自适应日常多场景的心率监测值估计优化方法和穿戴设备与流程

本技术涉及心率监测，尤其是涉及一种自适应日常多场景的心率监测值估计优化方法和穿戴设备。

背景技术：

1、随着人们对身体健康、疾病预防及运动健康管理的愈发重视，可穿戴设备广泛流行，其中心率监测也是关注度较高的一类健康监测功能。相关技术中，可穿戴设备在进行心率监测时，通常采用光电容积脉搏波描述法（photoplethysmography，ppg），利用光的反射或散射及光电信号的转换进行心率检测；也有结合ppg和加速度计（accelerometer，acc）进行心率监测的方法。然而，ppg在进行心率监测时可能会受到多种因素的干扰，诸如环境干扰、噪声干扰和运动干扰等；目前ppg结合acc的方式在复杂的日常场景下，还是经常会出现心率检测不准的情况。

技术实现思路

1、本技术的目的在于提供一种自适应日常多场景的心率监测值估计优化方法和穿戴设备，以缓解了现有技术中存在的上述至少一个技术问题。

2、第一方面，本发明提供一种自适应日常多场景的心率监测值估计优化方法，包括：

3、采集可穿戴设备的加速度计数据，对加速度计数据进行时频域处理和特征提取，确定时域特征和频域特征，通过时域特征和频域特征进行运动状态识别，确定运动状态帧数据；

4、基于运动状态帧数据进行场景识别处理，确定当前监测场景；

5、根据当前监测场景匹配预先配置的滤波器组中的目标滤波器，通过目标滤波器对穿戴设备的光电容积脉搏波信号进行干扰信号滤波；其中，滤波器组包括多种类别的滤波器，每种类别的滤波器均对应有相应的目标监测场景；

6、基于滤波后的光电容积脉搏波数据和加速度计数据进行双频谱联合谱峰识别，确定预估心率值；

7、基于当前监测场景的场景类型对预估心率值进行优化，确定目标心率监测值。

8、在可选的实施方式中，基于运动状态帧数据进行场景识别处理，确定当前监测场景，包括：

9、将指定帧数的运动状态帧数据确定为目标历史运动状态帧；

10、对目标历史运动状态帧进行一维信号卷积处理，进行场景分类预测，确定所处的当前监测场景，并输出对应的第一预测概率作为目标置信度；

11、和/或，

12、将目标历史运动状态帧输入至预先训练好的决策树模型进行场景分类预测，确定所处的当前监测场景，并输出对应的第二预测概率作为目标置信度。

13、在可选的实施方式中，滤波器组包括多种类别的滤波器还包括时域滤波器和频域滤波器；每种目标监测场景均对应有相应的场景时域滤波器和场景频域滤波器。

14、在可选的实施方式中，通过目标滤波器对穿戴设备的光电容积脉搏波信号进行干扰信号滤波，包括：

15、获取穿戴设备的光电容积脉搏波信号，并对光电容积脉搏波信号进行预处理；

16、根据当前帧所对应的运动状态和当前监测场景分别确定对应的频域心率滤波器和时域心率滤波器；

17、通过频域心率滤波器对穿戴设备的光电容积脉搏波信号进行第一干扰信号滤波并进行频域转换处理，确定滤波后的频域信号；

18、通过时域心率滤波器对穿戴设备的光电容积脉搏波信号进行第二干扰信号滤波，确定滤波后的时域信号。

19、在可选的实施方式中，基于滤波后的光电容积脉搏波数据和加速度计数据进行双频谱联合谱峰识别，确定预估心率值，包括：

20、根据信号质量与历史心率值确定频谱跟踪区域；

21、分别提取频谱跟踪区域内的光电容积脉搏波信号第一频谱和加速度计信号第二频谱；

22、将指定时间与频域范围内的光电容积脉搏波信号第一频谱和加速度计信号第二频谱输入至卷积神经网络，在指定跟踪区域范围分别对光电容积脉搏波信号第一频谱和加速度计信号第二频谱进行卷积操作；

23、将卷积结果依次输入联合卷积层和全连接层，得到联合主峰识别结果和识别置信度；

24、基于联合主峰识别结果和识别置信度确定频域预估心率值；

25、通过对加速度计数据和光电容积脉搏波信号进行时域心室搏动间隔计算，确定时域预估心率值。

26、在可选的实施方式中，基于当前监测场景的场景类型对预估心率值进行优化，确定目标心率监测值，包括：

27、判断当前监测场景所处的场景类型；其中，场景类型包括稳定场景类型、过渡场景类型和切换场景类型；

28、当处于稳定场景类型时，基于频域预估心率值或时域预估心率值确定目标心率监测值；

29、当处于过渡场景类型或切换场景类型时，基于预先训练好的心率参考决策模型确定预估心率值与时域预估心率值的联合强度，通过联合强度对预估心率值进行优化，确定目标心率监测值。

30、在可选的实施方式中，方法还包括：

31、基于获取的时域信号和频域信号的信号质量、联合主峰识别结果、时域特征、频域特征、频域预估心率值、时域预估心率值以及历史心率情况确定训练样本；

32、基于训练样本对初始心率参考决策模型进行训练直至收敛，确定训练好的心率参考决策模型。

33、第二方面，本发明提供一种自适应日常多场景的心率监测值估计优化装置，包括：

34、数据采集处理模块，用于采集可穿戴设备的加速度计数据，对加速度计数据进行时频域处理和特征提取，确定时域特征和频域特征，通过时域特征和频域特征进行运动状态识别，确定运动状态帧数据；

35、场景识别模块，用于基于运动状态帧数据进行场景识别处理，确定当前监测场景；

36、滤波模块，用于根据当前监测场景匹配预先配置的滤波器组中的目标滤波器，通过目标滤波器对穿戴设备的光电容积脉搏波信号进行干扰信号滤波；其中，滤波器组包括多种类别的滤波器，每种类别的滤波器均对应有相应的目标监测场景；

37、联合谱峰识别模块，用于基于滤波后的光电容积脉搏波数据和加速度计数据进行双频谱联合谱峰识别，确定预估心率值；

38、心率值优化模块，用于基于当前监测场景的场景类型对预估心率值进行优化，确定目标心率监测值。

39、第三方面，本发明提供一种可穿戴设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现前述实施方式任一项的自适应日常多场景的心率监测值估计优化方法。

40、第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现前述实施方式任一项的自适应日常多场景的心率监测值估计优化方法。

41、本技术提供的自适应日常多场景的心率监测值估计优化方法和穿戴设备的有益效果如下：

42、本技术实施例预先识别场景，可以针对不同场景进行相应的心率监测计算，使得心率监测值更加准确。通过预先配置滤波器组，采用不同的滤波器，可以在指定场景下做到更好的数据预处理，如在频带内倾向于保留丰富的高频分量可以降低日常心率提取下的混淆问题等。通过神经网络对频谱跟踪区域内的双频谱进行处理，可以在主峰能量分散或其他异常情况下寻找到真正的主峰，防止主峰被混淆后导致的心率提取误差，同时可以更加有效地降低运动伪影成分的影响。根据场景结果确定心率提取与心率后处理，通过分场景处理可以将复杂问题分解，按场景对心率提取进行差异化设计，且对指定场景可以采取更加精准的处理策略，使最终输出的心率值更精准。