CN112773340B - 一种基于eemd-pncc的脉搏特征提取系统及方法 - Google Patents

一种基于eemd-pncc的脉搏特征提取系统及方法 Download PDF

Info

Publication number
CN112773340B
CN112773340B CN202110168764.1A CN202110168764A CN112773340B CN 112773340 B CN112773340 B CN 112773340B CN 202110168764 A CN202110168764 A CN 202110168764A CN 112773340 B CN112773340 B CN 112773340B
Authority
CN
China
Prior art keywords
pulse
data information
feature
characteristic
curve
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.)
Active
Application number
CN202110168764.1A
Other languages
English (en)
Other versions
CN112773340A (zh
Inventor
王志锋
郭成龙
陈海初
谢恒�
郑焕楠
陈广新
余猛
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.)
Foshan University
Original Assignee
Foshan University
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 Foshan University filed Critical Foshan University
Priority to CN202110168764.1A priority Critical patent/CN112773340B/zh
Publication of CN112773340A publication Critical patent/CN112773340A/zh
Application granted granted Critical
Publication of CN112773340B publication Critical patent/CN112773340B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Human Computer Interaction (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明提供了一种基于EEMD‑PNCC的脉搏特征提取系统，包括脉搏采集模块、脉搏曲线模型构建模块以及脉搏特征处理模块。脉搏采集模块用于采集脉搏数据信息并对脉搏数据信息进行预处理，脉搏曲线模型构建模块用于接收预处理后的脉搏数据信息并根据预处理后的脉搏数据信息构建多周期时域特征模型，脉搏特征处理模块用于根据预处理后的脉搏数据信息获取脉搏频域特征信息并根据多周期时域特征模型以及脉搏频域特征信息获取脉搏特征模型。本发明能够准确获取完整的脉搏特征信息，便于后续对脉搏特征信息进行定量分析，可以辅助医生通过脉搏特征信息进行临床上的客观诊断。相应地，本发明还提供一种基于EEMD‑PNCC的脉搏特征提取方法。

Description

一种基于EEMD-PNCC的脉搏特征提取系统及方法
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种基于EEMD-PNCC的脉搏特征提取系统及方法。
背景技术
脉搏压力及脉搏特征变化是评价人体心血管系统生理病理状态的重要依据，无论是中医切脉或是西医心血管病检查，都试图从脉搏波特征中提取各种生理病理信息。目前在脉诊上主要依赖于医生主观性的诊断，但由于脉搏信号复杂多样，医生在临床诊断上会出现主观性误诊的问题。为解决医生在临床诊断上会出现的主观性误诊的问题，需要利用脉搏特征进行定量分析，而利用脉搏特征定量分析进行客观诊断的核心关键在于脉搏特征的提取上。
传统的脉搏特征定量分析方法在对提取脉搏数据信号特征时无法获取完整的脉搏特征信息，不便于后续分析与诊断。
发明内容
基于此，为了解决传统脉搏特征定量分析方法在对提取脉搏数据信号特征时无法获取完整的脉搏特征信息而不便于后续分析与诊断的问题，本发明提供了一种基于EEMD-PNCC的脉搏特征提取系统及方法，其具体技术方案如下：
一种基于EEMD-PNCC的脉搏特征提取系统，包括脉搏采集模块、脉搏曲线模型构建模块以及脉搏特征处理模块。
脉搏采集模块用于采集脉搏数据信息并对所述脉搏数据信息进行预处理；脉搏曲线模型构建模块用于接收预处理后的脉搏数据信息并根据预处理后的脉搏数据信息构建多周期时域特征模型T(i)＝[S(i),G(i)]；脉搏特征处理模块用于根据预处理后的脉搏数据信息获取脉搏频域特征信息K(i)，并根据所述多周期时域特征模型以及所述脉搏频域特征信息获取脉搏特征模型Z＝[T(i),K(i)]；
其中，Si为脉搏曲线第i个周期的斜率特征，Gi为脉搏曲线第i个周期的积分面积特征，i为脉搏曲线的周期。
上述基于EEMD-PNCC的脉搏特征提取系统通过所述脉搏曲线模型构建模块构建多周期时域特征模型，然后根据所述多周期时域特征模型以及所述脉搏频域特征信息获取脉搏特征模型，能够准确获取完整的脉搏特征信息，便于后续对脉搏特征信息进行定量分析，可以辅助医生通过脉搏特征信息进行临床上的客观诊断。
进一步地，预处理后的脉搏数据信息包括多个周期的脉搏波曲线。
进一步地，单个周期的脉搏波曲线均包括A、B、C、D以及E五个特征点，单个周期的脉搏波曲线的时域特征模型为
Figure GDA0003519110210000021
其中，
Figure GDA0003519110210000022
以及
Figure GDA0003519110210000023
分别表示特征点A到特征点B、特征点B到特征点C、特征点C到特征点C以及特征点D到特征点E之间的斜率，FAB、FBC、FCD、FDE以及FAE分别表示取特征点A到特征点B之间的曲线、取特征点B到特征点C之间的曲线、取特征点C到特征点D之间的曲线、取特征点D到特征点E之间的曲线以及取特征点A到特征点E之间的曲线，t1、t2、t3、t4以及T分别表示特征点A到特征点B之间的时间、特征点B到特征点C之间的时间、特征点C到特征点D之间的时间、特征点D到特征点E之间的时间以及周期时间，
Figure GDA0003519110210000031
表示对单个周期的脉搏波曲线以及单个周期的脉搏波曲线的每个分段曲线的积分。
相应地，本发明提供一种基于EEMD-PNCC的脉搏特征提取方法，包括如下步骤：
采集脉搏数据信息并对所述脉搏数据信息进行预处理；
根据预处理后的脉搏数据信息构建多周期时域特征模型T(i)＝[S(i),G(i)]；
根据预处理后的脉搏数据信息获取脉搏频域特征信息K(i)；
根据所述多周期时域特征模型以及所述脉搏频域特征信息获取脉搏特征模型Z＝[T(i),K(i)]；
其中，Si为脉搏曲线第i个周期的斜率特征，Gi为脉搏曲线第i个周期的积分面积特征，K为脉搏曲线频域特征，i为脉搏曲线的周期。
进一步地，所述根据预处理后的脉搏数据信息获取脉搏频域特征信息的具体方法包括如下步骤：
对预处理后的脉搏数据信息进行集合经验模态分解处理；
对集合经验模态分解处理后的脉搏数据信息进行滤波；
对滤波后的脉搏数据信息进行功率归一化处理以及幂律非线性处理；
对功率归一化处理以及幂律非线性处理后的脉搏数据信息进行离散余弦变换；
对离散余弦变换后的脉搏数据信息进行差分变换；
根据离散余弦变换后的脉搏数据信息以及差分变换后的脉搏数据信息获取脉搏频域特征信息。
进一步地，预处理后的脉搏数据信息包括多个周期的脉搏波曲线。
进一步地，单个周期的脉搏波曲线均包括A、B、C、D以及E五个特征点，单个周期的脉搏波曲线的时域特征模型为
Figure GDA0003519110210000041
其中，
Figure GDA0003519110210000042
以及
Figure GDA0003519110210000043
分别表示特征点A到特征点B、特征点B到特征点C、特征点C到特征点C以及特征点D到特征点E之间的斜率，FAB、FBC、FCD、FDE以及FAE分别表示取特征点A到特征点B之间的曲线、取特征点B到特征点C之间的曲线、取特征点C到特征点D之间的曲线、取特征点D到特征点E之间的曲线以及取特征点A到特征点E之间的曲线，t1、t2、t3、t4以及T分别表示特征点A到特征点B之间的时间、特征点B到特征点C之间的时间、特征点C到特征点D之间的时间、特征点D到特征点E之间的时间以及周期时间，
Figure GDA0003519110210000044
表示对单个周期的脉搏波曲线以及单个周期的脉搏波曲线的每个分段曲线的积分。
进一步地，利用脉搏传感器采集所述脉搏数据信息。
相应地，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现所述的基于EEMD-PNCC的脉搏特征提取方法。
相应地，本发明提供一种电子设备，包括存储器以及处理器，所述存储器中存储有计算机可读指令，其特征在于，当所述计算机可读指令被所述处理器执行时实现所述的基于EEMD-PNCC的脉搏特征提取方法。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明一实施例中一种基于EEMD-PNCC的脉搏特征提取系统的整体结构示意图；
图2是本发明一实施例中一种基于EEMD-PNCC的脉搏特征提取方法的整体流程示意图；
图3是本发明一实施例中一种基于EEMD-PNCC的脉搏特征提取系统的单个周期的脉搏波曲线的示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明中所述“第一”、“第二”不代表具体的数量及顺序，仅仅是用于名称的区分。
如图1所示，本发明一实施例中的一种基于EEMD-PNCC的脉搏特征提取系统，包括脉搏采集模块、脉搏曲线模型构建模块以及脉搏特征处理模块。
脉搏采集模块用于采集脉搏数据信息并对所述脉搏数据信息进行预处理；脉搏曲线模型构建模块用于接收预处理后的脉搏数据信息并根据预处理后的脉搏数据信息构建多周期时域特征模型T(i)＝[S(i),G(i)]；脉搏特征处理模块用于根据预处理后的脉搏数据信息获取脉搏频域特征信息K(i)，并根据所述多周期时域特征模型以及所述脉搏频域特征信息获取脉搏特征模型Z＝[T(i),K(i)]；
其中，Si为脉搏曲线第i个周期的斜率特征，Gi为脉搏曲线第i个周期的积分面积特征，i为脉搏曲线的周期。
上述基于EEMD-PNCC的脉搏特征提取系统通过所述脉搏曲线模型构建模块构建多周期时域特征模型，然后根据所述多周期时域特征模型以及所述脉搏频域特征信息获取脉搏特征模型，能够准确获取完整的脉搏特征信息，便于后续对脉搏特征信息进行定量分析，可以辅助医生通过脉搏特征信息进行临床上的客观诊断。
在其中一个实施例中，预处理后的脉搏数据信息包括多个周期的脉搏波曲线。
在其中一个实施例中，如图3所示，单个周期的脉搏波曲线均包括A、B、C、D以及E五个特征点，单个周期的脉搏波曲线的时域特征模型为
Figure GDA0003519110210000061
其中，
Figure GDA0003519110210000071
以及
Figure GDA0003519110210000072
分别表示特征点A到特征点B、特征点B到特征点C、特征点C到特征点C以及特征点D到特征点E之间的斜率，FAB、FBC、FCD、FDE以及FAE分别表示取特征点A到特征点B之间的曲线、取特征点B到特征点C之间的曲线、取特征点C到特征点D之间的曲线、取特征点D到特征点E之间的曲线以及取特征点A到特征点E之间的曲线，t1、t2、t3、t4以及T分别表示特征点A到特征点B之间的时间、特征点B到特征点C之间的时间、特征点C到特征点D之间的时间、特征点D到特征点E之间的时间以及周期时间，
Figure GDA0003519110210000073
表示对单个周期的脉搏波曲线以及单个周期的脉搏波曲线的每个分段曲线的积分。
在其中一个实施例中，如图2所示，本发明提供一种基于EEMD-PNCC的脉搏特征提取方法，包括如下步骤：
采集脉搏数据信息并对所述脉搏数据信息进行预处理；
根据预处理后的脉搏数据信息构建多周期时域特征模型T(i)＝[S(i),G(i)]；
根据预处理后的脉搏数据信息获取脉搏频域特征信息K(i)；
根据所述多周期时域特征模型以及所述脉搏频域特征信息获取脉搏特征模型Z＝[T(i),K(i)]；
其中，Si为脉搏曲线第i个周期的斜率特征，Gi为脉搏曲线第i个周期的积分面积特征，K为脉搏曲线频域特征，i为脉搏曲线的周期。
在其中一个实施例中，通过滤波算法对所述脉搏数据信息进行预处理，以去除噪声信号的影响。
在其中一个实施例中，采用光电容积脉搏波描记法采集脉搏数据信息。
在其中一个实施例中，所述根据预处理后的脉搏数据信息获取脉搏频域特征信息的具体方法包括如下步骤：
对预处理后的脉搏数据信息进行集合经验模态分解处理；
对集合经验模态分解处理后的脉搏数据信息进行滤波；
对滤波后的脉搏数据信息进行功率归一化处理以及幂律非线性处理；
对功率归一化处理以及幂律非线性处理后的脉搏数据信息进行离散余弦变换；
对离散余弦变换后的脉搏数据信息进行差分变换；
根据离散余弦变换后的脉搏数据信息以及差分变换后的脉搏数据信息获取脉搏频域特征信息。
通过采用基于EEMD-PNCC(Ensemble Empirical Mode Decomposition-PowerNormalized Cepstral Coefficients,集合经验模态分解-功率规整倒谱系数)方法获取脉搏频域特征信息，可以对脉搏数据信息的时域特征进行补充，解决了原始PNCC算法在非平稳信号处理上所存在的不足，可以更加准确地获取完整的脉搏特征信息，以便对脉搏特征信息进行定量分析。
另外，所述基于EEMD-PNCC的脉搏特征提取方法适用于无创式脉搏数据信息采集方式，能够解决无创式脉搏数据信息采集过程中易受外界因素干扰的问题。
在其中一个实施例中，预处理后的脉搏数据信息包括多个周期的脉搏波曲线。
在其中一个实施例中，单个周期的脉搏波曲线均包括A、B、C、D以及E五个特征点，单个周期的脉搏波曲线的时域特征模型为
Figure GDA0003519110210000091
其中，
Figure GDA0003519110210000092
以及
Figure GDA0003519110210000093
分别表示特征点A到特征点B、特征点B到特征点C、特征点C到特征点C以及特征点D到特征点E之间的斜率，FAB、FBC、FCD、FDE以及FAE分别表示取特征点A到特征点B之间的曲线、取特征点B到特征点C之间的曲线、取特征点C到特征点D之间的曲线、取特征点D到特征点E之间的曲线以及取特征点A到特征点E之间的曲线，t1、t2、t3、t4以及T分别表示特征点A到特征点B之间的时间、特征点B到特征点C之间的时间、特征点C到特征点D之间的时间、特征点D到特征点E之间的时间以及周期时间，
Figure GDA0003519110210000094
表示对单个周期的脉搏波曲线以及单个周期的脉搏波曲线的每个分段曲线的积分。
通过提取脉搏波曲线相邻两个特征点之间的斜率以及特征点件的时间积分函数，所述时域特征模型能够完整的表达脉搏波曲线的周期特性，进而获取个周期的脉搏波曲线的时域特征模型以及多周期时域特征模型。
在其中一个实施例中，对预处理后的脉搏数据信息进行集合经验模态分解处理的具体方法包括如下步骤：
第一步，向预处理后的脉搏数据信息加入正态分布白噪声；
第二步，将加入正态分布白噪声分解成IMF(Intrinsic Mode Function，内禀模态函数)分量；
第三步，重复第一步以及第二步M次，并且每次加入新的正态分布白噪声；
第四步，将每次得到的IMF分量的集成均值作为最终结果。
在其中一个实施例中，利用脉搏传感器采集所述脉搏数据信息。
在其中一个实施例中，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现所述的基于EEMD-PNCC的脉搏特征提取方法。
在其中一个实施例中，本发明提供一种电子设备，包括存储器以及处理器，所述存储器中存储有计算机可读指令，其特征在于，当所述计算机可读指令被所述处理器执行时实现所述的基于EEMD-PNCC的脉搏特征提取方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种基于EEMD-PNCC的脉搏特征提取系统，其特征在于，包括：
脉搏采集模块，用于采集脉搏数据信息并对所述脉搏数据信息进行预处理；
脉搏曲线模型构建模块，用于接收预处理后的脉搏数据信息并根据预处理后的脉搏数据信息构建多周期时域特征模型T(i)＝[S(i),G(i)]；
脉搏特征处理模块，用于根据预处理后的脉搏数据信息获取脉搏频域特征信息K(i)，并根据所述多周期时域特征模型以及所述脉搏频域特征信息获取脉搏特征模型Z＝[T(i),K(i)]；
其中，S(i) 为脉搏曲线第i个周期的斜率特征，G(i) 为脉搏曲线第i个周期的积分面积特征，i为脉搏曲线的周期，单个周期的脉搏波曲线均包括A、B、C、D以及E五个特征点，单个周期的脉搏波曲线的时域特征模型为
Figure FDA0003519110200000011
Figure FDA0003519110200000012
以及
Figure FDA0003519110200000013
分别表示特征点A到特征点B、特征点B到特征点C、特征点C到特征点C以及特征点D到特征点E之间的斜率，FAB、FBC、FCD、FDE以及FAE分别表示取特征点A到特征点B之间的曲线、取特征点B到特征点C之间的曲线、取特征点C到特征点D之间的曲线、取特征点D到特征点E之间的曲线以及取特征点A到特征点E之间的曲线，t1、t2、t3、t4以及T分别表示特征点A到特征点B之间的时间、特征点B到特征点C之间的时间、特征点C到特征点D之间的时间、特征点D到特征点E之间的时间以及周期时间，
Figure FDA0003519110200000014
表示对单个周期的脉搏波曲线以及单个周期的脉搏波曲线的每个分段曲线的积分；
其中，所述根据预处理后的脉搏数据信息获取脉搏频域特征信息的具体方法包括如下步骤：
对预处理后的脉搏数据信息进行集合经验模态分解处理；
对集合经验模态分解处理后的脉搏数据信息进行滤波；
对滤波后的脉搏数据信息进行功率归一化处理以及幂律非线性处理；
对功率归一化处理以及幂律非线性处理后的脉搏数据信息进行离散余弦变换；
对离散余弦变换后的脉搏数据信息进行差分变换；
根据离散余弦变换后的脉搏数据信息以及差分变换后的脉搏数据信息获取脉搏频域特征信息。
2.如权利要求1所述的一种基于EEMD-PNCC的脉搏特征提取系统，其特征在于，预处理后的脉搏数据信息包括多个周期的脉搏波曲线。
3.一种基于EEMD-PNCC的脉搏特征提取方法，其特征在于，包括如下步骤：
采集脉搏数据信息并对所述脉搏数据信息进行预处理；
根据预处理后的脉搏数据信息构建多周期时域特征模型T(i)＝[S(i),G(i)]；
根据预处理后的脉搏数据信息获取脉搏频域特征信息K(i)；
根据所述多周期时域特征模型以及所述脉搏频域特征信息获取脉搏特征模型Z＝[T(i),K(i)]；
其中，S(i) 为脉搏曲线第i个周期的斜率特征，G(i) 为脉搏曲线第i个周期的积分面积特征，i为脉搏曲线的周期，单个周期的脉搏波曲线均包括A、B、C、D以及E五个特征点，单个周期的脉搏波曲线的时域特征模型为
Figure FDA0003519110200000031
Figure FDA0003519110200000032
以及
Figure FDA0003519110200000033
分别表示特征点A到特征点B、特征点B到特征点C、特征点C到特征点C以及特征点D到特征点E之间的斜率，FAB、FBC、FCD、FDE以及FAE分别表示取特征点A到特征点B之间的曲线、取特征点B到特征点C之间的曲线、取特征点C到特征点D之间的曲线、取特征点D到特征点E之间的曲线以及取特征点A到特征点E之间的曲线，t1、t2、t3、t4以及T分别表示特征点A到特征点B之间的时间、特征点B到特征点C之间的时间、特征点C到特征点D之间的时间、特征点D到特征点E之间的时间以及周期时间，
Figure FDA0003519110200000034
表示对单个周期的脉搏波曲线以及单个周期的脉搏波曲线的每个分段曲线的积分；
其中，所述根据预处理后的脉搏数据信息获取脉搏频域特征信息的具体方法包括如下步骤：
对预处理后的脉搏数据信息进行集合经验模态分解处理；
对集合经验模态分解处理后的脉搏数据信息进行滤波；
对滤波后的脉搏数据信息进行功率归一化处理以及幂律非线性处理；
对功率归一化处理以及幂律非线性处理后的脉搏数据信息进行离散余弦变换；
对离散余弦变换后的脉搏数据信息进行差分变换；
根据离散余弦变换后的脉搏数据信息以及差分变换后的脉搏数据信息获取脉搏频域特征信息。
4.如权利要求3所述的一种基于EEMD-PNCC的脉搏特征提取方法，其特征在于，预处理后的脉搏数据信息包括多个周期的脉搏波曲线。
5.如权利要求4所述的一种基于EEMD-PNCC的脉搏特征提取方法，其特征在于，利用脉搏传感器采集所述脉搏数据信息。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如权利要求3至5中任意一项所述的基于EEMD-PNCC的脉搏特征提取方法。
7.一种电子设备，包括存储器以及处理器，所述存储器中存储有计算机可读指令，其特征在于，当所述计算机可读指令被所述处理器执行时实现如权利要求3至5任意一项所述的基于EEMD-PNCC的脉搏特征提取方法。
CN202110168764.1A 2021-02-07 2021-02-07 一种基于eemd-pncc的脉搏特征提取系统及方法 Active CN112773340B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110168764.1A CN112773340B (zh) 2021-02-07 2021-02-07 一种基于eemd-pncc的脉搏特征提取系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110168764.1A CN112773340B (zh) 2021-02-07 2021-02-07 一种基于eemd-pncc的脉搏特征提取系统及方法

Publications (2)

Publication Number Publication Date
CN112773340A CN112773340A (zh) 2021-05-11
CN112773340B true CN112773340B (zh) 2022-04-15

Family

ID=75761174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110168764.1A Active CN112773340B (zh) 2021-02-07 2021-02-07 一种基于eemd-pncc的脉搏特征提取系统及方法

Country Status (1)

Country Link
CN (1) CN112773340B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113413135B (zh) * 2021-05-12 2024-03-29 广东省科学院健康医学研究所 一种基于脉搏采集分析的方法、系统、装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5755671A (en) * 1995-10-05 1998-05-26 Massachusetts Institute Of Technology Method and apparatus for assessing cardiovascular risk
JPH10248819A (ja) * 1997-03-13 1998-09-22 Seiko Epson Corp 脈波診断装置
CN108670209A (zh) * 2018-03-29 2018-10-19 中国科学院微电子研究所 一种自动识别中医脉象的方法和系统
US10357163B1 (en) * 2012-06-01 2019-07-23 Vital Connect, Inc. Respiratory rate detection using decomposition of ECG
CN110490257A (zh) * 2019-08-21 2019-11-22 四川长虹电器股份有限公司 一种基于去趋势项的生理电信号熵分析方法
CN110956192A (zh) * 2019-04-02 2020-04-03 南京邮电大学 一种非重构压缩感知生理数据的分类方法及装置
WO2020095326A1 (en) * 2018-11-11 2020-05-14 Houronearth Creative Solutions Pvt Ltd System and method for classifying a pulse morphology of a user
CN111345791A (zh) * 2018-12-24 2020-06-30 深圳迈瑞生物医疗电子股份有限公司 一种脉搏波测量装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005036455A2 (en) * 2003-10-08 2005-04-21 Case Western Reserve University Method for displaying spectral trends in complex signals

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5755671A (en) * 1995-10-05 1998-05-26 Massachusetts Institute Of Technology Method and apparatus for assessing cardiovascular risk
JPH10248819A (ja) * 1997-03-13 1998-09-22 Seiko Epson Corp 脈波診断装置
US10357163B1 (en) * 2012-06-01 2019-07-23 Vital Connect, Inc. Respiratory rate detection using decomposition of ECG
CN108670209A (zh) * 2018-03-29 2018-10-19 中国科学院微电子研究所 一种自动识别中医脉象的方法和系统
WO2020095326A1 (en) * 2018-11-11 2020-05-14 Houronearth Creative Solutions Pvt Ltd System and method for classifying a pulse morphology of a user
CN111345791A (zh) * 2018-12-24 2020-06-30 深圳迈瑞生物医疗电子股份有限公司 一种脉搏波测量装置
CN110956192A (zh) * 2019-04-02 2020-04-03 南京邮电大学 一种非重构压缩感知生理数据的分类方法及装置
CN110490257A (zh) * 2019-08-21 2019-11-22 四川长虹电器股份有限公司 一种基于去趋势项的生理电信号熵分析方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
《基于EEMD与平稳小波变换的脉搏波形特征分析研究》;张碧薇;《中国优秀博硕士学位论文全文数据库(硕士)》;20140315(第3期);I136-58 *
《基于卷积神经网络的脉搏波时频域特征混叠分类》;刘国华 等;《吉林大学学报（工学版）》;20200930;第50卷(第5期);1818-1824 *
基于改进型斜率阈值法的脉搏波特征提取研究;张梦龙等;《电子测量技术》;20170415(第04期);全文 *
基于脉搏波特征参数的无创血压测量改进算法;瞿诗华等;《生物医学工程研究》;20180315(第01期);全文 *
基于脉搏波特征参数的无创连续血压测量研究进展;郑嘉强等;《中国医学物理学杂志》;20200625(第06期);全文 *

Also Published As

Publication number Publication date
CN112773340A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN109276241B (zh) 一种压力识别方法及设备
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
US10925495B2 (en) Apparatus and method for determining a blood pressure of a subject
CN101919704B (zh) 一种心音信号定位、分段方法
CN109948396B (zh) 一种心拍分类方法、心拍分类装置及电子设备
CN107530015B (zh) 一种生命体征分析方法与系统
CN203555751U (zh) 一种基于时频分析的腹部肠鸣音分析仪系统
CN116784860B (zh) 基于形态学心拍模板聚类的心电信号特征提取系统
CN112773340B (zh) 一种基于eemd-pncc的脉搏特征提取系统及方法
CN115089139A (zh) 结合生物特征识别的个性化生理参数测量方法
Yen et al. Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN.
Liu et al. Multiscale sample entropy analysis of wrist pulse blood flow signal for disease diagnosis
CN112336369B (zh) 一种多通道心音信号的冠心病风险指数评估系统
CN109009005A (zh) 一种可穿戴式中医脉象采集与分析系统
CN108338777A (zh) 一种脉搏信号检测分析方法及装置
CN115553784B (zh) 基于心电、心音信号耦合分析的冠心病评估方法及系统
Safara Cumulant-based trapezoidal basis selection for heart sound classification
CN113712525B (zh) 一种生理参数处理方法、装置及医疗设备
Chattopadhyay et al. Sleep apnea diagnosis by DWT-based kurtosis, radar and histogram analysis of electrocardiogram
CN114271830A (zh) 一种心电信号检测方法及系统
Yefei et al. Bidirectional long short-term memory-based intelligent auxiliary diagnosis of fetal health
Zhang et al. Feature detection algorithm combined with machine learning applied to abnormal ECG diagnosis system
CN103720462A (zh) 脉搏波信号分析方法和装置
Aakant et al. Nadi Signal Analysis: A Review
Talatov et al. Methodology for processing and analysis of diagnostic indicators electrocardiogram based on Labview

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