CN107157492A - 一种嵌入式人体生理信息无创检测系统及数据处理方法 - Google Patents
一种嵌入式人体生理信息无创检测系统及数据处理方法 Download PDFInfo
- Publication number
- CN107157492A CN107157492A CN201710356913.0A CN201710356913A CN107157492A CN 107157492 A CN107157492 A CN 107157492A CN 201710356913 A CN201710356913 A CN 201710356913A CN 107157492 A CN107157492 A CN 107157492A
- Authority
- CN
- China
- Prior art keywords
- signal
- led
- photoplethysmographic
- circuit
- frequency
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 230000003287 optical effect Effects 0.000 claims abstract description 30
- 239000008280 blood Substances 0.000 claims abstract description 27
- 210000004369 blood Anatomy 0.000 claims abstract description 27
- 230000005622 photoelectricity Effects 0.000 claims abstract description 26
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 24
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 24
- 239000001301 oxygen Substances 0.000 claims abstract description 24
- 102000001554 Hemoglobins Human genes 0.000 claims abstract description 12
- 108010054147 Hemoglobins Proteins 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 44
- 238000001914 filtration Methods 0.000 claims description 32
- 239000000203 mixture Substances 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000003032 molecular docking Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000010349 pulsation Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000012880 independent component analysis Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000005059 dormancy Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000007796 conventional method Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000011084 recovery Methods 0.000 claims 1
- 210000003462 vein Anatomy 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000706 filtrate Substances 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 102000010445 Lactoferrin Human genes 0.000 description 1
- 108010063045 Lactoferrin Proteins 0.000 description 1
- 101100067427 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FUS3 gene Proteins 0.000 description 1
- 101100015484 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GPA1 gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 208000002925 dental caries Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- CSSYQJWUGATIHM-IKGCZBKSSA-N l-phenylalanyl-l-lysyl-l-cysteinyl-l-arginyl-l-arginyl-l-tryptophyl-l-glutaminyl-l-tryptophyl-l-arginyl-l-methionyl-l-lysyl-l-lysyl-l-leucylglycyl-l-alanyl-l-prolyl-l-seryl-l-isoleucyl-l-threonyl-l-cysteinyl-l-valyl-l-arginyl-l-arginyl-l-alanyl-l-phenylal Chemical compound C([C@H](N)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](C)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CO)C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CS)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(O)=O)C1=CC=CC=C1 CSSYQJWUGATIHM-IKGCZBKSSA-N 0.000 description 1
- 229940078795 lactoferrin Drugs 0.000 description 1
- 235000021242 lactoferrin Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000002106 pulse oximetry Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- 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
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- 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
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- 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
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6825—Hand
- A61B5/6826—Finger
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种嵌入式人体生理信息无创检测系统及数据处理方法,该系统包括检测器壳体以及设置在检测器壳体内部的检测电路板和检测槽;检测槽的两侧设置有红外二极管阵列,检测槽的底部设置有斜台,斜台上方设置有倾斜滤光片,且倾斜滤光片与斜台的上表面相互平行;倾斜滤光片与斜台之间设置有空腔,该空腔内设置有图像采集模块和光电容积脉搏检测电路;检测槽与倾斜滤光片倾斜底部的连接位置设置有指尖腔,指尖腔内部设置有手指开关。本发明使用方便、防尘防灰,可以连续、无创、实时地监测人体心率、血氧、血红蛋白浓度等多相人体信息,同时可以方便、快速的采集用户静脉图像,实现了高效、准确的无创检测,广泛适用于医院体检测量。
Description
技术领域
本发明涉及光电传感器技术领域,尤其涉及一种嵌入式人体生理信息无创检测系统及数据处理方法。
背景技术
随着电子科技的发展,嵌入式系统的应用已经渗透到各个行业,如网络通信、消费电子、工业控制等,特别是在数字医疗方面得到了广泛的应用。将嵌入式技术与生物医学信号处理技术结合起来,是今后数字医疗仪器发展的必然趋势。心率、血压、血氧饱和度和血红蛋白等生理信号的无创便捷检测,在手术、输血、献血、营养普查等方面具有重要的意义。传统的检测方法检测步骤复杂(血压测量),或者需要进行破皮取血(血红蛋白浓度检测),不仅对受测者造成了生理及心理上的负担,且无法连续、实时地检测血红蛋白浓度的变化情况。
光电容积脉搏波(photo plethysmo graphic,PPG)信号中包含很多人体生理信息,例如心率和血氧,因此利用光电容积脉搏波信号提取心率和血氧得到了广泛的应用。光电容积脉搏波(PPG)是指通过光学构件获得体积器官测量。常常采用脉搏血氧计,其检测人类皮肤的光吸收性质的改变。典型地,透射或反射血液PPG传感器通过特定波长处的吸收测量来监视血液向皮肤的真皮和皮下组织的灌注。传统的脉搏波检测系统存在电路结构复杂、功耗较高等问题。同时,光电容积脉搏波信号极易受到运动干扰的影响,严重影响心率和血氧饱和度检测的准确性,尤其当光电容积脉搏波中包含突变波形时,利用传统的算法得到的结果并不理想。
发明内容
本发明要解决的技术问题在于针对现有技术中脉搏波检测系统存在电路结构复杂、功耗较高的缺陷,提供一种嵌入式人体生理信息无创检测系统及数据处理方法。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种嵌入式人体生理信息无创检测系统,包括检测器壳体以及设置在检测器壳体内部的检测电路板和检测槽;其中:
检测槽的两侧设置有红外二极管阵列,检测槽的底部设置有斜台,斜台上方设置有倾斜滤光片,且倾斜滤光片与斜台的上表面相互平行;倾斜滤光片与斜台之间设置有空腔,该空腔内设置有图像采集模块和光电容积脉搏检测电路;检测槽与倾斜滤光片倾斜底部的连接位置设置有指尖腔,指尖腔内部设置有手指开关;
检测电路板包括控制器以及均与控制器相连的数据接口、存储电路和电源电路,红外二极管阵列、图像采集模块、光电容积脉搏检测电路和手指开关均与控制器相连;
光电容积脉搏检测电路包括多波长LED阵列、驱动电路、光电探测器和信号处理电路,多波长LED阵列通过驱动电路与控制器相连,光电探测器通过信号处理电路与控制器相连。
进一步地,本发明的检测器壳体的顶部设置有滑轨,检测槽上方设置有滑盖,滑盖与滑盖滑动连接。
进一步地,本发明的图像采集模块采用CCD摄像头或COMS摄像头,图像采集模块与控制器之间通过SPI总线连接;红外二极管阵列采用近红外式红外二极管,红外二极管阵列采用PWM方式驱动;光电容积脉搏检测电路中的驱动电路与控制器之间通过SPI总线连接;存储电路采用SD存储电路;电压电路的供电电压为+5V;手指开关采用微动开关。
进一步地,本发明的多波长LED阵列包括8组LED,8组LED呈圆形排列,8组LED分别为第一LED、第二LED、第三LED、第四LED、第五LED、第六LED、第七LED和第八LED;其中,第一LED选择610nm波段,第二 LED选择630nm波段,第三LED选择660nm波段,第四LED选择690nm波段,第五LED选择750nm波段,第六LED选择805nm波段,第七LED选择 850nm波段,第八LED选择940nm波段;
将8组LED依次分为4对:第一LED和第二LED的阴阳极对接,由第一LED和第二LED的阴阳极的两个对接处分别引出两个引脚连接驱动电路;第三LED和第四LED的阴阳极对接,由第三LED和第四LED的阴阳极的两个对接处分别引出两个引脚连接驱动电路;第五LED和第六LED的阴阳极对接,由第五LED和第六LED的阴阳极的两个对接处分别引出两个引脚连接驱动电路;第七LED和第八LED的阴阳极对接,由第七LED和第八LED的阴阳极的两个对接处分别引出两个引脚连接驱动电路;
光电探测器设置在8组LED的中心位置,8组LED均匀分布在光电探测器的四周。
进一步地,本发明的驱动电路包括多路转换开关和光源驱动电路,控制器依次通过光源驱动电路和多路转换开关与多波长LED阵列相连;
光源驱动电路采用H桥式电路,多路转换开关采样差分连接方式,4对 LED中每一对的两个引脚分别与差分式多路转换开关中成对的差分通道连接。
进一步地,本发明的信号处理电路包括放大电路、多路复用器、低筒滤波器和模数转换器,光电探测器依次通过放大电路、多路复用器、低筒滤波器和模数转换器后与控制器相连;放大电路采用跨阻抗放大电路,多路复用器采用多路选择开关。
进一步地,本发明的检测电路板还包括蓝牙电路,蓝牙电路包括超低电压微功耗MCU、基于LSB的蓝牙4.0芯片和发射天线,MCU电连接在控制器与蓝牙4.0芯片之间,发射天线与蓝牙4.0芯片相连;
设置蓝牙4.0芯片的工作参数为:发射功率在-20dBm到+10dBm之间,采用GFSK调试方式,调制指数在0.45-0.55之间,跳频工作,1Mbps传输速率,有40个信道带宽为2M的通道,发射频率为2.4GHz;超低电压微功耗MCU最低工作电压为1.8V,休眠功耗为2nA;发射天线为PCB天线。
本发明提供一种嵌入式人体生理信息无创检测系统的数据处理方法,通过上位机与嵌入式人体生理信息无创检测系统进行数据传输,该方法包括以下步骤:
S1、通过上位机获取嵌入式人体生理信息无创检测系统采集到的光电容积脉搏波信号,并滤除信号中的高频噪声:采用FIR滤波、IIR滤波以及滑动平均滤波三种方法进行高频噪声的滤除;
S2、滤除信号中的运动干扰:采用约束独立成分分析与自适应滤波相结合的方法来去除光电容积脉搏波信号中的运动伪迹,并通过自适应滤波恢复光电容积脉搏波信号的幅度信息,具体步骤为:
S21、对原始采集的光电容积脉搏波信号进行带通滤波预处理,滤除信号中的高频噪声与直流成分;
S22、根据光电容积脉搏波信号具有的拟周期性,以及运动伪迹的波形不规则性,采用自相关得到光电容积脉搏波信号的周期信息,将光电容积脉搏波信号分为两路,对其中一路光电容积脉搏波信号进行自相关运算,求出光电容积脉搏波信号周期信息,然后基于此周期信息产生约束独立成分分析的参考信号;
S23、将经预处理后的两路光电容积脉搏波信号与步骤S22中得到的参考信号作为输入信号同时输入到约束独立成分分析算法中,得到不含运动干扰的光电容积脉搏波信号;
S24、将步骤S23得到的不含运动干扰的光电容积脉搏波信号输入到自适应滤波器,作为自适应滤波器的参考信号,将带通滤波器预处理后的光电容积脉搏波信号作为自适应滤波器期望信号,经自适应滤波后得到去除了运动伪迹并含有幅度信息的两路光电容积脉搏波信号;
S3、基线漂移:采用希尔伯特-黄变换法对滤除运动干扰后的信号进行处理,首先对信号进行经验模态分解得到本征模态函数,然后对各本征模态函进行希尔伯特变换,求出瞬时频率,最后将频率不合理的成分滤除后再进行重构得到滤除基线漂移后的信号;
S5、校正模型建立:采用单隐藏层的BP神经网络模型进行回归建模分析,通过传统方法获得的血红蛋白参考浓度数据,并将数据分为校正样本集和训练样本集,通过训练样本集对神经网络模型进行训练,并将校正样本集代入训练后的神经网络模型进行验证,得到校正后的神经网络模型;
S6、预测:将得到的AC成分和DC成分作为输入变量,并对输入变量进行降维处理,提取降维处理后的输入变量作为神经网络模型输入信号,输出生理信息的预测结果;
S7、显示:在上位机的客户端显示采集及预测结果的数据信息。
进一步地,本发明的方法还包括:采用基于时变自回归模型的心率提取算法和频域分析法结合来求得血氧饱和度的值,具体步骤如下:
通过光电容积脉搏检测电路检测血氧饱和度测量中的两路入射光:红光和红外光,首先选取红外光光电容积脉搏波信号进行处理,利用抗干扰心率提取算法求出心率,然后对红光光电容积脉搏波信号和红外光电容积脉搏波信号进行频谱分析,根据频谱中心率所在频率位置提取红光光电容积脉搏波信号和红外光电容积脉搏波信号的幅值,进而求出R值,最后代入到血氧经验公式中,求得最终的血氧饱和度。
进一步地,本发明的抗干扰心率提取算法的具体步骤为:
提取光电容积脉搏波信号中的加速度信号,通过加速度信号对光电容积脉搏波信号进行状态分类,分为静止光电容积脉搏波和运动光电容积脉搏波,对于静止光电容积脉搏波信号,采用均值交点法计算心率;对于运动光电容积脉搏波信号的算法分成三部分:信号预处理、信号分段和谱峰搜索:首先对采集的光电容积脉搏波作预处理,包括带通滤波和滑动平均率滤波;去除正常心率范围之外的噪声和部分高频噪声,同时使信号更平滑;然后利用基于多小波基函数展开的时变自回归模型方法,对光电容积脉搏波信号进行时频分析;根据频率随时间的变化特征,将光电容积脉搏波信号分段,分成不同的时间段;对于每段信号,各个时刻对应的信号频率保持稳定;分段结果将未受到运动干扰的光电容积脉搏波和受到运动干扰的光电容积脉搏波信号分开,将不同频率的信号分开,将平稳变化的信号和突变的信号分开;对每段信号作FFT,通过频域分析获得所有可能的心率值,并利用加速度信号对可能的值作最优选择,得到最终心率估计值。
本发明产生的有益效果是:本发明的嵌入式人体生理信息无创检测系统及数据处理方法,使用方便、防尘防灰,基于光电容积脉搏波及指静脉检测技术,可以连续、无创、实时地监测人体心率、血氧、血红蛋白浓度等多相人体信息,同时可以方便、快速的采集用户静脉图像,自动识别、匹配用户身份,实现了高效、准确的无创检测,广泛适用于医院体检测量。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明嵌入式人体生理信息无创检测系统的闭盖状态图;
图2是本发明嵌入式人体生理信息无创检测系统的开盖状态图;
图3是本发明嵌入式人体生理信息无创检测系统的结构示意图;
图4是本发明嵌入式人体生理信息无创检测系统的检测状态示意图;
图5是本发明嵌入式人体生理信息无创检测系统的模块电连接示意图;
图6是本发明嵌入式人体生理信息无创检测系统的器件型号连接示意图;
图7是本发明嵌入式人体生理信息无创检测系统的多波长LED阵列连接示意图;
图8是本发明嵌入式人体生理信息无创检测系统的八波长LED阵列布局示意图;
图9是本发明嵌入式人体生理信息无创检测系统的四波长LED阵列布局示意图;
图10是本发明嵌入式人体生理信息无创检测系统的驱动电路模块连接示意图;
图11是本发明嵌入式人体生理信息无创检测系统的驱动电路器件型号连接示意图;
图12是本发明嵌入式人体生理信息无创检测系统的信号处理电路连接示意图;
图13是本发明嵌入式人体生理信息无创检测系统的信号处理电路器件型号连接示意图;
图14是本发明嵌入式人体生理信息无创检测系统的运动干扰去除方法示意图;
图15是本发明嵌入式人体生理信息无创检测系统的特征信息提取图;
图16是本发明嵌入式人体生理信息无创检测系统的抗运动血氧饱和度提取算法;
图中:1-检测器壳体,2-滑盖,3-滑轨,4-空腔,5-倾斜滤光片,6-红外二极管阵列,7-图像采集模块,8-光电容积脉搏检测电路,81-多波长LED阵列, 82-光电探测器,9-指尖腔,10-手指开关。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例的嵌入式人体生理信息无创检测系统,包括检测器壳体1以及设置在检测器壳体1内部的检测电路板和检测槽;其中:
检测槽的两侧设置有红外二极管阵列6,检测槽的底部设置有斜台,斜台上方设置有倾斜滤光片5,且倾斜滤光片5与斜台的上表面相互平行;倾斜滤光片5与斜台之间设置有空腔4,该空腔4内设置有图像采集模块7和光电容积脉搏检测电路8;检测槽与倾斜滤光片5倾斜底部的连接位置设置有指尖腔 9,指尖腔9内部设置有手指开关10;
检测电路板包括控制器以及均与控制器相连的数据接口、存储电路和电源电路,红外二极管阵列6、图像采集模块7、光电容积脉搏检测电路8和手指开关10均与控制器相连;
光电容积脉搏检测电路8包括多波长LED阵列81、驱动电路、光电探测器82和信号处理电路,多波长LED阵列81通过驱动电路与控制器相连,光电探测器82通过信号处理电路与控制器相连。
检测器壳体1的顶部设置有滑轨3,检测槽上方设置有滑盖2,滑盖2与滑盖3滑动连接。
图像采集模块7采用CCD摄像头或COMS摄像头,图像采集模块7与控制器之间通过SPI总线连接;红外二极管阵列6采用近红外式红外二极管,红外二极管阵列6采用PWM方式驱动;光电容积脉搏检测电路8中的驱动电路与控制器之间通过SPI总线连接;存储电路采用SD存储电路;电压电路的供电电压为+5V;手指开关采用微动开关。
多波长LED阵列81包括8组LED,8组LED呈圆形排列,8组LED分别为第一LED、第二LED、第三LED、第四LED、第五LED、第六LED、第七LED和第八LED;其中,第一LED选择610nm波段,第二LED选择630nm 波段,第三LED选择660nm波段,第四LED选择690nm波段,第五LED选择750nm波段,第六LED选择805nm波段,第七LED选择850nm波段,第八LED选择940nm波段;
将8组LED依次分为4对:第一LED和第二LED的阴阳极对接,由第一LED和第二LED的阴阳极的两个对接处分别引出两个引脚连接驱动电路;第三LED和第四LED的阴阳极对接,由第三LED和第四LED的阴阳极的两个对接处分别引出两个引脚连接驱动电路;第五LED和第六LED的阴阳极对接,由第五LED和第六LED的阴阳极的两个对接处分别引出两个引脚连接驱动电路;第七LED和第八LED的阴阳极对接,由第七LED和第八LED的阴阳极的两个对接处分别引出两个引脚连接驱动电路;
光电探测器82设置在8组LED的中心位置,8组LED均匀分布在光电探测器82的四周。
驱动电路包括多路转换开关和光源驱动电路,控制器依次通过光源驱动电路和多路转换开关与多波长LED阵列81相连;
光源驱动电路采用H桥式电路,多路转换开关采样差分连接方式,4对 LED中每一对的两个引脚分别与差分式多路转换开关中成对的差分通道连接。
信号处理电路包括放大电路、多路复用器、低筒滤波器和模数转换器,光电探测器82依次通过放大电路、多路复用器、低筒滤波器和模数转换器后与控制器相连;放大电路采用跨阻抗放大电路,多路复用器采用多路选择开关。
检测电路板还包括蓝牙电路,蓝牙电路包括超低电压微功耗MCU、基于 LSB的蓝牙4.0芯片和发射天线,MCU电连接在控制器与蓝牙4.0芯片之间,发射天线与蓝牙4.0芯片相连;
设置蓝牙4.0芯片的工作参数为:发射功率在-20dBm到+10dBm之间,采用GFSK调试方式,调制指数在0.45-0.55之间,跳频工作,1Mbps传输速率,有40个信道带宽为2M的通道,发射频率为2.4GHz;超低电压微功耗MCU最低工作电压为1.8V,休眠功耗为2nA;发射天线为PCB天线。
本发明实施例的嵌入式人体生理信息无创检测系统的数据处理方法,通过上位机与嵌入式人体生理信息无创检测系统进行数据传输,该方法包括以下步骤:
S1、通过上位机获取嵌入式人体生理信息无创检测系统采集到的光电容积脉搏波信号,并滤除信号中的高频噪声:采用FIR滤波、IIR滤波以及滑动平均滤波三种方法进行高频噪声的滤除;
S2、滤除信号中的运动干扰:采用约束独立成分分析与自适应滤波相结合的方法来去除光电容积脉搏波信号中的运动伪迹,并通过自适应滤波恢复光电容积脉搏波信号的幅度信息,具体步骤为:
S21、对原始采集的光电容积脉搏波信号进行带通滤波预处理,滤除信号中的高频噪声与直流成分;
S22、根据光电容积脉搏波信号具有的拟周期性,以及运动伪迹的波形不规则性,采用自相关得到光电容积脉搏波信号的周期信息,将光电容积脉搏波信号分为两路,对其中一路光电容积脉搏波信号进行自相关运算,求出光电容积脉搏波信号周期信息,然后基于此周期信息产生约束独立成分分析的参考信号;
S23、将经预处理后的两路光电容积脉搏波信号与步骤S22中得到的参考信号作为输入信号同时输入到约束独立成分分析算法中,得到不含运动干扰的光电容积脉搏波信号;
S24、将步骤S23得到的不含运动干扰的光电容积脉搏波信号输入到自适应滤波器,作为自适应滤波器的参考信号,将带通滤波器预处理后的光电容积脉搏波信号作为自适应滤波器期望信号,经自适应滤波后得到去除了运动伪迹并含有幅度信息的两路光电容积脉搏波信号;
S3、基线漂移:采用希尔伯特-黄变换法对滤除运动干扰后的信号进行处理,首先对信号进行经验模态分解得到本征模态函数,然后对各本征模态函进行希尔伯特变换,求出瞬时频率,最后将频率不合理的成分滤除后再进行重构得到滤除基线漂移后的信号;
S5、校正模型建立:采用单隐藏层的BP神经网络模型进行回归建模分析,通过传统方法获得的血红蛋白参考浓度数据,并将数据分为校正样本集和训练样本集,通过训练样本集对神经网络模型进行训练,并将校正样本集代入训练后的神经网络模型进行验证,得到校正后的神经网络模型;
S6、预测:将得到的AC成分和DC成分作为输入变量,并对输入变量进行降维处理,提取降维处理后的输入变量作为神经网络模型输入信号,输出生理信息的预测结果;
S7、显示:在上位机的客户端显示采集及预测结果的数据信息。
该方法还包括:采用基于时变自回归模型的心率提取算法和频域分析法结合来求得血氧饱和度的值,具体步骤如下:
通过光电容积脉搏检测电路检测血氧饱和度测量中的两路入射光:红光和红外光,首先选取红外光光电容积脉搏波信号进行处理,利用抗干扰心率提取算法求出心率,然后对红光光电容积脉搏波信号和红外光电容积脉搏波信号进行频谱分析,根据频谱中心率所在频率位置提取红光光电容积脉搏波信号和红外光电容积脉搏波信号的幅值,进而求出R值,最后代入到血氧经验公式中,求得最终的血氧饱和度。
抗干扰心率提取算法的具体步骤为:
提取光电容积脉搏波信号中的加速度信号,通过加速度信号对光电容积脉搏波信号进行状态分类,分为静止光电容积脉搏波和运动光电容积脉搏波,对于静止光电容积脉搏波信号,采用均值交点法计算心率;对于运动光电容积脉搏波信号的算法分成三部分:信号预处理、信号分段和谱峰搜索:首先对采集的光电容积脉搏波作预处理,包括带通滤波和滑动平均率滤波;去除正常心率范围之外的噪声和部分高频噪声,同时使信号更平滑;然后利用基于多小波基函数展开的时变自回归模型方法,对光电容积脉搏波信号进行时频分析;根据频率随时间的变化特征,将光电容积脉搏波信号分段,分成不同的时间段;对于每段信号,各个时刻对应的信号频率保持稳定;分段结果将未受到运动干扰的光电容积脉搏波和受到运动干扰的光电容积脉搏波信号分开,将不同频率的信号分开,将平稳变化的信号和突变的信号分开;对每段信号作FFT,通过频域分析获得所有可能的心率值,并利用加速度信号对可能的值作最优选择,得到最终心率估计值。
在本发明的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
具体的,本发明还提供以下实施例:
实施例一
如图1、2所示,一种嵌入式人体生理信息无创检测系统,包括检测器壳体以及设置在所述检测器壳体内部的检测电路板,所述检测器壳体的一侧表面设置有滑盖,所述滑盖与壳体之间通过滑轨连接,所述滑盖下方设置有检测槽;
如图3、4所示,所述检测槽的两侧设置有红外二极管阵列,所述检测槽的底部设置有斜台,所述斜台的上侧设置有与所述斜台平行的倾斜滤光片,所述滤光片与斜台之间形成的空腔内设置有图像采集模块和光电容积脉搏波检测电路,所述检测槽与倾斜滤光片相邻的内侧设置有指尖腔,所述指尖腔内部设置有手指开关;
如图5所示,所述检测电路板包括控制器以及与所述控制器分别连接的数据接口、存储电路和电源电路,所述红外二极管阵列、图像采集模块、光电容积脉搏波检测电路和手指开关分别连接所述控制器;
所述光电容积脉搏波检测电路包括多波长LED阵列、驱动电路、光电探测器和信号处理电路,所述多波长LED阵列通过驱动电路连接所述控制器,所述光电探测器通过信号处理电路连接所述控制器。
如图6所示,所述控制器选用STM32控制器,所述图像采集模块采用CCD 摄像头或COMS摄像头且与所述STM32控制器采用SPI通信,所述红外二极管阵列采用近红外红外二极管陈列采用PWM方式驱动,所述多波长LED阵列采用ELM-4000阵列,所述驱动电路采用AFE4400芯片电路且与STM32控制器采用SPI通信,所述光电探测器采用EPM-4001接收器,所述信号处理电路选用AFE4400芯片电路且与STM32控制器采用SPI通信,所述存储电路选用SD存储电路,所述电源电路选用LP2989芯片电路接+5V电源,所述手指开关选用微动开关。
具体的,低噪声线性电压调整芯片LP2989通过一个拨码开关连接5V电池,然后产生3.3V的输出。输出3.3V的电源以供前端芯片、STM32以及各个外设接口使用在各模拟电源和数字电源之间,均有电感做隔离作用。为了方便使用与调试,将接口布局在PCB的外侧边沿从左上角逆时针依次为传感器 DB7接口和Mini-USB接口。
具体的,SD卡座采用自弹式SD卡底座,采用SD_sd model芯片。
实施例一采用了四路发光管:红光、红外光、绿光、黄光。其中发射部件由AFE4400驱动,在周期的时序里向人体组织发射四路光波,接收部件负责接收从人体组织反射回来的光,继而将接收到的光信号转换为电流信号。
需要说明的是,系统采用了两枚AFE4400芯片来实现4路PPG信号的采集。两个的电路完全相同,简化了电路设计。AFE4400晶振设计采用了一枚 8M速率的晶振器,型号为SMD3225,配合2枚18pF的电容,为前端芯片提供时序输入。AFE4400与STM32之间共有1个I/O口相连,其中包含1路AFE 时钟信号输出,1路AFE重置信号输入,1路AD转换完毕信号输出,1路SPI 数字接口,1路掉电警告信号输出,1路LED警告信号输出,1路诊断结束信号输出以及1路关机信号输入。其中复位信号使用上拉保证没有信号时不复位。丰富的接口保证了系统能够最大哏度地使用AFE4400的各种功能,确保了下位机软件能够准确地读取到AFE4400的数据,并能够处理各种错误。本系统采用了通用的DB5接口反射式光电采集前端,采用了DB5接口5线中的 4线分别作为红光、红外光的输入、输出。为了保护电路,这4路均配有快速开关二极管,型号为BAV99W-7-F。并且都串联了0欧的电阻,方便测试。
实施例二
如图1、2所示,一种嵌入式人体生理信息无创检测系统,包括检测器壳体以及设置在所述检测器壳体内部的检测电路板,所述检测器壳体的一侧表面设置有滑盖,所述滑盖与壳体之间通过滑轨连接,所述滑盖下方设置有检测槽;
如图3、4所示,所述检测槽的两侧设置有红外二极管阵列,所述检测槽的底部设置有斜台,所述斜台的上侧设置有与所述斜台平行的倾斜滤光片,所述滤光片与斜台之间形成的空腔内设置有图像采集模块和光电容积脉搏波检测电路,所述检测槽与倾斜滤光片相邻的内侧设置有指尖腔,所述指尖腔内部设置有手指开关;
如图5所示,所述检测电路板包括控制器以及与所述控制器分别连接的数据接口、存储电路和电源电路,所述红外二极管阵列、图像采集模块、光电容积脉搏波检测电路和手指开关分别连接所述控制器;
所述光电容积脉搏波检测电路包括多波长LED阵列、驱动电路、光电探测器和信号处理电路,所述多波长LED阵列通过驱动电路连接所述控制器,所述光电探测器通过信号处理电路连接所述控制器。
进一步的如图7所示,所述多波长LED阵列包括8组LED,8组LED分别为第一LED、第二LED、第三LED、第四LED、第五LED、第六LED、第七LED和第八LED,所述第一LED选择610nm波段、第二LED选择630nm 波段、第三LED选择660nm波段、第四LED选择690nm波段、第五LED选择750nm波段、第六LED选择805nm波段、第七LED选择850nm波段和第八LED选择940nm波段;
所述第一LED和第二LED的阴阳极对接,由第一LED和第二LED的阴阳极分别两个引脚连接驱动电路;所述第三LED和第四LED的阴阳极对接,由第三LED和第四LED的阴阳极分别两个引脚连接驱动电路;所述第五LED 和第六LED的阴阳极对接,由第五LED和第六LED的阴阳极分别两个引脚连接驱动电路;所述第七LED和第八LED的阴阳极对接,由第七LED和第八LED的阴阳极分别两个引脚连接驱动电路;
如图8所示,所述光电探测器包括OPT101芯片,所述OPT101芯片设置在光电容积脉搏波检测电路的中央,所述8组LED均匀分布在所述OPT101 芯片的四周。
需要说明的是,如图9所示检测系统也可以根据实际情况采用4路波长 LED发射端,系统可以采用经验模态分解和三次样条插值算法去除原始脉搏波的高频噪声和基线漂移,同时运用动态光谱频域提取法提取对数脉搏波的基波分量,并采用偏最小二乘法交叉验证的方法,完成人体血糖浓度的预测。
如图10、11所示,所述驱动电路包括多路转换开关和光源驱动电路,所述控制器依次通过光源驱动电路、多路转换开关连接多波长LED阵列;所述光源驱动电路采用H桥式电路,所述差分多路选择开关采用ADI公司ADG709 芯片电路,每一对LED的两个引脚分别接到成对的差分通道的引脚上,通过所述H桥式驱动电路与差分多路选择开关相结合的方式对8路光源进行控制。
具体的,ADG709芯片可承受30mA的连续导通电流,能够满足各LED 的驱动电流要求,每一对LED的两个引脚分别接到成对的差分通道的引脚上。
当多路选择开关ADG709选择通道1时,即S1A与S1B选通:(1) 当P5.6为低电平,P5.7为高电平时,Q1导通,Q2截止,LED1点亮,此时电流由VCC经过Q1→LED1→Q4→R7到达地,数模转换器DAC2产生的电压施加到Q4上对LED1的亮度进行控制;(2)当P5.6为高电平,P5.7为低电平时,Q1截止,Q2导通,LED2点亮,此时电流由VCC经过 Q2→LED2→Q3→R6到达地,数模转换器DAC1产生的电压施加到Q3上对 LED2的亮度进行控制。光源驱动电流的大小根据探测到的光电信号强度进行调整。同样,当多路选择开关ADG709选择其他通道时,其他LED光源得到控制。通过控制EN、A0、A1引脚电平来选择多路选择开关的通道,以达到对光源发光时序的控制,其中EN为使能引脚,A0与A1为通道选择引脚。
如图12、13所示,所述信号处理电路包括放大电路、多路复用器、低筒滤波器和模数转换器,所述光电探测器依次通过放大电路、多路复用器、低筒滤波器和模数转换器连接所述控制器;所述放大电路采用OPT101芯片内部的跨阻抗放大电路,所述多路复用器选用多路选择开关ADG706,所述模数转换器选用AD7173芯片。
由于PPG信号的跳变成分AC仅占信号的0.1%~10%左右,绝大部分为非跳变的DC成分。若同时对AC与DC进行放大,就有可能造成PPG信号达到饱和而AC成分仍然不足的情况,因此需要对AC成分进行单独的放大处理。 OPT101内部的跨阻抗放大电路将光电二极管检测到的光信号放大成电压信号从5引脚输出,此一级放大信号为总的PPG信号(包含AC与DC成分)。MCU 通过ADC对第一级放大信号进行采集,一方面根据第一级放大信号的强弱实现对光源发光强度的控制,另一方面对第一级放大信号进行处理提取出DC成分。此DC成分加上一个微小偏置后输入到U2的正相输入端,而U2的负输入端接U1的输出(AC+DC),通过U2差分放大功能实现AC成分的放大。
AD7173是一款24位、低功耗、16通道的AD转换芯片,在采样率为 31.25kSPS下有效位为17.5位,能够满足本设计要求。多路选择开关ADG706 通道的选择应该与光源的发光时序相匹配:当LED1发光时,通道1选通,当LED1灭时,通道2选通,当LED2发光时,通道3选通,当LED2灭时,通道4选通,依次类推。这就保证了每个ADC通道单独采集相应光源的信号,避免了通道之间的串扰问题。具体的,MCU采用TI公司 MSP430F5529芯片。该芯片主频可达25MHz,具有10KB RAM、128KB Flash、4个SPI外设、2个I2C外设、12位ADC、IO口、USB外设等资源。
所述检测电路板还包括蓝牙电路,所述蓝牙电路包括超低电压微功耗 MCU、基于LSB蓝牙4.0芯片和发射天线,所述MCU电连接在所述控制器与蓝牙4.0芯片之间,所述发射天线连接所述蓝牙4.0芯片。
具体的,蓝牙4.0芯片发射功率在-20dBm到+10dBm之间,采用GFSK 调试方式,调制指数在0.45-0.55之间,跳频工作,1Mbps传输速率,有40个信道带宽为2M的通道,发射频率为2.4GHz;所述的超低电压微功耗MCU最低工作电压可达1.8V,休眠功耗为2nA;所述的发射天线为PCB天线。
需要说明的是,上述实施例一和实施例二还包括上位机,所述上位机通过蓝牙与控制器通讯接收指静脉和脉搏波信息通过信号处理实现数据的显示,具体信号处理方法包括如下步骤:
A1)去除高频噪声:采用FIR滤波、IIR滤波以及滑动平均滤波三种方法进行高频噪声的滤除;
A2)去除运动干扰:采用约束独立成分分析与自适应滤波相结合的方法来去除光电容积脉搏波信号中的运动伪迹,同时保证光电容积脉搏波信号的幅度信息不会丢失,通过约束独立成分分析可以自动获得目标源信号,而无需将所有独立源成分获得后再进行挑选,通过自适应滤波可以恢复光电容积脉搏波信号的幅度信息,如图14所示,具体实施步骤:
第一步:对原始光电容积脉搏波信号进行带通滤波预处理,滤除信号中的高频噪声与直流成分;
第二步:由于光电容积脉搏波信号具有拟周期性,而运动伪迹是由受测者运动造成的,其波形往往具有不规则性,采用自相关可以得到光电容积脉搏波信号的周期信息,对其中一路光电容积脉搏波信号进行自相关运算,求出光电容积脉搏波信号周期信息,然后基于此信息产生约束独立成分分析的参考信号;
第三步:将经预处理后的两路光电容积脉搏波信号与第二步骤产生的参考信号作为输入信号同时输入到约束独立成分分析算法中,得到不含运动干扰的光电容积脉搏波信号,然而此光电容积脉搏波信号丢失了原信号的幅度信息;
第四步:将第三步得到的信号作为参考信号输入到自适应滤波器,将带通滤波器预处理后的光电容积脉搏波信号作为自适应滤波器期望信号,经自适应滤波后得到去除了运动伪迹并含有幅度信息的两路光电容积脉搏波信号;
A3)基线漂移:采用希尔伯特-黄变换法对信号进行处理,首先对信号进行经验模态分解(EMD)得到本征模态函数(IMFs),然后对各本征模态函进行希尔伯特变换,求出瞬时频率,最后将频率不合理的成分滤除后再进行重构;
A4)特征信息提取:采用光电容积脉搏波信号差分方法提取AC成分,采用光电容积脉搏波信号幅值平均值作为DC成分;
具体如图15所示,特征信息是由PPG信号的AC成分与DC成分能量比例得到的。为求得特征信息,需要先提取出AC成分与DC成分。AC成分提取方法主要有高通滤波后求均方根方法、峰峰值检测法、PPG信号差分方法以及频域分析方法等,DC成分提取方法主要有低通滤波法、PPG信号幅值平均值法以及频域分析法等。
A5)校正模型建立:利用人工神经网络进行回归建模分析,首先选用PCA 方法对输入变量进行降维处理,提取前几个贡献较大的成分,然后将这些主成分作为神经网络的输入信号,以减小神经网络的计算量,通过利用训练样本对网络进行训练,然后利用训练过的网络对预测集样本进行预测,以评估所建立模型的性能;
A6)预测:通过利用校正集样本对网络进行训练,得到校正模型,并利用此模型对预测集进行预测;
本发明采用单隐藏层的BP网络结构进行回归建模分析,通过校正集样本对网络进行训练,学习算法采用量化共轭梯度法。
单隐藏层的BP网络结构的预测集和校正集样本具体为:
通常将样本集分为校正集和预测集两部分,校正集用来校正血红蛋白浓度计算模型,预测集用来验证所得到的校正模型的性能。以光谱数据作为输入数据,以传统方法获取的血红蛋白参考浓度作为目标数据对校正模型进行训练,得出最佳校正模型。然后利用校正模型对预测集样本进行预测,将预测值与参考值进行比较以评价校正模型的预测性能。校正集的选取原则是:所选样本的血红蛋白浓度值要均匀分散在所有样本的血红蛋白浓度值整个区域。
A7)显示:在上位机的客户端显示采集及预测的数据信息。
进一步的,采用基于时变自回归模型的心率提取算法同频域分析法结合来求得血氧饱和度的值,如图16所示,具体步骤如下:
血氧饱和度测量中有两路入射光:红光和红外光,首先选取红外光光电容积脉搏波信号进行处理,利用抗干扰心率提取算法准确求出心率,然后对红光光电容积脉搏波信号和红外光电容积脉搏波信号进行频谱分析,根据频谱中心率所在频率位置提取红光光电容积脉搏波信号和红外光电容积脉搏波信号的幅值,进而求出R值,最后代入到血氧经验公式中,求得最终的血氧饱和度。
所述抗干扰心率提取算法首先利用加速度信号对光电容积脉搏波信号进行状态分类,分为静止光电容积脉搏波和运动光电容积脉搏波,对于静止光电容积脉搏波信号,采用均值交点法计算心率;对于运动光电容积脉搏波信号的算法分成三部分:信号预处理、信号分段和谱峰搜索:首先对采集的光电容积脉搏波作预处理,包括带通滤波和滑动平均率滤波;去除正常心率范围之外的噪声和部分高频噪声,同时使信号更平滑;然后利用基于多小波基函数展开的时变自回归模型方法,对光电容积脉搏波信号进行时频分析;根据频率随时间的变化特征,将光电容积脉搏波信号分段,分成不同的时间段;对于每段信号,各个时刻对应的信号频率变化不大,信号保持稳定;分段结果能够将未受到运动干扰的光电容积脉搏波和受到运动干扰的光电容积脉搏波信号分开,将不同频率的信号分开,将平稳变化的信号和突变的信号分开;对每段信号作FFT,通过频域分析获得所有可能的心率值,并利用加速度信号对可能的值作最优选择,得到最终心率估计值。
本发明属于光电检测传感器技术领域,该无创检测系统包括检测器壳体以及壳体内部的检测电路板,壳体的一侧表面设置有滑盖,滑盖下方设置有检测槽,检测槽内部设置有红外二极管阵列、斜台和倾斜滤光片,滤光片与斜台之间形成的空腔内设置有图像采集模块和光电容积脉搏波检测电路,检测槽与倾斜滤光片相邻的内侧设置有指尖腔和手指开关。本发明使用方便、防尘防灰,基于光电容积脉搏波及指静脉检测技术,可以连续、无创、实时地监测人体心率、血氧、血红蛋白浓度等多相人体信息,同时可以方便、快速的采集用户静脉图像,自动识别、匹配用户身份,实现了高效、准确的无创检测,广泛适用于医院体检测量。
应当理解的是,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,而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)
1.一种嵌入式人体生理信息无创检测系统,其特征在于,包括检测器壳体(1)以及设置在检测器壳体(1)内部的检测电路板和检测槽;其中:
检测槽的两侧设置有红外二极管阵列(6),检测槽的底部设置有斜台,斜台上方设置有倾斜滤光片(5),且倾斜滤光片(5)与斜台的上表面相互平行;倾斜滤光片(5)与斜台之间设置有空腔(4),该空腔(4)内设置有图像采集模块(7)和光电容积脉搏检测电路(8);检测槽与倾斜滤光片(5)倾斜底部的连接位置设置有指尖腔(9),指尖腔(9)内部设置有手指开关(10);
检测电路板包括控制器以及均与控制器相连的数据接口、存储电路和电源电路,红外二极管阵列(6)、图像采集模块(7)、光电容积脉搏检测电路(8)和手指开关(10)均与控制器相连;
光电容积脉搏检测电路(8)包括多波长LED阵列(81)、驱动电路、光电探测器(82)和信号处理电路,多波长LED阵列(81)通过驱动电路与控制器相连,光电探测器(82)通过信号处理电路与控制器相连。
2.根据权利要求1所述的嵌入式人体生理信息无创检测系统,其特征在于,检测器壳体(1)的顶部设置有滑轨(3),检测槽上方设置有滑盖(2),滑盖(2)与滑盖(3)滑动连接。
3.根据权利要求1所述的嵌入式人体生理信息无创检测系统,其特征在于,图像采集模块(7)采用CCD摄像头或COMS摄像头,图像采集模块(7)与控制器之间通过SPI总线连接;红外二极管阵列(6)采用近红外式红外二极管,红外二极管阵列(6)采用PWM方式驱动;光电容积脉搏检测电路(8)中的驱动电路与控制器之间通过SPI总线连接;存储电路采用SD存储电路;电压电路的供电电压为+5V;手指开关采用微动开关。
4.根据权利要求1所述的嵌入式人体生理信息无创检测系统,其特征在于,多波长LED阵列(81)包括8组LED,8组LED呈圆形排列,8组LED分别为第一LED、第二LED、第三LED、第四LED、第五LED、第六LED、第七LED和第八LED;其中,第一LED选择610nm波段,第二LED选择630nm波段,第三LED选择660nm波段,第四LED选择690nm波段,第五LED选择750nm波段,第六LED选择805nm波段,第七LED选择850nm波段,第八LED选择940nm波段;
将8组LED依次分为4对:第一LED和第二LED的阴阳极对接,由第一LED和第二LED的阴阳极的两个对接处分别引出两个引脚连接驱动电路;第三LED和第四LED的阴阳极对接,由第三LED和第四LED的阴阳极的两个对接处分别引出两个引脚连接驱动电路;第五LED和第六LED的阴阳极对接,由第五LED和第六LED的阴阳极的两个对接处分别引出两个引脚连接驱动电路;第七LED和第八LED的阴阳极对接,由第七LED和第八LED的阴阳极的两个对接处分别引出两个引脚连接驱动电路;
光电探测器(82)设置在8组LED的中心位置,8组LED均匀分布在光电探测器(82)的四周。
5.根据权利要求4所述的嵌入式人体生理信息无创检测系统,其特征在于,驱动电路包括多路转换开关和光源驱动电路,控制器依次通过光源驱动电路和多路转换开关与多波长LED阵列(81)相连;
光源驱动电路采用H桥式电路,多路转换开关采样差分连接方式,4对LED中每一对的两个引脚分别与差分式多路转换开关中成对的差分通道连接。
6.根据权利要求4所述的嵌入式人体生理信息无创检测系统,其特征在于,信号处理电路包括放大电路、多路复用器、低筒滤波器和模数转换器,光电探测器(82)依次通过放大电路、多路复用器、低筒滤波器和模数转换器后与控制器相连;放大电路采用跨阻抗放大电路,多路复用器采用多路选择开关。
7.根据权利要求1所述的嵌入式人体生理信息无创检测系统,其特征在于,检测电路板还包括蓝牙电路,蓝牙电路包括超低电压微功耗MCU、基于LSB的蓝牙4.0芯片和发射天线,MCU电连接在控制器与蓝牙4.0芯片之间,发射天线与蓝牙4.0芯片相连;
设置蓝牙4.0芯片的工作参数为:发射功率在-20dBm到+10dBm之间,采用GFSK调试方式,调制指数在0.45-0.55之间,跳频工作,1Mbps传输速率,有40个信道带宽为2M的通道,发射频率为2.4GHz;超低电压微功耗MCU最低工作电压为1.8V,休眠功耗为2nA;发射天线为PCB天线。
8.一种权利要求1所述的嵌入式人体生理信息无创检测系统的数据处理方法,其特征在于,通过上位机与嵌入式人体生理信息无创检测系统进行数据传输,该方法包括以下步骤:
S1、通过上位机获取嵌入式人体生理信息无创检测系统采集到的光电容积脉搏波信号,并滤除信号中的高频噪声:采用FIR滤波、IIR滤波以及滑动平均滤波三种方法进行高频噪声的滤除;
S2、滤除信号中的运动干扰:采用约束独立成分分析与自适应滤波相结合的方法来去除光电容积脉搏波信号中的运动伪迹,并通过自适应滤波恢复光电容积脉搏波信号的幅度信息,具体步骤为:
S21、对原始采集的光电容积脉搏波信号进行带通滤波预处理,滤除信号中的高频噪声与直流成分;
S22、根据光电容积脉搏波信号具有的拟周期性,以及运动伪迹的波形不规则性,采用自相关得到光电容积脉搏波信号的周期信息,将光电容积脉搏波信号分为两路,对其中一路光电容积脉搏波信号进行自相关运算,求出光电容积脉搏波信号周期信息,然后基于此周期信息产生约束独立成分分析的参考信号;
S23、将经预处理后的两路光电容积脉搏波信号与步骤S22中得到的参考信号作为输入信号同时输入到约束独立成分分析算法中,得到不含运动干扰的光电容积脉搏波信号;
S24、将步骤S23得到的不含运动干扰的光电容积脉搏波信号输入到自适应滤波器,作为自适应滤波器的参考信号,将带通滤波器预处理后的光电容积脉搏波信号作为自适应滤波器期望信号,经自适应滤波后得到去除了运动伪迹并含有幅度信息的两路光电容积脉搏波信号;
S3、基线漂移:采用希尔伯特-黄变换法对滤除运动干扰后的信号进行处理,首先对信号进行经验模态分解得到本征模态函数,然后对各本征模态函进行希尔伯特变换,求出瞬时频率,最后将频率不合理的成分滤除后再进行重构得到滤除基线漂移后的信号;
S4、对滤除基线漂移后的信号进行特征信息提取:采用光电容积脉搏波信号差分方法提取信号中的AC成分,采用光电容积脉搏波信号幅值平均值作为DC成分;
S5、校正模型建立:采用单隐藏层的BP神经网络模型进行回归建模分析,通过传统方法获得的血红蛋白参考浓度数据,并将数据分为校正样本集和训练样本集,通过训练样本集对神经网络模型进行训练,并将校正样本集代入训练后的神经网络模型进行验证,得到校正后的神经网络模型;
S6、预测:将得到的AC成分和DC成分作为输入变量,并对输入变量进行降维处理,提取降维处理后的输入变量作为神经网络模型输入信号,输出生理信息的预测结果;
S7、显示:在上位机的客户端显示采集及预测结果的数据信息。
9.根据权利要求8所述的入式人体生理信息无创检测系统的数据处理方法,其特征在于,该方法还包括:采用基于时变自回归模型的心率提取算法和频域分析法结合来求得血氧饱和度的值,具体步骤如下:
通过光电容积脉搏检测电路检测血氧饱和度测量中的两路入射光:红光和红外光,首先选取红外光光电容积脉搏波信号进行处理,利用抗干扰心率提取算法求出心率,然后对红光光电容积脉搏波信号和红外光电容积脉搏波信号进行频谱分析,根据频谱中心率所在频率位置提取红光光电容积脉搏波信号和红外光电容积脉搏波信号的幅值,进而求出R值,最后代入到血氧经验公式中,求得最终的血氧饱和度。
10.根据权利要求9所述的入式人体生理信息无创检测系统的数据处理方法,其特征在于,抗干扰心率提取算法的具体步骤为:
提取光电容积脉搏波信号中的加速度信号,通过加速度信号对光电容积脉搏波信号进行状态分类,分为静止光电容积脉搏波和运动光电容积脉搏波,对于静止光电容积脉搏波信号,采用均值交点法计算心率;对于运动光电容积脉搏波信号的算法分成三部分:信号预处理、信号分段和谱峰搜索:首先对采集的光电容积脉搏波作预处理,包括带通滤波和滑动平均率滤波;去除正常心率范围之外的噪声和部分高频噪声,同时使信号更平滑;然后利用基于多小波基函数展开的时变自回归模型方法,对光电容积脉搏波信号进行时频分析;根据频率随时间的变化特征,将光电容积脉搏波信号分段,分成不同的时间段;对于每段信号,各个时刻对应的信号频率保持稳定;分段结果将未受到运动干扰的光电容积脉搏波和受到运动干扰的光电容积脉搏波信号分开,将不同频率的信号分开,将平稳变化的信号和突变的信号分开;对每段信号作FFT,通过频域分析获得所有可能的心率值,并利用加速度信号对可能的值作最优选择,得到最终心率估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710356913.0A CN107157492B (zh) | 2017-05-19 | 2017-05-19 | 一种嵌入式人体生理信息无创检测系统及数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710356913.0A CN107157492B (zh) | 2017-05-19 | 2017-05-19 | 一种嵌入式人体生理信息无创检测系统及数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107157492A true CN107157492A (zh) | 2017-09-15 |
CN107157492B CN107157492B (zh) | 2023-06-02 |
Family
ID=59815780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710356913.0A Active CN107157492B (zh) | 2017-05-19 | 2017-05-19 | 一种嵌入式人体生理信息无创检测系统及数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107157492B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908928A (zh) * | 2017-12-21 | 2018-04-13 | 天津科技大学 | 一种基于深度学习技术的血红蛋白动态光谱分析预测方法 |
CN107913069A (zh) * | 2017-12-21 | 2018-04-17 | 天津科技大学 | 一种基于动态光谱的智能血红蛋白检测云端专家系统 |
CN107942955A (zh) * | 2017-09-29 | 2018-04-20 | 怀化学院 | 一种基于物联网云平台的农业管控系统 |
CN108324286A (zh) * | 2018-01-26 | 2018-07-27 | 重庆大学 | 一种基于pca-narx校正算法的红外光无创血糖检测装置 |
CN108937957A (zh) * | 2018-06-05 | 2018-12-07 | 武汉久乐科技有限公司 | 检测方法、装置及检测设备 |
CN109171759A (zh) * | 2018-09-03 | 2019-01-11 | 惠州泓亚智慧科技有限公司 | 一种生物医学测试器 |
CN109171678A (zh) * | 2018-09-25 | 2019-01-11 | 北方民族大学 | 一种脉搏波的分析方法及装置 |
CN109171764A (zh) * | 2018-10-24 | 2019-01-11 | 重庆科技学院 | 一种基于单片机的血氧检测方法 |
CN109363660A (zh) * | 2018-10-26 | 2019-02-22 | 石家庄昊翔网络科技有限公司 | 基于bp神经网络的心率监测方法及服务器 |
CN110037668A (zh) * | 2019-04-10 | 2019-07-23 | 常熟理工学院 | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 |
CN110115568A (zh) * | 2019-03-19 | 2019-08-13 | 浙江大学山东工业技术研究院 | 一种基于智能手机的心率血氧仪 |
CN110584678A (zh) * | 2019-09-06 | 2019-12-20 | 广东宝莱特医用科技股份有限公司 | 一种血容量变化率的测量方法和装置 |
CN111083648A (zh) * | 2019-12-31 | 2020-04-28 | 东南大学 | 一种极低成本BLE Beacon硬件架构及兼容广播包生成方法 |
CN111096753A (zh) * | 2019-10-21 | 2020-05-05 | 北京航空航天大学 | 一种适用于复杂加速度条件的近红外光谱多通道检测方法 |
CN113171061A (zh) * | 2021-03-26 | 2021-07-27 | 广东省科学院健康医学研究所 | 一种无创血管功能评估方法、装置、设备及介质 |
CN113288133A (zh) * | 2021-05-06 | 2021-08-24 | 广东工业大学 | 用于预测血糖值的方法、装置、存储介质及处理器 |
CN113576475A (zh) * | 2021-08-02 | 2021-11-02 | 浙江师范大学 | 一种基于深度学习的无接触血糖测量方法 |
WO2023284706A1 (zh) * | 2021-07-14 | 2023-01-19 | 维沃移动通信有限公司 | 按键模组、设备控制方法、装置及电子设备 |
CN117224092A (zh) * | 2023-11-16 | 2023-12-15 | 常熟理工学院 | 基于决策树的光电容积脉搏波干扰段实时检测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1332713A1 (en) * | 2002-01-31 | 2003-08-06 | Btg International Limited | Venous pulse oximetry |
CN101464947A (zh) * | 2009-01-16 | 2009-06-24 | 哈尔滨工程大学 | 基于指纹和手指静脉的双模态生物图像采集装置 |
US20100305417A1 (en) * | 2009-05-29 | 2010-12-02 | Nintendo Co., Ltd. | Biological information measurement device capable of accurately conducting measurement, that can safely be used |
CN102542263A (zh) * | 2012-02-06 | 2012-07-04 | 北京鑫光智信软件技术有限公司 | 一种基于指部生物特征的多模态身份认证方法及装置 |
CN102846323A (zh) * | 2011-07-01 | 2013-01-02 | 中国计量学院 | 一种基于led的无创血氧饱和度检测仪 |
CN103617419A (zh) * | 2013-12-02 | 2014-03-05 | 中山微盾信息科技有限公司 | 具有活体手指侦测功能的手指静脉识别装置和方法 |
CN103839052A (zh) * | 2014-03-05 | 2014-06-04 | 中山微盾信息科技有限公司 | 一种手指静脉识别装置及其实现方法 |
CN104224196A (zh) * | 2014-09-24 | 2014-12-24 | 天津大学 | 无创测量血液成分浓度的方法 |
CN105662367A (zh) * | 2016-02-25 | 2016-06-15 | 北京航空航天大学 | 一种头戴式多点脉搏波检测方法及装置 |
CN105769151A (zh) * | 2016-02-25 | 2016-07-20 | 北京航空航天大学 | 一种多点脉搏波检测方法及装置 |
CN106333658A (zh) * | 2016-09-12 | 2017-01-18 | 吉林大学 | 一种光电容积脉搏波检测仪及检测方法 |
-
2017
- 2017-05-19 CN CN201710356913.0A patent/CN107157492B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1332713A1 (en) * | 2002-01-31 | 2003-08-06 | Btg International Limited | Venous pulse oximetry |
CN101464947A (zh) * | 2009-01-16 | 2009-06-24 | 哈尔滨工程大学 | 基于指纹和手指静脉的双模态生物图像采集装置 |
US20100305417A1 (en) * | 2009-05-29 | 2010-12-02 | Nintendo Co., Ltd. | Biological information measurement device capable of accurately conducting measurement, that can safely be used |
CN102846323A (zh) * | 2011-07-01 | 2013-01-02 | 中国计量学院 | 一种基于led的无创血氧饱和度检测仪 |
CN102542263A (zh) * | 2012-02-06 | 2012-07-04 | 北京鑫光智信软件技术有限公司 | 一种基于指部生物特征的多模态身份认证方法及装置 |
CN103617419A (zh) * | 2013-12-02 | 2014-03-05 | 中山微盾信息科技有限公司 | 具有活体手指侦测功能的手指静脉识别装置和方法 |
CN103839052A (zh) * | 2014-03-05 | 2014-06-04 | 中山微盾信息科技有限公司 | 一种手指静脉识别装置及其实现方法 |
CN104224196A (zh) * | 2014-09-24 | 2014-12-24 | 天津大学 | 无创测量血液成分浓度的方法 |
CN105662367A (zh) * | 2016-02-25 | 2016-06-15 | 北京航空航天大学 | 一种头戴式多点脉搏波检测方法及装置 |
CN105769151A (zh) * | 2016-02-25 | 2016-07-20 | 北京航空航天大学 | 一种多点脉搏波检测方法及装置 |
CN106333658A (zh) * | 2016-09-12 | 2017-01-18 | 吉林大学 | 一种光电容积脉搏波检测仪及检测方法 |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942955A (zh) * | 2017-09-29 | 2018-04-20 | 怀化学院 | 一种基于物联网云平台的农业管控系统 |
CN107908928A (zh) * | 2017-12-21 | 2018-04-13 | 天津科技大学 | 一种基于深度学习技术的血红蛋白动态光谱分析预测方法 |
CN107913069A (zh) * | 2017-12-21 | 2018-04-17 | 天津科技大学 | 一种基于动态光谱的智能血红蛋白检测云端专家系统 |
CN108324286A (zh) * | 2018-01-26 | 2018-07-27 | 重庆大学 | 一种基于pca-narx校正算法的红外光无创血糖检测装置 |
CN108324286B (zh) * | 2018-01-26 | 2020-11-10 | 重庆大学 | 一种基于pca-narx校正算法的红外光无创血糖检测装置 |
CN108937957A (zh) * | 2018-06-05 | 2018-12-07 | 武汉久乐科技有限公司 | 检测方法、装置及检测设备 |
CN108937957B (zh) * | 2018-06-05 | 2021-11-09 | 武汉久乐科技有限公司 | 检测方法、装置及检测设备 |
CN109171759A (zh) * | 2018-09-03 | 2019-01-11 | 惠州泓亚智慧科技有限公司 | 一种生物医学测试器 |
CN109171678A (zh) * | 2018-09-25 | 2019-01-11 | 北方民族大学 | 一种脉搏波的分析方法及装置 |
CN109171678B (zh) * | 2018-09-25 | 2021-06-22 | 北方民族大学 | 一种脉搏波的分析方法及装置 |
CN109171764A (zh) * | 2018-10-24 | 2019-01-11 | 重庆科技学院 | 一种基于单片机的血氧检测方法 |
CN109363660A (zh) * | 2018-10-26 | 2019-02-22 | 石家庄昊翔网络科技有限公司 | 基于bp神经网络的心率监测方法及服务器 |
CN109363660B (zh) * | 2018-10-26 | 2022-04-12 | 石家庄昊翔网络科技有限公司 | 基于bp神经网络的心率监测方法及服务器 |
CN110115568A (zh) * | 2019-03-19 | 2019-08-13 | 浙江大学山东工业技术研究院 | 一种基于智能手机的心率血氧仪 |
CN110037668A (zh) * | 2019-04-10 | 2019-07-23 | 常熟理工学院 | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 |
CN110037668B (zh) * | 2019-04-10 | 2022-02-01 | 常熟理工学院 | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 |
CN110584678A (zh) * | 2019-09-06 | 2019-12-20 | 广东宝莱特医用科技股份有限公司 | 一种血容量变化率的测量方法和装置 |
CN111096753A (zh) * | 2019-10-21 | 2020-05-05 | 北京航空航天大学 | 一种适用于复杂加速度条件的近红外光谱多通道检测方法 |
CN111083648A (zh) * | 2019-12-31 | 2020-04-28 | 东南大学 | 一种极低成本BLE Beacon硬件架构及兼容广播包生成方法 |
CN113171061A (zh) * | 2021-03-26 | 2021-07-27 | 广东省科学院健康医学研究所 | 一种无创血管功能评估方法、装置、设备及介质 |
CN113171061B (zh) * | 2021-03-26 | 2024-03-01 | 广东省科学院健康医学研究所 | 一种无创血管功能评估方法、装置、设备及介质 |
CN113288133A (zh) * | 2021-05-06 | 2021-08-24 | 广东工业大学 | 用于预测血糖值的方法、装置、存储介质及处理器 |
WO2023284706A1 (zh) * | 2021-07-14 | 2023-01-19 | 维沃移动通信有限公司 | 按键模组、设备控制方法、装置及电子设备 |
CN113576475A (zh) * | 2021-08-02 | 2021-11-02 | 浙江师范大学 | 一种基于深度学习的无接触血糖测量方法 |
CN113576475B (zh) * | 2021-08-02 | 2023-04-21 | 浙江师范大学 | 一种基于深度学习的无接触血糖测量方法 |
CN117224092A (zh) * | 2023-11-16 | 2023-12-15 | 常熟理工学院 | 基于决策树的光电容积脉搏波干扰段实时检测方法及系统 |
CN117224092B (zh) * | 2023-11-16 | 2024-02-09 | 常熟理工学院 | 基于决策树的光电容积脉搏波干扰段实时检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107157492B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107157492A (zh) | 一种嵌入式人体生理信息无创检测系统及数据处理方法 | |
CN106413534B (zh) | 连续血压测量装置、测量模型建立方法和系统 | |
US7060035B2 (en) | Signal processing method and device for signal-to-noise improvement | |
US10398327B2 (en) | Non-contact assessment of cardiovascular function using a multi-camera array | |
CN110384491A (zh) | 一种基于普通摄像头的心率检测方法 | |
Budidha et al. | Design and development of a modular, multichannel photoplethysmography system | |
CN103271734A (zh) | 一种基于低端成像设备的心率测量方法 | |
CN103735401A (zh) | 基于脉搏血氧的心肺复苏质量反馈控制系统 | |
CN102579053A (zh) | 一种基于扩散理论的反射式脉搏血氧检测方法 | |
CN110251115B (zh) | 基于体表视频的ppg信号提取方法、系统、设备及介质 | |
Ghamari et al. | Design and prototyping of a wristband-type wireless photoplethysmographic device for heart rate variability signal analysis | |
CN110236508A (zh) | 一种无创血压连续监测方法 | |
CN207886208U (zh) | 一种嵌入式人体生理信息无创检测系统 | |
CN112890792A (zh) | 一种基于网络摄像头的云计算心血管健康监护系统及方法 | |
CN104739394A (zh) | 一种便携式人体生理信号监控报警系统 | |
CN107863156A (zh) | 一种高血压筛查与管理方法与装置 | |
CN105054943A (zh) | 便于监控的血氧饱和度检测终端 | |
Dewantoro et al. | Development of smartphone-based non-invasive hemoglobin measurement | |
CN108272444A (zh) | 基于msp430f5529穿戴式生理参数监测手表系统 | |
CN116439699A (zh) | 一种基于四波长脉搏波的无创血红蛋白测量装置与方法 | |
CN110051366A (zh) | 一种碳氧饱和度检测装置及方法 | |
CN109512403A (zh) | 一种指端光电容积脉搏波检测方法、设备及系统 | |
CN210204741U (zh) | 一种肌肉氧合检测设备用蓝牙传输装置 | |
CN208017497U (zh) | 无线血氧测量的装置 | |
CN107744396A (zh) | 一种无创血氧饱和度检测仪 |
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 |