本发明涉及数据处理领域，具体而言，涉及一种基于深度学习的心率预测方法及装置。
背景技术
随着科学技术的发展，人们越来越关心自身的健康问题，心率是人类心脏周期性变化信息的重要指标，其变化及差异也成为一项反映被测人心脏疾病基本指标。而心率主要可作用于以下几个方面:1.心脏病的预后检测；心脏病患者的心率快慢和差异与生存率相关较高。心率如果总是高于正常，或最快和最慢心率之间的差异很小，死亡几率就相当高。2.提示运动量是否适宜；心率可以用来衡量运动量的大小。如有氧运动达到有效而安全时,人的心率是170减去年龄数，或掌握在108～144之间。3.心率预示生命的长短；研究发现，所有动物的生命周期都遵循着这样一个规律：心率越快，寿命越短。人类也是如此，保证规律的心跳将有助与人类提高身体抵抗力,延长寿命。4.预示心脏病发病的危险；就人类而言，虽然在安静时60～90次/分钟的心率都属正常范围，但最佳心率却是70次/分钟左右。一项对34000人的调查表明，心率比正常人快12次/分钟的人死于心血管病的危险性要比正常人高27％。这提示人们不能无视心率的快慢。5.反映过劳的指征；当人类过度而产生疲劳后，次日早晨心率比前一天快5次/分钟以上，便可以认为是疲劳过度，这时应调整运动量或劳动量。6.情绪预测；当人类发生情绪波动时，其心跳将依照一定模式发生变化，比如士兵执行任务遇到危险时心跳加快等，根据这些模式，可以实现情绪控制、安全预警、甚至军事方面的应用。
现有技术中对心率的检测主要依靠复杂的算法以及硬件，但是其对于心率的检测不足以达到很精确的地步，以至于人们不能很好的预防疾病，时刻观察自身的健康状况。
技术实现要素：
有鉴于此，本发明实施例的目的在于提供一种基于深度学习的心率预测方法及装置，以改善上述问题。
第一方面，本发明实施例提供了一种基于深度学习的心率预测方法，所述方法包括：
获取待测的脉搏信号与运动姿态信号；
将待测的所述脉搏信号与所述运动姿态信号输入预先训练好的最终长短期记忆网络lstm模型中，根据所述运动姿态信号对应的运动状态，选择所述最终lstm模型中所述运动状态对应的lstm进行预测，获取输出的预测心电信号值，其中，所述最终lstm模型包括训练后获得的各个运动状态下对应的lstm模型。
进一步地，所述获取待测的脉搏信号与运动姿态信号之前，所述方法还包括：
对所述lstm模型依据输入的运动姿态信号对应的不同运动状态分别进行训练，获得训练后的最终lstm模型。
进一步地，对所述lstm模型依据输入的运动姿态信号对应的不同运动状态分别进行训练，获得训练后的最终lstm模型，包括：
获取多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号及运动姿态信号；
将所述多组信号依据运动状态的不同分别输入至预先建立的长短期记忆网络lstm模型进行训练，获取训练后不同运动状态的lstm模型各自的神经网络参数，得出最终lstm模型。
进一步地，获取多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号与运动姿态信号，包括：
采集多组初始信号，每组初始信号包括多种运动状态下的初始心电信号、初始脉搏信号及初始运动姿态信号；
将采集的多组初始信号进行放大处理，获取多组放大信号，其中，每组放大信号包括放大脉搏信号、放大心电信号与放大运动姿态信号；
将所述多组放大信号进行采样，获得多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号与运动姿态信号。
进一步地，对所述lstm模型依据输入的运动姿态信号对应的不同运动状态分别进行训练，获得训练后的最终lstm模型，包括：
获取多组信号，每组信号包括多种运动状态下的实际心电信号、实际脉搏信号与实际运动姿态信号；
将所述实际脉搏信号与所述实际运动姿态信号输入至预先训练好的最终lstm模型，根据输入的所述实际运动姿态信号对应的运动状态，选择所述最终lstm模型中所述运动状态对应的lstm模型，获得输出的预期心电信号；
将所述预期心电信号值与所述实际脉搏信号对应的所述实际心电信号值进行比较，若所述预期心电信号值与所述实际心电信号值之间的差值超出预设范围时，则继续将所述多组信号输入至对应运动状态下的lstm模型进行训练，以获得训练后的最终lstm模型。
第二方面，本发明实施例提供了一种基于深度学习的心率预测装置，所述装置包括：
待测信号获取模块，用于获取待测的脉搏信号与运动姿态信号；
信号预测模块，用于将待测的所述脉搏信号与所述运动姿态信号输入预先训练好的最终长短期记忆网络lstm模型中，根据所述运动姿态信号对应的运动状态，选择所述最终lstm模型中所述运动状态对应的lstm进行预测，获取输出的预测心电信号，其中，所述最终lstm模型包括训练后获得的各个运动状态下对应的lstm模型。
进一步地，所述装置还包括：
模型训练模块，用于对所述lstm模型依据输入的运动姿态信号对应的不同运动状态分别进行训练，获得训练后的最终lstm模型。
进一步地，所述模型训练模块，包括：
多组信号获取单元，用于获取多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号及运动姿态信号；
训练单元，用于将所述多组信号依据运动状态的不同分别输入至预先建立的长短期记忆网络lstm模型进行训练，获取训练后不同运动状态的lstm模型各自的神经网络参数，得出最终lstm模型。
进一步地，所述多组信号获取单元，包括：
初始信号采集子单元，用于采集多组初始信号，每组初始信号包括多种运动状态下的初始心电信号、初始脉搏信号与初始运动姿态信号；
信号放大子单元，用于将采集的多组初始信号进行放大处理，获取多组放大信号，其中，每组放大信号包括放大脉搏信号、放大心电信号与放大运动姿态信号；
信号采样子单元，用于将所述多组放大信号进行采样，获得多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号与运动姿态信号。
进一步地，所述模型训练模块，包括：
多组信号获取子单元，用于获取多组信号，每组信号包括多种运动状态下的实际心电信号、实际脉搏信号与实际运动姿态信号；
信号预测子单元，用于将所述实际脉搏信号与所述实际运动姿态信号输入至预先训练好的最终lstm模型，根据输入的所述实际运动姿态信号对应的运动状态，选择所述最终lstm模型中所述运动状态对应的lstm模型，获得输出的预期心电信号；
重复训练子单元，用于将所述预期心电信号值与所述实际脉搏信号对应的所述实际心电信号值进行比较，若所述预期心电信号值与所述实际心电信号值之间的差值超出预设范围时，则继续将所述多组信号值输入至对应运动状态下的lstm模型进行训练，以获得训练后的最终lstm模型。
本发明实施例的有益效果是：
本发明实施例提供一种基于深度学习的心率预测方法及装置，该方法首先获取待测的脉搏信号及运动姿态信号，然后将所述待测的脉搏信号输入预先训练好的最终长短期记忆网络lstm模型中，根据所述运动姿态信号对应的运动状态，选择所述最终lstm模型中所述运动状态对应的lstm进行心电信号预测，进一步获取心电信号，本方案通过运动姿态信号对应的不同运动状态，在训练时，将训练模型分为多个不同运动状态对应的lstm模型进行训练，并分别对这些lstm模型进行心电信号的训练及预测，由此可获得包括有训练后的各个运动状态下对应的lstm模型的最终lstm模型，通过运动姿态信号对应的运动状态，可选择最终lstm模型中对应运动状态对应的lstm模型进行心电信号预测，从而可以有效的预测出准确的心率值。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了一种可应用于本申请实施例中的电子设备的结构框图；
图2为本发明实施例提供的一种基于深度学习的心率预测方法的流程图；
图3为本发明实施例提供的一种lstm模型的结构示意图；
图4为本发明实施例提供的一种lstm模型中细胞状态的结构示意图；
图5为本发明实施例提供的一种lstm模型中控制门的结构示意图；
图6为本发明实施例提供的一种lstm模型中输入门的结构示意图；
图7为本发明实施例提供的一种lstm模型中的遗忘门的结构示意图；
图8为本发明实施例提供的一种lstm模型中的细胞状态更新示意图；
图9为本发明实施例提供的一种lstm模型中的输出门的结构示意图；
图10为本发明实施例提供的通过lstm模型进行心率预测结果对比示意图；
图10-1为本发明实施例提供的通过lstm模型进行心率预测结果放大对比示意图；
图11为本发明实施例提供的通过现有技术中sae模型进行心率预测结果对比示意图；
图11-1为本发明实施例提供的通过现有技术中sae模型进行心率预测结果放大对比示意图；
图12为本发明实施例提供的一种基于深度学习的心率预测装置的结构框图；
图13为本发明实施例提供的另一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1示出了一种可应用于本申请实施例中的电子设备100的结构框图。电子设备100可以包括基于深度学习的心率预测装置、存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、音频单元106、显示单元107。
所述存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、音频单元106、显示单元107各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述基于深度学习的心率预测装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在所述基于深度学习的心率预测装置的操作系统(operatingsystem，os)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块，例如所述基于深度学习的心率预测装置包括的软件功能模块或计算机程序。
其中，存储器101可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存储器101用于存储程序，所述处理器103在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器103中，或者由处理器103实现。
处理器103可以是一种集成电路芯片，具有信号的处理能力。上述的处理器103可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。
所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出单元105用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元105可以是，但不限于，鼠标和键盘等。
音频单元106向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元107在所述电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元107可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器103进行计算和处理。
所述外设接口104将各种输入/输入装置耦合至处理器103以及存储器101。在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出单元105用于提供给用户输入数据实现用户与处理终端的交互。所述输入输出单元105可以是，但不限于，鼠标和键盘等。
可以理解，图1所示的结构仅为示意，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2，图2为本发明实施例提供的一种基于深度学习的心率预测方法的流程图，所述方法包括如下步骤：
步骤s110：获取待测的脉搏信号与运动姿态信号。
步骤s120：将待测的所述脉搏信号与所述运动姿态信号输入预先训练好的最终长短期记忆网络lstm模型中，根据所述运动姿态信号对应的运动状态，选择所述最终lstm模型中所述运动状态对应的lstm进行预测，获取输出的预测心电信号。
在对心率进行预测时，将检测获得的脉搏信号与运动姿态信号输入预先训练好的lstm模型中进行预测，从而获得心率值。训练模型包括有多种运动状态下对应的lstm模型，而所述最终lstm模型包括训练后获得的各个运动状态下对应的lstm模型，对lstm模型的训练过程如下：
首先获取多组信号，每组信号包括多种运动状态下的心电信号及脉搏信号与运动姿态信号，然后将所述多组信号依据运动状态的不同分别输入至预先建立的长短期记忆网络lstm模型进行训练，获取训练后不同运动状态的lstm模型各自的神经网络参数，获得最终lstm模型。
其中，为了对lstm模型进行训练，需要采集大量的样本数据，如可以采集各个运动状态下10000组的脉搏信号、心电信号与运动姿态信号，分别输入至各个运动状态下lstm模型进行训练。
训练阶段在pc机上完成，前期通过采集数百人的数据，将这些数据存储在pc机中，这些数据即每个用户多状态下的心电信号、脉搏信号与运动姿态信号，这些数据将作为下述长短期记忆网络lstm模型的输入信号。
信号在输入lstm模型之前还需对信号进行预处理，以使输入lstm模型的信号符合lstm模型数据格式的输入。由于最开始从用户身上采集的心电信号、脉搏信号与运动姿态信号未进行任何处理，无法直接输入至lstm模型中进行训练，所以，初始采集多组初始信号，每种初始信号包括多种运动状态下的初始心电信号、初始脉搏信号与运动姿态信号，然后将采集的多组初始信号进行放大滤波处理，获取多组放大信号，其中，每组放大信号包括放大脉搏信号、放大心电信号与放大运动姿态信号，然后将多组放大信号进行采样，获得多组信号，每组信号包括多种运动状态下的心电信号及脉搏信号与运动姿态信号。
具体地，多种运动状态包括但不限于：慢速运动状态、中速运动状态、快速运动状态三种状态。即对于每种运动状态下，均采集多个用户的心电信号、脉搏信号及运动姿态信号，即采集多组初始信号，如对于慢速运动状态下，采集多个用户的初始心电信号、初始脉搏信号和初始运动姿态信号，对单一高纯度慢速运动状态下的信号输入lstm模型进行训练，以对后期进行心率预测提供专门性预测慢速运动状态下lstm模型；对于中速运动状态，也采集多个用户的初始心电信号、初始脉搏信号和初始运动姿态信号，对单一高纯度中速运动状态下的信号输入lstm模型进行训练，以对后期进行心率预测提供专门性预测中速运动状态下lstm模型；对于快速运动状态，也采集多个用户的初始心电信号、初始脉搏信号和初始运动姿态信号，对单一高纯度快速运动状态的信号输入lstm模型进行训练，以对后期进行心率预测提供专门性预测快速运动状态下lstm模型。三种运动状态下分别训练三种lstm网络模型，最后三种运动状态下的lstm模型组合得到最终lstm模型。当然，还可以根据其他状态下的数据来进行训练获得对应状态下的lstm模型。所以，最终lstm模型可包括训练后获得的各个状态下对应的lstm模型。
其次，本发明实施例中提到的将运动状态依据速率的不同区分为3种状态，在有些作为替换的实现方式中，有可能区分为4种或者5种等多种运动状态，即凡是区分为多种运动状态，并进行相应的lstm模型设置进行训练的方式，均在本发明的保护范围之内。
由此，在对心电信号的心率值进行预测时，通过运动姿态信号输入至最终lstm模型中，可根据运动姿态信号判断当前处于何种运动状态下，如慢速运动状态、中速运动状态或快速运动状态。在输入脉搏信号后，可将脉搏信号选择输入对应运动状态下的lstm模型进行心率预测，所以，可针对不同的运动状态的心率进行预测，提高了预测的准确性。
其中，对于多组初始信号的采集可以采用光电传感器来提取各个状态下每个用户的初始脉搏信号，同时采用心电监测仪同步采集各个状态下每个用户的初始心电信号，然后将多组初始信号经过放大滤波电路进行放大滤波，然后发送至控制器进行adc(模拟信号转换为数字信号)采样。另外系统采用六轴传感器采集每个用户的运动姿态信号，即慢速运动状态、中速运动状态或快速运动状态信号控制器，由此可获得多种运动状态下的多组信号，多种运动状态下的每组信号包括心电信号、脉搏信号与运动姿态信号，即慢速运动状态下每组信号包括用户在慢速运动状态下的心电信号、脉搏信号与运动姿态信号；中速运动状态下每组信号包括用户在中速运动状态下的心电信号、脉搏信号与运动姿态信号；快速运动状态下每组信号包括用户在快速运动状态下的心电信号、脉搏信号与运动姿态信号。
上述的控制器可以是一种集成电路芯片，具有信号处理能力的处理器。上述处理器可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。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等。
长短期记忆网络lstm是一种特殊的rnn(recurrentneuralnetworks，循环神经网络)模型，是为了解决一般rnn模型中梯度弥散问题而提出的，rnn会以相当不受控制的方式在每个时间步长内完全重写自己的记忆，而lstm模型则会以非常精确的方式改变部分记忆，lstm模型的主要核心思想是：1.增加遗忘机制；例如当用户静止状态下一段时间结束时，模型应该重置该时间内用户的相关信息，例如脉搏信号幅值、运动姿态信号数值。等所以模型应该学会一个独立的忘记/记忆机制，当有新的脉搏信号与运动姿态信号输入时，模型应该知道哪些信息应该丢掉；2.增加保存机制，当模型得到全新的脉搏信号与运动姿态信号的时候，需要学会其中是否有值得使用和保存的信息；3.当有一个全新的脉搏信号与运动姿态信号的输入时，模型首先忘掉那些用不上的长期记忆信息，然后学习新输入有什么值得使用的信息，然后存入长期记忆中；4.把长期记忆聚焦到工作记忆中，最后，模型需要学会长期记忆的哪些部分立即能派上用场，不要一直使用完整的长期记忆，而要知道哪些部分是重点。
下面对lstm模型的具体原理进行描述。
请参照图3，图3示出了lstm模型的结构示意图，在图3中，每一条黑线传输着一整个向量，从一个节点的输出到其他节点的输入，圈代表pointwise的操作，诸如向量的和，而矩形就是学习到的神经网络层，合在一起的线表示向量的连接，分开的线表示内容被复制，然后分发到不同的位置。
如图4，lstm的关键就是细胞状态，水平线在图4中的上方贯穿运行。细胞状态类似于传送带，直接在整个链上运行，只有一些少量的线性交互，信息在上面流传保持不变会很容易。当然传送带本身是无法控制哪些信息是否被记忆，起控制作用的是如图5中的控制门。
控制门用来去除或者增加信息到细胞状态的能力，门是一种让信息选择式通过的方法，它们包含一个sigmoid神经网络层和pointwise乘法操作。sigmoid层输出0到1之间的数值，描述每个部分有多少量可以通过，0代表“不允许任何量通过”，1代表“允许任意量通过”。
lstm模型中有三个控制门来保护和控制细胞状态，即输入门、遗忘门和输出门，lstm模型通过这三个控制门，使得自循环的权重是变化的，同时在模型参数固定的情况下，不同时刻的积分尺度可以动态改变，避免了深度学习训练过程中梯度消失或者梯度膨胀。
如图6所示，输入门负责处理当前序列位置的输入，从图6可以看出输入门由两部分组成，第一部分使用了sigmoid激活函数，输出为it，第二部分使用了tanh激活函数，输出为
it＝σ(wi[ht-1,xt]+bi)
其中，wi,wc,bi,bc为线性关系的系数和偏倚，和rnn中的类似，σ为sigmoid激活函数。
如图7所示，遗忘门，是控制是否遗忘，在lstm模型中即以一定的概率控制是否遗忘上一层的隐藏细胞状态，图7中输入的有上一序列的隐藏状态ht-1和本序列数据xt，通过一个激活函数，一般是sigmoid，得到遗忘门的输出ft。由于sigmoid的输出ft在[0,1]之间，因此这里的输出ft代表了上一层隐藏细胞状态的概率，用数学表达式即为：
ft＝σ(wf[ht-1,xt]+bf)
遗忘门和输入门的结果都会作用于细胞状态ct，对细胞状态进行更新，即从细胞状态ct-1更新到ct，如图8所示，细胞状态ct用数学表达式即为：
其中，*为hadamard积。
有了新的隐藏细胞状态，则参照图9中的输出门结构，从图中可以看出，隐藏状态ht的更新部分由两部分组成，第一部分是ot，它由上一序列的隐藏状态ht-1和本序列数据xt，以及激活函数sigmoid得到，第二部分由隐藏状态ct和tanh激活函数组成，即：
ot＝σ(wo[ht-1,xt]+bo)
ht＝ot*tanh(ct)
其中，多组信号值中的脉搏信号作为lstm模型的输入训练数据，心电信号作为lstm模型的网络训练数据标签。将脉搏信号作为lstm模型中的输入门的输入，心电信号作为lstm模型中的输出门的输出，输出门输出的是输入门输入所对应的脉搏信号，即在训练过程中，可基于输入的脉搏信号对输出的心电信号进行调整，使得脉搏信号输入至lstm模型中后输出的心电信号是准确的，从而达到心率预测的目的。
另外，作为一种实施方式，为了实现对lstm模型的训练，使得输出结果更加准确，则还可获取多种运动状态下的多组信号，每组信号包括多种运动状态下的实际心电信号、实际脉搏信号与实际运动姿态信号；将所述实际脉搏信号与所述实际运动姿态信号输入至预先训练好的最终lstm模型，根据输入的所述实际运动姿态信号对应的运动状态，选择所述最终lstm模型中所述运动状态对应的lstm模型，获得输出的预期心电信号；将所述预期心电信号值与所述实际脉搏信号对应的所述实际心电信号值进行比较，若所述预期心电信号值与所述实际心电信号值之间的差值超出预设范围时，则继续将所述多组信号输入至对应运动状态下的lstm模型进行训练，以获得训练后的最终lstm模型。
其中，获取多组信号的方式与上述一致，在获取多组信号后，根据所述实际运动姿态信号对应的运动状态，将多组信号中的实际脉搏信号输入至预先训练好的对应运动状态下的lstm模型，然后获得lstm模型输出的预期心电信号，该预期心电信号为该lstm模型的预测结果，但是，为了保证其输出结果的准确性，还可以将预期心电信号值与所述实际脉搏信号对应的所述实际心电信号值进行比较，若所述预期心电信号值与所述实际心电信号值之间的差值超出预设范围时，则继续将所述多组信号输入至所述预先训练好的对应运动状态下的lstm模型进行训练，从而可获得包含有训练后的各个运动状态下的lstm模型的最终lstm模型。
训练得出的lstm模型很可能因为训练样本数据不多，导致训练结果不理想，而使得最后的预测结果不理想。为了实现预测结果的准确性，在所述预期心电信号值与所述实际心电信号值之间的差值超出预设范围时，则继续将所述多组信号输入至所述lstm模型进行训练，最后将训练后获得的多种运动状态对应的lstm模型结合，以获得最终lstm模型。其中，预设范围可以自行定义，表示预期心电信号值与实际心电信号值之间的误差范围，若所述预期心电信号值与所述实际心电信号值之间的差值超出预设范围，则表示训练获得的lstm模型不理想，则还需对lstm模型继续进行训练，最后获得的最终lstm模型输出的预期心电信号值与实际心电信号值的差值处于上述的预设范围内，表示lstm模型输出的预期心电信号值与实际心电信号值的误差不大，输出结果较为接近，lstm模型的预测结果较为准确。
所以，在对lstm模型进行训练好后，即可进行心率预测了，即首先获取待测的脉搏信号与运动姿态信号，然后将待测的脉搏信号与运动姿态信号输入至上述训练好的最终lstm模型中，，根据所述运动姿态信号对应的运动状态，选择所述最终lstm模型中所述运动状态对应的lstm进行预测，获得lstm模型输出的预测心电信号，由此该心电信号可以为用户的准确心电信号，即达到对用户当前脉搏信号对应的心电信号的预测的目的。
并且，由于上述是对多种运动状态下的脉搏信号及心电信号进行训练，所以在后续测试时，可以对用户在各种运动状态下的心率值进行准确预测。
本发明实施例采用lstm模型对心率进行预测的技术相比当前现有使用深度学习技术进行心率预测有如下优点：
1.本发明实施例根据人体运动状态不同，分别对多个状态的lstm网络模型进行训练，不仅可以得到更高的预测准确率，在心率预测时对人体运动状态的限制也变得宽松，其中人体运动状态包括三种运动状态，分别为慢速运动状态、中速运动状态、快速运动状态。目前现有技术在对心率预测时，大部分还停留于预测静止状态的人体心率，因此，本技术在心率预测时，对于在人体运动状态方面具有更广泛的适用性，这是本技术最鲜明的技术特点。
2.本发明实施例采用细节性的区分人体运动速度跨度的技术，分别训练不同运动状态的lstm网络模型参数，得出最终lstm模型。这项技术极大节约了时间资本，更极大提高了心率预测的准确率，其应用不仅可以应用于高校科研，更可以应用于市场企业。当前现有利用深度学习技术进行心率预测时，在深度学习神经网络模型参数训练过程中，没有根据人体运动状态对深度学习神经网络模型参数进行训练，是将所有运动状态数据直接全部输入到神经网络中进行训练，造成后续网络参数训练速度较慢，准确率低。
3.本发明实施例利用lstm模型对心电信号预测，计算心率值，采用的lstm模型在语音识别，语音建模，语言翻译等都有广泛的应用，在不同领域的实现最后达到的准确率都在95％以上。lstm模型可以连接前一步的脉搏信号训练的网络信息到当前的网络训练信息，适合处理时间序列数据。lstm网络模型遗忘机制以及保存机制，对长时间连续的脉搏信号持续选择性的保存，将脉搏信号中满足模型要求的信息保留下来，不满足模型要求的信息就遗忘，经过一步一步的训练，最后网络信息涵盖长时间连续高效脉搏信号信息，提高由脉搏信号预测心电信号的准确率。
因此，本发明实施例利用lstm模型优势对心电信号预测，通过心电设备测量的实际心率值与通过多状态lstm模型预测的心率值偏差幅度较小，经过10次验证后偏差均值为0.155，标准差为9.812，总的预测心率准确率可达到92％。而当前现有使用深度学习心率预测技术sae模型，在对通过脉搏信号对心电信号预测时，其测试准确率较低，通过心电设备测量的实际心率值与通过sae模型预测的心率值偏差幅度较大，经过10次验证后偏差均值为5.361，标准差为2.52，总的预测心率准确率大约为55％。
实验结果如图10，图10-1和图11，图11-1所示，其是采用同一组数据(同一组数据包括一个用户的17.5分钟初始信号，其中17.5分钟分为3分钟慢速运动状态初始信号，3分钟中速运动状态初始信号，9.5分钟快速运动状态初始信号，其中初始信号包括脉搏信号、运动姿态信号、心电信号)分别输入两个模型进行预测的结果，即将同一组脉搏信号与运动姿态信号分别输入至最终lstm模型和当前现有使用深度学习心率预测技术sae模型，进行预测的心电信号值与实际心电信号值进行比对的结果，由图可看出，通过lstm模型进行预测的结果与实际的心电信号值相差不大，准确率较高，而通过当前现有深度学习心率预测技术sae模型预测的结果与实际的心电信号值相差较大，准确率较低。
请参照图12，图12为本发明实施例提供的一种基于深度学习的心率预测装置200的结构框图，所述装置包括：
待测信号获取模块210，用于获取待测的脉搏信号与运动姿态信号；
信号预测模块220，用于将待测的所述脉搏信号与所述运动姿态信号，输入预先训练好的最终长短期记忆网络lstm模型中，根据所述运动姿态信号对应的运动状态，选择所述最终lstm模型中所述运动状态对应的lstm进行预测，获取输出的预测心电信号，其中，所述最终lstm模型包括训练后获得的各个运动状态下对应的lstm模型。
作为一种实施方式，所述装置还包括：
模型训练模块，用于对所述lstm模型依据输入的运动姿态信号对应的不同运动状态分别进行训练，获得训练后的最终lstm模型。
作为一种实施方式，所述模型训练模块，包括：
多组信号获取单元，用于获取多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号及运动姿态信号；
训练单元，用于将所述多组信号依据运动状态的不同分别输入至预先建立的长短期记忆网络lstm模型进行训练，获取训练后不同运动状态的lstm模型各自的神经网络参数，得出最终lstm模型。
作为一种实施方式，所述多组信号获取单元，包括：
初始信号采集子单元，用于采集多组初始信号，每组初始信号包括多种运动状态下的初始心电信号、初始脉搏信号与初始运动姿态信号；
信号放大子单元，用于将采集的多组初始信号进行放大处理，获取多组放大信号，其中，每组放大信号包括放大脉搏信号、放大心电信号与放大运动姿态信号；
信号采样子单元，用于将所述多组放大信号进行采样，获得多组信号，每组信号包括多种运动状态下的心电信号、脉搏信号与运动姿态信号。
作为一种实施方式，所述模型训练模块，包括：
多组信号获取子单元，用于获取多组信号，每组信号包括多种运动状态下的实际心电信号、实际脉搏信号与实际运动姿态信号；
信号预测子单元，用于将所述实际脉搏信号与所述实际运动姿态信号输入至预先训练好的最终lstm模型，根据输入的所述实际运动姿态信号对应的运动状态，选择所述最终lstm模型中所述运动状态对应的lstm模型，获得输出的预期心电信号；
重复训练子单元，用于将所述预期心电信号值与所述实际脉搏信号对应的所述实际心电信号值进行比较，若所述预期心电信号值与所述实际心电信号值之间的差值超出预设范围时，则继续将所述多组信号输入至对应运动状态下的lstm模型进行训练，以获得训练后的最终lstm模型。
请参照图13，图13为本发明实施例提供的另一种电子设备的结构示意图，该电子设备可以包括：至少一个处理器410，例如cpu，至少一个通信接口420，至少一个存储器430和至少一个通信总线440。其中，通信总线440用于实现这些组件直接的连接通信。其中，本发明实施例中设备的通信接口420用于与其他节点设备进行信令或数据的通信。存储器430可以是高速ram存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器430可选的还可以是至少一个位于远离前述处理器的存储装置。存储器430中存储有计算机可读取指令，且处理器410执行存储器430中有计算机可读取指令时运行上述的心率预测方法中的步骤。
本发明实施例还提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述的心率预测方法中的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
综上所述，本发明实施例提供一种基于深度学习的心率预测方法及装置，该方法首先获取待测的脉搏信号及运动姿态信号，然后将所述待测的脉搏信号与所述运动姿态信号输入预先训练好的最终长短期记忆网络lstm模型中，根据所述运动姿态信号对应的运动状态，选择所述最终lstm模型中所述运动状态对应的lstm进行心电信号预测，进一步获取心电信号，本方案通过运动姿态信号对应的不同运动状态，在训练时，将训练模型分为多个不同运动状态对应的lstm模型进行训练，并分别对这些lstm模型进行心电信号的训练及预测，由此可获得包括有训练后的各个运动状态下对应的lstm模型的最终lstm模型，通过运动姿态信号对应的运动状态，可选择最终lstm模型中对应运动状态对应的lstm模型进行心电信号预测，从而可以有效的预测出准确的心率值。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。