一种SCG信号心跳周期划分方法

一种scg信号心跳周期划分方法
技术领域
1.本发明属于心跳周期划分技术领域，具体涉及一种scg信号心跳周期划分方法。


背景技术：

2.心血管疾病已经成为严重影响民众生命健康的因素之一，因此对心血管进行状态检测、健康评估等十分重要。目前，主要采用心电图(electrocardiogram,ecg)、超声、造影等技术对心脏进行状态检测和健康评估。其中，超声和造影技术对操作人员专业性要求较高，而ecg由于无创、操作简单、成本低廉等特点，常被用于心脏疾病的早期诊断。然而，只有心脏异常发生时，才能通过检测ecg信号来确定异常情况，而对人进行长时间心电监测难度大。此外，ecg信号对结构性心脏疾病的敏感性和特异性不高。随着传感器技术、信号处理以及人工智能技术的发展，有一些学者提出通过心脏机械振动信号构成心震图(seismocardiography,scg)进行心脏疾病的检测。相比于ecg信号，scg信号采集更加便捷、更易于长时间进行监测，且对部分心脏疾病(如心肌缺血、心肌梗死等)具有更高的敏感性和准确性。scg信号能够反映心脏的机械运动，对诊断心脏疾病具有重要价值，可以提供全面、准确的诊断信息。
3.scg信号主要采集自心脏跳动引起的胸腔震动信号，目前主要有接触式和非接触式两种。其中，接触式采集方法主要通过捆绑在人体胸腔位置的加速度传感器、陀螺仪等实现，但是这种方法不利于用户的长期佩戴，也不适用于烧伤患者、传染病患者、婴幼儿等。非接触式方法主要通过雷达技术捕捉心脏跳动时胸腔产生的位移，进而对其进行分析处理。近年来，利用微波和毫米波(0-300ghz)雷达对人体心率和呼吸信号进行提取的研究较多，但是较低频段和低带宽的雷达感知精度和分辨率有限，对微弱scg信号感知能力较低，无法进一步对心脏异常信息进行采集，需要借助更高频率的太赫兹频段进行更高精度的scg信号采集和分析。太赫兹频段(0.1-10thz)具有可用带宽大、极性好、对人体无害等特点，获得了研究者的青睐。首先，太赫兹频段拥有较大可用带宽，能够更好提高雷达的距离分辨率；其次，其波长短，对微弱信号更加敏锐，如波长为1mm的太赫兹波对震动幅度仅为100μm的信号的相位感知幅度约1.26rad。此外，较短的波长也使得太赫兹信号的方向性较好，能够降低无效信息的影响。
4.目前，对太赫兹雷达scg信号进行分析处理的研究越来越多。其中，对scg信号中单个心跳周期的划分是研究不同心脏异常情况的基础，也常被用于心率变异性(heart rate variability,hrv)的计算，这是预测心脏性猝死和心律失常性事件的重要指标。因此，对scg信号中心跳周期进行准确的划分显得尤为重要。然而，由于太赫兹雷达scg信号特征不明显、时序关联性强，心跳周期之间存在较高的事件相关性和耦合性，对长时序下单个心跳周期划分存在较大困难。
5.现有的技术主要利用心跳的加速度信息，根据心跳周期间的相似性，使用模板匹配算法和动态规划方法进行心跳周期的分割，但是在模板的选取和匹配的过程都存在较大的难度，一是固定模板或者多个模板难以完全适应全部心跳周期，二是匹配过程发生误差
的概率也较大。也有技术通过对信号带通滤波后采用简单滑动窗口对心跳周期进行划分，但是其对不同心跳周期间的解耦能力弱，也会造成较大误差。还有部分技术采用最新的人工智能方法，如循环神经网络等对scg信号进行周期划分，取得了一定的效果，但是对心跳周期中的特征信息仍有进一步利用的空间。
6.因此，针对上述问题，予以进一步改进。


技术实现要素：

7.本发明的主要目的在于提供一种scg信号的心跳周期划分方法，针对scg信号特征不明显、时序关联性强、心跳周期耦合性强等特点，首先对scg信号进行降噪预处理，然后对处理好的信号数据进行标记，并通过引入注意力增强的双向lstm网络模型进行训练，训练好的模型可以对单个心跳周期进行判断是否划分准确，再通过自适应滑动窗口算法实现对心跳周期的调整，最终获得完整的scg信号心跳周期。
8.为达到以上目的，本发明提供一种scg信号心跳周期划分方法，用于获得scg信号心跳周期，包括以下步骤：
9.步骤s1：通过传感器(优选为太赫兹雷达)获取若干人体scg信号并且存储在存储器中，以形成scg信号数据库；
10.步骤s2：将scg信号数据库中的各个scg信号进行心跳周期标记，以分割成多个完整的scg信号心跳周期；
11.步骤s3：将分割完成的多个scg信号心跳周期输入到预先搭建完成的引入注意力增强的双向lstm网络中进行训练，以获得包括网络结构、连接权重、激活值及特征值对应的心跳周期类型信息的心跳周期判别模型；
12.步骤s4：再次通过传感器获取人体一段时间的scg信号s
t
，并且确定该时间段的起始位置后存入到存储器中；
13.步骤s5：根据该时间段内人体平均心率作为一个时间窗口w，从scg信号s
t
中截取(分割)一段时长为w的scg信号sw(初始心跳周期)；
14.步骤s6：判断对当前心跳周期的判别更新次数是否超过上限值，若未超过，则执行步骤s7，反之，则输出完整的当前心跳周期，并且在采集的scg信号s
t
中删除该段信号；
15.步骤s7：将截取到或更新后的scg信号输入到心跳周期判别模型，以输出判断当前心跳周期是否偏移，并且根据偏移情况执行对应匹配地处理，以使得心跳周期判别模型输出完整的当前心跳周期并且在采集的scg信号s
t
中删除该段信号；
16.步骤s8：判断对当前的scg信号s
t
是否已经分割完毕，如果分割完毕则结束，反之，则进入步骤s5进行下个scg信号心跳周期的划分。
17.作为上述技术方案的进一步优选的技术方案，步骤s3的心跳周期判别模型的获得具体实施为以下步骤：
18.步骤s3.1：将选取输入的单个scg信号心跳周期按照最小采样时间ts分割为多个时间间隔，从而用于数据的运算，并且引入注意力增强的双向lstm网络的连接正反两个方向的lstm模型输出可表示为：
19.20.其中，为正反两层lstm模型的状态分量，表示为：
[0021][0022][0023]
其中，x
t
为输入的scg信号心跳周期的第t个间隔，c
t-1
为不同t-1时刻记忆单元的值，得到各输出分量后，根据注意力机制的设置，将各分量按权求和并且作为双向lstm网络的输出，其计算方法为：
[0024][0025]
其中，α
t
为当前分量对于当前心跳周期的重要程度，表示为：
[0026][0027]
其中，s(k
t
,q
t
)为打分函数，k为选取的标准scg信号心跳周期；
[0028]
步骤s3.2：(完成单个scg信号心跳周期的处理后)通过构建各个scg信号心跳周期的标记信息和attention值之间的关系完成对多个scg信号心跳周期的训练，从而获得心跳周期判别模型。
[0029]
作为上述技术方案的进一步优选的技术方案，步骤s7中根据偏移情况执行对应匹配地处理具体实施为以下步骤：
[0030]
步骤s7.1：如果输出判断为后偏，则将当前心跳周期的截止时间向前移动一个最小采样时间ts，得到新的心跳周期s
′w(w-ts)，并返回步骤s6；
[0031]
步骤s7.2：如果输出判断为前偏，则将当前心跳周期的截止时间向后移动一个最小采样时间ts，得到新的心跳周期s
′w(w+ts)，并返回步骤s6；
[0032]
步骤s7.3：如果输出判断为无偏移，则直接输出完整的当前心跳周期。
[0033]
作为上述技术方案的进一步优选的技术方案，在步骤s5中，由心电监护设备获取人体平均心率并且与scg信号共同存入到存储器中。
[0034]
作为上述技术方案的进一步优选的技术方案，步骤s7.1中的后偏是指分割的心跳周期的截止时间大于实际的截止时间，步骤s7.2中的前偏是指分割的心跳周期的截止时间小于实际的截止时间。
[0035]
为达到以上目的，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述scg信号的心跳周期划分方法的步骤。
[0036]
为达到以上目的，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述scg信号的心跳周期划分方法的步骤。
[0037]
本发明的有益效果为：
[0038]
1、本发明在特征选取的自学习基础上，引入注意力增强机制，加入对标准scg信号心跳周期中关键时序特征的匹配运算，提高算法对关键特征信息的捕获能力，能够提高对scg信号中单个心跳周期划分的准确性；
[0039]
2、本发明强化了算法在时序上的双向学习能力，能够降低scg信号中各个心跳周
期之间的耦合性；
[0040]
3、本发明针对训练得到的scg信号心跳周期判别模型设计了对应的自适应滑动窗口方法，具有较好的鲁棒性。
附图说明
[0041]
图1是本发明的scg信号心跳周期划分方法的心跳周期判别模型训练流程图。
[0042]
图2是本发明的scg信号心跳周期划分方法的心跳周期划分流程图。
[0043]
图3是本发明的scg信号心跳周期划分方法的引入注意力增强的双lstm网络模型的结构图。
[0044]
图4是本发明的scg信号心跳周期划分方法的经过划分之后得到的scg信号心跳周期的结果示意图。
具体实施方式
[0045]
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变形。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
[0046]
在本发明的优选实施例中，本领域技术人员应注意，本发明所涉及的传感器获取scg信号、电子设备等可被视为现有技术。
[0047]
优选实施例。
[0048]
如图1-4所示，本发明公开了一种scg信号的心跳周期划分方法，用于精确获得scg信号心跳周期，包括以下步骤：
[0049]
步骤s1：通过传感器(优选为太赫兹雷达)获取若干人体scg信号并且存储在存储器中，以形成scg信号数据库；
[0050]
步骤s2：将scg信号数据库中的各个scg信号进行心跳周期标记，以分割成多个完整的scg信号心跳周期；
[0051]
步骤s3：将分割完成的多个scg信号心跳周期输入到预先搭建完成的引入注意力增强的双向lstm网络中进行训练，以获得包括网络结构、连接权重、激活值及特征值对应的心跳周期类型信息的心跳周期判别模型；
[0052]
步骤s4：再次通过传感器获取人体一段时间的scg信号s
t
，并且确定该时间段的起始位置后存入到存储器中；
[0053]
步骤s5：根据该时间段内人体平均心率作为一个时间窗口w，从scg信号s
t
中截取(分割)一段时长为w的scg信号sw(初始心跳周期)；
[0054]
步骤s6：判断对当前心跳周期的判别更新次数是否超过上限值，若未超过，则执行步骤s7，反之，则输出完整的当前心跳周期，并且在采集的scg信号s
t
中删除该段信号；
[0055]
步骤s7：将截取到或更新后的scg信号输入到心跳周期判别模型，以输出判断当前心跳周期是否偏移，并且根据偏移情况执行对应匹配地处理，以使得心跳周期判别模型输出完整的当前心跳周期并且在采集的scg信号s
t
中删除该段信号；
[0056]
步骤s8：判断对当前的scg信号s
t
是否已经分割完毕，如果分割完毕则结束，反之，
则进入步骤s5进行下个scg信号心跳周期的划分。
[0057]
具体的是，步骤s3的心跳周期判别模型的获得具体实施为以下步骤：
[0058]
步骤s3.1：将选取输入的单个scg信号心跳周期按照最小采样时间ts分割为多个时间间隔，从而用于数据的运算，并且引入注意力增强的双向lstm网络的连接正反两个方向的lstm模型输出可表示为：
[0059][0060]
其中，为正反两层lstm模型的状态分量，表示为：
[0061][0062][0063]
其中，x
t
为输入的scg信号心跳周期的第t个间隔，c
t-1
为不同t-1时刻记忆单元的值，得到各输出分量后，根据注意力机制的设置，将各分量按权求和并且作为双向lstm网络的输出，其计算方法为：
[0064][0065]
其中，α
t
为当前分量对于当前心跳周期的重要程度，表示为：
[0066][0067]
其中，s(k
t
,q
t
)为打分函数，k为选取的标准scg信号心跳周期；
[0068]
步骤s3.2：(完成单个scg信号心跳周期的处理后)通过构建各个scg信号心跳周期的标记信息和attention值之间的关系完成对多个scg信号心跳周期的训练，从而获得心跳周期判别模型。
[0069]
更具体的是，步骤s7中根据偏移情况执行对应匹配地处理具体实施为以下步骤：
[0070]
步骤s7.1：如果输出判断为后偏，则将当前心跳周期的截止时间向前移动一个最小采样时间ts，得到新的心跳周期s
′w(w-ts)，并返回步骤s6；
[0071]
步骤s7.2：如果输出判断为前偏，则将当前心跳周期的截止时间向后移动一个最小采样时间ts，得到新的心跳周期s
′w(w+ts)，并返回步骤s6；
[0072]
步骤s7.3：如果输出判断为无偏移，则直接输出完整的当前心跳周期。
[0073]
进一步的是，在步骤s5中，由心电监护设备获取人体平均心率并且与scg信号共同存入到存储器中。
[0074]
更进一步的是，步骤s7.1中的后偏是指分割的心跳周期的截止时间大于实际的截止时间，步骤s7.2中的前偏是指分割的心跳周期的截止时间小于实际的截止时间。
[0075]
本发明还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述scg信号的心跳周期划分方法的步骤。
[0076]
本发明还公开了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述scg信号的心跳周期划分方法的步骤。
[0077]
优选地，对于心跳周期的判别模型，可以采用其他算法，例如卷积神经网络、svm等
深度学习或者机器学习算法等。
[0078]
值得一提的是，本发明专利申请涉及的传感器获取scg信号、电子设备等技术特征应被视为现有技术，这些技术特征的具体结构、工作原理以及可能涉及到的控制方式、空间布置方式采用本领域的常规选择即可，不应被视为本发明专利的发明点所在，本发明专利不做进一步具体展开详述。
[0079]
对于本领域的技术人员而言，依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。

技术特征：
1.一种scg信号的心跳周期划分方法，用于获得scg信号心跳周期，其特征在于，包括以下步骤：步骤s1：通过传感器获取若干人体scg信号并且存储在存储器中，以形成scg信号数据库；步骤s2：将scg信号数据库中的各个scg信号进行心跳周期标记，以分割成多个完整的scg信号心跳周期；步骤s3：将分割完成的多个scg信号心跳周期输入到预先搭建完成的引入注意力增强的双向lstm网络中进行训练，以获得包括网络结构、连接权重、激活值及特征值对应的心跳周期类型信息的心跳周期判别模型；步骤s4：再次通过传感器获取人体一段时间的scg信号s
t
，并且确定该时间段的起始位置后存入到存储器中；步骤s5：根据该时间段内人体平均心率作为一个时间窗口w，从scg信号s
t
中截取一段时长为w的scg信号s
w
；步骤s6：判断对当前心跳周期的判别更新次数是否超过上限值，若未超过，则执行步骤s7，反之，则输出完整的当前心跳周期，并且在采集的scg信号s
t
中删除该段信号；步骤s7：将截取到或更新后的scg信号输入到心跳周期判别模型，以输出判断当前心跳周期是否偏移，并且根据偏移情况执行对应匹配地处理，以使得心跳周期判别模型输出完整的当前心跳周期并且在采集的scg信号s
t
中删除该段信号；步骤s8：判断对当前的scg信号s
t
是否已经分割完毕，如果分割完毕则结束，反之，则进入步骤s5进行下个scg信号心跳周期的划分。2.根据权利要求1所述的一种scg信号的心跳周期划分方法，其特征在于，步骤s3的心跳周期判别模型的获得具体实施为以下步骤：步骤s3.1：将选取输入的单个scg信号心跳周期按照最小采样时间t
s
分割为多个时间间隔，从而用于数据的运算，并且引入注意力增强的双向lstm网络的连接正反两个方向的lstm模型输出可表示为：其中，为正反两层lstm模型的状态分量，表示为：为正反两层lstm模型的状态分量，表示为：其中，x
t
为输入的scg信号心跳周期的第t个间隔，c
t-1
为不同t-1时刻记忆单元的值，得到各输出分量后，根据注意力机制的设置，将各分量按权求和并且作为双向lstm网络的输出，其计算方法为：其中，α
t
为当前分量对于当前心跳周期的重要程度，表示为：
其中，s(k
t
,q
t
)为打分函数，k为选取的标准scg信号心跳周期；步骤s3.2：通过构建各个scg信号心跳周期的标记信息和attention值之间的关系完成对多个scg信号心跳周期的训练，从而获得心跳周期判别模型。3.根据权利要求2所述的一种scg信号的心跳周期划分方法，其特征在于，步骤s7中根据偏移情况执行对应匹配地处理具体实施为以下步骤：步骤s7.1：如果输出判断为后偏，则将当前心跳周期的截止时间向前移动一个最小采样时间t
s
，得到新的心跳周期s
′
w
，并返回步骤s6；步骤s7.2：如果输出判断为前偏，则将当前心跳周期的截止时间向后移动一个最小采样时间t
s
，得到新的心跳周期s
′
w
，并返回步骤s6；步骤s7.3：如果输出判断为无偏移，则直接输出完整的当前心跳周期。4.根据权利要求3所述的一种scg信号的心跳周期划分方法，其特征在于，在步骤s5中，由心电监护设备获取人体平均心率并且与scg信号共同存入到存储器中。5.根据权利要求4所述的一种scg信号的心跳周期划分方法，其特征在于，步骤s7.1中的后偏是指分割的心跳周期的截止时间大于实际的截止时间，步骤s7.2中的前偏是指分割的心跳周期的截止时间小于实际的截止时间。6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述scg信号的心跳周期划分方法的步骤。7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述scg信号的心跳周期划分方法的步骤。

技术总结
本发明公开了一种SCG信号的心跳周期划分方法，包括步骤S1：通过传感器获取若干人体SCG信号并且存储在存储器中，以形成SCG信号数据库；步骤S2：将SCG信号数据库中的各个SCG信号进行心跳周期标记，以分割成多个完整的SCG信号心跳周期。本发明公开的一种SCG信号的心跳周期划分方法，首先对SCG信号进行降噪预处理，然后对处理好的信号数据进行标记，并通过引入注意力增强的双向LSTM网络模型进行训练，训练好的模型可以对单个心跳周期进行判断是否划分准确，再通过自适应滑动窗口算法实现对心跳周期的调整，最终获得完整的SCG信号心跳周期。最终获得完整的SCG信号心跳周期。最终获得完整的SCG信号心跳周期。


技术研发人员：王超超 张先超 吴桐 胡钧益
受保护的技术使用者：嘉兴学院
技术研发日：2023.03.24
技术公布日：2023/7/7