[發明專利]一種運動偽影去除方法、裝置、存儲介質及電子設備

有效

• 申請號: 202211022189.5
• 申請日: 2022-08-25
• 公開（公告）號: CN115120217B
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 高碩;陳君亮;趙子賀;劉勇;王嘉琪;張弛;許文雋;康夢田;王寧利
• 申請（專利權）人: 首都醫科大學附屬北京同仁醫院;北京航空航天大學
• 主分類號: A61B5/024
• 分類號: A61B5/024;A61B5/11;A61B5/00
• 代理公司: 北京聿宏知識產權代理有限公司 11372
• 代理人: 鄭哲琦;吳昊

1.一種運動偽影去除方法，其特征在于，應用于配置有PPG傳感器的可穿戴設備，所述方法包括：

獲取PPG傳感器檢測的目標用戶的心率信息和運動姿態數據；

通過訓練好的深度學習模型去除所述心率信息中的運動偽影，得到去除運動偽影后的目標基準心率信息，其中，所述深度學習模型表征心率信息、運動姿態數據與去除運動偽影后的基準心率信息之間的關系；

其中所述深度學習模型的訓練步驟，包括：

獲取多個用戶的原始心率信息，所述原始心率信息包括通過PPG傳感器檢測的心率信息；

在獲取多個用戶的原始心率信息的同時，分別確定各用戶手腕部位的運動姿態數據；

分別獲取各用戶的去除運動偽影后的基準心率信息，包括：

獲取用戶在靜止狀態下的第一心率信息，所述第一心率信息包括通過PPG傳感器檢測的心率信息；

獲取所述用戶在運動狀態下的第二心率信息，所述第二心率信息包括通過心率帶檢測的心率信息；

根據所述第二心率信息的頻率對所述第一心率信息的頻率進行調整，得到頻率調整后的第一心率信息；

將所述頻率調整后的第一心率信息確定為所述用戶的基準心率信息；

分別根據各用戶的所述原始心率信息、所述運動姿態數據以及所述基準心率信息對所述深度學習模型進行訓練，得到所述訓練好的深度學習模型。

2.根據權利要求1所述的方法，其特征在于，所述深度學習模型，包括：

生成對抗網絡模型。

3.根據權利要求1所述的方法，其特征在于，所述分別確定各用戶手腕部位的運動姿態數據，包括：

獲取用戶的三軸加速度數據、三軸陀螺儀數據以及三軸磁力計數據；

根據所述三軸加速度數據、三軸陀螺儀數據以及三軸磁力計數據，通過預設算法確定所述用戶手腕部位的運動姿態數據，其中所述運動姿態數據以四元數的形式表示。

4.根據權利要求1所述的方法，其特征在于，所述獲取多個用戶的原始心率信息包括：

獲取多個用戶在運動狀態和/或靜止狀態下的原始心率信息，其中，每個用戶包括一條或多條在運動狀態和/或靜止狀態下的原始心率信息。

5.一種運動偽影去除裝置，其特征在于，包括：

獲取模塊，用于獲取目標用戶的心率信息和運動姿態數據；

去除模塊，用于通過訓練好的深度學習模型去除所述心率信息中的運動偽影，得到去除運動偽影后的目標基準心率信息，其中，所述深度學習模型表征心率信息、運動姿態數據與去除運動偽影后的基準心率信息之間的關系；

其中所述深度學習模型的訓練步驟，包括：

獲取多個用戶的原始心率信息，所述原始心率信息包括通過PPG傳感器檢測的心率信息；

在獲取多個用戶的原始心率信息的同時，分別確定各用戶手腕部位的運動姿態數據；

分別獲取各用戶的去除運動偽影后的基準心率信息，包括：

獲取用戶在靜止狀態下的第一心率信息，所述第一心率信息包括通過PPG傳感器檢測的心率信息；

獲取所述用戶在運動狀態下的第二心率信息，所述第二心率信息包括通過心率帶檢測的心率信息；

根據所述第二心率信息的頻率對所述第一心率信息的頻率進行調整，得到頻率調整后的第一心率信息；

將所述頻率調整后的第一心率信息確定為所述用戶的基準心率信息；

分別根據各用戶的所述原始心率信息、所述運動姿態數據以及所述基準心率信息對所述深度學習模型進行訓練，得到所述訓練好的深度學習模型。

6.一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存儲的計算機程序，當被一個或多個處理器執行時，實現如權利要求1~4中任一項所述的方法。

7.一種電子設備，其特征在于，包括存儲器和一個或多個處理器，所述存儲器上存儲有計算機程序，所述存儲器和所述一個或多個處理器之間互相通信連接，當所述計算機程序被所述一個或多個處理器執行時，執行如權利要求1~4中任一項所述的方法。

8.一種可穿戴設備，其特征在于，包括：

權利要求7所述的電子設備；

PPG傳感器，用于檢測的目標用戶的心率信息和運動姿態數據。