CN111134634A - 一种基于聚类分析的光电容积脉搏波分析处理方法 - Google Patents
一种基于聚类分析的光电容积脉搏波分析处理方法 Download PDFInfo
- Publication number
- CN111134634A CN111134634A CN201911322761.8A CN201911322761A CN111134634A CN 111134634 A CN111134634 A CN 111134634A CN 201911322761 A CN201911322761 A CN 201911322761A CN 111134634 A CN111134634 A CN 111134634A
- Authority
- CN
- China
- Prior art keywords
- sample
- value
- pulse wave
- mid
- waveform
- 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
- 238000007621 cluster analysis Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 title claims abstract description 11
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000013186 photoplethysmography Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000035485 pulse pressure Effects 0.000 claims abstract description 5
- 239000008280 blood Substances 0.000 claims description 23
- 210000004369 blood Anatomy 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 235000013405 beer Nutrition 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- 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
- A61B5/72—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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Power Engineering (AREA)
- Cardiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
一种基于聚类分析的光电容积脉搏波分析处理方法,包括以下步骤:1)采集手指端的光电容积脉搏波信号,对光电容积脉搏波信号低通滤波,放大后传送给上位机;2)使用数字滤波器对采集到的信号进行噪声滤波处理,得到纯净的脉搏波信号;3)对纯净的光电容积脉搏波信号进行差分处理,提取其波峰波谷点;4)计算提取到的波形信号中各个单周期的k’值和独立脉压指数P1、P2;5)对单次采集波形中提取出的各心跳周期的k’值和P1、P2值进行聚类分析,提取出代表波形;6)对代表波形进行特征参数采集;通过对代表波形的特征参数提取,从而相应地提高了建模的效率和精度。
Description
技术领域
本发明属于生物信号处理技术领域,尤其涉及一种基于聚类分析的光电容积脉搏波分析处理方法。
背景技术
当血压以波的形式从心脏向整个循环系统传播时,人体内循环系统由于血液在血管内的容积发生变化对血管壁产生的压力随之变化,这样的变化体现在脉搏波的波形变化。因此脉搏波蕴含着大量的生理及病理信息。
根据朗伯比尔定律和光的散射理论,当一定波长的光束照射到某一物质时,其吸光度与物质的浓度和光程呈很好的线性关系,所以当恒定波长的光照射到人体上时,通过人体组织的吸收、反射衰减后测量到的投射或者反射光在一定强度上反映了被照射部位组织的结构特征。光电容积脉搏波描记法就是通过这个原理,借助光电手段在活体组织中检测血液容积的变化的一种无创检测方法。当心脏收缩射血时,血管内血液容积增大,此时对光的吸收量增大,接收器检测到的光的强度小;在心脏舒张时,血管内的血液容积减小,此时对光的吸收量减小,接收器检测到的光的强度大,将接收器接收到的光的强度信号转化成电信号便可获得容积脉搏波。由此可见,容积脉搏波中的血流容积变化中包含有心搏功能等诸多心血管系统重要信息。
在进行脉搏波特征参数与相关病理模型的建立时,首先应该进行的是对脉搏波的采集和特征参数的提取。目前来说,在进行人体光电容积脉搏波的提取时,通常是提取若干个心跳周期的波形作为单次处理的波形数据,在后续对相关病理进行建模时就采用所提取到的若干个心跳周期中的所有数据进行分析处理。由于人体是一个复杂的系统以及光电信号是一个相对较弱的信号,在采集容积脉搏波的过程中人体内部细微的变化或者是受到外界的微弱干扰就会影响到最终采集到的脉搏波波形,导致在采集到的容积脉搏波中有几率出现部分“失真”的单周期波形。这种“失真”单周期波形表现在特征点异于大多数单周期波形以及峰值过大或者过小。在对包含这种“失真”波形的脉搏波数据进行特征参数提取时,会影响到特征参数的准确性,亦会对后续的模型精度产生影响。
发明内容
为克服上述现有技术的不足,本发明的目的是提出一种基于聚类分析的光电容积脉搏波分析处理方法,对采集到的若干心跳周期的脉搏波进行聚类分析,提取出可以代表单次采集波形的代表性单心跳周期波形,有效的避免了采集过程中因存在“失真”波形而对后续特征参数的提取产生的影响。本方法可以起到提高计算特征参数的速度和准确度以及提高建模效率和精度的作用。
为实现上述目的,本发明采用的技术方案是:一种基于聚类分析的光电容积脉搏波分析处理方法,包括以下步骤:
步骤1,基于朗伯比尔定理的原理,使用红外波段的光源照射人体指端,由光电探测器采集透射过指端的光信号,对含有高频噪声的光电容积脉搏波信号采用模拟滤波器进行低通滤波,并使采集到的光电容积脉搏波信号通过放大电路进行放大,再对其进行A/D转换后将数据传送给上位机;
步骤2,采用数字滤波器对光电容积脉搏波信号进行再处理,使采集到上位机的光电容积脉搏波信号获得纯净的信噪比;
步骤3,对处理后纯净的光电容积脉搏波信号,利用微分阈值法提取其波峰波谷点;
步骤4,根据波谷对采集到的容积脉搏波信号进行周期划分,并根据公式(1)、公式(2)、公式(3)计算出各个单周期脉搏波的 k’值和独立脉压指数P1、P2;
式中,P1是容积脉搏波血液容积曲线ABC下的面积SABCI与峰值和横轴围成的面积SAIGH的比值;
式中,P2是容积脉搏波血液容积曲线CDE下的面积SIEDC与峰值和横轴围成的面积SIEFG的比值;
步骤5,人体系统中细微的差别以及采集过程中受到的干扰直观反映在了脉搏波波形形状和面积的变化,故利用上一步得到的k’值和 P1、P2进行聚类分析,将k’值和P1、P2作为属性进行多次聚类求交的方法,提取出代表波形;
步骤6,对代表波形进行建模前的特征参数提取计算,先对聚类后得到的代表波形进行时域特征参数提取,接着对代表性波形进行延拓处理后做FFT变换,得到频域相关特征参数。
步骤5所述的将k’值和P1、P2作为属性进行多次聚类求交的方法,提取出代表波形,其具体算法如下:
1)计算出采样周期中的各个单周期脉搏波的k’值;
2)将k’值进行i次K-MEANS聚类运算,i≤5,选取轮廓系数最大时对应的簇数S作为分类结果;
3)确定分类簇数S后,重复进行3次K-MEANS聚类运算,分别将3次聚类运算后得到的S簇数据集进行相互求交集处理;
4)分别将S簇中对应相交次数大于1的数据提取出来组成集合 Ji(i<=5),为最终的聚类结果,相交次数小于2次的数据当做离群点舍去;
6)选取S个样本集中数量最多的作为代表样本集C;
7)将计算出的各个单周期脉搏波的特征参量P1从小到大排序,并计算出P1的平均值Pmean和中值Pmid;
8)选取Pmid作为样本中心(核心对象),并设置Pmid和Pmean的差值绝对值的10%作为阈值(σ);
9)计算样本中xp(p=1,2,…,n)与样本中心值Pmid的距离D(xp,Pmid);
10)比较设定阈值σ与D(xp,Pmid)的值,如果:
case 1°如果σ>D(xp,Pmid),则样本xp归类到“一”类;
case 2°如果σ<D(xp,Pmid),且样本xp的P1值小于样本中心值 Pmid则样本xp归类到“二”类;
case 3°如果σ<D(xp,Pmid),且样本xp的P1值大于样本中心值 Pmid则样本xp归类到“三”类;
11)选取三类中样本量最大的作为代表样本集,即得到P1聚类后代表样本集C1;
12)重复步骤7-11得到特征参数P2聚类后代表样本集C2;
13)求取C,C1,C2的交集作为新的样本集(Cfinal),选择Cfinal样本中的k’属性,选择距离当前样本中心(当前样本集中值)最近的一个样本作为最终具有代表性的样本,即该样本所对应的单周期脉搏波为代表波形。
与现有技术相比,本发明具有以下的特点:
本发明提出的一种基于聚类分析的光电容积脉搏波分析处理方法,是一种新的脉搏波数据处理方法。利用脉搏波波形形状的直观变化属性进行聚类分析,得到代表性波形。本方法能够有效地去除“失真”波形对特征参数提取的影响;通过对代表波形的特征参数提取,从而相应地提高了建模的效率和精度。
附图说明
图1为本发明的流程图。
图2为本发明去噪后的光电容积脉搏波的波形。
图3为本发明一个心动周期计算k’值与P1、P2值示意图。
图4为本发明聚类算法提取代表波形流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1,本发明所提出的一种基于聚类分析的光电容积脉搏波分析处理方法,包括以下步骤:
步骤1,基于朗伯比尔定理,使用红外波段的光源照射人体指端,由光电探测器采集透射过指端的光信号,对含有高频噪声的光电容积脉搏波信号采用模拟滤波器进行低通滤波,并使采集到的光电容积脉搏波信号通过放大电路进行放大,再对其进行A/D转换后将数据传送给上位机;
步骤2,使用FIR数字滤波器对容积脉搏波信号中由采集卡、人体呼吸、抖动等带来的噪声进行再滤波处理,判断其滤波后的信噪比是否满足要求;
步骤3,对去噪后的光电容积脉搏波信号,采用差分阈值法提取出波峰波谷点,其中包含部分“失真”波形,如图2所示;
步骤4,根据波谷对采集到的容积脉搏波信号进行周期划分,并根据公式(1)、公式(2)、公式(3)计算出各个单周期脉搏波的k’值和独立脉压指数P1、P2;
式中P1是容积脉搏波血液容积曲线ABC下的面积SABCI与峰值和横轴围成的面积SAIGH的比值。
式中P2是容积脉搏波血液容积曲线CDE下的面积SIEDC与峰值和横轴围成的面积SIEFG的比值,计算示意图,如图3所示;
步骤5,由于人体系统中细微的差别以及采集过程中受到的干扰直观反映在了脉搏波波形形状和面积的变化,心血管健康弹性良好个体的脉搏波波形主波窄而高,潮波不明显,重搏波波峰和波谷都很突出,这时脉图面积很小;随着血管壁弹性的减弱,血管壁硬化程度增加,波形首先反映在潮波由明显变为不明显,且其相对主波的位置也逐渐升高,与此同时重搏波波峰与波谷相对主波的位置亦逐渐抬高,使整个脉搏波波形呈馒头型,这时脉图的面积也逐渐增加;因此引入 k’值和独立脉压指数P1、P2值作为波形聚类属性,对脉搏波分析处理进行代表性波形的提取;利用上一步得到的k’值和P1、P2进行聚类分析,将k’值和P1、P2作为属性进行多次聚类求交的方法,提取出代表波形,具体算法设计如下:
1)计算出采样周期中的各个单周期脉搏波的k’值;
2)将k’值进行i次K-MEANS聚类运算,i≤5,选取轮廓系数最大时对应的簇数S作为分类结果;
3)确定分类簇数S后,重复进行3次K-MEANS聚类运算,分别将3次聚类运算后得到的S簇数据集进行相互求交集处理;
4)分别将S簇中对应相交次数大于1的数据提取出来组成集合 Ji(i<=5),为最终的聚类结果,相交次数小于2次的数据当做离群点舍去;
6)选取S个样本集中数量最多的作为代表样本集C;
7)将计算出的各个单周期脉搏波的特征参量P1从小到大排序,并计算出P1的平均值Pmean和中值Pmid;
8)选取Pmid作为样本中心(核心对象),并设置Pmid和Pmean的差值绝对值的10%作为阈值(σ);
9)计算样本中xp(p=1,2,…,n)与样本中心值Pmid的距离D(xp,Pmid);
10)比较设定阈值σ与D(xp,Pmid)的值,如果:
case 1°如果σ>D(xp,Pmid),则样本xp归类到“一”类;
case 2°如果σ<D(xp,Pmid),且样本xp的P1值小于样本中心值 Pmid则样本xp归类到“二”类;
case 3°如果σ<D(xp,Pmid),且样本xp的P1值大于样本中心值 Pmid则样本xp归类到“三”类;
11)选取三类中样本量最大的作为代表样本集,即得到P1聚类后代表样本集C1;
12)重复步骤7-11得到特征参数P2聚类后代表样本集C2;
13)求取C,C1,C2的交集作为新的样本集(Cfinal),选择Cfinal样本中的k’属性,选择距离当前样本中心(当前样本集中值)最近的一个样本作为最终具有代表性的样本,即该样本所对应的单周期脉搏波为代表波形,算法流程图,如图4所示;
步骤6,对代表波形进行时域特征参数和频域特征参数的提取,首先对聚类后得到的代表波形进行时域特征参数提取,接着对代表性波形进行延拓处理后做FFT变换,得到频域相关特征参数。
Claims (2)
1.一种基于聚类分析的光电容积脉搏波分析处理方法,包括以下步骤:
步骤1,基于朗伯比尔定理的原理,使用红外波段的光源照射人体指端,由光电探测器采集透射过指端的光信号,对含有高频噪声的光电容积脉搏波信号采用模拟滤波器进行低通滤波,并使采集到的光电容积脉搏波信号通过放大电路进行放大,再对其进行A/D转换后将数据传送给上位机;
步骤2,采用数字滤波器对光电容积脉搏波信号进行再处理,使采集到上位机的光电容积脉搏波信号获得纯净的信噪比;
步骤3,对处理后纯净的光电容积脉搏波信号,利用微分阈值法提取其波峰波谷点;
步骤4,根据波谷对采集到的容积脉搏波信号进行周期划分,并根据公式(1)、公式(2)、公式(3)计算出各个单周期脉搏波的k’值和独立脉压指数P1、P2;
式中,P1是容积脉搏波血液容积曲线ABC下的面积SABCI与峰值和横轴围成的面积SAIGH的比值;
式中,P2是容积脉搏波血液容积曲线CDE下的面积SIEDC与峰值和横轴围成的面积SIEFG的比值;
步骤5,人体系统中细微的差别以及采集过程中受到的干扰直观反映在了脉搏波波形形状和面积的变化,故利用上一步得到的k’值和P1、P2进行聚类分析,将k’值和P1、P2作为属性进行多次聚类求交的方法,提取出代表波形;
步骤6,对代表波形进行建模前的特征参数提取计算,先对聚类后得到的代表波形进行时域特征参数提取,接着对代表性波形进行延拓处理后做FFT变换,得到频域相关特征参数。
2.根据权利要求1所述的一种基于聚类分析的光电容积脉搏波分析处理方法,其特征在于,步骤5所述的将k’值和P1、P2作为属性进行多次聚类求交的方法,提取出代表波形,其具体算法如下:
1)计算出采样周期中的各个单周期脉搏波的k’值;
2)将k’值进行i次K-MEANS聚类运算,i≤5,选取轮廓系数最大时对应的簇数S作为分类结果;
3)确定分类簇数S后,重复进行3次K-MEANS聚类运算,分别将3次聚类运算后得到的S簇数据集进行相互求交集处理;
4)分别将S簇中对应相交次数大于1的数据提取出来组成集合Ji(i<=5),为最终的聚类结果,相交次数小于2次的数据当做离群点舍去;
6)选取S个样本集中数量最多的作为代表样本集C;
7)将计算出的各个单周期脉搏波的特征参量P1从小到大排序,并计算出P1的平均值Pmean和中值Pmid;
8)选取Pmid作为样本中心,并设置Pmid和Pmean的差值绝对值的10%作为阈值(σ);
9)计算样本中xp(p=1,2,…,n)与样本中心值Pmid的距离D(xp,Pmid);
10)比较设定阈值σ与D(xp,Pmid)的值,如果:
case 1°如果σ>D(xp,Pmid),则样本xp归类到“一”类;
case 2°如果σ<D(xp,Pmid),且样本xp的P1值小于样本中心值Pmid则样本xp归类到“二”类;
case 3°如果σ<D(xp,Pmid),且样本xp的P1值大于样本中心值Pmid则样本xp归类到“三”类;
11)选取三类中样本量最大的作为代表样本集,即得到P1聚类后代表样本集C1;
12)重复步骤7-11得到特征参数P2聚类后代表样本集C2;
13)求取C,C1,C2的交集作为新的样本集(Cfinal),选择Cfinal样本中的k’属性,选择距离当前样本中心最近的一个样本作为最终具有代表性的样本,即该样本所对应的单周期脉搏波为代表波形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911322761.8A CN111134634B (zh) | 2019-12-20 | 2019-12-20 | 一种基于聚类分析的光电容积脉搏波分析处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911322761.8A CN111134634B (zh) | 2019-12-20 | 2019-12-20 | 一种基于聚类分析的光电容积脉搏波分析处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111134634A true CN111134634A (zh) | 2020-05-12 |
CN111134634B CN111134634B (zh) | 2022-05-17 |
Family
ID=70519101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911322761.8A Active CN111134634B (zh) | 2019-12-20 | 2019-12-20 | 一种基于聚类分析的光电容积脉搏波分析处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111134634B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112568886A (zh) * | 2020-11-03 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 心律的检测方法、电子设备以及计算机可读存储介质 |
CN114528888A (zh) * | 2022-04-25 | 2022-05-24 | 广东玖智科技有限公司 | 一种ppg信号聚类中心获取方法及装置和ppg信号处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140187941A1 (en) * | 2010-01-31 | 2014-07-03 | Vladimir Shusterman | Evaluating arterial pressure, vasomotor activity and their response to diagnostic tests |
US20140249424A1 (en) * | 2012-12-04 | 2014-09-04 | University Of Winnipeg | Cardiovascular pulse wave analysis method and system |
US20170209055A1 (en) * | 2016-01-22 | 2017-07-27 | Fitbit, Inc. | Photoplethysmography-based pulse wave analysis using a wearable device |
CN107992452A (zh) * | 2017-12-12 | 2018-05-04 | 北京动亮健康科技有限公司 | 计算中心血流动力学指标的方法、装置、存储介质及设备 |
CN110025296A (zh) * | 2019-03-01 | 2019-07-19 | 西安理工大学 | 一种光电容积脉搏波的特征参数的采集方法 |
-
2019
- 2019-12-20 CN CN201911322761.8A patent/CN111134634B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140187941A1 (en) * | 2010-01-31 | 2014-07-03 | Vladimir Shusterman | Evaluating arterial pressure, vasomotor activity and their response to diagnostic tests |
US20140249424A1 (en) * | 2012-12-04 | 2014-09-04 | University Of Winnipeg | Cardiovascular pulse wave analysis method and system |
US20170209055A1 (en) * | 2016-01-22 | 2017-07-27 | Fitbit, Inc. | Photoplethysmography-based pulse wave analysis using a wearable device |
CN107992452A (zh) * | 2017-12-12 | 2018-05-04 | 北京动亮健康科技有限公司 | 计算中心血流动力学指标的方法、装置、存储介质及设备 |
CN110025296A (zh) * | 2019-03-01 | 2019-07-19 | 西安理工大学 | 一种光电容积脉搏波的特征参数的采集方法 |
Non-Patent Citations (1)
Title |
---|
刘春麟等: "容积脉搏波在心血管方面的研究", 《中国误诊学杂志》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112568886A (zh) * | 2020-11-03 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 心律的检测方法、电子设备以及计算机可读存储介质 |
CN114528888A (zh) * | 2022-04-25 | 2022-05-24 | 广东玖智科技有限公司 | 一种ppg信号聚类中心获取方法及装置和ppg信号处理方法及装置 |
CN114528888B (zh) * | 2022-04-25 | 2022-07-12 | 广东玖智科技有限公司 | 一种ppg信号聚类中心获取方法及装置和ppg信号处理方法及装置 |
WO2023206888A1 (zh) * | 2022-04-25 | 2023-11-02 | 广东玖智科技有限公司 | 一种ppg信号聚类中心获取方法及装置和ppg信号处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111134634B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102283670B (zh) | 一种心音信号量化分析方法及装置 | |
Castro et al. | Heart sound segmentation of pediatric auscultations using wavelet analysis | |
CN110338813B (zh) | 一种基于频谱分析的无创血糖检测方法 | |
CN108056770A (zh) | 一种基于人工智能的心率检测方法 | |
CN111134634B (zh) | 一种基于聚类分析的光电容积脉搏波分析处理方法 | |
CN112869716B (zh) | 一种基于双通道卷积神经网络的脉搏特征识别系统及方法 | |
CN112568886A (zh) | 心律的检测方法、电子设备以及计算机可读存储介质 | |
CN113662538A (zh) | 一种基于时频域综合分析的无创血糖检测方法 | |
CN111528821A (zh) | 一种脉搏波中重搏波特征点识别方法 | |
CN109498022A (zh) | 一种基于光电容积脉搏波的呼吸频率提取方法 | |
CN103263272B (zh) | 一种单沿多谱的动态光谱数据提取方法 | |
CN113243902B (zh) | 一种基于光电容积脉搏波的特征提取方法 | |
CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
CN112120711B (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 | |
CN113729653A (zh) | 一种人体脉搏波信号采集方法 | |
CN113069091A (zh) | 一种ppg信号的脉象分类装置及方法 | |
CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
CN113576422B (zh) | 一种生理信号波形的简化处理和量化方法、系统及设备 | |
CN106197480B (zh) | 一种低信噪比信号的处理系统 | |
CN112353377A (zh) | 一种识别光电容积脉搏波特征点的方法 | |
Ni et al. | A pulse signal preprocessing method based on the Chauvenet criterion | |
CN112716469A (zh) | 一种基于指尖视频的实时心率提取方法及装置 | |
CN116269391B (zh) | 一种心脑耦合分析评估方法及其系统 | |
Wu et al. | A method of obtaining high quality PPG signal based on approximate entropy |
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 |