基于深度学习的心率预测方法及装置制造方法及图纸

本发明专利技术实施例提供一种基于深度学习的心率预测方法及装置，属于数据处理领域。该方法首先获取待测的脉搏信号及运动姿态信号，然后将所述待测的脉搏信号及运动姿态信号输入预先训练好的最终长短期记忆网络LSTM(long‑short term memory)模型中，根据所述运动姿态信号对应的运动状态，选择所述最终LSTM模型中所述运动状态对应的LSTM模型进行心电信号预测，进一步获取心电信号，本方案通过运动姿态信号，将训练模型分为多个不同状态对应的LSTM模型，并分别对这些LSTM模型进行心电信号的训练及预测，从而可以有效的预测出准确的心率值。

Heart Rate Prediction Method and Device Based on Deep Learning

The embodiment of the present invention provides a heart rate prediction method and device based on deep learning, which belongs to the field of data processing. Firstly, the pulse signal and motion attitude signal to be measured are acquired. Then, the pulse signal and motion attitude signal to be measured are input into the LSTM (long short term memory) model of the pre-trained final long-term and short-term memory network. According to the motion state corresponding to the motion attitude signal, the final LSTM model is selected. The LSTM model corresponding to the motion states mentioned in the model is used to predict ECG signals and obtain further ECG signals. In this scheme, the training model is divided into several LSTM models corresponding to different states through motion posture signals, and these LSTM models are trained and predicted separately, so that the ECG signals can be effectively predicted and accurately predicted. True heart rate.

【技术实现步骤摘要】
基于深度学习的心率预测方法及装置
本专利技术涉及数据处理领域，具体而言，涉及一种基于深度学习的心率预测方法及装置。
技术介绍
随着科学技术的发展，人们越来越关心自身的健康问题，心率是人类心脏周期性变化信息的重要指标，其变化及差异也成为一项反映被测人心脏疾病基本指标。而心率主要可作用于以下几个方面:1.心脏病的预后检测；心脏病患者的心率快慢和差异与生存率相关较高。心率如果总是高于正常，或最快和最慢心率之间的差异很小，死亡几率就相当高。2.提示运动量是否适宜；心率可以用来衡量运动量的大小。如有氧运动达到有效而安全时,人的心率是170减去年龄数，或掌握在108～144之间。3.心率预示生命的长短；研究发现，所有动物的生命周期都遵循着这样一个规律：心率越快，寿命越短。人类也是如此，保证规律的心跳将有助与人类提高身体抵抗力,延长寿命。4.预示心脏病发病的危险；就人类而言，虽然在安静时60～90次/分钟的心率都属正常范围，但最佳心率却是70次/分钟左右。一项对34000人的调查表明，心率比正常人快12次/分钟的人死于心血管病的危险性要比正常人高27％。这提示人们不能无视心率的快慢。5.反映过劳的指征；当人类过度而产生疲劳后，次日早晨心率比前一天快5次/分钟以上，便可以认为是疲劳过度，这时应调整运动量或劳动量。6.情绪预测；当人类发生情绪波动时，其心跳将依照一定模式发生变化，比如士兵执行任务遇到危险时心跳加快等，根据这些模式，可以实现情绪控制、安全预警、甚至军事方面的应用。现有技术中对心率的检测主要依靠复杂的算法以及硬件，但是其对于心率的检测不足以达到很精确的地步，以至于人们不能很好的预防疾病，时刻观察自身的健康状况。
技术实现思路
有鉴于此，本专利技术实施例的目的在于提供一种基于深度学习的心率预测方法及装置，以改善上述问题。第一方面，本专利技术实施例提供了一种基于深度学习的心率预测方法，所述方法包括：获取待测的脉搏信号与运动姿态信号；将待测的所述脉搏信号与所述运动姿态信号输入预先训练好的最终长短期记忆网络LSTM模型中，根据所述运动姿态信号对应的运动状态，选择所述最终LSTM模型中所述运动状态对应的LSTM进行预测，获取输出的预测心电信号值，其中，所述最终LSTM模型包括训练后获得的各个运动状态下对应的LSTM模型。进一步地，所述获取待测的脉搏信号与运动姿态信号之前，所述方法还包括：对所述LSTM模型依据输入的运动姿态信号对应的不同运动状态分别进行训练，获得训练后的最终LSTM模型。进一步地，对所述LSTM模型依据输入的运动姿态信号对应的不同运动状态分别进行训练，获得训练后的最终LSTM模型，包括：获取多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号及运动姿态信号；将所述多组信号依据运动状态的不同分别输入至预先建立的长短期记忆网络LSTM模型进行训练，获取训练后不同运动状态的LSTM模型各自的神经网络参数，得出最终LSTM模型。进一步地，获取多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号与运动姿态信号，包括：采集多组初始信号，每组初始信号包括多种运动状态下的初始心电信号、初始脉搏信号及初始运动姿态信号；将采集的多组初始信号进行放大处理，获取多组放大信号，其中，每组放大信号包括放大脉搏信号、放大心电信号与放大运动姿态信号；将所述多组放大信号进行采样，获得多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号与运动姿态信号。进一步地，对所述LSTM模型依据输入的运动姿态信号对应的不同运动状态分别进行训练，获得训练后的最终LSTM模型，包括：获取多组信号，每组信号包括多种运动状态下的实际心电信号、实际脉搏信号与实际运动姿态信号；将所述实际脉搏信号与所述实际运动姿态信号输入至预先训练好的最终LSTM模型，根据输入的所述实际运动姿态信号对应的运动状态，选择所述最终LSTM模型中所述运动状态对应的LSTM模型，获得输出的预期心电信号；将所述预期心电信号值与所述实际脉搏信号对应的所述实际心电信号值进行比较，若所述预期心电信号值与所述实际心电信号值之间的差值超出预设范围时，则继续将所述多组信号输入至对应运动状态下的LSTM模型进行训练，以获得训练后的最终LSTM模型。第二方面，本专利技术实施例提供了一种基于深度学习的心率预测装置，所述装置包括：待测信号获取模块，用于获取待测的脉搏信号与运动姿态信号；信号预测模块，用于将待测的所述脉搏信号与所述运动姿态信号输入预先训练好的最终长短期记忆网络LSTM模型中，根据所述运动姿态信号对应的运动状态，选择所述最终LSTM模型中所述运动状态对应的LSTM进行预测，获取输出的预测心电信号，其中，所述最终LSTM模型包括训练后获得的各个运动状态下对应的LSTM模型。进一步地，所述装置还包括：模型训练模块，用于对所述LSTM模型依据输入的运动姿态信号对应的不同运动状态分别进行训练，获得训练后的最终LSTM模型。进一步地，所述模型训练模块，包括：多组信号获取单元，用于获取多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号及运动姿态信号；训练单元，用于将所述多组信号依据运动状态的不同分别输入至预先建立的长短期记忆网络LSTM模型进行训练，获取训练后不同运动状态的LSTM模型各自的神经网络参数，得出最终LSTM模型。进一步地，所述多组信号获取单元，包括：初始信号采集子单元，用于采集多组初始信号，每组初始信号包括多种运动状态下的初始心电信号、初始脉搏信号与初始运动姿态信号；信号放大子单元，用于将采集的多组初始信号进行放大处理，获取多组放大信号，其中，每组放大信号包括放大脉搏信号、放大心电信号与放大运动姿态信号；信号采样子单元，用于将所述多组放大信号进行采样，获得多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号与运动姿态信号。进一步地，所述模型训练模块，包括：多组信号获取子单元，用于获取多组信号，每组信号包括多种运动状态下的实际心电信号、实际脉搏信号与实际运动姿态信号；信号预测子单元，用于将所述实际脉搏信号与所述实际运动姿态信号输入至预先训练好的最终LSTM模型，根据输入的所述实际运动姿态信号对应的运动状态，选择所述最终LSTM模型中所述运动状态对应的LSTM模型，获得输出的预期心电信号；重复训练子单元，用于将所述预期心电信号值与所述实际脉搏信号对应的所述实际心电信号值进行比较，若所述预期心电信号值与所述实际心电信号值之间的差值超出预设范围时，则继续将所述多组信号值输入至对应运动状态下的LSTM模型进行训练，以获得训练后的最终LSTM模型。本专利技术实施例的有益效果是：本专利技术实施例提供一种基于深度学习的心率预测方法及装置，该方法首先获取待测的脉搏信号及运动姿态信号，然后将所述待测的脉搏信号输入预先训练好的最终长短期记忆网络LSTM模型中，根据所述运动姿态信号对应的运动状态，选择所述最终LSTM模型中所述运动状态对应的LSTM进行心电信号预测，进一步获取心电信号，本方案通过运动姿态信号对应的不同运动状态，在训练时，将训练模型分为多个不同运动状态对应的LSTM模型进行训练，并分别对这些LSTM模型进行心电信号的训练及预测，由此可获得包括有训练后的各个运动状态下对应的LSTM模型的最终LST本文档来自技高网...

【技术保护点】
1.一种基于深度学习的心率预测方法，其特征在于，所述方法包括：获取待测的脉搏信号与运动姿态信号；将待测的所述脉搏信号与所述运动姿态信号输入预先训练好的最终长短期记忆网络LSTM模型中，根据所述运动姿态信号对应的运动状态，选择所述最终LSTM模型中所述运动状态对应的LSTM进行预测，获取输出的预测心电信号，其中，所述最终LSTM模型包括训练后获得的各个运动状态下对应的LSTM模型。

【技术特征摘要】
1.一种基于深度学习的心率预测方法，其特征在于，所述方法包括：获取待测的脉搏信号与运动姿态信号；将待测的所述脉搏信号与所述运动姿态信号输入预先训练好的最终长短期记忆网络LSTM模型中，根据所述运动姿态信号对应的运动状态，选择所述最终LSTM模型中所述运动状态对应的LSTM进行预测，获取输出的预测心电信号，其中，所述最终LSTM模型包括训练后获得的各个运动状态下对应的LSTM模型。2.根据权利要求1所述的方法，其特征在于，所述获取待测的脉搏信号与运动姿态信号之前，所述方法还包括：对所述LSTM模型依据输入的运动姿态信号对应的不同运动状态分别进行训练，获得训练后的最终LSTM模型。3.根据权利要求2所述的方法，其特征在于，对所述LSTM模型依据输入的运动姿态信号对应的不同运动状态分别进行训练，获得训练后的最终LSTM模型，包括：获取多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号及运动姿态信号；将所述多组信号依据运动状态的不同分别输入至预先建立的长短期记忆网络LSTM模型进行训练，获取训练后不同运动状态的LSTM模型各自的神经网络参数，得出最终LSTM模型。4.根据权利要求3所述的方法，其特征在于，获取多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号与运动姿态信号，包括：采集多组初始信号，每组初始信号包括多种运动状态下的初始心电信号、初始脉搏信号及初始运动姿态信号；将采集的多组初始信号进行放大处理，获取多组放大信号，其中，每组放大信号包括放大脉搏信号、放大心电信号与放大运动姿态信号；将所述多组放大信号进行采样，获得多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号与运动姿态信号。5.根据权利要求2所述的方法，其特征在于，对所述LSTM模型依据输入的运动姿态信号对应的不同运动状态分别进行训练，获得训练后的最终LSTM模型，包括：获取多组信号，每组信号包括多种运动状态下的实际心电信号、实际脉搏信号与实际运动姿态信号；将所述实际脉搏信号与所述实际运动姿态信号输入至预先训练好的最终LSTM模型，根据输入的所述实际运动姿态信号对应的运动状态，选择所述最终LSTM模型中所述运动状态对应的LSTM模型，获得输出的预期心电信号；将所述预期心电信号值与所述实际脉搏信号对应的所述实际心电信号值进行比较，若所述预期心电信号值与所述实际心电信号值之间的差值超出预设范围时，则继续将所述多组信号输入至对应运动状态下的LSTM模型进行训练，以获得训练后...

【专利技术属性】
技术研发人员：高军峰，党鑫，荣凡稳，陈冉，
申请(专利权)人：中南民族大学，
类型：发明
国别省市：湖北,42