[go: up one dir, main page]

CN108814580A - 一种无接触式心率测试的方法及相关设备 - Google Patents

一种无接触式心率测试的方法及相关设备 Download PDF

Info

Publication number
CN108814580A
CN108814580A CN201810351744.6A CN201810351744A CN108814580A CN 108814580 A CN108814580 A CN 108814580A CN 201810351744 A CN201810351744 A CN 201810351744A CN 108814580 A CN108814580 A CN 108814580A
Authority
CN
China
Prior art keywords
heart rate
sample data
heart
training sample
cnn model
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
Application number
CN201810351744.6A
Other languages
English (en)
Inventor
何志海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Kang Nian Yi Hua Intelligent Technology Co Ltd
Original Assignee
Shenzhen Kang Nian Yi Hua Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Kang Nian Yi Hua Intelligent Technology Co Ltd filed Critical Shenzhen Kang Nian Yi Hua Intelligent Technology Co Ltd
Priority to CN201810351744.6A priority Critical patent/CN108814580A/zh
Publication of CN108814580A publication Critical patent/CN108814580A/zh
Pending legal-status Critical Current

Links

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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/0245—Measuring pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • 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
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6892—Mats
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请实施例提供了一种无接触式心率测试方法及相关设备，用于大幅度地提升心率识别的准确性和可靠性。该方法包括：通过预设传感器采集待测心率人员的心率数据；确定心率预测卷积神经网络CNN模型；将所述心率数据输入所述心率预测CNN模型，以输出周期曲线；通过傅立叶变换将所述周期曲线转换为目标心率，所述目标心率为所述待测心率人员的心率。

Description

一种无接触式心率测试的方法及相关设备
技术领域
本申请涉及医药领域，尤其涉及一种无接触式心率测试的方法及相关设备。
背景技术
心率(heart rate)对衡量人的心脏健康程度有相当重要的意义，它是指单位时间内心脏搏动的次数，是临床常规诊断的生理参数。心率变化与心脏疾病密切相关，因而及时了解自己的心率状态是非常重要的。
现有的心率测量大多是在床垫或枕头上放置高敏感的压力感应器来采集由于身体动作、呼吸、心跳造成的压力变化，然后在不同频段下对采集的数据进行滤波，通过频率分析获取心率。有些方法则通过在床垫上安放压电电缆，采集人体产生的脉冲信号，选取最近一段时间的若干个脉冲峰值的均值的一半作为阈值，对经放大滤波后的信号进行阈值鉴别，超过阈值者判定为心跳脉冲。但是由于外部振动干扰、人体位置的不断变化、感应器本身的噪声等等因素，采集的数据经常包含大量的噪声，同时心跳的造成的压力变化又非常微弱，这给心率的准确识别带来了困难。
发明内容
本申请实施例提供了一种无接触式心率测试的方法及相关设备，用于提升心率识别的准确性和可靠性。
本申请实施例第一方面提供了一种无接触式心率测试方法，具体包括：
通过预设传感器采集待测心率人员的心率数据；
确定心率预测卷积神经网络CNN模型；
将所述心率数据输入所述心率预测CNN模型，以输出周期曲线；
通过傅立叶变换将所述周期曲线转换为目标心率，所述目标心率为所述待测心率人员的心率。
可选地，所述确定心率预测卷积神经网络CNN模型包括：
获取训练样本数据，所述训练样本数据包括M个不同的测试者躺在不同厚度和材质的床垫上预设时间的心跳次数；
从所述训练样本数据中按照预设规则提取心跳样本数据；
通过心率检测仪获取所述心跳样本数据对应的目标心率时间；
基于所述心跳样本数据以及所述目标心率时间采用标准的逐层反向传播的方法确定所述心率预测卷积神经网络CNN模型。
可选地，所述获取训练样本数据包括：
通过床垫传感器监测所述M个不同的测试者躺在不同厚度和材质的床垫所述预设时间的心跳次数，得到所述训练样本数据。
可选地，所述通过傅立叶变换将所述周期曲线转换为目标心率之后，将所述目标心率进行显示或者输出。
本申请实施例第二方面提供了一种无接触式心率测试装置，具体包括：
采集单元，用于通过预设传感器采集待测心率人员的心率数据；
确定单元，用于确定心率预测卷积神经网络CNN模型；
预测单元，用于将所述心率数据输入所述心率预测CNN模型，以输出周期曲线；
转换单元，用于通过傅立叶变换将所述周期曲线转换为目标心率，所述目标心率为所述待测心率人员的心率。
可选地，所述确定单元具体用于：
获取训练样本数据，所述训练样本数据包括M个不同的测试者躺在不同厚度和材质的床垫上预设时间的心跳次数；
从所述训练样本数据中按照预设规则提取心跳样本数据；
通过心率检测仪获取所述心跳样本数据对应的目标心率时间；
基于所述心跳样本数据以及所述目标心率时间采用标准的逐层反向传播的方法确定所述心率预测卷积神经网络CNN模型。
可选地，所述确定单元还具体用于：
通过床垫传感器监测所述M个不同的测试者躺在不同厚度和材质的床垫所述预设时间的心跳次数，得到所述训练样本数据。
可选地，所述装置包括：
输出单元，用于将所述目标心率进行显示或者输出。
本申请实施例第三方面提供了一种处理器，所述处理器用于运行计算机程序，所述计算机程序运行时执行上述任意一项所述的无接触式心率测试方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述方法的步骤。
综上所述，采集待测心率人员在预设时间内的心率数据，将该心率数据输入训练好的心率预测CNN模型，输出周期曲线，通过傅里叶变换间周期曲线转换成目标心率。由此可以看出，本申请中，通过心率预测CNN模型，分析采集的数据与实际心率数据之间的关系，进而大幅度地提升心率识别的准确性和可靠性。
附图说明
图1为本申请实施例提供的无接触式心率测试方法的一个实施例示意图；
图2为本申请实施例提供的从训练样本数据中提取心跳样本数据的过程示意图；
图3为本申请实施例提供的心跳数据样本标注的示意图；
图4为本申请实施例提供的卷积神经网络训练和测试框架的示意图；
图5为本申请实施例提供的无接触式心率测试装置的一个实施例示意图；
图6为本申请实施例提供的无接触式心率测试装置的结构示意图。
具体实施方式
本申请实施例提供了一种无接触式心率测试方法及无接触式心率测试装置，用于大幅度地提升心率识别的准确性和可靠性。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面从无接触式心率测试装置的角度对该五接触式心率测试方法进行说明，所述无接触式心率测试装置可以为服务器，也可以为服务器中的功能单元，具体不限定。
请参阅图1，本申请实施例中无接触式心率测试方法的一个实施例包括：
101、通过预设传感器采集待测心率人员的心率数据。
本实施例中，无接触式心率测试装置可以采集待测心率人员在预设时间内的心率数据，具体不限定采集方式。例如，设置床垫传感器，通过让床垫传感器采集，本实施例中，床垫传感器的采样频率为100Hz，即1秒钟输出100个压力值数据，每隔0.5秒，截取5秒的感应器数据(即心率数据Sn)，共500个数据。当然也可以采用其他手段进行采集，本实施例仅以此为例进行说明，具体不做限定。
102、确定心率预测的卷积神经网络CNN模型。
本实施例中，无接触式心率测试装置可以通过如下方式来确定心率预测的卷积神经网络CNN模型：
步骤1：获取训练样本数据，训练样本数据包括M个不同的测试者躺在不同厚度和材质的床垫上预设时间的心跳次数，具体的，获取训练样本的过程中，将床垫传感器放在床垫下面，让M个不同的测试者自然躺在不同厚度和材质的床垫上睡觉的过程中，连续采集预设时间的感应器数据。测试者可以自然的翻转身体和呼吸。此处，以M等于10，选取8个不同材质和厚度的床垫，预设时间为20分钟为例进行说明：
训练样本数据包含10个不同的测试者，5男5女，不同的年龄和体重，选取8个不同的床垫，包含有常见的不同厚度和材质的床垫，共计80个不同的数据采集，1600分钟心跳数据，大约1600×70＝112000次心跳次数。
步骤2：从训练样本数据中按照预设规则提取心跳样本数据，具体的，参阅图2，图2为本申请实施例提供的从训练样本数据中提取心跳样本数据的过程示意图，其中，图2中所示的两个框S[n]以及S[n+L]为采样窗口示意图，本实施中采用滑动窗口的方法从训练样本数据中提取样本数据，相邻两个样本的时间间隔为0.5秒。也就是说，选取的心跳样本数据{S[n],….,S[n+L]}，其中L为样本时间长度，此处以5秒钟共500个数据为例进行说明，n为样本的起始时间。
步骤3：通过心率检测仪获取心跳样本数据对应的目标心率时间，具体的，采用医用心率监测仪获得准确的心率时间，请参阅图3，图3为本申请实施例提供的心跳数据样本标注的示意图，如图3下方的黑点所示，和训练样本数据的心跳在时间上对应起来，就知道心跳发生的准确位置，确定目标心率时间。心跳样本对应的目标心率的输出是一个500维的向量，如果对应的位置为心跳，则P[n+m]＝1，其中m为0至500中的数值，否则设为0。Pn为心跳概率图。在心跳的位置两边我们设置为介于0和1之间的数值。请参阅图3，本实施例中，经过试验认证，当心跳概率图为平滑曲线时，无接触式心率测试的准确性更好，为了使得无接触式心率测试的准确性更好，本实施例采用线性插值的方法，其宽度为0.2秒，即20个数据。
步骤4：基于心跳样本数据以及所述目标心率时间采用标准的逐层反向传播的方法确定心率预测卷积神经网络CNN模型，具体的，请参阅图4，图4为本申请实施例提供的卷积神经网络训练和测试框架的示意图，本实施例中，CNN由多个卷积层(convolutionlayer)和池化层(pooling layer)组成，附加多个全连通层(fully connected layer)，CNN的输入的是心跳样本数据Sn，其向量长度为500，输出是心跳位置的预测Pn，其向量长度为50。在本申请中，选取5个卷积层，5个池化层，加上两个全连通层。在训练过程中，采取标准的逐层反向传播的方法完成心率预测卷积神经网络CNN模型。
需要说明的是，上述只是一种方式确定了卷积神经网络CNN模型，当然也可以有其他的方式，具体不做限定，另外，上述所说的心率预设卷积神经网络CNN模型由5个卷积层，5个池化层，两个全连通层，只是举例说明，当然也可以包括其他数目的卷积层、池化层以及全连通层，只要能实现本申请的目的即可，具体不做限定。
需要说明的是，通过步骤101可以通过预设传感器采集待测心率人员的心率数据，通过步骤102可以确定预设的卷积神经网络CNN模型，然而这两个步骤之间并没有先后执行顺序的限制，可以先执行步骤101，也可以先执行步骤102，或者同时执行，具体不做限定。
103、将心率数据输入心率预测CNN模型，以输出周期曲线。
本实施例中，当无接触式心率测试装置采集到心率数据进行预测时，无接触式心率测试装置可以将心率数据输入心率预测CNN模型，心率预测CNN模型可以根据心率数据输出周期曲线。
104、通过傅立叶变换将周期曲线转换为目标心率。
本实施例中，当确定了周期曲线之后，无接触式心率测试装置可以通过傅立叶变换将该周期曲线转换为目标心率，该目标心率即为待测心率人员的心率。
105、将目标心率进行显示或者输出。
本实施例中，当确定待测心率人员的目标心率之后，无接触式心率测试装置可以根据需求将目标心率进行显示或者输出该目标心率，例如将该目标心率进行打印。
综上所述，采集待测心率人员在预设时间内的心率数据，将该心率数据输入训练好的心率预测CNN模型，输出周期曲线，通过傅里叶变换间周期曲线转换成目标心率。由此可以看出，本申请中，通过心率预测的CNN模型，分析采集的数据与实际心率数据之间的关系，进而大幅度地提升心率识别的准确性和可靠性。
上面从无接触式心率测试方法的角度对本申请实施例进行说明，下面从无接触式心率测试装置的角度对本申请实施例进行说明。
请参阅图5，本申请实施例中无接触式心率测试装置的一个实施例包括：
采集单元501，用于通过预设传感器采集待测心率人员的心率数据；
确定单元502，用于确定心率预测卷积神经网络CNN模型；
预测单元503，用于将所述心率数据输入所述心率预测CNN模型，以输出周期曲线；
转换单元504，用于通过傅立叶变换将所述周期曲线转换为目标心率，所述目标心率为所述待测心率人员的心率；
输出单元505，用于将所述目标心率进行显示或者输出。
其中，所述确定单元502具体用于：
获取训练样本数据，所述训练样本数据包括M个不同的测试者躺在不同厚度和材质的床垫上预设时间的心跳次数；
从所述训练样本数据中按照预设规则提取心跳样本数据；
通过心率检测仪获取所述心跳样本数据对应的目标心率时间；
基于所述心跳样本数据以及所述目标心率时间采用标准的逐层反向传播的方法确定所述心率预测卷积神经网络CNN模型。
所述确定单元502还具体用于：
通过床垫传感器监测所述M个不同的测试者躺在不同厚度和材质的床垫所述预设时间的心跳次数，得到所述训练样本数据。
本实施例中的无接触式心率测试装置的各模块与单元之间的交互方式如前述图1所示实施例中的描述，具体此处不再赘述。
综上所述，采集待测心率人员在预设时间内的心率数据，将该心率数据输入训练好的心率预测CNN模型，输出周期曲线，通过傅里叶变换间周期曲线转换成目标心率。由此可以看出，本申请中，通过心率预测CNN模型，分析采集的数据与实际心率数据之间的关系，进而大幅度地提升心率识别的准确性和可靠性。
请参阅图6，本发明实施例还提供了一种无接触式心率测试装置，所述无接触式心率测试装置包括处理器601和存储器602，上述获取单元、转换单元和处理单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器601中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来对用户数据进行更新。
存储器602可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述无接触式心率测试方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述无接触式心率测试方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
通过预设传感器采集待测心率人员的心率数据；
确定心率预测卷积神经网络CNN模型；
将所述心率数据输入所述心率预测CNN模型，以输出周期曲线；
通过傅立叶变换将所述周期曲线转换为目标心率，所述目标心率为所述待测心率人员的心率。
可选地，所述确定心率预测卷积神经网络CNN模型包括：
获取训练样本数据，所述训练样本数据包括M个不同的测试者躺在不同厚度和材质的床垫上预设时间的心跳次数；
从所述训练样本数据中按照预设规则提取心跳样本数据；
通过心率检测仪获取所述心跳样本数据对应的目标心率时间；
基于所述心跳样本数据以及所述目标心率时间采用标准的逐层反向传播的方法确定所述心率预测卷积神经网络CNN模型。
可选地，所述获取训练样本数据包括：
通过床垫传感器监测所述M个不同的测试者躺在不同厚度和材质的床垫所述预设时间的心跳次数，得到所述训练样本数据。
可选地，所述通过傅立叶变换将所述周期曲线转换为目标心率之后，将所述目标心率进行显示或者输出。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
通过预设传感器采集待测心率人员的心率数据；
确定心率预测卷积神经网络CNN模型；
将所述心率数据输入所述心率预测CNN模型，以输出周期曲线；
通过傅立叶变换将所述周期曲线转换为目标心率，所述目标心率为所述待测心率人员的心率。
可选地，所述确定心率预测卷积神经网络CNN模型包括：
获取训练样本数据，所述训练样本数据包括M个不同的测试者躺在不同厚度和材质的床垫上预设时间的心跳次数；
从所述训练样本数据中按照预设规则提取心跳样本数据；
通过心率检测仪获取所述心跳样本数据对应的目标心率时间；
基于所述心跳样本数据以及所述目标心率时间采用标准的逐层反向传播的方法确定所述心率预测卷积神经网络CNN模型。
可选地，所述获取训练样本数据包括：
通过床垫传感器监测所述M个不同的测试者躺在不同厚度和材质的床垫所述预设时间的心跳次数，得到所述训练样本数据。
可选地，所述通过傅立叶变换将所述周期曲线转换为目标心率之后，将所述目标心率进行显示或者输出。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种无接触式心率测试的方法，其特征在于，包括：
通过预设传感器采集待测心率人员的心率数据；
确定心率预测卷积神经网络CNN模型；
将所述心率数据输入所述心率预测CNN模型，以输出周期曲线；
通过傅立叶变换将所述周期曲线转换为目标心率，所述目标心率为所述待测心率人员的心率。
2.根据权利要求1所述的方法，其特征在于，所述确定心率预测卷积神经网络CNN模型包括：
获取训练样本数据，所述训练样本数据包括M个不同的测试者躺在不同厚度和材质的床垫上预设时间的心跳次数；
从所述训练样本数据中按照预设规则提取心跳样本数据；
通过心率检测仪获取所述心跳样本数据对应的目标心率时间；
基于所述心跳样本数据以及所述目标心率时间采用标准的逐层反向传播的方法确定所述心率预测卷积神经网络CNN模型。
3.根据权利要求2所述的方法，其特征在于，所述获取训练样本数据包括：
通过床垫传感器监测所述M个不同的测试者躺在不同厚度和材质的床垫所述预设时间的心跳次数，得到所述训练样本数据。
4.根据权利要求1或2所述的方法，其特征在于，所述通过傅立叶变换将所述周期曲线转换为目标心率之后，所述方法包括：
将所述目标心率进行显示或者输出。
5.一种无接触式心率测试装置，其特征在于，包括：
采集单元，用于通过预设传感器采集待测心率人员的心率数据；
确定单元，用于确定心率预测卷积神经网络CNN模型；
预测单元，用于将所述心率数据输入所述心率预测CNN模型，以输出周期曲线；
转换单元，用于通过傅立叶变换将所述周期曲线转换为目标心率，所述目标心率为所述待测心率人员的心率。
6.根据权利要求5所述的装置，其特征在于，所述确定单元具体用于：
获取训练样本数据，所述训练样本数据包括M个不同的测试者躺在不同厚度和材质的床垫上预设时间的心跳次数；
从所述训练样本数据中按照预设规则提取心跳样本数据；
通过心率检测仪获取所述心跳样本数据对应的目标心率时间；
基于所述心跳样本数据以及所述目标心率时间采用标准的逐层反向传播的方法确定所述心率预测卷积神经网络CNN模型。
7.根据权利要求6所述的装置，其特征在于，所述确定单元还具体用于：
通过床垫传感器监测所述M个不同的测试者躺在不同厚度和材质的床垫所述预设时间的心跳次数，得到所述训练样本数据。
8.根据权利要求5或6所述的装置，其特征在于，所述装置包括：
输出单元，用于将所述目标心率进行显示或者输出。
9.一种处理器，其特征在于，所述处理器用于运行计算机程序，所述计算机程序运行时执行如权利要求1至4中任意一项所述方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述方法的步骤。
CN201810351744.6A 2018-04-18 2018-04-18 一种无接触式心率测试的方法及相关设备 Pending CN108814580A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810351744.6A CN108814580A (zh) 2018-04-18 2018-04-18 一种无接触式心率测试的方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810351744.6A CN108814580A (zh) 2018-04-18 2018-04-18 一种无接触式心率测试的方法及相关设备

Publications (1)

Publication Number Publication Date
CN108814580A true CN108814580A (zh) 2018-11-16

Family

ID=64154955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810351744.6A Pending CN108814580A (zh) 2018-04-18 2018-04-18 一种无接触式心率测试的方法及相关设备

Country Status (1)

Country Link
CN (1) CN108814580A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109965858A (zh) * 2019-03-28 2019-07-05 北京邮电大学 基于超宽带雷达人体生命体征检测方法和装置
CN110464326A (zh) * 2019-08-19 2019-11-19 上海联影医疗科技有限公司 一种扫描参数推荐方法、系统、装置及存储介质
CN118105045A (zh) * 2024-02-26 2024-05-31 毕威泰克(浙江)医疗器械有限公司 频率确定方法、装置、非易失性存储介质及计算机设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05245148A (ja) * 1992-03-09 1993-09-24 Matsushita Electric Ind Co Ltd 睡眠感推定装置及び目覚し装置
CN101095612A (zh) * 2006-06-28 2008-01-02 株式会社东芝 监测生物学信息的设备和方法
CN103622671A (zh) * 2013-11-05 2014-03-12 深圳市视聆科技开发有限公司 非接触生理或周期性作用力信号采集装置及垫子
CN105212918A (zh) * 2015-11-19 2016-01-06 中科院微电子研究所昆山分所 一种基于压电信号的心率测量方法及系统
CN106344005A (zh) * 2016-10-28 2017-01-25 张珈绮 一种可移动心电图监测系统及监测方法
CN107811626A (zh) * 2017-09-10 2018-03-20 天津大学 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN107822622A (zh) * 2017-09-22 2018-03-23 成都比特律动科技有限责任公司 基于深度卷积神经网络的心电图诊断方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05245148A (ja) * 1992-03-09 1993-09-24 Matsushita Electric Ind Co Ltd 睡眠感推定装置及び目覚し装置
CN101095612A (zh) * 2006-06-28 2008-01-02 株式会社东芝 监测生物学信息的设备和方法
CN103622671A (zh) * 2013-11-05 2014-03-12 深圳市视聆科技开发有限公司 非接触生理或周期性作用力信号采集装置及垫子
CN105212918A (zh) * 2015-11-19 2016-01-06 中科院微电子研究所昆山分所 一种基于压电信号的心率测量方法及系统
CN106344005A (zh) * 2016-10-28 2017-01-25 张珈绮 一种可移动心电图监测系统及监测方法
CN107811626A (zh) * 2017-09-10 2018-03-20 天津大学 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN107822622A (zh) * 2017-09-22 2018-03-23 成都比特律动科技有限责任公司 基于深度卷积神经网络的心电图诊断方法和系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109965858A (zh) * 2019-03-28 2019-07-05 北京邮电大学 基于超宽带雷达人体生命体征检测方法和装置
CN110464326A (zh) * 2019-08-19 2019-11-19 上海联影医疗科技有限公司 一种扫描参数推荐方法、系统、装置及存储介质
CN110464326B (zh) * 2019-08-19 2022-05-10 上海联影医疗科技股份有限公司 一种扫描参数推荐方法、系统、装置及存储介质
US11967429B2 (en) 2019-08-19 2024-04-23 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for scan preparation
CN118105045A (zh) * 2024-02-26 2024-05-31 毕威泰克(浙江)医疗器械有限公司 频率确定方法、装置、非易失性存储介质及计算机设备
WO2025180241A1 (zh) * 2024-02-26 2025-09-04 毕威泰克(浙江)医疗器械有限公司 频率确定方法、装置、非易失性存储介质及计算机设备

Similar Documents

Publication Publication Date Title
Mert et al. Evaluation of bagging ensemble method with time-domain feature extraction for diagnosing of arrhythmia beats
US20120184862A1 (en) System and method for patient monitoring
WO2021045616A1 (en) A computer-implemented method and an apparatus for determining body positions and/or sleep stages of a person during sleep.
WO2018165271A1 (en) Systems and methods of identity analysis of electrocardiograms
CN101467881A (zh) 睡眠评估装置及其睡眠评估方法
Mohsen et al. AI aided noise processing of spintronic based IoT sensor for magnetocardiography application
US12165052B2 (en) Interpretable neural networks for cuffless blood pressure estimation
Umematsu et al. Forecasting stress, mood, and health from daytime physiology in office workers and students
US20170127960A1 (en) Method and apparatus for estimating heart rate based on movement information
KR20180038251A (ko) 기계학습을 이용한 체성분 측정시스템
CN108814580A (zh) 一种无接触式心率测试的方法及相关设备
Roy et al. BePCon: A photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning
Yao et al. Diastolic augmentation index improves radial augmentation index in assessing arterial stiffness
CN119541840B (zh) 一种肿瘤患者智能化远程随访方法及系统
EP3942567A1 (en) Population-level gaussian processes for clinical time series forecasting
US20220378380A1 (en) Method and system for determining cardiovascular parameters
CN114052693A (zh) 心率分析方法、装置及设备
JPWO2019069417A1 (ja) 生体情報処理装置、生体情報処理システム、生体情報処理方法、およびプログラム
CN118383739A (zh) 血压估计方法、训练机器学习模型的方法、装置及应用
CN119601241A (zh) 一种基于医疗穿戴设备数据融合的健康监测方法及系统
CN113288133A (zh) 用于预测血糖值的方法、装置、存储介质及处理器
CN113171102A (zh) 基于持续深度学习的ecg数据分类方法
Zhang et al. Individualized dynamic latent factor model for multi-resolutional data with application to mobile health
CN119453927B (zh) 振动环境下坐姿人体脊柱稳定性评价方法、及相关设备
US20130275154A1 (en) Apparatus and method for predicting potential degree of coronary artery calcification (cac) risk

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181116