自20世纪80年代以来,心率检测一直是生物医学实践的研究对象。记录心率的方法包括心电图分析、超声心动图检查等。这些监测方案准确可靠,但需要电极或心脏探头与人体之间的紧密接触,因此需要医疗专家进行专业的操作,这将给受试者带来不便并为受试者造成一定的心理压力。心冲击图（Ballistocardiogram,BCG）是记录每个心跳周期内,血液流动所产生身体运动的信号波形。基于BCG的心率检测方法不需要人体与传感器直接接触,并且可以由非专家操作,是一种长期居家监测的理想方法。然而,与其他临床心脏诊断方法相比,外界的干扰和噪声等因素更容易影响BCG信号,使得在BCG信号中准确地提取心率信息仍然具有挑战性。目前已出现基于深度学习方法进行心率检测的研究,这类方法能够自主学习BCG信号中的特征,准确地提取信号中所需要获取的信息。然而,目前出现的使用深度学习方法进行心率检测的网络模型参数量都非常大且计算效率较低,无法应用于计算能力与内存有限的设备之中。针对以上问题,本文使用不同场景的BCG数据进行实验,提出了基于U-Net的IJK波形转换方法,进一步设计了轻量级网络模型进行心率检测,本文主要由以下三个部分进行介绍:首先,针对BCG公开数据集缺少的问题,在实验室采集了二十四名健康受试者的短期BCG数据、将医院采集的老年人睡眠数据作为长期BCG数据,并且通过模拟生成BCG的方法,生成不同信噪比的BCG。其次,为了简化心率检测任务,提出了基于BCG的J峰转换算法。利用U-Net网络对BCG中的主要波峰进行还原,将BCG原始波形转化为以J峰为中心的新波形,并且讨论了转换后IJK波形中IK间期的持续时间对心率检测产生的影响。相对于直接对J峰进行二分类的方式,转化后的IJK波形能够更好地反映心跳位置,为准确地进行心率检测奠定了基础。最后,为了适应计算资源有限的设备,针对网络模型参数量过多与计算量过大的问题,本文设计了轻量级的网络模型进行心率检测。该模型以自底向上的方式压缩了U-Net的卷积层结构,得到浅层的对称神经网络作为基本骨架。并且基于多轻量级策略融合与轻量级网络设计准则,设计了轻量级的网络模块,加快了网络的运行速度。为了进一步提高准确率,设计多尺度稠密残差模块,并使用自适应权重分配的方法对分配通道特征权重。最后,将轻量级网络输出的IJK波形进行后处理,利用搜索区域内最值的方法高效定位心跳并进行心率估计。所提出的轻量级网络模型在仅损失少量精度的同时,极大地提高了运行速度、压缩了网络结构,在不同信噪比的数据上仍能够表现出较佳的性能。综上所述,本文提出了基于BCG的IJK波形的转换算法,能够简化在BCG中进行心率检测的问题。并且基于该转换算法,提出了使用轻量级网络模型高效地将BCG波形转化为IJK波形,以进一步实现心率检测,提出的轻量级卷积神经网络能够应用在计算资源有限的设备中,为在配置要求较高的设备中提取心率信息提供了理论基础。