【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。