【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)涉及雷達(dá)信號(hào)處理，具體涉及一種基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法及系統(tǒng)。
技術(shù)介紹
1、electrocardiogram(ecg，心電圖)是一種用于測(cè)量和記錄心臟電活動(dòng)的技術(shù)和儀器，通過(guò)在患者身體的特定位置放置電極來(lái)采集心臟電信號(hào)，并將其轉(zhuǎn)化為可視化的圖形或數(shù)字?jǐn)?shù)據(jù)。
2、隨著計(jì)算機(jī)視覺(jué)和雷達(dá)技術(shù)的發(fā)展，非接觸式測(cè)量ecg信號(hào)受到了越來(lái)越多的關(guān)注。rppg(remote?photoplethysmography，非接觸式心率監(jiān)測(cè))技術(shù)通過(guò)人臉視頻采集心率信息，但對(duì)光照條件和皮膚類(lèi)型敏感。相比之下，雷達(dá)信號(hào)不受光照影響，具有高采樣頻率和小數(shù)據(jù)量的優(yōu)勢(shì)，可以更準(zhǔn)確地感知心臟機(jī)械運(yùn)動(dòng)信號(hào)。然而，傳統(tǒng)的信號(hào)處理方法對(duì)噪聲和干擾信號(hào)敏感，而且不同個(gè)體的信號(hào)特征可能不同。盡管已有一些基于深度學(xué)習(xí)的方法用于心率和呼吸率測(cè)量，但缺乏高質(zhì)量標(biāo)注的ecg數(shù)據(jù)集使得這些算法的訓(xùn)練困難。
技術(shù)實(shí)現(xiàn)思路
1、本專(zhuān)利技術(shù)的目的在于針對(duì)上述現(xiàn)有技術(shù)中的問(wèn)題，提供一種基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法及系統(tǒng)，能夠?qū)崿F(xiàn)心臟機(jī)械運(yùn)動(dòng)信號(hào)到ecg信號(hào)的轉(zhuǎn)換，進(jìn)而對(duì)心電活動(dòng)完成高精度預(yù)測(cè)，提高心電監(jiān)測(cè)的舒適度和便捷性。
2、為了實(shí)現(xiàn)上述目的，本專(zhuān)利技術(shù)有如下的技術(shù)方案：
3、第一方面，提供一種基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法，包括：
4、采用調(diào)頻連續(xù)波雷達(dá)獲取待測(cè)者的胸壁振動(dòng)信號(hào)s；
5、從胸壁振動(dòng)信號(hào)s中分離出心臟機(jī)
6、通過(guò)預(yù)先建立的resnet架構(gòu)神經(jīng)網(wǎng)絡(luò)模型將心臟機(jī)械運(yùn)動(dòng)信號(hào)sh轉(zhuǎn)換為心電信號(hào)ecg。
7、優(yōu)選的，在所述通過(guò)預(yù)先建立的resnet架構(gòu)神經(jīng)網(wǎng)絡(luò)模型將心臟機(jī)械運(yùn)動(dòng)信號(hào)sh轉(zhuǎn)換為心電信號(hào)ecg的步驟中，使用核為3的一維卷積神經(jīng)網(wǎng)絡(luò)1d?cnn來(lái)提取心臟機(jī)械運(yùn)動(dòng)信號(hào)sh中的數(shù)據(jù)特征，提取到的數(shù)據(jù)特征經(jīng)過(guò)歸一化和激活函數(shù)后，進(jìn)入主干網(wǎng)絡(luò)；主干網(wǎng)絡(luò)由三個(gè)復(fù)用的模型組成，每個(gè)模型包含四個(gè)殘差塊resnetblock，在每個(gè)殘差塊resnetblock中，輸入信號(hào)經(jīng)過(guò)一個(gè)核為3的卷積層進(jìn)行特征提取，然后進(jìn)行歸一化和激活函數(shù)處理；之后，再經(jīng)過(guò)一個(gè)核為3的卷積層，再次進(jìn)行歸一化和激活函數(shù)處理，最后輸出給下一個(gè)殘差塊resnetblock；當(dāng)輸入通道數(shù)目和輸出通道數(shù)目相同時(shí)，或者跨度stride為1時(shí)，數(shù)據(jù)通過(guò)捷徑shortcut塊進(jìn)行跳躍連接；所述捷徑shortcut塊包括一個(gè)核為1的卷積層和一個(gè)歸一化層，用于將在卷積過(guò)程中損失的信息進(jìn)行還原，并將得到的特征與已學(xué)習(xí)到的特征相加。
8、優(yōu)選的，所述預(yù)先建立的resnet架構(gòu)神經(jīng)網(wǎng)絡(luò)模型采用監(jiān)督學(xué)習(xí)的方式訓(xùn)練：
9、以心電信號(hào)ecg作為標(biāo)簽label，來(lái)訓(xùn)練心震信號(hào)scg，學(xué)習(xí)心電信號(hào)ecg和心震信號(hào)scg之間的映射關(guān)系，按下式計(jì)算心電信號(hào)ecg在時(shí)域損失的值lt：
10、
11、式中，lt表示時(shí)域損失的值，e表示心電信號(hào)標(biāo)準(zhǔn)數(shù)據(jù)ground?truth?ecg，p表示通過(guò)神經(jīng)網(wǎng)絡(luò)擬合得到的心電信號(hào)，μe，μp分別代表心電信號(hào)標(biāo)準(zhǔn)數(shù)據(jù)ground?truth?ecg及通過(guò)神經(jīng)網(wǎng)絡(luò)擬合得到的心電信號(hào)的均值，σe，σp代表標(biāo)準(zhǔn)差σe2，σp2代表方差；
12、采用平均絕對(duì)誤差mae來(lái)計(jì)算擬合得到心電信號(hào)ecg和心電信號(hào)標(biāo)準(zhǔn)數(shù)據(jù)groundtruth?ecg在頻域上的距離lf：
13、
14、其中，ef和pf分別表示心電信號(hào)標(biāo)準(zhǔn)數(shù)據(jù)ground?truth?ecg和重構(gòu)心電信號(hào)的頻域數(shù)據(jù)；最終的損失函數(shù)如下：
15、l＝lf+lt。
16、優(yōu)選的，分別使用時(shí)域損失和頻域損失來(lái)訓(xùn)練resnet架構(gòu)神經(jīng)網(wǎng)絡(luò)模型，通過(guò)平均絕對(duì)誤差mae和均方根誤差rmse量化計(jì)算到的心率hr與真實(shí)心率hr之間的誤差。
17、優(yōu)選的，通過(guò)進(jìn)行消融實(shí)驗(yàn)來(lái)驗(yàn)證主干網(wǎng)絡(luò)復(fù)用的模型個(gè)數(shù)是否合理，包括將神經(jīng)網(wǎng)絡(luò)中三個(gè)復(fù)用的模型逐一去除，之后在相同的條件下進(jìn)行訓(xùn)練，由心電信號(hào)ecg中的r峰計(jì)算心率hr，并計(jì)算與真實(shí)心率hr之間的平均絕對(duì)誤差mae，來(lái)驗(yàn)證重構(gòu)信號(hào)的準(zhǔn)確度。
18、優(yōu)選的，還包括對(duì)獲得的心電信號(hào)ecg利用巴特沃濾波器進(jìn)行濾波降噪：
19、s＝butter(n,wn,x)
20、式中，n是濾波器的階數(shù)，wn是歸一化截止頻率，x是被濾波信號(hào)；
21、結(jié)合頻譜圖中能量最大的頻率以及正常人體心率范圍，對(duì)心率進(jìn)行估計(jì)：
22、hr＝max(s)*t
23、式中，t為超參數(shù)；
24、而后對(duì)信號(hào)中的r峰進(jìn)行標(biāo)記，并計(jì)算相鄰兩個(gè)r峰之間的差值，之后將得到的結(jié)果除以心電信號(hào)ecg的采樣率得到心跳間期ibi：
25、
26、式中，fs表示心電信號(hào)ecg的采樣率。
27、優(yōu)選的，還包括對(duì)濾波降噪之后的心電信號(hào)ecg進(jìn)行頻域轉(zhuǎn)換，之后進(jìn)行功率譜密度psd分析找到信號(hào)中重要的頻率成分、頻率變化以及能量分布信息，進(jìn)而分析獲得心率。
28、第二方面，提供一種基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)系統(tǒng)，包括：
29、信號(hào)采集模塊，用于采用調(diào)頻連續(xù)波雷達(dá)獲取待測(cè)者的胸壁振動(dòng)信號(hào)s；
30、心臟機(jī)械運(yùn)動(dòng)信號(hào)分離模塊，用于從胸壁振動(dòng)信號(hào)s中分離出心臟機(jī)械運(yùn)動(dòng)信號(hào)sh；
31、心電信號(hào)轉(zhuǎn)換模塊，用于通過(guò)預(yù)先建立的resnet架構(gòu)神經(jīng)網(wǎng)絡(luò)模型將心臟機(jī)械運(yùn)動(dòng)信號(hào)sh轉(zhuǎn)換為心電信號(hào)ecg。
32、第三方面，提供一種電子設(shè)備，包括：
33、存儲(chǔ)器，存儲(chǔ)至少一個(gè)指令；及處理器，執(zhí)行所述存儲(chǔ)器中存儲(chǔ)的指令以實(shí)現(xiàn)所述基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法。
34、第四方面，提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法。
35、相較于現(xiàn)有技術(shù)，本專(zhuān)利技術(shù)至少具有如下的有益效果：
36、本專(zhuān)利技術(shù)方法利用毫米波雷達(dá)采集心臟機(jī)械運(yùn)動(dòng)信號(hào)，通過(guò)resnet架構(gòu)的深度學(xué)習(xí)模型進(jìn)行處理，實(shí)現(xiàn)了以非接觸式方式預(yù)測(cè)心電圖ecg信號(hào)。本專(zhuān)利技術(shù)結(jié)合深度學(xué)習(xí)方法對(duì)ecg信號(hào)進(jìn)行學(xué)習(xí)和映射，通過(guò)預(yù)先建立的resnet架構(gòu)神經(jīng)網(wǎng)絡(luò)模型將微弱的心臟機(jī)械運(yùn)動(dòng)信號(hào)sh轉(zhuǎn)換為心電信號(hào)ecg，解決了傳統(tǒng)非接觸式ecg信號(hào)測(cè)量方法由于缺乏高質(zhì)量標(biāo)注的ecg數(shù)據(jù)集使得模型訓(xùn)練困難的問(wèn)題，本專(zhuān)利技術(shù)基于resnet架構(gòu)設(shè)計(jì)能夠用于ecg信號(hào)轉(zhuǎn)換的神經(jīng)網(wǎng)絡(luò)，所提神經(jīng)網(wǎng)絡(luò)通過(guò)數(shù)據(jù)訓(xùn)練后，可以學(xué)習(xí)到更加細(xì)致的信號(hào)特征，提高了擬合的準(zhǔn)確度，進(jìn)而可以精準(zhǔn)預(yù)測(cè)ecg波形，實(shí)現(xiàn)非接觸式的心電信號(hào)監(jiān)測(cè)與重構(gòu)。
本文檔來(lái)自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法，其特征在于，在所述通過(guò)預(yù)先建立的ResNet架構(gòu)神經(jīng)網(wǎng)絡(luò)模型將心臟機(jī)械運(yùn)動(dòng)信號(hào)SH轉(zhuǎn)換為心電信號(hào)ECG的步驟中，使用核為3的一維卷積神經(jīng)網(wǎng)絡(luò)1D?CNN來(lái)提取心臟機(jī)械運(yùn)動(dòng)信號(hào)SH中的數(shù)據(jù)特征，提取到的數(shù)據(jù)特征經(jīng)過(guò)歸一化和激活函數(shù)后，進(jìn)入主干網(wǎng)絡(luò)；主干網(wǎng)絡(luò)由三個(gè)復(fù)用的模型組成，每個(gè)模型包含四個(gè)殘差塊ResNetBlock，在每個(gè)殘差塊ResNetBlock中，輸入信號(hào)經(jīng)過(guò)一個(gè)核為3的卷積層進(jìn)行特征提取，然后進(jìn)行歸一化和激活函數(shù)處理；之后，再經(jīng)過(guò)一個(gè)核為3的卷積層，再次進(jìn)行歸一化和激活函數(shù)處理，最后輸出給下一個(gè)殘差塊ResNetBlock；當(dāng)輸入通道數(shù)目和輸出通道數(shù)目相同時(shí)，或者跨度stride為1時(shí)，數(shù)據(jù)通過(guò)捷徑shortcut塊進(jìn)行跳躍連接；所述捷徑shortcut塊包括一個(gè)核為1的卷積層和一個(gè)歸一化層，用于將在卷積過(guò)程中損失的信息進(jìn)行還原，并將得到的特征與已學(xué)習(xí)到的特征相加。
3.根據(jù)權(quán)利要求2所述基于時(shí)頻域聯(lián)合的
4.根據(jù)權(quán)利要求3所述基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法，其特征在于，分別使用時(shí)域損失和頻域損失來(lái)訓(xùn)練ResNet架構(gòu)神經(jīng)網(wǎng)絡(luò)模型，通過(guò)平均絕對(duì)誤差MAE和均方根誤差RMSE量化計(jì)算到的心率HR與真實(shí)心率HR之間的誤差。
5.根據(jù)權(quán)利要求2所述基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法，其特征在于，通過(guò)進(jìn)行消融實(shí)驗(yàn)來(lái)驗(yàn)證主干網(wǎng)絡(luò)復(fù)用的模型個(gè)數(shù)是否合理，包括將神經(jīng)網(wǎng)絡(luò)中三個(gè)復(fù)用的模型逐一去除，之后在相同的條件下進(jìn)行訓(xùn)練，由心電信號(hào)ECG中的R峰計(jì)算心率HR，并計(jì)算與真實(shí)心率HR之間的平均絕對(duì)誤差MAE，來(lái)驗(yàn)證重構(gòu)信號(hào)的準(zhǔn)確度。
6.根據(jù)權(quán)利要求1所述基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法，其特征在于，還包括對(duì)獲得的心電信號(hào)ECG利用巴特沃濾波器進(jìn)行濾波降噪：
7.根據(jù)權(quán)利要求1所述基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法，其特征在于，還包括對(duì)濾波降噪之后的心電信號(hào)ECG進(jìn)行頻域轉(zhuǎn)換，之后進(jìn)行功率譜密度PSD分析找到信號(hào)中重要的頻率成分、頻率變化以及能量分布信息，進(jìn)而分析獲得心率。
8.一種基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)系統(tǒng)，其特征在于，包括：
9.一種電子設(shè)備，其特征在于，包括：
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7中任一項(xiàng)所述基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法。
...【技術(shù)特征摘要】
1.一種基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法，其特征在于，在所述通過(guò)預(yù)先建立的resnet架構(gòu)神經(jīng)網(wǎng)絡(luò)模型將心臟機(jī)械運(yùn)動(dòng)信號(hào)sh轉(zhuǎn)換為心電信號(hào)ecg的步驟中，使用核為3的一維卷積神經(jīng)網(wǎng)絡(luò)1d?cnn來(lái)提取心臟機(jī)械運(yùn)動(dòng)信號(hào)sh中的數(shù)據(jù)特征，提取到的數(shù)據(jù)特征經(jīng)過(guò)歸一化和激活函數(shù)后，進(jìn)入主干網(wǎng)絡(luò)；主干網(wǎng)絡(luò)由三個(gè)復(fù)用的模型組成，每個(gè)模型包含四個(gè)殘差塊resnetblock，在每個(gè)殘差塊resnetblock中，輸入信號(hào)經(jīng)過(guò)一個(gè)核為3的卷積層進(jìn)行特征提取，然后進(jìn)行歸一化和激活函數(shù)處理；之后，再經(jīng)過(guò)一個(gè)核為3的卷積層，再次進(jìn)行歸一化和激活函數(shù)處理，最后輸出給下一個(gè)殘差塊resnetblock；當(dāng)輸入通道數(shù)目和輸出通道數(shù)目相同時(shí)，或者跨度stride為1時(shí)，數(shù)據(jù)通過(guò)捷徑shortcut塊進(jìn)行跳躍連接；所述捷徑shortcut塊包括一個(gè)核為1的卷積層和一個(gè)歸一化層，用于將在卷積過(guò)程中損失的信息進(jìn)行還原，并將得到的特征與已學(xué)習(xí)到的特征相加。
3.根據(jù)權(quán)利要求2所述基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法，其特征在于，所述預(yù)先建立的resnet架構(gòu)神經(jīng)網(wǎng)絡(luò)模型采用監(jiān)督學(xué)習(xí)的方式訓(xùn)練：
4.根據(jù)權(quán)利要求3所述基于時(shí)頻域聯(lián)合的非接觸式心電信號(hào)監(jiān)測(cè)重構(gòu)方法，其特征在于，分別使...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：李斌，賀雨晨，
申請(qǐng)(專(zhuān)利權(quán))人：西安交通大學(xué)，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。