CN116369911B - 基于生理信号的心脏信息检测方法、装置以及设备 - Google Patents

基于生理信号的心脏信息检测方法、装置以及设备 Download PDF

Info

Publication number
CN116369911B
CN116369911B CN202310650658.6A CN202310650658A CN116369911B CN 116369911 B CN116369911 B CN 116369911B CN 202310650658 A CN202310650658 A CN 202310650658A CN 116369911 B CN116369911 B CN 116369911B
Authority
CN
China
Prior art keywords
ballistocardiogram
signal
signal component
physiological
imf
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310650658.6A
Other languages
English (en)
Other versions
CN116369911A (zh
Inventor
张涵
林关养
冯申
林锡颖
伍先达
鲍安东
庞志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Normal University
Original Assignee
South China Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China Normal University filed Critical South China Normal University
Priority to CN202310650658.6A priority Critical patent/CN116369911B/zh
Publication of CN116369911A publication Critical patent/CN116369911A/zh
Application granted granted Critical
Publication of CN116369911B publication Critical patent/CN116369911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1102—Ballistocardiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Cardiology (AREA)
  • Pulmonology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)

Abstract

本发明涉及心脏信息检测领域，涉及一种基于生理信号的心脏信息检测方法，通过集成经验模态分解获得样本用户对应的若干个IMF信号分量，从若干个IMF信号分量中提取若干个心冲击图信号分量，基于若干个心冲击图信号分量提取多维特征，用于进行心脏检测模型的构建，实现了对用户进行心脏信息的准确检测，作为对心脏健康状况评估的辅助数据，提高对心脏健康状况进行评估的准确性。

Description

基于生理信号的心脏信息检测方法、装置以及设备
技术领域
本发明涉及心脏健康评估测量领域，特别涉及是一种基于生理信号的心脏信息检测方法、装置、设备以及存储介质。
背景技术
随着人们生活水平的不断提高与工作压力的不断增加，人们对于自身的健康意识日益增强，而心脏在一定程度上会反映身体状况，由此，通过对心脏进行检测，能够有效地反映出自身的身体状况。
目前，心脏健康的主要检测方式是定期体检，通常需要额外时间以供临床医生进行检视和基于测试结果做出诊断，并连同从体检及询问收集的数据对该个体的整体心脏健康状况做出评估。不仅耗时、费力，并且容易受到诸多主观、人为因素影响，难以对心脏健康状况进行准确的评估。
发明内容
基于此，本发明的目的在于，提供一种基于生理信号的心脏信息检测方法、装置、设备以及存储介质，通过集成经验模态分解获得样本用户对应的若干个IMF信号分量，从若干个IMF信号分量中提取若干个心冲击图信号分量，基于若干个心冲击图信号分量提取多维特征，用于进行心脏检测模型的构建，实现了对用户进行心脏信息的准确检测，作为对心脏健康状况评估的辅助数据，提高对心脏健康状况进行评估的准确性。
第一方面，本申请实施例提供了一种基于生理信号的心脏信息检测方法，包括以下步骤：
获得样本用户的生理信号段集以及标签数据集，其中，所述生理信号段集包括若干个生理信号段，所述标签数据集包括各个所述生理信号段的标签数据；
采用集成经验模态分解算法，对所述样本用户的生理信号段集中的各个生理信号段进行分解，获得各个所述生理信号段对应的IMF信号分量集，其中，所述IMF信号分量集包括若干个IMF信号分量；
从所述IMF信号分量集中，提取若干个目标IMF信号分量，作为心冲击图信号分量，获得各个所述生理信号段对应的心冲击图信号分量集，其中，所述心冲击图信号分量集包括若干个心冲击图信号分量；
对所述心冲击图信号分量集中的各个心冲击图信号分量进行多维特征提取，获得各个所述心冲击图信号分量对应的多维特征集，其中，所述多维特征集包括时域特征、非线性域特征以及相空间重构特征；
将各个所述心冲击图信号分量对应的多维特征集以及标签数据集输入至待训练的心脏信息检测模型中进行训练，获得目标心脏信息检测模型；
响应于检测指令，所述检测指令包括待测用户的生理信号，获得所述待测用户的生理信号对应的心冲击图信号分量集，将所述待测用户的生理信号对应的心冲击图信号分量集输入至所述目标心脏信息检测模型中进行检测，获得待测用户的心脏信息检测结果。
第二方面，本申请实施例提供了一种基于生理信号的心脏信息检测装置，包括：
数据获取模块，用于获得样本用户的生理信号段集以及标签数据集，其中，所述生理信号段集包括若干个生理信号段，所述标签数据集包括各个所述生理信号段的标签数据；
IMF分量提取模块，用于采用集成经验模态分解算法，对所述样本用户的生理信号段集中的各个生理信号段进行分解，获得各个所述生理信号段对应的IMF信号分量集，其中，所述IMF信号分量集包括若干个IMF信号分量；
心冲击图信号分量提取模块，用于从所述IMF信号分量集中，提取若干个目标IMF信号分量，作为心冲击图信号分量，获得各个所述生理信号段对应的心冲击图信号分量集，其中，所述心冲击图信号分量集包括若干个心冲击图信号分量；
特征提取模块，用于对所述心冲击图信号分量集中的各个心冲击图信号分量进行多维特征提取，获得各个所述心冲击图信号分量对应的多维特征集，其中，所述多维特征集包括时域特征、非线性域特征以及相空间重构特征；
训练模块，用于将各个所述心冲击图信号分量对应的多维特征集以及标签数据集输入至待训练的心脏信息检测模型中进行训练，获得目标心脏信息检测模型；
检测模块，用于响应于检测指令，所述检测指令包括待测用户的生理信号，获得所述待测用户的生理信号对应的心冲击图信号分量集，将所述待测用户的生理信号对应的心冲击图信号分量集输入至所述目标心脏信息检测模型中进行检测，获得待测用户的心脏信息检测结果。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述基于生理信号的心脏信息检测方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于生理信号的心脏信息检测方法的步骤。
在本申请实施例中，提供一种基于生理信号的心脏信息检测方法、装置、设备以及存储介质，通过集成经验模态分解获得样本用户对应的若干个信号分量，从若干个信号分量中提取若干个心冲击图信号分量，基于若干个心冲击图信号分量提取多维特征，用于进行心脏检测模型的构建，实现了对用户进行心脏信息的准确检测，作为对心脏健康状况评估的辅助数据，提高对心脏健康状况进行评估的准确性。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请第一实施例提供的基于生理信号的心脏信息检测方法的流程示意图；
图2为本申请第二实施例提供的基于生理信号的心脏信息检测方法的流程示意图；
图3为本申请第二实施例提供的基于生理信号的心脏信息检测方法中S7的流程示意图；
图4为本申请第一实施例提供的基于生理信号的心脏信息检测方法中S3的流程示意图；
图5为本申请第三实施例提供的基于生理信号的心脏信息检测方法中S4的流程示意图；
图6为本申请第四实施例提供的基于生理信号的心脏信息检测方法中S4的流程示意图；
图7为本申请第五实施例提供的基于生理信号的心脏信息检测方法中S4的流程示意图；
图8为本申请第六实施例提供的基于生理信号的心脏信息检测方法中S4的流程示意图；
图9为本申请第六实施例提供的基于生理信号的心脏信息检测装置的结构示意图；
图10为本申请第七实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请第一实施例提供的基于生理信号的心脏信息检测方法的流程示意图，方法包括如下步骤：
S1：获得样本用户的生理信号段集以及标签数据集。
基于生理信号的心脏信息检测方法的执行主体为基于生理信号的心脏信息检测方法的检测设备（以下简称检测设备）。检测设备可以通过软件和/或硬件的方式实现，可以通过软件和/或硬件的方式实现基于生理信号的心脏信息检测方法，该检测设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。检测设备所指向的硬件，本质上均是指计算机设备，例如，检测设备可以是电脑、手机、平板或交互平板等设备。在一个可选的实施例中，检测设备具体可以是服务器，或是多台计算机设备联合而成的服务器机群。
检测设备获取若干个样本用户的生理信号，在一个可选的实施例中，检测设备可以通过在预设的数据库中进行查询，获取用户的生理信号，在另一个可选的实施例中，检测设备可以采用压电传感器获取用户的压电混叠信号，并根据模数转换模块，将该压电混叠信号转换为数字信号，根据数据处理模块对该数字信号进行分析，从该数字信号中提取用户的生理信号；其中，生理信号为人体特征信号，包括心冲击图信号以及呼吸信号，所述心冲击图信号BCG（ballistocardiogram）用于心率检测、心率变异性监测 、心脏收缩性以及心输出量变化监测等方面。
所述压电传感器可以是压电陶瓷传感器、压电薄膜传感器等，可以放在平躺位置心脏的下方，也可以放在枕头下方，来获取用户的人体微振信号，即压电混叠信号。
所述模数转换模块可以采用外置芯片，也可以采用相应的内置模数转换接口来对人体微振信号转换为数字信号。
所述数据处理模块可以采用DSP（Digital Signal Processing）或者ARM（Advanced RISC Machines）处理器，对该数字信号进行分析，从该数字信号中提取用户的生理信号。
在一个可选的实施例中为了减少高斯噪声和工频噪声的影响，检测设备通过预设的10Hz的四阶巴特沃斯低通滤波器，对生理信号进行滤波处理，获得滤除高斯噪声和工频噪声的生理信号。
检测设备根据预设的采样周期，其中，所述采样周期可以是10秒、30秒以及60秒，由于人眼观测的时间尺度需尽可能包含一次完整的信号片段，但又要避免尺度过大造成的信息浪费，在本实施例中，检测设备将采样周期设置为30秒。
检测设备对各个样本用户的生理信号的进行划分，获得若干个采样周期对应的生理信号段，构建所述生理信号段集，并对各个所述生理信号段进行人工标注，构建所述标签数据集以及标签数据集，其中，所述生理信号段集包括若干个生理信号段，所述标签数据集包括各个所述生理信号段的标签数据。
请参阅图2，图2为本申请第二实施例提供的基于生理信号的心脏信息检测方法的流程示意图，还包括步骤S7，所述步骤S7在步骤S2之前，具体如下：
S7：对所述样本用户的生理信号段集中的各个生理信号段进行体动检测，对生理信号段中的体动信号段进行剔除处理，获得剔除处理后的所述样本用户的生理信号段集。
请参阅图3，图3为本申请第二实施例提供的基于生理信号的心脏信息检测方法中S7的流程示意图，包括步骤S71~S73，具体如下：
S71：根据预设的时间窗，对所述生理信号段集中的各个生理信号段进行划分，获得各个所述生理信号段对应的生理单元信号段集。
在本实施例中，检测设备根据预设的时间窗，对各个样本用户的所述生理信号段集中的各个生理信号段进行划分，获得各个样本用户的，各个所述生理信号段对应的生理单元信号段集，其中，所述生理单元信号段集包括若干个生理单元信号段。
S72：获得各个所述生理信号段对应的幅值标准差集合，所述幅值标准差集合包括若干个所述生理单元信号段的幅值标准差，计算所述幅值标准差集合对应的中位值，根据所述中位值以及预设的体动检测系数，获得各个所述生理信号段对应的体动检测阈值。
在本实施例中，检测设备计算各个所述生理信号段对应的生理单元信号段集中，各个所述生理单元信号段的幅值标准差，获得各个样本用户的各个所述生理信号段对应的幅值标准差集合，具体如下：
SD(n)=[SD0,SD1,…,SDN-1]，其中n = 0,1,...,N-1。
式中，SD(n)为第n个所述生理信号段对应的幅值标准差集合，SDN-1为第N-1个生理单元信号段的幅值标准差。
检测设备计算各个所述幅值标准差集合对应的中位值Median_SD，根据所述中位值以及预设的体动检测系数，获得各个所述生理信号段对应的体动检测阈值。其中，所述体动检测系数包括上界体动检测系数treshold1和下界体动检测系数threshold2，所述体动检测阈值包括上界体动检测阈值以及下界体动检测阈值。
具体地，检测设备将各个所述生理信号段对应的中位值分别与所述上界体动检测系数treshold1和下界体动检测系数相乘，获得对应的上界体动检测阈值(Median_SD×threshold1)以及下界体动检测阈值(Median_SD×threshold2)。
S73：根据所述生理信号段对应的幅值标准差集合中，各个所述生理单元信号段的幅值标准差以及相应的体动检测阈值，对生理单元信号段集中的生理单元信号段进行剔除处理，获得剔除处理后的各个所述生理信号段对应的生理单元信号段集。
在本实施例中，检测设备根据所述生理信号段对应的幅值标准差集合中，各个所述生理单元信号段的幅值标准差以及相应的体动检测阈值，对所述生理单元信号段集中的生理单元信号段进行剔除处理，获得剔除处理后的各个所述生理信号段对应的生理单元信号段集。
具体地，基于各个所述生理信号段对应的生理单元信号段集中的第i个生理单元信号段SDi，若SDi的值大于(Median_SD×threshold1)，则标记该生理单元信号段为体动状态Movement，即SD_Statei= “Movement”；
若SDi的值小于(Median_SD×threshold2)，则标记该生理单元信号段为离床状态，由于体动和离床状态在后续操作都不做处理，为了简便因此将离床状态也设置为Movement，即SD_Statei= “Movement”；
若SDi的值大于等于(Median_SD×threshold2)且小于等于(Median_SD×threshold1)，则判断该生理单元信号段为正常状态normal，即SD_Statei= “normal”。
检测设备将标记为体动状态以及离床状态的生理单元信号段作为所述体动信号段，检测设备对所述生理单元信号段集中的体动信号段进行剔除处理，正常状态的生理单元信号段进行保留，获得剔除处理后的各个所述生理信号段对应的生理单元信号段集。
S2：采用集成经验模态分解算法，对所述样本用户的生理信号段集中的各个生理信号段进行分解，获得各个所述生理信号段对应的IMF信号分量集。
由于生理信号中包括的心冲击图信号的不同波群之间存在频率和幅值的差异性，在本实施例中，检测设备采用集成经验模态分解算法，选择噪声标准差为原始信号标准差的0.2倍，集成次数设为10次作为集成经验模态分解的参数，对所述样本用户的生理信号段集中的各个生理信号段进行分解，获得各个所述生理信号段对应的IMF信号分量集，其中，所述IMF信号分量集包括若干个IMF信号分量。
S3：从所述IMF信号分量集中，提取若干个目标IMF信号分量，作为心冲击图信号分量，获得各个所述生理信号段对应的心冲击图信号分量集。
在本实施例中，检测设备从所述IMF信号分量集中，提取若干个目标IMF信号分量，作为心冲击图信号分量，获得各个所述生理信号段对应的心冲击图信号分量集，其中，所述心冲击图信号分量集包括若干个心冲击图信号分量。
将所述心冲击图信号分量作为特征提取的对象，使得提取到的特征更加体现样本用户的心率检测、心率变异性监测 、心脏收缩性以及心输出量变化监测，作为训练数据，提高了心脏健康检测模型的训练的准确率，从而实现对心脏健康状况进行更加准确的评估。
请参阅图4，图4为本申请第一实施例提供的基于生理信号的心脏信息检测方法中S3的流程示意图，包括步骤S31~S32，具体如下：
S31：对所述IMF信号分量集中若干个IMF信号分量进行希尔伯特黄变换，获得各个所述IMF信号分量的频率范围，根据各个所述IMF信号分量的频率范围以及预设的心冲击图频率范围，对所述IMF信号分量集中的IMF信号分量进行剔除处理，获得剔除处理后的所述IMF信号分量集。
所述IMF信号分量集包括若干个所述IMF信号分量。
在本实施例中，检测设备对所述IMF信号分量集中若干个IMF信号分量进行希尔伯特黄变换，获得各个所述IMF信号分量的频率范围，根据各个所述IMF信号分量的频率范围以及预设的心冲击图频率范围，当所述IMF信号分量的频率范围落入所述心冲击图频率范围内，将所述IMF信号分量进行保留，其他的IMF信号分量进行剔除，获得剔除处理后的所述IMF信号分量集。
S32：计算剔除处理后的所述IMF信号分量集中若干个所述IMF信号分量与相应的生理信号段的皮尔逊相关系数，根据各个所述IMF信号分量的皮尔逊相关系数以及预设的皮尔逊相关系数阈值，对剔除处理后的所述IMF信号分量集中的IMF信号分量进行剔除处理，获得所述IMF信号分量集对应的若干个目标IMF信号分量，作为心冲击图信号分量。
在本实施例中，检测设备计算剔除处理后的所述IMF信号分量集中若干个所述IMF信号分量与相应的生理信号段的皮尔逊相关系数，具体如下：
式中，为第i个IMF信号分量与相应的生理信号段/>的皮尔逊相关系数，/>为生理信号段的协方差，/>为第i个IMF信号分量与相应的生理信号段/>的标准差。
检测设备根据各个所述IMF信号分量的皮尔逊相关系数以及预设的皮尔逊相关系数阈值，对剔除处理后的所述IMF信号分量集中的IMF信号分量进行剔除处理，具体地，检测设备获得剔除处理后的所述IMF信号分量集中，皮尔逊相关系数大于所述皮尔逊相关系数阈值的IMF信号分量，作为目标IMF信号分量，将皮尔逊相关系数小于或者等于所述皮尔逊相关系数阈值的IMF信号分量进行剔除处理，获得所述IMF信号分量集对应的若干个目标IMF信号分量，作为心冲击图信号分量。
通过希尔伯特黄变换和皮尔逊相关系数分析筛选信号分量，作为描述BCG信号最具代表性的若干个信号分量，从而可以提取BCG信号的细节波群特征，作为训练数据，提高了心脏健康检测模型的训练的准确率，从而实现对心脏健康状况进行更加准确的评估。
S4：对所述心冲击图信号分量集中的各个心冲击图信号分量进行多维特征提取，获得各个所述心冲击图信号分量对应的多维特征集。
为了更加全面地提取能够反应心冲击图信号分量的细节特征，在本实施例中，检测设备对所述心冲击图信号分量集中的各个心冲击图信号分量进行多维特征提取，获得各个所述心冲击图信号分量对应的多维特征集，其中，所述多维特征集包括时域特征、非线性域特征以及相空间重构特征。
所述时域特征包括方差特征以及平均频率特征，请参阅图5，图5为本申请第三实施例提供的基于生理信号的心脏信息检测方法中S4的流程示意图，包括步骤S401~S402，具体如下：
S401：根据所述心冲击图信号分量集中若干个心冲击图信号分量以及预设的方差特征计算算法，获得各个所述心冲击图信号分量对应的方差特征。
方差特征能够反应用户的心脏射血过程中的收缩能力，在本实施例中，检测设备根据所述心冲击图信号分量集中若干个心冲击图信号分量以及预设的方差特征计算算法，获得各个所述心冲击图信号分量对应的方差特征，其中，所述方差特征计算算法为：
式中，为第i个心冲击图信号分量对应的方差特征，N为所述心冲击图信号分量的数据点数目，表示所述心冲击图信号分量的长度，n表示第n个数据点，为第i个心冲击图信号分量的均值；
S402：根据所述心冲击图信号分量集中若干个心冲击图信号分量以及预设的平均频率特征计算算法，获得各个所述心冲击图信号分量对应的平均频率特征。
由于每个用户的心脏射血能力不同，导致心冲击图信号分量的频率变化存在差异，表现在心冲击图信号分量的波形和峰与峰之间的变化频率，在本实施例中，检测设备根据所述心冲击图信号分量集中若干个心冲击图信号分量以及预设的平均频率特征计算算法，获得各个所述心冲击图信号分量对应的平均频率特征，其中，所述平均频率特征计算算法为：
式中，为第i个心冲击图信号分量对应的平均频率特征，为第i个心冲击图信号分量的微元；
所述非线性域特征包括Kolmogorov熵特征，请参阅图6，图6为本申请第四实施例提供的基于生理信号的心脏信息检测方法中S4的流程示意图，包括步骤S411~S412，具体如下：
S411：根据预设的嵌入维度以及延迟时间，分别对各个所述心冲击图信号分量进行重构，获得各个所述心冲击图信号分量对应的重构信号序列，作为各个所述心冲击图信号分量对应的相空间。
Kolmogorov熵是2阶的Kolmogorov entropy，是刻画混沌系统的一个重要的量，度量了相空间中信息丢失的平均速率，量化了信号重构相空间中轨迹的动态特性。在不同的动力学系统中表现差异性。在混沌运动系统中，Kolmogorov熵大于零。若Kolmogorov熵值越大，信息的损失速率越大，系统的混沌程度越大，即系统越复杂。通过计算Kolmogorov熵特征，能够较好地区分各个用户的心脏健康状况。
在本实施例中，检测设备根据预设的时间长度，分别对各个所述心冲击图信号分量进行重构，获得各个心所述冲击图信号分量对应的重构信号序列，作为各个所述心冲击图信号分量对应的相空间，其中，所述重构信号序列的表达式为：
式中，为所述重构信号序列，m为嵌入维度，j表示第j个重构数据点，/>为第j个重构数据点对应的信号段，/>代表从第j个重构数据点开始的连续m个的数据点的值，τ为延迟时间。
S412：根据各个所述心冲击图信号分量对应的重构信号序列以及预设的Kolmogorov熵特征计算算法，获得各个所述心冲击图信号分量对应的Kolmogorov熵特征。
式中，为关联积分，/>为预设的距离比较阈值，M为所述相空间中的相点的数目，/>、/>分别为所述相空间第j个、第k个相点，/>为阶跃函数，/>为所述Kolmogorov熵特征。
在本实施例中，检测设备根据各个所述心冲击图信号分量对应的重构信号序列以及预设的Kolmogorov熵特征计算算法，获得各个所述心冲击图信号分量对应的Kolmogorov熵特征。
所述相空间重构特征包括四分位距特征、中值特征、峰度特征、持续时间最大值特征以及持续熵特征，请参阅图7，图7为本申请第五实施例提供的基于生理信号的心脏信息检测方法中S4的流程示意图，包括步骤S421~S424，具体如下：
S421：根据各个所述心冲击图信号分量对应的相空间以及预设的欧式距离计算算法，获得各个所述心冲击图信号分量对应的欧式距离序列。
所述欧式距离计算算法为：
式中，为所述欧式距离序列。
在本实施例中，检测设备根据各个所述心冲击图信号分量对应的相空间以及预设的欧式距离计算算法，获得各个所述心冲击图信号分量对应的欧式距离序列。
S422：根据各个所述心冲击图信号分量对应的欧式距离序列以及预设的四分位距特征计算算法，获得各个所述心冲击图信号分量对应的四分位距特征。
所述四分位距特征计算算法为：
式中，为所述四分位距特征，/>为第三四分位数计算函数，/>为第一四分位数计算函数。
在本实施例中，检测设备根据各个所述心冲击图信号分量对应的欧式距离序列以及预设的四分位距特征计算算法，获得各个所述心冲击图信号分量对应的四分位距特征。
S423：根据各个所述心冲击图信号分量对应的欧式距离序列以及预设的中值特征计算算法，获得各个所述心冲击图信号分量对应的中值特征。
所述中值特征计算算法为：
式中，为所述中值特征，/>为中值计算函数。
在本实施例中，检测设备根据各个所述心冲击图信号分量对应的欧式距离序列以及预设的中值特征计算算法，获得各个所述心冲击图信号分量对应的中值特征。
S424：根据各个所述心冲击图信号分量对应的欧式距离序列以及预设的峰度特征计算算法，获得各个所述心冲击图信号分量对应的峰度特征。
所述峰度特征计算算法为：
式中，为所述峰度特征，E[ ]为均值计算函数，/>为所述相空间的期望值，/>为所述相空间的标准差。
在本实施例中，检测设备根据各个所述心冲击图信号分量对应的欧式距离序列以及预设的峰度特征计算算法，获得各个所述心冲击图信号分量对应的峰度特征。
从高维相空间计算得到的一维欧式距离序列中可观测到心衰患者与健康人的信号存在差异性。在本实施例中，检测设备通过计算统计特征，能够较好地区分各个用户的心脏健康状况。
所述相空间重构特征还包括持续时间最大值特征以及持续熵特征，请参阅图8，图8为本申请第六实施例提供的基于生理信号的心脏信息检测方法中S4的流程示意图，包括步骤S431~S434，具体如下：
S431：将各个所述心冲击图信号分量对应的相空间作为点云数据，采用持续同调算法，获得各个所述心冲击图信号分量对应的多维持续图。
持续同调算法是拓扑数据分析中常用的一种方法。该算法可以从心脏周期中提取节律信息，能分析不同维度下的拓扑形状的变化。
在本实施例中，检测设备将各个所述心冲击图信号分量对应的相空间作为点云数据，采用持续同调算法，获得各个所述心冲击图信号分量对应的多维持续图，其中，所述多维持续图包括若干个维度的特征点数据，所述特征点数据包括特征点生存时间数据以及特征点消亡时间数据。
S432：根据所述多维持续图以及预设的持续长度序列计算算法，构建各个所述心冲击图信号分量对应的若干个维度的持续长度序列。
所述持续长度序列计算算法为：
式中，为第z个维度的持续长度序列，/>为第z个维度的第i个特征点的特征点消亡时间数据，/>为第z个维度的第i个特征点的特征点生存时间数据。
在本实施例中，检测设备根据所述多维持续图以及预设的持续长度序列计算算法，构建各个所述心冲击图信号分量对应的若干个维度的持续长度序列。
S433：根据各个所述心冲击图信号分量对应的若干个维度的持续长度序列以及预设的持续时间最大值特征计算算法，获得各个所述心冲击图信号分量对应的若干个维度的持续时间最大值特征。
所述持续时间最大值特征计算算法为：
式中，为第z个维度的持续时间最大值特征，/>为最大值计算函数。
在本实施例中，检测设备根据各个所述心冲击图信号分量对应的若干个维度的持续长度序列以及预设的持续时间最大值特征计算算法，获得各个所述心冲击图信号分量对应的若干个维度的持续时间最大值特征。
S434：根据各个所述心冲击图信号分量对应的若干个维度的持续长度序列以及预设的持续熵特征计算算法，获得各个所述心冲击图信号分量对应的若干个维度的持续熵特征。
所述持续熵特征计算算法为：
式中，为第z个维度的持续熵特征，N为当前维度的特征点数目。
在本实施例中，检测设备根据各个所述心冲击图信号分量对应的若干个维度的持续长度序列以及预设的持续熵特征计算算法，获得各个所述心冲击图信号分量对应的若干个维度的持续熵特征。
S5：将各个所述心冲击图信号分量对应的多维特征集以及标签数据集输入至待训练的心脏信息检测模型中进行训练，获得目标心脏信息检测模型。
所述目标心脏信息检测模型采用XGBoost（eXtreme Gradient Boosting）网络，在本实施例中，检测设备将各个所述心冲击图信号分量对应的多维特征集以及标签数据集输入至待训练的心脏信息检测模型中进行训练，获得目标心脏信息检测模型。
S6：响应于检测指令，所述检测指令包括待测用户的生理信号，获得所述待测用户的生理信号对应的心冲击图信号分量集，将所述待测用户的生理信号对应的心冲击图信号分量集输入至所述目标心脏信息检测模型中进行检测，获得待测用户的心脏信息检测结果。
所述检测指令是用户发出，检测设备接收的。
在本实施例中，检测设备响应于检测指令，获得待测用户的生理信号，对所述待测用户的生理信号进行分析，获得所述待测用户的生理信号对应的心冲击图信号分量集，将所述待测用户的生理信号对应的心冲击图信号分量集输入至所述目标心脏信息检测模型中进行检测，获得所述目标心脏检测模型输出的概率分布向量，其中，所述概率分布向量用以反映待测用户的心脏健康状况。
根据所述概率分布向量以及预设的概率阈值，获得所述待测用户的心脏信息检测结果，其中，所述心脏信息检测结果包括已检测到心脏信息结果以及未检测到心脏信息结果。
具体地，检测设备将所述概率分布向量与概率阈值进行对比，若所述概率分布向量大于或等于的概率阈值，则获得已检测到心脏信息结果，若所述概率分布向量小于的概率阈值，则获得未检测到心脏信息结果。
请参考图9，图9为本申请第七实施例提供的基于生理信号的心脏信息检测装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于生理信号的心脏信息检测装置的全部或一部分，该装置9包括：
数据获取模块91，用于获得样本用户的生理信号段集以及标签数据集，其中，所述生理信号段集包括若干个生理信号段，所述标签数据集包括各个所述生理信号段的标签数据；
IMF分量提取模块92，用于采用集成经验模态分解算法，对所述样本用户的生理信号段集中的各个生理信号段进行分解，获得各个所述生理信号段对应的IMF信号分量集，其中，所述IMF信号分量集包括若干个IMF信号分量；
心冲击图信号分量提取模块93，用于从所述IMF信号分量集中，提取若干个目标IMF信号分量，作为心冲击图信号分量，获得各个所述生理信号段对应的心冲击图信号分量集，其中，所述心冲击图信号分量集包括若干个心冲击图信号分量；
特征提取模块94，用于对所述心冲击图信号分量集中的各个心冲击图信号分量进行多维特征提取，获得各个所述心冲击图信号分量对应的多维特征集，其中，所述多维特征集包括时域特征、非线性域特征以及相空间重构特征；
训练模块95，用于将各个所述心冲击图信号分量对应的多维特征集以及标签数据集输入至待训练的心脏信息检测模型中进行训练，获得目标心脏信息检测模型；
检测模块96，用于响应于检测指令，所述检测指令包括待测用户的生理信号，获得所述待测用户的生理信号对应的心冲击图信号分量集，将所述待测用户的生理信号对应的心冲击图信号分量集输入至所述目标心脏信息检测模型中进行检测，获得待测用户的心脏信息检测结果。
在本实施例中，通过数据获取模块，用于获得样本用户的生理信号段集以及标签数据集，其中，所述生理信号段集包括若干个生理信号段，所述标签数据集包括各个所述生理信号段的标签数据；通过IMF分量提取模块，采用集成经验模态分解算法，对所述样本用户的生理信号段集中的各个生理信号段进行分解，获得各个所述生理信号段对应的IMF信号分量集，其中，所述IMF信号分量集包括若干个IMF信号分量；通过心冲击图信号分量提取模块，从所述IMF信号分量集中，提取若干个目标IMF信号分量，作为心冲击图信号分量，获得各个所述生理信号段对应的心冲击图信号分量集，其中，所述心冲击图信号分量集包括若干个心冲击图信号分量；通过特征提取模块，对所述心冲击图信号分量集中的各个心冲击图信号分量进行多维特征提取，获得各个所述心冲击图信号分量对应的多维特征集，其中，所述多维特征集包括时域特征、非线性域特征以及相空间重构特征；通过训练模块，将各个所述心冲击图信号分量对应的多维特征集以及标签数据集输入至待训练的心脏信息检测模型中进行训练，获得目标心脏信息检测模型；通过检测模块，响应于检测指令，所述检测指令包括待测用户的生理信号，获得所述待测用户的生理信号对应的心冲击图信号分量集，将所述待测用户的生理信号对应的心冲击图信号分量集输入至所述目标心脏信息检测模型中进行检测，获得待测用户的心脏信息检测结果。通过集成经验模态分解获得样本用户对应的若干个IMF信号分量，从若干个IMF信号分量中提取若干个心冲击图信号分量，基于若干个心冲击图信号分量提取多维特征，用于进行心脏检测模型的构建，实现了对用户进行心脏信息的准确检测，作为对心脏健康状况评估的辅助数据，提高对心脏健康状况进行评估的准确性。
请参考图10，图10为本申请第八实施例提供的计算机设备的结构示意图，计算机设备10包括：处理器101、存储器102以及存储在存储器102上并可在处理器101上运行的计算机程序103；计算机设备可以存储有多条指令，指令适用于由处理器101加载并执行上述第一至第六实施例所示的方法步骤，具体执行过程可以参见第一至第六实施例的具体说明，在此不进行赘述。
其中，处理器101可以包括一个或多个处理核心。处理器101利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器102内的指令、程序、代码集或指令集，以及调用存储器102内的数据，执行心脏信息检测装置9的各种功能和处理数据，可选的，处理器101可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programble LogicArray，PLA）中的至少一个硬件形式来实现。处理器101可集成中央处理器101（CentralProcessing Unit，CPU）、图像处理器101（Graphics Processing Unit，GPU）和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器101中，单独通过一块芯片进行实现。
其中，存储器102可以包括随机存储器102（Random Access Memory，RAM），也可以包括只读存储器102（Read-Only Memory）。可选的，该存储器102包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器102可用于存储指令、程序、代码、代码集或指令集。存储器102可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控指令等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器102可选的还可以是至少一个位于远离前述处理器101的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述第一至第六实施例所示的方法步骤，具体执行过程可以参见第一至第六实施例的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (5)

1.一种基于生理信号的心脏信息检测方法，其特征在于，包括以下步骤：
获得样本用户的生理信号段集以及标签数据集，其中，所述生理信号段集包括若干个生理信号段，所述标签数据集包括各个所述生理信号段的标签数据；
采用集成经验模态分解算法，对所述样本用户的生理信号段集中的各个生理信号段进行分解，获得各个所述生理信号段对应的IMF信号分量集，其中，所述IMF信号分量集包括若干个IMF信号分量；
对所述IMF信号分量集中若干个IMF信号分量进行希尔伯特黄变换，获得各个所述IMF信号分量的频率范围，根据各个所述IMF信号分量的频率范围以及预设的心冲击图频率范围，当所述IMF信号分量的频率范围落入所述心冲击图频率范围内，将所述IMF信号分量进行保留，其他的IMF信号分量进行剔除，获得剔除处理后的所述IMF信号分量集，其中，所述IMF信号分量集包括若干个所述IMF信号分量；
计算剔除处理后的所述IMF信号分量集中若干个所述IMF信号分量与相应的生理信号段的皮尔逊相关系数，根据各个所述IMF信号分量的皮尔逊相关系数以及预设的皮尔逊相关系数阈值，获得剔除处理后的所述IMF信号分量集中，皮尔逊相关系数大于所述皮尔逊相关系数阈值的IMF信号分量，作为目标IMF信号分量，获得所述IMF信号分量集对应的若干个目标IMF信号分量，作为心冲击图信号分量，获得各个所述生理信号段对应的心冲击图信号分量集，其中，所述心冲击图信号分量集包括若干个心冲击图信号分量；
根据所述心冲击图信号分量集中若干个心冲击图信号分量以及预设的方差特征计算算法，获得各个所述心冲击图信号分量对应的方差特征，其中，所述方差特征计算算法为：
式中，为第i个心冲击图信号分量对应的方差特征，N为所述心冲击图信号分量的数据点数目，表示所述心冲击图信号分量的长度，n表示第n个数据点，/>为第i个心冲击图信号分量的均值；
根据所述心冲击图信号分量集中若干个心冲击图信号分量以及预设的平均频率特征计算算法，获得各个所述心冲击图信号分量对应的平均频率特征，其中，所述平均频率特征计算算法为：
式中，为第i个心冲击图信号分量对应的平均频率特征，为第i个心冲击图信号分量的微元；
根据预设的嵌入维度以及延迟时间，分别对各个所述心冲击图信号分量进行重构，获得各个所述心冲击图信号分量对应的重构信号序列，作为各个所述心冲击图信号分量对应的相空间，其中，所述重构信号序列的表达式为：
式中，为所述重构信号序列，m为嵌入维度，j表示第j个重构数据点，/>为第j个重构数据点对应的信号段，τ为延迟时间；
根据各个所述心冲击图信号分量对应的相空间以及预设的Kolmogorov熵特征计算算法，获得各个所述心冲击图信号分量对应的Kolmogorov熵特征，其中，所述Kolmogorov熵特征计算算法为：
式中，为关联积分，/>为预设的距离比较阈值，M为所述相空间中的相点的数目，、/>分别为所述相空间第j个、第k个相点，/>为阶跃函数，/>为所述Kolmogorov熵特征；
根据各个所述心冲击图信号分量对应的相空间以及预设的欧式距离计算算法，获得各个所述心冲击图信号分量对应的欧式距离序列，其中，所述欧式距离计算算法为：
式中，为所述欧式距离序列；
根据各个所述心冲击图信号分量对应的欧式距离序列以及预设的四分位距特征计算算法，获得各个所述心冲击图信号分量对应的四分位距特征，其中，所述四分位距特征计算算法为：
式中，为所述四分位距特征，/>为第三四分位数计算函数，/>为第一四分位数计算函数；
根据各个所述心冲击图信号分量对应的欧式距离序列以及预设的中值特征计算算法，获得各个所述心冲击图信号分量对应的中值特征，其中，所述中值特征计算算法为：
式中，为所述中值特征，/>为中值计算函数；
根据各个所述心冲击图信号分量对应的欧式距离序列以及预设的峰度特征计算算法，获得各个所述心冲击图信号分量对应的峰度特征，其中，所述峰度特征计算算法为：
式中，为所述峰度特征，E[ ]为均值计算函数，/>为所述相空间的期望值，/>为所述相空间的标准差；
将各个所述心冲击图信号分量对应的相空间作为点云数据，采用持续同调算法，获得各个所述心冲击图信号分量对应的多维持续图，其中，所述多维持续图包括若干个维度的特征点数据，所述特征点数据包括特征点生存时间数据以及特征点消亡时间数据；
根据所述多维持续图以及预设的持续长度序列计算算法，构建各个所述心冲击图信号分量对应的若干个维度的持续长度序列，其中，所述持续长度序列计算算法为：
式中，为第z个维度的持续长度序列，/>为第z个维度的第i个特征点的特征点消亡时间数据，/>为第z个维度的第i个特征点的特征点生存时间数据；
根据各个所述心冲击图信号分量对应的若干个维度的持续长度序列以及预设的持续时间最大值特征计算算法，获得各个所述心冲击图信号分量对应的若干个维度的持续时间最大值特征，其中，所述持续时间最大值特征计算算法为：
式中，为第z个维度的持续时间最大值特征，/>为最大值计算函数；
根据各个所述心冲击图信号分量对应的若干个维度的持续长度序列以及预设的持续熵特征计算算法，获得各个所述心冲击图信号分量对应的若干个维度的持续熵特征，其中，所述持续熵特征计算算法为：
式中，为第z个维度的持续熵特征，N为当前维度的特征点数目；
将同一个所述心冲击信号分量对应的方差特征、平均频率特征、Kolmogorov熵特征、四分位距特征、中值特征、峰度特征、持续时间最大值特征以及持续熵特征、持续时间最大值特征以及持续熵特征进行组合，获得各个所述心冲击图信号分量对应的多维特征集；
将各个所述心冲击图信号分量对应的多维特征集以及标签数据集输入至待训练的心脏信息检测模型中进行训练，获得目标心脏信息检测模型；
响应于检测指令，所述检测指令包括待测用户的生理信号，获得所述待测用户的生理信号对应的心冲击图信号分量集，将所述待测用户的生理信号对应的心冲击图信号分量集输入至所述目标心脏信息检测模型中进行检测，获得待测用户的心脏信息检测结果。
2.根据权利要求1所述的基于生理信号的心脏信息检测方法，其特征在于，所述采用集成经验模态分解算法，对所述样本用户的生理信号段集中的各个生理信号段进行分解之前，包括步骤：对所述样本用户的生理信号段集中的各个生理信号段进行体动检测，对生理信号段中的体动信号段进行剔除处理，获得剔除处理后的所述样本用户的生理信号段集；
所述对所述样本用户的生理信号段集中的各个生理信号段进行体动检测，对生理信号段中的体动信号段进行剔除处理，获得剔除处理后的所述样本用户的生理信号段集，包括步骤：
根据预设的时间窗，对所述生理信号段集中的各个生理信号段进行划分，获得各个所述生理信号段对应的生理单元信号段集，其中，所述生理单元信号段集包括若干个生理单元信号段；
获得各个所述生理信号段对应的幅值标准差集合，所述幅值标准差集合包括若干个所述生理单元信号段的幅值标准差，计算所述幅值标准差集合对应的中位值，根据所述中位值以及预设的体动检测系数，获得各个所述生理信号段对应的体动检测阈值；
根据所述生理信号段对应的幅值标准差集合中，各个所述生理单元信号段的幅值标准差以及相应的体动检测阈值，对生理单元信号段集中的生理单元信号段进行剔除处理，获得剔除处理后的各个所述生理信号段对应的生理单元信号段集。
3.一种基于生理信号的心脏信息检测装置，其特征在于，包括：
数据获取模块，用于获得样本用户的生理信号段集以及标签数据集，其中，所述生理信号段集包括若干个生理信号段，所述标签数据集包括各个所述生理信号段的标签数据；
IMF分量提取模块，用于采用集成经验模态分解算法，对所述样本用户的生理信号段集中的各个生理信号段进行分解，获得各个所述生理信号段对应的IMF信号分量集，其中，所述IMF信号分量集包括若干个IMF信号分量；
心冲击图信号分量提取模块，用于对所述IMF信号分量集中若干个IMF信号分量进行希尔伯特黄变换，获得各个所述IMF信号分量的频率范围，根据各个所述IMF信号分量的频率范围以及预设的心冲击图频率范围，当所述IMF信号分量的频率范围落入所述心冲击图频率范围内，将所述IMF信号分量进行保留，其他的IMF信号分量进行剔除，获得剔除处理后的所述IMF信号分量集，其中，所述IMF信号分量集包括若干个所述IMF信号分量；
计算剔除处理后的所述IMF信号分量集中若干个所述IMF信号分量与相应的生理信号段的皮尔逊相关系数，根据各个所述IMF信号分量的皮尔逊相关系数以及预设的皮尔逊相关系数阈值，获得剔除处理后的所述IMF信号分量集中，皮尔逊相关系数大于所述皮尔逊相关系数阈值的IMF信号分量，作为目标IMF信号分量，获得所述IMF信号分量集对应的若干个目标IMF信号分量，作为心冲击图信号分量，获得各个所述生理信号段对应的心冲击图信号分量集，其中，所述心冲击图信号分量集包括若干个心冲击图信号分量；
特征提取模块，用于根据所述心冲击图信号分量集中若干个心冲击图信号分量以及预设的方差特征计算算法，获得各个所述心冲击图信号分量对应的方差特征，其中，所述方差特征计算算法为：
式中，为第i个心冲击图信号分量对应的方差特征，N为所述心冲击图信号分量的数据点数目，表示所述心冲击图信号分量的长度，n表示第n个数据点，/>为第i个心冲击图信号分量的均值；
根据所述心冲击图信号分量集中若干个心冲击图信号分量以及预设的平均频率特征计算算法，获得各个所述心冲击图信号分量对应的平均频率特征，其中，所述平均频率特征计算算法为：
式中，为第i个心冲击图信号分量对应的平均频率特征，为第i个心冲击图信号分量的微元；
根据预设的嵌入维度以及延迟时间，分别对各个所述心冲击图信号分量进行重构，获得各个所述心冲击图信号分量对应的重构信号序列，作为各个所述心冲击图信号分量对应的相空间，其中，所述重构信号序列的表达式为：
式中，为所述重构信号序列，m为嵌入维度，j表示第j个重构数据点，/>为第j个重构数据点对应的信号段，τ为延迟时间；
根据各个所述心冲击图信号分量对应的相空间以及预设的Kolmogorov熵特征计算算法，获得各个所述心冲击图信号分量对应的Kolmogorov熵特征，其中，所述Kolmogorov熵特征计算算法为：
式中，为关联积分，/>为预设的距离比较阈值，M为所述相空间中的相点的数目，、/>分别为所述相空间第j个、第k个相点，/>为阶跃函数，/>为所述Kolmogorov熵特征；
根据各个所述心冲击图信号分量对应的相空间以及预设的欧式距离计算算法，获得各个所述心冲击图信号分量对应的欧式距离序列，其中，所述欧式距离计算算法为：
式中，为所述欧式距离序列；
根据各个所述心冲击图信号分量对应的欧式距离序列以及预设的四分位距特征计算算法，获得各个所述心冲击图信号分量对应的四分位距特征，其中，所述四分位距特征计算算法为：
式中，为所述四分位距特征，/>为第三四分位数计算函数，/>为第一四分位数计算函数；
根据各个所述心冲击图信号分量对应的欧式距离序列以及预设的中值特征计算算法，获得各个所述心冲击图信号分量对应的中值特征，其中，所述中值特征计算算法为：
式中，为所述中值特征，/>为中值计算函数；
根据各个所述心冲击图信号分量对应的欧式距离序列以及预设的峰度特征计算算法，获得各个所述心冲击图信号分量对应的峰度特征，其中，所述峰度特征计算算法为：
式中，为所述峰度特征，E[ ]为均值计算函数，/>为所述相空间的期望值，/>为所述相空间的标准差；
将各个所述心冲击图信号分量对应的相空间作为点云数据，采用持续同调算法，获得各个所述心冲击图信号分量对应的多维持续图，其中，所述多维持续图包括若干个维度的特征点数据，所述特征点数据包括特征点生存时间数据以及特征点消亡时间数据；
根据所述多维持续图以及预设的持续长度序列计算算法，构建各个所述心冲击图信号分量对应的若干个维度的持续长度序列，其中，所述持续长度序列计算算法为：
式中，为第z个维度的持续长度序列，/>为第z个维度的第i个特征点的特征点消亡时间数据，/>为第z个维度的第i个特征点的特征点生存时间数据；
根据各个所述心冲击图信号分量对应的若干个维度的持续长度序列以及预设的持续时间最大值特征计算算法，获得各个所述心冲击图信号分量对应的若干个维度的持续时间最大值特征，其中，所述持续时间最大值特征计算算法为：
式中，为第z个维度的持续时间最大值特征，/>为最大值计算函数；
根据各个所述心冲击图信号分量对应的若干个维度的持续长度序列以及预设的持续熵特征计算算法，获得各个所述心冲击图信号分量对应的若干个维度的持续熵特征，其中，所述持续熵特征计算算法为：
式中，为第z个维度的持续熵特征，N为当前维度的特征点数目；
将同一个所述心冲击信号分量对应的方差特征、平均频率特征、Kolmogorov熵特征、四分位距特征、中值特征、峰度特征、持续时间最大值特征以及持续熵特征、持续时间最大值特征以及持续熵特征进行组合，获得各个所述心冲击图信号分量对应的多维特征集；
训练模块，用于将各个所述心冲击图信号分量对应的多维特征集以及标签数据集输入至待训练的心脏信息检测模型中进行训练，获得目标心脏信息检测模型；
检测模块，用于响应于检测指令，所述检测指令包括待测用户的生理信号，获得所述待测用户的生理信号对应的心冲击图信号分量集，将所述待测用户的生理信号对应的心冲击图信号分量集输入至所述目标心脏信息检测模型中进行检测，获得待测用户的心脏信息检测结果。
4.一种计算机设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至2任一项所述的基于生理信号的心脏信息检测方法的步骤。
5.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的基于生理信号的心脏信息检测方法的步骤。
CN202310650658.6A 2023-06-05 2023-06-05 基于生理信号的心脏信息检测方法、装置以及设备 Active CN116369911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310650658.6A CN116369911B (zh) 2023-06-05 2023-06-05 基于生理信号的心脏信息检测方法、装置以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310650658.6A CN116369911B (zh) 2023-06-05 2023-06-05 基于生理信号的心脏信息检测方法、装置以及设备

Publications (2)

Publication Number Publication Date
CN116369911A CN116369911A (zh) 2023-07-04
CN116369911B true CN116369911B (zh) 2023-08-29

Family

ID=86961872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310650658.6A Active CN116369911B (zh) 2023-06-05 2023-06-05 基于生理信号的心脏信息检测方法、装置以及设备

Country Status (1)

Country Link
CN (1) CN116369911B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010145009A1 (en) * 2009-06-17 2010-12-23 Heart Force Medical Inc. Method and apparatus for obtaining and processing ballistocardiograph data
US9289150B1 (en) * 2012-08-17 2016-03-22 Analytics For Life Non-invasive method and system for characterizing cardiovascular systems
CN105574348A (zh) * 2015-12-28 2016-05-11 西北工业大学 一种基于bcg信号的心跳周期获取方法和装置
US10357163B1 (en) * 2012-06-01 2019-07-23 Vital Connect, Inc. Respiratory rate detection using decomposition of ECG
CN110384490A (zh) * 2019-07-29 2019-10-29 杭州埃因霍温科技有限公司 基于相空间的bcg信号心率提取方法
WO2022047272A2 (en) * 2020-08-29 2022-03-03 Aerendir Mobile Inc. Electronic devices with a static artificial intelligence model for contextual situations, including age blocking for vaping and ignition start, using data analysis and operating methods thereof
CN114358081A (zh) * 2022-01-05 2022-04-15 河北工业大学 心冲击信号的波峰定位方法、装置和电子设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11311201B2 (en) * 2018-11-02 2022-04-26 Samsung Electronics Co., Ltd. Feature selection for cardiac arrhythmia classification and screening
EP3918980A1 (en) * 2020-06-02 2021-12-08 CSEM Centre Suisse d'Electronique et de Microtechnique SA - Recherche et Développement Method for classifying photoplethysmography pulses and monitoring of cardiac arrhythmias
KR102520875B1 (ko) * 2021-03-31 2023-04-12 주식회사 엠마헬스케어 헬스케어 기능을 구비한 안락 의자

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010145009A1 (en) * 2009-06-17 2010-12-23 Heart Force Medical Inc. Method and apparatus for obtaining and processing ballistocardiograph data
US10357163B1 (en) * 2012-06-01 2019-07-23 Vital Connect, Inc. Respiratory rate detection using decomposition of ECG
US9289150B1 (en) * 2012-08-17 2016-03-22 Analytics For Life Non-invasive method and system for characterizing cardiovascular systems
CN105574348A (zh) * 2015-12-28 2016-05-11 西北工业大学 一种基于bcg信号的心跳周期获取方法和装置
CN110384490A (zh) * 2019-07-29 2019-10-29 杭州埃因霍温科技有限公司 基于相空间的bcg信号心率提取方法
WO2022047272A2 (en) * 2020-08-29 2022-03-03 Aerendir Mobile Inc. Electronic devices with a static artificial intelligence model for contextual situations, including age blocking for vaping and ignition start, using data analysis and operating methods thereof
CN114358081A (zh) * 2022-01-05 2022-04-15 河北工业大学 心冲击信号的波峰定位方法、装置和电子设备

Also Published As

Publication number Publication date
CN116369911A (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN107981858B (zh) 基于人工智能的心电图心搏自动识别分类方法
CN114041786B (zh) 心冲击图信号的检测方法、装置以及设备
EP3284403A1 (en) Methods and systems for disease analysis based on transformations of diagnostic signals
US8543194B2 (en) System and method of detecting abnormal movement of a physical object
CN110420019A (zh) 一种心冲击图信号的深度回归心率估计方法
KR101910982B1 (ko) 개인화된 생체 신호 패턴을 이용한 생체 신호의 동잡음 제거 방법 및 장치
CN101822534B (zh) 基于相空间重构的脉搏波观测方法
CN105249925B (zh) 一种中医脉象采集装置及降噪系统和降噪方法
CN110037668A (zh) 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统
CN105550659A (zh) 基于随机投影的实时心电分类方法
CN117838103B (zh) 心冲击图信号的质量评估方法、装置以及计算机设备
Zairi et al. Intelligent system for detecting cardiac arrhythmia on FPGA
CN116369911B (zh) 基于生理信号的心脏信息检测方法、装置以及设备
CN110179451B (zh) 心电信号质量检测方法、装置、计算机设备和存储介质
Liao et al. Accurate ECG R-peak detection for telemedicine
CN109147945A (zh) 中医诊断系统及手环
CN112971770A (zh) 一种心冲击信号质量控制处理方法及系统
CN115553784B (zh) 基于心电、心音信号耦合分析的冠心病评估方法及系统
CN116439690A (zh) 心冲击图信号的提取方法、装置、设备以及存储介质
CN114176548B (zh) 基于模板匹配的心冲击信号心率计算方法及系统
CN115316985B (zh) 基于生理信号的心脏信息检测方法、装置以及设备
CN116528763A (zh) 生物信号解析系统
CN110580448B (zh) 一种心音分类模型构建、分类方法及装置
CN111345815B (zh) 一种心电信号中qrs波的检测方法、装置、设备和存储介质
CN112336369A (zh) 一种多通道心音信号的冠心病风险指数评估系统

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