CN112598033B - 生理信号处理方法、装置、设备及存储介质 - Google Patents

生理信号处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112598033B
CN112598033B CN202011461955.9A CN202011461955A CN112598033B CN 112598033 B CN112598033 B CN 112598033B CN 202011461955 A CN202011461955 A CN 202011461955A CN 112598033 B CN112598033 B CN 112598033B
Authority
CN
China
Prior art keywords
signal
respiratory signal
respiratory
algorithm
target object
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.)
Active
Application number
CN202011461955.9A
Other languages
English (en)
Other versions
CN112598033A (zh
Inventor
曹鹏飞
梁梦云
文豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou University
Original Assignee
Lanzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lanzhou University filed Critical Lanzhou University
Priority to CN202011461955.9A priority Critical patent/CN112598033B/zh
Publication of CN112598033A publication Critical patent/CN112598033A/zh
Application granted granted Critical
Publication of CN112598033B publication Critical patent/CN112598033B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Pulmonology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请提供一种生理信号处理方法、装置、设备及存储介质，涉及体征监测技术领域。该方法包括：获取由呼吸检测设备采集到的目标对象的呼吸信号；提取呼吸信号的多种特征信息，其中，每种特征信息分别用于表征呼吸信号在一个维度上的特征；将多种特征信息输入至预先训练得到的分类模型，得到目标对象的呼吸信号的处理结果；其中，处理结果用于标识目标对象与目标问题匹配的概率。在本方案中，通过将提取到的呼吸信号的多种特征信息输入至分类模型，得到目标对象与目标问题匹配的概率，实现了对目标对象的呼吸信号的分类匹配等处理操作，提高了对生理信号进行处理的效率和准确性。

Description

生理信号处理方法、装置、设备及存储介质
技术领域
本申请涉及体征监测技术领域，具体而言，涉及一种生理信号处理方法、装置、设备及存储介质。
背景技术
在医疗领域中，对生理信号的处理，只能依靠特定的人体电生理信号检测仪采集目标对象的生理信号，并根据采集到的生理信号确定目标对象是否存在目标问题。
但是，采用现有的生理信号的处理方法，大多数的人体电生理信号检测仪存在会对人体产生一定的辐射的问题，且均无法达到即时检测和监控的要求，导致无法满足广大用户的高效、安全可靠的需求。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种生理信号处理方法、装置、设备及存储介质，以便满足广大用户对生理信号处理的高效、安全可靠的需求。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种生理信号处理方法，包括：
获取由呼吸检测设备采集到的目标对象的呼吸信号；
提取所述呼吸信号的多种特征信息，其中，每种所述特征信息分别用于表征所述呼吸信号在一个维度上的特征；
将所述多种特征信息输入至预先训练得到的分类模型，得到所述目标对象的呼吸信号的处理结果，所述处理结果用于标识所述目标对象与目标问题匹配的概率。
可选地，所述预先训练得到的分类模型包括：支持向量机；
所述提取所述呼吸信号的多种特征信息，包括：
以所述呼吸信号作为输入参数，使用预设的第一算法得到所述呼吸信号的多种第一特征信息，所述多种第一特征信息包括：所述呼吸信号在时域中的离散余弦变换系数，所述呼吸信号在频域中的谱估计中的最大频率、最大频率特征和最大频率方差特征，以及所述呼吸信号在时频域中的希尔伯特变换后的包络谱。
可选地，所述呼吸信号在时频域中的希尔伯特变换后的包络谱，包括如下至少一项：
所述呼吸信号在时频域中的希尔伯特变换后的包络谱的二阶矩和包络谱的四阶矩。
可选地，所述预先训练得到的分类模型包括：随机森林模型；
所述提取所述呼吸信号的多种特征信息，包括：
以所述呼吸信号作为输入参数，使用预设的第二算法得到所述呼吸信号的多种第二特征信息，所述多种第二特征信息包括：小波变换特征信息、时域特征信息以及频域特征信息。
可选地，所述提取所述呼吸信号的多种特征信息之前，还包括：
对所述呼吸信号进行离散变换，得到离散变换后的呼吸信号；
所述以所述呼吸信号作为输入参数，使用预设的第二算法得到所述呼吸信号的多种第二特征信息，包括：
以所述离散变换后的呼吸信号作为输入参数，使用预设的第二算法得到所述呼吸信号的多种第二特征信息。
可选地，所述获取由呼吸检测设备采集到的目标对象的呼吸信号，包括：
接收用户在终端设备的界面上输入的文件路径；
从所述文件路径中读取所述目标对象的呼吸信号。
可选地，所述方法还包括：
接收用户在所述终端设备的界面上输入的查看指令，所述查看指令用于指示查看所述呼吸信号的波形信息；
根据所述查看指令，生成并显示所述呼吸信号的波形信息。
第二方面，本申请实施例还提供了一种生理信号处理装置，所述装置包括：获取模块、提取模块以及处理模块；
所述获取模块，用于获取由呼吸检测设备采集到的目标对象的呼吸信号；
所述提取模块，用于提取所述呼吸信号的多种特征信息，其中，每种所述特征信息分别用于表征所述呼吸信号在一个维度上的特征；
所述处理模块，用于将所述多种特征信息输入至预先训练得到的分类模型，得到所述目标对象的呼吸信号的处理结果，所述处理结果用于标识所述目标对象与目标问题匹配的概率。
可选地，所述预先训练得到的分类模型包括：支持向量机；
所述提取模块，还用于：
以所述呼吸信号作为输入参数，使用预设的第一算法得到所述呼吸信号的多种第一特征信息，所述多种第一特征信息包括：所述呼吸信号在时域中的离散余弦变换系数，所述呼吸信号在频域中的谱估计中的最大频率、最大频率特征和最大频率方差特征，以及所述呼吸信号在时频域中的希尔伯特变换后的包络谱。
可选地，所述呼吸信号在时频域中的希尔伯特变换后的包络谱，包括如下至少一项：
所述呼吸信号在时频域中的希尔伯特变换后的包络谱的二阶矩和包络谱的四阶矩。
可选地，所述预先训练得到的分类模型包括：随机森林；
所述提取模块，还用于：
以所述呼吸信号作为输入参数，使用预设的第二算法得到所述呼吸信号的多种第二特征信息，所述多种第二特征信息包括：小波变换特征信息、时域特征信息以及频域特征信息。
可选地，所述提取模块，还用于：
对所述呼吸信号进行离散变换，得到离散变换后的呼吸信号；
所述以所述呼吸信号作为输入参数，使用预设的第二算法得到所述呼吸信号的多种第二特征信息，包括：
以所述离散变换后的呼吸信号作为输入参数，使用预设的第二算法得到所述呼吸信号的多种第二特征信息。
可选地，所述获取模块，还用于：
接收用户在终端设备的界面上输入的文件路径；
从所述文件路径中读取所述目标对象的呼吸信号。
可选地，所述装置还包括：生成模块；
所述获取模块，还用于接收用户在所述终端设备的界面上输入的查看指令，所述查看指令用于指示查看所述呼吸信号的波形信息；
所述生成模块，用于根据所述查看指令，生成并显示所述呼吸信号的波形信息。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第一方面提供的所述方法的步骤。
第四方面，本申请实施例还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如以执行如第一方面提供的所述方法的步骤。
本申请的有益效果是：
本申请实施例提供一种生理信号处理方法、装置、设备及存储介质，包括：获取由呼吸检测设备采集到的目标对象的呼吸信号；提取呼吸信号的多种特征信息，其中，每种特征信息分别用于表征呼吸信号在一个维度上的特征；将多种特征信息输入至预先训练得到的分类模型，得到目标对象的呼吸信号的处理结果；其中，处理结果用于标识目标对象与目标问题匹配的概率。在本方案中，通过将提取到的呼吸信号的多种特征信息输入至分类模型，得到目标对象与目标问题匹配的概率，实现了对目标对象的呼吸信号的分类匹配等处理操作，提高了对生理信号进行处理的效率和准确性，从而满足了广大用户对生理信号处理的高效、安全可靠的需求。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种生理信号处理系统的结构示意图；
图2为本申请实施例提供的一种生理信号处理系统中分布式光纤传感结构的示意图；
图3为本申请实施例提供的一种电子设备的结构示意图；
图4为本申请实施例提供的一种生理信号处理方法的流程示意图；
图5为本申请实施例提供的另一种生理信号处理方法的流程示意图；
图6为本申请实施例提供的一种生理信号处理方法的界面示意图；
图7为本申请实施例提供的另一种生理信号处理方法的流程示意图；
图8为本申请实施例提供的一种生理信号处理装置的结构示意图。
图标：100-生理信号处理系统；101-呼吸检测设备；102-处理设备；103-终端设备；104-网络；200-分布式光纤传感结构；201-第一耦合器；202-第二耦合器；203-光电转换模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
图1为本申请实施例提供的一种生理信号处理系统的结构示意图；如图1所示，该生理信号处理系统100包括：呼吸检测设备101、处理设备102、终端设备103和网络104。
其中，呼吸检测设备101用于采集目标对象的呼吸信号。例如，呼吸检测设备101可以是光纤振动传感的检测设备，可利用各种光纤干涉传感结构、分布式光纤传感结构和光纤光栅阵列结构，如马赫-泽德干涉结构、光时域反射计等。
图2为本申请实施例提供的一种生理信号处理系统中分布式光纤传感结构的示意图；如图2所示，该分布式光纤传感结构200包括第一耦合器201、第二耦合器202、传感光纤以及传导光纤。
其中，第一耦合器201、第二耦合器202用于连接传感光纤和传导光纤，如第一耦合器201、第二耦合器202可以是无源光纤耦合器。
传感光纤用于提取目标对象呼吸时胸腔起伏所产生的振动信号；不论是干涉结构的光纤结构还是分布式的光纤结构，上述提取到的振动信号会使光纤中的光学特性发生改变，如光强、相位、频率或者光程差。
传导光纤用于对上述光纤中发生光学特性变化的光信号的传递，且对外界的振动信号不敏感。
由于不便于对光信号进行处理，则可以通过光电转换模块203(如光电转换器)对光信号进行处理，得对应的电信号，并将转化后的电信号通过软硬件通信接口传输至处理设备进行后续处理，如可以采用Matlab、LabView等信号分析的软件对光电转换后的电信号进行信号处理操作，或者对光电转换后的电信号进行观察。
在一种可实现的方式中，处理设备102和终端设备103可以是两个不同的电子设备，比如，处理设备102可以是服务器，终端设备103可以是手机终端，处理设备102用于对获取到的由呼吸检测设备采集到的目标对象的呼吸信号进行分析，得到目标对象的呼吸信号的处理结果，并将得到的处理结果发送给终端设备103。
在另一种可实现的方式中，其中，处理设备102和终端设备103可以是同一个电子设备，比如，处理设备102和终端设备103可以是电脑，使得用户可以在电脑端对采集到的目标对象的呼吸信号进行处理并显示。
可选地，在本实施例中，处理设备102可以是，但不限于，云服务器等，还可以是电脑、移动上网设备(mobile Internet device，MID)等具有处理功能的电子设备。
图3为本发明实施例提供的一种电子设备的结构示意图；如图3所示，该电子设备可以是前述图1中的处理设备102所在的电子设备，该电子设备例如可以是服务器、处理器等。
电子设备包括存储器301、处理器302及通信单元303。存储器301、处理器302及通信单元303相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器301中存储有以软件或固件(firmware)的形式存储于存储器301中的软件功能模块，处理器302通过运行存储在存储器301内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本发明实施例中的生理信号处理方法。
其中，存储器301可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器301用于存储程序，处理器302在接收到执行指令后，执行所述程序。进一步地，上述存储器301内的软件程序以及模块还可包括操作系统。其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通讯，从而提供其他软件组件的运行环境。
处理器302可能是一种集成电路芯片，具有信号的处理能力。上述的处理器302可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等。还可以是数字信号处理器(DSP))、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。
通信单元303用于通过网络104建立处理设备102与外部通信终端设备103之间的通信连接，实现网络信号及数据信息的收发操作。上述网络信号可包括无线信号或者有线信号。
可以理解，图3所示的结构仅为示意，处理设备102还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
终端设备103，用于从处理设备102接收目标对象的呼吸信号的处理结果，以使得工作人员参考处理结果进行对应目标问题的处理。
可选地，终端设备103可以是，但不限于，智能手机、个人电脑(personalcomputer，PC)、平板电脑、个人数字助理(personal digital assistant，PDA)、移动上网设备(mobile Internet device，MID)等。本实施例中，终端设备103为相关工作人员随身携带的手持终端。
网络104可以是，但不限于，有线网络或无线网络。
图4为本申请实施例提供的一种生理信号处理方法的流程示意图；如图4所示，该方法的执行主体可以是上述图1中的处理设备。该方法包括：
S401、获取由呼吸检测设备采集到的目标对象的呼吸信号。
其中，目标对象可以是受检者，如可以是患某种疾病的病人或者是正常人。比如，目标对象的呼吸信号可以是正常儿童的呼吸信号或者是肺炎儿童患者的呼吸信号。
其中，呼吸信号可以是利用前述的呼吸检测设备采集到的目标对象的各种微弱的振动信号，比如心跳、脉搏、正常器官与癌变器官的振动信号等，具有周期性的特点。
目前，现有的生理信号处理方法，大多是对脑电、心电、肌电等生理信号的处理，但还未发现有对微弱的呼吸信号进行处理的相关方法。
因此，在本申请的本实施例中，例如，通过呼吸检测设备采集目标对象的各种微弱的呼吸信号，并将采集到的呼吸信号发送至处理设备进行处理。其中，呼吸检测设备可以是光纤振动传感检测设备，通过利用光纤振动传感器的高灵敏度，提高对目标对象的呼吸信号采集的准确性。
S402、提取呼吸信号的多种特征信息。
其中，每种特征信息分别用于表征呼吸信号在一个维度上的特征。
现有的生理信号处理方法中，大多是提取呼吸信号在时域中的周期、幅值、峰值、均值、方差等特征信息，其中幅值代表了呼吸信号整个波形中的最大值，峰值则为波形中最大值与最小值之差，均值则代表呼吸信号中直流分量的大小。
在本实施例中，考虑到可以在多个不同的维度，对上述接收到的呼吸信号进行特征信息提取，比如，提取呼吸信号分别在时域、频域、时频域或者统计学分析中的多种特征信息，以提高对呼吸信号进行分析的准确性。
例如，可以对呼吸信号进行时频域分析，提取呼吸信号的傅里叶变换、小波变换等多种特征信息；还可以对呼吸信号进行频域分析，提取呼吸信号的频率谱、相位谱、对数谱、功率谱等多种特征信息，但不局限于此，还可以提取对呼吸信号其它维度的多种特征信息。
S403、将多种特征信息输入至预先训练得到的分类模型，得到目标对象的呼吸信号的处理结果。
其中，处理结果用于标识目标对象与目标问题匹配的概率。
示例性的，目标问题可以指某种呼吸道疾病，比如，呼吸道感染、慢性支气管炎、肺炎等。
其中，预先训练得到的分类算法可采用机器学习的分类算法，例如，极端梯度提升(eXtreme Gradient Boosting，简称xgboost)、支持向量机(support vector machines，简称SVM)、随机森林(Random Forest，简称RF)等方法。
值得说明的是，不同的分类模型可以对应不同的特征信息，因此，可以根据预先确定的分类模型，提取该模型所需的呼吸信号对应的特征信息。
分类模型可以预先训练得到。例如，在将多种特征信息输入至预先训练得到的分类模型之前，采集获取多个正样本呼吸信号的特征信息、以及多个负样本呼吸信号的特征信息，多个正样本呼吸信号标记有目标问题标签，多个负样本呼吸信号标记有非目标问题标签。
进而，可根据多个正样本呼吸信号的特征信息和每个正样本呼吸信号标记的目标问题标签、以及多个负样本呼吸信号特征信息和每个负样本呼吸信号标记有非目标问题标签，作为输入数据，输入到待训练的分类模型中，并采用预设的分类算法，从而训练得到分类模型。
最后，将上述呼吸信号的多种特征信息输入至上述训练得到的SVM分类模型中，得到目标对象与目标问题匹配的概率达到94.41％，实现了对目标对象的呼吸信号的处理，提高了对生理信号进行处理的效率和准确性，满足了广大用户对生理信号处理的高效、安全可靠的需求。
综上所述，本申请实施例提供一种生理信号处理方法，包括：获取由呼吸检测设备采集到的目标对象的呼吸信号；提取呼吸信号的多种特征信息，其中，每种特征信息分别用于表征呼吸信号在一个维度上的特征；将多种特征信息输入至预先训练得到的分类模型，得到目标对象的呼吸信号的处理结果；其中，处理结果用于标识目标对象与目标问题匹配的概率。在本方案中，通过将提取到的呼吸信号的多种特征信息输入至分类模型，得到目标对象与目标问题匹配的概率，实现了对目标对象的呼吸信号的分类匹配等处理操作，提高了对生理信号进行处理的效率和准确性，从而满足了广大用户对生理信号处理的高效、安全可靠的需求。
以下实施例分别以上述分类模型为支持向量机和随机森林模型时提取得到呼吸信号的特征信息的过程进行说明。
首先对分类模型为支持向量机时的提取过程进行说明。
可选地，预先训练得到的分类模型包括：支持向量机；上述步骤S402：提取呼吸信号的多种特征信息，包括：
以呼吸信号作为输入参数，使用预设的第一算法得到呼吸信号的多种第一特征信息，多种第一特征信息包括：
呼吸信号在时域中的离散余弦变换系数，呼吸信号在频域中的谱估计中的最大频率、最大频率特征和最大频率方差特征，以及呼吸信号在时频域中的希尔伯特变换后的包络谱。
在本实施例中，第一算法可以包括离散余弦变换算法，即采用离散余弦变换提取呼吸信号在时域中的离散余弦变换系数的第一特征信息，即如公式(1)-公式(3)所示：
Figure GDA0003753344410000101
Figure GDA0003753344410000111
其中，F(u)是第u个余弦变换系数，u是广义频率变量，u＝1，2，3，……，N-1；f(x)是时域N点序列，x＝0，1，……，N-1。
一维离散余弦反变换由公式(3)表示：
Figure GDA0003753344410000112
则公式(1)-公式(3)构成了一维离散余弦变换对。
第一算法还可以包括谱估计算法，采用谱估计算法提取呼吸信号在频域中的谱估计中的最大频率、最大频率特征和最大频率方差特征的第一特征信息，如公式(4)-公式(6)所示：
其中，谱估计对随机信号序列进行功率谱密度估计算法，属于频域中描述随机信号特性的分析方法之一。针对不同的要求，如减小谱估计的偏差，减小对噪声的灵敏程度，提高谱分辨率等，已提出许多不同的谱估计方法。在线性估计方法中，有周期图估计法、相关法和协方差法；在非线性估计方法中，有最大熵谱估计、AR模型法和最大似然法等。线性估计方法大多是有偏的谱估计方法，谱分辨率随数据长度的增加而提高。
例如在本实例中，可采用自回归模型(Auto-Regression Model，简称AR)谱估计提取呼吸信号在频域中的第一特征信息如下所示：
任何具有功率谱密度的随机信号都可以看成由白噪声ω(n)激励一物理网络所形成的：
Figure GDA0003753344410000113
该形式称为P阶自回归模型，简称AR模型。将其进行z变换可得AR模型的传递函数为：
Figure GDA0003753344410000114
此模型H(z)只有极点，没有除原点以外的零点，因此又称为全极点型。当用自回归模型时，功率谱密度的表达式写成：
Figure GDA0003753344410000115
其中：
Figure GDA0003753344410000116
为白噪声的功率谱密度。因此只要求解出
Figure GDA0003753344410000117
及所有的ak的值，就可以得到被测信号x(n)的功率谱。
第一算法还可以包括希尔伯特变换算法，采用希尔伯特变换算法提取呼吸信号在时频域中希尔伯特变换后的包络谱的第一特征信息，其中，希尔伯特变换是对呼吸信号进行卷积处理，具体如公式(7)-公式(9)所示：
Figure GDA0003753344410000121
一个实值函数，它的解析信号为：
Figure GDA0003753344410000122
解析信号可以计算包络和瞬时相位，包络就是在复平面上的波形中的每一个点的模值，如公式(9)所示：
A(t)＝sqrt(x^2(t)+Hilbert(x(t))^2) (9)
可选地，呼吸信号在时频域中的希尔伯特变换后的包络谱，包括如下至少一项：
呼吸信号在时频域中的希尔伯特变换后的包络谱的二阶矩和包络谱的四阶矩。
可以理解，在数理统计中，阶矩是对变量分布和形态特点的一组度量。N阶矩被定义为一变量的N次方与其概率密度函数之积的积分。二阶矩被定义为方差，四阶矩被定义为峰度，如公式(10)-公式(11)所示：
μ′2＝∫(x-μ′1)2P(x)dx (10)
μ′4＝∫(x-μ′1)4P(x)dx (11)
其中，公式(10)、公式(11)分别为呼吸信号在时频域中的希尔伯特变换后的包络谱的二阶矩和包络谱的四阶矩的第一特征信息。
μ′1被定义为数学期望，即μ′1＝∫xP(x)dx。
以下，对分类模型为随机森林模型时的提取过程进行说明。
可选地，预先训练得到的分类模型包括：随机森林模型。
上述步骤S402：提取呼吸信号的多种特征信息，包括：
以呼吸信号作为输入参数，使用预设的第二算法得到呼吸信号的多种第二特征信息，多种第二特征信息包括：小波变换特征信息、时域特征信息以及频域特征信息。
可选地，提取呼吸信号的多种特征信息之前，还包括：
对呼吸信号进行离散变换，得到离散变换后的呼吸信号；
以呼吸信号作为输入参数，使用预设的第二算法得到呼吸信号的多种第二特征信息，包括：
以离散变换后的呼吸信号作为输入参数，使用预设的第二算法得到呼吸信号的多种第二特征信息。
例如，第二算法可以包括小波变换算法，采用小波变换算法提取呼吸信号在小波变换的各系数的方差的第二特征信息，如下公式(12)-公式(13)所示：
其中，小波变换为公式(12)，即对于M个数据点(M是一个子带数量)，yj为小波变换的各子带：
Figure GDA0003753344410000131
α为尺度函数，τ为平移量，尺度函数控制小波函数的伸缩，平移量控制小波函数的平移。尺度对应频率，平移量对应与时间。
小波变换各系数方差WTα，μ为子带的平均值：
Figure GDA0003753344410000132
第二算法还可以包括时域分析算法，采用时域分析算法提取呼吸信号在时域分析中的第二特征信息。
其中，对于M个数据点(M是一个信号样本的数量)，yj为信号，即可得到呼吸信号在时域中的平均值、均方根、方差、平均绝对偏差、偏度、峰度、峰值、峰值因子、脉冲因子、裕度因子等多个第二特征信息，具体如公式(14)-公式(22)所示。
平均值：
Figure GDA0003753344410000133
均方根：
Figure GDA0003753344410000141
方差：
Figure GDA0003753344410000142
平均绝对偏差：
Figure GDA0003753344410000143
偏度：
Figure GDA0003753344410000144
峰度：
Figure GDA0003753344410000145
峰值因子：
Figure GDA0003753344410000146
脉冲因子：
Figure GDA0003753344410000147
裕度因子：
Figure GDA0003753344410000148
第二算法还可以包括频域分析算法，采用频率分析算法提取呼吸信号在频域分析中的第二特征信息。
其中，对于M个数据点(M是一个信号样本的数量)，yj为信号，可得到呼吸信号在频域中的功率谱的平均值和方差，以及倒谱的最大值、最小值、中值和平均值等多个第二特征信息，具体如公式(23)-公式(24)所示：
傅里叶变换F(ω)：
Figure GDA0003753344410000151
功率谱P(ω)：
Figure GDA0003753344410000152
倒谱C(ω)：IDFT(log(yj))→C(ω)(IDFT为傅里叶逆变换)
在本实施例中，通过将提取到呼吸信号的多个第二特征信息输入字分类模型，提高了分类模型对目标对象的呼吸信号处理结果的准确性。
图5为本申请实施例提供的另一种生理信号处理方法的流程示意图；如图5所示，上述步骤S401：获取由呼吸检测设备采集到的目标对象的呼吸信号，包括：
S501、接收用户在终端设备的界面上输入的文件路径。
在本实施例中，还提供了一种应用于终端设备的生理信号处理方法的界面，用户可以根据实际操作需求，对界面中的不同触发按键进行点击操作，即可得到对呼吸信号相应的处理结果。
图6为本申请实施例提供的一种生理信号处理方法的界面示意图；如图6所示，为了便于说明，在该界面中仅显示了应用随机森林分类模型，对目标对象的呼吸信号进行处理的界面，在该界面中包括多个不同的触发按键，其中，包括：打开二进制文件、显示呼吸波形、随机森林预测等。例如，在用户对终端设备界面中的打开二进制文件的按键进行点击后，处理设备会接收到用户的操作指令，响应并从目标路径下打开呼吸信号的二进制文件。
S502、从文件路径中读取目标对象的呼吸信号。
其中，文件路径是呼吸信号在终端设备的存储位置，则可以从文件路径中读取目标对象的呼吸信号文件，以对呼吸信号进行后续的处理。
图7为本申请实施例提供的另一种生理信号处理方法的流程示意图；如图7所示，该方法还包括：
S701、接收用户在终端设备的界面上输入的查看指令，查看指令用于指示查看呼吸信号的波形信息。
继续参照图6，用户还可以点击终端设备的界面中的显示呼吸波形的触发按键，相应的，处理设备接收到用户在终端设备的界面上输入的查看指令，获取目标对象的呼吸信号的多种信息。
S702、根据查看指令，生成并显示呼吸信号的波形信息。
在上述实施例的基础上，处理设备在接收到查看呼吸信号的波形指令之后，根据该查看指令生成呼吸信号的波形信息，并将该发送至终端界面进行显示，实现从多个不同角度对目标对象的呼吸信号进行分析处理的需求。
此外，用户还可以点击界面中的随机森林预测的按键，使得处理设备在接收到用户输入的随机森林预测的指令后，响应并采用预设的第二算法提取呼吸信号的多种第二特征信息，并将多种第二特征信息输入至预先训练得到的随机森林模型，得到目标对象的呼吸信号的处理结果，并在界面中显示得到的处理结果，达到了对处理结果的进行可视化显示的效果。
用户还可以点击界面中的保存按键，实现对本次处理结果的实时保存，提高了用户的体验度。
另外，用户还可以点击界面中的清空按键、退出按键，满足了用户的各种操作需求。
下述对用以执行本申请所提供的生理信号处理方法对应的装置及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
图8为本申请实施例提供的一种生理信号处理装置的结构示意图；如图8所示，该装置包括：获取模块801、提取模块802以及处理模块803；
获取模块801，用于获取由呼吸检测设备采集到的目标对象的呼吸信号；
提取模块802，用于提取呼吸信号的多种特征信息，其中，每种特征信息分别用于表征呼吸信号在一个维度上的特征；
处理模块803，用于将多种特征信息输入至预先训练得到的分类模型，得到目标对象的呼吸信号的处理结果，处理结果用于标识目标对象与目标问题匹配的概率。
可选地，预先训练得到的分类模型包括：支持向量机；
提取模块802，还用于：
以呼吸信号作为输入参数，使用预设的第一算法得到呼吸信号的多种第一特征信息，多种第一特征信息包括：呼吸信号在时域中的离散余弦变换系数，呼吸信号在频域中的谱估计中的最大频率、最大频率特征和最大频率方差特征，以及呼吸信号在时频域中的希尔伯特变换后的包络谱。
可选地，呼吸信号在时频域中的希尔伯特变换后的包络谱，包括如下至少一项：
呼吸信号在时频域中的希尔伯特变换后的包络谱的二阶矩和包络谱的四阶矩。
可选地，预先训练得到的分类模型包括：随机森林模型；
提取模块802，还用于：
以呼吸信号作为输入参数，使用预设的第二算法得到呼吸信号的多种第二特征信息，多种第二特征信息包括：小波变换特征信息、时域特征信息以及频域特征信息。
可选地，提取模块802，还用于：
对呼吸信号进行离散变换，得到离散变换后的呼吸信号；
以呼吸信号作为输入参数，使用预设的第二算法得到呼吸信号的多种第二特征信息，包括：
以离散变换后的呼吸信号作为输入参数，使用预设的第二算法得到呼吸信号的多种第二特征信息。
可选地，获取模块801，还用于：
接收用户在终端设备的界面上输入的文件路径；
从文件路径中读取目标对象的呼吸信号。
可选地，该装置还包括：生成模块；
获取模块801，还用于接收用户在终端设备的界面上输入的查看指令，查看指令用于指示查看呼吸信号的波形信息；
生成模块，用于根据查看指令，生成并显示呼吸信号的波形信息。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (9)

1.一种生理信号处理方法，其特征在于，包括：
获取由呼吸检测设备采集到的目标对象的呼吸信号；
提取所述呼吸信号的多种特征信息，其中，每种所述特征信息分别用于表征所述呼吸信号在一个维度上的特征；
将所述多种特征信息输入至预先训练得到的分类模型，得到所述目标对象的呼吸信号的处理结果，所述处理结果用于标识所述目标对象与目标问题匹配的概率；
所述预先训练得到的分类模型包括：支持向量机；
所述提取所述呼吸信号的多种特征信息，包括：
以所述呼吸信号作为输入参数，使用预设的第一算法得到所述呼吸信号的多种第一特征信息，所述多种第一特征信息包括：所述呼吸信号在时域中的离散余弦变换系数，所述呼吸信号在频域中的谱估计中的最大频率、最大频率特征和最大频率方差特征，以及所述呼吸信号在时频域中的希尔伯特变换后的包络谱；
所述第一算法包括：离散余弦变换算法、谱估计算法和希尔伯特变换算法；
所述谱估计包括：自回归模型法。
2.根据权利要求1所述的方法，其特征在于，所述呼吸信号在时频域中的希尔伯特变换后的包络谱，包括如下至少一项：
所述呼吸信号在时频域中的希尔伯特变换后的包络谱的二阶矩和包络谱的四阶矩。
3.根据权利要求1所述的方法，其特征在于，所述预先训练得到的分类模型包括：随机森林模型；
所述提取所述呼吸信号的多种特征信息，包括：
以所述呼吸信号作为输入参数，使用预设的第二算法得到所述呼吸信号的多种第二特征信息，所述多种第二特征信息包括：小波变换特征信息、时域特征信息以及频域特征信息；
所述第二算法包括：小波变换算法、时域分析算法和频域分析算法；
所述小波变换特征信息包括：呼吸信号在小波变换的各系数的方差的特征信息。
4.根据权利要求3所述的方法，其特征在于，所述提取所述呼吸信号的多种特征信息之前，还包括：
对所述呼吸信号进行离散变换，得到离散变换后的呼吸信号；
所述以所述呼吸信号作为输入参数，使用预设的第二算法得到所述呼吸信号的多种第二特征信息，包括：
以所述离散变换后的呼吸信号作为输入参数，使用预设的第二算法得到所述呼吸信号的多种第二特征信息。
5.根据权利要求3或4所述的方法，其特征在于，所述获取由呼吸检测设备采集到的目标对象的呼吸信号，包括：
接收用户在终端设备的界面上输入的文件路径；
从所述文件路径中读取所述目标对象的呼吸信号。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
接收用户在所述终端设备的界面上输入的查看指令，所述查看指令用于指示查看所述呼吸信号的波形信息；
根据所述查看指令，生成并显示所述呼吸信号的波形信息。
7.一种生理信号处理装置，其特征在于，所述装置包括：获取模块、提取模块以及处理模块；
所述获取模块，用于获取由呼吸检测设备采集到的目标对象的呼吸信号；
所述提取模块，用于提取所述呼吸信号的多种特征信息，其中，每种所述特征信息分别用于表征所述呼吸信号在一个维度上的特征；
所述处理模块，用于将所述多种特征信息输入至预先训练得到的分类模型，得到所述目标对象的呼吸信号的处理结果，所述处理结果用于标识所述目标对象与目标问题匹配的概率；
预先训练得到的分类模型包括：支持向量机；
所述提取模块，还用于以所述呼吸信号作为输入参数，使用预设的第一算法得到所述呼吸信号的多种第一特征信息，所述多种第一特征信息包括：所述呼吸信号在时域中的离散余弦变换系数，所述呼吸信号在频域中的谱估计中的最大频率、最大频率特征和最大频率方差特征，以及所述呼吸信号在时频域中的希尔伯特变换后的包络谱；
所述第一算法包括：离散余弦变换算法、谱估计算法和希尔伯特变换算法；
所述谱估计包括自回归模型法。
8.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-6任一所述方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-6任一所述方法的步骤。
CN202011461955.9A 2020-12-09 2020-12-09 生理信号处理方法、装置、设备及存储介质 Active CN112598033B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011461955.9A CN112598033B (zh) 2020-12-09 2020-12-09 生理信号处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011461955.9A CN112598033B (zh) 2020-12-09 2020-12-09 生理信号处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112598033A CN112598033A (zh) 2021-04-02
CN112598033B true CN112598033B (zh) 2022-08-30

Family

ID=75192579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011461955.9A Active CN112598033B (zh) 2020-12-09 2020-12-09 生理信号处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112598033B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113995394B (zh) * 2021-12-17 2022-11-11 珠海格力电器股份有限公司 一种生理信号的处理方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108095708A (zh) * 2018-01-19 2018-06-01 动析智能科技有限公司 一种基于混合传感的生理监测及分析方法、系统
CN108175382A (zh) * 2018-01-10 2018-06-19 深圳先进技术研究院 基于cpc的非接触式睡眠评估方法及装置
CN108451532A (zh) * 2018-04-28 2018-08-28 杜乙 呼吸信息的获取方法及系统
CN110801221A (zh) * 2019-12-09 2020-02-18 中山大学 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备
CN111110240A (zh) * 2020-01-17 2020-05-08 芯海科技（深圳）股份有限公司 一种呼吸测量方法、装置、移动终端及存储介质
CN111655125A (zh) * 2017-12-22 2020-09-11 瑞思迈传感器技术有限公司 用于健康和医学感测的设备、系统和方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999020339A1 (en) * 1997-10-17 1999-04-29 Respironics, Inc. Muscle stimulating device and method for diagnosing and treating a breathing disorder
US20040039419A1 (en) * 1999-09-30 2004-02-26 Stickney Ronald E. Apparatus, software, and methods for cardiac pulse detection using a piezoelectric sensor
IL155955A0 (en) * 2003-05-15 2003-12-23 Widemed Ltd Adaptive prediction of changes of physiological/pathological states using processing of biomedical signal
CN115813368A (zh) * 2012-05-30 2023-03-21 瑞思迈传感器技术有限公司 用于监控心肺健康的方法和设备
US20150223701A1 (en) * 2014-02-10 2015-08-13 California Institute Of Technology Breathing and heartbeat feature extraction and victim detection
US11408978B2 (en) * 2015-07-17 2022-08-09 Origin Wireless, Inc. Method, apparatus, and system for vital signs monitoring using high frequency wireless signals
EP3286577B1 (en) * 2015-04-20 2021-03-17 ResMed Sensor Technologies Limited Detection and identification of a human from characteristic signals
CN105559754B (zh) * 2015-12-29 2019-02-26 西北工业大学 一种基于心率与呼吸信号的睡眠呼吸障碍检测方法和装置
US11304610B2 (en) * 2016-02-16 2022-04-19 Impedimed Limited Body state classification
CN107545906B (zh) * 2017-08-23 2021-01-22 京东方科技集团股份有限公司 肺音信号处理方法、处理设备以及可读存储介质
KR20190113390A (ko) * 2018-03-28 2019-10-08 (주)오상헬스케어 호흡 질환 진단 장치 및 호흡 질환 모니터링 방법
KR102205806B1 (ko) * 2018-06-12 2021-01-20 전남대학교산학협력단 호흡상태 분류기의 생성 방법 및 생성한 호흡상태 분류기를 이용한 호흡상태 판단 방법
EP3637432B1 (en) * 2018-09-21 2022-03-23 Tata Consultancy Services Limited System and method for non-apnea sleep arousal detection
US11055575B2 (en) * 2018-11-13 2021-07-06 CurieAI, Inc. Intelligent health monitoring
EP3883468A2 (en) * 2018-11-19 2021-09-29 ResMed Sensor Technologies Limited Methods and apparatus for detection of disordered breathing
CN109998487A (zh) * 2019-04-12 2019-07-12 上海联影医疗科技有限公司 用于影像扫描的呼吸监测方法、装置、设备及介质
CN111227792B (zh) * 2020-01-10 2022-11-01 京东方科技集团股份有限公司 呼吸暂停的检测方法、系统、电子设备及存储介质
CN111653273A (zh) * 2020-06-09 2020-09-11 杭州叙简科技股份有限公司 一种基于智能手机的院外肺炎初步识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111655125A (zh) * 2017-12-22 2020-09-11 瑞思迈传感器技术有限公司 用于健康和医学感测的设备、系统和方法
CN108175382A (zh) * 2018-01-10 2018-06-19 深圳先进技术研究院 基于cpc的非接触式睡眠评估方法及装置
CN108095708A (zh) * 2018-01-19 2018-06-01 动析智能科技有限公司 一种基于混合传感的生理监测及分析方法、系统
KR20200100131A (ko) * 2018-01-19 2020-08-25 에니웨어 컴퍼니 리미티드 혼합 센싱에 기반한 생체 모니터링 및 분석 방법, 시스템
CN108451532A (zh) * 2018-04-28 2018-08-28 杜乙 呼吸信息的获取方法及系统
CN110801221A (zh) * 2019-12-09 2020-02-18 中山大学 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备
CN111110240A (zh) * 2020-01-17 2020-05-08 芯海科技（深圳）股份有限公司 一种呼吸测量方法、装置、移动终端及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Phonocardiographic-Based Fiber-Optic Sensor and Adaptive Filtering system for Noninvasive Continuous Fetal Heart Rate Monitoring;Radek Martinek 等;《Sensors》;20170418;第17卷(第04期);1-26 *
基于FCA-ReliefF的融合生理信号情绪识别研究;潘礼正 等;《计算机测量与控制》;20200225;第28卷(第02期);179-183 *
超静平台的微弱振动检测技术研究;张亦弛;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20200315(第（2020）03期);A004-14 *

Also Published As

Publication number Publication date
CN112598033A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
Djelouat et al. System-on-chip solution for patients biometric: A compressive sensing-based approach
Pollreisz et al. A simple algorithm for emotion recognition, using physiological signals of a smart watch
Machado et al. Human activity data discovery from triaxial accelerometer sensor: Non-supervised learning sensitivity to feature extraction parametrization
WO2019016598A1 (en) DISCOVERING NEW FEATURES FOR USE IN AUTOMATIC LEARNING TECHNIQUES, SUCH AS AUTOMATIC LEARNING TECHNIQUES FOR DIAGNOSING HEALTH CONDITIONS
US20140046144A1 (en) Real-time stress determination of an individual
CN114176521B (zh) 基于雷达信息的睡眠分期方法、装置及终端
Raj et al. A personalized point-of-care platform for real-time ECG monitoring
CN112043252A (zh) 基于脉搏信号中呼吸成分的情绪识别系统及方法
CN112598033B (zh) 生理信号处理方法、装置、设备及存储介质
Gu et al. An optimized variational mode decomposition method and its application in vibration signal analysis of bearings
Mohammadi Far et al. Prediction of preterm delivery from unbalanced EHG database
Abdullah Al et al. Improving R peak detection in ECG signal using dynamic mode selected energy and adaptive window sizing algorithm with decision tree algorithm
Cheng et al. Fault diagnosis of gearbox based on local mean decomposition and discrete hidden Markov models
Liu et al. Multiscale sample entropy analysis of wrist pulse blood flow signal for disease diagnosis
CN113220895A (zh) 基于强化学习的信息处理方法、装置、终端设备
CN116712099A (zh) 基于多模态数据的胎心状态检测方法、电子设备、存储介质
CN117017297A (zh) 驾驶员疲劳的预测和识别模型建立方法及其应用
CN116473556A (zh) 一种基于多位点皮肤生理响应的情感计算方法及系统
CN116327133A (zh) 一种多生理指标检测方法、装置及相关设备
Erkuş et al. A new collective anomaly detection approach using pitch frequency and dissimilarity: Pitchy anomaly detection (PAD)
Dey et al. Cad patient classification using mimic-ii
Penhaker et al. Biomedical distributed signal processing and analysis
KR20180059985A (ko) 히든 마르코프 모델을 이용한 마취 심도 측정 방법 및 장치
CN113990514A (zh) 医师诊疗行为的异常检测装置、计算机设备及存储介质
Xingxiu et al. Arrhythmia Classification Based on CNN and Bidirectional LSTM.

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