System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及心率血氧监测,更具体地说,它涉及一种基于充电线的心率血氧监测方法。
技术介绍
1、通过低成本光电体积描记法(ppg)传感器,使得心率血氧监测越来越多地在不显眼的可穿戴设备中使用。然而,现有技术中的由于手臂运动引起的运动伪影会影响基于ppg的hr跟踪的性能;这通常是通过将ppg信号与惯性传感器的加速度测量值耦合来解决的。但,大多数此类标准方法都依赖于手动调整的参数,从而降低了实际数据的适用性。
2、由此,本专利技术提供了一种基于充电线的心率血氧监测方法,改善了上述技术问题。
技术实现思路
1、本专利技术的目的是提供一种基于充电线的心率血氧监测方法,解决了现有技术中的由于手臂运动引起的运动伪影会影响基于ppg的hr跟踪的性能;这通常是通过将ppg信号与惯性传感器的加速度测量值耦合来解决的。但,大多数此类标准方法都依赖于手动调整的参数,从而降低了实际数据的适用性的技术问题。
2、本专利技术的上述技术目的是通过以下技术方案得以实现的:一种基于充电线的心率血氧监测方法,包括如下步骤:s1、tcn卷积层函数定义;
3、s2、硬件设置;
4、s3、输入数据和种子网络;
5、s4、架构优化;
6、s5、精度优化;
7、s6、后期处理。
8、作为本专利技术的一种优选技术方案,所述tcn卷积层函数定义为:
9、
10、式中,和分别为输入和输出激活,分别由cin和cout
11、作为本专利技术的一种优选技术方案,所述硬件设置的过程为:
12、将主板安装在充电线的端部,并在所述主板系统中嵌入tcn;所述主板设置有片上系统;所述片上系统的架构包括两个独立的内核和一个射频收发器,所述内核一个以64mhz运行,另一个以32mhz运行;
13、所述主板的电源系统采用dc/dc转换器,所述dc/dc转换器用于为脉冲和不可靠的电源提供稳定的输出电压;
14、所述主板安装有max30101传感器和lsm6dsm传感器;所述max30101传感器是低功耗脉搏血氧仪和ppg模块,所述lsm6dsm传感器是6轴惯性测量单元;所述max30101传感器使用i2c与mcu连接;所述lsm6dsm传感器使用spi数字总线与mcu连接。
15、作为本专利技术的一种优选技术方案,所述主板电源充电和放电时间的计算公式为:
16、
17、
18、τ=rc
19、其中,给定时刻的ic和vc是电流和电压;vs和is分别为源端电压和电流,r为10ω电阻,τ为恒定时间,c为电容。
20、作为本专利技术的一种优选技术方案,所述输入数据的过程为:数据集由从ppg传感器和三轴加速度计收集的原始传感器数据组成;将tcn分为(t,4)的二维数组作为输入;训练的目标输出是真实的hr估计,以bpm中的标量实数表示;使用logcosh损失函数来测量真实hr和预测hr之间的误差;
21、输入所述种子网络的过程为:改变数据精度以计算成本和hr跟踪误差。
22、作为本专利技术的一种优选技术方案,所述架构优化的过程为:通过morphnet神经架构和pruning-in-time神经架构搜索nas工具的级联;所述nas工具自动为给定任务生成新颖的神经网络架构,用于优化超参数。
23、作为本专利技术的一种优选技术方案,所述精度优化的过程为:
24、将(αt,βt)范围内的值的每个浮点张量t转换为n位整数张量计算公式为:
25、
26、其中εt=(βt-αt)/(2n-1)是量化张量可以表示的最小值;
27、将tcn卷积层函数改为:
28、
29、其中,p是考虑的不同精度格式的数量;是使用第p精度的伪量化权重的张量,γp是与其相关的可训练系数;
30、若加入int2、int4和int8格式,则:
31、所有伪量化张量都是从单个共享浮点权重集wfp2获得的;类似的变换也应用于该层的输出,以便也搜索激活的最佳量化格式;
32、元层的输出是通过组合伪量化激活获得的,计算公式为:
33、
34、与nas方法一样,γ和δ系数随后与网络权重一起训练,添加考虑每种数据格式成本的二次损失
35、作为本专利技术的一种优选技术方案,在ppg中,应用edmips,先对架构优化阶段获得的整个tcn集合进行统一量化,用不同的格式重复qat让该工具搜索每个张量的最佳位宽,检索混合精度网络;
36、选择浮点pareto曲线的两个极端,加上两个具有良好mae与尺寸权衡的中间tcn,并以p=3运行edmips,允许该工具在上面列出的相同三种格式中进行选择;使用从10-3到10-5范围内的不同正则化强度λ重复此搜索,并将结果合并以形成最终的帕累托前沿。
37、作为本专利技术的一种优选技术方案,所述后期处理的过程为:
38、通过后期处理对nn输出应用了简单的滤波;
39、将最新的tcn预测hrn与n,en,n=e[hrn-1,...,hrn-n]的平均值进行比较;如果这两个值之间的差值大于阈值pth,则估计值被限制为hrn=en,n±pth。
40、综上所述,本专利技术具有以下有益效果:本专利技术通过设计空间探索方法并源自单个“种子”模型,可以自动生成用于监控的深度时间卷积网络(tcn);同时,利用两个神经架构搜索(nas)工具和一个硬件的级联,组合产生了高精度和极其轻量级的模型。基于神经架构搜索(nas)来获得最优pareto的tcn架构,该架构根据原始ppg和加速度数据来预测用户的心率血氧;所有tcn均自动源自单一种子架构;扩展搜索也考虑了卷积层的扩张参数,有效地降低了模型复杂度,同时对精度的影响有限。优化模型架构后,进一步的搜索步骤,为网络参数和中间输入/输出选择最佳的数据表示格式,进一步减小模型尺寸,从而丰富和改进帕累托前沿。
本文档来自技高网...【技术保护点】
1.一种基于充电线的心率血氧监测方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种基于充电线的心率血氧监测方法,其特征在于:所述TCN卷积层函数定义为:
3.根据权利要求1所述的一种基于充电线的心率血氧监测方法,其特征在于:所述硬件设置的过程为:
4.根据权利要求3所述的一种基于充电线的心率血氧监测方法,其特征在于:所述主板电源充电和放电时间的计算公式为:
5.根据权利要求1所述的一种基于充电线的心率血氧监测方法,其特征在于:所述输入数据的过程为:数据集由从PPG传感器和三轴加速度计收集的原始传感器数据组成;将TCN分为(T,4)的二维数组作为输入;训练的目标输出是真实的HR估计,以BPM中的标量实数表示;使用LogCosh损失函数来测量真实HR和预测HR之间的误差;
6.根据权利要求1所述的一种基于充电线的心率血氧监测方法,其特征在于:所述架构优化的过程为:通过MorphNet神经架构和Pruning-In-Time神经架构搜索NAS工具的级联;所述NAS工具自动为给定任务生成新颖的神经网络架构,用
7.根据权利要求1所述的一种基于充电线的心率血氧监测方法,其特征在于:所述精度优化的过程为:
8.根据权利要求7所述的一种基于充电线的心率血氧监测方法,其特征在于:在PPG中,应用EdMIPS,先对架构优化阶段获得的整个TCN集合进行统一量化,用不同的格式重复QAT让该工具搜索每个张量的最佳位宽,检索混合精度网络;
9.根据权利要求1所述的一种基于充电线的心率血氧监测方法,其特征在于:所述后期处理的过程为:
...【技术特征摘要】
1.一种基于充电线的心率血氧监测方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种基于充电线的心率血氧监测方法,其特征在于:所述tcn卷积层函数定义为:
3.根据权利要求1所述的一种基于充电线的心率血氧监测方法,其特征在于:所述硬件设置的过程为:
4.根据权利要求3所述的一种基于充电线的心率血氧监测方法,其特征在于:所述主板电源充电和放电时间的计算公式为:
5.根据权利要求1所述的一种基于充电线的心率血氧监测方法,其特征在于:所述输入数据的过程为:数据集由从ppg传感器和三轴加速度计收集的原始传感器数据组成;将tcn分为(t,4)的二维数组作为输入;训练的目标输出是真实的hr估计,以bpm中的标量实数表示;使用logcosh损失函数来测量真实hr和预测...
【专利技术属性】
技术研发人员:祁敏,吴长青,
申请(专利权)人:南京合力博思电子科技有限公司,
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。