CN110638433A - 一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统 - Google Patents

一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统 Download PDF

Info

Publication number
CN110638433A
CN110638433A CN201910845210.3A CN201910845210A CN110638433A CN 110638433 A CN110638433 A CN 110638433A CN 201910845210 A CN201910845210 A CN 201910845210A CN 110638433 A CN110638433 A CN 110638433A
Authority
CN
China
Prior art keywords
pulse wave
wave image
channel
matrix
dimensional pulse
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
Application number
CN201910845210.3A
Other languages
English (en)
Other versions
CN110638433B (zh
Inventor
周宇麒
谢晓华
何郎
张占
李荣林
曾昭健
其他发明人请求不公开姓名
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.)
Foshan Xiezhi Navigation Technology Co ltd
Original Assignee
Intelligent Manufacturing Institute (zhaoqing Gaoyao) 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 Intelligent Manufacturing Institute (zhaoqing Gaoyao) Co Ltd filed Critical Intelligent Manufacturing Institute (zhaoqing Gaoyao) Co Ltd
Priority to CN201910845210.3A priority Critical patent/CN110638433B/zh
Publication of CN110638433A publication Critical patent/CN110638433A/zh
Application granted granted Critical
Publication of CN110638433B publication Critical patent/CN110638433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • 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
    • A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法，用于有效对三维脉波影像进行降噪，该方法包括：获取三维脉波影像数据其中，m为三维脉波影像的帧数，n为采集三维脉波影像的矩阵式传感器的通道总个数,Xraw(t,j)则表示第j个通道在第t帧测量到的压力值；判断每个压力值的信号质量，并根据判断结果为每个压力值分配权重，得到被加权的数据矩阵X＝XrawWc；对X＝XrawWc分解得到一个低秩矩阵L和一个稀疏噪声矩阵S，即X＝L+S；对低秩矩阵
Figure DDA0002195051170000012
Figure DDA0002195051170000013
进行逆向消除，得到低秩矩阵
Figure DDA0002195051170000014
根据低秩矩阵

Description

一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方 法及系统
技术领域
本发明属于电子医疗仪器领域，特别涉及一种基于通道加权鲁棒性主 成分分析的三维脉波影像去噪方法及系统。
背景技术
“望，闻，问，切”是中医诊断的四大技术。其中“切诊”，即脉诊，是 其中最具中医特色而又最难掌握的。中医诊脉，要求诊者仅凭指端触觉， 感知出脉压搏动的形态细节及其变化趋势，进而准确辨识出几十种脉象， 为中医的辩证施治提供正确的症状信息。
中医诊脉仪正是效仿中医诊脉方法开发的电子医用仪器。使用时，按 照中医取脉的位置设置传感探头，将各脉位处脉搏跳动引起的压力变化转 换成电信号，以曲线的形式显示或记录下来。然后参照西医心电图的方法 对脉搏曲线做波形分析，以寻找和确定脉搏波形与中医脉象之间的对应关 系。但是脉象信号预处理的效果将直接影响后续临床分析的结果。电源干 扰、在传感器上细微的手腕运动、呼吸引起的基线漂移，以及可能由于混沌现象引起的周期偏差，都会成为脉象信号的噪声。如果这些噪声没有被 去除，将干扰脉象信号的后续分析。
相对于采集扰动脉某个点的压力脉波形信号，采集某个区域内多个点 所产生的三维脉象，测量到的噪声干扰较中央的点明显得多。这是由于干 扰由原来的线转变成了动态的面。特别地，在动态面上分布较为边缘的 点。当使用机器手指进行切脉时，传感器除了能接收到桡动脉的脉搏信号 外，还会受到其他皮下组织的干扰。去噪的目标就将脉搏产生的动态压保 留下来，将干扰去除；对边缘点而言，提取淹没在噪声干扰中的动态压尤 为困难。
为解决上述问题，公开号为CN109363646的专利文献公开了一种三维 脉波影像的基面预处理方法及系统，所述方法包括如下步骤：(1)数据 获取：三维脉波影像通过安装在机械手指上的传感器获得。(2)静态压 去除：将每个通道采集到的信号都减去所属通道的最小值，即可完成这个 处理。(3)经验模态分解：经验模态分解法的核心思想是假设信号分解 出来的每个模态都处于不同的中心频率附近，然后将这个问题转化为约束 问题来求解出每个模态。脉搏信号一般处于0.8到40Hz内，因此只需保留 合适的模态即可得到处理后的结果。但这些流程是对单传感器(等同于矩 阵式传感器中的单通道)采集的信号进行处理的，整个流程并不包含在 “面”水平上的去噪处理。尽管在数字信号处理的角度看来，这些方法的去 噪效果良好；然而，对于三维脉波影像，动态面的去噪效果却有待提高， 特别是，在存在个别传感器收集的信号被噪声淹没的动态面上，把脉触感 的立体表现严重受影响。
鲁棒主成分分析(Robustprincipalcomponentanalysis,RPCA)被广泛应 用于图像及视频去噪，现有研究成果表明，RPCA可以利用于三维脉波影 像的去噪
[LuJ,XieX,PengB,etal.InterferenceReductionbyUsingRPCAandVariationalMode Decompositionin3DPulseImages[C].InProceedingsofthe4thInternationalConferenceonMultimediaSystemsandSignalProcessing,2019]，RPCA能将一系列图 像，分解为无噪声图像矩阵和噪声矩阵之和。其中，无噪声图像矩阵具有 低秩性，而噪声矩阵具有稀疏性。利用矩阵低秩性可以较好复原真实数据 矩阵，通过低秩矩阵来恢复原动态面，从而达到去除噪声的目的。然而， 在现实应用场景中，受测者的呼吸和运动产生的噪声，常常同时以相同的 规律出现在多个通道，并混杂于原始信号，有时甚至淹没原始信号。这 样，在低秩分解的过程中，RPCA将无法对这些通道的脉搏波信号及带有 一些规律的噪声进行正确的区分，也就难以完成信号提取和去除干扰的工 作。
综上，当前医学界亟待需要一种安全可靠的三维脉波影像去噪方法。
发明内容
发明的目的在于针对现有技术的不足之处，提供一种基于通道加权鲁 棒性主成分分析的三维脉波影像去噪方法。
本发明基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法包 括：
获取三维脉波影像数据
Figure BDA0002195051160000031
其中，m为三维脉波影像的帧 数，n为采集三维脉波影像的矩阵式传感器的通道总个数,Xraw(t,j)则表 示第j个通道在第t帧测量到的压力值；
判断每个压力值的信号质量，并根据判断结果为每个压力值分配权 重，得到被加权的数据矩阵X＝XrawWc；
对X＝XrawWc分解得到一个低秩矩阵L和一个稀疏噪声矩阵S，即 X＝L+S；
对低秩矩阵
Figure BDA0002195051160000032
进行逆向消除，得到低秩矩阵
Figure BDA0002195051160000033
根据低秩矩阵
Figure BDA0002195051160000034
并结合双调和样条插值规则建立三维脉波 影像的曲面信息。
可选的，
步骤所述判断每个压力值的信号质量，并根据判断结果为每个压力值 分配权重，得到被加权的数据矩阵X＝XrawWc包括：
使用四项高斯函数模拟在每个通道的每个心跳周期上，拟合压力振幅 值与时间的关系，并使用指标均方根误差描述拟合的效果，通过所述拟合 效果指代信号的质量。
可选的，
使用四项高斯函数模拟在每个通道的每个心跳周期上，拟合压力振幅 值与时间的关系，并使用指标均方根误差描述拟合的效果，通过所述拟合 效果指代信号的质量包括：
使用的四项高斯函数模型及RMSE的计算公式为：
Figure BDA0002195051160000035
Figure BDA0002195051160000036
其中Cr(t)为采集信号在单通道单周期上的幅值-时 间关系，而C(t)为对此进行拟合的结果函数；
计算权重矩阵C每个通道的权重值公式为：
Figure BDA0002195051160000037
其中RMSE(p，j)表示第j号通道在第p个周期上拟合结果的RMSE值，而 wc(j)则是计算出来赋予第j号通道的权值。
本发明还提供了一种基于通道加权鲁棒性主成分分析的三维脉波影像 去噪系统，包括：
存储器、处理器和程序；
所述存储器用于存储所述程序；
所述处理器用于执行所述程序；
所述程序被配置为：
获取三维脉波影像数据
Figure BDA0002195051160000041
其中，m为三维脉波影像的帧 数，n为采集三维脉波影像的矩阵式传感器的通道总个数,Xraw(t,j)则表 示第j个通道在第t帧测量到的压力值；
判断每个压力值的信号质量，并根据判断结果为每个压力值分配权 重，得到被加权的数据矩阵X＝XrawWc；
对X＝XrawWc分解得到一个低秩矩阵L和一个稀疏噪声矩阵S，即 X＝L+S；
对低秩矩阵
Figure BDA0002195051160000042
进行逆向消除，得到低秩矩阵
Figure BDA0002195051160000043
根据低秩矩阵
Figure BDA0002195051160000044
并结合双调和样条插值规则建立三维脉波影 像的曲面信息。
可选的，
所述程序被配置为：
获取三维脉波影像数据
Figure BDA0002195051160000045
其中，m为三维脉波影像的帧 数，n为采集三维脉波影像的矩阵式传感器的通道总个数,Xraw(t,j)则表 示第j个通道在第t帧测量到的压力值；
使用四项高斯函数模拟在每个通道的每个心跳周期上，拟合压力振幅 值与时间的关系，并使用指标均方根误差描述拟合的效果，通过所述拟合 效果指代信号的质量；
对X＝XrawWc分解得到一个低秩矩阵L和一个稀疏噪声矩阵S，即 X＝L+S；
对低秩矩阵
Figure BDA0002195051160000046
进行逆向消除，得到低秩矩阵
Figure BDA0002195051160000047
根据低秩矩阵
Figure BDA0002195051160000048
并结合双调和样条插值规则建立三维脉波 影像的曲面信息。
可选的，
所述程序被配置为：
获取三维脉波影像数据其中，m为三维脉波影像的帧 数，n为采集三维脉波影像的矩阵式传感器的通道总个数,Xraw(t,j)则表 示第j个通道在第t帧测量到的压力值；
使用的四项高斯函数模型及RMSE的计算公式为：
Figure BDA0002195051160000052
Figure BDA0002195051160000053
其中Cr(t)为采集信号在单通道单周期上的幅值-时 间关系，而C(t)为对此进行拟合的结果函数；
计算权重矩阵C每个通道的权重值公式为：
Figure BDA0002195051160000054
其中RMSE(p，j)表示第j号通道在第p个周期上拟合结果的RMSE值，而 wc(j)则是计算出来赋予第j号通道的权值对X＝XrawWc分解得到一个低秩矩 阵L和一个稀疏噪声矩阵S，即X＝L+S；
对低秩矩阵
Figure BDA0002195051160000055
进行逆向消除，得到低秩矩阵
Figure BDA0002195051160000056
根据低秩矩阵
Figure BDA0002195051160000057
并结合双调和样条插值规则建立三维脉波 影像的曲面信息。
本发明相比于原有的三维脉波影像的预处理流程，添加在三维动态图 像层次的信号去噪的方法。相比于鲁棒性主成分分析(RPCA)，本方法考 虑到各通道信号质量的差别，加入了通道加权，改善了去噪的效果。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、 完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。在不脱离本发明的原理情况下，对本发明实施例做出变 化、修改、替换和变形都属于本发明保护的范围。
本发明基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法实施 例具体包括：
获取三维脉波影像数据
Figure BDA0002195051160000058
其中，m为三维脉波影像的帧 数，n为采集三维脉波影像的矩阵式传感器的通道总个数,Xraw(t,j)则表 示第j个通道在第t帧测量到的压力值；
判断每个压力值的信号质量，并根据判断结果为每个压力值分配权 重，得到被加权的数据矩阵X＝XrawWc；
对X＝XrawWc分解得到一个低秩矩阵L和一个稀疏噪声矩阵S，即 X＝L+S；
对低秩矩阵
Figure BDA0002195051160000061
进行逆向消除，得到低秩矩阵
Figure BDA0002195051160000062
根据低秩矩阵
Figure BDA0002195051160000063
并结合双调和样条插值规则建立三维脉波影 像的曲面信息。
本发明的技术方案具体是这样实现的：
步骤1：输入的三维脉波影像数据为
Figure RE-GDA0002285531110000064
其中，m为三维脉 波影像的帧数，n为采集三维脉波影像的矩阵式传感器的通道总个数 (n＝12),Xraw(t,j)则表示第j个通道在第t帧测量到的压力值。
步骤2：通过右乘一个对角矩阵对输入数据Xraw进行列(通道)加权， 得到被通道加权的数据矩阵：
X＝XrawWc (1)
很显然，这里有一个关键问题是权重矩阵Wc如何选择。这里我们借助 四项高斯函数模型确定权重值的大小：使用四项高斯函数模拟在每个通道 的每个心跳周期上，拟合压力振幅值与时间的关系；并使用指标均方根误 差(Root Mean Squared error,RMSE)描述拟合的效果。拟合效果实际可 以一定程度上指代信号的质量。
使用的四项高斯函数模型及RMSE的计算公式为：
Figure BDA0002195051160000065
其中Cr(t)为采集信号在单通道单周期上的幅值-时间关系，而C(t)为对此进行拟合的结果函数。
计算权重矩阵C每个通道的权重值公式为：
Figure BDA0002195051160000066
Wc＝diag(wc(1)，wc(2)，...，wc(n)) (5)
其中RMSE(p，j)表示第j号通道在第p个周期上拟合结果的RMSE值，而wc(j)则是 计算出来赋予第j号通道的权值。
步骤3：利用RPCA方法，将上一步的输入数据
Figure BDA0002195051160000071
分解为一个低秩 矩阵L和一个稀疏噪声矩阵S，即X＝L+S。通过解决凸优化问题，矩阵X就 能够被分解为低秩矩阵L及稀疏噪声矩阵S，该凸优化问题的拉格朗日乘项 表达如下，
Figure BDA0002195051160000072
式中：||S||1——l1范数，即矩阵元素绝对值之和；λ——平衡因子，在 合适的平衡因子λ的作用下，我们希望能够精确地恢复出变量L。
对式(6)构建增广拉格朗日函数如下：
式中：Y——拉格朗日算子，μ＞0为常数。
式(7)可以使用交替方向乘子法(ADMM)进行优化求解，输出低秩 矩阵L及稀疏噪声矩阵S。
步骤4：对步骤3输出的二维低秩矩阵
Figure BDA0002195051160000074
根据步骤2的加权步 骤进行逆向消除：
Figure BDA0002195051160000075
步骤5：将步骤4输出的二维低秩矩阵
Figure RE-GDA0002285531110000076
使用双调和样条插值法 建立三维脉波影像的曲面信息，最后的图像就是去噪的结果。
本发明还提供了一种基于通道加权鲁棒性主成分分析的三维脉波影像 去噪系统，包括：
存储器、处理器和程序；
所述存储器用于存储所述程序；
所述处理器用于执行所述程序；
所述程序被配置为：
获取三维脉波影像数据
Figure BDA0002195051160000081
其中，m为三维脉波影像的帧 数，n为采集三维脉波影像的矩阵式传感器的通道总个数,Xraw(t,j)则表 示第j个通道在第t帧测量到的压力值；
判断每个压力值的信号质量，并根据判断结果为每个压力值分配权 重，得到被加权的数据矩阵X＝XrawWc；
对X＝XrawWc分解得到一个低秩矩阵L和一个稀疏噪声矩阵S，即 X＝L+S；
对低秩矩阵
Figure BDA0002195051160000082
进行逆向消除，得到低秩矩阵
Figure BDA0002195051160000083
根据低秩矩阵并结合双调和样条插值规则建立三维脉波影 像的曲面信息。
使用峰值信噪比(Peak Signal to Noise Ratio，PSNR)来对各个方法进 行衡量(值越大，效果越好)：
Figure BDA0002195051160000085
其中C为原始三维脉波影像，T为经各种方法去噪后的结果，m，n分别为 三维脉波影像的帧数，及传感器个数。
Figure BDA0002195051160000086
表1三种不同的方法对观测信号进行处理后的结果峰值信噪比
从表1中可以看出，通道加权鲁棒性主成分分析CW-RPCA去噪效果 最好。
以上所述，仅为本发明较优实施例之一，因此，在不脱离本发明的原 理情况下，对本发明实施例做出变化、修改、替换和变形都属于本发明保 护的范围。

Claims (4)

1.一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法，其特征在于，包括：
获取三维脉波影像数据
Figure FDA0002195051150000017
其中，m为三维脉波影像的帧数，n为采集三维脉波影像的矩阵式传感器的通道总个数,Xraw(t,j)则表示第j个通道在第t帧测量到的压力值；
判断每个压力值的信号质量，并根据判断结果为每个压力值分配权重，使用四项高斯函数模拟在每个通道的每个心跳周期上，拟合压力振幅值与时间的关系，并使用指标均方根误差描述拟合的效果，通过所述拟合效果指代信号的质量，得到被加权的数据矩阵X＝XrawWcX＝XrawWc；
对X＝XrawWc分解得到一个低秩矩阵L和一个稀疏噪声矩阵S，即X＝L+S；
对低秩矩阵
Figure FDA0002195051150000011
进行逆向消除，得到低秩矩阵
Figure FDA0002195051150000012
根据低秩矩阵
Figure FDA0002195051150000013
并结合双调和样条插值规则建立三维脉波影像的曲面信息。
2.根据权利要求1所述的基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法，其特征在于：
使用四项高斯函数模拟在每个通道的每个心跳周期上，拟合压力振幅值与时间的关系，并使用指标均方根误差描述拟合的效果，通过所述拟合效果指代信号的质量包括：
使用的四项高斯函数模型及RMSE的计算公式为：
Figure FDA0002195051150000014
Figure FDA0002195051150000015
其中Cr(t)为采集信号在单通道单周期上的幅值-时间关系，而C(t)为对此进行拟合的结果函数；
计算权重矩阵C每个通道的权重值公式为：
Figure FDA0002195051150000016
其中RMSE(p，j)表示第j号通道在第p个周期上拟合结果的RMSE值，而wc(j)则是计算出来赋予第j号通道的权值。
3.一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪系统，其特征在于，包括：
存储器、处理器和程序；
所述存储器用于存储所述程序；
所述处理器用于执行所述程序；
所述程序被配置为：
获取三维脉波影像数据
Figure FDA0002195051150000021
其中，m为三维脉波影像的帧数，n为采集三维脉波影像的矩阵式传感器的通道总个数,Xraw(t,j)则表示第j个通道在第t帧测量到的压力值；
使用四项高斯函数模拟在每个通道的每个心跳周期上，拟合压力振幅值与时间的关系，并使用指标均方根误差描述拟合的效果，通过所述拟合效果指代信号的质量；
对X＝XrawWc分解得到一个低秩矩阵L和一个稀疏噪声矩阵S，即X＝L+S；
对低秩矩阵
Figure FDA0002195051150000022
进行逆向消除，得到低秩矩阵
Figure FDA0002195051150000023
根据低秩矩阵
Figure FDA0002195051150000024
并结合双调和样条插值规则建立三维脉波影像的曲面信息。
4.根据权利要求3所述的基于通道加权鲁棒性主成分分析的三维脉波影像去噪系统，其特征在于：
所述程序被配置为：
获取三维脉波影像数据其中，m为三维脉波影像的帧数，n为采集三维脉波影像的矩阵式传感器的通道总个数,Xraw(t,j)则表示第j个通道在第t帧测量到的压力值；
使用的四项高斯函数模型及RMSE的计算公式为：
Figure FDA0002195051150000026
Figure FDA0002195051150000027
其中Cr(t)为采集信号在单通道单周期上的幅值-时间关系，而C(t)为对此进行拟合的结果函数；
计算权重矩阵C每个通道的权重值公式为：
Figure FDA0002195051150000028
其中RMSE(p，j)表示第j号通道在第p个周期上拟合结果的RMSE值，而wc(j)则是计算出来赋予第j号通道的权值对X＝XrawWc分解得到一个低秩矩阵L和一个稀疏噪声矩阵S，即X＝L+S；
对低秩矩阵
Figure FDA0002195051150000031
进行逆向消除，得到低秩矩阵
Figure FDA0002195051150000032
根据低秩矩阵
Figure FDA0002195051150000033
并结合双调和样条插值规则建立三维脉波影像的曲面信息。
CN201910845210.3A 2019-09-08 2019-09-08 一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统 Active CN110638433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910845210.3A CN110638433B (zh) 2019-09-08 2019-09-08 一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910845210.3A CN110638433B (zh) 2019-09-08 2019-09-08 一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统

Publications (2)

Publication Number Publication Date
CN110638433A true CN110638433A (zh) 2020-01-03
CN110638433B CN110638433B (zh) 2022-09-30

Family

ID=69010195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910845210.3A Active CN110638433B (zh) 2019-09-08 2019-09-08 一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统

Country Status (1)

Country Link
CN (1) CN110638433B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749600A (zh) * 2012-05-30 2012-10-24 苏州安科医疗系统有限公司 一种磁共振多通道图像的合成方法
CN103399316A (zh) * 2013-07-22 2013-11-20 西安电子科技大学 基于加权的二维压缩感知sar成像及动目标检测方法
CN103581923A (zh) * 2013-11-01 2014-02-12 宁波大学 一种基于加权矩阵滤波的能量检测方法
WO2014170897A1 (en) * 2013-04-14 2014-10-23 Yissum Research Development Company Of The Hebrew University Of Jerusalem Ltd. Classifying eeg signals in response to visual stimulus
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
CN105919590A (zh) * 2016-06-02 2016-09-07 浙江铭众科技有限公司 一种多通道心电图的qrs自动划定方法
CN105957026A (zh) * 2016-04-22 2016-09-21 温州大学 基于非局部相似图像块内部和块间隐性低秩结构的去噪方法
CN106023130A (zh) * 2016-06-07 2016-10-12 中山大学 基于梯度滤波和pca的无人机影像与多光谱影像融合方法
CN106408530A (zh) * 2016-09-07 2017-02-15 厦门大学 基于稀疏与低秩矩阵逼近的高光谱图像恢复方法
CN106846268A (zh) * 2017-01-04 2017-06-13 温州大学 一种高斯‑脉冲混合图像噪声去除方法
CN106934775A (zh) * 2017-03-08 2017-07-07 中国海洋大学 一种基于低秩恢复的非局部图像去噪方法
CN108427742A (zh) * 2018-03-07 2018-08-21 中国电力科学研究院有限公司 一种基于低秩矩阵的配电网可靠性数据修复方法及系统
CN108420406A (zh) * 2018-03-21 2018-08-21 苏州优函信息科技有限公司 基于脉搏波睡眠分期的方法
CN109029987A (zh) * 2018-09-10 2018-12-18 北航（天津武清）智能制造研究院有限公司 行星齿轮箱齿轮故障检测方法及系统
CN109871880A (zh) * 2019-01-23 2019-06-11 中山大学 基于低秩稀疏矩阵分解、局部几何结构保持和类别信息最大统计相关的特征提取方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749600A (zh) * 2012-05-30 2012-10-24 苏州安科医疗系统有限公司 一种磁共振多通道图像的合成方法
WO2014170897A1 (en) * 2013-04-14 2014-10-23 Yissum Research Development Company Of The Hebrew University Of Jerusalem Ltd. Classifying eeg signals in response to visual stimulus
CN103399316A (zh) * 2013-07-22 2013-11-20 西安电子科技大学 基于加权的二维压缩感知sar成像及动目标检测方法
CN103581923A (zh) * 2013-11-01 2014-02-12 宁波大学 一种基于加权矩阵滤波的能量检测方法
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
CN105957026A (zh) * 2016-04-22 2016-09-21 温州大学 基于非局部相似图像块内部和块间隐性低秩结构的去噪方法
CN105919590A (zh) * 2016-06-02 2016-09-07 浙江铭众科技有限公司 一种多通道心电图的qrs自动划定方法
CN106023130A (zh) * 2016-06-07 2016-10-12 中山大学 基于梯度滤波和pca的无人机影像与多光谱影像融合方法
CN106408530A (zh) * 2016-09-07 2017-02-15 厦门大学 基于稀疏与低秩矩阵逼近的高光谱图像恢复方法
CN106846268A (zh) * 2017-01-04 2017-06-13 温州大学 一种高斯‑脉冲混合图像噪声去除方法
CN106934775A (zh) * 2017-03-08 2017-07-07 中国海洋大学 一种基于低秩恢复的非局部图像去噪方法
CN108427742A (zh) * 2018-03-07 2018-08-21 中国电力科学研究院有限公司 一种基于低秩矩阵的配电网可靠性数据修复方法及系统
CN108420406A (zh) * 2018-03-21 2018-08-21 苏州优函信息科技有限公司 基于脉搏波睡眠分期的方法
CN109029987A (zh) * 2018-09-10 2018-12-18 北航（天津武清）智能制造研究院有限公司 行星齿轮箱齿轮故障检测方法及系统
CN109871880A (zh) * 2019-01-23 2019-06-11 中山大学 基于低秩稀疏矩阵分解、局部几何结构保持和类别信息最大统计相关的特征提取方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHEN PENGXU等: "Wire suspended robot monitoring image denoising algorithm based on encoding with sparese representation", 《COMPUTER ENGINEERING》 *
DIMIN WANG: "Generalized Feature Extraction for Wrist Pulse Analysis: from 1-D Time", 《《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 *
JAKOB SPIEGELBERG等: "Local low rank denoising for enhanced atomic resolution image", 《ULTRAMICROSCOPY》 *
L.N.SHARMA等: "Multiscale pricipal component analysis to denoise multichannel ECG signals", 《2010 5TH CARIO INTERNATINAL BIOMEDICAL ENGINEERING CONFERENCE》 *
LU JUNLIANG等: "Interference Reduction by Using RPCA and Variational Mode Decomposition in 3D Pulse Images", 《ACM PRESS THE 2019 4TH INTERNATIONAL CONFERENCE》 *
莫太平: "基于脉象分析的亚健康状态识别", 《桂林电子科技大学学报》 *

Also Published As

Publication number Publication date
CN110638433B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN107529646B (zh) 一种基于欧拉影像放大的无接触式心率测量方法及装置
Wang et al. A robust signal preprocessing framework for wrist pulse analysis
Fan et al. Robust blood pressure estimation using an RGB camera
CN110664390B (zh) 基于腕带式ppg和深度学习的心率监测系统及方法
Bhateja et al. A composite wavelets and morphology approach for ECG noise filtering
CN114469124B (zh) 一种运动过程中异常心电信号的识别方法
CN104305992A (zh) 一种交互式胎儿心电快速自动提取方法
Fotiadou et al. End-to-end trained encoder–decoder convolutional neural network for fetal electrocardiogram signal denoising
CN111354006A (zh) 超声图像中目标组织的描迹方法及装置
Lin et al. Sequential beat-to-beat P and T wave delineation and waveform estimation in ECG signals: Block Gibbs sampler and marginalized particle filter
CN111528821A (zh) 一种脉搏波中重搏波特征点识别方法
Pham et al. Joint blind deconvolution and robust principal component analysis for blood flow estimation in medical ultrasound imaging
Bigot Fréchet means of curves for signal averaging and application to ECG data analysis
JP4945309B2 (ja) 脳波測定方法及び脳波測定装置並びに記録媒体
Boucheham et al. Piecewise linear correction of ECG baseline wander: a curve simplification approach
CN112336369B (zh) 一种多通道心音信号的冠心病风险指数评估系统
Cao et al. Morphology extraction of fetal ECG using temporal CNN-based nonlinear adaptive noise cancelling
CN112001862B (zh) 消除视频心冲击信号运动噪声的非接触式视心率检测方法
CN117688373A (zh) 一种快速电磁波热致声成像去噪方法及装置
CN110638433B (zh) 一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统
CN109620198B (zh) 心血管指数检测、模型训练方法及装置
Bhyri et al. ECG feature extraction and disease diagnosis
CN115553784A (zh) 基于心电、心音信号耦合分析的冠心病评估方法及系统
Franchevska et al. The Method and Algorithm for Detecting the Fetal ECG Signal in the Presence of Interference
McSharry et al. A comparison of nonlinear noise reduction and independent component analysis using a realistic dynamical model of the electrocardiogram

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220824

Address after: A107, Floor 1, Building 1, Phase I, Guangdong Xiaxi International Rubber and Plastic City, Nanping West Road, Guicheng Street, Nanhai District, Foshan City, Guangdong Province, 528200 (Residence declaration)

Applicant after: Foshan Xiezhi Navigation Technology Co.,Ltd.

Address before: Nan'an Tanchang, Gaoyao District, Zhaoqing City, Guangdong Province, 526100 (2nd Floor, Library of Guangdong University of Technology)

Applicant before: INTELLIGENT MANUFACTURING RESEARCH INSTITUTE (ZHAOQING GAOYAO) CO.,LTD.

GR01 Patent grant
GR01 Patent grant