CN110547802A - 识别呼吸状态的方法、计算机装置和存储介质 - Google Patents
识别呼吸状态的方法、计算机装置和存储介质 Download PDFInfo
- Publication number
- CN110547802A CN110547802A CN201910857958.5A CN201910857958A CN110547802A CN 110547802 A CN110547802 A CN 110547802A CN 201910857958 A CN201910857958 A CN 201910857958A CN 110547802 A CN110547802 A CN 110547802A
- Authority
- CN
- China
- Prior art keywords
- signal
- respiratory
- intercepted
- total energy
- signals
- 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.)
- Granted
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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- 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
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)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种识别呼吸状态的方法、计算机装置和存储介质,涉及呼吸状态识别技术领域,主要目的是降低监测患者睡眠呼吸的复杂程度。本发明的主要技术方案为:识别呼吸状态的方法,包括:获取呼吸信号;将呼吸信号划分为多条截取信号;计算每条所述截取信号中第一预设频率范围的总能量与第二预设频率范围的总能量的比值,并将所述第一预设频率范围的总能量与第二预设频率范围的总能量的比值记做总能量比值;将每条所述截取信号中总能量比值与第一预设阈值进行比较。从而本发明实施例仅获取到呼吸信号就能够实现呼吸状态的判断,从而降低了监测患者睡眠呼吸的复杂程度。
Description
技术领域
本发明涉及呼吸状态识别技术领域,尤其涉及一种识别呼吸状态的方法识别呼吸状态的方法、计算机装置和存储介质。
背景技术
目前,对于患者睡眠时呼吸的监测是很重要的一项工作。
现有技术中,临床上使用多导睡眠仪来诊断睡眠呼吸事件,但使用多导睡眠仪操作复杂,需要获取呼吸信号,心电信号、脑电信号等多种信号,才能够实现对睡眠呼吸的诊断,操作复杂程度高。
因此,如何降低监测患者睡眠呼吸的复杂程度成为亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供一种识别呼吸状态的方法、计算机装置和存储介质,主要目的是降低监测患者睡眠呼吸的复杂程度。
为达到上述目的,本发明主要提供如下技术方案:
一方面,本发明实施例提供了一种识别呼吸状态的方法,包括:
获取呼吸信号;
将呼吸信号划分为多条截取信号;
计算每条所述截取信号中第一预设频率范围的总能量与第二预设频率范围的总能量的比值,并将所述第一预设频率范围的总能量与第二预设频率范围的总能量的比值记做总能量比值;
将每条所述截取信号的总能量比值与第一预设阈值进行比较,响应于总能量比值小于所述第一预设阈值,所述截取信号为呼吸暂停状态,响应于总能量比值大于等于所述第一预设阈值,所述截取信号为正常呼吸状态。
在该技术方案中,所述将呼吸信号划分为多条截取信号包括:
对呼吸信号进行分窗处理,得到每个窗口呼吸信号的标准方差;
在所述标准方差中确定大于第二预设阈值的极大值最为标准方差极大值;
根据多个所述标准方差极大值进行信号截取,将所述呼吸信号划分为多条所述截取信号。
在该技术方案中,所述根据多个所述标准方差极大值进行信号截取,将所述呼吸信号划分为多条所述截取信号包括:
将呼吸信号中相邻所述两个标准方差极大值的横坐标的中点所对应的呼吸信号作为一个所述截取信号的中点;
根据所述标准方差极大值确认每条所述截取信号的信号长度;
根据所述截取信号的中点和对应的所述截取信号的信号长度将所述呼吸信号划分为多条所述截取信号。
在该技术方案中,所述根据所述标准方差极大值确认每条所述截取信号的信号长度包括:
将2的整数次幂的值中最接近呼吸信号中相邻两个所述标准方差极大值之间的数据长度的值作为每个所述截取信号的信号长度。在该技术方案中,所述计算每条所述截取信号中总能量比值包括:
对每条所述截取信号进行加窗处理;
将每条所述截取信号由时域转化为频域,得到每条所述截取信号的频率分布;
根据每条所述截取信号的频率分布计算总能量比值。
在所述获取呼吸信号之前包括:
将正常呼吸状态的呼吸信号中最小的总能量比值设置为所述第一预设阈值;
将正常呼吸状态的呼吸信号中最小的标准方差极大值设置为所述第二预设阈值。
所述第一预设频率范围为a,0.05Hz<a<2Hz;
所述第二预设频率范围为b,0Hz<b<20Hz。
在该技术方案中,所述将呼吸信号划分为多条截取信号之前还包括:
对呼吸信号进行平滑处理;
对平滑处理后的呼吸信号进行滤波处理。
在该技术方案中,所述呼吸信号的每个分窗的窗长为10s。
另一方面,本发明还提供一种识别呼吸状态的装置,包括:
获取单元,所述获取单元获取呼吸信号;
划分单元,所述划分单元用于将呼吸信号划分为多条截取信号;
处理单元,所述处理单元用于计算每条所述截取信号中第一预设频率范围的总能量与第二预设频率范围的总能量的比值,并将所述第一预设频率范围的总能量与第二预设频率范围的总能量的比值记做总能量比值;
确认单元,所述确认单元用于将每条所述截取信号中总能量比值与第一预设阈值进行比较,响应于所述截取信号中总能量比值小于所述第一预设阈值,所述截取信号为呼吸暂停状态,响应于所述截取信号中总能量比值大于等于所述第一预设阈值,所述截取信号为正常呼吸状态。
在该技术方案中,所述划分单元包括:
分窗模块,所述分窗模块用于对呼吸信号进行分窗处理,得到每个窗口呼吸信号的标准方差;
取值模块,所述取值模块用于在所述标准方差中确定标准方差极大值,每个所述标准方差极大值大于第二预设阈值;
截取模块,所述截取模块用于根据多个所述标准方差极大值进行信号截取,将所述呼吸信号划分为多条所述截取信号。
在该技术方案中,所述截取模块包括:
第一截取子模块,所述第一截取子模块用于将呼吸信号中相邻所述两个标准方差极大值横坐标的中点所对应的呼吸信号作为一个所述截取信号的中点;
第二截取子模块,所述第二截取子模块用于将2的整数次幂的值中最接近呼吸信号中相邻两个所述标准方差极大值之间的数据长度的值作为一个所述截取信号的信号长度;
第三截取子模块,第三截取子模块用于根据所述截取信号的中点和对应的所述截取信号的信号长度将所述呼吸信号划分为多条所述截取信号。
在该技术方案中,所述处理单元包括:
加窗模块,所述加窗模块用于对每条所述截取信号进行加窗处理;
转换模块,所述转换模块用于将每条所述截取信号由时域转化为频域,得到每条所述截取信号的频率分布;
计算模块,所述计算模块用于根据每条所述截取信号的频率分布计算总能量比值。
在该技术方案中,还包括:
第一预处理单元,所述第一预处理单元用于对呼吸信号进行平滑处理;
第二预处理单元,所述第二预处理单元用于对平滑处理后的呼吸信号进行滤波处理。
再一方面,本发明实施例还提供一种计算机装置,其包括存储器和一个或者多个处理器,所述存储器与所述处理器耦合连接,所述处理器被配置为执行所述存储器中存储的程序指令,所述程序指令运行时执行前所述的识别呼吸状态的方法。
又一方面,本发明实施例还提供一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行如前所述的识别呼吸状态的方法。
本发明实施例提出的一种识别呼吸状态的方法、计算机装置和存储介质,其中,识别呼吸状态的方法包括获取呼吸信号,包括将呼吸信号划分为多条截取信号,而后计算每条截取信号中总能量比值,当截取信号中总能量比值大于第一预设阈值时,对应的截取信号为呼吸暂停状态,当截取信号中总能量比值小于第一预设阈值时,对应的截取信号为正常呼吸状态,从而本发明实施例仅获取到呼吸信号就能够实现呼吸状态的判断,从而降低了监测患者睡眠呼吸的复杂程度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
图1为本发明实施例提供的一种识别呼吸状态的方法;
图2为本发明实施例提供的另一种识别呼吸状态的方法;
图3为本发明实施例提供的再一种识别呼吸状态的方法;
图4为本发明实施例提供的呼吸信号的波形图和标准方差曲线图;
图5为本发明实施例提供的正常呼吸波形与呼吸暂停事件波形对比图;
图6为本发明实施例提供的傅里叶变换后的呼吸信号的频域波形图;
图7为本发明实施例提供的一种识别呼吸状态的装置的框图;
图8为本发明实施例提供的一种划分单元的框图;
图9为本发明实施例提供的一种截取模块的框图;
图10为本发明实施例提供的一种处理单元的框图;
附图标号如下所示:
获取单元10,划分单位12,处理单元14,确认单元16,分窗模块122,取值模块124,截取模块126,第一截取子模块127,第二截取子模块128,第三截取子模块129,加窗模块142,转换模块144,计算模块146。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的识别呼吸状态的方法、计算机装置和存储介质其具体实施方式、结构、特征及其功效,详细说明如后。
如图1所示,本发明实施例提供了一种识别呼吸状态的方法,包括:
101,获取呼吸信号;
如图4所示,在识别呼吸状态时,只需获取呼吸信号即可,呼吸信号为图4所示较细的波形信号曲线,所述呼吸信号为胸部呼吸信号。
102,将呼吸信号划分为多条截取信号;
而后将呼吸信号划分为多条截取信号,从而对每条截取信号的呼吸状态进行判断。
103,计算每条所述截取信号中第一预设频率范围的总能量与第二预设频率范围的总能量的比值,并将所述第一预设频率范围的总能量与第二预设频率范围的总能量的比值记做总能量比值;
每条截取信号中第一预设频率范围的总能量与第二预设频率方位的总能量的比值为总能量比值R,其中第一预设频率范围为a,0.05Hz<a<2Hz,第二预设频率范围为b,0Hz<b<20Hz,R计算公式如下:
其中,X(f),f=0,...,FN,X(f)表示将呼吸信号傅里叶变换后得到的各个频率处的能量,FN为奈奎斯特频率。
104,将每条所述截取信号的总能量比值与第一预设阈值进行比较,响应于总能量比值小于所述第一预设阈值,所述截取信号为呼吸暂停状态,响应于总能量比值大于等于所述第一预设阈值,所述截取信号为正常呼吸状态。
第一预设阈值Tr为在初始化时依据用户正常呼吸状态的呼吸信号设置的初始阈值,将正常呼吸状态的呼吸信号中最小的总能量比值设置为所述第一预设阈值,之后通过综合比较灵敏度和特异性来调整得到最适合的第一预设阈值Tr,进一步优化第一预设阈值Tr。将R与第一预设阈值Tr进行比较,如图5中实线横线段所对应的时段中,R小于Tr,被标记为呼吸暂停情况;如图5中虚线横线段所对应的时段中,R大于Tr,被标记为正常呼吸情况,从而本发明提供的识别呼吸状态的方法通过第一预设阈值对频域信号能量比值的限定,提高了对呼吸事件判断的精准性。
本发明实施例提出的一种识别呼吸状态的方法包括获取呼吸信号,包括将呼吸信号划分为多条截取信号,而后计算每条截取信号中总能量比值,当截取信号中总能量比值大于第一预设阈值时,对应的截取信号为呼吸暂停状态,当截取信号中总能量比值小于第一预设阈值时,对应的截取信号为正常呼吸状态,从而本发明实施例仅获取到呼吸信号就能够实现呼吸状态的判断,从而降低了监测患者睡眠呼吸的复杂程度。
为了对上述实施例做出更加详细的说明,本发明实施例还提供另一种识别呼吸状态的方法,如图2所示,将呼吸信号划分为多条截取信号包括,对呼吸信号进行分窗处理,得到标准方差,并将多个标准方差连接形成标准方差曲线,从而得到多个标准方差极大值,而后根据多个标准方差极大值进行信号的截取,以将呼吸信号划分为多条截取信号,从而根据标准方差极大值对呼吸信号完成截取,对此本发明实施例提供以下具体步骤:
201,获取呼吸信号;
202,对呼吸信号进行分窗处理,得到每个窗口呼吸信号的标准方差;
对呼吸信号进行处理,将呼吸信号进行分窗处理,即将呼吸信号每次取一个分窗数据进行分析处理,得到该窗口的呼吸信号的标准方差,之后再取下一个窗口数据进行分析处理,得到该窗口的呼吸信号的标准方差,从而极大程度地提高了睡眠呼吸事件监测的实时性。
203,在所述标准方差中确定大于第二预设阈值的极大值作为标准方差极大值;
如图4所示,将每个窗口的呼吸信号的标准方差按照时间顺序连接形成标准方差曲线,标准方差曲线为图4所示的较粗的曲线,而后在标准方差曲线中找到多个标准方差极大值,图4中用圆圈圈起来的位置即为标准方差极大值的位置,标准方差极大值大于其两端相邻的标准方差,且大于第二预设阈值,其中,第二预设阈值Ts在初始化时依据用户正常呼吸状态的呼吸信号设置初始阈值,将正常呼吸状态的呼吸信号中最小的标准方差极大值设置为所述第二预设阈值,之后通过综合比较灵敏度和特异性来调整得到最适合的第二预设阈值Ts,进一步优化第二预设阈值Ts。从而本发明提供的识别呼吸状态的方法通过第二预设阈值对时域信号标准方差的的限定,提高了睡眠呼吸事件判断的精准性。
204,根据多个所述标准方差极大值进行信号截取,将所述呼吸信号划分为多条截取信号;
根据多个标准方差极大值对呼吸信号进行信号截取,从而将呼吸信号划分为多条截取信号,方便后续对每条截取信号呼吸是否正常进行判断。
205,计算每条所述截取信号的总能量比值;
206,将每条所述截取信号的总能量比值与第一预设阈值进行比较,响应于总能量比值小于所述第一预设阈值,所述截取信号为呼吸暂停状态,响应于总能量比值大于等于所述第一预设阈值,所述截取信号为正常呼吸状态。
在该实施例中,在获取到呼吸信号后,对呼吸信号进行分窗处理,得到每个窗口的标准方差,并将每个标准方差按照时间顺序连接形成标准方差曲线,在标准方差曲线中找到标准方差极大值,其中标准方差极大值不仅要大于相邻两端的标准方差,还需要大于第二预设阈值,而后根据标准方差极大值将呼吸信号划分为多条截取信号,并根据多个标准方差极大值将呼吸信号划分为多条截取信号,计算每条截取信号中总能量比值,当截取信号中总能量比值大于第一预设阈值时,对应的截取信号为呼吸暂停状态,当截取信号中总能量比值小于第一预设阈值时,对应的截取信号为正常呼吸状态,从而本发明提供的识别呼吸状态的方法,通过第一预设阈值和第二预设阈值分别对频域信号能量比值和时域信号标准方差进行联合限定,极大程度地提高了睡眠呼吸事件判断的精准性。
为了对上述实施例做出更加详细的说明,本发明实施例还提供另一种识别呼吸状态的方法,如图3所示,将呼吸信号划分为多条截取信号包括,对呼吸信号进行处理,从而得到多个标准方差极大值,而后将相邻所述两个标准方差极大值的横坐标的中点所对应的呼吸信号作为一个所述截取信号的中点,将2的整数次幂的值中最接近相邻两个所述标准方差极大值之间的数据长度的值作为一个所述截取信号的信号长度,以将呼吸信号划分为多条截取信号,从而根据标准方差极大值对呼吸信号完成截取,对此本发明实施例提供以下具体步骤:
301、获取呼吸信号;
302、对呼吸信号进行平滑处理;
呼吸信号是一种类似于正弦波的信号,通常正常人的呼吸波的频率范围在0.1到0.5Hz之间,但现实中采集到的呼吸信号会掺杂很多上述频率外的噪音,而噪音会对后续呼吸信号的处理产生影响,本申请先通过移动平均滤波器(Moving Average Filter,MAF)对信号进行初步的平滑处理,以去除没有频率特性的白噪声毛刺。
其中,MAF滤波还可以为其他数字滤波器。
303、对平滑处理后的呼吸信号进行滤波处理;
在对呼吸信号平滑处理后,再通过使用一个低通数字滤波器(Butterworth)对呼吸信号进行滤波处理,以去除呼吸信号中的基线漂移和其他频段的噪音,使得呼吸信号在经过平滑处理和滤波处理后,仅保留正常的呼吸频率,以防止后续对呼吸信号的处理时产生不利影响。
304,对呼吸信号进行分窗处理,得到每个窗口呼吸信号的标准方差;
305,在所述标准方差中确定大于第二预设阈值的极大值作为标准方差极大值;
306,将呼吸信号中相邻所述两个标准方差极大值的横坐标的中点所对应的呼吸信号作为一个所述截取信号的中点;
307,将2的整数次幂的值中最接近呼吸信号中相邻两个所述标准方差极大值之间的数据长度的值作为一个所述截取信号的信号长度;
如图5所示,标准方差曲线的横坐标为时间,单位是s,纵坐标为振幅,单位是μv,将相邻两个标准方差极大值横坐标的中点所对应的呼吸信号作为一个截取信号的中点,图5中三角形标志的位置即为信号截取的中点,将2的整数次幂的值中最接近相邻两个所述标准方差极大值之间的数据长度的值作为一个截取信号的信号长度,从而得到多个截取信号。例如,相邻两个标准方差极大值之间的数据长度为3980样本点,则取截取信号的信号长度为4096。
308,根据所述截取信号的中点和对应的所述截取信号的信号长度将所述呼吸信号划分为多条所述截取信号;
309,对每条所述截取信号进行加窗处理;
为了减少频谱泄露,在傅里叶变换之前要对截取信号进行加窗处理,截取信号很长,不能也不必对截取信号进行一次性处理。从而本发明实施例对截取信号进行加窗处理,每次取一段数据,进行分析,然后再取下一段数据,再进行分析。本发明实施例可选择同样时间长度的汉明窗,汉明窗为在某一区间有非零值的函数,而在其余区间皆为0。
310,将每条所述截取信号由时域转化为频域,得到每条所述截取信号的频率分布;
如图6所示,为呼吸信号傅里叶变换后的图像,将每条截取信号通过傅里叶变换由时域转化为频域,得到每条截取信号的频谱分布,横坐标为频率,单位是Hz,纵坐标为能量。
311,根据每条所述截取信号的频率分布计算总能量比值;
312,将每条所述截取信号的总能量比值与第一预设阈值进行比较,响应于总能量比值小于所述第一预设阈值,所述截取信号为呼吸暂停状态,响应于总能量比值大于等于所述第一预设阈值,所述截取信号为正常呼吸状态。
在该实施例中,在获取到呼吸信号后,对呼吸信号进行平滑处理和滤波处理,去除呼吸信号中的杂音,而后对处理完成的呼吸信号进行分窗处理,得到每个窗口呼吸信号的标准方差,并将多个标准方差按时间顺序形成标准方差曲线,在标准方差曲线中确定标准方差极大值,其中标准方差极大值大于第二预设阈值,而后将相邻两个标准方差极大值横坐标的中点所对应的呼吸信号作为一个截取信号的中点,将2的整数次幂的值中最接近相邻两个所述标准方差极大值之间的数据长度的值作为一个所述截取信号的信号长度,得到多条截取信号,对每条截取信号进行加窗处理,并对每条截取信号进行傅里叶变换,使得截取信号由时域转化为频域,得到每条所述截取信号的频率分布,计算每条截取信号中总能量比值,当截取信号中总能量比值大于第一预设阈值时,对应的截取信号为呼吸暂停状态,当截取信号中总能量比值小于第一预设阈值时,对应的截取信号为正常呼吸状态,从而本发明提供的识别呼吸状态的方法,通过第一预设阈值和第二预设阈值分别对频域信号能量比值和时域信号标准方差进行联合限定,极大程度地提高了睡眠呼吸事件判断的精准性,且仅获取到呼吸信号就能够实现呼吸状态的判断,从而降低了监测患者睡眠呼吸的复杂程度。
本发明实施例中,在所述获取呼吸信号之前包括:
将正常呼吸状态的呼吸信号中最小的总能量比值设置为所述第一预设阈值;
将正常呼吸状态的呼吸信号中最小的标准方差极大值设置为所述第二预设阈值。
在该实施例中,第一预设阈值Tr和第二预设阈值Ts均为在初始化时依据用户正常呼吸状态的呼吸信号设置的初始阈值,将临界呼吸状态的呼吸信号进行分窗处理,其中临界呼吸状态为正常呼吸状态到呼吸暂停状态的临界状态,且还处于正常呼吸状态,得到每个窗口的标准方差,在标准方差中确定标准方差极大值,将其中最小的标准方差极大值设置为所述第二预设阈值,将呼吸信号中相邻所述两个标准方差极大值的横坐标的中点所对应的呼吸信号作为一个所述截取信号的中点,将2的整数次幂的值中最接近呼吸信号中相邻两个所述标准方差极大值之间的数据长度的值作为每个所述截取信号的信号长度,根据截取信号的中点和对应的所述截取信号的信号长度将呼吸信号划分为多条截取信号,计算每条截取信号的总能量比值,将最小的总能量比值设置为所述第一预设阈值。之后通过综合比较灵敏度和特异性来调整得到最适合的第一预设阈值Tr和第二预设阈值Ts,进而进一步优化第一预设阈值Tr和第二预设阈值Ts。
在本发明实施例中,所述呼吸信号的每个分窗的窗长为10s。
另一方面,如图7所示,本发明实施例还提供一种识别呼吸状态的装置,包括:
获取单元10,所述获取单元10获取呼吸信号;
划分单元12,所述划分单元12用于将呼吸信号划分为多条截取信号;
处理单元14,所述处理单元14用于计算每条所述截取信号中第一预设频率范围的总能量与第二预设频率范围的总能量的比值,并将所述第一预设频率范围的总能量与第二预设频率范围的总能量的比值记做总能量比值;
确认单元16,所述确认单元16用于将每条所述截取信号中总能量比值与第一预设阈值进行比较,响应于所述截取信号中总能量比值小于所述第一预设阈值,所述截取信号为呼吸暂停状态,响应于所述截取信号中总能量比值大于等于所述第一预设阈值,所述截取信号为正常呼吸状态。
在该实施例中,识别呼吸状态的装置包括获取单元10、划分单元12、处理单元14和确认单元16,获取单元10获取呼吸信号,在识别呼吸状态时,只需获取呼吸信号即可,呼吸信号为图4所示较细的类似于正弦波的波形信号,所述呼吸信号为胸部呼吸信号,获取单元10将呼吸信号发送至划分单元12,划分单元12用于将呼吸信号划分为多条截取信号,划分单元12将多条截取信号发送至处理单元14,处理单元14用于计算每条所述截取信号中总能量比值,每条截取信号中第一预设频率范围的总能量与第二预设频率方位的总能量的比值为R,其中第一预设频率范围为a,0.05Hz<a<2Hz,第二预设频率范围为b,0Hz<b<20Hz,R计算公式如下:其中,X(f),f=0,...,FN,X(f)表示将呼吸信号傅里叶变换后得到的各个频率处的能量,FN为奈奎斯特频率。确认单元16用于将每条所述截取信号中总能量比值与第一预设阈值进行比较,响应于所述截取信号中总能量比值小于所述第一预设阈值,所述截取信号为呼吸暂停状态,响应于所述截取信号中总能量比值大于等于所述第一预设阈值,所述截取信号为正常呼吸状态。第一预设阈值Tr在初始化时依据用户正常呼吸状态的呼吸信号设置的初始阈值,将正常呼吸状态的呼吸信号中最小的总能量比值设置为所述第一预设阈值,之后通过综合比较灵敏度和特异性来调整得到最适合的第一预设阈值Tr,进一步优化第一预设阈值Tr。将R与第一预设阈值Tr进行比较,如图5中实线横线段所对应的时段中,R小于Tr,被标记为呼吸暂停情况;如图5中虚线横线段所对应的时段中,R大于Tr,被标记为正常呼吸情况,从而本发明提供的识别呼吸状态的方法通过第一预设阈值对频域信号能量比值的限定,提高了对呼吸事件判断的精准性。
从而本发明实施例仅获取到呼吸信号就能够实现呼吸状态的判断,从而降低了监测患者睡眠呼吸的复杂程度,且仅获取呼吸信号的获取装置的费用低,节约了成本。
可选地,获取单元10可以为胸部呼吸检测设备。
如图8所示,在本发明实施例中,所述划分单元12包括:
分窗模块122,所述分窗模块122用于对呼吸信号进行分窗处理,得到每个窗口呼吸信号的标准方差;
对呼吸信号进行处理,将呼吸信号进行分窗处理,即将呼吸信号每次取一个分窗数据进行分析处理,得到该窗口的呼吸信号的标准方差,之后再取下一个窗口数据进行分析处理,得到该窗口的呼吸信号的标准方差,从而极大程度地提高了睡眠呼吸事件监测的实时性。
取值模块124,所述取值模块124用于在所述标准方差中确定标准方差极大值,每个所述标准方差极大值大于第二预设阈值;
如图4所示,取值模块124用于在所述标准方差中确定标准方差极大值,并根据每个窗口的呼吸信号的标准方差按照时间顺序形成标准方差曲线,标准方差曲线为图4所示的较粗的曲线,而后在标准方差曲线中找到多个标准方差极大值,图4中用圆圈圈起来的位置即为标准方差极大值的位置,标准方差极大值大于其两端相邻的标准方差,且大于第二预设阈值,其中,第二预设阈值Ts在初始化时依据用户正常呼吸状态的呼吸信号设置初始阈值,将正常呼吸状态的呼吸信号中最小的标准方差极大值设置为所述第二预设阈值,之后通过综合比较灵敏度和特异性来调整得到最适合的第二预设阈值Ts,进一步优化第二预设阈值Ts。从而本发明提供的识别呼吸状态的方法通过第二预设阈值对时域信号标准方差的的限定,提高了睡眠呼吸事件判断的精准性。
截取模块126,所述截取模块126用于根据多个所述标准方差极大值进行信号截取,将所述呼吸信号划分为多条所述截取信号。
在该实施例中,划分单元12包括:分窗模块122、取值模块124和截取模块126,分窗模块122用于用于对呼吸信号进行分窗处理,得到每个窗口呼吸信号的标准方差,而后将标准方差发送至取值模块124,取值模块124用于在标准方差中找到标准方差极大值,每个标准方差极大值大于其两端相邻的标准方差,且每个标准方差极大值大于第二预设阈值,截取模块126用于根据多个标准方差极大值进行信号截取,将呼吸信号划分为多条截取信号,计算每条截取信号中总能量比值,当截取信号中总能量比值大于第一预设阈值时,对应的截取信号为呼吸暂停状态,当截取信号中总能量比值小于第一预设阈值时,对应的截取信号为正常呼吸状态,从而本发明提供的识别呼吸状态的方法,通过第一预设阈值和第二预设阈值分别对频域信号能量比值和时域信号标准方差进行联合限定,极大程度地提高了睡眠呼吸事件判断的精准性。
如图9所示,在本发明实施例中,所述截取模块126包括:
第一截取子模块127,所述第一截取子模块127用于将呼吸信号中相邻所述两个标准方差极大值的横坐标的中点所对应的呼吸信号作为一个所述截取信号的中点;
第二截取子模块128,所述第二截取子模块128用于将2的整数次幂的值中最接近呼吸信号中相邻两个所述标准方差极大值之间的数据长度的值作为一个所述截取信号的信号长度;
第三截取子模块129,第三截取子模块129用于根据所述截取信号的中点和对应的所述截取信号的信号长度将所述呼吸信号划分为多条所述截取信号。
在该实施例中,截取模块126包括第一截取子模块127、第二截取子模块128和第三截取子模块129,第一截取子模块127用于将相邻所述两个标准方差极大值的横坐标的中点所对应的呼吸信号作为一个所述截取信号的中点,第二截取子模块128用于将2的整数次幂的值中最接近相邻两个所述标准方差极大值之间的数据长度的值作为一个所述截取信号的信号长度,而后第三截取子模块129用于根据所述截取信号的中点和对应的所述截取信号的信号长度将所述呼吸信号划分为多条所述截取信号,从而得到的截取信号具有代表性且长度适合。
如图5所示,标准方差曲线的横坐标为时间,单位是s,纵坐标为振幅,单位是μv,将相邻两个标准方差极大值横坐标的中点所对应的呼吸信号作为一个截取信号的中点,图5中三角形标志的位置即为信号截取的中点,将2的整数次幂的值中最接近相邻两个所述标准方差极大值之间的数据长度的值作为一个截取信号的信号长度,从而得到截取信号。例如,相邻两个标准方差极大值之间的数据长度为3980样本点,则取截取信号的信号长度为4096。
如图10所示,在本发明实施例中,所述处理单元14包括:
加窗模块142,所述加窗模块142用于对每条所述截取信号进行加窗处理;
转换模块144,所述转换模块144用于将每条所述截取信号由时域转化为频域,得到每条所述截取信号的频率分布;
计算模块146,所述计算模块146用于根据每条所述截取信号的频率分布计算总能量比值。
在该实施例中,为了减少频谱泄露,在傅里叶变换之前加窗模块142要对截取信号进行加窗处理,截取信号很长,不能也不必对截取信号进行一次性处理。从而本发明实施例对截取信号进行加窗处理,每次取一段数据,进行分析,然后再取下一段数据,再进行分析,本发明实施例可选择同样时间长度的汉明窗,汉明窗为在某一区间有非零值的函数,而在其余区间皆为0,从而极大程度地提高了睡眠呼吸事件监测的实时性。转换模块144将每条截取信号通过傅里叶变换由时域转化为频域,得到每条截取信号的频谱分布,如图6所示,横坐标为频率,单位是Hz,纵坐标为能量,从而能够将将每条所述截取信号由时域转化为频域。
在本发明实施例中,还包括:
第一预处理单元14,所述第一预处理单元14用于对呼吸信号进行平滑处理;
第二预处理单元14,所述第二预处理单元14用于对平滑处理后的呼吸信号进行滤波处理。
在该实施例中,呼吸信号是一种类似于正弦波的信号,通常正常人的呼吸波的频率范围在0.1到0.5Hz之间,但现实中采集到的呼吸信号会掺杂很多上述频率外的噪音,而噪音会对后续呼吸信号的处理产生影响,本申请先第一预处理单元14通过移动平均滤波器(Moving Average Filter MAF)对信号进行初步的平滑处理,以去除没有频率特性的白噪声毛刺。在对呼吸信号平滑处理后,第二预处理单元14再通过使用一个低通数字滤波器(Butterworth)对呼吸信号进行滤波处理,以去除呼吸信号中的基线漂移和其他频段的噪音,使得呼吸信号在经过平滑处理和滤波处理后,仅保留正常的呼吸频率,以防止后续对呼吸信号的处理时产生不利影响。
其中,MAF滤波还可以为其他数字滤波器。
在本发明实施例中,还包括:预设置单元,所述预设置单元用于将正常呼吸状态的呼吸信号中最小的总能量比值设置为所述第一预设阈值;还用于将正常呼吸状态的呼吸信号中最小的标准方差极大值设置为所述第二预设阈值。
在该实施例中,第一预设阈值Tr和第二预设阈值Ts均为在初始化时依据用户正常呼吸状态的呼吸信号设置的初始阈值,将临界呼吸状态的呼吸信号进行分窗处理,其中临界呼吸状态为正常呼吸状态到呼吸暂停状态的临界状态,且还处于正常呼吸状态,得到每个窗口的标准方差,在标准方差中确定标准方差极大值,将其中最小的标准方差极大值设置为所述第二预设阈值,将呼吸信号中相邻所述两个标准方差极大值的横坐标的中点所对应的呼吸信号作为一个所述截取信号的中点,将2的整数次幂的值中最接近呼吸信号中相邻两个所述标准方差极大值之间的数据长度的值作为每个所述截取信号的信号长度,根据截取信号的中点和对应的所述截取信号的信号长度将呼吸信号划分为多条截取信号,计算每条截取信号的总能量比值,将最小的总能量比值设置为所述第一预设阈值。之后通过综合比较灵敏度和特异性来调整得到最适合的第一预设阈值Tr和第二预设阈值Ts,进而进一步优化第一预设阈值Tr和第二预设阈值Ts。
再一方面,本发明实施例还提供一种计算机装置,其包括存储器和一个或者多个处理器,所述存储器与所述处理器耦合连接,所述处理器被配置为执行所述存储器中存储的程序指令,所述程序指令运行时执行前所述的识别呼吸状态的方法。
其中,上述实施例的识别呼吸状态的装置中,获取单元、划分单元、处理单元和确认单元均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来发送控制信号,用于获取呼吸信号,将呼吸信号划分为多条截取信号,而后计算每条截取信号中总能量比值,并根据总能量比值与第一预设阈值的比较结果确定用户呼吸信号的状态。
又一方面,本发明实施例还提供一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行如前所述的识别呼吸状态的方法。
上述存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的识别呼吸状态的方法。
其中,存储介质为计算机程序产品,当在数据处理设备上执行时,适于执行上述的识别呼吸状态的方法。
本发明实施例提出的一种识别呼吸状态的方法、计算机装置和存储介质,其中,识别呼吸状态的方法包括获取呼吸信号,包括将呼吸信号划分为多条截取信号,而后计算每条截取信号中总能量比值,当截取信号中总能量比值大于第一预设阈值时,对应的截取信号为呼吸暂停状态,当截取信号中总能量比值小于第一预设阈值时,对应的截取信号为正常呼吸状态,从而本发明实施例仅获取到呼吸信号就能够实现呼吸状态的判断,从而降低了监测患者睡眠呼吸的复杂程度。
通过以上的实施方式的描述,本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种识别呼吸状态的方法,其特征在于,包括:
获取呼吸信号;
将呼吸信号划分为多条截取信号;
计算每条所述截取信号中第一预设频率范围的总能量与第二预设频率范围的总能量的比值,并将所述第一预设频率范围的总能量与第二预设频率范围的总能量的比值记做总能量比值;
将每条所述截取信号的所述总能量比值与第一预设阈值进行比较,响应于所述总能量比值小于所述第一预设阈值,所述截取信号为呼吸暂停状态,响应于所述总能量比值大于等于所述第一预设阈值,所述截取信号为正常呼吸状态。
2.根据权利要求1所述的识别呼吸状态的方法,其特征在于,所述将呼吸信号划分为多条截取信号包括:
对呼吸信号进行分窗处理,得到每个窗口呼吸信号的标准方差;
在所述标准方差中确定大于第二预设阈值的极大值作为标准方差极大值;
根据多个所述标准方差极大值进行信号截取,将所述呼吸信号划分为多条所述截取信号。
3.根据权利要求2所述的识别呼吸状态的方法,其特征在于,所述根据多个所述标准方差极大值进行信号截取,将所述呼吸信号划分为多条所述截取信号包括:
将呼吸信号中相邻所述两个标准方差极大值的横坐标的中点所对应的呼吸信号作为一个所述截取信号的中点;
根据所述标准方差极大值确认每条所述截取信号的信号长度;
根据所述截取信号的中点和对应的所述截取信号的信号长度将所述呼吸信号划分为多条所述截取信号。
4.根据权利要求3所述的识别呼吸状态的方法,其特征在于,所述根据所述标准方差极大值确认每条所述截取信号的信号长度包括:
将2的整数次幂的值中最接近呼吸信号中相邻两个所述标准方差极大值之间的数据长度的值作为每个所述截取信号的信号长度。
5.根据权利要求1所述的识别呼吸状态的方法,其特征在于,所述计算每条所述截取信号中总能量比值包括:
对每条所述截取信号进行加窗处理;
将每条所述截取信号由时域转化为频域,得到每条所述截取信号的频率分布;
根据每条所述截取信号的频率分布计算总能量比值。
6.根据权利要求1所述的识别呼吸状态的方法,其特征在于,在所述获取呼吸信号之前包括:
将正常呼吸状态的呼吸信号中最小的总能量比值设置为所述第一预设阈值;
将正常呼吸状态的呼吸信号中最小的标准方差极大值设置为所述第二预设阈值。
7.根据权利要求1所述的识别呼吸状态的方法,其特征在于,
所述第一预设频率范围为a,0.05Hz<a<2Hz;
所述第二预设频率范围为b,0Hz<b<20Hz。
8.根据权利要求1所述识别呼吸状态的方法,其特征在于,所述将呼吸信号划分为多条截取信号之前还包括:
对呼吸信号进行平滑处理;
对平滑处理后的呼吸信号进行滤波处理。
9.一种计算机装置,其特征在于,其包括:
存储器和一个或者多个处理器,所述存储器与所述处理器耦合连接,所述处理器被配置为执行所述存储器中存储的程序指令,所述程序指令运行时执行权利要求1至8中任一项所述的识别呼吸状态的方法。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至8中任一项所述的识别呼吸状态的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910857958.5A CN110547802B (zh) | 2019-09-11 | 2019-09-11 | 识别呼吸状态的装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910857958.5A CN110547802B (zh) | 2019-09-11 | 2019-09-11 | 识别呼吸状态的装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110547802A true CN110547802A (zh) | 2019-12-10 |
CN110547802B CN110547802B (zh) | 2022-09-06 |
Family
ID=68739861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910857958.5A Active CN110547802B (zh) | 2019-09-11 | 2019-09-11 | 识别呼吸状态的装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110547802B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111227792A (zh) * | 2020-01-10 | 2020-06-05 | 京东方科技集团股份有限公司 | 呼吸暂停的检测方法、系统、电子设备及存储介质 |
CN111323481A (zh) * | 2020-02-25 | 2020-06-23 | 西安交通大学 | 一种基于声音信号的大型结构活动多余物检测方法 |
CN114305354A (zh) * | 2021-12-31 | 2022-04-12 | 青岛海信日立空调系统有限公司 | 一种生命特征检测方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101087559A (zh) * | 2004-12-23 | 2007-12-12 | 雷斯梅德有限公司 | 从呼吸信号中检测和区别呼吸模式的方法 |
CN101496716A (zh) * | 2009-02-26 | 2009-08-05 | 周洪建 | 利用ecg信号检测睡眠呼吸暂停的测量方法 |
US20100087747A1 (en) * | 2008-10-08 | 2010-04-08 | Men-Tzung Lo | Accurate detection of sleep-disordered breathing |
CN102018503A (zh) * | 2010-10-21 | 2011-04-20 | 中国科学院深圳先进技术研究院 | 生命探测雷达中的呼吸与心跳信号的提取方法及装置 |
CN102429662A (zh) * | 2011-11-10 | 2012-05-02 | 大连理工大学 | 家庭环境中睡眠呼吸暂停综合征的筛查系统 |
CN105326477A (zh) * | 2015-10-30 | 2016-02-17 | 复旦大学 | 一种用于多种医学信号采集的呼吸及心跳同步信号提取方法及装置 |
CN105534480A (zh) * | 2016-01-05 | 2016-05-04 | 深圳和而泰智能控制股份有限公司 | 鼾声检测方法及装置 |
CN106859648A (zh) * | 2016-12-21 | 2017-06-20 | 湖南华诺星空电子技术有限公司 | 基于非接触式检测的多目标人体呼吸信号监测方法及装置 |
US20170290548A1 (en) * | 2016-04-11 | 2017-10-12 | Hill-Rom Services, Inc. | Capacitive sensor for respiratory monitoring |
CN107595242A (zh) * | 2017-07-26 | 2018-01-19 | 来邦科技股份公司 | 一种睡眠生理信号监测方法、装置、电子设备和存储介质 |
CN109805895A (zh) * | 2019-02-18 | 2019-05-28 | 杭州电子科技大学 | 智能卧室睡眠监测系统 |
CN110200640A (zh) * | 2019-05-14 | 2019-09-06 | 南京理工大学 | 基于双模态传感器的非接触式情绪识别方法 |
-
2019
- 2019-09-11 CN CN201910857958.5A patent/CN110547802B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101087559A (zh) * | 2004-12-23 | 2007-12-12 | 雷斯梅德有限公司 | 从呼吸信号中检测和区别呼吸模式的方法 |
US20100087747A1 (en) * | 2008-10-08 | 2010-04-08 | Men-Tzung Lo | Accurate detection of sleep-disordered breathing |
CN101496716A (zh) * | 2009-02-26 | 2009-08-05 | 周洪建 | 利用ecg信号检测睡眠呼吸暂停的测量方法 |
CN102018503A (zh) * | 2010-10-21 | 2011-04-20 | 中国科学院深圳先进技术研究院 | 生命探测雷达中的呼吸与心跳信号的提取方法及装置 |
CN102429662A (zh) * | 2011-11-10 | 2012-05-02 | 大连理工大学 | 家庭环境中睡眠呼吸暂停综合征的筛查系统 |
CN105326477A (zh) * | 2015-10-30 | 2016-02-17 | 复旦大学 | 一种用于多种医学信号采集的呼吸及心跳同步信号提取方法及装置 |
CN105534480A (zh) * | 2016-01-05 | 2016-05-04 | 深圳和而泰智能控制股份有限公司 | 鼾声检测方法及装置 |
US20170290548A1 (en) * | 2016-04-11 | 2017-10-12 | Hill-Rom Services, Inc. | Capacitive sensor for respiratory monitoring |
CN106859648A (zh) * | 2016-12-21 | 2017-06-20 | 湖南华诺星空电子技术有限公司 | 基于非接触式检测的多目标人体呼吸信号监测方法及装置 |
CN107595242A (zh) * | 2017-07-26 | 2018-01-19 | 来邦科技股份公司 | 一种睡眠生理信号监测方法、装置、电子设备和存储介质 |
CN109805895A (zh) * | 2019-02-18 | 2019-05-28 | 杭州电子科技大学 | 智能卧室睡眠监测系统 |
CN110200640A (zh) * | 2019-05-14 | 2019-09-06 | 南京理工大学 | 基于双模态传感器的非接触式情绪识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111227792A (zh) * | 2020-01-10 | 2020-06-05 | 京东方科技集团股份有限公司 | 呼吸暂停的检测方法、系统、电子设备及存储介质 |
CN111323481A (zh) * | 2020-02-25 | 2020-06-23 | 西安交通大学 | 一种基于声音信号的大型结构活动多余物检测方法 |
CN114305354A (zh) * | 2021-12-31 | 2022-04-12 | 青岛海信日立空调系统有限公司 | 一种生命特征检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110547802B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110547802B (zh) | 识别呼吸状态的装置 | |
CN108196986B (zh) | 设备异常检测方法、装置、计算机设备和存储介质 | |
EP3085308B1 (en) | Determining a heart rate and a heart rate variability | |
US20180014789A1 (en) | Heart sound denoising apparatus, method, and program | |
CN103720468A (zh) | 应用于动态心电数据的伪差识别方法和装置 | |
WO2014084162A1 (ja) | 信号雑音除去装置、その方法及びプログラム | |
CN117235447A (zh) | 一种建筑能源数据管理方法及系统 | |
CN111062100A (zh) | 轴承剩余寿命预测模型建立方法及装置 | |
AU2016204093A1 (en) | System and method for detecting outliers in real-time for a univariate time-series signal | |
Wu et al. | Fast, accurate localization of epileptic seizure onset zones based on detection of high-frequency oscillations using improved wavelet transform and matching pursuit methods | |
US11540763B2 (en) | Control method and system for filtering power line interferences | |
US20240130631A1 (en) | Method, device and computer system for obtaining respiratory signal | |
CN111582138A (zh) | 基于频域倒谱系数特征的心电身份识别方法及系统 | |
CN105389575A (zh) | 生物数据的处理方法和装置 | |
CN111759277B (zh) | 睡眠呼吸暂停低通气的检测装置、方法、设备及存储介质 | |
CN108765832A (zh) | 一种入侵检测方法及装置 | |
US11122065B2 (en) | Adaptive anomaly detection for computer systems | |
WO2019007369A1 (zh) | 人体疲劳值的获取方法及装置 | |
CN111669575B (zh) | 图像处理效果的测试方法、系统、电子设备、介质及终端 | |
CN113933056A (zh) | 风力发电机组的轴承故障诊断方法和装置 | |
CN113252929A (zh) | 转速确定方法、装置、电子设备及计算机可读存储介质 | |
CN112612844A (zh) | 数据处理方法、装置、设备和存储介质 | |
US20120310600A1 (en) | Apparatus and method for processing signal | |
JPS62291562A (ja) | クロマトグラフのデ−タ処理方法 | |
CN109595472B (zh) | 基于频谱分析的中低压庭院管线异常流量识别方法及装置 |
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 |