CN110664390A - 基于腕带式ppg和深度学习的心率监测系统及方法 - Google Patents
基于腕带式ppg和深度学习的心率监测系统及方法 Download PDFInfo
- Publication number
- CN110664390A CN110664390A CN201910961846.4A CN201910961846A CN110664390A CN 110664390 A CN110664390 A CN 110664390A CN 201910961846 A CN201910961846 A CN 201910961846A CN 110664390 A CN110664390 A CN 110664390A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- ppg
- ppg signal
- signal
- denoising
- 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
Images
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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
-
- 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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
- A61B5/7264—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)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Power Engineering (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于无线感知以及健康监测领域,涉及一种基于光电容积脉搏波(PPG)和深度学习的心率监测系统及方法,系统分为三个模块:1)预处理模块:对PPG信号进行带通滤波、降采样以及切分成帧,以供后续模块使用。2)基于深度学习的信号去噪:该模块使用一个CNN神经网络作为去噪网络,采用基于心电图(ECG)信号的训练数据生成方法,使得训练后的神经网络可以输出去噪PPG信号。3)基于频谱分析的心率计算与校准:采用频谱分析的方法从去噪后的PPG信号中计算出心率值,并设计了相应的校准算法,使得结果更加精确。本发明可以使用户使用智能手表实时获取心率数据,并且在运动场景下也能获得较为准确的心率结果。
Description
技术领域
本发明属于健康监测领域,具体涉及一种基于腕带式PPG和深度学习的心率监测系统及 方法,主要用于解决如何在用户运动的过程中准确测量心率的问题。
背景技术
心率是显示健康状况的重要指标。传统的测量方法是基于心电图(ECG)的心率分析,这 种方法需要专业的设备和知识,不能满足用户的日常测量需求。近年来随着智能腕带式设备 的发展与成熟,基于智能腕带式设备的心率检测方案成为主流。这些设备采用光电容积脉搏 波(PPG)信号来计算心率。PPG传感器包含了一个LED灯与一个接收器,LED灯不断向皮肤 投射光线,光透过皮肤组织被血流吸收,同时接收器接收反射回来的光信号。由于反射光的 强度与血流速度相关,同时血流速度受周期性的心律影响,因此PPG信号可以反映心率信息。
另一方面,由于运动带来的干扰,采集到的PPG信号往往含有大量的噪声,对计算结果 会带来较大的影响。对于无噪PPG信号,可以对其作傅里叶变换观察频谱,频谱中最大值的 频率点乘以60就是每分钟心率。而对于含噪PPG信号,其频谱会受到噪声干扰,表现为有较 多干扰谱峰而将正确的谱峰淹没。为了去除运动噪声,之前的研究中往往采用基于信号处理 的方法,包括自适应滤波、主成分分析、信号分解等,有的方法还采用了加速度计信号作为 参考。这些方法在噪声水平较为弱的情况下能够得到较好的结果,但是当噪声强度增加且手 臂的摆动呈不规律时,之前的方法往往难以取得准确的结果。
发明内容
本发明针对现有技术中的不足,提供一种基于腕带式PPG和深度学习的心率监测系统及 方法,可实现运动场景下的心率测量。
为实现上述目的,本发明采用以下技术方案:
基于腕带式PPG和深度学习的心率监测系统,其特征在于,包括如下三个模块:
预处理模块:采集PPG信号,对PPG信号应用巴特沃斯带通滤波,滤除低频和高频噪声, 再对PPG信号作降采样处理,并使用滑动窗口切分成固定大小的帧;
基于深度学习的信号去噪模块:使用一个卷积神经网络对预处理后的PPG信号进行去噪 处理,网络的输入是带噪PPG信号,网络的输出是去噪后的PPG信号;其中,系统采用基于 ECG信号的训练标签生成方法来产生神经网络训练所需要的数据;
基于频谱分析的心率计算与校准模块:采用频谱分析的方法,使用自回归模型(AR)来 分析PPG信号的频谱,从而得出心率结果;同时设计心率校准算法,用于检测和校正错误的 异常结果。
此外,本发明还提出了如上所述的基于腕带式PPG和深度学习的心率监测系统的实现方 法,其特征在于,包括如下步骤:
1)信号预处理:
由PPG传感器收集用户手腕处的PPG信号;
用带通滤波器对PPG信号进行滤波,然后对PPG信号作降采样处理;
使用滑动窗口将PPG信号切分为等长的帧以供后续模块使用;
2)基于深度学习的信号去噪:
采用去噪卷积神经网络(DnCNN)作为去噪模块;
采用基于ECG的训练标签生成方法,产生训练神经网络所需要的数据;
3)基于频谱分析的心率计算与校准:
使用自回归模型计算去噪后的PPG信号频谱,根据谱峰计算心率值;
设计心率校准算法,检测并消除突变的错误值,提升系统的鲁棒性。
为优化上述技术方案,采取的具体措施还包括:
进一步地,所述信号预处理具体如下:
S1.1:用户使用带有PPG传感器的智能腕带式设备采集原始PPG信号,由于场景包含运 动过程,采集到的PPG信号含有一定噪声;
S1.2:使用巴特沃斯带通滤波器对PPG信号滤波,去除低频和高频噪声,其中滤波器的 截止频率为0.4Hz和5Hz,包含了正常的心率范围;
S1.3:对PPG信号进行降采样处理,以减少计算负担,降采样后的采样率为32Hz,满足 大于10Hz的最低采样率;
S1.4:使用窗口大小为lw以及滑动大小为ls的滑动窗口将PPG信号切分为一系列等长的 PPG帧,以供后续模块使用。
进一步地,所述基于深度学习的信号去噪具体如下:
S2.1:使用与PPG信号同步记录的ECG信号产生训练标签,即检测ECG信号的R峰,并使用模板PPG来填充R-R间隔,生成PPG标签;
S2.2:使用带噪的PPG信号和生成的PPG标签来训练去噪卷积神经网络,其中神经网络 结构由一维卷积层和批标准化层的堆叠构成,网络输入为去噪前的PPG信号,网络输出为去 噪PPG信号,使用余弦距离作为损失函数,其中y,分别表示 网络的输出和标签,下标i表示第i帧PPG信号。
进一步地,所述基于频谱分析的心率计算与校准具体如下:
S3.1:使用自回归模型计算出PPG信号的频谱,根据公式计算出心率, 其中hi表示第i帧PPG信号所代表的心率,用每分钟心拍数表示,pj表示频谱最大值的下标, nfft表示傅里叶变换的点数,fs表示采样频率;
S3.2:设计心率校准算法,首先根据S3.1的方法计算初始心率,对于接下来的每一帧 PPG信号所对应的心率值,继续使用S3.1的方法计算;若当前计算的心率值与前一心率值差 的绝对值小于给定阈值Therror,则输出当前心率值,否则通过提升自回归模型的阶数重新计算 PPG信号的频谱,同时计算滤波前PPG信号的频谱作为参考,并找出两个频谱内重合的且最 接近上一心率值的谱峰,使用该谱峰重新计算当前的心率;若当前计算的心率值与前一心率 值差的绝对值小于给定阈值Therror,则输出当前心率值,否则进入错误处理状态;
S3.3:在错误处理状态中,计数器值error_count表示连续出现错误的次数;若error_count大于3,则将阈值置为无穷大,并将error_count置零;否则系统处于错误状态中,使用计算的前j个心率[hi-j,...,hi-1]来预测当前的心率值。
进一步地,S2.2中,去噪卷积神经网络的训练循环次数设置为10个epoch,学习速率设 置为0.7,使用Adadelta优化器训练。
本发明的有益效果是:设计了一种基于腕带式PPG和深度学习的心率监测系统及方法, 使用智能手表的PPG传感器采集用户的PPG数据,通过信号预处理将原始PPG信号处理为系 统能够使用的PPG帧,再利用去噪卷积神经网络对信号进行去噪处理,消除运动带来的噪声 干扰,其中训练所需的标签信号由同步记录的ECG信号生成,最后通过基于频谱分析的心率 计算与校准输出结果。本发明在心率结果的准确度上相较以往的研究有一定的提升,且在运 动的场景下也有着一定的准确率。
附图说明
图1为基于腕带式PPG和深度学习的心率监测系统框架图。
图2为基于深度学习的信号去噪示意图。
图3为神经网络的训练过程。
图4为基于频谱分析的心率计算与校准算法流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示的基于腕带式PPG和深度学习的心率监测系统的主要思想为:将系统划分为 三个模块:信号预处理,基于深度学习的信号去噪,以及基于频谱分析的心率计算与校准。 第一个模块对信号作预处理使得后续模块可以使用,第二个模块利用卷积神经网络对信号进 行去噪处理,第三个模块通过设计的算法计算并校正心率值。
信号预处理的具体步骤是:
1)数据来源于智能手表采集的用户PPG数据,包含休息场景和运动场景;
2)使用巴特沃斯带通滤波器对PPG信号滤波,去除低频和高频噪声,其中滤波器的截止 频率为0.4Hz和5Hz,包含了正常的心率范围;
3)对信号作降采样处理,从原始的125Hz降采样到32Hz;
4)使用窗口大小为lw以及滑动大小为ls的滑动窗口将信号切分为一系列等长的帧,以供 后续模块使用。
基于深度学习的信号去噪的具体步骤是:
1)去噪卷积神经网络具体所用的结构如图2所示。第1层是卷积层加ReLU激活函数, 第2到15层是卷积层加批标准化层(BN)以及ReLU激活函数,最后一层是卷积层。网络使用余弦距离作为损失函数,其中y,分别表示网络的输出和标 签。网络的输入信号为带噪的PPG信号,网络输出为去噪后的PPG信号;
2)神经网络的训练过程如图3所示。采用和训练用的PPG数据同步记录的ECG数据来获 得训练用的标签数据,具体为:首先通过对齐波峰来校准ECG信号和PPG信号,然后识别ECG 信号中的所有R峰,再使用模板PPG信号(无干扰的PPG信号)来填充所有的R-R间隔。生 成的PPG信号和原始PPG信号一同采用上述的预处理方法生成一系列的输入-标签数据,用以 训练网络;
3)去噪卷积神经网络的训练循环次数设置为10个epoch,学习速率设置为0.7,使用 Adadelta优化器训练。
基于频谱分析的心率计算与校准的具体步骤是:
1)基本的心率计算为:使用自回归模型计算出信号的频谱,根据公式计算出心率,其中hi表示第i帧PPG信号所代表的心率,用每分钟心拍数(bpm)表示,pj表 示频谱最大值的下标,nfft表示傅里叶变换的点数,fs表示采样频率。PPG的一帧时域信号可 以用自回归模型(类似于傅立叶变换)转化为频谱,频谱中的最大值对应正确的心率,频谱 最大值的下标就是频谱图中心率的读数,这个公式可以将这个读数转变为真实的心率。
2)算法的流程图如图4所示。首先根据1)所述方法计算初始心率,对于接下来的心率 值,继续使用1)所述方法计算心率值,若当前计算的心率值与前一值差的绝对值小于给定 阈值Therror,则输出当前心率值,否则通过提升自回归模型的阶数重新计算频谱,同时计算滤 波前的信号的频谱作为参考,并找出两个频谱内重合的且最接近上一值的谱峰,使用该谱峰 计算心率。若当前计算的心率值与前一值差的绝对值小于给定阈值Therror,则输出当前心率值, 否则进入错误处理状态;
3)在错误处理状态中,计数器值error_count表示连续出现错误的次数。若error_count 大于3,则将阈值置为无穷大,并将error_count置零,否则系统处于错误状态中,因此使用 前j个心率[hi-j,...,hi-1]来预测当前的心率值。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于 本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术 人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.基于腕带式PPG和深度学习的心率监测系统,其特征在于,包括如下三个模块:
预处理模块:采集PPG信号,对PPG信号应用巴特沃斯带通滤波,再对PPG信号作降采样处理,并使用滑动窗口切分成固定大小的帧;
基于深度学习的信号去噪模块:使用一个卷积神经网络对预处理后的PPG信号进行去噪处理,网络的输入是带噪PPG信号,网络的输出是去噪后的PPG信号;其中,系统采用基于ECG信号的训练标签生成方法来产生神经网络训练所需要的数据;
基于频谱分析的心率计算与校准模块:采用频谱分析的方法,使用自回归模型来分析PPG信号的频谱,从而得出心率结果;同时设计心率校准算法,用于检测和校正错误的异常结果。
2.如权利要求1所述的基于腕带式PPG和深度学习的心率监测系统的实现方法,其特征在于,包括如下步骤:
1)信号预处理:
由PPG传感器收集用户手腕处的PPG信号;
用带通滤波器对PPG信号进行滤波,然后对PPG信号作降采样处理;
使用滑动窗口将PPG信号切分为等长的帧以供后续模块使用;
2)基于深度学习的信号去噪:
采用去噪卷积神经网络作为去噪模块;
采用基于ECG的训练标签生成方法,产生训练神经网络所需要的数据;
3)基于频谱分析的心率计算与校准:
使用自回归模型计算去噪后的PPG信号频谱,根据谱峰计算心率值;
设计心率校准算法,检测并消除突变的错误值。
3.如权利要求2所述的实现方法,其特征在于:所述信号预处理具体如下:
S1.1:用户使用带有PPG传感器的智能腕带式设备采集原始PPG信号;
S1.2:使用巴特沃斯带通滤波器对PPG信号滤波,去除低频和高频噪声,其中滤波器的截止频率为0.4Hz和5Hz;
S1.3:对PPG信号进行降采样处理,降采样后的采样率为32Hz;
S1.4:使用窗口大小为lw以及滑动大小为ls的滑动窗口将PPG信号切分为一系列等长的PPG帧,以供后续模块使用。
5.如权利要求4所述的实现方法,其特征在于:所述基于频谱分析的心率计算与校准具体如下:
S3.1:使用自回归模型计算出PPG信号的频谱,根据公式计算出心率,其中hi表示第i帧PPG信号所代表的心率,用每分钟心拍数表示,pj表示频谱最大值的下标,nfft表示傅里叶变换的点数,fs表示采样频率;
S3.2:设计心率校准算法,首先根据S3.1的方法计算初始心率,对于接下来的每一帧PPG信号所对应的心率值,继续使用S3.1的方法计算;若当前计算的心率值与前一心率值差的绝对值小于给定阈值Therror,则输出当前心率值,否则通过提升自回归模型的阶数重新计算PPG信号的频谱,同时计算滤波前PPG信号的频谱作为参考,并找出两个频谱内重合的且最接近上一心率值的谱峰,使用该谱峰重新计算当前的心率;若当前计算的心率值与前一心率值差的绝对值小于给定阈值Therror,则输出当前心率值,否则进入错误处理状态;
S3.3:在错误处理状态中,计数器值error_count表示连续出现错误的次数;若error_count大于3,则将阈值置为无穷大,并将error_count置零;否则系统处于错误状态中,使用计算的前j个心率[hi-j,...,hi-1]来预测当前的心率值。
6.如权利要求4所述的实现方法,其特征在于:S2.2中,去噪卷积神经网络的训练循环次数设置为10个epoch,学习速率设置为0.7,使用Adadelta优化器训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910961846.4A CN110664390B (zh) | 2019-10-11 | 2019-10-11 | 基于腕带式ppg和深度学习的心率监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910961846.4A CN110664390B (zh) | 2019-10-11 | 2019-10-11 | 基于腕带式ppg和深度学习的心率监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110664390A true CN110664390A (zh) | 2020-01-10 |
CN110664390B CN110664390B (zh) | 2020-08-04 |
Family
ID=69081816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910961846.4A Active CN110664390B (zh) | 2019-10-11 | 2019-10-11 | 基于腕带式ppg和深度学习的心率监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110664390B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
CN111803060A (zh) * | 2020-07-14 | 2020-10-23 | 武汉中旗生物医疗电子有限公司 | 一种心电伪迹信号去除方法及装置 |
CN112690771A (zh) * | 2020-12-09 | 2021-04-23 | 华南理工大学 | 一种利用线性回归模型的人脸视频心率检测方法 |
CN113261932A (zh) * | 2021-06-28 | 2021-08-17 | 山东大学 | 基于ppg信号和一维卷积神经网络的心率测量方法及装置 |
CN113303777A (zh) * | 2021-05-27 | 2021-08-27 | 维沃移动通信有限公司 | 心率值确定方法、装置、电子设备及介质 |
CN113349752A (zh) * | 2021-05-08 | 2021-09-07 | 电子科技大学 | 一种基于传感融合的可穿戴设备实时心率监测方法 |
CN113743376A (zh) * | 2021-11-02 | 2021-12-03 | 芯原微电子(南京)有限公司 | 一种信号滤波方法、模型训练方法、装置及电子设备 |
US20220008019A1 (en) * | 2020-07-08 | 2022-01-13 | Owlet Baby Care Inc. | Heart Rate Correction Using External Data |
WO2022067439A1 (en) * | 2020-09-30 | 2022-04-07 | Queen's University At Kingston | Method and apparatus for generating an electrocardiogram from a photoplethysmogram |
CN114391824A (zh) * | 2022-01-18 | 2022-04-26 | 安徽大学 | 一种基于ppg信号的心率估计方法、电子设备及存储介质 |
WO2023071501A1 (zh) * | 2021-11-01 | 2023-05-04 | 北京荣耀终端有限公司 | 心率检测方法及电子设备 |
CN116058814A (zh) * | 2021-11-01 | 2023-05-05 | 北京荣耀终端有限公司 | 心率检测方法及电子设备 |
CN117694857A (zh) * | 2023-08-17 | 2024-03-15 | 荣耀终端有限公司 | Ppg频域信号的去噪方法、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108778102A (zh) * | 2016-02-01 | 2018-11-09 | 威里利生命科学有限责任公司 | 使用心率的频谱分析和运动来检测快速眼动睡眠时段的机器学习模型 |
CN109044323A (zh) * | 2018-09-29 | 2018-12-21 | 天津惊帆科技有限公司 | 基于深度学习的心率和血氧饱和度测量设备 |
-
2019
- 2019-10-11 CN CN201910961846.4A patent/CN110664390B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108778102A (zh) * | 2016-02-01 | 2018-11-09 | 威里利生命科学有限责任公司 | 使用心率的频谱分析和运动来检测快速眼动睡眠时段的机器学习模型 |
CN109044323A (zh) * | 2018-09-29 | 2018-12-21 | 天津惊帆科技有限公司 | 基于深度学习的心率和血氧饱和度测量设备 |
Non-Patent Citations (3)
Title |
---|
ATTILA REISS 等: "Deep PPG: Large-Scale Heart Rate Estimation with Convolutional Neural Networks", 《SENSORS》 * |
李敏: "基于光电容积脉搏波的抗运动心率及血氧提取算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
王群 等: "一种基于时变自回归模型的抗运动干扰心率提取算法", 《航天医学与医学工程》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111449645B (zh) * | 2020-03-07 | 2021-07-06 | 河南大学 | 心电图心拍智能分类识别方法 |
CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
US20220008019A1 (en) * | 2020-07-08 | 2022-01-13 | Owlet Baby Care Inc. | Heart Rate Correction Using External Data |
CN111803060A (zh) * | 2020-07-14 | 2020-10-23 | 武汉中旗生物医疗电子有限公司 | 一种心电伪迹信号去除方法及装置 |
CN111803060B (zh) * | 2020-07-14 | 2022-12-06 | 武汉中旗生物医疗电子有限公司 | 一种心电伪迹信号去除方法及装置 |
WO2022067439A1 (en) * | 2020-09-30 | 2022-04-07 | Queen's University At Kingston | Method and apparatus for generating an electrocardiogram from a photoplethysmogram |
CN112690771A (zh) * | 2020-12-09 | 2021-04-23 | 华南理工大学 | 一种利用线性回归模型的人脸视频心率检测方法 |
CN113349752A (zh) * | 2021-05-08 | 2021-09-07 | 电子科技大学 | 一种基于传感融合的可穿戴设备实时心率监测方法 |
CN113303777A (zh) * | 2021-05-27 | 2021-08-27 | 维沃移动通信有限公司 | 心率值确定方法、装置、电子设备及介质 |
CN113261932A (zh) * | 2021-06-28 | 2021-08-17 | 山东大学 | 基于ppg信号和一维卷积神经网络的心率测量方法及装置 |
WO2023071501A1 (zh) * | 2021-11-01 | 2023-05-04 | 北京荣耀终端有限公司 | 心率检测方法及电子设备 |
CN116058814A (zh) * | 2021-11-01 | 2023-05-05 | 北京荣耀终端有限公司 | 心率检测方法及电子设备 |
CN113743376A (zh) * | 2021-11-02 | 2021-12-03 | 芯原微电子(南京)有限公司 | 一种信号滤波方法、模型训练方法、装置及电子设备 |
CN114391824A (zh) * | 2022-01-18 | 2022-04-26 | 安徽大学 | 一种基于ppg信号的心率估计方法、电子设备及存储介质 |
CN117694857A (zh) * | 2023-08-17 | 2024-03-15 | 荣耀终端有限公司 | Ppg频域信号的去噪方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110664390B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110664390B (zh) | 基于腕带式ppg和深度学习的心率监测系统及方法 | |
CN109381175B (zh) | 估计心率的方法和对应系统 | |
CN105832289A (zh) | 用于使用希尔伯特变换估计生物生理速率的设备和方法 | |
CN106691425B (zh) | 一种运动手环的腕部心率监测方法 | |
CN113349752B (zh) | 一种基于传感融合的可穿戴设备实时心率监测方法 | |
CN117033911B (zh) | 基于智能眼镜数据的计步分析方法 | |
JP6371410B2 (ja) | 呼吸状態推定装置、携帯機器、装着型デバイス、プログラム、媒体及び呼吸状態推定方法 | |
CN105286845A (zh) | 一种适用于可穿戴式心率测量设备的运动噪声消除方法 | |
CN106264505A (zh) | 一种基于支持向量机的心率谱峰选择方法 | |
CN109414203A (zh) | 基于光学测量的在线心率估计 | |
CN104042191A (zh) | 手表式多参数生物传感装置 | |
CN104161505A (zh) | 一种适用于可穿戴式心率监测设备的运动和噪声干扰消除方法 | |
CN106618542A (zh) | 一种去噪心率信号检测装置及方法 | |
CN104706336B (zh) | 一种光电式脉搏信号测量方法、装置及测量设备 | |
CN102499694A (zh) | 用于消除血氧饱和度监测干扰的方法 | |
CN110461215A (zh) | 使用便携式设备确定健康标志 | |
CN112998690B (zh) | 一种基于脉搏波多特征融合的呼吸率提取方法 | |
CN108042107A (zh) | 一种ppg信号伪差校正方法 | |
Chang et al. | Deepheart: accurate heart rate estimation from PPG signals based on deep learning | |
CN113729653A (zh) | 一种人体脉搏波信号采集方法 | |
Bashar et al. | Extraction of heart rate from PPG Signal: a machine learning approach using decision tree regression algorithm | |
CN113017559A (zh) | 一种基于压电薄膜传感器的生命体征提取算法及系统 | |
CN102579023B (zh) | 脉搏波信号处理方法和装置及电子血压测量装置 | |
CN110881958B (zh) | 一种用于中医脉诊仪的脉搏信号非生理信号去除方法 | |
CN111278353A (zh) | 一种生命体征信号噪声的检测方法与系统 |
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 |