CN109643579B - 质量评估方法及装置、模型建立方法及模块、穿戴设备 - Google Patents

质量评估方法及装置、模型建立方法及模块、穿戴设备 Download PDF

Info

Publication number
CN109643579B
CN109643579B CN201780000632.XA CN201780000632A CN109643579B CN 109643579 B CN109643579 B CN 109643579B CN 201780000632 A CN201780000632 A CN 201780000632A CN 109643579 B CN109643579 B CN 109643579B
Authority
CN
China
Prior art keywords
quality
signal
model
quality assessment
dimension reduction
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
Application number
CN201780000632.XA
Other languages
English (en)
Other versions
CN109643579A (zh
Inventor
李国梁
王鑫山
杨柯
曾端
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 Goodix Technology Co Ltd
Original Assignee
Shenzhen Goodix Technology Co Ltd
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 Goodix Technology Co Ltd filed Critical Shenzhen Goodix Technology Co Ltd
Publication of CN109643579A publication Critical patent/CN109643579A/zh
Application granted granted Critical
Publication of CN109643579B publication Critical patent/CN109643579B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

一种质量评估方法及装置、模型建立方法及模块、穿戴设备，其中，质量评估方法包括：获取待评估的生物信号的质量评估模型(301)；其中，质量评估模型根据上述质量评估模型的建立方法建立得到；获取待评估的生物信号的特征向量(302)；按照预设的降维方式对待评估的生物信号的特征向量进行降维处理，以获得与质量评估模型相对应的特征向量(303)；将与质量评估模型相对应的特征向量代入质量评估模型，计算得到待评估的生物信号的信号质量指标(304)。采用本方法，对训练集中的生物信号的特征向量进行降维处理，从而去除其中的冗余信息，并根据降维处理后的特征向量获取生物信号的质量评估模型，以在对生物信号进行质量评估时，获取较为准确表征信号质量的信号质量指标。

Description

质量评估方法及装置、模型建立方法及模块、穿戴设备
技术领域
本申请涉及信号处理技术领域，特别涉及一种质量评估方法及装置、模型建立方法及模块、穿戴设备。
背景技术
随着生活水平的提高，人们越来越重视生活的健康水平。心率是指人体心脏每分钟跳动的次数，在临床诊断上是一项非常重要的生理指标。传统医疗设备在测量心率时要求使用者处于静止状态，同时不方便携带；因此，很多厂商已经生产出可以进行心率测量的穿戴设备，以便于使用者可以在日常生活状态下进行心率的测量。
现有的最常用的心率测量方法是光电脉搏容积(PPG)法，利用LED发出特定波长的光并经人体组织传播、散射、衍射和反射后返回，将返回的光信号转换为电信号，从而获取相应的PPG信号。光束在人体组织传播过程中，由于人体组织的吸收作用而衰减，其中静态组织如皮肤、脂肪、肌肉等的吸收是恒定值，而血液由于心脏的收缩和舒张周期而产生周期性容积变化，因而PPG信号中产生与心跳一致的周期性波形，所以PPG信号可以测量出心跳频率，且光电脉搏容积法测量心率是一种无创无害的测量方法。
现有的心率测量过程中，PPG信号容易受到多种外界环境干扰的影响，例如人体差异、环境光干扰、传感器与人体皮肤接触状态、受测者运动干扰等，这些干扰因素都会降低PPG信号质量，从而导致心率计算准确度降低。因此，需要对接收到的PPG信号质量进行评估，给出相应的信号质量指标，从而可以根据该信号质量指标控制心率更新机制，或者评估模拟前端设计的性能，或者评估前端信号预处理性能；同时还可以根据该信号质量指标提示使用者当前心率测量可能不准确，建议再次测量，以获取准确的心率。
然而，现有技术中一般根据信号幅度、信噪比、信号规则性等简单的几个方面来判断信号质量，从而导致获得的信号质量指标不能很好的表征信号质量。
发明内容
本申请部分实施例的目的在于提供一种质量评估方法及装置、模型建立方法及模块、穿戴设备，对训练集中的生物信号的特征向量进行降维处理，从而去除其中的冗余信息，并根据降维处理后的特征向量获取生物信号的质量评估模型，以在对生物信号进行质量评估时，获取较为准确表征信号质量的信号质量指标。
本申请的一个实施例提供了一种质量评估模型的建立方法，包括：获取生物信号的训练集，并按照预设的降维方式对训练集中的生物信号的特征向量进行降维处理，以得到N个降维后的特征向量；其中，N为整数且N≥1；根据N个降维后的特征向量计算出N个质量评估模型；从计算出的N个质量评估模型中选择至少一个作为生物信号的质量评估模型。
本申请实施例还提供了一种质量评估方法，其特征在于，包括：获取待评估的生物信号的质量评估模型；其中，质量评估模型根据上述质量评估模型的建立方法建立得到；获取待评估的生物信号的特征向量；按照预设的降维方式对待评估的生物信号的特征向量进行降维处理，以获得与质量评估模型相对应的特征向量；将与质量评估模型相对应的特征向量代入质量评估模型，计算得到待评估的生物信号的信号质量指标。
本申请实施例还提供了一种质量评估模型的建立模块，包括：降维处理子模块，用于获取生物信号的训练集，并按照预设的降维方式对训练集中的生物信号的特征向量进行降维处理，以得到N个降维后的特征向量；其中，N为整数且N≥1；模型获取子模块，用于根据N个降维后的特征向量计算出N个质量评估模型；模型选择子模块，用于从计算出的N个质量评估模型中选择至少一个作为生物信号的质量评估模型。
本申请实施例还提供了一种质量评估装置，包括：模型获取模块，用于获取待评估的生物信号的质量评估模型；其中，质量评估模型由上述的质量评估模型的建立模块建立得到；特征向量获取模块，用于获取待评估的生物信号的特征向量；降维模块，用于按照预设的降维方式对待评估的生物信号的特征向量进行降维处理，以获得与质量评估模型相对应的特征向量；信号质量指标计算模块，用于将与质量评估模型相对应的特征向量代入质量评估模型，计算得到待评估的生物信号的信号质量指标。
本申请实施例还提供了穿戴设备，生物传感器、存储器以及连接于生物传感器与存储器的处理器；生物传感器用于获取待评估的生物信号；存储器用于储存多条指令；处理器用于加载多条指令并执行上述的质量评估装置的功能。
本申请实施例对于现有技术而言，对训练集中的生物信号的特征向量进行降维处理，从而去除其中的冗余信息；继而根据N个降维处理后的特征向量计算出N个质量评估模型，并从中选择至少一个作为生物信号的质量评估模型，从而建立生物信号的质量评估模型，以在进行生物信号质量评估时，获取较为准确表征信号质量的信号质量指标。
另外，在质量评估模型的建立方法中，预设的降维方式为选择子集的降维方式；N个降维后的特征向量为训练集中的生物信号的特征向量的N个非空子集，且N>1；从计算出的N个质量评估模型中选择至少一个作为生物信号的质量评估模型，具体包括：获取生物信号的测试集，并根据测试集评估计算出的N个质量评估模型的准确度；根据评估的准确度，从N个质量评估模型中选择至少一个作为生物信号的质量评估模型。本实施例中，提供了一种具体的降维方式，并提供了在选择子集的降维方式下获取生物信号的质量评估模型的具体方法。
另外，在质量评估模型的建立方法中，预设的降维方式为主成分分析的降维方式或者独立成分分析的降维方式，且N＝1；从计算出的N个质量评估模型中选择至少一个作为生物信号的质量评估模型，具体为：将计算出的一个质量评估模型作为生物信号的质量评估模型。本实施例提供另外的降维方式，并提供了在主成分分析或独立成分分析的降维方式下获取生物信号的质量评估模型的具体方法。
另外，在质量评估模型的建立方法中，根据评估的准确度，从N个质量评估模型中选择至少一个作为生物信号的质量评估模型，具体包括：分别判断N个质量评估模型的准确度是否大于预设的准确度阈值；从准确度大于准确度阈值的质量评估模型中选取准确度最高的质量评估模型作为生物信号的质量评估模型。本实施例提供了根据评估的准确度获取生物信号的质量评估模型的一种具体实现方式，在对质量评估模型的准确度进行判断时，由于准确度阈值可以自由设定，从而确保了获取的质量评估模型可以满足不同的准确度要求。
另外，在质量评估模型的建立方法中，根据评估的准确度，从N个质量评估模型中选择至少一个作为生物信号的质量评估模型，具体为：将N个质量评估模型中准确度最高的质量评估模型作为生物信号的质量评估模型。本实施例提供了根据评估的准确度获取生物信号的质量评估模型的另一种具体实现方式。
另外，在质量评估模型的建立方法中，准确度accuracy的计算公式为：其中，|·|表示绝对值，accuracy(i)表示第i个质量评估模型的准确度，i∈[1，N]，LabelTest(k)表示测试集中第k个生物信号的已知的信号质量指标，k∈[1，M]，M表示测试集中生物信号的数量，LabelTestPredict(i,k)表示第k个生物信号根据第i个质量评估模型计算得到的信号质量指标。本实施例提供了计算准确度的具体公式。
另外，在质量评估模型的建立方法中，特征向量包括生物信号的多个维度的特征值。本实施例提供了特征向量的组成，特征向量的特征值来自多个维度，相对于特征值来自单个维度的方式，极大地提高了质量评估模型评估出的信号质量的准确度。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是根据本申请第一实施例中的质量评估模型的建立方法的具体流程图；
图2是根据本申请第二实施例中的选择子集的降维方式的质量评估模型的建立方法的具体流程图；
图3是根据本申请第三实施例中的质量评估方法的具体流程图；
图4是根据本申请第四实施例中的质量评估模型的建立模块的方框示意图；
图5是根据本申请第五实施例中的质量评估模型的建立模块的方框示意图；
图6是根据本申请第六实施例中的质量评估装置的方框示意图；
图7是根据本申请第七实施例中的穿戴设备的方框示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请部分实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请第一实施例涉及一种质量评估模型的建立方法，其中，生物信号可以为光电容积脉搏(PPG)信号、心电信号等。
针对于不同的生物信号，需要提取出不同的特征向量，特征向量中包括生物信号的多个维度的特征值，即，特征向量包含了能够有效表征信号质量的特征信息，相对于特征值来自单个维度的方式，极大地提高了质量评估模型评估出的信号质量的准确度。
例如，生物信号为光电容积脉搏(PPG)信号时，可以从时域波形、信号频谱和信号自相关等不同维度计算信号的特征值信息，具体如下：
1、信号时域波形波长，根据生物的生理特性，心脏跳动周期短时间内不会发生剧烈变化，即体现在PPG信号时域波形的波长不会发生剧烈变化，因此波长的稳定性与PPG信号质量相关。本实施例中计算出信号片段内每个波形的波长，然后求波长方差作为信号质量度量的特征值。
2、信号时域波形幅度，高质量PPG信号首先要求较高的信噪比，而信号时域波形幅度值与信噪比直接相关。本实施例中提取时域波形中每个波峰与相邻波谷的差值作为信号幅度，并对信号片段内的每个波的幅度求均值和方差，得到信号幅度均值和信号幅度方差作为信号质量度量的两个特征值。
3、信号时域波形上升沿和下降沿时间比值，根据心脏跳动规律，心脏收缩期和舒张期满足一定的规律，通常收缩期小于心脏舒张期，心脏收缩期对应PPG信号的下降沿，心脏舒张期对应PPG信号的上升沿，因此上升沿时间与下降沿时间比值通常大于1，且短时间内该比值基本恒定，因此如果该比值较稳定且大于1，则信号质量较好，反之较差。本实施例中，求出信号片段内每个波形上升沿时间和下降沿时间，并求出其比值，然后求出上升沿与下降沿比值的均值和上升沿与下降沿比值的方差作为信号质量度量的两个特征值。
5、自相关峰值幅度比值，求时域信号的自相关曲线，并检测出自相关曲线的最大峰值和第二大峰值，然后求出最大峰值幅度与第二大峰值幅度的比值，当信号周期性较好时，该比值接近于1，当信号周期性较差时，该比值大于1。本实施例中，将自相关峰值幅度比值作为信号质量度量的特征值。
6、频谱特征值，采用快速傅立叶变换(FFT)或线性调频Z变换(CZT)计算信号片段的频率幅度谱，该频率幅度谱在与心率对应的频率处存在一个峰值，且在该处存在一定的带宽，高质量PPG信号对应的频谱特点为峰值较高且较窄。本实施例中计算出峰值幅度值与频谱幅度均值的比值，称为频谱幅度比值，计算出峰值带宽，将频谱幅度比值和频谱峰值带宽作为信号质量度量的两个特征值。
综上可以获取PPG信号的8个特征值：波长方差，信号幅度均值，信号幅度方差，信号上升下降沿比值均值，信号上升下降沿比值方差，自相关峰值幅度比值，频谱幅度比值以及频谱峰值带宽，并用获取的8个特征值构成该PPG信号的特征向量。
若生物信号为其他信号，例如心电信号，则需要提取出不同的特征向量，即，需要计算出心电信号中能够有效表征信号质量的特征信息对应的特征值，并构成特征向量，例如有心电图QRS波宽度、心电图QRS波高度、心跳周期标准差等，具体计算方式在此不再赘述。因此，需要根据生物信号的不同选取不同的特征信息对应的特征值来构成特征向量。
本实施例中以生物信号为光电容积脉搏信号为例进行说明，质量评估模型的建立方法的具体流程如图1所示。
步骤101，获取生物信号的训练集，并按照预设的降维方式对训练集中的生物信号的特征向量进行降维处理，以得到N个降维后的特征向量。
具体而言，在建立生物信号的质量评估模型时，首先会从生物信号的数据集中获取生物信号的训练集。其中，生物信号的数据集一般随机分配为训练集与测试集，设数据集中的数据量为X、训练集中的数据量为XTrain、测试集中的数据量为XTest，那么XTrain+XTest＝X且较佳的，在随机分配数据集时，分配在训练集中的数据量XTrain一般会大于测试集中的数据量XTest。
生物信号的数据集需要满足以下三个条件：一是数据集中的数据均已标注，即，数据集中每个生物信号的信号质量指标都是已知的；二是数据集中的数据要求是完备的，即，数据集中包括了所有不同信号质量指标的数据。例如设定信号质量指标的范围为1～100，则该数据集中必须包括该范围内所有信号质量指标的生物信号，即，该数据集中包括了该范围内每个信号质量指标对应的生物信号(每个信号质量指标至少对应一个生物信号)，且不同信号质量指标的生物信号均匀分布(即每个信号质量指标所对应的生物信号的数量相等)；三是数据集中的生物信号需具有统一的格式，例如每个生物信号具有相同的增益、相同的长度、相同的基线等。
获取的训练集中的生物信号的特征向量包含多个维度的特征值，而获取多个维度的特征值中，可能会包含一些重复的或者相关度不高的特征值，会导致这些特征值中可能会存在信息冗余，过多的冗余信息会降低该特征向量表征生物信号的准确度，从而需要去除特征向量中的冗余信息。因此，按照预设的降维方式对训练集中的生物信号的特征向量进行降维处理，从而能够得到N个降维后的特征向量；其中，N为整数且N≥1。
步骤102，根据N个降维后的特征向量计算出N个质量评估模型。
具体而言，分别计算出N个降维后的特征向量对应的N个质量评估模型，具体的计算方法如下：
1、设计一个质量评估模型，本实施例中设计了一种基于线性回归的质量评估模型，其函数表达式为：f(vi)＝wT·vi+w0，其中w＝[w1,w2,…wK]T表示预设矩阵，vi表示训练集中第i个生物信号的特征向量的子集的转置矩阵，(·)T表示矩阵转置，w0表示预设常数。
需要说明的是，本实施例中只是示例性的提供了一种基于线性回归的质量评估模型，本实施例对此不作任何限制，也可采用其他模型，例如Logistics回归模型。
2、根据上述的基于线性回归的质量评估模型设计一种最优解计算函数。
本实施例中设计了基于最小均方误差的代价函数，其函数表达式为：
其中，Label(i)表示训练集中第i个生物信号对应的已知的信号质量指标，f(vi)为上述的基于线性回归的质量评估模型，P表示训练集中生物信号的数量。
需要说明的是，本实施例只是示例性的提供了一种最优解计算函数，本实施例对此不作任何限制，也可以采用其他最优解计算函数，例如，基于最小二乘法的代价函数。
3、求上述基于最小均方误差的代价函数的最优解，即，求得预设矩阵和预设系数，以获取质量评估模型。
基于最小均方误差的代价函数的最优解为其函数值最小时的解，即，基于最小均方误差的代价函数J取最小值时，求解出的预设矩阵w和预设常数w0。
将各个生物信号中对应相同的降维后的特征向量代入基于最小均方误差的代价函数，例如，生物信号为PPG信号，那么每个PPG信号的对应相同的降维后的特征向量为包含相同种型的特征值(比如都包含波长方差和信号幅度均值)。进一步求解该基于最小均方误差的代价函数，取基于最小均方误差的代价函数为最小值时求解出的预设矩阵w和预设常数w0，并将预设矩阵w和预设常数w0代入质量评估模型，从而可以获取N个降维后的特征向量对应的N个质量评估模型。
其中，求基于最小均方误差的代价函数的最优解方法一般有梯度下降法、牛顿迭代法、拟牛顿迭代法、共轭梯度法、启发式优化方法等，本实施例对此不作任何限制。
步骤103，从计算出的N个质量评估模型中选择至少一个作为生物信号的质量评估模型。
具体而言，从计算出的N个质量评估模型中选择至少一个作为生物信号的质量评估模型；若选择的质量评估模型为多个，在计算生物信号的信号质量指标时，可以计算在选择的各个质量评估模型下该生物信号的信号质量指标，然后求信号质量指标的均值作为最终的信号质量指标。
本申请实施例现对于现有技术而言，对训练集中的生物信号的特征向量进行降维处理，从而去除其中的冗余信息；继而根据N个降维处理后的特征向量计算出N个质量评估模型，并从中选择至少一个作为生物信号的质量评估模型，从而建立生物信号的质量评估模型，以在进行生物信号质量评估时，获取较为准确表征信号质量的信号质量指标。
本申请第二实施例涉及一种质量评估模型的建立方法，本实施例是对第一实施例的细化，主要细化之处在于：本实施例提供了两种具体的降维方式。
本实施例提供的第一种预设的降维方式为选择子集的降维方式，请参考图2，为本实施例中的选择子集的降维方式的质量评估模型的建立方法的具体流程图。
步骤201，获取生物信号的训练集，并按照预设的降维方式对训练集中的生物信号的特征向量进行降维处理，以得到N个降维后的特征向量。
具体而言，以选择子集的降维方式对训练集中的生物信号的特征向量进行降维处理，N个降维后的特征向量为训练集中的生物信号的特征向量的N个非空子集，且N＞1；当生物信号为PPG信号时，其特征向量中包含上述8个特征值，则PPG信号的特征向量的非空子集有28-1个，即，N＝28-1，对PPG信号的特征向量进行降维处理可以得到的降维后的特征向量有28-1个。
步骤202，根据N个降维后的特征向量计算出N个质量评估模型。
具体而言，以生物信号为PPG信号为例，对PPG信号的特征向量进行降维处理可以得到的降维后的特征向量有28-1个，则计算出的质量评估模型有28-1个，具体的计算方法在第一实施例步骤102中有详细描述，在此不再赘述。
步骤203，在从计算出的N个质量评估模型中选择至少一个作为生物信号的质量评估模型，具体包括：
子步骤2031，获取生物信号的测试集，并根据测试集评估计算出N个质量评估模型的准确度。
具体而言，准确度accuracy的计算公式为：
其中，|·|表示绝对值，accuracy(i)表示第i个质量评估模型的准确度，i∈[1，N]，LabelTest(k)表示测试集中第k个生物信号的已知的信号质量指标，k∈[1，M]，M表示测试集中生物信号的数量，LabelTestPredict(i,k)表示第k个生物信号根据第i个质量评估模型计算得到的信号质量指标。
本实施例中将测试集中M个生物信号的特征向量对应相同的子集代入与该子集对应的质量评估模型来计算该评估模型下的信号质量指标，将计算出来的信号质量指标和M个生物信号已知的信号质量指标代入上述准确度accuracy的计算公式，从而可以计算出该子集对应的质量评估模型的准确度。
综上，可以通过测试集计算出N个子集对应的质量评估模型的准确度。
子步骤2032，根据评估的准确度，从N个质量评估模型中选择至少一个作为生物信号的质量评估模型。
具体而言，根据步骤2031中计算出的N个子集对应的质量评估模型的准确度，从N个质量评估模型中选择一个或多个质量评估模型作为生物信号的质量评估模型，选择的方式有两种，具体如下：
第一种选择方式，首先分别判断N个质量评估模型的准确度是否大于预设的准确度阈值，根据子步骤2031中计算出的N个子集对应的质量评估模型的准确度，分别判断各个质量评估模型的准确度是否大于预设的准确度阈值，若判定质量评估模型的准确度大于预设的准确度阈值，则说明该质量评估模型满足准确度要求。
需要说明的是，本实施例对准确度阈值不作任何限制，可以根据对质量评估模型的准确度要求来设定。
然后，从准确度大于准确度阈值的质量评估模型中选取准确度最高的质量评估模型作为生物信号的质量评估模型，若准确度最高的质量评估模型存在不止一个，则可以选取多个准确度最高的质量评估模型，在计算生物信号的信号质量指标时，可以计算该生物信号在选择的各个质量评估模型下的信号质量指标，然后求均值作为最终的信号质量指标。其中，在对质量评估模型的准确度进行判断时，由于准确度阈值可以自由设定，从而确保了获取的质量评估模型可以满足不同的准确度要求。
第二种选择方式，将N个质量评估模型中准确度最高的质量评估模型作为生物信号的质量评估模型。其中，若选择的质量评估模型数量大于一个，在计算生物信号的信号质量指标时，可以计算该生物信号在选择的各个质量评估模型下的信号质量指标，然后求均值作为最终的信号质量指标，从而能够在进行生物信号质量评估时，获取能够准确表征信号质量的信号质量指标。
本实施例提供的第二种预设的降维方式为主成分分析的降维方式或者独立成分分析的降维方式，本实施例的质量评估模型的建立方法的具体流程请参考图1。
步骤101，获取生物信号的训练集，并按照预设的降维方式对训练集中的生物信号的特征向量进行降维处理，以得到N个降维后的特征向量。
具体而言，以主成分分析或独立成分分析的降维方式可以得到1个降维后的特征向量，即N＝1。
下面以生物信号为PPG信号，预设的降维方式为主成分分析的降维方式为例进行说明：PPG信号的特征向量中包含上述8个特征值，在对其进行主成分分析时，可以得到8个成分，每个成分对应一个信息重要程度，选择主成分前会设定一阈值，然后选择信息重要程度之和大于阈值的前几个成分作为主成分，继而可以获得1个特征向量，并以该特征向量作为降维后的特征向量。例如，第一成分的信息重要程度为0.8，第二成分的信息重要程度为0.11，第三成分的信息重要程度为0.05，…，设定的阈值为0.95，前三个成分的信息重要程度之和大于0.95，满足预设条件，则最终选择前3个成分作为主成分，并根据这3个主成分获得1个特征向量。
步骤102，根据N个降维后的特征向量计算出N个质量评估模型。
具体而言，由于获取的的特征向量为1个，则可以计算出1个质量评估模型，具体的计算过程在第一实施例的步骤102中有详细描述，在此不再赘述。
步骤103，从计算出的N个质量评估模型中选择至少一个作为生物信号的质量评估模型。
具体而言，将上述步骤102中计算出的1个质量评估模型作为生物信号的质量评估模型。较佳的，在将计算出的1个质量评估模型作为生物信号的质量评估模型之前，可以利用测试集评估该质量评估模型的准确度，准确度accuracy的计算公式在本实施例中的子步骤2031中有具体介绍，在此不再赘述；然后判断该质量评估模型的准确度是否大于预设的准确度阈值，若准确度大于预设的准确度阈值，则说明可以将该质量评估模型作为生物信号的质量评估模型；否则，则说明需要更换降维方式，例如独立成分分析的降维方式，重新计算质量评估模型，然本实施例对此不作任何限制。
本实施例相对于第一实施例而言，提供了两种具体的降维方式以及在两种降维方式下获取生物信号的质量评估模型的方法。
本申请第三实施例涉及一种质量评估方法，应用于穿戴设备，例如带有生物传感器的耳机、手环等，其中，生物信号可以是光电容积脉搏(PPG)信号、心电信号等。
本实施例的质量评估方法的具体流程如图3所示。
步骤301，获取待评估的生物信号的质量评估模型。
具体而言，生物信号的质量评估模型可以根据第一实施例或第二实施例的生物信号的质量评估模型的建立方法建立得到。
步骤302，获取待评估的生物信号的特征向量。
具体而言，穿戴设备中设置有生物传感器，可以采集生物体的待评估的生物信号，通过计算待评估的生物信号的多个维度的特征值，并用计算得到的特征值构成该生物信号的特征向量。
步骤303，按照预设的降维方式对待评估的生物信号的特征向量进行降维处理，以获得与上述质量评估模型相对应的特征向量。
具体而言，获取的待评估的生物信号的特征向量中包含多个维度的特征值，由于获取多个维度的特征值中，可能会包含一些重复的或者相关度不高的特征值，导致这些特征值中可能会存在信息冗余，过多的冗余信息会降低该特征向量表征生物信号的准确度，从而需要去除特征向量中的冗余信息，即需要对特征向量进行降维处理。
按照预设的降维方式对待评估的生物信号的特征向量进行降维处理，即，选择与建立质量评估模型时相同的降维方式对待评估的生物信号的特征向量进行降维处理，例如，若建立质量评估模型时采用的降维方式为选择子集的降维方式，那么这里也要用选择子集的降维方式对待评估的生物信号的特征向量进行降维处理，使能获取与生物信号的质量评估模型相对应的特征向量。
步骤304，将与上述质量评估模型相对应的特征向量代入上述质量评估模型，计算得到待评估的生物信号的信号质量指标。
具体而言，由于获取的特征向量是与生物信号的质量评估模型相对应的，因此，将该特征向量代入上述质量评估模型，便可以计算得到待评估的生物信号的信号质量指标。
以第一实施例中的建立的生物信号的质量评估模型为例，将降维后的特征向量代入生物信号的质量评估模型f(vi)＝wT·vi+w0，其中vi可以表示降维后的特征向量，预设矩阵w和预设常数w0为已知，从而可以计算出生物信号的信号质量指标。
本实施例相对于现有技术而言，对训练集中的生物信号的特征向量进行降维处理，从而去除其中的冗余信息；继而根据N个降维处理后的特征向量计算出N个质量评估模型，并从中选择至少一个作为生物信号的质量评估模型，从而建立生物信号的质量评估模型，以在进行生物信号质量评估时，获取较为准确表征信号质量的信号质量指标。
本申请第四实施例涉及一种质量评估模型的建立模块，应用于建立一种能够较为准确的对生物信号的信号质量进行判断的模型。其中，生物信号可以是光电容积脉搏(PPG)信号、心电信号等。本实施例的质量评估模型的建立模块的方框示意图如图4所示，质量评估模型的建立模块1包括降维处理子模块11、模型获取子模块12以及模型选择子模块13。
降维处理子模块11，用于获取生物信号的训练集，并按照预设的降维方式对训练集中的生物信号的特征向量进行降维处理，以得到N个降维后的特征向量。其中，N为整数且N≥1；其中，生物信号的特征向量包括该生物信号的多个维度的特征值。
模型获取子模块12，用于根据N个降维后的特征向量计算出N个质量评估模型。
模型选择子模块13，用于从计算出的N个质量评估模型中选择至少一个作为生物信号的质量评估模型。
不难发现，本实施例为与第一实施例相对应的装置实施例，本实施例可与第一实施例互相配合实施。第一实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在第一实施例中。
本实施例相对于现有技术而言，对训练集中的生物信号的特征向量进行降维处理，从而去除其中的冗余信息；继而根据N个降维处理后的特征向量计算出N个质量评估模型，并从中选择至少一个作为生物信号的质量评估模型，从而建立生物信号的质量评估模型，以在进行生物信号质量评估时，获取较为准确表征信号质量的信号质量指标。
本申请第五实施例涉及一种质量评估模型的建立模块，本实施例是对第四实施例的细化，主要细化之处在于：本实施例中对降维处理子模块11和模型选择子模块13进行了详细的介绍。
本实施例中降维处理子模块11的预设的降维方式有两种：第一种预设的降维方式为选择子集的降维方式，N个降维后的特征向量为训练集中的生物信号的特征向量的N个非空子集，N>1；第二种预设的降维方式为主成分分析的降维方式或者独立成分分析的降维方式，此时，N＝1，即，只有1个降维后的特征向量，下面进行具体的介绍。
当预设的降维方式为选择子集的降维方式时，请参考图5，模型选择子模块13包括模型评估单元131与模型选取单元132。
模型评估单元131用于根据测试集评估N个质量评估模型的准确度。
其中，准确度accuracy的计算公式为：
|·|表示绝对值，accuracy(i)表示第i个质量评估模型的准确度，i∈[1，N]，LabelTest(k)表示测试集中第k个生物信号的已知的信号质量指标，k∈[1，M]，M表示测试集中生物信号的数量，LabelTestpredict(i,k)表示第k个生物信号根据第i个质量评估模型计算得到的信号质量指标。
模型选取单元132用于根据评估的准确度，从N个质量评估模型中选择至少一个作为生物信号的质量评估模型。
其中，模型选取单元132选择生物信号的质量评估模型的方式有两种：
第一种选择方式:模型选取单元132包括判断子单元与选取子单元；判断子单元用于在模型评估单元131根据测试集评估计算出N个质量评估模型的准确度后，分别判断N个质量评估模型的准确度是否大于预设的准确度阈值。选取子单元用于从准确度大于准确度阈值的质量评估模型中选取准确度最高的质量评估模型作为生物信号的质量评估模型。其中，由于准确度阈值可以自由设定，从而确保了获取的质量评估模型可以满足不同的准确度要求。
第二种选择方式，模型选取单元132将N个质量评估模型中准确度最高的质量评估模型作为生物信号的质量评估模型。其中，若选择的质量评估模型数量大于一个，在计算生物信号的信号质量指标时，可以计算该生物信号在选择的各个质量评估模型下的信号质量指标，然后求均值作为最终的信号质量指标，从而能够在进行生物信号质量评估时，获取能够准确表征信号质量的信号质量指标。
当预设的降维方式为主成分分析的降维方式或者独立成分分析的降维方式时，模型选择子模块13将计算出的1个质量评估模型作为该生物信号的质量评估模型。
由于第二实施例与本实施例相互对应，因此本实施例可与第二实施例互相配合实施。第二实施例中提到的相关技术细节在本实施例中依然有效，在第二实施例中所能达到的技术效果在本实施例中也同样可以实现，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在第二实施例中。
本实施例相对于第四实施例而言，提供了两种具体的降维方式以及在两种降维方式下获取生物信号的质量评估模型的方法。
本申请第六实施例涉及一种质量评估装置，应用于穿戴设备，例如带有生物传感器的耳机、手环等，其中，生物信号可以是光电容积脉搏(PPG)信号、心电信号等。本实施例的质量评估装置的方框示意图如图6所示，生物信号的质量评估装置包括模型获取模块2、特征向量获取模块3、降维模块4以及信号质量指标计算模块5。
模型获取模块2用于获取待评估的生物信号的质量评估模型；其中，生物信号的质量评估模型由第四实施例或五实施例的生物信号的质量评估模型的建立模块1建立得到。
特征向量获取模块3用于获取待评估的生物信号的特征向量。
降维模块4用于按照预设的降维方式对待评估的生物信号的特征向量进行降维处理，以获得与上述质量评估模型相对应的特征向量。
信号质量指标计算模块5用于将与上述质量评估模型相对应的特征向量代入上述质量评估模型，计算得到待评估的生物信号的信号质量指标。
需要说明的是，在进行生物信号的质量评估之前，质量评估模型的建立模块1可以预先建立生物信号的质量评估模型，并将其预存在模型获取模块2中，而无需每次进行质量评估时都要重新建立生物信号的质量评估模型，然不限于此，还可以是质量评估模型的建立模块1在每次进行质量评估时都重新建立生物信号的质量评估模型，模型获取模块2在每次进行质量评估时从质量评估模型的建立模块1中获取生物信号的质量评估模型，然本实施例对此不作任何限制。
由于第三实施例与本实施例相互对应，因此本实施例可与第三实施例互相配合实施。第三实施例中提到的相关技术细节在本实施例中依然有效，在第三实施例中所能达到的技术效果在本实施例中也同样可以实现，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在第三实施例中。
本实施例相对于现有技术而言，对训练集中的生物信号的特征向量进行降维处理，从而去除其中的冗余信息；继而根据N个降维处理后的特征向量计算出N个质量评估模型，并从中选择至少一个作为生物信号的质量评估模型，从而建立生物信号的质量评估模型，以在进行生物信号质量评估时，获取较为准确表征信号质量的信号质量指标。
本申请第七实施例涉及一种穿戴设备，例如为手环、耳机等。本实施例的穿戴设备的方框示意图如图7所示，穿戴设备包括生物传感器6、存储器7以及连接于生物传感器6与存储器7的处理器8。
生物传感器6用于获取待评估的生物信号。
存储器7用于储存多条指令。
处理器8用于加载多条指令并执行第六实施例的质量评估装置的功能；存储器7还可以用于存储处理器8执行质量评估装置的功能计算得到的待评估的生物信号的信号质量指标。
本实施相对于现有技术而言，提供了一种在进行生物信号质量评估时，能够获取生物信号的信号质量指标的穿戴设备。
本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (11)

1.一种质量评估模型的建立方法，其特征在于，包括：
获取生物信号的训练集，并按照预设的降维方式对所述训练集中的生物信号的特征向量进行降维处理，以得到N个降维后的特征向量；其中，N为整数且N＞1；所述生物信号的特征向量包括生物信号的多个维度的特征值，所述生物信号包括光电容积脉搏信号，所述光电容积脉搏信号的特征向量包括时域波形维度、信号频谱维度和信号自相关维度的特征值；
根据所述N个降维后的特征向量分别计算出N个质量评估模型；
从计算出的所述N个质量评估模型中选择至少一个作为所述生物信号的质量评估模型；
所述根据所述N个降维后的特征向量分别计算出N个质量评估模型，具体包括：
预先设置包含预设矩阵、预设系数的初始化的质量评估模型；
根据所述初始化的质量评估模型设计最优解计算函数；
将所述N个降维后的特征向量分别代入所述最优解计算函数，获取所述最优解计算函数为最优解时求解出的N组所述预设矩阵和所述预设系数；
将N组所述预设矩阵和所述预设系数分别代入所述初始化的质量评估模型，获取所述N个降维后的特征向量对应的所述N个质量评估模型；
所述预设的降维方式为选择子集的降维方式；所述N个降维后的特征向量为所述训练集中的生物信号的特征向量的N个非空子集；
所述从计算出的所述N个质量评估模型中选择至少一个作为所述生物信号的质量评估模型，具体包括：
获取生物信号的测试集，并根据所述测试集评估计算出所述N个质量评估模型的准确度；
根据评估的所述准确度，从所述N个质量评估模型中选择至少一个作为所述生物信号的质量评估模型。
2.如权利要求1所述的方法，其特征在于，所述根据评估的所述准确度，从所述N个质量评估模型中选择至少一个作为所述生物信号的质量评估模型，具体包括：
分别判断所述N个质量评估模型的准确度是否大于预设的准确度阈值；
从准确度大于所述准确度阈值的质量评估模型中选取准确度最高的质量评估模型作为所述生物信号的质量评估模型。
3.如权利要求1所述的方法，其特征在于，所述根据评估的所述准确度，从所述N个质量评估模型中选择至少一个作为所述生物信号的质量评估模型，具体为：
将所述N个质量评估模型中准确度最高的质量评估模型作为所述生物信号的质量评估模型。
4.如权利要求1所述的方法，其特征在于，所述准确度accuracy的计算公式为：
其中，|·|表示绝对值，accuracy(i)表示第i个所述质量评估模型的准确度，i∈[1，N]，LabelTest(k)表示所述测试集中第k个生物信号的已知的信号质量指标，k∈[1，M]，M表示所述测试集中生物信号的数量，LabelTestPredict(i,k)表示第k个生物信号根据第i个所述质量评估模型计算得到的信号质量指标。
5.一种质量评估方法，其特征在于，包括：
获取待评估的生物信号的质量评估模型；其中，所述质量评估模型根据权利要求1至4中任一项的所述质量评估模型的建立方法建立得到；
获取待评估的生物信号的特征向量；所述生物信号的特征向量包括生物信号的多个维度的特征值，其中若所述生物信号为光电容积脉搏信号，所述特征向量包括时域波形维度、信号频谱维度和信号自相关维度的特征值；
按照所述预设的降维方式对所述待评估的生物信号的特征向量进行降维处理，以获得与所述质量评估模型相对应的特征向量；
将与所述质量评估模型相对应的特征向量代入所述质量评估模型，计算得到所述待评估的生物信号的信号质量指标。
6.一种质量评估模型的建立模块，其特征在于，包括：
降维处理子模块，用于获取生物信号的训练集，并按照预设的降维方式对所述训练集中的生物信号的特征向量进行降维处理，以得到N个降维后的特征向量；其中，N为整数且N＞1，所述生物信号的特征向量包括生物信号的多个维度的特征值，所述生物信号包括光电容积脉搏信号，所述光电容积脉搏信号的特征向量包括时域波形维度、信号频谱维度和信号自相关维度的特征值；
模型获取子模块，用于根据所述N个降维后的特征向量分别计算出N个质量评估模型；所述根据所述N个降维后的特征向量分别计算出N个质量评估模型，具体包括：预先设置包含预设矩阵、预设系数的初始化的质量评估模型；根据所述初始化的质量评估模型设计最优解计算函数；将所述N个降维后的特征向量分别代入所述最优解计算函数，获取所述最优解计算函数为最优解时求解出的N组所述预设矩阵和所述预设系数；将N组所述预设矩阵和所述预设系数分别代入所述初始化的质量评估模型，获取所述N个降维后的特征向量对应的所述N个质量评估模型；
模型选择子模块，用于从计算出的所述N个质量评估模型中选择至少一个作为所述生物信号的质量评估模型；
所述预设的降维方式为选择子集的降维方式；所述N个降维后的特征向量为所述训练集中的生物信号的特征向量的N个非空子集；
所述模型选择子模块具体包括：
模型评估单元，用于获取生物信号的测试集，并根据所述测试集评估计算出的所述N个质量评估模型的准确度；
模型选取单元，用于根据评估的所述准确度，从所述N个质量评估模型中选择至少一个作为所述生物信号的质量评估模型。
7.如权利要求6所述的模块，其特征在于，所述模型选取单元具体包括：
判断子单元，用于在所述模型评估单元根据所述测试集评估计算出的所述N个质量评估模型的准确度后，分别判断所述N个质量评估模型的准确度是否大于预设的准确度阈值；
选取子单元，用于从准确度大于所述准确度阈值的质量评估模型中选取准确度最高的质量评估模型作为所述生物信号的质量评估模型。
8.如权利要求6所述的模块，其特征在于，所述模型选取单元用于将所述N个质量评估模型中准确度最高的质量评估模型作为所述生物信号的质量评估模型。
9.如权利要求6所述的模块，其特征在于，所述准确度accuracy的计算公式为：
其中，|·|表示绝对值，accuracy(i)表示第i个所述质量评估模型的准确度，i∈[1，N]，LabelTest(k)表示所述测试集中第k个生物信号的已知的信号质量指标，k∈[1，M]，M表示所述测试集中生物信号的数量，LabelTestPredict(i,k)表示第k个生物信号根据第i个所述质量评估模型计算得到的信号质量指标。
10.一种质量评估装置，其特征在于，包括：
模型获取模块，用于获取待评估的生物信号的质量评估模型；其中，所述质量评估模型由权利要求6至9任一项所述的质量评估模型的建立模块建立得到；
特征向量获取模块，用于获取待评估的生物信号的特征向量；所述生物信号的特征向量包括生物信号的多个维度的特征值，其中若所述生物信号为光电容积脉搏信号，所述特征向量包括时域波形维度、信号频谱维度和信号自相关维度的特征值；
降维模块，用于按照所述预设的降维方式对所述待评估的生物信号的特征向量进行降维处理，以获得与所述质量评估模型相对应的特征向量；
信号质量指标计算模块，用于将与所述质量评估模型相对应的特征向量代入所述质量评估模型，计算得到所述待评估的生物信号的信号质量指标。
11.一种穿戴设备，其特征在于，生物传感器、存储器以及连接于所述生物传感器与所述存储器的处理器；
所述生物传感器用于获取所述待评估的生物信号；
所述存储器用于储存多条指令；
所述处理器用于加载所述多条指令并执行权利要求10所述的质量评估装置的功能。
CN201780000632.XA 2017-07-03 2017-07-03 质量评估方法及装置、模型建立方法及模块、穿戴设备 Active CN109643579B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/091568 WO2019006631A1 (zh) 2017-07-03 2017-07-03 质量评估方法及装置、模型建立方法及模块、穿戴设备

Publications (2)

Publication Number Publication Date
CN109643579A CN109643579A (zh) 2019-04-16
CN109643579B true CN109643579B (zh) 2023-08-11

Family

ID=64949575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780000632.XA Active CN109643579B (zh) 2017-07-03 2017-07-03 质量评估方法及装置、模型建立方法及模块、穿戴设备

Country Status (2)

Country Link
CN (1) CN109643579B (zh)
WO (1) WO2019006631A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112869752B (zh) * 2021-02-10 2022-02-01 武汉大学 一种心电信号采集装置及质量等级评估和qrs波检测方法
KR102517417B1 (ko) * 2021-07-09 2023-04-03 주식회사 다이브 반도체용 동박의 제조방법 및 이를 이용한 반도체용 동박
CN115736937A (zh) * 2021-09-02 2023-03-07 广州视源电子科技股份有限公司 一种心电信号去噪方法、装置、电子设备及存储介质
CN114052677B (zh) * 2021-11-19 2023-07-21 武汉联影智融医疗科技有限公司 脉搏波节拍质量评估方法、装置、计算机设备和存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710392A (zh) * 2009-12-11 2010-05-19 西安电子科技大学 基于可变边界支撑向量机的重要信息获取方法
CN102096680A (zh) * 2009-12-15 2011-06-15 北京大学 信息有效性分析的方法和装置
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
CN103475898A (zh) * 2013-09-16 2013-12-25 北京理工大学 一种基于信息熵特征的无参考图像质量评价方法
CN104102915A (zh) * 2014-07-01 2014-10-15 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
CN104361345A (zh) * 2014-10-10 2015-02-18 北京工业大学 基于约束极速学习机的脑电信号分类方法
CN104794505A (zh) * 2015-04-28 2015-07-22 上海大学 一种多通道的脑电信号数据融合降维方法
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
CN105943012A (zh) * 2016-04-30 2016-09-21 浙江师范大学 一种去除光电容积脉搏波信号中运动噪声的心率测量方法
CN106137226A (zh) * 2016-07-29 2016-11-23 华南理工大学 一种基于心源性呼吸信号的精神压力评估方法
CN106295144A (zh) * 2016-07-29 2017-01-04 广州天健软件有限公司 一种医疗数据采集质量控制方法
CN106580282A (zh) * 2016-10-25 2017-04-26 上海斐讯数据通信技术有限公司 一种人体健康监测装置、系统及方法
CN106659404A (zh) * 2015-05-27 2017-05-10 华为技术有限公司 连续血压测量方法、装置和设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609690A (zh) * 2012-02-09 2012-07-25 北京海和鑫生信息科学研究所有限公司 活体采集下半掌纹质量评估方法
CN103310142B (zh) * 2013-05-22 2015-10-07 复旦大学 基于可穿戴设备的人机融合安全认证方法
EP2829223B1 (en) * 2013-07-26 2019-06-12 Tata Consultancy Services Limited Monitoring physiological parameters
JP2016536044A (ja) * 2013-10-09 2016-11-24 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． マルチチャネルｅｃｇ信号の評価装置及び方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710392A (zh) * 2009-12-11 2010-05-19 西安电子科技大学 基于可变边界支撑向量机的重要信息获取方法
CN102096680A (zh) * 2009-12-15 2011-06-15 北京大学 信息有效性分析的方法和装置
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
CN103475898A (zh) * 2013-09-16 2013-12-25 北京理工大学 一种基于信息熵特征的无参考图像质量评价方法
CN104102915A (zh) * 2014-07-01 2014-10-15 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
CN104361345A (zh) * 2014-10-10 2015-02-18 北京工业大学 基于约束极速学习机的脑电信号分类方法
CN104794505A (zh) * 2015-04-28 2015-07-22 上海大学 一种多通道的脑电信号数据融合降维方法
CN106659404A (zh) * 2015-05-27 2017-05-10 华为技术有限公司 连续血压测量方法、装置和设备
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
CN105943012A (zh) * 2016-04-30 2016-09-21 浙江师范大学 一种去除光电容积脉搏波信号中运动噪声的心率测量方法
CN106137226A (zh) * 2016-07-29 2016-11-23 华南理工大学 一种基于心源性呼吸信号的精神压力评估方法
CN106295144A (zh) * 2016-07-29 2017-01-04 广州天健软件有限公司 一种医疗数据采集质量控制方法
CN106580282A (zh) * 2016-10-25 2017-04-26 上海斐讯数据通信技术有限公司 一种人体健康监测装置、系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Improved signal quality indication for photoplethysmographic signals incorporating motion artifact detection;M. Pflugradt,et al.;《IEEE》;1872-1875 *

Also Published As

Publication number Publication date
CN109643579A (zh) 2019-04-16
WO2019006631A1 (zh) 2019-01-10

Similar Documents

Publication Publication Date Title
CN102429649B (zh) 连续血压测量装置
CN102397064B (zh) 连续血压测量装置
CN109643579B (zh) 质量评估方法及装置、模型建立方法及模块、穿戴设备
CN102488503B (zh) 连续血压测量装置
Mühlsteff et al. Cuffless estimation of systolic blood pressure for short effort bicycle tests: the prominent role of the pre-ejection period
Bolanos et al. Comparison of heart rate variability signal features derived from electrocardiography and photoplethysmography in healthy individuals
CN109069031B (zh) 用于确定对象血压的设备和方法
CN103385702B (zh) 一种无创血压连续检测装置及方法
JP5984088B2 (ja) 非侵襲的連続血圧モニタリング方法及び装置
US20150351646A1 (en) Method for the estimation of the heart-rate and corresponding system
US20170360314A1 (en) Method, apparatus and computer program for determining a blood pressure value
Jarchi et al. Estimation of HRV and SpO2 from wrist-worn commercial sensors for clinical settings
KR20050005661A (ko) 맥박 산소포화도 측정 장치 및 방법
JP2001517128A (ja) 血液成分値の最良な評価を得るために調停し，高調波を除去するための方法および装置
US20130184595A1 (en) Methods and apparatus for determining arterial pulse wave velocity
US10470717B2 (en) Pulse validation
Chan et al. Automatic detection of left ventricular ejection time from a finger photoplethysmographic pulse oximetry waveform: comparison with Doppler aortic measurement
KR20200021208A (ko) 혈압 추정 장치 및 방법
CN115251866A (zh) 一种采用毫米波雷达的连续血压检测方法、检测系统及可穿戴装置
KR20190043453A (ko) 혈압 추정 장치 및 방법
Xing et al. Blood pressure assessment with in-ear photoplethysmography
EP3610787B1 (en) Wearable device, and method and apparatus for eliminating exercise interference
Menolotto et al. Towards the development of a wearable electrical impedance tomography system: A study about the suitability of a low power bioimpedance front-end
Manamperi et al. A robust neural network-based method to estimate arterial blood pressure using photoplethysmography
RU2559940C2 (ru) Способ дистанционного контроля параметров сердечной деятельности организма

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