基于深度学习的心率检测方法及可穿戴设备与流程

1.本技术涉及通信技术领域，尤其涉及一种基于深度学习的心率检测方法及可穿戴设备。

背景技术：

2.心率是显示健康状况的重要指标。传统的测量方法是基于心电图(electrocardiograph，ecg)的心率分析，这种方法需要专业的设备和知识，不能满足用户的日常测量需求。近年来随着可穿戴设备(例如智能腕带式设备)的发展与成熟，基于可穿戴设备的心率检测方案成为主流。
3.可穿戴设备可以采用光电容积脉搏波(photoplethysmography，ppg)信号来计算心率。ppg传感器包含发光二极管(light emitting diode，led)灯和接收器，led灯不断向皮肤投射光线，光透过皮肤组织被血流吸收，同时接收器接收反射回来的光信号。由于反射光的强度与血流速度相关，同时血流速度受周期性的心律影响，因此ppg信号可以反映心率信息。
4.然而，由于ppg信号易受到运动伪影干扰，在运动状态下基于ppg信号的心率检测结果不够准确。

技术实现要素：

5.本技术提供一种基于深度学习的心率检测方法及可穿戴设备，解决了基于ppg信号的传统心率算法在运动场景下检测的心率值不够精准的问题。
6.为达到上述目的，本技术采用如下技术方案：
7.第一方面，本技术提供一种基于深度学习的心率检测方法，该方法包括：
8.当用户佩戴可穿戴设备时，响应于心率检测命令，获取光电容积脉搏波ppg信号和加速度acc信号；
9.根据所述acc信号对应的acc有效频谱数据、所述ppg信号对应的ppg有效频谱数据以及目标预测模型，获得心率和场景信息；
10.在所述可穿戴设备的屏幕上显示所述心率和场景信息；
11.其中，所述目标预测模型是以acc样本数据和ppg样本数据为输入，心率标签和运动场景标签为目标变量，通过深度注意力机制attention网络训练得到的模型，所述目标预测模型具有场景识别及心率预测功能。
12.通过本方案，将ppg和acc传感器信号作为输入，将心率和运动场景信息作为模型输出，训练深度attention网络，并采用训练得到的模型进行心率检测。由于不同场景下的运动伪影噪声分布不同，利用深度attention网络学习机制，可拟合出场景、噪声以及心率之间的非线性关系，可以在不同场景下自适应地实现数据的去噪处理和特征抽取，达到复杂多场景下的信号消噪、信号融合和复杂场景识别的效果，从而消除运动伪影噪声对ppg信号的干扰，以提升心率检测的精准度。因此，本方案可解决ppg信号受运动伪影干扰引起心
率检测结果不精准的问题。
13.在第一方面的一些可能实现方式中，所述方法还包括：
14.在获得心率和场景信息的情况下，将所述心率和场景信息记录于标签缓存器中；
15.将与所述心率和场景信息对应的频谱峰点数据记录于数据缓存器中；
16.其中，所述与所述心率和场景信息对应的频谱峰点数据包括ppg频谱峰点位置和幅值以及acc频谱峰点位置和幅值。
17.通过本方案，可以在心率检测初期先跑模型，并将模型得到的心率和场景信息进行存储，并存储对应的ppg和acc频域数据的波峰位置和幅度值。然后在后期心率检测时可以在满足条件时直接调用这些存储数据，这样可以节省计算资源，降低延迟，可更快速地获取心率值。
18.在第一方面的一些可能实现方式中，所述根据所述acc信号对应的acc有效频谱数据、所述ppg信号对应的ppg有效频谱数据以及目标预测模型，获得心率和场景信息，包括：
19.根据所述ppg有效频谱数据和所述acc有效频谱数据，获取前n个峰点频谱数据；
20.若在所述数据缓存器中没有预先存储过所述前n个峰点频谱数据中的任一峰点频谱数据，则根据所述acc信号对应的acc有效频谱数据、所述ppg信号对应的ppg有效频谱数据以及所述目标预测模型，获得心率和场景信息；
21.若在所述数据缓存器中预先存储过所述前n个峰点频谱数据中的任一峰点频谱数据，则从所述标签缓存器中读取与所述任一峰点频谱数据对应的心率和场景信息。
22.通过本方案，可以分别求ppg和acc频域数据的前三个最高波峰的位置和幅度值。并检查当前数据是否在数据缓存器中出现过，如果没有出现则进入模型。若出现过，则读取标签缓存器中存储的对应的心率和场景信息。这样可以节省计算资源，降低延迟，可更快速地获取心率值。
23.在第一方面的一些可能实现方式中，所述根据所述acc信号对应的acc有效频谱数据、所述ppg信号对应的ppg有效频谱数据以及目标预测模型，获得心率和场景信息，包括：
24.将所述acc有效频谱数据和所述ppg有效频谱数据输入第一预测模型，获得所述心率和场景信息；
25.其中，所述目标预测模型为所述第一预测模型，所述第一预测模型是以acc样本数据和ppg样本数据为输入，心率标签和运动场景标签为目标变量，通过深度注意力机制attention网络训练得到的模型，所述第一预测模型具有场景识别及心率预测功能。
26.上述方案提供了一种心率检测方案：将ppg和acc频域数据作为输入，同时输出运动场景信息和心率信息。这样，在实际实现时，可穿戴设备在检测心率时可以同时输出当前场景信息和心率值。本技术方案结合考虑了用户行为或运动状态，可以支持检测用户处于不同行为状态(例如静息状态，以及各种运动状态)时的心率值。本技术方案可以解决ppg信号在不同场景下受到的各种噪声干扰问题，实现在不同噪声场景下心率的有效检测。
27.在第一方面的一些可能实现方式中，所述根据所述acc信号对应的acc有效频谱数据、所述ppg信号对应的ppg有效频谱数据以及目标预测模型，获得心率和场景信息，包括：
28.将acc有效频谱数据输入第二预测模型，获得场景信息；其中，所述第二预测模型是以acc样本数据为输入，运动场景标签为目标变量，采用深度神经网络训练得到的模型，所述第二预测模型具有场景识别功能；
29.将ppg有效频谱数据和所获得的场景信息输入第三预测模型，获得心率信息；其中，所述第三预测模型是以ppg样本数据、acc样本数据和运动场景标签为输入，心率标签为目标变量，采用深度attention网络训练得到的模型，所述第三预测模型具有心率检测功能；
30.其中，所述目标预测模型包括所述第二预测模型和所述第三预测模型。
31.上述方案提供了另一种心率检测方案：将运动场景信息和心率信息识别功能进行拆分，先用深度神经网络模型进行场景信息识别，再将识别结果和传感器频域数据作为深度attention输入，输出心率值。本技术方案可以解决ppg信号在不同场景下受到的各种噪声干扰问题，实现在不同噪声场景下心率的有效检测。
32.在第一方面的一些可能实现方式中，在所述获取ppg信号和acc信号之后，所述方法还包括：
33.对所述acc信号和所述ppg信号分别进行第一预处理，得到acc有效频谱数据和ppg有效频谱数据；
34.其中，所述第一预处理包括快速傅里叶变换fft和滤波处理。
35.通过上述方案，可以对采集到的信号进行fft变换和滤波处理，得到有效频谱，通过有效频谱检测心率值，由于有效频谱去除了干扰信号，因此这样可以提升心率检测的精准度。
36.在第一方面的一些可能实现方式中，所述获取ppg信号和acc信号，包括：
37.通过ppg传感器采集所述ppg信号，以及通过加速度传感器采集所述acc信号。
38.其中，ppg信号可以用于检测心率，acc信号可以用于识别运动场景。本技术方案结合采用ppg信号和acc信号进行心率检测，可以解决ppg信号在不同场景下受到的各种噪声干扰问题，实现在不同噪声场景下心率的有效检测。
39.在第一方面的一些可能实现方式中，所述方法还包括：
40.将所述心率和场景信息发送给终端设备，所述终端设备为与所述可穿戴设备无线连接的电子设备；
41.在所述终端设备的屏幕上显示所述心率和场景信息。
42.通过本方案，不仅可以通过可穿戴设备显示心率和场景信息，而且可以通过与可穿戴设备连接的终端设备显示心率和场景信息，便于用户查看心率值，提升用户使用体验。
43.第二方面，本技术提供一种训练用于检测心率的模型的方法，包括：
44.获取多场景样本集，所述多场景样本集为基于多种运动场景检测得到的数据样本集合；
45.从所述多场景样本集中提取acc样本数据、ppg样本数据和心率标签；
46.以所述acc样本数据和所述ppg样本数据为输入，所述心率标签和运动场景标签为目标变量，通过深度注意力机制attention网络进行训练；
47.获得第一预测模型，所述第一预测模型具有场景识别及心率预测功能。
48.通过本技术提供的上述模型训练方法，将ppg和acc频域数据作为输入，以运动场景和心率信息为目标进行训练，得到的模型具有场景识别及心率预测功能。由于不同场景下的运动伪影噪声分布不同，利用深度attention网络学习机制，可拟合出场景、噪声以及心率之间的非线性关系，可以在不同场景下自适应地实现数据的去噪处理和特征抽取，达
到复杂多场景下的信号消噪、信号融合和复杂场景识别的效果，从而消除运动伪影噪声对ppg信号的干扰，以提升心率检测的精准度。因此，本方案可解决ppg信号受运动伪影干扰引起心率检测结果不精准的问题。
49.在第二方面的一些可能实现方式中，所述以所述acc样本数据和所述ppg样本数据为输入，所述心率标签和运动场景标签为目标变量，通过深度attention网络进行训练，包括：
50.通过交叉验证的方式调整模型的参数，使得所述模型学习预测不同运动场景下的心率信息。
51.通过本技术方案，在训练深度attention网络模型时不断交叉验证调整模型参数，直到达到训练目标，这样可以确保训练得到的模型具备良好的心率预测功能，以提升心率检测的精确性。
52.在第二方面的一些可能实现方式中，所述获取多场景样本集，包括：
53.将可穿戴设备和心率带设备接入数据采集模块；
54.当佩戴所述可穿戴设备和所述心率带设备的用户进行第一运动时，所述数据采集模块获取所述可穿戴设备的第一心率检测数据和所述心率带设备的第二心率检测数据；
55.当所述用户进行第二运动时，所述数据采集模块获取所述可穿戴设备的第三心率检测数据和所述心率带设备的第四心率检测数据；
56.其中，所述第一运动和所述第二运动分别为所述运动场景标签指示的运动，所述多场景样本集包括所述第一心率检测数据、所述第二心率检测数据、所述第三心率检测数据和所述第四心率检测数据。
57.示例性地，可以制定需要采集的多种运动场景。例如，步行、跑步、游泳、登山、跳绳、踢球、打篮球等。需要说明的是，这里运动场景可以涵盖静息场景。
58.其中，当受试者进行特定场景下的运动时，心率带设备采集该特定场景下的心率标签数据，该心率标签数据可以作为模型训练的目标值；可穿戴设备(例如手环设备)采集该特定场景下的ppg信号和acc信号，作为待训练的模型参数。
59.在第二方面的一些可能实现方式中，所述从所述多场景样本集中提取acc样本数据、ppg样本数据，包括：
60.从所述可穿戴设备的检测数据中提取所述acc样本数据和所述ppg样本数据；
61.其中，所述可穿戴设备的检测数据包括所述第一心率检测数据和所述第三心率检测数据。
62.在第二方面的一些可能实现方式中，所述从所述多场景样本集中提取心率标签，包括：
63.从所述心率带设备的检测数据中提取所述心率标签；
64.其中，所述心率带设备的检测数据包括所述第二心率检测数据和所述第四心率检测数据。
65.通过本技术方案，在训练模型时，可以将心率带设备检测得到的心率标签作为目标变量，使得训练的模型具有心率预测功能。
66.在第二方面的一些可能实现方式中，在从所述多场景样本集中提取acc样本数据、ppg样本数据和心率标签之后，所述方法还包括：
67.对所述acc样本数据和所述ppg样本数据进行快速傅里叶变换fft和滤波处理，得到滤波后的acc样本数据和ppg样本数据；
68.其中，以所述acc样本数据和所述ppg样本数据为输入，所述心率标签和运动场景标签为目标变量，通过深度attention网络进行训练，包括：
69.以滤波后的acc样本数据和ppg样本数据为输入，所述心率标签和运动场景标签为目标变量，通过所述深度attention网络进行训练。
70.在第二方面的一些可能实现方式中，所述滤波处理用于将频谱中的[0.7hz，4hz]之外的噪声数据进行滤除。
[0071]
这样，将滤除了噪声数据的有效频谱数据用于模型训练，有利于消除运动伪影噪声对ppg信号的干扰。
[0072]
在第二方面的一些可能实现方式中，在所述获得第一预测模型之后，所述方法还包括：
[0073]
采用预设量化参数对所述第一预测模型进行量化，得到量化后的第一预测模型。
[0074]
其中，本技术实施例可以将训练好的模型采用8bit或者16bit的参数进行量化，存储其网络结构信息和量化的参数数据。由于在模型量化之后，可穿戴设备的存储空间减小，整数类型的计算速度加快，因此能够降低可穿戴设备器件的存储空间，并且能够达到提升计算速度的效果。
[0075]
第三方面，本技术提供一种训练用于检测心率的模型的方法，包括：
[0076]
获取多场景样本集，所述多场景样本集为基于多种运动场景检测得到的数据样本集合；
[0077]
从所述多场景样本集中提取acc样本数据、ppg样本数据和心率标签；
[0078]
以所述acc样本数据、所述ppg样本数据和运动场景标签为输入，所述心率标签为目标变量，通过深度注意力机制attention网络进行训练；
[0079]
获得第三预测模型，所述第三预测模型具有心率预测功能。
[0080]
通过本技术提供的上述模型训练方法，将ppg和acc频域数据、场景信息作为输入，以心率信息为目标进行训练，得到的模型具有心率预测功能。由于不同场景下的运动伪影噪声分布不同，利用深度attention网络学习机制，可拟合出场景、噪声以及心率之间的非线性关系，可以在不同场景下自适应地实现数据的去噪处理和特征抽取，达到复杂多场景下的信号消噪、信号融合和复杂场景识别的效果，从而消除运动伪影噪声对ppg信号的干扰，以提升心率检测的精准度。因此，本方案可解决ppg信号受运动伪影干扰引起心率检测结果不精准的问题。
[0081]
在第三方面的一些可能实现方式中，所述方法还包括：
[0082]
以所述acc样本数据和所述ppg样本数据为输入，所述运动场景标签为目标变量，通过深度神经网络进行训练，获得第二预测模型，所述第二预测模型具有场景识别功能。
[0083]
在第三方面的一些可能实现方式中，所述以所述acc样本数据、所述ppg样本数据和运动场景标签为输入，所述心率标签为目标变量，通过深度attention网络进行训练，包括：
[0084]
通过交叉验证的方式调整attention网络模型的参数，使得所述attention网络模型学习预测不同运动场景下的心率信息。
[0085]
通过本技术方案，在训练深度attention网络模型时不断交叉验证调整模型参数，直到达到训练目标，这样可以确保训练得到的模型具备良好的心率预测功能，以提升心率检测的精确性。
[0086]
在第三方面的一些可能实现方式中，所述获取多场景样本集，包括：
[0087]
将可穿戴设备和心率带设备接入数据采集模块；
[0088]
当佩戴所述可穿戴设备和所述心率带设备的用户进行第一运动时，所述数据采集模块获取所述可穿戴设备的第一心率检测数据和所述心率带设备的第二心率检测数据；
[0089]
当所述用户进行第二运动时，所述数据采集模块获取所述可穿戴设备的第三心率检测数据和所述心率带设备的第四心率检测数据；
[0090]
其中，所述第一运动和所述第二运动分别为所述运动场景标签指示的运动，所述多场景样本集包括所述第一心率检测数据、所述第二心率检测数据、所述第三心率检测数据和所述第四心率检测数据。
[0091]
在第三方面的一些可能实现方式中，所述从所述多场景样本集中提取acc样本数据和ppg样本数据，包括：
[0092]
从所述可穿戴设备的检测数据中提取所述acc样本数据和所述ppg样本数据；
[0093]
其中，所述可穿戴设备的检测数据包括所述第一心率检测数据和所述第三心率检测数据。
[0094]
在第三方面的一些可能实现方式中，所述从所述多场景样本集中提取心率标签，包括：
[0095]
从所述心率带设备的检测数据中提取所述心率标签；
[0096]
其中，所述心率带设备的检测数据包括所述第二心率检测数据和所述第四心率检测数据。
[0097]
通过本技术方案，在训练模型时，可以将心率带设备检测得到的心率标签作为目标变量，使得训练的模型具有心率预测功能。
[0098]
在第三方面的一些可能实现方式中，在从所述多场景样本集中提取acc样本数据、ppg样本数据和心率标签之后，所述方法还包括：
[0099]
对所述acc样本数据和所述ppg样本数据进行快速傅里叶变换fft和滤波处理，得到滤波后的acc样本数据和ppg样本数据；
[0100]
其中，以所述acc样本数据、所述ppg样本数据和运动场景标签为输入，所述心率标签为目标变量，通过深度attention网络进行训练，包括：
[0101]
以滤波后的acc样本数据和ppg样本数据，以及运动场景标签为输入，所述心率标签为目标变量，通过所述深度attention网络进行训练。
[0102]
在第三方面的一些可能实现方式中，所述滤波处理用于将所述acc样本数据和所述ppg样本数据对应的频谱数据中[0.7hz，4hz]之外的噪声数据滤除。
[0103]
这样，将滤除了噪声数据的有效频谱数据用于模型训练，有利于消除运动伪影噪声对ppg信号的干扰。
[0104]
在第三方面的一些可能实现方式中，在所述获得第三预测模型之后，所述方法还包括：
[0105]
采用预设量化参数对所述第三预测模型进行量化，得到量化后的第三预测模型。
[0106]
由于在模型量化之后，可穿戴设备的存储空间减小，整数类型的计算速度加快，因此能够降低可穿戴设备器件的存储空间，并且能够达到提升计算速度的效果。
[0107]
第四方面，本技术提供一种基于深度学习的心率检测装置，该装置包括用于执行上述第一方面中的方法的单元。该装置可对应于执行上述第一方面中描述的方法，该装置中的单元的相关描述请参照上述第一方面的描述，为了简洁，在此不再赘述。
[0108]
其中，上述第一方面、第二方面和/或第三方面描述的方法可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块或单元。例如，处理模块或单元、显示模块或单元等。
[0109]
第五方面，本技术提供一种电子设备，所述电子设备包括处理器，处理器与存储器耦合，存储器用于存储计算机程序或指令，处理器用于执行存储器存储的计算机程序或指令，使得第一方面中的方法被执行。
[0110]
例如，处理器用于执行存储器存储的计算机程序或指令，使得该装置执行第一方面中的方法。
[0111]
第六方面，本技术提供一种计算机可读存储介质，其上存储有用于实现第一方面、第二方面和/或第三方面中的方法的计算机程序(也可称为指令或代码)。
[0112]
例如，该计算机程序被计算机执行时，使得该计算机可以执行第一方面中的方法。
[0113]
第七方面，本技术提供一种芯片，包括处理器。处理器用于读取并执行存储器中存储的计算机程序，以执行第一方面、第二方面和/或第三方面及其任意可能的实现方式中的方法。
[0114]
可选地，所述芯片还包括存储器，存储器与处理器通过电路或电线连接。
[0115]
第八方面，本技术提供一种芯片系统，包括处理器。处理器用于读取并执行存储器中存储的计算机程序，以执行第一方面、第二方面和/或第三方面及其任意可能的实现方式中的方法。
[0116]
可选地，所述芯片系统还包括存储器，存储器与处理器通过电路或电线连接。
[0117]
第九方面，本技术提供一种计算机程序产品，所述计算机程序产品包括计算机程序(也可称为指令或代码)，所述计算机程序被计算机执行时使得所述计算机实现第一方面、第二方面和/或第三方面中的方法。
[0118]
可以理解的是，上述第四方面至第九方面的有益效果可以参见上述第一方面、第二方面和/或第三方面中的相关描述，在此不再赘述。
附图说明
[0119]
图1为本技术实施例提供的基于深度学习的心率检测方法应用的系统架构示意图；
[0120]
图2为本技术实施例提供的一种基于深度学习的心率检测方法的流程示意图；
[0121]
图3为本技术实施例提供的一种基于深度学习的心率检测方法中的模型离线训练流程示意图；
[0122]
图4为本技术实施例提供的基于深度学习的心率检测方法中滤波处理的波形示意图；
[0123]
图5为本技术实施例提供的一种基于深度学习的心率检测方法中的模型在线预测
流程示意图；
[0124]
图6为本技术实施例提供的另一种基于深度学习的心率检测方法的流程示意图；
[0125]
图7为本技术实施例提供的另一种基于深度学习的心率检测方法中的模型离线训练流程示意图；
[0126]
图8为本技术实施例提供的另一种基于深度学习的心率检测方法中的模型在线预测流程示意图；
[0127]
图9为本技术实施例提供的基于深度学习的心率检测方法应用的界面示意图；
[0128]
图10为本技术实施例提供的基于深度学习的心率检测装置的结构示意图；
[0129]
图11为本技术实施例提供的可穿戴设备的结构示意图。
具体实施方式
[0130]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0131]
本文中术语“和/或”，是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。本文中符号“/”表示关联对象是或者的关系，例如a/b表示a或者b。
[0132]
本文中的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一预处理和第二预处理等是用于区别不同的预处理，而不是用于描述预处理的特定顺序。
[0133]
在本技术实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本技术实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
[0134]
在本技术实施例的描述中，除非另有说明，“多个”的含义是指两个或者两个以上，例如，多个处理单元是指两个或者两个以上的处理单元等；多个元件是指两个或者两个以上的元件等。
[0135]
ppg是利用光学原理将人体生物信号转换为电信号的非侵入式检测技术，具体地，将led光射向皮肤，用光敏传感器接受经过皮肤组织吸收后被反射回来或透射过去的光，将光敏传感器得到的电信号转化为数字信号即得到ppg信号。
[0136]
由于其无创、简单、便携等优点大量被广泛用于人体的生理心率、血氧、压力等方面的健康监测。其中，心率作为衡量心脏搏动能力的参数之一，对心率的准确检测具有重要的医学意义。
[0137]
在理想情况下，ppg信号与ecg信号一样，能够精确地检测出人体各时刻的心率值。然而，由于硬件、温度、运动等复杂场景的噪声影响，导致ppg的真实信号失真，使得心率计算的准确率受到了极大的制约。其中影响最大的是运动伪影，它会使得ppg时域信号上出现波峰波谷的缺失或者变形，使得时域计数法精度降低，而频域上则显示为ppg谱峰的异常，无法精准定位当前时刻的ppg信号主频，难以取得准确结果。因此如何自适应的消除ppg信
号中的复杂噪声，提升心率检测精度是一个重要问题。
[0138]
图1示出了本技术的各个示例性实施例所涉及的系统架构示意图。如图1所示，该系统架构包括可穿戴设备1，该可穿戴设备可利用ppg技术检测人体心率值，可选地该可穿戴设备可以显示心率值。可选地，该系统架构还可以包括与可穿戴设备1无线连接的终端设备2，该终端设备2可以接收并显示智能穿戴设备1发送的心率值，供用户查看。
[0139]
其中，可穿戴设备1可以为智能手表、智能手环等支持心率检测的用户可穿戴电子设备，为了便于说明，以下在描述可穿戴设备1时均以智能手环为例进行示例性说明。
[0140]
然而，传统心率算法在静息状态时的心率检测结果较为准确，但是在运动状态时心率检测不够精准。如图1所示，当智能手环1进行心率检测时会显示提示信息：请保持静止。由于运动噪声干扰，因此在运动状态时检测的心率值可能不精准。原因在于：在运动状态时，智能手环与皮肤之间发生位移，或者智能手环上下左右抖动，手表压迫血管等因素，导致心率检测信号发生畸变，因此采用传统心率算法检测的心率值不够精准。
[0141]
目前传统技术针对信号进行了大量的人工噪声预处理和规则制定，需要大量的领域知识作为支撑，并且需要在特定参数以及特定场景下才能达到良好效果，无法做到端到端的学习模式。目前技术无法同时在各种复杂的运动伪影和噪声的作用下寻到一种自适应消除噪声和补偿信号的技术方案。
[0142]
也就是说，传统的信号处理方法严重受到运动伪影的影响，导致心率准确度低。
[0143]
鉴于此，本技术实施例通过本方案，将ppg和acc传感器信号作为输入，将心率和运动场景信息作为模型输出，训练深度attention网络，并采用训练得到的模型进行心率检测。由于不同场景下的运动伪影噪声分布不同，利用深度attention网络学习机制，可拟合出场景、噪声以及心率之间的非线性关系，可以在不同场景下自适应地实现数据的去噪处理和特征抽取，达到复杂多场景下的信号消噪、信号融合和复杂场景识别的效果，从而消除运动伪影噪声对ppg信号的干扰，以提升心率检测的精准度。因此，本方案可解决ppg信号受运动伪影干扰引起心率检测结果不精准的问题。
[0144]
本技术方案结合考虑了用户行为或运动状态，本技术方案可以支持检测用户处于不同运动场景(例如各种运动状态，当然也包括静息状态)时的心率值。并且，可以检测出当前场景以及当前场景下的心率值。通过本技术方案，即便在存在运动噪声干扰的情况下也能够实现连续实时的高精度心率监测。
[0145]
第一实施例
[0146]
下面结合图2，详细说明本技术第一实施例提供的基于深度学习的心率检测方法。
[0147]
图2是本技术实施例提供的一种心率检测方法的流程示意图。参照图2所示，该方法包括下述的步骤s101-s104。
[0148]
s101，当用户佩戴可穿戴设备时，响应于心率检测命令，获取ppg信号和acc信号。
[0149]
在本技术实施例中，在用户佩戴可穿戴设备的情况下，在可穿戴设备处于开启状态时，可穿戴设备可以用于检测用户各个时刻的心率值。其中，心率是指正常人安静状态下每分钟心跳的次数，也叫安静心率，一般为60～100次/分(bpm)。
[0150]
其中，可穿戴设备可以设置有ppg传感器和加速度传感器。ppg传感器可以检测得到ppg信号，加速度传感器可以检测得到加速度(acceleration，acc)信号，该acc信号可以反映用户的运动数据，该ppg信号可以反映用户的心率数据。
[0151]
示例性地，当满足预设心率检测触发条件时，会触发可穿戴设备进行心率检测。例如，可穿戴设备会接收到心率检测命令，并且响应于心率检测命令，触发ppg传感器检测或采集ppg信号，并且触发加速度传感器检测或采集acc信号，从而可穿戴设备获取到ppg信号和acc信号。
[0152]
可选地，在本技术实施例中，上述预设心率检测触发条件可以为以下任一项：可穿戴设备接收到用户触发开启检测心率功能的操作，可穿戴设备实时检测心率，可穿戴设备周期性地检测心率且开始第n周期的心率检测。具体可以根据实际使用需求确定，本技术实施例不作限定。
[0153]
s102，对acc信号和ppg信号分别进行第一预处理，得到acc有效频谱数据和ppg有效频谱数据。
[0154]
其中，上述第一预处理可以包括傅里叶变换(fast fourier transform，fft)和滤波处理。其中，滤波处理可以为带通滤波处理。
[0155]
在本技术实施例中，可穿戴设备在获取acc信号之后，可以对acc信号进行fft变换，得到对应的acc频谱。然后，再对acc频谱进行带通滤波处理，滤除噪声数据，得到acc有效频谱。
[0156]
类似地，可穿戴设备在获取ppg信号之后，可以对ppg信号进行fft变换，得到对应的ppg频谱。然后，再对ppg频谱进行带通滤波处理，滤除噪声数据，得到ppg有效频谱。
[0157]
s103，根据acc有效频带、ppg有效频带以及第一预测模型，得到心率和场景信息；其中，第一预测模型是以acc样本数据和ppg样本数据为输入，心率标签和运动场景标签为目标变量，通过深度注意力机制(attention)网络训练得到的模型，第一预测模型具有场景识别及心率检测能力。
[0158]
其中，上述attention网络采用注意力机制，有预定目标任务地、主动有意识地聚焦于某一对象，只选择一些关键的信息输入进行处理，来提高神经网络的效率。
[0159]
在本技术实施例中，可穿戴设备可以将acc有效频谱数据和ppg有效频谱数据作为第一预测模型的输入参数，采用第一预测模型执行在线预测流程。通过该第一预测模型，可穿戴设备可以识别出用户当前运动场景是静息还是运动，并且可以精确地识别出运动具体是哪一类运动，例如步行、游泳、跑步、登山等；以及可以准确检测出用户在当前运动场景下的心率值。
[0160]
为了便于说明，这里将可穿戴设备识别出的运动场景描述为场景信息，将可穿戴设备检测出的心率值描述为心率信息。这样，在采用第一预测模型执行在线预测流程结束后，第一预测模型可以同时输出场景信息和心率信息。
[0161]
需要说明的是，本技术实施例提供的第一预测模型是采用深度attention网络，根据心率信息和运动场景信息训练得到的场景识别及心率检测模型，也就是说，本技术方案结合了运动场景信息和心率信息进行模型训练，可减少运动噪声，避免了运动伪影对心率检测准确度的影响，因此通过该第一预测模型输出的心率值更精准。
[0162]
其中，上述第一预测模型的离线训练流程将在下文中详细描述，此处不予赘述。
[0163]
s104，显示心率和场景信息。
[0164]
在一种可能实现方式中，可穿戴设备可以显示心率和场景信息。
[0165]
在一种可能实现方式中，当可穿戴设备与终端设备保持无线连接时，在可穿戴设
备获取心率和场景信息的情况下，可穿戴设备可以将心率和场景信息发送给终端设备，由终端设备显示，供用户在终端设备上查看。
[0166]
例如，在终端设备安装运动健康app的情况下，终端设备可以在运动健康app的界面中显示心率和场景信息。
[0167]
当然，本技术实施例还可以仅显示心率信息，而不显示场景信息。具体可以根据实际使用需求进行设置，本技术实施例不作限定。
[0168]
需要说明的是，本技术实施例不限定心率信息和场景信息的显示样式，例如字体大小、字体颜等。
[0169]
本技术方案采用深度attention学习机制，能识别多种运动场景，对场景和噪声进行相应的自适应拟合，不需要过多的数据预处理和人工经验参数的制定。可以自适应的深度attention网络对心率进行实时监测，解决了ppg信号在不同场景下受到的各种噪声干扰问题，可以实现在不同噪声场景下心率的有效检测。
[0170]
下面结合图3和图4分别说明第一实施例中第一预测模型的离线训练流程和在线预测流程。
[0171]
图3为第一实施例中第一预测模型的深度attention网络离线训练流程。如图3所示，深度attention离线训练流程包括步骤s201-s208。
[0172]
s201，获取多场景样本集。
[0173]
首先，可以制定需要采集的多种运动场景。例如，步行、跑步、游泳、登山、跳绳、踢球、打篮球等，可以理解，这里为示例性地列举，本技术实施例需要采集的多种运动场景可以不限于此，具体可以根据实际使用需求确定，本技术实施例不作限定。
[0174]
需要说明的是，这里运动场景可以涵盖静息场景。
[0175]
然后，将手环设备和心率带设备均蓝牙接入采集数据的安卓应用程序包(android application package，apk)中。
[0176]
然后，当受试者佩戴手环设备和心率带设备，进行特定场景下的运动时，采集对应场景下的数据。
[0177]
示例性地，假设将运动场景标签数据设置为跑步，当受试者跑步时，可以采集跑步场景下的数据。
[0178]
示例性地，假设将运动场景标签数据设置为步行，当受试者步行时，可以采集步行场景下的数据。
[0179]
示例性地，假设将运动场景标签数据设置为跳绳，当受试者跳绳时，可以采集跳绳场景下的数据。
[0180]
示例性地，假设将运动场景标签数据设置为静息，当受试者没有任何运动时，可以采集静息场景下的数据。
[0181]
其中，当受试者进行特定场景下的运动时，心率带设备采集该特定场景下的心率标签数据，该心率标签数据可以作为模型训练的目标值；手环设备采集该特定场景下的ppg信号和acc信号，作为待训练的模型参数。
[0182]
然后，在满足采集时间和指定的采集要求之后，停止采集数据。
[0183]
示例性地，在可穿戴设备检测到用户处于运动状态时，可穿戴设备可以采用100hz的采样频率，即每1秒采100个点。或者，在可穿戴设备检测到用户处于静息状态时，可穿戴
设备可以采用25hz的采样频率，即每1秒采25个点。
[0184]
可选地，采样时间窗时长可以取8秒，也可以为10秒，还可以取12秒，或者其他任意满足要求的时长。具体可以根据实际使用需求设置，本技术实施例不作限定。
[0185]
示例性地，以采样频率为25hz，时间窗时长为12秒为例，若每1秒采25个点，则12秒总共可采样300个点。
[0186]
s202，将采集的所有样本数据进行整理，获得多路通道的ppg信号，acc三路传感器信号，心率标签数据和运动场景标签数据，构成离线数据集。
[0187]
将本技术方案与传统算法进行比较可知：传统算法需要进行手动提取很多的经验特征去训练模型，而本技术方案在训练模型时能够端到端进行学习，在不同场景下自适应地实现数据抽取，使得模型训练更加智能化。
[0188]
s203，分别对ppg信号和acc信号进行fft变换，获取ppg信号的频谱和acc信号的频谱。
[0189]
s204，对ppg信号的频谱和acc信号的频谱分别进行带通滤波处理，得到ppg有效频谱数据和acc有效频谱数据。
[0190]
示例性地，假定[0.7hz，4hz]为用于心率检测的常用频域范围，那么在分别对ppg信号的频谱和acc信号的频谱进行滤波处理时，可以滤除[0.7hz，4hz]之外的噪声数据，这样可以确定出对心率检测有用的频域范围。该频域范围内的频谱数据被称为有效频谱数据。
[0191]
其中，假设人体一般心率值为60bpm，那么与常用频域范围[0.7hz，4hz]对应的心率值范围可以为[42bpm，240bpm]，该范围可以认为是可参考的心率值范围。
[0192]
其中，本技术实施例可以不限定带通滤波和fft变换的执行顺序，例如可以先进行fft变换再进行带通滤波；当然还可以先进行带通滤波再进行fft变换。
[0193]
示例性地，仍然假设采样频率为25hz，时间窗时长为12秒，那么每1秒采25个点，12秒总共可采样300个点；经过滤波处理，可以得到[0，127]个采样点。
[0194]
相应地，对于采样得到的300个点，经过fft变换，可以得到128个有效频率点。
[0195]
需要说明的是，本技术实施例对于所采用的滤波器不作限定，具体可以根据实际使用需求确定。
[0196]
为了便于说明，以下将采集的ppg信号和acc信号统称为传感器时域数据，将ppg信号和acc信号经过fft变换和滤波处理后得到的数据统称为传感器频域数据。
[0197]
示例性地，图4示出了对于传感器频域数据进行滤波处理的波形图，其中，纵坐标代表fft幅度值，横坐标代表采样个数，其中假设采样频率为25hz，相应地fft的横坐标单位间隔分辨率为25/256＝0.097hz。
[0198]
如图4中的(a)所示，在原始的频谱图中，fft横坐标点范围为[0，127]。其中，由于fft横坐标单位间隔分辨率为0.097hz，因此fft横坐标点范围[0，127]对应的频率区间为[0hz，127*0.097hz]，约为[0hz，12hz]。也就是说，原始的频谱图中包括频率范围[0，12hz]的频谱数据，其中包含有噪声数据。
[0199]
对原始的频谱图进行滤波处理，滤除噪声数据，如图4中的(b)所示，在经过滤波的频谱图中，fft横坐标点范围为[5，35]。其中，由于fft横坐标单位间隔分辨率为0.097hz，因此fft横坐标点范围[5，35]对应的频率区间为[5*0.097hz，35*0.097hz]，约为[0.5hz,
3.5hz]。处理后的频谱图包括频率范围[0.7hz，3.5hz]的频谱数据，此时得到的频域数据认为是有效频谱数据。
[0200]
这样，将滤除了噪声数据的有效频谱数据用于模型训练，有利于消除运动伪影噪声对ppg信号的干扰。
[0201]
s205，利用所提取的传感器频域数据作为模型输入，将心率和运动场景信息作为模型输出，训练深度attention网络。
[0202]
其中，可以将ppg有效频谱数据和acc有效频谱数据作为深度attention网络的输入，心率标签数据和运动场景标签数据作为目标值，进行深度attention网络离线训练。
[0203]
在本技术实施例中，由于不同场景下的运动伪影噪声分布不同，因此本技术方案利用深度attention网络的端到端的训练方式，能够同时获得识别场景的能力和心率检测的能力，更大程度上拟合出场景、噪声以及心率之间的非线性关系。
[0204]
s206，判断是否达到训练目标。
[0205]
若未达到训练目标，则继续执行步骤s207；若达到训练目标，则继续执行步骤s208。
[0206]
s207，通过交叉验证的方式调整s205中用于训练模型的参数，不断优化模型。
[0207]
其中，可以通过调整网络(例如卷积神经元)的权重和偏差进行模型优化。
[0208]
在本技术实施例中，在没有达到训练目标的情况下，不断调整参数，优化模型，直到达到训练目标为止，使得模型能学习复杂场景的标签信息和attention网络的自适应权重参数，达到复杂多场景下的信号消噪、信号融合和复杂场景识别的效果。
[0209]
将本技术方案与传统算法进行比较可知：传统心率预测算法所采用的自适应滤波、主成分分析、信号分解等处理只能适用于特定的噪声场景，作为参数固定的模型算法，无法自适应地预测复杂场景下的心率值；而本技术方案利用attention机制能够对场景信号的特点与噪声进行自适应拟合，能自适应地调整网络权重参数，并针对性地对各个场景下的运动伪影进行处理，提升泛化能力。
[0210]
s208，量化模型，输出模型文件。
[0211]
在本技术实施例中，采用深度attention网络进行离线训练，得到深度attention模型，该模型的输出任务为心率值和场景信息，因此该深度attention模型也可以称为场景识别及心率检测模型。
[0212]
其中，本技术实施例可以将训练好的模型采用8bit或者16bit的参数进行量化，存储其网络结构信息和量化的参数数据。由于在模型量化之后，可穿戴设备的存储空间减小，整数类型的计算速度加快，因此能够降低可穿戴设备器件的存储空间，并且能够达到提升计算速度的效果。
[0213]
本技术实施例采用深度attention网络通过注意力机制进行学习，基于场景信息做不同的噪声消除操作，由此训练得到的深度attention网络模型是一个动态的自适应模型，能够端到端进行学习，可以在不同场景下自适应地实现数据的去噪处理和特征抽取，达到复杂多场景下的信号消噪、信号融合和复杂场景识别的效果。因此，采用训练得到的深度attention网络模型进行心率检测，可提升心率检测的精准性。
[0214]
以上结合图3详细描述了采用深度attention网络进行离线训练得到场景识别及心率检测模型的流程，下面再结合图5详细描述采用训练得到的场景识别及心率检测模型
进行在线预测的流程。如图5所示，该在线预测流程包括下述的步骤s301-s313。
[0215]
s301，模型初始化。
[0216]
其中，可穿戴设备启动心率检测模块，并加载预先保存的深度attention模型的结构和参数，搭建前向推理流程。
[0217]
s302，实时采集ppg信号和acc信号。
[0218]
其中，可穿戴设备采集同步且实时的ppg信号和acc信号。
[0219]
s303，判断是否满足采集完成条件。
[0220]
可选地，当采集数据的量达到预设量时，即可认为满足采集完成条件。
[0221]
可选地，当采集数据的时长达到预设时长时，即可认为满足采集完成条件。
[0222]
示例性地，在开始采集ppg信号和acc信号时，启动定时器，定时器时长可以设置为预设时长，一旦定时器超时，则认为已完成数据采集，满足采集完成条件。
[0223]
在满足采集完成条件之后，进入下一步流程s305，否则执行步骤s304，继续采集ppg信号和acc信号，直到满足采集完成条件为止。
[0224]
s305，分别对采集的ppg信号和acc信号进行fft变换，得到ppg信号的频谱和acc信号的频谱。
[0225]
s306，分别对ppg信号的频谱和acc信号的频谱进行带通滤波处理，得到ppg有效频谱数据和acc有效频谱数据。
[0226]
s307，根据ppg和acc有效频谱数据确定前n个最高波峰的频域位置和幅值。
[0227]
示例性地，当n为3时，可穿戴设备可以确定ppg有效频谱数据的前3个最高波峰的频域位置和幅值，以及acc有效频谱数据的前3个最高波峰的频域位置和幅值。
[0228]
在传感器频域数据的前n个最高波峰的频域位置和幅值中，ppg和acc频谱波峰的频域位置和幅值可以采用数组形式表示，例如[f
p
，a
p
，fa，aa]，以下称为峰值数组，其中f
p
和a
p
分别代表ppg频谱波峰的频域位置和幅值，fa和aa分别代表acc频谱波峰的频域位置和幅值。
[0229]
通过本技术实施例训练得到的深度心率检测模型，可以结合fft前三峰数据记录和对比机制能够降低穿戴设备的计算功耗。
[0230]
s308，将传感器频域数据的前n个最高波峰的频域位置和幅值存储在数据缓存器中。
[0231]
在本技术实施例中，可穿戴设备可以设置有数据缓存器(data_buffer)和标签缓存器(label_buffer)。
[0232]
其中，数据缓存器可以是具有一定长度的先进先出缓存器，可以用于存储一定数量的峰值数组。标签缓存器可以用于存储采用模型进行心率检测得到心率值。
[0233]
s309，判断当前峰值数组是否在数据缓存器中出现过。
[0234]
一方面，若当前峰值数组在数据缓存器中出现过，说明预先已采用模型进行心率预测得到心率值，也就是说，当前峰值数组有对应的心率值，且对应的心率值存储在标签缓存器中，则继续执行下述步骤s310。
[0235]
另一方面，若当前峰值数组未在数据缓存器中出现过，说明当前峰值数组没有对应的心率值，需要采用模型进行心率预测，因此继续执行下述步骤s311，即采用深度attention网络模型前向推理，计算心率值。
[0236]
在一些可能实施方式中，首先执行心率监测预设时长(例如12秒)，将心率监测数据存储在数据存储器中以及将对应的心率监测结果存储在标签存储器中，然后在后续心率监测过程中可以执行上述s309的判断动作，将当前获取的心率监测数据与数据存储器中存储的心率监测数据进行对比，判断当前获取的心率监测数据是否在数据缓存器中出现过。
[0237]
通过上述方案，利用数据缓存器并进行历史回顾的方式，能够避免重复计算，可降低穿戴设备的计算功耗。
[0238]
s310，当s309中判断当前峰值数组在数据缓存器中出现过时，读取标签存储器中存储的对应的心率和场景信息。
[0239]
在执行s310之后，继续执行下述的步骤s313。
[0240]
s311，当s309中判断当前峰值数组未在数据缓存器中出现过时，将ppg和acc的有效频谱数据作为深度attention模型的输入，深度attention模型前向推理，计算得出对应的心率和场景信息。
[0241]
通过本技术实施例训练得到的深度心率检测模型，可在实时预测阶段利用精简的量化模型加快计算速度。
[0242]
s312，将心率和场景信息存储到标签存储器中。
[0243]
将心率值和场景信息存储到标签存储器中的作用在于：当判断峰值数组在数据缓存器中出现过时，说明预先已采用模型进行心率预测得到心率值，标签存储器中已存储对应的心率和场景信息，因此可以直接读取标签存储器中存储的对应的心率值和场景信息，在此情况下无需再采用场景识别模型识别当前场景，也无需采用心率检测模型检测心率值。这样能够避免重复计算，可降低穿戴设备的计算功耗。
[0244]
s313，将心率和场景信息传送到可穿戴设备的用户界面(user interface，ui)进行展示。
[0245]
在本技术实施例中，可穿戴设备可以进行心率预警等监控操作，并将场景信息传递给可穿戴设备的其他组件，这样能够根据实际使用需求，调节可穿戴设备的功耗以及可穿戴设备的智能调光算法。
[0246]
将本技术方案与传统算法进行比较可知：传统的心率检测算法没有同时进行心率检测和场景识别的功能；本技术方案认为：场景和心率之间是存在着强相关性，如果忽略这些关系会导致模型识别能力低，因此，本技术实施例采用深度attention学习机制，能识别多种运动场景，对场景和噪声进行相应的自适应拟合，不需要过多的数据预处理和人工经验参数的制定。
[0247]
以上描述了第一实施例提供的基于深度学习的心率检测方法，以及该方法对应的深度attention模型训练流程及在线预测流程。下面再说明第二实施例提供的基于深度学习的心率检测方法，以及该方法对应的模型训练流程及在线预测流程。
[0248]
第二实施例
[0249]
下面结合图6，详细说明本技术第二实施例提供的基于深度学习的心率检测方法。
[0250]
图6是本技术第二实施例提供的一种心率检测方法的流程示意图。参照图6所示，该方法包括下述的步骤s401-s405。
[0251]
s401，当用户佩戴可穿戴设备时，响应于心率检测命令，获取ppg信号和acc信号。
[0252]
s402，对acc信号和ppg信号分别进行第一预处理，得到acc有效频谱数据和ppg有
效频谱数据。
[0253]
其中，对于上述s401和s402的描述具体可以参见上述第一实施例中对s101和s102的详细描述，此处不再赘述。
[0254]
s403，将acc有效频谱数据输入第二预测模型，获得场景信息；其中，第二预测模型是以acc样本数据为输入，运动场景标签为目标变量，通过深度神经网络训练得到的模型，第二预测模型具有场景识别功能。
[0255]
在本技术实施例中，可穿戴设备可以将acc有效频谱数据作为第二预测模型的输入参数，采用第二预测模型执行在线预测流程。通过该第二预测模型(也可以称为场景识别模型)，可穿戴设备可以识别出用户当前运动场景是静息还是运动，并且可以精确地识别出运动具体是哪一类运动，例如步行、游泳、跑步、登山等。
[0256]
同样，为了便于说明，这里将可穿戴设备识别出的运动场景仍然描述为第一场景信息。
[0257]
s404，将ppg有效频谱数据和获得的场景信息输入第三预测模型，得到心率信息；其中，第三预测模型是以ppg样本数、acc样本数据和运动场景标签为输入，心率标签为目标变量，通过深度attention网络训练得到的模型，第三预测模型具有心率检测功能。
[0258]
在本技术实施例中，在可穿戴设备识别出运动场景之后，可以将识别出的场景信息和ppg有效频谱数据作为第三预测模型的输入参数，采用第三预测模型执行在线预测流程。通过该第三预测模型(也可以称为心率检测模型)，可穿戴设备可以准确检测出用户在当前运动场景下的心率值。
[0259]
为了便于说明，这里将可穿戴设备检测出的心率值仍然描述为心率信息。这样，在分别采用第二预测模型和第三预测模型执行在线预测流程结束后，可以输出场景信息和心率信息。
[0260]
需要说明的是，本技术实施例提供的第三预测模型是采用深度attention网络，根据心率信息和运动场景信息训练得到的场景识别及心率检测模型，也就是说，本技术方案结合了运动场景信息和心率信息进行模型训练，可减少运动噪声，避免了运动伪影对心率检测准确度的影响，因此通过该第三预测模型输出的心率值更精准。
[0261]
其中，上述第二预测模型(即场景识别模型)的离线训练流程以及第三预测模型(即心率检测模型)的离线训练流程将在下文中详细描述，此处不予赘述。
[0262]
s405，显示心率和场景信息。
[0263]
其中，对于上述s405的描述具体可以参见上述第一实施例中对s104的详细描述，此处不再赘述。
[0264]
下面结合图7和图8分别说明第二实施例中模型离线训练流程和在线预测流程。
[0265]
图7为第二实施例中场景识别模型和心率检测模型的离线训练流程。如图7所示，模型离线训练流程包括步骤s501-s512。其中，采用深度神经网络进行离线训练得到场景识别模型，采用attention网络进行离线训练得到心率检测模型。
[0266]
s501，获取多场景样本数据。
[0267]
其中，多场景样本数据也称为多场景样本集。
[0268]
s502，将采集的所有样本数据进行整理，获得多路通道的ppg信号，acc三路传感器信号，心率标签数据和场景标签数据，构成离线数据集。
[0269]
s503，分别对ppg信号和acc信号进行fft变换，获取ppg信号的频谱和acc信号的频谱。
[0270]
s504，对ppg信号的频谱和acc信号的频谱进行滤波处理，滤除[0.7hz,4hz]之外的噪声数据，获取ppg有效频谱数据和acc有效频谱数据。
[0271]
此外，从多场景样本数据中获取运动场景标签数据和心率标签数据。
[0272]
其中，对于上述s501-s504的描述具体可以参见上述第一实施例中对s201-s204的详细描述，此处不再赘述。
[0273]
s505，利用ppg有效频谱数据和acc有效频谱数据(3)作为深度神经网络输入，运动标签数据(1)作为目标值，即运动场景信息作为输出，对深度神经网络进行训练，让深度神经网络学习如何识别多场景信息。
[0274]
本技术实施例采用深度attention学习机制，能识别多种运动场景，对场景和噪声进行相应的自适应拟合，不需要过多的数据预处理和人工经验参数的制定。
[0275]
s506，判断是否达到训练目标。
[0276]
若未达到训练目标，则继续执行步骤s507；若达到训练目标，则继续执行步骤s508。
[0277]
s507，通过交叉验证的方式调整s505中用于训练模型的参数，不断优化模型。
[0278]
在本技术实施例中，在没有达到训练目标的情况下，可以通过交叉验证的方式调整模型的参数，不断优化模型，直到达到训练目标为止，让深度神经网络学习如何识别多场景信息，达到复杂多场景下的信号消噪、信号融合和复杂场景识别的效果。
[0279]
s508，量化模型，输出模型文件。
[0280]
在本技术实施例中，采用深度神经网络进行离线训练，得到深度神经网络模型，该模型的输出任务为运动场景信息，因此该深度神经网络模型也可以称为场景识别模型。
[0281]
其中，可以将训练好的模型采用8bit或者16bit的参数进行量化，存储其网络结构信息和量化的参数数据。该操作能达到降低穿戴设备器件的存储空间和计算加速效果。
[0282]
以上是通过步骤s505-s508训练得到场景识别模型，下面是通过步骤s509-s512训练得到心率检测模型。
[0283]
s509，将运动场景标签数据(1)、ppg有效频谱数据和acc有效频谱数据(3)作为深度attention网络的输入，以及将心率标签数据(3)作为训练的目标值，即心率信息作为输出，指导attention网络学习利用对运动场景数据和传感器频域数据进行非线性自适应学习，训练attention网络的心率检测能力。
[0284]
在本技术实施例中，由于不同场景下的运动伪影噪声分布不同，因此本技术方案利用深度attention网络的端到端的训练方式，更大程度上拟合出场景、噪声以及心率之间的非线性关系，可以提升不同场景中心率检测的精确性。
[0285]
s510，判断是否达到训练目标。
[0286]
若未达到训练目标，则继续执行步骤s511；若达到训练目标，则继续执行步骤s512。
[0287]
s511，通过交叉验证的方式调整s510中用于训练模型的参数，不断优化模型。
[0288]
其中，可以通过调整网络(例如卷积神经元)的权重和偏差进行模型优化。
[0289]
在本技术实施例中，在没有达到训练目标的情况下，可以通过交叉验证的方式调
整模型的参数，不断优化模型，直到达到训练目标为止，让深度attention网络学习检测不同运动场景下的心率值。
[0290]
通过本技术方案，利用attention机制能够对场景信号的特点与噪声进行自适应拟合，能自适应地调整网络权重参数，并针对性地对各个场景下的运动伪影进行处理，提升了泛化能力。
[0291]
s512，量化模型，输出模型文件。
[0292]
在本技术实施例中，采用深度attention网络进行离线训练，得到深度attention模型，该模型的输出任务为心率值，因此该深度attention模型也可以称为心率检测模型。
[0293]
其中，可以将训练好的模型采用8bit或者16bit的参数进行量化，存储其网络结构信息和量化的参数数据。在模型量化之后，可穿戴设备的存储空间减小，整数类型的计算速度加快。因此，该操作能达到降低穿戴设备器件的存储空间和计算加速效果。
[0294]
下面将第一实施例中的模型离线训练流程与第二实施例中的模型离线训练流程进行比较，二者的不同之处在于：
[0295]
第一实施例中采用传感器频域信号作为attention网络的输入，运动场景信息和心率信息作为输出，所训练得到的attention网络模型具有场景识别功能和心率检测功能。
[0296]
第二实施例中采用传感器频域数据以及运动场景标签数据作为attention网络的输入，心率信息作为输出，所训练得到的attention网络模型具有心率检测功能。
[0297]
以上结合图7详细描述了采用深度神经网络进行离线训练得到场景识别模型，以及采用深度attention网络进行离线训练得到心率检测模型的流程，下面再结合图8详细描述采用训练得到的深度神经网络和attention网络进行在线预测的流程。如图8所示，该在线预测流程包括下述的步骤s601-s614。
[0298]
s601，模型初始化。
[0299]
其中，可穿戴设备启动心率检测模块，并加载预先保存的深度神经网络模型和深度attention模型的结构和参数，搭建前向推理流程。
[0300]
s602，实时采集ppg信号和acc信号。
[0301]
s603，判断是否满足采集完成条件。
[0302]
可穿戴设备采集同步且实时的ppg信号和acc信号，在满足采集完成条件之后，进入下一步流程s605，否则执行步骤s604，继续采集ppg信号和acc信号，直到满足采集完成条件为止。
[0303]
s605，分别对采集的ppg信号和acc信号进行fft变换，得到ppg信号的频谱和acc信号的频谱。
[0304]
s606，分别对ppg频域信号和acc频域信号进行带通滤波，得到ppg有效频谱数据和acc有效频谱数据。
[0305]
其中，本技术实施例可以不限定带通滤波和fft变换的执行顺序，例如可以先进行fft变换再进行带通滤波；当然还可以先进行带通滤波再进行fft变换。
[0306]
s607，确定传感器频域数据的前n个最高波峰的频域位置和幅值。
[0307]
其中，传感器频域数据包括ppg有效频谱数据和acc有效频谱数据。
[0308]
其中，n可以为正整数。示例性地，当n为3时，可穿戴设备可以确定ppg有效频谱数据的前3个最高波峰的频域位置和幅值，以及acc有效频谱数据的前3个最高波峰的频域位
置和幅值。
[0309]
在传感器频域数据的前n个最高波峰的频域位置和幅值中，ppg和acc频谱波峰的频域位置和幅值可以采用数组形式表示，例如[f
p
，a
p
，fa，aa]，以下称为峰值数组。
[0310]
通过本技术实施例训练得到的深度心率检测模型，可以结合fft前n峰数据记录和对比机制能够降低穿戴设备的计算功耗。
[0311]
s608，将传感器频域数据的前n个最高波峰的频域位置和幅值存储在数据缓存器中。
[0312]
在本技术实施例中，可穿戴设备可以设置有数据缓存器和标签缓存器。
[0313]
其中，数据缓存器可以是具有一定长度的先进先出缓存器，可以用于存储一定数量的峰值数组。标签缓存器可以用于存储采用模型进行心率检测得到心率值。
[0314]
s609，判断当前峰值数组是否在数据缓存器中出现过。
[0315]
一方面，若当前峰值数组在数据缓存器中出现过，说明预先已采用模型进行心率预测得到心率值，也就是说，当前峰值数组有对应的心率值，且对应的心率值存储在标签缓存器中，则继续执行下述步骤s610。
[0316]
另一方面，若当前峰值数组未在数据缓存器中出现过，说明当前峰值数组没有对应的心率值，需要采用模型进行心率预测，因此继续执行下述步骤s611，即采用深度attention网络模型前向推理，计算心率值。
[0317]
s611，当s609中判断当前数据未在数据缓存器中出现过时，将ppg和acc有效频谱数据作为神经网络模型的输入，利用深度神经网络模型识别当前的运动场景信息，并将运动场景信息传递给深度attention模型。
[0318]
s612，将所识别的运动场景信息、ppg和acc有效频谱数据作为深度attention模型的输入，深度attention模型前向推理，计算出当前场景下的心率值。
[0319]
通过本技术实施例训练得到的深度心率检测模型，可在实时预测阶段利用精简的量化模型加快计算速度。
[0320]
s613，将心率值和场景信息存储到标签存储器中。
[0321]
将心率值和场景信息存储到标签存储器中的作用在于：当判断峰值数组在数据缓存器中出现过时，说明预先已采用模型进行心率预测得到心率值，标签存储器中已存储对应的心率值和场景信息，因此可以直接读取标签存储器中存储的对应的心率值和场景信息，在此情况下无需再采用场景识别模型识别当前场景，也无需采用心率检测模型检测心率值。
[0322]
s614，将心率值和场景信息传送到可穿戴设备的ui界面进行展示。
[0323]
s610，当s609中判断当前峰值数组在数据缓存器中出现过时，读取标签存储器中存储的对应的心率值和场景信息。
[0324]
通过上述方案，利用数据缓存器并进行历史回顾的方式，能够避免重复计算，可降低穿戴设备的计算功耗。
[0325]
在执行s610之后，继续执行上述的步骤s614，即将心率值和场景信息传送到可穿戴设备的ui界面进行展示。
[0326]
在本技术实施例中，可穿戴设备可以进行心率预警等监控操作，并将场景信息传递给可穿戴设备的其他组件，这样能够根据实际使用需求，调节可穿戴设备的功耗以及可
穿戴设备的智能调光算法。
[0327]
下面将第二实施例中的模型在线预测流程与第一实施例中的模型在线预测流程进行比较，二者区别之处在于：
[0328]
第一实施例中将ppg和acc频域数据作为深度attention模型的输入，深度attention模型同时输出运动场景信息和心率信息，该模型具有场景识别功能和心率检测功能。
[0329]
第二实施例中将场景识别功能和心率检测功能进行拆分，先用深度神经网络模型进行场景信息识别，再将场景识别结果和传感器频域数据作为深度attention模型的输入，深度attention模型输出心率值。
[0330]
图9为本技术实施例提供的基于深度学习的心率检测方法应用的界面示意图。
[0331]
如图9中的(a)所示，当可穿戴设备11检测到佩戴可穿戴设备11的用户处于静息状态时，可穿戴设备11进行心率检测并显示检测结果：70次/分，静息。由此可见，本技术方案的心率检测结果可以包括心率和当前场景信息。当可穿戴设备11与终端设备12保持无线连接时，可穿戴设备11可以将心率检测结果发送给终端设备12，由终端设备12显示，供用户在终端设备12上查看。
[0332]
如图9中的(b)所示，当可穿戴设备11检测到用户处于步行运动状态时，可穿戴设备11进行心率检测并显示检测结果：85次/分，步行。由此可见，本技术方案的心率检测结果可以包括心率和当前场景信息。当可穿戴设备11与终端设备12保持无线连接时，可穿戴设备11可以将心率检测结果发送给终端设备12，由终端设备12显示，供用户在终端设备12上查看。
[0333]
如图9中的(c)所示，当可穿戴设备11检测到用户处于跑步运动状态时，可穿戴设备11进行心率检测并显示检测结果：120次/分，静息。由此可见，本技术方案的心率检测结果可以包括心率和当前场景信息。当可穿戴设备11与终端设备12保持无线连接时，可穿戴设备11可以将该心率检测结果发送给终端设备12，由终端设备12显示，供用户在终端设备12上查看。
[0334]
综上所述，本技术方案可以取得如下技术效果：
[0335]
一方面，深度attention网络通过注意力机制进行学习基于场景信息做不同的噪声消除操作，是一个动态的自适应模型，能够端到端地进行学习，可以在不同场景下自适应地实现数据的去噪处理和特征抽取。
[0336]
另一方面，深度attention学习机制能识别多种运动场景，对场景和噪声进行相应的自适应拟合，不需要过多的数据预处理和人工经验参数的制定。
[0337]
再一方面，本技术实施例提出的深度心率检测模型可在实时预测阶段利用精简的量化模型加快计算速度，同时结合fft前三峰数据记录和对比机制能够降低穿戴设备的计算功耗。
[0338]
需要说明的是，本技术实施例提供的方案还可以应用于诸如血压估计、血氧浓度计算等其它场景。如何进行血压估计或者血氧浓度计算，具体实施方式类似于上述第一实施例和第二实施例中通过深度attention网络模型进行心率检测的实施方式。
[0339]
也需要说明的是，在本技术实施例中，“大于”可以替换为“大于或等于”，“小于或等于”可以替换为“小于”，或者，“大于或等于”可以替换为“大于”，“小于”可以替换为“小于
或等于”。
[0340]
本文中描述的各个实施例可以为独立的方案，也可以根据内在逻辑进行组合，这些方案都落入本技术的保护范围中。
[0341]
可以理解的是，上述各个方法实施例中由可穿戴设备实现的方法和操作，也可以由可用于可穿戴设备的部件(例如芯片或者电路)实现。
[0342]
上文描述了本技术提供的方法实施例，下文将描述本技术提供的装置实施例。应理解，装置实施例的描述与方法实施例的描述相互对应，因此，未详细描述的内容可以参见上文方法实施例，为了简洁，这里不再赘述。
[0343]
上文主要从方法步骤的角度对本技术实施例提供的方案进行了描述。可以理解的是，为了实现上述功能，实施该方法的可穿戴设备包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本技术能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的保护范围。
[0344]
本技术实施例可以根据上述方法示例，对可穿戴设备进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本技术实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有其它可行的划分方式。下面以采用对应各个功能划分各个功能模块为例进行说明。
[0345]
图10为本技术实施例提供的基于深度学习的心率检测装置800的示意性框图。该装置800可以用于执行上文方法实施例中可穿戴设备所执行的动作。该装置800包括获取单元810、处理单元820和显示单元830。
[0346]
获取单元810，用于当用户佩戴可穿戴设备时，响应于心率检测命令，获取光电容积脉搏波ppg信号和加速度acc信号；
[0347]
处理单元820，用于根据所述acc信号对应的acc有效频谱数据、所述ppg信号对应的ppg有效频谱数据以及目标预测模型，获得心率和场景信息；
[0348]
显示单元830，用于在所述可穿戴设备的屏幕上显示所述心率和场景信息；
[0349]
其中，所述目标预测模型是以acc样本数据和ppg样本数据为输入，心率标签和运动场景标签为目标变量，通过深度注意力机制attention网络训练得到的模型，所述目标预测模型具有场景识别及心率预测功能。
[0350]
通过本方案，将ppg和acc传感器信号作为输入，将心率和运动场景信息作为模型输出，训练深度attention网络，并采用训练得到的模型进行心率检测。由于不同场景下的运动伪影噪声分布不同，利用深度attention网络学习机制，可拟合出场景、噪声以及心率之间的非线性关系，可以在不同场景下自适应地实现数据的去噪处理和特征抽取，达到复杂多场景下的信号消噪、信号融合和复杂场景识别的效果，从而消除运动伪影噪声对ppg信号的干扰，以提升心率检测的精准度。因此，本方案可解决ppg信号受运动伪影干扰引起心率检测结果不精准的问题。
[0351]
在一些可能实现方式中，该装置800还包括存储单元840。示例性地，存储单元840可以包括标签缓存器和数据缓存器。具体地，存储单元840可以用于：
[0352]
在获得心率和场景信息的情况下，将所述心率和场景信息记录于标签缓存器中；
[0353]
将与所述心率和场景信息对应的频谱峰点数据记录于数据缓存器中；
[0354]
其中，所述与所述心率和场景信息对应的频谱峰点数据包括ppg频谱峰点位置和幅值以及acc频谱峰点位置和幅值。
[0355]
通过本方案，可以在心率检测初期先跑模型，并将模型得到的心率和场景信息进行存储，并存储对应的ppg和acc频域数据的波峰位置和幅度值。然后在后期心率检测时可以在满足条件时直接调用这些存储数据，这样可以节省计算资源，降低延迟，可更快速地获取心率值。
[0356]
在一些可能实现方式中，获取单元810，具体用于：
[0357]
根据所述ppg有效频谱数据和所述acc有效频谱数据，获取前n个峰点频谱数据；
[0358]
若在所述数据缓存器中没有预先存储过所述前n个峰点频谱数据中的任一峰点频谱数据，则根据所述acc信号对应的acc有效频谱数据、所述ppg信号对应的ppg有效频谱数据以及所述目标预测模型，获得心率和场景信息；
[0359]
若在所述数据缓存器中预先存储过所述前n个峰点频谱数据中的任一峰点频谱数据，则从所述标签缓存器中读取与所述任一峰点频谱数据对应的心率和场景信息。
[0360]
通过本方案，可以分别求ppg和acc频域数据的前三个最高波峰的位置和幅度值。并检查当前数据是否在数据缓存器中出现过，如果没有出现则进入模型。若出现过，则读取标签缓存器中存储的对应的心率和场景信息。这样可以节省计算资源，降低延迟，可更快速地获取心率值。
[0361]
在一些可能实现方式中，处理单元820，具体用于：
[0362]
将所述acc有效频谱数据和所述ppg有效频谱数据输入第一预测模型，获得所述心率和场景信息；
[0363]
其中，所述目标预测模型为所述第一预测模型，所述第一预测模型是以acc样本数据和ppg样本数据为输入，心率标签和运动场景标签为目标变量，通过深度注意力机制attention网络训练得到的模型，所述第一预测模型具有场景识别及心率预测功能。
[0364]
上述方案提供了一种心率检测方案：将ppg和acc频域数据作为输入，同时输出运动场景信息和心率信息。这样，在实际实现时，可穿戴设备在检测心率时可以同时输出当前场景信息和心率值。本技术方案结合考虑了用户行为或运动状态，可以支持检测用户处于不同行为状态(例如静息状态，以及各种运动状态)时的心率值。本技术方案可以解决ppg信号在不同场景下受到的各种噪声干扰问题，实现在不同噪声场景下心率的有效检测。
[0365]
在另一些可能实现方式中，处理单元820，具体用于：
[0366]
将acc有效频谱数据输入第二预测模型，获得场景信息；其中，所述第二预测模型是以acc样本数据为输入，运动场景标签为目标变量，采用深度神经网络训练得到的模型，所述第二预测模型具有场景识别功能；
[0367]
将ppg有效频谱数据和所获得的场景信息输入第三预测模型，获得心率信息；其中，所述第三预测模型是以ppg样本数据、acc样本数据和运动场景标签为输入，心率标签为目标变量，采用深度attention网络训练得到的模型，所述第三预测模型具有心率检测功
signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field programmable gate array，fpga)或者其它可编程逻辑器件、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等。或者该处理器910采用一个或多个集成电路，用于执行相关程序，以实现本技术实施例所提供的技术方案。
[0383]
该存储器920可以包括只读存储器和随机存取存储器，并向处理器910提供指令和数据。处理器910的一部分还可以包括非易失性随机存取存储器。例如，处理器910还可以存储设备类型的信息。
[0384]
在可穿戴设备900运行时，处理器910执行存储器920中的计算机执行指令以执行上述方法的操作步骤。
[0385]
应理解，根据本技术实施例的可穿戴设备900可对应于本技术实施例中的装置800，可穿戴设备900中的处理器910可对应于装置800中的处理单元820，可穿戴设备900中的存储器920可对应于装置800中的存储单元840，可穿戴设备900中的通信接口930可对应于装置800中的收发单元850。装置800中的各个单元的上述和其它操作和/或功能分别用于实现上述方法的相应流程，为了简洁，在此不再赘述。
[0386]
可选地，在一些实施例中，本技术实施例还提供了一种计算机可读介质，该计算机可读介质存储有程序代码，当计算机程序代码在计算机上运行时，使得计算机执行上述各方面中的方法。
[0387]
可选地，在一些实施例中，本技术实施例还提供了一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当计算机程序代码在计算机上运行时，使得计算机执行上述各方面中的方法。
[0388]
在本技术实施例中，可穿戴设备包括硬件层、运行在硬件层之上的操作系统层，以及运行在操作系统层上的应用层。其中，硬件层可以包括中央处理器(central processing unit，cpu)、内存管理单元(memory management unit，mmu)和内存(也称为主存)等硬件。操作系统层的操作系统可以是任意一种或多种通过进程(process)实现业务处理的计算机操作系统，例如，linux操作系统、unix操作系统、android操作系统、ios操作系统或windows操作系统等。应用层可以包含浏览器、通讯录、文字处理软件、即时通信软件等应用。
[0389]
本技术实施例并未对本技术实施例提供的方法的执行主体的具体结构进行特别限定，只要能够通过运行记录有本技术实施例提供的方法的代码的程序，以根据本技术实施例提供的方法进行通信即可。例如，本技术实施例提供的方法的执行主体可以是可穿戴设备，或者，是可穿戴设备中能够调用程序并执行程序的功能模块。
[0390]
本技术的各个方面或特征可以实现成方法、装置或使用标准编程和/或工程技术的制品。本文中使用的术语“制品”可以涵盖可从任何计算机可读器件、载体或介质访问的计算机程序。例如，计算机可读介质可以包括但不限于：磁存储器件(例如，硬盘、软盘或磁带等)，光盘(例如，压缩盘(compact disc，cd)、数字通用盘(digital versatile disc，dvd)等)，智能卡和闪存器件(例如，可擦写可编程只读存储器(erasable programmable read-only memory，eprom)、卡、棒或钥匙驱动器等)。
[0391]
本文描述的各种存储介质可代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于：无线信道和能够存储、包含和/或承载
指令和/或数据的各种其它介质。
[0392]
应理解，本技术实施例中提及的处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field programmable gate array，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等。
[0393]
还应理解，本技术实施例中提及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)。例如，ram可以用作外部高速缓存。作为示例而非限定，ram可以包括如下多种形式：静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。
[0394]
需要说明的是，当处理器为通用处理器、dsp、asic、fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件时，存储器(存储模块)可以集成在处理器中。
[0395]
还需要说明的是，本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
[0396]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的保护范围。
[0397]
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，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0398]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。此外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0399]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目
的。
[0400]
另外，在本技术各个实施例中的各功能单元可以集成在一个单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0401]
所述功能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，本技术的技术方案本质上，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，可以以计算机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，该计算机软件产品包括若干指令，该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)执行本技术各个实施例所述方法的全部或部分步骤。前述的存储介质可以包括但不限于：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0402]
除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。
[0403]
以上所述，仅为本技术的具体实施方式，但本技术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技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：

1.一种基于深度学习的心率检测方法，其特征在于，包括：当用户佩戴可穿戴设备时，响应于心率检测命令，获取光电容积脉搏波ppg信号和加速度acc信号；根据所述acc信号对应的acc有效频谱数据、所述ppg信号对应的ppg有效频谱数据以及目标预测模型，获得心率和场景信息；在所述可穿戴设备的屏幕上显示所述心率和场景信息；其中，所述目标预测模型是以acc样本数据和ppg样本数据为输入，心率标签和运动场景标签为目标变量，通过深度注意力机制attention网络训练得到的模型，所述目标预测模型具有场景识别及心率预测功能。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在获得心率和场景信息的情况下，将所述心率和场景信息记录于标签缓存器中；将与所述心率和场景信息对应的频谱峰点数据记录于数据缓存器中；其中，所述与所述心率和场景信息对应的频谱峰点数据包括ppg频谱峰点位置和幅值以及acc频谱峰点位置和幅值。3.根据权利要求2所述的方法，其特征在于，所述根据所述acc信号对应的acc有效频谱数据、所述ppg信号对应的ppg有效频谱数据以及目标预测模型，获得心率和场景信息，包括：根据所述ppg有效频谱数据和所述acc有效频谱数据，获取前n个峰点频谱数据；若在所述数据缓存器中没有预先存储过所述前n个峰点频谱数据中的任一峰点频谱数据，则根据所述acc信号对应的acc有效频谱数据、所述ppg信号对应的ppg有效频谱数据以及所述目标预测模型，获得心率和场景信息；若在所述数据缓存器中预先存储过所述前n个峰点频谱数据中的任一峰点频谱数据，则从所述标签缓存器中读取与所述任一峰点频谱数据对应的心率和场景信息。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述acc信号对应的acc有效频谱数据、所述ppg信号对应的ppg有效频谱数据以及目标预测模型，获得心率和场景信息，包括：将所述acc有效频谱数据和所述ppg有效频谱数据输入第一预测模型，获得所述心率和场景信息；其中，所述目标预测模型为所述第一预测模型，所述第一预测模型是以acc样本数据和ppg样本数据为输入，心率标签和运动场景标签为目标变量，通过深度注意力机制attention网络训练得到的模型，所述第一预测模型具有场景识别及心率预测功能。5.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述acc信号对应的acc有效频谱数据、所述ppg信号对应的ppg有效频谱数据以及目标预测模型，获得心率和场景信息，包括：将acc有效频谱数据输入第二预测模型，获得场景信息；其中，所述第二预测模型是以acc样本数据为输入，运动场景标签为目标变量，采用深度神经网络训练得到的模型，所述第二预测模型具有场景识别功能；将ppg有效频谱数据和所获得的场景信息输入第三预测模型，获得心率信息；其中，所述第三预测模型是以ppg样本数据、acc样本数据和运动场景标签为输入，心率标签为目标
变量，采用深度attention网络训练得到的模型，所述第三预测模型具有心率检测功能；其中，所述目标预测模型包括所述第二预测模型和所述第三预测模型。6.根据权利要求1至5中任一项所述的方法，其特征在于，在所述获取ppg信号和acc信号之后，所述方法还包括：对所述acc信号和所述ppg信号分别进行第一预处理，得到acc有效频谱数据和ppg有效频谱数据；其中，所述第一预处理包括快速傅里叶变换fft和滤波处理。7.根据权利要求1至6中任一项所述的方法，其特征在于，所述获取ppg信号和acc信号，包括：通过ppg传感器采集所述ppg信号，以及通过加速度传感器采集所述acc信号。8.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：将所述心率和场景信息发送给终端设备，所述终端设备为与所述可穿戴设备无线连接的电子设备；在所述终端设备的屏幕上显示所述心率和场景信息。9.一种训练用于检测心率的模型的方法，其特征在于，包括：获取多场景样本集，所述多场景样本集为基于多种运动场景检测得到的数据样本集合；从所述多场景样本集中提取acc样本数据、ppg样本数据和心率标签；以所述acc样本数据和所述ppg样本数据为输入，所述心率标签和运动场景标签为目标变量，通过深度注意力机制attention网络进行训练；获得第一预测模型，所述第一预测模型具有场景识别及心率预测功能。10.根据权利要求9所述的方法，其特征在于，所述以所述acc样本数据和所述ppg样本数据为输入，所述心率标签和运动场景标签为目标变量，通过深度attention网络进行训练，包括：通过交叉验证的方式调整模型的参数，使得所述模型学习预测不同运动场景下的心率信息。11.根据权利要求9或10所述的方法，其特征在于，所述获取多场景样本集，包括：将可穿戴设备和心率带设备接入数据采集模块；当佩戴所述可穿戴设备和所述心率带设备的用户进行第一运动时，所述数据采集模块获取所述可穿戴设备的第一心率检测数据和所述心率带设备的第二心率检测数据；当所述用户进行第二运动时，所述数据采集模块获取所述可穿戴设备的第三心率检测数据和所述心率带设备的第四心率检测数据；其中，所述第一运动和所述第二运动分别为所述运动场景标签指示的运动，所述多场景样本集包括所述第一心率检测数据、所述第二心率检测数据、所述第三心率检测数据和所述第四心率检测数据。12.根据权利要求11所述的方法，其特征在于，所述从所述多场景样本集中提取acc样本数据、ppg样本数据，包括：从所述可穿戴设备的检测数据中提取所述acc样本数据和所述ppg样本数据；其中，所述可穿戴设备的检测数据包括所述第一心率检测数据和所述第三心率检测数
据。13.根据权利要求11所述的方法，其特征在于，所述从所述多场景样本集中提取心率标签，包括：从所述心率带设备的检测数据中提取所述心率标签；其中，所述心率带设备的检测数据包括所述第二心率检测数据和所述第四心率检测数据。14.根据权利要求9至13中任一项所述的方法，其特征在于，在从所述多场景样本集中提取acc样本数据、ppg样本数据和心率标签之后，所述方法还包括：对所述acc样本数据和所述ppg样本数据进行快速傅里叶变换fft和滤波处理，得到滤波后的acc样本数据和ppg样本数据；其中，以所述acc样本数据和所述ppg样本数据为输入，所述心率标签和运动场景标签为目标变量，通过深度attention网络进行训练，包括：以滤波后的acc样本数据和ppg样本数据为输入，所述心率标签和运动场景标签为目标变量，通过所述深度attention网络进行训练。15.根据权利要求14所述的方法，其特征在于，所述滤波处理用于将频谱中的[0.7hz，4hz]之外的噪声数据进行滤除。16.根据权利要求9至15中任一项所述的方法，其特征在于，在所述获得第一预测模型之后，所述方法还包括：采用预设量化参数对所述第一预测模型进行量化，得到量化后的第一预测模型。17.一种训练用于检测心率的模型的方法，其特征在于，包括：获取多场景样本集，所述多场景样本集为基于多种运动场景检测得到的数据样本集合；从所述多场景样本集中提取acc样本数据、ppg样本数据和心率标签；以所述acc样本数据、所述ppg样本数据和运动场景标签为输入，所述心率标签为目标变量，通过深度注意力机制attention网络进行训练；获得第三预测模型，所述第三预测模型具有心率预测功能。18.根据权利要求17所述的方法，其特征在于，所述方法还包括：以所述acc样本数据和所述ppg样本数据为输入，所述运动场景标签为目标变量，通过深度神经网络进行训练，获得第二预测模型，所述第二预测模型具有场景识别功能。19.根据权利要求17或18所述的方法，其特征在于，所述以所述acc样本数据、所述ppg样本数据和运动场景标签为输入，所述心率标签为目标变量，通过深度attention网络进行训练，包括：通过交叉验证的方式调整attention网络模型的参数，使得所述attention网络模型学习预测不同运动场景下的心率信息。20.根据权利要求17至19中任一项所述的方法，其特征在于，所述获取多场景样本集，包括：将可穿戴设备和心率带设备接入数据采集模块；当佩戴所述可穿戴设备和所述心率带设备的用户进行第一运动时，所述数据采集模块获取所述可穿戴设备的第一心率检测数据和所述心率带设备的第二心率检测数据；
当所述用户进行第二运动时，所述数据采集模块获取所述可穿戴设备的第三心率检测数据和所述心率带设备的第四心率检测数据；其中，所述第一运动和所述第二运动分别为所述运动场景标签指示的运动，所述多场景样本集包括所述第一心率检测数据、所述第二心率检测数据、所述第三心率检测数据和所述第四心率检测数据。21.根据权利要求20所述的方法，其特征在于，所述从所述多场景样本集中提取acc样本数据和ppg样本数据，包括：从所述可穿戴设备的检测数据中提取所述acc样本数据和所述ppg样本数据；其中，所述可穿戴设备的检测数据包括所述第一心率检测数据和所述第三心率检测数据。22.根据权利要求20所述的方法，其特征在于，所述从所述多场景样本集中提取心率标签，包括：从所述心率带设备的检测数据中提取所述心率标签；其中，所述心率带设备的检测数据包括所述第二心率检测数据和所述第四心率检测数据。23.根据权利要求17至22中任一项所述的方法，其特征在于，在从所述多场景样本集中提取acc样本数据、ppg样本数据和心率标签之后，所述方法还包括：对所述acc样本数据和所述ppg样本数据进行快速傅里叶变换fft和滤波处理，得到滤波后的acc样本数据和ppg样本数据；其中，以所述acc样本数据、所述ppg样本数据和运动场景标签为输入，所述心率标签为目标变量，通过深度attention网络进行训练，包括：以滤波后的acc样本数据和ppg样本数据，以及运动场景标签为输入，所述心率标签为目标变量，通过所述深度attention网络进行训练。24.根据权利要求23所述的方法，其特征在于，所述滤波处理用于将所述acc样本数据和所述ppg样本数据对应的频谱数据中[0.7hz，4hz]之外的噪声数据滤除。25.根据权利要求17至24中任一项所述的方法，其特征在于，在所述获得第三预测模型之后，所述方法还包括：采用预设量化参数对所述第三预测模型进行量化，得到量化后的第三预测模型。26.一种可穿戴设备，其特征在于，包括处理器，所述处理器与存储器耦合，所述处理器用于执行所述存储器中存储的计算机程序或指令，以使得所述可穿戴设备实现如权利要求1至25中任一项所述的方法。27.一种芯片，其特征在于，所述芯片与存储器耦合，所述芯片用于读取并执行所述存储器中存储的计算机程序，以实现如权利要求1至25中任一项所述的方法。28.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序在可穿戴设备上运行时，使得所述可穿戴设备执行如权利要求1至25中任一项所述的方法。

技术总结

本申请提供了一种基于深度学习的心率检测方法及可穿戴设备，涉及通信技术领域。通过本方案，将PPG和ACC传感器信号作为输入，将心率和运动场景信息作为模型输出，训练深度Attention网络，并采用训练得到的模型进行心率检测。由于不同场景下的运动伪影噪声分布不同，利用深度Attention网络学习机制，可拟合出场景、噪声以及心率之间的非线性关系，可以在不同场景下自适应地实现数据的去噪处理和特征抽取，达到复杂多场景下的信号消噪、信号融合和复杂场景识别的效果，从而消除运动伪影噪声对PPG信号的干扰，以提升心率检测的精准度。因此，本方案可解决PPG信号受运动伪影干扰引起心率检测结果不精准的问题。起心率检测结果不精准的问题。起心率检测结果不精准的问题。