CN117933310A - 数据处理设备以及方法 - Google Patents
数据处理设备以及方法 Download PDFInfo
- Publication number
- CN117933310A CN117933310A CN202310534268.2A CN202310534268A CN117933310A CN 117933310 A CN117933310 A CN 117933310A CN 202310534268 A CN202310534268 A CN 202310534268A CN 117933310 A CN117933310 A CN 117933310A
- Authority
- CN
- China
- Prior art keywords
- matrix
- columns
- frequency
- time
- arrays
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 180
- 238000001228 spectrum Methods 0.000 claims abstract description 91
- 238000003491 array Methods 0.000 claims abstract description 64
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000013186 photoplethysmography Methods 0.000 claims abstract description 18
- 230000004872 arterial blood pressure Effects 0.000 claims abstract description 17
- 230000003595 spectral effect Effects 0.000 claims description 65
- 238000013528 artificial neural network Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 20
- 238000003672 processing method Methods 0.000 claims description 9
- 239000010410 layer Substances 0.000 description 59
- 239000013598 vector Substances 0.000 description 43
- 238000010586 diagram Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 13
- 230000036772 blood pressure Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 102100040428 Chitobiosyldiphosphodolichol beta-mannosyltransferase Human genes 0.000 description 3
- 101000891557 Homo sapiens Chitobiosyldiphosphodolichol beta-mannosyltransferase Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 101100237293 Leishmania infantum METK gene Proteins 0.000 description 2
- 101150108651 MAT2 gene Proteins 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 239000002346 layers by function Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003874 inverse correlation nuclear magnetic resonance spectroscopy Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 108091008695 photoreceptors Proteins 0.000 description 1
- 238000002106 pulse oximetry Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Optics & Photonics (AREA)
- Complex Calculations (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Image Analysis (AREA)
Abstract
一种数据处理设备,其包括检测单元、存储器以及处理器。检测单元用以检测光体积描记数据。处理器进行下列操作:对体积描记数据进行短时距傅立叶变换以产生第时频矩阵;对第一时频矩阵进行数值拆分处理以产生第一频谱矩阵,其中第一频谱矩阵包括由左至右依序排列的多个第一频谱阵列;将多个第一频频谱阵列由左至右输入转换器模型以依序产生多个第二频谱阵列,并根据产生多个第二频谱阵列的顺序将多个第二频谱阵列转换为第二频谱矩阵;对第二频谱矩阵进行数值合并处理以对产生的第二时频矩阵进行反短时距傅立叶变换以产生动脉血压数据。借此,将降低直接搜集使用者的动脉血压数据所产生的高成本。
Description
技术领域
本揭示有关于一种机器学习技术,且特别是有关于数据处理设备以及方法。
背景技术
在现今的医疗技术中,搜集使用者的心律往往比搜集使用者的血压来得容易。搜集使用者的心律仅仅需要简单的穿戴式智能型手环或智能型手表,而搜集使用者的血压往往需要较为精密的仪器或侵入式设备。因此,要如何利用简单且低成本的设备获得使用者的血压是本领域技术人员急欲解决的问题。
发明内容
本揭示的一态样揭露一种数据处理设备,其包括检测单元、存储器以及处理器。该检测单元用以检测光体积描记数据。该存储器用以储存多个计算机可执行指令。该处理器耦接该检测单元以及该存储器,该处理器用以执行所述多个计算机可执行指令以运行转换器模型,该处理器用以进行下列操作:对该光体积描记数据进行短时距傅立叶变换以产生第一时频矩阵,其中该第一时频矩阵中的多个列分别对应于多个时间片段,该第一时频矩阵中的所述多个列的各者包括于对应的时间片段上的多个频率分量;对该第一时频矩阵进行数值拆分处理以产生第一频谱矩阵,其中该第一频谱矩阵包括由左至右依序排列的多个第一频谱阵列;将所述多个第一频频谱阵列由左至右输入该转换器模型以依序产生多个第二频谱阵列,并根据产生所述多个第二频谱阵列的顺序将所述多个第二频谱阵列转换为第二频谱矩阵;对该第二频谱矩阵进行数值合并处理以产生第二时频矩阵;对该第二时频矩阵进行反短时距傅立叶变换以产生动脉血压数据。
在一实施例中,该转换器模型包括编码器模组、解码器模组、第一全连接前馈神经网络以及第二全连接前馈神经网络,其中该编码器模组用以输入所述多个第一频谱阵列,并连接该解码器模组,该解码器模组连接该第一全连接前馈神经网络,以及该第一全连接前馈神经网络连接该第二全连接前馈神经网络,该第二全连接前馈神经网络用以输出所述多个第二频谱阵列,其中该编码器模组包括多个第一隐藏表示层,且该解码器模组包括多个第二隐藏表示层。
在一实施例中,所述多个第一隐藏表示层包括第一注意力层以及第一前馈层,且所述多个第二隐藏表示层包括第二注意力层、编码器至解码器注意力层以及第二前馈层。
在一实施例中,该第一时频矩阵中的所述多个列中的各者包括分别与所述多个频率对应的多个复数,其中该数值拆分处理包括:由左至右选择该第一时频矩阵中的所述多个列中的一者,将所述多个列中的该一者的所述多个复数拆分为多个实部数值以及多个虚部数值,根据所述多个实部数值以及所述多个虚部数值产生实数频谱阵列以及虚数频谱阵列,将该实数频谱阵列做为所述多个列中的该一者,在所述多个列中的该一者的右侧插入该虚数频谱阵列。
在一实施例中,该数值合并处理包括:由左至右依序选择该第二频谱矩阵中的两个列;将该选择的两个列中靠左的一者的多个数值做为多个复数的实部数值,将该选择的两个列中靠右的一者的多个数值做为多个复数的虚部数值,其中所述多个复数分别对应于所述多个频率;针对该选择的两个列,根据所述多个频率以及所述多个复数产生结合频谱阵列;以及针对该选择的两个列,将该结合频谱阵列做为该第二频谱矩阵中的该两个列中靠左的该一者,并删除该第二频谱矩阵中的该两个列中靠右的该一者。
在一实施例中,该处理器还包括运行基于转换器的双向编码器表示模型,其中该基于转换器的双向编码器表示模型用以执行:将所述多个第一频谱阵列中的一者取代为遮罩阵列以产生遮罩频谱矩阵;将所述多个第一频谱阵列中的该一者取代为随机阵列以产生随机频谱矩阵;以及将该遮罩频谱矩阵、该随机频谱矩阵以及该第一频谱矩阵输入该转换器模型中的编码器模组以预训练该编码器模组。
在一实施例中,该基于转换器的双向编码器表示模型包括编码器模组、第一全连接前馈神经网络以及第二全连接前馈神经网络。
本揭示的另一态样揭露一种数据处理方法,包括:运行转换器模型,并对光体积描记数据进行短时距傅立叶变换以产生第一时频矩阵,其中该第一时频矩阵中的多个列分别对应于多个时间片段,该第一时频矩阵中的所述多个列的各者包括于对应的时间片段上的多个频率分量;对该第一时频矩阵进行数值拆分处理以产生第一频谱矩阵,其中该第一频谱矩阵包括由左至右依序排列的多个第一频谱阵列;将所述多个第一频频谱阵列由左至右输入该转换器模型以依序产生多个第二频谱阵列,并根据产生所述多个第二频谱阵列的顺序将所述多个第二频谱阵列转换为第二频谱矩阵;对该第二频谱矩阵进行数值合并处理以产生第二时频矩阵;以及对该第二时频矩阵进行反短时距傅立叶变换以产生动脉血压数据。
在一实施例中,该转换器模型包括编码器模组、解码器模组、第一全连接前馈神经网络以及第二全连接前馈神经网络,其中该编码器模组用以输入所述多个第一频谱阵列,并连接该解码器模组,该解码器模组连接该第一全连接前馈神经网络,以及该第一全连接前馈神经网络连接该第二全连接前馈神经网络,该第二全连接前馈神经网络用以输出所述多个第二频谱阵列,其中该编码器模组包括多个第一隐藏表示层,且该解码器模组包括多个第二隐藏表示层。
在一实施例中,该第一时频矩阵中的所述多个列中的各者包括分别与所述多个频率对应的多个复数,其中该数值拆分处理包括:由左至右选择该第一时频矩阵中的所述多个列中的一者,将所述多个列中的该一者的所述多个复数拆分为多个实部数值以及多个虚部数值,根据所述多个实部数值以及所述多个虚部数值产生实数频谱阵列以及虚数频谱阵列,将该实数频谱阵列做为所述多个列中的该一者,在所述多个列中的该一者的右侧插入该虚数频谱阵列。
在一实施例中,该数值合并处理包括:由左至右依序选择该第二频谱矩阵中的两个列;将该选择的两个列中靠左的一者的多个数值做为多个复数的实部数值,将该选择的两个列中靠右的一者的多个数值做为多个复数的虚部数值,其中所述多个复数分别对应于所述多个频率;针对该选择的两个列,根据所述多个频率以及所述多个复数产生结合频谱阵列;以及针对该选择的两个列,将该结合频谱阵列做为该第二频谱矩阵中的该两个列中靠左的该一者,并删除该第二频谱矩阵中的该两个列中靠右的该一者。
在一实施例中,该数据处理方法还包括运行基于转换器的双向编码器表示模型,其中该基于转换器的双向编码器表示模型用以执行:将所述多个第一频谱阵列中的一者取代为遮罩阵列以产生遮罩频谱矩阵;将所述多个第一频谱阵列中的该一者取代为随机阵列以产生随机频谱矩阵;以及将该遮罩频谱矩阵、该随机频谱矩阵以及该第一频谱矩阵输入该转换器模型中的编码器模组以预训练该编码器模组。
附图说明
图1是本揭示的数据处理设备的方框图。
图2是根据本揭示一些实施例中转换器模型的神经网络架构示意图。
图3是根据本揭示一些实施例中采用自注意力机制的注意力层的内部结构示意图。
图4是根据本揭示一些实施例中基于转换器的双向编码器表示模型的内部结构示意图。
图5是本揭示的数据处理方法的流程图。
图6是根据本揭示一些实施例中数值拆分处理的示意图。
图7是根据本揭示一些实施例中执行基于转换器的双向编码器表示模型的示意图。
图8是根据本揭示一些实施例中训练转换器模型的示意图。
图9是根据本揭示一些实施例中使用转换器模型的示意图。
具体实施方式
以下揭示提供许多不同实施例或例证用以实施本揭示文件的不同特征。特殊例证中的元件及配置在以下讨论中被用来简化本揭示。所讨论的任何例证只用来作解说的用途,并不会以任何方式限制本揭示文件或其例证的范围和意义。在适当的情况下,在附图之间及相应文字说明中采用相同的标号以代表相同或是相似的元件。
请参阅图1,其是本揭示的数据处理设备100的方框图。数据处理设备100包括检测单元110、存储器120以及处理器130。数据处理设备100可以运算、训练以及使用转换器模型(transformer model)TM。
在一些实施例中,数据处理设备100可由各种脉搏血氧感测设备实现。例如,穿戴式智能型手环或智能型手表等。
在一些实施例中,存储器120用以储存计算机可执行指令、训练数据(在转换器模型TM的训练阶段)、转换器模型TM的可学习参数(learnable parameters)、需要由转换器模型TM处理的输入数据及/或转换器模型产生的输出数据。在一些实施例中,存储器120可以利用随机存取存储器模组、只读存储器模组、快闪存储器、硬盘、快取存储器、静态随机存取存储器、动态随机存取存储器、非挥发性存储器、固态硬盘、光学储存媒体或其他具相等性的储存组件来实现。在一些实施例当中,存储器120储存可由处理器130执行的指令,其用以执行后续段落所描述的详细步骤。
处理器130与存储器120耦接。处理器130用以执行计算机可执行指令以运算、训练或运作转换器模型TM。在一些实施例当中,转换器模型TM用以执行各种自然语言任务或影像处理,例如回答问题、文件分类、名称提取、文义连贯解析、自然语言推理、文件摘要、翻译、影像识别、影像分类、影像预测或影像转换等。在一个例子中,当转换器模型TM用以执行序列至序列(sequence to sequence)的任务时,处理器130将把输入向量串行传输至转换器模型TM,转换器模型TM将输入向量序列转换为输出向量序列,其中输入向量序列以及输出向量序列皆包括一系列向量表示式。在一些实施例当中,转换器模型TM可包括编码器模组以及解码器模组,其中编码器模组可包括多个第一隐藏表示(hidden representation)层,且解码器模组可包括多个第二隐藏表示层。
在一些实施例中,处理器130还用以执行计算机可执行指令以运算、训练或运作基于转换器的双向编码器表示(bidirectional encoder representations fromtransformers,BERT)模型BERTM。在一些实施例中,基于转换器的双向编码器表示模型BERTM可用以对转换器模型TM中的编码器模组进行预训练(pre-training)。借此,当利用转换器模型TM进行下游任务时,将可大大降低转换器模型TM的训练所消耗的时间以及资源。
在一些实施例中,处理器130可包括图形处理单元(graphics processing unit,GPU)、特殊应用集成电路(application specific integrated circuit,ASIC)、现场可编程开关阵列(field programmable gate array,FPGA)、张量处理单元(tensor processingunit,TPU)、数字信号处理器(digital signal processor,DSP)、单指令多数据(single-instruction multiple-data,SIMD)处理器和/或任何等效处理电路。通常,相较于通用型的中央处理器(center processing unit,CPU),此类处理器可以加速与神经网络模型(例如,训练、预测、预处理等)估算相关的各种计算任务,其加速效果可能达到一个数量级或更多。
检测单元110与处理器130耦接。检测单元110可以是任意用以检测光体积描记数据(photoplethysmography,PPG)的检测电路,例如,检测单元110可以是包括微处理器、发光二极管(light-emitting diode,LED)以及感光器的检测电路,其中发光二极管用以照射使用者的手腕皮肤,感光器用以检测由使用者的手腕皮肤反射的光强度(例如,感光耦合元件(charge-coupled device,CCD)或互补式金属氧化物半导体主动像素传感器(CMOSactive pixel sensor)),以及微处理器用以由光强度计算光体积描记数据。
在一些实施例中,数据处理设备100并不限于包括检测单元110、存储器120以及处理器130,数据处理设备100可以进一步包括操作以及应用中所需的其他元件,举例来说,数据处理设备100还可包括输出界面(例如,用于显示信息的显示面板)、输入界面(例如,触控面板、键盘、麦克风、扫描仪或快闪存储器读取器)以及通信电路(例如,WiFi通信模型、蓝牙通信模型、无线电信网络通信模型等)。举例而言,输出界面可由转换器模型TM接收其产生的输出结果。
请进一步参阅图2,其是根据本揭示一些实施例中转换器模型TM的神经网络架构示意图。如图2所示,转换器模型TM包括编码器模组(encoder module)EM以及解码器模组(decoder module)DM。
编码器模组EM用以根据输入向量序列INseq1产生编码表示式(encodedrepresentation)。解码器模组DM用以根据由编码器模组EM产生的编码表示式产生或预测输出向量序列OUTseq1。
在一示范性举例中,假设一个影像被切割为5个列阵列,并由左至右对这些列阵列转换为输入向量序列INseq1(例如,可采用下述图6中产生多个第一频谱阵列的方法进行转换),其序列长度为10。输入向量序列INseq1中的所有向量表示式皆采用100维向量表示式(例如,1x100矩阵)。在这种情况下,5个列阵列则可以转换为维度为10x100的输入表示式。类似地,如果影像包含2048个列阵列,则输入向量序列INseq1将被表示为维度为4096x100的输入表示式。
在一些实施例中,转换器模型TM包含全连接前馈神经网络(fully connectedfeedforward neural network)FFN1~FFN2,其与解码器模组DM耦接。在一些实施例中,根据解码器模组DM所产生的输出矩阵,全连接前馈神经网络FFN1~FFN2据以产生输出序列OUTseq1。
在一些实施例中,转换器模型TM用以接收输出向量序列OUTseq1或目标向量序列TAR(例如,在与上述影像映射的另一个影像中,切割出一系列列阵列,并同样采用下述图6中产生多个第一频谱阵列的方法将一系列列阵列转换为目标向量序列TAR)。
如图2所示,在一些实施例中,编码器模组EM包含注意力层(self-attentionlayer)SA1以及前馈层(feed forward layer)FF1(即,上述多个第一隐藏表示层),解码器模组DM包括注意力层SA2(或者是称为遮罩注意力(masked self-attention)层)、编码器至解码器注意力(encoder-decoder attention)层EDA(或者是称为跨注意力(cross-attention)层)以及前馈层FF2(即,上述多个第二隐藏表示层)。在这些层中,注意力层SA1、注意力层SA2以及编码器至解码器注意力层EDA用于找出不同标记(例如,输入向量序列INseq1或输出向量序列OUTseq1中的对应列阵列)彼此之间的注意力关系,而前馈层FF1与前馈层FF2分别具有类似于上述全连接前馈神经网络FFN1~FFN2的结构以及功能,其中前馈层FF1以及前馈层FF2分别用以做为对注意力层SA1以及编码器至解码器注意力层EDA的输出进行转换的结构层。此外,通过前馈层FF1以及前馈层FF2的结构,更容易使前馈层FF1以及前馈层FF2各自输出的序列完成整个转换器模型TM的训练。若不采用前馈层FF1以及前馈层FF2的结构,将可能使转换器模型TM的训练更加不稳定(即,无法完成训练)。
进一步参阅图3,其是根据本揭示一些实施例中采用自注意力机制的注意力层ALself的内部结构示意图。在一些实际情况下,具有自注意力机制的注意力层ALself可以用在注意力层SA1、注意力层SA2与编码器至解码器注意力层EDA中的至少一个(或每一个)中。在一些实施例中,注意力层ALself是由图1所示的处理器130所执行的程序指令实现。
值得注意的是,上述实施例虽采用一个编码器模组EM以及一个解码器模组DM,然而,在实际应用上,是可以采用更多个编码器模组EM以及更多个解码器模组DM。
如图3所示,采用自注意力机制的注意力层ALself包含映射层L1和softmax函式层L2。
采用自注意力机制的注意力层ALself允许一个标记关注整个序列当中所有其他标记,并结合其他标记的信息。对应于输入向量序列的输入矩阵MIN的映像层L1分别通过三个线性映像(应用三个可学习权重WQ、WK和WV)处理以分别送出查询向量(query vector)、关键向量(key vector)以及数值向量(value vector)。
在一些实施例中,输入矩阵MIN的维度为n×d,其中n为输入向量序列INseq1的序列长度,d为输入向量序列INseq1中特征向量的维度值。例如,当输入向量序列INseq1包含2048个列阵列,并且输入向量序列INseq1中的每个列阵列都映像到一个100维向量表示式时,输入矩阵MIN将是一个2048x100矩阵(n=2048,d=100)。由于平行化处理的原因,映射层L1产生的查询向量将被打包成一个n×d维度的查询矩阵Q。相似地,关键向量和数值向量分别被打包到具有n×d维度的关键矩阵K以及具有n×d维度的数值矩阵V。
采用自注意力机制的注意力层ALself所产生的输出矩阵MOUT定义为:
在方程式(1)当中,注意力矩阵QKT为查询矩阵Q以及关键矩阵K的转置关键矩阵KT之间的乘积。注意力矩阵QKT保存了所有配对标记之间的注意值,并将整个序列的所有标记彼此关联起来。注意力矩阵QKT除以缩放因子并传递到softmax函式层L2。softmax函式层L2的输出为/>表示查询向量与所有关键向量之间的全部注意力权重,softmax函式层L2的输出与数值矩阵V线性组合而产生输出矩阵MOUT。
在上述产生输出矩阵MOUT的计算过程中,softmax函式层L2是根据注意力矩阵QKT计算的。在这种情况下,查询矩阵Q是一个n×d维度的矩阵;关键矩阵K的转置关键矩阵KT为d×n维度的矩阵;因此注意力矩阵QKT是一个n×n维度的矩阵。
进一步参阅图4,其是根据本揭示一些实施例中基于转换器的双向编码器表示模型BERTM的内部结构示意图。如图4所示,基于转换器的双向编码器表示模型BERTM包括编码器模组EM以及全连接前馈神经网络FFN3~FFN4。
在一些实施例中,编码器模组EM包含于上述转换器模型TM中,在此可先利用基于转换器的双向编码器表示模型BERTM对编码器模组EM进行预训练。在一些实施例中,编码器模组EM用以根据输入向量序列INseq2产生编码表示式。值得注意的是,同样可采用下述图6中产生多个第一频谱阵列的方法产生输入向量序列INseq2。
在一些实施例中,全连接前馈神经网络FFN3~FFN4互相串接,全连接前馈神经网络FFN3与编码器模组EM耦接。在一些实施例中,根据编码器模组EM所产生的输出矩阵,全连接前馈神经网络FFN3~FFN4据以产生输出向量序列OUTseq2。在一些实施例中,基于转换器的双向编码器表示模型BERTM可对在输出向量序列OUTseq2中与上述插入的列阵列对应的阵列进行损失函数(loss function)计算以完成对编码器模组EM的预训练。
进一步参阅图5,其是本揭示的数据处理方法的流程图。图1所示的数据处理设备100可用以执行图5中的数据处理方法中的所有步骤。
如图5所示,首先,于步骤S510中,运行转换器模型,并对光体积描记数据进行短时距傅立叶变换(short-term Fourier transform,STFT)以产生第一时频矩阵(spectrogrammatrix)。详细而言,处理器对光体积描记数据进行短时距傅立叶变换以产生第一时频矩阵,第一时频矩阵中的多个列分别对应于多个时间片段,第一时频矩阵中的多个列的各者包括于对应的时间片段上的多个频率分量。换言之,一个列对应于一个时间片段,且一个列中的一个元素对应于一个频率。
在一些实施例中,处理器可对光体积描记数据进行信号预处理,以对处理后的光体积描记数据进行短时距傅立叶变换。在一些实施例中,信号预处里包括带通滤波(bandpass filter)处理、Z分数正规化(Z-score normalization)处理、光体积描记图的波峰以及波谷检测(peak and foot detection)、信号分割(signal segmentation)处理、异常波型移除(abnormal waveform removal)处理以及再取样(resampling)处理。
在一些实施例中,转换器模型中的编码器模组用以输入多个第一频谱阵列。在一些实施例中,第一时频矩阵中的多个列中的各者包括分别与多个频率对应的多个复数(complex number)。
于步骤S520中,对第一时频矩阵进行数值拆分处理以产生第一频谱矩阵,其中第一频谱矩阵包括由左至右依序排列的多个第一频谱阵列。在一些实施例中,数值拆分处理包括:由左至右选择第一时频矩阵中的多个列中的一者,将多个列中的一者的多个复数拆分为多个实部数值以及多个虚部数值,根据多个实部数值以及多个虚部数值产生实数频谱阵列以及虚数频谱阵列,将实数频谱阵列做为多个列中的一者,在多个列中的一者的右侧插入虚数频谱阵列。
于步骤S530中,将多个第一频频谱阵列由左至右输入转换器模型以依序产生多个第二频谱阵列,并根据产生多个第二频谱阵列的顺序将多个第二频谱阵列转换为第二频谱矩阵。在一些实施例中,全连接前馈神经网络用以输出多个第二频谱阵列。
于步骤S540中,对第二频谱矩阵进行数值合并处理以产生第二时频矩阵。在一些实施例中,数值合并处理包括:由左至右依序选择第二频谱矩阵中的两个列。接着,将选择的两个列中靠左的一者的多个数值做为多个复数的实部数值,将选择的两个列中靠右的一者的多个数值做为多个复数的虚部数值,其中多个复数分别对应于多个频率。接着,针对选择的两个列,根据多个频率以及多个复数产生结合频谱阵列。针对选择的两个列,将结合频谱阵列做为第二频谱矩阵中的两个列中靠左的一者,并删除第二频谱矩阵中的两个列中靠右的该一者。
于步骤S550中,对第二时频矩阵进行反短时距傅立叶变换(inverse short-termFourier transform,inverse STFT)以产生动脉血压(arterial blood pressure,ABP)数据。在一些实施例中,动脉血压数据用以指示使用者的血压。
在一些实施例中,可进一步运行基于转换器的双向编码器表示模型,基于转换器的双向编码器表示模型用以执行:将多个第一频谱阵列中的一者取代为遮罩阵列以产生遮罩频谱矩阵。将多个第一频谱阵列中的一者取代为随机阵列以产生随机频谱矩阵。将遮罩频谱矩阵、随机频谱矩阵以及第一频谱矩阵输入编码器模组以预训练编码器模组。在一些实施例中,遮罩阵列中的各元素(element)可为相同的实数。在一些实施例中,随机阵列中的各元素可为任意实数。
值得注意的是,详细步骤将在以下例子中进一步说明。
进一步参阅图6,其是根据本揭示一些实施例中数值拆分处理的示意图。如图6所示,可对光体积描记数据PPG进行短时距傅立叶变换以产生第一时频矩阵MAT1,并例如将第一时频矩阵MAT1切割为11×3的矩阵,其中这些元素都对应到各自的频率,各元素都取样出一个复数的数值,例如是0.243+0.012i。接着,取出此元素的实数数值(0.243)以及虚部数值(0.012),并将此元素的数值设定为实数数值,以及将此元素的右侧插入新的元素,其中此元素的数值被设定为虚部数值。借此,可产生第二频谱矩阵MAT2,其维度为11×6。
值得注意的是,先前段落所述的数值合并处理就是上述数值拆分处理的反向处理。换言之,就是针对第二频谱矩阵由左至右将相邻的两列合并,两列中的左列做为实部数值且右列做为虚部数值,以产生一个复数做为左列的数值,进而删除右列。借此,进一步产生第二时频矩阵,并对第二时频矩阵进行反短时距傅立叶变换以产生动脉血压数据。
进一步参阅图7,其是根据本揭示一些实施例中执行基于转换器的双向编码器表示模型BERTM的示意图。如图7所示,可将输入矩阵INmat1中的第4列取代为遮罩阵列(例如,各元素的数值皆为-0.99999),也可将输入矩阵INmat1中的第4列取代为随机阵列(例如,各元素的数值为特定数值范围中的任意数值),还可以不对输入矩阵INmat1进行任何处理。值得注意的是,在实务上,会存在多个输入矩阵INmat1以对编码器模组EM进行预训练,其中这些输入矩阵INmat1中的15%会被进行特殊处理(例如,100个输入矩阵INmat1中会有15个输入矩阵INmat1被进行特殊处理),而在被进行特殊处理的输入矩阵INmat1中,有80%会被插入上述遮罩阵列,10%会被插入上述随机阵列,以及10%会不做任何处理此外,输入矩阵INmat1中的第1列以及最后1列通常是被分别设定为开始列(例如,所有元素都是-1)以及结束列(例如,所有元素都是1)。输入矩阵INmat1中的第2列至倒数第2列可以是上述第一频谱矩阵。
再者,可将输入矩阵IMmat1中的各列依序输入至基于转换器的双向编码器表示模型BERTM,其中基于转换器的双向编码器表示模型BERTM包括编码器模组EM以及全连接前馈神经网络FFN3~FFN4。全连接前馈神经网络FFN4可输出多个阵列。接着,去除所产生的第1个以及倒数第1个阵列(即,开始阵列以及结束阵列),将剩余的阵列依序组合为输出矩阵OUTmat1。接着,可对输出矩阵OUTmat1以及输入矩阵INmat1进行交叉熵(cross entropy)计算以产生损失,并利用此损失对基于转换器的双向编码器表示模型BERTM进行反向传递(back propagation)处理以更新编码器模组EM中的参数,进而完成编码器模组EM的预训练。
进一步参阅图8,其是根据本揭示一些实施例中训练转换器模型TM的示意图。如图8所示,输入矩阵INmat2中的各列被依序输入至输入编码器模组EM。接着,目标矩阵TARmat中的各列可依序输入至解码器模组DM,并经由解码器模组DM以及全连接前馈神经网络FFN1~FFN2进行处理以从全连接前馈神经网络FFN2依序产生多个阵列。接着,去除最后1个阵列,并将剩余的阵列依序组合成输出矩阵OUTmat2。
值得注意的是,输入矩阵INmat2中的第1列以及最后1列也是被分别设定为开始列(例如,所有元素都是-1)以及结束列(例如,所有元素都是1)。输入矩阵INmat2中的第2列至倒数第2列可以是上述第一频谱矩阵。
目标矩阵TARmat中的第1列以及最后1列也是被分别设定为开始列(例如,所有元素都是-1)以及结束列(例如,所有元素都是1)。目标矩阵TARmat中的第2列至倒数第2列可以是一个血压频谱矩阵。血压频谱矩阵是由目标动脉血压数据经由信号预处理以及短时距傅立叶变换所产生的,其中目标动脉血压数据用以做为光体积描记数据的基准真相(ground truth)。换言之,目标动脉血压数据以及光体积描记数据就是预先分别从同一个使用者检测的(例如,利用血压计以及智能型手环对同一个使用者进行检测)。
再者,可对输出矩阵OUTmat2以及血压频谱矩阵进行均方根误差(root-mean-square error,RMSE)处理以产生损失,并利用此损失对转换器模型TM进行反向传递处理以更新编码器模组EM以及解码器模组DM中的参数,进而完成转换器模型TM的训练。
进一步参阅图9,其是根据本揭示一些实施例中使用转换器模型TM的示意图。如图9所示,输入矩阵INmat3中的各列被依序输入至编码器模组EM。接着,一个开始阵列(例如,所有元素都是-1)可被输入至解码器模组DM,并经由解码器模组DM以及全连接前馈神经网络FFN1~FFN2进行处理以从全连接前馈神经网络FFN2产生第1个阵列。接着,所产生的第1个阵列会被输入至解码器模组DM,并经由解码器模组DM以及全连接前馈神经网络FFN1~FFN2进行处理以从全连接前馈神经网络FFN2产生第2个阵列。以此类推,继续将所产生的第2个阵列输入至解码器模组DM,直到全连接前馈神经网络FFN2产生结束阵列(例如,所有元素都是1)为止。接着,去除结束阵列,并根据产生各阵列的时间片段,依序结合这些阵列以产生整个输出矩阵OUTmat3。
此时,输入矩阵INmat3中的第1列以及最后1列也是被分别设定为开始列(例如,所有元素都是-1)以及结束列(例如,所有元素都是1)。输入矩阵INmat3中的第2列至倒数第2列可以是上述第一频谱矩阵。
最后,可将输出矩阵OUTmat3中的所有列进行上述数值合并处理以及上述反短时距傅立叶变换,以产生使用者所需要的动脉血压数据。
综上所述,本揭示的数据处理设备仅需要搜集使用者的光体积描记数据就能利用转换器模型产生使用者所需要的动脉血压数据。因此,这仅仅需要非常简单且低成本的电路的检测单元检测光体积描记数据,就能预测出动脉血压数据,这将降低直接搜集使用者的动脉血压数据所产生的高成本。此外,还可根据使用者的光体积描记数据利用基于转换器的双向编码器表示模型对转换器模型中的编码器模组预训练,这将大大降低转换器模型的训练时间以及大大增加转换数据的准确度。
虽然本揭示的特定实施例已经揭露有关上述实施例,此些实施例不意欲限制本揭示。各种替代及改良可通过相关领域中的一般技术人员在本揭示中执行而没有从本揭示的原理及精神背离。因此,本揭示的保护范围由所附权利要求确定。
【符号说明】
100:数据处理设备
110:检测单元
120:存储器
130:处理器
TM:转换器模型
EM:编码器模组
DM:解码器模组
BERTM:基于转换器的双向编码器表示模型
SA1、SA2:注意力层
FF1、FF2:前馈层
EDA:编码器至解码器注意力层
FFN1~FFN4:全连接前馈神经网络
INseq1、INseq2:输入向量序列
OUTseq1、OUTseq2:输出向量序列
TAR:目标向量序列
ALself:注意力层
L1:映射层
L2:softmax函式层
MIN:输入矩阵
MOUT:输出矩阵
WQ:可学习权重
WK:可学习权重
WV:可学习权重
Q:查询矩阵
K:关键矩阵
V:数值矩阵
QKT:注意力矩阵
S510~S550:步骤
MAT1:第一时频矩阵
MAT2:第二频谱矩阵
PPG:光体积描记数据
INmat1~INmat3:输入矩阵
OUTmat~OUTmat3:输出矩阵
TARmat:目标矩阵。
Claims (12)
1.一种数据处理设备,其特征在于,包括:
检测单元,用以检测光体积描记数据;
存储器,用以储存多个计算机可执行指令;以及
处理器,耦接该检测单元以及该存储器,该处理器用以执行所述多个计算机可执行指令以运行转换器模型,该处理器用以进行下列操作:
对该光体积描记数据进行短时距傅立叶变换以产生第一时频矩阵,其中该第一时频矩阵中的多个列分别对应于多个时间片段,该第一时频矩阵中的所述多个列的各者包括于对应的时间片段上的多个频率分量;
对该第一时频矩阵进行数值拆分处理以产生第一频谱矩阵,其中该第一频谱矩阵包括由左至右依序排列的多个第一频谱阵列;
将所述多个第一频频谱阵列由左至右输入该转换器模型以依序产生多个第二频谱阵列,并根据产生所述多个第二频谱阵列的顺序将所述多个第二频谱阵列转换为第二频谱矩阵;
对该第二频谱矩阵进行数值合并处理以产生第二时频矩阵;
对该第二时频矩阵进行反短时距傅立叶变换以产生动脉血压数据。
2.根据权利要求1所述的数据处理设备,其中该转换器模型包括编码器模组、解码器模组、第一全连接前馈神经网络以及第二全连接前馈神经网络,其中
该编码器模组用以输入所述多个第一频谱阵列,并连接该解码器模组,该解码器模组连接该第一全连接前馈神经网络,以及
该第一全连接前馈神经网络连接该第二全连接前馈神经网络,该第二全连接前馈神经网络用以输出所述多个第二频谱阵列,其中该编码器模组包括多个第一隐藏表示层,且该解码器模组包括多个第二隐藏表示层。
3.根据权利要求2所述的数据处理设备,其中所述多个第一隐藏表示层包括第一注意力层以及第一前馈层,且所述多个第二隐藏表示层包括第二注意力层、编码器至解码器注意力层以及第二前馈层。
4.根据权利要求1所述的数据处理设备,其中该第一时频矩阵中的所述多个列中的各者包括分别与所述多个频率对应的多个复数,其中该数值拆分处理包括:
由左至右选择该第一时频矩阵中的所述多个列中的一者,将所述多个列中的该一者的所述多个复数拆分为多个实部数值以及多个虚部数值,根据所述多个实部数值以及所述多个虚部数值产生实数频谱阵列以及虚数频谱阵列,将该实数频谱阵列做为所述多个列中的该一者,在所述多个列中的该一者的右侧插入该虚数频谱阵列。
5.根据权利要求1所述的数据处理设备,其中该数值合并处理包括:
由左至右依序选择该第二频谱矩阵中的两个列;
将该选择的两个列中靠左的一者的多个数值做为多个复数的实部数值,将该选择的两个列中靠右的一者的多个数值做为多个复数的虚部数值,其中所述多个复数分别对应于所述多个频率;
针对该选择的两个列,根据所述多个频率以及所述多个复数产生结合频谱阵列;以及
针对该选择的两个列,将该结合频谱阵列做为该第二频谱矩阵中的该两个列中靠左的该一者,并删除该第二频谱矩阵中的该两个列中靠右的该一者。
6.根据权利要求1所述的数据处理设备,其中该处理器还包括运行基于转换器的双向编码器表示模型,其中该基于转换器的双向编码器表示模型用以执行:
将所述多个第一频谱阵列中的一者取代为遮罩阵列以产生遮罩频谱矩阵;
将所述多个第一频谱阵列中的该一者取代为随机阵列以产生随机频谱矩阵;以及
将该遮罩频谱矩阵、该随机频谱矩阵以及该第一频谱矩阵输入该转换器模型中的编码器模组以预训练该编码器模组。
7.根据权利要求6所述的数据处理设备,其中所述基于转换器的双向编码器表示模型包括编码器模组、第一全连接前馈神经网络以及第二全连接前馈神经网络。
8.一种数据处理方法,其特征在于,包括:
运行转换器模型,并对光体积描记数据进行短时距傅立叶变换以产生第一时频矩阵,其中该第一时频矩阵中的多个列分别对应于多个时间片段,该第一时频矩阵中的所述多个列的各者包括于对应的时间片段上的多个频率分量;
对该第一时频矩阵进行数值拆分处理以产生第一频谱矩阵,其中该第一频谱矩阵包括由左至右依序排列的多个第一频谱阵列;
将所述多个第一频频谱阵列由左至右输入该转换器模型以依序产生多个第二频谱阵列,并根据产生所述多个第二频谱阵列的顺序将所述多个第二频谱阵列转换为第二频谱矩阵;
对该第二频谱矩阵进行数值合并处理以产生第二时频矩阵;以及
对该第二时频矩阵进行反短时距傅立叶变换以产生动脉血压数据。
9.根据权利要求8所述的数据处理方法,其中该转换器模型包括编码器模组、解码器模组、第一全连接前馈神经网络以及第二全连接前馈神经网络,其中
该编码器模组用以输入所述多个第一频谱阵列,并连接该解码器模组,该解码器模组连接该第一全连接前馈神经网络,以及
该第一全连接前馈神经网络连接该第二全连接前馈神经网络,该第二全连接前馈神经网络用以输出所述多个第二频谱阵列,其中该编码器模组包括多个第一隐藏表示层,且该解码器模组包括多个第二隐藏表示层。
10.根据权利要求8所述的数据处理方法,其中该第一时频矩阵中的所述多个列中的各者包括分别与所述多个频率对应的多个复数,其中该数值拆分处理包括:
由左至右选择该第一时频矩阵中的所述多个列中的一者,将所述多个列中的该一者的所述多个复数拆分为多个实部数值以及多个虚部数值,根据所述多个实部数值以及所述多个虚部数值产生实数频谱阵列以及虚数频谱阵列,将该实数频谱阵列做为所述多个列中的该一者,在所述多个列中的该一者的右侧插入该虚数频谱阵列。
11.根据权利要求8所述的数据处理方法,其中该数值合并处理包括:
由左至右依序选择该第二频谱矩阵中的两个列;
将该选择的两个列中靠左的一者的多个数值做为多个复数的实部数值,将该选择的两个列中靠右的一者的多个数值做为多个复数的虚部数值,其中所述多个复数分别对应于所述多个频率;
针对该选择的两个列,根据所述多个频率以及所述多个复数产生结合频谱阵列;以及
针对该选择的两个列,将该结合频谱阵列做为该第二频谱矩阵中的该两个列中靠左的该一者,并删除该第二频谱矩阵中的该两个列中靠右的该一者。
12.根据权利要求8所述的数据处理方法,其特征在于,还包括运行基于转换器的双向编码器表示模型,其中该基于转换器的双向编码器表示模型用以执行:
将所述多个第一频谱阵列中的一者取代为遮罩阵列以产生遮罩频谱矩阵;
将所述多个第一频谱阵列中的该一者取代为随机阵列以产生随机频谱矩阵;以及
将该遮罩频谱矩阵、该随机频谱矩阵以及该第一频谱矩阵输入该转换器模型中的编码器模组以预训练该编码器模组。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202263364628P | 2022-05-13 | 2022-05-13 | |
US63/364,628 | 2022-05-13 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117933310A true CN117933310A (zh) | 2024-04-26 |
Family
ID=88700018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310534268.2A Pending CN117933310A (zh) | 2022-05-13 | 2023-05-12 | 数据处理设备以及方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230363651A1 (zh) |
CN (1) | CN117933310A (zh) |
TW (1) | TWI833649B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103385702B (zh) * | 2013-07-26 | 2015-08-26 | 中国科学院深圳先进技术研究院 | 一种无创血压连续检测装置及方法 |
US11357413B2 (en) * | 2014-03-06 | 2022-06-14 | Healthy.Io Ltd. | Methods and apparatus for self-calibrating non-invasive cuffless blood pressure measurements |
CN104739395A (zh) * | 2015-03-25 | 2015-07-01 | 华中科技大学 | 一种基于脉搏波的人体血压预测方法 |
US10667690B2 (en) * | 2016-04-02 | 2020-06-02 | Intel Corporation | Compressive sensing sparse sampling photoplethysmogram (PPG) measurement |
CN109069031B (zh) * | 2016-10-20 | 2021-12-24 | 京东方科技集团股份有限公司 | 用于确定对象血压的设备和方法 |
KR20200097803A (ko) * | 2017-12-22 | 2020-08-19 | 센시프리 리미티드 | 연속적인 혈압 측정 |
TWI731339B (zh) * | 2018-06-11 | 2021-06-21 | 當代漢雲企業有限公司 | 脈診量測裝置及方法 |
KR20200054723A (ko) * | 2018-11-12 | 2020-05-20 | 삼성전자주식회사 | 혈압 측정 장치 및 방법 |
-
2023
- 2023-05-12 US US18/316,248 patent/US20230363651A1/en active Pending
- 2023-05-12 TW TW112117803A patent/TWI833649B/zh active
- 2023-05-12 CN CN202310534268.2A patent/CN117933310A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230363651A1 (en) | 2023-11-16 |
TWI833649B (zh) | 2024-02-21 |
TW202345089A (zh) | 2023-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668671B (zh) | 预训练模型的获取方法和装置 | |
CN110264991B (zh) | 语音合成模型的训练方法、语音合成方法、装置、设备及存储介质 | |
Demir et al. | Towards the classification of heart sounds based on convolutional deep neural network | |
Allen et al. | Signal analysis: time, frequency, scale, and structure | |
Wei et al. | Assumption-Free Anomaly Detection in Time Series. | |
CN116504382B (zh) | 远程医疗监护系统及其方法 | |
CN110123367A (zh) | 计算机设备、心音识别装置、方法、模型训练装置及存储介质 | |
CN110223671A (zh) | 语言韵律边界预测方法、装置、系统和存储介质 | |
KR20230072454A (ko) | 이미지 텍스트 양방향 생성 장치, 방법 및 프로그램 | |
CN117158923A (zh) | 基于元宇宙的居家养老远程监控方法 | |
WO2023056507A1 (en) | System and method using machine learning algorithm for vital sign data analysis | |
CN112259260A (zh) | 基于智能穿戴设备的智能医疗问答方法、系统及装置 | |
CN115831105A (zh) | 基于改进Transformer模型的语音识别方法及装置 | |
Hu et al. | Spatiotemporal self-supervised representation learning from multi-lead ECG signals | |
CN112914528B (zh) | 一种无袖带血压测量的模型生成方法、装置及计算机可读介质 | |
Yang et al. | More to Less (M2L): Enhanced health recognition in the wild with reduced modality of wearable sensors | |
CN117933310A (zh) | 数据处理设备以及方法 | |
CN116469534B (zh) | 医院叫号管理系统及其方法 | |
Yun et al. | Lightweight end-to-end stress recognition using binarized CNN-LSTM models | |
Chien et al. | Continuous-time self-attention in neural differential equation | |
Liu et al. | Guidelines for Augmentation Selection in Contrastive Learning for Time Series Classification | |
Ige et al. | Unsupervised feature learning in activity recognition using convolutional denoising autoencoders with squeeze and excitation networks | |
CN114297398A (zh) | 基于神经网络的知识图谱实体链接方法、装置及电子设备 | |
Abdali-Mohammadi | 12 lead electrocardiography signals compression by a new genetic programming based mathematical modeling algorithm | |
Al-juaifari et al. | A novel framework for future human activity prediction using sensor-based data |
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 |