血氧状态检测装置、设备及存储介质的制作方法

1.本发明涉及信号处理技术领域，尤其涉及一种血氧状态检测装置、设备及存储介质。


背景技术：

2.目前，血氧状态检测装置是先发出两组光源，然后接收器检测反射回来的红光和红外光的强度，通过计算两路信号的峰谷值，得到血氧饱和度。
3.但是，上述方式由于容易受到干扰，采集到的ppg信号往往含有大量的噪声，从而导致检测结果准确率低。
4.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

5.本发明的主要目的在于提供一种血氧状态检测装置、设备及存储介质，旨在解决如何优化血氧状态检测过程的技术问题。
6.为实现上述目的，本发明还提出一种血氧状态检测装置，所述血氧状态检测装置包括：确定模块、提取模块和检测模块；
7.所述确定模块，用于在接收血氧检测指令时，根据所述血氧检测指令确定待检测区域；
8.所述提取模块，用于获取所述待检测区域的初始光信号，并对所述初始光信号进行特征提取，获得信号特征信息；
9.所述检测模块，用于根据所述信号特征信息以及预设深度学习网络模型确定所述待检测区域的血氧状态。
10.可选地，所述提取模块，还用于获取所述待检测区域的初始光信号，并对所述初始光信号进行预处理，获得待处理光信号；
11.所述提取模块，还用于对所述待处理光信号进行特征提取，获得信号特征信息。
12.可选地，所述提取模块，还用于获取所述待检测区域的初始光信号，并对所述初始光信号进行过滤，获得候选光信号；
13.所述提取模块，还用于通过预设小波变化模型对所述候选光信号进行数据处理，获得待处理光信号。
14.可选地，所述提取模块，还用于根据预设分段策略对所述待处理光信号进行分割，获得多个待提取光信号；
15.所述提取模块，还用于根据所述待提取光信号生成样本特征矩阵，并根据所述样本特征矩阵确定信号特征信息。
16.可选地，所述提取模块，还用于对所述待提取光信号进行遍历，将遍历到的待提取光信号作为当前提取光信号；
17.所述提取模块，还用于对所述当前提取光信号进行特征提取，获得信号特征点，并根据所述信号特征点生成样本特征矩阵；
18.所述提取模块，还用于在对所述待提取光信号遍历结束后，根据所述样本特征矩阵确定信号特征信息。
19.可选地，所述提取模块，还用于对所述当前提取光信号进行特征提取，获得信号特征点；
20.所述提取模块，还用于根据所述信号特征点确定数据均值、波峰值以及波谷值，并根据所述波峰值以及所述波谷值确定峰谷值；
21.所述提取模块，还用于对所述当前提取光信号进行统计，获得上升沿数量以及下降沿数量；
22.所述提取模块，还用于根据所述数据均值、所述波峰值、所述波谷值、所述峰谷值、所述上升沿数量以及所述下降沿数量生成样本特征矩阵。
23.可选地，所述血氧状态检测装置还包括：训练模块；
24.所述训练模块，用于获取样本数据，并根据所述样本数据对初始深度学习网络模型进行训练，获得训练结果；
25.所述训练模块，还用于根据所述训练结果确定对所述初始深度学习网络模型进行更新，获得预设深度学习网络模型。
26.可选地，所述训练模块，还用于根据所述训练结果确定目标神经元数量以及目标隐藏层数；
27.所述训练模块，还用于根据所述目标神经元数量以及所述目标隐藏层数对所述初始深度学习网络模型进行更新，获得预设深度学习网络模型。
28.此外，为实现上述目的，本发明还提出一种血氧状态检测设备，所述血氧状态检测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的血氧状态检测程序，所述血氧状态检测程序配置为实现如下方法的步骤：
29.在接收血氧检测指令时，根据所述血氧检测指令确定待检测区域；
30.获取所述待检测区域的初始光信号，并对所述初始光信号进行特征提取，获得信号特征信息；
31.根据所述信号特征信息以及预设深度学习网络模型确定所述待检测区域的血氧状态。
32.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有血氧状态检测程序，所述血氧状态检测程序被处理器执行时实现如下方法的步骤；
33.在接收血氧检测指令时，根据所述血氧检测指令确定待检测区域；
34.获取所述待检测区域的初始光信号，并对所述初始光信号进行特征提取，获得信号特征信息；
35.根据所述信号特征信息以及预设深度学习网络模型确定所述待检测区域的血氧状态。
36.相较于现有的先发出两组光源，然后接收器检测反射回来的红光和红外光的强度，通过计算两路信号的峰谷值，得到血氧状态的方式，本发明中，通过确定模块在接收血氧检测指令时，根据血氧检测指令确定待检测区域；提取模块获取待检测区域的初始光信
号，并对初始光信号进行特征提取，获得信号特征信息，检测模块根据信号特征信息以及预设深度学习网络模型确定待检测区域的血氧状态，克服了现有技术中采集到的ppg信号往往含有大量的噪声的缺陷，从而能够优化血氧状态检测过程，提高准确率。
附图说明
37.图1是本发明实施例方案涉及的硬件运行环境的血氧状态检测设备的结构示意图；
38.图2为本发明血氧状态检测装置第一实施例的结构框图；
39.图3为本发明血氧状态检测装置第三实施例的结构框图；
40.图4为本发明血氧状态检测装置一实施例的深度学习网络模型结构图。
41.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
42.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
43.参照图1，图1为本发明实施例方案涉及的硬件运行环境的血氧状态检测设备结构示意图。
44.如图1所示，该血氧状态检测设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为usb接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
45.本领域技术人员可以理解，图1中示出的结构并不构成对血氧状态检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
46.如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及血氧状态检测程序。
47.在图1所示的血氧状态检测设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述血氧状态检测设备通过处理器1001调用存储器1005中存储的血氧状态检测程序，并执行如下方法的步骤：
48.在接收血氧检测指令时，根据所述血氧检测指令确定待检测区域；
49.获取所述待检测区域的初始光信号，并对所述初始光信号进行特征提取，获得信号特征信息；
50.根据所述信号特征信息以及预设深度学习网络模型确定所述待检测区域的血氧状态。
51.参照图2，图2为本发明血氧状态检测装置第一实施例的结构框图。所述血氧状态检测装置包括：确定模块10、提取模块20和检测模块30。
52.所述确定模块10，用于在接收血氧状态检测指令时，根据所述血氧状态检测指令确定待检测区域。
53.需要说明的是，血氧状态检测装置可以是智能穿戴设备、智能手机等，本实施例对此不加以限制，在本实施例中，以智能穿戴设备为例进行说明。
54.血氧状态检测指令可以是用户通过智能穿戴设备的用户交互界面输入的检测指令；也可以是用户通过终端设备输入的检测指令，其中，终端设备可以是预先与智能穿戴设备建立通信连接的设备，例如，智能手机等，本实施例对此不加以限制。
55.可以理解的是，在接收血氧状态检测指令时，根据所述血氧状态检测指令确定待检测区域可以是在接收血氧状态检测指令时，对血氧状态检测指令进行解析，获得待检测区域。
56.所述提取模块20，用于获取所述待检测区域的初始光信号，并对所述初始光信号进行特征提取，获得信号特征信息。
57.需要说明的是，初始光信号可以是血氧状态检测装置先发出的两路检测光，然后两路检测光在待检测区域形成的反射光信号。
58.信号特征信息可以是信号曲线图的振幅以及斜率等，其中，振幅为信号曲线图中每个波峰和波谷的差值。
59.应当理解的是，提取模块20获取所述待检测区域的初始光信号，并对所述初始光信号进行特征提取，获得信号特征信息可以是提取模块20获取所述待检测区域的初始光信号，并对所述初始光信号进行预处理，获得待处理光信号，对所述待处理光信号进行特征提取，获得信号特征信息。
60.进一步地，原始的ppg信号由于受到外界因素(如运动，咳嗽，深呼吸，电磁等)的干扰，存在着明显的基线漂移，高频干扰等现象，导致获取的ppg信号失真，淹没在噪声中。为克服这一缺陷，
61.所述提取模块20，还用于获取所述待检测区域的初始光信号，并对所述初始光信号进行过滤，获得候选光信号，通过预设小波变化模型对所述候选光信号进行数据处理，获得待处理光信号。
62.所述检测模块30，用于根据所述信号特征信息以及预设深度学习网络模型确定所述待检测区域的血氧状态。
63.可以理解的是，根据所述信号特征信息以及预设深度学习网络模型确定所述待检测区域的血氧状态可以是将信号特征信息输入训练好的深度学习网络模型，可以直接得到待检测区域的血氧状态。
64.需要说明的是，血氧状态可以是正常状态或低血氧状态，本实施例对此不加以限制。
65.进一步地，为了提高预设深度学习网络模型的可靠性和准确性，所述血氧状态检测装置还包括：训练模块40：
66.所述训练模块40，用于获取样本数据，并根据所述样本数据对初始深度学习网络模型进行训练，获得训练结果，根据所述训练结果确定对所述初始深度学习网络模型进行更新，获得预设深度学习网络模型。
67.进一步地，不同隐藏层和神经元个数，深度学习网络的复杂度和准确率不同。因
此，需要设置合理的隐藏层和神经元个数以保证深度学习网络模型的准确率：
68.所述训练模块40，还用于根据所述训练结果确定目标神经元数量以及目标隐藏层数，根据所述目标神经元数量以及所述目标隐藏层数对所述初始深度学习网络模型进行更新，获得预设深度学习网络模型。
69.在具体实现中，例如，初始深度学习网络模型所使用的激活函数为sigmoid函数，激活函数能够保证神经网络模型的非线性，从而使得模型能够学习和理解复杂的非线性问题。该函数的表达式如下所示：
[0070][0071]
sigmoid函数在物理意义上最接近生物神经元模拟人脑进行分析，且函数单调连续，输出范围有限，优化稳定，本方法进行的分类是二分类问题，即正常状态和低血氧状态，使得输出在0和1之间进行相关判断。
[0072]
不同的训练函数有不同的特点，本方法选择使用trainscg函数作为训练函数，trainscg函数是根据比例共轭梯度法更新权重和偏置值，共轭梯度法是介于最速下降法和牛顿法之间的方法。它克服了最速下降法收敛慢的特点，又避免了牛顿法需要存储和计算海森矩阵并求逆运算的缺点，对计算机性能要求较低。
[0073]
损失函数是用来度量两个概率分布间的差异性信息，可以衡量真实标签和训练后的预测标签之间的相似性，通过对损失函数约束，解决在梯度下降时学习速率降低的问题。本方法采用的损失函数为cross_entropy(交叉熵)函数，表达式为
[0074][0075]
相较于现有的先发出两组光源，然后接收器检测反射回来的红光和红外光的强度，通过计算两路信号的峰谷值，得到血氧状态的方式，本实施例中，通过确定模块10在接收血氧检测指令时，根据血氧检测指令确定待检测区域；提取模块20获取待检测区域的初始光信号，并对初始光信号进行特征提取，获得信号特征信息，检测模块30根据信号特征信息以及预设深度学习网络模型确定待检测区域的血氧状态，克服了现有技术中采集到的ppg信号往往含有大量的噪声的缺陷，从而能够优化血氧状态检测过程，提高准确率。
[0076]
基于上述图2所示的实施例，提出本发明血氧状态检测装置的第二实施例。
[0077]
在第二实施例中，所述提取模块20，还用于获取所述待检测区域的初始光信号，并对所述初始光信号进行预处理，获得待处理光信号；
[0078]
所述提取模块20，还用于对所述待处理光信号进行特征提取，获得信号特征信息。
[0079]
需要说明的是，预处理可以是用户预先设置的信号处理步骤，例如，去噪等，本实施例对此不加以限制。
[0080]
可以理解的是，提取模块20对所述待处理光信号进行特征提取，获得信号特征信息可以是提取模块20对所述待处理光信号进行特征点提取，获得信号特征点根据所述信号特征点生成信号曲线图，并根据所述信号曲线图确定信号特征信息。
[0081]
在第二实施例中，通过提取模块20获取所述待检测区域的初始光信号，并对所述初始光信号进行预处理，获得待处理光信号，对所述待处理光信号进行特征提取，获得信号特征信息，从而能够防止干扰造成的误差，提高正常情况下的稳定性。
[0082]
进一步地，原始的ppg信号由于受到外界因素(如运动，咳嗽，深呼吸，电磁等)的干扰，存在着明显的基线漂移，高频干扰等现象，导致获取的ppg信号失真，淹没在噪声中。为克服这一缺陷，
[0083]
所述提取模块20，还用于获取所述待检测区域的初始光信号，并对所述初始光信号进行过滤，获得候选光信号；
[0084]
所述提取模块20，还用于通过预设小波变化模型对所述候选光信号进行数据处理，获得待处理光信号。
[0085]
应当理解的是，对初始光信号进行过滤，获得候选光信号可以是通过高通滤波器和/或低通滤波器对信号进行过滤，去除高频干扰噪声。
[0086]
需要说明的是，预设小波变化模型可以是用户预先设置的用户通过小波变化对滤波后光信号进行处理的模型，本实施例对此不加以限制。
[0087]
进一步地，考虑到实际应用中，若直接对待处理光信号进行特征提取，势必会导致提取过程所涉及的对象过多，运算量过大。为克服这一缺陷，
[0088]
所述提取模块20，还用于根据预设分段策略对所述待处理光信号进行分割，获得多个待提取光信号；
[0089]
所述提取模块20，还用于根据所述待提取光信号生成样本特征矩阵，并根据所述样本特征矩阵确定信号特征信息。
[0090]
需要说明的是，预设分段策略可以用户预先设置的对信号进行分段的处理策略，本实施例对此不加以限制。
[0091]
在具体实现中，例如，对待处理光信号，进行分段处理，每1s钟的数据分为一段，获得多段待提取光信号。
[0092]
可以理解的是，根据待提取光信号生成样本特征矩阵，并根据样本特征矩阵确定信号特征信息可以是对待提取光信号进行特征分析，获得特征值，根据特征值构造样本特征矩阵，并根据样本特征矩阵确定信号特征信息。
[0093]
进一步地，为了逐一对待提取光信号进行处理，
[0094]
所述提取模块20，还用于对所述待提取光信号进行遍历，将遍历到的待提取光信号作为当前提取光信号；
[0095]
所述提取模块20，还用于对所述当前提取光信号进行特征提取，获得信号特征点，并根据所述信号特征点生成样本特征矩阵；
[0096]
所述提取模块20，还用于在对所述待提取光信号遍历结束后，根据所述样本特征矩阵确定信号特征信息。
[0097]
应当理解的是，对所述当前提取光信号进行特征提取，获得信号特征点，并根据所述信号特征点生成样本特征矩阵可以是对所述当前提取光信号进行特征提取，获得信号特征点，根据所述信号特征点确定数据均值、波峰值以及波谷值，并根据所述波峰值以及所述波谷值确定峰谷值，对所述当前提取光信号进行统计，获得上升沿数量以及下降沿数量，根据所述数据均值、所述波峰值、所述波谷值、所述峰谷值、所述上升沿数量以及所述下降沿数量生成样本特征矩阵。
[0098]
进一步地，保证生成的样本特征矩阵具有较高的准确性以及可靠性，
[0099]
所述提取模块20，还用于对所述当前提取光信号进行特征提取，获得信号特征点；
[0100]
所述提取模块20，还用于根据所述信号特征点确定数据均值、波峰值以及波谷值，并根据所述波峰值以及所述波谷值确定峰谷值；
[0101]
所述提取模块20，还用于对所述当前提取光信号进行统计，获得上升沿数量以及下降沿数量；
[0102]
所述提取模块20，还用于根据所述数据均值、所述波峰值、所述波谷值、所述峰谷值、所述上升沿数量以及所述下降沿数量生成样本特征矩阵。
[0103]
需要说明的是，信号特征点可以是波峰点和波谷点等，本实施例对此不加以限制。
[0104]
可以理解的是，根据所述数据均值、所述波峰值、所述波谷值、所述峰谷值、所述上升沿数量以及所述下降沿数量生成样本特征矩阵可以是根据所述数据均值、所述波峰值、所述波谷值、所述峰谷值、所述上升沿数量以及所述下降沿数量通过预设矩阵公式生成样本特征矩阵，预设矩阵公式如下所示：
[0105]
s
n
＝{red
max
,red
min
,red
ac
,red
dc
,red
i
,red
j
,ir
max
,ir
min
,ir
ac
,ir
dc
,ir
i
,ir
j
}
[0106]
式中，s
n
为样本特征矩阵，red
max
为第一路检测信号的波峰值，red
min
为第一路检测信号的波谷值，red
ac
为第一路检测信号的峰谷值，red
dc
第一路检测信号的数据均值，red
i
为第一路检测信号的上升沿数量，red
j
第一路检测信号的下降沿数量，ir
max
为第二路检测信号的波峰值，ir
min
为第二路检测信号的波谷值，ir
ac
为第二路检测信号的峰谷值，ir
dc
第二路检测信号的数据均值，ir
i
为第二路检测信号的上升沿数量，ir
j
第二路检测信号的下降沿数量。
[0107]
在具体实现中，例如，原始的ppg信号由于受到外界因素(如运动，咳嗽，深呼吸，电磁等)的干扰，存在着明显的基线漂移，高频干扰等现象，导致获取的ppg信号失真，淹没在噪声中，需要对原始信号进行预处理来提取准确的ppg信号。通过对信号进行高通，低通滤波器，去除高频干扰噪声，通过采用小波变换对滤波后数据处理，得到去除基线漂移后的数据。
[0108]
对预处理后的信号，进行分段处理，每1s钟的数据分为一段，将样本信号分割成多段信号。即：
[0109]
{s1，s2，s3，s4…
，s
n-1
，s
n
}
[0110]
对每段数据进行特征参数提取，通过特征点检测，识别出波峰和波谷的位置，计算每段数据的最大值max和最小值min，并计算出每个波峰和波谷的差值ac，每段数据的均值dc，并统计波形信号的上升沿个数i，统计波形信号数据的下降沿个数j等。将每个样品的特征值构造成一个样本特征矩阵s
n
如下所示，
[0111]
s
n
＝{red
max
,red
min
,red
ac
,red
dc
,red
i
,red
j
,ir
max
,ir
min
,ir
ac
,ir
dc
,ir
i
,ir
j
}
[0112]
参照图3，图3为本发明血氧状态检测装置第三实施例的结构框图。所述血氧状态检测装置还包括：训练模块40。
[0113]
所述训练模块，用于获取样本数据，并根据所述样本数据对初始深度学习网络模型进行训练，获得训练结果；
[0114]
所述训练模块，还用于根据所述训练结果确定对所述初始深度学习网络模型进行更新，获得预设深度学习网络模型。
[0115]
需要说明的是，样本数据可以是用户预先输入的血氧样本数据，本实施例对此不加以限制。
[0116]
初始深度学习网络模型可以是用户预先设置的深度学习网络模型，其结构图可以如图4所示，本实施例对此不加以限制。
[0117]
在具体实现中，例如，初始深度学习网络模型所使用的激活函数为sigmoid函数，激活函数能够保证神经网络模型的非线性，从而使得模型能够学习和理解复杂的非线性问题。该函数的表达式如下所示：
[0118][0119]
sigmoid函数在物理意义上最接近生物神经元模拟人脑进行分析，且函数单调连续，输出范围有限，优化稳定，本方法进行的分类是二分类问题，即正常状态和低血氧状态，使得输出在0和1之间进行相关判断。
[0120]
进一步地，不同隐藏层和神经元个数，深度学习网络的复杂度和准确率不同。因此，需要设置合理的隐藏层和神经元个数以保证深度学习网络模型的准确率：
[0121]
所述训练模块，还用于根据所述训练结果确定目标神经元数量以及目标隐藏层数；
[0122]
所述训练模块，还用于根据所述目标神经元数量以及所述目标隐藏层数对所述初始深度学习网络模型进行更新，获得预设深度学习网络模型。
[0123]
应当理解的是，根据所述训练结果确定目标神经元数量以及目标隐藏层数可以是对训练结果进行分析，将分类准确率高于预设阈值的训练结果对应的神经元个数和隐藏层数作为目标神经元数量和所述目标隐藏层数，其中，预设阈值可以由用户预先设置。在本实施例中，确定目标神经元数量为24个，目标隐藏层数为3。
[0124]
在具体实现中，例如，不同的训练函数有不同的特点，本方法选择使用trainscg函数作为训练函数，trainscg函数是根据比例共轭梯度法更新权重和偏置值，共轭梯度法是介于最速下降法和牛顿法之间的方法。它克服了最速下降法收敛慢的特点，又避免了牛顿法需要存储和计算海森矩阵并求逆运算的缺点，对计算机性能要求较低。
[0125]
损失函数是用来度量两个概率分布间的差异性信息，可以衡量真实标签和训练后的预测标签之间的相似性，通过对损失函数约束，解决在梯度下降时学习速率降低的问题。本方法采用的损失函数为cross_entropy(交叉熵)函数，表达式为
[0126][0127]
在第三实施例中，通过训练模块获取样本数据，并根据所述样本数据对初始深度学习网络模型进行训练，获得训练结，根据所述训练结果确定对所述初始深度学习网络模型进行更新，获得预设深度学习网络模型，从而能够提高预设深度学习网络模型的可靠性和准确性。
[0128]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有血氧状态检测程序，所述血氧状态检测程序被处理器执行时实现如下方法的步骤：
[0129]
在接收血氧检测指令时，根据所述血氧检测指令确定待检测区域；
[0130]
获取所述待检测区域的初始光信号，并对所述初始光信号进行特征提取，获得信号特征信息；
[0131]
根据所述信号特征信息以及预设深度学习网络模型确定所述待检测区域的血氧
状态。
[0132]
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0133]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。
[0134]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如只读存储器镜像(read only memory image，rom)/随机存取存储器(random access memory，ram)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0135]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。