近年来,常常有人遇到各种突发状况,导致心脏骤停而猝死。据不完全统计,全球每年约有600万人因心脏骤停而猝死,其中我国因心脏骤停而猝死人数将近60万。胸外按压作为基本的紧急救助措施,要求施救者的动作有较高的准确度,以获得良好的急救效果,同时也要避免因为按压不规范,给患者造成的二次伤害。传统胸外按压动作是否标准的判断的方法,主要是在测量按压深度的动态过程中实现的。当前精准测量深度的方法有超声波测距、激光测距和红外测距等。有研究表明,使用微型仪表进行按压深度测量,利用加速度传感器数值的二次积分法是行之有效的。结合数据采集和实验结果发现,当某物体进行规律的往复运动时,会采集到有规律的加速度波形数据。当胸外按压的动作规范并且符合急救标准时,波形的相似性较高;当按压距离差距的误差超过5mm时,波形与标准距离波形进行对比,会具有较为明显的差异;当按压过程中出现较大抖动或者按压间歇过长时,其波形显示与标准波形也存在着明显差异,这说明其波形信号的识别分类过程具有可学习的特征,可以利用人工智能的方法进行学习并分类,并且依据分类情况对物体往复运动的距离进行评估。本文的主要工作和创新点包括:1.本研究进行了充分考虑,在实际的按压过程中,需要在短时间内对患者进行连续多次按压,这样就会存在测距遮挡、抖动等问题,这将导致难以获得大量高可信度的数据标签。针对此问题,提出一种基于加权方差的弱监督学习策略。可以结合Soft Max分类器构建了一维卷积神经网络,对按压波形进行分类,并使用Adam优化算法、Dropout和L2正则化、学习率衰减等方法对模型进行优化,并借此对胸外心脏按压的动作标是否准进行智能判断。2.传统的胸外按压动作是否标准的判断方法,多数基于加速度的二次积分法或其改进,本研究将从积分计算的角度,分析积分误差产生的原因,并给出合理的积分误差补偿依据。主要是依据采样频率,利用连续的三个按压加速的采样数据,采用中值计算与中间值对比的方法,分析波形曲线的凹凸性,进一步判断此采样段是正误差还是负误差,并通过理论推导给出具体的误差补偿依据。在传统基于加速的二次积分的计算按压深度的基础上进行优化,进而来提高胸外按压动作标准判断的正确率。