CN110974190A - 基于微多普勒特征的心动状况无源感知方法 - Google Patents

基于微多普勒特征的心动状况无源感知方法 Download PDF

Info

Publication number
CN110974190A
CN110974190A CN201911180945.5A CN201911180945A CN110974190A CN 110974190 A CN110974190 A CN 110974190A CN 201911180945 A CN201911180945 A CN 201911180945A CN 110974190 A CN110974190 A CN 110974190A
Authority
CN
China
Prior art keywords
doppler
micro
cardiac
signal
component
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
Application number
CN201911180945.5A
Other languages
English (en)
Inventor
庄伟�
申义贤
李露
张杰峰
周清峰
戴栋
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201911180945.5A priority Critical patent/CN110974190A/zh
Publication of CN110974190A publication Critical patent/CN110974190A/zh
Pending legal-status Critical Current

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
    • 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
    • A61B5/7235—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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • G01S7/354—Extracting wanted echo-signals

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Electromagnetism (AREA)
  • Cardiology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了基于微多普勒特征的心动状况无源感知方法，包括以下步骤：(1)使用微功率多普勒雷达发射信号s(t)；(2)接收雷达回波x(t)；(3)从雷达回波中x(t)提取微多普勒特征信号I；(4)从微多普勒特征信号I中提取出携带心尖搏动运动特征的分量I2；(5)从步骤(4)中得到的分量I2中提取特征，构造特征向量，通过KNN方法，映射至不同的心动异常类型。该方法能够据心尖搏动的运动学基础上从多普勒雷达回波信号中提取能反映心动状况的信息，采集的心动状况信息更为精细，所获取的心动状况信息精确。

Description

基于微多普勒特征的心动状况无源感知方法
技术领域
本发明涉及心动状况无源感知方法，更具体地，涉及基于微多普勒特征的心动状况无源感知方法。
背景技术
当前，心血管疾病已成为威胁人体健康的头号杀手，然而目前的医疗条件和测试环境限制了对潜在心脏疾病的早期发现，因心脏血管堵塞而突发心脏病的患者必须在一个小时内打通堵塞的动脉，才不致造成心肌的永久性伤害，如果不能及时获得适当治疗，堵塞的血管会导致心肌坏死。因此，对心脏疾病的早期发现与预防是当今社会的迫切需求。目前检测心动异常的方式主要可分为两大类：1、通过可穿戴式心电传感器直接获取表面电信号(P波、QRS复合波和ST段等)，这是目前最普遍使用的检测方式，在测量精度和参数范围上有明显优势。但传感器节点资源(电池、计算能力和通信带宽)的缺乏，限制了其感知生理信号的拓展空间和能力；2、无源感知方法(Sensorless Sensing orDevice-free Sensing)。无源感知系统利用现有环境中的无线设备，获取目标相关数据。一定程度上避免了可穿戴式传感器资源受限的缺陷，具有良好的可拓展性，无源感知方法无需检测者长时间穿戴传感器，可使检测过程更轻松、便捷，不影响正常工作生活，然而，由于心动信号的复杂性，传统的无源检测方法采集的心动异常信息不够精细，其反映的心动状况信息误差较大。
发明内容
发明目的：本发明的目的是提供能够准确反映心动状况信息的基于微多普勒特征的心动状况无源感知方法。
技术方案：本发明所述基于微多普勒特征的心动状况无源感知方法，包括以下步骤：
(1)使用微功率多普勒雷达发射信号s(t)；
(2)接收雷达回波x(t)；
(3)从雷达回波中x(t)提取微多普勒特征信号I；
(4)从微多普勒特征信号I中提取出携带心尖搏动运动特征的分量I2；
(5)从步骤(4)中得到的分量I2中提取特征，构造特征向量，通过KNN 方法，映射至不同的心动异常类型。
其中，步骤(2)中利用放置于零多普勒频率处的凹口带阻滤波器去除接收雷达回波x(t)静态背景噪声n(t)，去除静态背景噪声后的雷达回波表达式为 x(t)-n(t),更新x(t)为x(t)-n(t)；其中调整凹口带阻滤波器凹口的深度d，相对宽度w及杂波性质，使平均杂波抑制大于40dB，并保留运动成分。
其中，步骤(3)中提取微多普勒特征信号时，通过经验模态分解
Figure RE-GDA0002391072660000021
得到本征模态函数组I＝{c1,c2,c3...cn}；其中，模态分解包括以下步骤：
(31)获取多普勒雷达回波信号x(t)；
(32)对雷达回波信号进行初始化处理，令r＝x(t),n＝0；
(33)计算信号局部上下包络均值h＝x(t)-m(t)；
(34)判断h是否满足模态判定条件，若满足，则继续步骤(35)，否则返回至步骤(33)；
(35)分离原信号，n＝n+1,cn＝h,r＝r-cn；
(36)判断分离后剩余的信号r是否为单调函数，若是，则继续步骤(37)，否则令原信号为剩余的信号x(t)＝r，并返回至步骤(33)；
(37)得到模态分解结果，
Figure RE-GDA0002391072660000022
其中，步骤(4)中提取出的携带心尖搏动运动特征的分量为去除了人体运动、呼吸分量I1＝{ci1,ci2,ci3...cm|m＜n,ci*∈I}的本征模态函数组I2，I2＝I-I1， I2＝{cj1,cj2,cj3...ck|k＜m,cj*∈I}；
其中，人体运动、呼吸分量I1＝{ci1,ci2,ci3...cm|m＜n,ci*∈I}为fh＜0.5Hz对应的模态函数，fh为微多普勒特征信号I中每个模态函数的最高频率fh。
其中，步骤(5)中从携带心尖搏动运动特征的分量I2中提取特征时，将 I2＝{cj1,cj2,cj3...ck|k＜m,cj*∈I}进行希尔伯特变换，得到：
Figure RE-GDA0002391072660000023
再从变换后得到的希尔伯特谱
Figure RE-GDA0002391072660000024
中计算出每个模态函数的边际谱最大幅值δ和能量ε，并构造特征向量
X＝[δ1,ε1,δ2,ε2,δ3,ε3,...,δi,εi,...]
其中，δi,εi分别代表第i个本征模态函数的边际谱最大幅值和能量值；
其中，边际谱计算公式为：
Figure RE-GDA0002391072660000025
能量值计算公式为：
Figure RE-GDA0002391072660000026
其中，步骤(5)中通过KNN方法，映射至不同的心动异常类型，包括以下步骤：
(51)输入模型特征向量X＝[δ1,ε1,δ2,ε2,δ3,ε3,...,δi,εi,...]和距离度量时在样本集T中找出的与xi距离最近的点的个数k；
(52)建立心动特征波样本集T＝{(x1,y1),(x2,y2),(x3,y3),...,(xN,yN)}，xi表示第i个心动样本集的特征向量，yi为特征波类别；
(53)距离度量方法的性能评估与选择，
欧式距离
Figure RE-GDA0002391072660000031
曼哈顿距离
Figure RE-GDA0002391072660000032
(54)进行分类决策：
Figure RE-GDA0002391072660000033
(55)进行10折交叉验证，将样本集T平均分为10份，轮流将其中9份作为训练集训练，1份作为测试集验证，取10次结果均值估计精度，分析K值的影响。
工作原理：心动微多普勒特征在给定的观测时间和空间内描述心尖部位的多普勒历史，并非直接获取表面电信号(P波、QRS复合波和ST段等)，心动微多普勒信息仅携带胸腔往复微运动的径向距离信息。因此，从心动微多普勒特征，不能重构心脏舒张和收缩的全过程，但可携带心脏运动各阶段的特色病理信息，例如R-R间隙。从而，使得与这些特色信息密切相关的心脏疾病可以通过心动微多普勒特征进行描述
有益效果：本发明与现有技术相比，能够在根据心尖搏动的运动学基础上从多普勒雷达回波信号中提取能反映心动状况的信息，采集的心动状况信息更为精细。
附图说明
图1是本发明流程图；
图2是本征模态分解算法流程图；
图3是基于IMF分量特征的K-最近邻决策算法。
具体实施方式
本发明流程如图1所示：
(1)微功率多普勒雷达径向对准人体心脏位置发射信号s(t)，
(2)接收雷达回波x(t)，利用放置于零多普勒频率处的凹口带阻滤波器去除接收雷达回波x(t)静态背景噪声n(t)，去除静态背景噪声后的雷达回波表达式为x(t)-n(t),更新x(t)为x(t)-n(t)；其中调整凹口带阻滤波器凹口的深度 d，相对宽度w及杂波性质，使平均杂波抑制大于40dB，并保留运动成分，
(3)然后利用本征模态分解算法从雷达回波中x(t)提取微多普勒特征信号 I；步骤如图2所示：
(31)获取多普勒雷达回波信号x(t)；
(32)对雷达回波信号进行初始化处理，令r＝x(t),n＝0；
(33)计算信号局部上下包络均值h＝x(t)-m(t)；
(34)判断h是否满足模态判定条件，若满足，则继续步骤(33)，否则返回至步骤(35)；
(35)分离原信号，n＝n+1,cn＝h,r＝r-cn；
(36)判断分离后剩余的信号r是否为单调函数，若是，则继续步骤(37)，否则令原信号为剩余的信号x(t)＝r，并返回至步骤(33)；
(37)得到模态分解结果，
Figure RE-GDA0002391072660000041
(4)从步骤(3)中得到的微多普勒特征信号中提取出携带心尖搏动运动特征的分量I2；提取出的携带心尖搏动运动特征的分量为去除了人体运动、呼吸分量I1＝{ci1,ci2,ci3...cm|m＜n,ci*∈I}的本征模态函数组I2，I2＝I-I1， I2＝{cj1,cj2,cj3...ck|k＜m,cj*∈I}，；
其中，体运动、呼吸分量I1＝{ci1,ci2,ci3...cm|m＜n,ci*∈I}为fh＜0.5Hz对应的模态函数，fh为微多普勒特征信号I中每个模态函数的最高频率fh。
(5)从步骤(4)中得到的分量中提取特征，构造特征向量：将 I2＝{cj1,cj2,cj3...ck|k＜m,cj*∈I}进行希尔伯特变换，得到：
Figure RE-GDA0002391072660000042
再从变换后得到的希尔伯特谱
Figure RE-GDA0002391072660000043
中计算出每个模态函数的边际谱最大幅值δ和能量ε，并构造特征向量
X＝[δ1,ε1,δ2,ε2,δ3,ε3,...,δi,εi,...]
其中，δi,εi分别代表第i个本征模态函数的边际谱最大幅值和能量值；
其中，边际谱计算公式为：
Figure RE-GDA0002391072660000044
能量值计算公式为：
Figure RE-GDA0002391072660000045
然后，通过KNN方法，映射至不同的心动异常类型，步骤如图3所示：
(51)输入模型特征向量X＝[δ1,ε1,δ2,ε2,δ3,ε3,...,δi,εi,...]和距离度量时在样本集T中找出的与xi距离最近的点的个数k；
(52)建立心动特征波样本集T＝{(x1,y1),(x2,y2),(x3,y3),...,(xN,yN)}，xi表示第i个心动样本集的特征向量，yi为特征波类别；
(53)距离度量方法的性能评估与选择，
欧式距离
Figure RE-GDA0002391072660000051
曼哈顿距离
Figure RE-GDA0002391072660000052
(54)进行分类决策：
Figure RE-GDA0002391072660000053
(55)进行10折交叉验证，将样本集T平均分为10份，轮流将其中9份作为训练集训练，1份作为测试集验证，取10次结果均值估计精度，分析K值的影响。

Claims (9)

1.基于微多普勒特征的心动状况无源感知方法，其特征在于，包括以下步骤：
(1)使用微功率多普勒雷达发射信号s(t)，其中t为时间；
(2)接收雷达回波x(t)；
(3)从雷达回波中x(t)提取微多普勒特征信号I；
(4)从微多普勒特征信号I中提取出携带心尖搏动运动特征的分量I2；
(5)从步骤(4)中得到的分量I2中提取特征，构造特征向量，通过KNN方法，映射至不同的心动异常类型。
2.根据权利要求1所述的基于微多普勒特征的心动状况无源感知方法，其特征在于，所述步骤(2)中利用放置于零多普勒频率处的凹口带阻滤波器去除接收雷达回波x(t)静态背景噪声n(t)，去除静态背景噪声后的雷达回波表达式为x(t)-n(t),更新x(t)为x(t)-n(t)。
3.根据权利要求2所述的基于微多普勒特征的心动状况无源感知方法，其特征在于，所述步骤(2)中调整凹口带阻滤波器凹口的深度d，相对宽度w及杂波性质，使平均杂波抑制大于40dB，并保留运动成分。
4.根据权利要求1所述的基于微多普勒特征的心动状况无源感知方法，其特征在于，所述步骤(3)中提取微多普勒特征信号时，通过经验模态分解
Figure FDA0002291239900000011
得到本征模态函数组I＝{c1,c2,c3...cn}。
5.根据权利要求4所述的基于微多普勒特征的心动状况无源感知方法，其特征在于，所述步骤(3)中模态分解包括以下步骤：
(31)获取多普勒雷达回波信号x(t)；
(32)对雷达回波信号进行初始化处理，令r＝x(t),n＝0；
(33)计算信号局部上下包络均值h＝x(t)-m(t)；
(34)判断h是否满足模态判定条件，若满足，则继续步骤(35)，否则返回至步骤(33)；
(35)分离原信号，n＝n+1,cn＝h,r＝r-cn；
(36)判断分离后剩余的信号r是否为单调函数，若是，则继续步骤(37)，否则令原信号为剩余的信号x(t)＝r，并返回至步骤(33)；
(37)得到模态分解结果，
Figure FDA0002291239900000012
6.根据权利要求4所述的基于微多普勒特征的心动状况无源感知方法，其特征在于，所述步骤(4)中提取出的携带心尖搏动运动特征的分量为去除了人体运动、呼吸分量I1＝{ci1,ci2,ci3…cm|m＜n,ci*∈I}的本征模态函数组I2，I2＝I-I1，I2＝{cj1,cj2,cj3...ck|k＜m,cj*∈I}。
7.根据权利要求6所述的基于微多普勒特征的心动状况无源感知方法，其特征在于，所述步骤(4)中人体运动、呼吸分量I1＝{ci1,ci2,ci3…cm|m＜n,ci*∈I}为fh＜0.5Hz对应的模态函数，fh为微多普勒特征信号I中每个模态函数的最高频率fh。
8.根据权利要求6所述的基于微多普勒特征的心动状况无源感知方法，其特征在于，所述步骤(5)中从携带心尖搏动运动特征的分量I2中提取特征时，将I2＝{cj1,cj2,cj3...ck|k＜m,cj*∈I}进行希尔伯特变换，得到：
Figure FDA0002291239900000021
再从变换后得到的希尔伯特谱
Figure FDA0002291239900000022
中计算出每个模态函数的边际谱最大幅值δ和能量ε，并构造特征向量
X＝[δ1,ε1,δ2,ε2,δ3,ε3,...,δi,εi,...]
其中，δi,εi分别代表第i个本征模态函数的边际谱最大幅值和能量值；
其中，边际谱计算公式为：
Figure FDA0002291239900000023
能量值计算公式为：
Figure FDA0002291239900000024
9.根据权利要求6所述的基于微多普勒特征的心动状况无源感知方法，其特征在于，所述步骤(5)中通过KNN方法，映射至不同的心动异常类型，包括以下步骤：
(51)输入模型特征向量X＝[δ1,ε1,δ2,ε2,δ3,ε3,...,δi,εi,...]和距离度量时在样本集T中找出的与xi距离最近的点的个数k；
(52)建立心动特征波样本集T＝{(x1,y1),(x2,y2),(x3,y3),...,(xN,yN)}，xi表示第i个心动样本集的特征向量，yi为特征波类别；
(53)距离度量方法的性能评估与选择：
欧式距离
Figure FDA0002291239900000025
曼哈顿距离
Figure FDA0002291239900000026
(54)进行分类决策：
Figure FDA0002291239900000031
(55)进行10折交叉验证，将样本集T平均分为10份，轮流将其中9份作为训练集训练，1份作为测试集验证，取10次结果均值估计精度，分析K值的影响。
CN201911180945.5A 2019-11-27 2019-11-27 基于微多普勒特征的心动状况无源感知方法 Pending CN110974190A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911180945.5A CN110974190A (zh) 2019-11-27 2019-11-27 基于微多普勒特征的心动状况无源感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911180945.5A CN110974190A (zh) 2019-11-27 2019-11-27 基于微多普勒特征的心动状况无源感知方法

Publications (1)

Publication Number Publication Date
CN110974190A true CN110974190A (zh) 2020-04-10

Family

ID=70087151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911180945.5A Pending CN110974190A (zh) 2019-11-27 2019-11-27 基于微多普勒特征的心动状况无源感知方法

Country Status (1)

Country Link
CN (1) CN110974190A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100026550A1 (en) * 2007-07-17 2010-02-04 Rosenbury Erwin T Handheld Instrument Capable of Measuring Heartbeat and Breathing Motion at a Distance
DE102009033829A1 (de) * 2009-07-18 2011-01-20 Kouemou, Guy Leonard, Dr. Ing. Verfahren und Vorrichtung zum berührungslosen Herz-, Kreislauf- und Atmungsmonitoring
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
CN103529436A (zh) * 2013-10-12 2014-01-22 南京信息工程大学 基于hht的无接触生命探测中呼吸和心跳信号的分离及时频分析方法
CN106842181A (zh) * 2017-03-15 2017-06-13 西安电子科技大学 基于经验模态分解的空间锥体目标微动特征提取方法
CN107132512A (zh) * 2017-03-22 2017-09-05 中国人民解放军第四军医大学 基于多通道hht的uwb雷达人体运动微多普勒特征提取方法
CN108388850A (zh) * 2018-02-08 2018-08-10 天津大学 一种基于k最近邻及微多普勒特征的人体动作识别方法
CN110494916A (zh) * 2017-02-12 2019-11-22 卡帝欧寇有限公司 用于心脏疾病的口头定期筛查

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100026550A1 (en) * 2007-07-17 2010-02-04 Rosenbury Erwin T Handheld Instrument Capable of Measuring Heartbeat and Breathing Motion at a Distance
DE102009033829A1 (de) * 2009-07-18 2011-01-20 Kouemou, Guy Leonard, Dr. Ing. Verfahren und Vorrichtung zum berührungslosen Herz-, Kreislauf- und Atmungsmonitoring
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
CN103529436A (zh) * 2013-10-12 2014-01-22 南京信息工程大学 基于hht的无接触生命探测中呼吸和心跳信号的分离及时频分析方法
CN110494916A (zh) * 2017-02-12 2019-11-22 卡帝欧寇有限公司 用于心脏疾病的口头定期筛查
CN106842181A (zh) * 2017-03-15 2017-06-13 西安电子科技大学 基于经验模态分解的空间锥体目标微动特征提取方法
CN107132512A (zh) * 2017-03-22 2017-09-05 中国人民解放军第四军医大学 基于多通道hht的uwb雷达人体运动微多普勒特征提取方法
CN108388850A (zh) * 2018-02-08 2018-08-10 天津大学 一种基于k最近邻及微多普勒特征的人体动作识别方法

Similar Documents

Publication Publication Date Title
Turkoglu et al. An intelligent system for diagnosis of the heart valve diseases with wavelet packet neural networks
CN110141218B (zh) 一种心电信号分类方法、装置及程序产品、存储介质
CN108577883A (zh) 一种冠心病筛查装置、筛查系统以及信号特征提取方法
Avci et al. An intelligent diagnosis system based on principle component analysis and ANFIS for the heart valve diseases
Hanbay An expert system based on least square support vector machines for diagnosis of the valvular heart disease
US20150164466A1 (en) System and method for classifying a heart sound
Rissacher et al. Cardiac radar for biometric identification using nearest neighbour of continuous wavelet transform peaks
CN112971795B (zh) 心电信号质量评估方法
CN113076846B (zh) 心音分类识别方法及系统
CN111887828B (zh) 围术期患者非接触式生理信息监测装置、计算机设备和存储介质
KR20210001575A (ko) 잡음 환경 내 실시간 심장 박동수 탐지 장치 및 그 방법
CN114052709B (zh) 一种稳健的毫米波雷达生命体征测量方法
CN107106125A (zh) 用于测量动脉参数的系统和方法
CN112336369B (zh) 一种多通道心音信号的冠心病风险指数评估系统
CN113827215A (zh) 一种基于毫米波雷达的多种心律失常自动诊断方法
CN111685760B (zh) 一种基于雷达测量的人体呼吸频率计算方法
CN110974190A (zh) 基于微多普勒特征的心动状况无源感知方法
CN116130107A (zh) 基于时域分析的瓣膜置换术早期临床评估方法及系统
CN115804618A (zh) 人体血管的应力测量装置、方法及存储介质
Yahav et al. Strain curve classification using supervised machine learning algorithm with physiologic constraints
Golpaygani et al. Detection and identification of S1 and S2 heart sounds using wavelet decomposition method
Turkoglu et al. A wavelet neural network for the detection of heart valve diseases
Zhidong Noninvasive diagnosis of coronary artery disease based on instantaneous frequency of diastolic murmurs and SVM
CN113449636A (zh) 一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法
Zamrath et al. Robust and computationally efficient approach for Heart Rate monitoring using photoplethysmographic signals during intensive physical excercise

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: 20200410