一种无接触式心率测试的方法及相关设备技术

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。

【技术实现步骤摘要】
一种无接触式心率测试的方法及相关设备
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。
技术介绍
心率(heartrate)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。
技术实现思路
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本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：何志海，
申请(专利权)人：深圳市康年颐华智能科技有限公司，
类型：发明
国别省市：广东,44