CN110367986A - 基于ewt的呼吸信号近似熵特征提取方法 - Google Patents
基于ewt的呼吸信号近似熵特征提取方法 Download PDFInfo
- Publication number
- CN110367986A CN110367986A CN201910554789.8A CN201910554789A CN110367986A CN 110367986 A CN110367986 A CN 110367986A CN 201910554789 A CN201910554789 A CN 201910554789A CN 110367986 A CN110367986 A CN 110367986A
- Authority
- CN
- China
- Prior art keywords
- signal
- breathing
- ewt
- approximate entropy
- envelope signal
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- Power Engineering (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于EWT的呼吸信号近似熵特征提取方法,包括以下步骤:利用音频设备采集不同测试者模拟的不同的呼吸音频信号;对采集到的呼吸音频信号均进行分帧、加窗及降噪处理,之后提取其呼吸包络信号;对呼吸包络信号进行EWT分解,并根据信号能量大小对分解后的多个模式分量进行排序;针对每个模式分量,求取其近似熵值。本发明方法简单、成本低,不仅可以避免传感器与人体直接接触引起的不适,而且利用时频域呼吸信号的特点,能更好的表征呼吸信号的复杂性和规律性特征,进而有效提取不同呼吸信号的特征。
Description
技术领域
本发明属于音频检测识别领域,特别是一种基于EWT的呼吸信号近似熵特征提取方法。
背景技术
现在常见的呼吸特征提取方法大多为在时域上、频域上或小波域上进行特征提取的方法,如提取短时过零率、短时能量、频率的高低、小波系数的能量来表征不同呼吸信号的特点。
时域分析无法得到呼吸信号频率上的成分构成,呼吸信号是一种非平稳信号,对于短时傅里叶变换得到的频域上的特征,虽然可以表示出短时间内的频谱分量,但存在窗函数长度的选取问题,窗太短,会导致频率分析不够精准,频率分辨率差;窗太宽,时域上又不够精细,时间分辨率低。而单纯的小波分解只对信号的低频部分做进一步分解,而对高频部分即信号的细节部分不再继续分解,所以小波变换能够很好地表征一大类以低频信息为主要成分的信号,但它不能很好地分解和表示包含大量细节信息(细小边缘或纹理)的信号。
发明内容
本发明的目的在于提供一种成本低、简单有效、准确度高的表征呼吸信号特点的特征提取方法。
实现本发明目的的技术解决方案为:基于EWT的呼吸信号近似熵特征提取方法,包括以下步骤:
步骤1、利用音频设备采集不同测试者模拟的不同的呼吸音频信号;
步骤2、对步骤1采集到的呼吸音频信号均进行分帧、加窗及降噪处理,之后提取其呼吸包络信号;
步骤3、对步骤2中的呼吸包络信号进行EWT分解,并根据信号能量大小对分解后的多个模式分量进行排序;
步骤4、针对每个模式分量,求取其近似熵值。
本发明与现有技术相比,其显著优点为:1)利用音频设备实现呼吸特征提取,与传统的呼吸特征提取方法相比,能减少人体的不适感,并且可以克服很多环境的局限性;2)利用EWT分解方法将呼吸包络信号进行分解,该方法不仅继承了EMD方法的优点,将信号分解为不同模态分量,还根据信号频谱特点自适应的分割傅里叶频谱,对信号的高频和低频部分都能进行有效分解,且能防止EMD中虚假模态分量的产生;该方法还继承了小波分解的优点,具有多尺度分辨率,能更好的体现呼吸信号这种非平稳信号的特征;3)对分解后的每个模式分量进行近似熵计算,可以体现每个模式时间序列上的复杂程度以及模式的规律性;4)方法简单有效,设备简单易实现,成本低,易操作,性能可靠。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于EWT的呼吸信号近似熵特征提取方法流程图。
图2为本发明实施例中呼吸信号A的呼吸包络信号的时域波形图。
图3为本发明实施例中呼吸信号A的呼吸信号的频谱划分图。
图4为本发明实施例中呼吸信号A的EWT分解结果示意图,其中图(a)为模式能量降序排序后的前6个模式分量示意图,(b)为模式能量降序排序后的后6个模式分量示意图。
图5为本发明实施例中呼吸信号B的呼吸包络信号的时域波形图。
图6为本发明实施例中呼吸信号B的呼吸信号的频谱划分图。
图7为本发明实施例中呼吸信号B的EWT分解结果示意图,其中图(a)为模式能量降序排序后的前6个模式分量示意图,(b)为模式能量降序排序后的后6个模式分量示意图。
具体实施方式
结合图1,本发明基于EWT的呼吸信号近似熵特征提取方法,包括以下步骤:
步骤1、利用音频设备采集不同测试者模拟的不同的呼吸音频信号;
步骤2、对步骤1采集到的呼吸音频信号均进行分帧、加窗及降噪处理,之后提取其呼吸包络信号;
步骤3、对步骤2中的呼吸包络信号进行EWT分解,并根据信号能量大小对分解后的多个模式分量进行排序;
步骤4、针对每个模式分量,求取其近似熵值。
示例性优选地,步骤2具体采用维纳滤波法对呼吸音频信号进行降噪处理。
示例性优选地,步骤2具体采用希尔伯特变换算法提取呼吸包络信号fB(t)。
进一步地,步骤2提取呼吸包络信号fB(t)之后,还包括:对呼吸包络信号fB(t)进行降采样处理。
进一步地,步骤3对步骤2中的呼吸包络信号进行EWT分解,并根据信号能量大小对分解后的多个模式分量进行排序,具体为:
步骤3-1、对呼吸包络信号fB(t)进行模式数量为N的EWT分解,获得N个模式分量;具体为:
步骤3-1-1、对呼吸包络信号fB(t)进行傅里叶变换获得傅里叶频谱F(f);
步骤3-1-2、将傅里叶频谱F(f)的频率范围ω∈(0,π)划分为N个频谱分区(由于呼吸包络信号为实信号,频谱关于频率ω=0对称,因此研究的频率范围是ω∈(0,π)),具体为:
步骤3-1-2A、检测频谱F(f)中的极大值点(包括边界0和π),共获得M个极大值点,并对M个极大值点进行降序排列;
步骤3-1-2B、确定N个频谱分区的N-1个边界,包括两种情况:
(1)若M≥N,将前N-1个极大值点对应的频率作为N-1个边界;
(2)若M<N,令N=M+1,将M个极大值点对应的频率作为N-1个边界;
步骤3-1-3、求取N个模式分量,具体为:
步骤3-1-3A、(1)通过经验小波母函数ψn(t)与呼吸包络信号fB(t)的内积获得经验小波变换的细节系数
式中,n为分解的模式分量索引数,n=1~N,t为呼吸包络信号频谱的序列点数,为ψn(t)的复共轭;为ψn(t)的傅里叶变换,fB(ω)为fB(t)的傅里叶变换,F-1表示傅里叶逆变换;
其中,
式中,ωn是表示每个分区之间的分界带宽,2τn表示边界过渡段的宽度;
其中,β(*)为一个任意的Ck([0,1])函数,满足以下条件:
(2)通过尺度函数φ1(t)与呼吸包络信号fB(t)的内积获得经验小波变换的近似系数
式中,为φ1(t)的复共轭,为φ1(t)的傅里叶变换,由获得;
其中,
步骤3-1-3B、根据上述获得呼吸包络信号fB(t)的经验小波变换为:
则对该式求解后获得模式分量fn为:
步骤3-2、针对步骤3-1中求得的模式分量,计算其信号能量,并根据信号能量对模式分量进行降序排列。
进一步优选地,N=12,即EWT分解获得12个能体现不同呼吸模式区别的模式分量,其中,信号能量排序前四的模式分量分别代表呼吸模式物理意义的信息:呼吸频率,直流分量,呼气频率、吸气频率。
进一步地,步骤4求取每个模式分量的近似熵值,具体为:
步骤4-1、将呼吸音频包络信号fB(t)通过EWT分解并排序后的模式分量的时间序列zn(n'),1≤n≤N,1≤n'≤N'重构为m维相空间Zn(i),1≤i≤N'-(m-1),n'为每个模式分量的时间序列点数序号,N'为每个模式分量时间序号的总点数;
定义相空间中任意两矢量Zn(j)与Zn(i)的距离dij为:
dij=max|Zn(i+l)-Zn(j+l)|,1≤l≤m-1;1≤i,j≤N'-m+1,i≠j
式中,l为m维相空间的索引序号,i,j分别为相空间中任意两矢量的时间序列点数序号;
步骤4-2、给定容限r,对相空间中每一个矢量Zn(i)进行模板匹配:
式中,r的取值通常为r=a3×SD,a3=0.1~0.25,其中SD为呼吸模式分量fn的标准差;
步骤4-3、对取对数,并对i求平均值,记为φm(r):
步骤4-4、维数m加1,重复步骤4-1到4-3,获得φm+1(r);
步骤4-5、结合φm(r)和φm+1(r),求取模式分量的近似熵ApEnn(m,r)为:
实际N'为有限值,则:
ApEnn(m,r)=φm(r)-φm+1(r)。
示例性优选地,步骤4-1中m=2。
后续可利用本发明提取的近似熵特征结合分类器等对呼吸信号进行正常异常分类,分类准确率高。
下面结合具体实施例对本发明作进一步详细的描述。
实施例
本实施例基于EWT的呼吸信号的近似熵特征提取方法,包括以下内容:
1、利用音频设备采集不同测试者模拟的呼吸音频信号:呼吸信号A和呼吸信号B;
2、对上述1中采集到的呼吸信号A和B的音频信号进行帧长为20ms,帧移10ms的分帧处理,然后采用汉明窗加窗来避免其频谱泄露,并采用维纳滤波方法进行降噪处理,之后采用希尔伯特变换提取呼吸包络信号,呼吸信号A提取后的呼吸波形如图2所示,呼吸信号B提取后的呼吸波形如图5所示,并对信号做160倍的降采样处理保留呼吸音频信号的低频信息。
3、对上述2中的呼吸信号A和呼吸信号B的呼吸包络信号进行EWT分解,并将分解后的多个模式分量按照信号能量大小进行排序,具体为:
3-1、对呼吸包络信号进行模式数量N=12的EWT分解,获得呼吸信号A的包络信号的频谱划分图如图3所示,呼吸信号B的包络信号的频谱划分图如图6所示。
3-2、针对上述3-1中求得的模式分量,计算其信号能量,并按从大到小的顺序依次排列,分别获得呼吸信号A的包络信号的EWT分解结果如图4(a)和图4(b)所示,呼吸信号B的包络信号的EWT分解结果如图7(a)和图7(b)所示。
由图3所示的呼吸信号A的包络信号的频谱划分图可知,呼吸音频信号的主要频率在0.2~1.3Hz内。呼吸信号A的音频信号的有效分量被划分在不同的模式中。将各个模式按信号能量从大到小依次排列,经过EWT分解并按能量排序后的12个模式的时域波形图如图4(a)和图4(b)所示,能量最大的第一个模式对应的是该音频信号中最重要的频率成分,即呼吸频率;第二个模式为其中的直流分量;第三个模式对应的是该音频信号中呼气与吸气的频率成分。在EWT分解后的模式经过能量的排序后,包含呼吸模式物理意义的信息的模式都在能量排序的前列,而能量最小的一个模式则对应音频信号中的噪声。
由图6、图7可知,能量最大的第一个模式对应的是音频信号的直流分量;第二个模式体现了该音频信号的整个周期的信息;在0.4-0.6hz区间的三个模式的能量都比较大,它们体现了其中每次呼吸频率的信息。在EWT分解后的模式经过能量的排序后,这些包含了呼吸模式物理意义的信息的模式都在能量排序的前列。
步骤4、针对上述3中的每个模式分量,求取其近似熵值;具体为:
4-1、将呼吸音频包络信号fB(t)通过EWT分解并排序后的模式分量的时间序列zn(n'),1≤n≤N,1≤n'≤N'重构为m维相空间Zn(i),1≤i≤N'-(m-1),n'为每个模式分量的时间序列点数序号,N'为每个模式分量时间序号的总点数;
定义相空间中任意两矢量Zn(j)与Zn(i)的距离dij为:
dij=max|Zn(i+l)-Zn(j+l)|,1≤l≤m-1;1≤i,j≤N'-m+1,i≠j
式中,l为m维相空间的索引序号,i,j分别为相空间中任意两矢量的时间序列点数序号;
4-2、给定容限r,对相空间中每一个矢量Zn(i)进行模板匹配:
式中,r的取值通常为r=a3×SD,a3=0.1~0.25,其中SD为呼吸模式分量fn的标准差;
4-3、对取对数,并对i求平均值,记为φm(r):
4-4、维数m加1,重复步骤4-1到4-3,获得φm+1(r);
4-5、结合φm(r)和φm+1(r),求取模式分量的近似熵ApEnn(m,r)为:
实际N'为有限值,则:
ApEnn(m,r)=φm(r)-φm+1(r)。
由此可知,本发明基于EWT的近似熵的呼吸信号特征提取方法简单且成本低,不仅可以避免传感器与人体直接接触引起的不适,而且利用时频域呼吸信号的特点,能更好的表征呼吸信号的复杂性和规律性特征,进而有效提取不同呼吸信号的特征。
Claims (8)
1.一种基于EWT的呼吸信号近似熵特征提取方法,其特征在于,包括以下步骤:
步骤1、利用音频设备采集不同测试者模拟的不同的呼吸音频信号;
步骤2、对步骤1采集到的呼吸音频信号均进行分帧、加窗及降噪处理,之后提取其呼吸包络信号;
步骤3、对步骤2中的呼吸包络信号进行EWT分解,并根据信号能量大小对分解后的多个模式分量进行排序;
步骤4、针对每个模式分量,求取其近似熵值。
2.根据权利要求1所述的基于EWT的呼吸信号近似熵特征提取方法,其特征在于,步骤2所述对步骤1采集到的呼吸音频信号进行降噪处理,具体为:采用维纳滤波法对呼吸音频信号进行降噪处理。
3.根据权利要求1或2所述的基于EWT的呼吸信号近似熵特征提取方法,其特征在于,步骤2所述提取呼吸包络信号具体为:采用希尔伯特变换算法提取呼吸包络信号fB(t)。
4.根据权利要求3所述的基于EWT的呼吸信号近似熵特征提取方法,其特征在于,步骤2所述提取呼吸包络信号fB(t)之后,还包括:对呼吸包络信号fB(t)进行降采样处理。
5.根据权利要求4所述的基于EWT的呼吸信号近似熵特征提取方法,其特征在于,步骤3所述对步骤2中的呼吸包络信号进行EWT分解,并根据信号能量大小对分解后的多个模式分量进行排序,具体为:
步骤3-1、对呼吸包络信号fB(t)进行模式数量为N的EWT分解,获得N个模式分量;具体为:
步骤3-1-1、对呼吸包络信号fB(t)进行傅里叶变换获得傅里叶频谱F(f);
步骤3-1-2、将傅里叶频谱F(f)的频率范围ω∈(0,π)划分为N个频谱分区,具体为:
步骤3-1-2A、检测频谱F(f)中的极大值点,共获得M个极大值点,并对M个极大值点进行降序排列;
步骤3-1-2B、确定N个频谱分区的N-1个边界,包括两种情况:
(1)若M≥N,将前N-1个极大值点对应的频率作为N-1个边界;
(2)若M<N,令N=M+1,将M个极大值点对应的频率作为N-1个边界;
步骤3-1-3、求取N个模式分量,具体为:
步骤3-1-3A、(1)通过经验小波母函数ψn(t)与呼吸包络信号fB(t)的内积获得经验小波变换的细节系数
式中,n为分解的模式分量索引数,n=1~N,t为呼吸包络信号频谱的序列点数,为ψn(t)的复共轭;为ψn(t)的傅里叶变换,fB(ω)为fB(t)的傅里叶变换,F-1表示傅里叶逆变换;
其中,
式中,ωn表示每个分区之间的分界带宽,2τn表示边界过渡段的宽度;
其中,β(*)为一个任意的Ck([0,1])函数,满足以下条件:
(2)通过尺度函数φ1(t)与呼吸包络信号fB(t)的内积获得经验小波变换的近似系数
式中,为φ1(t)的复共轭,为φ1(t)的傅里叶变换,由获得;
其中,
步骤3-1-3B、根据上述获得呼吸包络信号fB(t)的经验小波变换为:
则对该式求解后获得模式分量fn为:
步骤3-2、针对步骤3-1中求得的模式分量,计算其信号能量,并根据信号能量对模式分量进行降序排列。
6.根据权利要求5所述的基于EWT的呼吸信号近似熵特征提取方法,其特征在于,所述N=12,即EWT分解获得12个能体现不同呼吸模式区别的模式分量,其中,信号能量排序前四的模式分量分别代表呼吸模式物理意义的信息:呼吸频率,直流分量,呼气频率、吸气频率。
7.根据权利要求6所述的基于EWT的呼吸信号近似熵特征提取方法,其特征在于,步骤4所述求取每个模式分量的近似熵值,具体为:
步骤4-1、将呼吸音频包络信号fB(t)通过EWT分解并排序后的模式分量的时间序列zn(n'),1≤n≤N,1≤n'≤N'重构为m维相空间Zn(i),1≤i≤N'-(m-1),n'为每个模式分量的时间序列点数序号,N'为每个模式分量时间序号的总点数;
定义相空间中任意两矢量Zn(j)与Zn(i)的距离dij为:
dij=max|Zn(i+l)-Zn(j+l)|,1≤l≤m-1;1≤i,j≤N'-m+1,i≠j
式中,l为m维相空间的索引序号,i,j分别为相空间中任意两矢量的时间序列点数序号;
步骤4-2、给定容限r,对相空间中每一个矢量Zn(i)进行模板匹配:
式中,r的取值通常为r=a3×SD,a3=0.1~0.25,其中SD为呼吸模式分量fn的标准差;
步骤4-3、对取对数,并对i求平均值,记为φm(r):
步骤4-4、维数m加1,重复步骤4-1到4-3,获得φm+1(r);
步骤4-5、结合φm(r)和φm+1(r),求取模式分量的近似熵ApEnn(m,r)为:
实际N'为有限值,则:
ApEnn(m,r)=φm(r)-φm+1(r)。
8.根据权利要求7所述的基于EWT的呼吸信号近似熵特征提取方法,其特征在于,步骤4-1所述m=2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554789.8A CN110367986A (zh) | 2019-06-25 | 2019-06-25 | 基于ewt的呼吸信号近似熵特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554789.8A CN110367986A (zh) | 2019-06-25 | 2019-06-25 | 基于ewt的呼吸信号近似熵特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110367986A true CN110367986A (zh) | 2019-10-25 |
Family
ID=68250632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910554789.8A Pending CN110367986A (zh) | 2019-06-25 | 2019-06-25 | 基于ewt的呼吸信号近似熵特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110367986A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112466328A (zh) * | 2020-10-29 | 2021-03-09 | 北京百度网讯科技有限公司 | 呼吸音检测方法、装置和电子设备 |
CN112914502A (zh) * | 2019-12-05 | 2021-06-08 | 南京理工大学 | 基于ewt的肠动信号分离方法 |
CN114159050A (zh) * | 2021-11-12 | 2022-03-11 | 深圳数联天下智能科技有限公司 | 一种呼吸率监测方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105078505A (zh) * | 2014-04-24 | 2015-11-25 | 重庆融海超声医学工程研究中心有限公司 | 生理信号处理方法及处理装置 |
GB2547357A (en) * | 2013-11-27 | 2017-08-16 | Pneumacare Ltd | Analysis of breathing data |
CN107832709A (zh) * | 2017-11-10 | 2018-03-23 | 辽宁师范大学 | 基于经验小波变换进行特征提取的脑电情感识别方法 |
CN108416367A (zh) * | 2018-02-08 | 2018-08-17 | 南京理工大学 | 基于多传感器数据决策级融合的睡眠分期方法 |
US20190105011A1 (en) * | 2017-10-10 | 2019-04-11 | University Of Southern California | Wearable respiratory monitoring system based on resonant microphone array |
-
2019
- 2019-06-25 CN CN201910554789.8A patent/CN110367986A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2547357A (en) * | 2013-11-27 | 2017-08-16 | Pneumacare Ltd | Analysis of breathing data |
CN105078505A (zh) * | 2014-04-24 | 2015-11-25 | 重庆融海超声医学工程研究中心有限公司 | 生理信号处理方法及处理装置 |
US20190105011A1 (en) * | 2017-10-10 | 2019-04-11 | University Of Southern California | Wearable respiratory monitoring system based on resonant microphone array |
CN107832709A (zh) * | 2017-11-10 | 2018-03-23 | 辽宁师范大学 | 基于经验小波变换进行特征提取的脑电情感识别方法 |
CN108416367A (zh) * | 2018-02-08 | 2018-08-17 | 南京理工大学 | 基于多传感器数据决策级融合的睡眠分期方法 |
Non-Patent Citations (1)
Title |
---|
高玥: "健康人睡眠期间的呼吸情况研究", 《航天医学与医学工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112914502A (zh) * | 2019-12-05 | 2021-06-08 | 南京理工大学 | 基于ewt的肠动信号分离方法 |
CN112466328A (zh) * | 2020-10-29 | 2021-03-09 | 北京百度网讯科技有限公司 | 呼吸音检测方法、装置和电子设备 |
CN112466328B (zh) * | 2020-10-29 | 2023-10-24 | 北京百度网讯科技有限公司 | 呼吸音检测方法、装置和电子设备 |
CN114159050A (zh) * | 2021-11-12 | 2022-03-11 | 深圳数联天下智能科技有限公司 | 一种呼吸率监测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102697493B (zh) | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 | |
CN107361766B (zh) | 一种基于emd域多维信息的情绪脑电信号识别方法 | |
US6290654B1 (en) | Obstructive sleep apnea detection apparatus and method using pattern recognition | |
CN108416367B (zh) | 基于多传感器数据决策级融合的睡眠分期方法 | |
CN107316653B (zh) | 一种基于改进的经验小波变换的基频检测方法 | |
Jin et al. | Adventitious sounds identification and extraction using temporal–spectral dominance-based features | |
CN104706349B (zh) | 一种基于脉搏波信号的心电信号构建方法 | |
US8834386B2 (en) | Noise reduction of breathing signals | |
CN106308801B (zh) | 一种利用智能手机检测人体呼吸频率的方法 | |
CN109589114A (zh) | 基于ceemd和区间阈值的肌电消噪方法 | |
CN110367986A (zh) | 基于ewt的呼吸信号近似熵特征提取方法 | |
CN109009125A (zh) | 基于移动终端音频的驾驶员细粒度呼吸监测方法及系统 | |
Ghare et al. | Human emotion recognition using non linear and non stationary EEG signal | |
Abbaspour et al. | ECG artifact removal from surface EMG signal using an automated method based on wavelet-ICA | |
CN105662454B (zh) | 一种罗音检测的方法和装置 | |
CN114897011A (zh) | 一种多普勒雷达生理信号检测用信号分离去噪方法及系统 | |
CN112287796A (zh) | 基于VMD-Teager能量算子的辐射源识别方法 | |
CN108567419A (zh) | 基于呼吸心跳特征波的信号处理装置及方法 | |
CN110974196A (zh) | 一种运动状态下非接触式的呼吸和心率检测方法 | |
Tan et al. | EMD-based electrocardiogram delineation for a wearable low-power ECG monitoring device | |
Rizal et al. | Lung sounds classification using spectrogram's first order statistics features | |
Huang et al. | ECG baseline wander correction based on ensemble empirical mode decomposition with complementary adaptive noise | |
Liu et al. | Empirical mode decomposition applied to tissue artifact removal from respiratory signal | |
CN105982664B (zh) | 基于单导联ecg的心肺耦合分析方法 | |
Lee et al. | Vital sign quality assessment based on IR-UWB radar sensor |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |