心率分析方法、装置及设备与流程

1.本发明涉及计算机领域，具体涉及了一种心率分析方法、装置及设备。


背景技术：

2.随着传感器技术、信号处理芯片、人工智能算法的快速发展使得生命体征参数的检测方式越来越广泛，如智能手表检测心率血氧、压电薄膜带检测心率呼吸、毫米波雷达检测心率呼吸等。这些新型的生命体征参数检测设备相比于传统的血氧仪、心电图机、监护仪更加方便舒适快捷。
3.对于生命体征参数检测设备影响准确性的因素可以归结为四个方面：(1)人体的状态，比如静止、跑步、吃饭、睡觉等；(2)人体和传感器之间的作用方式；(3)信号处理硬件的性能；(4)软件算法及拥有的数据量。
4.新型的智能手表、压电薄膜带、毫米波雷达等生命体征检测设备很难保证准确性原因有四点：
5.1、使用场景多样对人体状态没有约束，结果是存在强干扰，智能手表在跑步时测量心率就会有很强的干扰(手腕与传感器之间的相对运动)，压电薄膜带毫米波雷达设备睡眠监测中计算心率时肢体的运动、呼吸的运动干扰，这些干扰是有用信号的几十倍甚至几百倍上千倍。
6.2、人体和传感器之间的作用方式存在不确定性，佩戴智能手表的松紧程度，压电薄膜传感器与人体的接触位置松紧程度，毫米波雷达与人体之间的距离以及扫描的人体部位等等，这些不确定造成了不同程度的信噪比，很多时候信噪比很差。
7.3、信号处理硬件还不成熟，从算力、功耗、成本这些方面考虑现有的边缘计算平台都不成熟。
8.4、场景的多样性、人体和传感器之间的作用方式的不确定性带来了数据分布的复杂性，数据分布的复杂度决定了算法的复杂度以及需要的样本数量，因此新型的智能手表、压电薄膜带、毫米波雷达等生命体征检测设备需要更复杂的算法和更多的样本。基于这些原因现有的新型生命体征参数设备的检测结果时好时坏，人体安静环境干扰小的时候测量结果准确性高，人体运动周围干扰大的时候测量准确度低，这些问题使使用者很难使用测量结果。


技术实现要素：

9.本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了心率分析方法、装置及设备，解决了现有技术的不足。
10.本发明的技术方案包括一种心率分析方法，该方法包括以下流程：获取包括有噪声的心率的波形数据，执行去噪预处理；创建深度残差网络，对经过预处理的所述波形数据执行第一次采样，将第一次采样的所述波形数据输入所述深度残差网络，进行训练，得到心率的分类类别及误差等级；对经过预处理的所述波形数据执行第二次采样，将第二次采样
的所述波形数据进行可视化处理；对经过预处理的所述波形数据执行第三次采样，将第三次采样的所述波形数据计算信噪比用以标注所述波形数据的误差等级；调整毫米雷达波的测量位置，获取多组所述经过预处理的波形数据，将所述经过预处理的波形数据输入所述深度残差网络获得多个误差等级，将误差等级最小的位置作为最优心率监测位置。
11.根据所述的心率分析方法，其中获取包括有噪声的心率的波形数据，执行去噪预处理包括：对所述波形数据执行变分模态分解，包括将获取的波形数据x(t)分解成k个固有模式函数uk(t),x(t)的分解公式为
[0012][0013]
其中，求最优解的函数为
[0014][0015]
将分解后的n个包括有心跳周期波形的固有模式函数重构并完成去除噪声，其中n《k，其中uk(t)为模式函数，fk是中心频率，λ(t)为乘法算子，α为二次惩罚因子，δ(t)为狄拉克函数。
[0016]
根据所述的心率分析方法，其中创建深度残差网络，将经过预处理的所述波形数据输入所述深度残差网络，进行训练，得到心率的分类类别及误差等级包括：创建的所述深度残差网络为一维卷积神经网络，将第一次采样的所述波形数据执行均值为零方差为1的归一化处理，将处理后的波形数据作为所述深度残差网络的输入；输出为心率的27个分类类别及3个计算心率的误差等级，其中分类类别是45次/分钟至180次/分钟的心率范围分为27个类别的组成，且以5次为间隔，其中误差等级为所述深度残差网络计算心率的误差范围。
[0017]
根据所述的心率分析方法，其中深度残差网络依次包括三个相同的残差结构单元、一个全局平均池化层、一个全连接层及一个sigmoid层，每一个残差结构单元包括三个卷积层、三个批量归一化层和三个非线性激活层。
[0018]
根据所述的心率分析方法，其中对经过预处理的所述波形数据执行第二次采样，将第二次采样的所述波形数据进行可视化处理包括：执行所述第二采样，包括连续采样预处理后的波形数据，组成第一序列，将第一序列分成多个等长的子序列,对每个子序列加窗后并执行傅里叶变换，进而计算幅频特性，依次得到多个子序列的幅频特性，将多个幅频特性组织成一个列矩阵，并可视化所述列矩阵。
[0019]
根据所述的心率分析方法，其中对经过预处理的所述波形数据执行第三次采样，将第三次采样的所述波形数据计算信噪比用以标注所述波形数据的误差等级包括：执行所述第三采样，将所述第三采样的数据组成第二序列，将第二序列从中间分开，得到第三序列及第四序列,分别对第三序列及第四序列执行傅里叶变换然后获取幅频特性mag1和mag2，利用皮尔逊相关系数计算mag1和mag2的相似度，通过设置两个阈值将相似度转换成三个等
级用以标注数据。
[0020]
根据所述的心率分析方法，其中调整毫米雷达波的测量位置，获取多组所述经过预处理的波形数据，将所述经过预处理的波形数据输入所述深度残差网络获得多个误差等级，将误差等级最小的位置作为最优监测位置包括：通过所述毫米雷达波的两个步进电机水平垂直旋转生成多个心率测量位置，每个测量位置获取所述经过预处理的波形数据，将所述经过预处理的波形数据输入所述深度残差网络获得误差等级，并将误差等级进行排序，将误差等级最小的位置作为最佳的心率测量位置，使所述毫米雷达波停留在对应位置持续的监测心率。
[0021]
根据所述的心率分析方法，其中该方法还包括：所述毫米雷达波还设置有搜索阈值，当满足搜索阈值时，则执行下一次搜索。
[0022]
本发明的技术方案还包括一种心率分析装置，该装置包括：预处理模块，用于获取包括有噪声的心率的波形数据，执行去噪预处理；神经网络分析模块，用于创建深度残差网络，对经过预处理的波形数据执行第一次采样，将第一次采样的波形数据输入深度残差网络，进行训练，得到心率的分类类别及误差等级；可视化模块，用于对经过预处理的波形数据执行第二次采样，将第二次采样的波形数据进行可视化处理；标注模块，对经过预处理的所述波形数据执行第三次采样，将第三次采样的所述波形数据计算信噪比用以标注所述波形数据的误差等级；雷达控制模块，用于调整毫米雷达波的测量位置，获取多组所述经过预处理的波形数据，将所述经过预处理的波形数据输入所述深度残差网络获得多个误差等级，将误差等级最小的位置作为最优监测位置。
[0023]
本发明的技术方案还包括一种心率分析设备，其特征在于，包括光学生物模拟前端、压电薄膜传感设备、模数转换装置、数字信号处理器、毫米波雷达传感装置及步进电机；所述数字信号处理器依次连接所述光学生物模拟前端、所述模数转换装置、所述毫米波雷达传感装置及所述步进电机；所述电薄膜传感设备连接所述模数转换装置；所述光学生物模拟前端用于采集光电容积脉搏波；所述压电薄膜传感设备用于采集压力信号，所述模数转换装置用于接收压力信号并转换为数字信号；所述毫米波雷达传感装置用于获取前方采集对象的移动速度；所述数字信号处理器用于根据所述移动速度、所述光电容积脉搏波及所述压力信号执行权利要求1-8任一项所述心率分析方法，并根据分析结果进行对应的提示。
[0024]
本发明的有益效果为：使用者可以清晰的知道计算的心率数据的误差范围，正确评估身体的健康状况；指导使用者正确的使用设备，如智能手表如何佩戴才能提高测量精度，压电薄膜带如何安装才能可靠的测量睡眠，毫米波雷达如何安装才能使测量更加准确；对于毫米波雷达测量心率呼吸的设备误差等级信息可以指导设备自动的调整发射角度、发射功率等参数以达到最优的测量；对于系统集成商或者二次开发商来说，根据不同的应用过滤不同误差等级的心率数据、心率、呼吸的计算输入都是时序波形数据，当信噪比差的时候很难从时域发现数据中的模式，本发明还提供了一种将时域转换到频域后再做可视化的方法，使得数据中的模式更容易发现。
附图说明
[0025]
下面结合附图和实施例对本发明进一步地说明；
[0026]
图1所示为根据本发明实施方式的心率分析流程图。
[0027]
图2所示为根据本发明实施方式的残差网络示意图。
[0028]
图3所示为根据本发明实施方式的可视化意图。
[0029]
图4所示为根据本发明实施方式的不同波形的示意图。
[0030]
图5所示为根据本发明实施方式的装置图。
[0031]
图6所示为根据本发明实施方式的设备连接示意图。
[0032]
图7所示为根据本发明实施方式的毫米波雷达传感器工作示意图。
[0033]
图8所示为根据本发明实施方式的两个步进电机驱动安装毫米波雷达芯片的电路板的寻位示意图。
[0034]
图9所示为根据本发明实施方式的软件架构图。
具体实施方式
[0035]
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
[0036]
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。
[0037]
在本发明的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。
[0038]
本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
[0039]
图1所示为根据本发明实施方式的心率分析流程图。该实施例包括以下流程：获取包括有噪声的心率的波形数据，执行去噪预处理；创建深度残差网络，对经过预处理的波形数据执行第一次采样，将第一次采样的波形数据输入深度残差网络，进行训练，得到心率的分类类别及误差等级；对经过预处理的波形数据执行第二次采样，将第二次采样的波形数据进行可视化处理；对经过预处理的波形数据执行第三次采样，将第三次采样的波形数据计算信噪比用以标注波形数据的误差等级；调整毫米雷达波的测量位置，获取多组经过预处理的波形数据，将经过预处理的波形数据输入深度残差网络获得多个误差等级，将误差等级最小的位置作为最优心率监测位置。
[0040]
基于图1所示技术方案，本发明还提供了对应的实施方式，包括：
[0041]
预处理，变分模态分解(variational mode decomposition,vmd)去噪方法执行信号的预处理部分，具体过程如下：
[0042]
(1)将获取的波形数据x(t)分解成k个固有模式函数(intrinsic mode functions)uk(t),x(t)的分解公式为
[0043][0044]
求uk(t)最优解的函数为
[0045][0046]
(2)将分解后的n个含有心跳周期波形的固有模式函数重构完成去除噪声的目的，其中n《k。
[0047]
在信号处理中，变分模态分解是一种信号分解估计方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心和带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离，通过重构含有有用信号的分量达到去除噪声的目的，基于matlab代码的一种实施方式如下：
[0048]
[imf,residual]＝vmd(s1,'numimf',9)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
％变分模态分解
[0049]
s2＝sum(imf(:,2:8),2)。
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
％重构。
[0050]
s1为获取的波形数据,s2为去除噪声后的数据。
[0051]
残差网络，参考图2的残差网络示意图，这是一维的卷积神经网络，输入是预处理后的波形数据采样率为50hz长度为10秒钟，输入数据也做了均值为零方差为1的归一化处理。输出为27个类别还有3个等级的误差信息，心率的计算本来是回归的问题，这里看成分类问题优点在于数据便于标注，因为人的心率每时每刻都有变化，10秒钟包含的心率值不可能是个固定的值。27个类别分别是45次到50次每分钟为一类，50次到55次每分钟为第二类，以此类推，最后一类为175次到180次每分钟，心率的输出范围是45次到180次每分钟。3个等级的误差信息表示了深度残差网络计算心率的误差范围，分别是等级一、等级二、等级三。这个网络架构有三个相同的残差结构单元、一个全局平均池化层、一个全连接层、一个sigmoid层，每一个残差结构包含三个卷积层三个批量归一化层和三个非线性激活层。
[0052]
深度残差网络的设计，使用深度学习框架tensorflow，代码如下：
[0053]
import tensorflow.keras as keras
[0054]
import tensorflow as tf
[0055]
import numpy as np
[0056]
n_feature_maps＝64
[0057]
input_layer＝keras.layers.input(input_shape)
[0058]
#第一个残差层包含三个卷积层三个批量归一化层和三个非线性激活层
[0059]
conv_x＝keras.layers.conv1d(filters＝n_feature_maps,kernel_size＝8,padding＝'same')(input_layer)
[0060]
conv_x＝keras.layers.batchnormalization()(conv_x)
[0061]
conv_x＝keras.layers.activation('relu')(conv_x)
[0062]
conv_y＝keras.layers.conv1d(filters＝n_feature_maps,kernel_size＝5,padding＝'same')(conv_x)
[0063]
conv_y＝keras.layers.batchnormalization()(conv_y)
[0064]
conv_y＝keras.layers.activation('relu')(conv_y)
[0065]
conv_z＝keras.layers.conv1d(filters＝n_feature_maps,kernel_size＝3,padding＝'same')(conv_y)
[0066]
conv_z＝keras.layers.batchnormalization()(conv_z)
[0067]
#expand channels for the sum
[0068]
shortcut_y＝keras.layers.conv1d(filters＝n_feature_maps,kernel_size＝1,padding＝'same')(input_layer)
[0069]
shortcut_y＝keras.layers.batchnormalization()(shortcut_y)
[0070]
output_block_1＝keras.layers.add([shortcut_y,conv_z])
[0071]
output_block_1＝keras.layers.activation('relu')(output_block_1)
[0072]
#第二个残差层包含三个卷积层三个批量归一化层和三个非线性激活层
[0073]
conv_x＝keras.layers.conv1d(filters＝n_feature_maps*2,kernel_size＝8,padding＝'same')(output_block_1)
[0074]
conv_x＝keras.layers.batchnormalization()(conv_x)
[0075]
conv_x＝keras.layers.activation('relu')(conv_x)
[0076]
conv_y＝keras.layers.conv1d(filters＝n_feature_maps*2,kernel_size＝5,padding＝'same')(conv_x)
[0077]
conv_y＝keras.layers.batchnormalization()(conv_y)
[0078]
conv_y＝keras.layers.activation('relu')(conv_y)
[0079]
conv_z＝keras.layers.conv1d(filters＝n_feature_maps*2,kernel_size＝3,padding＝'same')(conv_y)
[0080]
conv_z＝keras.layers.batchnormalization()(conv_z)
[0081]
#expand channels for the sum
[0082]
shortcut_y＝keras.layers.conv1d(filters＝n_feature_maps*2,kernel_size＝1,padding＝'same')(output_block_1)
[0083]
shortcut_y＝keras.layers.batchnormalization()(shortcut_y)
[0084]
output_block_2＝keras.layers.add([shortcut_y,conv_z])
[0085]
output_block_2＝keras.layers.activation('relu')(output_block_2)
[0086]
#第三个残差层包含三个卷积层三个批量归一化层和三个非线性激活层
[0087]
conv_x＝keras.layers.conv1d(filters＝n_feature_maps*2,kernel_size＝8,padding＝'same')(output_block_2)
[0088]
conv_x＝keras.layers.batchnormalization()(conv_x)
[0089]
conv_x＝keras.layers.activation('relu')(conv_x)
[0090]
conv_y＝keras.layers.conv1d(filters＝n_feature_maps*2,kernel_size＝5,padding＝'same')(conv_x)
[0091]
conv_y＝keras.layers.batchnormalization()(conv_y)
[0092]
conv_y＝keras.layers.activation('relu')(conv_y)
[0093]
conv_z＝keras.layers.conv1d(filters＝n_feature_maps*2,kernel_size＝3,padding＝'same')(conv_y)
[0094]
conv_z＝keras.layers.batchnormalization()(conv_z)
[0095]
#no need to expand channels because they are equal
[0096]
shortcut_y＝keras.layers.batchnormalization()(output_block_2)
[0097]
output_block_3＝keras.layers.add([shortcut_y,conv_z])
[0098]
output_block_3＝keras.layers.activation('relu')(output_block_3)
[0099]
#一个全局平均池化层
[0100]
gap_layer＝keras.layers.globalaveragepooling1d()(output_block_3)
[0101]
#一个全连接层
[0102]
output_layer＝keras.layers.dense(nb_classes,activation＝'softmax')(gap_layer)
[0103]
model＝keras.models.model(inputs＝input_layer,outputs＝output_layer)。
[0104]
深度残差网络的训练：本发明技术方案的深度残差网络是将原始波形数据作为输入心率以及心率的计算误差等级作为输出的端到端的学习算法，收集的训练数据为(train_x,train_y)，其中train_x是采样率为50hz，长度为10秒的原始波形数据，train_y波形对应的心率值以及计算心率产生的误差，心率的计算本来是回归的问题，这里看成分类问题优点在于数据便于标注，因为人的心率每时每刻都有变化，10秒钟包含的心率值不可能是个固定的值。27个类别分别是45次到50次每分钟为一类，50次到55次每分钟为第二类，以此类推，最后一类为175次到180次每分钟，心率的输出范围是45次到180次每分钟。收集数据时需要一台血氧仪以及本发明设计的硬件同步记录，本发明的硬件记录原始波形数据，血氧仪记录心率值。深度残差网络计算心率的误差是输入时序波形数据的信噪比决定的，信噪比越低误差就越大，信噪比是信号与噪声的比值，噪声是一切的不利因素最终的表现形式，如测量心率时呼吸的干扰，肢体运动的干扰，智能手表与手腕之间相对运动的干扰等等，新型的智能手表、压电薄膜带、毫米波雷达等生命体征检测设备由于场景的需要这些噪声是不可避免的，所以测量的结果产生不同的误差也是客观存在的，本发明就是基于这样的问题设计的。因为存在各种不同程度的噪声，采样的原始波形数据可能会有图4所示的三种情况，波形1噪声很小，波形2噪声不太大心跳的周期还很明显，波形3噪声很大心跳的周期波形已经淹没，对于低信噪比的时序波形数据很难从时域发现数据中的心跳周期波形。
[0105]
数据可视化，参考图3的可视化示意图，数据可视化是为了更好的观察数据中存在的模式，时序波形数据在噪声淹没的时候很难从时域发现数据中的心跳周期波形，本发明的可视化方法主要是为了从频域观察低信噪比情况下的心跳周期波形，具体执行如下：连续采样预处理后的波形数据，采样长度为1280，采样率为50hz，组成一个序列s，将s分成十个等长的子序列,对每个子序列加窗后做傅里叶变换，接着计算幅频特性，依次得到p1、p2、p3、p4、p5、p6、p7、p8、p9、p10，将这些幅频特性组织成一个列矩阵
[0106][0107]
然后可视化a就可以了，如图3左侧为时域右侧为可视化的频域，通过可视化，使得数据模式更容易被发现。
[0108]
数据标注，对于心跳周期波形来说信噪比越高前后波形越相似，计算信噪比的问
题就转化成了计算前后波形相似度的问题，具体计算步骤为截取相邻的两段波形做傅里叶变换接着得到幅频特性，然后计算幅频特性之间的皮尔逊相关系数,matlab代码如下，wave1，wave2是相邻的两段波形。
[0109]
y1＝fft(wave1)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
％傅里叶变换
[0110]
mag1＝abs(y1)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
％求幅频特性
[0111]
y2＝fft(wave2)；
[0112]
mag2＝abs(y2)；
[0113]
coef＝corrcoef(mag1,mag2)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
％计算皮尔逊相关系数
[0114]
通过设置两个阈值原始波形数据标注成三个等级的误差。
[0115]
设置训练参数训练模型代码实施方式为：
[0116]
#设置损失函数、优化方法以及训练参数
[0117]
model.compile(loss＝'categorical_crossentropy',optimizer＝keras.optimizers.adam(),metrics＝['accuracy'])
[0118]
model.fit(x_train,y_train,batch_size＝mini_batch_size,epochs＝nb_epochs,
[0119]
verbose＝self.verbose,validation_data＝(x_val,y_val),callbacks＝self.callbacks)
[0120]
毫米雷达最佳位置搜索，两个步进电机水平垂直旋转生成n个心率测量位置，每个测量位置计算心率的误差等级，所得的这些误差等级从小到大排序，误差最小的位置就是最佳的心率测量位置。停留在此位置持续的监测心率，设定一些条件，当这些条件达到时进行下一次搜索，其详细实施方式参考图6-图8所示的方案。
[0121]
参考图5，图5为根据本发明方式的装置图，包括：预处理模块，用于获取包括有噪声的心率的波形数据，执行去噪预处理；神经网络分析模块，用于创建深度残差网络，对经过预处理的波形数据执行第一次采样，将第一次采样的波形数据输入深度残差网络，进行训练，得到心率的分类类别及误差等级；可视化模块，用于对经过预处理的波形数据执行第二次采样，将第二次采样的波形数据进行可视化处理；标注模块，对经过预处理的波形数据执行第三次采样，将第三次采样的波形数据计算信噪比用以标注波形数据的误差等级；雷达控制模块，用于调整毫米雷达波的测量位置，获取多组经过预处理的波形数据，将经过预处理的波形数据输入深度残差网络获得多个误差等级，将误差等级最小的位置作为最优监测位置。
[0122]
参考图6的装置图，元件1为应用在智能手表上的光学生物模拟前端，该器件集成了发光二极管、接收光电二极管所需的电路以及信号放大模数转换电路，数字信号处理可以直接通过spi总线获取光电容积脉搏波。
[0123]
元件3是集成前端放大器模数转换的高精密电路它接收元件2(压电薄膜传感器)输出的电信号放大转换成数字信号，数字信号处理器可以通过spi获取压电薄膜传感器感受到的变化的压力信号。
[0124]
元件5为毫米波雷达传感器，该器件集成了雷达发射接收的全部电路还集成了发射接收天线，毫米波雷达传感器能获取前方物体的距离、速度、角度，这些参数的计算一部分是硬件完成的一部分是软件完成的，元件5除了自身的硬件之外还包括一个运行在处理
器上的库，通过调用这个库可以获取前方物体的距离、速度、角度。元件4是数字信号处理是软件算法运行的硬件平台。元6是步进电机的驱动电路，是为了旋转毫米波雷达传感器寻找最佳的测量位置。如图7所示，毫米波雷达有比较强的指向性所示，进一步说就是毫米波雷达指向前方的一块区域，对于心率测量来说最好的区域在心脏周围，毫米波雷达测量心率的场景往往允许人体是自由移动的，因此需要调节毫米波雷达的方向用以跟踪心脏的区域，本发明计算出来的误差等级就可以作为调节步进电机旋转的指标，图8所示两个步进电机驱动安装毫米波雷达芯片的电路板在水平垂直两个方向上旋转寻找心脏所在的区域，最大的旋转角度180度。
[0125]
参考图9，该实施例的流程首先是通过spi总线获取传感器数据，从元件afe4420获取到的是光电容积脉搏波，从元件ad7793获取到的是压电薄膜传感器感受到的变化的压力信号，从元件a111获取到前方物体的速度，这些信号虽然来自不同的传感器但是携带的信息是相同的，即心脏的收缩舒张周期的信息加各种不同类型的噪声，通过残差网络计算心率以及计算心率时产生的误差范围，通过残差网络输出的误差调整毫米波测量心率的最佳位置，通过数据可视化部分可视化高噪声下的数据，通过计算数据的信噪比标注计算心率产生的误差等级。
[0126]
应当认识到，本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0127]
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0128]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
[0129]
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如消费者。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括消费者上产生的物理和有形对象的特定视觉描绘。
[0130]
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。