[发明专利]一种基于脉搏波多特征融合的呼吸率提取方法

说明书

本发明公开了一种基于脉搏波多特征融合的呼吸率提取方法，步骤如下：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，对脉搏波文件进行数据预处理得到多通道融合后的脉搏波；提取上述融合后脉搏波的多种时频特征；通过时域分析构建上述各个时频特征的可信测度；对上述各个特征利用注意力机制将其可信测度作为神经网络中各个特征的学习权重，使用卷积神经网络提取出呼吸特征图；将提取到的呼吸特征图进行融合后输入到VGG回归模型得到最终的呼吸率。本发明基于多特征的可信测度，同时结合神经网络的注意力机制更好的提取呼吸特征图，提高了大数据情况下基于脉搏波呼吸率提取的准确度。

技术领域

本发明涉及呼吸率监测技术领域，具体涉及一种基于脉搏波多特征融合的呼吸率提取方法。

背景技术

呼吸率是表征呼吸功能的一个重要参数，是反应个人身体健康状况的重要生理指标。慢性呼吸疾病是全球负担最重的四大慢病之一，人体无论是呼吸系统本身的病变，还是其他重要器官的病变，发展到一定程度都会影响到呼吸中枢。因此，持续、准确的呼吸率监测有利于预防肺部、呼吸道等部位的病变。

目前检测呼吸率的方法主要分为电信号检测法、声信号检测法、光电信号检测法。目前临床上主要使用的是电信号检测法，电信号采集法包括热敏式、阻抗式、电容式等测量方法，通过电信号的变换测量呼吸率。电信号测量法需要在人体上贴上电极片外接线测量，且电信号容易受肢体运动影响。声信号检测法需要将采集器放在人体鼻前，会引起被测者的不适感，因此电信号与声信号检测法均不适用于日常监控。光电信号检测法是基于光电容积获得到脉搏波，进而提取呼吸率的方法，该方法不需要复杂庞大的硬件设备，数据易采集，更有利于日常监控。目前基于光电容积脉搏波提取呼吸率主要是利用呼吸对脉搏波基线的调制作用，提取方法包括低通滤波法、EMD分解法、小波分解法或是基于脉搏波的基线信号处理法，但由于人体系统的复杂性以及脉搏波获取过程极易受到干扰，脉搏波的基线成分并非单一，还包含温度调节和神经系统调节相关的低频信号，导致上述方法提取到的呼吸信号存在一定的不确定性，数据量大的情况下呼吸率提取的准确度不高。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于脉搏波多特征融合的呼吸率提取方法。该方法基于脉搏波提取多种包含呼吸信息的时频域特征，同时对各个特征建立了可信测度的计算方法，利用神经网络结合可信测度对各个特征进行不同权重的学习，提取呼吸特征图，有利于提高呼吸率提取的准确度。

本发明的目的可以通过采取如下技术方案达到：

一种基于脉搏波多特征融合的呼吸率提取方法，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；

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。

进一步地，所述步骤S1过程如下：