CN112022134A - 一种基于心冲击图的心跳检测方法 - Google Patents
一种基于心冲击图的心跳检测方法 Download PDFInfo
- Publication number
- CN112022134A CN112022134A CN202010708217.3A CN202010708217A CN112022134A CN 112022134 A CN112022134 A CN 112022134A CN 202010708217 A CN202010708217 A CN 202010708217A CN 112022134 A CN112022134 A CN 112022134A
- Authority
- CN
- China
- Prior art keywords
- template
- heartbeat
- correlation coefficient
- detection
- sample
- 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
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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及一种基于心冲击图的心跳检测方法,包括信号滤波、模板提取、相似性比较、动态阈值定位等步骤。信号滤波,通过数字FIR带通滤波器将接收的BCG信号中的高频干扰及低频漂移噪声抑制;模板提取,通过要求被测者在测试开始时保持静止一段时间TA;相关性系数的计算,在较短时间内,提取的模板与实时采集的正确的波形具有极高的线性相关性,采用Pearson相关系数能够指示实时采集的样本与步骤提取的模板的相似度;多参数自适应调节判断算法,能够进一步提高心跳位置判定精度。本方法能够快速提取适用于当前受测者的BCG模板波形,通过波形对比及检测优化算法得到精确的心跳位置,为基于非侵入式心冲击图的心率分析提供依据。
Description
技术领域
本发明属于生物医疗领域,具体涉及一种基于心冲击图的心跳检测方法。
背景技术
心跳检测及基于该检测的心率变化率的分析能够有效评估受测者的交感神经与副交感神经的活动状态,从而推断出受测者情绪变化、压力水平、睡眠质量等多种生理及心里状态信息,对受测者健康监护、保健等方面具有积极意义。基于ECG(心电图)的传统心跳检测具有信号特征明显、易于检测、算法简单及检测精度高等优点,但由于ECG是直接从受测者身体上收集心电信号,需要时时佩戴导联电极,这无疑对受测者在测试过程中的正常活动造成极大的限制。相比于ECG的获取,BCG系统一般采用压电、加速度等非接触式的传感器,来获取每次心跳血液对血管产生的冲击力。这些传感器可放置于日常工作的座椅下,卧室的床垫下和汽车的安全带上等位置,在受测者日常生活毫无影响的情况下收集信号。这种非接触式、无侵入性、高活动自由度的心跳检测方法,在近年来受到越来越广泛的关注。
BCG信号一般由H、I、J、K等波峰波谷组成,如附图1所示,与ECG具有突出的R波峰不同,BCG的H和J峰幅值较为接近,I、K波谷幅值也很相似,再加上压电。为得到较高精度的检测,中国专利CN103156622A、CN104605858A指出采用波形图像识别的方式已经成为主流趋势,并通过采用外部图像、运动等传感器获取受测者身体姿势、运动等状态选择相应的标准BCG波形作为图形比对参考,从而检测心跳信息,但具有如下不足:一、额外的传感器增加了检测成本,降低了检测便捷性;二、作为参考的标准BCG波形具有典型特性,却不能很好的适用于每一个受测者。
发明内容
本发明的目的在于提供一种基于心冲击图的心跳检测方法,本方法首先能够快速提取适用于当前受测者的BCG模板波形,然后通过波形对比及检测优化算法得到精确的心跳位置,从而为后续准确的心率分析提供依据。
为实现上述目的,本发明具体公开的技术方案为:一种基于心冲击图的心跳检测方法,主要包括以下步骤:
一、信号滤波:通过数字FIR带通滤波器将所接收的BCG信号中的高频干扰及低频漂移噪声抑制。选用FIR滤波器保证了信号的线性相位,避免滤波引起的相位非线性带来的滤波失真。根据国外专家Smith验证(Smith N.T.,Ballistocardiography in WeisslerA.M.(Ed.),Noninvasive cardiology.Grune&Stratto,New York,USA,1974.),BCG信号的所有能量频率成分低于20Hz。为了抑制噪声并保留主要BCG信号,所选用的滤波器低通截止频率选择范围为10—20Hz,又由于呼吸频率成分主要集中在小于0.5Hz的频率范围,滤波器的高通截止频率选择范围为0.5—1Hz;在资源允许条件下应,按优先顺序使其过渡带尽量窄,阻带衰减尽量大,通带纹波尽量小为好。
模板提取:通过要求被测者在测试开始时保持静止一段时间TA,如10秒,采集到高质量的TA时间数据信号,其总数据点数表示为NT,通过利用分类算法如k-means聚类算法、支持向量机(SVM)分类等,提取BCG参考模板。一个典型的k-means聚类算法对所采集的信号分类过程如下:
I.设置总类数为k,设置模板数据长度为NS,得到NT-NS+1个样本;
II.将每个样本按照公式(1)进行归一化处理,消除信号直流漂移对分类的影响,将归一化的样本随机分成k组;
III.将每一组中的样本平均,得到k个种子样本;
IV.根据公式(2),分别计算每个样本i与种子样本j的欧氏距离Dij,将样本重新归类到与其距离最近的种子样本组;
V.重复III和IV直到种子样本与上次结果相同,完成k个分组。
其中Si样本S中第i点的值,μS为样本S的均值,σS为样本S的标准差,ZSi为S对应的归一化的样本Z的第i点的值;in和jn分别为样本i和种子样本j的第n点的值,NS为样本长度,Dij为样本i和种子样本j的欧几里德距离。若不进行优化。考虑到最差情况,所设置的总类数k应等于样本长度NS,并从最后得到的所有类中挑选出质量最佳的类,如所包括的样本数最多的类,为模板样本,将该类中的种子样本作为模板。
应当注意的是,此处仅列出了一种有效的模板提取方式,此外还有其他聚类算法、SVM、神经网络分类算法等其他能够有效实现分类并提取较好BCG信号模板的算法均应属于本专利模板提取思想的保护范围。
上述提供的标准的k-means聚类算法并不能很好的用于模板的提取:首先随机的分组及所有数据的分类,使得循环到达稳定所需计算量较大;并且k值的确定至少应为2以上,且需要尝试得到较好的k值;最后得到的稳定的组,需要挑选出正确的组。
本发明提供了一种更为有效的适用于本应用的类似于k-means聚类算法,在该算法中,具有以下优点:首先,初始分组只有1组,且为正确的分组;其次,样本是通过挑选出来的有可能为正确的样本,极大的降低了计算量,实现快速分组收敛。
改进型的聚类算法包括以下几个步骤:
步骤1:检测局部TL时间内的峰值,将该峰值左右各扩展一半模板长度的数据截取出来作为一个样本,从所获取的TA时间的数据中提取所有局部峰值模板,设提取的总样本数为NT。由于心跳对应于BCG的一个峰值,所以通过局部峰值检测能够过滤掉不可能的数据。根据人的心跳频率范围及后续数据计算量,TL可选择为小于心跳间隔的值,如0.1s到0.4s之间。
步骤2:将每个样本i作为一个分组Gi,通过以下的for循环来增加各组的样本。
for i:from 1to(NT-1)
for j:from(i+1)to NT
if cov(Si,Sj)≥0.8
Add Sj to Gi;AddSi to Gj;
End if
End for j
End for i
其中cov(Si,Sj)为样本Si与Sj的Pearson相关系数,由公式(3)给出,通过遍历计算,将所有相关性高于0.8的样本归到各自的组中完成分组。
然后将分组中样本最高的的第一个分组设置为唯一的正确分组。
步骤3:将正确分组中的样本平均,得到临时模板C。
步骤4:计算所有样本与C的相关系数,将所有高于0.8的样本组成的分组替换原来的分组。
步骤5:重复步骤3和步骤4直至模板C和分组,与上一次的模板和分组相同,模板提取完成。
应当注意本算法中的遍历计算方法不仅仅限于所提供的这一种,相关系数的判定值也不仅仅限于0.8。其他遍历循环及相关系数的选值均应视为本发明的所提供的方法,应被本专利所保护。
相关性系数的计算:在较短时间内,所提取的模板与实时采集的正确的波形具有极高的线性相关性,所以采用Pearson相关系数能够有效地指示实时采集的样本与步骤提取的模板的相似度。采样的样本X与模板Y的Pearson相关系数rXY由公式(3)确定。
其中n为样本总点数,xi为样本X中的第i个点,yi为模板Y的第i个点。此外还可以通过对归一化的采样样本与归一化的模板之间的欧几里德距离作为相关性指示,计算公式由(2)给出。
还可以通过公式(4)计算X与Y的余弦夹角距离θXY来判断X与Y的偏离度,作为两组数据的相关性辅助指示,当θXY接近于1时,表示X与Y相似度极高,接近重合;当θXY接近于0时,表示X与Y接近正交,但波形的相似度并不能得到判断,此时rXY有可能依然处于较高水平如大于0.6,那么此时X也有可能为吻合结果;需要注意的是,当θXY处于较低值时,由于夹角的影响,rXY必然不会达到较高水平如大于0.8。
另外通过其他的相似度计算方法,如通过调整余弦相似度算法、Mahalanobis距离、信息商等,在本步骤中计算X与Y的相关程度,均应属于本专利的保护范围。
心跳位置判定:为提高精度,本发明提出了多参数自适应调节的判断方法。
步骤1:输入从模板提取阶段所采集的数据中计算得到的初始参考参数S1(当前判断点之前的第二个心跳位置的相关性系数),S2(当前判断点之前的第一个心跳位置的相关性系数),ST(典型相关系数,初始值为0.8表示样本与模板强相关),SL(当前点的前一个点所对应的相关系数),SC(当前点的相关系数),SL,SC,SR(依次为最后三个点按时间顺序对应的相关系数),T1(当前判断点之前的第二个心跳位置对应的时刻),T2(当前判断点之前的第一个心跳位置对应的时刻),TT(平均心跳间隔时间)和C(已提取的模板)。
步骤2:将当前的SC赋值给SL,SR赋值给SC,计算所得的当前点对应的相关系数S赋值给SR,从而在采集到新的一个样本时完成一次相关系数的更新。
步骤3:因为只有相关系数的峰值才有可能对应为正确的心跳位置,所以在该步骤中进行峰值判断,若SC为SL,SC和SR的峰值,并且SC的值大于初始的ST,那么SC对应的点有可能为一次正确的心跳位置,从而进行下面的Case处理;若不是峰值,进入步骤4。
步骤4:为防止判断阈值ST过高,当步骤3中条件不满足时,对阈值按照一定斜率进行降低;同时因为当相关性系数低于0.4时,所判断的点对应的样本与模板弱相关或不相关,应保证判断阈值始终大于0.4,所以首先进行阈值判断,当其高于0.4时,再按照步骤5中的运算进行调低,否则跳回步骤2,继续采集下一个样本进行检测。
步骤6:按照公式(5)确定当前检测的点属于第一种情况,即所检测的点在当前看来已经可以确定为一个心跳位置,进入Case1后续的参数更新处理。
(1-F)TT<T<(1+F)TT (5)
式中F为范围因子,其值越大检测错误的概率越低,但漏检概率也会越高,由于本算法中采用多种参数动态约束,所以更关注降低漏检概率,所以F相应的设置为一个小于1的稍大的值,如0.2到0.5之间;T为当前检测点时刻与上一次心跳位置时刻的差,即最新的一次心跳间隔。
步骤7:满足步骤6后执行,因为已经判定当前检测点对应为一个正确的心跳位置,所以将其时间与相关性系数更新到T2,S2中,并且将原来T2,S2更新到T1,S1中,为后续检测的其他情况提供依据,然后进入步骤8,判断是否进行心跳间隔TT和模板C的更新。
步骤8:作为心跳间隔TT和模板C更新的判断条件,必须谨慎选择防止错误地变化TT和C。由于当相关性系数大于处于0.6到0.8之间已表示具有极高的相似度,所以将判断条件设置为0.8,即只有当前检测的位置对应的相关性系数大于0.8时,才对TT和C进行更新操作。这样保证了只有判断的置信度极高时才对TT和C进行微调,避免出现单调性变化,即TT和C越来越高,或者越来越低。
步骤9:按照公式(6)对TT和C进行更新。
其中T为最新的一次心跳间隔值;D为当前检测点对应的样本;N为大于1的微调系数,N越大越稳定,但反映出最近检测点的参数的影响就越小;N越小受最近检测点影响越明显,但检错概率越高,因为一个异常位置会对判断参考量TT和C变得太大或太小;一个合适的N可选择在10以上。
步骤10:为Case1的最后步骤,将检测到的位置标记为一次正确的心跳位置。
步骤11:满足步骤3条件以后,根据公式(7)确定为Case2。
T≥(1+F)·TT (7)
式中各参数与步骤6一致。
步骤12:满足公式(7),表示检测到的位置距上一次时间较长,表示从上一次检测到的位置到当前位置发生过信号的大幅度干扰,所以首先判断当前检测的相关性系数大于0.8,确保本次检测正确,然后进入步骤13,否则不做任何操作,继续下一个点的检测。
步骤13:根据步骤12所述,当满足步骤12条件时,当前检测的点对应一次正确心跳位置,但受到干扰T已经出现偏差,所以只将ST重置为0.8,模板进行更新,其他参数不做更新,然后进入步骤14。步骤14:对当前检测点标记为一次心跳位置。
步骤15:与步骤6、步骤11并列,在满足步骤3条件后,通过公式(8)确定为Case3,然后进入步骤16或者步骤25,通过判断条件判断为Case31或者Case32。
T≤(1-F)TT (8)
式中各参数与步骤6一致。当满足(8)时表示当前检测的位置与上一次心跳位置时间间隔较短,当前或者上一次检测结果可能为错误检测结果,通过后续检测步骤予以分辨。
步骤16:当满足公式(9),即当前检测点的相关性系数SC与上一次检测到的心跳位置对应的相关性系数S2低于S,两者正确性无法从相关性系数判断后,通过步骤17和步骤22所提供的方法判断。S值越大,对相关性差距依赖越小,通过心跳间隔确定的概率越高,一般情况选择在0.05到0.2之间
|SC-S2|≤S (9)
步骤17:满足步骤16的条件后,通过公式(10)确定当前检测位置确定的心跳间隔T比上一次检测确定的心跳间隔T2-T1更接近平均心跳间隔TT,判定当前检测为正确检测,上一次检测为误检测,即Case311。
|T-TT|≤|T2-T1-TT| (10)
步骤18:满足步骤17条件后,表示当前检测结果为正确结果,上次检测为错误结果,所以只将SC、TC分别更新到S2、T2中,将ST重置为0.8。
步骤19:完成步骤18后执行此步骤,过程与步骤8一样。
步骤20:完成步骤19后执行,过程与步骤9一样。
步骤21:完成步骤20后执行,对当前时刻标记为心跳位置,上一次检测到的心跳位置取消标记。
步骤22:与步骤17并列,在满足步骤16条件后,通过公式(11)确定T2-T1比T更接近TT,即当前检测为误检。由于短时间内误检的发生由较低的ST造成,所以将ST增加ΔST。ΔST的选取影响误检和漏检率,ΔST较大,就会使ST较高,易发生漏检;反之ST较小,易发生误检;ΔST选择在0.05到0.2之间。
|T-TT|>|T2-T1-TT| (11)
式中各参数与公式(10)一致。
步骤23:在满足步骤22后,增加ST时,需要判断ST是否达到0.8,当其没有达到0.8时再通过步骤24将ST提高ΔST,否则不做操作,继续下一个点的检测。因为当ST达到0.8时,已经处于非常高的相关性水平,对其增加没有意义,反而容易引起漏检。
步骤24:满足步骤23中的条件后,将ST提高ΔST。
步骤25:与步骤16并列,依据条件相反,表示当前检测与上次检测相关性系数差距明显,可以直接依靠相关性系数的大小来决定哪次检测为误检,通过其后的步骤26与步骤31进行具体确定。
步骤26:满足步骤25后,并且当前检测相关系数明显高于上次检测相关系数,确定上次检测为误检,然后进入步骤27-30。
步骤27-30:重复步骤18到步骤21的操作。
步骤31:与步骤26条件相反,即上次检测相关系数明显高于当前检测相关系数,确定当前检测为误检,然后进入步骤32和步骤33。
步骤32-33:重复步骤23-24。
本发明具有以下增益效果:一、通过利用模板提取的方式及所提供的改进型聚类算法能够快速有效的获取检测BCG信号上心跳位置所需要的波形依据,该方法不依赖于外部额外的传感器,成本低;利用改进型的具有监督性质的聚类算法精度准确,相应速度快,针对性强。
二、本发明所提供的多参数自适应检测的方法精度高,判断分支情况完备,能够有效避免漏检与误检的发生。
附图说明
图1为传感器所记录的典型的BCG和ECG信号波形及其主要特征。
图2为本发明所提供的基于BCG的心跳检测方法的流程图。
图3为本发明所提供的针对于BCG模板提取的改进型聚类算法。
图4为本发明所提供的多参数自适应调节判断算法的流程图。
具体实施方式
在具体实施方式中,将本发明所需的一些参数进行了实例化,赋给了一些典型值,应当注意的是这不用于限定本发明,只用于对本发明的具体细节解释。综合图2、图3和图4,本发明具体实施方式如下:
1)信号滤波:利用数字FIR带通滤波器将所接收的BCG信号进行滤波,改滤波器高通截至频率为0.5Hz,低通截止频率为11Hz,带外衰减40dB,带内纹波10%以内。
2)模板提取:通过要求被测者在测试开始时保持10秒静止,采集到10秒高质量的信号,采样频率为225Hz,其总数据点数为2250,设置模板长度为200个点,通过以下的改进型聚类算法提取正确模板:
步骤1:检测局部1s时间内的峰值,将该峰值左右各扩展100个点,获得峰值点对应的具有200个数据点的样本数据共10个。
步骤2:将每个样本i作为一个分组Gi,通过以下的for循环来增加各组的样本。
for i:from 1to9
for j:from(i+1)to 10
if cov(Si,Sj)≥0.8
Add Sj to Gi;AddSi to Gj;
End if
End for j
End for i
其中cov(Si,Sj)为样本Si与Sj的Pearson相关系数,由公式(3)给出,通过遍历计算,将所有相关性高于0.8的样本归到各自的组中完成分组。
然后将分组中样本最高的的第一个分组设置为唯一的正确分组。
步骤3:将正确分组中的样本平均,得到临时模板C。
步骤4:计算所有样本与C的相关系数,将所有高于0.8的样本组成的分组替换原来的分组。
步骤5:重复步骤3和步骤4直至模板C和分组,与上一次的模板和分组相同,模板提取完成。
3)相关系数采用(3)所示的Pearson系数,n取值为200。
4)获取检测算法的初始值:通过初始提取的样本数据,计算当前受测者平均心跳间隔TT。计算最后两个心跳位置的相关性系数S1、S2,S1为倒数第二个、S2为倒数第一个,及其对应的时间T1、T2。设定用于参考的关系数ST为0.8。计算最后三个数据点所对应的200个长度的样本的相关性系数,分别为SL、SC、SR。
5)心跳位置判定:
步骤1:输入S1、S2、ST、SL、SL、SC、SR、T1、T2、TT和C。
步骤2:将当前的SC赋值给SL,SR赋值给SC,计算所得的当前点对应的相关系数S赋值给SR。
步骤3:若SC为SL,SC和SR的峰值,并且SC的值大于初始的ST,那么SC对应的点有可能为一次正确的心跳位置,从而进行下面的Case处理;若不是峰值,进入步骤4。
步骤4:为防止判断阈值ST,当其高于0.4时,再按照步骤5中的运算进行调低,否则跳回步骤2,继续采集下一个样本进行检测。
步骤6:按照公式(5)确定当前检测的点属于第一种情况,即所检测的点在当前看来已经可以确定为一个心跳位置,进入Case1后续的参数更新处理。
步骤7:满足步骤6后执行,因为已经判定当前检测点对应为一个正确的心跳位置,所以将其时间与相关性系数更新到T2,S2中,并且将原来T2,S2更新到T1,S1中。
步骤8:判断当前检测的位置对应的相关性系数是否大于0.8,大于时进入步骤9,否则直接进入步骤10。
步骤9:按照公式(6)对TT和C进行更新。
步骤10:将检测到的位置标记为一次正确的心跳位置。
步骤11:满足步骤3条件以后,根据公式(7)确定为Case2。
步骤12:判断当前检测的相关性系数是否大于0.8,大于则进入步骤13;否则不做任何操作,继续下一个点的检测。
步骤13:将ST重置为0.8,模板进行更新,其他参数不做更新,然后进入步骤14。
步骤14:对当前检测点标记为一次心跳位置。
步骤15:与步骤6、步骤11并列,在满足步骤3条件后,通过公式(8)确定为Case3,然后进入步骤16或者步骤25。
步骤16:当满足公式(9),即当前检测点的相关性系数SC与上一次检测到的心跳位置对应的相关性系数S2低于0.1,两者正确性无法从相关性系数判断后,通过步骤17和步骤22所提供的方法判断。
步骤17:满足步骤16的条件后,通过公式(10)确定当前检测位置确定的心跳间隔T比上一次检测确定的心跳间隔T2-T1更接近平均心跳间隔TT,判定当前检测为正确检测,上一次检测为误检测,即Case311。
步骤18:满足步骤17条件后,表示当前检测结果为正确结果,上次检测为错误结果,所以只将SC、TC分别更新到S2、T2中,将ST重置为0.8。
步骤19:完成步骤18后执行此步骤,判断当前检测的位置对应的相关性系数是否大于0.8,大于时进入步骤20,否则直接进入步骤21。步骤20:满足步骤19条件后执行,过程与步骤9一样。
步骤21:对当前时刻标记为心跳位置,上一次检测到的心跳位置取消标记。
步骤22:与步骤17并列,在满足步骤16条件后,通过公式(11)确定T2-T1比T更接近TT,即当前检测为误检。
步骤23:判断ST是否达到0.8,当其没有达到0.8时进入步骤24,否则不做操作,继续下一个点的检测。
步骤24:将ST提高0.2。
步骤25:与步骤16并列,依据条件相反,表示当前检测与上次检测相关性系数差距明显,可以直接依靠相关性系数的大小来决定哪次检测为误检。
步骤26:满足步骤25后,并且当前检测相关系数明显高于上次检测相关系数,确定上次检测为误检,然后进入步骤27-30。
步骤27-30:重复步骤18到步骤21的操作。
步骤31:与步骤26条件相反,即上次检测相关系数明显高于当前检测相关系数,确定当前检测为误检,然后进入步骤32和步骤33。
步骤32-33:重复步骤23-24。
Claims (5)
1.一种基于心冲击图的心跳检测方法,其特征在于,包括如下步骤:
信号滤波,通过数字FIR带通滤波器将所接收的BCG信号中的高频干扰及低频漂移噪声抑制;
模板提取,通过要求被测者在测试开始时保持静止一段时间TA;
相关性系数的计算,在较短时间内,所提取的模板与实时采集的正确的波形具有极高的线性相关性,采用Pearson相关系数能够有效地指示实时采集的样本与步骤提取的模板的相似度;
判定心跳的位置。
2.根据权利要求1所述的一种基于心冲击图的心跳检测方法,其特征在于:抑制噪声并保留主要BCG信号,所选用的滤波器低通截止频率选择范围为10—20Hz,滤波器的高通截止频率选择范围为0.5—1Hz。
3.根据权利要求1所述的一种基于心冲击图的心跳检测方法,其特征在于:采集到高质量的TA时间数据信号,总数据点数表示为NT,通过利用分类算法如k-means聚类算法、支持向量机(SVM)分类提取BCG参考模板。
5.根据权利要求1所述的一种基于心冲击图的心跳检测方法,其特征在于:多参数自适应调节判断算法,综合考虑心率、相似性阈值、相邻心跳关系等多种参数动态适应,在相似性判断基础上实现精确心跳位置判断,提高抗干扰能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010708217.3A CN112022134A (zh) | 2020-07-22 | 2020-07-22 | 一种基于心冲击图的心跳检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010708217.3A CN112022134A (zh) | 2020-07-22 | 2020-07-22 | 一种基于心冲击图的心跳检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112022134A true CN112022134A (zh) | 2020-12-04 |
Family
ID=73582011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010708217.3A Pending CN112022134A (zh) | 2020-07-22 | 2020-07-22 | 一种基于心冲击图的心跳检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112022134A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114176548A (zh) * | 2021-12-03 | 2022-03-15 | 新绎健康科技有限公司 | 基于模板匹配的心冲击信号心率计算方法及系统 |
CN114469131A (zh) * | 2021-12-13 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 自适应实时心电信号质量评估方法 |
CN114588471A (zh) * | 2022-03-28 | 2022-06-07 | 武汉工程大学 | 智能睡眠辅助系统、睡眠状态分类方法及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108577804A (zh) * | 2018-02-02 | 2018-09-28 | 西北工业大学 | 一种面向高血压病人监测的bcg信号分析方法及系统 |
CN110731783A (zh) * | 2019-09-16 | 2020-01-31 | 杭州电子科技大学 | 一种新颖的用于心率估计的峰值提取方法 |
CN111329462A (zh) * | 2020-03-05 | 2020-06-26 | 河北工业大学 | 一种实时无束缚心率提取方法 |
CN111387968A (zh) * | 2020-03-18 | 2020-07-10 | 南京润楠医疗电子研究院有限公司 | 一种精准的心冲击信号逐拍心率计算装置及方法 |
-
2020
- 2020-07-22 CN CN202010708217.3A patent/CN112022134A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108577804A (zh) * | 2018-02-02 | 2018-09-28 | 西北工业大学 | 一种面向高血压病人监测的bcg信号分析方法及系统 |
CN110731783A (zh) * | 2019-09-16 | 2020-01-31 | 杭州电子科技大学 | 一种新颖的用于心率估计的峰值提取方法 |
CN111329462A (zh) * | 2020-03-05 | 2020-06-26 | 河北工业大学 | 一种实时无束缚心率提取方法 |
CN111387968A (zh) * | 2020-03-18 | 2020-07-10 | 南京润楠医疗电子研究院有限公司 | 一种精准的心冲击信号逐拍心率计算装置及方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114176548A (zh) * | 2021-12-03 | 2022-03-15 | 新绎健康科技有限公司 | 基于模板匹配的心冲击信号心率计算方法及系统 |
CN114469131A (zh) * | 2021-12-13 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 自适应实时心电信号质量评估方法 |
CN114588471A (zh) * | 2022-03-28 | 2022-06-07 | 武汉工程大学 | 智能睡眠辅助系统、睡眠状态分类方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112022134A (zh) | 一种基于心冲击图的心跳检测方法 | |
US9870457B2 (en) | HERMA—heartbeat microwave authentication | |
Shyu et al. | Using wavelet transform and fuzzy neural network for VPC detection from the Holter ECG | |
Lourenço et al. | Real Time Electrocardiogram Segmentation for Finger based ECG Biometrics. | |
Pourbabaee et al. | Deep convolutional neural network for ECG-based human identification | |
US20130267805A1 (en) | System and method for detecting ventilatory instability | |
KR101983037B1 (ko) | 웨이블릿 변환과 변형된 샤논 에너지 엔벨로프를 이용한 심전도 r-피크 검출 장치 및 그 방법 | |
CN110477906B (zh) | 一种心电信号qrs波起止点定位方法 | |
CN110200640B (zh) | 基于双模态传感器的非接触式情绪识别方法 | |
US6312387B1 (en) | Method and apparatus for identifying heartbeat | |
CN106725420A (zh) | 室性早搏识别方法及室性早搏识别系统 | |
Matos et al. | Embedded system for individual recognition based on ECG Biometrics | |
Xu et al. | An improved method for muscle activation detection during gait | |
Canento et al. | Review and comparison of real time electrocardiogram segmentation algorithms for biometric applications | |
CN111759277B (zh) | 睡眠呼吸暂停低通气的检测装置、方法、设备及存储介质 | |
Bali et al. | Performance comparison of ANN classifiers for sleep apnea detection based on ECG signal analysis using hilbert transform | |
Tantawi et al. | Fiducial based approach to ECG biometrics using limited fiducial points | |
Singh et al. | Dry contact fingertip ECG-based authentication system using time, frequency domain features and support vector machine | |
Shcherbakova et al. | Determination of characteristic points of electrocardiograms using multi-start optimization with a wavelet transform | |
CN114983374A (zh) | 一种复杂环境中bcg信号的特征提取及心率计算方法 | |
Fedotov et al. | A QRS-complex detector of the electrocardiogram signal for the long-term monitoring of the patient’s condition | |
CN113229826A (zh) | 一种qrs波检测方法、装置及电子设备 | |
CN111860179A (zh) | 一种基于非接触式传感器的自适应滤波方法 | |
Canento et al. | On real time ECG segmentation algorithms for biometric applications | |
Varsavsky et al. | Patient un-specific detection of epileptic seizures through changes in variance |
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 |
Application publication date: 20201204 |
|
RJ01 | Rejection of invention patent application after publication |