CN109598180A - 光电容积脉搏波的质量评估方法 - Google Patents

光电容积脉搏波的质量评估方法 Download PDF

Info

Publication number
CN109598180A
CN109598180A CN201710923419.8A CN201710923419A CN109598180A CN 109598180 A CN109598180 A CN 109598180A CN 201710923419 A CN201710923419 A CN 201710923419A CN 109598180 A CN109598180 A CN 109598180A
Authority
CN
China
Prior art keywords
quality
pulse wave
frequency domain
model
feature
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
Application number
CN201710923419.8A
Other languages
English (en)
Inventor
张跃
潘俊俊
张拓
雷夏飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHENZHEN YANSHANG TECHNOLOGY Co Ltd
Shenzhen Graduate School Tsinghua University
Original Assignee
SHENZHEN YANSHANG TECHNOLOGY Co Ltd
Shenzhen Graduate School Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SHENZHEN YANSHANG TECHNOLOGY Co Ltd, Shenzhen Graduate School Tsinghua University filed Critical SHENZHEN YANSHANG TECHNOLOGY Co Ltd
Priority to CN201710923419.8A priority Critical patent/CN109598180A/zh
Priority to PCT/CN2018/106179 priority patent/WO2019062595A1/zh
Publication of CN109598180A publication Critical patent/CN109598180A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明提供一种光电容积脉搏波的质量评估方法，该方法包括建立质量评估模型：获取脉搏波及脉搏波质量信息的训练样本数据集；对训练样本中的脉搏波提取频域和时间序列特征，所述频域包括功率谱信息，所述时间序列特征包括关联维、盒维数、模糊熵和Lempei‑Ziv复杂度；将频域和时间序列特征作为SVM模型的输入，将质量信息作为SVM模型的输出，在训练样本上进行训练，获取脉搏波质量评估模型；评估信号质量：采集脉搏波数据，提取频域和时间序列特征；将提取的特征参数输入到已建立的脉搏波质量评估模型中，得到脉搏波质量评估的结果。本发明的质量评估结果更准确，提取脉搏波的特征不需要进行预处理和周期分割等操作，方便提取。

Description

光电容积脉搏波的质量评估方法
技术领域
本发明涉及医疗数字计算领域，特别涉及一种光电容积脉搏波的质量评估方法。
背景技术
光电容积脉搏波(Photoplethysmogram，简称PPG)信号已经被用于测量很多生理参数，包括心率、血氧饱和度、呼吸频率等。然而这些参数测量的准确度依赖于采集到的信号的质量。
在实际中，PPG信号经常会受到背景光、运动等因素的干扰。当干扰十分严重时，难以通过滤波方法得到可用的PPG信号。如果继续在这样的信号上进行各类生理参数的测量，其结果将会不准确。
发明内容
本发明的目的是为了提高光电容积脉搏波的质量，提出一种光电容积脉搏波的质量评估方法。
为解决上述技术问题，本发明采用以下技术方案：
一种光电容积脉搏波的质量评估方法，包括建立质量评估模型和评估信号的质量；
所述建立质量评估模型包括：
获取脉搏波及脉搏波质量信息的训练样本数据集；
对训练样本中的脉搏波提取频域和时间序列特征，所述频域包括功率谱信息，所述时间序列特征包括关联维、盒维数、模糊熵和Lempei-Ziv复杂度；
将频域和时间序列特征作为SVM模型的输入，将质量信息作为SVM模型的输出，在训练样本上进行训练，获取脉搏波质量评估模型；
所述评估信号质量包括：
采集脉搏波数据，提取频域和时间序列特征；
将提取的特征参数输入到已建立的脉搏波质量评估模型中，得到脉搏波质量评估的结果。
在一些优选的实施方式中，提取频域包括：
将原始脉搏波信号变换到频域空间上的信号；
计算功率谱；
选择频域范围；
将各个样本的选出的功率谱密度归一化到[0,1]区间；
主成分分析及降维，得到N个特征；
对得到的特征进行归一化处理。
在一些优选的实施方式中，提取时间序列特征包括：
计算提取到的时间序列特征；
对得到的特征进行归一化处理。
在一些优选的实施方式中，所述SVM模型采用的核函数为径向基核函数：
φ(u，v)＝exp(-r*|u-v|2)
训练好的模型的决策函数为：
其中，n为训练得到的模型中的支持向量的数量，xi为第i个支持向量，x为待预测的样本的特征向量，wi为模型的系数，b为模型的常量。
在进一步优选的实施方式中，所述选择频域范围选择0.1～20Hz范围内的所有功率谱密度。
在进一步优选的实施方式中，所述将原始脉搏波信号变换到频域空间上的信号采用快速傅里叶变换。
在一些优选的实施方式中，脉搏波质量评估的结果为两种。
在进一步优选的实施方式中，所述主成分分析及降维提取原始数据的80％至90％的主成分。
在一些优选的实施方式中，关联维的计算采用的是G-P算法，盒维数的计算采用的是时间序列曲线盒维数的一种快速算法，模糊熵的计算是FuzzyEn算法，Lempei-Ziv复杂度的计算采用的是Lempei-Ziv复杂度算法。
在另一方面，本发明还提供一种计算机可读存储介质：
一种计算机可读存储介质，其存储有与计算设备结合使用的计算机程序，所述计算机程序被处理器执行以实现上述方法。
与现有技术相比，本发明的有益效果有：
建立质量评估模型和评估信号质量提取的都是脉搏波的频域和时间序列特征，而时间序列特征包括关联维、盒维数、模糊熵和Lempei-Ziv复杂度，这些时间序列特征从不同方面反映了脉搏波的状况，本发明将这些特征综合在一起，全面反映了脉搏波的状况，使得质量评估结果更准确。同时，时间序列特征描述的是整段脉搏波信号的特征，与周期无关，因此在提取的时候不需要进行预处理和周期分割等操作，方便提取。
在优选的实施方式中，本发明还具有如下有益效果：
进一步地，SVM具有优秀的泛化能力，因为其本身的优化目标是结构化风险最小，而不是经验风险最小，通过最大化分类边际的思想，可得到特征空间划分的最优超平面，特别适合于二维结果的评估，而本发明的脉搏波质量评估的结果为两种，进一步提升了评估结果的准确度。
附图说明
图1为光电容积脉搏波的质量评估方法的流程图；
图2为步骤S121的流程图。
具体实施方式
以下对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
参考图1，光电容积脉搏波的质量评估方法包括两部分：
S100、建立质量评估模型；
S200、评估信号的质量。
参考图1，具体的，S100、建立质量评估模型包括如下步骤：
S110、获取脉搏波及脉搏波质量信息的训练样本数据集；
脉搏波及其质量信息的获取可以通过带有脉搏波质量标记的公开数据库整理得到，也可通过自己采集并对各段脉搏波质量信息进行标定得到。这里的脉搏波质量信息分为两种：质量好的可用脉搏波，质量差的不可用脉搏波。
S120、对训练样本中的脉搏波提取频域和时间序列特征，频域包括功率谱信息，时间序列特征包括关联维、盒维数、模糊熵和Lempei-Ziv复杂度；步骤S120具体包括：S121、信号频域特征的提取及其处理和S122、时间序列特征的提取；
步骤S121、信号频域特征的提取及其处理，主要是提取出脉搏波的功率谱信息，参考图2，具体包括：
S1211、将原始脉搏波信号变换到频域空间上的信号；
采用快速傅里叶变换直接将原始脉搏波信号变换到频域空间上的信号；
S1212、计算功率谱；
将频域空间上的信号求幅值，可得信号在各个频率上的功率谱密度。
S1213、选择频域范围；
脉搏波主要有效信号范围在0.2～45Hz之间，主要能量范围在0.2～20Hz之间。选择0.1～20Hz范围内的所有功率谱密度，有效保留了脉搏波信号的主要特征。实验结果表明(参见表二)，该范围的效果较好。
S1214、将各个样本的选出的功率谱密度归一化到[0,1]区间；
这一步是数据标准化，将各个样本的选出的功率谱密度归一化到[0,1]区间。公式如下：
Fn[i]＝F[i]-Fmin/Fmax-Fmin
其中，F[i]为该样本功率谱的第i个数据点，Fn[i]为该点标准化之后的值，Fmin和Fmax分别为该样本功率谱密度中的最小值和最大值。
将各个样本的选出的功率谱密度归一化到[0,1]区间，将信号标准化，便于质量评估，提高评估的准确度。
S1215、主成分分析及降维，得到N个特征；
对S1214中得到的所有样本特征组成的矩阵进行主成分(Principal ComponentAnalysis，简称PCA)分析，并降维，提取原始数据的90％的主成分，得到新的特征，并保存PCA分析中得到的特征向量(用于在脉搏波质量评估过程中的降维操作)。设这里得到了N维特征，即每个样本经转换后得到N个特征。为进一步降低计算量，也可以提取原始数据的80％的主成分。
在实验中，选用带有脉搏波质量标记的公开数据库MIMIC II作为实验数据，对这些实验数据进行主成分分析及降维，结果如下表一所示。降维保证了大多数的主成分，降低了计算量，最终的实验结果(参见表二)表明也保证了较好的评估结果。
表一 不同百分比的主成分(PCA)对应的维数
序号 PCA百分比 维数
1 80％ 11
2 90％ 15
3 99％ 24
4 99.9％ 34
5 100％ 163
S1216、对得到的特征进行归一化处理。
对上一步得到的特征进行归一化处理，公式如下：
Pn[i]＝P[i]-Pmin/Pmax-Pmin
其中，P[i]为第i个样本的某一维特征，Fn[i]为该特征标准化之后的值。Fmin和Fmax分别为所有样本中该维特征中的最小值和最大值。
步骤S122、时间序列特征的提取，具体包括：
S1221、计算提取到的时间序列特征；
该过程提取的特征有四个，分别是关联维，盒维数，模糊熵和Lempei-Ziv复杂度。关联维的计算采用的是G-P算法，该算法在期刊《计算物理》1999年第16卷的论文《从混沌时间序列同时计算关联维和Kolmogorov熵》中有详细的介绍；盒维数的计算采用的是时间序列曲线盒维数的一种快速算法，该算法在期刊《系统工程》2000年第18卷的论文《时间序列曲线盒维数的一种快速算法》中有详细的介绍；模糊熵的计算是FuzzyEn算法，该算法在期刊《Medical Engineering&Physics》2009年第31卷的论文《Measuring complexity usingFuzzyEn,ApEn,and SampEn》中有详细的介绍；Lempei-Ziv复杂度(A.Lempei和J.Ziv于1976年提出了一种简单易行的复杂度算法，称为Lempei-Ziv复杂度)的计算采用的是Lempei-Ziv复杂度算法，该算法在期刊《复杂系统与复杂性科学》2005年第2卷的论文《Lempel-Ziv复杂度在非线性检测中的应用研究》中有详细的介绍。综合上述四种时间序列特征，这里每个样本将得到了四维时间序列特征。
S1222、对得到的特征进行归一化处理。
该过程与步骤S1216相同。
S130、将频域和时间序列特征作为SVM模型的输入，将质量信息作为SVM模型的输出，在训练样本上进行训练，获取脉搏波质量评估模型。
将上述得到的各个样本的所有特征和对应的质量信息输入到SVM算法中得到训练好的SVM模型。该SVM模型采用的核函数为径向基核函数，具体公式如下：
φ(u，v)＝exP(-r*|u-v|2)
训练好的模型的决策函数为：
其中，sgn()为符号函数，exp是指数函数，n为训练得到的模型中的支持向量的数量，xi为第i个支持向量，x为待预测的样本的特征向量，wi为模型的系数，b为模型的常量；r是与样本的训练拟合度相关的参数，实际中根据训练效果设定。
参考图1，S200、评估信号的质量包括如下步骤：
S210、采集脉搏波数据，提取频域和时间序列特征；
这里的脉搏波信号为待评估的脉搏波信号，可以为新采集的脉搏波信号，也可以为待分析的脉搏波信号。提取频域和时间序列特征，具体方法与步骤S100中的相同。然后对得到的数据进行降维处理，降维所使用的特征向量为步骤S1215中进行PCA分析所保存的特征向量。
S220、将提取的特征参数输入到已建立的脉搏波质量评估模型中，得到脉搏波质量评估的结果。
步骤S220采用的SVM模型为步骤S130中建立的质量评估模型，将得到的特征向量输入模型，即可得到模型对该段脉搏波信号质量的评估结果。脉搏波质量评估的结果为两种，分别是可用和不可用。SVM具有优秀的泛化能力，因为其本身的优化目标是结构化风险最小，而不是经验风险最小，通过最大化分类边际的思想，可得到特征空间划分的最优超平面，特别适合于二维结果的评估，而本发明的脉搏波质量评估的结果为两种，可进一步提升评估结果的准确度。
在实验中，选用带有脉搏波质量标记的公开数据库MIMIC II作为实验数据，该数据包括测试数据集和训练数据集，质量信息分为质量好的可用脉搏波和质量差的不可用脉搏波。使用本发明的方法对测试数据集和训练数据集进行评估，对评估的结果从灵敏度、特异度和精确度进行统计，得到的统计结果如下表二。
表二 实验结果统计
对照组为现有技术的质量评估的统计结果。与对照组相比，无论是测试数据集还是训练数据集，本发明的表现都较好，特别是对于测试数据集，本发明在特异度的表现更突出。
根据上述可知，建立质量评估模型和评估信号质量提取的都是脉搏波的频域和时间序列特征，而时间序列特征包括关联维、盒维数、模糊熵和Lempei-Ziv复杂度，这些时间序列特征从不同方面反映了脉搏波的状况，本发明将这些特征综合在一起，全面反映了脉搏波的状况，使得质量评估结果更准确。同时，时间序列特征描述的是整段脉搏波信号的特征，与周期无关，因此在提取的时候不需要进行预处理和周期分割等操作，方便提取。SVM是一种有坚实理论基础的新颖的小样本学习方法，在少量训练数据样本下也可以得到很好的效果；SVM的最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，少数支持向量决定了最终结果，这不但可以抓住关键样本、剔除大量冗余样本，还使得该方法不但算法简单，具有较好的鲁棒性，从而使得本发明具有计算量小、准确度高的特点。
本发明还提供一种计算机可读存储介质，其存储有与计算设备结合使用的计算机程序，该计算机程序被处理器执行以实现上述方法。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。

Claims (10)

1.一种光电容积脉搏波的质量评估方法，其特征在于包括建立质量评估模型和评估信号的质量；
所述建立质量评估模型包括：
获取脉搏波及脉搏波质量信息的训练样本数据集；
对训练样本中的脉搏波提取频域和时间序列特征，所述频域包括功率谱信息，所述时间序列特征包括关联维、盒维数、模糊熵和Lempei-Ziv复杂度；
将频域和时间序列特征作为SVM模型的输入，将质量信息作为SVM模型的输出，在训练样本上进行训练，获取脉搏波质量评估模型；
所述评估信号质量包括：
采集脉搏波数据，提取频域和时间序列特征；
将提取的特征参数输入到已建立的脉搏波质量评估模型中，得到脉搏波质量评估的结果。
2.如权利要求1所述的质量评估方法，其特征在于提取频域包括：
将原始脉搏波信号变换到频域空间上的信号；
计算功率谱；
选择频域范围；
将各个样本的选出的功率谱密度归一化到[0，1]区间；
主成分分析及降维，得到N个特征；
对得到的特征进行归一化处理。
3.如权利要求1所述的质量评估方法，其特征在于提取时间序列特征包括：
计算提取到的时间序列特征；
对得到的特征进行归一化处理。
4.如权利要求1所述的质量评估方法，其特征在于所述SVM模型采用的核函数为径向基核函数：
φ(u，v)＝exp(-r*|u-v|2)
训练好的模型的决策函数为：
其中，n为训练得到的模型中的支持向量的数量，xi为第i个支持向量，x为待预测的样本的特征向量，wi为模型的系数，b为模型的常量。
5.如权利要求2所述的质量评估方法，其特征在于：所述选择频域范围选择0.1～20Hz范围内的所有功率谱密度。
6.如权利要求2所述的质量评估方法，其特征在于：所述将原始脉搏波信号变换到频域空间上的信号采用快速傅里叶变换。
7.如权利要求1所述的质量评估方法，其特征在于：脉搏波质量评估的结果为两种。
8.如权利要求2所述的质量评估方法，其特征在于：所述主成分分析及降维提取原始数据的80％至90％的主成分。
9.如权利要求1-8任一项所述的质量评估方法，其特征在于：关联维的计算采用的是G-P算法，盒维数的计算采用的是时间序列曲线盒维数的一种快速算法，模糊熵的计算是FuzzyEn算法，Lempei-Ziv复杂度的计算采用的是Lempei-Ziv复杂度算法。
10.一种计算机可读存储介质，其存储有与计算设备结合使用的计算机程序，所述计算机程序被处理器执行以实现权利要求1-9任一项所述方法。
CN201710923419.8A 2017-09-30 2017-09-30 光电容积脉搏波的质量评估方法 Pending CN109598180A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710923419.8A CN109598180A (zh) 2017-09-30 2017-09-30 光电容积脉搏波的质量评估方法
PCT/CN2018/106179 WO2019062595A1 (zh) 2017-09-30 2018-09-18 光电容积脉搏波的质量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710923419.8A CN109598180A (zh) 2017-09-30 2017-09-30 光电容积脉搏波的质量评估方法

Publications (1)

Publication Number Publication Date
CN109598180A true CN109598180A (zh) 2019-04-09

Family

ID=65901031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710923419.8A Pending CN109598180A (zh) 2017-09-30 2017-09-30 光电容积脉搏波的质量评估方法

Country Status (2)

Country Link
CN (1) CN109598180A (zh)
WO (1) WO2019062595A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110974189A (zh) * 2019-10-25 2020-04-10 广州视源电子科技股份有限公司 脉搏波的信号质量检测方法及装置、设备、系统
CN111723858A (zh) * 2020-06-16 2020-09-29 中冶宝钢技术服务有限公司 基于svm的料堆质量估算方法、装置、电子设备和介质
CN112183354A (zh) * 2020-09-29 2021-01-05 上海中医药大学 一种基于支持向量机的单周期脉搏波信号质量评估方法
CN112472079A (zh) * 2020-11-23 2021-03-12 青岛歌尔智能传感器有限公司 血氧饱和度检测装置、设备及存储介质
CN113940637A (zh) * 2021-09-30 2022-01-18 广东宝莱特医用科技股份有限公司 脉搏波信号质量评估方法、装置及存储介质
CN114676738A (zh) * 2022-05-27 2022-06-28 广东玖智科技有限公司 Ppg信号质量评估方法及装置以及ppg信号处理方法及系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647717B (zh) * 2019-09-19 2020-05-05 中国水利水电科学研究院 一种基于关联维数的水文模型参数优选方法
CN112651622B (zh) * 2020-12-22 2024-10-18 昆明自动化成套集团股份有限公司 一种电能量质量评估方法和系统
CN113344395B (zh) * 2021-06-14 2022-06-21 西北工业大学 一种基于动态pca-svm的加工质量监测方法
CN114510974B (zh) * 2022-01-27 2024-04-09 西安交通大学 一种多孔介质内气液两相流流型智能识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102512158A (zh) * 2011-12-31 2012-06-27 济南汇医融工科技有限公司 一种基于高维模糊识别的心电信号质量评估方法和装置
CN103020472A (zh) * 2012-12-27 2013-04-03 中国科学院深圳先进技术研究院 基于约束估计的生理信号质量评估方法和系统
CN103584840A (zh) * 2013-11-25 2014-02-19 天津大学 基于脑电、心率变异及两者相干性的自动睡眠分期方法
CN104840186A (zh) * 2015-05-07 2015-08-19 中山大学 一种充血性心力衰竭患者自主神经功能的评估方法
CN105611872A (zh) * 2013-10-09 2016-05-25 皇家飞利浦有限公司 用于评估多通道ecg信号的装置和方法
CN106202769A (zh) * 2016-07-15 2016-12-07 深圳市永达电子信息股份有限公司 一种在线检测和仿真建模验证结合的工业系统检测方法
US20160360984A1 (en) * 2015-06-15 2016-12-15 Microsoft Technology Licensing, Llc Optical Photoplethysmogram Signal Shape Feature Biological Monitor

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104586387B (zh) * 2015-01-19 2017-02-01 秦皇岛市惠斯安普医学系统股份有限公司 一种时、频、空域多参数脑电特征提取与融合方法
CN105595990A (zh) * 2016-01-27 2016-05-25 浙江铭众科技有限公司 一种用于心电信号质量评估判别的智能终端设备
CN106108894A (zh) * 2016-07-18 2016-11-16 天津大学 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法
CN106691402A (zh) * 2016-12-19 2017-05-24 深圳欧德蒙科技有限公司 一种基于脉搏特征的疲劳程度分析方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102512158A (zh) * 2011-12-31 2012-06-27 济南汇医融工科技有限公司 一种基于高维模糊识别的心电信号质量评估方法和装置
CN103020472A (zh) * 2012-12-27 2013-04-03 中国科学院深圳先进技术研究院 基于约束估计的生理信号质量评估方法和系统
CN105611872A (zh) * 2013-10-09 2016-05-25 皇家飞利浦有限公司 用于评估多通道ecg信号的装置和方法
CN103584840A (zh) * 2013-11-25 2014-02-19 天津大学 基于脑电、心率变异及两者相干性的自动睡眠分期方法
CN104840186A (zh) * 2015-05-07 2015-08-19 中山大学 一种充血性心力衰竭患者自主神经功能的评估方法
US20160360984A1 (en) * 2015-06-15 2016-12-15 Microsoft Technology Licensing, Llc Optical Photoplethysmogram Signal Shape Feature Biological Monitor
CN106202769A (zh) * 2016-07-15 2016-12-07 深圳市永达电子信息股份有限公司 一种在线检测和仿真建模验证结合的工业系统检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张雪梅: "《基于顾客选择行为的产品设计策略研究》", 31 January 2017 *
李作君 等: "《脉搏信号的干扰段检测与质量评估》", 《自动化与仪表》 *
李硕: "《脉搏波信号采集质量实时分析研究及设备开发》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110974189A (zh) * 2019-10-25 2020-04-10 广州视源电子科技股份有限公司 脉搏波的信号质量检测方法及装置、设备、系统
CN111723858A (zh) * 2020-06-16 2020-09-29 中冶宝钢技术服务有限公司 基于svm的料堆质量估算方法、装置、电子设备和介质
CN111723858B (zh) * 2020-06-16 2023-07-11 中冶宝钢技术服务有限公司 基于svm的料堆质量估算方法、装置、电子设备和介质
CN112183354A (zh) * 2020-09-29 2021-01-05 上海中医药大学 一种基于支持向量机的单周期脉搏波信号质量评估方法
CN112472079A (zh) * 2020-11-23 2021-03-12 青岛歌尔智能传感器有限公司 血氧饱和度检测装置、设备及存储介质
CN112472079B (zh) * 2020-11-23 2022-06-21 青岛歌尔智能传感器有限公司 血氧饱和度检测装置、设备及存储介质
CN113940637A (zh) * 2021-09-30 2022-01-18 广东宝莱特医用科技股份有限公司 脉搏波信号质量评估方法、装置及存储介质
CN113940637B (zh) * 2021-09-30 2023-11-03 广东宝莱特医用科技股份有限公司 脉搏波信号质量评估方法、装置及存储介质
CN114676738A (zh) * 2022-05-27 2022-06-28 广东玖智科技有限公司 Ppg信号质量评估方法及装置以及ppg信号处理方法及系统

Also Published As

Publication number Publication date
WO2019062595A1 (zh) 2019-04-04

Similar Documents

Publication Publication Date Title
CN109598180A (zh) 光电容积脉搏波的质量评估方法
CN105411565B (zh) 基于广义尺度小波熵的心率变异性特征分类方法
Kaffashi et al. The effect of time delay on approximate & sample entropy calculations
Singh et al. Optimal selection of wavelet basis function applied to ECG signal denoising
Das et al. Analysis of ECG signal denoising method based on S-transform
CN104765846B (zh) 一种基于特征提取算法的数据特征分类方法
CN106708782B (zh) 基于小波分析的区域病虫害检测诊断判别方法
CN108056770A (zh) 一种基于人工智能的心率检测方法
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
Alharbi et al. A new approach for selecting the number of the eigenvalues in singular spectrum analysis
CN109711278A (zh) 一种低复杂度的脑电波信号压缩和分类方法
Bolgorian et al. A MULTIFRACTAL DETRENDED FLUCTUATION ANALYSIS OF GOLD PRICE FLUCTUATIONS.
Florindo et al. Brachiaria species identification using imaging techniques based on fractal descriptors
Ge et al. Feature extraction of time series classification based on multi-method integration
Übeyli Statistics over features of ECG signals
Deka et al. Detection of meditation-induced HRV dynamics using averaging technique-based oversampled feature set and machine learning classifiers
CN103500421B (zh) 一种基于频率特征的耕地复种指数提取方法
Zheng et al. Real-time QRS detection method
CN116439690A (zh) 心冲击图信号的提取方法、装置、设备以及存储介质
Li et al. Multi-moment multiscale local sample entropy and its application to complex physiological time series
Abdelliche et al. R-peak detection using a complex fractional wavelet
Karthik et al. A novel algorithm for spectrum sensing using adaptive wavelet edge detection scheme
Lu et al. Uterine electromyography signal feature extraction and classification
Berhane et al. Forecasting the Ethiopian Coffee Price Using Kalman Filtering Algorithm
Flewelling et al. An improved estimator for merchantable basal area growth based on point samples

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190409

RJ01 Rejection of invention patent application after publication