CN107530015B - 一种生命体征分析方法与系统 - Google Patents
一种生命体征分析方法与系统 Download PDFInfo
- Publication number
- CN107530015B CN107530015B CN201580078360.6A CN201580078360A CN107530015B CN 107530015 B CN107530015 B CN 107530015B CN 201580078360 A CN201580078360 A CN 201580078360A CN 107530015 B CN107530015 B CN 107530015B
- Authority
- CN
- China
- Prior art keywords
- feature
- information
- module
- noise
- results
- 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7217—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise originating from a therapeutic or surgical apparatus, e.g. from a pacemaker
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种生命体征分析的方法和系统(110),包括信息采集(310)、数据存储、计算分析(330)、处理、结果输出(360)等功能。该系统(110)可通过多种算法对所获取信息进行计算分析(330),并对计算结果进行判断(340)或处理,并将判断结果或经过处理后的生命信息输出(360)。
Description
说明
本申请与同一申请人于2015年4月20日提交的发明名称为“一种生理体征信息获取方法和系统”的PCT申请为相关申请,其全部内容以引用方式被完全包含在此。
技术领域
本发明涉及一种生命体征信息的获取、处理、提取和分析的方法和系统。
背景技术
生命体每时每刻都存在着大量的生命信息。生命信息可概括成两大类:化学信息(组成生命体的化学成分构成及其变化相关的信息) 和物理信息(生命体各器官的位置、形态、相对关系及运动所产生的力、热、声、光等相关信息)。某些动物体心脏和血管组成的循环系统,构成血液循环,是这些生命体最重要的组成部分之一。心血管系统的化学和物理信息中包含了大量的信息内容。
心脏病是一种常见的多发慢性疾病,由于病情隐蔽、发展缓慢、发病危险性高,故而成为威胁人类生命的主要疾病。心脏病已成为危害人类健康和生命安全的“第一杀手”,因此心脏病的防治和诊断成为当今医学界面临的首要问题。用于诊断心脏病的主要技术之一是心电图(Electrocardiogram,简称ECG),心电图将心脏激动过程中所产生的体表电位差记录下来。
心电信息是人体体表电位的表现形式,在心电信息的测量过程中,很容易受到噪声、伪迹和数据缺失等的干扰导致分析结果错误。心电信息会受多种干扰的影响,典型的有:
1)工频干扰:人体分布电容和点击引线环路受交流电、磁场的影响而产生的干扰,频率为50Hz(或60Hz)工频及其谐波,表现为心电图上呈规律性的细小波纹,幅度可到ECG峰峰值的50%。
2)基线偏移:主要由受检者的电极接触不良及电极-皮肤界面阻抗变化所致,为低频干拢信息,频率一般小于1Hz,表现为比较缓慢的类似于正弦波曲线的变化。
3)肌电干扰:由于受检者肌肉收缩而引起的干扰,为高频干扰信息,频率范围为10-100Hz,幅度为毫伏级,表现为不规则的快速变化波形。
4)电极活动伪迹:由于电极和皮肤接触不良或是被测对象和测量系统脱离引起的瞬态干扰。表现为ECG信息基线发生短暂的类似心电波形的改变,持续时间可达100~500ms。
5)运动/震动干扰:运动/震动干拢是在信号输入过程中,由于受检者或信号源或传感器的运动或震动导致信号发生器,如信号源的传输距离及角度发生变化,从而影响所产生的信号特性,导致信号被干扰、失真或淹没。
上述干扰会使心电波形模糊不清或产生失真,对波形检测和识别造成很大影响。
简述
本文披露了一种方法。主要过程包括:获得生命信息;用方法一对所述生命信息进行特征测量,获得所有特征结果;用方法二对所述生命信息进行特征一测量,获得特征一结果,其中方法二与所述方法一不同;将所述所有特征结果与所述特征一结果进行匹配及标记;在所述所有特征结果中,在所述特征一匹配位置附近对特征二和特征三进行标记;在所述所有特征结果中,确定除所述特征一、所述特征二和所述特征三之外的剩余特征;对剩余特征进行噪声判断;输出噪声判断结果。
根据本申请的一个实施例,所述生命信息包括心电信息。
根据本申请的一个实施例,所述方法一包括以下步骤:设定阈值,取所述阈值之内的波峰波谷为所有特征结果。
根据本申请的一个实施例,所述方法一可以为峰值检测方法。所述方法二包括但不限于阈值法、模板匹配法、小波变换法及神经网络法等。
根据本申请的一个实施例,所述特征一结果包括心电信息中QRS 波结果。
根据本申请的一个实施例,所述特征一位置为心电信息中QRS波位置。
根据本申请的一个实施例,所述特征二和特征三包括心电信息中的 P波和T波。
本文还披露了另一种方法,包括:判断生命信息的分布;计算生命信息的特征量,并设定特征量的阈值;依据特征量是否在阈值内判断生命信息是否有噪声;输出判断结果。
本文还披露了一种系统,包括:
采集模块,采集生命信息;特征测量模块采取第一种方法测量并获得所有特征结果;特征一测量模块,采取第二种方法测量并获得特征一结果,其中特征测量模块与所述特征一测量模块可以不同;匹配模块,将所有特征结果与所述特征一结果进行匹配,并在所有特征结果中标记所述特征一位置;特征二标记模块,在所述特征一匹配位置附近,标记特征二;特征三标记模块,在所述特征一匹配位置附近,标记特征三;计算分析模块,对除所述特征一、特征二和特征三之外的剩余特征进行噪声判断;输出模块,用于输出所述噪声判断结果。
根据本申请的一个实施例,所述采集模块包括心跳采集设备、心电图检测仪、生命信息探测设备及具有上述设备功能的智能可穿戴设备。
根据本申请的一个实施例,所述生命信息包括生命体心电信息。
附图说明
图1为本发明中生命体征分析系统的应用场景图;
图2为本发明中生命体征分析系统的示意图;
图3为系统运作流程图;
图4为系统运作的另一流程图;
图5为分析模块的示意图;
图6为分析模块的运作流程图;
图7为本发明中生命体征分析方法的A算法的一种流程图;
图8为本发明中生命体征分析方法的B算法的一种流程图;
图9为本发明中生命体征分析方法的B算法的一种流程图;
图10为本发明中生命体征分析方法的C算法的一种流程图。
具体描述
本说明书涉及的生命体征分析系统可适用于多种领域,包括但不限于:监护(包括但不限于老年人监护、中年人监护、青年人监护及幼儿监护等)、医疗诊断(包括但不限于心电诊断、脉搏诊断、血压诊断、血氧诊断等)、运动监测(包括但不限于长跑、中短跑、短跑、骑车、划艇、射箭、骑马、游泳、爬山等)、医院护理(包括但不限于重症病人监测、遗传病病人监测、急诊病人监测等)、宠物护理(危重症宠物护理、新生宠物护理、居家宠物护理等)等。
该生命体征分析系统可以采集获取来自生命体的一种或多种生命信息,例如心电、脉搏、血压、血氧、心率、体温、HRV、BPV、脑电波、人体发出的超低频电波、呼吸、肌肉骨骼状态、血糖、血脂、血液浓度、血小板含量、身高、体重等物理和化学信息。该生命体征分析系统可以包含采集模块,采集一种或多种生命信息。特征测量模块可以采取第一种方法测量并获得所有特征结果。特征一测量模块,可以采取第二种方法测量并获得特征一结果。其中特征测量模块与特征一测量模块可以不同。匹配模块,可以将所有特征结果与特征一结果进行匹配,并在所有特征结果中标记特征一位置。特征二标记模块,可以在特征一匹配位置附近,标记特征二。特征三标记模块,可以在特征一匹配位置附近,标记特征三。计算分析模块,可以对于除特征一、特征二和特征三外的剩余特征进行计算分析。输出模块,可以用于输出所述分析计算结果。该分析系统可以以较小的计算量,有效地检测出接收到的生命信息数据中存在的噪声,并做相应的匹配和标定。该系统可以方便地应用于便携设备或可穿戴设备上。该系统可以以实时(也可以非实时)的方式对生命体的生命信息进行不间断的监测,并将监测结果传输到外部设备(包括但不限于存储设备或云服务器)上。比如,该系统可以对用户在随机的一段时间内,如数分钟,数个小时,数天,或几个月内的生命信息进行连续的监测,也可以定期对用户的生命信息进行连续的监测。该系统可以实时(也可以非实时)显示所监测生命体的生命信息状况,如脉搏,血压,血氧浓度等信息,并将生理信息数据提供给相关远程第三方,如医院,护理机构,或有关联人士等。例如,用户可以在家使用这个系统。由这个系统监测到的用户的生命信息状况或生理信息数据可以提供给远程的医院,护理机构,或有关联人士等。用户的生命信息状况或生理信息数据一部分或全部也可以存储到一个本地的或远程的存储设备。以上对生理信息数据的传送方式可以是有线,也可以是无线的。有效地检测出所采集到的生命信息中存在的噪声,并做相应的匹配和标定(这样就可以方便地将此系统应用于便携设备或可穿戴设备上)。特别地,该分析系统可以实时(也可以非实时)地对生命体的生命信息进行不间断的连续监测,并将监测结果传输至外部设备(包括但不限于存储设备或云服务器)上。该分析系统可以实时(也可以非实时)输出并显示所检测到的生命体的生命信息状况,如心电、脉搏、血压、血氧浓度等,并可以将这些生命信息远程提供给相关的第三方,如医院、护理结构或有关联人士等。以上描述的所有有关生命信息的传输过程都可以是有线或无线的。
以上对适用领域的描述仅仅是具体的示例,不应被视为是唯一可行的实施方案。显然,对于本领域的专业人员来说,在了解此种基于生命信息分析方法与系统的基本原理后,可能在不背离这一原理的情况下,对实施上述方法和系统的应用领域形式和细节上的各种修正和改变,但是这些修正和改变仍在以上描述的范围之内。
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图将本发明应用于其他类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构和操作。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
图1为生命体征分析系统的应用场景示意图。该应用场景包括但不限于:生命体征分析系统110,生命体120和传输设备130。生命体征分析系统110可以用于提取、接收、获取、分析、和/或处理来自生命体 120的生命信息。此处生命体120包括但不限于人体且并不局限于某单个生命体。此处生命信息包括但不限于:心电、脉搏、血压、血氧、心率、体温、HRV、BPV、脑电波、人体发出的超低频电波、呼吸、体温、肌肉骨骼状态、血糖、血脂、血液浓度、血小板含量、身高、体重等物理和化学信息。传输设备130包括但不限于处理器、传感器、基于单片机、ARM等嵌入式设备、分析仪、检测仪等电子、机械、物理、化学设备。传输方式包括但不限于雷达、红外、蓝牙、电线、光纤等有线或无线方式。所传递的信息可以是模拟的也可以是数字的,可以是实时的也可以是非实时的。该设备可以针对某一具体生命体,也可以针对某一组、一类或多类生命体。该设备也可以包括一个中央数据库或一个云端服务器。生命体征分析系统110可以直接也可以间接获取生命信息。所采集的生命信息可以直接传递给生命体征分析系统110,也可以通过传输设备130传递给生命体征分析系统110。采集生命信息的方式可通过但不限于心跳采集设备、心电图检测仪、脉搏波检测仪、脑电波检测仪、血压测量仪、生命信息探测设备和人体呼吸探测仪等方法。也可以利用具有上述设备功能的手表、耳机、眼镜、配饰等智能可穿戴式设备和便携式设备等。以上对生命体征分析系统应用场景的描述仅仅是某一具体的示例,不应被视为是唯一可行的实施方案。显然,对于本领域的专业人员来说,在了解生命体征分析系统的基本原理后,可能在不背离这一原理的情况下,对生命体征分析系统的应用方式进行形式和细节上的各种修正和改变,但是这些修正和改变仍在以上描述的范围之内。例如,从生命体120所采集的信息可以不通过传输设备130而直接传给生命体征分析系统110。生命体征分析系统110也可以同时从多个生命体120直接获取多种不同类别的生命信息进行综合处理。这些修正和改变仍在本发明的权利要求保护范围之内。
图2展示的是一个生命体征分析系统中包含或用到的模块的示意图,包括但不限于一个或多个组件200、一个或多个外部设备240、一个或多个电源250、和云服务器260等。其中,组件200包括但不限于采集模块210、分析模块220和输出模块230等。采集模块210主要用于生命体征分析系统中生命信息的采集,该模块可以通过光电传感方式实现,也可以通过电极传感方式实现。该模块可以通过温度感应、湿度变化、压力变化、光电感应、体表电位变化、电压变化、电流变化或磁场变化等获得生命信息。该采集模块可获得声学、光学、磁学、热学等各种信息,信息类型包括但不限于心电信息、心率信息、脉搏信息、血压信息、血氧信息、呼吸信息等生命信息。例如,该采集模块可获取心电信息的包括但不限于波形、时间间隔、波峰、波谷、幅度大小等的信息。该采集模块210可充分利用各种设备,可以是本地的心电采集设备,也可以是远程的无线远程心电监护系统。可以是医用心电监测系统,也可以是家用便携式心电监测设备。可以是传统意义上的心电监测设备,也可以是具有该功能的手表、耳机等便携式智能可穿戴设备。该采集模块210可以根据需要采集完整的生命信息,或采集一定时间间隔内,如 4秒(4s)窗口期内的生命信息。
采集模块210内部可以集成一定的校准模块,或者组件200内部可以设置单独的校准模块(图中未体现),用于对所采集的生命信息进行调整、优化、校准处理或去除不相关的误差干扰。生命信息的采集会受到多种因素的影响,这些因素会影响生命信息的波形、峰值幅度、峰值点间隔等特征。例如,同一生命体在一天中的不同时间其生命信息会有一定区别。同一生命体在不同的生命状态下的生命信息也有区别,如运动状态或静止体息状态、负荷工作状态或睡眠状态、心情愉悦状态或暴躁生气状态等。同一生命体在服食药物或未服食药物状态,生命信息也有所区别。另外不同的生命体在相同的状态下,生命信息也不尽相同。因此采集模块210内部可以集成相应的校准模块,或组件200内部设置相应的校准模块(图中未体现),用以调整、优化、校准或去除上述误差干扰,获得准确的生命信息。另外采集模块210可以为不同的生命体调整不同的参数,将从同一生命体采集的生命信息存储于云服务器260 中,使该采集模块210具有自适应功能,形成同一生命体的个体生命信息库,从而使所采集的生命信息更准确。另外光电传感会受到光强、肤色、皮肤粗糙度、皮肤温度、皮肤湿度、环境温度、环境湿度等因素的影响。因此这也需要采集模块210内部集成相应的环境适应模块,如与环境影响因素相对应的修正或补偿模块。上述对该生命体征分析系统的修正、变形或改变均应在本发明所保护的范围之内。
分析模块220主要用于生命信息的计算、分析、判断、和/或处理。该分析模块220可以是集中式的,也可以是分布式的,可以是本地的,也可以是远程的。计算方法可以是具体的计算,也可以是基于阈值的是 /否判断。分析过程可以是实时的也可以是非实时的。计算过程可以直接由系统执行,也可以通过外部电脑程序执行。计算过程所使用的设备可以是系统内部的,也可以是系统外部的。处理过程可以是实时的,也可以是非实时的。可以直接由系统执行,也可以由所连接的外部设备执行。输出模块230用于输出经计算、分析、判断、和/或处理的生命信息,输出信息可以是模拟的,也可以是数字的。可以是是或否的逻辑判断结果,也可以是经过处理的生命信息。输出过程可以是实时的,也可以是非实时的。可以直接由系统执行,也可以由所连接的外部设备执行。外部设备240泛指各种与生命体征分析系统的某个模块相关的直接或间接的设备。可以是本地的,也可以是远程的。可以是有线的,也可以是无线的。例如,外部设备240可以是用于显示生命信息的LED或LCD屏幕,也可以是用于存储生命信息的硬盘、软盘等存储设备。电源250泛指一切可以提供电能的设备,可以是有线的,也可以是无线的。以下介绍的电源类型只是部分可以适用的实施例,并不包括所有可以适用于该系统的实施例。电源包括但不限于外接电源,内蓄电池,该系统自带的发电设备。其中外接交流电源常见但不局限于家用或工业交流电源。进一步的,不同国家或地区对家用交流电的电压和频率有不同的要求,例如但不限于:美国和加拿大基本使用120V和60Hz,欧洲各国大多使用220V至 240V和50Hz的组合,澳大利亚和新西兰使用230V或240V和50Hz,阿根廷和智利使用220V和50Hz,巴西使用110V或220V和60Hz,埃及、南非、和摩洛哥大多使用220V和50Hz,沙特阿拉伯使用127V或 220V和60Hz,土耳其使用230V和50Hz,日本使用100V和50Hz(东部)或60Hz(西部),中国内地 、香港特别行政区、和澳门特别行政区使用220V和50Hz,韩国使用220V和60Hz,而中国台湾使用110V和 60Hz的标准。进一步的,该系统和家用交流电的连接可以是通过内部电线的连接,也可以是用标准插头进行连接。其中该系统和家用交流电之间的电线连接可以参考但不限于以下标准:美国标准UL244A、UL514A、 UL514B、UL514C、UL514D、CSA C22.2 No.177和NFPA70等,欧洲标准IEC/EN 61058-1、IEC/EN 61347-2-11和IEC/EN 61347-1等,澳洲标准AS/NZS3123、AS/NZS3131、AS/NZS60320.1和AS/NZS60320.2.2 等,日本标准JIS C 8281-2-1等,中国标准GB16915.1、GB16915.2、 GB16915.3和EN60669等。以上列举的电压、频率、家用电源标准只是为了便于说明的一部分例子,其它类型的电压、频率、家用电源标准也可适用于该系统,例如:电源也可以用无线的方式连接到该系统,例如,通过电感耦合可以将能量从电源传输到该系统。该技术也可以将能量传输到电池进而供应该信息获取系统运作。
该生命体征分析系统也可以使用电池(或称为蓄电池)作为电源,电池包括但不限于一次性电池,也可以是可充电电池。电池的种类进一步包括但不限于铅酸电池、镍镉电池、镍氢电池、锂离子电池、燃料电池、锌锰电池、碱锰电池、锂电池、水银电池、和锌汞电池。当然电池的种类也可以是其它类型。如果使用可充电电池,对电池的充电可以通过一个生命信息提取系统内部的接口,也可以将电池取出充电,也可以使用无线充电技术等。
云服务器260用于存储该生命体征分析系统运行过程中所涉及的所有数据,并且可以实时或非实时地为该系统中的各个模块提供数据调用支持。云服务器260可以作为该生命体征分析系统的云端数据库。
分析模块220与采集模块210相连接,连接的方式可以是有线的也可以是无线的。采集模块210和分析模块220与输出模块230相连接,连接的方式可以是有线的也可以是无线的。采集模块210、分析模块220 和输出模块230可以各自连接不同的电源,也可以两两共享或三者共享同一个电源。采集模块210、分析模块220和输出模块230可以分别连接外部设备。外部设备可以连接一个或多个模块,连接方式可以是有线的,也可以是无线的。组件200与云服务器260相连接,连接方式可以是有线的,也可以是无线的。上文所描述的各个模块和设备并不是必须的,对于本领域的专业人员来说,在了解本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,对该系统进行形式和细节上的各种修正和改变,各个模块可以任意组合,可以根据需要添加或删减部分模块,而这些修正和改变仍在本发明的权利要求保护范围之内。例如,图2中的采集模块210和输出模块230可以集成为一个单独的模块,兼具采集信息和输出信息的作用,该模块可以有线或无线地与分析模块 220相连接。各个模块内部可以集成相应的存储设备,用于系统执行过程中信息数据的短暂缓存,或用于信息数据的长久保存。组件200内部也可以添加相应的独立的存储模块,用于存储所获取的、和/或经过计算、分析、处理的生命信息。这些修正和改变仍在本发明的权利要求保护范围之内。
生命体征分析系统中各个模块之间,模块和外部设备之间的连接,以及系统与存储设备或云服务器之间的连接并不限于上述描述。上述的连接方式在该分析系统中可以单一使用,也可以多种连接方式结合使用。各个模块也可以集成在一起,通过同一个设备实现一个以上模块的功能。外部设备也可以集成在一个或多个模块的实施设备上,而单个或多个模块亦可以集成在单个或多个外部设备上。生命体征分析系统中各个模块之间,模块和外部设备之间的连接,以及系统与存储设备或云服务器之间的连接都可以通过有线连接或无线连接。其中有线连接包括但不限于电线、光纤在内的有线连接方式,无线连接包括但不限于蓝牙、红外等各种无线电通信在内的无线连接方式。
图3为生命体征分析系统的流程图。包含以下步骤:生命信息在步骤310被采集,这些生命信息数据将存储于图2中的采集模块210,或存储于相应的存储设备中(图中未体现),或存储于云服务器260中,或采集到的生命信息数据不经存储直接进行下一步骤。这些生命信息数据经过步骤320进行预处理,预处理步骤可以由分析模块220执行,也可以由其它单独的预处理模块(图中未体现)执行。通过信息数据的预处理能够达到信息优化的效果。预处理的方式包括但不限于修正、改变或去除信息数据中的部分噪声信息或冗余信息。具体的处理方式包括但不限于低通滤波、带通滤波、小波变换滤波、中值滤波法、形态学滤波与曲线拟合法等。经过该预处理步骤后,所采集到的生命信息数据除掉了一部分可明显识别的噪声,例如基线漂移噪声。经过预处理后,生命信息进入计算分析步骤330。该步骤由分析模块220执行,由其内置多种算法对生命信息进行计算、分析。经过计算分析后执行步骤340,判断生命信息中是否存在噪声。若计算结果判断不存在噪声,则执行步骤 350,由输出模块230将该生命信息中无噪声结果输出。若计算结果判断该生命信息中存在噪声,则执行步骤360,由输出模块230将该生命信息中存在噪声结果输出。此处所描述的方法和步骤可以在适当的情况下以任何合适的顺序出现,或同时实现。另外,在不偏离此处所描述的主题的精神和范围的情况下,可以从任何一个方法中删除各单独的步骤。上文所描述的任何示例的各方面可以与所描述的其他示例中的任何示例的各方面相结合,以构成进一步的示例,而不会丢失寻求的效果。例如,预处理步骤320并非是必须的,或者在预处理步骤和分析处理步骤间加入其它选择条件,例如将预处理的结果进行存储备份,也可以将处理过程中任一步骤产生的结果进行存储备份。
图4为生命体征分析系统的另一个流程图。包含以下步骤:生命信息在步骤410被采集。同样地,这些生命信息数据将存储于图2中的采集模块210,或存储于相应的存储设备中(图中未体现),或存储于云服务器260中,或采集到的生命信息数据不经存储直接进行下一步骤。这些生命信息数据经过步骤420进行预处理,预处理步骤可以由分析模块 220执行,也可以由其它单独的预处理模块(图中未体现)执行。通过信息数据的预处理能够达到信息优化的效果。预处理的方式包括但不限于修正、改变或去除信息数据中的部分噪声信息或冗余信息。具体的处理方式包括但不限于低通滤波、带通滤波、小波变换滤波、中值滤波法、形态学滤波与曲线拟合法等。经过该预处理步骤后,所采集到的生命信息数据除掉了一部分可明显识别的噪声,例如基线漂移噪声。经过预处理后,生命信息进入分析处理步骤430。该步骤由分析模块220执行,由其内置多种算法对生命信息进行计算、分析。经过计算分析后执行步骤440,判断生命信息中是否存在噪声。若判断结果为该生命信息中无噪声,则执行步骤450,直接由输出模块230将该生命信息输出。若判断结果为该生命信息中存在噪声,则返回分析处理步骤430,由分析模块220对计算分析过程所判断的噪声进行去除处理,确认没有噪声后,由输出模块230执行步骤450,将经过噪声去除后的生命信息输出。此处所描述的方法的步骤可以在适当的情况下以任何合适的顺序出现,或同时实现。另外,在不偏离此处所描述的主题的精神和范围的情况下,可以从任何一个方法中删除各单独的步骤。上文所描述的任何示例的各方面可以与所描述的其他示例中的任何示例的各方面相结合,以构成进一步的示例,而不会丢失寻求的效果。例如,返回分析处理步骤430过程中,可以实时地直接进行噪声处理,也可以将该生命信息存储至存储设备(图中未体现)或云服务器260中,由分析模块220非实时地读取并处理该生命信息。
图5为分析模块220和周围设备的示意图。分析模块220包含A算法模块510、B算法模块520、C算法模块530和处理模块540。该分析模块220可以和存储设备550及其他模块560相连接。其中存储设备550 可以集成在该分析模块220中,也可以集成在采集模块210中,也可以是独立的存储设备。分析模块220可以和其它一个或多个采集模块 210-1、210-2、和210-N有选择的相连接,也可以有选择的与其他模块相连接。这里所提及的所有模块或设备之间的连接方式都可以是有线或无线的。分析模块220内部的三个算法模块510、520、530以及处理模块540之间可以两两相连,也可以各自单独与其他模块相连,几个模块之间的连接并不局限于图5中所示。以上对分析处理模块的描述仅仅是具体的示例,不应被视为是唯一可行的实施方案。上述每一个模块均可通过一个或多个部件实现,每个模块的功能也并不局限于此。显然,对于本领域的专业人员来说,在了解分析处理过程的基本原理后,可能在不背离这一原理的情况下,对分析处理模块的具体实施方式与步骤进行形式和细节上的各种修正和改变,还可以做出若干简单推演或替换,在不付出创造性劳动的前提下,对各模块的顺序作出一定调整或组合,但是这些修正和改变仍在以上描述的范围之内。例如,分析模块220可以执行不同的功能,或单纯判断所获取的生命信息中存在噪声与否,或对所获取的生命信息进行去噪处理。当该分析模块220仅执行判断噪声功能时,处理模块540并非必须的。同样地,该分析模块220内部的三个算法模块可以共同存在,也可以各自单独存在。分析模块220运行时,可以选择性地运行多个算法模块中的一个或多个模块,也可以分阶段依次运行多个模块,或者同时运行多个模块,或者算法模块间以其它时间组合运行。进一步地,任意一个算法模块可以对另一个或多个算法模块的结果进行计算处理,或者将不同算法模块产生的结果同时或非同时传递到处理模块中进行处理。
所有生命信息数据在经由分析模块220接收、计算、分析、判断、和/或处理后,都会有选择的存入存储设备550,以便分析模块220在接下来的任何操作步骤中随时读取和分析。这里提到的存储设备550泛指所有可以读取、和/或写入信息的媒介,例如但不局限于随机存储器 (RAM)和只读存储器(ROM)。具体例如,硬盘、软盘、优盘、光盘等各种存储元器件。其中RAM有但不限于:十进计数管、选数管、延迟线存储器、威廉姆斯管、动态随机存储器(DRAM)、静态随机存储器(SRAM)、晶闸管随机存储器(T-RAM)、和零电容随机存储器 (Z-RAM)等。ROM又有但不限于:磁泡存储器、磁钮线存储器、薄膜存储器、磁镀线存储器、磁芯内存、磁鼓存储器、光盘驱动器、硬盘、磁带、早期NVRAM(非易失存储器)、相变化内存、磁阻式随机存储式内存、铁电随机存储内存、非易失SRAM、闪存、电子抹除式可复写只读存储器、可擦除可编程只读存储器、可编程只读存储器、屏蔽式堆读内存、浮动连接门随机存取存储器、纳米随机存储器、赛道内存、可变电阻式内存、和可编程金属化单元等。以上提及的存储设备只是列举了一些例子,该系统可以使用的存储设备并不局限于此。
图6为分析模块220执行计算、分析、判断、处理过程的流程图。生命体中的生命信息首先在步骤610被读取,读取信息后进入各算法计算步骤620、650和6100。这几个算法步骤都不是必须的,可以选择其中的一种或几种,既可以单独独立执行,也可以按一定顺序执行,也可以同时执行。以首先执行A算法为例,A算法计算过程由步骤620执行,计算结果传递给步骤630进行判断。若判断结果显示当前信息并不存在噪声,则输出无噪声结果,分析处理过程结束。若判断结果显示当前信息存在噪声,则输出有噪声结果,分析处理过程结束;此时也可以将当前信息存在噪声这一结果传递给B算法计算步骤650,或C算法计算步骤6100进行进一步的计算分析。以传递给B算法步骤为例,B算法计算过程由步骤650执行,该步骤对生命信息中存在的噪声进行计算、分析,将计算分析结果传递给判断步骤660。判断步骤660判断当前信息存在噪声,则执行噪声处理步骤680,该步骤对已判断识别出的噪声进行去除处理,经过去除噪声处理后的信息由步骤690输出,分析处理过程结束。同样地,读取信息后可以直接进入B算法计算步骤650,计算结果传递给判断步骤660,若判断结果显示当前信息并不存在噪声,则执行步骤670,由输出模块230将当前噪声结果输出,同时分析处理过程结束。若计算结果显示当前信息存在噪声,则可以由输出模块230将当前噪声结果输出,同时分析处理过程结束;也可以将当前信息存在噪声这一结果传递给噪声处理步骤680,由该步骤将信息中已判断识别出的噪声进行去除处理,将信息中已判断识别出的噪声进行去除处理,经过去除噪声处理后的信息由步骤690输出,分析处理过程结束。同样地,读取信息后可以直接进入C算法计算步骤6100,计算结果传递给判断步骤6120,若判断结果显示当前信息并不存在噪声,则由输出模块230执行步骤6130输出当前噪声结果,同时分析处理过程结束。若计算结果显示当前信息存在噪声,则由输出模块230执行步骤6130输出当前噪声结果,同时分析处理过程结束;此时也可以将当前信息存在噪声这一结果传递给噪声处理步骤6140,将信息中已判断识别出的噪声进行去除处理,经过去除噪声处理后的信息由步骤6150输出,分析处理过程结束。以上对生命信息分析处理过程的描述仅仅是具体的示例,不应被视为是唯一可行的实施方案。显然,对于本领域的专业人员来说,在了解各种算法的基本原理后,可能在不背离这一原理的情况下,对信息分析处理的具体实施方式与步骤进行形式和细节上的各种修正和改变,但是这些修正和改变仍在以上描述的范围之内。例如,若分析模块220执行噪声检测功能时,噪声处理步骤680和6140则并非必须的。采用B算法计算的过程中可以处理采用C算法计算过程中产生的数据,或者采用 C算法计算的过程中也可以处理采用B算法计算过程中产生的数据。或者算法A、算法B和算法C之间的计算结果可以循环使用。
以上描述的A算法、B算法和C算法可以分别针对所读取信息中不同的特征量进行计算处理,也可以针对所读取信息中的相同特征量进行不同方式的计算分析,图6中620、650、6100的位置可以互换,三个算法的执行顺序也可以自由组合。例如,对读取的信息进行B算法计算,对计算结果判断是否存在噪声,将判断为有噪声存在的结果传递给A算法或者C算法进行后续计算和判断。在一个具体的实施例中,A算法计算过程主要是根据所获取信息的波形分布,对生命信息进行计算分析,根据计算结果判断该生命信息中是否存在噪声可能性,若判断结果为当前信息不存在噪声,则计算分析过程结束,由输出模块230输出噪声判断结果;若判断结果显示当前信息中存在噪声,则可由B算法或C算法进行下一步的噪声识别,或直接由输出模块230输出噪声判断结果。B 算法计算过程主要通过对生命信息的波形特征进行计算分析,基于对所获取信息的波形特征的有效标记,并通过设定阈值的方式对该信息中存在的噪声进行判断,并对噪声进行有效识别。经过该算法计算后,信息中存在的噪声得到有效判断并识别,之后可通过处理模块540进行噪声去除处理,将去噪后的信息经输出模块230输出,或直接由输出模块230 输出噪声判断结果。C算法计算过程主要通过计算获取生命信息的特征值,并通过设定特征阈值的方式判断信息中是否存在噪声。例如C算法可通过EMD计算获得信息的本征模态函数值F-IMF,并在经过归一化后求得均值及方差值,进而通过设定均值阈值和方差阈值分析判断噪声。经过该算法计算分析后,可将噪声判断结果由输出模块230输出。
以上是对三种算法特点的简单介绍,并不代表是唯一可行的实施方案。对于本领域的普通技术人员来说,可以在理解了相关算法原理的基础上,对三种算法进行不同程度的扩展或发展,或增减步骤,或对各个步骤进行有效的排列组合,以达到更好的计算分析效果。
图7为A算法执行计算分析过程的流程图。首先在步骤710判断所接收的生命信息的统计量的信息。这里统计量包括但不限于生命信息的波宽度,生命信息的峰度,生命信息的间期(波之间的间隔),生命信息的波斜率(其中包括但不限于斜率的最大,最小,平均值等一些统计参数),生命信息的波幅度,生命信息的波频率,生命信息的波相关系数,生命信息的波上升时间,生命信息的波下降时间,生命信息的波面积,生命信息的波面积与波宽度的比值,生命信息的矩计算,如二阶矩,三阶矩,四阶矩及更高阶矩的计算等。步骤710结束后,同时执行步骤 720和步骤730,在步骤720中,对生命信息的峰度进行计算,同时在步骤730中,根据信息的分布类型设定阈值,之后执行判断步骤740,对计算所得的峰度值与阈值进行比较,判断该峰度值是否在阈值范围内,若不在此范围内,则判断结果为该信息中不存在噪声,如步骤750 所示,之后计算分析过程结束;若判断该峰度值在此阈值范围内,则判断该信息中存在噪声,如步骤760所示,之后计算分析过程结束。以上对A算法计算过程的描述仅仅是具体的示例,不应被视为是唯一可行的实施方案。显然,对于本领域的专业人员来说,在了解峰度计算和噪声判断的基本原理后,可能在不背离这一原理的情况下,对A算法的具体实施方式与步骤进行形式和细节上的各种修正和改变,但是这些修正和改变仍在以上描述的范围之内。例如,A算法执行过程中可以跳过步骤 710直接进行步骤720的峰度计算,该步骤中峰度计算的具体实现可以有多种形式,如直接计算或模拟仿真等。A算法执行过程结束后,可以结束计算分析过程,也可以转入B算法模块520或C算法模块530进行进一步的计算分析。类似地,A算法计算过程也可以和B算法和/或C 算法计算过程同时执行。
图8为B算法执行计算分析过程的流程图。首先分别执行步骤810 和步骤820,步骤810利用方法一对所获取的生命信息进行特征测量,并保存所测量到的所有特征结果;步骤820利用方法二对所获取的生命信息进行特征一的测量,并保存测量的特征一,此处方法二可以不同于方法一。之后执行步骤830,将上述步骤810测量获得的所有特征结果与步骤820测量获得的特征一进行匹配,并在步骤810所获得的所有特征结果中标记特征一的位置。需要注意的是,匹配过程中,需设定一个阈值,若方法一所获得的所有特征结果与方法二所获得的特征一进行匹配时,在此阈值范围内,则认为该特征一匹配完成。根据步骤830已标记的特征一,分别对步骤810所获取的所有特征结果执行步骤840和步骤850,分别进行特征二和特征三的标记,同样地,特征二和特征三的标记过程中也需设定阈值,只有在此阈值范围内时,才能认为标记完成。根据上述已标记完成的特征一、特征二和特征三,在步骤860确定该生命信息的剩余特征。之后在步骤870设定阈值,并通过判断步骤880对该生命信息的剩余特征进行逐一判断,若判断结果为在此阈值范围内,则计算分析结果为判断该生命信息中存在噪声,如步骤890-1所示,自此计算分析过程结束;若判断结果为不在此阈值范围内,则计算结果为判断该生命信息中不存在噪声,如步骤890-2所示,自此计算分析过程结束。以上对B算法计算过程的描述仅仅是具体的示例,不应被视为是唯一可行的实施方案。显然,对于本领域的专业人员来说,在了解信息中特征检测及标记的基本原理后,可能在不背离这一原理的情况下,对 B算法的具体实施方式与步骤进行形式和细节上的各种修正和改变,但是这些修正和改变仍在以上描述的范围之内。例如,步骤810中,对所有特征结果的测量可以针对完整的生命信息段,也可以针对该生命信息的某一个时间间隔段;同样地,步骤820测量特征一的信息段与步骤810 中的信息段相对应。步骤840和步骤850中对特征二和特征三的标记,是针对已标记的特征一位置之前或之后的某一时间段内进行标记,该时间段可以根据需要灵活调整;另外,步骤840和步骤850并非必须的,可根据实际算法运行情况进行添加或删减。
图9为B算法计算分析过程的一个具体实施例的流程图。首先执行步骤910和步骤920,对所获取的生命信息进行峰值检测和QRS波检测,步骤910中的峰值检测方法主要包括以下步骤:将信息取绝对值获得所有峰值结果,设定阈值,若该峰值结果满足该阈值条件,则保留该峰值点,否则舍弃,类似地,重复此操作,获得所有峰值检测结果。步骤920 中的QRS波检测方法包括但不限于熵计算、差分法、带通滤波法、形态学运算、长.度和能量变换、人工神经网络、遗传算法、句式分析法、匹配滤波法、Hilbert变换、心电模板法、过零检测、阈值法、模板匹配法、小波变换法及神经网络法等,以及以上一种或多种技术的交叉融合。通过QRS波检测之后得到的QRS波检测结果,包括但不限于QRS波宽度, RR间期(QRS波之间的间隔),QRS波斜率(其中包括但不限于斜率的最大,最小,平均值等一些统计参数),QRS波幅度,QRS波频率,QRS 波相关系数,QRS波上升时间,QRS波下降时间,QRS波面积,以及 QRS波面积与波宽度的比值等。之后执行步骤930,将步骤910所获得的峰值检测结果和步骤920所获得的QRS波检测结果进行匹配,将匹配上的QRS波的位置进行标记,需要注意的是,该步骤中匹配过程需设定阈值,只有所检测的峰值结果在此阈值范围内,方可认为该峰值结果同 QRS波检测结果匹配完成。根据所标记的QRS波位置,对步骤910中所获得的峰值检测结果分别进行P波检测和T波检测,该检测由步骤940 和步骤950执行。同样地,P波和T波检测过程中也需设定阈值,只有峰值结果在此阈值范围内,方可判断并标记为P波和T波。执行步骤960,根据上述所标记的0RS波、P波和T波,将这些已标记的波排除,获得未标记的剩余波。由步骤970设定阈值,在步骤980中,判断未标记的剩余波的峰值结果是否在此阈值范围内,若判断结果为在此阈值范围内,则计算分析结果为判断该生命信息存在噪声,如步骤990-1所示,自此计算分析过程结束;若判断结果为不在此阈值范围内,则计算分析结果为判断该生命信息中不存在噪声,如步骤990-2所示,自此计算分析过程结束。以上描述仅仅是B算法实施过程的一个具体的实施例,并不代表B算法仅仅只能局限于这种计算过程。
图10为C算法执行计算分析过程的流程图。首先执行步骤1010,对当前生命信息进行EMD计算获得该生命信息的F-IMF结果,该计算过程主要包括,计算获得生命信息的每个本征模态函数(IMF),这些本征模态函数频率从高到低排布。计算获得该生命信息的F-IMF结果后,对该F-IMF结果求平方值,并对该平方值进行归一化处理。所获取的归一化后的数据进行均值计算和方差计算,由步骤1020和步骤1030执行。步骤1040设定相应的均值阈值和方差阈值,之后执行判断步骤1050,将计算所得的均值和方差进行阈值判断,若判断结果为在此阈值范围内,则计算分析结果为判断该信息中存在噪声,如步骤1060所示,自此计算分析过程结束;若判断结果为不在此阈值范围内,则计算分析结果为判断该信息中不存在噪声,如步骤1170所示,自此计算分析过程结束。以上对C算法计算过程的描述仅仅是具体的示例,不应被视为是唯一可行的实施方案。显然,对于本领域的专业人员来说,在了解EMD算法的基本原理后,可能在不背离这一原理的情况下,对C算法的具体实施方式与步骤进行形式和细节上的各种修正和改变,但是这些修正和改变仍在以上描述的范围之内。显然,对于本领域的专业人员来说,在了解峰度计算和噪声判断的基本原理后,可能在不背离这一原理的情况下,对C算法的具体实施方式与步骤进行形式和细节上的各种修正和改变,但是这些修正和改变仍在以上描述的范围之内。例如,C算法计算过程中涉及到的各种计算均可以通过实时计算过程实现,也可以通过非实时的模拟仿真形式实现,步骤1010中F-IMF计算过程可以通过计算机程序实现,也可以通过从EMD算法数据库中调用数据实现。
以上是对三种算法的简单概括及主要步骤的简单描述,三种噪声算法既可以单独使用,又可以进行不同的排列组合。以上所描述的三种算法的步骤可以在适当的情况下以任何合适的顺序,或单独出现,或同时实现。另外,在不偏离此处所描述的主题的精神和范围的情况下,可以从任何一个方法中删除各单独的步骤。对于本领域的普通技术人员来说,可以在了解了三种算法的原理及主要步骤后,可能在不违背原理的情况下,或适当增加或减少步骤以达到更好的计算分析结果。以上所描述的任何示例的各方面可以与所描述的其他示例中的任何示例的各方面相结合,以构成进一步的示例,而不会丢失寻求的效果。
实施例一
接通电源,开启采集模块210,该模块经过预设、环境自适应等处理后,对生命体进行心电信息采集,采集结果包括心电信息的波形、时间间隔、频率、相位、波峰、波谷及幅值等信息。经该采集模块所采集的信息将存储于其自身内置的存储设备中,或存储于相应的存储模块中 (图中未体现),或存储于云服务器260中。分析模块220首先通过这些存储设备或存储模块读取生命体的心电信息,之后对所读取的信息进行预处理,将该心电信息中存在的明显噪声进行滤波去除处理。经过预处理后的心电信息传递给A算法模块510,A算法模块510首先判断信息的分布类型,之后由其内置算法A对该信息进行峰度计算,并获得峰度计算结果。同时根据信息的分布的类型,设置噪声阈值,若计算结果大于该阈值,则认为当前信息中不存在噪声,由输出模块230输出无噪声结果;若计算结果小于该阈值,则认为当前信息中存在噪声,则进行进一步识别并去除处理。将该信息传递至B算法模块520,由其内置算法B对该信息进行计算、分析、判断及识别。首先对该信息进行峰值检测,峰值检测步骤包括但不限于:对该信息进行取绝对值操作,寻找局部最大值,获得初步的所有蜂值结果,设定历史阈值,对初步的所有峰值结果进行历史阈值判断,若峰值结果大于该历史阈值,则保留为峰值结果,若峰值结果小于该历史阈值,则将该峰值点舍弃。经过此操作后,获得了该信息所有的峰值结果。进行峰值检测的同时,对该心电信息进行QRS波检测,此处检测方法包括但不限于熵计算、差分法、带通滤波法、形态学运算、长度和能量变换、人工神经网络、遗传算法、句式分析法、匹配滤波法、Hilbert变换、心电模板法、过零检测、阈值法、模板匹配法、小波变换法及神经网络法等,以及以上一种或多种技术的交叉融合,以获得QRS波检测结果。将上一步所获得的所有峰值结果与该 QRS波检测结果进行匹配,设定阈值,若进行匹配的峰在该阈值范围内,则认为该峰已匹配,并标记为当前已匹配为QRS波的峰,并对其位置进行标记。从标记峰位置开始,对该标记峰之后一定时间段内进行P波检测,该时间段并无严格限制,例如可选取300ms,若在所选取时间段内仅检测到一个峰,且该峰幅度小于等于QRS波幅度,则标记当前峰为P 波,若有多个峰,则标记距离QRS波距离最近且峰幅度小于等于QRS 波的峰为P波。对标记为QRS波的峰之前一定时间段内进行T波检测,该时间段并无严格限制,例如可选择400ms,若在所选择时间段内仅仅检测到一个峰,且该峰幅度小于等于2倍的QRS波幅度,则标记当前峰为T波,若有多个峰,则标记距离QRS波最近且峰幅度小于等于2倍的QRS波幅度的峰为T波。除上述已标记的QRS波、P波和T波外,峰值检测结果中剩余的峰为可能的噪声峰。并定义噪声比例=可能的噪声峰的幅度/QRS波平均幅度。
设定噪声阈值条件如下:
s1:如果无QRS波检出或者匹配,则报噪声;
s2:如果噪声比例>=1的个数多于QRS波个数/2,则报噪声;
s3:如果噪声比例>=0.8的个数多于QRS波个数*0.75,则报噪声:
s4:如果噪声比例>=0.5的个数多于QRS波个数,则报噪声。
对已筛选出的可能的噪声峰进行阈值判断,若不满足该阈值条件,则由输出模块230输出当前信息中不存在噪声;若满足该阈值条件,则标记当前峰为噪声峰,同样地,标记所有的噪声峰。将已标记的噪声峰信息传递至处理模块540,该模块将对信息中存在的噪声峰进行去除处理,经过噪声去除的信息由输出模块230输出。
实施例二
连接电源,开启采集模块210,该模块经过预设、环境自适应等处理后,对生命体进行心电信息采集,采集结果包括心电信息的波形、时间间隔、频率、相位、波峰、波谷及幅值等信息。经该采集模块所采集的信息将存储于其自身内置的存储设备中,或存储于相应的存储模块中 (图中未体现),或存储于云服务器260中。分析模块220首先通过这些存储设备或存储模块读取生命体的心电信息,之后对所读取的信息进行预处理,将该心电信息中存在的明显噪声进行滤波去除处理。经过预处理后的心电信息传递给B算法模块520,由其内置算法B对该信息进行噪声计算、分析、判断及识别。首先启动峰值检测步骤,峰值检测的方法包括但不限于:对该信息进行取绝对值操作,寻找局部最大值,获得初步的所有峰值结果,设定历史阈值,对初步的所有峰值结果进行历史阈值判断,若峰值结果大于该历史阈值,则保留为峰值结果,若峰值结果小于该历史阈值,则将该峰值点舍弃。经过此操作后,获得了该信息所有的峰值结果。启动峰值检测的同时,对所述生命信息进行QRS 波检测,获得QRS波检测结果,QRS波检测方法包括但不限于:熵计算、差分法、带通滤波法、形态学运算、长度和能量变换、人工神经网络、遗传算法、句式分析法、匹配滤波法、Hilbert变换、心电模板法、过零检测、阈值法、模板匹配法、小波变换法及神经网络法等,以及以上一种或多种技术的交叉融合。将上一步所获得的所有峰值结果与该 QRS波检测结果进行匹配,设定阈值,若进行匹配的峰在该阈值范围内,则认为该峰已匹配,并标记为当前已匹配为QRS波的峰,并对其位置进行标记。从标记峰位置开始,对该标记峰之后一定时间段内进行P波检测,该时间段并无严格限制,例如可选取300ms,若在所选取时间段内仅检测到一个峰,且该峰幅度小于等于QRS波幅度,则标记当前峰为P 波,若有多个峰,则标记距离QRS波距离最近且峰幅度小于等于QRS 波的蜂为P波。对标记为QRS波的峰之前一定时间段内进行T波检测,该时间段并无严格限制,例如可选择400ms,若在所选择时间段内仅仅检测到一个峰,且该峰幅度小于等于2倍的QRS波幅度,则标记当前峰为T波,若有多个峰,则标记距离QRS波最近且峰幅度小于等于2倍的QRS波幅度的峰为T波。除上述已标记的QRS波、P波和T波外,峰值检测结果中剩余的峰为可能的噪声峰。并定义噪声比例=可能的噪声峰的幅度/QRS波平均幅度。
设定噪声阈值条件如下:
s1:如果无QRS波检出或者匹配,则报噪声;
s2:如果噪声比例>=1的个数多于QRS波个数/2,则报噪声;
s3:如果噪声比例>=0.8的个数多于QRS波个数*0.75,则报噪声;
s4:如果噪声比例>=0.5的个数多于QRS波个数,则报噪声。
对已筛选出的可能的噪声峰进行阈值判断,若不满足该阈值条件,则由输出模块230输出当前信息中不存在噪声;若满足该阈值条件,则标记当前峰为噪声峰,同样地,标记所有的噪声峰。将已标记的噪声峰信息传递至处理模块540,该模块将对信息中存在的噪声峰进行去除处理,经过噪声去除的信息由输出模块230输出。
实施例三
连接电源,开启采集模块210,该模块经过预设、环境自适应等处理后,对生命体进行心电信息采集,采集结果包括心电信息的波形、时间间隔、频率、相位、波峰、波谷及幅值等信息。经该采集模块所采集的信息将存储于其自身内置的存储设备中,或存储于相应的存储模块中 (图中未体现),或存储于云服务器260中。分析模块220首先通过这些存储设备或存储模块读取生命体的心电信息,之后对所读取的信息进行预处理,将该心电信息中存在的明显噪声进行滤波去除处理。经过预处理后的心电信息传递给A算法模块510,A算法模块510首先判断信息的分布类型,之后由其内置算法A对该信息进行峰度计算,并获得峰度计算结果。同时根据信息的分布的类型,设置噪声阈值,若计算结果大于该阈值,则认为当前信息中不存在噪声,由输出模块230输出无噪声结果;若计算结果小于该阈值,则认为当前信息中存在噪声,则进行进一步识别并去除处理。将该信息传递至C算法模块530,并启动其内置算法C,该算法包括但不限于EMD计算。以EMD计算过程为例,首先计算该心电信息的F-IMF值,计算其平方值并进行归一化处理,其次对归一化之后的数据值计算求得其均值和方差值,设定该均值和该方差各自的阈值,进行噪声判断步骤。若计算所得均值和方差值均大于所设定阈值,则噪声判断结果为当前心电信息中存在噪声,则由输出模块230 将该噪声结果输出;若均值和方差值不满足上述阈值条件,则噪声判断结果为当前心电信息中不存在噪声,则由输出模块230将该噪声结果输出。
实施例四
连接电源,开启采集模块210,该模块经过预设、环境自适应等处理后,对生命体进行心电信息采集,采集结果包括心电信息的波形、时间间隔、频率、相位、波峰、波谷及幅值等信息。经该采集模块所采集的信息将存储于其自身内置的存储设备中,或存储于相应的存储模块中 (图中未体现),或存储于云服务器260中。分析模块220首先通过这些存储设备或存储模块读取生命体的心电信息,之后对所读取的信息进行预处理,将该心电信息中存在的明显噪声进行滤波去除处理。经过预处理后的心电信息同时传递给B算法模块520和C算法模块530,并同时启动其内置算法B和C,B算法和C算法的具体计算、分析、判断、和/或处理过程均如实施例二和实施例三所述。B算法和C算法两种算法的计算结果中,无论哪一个的判断结果显示当前信息中存在噪声,均认为当前信息中存在噪声。此时将噪声识别结果传递至处理模块540,将已识别出的噪声去除,由输出模块230将经过去噪处理后的信息输出。
实施例五
连接电源,开启采集模块210,该模块经过预设、环境自适应等处理后,对生命体进行心电信息采集,采集结果包括心电信息的波形、时间间隔、频率、相位、波峰、波谷及幅值等信息。经该采集模块所采集的信息将存储于其自身内置的存储设备中,或存储于相应的存储模块中 (图中未体现),或存储于云服务器260中。分析模块220首先通过这些存储设备或存储模块读取生命体的心电信息,之后对所读取的信息进行预处理,将该心电信息中存在的明显噪声进行滤波去除处理。经过预处理后的心电信息传递给A算法模块510,A算法模块510首先判断信息的分布类型,之后由其内置算法A对该信息进行峰度计算,并获得峰度计算结果。同时根据信息的分布的类型,设置噪声阈值,若计算结果大于该阈值,则认为当前信息中不存在噪声,由输出模块230输出无噪声结果;若计算结果小于该阈值,则认为当前信息中存在噪声,则进行进一步识别并去除处理。将该信息同时传递给B算法模块520和C算法模块530,并同时启动其内置算法B和C,B算法和C算法的具体计算、分析、判断、和/或处理过程均如实施例二和实施例三所述。B算法和C 算法两种算法的计算结果中,无论哪一个的判断结果显示当前信息中存在噪声,均认为当前信息中存在噪声。此时将噪声识别结果传递至处理模块540,将已识别出的噪声去除,由输出模块230将经过去噪处理后的信息输出。
以上所述实施例仅表达了本发明的几种具体实施方式,其描述较为具体和详细,但并不能因此理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以作出若干变形和改进,比如本说明书中披露的新特征或任何新的组合,以及披露的新方法的步骤或任何新的组合,这些都应属于本发明的保护范围。
Claims (15)
1.一种方法,包括:
获得生命信息;
用方法一对所述生命信息进行特征测量,获得所有特征结果;
用方法二对所述生命信息进行特征一测量,获得特征一结果,其中方法二与所述方法一不同;
将所述所有特征结果与所述特征一结果进行匹配,将所述所有特征结果的特征参数与所述特征一结果的所述特征参数进行匹配,当匹配结果在设定的阈值范围内,则认为所述特征一匹配完成,在所述所有特征结果中标记所述特征一的位置;
在所述所有特征结果中,在所述特征一匹配位置附近对特征二和特征三进行标记;
在所述所有特征结果中,确定除所述特征一、所述特征二和所述特征三之外的剩余特征;对剩余特征进行噪声判断;
输出噪声判断结果。
2.根据权利要求1所述的方法,所述生命信息包括心电信息。
3.根据权利要求1所述的方法,所述方法一包括以下步骤:设定阈值,取所述阈值之内的波峰波谷为所有特征结果。
4.根据权利要求1所述的方法,所述方法二包括阈值法、模板匹配法、小波变换法及神经网络法。
5.根据权利要求1所述的方法,所述特征一结果包括心电信息中QRS波结果。
6.根据权利要求1所述的方法,所述特征一位置为心电信息中QRS波位置。
7.根据权利要求1所述的方法,所述特征二和特征三包括心电信息中的P波和T波。
8.一种系统,包括:
采集模块,采集生命信息;
特征测量模块采取第一种方法对所述生命信息测量并获得所有特征结果;
特征一测量模块,采取第二种方法对所述生命信息测量并获得特征一结果,其中所述特征测量模块与特征一测量模块不同;
匹配模块,将所有特征结果与所述特征一结果进行匹配,将所述所有特征结果的特征参数与所述特征一结果的所述特征参数进行匹配,当匹配结果在设定的阈值范围内,则认为所述特征一匹配完成,并在所有特征结果中标记所述特征一位置;
特征二标记模块,在所述特征一匹配位置附近,标记特征二;
特征三标记模块,在所述特征一匹配位置附近,标记特征三;
计算分析模块,对除所述特征一、特征二和特征三之外的剩余特征进行噪声判断;
输出模块,用于输出噪声判断结果。
9.根据权利要求8所述的系统,所述采集模块包括心跳采集设备、心电图检测设备及具有上述设备功能的智能可穿戴设备。
10.根据权利要求8所述的系统,所述生命信息包括生命体心电信息。
11.根据权利要求8所述的系统,所述第一种方法执行以下步骤:设定阈值,取所述阈值之内的波峰波谷为所有特征结果。
12.根据权利要求8所述的系统,所述第二种方法包括阈值法、模板匹配法、小波变换法及神经网络法。
13.根据权利要求8所述的系统,所述特征一结果包括心电信息中QRS波结果。
14.根据权利要求8所述的系统,所述特征一位置为心电信息中QRS波位置。
15.根据权利要求8所述的系统,所述特征二和特征三包括心电信息中的P波和T波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110768663.8A CN113317794B (zh) | 2015-04-20 | 2015-04-20 | 一种生命体征分析方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2015/077025 WO2016168979A1 (zh) | 2015-04-20 | 2015-04-20 | 一种生命体征分析方法与系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110768663.8A Division CN113317794B (zh) | 2015-04-20 | 2015-04-20 | 一种生命体征分析方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107530015A CN107530015A (zh) | 2018-01-02 |
CN107530015B true CN107530015B (zh) | 2021-12-14 |
Family
ID=57144395
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110768663.8A Active CN113317794B (zh) | 2015-04-20 | 2015-04-20 | 一种生命体征分析方法与系统 |
CN201580078360.6A Active CN107530015B (zh) | 2015-04-20 | 2015-04-20 | 一种生命体征分析方法与系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110768663.8A Active CN113317794B (zh) | 2015-04-20 | 2015-04-20 | 一种生命体征分析方法与系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11406304B2 (zh) |
CN (2) | CN113317794B (zh) |
WO (1) | WO2016168979A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204515353U (zh) | 2015-03-31 | 2015-07-29 | 深圳市长桑技术有限公司 | 一种智能手表 |
US10485452B2 (en) * | 2015-02-25 | 2019-11-26 | Leonardo Y. Orellano | Fall detection systems and methods |
EP3603712B1 (en) * | 2017-03-31 | 2023-11-29 | Teijin Pharma Limited | Respiratory information acquisition device and respiratory information acquisition method |
CN111278353A (zh) * | 2017-10-31 | 2020-06-12 | 长桑医疗(海南)有限公司 | 一种生命体征信号噪声的检测方法与系统 |
CN109864705B (zh) * | 2019-01-07 | 2022-08-12 | 平安科技(深圳)有限公司 | 对脉搏波进行滤波的方法、装置和计算机设备 |
CN111281393B (zh) * | 2020-02-25 | 2022-06-07 | 山东省科学院自动化研究所 | 基于非接触式雷达技术的老年人跌倒检测方法及系统 |
CN114548158B (zh) * | 2022-01-28 | 2022-11-11 | 广东工业大学 | 一种用于血糖预测的数据处理方法 |
CN116965785B (zh) * | 2023-08-28 | 2024-07-16 | 首都医科大学附属北京世纪坛医院 | 一种生命体征监测分析方法、系统、终端及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101449973A (zh) * | 2007-12-04 | 2009-06-10 | 深圳迈瑞生物医疗电子股份有限公司 | 用于心电干扰信号识别的判断指标的生成方法及装置 |
US8285369B2 (en) * | 2007-05-30 | 2012-10-09 | Taipei Veterans General Hospital | Method for delineation of characteristic points in an electrocardiogram signal, and storage medium, electronic device and electrocardiogram signal analyzing system for implementing the method |
CN103083013A (zh) * | 2013-01-18 | 2013-05-08 | 哈尔滨工业大学深圳研究生院 | 基于形态学与小波变换的心电信号qrs复波检测方法 |
CN103405227A (zh) * | 2013-08-02 | 2013-11-27 | 重庆邮电大学 | 基于双层形态学滤波的心电信号预处理方法 |
CN103860162A (zh) * | 2012-12-11 | 2014-06-18 | 深圳迈瑞生物医疗电子股份有限公司 | 一种起搏信号检测方法、系统和心电检测设备 |
CN104182625A (zh) * | 2014-08-15 | 2014-12-03 | 重庆邮电大学 | 基于形态学与emd类小波阈值的心电信号去噪方法 |
CN104305991A (zh) * | 2014-11-18 | 2015-01-28 | 北京海思敏医疗技术有限公司 | 从心电信号中检测噪声的方法和设备 |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0767844A (ja) * | 1993-09-03 | 1995-03-14 | Fukuda Denshi Co Ltd | 長時間心電図におけるqrs波検出装置及び方法 |
US5469858A (en) * | 1994-03-15 | 1995-11-28 | Hewlett-Packard Corporation | ECG P-QRS-T onset/offset annotation method and apparatus |
US5622178A (en) * | 1994-05-04 | 1997-04-22 | Spacelabs Medical, Inc. | System and method for dynamically displaying cardiac interval data using scatter-plots |
US5758654A (en) * | 1996-08-29 | 1998-06-02 | Harley Street Software Ltd. | ECG P QRS T onset and peak detection method |
CA2346243A1 (en) | 2001-05-04 | 2002-11-04 | Alireza Karimi Ziarani | Dpoae measurement system and method |
CN100411584C (zh) | 2001-11-15 | 2008-08-20 | 株式会社东芝 | 在预脉冲和成象脉冲列之间需要长等待时间的核磁共振机 |
US7379770B2 (en) * | 2003-05-13 | 2008-05-27 | Dayton Technologies Limited | Devices and methods for heart rate measurement and wrist-watch incorporating same |
US7072709B2 (en) * | 2004-04-15 | 2006-07-04 | Ge Medical Information Technologies, Inc. | Method and apparatus for determining alternans data of an ECG signal |
WO2008000255A1 (en) | 2006-06-26 | 2008-01-03 | Coloplast A/S | Method for segmenting a cardiovascular signal |
US20080002775A1 (en) * | 2006-06-30 | 2008-01-03 | Ricci Carlos A | Signal analysis employing matched wavelet |
CN100536765C (zh) | 2007-07-13 | 2009-09-09 | 天津大学 | 基于进化型小波域维纳去卷积的心电特征提取方法 |
CN101467879B (zh) | 2007-12-26 | 2012-11-21 | 深圳迈瑞生物医疗电子股份有限公司 | 一种基于多导同步心电信号处理方法及装置 |
CN101683260B (zh) | 2008-09-28 | 2012-05-30 | 深圳迈瑞生物医疗电子股份有限公司 | 一种节律性生理信号的优化处理方法及装置 |
WO2013043157A2 (en) * | 2011-09-20 | 2013-03-28 | Vivaquant Llc | Physiological signal denoising |
US8632465B1 (en) | 2009-11-03 | 2014-01-21 | Vivaquant Llc | Physiological signal denoising |
US8433395B1 (en) | 2009-11-03 | 2013-04-30 | Vivaquant Llc | Extraction of cardiac signal data |
US8909332B2 (en) * | 2010-01-26 | 2014-12-09 | Stmicroelectronics S.R.L. | Method and device for estimating morphological features of heart beats |
CN101799974A (zh) * | 2010-03-12 | 2010-08-11 | 上海交通大学 | 基于自适应码本的心电信号传输方法 |
CN101953682A (zh) | 2010-10-15 | 2011-01-26 | 张辉 | 基于袖带装置的心率检测方法 |
CN102697492B (zh) | 2012-05-25 | 2014-08-06 | 长春华讯信息科技有限公司 | 一种实时分析心电数据的方法 |
US10413251B2 (en) | 2012-10-07 | 2019-09-17 | Rhythm Diagnostic Systems, Inc. | Wearable cardiac monitor |
US9254095B2 (en) * | 2012-11-08 | 2016-02-09 | Alivecor | Electrocardiogram signal detection |
CN102988041B (zh) | 2012-11-16 | 2018-04-06 | 中国科学院上海微系统与信息技术研究所 | 心磁信号噪声抑制中的信号选择性平均方法 |
US8825145B1 (en) * | 2013-03-14 | 2014-09-02 | Medtronic, Inc. | Beat-morphology matching scheme for cardiac sensing and event detection |
CN103417209B (zh) * | 2013-08-29 | 2015-06-03 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种心电图特征选择方法 |
CN104102915B (zh) | 2014-07-01 | 2019-02-22 | 清华大学深圳研究生院 | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 |
CN104323771B (zh) * | 2014-11-11 | 2016-06-01 | 北京海思敏医疗技术有限公司 | 检测心电图信号中p波、t波的方法和装置 |
CN104367316B (zh) * | 2014-11-13 | 2016-09-14 | 重庆邮电大学 | 基于形态学滤波与提升小波变换的心电信号去噪方法 |
-
2015
- 2015-04-20 CN CN202110768663.8A patent/CN113317794B/zh active Active
- 2015-04-20 WO PCT/CN2015/077025 patent/WO2016168979A1/zh active Application Filing
- 2015-04-20 CN CN201580078360.6A patent/CN107530015B/zh active Active
- 2015-04-20 US US15/567,975 patent/US11406304B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8285369B2 (en) * | 2007-05-30 | 2012-10-09 | Taipei Veterans General Hospital | Method for delineation of characteristic points in an electrocardiogram signal, and storage medium, electronic device and electrocardiogram signal analyzing system for implementing the method |
CN101449973A (zh) * | 2007-12-04 | 2009-06-10 | 深圳迈瑞生物医疗电子股份有限公司 | 用于心电干扰信号识别的判断指标的生成方法及装置 |
CN103860162A (zh) * | 2012-12-11 | 2014-06-18 | 深圳迈瑞生物医疗电子股份有限公司 | 一种起搏信号检测方法、系统和心电检测设备 |
CN103083013A (zh) * | 2013-01-18 | 2013-05-08 | 哈尔滨工业大学深圳研究生院 | 基于形态学与小波变换的心电信号qrs复波检测方法 |
CN103405227A (zh) * | 2013-08-02 | 2013-11-27 | 重庆邮电大学 | 基于双层形态学滤波的心电信号预处理方法 |
CN104182625A (zh) * | 2014-08-15 | 2014-12-03 | 重庆邮电大学 | 基于形态学与emd类小波阈值的心电信号去噪方法 |
CN104305991A (zh) * | 2014-11-18 | 2015-01-28 | 北京海思敏医疗技术有限公司 | 从心电信号中检测噪声的方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107530015A (zh) | 2018-01-02 |
US11406304B2 (en) | 2022-08-09 |
WO2016168979A1 (zh) | 2016-10-27 |
CN113317794A (zh) | 2021-08-31 |
US20180132744A1 (en) | 2018-05-17 |
CN113317794B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107530015B (zh) | 一种生命体征分析方法与系统 | |
CN109157202B (zh) | 一种基于多生理信号深度融合的心血管疾病预警系统 | |
US10758186B2 (en) | Physiological sign information acquisition method and system | |
Lee et al. | Estimation of body postures on bed using unconstrained ECG measurements | |
Hou et al. | A real-time QRS detection method based on phase portraits and box-scoring calculation | |
US20190295729A1 (en) | Universal non-invasive blood glucose estimation method based on time series analysis | |
Jin et al. | Predicting cardiovascular disease from real-time electrocardiographic monitoring: An adaptive machine learning approach on a cell phone | |
CN107788976A (zh) | 基于振幅整合脑电图的睡眠监测系统 | |
CN108024730A (zh) | 使用数学分析和机器学习来诊断疾病的方法和系统 | |
CN110420019A (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
Khairuddin et al. | Limitations and future of electrocardiography devices: A review and the perspective from the Internet of Things | |
CN104173043A (zh) | 一种适合于移动平台的心电数据分析方法 | |
Zhao et al. | An IoT-based wearable system using accelerometers and machine learning for fetal movement monitoring | |
CN108634969B (zh) | 情绪检测设备、情绪检测系统、情绪检测方法、存储介质 | |
CN114052744B (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN111000551A (zh) | 一种基于深度卷积神经网络模型的心脏病发风险诊断方法 | |
CN116250820A (zh) | 基于耳穴的生物电测健康预警系统及其预警方法 | |
CN204909917U (zh) | 基于布料传感器的睡眠监护与医疗诊断的智能床单 | |
CN106510641A (zh) | 一种检测人体不同睡眠阶段的方法及系统 | |
CN111278353A (zh) | 一种生命体征信号噪声的检测方法与系统 | |
CN106175698B (zh) | 睡眠状态分析中睡眠周期检测装置 | |
CN106333674B (zh) | 睡眠状态分析中睡眠周期检测方法和系统 | |
CN112836647A (zh) | 一种基于ppg信号的无创式甘油三酯估计系统 | |
CN113164072A (zh) | 一种心律失常事件的监测方法和设备 | |
CN116269413A (zh) | 利用智能腕带运动传感器的连续心电波形重构系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |