CN106096589A - 基于智能终端摄像头进行短时脉率变异性分析的方法 - Google Patents
基于智能终端摄像头进行短时脉率变异性分析的方法 Download PDFInfo
- Publication number
- CN106096589A CN106096589A CN201610555046.9A CN201610555046A CN106096589A CN 106096589 A CN106096589 A CN 106096589A CN 201610555046 A CN201610555046 A CN 201610555046A CN 106096589 A CN106096589 A CN 106096589A
- Authority
- CN
- China
- Prior art keywords
- phase
- ppg
- intelligent terminal
- pulse frequency
- photographic head
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Abstract
本发明提供了一种基于智能终端摄像头进行短时脉率变异性分析的方法,利用智能终端的摄像头采集、捕捉动脉血管血液颜色细微变化,提取灰度值来模拟光电容积脉搏波,进而对光电容积脉搏波进行处理,从而进行短时的脉率变异性分析,该发明提高了使用摄像头采集脉搏波的稳定性和识别特征点的精确度,且短时脉率变异性相对于长时脉率变异性分析更加方便快捷,利于脉率变异性监测的大范围的推广应用。
Description
技术领域
本发明涉及人体体征参数测量技术领域,具体涉及一种基于智能终端摄像头进行短时脉率变异性分析的方法。
背景技术
由于动脉活动引起人体特定部位的皮肤产生颜色细微的变化,因而可以使用高分辨率的摄像头来采集皮肤颜色变化的信息,并根据采集连续的图像来测量需要的人体体征参数。脉率变异性(PRV)能精确的反映心脏的活动信息,为心脏功能变化和心脏疾病的诊断提供了参考依据。
近两年来,在利用生物光学信息进行人体生理特征参数测量方面已经取得了一些研究成果,但其中大多数基于专业的测量设备,此类方法虽然可以获得精确的数据,但缺点在于设备费用较昂贵、操作繁琐等,不利于监测的普及和推广。同时随着移动终端技术的飞速发展,智能手机的便携性、数据处理能力的提升使得其可以成为理想的体征监测设备.因此,利用移动终端平台研究用于人体关键体征参数的测量将成为移动终端应用中的一个研究热点。
发明内容
本发明的目的在于提供一种基于智能终端摄像头进行短时脉率变异性分析的方法,以解决专业人体体征监测设备操作繁琐、价格昂贵,不利于普及和推广的技术问题。
为解决上述技术问题,本发明采用以下技术方案予以实现:
一种基于智能终端摄像头进行短时脉率变异性分析的方法,包括如下步骤:
S1:利用智能终端的摄像头连续采集图像;
S2:提取连续图像的整体灰度值,构成血液灰度变化波形;
S3:对血液灰度变化波形做预处理,得到光电容积脉搏波;
S4:采用差分阈值法计算光电容积脉搏波的极小值点,相邻两个极小值点之间的间期等效两个PPG波的间期;
S5:根据PPG波的间期,采用时域和频域分析,进行脉率变异性的计算和分析。
所述S3中的预处理包括:非递归型FIR低通滤波器,用于消除随机高频噪声干扰;形态学滤波器,用于滤除基线漂移;自适应的标量卡尔曼滤波器,用于抑制信号幅度值的抖动。
进一步地,所述非递归型FIR低通滤波器消除随机高频噪声干扰,设FIR低通滤波器的通带截止频率为5Hz。
进一步地,所述形态学滤波包括如下步骤:
A1:PPG两个极小值点之间的距离大约为16个点,PPG信号的采样频率为fS=20Hz,特征波的时间宽度为0.8s,则选用的直线型结构元素宽度k=1.2×fS×t≈20;原始信号f通过结构元素k进行开闭运算OC(f)=(fοk)·k,原始信号f通过结构元素k进行闭开运算CO(f)=(f·k)οk;
A2:得到基线漂移信号
A3:原始信号f减去基线漂移信号f1,得到滤波后的信号
进一步地,所述自适应的标量卡尔曼滤波器引入线性随机微分方程:
X(k)=AX(k-1)+BU(k)+W(k)
和系统的测量值:
Z(k)=HX(k)+V(k),
式中,X(k)是k时刻的系统状态,U(k)是k时间的系统控制量,A、B为系统参数,Z(k)为摄像头测得的每帧灰度值,H为测量系统的值,W(k)为过程噪声,V(k)为测量噪声。
所述S4中PPG波的间期的提取方法为:
G1:采用差分阈值法计算光电容积脉搏波的极小值点,相邻两个极小值点之间的间期等效两个PPG波的间期;
所述一阶差分方程式为:
f′(x)=f(n)-f(n-1)
式中,f(n)为经过滤波处理后的光电容积脉搏波信号序列;
G2:使用动态的窗函数来判断来判定是否为合格PPG波的间期,所述动态的窗函数为:
Wf=(Wf+PPI)/2,
式中,Wf=16为当前的时间窗宽度,PPI为上一个脉搏波间期;
当Wf*0.4<PPI<0.12s时视为合格脉搏波间期,当PPI<Wf*0.4时脉搏波间期无效舍弃,直到收集到连续的PPI数据达到64个时,将此数据作为计算PRV的信号。
与现有技术相比,本申请提供的技术方案,具有的技术效果或优点是:该发明提高了使用摄像头采集脉搏波的稳定性和识别特征点的精确度,且短时脉率变异性相对于长时脉率变异性分析更加方便快捷,利于脉率变异性的大范围的推广应用。
附图说明
图1为本发明短时脉率变异性分析方法的流程图;
图2为FIR低通滤波器的幅频响应特性曲线图;
图3为形态学滤波抑制基线漂移的流程图;
图4为差分阈值后极值点的分布图。
图5为脉率变异性信号获取的流程图。
具体实施方式
本申请实施例通过提供一种基于智能终端摄像头进行短时脉率变异性分析的方法,以解决专业人体体征监测设备操作繁琐、价格昂贵,不利于普及和推广的技术问题。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式,对上述技术方案进行详细的说明。
实施例
一种基于智能终端摄像头进行短时脉率变异性分析的方法,如图1所示,包括如下步骤:
S1:利用智能终端的摄像头对用户的手指进行连续的图像采集,连续采集图像是利用智能终端摄像头采集手指指尖的图像,并且打开背面的LED灯补光以减少外部光线的干扰,摄像头连续采集1分钟280*300像素的图像。
S2:提取每一帧图像中的灰度信息,并将每一帧图像中的每个像素灰度值累加,作为每一帧图像的整体灰度值,连续图像的整体灰度值构成血液灰度变化波形。在本实施例中,采用Android系统摄像头实时预览图像格式为YUV420SP。从每个像素点中分离灰度值即YUV420SP的Y分量,然后对每一帧图像的灰度值求和得到帧信号。由连续图像的灰度值构成光电容积脉搏波(PPG)的波形。
S3:对血液灰度变化波形进行预处理,得到光电容积脉搏波。
因为采集到的原始PPG信号含有随机高频噪声和基线漂移噪声,所以,本实施例中采用非递归型FIR低通滤波器消除随机高频噪声干扰,采用形态学滤波去基线漂移,采用自适应的标量卡尔曼滤波器抑制信号幅度值的抖动。
由于PPG信号频率集中在5Hz以内,而高频噪声频率远高于10Hz,为了保证各种情况下都可以有效滤除高频噪声,本实施例中设计低通滤波器的通带截止频率为5Hz,该低通滤波器能有效的消除高频干扰的影响。因考虑到在实现PPG幅度特性的同时保证严格的相位特性,运算效率、稳定性,因此使用非递归型的FIR滤波器,表示为:用h(n)表示截取hd(n)后的冲激响应,即h(n)=ω(n)hd(n),式中,ω(n)为窗函数,长度为M。当τ=(M-1)/2时,截取的一段h(n)与(N-1)/2对称,可保证所设计的滤波器具有线性相位。图2所示为FIR低通滤波器的幅频响应特性曲线图。
基线漂移产生的主要原因是手指细微的移动和呼吸引起的,所以采用形态学滤波来消除基线漂移。图3为形态学滤波抑制基线漂移的流程图。
A1:PPG两个极小值点之间的距离大约为16个点,PPG信号的采样频率为fS=20Hz,特征波的时间宽度为0.8s,则选用的直线型结构元素宽度k=1.2×fS×t≈20;原始信号f通过结构元素k进行开闭运算OC(f)=(fοk)·k,原始信号f通过结构元素k进行闭开运算CO(f)=(f·k)οk;
A2:得到基线漂移信号
A3:原始信号f减去基线漂移信号f1,得到滤波后的信号
因为PPG信号是一维信号,所以使用自适应性的标量卡尔曼滤波抑制信号幅度值的抖动。
引入线性随机微分方程:
X(k)=AX(k-1)+BU(k)+W(k)
和系统的测量值:
Z(k)=HX(k)+V(k),
式中,X(k)是k时刻的系统状态,U(k)是k时间的系统控制量,A、B为系统参数,Z(k)为摄像头测得的每帧灰度值,H为测量系统的值,W(k)为过程噪声,V(k)为测量噪声。
S4:采用差分阈值法得到光电容积脉搏波的极小值点,相邻两个极小值点之间的间期等效于两个PPG波的间期;
所述PPG波的间期的提取方法为:
G1:采用差分阈值法计算光电容积脉搏波的极小值点,相邻两个极小值点之间的间期等效两个PPG波的间期;
所述一阶差分方程式为:
f′(x)=f(n)-f(n-1)
式中,f(n)为经过滤波处理后的光电容积脉搏波信号序列;
G2:使用动态的窗函数来判断来判定是否为合格PPG波的间期,所述动态的窗函数为:
Wf=(Wf+PPI)/2,
式中,Wf=16为当前的时间窗宽度,PPI为上一个脉搏波间期;
当Wf*0.4<PPI<0.12s时视为合格脉搏波间期,当PPI<Wf*0.4时脉搏波间期无效舍弃,直到收集到连续的PPI数据达到64个时,将此数据作为计算PRV的信号。
根据经验极值点下降部分是最大导数的位置,所以在求差分时,用前值减后值,且导数最大值为正值。通过相邻两个极小值之间的间期等于两个PPG波的间期(PPI)。图4为对波形进行差分阈值后极值点的分布图。
S5:根据等效的PPG波间期,采用时域和频域分析,进行脉率变异性的计算和分析。
脉率变异性使用的是心电信号(ECG)R波间期来计算、分析PRV,本发明采集的是PPG信号。Altemeyer、Atlasz等学者证明脉搏波间期(PPI)和R波间期(RRI)有较好的一致性,所以本实施例使用RRI代替PPI来计算、分析PRV。动态的窗函数为:Wf=(Wf+PPI)/2,式中Wf为当前的时间窗宽度、PPI为上一个脉搏波间期,当Wf*0.4<PPI<0.12s时视为合格脉搏波间期,当PPI<Wf*0.4时脉搏波间期无效舍弃,直到收集到连续的PPI数据达到64个时,将此数据作为计算PRV的信号。图5为脉率变异性信号获取的流程图。
时域分析主要应用数理统计方法对PPI间期进行统计学分析,主要时域指标有:
1)SDNN:正常窦性PPG间期的标准差,单位为ms,其计算公式为:
式中,N为正常心搏的总数,RRi为第i个PP间期,meanRR为N个PP间期的均值。
2)RMSSD:连续相邻正常PPG间期的均方根,其计算公式为:
式中,RRi和RRi+1为相邻正常PPG间期的长度。
3)NN50:在所有PPG间期中,相邻的PPG间期之差大于50ms的心博个数。
4)pNN50:所有PPG间期中相邻PPG间期之差大于50ms的个数占所有PPG间期个数的百分比。其公式如下:
频域分析即进行功率谱密度分析,一般以基于快速傅里叶变换的经典谱或者是基于自回归模型的现代谱估计得出主要的指标有:
1)总功率TP:指所有频率范围内各个功率分量的总和,是自主神经系统的整体活性状态,表示自主神经对机体的调节能力。其公式为:
式中,P(k)为频率所对应的功率,
2)高频功率HF:主要体现迷走神经的活性,与呼吸运动相关,一般在呼吸缓慢或深呼吸是有过度升高的现象。其公式为:
3)低频功率LF:自主神经系统的传出神经,受交感神经和迷走神经的双重影响,主要体现交感神经的活性。其公式为:
4)超低频功率VLF:主要代表交感神经张力,与体温调节系统密切相关,与血管运动、激素相关的心肺功能也有关联。其公式为:
5)低频功率与高频功率之比LF/HF:反映自主神经系统交感神经和副交感神经的均衡度。
本申请的上述实施例中,通过提供一种基于智能终端摄像头进行短时脉率变异性分析的方法,利用智能终端的摄像头采集、捕捉动脉血管血液颜色细微变化,提取灰度值来模拟光电容积脉搏波,进而对光电容积脉搏波进行处理,从而进行短时的脉率变异性分析,该发明提高了使用摄像头采集脉搏波的稳定性和识别特征点的精确度,且短时脉率变异性相对于长时脉率变异性分析更加方便快捷,利于脉率变异性的大范围的推广应用。
应当指出的是,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换,也应属于本发明的保护范围。
Claims (10)
1.基于智能终端摄像头进行短时脉率变异性分析的方法,其特征在于:包括如下步骤:
S1:利用智能终端的摄像头连续采集图像;
S2:提取连续图像的整体灰度值,构成血液灰度变化波形;
S3:对血液灰度变化波形做预处理,得到光电容积脉搏波;
S4:采用差分阈值法计算光电容积脉搏波的极小值点,相邻两个极小值点之间的间期等效两个PPG波的间期;
S5:根据PPG波的间期,采用时域和频域分析,进行脉率变异性的计算和分析。
2.根据权利要求1所述的基于智能终端摄像头进行短时脉率变异性分析的方法,其特征在于:所述S1中连续采集图像是利用智能终端摄像头采集手指指尖的图像,并且打开背面的LED灯补光以减少外部光线的干扰。
3.根据权利要求2所述的基于智能终端摄像头进行短时脉率变异性分析的方法,其特征在于:所述图像的输出格式为YUV420sp,其中Y为灰度值。
4.根据权利要求3所述的基于智能终端摄像头进行短时脉率变异性分析的方法,其特征在于:所述S2中的整体灰度值的提取:提取每一帧图像中的灰度信息,并将每一帧图像中的每个像素灰度值累加。
5.根据权利要求1所述的基于智能终端摄像头进行短时脉率变异性分析的方法,其特征在于,所述S3中的预处理包括:
非递归型FIR低通滤波器,用于消除随机高频噪声干扰;
形态学滤波器,用于滤除基线漂移;
自适应的标量卡尔曼滤波器,用于抑制信号幅度值的抖动。
6.根据权利要求1所述的基于智能终端摄像头进行短时脉率变异性分析的方法,其特征在于:所述非递归型FIR低通滤波器中选用海明窗函数,其中通带截止频率为Wp=5Hz,阻带截止频率为Ws=10Hz,阻带最小衰减为δ=-50dB,计算过渡带宽Δω=0.2π,窗口长度N=6.6π/0.2π=33,τ=(N-1)/2=16。
7.根据权利要求1所述的基于智能终端摄像头进行短时脉率变异性分析的方法,其特征在于:所述形态学滤波器去基线漂移包括以下步骤:
A1:PPG两个极小值点之间的距离大约为16个点,PPG信号的采样频率为fS=20Hz,特征波的时间宽度为0.8s,则选用的直线型结构元素宽度k=1.2×fS×t≈20;原始信号f通过结构元素k进行开闭运算原始信号f通过结构元素k进行闭开运算
A2:得到基线漂移信号
A3:原始信号f减去基线漂移信号f1,得到滤波后的信号
8.根据权利要求1所述的基于智能终端摄像头进行短时脉率变异性分析的方法,其特征在于:
所述自适应的标量卡尔曼滤波器中的
引入线性随机微分方程为:
X(k)=AX(k-1)+BU(k)+W(k),
X(k)是k时刻的系统状态,U(k)是k时间的系统控制量,A、B为常数,A=0.2、B=0.4;
和系统的测量值为:
Z(k)=HX(k)+V(k),
Z(k)为摄像头测得的每帧灰度值,H=1为测量系统的值,W(k)为过程噪声,V(k)为测量噪声。
9.根据权利要求1所述的基于智能终端摄像头进行短时脉率变异性分析的方法,其特征在于:所述S4中PPG波的间期的提取方法为:
G1:采用差分阈值法计算光电容积脉搏波的极小值点,相邻两个极小值点之间的间期等效两个PPG波的间期;
所述一阶差分方程式为:
f′(x)=f(n)-f(n-1),
式中,f(n)为经过滤波处理后的光电容积脉搏波信号序列;
G2:使用动态的窗函数来判断来判定是否为合格PPG波的间期,
所述动态的窗函数为:
Wf=(Wf+PPI)/2,
式中,Wf=16为当前的时间窗宽度,PPI为上一个脉搏波间期;
当Wf*0.4<PPI<0.12s时视为合格脉搏波间期,当PPI<Wf*0.4时脉搏波间期无效舍弃,直到收集到连续的PPI数据达到64个时,将此数据作为计算PRV的信号。
10.根据权利要求1所述的基于智能终端摄像头进行短时脉率变异性分析的方法,其特征在于:所述S5中时域分析应用数理统计方法,时域计算的指标为:SDNN(正常窦性PPG间期的标准差)、RMSSD(连续相邻正常PPG间期的均方根)、NN50(相邻的PPG间期之差大于50ms的心博个数)、pNN50(所有PPG间期中相邻PPG间期之差大于50ms的个数占所有PPG间期个数的百分比);
频域分析为功率谱密度分析,频域计算的指标为:TP(总功率)、HF(高频功率)、LF(低频功率)、VLF(超低频功率)、LF/HF(低频功率与高频功率之比)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610555046.9A CN106096589A (zh) | 2016-07-14 | 2016-07-14 | 基于智能终端摄像头进行短时脉率变异性分析的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610555046.9A CN106096589A (zh) | 2016-07-14 | 2016-07-14 | 基于智能终端摄像头进行短时脉率变异性分析的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106096589A true CN106096589A (zh) | 2016-11-09 |
Family
ID=57220164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610555046.9A Pending CN106096589A (zh) | 2016-07-14 | 2016-07-14 | 基于智能终端摄像头进行短时脉率变异性分析的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096589A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108833085A (zh) * | 2018-04-04 | 2018-11-16 | 深圳大学 | 一种基于心跳信号的可穿戴智能设备配对方法及系统 |
CN108852307A (zh) * | 2018-05-24 | 2018-11-23 | 重庆理工大学 | 一种非接触无创动脉硬化检测装置 |
CN113749658A (zh) * | 2021-10-11 | 2021-12-07 | 山东大学 | 基于集成学习的心肺耦合抑郁状态识别方法及系统 |
CN113749655A (zh) * | 2021-11-08 | 2021-12-07 | 芯原微电子(南京)有限公司 | 一种血氧饱和度检测方法、装置,电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101785667A (zh) * | 2010-01-15 | 2010-07-28 | 北京工业大学 | 基于波形特征点分析容积脉搏波波图的方法及检测装置 |
CN103932693A (zh) * | 2014-03-27 | 2014-07-23 | 西安电子科技大学 | 一种基于手机图像的人体心率的测量方法 |
CN104323764A (zh) * | 2014-10-13 | 2015-02-04 | 天津工业大学 | 一种基于智能手机的人体动脉血压测量方法 |
US20150320328A1 (en) * | 2014-05-06 | 2015-11-12 | Alivecor, Inc. | Blood pressure monitor |
CN105266772A (zh) * | 2014-06-20 | 2016-01-27 | 赵海 | 一种生理参数的测量方法 |
-
2016
- 2016-07-14 CN CN201610555046.9A patent/CN106096589A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101785667A (zh) * | 2010-01-15 | 2010-07-28 | 北京工业大学 | 基于波形特征点分析容积脉搏波波图的方法及检测装置 |
CN103932693A (zh) * | 2014-03-27 | 2014-07-23 | 西安电子科技大学 | 一种基于手机图像的人体心率的测量方法 |
US20150320328A1 (en) * | 2014-05-06 | 2015-11-12 | Alivecor, Inc. | Blood pressure monitor |
CN105266772A (zh) * | 2014-06-20 | 2016-01-27 | 赵海 | 一种生理参数的测量方法 |
CN104323764A (zh) * | 2014-10-13 | 2015-02-04 | 天津工业大学 | 一种基于智能手机的人体动脉血压测量方法 |
Non-Patent Citations (3)
Title |
---|
丑永新 等: "基于手机的动态脉率变异性信号提取与分析", 《中国医疗器械杂志》 * |
蒋文俊: "智能手机脉搏波信号实时检测与分析", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邓璐 等: "基于形态学的心电信号基线漂移矫正方法", 《数字通信》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108833085A (zh) * | 2018-04-04 | 2018-11-16 | 深圳大学 | 一种基于心跳信号的可穿戴智能设备配对方法及系统 |
CN108833085B (zh) * | 2018-04-04 | 2019-11-29 | 深圳大学 | 一种基于心跳信号的可穿戴智能设备配对方法及系统 |
CN108852307A (zh) * | 2018-05-24 | 2018-11-23 | 重庆理工大学 | 一种非接触无创动脉硬化检测装置 |
CN108852307B (zh) * | 2018-05-24 | 2020-11-24 | 重庆理工大学 | 一种非接触无创动脉硬化检测装置 |
CN113749658A (zh) * | 2021-10-11 | 2021-12-07 | 山东大学 | 基于集成学习的心肺耦合抑郁状态识别方法及系统 |
CN113749658B (zh) * | 2021-10-11 | 2022-08-26 | 山东大学 | 基于集成学习的心肺耦合抑郁状态识别方法及系统 |
CN113749655A (zh) * | 2021-11-08 | 2021-12-07 | 芯原微电子(南京)有限公司 | 一种血氧饱和度检测方法、装置,电子设备及存储介质 |
CN113749655B (zh) * | 2021-11-08 | 2022-03-08 | 芯原微电子(南京)有限公司 | 一种血氧饱和度检测方法、装置,电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105832289A (zh) | 用于使用希尔伯特变换估计生物生理速率的设备和方法 | |
CN110664390B (zh) | 基于腕带式ppg和深度学习的心率监测系统及方法 | |
CN101658425B (zh) | 基于心率变异分析的注意力集中程度的检测装置及方法 | |
Ieong et al. | A 0.83-$\mu {\rm W} $ QRS Detection Processor Using Quadratic Spline Wavelet Transform for Wireless ECG Acquisition in 0.35-$\mu {\rm m} $ CMOS | |
Schäck et al. | Computationally efficient heart rate estimation during physical exercise using photoplethysmographic signals | |
CN106096589A (zh) | 基于智能终端摄像头进行短时脉率变异性分析的方法 | |
CN105193431A (zh) | 一种人体精神压力状态分析装置 | |
CN105919584A (zh) | 用于可穿戴心率监测设备的心率估计方法及装置 | |
CN108056769A (zh) | 一种生命体征信号分析处理方法、装置和生命体征监测设备 | |
CN105147251B (zh) | 基于多通道sEMG的肌肉疲劳动态预测方法 | |
CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
CN104161505A (zh) | 一种适用于可穿戴式心率监测设备的运动和噪声干扰消除方法 | |
CN107874750B (zh) | 脉率变异性和睡眠质量融合的心理压力监测方法及装置 | |
CN103932693A (zh) | 一种基于手机图像的人体心率的测量方法 | |
CN106798552A (zh) | 具有状态序列优化的心率估计设备 | |
CN106264505A (zh) | 一种基于支持向量机的心率谱峰选择方法 | |
Sharma et al. | QRS complex detection in ECG signals using the synchrosqueezed wavelet transform | |
CN109512395B (zh) | 一种生物信号的分析处理方法、装置及设备 | |
Li et al. | A low-complexity ECG processing algorithm based on the Haar wavelet transform for portable health-care devices | |
Arunkumar et al. | CASINOR: Combination of adaptive filters using single noise reference signal for heart rate estimation from PPG signals | |
TW201505606A (zh) | 心電圖學訊號擷取方法 | |
Das et al. | Arduino-based noise robust online heart-rate detection | |
Maity et al. | PPGMotion: Model-based detection of motion artifacts in photoplethysmography signals | |
CN108567419A (zh) | 基于呼吸心跳特征波的信号处理装置及方法 | |
JP2023505111A (ja) | 光学データからの生理学的測定のためのシステムおよび方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161109 |
|
WD01 | Invention patent application deemed withdrawn after publication |