CN117694848A - 生理参数的测量方法、生理参数的测量装置以及终端设备 - Google Patents
生理参数的测量方法、生理参数的测量装置以及终端设备 Download PDFInfo
- Publication number
- CN117694848A CN117694848A CN202310579549.XA CN202310579549A CN117694848A CN 117694848 A CN117694848 A CN 117694848A CN 202310579549 A CN202310579549 A CN 202310579549A CN 117694848 A CN117694848 A CN 117694848A
- Authority
- CN
- China
- Prior art keywords
- physiological parameter
- domain signal
- frequency domain
- ppg
- acc
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013186 photoplethysmography Methods 0.000 claims abstract description 282
- 230000001133 acceleration Effects 0.000 claims abstract description 227
- 230000033001 locomotion Effects 0.000 claims abstract description 146
- 238000001514 detection method Methods 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims description 64
- 230000015654 memory Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 13
- 230000004927 fusion Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000009466 transformation Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 210000003491 skin Anatomy 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000033764 rhythmic process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000012937 correction Methods 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
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000008321 arterial blood flow Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 210000004207 dermis Anatomy 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Abstract
本申请公开了一种生理参数的测量方法、生理参数的测量装置以及终端设备,属于生理参数检测技术领域。其中,该生理参数的测量方法包括:获取目标对象的光电容积描记PPG频域信号、加速度ACC频域信号以及运动强度信息;运动强度信息用于表征目标对象的运动强度。根据PPG频域信号、ACC频域信号以及运动强度信息,确定目标对象的生理参数预测区间以及目标对象的生理参数预测值;根据生理参数预测区间以及生理参数预测值,输出目标对象的生理参数检测结果。该生理参数的测量方法可以提升终端设备基于PPG技术检测生理参数如心率的准确度。
Description
技术领域
本申请属于身体数据监测技术领域,尤其涉及一种生理参数的测量方法、生理参数的测量装置以及终端设备。
背景技术
为了满足用户对于自身健康管理的需求,较多终端设备可以支持用户的人体数据监测功能。例如,用户可以利用可穿戴设备,如智能手表等测量人体的心率、脉搏或血氧等反映人体健康状况的生理参数。
通常情况下,终端设备可以通过配置用于测量人体特征的光电容积描记(photoplethysmography,PPG)模块,该PPG模块中可以包含光电二极管(photo diode,PD)和发光二极管(light emitting diode,LED)。当用户利用包含该PPG模块的终端设备监测生理参数时,可以通过该PPG模块中的LED发射信号,并通过PD接收血流引起的反射光强度变化,进而得到与心脏律动相对应的PPG信号,基于该PPG时域信号得到生理参数。
然而,PPG信号极易受到运动影响,导致包含PPG模块的上述终端设备采集到的PPG信号质量较差,进而无法基于该PPG信号得到生理参数的准确度较低。
发明内容
本申请提供了一种生理参数的测量方法、生理参数的测量装置以及终端设备,用于提升终端设备基于PPG技术检测生理参数的准确度。
第一方面,本申请实施例提供一种生理参数的测量方法。该生理参数的测量方法包括:获取目标对象的光电容积描记PPG频域信号、加速度ACC频域信号以及运动强度信息;运动强度信息用于表征目标对象的运动强度。根据PPG频域信号、ACC频域信号以及运动强度信息,确定目标对象的生理参数预测区间以及目标对象的生理参数预测值;根据生理参数预测区间以及生理参数预测值,输出目标对象的生理参数检测结果。
该生理参数的测量方法中,一方面,ACC频域信号的引入可以消除运动伪影对PPG频域信号的干扰,从而更加准确地确定目标对象的生理参数预测区间和生理参数预测值;另一方面,由于运动强度信息可以表征目标对象的运动强度,而目标对象的运动强度与生理参数又息息相关,因此运动强度信息的引入,可以辅助确定目标对象的生理参数预测区间和生理参数预测值,使其更加准确度。此外,本申请实施例对目标对象的生理参数预测区间和生理参数预测值同时进行预测。相比于单个生理参数预测值而言,生理参数预测区间的预测更加准确。因此,本实施例中,根据生理参数预测区间以及生理参数预测值,输出目标对象的生理参数检测结果,能够使得最终输出的生理参数检测结果更准确,更符合用户生理参数的实际情况。
在一些实施例中,根据生理参数预测区间以及生理参数预测值,输出目标对象的生理参数检测结果,包括:生理参数预测值位于生理参数预测区间内,则将生理参数预测值作为生理参数检测结果并输出;生理参数预测值位于生理参数预测区间外,校正生理参数预测值以得到生理参数检测结果并输出。
本实施例中,由于检测生理参数预测区间比检测单个生理参数预测值更准确,当目标对象的生理参数预测值在生理参数预测区间内时,说明检测的目标对象的生理参数预测值也准确,通过输出目标对象的生理参数预测值,可以给用户一个明确而具体的生理参数提示。当目标对象的生理参数预测值不在目标分类值所指示的生理参数预测区间时,表明预测的生理参数预测值和生理参数预测区间指向不一致。出现这种情况的可能是如下两种原因:第一、本次检测所获取的PPG时域信号不满足质量要求,无法准确地预测生理参数预测值和生理参数预测区间,所以出现上述情况;第二、本次检测所获取的PPG时域信号满足质量要求,但由于检测生理参数预测值本身更不准确,所以出现上述情况。两种原因都存在生理参数预测值检测不准确的情况,因此生理参数预测值不再适合用作输出生理参数检测结果的参考。因此通过校正生理参数预测值以得到生理参数检测结果并输出。
在一些实施例中,PPG频域信号基于PPG时域信号进行时频域变换得到。校正生理参数预测值以得到生理参数检测结果并输出,包括:PPG时域信号满足质量要求,将生理参数预测区间中的一个生理参数值作为生理参数检测结果并输出;PPG时域信号不满足质量要求,将生理参数预测区间作为生理参数检测结果并输出。
本实施例中,PPG时域信号满足质量要求的情况下,由于检测生理参数预测区间更准确,因此,选择生理参数预测区间中的一个值,更能表征目标对象的实际生理参数值。PPG时域信号不满足质量要求的情况下,无论是生理参数预测区间还是生理参数预测值都可能无法准确地预测。鉴于生理参数预测区间的预测更准确,因此可以选择生理参数预测区间进行输出,可以提供给用户参考。
在一些实施例中,PPG时域信号不满足质量要求,上述方法还包括:输出质量指示信息,质量指示信息用于指示信号质量不合格。
本实施例中,PPG时域信号不满足质量要求的情况下,无论是生理参数预测区间还是生理参数预测值都可能无法准确地预测。因此,在此情况下,可以输出质量指示信息,以提示用户信号质量不合格。如此,可以使得用户根据该质量指示信息调整自身状态,以确保采集到满足质量要求的信号。
可选地,根据PPG频域信号、ACC频域信号以及运动强度信息,确定目标对象的生理参数预测区间,包括:将PPG频域信号、ACC频域信号以及运动强度信息输入区间预测模型,以得到生理参数预测区间;其中,区间预测模型根据训练样本集训练得到,训练样本集包括多组训练样本,训练样本包括样本PPG频域信号、样本ACC频域信号以及样本运动强度信息。
本实施例利用区间预测模型,可拟合出PPG频域信号、ACC频域信号以及运动强度信息与目标对象的目标分类值之间的非线性关系,如此,可以利用ACC频域信号消除运动伪影对PPG频域信号的干扰的同时,利用运动强度信息辅助预测目标对象的生理参数预测区间,从而提升预测生理参数预测区间的准确度。
可选地,根据PPG频域信号、ACC频域信号以及运动强度信息,确定目标对象的生理参数预测区间,包括:将PPG频域信号、ACC频域信号以及运动强度信息输入区间预测模型,得到目标分类值;从一个或多个分类值中每个分类值关联的区间中,将与目标分类值关联的区间确定为生理参数预测区间,区间预测模型根据训练样本集训练得到,训练样本集包括多组训练样本,训练样本包括样本PPG频域信号、样本ACC频域信号以及样本运动强度信息。
可选地,根据PPG频域信号、ACC频域信号以及运动强度信息,确定目标对象的生理参数预测值,包括:将PPG频域信号、ACC频域信号以及运动强度信息输入单点预测模型,以得到生理参数预测值,其中,单点预测模型根据训练样本集训练得到,训练样本集包括多组训练样本,训练样本包括样本PPG频域信号、样本ACC频域信号以及样本运动强度信息。
本实施例利用单点预测模型,可拟合出PPG频域信号、ACC频域信号以及运动强度信息与目标对象的目标分类值之间的非线性关系,如此,可以利用ACC频域信号消除运动伪影对PPG频域信号的干扰的同时,利用运动强度信息辅助预测目标对象的生理参数预测值,从而提升预测生理参数预测值的准确度。
在一些实施例中,在获取目标对象的PPG频域信号、ACC频域信号以及运动强度信息之前,上述生理参数的测量方法还包括:获取目标对象的ACC时域信号;基于预设采样时长和采集时序对ACC时域信号采样,获得多段ACC子时域信号;基于多段ACC子时域信号,确定运动强度信息;其中,运动强度信息包括多个运动强度数据;一个运动强度数据由一段ACC子时域信号确定。
示例性地,ACC子时域信号包括按时序采集的多个ACC数据;运动强度信息为多个ACC数据的方差、标准差以及均值中的一个。
可选地,PPG频域信号为多个,多个PPG频域信号为多通道的PPG频域信号;ACC频域信号为多个,多个ACC频域信号为多通道的ACC频域信号。相比于单通道的PPG频域信号和ACC频域信号而言,多通道的PPG频域信号和ACC频域信号同时出现信号质量差的概率更低。如此,在其中一个通道的PPG频域信号和ACC频域信号出现低质量信号的情况时,采用多通道的PPG频域信号和ACC频域信号可以获得更多的数据量,从而使得低质量情况更加泛化,进而提升心率检测的准确度。
第二方面,本申请实施例提供一种生理参数的测量装置,包括:获取模块,用于获取目标对象的PPG频域信号、ACC频域信号以及运动强度信息;目标对象的运动强度信息用于表征目标对象的运动强度。确定模块,用于根据PPG频域信号、ACC频域信号以及运动强度信息,预测目标对象的生理参数预测区间以及目标对象的生理参数预测值;输出模块,用于根据生理参数预测区间以及生理参数预测值,输出目标对象的生理参数检测结果。
第三方面,本申请实施例提供一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如第一方面任一项的方法。
可选地,终端设备为可穿戴设备。
可选的,终端设备包括ACC传感器以及PPG传感器。其中,ACC传感器用于采集ACC时域信号,ACC时域信号进行时频域变化后得到上述ACC频域信号,PPG传感器用于采集PPG时域信号,PPG时域信号进行时频域变化后得到上述PPG频域信号。比如,PPG传感器可以为心率传感器。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如第一方面任一项的方法。
第五方面,本申请实施例提供一种芯片系统。该芯片系统包括处理器以及存储器;其中,所述处理器与存储器耦合,所述存储器用于存储程序或指令,当所述程序或指令被所述处理器执行时,使得该芯片系统实现如第一方面任一项的方法。
可以理解地,上述提供的第二方面、第三方面、第四方面以及第五方面所述的技术方案所能达到的有益效果,可参考如第一方面及其任一种可能的设计方式中生理参数的测量方法的有益效果,此处不再赘述。
附图说明
图1为本申请实施例提供的一种系统架构示意图;
图2为本申请实施例提供的一种可穿戴设备的结构示意图;
图3为本申请实施例提供的高质量的PPG时域信号和PPG频域信号的曲线图;
图4为本申请实施例提供的中等质量的PPG时域信号和PPG频域信号的曲线图;
图5为本申请实施例提供的低质量的PPG时域信号和PPG频域信号的曲线图;
图6为本申请实施例提供的生理参数的测量方法的流程图一;
图7为本申请实施例提供的心率区间划分示意图;
图8为本申请实施例提供的一种区间预测模型的结构示意图;
图9为本申请实施例提供的另一种区间预测模型的结构示意图;
图10为本申请实施例提供的生理参数的测量方法的流程图二。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
需要说明的是,本申请实施例中,“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。
为便于理解本申请实施例,以下对本申请实施例的部分用语进行解释说明,以便于本领域技术人员理解。
一、光电容积脉搏波描记法(PPG)
PPG是利用光学原理将人体生物信号转换为电信号的非侵入式检测技术。具体地,将发光二极管(light emitting diode,LED)的光线射向皮肤,用光敏传感器接收经过皮肤组织吸收后被反射回来或透射过去的光信号并转换为电信号以获得PPG时域信号。由于其无创、简单、便携等优点大量被广泛用于人体的心率、血氧、脉搏等方面的健康监测。
二、运动伪影
由人体处于步行、跑步等运动状态对PPG信号造成的高频噪声。该高频噪声混叠在PPG信号内,导致PPG信号出现波形失真。
三、偏度(Skewness),又称偏度系数,是研究数据分布对称的统计量。通过对偏度系数的测量,能够判定数据分布的不对称程度以及方向。
四、峰度(Kurtosis),又称峰态系数,是研究数据分布陡峭或平滑的统计量。通过对峰度系数的测量,能够判定数据分布相对于正态分布而言是更陡峭还是平缓。
请参照图1,图1为本申请实施例提供的一种系统架构示意图。
如图1所示,该系统架构包括可穿戴设备100,该可穿戴设备100具有PPG传感器。当用户佩戴该可穿戴设备100时,该可穿戴设备100可利用PPG技术周期性检测用户在各个时刻的生理参数值,如心率值。可选地,该可穿戴设备100可以显示生理参数值。
需要说明的是,生理参数是指与心脏律动相关的人体数据,例如,生理参数可以为心率、脉搏或血氧等人体数据。后续实施例以生理参数为心率为例进行说明,即所有涉及心率的内容均可以替换为其它生理参数。其中,心率是指人每分钟心跳的次数。
可以理解,可穿戴设备100可以是各种能够对用户进行PPG检测的终端设备,如智能手环、智能手表、眼镜、头盔、头带等支持心率检测的可穿戴设备100。为了便于说明,本申请中以可穿戴设备100为智能手表为例进行示例性说明。
可选地,该系统架构还可以包括与可穿戴设备100无线连接的终端设备200,该终端设备200可以接收并显示可穿戴设备100发送的心率值,以供用户查看。比如,终端设备200和可穿戴设备100可以建立蓝牙连接,wifi连接等等。
值得说明的是,图1以可穿戴设备100为例,当然该可穿戴设备100也可以替换为手机、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本,以及蜂窝电话、个人数字助理(personaldigital assistant,PDA)、增强现实(augmented reality,AR)\虚拟现实(virtualreality,VR)设备、智能穿戴设备(如智能手表)等终端设备。
可以理解,终端设备200可以是手机、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本,以及蜂窝电话、个人数字助理(personal digital assistant,PDA)、增强现实(augmentedreality,AR)\虚拟现实(virtual reality,VR)设备、智能穿戴设备(如智能手表)等能够与可穿戴设备100无线通信的设备,本申请实施例对该终端设备的具体形态不作特殊限制。为了便于说明,本申请中以终端设备200为手机为例进行示例性说明。
需要说明的是,图1所示的系统架构仅仅为一种示意。在其它实施例中,在图1所示的终端设备200具有PPG时域信号采集功能的情况下,图1所示的系统架构也可以不设置可穿戴设备100,而由终端设备200独立实现心率检测。
请参考图2,图2为本申请实施例提供的一种可穿戴设备的结构示意图。
如图2所示,该可穿戴设备可以包括处理器110,内部存储器120,通用串行总线(universal serial bus,USB)接口130,电源管理模块140,电池141,天线1,无线通信模块150,音频模块160,扬声器160A,麦克风160B,传感器模块170,显示屏180等。
可以理解的是,本发明实施例示意的结构并不构成对可穿戴设备的具体限定。在本申请另一些实施例中,可穿戴设备可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
处理器110可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。例如,处理器110可以是应用处理器AP。或者,上述处理器110可以集成在片上系统(System on Chip,SOC)中。或者,上述处理器110可以集成在IC芯片中。该处理器110可以包括IC芯片中的模拟前端(Analog Front End,AFE)和微处理单元(microcontroller unit,MCU)。
其中,控制器可以是可穿戴设备的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了系统的效率。
在一些实施例中,处理器110可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit,I2C)接口,集成电路内置音频(inter-integrated circuitsound,I2S)接口,脉冲编码调制(pulse code modulation,PCM)接口,通用异步收发传输器(universal asynchronous receiver/transmitter,UART)接口,通用输入输出(general-purpose input/output,GPIO)接口,和/或USB接口等。
可以理解的是,本发明实施例示意的各模块间的接口连接关系,只是示意性说明,并不构成对可穿戴设备的结构限定。在本申请另一些实施例中,可穿戴设备也可以采用上述实施例中不同的接口连接方式,或多种接口连接方式的组合。
电源管理模块140用于从充电器接收充电输入。其中,充电器可以是无线充电器(如可穿戴设备的无线充电底座或者其他可以为可穿戴设备无线充电的设备),也可以是有线充电器。例如,电源管理模块140可以通过USB接口130接收有线充电器的充电输入。电源管理模块140可以通过可穿戴设备的无线充电线圈142接收无线充电输入。
其中,电源管理模块140为电池141充电的同时,还可以为可穿戴设备供电。电源管理模块140接收电池141的输入,为处理器110,内部存储器120,外部存储器接口120,显示屏180,和无线通信模块150等供电。电源管理模块140还可以用于监测电池141的电池容量,电池循环次数,电池健康状态(漏电,阻抗)等参数。在其他一些实施例中,电源管理模块140也可以设置于处理器110中。
可穿戴设备的无线通信功能可以通过天线1,无线通信模块150,调制解调处理器以及基带处理器等实现。
天线1用于发射和接收电磁波信号。可穿戴设备中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。例如:可以将天线1复用为无线局域网的分集天线。在另外一些实施例中,天线可以和调谐开关结合使用。
无线通信模块150可以提供应用在可穿戴设备上的包括无线局域网(wirelesslocal area networks,WLAN)(如无线保真(wireless fidelity,Wi-Fi)网络),蓝牙(bluetooth,BT),全球导航卫星系统(global navigation satellite system,GNSS),调频(frequency modulation,FM),近距离无线通信技术(near field communication,NFC),红外技术(infrared,IR)等无线通信的解决方案。在一些实施例中,可穿戴设备的天线1和无线通信模块150耦合,使得可穿戴设备可以通过无线通信技术与网络以及其他设备通信。
本申请实施例中,传感器模块170可以包括PPG传感器171。PPG传感器171包括光源和对应光源的光电传感器件。其中,光源可以是绿光光源、红光光源或者红外光光源等。示例性地,该PPG传感器171可以包括LED和光敏传感器件。具体地,LED的光线射向皮肤,光敏传感器件接收经过皮肤组织吸收后被反射回来或透射过去的光信号,将其转换为电信号,以获得PPG时域信号。可选地,光敏传感器件1052可以为光敏二极管(photo diode,PD),也可以采用其他光电传感元件。
在一些实施例中,PPG传感器171可以包括多个光源和对应光源的光电传感器件,以实现多通道的PPG信号检测。以三通道为例,则PPG传感器171包括光敏传感器A1、光敏传感器A2、光敏传感器A3共三个光敏传感器。这三个光敏传感器分布于一个或更多个光源的周围,这里以两个光源B1和光源B2为例进行说明。这样,两个光源B1和光源B2向皮肤投射光线,光线透过皮肤组织被血流吸收或反射,光源周围的三个光敏传感器接收反射回来的光信号,并将光信号转换为电信号,如此可以得到三通道的PPG信号,分别为来自于光敏传感器A1的PPG信号、来自于光敏传感器A2的PPG信号以及来自于光敏传感器A3的PPG信号。
需要说明的是,本申请实施例提及的PPG信号为时域信号。此外,本申请实施例还涉及PPG时域信号。两者的区别在于,PPG时域信号为每检测一次心率值所需采集的信号,也就是说,假设每检测一次心率值需要采集8s的数据,那么,该PPG时域信号在时域上持续8s。而PPG信号则泛指PPG传感器采集的信号,该信号在时域上持续的时间可长可短。
需要说明的是,上述PPG传感器171可以检测到真皮层动脉血流运动而引起的反射光强度变化信号。其中,骨骼、静脉和其他组织等对光线的吸收基本不变。由于反射光的强度与血流速度相关,同时血流速度受周期性的心律影响,即所采集的PPG信号是与心脏律动相对应的信号,因此可以反映用户的心率数据。
ACC传感器172可检测可穿戴设备在各个方向上的ACC信号。本申请实施例中,ACC传感器172可以是三轴的,也可以是两轴的。可穿戴设备可以获取ACC传感器172在任一轴采集的数据,也可以获取加速度传感器在两个轴或者三个轴采集到的数据,本申请实施例在这里不做具体限定。其中,三轴加速度传感器可以采集空间上相互垂直的三个坐标轴方向上的加速度数据,从而可以得到三通道的ACC信号,分别为来自于X轴的ACC信号、来自于Y轴的ACC信号以及来自于Z轴的ACC信号。两轴加速度传感器可以采集平面上相互垂直的两个坐标轴方向上的加速度数据,从而可以得到两通道的ACC信号,分别为来自于X轴的ACC信号以及来自于Y轴的ACC信号。
本申请实施例涉及的ACC信号和ACC时域信号之间的区别,可以参照上述对PPG信号和PPG时域信号的相关解释,此处不再赘述。可穿戴设备通过GPU,显示屏180,以及应用处理器等实现显示功能。GPU为图像处理的微处理器,连接显示屏180和应用处理器。GPU用于执行数学和几何计算,用于图形渲染。处理器110可包括一个或多个GPU,其执行程序指令以生成或改变显示信息。
显示屏180用于显示图像,视频等。显示屏180包括显示面板。
内部存储器120可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。处理器110通过运行存储在内部存储器120的指令,从而执行可穿戴设备的各种功能应用以及数据处理。此外,内部存储器120可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件,通用闪存存储器(universal flashstorage,UFS)等。
可穿戴设备可以通过音频模块160,扬声器160A,麦克风160B,以及应用处理器等实现音频功能。例如音乐播放,录音等。
音频模块160用于将数字音频信息转换成模拟音频信号输出,也用于将模拟音频输入转换为数字音频信号。在一些实施例中,音频模块160可以设置于处理器110中,或将音频模块160的部分功能模块设置于处理器110中。扬声器160A,也称“喇叭”,用于将音频电信号转换为声音信号。可穿戴设备可以设置至少一个麦克风160B。
目前,传统算法在静息状态时的心率检测结果较为准确,但是在运动状态时心率检测不够精准。由于运动噪声干扰,因此在运动状态时检测的心率值可能不精准。原因在于:在运动状态时,智能手表与皮肤之间发生位移,或者智能手表上下左右抖动等因素,导致PPG时域信号发生畸变,严重受到运动伪影的影响,导致心率准确度低。因此,如何消除PPG时域信号中的运动伪影,提升心率检测精度是一个重要问题。
请参照图3,图3为本申请实施例提供的高质量的PPG时域信号和PPG频域信号的曲线图。
图3所示的曲线图可以在用户处于静息状态时获得。静息状态可以指用户静止不动或者存在小幅度动作时的状态。其中,图3中的(a)为PPG时域信号曲线图,在PPG时域信号曲线图中,纵坐标代表PPG时域信号强度值,横坐标代表采样时刻。图3中的(b)为PPG频域信号频谱图,在PPG频域信号频谱图中,纵坐标代表FFT幅度值,横坐标代表频率点个数。应理解,PPG频域信号为PPG时域信号经过时频域变换得到。示例性地,时频域变换可以通过傅里叶变换(Fast Fourier Transformation,FFT)实现。
通过图3中的(a)可以看出,高质量的PPG时域信号规律且稳定,符合人体心脏律动规律,对应的频谱图仅存在一个主频。主频是指频谱图上出现的幅值明显高于其它位置的尖峰对应的频率。当采集到高质量的PPG时域信号时,可以通过对应的PPG频域信号主频较为准确地确定心率。
请参照图4,图4为本申请实施例提供的中等质量的PPG时域信号和PPG频域信号的曲线图。
图4所示的曲线图可以在用户处于较为规律的运动状态时获得,运动状态是指用户存在大幅度动作时的状态。其中,图4中的(a)的上侧为PPG时域信号曲线图,图4中的(a)的下侧为PPG频域信号频谱图。图4中的(b)的上侧为ACC时域信号曲线图,图4中的(b)的下侧为ACC频域信号频谱图。在ACC时域信号曲线图中,纵坐标代表ACC时域信号强度值,横坐标代表采样时刻;在ACC频域信号频谱图中,纵坐标代表FFT幅度值,横坐标代表频率点个数。应理解,ACC频域信号为ACC时域信号经过时频域变换得到。图4中的(a)所示的PPG时域信号和图4中的(b)所示的ACC时域信号为在同一时间段针对同一用户采集得到。
通过图4中的(a)所示的PPG时域信号曲线图和PPG频域信号频谱图可以看出,中等质量的PPG时域信号出现一定程度的失真,且PPG频域信号存在多个主频,这是由于运动伪影引发的高频噪声混叠在PPG时域信号内造成。而运动伪影与ACC频域信号相关。由图可见,PPG频域信号出现尖峰的位置和ACC频域信号出现尖峰的位置一致。因此,通过引入ACC频域信号可以消除运动伪影,从而较为准确地确定心率。
请参照图5,图5为本申请实施例提供的低质量的PPG时域信号和PPG频域信号的曲线图。
图5所示的曲线图可以在用户处于完全不规律的运动状态时获得。其中,图5中的(a)的上侧为PPG时域信号曲线图,图5中的(a)的下侧为PPG频域信号频谱图。图5中的(b)的上侧为ACC时域信号曲线图,图5中的(b)的下侧为ACC频域信号频谱图。图5中的(a)所示的PPG时域信号和图5中的(b)所示的ACC时域信号为在同一时间段针对同一用户采集得到。
通过图5中的(a)所示的PPG时域信号曲线图以及的PPG频域信号频谱图可以看出,低质量的PPG时域信号出现严重失真,心率信息基本丢失;PPG频域信号出现尖峰的位置和ACC频域信号出现尖峰的位置不再一致。在此情况下,单纯地通过引入ACC频域信号不再能够消除运动伪影,从而无法准确确定心率。
基于此,本申请实施例提供一种生理参数的测量方法。该生理参数的测量方法中,根据目标对象的PPG频域信号、ACC频域信号以及运动强度信息,得到目标对象的生理参数预测区间以及目标对象的生理参数预测值;根据生理参数预测区间以及生理参数预测值,输出目标对象的生理参数检测结果。
如此,一方面,ACC频域信号的引入可以消除运动伪影对PPG频域信号的干扰,从而更加准确地确定目标对象的生理参数预测区间和生理参数预测值;另一方面,由于运动强度信息可以表征目标对象的运动强度,而目标对象的运动强度与生理参数(如心率)又息息相关,因此运动强度信息的引入,可以辅助确定目标对象的生理参数预测区间和生理参数预测值,使其更加准确度。此外,本申请实施例对目标对象的生理参数预测区间和生理参数预测值同时进行预测。相比于检测单个生理参数预测值而言,检测生理参数预测区间更加准确。因此,本实施例中,根据生理参数预测区间以及生理参数预测值,输出目标对象的生理参数检测结果,能够使得最终输出的生理参数检测结果更准确,更符合用户生理参数的实际情况。
可以理解,以下实施例提供的生理参数的测量方法可以实现在图1所示的系统架构中。
请参照图6,图6为本申请实施例提供的生理参数的测量方法的流程图一。图6中以心率作为生理参数,进行说明。为了便于说明,仅示出了与本实施例相关的部分,详述如下:
S601,获取目标对象的PPG频域信号、ACC频域信号以及运动强度信息。
上述目标对象是指具有心率监测需求的用户,如佩戴图1所示的可穿戴设备的用户。
在S601之前,图6所示的生理参数的测量方法包括:获取目标对象的PPG时域信号以及ACC时域信号。上述S601中,PPG频域信号由PPG时域信号进行时频域变换获得,上述ACC频域信号由PPG时域信号进行时频域变换获得。示例性地,时频域变换为FFT。上述运动强度信息可以基于上述ACC时域信号获得,后续有专门的内容进行详细描述,此处不详述。应理解,PPG时域信号和ACC时域信号为同一时间段采集的信号,如此才能使得ACC频域信号和运动强度信息成为提升心率检测准确度的有效数据。
需要说明的是,图6所示的实施例以检测一次心率为例进行说明。基于此,PPG频域信号、ACC频域信号以及运动强度信息为检测一次心率所需获取的数据,相应采集的PPG时域信号和ACC时域信号也为检测一次心率所需采集的数据。
图6所示的生理参数的测量方法可以由图1所示的可穿戴设备执行,也可以为图1所示的终端设备200执行,下面分情况讨论:
在一些实施例中,由可穿戴设备分别采集目标对象的PPG时域信号和ACC时域信号并进行时频域变换。具体地,由PPG传感器171采集PPG时域信号,由ACC传感器172采集ACC时域信号;由处理器110执行时频域变换如FFT。
可选地,在对目标对象的PPG时域信号以及ACC时域信号进行时频域变换之前,还可以对PPG时域信号和ACC时域信号进行降噪处理如小波变换等。在此情况下,对降噪处理后的PPG时域信号和ACC时域信号进行时频域变换。之后,由可穿戴设备(如处理器120)执行图6所示的生理参数的测量方法。
在另一些实施例中,由图1所示的可穿戴设备采集目标对象的PPG时域信号以及ACC时域信号,并发送给终端设备200,由终端设备200对目标对象的PPG时域信号以及ACC时域信号进行时频域变换后,执行图6所示的生理参数的测量方法。
在另一些实施例中,在图1所示的终端设备200自身支持PPG和ACC检测的情况下,也可以由终端设备200采集目标对象的PPG时域信号以及ACC时域信号并时频域变换后,执行图6所示的生理参数的测量方法。
上述各实施例中,采集目标对象的PPG时域信号和ACC时域信号的具体过程可以为:
PPG传感器171周期性地采集目标对象的PPG数据,ACC传感器172周期性地采集目标对象的ACC数据。需要说明的是,PPG数据和ACC数据分别为PPG传感器171和ACC传感器172每采集一次所获得的数据,PPG数据为PPG时域信号中的一个采样时刻的数据,ACC数据为ACC时域信号中的一个采样时刻的数据,PPG传感器171按照时序依次采集的多个PPG数据形成PPG时域信号,按照时序依次采集的多个ACC数据形成ACC时域信号。例如,PPG传感器171和ACC传感器172以采集频率100Hz进行采集,即每间隔10ms采集一次,获得一个PPG数据和一个ACC数据。假设采集1s的数据,那么,上述ACC时域信号则包括100(1s/10ms)个ACC数据,PPG时域信号则包括100个PPG数据。
以PPG时域信号为例,示例性介绍上述各实施例中涉及的FFT,具体可以如下:
以时间窗对PPG时域信号进行框选,一个时间窗框选出一段PPG子时域信号。比如,时间窗时长可以为12s,那么框选出的一段PPG子时域信号为持续12s的信号。以一段PPG子时域信号为单位进行FFT,得到PPG频域信号上的一段PPG子频域信号。应理解,一段PPG子频域信号包括多个频率点对应的FFT幅值。每次时间窗移动预设时长如1s,则框选出下一段PPG子时域信号,基于该下一段子PPG时域信号进行FFT,又可以得到PPG频域信号上的下一段PPG子频域信号,以此类推,最终各段PPG子频域信号按照时序排列形成PPG频域信号。
以检测一次心率需要时间窗移动8s为例,则框选出8段PPG子时域信号,上述PPG频域信号则包括:这8段PPG子时域信号进行FFT后获得的8段PPG子频域信号。需要说明的是,ACC频域信号可以参照上述PPG频域信号理解,此处不再赘述。
上述运动强度信息用于表征目标对象的运动强度。在获取运动强度信息之前,首先需要确定运动强度信息。下面对运动强度信息的确定方式进行说明,具体如下:
基于采集时序和预设采样时长对ACC时域信号进行采样,获得多段ACC子时域信号。应理解,一段ACC子时域信号包括多个ACC数据。采样方式可以和上述时间窗移动相同的采样方式,即以预设采样时长作为时间窗时长,时间窗每移动一次,采集一段ACC子时域信号。应理解,当时间窗移动的预设时长小于预设采样时长时,多段ACC子时域信号中相邻两段ACC子时域信号存在重叠;当时间窗移动的预设时长等于时间窗时长时,多段ACC子时域信号中相邻两段ACC子时域信号不重叠。
基于多段ACC子时域信号确定运动强度信息。其中,一段ACC子时域信号确定一个运动强度数据,运动强度数据为运动强度信息上的一个数值,所有的运动强度数据按照时序形成运动强度信息。比如,以检测一次心率需要时间窗移动8s为例,则框选出8段ACC子时域信号,上述运动强度信息则包括时间窗移动8s框选出的8段ACC子时域信号确定的8个运动强度数据。
应理解,一段ACC子时域信号包括多个ACC数据。示例性地,运动强度数据为一段ACC子时域信号所包含的多个ACC数据的方差、标准差以及均值中的一个。
S602,根据PPG频域信号、ACC频域信号以及运动强度信息,确定目标对象的心率预测区间以及目标对象的心率预测值。
上述心率预测区间即心率预测范围。上述心率预测区间可为下述16个心率区间中的一个。示例性地,以人体的心率可能的范围为60~200次/分(bpm)为例,可以将60~200bpm划分为图7所示的16个心率区间,分别为:
区间1:60bpm以下、区间2:60~70bpm、区间3:70~80bpm、区间4:80~90bpm、区间5:90~100bpm、区间6:100~110bpm、区间7:110~120bpm、区间8:120~130bpm、区间9:130~140bpm、区间10:140~150bpm、区间11:150~160bpm、区间12:160~170bpm、区间13:170~180bpm、区间14:180~190bpm、区间15:190~200bpm、区间16:200bpm以上。
需要说明的是,上述心率区间的端点可以取左端点或右端点。比如,当取左端点时,区间2中包含心率60bpm;当取右端点时,区间2中包含心率70bpm。此外,应理解,在其它实施例中,心率区间也可以为其它划分结果。
可选地,S602中,将目标对象的PPG频域信号、ACC频域信号以及运动强度信息输入区间预测模型,得到目标对象的心率预测区间。其中,区间预测模型根据训练样本集训练得到,训练样本集包括多组训练样本,训练样本包括样本PPG频域信号、样本ACC频域信号以及样本运动强度信息。
本实施例利用区间预测模型,可拟合出PPG频域信号、ACC频域信号以及运动强度信息与目标对象的心率预测区间之间的非线性关系,如此,可以利用ACC频域信号消除运动伪影对PPG频域信号的干扰的同时,利用运动强度信息辅助预测目标对象的心率预测区间,从而提升心率预测区间的检测准确度。
可选地,S602中,将目标对象的PPG频域信号、ACC频域信号以及运动强度信息输入区间预测模型,得到目标对象的目标分类值,目标分类值用于指示目标对象的心率预测区间;然后,从一个或多个分类值中每个分类值关联的心率区间中,将与目标分类值关联的心率区间确定为心率预测区间。
应理解,上述各心率区间的编号可以为上述分类值,例如,区间2的编号“2”为心率区间60~70bpm的分类值。分类值关联的心率区间可以为编号对应的心率区间。假设得到的目标分类值为2,那么,心率预测区间为60~70bpm。
上述内容对S602中预测目标对象的心率预测区间的相关内容进行了说明,下面对S602中预测目标对象的心率预测值的相关内容进行说明。
可选地,S602中,将目标对象的PPG频域信号、ACC频域信号以及运动强度信息输入单点预测模型,预测目标对象的心率预测值。该实施例的效果可以参照使用区间预测模型确定目标对象的心率预测区间的效果。应理解,区别于心率预测区间指一个范围而言,心率预测值是指一个数值点。
S603,根据心率预测区间以及心率预测值,输出目标对象的心率检测结果。
图6所示的实施例中,ACC频域信号的引入可以消除运动伪影对PPG频域信号的干扰,从而更加准确地确定目标对象的心率预测区间;另一方面,由于运动强度信息可以表征目标对象的运动强度,而目标对象的运动强度与心率又息息相关,因此运动强度信息的引入,可以辅助确定目标对象的心率预测区间和心率预测值,两方面均可以提升心率预测区间和心率预测值的预测准确度。此外,本申请实施例对目标对象的心率预测区间和心率预测值同时进行预测。相比于单个心率预测值而言,心率预测区间的检测更加准确。因此,本实施例中,根据心率预测区间以及心率预测值,输出目标对象的心率检测结果,能够使得最终输出的心率检测结果更准确,更符合用户心率的实际情况。
需要说明的是,图6所示的实施例以检测一次心率为例进行说明。应理解,当需要在一段时间连续检测心率时,则需持续获取采集多组S601中的PPG频域信号、ACC频域信号以及运动强度信息,并对获取的多组数据执行图6所示的方法,即可实现一段时间连续检测心率,下面举例说明。
假设在10:00~10:05这段时间进行心率检测。在10:00~10:05采集得到持续600s的PPG信号和ACC信号。
继续沿用前述示例,以检测一次心率需要时间窗移动的预设框选时长为8s为例,随着采集开始,时间窗从10:00开始框选并移动8s,截至10:00:20,得到10:00~10:00:20的8段PPG子时域信号以及8段ACC子时域信号。
其中,对10:00~10:00:20的8段PPG子时域信号以及8段ACC子时域信号进行如下处理过程:
基于10:00~10:00:20的8段PPG子时域信号和8段ACC子时域信号进行FFT后,分别获得10:00~10:00:20的8段PPG子频域信号以及8段ACC子频域信号;基于10:00~10:00:20的8段ACC子时域信号,可以确定10:00~10:00:20的包含8个运动强度数据的一段运动强度信息。得到的10:00~10:00:20的8段PPG子频域信号、8段ACC子频域信号以及运动强度信息可以确定第一个心率预测区间以及心率预测值,根据第二个心率预测区间以及心率预测值得到第一个心率检测结果。应理解,用于确定一个心率预测区间以及心率预测值的8段PPG子时域信号和8段ACC子时域信号为同一时间段内的数据。
接着,时间窗从10:00:20开始框选并移动8s,截至10:00:40,得到10:00:20~10:00:40的8段PPG子时域信号以及8段ACC子时域信号,重复上述处理过程,可以得到第二个心率预测区间以及心率预测值,根据第二个心率预测区间以及心率预测值得到第二个心率检测结果。以此类推,直到时间窗不再有可框选的信号。根据所获得的各个心率预测区间以及心率预测值,可以在10:00~10:05这个时间段连续输出目标对象的心率检测结果。
在一种可能的实现方式中,PPG频域信号为多个,多个PPG频域信号为多通道的PPG频域信号,如三通道的PPG频域信号。ACC频域信号为多个,多个ACC频域信号为多通道的ACC频域信号,如三通道的ACC频域信号。三通道的PPG频域信号和三通道的ACC频域信号分别由三通道的PPG时域信号和三通道的ACC时域信号分别FFT而来,三通道的PPG时域信号和三通道的ACC时域信号的相关内容,可以参照图2所示的实施例中关于该部分内容的解释。
以三通道的PPG时域信号为例,利用时间窗对三通道的PPG时域信号进行框选时,每框选一次可以获得三通道的PPG子时域信号。继续沿用上述示例,以每检测一次心率所需的预设框选时长为8s为例,时间窗移动8s将框选出的24段PPG子时域信号,相比于单通道的PPG时域信号时只能框选出8段PPG子时域信号的情况,数据量更大,后续获得的用于确定目标分类值的PPG子频域信号和ACC子频域信号也更多。
相比于单通道的PPG频域信号和ACC频域信号而言,多通道的PPG频域信号和ACC频域信号同时出现信号质量差的概率更低。在其中一个通道的PPG频域信号和ACC频域信号出现低质量情况时,采用多通道的PPG频域信号和ACC频域信号可以获得更多的数据量,从而使得低质量情况更加泛化,进而提升心率检测的准确度。
请参照图8,图8为本申请实施例提供的一种区间预测模型的结构示意图。
由图8可见,该区间预测模型包括依次级联的卷积神经网络(ConvlutionalNeuralNetwork,CNN)、全连接层(FC)、ReLU激活层、长短期记忆神经网络(Long Short TermMemory,LSTM)。
其中,CNN用作特征提取模块,对输入向量进行特征提取。示例性地,CNN可以包括卷积层、批规范化层(Batch Normalization,BN)以及ReLU激活层。CNN的具体组成也可变形,例如不设置批规范化层,例如包括多组卷积层、批规范化层以及ReLU激活层,本申请实施例对此不做限定。需要说明的是,相比于通过深度学习神经网络(Deep-Learning NeuralNetwork,DNN),使用CNN可以提取输入向量的局部区域的高层次特征。当然,在其它实施例中,特征提取模块也可以选用其它模型。LSTM,用于可以提取CNN提取的高层次特征在时间序列上的关联关系。由于心率在时间上是关联而不突变,因此通过使用LSTM提取特征在时间序列上的关联关系,可以提高区间预测模型对心率预测区间的检测准确性。
请参照图9,图9为本申请实施例提供的另一种区间预测模型的结构示意图。
下面仅对图9所示的区间预测模型的不同之处进行介绍,其余内容可以参照图8。区别于图8所示的区间预测模型,图9所示的区间预测模型中,不再使用CNN模型对S601中各信号进行特征提取,而是使用不同的特征提取模块分别对不同的信号进行特征提取,再进行特征融合,具体如下:
第一特征提取模块,用于对PPG频域信号进行特征提取。示例性地,第一特征提取模块可以为DNN,比如DNN可以包含依次级联的FC、ReLU激活层、FC。应理解,DNN也可以为其它结构,如激活层为具有其它激活函数的激活层,再比如在第二个FC后再增加一个激活层等。此外,第一特征提取模块也可以采用其它模型,如图8所示的CNN。
第二特征提取模块,用于对ACC频域信号进行特征提取。第二特征提取模块可以参照第一特征提取模块实施。
第三特征提取模块,用于对运动强度信息进行特征提取。第三特征提取模块也可以参照第一特征提取模块实施。
第一特征融合模块,用于对第一特征提取模块提取的PPG特征以及第二特征提取模块提取的ACC特征进行融合处理。该融合处理包括但不限于:可以为多模态紧密双线性池化(multi-modal compact bilinear pooling,MCB)处理、多模态因式分解双线性池化(multi-modal factorized bilinear pooling,MFB)处理或点积等特征融合方式。
第二特征融合模块,用于对第一特征融合模块融合处理后的特征和运动强度特征进行融合处理。示例性地,第二特征融合模块可以通过连接层实现,当然,也可以通过上述第一特征融合模块所采用的融合处理方式实现。
由于PPG频域信号和ACC频域信号属于频域中不同维度的信号,而运动强度信息又为时域信号,三者差别较大,通过同一特征提取模块进行特征提取,一方面容易丢失各信号中的信息,从而影响心率检测的准确度;另一方面,由于信号差别较大,需提取大量的特征才足以学习到各信号之间的关联关系,并且容易导致模型梯度弥散,心率检测效率降低。
基于此,该实施例中,对于差别较大的PPG频域信号、ACC频域信号以及运动强度信息通过不同的特征提取模块进行特征提取,可以更加高效地提取到更深层次、更加表达能力的PPG特征、ACC特征以及运动强度特征,在提高心率检测效率的情况下,避免了丢失各信号中的信息,从而提高了心率检测的准确度。
此外,由于PPG频域信号均为ACC频域信号均为频域信号,通过第一特征融合模块对提取的PPG特征以及ACC特征进行特征融合,在提升特征融合的效率的情况下,保证了PPG特征和ACC特征之间的充分交互,有利于消除运动伪影对PPG频域信号造成的干扰,从而提高心率检测的准确度。
此外,通过第二特征融合模块对提取的运动强度特征以及第一特征融合模块融合处理后的特征进行融合,可以保证了第一特征融合模块融合处理后的特征和运动强度特征之间的充分交互,进一步消除运动伪影对PPG频域信号造成的干扰,从而提高心率检测的准确度。
需要说明的是,图8和图9所示的区间预测模型的输出可以是心率预测区间,也可以是目标分类值。下面以其输出为目标分类值为例,对其训练方法进行说明。
上述区间预测模型根据训练样本集得到,下面对上述区间预测模型的训练过程进行示例性说明。
在一些实施例中,区间预测模型的训练方法包括:
获取训练样本集。其中,训练样本集包括多组训练样本,单组训练样本包括输入样本以及输入样本对应的样本目标分类值。其中,输入样本包括同一时间段的样本PPG频域信号、样本ACC频域信号以及样本运动强度信息;输入样本对应的样本目标分类值为模型训练的标签。
需要说明的是,同一时间段的样本PPG频域信号、样本ACC频域信号以及样本运动强度信息的获取方式可以为:周期性采集目标对象的样本PPG时域信号以及样本ACC时域信号。通过时间窗框选和移动方式,可以参照S601中获取PPG频域信号、ACC频域信号以及运动强度信息的具体内容。此外,训练样本集中的多组训练样本可以是多个连续时间段的训练样本。
在本申请实施例中,输入样本对应的样本目标分类值所对应的样本心率区间,可以通过心电图(electrocardiograph,ECG)等准确性高的心率检测方式进行获取,之后根据上述S602中关于心率区间的区间划分,确定对应的区间编号为样本目标分类值。
利用训练样本集对初始区间预测模型进行训练,得到训练后的区间预测模型。示例性地,输入样本作为初始区间预测模型的输入,输入样本对应的样本目标分类值作为初始区间预测模型的标签,对初始区间预测模型进行训练。训练时可以采用交叉熵等作为损失函数,加速模型收敛。训练后的区间预测模型可以用作上述区间预测模型,以进行心率区间的检测。
初始区间预测模型为图8或图9所示的结构。需要说明的是,由于图8或图9所示的结构使用了LSTM,因此,在初始区间预测模型为图8或图9所示的结构训练时,可以基于前一个训练样本和当前训练样本一起进行训练。由于样本PPG频域信号是连续而不突变的,因此,通过使用LSTM,将基于前一个训练样本和当前训练样本一起进行训练,能够提升模型训练的准确性。
在一些实施例中,训练后的区间预测模型在投入使用之前,还可以通过测试样本集进行测试,并根据测试结果确定是否停止对训练后的区间预测模型的训练。测试结果包括收敛结果以及未收敛结果;当测试结果为收敛结果时,则停止对训练后的区间预测模型的训练,得到测试后的区间预测模型,该测试后的区间预测模型可以用作上述区间预测模型,以进行心率区间的检测;当测试结果为未收敛结果时,则继续对训练后的区间预测模型进行训练,直到收敛。
需要说明的是,图8和图9所示的区间预测模型的结构仅仅是一种示意,并不构成对区间预测模型结构的限制。此外,图8和图9所示的区间预测模型的结构以及上述训练方法对单点预测模型同样适用,此处不再对单点预测模型进行描述,可以适应性参照实施。当然,单点预测模型的结构也可以和区间预测模型的结构不一样,本申请实施例对此不做限定。
在一些实施例中,在S602之前,还可以获取目标对象的运动规律信息,运动规律信息用于表征目标对象的运动不规律程度。运动规律信息基于上述ACC频域信号确定。在此情况下,S602可以包括:根据目标对象的PPG频域信号、ACC频域信号、运动强度信息以及运动规律信息,确定目标对象的心率预测区间以及心率预测值。
可选地,运动规律信息可以包括多个运动规律数据,一个运动规律数据由一段ACC子频域信号确定。示例性地,运动规律数据包括ACC子频域信号的峰度。
以检测一次心率需要时间窗移动8s为例,则框选出8段ACC子时域信号,上述运动强度信息则包括时间窗移动8s框选出的8段ACC子时域信号确定的8个运动规律数据,如8段ACC子时域信号的峰度。
本实施例中,通过引入运动规律信息,可以弥补运动不规律导致的PPG频域信号尖峰位置和ACC频域信号尖峰位置不一致的问题,从而消除严重运动伪影对PPG频域信号造成的干扰,提高心率预测区间以及心率预测值的准确性。
请参阅图10,图10为本申请实施例提供的生理参数的测量方法的流程图二。
图10所示的生理参数的测量方法对图6中的S603进行了细化,S603具体可以包括:
S603a,判断目标对象的心率预测值是否在目标对象的心率预测区间内。
以目标对象的心率预测区间为区间4所示的范围为例,心率预测区间为80~90bpm且包含80bpm,当80≤目标对象的心率预测值<90时,则表明目标对象的心率预测值在心率预测区间,反之,则不在心率预测区间中。
若目标对象的心率预测值在心率预测区间内,执行S603b。
在一些实施例中,若目标对象的心率预测值不在心率预测区间内,执行S603c。
S603b,输出目标对象的心率预测值。
也就是说,将目标对象的心率预测值作为S603中的心率检测结果并输出。
需要说明的是,当目标对象的心率预测值落在心率预测区间内时,表明心率预测值和心率预测区间指向一致,并且均准确。这就表明,本次预测所获取的PPG时域信号满足质量要求,所以才会出现无论是采用更准确的心率预测区间的检测方式,还是采用稍逊的预测心率预测值的检测方式,均能够得到指向一致的结果。
由于检测心率预测区间比检测单个心率预测值更准确,当目标对象的心率预测值在心率预测区间内时,说明心率预测值的检测也准确,通过输出目标对象的心率预测值,可以给用户一个明确而具体的心率提示。
S603c,判断PPG时域信号是否满足质量要求。
具体地,可以通过检测PPG时域信号的峰值和偏度来确定PPG时域信号是否满足质量要求,目前已有大量相关技术对此进行了研究,此处不做过多介绍。
需要说明的是,当目标对象的心率预测值落不在心率预测区间内时,表明心率预测值和心率预测区间两种检测方式指向不一致。由于检测心率预测区间比检测单个心率预测值更准确,当目标对象的心率预测值不在心率预测区间内时,根据目标对象的心率预测区间区校正心率预测值以获得S603中的心率检测结果并输出。
此外,还需要说明的是,导致目标对象的心率预测值落不在心率预测区间内这种情况的可能是如下两种原因:
第一、本次预测所获取的PPG时域信号不满足质量要求,无法准确地检测心率预测值和心率预测区间,所以出现上述情况;第二、本次检测所获取的PPG时域信号满足质量要求,但由于心率预测值检测方式本身更不准确,所以出现上述情况。在该实施例中,通过判断PPG时域信号是否满足质量要求,对两种原因进行区分,并针对两种不同的原因,本实施例采用不同校正方式,具体如下:
若PPG时域信号满足质量要求,则执行S603d的校正方式。
可选地,若PPG时域信号不满足质量要求,则执行S603e的校正方式。
S603d,输出目标对象的心率预测区间中的一个心率值。
也就是说,将心率预测区间中的一个心率值替代目标对象的心率预测值作为心率检测结果输出。
需要说明的是,PPG时域信号满足质量要求的情况下,但由于心率区间检测方式更准确,因此,选择心率区间检测方式所获得的目标对象的心率区间中的一个心率值,更能表征目标对象的实际心率值。
S603e,输出目标对象的心率预测区间。
也就是说,将心率预测区间替代目标对象的心率预测值作为心率检测结果输出。
需要说明的是,PPG时域信号不满足质量要求的情况下,无论是心率预测区间还是心率预测值都可能无法准确地检测。鉴于心率预测区间的检测方式更准确,尤其是在通过上述各实施例的优化后,因此可以选择心率预测区间检测方式所获得的目标对象的心率预测区间进行输出,可以提供给用户以心率参考。
可选地,在S603e中,也可以同步输出质量指示信息,以提示用户信号质量不合格。如此,可以使得用户根据该质量指示信息调整自身状态,以确保采集到满足质量要求的信号。
应理解,上述实施例中各步骤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。
本申请实施例还提供了一种生理参数的测量装置。该生理参数的测量装置包括:
获取模块,用于获取目标对象的PPG频域信号、ACC频域信号以及运动强度信息;运动强度信息用于表征目标对象的运动强度。
确定模块,用于根据PPG频域信号、ACC频域信号以及运动强度信息,确定目标对象的生理参数预测区间以及目标对象的生理参数预测值;
输出模块,用于根据生理参数预测区间以及生理参数预测值,输出目标对象的生理参数检测结果。
在一些实施例中,输出模块具体用于:
生理参数预测值位于生理参数预测区间内,则将生理参数预测值作为生理参数检测结果输出;
生理参数预测值位于生理参数预测区间外,校正生理参数预测值以得到生理参数检测结果并输出。
在一些实施例中,PPG频域信号基于PPG时域信号进行时频域变换得到。输出模块具体用于:
PPG时域信号满足质量要求,将生理参数预测区间中的一个生理参数值作为生理参数检测结果并输出;PPG时域信号不满足质量要求,将生理参数预测区间作为生理参数检测结果并输出。
在一些实施例中,输出模块还用于:PPG时域信号不满足质量要求,输出质量指示信息,质量指示信息用于指示信号质量不合格。
可选地,确定模块具体用于将PPG频域信号、ACC频域信号以及运动强度信息输入区间预测模型,以得到生理参数预测区间;其中,区间预测模型根据训练样本集训练得到,训练样本集包括多组训练样本,训练样本包括样本PPG频域信号、样本ACC频域信号以及样本运动强度信息。
可选地,确定模块具体用于将PPG频域信号、ACC频域信号以及运动强度信息输入单点预测模型,以得到生理参数预测值。
在一种可能的实现方式中,确定模块还用于根据PPG频域信号、ACC频域信号以及运动强度信息,确定目标对象的生理参数值。该生理参数的测量装置还包括输出模块,输出模块用于根据目标对象的生理参数值和目标对象的生理参数预测区间,输出检测结果。
在一些实施例中,获取模块还用于获取目标对象的ACC时域信号;基于预设采样时长和采集时序对ACC时域信号采样,获得多段ACC子时域信号;基于多段ACC子时域信号,获得运动强度信息;其中,运动强度信息包括多个运动强度数据;一个运动强度数据由一段ACC子时域信号确定。
示例性地,ACC子时域信号包括按时序采集的多个ACC数据;运动强度信息为多个ACC数据的方差、标准差以及均值中的一个。
可选地,PPG频域信号为多个,多个PPG频域信号为多通道的PPG频域信号;ACC频域信号为多个,多个ACC频域信号为多通道的ACC频域信号。
本申请实施例提供一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如第一方面任一项的方法。
可选地,终端设备为可穿戴设备。
可选的,终端设备包括ACC传感器以及PPG传感器。其中,ACC传感器用于采集ACC时域信号,ACC时域信号进行时频域变化后得到上述ACC频域信号,PPG传感器用于采集PPG时域信号,PPG时域信号进行时频域变化后得到上述PPG频域信号。比如,PPG传感器可以为心率传感器。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如第一方面任一项的方法。
本申请实施例还提供一种芯片系统。该芯片系统包括处理器以及存储器;其中,所述处理器与存储器耦合,所述存储器用于存储程序或指令,当所述程序或指令被所述处理器执行时,使得该芯片系统实现如第一方面任一项的方法。
可选地,该芯片系统中的处理器可以为一个或多个。该处理器可以通过硬件实现也可以通过软件实现。当通过硬件实现时,该处理器可以是逻辑电路、集成电路等。当通过软件实现时,该处理器可以是一个通用处理器,通过读取存储器中存储的软件代码来实现。
可选地,该芯片系统中的存储器也可以为一个或多个。该存储器可以与处理器集成在一起,也可以和处理器分离设置,本申请并不限定。示例性地,存储器可以是非瞬时性处理器,例如只读存储器ROM,其可以与处理器集成在同一块芯片上,也可以分别设置在不同的芯片上,本申请对存储器的类型,以及存储器与处理器的设置方法不作具体限定。
示例性地,该芯片系统可以是现场可编程门阵列(Field Programmable GateArray,FPGA),也可以是专用集成芯片(Application Specific Integrated Circuit,ASIC),还可以是系统芯片(System on a Chip,SoC),还可以是中央处理器(CentralProcessing Unit,CPU),还可以是网络处理器(Network Processor,简称NP),还可以是数字信号处理电路(Digital Signal Processor,DSP),还可以是微控制器(MicrocontrollerUnit,MCU),还可以是可编程控制器(Programmable Logic Controller,PLC)或其它集成芯片。
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。
在本申请所提供的实施例中,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,在本申请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,本申请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。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (16)
1.一种生理参数的测量方法,其特征在于,包括:
获取目标对象的光电容积描记PPG频域信号、加速度ACC频域信号以及运动强度信息;所述运动强度信息用于表征所述目标对象的运动强度;
根据所述PPG频域信号、所述ACC频域信号以及所述运动强度信息,确定所述目标对象的生理参数预测区间以及所述目标对象的生理参数预测值;
根据所述生理参数预测区间以及所述生理参数预测值,输出所述目标对象的目标生理参数值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述生理参数预测区间以及所述生理参数预测值,输出所述目标对象的生理参数检测结果,包括:
所述生理参数预测值位于所述生理参数预测区间内,则将所述生理参数预测值作为所述生理参数检测结果并输出;
所述生理参数预测值位于所述生理参数预测区间外,校正所述生理参数预测值以得到所述生理参数检测结果并输出。
3.根据权利要求2所述的方法,其特征在于,所述PPG频域信号基于PPG时域信号进行时频域变换得到;
所述校正所述生理参数预测值以得到所述生理参数检测结果并输出,包括:
所述PPG时域信号满足质量要求,将所述生理参数预测区间中的一个生理参数值作为所述生理参数检测结果并输出;
所述PPG时域信号不满足质量要求,将所述生理参数预测区间作为所述生理参数检测结果并输出。
4.根据权利要求3所述的方法,其特征在于,所述PPG时域信号不满足质量要求,所述方法还包括:
输出质量指示信息,所述质量指示信息用于指示信号质量不合格。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述根据所述PPG频域信号、所述ACC频域信号以及所述运动强度信息,确定所述目标对象的生理参数预测区间,包括:
将所述PPG频域信号、所述ACC频域信号以及所述运动强度信息输入区间预测模型,以得到所述生理参数预测区间;
其中,所述区间预测模型根据训练样本集训练得到,所述训练样本集包括多组训练样本,所述训练样本包括样本PPG频域信号、样本ACC频域信号以及样本运动强度信息。
6.根据权利要求1至4任一项所述的方法,其特征在于,所述根据所述PPG频域信号、所述ACC频域信号以及所述运动强度信息,确定所述目标对象的生理参数预测区间,包括:
将所述PPG频域信号、所述ACC频域信号以及所述运动强度信息输入区间预测模型,得到目标分类值;
从一个或多个分类值中每个所述分类值关联的区间中,将与所述目标分类值关联的所述区间确定为所述生理参数预测区间,所述区间预测模型根据训练样本集训练得到,所述训练样本集包括多组训练样本,所述训练样本包括样本PPG频域信号、样本ACC频域信号以及样本运动强度信息。
7.根据权利要求1至4任一项所述的方法,其特征在于,所述根据所述PPG频域信号、所述ACC频域信号以及所述运动强度信息,确定所述目标对象的生理参数预测值,包括:
将所述PPG频域信号、所述ACC频域信号以及所述运动强度信息输入单点预测模型,以得到所述生理参数预测值;
其中,所述单点预测模型根据训练样本集训练得到,所述训练样本集包括多组训练样本,所述训练样本包括样本PPG频域信号、样本ACC频域信号以及样本运动强度信息。
8.根据权利要求1至4任一项所述的方法,其特征在于,在获取所述目标对象的PPG频域信号、ACC频域信号以及运动强度信息之前,所述方法还包括:
获取所述目标对象的ACC时域信号;
基于预设采样时长和采集时序对所述ACC时域信号采样,获得多段ACC子时域信号;
基于多段所述ACC子时域信号,确定所述运动强度信息;其中,所述运动强度信息包括多个运动强度数据;一个所述运动强度数据由一段所述ACC子时域信号确定。
9.根据权利要求8所述的方法,其特征在于,所述ACC子时域信号包括按时序采集的多个ACC数据;
所述运动强度信息为多个所述ACC数据的方差、标准差以及均值中的一个。
10.根据权利要求1至4任一项所述的方法,其特征在于,
所述PPG频域信号为多个,多个所述PPG频域信号为多通道的所述PPG频域信号;
所述ACC频域信号为多个,多个所述ACC频域信号为多通道的所述ACC频域信号。
11.根据权利要求1至4任一项所述的方法,其特征在于,所述生理参数为心率。
12.一种生理参数的测量装置,其特征在于,包括:
获取模块,用于获取目标对象的PPG频域信号、ACC频域信号以及运动强度信息;所述目标对象的运动强度信息用于表征所述目标对象的运动强度;
确定模块,用于根据所述PPG频域信号、所述ACC频域信号以及所述运动强度信息,确定所述目标对象的生理参数预测区间以及所述目标对象的生理参数预测值;
输出模块,用于根据所述生理参数预测区间以及所述生理参数预测值,输出所述目标对象的生理参数检测结果。
13.一种终端设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至11任一项所述的方法。
14.根据权利要求13所述的终端设备,其特征在于,所述终端设备为可穿戴设备。
15.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至11任一项所述的方法。
16.一种芯片系统,其特征在于,包括:处理器以及存储器;其中,所述处理器与存储器耦合,所述存储器用于存储程序或指令,当所述程序或指令被所述处理器执行时,使得该芯片系统实现如权利要求1至11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310579549.XA CN117694848A (zh) | 2023-05-22 | 2023-05-22 | 生理参数的测量方法、生理参数的测量装置以及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310579549.XA CN117694848A (zh) | 2023-05-22 | 2023-05-22 | 生理参数的测量方法、生理参数的测量装置以及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117694848A true CN117694848A (zh) | 2024-03-15 |
Family
ID=90163003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310579549.XA Pending CN117694848A (zh) | 2023-05-22 | 2023-05-22 | 生理参数的测量方法、生理参数的测量装置以及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117694848A (zh) |
-
2023
- 2023-05-22 CN CN202310579549.XA patent/CN117694848A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104951069B (zh) | 用于使用可穿戴传感器平台的生理测量的置信度指示 | |
US20170105679A1 (en) | Earphone comprising bio-signal measurement means, and bio-signal monitoring system comprising same | |
US20190029539A1 (en) | Physical sign detecting earphone and physical sign detecting method | |
US20160151012A1 (en) | Systems and methods for determining sleep patterns and circadian rhythms | |
CN108429964A (zh) | Tws耳机的控制方法、tws耳机、设备及存储介质 | |
CN105411597A (zh) | 一种无线智能运动心率监测耳机 | |
WO2018035827A1 (zh) | 移动终端、辅助设备、血压测量系统及方法 | |
EP2815696B1 (en) | Pulsation detector | |
CN101779953A (zh) | 一种健康手机监护仪 | |
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 | |
WO2017140696A1 (en) | Device, system and method for determining a subject's breathing rate | |
CN113647921A (zh) | 血压测量方法、系统、设备及存储介质 | |
CN104809371A (zh) | 判断头戴式智能设备的鉴权信息有效性的装置和方法 | |
EP4070719A1 (en) | Electronic device, method for controlling same to perform ppg detection, and medium | |
CN105310698A (zh) | 一种耳道表贴血氧饱和度监测仪及其系统 | |
GB2600126A (en) | Improvements in or relating to wearable sensor apparatus | |
CN117694848A (zh) | 生理参数的测量方法、生理参数的测量装置以及终端设备 | |
KR20190138261A (ko) | 생체 신호를 측정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
CN115691754A (zh) | 一种运动指导方法及相关装置 | |
US20240115212A1 (en) | Apparatus and method for estimating physiological variables | |
CN114073496A (zh) | 脉搏波测量装置及其脉搏波测量方法、系统和介质 | |
CN117084644B (zh) | 一种检测用户生理特征指标的方法、装置及可穿戴设备 | |
US20230309844A1 (en) | Apparatus and method for estimating blood pressure | |
US20230139441A1 (en) | Method of extracting representative waveform of bio-signal and apparatus for estimating bio-information | |
CN210294826U (zh) | 一种全网通圆形运动手表 |
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 |