CN106725487A - 一种呼吸率提取方法及装置 - Google Patents
一种呼吸率提取方法及装置 Download PDFInfo
- Publication number
- CN106725487A CN106725487A CN201611184251.5A CN201611184251A CN106725487A CN 106725487 A CN106725487 A CN 106725487A CN 201611184251 A CN201611184251 A CN 201611184251A CN 106725487 A CN106725487 A CN 106725487A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- morther
- electrocardiosignal
- entropy
- respiratory rate
- 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
-
- 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
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pulmonology (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种呼吸率提取方法,所述方法包括:接收原始心电信号,并对所述原始心电信号进行工频陷波后得到待提取的心电信号;根据所述心电信号及预先选择的母小波计算小波熵,并利用计算得到的所述小波熵获得所述母小波的优化参数,得到优化后的母小波;利用所述优化后的母小波对所述心电信号进行小波变换,从所述心电信号中提取出呼吸信号;根据所述呼吸信号计算得到当前时刻的呼吸率。本发明还公开了一种呼吸率提取装置,能够准确地从心电信号中提取呼吸信号,从而计算得到精确的呼吸率。
Description
技术领域
本发明涉及呼吸检测领域,尤其涉及一种呼吸率提取方法及装置。
背景技术
呼吸是人体重要的生理过程,对人体呼吸的监护检测也是现代医学监护技术的一个重要组成部分。患者不论是呼吸系统本身的病变或是其他重要脏器的病变发展到一定程度都会影响呼吸中枢。多脏器系统功能衰竭往往累及呼吸功能的衰竭,呼吸功能的衰竭又导致其他脏器功能的衰竭,互为因果。
现有技术对呼吸运动主要使用下列方法检测:阻抗容积法,用高频恒流源测量胸部阻抗的变化来提取呼吸信息;传感器法,使用温度、压力、湿度和气流传感器作为鼻孔传感器;电容法,当呼吸时导致电容值产生相应的变化;呼吸音法:通过拾取呼吸音识别呼吸;超声法,利用超声波产生多谱勒现象,检测出呼吸频率。使用这些方法不但需要增加信号采集部件,而且受到运动和环境的影响,不适合用于日常监护。
大量临床资料显示,呼吸运动会引起心电图的变化。通过心电图,我们可以观察到在呼吸周期内由胸部运动和心脏位置变化所引起的心电波形峰峰值的改变。这是由于呼吸周期内,描述心脏电波主要传播方向的心脏电轴旋转造成QRS波群形态发生了变化。QRS波是指正常心电图中幅度最大的波群,反映心室除极的全过程。正常心室除极始于室间隔中部,自左向右方向除极,故QRS波群先呈现一个小向下的q波。正常胸导联QRS波群形态较恒定。从心电信号中提取呼吸信号(ECG-DerivedRespiration,EDR)是一种呼吸信号检测技术,这种技术不需要专用传感器和硬件模块检测呼吸信号,只需要用心电监护仪获取心电信号,避免了上述两种检测方法对人体的束缚,使动态呼吸检测成为可能。
但现有从心电信号中提取呼吸信号的技术,在计算时主要采用波形法,该方法通过一段时间内波形的平均值(即基线值),来判定当前呼吸波处于上升或下降趋势,用极值的方法求得波形的波峰、波谷。根据一定的阈值条件来判定有效的波峰或波谷,再根据有效波峰或波谷的周期计算波形周期,从而得到呼吸率。这种算法虽然具有比较直观、运算量小的优点,但在实际过程中获取的呼吸波形或多或少会受到心电活动的影响,当波形出现基线漂移时,计算的基线值无法很快更新,会导致波形漏检致使呼吸率值偏低,其结果会有较大偏差。
发明内容
针对上述问题,本发明的目的在于提供一种呼吸率提取方法及装置,可提高信号提取的精确度,以保证计算得到的呼吸率具有较高的准确度。
本发明提供了一种呼吸率提取方法,包括:
接收原始心电信号,并对所述原始心电信号进行工频陷波后得到待提取的心电信号;
根据所述心电信号及预先选择的母小波计算小波熵,并利用计算得到的所述小波熵获得所述母小波的优化参数,得到优化后的母小波;
利用所述优化后的母小波对所述心电信号进行小波变换,从所述心电信号中提取出呼吸信号;
根据所述呼吸信号计算得到当前时刻的呼吸率。
优选地,在根据所述心电信号及预先选择的母小波计算小波熵,并利用计算得到的所述小波熵获得所述母小波的优化参数,得到优化后的母小波之前,还包括:
对所述心电信号进行降采样。
优选地,所述预先选择的母小波为coif3小波。
优选地,所述根据所述心电信号及预先选择的母小波计算小波熵,并利用计算得到的所述小波熵获得所述母小波的优化参数,得到优化后的母小波,具体包括:
根据所述心电信号及预先选择的母小波进行小波变换,得到相对于至少两个信号分析频率的小波系数;其中,所述母小波具有中心频带和带宽两个参数;
根据与每个信号分析频率对应的小波系数与所有信号分析频率的小波系数之和的比值,得到一组概率分布序列;
根据所述的一组概率分布序列得到小波熵,并计算所述小波熵取得最小值时,所述母小波的中心频带与带宽的比值;
根据得到的所述比值生成优化后的母小波。
优选地,所述比值为4.43。
优选地,所述根据所述优化后的母小波及预置的呼吸频段对所述待处理心电信号进行信号提取,得到呼吸信号,具体包括:
根据香农-奈奎斯特采样原理对所述待处理心电信号的采样频率进行分层,计算得到每层的频率范围;
依据每层的频率范围及预置的呼吸频段确定小波分解和小波重构所需的层数;
根据所述小波分解所需的层数对所述优化后的母小波进行信号分解,得到按频段划分的多层波形;
根据与所述小波重构所需的层数对应的小波系数及分解得到的所述多层波形进行信号重构,得到呼吸信号。
本发明还提供了一种呼吸率提取装置,包括:
工频陷波单元,用于接收原始心电信号,并对所述原始心电信号进行工频陷波后得到待处理的心电信号;
小波熵优化单元,用于根据所述心电信号及预先选择的母小波计算小波熵,并利用计算得到的所述小波熵获得所述母小波的优化参数,得到优化后的母小波;
小波变换单元,用于利用所述优化后的母小波对所述心电信号进行小波变换,从所述心电信号中提取出呼吸信号;
呼吸率计算单元,用于根据所述呼吸信号计算得到当前时刻的呼吸率。
优选地,还包括:
降采样单元,用于对所述心电信号进行降采样。
优选地,所述小波熵优化单元具体包括:
小波系数计算模块,用于根据所述心电信号及预先选择的母小波进行小波变换,得到相对于至少两个信号分析频率的小波系数;其中,所述母小波具有中心频带和带宽两个参数;
概率分布计算模块,用于根据每层的小波系数与所有层的小波系数之和的比值,得到一组概率分布序列;
小波熵计算模块,用于根据所述的一组概率分布序列得到小波熵,并计算所述小波熵取得最小值时,所述母小波的中心频带与带宽的比值;
母小波优化模块,用于根据得到的所述比值生成优化后的母小波。
优选地,所述小波变换单元具体包括:
频段分层模块,用于根据香农-奈奎斯特采样原理及所述心电信号的采样频率进行频段分层,计算得到每层的频率范围;
层数确定模块,用于依据所述频段分层每层的频率范围及通带频率确定小波分解和重构所需的层数;
信号分解模块,用于根据与所述小波分解所需的层数及预先选择的母小波进行信号分解,得到按频段划分的多层波形;
信号重构模块,用于根据与所述小波重构所需的层数对应的系数及分解得到的所述多层波形进行信号重构,得到呼吸信号。
本发明提供的呼吸率提取方法及装置,利用小波熵理论对用于进行小波变换的母小波进行优化,使得优化后的母小波为与待提取的呼吸信号的特征最匹配的小波,从而当利用优化后的母小波从心电信号中提取呼吸信号时,保证提取得到的呼吸信号具有较佳的真实度和精确度,进而保证计算得到的呼吸率的准确度,从而为生理或健康监控提供准确的依据。
附图说明
图1是本发明实施例提供的呼吸率提取方法的流程图。
图2是本发明实施例提供的原始心电信号的波形图。
图3是本发明实施例提供的工频陷波后的待处理心电信号的波形图。
图4是本发明实施例提供的小波熵与中心频率-带宽比的关系曲线图。
图5是本发明实施例提供的呼吸信号的波形图。
图6是本发明实施例提供的呼吸率提取装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种呼吸率提取方法,用于从心电信号中提取出呼吸信息,由于呼吸作用引起的心电图中的基线漂移,把呼吸信息看作是心电信号的低频成分,通过去除呼吸频率以外的信号,可以得到所需提取的呼吸信息。
参见图1,为本发明实施例提供的一种呼吸率提取方法,包括如下步骤:
S101,接收原始心电信号,并对所述原始心电信号进行工频陷波后得到待提取的心电信号。
参见图2,为根据本发明实施例的原始心电信号的波形图。所述原始心电信号包含大量的工频干扰,需要进行50Hz工频陷波,以滤除工频干扰。参见图3,为对所述原始心电信号进行工频陷波后的待提取的心电信号的波形图。
S102,根据所述心电信号及预先选择的母小波计算小波熵,并利用计算得到的所述小波熵获得所述母小波的优化参数,得到优化后的母小波。
在本发明实施例中,经验证,coifN小波和dmey小波的提取效果较佳,且优选地,以coif3小波基作为母小波时,具有最佳的提取效果。因而本发明实施例采用coif3小波基作为母小波。coif3小波基的表达式如公式1所示:
其中,fc表示特征频率,也是中心频率,σt为高斯窗的标准差,通常取值为1,σf为带宽,通常σf=1/2π·σt。
分析所述母小波可知,小波波形振荡衰减的快慢由带宽σf决定,波形的振荡频率由中心频率fc决定。根据公式1可以计算coif3小波基的频率分辨率(如公式2所示)和时间分辨率(如公式3所示),其中,fs为采样频率,fi为信号分析频率。
在本发明实施例中,具体地,步骤S102可包括:
S1021,根据所述心电信号及预先选择的母小波进行小波变换,得到相对于至少两个信号分析频率的小波系数。
其中,所述小波系数X(fi,t)可以通过对心电信号及母小波进行内积得到,fi为信号分析频率。
S1022,根据与每个信号分析频率对应的小波系数与所有信号分析频率的小波系数之和的比值,得到概率分布序列。
在本发明实施例中,可用概率分布序列pi来表示小波系数,然后计算pi的值,pi的表达式如公式4所示,且pi具有不确定性。
S1023,根据所述概率分布序列得到小波熵,并计算所述小波熵取得最小值时,所述母小波的中心频带与带宽的比值。
其中,小波熵H(P)的计算如公式5所示:
这里,小波熵H(P)是母小波的中心频率与带宽的比值fc/σf的函数,对所述H(P)求最小值,并确定所述小波熵H(P)最小值时,所述fc/σf的值。
如图4所示,可知,当中心频率与带宽的比值为4.43时,所述小波熵H(P)具有最小值。
S1024,根据得到的所述比值生成优化后的母小波。
在本发明实施例中,基于Shannon小波熵概率最优理论,可知当Shannon小波熵达到最小值时,coif3小波的中心频率-带宽比达到最优,对应的基小波就是与特征成分最匹配的小波。
S103,利用所述优化后的母小波对所述心电信号进行小波变换,从所述心电信号中提取出呼吸信号。
具体地:
S1031,根据香农-奈奎斯特采样原理及所述待处理心电信号的采样频率进行频段分层,计算得到每层的频率范围。
根据香农-奈奎斯特采样原理,设所述心电信号的采样频率为fs,目标频段为f1-f2(Hz),运用小波变换分解的层数为N,由奈奎斯特定律可知,则有:
f1=(fs/2)/2N1 (6)
f2=(fs/2)/2N2 (7)
N>N1(N1>N2) (8)
即需要重构的小波的层数为N2~N1层。
S1032,依据所述频段分层中每层的频率范围及预置的通带频率确定小波分解和重构所需的层数。
需要说明的是,由于直接采集的心电信号的采样频率较高(一般为500Hz),会影响小波变换的效率,因此,在进行小波变换前,可先进行降采样。假设所述心电信号被降采样至100Hz,则fs为100Hz,信号最高频率为50Hz,根据公式(6)、(7)、(8)可知,每一层对应的频段如下:
频段 | 频率范围/Hz | 频段 | 频率范围/Hz |
A1 | 0~25 | D1 | 25~50 |
A2 | 1~12.5 | D2 | 12.5~25 |
A3 | 0~6.25 | D3 | 6.25~12.5 |
A4 | 0~3.125 | D4 | 3.125~6.25 |
A5 | 0~1.625 | D5 | 1.625~3.125 |
A6 | 0~0.8125 | D6 | 0.8125~1.625 |
A7 | 0~0.40625 | D7 | 0.40625~0.8125 |
A8 | 0~0.203125 | D8 | 0.203125~0.40625 |
A9 | 0~0.10156 | D9 | 0.10156~0.203125 |
由于呼吸信号的频段范围通常为0.1~0.4Hz,考虑到呼吸急促的情况,将频段扩展为0.1~0.8Hz,心电的频率范围为0.9~6Hz,因此,能够很好地分离呼吸信号和心电信号,所以,选用第9、8、7层的近似系数(D9/D8/D7)来重构信号。
S1033,根据与所述小波分解所需的层数及预先选择的母小波进行信号分解,得到按频段划分的多层波形。
在本发明实施例中,在分解时,可得到N层波形,此时,可提取N2~N1层对应的波形来进行重构。
S1034,根据与所述小波重构所需的层数对应的系数及分解得到的所述多层波形进行信号重构,得到第二呼吸信号。
由步骤S1023可知,小波重构所需的层数为第9、8、7层,此时,即可根据与所述小波重构所需的层数对应的小波系数(通过计算心电信号与小波基的
积得到)及分解得到的所述多层波形进行信号重构,得到呼吸信号。
S104,根据所述呼吸信号计算得到当前时刻的呼吸率。
在本发明实施例中,在获得所述呼吸信号后,即可计算呼吸率R,具体为:
通过求极值法在所述呼吸信号的波形图中寻找呼吸信号的波峰(或者波谷),参见图5中的点标记。
通过提取最近生成的两个波峰之间的时间间隔,得到周期T。
根据采样率换算即可得到实时的呼吸率R。
例如:R=60/T。
本发明提供的呼吸率提取方法及装置,利用小波熵理论对用于进行小波变换的母小波进行优化,使得优化后的母小波为与待提取的呼吸信号的特征最匹配的小波,从而当利用优化后的母小波从心电信号中提取呼吸信号时,保证提取得到的呼吸信号具有较佳的真实度和精确度,进而保证计算得到的呼吸率的准确度,从而为生理或健康监控提供准确的依据。
请参阅图6,本发明还提供一种呼吸率提取装置100,包括:
工频陷波单元10,用于接收原始心电信号,并对所述原始心电信号进行工频陷波后得到待处理的心电信号。
小波熵优化单元20,用于根据所述心电信号及预先选择的母小波计算小波熵,并利用计算得到的所述小波熵获得所述母小波的优化参数,得到优化后的母小波。
小波变换单元30,用于利用所述优化后的母小波对所述心电信号进行小波变换,从所述心电信号中提取出呼吸信号。
呼吸率计算单元40,用于根据所述呼吸信号计算得到当前时刻的呼吸率。
优选地,还包括:
降采样单元50,用于对所述心电信号进行降采样。
优选地,所述小波熵优化单元20具体包括:
小波系数计算模块21,用于根据所述心电信号及预先选择的母小波进行小波变换,得到相对于至少两个信号分析频率的小波系数;其中,所述母小波具有中心频带和带宽两个参数;
概率分布计算模块22,用于根据每层的小波系数与所有层的小波系数之和的比值,得到一组概率分布序列;
小波熵计算模块23,用于根据所述的一组概率分布序列得到小波熵,并计算所述小波熵取得最小值时,所述母小波的中心频带与带宽的比值;
母小波优化模块24,用于根据得到的所述比值生成优化后的母小波。
优选地,所述小波变换单元30具体包括:
频段分层模块31,用于根据香农-奈奎斯特采样原理及所述心电信号的采样频率进行频段分层,计算得到每层的频率范围;
层数确定模块32,用于依据所述频段分层每层的频率范围及通带频率确定小波分解和重构所需的层数;
信号分解模块33,用于根据与所述小波分解所需的层数及预先选择的母小波进行信号分解,得到按频段划分的多层波形;
信号重构模块34,用于根据与所述小波重构所需的层数对应的系数及分解得到的所述多层波形进行信号重构,得到呼吸信号。
本发明提供的呼吸率提取装置100,利用小波熵优化单元20对母小波进行优化,使得优化后的母小波为与待提取的呼吸信号的特征最匹配的小波,从而当利用优化后的母小波对心电信号进行呼吸信号的提取时,可保证提取得到的呼吸信号具有较高的真实度和精确度,进而保证计算得到的呼吸率的准确度,从而为呼吸或生理监控提供准确的依据。
以上所揭露的仅为本发明两种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (10)
1.一种呼吸率提取方法,其特征在于,包括:
接收原始心电信号,并对所述原始心电信号进行工频陷波后得到待提取的心电信号;
根据所述心电信号及预先选择的母小波计算小波熵,并利用计算得到的所述小波熵获得所述母小波的优化参数,得到优化后的母小波;
利用所述优化后的母小波对所述心电信号进行小波变换,从所述心电信号中提取出呼吸信号;
根据所述呼吸信号计算得到当前时刻的呼吸率。
2.根据权利要求1所述的呼吸率提取方法,其特征在于,在根据所述心电信号及预先选择的母小波计算小波熵,并利用计算得到的所述小波熵获得所述母小波的优化参数,得到优化后的母小波之前,还包括:
对所述心电信号进行降采样。
3.根据权利要求1所述的呼吸率提取方法,其特征在于,所述预先选择的母小波为coif3小波。
4.根据权利要求1所述的呼吸率提取方法,其特征在于,所述根据所述心电信号及预先选择的母小波计算小波熵,并利用计算得到的所述小波熵获得所述母小波的优化参数,得到优化后的母小波,具体包括:
根据所述心电信号及预先选择的母小波进行小波变换,得到相对于至少两个信号分析频率的小波系数;其中,所述母小波具有中心频带和带宽两个参数;
根据与每个信号分析频率对应的小波系数与所有信号分析频率的小波系数之和的比值,得到概率分布序列;
根据所述概率分布序列得到小波熵,并计算所述小波熵取得最小值时,所述母小波的中心频带与带宽的比值;
根据得到的所述比值生成优化后的母小波。
5.根据权利要求4所述的呼吸率提取方法,其特征在于,所述比值为4.43。
6.根据权利要求1至5任意一项所述的呼吸率提取方法,其特征在于,所述根据所述优化后的母小波及预置的呼吸频段对所述待处理心电信号进行信号提取,得到呼吸信号,具体包括:
根据香农-奈奎斯特采样原理对所述待处理心电信号的采样频率进行分层,计算得到每层的频率范围;
依据每层的频率范围及预置的呼吸频段确定小波分解和小波重构所需的层数;
根据所述小波分解所需的层数对所述优化后的母小波进行信号分解,得到按频段划分的多层波形;
根据与所述小波重构所需的层数对应的小波系数及分解得到的所述多层波形进行信号重构,得到呼吸信号。
7.一种呼吸率提取装置,其特征在于,包括:
工频陷波单元,用于接收原始心电信号,并对所述原始心电信号进行工频陷波后得到待处理的心电信号;
小波熵优化单元,用于根据所述心电信号及预先选择的母小波计算小波熵,并利用计算得到的所述小波熵获得所述母小波的优化参数,得到优化后的母小波;
小波变换单元,用于利用所述优化后的母小波对所述心电信号进行小波变换,从所述心电信号中提取出呼吸信号;
呼吸率计算单元,用于根据所述呼吸信号计算得到当前时刻的呼吸率。
8.根据权利要求7所述的呼吸率提取装置,其特征在于,还包括:
降采样单元,用于对所述心电信号进行降采样。
9.根据权利要求7所述的呼吸率提取装置,其特征在于,所述小波熵优化单元具体包括:
小波系数计算模块,用于根据所述心电信号及预先选择的母小波进行小波变换,得到相对于至少两个信号分析频率的小波系数;其中,所述母小波具有中心频带和带宽两个参数;
概率分布计算模块,用于根据每层的小波系数与所有层的小波系数之和的比值,得到一组概率分布序列;
小波熵计算模块,用于根据所述的一组概率分布序列得到小波熵,并计算所述小波熵取得最小值时,所述母小波的中心频带与带宽的比值;
母小波优化模块,用于根据得到的所述比值生成优化后的母小波。
10.根据权利要求7所述的呼吸率提取装置,其特征在于,所述小波变换单元具体包括:
频段分层模块,用于根据香农-奈奎斯特采样原理及所述心电信号的采样频率进行频段分层,计算得到每层的频率范围;
层数确定模块,用于依据所述频段分层每层的频率范围及通带频率确定小波分解和重构所需的层数;
信号分解模块,用于根据与所述小波分解所需的层数及预先选择的母小波进行信号分解,得到按频段划分的多层波形;
信号重构模块,用于根据与所述小波重构所需的层数对应的系数及分解得到的所述多层波形进行信号重构,得到呼吸信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611184251.5A CN106725487A (zh) | 2016-12-20 | 2016-12-20 | 一种呼吸率提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611184251.5A CN106725487A (zh) | 2016-12-20 | 2016-12-20 | 一种呼吸率提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106725487A true CN106725487A (zh) | 2017-05-31 |
Family
ID=58894041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611184251.5A Pending CN106725487A (zh) | 2016-12-20 | 2016-12-20 | 一种呼吸率提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106725487A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108852356A (zh) * | 2018-04-27 | 2018-11-23 | 福州大学 | 一种用于检测人体呼吸信号的可降解传感器及其制备方法 |
CN110236527A (zh) * | 2019-07-05 | 2019-09-17 | 北京理工大学 | 一种获取呼吸信息的方法及装置 |
CN111863021A (zh) * | 2020-07-21 | 2020-10-30 | 上海宜硕网络科技有限公司 | 一种用于呼吸音数据识别的方法、系统与设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679994A (zh) * | 2015-01-30 | 2015-06-03 | 哈尔滨工程大学 | 基于小波单支重构的自主式水下机器人推进器故障检测方法 |
CN104931518A (zh) * | 2015-06-09 | 2015-09-23 | 东南大学 | 一种用于x射线荧光光谱本底扣除的方法 |
CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
CN106037722A (zh) * | 2016-05-13 | 2016-10-26 | 广州视源电子科技股份有限公司 | 催眠状态脑电信号提取方法与系统 |
-
2016
- 2016-12-20 CN CN201611184251.5A patent/CN106725487A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679994A (zh) * | 2015-01-30 | 2015-06-03 | 哈尔滨工程大学 | 基于小波单支重构的自主式水下机器人推进器故障检测方法 |
CN104931518A (zh) * | 2015-06-09 | 2015-09-23 | 东南大学 | 一种用于x射线荧光光谱本底扣除的方法 |
CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
CN106037722A (zh) * | 2016-05-13 | 2016-10-26 | 广州视源电子科技股份有限公司 | 催眠状态脑电信号提取方法与系统 |
Non-Patent Citations (1)
Title |
---|
张金宝,王杰华: "由心电信号提取呼吸信息的算法及其仿真实现", 《南通大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108852356A (zh) * | 2018-04-27 | 2018-11-23 | 福州大学 | 一种用于检测人体呼吸信号的可降解传感器及其制备方法 |
CN110236527A (zh) * | 2019-07-05 | 2019-09-17 | 北京理工大学 | 一种获取呼吸信息的方法及装置 |
CN111863021A (zh) * | 2020-07-21 | 2020-10-30 | 上海宜硕网络科技有限公司 | 一种用于呼吸音数据识别的方法、系统与设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388912B (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
US7025729B2 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
CN108416367B (zh) | 基于多传感器数据决策级融合的睡眠分期方法 | |
US11896380B2 (en) | Medical decision support system | |
CN106073784B (zh) | 一种呼吸率提取方法及装置 | |
US8478389B1 (en) | System for processing physiological data | |
JP6457117B2 (ja) | 妊娠中の被験者の連続非侵襲モニタリング | |
Quiceno-Manrique et al. | Detection of obstructive sleep apnea in ECG recordings using time-frequency distributions and dynamic features | |
CN106901694A (zh) | 一种呼吸率提取方法及装置 | |
CN109770892A (zh) | 一种基于心电信号的睡眠分期方法 | |
CN101815465A (zh) | 从心电图得出的呼吸暂停/呼吸减弱指数 | |
JP2018512243A5 (zh) | ||
Khan et al. | Separating Heart Sound from Lung Sound UsingLabVIEW | |
US20210127983A1 (en) | System and A Method for Myocardial Performance Determination | |
CN106725487A (zh) | 一种呼吸率提取方法及装置 | |
Suboh et al. | ECG-based detection and prediction models of sudden cardiac death: Current performances and new perspectives on signal processing techniques | |
Bellos et al. | Extraction and Analysis of features acquired by wearable sensors network | |
Bruun et al. | Automatic atrial fibrillation detection: A novel approach using discrete wavelet transform and heart rate variability | |
Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
CN111031902B (zh) | 多传感器心搏出量监测系统和分析法 | |
CN114027804A (zh) | 一种脉象诊断的方法、装置及可读存储介质 | |
CN106388824B (zh) | 一种呼吸率提取方法及装置 | |
Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
Zhou et al. | Embedded real-time QRS detection algorithm for pervasive cardiac care system | |
CN115024716A (zh) | 基于心率标签生成的心冲击图信号重建方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |