CN111860179A - 一种基于非接触式传感器的自适应滤波方法 - Google Patents

一种基于非接触式传感器的自适应滤波方法 Download PDF

Info

Publication number
CN111860179A
CN111860179A CN202010578524.4A CN202010578524A CN111860179A CN 111860179 A CN111860179 A CN 111860179A CN 202010578524 A CN202010578524 A CN 202010578524A CN 111860179 A CN111860179 A CN 111860179A
Authority
CN
China
Prior art keywords
particle
signal
contact sensor
iteration
method based
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
CN202010578524.4A
Other languages
English (en)
Inventor
李红文
杨向东
韩秀萍
王家冬
曹凯敏
朱震宇
陈鑫
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.)
ZHEJIANG TSINGHUA YANGTZE RIVER DELTA RESEARCH INSTITUTE
Yangtze Delta Region Institute of Tsinghua University Zhejiang
Original Assignee
ZHEJIANG TSINGHUA YANGTZE RIVER DELTA RESEARCH INSTITUTE
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 ZHEJIANG TSINGHUA YANGTZE RIVER DELTA RESEARCH INSTITUTE filed Critical ZHEJIANG TSINGHUA YANGTZE RIVER DELTA RESEARCH INSTITUTE
Priority to CN202010578524.4A priority Critical patent/CN111860179A/zh
Publication of CN111860179A publication Critical patent/CN111860179A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • G06F2218/04Denoising
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/02Detecting, 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
    • A61B5/024Detecting, measuring or recording pulse rate or heart rate
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明提供一种基于非接触式传感器的自适应滤波方法,涉及智能医疗技术领域,包括以下步骤:S1:获取混合噪声原始信号;S2:初始化粒子群参数;S3:根据各个粒子不同滤波范围,进行带通滤波;S4:计算原始信号包络线,获取频谱信号;S5:获取粒子适应度函数,更新粒子的速度和位置,更新粒子种群;S6:判断粒子种群是否满足最大迭代范围或最优适应度值,是则停止迭代,执行S7;反之,则返回S3;S7:获取心冲击信号。本发明一种基于非接触式传感器的自适应滤波方法可以适应信号的个体差异和环境噪声的差异所带来的影响,根据信号的特点,通过粒子群算法自动寻找最佳滤波范围,然后结合相应滤波器进行滤波,滤波效果良好。

Description

一种基于非接触式传感器的自适应滤波方法
技术领域
本发明涉及智能医疗技术领域,
尤其是,本发明涉及一种基于非接触式传感器的自适应滤波方法。
背景技术
近些年来,随着科技和经济水平的提升,人们越来越关注自身的健康问题。心跳节奏超出正常范围的变化通常预示着某种疾病的发生,比如心脏性猝死,窒息,心律不齐等。因此,日常生活中的心率监测对于人们自身疾病的早期发现与治疗有着重要的意义。
心冲击信号(BCG)是一种能反映人体心脏活动的生理信号,可在人体无感的情况下利用非接触传感器进行连续采集BCG信号。例如中国专利发明专利CN109431482A涉及一种基于非接触式的检测心率变异性的床垫及其检测方法。一种基于非接触式的检测心率变异性的床垫,包括床垫本体,供待检测用户睡卧;压敏传感器,用于采集人体的心冲击信号并转化为电信号输出;所述床垫本体内部设有基座和振动传感部件;所述压敏传感器设置在基座上,振动传感部件覆盖并接触于压敏传感器上;所述振动传感部件能够相对基座产生振动,振动传感部件在床垫本体上形成的接触面积大于压敏传感器的触点面积。
但是上述采集到的BCG信号较微弱,且极容易受到噪声干扰。如果不对采集到的信号进行滤波处理,真实的信号就会被噪声所淹没。而且传统的滤波方法会选择一个固定的滤波频率段,然后将信号通过相应滤波器来滤除部分噪声信号,但未考虑信号的个体差异和环境噪声的差异,滤波效果表现不佳。
因此为了解决上述问题,设计一种合理的基于非接触式传感器的自适应滤波方法对我们来说是很有必要的。
发明内容
本发明的目的在于提供一种可以适应信号的个体差异和环境噪声的差异所带来的影响,并根据信号的特点,通过粒子群算法自动寻找最佳滤波范围,然后结合相应滤波器进行滤波,滤波效果良好的基于非接触式传感器的自适应滤波方法。
为达到上述目的,本发明采用如下技术方案得以实现的:
一种基于非接触式传感器的自适应滤波方法,包括以下步骤:
S1:获取混合噪声的原始信号;
S2:初始化粒子群参数;
S3:根据各个粒子不同的滤波范围,进行带通滤波;
S4:计算原始信号的包络线,获取频谱信号;
S5:获取粒子适应度函数,更新粒子的速度和位置,更新粒子种群;
S6:判断粒子种群是否满足最大迭代范围或最优适应度值,若是,则停止迭代,执行步骤S7;反之,则返回步骤S3;
S7:获取心冲击信号。
作为本发明的优选,执行步骤S1时,通过安装在床体的非接触传感器获取混合噪声的原始信号。
作为本发明的优选,执行步骤S1之后,对原始信号进行分段处理,每段信号长度为20秒。
作为本发明的优选,执行步骤S7时,将分段后形成的多段原始信号获得的部分心冲击信号按照分段排列顺序进行整合,获取完整的心冲击信号。
作为本发明的优选,执行步骤S2时,粒子群参数包括种群个数和迭代步数,其中种群个数n不大于5,迭代步数m不大于 5,随机初始化各个粒子的范围,即滤波范围。
作为本发明的优选,执行步骤S3时,进行带通滤波,滤波之后,使用1至5的数字代表不同的粒子的滤波信号。
作为本发明的优选,执行步骤S4时,先计算原始信号的希尔伯特变换值,然后计算信号的包络线,再然后对计算出的包络线的值进行傅里叶变换,获得频谱信号。
作为本发明的优选,执行步骤S5时,对频谱信号进行归一化处理,然后计算粒子适应度值,根据粒子适应度函数评价所有粒子,更新粒子的速度和位置。
作为本发明的优选,执行步骤S6时,若粒子种群满足最大迭代范围或最优适应度值,则粒子信号为最佳滤波范围,停止迭代。
作为本发明的优选,执行步骤S6时,粒子种群不满足最大迭代范围或最优适应度值时,返回步骤S3,重新迭代执行粒子信号计算,并计算重新迭代次数,判断重新迭代次数是否不大于5次,若是,则继续返回步骤S3进行迭代;反之,则停止迭代。
作为本发明的优选,计算重新迭代次数,计算重新迭代次数迭代步数m的值,进行加一。
本发明一种基于非接触式传感器的自适应滤波方法有益效果在于:可以适应信号的个体差异和环境噪声的差异所带来的影响,根据信号的特点,通过粒子群算法自动寻找最佳滤波范围,然后结合相应滤波器进行滤波,滤波效果良好。
附图说明
图1为本发明一种基于非接触式传感器的自适应滤波方法的流程示意图;
图2为本发明一种基于非接触式传感器的自适应滤波方法的另一种流程示意图;
图3为本发明一种基于非接触式传感器的自适应滤波方法的粒子群算法流程公式示意图;
图4为本发明一种基于非接触式传感器的自适应滤波方法的优化效果示意图。
具体实施方式
以下是本发明的具体实施例,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的模块和步骤的相对布置和步骤不限制本发明的范围。
同时,应当明白,为了便于描述,附图中的流程并不仅仅是单独进行,而是多个步骤相互交叉进行。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法及系统可能不作详细讨论,但在适当情况下,技术、方法及系统应当被视为授权说明书的一部分。
实施例一:如图1所示,仅仅为本发明的其中一个的实施例,一种基于非接触式传感器的自适应滤波方法,包括以下步骤:
一种基于非接触式传感器的自适应滤波方法,包括以下步骤:
S1:获取混合噪声的原始信号;
通过安装在床体的非接触传感器获取混合噪声的原始信号,采样频率为500HZ。
执行步骤S1之后,对原始信号进行分段处理,每段信号长度为20秒。
S2:初始化粒子群参数;
执行步骤S2时,粒子群参数包括种群个数和迭代步数,随机初始化各个粒子的范围,即滤波范围。
S3:根据各个粒子不同的滤波范围,进行带通滤波;
执行步骤S3时,进行带通滤波,滤波之后,使用1至5的数字代表不同的粒子的滤波信号。
S4:计算原始信号的包络线,获取频谱信号;
执行步骤S4时,先计算原始信号的希尔伯特变换值,然后计算信号的包络线,再然后对计算出的包络线的值进行傅里叶变换,获得频谱信号。
S5:获取粒子适应度函数,更新粒子的速度和位置,更新粒子种群;
执行步骤S5时,对频谱信号进行归一化处理,然后计算粒子适应度值,根据粒子适应度函数评价所有粒子,更新粒子的速度和位置。
S6:判断粒子种群是否满足最大迭代范围或最优适应度值,若是,则停止迭代,执行步骤S7;反之,则返回步骤S3;
若粒子种群满足最大迭代范围或最优适应度值,则粒子信号为最佳滤波范围,停止迭代,此时可以根据这个滤波范围对原始信号进行滤波操作。
S7:获取心冲击信号。
根据粒子群算法获得的最佳滤波范围,执行滤波操作之后,获得的过滤信号便是高精确度的BCG心冲击信号。
由于在执行步骤S1时,将获取的原始信号分段处理,那么在执行步骤S7时,将分段后形成的多段原始信号获得的部分心冲击信号按照分段排列顺序进行整合,获取完整的心冲击信号。
本发明一种基于非接触式传感器的自适应滤波方法可以适应信号的个体差异和环境噪声的差异所带来的影响,根据信号的特点,通过粒子群算法自动寻找最佳滤波范围,然后结合相应滤波器进行滤波,滤波效果良好。
实施例二:如图2所示,仅仅为本发明的其中一个的实施例,一种基于非接触式传感器的自适应滤波方法,在执行步骤S2时,粒子群参数包括种群个数和迭代步数,其中种群个数n不大于5,迭代步数m不大于 5。
并且,在执行步骤S6时,粒子种群不满足最大迭代范围或最优适应度值时,返回步骤S3,重新迭代执行粒子信号计算,并计算重新迭代次数,判断重新迭代次数是否不大于5次,若是,则继续返回步骤S3进行迭代;反之,则停止迭代。
需要注意的是,计算重新迭代次数,上次迭代的迭代步数m值加一,即为当次迭代的迭代次数m的值,代入新的粒子群参数,执行步骤S3。
在算法上,每一次迭代,m(新)=m(旧)+1,然后判断m(新)值是否不大于5次,然后选择是否继续迭代。
实施例三:如图3所示,仅仅为本发明的其中一个的实施例,一种基于非接触式传感器的自适应滤波方法,粒子群算法中的具体算法过程如下:
第一,获取混合噪声的原始信号,分段处理,每段信号长度为20秒,记为F(t);
第二,初始化粒子群参数;
第三,根据各个粒子不同的滤波范围,进行带通滤波,滤波过后,信号为Fn(t),其中n =1,2...5,代表不同的粒子;
第四,计算F(t)的希尔伯特黄变换H(t);
第五,计算信号的包络线E(t);
第六,对计算出的包络信号进行傅里叶变换,求出频谱信号f(w);
第七,频谱归一化处理fnorm(w);
第八,计算粒子适应度值fitness;
第九,更新粒子的速度和位置;
第十,更新总群。
实施例四:如图4所示,仅仅为本发明的其中一个的实施例,一种基于非接触式传感器的自适应滤波方法的优化效果示意图,其中展示了自适应滤波的效果图,原始信号图为非接触式传感器收集到的包含各种噪声人体振动信号;固定频率滤波图为采用传统的固定滤波方法过滤后的信号波形图;自适应滤波图代表采用本文所述自动寻找最佳滤波范围后的效果图。
图4所示,信号中包含了较多的环境噪声干扰,在固定频率滤波后可以过较好的滤掉信号漂移和呼吸引起的干扰,但环境的干扰信号祛除不干净,导致滤波后信号区分度很差。采用自适应滤波后,不但过滤掉了信号漂移和呼吸振动信号,还很好的过滤掉了环境引起的干扰,滤波后心跳波形区分明显。
本发明一种基于非接触式传感器的自适应滤波方法可以适应信号的个体差异和环境噪声的差异所带来的影响,根据信号的特点,通过粒子群算法自动寻找最佳滤波范围,然后结合相应滤波器进行滤波,滤波效果良好。
本发明不局限于上述具体的实施方式,本发明可以有各种更改和变化。凡是依据本发明的技术实质对以上实施方式所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围。

Claims (10)

1.一种基于非接触式传感器的自适应滤波方法,其特征在于,包括以下步骤:
S1:获取混合噪声的原始信号;
S2:初始化粒子群参数;
S3:根据各个粒子不同的滤波范围,进行带通滤波;
S4:计算原始信号的包络线,获取频谱信号;
S5:获取粒子适应度函数,更新粒子的速度和位置,更新粒子种群;
S6:判断粒子种群是否满足最大迭代范围或最优适应度值,若是,则停止迭代,执行步骤S7;反之,则返回步骤S3;
S7:获取心冲击信号。
2.根据权利要求1所述的一种基于非接触式传感器的自适应滤波方法,其特征在于:
执行步骤S1时,通过安装在床体的非接触传感器获取混合噪声的原始信号。
3.根据权利要求1所述的一种基于非接触式传感器的自适应滤波方法,其特征在于:
执行步骤S1之后,对原始信号进行分段处理,每段信号长度为20秒。
4.根据权利要求3所述的一种基于非接触式传感器的自适应滤波方法,其特征在于:
执行步骤S7时,将分段后形成的多段原始信号获得的部分心冲击信号按照分段排列顺序进行整合,获取完整的心冲击信号。
5.根据权利要求1所述的一种基于非接触式传感器的自适应滤波方法,其特征在于:
执行步骤S2时,粒子群参数包括种群个数和迭代步数,其中种群个数n不大于5,迭代步数m不大于5,随机初始化各个粒子的范围,即滤波范围。
6.根据权利要求5所述的一种基于非接触式传感器的自适应滤波方法,其特征在于:
执行步骤S3时,进行带通滤波,滤波之后,使用1至5的数字代表不同的粒子的滤波信号。
7.根据权利要求1所述的一种基于非接触式传感器的自适应滤波方法,其特征在于:
执行步骤S4时,先计算原始信号的希尔伯特变换值,然后计算信号的包络线,再然后对计算出的包络线的值进行傅里叶变换,获得频谱信号。
8.根据权利要求1所述的一种基于非接触式传感器的自适应滤波方法,其特征在于:
执行步骤S5时,对频谱信号进行归一化处理,然后计算粒子适应度值,根据粒子适应度函数评价所有粒子,更新粒子的速度和位置。
9.根据权利要求1所述的一种基于非接触式传感器的自适应滤波方法,其特征在于:
执行步骤S6时,若粒子种群满足最大迭代范围或最优适应度值,则粒子信号为最佳滤波范围,停止迭代。
10.根据权利要求5所述的一种基于非接触式传感器的自适应滤波方法,其特征在于:
执行步骤S6时,粒子种群不满足最大迭代范围或最优适应度值时,返回步骤S3,重新迭代执行粒子信号计算,并计算重新迭代次数,判断重新迭代次数是否不大于5次,若是,则继续返回步骤S3进行迭代;反之,则停止迭代。
CN202010578524.4A 2020-06-23 2020-06-23 一种基于非接触式传感器的自适应滤波方法 Pending CN111860179A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010578524.4A CN111860179A (zh) 2020-06-23 2020-06-23 一种基于非接触式传感器的自适应滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010578524.4A CN111860179A (zh) 2020-06-23 2020-06-23 一种基于非接触式传感器的自适应滤波方法

Publications (1)

Publication Number Publication Date
CN111860179A true CN111860179A (zh) 2020-10-30

Family

ID=72988325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010578524.4A Pending CN111860179A (zh) 2020-06-23 2020-06-23 一种基于非接触式传感器的自适应滤波方法

Country Status (1)

Country Link
CN (1) CN111860179A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114159050A (zh) * 2021-11-12 2022-03-11 深圳数联天下智能科技有限公司 一种呼吸率监测方法、装置、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428043A (zh) * 2019-07-11 2019-11-08 燕山大学 基于粒子群算法的神经元群模型参数自适应优化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428043A (zh) * 2019-07-11 2019-11-08 燕山大学 基于粒子群算法的神经元群模型参数自适应优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PENG XU ET AL: "《Using particle swarm to select frequency band and time interval for feature extraction of EEG based BCI》", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114159050A (zh) * 2021-11-12 2022-03-11 深圳数联天下智能科技有限公司 一种呼吸率监测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Paalasmaa et al. Adaptive heartbeat modeling for beat-to-beat heart rate measurement in ballistocardiograms
Park et al. Arrhythmia detection from heartbeat using k-nearest neighbor classifier
Zhang et al. VLSI friendly ECG QRS complex detector for body sensor networks
Wen et al. A feasible feature extraction method for atrial fibrillation detection from BCG
CN105662375A (zh) 非接触式检测生命体征信号的方法和装置
CN106725428A (zh) 一种心电信号分类方法及装置
Li et al. Design of a continuous blood pressure measurement system based on pulse wave and ECG signals
CN106108889A (zh) 基于深度学习算法的心电图分类方法
US10602944B2 (en) Detecting artifacts in a signal
CN110226919B (zh) 心电信号类型检测方法、装置、计算机设备及存储介质
CN107239684A (zh) 一种用于ecg身份识别的特征学习方法和系统
CN114052744B (zh) 基于脉冲神经网络的心电信号分类方法
CN112568886A (zh) 心律的检测方法、电子设备以及计算机可读存储介质
Liu et al. Automatic detection of respiratory rate from electrocardiogram, respiration induced plethysmography and 3D acceleration signals
CN117338250A (zh) 一种基于毫米波雷达的体征检测方法及其睡眠监测方法
CN113273978A (zh) 一种基于超宽带雷达的人体呼吸和心跳频率的检测方法
CN111449622A (zh) 一种基于bcg检测的房颤识别系统
Fikri et al. ECG signal classification review
CN111860179A (zh) 一种基于非接触式传感器的自适应滤波方法
Phinyomark et al. Applications of variance fractal dimension: A survey
CN114287903A (zh) 一种基于压电传感器的心率检测方法、装置及存储介质
CN117064349B (zh) 毫米波雷达与智能床联动的姿态控制方法及系统
CN113116328A (zh) 一种基于心冲击图的心率检测方法
CN106725487A (zh) 一种呼吸率提取方法及装置
Hossain et al. Analysis of Noise Sensitivity of Different ECG Detection Algorithms.

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: 20201030