CN107137071B - 一种分析心冲击信号用来计算短期心率值的方法 - Google Patents
一种分析心冲击信号用来计算短期心率值的方法 Download PDFInfo
- Publication number
- CN107137071B CN107137071B CN201710280942.3A CN201710280942A CN107137071B CN 107137071 B CN107137071 B CN 107137071B CN 201710280942 A CN201710280942 A CN 201710280942A CN 107137071 B CN107137071 B CN 107137071B
- Authority
- CN
- China
- Prior art keywords
- signal
- time interval
- value
- bcg
- heart 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.)
- Active
Links
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 pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
Abstract
一种分析心冲击信号用来计算短期心率值的方法,该方法包括:预先建立BCG与ECG信号数据库,得到短期BCG信号每博时间间隔与其阈值的类神经网络模型;将BCG信号取一阶差分滤波后,再转换为能量信号;取得能量信号中极大值;去除过大的振幅坐标点,计算剩余相邻极大值的时间间隔,以此代入类神经网络模型得到每搏时间间隔的阈值;反复进行时间间隔阈值筛选直到所有时间间隔皆大于阈值之最小值;去除大于阈值最大值的时间间隔后计算平均心率。本发明之方法能迅速、准确且在计算量低的情形下得到短期平均心率值。
Description
技术领域
本发明涉及一种关于心率测量的方法,特别是关于一种分析心冲击信号用来计算短期心率值的方法。
背景技术
随着社会的进步,预防医学与健康管理的观念逐渐受到重视,其中生理信号的监测已成为热门的研究项目。非侵入性或非接触式的监测方法可以给予受测者在量测生理信号时较佳的舒适性,适合一般民众居家使用,因此引起众多研究人员的关注。其中,利用心冲击信号(Ballistocardiogram,BCG)对于心血管功能监测的研究近年来已成为广泛探讨的研究项目。
对于心脏功能的监测最常见的方式为使用心电图(Electrocardiogram,ECG),原理是心脏活动时电位的改变可反应在身体的表面。量测时需将电极片接触于受测者的特定部位,通常以黏贴或其他方式固定,所以量测过程中造成受测者一定程度的不适,尤其不利于睡眠时的长期监测。反之,BCG信号的产生的原理为心脏活动与血液循环过程中造成的人体位移或加速度的变化,因此BCG信号为心脏活动与血液动力学的直接反应,可提供包括心率与心输出量(cardiac output)、每搏输出量(stroke volume)等重要生理参数。由于BCG信号监测方法不需使用电极片与身体接触,因此可在受测者无感的情形下测得心血管的活动,为一大优点。然而相较于ECG信号,BCG信号较为平缓,所以除了在分析上更困难之外,也较易于受到呼吸或身体摇动等移动噪声干扰。基于以上原因,早期难以在实际应用上有所突破,直到近年来因为感测与信号处理技术能力的进步,BCG信号处理与应用开始吸引众多研究者更广泛与深入的探讨。
有关利用BCG信号计算心率的专利列举数例如下:
1)公开号为US2007149883(A1)、公开日为2007年06月28日的美国专利公开了一个装置与系统,使用两个或以上不同位置的传感器获得水平与垂直的信号,取其信号差,针对不同使用者应用快速傅里叶变换(Fast Fourier Transform,FFT)与其他方式校正滤波器与传感器灵敏度,去除环境噪声后再加以分析可监测使用者睡眠时的心率与呼吸频率。
2)公开号为ES2328205(A1)、公开日为2009年11月10日的西班牙专利公开了由一般体重计上,感测受测者的重量变化得到BCG信号,分析后可得每搏(beat-to-beat)心率与呼吸频率,不需要其他的传感器辅助。与此专利的相关论文为Gonzalez-Landaeta等人2008年发表于Physiological Measurement期刊的“Heart rate detection from anelectronic weighing scale,”不论是专利与论文对于BCG信号的波峰侦测算法并未详细探讨。
3)公开号为WO2010067297(A1)、公开日为2010年06月17日的世界专利公开了BCG信号的方法与设备,其中使用的方法包括对BCG信号带通滤波取得较高频信号组成、取信号值的平方、低通滤波、检测波峰点等,可辨别每跳的发生,心律不整的使用者同样适用。为求更高的正确性,可增加一步骤改进,例如在得到的波峰点后100毫秒内找出去除呼吸的BCG信号最大值,即为更准确的心跳点。然而若BCG信号较不规律或受较大的噪声干扰时,此步骤效果有限。
4)公开号为102469958A、公开日2012年05月23日的中国专利公开了用于分析心冲击图信号的方法和装置,该专利首先分析BCG信号中的特征矢量使用集群(Cluster)的原理得到心跳的典型特征后,由训练得到的模型特征矢量,再对侦测到的BCG信号进行高频分量与心跳特征矢量的检测。此方法的优点为对于BCG信号不假设其规则性,因而在严重的心率不齐的情况中也可使用。
5)公开号为104182601A、公开日为2014年12月03日的中国专利公开了一种基于心冲击信号的心率值实时提取方法,分析方式为取得BCG信号中所有极大值点,进行幅度筛选后再对极大值点利用周期猜想法进行二维排序后,得到周期计算心率。此算法优点主要有三项,第一为不需要分析BCG的具体波形,第二为应用二维数组排序的运算量很小,第三点是若BCG信号不规律时,例如出现波峰点过多或无波峰点时,仍然可得到可靠的心率值。
6)公开号为US2015338265(A1)、公开日为2015年11月26日的美国专利公开了具有心率计算功能的体重秤,然而此专利并非只使用BCG信号即可获得心率,而是同时量测足部的阻抗值,应用阻抗值变化的信号,由两信号分析比较而获得心率值。值得注意的是,此专利指出单由重量变化得到的心率值在数十人的测试下正确性只有77%,只使用阻抗值变化时正确率约90%,使用两信号互相关(cross correlation)可得到约86%的正确率;经过选取较要信号后可得到的正确率提高至超过96%。
虽然上述各项专利均提出可行的心率计算系统或方法,但是可能使用方法只适用於無干擾的信號分析,或是不适用于短期心率值的计算,因此仍有改善空间。第1份专利主要为睡眠时平躺的量测,可能不适用于其他姿势下得到的BCG信号。第2份专利与相关的论文研究中测量的样本数较少只有17人,在专利中也并未说明对多数人测量时的准确性。第3份专利的方法虽然简单有效,但要求使用者保持静止以免发生产生较大的噪声,例如移动的干扰造成计算上不准确。第4份专利通过特征矢量的识别得到心跳,虽然可提高正确性,也不易受心率不齐情况的影响,但所需计算资源相对较高,而且所提出的方法因为要先经过个人信号学习的阶段,对于长期心率的监测相当有效,对于短期心率的计算较不适合。第5份专利虽然可大幅降低计算量,但是在进行二维排序中时间之阈值(threshold)如何决定并未详细说明,而且此专利只讨论以坐姿或躺姿得到的BCG信号,并未提及是否适用于站姿得到的信号。第6份专利虽然可得到相当高的准确率,但是因为必需要量测人体阻抗值,心率量测时一定要赤足,造成量测时的不便。而且因为所用的算法较复杂,计算成本较高,在较低阶硬件设备上不容易实行。参考各式专利及论文经详细研究后,发现时间阈值通常由经验值决定,例如平均每搏时间间隔的固定比值。由于BCG信号各体间的差异性极大,阈值采用固定比值必然降低一部分受测者在心率计算上的正确性。
发明内容
为解决上述问题,本发明的目的是提出计算量低又兼具一定抗噪声功能的BCG信号心率计算方法—一种分析心冲击信号用来计算短期心率值的方法。
本发明的目的是通过以下技术方案实现的:一种分析心冲击信号用来计算短期心率值的方法,其特征是,包括以下步骤:
1)建立BCG信号与同步ECG信号的数据库;
2)建立BCG信号每搏时间间隔阈值的类神经网络模型;
3)对BCG信号进行一阶差分滤波;
4)将滤波后信号转换为能量信号;
5)对能量信号进行低通滤波;
6)取得信号的波峰点坐标(即所有极大值坐标),并去除过大振幅坐标(即极端振幅值的坐标);
7)以剩余所有两相邻波峰点时间间隔为输入,代入预先建立之类神经网络模型,得到时间间隔阈值(即Tmax与Tmin);
8)去除小于阈值(即Tmin)中最小值的波峰点坐标(即过小波峰点坐标);
9)反复进行以上两步骤,直到所有两相邻波峰点时间间隔皆大于最小时间间隔阈值为止;
10)计算小于等于最大时间间隔阈值的平均值(即去除大于Tmax的时间间隔,至少剩余2笔时间间隔),依此得到心率值(计算平均时间间隔与平均心率)。
步骤1)中,受测者在自然状态下由传感器同时获取BCG信号与ECG信号。
步骤2)中,建立类神经网络模型,包括以下步骤:
①建立BCG信号与同步之ECG信号数据库后,将BCG信号分割为数笔短期信号,以ECG信号为参考,将振幅过大信号视为噪声去除后,得到每笔短期BCG信号之每搏时间间隔与其阈值;
②设定神经网络层数与神经元数目,随机设定所有神经元之参数初始值;
③以每相邻波峰点时间间隔为神经网络之输入,数目大于神经网络输入时由最大值依序取至输入数目,不足时以平均值输入,输出为最大与最小之每搏间隔Tmax与Tmin;
④以倒传递学习方式修正各神经元之加权值与偏权值,得到每搏时间间隔阈值的神经网络模型。
步骤4)中,能量信号为Teager能量信号,公式如下:y(n)=[x(n-1)]2-x(n)*x(n-2),其中x(n)为BCG信号,y(n)为Teager能量信号。
步骤5)中,低通滤波为四阶Butterworth低通滤波,取适当截止频率。
本发明中,一阶差分滤波为分析生理信号常用的前处理方式,不但能突显变化大的信号,更重要的是也对于基线漂移或呼吸信号等低频噪声有一定的去除功效。转换成能量信号后,比起直接使用原信号找出心跳的波峰点时间间隔,虽然未能直接侦测得每跳发生的确实位置,但最大的优点为可以由能量的变化更确定心跳是否发生,不但可降低原信号中心跳波峰点位置不明时的影响,也更容易由过大的能量值判断量测时的突发震动而加以排除。基于BCG信号为非稳定(non-stationary)信号,本计算方式对于能量的转换使用Teager能量算子(Teager energy operator TEO),此转换方式为已广泛应用于声音信号的处理,也在生理信号处理例如ECG与肌电图信号(electromyography)等得到有良好的效果。TEO能有效处理具有时变频率(time-varying frequency)的信号,当包含噪声时可增进SNR,特别的是计算所得的能量接近瞬时能量,不同于常用的信号值直接取平方得到的平均能量,例如世界专利WO2010067297(A1)與102469958A中使用的方式。将信号转换成Teager能量再经低通滤波后,心跳发生的位置容易辨识,因此能有效简化后序的信号处理方式,大幅降低计算所需成本。由于生理信号的复杂性,不同性别、年龄的不同个体,BCG信号波形可以有很大的不同,在每跳的判断上显然不适用固定的阈值。有鉴于此,本算法中时间阈值采用类神经网络模型决定,类神经网络的优点包括高度容错性、可建立非线性模型、适应性强等,因此可有效改善阈值使用固定比例值的缺点,可针对不同信号特性产生较佳的时间间隔阈值而增进正确性。本发明之方法能迅速、准确且在计算量低的情形下得到短期平均心率值,只要使用者在自然状态下保持稳定,即使在站姿量测的情形下也能有效得到心率值。
附图说明
图1(a1)为第一导程ECG信号;
图1(a2)为由重量变化所得的BCG信号;
图1(b)为图1(a2)中BCG信号一阶差分滤波、计算Teager能量再经由低通滤波所得信号;
图2为类神经网络模型示意图;
图3为类神经网络模型学习流程图;
图4为短期心率计算流程图;
图5(a)为实施例中血氧浓度计与体重秤测得心率值散布图;
图5(b)为图5(a)中两测量值之布兰德-奥特曼差异图。
具体实施方式
本发明提供利用BCG信号计算短期心率的方法(一种分析心冲击信号用来计算短期心率值的方法),该方法包括:预先建立BCG与ECG信号数据库,得到短期BCG信号每博时间间隔与其阈值的类神经网络模型;将BCG信号取一阶差分滤波后,再转换为能量信号;取得能量信号中极大值;去除过大的振幅坐标点,计算剩余相邻极大值的时间间隔,以此代入类神经网络模型得到每搏时间间隔的阈值;反复进行时间间隔阈值筛选直到所有时间间隔皆大于阈值之最小值;去除大于阈值最大值的时间间隔后计算平均心率。
该方法步骤具体包括:
1、建立BCG信号与同步的ECG信号数据库。
首先在受测者在自然状态下由传感器同时获取BCG与ECG信号,两信号示意图参见图1(a1)、图1(a2)。以ECG信号中最陡之R波峰为心跳参考点,确认BCG信号中最常用的心跳点J波的位置,并排除不合理或明显为噪声的波峰点。
2、建立决定每搏时间间隔之阈值之类神经网络模型。
将信号分成短期信号,例如10-15秒为一段,计算每搏时间间隔,最大与最小的时间间隔,即为时间间隔阈值Tmax与Tmin。类神经模型在此实施例中采用向前式架构与监督式学习,但不在此限。
模型请参阅图2,其中转移函数f可取最常用的log-sigmoid函数。取信号排除噪声后两相邻最大值集合中,最大的六个值[Ti],i=1,2,…,6为输入向量,Tmax与Tmin为目标,以倒传递方式更新加权值矩阵wn ij=[wn ij]与偏权值bj n,其中wn ij为类神经网络中第n-1层第i个神经元(或输入)到第n层中第j个神经元的加权值,bj n为第n层第j个神经元的偏权值。
待符合给定条件后,类神经网络建立完成,见图3的学习方式。为求更佳的抗噪声功能,学习过程中应适度使用含噪声的信号片段,使类神经网络模型能在输入过大的相邻波峰时间间隔时仍然能得到正确的时间间隔阈值。
3、BCG信号处理。
将BCG信号取一阶差分滤波。可依取样频率决定较佳差分间隔。将差分信号转换为能量信号,在此实施例中取Teager能量。公式如下
y(n)=[x(n-1)]2-x(n)*x(n-2),
其中x(n)为BCG信号,y(n)为Teager能量信号。
将能量信号进行低通滤波,例如四阶Butterworth低通滤波,截止频率1Hz。得到的信号参见图1(b)。去除极端振幅值的坐标后,取此信号波峰值为可能的心跳间隔。
4、重复以下步骤。
由类神经网络模型计算出时间间隔阈值,若任相邻最大值间隔值小于阈值最小值(即Tmin),则删去此两个极大值中之较小值坐标点。计算删除后新的相邻极大值时间间隔。若所有相邻极大值时间间隔皆大于时间阈值的最小值(即Tmin),则进入下一步骤。
5、计算心率值。
计算剩余所有相邻极大值时间间隔中小于等于最大时间阈值之值,若还有两笔以上,表示得到至少两笔可靠的每搏时间间隔,此时计算其平均每搏时间间隔,即可计算出每分钟心率值;否则视为量测失败无法得到心率值。
为确认本专利之算法的可靠性,验证方式简述如下:
首先建立140人(男性76人,女性64人,年龄范围20-79岁),每人5分钟以站姿同时测量BCG信号与ECG信号的数据库。BCG信号的采集仅使用一般市售体重秤,不更改任何硬设备,只适当调整采样频率与A/D分辨率。为建立时间阈值的类神经网络模型,将信号分为10秒为一区段后,比对同步后的ECG信号以得到类神经网络模型的参数。对于此类神经网络模型使用原数据库进行验证,得到约96%的正确率,证实此模型对原数据库有效。
接下来为实际测试阶段,选取与建立数据库之人员并无重复之健康受测人员共50人,其中男性22人,女性28人。测量方式为每人5次,量测时间为10秒,量测期间要求受测者以正常站姿尽量保持稳定且不得说话。测得的心率值以市售合格血氧浓度计同时测得的心率值为参考。心率值量测错误的定义为与参考心率值误差超过10%,参见US2015338265(A1)。比较不同方法计算10秒平均心率的结果,若使用固定参数的时间阈值法,发现心率值的正确率约79%,与已知文献记录,包括US2015338265(A1)的结果相当接近。若使用本专利提出的方法,可大幅提升10%以上的正确率,达到90.80%,平均误差约4下/分钟,而且并无任何量测失败的记录。图5(a)为分别使用血氧浓度计与体重秤测得心率之散布图,相关系数为0.86。图5(b)为两测量值之布兰德-奥特曼差异图(Bland-Altman plot)。
Claims (4)
1.一种分析心冲击信号用来计算短期心率值的方法,其特征是,包括以下步骤:
1)建立BCG信号与同步ECG信号的数据库;
2)建立BCG信号每搏时间间隔阈值的类神经网络模型,包括以下步骤:
①建立BCG信号与同步之ECG信号数据库后,将BCG信号分割为数笔短期信号,以ECG信号为参考,将振幅过大信号视为噪声去除后,得到每笔短期BCG信号之每搏时间间隔与时间间隔阈值;
②设定神经网络层数与神经元数目,随机设定所有神经元之参数初始值;
③以每相邻波峰点时间间隔为神经网络之输入,数目大于神经网络输入时由最大值依序取至输入数目,不足时以平均值输入,输出为最大与最小之每搏间隔Tmax与Tmin;
④以倒传递学习方式修正各神经元之加权值与偏权值,得到每搏时间间隔阈值的神经网络模型;
3)对BCG信号进行一阶差分滤波;
4)将滤波后信号转换为能量信号;
5)对能量信号进行低通滤波;
6)取得信号的波峰点坐标,并去除过大振幅坐标;
7)以剩余所有两相邻波峰点时间间隔为输入,代入预先建立之类神经网络模型,得到时间间隔阈值;
8)去除小于阈值中最小值的波峰点坐标;
9)反复进行7)、8)两步骤,直到所有两相邻波峰点时间间隔皆大于最小时间间隔阈值为止;
10)计算小于等于最大时间间隔阈值的平均值,依此得到心率值。
2.根据权利要求1所述的一种分析心冲击信号用来计算短期心率值的方法,其特征是,步骤1)中,受测者在自然状态下由传感器同时获取BCG信号与ECG信号。
3.根据权利要求1所述的一种分析心冲击信号用来计算短期心率值的方法,其特征是,步骤4)中,能量信号为Teager能量信号,公式如下:y(n)=[x(n-1)]2-x(n)*x(n-2),其中x(n)为BCG信号,y(n)为Teager能量信号。
4.根据权利要求1所述的一种分析心冲击信号用来计算短期心率值的方法,其特征是,步骤5)中,低通滤波为四阶Butterworth低通滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710280942.3A CN107137071B (zh) | 2017-04-26 | 2017-04-26 | 一种分析心冲击信号用来计算短期心率值的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710280942.3A CN107137071B (zh) | 2017-04-26 | 2017-04-26 | 一种分析心冲击信号用来计算短期心率值的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107137071A CN107137071A (zh) | 2017-09-08 |
CN107137071B true CN107137071B (zh) | 2020-04-28 |
Family
ID=59774949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710280942.3A Active CN107137071B (zh) | 2017-04-26 | 2017-04-26 | 一种分析心冲击信号用来计算短期心率值的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107137071B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190101984A1 (en) * | 2017-09-29 | 2019-04-04 | Facebook Technologies, Llc | Heartrate monitor for ar wearables |
CN108354612B (zh) * | 2018-01-19 | 2021-01-01 | 深圳和而泰数据资源与云技术有限公司 | 一种信号处理方法及装置 |
CN110115574A (zh) * | 2018-02-07 | 2019-08-13 | 普天信息技术有限公司 | 心率监测的方法和装置 |
CN108836299B (zh) * | 2018-04-23 | 2021-05-14 | 深圳市友宏科技有限公司 | 一种bcg心率提取方法、存储介质以及装置 |
CN108992053B (zh) * | 2018-06-21 | 2020-10-23 | 河北工业大学 | 一种实时的无束缚检测心率和心跳间隔的方法 |
CN108992054B (zh) * | 2018-06-27 | 2021-11-12 | 深圳市元征科技股份有限公司 | 一种脉搏信号峰值点检测方法及装置 |
CN109350050B (zh) * | 2018-11-20 | 2021-08-17 | 锐捷网络股份有限公司 | 心跳间期检测方法及装置 |
FR3090387A1 (fr) * | 2018-12-20 | 2020-06-26 | Sorin Crm Sas | Dispositif et procédé de détection de fibrillation ventriculaire |
CN110192864B (zh) * | 2019-06-12 | 2020-09-22 | 北京交通大学 | 一种跨域心电图生物特征身份识别方法 |
CN110384490B (zh) * | 2019-07-29 | 2022-06-17 | 杭州荷博物联科技有限公司 | 基于相空间的bcg信号心率提取方法 |
CN110801212B (zh) * | 2019-07-29 | 2022-05-17 | 杭州荷博物联科技有限公司 | 基于神经网络的bcg信号心率提取方法 |
CN110710955A (zh) * | 2019-09-20 | 2020-01-21 | 四川远邦益安科技有限公司 | 睡眠过程中健康指标的监测方法 |
CN111160090B (zh) * | 2019-11-22 | 2023-09-29 | 新绎健康科技有限公司 | 一种bcg信号降噪方法及系统 |
CN111329462B (zh) * | 2020-03-05 | 2022-05-20 | 河北工业大学 | 一种实时无束缚心率提取方法 |
CN114287919A (zh) * | 2021-12-14 | 2022-04-08 | 深圳数联天下智能科技有限公司 | 基于心冲击信号的j波定位方法、装置、设备及介质 |
CN114246581A (zh) * | 2021-12-20 | 2022-03-29 | 杭州慧光健康科技有限公司 | 基于心冲击信号短时能量的床垫传感心率识别系统及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5542430A (en) * | 1994-09-16 | 1996-08-06 | Telectronics Pacing Systems, Inc. | Apparatus and method for discriminating between cardiac rhythms on the basis of their morphology using a neural network |
CN104182601B (zh) * | 2013-05-22 | 2017-09-29 | 上海宽带技术及应用工程研究中心 | 一种基于心冲击信号的心率值实时提取方法 |
CN104545863B (zh) * | 2013-10-10 | 2017-03-29 | 上海宽带技术及应用工程研究中心 | 基于模糊模式识别的bcg心率提取方法及系统 |
US20180125418A1 (en) * | 2015-06-25 | 2018-05-10 | Koninklijke Philips N.V. | Device and method for monitoring a physiological state of a subject |
CN105574348B (zh) * | 2015-12-28 | 2018-10-12 | 西北工业大学 | 一种基于bcg信号的心跳周期获取方法和装置 |
CN105997042A (zh) * | 2016-04-28 | 2016-10-12 | 江苏盖睿健康科技有限公司 | 一种防止高尖t波被误识别的心率值获取方法 |
-
2017
- 2017-04-26 CN CN201710280942.3A patent/CN107137071B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107137071A (zh) | 2017-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107137071B (zh) | 一种分析心冲击信号用来计算短期心率值的方法 | |
US20210068672A1 (en) | Continuous non-invasive monitoring of a pregnant human subject | |
CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
US9055871B2 (en) | Weighing scale and sensor systems and methods for monitoring heart function | |
JP7037366B2 (ja) | 関節の健康状態評価のための装着型技術 | |
JP6457117B2 (ja) | 妊娠中の被験者の連続非侵襲モニタリング | |
Gilaberte et al. | Heart and respiratory rate detection on a bathroom scale based on the ballistocardiogram and the continuous wavelet transform | |
Xie et al. | A personalized beat-to-beat heart rate detection system from ballistocardiogram for smart home applications | |
Li et al. | Muscle activity onset time detection using teager-kaiser energy operator | |
JP2018512243A5 (zh) | ||
Zhu et al. | Ballistocardiography with fiber optic sensor in headrest position: A feasibility study and a new processing algorithm | |
US11172844B2 (en) | Apparatus and method for detection of dysfunctional breathing | |
Kurihara et al. | Development of unconstrained heartbeat and respiration measurement system with pneumatic flow | |
Deepu et al. | A smart cushion for real-time heart rate monitoring | |
Sivanantham | Measurement of heartbeat, respiration and movements detection using Smart Bed | |
JP2022508819A (ja) | 心臓血管信号の取得、融合、およびノイズの軽減 | |
TWI629049B (zh) | A method for analyzing a heart shock signal for calculating a short-term heart rate value | |
Alves et al. | Automatic detection of muscle activity from mechanomyogram signals: a comparison of amplitude and wavelet-based methods | |
Junnila et al. | A wireless ballistocardiographic chair | |
Xie et al. | An unobtrusive system for heart rate monitoring based on ballistocardiogram using Hilbert transform and viterbi decoding | |
Nagura et al. | A practical BCG measuring system with bed sensors and algorithm for heartbeat detection | |
Febriana et al. | Sleep monitoring system based on body posture movement using Microsoft Kinect sensor | |
Yang et al. | Simultaneously capturing electrocardiography and impedance plethysmogram signals from human feet by capacitive coupled electrode system | |
Bobrova et al. | Mathematical methods of fetal activity signal processing | |
Khambhati et al. | Extraction of a respiration rate from ECG signal using discrete wavelet transform during exercise |
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 |