CN108056770A - 一种基于人工智能的心率检测方法 - Google Patents
一种基于人工智能的心率检测方法 Download PDFInfo
- Publication number
- CN108056770A CN108056770A CN201810103981.0A CN201810103981A CN108056770A CN 108056770 A CN108056770 A CN 108056770A CN 201810103981 A CN201810103981 A CN 201810103981A CN 108056770 A CN108056770 A CN 108056770A
- Authority
- CN
- China
- Prior art keywords
- signals
- signal
- heart rate
- ppg
- artificial intelligence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000007619 statistical method Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000002592 echocardiography Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000005622 photoelectricity Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 210000001367 artery Anatomy 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 210000003462 vein Anatomy 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000032365 Electromagnetic interference Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 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
- A61B5/02—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
- A61B5/02427—Details of sensor
-
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开一种基于人工智能的心率检测方法，包括以下步骤：P1：分别采集底噪信号和用户光电容积脉搏波PPG样本信号，并对采集的信号进行时域和频域统计分析；P2：对P1采集的光电容积脉搏波PPG样本信号进行预处理；P3：对P2预处理后的信号，记为S2信号，进行波形匹配和分类，区分判断采集的信号是否为人体PPG信号；P4：如若P3检测的信号为人体PPG信号，则判断是否为有效的人体脉搏波信号，如果是则计算S2信号波形的峰值点，然后根据峰值点间隔获得脉搏波周期，计算得出心率值。本发明占用内存小，检测精度高，满足嵌入式实时心率连续测量需求。
Description
技术领域
本发明属于医学及生理信号检测与分析技术领域，具体涉及一种基于人工智能的心率检测方法。
背景技术
心率是人体的重要生理参数，可以衡量一个人的心脏是否正常。相比于临床上使用的心电波方法，利用光电容积脉搏波提取心率不仅解决了传统检测方法笨重、不方便等问题，而且能够在较长时间内无创的连续进行心率检测。但是在脉搏信号采集时，由于受到电路噪声、环境干扰、其他电磁干扰、运动伪迹和人体差异性等方面的影响，微弱的脉搏波信号常会淹没在各种不同的噪声和干扰中。由于脉搏波信号的复杂性和易受干扰性，如何提取有效脉搏信息是实现精确脉搏识别和获得准确心率的关键。常用的脉搏信号识别算法主要有应用主成分分析方法、神经网络方法、支持向量机、决策树、模糊理论、模板匹配等。虽然上述分类方法的思想不同，但都会涉及同一个问题--相似性度量方法。对于生物电信号，由于人体的差异性、电路噪声干扰和采集环境的影响，采用单一属性，如相关系数或距离等来对波形进行分类，存在精确度和可靠性缺陷。此外随着健康手环、手表等便携产品的普及和应用，上述方法复杂度高，脉搏波识别和心率测量无法做到实时处理；内存占用大，增加了嵌入式健康设备的开发成本。
发明内容
本发明的目的是为了克服现有技术的不足，提供一种基于人工智能的心率检测方法， 占用内存小，检测精度高，满足嵌入式实时心率连续测量需求。
为了实现上述目的，本发明采用的技术方案为：
一种基于人工智能的心率检测方法，包括以下步骤：
P1：分别采集底噪信号和用户光电容积脉搏波PPG样本信号，并对采集的信号进行时域和频域统计分析；
P2：对P1采集的光电容积脉搏波PPG样本信号进行预处理；
P3：对P2预处理后的信号，记为S2信号，进行波形匹配和分类，区分判断采集的信号是否为人体PPG信号；如若P3检测的信号为人体PPG信号，则执行下一步骤；如若不是则进行调整或停止采集；
P4：如若P3检测的信号为人体PPG信号，则判断是否为有效的人体脉搏波信号，如果是则计算S2信号波形的峰值点，然后根据峰值点间隔获得脉搏波周期，计算心率值。
优选地，对P1采集的底噪信号和用户光电容积脉搏波PPG样本信号的时域统计分析包括信噪比S/N、峰峰值、脉搏波K系数、均值和方差分析；频域统计分析采用快速傅里叶变换FFT，以获得底噪和用户PPG样本信号的频谱、频率范围和频率成分。
优选地，P2中的预处理包括去除工频干扰、肌电干扰和基线漂移，采用的方法包括巴特沃斯滤波器滤波、陷波器滤波和小波多尺度去噪。
进一步地，在P3中区分判断采集的信号是否为人体PPG信号是基于多属性的波形相似性度量算法，采用综合模糊隶属度作为噪声和信号波形的分类依据，综合模糊隶属度定义为每种属性的权重之和，每种属性的权重通过先验学习和训练获得；P3中的调整包括信号采集时按压力度的调整和放大增益倍数的调整。
进一步地，基于多属性的波形相似性度量算法包括如下步骤：
1）计算S2信号与底噪、S2信号与用户PPG样本的相关系数：具体为对S2信号做归一化处理，然后进行S2信号的自相关运算，在自相关运算基础上做互相关运算，获得S2信号与底噪、S2信号与用户PPG样本的相关系数；
2）计算S2信号的峰峰值、信噪比S/N、均值、方差、脉搏波K系数等统计参数；
3）计算S2信号与底噪、S2信号与用户PPG样本信号之间的曼哈顿距离：具体为提取S2信号、用户PPG样本信号和环境噪声的峰值特征点，构成各自的峰值特征矢量，分别记为P1、P2、P3，然后计算P1和P2之间，P2和P3之间的曼哈顿距离；
4）借鉴模糊逻辑理论，采用综合模糊隶属度，作为噪声和人体PPG信号的分类依据；综合模糊隶属度定义为1）中的相关系数，2）中的峰峰值、均方误差、脉搏波K系数，和3）中的曼哈顿距离的权重之和，公式如下：
其中Ai为属性，W为Ai对应的权重，n为属性种类；
取n=6；设A1为相关系数，A2为距离，A3为信噪比S/N，A4为峰峰值，A5为均方误差，A6为脉搏波K系数，则权重集合表示为{w1, w2, w3, w4, w5, w6}，权重系数之和为1；
根据综合隶属度的判定，可以获得S2信号分类：
≥0.65，表示S2信号为人体PPG信号；
0.55≤<0.65，表示按压力度需要调整；
0.45≤<0.55，表示人体PPG信号微弱，调整信号放大增益；
< 0.45，表示S2信号为噪声信号，停止采集。
进一步地，P4具体包括如下步骤：
1）提取S2波形的叩击波、潮波、重搏切迹、升支时间、降支时间的特征，判断S2波形是否符合有效的人体脉搏波信号波形；
2）如果S2波形符合有效脉搏波信号波形，计算S2信号导数S2’；
3）计算S2的拐点，拐点对应S2信号的模极值点；
4）根据模极值点确定每个脉搏波波峰；
5）计算脉搏波周期T，T=所有波峰间隔的均值/采样率；
6）计算心率，心率= 60/T。
优选地，P1中采集信号利用光电采集模块进行采集，光电采集模块的光源为绿光、红光或红外光中的一种；绿光波长为520-540nm，红光波长为660nm，红外光波长为905nm、910nm或940nm中的一种。
优选地，巴特沃斯滤波器的采样频率为500Hz，通带频率范围为0.5-50Hz，阻带频率范围为0.1-200Hz，通带波纹系数为0.1，阻带系数为50。
优选地，陷波器为椭圆函数滤波器，通带频率范围为48-52Hz，阻带频率范围为49-51Hz，通带纹波系数为0.1，阻带纹波系数为50。
优选地，小波多尺度去噪分析中选择的小波基函数为coif5、DB小波、symslet小波或biorthogonal小波中的一种。
与现有技术相比，本发明的有益效果：
本发明基于人工智能的心率检测方法，首先通过信号采集、去噪去基线漂移，然后基于多属性的波形相似性度量算法，通过脉搏波自动探测、环境噪声自动识别和手指按压力度检测，识别采集信号是否为人体PPG信号，进而对人体脉搏波信号进行特征提取，完成有效脉搏波的细粒度甄别，计算出心率值；本发明检测精度可达到±2BPM，以采样频率100Hz，采样3S数据为例，本方法占用内存10KB，代码量12KB，满足嵌入式实时心率连续测量要求。
附图说明
图1是本发明检测方法的流程示意图。
具体实施方式
下面结合图1，对本发明的实施方式和具体的操作过程作详细说明，但本发明的保护范围不限于下述的实施例。
本发明公开了一种基于人工智能的心率检测方法，如图1所示，具体包括以下步骤：
P1：分别采集底噪信号和用户光电容积脉搏波PPG样本信号，并对采集的信号进行时域和频域统计分析；在本发明中底噪即为外界环境噪声，具体地，对采集的底噪信号和用户光电容积脉搏波PPG样本信号的时域统计分析包括信噪比S/N、峰峰值、脉搏波K系数、均值和方差分析；频域统计分析采用快速傅里叶变换FFT，以获得底噪和用户PPG样本信号的频谱、频率范围和频率成分。采集信号利用光电采集模块进行采集，光电采集模块的光源为绿光、红光或红外光中的一种；绿光波长为520-540nm，红光波长为660nm，红外光波长为905nm、910nm或940nm中的一种。
P2：对P1采集的光电容积脉搏波PPG样本信号进行预处理；预处理包括去除工频干扰、肌电干扰和基线漂移，采用的方法包括但不限于巴特沃斯滤波器滤波、陷波器滤波和小波多尺度去噪；巴特沃斯滤波器的采样频率为500Hz，通带频率范围为0.5-50Hz，阻带频率范围为0.1-200Hz，通带波纹系数为0.1，阻带系数为50；陷波器为椭圆函数滤波器，通带频率范围为48-52Hz，阻带频率范围为49-51Hz，通带纹波系数为0.1，阻带纹波系数为50；小波多尺度去噪分析中选择的小波基函数为coif5、DB小波、symslet小波或biorthogonal小波中的一种，但也不仅限于此范围。以小波基函数为coif5为例，分解层数为5层，即对信号进行5尺度小波分解，采用5尺度低频和高频小波系数进行小波逆变换，重构原始信号估计值；也可以对每一层的小波系数进行量化，如阈值法量化，然后利用量化后的小波系数进行原始信号的重构。
P3：对P2预处理后的信号，记为S2信号，进行波形匹配和分类，区分判断采集的信号是否为人体PPG信号，如若P3检测的信号为人体PPG信号，则执行P4步骤；如若不是则进行调整或停止采集；本发明中区分判断采集的信号是否为人体PPG信号是基于多属性的波形相似性度量算法，采用综合模糊隶属度作为噪声和信号波形的分类依据，综合模糊隶属度定义为每种属性的权重之和，每种属性的权重通过先验学习和训练获得；调整的方法包括信号采集时按压力度的调整和放大增益倍数的调整。
基于多属性的波形相似性度量算法具体包括如下步骤：
1）计算S2信号与底噪、S2信号与用户PPG样本的相关系数：具体为对S2信号做归一化处理，然后进行S2信号的自相关运算，在自相关运算基础上做互相关运算，获得S2信号与底噪、S2信号与用户PPG样本的相关系数；
2）计算S2信号的峰峰值、信噪比S/N、均值、方差、脉搏波K系数等统计参数；
3）计算S2信号与底噪、S2信号与用户PPG样本信号之间的曼哈顿距离：具体为提取S2信号、用户PPG样本信号和环境噪声的峰值特征点，构成各自的峰值特征矢量，分别记为P1、P2、P3，然后计算P1和P2之间，P2和P3之间的曼哈顿距离；
4）借鉴模糊逻辑理论，采用综合模糊隶属度，作为噪声和人体PPG信号的分类依据；综合模糊隶属度定义为1）中的相关系数，2）中的峰峰值、均方误差、脉搏波K系数，和3）中的曼哈顿距离的权重之和，公式如下：
其中Ai为属性，W为Ai对应的权重，n为属性种类；
取n=6；设A1为相关系数，A2为距离，A3为信噪比S/N，A4为峰峰值，A5为均方误差，A6为脉搏波K系数，则权重集合表示为{w1, w2, w3, w4, w5, w6}，权重系数之和为1；每个属性的权重通过训练学习获得；
根据综合隶属度的判定，可以获得S2信号分类：
≥0.65，表示S2信号为人体PPG信号；
0.55≤<0.65，表示按压力度需要调整；
0.45≤<0.55， 表示人体PPG信号微弱，调整信号放大增益；
< 0.45，表示S2信号为噪声信号，停止采集；
通过上述步骤可以看出此过程支持脉搏波信号的自动探测、环境噪声的自动识别和手指按压力度检测。
P4：如若P3检测的信号为人体PPG信号，则判断是否为有效的人体脉搏波信号，即判断是否符合脉搏波波形特征，如果是则计算S2信号波形的峰值点，然后根据峰值点间隔获得脉搏波周期，计算得出心率值；具体包括如下步骤：
1）提取S2波形的叩击波、潮波、重搏切迹、重搏波、升支时间、降支时间的特征，判断S2波形是否符合有效的人体脉搏波信号波形，即是否符合脉搏波波形特征；
2）如果S2波形符合有效脉搏波信号波形，计算S2信号导数S2’；
3）计算S2的拐点，拐点对应S2信号的模极值点；
4）根据模极值点确定每个脉搏波波峰；
5）计算脉搏波周期T，T=所有波峰间隔的均值/采样率；
6）计算心率，心率= 60/T。
本发明基于人工智能的心率检测方法，首先通过信号采集、去噪去基线漂移，然后基于多属性的波形相似性度量算法，通过脉搏波自动探测、环境噪声自动识别和手指按压力度检测，识别采集信号是否为人体PPG信号，进而对人体脉搏波信号进行特征提取，完成有效脉搏波的细粒度甄别，计算出心率值；本发明检测精度可达到±2BPM，以采样频率100Hz，采样3S数据为例，本方法占用内存10KB，代码量12KB，满足嵌入式实时心率连续测量要求。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的心率检测方法，其特征在于，包括以下步骤：
P1：分别采集底噪信号和用户光电容积脉搏波PPG样本信号，并对采集的信号进行时域和频域统计分析；
P2：对P1采集的光电容积脉搏波PPG样本信号进行预处理；
P3：对P2预处理后的信号，记为S2信号，进行波形匹配和分类，区分判断采集的信号是否为人体PPG信号；如若P3检测的信号为人体PPG信号，则执行下一步骤；如若不是则进行调整或停止采集；
P4：如若P3检测的信号为人体PPG信号，则判断是否为有效的人体脉搏波信号，如果是则计算S2信号波形的峰值点，然后根据峰值点间隔获得脉搏波周期，计算心率值。
2.根据权利要求1所述的基于人工智能的心率检测方法，其特征在于，对P1采集的底噪信号和用户光电容积脉搏波PPG样本信号的时域统计分析包括信噪比S/N、峰峰值、脉搏波K系数、均值和方差分析；频域统计分析采用快速傅里叶变换FFT，以获得底噪和用户PPG样本信号的频谱、频率范围和频率成分。
3.根据权利要求1所述的基于人工智能的心率检测方法，其特征在于，P2中的预处理包括去除工频干扰、肌电干扰和基线漂移，采用的方法包括巴特沃斯滤波器滤波、陷波器滤波和小波多尺度去噪。
4.根据权利要求1所述的基于人工智能的心率检测方法，其特征在于，在P3中区分判断采集的信号是否为人体PPG信号是基于多属性的波形相似性度量算法，采用综合模糊隶属度作为噪声和信号波形的分类依据，综合模糊隶属度定义为每种属性的权重之和，每种属性的权重通过先验学习和训练获得；所述调整包括信号采集时按压力度的调整和放大增益倍数的调整。
5.根据权利要求4所述的基于人工智能的心率检测方法，其特征在于，所述基于多属性的波形相似性度量算法包括如下步骤：
1）计算S2信号与底噪、S2信号与用户PPG样本的相关系数：具体为对S2信号做归一化处理，然后进行S2信号的自相关运算，在自相关运算基础上做互相关运算，获得S2信号与底噪、S2信号与用户PPG样本的相关系数；
2）计算S2信号的峰峰值、信噪比S/N、均值、方差、脉搏波K系数等统计参数；
3）计算S2信号与底噪、S2信号与用户PPG样本信号之间的曼哈顿距离：具体为提取S2信号、用户PPG样本信号和环境噪声的峰值特征点，构成各自的峰值特征矢量，分别记为P1、P2、P3，然后计算P1和P2之间，P2和P3之间的曼哈顿距离；
4）借鉴模糊逻辑理论，采用综合模糊隶属度，作为噪声和人体PPG信号的分类依据；综合模糊隶属度定义为1）中的相关系数，2）中的峰峰值、均方误差、脉搏波K系数，和3）中的曼哈顿距离的权重之和，公式如下：
其中Ai为属性，W为Ai对应的权重，n为属性种类；
取n=6；设A1为相关系数，A2为距离，A3为信噪比S/N，A4为峰峰值，A5为均方误差，A6为脉搏波K系数，则权重集合表示为{w1, w2, w3, w4, w5, w6}，权重系数之和为1；
根据综合隶属度的判定，可以获得S2信号分类：
≥0.65，表示S2信号为人体PPG信号；
0.55≤<0.65，表示按压力度需要调整；
0.45≤<0.55，表示人体PPG信号微弱，调整信号放大增益；
< 0.45，表示S2信号为噪声信号，停止采集。
6.根据权利要求1至5任一项所述的基于人工智能的心率检测方法，其特征在于，P4具体包括如下步骤：
1）提取S2波形的叩击波、潮波、重搏切迹、升支时间、降支时间的特征，判断S2波形是否符合有效的人体脉搏波信号波形；
2）如果S2波形符合有效脉搏波信号波形，计算S2信号导数S2’；
3）计算S2的拐点，拐点对应S2信号的模极值点；
4）根据模极值点确定每个脉搏波波峰；
5）计算脉搏波周期T，T=所有波峰间隔的均值/采样率；
6）计算心率，心率= 60/T。
7.根据权利要求1或2所述的基于人工智能的心率检测方法，其特征在于，P1中采集信号利用光电采集模块进行采集，光电采集模块的光源为绿光、红光或红外光中的一种；绿光波长为520-540nm，红光波长为660nm，红外光波长为905nm、910nm或940nm中的一种。
8.根据权利要求3所述的基于人工智能的心率检测方法，其特征在于，巴特沃斯滤波器的采样频率为500Hz，通带频率范围为0.5-50Hz，阻带频率范围为0.1-200Hz，通带波纹系数为0.1，阻带系数为50。
9.根据权利要求3所述的基于人工智能的心率检测方法，其特征在于，陷波器为椭圆函数滤波器，通带频率范围为48-52Hz，阻带频率范围为49-51Hz，通带纹波系数为0.1，阻带纹波系数为50。
10.根据权利要求3所述的基于人工智能的心率检测方法，其特征在于，小波多尺度去噪分析中选择的小波基函数为coif5、DB小波、symslet小波或biorthogonal小波中的一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810103981.0A CN108056770A (zh) | 2018-02-02 | 2018-02-02 | 一种基于人工智能的心率检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810103981.0A CN108056770A (zh) | 2018-02-02 | 2018-02-02 | 一种基于人工智能的心率检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108056770A true CN108056770A (zh) | 2018-05-22 |
Family
ID=62134392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810103981.0A Pending CN108056770A (zh) | 2018-02-02 | 2018-02-02 | 一种基于人工智能的心率检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108056770A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109009048A (zh) * | 2018-06-12 | 2018-12-18 | 四川斐讯信息技术有限公司 | 一种ppg波峰检测方法及系统 |
| CN110464321A (zh) * | 2018-07-25 | 2019-11-19 | 北京动亮健康科技有限公司 | 一种动脉脉搏波形的质量分析方法、装置和系统 |
| CN110477895A (zh) * | 2019-07-24 | 2019-11-22 | 苏州国科医疗科技发展有限公司 | 基于血液容积波的多光源探测器连续心率测量方法 |
| CN110731764A (zh) * | 2019-10-28 | 2020-01-31 | 重庆大学 | 一种脉搏检测系统 |
| CN110960203A (zh) * | 2019-12-13 | 2020-04-07 | 心核心科技(北京)有限公司 | 一种心血管特性参数检测方法及装置 |
| WO2020088083A1 (zh) * | 2018-10-31 | 2020-05-07 | 安徽华米信息科技有限公司 | 噪声检测方法及装置 |
| CN111259895A (zh) * | 2020-02-21 | 2020-06-09 | 天津工业大学 | 一种基于面部血流分布的情感分类方法及系统 |
| CN113243902A (zh) * | 2021-05-31 | 2021-08-13 | 之江实验室 | 一种基于光电容积脉搏波的特征提取方法 |
| CN113397496A (zh) * | 2021-05-14 | 2021-09-17 | 深圳技术大学 | 基于信噪比提高技术的脉搏波获取方法、系统及存储介质 |
| CN113476024A (zh) * | 2021-08-18 | 2021-10-08 | 重庆市人民医院 | 一种病区医学信号连续动态监测系统 |
| CN113712517A (zh) * | 2020-05-25 | 2021-11-30 | 广东小天才科技有限公司 | Ppg信号的测量方法、装置、设备及存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000073972A1 (en) * | 1999-05-28 | 2000-12-07 | Texas Tech University | Adaptive vector quantization/quantizer |
| KR100954817B1 (ko) * | 2009-03-13 | 2010-04-28 | (주)바이오센스크리에티브 | 맥파신호분석을 이용한 혈관건강 및 스트레스 검사시스템 및 방법 |
| WO2012018157A1 (ko) * | 2010-08-01 | 2012-02-09 | 연세대학교 산학협력단 | 생체신호 기반 자동 수면단계 분류시스템 |
| CN202211686U (zh) * | 2011-05-13 | 2012-05-09 | 张政波 | 心血管功能检测装置 |
| CN102440768A (zh) * | 2010-10-13 | 2012-05-09 | 兰州理工大学 | 脉搏波形特征点提取方法 |
| WO2013056319A1 (en) * | 2011-10-21 | 2013-04-25 | University Of Technology, Sydney | A system and method for determining blood pressure |
| US20130218025A1 (en) * | 2012-02-21 | 2013-08-22 | Oxirate, Inc. | Clip sensor device for measurement of vital signs |
| CN103976740A (zh) * | 2014-05-23 | 2014-08-13 | 清华大学 | 一种面向网络环境的脑电信号身份识别系统及识别方法 |
| US20140275832A1 (en) * | 2013-03-14 | 2014-09-18 | Koninklijke Philips N.V. | Device and method for obtaining vital sign information of a subject |
| CN105816163A (zh) * | 2016-05-09 | 2016-08-03 | 安徽华米信息科技有限公司 | 检测心率的方法、装置及可穿戴设备 |
| CN105943005A (zh) * | 2016-06-01 | 2016-09-21 | 合肥芯福传感器技术有限公司 | 基于光电绿光脉搏与心电图混合的无创血压检测方法 |
| CN106333667A (zh) * | 2013-06-03 | 2017-01-18 | 飞比特公司 | 可佩戴心率监视器 |
| US20170164884A1 (en) * | 2013-12-30 | 2017-06-15 | Apple Inc. | Measuring respiration rate with multi-band plethysmography |
| CN106932670A (zh) * | 2017-02-08 | 2017-07-07 | 国家电网公司 | 一种基于d‑s证据理论的配电自动化终端状态诊断方法 |
-
2018
- 2018-02-02 CN CN201810103981.0A patent/CN108056770A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000073972A1 (en) * | 1999-05-28 | 2000-12-07 | Texas Tech University | Adaptive vector quantization/quantizer |
| KR100954817B1 (ko) * | 2009-03-13 | 2010-04-28 | (주)바이오센스크리에티브 | 맥파신호분석을 이용한 혈관건강 및 스트레스 검사시스템 및 방법 |
| WO2012018157A1 (ko) * | 2010-08-01 | 2012-02-09 | 연세대학교 산학협력단 | 생체신호 기반 자동 수면단계 분류시스템 |
| CN102440768A (zh) * | 2010-10-13 | 2012-05-09 | 兰州理工大学 | 脉搏波形特征点提取方法 |
| CN202211686U (zh) * | 2011-05-13 | 2012-05-09 | 张政波 | 心血管功能检测装置 |
| WO2013056319A1 (en) * | 2011-10-21 | 2013-04-25 | University Of Technology, Sydney | A system and method for determining blood pressure |
| US20130218025A1 (en) * | 2012-02-21 | 2013-08-22 | Oxirate, Inc. | Clip sensor device for measurement of vital signs |
| US20140275832A1 (en) * | 2013-03-14 | 2014-09-18 | Koninklijke Philips N.V. | Device and method for obtaining vital sign information of a subject |
| CN106333667A (zh) * | 2013-06-03 | 2017-01-18 | 飞比特公司 | 可佩戴心率监视器 |
| US20170164884A1 (en) * | 2013-12-30 | 2017-06-15 | Apple Inc. | Measuring respiration rate with multi-band plethysmography |
| CN103976740A (zh) * | 2014-05-23 | 2014-08-13 | 清华大学 | 一种面向网络环境的脑电信号身份识别系统及识别方法 |
| CN105816163A (zh) * | 2016-05-09 | 2016-08-03 | 安徽华米信息科技有限公司 | 检测心率的方法、装置及可穿戴设备 |
| CN105943005A (zh) * | 2016-06-01 | 2016-09-21 | 合肥芯福传感器技术有限公司 | 基于光电绿光脉搏与心电图混合的无创血压检测方法 |
| CN106932670A (zh) * | 2017-02-08 | 2017-07-07 | 国家电网公司 | 一种基于d‑s证据理论的配电自动化终端状态诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| 程静: "基本情感生理信号的非线性特征提取研究", 《中国博士学位论文全文数据库哲学与人文科学辑》 * |
| 蔡承贤,王伟: "基于人工智能的心率检测算法", 《中国医疗器械杂志》 * |
| 邓峰: "胸腹腔镜联合食管癌根治术患者单肺与双肺通气效果比较", 《贵州医药》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN109009048A (zh) * | 2018-06-12 | 2018-12-18 | 四川斐讯信息技术有限公司 | 一种ppg波峰检测方法及系统 |
| CN110464321A (zh) * | 2018-07-25 | 2019-11-19 | 北京动亮健康科技有限公司 | 一种动脉脉搏波形的质量分析方法、装置和系统 |
| WO2020088083A1 (zh) * | 2018-10-31 | 2020-05-07 | 安徽华米信息科技有限公司 | 噪声检测方法及装置 |
| CN110477895A (zh) * | 2019-07-24 | 2019-11-22 | 苏州国科医疗科技发展有限公司 | 基于血液容积波的多光源探测器连续心率测量方法 |
| CN110731764A (zh) * | 2019-10-28 | 2020-01-31 | 重庆大学 | 一种脉搏检测系统 |
| CN110960203A (zh) * | 2019-12-13 | 2020-04-07 | 心核心科技(北京)有限公司 | 一种心血管特性参数检测方法及装置 |
| CN111259895A (zh) * | 2020-02-21 | 2020-06-09 | 天津工业大学 | 一种基于面部血流分布的情感分类方法及系统 |
| CN111259895B (zh) * | 2020-02-21 | 2022-08-30 | 天津工业大学 | 一种基于面部血流分布的情感分类方法及系统 |
| CN113712517A (zh) * | 2020-05-25 | 2021-11-30 | 广东小天才科技有限公司 | Ppg信号的测量方法、装置、设备及存储介质 |
| CN113712517B (zh) * | 2020-05-25 | 2024-08-09 | 广东小天才科技有限公司 | Ppg信号的测量方法、装置、设备及存储介质 |
| CN113397496A (zh) * | 2021-05-14 | 2021-09-17 | 深圳技术大学 | 基于信噪比提高技术的脉搏波获取方法、系统及存储介质 |
| CN113397496B (zh) * | 2021-05-14 | 2024-03-19 | 深圳技术大学 | 基于信噪比提高技术的脉搏波获取方法、系统及存储介质 |
| CN113243902A (zh) * | 2021-05-31 | 2021-08-13 | 之江实验室 | 一种基于光电容积脉搏波的特征提取方法 |
| CN113476024A (zh) * | 2021-08-18 | 2021-10-08 | 重庆市人民医院 | 一种病区医学信号连续动态监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108056770A (zh) | 一种基于人工智能的心率检测方法 | |
| CN105919584B (zh) | 用于可穿戴心率监测设备的心率估计方法及装置 | |
| Dey et al. | InstaBP: cuff-less blood pressure monitoring on smartphone using single PPG sensor | |
| CN109745033A (zh) | 基于时频二维图像和机器学习的动态心电质量评估方法 | |
| US11311201B2 (en) | Feature selection for cardiac arrhythmia classification and screening | |
| Sayadi et al. | A model-based Bayesian framework for ECG beat segmentation | |
| CN109077715A (zh) | 一种基于单导联的心电信号自动分类方法 | |
| CN109907752A (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统 | |
| US8289501B2 (en) | Methods and systems for discriminating bands in scalograms | |
| CN102631198B (zh) | 一种基于差值提取的动态光谱数据处理方法 | |
| CN106473750A (zh) | 基于光电容积脉搏波最佳周期波形的身份识别方法 | |
| CN103034837B (zh) | 特征参数与脉象要素的关联 | |
| CN108056773A (zh) | 基于改进变分模态分解的心电信号qrs波群检测算法 | |
| CN110037668A (zh) | 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 | |
| US12102450B2 (en) | System and method for assessing physiological signal quality | |
| CN106889981B (zh) | 一种用于提取胎儿心率的智能终端 | |
| CN112370036A (zh) | 基于级联型rls自适应滤波的ppg心率提取装置和方法 | |
| CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
| CN113729653A (zh) | 一种人体脉搏波信号采集方法 | |
| Bashar et al. | Extraction of heart rate from PPG Signal: a machine learning approach using decision tree regression algorithm | |
| Ram et al. | Use of multi-scale principal component analysis for motion artifact reduction of PPG signals | |
| CN106419884B (zh) | 一种基于小波分析的心率计算方法与系统 | |
| CN109620198B (zh) | 心血管指数检测、模型训练方法及装置 | |
| CN117084648A (zh) | 归纳式迁移学习的双通道无创血压分类与血压检测的方法 | |
| CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180522 |