[发明专利]一种基于脉搏波多特征融合的呼吸率提取方法

权利要求书

1.一种基于脉搏波多特征融合的呼吸率提取方法，其特征在于，所述呼吸率提取方法包括如下步骤：

S1、使用阵列脉搏波采集器采集用户的手腕、手指处的信号，得到多通道脉搏波文件，对多通道脉搏波文件进行数据预处理得到多通道融合后的脉搏波，其中，数据预处理包括时间切片、去除高频噪声、通道筛选、多通道信号融合、归一化；

S2、对步骤S1得到的多通道融合后的脉搏波提取多种包含呼吸信息的脉搏波时频特征；所述步骤S2过程如下：

S201、对于经过步骤S1预处理得到的多通道融合后的脉搏波求取主波波峰点集合；

S202、对主波波峰点集合通过三次样条插值得到主波波峰包络特征；

S203、依次遍历主波波峰点，求取相邻两个峰点间时间的差值，得到脉搏周期变化特征Tc_i＝p_i-p_i-1，其中，p_i为脉搏波第i个主波波峰点对应的时间点；

S204、依次遍历主波波峰点，求取相邻两点间幅度的差值除以两点间的时间差，得到脉搏幅度变化率特征其中，p_i为脉搏波第i个主波波峰点对应的时间点，a_i为脉搏波第i个主波波峰点对应的幅值；

S205、对于经过步骤S1预处理得到的多通道融合后的脉搏波通过一个截止频率为f₂的FIR低通滤波器得到脉搏波的低频特征；

S3、对步骤S2得到的各个脉搏波时频特征分别建立可信测度；

S4、将步骤S2得到的脉搏波时频特征和步骤S3得到可信测度输入到呼吸特征图提取网络，所述呼吸特征图提取网络包括注意力机制模块和卷积神经网络模块：注意力机制模块根据步骤S3得到的可信测度为步骤S2得到的各个脉搏波时频特征设置不同的学习权重；卷积神经网络模块是由多个卷积层、激活层、池化层构成的卷积神经网络，用于从注意力机制模块得到的带有学习权重的脉搏波时频特征中提取呼吸特征图；

S5、对步骤S4得到的呼吸特征图进行特征融合，将融合得到的结果输入到VGG回归模型，得到用户的呼吸率。

2.根据权利要求1所述的一种基于脉搏波多特征融合的呼吸率提取方法，其特征在于，所述步骤S1过程如下：

S101、使用阵列脉搏波采集器采集用户手腕、手指处的信号，得到多通道脉搏波文件，对多通道脉搏波文件进行数据转化，得到N通道脉搏波，对N通道脉搏波进行间隔t的时间切片，将同一时间片段内的N通道脉搏波作为一组；

S102、依次将每一组的N通道脉搏波信号通过一个截止频率为f_l的FIR低通滤波器去除信号的高频噪声，对去噪后的N通道脉搏波进行通道筛选，将N通道脉搏波分别通过脉搏波的幅值和斜率变化判断每一通道脉搏波是否有失真、信号弱的情况，通过滑窗法检测信号是否有突变的情况，通过自相关计算检测信号是否存在非周期情况，如果存在上述任意一种情况，则去除该通道的脉搏波；

S103、对步骤S102得到的各通道脉搏波进行通道融合。

3.根据权利要求1所述的一种基于脉搏波多特征融合的呼吸率提取方法，其特征在于，所述步骤S3中对各个特征建立可信测度过程如下：

S301、求取主波波峰包络特征、脉搏周期变化特征、脉搏幅度变化率特征、脉搏波的低频特征的自相关函数，对自相关函数取极大值点的集合；

S302、设置极大值点间的最小间隔阈值为T_min,最大间隔阈值为T_max,滑窗法依次检测各极大值点间的间隔，计算间隔小于T_min或大于T_max的个数n，对应的可信测度为

4.根据权利要求1所述的一种基于脉搏波多特征融合的呼吸率提取方法，其特征在于，所述呼吸特征图提取网络包括注意力机制模块和卷积神经网络模块，其中，注意力机制模块以多种包含呼吸信息的脉搏波时频特征作为输入，根据各个时频特征的可信测度R作为卷积神经网络的学习权重，把各个时频特征的可信测度R点乘对应的时频特征，得到带有学习权重的脉搏波时频特征；卷积神经网络模块分别将上述带有学习权重的脉搏波时频特征输入到依次顺序连接的卷积层1、池化层1、卷积层2、池化层2、全连接层中，全连接层输出为呼吸信息的特征表达即呼吸特征图。