[发明专利]基于PPG信号和一维卷积神经网络的心率测量方法及装置

说明书

本发明涉及基于PPG信号和一维卷积神经网络的心率测量方法及装置，其中，心率测量方法包括以下步骤：获取PPG信号、心电信号和三轴加速度信号进行预处理；构建一维卷积神经网络模型，输入经预处理的PPG信号、心电信号与三轴加速度信号作为训练集，对模型进行训练；基于训练完成的模型，输入经预处理的PPG信号与三轴加速度信号，输出心率值。同时输入PPG信号与三轴加速度计信号后能够极大地降低运动伪影所带来的影响，提高了模型在各种运动情况下的适应性。

技术领域

本发明涉及运动状态的心率检测领域，具体为基于PPG信号和一维卷积神经网络的心率测量方法及装置。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

心脏每分钟跳动的次数被定义为心率,在日常生活中，心率通常用于监测人体的运动量，也能够为医学诊断提供参考。因此，它已被广泛地应用于健身运动、竞技比赛、体育训练以及运动康复等多个方面。

近年来，出现了多种能够实现心率测量的可穿戴智能设备，其中，基于光电容积脉搏波(Photoplethysmography，PPG)信号实现心率测量的设备，其主要优点是成本较低、硬件实现简单。

但PPG信号是从人体组织表面提取的生物信号，其信号强度弱，易受到剧烈运动所引起的运动伪影的影响，进而大幅度降低心率测量结果的可靠性和精确度。

传统的方法大多采用小波变换，进行心率的评估，但在评估过程中容易受到运动伪影的干扰从而影响PPG信号的获取。运动伪影是由人体自主和非自主运动或血管搏动造成的沿相位编码方向分布的条形或弧形伪影，其强弱与磁场强度、运动幅度、运动方向有关，并且运动伪影因人而异，因运动而异。

以常见的智能手表为例，智能手表穿戴在手腕上的松紧程度，手腕皮肤出汗量的大小，手腕皮肤颜色深浅等因素，都对PPG的获取存在一定影响。因此，采取传统方式获取心率测量结果的可靠性和精确度都难以满足需求。

发明内容

为了解决上述问题，本发明给出了基于PPG信号和一维卷积神经网络的心率测量方法及装置，舍弃了快速傅里叶变换将时域信息转到频率域后再进行二维卷积的方法，原因在于使用完快速傅里叶变换后将时域信息转到了频率域中，在频率域中卷积窗口内的数据在时域是不连续的。改进后卷积神经网络直接在原始数据上进行卷积而不是频率域。并且对模型架构进行了改变，适当加深了网络的层数。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供基于PPG信号和一维卷积神经网络的心率测量方法，包括以下步骤：

获取PPG信号、心电信号和三轴加速度信号进行预处理；

构建一维卷积神经网络模型，输入经预处理的PPG信号、心电信号与三轴加速度信号作为训练集，对模型进行训练；

基于训练完成的模型，输入经预处理的PPG信号与三轴加速度信号，输出心率值。

预处理的过程包括，依据奇偶索引划分PPG信号。

预处理的过程还包括，将划分完成的PPG信号与三轴加速度信号拼接在一起，形成一维卷积神经网络模型的输入数据集。

预处理的过程还包括，以设定时间周期内的瞬时平均心电信号作为数据集的标签。

一维卷积神经网络模型包括连接在一起的至少一组卷积层，至少六组卷积层和至少四组全连接层。

一维卷积神经网络模型中，最后一个卷积层连接的四组全连接层输出的结果，即为预测的心率值。

对模型进行训练的过程包括，将拼接完成的PPG信号数据与三轴加速度信号数据以及对应的标签信息，输入构建完成的一维卷积神经网络模型中，训练模型。