CN113558584A - 一种基于信号质量评估的脉搏波预处理方法 - Google Patents
一种基于信号质量评估的脉搏波预处理方法 Download PDFInfo
- Publication number
- CN113558584A CN113558584A CN202110693033.9A CN202110693033A CN113558584A CN 113558584 A CN113558584 A CN 113558584A CN 202110693033 A CN202110693033 A CN 202110693033A CN 113558584 A CN113558584 A CN 113558584A
- Authority
- CN
- China
- Prior art keywords
- signal
- pulse wave
- wave signal
- information
- amplitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000007781 pre-processing Methods 0.000 title claims abstract description 20
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 89
- 238000001514 detection method Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 229920006395 saturated elastomer Polymers 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000001303 quality assessment method Methods 0.000 claims 9
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 21
- 230000000877 morphologic effect Effects 0.000 abstract description 7
- 230000001788 irregular Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 206010011224 Cough Diseases 0.000 description 3
- 206010044565 Tremor Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000002321 radial artery Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4854—Diagnosis based on concepts of alternative medicine, e.g. homeopathy or non-orthodox
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/684—Indicating the position of the sensor on the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Alternative & Traditional Medicine (AREA)
- Cardiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于信号质量评估的脉搏波预处理方法，所述方法可以根据采集到的脉搏波信号的波形特征信息、幅度特征信息以及周期差异信息及时调整脉象传感器的摆放位置或者参数，从而减少了获取到无效的脉搏波信号的概率。解决了现有技术中将脉象传感器采集到的脉搏波信号均作为可用脉搏波信号用于生成脉诊结果，忽略了采集到的脉搏波信号中存在一些形态畸形的脉搏波信号，从而导致脉诊结果不准确。
Description
技术领域
本发明涉及信号处理领域，尤其涉及的是一种基于信号质量评估的脉搏波预处理方法。
背景技术
计算机辅助脉诊需要借助脉象传感器获取脉搏信号，然而脉象传感器获取的脉搏信号是一种微弱的生理信号，并且经常受到外部环境、人体和电路系统的干扰。当这些干扰导致采集到的脉搏波信号产生形态畸变，形态畸变严重的脉搏波信号甚至完全不能用于后续确定脉诊结果。然而目前在对脉象传感器采集到的脉搏波信号进行处理时，默认脉象传感器采集到的脉搏波信号均为可用脉搏波信号，从而导致最后脉诊结果不准确。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于信号质量评估的脉搏波预处理方法，旨在解决现有技术中将脉象传感器采集到的脉搏波信号均作为可用脉搏波信号用于生成脉诊结果，忽略了采集到的脉搏波信号中存在一些形态畸形的脉搏波信号，从而导致脉诊结果不准确。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种基于信号质量评估的脉搏波预处理方法，其中，所述方法包括：
获取原始脉搏波信号的波形特征信息，根据所述波形特征信息调节脉象传感器的位置信息，并根据调节后的所述脉象传感器的位置信息，获取第一脉搏波信号；所述波形特征信息用于反映所述脉搏波信号中全部周期的幅值变化规律；
获取所述第一脉搏波信号的幅度特征信息，根据所述幅度特征信息调节所述脉象传感器的参数信息，并根据调节后的所述脉象传感器的参数信息，获取第二脉搏波信号；所述幅度特征信息用于反映所述第一脉搏波信号在时域上的幅值的强度信息；
获取所述第二脉搏波信号的周期差异信息，根据所述周期差异信息对所述第二脉搏波信号进行处理；所述周期差异信息用于反映所述第二脉搏波信号中单个周期之间在幅值变化上的差异信息。
本发明的有益效果：本发明实施例可以根据采集到的脉搏波信号的波形特征信息、幅度特征信息以及周期差异信息及时调整脉象传感器的摆放位置或者参数，从而减少了获取到无效的脉搏波信号的概率。解决了现有技术中将脉象传感器采集到的脉搏波信号均作为可用脉搏波信号用于生成脉诊结果，忽略了采集到的脉搏波信号中存在一些形态畸形的脉搏波信号，从而导致脉诊结果不准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于信号质量评估的脉搏波预处理方法的流程示意图。
图2是本发明实施例提供的采集得到目标脉搏波信号的流程示意图。
图3是本发明实施例提供的进行周期分割的流程示意图。
图4是本发明实施例提供的对单周期数据进行归一化处理的算法参考图。
图5是本发明实施例提供的对第二周期信号进行边采集边检测的流程示意图。
图6是本发明实施例提供的五种类型的脉搏波信号分别对应的时域描述图像。
图7是本发明实施例提供的饱和信号对应的时域描述图像。
图8是本发明实施例提供的全局波形异常信号对应的时域描述图像和频域描述图像。
图9是本发明实施例提供的正常脉搏波信号对应的时域描述图像和频域描述图像。
图10是本发明实施例提供的局部波形异常信号和正常脉搏波信号分别对应的时域描述图像。
图11是本发明实施例提供部波形异常信号和正常脉搏波信号分别对应的展示单周期集合的聚集度的图像。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
随着图形处理单元(GPU)硬件计算力和深度学习算法的发展，人工智能(Artificial Intelligence，AI)在图像数据、语音等方面的识别准确度越来越高。可穿戴智能设备和医疗设备获得的人体健康信息也可被深度学习算法处理，用以辅助诊断和预防疾病，比如脉搏波、心电图、组织切片图等。其中，脉诊是中国传统中医的重要组成部分，计算机辅助脉诊有利于解决传统中医脉诊的客观性和标准化问题。
计算机辅助脉诊需要借助脉象传感器获取脉搏信号，然而脉象传感器获取的脉搏信号是一种微弱的生理信号，并且经常受到外部环境、人体和电路系统的影响，导致包含多种噪声源产生的低频和高频噪声。其中，干扰因素主要有以下三点：
1)由50HZ交流供电电源引起的高频干扰噪声；
2)由于身体抖动(如咳嗽、肢体运动)、肌肉颤抖、说话等原因引起的不规则噪声；
3)人体呼吸产生的肺部活动会在皮肤表面产生低频呼吸波，被压力脉象传感器采集到以后，会在原始信号中形成基线漂移。
这些干扰因素会产生一些影响后续分析精度的形态畸变，甚至导致脉象传感器采集到的脉搏波信号不可用。然而目前在对采集到的脉搏波信号进行处理时，默认信号均为可用脉搏波信号，忽略了采集到的脉搏波信号中存在一些形态畸形的脉搏波信号，从而导致脉诊结果不准确。
针对现有技术的上述缺陷，本发明提供了一种基于信号质量评估的脉搏波预处理方法，所述方法可以根据采集到的脉搏波信号的波形特征信息、幅度特征信息以及周期差异信息及时调整脉象传感器的摆放位置或者参数，从而减少了获取到无效的脉搏波信号的概率。解决了现有技术中将脉象传感器采集到的脉搏波信号均作为可用脉搏波信号用于生成脉诊结果，忽略了采集到的脉搏波信号中存在一些形态畸形的脉搏波信号，从而导致脉诊结果不准确。
如图1所示，本实施例提供一种基于信号质量评估的脉搏波预处理方法，所述方法包括如下步骤：
步骤S100、获取原始脉搏波信号的波形特征信息，根据所述波形特征信息调节脉象传感器的位置信息，并根据调节后的所述脉象传感器的位置信息，获取第一脉搏波信号；所述波形特征信息用于反映所述脉搏波信号中全部周期的幅值变化规律。
具体地，本实施例在初始阶段获取到脉搏波信号时，首先需要获取所述脉搏波信号的波形特征信息，所述波形特征信息用于反映所述脉搏波信号中全部周期的幅值变化规律。根据所述波形特征信息可以判断出采集脉搏波信号的脉象传感器的摆放位置是否正确。在实际应用过程中，脉象传感器是通过对桡动脉管施加不同压力采集到脉搏波博动力，进而生成脉搏波信号，而脉象传感器的摆放位置不同采集到的脉搏波信号也会不同，错误地摆放脉象传感器甚至会导致采集到完全异常的脉搏波信号。因此，如图2所示，本实施例首先需要根据脉搏波信号的波形特征信息确定脉象传感器的摆放位置是否正确，当摆放位置错误时对脉象传感器的位置信息进行调节后，重新采集用户的脉搏波信号，得到第一脉搏波信号。
在一种实现方式中，所述步骤S100具体包括如下步骤：
步骤S110、获取预设的截取时长数据和原始脉搏波信号，根据所述截取时长数据对所述原始脉搏波信号进行截取，得到检测信号段；
步骤S120、获取所述检测信号段的频域描述图像数据，根据所述频域描述图像数据获取所述检测信号段对应的幅度最大值出现的区间信息，并将所述区间信息作为所述波形特征信息；所述频域描述图像数据为反映脉搏波信号的幅值随频率变化的关系图像数据；
步骤S130、将所述区间信息与标准区间信息进行比较，当所述区间信息位于所述预设的标准区间信息之外时，确定所述脉搏波信号为全局波形异常信号；
步骤S140、对所述脉象传感器的摆放位置进行调节，并根据调节后的所述脉象传感器的位置信息，第一脉搏波信号。
本实施例需要在尽可能短的时间内及时检测出脉象传感器摆放位置错误的情况。在一种实现方式中，为了加快对脉搏波信号的处理速度，还可以对原始的脉搏波信号进行每隔预设数量点重新采样的操作，构建一个长度比原始的脉搏波信号长度更短的脉搏波信号，然后再对得到的短的该脉搏波信号进行处理。举例说明，可以对原始的脉搏波信号每隔10个点重新采一次样，构建出一个长度只有原始的脉搏波信号1/10长度的脉搏波信号。
首先，本实施例会根据预设的截取时长数据对原始脉搏波信号进行截取，得到检测信号段。举例说明，所述截取时长数据可以设置为3秒，即计算机只需要通过对长度为3秒的检测信号段来判断采集的脉搏波信号是否异常，进而判断出脉象传感器的摆放位置是否异常，从而大大缩短检测时长。具体地，为了判断出采集的脉搏波信号是否异常，本实施例还需要获取所述检测信号段的频域描述图像数据，然后根据所述频域描述图像数据获取所述检测信号段的幅度最大值出现的区间信息。举例说明，如图8和图9所示，正常脉搏波信号的频域描述图像数据与异常脉搏波信号的频域描述图像数据中幅值随频率变化的规律明显不同。具体而言，正常的脉搏波信号具有与心跳对应的变化规律，所以正常脉搏波信号的频域描述图像数据中幅度最大值出现的区间与心跳频率相符。在一种实现方式中，本实施例可以根据一般人的心率范围设定标准区间为0.9-2.5HZ，当所述检测信号段的幅度最大值出现的区间与标准区间相符时，则判断采集到的脉搏波信号是正常的。而当所述检测信号段的幅度最大值出现的区间位于标准区间之外时，则判断采集到的脉搏波信号是全局波形异常信号，即波形整体异常的信号。在一种实现方式中，由于异常的脉搏波信号种类多样，有些异常的脉搏波信号的幅度最大值出现的区间也会与标准区间相符，为了降低误判率，因此本实施例还需要对脉搏波信号的幅度最大值出现的位置信息增加一个约束条件。简单来说，如图8和图9所示，对于异常的脉搏波信号来讲，其幅度最大值出现的区间在横坐标上会越靠近零点，即最小频率的幅值最大，原因是异常的脉搏波信号通常是相对平滑的信号，具有不规则的高频噪声。因此本实施例在判断出所述区间信息位于所述预设的标准区间信息之内时，根据所述频域描述图像数据确定所述检测信号段的幅度最大值对应的频率值。然后根据所述频域描述图像数据确定所述检测信号段的频率最小值，并将所述检测信号段的幅度最大值对应的频率值与所述频率最小值进行比较，当所述检测信号段的幅度最大值对应的频率值与所述频率最小值相等时，确定所述脉搏波信号为全局波形异常信号。
由于全局波形异常信号通常是由于脉象传感器的摆放位置错误造成的，因此本实施例在判断出采集到的脉搏波信号为全局波形异常信号时，为了获取到有效的脉搏波信号，需要对脉象传感器的摆放位置进行调节后重新采集脉搏波信号，得到第一脉搏波信号。
可以理解的是，若根据原始脉搏波信号的波形特征信息判断出所述原始脉搏波信号为正常的脉搏波信号，则不需要对脉象传感器的摆放位置进行调节，也不需要重新采集脉搏波信号，所述原始脉搏波信号可以进入下一个检测阶段。
如图1所示，所述方法还包括如下步骤：
步骤S200、获取所述第一脉搏波信号的幅度特征信息，根据所述幅度特征信息调节所述脉象传感器的参数信息，并根据调节后的所述脉象传感器的参数信息，获取第二脉搏波信号；所述幅度特征信息用于反映所述第一脉搏波信号在时域上的幅值的强度信息。
具体地，除了在采集脉搏波信号的初始阶段会出现采集到形态畸变的脉搏波信号之外，在采集脉搏波信号的中间阶段中也有可能会采集到形态畸变的脉搏波信号，从而导致采集到质量较差的脉搏波信号，进而对后续的脉诊结果的准确性产生影响。因此，本实施例还需要获取所述第一脉搏波信号的幅度特征信息，通过幅度特征信息判断所述脉象传感器的参数信息设置的是否合理，例如所述脉象传感器的采集压力或者电压等参数信息，当判断出脉象传感器的参数信息有问题时，及时对参数信息进行调节，然后重新采集用户的脉搏波信号，得到第二脉搏波信号，以减少采集到形态畸变的脉搏波信号的概率。
在一种实现方式中，所述步骤S200具体包括如下步骤：
步骤S210、获取所述第一脉搏波信号的时域描述图像数据，并获取所述时域描述图像数据中的幅度最大值以及幅度最小值，得到所述第一脉搏波信号的幅度特征信息；所述时域描述图像数据为反映所述脉搏波信号的幅值随时间变化的关系图像数据；
步骤S220、将所述时域描述图像数据中幅值与所述幅值最大值的差距小于第一阈值的采样点作为波峰点，并将所述时域描述图像数据中幅值与所述幅值最小值的差距小于所述第一阈值的采样点作为波谷点；
步骤S230、根据所述波峰点和所述波谷点确定所述脉搏波信号为幅度异常信号，并根据所述幅度异常信号对应的信号类型调节所述脉象传感器的参数信息；所述幅度异常信号为所述波峰点和所述波谷点的特征信息与标准脉搏波信号不同的信号；
步骤S240、根据调节后的所述脉象传感器的参数信息，获取第二脉搏波信号。
具体地，为了获取所述第一脉搏波信号的幅度特征信息，本实施例需要首先获取所述第一脉搏波信号对应的时域描述图像数据，并在所述时域描述图像数据中确定波峰点和波谷点，可以理解的是，时域描述图像数据中有可能存在多个波峰点和多个波谷点，波峰点之间/波谷点之间对应的幅值也并非严格相等，因此在判定波峰点和波谷点时，不能采用严格的判别标准。所以本实施例设置了第一阈值，作为判定波峰点和波谷点的标准(根据对数据库中饱和信号的统计，可以将所述第一阈值设置为10)。具体地，将所述时域描述图像数据中幅值与所述幅值最大值的差距小于第一阈值的采样点作为波峰点，并将所述时域描述图像数据中幅值与所述幅值最小值的差距小于所述第一阈值的采样点作为波谷点。之后，根据所述波峰点和所述波谷点可以确定脉搏波信号的幅度是否异常，并同时确定脉搏波信号对应的幅度异常信号的信号类型。并根据确定出的信号类型对所述脉象传感器的参数信息进行调节后重新采集到第二脉搏波信号。
在一种实现方式中，幅度异常信号的信号类型有很多种，为了确定脉搏波信号对应的幅度异常信号的信号类型，本实施例还需要在所述时域描述图像数据中获取所述波峰点的时域位置信息，根据所述波峰点的时域位置信息确定所述脉搏波信号的幅值达到波峰值的持续时长数据，得到波峰持续时长数据，所述波峰值为所述波峰点的幅值。并且还需要在所述时域描述图像数据中获取所述波谷点的时域位置信息，根据所述波谷点的时域位置信息确定所述脉搏波信号的幅值达到波谷值的持续时长数据，得到波谷持续时长数据，所述波谷值为所述波谷点的幅值。然后将所述波峰持续时长数据和所述波谷持续时长数据分别与第二阈值进行比较，当所述波谷持续时长数据或者所述波谷持续时长数据大于所述第二阈值，确定所述第一脉搏波信号对应的幅度异常信号类型为饱和信号。举例说明，如图6或者图7所示，与正常的脉搏波信号相比，饱和信号在时域描述图像数据上有明显的特征，即脉搏波信号达到了幅值最大值或者幅值最小值，并且这种状态会持续一定的时长。换言之，在时域描述图像数据中，连续多个点达到幅值最大值或者幅值最小值时，表示脉搏波信号已出现饱和状态。脉搏波信号出现饱和状态的直接原因是因为信号的电压值超出了模数转换器的转换上限和下限，根本原因是由于采样压力过大。并且饱和信号对于局部信息的丢失是不可逆的，虽然可以通过拟合的或者估计的方法对信号进行补偿，但是在采集时应该尽量避免采集到饱和信号。因此当判断所述第一脉搏波信号为饱和信号时，可以对所述脉象传感器的参数信息中的采样压力值进行调节，避免后续采集到的脉搏波信号再出现信号饱和的情况。
在一种实现方式中，还可以在所述时域描述图像数据中计算波峰值与波谷值的差值，其中，所述波峰值为所述波峰点的幅值，所述波谷值为所述波谷点的幅值。然后，将所述波峰值与所述波谷值的差值和第三阈值进行比较，当所述波峰值与所述波谷值的差值小于或者等于所述第三阈值时，确定所述第一脉搏波信号对应的幅度异常信号类型为幅值过小信号。举例说明，如图6所示，幅度过小信号的时域描述图像数据中波谷点与波峰点在幅值方向的垂直距离过小，因此对幅度过小信号的判别需要至少有一个完整的周期。幅度过小信号难以判断脉搏波的变化趋势，使得波峰点和波谷点这类关键区域变得难以识别或者丢失，从而导致有效信号强度不足，最终也会造成采集的脉搏波信号不可用。由于脉搏波信号的幅值强度可以通过提高脉象传感器对应的电机的电压值来增强，因此当判断出所述第一脉搏波信号为幅度过小信号时，可以对所述脉象传感器的参数信息中的电压值进行调节，调节完毕后重新采集用户的脉搏波信号，得到第二脉搏波信号。
可以理解的是，若所述第一脉搏波信号判断为正常的脉搏波信号，则不需要对脉象传感器的参数信息中的电压值进行调节，也不需要重新采集用户的脉搏波信号，所述第一脉搏波信号可以进入下一个检测环节。
如图1所示，所述方法还包括如下步骤：
步骤S300、获取所述第二脉搏波信号的周期差异信息，根据所述周期差异信息对所述第二脉搏波信号进行处理；所述周期差异信息用于反映所述第二脉搏波信号中单个周期之间在幅值变化上的差异信息。
具体地，由于脉搏波信号在采集的过程中，也有可能会受到不规则噪声的影响，例如由于身体抖动(如咳嗽、肢体运动)、肌肉颤抖、说话等原因引起的不规则噪声，又或者是由于人体呼吸产生的肺部活动会在皮肤表面产生低频呼吸波，被脉象传感器采集到以后，在脉搏波信号中形成基线漂移。可以理解的是，脉搏波信号是一种周期信号，即幅度值存在周期性变化的信号，因此这类不规则噪声有可能影响到脉搏波信号中的少数周期，从而形成局部异常的脉搏波信号；也有可能会影响到脉搏波信号中的大部分周期，从而导致采集到的脉搏波信号完全异常。因此本实施例需要获取所述第二脉搏波信号的周期差异信息，根据所述周期差异信息确定第二脉搏波信号单个周期之间在幅值变化上的差异信息，进而判断其受不规则噪声干扰的程度，并确定相应的处理方法。
在一种实现方式中，所述步骤S300具体包括如下步骤：
步骤S310、在所述时域描述图像数据中，以所述波峰点作为分割点对所述第二脉搏波信号进行分割，得到若干个单周期数据；
步骤S320、将所述若干个单周期数据中每一个单周期数据轮流作为第一信号，将除所述第一信号之外的单周期数据作为第二信号；
步骤S330、获取所述第一信号和所述第二信号的方差信息，根据所述方差信息生成所述第二脉搏波信号的周期差异信息；
步骤S340、根据所述周期差异信息确定所述第二脉搏波信号为波形异常信号，并根据所述波形异常信号对应的信号类型对所述第二脉搏波信号进行处理。
具体地，如图5所示，本实施例对第二脉搏波信号的检测是持续性的，即边采集边检测。可以理解的是，正常的脉搏波信号，其不同周期之间在形态上的相似程度是极高的，即正常的脉搏波信号的幅值变化是规则地周期性变化。而对于局部受损的脉搏波信号而言，其受不规则噪声干扰的周期与其他周期在形态上肯定会有所差异。举例说明，如图10和图11所示，异常脉搏波信号单周期长度差异性较大，周期之间在形态上的聚集度也不高，整体分布较为发散。而对于正常脉搏波信号而言，大部分单周期在形态上和长度上都比较一致，少数位于干扰处的信号段有明显的离群现象。因此本实施例需要利用第二脉搏波信号中单个周期之间在幅值变化上的差异信息来判断第二脉搏波信号局部受不规则噪声影响的程度。
为了获取第二脉搏波信号的周期差异信息，本实施例需要对第二脉搏波信号按照步骤S310的方法进行周期分割，得到若干个单周期数据。由于波峰点具有易于检测和准确性高的特性，因此本实施例使用波峰点作为分割点可以提高检测算法的实时性。然后获取每一个单周期数据与其他单周期数据之间的方差信息，并根据这些方差信息生成所述第二脉搏波信号的周期差异信息。
具体地，本实施例需要根据所述第一信号和所述第二信号之间的方差信息计算所述第一信号和所述第二信号之间的相关性系数，得到所述第一信号对应的相关性系数集合，然后将所述若干个单周期数据中每一个单周期数据的所述相关性系数集合作为所述第二脉搏波信号的周期差异信息。在一种实现方式中，由于单周期数据之间存在长度差异，直接对各个单周期数据之间的距离进行计算是不现实的。因此，如图3和图4所示，在计算相关性系数之前，可以先对各个单周期数据进行归一化操作，使之具有相同的长度。简言之，本实施例使用相关性系数来度量不同单周期数据之间的相似程度，并以此作为脉搏波信号的周期差异信息。举例说明，假设需要度量周期X和周期Y的相似程度，则计算周期X和周期Y的相关性系数的算法如下所示：
其中，r表示周期X和周期Y的相关性系数；σ表示信号的方差信息，
和
分别为信号X和Y的幅度值的均值。可以理解的是，如果脉搏波信号有n个周期，则每个周期都会有n-1个不同的相关性系数r，这n-1个不同的相关性系数r即组成该周期对应的相关性系数集合。并且r∈[-1，1]。当r越接近于1，表示周期X和周期Y的相似程度越高。
在一种实现方式中，在计算单周期数据之间的相似性系数之前，还可以对单周期数据进行初步筛选操作，以去除一些长度过长或者过短的周期。具体地，由于脉搏波信号是一种生理信号，因此脉搏波信号中的每一个单周期数据的长度并不会完全相等，本实施例使用变量ξT来表示差异容许范围，Tp表示脉搏波信号的平均周期长度，可以得到每个单周期数据的长度限制：
Tp-ξT≤T≤Tp+ξT
本实施例将获得的每一个单周期数据的相关性系数集合作为所述第二脉搏波信号的周期差异信息。完全异常的脉搏波信号绝大部分周期的相关性系数都远离1。局部异常的脉搏波信号的受干扰周期与其他正常周期之间的相关性系数远离1，而其它正常周期之间的相关性系数都接近1。因此本实施例利用相关系数的数值和分布，就可以确定第二脉搏波信号是否异常，并确定其对应的波形异常信号的信号类型。
具体地，本实施例会预先设置一个相关性系数阈值，用于判断每一个单周期数据与其他单周期数据之间的相似程度。并计算每一个单周期数据的相关性系数集合中数值大于所述相关性系数阈值的相关性系数的个数比例。然后获取第一比例阈值，当所述个数比例小于所述第一比例阈值时，确定所述相关性系数集合对应的单周期数据为异常周期数据。再计算所述异常周期数据的数量占所述单周期数据的总数量的比例，得到异常周期数量比例，然后获取第二比例阈值，当所述异常周期数量比例大于所述第二比例阈值时，确定所述第二脉搏波信号为全局波形异常信号。举例说明，令Rx＝{ri|i＝1,...,n-1}表示周期X的相关性系数集合，定义一个参数Cx，用来表示集合Rx中相似性系数大于相关性系数阈值θ1的个数比例：
可以理解的是，若X是一个异常周期，则Cx的数值较低；若X是一个正常周期，则Cx的数值较高。当Cx的个数在该相关性系数集合中的比例小于一定阈值时，表示该相关性系数集合对应的单周期与其他绝大多数单周期的相似度低，则该单周期为异常周期。当脉搏波信号中异常周期占周期总数量的比例大于一定阈值的时候，则说明该脉搏波信号中的异常周期过多，则该脉搏波信号被判定为全局波形异常信号，是无效信号，因此将所述第二脉搏波信号删除，并重新采集用户的脉搏波信号。
在一种实现方式中，当所述异常周期数量比例小于或者等于所述第二比例阈值时，表示第二脉搏波信号中虽然存在异常周期，但是数量不算太多，只有局部的周期出现异常。然而由于正常信号中也有可能出现极少的异常周期，因此本实施例还需要将所述异常周期数量比例与第三比例阈值进行比较，所述第三比例阈值小于所述第二比例阈值，通过第三比例阈值判断第二脉搏波信号是正常的信号还是局部受损的信号。当所述异常周期数量比例大于所述第三比例阈值时，表示第二脉搏波信号受到一定程度的干扰，存在一定数量的异常周期信号，因此判定所述第二脉搏波信号为波形异常信号，且具体为局部波形异常信号，例如采集者出现咳嗽等原因都可能导致这种情况发生。为了确保后续获得准确的脉诊结果，本实施例需要确定所述局部波形异常信号对应的干扰因素，并排除所述干扰因素，然后重新采集用户的脉搏波信号，得到目标脉搏波信号。在一种实现方式中，当确定第二脉搏波信号为局部波形异常信号时，可以基于得到的波形差异信息定位出受到干扰的异常周期，并将该部分异常周期去除后得到目标脉搏波信号。
总的来讲，本实施例在采集到目标脉搏波之前，已经排除了传感器的摆放位置错误、压力过大、电压过小以及采集过程存在干扰等问题，因此最终采集到的目标脉搏波信号具有较强的周期性，且大部分周期之间在幅值强度和持续时长上也有较好的一致性。而且在幅值方向上，强度也保持了较为合理的范围，既不会因为过小导致幅值方向的分辨率不足，也不会因为过大而导致有效信息丢失。因此可以将目标脉搏波信号进行保存，用于后续计算机辅助脉诊。
综上所述，本发明公开了一种基于信号质量评估的脉搏波预处理方法，本发明可以根据采集到的脉搏波信号的波形特征信息、幅度特征信息以及周期差异信息及时调整脉象传感器的摆放位置或者参数，从而减少了获取到无效的脉搏波信号的概率。解决了现有技术中将脉象传感器采集到的脉搏波信号均作为可用脉搏波信号用于生成脉诊结果，忽略了采集到的脉搏波信号中存在一些形态畸形的脉搏波信号，从而导致脉诊结果不准确。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于信号质量评估的脉搏波预处理方法，其特征在于，所述方法包括：
获取原始脉搏波信号的波形特征信息，根据所述波形特征信息调节脉象传感器的位置信息，并根据调节后的所述脉象传感器的位置信息，获取第一脉搏波信号；所述波形特征信息用于反映所述脉搏波信号中全部周期的幅值变化规律；
获取所述第一脉搏波信号的幅度特征信息，根据所述幅度特征信息调节所述脉象传感器的参数信息，并根据调节后的所述脉象传感器的参数信息，获取第二脉搏波信号；所述幅度特征信息用于反映所述第一脉搏波信号在时域上的幅值的强度信息；
获取所述第二脉搏波信号的周期差异信息，根据所述周期差异信息对所述第二脉搏波信号进行处理；所述周期差异信息用于反映所述第二脉搏波信号中单个周期之间在幅值变化上的差异信息。
2.根据权利要求1所述的一种基于信号质量评估的脉搏波预处理方法，其特征在于，所述获取原始脉搏波信号的波形特征信息，根据所述波形特征信息调节脉象传感器的位置信息，并根据调节后的所述脉象传感器的位置信息，获取第一脉搏波信号，包括：
获取预设的截取时长数据和原始脉搏波信号，根据所述截取时长数据对所述原始脉搏波信号进行截取，得到检测信号段；
获取所述检测信号段的频域描述图像数据，根据所述频域描述图像数据获取所述检测信号段对应的幅度最大值出现的区间信息，并将所述区间信息作为所述波形特征信息；所述频域描述图像数据为反映脉搏波信号的幅值随频率变化的关系图像数据；
将所述区间信息与标准区间信息进行比较，当所述区间信息位于所述预设的标准区间信息之外时，确定所述脉搏波信号为全局波形异常信号；
对所述脉象传感器的位置信息进行调节，并根据调节后的所述脉象传感器的位置信息，获取第一脉搏波信号。
3.根据权利要求2所述的一种基于信号质量评估的脉搏波预处理方法，其特征在于，所述获取原始脉搏波信号的波形特征信息，根据所述波形特征信息调节脉象传感器的位置信息，并根据调节后的所述脉象传感器的位置信息，获取第一脉搏波信号，还包括：
当所述区间信息位于所述预设的标准区间信息之内时，根据所述频域描述图像数据确定所述检测信号段的幅度最大值对应的频率值；
根据所述频域描述图像数据确定所述检测信号段的频率最小值，并将所述检测信号段的幅度最大值对应的频率值与所述频率最小值进行比较；
当所述检测信号段的幅度最大值对应的频率值与所述频率最小值相等时，确定所述脉搏波信号为全局波形异常信号。
4.根据权利要求1所述的一种基于信号质量评估的脉搏波预处理方法，其特征在于，所述获取所述第一脉搏波信号的幅度特征信息，根据所述幅度特征信息调节所述脉象传感器的参数信息，并根据调节后的所述脉象传感器的参数信息，获取第二脉搏波信号，包括：
获取所述第一脉搏波信号的时域描述图像数据，并获取所述时域描述图像数据中的幅度最大值以及幅度最小值，得到所述第一脉搏波信号的幅度特征信息；所述时域描述图像数据为反映所述脉搏波信号的幅值随时间变化的关系图像数据；
将所述时域描述图像数据中幅值与所述幅值最大值的差距小于第一阈值的采样点作为波峰点，并将所述时域描述图像数据中幅值与所述幅值最小值的差距小于所述第一阈值的采样点作为波谷点；
根据所述波峰点和所述波谷点确定所述脉搏波信号为幅度异常信号，并根据所述幅度异常信号对应的信号类型调节所述脉象传感器的参数信息；所述幅度异常信号为所述波峰点和所述波谷点的特征信息与标准脉搏波信号不同的信号；
根据调节后的所述脉象传感器的参数信息，获取第二脉搏波信号。
5.根据权利要求4所述的一种基于信号质量评估的脉搏波预处理方法，其特征在于，所述脉象传感器的参数信息包括：采样压力值；所述幅度异常信号的信号类型包括：饱和信号；所述根据所述波峰点和所述波谷点确定所述脉搏波信号为幅度异常信号，并根据所述幅度异常信号对应的信号类型调节所述脉象传感器的参数信息，包括：
在所述时域描述图像数据中获取所述波峰点的时域位置信息，根据所述波峰点的时域位置信息确定所述脉搏波信号的幅值达到波峰值的持续时长数据，得到波峰持续时长数据；所述波峰值为所述波峰点的幅值；
在所述时域描述图像数据中获取所述波谷点的时域位置信息，根据所述波谷点的时域位置信息确定所述脉搏波信号的幅值达到波谷值的持续时长数据，得到波谷持续时长数据；所述波谷值为所述波谷点的幅值；
将所述波峰持续时长数据和所述波谷持续时长数据分别与第二阈值进行比较，当所述波谷持续时长数据或者所述波谷持续时长数据大于所述第二阈值，确定所述第一脉搏波信号为饱和信号；
对所述脉象传感器的采样压力值进行调节。
6.根据权利要求4所述的一种基于信号质量评估的脉搏波预处理方法，其特征在于，所述脉象传感器的参数信息包括：所述脉象传感器的电压值；所述幅度异常信号的信号类型包括：幅值过小信号；所述根据所述波峰点和所述波谷点确定所述脉搏波信号为幅度异常信号，并根据所述幅度异常信号对应的信号类型调节所述脉象传感器的参数信息，还包括：
在所述时域描述图像数据中计算波峰值与波谷值的差值；所述波峰值为所述波峰点的幅值；所述波谷值为所述波谷点的幅值；
将所述波峰值与所述波谷值的差值和第三阈值进行比较，当所述波峰值与所述波谷值的差值小于或者等于所述第三阈值时，确定所述第一脉搏波信号为幅值过小信号；
对所述脉象传感器的电压值进行调节。
7.根据权利要求4所述的一种基于信号质量评估的脉搏波预处理方法，其特征在于，所述获取所述第二脉搏波信号的周期差异信息，根据所述周期差异信息对所述第二脉搏波信号进行处理，包括：
在所述时域描述图像数据中，以所述波峰点作为分割点对所述第二脉搏波信号进行分割，得到若干个单周期数据；
将所述若干个单周期数据中每一个单周期数据轮流作为第一信号，将除所述第一信号之外的单周期数据作为第二信号；
获取所述第一信号和所述第二信号的方差信息，根据所述方差信息生成所述第二脉搏波信号的周期差异信息；
根据所述周期差异信息确定所述第二脉搏波信号为波形异常信号，并根据所述波形异常信号对应的信号类型对所述第二脉搏波信号进行处理。
8.根据权利要求7所述的一种基于信号质量评估的脉搏波预处理方法，其特征在于，所述获取所述第一信号和所述第二信号的方差信息，根据所述方差信息生成所述第二脉搏波信号的周期差异信息，包括：
获取所述第一信号和所述第二信号的方差信息，根据所述方差信息计算所述第一信号和所述第二信号之间的相关性系数，得到所述第一信号对应的相关性系数集合；
将所述若干个单周期数据中每一个单周期数据的所述相关性系数集合作为所述第二脉搏波信号的周期差异信息。
9.根据权利要求7所述的一种基于信号质量评估的脉搏波预处理方法，其特征在于，所述波形异常信号的信号类型包括：全局波形异常信号；所述根据所述周期差异信息确定所述第二脉搏波信号为波形异常信号，并根据所述波形异常信号对应的信号类型对所述第二脉搏波信号进行处理，包括：
获取预设的相关性系数阈值，计算所述相关性系数集合中数值大于所述相关性系数阈值的相关性系数的个数比例；
获取第一比例阈值，当所述个数比例小于所述第一比例阈值时，确定所述相关性系数集合对应的单周期数据为异常周期数据；
计算所述异常周期数据的数量占所述单周期数据的总数量的比例，得到异常周期数量比例；
获取第二比例阈值，当所述异常周期数量比例大于所述第二比例阈值时，确定所述第二脉搏波信号为全局波形异常信号；
将所述第二脉搏波信号删除，并重新采集用户的脉搏波信号。
10.根据权利要求9所述的一种基于信号质量评估的脉搏波预处理方法，其特征在于，所述波形异常信号的信号类型还包括：局部波形异常信号；所述根据所述周期差异信息确定所述第二脉搏波信号为波形异常信号，并根据所述波形异常信号对应的信号类型对所述第二脉搏波信号进行处理，还包括：
当所述异常周期数量比例小于或者等于所述第二比例阈值时，将所述异常周期数量比例与第三比例阈值进行比较；所述第三比例阈值小于所述第二比例阈值；
当所述异常周期数量比例大于所述第三比例阈值时，确定所述第二脉搏波信号对应的波形异常信号类型为局部波形异常信号；
确定所述局部波形异常信号对应的干扰因素，并排除所述干扰因素；
重新采集用户的脉搏波信号，得到目标脉搏波信号，并将所述目标脉搏波信号进行保存。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110693033.9A CN113558584B (zh) | 2021-06-22 | 2021-06-22 | 一种基于信号质量评估的脉搏波预处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110693033.9A CN113558584B (zh) | 2021-06-22 | 2021-06-22 | 一种基于信号质量评估的脉搏波预处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113558584A true CN113558584A (zh) | 2021-10-29 |
| CN113558584B CN113558584B (zh) | 2024-08-06 |
Family
ID=78162481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110693033.9A Active CN113558584B (zh) | 2021-06-22 | 2021-06-22 | 一种基于信号质量评估的脉搏波预处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113558584B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114052677A (zh) * | 2021-11-19 | 2022-02-18 | 武汉联影智融医疗科技有限公司 | 脉搏波节拍质量评估方法、装置、计算机设备和存储介质 |
| CN114469017A (zh) * | 2022-01-27 | 2022-05-13 | 上海国民集团健康科技有限公司 | 脉象数据检测方法以及系统 |
| CN115886764A (zh) * | 2022-11-18 | 2023-04-04 | 隽颐智能科技(珠海)有限公司 | Ppg信号的采集位置确定方法及装置 |
| CN115919274A (zh) * | 2022-12-30 | 2023-04-07 | 深圳市捷美瑞科技有限公司 | 一种脉搏状态检测方法、装置、电子设备及介质 |
| TWI838937B (zh) * | 2022-11-01 | 2024-04-11 | 友達光電股份有限公司 | 脈象判斷方法 |
| CN119366877A (zh) * | 2024-12-30 | 2025-01-28 | 雅安市人民医院 | 一种多参数融合的脉搏波信号质量评估方法 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1242693A (zh) * | 1997-08-26 | 2000-01-26 | 精工爱普生株式会社 | 脉波诊断装置、运动指标检测装置、运动强度检测装置、心输出量检测装置、每搏输出量检测装置、心功能诊断装置及其检测方法 |
| CN1489973A (zh) * | 2002-10-16 | 2004-04-21 | �ֹ��� | 生命信息获取设备 |
| CN103565428A (zh) * | 2012-07-18 | 2014-02-12 | 株式会社日立制作所 | 脉搏检测装置及脉搏检测方法 |
| CN103815891A (zh) * | 2012-09-18 | 2014-05-28 | 卡西欧计算机株式会社 | 脉搏数据检测装置和脉搏数据检测方法 |
| CN203953636U (zh) * | 2014-03-28 | 2014-11-26 | 深圳市大富网络技术有限公司 | 一种血压检测装置、智能腕带、智能手表和通信系统 |
| EP2859913A1 (en) * | 2013-10-11 | 2015-04-15 | Peking Union Medical College Hospital, Chinese Academy of Medical Sciences | Pulse oximetry-based Cardio-Pulmonary Resuscitation (CPR) quality feedback systems and methods |
| CN104605939A (zh) * | 2015-02-05 | 2015-05-13 | 腾讯科技（深圳）有限公司 | 生理信息处理方法及信息处理装置 |
| KR20160000810A (ko) * | 2014-06-24 | 2016-01-05 | 주식회사 메디코아 | 파형종류 도수분포를 이용한 가속도맥파 분석 장치 및 분석 방법 |
| CN106793965A (zh) * | 2014-10-10 | 2017-05-31 | 皇家飞利浦有限公司 | 无创血压监测器、操作其的方法、以及实施所述方法的计算机程序 |
| CN108685569A (zh) * | 2017-03-30 | 2018-10-23 | 瑞萨电子株式会社 | 脉搏测量设备、脉搏测量方法以及非暂态计算机可读介质 |
| CN109512405A (zh) * | 2019-01-08 | 2019-03-26 | 哈尔滨工业大学（深圳） | 一种基于局部点检测的脉象信号分割方法 |
| US20190175033A1 (en) * | 2016-09-02 | 2019-06-13 | Murata Manufacturing Co., Ltd. | Blood pressure estimating device |
| CN110251094A (zh) * | 2019-05-14 | 2019-09-20 | 周常安 | 指戴式生理检测装置 |
| JP2019180666A (ja) * | 2018-04-05 | 2019-10-24 | Ｗｉｎフロンティア株式会社 | 脈波検出端末プログラム、脈波解析サーバプログラム、脈波検出解析端末プログラム、 |
| CN209932724U (zh) * | 2019-01-08 | 2020-01-14 | 研和智能科技(杭州)有限公司 | 基于可穿戴设备的多波长信号融合心率检测系统 |
| CN110755055A (zh) * | 2019-10-18 | 2020-02-07 | 上海掌门科技有限公司 | 一种用于确定脉搏波形的波形评价信息的方法与设备 |
| CN111839494A (zh) * | 2020-09-04 | 2020-10-30 | 广东电网有限责任公司电力科学研究院 | 一种心率监测方法及系统 |
| CN112089405A (zh) * | 2020-08-26 | 2020-12-18 | 上海大学 | 一种脉搏波特征参数测量及显示装置 |
| US20210161412A1 (en) * | 2018-07-10 | 2021-06-03 | National University Corporation Kagawa University | Pulse-Wave Signal Analysis Device, Pulse-Wave Signal Analysis Method and Computer Program |
| CN112971740A (zh) * | 2021-02-08 | 2021-06-18 | 上海掌门科技有限公司 | 一种通过诊脉设备诊脉的方法与设备 |
-
2021
- 2021-06-22 CN CN202110693033.9A patent/CN113558584B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1242693A (zh) * | 1997-08-26 | 2000-01-26 | 精工爱普生株式会社 | 脉波诊断装置、运动指标检测装置、运动强度检测装置、心输出量检测装置、每搏输出量检测装置、心功能诊断装置及其检测方法 |
| CN1489973A (zh) * | 2002-10-16 | 2004-04-21 | �ֹ��� | 生命信息获取设备 |
| CN103565428A (zh) * | 2012-07-18 | 2014-02-12 | 株式会社日立制作所 | 脉搏检测装置及脉搏检测方法 |
| CN103815891A (zh) * | 2012-09-18 | 2014-05-28 | 卡西欧计算机株式会社 | 脉搏数据检测装置和脉搏数据检测方法 |
| EP2859913A1 (en) * | 2013-10-11 | 2015-04-15 | Peking Union Medical College Hospital, Chinese Academy of Medical Sciences | Pulse oximetry-based Cardio-Pulmonary Resuscitation (CPR) quality feedback systems and methods |
| CN203953636U (zh) * | 2014-03-28 | 2014-11-26 | 深圳市大富网络技术有限公司 | 一种血压检测装置、智能腕带、智能手表和通信系统 |
| KR20160000810A (ko) * | 2014-06-24 | 2016-01-05 | 주식회사 메디코아 | 파형종류 도수분포를 이용한 가속도맥파 분석 장치 및 분석 방법 |
| CN106793965A (zh) * | 2014-10-10 | 2017-05-31 | 皇家飞利浦有限公司 | 无创血压监测器、操作其的方法、以及实施所述方法的计算机程序 |
| CN104605939A (zh) * | 2015-02-05 | 2015-05-13 | 腾讯科技（深圳）有限公司 | 生理信息处理方法及信息处理装置 |
| US20190175033A1 (en) * | 2016-09-02 | 2019-06-13 | Murata Manufacturing Co., Ltd. | Blood pressure estimating device |
| CN108685569A (zh) * | 2017-03-30 | 2018-10-23 | 瑞萨电子株式会社 | 脉搏测量设备、脉搏测量方法以及非暂态计算机可读介质 |
| JP2019180666A (ja) * | 2018-04-05 | 2019-10-24 | Ｗｉｎフロンティア株式会社 | 脈波検出端末プログラム、脈波解析サーバプログラム、脈波検出解析端末プログラム、 |
| US20210161412A1 (en) * | 2018-07-10 | 2021-06-03 | National University Corporation Kagawa University | Pulse-Wave Signal Analysis Device, Pulse-Wave Signal Analysis Method and Computer Program |
| CN109512405A (zh) * | 2019-01-08 | 2019-03-26 | 哈尔滨工业大学（深圳） | 一种基于局部点检测的脉象信号分割方法 |
| CN209932724U (zh) * | 2019-01-08 | 2020-01-14 | 研和智能科技(杭州)有限公司 | 基于可穿戴设备的多波长信号融合心率检测系统 |
| CN110251094A (zh) * | 2019-05-14 | 2019-09-20 | 周常安 | 指戴式生理检测装置 |
| CN110755055A (zh) * | 2019-10-18 | 2020-02-07 | 上海掌门科技有限公司 | 一种用于确定脉搏波形的波形评价信息的方法与设备 |
| CN112089405A (zh) * | 2020-08-26 | 2020-12-18 | 上海大学 | 一种脉搏波特征参数测量及显示装置 |
| CN111839494A (zh) * | 2020-09-04 | 2020-10-30 | 广东电网有限责任公司电力科学研究院 | 一种心率监测方法及系统 |
| CN112971740A (zh) * | 2021-02-08 | 2021-06-18 | 上海掌门科技有限公司 | 一种通过诊脉设备诊脉的方法与设备 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114052677A (zh) * | 2021-11-19 | 2022-02-18 | 武汉联影智融医疗科技有限公司 | 脉搏波节拍质量评估方法、装置、计算机设备和存储介质 |
| CN114052677B (zh) * | 2021-11-19 | 2023-07-21 | 武汉联影智融医疗科技有限公司 | 脉搏波节拍质量评估方法、装置、计算机设备和存储介质 |
| CN114469017A (zh) * | 2022-01-27 | 2022-05-13 | 上海国民集团健康科技有限公司 | 脉象数据检测方法以及系统 |
| CN114469017B (zh) * | 2022-01-27 | 2025-01-17 | 上海国民集团健康科技有限公司 | 脉象数据检测方法以及系统 |
| TWI838937B (zh) * | 2022-11-01 | 2024-04-11 | 友達光電股份有限公司 | 脈象判斷方法 |
| CN115886764A (zh) * | 2022-11-18 | 2023-04-04 | 隽颐智能科技(珠海)有限公司 | Ppg信号的采集位置确定方法及装置 |
| CN115919274A (zh) * | 2022-12-30 | 2023-04-07 | 深圳市捷美瑞科技有限公司 | 一种脉搏状态检测方法、装置、电子设备及介质 |
| CN115919274B (zh) * | 2022-12-30 | 2024-05-31 | 深圳市捷美瑞科技有限公司 | 一种脉搏状态检测方法、装置、电子设备及介质 |
| CN119366877A (zh) * | 2024-12-30 | 2025-01-28 | 雅安市人民医院 | 一种多参数融合的脉搏波信号质量评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113558584B (zh) | 2024-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113558584A (zh) | 一种基于信号质量评估的脉搏波预处理方法 | |
| US20200093423A1 (en) | Estimation of sleep quality parameters from whole night audio analysis | |
| CN103034837B (zh) | 特征参数与脉象要素的关联 | |
| Motin et al. | PPG derived heart rate estimation during intensive physical exercise | |
| CN108992053B (zh) | 一种实时的无束缚检测心率和心跳间隔的方法 | |
| CN104545818A (zh) | 一种基于脉搏与血氧信号的睡眠呼吸暂停综合征检测方法 | |
| CN114947850B (zh) | 基于脉搏波高斯模型特征的脑力负荷等级客观检测方法 | |
| JP2015508693A (ja) | 生理的リズムを表す信号を処理する方法 | |
| CN114469124A (zh) | 一种运动过程中异常心电信号的识别方法 | |
| Wu et al. | Camera-based blood pressure estimation via windkessel model and waveform features | |
| WO2023226223A1 (zh) | Ppg信号质量评估方法及装置以及ppg信号处理方法及系统 | |
| Lin et al. | Investigation on pulse wave forward peak detection and its applications in cardiovascular health | |
| CN114469131A (zh) | 自适应实时心电信号质量评估方法 | |
| CN112001862B (zh) | 消除视频心冲击信号运动噪声的非接触式视心率检测方法 | |
| CN110368020B (zh) | 一种心音信号预处理方法及装置 | |
| Fedotov et al. | A QRS-complex detector of the electrocardiogram signal for the long-term monitoring of the patient’s condition | |
| WO2024250309A1 (zh) | 一种脉搏定位、采集、分析方法及装置 | |
| TWI815546B (zh) | 睡眠呼吸中止症評估程式的建立方法、睡眠呼吸中止症評估系統與睡眠呼吸中止症評估方法 | |
| WO2024250308A1 (zh) | 一种脉搏分析方法及装置 | |
| US20220039753A1 (en) | Modulation model of photoplethysmography signal for vital sign extraction | |
| CN116077021A (zh) | 一种睡眠脑电、鼾声检测分析装置 | |
| Dick et al. | Features of parkinsonian and essential tremor of the human hand | |
| WO2023108331A1 (zh) | 自适应实时心电信号质量评估方法 | |
| Nadila et al. | Fetal heart rate detection algorithm from noninvasive fetal electrocardiogram | |
| CN112971766A (zh) | 睡眠呼吸事件检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |