本技术介绍了一种创新的心率监测系统,该系统利用深度学习模型实现心率的自校准功能。系统通过数据采集模块收集ECG信号、多波段PPG信号以及加速度信号,随后通过数据处理模块对这些数据进行分析和处理,以实现精准的心率监测。
背景技术
当前,智能手表、手环等可穿戴设备已广泛具备心率监测功能,这些设备大多采用光电体积描记法(PPG)进行脉率检测。PPG方法通过发射绿光、红光或红外光,并检测血液对光的吸收和反射变化,来推测动脉的搏动频率。然而,波长较长的红外光虽然能够增加光的穿透深度,但光源的光强却相对较弱,导致信号在获取时更加不稳定和不明显。
通常情况下,脉率和心率的频率相同,PPG方法可以提供一定的参考值。然而,在某些特殊情况下,如心脏异常或早搏等,脉率和心率可能存在显著差异。这种差异可能导致设备误报或漏报心率异常。脉搏变化是心脏跳动的外在表现,但脉率并不总是与心率一致。例如,在心房颤动时,心率可能高达每分钟 120 次,而脉率仅为每分钟 90 次。传统基于 PPG的设备难以检测此类复杂的心脏问题,尤其在脉搏微弱或血流量变化不明显时,再加上环境光干扰、运动状态和皮肤特性等因素,PPG 测量心率的精度往往不如ECG信号检测设备,尤其在复杂生理条件下,测量结果容易出现较大偏差。
现有可穿戴运动设备可以通过PPG方法测量心率信号,也可用手捏着手表电极端测量ECG心电信号,但是PPG方法由于不是直接监测心脏跳动情况,且ECG信号的R波与PPG信号的脉搏波之间有时间延迟(脉搏波传导时间,PTT),存在较大的误差;而且ECG方法的测量方式较为复杂,且测量环境要求较高,一般要求被测对象处于静止状态,无法实现连续的监测。因此,对于可穿戴设备,心率监测功能的准确性与连续性之间存在一定矛盾。
实现思路