[发明专利]基于腕带式PPG和深度学习的心率监测系统及方法

权利要求书

1.基于腕带式PPG和深度学习的心率监测系统，其特征在于，包括如下三个模块：

预处理模块：采集PPG信号，对PPG信号应用巴特沃斯带通滤波，再对PPG信号作降采样处理，并使用滑动窗口切分成固定大小的帧；

基于深度学习的信号去噪模块：使用一个卷积神经网络对预处理后的PPG信号进行去噪处理，网络的输入是带噪PPG信号，网络的输出是去噪后的PPG信号；其中，系统采用基于ECG信号的训练标签生成方法来产生神经网络训练所需要的数据；

基于频谱分析的心率计算与校准模块：采用频谱分析的方法，使用自回归模型来分析PPG信号的频谱，从而得出心率结果；同时设计心率校准算法，用于检测和校正错误的异常结果。

2.如权利要求1所述的基于腕带式PPG和深度学习的心率监测系统的实现方法，其特征在于，包括如下步骤：

1)信号预处理：

由PPG传感器收集用户手腕处的PPG信号；

用带通滤波器对PPG信号进行滤波，然后对PPG信号作降采样处理；

使用滑动窗口将PPG信号切分为等长的帧以供后续模块使用；

2)基于深度学习的信号去噪：

采用去噪卷积神经网络作为去噪模块；

采用基于ECG的训练标签生成方法，产生训练神经网络所需要的数据；

3)基于频谱分析的心率计算与校准：

使用自回归模型计算去噪后的PPG信号频谱，根据谱峰计算心率值；

设计心率校准算法，检测并消除突变的错误值。

3.如权利要求2所述的实现方法，其特征在于：所述信号预处理具体如下：

S1.1：用户使用带有PPG传感器的智能腕带式设备采集原始PPG信号；

S1.2：使用巴特沃斯带通滤波器对PPG信号滤波，去除低频和高频噪声，其中滤波器的截止频率为0.4Hz和5Hz；

S1.3：对PPG信号进行降采样处理，降采样后的采样率为32Hz；

S1.4：使用窗口大小为l_w以及滑动大小为l_s的滑动窗口将PPG信号切分为一系列等长的PPG帧，以供后续模块使用。

4.如权利要求3所述的实现方法，其特征在于：所述基于深度学习的信号去噪具体如下：

S2.1：使用与PPG信号同步记录的ECG信号产生训练标签，即检测ECG信号的R峰，并使用模板PPG来填充R-R间隔，生成PPG标签；

S2.2：使用带噪的PPG信号和生成的PPG标签来训练去噪卷积神经网络，其中神经网络结构由一维卷积层和批标准化层的堆叠构成，网络输入为去噪前的PPG信号，网络输出为去噪PPG信号，使用余弦距离作为损失函数，其中y，分别表示网络的输出和标签，下标i表示第i帧PPG信号。

5.如权利要求4所述的实现方法，其特征在于：所述基于频谱分析的心率计算与校准具体如下：

S3.1：使用自回归模型计算出PPG信号的频谱，根据公式计算出心率，其中h_i表示第i帧PPG信号所代表的心率，用每分钟心拍数表示，p_j表示频谱最大值的下标，nfft表示傅里叶变换的点数，f_s表示采样频率；

S3.2：设计心率校准算法，首先根据S3.1的方法计算初始心率，对于接下来的每一帧PPG信号所对应的心率值，继续使用S3.1的方法计算；若当前计算的心率值与前一心率值差的绝对值小于给定阈值Th_error，则输出当前心率值，否则通过提升自回归模型的阶数重新计算PPG信号的频谱，同时计算滤波前PPG信号的频谱作为参考，并找出两个频谱内重合的且最接近上一心率值的谱峰，使用该谱峰重新计算当前的心率；若当前计算的心率值与前一心率值差的绝对值小于给定阈值Th_error，则输出当前心率值，否则进入错误处理状态；

S3.3：在错误处理状态中，计数器值error_count表示连续出现错误的次数；若error_count大于3，则将阈值置为无穷大，并将error_count置零；否则系统处于错误状态中，使用计算的前j个心率[h_i-j，...，h_i-1]来预测当前的心率值。

6.如权利要求4所述的实现方法，其特征在于：S2.2中，去噪卷积神经网络的训练循环次数设置为10个epoch，学习速率设置为0.7，使用Adadelta优化器训练。