[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

说明书

本发明属于无线感知以及健康监测领域，涉及一种基于光电容积脉搏波（PPG）和深度学习的心率监测系统及方法，系统分为三个模块：1）预处理模块：对PPG信号进行带通滤波、降采样以及切分成帧，以供后续模块使用。2）基于深度学习的信号去噪：该模块使用一个CNN神经网络作为去噪网络，采用基于心电图（ECG）信号的训练数据生成方法，使得训练后的神经网络可以输出去噪PPG信号。3）基于频谱分析的心率计算与校准：采用频谱分析的方法从去噪后的PPG信号中计算出心率值，并设计了相应的校准算法，使得结果更加精确。本发明可以使用户使用智能手表实时获取心率数据，并且在运动场景下也能获得较为准确的心率结果。

技术领域

本发明属于健康监测领域，具体涉及一种基于腕带式PPG和深度学习的心率监测系统及 方法，主要用于解决如何在用户运动的过程中准确测量心率的问题。

背景技术

心率是显示健康状况的重要指标。传统的测量方法是基于心电图(ECG)的心率分析，这 种方法需要专业的设备和知识，不能满足用户的日常测量需求。近年来随着智能腕带式设备 的发展与成熟，基于智能腕带式设备的心率检测方案成为主流。这些设备采用光电容积脉搏 波(PPG)信号来计算心率。PPG传感器包含了一个LED灯与一个接收器，LED灯不断向皮肤 投射光线，光透过皮肤组织被血流吸收，同时接收器接收反射回来的光信号。由于反射光的 强度与血流速度相关，同时血流速度受周期性的心律影响，因此PPG信号可以反映心率信息。

另一方面，由于运动带来的干扰，采集到的PPG信号往往含有大量的噪声，对计算结果 会带来较大的影响。对于无噪PPG信号，可以对其作傅里叶变换观察频谱，频谱中最大值的 频率点乘以60就是每分钟心率。而对于含噪PPG信号，其频谱会受到噪声干扰，表现为有较 多干扰谱峰而将正确的谱峰淹没。为了去除运动噪声，之前的研究中往往采用基于信号处理 的方法，包括自适应滤波、主成分分析、信号分解等，有的方法还采用了加速度计信号作为 参考。这些方法在噪声水平较为弱的情况下能够得到较好的结果，但是当噪声强度增加且手 臂的摆动呈不规律时，之前的方法往往难以取得准确的结果。

发明内容

本发明针对现有技术中的不足，提供一种基于腕带式PPG和深度学习的心率监测系统及 方法，可实现运动场景下的心率测量。

为实现上述目的，本发明采用以下技术方案：

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，滤除低频和高频噪声， 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(AR)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。

此外，本发明还提出了如上所述的基于腕带式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(DnCNN)作为去噪模块；