CN116602642B - 心率监测方法、装置、设备 - Google Patents
心率监测方法、装置、设备 Download PDFInfo
- Publication number
- CN116602642B CN116602642B CN202310882827.9A CN202310882827A CN116602642B CN 116602642 B CN116602642 B CN 116602642B CN 202310882827 A CN202310882827 A CN 202310882827A CN 116602642 B CN116602642 B CN 116602642B
- Authority
- CN
- China
- Prior art keywords
- heart rate
- data
- target
- preset
- training
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000001133 acceleration Effects 0.000 claims abstract description 110
- 230000036541 health Effects 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 121
- 238000004422 calculation algorithm Methods 0.000 claims description 102
- 230000006870 function Effects 0.000 claims description 87
- 238000012549 training Methods 0.000 claims description 82
- 230000005856 abnormality Effects 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 60
- 238000004458 analytical method Methods 0.000 claims description 56
- 238000005259 measurement Methods 0.000 claims description 55
- 230000002159 abnormal effect Effects 0.000 claims description 54
- 238000001514 detection method Methods 0.000 claims description 52
- 238000009499 grossing Methods 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000007613 environmental effect Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 16
- 238000012806 monitoring device Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 7
- 208000024172 Cardiovascular disease Diseases 0.000 description 5
- 230000036996 cardiovascular health Effects 0.000 description 5
- 206010003119 arrhythmia Diseases 0.000 description 4
- 230000006793 arrhythmia Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000005311 autocorrelation function Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000006438 vascular health Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及心率监测技术领域，公开了一种心率监测方法、装置、设备。所述心率监测方法包括：通过预置的心率传感器获取用户的初始心电信号，并通过预置的加速度传感器获取用户的初始加速度能量；对所述初始心电信号进行预处理，得到预处理后的目标心电信号，以及对所述初始加速度能量进行预处理，得到预处理后的目标加速度能量，本发明可以帮助医生和患者了解现有的心率状况，从而制定更个性化、针对性的健康管理措施，提高生活质量。
Description
技术领域
本发明涉及心率监测技术领域，尤其涉及一种心率监测方法、装置、设备。
背景技术
随着人们生活节奏的加快，心血管疾病逐渐成为影响健康的主要问题。实时、有效地监测心率对于预防心血管疾病具有重要意义。然而，现有的心率监测技术受到环境、设备或个体差异等因素的干扰，导致心率数据的准确性和可靠性受到影响。为了解决这些问题，需要研究一种新型的心率监测方法，通过对心电信号和加速度能量的预处理及分析，提高心率监测的准确性和可靠性，实现对心血管健康状况的有效评估与管理。
发明内容
本发明提供了一种心率监测方法、装置、设备，用于解决上述提到的技术问题。
本发明第一方面提供了一种心率监测方法，所述心率监测方法包括：
通过预置的心率传感器获取用户的初始心电信号，并通过预置的加速度传感器获取用户的初始加速度能量；对所述初始心电信号进行预处理，得到预处理后的目标心电信号，以及对所述初始加速度能量进行预处理，得到预处理后的目标加速度能量；
基于预设的检测算法在目标心电信号中定位R波，并计算相邻R波之间的时间间隔，得到RR间期序列，并将所述RR间期序列转化为心率时间序列；通过预设的指标计算算法对所述心率时间序列进行分析处理，得到指标分析结果；
对所述指标分析结果与所述目标加速度能量分别进行标记，并将标记后形成的指标分析结果样本和标记后形成的目标加速度能量样本输入至训练后的心率监测模型中进行目标心率模式生成，得到目标心率模式；其中，所述目标心率模式为生成的正常心率波形，用于评估实际心率信号；
获取实际心率信号，并通过预设的异常度量算法计算所述实际心率信号与所述目标心率模式在时间序列或者频域上的相关性分数，得到单一异常度量数据，对每种单一异常度量数据进行归一化处理，得到统一范围的单一异常度量数据，对每种统一范围的单一异常度量数据进行加权计算，得到综合异常度量数据，根据所述综合异常度量数据生成心率异常检测报告，并通过所述心率异常检测报告生成相应的健康管理措施。
可选的，在本发明第一方面的第一种实现方式中，所述通过预置的心率传感器获取用户的初始心电信号，并通过预置的加速度传感器获取用户的初始加速度能量；对所述初始心电信号进行预处理，得到预处理后的目标心电信号，以及对所述初始加速度能量进行预处理，得到预处理后的目标加速度能量，包括：
通过预置的心率传感器获取用户的初始心点信号，并通过预置的加速度传感器获取用户的初始加速度能量；并通过预设的小波基函数和分解层数，将初始心电信号和初始加速度能量分别进行小波分解，得到各自的原始小波系数；
构建集成学习框架，结合历史数据与实时操作数据，自适应优化传统小波阈值函数的参数，采用多个基学习器进行训练，得到多个精度不同的小波阈值函数；
通过预设的粒子群算法计算各基学习器对应的小波阈值函数的参数的最优组合权重，生成自适应小波阈值函数；
将得到的初始心电信号和初始加速度能量的原始小波系数分别代入生成的自适应小波阈值函数中，采用统一阈值法对原始小波系数进行阈值处理，得到阈值处理后的心电信号和加速度能量小波系数；
将阈值处理后的心电信号和加速度能量小波系数进行重构，得到重构后的目标心电信号和目标加速度能量。
可选的，在本发明第一方面的第二种实现方式中，所述基于预设的检测算法在目标心电信号中定位R波，并计算相邻R波之间的时间间隔，得到RR间期序列，并将所述RR间期序列转化为心率时间序列；通过预设的指标计算算法对所述心率时间序列进行分析处理，得到指标分析结果，包括：
基于预设的检测算法在目标心电信号中定位R波，并计算相邻R波之间的时间间隔，得到RR间期序列，并将所述RR间期序列转化为心率时间序列；
结合预置的生理传感器获取生理数据和环境参数数据，并根据所述生理数据、所述环境参数数据和所述心率时间序列构建多参数心率时间序列；其中，所述生理数据是除目标心电信号之外的其它生理信号；
对多参数心率时间序列进行特征提取，得到多组特征数据，其中，所述多组特征数据包括时间、频率和时频域特征；
根据预设的指标计算算法，对多组特征数据进行分析处理，得到指标分析结果。
可选的，在本发明第一方面的第三种实现方式中，所述心率监测模型的训练过程，包括：
获取心率生物信号数据与用户行为、环境相关的异构数据，并对所述心率生物信号数据和所述异构数据进行预处理与编码，以及通过非线性降维算法分别对预处理与编码后的心率生物信号数据和异构数据进行关键特征提取，得到心率特征向量和异构特征向量，将所述心率特征向量和所述异构特征向量进行拼接处理，得到第一训练特征向量，对所述第一训练特征向量进行标记，得到第一训练特征向量样本；其中，所述心率生物信号数据与用户行为、环境相关的异构数据作为心率监测模型的初始训练数据；
构建心率监测模型，将第一训练特征向量样本输入至心率监测模型的四层卷积网络层进行训练，得到第一心率监测向量；其中，所述心率监测模型包括四层卷积网络、六层池化层、三层残差层、激活函数层；
结合用户生理参数和环境因素，将所述第一训练特征向量与所述第一心率监测向量通过预设的第一拼接算法进行拼接处理，得到第二心率特征向量，将所述第二心率特征向量输入至心率监测模型的六层池化层进行训练，得到第二心率监测向量；
结合用户的日志数据、行为数据，将所述第二心率特征向量与所述第二心率监测向量通过预设的第二拼接算法进行拼接处理，得到第三心率特征向量，将所述第三心率特征向量输入至心率监测模型的三层残差层进行训练，得到第三心率监测向量；
依次迭代调整所述心率监测模型中的模型参数，直至激活函数层收敛，完成模型训练，得到训练后的心率监测模型；其中，在模型训练过程中，通过不同卷积方式的级联进行模型参数训练，以及训练不同场景下的心率监测模型，并且训练采用Grid Search算法优化模型参数，得到训练后的心率监测模型。
可选的，在本发明第一方面的第四种实现方式中，所述获取实际心率信号，并通过预设的异常度量算法计算所述实际心率信号与所述目标心率模式在时间序列或者频域上的相关性分数，得到单一异常度量数据，包括：
对实际心率信号与目标心率模式进行数据预处理，得到去噪后的实际心率信号与去噪后的目标心率模式；
分别计算去噪后的实际心率信号与去噪后的目标心率模式在时间序列上的均值向量，得到第一时间序列数据与第二时间序列数据；其中，第一时间序列数据与第二时间序列数据通过计算固定窗口长度内的每个数据点的均值来获得；
基于所述第一时间序列数据和所述第二时间序列数据，分别计算对应的协方差矩阵；其中，所述协方差矩阵用于衡量各个时间点之间的相关性；
设置权重系数α和β，选择非线性函数f和g，并设定非线性函数的参数p和q，同时，设置作用于协方差矩阵的逆的函数h和影响协方差矩阵的逆的参数r，以及作用于整个马氏距离计算过程的函数k和参数Z；
利用实际心率信号与目标心率模式的均值向量、协方差矩阵以及它们之间的差异，根据先前设定的权重系数、非线性函数和参数，计算马氏距离；
评估马氏距离与设定阈值之间的关系，并根据马氏距离的大小确定实际心率信号与目标心率模式之间的异常程度，对所述异常程度进行分析处理，得到单一异常度量数据。
可选的，在本发明第一方面的第五种实现方式中，所述计算马氏距离，具体公式如下：
马氏距离=；
其中，
X 表示实际心率信号的均值向量；
Y 表示目标心率模式的均值向量；
C⁻¹ 表示协方差矩阵的逆；
α和β是用于调整实际心率信号与目标心率模式的权重系数；
f和g是针对实际心率信号和目标心率模式分别应用的非线性函数， 所述非线性函数至少包括sigmoid、tanh激活函数；
p和q是调整实际心率信号和目标心率模式非线性函数的参数；
h是作用于协方差矩阵的逆的函数，所述协方差矩阵的逆的函数包括线性或非线性函数；
r是影响协方差矩阵的逆的函数的参数；
k是另一个作用于整个马氏距离计算过程的函数；
Z是作用于k函数的参数；
(f(α(X), p) - g(β(Y), q))T表示加权非线性向量差的转置。
可选的，在本发明第一方面的第六种实现方式中，所述获取实际心率信号，并通过预设的异常度量算法计算所述实际心率信号与所述目标心率模式在时间序列或者频域上的相关性分数，得到单一异常度量数据，包括：
通过短时傅里叶变换对实际心率信号和目标心率模式进行处理，得到实际心率信号和目标心率模式对应的STFT矩阵；
通过加权指数平滑欧氏距离公式，逐个窗口段地计算实际心率信号与目标心率模式在频域上的加权异常程度分数；其中，根据不同的频率点设置心率信号的权重系数；
根据指数平滑因子α，对加权异常程度分数进行平滑处理，得到指数平滑预测出来的预测值，其中，指数平滑因子α取值范围在0～1之间；
针对每个窗口段，得到实际心率信号与目标心率模式在频域上的加权异常程度分数后，与预定义的阈值和预测值进行比较；若分数超过阈值和预测值，则判定该窗口段所对应的实际心率信号存在瞬时异常；
将整个时间序列上的所有窗口段里的异常程度分数汇总，得到单一异常度量数据。
可选的，在本发明第一方面的第六种实现方式中，所述加权指数平滑欧氏距离公式，具体如下：
；
其中，
代表实际心率信号在第i个窗口段的第k个频率点上的STFT矩阵值；
代表目标心率模式在第i个窗口段的第k个频率点上的STFT矩阵值；
是频率点的总数；
是第k个频率点的权重系数，根据心率信号在不同频率上的重要性进行调整；
是指数平滑因子，其值范围在0到1之间；
Abnormality_Score为当前时刻实际心率信号与目标心率模式在频域上的加权异常程度分数；
为上一时刻实际心率信号与目标心率模式在频域上的加权异常程度分数。
本发明第二方面提供了一种心率监测装置，所述心率监测装置包括：
获取模块，用于通过预置的心率传感器获取用户的初始心电信号，并通过预置的加速度传感器获取用户的初始加速度能量；对所述初始心电信号进行预处理，得到预处理后的目标心电信号，以及对所述初始加速度能量进行预处理，得到预处理后的目标加速度能量；
处理模块，用于基于预设的检测算法在目标心电信号中定位R波，并计算相邻R波之间的时间间隔，得到RR间期序列，并将所述RR间期序列转化为心率时间序列；通过预设的指标计算算法对所述心率时间序列进行分析处理，得到指标分析结果；
训练模块，用于对所述指标分析结果与所述目标加速度能量分别进行标记，并将标记后形成的指标分析结果样本和标记后形成的目标加速度能量样本输入至训练后的心率监测模型中进行目标心率模式生成，得到目标心率模式；其中，所述目标心率模式为生成的正常心率波形，用于评估实际心率信号；
健康管理措施生成模块，用于获取实际心率信号，并通过预设的异常度量算法计算所述实际心率信号与所述目标心率模式在时间序列或者频域上的相关性分数，得到单一异常度量数据，对每种单一异常度量数据进行归一化处理，得到统一范围的单一异常度量数据，对每种统一范围的单一异常度量数据进行加权计算，得到综合异常度量数据，根据所述综合异常度量数据生成心率异常检测报告，并通过所述心率异常检测报告生成相应的健康管理措施。
本发明第三方面提供了一种心率监测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述心率监测设备执行上述的心率监测方法。
本发明提供的技术方案中，有益效果：本发明提供的一种心率监测方法、装置、设备。首先，通过预置的心率传感器和加速度传感器分别获取初始心电信号和初始加速度能量，并对这些信号进行预处理。接下来，根据预设的检测算法定位R波并计算RR间期序列，从而获得心率时间序列。通过预设的指标计算算法分析心率时间序列，得到指标分析结果。将指标分析结果样本与目标加速度能量样本输入训练后的心率监测模型中生成目标心率模式，用于评估实际心率信号。通过比较实际心率信号与目标心率模式的相关性分数，生成心率异常检测报告，并制定相应的健康管理措施。本发明通过对心电信号和加速度能量的预处理，降低环境干扰和设备误差对心率监测的影响，提高心率数据的准确性和可靠性。以及结合目标心率模式评估实际心率信号，更有效地识别心率异常，提高对心血管疾病的预防和管理能力。并且生成的心率异常检测报告可以帮助医生和患者了解现有的心率状况，从而制定更个性化、针对性的健康管理措施，提高生活质量。
附图说明
图1为本发明实施例中心率监测方法的一个实施例示意图；
图2为本发明实施例中心率监测装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种心率监测方法、装置、设备。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中心率监测方法的一个实施例包括：
步骤101、通过预置的心率传感器获取用户的初始心电信号，并通过预置的加速度传感器获取用户的初始加速度能量；对所述初始心电信号进行预处理，得到预处理后的目标心电信号，以及对所述初始加速度能量进行预处理，得到预处理后的目标加速度能量；
可以理解的是，本发明的执行主体可以为心率监测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，如下是结合本发明实施例的具体应用场景对本实施例进行详细解释：
用户佩戴了一款具备预置心率传感器和加速度传感器的智能手环或者智能手表。在用户开始慢跑时，心率传感器开始捕捉用户的心电信号，而加速度传感器监测到用户身体的运动强度。
在锻炼过程中，用户的心电信号受到运动产生的体动干扰以及周围环境的噪声影响。为了确保分析的准确性，首先需要对这些原始信号进行预处理。
预处理初始心电信号和加速度能量：由于心电信号和加速度能量可能受到外部干扰（如环境噪音、用户的运动干扰等），直接使用初始信号进行数据分析可能会导致分析结果存在较大误差。所以，在进行后续分析之前，需要对初始心电信号和加速度能量进行预处理。预处理过程包括去噪、滤波、放大、降采样等操作，旨在消除干扰信号，突出关键信号成分。
获取目标心电信号和目标加速度能量：经过预处理后，得到目标心电信号和目标加速度能量。目标心电信号反映了用户在特定时间点的心脏活动状态。目标加速度能量则用于区分用户心率的不同情景，如静息、运动等。
步骤102、基于预设的检测算法在目标心电信号中定位R波，并计算相邻R波之间的时间间隔，得到RR间期序列，并将所述RR间期序列转化为心率时间序列；通过预设的指标计算算法对所述心率时间序列进行分析处理，得到指标分析结果；
具体的，以下是如何使用预设的检测算法和指标计算算法进行分析处理的进一步说明：
使用预设的检测算法定位R波：首先，基于目标心电信号和预设的检测算法来识别和定位R波。常见的R波检测算法包括波峰检测法、模板匹配法和平滑处理法等。
使用预设的指标计算算法对心率时间序列进行分析处理：预设的指标计算算法可以包括时间域和频域分析方法。时间域分析通常关注心率波动的统计指标，例如平均心率、标准差。频域分析则关注心率波动的频谱成分，例如高频和低频成分。这些指标分析结果实现了识别心率异常、心律失常或者心血管系统的功能状态。
步骤103、对所述指标分析结果与所述目标加速度能量分别进行标记，并将标记后形成的指标分析结果样本和标记后形成的目标加速度能量样本输入至训练后的心率监测模型中进行目标心率模式生成，得到目标心率模式；其中，所述目标心率模式为生成的正常心率波形，用于评估实际心率信号；
具体的，以下是对本实施例的进一步说明：
标记指标分析结果和目标加速度能量：标记这些样本是为了训练心率监测模型。标记过程主要涉及为每个指标分析结果和目标加速度能量分配合适的标签。这些标签可以表示不同的心律类型、运动强度等信息。
训练心率监测模型：基于所述标签，通过机器学习算法（如支持向量机、神经网络等）来训练心率监测模型。
生成目标心率模式：训练后的心率监测模型根据输入的指标分析结果样本和目标加速度能量样本推测出用户在不同场景下的目标心率模式。目标心率模式是一种基于模型预测的正常心率波形，这有助于评估实际心率信号的异常情况。
评估实际心率信号：通过比较实际心率信号与生成的目标心率模式，可以确定实际心率信号与预期表现之间的差异。这有助于判断实际信号中是否存在异常波形或心律失常。如果发现异常波形，就需要在监测过程中引起关注或采取措施以保持心血管健康。
步骤104、获取实际心率信号，并通过预设的异常度量算法计算所述实际心率信号与所述目标心率模式在时间序列或者频域上的相关性分数，得到单一异常度量数据，对每种单一异常度量数据进行归一化处理，得到统一范围的单一异常度量数据，对每种统一范围的单一异常度量数据进行加权计算，得到综合异常度量数据，根据所述综合异常度量数据生成心率异常检测报告，并通过所述心率异常检测报告生成相应的健康管理措施。
具体的，以下是本实施例的进一步说明：
获取实际心率信号：首先，收集用户在某段时间内的实际心率信号。这些信号可以来自实时心电图数据或者智能手环等设备的心率监测传感器。
计算相关性分数：预设的异常度量算法分析实际心率信号与目标心率模式的相关性分数。通过在时间序列或频域上进行相关性比较。时间序列分析关注信号的整体波形，而频域分析研究心率波形的不同频率成分。这些相关性分数可以反映实际心率信号与目标心率模式之间的相似度。
归一化处理：为了能够在同一尺度上比较各种单一异常度量数据，要对它们进行归一化处理。这使得所有的单一异常度量数据都映射到预定义的统一范围内（通常是0到1之间）。
加权计算：根据每种统一范围的单一异常度量数据的重要性，可以对它们进行加权计算。这意味着我们可以分配每种异常度量数据的权重，并将加权后的数据合并，以得到综合异常度量数据。这有助于整合多个度量指标，使得诊断结果更加准确和全面。
生成心率异常检测报告：基于计算出的综合异常度量数据，可以生成心率异常检测报告。这份报告详细描述了实际心率信号与目标心率模式之间的差异，并可能揭示潜在的心律失常、心率过快、过慢等异常现象。
相应的健康管理措施：根据心率异常检测报告，我们可以为用户生成针对性的健康管理建议。例如，如果报告显示心率过高，建议用户减少运动强度；如果报告显示心律失常，建议用户寻求专业医疗服务等。
本发明实施例中，有益效果：本发明提供的一种心率监测方法，首先，通过预置的心率传感器和加速度传感器分别获取初始心电信号和初始加速度能量，并对这些信号进行预处理。接下来，根据预设的检测算法定位R波并计算RR间期序列，从而获得心率时间序列。通过预设的指标计算算法分析心率时间序列，得到指标分析结果。将指标分析结果样本与目标加速度能量样本输入训练后的心率监测模型中生成目标心率模式，用于评估实际心率信号。通过比较实际心率信号与目标心率模式的相关性分数，生成心率异常检测报告，并制定相应的健康管理措施。本发明通过对心电信号和加速度能量的预处理，降低环境干扰和设备误差对心率监测的影响，提高心率数据的准确性和可靠性。以及结合目标心率模式评估实际心率信号，更有效地识别心率异常，提高了对心血管疾病的预防和管理能力。并且生成的心率异常检测报告可以帮助医生和患者了解现有的心率状况，从而制定更个性化、针对性的健康管理措施，提高生活质量。
本发明实施例中心率监测方法的另一个实施例包括：
所述通过预置的心率传感器获取用户的初始心电信号，并通过预置的加速度传感器获取用户的初始加速度能量；对所述初始心电信号进行预处理，得到预处理后的目标心电信号，以及对所述初始加速度能量进行预处理，得到预处理后的目标加速度能量，包括：
通过预置的心率传感器获取用户的初始心点信号，并通过预置的加速度传感器获取用户的初始加速度能量；并通过预设的小波基函数和分解层数，将初始心电信号和初始加速度能量分别进行小波分解，得到各自的原始小波系数；
构建集成学习框架，结合历史数据与实时操作数据，自适应优化传统小波阈值函数的参数，采用多个基学习器进行训练，得到多个精度不同的小波阈值函数；
通过预设的粒子群算法计算各基学习器对应的小波阈值函数的参数的最优组合权重，生成自适应小波阈值函数；
将得到的初始心电信号和初始加速度能量的原始小波系数分别代入生成的自适应小波阈值函数中，采用统一阈值法对原始小波系数进行阈值处理，得到阈值处理后的心电信号和加速度能量小波系数；
将阈值处理后的心电信号和加速度能量小波系数进行重构，得到重构后的目标心电信号和目标加速度能量。
具体的，以下是对本实施例的进一步说明与举例：
获取初始数据：使用预置的心率传感器获取用户的初始心电信号，通过加速度传感器获取用户的初始加速度能量。心率传感器通常在智能手环或心电图设备中找到，而加速度传感器则可从运动监测中获取。
进行小波分解：通过预设的小波基函数和分解层数，将初始心电信号和初始加速度能量分别进行小波分解，得到各自的原始小波系数。小波分解将原信号在多尺度上进行分析，可提取信号的局部特征以便后续分析。
例如：如果初始心电信号具有不同的频率成分，通过小波分解，将不同频率成分分离并提取有意义的信息。
构建集成学习框架：通过结合历史数据与实时操作数据，构建一个自适应的集成学习框架。利用多个基学习器进行训练，以优化传统小波阈值函数的参数。这可以提高小波阈值处理的准确性。
计算最优权重：采用预设的粒子群算法计算各基学习器对应的小波阈值函数参数的最优组合权重。这有助于生成自适应的小波阈值函数，其将针对不同信号特征进行动态调整。例如：对于心率异常，权重会自动调整以保留异常相关信息。
进行阈值处理：将原始小波系数代入生成的自适应小波阈值函数中，采用统一阈值法对原始小波系数进行阈值处理。这一步可以降低噪声水平并提高信号质量。
重构信号：将阈值处理后的心电信号和加速度能量小波系数进行重构，得到重构后的目标心电信号和目标加速度能量。这些信号可用于后续心率监测模型训练和异常检测。
本发明实施例中，有益效果：本实施例通过小波分析、集成学习框架、阈值处理和重构相结合，提高了初始心电信号和初始加速度能量的准确度，为进一步的心率诊断和健康评估提供了有力支持。
本发明实施例中心率监测方法的另一个实施例包括：
所述基于预设的检测算法在目标心电信号中定位R波，并计算相邻R波之间的时间间隔，得到RR间期序列，并将所述RR间期序列转化为心率时间序列；通过预设的指标计算算法对所述心率时间序列进行分析处理，得到指标分析结果，包括：
基于预设的检测算法在目标心电信号中定位R波，并计算相邻R波之间的时间间隔，得到RR间期序列，并将所述RR间期序列转化为心率时间序列；
结合预置的生理传感器获取生理数据和环境参数数据，并根据所述生理数据、所述环境参数数据和所述心率时间序列构建多参数心率时间序列；其中，所述生理数据是除目标心电信号之外的其它生理信号；
对多参数心率时间序列进行特征提取，得到多组特征数据，其中，所述多组特征数据包括时间、频率和时频域特征；
根据预设的指标计算算法，对多组特征数据进行分析处理，得到指标分析结果。
具体的，以下是对本实施例的进一步说明与举例：
定位R波并计算RR间期序列：首先，根据预设的检测算法在目标心电信号中定位R波。R波是心电图QRS波中的一个尖峰，是心脏搏动的主要表现。接着，计算相邻R波之间的时间间隔（RR间期），并将RR间期序列转化为心率时间序列。
构建多参数心率时间序列：结合预置的生理传感器获取生理数据（例如血压、血氧饱和度等）和环境参数数据（如温度、湿度等），与心率时间序列一起构建一个多参数心率时间序列。这将有助于提供更全面的信息，以更准确地监测和评估心血管健康。
特征提取：对多参数心率时间序列进行特征提取，得到多组特征数据。这些特征包括时间域特征（如波动幅度、波形长度等），频率域特征（如基本频率、峰值频率等），以及时频域特征（如短时傅里叶变换、小波变换等）。这些特征有助于揭示心电信号中蕴含的有关心血管健康的信息。
例如：频率域特征能衡量心脏搏动周期内的心率变异性，这有助于在某种程度上评估心脏功能。
指标计算与分析：根据预设的指标计算算法，对多组特征数据进行分析处理，得到指标分析结果。这些结果可用于评估心血管健康状况，检测异常现象，以及为用户提供更个性化的健康管理方案。
在该技术方案中，对于检测算法和指标计算算法，如下为具体说明：
检测算法：检测算法主要用于在目标心电信号中定位R波。
所述检测算法至少包括如下的检测算法：
Pan-Tompkins算法：一种基于QRS波的特征进行心电信号分析的高度可靠且广泛使用的算法。
Hamilton-Tompkins算法：基于Pan-Tompkins算法的改进，提高了快速心率条件下的R波检测性能。
QRS detection using Hilbert Transform（希尔伯特变换）：利用希尔伯特变换从目标心电信号中检测QRS复合波。
指标计算算法：这些算法用于分析特征数据，以得到有关心血管健康的指标。具体算法至少包括：
时间域分析：侧重于分析心率时间序列的波动幅度、波形长度等指标，如平均心率、标准差等。
频率域分析：通过诸如功率谱密度（PSD）计算等方法测量心率变异性，包括基本频率、峰值频率等指标。
随机过程分析：利用算法如自相关函数（ACF）、偏自相关函数（PACF）来分析心率时间序列的随机性和周期性。
非线性分析：采用方法如样本熵分析、聚类系数计算等来研究心率时间序列的复杂性和长程依赖性。
实际应用实施过程中，根据需求或目标信号的特点选择或结合上述算法进行R波检测和指标计算。
本发明实施例中，有益效果：本实施例通过定位R波、计算RR间期序列、结合生理数据和环境参数数据构建多参数心率时间序列，再进行特征提取与分析，最终得到指标分析结果，该结果准确评估个体的心血管健康状况并为其提供有效的健康管理措施。
本发明实施例中心率监测方法的另一个实施例包括：
所述心率监测模型的训练过程，包括：
获取心率生物信号数据与用户行为、环境相关的异构数据，并对所述心率生物信号数据和所述异构数据进行预处理与编码，以及通过非线性降维算法分别对预处理与编码后的心率生物信号数据和异构数据进行关键特征提取，得到心率特征向量和异构特征向量，将所述心率特征向量和所述异构特征向量进行拼接处理，得到第一训练特征向量，对所述第一训练特征向量进行标记，得到第一训练特征向量样本；其中，所述心率生物信号数据与用户行为、环境相关的异构数据作为心率监测模型的初始训练数据；
构建心率监测模型，将第一训练特征向量样本输入至心率监测模型的四层卷积网络层进行训练，得到第一心率监测向量；其中，所述心率监测模型包括四层卷积网络、六层池化层、三层残差层、激活函数层；
结合用户生理参数和环境因素，将所述第一训练特征向量与所述第一心率监测向量通过预设的第一拼接算法进行拼接处理，得到第二心率特征向量，将所述第二心率特征向量输入至心率监测模型的六层池化层进行训练，得到第二心率监测向量；
结合用户的日志数据、行为数据，将所述第二心率特征向量与所述第二心率监测向量通过预设的第二拼接算法进行拼接处理，得到第三心率特征向量，将所述第三心率特征向量输入至心率监测模型的三层残差层进行训练，得到第三心率监测向量；
依次迭代调整所述心率监测模型中的模型参数，直至激活函数层收敛，完成模型训练，得到训练后的心率监测模型；其中，在模型训练过程中，通过不同卷积方式的级联进行模型参数训练，以及训练不同场景下的心率监测模型，并且训练采用Grid Search算法优化模型参数，得到训练后的心率监测模型。
具体的，以下是本实施例的进一步解释与示例：
数据预处理与特征提取：收集心率生物信号数据和异构数据（如用户行为、环境相关数据）。对所述心率生物信号数据和所述异构数据进行预处理与编码，以便更好地便于计算机处理。
使用非线性降维算法（如主成分分析（PCA）或t分布邻域嵌入（t-SNE））对预处理和编码后的数据进行关键特征提取，生成心率特征向量和异构特征向量。
将心率特征向量和异构特征向量进行拼接处理，得到第一训练特征向量。对第一训练特征向量进行标记，得到第一训练特征向量样本。
构建心率监测模型：该模型包括四层卷积网络、六层池化层、三层残差层和激活函数层。将第一训练特征向量样本输入到四层卷积网络层进行模型训练，得到第一心率监测向量。
增加生理与环境因素：结合用户生理参数和环境因素，通过第一拼接算法将第一训练特征向量与第一心率监测向量进行拼接处理，得到第二心率特征向量。
将第二心率特征向量输入到六层池化层进行模型训练，得到第二心率监测向量。
添加用户日志和行为数据：结合用户的日志数据、行为数据，通过第二拼接算法将第二心率特征向量与第二心率监测向量进行拼接处理，得到第三心率特征向量。将第三心率特征向量输入到三层残差层进行模型训练，得到第三心率监测向量。
模型优化：在训练过程中，通过不同卷积方式的级联以及训练不同场景下的心率监测模型来优化模型参数。使用Grid Search算法进行参数优化，直至激活函数层收敛，完成模型训练，得到训练后的心率监测模型。
在该技术方案中，第一拼接算法和第二拼接算法分别是在特征向量拼接阶段所使用的两种算法。具体来说：
第一拼接算法：在这个阶段，第一拼接算法主要将第一训练特征向量与第一心率监测向量拼接。这个算法可以是简单的向量拼接方法，例如水平拼接（将特征向量沿水平方向连接）或垂直拼接（将特征向量沿垂直方向连接）。此外，你还可以利用其他更复杂的拼接方法，例如主成分分析（PCA），将两组数据融合为一个更具区分度的特征空间。
第二拼接算法：在这个阶段，第二拼接算法主要将第二心率特征向量与第二心率监测向量拼接。与第一拼接算法类似，你可以使用简单的向量拼接方法（水平拼接或垂直拼接）。在处理更复杂的情况时，你也可以考虑其他拼接方法，例如加权平均法，根据重要性给特征赋予不同权重，或者使用特征选择算法（如最优子集法、递归消除法等），结合不同来源的特征构建最佳特征组框架。
本发明实施例中，有益效果：本实施例的所述心率监测模型结合了生物信号数据和其他异构数据（环境、行为、日志等），以提高心率监测的准确性。结合多种算法、降维方法和深度学习技术，更有效地检测和分析个体的心血管状况，从而提供更好的健康管理建议。
本发明实施例中心率监测方法的另一个实施例包括：
所述获取实际心率信号，并通过预设的异常度量算法计算所述实际心率信号与所述目标心率模式在时间序列或者频域上的相关性分数，得到单一异常度量数据，包括：
对实际心率信号与目标心率模式进行数据预处理，得到去噪后的实际心率信号与去噪后的目标心率模式；
分别计算去噪后的实际心率信号与去噪后的目标心率模式在时间序列上的均值向量，得到第一时间序列数据与第二时间序列数据；其中，第一时间序列数据与第二时间序列数据通过计算固定窗口长度内的每个数据点的均值来获得；
基于所述第一时间序列数据和所述第二时间序列数据，分别计算对应的协方差矩阵；其中，所述协方差矩阵用于衡量各个时间点之间的相关性；
设置权重系数α和β，选择非线性函数f和g，并设定非线性函数的参数p和q，同时，设置作用于协方差矩阵的逆的函数h和影响协方差矩阵的逆的参数r，以及作用于整个马氏距离计算过程的函数k和参数Z；
利用实际心率信号与目标心率模式的均值向量、协方差矩阵以及它们之间的差异，根据先前设定的权重系数、非线性函数和参数，计算马氏距离；
评估马氏距离与设定阈值之间的关系，并根据马氏距离的大小确定实际心率信号与目标心率模式之间的异常程度，对所述异常程度进行分析处理，得到单一异常度量数据。
具体的，以一个健康应用为例：实际心率信号基于某种运动的期望心率波形模型，与运动过程中用户的实际心率信号进行比较，找出可能的异常或风险。通过以上步骤，计算实际心率信号与目标心率模式之间的马氏距离，可以进一步进行数据分析，帮助用户了解健康状况，改善运动计划。
本发明实施例中心率监测方法的另一个实施例包括：
所述计算马氏距离，具体公式如下：
马氏距离=；
其中，
X 表示实际心率信号的均值向量；
Y 表示目标心率模式的均值向量；
C⁻¹ 表示协方差矩阵的逆；
α和β是用于调整实际心率信号与目标心率模式的权重系数；
f和g是针对实际心率信号和目标心率模式分别应用的非线性函数， 所述非线性函数至少包括sigmoid、tanh激活函数；
p和q是调整实际心率信号和目标心率模式非线性函数的参数；
h是作用于协方差矩阵的逆的函数，所述协方差矩阵的逆的函数包括线性或非线性函数；
r是影响协方差矩阵的逆的函数的参数；
k是另一个作用于整个马氏距离计算过程的函数；
Z是作用于k函数的参数；
(f(α(X), p) - g(β(Y), q))T表示加权非线性向量差的转置。
本实施例的有益效果：本实施例通过计算实际心率信号与目标心率模式之间的马氏距离，进一步进行数据分析，帮助用户了解健康状况，改善运动计划。
该技术方案通过计算实际心率信号与目标心率模式之间的异常程度，可以帮助健康管理应用或其他相关领域更好地了解心率信号之间的差异或异常情况。有助于根据用户需求提供个性化的服务。
本发明实施例中心率监测方法的另一个实施例包括：
所述获取实际心率信号，并通过预设的异常度量算法计算所述实际心率信号与所述目标心率模式在时间序列或者频域上的相关性分数，得到单一异常度量数据，包括：
通过短时傅里叶变换对实际心率信号和目标心率模式进行处理，得到实际心率信号和目标心率模式对应的STFT矩阵；
通过加权指数平滑欧氏距离公式，逐个窗口段地计算实际心率信号与目标心率模式在频域上的加权异常程度分数；其中，根据不同的频率点设置心率信号的权重系数；
根据指数平滑因子α，对加权异常程度分数进行平滑处理，得到指数平滑预测出来的预测值，其中，指数平滑因子α取值范围在0～1之间；
针对每个窗口段，得到实际心率信号与目标心率模式在频域上的加权异常程度分数后，与预定义的阈值和预测值进行比较；若分数超过阈值和预测值，则判定该窗口段所对应的实际心率信号存在瞬时异常；
将整个时间序列上的所有窗口段里的异常程度分数汇总，得到单一异常度量数据。
具体的，该技术方案主要描述了在频域上获取实际心率信号与目标心率模式之间的相关性分数，以得到单一异常度量数据。以下是对该技术方案进行深度解释和示例：
短时傅里叶变换（STFT）：使用短时傅里叶变换将实际心率信号和目标心率模式从时域转至频域，得到实际心率信号和目标心率模式对应的STFT矩阵。
计算加权异常程度分数：使用加权指数平滑欧氏距离公式逐个窗口段地计算实际心率信号与目标心率模式在频域上的加权异常程度分数，其中根据不同的频率点为心率信号设置权重系数。
指数平滑处理与预测：根据指数平滑因子α（范围在0~1之间）对加权异常程度分数进行平滑处理，得到指数平滑预测出来的预测值。
异常程度分数判断：对每个窗口段，得到实际心率信号与目标心率模式在频域上的加权异常程度分数后，与预定义的阈值和预测值进行比较；若分数超过阈值和预测值，则判定该窗口段所对应的实际心率信号存在瞬时异常。
汇总得到单一异常度量数据：将整个时间序列上的所有窗口段里的异常程度分数汇总，得到单一异常度量数据。
本发明实施例中心率监测方法的另一个实施例包括：
所述加权指数平滑欧氏距离公式，具体如下：
；
其中，
代表实际心率信号在第i个窗口段的第k个频率点上的STFT矩阵值；
代表目标心率模式在第i个窗口段的第k个频率点上的STFT矩阵值；
是频率点的总数；
是第k个频率点的权重系数，根据心率信号在不同频率上的重要性进行调整；
是指数平滑因子，其值范围在0到1之间；
Abnormality_Score为当前时刻实际心率信号与目标心率模式在频域上的加权异常程度分数；
为上一时刻实际心率信号与目标心率模式在频域上的加权异常程度分数。/>
本实施例的有益效果：本实施例通过实际心率信号和基于运动类型或用户个人情况的目标心率模式，利用STFT和加权指数平滑欧氏距离公式可以在频域上检测和判断实时心率的异常程度。实时监控和报警功能可以帮助用户更好地了解自己的健康状况，实施及时干预，避免可能的不良健康事件。
综上所述，该技术方案通过计算实际心率信号与目标心率模式在频域上的相关性分数，可以更精确地检测心率信号的异常程度，从而帮助健康监测和管理应用提供个性化的服务。
上面对本发明实施例中心率监测方法进行了描述，下面对本发明实施例中心率监测装置进行描述，请参阅图2，本发明实施例中心率监测装置1一个实施例包括：
获取模块11，用于通过预置的心率传感器获取用户的初始心电信号，并通过预置的加速度传感器获取用户的初始加速度能量；对所述初始心电信号进行预处理，得到预处理后的目标心电信号，以及对所述初始加速度能量进行预处理，得到预处理后的目标加速度能量；
处理模块12，用于基于预设的检测算法在目标心电信号中定位R波，并计算相邻R波之间的时间间隔，得到RR间期序列，并将所述RR间期序列转化为心率时间序列；通过预设的指标计算算法对所述心率时间序列进行分析处理，得到指标分析结果；
训练模块13，用于对所述指标分析结果与所述目标加速度能量分别进行标记，并将标记后形成的指标分析结果样本和标记后形成的目标加速度能量样本输入至训练后的心率监测模型中进行目标心率模式生成，得到目标心率模式；其中，所述目标心率模式为生成的正常心率波形，用于评估实际心率信号；
健康管理措施生成模块14，用于获取实际心率信号，并通过预设的异常度量算法计算所述实际心率信号与所述目标心率模式在时间序列或者频域上的相关性分数，得到单一异常度量数据，对每种单一异常度量数据进行归一化处理，得到统一范围的单一异常度量数据，对每种统一范围的单一异常度量数据进行加权计算，得到综合异常度量数据，根据所述综合异常度量数据生成心率异常检测报告，并通过所述心率异常检测报告生成相应的健康管理措施。
在本实施例中，上述心率监测装置实施例中的各个模块的具体实现，请参照上述心率监测方法实施例中所述，在此不再进行赘述。
本发明还提供一种心率监测设备，所述心率监测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述心率监测方法的步骤。
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，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
有益效果：本发明提供的一种心率监测方法、装置、设备。首先，通过预置的心率传感器和加速度传感器分别获取初始心电信号和初始加速度能量，并对这些信号进行预处理。接下来，根据预设的检测算法定位R波并计算RR间期序列，从而获得心率时间序列。通过预设的指标计算算法分析心率时间序列，得到指标分析结果。将指标分析结果样本与目标加速度能量样本输入训练后的心率监测模型中生成目标心率模式，用于评估实际心率信号。通过比较实际心率信号与目标心率模式的相关性分数，生成心率异常检测报告，并制定相应的健康管理措施。本发明通过对心电信号和加速度能量的预处理，降低环境干扰和设备误差对心率监测的影响，提高心率数据的准确性和可靠性。以及结合目标心率模式评估实际心率信号，更有效地识别心率异常，提高对心血管疾病的预防和管理能力。并且生成的心率异常检测报告可以帮助医生和患者了解现有的心率状况，从而制定更个性化、针对性的健康管理措施，提高生活质量。
所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种心率监测方法，其特征在于，包括：
通过预置的心率传感器获取用户的初始心电信号，并通过预置的加速度传感器获取用户的初始加速度能量；对所述初始心电信号进行预处理，得到预处理后的目标心电信号，以及对所述初始加速度能量进行预处理，得到预处理后的目标加速度能量；
基于预设的检测算法在目标心电信号中定位R波，并计算相邻R波之间的时间间隔，得到RR间期序列，并将所述RR间期序列转化为心率时间序列；通过预设的指标计算算法对所述心率时间序列进行分析处理，得到指标分析结果；
对所述指标分析结果与所述目标加速度能量分别进行标记，并将标记后形成的指标分析结果样本和标记后形成的目标加速度能量样本输入至训练后的心率监测模型中进行目标心率模式生成，得到目标心率模式；其中，所述目标心率模式为生成的正常心率波形，用于评估实际心率信号；
获取实际心率信号，并通过预设的异常度量算法计算所述实际心率信号与所述目标心率模式在时间序列或者频域上的相关性分数，得到单一异常度量数据，对每种单一异常度量数据进行归一化处理，得到统一范围的单一异常度量数据，对每种统一范围的单一异常度量数据进行加权计算，得到综合异常度量数据，根据所述综合异常度量数据生成心率异常检测报告，并通过所述心率异常检测报告生成相应的健康管理措施；
所述通过预置的心率传感器获取用户的初始心电信号，并通过预置的加速度传感器获取用户的初始加速度能量；对所述初始心电信号进行预处理，得到预处理后的目标心电信号，以及对所述初始加速度能量进行预处理，得到预处理后的目标加速度能量，包括：
通过预置的心率传感器获取用户的初始心电信号，并通过预置的加速度传感器获取用户的初始加速度能量；并通过预设的小波基函数和分解层数，将初始心电信号和初始加速度能量分别进行小波分解，得到各自的原始小波系数；
构建集成学习框架，结合历史数据与实时操作数据，自适应优化传统小波阈值函数的参数，采用多个基学习器进行训练，得到多个精度不同的小波阈值函数；
通过预设的粒子群算法计算各基学习器对应的小波阈值函数的参数的最优组合权重，生成自适应小波阈值函数；
将得到的初始心电信号和初始加速度能量的原始小波系数分别代入生成的自适应小波阈值函数中，采用统一阈值法对原始小波系数进行阈值处理，得到阈值处理后的心电信号和加速度能量小波系数；
将阈值处理后的心电信号和加速度能量小波系数进行重构，得到重构后的目标心电信号和目标加速度能量；
所述基于预设的检测算法在目标心电信号中定位R波，并计算相邻R波之间的时间间隔，得到RR间期序列，并将所述RR间期序列转化为心率时间序列；通过预设的指标计算算法对所述心率时间序列进行分析处理，得到指标分析结果，包括：
基于预设的检测算法在目标心电信号中定位R波，并计算相邻R波之间的时间间隔，得到RR间期序列，并将所述RR间期序列转化为心率时间序列；
结合预置的生理传感器获取生理数据和环境参数数据，并根据所述生理数据、所述环境参数数据和所述心率时间序列构建多参数心率时间序列；其中，所述生理数据是除目标心电信号之外的其它生理信号；
对多参数心率时间序列进行特征提取，得到多组特征数据，其中，所述多组特征数据包括时间、频率和时频域特征；
根据预设的指标计算算法，对多组特征数据进行分析处理，得到指标分析结果；
所述心率监测模型的训练过程，包括：
获取心率生物信号数据与用户行为、环境相关的异构数据，并对所述心率生物信号数据和所述异构数据进行预处理与编码，以及通过非线性降维算法分别对预处理与编码后的心率生物信号数据和异构数据进行关键特征提取，得到心率特征向量和异构特征向量，将所述心率特征向量和所述异构特征向量进行拼接处理，得到第一训练特征向量，对所述第一训练特征向量进行标记，得到第一训练特征向量样本；其中，所述心率生物信号数据与用户行为、环境相关的异构数据作为心率监测模型的初始训练数据；
构建心率监测模型，将第一训练特征向量样本输入至心率监测模型的四层卷积网络层进行训练，得到第一心率监测向量；其中，所述心率监测模型包括四层卷积网络、六层池化层、三层残差层、激活函数层；
结合用户生理参数和环境因素，将所述第一训练特征向量与所述第一心率监测向量通过预设的第一拼接算法进行拼接处理，得到第二心率特征向量，将所述第二心率特征向量输入至心率监测模型的六层池化层进行训练，得到第二心率监测向量；
结合用户的日志数据、行为数据，将所述第二心率特征向量与所述第二心率监测向量通过预设的第二拼接算法进行拼接处理，得到第三心率特征向量，将所述第三心率特征向量输入至心率监测模型的三层残差层进行训练，得到第三心率监测向量；
依次迭代调整所述心率监测模型中的模型参数，直至激活函数层收敛，完成模型训练，得到训练后的心率监测模型；其中，在模型训练过程中，通过不同卷积方式的级联进行模型参数训练，以及训练不同场景下的心率监测模型，并且训练采用Grid Search算法优化模型参数，得到训练后的心率监测模型；
所述获取实际心率信号，并通过预设的异常度量算法计算所述实际心率信号与所述目标心率模式在时间序列或者频域上的相关性分数，得到单一异常度量数据，包括：
对实际心率信号与目标心率模式进行数据预处理，得到去噪后的实际心率信号与去噪后的目标心率模式；
分别计算去噪后的实际心率信号与去噪后的目标心率模式在时间序列上的均值向量，得到第一时间序列数据与第二时间序列数据；其中，第一时间序列数据与第二时间序列数据通过计算固定窗口长度内的每个数据点的均值来获得；
基于所述第一时间序列数据和所述第二时间序列数据，分别计算对应的协方差矩阵；其中，所述协方差矩阵用于衡量各个时间点之间的相关性；
设置权重系数α和β，选择非线性函数f和g，并设定非线性函数的参数p和q，同时，设置作用于协方差矩阵的逆的函数h和影响协方差矩阵的逆的参数r，以及作用于整个马氏距离计算过程的函数k和参数Z；
利用实际心率信号与目标心率模式的均值向量、协方差矩阵以及它们之间的差异，根据先前设定的权重系数、非线性函数和参数，计算马氏距离；
评估马氏距离与设定阈值之间的关系，并根据马氏距离的大小确定实际心率信号与目标心率模式之间的异常程度，对所述异常程度进行分析处理，得到单一异常度量数据；
或
所述获取实际心率信号，并通过预设的异常度量算法计算所述实际心率信号与所述目标心率模式在时间序列或者频域上的相关性分数，得到单一异常度量数据，包括：
通过短时傅里叶变换对实际心率信号和目标心率模式进行处理，得到实际心率信号和目标心率模式对应的STFT矩阵；
通过加权指数平滑欧氏距离公式，逐个窗口段地计算实际心率信号与目标心率模式在频域上的加权异常程度分数；其中，根据不同的频率点设置心率信号的权重系数；
根据指数平滑因子α，对加权异常程度分数进行平滑处理，得到指数平滑预测出来的预测值，其中，指数平滑因子α取值范围在0～1之间；
针对每个窗口段，得到实际心率信号与目标心率模式在频域上的加权异常程度分数后，与预定义的阈值和预测值进行比较；若分数超过阈值和预测值，则判定该窗口段所对应的实际心率信号存在瞬时异常；
将整个时间序列上的所有窗口段里的异常程度分数汇总，得到单一异常度量数据。
2.根据权利要求1所述的方法，其特征在于，所述计算马氏距离，具体公式如下：
马氏距离=；
其中，
X 表示实际心率信号的均值向量；
Y 表示目标心率模式的均值向量；
C⁻¹ 表示协方差矩阵的逆；
α和β是用于调整实际心率信号与目标心率模式的权重系数；
f和g是针对实际心率信号和目标心率模式分别应用的非线性函数， 所述非线性函数至少包括sigmoid、tanh激活函数；
p和q是调整实际心率信号和目标心率模式非线性函数的参数；
h是作用于协方差矩阵的逆的函数，所述协方差矩阵的逆的函数包括线性或非线性函数；
r是影响协方差矩阵的逆的函数的参数；
k是另一个作用于整个马氏距离计算过程的函数；
Z是作用于k函数的参数；
(f(α(X), p) - g(β(Y), q))T表示加权非线性向量差的转置。
3.根据权利要求1所述的方法，其特征在于，所述加权指数平滑欧氏距离公式，具体如下：
；
其中，
代表实际心率信号在第i个窗口段的第k个频率点上的STFT矩阵值；
代表目标心率模式在第i个窗口段的第k个频率点上的STFT矩阵值；
是频率点的总数；
是第k个频率点的权重系数，根据心率信号在不同频率上的重要性进行调整；
是指数平滑因子，其值范围在0到1之间；
Abnormality_Score为当前时刻实际心率信号与目标心率模式在频域上的加权异常程度分数；
为上一时刻实际心率信号与目标心率模式在频域上的加权异常程度分数。
4.一种心率监测装置，其特征在于，所述心率监测装置包括：
获取模块，用于通过预置的心率传感器获取用户的初始心电信号，并通过预置的加速度传感器获取用户的初始加速度能量；对所述初始心电信号进行预处理，得到预处理后的目标心电信号，以及对所述初始加速度能量进行预处理，得到预处理后的目标加速度能量；
处理模块，用于基于预设的检测算法在目标心电信号中定位R波，并计算相邻R波之间的时间间隔，得到RR间期序列，并将所述RR间期序列转化为心率时间序列；通过预设的指标计算算法对所述心率时间序列进行分析处理，得到指标分析结果；
训练模块，用于对所述指标分析结果与所述目标加速度能量分别进行标记，并将标记后形成的指标分析结果样本和标记后形成的目标加速度能量样本输入至训练后的心率监测模型中进行目标心率模式生成，得到目标心率模式；其中，所述目标心率模式为生成的正常心率波形，用于评估实际心率信号；
健康管理措施生成模块，用于获取实际心率信号，并通过预设的异常度量算法计算所述实际心率信号与所述目标心率模式在时间序列或者频域上的相关性分数，得到单一异常度量数据，对每种单一异常度量数据进行归一化处理，得到统一范围的单一异常度量数据，对每种统一范围的单一异常度量数据进行加权计算，得到综合异常度量数据，根据所述综合异常度量数据生成心率异常检测报告，并通过所述心率异常检测报告生成相应的健康管理措施；
获取模块，具体用于：
通过预置的心率传感器获取用户的初始心电信号，并通过预置的加速度传感器获取用户的初始加速度能量；并通过预设的小波基函数和分解层数，将初始心电信号和初始加速度能量分别进行小波分解，得到各自的原始小波系数；
构建集成学习框架，结合历史数据与实时操作数据，自适应优化传统小波阈值函数的参数，采用多个基学习器进行训练，得到多个精度不同的小波阈值函数；
通过预设的粒子群算法计算各基学习器对应的小波阈值函数的参数的最优组合权重，生成自适应小波阈值函数；
将得到的初始心电信号和初始加速度能量的原始小波系数分别代入生成的自适应小波阈值函数中，采用统一阈值法对原始小波系数进行阈值处理，得到阈值处理后的心电信号和加速度能量小波系数；
将阈值处理后的心电信号和加速度能量小波系数进行重构，得到重构后的目标心电信号和目标加速度能量；
处理模块，具体用于：
基于预设的检测算法在目标心电信号中定位R波，并计算相邻R波之间的时间间隔，得到RR间期序列，并将所述RR间期序列转化为心率时间序列；
结合预置的生理传感器获取生理数据和环境参数数据，并根据所述生理数据、所述环境参数数据和所述心率时间序列构建多参数心率时间序列；其中，所述生理数据是除目标心电信号之外的其它生理信号；
对多参数心率时间序列进行特征提取，得到多组特征数据，其中，所述多组特征数据包括时间、频率和时频域特征；
根据预设的指标计算算法，对多组特征数据进行分析处理，得到指标分析结果；
训练模块，具体用于：
获取心率生物信号数据与用户行为、环境相关的异构数据，并对所述心率生物信号数据和所述异构数据进行预处理与编码，以及通过非线性降维算法分别对预处理与编码后的心率生物信号数据和异构数据进行关键特征提取，得到心率特征向量和异构特征向量，将所述心率特征向量和所述异构特征向量进行拼接处理，得到第一训练特征向量，对所述第一训练特征向量进行标记，得到第一训练特征向量样本；其中，所述心率生物信号数据与用户行为、环境相关的异构数据作为心率监测模型的初始训练数据；
构建心率监测模型，将第一训练特征向量样本输入至心率监测模型的四层卷积网络层进行训练，得到第一心率监测向量；其中，所述心率监测模型包括四层卷积网络、六层池化层、三层残差层、激活函数层；
结合用户生理参数和环境因素，将所述第一训练特征向量与所述第一心率监测向量通过预设的第一拼接算法进行拼接处理，得到第二心率特征向量，将所述第二心率特征向量输入至心率监测模型的六层池化层进行训练，得到第二心率监测向量；
结合用户的日志数据、行为数据，将所述第二心率特征向量与所述第二心率监测向量通过预设的第二拼接算法进行拼接处理，得到第三心率特征向量，将所述第三心率特征向量输入至心率监测模型的三层残差层进行训练，得到第三心率监测向量；
依次迭代调整所述心率监测模型中的模型参数，直至激活函数层收敛，完成模型训练，得到训练后的心率监测模型；其中，在模型训练过程中，通过不同卷积方式的级联进行模型参数训练，以及训练不同场景下的心率监测模型，并且训练采用Grid Search算法优化模型参数，得到训练后的心率监测模型；
健康管理措施生成模块，具体用于：
对实际心率信号与目标心率模式进行数据预处理，得到去噪后的实际心率信号与去噪后的目标心率模式；
分别计算去噪后的实际心率信号与去噪后的目标心率模式在时间序列上的均值向量，得到第一时间序列数据与第二时间序列数据；其中，第一时间序列数据与第二时间序列数据通过计算固定窗口长度内的每个数据点的均值来获得；
基于所述第一时间序列数据和所述第二时间序列数据，分别计算对应的协方差矩阵；其中，所述协方差矩阵用于衡量各个时间点之间的相关性；
设置权重系数α和β，选择非线性函数f和g，并设定非线性函数的参数p和q，同时，设置作用于协方差矩阵的逆的函数h和影响协方差矩阵的逆的参数r，以及作用于整个马氏距离计算过程的函数k和参数Z；
利用实际心率信号与目标心率模式的均值向量、协方差矩阵以及它们之间的差异，根据先前设定的权重系数、非线性函数和参数，计算马氏距离；
评估马氏距离与设定阈值之间的关系，并根据马氏距离的大小确定实际心率信号与目标心率模式之间的异常程度，对所述异常程度进行分析处理，得到单一异常度量数据；
或健康管理措施生成模块，具体用于：
所述获取实际心率信号，并通过预设的异常度量算法计算所述实际心率信号与所述目标心率模式在时间序列或者频域上的相关性分数，得到单一异常度量数据，包括：
通过短时傅里叶变换对实际心率信号和目标心率模式进行处理，得到实际心率信号和目标心率模式对应的STFT矩阵；
通过加权指数平滑欧氏距离公式，逐个窗口段地计算实际心率信号与目标心率模式在频域上的加权异常程度分数；其中，根据不同的频率点设置心率信号的权重系数；
根据指数平滑因子α，对加权异常程度分数进行平滑处理，得到指数平滑预测出来的预测值，其中，指数平滑因子α取值范围在0～1之间；
针对每个窗口段，得到实际心率信号与目标心率模式在频域上的加权异常程度分数后，与预定义的阈值和预测值进行比较；若分数超过阈值和预测值，则判定该窗口段所对应的实际心率信号存在瞬时异常；
将整个时间序列上的所有窗口段里的异常程度分数汇总，得到单一异常度量数据。
5.一种心率监测设备，其特征在于，所述心率监测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述心率监测设备执行如权利要求1-3中任一项所述的心率监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882827.9A CN116602642B (zh) | 2023-07-19 | 2023-07-19 | 心率监测方法、装置、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882827.9A CN116602642B (zh) | 2023-07-19 | 2023-07-19 | 心率监测方法、装置、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116602642A CN116602642A (zh) | 2023-08-18 |
| CN116602642B true CN116602642B (zh) | 2023-09-08 |
Family
ID=87682171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310882827.9A Active CN116602642B (zh) | 2023-07-19 | 2023-07-19 | 心率监测方法、装置、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116602642B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116916504B (zh) * | 2023-09-11 | 2023-11-17 | 深圳市唯酷光电有限公司 | 调光面板的智能控制方法、装置、设备及存储介质 |
| CN116959665B (zh) * | 2023-09-21 | 2023-12-19 | 深圳市爱保护科技有限公司 | 运动监测方法、装置、设备及存储介质 |
| CN117271977A (zh) * | 2023-09-27 | 2023-12-22 | 北京津发科技股份有限公司 | 一种hrv数据预处理方法、装置及电子设备 |
| CN117643461B (zh) * | 2024-01-30 | 2024-04-02 | 吉林大学 | 基于人工智能的心率智能监测系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102829967A (zh) * | 2012-08-27 | 2012-12-19 | 中国舰船研究设计中心 | 一种基于回归模型系数变化的时域故障识别方法 |
| CN102973264A (zh) * | 2012-12-07 | 2013-03-20 | 哈尔滨工业大学深圳研究生院 | 基于形态学多分辨率分解的心电信号预处理方法 |
| CN110801212A (zh) * | 2019-07-29 | 2020-02-18 | 杭州埃因霍温科技有限公司 | 基于神经网络的bcg信号心率提取方法 |
| CN111103976A (zh) * | 2019-12-05 | 2020-05-05 | 深圳职业技术学院 | 手势识别方法、装置及电子设备 |
| WO2022236064A2 (en) * | 2021-05-06 | 2022-11-10 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7430446B2 (en) * | 2005-01-20 | 2008-09-30 | Cardiac Pacemakers, Inc. | Methods and apparatuses for cardiac arrhythmia classification using morphology stability |
| US8005774B2 (en) * | 2007-11-28 | 2011-08-23 | Yahoo! Inc. | Determining a relevance function based on a query error derived using a structured output learning technique |
| US8838224B2 (en) * | 2012-03-30 | 2014-09-16 | General Electric Company | Method, apparatus and computer program product for predicting ventricular tachyarrhythmias |
-
2023
- 2023-07-19 CN CN202310882827.9A patent/CN116602642B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102829967A (zh) * | 2012-08-27 | 2012-12-19 | 中国舰船研究设计中心 | 一种基于回归模型系数变化的时域故障识别方法 |
| CN102973264A (zh) * | 2012-12-07 | 2013-03-20 | 哈尔滨工业大学深圳研究生院 | 基于形态学多分辨率分解的心电信号预处理方法 |
| CN110801212A (zh) * | 2019-07-29 | 2020-02-18 | 杭州埃因霍温科技有限公司 | 基于神经网络的bcg信号心率提取方法 |
| CN111103976A (zh) * | 2019-12-05 | 2020-05-05 | 深圳职业技术学院 | 手势识别方法、装置及电子设备 |
| WO2022236064A2 (en) * | 2021-05-06 | 2022-11-10 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116602642A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116602642B (zh) | 心率监测方法、装置、设备 | |
| Çınar et al. | Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks | |
| JP7091451B2 (ja) | 人工知能自己学習に基づく心電図自動解析方法、その解析方法の実行に用いられる装置、コンピュータプログラム製品及びコンピュータ読み取り可能な記憶媒体 | |
| US10602942B2 (en) | Method of detecting abnormalities in ECG signals | |
| CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
| Gupta et al. | PCA as an effective tool for the detection of R-peaks in an ECG signal processing | |
| CA3069891A1 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
| Fang et al. | Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave | |
| Bulusu et al. | Transient ST-segment episode detection for ECG beat classification | |
| CN115470828A (zh) | 基于卷积与自注意力机制的多导联心电图分类识别方法 | |
| CN115337018B (zh) | 基于整体动态特征的心电信号分类方法及系统 | |
| Philip et al. | Identifying arrhythmias based on ecg classification using enhanced-PCA and enhanced-SVM methods | |
| Mayapur | Classification of Arrhythmia from ECG Signals using MATLAB | |
| Le et al. | Feature extraction techniques for automatic detection of some specific cardiovascular diseases using ECG: a review and evaluation study | |
| Kovalchuk et al. | A novel feature vector for ECG classification using deep learning | |
| Kasturiwale et al. | Machine learning approach for medical diagnosis based on prediction model | |
| Pander et al. | Fuzzy-based algorithm for QRS detection | |
| Siekierski et al. | Heart beats classification method using a multi-signal ECG spectrogram and convolutional neural network with residual blocks | |
| Lyu et al. | A Deep Neuro-Fuzzy Method for ECG Big Data Analysis via Exploring Multimodal Feature Fusion | |
| Neto et al. | Automatic detection of cardiac arrhythmias using wavelets, neural networks and particle swarm optimization | |
| Purkayastha et al. | Discrimination of Cardiac Abnormalities Based on Multifractal Analysis in Reservoir Computing Framework | |
| Paul et al. | A new optimized wavelet transform for heart beat classification | |
| Narasimharao et al. | Performance Evaluation of Machine Learning Algorithms for Arrhythmia Classification in ECG Signals | |
| Kumari et al. | 7 Automatic analysis of cardiovascular diseases using EMD and support vector machines | |
| ZITI | Development of Noise-Tolerant Method for Arrhythmia Heartbeat Detection in Ambulatory Electrocardiogram |
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 |