一种基于光电容积脉搏波的特征提取方法技术

本发明专利技术涉及非接触式生理信号检测领域，尤其涉及一种基于光电容积脉搏波的特征提取方法，首先读取人右手指尖的脉搏波信号PPG，获取采样点，然后，设置窗口大小和窗口的移动步长，通过滑动窗口的方式，动态计算心率来提取特征，计算属于同一类的特征的多组特征的平均值，得到多种不同状态，使用多种深度学习分类模型来对不同状态下的信号特征进行分类，最后输出识别结果。本发明专利技术通过对信号进行滤波预处理来抑制噪声，其次，利用不同状态下PPG信号的差异，对每种状态均进行了分类并充分考虑信号的时域和频域上的表现，分别提取了时域和频域的特征，最终通过不同模型来对不同状态下的信号进行分类。

【技术实现步骤摘要】
一种基于光电容积脉搏波的特征提取方法
本专利技术涉及非接触式生理信号检测领域，尤其涉及一种基于光电容积脉搏波信号的特征提取方法。
技术介绍
光电容积脉搏波信号是由于血液和其他组织成分对不同频段的光吸收程度不同，且血液本身在血管中的血液容积量会随着心脏的搏动而发生变化，因此在心脏收缩和舒张的过程中，血液对光的吸收量也会随心脏收缩呈现出周期性的脉搏波动，这种波动反应在视频传感器所接受到的信号变化即为PPG信号。近年来，非接触式人体心血管系统生理参采集则得益于近年来集成电路、微电子技术、成像技术以及信号处理技术的发展也得到了技术上的创新，但是因为个体的差异较大无法对脉搏波信号进行准确的特征提取。
技术实现思路
为了解决现有技术中存在的上述技术问题，本专利技术提出了一种基于光电容积脉搏波信号的特征提取方法，其具体技术方案如下：一种基于光电容积脉搏波信号的特征提取方法，包括以下步骤：步骤一，读取人右手指尖的脉搏波信号PPG，获取采样点；步骤二，设置窗口大小和窗口的移动步长，获得窗口内采样点；步骤三，通过滑动窗口的方式，将窗口内的PPG信号输入到预处理算法和心率计算算法中，对每个窗口的PPG信号进行预处理和心率计算来提取特征；步骤四，得到多组特征值后，计算属于同一类的特征的多组特征的平均值，最终得到四种或四种状态以下的特征值，对应4种或4种以下心率状态；步骤五，使用4种基于ResNet18的深度学习分类模型来对所述的不同状态下的特征进行分类，最后得到不同状态下的分类结果，取分类结果的最高值为最终结果。进一步的，所述步骤三，具体包括如下步骤：步骤3.1，对窗口内的采样点序列进行滤波处理得到新的序列；步骤3.2，对步骤3.1得到的新序列进行快速傅里叶变换得到频谱图，选取频谱图最高峰所对应的频段freq作为该阶段的心率值HR：HR=60*freq；步骤3.3，得到心率值HR后，将当前窗口的信号分为4类（0-49bpm），（50-79bpm），(80-99bpm)，(100bpm以上），以上4类对应的不同状态分别为低心率状态，平静状态，兴奋状态以及心动过速状态；步骤3.4，对每个窗口中的采样点序列提取其时域波形特征以及频域频率特征。进一步的，所述提取时域波形特征，具体为：对所述PPG信号进行周期计算，将PPG信号相邻的两个波峰之间的时间差T，收缩期时间ST,舒张期时间DT作为第一部分时域特征；将达到收缩期90%的时间记为ST_90，将达到舒张期90%的时间记为DT_90，将ST_90+DT_90和ST_90/DT_90记为第二部分时域特征；按照上述方法依次获得80%，70%，30%，20%，10%的10个时间特征，在该阶段，一共得到14组特征。进一步的，所述提取频域频率特征，具体为：对所述PPG信号进行快速傅里叶变换，得到频谱图；对0-12Hz的频段进行采样，采样间隔为0.5Hz,将采样得到的频率的幅值及其相位作为第一部分特征，在该阶段，一共获得45组特征。进一步的，所述步骤3.1中滤波器采用三阶巴特沃斯带通滤波器，滤波器带通频率设置为0.7HZ-3HZ。本专利技术的优点：和其它方法相比，本专利技术通过对信号进行滤波预处理来抑制噪声；其次，本专利技术利用人在不同状态下PPG信号的差异，对每种状态均进行了分类并充分的考虑了信号的时域和频域上的表现，分别提取了时域和频域的特征，最终通过不同模型来对不同状态下的信号进行分类。附图说明图1是本专利技术的时域特征提取波形示意图；图2是本专利技术方法的整体流程示意图。具体实施方式为了使本专利技术的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图，对本专利技术作进一步详细说明。一种基于光电容积脉搏波信号的特征提取方法，包括以下步骤：步骤一，利用血氧仪读取人右手指尖的脉搏波信号PPG，共计15000个采样点，采用周期60s,采样率为250Hz；步骤二，设置窗口大小window_size为1000个采样点大小，窗口的移动步长window_step为500个采样点；步骤三，通过滑动窗口的方式，将窗口内的PPG信号输入到预处理算法和心率计算算法中，对每个窗口的PPG信号进行预处理和心率计算来提取特征，具体步骤如下：步骤3.1，对窗口内的采样点序列进行滤波处理得到新的序列，其中滤波器采用三阶巴特沃斯带通滤波器，滤波器带通频率设置为0.7HZ-3HZ；步骤3.2，对步骤3.1得到的新序列进行快速傅里叶变换得到频谱图，选取频谱图最高峰所对应的频段freq作为该阶段的心率值HR：HR=60*freq；步骤3.3，得到心率值HR后，将当前窗口的信号分为4类（0-49bpm），（50-79bpm），(80-99bpm)，(100bpm以上），以上4类对应的不同状态分别为低心率状态，平静状态，兴奋状态以及心动过速状态；步骤3.4，对每个窗口中的采样点序列提取其时域波形特征以及频域频率特征，具体的提取方式如下：时域波形特征：如图1所示，对所述PPG信号进行周期计算，将PPG信号相邻的两个波峰之间的时间差T，收缩期时间ST,舒张期时间DT作为第一部分时域特征；将达到收缩期90%的时间记为ST_90，将达到舒张期90%的时间记为DT_90，将ST_90+DT_90和ST_90/DT_90记为第二部分时域特征；按照上述方法依次获得80%，70%，30%，20%，10%的10个时间特征，在该阶段，一共得到14组特征；频域频率特征：对上述PPG信号进行快速傅里叶变换，得到频谱图；对0-12Hz的频段进行采样，采样间隔为0.5Hz,将采样得到的频率的幅值及其相位作为第一部分特征，在该阶段，一共获得45组特征；步骤四，得到多组特征值后，计算属于同一类的特征的多组特征的平均值，最终得到四种或四种状态以下的特征值，对应4种或4种以下心率状态；步骤五，如图2所示，使用4种基于ResNet18的深度学习分类模型来对不同状态下的特征进行分类，其中，模型的输入为步骤三提取到的59组特征，分类模型最后会得到不同状态下的分类结果，取分类结果的最高值为最终结果。本专利技术的优势在于，和其它方法相比，本专利技术通过对信号进行滤波预处理来抑制噪声。其次，本专利技术利用人在不同状态下PPG信号的差异，对每种状态均进行了分类并充分的考虑了信号的时域和频域上的表现，分别提取了时域和频域的特征，最终通过不同模型来对不同状态下的信号进行分类。本专利技术的分类结果可以用于PPG生物识别领域准确对个体进行识别。如下表所示，本专利技术提取的特征在生物识别中的应用与现有生物识别方法的性能比较：方法准确率FuzzyLogic82.3%KNN74.0%本专利技术的方法96.7%本发本文档来自技高网...

【技术保护点】
1.一种基于光电容积脉搏波信号的特征提取方法，其特征在于，包括以下步骤：/n步骤一，读取人右手指尖的脉搏波信号PPG，获取采样点；/n步骤二，设置窗口大小和窗口的移动步长，获得窗口内采样点；/n步骤三，通过滑动窗口的方式，将窗口内的PPG信号输入到预处理算法和心率计算算法中，对每个窗口的PPG信号进行预处理和心率计算来提取特征；/n步骤四，得到多组特征值后，计算属于同一类的特征的多组特征的平均值，最终得到四种或四种状态以下的特征值，对应4种或4种以下心率状态；/n步骤五，使用4种基于ResNet18的深度学习分类模型来对所述的心率状态下的特征进行分类，最后得到不同状态下的分类结果，取分类结果的最高值为最终结果。/n

【技术特征摘要】
1.一种基于光电容积脉搏波信号的特征提取方法，其特征在于，包括以下步骤：
步骤一，读取人右手指尖的脉搏波信号PPG，获取采样点；
步骤二，设置窗口大小和窗口的移动步长，获得窗口内采样点；
步骤三，通过滑动窗口的方式，将窗口内的PPG信号输入到预处理算法和心率计算算法中，对每个窗口的PPG信号进行预处理和心率计算来提取特征；
步骤四，得到多组特征值后，计算属于同一类的特征的多组特征的平均值，最终得到四种或四种状态以下的特征值，对应4种或4种以下心率状态；
步骤五，使用4种基于ResNet18的深度学习分类模型来对所述的心率状态下的特征进行分类，最后得到不同状态下的分类结果，取分类结果的最高值为最终结果。


2.如权利要求1所述的一种基于光电容积脉搏波信号的特征提取方法，其特征在于，所述步骤三，具体包括如下步骤：
步骤3.1，对窗口内的采样点序列进行滤波处理得到新的序列；
步骤3.2，对步骤3.1得到的新序列进行快速傅里叶变换得到频谱图，选取频谱图最高峰所对应的频段freq作为该阶段的心率值HR：

HR=60*freq；
步骤3.3，得到心率值HR后，将当前窗口的信号分为4类0-49bpm，50-79bpm，80-99bpm，100bpm以上，以上4类对应的...

【专利技术属性】
技术研发人员：魏日令，鲍虎军，徐晓刚，
申请(专利权)人：之江实验室，
类型：发明
国别省市：浙江;33