预设长度区间之内,所述第二类别数据段的数据长度均不位于所述预设长度区间之内;
在存在信号模板的情况下,将各个处理后的数据段依次与所述信号模板的多个数据段进行互相关操作,以在所述信号模板的多个数据段中确定满足互相关条件的数据段个数,并根据所述满足互相关条件的数据段个数和预设深度学习模型判定各个处理后的数据段的信号质量。
2.根据权利要求1所述的PPG伪迹识别方法,其特征在于,在所述确定第一类别数据段和第二类别数据段之后,还包括:
将所有满足所述第二类别数据段的数据段均标记为伪迹。
3.根据权利要求1所述的PPG伪迹识别方法,其特征在于,所述预设分段策略,包括:
从所述滤波后的PPG信号中获取各个波峰位置处预设时长的数据段。
4.根据权利要求3所述的PPG伪迹识别方法,其特征在于,所述预设时长,包括:
从所述波峰位置前第一步长至所述波峰位置后第二步长之间的时长。
5.根据权利要求1所述的PPG伪迹识别方法,其特征在于,所述根据所述满足互相关条件的数据段个数和预设深度学习模型判定各个处理后的数据段的信号质量,包括:
在所述满足互相关条件的数据段个数不小于第一预设数量的情况下,判定处理后的数据段的信号质量为第一等级;
通过所述预设深度学习模型对所述处理后的数据段的信号质量进行判定得到判定结果;
在通过所述满足互相关条件的数据段个数判定所述处理后的数据段的信号质量为第一等级且所述判定结果也为第一等级的情况下,判定所述处理后的数据段的信号质量为第二等级。
6.根据权利要求5所述的PPG伪迹识别方法,其特征在于,还包括:
在所述判定结果为第一等级且所述满足互相关条件的数据段个数不小于第二预设数量的情况下,根据所述处理后的数据段更新所述信号模板。
7.根据权利要求1所述的PPG伪迹识别方法,其特征在于,还包括:
在不存在信号模板的情况下,通过所述预设深度学习模型判定各个处理后的数据段的信号质量,并保存所有信号质量为第一等级的数据段;
在已保存的数据段的个数达到第一预设个数的情况下,确定所述已保存的数据段之间的互相关;
从所述已保存的数据段中选取和其它数据段互相关中位数最大的数据段作为中心模板;
从所述已保存的数据段中选取和所述中心模板互相关最大的第二预设个数的数据段作为已选数据段,在所述已选据段的互相关满足预设条件的情况下根据所述已选数据段生成信号模板。
8.一种装置,其特征在于,包括:
滤波模块,用于对初始PPG信号进行滤波处理得到滤波后的PPG信号,并从所述滤波后的PPG信号中提取波峰和波谷;
分段模块,用于根据所述波峰基于预设分段策略对所述滤波后的PPG信号进行分段处理,获得多个数据段;
确定模块,用于确定各个数据段的数据长度,所述数据长度包括数据段的波峰前后两个相邻波谷间的时间间隔;
分类模块,用于根据各个数据段的数据长度对各个数据段进行分类处理,以确定第一类别数据段和第二类别数据段,并对满足所述第一类别数据段的数据段进行预设标准化处理,得到多个处理后的数据段,其中,所述第一类别数据段的数据长度均位于预设长度区间之内,所述第二类别数据段的数据长度均不位于所述预设长度区间之内;
判定模块,用于在存在信号模板的情况下,将各个处理后的数据段依次与所述信号模板的多个数据段进行互相关操作,以在所述信号模板的多个数据段中确定满足互相关条件的数据段个数,并根据所述满足互相关条件的数据段个数和预设深度学习模型判定各个处理后的数据段的信号质量。
9.一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存储的计算机程序,当被一个或多个处理器执行时,实现如权利要求1~7中任一项所述的方法。
10.一种电子设备,其特征在于,包括存储器和一个或多个处理器,所述存储器上存储有计算机程序,所述存储器和所述一个或多个处理器之间互相通信连接,当所述计算机程序被所述一个或多个处理器执行时,执行如权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211460598.3A CN115670397B (zh) | 2022-11-17 | 2022-11-17 | 一种ppg伪迹识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211460598.3A CN115670397B (zh) | 2022-11-17 | 2022-11-17 | 一种ppg伪迹识别方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115670397A true CN115670397A (zh) | 2023-02-03 |
CN115670397B CN115670397B (zh) | 2023-06-02 |
Family
ID=85053146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211460598.3A Active CN115670397B (zh) | 2022-11-17 | 2022-11-17 | 一种ppg伪迹识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115670397B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116570251A (zh) * | 2023-07-14 | 2023-08-11 | 北京中科心研科技有限公司 | 基于ppg信号的穿戴设备佩戴判定方法和装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140073947A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett LLC. | Methods and systems for determining noise information from a physiological signal |
US20140073870A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for determining physiological information based on a peak of a cross-correlation |
CN106456030A (zh) * | 2014-06-13 | 2017-02-22 | 日东电工株式会社 | 用于消除生理测量中的伪影的设备和方法 |
CN108289615A (zh) * | 2015-11-24 | 2018-07-17 | 皇家飞利浦有限公司 | 用于量化光电体积描记(ppg)信号质量的方法 |
CN108633249A (zh) * | 2017-01-25 | 2018-10-09 | 华为技术有限公司 | 一种生理信号质量判断方法及装置 |
CN109157200A (zh) * | 2018-10-31 | 2019-01-08 | 安徽华米信息科技有限公司 | 噪声检测方法及装置 |
US20190133533A1 (en) * | 2017-11-06 | 2019-05-09 | Tata Consultancy Services Limited | System and method for photoplethysmogram (ppg) signal quality assessment |
CN110123304A (zh) * | 2019-01-22 | 2019-08-16 | 东南大学 | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 |
CN110811609A (zh) * | 2019-10-28 | 2020-02-21 | 杭州电子科技大学 | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法 |
US20200305738A1 (en) * | 2017-10-19 | 2020-10-01 | Qompium | Computer-implemented method and system for direct photoplethysmography (ppg) with multiple sensors |
CN111988097A (zh) * | 2020-08-25 | 2020-11-24 | 青岛歌尔智能传感器有限公司 | Ppg信号的信号质量检测方法及装置和计算机可读存储介质 |
CN112494001A (zh) * | 2020-11-25 | 2021-03-16 | 青岛歌尔智能传感器有限公司 | Ppg信号质量评估方法、装置、穿戴式设备及存储介质 |
CN112545472A (zh) * | 2020-12-02 | 2021-03-26 | 成都心吉康科技有限公司 | 一种ppg信号质量评估的方法、装置、设备及储存介质 |
WO2021243420A1 (en) * | 2020-06-05 | 2021-12-09 | Kali Healthcare Pty Ltd | System and method for optimal sensor placement and signal quality for monitoring maternal and fetal activities |
CN114469131A (zh) * | 2021-12-13 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 自适应实时心电信号质量评估方法 |
CN114676738A (zh) * | 2022-05-27 | 2022-06-28 | 广东玖智科技有限公司 | Ppg信号质量评估方法及装置以及ppg信号处理方法及系统 |
-
2022
- 2022-11-17 CN CN202211460598.3A patent/CN115670397B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140073947A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett LLC. | Methods and systems for determining noise information from a physiological signal |
US20140073870A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for determining physiological information based on a peak of a cross-correlation |
CN106456030A (zh) * | 2014-06-13 | 2017-02-22 | 日东电工株式会社 | 用于消除生理测量中的伪影的设备和方法 |
US20170128019A1 (en) * | 2014-06-13 | 2017-05-11 | Nitto Denko Corporation | Device and method for removing artifacts in physiological measurements |
CN108289615A (zh) * | 2015-11-24 | 2018-07-17 | 皇家飞利浦有限公司 | 用于量化光电体积描记(ppg)信号质量的方法 |
US20180325457A1 (en) * | 2015-11-24 | 2018-11-15 | Koninklijke Philips N.V. | Method to quantify photoplethysmogram (ppg) signal quality |
CN108633249A (zh) * | 2017-01-25 | 2018-10-09 | 华为技术有限公司 | 一种生理信号质量判断方法及装置 |
US20200305738A1 (en) * | 2017-10-19 | 2020-10-01 | Qompium | Computer-implemented method and system for direct photoplethysmography (ppg) with multiple sensors |
US20190133533A1 (en) * | 2017-11-06 | 2019-05-09 | Tata Consultancy Services Limited | System and method for photoplethysmogram (ppg) signal quality assessment |
CN109157200A (zh) * | 2018-10-31 | 2019-01-08 | 安徽华米信息科技有限公司 | 噪声检测方法及装置 |
CN110123304A (zh) * | 2019-01-22 | 2019-08-16 | 东南大学 | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 |
CN110811609A (zh) * | 2019-10-28 | 2020-02-21 | 杭州电子科技大学 | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法 |
WO2021243420A1 (en) * | 2020-06-05 | 2021-12-09 | Kali Healthcare Pty Ltd | System and method for optimal sensor placement and signal quality for monitoring maternal and fetal activities |
CN111988097A (zh) * | 2020-08-25 | 2020-11-24 | 青岛歌尔智能传感器有限公司 | Ppg信号的信号质量检测方法及装置和计算机可读存储介质 |
CN112494001A (zh) * | 2020-11-25 | 2021-03-16 | 青岛歌尔智能传感器有限公司 | Ppg信号质量评估方法、装置、穿戴式设备及存储介质 |
CN112545472A (zh) * | 2020-12-02 | 2021-03-26 | 成都心吉康科技有限公司 | 一种ppg信号质量评估的方法、装置、设备及储存介质 |
CN114469131A (zh) * | 2021-12-13 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 自适应实时心电信号质量评估方法 |
CN114676738A (zh) * | 2022-05-27 | 2022-06-28 | 广东玖智科技有限公司 | Ppg信号质量评估方法及装置以及ppg信号处理方法及系统 |
Non-Patent Citations (4)
Title |
---|
张爱华;寇芯语;漆宇晟;王敬阳;: "基于Android平台的脉搏信号干扰检测及其质量评估方法研究" * |
张爱华;寇芯语;漆宇晟;王敬阳;: "基于Android平台的脉搏信号干扰检测及其质量评估方法研究", 中国医疗器械杂志, no. 05 * |
洋洋;陈小惠;王保强;姜吉荣;: "脉搏信号中有效信号识别与特征提取方法研究" * |
洋洋;陈小惠;王保强;姜吉荣;: "脉搏信号中有效信号识别与特征提取方法研究", 电子测量与仪器学报, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116570251A (zh) * | 2023-07-14 | 2023-08-11 | 北京中科心研科技有限公司 | 基于ppg信号的穿戴设备佩戴判定方法和装置 |
CN116570251B (zh) * | 2023-07-14 | 2023-10-03 | 北京中科心研科技有限公司 | 基于ppg信号的穿戴设备佩戴判定方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115670397B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9424743B2 (en) | Real-time traffic detection | |
CN110321863A (zh) | 年龄识别方法及装置、存储介质 | |
CN109690563B (zh) | 指纹注册方法、终端和计算机可读存储介质 | |
CN109858441A (zh) | 一种用于施工现场的异常状态监测方法与装置 | |
CN113707173B (zh) | 基于音频切分的语音分离方法、装置、设备及存储介质 | |
CN115670397B (zh) | 一种ppg伪迹识别方法、装置、存储介质及电子设备 | |
CN112581446A (zh) | 一种图像的显著性物体检测方法、装置、设备及存储介质 | |
CN115273191A (zh) | 一种人脸聚档方法、人脸识别方法、装置、设备及介质 | |
CN112466334A (zh) | 一种音频识别方法、设备及介质 | |
CN106486136A (zh) | 一种声音识别方法、装置及语音交互方法 | |
CN109410920B (zh) | 用于获取信息的方法及装置 | |
CN117522845A (zh) | 一种肺功能检测方法、装置、电子设备和存储介质 | |
CN110674832B (zh) | 互联网用户所属企业的识别方法、装置和终端 | |
CN108717851B (zh) | 一种语音识别方法及装置 | |
CN116362782A (zh) | 基于大数据分析的用户兴趣点识别方法及系统 | |
CN112687293B (zh) | 一种基于机器学习及数据挖掘的智能坐席训练方法和系统 | |
CN112269879B (zh) | 基于k-means算法的中台日志分析方法及设备 | |
CN114049898A (zh) | 一种音频提取方法、装置、设备和存储介质 | |
CN114049518A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN114218428A (zh) | 音频数据聚类方法、装置、设备及存储介质 | |
CN112785000A (zh) | 面向大规模机器学习系统的机器学习模型训练方法及系统 | |
CN113220933A (zh) | 对音频片段进行分类的方法、装置和电子设备 | |
CN110580917A (zh) | 一种语音数据质量检测方法、装置、服务器及存储介质 | |
CN112149833A (zh) | 基于机器学习的预测方法、装置、设备和存储介质 | |
CN116127366B (zh) | 一种基于tws耳机的情绪识别方法、系统及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |