CN116058815A - 生命体征检测方法和电子设备 - Google Patents
生命体征检测方法和电子设备 Download PDFInfo
- Publication number
- CN116058815A CN116058815A CN202111669683.6A CN202111669683A CN116058815A CN 116058815 A CN116058815 A CN 116058815A CN 202111669683 A CN202111669683 A CN 202111669683A CN 116058815 A CN116058815 A CN 116058815A
- Authority
- CN
- China
- Prior art keywords
- ppg
- signals
- signal
- channels
- frequency domain
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 230000001133 acceleration Effects 0.000 claims abstract description 54
- 238000013186 photoplethysmography Methods 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 20
- 210000001519 tissue Anatomy 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 13
- 239000008280 blood Substances 0.000 description 9
- 210000004369 blood Anatomy 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 108010054147 Hemoglobins Proteins 0.000 description 5
- 102000001554 Hemoglobins Human genes 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000593 degrading effect Effects 0.000 description 2
- 238000009532 heart rate measurement Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010064719 Oxyhemoglobins Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013519 translation Methods 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
- A61B5/024—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
- A61B5/02—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
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请公开了一种生命体征检测方法和电子设备，涉及智能终端领域，用于提高生命体征检测的精确度。生命体征检测方法包括：获取预设时间段内加速度信号以及多个通道的光电容积脉搏波描记法PPG信号；计算多个通道的PPG信号之间的相关系数矩阵；如果相关系数矩阵中存在至少一个相关性系数小于或等于第一阈值，计算多个通道中每一个通道的PPG信号的方差；如果所有通道的PPG信号的方差均大于或等于第二阈值，对多个通道的PPG信号进行FFT后进行频域融合，得到融合PPG信号的频域信号；对加速度信号进行FFT得到加速度信号的频域信号；将融合PPG信号的频域信号和加速度信号的频域信号输入深度神经网络，得到生命体征的数值；显示生命体征的数值。
Description
本申请要求于2021年11月1日提交国家知识产权局、申请号为202111285028.0、发明名称为“一种心率预测方法和装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及智能终端领域，尤其涉及一种生命体征检测方法和电子设备。
背景技术
支持心率检测的电子设备可以基于光电容积脉搏波描记法(photoplethysmographic，PPG)信号来检测心率。基于PPG信号检测心率的基本原理如下：发光二极管(light-emitting diode，LED)照射皮肤组织，透过皮肤组织反射回来的光被光电二极管(photo diode，PD)接收并转换成PPG信号，由于肌肉、骨骼、静脉等人体组织对光的吸收是基本不变的，但是动脉里血液流动的周期性变化会使得PPG信号产生周期性变化，因此基于PPG信号即可以检测心率。
但是PPG信号受噪声干扰的影响较大从而导致PPG信号失真，严重影响心率检测的精确度。
发明内容
本申请实施例提供一种生命体征检测方法和电子设备，用于提高生命体征检测的精确度。
为达到上述目的，本申请的实施例采用如下技术方案：
第一方面，提供了一种生命体征检测方法包括：获取预设时间段内加速度信号以及多个通道的光电容积脉搏波描记法PPG信号；计算多个通道的PPG信号之间的相关系数矩阵；如果相关系数矩阵中存在至少一个相关性系数小于或等于第一阈值，计算多个通道中每一个通道的PPG信号的方差；如果所有通道的PPG信号的方差均大于或等于第二阈值，对多个通道的PPG信号进行FFT后进行频域融合，得到融合PPG信号的频域信号；对加速度信号进行FFT得到加速度信号的频域信号；将融合PPG信号的频域信号和加速度信号的频域信号输入深度神经网络，得到生命体征的数值；显示生命体征的数值。
本申请实施例提供的生命体征检测方法，计算多个通道的PPG信号之间的相关系数矩阵；如果相关系数矩阵中存在至少一个相关性系数小于或等于第一阈值，即存在至少两个通道的PPG信号之间的相关性较低，计算多个通道中每一个通道的PPG信号的方差；如果所有通道的PPG信号的方差均大于或等于第二阈值，即所有通道的PPG信号受噪声干扰较大，对多个通道的PPG信号进行FFT后进行频域融合，得到融合PPG信号的频域信号；对加速度信号进行快速傅立叶变换得到加速度信号的频域信号；将融合PPG信号的频域信号和加速度信号的频域信号输入深度序列神经网络，得到生命体征的数值；显示生命体征的数值。利用深度神经网络抗干扰强的特点对PPG信号中的干扰进行过滤，提高生命体征检测的精确度。
在一种可能实施方式中，还包括：如果相关系数矩阵中每个相关性系数都大于第一阈值，则将多个通道的PPG信号加入集合；对属于集合的各个通道的PPG信号进行时域融合，并对时域融合后的信号进行快速傅里叶变换，得到融合PPG信号的频域信号。此时，即任意两个通道的PPG信号之间的相关性均较高，PPG信号的噪声干扰较小，通过时域融合可以降低计算工作量而不会降低精确度。
需要说明的是，对多个通道的PPG信号进行时域融合，或者，对多个通道的PPG信号进行频域融合，二者可以任意择一执行；或者，二者可以有条件地择一执行，即满足第一条件时，对多个通道的PPG信号进行时域融合，满足第二条件时，对多个通道的PPG信号进行频域融合。例如，当多个通道的PPG信号中的噪声干扰较小(例如小于预设阈值，即质量较好)时，对多个通道的PPG信号进行时域融合，当多个通道的PPG信号中的噪声干扰较大(例如大于预设阈值，即质量较差)时，对多个通道的PPG信号进行频域融合。
在一种可能实施方式中，还包括：如果存在任一通道的PPG信号的方差小于第二阈值，计算方差小于第二阈值的各个通道的PPG信号的自相关系数。自相关系数表示同一通道在不同时间的PPG信号之间的相关性(即周期性的好坏)，即表示同一通道过去的PPG信号对现在的PPG信号的影响。PPG信号的周期性越好，则自相关系数越大，PPG信号的周期性越差，则自相关系数越小。
在一种可能实施方式中，如果存在任一通道的PPG信号的自相关系数大于第三阈值，对属于集合的各个通道的PPG信号进行时域融合，并对时域融合后的信号进行快速傅里叶变换，得到融合PPG信号的频域信号。PPG信号的周期性越好，则自相关系数越大，PPG信号的噪声干扰较小，通过时域融合可以降低计算工作量而不会降低精确度。
在一种可能实施方式中，还包括：如果所有通道的PPG信号的自相关系数均小于或等于第三阈值，对多个通道的PPG信号进行快速傅里叶变换后进行频域融合，得到融合PPG信号的频域信号。PPG信号的周期性越差，则自相关系数越小，通过频域融合可以提高精确度。
在一种可能实施方式中，对属于集合的各个通道的PPG信号进行时域融合，包括：对属于集合的各个通道的PPG信号求均值。通过的求均值可以降低计算工作量而不会降低精确度
在一种可能实施方式中，对多个通道的PPG信号进行快速傅里叶变换后进行频域融合，得到融合PPG信号的频域信号，包括：获取上一个生命体征的数值对应的频域测量值；对多个通道的PPG信号进行快速傅里叶变换得到多个通道的PPG信号的频域信号；获取每个通道的PPG信号的频域信号中的接近峰，接近峰指每个通道的PPG信号的频域信号中与频域测量值最近的峰值；取多个通道的PPG信号的频域信号中接近峰的最大值，对于多个通道的PPG信号的频域信号中其余数值，取相同时刻的最小值，得到融合PPG信号的频域信号。
通过查找上一个生命体征的数值对应的频域测量值的接近峰，从而筛选出有效信号。通过从接近峰中确定最大值，再取其余数值的最小值，实质上是选取了有效信号的最大值，并对其他无效信号(包括噪声干扰)进行了抑制，从而提高了信噪比。
在一种可能实施方式中，还包括：响应于第一操作，增加通道的数目；或者，响应于第二操作，减少通道的数目。
增加通道的数目，即选择更多(例如全部)通道的PPG信号用于执行生命体征检测方法，从而提高精确度。减少通道的数目，即选择更少通道的PPG信号用于执行生命体征检测方法，以减小数据存储和计算压力，进而降低功耗。
在一种可能实施方式中，生命体征为心率。生命体征还可以为血氧饱和度等，本申请不作限定。
在一种可能实施方式中，深度神经网络为深度序列神经网络，深度序列神经网络中包括循环网络层，用于对输入的特征向量的时间序列进行累积。
当突然出现干扰时，循环网络层可以有效滤除干扰，提高系统的鲁棒性。
第二方面，提供了一种电子设备，包括：处理器、至少一个发光二极管和多个光电二极管；发光二极管用于向人体组织发射光；多个光电二极管用于分别接收人体组织反射的光，并输出多个通道的光电容积脉搏波描记法PPG信号；处理器用于执行第一方面及其任一实施方式所述的方法。该电子设备的技术效果可以参照第一方面及其任一实施方式的技术效果。
在一种可能实施方式中，光电二极管的数目为8个。本申请对发光二极管1031的数目不作限定，例如，发光二极管1031可以有2个、4个或其他数目。发光二极管1031数目越多则光照强度越高，抗环境光干扰的性能越好。
在一种可能实施方式中，发光二极管的数目为2个。本申请对光电二极管1032的数目不作限定，例如，光电二极管1032可以有2个、4个、8个或其他数目。光电二极管1032数目越多，则输出的PPG信号的通道越多，检测精确度越高。
在一种可能实施方式中，多个光电二极管在电子设备与人体组织接触的区域围绕发光二极管呈环形排列。以便各个光电二极管均衡接收来自发光二极管的光。
在一种可能实施方式中，电子设备为智能手表。电子设备可以为穿戴设备，例如智能手表、智能手环、智能眼镜等；或者，该电子设备可以为终端设备，例如手机、心率计、血氧计等。
第三方面，提供了一种计算机可读存储介质，包括指令，当指令在电子设备上执行时，使得电子设备执行如第一方面及其任一实施方式所述的方法。
第四方面，提供了一种包含指令的计算机程序产品，当指令在上述电子设备上运行时，使得该电子设备执行如第一方面及其任一实施方式所述的方法。
第五方面，提供了一种芯片系统，该装置包括处理器和接口电路，接口电路用于读取存储器中存储的指令，并将该指令发送给处理器。当指令被处理器执行时，可使得电子设备执行如第一方面及其任一实施方式所述的方法，该芯片系统可以包含芯片和其他分立器件。
其中，第三方面至第五方面中任一种实施方式所带来的技术效果可参照第一方面及其任一实施方式所带来的技术效果，此处不再赘述。
附图说明
图1为本申请实施例提供的一种深度序列神经网络的示意图；
图2为本申请实施例提供的一种产生PPG信号的装置的结构示意图；
图3为本申请实施例提供的一种根据PPG信号检测心率的原理的示意图；
图4为本申请实施例提供的另一种根据PPG信号检测心率的原理的示意图；
图5为本申请实施例提供的一种环境光干扰对PPG信号产生影响的原理的示意图；
图6为本申请实施例提供的一种佩戴电子设备的用户奔跑的示意图；
图7为本申请实施例提供的一种基线漂移和运动伪影对PPG信号产生影响的示意图；
图8为本申请实施例提供的一种静止状态和运动状态对PPG信号的频域信号产生影响的示意图；
图9为本申请实施例提供的一种电子设备的结构示意图；
图10为本申请实施例提供的一种智能手表的结构示意图；
图11为本申请实施例提供的一种处理器运行软件架构的示意图；
图12为本申请实施例提供的一种生命体征检测方法的流程示意图；
图13为本申请实施例提供的一种生命体征检测功能的开关和生命体征检测的增强功能的开关的示意图；
图14为本申请实施例提供的另一种生命体征检测功能的开关和生命体征检测的增强功能的开关的示意图；
图15为本申请实施例提供的一种采用滑动时间窗的方式获取预设时间段内的加速度信号以及多个通道的PPG信号的示意图；
图16为本申请实施例提供的另一种生命体征检测方法的流程示意图；
图17为本申请实施例提供的一种相关系数矩阵的示意图；
图18为本申请实施例提供的又一种生命体征检测方法的流程示意图；
图19为本申请实施例提供的一种根据接近峰得到融合PPG信号的频域信号的示意图；
图20为本申请实施例提供的一种深度序列神经网络抗干扰的示意图；
图21为本申请实施例提供的一种生命体征检测方法得到的心率的对比示意图；
图22为本申请实施例提供的一种显示生命体征的示意图；
图23为本申请实施例提供的一种芯片系统的结构示意图。
具体实施方式
需要说明的是，本申请实施例涉及的术语“第一”、“第二”等仅用于区分同一类型特征的目的，不能理解为用于指示相对重要性、数量、顺序等。
本申请实施例涉及的术语“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请实施例涉及的术语“耦合”、“连接”应做广义理解，例如，可以指物理上的直接连接，也可以指通过电子器件实现的间接连接，例如通过电阻、电感、电容或其他电子器件实现的连接。
首先对本申请涉及的一些概念进行描述：
方差：假设有时间序列X1,X2,X3,......,Xi(i＝1,2,...,n)，则时间序列X1,X2,X3,......,Xi(i＝1,2,...,n)的方差表示为δ2＝D(Xi)＝E((Xi-μX)2)。其中，E()表示求均值，μX表示时间序列X1,X2,X3,......,Xi(i＝1,2,...,n)的均值。
皮尔逊相关系数：变量X和变量Y之间的皮尔逊相关系数见下面的公式1：
其中，cov(X,Y)表示变量X与变量Y之间的协方差，δX表示变量X的标准差，δY表示变量Y的标准差，μX表示变量X的均值，μY表示变量Y的均值，E()表示求均值。
将上面的公式进行扩展，假设样本点个数为n，则n个样本点X1,X2,X3,......,Xi(i＝1,2,...,n)与n个样本点Y1,Y2,Y3,......,Yi(i＝1,2,...,n)之间的皮尔逊相关系数见下面的公式2：
其中，
表示n个样本点X1,X2,X3,......,Xi(i＝1,2,...,n)的均值，
表示n个样本点Y1,Y2,Y3,......,Yi(i＝1,2,...,n)的均值，n表示样本点数。
n个样本点Xi(i＝1,2,...,n)与n个样本点Yi(i＝1,2,...,n)之间的皮尔逊相关系数还可以通过样本点的标准分数的均值估计来表示，具体见下面的公式3：
其中，
表示n个样本点X1,X2,X3,......,Xi(i＝1,2,...,n)的标准分数，
表示n个样本点Y1,Y2,Y3,......,Yi(i＝1,2,...,n)的标准分数，
表示n个样本点X1,X2,X3,......,Xi(i＝1,2,...,n)的均值，δX表示n个样本点X1,X2,X3,......,Xi(i＝1,2,...,n)的标准差，
表示n个样本点Y1,Y2,Y3,......,Yi(i＝1,2,...,n)的均值，δY表示n个样本点Y1,Y2,Y3,......,Yi(i＝1,2,...,n)的标准差。
自相关系数：假设有时间序列X1,X2,X3,......,Xi(i＝1,2,...,n)，n表示时间序列X1,X2,X3,......,Xi(i＝1,2,...,n)的长度，则有时间序列X1,X2,X3,......,Xi(i＝1,2,...,n)的均值为μX＝E(Xi)，时间序列Xi(i＝1,2,...,n)的方差为δ2，时间序列X1,X2,X3,......,Xi(i＝1,2,...,n)的标准差为δ。对于长度相同的两个时间序列X1,X2,X3,......,Xi(i＝1,2,...,n)和Y1,Y2,Y3,......,Yi(i＝1,2,...,n)，可以通过协方差cov(Xi,Yi)＝E((Xi-μX)(Yi-μY))来表示这两个时间序列之间的相关性。协方差的绝对值越大，说明这两个时间序列之间的相关性越大(协方差大于0时为正相关，协方差小于0时为负相关)。如果这两个时间序列中一个时间序列(例如Yi(i＝1,2,...,n))是另一个时间序列X1,X2,X3,......,Xi(i＝1,2,...,n)滞后k个点的时间序列(即Yi＝Xi-k)，则可以得到时间序列X1,X2,X3,......,Xi(i＝1,2,...,n)的自协方差的有偏估计如公式4所示，得到时间序列X1,X2,X3,......,Xi(i＝1,2,...,n)的自协方差的无偏估计如公式5所示，则根据公式4和公式5可以得到时间序列X1,X2,X3,......,Xi(i＝1,2,...,n)的自相关系数如公式6所示。
深度序列神经网络:一种能够实现对时间序列进行累积的深度神经网络，能够有效地消除时间序列中的突发干扰。如图1所示，深度序列神经网络包括第一全连接层11、归一化层12、循环网络层13和第二全连接层14，可选的还可以包括残差层15，每一层包括至少一个神经元。第一全连接层11的神经元与归一化层12的神经元之间为全连接，第一全连接层11输入特征向量，并向归一化层12输出非线性化处理后的特征向量。归一化层12对特征向量进行归一化处理后输出给循环网络层13，以加速深度序列神经网络收敛。循环网络层13实现对归一化后的特征向量的时间序列进行累积，并输出给第二全连接层14。第二全连接层14的神经元与循环网络层13的神经元之间为全连接，第二全连接层用于输出最终的计算结果。残差层14可以位于第一全连接层11、归一化层12、循环网络层13和第二全连接层14中任意相邻两层之间，用于减小前一层输出的数量量并输出给下一层，以加速深度序列神经网络收敛。
深度序列神经网络的训练方法是：假设有多组训练用的数据，每组训练用的数据包括训练用的特征向量以及与该特征向量对应的正确的第一计算结果。在进行训练时，分别将每个训练用的特征向量输入该神经网络并得到一个第二计算结果，根据所有训练用的特征向量对应的第一计算结果和第二计算结果计算损失函数，当损失函数不满足条件时根据梯度下降法调整神经网络的参数，重复上述训练过程直到损失函数满足条件时停止调整神经网络的参数，即完成了神经网络的训练。
光电容积脉搏波描记法(photoplethysmographic，PPG)：如图2所示，发光二极管21照射皮肤组织23，透过皮肤组织23反射回来的光被光电二极管22接收并转换成一个通道的电信号，电信号再经过模数转换变成数字信号。需要说明的是，本申请实施例中将光电二极管输出的一个通道的电信号统称为PPG信号。
因为血液吸收绿光较多，所以发光二极管21通常采用绿光以便反射光的强度变化更好体现血液的变化。由于肌肉、骨骼、静脉等人体组织对光的吸收是基本不变的，光电二极管22对这部分人体组织反射的光进行检测所输出的电信号为直流信号。如图3所示，由于动脉里血液流动的周期性变化(舒张和收缩)，使得光电二极管对动脉血反射的光进行检测所输出的电信号为交流信号。所以光电二极管输出的PPG信号包括直流信号和交流信号，通过提取其中的交流信号即可以实现对生命体征的检测。以心率为例，如图3所示，一种时域分析方法是通过统计单位时间T内PPG信号中的交流信号的波峰(强度极大值)个数N即可得到心率为N*60/T每分钟，如图4所示，另一种频域分析方法是对PPG信号进行快速傅立叶变换(fast Fourier transform，FFT)得到PPG信号的频域信号，其中0Hz附近能量最强，即对应肌肉、骨骼、静脉等人体组织的测量值，A处出现能量次强的波峰，即对应心率测量值，可以计算出心率B＝A*60每分钟。
PPG的难点在于由于存在环境光干扰、基线漂移、运动伪影等因素，会引入大量噪声，导致PPG信号失真，进而无法做到精确识别。如图5所示，环境光干扰指：当光电二极管22未与皮肤组织23紧密接触时，光电二极管22不仅会检测到来自发光二极管21发射的光，还会检测到环境光，并且环境光的强度远大于光电二极管21发射的光的强度，从而对PPG信号造成严重干扰。基线漂移指由人体呼吸以及皮肤表面与PPG传感器(图2中的发光二极管21和光电二极管22)相对摩擦而产生的频率在1Hz以下的噪声，并与心率对应的交流信号相叠加，通过对PPG信号进行适当的滤波处理，即可分离出基线漂移信号。如图6所示，运动伪影指当佩戴电子设备60的用户处于运动状态(例如步行、跑步等)时，会导致在PPG信号中混叠高频噪声(见图7)。
示例性的，如图7所示，基线漂移会产生低频噪声(变化较慢)，会影响长时间内的特征波形变化；运动伪影会产生与心率的特征波形混叠高频噪声(变化较快)，影响短时间内的特征波形变化。如图8所示，A为静止状态下PPG信号的时域信号，B为静止状态下PPG信号的频域信号，C为运动状态下PPG信的时域信号，D为运动状态下PPG信号的频域信号。通过比较A和C可以看出，在静止状态下PPG信号的时域信号较为规整，在运动状态下PPG信号的时域信号已失真。通过比较B和D可以看出，在静止状态下PPG信号的频域信号的心率测量值的能量占比高，用可以准确地确定波峰，在运动状态下PPG信号的时域信号的心率测量值的能量占比非常低，无法准确地确定波峰。
本申请实施例提供了一种电子设备，用于执行本申请实施例提供的生命体征检测方法。该电子设备可以为穿戴设备，例如图10中所示的智能手表、智能手环、智能眼镜等；或者，该电子设备可以为终端设备，例如手机、心率计、血氧计等。本申请实施例以该电子设备为智能手表为例，但并不意在限定于此。本申请实施例涉及的生命体征可以包括但不限于心率、血氧饱和度(包括氧合血红蛋白和还原血红蛋白)等。
如图9所示，该电子设备100包括处理器101、存储器102、PPG电路103、加速度传感器104和显示屏105。其中，PPG电路103包括至少一个发光二极管1031、至少一个光电二极管1032、发光二极管驱动电路1033、放大器1034、信号波形加工(signal conditioning)电路1035。其中，存储器102和处理器101可以集成在一个片上系统(system on chip，SoC)芯片中或者可以分开设置。发光二极管1031和光电二极管1032可以集成在微位移平台(microtranslation stage)上或者可以分开设置，并且发光二极管1031的数量与光电二极管1032的数量可以相同或不同。
PPG电路103用于向处理器101输出PPG信号，加速度传感器104用于向处理器101输出加速度信号(X/Y/Z轴加速度信号中的至少一个)。
发光二极管1031可以发射特定波长的光，例如可以通过分时复用的方式分别发射绿光、红光、红外光等，或者可以发射这些光的组合，本申请不作限定。当发光二极管1031发射绿光时，该电子设备100可以实现对心率的检测(即输出心率)，当发光二极管1031发射红光时，该电子设备100可以实现对氧合血红蛋白的检测(即输出氧合血红蛋白的比率)，当发光二极管1031发射红外光时，该电子设备100可以实现对还原血红蛋白的检测(即输出还原血红蛋白的比率)。需要说明的是，本申请实施例以心率检测为例进行说明，但并不意在限定于此。
发光二极管驱动电路1033用于向发光二极管1031提供驱动电流。因为通常处理器101各管脚的驱动能力有限，难以驱动发光二极管1031发光，所以本申请实施例中，处理器101可以向发光二极管驱动电路1033输出控制信号，控制发光二极管驱动电路1033向发光二极管1031提供驱动电流。
每个光电二极管1032用于对经人体组织反射的来自发光二极管1031的光进行检测，并输出一个通道的PPG信号，则多个光电二极管1032可以输出多个通道的PPG信号。光电二极管1032输出的PPG信号的大小与该光电二极管1032检测到的光的强度相关，光电二极管1032检测的光的强度越大，则输出的PPG信号越大，光电二极管1032检测的光的强度越小，则输出的PPG信号越小。
如图10中A和B所示，以该电子设备为智能手表为例，发光二极管1031和光电二极管1032可以位于手表底部以便与人体组织接触。发光二极管1031和光电二极管1032可以有多个，申请对发光二极管1031以及光电二极管1032的数目不作限定，例如，发光二极管1031可以有2个、4个或其他数目，光电二极管1032可以有2个、4个、8个或其他数目。发光二极管1031数目越多则光照强度越高，抗环境光干扰的性能越好；光电二极管1032数目越多，则输出的PPG信号的通道越多，检测精确度越高。
发光二极管1031之间尽量远离以降低相关性，光电二极管1032之间尽量远离以降低相关性，从而提高测量精确度。示例性的，如图10中A所示，多个(例如2个)发光二极管1031相对设置，多个(例如8个)光电二极管1032在电子设备与人体组织接触的区域(例如智能手表的底部)围绕发光二极管1031呈环形(对称)排列，以便各个光电二极管1032均衡接收来自发光二极管1031的光。
每个光电二极管1032可以输出一个通道的PPG信号，为了减少通道的数量，以减小数据存储和计算压力，进而降低功耗，可以将多个(例如2个、4个、8个)光电二极管1032输出的PPG信号进行合并。示例性的，如图10中B所示，可以将环形对称排列的8个光电二极管1032中，位于对称位置的两个(即成对的)光电二极管1032输出的PPG信号进行合并(电流求和)，则可以合并为4个通道的PPG信号，并输出给处理器101。当佩戴智能手表的用户在运动时，即使成对的两个光电二极管1032中一个光电二极管1032远离人体组织，另一个光电二极管1032也能贴近人体组织，对这两个光电二极管1032输出的PPG信号进行合并，可以达到综合降低噪声的目的。
放大器1034用于对光电二极管1032输出的PPG信号进行放大。
信号波形加工电路1035用于对PPG信号进行降噪、带通滤波等处理。
显示屏105可以用于显示生命体征检测的数值。显示屏105还可以具有触控功能，并将用户在显示屏105中的触摸位置反馈给处理器101。
存储器102可以包括易失性存储器、非易失性存储器中的至少一个。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmableROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(randomaccess memory，RAM)，例如，可以是静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)等。存储器102用于存储程序、指令以及相关数据，当程序、指令被处理器101执行时可以执行本申请实施例提供的生命体征检测方法。
处理器101可以是一个芯片，例如，可以是现场可编程门阵列(fieldprogrammable gate array，FPGA)、专用集成芯片(application specific integratedcircuit，ASIC)、中央处理器(central processor unit，CPU)、网络处理器(networkprocessor，NP)、数字信号处理电路(digital signal processor，DSP)、微控制器(microcontroller unit，MCU)、可编程控制器(programmable logic device，PLD)或其他集成芯片。处理器101通过执行存储器102中存储的程序、指令来执行本申请实施例提供的生命体征检测方法。
处理器101运行的程序可以基于操作系统，例如安卓(Android)
苹果(iOS)
鸿蒙(Harmony)
视窗(Windows)操作系统等。如图11所示，以处理器101运行的程序基于
为例，处理器101运行的程序按照功能进行分层，可以包括应用程序层、系统服务层、算法库硬件抽象层、内核层、驱动层。
驱动层用于驱动硬件资源。驱动层中可以包括PPG驱动、加速度传感器驱动和马达驱动等。其中，PPG驱动用于驱动PPG电路103，并向上层软件(例如硬件抽象层中的PGG模块)提供PPG信号，加速度传感器驱动用于驱动加速度传感器104，并向上层软件(例如硬件抽象层中的加速度传感器模块)提供加速度信号。
内核层包括操作系统(operation system，OS)内核(kernel)。操作系统内核用于管理系统的进程、内存、驱动程序、文件系统和网络系统。
硬件抽象层(hardware abstract layer，HAL)用于将硬件抽象化。包括PGG模块、加速度传感器模块、显示模块、触控模块等。其中，PGG模块用于将PPG硬件抽象化，将抽象化的PPG电路供算法库中的生命体征检测算法调用，以向生命体征检测算法提供PPG信号。加速度传感器模块用于将加速度传感器抽象化，将抽象化的加速度传感器供算法库中的生命体征检测算法调用，以向生命体征检测算法提供加速度信号。
算法库可以包括生命体征检测算法(例如心率算法、血氧饱和度算法)、调光算法、睡眠算法、佩戴算法等。其中，生命体征检测算法用于执行本申请实施例提供的生命体征检测方法。
系统服务层可以包括生命体征检测服务(例如心率服务、血氧饱和度服务)、计步服务、卡路里服务、健康服务等。其中，生命体征检测服务用于向生命体征检测程序提供调用生命体征检测算法的服务。
应用程序层可以包括生命体征检测程序(例如心率程序、血氧饱和度程序)、表盘程序、运动记录程序、通话程序等。其中，生命体征检测程序用于输出生命体征检测的结果。
该电子设备执行生命体征检测方法的工作原理如下：处理器101通过发光二极管驱动电路1033控制发光二极管1031向皮肤组织发射光，透过皮肤组织23反射回来的光被光电二极管1032接收并转换成PPG信号，放大器1034对PPG信号进行放大后输出给信号波形加工电路1035，信号波形加工电路1035对PPG信号进行降噪、带通滤波等处理后发送给处理器101。处理器101中可以内置模数转换电路或者该电子设备还可以包括模数转换电路(图中未示出)，模数转换电路对PPG信号进行模数转换后即得到数字形式的PPG信号，模数转换电路对加速度传感器104输出的加速度信号进行模数转换后即得到数字形式的加速度信号。处理器101根据数字形式的PPG信号以及加速度信号得到生命体征的数值(例如心率、血氧饱和度等)，并控制显示屏105显示生命体征的数值。
下面对处理器101如何执行生命体征检测方法进行说明，如图12所示，该方法包括步骤S101-S105：
S101、获取预设时间段内的加速度信号(X/Y/Z轴加速度信号中的至少一个)以及多个通道的PPG信号。
多个通道的PPG信号可以为全部光电二极管输出的PPG信号，或者，可以为部分光电二极管输出的PPG信号，或者，可以为多个光电二极管输出的PPG信号进行合并后得到的多个通道的PPG信号。具体如何选择多个通道的PPG信号受生命体征检测功能的开关以及生命体征检测的增强功能的开关的控制：
以该电子设备为智能手表，生命体征检测为心率检测为例，示例性的，如图13和图14所示，可以在设置界面(图13)或快捷菜单(图14)中显示生命体征检测功能的开关(例如“心率检测”开关)或者生命体征检测的增强功能的开关(例如“心率检测增强”开关)。其中，生命体征检测的增强功能的开关可以依赖于生命体征检测功能的开关，当生命体征检测功能的开关打开时，用户才可以控制生命体征检测的增强功能的开关。
处理器101可以响应于用户对生命体征检测功能的开关的点击操作来打开或关闭生命体征检测(例如心率检测)的功能，当打开该开关时，电子设备可以执行生命体征检测方法，当关闭开关时，电子设备不执行生命体征检测方法。
处理器101可以响应于用户对生命体征检测的增强功能的开关的点击操作来打开或关闭生命体征检测(例如心率检测)的增强功能。当打开该开关时(即响应于第一操作)，处理器101可以增加通道的数目，即选择更多(例如全部)通道的PPG信号用于执行生命体征检测方法，从而提高精确度。例如，如图10中A所示的，选择全部8个光电二极管1032输出的PPG信号用于执行生命体征检测方法。当关闭该开关时(即响应于第二操作)，处理器101可以减少通道的数目，即选择更少通道的PPG信号用于执行生命体征检测方法，以减小数据存储和计算压力，进而降低功耗。例如，如图10中B所示的，电子设备可以对多个光电二极管1032输出的PPG信号进行合并，或者，电子设备可以选择部分光电二极管1032(例如图10中B中的a、b、c、d)输出的PPG信号。
加速度信号来自前文所述的加速度传感器。
此处的PPG信号和加速度信号可以为经过降噪、带通滤波等处理后得到的时域信号，并且为经过模数转换后得到的数字信号。示例性的，预设时间段可以为12秒，预设时间段内加速度信号和每个通道的PPG信号的采样点数均可以为300个，PPG信号进行带通滤波的带宽可以为[0.3Hz,4Hz]，以滤除前文所述的直流信号，仅保留生命体征(例如心率)对应的交流信号。
需要说明的是，处理器101可以采用滑动时间窗的方式获取预设时间段内的加速度信号以及多个通道的PPG信号。示例性的，如图15所示，处理器101可以在第12秒获取时间窗1(0-12秒)内的加速度信号以及多个通道的PPG信号，在第13秒获取时间窗2(1-13秒)内的加速度信号以及多个通道的PPG信号，在第14秒获取时间窗3(2-14秒)内的加速度信号以及多个通道的PPG信号。
S102、对多个通道的PPG信号进行时域融合，得到融合PPG信号的频域信号；或者，对多个通道的PPG信号进行频域融合，得到融合PPG信号的频域信号。
对多个通道的PPG信号进行时域融合，或者，对多个通道的PPG信号进行频域融合，二者可以任意择一执行；或者，二者可以有条件地择一执行，即满足第一条件时，对多个通道的PPG信号进行时域融合，满足第二条件时，对多个通道的PPG信号进行频域融合。例如，当多个通道的PPG信号中的噪声干扰较小(例如小于预设阈值，即质量较好)时，对多个通道的PPG信号进行时域融合，当多个通道的PPG信号中的噪声干扰较大(例如大于预设阈值，即质量较差)时，对多个通道的PPG信号进行频域融合。
对多个通道的PPG信号进行时域融合：先在时域对多个通道的PPG信号中满足一定条件的PPG信号进行融合，得到融合PPG信号的时域信号，再对融合PPG信号的时域信号进行FFT得到融合PPG信号的频域信号。
对多个通道的PPG信号进行频域融合：先对多个通道的PPG信号进行FFT得到多个通道的PPG信号的频域信号，再对这些频域信号进行融合得到融合PPG信号的频域信号。
在一种可能的实施方式中，如图16所示，该步骤可以包括S1021-S1025：
S1021、计算多个通道的PPG信号之间的相关系数矩阵。
示例性的，以四个通道的PPG信号为例，如图17中所示，相关系数矩阵可以为对称矩阵，相关系数矩阵的每一行和每一列均表示一个通道，相关系数矩阵中任一数值表示两个通道的PPG信号之间的相关系数，相关系数表示这两个通道的PPG信号之间的相关性，相关系数越大表示这两个通道的PPG信号之间的相关性越高，相关系数越小表示这两个通道的PPG信号之间的相关性越低。
在一种可能的实施方式中，该相关系数矩阵可以为皮尔逊相关系数矩阵，皮尔逊相关系数矩阵中任一数值表示两个通道的PPG信号之间的皮尔逊相关系数。将任意两个通道的PPG信号分别作为n个样本点Xi(i＝1,2,...,n)和n个样本点Yi(i＝1,2,...,n)，根据公式2即可以得到任意两个通道的PPG信号之间的皮尔逊相关系数，进而得到多个通道的PPG信号之间的皮尔逊相关系数矩阵。示例性的，公式2中的取样本点个数n为300，
如果相关系数矩阵中每个相关性系数都大于第一阈值，即任意两个通道的PPG信号之间的相关性均较高，此时认为满足第一条件，则将多个通道的PPG信号加入集合并执行步骤S1024，否则(相关系数矩阵中存在至少一个相关性系数小于或等于第一阈值，即存在至少两个通道的PPG信号之间的相关性较低)，则执行步骤S1022。
S1022、计算多个通道中的每一个通道的PPG信号的方差。
将每一个通道的PPG信号的n个样本点X1,X2,X3,......,Xi(i＝1,2,...,n)，可以根据公式
计算该通道的PPG信号的方差，其中，μ表示这n个样本点的均值。示例性的，样本点个数n为300。每个通道的PPG信号的方差表示该通道的PPG信号的离散程度，即各个采样点偏离均值的程度。当方差较大时表示该通道的PPG信号的离散程度较大，受噪声干扰较大，当方差较小时表示该通道的PPG信号的离散程度较小，受噪声干扰较小。
如果存在任一通道的PPG信号的方差小于第二阈值，即存在任一通道的PPG信号受噪声干扰较小，则执行步骤S1023，否则(所有通道的PPG信号的方差均大于或等于第二阈值，即所有通道的PPG信号受噪声干扰较大)，此时认为满足第二条件，则执行步骤S1025。
S1023、对于方差小于第二阈值的各个通道的PPG信号，计算该PPG信号的自相关系数。
可以根据公式4-公式6计算该PPG信号的自相关系数，自相关系数表示同一通道在不同时间的PPG信号之间的相关性(即周期性的好坏)，即表示同一通道过去的PPG信号对现在的PPG信号的影响，PPG信号的周期性越好，则自相关系数越大，PPG信号的周期性越差，则自相关系数越小。示例性的，公式4-公式6中的时间序列长度n为300，k为25，即自相关系数表示一个通道在25个采样点之前的PPG信号与现在的PPG信号之间的相关性。
如果存在任一通道的PPG信号的自相关系数大于第三阈值，即存在任一通道在不同时间的PPG信号之间的相关性较高，此时认为满足第一条件，则将该通道的PPG信号加入集合并执行步骤S1024，否则(所有通道的PPG信号的自相关系数均小于或等于第三阈值，即所有通道在不同时间的PPG信号之间的相关性较低)，此时认为满足第二条件，则执行步骤S1025。
S1024、对属于集合的各个通道的PPG信号进行时域融合，并对时域融合后的信号进行FFT，得到融合PPG信号的频域信号。
对属于集合的各个通道的PPG信号进行时域融合包括：对属于集合的各个通道的PPG信号求均值得到融合PPG信号的时域信号，对融合PPG信号的时域信号进行FFT得到融合PPG信号的频域信号。当PPG信号的噪声干扰较小时，通过时域融合可以降低计算工作量而不会降低精确度。
需要说明的是，步骤S1024并不依赖于前文所述的步骤S1021-S1023，即可以直接执行步骤S1024。如果直接执行步骤S1024，则上述集合包括步骤S101中获取的所述多个通道的PPG信号，即对步骤S101中获取的多个通道的PPG信号进行时域融合，得到融合PPG信号的频域信号。
S1025、对多个通道的PPG信号进行FFT后进行频域融合，得到融合PPG信号的频域信号。
需要说明的是，步骤S1025并不依赖于前文所述的步骤S1021-S1023，即可以不必经过步骤S1021-S1023进行条件判断，直接择一执行步骤S1024或步骤S1025。
在一种可能的实施方式中，如图18所示，步骤S1025包括步骤S10251-S10254：
S10251、获取上一个生命体征的数值对应的频域测量值A。
上一个生命体征的数值指在前一次进行生命体征检测时得到的生命体征的数值，由于上一个生命体的在时域的数值，可以映射到对应的频域，故根据上一个生命体征的数值通过计算对应的频域测量值即可以得到上一个生命体征的数值对应的频域测量值。示例性的，如图19中所示，与图4中的点A类似的，假设上一个心率的数值为B，则上一个心率的数值B对应的频域测量值为A＝B/60。
S10252、对多个通道的PPG信号进行FFT得到多个通道的PPG信号的频域信号。
示例性的，如图19所示，假设有三个通道的PPG信号，曲线1-曲线3分别表示这三个通道的PPG信号的频域信号。其中，S10252与S10251并无时序关系，可同时，也可S10252在S10251之前进行。
S10253、获取每个通道的PPG信号的频域信号中的接近峰。
接近峰指该通道的PPG信号的频域信号中与频域测量值A最近的峰值。示例性的，如图19所示，曲线1-曲线3中与频域测量值A最近的峰值分别为P1、P2和P3。
S10254、取多个通道的PPG信号的频域信号中接近峰的最大值，对于多个通道的PPG信号的频域信号中其余数值，取相同时刻的最小值，得到融合PPG信号的频域信号。
示例性的，如图19所示，接近峰P1、P2和P3中P1的值最大，结合这三个通道的PPG信号的频域信号中其余数值在同一时刻的最小值，从而可以得到曲线4即为融合PPG信号的频域信号。
由于生命体征变化是较缓慢的，并不会存在较大突变，所以步骤S10251-S10253可以通过查找上一个生命体征的数值对应的频域测量值的接近峰，从而筛选出有效信号。步骤S10254中通过从接近峰中确定最大值，再取其余数值的最小值，实质上是选取了有效信号的最大值，并对其他无效信号(包括噪声干扰)进行了抑制，从而提高了信噪比。
S103、对加速度信号进行FFT得到加速度信号的频域信号。
需要说明的是，步骤S103与步骤S102无先后执行顺序要求，例如可以先执行步骤S102后执行步骤S103，或者，先执行步骤S103后执行步骤S102，或者，对于支持多线程的处理器或者具有多个内核的处理器来说，可以同时执行步骤S102和步骤S103。
S104、将融合PPG信号的频域信号和加速度信号的频域信号输入深度神经网络，得到生命体征的数值。
本申请不限定深度神经网络的具体形式，主要利用深度神经网络抗干扰的特征来对PPG信号中的噪声干扰进行滤除。在一种可能的实施方式中，本申请实施例采用前文所述的深度序列神经网络。
示例性的，如图20所示，曲线1表示未经过深度序列神经网络处理的信号，曲线2表示经过深度序列神经网络处理的信号，曲线3表示参考信号。图20中A示出了噪声干扰不大时，曲线1和曲线2均能与曲线3较好贴合。图20中B和C示出了噪声干扰较大时，曲线1出现了较大失真，而曲线2仍能与曲线3较好贴合。从中可以看出深度序列神经网络对信号的抗干扰性能较好。
在本申请实施例中，可以将融合PPG信号的频域信号以及加速度信号的频域信号拼接成特征向量，将该特征向量输入如图1所示的深度序列神经网络，深度序列神经网络输出的计算结果即为生命体征的数值(例如心率)。加速度信号的作用是去除PPG信号中的运动噪声。
由于生命体征变化是较缓慢的，并不会存在较大突变，深度序列神经网络中的循环网络层13实现了对特征向量的时间序列进行累积，当突然出现干扰时，循环网络层13可以有效滤除干扰，提高系统的鲁棒性。
需要说明的是，在对该神经网络进行训练时，每组训练用的数据中的特征向量为将PPG信号的频域信号以及加速度信号拼接成的特征向量，每组训练用的数据中的计算结果为该特征向量对应的生命体征的数值。具体训练过程见前文所述，在此不再重复。
示例性的，如图21所示，曲线1-曲线3为单独采用三个通道的PPG信号计算得到的心率的数值，曲线4为采用本申请实施例提供的生命体征检测方法得到的心率的数值，曲线5为真实的心率的数值。从中可以看出在时间段T内存在严重干扰时，单独采用三个通道的PPG信号计算得到的心率的数值存在较大失真，而采用实施例提供的生命体征检测方法得到的心率的数值则未出现较大失真。
S105、显示生命体征的数值。
示例性的，以生命体征为心率为例，如图22所示，处理器可以控制显示屏显示心率的数值。
将本申请提供的技术方案应用到现有产品后，心率检测的精确度提升明显，平均提升约2.5％，针对单个场景中，跑步机变速跑、户外步行、室内椭圆机等噪声干扰较大的场景精确度提升非常明显，特别是在室内椭圆机场景下精确度提升接近14％。即噪声干扰越大，精确度提升越明显。
本申请提供的技术方案实现心率检测的精确度提升的原因在于：一方面，利用深度神经网络抗干扰强的特点对PPG信号中的干扰进行过滤。另一方面，在噪声干扰较大时，对多个通道的PPG信号进行频域融合，从而得到融合PPG信号的频域信号；其中，基于上一个生命体征的数值来确定各个通道的PPG信号的接近峰，并从接近峰中确定最大值，从其余数值中确定最小值，从而得到融合PPG信号的频域信号，选取了有效信号的最大值，并对其他无效信号(包括噪声干扰)进行了抑制。
本申请实施例提供的生命体征检测方法和电子设备，获取预设时间段内加速度信号以及多个通道的PPG信号；对多个通道的PPG信号进行时域融合，得到融合PPG信号的频域信号，或者，对多个通道的PPG信号进行频域融合，得到融合PPG信号的频域信号；对加速度信号进行快速傅立叶变换得到加速度信号的频域信号；将融合PPG信号的频域信号和加速度信号的频域信号输入深度神经网络，得到生命体征的数值；显示生命体征的数值。利用深度序列神经网络抗干扰强的特点对PPG信号中的干扰进行过滤，提高生命体征检测的精确度。
本申请实施例还提供一种芯片系统，如图23所示，该芯片系统2300包括至少一个处理器2301和至少一个接口电路2302。处理器2301和接口电路2302可通过线路互联。例如，接口电路2302可用于从其它装置(例如电子设备的存储器)接收信号。又例如，接口电路2302可用于向其它装置(例如处理器2301)发送信号。示例性的，接口电路2302可读取存储器中存储的指令，并将该指令发送给处理器2301。当所述指令被处理器2301执行时，可使得电子设备执行上述实施例中的各个步骤，例如执行图12、图16、图18所示的方法。当然，该芯片系统还可以包含其他分立器件，本申请实施例对此不作具体限定。
本申请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包括指令，当指令在上述电子设备上运行时，使得该电子设备执行上述方法实施例中由电子设备执行的各个功能或者步骤，例如执行图12、图16、图18所示的方法。
本申请实施例还提供一种包括指令的计算机程序产品，当指令在上述电子设备上运行时，使得该电子设备执行上述方法实施例中由电子设备执行的各个功能或者步骤，例如执行图12、图16、图18所示的方法。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
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模块及算法步骤，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条件。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申请的范围。
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，上述描述的系统、装置和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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块或组件可以结合或者可以集成到另一个设备，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信连接可以是通过一些接口，设备或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个设备，或者也可以分布到多个设备上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个设备中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个设备中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (16)
1.一种生命体征检测方法，其特征在于，包括：
获取预设时间段内加速度信号以及多个通道的光电容积脉搏波描记法PPG信号；
计算所述多个通道的PPG信号之间的相关系数矩阵；
如果相关系数矩阵中存在至少一个相关性系数小于或等于第一阈值，计算所述多个通道中每一个通道的PPG信号的方差；
如果所有通道的PPG信号的方差均大于或等于第二阈值，对所述多个通道的PPG信号进行快速傅里叶变换后进行频域融合，得到融合PPG信号的频域信号；
对所述加速度信号进行快速傅立叶变换得到所述加速度信号的频域信号；
将所述融合PPG信号的频域信号和所述加速度信号的频域信号输入深度神经网络，得到生命体征的数值；
显示所述生命体征的数值。
2.根据权利要求1所述的方法，其特征在于，还包括：
如果所述相关系数矩阵中每个相关性系数都大于所述第一阈值，则将所述多个通道的PPG信号加入集合；
对属于所述集合的各个通道的PPG信号进行时域融合，并对时域融合后的信号进行快速傅里叶变换，得到所述融合PPG信号的频域信号。
3.根据权利要求1-2任一项所述的方法，其特征在于，还包括：
如果存在任一通道的PPG信号的方差小于第二阈值，计算方差小于第二阈值的各个通道的PPG信号的自相关系数。
4.根据权利要求3所述的方法，其特征在于，还包括：
如果存在任一通道的PPG信号的自相关系数大于第三阈值，对属于所述集合的各个通道的PPG信号进行时域融合，并对时域融合后的信号进行快速傅里叶变换，得到所述融合PPG信号的频域信号。
5.根据权利要求3所述的方法，其特征在于，还包括：
如果所有通道的PPG信号的自相关系数均小于或等于第三阈值，对所述多个通道的PPG信号进行快速傅里叶变换后进行频域融合，得到所述融合PPG信号的频域信号。
6.根据权利要求2或4所述的方法，其特征在于，所述对属于所述集合的各个通道的PPG信号进行时域融合，包括：
对属于所述集合的各个通道的PPG信号求均值。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述对所述多个通道的PPG信号进行快速傅里叶变换后进行频域融合，得到融合PPG信号的频域信号，包括：
获取上一个生命体征的数值对应的频域测量值；
对所述多个通道的PPG信号进行快速傅里叶变换得到所述多个通道的PPG信号的频域信号；
获取每个通道的PPG信号的频域信号中的接近峰，所述接近峰指所述每个通道的PPG信号的频域信号中与所述频域测量值最近的峰值；
取所述多个通道的PPG信号的频域信号中接近峰的最大值，对于所述多个通道的PPG信号的频域信号中其余数值，取相同时刻的最小值，得到所述融合PPG信号的频域信号。
8.根据权利要求1-7任一项所述的方法，其特征在于，还包括：
响应于第一操作，增加所述通道的数目；或者，
响应于第二操作，减少所述通道的数目。
9.根据权利要求1-8任一项所述的方法，其特征在于，所述生命体征为心率。
10.根据权利要求1-9任一项所述的方法，其特征在于，所述深度神经网络为深度序列神经网络，所述深度序列神经网络中包括循环网络层，用于对输入的特征向量的时间序列进行累积。
11.一种电子设备，其特征在于，包括：处理器、至少一个发光二极管和多个光电二极管；
所述发光二极管用于向人体组织发射光；
所述多个光电二极管用于分别接收所述人体组织反射的光，并输出多个通道的光电容积脉搏波描记法PPG信号；
所述处理器用于执行如权利要求1-10任一项所述的方法。
12.根据权利要求11所述的电子设备，其特征在于，所述光电二极管的数目为8个。
13.根据权利要求11-12任一项所述的电子设备，其特征在于，所述发光二极管的数目为2个。
14.根据权利要求11-13任一项所述的电子设备，其特征在于，所述多个光电二极管在所述电子设备与人体组织接触的区域围绕所述发光二极管呈环形排列。
15.根据权利要求11-14任一项所述的电子设备，其特征在于，所述电子设备为智能手表。
16.一种计算机可读存储介质，其特征在于，包括指令，当所述指令在电子设备上执行时，使得所述电子设备执行如权利要求1-10任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP22840554.4A EP4193913A4 (en) | 2021-11-01 | 2022-09-08 | VITAL SIGNS DETECTION METHOD AND ELECTRONIC DEVICE |
| PCT/CN2022/117950 WO2023071550A1 (zh) | 2021-11-01 | 2022-09-08 | 生命体征检测方法和电子设备 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2021112850280 | 2021-11-01 | ||
| CN202111285028 | 2021-11-01 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116058815A true CN116058815A (zh) | 2023-05-05 |
Family
ID=86170508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111669683.6A Pending CN116058815A (zh) | 2021-11-01 | 2021-12-30 | 生命体征检测方法和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116058815A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117084644A (zh) * | 2023-10-10 | 2023-11-21 | 荣耀终端有限公司 | 一种检测用户生理特征指标的方法、装置及可穿戴设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160038045A1 (en) * | 2014-08-07 | 2016-02-11 | Apple Inc. | Motion artifact removal by time domain projection |
| US20160198964A1 (en) * | 2015-01-10 | 2016-07-14 | Cheng Uei Precision Industry Co., Ltd. | Vital signs measurement system, detecting method of the vital signs measurement system, and vital signs measurement earphone |
| CN107847158A (zh) * | 2015-03-31 | 2018-03-27 | 深圳市长桑技术有限公司 | 用于生理参数监测的系统和方法 |
| US10398381B1 (en) * | 2015-11-19 | 2019-09-03 | Fitbit, Inc. | System and method for characterizing cardiac arrhythmia |
| US20190357850A1 (en) * | 2014-09-26 | 2019-11-28 | Pixart Imaging Inc. | Respiration rate detection device and breath detection device adopting motion denoising |
| CN111166306A (zh) * | 2020-01-23 | 2020-05-19 | 北京津发科技股份有限公司 | 生理信号采集方法及计算机设备、存储介质 |
| CN111243739A (zh) * | 2020-01-07 | 2020-06-05 | 四川大学 | 抗干扰的生理参数遥测方法及系统 |
| CN111481190A (zh) * | 2020-04-02 | 2020-08-04 | 南京润楠医疗电子研究院有限公司 | 基于双路ppg信号的稳健心率测量方法和装置 |
| CN111629666A (zh) * | 2017-11-16 | 2020-09-04 | 皇家飞利浦有限公司 | 用于感测生理参数的系统和方法 |
| CN113349752A (zh) * | 2021-05-08 | 2021-09-07 | 电子科技大学 | 一种基于传感融合的可穿戴设备实时心率监测方法 |
-
2021
- 2021-12-30 CN CN202111669683.6A patent/CN116058815A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160038045A1 (en) * | 2014-08-07 | 2016-02-11 | Apple Inc. | Motion artifact removal by time domain projection |
| US20190357850A1 (en) * | 2014-09-26 | 2019-11-28 | Pixart Imaging Inc. | Respiration rate detection device and breath detection device adopting motion denoising |
| US20160198964A1 (en) * | 2015-01-10 | 2016-07-14 | Cheng Uei Precision Industry Co., Ltd. | Vital signs measurement system, detecting method of the vital signs measurement system, and vital signs measurement earphone |
| CN107847158A (zh) * | 2015-03-31 | 2018-03-27 | 深圳市长桑技术有限公司 | 用于生理参数监测的系统和方法 |
| US10398381B1 (en) * | 2015-11-19 | 2019-09-03 | Fitbit, Inc. | System and method for characterizing cardiac arrhythmia |
| CN111629666A (zh) * | 2017-11-16 | 2020-09-04 | 皇家飞利浦有限公司 | 用于感测生理参数的系统和方法 |
| CN111243739A (zh) * | 2020-01-07 | 2020-06-05 | 四川大学 | 抗干扰的生理参数遥测方法及系统 |
| CN111166306A (zh) * | 2020-01-23 | 2020-05-19 | 北京津发科技股份有限公司 | 生理信号采集方法及计算机设备、存储介质 |
| CN111481190A (zh) * | 2020-04-02 | 2020-08-04 | 南京润楠医疗电子研究院有限公司 | 基于双路ppg信号的稳健心率测量方法和装置 |
| CN113349752A (zh) * | 2021-05-08 | 2021-09-07 | 电子科技大学 | 一种基于传感融合的可穿戴设备实时心率监测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117084644A (zh) * | 2023-10-10 | 2023-11-21 | 荣耀终端有限公司 | 一种检测用户生理特征指标的方法、装置及可穿戴设备 |
| CN117084644B (zh) * | 2023-10-10 | 2024-03-29 | 荣耀终端有限公司 | 一种检测用户生理特征指标的方法、装置及可穿戴设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107949321B (zh) | 时域干扰去除和改进的心率测量跟踪机理 | |
| US10602937B2 (en) | Photoplethysmographic sensor configuration | |
| RU2669616C2 (ru) | Устройство и способ определения показателей жизнедеятельности субъекта | |
| Lai et al. | Lightweight wrist photoplethysmography for heavy exercise: motion robust heart rate monitoring algorithm | |
| CN106413530B (zh) | 使用多通道ppg信号的运动伪影降低 | |
| CN109414203B (zh) | 基于光学测量的在线心率估计 | |
| CN105451646B (zh) | 用于提取生理信息的设备、系统和方法 | |
| JP6608824B2 (ja) | 睡眠サイクルに基づいて睡眠段階を決定するためのシステム及び方法 | |
| US20200093386A1 (en) | Method of generating a model for heart rate estimation from a photoplethysmography signal and a method and a device for heart rate estimation | |
| KR101849263B1 (ko) | 견고한 심박수 추정 | |
| KR20200041831A (ko) | 광맥파 데이터의 신뢰성 있는 획득 | |
| JP6279098B2 (ja) | 光電式脈拍信号測定方法及び測定機器 | |
| CN109189207A (zh) | 一种可穿戴设备穿戴状态的检测方法及装置 | |
| Dai et al. | Respwatch: Robust measurement of respiratory rate on smartwatches with photoplethysmography | |
| US20200337574A1 (en) | Systems and methods for power reduction for wearable biometric monitoring devices using signal quality metrics | |
| CN104808776A (zh) | 检测头戴式智能设备持续附着在人体上的装置和方法 | |
| CN116058815A (zh) | 生命体征检测方法和电子设备 | |
| WO2023071550A1 (zh) | 生命体征检测方法和电子设备 | |
| WO2020160058A1 (en) | Systems and methods for computationally efficient non-invasive blood quality measurement | |
| US20230263400A1 (en) | System and method for filtering time-varying data for physiological signal prediction | |
| KR101786014B1 (ko) | 손목형 광전용적맥파 기반 산소포화도 측정시스템 및 방법 | |
| CN109620198B (zh) | 心血管指数检测、模型训练方法及装置 | |
| Everson et al. | BioTranslator: inferring R-peaks from ambulatory wrist-worn PPG signal | |
| Rezaei et al. | Comparison of two low-power signal processing algorithms for optical heart rate monitoring | |
| KR102553033B1 (ko) | 혈압 추정을 위한 특징 획득 방법, 혈압 추정 장치 및 방법 |
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 |