[发明专利]基于深度学习的心率和血氧饱和度测量设备

说明书

PPG即光电容积脉搏波描记法，具体做法为将LED光射向皮肤，用光敏传感器接受经过皮肤组织吸收后被反射回来或透射过去的光，将光敏传感器得到的电信号转化为数字信号就可以得到最终的PPG信号。由于氧合血红蛋白与血红蛋白对光的吸收特性不同，传统方法使用两种波长的光分别测定反射光交流信号的强度，然后根据两种光的吸收特性图计算出氧合血红蛋白与血红蛋白的比例。本发明提出一种基于深度学习和PPG信号的心率和血氧饱和度测量设备，该设备同使用两种光得到两路PPG信号，同时借助设备中的深度学习网络模型处理PPG信号，从而预测人体的心率和血氧饱和度。该设备对噪声有很好的容忍度，在静息状态和运动状态都能够对心率和血氧进行准确测量。

技术领域

本发明涉及心率及血氧饱和度测量设备领域，尤其是一种基于深度学习和PPG信号的心率和血氧饱和度测量设备。

背景技术

心率是衡量人体健康状况的重要指标，它可以客观地反映人体心脏的工作状态。对心率进行检测可以检测人体健康状况，预防心血管疾病，在运动时也可以对运动状态进行评估。ECG信号，脉搏传感器信号，PPG信号等都可以用于对人体心率的检测。由于ECG信号，脉搏传感器等具有穿戴不便，容易受运动影响的特点，PPG信号成为便携式心率测量最为有效的方法。另外，根据氧合血红蛋白和血红蛋白对光波不同的吸收系数，PPG信号还能够用于测量血氧含量。然而，由于受测量部位肤色、温度、胖瘦及环境光等因素的影响，采集到的PPG信号往往具有很大噪声，造成测量结果不准确。

发明内容

基于此，本发明提出一种心率及血氧测量设备，采用的技术方案如下：

一种心率及血氧饱和度测量设备，所述设备包括PPG信号处理单元，所述信号处理单元中含有深度学习网络模型，深度学习网络模型的输入为PPG信号，输出为心率及血氧含量。

进一步的，所述设备测量时采用两种波长的光同时产生两路PPG信号，一路为红光反射或透射得到的PPG信号，另一路为红外光反射或透射得到的PPG信号。

进一步的，PPG信号的频率为100Hz，降采样后频率为25Hz，处理时取8s作为一个测量窗。

进一步的，所述深度学习网络模型的输入为200*2的向量。

进一步的，所述深度学习网络模型采用多任务学习方式，模型结构为依次相连的五层卷积神经网络层，最后一层卷积神经网络层后连接两个并列的第一全连接层和第二全连接层，第一全连接层连接第三全连接层，第二全连接层连接256个二分类器。

进一步的，卷积神经网络层之间含有门控线性单元。

进一步的，训练模型时使用的心率损失函数为：

其中o_i为第i个二分类器实际的输出，y_i为该二分类器期望的输出。

进一步的，训练模型时使用的血氧含量损失函数为：

L2＝(Y′-Y)²

其中Y′为预测血氧饱和度，Y为实际血氧饱和度。

进一步的，训练模型时使用的正则化损失函数为：

L3＝(θ)²

其中θ为模型参数。

进一步的，训练模型时整个深度学习网络模型的损失函数为：

L＝α1*L1+α2*L2+α3*L3

其中α1，α2，α3为三个损失函数的权重。

进一步的，α1，α2，α3为三个损失函数的权重优选1，0.01，0.00005。