[發明專利]呼吸信號檢測方法、裝置及計算機可讀存儲介質

在審

• 申請號: 201910020803.6
• 申請日: 2019-01-09
• 公開（公告）號: CN109464147A
• 公開（公告）日: 2019-03-15
• 發明（設計）人: 韓璧丞;黃家萃;羅培彬;蕭凱中;李瑩儒;楊釗祎;楊錦陳;張雷;高遠
• 申請（專利權）人: 浙江強腦科技有限公司
• 主分類號: A61B5/08
• 分類號: A61B5/08;A61B5/0402;A61B5/04
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 胡海國

1.一種呼吸信號檢測方法，其特征在于，所述方法包括以下步驟：

獲取待檢測心電信號；

對所述待檢測心電信號進行特征提取，得到所述待檢測心電信號的特征向量；

根據所述待檢測心電信號的特征向量以及預先訓練完成的受限玻爾茲曼機RBM神經網絡模型，分析所述待檢測心電信號，以從所述待檢測心電信號中檢測出呼吸信號。

2.如權利要求1所述的呼吸信號檢測方法，其特征在于，所述獲取待檢測心電信號的步驟之前，包括：

獲取用于訓練RBM神經網絡模型的心電信號；

對所述用于訓練RBM神經網絡模型的心電信號進行特征提取，得到所述心電信號的特征向量；

生成所述心電信號的特征向量構成的用于訓練RBM神經網絡模型的心電信號樣本；

根據所述心電信號樣本，訓練RBM神經網絡模型。

3.如權利要求2所述的呼吸信號檢測方法，其特征在于，所述根據所述心電信號樣本，訓練RBM神經網絡模型的步驟包括：

構建RBM神經網絡結構；

根據所述心電信號樣本，逐一訓練所述RBM神經網絡結構的每一層RBM神經網絡，以確定每一層RBM神經網絡的參數，得到訓練完成的RBM神經網絡模型。

4.如權利要求3所述的呼吸信號檢測方法，其特征在于，所述每一層RBM神經網絡包括可見層和隱藏層，所述每一層RBM神經網絡的參數包括所述可見層和隱藏層之間的權重矩陣、可見層中可見節點的偏移量和隱藏層中隱藏節點的偏移量。

5.如權利要求1所述的呼吸信號檢測方法，其特征在于，所述根據所述待檢測心電信號的特征向量以及預先訓練完成的RBM神經網絡模型，分析所述待檢測心電信號，以從所述待檢測心電信號中檢測出呼吸信號的步驟包括：

將所述待檢測心電信號的特征向量，代入預先訓練完成的RBM神經網絡模型，以對所述待檢測心電信號進行降維和聚類，得到若干個群組；

對所述若干個群組進行頻譜分析，以從所述若干個群組中確定呼吸信號。

6.如權利要求5所述的呼吸信號檢測方法，其特征在于，所述對所述若干個群組進行頻譜分析，以從所述若干個群組中確定呼吸信號的步驟包括：

分別對各個群組進行傅里葉變換，得到各個群組對應的峰值頻率；

將各個群組對應的峰值頻率與預存參考呼吸信號的峰值頻率進行比對；

將峰值頻率與預存參考呼吸信號的峰值頻率匹配的群組，確定為呼吸信號。

7.如權利要求2所述的呼吸信號檢測方法，其特征在于，所述根據所述心電信號樣本，訓練RBM神經網絡模型的步驟之后，包括：

判斷訓練完成的RBM神經網絡模型的成熟度是否滿足預設條件；

若所述訓練完成的RBM神經網絡模型的成熟度滿足預設條件，則獲取待檢測心電信號。

8.如權利要求1至7中任一項所述的呼吸信號檢測方法，其特征在于，所述方法還包括：

將所述待檢測心電信號與所述用于訓練RBM神經網絡模型的心電信號進行合并，用以更新用于訓練RBM神經網絡模型的心電信號樣本；

根據更新的心電信號樣本，對所述RBM神經網絡模型進行進一步的訓練。

9.一種呼吸信號檢測裝置，其特征在于，所述呼吸信號檢測裝置包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的呼吸信號檢測程序，所述呼吸信號檢測程序被所述處理器執行時實現如權利要求1至8中任一項所述的呼吸信號檢測方法的步驟。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有呼吸信號檢測程序，所述呼吸信號檢測程序被處理器執行時實現如權利要求1至8中任一項所述的呼吸信號檢測方法的步驟。