CN111481173A - 身体体征信号的检测方法、介质、设备及系统 - Google Patents
身体体征信号的检测方法、介质、设备及系统 Download PDFInfo
- Publication number
- CN111481173A CN111481173A CN202010295817.1A CN202010295817A CN111481173A CN 111481173 A CN111481173 A CN 111481173A CN 202010295817 A CN202010295817 A CN 202010295817A CN 111481173 A CN111481173 A CN 111481173A
- Authority
- CN
- China
- Prior art keywords
- sign
- value
- analysis data
- extreme
- data
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Pulmonology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供一种身体体征信号的检测方法、介质、设备及系统,所述身体体征信号的检测方法包括:对体征信号数据进行预处理,以获取分析数据;所述分析数据为弱化干扰信号后的体征信号数据;确定所述分析数据的极值点,并在预设的频率范围内进行极值点匹配;在匹配成功的多组所述极值点中,计算每一组体征值和体征值得分;根据体征值和体征值得分,确定最终体征值。本发明通过分析体征信号中多种叠加信号的特征,将不同的体征信号提取出来,并针对确定的每一种体征信号的值进行人体的状态监测。
Description
技术领域
本发明涉及体征信号检测的技术领域,涉及一种体征信号检测方法,特别是涉及一种身体体征信号的检测方法、介质、设备及系统。
背景技术
目前健康已成为一项评估社会发展的重要指标,各种医疗器械、检测设备在较好的形势下逐渐被推广,在现有技术中,针对体征检测的技术主要有光电、心电、振动,其中基于光电、心电的检测方式必须通过检测设备与人体之间直接接触,振动则可以实现非接触式体征检测。针对多种多样的检测方式,体征数据的分析方法也是层出不穷,但尚未存在一种快速准确的分析方法能充分利用极值特性将叠加的体征信号进行分离与分类检测。
因此,如何提供一种身体体征信号的检测方法、介质、设备及系统,以解决现有技术无法结合极值的特性准确分析多种体征信号等缺陷,成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种身体体征信号的检测方法、介质、设备及系统,用于解决现有技术无法结合极值的特性准确分析多种体征信号的问题。
为实现上述目的及其他相关目的,本发明一方面提供一种身体体征信号的检测方法,所述身体体征信号的检测方法包括:对体征信号数据进行预处理,以获取分析数据;所述分析数据为弱化干扰信号后的体征信号数据;确定所述分析数据的极值点,并在预设的频率范围内进行极值点匹配;在匹配成功的多组所述极值点中,计算每一组体征值和体征值得分;根据体征值和体征值得分,确定最终体征值。
于本发明的一实施例中,确定所述分析数据的极值点,并在预设的频率范围内进行极值点匹配的步骤包括:确定所述极值点的特征量;所述特征量包括极值点位置、极值类型、极值大小、峰峰值、周期特性和/或极值点之间波形特性;根据所述特征量进行极值点匹配。
于本发明的一实施例中,在匹配成功的多组所述极值点中,计算每一组的体征值和体征值得分的步骤包括:根据每一组极值点所属曲线的距离特征,计算每一组极值点的初始得分;通过惩罚机制对所述初始得分进行调整,确定体征值得分。
于本发明的一实施例中,所述分析数据包括心率分析数据;所述最终体征值为心率;根据体征值和体征值得分确定最终体征值的步骤包括:根据最小的所述体征值得分对应的一组极值点计算时间差,并根据所述时间差确定所述心率。
于本发明的一实施例中,所述分析数据还包括呼吸分析数据;所述最终体征值为呼吸频率;所述身体体征信号的检测方法还包括:将所述心率分析数据作为第一数据,将所述呼吸分析数据作为第二数据;根据时间对应关系,利用所述第一数据中用于计算心率的极值点对应查找出所述第二数据中的极值点;通过查找出的所述极值点确定所述呼吸频率。
于本发明的一实施例中,所述分析数据还包括体动分析数据;所述最终体征值为体动值;所述身体体征信号的检测方法还包括:当所述体征值得分大于预设阈值和/或所述心率超出预设范围时,判定所确定的极值点对应的为体动信号,根据所述体动信号的频率特征确定所述体动值。
本发明另一方面提供一种介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的身体体征信号的检测方法。
本发明又一方面提供一种检测设备,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述检测设备执行所述的身体体征信号的检测方法。
本发明最后一方面提供一种身体体征信号的检测系统,所述身体体征信号的检测系统包括:体征信号传感装置,用于获取身体的体征信号数据;检测设备,接收所述体征信号传感装置传送的体征信号数据;所述检测设备用于对体征信号数据进行预处理,以获取分析数据;所述分析数据为弱化干扰信号后的体征信号数据;确定所述分析数据的极值点,并在预设的频率范围内进行极值点匹配;在匹配成功的多组所述极值点中,计算每一组的体征值和体征值得分;根据体征值和体征值得分确定最终体征值。
于本发明的一实施例中,所述体征信号传感装置为他激振动式体征传感器,所述他激振动式体征传感器包括压电陶瓷片。
如上所述,本发明所述的身体体征信号的检测方法、介质、设备及系统,具有以下有益效果:
本发明通过极值分析与得分统计的方法从多种叠加信号中准确分析出心率、呼吸及体动等体征信号,有助于身体健康状态的监测。此外,本发明提供的体征信号检测算法和体征信号检测系统,可应用于医疗、科研、智能家居、穿戴设备,从一定程度上推进了医疗、科研、智能家居、穿戴设备等领域的技术发展。
附图说明
图1显示为本发明的身体体征信号的检测方法于一实施例中的原理流程图。
图2显示为本发明的身体体征信号的检测方法于一实施例中的得分算法示意图。
图3显示为本发明的身体体征信号的检测方法于一实施例中的曲线中较大值惩罚示意图。
图4显示为本发明的身体体征信号的检测方法于一实施例中的呼吸频率示意图。
图5显示为本发明的身体体征信号的检测方法于一实施例中的体动示意图。
图6显示为本发明的身体体征信号的检测设备于一实施例中的结构连接示意图。
图7显示为本发明的身体体征信号的检测系统于一实施例中的结构原理图。
图8显示为本发明的体动信号传感装置于一实施例中的结构示意图。
元件标号说明
6 检测设备
61 处理器
62 存储器
63 收发器
64 通信接口
65 系统总线
7 体征信号传感装置
71 压电陶瓷片
72 壳体
73 导管
74 柔性气囊
75 柔性支撑材料
76 信号线
77 流体介质
S11~S14 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明通过匹配极值与计算得分的方法,分析体征信号中多种叠加信号的特征,将不同的体征信号提取出来,并针对确定的每一种体征信号的值进行人体的状态监测。
以下将结合图1至图8详细阐述本实施例的一种身体体征信号的检测方法、介质、设备及系统的原理及实施方式,使本领域技术人员不需要创造性劳动即可理解本实施例的身体体征信号的检测方法、介质、设备及系统。
请参阅图1,显示为本发明的身体体征信号的检测方法于一实施例中的原理流程图。身体的体征信号包括心率信号、呼吸信号和体动信号,如图1所示,所述身体体征信号的检测方法具体包括以下几个步骤:
S11,对体征信号数据进行预处理,以获取分析数据。所述分析数据为弱化干扰信号后的体征信号数据。
在本实施例中,所述预处理为滤波处理,对原始数据进行fir滤波或其他数字滤波方式,其中,滤波参数0.25-6Hz的分析数据,用作心跳分析;滤波参数0.1-2Hz的分析数据,用作呼吸分析。
在本实施例中,所述体征信号数据为压电陶瓷片两极之间的电压数据或利用其他体征信号传感装置将身体体征对应转换成的电信号数据。
S12,确定所述分析数据的极值点,并在预设的频率范围内进行极值点匹配。
在本实施例中,S12包括:
S121,确定所述极值点的特征量;所述特征量包括极值点位置、极值类型、极值大小、峰峰值、周期特性和/或极值点之间波形特性。
S122,根据所述特征量进行极值点匹配。
具体地,逆向搜索极值点,以极值的极值点为起点,匹配下一个相似极值点,其特征包括:极值点位置、极值类型、极值大小、峰峰值、周期特性和/或极值点之间波形特性等。极值点用于比较容易对比周期信号,所述逆向搜索极值点是指分析数据的曲线随时间的变化会出现多个极值点,在极值点匹配时按照时间从后往前的顺序查找极值点。
S13,在匹配成功的多组所述极值点中,计算每一组体征值和体征值得分。
在本实施例中,S13包括:
S131,根据每一组极值点所属曲线的距离特征,计算每一组极值点的初始得分。
具体地,所述呼吸频率与体征值的计算以计算心率时所确定的极值点为参考。在心跳检测范围内(0.5-3Hz),连续找到两个相似极值点,则计算一次心率和得分。需要说明的是,在本实施例中得分算法采用一种变种欧式距离算法,选取一段曲线为基准,另一段曲线作为对比曲线,对比曲线上的点在一定距离范围内搜索欧式距离最小点,其中,一定距离是指当两段曲线长度不一致时,对比曲线以长度差值为移动范围,搜索最小距离为当前距离;计算平均距离为初始得分。
请参阅图2,显示为本发明的身体体征信号的检测方法于一实施例中的得分算法示意图。如图2所示,第一曲线有15个数值,第二曲线有17个数值,曲线长度差为2。
若以第一曲线为基准,将第一曲线的1点分别与第二曲线的①点、②点相比较,算出欧式距离(此处为数值差值的绝对值),选择其中最小的值作为1点的距离;将第一曲线的2点与第二曲线的②点、③点、④点算差值,选择其中最小的值作为2点的距离,依次类推。总共得出15个距离,取其均值作为初始得分。需要说明的是,本发明中仅将变种欧氏距离作为两点之间距离计算的其中一种实施方式,其他可用来计算两曲线上点之间距离差值的方法也在本发明保护范围内,且针对参考的点具体比较多少个点不做限定。
若以第二曲线为基准,将第一曲线差值成17个点,然后依次算出17个对应点的欧式距离,取其平均作为初始得分。
S132,通过惩罚机制对所述初始得分进行调整,确定体征值得分。需要说明的是,每一组的体征值得分作为该组体征值计算的权重参考,表明该组体征值是真实体征值的可信度高低,所述体征值得分数值越小表明该组体征值越准确。
在本实施例中,对所述初始得分进行调整包括:两段曲线长度差异惩罚、初始点值差距惩罚、短曲线惩罚、曲线中较大值惩罚。
长度差异惩罚:如有6个极值点可以得出5段曲线,以第一段曲线为基准,其余4段曲线长度差异为:1,2,3,4。归一化后分别为1/(1+2+3+4)=0.1,0.2,0.3,0.4,则长度差异惩罚系数为1.1,1.2,1.3,1.4。
初始点值差距惩罚:两段曲线第一点的差值绝对值。所述初始点值差距惩罚为了平衡越长的曲线越难匹配。
短曲线惩罚:将所有基准曲线的长度归一化,如四条曲线长度分别为1、2、3、4,短曲线归一化系数为:1-1/(1+2+3+4)=0.9、0.8、0.7、0.6,则短曲线惩罚系数为1.9、1.8、1.7、1.6。
曲线中较大值惩罚是出于考虑到心率周期内理想曲线的峰峰值应该渐变。请参阅图3,显示为本发明的身体体征信号的检测方法于一实施例中的曲线中较大值惩罚示意图。如图3所示,Y点为心率极值点,由于体动或者识别错误,可能导致心跳中间的极值(N点)大于两端的极值,要对这种情况做一个系数惩罚,则将曲线中所有正的差值累加,得出较大值和,再同样做归一化,得出较大值惩罚系数,以弱化非正常极值点(N点),便于心率极值点的分析和心率的计算。
S14,根据体征值和体征值得分,确定最终体征值。
在本实施例中,所述最终体征值包括心率、呼吸频率和/或体动值。
当所述分析数据包括心率分析数据;所述最终体征值为心率时,S14包括:
根据最小的所述体征值得分对应的一组极值点计算时间差,并根据所述时间差确定所述心率。需要说明的是,所述最小可以是最小的一组体征值得分也可以是最小的几组体征值得分。
具体地,将初始得分和惩罚机制中所有系数累乘,得到最终的体征值得分,按照得分排序,取数值最小的几组,得分相近并且与其他的有明显的差距,根据极值点的间距算出时间差,根据时间差算出心率周期。
根据世界卫生组织的统计,心血管病死亡率居首位,明显高于肿瘤及其他疾病,利用本发明提供的快速、准确的心率监测方法进行持续的心率监测,有助于诊断疾病时进行数据参考。
当所述分析数据还包括呼吸分析数据;所述最终体征值为呼吸频率时,S14包括:
S141,将所述心率分析数据作为第一数据,将所述呼吸分析数据作为第二数据。
请参阅图4,显示为本发明的身体体征信号的检测方法于一实施例中的呼吸频率示意图。如图4所示,获取一段时间的体征信号数据,将相同的体征信号数据分别经过两种滤波处理:通过滤波参数0.25-6Hz得到心率的分析数据;通过滤波参数0.1-2Hz得到呼吸的分析数据。心率和呼吸的点对应:通过图4上面一条曲线计算心率,可以标记出图示a-h点,从而根据采样间隔算出心率周期。对应到图4下面一条曲线,可以根据a-h点的时间标记,在下面一条曲线找到极值A-H点,根据“一吸一呼”的呼吸规律,可以计算A-C-E是一个呼吸周期,从而算出呼吸频率。
S142,根据时间对应关系,利用所述第一数据中用于计算心率的极值点对应查找出所述第二数据中的极值点。
S143,通过查找出的所述极值点确定所述呼吸频率。
当所述分析数据还包括所述分析数据还包括体动分析数据;所述最终体征值为体动值时,S14包括:
当所述体征值得分大于预设阈值和/或所述心率超出预设范围时,判定所确定的极值点对应的为体动信号,根据所述体动信号的频率特征确定所述体动值。
请参阅图5,显示为本发明的身体体征信号的检测方法于一实施例中的体动示意图。如图5所示,左边方框中为体动数据,杂乱且极值非常大;右边方框中为心跳数据,极值规律明显,体动数据的极值远远超出心跳数据的极值,因此,通过设定一预设阈值可将体动数据的极值与心跳数据的极值进行明显区分。此外,若设预定范围是心率周期,数值在30-180之间,则通过两极值之间的时间差计算的心率周期超出该数值范围时,则判定参与计算的极值不是心率极值点,而是体动极值点。
本发明所述的身体体征信号的检测方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本实施例提供一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述身体体征信号的检测方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的计算机可读存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的计算机存储介质。
请参阅图6,显示为本发明的身体体征信号的检测设备于一实施例中的结构连接示意图。如图6所示,本实施例提供一种检测设备6,所述检测设备6包括:处理器61、存储器62、收发器63、通信接口64或/和系统总线65;存储器62和通信接口64通过系统总线65与处理器61和收发器63连接并完成相互间的通信,存储器62用于存储计算机程序,通信接口64用于和其他设备进行通信,处理器61和收发器63用于运行计算机程序,使所述检测设备执行所述身体体征信号的检测方法的各个步骤。
上述提到的系统总线65可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该系统总线65可以分为地址总线、数据总线、控制总线等。通信接口用于实现数据库访问装置与其他设备(如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
上述的处理器61可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Alication SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称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。
请参阅图7,显示为本发明的身体体征信号的检测系统于一实施例中的结构原理图。如图7所示,所述身体体征信号的检测系统包括检测设备6和体征信号传感装置7。
所述检测设备6接收所述体征信号传感装置7传送的体征信号数据。
所述检测设备6用于对体征信号数据进行预处理,以获取分析数据;所述分析数据为弱化干扰信号后的体征信号数据;确定所述分析数据的极值点,并在预设的频率范围内进行极值点匹配;在匹配成功的多组所述极值点中,计算每一组体征值和体征值得分;根据体征值和体征值得分,确定最终体征值。
所述体征信号传感装置7用于获取身体的体征信号数据。
请参阅图8,显示为本发明的体动信号传感装置于一实施例中的结构示意图。如图8所示,所述体征信号传感装置7为他激振动式体征传感器,所述他激振动式体征传感器包括压电陶瓷片。
压电陶瓷片是一种以压电陶瓷粘贴在金属片上的换能元件,当压电陶瓷片振动时会在压电陶瓷表面形成电压信号。本申请使用压电陶瓷片的压电效应特性,当压电陶瓷片被动产生振动时,压电陶瓷片两极间电压会随之产生变化,这一变化在压电陶瓷片的两极间能够显著的测量。
所述他激振动式体征传感器包括压电陶瓷片71、壳体72、导管73、柔性气囊74、柔性支撑材料75、信号线76和流体介质77。所述压电陶瓷片71与壳体72、导管73、柔性气囊74的内部空腔形成一个相互连通的密封空腔,密封空腔内部为空气、也可为其他流体;所述柔性支撑材料75用于使柔性气囊74内部形成空腔。人体的轻微心跳、呼吸或体动等体征动作会导致柔性气囊74表面轻微的压缩、释放、振动,这些动作会导致柔性气囊74内部气压的波动,该气压波动通过导管73传入壳体内部的密闭空间并推动压电陶瓷片71振动,压电陶瓷片71将振动导致两根信号线76间的电压变化而被检测电路检测,所述身体体征信号的检测方法提供一种数据处理方法,将测量到的两根信号线76间电压变化数据分析处理,从而测量到人体的心率、呼吸、体动等体征。
本发明所述的身体体征信号的检测系统可以实现本发明所述的身体体征信号的检测方法,但本发明所述的身体体征信号的检测方法的实现装置包括但不限于本实施例列举的身体体征信号的检测系统的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
综上所述,本发明所述身体体征信号的检测方法、介质、设备及系统通过极值分析与得分统计的方法从多种叠加信号中准确分析出心率、呼吸及体动等体征信号,有助于身体健康状态的监测,提供了一种体征检测算法,可应用于医疗、科研、智能家居、穿戴设备。本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种身体体征信号的检测方法,其特征在于,所述身体体征信号的检测方法包括:
对体征信号数据进行预处理,以获取分析数据;所述分析数据为弱化干扰信号后的体征信号数据;
确定所述分析数据的极值点,并在预设的频率范围内进行极值点匹配;
在匹配成功的多组所述极值点中,计算每一组体征值和体征值得分;
根据体征值和体征值得分,确定最终体征值。
2.根据权利要求1所述的身体体征信号的检测方法,其特征在于,确定所述分析数据的极值点,并在预设的频率范围内进行极值点匹配的步骤包括:
确定所述极值点的特征量;所述特征量包括极值点位置、极值类型、极值大小、峰峰值、周期特性和/或极值点之间波形特性;
根据所述特征量进行极值点匹配。
3.根据权利要求1所述的身体体征信号的检测方法,其特征在于,在匹配成功的多组所述极值点中,计算每一组的体征值和体征值得分的步骤包括:
根据每一组极值点所属曲线的距离特征,计算每一组极值点的初始得分;
通过惩罚机制对所述初始得分进行调整,确定体征值得分。
4.根据权利要求1所述的身体体征信号的检测方法,其特征在于,所述分析数据包括心率分析数据;所述最终体征值为心率;根据体征值和体征值得分确定最终体征值的步骤包括:
根据最小的所述体征值得分对应的一组极值点计算时间差,并根据所述时间差确定所述心率。
5.根据权利要求4所述的身体体征信号的检测方法,其特征在于,所述分析数据还包括呼吸分析数据;所述最终体征值为呼吸频率;所述身体体征信号的检测方法还包括:
将所述心率分析数据作为第一数据,将所述呼吸分析数据作为第二数据;
根据时间对应关系,利用所述第一数据中用于计算心率的极值点对应查找出所述第二数据中的极值点;
通过查找出的所述极值点确定所述呼吸频率。
6.根据权利要求4所述的身体体征信号的检测方法,其特征在于,所述分析数据还包括体动分析数据;所述最终体征值为体动值;所述身体体征信号的检测方法还包括:
当所述体征值得分大于预设阈值和/或所述心率超出预设范围时,判定所确定的极值点对应的为体动信号,根据所述体动信号的频率特征确定所述体动值。
7.一种介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的身体体征信号的检测方法。
8.一种检测设备,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述检测设备执行如权利要求1至6中任一项所述的身体体征信号的检测方法。
9.一种身体体征信号的检测系统,其特征在于,所述身体体征信号的检测系统包括:
体征信号传感装置,用于获取身体的体征信号数据;
检测设备,接收所述体征信号传感装置传送的体征信号数据;
所述检测设备用于对体征信号数据进行预处理,以获取分析数据;所述分析数据为弱化干扰信号后的体征信号数据;确定所述分析数据的极值点,并在预设的频率范围内进行极值点匹配;在匹配成功的多组所述极值点中,计算每一组体征值和体征值得分;根据体征值和体征值得分,确定最终体征值。
10.根据权利要求9所述的身体体征信号的检测系统,其特征在于,
所述体征信号传感装置为他激振动式体征传感器,所述他激振动式体征传感器包括压电陶瓷片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010295817.1A CN111481173B (zh) | 2020-04-15 | 2020-04-15 | 身体体征信号的检测方法、介质、设备及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010295817.1A CN111481173B (zh) | 2020-04-15 | 2020-04-15 | 身体体征信号的检测方法、介质、设备及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111481173A true CN111481173A (zh) | 2020-08-04 |
CN111481173B CN111481173B (zh) | 2023-06-06 |
Family
ID=71790199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010295817.1A Active CN111481173B (zh) | 2020-04-15 | 2020-04-15 | 身体体征信号的检测方法、介质、设备及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111481173B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101843489A (zh) * | 2009-03-26 | 2010-09-29 | 深圳市理邦精密仪器有限公司 | 一种呼吸信号处理方法 |
US20130331722A1 (en) * | 2010-07-14 | 2013-12-12 | Imperial Innovations Limited | Feature characterization for breathing monitor |
CN106037655A (zh) * | 2016-06-17 | 2016-10-26 | 美的集团股份有限公司 | 一种睡眠周期信号的分离及周期计算方法及装置 |
US20170055898A1 (en) * | 2015-08-28 | 2017-03-02 | Awarables, Inc. | Determining Sleep Stages and Sleep Events Using Sensor Data |
CN107510443A (zh) * | 2017-08-18 | 2017-12-26 | 浙江舒眠科技有限公司 | 一种基于多通道的睡眠体征信号采集装置及数据处理方法 |
CN108056769A (zh) * | 2017-11-14 | 2018-05-22 | 深圳市大耳马科技有限公司 | 一种生命体征信号分析处理方法、装置和生命体征监测设备 |
CN108836299A (zh) * | 2018-04-23 | 2018-11-20 | 深圳市友宏科技有限公司 | 一种bcg心率提取方法、存储介质以及装置 |
WO2019026076A1 (en) * | 2017-08-02 | 2019-02-07 | Caaresys Ltd | SYSTEM FOR NON-CONTACT DETECTION AND MONITORING OF VITAL SIGNS OF OCCUPANTS OF A VEHICLE |
US20190059822A1 (en) * | 2017-08-22 | 2019-02-28 | Shenzhen GOODIX Technology Co., Ltd. | Heart rate detection method and apparatus, and electronic terminal thereof |
US20190076097A1 (en) * | 2017-09-13 | 2019-03-14 | Withings | Methods, Apparatus And Computer Programs For Determining Frequencies Of Biosignals |
US20190357850A1 (en) * | 2014-09-26 | 2019-11-28 | Pixart Imaging Inc. | Respiration rate detection device and breath detection device adopting motion denoising |
-
2020
- 2020-04-15 CN CN202010295817.1A patent/CN111481173B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101843489A (zh) * | 2009-03-26 | 2010-09-29 | 深圳市理邦精密仪器有限公司 | 一种呼吸信号处理方法 |
US20130331722A1 (en) * | 2010-07-14 | 2013-12-12 | Imperial Innovations Limited | Feature characterization for breathing monitor |
US20190357850A1 (en) * | 2014-09-26 | 2019-11-28 | Pixart Imaging Inc. | Respiration rate detection device and breath detection device adopting motion denoising |
US20170055898A1 (en) * | 2015-08-28 | 2017-03-02 | Awarables, Inc. | Determining Sleep Stages and Sleep Events Using Sensor Data |
CN106037655A (zh) * | 2016-06-17 | 2016-10-26 | 美的集团股份有限公司 | 一种睡眠周期信号的分离及周期计算方法及装置 |
WO2019026076A1 (en) * | 2017-08-02 | 2019-02-07 | Caaresys Ltd | SYSTEM FOR NON-CONTACT DETECTION AND MONITORING OF VITAL SIGNS OF OCCUPANTS OF A VEHICLE |
CN107510443A (zh) * | 2017-08-18 | 2017-12-26 | 浙江舒眠科技有限公司 | 一种基于多通道的睡眠体征信号采集装置及数据处理方法 |
US20190059822A1 (en) * | 2017-08-22 | 2019-02-28 | Shenzhen GOODIX Technology Co., Ltd. | Heart rate detection method and apparatus, and electronic terminal thereof |
US20190076097A1 (en) * | 2017-09-13 | 2019-03-14 | Withings | Methods, Apparatus And Computer Programs For Determining Frequencies Of Biosignals |
CN108056769A (zh) * | 2017-11-14 | 2018-05-22 | 深圳市大耳马科技有限公司 | 一种生命体征信号分析处理方法、装置和生命体征监测设备 |
CN108836299A (zh) * | 2018-04-23 | 2018-11-20 | 深圳市友宏科技有限公司 | 一种bcg心率提取方法、存储介质以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111481173B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Towards heart sound classification without segmentation via autocorrelation feature and diffusion maps | |
CN109833035B (zh) | 脉搏波血压测量装置的分类预测数据处理方法 | |
CN105184325B (zh) | 一种移动智能终端 | |
CN109480783B (zh) | 一种呼吸暂停检测方法、装置及计算设备 | |
CN107106028A (zh) | 用于心肺睡眠阶段分类的系统和方法 | |
Banerjee et al. | PhotoECG: Photoplethysmographyto estimate ECG parameters | |
Hamza et al. | Svm for human identification using the ECG signal | |
CN108021888A (zh) | 一种跌倒检测方法 | |
CN107110743A (zh) | 检查数据处理装置以及检查数据处理方法 | |
Singh et al. | Short unsegmented PCG classification based on ensemble classifier | |
CN113674767A (zh) | 一种基于多模态融合的抑郁状态识别方法 | |
CN112037929A (zh) | 基于多模态机器学习的分类方法、在线新冠肺炎预警模型训练方法及预警方法 | |
CN115910381A (zh) | 一种心肺复苏操作流程的规范性确定方法及系统 | |
CN109009004A (zh) | 一种基于中医脉象分析的体质检测方法 | |
EP3581098B1 (en) | Method of generating respiratory status classifier and method of determining respiratory status | |
Yan et al. | Topological descriptors of gait nonlinear dynamics toward freezing-of-gait episodes recognition in parkinson’s disease | |
CN106598234A (zh) | 基于惯性传感的手势识别方法 | |
KR20140073294A (ko) | 심장 박동수 변화를 이용한 실시간 감성 인식장치 및 그 방법 | |
CN111481173A (zh) | 身体体征信号的检测方法、介质、设备及系统 | |
Bhosale et al. | Contrastive Learning of Cough Descriptors for Automatic COVID-19 Preliminary Diagnosis. | |
Haibing et al. | A method of continuous wavelet transform for qrs wave detection in ecg signal | |
Jarchi et al. | Transition detection and activity classification from wearable sensors using singular spectrum analysis | |
Fauzi et al. | Classification of normal and abnormal heart sounds using empirical mode decomposition and first order statistic | |
KR101483218B1 (ko) | 활동 진단 장치 | |
KR20200120365A (ko) | 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법 및 장치 |
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 |