CN112842271A - 基于光纤传感的生理信号分离提取系统及方法 - Google Patents

基于光纤传感的生理信号分离提取系统及方法 Download PDF

Info

Publication number
CN112842271A
CN112842271A CN202110031183.3A CN202110031183A CN112842271A CN 112842271 A CN112842271 A CN 112842271A CN 202110031183 A CN202110031183 A CN 202110031183A CN 112842271 A CN112842271 A CN 112842271A
Authority
CN
China
Prior art keywords
signal
matrix
physiological
physiological signal
signals
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
Application number
CN202110031183.3A
Other languages
English (en)
Other versions
CN112842271B (zh
Inventor
李政颖
詹婧
黄龙庭
陈可为
赵涛
桂鑫
傅雪蕾
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110031183.3A priority Critical patent/CN112842271B/zh
Publication of CN112842271A publication Critical patent/CN112842271A/zh
Application granted granted Critical
Publication of CN112842271B publication Critical patent/CN112842271B/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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • 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
    • 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
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Pulmonology (AREA)
  • Power Engineering (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于光纤传感的生理信号分离提取系统，它的生理信号预处理模块用于对原始生理信号依次进行去除直流成分和去除伪影处理；呼吸信号分离模块用于得到生理信号中的呼吸信号；心冲击图模型构建模块用于建立混叠了噪声的心冲击图模型；心跳信号提取模块用于得到心冲击图信号，本发明能够从低信噪比的混叠信号中分离出有效的生理信号，并通过矩阵迭代分解方式构建了心跳去噪提取模型，按照这个模型重构信号，大大降低了运算复杂度，又保证信号有效成分，从而降低了非接触式传感信号的解调难度和系统设计成本。

Description

基于光纤传感的生理信号分离提取系统及方法
技术领域
本发明涉及人体生命体征监测技术领域，具体地指一种基于光纤传感的生理信号分离提取系统及方法。
背景技术
随着社会经济技术的发展及人们对生活质量要求的提高，人们对自身健康进行检测的需求不断增大。呼吸率和心率是最基本的人体生命体征，人体的病态体征往往会从异常的呼吸率和心率上反映出来，因此，实现呼吸率和心率的日常实时监测对人体健康评估和疾病预防有着重要意义。长时间的呼吸率和心跳监测可使受监测者的健康状态被实时监测掌握，但传统监测系统大都使用接触式的设备，用户体验差，监测时不仅干扰受监测者生活，其监测效果准确性也受限。
近年来，非接触式监测系统发展迅速。基于光纤传感原理的传感系统具有灵敏度高、舒适性好、抗电磁干扰的特点，但目前光纤传感采集的信号信噪比低，混叠多种生理信号和噪声，与此同时，呼吸信号和心率信号的频率低，频率还存在一定的交叉，采用传统滤波方式很难将呼吸信号和心率信号完全分离；参考文献[1]中采用小波分解对心电信号ECG进行去噪处理，对于本发明中所针对的BCG生理信号的信噪比低，并且呼吸频率和心跳频率比较接近，需要分解多层才能提高信号提取的分辨率，为了满足信号提取需求，基于小波分解的算法运算量极大，需要高性能的处理器，因此会增加设计成本和硬件的设计难度。参考文献[2-3]采用经验模态分解的方法EMD对信号进行分离，但对于信噪比低的信号，EMD无法自适应的处理不同的噪声，针对信噪比低的混叠信号，信号分离效果不理想；参考文献[4]中提出多模态分解(VMD)算法，采用该方法对信号进行去噪和提取，在信噪比较高时，信号提取效果较好，但是对于信噪比低的时候，提取信号会发生严重的失真，导致信号的很多有用信息丢失。
参考文献
[1]A comparative study of DWT,CWT and DCT transformations in ECGarrhythmias classification[J].Expert Systems with Application37(2010)5751-5757.
[2]Complete Ensemble EMD and Hilbert transform for heart beatdetecti--on[C].CLAIB.2014
[3]Estimation of the foetal heart rate baseline based on singularspectrum analysis and empirical mode decomposition[J].Future GenerationComputer Systems 112(2020)126-135.
[3]Variation Mode Decomposition[J].Transactions on signal pro--cessing,vol.62,No.3,February 1,2014.
发明内容
本发明的目的就是要提供一种基于光纤传感的生理信号分离提取系统及方法，本发明能够从低信噪比的混叠信号中分离出有效的生理信号，并通过矩阵迭代分解方式构建了心跳去噪提取模型，按照这个模型重构信号，大大降低了运算复杂度，又保证信号有效成分，从而降低了非接触式传感信号的解调难度和系统设计成本。
为实现此目的，本发明所设计的基于光纤传感的生理信号分离提取系统，它包括生理信号预处理模块、呼吸信号分离模块、心冲击图模型构建模块和心跳信号提取模块，所述生理信号预处理模块用于对原始生理信号依次进行去除直流成分和去除伪影处理；
呼吸信号分离模块用于将去除伪影的生理信号构造成预设大小的方阵，并对所述方阵进行一次矩阵迭代分解，对迭代后矩阵分解的最大特征值按照矩阵分解的方式进行逆向计算，重构该特征值下的方阵，重构后的方阵按照矩阵构造的方式还原成固定时间长度的正弦波信号即为生理信号中的呼吸信号；
心冲击图模型构建模块用于将方阵进行一次矩阵迭代分解后的特征向量中除了最大特征值之外的剩余特征值进行矩阵分解的逆向计算，得到剩余特征值对应的方阵，并对剩余特征值对应的方阵进行设定硬阈值下的多次矩阵迭代分解，直到剩余特征值对应的方阵的秩在迭代中固定不变时停止迭代，将停止迭代后的方阵按照矩阵构造的方式还原成固定时间长度的正弦波信号，根据多次矩阵迭代分解的结果得到的固定时间长度的正弦波信号随时间变化的振幅、频率和相位，建立混叠了噪声的心冲击图模型；
心跳信号提取模块用于根据停止迭代后的方阵还原得到的固定时间长度的正弦波信号的功率谱密度函数，确定混叠了噪声的心冲击图模型在1～10Hz的范围内的由大到小排序的前n振幅对应的频率值及其对应的幅度参数，将所述前n振幅对应的频率值及其对应的幅度参数带入混叠了噪声的心冲击图模型，得到心冲击图信号。
本发明首先对PPS数据进行一系列的预处理，然后对预处理信号利用矩阵分解迭代算法MDI(Matrix Decomposition Iterative Algorithm)分析信号周期性特征，根据第一特征量分离出呼吸，随后对信号剩余部分通过矩阵信号迭代分解，达到设定阈值后，停止分解并分析特征信号的频率、相位和振幅特征，构建人体BCG心跳数学模型，后续心跳信号的提取均可以直接按照上述数学模型重构心跳信号。最后，通过最小二乘频率估计方法计算心跳和呼吸速率。本发明能够从低信噪比的混叠信号中分离出有效的生理信号，并通过矩阵迭代分解方式构建了心跳去噪提取模型，按照这个模型重构信号，大大降低了运算复杂度，又保证信号有效成分，从而降低了非接触式传感信号的解调难度和系统设计成本，并且能够实时分析生理数据，能够满足基于光纤传感的非接触设备在生命体征监测方面的重大应用需求。
本发明的有益效果：
1、本发明可以有效分离低信噪比的混叠信号中的心跳和呼吸信号，处理过程简单，降低了硬件的制作成本，提高了非接触式监测设备的应用场景。
2、本发明的基于光纤传感的生理信号的处理算法为非接触式体征监测提供了更加高效的信号处理方法，本发明采用根据上述方法建立的心冲击图模型进行心跳信号的提取，运算简单，易于嵌入式的移植，提高了信号分析的准确性，与此同时，本发明的处理的信号每2s更新一次处理窗，每个处理时间窗为8s，能够保证了数据的实时性处理。
附图说明
图1为本发明的结构示意图；
图2为本发明提取的呼吸信号和心跳信号的信号分离图。
其中，1—生理信号预处理模块、2—呼吸信号分离模块、3—心冲击图模型构建模块、4—心跳信号提取模块。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明：
如图1所示的基于光纤传感的生理信号分离提取系统，它包括生理信号预处理模块1、呼吸信号分离模块2、心冲击图模型构建模块3和心跳信号提取模块4，所述生理信号预处理模块1用于对原始生理信号依次进行去除直流成分和去除伪影处理,去除设备本身的噪声和不同人体差异性的伪影；
呼吸信号分离模块2用于将去除伪影的生理信号构造成预设大小的方阵，并对所述方阵进行一次矩阵迭代分解，对迭代后矩阵分解的最大特征值按照矩阵分解的方式进行逆向计算，重构该特征值下的方阵，重构后的方阵按照矩阵构造的方式还原成固定时间长度的正弦波信号即为生理信号中的呼吸信号；
心冲击图模型构建模块3用于将方阵进行一次矩阵迭代分解后的特征向量中除了最大特征值之外的剩余特征值进行矩阵分解的逆向计算(提取的呼吸信号后，剩余特征向量即是信号心率组成成分和一些身体扰动成分)得到剩余特征值对应的方阵，并对剩余特征值对应的方阵进行设定硬阈值下的多次矩阵迭代分解，直到剩余特征值对应的方阵的秩在迭代中固定不变时停止迭代，将停止迭代后的方阵按照矩阵构造的方式还原成固定时间长度的正弦波信号，根据多次矩阵迭代分解的结果得到的固定时间长度的正弦波信号随时间变化的振幅、频率和相位，并利用上述振幅、频率和相位建立混叠了噪声的心冲击图模型；
心跳信号提取模块4用于根据停止迭代后的方阵还原得到的固定时间长度的正弦波信号的功率谱密度函数，确定混叠了噪声的心冲击图模型在1～10Hz的范围内的由大到小排序的前n振幅对应的频率值及其对应的幅度参数，将所述前n振幅对应的频率值及其对应的幅度参数带入混叠了噪声的心冲击图模型，得到心冲击图信号，根据数学模型重构的心跳信号，可以保留BCG(心冲击图)心跳的有效成分，保证BCG心跳的完整时域波形的特征，并且尽可能的去除噪声的干扰。
上述技术方案中，特征值的个数远远小于构建矩阵的维度大小，从这个结果证明通过光强表示的人体呼吸和心跳信号是一个低秩信号。由于人体呼吸时呼气和吸气引起的胸部起伏较人体心跳引起的身体振动更大，因此分解特征值中，将分解出来的最大的特征值进行信号重组，得到的信号即为呼吸信号，而经过多次迭代分解的剩余的特征值部分即为心跳信号。
上述技术方案中，所述呼吸信号分离模块2还用于对呼吸信号进行最小二乘频率估计，计算呼吸的频率，从而得出呼吸速率。
上述技术方案中，所述心跳信号提取模块4还用于对心跳信号进行极值法寻峰取包络，并对心跳包络信号进行最小二乘频率估计法计算出心跳的频率。
上述技术方案中，所述心跳信号提取模块4用于对心跳信号进行20阶的峰值拟合，求取心跳信号主峰的包络信号。
上述技术方案中，所述原始生理信号为基于光纤传感器采集的混叠了人体呼吸信号、心跳信号和环境噪声的光强信号。
上述技术方案中，所述生理信号预处理模块1利用递归滤波器对原始生理信号进行0.1Hz的高通滤波，将原始生理信号中的直流成分滤除，保留交流成分。
上述技术方案中，去除直流成分后的信号会存在振幅大小不同的由身体颤动、电路噪声引起的信号幅度漂移，所述生理信号预处理模块1对去除直流成分后的信号进行10阶(拟合的曲线最高次幂数)拟合，拟合出信号的漂移曲线，然后用原隔直信号和拟合的漂移曲线进行差分，得到消除幅度漂移的信号实现去除伪影处理。
上述技术方案中，呼吸信号分离模块2将去除伪影的生理信号构造成预设大小的方阵的方法为，首先对去除伪影的生理信号进行分帧，将时域信号采用汉明窗的方式分成固定时间长度的信号，然后将固定时间长度的信号进行Hankel矩阵构造，构造成预设大小的方阵。本处理算法在经过验证后，固定时间长度设置为8s,然后将8s的信号构建成400*400的方阵，每一列均包含0.5s数据的重叠。
上述技术方案中，原始生理信号为具有光纤传感结构的床垫，所采集的携带有人体生理信息的光强信号。所述原始生理信号为非接触式光纤传感设备持续收集人体的原始生理信号PPS(Primitive Physiological Signals)，PPS为一个混叠了生理信号以及环境噪声的复合信号。
一种基于光纤传感的生理信号分离提取方法，它包括如下步骤：
步骤1：对原始生理信号依次进行去除直流成分和去除伪影处理；
步骤2：将去除伪影的生理信号构造成预设大小的方阵，并对所述方阵进行一次矩阵迭代分解，对迭代后矩阵分解的最大特征值按照矩阵分解的方式进行逆向计算，重构该特征值下的方阵，重构后的方阵按照矩阵构造的方式还原成固定时间长度的正弦波信号即为生理信号中的呼吸信号(呼吸信号频率低于心跳，并且幅度相对较大，是信号的主要成分，直接通过一次矩阵(协方差运算)，计算出矩阵的特征向量，根据特征向量中最大的特征值的进行信号的重构，重构后的信号即是呼吸信号)；
步骤3：将方阵进行一次矩阵迭代分解后的特征向量中除了最大特征值之外的剩余特征值进行矩阵分解的逆向计算，得到剩余特征值对应的方阵，并对剩余特征值对应的方阵进行设定硬阈值下的多次矩阵迭代分解，直到剩余特征值对应的方阵的秩在迭代中固定不变时停止迭代，将停止迭代后的方阵按照矩阵构造的方式还原成固定时间长度的正弦波信号，根据多次矩阵迭代分解的结果得到的固定时间长度的正弦波信号随时间变化的振幅、频率和相位，建立混叠了噪声的心冲击图模型；
步骤4：根据停止迭代后的方阵还原得到的固定时间长度的正弦波信号的功率谱密度函数，确定混叠了噪声的心冲击图模型在1～10Hz的范围内的由大到小排序的前n振幅对应的频率值及其对应的幅度参数，将所述前n振幅对应的频率值及其对应的幅度参数带入混叠了噪声的心冲击图模型，得到心冲击图信号，如图2所示，从图2的信号分离图中，可以看到原始生理信号比较杂乱，原始生理信号是呼吸信号、心跳信号以及噪声的叠加，通过上述方法分离提取之后的呼吸信号和心跳信号，可以看到清晰的呼吸波动周期以及心跳搏动的周期。
本发明的处理算法，首先通过矩阵分解迭代算法MDI确定信号中成分的个数，然后再对不同成分的特征进行分析，构建数学模型，有效的将不同人的差异性信号进行了统一，算法的收敛性，鲁棒性以及计算速度都较优于目前现有的方法。本发明中涉及的处理算法，不仅大大降低了产品的成本和硬件设计的难度，并且该算法可以适用于低信噪比的生理信号提取，为非接触式的体征监测设备的信号处理提供有效的解决方案。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于光纤传感的生理信号分离提取系统，其特征在于：它包括生理信号预处理模块(1)、呼吸信号分离模块(2)、心冲击图模型构建模块(3)和心跳信号提取模块(4)，所述生理信号预处理模块(1)用于对原始生理信号依次进行去除直流成分和去除伪影处理；
呼吸信号分离模块(2)用于将去除伪影的生理信号构造成预设大小的方阵，并对所述方阵进行一次矩阵迭代分解，对迭代后矩阵分解的最大特征值按照矩阵分解的方式进行逆向计算，重构该特征值下的方阵，重构后的方阵按照矩阵构造的方式还原成固定时间长度的正弦波信号即为生理信号中的呼吸信号；
心冲击图模型构建模块(3)用于将方阵进行一次矩阵迭代分解后的特征向量中除了最大特征值之外的剩余特征值进行矩阵分解的逆向计算，得到剩余特征值对应的方阵，并对剩余特征值对应的方阵进行设定硬阈值下的多次矩阵迭代分解，直到剩余特征值对应的方阵的秩在迭代中固定不变时停止迭代，将停止迭代后的方阵按照矩阵构造的方式还原成固定时间长度的正弦波信号，根据多次矩阵迭代分解的结果得到的固定时间长度的正弦波信号随时间变化的振幅、频率和相位，建立混叠了噪声的心冲击图模型；
心跳信号提取模块(4)用于根据停止迭代后的方阵还原得到的固定时间长度的正弦波信号的功率谱密度函数，确定混叠了噪声的心冲击图模型在1～10Hz的范围内的由大到小排序的前n振幅对应的频率值及其对应的幅度参数，将所述前n振幅对应的频率值及其对应的幅度参数带入混叠了噪声的心冲击图模型，得到心冲击图信号。
2.根据权利要求1所述的基于光纤传感的生理信号分离提取系统，其特征在于：所述呼吸信号分离模块(2)还用于对呼吸信号进行最小二乘频率估计，计算呼吸的频率，从而得出呼吸速率。
3.根据权利要求1所述的基于光纤传感的生理信号分离提取系统，其特征在于：所述心跳信号提取模块(4)还用于对心跳信号进行极值法寻峰取包络，并对心跳包络信号进行最小二乘频率估计法计算出心跳的频率。
4.根据权利要求3所述的基于光纤传感的生理信号分离提取系统，其特征在于：所述心跳信号提取模块(4)用于对心跳信号进行20阶的峰值拟合，求取心跳信号主峰的包络信号。
5.根据权利要求1所述的基于光纤传感的生理信号分离提取系统，其特征在于：所述原始生理信号为基于光纤传感器采集的混叠了人体呼吸信号、心跳信号和环境噪声的光强信号。
6.根据权利要求1所述的基于光纤传感的生理信号分离提取系统，其特征在于：所述生理信号预处理模块(1)利用递归滤波器对原始生理信号进行高通滤波，将原始生理信号中的直流成分滤除，保留交流成分。
7.根据权利要求1所述的基于光纤传感的生理信号分离提取系统，其特征在于：所述生理信号预处理模块(1)对去除直流成分后的信号进行10阶拟合，拟合出信号的漂移曲线，然后用原隔直信号和拟合的漂移曲线进行差分，得到消除幅度漂移的信号实现去除伪影处理。
8.根据权利要求1所述的基于光纤传感的生理信号分离提取系统，其特征在于：呼吸信号分离模块(2)将去除伪影的生理信号构造成预设大小的方阵的方法为，首先对去除伪影的生理信号进行分帧，将时域信号采用汉明窗的方式分成固定时间长度的信号，然后将固定时间长度的信号进行Hankel矩阵构造，构造成预设大小的方阵。
9.根据权利要求5所述的基于光纤传感的生理信号分离提取系统，其特征在于：原始生理信号为具有光纤传感结构的床垫，所采集的携带有人体生理信息的光强信号。
10.一种基于光纤传感的生理信号分离提取方法，其特征在于，它包括如下步骤：
步骤1：对原始生理信号依次进行去除直流成分和去除伪影处理；
步骤2：将去除伪影的生理信号构造成预设大小的方阵，并对所述方阵进行一次矩阵迭代分解，对迭代后矩阵分解的最大特征值按照矩阵分解的方式进行逆向计算，重构该特征值下的方阵，重构后的方阵按照矩阵构造的方式还原成固定时间长度的正弦波信号即为生理信号中的呼吸信号；
步骤3：将方阵进行一次矩阵迭代分解后的特征向量中除了最大特征值之外的剩余特征值进行矩阵分解的逆向计算，得到剩余特征值对应的方阵，并对剩余特征值对应的方阵进行设定硬阈值下的多次矩阵迭代分解，直到剩余特征值对应的方阵的秩在迭代中固定不变时停止迭代，将停止迭代后的方阵按照矩阵构造的方式还原成固定时间长度的正弦波信号，根据多次矩阵迭代分解的结果得到的固定时间长度的正弦波信号随时间变化的振幅、频率和相位，建立混叠了噪声的心冲击图模型；
步骤4：根据停止迭代后的方阵还原得到的固定时间长度的正弦波信号的功率谱密度函数，确定混叠了噪声的心冲击图模型在1～10Hz的范围内的由大到小排序的前n振幅对应的频率值及其对应的幅度参数，将所述前n振幅对应的频率值及其对应的幅度参数带入混叠了噪声的心冲击图模型，得到心冲击图信号。
CN202110031183.3A 2021-01-11 2021-01-11 基于光纤传感的生理信号分离提取系统及方法 Active CN112842271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110031183.3A CN112842271B (zh) 2021-01-11 2021-01-11 基于光纤传感的生理信号分离提取系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110031183.3A CN112842271B (zh) 2021-01-11 2021-01-11 基于光纤传感的生理信号分离提取系统及方法

Publications (2)

Publication Number Publication Date
CN112842271A true CN112842271A (zh) 2021-05-28
CN112842271B CN112842271B (zh) 2021-12-17

Family

ID=76002402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110031183.3A Active CN112842271B (zh) 2021-01-11 2021-01-11 基于光纤传感的生理信号分离提取系统及方法

Country Status (1)

Country Link
CN (1) CN112842271B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113499059A (zh) * 2021-06-01 2021-10-15 武汉理工大学 基于光纤传感非接触式的bcg信号处理系统及方法
CN113786191A (zh) * 2021-09-22 2021-12-14 吉林大学 一种基于多通道奇异谱分析的心冲击信号去噪方法
CN114795140A (zh) * 2022-06-28 2022-07-29 武汉理工大学 基于心冲击信号的心肌做功指数监测系统及方法
CN116401534A (zh) * 2023-06-08 2023-07-07 中国空气动力研究与发展中心高速空气动力研究所 一种脉动压力模态成分分离方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5209237A (en) * 1990-04-12 1993-05-11 Felix Rosenthal Method and apparatus for detecting a signal from a noisy environment and fetal heartbeat obtaining method
CN103070687A (zh) * 2013-02-06 2013-05-01 南京理工大学 一种非接触式生命体征监护系统的信号处理算法
US20140128758A1 (en) * 2012-11-08 2014-05-08 Conner Daniel Cross Galloway Electrocardiogram signal detection
US20150282746A1 (en) * 2014-01-13 2015-10-08 The Board Of Regents, The University Of Texas System Methods and systems for extracting venous pulsation and respiratory information from photoplethysmographs
US20160106340A1 (en) * 2014-10-21 2016-04-21 Xerox Corporation System and method for determining respiration rate from a video
US20170169563A1 (en) * 2015-12-11 2017-06-15 Macau University Of Science And Technology Low-Rank and Sparse Matrix Decomposition Based on Schatten p=1/2 and L1/2 Regularizations for Separation of Background and Dynamic Components for Dynamic MRI
CN109363658A (zh) * 2018-09-28 2019-02-22 武汉凯锐普信息技术有限公司 一种基于光干涉原理的呼吸与心跳信号提取方法
CN110236589A (zh) * 2019-06-03 2019-09-17 苏州美糯爱医疗科技有限公司 一种电子听诊器的实时心肺音自动分离方法
CN110428384A (zh) * 2019-08-08 2019-11-08 江苏赛诺格兰医疗科技有限公司 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法
CN110448282A (zh) * 2019-08-21 2019-11-15 李政颖 一种光纤感应组件及生命体征监测装置
CN111150378A (zh) * 2020-01-19 2020-05-15 武汉理工大学 一种人体睡眠多体征非侵入式分布式光纤监测系统及方法
CN111450369A (zh) * 2020-04-22 2020-07-28 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 具有脱落检测报警的新生儿呼吸传感系统及传感方法
CN111588367A (zh) * 2020-06-05 2020-08-28 青岛歌尔智能传感器有限公司 心率检测方法、装置及计算机可读存储介质
US20200297227A1 (en) * 2019-03-19 2020-09-24 Arizona Board Of Regents On Behalf Of Arizona State University Vital sign monitoring system using an optical sensor
CN111830449A (zh) * 2019-04-19 2020-10-27 西门子(深圳)磁共振有限公司 呼吸信号提取方法及装置、磁共振成像系统、存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5209237A (en) * 1990-04-12 1993-05-11 Felix Rosenthal Method and apparatus for detecting a signal from a noisy environment and fetal heartbeat obtaining method
US20140128758A1 (en) * 2012-11-08 2014-05-08 Conner Daniel Cross Galloway Electrocardiogram signal detection
CN103070687A (zh) * 2013-02-06 2013-05-01 南京理工大学 一种非接触式生命体征监护系统的信号处理算法
US20150282746A1 (en) * 2014-01-13 2015-10-08 The Board Of Regents, The University Of Texas System Methods and systems for extracting venous pulsation and respiratory information from photoplethysmographs
US20160106340A1 (en) * 2014-10-21 2016-04-21 Xerox Corporation System and method for determining respiration rate from a video
US20170169563A1 (en) * 2015-12-11 2017-06-15 Macau University Of Science And Technology Low-Rank and Sparse Matrix Decomposition Based on Schatten p=1/2 and L1/2 Regularizations for Separation of Background and Dynamic Components for Dynamic MRI
CN109363658A (zh) * 2018-09-28 2019-02-22 武汉凯锐普信息技术有限公司 一种基于光干涉原理的呼吸与心跳信号提取方法
US20200297227A1 (en) * 2019-03-19 2020-09-24 Arizona Board Of Regents On Behalf Of Arizona State University Vital sign monitoring system using an optical sensor
CN111830449A (zh) * 2019-04-19 2020-10-27 西门子(深圳)磁共振有限公司 呼吸信号提取方法及装置、磁共振成像系统、存储介质
CN110236589A (zh) * 2019-06-03 2019-09-17 苏州美糯爱医疗科技有限公司 一种电子听诊器的实时心肺音自动分离方法
CN110428384A (zh) * 2019-08-08 2019-11-08 江苏赛诺格兰医疗科技有限公司 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法
CN110448282A (zh) * 2019-08-21 2019-11-15 李政颖 一种光纤感应组件及生命体征监测装置
CN111150378A (zh) * 2020-01-19 2020-05-15 武汉理工大学 一种人体睡眠多体征非侵入式分布式光纤监测系统及方法
CN111450369A (zh) * 2020-04-22 2020-07-28 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 具有脱落检测报警的新生儿呼吸传感系统及传感方法
CN111588367A (zh) * 2020-06-05 2020-08-28 青岛歌尔智能传感器有限公司 心率检测方法、装置及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LEI RS等: "Estimation of Heart Rate and Respiratory Rate from PPG signal using Complementary Ensemble Empirical Mode Decomposition with both Independent Component Analysis and Non-Negative Matrix Factorization", 《SENSORS》 *
YE CHEN等: "Blind Source Separation on Non-Contact Heartbeat Detection by Non-Negative Matrix Factorization Algorithms", <IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING> *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113499059A (zh) * 2021-06-01 2021-10-15 武汉理工大学 基于光纤传感非接触式的bcg信号处理系统及方法
CN113786191A (zh) * 2021-09-22 2021-12-14 吉林大学 一种基于多通道奇异谱分析的心冲击信号去噪方法
CN113786191B (zh) * 2021-09-22 2022-05-31 吉林大学 一种基于多通道奇异谱分析的心冲击信号去噪方法
CN114795140A (zh) * 2022-06-28 2022-07-29 武汉理工大学 基于心冲击信号的心肌做功指数监测系统及方法
CN116401534A (zh) * 2023-06-08 2023-07-07 中国空气动力研究与发展中心高速空气动力研究所 一种脉动压力模态成分分离方法
CN116401534B (zh) * 2023-06-08 2023-08-01 中国空气动力研究与发展中心高速空气动力研究所 一种脉动压力模态成分分离方法

Also Published As

Publication number Publication date
CN112842271B (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN112842271B (zh) 基于光纤传感的生理信号分离提取系统及方法
Da Poian et al. Separation and analysis of fetal-ECG signals from compressed sensed abdominal ECG recordings
CN108056769B (zh) 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
US9125577B2 (en) Extraction of fetal cardiac signals
Romero PCA-based noise reduction in ambulatory ECGs
CN110353649B (zh) 一种心率检测方法
CN111265210A (zh) 一种基于深度学习的房颤预测装置和设备
CN113786191B (zh) 一种基于多通道奇异谱分析的心冲击信号去噪方法
US20210267552A1 (en) Systems and methods for digitally processing biopotential signals
Keshavamurthy et al. Review paper on denoising of ECG signal
CN115211858A (zh) 一种基于深度学习的情绪识别方法、系统及可存储介质
Talatov et al. Algorithmic and software analysis and processing of ECG signals
Pan et al. Detection of ECG characteristic points using biorthogonal spline wavelet
Bhoraniya et al. Motion artifacts extraction using DWT from ambulatory ECG (A-ECG)
Karim et al. Analysis of empirical mode decomposition method of heart rate extraction from motion artifact corrupted PPG Signal
Chawla Segment classification of ECG data and construction of scatter plots using principal component analysis
Soubra et al. A mother wavelet selection study for vertical ground reaction force signals
CN114983359A (zh) 一种基于ir-uwb雷达的生命体征检测方法
Dembrani et al. Accurate detection of ECG signals in ECG monitoring systems by eliminating the motion artifacts and improving the signal quality using SSG filter with DBE
Manjula et al. BCG Artifact Removal Using Improved Independent Component Analysis Approach
CN104720811A (zh) 一种利用普通体感相机非接触式测量呼吸率的方法
Bhuvaneswari et al. Methods used for identifying EEG signal artifacts
Manimegalai et al. Comparison on denoising of electro cardiogram signal using deep learning techniques
CN113842115B (zh) 一种改进的eeg信号特征提取方法
Lilienthal et al. Automatic Motion Artifact Removal in ECG with Canonical Polyadic Decomposition

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