CN119423774A 基于时频域联合的非接触式心电信号监测重构方法及系统 （西安交通大学）

基于时频域联合的非接触式心电信号监测一种基于时频域联合的非接触式心电信号经网络模型将心脏机械运动信号SH转换为心电信号ECG。分别使用时域损失和频域损失来训练均方根误差量化计算到的心率与真实心率之间的误差。本发明基于ResNet架构设计能够用于ECG信号转换的神经网络，所提神经网络通过数2采用调频连续波雷达获取待测者的胸壁振动从胸壁振动信号S中分离出心脏机械运动信2.根据权利要求1所述基于时频域联合的非接触式心电信号监测重构方法，其特征在一个核为3的卷积层，再次进行归一化和激活函数处理，最后输出给下一个残差块径shortcut块进行跳跃连接；所述捷径shortcut块包括一个核为1的卷积层和一个归一化3.根据权利要求2所述基于时频域联合的非接触式心电信号监测重构方法，其特征在采用平均绝对误差MAE来计算拟合得到心电信号ECG和心电信号标准数据GroundF和PF分别表示心电信号标准数据GroundTruthECG和重构心电信号的频域数4.根据权利要求3所述基于时频域联合的非接触式心电信号监测重构方法，其特征在和均方根误差RMSE量化计算到的心率HR与真实心率5.根据权利要求2所述基于时频域联合的非接触式心电信号监测重构方法，其特征在6.根据权利要求1所述基于时频域联合的非接触式心电信号监测重构方法，其特征在3而后对信号中的R峰进行标记，并计算相邻两个7.根据权利要求1所述基于时频域联合的非接触式心电信号监测重构方法，其特征在心电信号转换模块，用于通过预先建立的ResNet架构神经求1至7中任一项所述基于时频域联合的非接触式4[0003]随着计算机视觉和雷达技术的发展，非接触式测量ECG信号受到了越来越多的关[0009]通过预先建立的ResNet架构神经网络模型将心脏机械运动信号SH转换为心电信络由三个复用的模型组成，每个模型包含四个残差块ResNetBlock，在每个残差块5[0015]采用平均绝对误差MAE来计算拟合得到心电信号ECG和心电信号标准数据Ground[0017]其中，EF和PF分别表示心电信号标准数据GroundTruthECG均绝对误差MAE和均方根误差RMSE量化计算到的心率HR与真实心[0033]心脏机械运动信号分离模块，用于从胸壁振动信号S中分离出心脏机械运动信号6模型进行处理，实现了以非接触式方式预测心电图ECG信号。本发明结合深度学习方法对ECG信号进行学习和映射，通过预先建立的ResNet架构神经网络模型将微弱的心脏机械运数的增加HR精度的变化蓝色为静坐状态下心率精度随modu[0048]请参阅图1，本发明实施例基于时频域联合的非接触式心电信号监测重构方法包7施例使用经FDA(美国食品药品监督管理局)认证的BIOPAC公司设备以及AcqKnowledge5.0训练和收敛。当输入通道数目和输出通道数目相同时，或者stride为1时，数据会通过E[0062]同时，采用平均绝对误差来计算拟合得到ECG信号和groundtruth在频域上的距89更多的会关注ECG信号在频域上的分布，这可能会导致生成的信号在时域上有较大的抖动不同层面的信息进行训练和评估。时域损失函数可以帮助模型捕捉信号的瞬时变化特征，[0079]考虑到由神经网络重构得到的ECG信号可能会有部分结果中存在噪声，导致信号[0080]巴特沃滤波器具有平坦的通带和陡峭的阻带，被广泛应ECG信号与groundtruthECG错位。从图5的结果可以看出，重构ECG信ECG在时域形态上达到了高度一致。重构ECG信号的R峰位置与机械运动信号的峰值最大处[0093]本发明另一实施例提出一种基于时频域联合的非接触式[0095]心脏机械运动信号分离模块，用于从胸壁振动信号S中分离出心脏机械运动信号明基于时频域联合的非接触式心电信号监测重构方法。所述一个或多个模块/单元可以是他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field_分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器储器还可以用于暂时地存储已经输出或者将要[0106]所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用计算机存储器、只读存储器(ROM，Read_OnlyMemory)、随机存取存储器(RAM，Ran