本发明专利技术涉及非接触式生理信号检测领域，尤其涉及一种基于深度学习的脉搏波峰值检测与分类的方法和装置，该方法包括：步骤一，利用血氧仪采集人体指尖的脉搏波信号，采用滑动窗口的方式进行分帧处理，得到若干段短信号；步骤二，将若干段短信号按照时间顺序排列，输入到关键点检测模块中进行峰值检测和整理得到所有峰值点；步骤三，将步骤二得到的峰值点及采集得到的整段脉搏波信号输入到分类模块中，通过判断信号的强度、波动和平涩程度来对脉搏波信号进行分类，并记录。本发明专利技术能够有效应用于基于脉搏波的生物识别系统中，并提高识别的准确率。确率。确率。
【技术实现步骤摘要】
一种基于深度学习的脉搏波峰值检测与分类的方法和装置
[0001]本专利技术涉及非接触式生理信号检测领域，尤其涉及一种基于深度学习的脉搏波峰值检测与分类的方法和装置。
技术介绍
[0002]光电容积脉搏波信号是由于血液和其他组织成分对不同频段的光吸收程度不同，且血液本身在血管中的血液容积量会随着心脏的搏动而发生变化，因此在心脏收缩和舒张的过程中，血液对光的吸收量也会随心脏收缩呈现出周期性的脉搏波动，这种波动反应在视频传感器所接受到的信号变化即为PPG信号。
[0003]PPG信号的波峰和波谷称为基准点，因为其在划分脉搏波周期，计算心率血氧中有重要作用，目前有很多方式取进行检测，但是传统的检测方法有时不能统计完全，主要是因为脉搏波的形态种类繁多且在采集过程中，噪声也会对传统的检测方法造成一定的干扰。
[0004]此外，在利用脉搏波进行个体识别的领域，由于脉搏波的形态种类较为繁多且同一个人的脉搏波信号也不尽相同；如果只使用单一模型进行分类，那么模型精度并不能满足实际用途。
技术实现思路
[0005]为了解决现有技术中存在的上述技术问题，本专利技术提出了一种基于深度学习的脉搏波峰值检测与分类的方法和装置，其具体技术方案如下：一种基于深度学习的脉搏波峰值检测与分类的方法，包括以下步骤：步骤一，利用血氧仪采集人体指尖的脉搏波信号，采用滑动窗口的方式进行分帧处理，得到若干段短信号；步骤二，将若干段短信号按照时间顺序排列，输入到关键点检测模块中进行峰值检测和整理得到所有峰值点；步骤三，将步骤二得到的峰值点及采集得到的整段脉搏波信号输入到分类模块中，通过判断信号的强度、波动和平涩程度来对脉搏波信号进行分类，并记录。
[0006]进一步的，所述步骤一具体为：首先利用血氧仪采集人体指尖的脉搏波信号，然后对采集到的脉搏波信号进行分帧操作，所述分帧操作为利用滑动窗口的方式对脉搏波信号进行截取，得到M段短信号，其中滑动窗口的尺寸和移动步长为固定值。
[0007]进一步的，所述步骤二中的关键点检测模块包含滤波模块、峰值检测模块与检测补充模块，该步骤具体包括以下子步骤：步骤2.1，将M段短信号按时间顺序排列输入滤波模块，所述滤波模块使用巴特沃斯带通滤波器对输入的短信号进行带通滤波之后，对经过滤波后的脉搏波信号进行信号去趋势化操作；步骤2.2，将经过步骤2.1处理后的信号送入所述峰值检测模块的检测网络，通过预训练的检测网络检测出峰值点和非峰值点，其中峰值点包括波峰、波谷、左峰值点和右峰
值点；步骤2.3，采用检测补充模块再次进行峰值点检测，具体为：以步骤2.2检测到的峰值点为中心，中心的峰值点左右各2个，一共4个相邻点与中心的峰值点进行对比，若中心的峰值点是最大或者最小的点，则认定为峰值点；否则继续向左或者向右移动，找到峰值点；步骤2.4，重复步骤2.1至步骤2.3找到所有短信号的峰值点；步骤2.5，按顺序对M段端信号进行峰值点整理：按照位置在窗口中间为准的原则，判断窗口中的边界点是否为峰值点，若存在位于窗口中间的位置，则是峰值点，否则为非峰值点。
[0008]进一步的，所述检测网络由基于ResNet18结构的特征提取网络、Spp网络和分类网络依次连接组成，使用交叉熵损失函数经过脉搏波信号数据集训练收敛；所述特征提取网络用于提取脉搏波信号特征，所述Spp网络用于融合不同尺度的脉搏波信号特征，所述分类网络用于输出分类类型。
[0009]进一步的，所述步骤三中的分类模块包括：信号处理单元、手工特征提取单元、深度特征提取单元和分类单元，该步骤具体包括以下子步骤：步骤3.1，采用信号处理单元对输入的脉搏波信号按照基准点进行分割，得到P个短信号，再将每个短信号的周期进行叠加并取平均值，得到一个平均的周期信号，则得到P 个平均的周期信号；其中，所述基准点为波峰和波谷；步骤3.2，通过手工特征提取单元对每一个平均周期信号提取直流分量特征和交流分量特征；步骤3.3，利用深度特征提取单元提取每一个平均周期中的波峰到波谷阶段的信号的平滑度特征；步骤3.4，分别设置每一个平均周期信号的直流分量特征的阈值、交流分量特征的阈值和平滑度特征的阈值，进行信号分类；步骤3.5，最后分别记录每个平均周期信号的类别。
[0010]进一步的，所述每个短信号含有N个周期，每个周期的位置从上一个波谷到下一个波谷。
[0011]进一步的，所述步骤3.2中的提取直流分量特征和交流分量特征，具体为：直流分量特征：直流分量值=（波峰+波谷）/ 2 ；交流分量特征：交流分量幅值=波峰
‑
波谷。
[0012]进一步的，所述步骤3.4中的信号分类的类别为6类，分别对应中医中的滑脉、涩脉、弦脉、沉脉、洪脉与浮脉。
[0013]一种基于深度学习的脉搏波峰值检测与分类的装置，包括一个或多个处理器，用于实现所述的基于深度学习的脉搏波峰值检测与分类的方法。
[0014]一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现所述的基于深度学习的脉搏波峰值检测与分类的方法。
[0015]本专利技术的优点：首先，本专利技术通过神经网络对信号的基准点进行检测，相比于传统方式，该方法更具有泛化能力且经过训练后可以在有噪声的信号中进行检测；其次，在分类模块中，按照中医对脉象分类的方式对信号进行了分类，并且将医学中用于描述不同类别脉搏波的方式进
行了量化，总结归纳为一系列的特征；在分类中，为降低推理速度，将相邻周期的特征向量先融合后分类，提高了推理的速度。
附图说明
[0016]图1是本专利技术的一种基于深度学习的脉搏波峰值检测与分类的方法流程示意图；图2是本专利技术方法的Spp网络示意图；图3是本专利技术方法的关键点检测模块中检测网络示意图；图4是本专利技术方法的分类模块的结构示意图；图5是本专利技术实施例的一种基于深度学习的脉搏波峰值检测与分类的装置的结构示意图。
具体实施方式
[0017]为了使本专利技术的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图和实施例，对本专利技术作进一步详细说明。
[0018]如图1所示，一种基于深度学习的脉搏波峰值检测与分类的方法，包括以下步骤：步骤一，利用血氧仪采集人体指尖的脉搏波信号，采用滑动窗口的方式进行分帧处理，得到若干段短信号。
[0019]具体的，首先利用血氧仪采集人体指尖的PPG脉搏波信号，采样频率为N Hz，采集时长为T s；然后对采集到的PPG信号进行分帧操作，对时长为T s的脉搏波信号利用滑动窗口的方式进行截取，得到M段短信号，其中滑动窗口的尺寸和移动步长为固定的，分别是window_size，step_time s。
[0020]步骤二，将若干段短信号按照时间顺序排列，输入到关键点检测模块中进行峰值检测和整理得到所有峰值点，其中的关键点检测模块包含滤波模块、峰值检测模块与检测补充模块，该步骤具体包括以下子步骤：步骤2.1，将M段短信号按时间顺序排列输入所述滤波模块，滤波模块首先使用X阶巴特沃斯带通滤波器对输入的M段短信号进行带本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的脉搏波峰值检测与分类的方法，其特征在于，包括以下步骤：步骤一，利用血氧仪采集人体指尖的脉搏波信号，采用滑动窗口的方式进行分帧处理，得到若干段短信号；步骤二，将若干段短信号按照时间顺序排列，输入到关键点检测模块中进行峰值检测和整理得到所有峰值点；步骤三，将步骤二得到的峰值点及采集得到的整段脉搏波信号输入到分类模块中，通过判断信号的强度、波动和平涩程度来对脉搏波信号进行分类，并记录。2.如权利要求1所述的一种基于深度学习的脉搏波峰值检测与分类的方法，其特征在于，所述步骤一具体为：首先利用血氧仪采集人体指尖的脉搏波信号，然后对采集到的脉搏波信号进行分帧操作，所述分帧操作为利用滑动窗口的方式对脉搏波信号进行截取，得到M段短信号，其中滑动窗口的尺寸和移动步长为固定值。3.如权利要求2所述的一种基于深度学习的脉搏波峰值检测与分类的方法，其特征在于，所述步骤二中的关键点检测模块包含滤波模块、峰值检测模块与检测补充模块，该步骤具体包括以下子步骤：步骤2.1，将M段短信号按时间顺序排列输入滤波模块，所述滤波模块使用巴特沃斯带通滤波器对输入的短信号进行带通滤波之后，对经过滤波后的脉搏波信号进行信号去趋势化操作；步骤2.2，将经过步骤2.1处理后的信号送入所述峰值检测模块的检测网络，通过预训练的检测网络检测出峰值点和非峰值点，其中峰值点包括波峰、波谷、左峰值点和右峰值点；步骤2.3，采用检测补充模块再次进行峰值点检测，具体为：以步骤2.2检测到的峰值点为中心，中心的峰值点左右各2个，一共4个相邻点与中心的峰值点进行对比，若中心的峰值点是最大或者最小的点，则认定为峰值点；否则继续向左或者向右移动，找到峰值点；步骤2.4，重复步骤2.1至步骤2.3找到所有短信号的峰值点；步骤2.5，按顺序对M段端信号进行峰值点整理：按照位置在窗口中间为准的原则，判断窗口中的边界点是否为峰值点，若存在位于窗口中间的位置，则是峰值点，否则为非峰值点。4.如权利要求3所述的一种基于深度学习的脉搏波峰值检测与分类的方法，其特征在于，所述检测网络由基于ResNet18结构的特征提取网络、Spp网络和分类网络依次连接组成，使用交叉熵损失函数经过脉...
【专利技术属性】
技术研发人员：魏日令，徐晓刚，李萧缘，何鹏飞，王军，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。