心冲击图(Ballistocardiograms,BCG)是一种记录心脏泵血对身体产生的微弱反作用力的非侵入式心脏监测技术。它能够获得包含丰富生命体征信息的BCG信号,此外,其非直接接触性和易操作性使得BCG技术更适合对心脏的日常监测。当前,随着生活水平的不断改善,越来越多的人开始关注自身的心脏健康问题,更加舒适、便捷和精确的心率监测技术成为了人们日益迫切的需求。因此,在现有BCG信号的研究基础上,本文以方法选择和特征提取两个层面为着手点主要研究BCG信号心率估计的深度学习方法。在方法选择层面,通过有监督的回归和分类方法能够利用更多的信息指导模型的构建,从而有效提升BCG信号的心率估计性能。在特征提取层面,深度学习方法能够充分挖掘数据中的潜在信息获得更具表征能力的BCG信号特征;此外,在目标函数中引入恰当的正则项能够提升模型对数据中特定信息的表示能力。本文的主要内容可分为以下几个部分:(1)本文提出了一种基于双向LSTM(Long Short Term Memory,LSTM)回归的BCG信号心率估计方法(Bi-LSTM),以改善BCG信号的心率估计性能。该方法创新性地将深度回归的思想引入BCG信号的心率估计中,直接通过双向LSTM网络和全连接网络建立从BCG信号到心率的端到端映射模型,以减少中间步骤降低人工成本。此外,我们通过在BCG数据样本的构造中引入心率先验来选择更优的模型参数以进一步提升心率估计性能。实验结果表明,我们提出的方法能够有效降低心率估计误差,并具有良好的稳定性。(2)本文提出了一种基于GRU(Gated Recurrent Unit,GRU)和后验概率稀疏正则的BCG心率估计方法(GRU-SPP),通过对先验信息的充分利用,在提升单人训练中BCG信号的心率估计性能的同时,解决现有方法在多人训练中泛化性能较差的问题。该方法将心跳检测与心率估计问题转换成有监督的分类问题,首先利用BCG样本的构造解决了心跳精确标记的问题,然后通过多层GRU网络和全连接网络充分挖掘心跳信号的时序和波形特征,最终结合该时空信息进行心跳分类与心率估计。此外,我们在目标函数中引入后验概率稀疏正则以提升模型的泛化性能、加速模型的训练进程。通过实验结果可以看出,我们提出的方法不仅进一步提升了单人训练中心率估计精度,还能在多人训练中取得较好的心率估计结果;此外,该方法也对数据的扰动表现出较强的鲁棒性。(3)本文提出了一种跨模态BCG心率估计的一维CNN(Convolutional Neural Network,CNN)方法(1D-CNN),以降低心跳检测的难度,从而进一步提升BCG信号心率估计性能。该方法借鉴信号增强的思想,创新性地将深度回归的方法引入心跳检测中来,利用深度的一维卷积神经网络构建从BCG信号到心跳脉冲信号的跨模态映射模型,这不仅极大地降低了心跳检测与心率估计的难度,而且降低了数据标注的人工成本。实验结果表明,它进一步提升了BCG信号的心率估计性能,并且具有易于优化、鲁棒性强的优点。