CN110720889B - 一种基于自适应交叉重构的生命信号降噪提取方法 - Google Patents
一种基于自适应交叉重构的生命信号降噪提取方法 Download PDFInfo
- Publication number
- CN110720889B CN110720889B CN201910798201.3A CN201910798201A CN110720889B CN 110720889 B CN110720889 B CN 110720889B CN 201910798201 A CN201910798201 A CN 201910798201A CN 110720889 B CN110720889 B CN 110720889B
- Authority
- CN
- China
- Prior art keywords
- signal
- heartbeat
- component
- respiration
- snr
- 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
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
- A61B5/72—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
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于自适应交叉重构的生命信号降噪提取方法,首先对生命信号进行初次分离,得到心跳信号和呼吸信号,计算出心跳信号最大信噪比和呼吸信号最大信噪比,然后对心跳信号和呼吸信号分别做自适应分离处理,得到心跳信号分量和呼吸信号分量,并计算出心跳信号分量最大信噪比和呼吸信号分量最大信噪比,最后比较两次分离得到的心跳信号最大信噪比之差是否小于阈值或呼吸信号最大信噪比之差是否小于阈值,若满足条件,则输出低噪生命信号,否则对生命信号进行交叉重构;本发明通过信噪比比较,对生命信号进行交叉重构,不仅可以实现生命信号的多次分解,还可以自适应降低噪声对生命信号的干扰,提高生命信号提取的准确度。
Description
技术领域
本发明涉及信号提取技术领域,具体涉及一种基于自适应交叉重构的生命信号降噪提取方法。
背景技术
随着社会的发展,人们对自身的健康情况越来越重视,定期做健康检查已经成为许多人生活中不可缺少的一部分。生命体征参数是评价人体生命活动正常与否的重要指标,心跳、呼吸、血压、体温等参数是表征人体生命体征的四大基本生理参数,其中心跳、呼吸是反映人体生命特征最直观的生理参数。常见的心跳、呼吸检测技术有非接触式检测和接触式检测:接触式检测需要利用电极或传感器直接或间接的接触生物体来检测心跳、呼吸,在检测过程中对受试者有一定的约束,特别是对新生婴儿、失能的老年人、烧伤的病人带来不适;非接触式检测无需使用电极或传感器与人接触,能实现远距离的检测,特别是在灾后伤员搜救、传染病人、睡觉时进行健康监测等方面具有很大的应用前景。目前常见的非接触式心跳、呼吸检测方法有光学检测、超声检测、生物雷达检测等,光学检测、超声检测易受天气情况、周围环境等因素的影响,信号在空气传播中衰减较大,生物雷达检测受天气情况影响小,能实现二十四小时不间断的检测。精确的检测心跳、呼吸不仅依赖于先进的检测技术,而且还与信号处理算法有关,信号处理算法的好坏直接影响心跳、呼吸的提取,从而影响生命体征状态的诊断。
现有的技术是根据心跳频率范围、呼吸频率范围来近似提取心跳信号、呼吸信号,在实际检测中,心跳、呼吸容易受静态杂波、受试者身体的运动、周围环境等噪声干扰影响,有时这些噪声干扰落在心跳频率范围内或呼吸频率范围内,并且这些噪声干扰有时离需要提取的心跳信号或呼吸信号很近,影响心跳信号、呼吸信号的准确提取。
常见的生命信号提取方法有小波变换、带通滤波、陷波滤波等方法。小波变换要预先设置小波基函数,设置好的基函数不能随不同的信号做出改变,不具有自适应性,由于心跳信号和呼吸信号的频带范围很接近,利用带通滤波器来提取心跳信号时不能消除呼吸谐波的干扰,若噪声干扰频率离心跳频率或呼吸频率很近时,陷波滤波在消除噪声干扰同时也会把心跳信号或呼吸信号消除。
在实际检测过程中,生命信号的特性会随时间发生变化,并且易受许多干扰的影响,常用经验模态分解等自适应方法来降噪提取生命信号,而利用经验模态分解得到的生命信号满足收敛条件时,不能进一步利用经验模态分解来降噪提取生命信号。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于自适应交叉重构的生命信号降噪提取方法,该方法通过信噪比比较,对生命信号进行交叉重构,不仅可以实现生命信号的多次分解,还可以自适应降低噪声对生命信号的干扰,提高生命信号提取的准确度。
本发明的目的通过下述技术方案实现:
一种基于自适应交叉重构的生命信号降噪提取方法,包括下述步骤:
S1,对生命信号做初次分离,得到心跳信号和呼吸信号,并计算出心跳信号和呼吸信号的最大信噪比为SNRh和SNRb;
S2,对S1中的心跳信号和呼吸信号分别做自适应分离处理,并分别计算出处理后所有分量的信噪比;
S3,选择出S2中心跳信号分量和呼吸信号分量的最大信噪比为SNRu和SNRv,若|SNRh-SNRu|<β或|SNRb-SNRv|<β,则执行S4,否则进行信号交叉重构;
S4,根据S3中信噪比之差小于阈值β,得到低噪生命信号。
优选地,所述S1对生命信号做初次分离,包括以下具体步骤:
S11,寻找生命信号x(n)的所有局部极大值点和所有局部极小值点,拟合出x(n)的上包络线xup(n)和下包络线xlow(n);
S12,求出包络线的均值m(n)=[xup(n)+xlow(n)]/2,初始化i=1,用生命信号x(n)减去包络线均值m(n)得到一个新信号:hi(n)=x(n)-m(n);
S14,用生命信号x(n)减去新信号hi(n)得到剩余分量:ri(n)=x(n)-hi(n);
S15,若剩余分量ri(n)的极值点个数不大于2,则执行S16,否则令x(n)=ri(n),返回执行S11;
S17,对全部的hi(n)进行频谱分析得到hi(ω),找出hi(ω)的频谱峰值,选择出频谱峰值在0.8Hz到3Hz的心跳信号分量和频谱峰值在0.2Hz到0.8Hz的呼吸信号分量;
S19,选择出S18中心跳信号分量的最大信噪比为SNRh和呼吸信号分量的最大信噪比为SNRb;
S110,将S17中选择出的心跳信号分量和呼吸信号分量分别进行重构,得到一个新的心跳信号H(n)和一个新的呼吸信号B(n)。
优选地,所述S2对心跳信号和呼吸信号分别做自适应分离处理,其中:
(1)对心跳信号做自适应分离处理,包括以下具体步骤:
S211,寻找心跳信号H(n)的所有局部极大值点和所有局部极小值点,拟合出H(n)的上包络线Hup(n)和下包络线Hlow(n);
S212,求出包络线的均值m1(n)=[Hup(n)+Hlow(n)]/2,初始化j=1,用心跳信号H(n)减去包络线均值m1(n)得到一个新信号:cj(n)=H(n)-m1(n);
S214,用心跳信号H(n)减去新信号cj(n)得到剩余分量:pj(n)=H(n)-cj(n);
S215,若剩余分量pj(n)的极值点个数不大于2,则执行S216,否则令H(n)=pj(n),返回执行S211;
S217,对全部的cj(n)进行频谱分析得到cj(ω),找出cj(ω)的频谱峰值,选择出频谱峰值在0.8Hz到3Hz的心跳信号分量和频谱峰值在0.2Hz到0.8Hz的呼吸信号分量;
S218,对S217中选择出的心跳信号分量和呼吸信号分量分别进行重构,得到一个新的心跳信号Hu(n)和一个新的呼吸信号Hv(n);
(2)对呼吸信号做自适应分离处理,包括以下具体步骤:
S221,寻找呼吸信号B(n)的所有局部极大值点和所有局部极小值点,拟合出B(n)的上包络线Bup(n)和下包络线Blow(n);
S222,求出包络线的均值m2(n)=[Bup(n)+Blow(n)]/2,初始化e=1,用呼吸信号B(n)减去包络线均值m2(n)得到一个新信号:be(n)=B(n)-m2(n);
S224,用呼吸信号B(n)减去新信号be(n)得到剩余分量:qe(n)=B(n)-be(n);
S225,若剩余分量qe(n)的极值点个数不大于2,则执行S226,否则令B(n)=qe(n),返回执行S221;
S227,对全部的be(n)进行频谱分析得到be(ω),找出be(ω)的频谱峰值,选择出频谱峰值在0.8Hz到3Hz的心跳信号分量和频谱峰值在0.2Hz到0.8Hz的呼吸信号分量;
S228,对S227中选择出的心跳信号分量和呼吸信号分量分别进行重构,得到一个新的心跳信号Bu(n)和一个新的呼吸信号Bv(n);
优选地,所述S3包括以下具体步骤:
S31,选择出S219中心跳信号分量最大信噪比SNRu和S229中呼吸信号分量最大信噪比SNRv;
S32,若|SNRh-SNRu|<β或|SNRb-SNRv|<β,则终止信号交叉重构,执行S4,否则执行S33;
S33,将S218的心跳信号Hu(n)和S228的心跳信号Bu(n)进行交叉重构得到一个新的心跳信号:Yu(n)=Hu(n)+Bu(n),S218的呼吸信号Hv(n)和S228的呼吸信号Bv(n)进行交叉重构得到一个新的呼吸信号:Zv(n)=Hv(n)+Bv(n);
S34,更新S2的心跳信号和呼吸信号:H(n)=Yu(n),B(n)=Zv(n)。
优选地,所述S4输出低噪信号,包括以下具体步骤:
在S3中,若信噪比之差小于阈值,则输出低噪的心跳信号和呼吸信号。
本发明与现有技术相比具有以下的有益效果:
(1)相对于传统的小波变换,本发明提供的方法不需要设置基函数,可以根据不同环境不同受试者的生命信号特性做出自适应调整,具有自适应性;
(2)本发明通过比较生命信号信噪比之差与阈值的大小进行交叉重构,不仅可以实现生命信号的多次分解,而且还能自适应消除生命信号频带内的噪声干扰,提高生命信号的信噪比,提高生命信号提取的准确度。
附图说明
图1为本发明的流程图;
图2为本发明的生命信号初次分离的流程图;
图3为本发明的自适应生命信号分离的流程图;
图4为本发明的生命信号交叉重构的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
本发明提出了一种基于自适应交叉重构的生命信号降噪提取方法,首先对生命信号进行初次分离,得到心跳信号和呼吸信号,计算出心跳信号最大信噪比和呼吸信号最大信噪比,然后对心跳信号和呼吸信号分别做自适应分离处理,得到心跳信号分量和呼吸信号分量,并计算出心跳信号分量最大信噪比和呼吸信号分量最大信噪比,最后比较两次分离得到的心跳信号最大信噪比之差是否小于阈值或呼吸信号最大信噪比之差是否小于阈值,若满足条件,则输出低噪生命信号,否则对生命信号进行交叉重构。
具体来说,如图1~4所示,一种基于自适应交叉重构的生命信号降噪提取方法,包括下述步骤:
S1,对生命信号做初次分离,得到心跳信号和呼吸信号,并计算出心跳信号和呼吸信号的最大信噪比为SNRh和SNRb;
如图2所示,对生命信号做初次分离,包括以下具体步骤:
S11,寻找生命信号x(n)的所有局部极大值点和所有局部极小值点,拟合出x(n)的上包络线xup(n)和下包络线xlow(n);
S12,求出包络线的均值m(n)=[xup(n)+xlow(n)]/2,初始化i=1,用生命信号x(n)减去包络线均值m(n)得到一个新信号:hi(n)=x(n)-m(n);
S14,用生命信号x(n)减去新信号hi(n)得到剩余分量:ri(n)=x(n)-hi(n);
S15,若剩余分量ri(n)的极值点个数不大于2,则执行S16,否则令x(n)=ri(n),返回执行S11;
S17,对全部的hi(n)进行频谱分析得到hi(ω),找出hi(ω)的频谱峰值,选择出频谱峰值在0.8Hz到3Hz的心跳信号分量和频谱峰值在0.2Hz到0.8Hz的呼吸信号分量;
S19,选择出S18中心跳信号分量的最大信噪比为SNRh和呼吸信号分量的最大信噪比为SNRb;
例如SNRh=-4.9dB,SNRb=-3.9dB;
S110,将S17中选择出的心跳信号分量和呼吸信号分量分别进行重构,得到一个新的心跳信号H(n)和一个新的呼吸信号B(n)。
S2,对S1中的心跳信号和呼吸信号分别做自适应分离处理,并分别计算出处理后所有分量的信噪比;
如图3所示,对心跳信号和呼吸信号分别做自适应分离处理,其中:
(1)对心跳信号做自适应分离处理,包括以下具体步骤:
S211,寻找心跳信号H(n)的所有局部极大值点和所有局部极小值点,拟合出H(n)的上包络线Hup(n)和下包络线Hlow(n);
S212,求出包络线的均值m1(n)=[Hup(n)+Hlow(n)]/2,初始化j=1,用心跳信号H(n)减去包络线均值m1(n)得到一个新信号:cj(n)=H(n)-m1(n);
S214,用心跳信号H(n)减去新信号cj(n)得到剩余分量:pj(n)=H(n)-cj(n);
S215,若剩余分量pj(n)的极值点个数不大于2,则执行S216,否则令H(n)=pj(n),返回执行S211;
S217,对全部的cj(n)进行频谱分析得到cj(ω),找出cj(ω)的频谱峰值,选择出频谱峰值在0.8Hz到3Hz的心跳信号分量和频谱峰值在0.2Hz到0.8Hz的呼吸信号分量;
S218,对S217中选择出的心跳信号分量和呼吸信号分量分别进行重构,得到一个新的心跳信号Hu(n)和一个新的呼吸信号Hv(n);
(2)对呼吸信号做自适应分离处理,包括以下具体步骤:
S221,寻找呼吸信号B(n)的所有局部极大值点和所有局部极小值点,拟合出B(n)的上包络线Bup(n)和下包络线Blow(n);
S222,求出包络线的均值m2(n)=[Bup(n)+Blow(n)]/2,初始化e=1,用呼吸信号B(n)减去包络线均值m2(n)得到一个新信号:be(n)=B(n)-m2(n);
S224,用呼吸信号B(n)减去新信号be(n)得到剩余分量:qe(n)=B(n)-be(n);
S225,若剩余分量qe(n)的极值点个数不大于2,则执行S226,否则令B(n)=qe(n),返回执行S221;
S227,对全部的be(n)进行频谱分析得到be(ω),找出be(ω)的频谱峰值,选择出频谱峰值在0.8Hz到3Hz的心跳信号分量和频谱峰值在0.2Hz到0.8Hz的呼吸信号分量;
S228,对S227中选择出的心跳信号分量和呼吸信号分量分别进行重构,得到一个新的心跳信号Bu(n)和一个新的呼吸信号Bv(n);
例如pe(l)=50,∑pe2(f)=7000,S3,选择出S2中心跳信号分量和呼吸信号分量的最大信噪比为SNRu和SNRv,若|SNRh-SNRu|<β或|SNRb-SNRv|<β,则执行S4,否则进行信号交叉重构;
如图4所示,包括以下具体步骤:
S31,选择出S219中心跳信号分量最大信噪比SNRu和S229中呼吸信号分量最大信噪比SNRv;
例如SNRu=-4.3dB,SNRv=-3.1dB;
S32,若|SNRh-SNRu|<β或|SNRb-SNRv|<β,则终止信号交叉重构,执行S4,否则执行S33;
例如|SNRh-SNRu|=0.6dB,|SNRb-SNRv|=0.8dB,均不小于阈值β=0.01,执行S33;
S33,将S218的心跳信号Hu(n)和S228的心跳信号Bu(n)进行交叉重构得到一个新的心跳信号:Yu(n)=Hu(n)+Bu(n),S218的呼吸信号Hv(n)和S228的呼吸信号Bv(n)进行交叉重构得到一个新的呼吸信号:Zv(n)=Hv(n)+Bv(n);
S34,更新S2的心跳信号和呼吸信号:H(n)=Yu(n),B(n)=Zv(n)。
S4,根据S3中信噪比之差小于阈值β,得到低噪生命信号;
输出低噪信号包括以下具体步骤:
在S3中,若信噪比之差小于阈值,则输出低噪的心跳信号和呼吸信号。
相对于传统的小波变换,本发明提供的方法不需要设置基函数,可以根据不同环境不同受试者的生命信号特性做出自适应调整,具有自适应性;通过比较生命信号信噪比之差与阈值的大小进行交叉重构,不仅可以实现生命信号的多次分解,而且还能自适应消除生命信号频带内的噪声干扰,提高生命信号的信噪比,提高生命信号提取的准确度。
上述为本发明较佳的实施方式,但本发明的实施方式并不受上述内容的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.一种基于自适应交叉重构的生命信号降噪提取方法,其特征在于,包括下述步骤:
S1,对生命信号做初次分离,得到心跳信号和呼吸信号,并计算出心跳信号和呼吸信号的最大信噪比为SNRh和SNRb;
S2,对S1中的心跳信号和呼吸信号分别做自适应分离处理,并分别计算出处理后所有分量的信噪比;
S3,选择出S2中心跳信号分量和呼吸信号分量的最大信噪比为SNRu和SNRv,若|SNRh-SNRu|<β或|SNRb-SNRv|<β,则执行S4,否则进行信号交叉重构;
S4,根据S3中信噪比之差小于阈值β,得到低噪生命信号;
所述S1对生命信号做初次分离,包括以下具体步骤:
S11,寻找生命信号x(n)的所有局部极大值点和所有局部极小值点,拟合出x(n)的上包络线xup(n)和下包络线xlow(n);
S12,求出包络线的均值m(n)=[xup(n)+xlow(n)]/2,初始化i=1,用生命信号x(n)减去包络线均值m(n)得到一个新信号:hi(n)=x(n)-m(n);
S14,用生命信号x(n)减去新信号hi(n)得到剩余分量:ri(n)=x(n)-hi(n);
S15,若剩余分量ri(n)的极值点个数不大于2,则执行S16,否则令x(n)=ri(n),返回执行S11;
S17,对全部的hi(n)进行频谱分析得到hi(ω),找出hi(ω)的频谱峰值,选择出频谱峰值在0.8Hz到3Hz的心跳信号分量和频谱峰值在0.2Hz到0.8Hz的呼吸信号分量;
S19,选择出S18中心跳信号分量的最大信噪比为SNRh和呼吸信号分量的最大信噪比为SNRb;
S110,将S17中选择出的心跳信号分量和呼吸信号分量分别进行重构,得到一个新的心跳信号H(n)和一个新的呼吸信号B(n);
所述S2对心跳信号和呼吸信号分别做自适应分离处理,其中:
对心跳信号做自适应分离处理,包括以下具体步骤:
S211,寻找心跳信号H(n)的所有局部极大值点和所有局部极小值点,拟合出H(n)的上包络线Hup(n)和下包络线Hlow(n);
S212,求出包络线的均值m1(n)=[Hup(n)+Hlow(n)]/2,初始化j=1,用心跳信号H(n)减去包络线均值m1(n)得到一个新信号:cj(n)=H(n)-m1(n);
S214,用心跳信号H(n)减去新信号cj(n)得到剩余分量:pj(n)=H(n)-cj(n);
S215,若剩余分量pj(n)的极值点个数不大于2,则执行S216,否则令H(n)=pj(n),返回执行S211;
S217,对全部的cj(n)进行频谱分析得到cj(ω),找出cj(ω)的频谱峰值,选择出频谱峰值在0.8Hz到3Hz的心跳信号分量和频谱峰值在0.2Hz到0.8Hz的呼吸信号分量;
S218,对S217中选择出的心跳信号分量和呼吸信号分量分别进行重构,得到一个新的心跳信号Hu(n)和一个新的呼吸信号Hv(n);
对呼吸信号做自适应分离处理,包括以下具体步骤:
S221,寻找呼吸信号B(n)的所有局部极大值点和所有局部极小值点,拟合出B(n)的上包络线Bup(n)和下包络线Blow(n);
S222,求出包络线的均值m2(n)=[Bup(n)+Blow(n)]/2,初始化e=1,用呼吸信号B(n)减去包络线均值m2(n)得到一个新信号:be(n)=B(n)-m2(n);
S224,用呼吸信号B(n)减去新信号be(n)得到剩余分量:qe(n)=B(n)-be(n);
S225,若剩余分量qe(n)的极值点个数不大于2,则执行S226,否则令B(n)=qe(n),返回执行S221;
S227,对全部的be(n)进行频谱分析得到be(ω),找出be(ω)的频谱峰值,选择出频谱峰值在0.8Hz到3Hz的心跳信号分量和频谱峰值在0.2Hz到0.8Hz的呼吸信号分量;
S228,对S227中选择出的心跳信号分量和呼吸信号分量分别进行重构,得到一个新的心跳信号Bu(n)和一个新的呼吸信号Bv(n);
2.根据权利要求1所述的基于自适应交叉重构的生命信号降噪提取方法,其特征在于,所述S3包括以下具体步骤:
S31,选择出S219中心跳信号分量最大信噪比SNRu和S229中呼吸信号分量最大信噪比SNRv;
S32,若|SNRh-SNRu|<β或|SNRb-SNRv|<β,则终止信号交叉重构,执行S4,否则执行S33;
S33,将S218的心跳信号Hu(n)和S228的心跳信号Bu(n)进行交叉重构得到一个新的心跳信号:Yu(n)=Hu(n)+Bu(n),S218的呼吸信号Hv(n)和S228的呼吸信号Bv(n)进行交叉重构得到一个新的呼吸信号:Zv(n)=Hv(n)+Bv(n);
S34,更新S2的心跳信号和呼吸信号:H(n)=Yu(n),B(n)=Zv(n)。
3.根据权利要求2所述的基于自适应交叉重构的生命信号降噪提取方法,其特征在于,所述S4输出低噪信号,包括以下具体步骤:
在S3中,若信噪比之差小于阈值,则输出低噪的心跳信号和呼吸信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910798201.3A CN110720889B (zh) | 2019-08-27 | 2019-08-27 | 一种基于自适应交叉重构的生命信号降噪提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910798201.3A CN110720889B (zh) | 2019-08-27 | 2019-08-27 | 一种基于自适应交叉重构的生命信号降噪提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110720889A CN110720889A (zh) | 2020-01-24 |
CN110720889B true CN110720889B (zh) | 2022-04-08 |
Family
ID=69217772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910798201.3A Active CN110720889B (zh) | 2019-08-27 | 2019-08-27 | 一种基于自适应交叉重构的生命信号降噪提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110720889B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461146B (zh) * | 2020-03-31 | 2023-04-07 | 武汉大学 | 一种基于稀疏交叉重构的变化检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101867704A (zh) * | 2010-05-20 | 2010-10-20 | 苏州新海宜通信科技股份有限公司 | 一种去除视频图像块状噪声的方法 |
CN103982241A (zh) * | 2014-05-05 | 2014-08-13 | 山东科技大学 | 一种煤矿井下低信噪比微震信号消噪滤波方法 |
CN106901695A (zh) * | 2017-02-22 | 2017-06-30 | 北京理工大学 | 一种生命信号提取方法及装置 |
US10159435B1 (en) * | 2017-09-29 | 2018-12-25 | Novelic D.O.O. | Emotion sensor system |
CN109328031A (zh) * | 2016-06-24 | 2019-02-12 | 皇家飞利浦有限公司 | 用于生命体征检测的系统和方法 |
CN109522826A (zh) * | 2018-10-31 | 2019-03-26 | 广东工业大学 | 一种基于fmcw毫米波雷达的生命信号检测方法和系统 |
CN109620176A (zh) * | 2018-12-05 | 2019-04-16 | 广东工业大学 | 一种智能睡眠监护方法及装置 |
CN109965858A (zh) * | 2019-03-28 | 2019-07-05 | 北京邮电大学 | 基于超宽带雷达人体生命体征检测方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140355001A1 (en) * | 2013-05-28 | 2014-12-04 | Stratus Devices, Inc. | Measuring Deflection in an Optical Fiber Sensor by Comparing Current and Baseline Frames of Speckle Interference Patterns |
US9854973B2 (en) * | 2014-10-25 | 2018-01-02 | ARC Devices, Ltd | Hand-held medical-data capture-device interoperation with electronic medical record systems |
-
2019
- 2019-08-27 CN CN201910798201.3A patent/CN110720889B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101867704A (zh) * | 2010-05-20 | 2010-10-20 | 苏州新海宜通信科技股份有限公司 | 一种去除视频图像块状噪声的方法 |
CN103982241A (zh) * | 2014-05-05 | 2014-08-13 | 山东科技大学 | 一种煤矿井下低信噪比微震信号消噪滤波方法 |
CN109328031A (zh) * | 2016-06-24 | 2019-02-12 | 皇家飞利浦有限公司 | 用于生命体征检测的系统和方法 |
CN106901695A (zh) * | 2017-02-22 | 2017-06-30 | 北京理工大学 | 一种生命信号提取方法及装置 |
US10159435B1 (en) * | 2017-09-29 | 2018-12-25 | Novelic D.O.O. | Emotion sensor system |
CN109522826A (zh) * | 2018-10-31 | 2019-03-26 | 广东工业大学 | 一种基于fmcw毫米波雷达的生命信号检测方法和系统 |
CN109620176A (zh) * | 2018-12-05 | 2019-04-16 | 广东工业大学 | 一种智能睡眠监护方法及装置 |
CN109965858A (zh) * | 2019-03-28 | 2019-07-05 | 北京邮电大学 | 基于超宽带雷达人体生命体征检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于改进经验模态分解的雷达生命信号检测;刘震宇等;《仪器仪表学报》;20181231;第39卷(第12期);第171-178页 * |
基于自适应小波尺度选择的生物雷达呼吸与心跳分离方法;胡锡坤等;《雷达学报》;20161031;第5卷(第5期);第462-469页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110720889A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106021948B (zh) | 一种面向肠鸣音信号监护系统的信号处理方法 | |
Bozkurt et al. | Detection of abnormal respiratory events with single channel ECG and hybrid machine learning model in patients with obstructive sleep apnea | |
US20080243017A1 (en) | Breathing sound analysis for estimation of airlow rate | |
CN110338813B (zh) | 一种基于频谱分析的无创血糖检测方法 | |
Morillo et al. | Computerized analysis of respiratory sounds during COPD exacerbations | |
Ni et al. | Automated recognition of hypertension through overnight continuous HRV monitoring | |
CN103153183A (zh) | 用于诊断阻塞性睡眠呼吸暂停的装置和方法 | |
CN104323773A (zh) | 一种基于eog的erg信号采集与处理系统及方法 | |
CN107530015B (zh) | 一种生命体征分析方法与系统 | |
Li et al. | ECG denoising method based on an improved VMD algorithm | |
Xiao et al. | VMD-based denoising methods for surface electromyography signals | |
CN104473660B (zh) | 一种基于子带能量包络自相关特征的异常心音识别方法 | |
CN113723557B (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类系统 | |
CN110720889B (zh) | 一种基于自适应交叉重构的生命信号降噪提取方法 | |
Huang et al. | Joint ensemble empirical mode decomposition and tunable Q factor wavelet transform based sleep stage classifications | |
CN115316957A (zh) | 基于多参数指标的围术期麻醉深度监测系统 | |
Hossain et al. | A deep convolutional autoencoder for automatic motion artifact removal in electrodermal activity | |
He et al. | A new approach for daily life Blood-Pressure estimation using smart watch | |
WO2022063047A1 (zh) | 一种基于光电容积脉搏波的无创糖尿病预测系统及方法 | |
Xing et al. | An artifact-resistant feature SKNAER for quantifying the burst of skin sympathetic nerve activity signal | |
CN105982664B (zh) | 基于单导联ecg的心肺耦合分析方法 | |
Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
CN110037733A (zh) | 一种便携式程控无线体音监测系统 | |
Torres et al. | Low-power system for the acquisition of the respiratory signal of neonates using diaphragmatic electromyography | |
Sanchez-Perez et al. | Enabling Continuous Breathing-Phase Contextualization via Wearable-based Impedance Pneumography and Lung Sounds: A Feasibility Study |
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 |