CN111419219A - Ppg心搏信号的预处理方法、装置及房颤检测设备 - Google Patents
Ppg心搏信号的预处理方法、装置及房颤检测设备 Download PDFInfo
- Publication number
- CN111419219A CN111419219A CN201910018483.0A CN201910018483A CN111419219A CN 111419219 A CN111419219 A CN 111419219A CN 201910018483 A CN201910018483 A CN 201910018483A CN 111419219 A CN111419219 A CN 111419219A
- Authority
- CN
- China
- Prior art keywords
- signal
- heart beat
- atrial fibrillation
- threshold
- interval
- 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
Links
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 86
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007781 pre-processing Methods 0.000 title claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 48
- 230000001133 acceleration Effects 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002565 electrocardiography Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 210000002837 heart atrium Anatomy 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000000779 thoracic wall Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000000707 wrist Anatomy 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- 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
-
- 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
- A61B5/68—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
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6822—Neck
-
- 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
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6824—Arm or wrist
-
- 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
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6825—Hand
- A61B5/6826—Finger
-
- 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
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (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
本发明公开了PPG心搏信号预处理方法、装置及房颤检测系统。其中PPG心搏信号预处理方法包括如下步骤:采集被检测心搏信号和被检测者运动信号,对采集的心搏信号进行频域滤波;在已经完成频域滤波的心搏信号片段上,获得全部波谷位置,并依次将相邻两个波谷之间的心搏信号作为一拍,得到连续的多拍心搏信号;判断每拍上的心搏信号是否同时满足运动信号阈值和信噪比阈值,当至少连续N拍均同时满足运动阈值和信噪比阈值,则保留该至少连续N拍心搏信号并输出,信噪比是指统计一拍内的噪音包络和心搏信号包络的平均值,然后得到的比值。本发明通过上述原理,能够准确筛选高质量PPG心搏信号,进行后续房颤检测,保证房颤检测数据的准确可靠。
Description
技术领域
本发明涉及信号预处理领域,具体涉及PPG心搏信号预处理方法、装置及房颤检测设备。
背景技术
心房颤动(以下简称房颤),是一种常见的心律失常的症状,并且随着年龄的增长,房颤的发生率也不断增加。目前,房颤的诊断主要依靠心电图,心电图主要通过分析ECG信号检测房颤。然而,心电图设备昂贵,操作讲究专业性。而且,心电图检测房颤时需要在个体身上连接多根导联线,将探查电极安放在四肢和前胸壁上的固定位置进行测量。对于普通人来说,如果不是身体健康情况已出现明显的问题或具备健康意识而定时进行健康检查的人,大家都不会主动到医疗机构进行心电图检查,这不利于房颤的发现。而PPG数据采集简单,在可穿戴式设备上可以实现不间断采集,可利用的数据量大,覆盖时间段全面,可用于房颤检测,方便房颤发现。由于PPG数据容易受到外界的各种干扰,而现有方法对PPG信号进行预处理均不理想,导致后续检测结果不准确。
发明内容
本发明所要解决的技术问题是实现对高质量PPG心搏信号的准确筛选,目的在于提供PPG心搏信号预处理方法、装置及房颤检测设备,能够准确筛选高质量PPG心搏信号,进行后续房颤检测,保证房颤检测数据的准确可靠。
本发明通过下述技术方案实现:
第一方面,本发明公开了PPG心搏信号预处理方法,包括如下步骤:
采集被检测心搏信号和被检测者运动信号,对采集的心搏信号进行频域滤波;在已经完成频域滤波的心搏信号片段上,获得全部波谷位置,并依次将相邻两个波谷之间的心搏信号作为一拍,得到连续的多拍心搏信号;判断每拍上的心搏信号是否同时满足运动信号阈值和信噪比阈值,当至少连续N拍均同时满足运动阈值和信噪比阈值,则保留该至少连续N拍心搏信号并输出,其中N为大于等于6的正整数,信噪比是指以拍为单位,分别统计一拍内的噪音包络和心搏信号包络的平均值,然后得到的比值。
对应于第一方面,本发明中的运动信号阈值包括加速度阈值和角速度阈值,加速度阈值和角速度阈值需要同时满足。
对应于第一方面,本发明加速度阈值和/角速度阈值使用各自时窗,对一定区间内的加速度和/角速度指标求均值的结果。
对应于第一方面,本发明中对被检测心搏信号片段进行频域滤波后,还要对已经完成频域滤波的心搏信号片段进行基线干扰检测,排除基线形态突变区间的心搏信号。
第二方面,本发明公开了PPG心搏信号预处理装置,包括:
信号采集滤波模块:用于采集被检测心搏信号和被检测者运动信号,对采集的心搏信号进行频域滤波;信号分拍模块:用于在已经完成频域滤波的心搏信号片段上,获得全部波谷位置,并依次将相邻两个波谷之间的心搏信号作为一拍,得到连续的多拍心搏信号;信号筛选模块:判断每拍上的心搏信号是否同时满足运动信号阈值和信噪比阈值,当至少连续N拍均同时满足运动阈值和信噪比阈值,则保留该至少连续N拍心搏信号并输出,其中N为大于等于6的正整数,信噪比是指以拍为单位,分别统计一拍内的噪音包络和心搏信号包络的平均值,然后得到的比值。
对应于第二方面,本发明中的运动信号阈值包括加速度阈值和角速度阈值,加速度阈值和角速度阈值需要同时满足。
对应于第二方面,本发明还包括基线干扰检测模块:对已经完成频域滤波的心搏信号片段进行基线干扰检测,排除基线形态突变区间的心搏信号。
第三方面本发明公开了房颤检测设备,包括
PPG心搏信号预处理装置:筛选信号质量满足设定要求的被检测心搏信号,并输出到间期变异值计算模块;间期变异值计算模块:计算PPG心搏信号预处理装置筛选出来的被检测心搏信号的心搏间期的间期变异值;房颤得分确定模块:预设n个间期变异值区间段,n为正整数,根据一预设的变异值-得分映射表计算上述心搏间期变异值在每个预设的间期变异值区间段的累计房颤得分,得到n 个房颤得分;房颤得分转化模块:将n个房颤得分组成为一行n列的矩阵x,带入逻辑回归代价函数或者SVM函数,计算得到模型对输出的估值H(θ);
房颤判断模块:将模型对输出的估值H(θ)与预设阈值比较,根据比较结果判断所述被检测心搏信号片段是否存在房颤。
对应于第三方面,本发明中逻辑回归代价函数的计算公式为:H(θ)= 1/(1+exp(-(θT*x))),其中H(θ)为模型对输出的估值,x为将n个房颤得分组成为一行n列的矩阵,θ为模型参数,θT为模型参数的转置;SVM函数的计算公式为:H(θ)=θ0+θ1f1+θ2f2+θ3f3,其中θ0、θ1、θ2和θ3均为训练模型参数,H(θ) 为模型对输出的估值,x为将n 个房颤得分组成为一行n列的矩阵,为x中所有特征与支持向量l(1)之间距离的和,σ为设定参数。
对应于第三方面,本发明中所述的变异值-得分映射表来自一经验统计过程的输出。
对应于第三方面,本发明中所述PPG心搏信号的预处理装置包括
信号采集滤波模块:用于采集被检测心搏信号和被检测者运动信号,对采集的心搏信号进行频域滤波;信号分拍模块:用于在已经完成频域滤波的心搏信号片段上,获得全部波谷位置,并依次将相邻两个波谷之间的心搏信号作为一拍,得到连续的多拍心搏信号;信号筛选模块:判断每拍上的心搏信号是否同时满足运动信号阈值和信噪比阈值,当至少连续N拍均同时满足运动阈值和信噪比阈值,则保留该至少连续N拍心搏信号并输出,其中N为大于等于6的正整数,信噪比是指以拍为单位,分别统计一拍内的噪音包络和心搏信号包络的平均值,然后得到的比值。
对应于第三方面,本发明中还包括基线干扰检测模块:对已经完成频域滤波的心搏信号片段进行基线干扰检测,排除基线形态突变区间的心搏信号。
对应于第三方面,本发明中运动信号阈值包括加速度阈值和角速度阈值,加速度阈值和角速度阈值需要同时满足。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本方案采用频域滤波去除基线干扰、分离出有效信号及高频噪音,利用分离出的有效信号及高频噪音的特点,找到了一种比现有技术更准确计算信噪比的方法,用于直接排除波形质量差的PPG心搏信号,利用运动信号阈值间接排除运动干扰大的PPG心搏信号,筛选出来的信号均为运动状态平稳且信噪比高的拍,即高质量信号,进行后续的房颤检测,保证了房颤检测数据的准确可靠。
2、本发明还要对已经完成频域滤波的心搏信号片段进行基线干扰检测,排除基线形态突变区间的心搏信号,进一步保证了房颤检测数据的准确可靠。
3、本发明对PPG心搏信号采集方式简单,可实现在线实时全天检测,采集方便。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明流程图;
图2为PPG心搏信号预处理装置的原理框图;
图3为房颤检测设备的原理框图;
图4示出了一示例的PPG心搏信号片段的示意图;
图5为PPG心搏信号片段经过频域滤波后的PPG信号和噪音对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
如图4所示,本领域技术人员可以理解的,PPG(Photoplethysmography,光电体积描记图)信号能反映心脏搏动的规律性,本公开所述的心搏间期指的是每拍PPG心搏信号的间期,即相邻两个波谷之间的时间差(RR间期);一拍心搏信号是指相邻两波谷之间的全部心搏信号;心搏间期变异值是指相邻两个RR 间期值之间的差异值。噪音包络指随机过程中噪音信号的振幅随着时间变化的曲线,心搏信号包络指随机过程中PPG心搏信号的振幅随着时间变化的曲线。
实施例:
PPG数据采集简单,在可穿戴式设备上可以实现不间断采集,可利用的数据量大,覆盖时间段全面,可用于房颤检测,方便房颤发现。而采集的原始PPG 心搏信号容易受到各种因数干扰,若不排除掉其中信号质量差的心搏信号,就进行房颤检测,很容易导致最终的房颤检测结果不准确,无法满足医疗检测的要求。
如图1所示,本发明采用PPG心搏信号预处理方法解决了PPG心搏信号预处理的问题,包括如下步骤:
步骤S1:采集被检测PPG心搏信号和被检测者运动信号存入缓存,被检测者运动信号包括加速度和脚速度传感器测量数据,加速度和角速度各有X轴、Y 轴和Z轴三个分量,应以其和向量的模作为度量值,其中加速度计算出X轴、Y 轴和Z轴三个分量的和向量模后减去重力加速度为零,则代表为被检测者水平方向为静止状态,对采集的心搏信号进行频域滤波;由于采集的原始PPG心搏信号,存在较强的低频和高频成分,而真正有效的PPG脉搏波叠加于低频基线之上,并受到高频噪音的干扰,因此必须对原始信号进行滤波处理。本方案采用频域滤波而未采用时域滤波,是由于频域滤波对信号基线去除更加干净,使得滤波后的信号相对零值线没有漂移,方便后面寻找波谷点筛选高质量信号。
步骤S2:在已经完成频域滤波的心搏信号片段上,获得全部波谷位置,并依次将相邻两个波谷之间的心搏信号作为一拍,得到连续的多拍心搏信号;
这是由于房颤检测的基础是对PPG信号中的“拍”进行有效识别。PPG信号不同于ECG信号,整体频率较低,波形相对浑圆,虽然每搏信号的周期性非常明显,但不太容易找到能够精确标定拍的标志。本方案从方法的简洁有效性出发,只在波峰和波谷里选取拍的标志。如图4所示,PPG信号中的标记的圆圈代表的是波峰,星号代表的是波谷,而在波峰中存在歪头,歪头也会被识别为波峰,这样若选择波峰作为标志,由于重搏波的存在,PPG信号中每搏波形中可能出现两个波峰,并且并非一直是前大后小,使用这样的标志,拍的唯一性标准就会模糊,后继计算的可靠性大大下降。本方案选择波谷作为标识,从波形中也能看出,可以在每搏信号的“下半部”寻找最低点,作为波谷的标识,保证了波谷的唯一性。本方案通过频域滤波去除基线,让信号本身在零值线两侧波动。而去除基线的信号必定是正段和负段交替出现的形态,我们只需要在各负数段中寻找极小值,就找到了波谷的具体所在,计算流程简洁,准确率高。
步骤S3:判断每拍上的心搏信号是否同时满足运动信号阈值和信噪比阈值,当至少连续N拍均同时满足运动阈值和信噪比阈值,则保留该至少连续N拍心搏信号并输出,其中N为大于等于6的正整数,信噪比是指以拍为单位,分别统计一拍内的噪音包络和心搏信号包络的平均值,然后得到的比值。例如N取 30或者其它,信噪比阈值取2,信噪比低于2的拍,则判断为低信噪比拍,予以舍弃。运动信号阈值用于判断运动干扰是否过大,若原始PPG心搏信号采集端运动幅度过大的话,很容易使采集端与佩戴端之间的接触关系发生变化,反映在PPG心搏信号上就是出现较大幅度的波动,完全有可能淹没脉搏波的有效信号,导致最终的房颤检测不准确,因此需要判断运动是否过量。本方案中的运动信号阈值包括加速度阈值和角速度阈值,加速度阈值和角速度阈值需要同时满足,理想状况下加速度阈值和角速度阈值均选取为0时,则认为此时被检测者为静止状态,运动干扰最小,但是被检测者进行全天实时检测房颤时,通常很难做到完全静止,因此加速度阈值和角速度阈的取值通常大于0。现有技术在进行运动信号判断时只是粗略的估算,并不能准确界定用户处于何种状态,也就不能对运动干扰进行准确排除,而运动状态判断实际上包括加速度判断和角速度判断,前者针对平动,后者针对转动,最后综合起来才能准确界定此时用户处于何种运动状态,本方案同时判断了加速度阈值和角速度阈值,能够准确判断用户处于何种运动状态,从而实现准确排除运动干扰。
由于PPG信号经过滤波并排除了运动干扰和基线干扰后,留下的信号区间并非全是有效的PPG脉搏波信号。如前所述,绝对值较高的基线往往意味着长时间的按压行为,会造成光强过大,压制血流形成的波动,导致波形畸变。这是无效信号,但仍然会通过运动干扰和基线干扰检测,与有效脉搏波信号混在一起无法区分。而运动状态毕竟不是PPG信号本身,属于间接手段,还需要有直接使用PPG信号本身的特征判断信号质量的方法。而本方案选用了频域滤波,除了能从原始信号中分离出有效信号、基线以及高频噪音,并且通过该方法筛选出的高频噪音能量(振幅)水平基本一致,而信号能量(振幅)则变化较大,利用该特性,即可准确计算出信噪比随时间变化的曲线,作为信号质量判定的直接手段。当信噪比高的时候则表明波形质量好,需要保留。而信噪比低的部分,表明波形质量最差,去除,从而准确筛选出高质量的PPG信号。如图5所示,为一段原始PPG心搏信号经过频域滤波后分离出的PPG心搏信号和噪音信号,其中,分离出的PPG心搏信号前半部分的振幅小,后半部分的振幅大,而噪音信号的振幅水平基本一致,很明显,整段信号的前半部信噪比很低,后半部分信噪比相对较高。而信噪比低的部分,波形质量确实很差,通过该方法即可准确筛选出质量差的波形,然后剔除。
本方案采用频域滤波去除基线干扰、分离出有效信号及高频噪音,利用分离出的有效信号及高频噪音的特点,找到了一种比现有技术更准确计算信噪比的方法,用于直接排除波形质量差的PPG心搏信号,利用运动信号阈值间接排除运动干扰大的PPG心搏信号,筛选出来的信号均为运动状态平稳且信噪比高的拍,即高质量信号,进行后续的房颤检测,保证了房颤检测数据的准确可靠。
在另一实施例中,加速度阈值和/角速度阈值使用各自时窗对一定区间内的加速度和/角速度指标求均值的结果。其实现过程可以采用如下方式:先对三分量加速度数据和角速度数据分别求模,然后让加速度模减去重力加速度值,取 1s滑窗沿时间轴滑动,滑窗内分别求加速度和角速度模的均值,滑窗内的加速度和角速度模高于阈值,则滑窗内样点均标识为“运动”,遍历整个数据获得运动干扰标识曲线。通过滑窗取均值的处理方式,可以排除偶然因素影响,使得计算结果更加稳定可靠。其中阈值的选择,本领域技术人员可以根据精度的要求,通过有限次试验得出。
在另一实施例中,由于PPG原始信号中基线漂移的影响不可忽略。基线是光强的反映,基线漂移会对PPG滤波结果造成直接的影响。而滤波无法消除这种影响,只能通过检测基线形态的突变区间予以排除。并且陡变的基线,往往意味着外界压力的加载和卸载(按压-放松),这种行为会造成PPG滤波结果中波形的畸变,但此过程中产生的加速度却不足以引发运动报警。本方案通过对每个被检测心搏信号片段进行独立的频域滤波后,还要对已经完成频域滤波的心搏信号片段进行基线干扰检测,排除基线形态突变区间的心搏信号。采用方法可以为求多点一阶、二阶差分的方法,配合阈值,阈值根据实际精确度要求进行选择,对基线的突变和陡变进行度量和标定。通过该步骤可进一步提高筛选心搏信号的质量,保证后续的房颤检测的准确度。
在另一实施例中,如图2所示,本发明还公开了PPG心搏信号预处理装置 201,包括:
信号采集滤波模块11:用于采集被检测心搏信号和被检测者运动信号,对采集的心搏信号进行频域滤波;
信号分拍模块12:用于在已经完成频域滤波的心搏信号片段上,获得全部波谷位置,并依次将相邻两个波谷之间的心搏信号作为一拍,得到连续的多拍心搏信号;
信号筛选模块13:判断每拍上的心搏信号是否同时满足运动信号阈值和信噪比阈值,当至少连续N拍均同时满足运动阈值和信噪比阈值,则保留该至少连续N拍心搏信号并输出,其中N为大于等于6的正整数,信噪比是指以拍为单位,分别统计一拍内的噪音包络和心搏信号包络的平均值,然后得到的比值。其中,运动信号阈值包括加速度阈值和角速度阈值,加速度阈值和角速度阈值需要同时满足。加速度阈值和/角速度阈值使用各自时窗,对一定区间内的加速度和/角速度指标求均值的结果。
在另一实施例中,还包括基线干扰检测模块15:对已经完成频域滤波的心搏信号片段进行基线干扰检测,排除基线形态突变区间的心搏信号。
在另一实施例中,如图3-4所示,本发明还公开了房颤检测设备200,包括
PPG心搏信号预处理装置201:筛选信号质量满足设定要求的被检测心搏信号,并输出到间期变异值计算模块;
间期变异值计算模块202:计算PPG心搏信号预处理装置筛选出来的被检测心搏信号的心搏间期的间期变异值;间期变异值计算模块所用的间期变异值计算公式为其中iRRCur是第i个间期的时间间隔即第 i个间期上波谷到波谷的时间间隔,iRRPre是第i-1个间期的时间间隔即第i-1个间期上波谷到波谷的时间间隔,依次类推,若iRRCur取i+1个间期的时间间隔,则iRRPre取第i个间期的时间间隔,f(i)是第i个间期的变异值。
房颤得分确定模块203:预设n个间期变异值区间段,n为正整数,根据一预设的变异值-得分映射表计算上述心搏间期变异值在每个预设的间期变异值区间段的累计房颤得分,得到n个房颤得分;所述的变异值-得分映射表来自一经验统计过程的输出。例如:当间期变异值的整个区间为【0,+∞),将该区间再分为n=19个小区间,当计算的每拍的区间变异值位于哪个小区间,该小区间则相应的加一,直到将所有拍上的区间变异值统计完毕,得到19个值。
房颤得分转化模块204:将n个房颤得分组成为一行n列的矩阵x,带入逻辑回归代价函数或者SVM函数,计算得到模型对输出的估值H(θ)。当房颤检测装置存储空间较大且精度要求高的情况下则可选择SVM算法检测房颤;当房颤检测装置的存储空间小且精度要求没那么高的情况下则可选择逻辑回归算法进行检测。逻辑回归代价函数的计算公式为:H(θ)=1/(1+exp(-(θT*x))),其中H(θ) 为模型对输出的估值,x为将n个房颤得分组成为一行n列的矩阵,θ为模型参数,θT为模型参数的转置;SVM函数的计算公式为:H(θ)=θ0+θ1f1+θ2f2+θ3f3,其中θ0、θ1、θ2和θ3均为训练模型参数,H(θ)为模型对输出的估值,x为将n个房颤得分组成为一行n 列的矩阵,为x中所有特征与支持向量l(1)之间距离的和,σ为设定参数,由本领域技术人员根据实际需要进行设置,比如σ可以取1、0.5或3等任意数。对于本领域的技术人员来说θ的值可以通过训练样本得到,根据代价函数J(θ)=min(-1/iSampleNum*(sum(log10(H(θ)p))+ sum(log10(1-H(θ)n))))计算得到θ;其中J(θ)为代价函数,iSampleNum为样本总数,H(θ)p为正样本的H(θ)即房颤数据,H(θ)n为负样本的H(θ)即非房颤数据,sum是对所有样本求和。当房颤检测设备要制作为便携式设备,存储空间较小的情况下,则可以预置占用空间小的逻辑回归代价函数在房颤检测设备上,实现房颤数据的实时检测;当房颤检测设备存储空间较大时,则可以预置SVM算法进行房颤检测,且SVM算法的精度相比逻辑回归更高。该房颤检测设备采集方式简单、不耗电,适合全天检测,进行房颤的初筛,但不能直接作为诊断结果或直接判断健康状态,该房颤检测设备可以为可穿戴健康设备,如腕表、手环、脚环、项链等。
其中θ0、θ1、θ2和θ3的值由本领域技术人员根据实际需要进行任意设置,比如θ0=-0.5、θ1=1、θ2=1和θ3=0。
房颤判断模块205:将模型对输出的估值H(θ)与预设阈值δ比较,根据比较结果判断所述被检测心搏信号片段是否存在房颤。例如:若将预设值设置为δ=0.5,当H(θ)≥0.5则判断所述被检测心搏信号存在房颤,当H(θ)<0.5时,判断所述被检测心搏信号不存在房颤。
其中,本发明所述PPG心搏信号的预处理装置201包括信号采集滤波模块 11:用于采集被检测心搏信号和被检测者运动信号,对采集的心搏信号进行频域滤波;
信号分拍模块12:用于在已经完成频域滤波的心搏信号片段上,获得全部波谷位置,并依次将相邻两个波谷之间的心搏信号作为一拍,得到连续的多拍心搏信号;
信号筛选模块13:判断每拍上的心搏信号是否同时满足运动信号阈值和信噪比阈值,当至少连续N拍均同时满足运动阈值和信噪比阈值,则保留该至少连续N拍心搏信号并输出,其中N为大于等于6的正整数,信噪比是指以拍为单位,分别统计一拍内的噪音包络和心搏信号包络的平均值,然后得到的比值。其中,运动信号阈值包括加速度阈值和角速度阈值,加速度阈值和角速度阈值需要同时满足。加速度阈值和/角速度阈值使用各自时窗,对一定区间内的加速度和/角速度指标求均值的结果。
在另一实施例中还包括基线干扰检测模块14:对已经完成频域滤波的心搏信号片段进行基线干扰检测,排除基线形态突变区间的心搏信号。
房颤检测装置可以是可穿戴设备、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。房颤检测装置可以是配置有PPG光电传感器的可穿戴健康设备(例如腕部可穿戴设备、指部可穿戴设备、颈部可穿戴设备等)或其它便携式的PPG健康监测设备。所述的房颤检测装置可以包括但不仅限于处理器、存储器、显示器、语音单元、通信单元以及人机交互单元,上述的预设的变异值- 得分映射表可固存于所述存储器中。所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。所述存储器可用于存储所述模块和/或单元,所述处理器通过运行或执行存储在所述存储器内的模块/单元对应的计算机程序,以及调用存储在存储器内的数据,实现所述装置/设备的各种功能。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
综上所述,本发明提供了PPG心搏信号预处理方法、装置及房颤检测设备,找到了一种比现有技术更准确计算信噪比的方法,用于直接排除波形质量差的 PPG心搏信号,利用运动信号阈值排除运动干扰大的PPG心搏信号,利用频域滤波去除基线干扰,筛选出来的信号均为运动状态平稳且信噪比高的拍,即高质量信号,进行后续的房颤检测,保证了房颤检测数据及结果的准确可靠。该PPG 心搏信号可实现在线实时全天检测,使用方便简单。
首先对原始信号进行频域滤波,去除基线干扰和运动干扰,并准确找到唯一确定的波谷进行分拍,排除畸变信号,将留下的信号区间通过信噪比进行再次筛选排除质量差的波形,最终得到高质量的连续N拍心搏信号,进行后续的房颤检测,从源头上保证了房颤检测数据的准确可靠。
该房颤检测设备特别适用于可穿戴式的PPG房颤检测设备进行在线检测,还可适用于桌上型计算机或者云端服务器等设备进行离线房颤检测。
本领域技术人员可知的,房颤检测系统集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例房颤检测系统中的全部或部分模块的功能时,也可以通过计算机程序指令相关的硬件来完成,所述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个模块/单元的功能。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于计算机可读存储介质中,该程序在执行时,可以包括如上述各方法的实施例的流程。其中,所述的存储介质可以是只读存储记忆体、随机存储记忆体、磁盘或光盘等。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.PPG心搏信号预处理方法,其特征在于,包括如下步骤:
采集被检测心搏信号和被检测者运动信号,对采集的心搏信号进行频域滤波;
在已经完成频域滤波的心搏信号片段上,获得全部波谷位置,并依次将相邻两个波谷之间的心搏信号作为一拍,得到连续的多拍心搏信号;
判断每拍上的心搏信号是否同时满足运动信号阈值和信噪比阈值,当至少连续N拍均同时满足运动阈值和信噪比阈值,则保留该至少连续N拍心搏信号并输出,其中N为大于等于6的正整数,信噪比是指以拍为单位,分别统计一拍内的噪音包络和心搏信号包络的平均值,然后得到的比值。
2.根据权利要求1所述的PPG心搏信号的预处理方法,其特征在于,运动信号阈值包括加速度阈值和角速度阈值,加速度阈值和角速度阈值需要同时满足。
3.根据权利要求1或2所述的PPG心搏信号预处理方法,其特征在于,加速度阈值和/角速度阈值使用各自时窗,对一定区间内的加速度和/角速度指标求均值的结果。
4.根据权利要求1所述的PPG心搏信号预处理方法,其特征在于,对被检测心搏信号片段进行频域滤波后,还要对已经完成频域滤波的心搏信号片段进行基线干扰检测,排除基线形态突变区间的心搏信号。
5.PPG心搏信号预处理装置,其特征在于,包括:
信号采集滤波模块:用于采集被检测心搏信号和被检测者运动信号,对采集的心搏信号进行频域滤波;
信号分拍模块:用于在已经完成频域滤波的心搏信号片段上,获得全部波谷位置,并依次将相邻两个波谷之间的心搏信号作为一拍,得到连续的多拍心搏信号;
信号筛选模块:判断每拍上的心搏信号是否同时满足运动信号阈值和信噪比阈值,当至少连续N拍均同时满足运动阈值和信噪比阈值,则保留该至少连续N拍心搏信号并输出,其中N为大于等于6的正整数,信噪比是指以拍为单位,分别统计一拍内的噪音包络和心搏信号包络的平均值,然后得到的比值。
6.根据权利要求5所述的PPG心搏信号预处理装置,其特征在于,运动信号阈值包括加速度阈值和角速度阈值,加速度阈值和角速度阈值需要同时满足。
7.根据权利要求5或6所述的PPG心搏信号预处理装置,其特征在于,还包括
基线干扰检测模块:对已经完成频域滤波的心搏信号片段进行基线干扰检测,排除基线形态突变区间的心搏信号。
8.房颤检测设备,其特征在于,包括
PPG心搏信号预处理装置:筛选信号质量满足设定要求的被检测心搏信号,并输出到间期变异值计算模块;
间期变异值计算模块:计算PPG心搏信号预处理装置筛选出来的被检测心搏信号的心搏间期的间期变异值;
房颤得分确定模块:预设n个间期变异值区间段,n为正整数,根据一预设的变异值-得分映射表计算上述心搏间期变异值在每个预设的间期变异值区间段的累计房颤得分,得到n个房颤得分;
房颤得分转化模块:将n个房颤得分组成为一行n列的矩阵x,带入逻辑回归代价函数或者SVM函数,计算得到模型对输出的估值H(θ);
房颤判断模块:将模型对输出的估值H(θ)与预设阈值比较,根据比较结果判断所述被检测心搏信号片段是否存在房颤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910018483.0A CN111419219A (zh) | 2019-01-09 | 2019-01-09 | Ppg心搏信号的预处理方法、装置及房颤检测设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910018483.0A CN111419219A (zh) | 2019-01-09 | 2019-01-09 | Ppg心搏信号的预处理方法、装置及房颤检测设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111419219A true CN111419219A (zh) | 2020-07-17 |
Family
ID=71545653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910018483.0A Pending CN111419219A (zh) | 2019-01-09 | 2019-01-09 | Ppg心搏信号的预处理方法、装置及房颤检测设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111419219A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112545472A (zh) * | 2020-12-02 | 2021-03-26 | 成都心吉康科技有限公司 | 一种ppg信号质量评估的方法、装置、设备及储存介质 |
CN114451873A (zh) * | 2020-10-30 | 2022-05-10 | 华为技术有限公司 | 一种信号处理方法及设备 |
EP4223216A4 (en) * | 2021-12-23 | 2024-04-24 | Honor Device Co., Ltd. | METHOD AND APPARATUS FOR MEASURING HEART RATE |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100079279A1 (en) * | 2008-09-30 | 2010-04-01 | Nellcor Puritan Bennett Ireland | Detecting a Signal Quality Decrease in a Measurement System |
US20140073948A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for determining physiological information based on failure information |
US20140073932A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for determining signal-to-noise information from a physiological signal |
US20150238146A1 (en) * | 2014-02-21 | 2015-08-27 | Csem Centre Suisse D'electronique Et De Microtechnique Sa - Recherche Et Developpement | Method for determining an instant velocity of a user and for improving estimation of heart rate |
-
2019
- 2019-01-09 CN CN201910018483.0A patent/CN111419219A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100079279A1 (en) * | 2008-09-30 | 2010-04-01 | Nellcor Puritan Bennett Ireland | Detecting a Signal Quality Decrease in a Measurement System |
US20140073948A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for determining physiological information based on failure information |
US20140073932A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for determining signal-to-noise information from a physiological signal |
US20150238146A1 (en) * | 2014-02-21 | 2015-08-27 | Csem Centre Suisse D'electronique Et De Microtechnique Sa - Recherche Et Developpement | Method for determining an instant velocity of a user and for improving estimation of heart rate |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114451873A (zh) * | 2020-10-30 | 2022-05-10 | 华为技术有限公司 | 一种信号处理方法及设备 |
CN112545472A (zh) * | 2020-12-02 | 2021-03-26 | 成都心吉康科技有限公司 | 一种ppg信号质量评估的方法、装置、设备及储存介质 |
EP4223216A4 (en) * | 2021-12-23 | 2024-04-24 | Honor Device Co., Ltd. | METHOD AND APPARATUS FOR MEASURING HEART RATE |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3692904B1 (en) | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence | |
US11517212B2 (en) | Electrocardiogram information dynamic monitoring method and dynamic monitoring system | |
US11344243B2 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
US11529103B2 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
Mei et al. | Automatic atrial fibrillation detection based on heart rate variability and spectral features | |
US11234658B2 (en) | Photoplethysmogram data analysis and presentation | |
CN109411042B (zh) | 心电信息处理方法和心电工作站 | |
Kumar et al. | Detection and classification of ECG noises using decomposition on mixed codebook for quality analysis | |
EP3773185A1 (en) | Photoplethysmogram data analysis and presentation | |
CN114901143A (zh) | 使用深度神经网络和基于规则的系统进行缩减导联心电图诊断的系统和方法 | |
Tueche et al. | Embedded algorithm for QRS detection based on signal shape | |
CN111419219A (zh) | Ppg心搏信号的预处理方法、装置及房颤检测设备 | |
Al-Ani | ECG waveform classification based on P-QRS-T wave recognition | |
Šprager et al. | Feasibility of biometric authentication using wearable ECG body sensor based on higher-order statistics | |
Rankawat et al. | Robust heart rate estimation from multimodal physiological signals using beat signal quality index based majority voting fusion method | |
Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
CN114901145A (zh) | 使用深度神经网络和基于规则的系统进行心电图诊断的系统和方法 | |
Leutheuser et al. | Instantaneous P-and T-wave detection: Assessment of three ECG fiducial points detection algorithms | |
Lu et al. | Uncertainties in the Analysis of Heart Rate Variability: A Systematic Review | |
Pool et al. | Deep learning-based data-point precise R-peak detection in single-lead electrocardiograms | |
CN110063726B (zh) | 一种心电信号单导联f波提取方法和装置 | |
Zhang et al. | Measuring fine-grained heart-rate using a flexible wearable sensor in the presence of noise | |
CN114668401A (zh) | 一种ai心电训练数据标注方法、装置、电子设备及介质 | |
Jokić et al. | An efficient ECG modeling for heartbeat classification |
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: 20200717 |