CN108601546B - 生物信号处理方法和生物信号处理设备 - Google Patents
生物信号处理方法和生物信号处理设备 Download PDFInfo
- Publication number
- CN108601546B CN108601546B CN201780009657.6A CN201780009657A CN108601546B CN 108601546 B CN108601546 B CN 108601546B CN 201780009657 A CN201780009657 A CN 201780009657A CN 108601546 B CN108601546 B CN 108601546B
- Authority
- CN
- China
- Prior art keywords
- data
- biosignal
- biological signal
- signal
- bio
- 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
- A61B5/72—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
- A61B5/24—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
- A61B5/24—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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
- A61B5/459—Evaluating the wrist
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (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)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physical Education & Sports Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Rheumatology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
提供了一种生物信号处理设备。生物信号处理设备包括:生物信号提取单元(2),被配置成从由心电图仪(1)测量的心电图波形中提取生物信号;平均处理单元(3),被配置成使用由生物信号提取单元(2)提取的生物信号的时间序列数据来计算平均数据;异常值确定单元(4),被配置成针对每个数据,基于使用在该数据之前已经发生的生物信号的数据计算的平均数据,确定由生物信号提取单元(2)提取的生物信号的数据是否合适;以及异常值处理单元(5),被配置成执行由异常值确定单元(4)确定为不合适的生物信号的数据的删除和内插中的一个。
Description
技术领域
本发明涉及生物信号处理方法和生物信号处理设备,用于适当地去除混合在从心电图波形获得的生物信号中的噪声分量,并提高生物信号的分析精确度。
背景技术
众所周知,心脏的搏动节律由于自主神经,即交感神经/迷走神经的影响而波动。例如,在休息和放松状态下,迷走神经被加重,并且显著地看到根据呼吸的心跳波动(呼吸性窦性心律失常)。此时的呼吸率可以通过分析从心电图波形提取的心跳(R波)时间之间的时间间隔(即R-R间隔)进行估计。
另一方面,心电图波形的振幅受到呼吸的影响。当从心电图测量系统看到的阻抗由于肺和胸廓根据呼吸的扩张和收缩而波动时,认为对心电图波形振幅的影响发挥作用。
在图17中,(a)是示出当受试者执行称为4-7-8呼吸方法(吸气持续4秒-屏住呼吸持续7秒-呼气8秒)的呼吸方法时的心电图波形的示例的时序图。从图17的(a)可以容易地发现,心电图波形的高度波动。在图17中,(b)示出了通过从心电图波形中提取每个R-R间隔的数据作为R波与紧邻的前一个R波之间的时间间隔并且在时间上连续地绘制所提取的数据而获得的时序图。R-R间隔在呼气时长,在吸气时短(心率在呼气时低,在吸气时高)。从图17的(b)可知,R-R间隔与心电图波形同步地变化。
此外,图17的(c)是通过针对每次心跳提取从R波的峰值到S波的峰值的振幅数据(即RS振幅)并且时间连续地绘制提取的数据所获得的时序图。RS振幅可以通过例如在提取的R波之前和之后搜索预定区间中的心电图波形,并且获得区间中的最大值和最小值之间的差的方法来获取。从图17的(c)可以发现,上述吸气-屏住呼吸-呼气的时间宽度出现在RS振幅的变化模式中。
在图18中,(a)是示出通过MEM(最大熵方法)分析图17的(b)中所示的R-R间隔的数据而获得的频谱的图,并且(b)是示出通过MEM分析图17的(c)中所示的RS振幅的数据而获得的频谱的图。通过使用MEM,即使从60秒的短数据中也可以获得平滑的频谱曲线。在图18的(a)和(b)所示的示例中,从RS振幅获得的频谱比从R-R间隔获得的频谱更清楚地表示19秒周期≈0.052Hz的峰值。以这种方式,除了R-R间隔之外,还可以从RS振幅获得关于呼吸的信息。
当测量心电图波形时,可以将噪声添加到波形。特别是当使用便携式装置或可穿戴装置在日常生活中获取心电图波形时,由于身体运动等,噪声容易混合。这种噪声也可以混合在RS振幅中。此外,噪声导致R波的提取错误,导致R-R间隔中的不合适数据的混合等。
专利文献1公开了一种在基于心电图波形的T波的峰值执行呼吸估计的方法中通过基于预定阈值来检测不产生T波或者T波的峰值非常小的情况而校准小于预定阈值的峰值的布置。然而,在专利文献1中公开的技术中,当在心电图波形上叠加大噪声时,不可能校正诸如RS振幅或R-R间隔的生物信号。
当基于诸如RS振幅或R-R间隔的生物信号执行与受试者的呼吸等相关联的分析时,注意与呼吸等同步的生物信号的变化分量。采用将MEM或诸如FFT(快速傅立叶变换)的频谱分析方法应用于生物信号以提取关于呼吸等的信息的方法。然而,这带来的问题是,当生物信号的数据串包括源自噪声等的不合适值时,分析结果偏离实际结果。
相关技术文献
专利文献
专利文献1:日本专利第5632570号
发明内容
本发明要解决的问题
考虑到上述问题做出了本发明,并且本发明的目的是提供一种生物信号处理方法和生物信号处理设备,其能够适当地去除混合在诸如RS振幅或R-R间隔的生物信号中的噪声分量,并提高生物信号的分析精确度。
解决问题的方法
根据本发明,提供了一种生物信号处理方法,包括:第一步骤,从生物体的心电图波形中提取生物信号;第二步骤,使用在第一步骤中提取的生物信号的时间序列数据计算平均数据;第三步骤,针对每个数据,基于使用在该数据之前已经发生的生物信号的数据计算的平均数据,确定在第一步骤中提取的生物信号的数据是否合适;以及第四步骤,执行在第三步骤中被确定为不合适的生物信号的数据的删除和内插中的一个。
根据本发明,还提供了一种生物信号处理设备,包括:生物信号提取单元,被配置成从生物体的心电图波形中提取生物信号;平均处理单元,被配置成使用由生物信号提取单元提取的生物信号的时间序列数据计算平均数据;异常值确定单元,被配置成针对每个数据,基于使用在该数据之前已经发生的生物信号的数据计算的平均数据,确定由生物信号提取单元提取的生物信号的数据是否合适;以及异常值处理单元,被配置成执行由异常值确定单元确定为不合适的生物信号的数据的删除和内插中的一个。
本发明的效果
根据本发明,通过针对每个数据,基于使用在该数据之前已经发生的生物信号的数据计算的平均数据,确定在第一步骤中提取的生物信号的数据是否合适,并且执行被确定为不合适的生物信号的数据的删除和内插中的一个,可以适当去除混合在生物信号中的噪声分量并提高生物信号的分析精确度。生物信号的值最初是变化的,并且优选地,不是基于固定值而是基于过去值的平均值来执行处理,以便确定可能混合不合适数据的情况。
附图说明
图1是示出心电图波形和R-R间隔的时间序列数据的示例的时序图;
图2是示出RS振幅的时间序列数据的示例的时序图;
图3是示出根据本发明第一实施例的生物信号处理设备的布置的方框图;
图4是用于说明根据本发明第一实施例的生物信号处理设备的操作的流程图;
图5是示出RS振幅的时间序列数据、RS振幅的平均数据和内插后的RS振幅的数据的示例的时序图;
图6是示出RS振幅的时间序列数据和通过重采样RS振幅的时间序列数据而获得的数据的示例的时序图;
图7是示出RS振幅的频谱的示例的曲线图;
图8是示出根据本发明第二实施例的生物信号处理设备的布置的方框图;
图9是用于说明根据本发明第二实施例的生物信号处理设备的操作的流程图;
图10是示出心电图波形、R-R间隔的时间序列数据、R-R间隔的平均数据、内插后的R-R间隔的数据的示例的时序图;
图11是示出根据本发明第二实施例的R-R间隔的平均数据和内插后的R-R间隔的数据的示例的时序图;
图12是用于说明根据本发明第三实施例的生物信号处理设备的操作的流程图;
图13是示出RS振幅的时间序列数据的一阶微分值和二阶微分值和变化量减少确定单元的确定结果的示例的时序图;
图14是示出根据本发明第四实施例的通过快速傅立叶变换对RS振幅执行频率分析而获得的频谱的示例的曲线图;
图15是示出根据本发明第四实施例的通过MEM对RS振幅执行频率分析而获得的频谱的示例的曲线图;
图16是示出用于实现根据本发明第一至第五实施例的生物信号处理设备的计算机的布置的示例的方框图;
图17示出了示出心电图波形、R-R间隔的时间序列数据和RS振幅的时间序列数据的示例的时序图;以及
图18示出了分别示出R-R间隔的频谱和RS振幅的频谱的曲线图。
具体实施方式
[第一实施例]
将参考图1至图7描述本发明的第一实施例。在图1中,(a)是示出心电图波形和从心电图波形中提取的R-R间隔的时间序列数据的示例的时序图,(b)是通过图1的(a)的放大部分获得的时序图。在图1的(a)和(b)中,附图标记100表示心电图波形(单位[μV]);并且101表示R-R间隔(单位[ms])。在图1的(a)和(b)中,横坐标表示时间。
虽然噪声叠加在心电图波形上,但是可以确认对应于R波的尖峰并且正确地提取R-R间隔。在通过放大图1的(a)获得的图1的(b)中,发现在部分102中的心跳处,R波与噪声的峰值重叠并且S波与噪声的斜率重叠。
图2是通过从图1的(a)中的心电图波形中提取RS振幅的数据并且在时间上连续地绘制所提取的数据而获得的时序图。RS振幅是根据心跳时间的±25ms的区间中的心电图波形的最大值和最小值之间的差来计算的。部分103中的点受噪声影响,并且具有不合适的值。
图3是示出根据该实施例的生物信号处理设备的布置的方框图。生物信号处理设备包括:生物信号提取单元2,从由心电图仪1测量的心电图波形中提取生物信号;平均处理单元3,对由生物信号提取单元2提取的生物信号的时间序列数据执行平均处理;异常值确定单元4,将由生物信号提取单元2提取的生物信号的数据与使用在该数据之前已经发生的数据计算的平均数据进行比较,并确定由生物信号提取单元2提取的生物信号的数据是否合适;异常值处理单元5,删除由异常值确定单元4确定为不合适的生物信号的数据,或者通过用合适的数据替换该数据来执行内插;微分单元6,在由异常值处理单元5进行的处理之后计算每个生物信号的一阶微分值和二阶微分值;变化量减少确定单元7,基于一阶微分值和二阶微分值确定生物信号的变化是否很小;重采样单元8,采样由异常值处理单元5处理的生物信号的时间序列数据;频率分析单元9,通过对由重采样单元8获取的生物信号的时间序列数据执行频率分析获得生物信号的频谱;以及显示单元10,在异常值处理单元5的处理、变化量减少确定单元7的确定结果和频率分析单元9的频率分析结果之后显示生物信号。
接下来将参考图4描述根据该实施例的生物信号处理设备的操作。在该实施例中,将解释其中从图2中示出的RS振幅的时间序列数据中去除不合适数据的示例。注意,将在另一实施例中描述微分单元6和变化量减少确定单元7的操作。
心电图仪1测量受试者(生物体)(未示出)的心电图波形。测量心电图波形的实用方法是众所周知的技术,并且将省略其详细描述。
生物信号提取单元2从由心电图仪1测量的心电图波形提取生物信号(在该实施例中为RS振幅)(图4的步骤S1)。对于每次心跳,根据该实施例的生物信号提取单元2提取以心跳时间为中心的预定区间(心跳时间的±25ms的区间)中的心电图波形的最大值(对应于R波的最大值)与心电图波形的最小值(对应于S波的最小值)之间的差值作为RS振幅。
注意,作为获得心跳时间的方法,例如,可以使用日本专利公开第2015-156936号中公开的技术。在该文献中公开的技术中,检测在R波的代表点与该点之后存在的S波的代表点之间超过预定阈值的心电图波形的两个点的采样数据,并且将连接两个点的采样数据的直线与阈值相交的时间计算为心跳时间。该心跳时间被设置为RS振幅的数据的时间。
异常值确定单元4将由生物信号提取单元2提取的生物信号(RS振幅)的数据与由平均处理单元3使用直到紧邻的前一个时间的生物信号(RS振幅)的数据计算的平均数据进行比较,并且针对每个数据,确定由生物信号提取单元2提取的生物信号的数据是否合适(图4的步骤S2)。
更具体地,当在给定时间生物信号的数据的值X(i)落入以直到紧邻的前一个时间的生物信号的平均数据X′(i-1)为中心的预定正常值范围内时,异常值确定单元4确定生物信号的数据X(i)是合适的;否则,异常值确定单元4确定数据X(i)不合适。在该实施例中,平均数据X′(i-1)的±30%的范围被设置为正常值范围。注意,由于异常值确定单元4使用过去生物信号的平均数据X′(i-1)确定生物信号的数据X(i)是否合适,因此对由生物信号提取单元2提取的第一生物信号的数据不执行确定处理。异常值确定单元4对由生物信号提取单元2提取的第二或后续生物信号的数据执行确定处理。
接下来,平均处理单元3对由生物信号提取单元2提取的生物信号(RS振幅)的时间序列数据执行平均处理(图4的步骤S3)。当X(i)表示平均处理之前的第i个生物信号的值并且X′(i)表示通过将直到第i个生物信号的生物信号平均而获得的值时,平均处理单元3通过以下对生物信号执行平均处理:
X′(i)=r×X(i)+(1-r)×X′(i-1)……(1)
在等式(1)中,r表示预定系数。由于系数r具有较小的值,生物信号的数据串的值的微小变化被更多地抑制,但是更难以跟随生物信号的粗略变化。考虑到这一点,例如,设置r=0.2,从而抑制生物信号的瞬时变化,并获得生物信号的适当平均的数据串。
为了防止在平均处理中混合错误值,平均处理单元3在平均处理中不使用由异常值确定单元4确定为不合适的生物信号(RS振幅)的数据。例如,当确定生物信号的数据X(i)不合适时,直到紧邻的前一个时间的生物信号的平均数据X′(i-1)被直接用作平均数据X′(i)而不使用数据X(i)。这可以使平均数据的值的转变更稳定。
异常值处理单元5通过用适当的数据替换由异常值确定单元4确定为不合适的生物信号(RS振幅)的数据来执行内插(图4的步骤S4)。作为此时的内插方法,提供了在不合适数据之前和之后使用合适数据对被确定为不合适的生物信号的数据执行内插的线性内插。代替线性内插,可以使用诸如样条内插的内插方法。
生物信号提取单元2、异常值确定单元4、平均处理单元3和异常值处理单元5针对每个预定时段执行步骤S1至S4中的处理(例如,对于心电图仪1的每个采样操作)直到例如受试者发出测量结束指令(图4的步骤S5中的“是”)。
显示单元10显示由异常值处理单元5处理的生物信号(RS振幅)的时间序列数据(图4的步骤S6)。
图5是示出RS振幅的时间序列数据、通过由平均处理单元3对RS振幅的时间序列数据进行平均而获得的数据、以及由异常值处理单元5内插后的RS振幅的数据的示例的时序图。在图5中,“圆圈”标记50表示与图2中相同的RS振幅的时间序列数据,虚线51表示通过平均时间序列数据获得的数据,而“十字叉”标记52表示内插后的RS振幅的数据。参考图5,发现可以适当地内插受噪声影响的RS振幅的不合适数据。
注意,平均处理单元3的平均处理的目标是由生物信号提取单元2提取的生物信号的数据,而不是由异常值处理单元5内插的数据,因此内插数据不用于后续的平均处理。内插数据不用于平均处理的原因在于内插数据是基于平均数据估计的数据,因此将内插值包括在用于导出数据本身的值中是不合适的。
重采样单元8以低于心电图仪1的采样频率(例如,1秒的间隔)采样由异常值处理单元5处理的生物信号(RS振幅)的时间序列数据(图4的步骤S7)。
图6是示出RS振幅的时间序列数据和通过重采样RS振幅的时间序列数据而获得的数据的示例的时序图。在图6中,“圆圈”标记60表示RS振幅的时间序列数据,而“十字叉”标记61表示在由异常值处理单元5内插之后由重采样单元8重采样的数据。
频率分析单元9对由重采样单元8通过快速傅立叶变换或最大熵方法(MEM)获取的生物信号(RS振幅)的时间序列数据执行频率分析,从而获得生物信号的频谱分析(图4的步骤S8)。
显示单元10显示频率分析单元9的频率分析结果的频谱(图4的步骤S9)。
图7是示出通过MEM执行频率分析而获得的频谱的示例的曲线图。在图7中,实线70表示通过MEM对由重采样单元8获取的RS振幅的时间序列数据(图6中的61)进行频率分析而获得的频谱。为了比较,虚线71表示通过MEM对内插处理之前的RS振幅的时间序列数据(图6中的60)进行频率分析而获得的频谱。
从内插处理之前的RS振幅的数据获得的频谱与在内插不合适数据之后从RS振幅的数据获得的频谱不同。显然,在内插处理之前从RS振幅的数据获得的频谱包括由不合适的数据引起的频谱的分量或分布(图7的72、73和74)。认为在内插不合适数据之后从RS振幅的数据获得的频谱表示更准确地反映生物体状态的结果。
如上所述,在该实施例中,可以适当地去除混合在诸如RS振幅的生物信号中的噪声分量,并且提高生物信号的分析精确度。
注意,在该实施例中,通过用合理数据替换由异常值确定单元4确定为不合适的生物信号的数据来执行内插。然而,本发明不限于此。异常值处理单元5可以删除(数据丢失)由异常值确定单元4确定为不合适的生物信号的数据。
[第二实施例]
接下来将描述本发明的第二实施例。图8是表示根据该实施例的生物信号处理设备的布置的方框图。根据该实施例的生物信号处理设备包括生物信号提取单元2、平均处理单元3a、异常值确定单元4、异常值处理单元5、微分单元6、变化量减少确定单元7、重采样单元8、频率分析单元9和显示单元10。在该实施例中,将描述从R-R间隔的时间序列数据中去除不合适数据的示例。
接下来将参考图9描述根据该实施例的生物信号处理设备的操作。生物信号提取单元2从由心电图仪1测量的心电图波形中提取生物信号(在该实施例中为R-R间隔)(图9的步骤S10)。作为获得R-R间隔的方法,例如,可以使用在Texas Instruments公司的“ECGImplementation on the TMS320C5515 DSP Medical Development Kit(MDK)with theADS1298ECG-FE”<http://www.ti.com/lit/an/sprabj1/sprabj1.pdf>,2011中公开的技术。在该文献中公开的技术中,基于心电图波形的时间差的值的变化来获得R-R间隔。或者,可以使用日本专利公开第2015-156936号等中公开的技术来获得心跳时间,并且可以将心跳时间之间的间隔设置为R-R间隔。
异常值确定单元4将生物信号提取单元2提取的生物信号(R-R间隔)的数据与由平均处理单元3a使用直到紧邻的前一个时间的生物信号(R-R间隔)的数据计算的平均数据进行比较,并且针对每个数据,确定由生物信号提取单元2提取的生物信号的数据是否合适(图9的步骤S11)。
当给定时间的生物信号的数据的值X(i)超过等于直到紧邻的前一个时间的生物信号的平均数据X′(i-1)的预定倍数(在该实施例中为1.35)的值时,根据本实施例的异常值确定单元4确定数据X(i)不合适;否则,异常值确定单元4确定数据X(i)是合适的。即,在该实施例中,将平均数据X′(i-1)的预定倍数或更小的范围设置为正常值范围。如第一实施例中所述,异常值确定单元4对由生物信号提取单元2提取的第二或后续生物信号的数据执行确定处理。
接下来,平均处理单元3a对由生物信号提取单元2提取的生物信号(R-R间隔)的时间序列数据执行平均处理(图9的步骤S12和S13)。稍后将描述根据该实施例的平均处理。
异常值处理单元5通过用合适数据替换由异常值确定单元4确定为不合适的生物信号(R-R间隔)的数据来执行内插(图9的步骤S14)。当异常值确定单元4确定在生物信号(R-R间隔)中已经生成了不合适数据时,异常值处理单元5估计在生成不合适数据的时间与紧邻的前一个时间之间插入的数据的数量(对应于心率)。更具体地,异常值处理单元5通过在生物信号(R-R间隔)中生成不合适数据的时间t2与紧邻的前一个数据的时间t1之间的时间间隔(t2-t1)除以直到时间t1的R-R间隔的平均数据的值来确定在时间t2与时间t1之间要插入的数据的数量N。
异常值处理单元5计算通过将时间t2和t1之间的时间间隔(t2-t1)等分除以所确定的数据的数量N而获得的值作为在时间t2和t1之间要插入的R-R间隔的合理值。因此,异常值处理单元5可以通过在R-R间隔中生成不合适数据的时间t2与紧邻的前一个时间t1之间插入R-R间隔的合理值N次来内插R-R间隔。
在图10中,(a)是示出心电图波形和从心电图波形提取的R-R间隔的时间序列数据的示例的时序图。在图10的(a)中,附图标记80表示心电图波形(单位[μV]);而81表示R-R间隔(单位[ms])。在图10的(a)所示的示例中,由于生物体的呼吸运动,R-R间隔在16:31:40附近大幅波动。
在图10中,(b)是示出通过对图10的(a)中所示的R-R间隔的时间序列数据进行平均而获得的数据和通过异常值处理单元5内插的数据的示例的时序图。在图10的(b)中,虚线82表示通过在第一实施例中说明的方法对R-R间隔的时间序列数据进行平均而获得的数据,并且“十字叉”标记83表示内插后的数据。
在图10的(b)所示的示例中,当获得R-R间隔的平均值时,R-R间隔的值用于执行平均处理。为了防止在平均处理中混合错误值,在平均处理中不使用偏离平均值预定比率(在该示例中为±30%或更多)的值。然而,表示由生物体的原始状态引起的波动的R-R间隔的值被认为是不合适的值,因此不用于平均处理,坚持过去的值。然后,基于过去的值继续无用的内插,导致错误的结果。
为了解决该问题,当执行由生物信号提取单元2提取的生物信号(R-R间隔)的平均处理时,根据该实施例的平均处理单元3a对每个数据执行以下操作:基于R-R间隔的倒数对值进行平均处理,并根据通过平均处理获得的值的倒数计算R-R间隔的平均数据。更具体地,C=60000/R-R间隔=心率被用作基于R-R间隔的倒数的值(以下称为处理目标数据C)。当C(i)表示第i个处理目标数据时,C′(i-1)表示通过对直到第(i-1)个处理目标数据的处理目标数据进行平均而获得的值,并且r表示预定系数,值C′(i)可以按照以下等式通过对直到第i个处理目标数据的处理目标数据进行平均来获得,类似于等式(1):
C′(i)=r×C(i)+(1-r)×C′(i-1)…(2)
平均处理单元3a的倒数平均处理单元30通过上面的等式(2)计算C′(i)(图9的步骤S12)。然后,平均处理单元3a的平均数据计算单元31仅需要通过R-R间隔=60000/C′(i)计算R-R间隔的平均数据(图9的步骤S13)。
为了防止在平均处理中混合错误值,当给定时间的处理目标数据C(i)落在以通过对直到紧邻的前一个时间的处理目标数据进行平均而获得的值C′(i-1)为中心的预定正常值范围之外时,平均处理单元3a确定处理目标数据C(i)不合适,并且不在平均处理中使用该数据。例如,当确定处理目标数据C(i)不合适时,将对直到紧邻的前一个时间的处理目标数据进行平均而获得的值C′(i-1)直接设置为C′(i)。将平均数据C′(i-1)的±30%的范围设置为正常值范围。
图9的步骤S14、S15、S16、S17、S18和S19中的处理与图4的步骤S4、S5、S6、S7、S8和S9中的处理相同,并且将省略其描述。
图11是示出通过根据本实施例的方法对由图10的(a)所示的R-R间隔的时间序列数据进行平均而获得的数据和由异常值处理单元5内插的数据的示例的时序图。在图11中,“圆圈”标记和“十字叉”标记91分别表示R-R间隔的时间序列数据和内插后的R-R间隔的数据。虚线92表示R-R间隔的平均数据。
虽然变化最突然的部分中的R-R间隔的变化范围是约650ms→900ms的范围(变化量:42%),但是与R-R间隔的倒数成比例的心率的变化范围是约92bpm→67bpm的范围(变化量:27%)。因此,在根据本实施例的方法中,即使在R-R间隔波动的部分中,波动也包括在平均处理中,因此经过内插处理的R-R间隔的数据永远不会偏离内插处理之前的RR间隔的数据。即,由于通过使用心率来抑制变化的规模,所以稳定平均处理以对生物信号的数据串正确地执行处理。
当生物信号的数据的值变化时,在给定的数值范围内,可以抑制平均数据的变化宽度,并且通过对基于数据值的倒数的值而不是对数据值执行平均处理来稳定平均处理。根据该实施例,可以从生物信号的时间序列数据中去除由噪声等引起的不合适数据,并且合理地恢复数据,从而更加正确地分析生物体的状态。
[第三实施例]
接下来将描述本发明的第三实施例。同样在该实施例中,生物信号处理设备的布置与第一实施例中的相同,并且图3中的附图标记用于提供描述。该实施例将描述图3所示的生物信号处理设备的微分单元6和变化量减少确定单元7的操作。
将参考图12描述根据该实施例的生物信号处理设备的操作。图12的步骤S1至S6中的处理与第一实施例中的相同。
微分单元6计算由异常值处理单元5处理的每个生物信号(RS振幅)的一阶微分值和二阶微分值(图12的步骤S20)。
当f(tk)表示在给定时间tk的生物信号(RS振幅)的内插值时,一阶微分值f′(tk)由以下等式给出:
f′(tk)={f(tk+1)-f(tk)}/(tk+1-tk)……(3)
此外,二阶微分值f″(tk)由以下等式给出:
f″(tk)={f(tk+1)-2f(tk)+f(tk-1)}/(tk+1-tk)2……(4)
由于RS振幅的变化是由呼吸运动引起的,所以当呼吸运动停止时,例如,当屏住呼吸时,一阶微分值和二阶微分值都取近似值0。当由微分单元6计算的一阶微分值和二阶微分值两者都落在以0为中心的预定范围内的状态持续预定时间或更久时,变化量减小确定单元7确定生物信号的变化很小(呼吸运动停止)。当一阶微分值和二阶微分值中的至少一个落在以0为中心的预定范围之外或者一阶微分值和二阶微分值两者都落在预定范围内的状态的持续时间短于预定时间时,变化量减少确定单元7确定生物信号的变化是正常的(呼吸运动随时间变化)(图12的步骤S21)。
显示单元10显示改变量减少确定单元7的确定结果(图12的步骤S22)。这可以警告生物信号的变化很小。作为警告方法,可以使用作通知装置的显示单元10显示警告消息,可以另外提供由诸如LED的发光装置形成的通知装置并使其闪烁,或者可以另外提供诸如扬声器的通知装置并使其通过声音发出警告。
图13是示出图5中所示的RS振幅的时间序列数据的一阶微分值和二阶微分值以及变化量减少确定单元7的确定结果的示例的时序图。在图13中,“方形”标记110表示一阶微分值,“矩形”标记111表示二阶微分值,并且实线112表示变化量减少确定单元7的确定结果。
在图13所示的示例中,当一阶微分值和二阶微分值两者都落在±80[μV]的范围内的状态持续3秒或更久时,确定生物信号的变化很小,并且设置“1”作为确定结果。当一阶微分值和二阶微分值中的至少一个落在±80[μV]的范围之外或者一阶微分值和二阶微分值两者都落在±80[μV]的范围内的状态的持续时间短于3秒时,确定生物信号的变化是正常的,并且设置“0”作为确定结果。
因此,在该实施例中,可以确定呼吸运动是随时间变化还是停止,从而监测生物体的呼吸运动。
注意,该实施例已经说明了图3中所示的生物信号处理设备的微分单元6和变化量减少确定单元7的操作。然而,在图8所示的第二实施例中页可以实现相同的操作。
[第四实施例]
接下来将描述本发明的第四实施例。在该实施例中,生物信号处理设备的布置和处理过程与第一实施例中的相同,并且图3和图4中的附图标记和符号用于提供描述。该实施例将描述对RS振幅的时间序列数据执行频率分析的示例。
如第一实施例中所述,生物信号处理设备的频率分析单元9对由重采样单元8获取的生物信号(RS振幅)的时间序列数据执行频率分析,以获得生物信号的频谱(图4的步骤S8),并且显示单元10显示频谱(图4的步骤S9)。
图14是示出通过快速傅里叶变换对RS振幅执行频率分析而获得的频谱的示例的曲线图。横坐标表示频率,而纵坐标表示归一化使得最大峰值为1的频谱能量密度。通过获得频率分布,可以掌握其中存在形成测量的RS振幅的分量的特定频带,并获得呼吸运动的更多特征发现。
在图14的示例中,基于已经以0.2秒的间隔采样的RS振幅的32个时间序列数据,即总共6.2秒的数据,执行傅里叶变换的计算。快速傅里叶变换中的频率分辨率定义如下:
df=1/T(=1/6.4=1/(0.2×32)≈0.16)…(5)
因此,横坐标上的绘图间隔约为0.16Hz(参见Naoki Mikami的“Introduction toDigital Filter and Fast Fourier Transform”,CQ出版,第135-137页,2005)。
等式(5)表示频率分辨率由测量时间唯一确定。为了将频率分辨率设置为高于0.16Hz的值,除了在重采样单元8的采样率固定时延长测量时间之外别无他法。
图15是示出通过使用与图14中相同的RS振幅的数据通过最大熵方法执行频率分析而获得的频谱的示例的曲线图。与快速傅立叶变换不同,在最大熵方法中,频率分辨率与测量时间无关,因此可以在不延长测量时间的情况下获得高频率分辨率。
平时的呼吸周期为3至4秒。当延长测量时间以提高快速傅立叶变换中的频率分辨率时,包括多个周期的数据,通过数据的统计给出所获得的频率分布,从而隐藏单个呼吸运动的信息。然而,通过使用最大熵方法可以在短的测量时间内获得高分辨率,从而获得关于单个呼吸运动的频率信息,这不是统计的。
参考图15,与图14相比,频率分辨率得到改善。因此,可以清楚地观察到呼吸频率的峰值为0.35Hz,并且可以检测到在图14中无法确认的峰值0.23Hz。
使用以下方法来执行通过最大熵方法计算频率(参见Shigeo Minami的“WaveformData Processing for Scientific Measurement”,CQ出版,第173-174页,1986)。最大熵方法包括Burg方法和Yule-Walker方法。Burg方法将在这里举例说明。
要获得的频谱能量密度S(ω)由以下等式给出。
Δt表示采样率,在图15所示的示例中为0.2秒。ω表示角频率,其与频率f具有ω=2πf的关系。
为了获得频谱能量密度S(ω),仅需要知道自回归模型的系数ami、预测误差的方差Pm和要使用的模型阶数m。模型阶数m取任意整数。在该示例中,作为最大模型阶数,从等于或大于16的值中选择20(参见Hiroshi Inoue的“Cardiovascular Disease and AutonomicNervous Function”,Igaku-Shoin,第85-86页,2010),并且阶数m取1到20之间的值。
为了获得自回归模型的系数ami,有必要通过下面的等式(7)至(9)获得amm。
bmi=bm-1i+am-1m-1b′m-1i…(8)
b′mi=b′m-1i+1+am-1m-1b′m-1i+1…(9)
在等式(7)中,N表示RS振幅的数据的数量,在该示例中为32。在等式(7)至(9)中,系数bmi和b′mi的初始值由以下等式给出。xi表示N个数据中的第i个数据。
b0i=b′0i=xi…(10)
b1i=xi…(11)
b′1i=xi+1…(12)
使用等式(13)和(14)的递归关系从所获得的amm获得自回归模型的系数ami和预测误差的方差Pm。
ami=am-1i+ammam-1m-i…(13)
通过将xave设置为RS振幅的数据的平均值,通过下面的等式(15)获得等式(14)中使用的P0。
计算用于确定要被代入等式(6)的系数ami的统计量Qm。
使用等式(16),针对统计量Qm计算Q1至Q20。其中,给出最小统计量Qm的m被设置为要在等式(6)中使用的模型阶数m。当在通过从m=1开始使m递增1来计算直到Q20期间首先出现统计量Qm的最小值时,可以中止计算,并且Qm具有最小值时的m可以用作等式(6)中的模型阶数m。即使在计算直到Q20之后也没有出现统计的最小值时,使用该阶数的候选者的最大值(在这种情况下为20)。
因此可以获得自回归模型的系数ami、预测误差的方差Pm和模型阶数m,从而通过等式(6)获得频率分布。在图15中,频率分辨率设置为Δf=0.001。即,角频率ω从0增加0.00628,执行计算直到3.14。与快速傅里叶变换中的Δf=0.16相比,可以获得高分辨率。
[第五实施例]
在第一至第四实施例中的每一个中,当作为确定目标的生物信号的数据X(i)落在基于使用在数据X(i)之前已经发生的生物信号的数据计算的平均数据X′(i-1)的预定正常值范围之外时,确定作为确定目标的生物信号的数据X(i)是不合适的。然而,确定处理不限于此。例如,可以将平均数据X′(i-1)±α(α是预定值)的范围设置为正常值范围。
此外,根据第一至第四实施例中的每一个的异常值确定单元4可以计算从使用作为确定目标的生物信号的数据X(i)和在该数据之前已经发生的生物信号的数据(直到紧邻的前一个时间的生物信号的数据)计算的平均数据获得的方差σ2。然后,当方差σ2落在基于从使用过去时间的生物信号的数据计算的平均数据获得的方差σp 2的预定正常值范围之外时,异常值确定单元4可以确定生物信号的数据X(i)是不合适的。例如,将2σp 2或更小的范围设置为正常值范围。当方差σ2超过2σp 2时,确定生物信号的数据X(i)是不合适的。
[第六实施例]
在第一至第五实施例中的每一个中说明的生物信号处理设备可以由包括CPU(中央处理单元)、存储装置和接口的计算机以及用于控制这些硬件资源的程序实现。图16示出了该计算机的布置的示例。计算机包括CPU 40、存储装置41和接口装置(以下称为I/F)42。I/F 42连接到心电图仪1等。在该计算机中,提供用于实现本发明的生物信号处理方法的程序,同时将其记录在诸如软盘、CD-ROM、DVD-ROM或存储卡的记录介质上,并存储在存储装置41中。CPU 40根据存储在存储装置41中的程序执行第一至第五实施例中的每一个中描述的处理。
工业实用性
本发明可适用于分析从心电图波形获得的生物信号的技术。
附图标记
1…心电图仪,2…生物信号提取单元,3、3a…平均处理单元,4…异常值确定单元,5…异常值处理单元,6…微分单元,7…变化量减少确定单元,8…重采样单元,9…频率分析单元,10…显示单元,30…倒数平均处理单元,31…平均数据计算单位
Claims (8)
1.一种生物信号处理方法,包括:
第一步骤,从生物体的心电图波形中提取生物信号;
第二步骤,使用在所述第一步骤中提取的所述生物信号的时间序列数据计算平均数据;
第三步骤,针对每个数据,基于使用在该数据之前已经发生的所述生物信号的数据计算的所述平均数据,确定在所述第一步骤中提取的所述生物信号的数据是否合适;以及
第四步骤,执行在所述第三步骤中被确定为不合适的所述生物信号的数据的删除和内插中的一个,
第七步骤,在所述第四步骤之后计算每个生物信号的一阶微分值和二阶微分值;以及
第八步骤,当所述一阶微分值和所述二阶微分值两者都落在以0为中心的±80μV的预定范围内的状态持续3秒以上的预定时间时,警告所述生物信号的变化小,
所述第二步骤包括:
第五步骤,基于在所述第一步骤中提取的所述生物信号的所述时间序列数据的值的倒数,对值执行平均处理,以及
第六步骤,根据通过所述第五步骤中的所述平均处理获得的结果的倒数计算所述平均数据。
2.根据权利要求1所述的生物信号处理方法,其中所述第三步骤包括以下步骤:在作为所述确定的目标的所述生物信号的数据落在基于使用在该数据之前已经发生的所述生物信号的数据计算的所述平均数据的预定正常值范围之外的情况下,确定作为所述确定的目标的所述生物信号的数据是不合适的,或者在从使用作为所述确定的目标的所述生物信号的数据和在该数据之前已经发生的所述生物信号的数据计算的所述平均数据获得的方差落在基于从使用在该数据之前已经发生的所述生物信号的数据计算的所述平均数据获得的方差的预定正常值范围之外的情况下,确定作为所述确定的目标的所述生物信号的数据是不合适的。
3.根据权利要求1所述的生物信号处理方法,其中在所述第二步骤中,当对在所述第一步骤中提取的所述生物信号的数据执行所述平均处理时,落在以使用在所述生物信号的数据之前已经发生的数据计算的所述平均数据的值为中心的预定正常值范围之外的所述生物信号的数据、以及在所述第四步骤中内插的所述生物信号的数据不用于计算所述平均数据。
4.根据权利要求2所述的生物信号处理方法,其中在所述第二步骤中,当对在所述第一步骤中提取的所述生物信号的数据执行所述平均处理时,落在以使用在所述生物信号的数据之前已经发生的数据计算的所述平均数据的值为中心的预定正常值范围之外的所述生物信号的数据、以及在所述第四步骤中内插的所述生物信号的数据不用于计算所述平均数据。
5.根据权利要求1所述的生物信号处理方法,其中所述生物信号是作为R波与紧邻的前一个R波之间的时间间隔的R-R间隔、以及从R波的峰值到S波的峰值的RS振幅中的一个。
6.根据权利要求2所述的生物信号处理方法,其中所述生物信号是作为R波与紧邻的前一个R波之间的时间间隔的R-R间隔、以及从R波的峰值到S波的峰值的RS振幅中的一个。
7.根据权利要求1所述的生物信号处理方法,还包括:
第九步骤,在所述第四步骤之后通过快速傅立叶变换和最大熵方法中的一个对所述生物信号执行频率分析来获得所述生物信号的频谱。
8.一种生物信号处理设备,包括:
生物信号提取单元,被配置成从生物体的心电图波形中提取生物信号;
平均处理单元,被配置成使用由所述生物信号提取单元提取的所述生物信号的时间序列数据计算平均数据;
异常值确定单元,被配置成针对每个数据,基于使用在该数据之前已经发生的所述生物信号的数据计算的所述平均数据,确定由所述生物信号提取单元提取的所述生物信号的数据是否合适;
异常值处理单元,被配置成执行由所述异常值确定单元确定为不合适的所述生物信号的数据的删除和内插中的一个,
微分单元,用于在所述异常值处理单元的处理之后计算每个生物信号的一阶微分值和二阶微分值,
变化量减少确定单元,当所述一阶微分值和所述二阶微分值两者都落在以0为中心的±80μV的预定范围内的状态持续3秒以上的预定时间时,确定所述生物信号的变化小,以及
显示单元,显示所述变化量减少确定单元的确定结果,
所述平均处理单元包括:
倒数平均处理单元,被配置成基于由所述生物信号提取单元提取的所述生物信号的所述时间序列数据的值的倒数,对值执行平均处理,以及
平均数据计算单元,被配置成根据通过所述倒数平均处理单元的所述平均处理获得的结果的倒数计算所述平均数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016019500 | 2016-02-04 | ||
JP2016-019500 | 2016-02-04 | ||
PCT/JP2017/002483 WO2017135116A1 (ja) | 2016-02-04 | 2017-01-25 | 生体信号処理方法および生体信号処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108601546A CN108601546A (zh) | 2018-09-28 |
CN108601546B true CN108601546B (zh) | 2021-03-26 |
Family
ID=59499544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780009657.6A Active CN108601546B (zh) | 2016-02-04 | 2017-01-25 | 生物信号处理方法和生物信号处理设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10918302B2 (zh) |
JP (1) | JP6687645B2 (zh) |
CN (1) | CN108601546B (zh) |
WO (1) | WO2017135116A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102655669B1 (ko) * | 2016-07-20 | 2024-04-05 | 삼성전자주식회사 | 생체신호의 특징 추출 장치 및 방법과, 생체정보 검출 장치 |
WO2019198691A1 (ja) * | 2018-04-11 | 2019-10-17 | シャープ株式会社 | 情報処理装置、およびウェアラブル端末 |
US11123004B2 (en) * | 2018-12-20 | 2021-09-21 | Biosense Webster (Israel) Ltd. | Electrophysiological ripple mapping visualization method |
CN110432885A (zh) * | 2019-09-11 | 2019-11-12 | 东北大学 | 一种光电容积脉搏波噪声去除方法 |
CN117835911A (zh) * | 2021-08-30 | 2024-04-05 | 索尼集团公司 | 信息处理装置、信息处理方法和程序 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS526039B2 (zh) * | 1971-12-17 | 1977-02-18 | ||
WO2002069803A1 (fr) * | 2001-03-06 | 2002-09-12 | Microstone Co., Ltd. | Detecteur applicable au mouvement d'un corps |
JP3946108B2 (ja) * | 2002-08-27 | 2007-07-18 | パイオニア株式会社 | 心拍変動解析装置、心拍変動解析方法、および心拍変動解析用プログラム |
JP4162538B2 (ja) * | 2003-05-16 | 2008-10-08 | セイコーインスツル株式会社 | 生体信号測定装置 |
WO2005082252A1 (ja) * | 2004-03-01 | 2005-09-09 | Cb System Co. | 睡眠段階判定方法 |
CN1933777B (zh) | 2004-03-24 | 2010-09-22 | 大日本住友制药株式会社 | 生物体信息计测用系统、呼吸信息分析装置、分析装置控制法 |
CN101014283B (zh) | 2004-05-01 | 2012-02-08 | Bsp生物信号处理有限公司 | 用于分析高频qrs波群的装置和方法 |
WO2008157544A1 (en) * | 2007-06-18 | 2008-12-24 | New York University | Electronic identity card |
CN201150533Y (zh) | 2007-11-30 | 2008-11-19 | 沈阳东软医疗系统有限公司 | 一种血压测量装置 |
US10631745B2 (en) | 2008-09-22 | 2020-04-28 | Cheetah Medical, Inc. | System and method for determining blood flow |
FR2946171B1 (fr) | 2009-05-29 | 2011-07-15 | Groupe Des Ecoles De Telecommunications Get Ecole Nationale Superieure Des Telecommunications Enst | Procede de quantification de l'evolution de pathologies impliquant des changements de volumes de corps, notamment de tumeurs |
US9642534B2 (en) * | 2009-09-11 | 2017-05-09 | University Of Virginia Patent Foundation | Systems and methods for determining location of an access needle in a subject |
US8798732B2 (en) | 2010-08-05 | 2014-08-05 | Lev-El Diagnostics of Heart Diseases Ltd. | Apparatus, system and method of determining a heart rate variability value |
JP2012065713A (ja) * | 2010-09-21 | 2012-04-05 | Gifu Univ | 心電図データの異常心拍及びトレンドの除去方法、自律神経モニタ装置、及び敗血症発症警告装置 |
CN102846321B (zh) * | 2011-06-27 | 2015-03-25 | 联想(北京)有限公司 | 一种产生报警信息的方法和移动终端 |
JP5951212B2 (ja) * | 2011-10-05 | 2016-07-13 | Winヒューマン・レコーダー株式会社 | ココロとカラダのバランス表示方法、ココロとカラダのバランスの可視的表示システム |
JP6063775B2 (ja) * | 2013-03-01 | 2017-01-18 | 東洋紡株式会社 | 居眠り予防方法、及び居眠り予防装置 |
JP5632570B1 (ja) | 2013-03-22 | 2014-11-26 | パナソニック株式会社 | 生体信号計測システム、装置、方法およびそのプログラム |
JP6243254B2 (ja) | 2014-02-24 | 2017-12-06 | 日本電信電話株式会社 | 心拍検出方法および心拍検出装置 |
US9827992B2 (en) | 2014-03-19 | 2017-11-28 | Ford Global Technologies, Llc | Driver anomaly detection |
CN104622446A (zh) | 2015-02-03 | 2015-05-20 | 南京理工大学 | 一种基于khm聚类算法的心率变异信号优化方法 |
-
2017
- 2017-01-25 CN CN201780009657.6A patent/CN108601546B/zh active Active
- 2017-01-25 WO PCT/JP2017/002483 patent/WO2017135116A1/ja active Application Filing
- 2017-01-25 JP JP2017565497A patent/JP6687645B2/ja active Active
- 2017-01-25 US US16/075,116 patent/US10918302B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JPWO2017135116A1 (ja) | 2018-08-16 |
JP6687645B2 (ja) | 2020-04-28 |
US10918302B2 (en) | 2021-02-16 |
WO2017135116A1 (ja) | 2017-08-10 |
US20190038164A1 (en) | 2019-02-07 |
CN108601546A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108601546B (zh) | 生物信号处理方法和生物信号处理设备 | |
JP5303802B2 (ja) | 心電図から導出された無呼吸/低呼吸指数 | |
US8909332B2 (en) | Method and device for estimating morphological features of heart beats | |
JP5193222B2 (ja) | 改良された自動セグメント分割を含む生物医学信号解析方法 | |
JP5210872B2 (ja) | 準周期信号を高分解能で抽出する方法及びシステム | |
EP1740095B1 (en) | Non-invasive monitoring of respiratory rate | |
JP6645926B2 (ja) | 生体信号処理方法および装置 | |
WO2009157185A1 (ja) | 痛み判定装置 | |
US5913308A (en) | Apparatus and method for determining respiratory effort from muscle tremor information in ECG signals | |
JP2016531629A (ja) | 生理学的信号を処理するデバイス、方法及びシステム | |
EP3600004B1 (en) | Methods and system for processing an emg signal | |
JP6709116B2 (ja) | 呼吸検出装置、呼吸検出方法および呼吸検出用プログラム | |
JP2017143911A (ja) | 生体信号処理装置、方法、およびプログラム | |
CN104856673B (zh) | 利用心电信号估计麻醉深度的方法与装置 | |
KR20140114181A (ko) | 심전도 신호에 기반하여 스트레스를 분석하고 추정하는 방법 및 장치 | |
JP7146803B2 (ja) | Emg信号から吸入を検出する及び神経呼吸ドライブの量を抽出する方法並びにシステム | |
Maier et al. | Extraction of respiratory myogram interference from the ECG and its application to characterize sleep-related breathing disorders in atrial fibrillation | |
RU2481060C1 (ru) | Способ обработки электрокардиосигнала | |
Brown et al. | Real-time estimation of the ECG-derived respiration (EDR) signal | |
Suominen | Design and implementation of a PC-based data acquisition system for measuring ECG and respiratory signals | |
JP6568022B2 (ja) | 生体信号分析方法および装置 | |
Kikta et al. | Comparing methods of ECG respiration signals derivation based on measuring the amplitude of QRS complexes | |
Buś et al. | ECG-Derived Respiration-Complete Implementation and its Evaluation with Use of Clinical Data | |
Mostafa | Estimating spectral HRV features with missing data | |
Surat-E-Mostafa et al. | Estimating spectral heart rate variability (HRV) features with missing RR-interval data |
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 |