CN112914502B - 基于ewt的肠动信号分离方法 - Google Patents

基于ewt的肠动信号分离方法 Download PDF

Info

Publication number
CN112914502B
CN112914502B CN201911234589.0A CN201911234589A CN112914502B CN 112914502 B CN112914502 B CN 112914502B CN 201911234589 A CN201911234589 A CN 201911234589A CN 112914502 B CN112914502 B CN 112914502B
Authority
CN
China
Prior art keywords
signal
signals
intestinal
spectrum
preprocessed
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
CN201911234589.0A
Other languages
English (en)
Other versions
CN112914502A (zh
Inventor
顾陈
庄中旭
周光新
洪弘
薛彪
孙理
熊俊军
马悦
李彧晟
朱晓华
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201911234589.0A priority Critical patent/CN112914502B/zh
Publication of CN112914502A publication Critical patent/CN112914502A/zh
Application granted granted Critical
Publication of CN112914502B publication Critical patent/CN112914502B/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
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明提供了一种基于EWT的胃肠动力信号分离方法，包括以下步骤：步骤1，由生命体征监测雷达获取雷达回波信号；步骤2，对步骤1获得的雷达回波信号进行预处理，获取人体生命体征信号(心跳信号、呼吸信号、胃动力信号和肠动力信号)，滤除干扰，得到预处理后信号；步骤3，对步骤2中获得的预处理后信号采用经验小波变换算法进行处理，分离出胃动信号、肠动信号、呼吸信号以及心跳信号。本发明通过经验小波变换算法能够有效地分离出肠动信号、胃动信号、呼吸信号以及心跳信号。

Description

基于EWT的肠动信号分离方法
技术领域
本发明属于雷达技术领域，特别是一种基于EWT的肠动信号分离方法。
背景技术
随着人们日常生活节奏的加快、工作学习压力的增加，胃肠疾病已逐渐成为现代社会的常见病和高发病。在胃肠疾病的诊断中，对于已发生器质性病变的患者，可以通过内窥镜、X线钡餐、B超以及CT、MR等影像学方法进行检查。而对于仅仅表现为功能性障碍的疾患，影像检查则显得无能为力。由此，胃肠动力信号的检测有着非常重要的意义。通过生物雷达体制的生命体征检测系统，获取目标的雷达回波信号，其最重要的环节在于不同频率信号的准确分离并提取。因此，选择恰当的信号处理技术从上述生命体征检测系统所采集到的信号中准确分离和提取不同频率的信号是该系统的关键所在。
传统的时频分析方法都有着一些不足之处，对于系统所获取的回波信号来说，其中胃动信号与肠动信号的频率非常接近，呼吸与心跳信号也很难分辨。在《基于独立成分分析的胃电信号检测》中，提出一种基于独立成分分析的算法，将胃电信号与呼吸心跳信号分离，但是无法分解出肠动信号；而在《基于HHT的胃电信号处理》中采用经验模式分解即EMD算法，它虽然能够分离出呼吸与心跳信号，但是仍然无法分离胃动信号与肠动信号。
由上可知，现有技术中的缺陷为无法有效从呼吸信号和心跳信号中分离出肠动信号。
发明内容
本发明的目的在于提供一种基于EWT的肠动信号分离方法，以有效分离出肠动信号、胃动信号、呼吸信号与心跳信号。
实现本发明目的的技术解决方案为：一种基于EWT的肠动信号分离方法，步骤如下：
步骤1、获取雷达回波信号x(t)；
步骤2、对步骤1获取的雷达回波信号x(t)进行预处理，获取人体生命体征信号，之后滤除干扰，得到预处理后信号f(t)，所述获取的人体生命体征信号包括心跳信号、呼吸信号、胃动力信号和肠动力信号；
步骤3、对步骤2中的预处理后信号f(t)采用EWT即经验小波变换进行处理，分离出人体的各生命体征信号，包括肠动信号f1(t)、胃动信号f2(t)、呼吸信号f3(t)及心跳信号f4(t)。
本发明与现有技术相比，其有益效果为：1)能够有效分离出肠动信号；2)呼吸信号与心跳信号分离效果更好。
附图说明
图1为本发明基于EWT的肠动信号分离方法的流程图。
图2为本发明中由采集数据得到的雷达回波信号图。
图3为本发明中雷达回波信号经带通滤波后的信号图。
图4为本发明中经过EWT算法处理的各模态时域波形图，其中图(a)为模态1-6的时域波形图，图(b)为模态7-12的时域波形图。
图5为本发明中经过EWT算法处理后各模态按能量排序后能量最大的前四个时域波形图，其中图(a)为呼吸信号波形图，图(b)为心跳信号波形图，图(c)为肠动信号波形图，图(d)为胃动信号波形图。
具体实施方式
一种基于EWT的肠动信号分离方法，步骤如下：
步骤1、获取雷达回波信号x(t)；具体为：
被测目标平躺于床上，将生命体征监测雷达架设于人体腹部上方，采集到雷达回波信号x(t)。
步骤2、对步骤1获取的雷达回波信号x(t)进行预处理，获取人体生命体征信号，之后滤除干扰，得到预处理后信号f(t)，所述获取的人体生命体征信号包括心跳信号、呼吸信号、胃动力信号和肠动力信号；具体如下：
步骤2-1、对步骤1中得到的雷达回波信号x(t)进行带通滤波，引入三个带通滤波器h1(n)、h2(n)和h3(n)，其中h1(n)的频率范围是0.025～0.12Hz；h2(n)的频率范围是0.2～0.4Hz；h3(n)的频率范围是1～1.33Hz；
步骤2-2、将经由带通滤波器h1(n)、h2(n)和h3(n)滤除后的信号相加得到预处理后信号f(t)。
步骤3、对步骤2中的预处理后信号f(t)采用EWT即经验小波变换进行处理，分离出人体的各生命体征信号，包括肠动信号f1(t)、胃动信号f2(t)、呼吸信号f3(t)及心跳信号f4(t)。具体如下：
步骤3-1、对预处理后信号f(t)进行快速傅里叶变换得到预处理信号频谱
Figure GDA0004083808570000031
ω为频率；
步骤3-2、对预处理信号频谱
Figure GDA0004083808570000032
进行频谱检测，检测频谱中的局部极大值以降序的方式进行排序并归一化得到极大值序列，极大值序列为
Figure GDA0004083808570000033
步骤3-3、在极大值序列
Figure GDA0004083808570000034
中，设置阈值Mmin+α(Mmax-Mmin),其中Mmin为极大值序列中的最小值，Mmax为极大值序列中的最大值，α为常数，保留极大值序列中大于阈值的数，此时得到极大值序列的个数MN个，将呼吸、心跳、肠动、胃动信号分离的选定模式数N＝MN+D，D≥4；
步骤3-4、确定模式数N之后，对预处理信号频谱
Figure GDA0004083808570000035
进行频谱检测，遵照香农定理将频谱范围限定在0,π，将频谱划分为N个相邻区域，产生N+1个分界线ωn，n表示第n个，0≤n≤N，在每条分界线周围定义一个过渡区间Tn，宽度为2τn；
步骤3-5、确定分割区间∧n＝[ωn-1,ωn]，添加小波窗口系数
Figure GDA0004083808570000036
Figure GDA0004083808570000037
得到小波经验尺度函数
Figure GDA0004083808570000038
Figure GDA0004083808570000039
经验小波
Figure GDA00040838085700000310
Figure GDA00040838085700000311
步骤3-6、确定细节系数
Figure GDA00040838085700000312
式中F-1表示傅里叶逆变换；
步骤3-7、确定逼近系数
Figure GDA00040838085700000313
式中F-1表示傅里叶逆变换；
步骤3-8、将步骤2中得到的预处理后信号f(t)通过经验小波变换分解为N个固有模态分量，由预处理后信号f(t)分解的各个频率尺度的模态函数表示为
Figure GDA00040838085700000314
Figure GDA0004083808570000041
步骤3-9、对通过经验小波变换算法得到的N个模态时域函数按能量大小进行降序排列，选取能量最大的前四个模态，即为呼吸信号、心跳信号与胃动信号、肠动信号。
一种基于EWT的肠动信号分离系统，包括：
生命体征监测雷达，用于对人体生命体征信号进行检测；
预处理模块，用于对获取的雷达回波信号进行预处理，所述获取的人体生命体征信号包括心跳信号、呼吸信号、胃动力信号和肠动力信号；
分离模块，用于对预处理后信号进行分离，得到人体的各生命体征信号，包括肠动信号、胃动信号、呼吸信号及心跳信号。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
步骤1、获取雷达回波信号x(t)；
步骤2、对步骤1获取的雷达回波信号x(t)进行预处理，获取人体生命体征信号，之后滤除干扰，得到预处理后信号f(t)，所述获取的人体生命体征信号包括心跳信号、呼吸信号、胃动力信号和肠动力信号；
步骤3、对步骤2中的预处理后信号f(t)采用EWT即经验小波变换进行处理，分离出人体的各生命体征信号，包括肠动信号f1(t)、胃动信号f2(t)、呼吸信号f3(t)及心跳信号f4(t)。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
步骤1、获取雷达回波信号x(t)；
步骤2、对步骤1获取的雷达回波信号x(t)进行预处理，获取人体生命体征信号，之后滤除干扰，得到预处理后信号f(t)，所述获取的人体生命体征信号包括心跳信号、呼吸信号、胃动力信号和肠动力信号；
步骤3、对步骤2中的预处理后信号f(t)采用EWT即经验小波变换进行处理，分离出人体的各生命体征信号，包括肠动信号f1(t)、胃动信号f2(t)、呼吸信号f3(t)及心跳信号f4(t)。
本发明的方法能够有效地分离出肠动信号、胃动信号、呼吸信号以及心跳信号。
下面结合实施例对本发明做进一步详细的描述。
实施例
结合图1，本发明基于EWT的肠动信号分离方法，图1为基于EWT的肠动信号分离方法流程图。步骤如下：
步骤1、由生命体征监测雷达获得雷达回波信号x(t)。具体如下：
被测目标平躺于床上，将生命体征监测雷达架设于人体腹部上方，得到雷达回波信号x(t)。
步骤2、对步骤1获得的雷达回波信号x(t)进行预处理，获取人体生命体征信号(心跳信号、呼吸信号、胃动力信号和肠动力信号)，滤除干扰，得到预处理后信号f(t)，具体如下：
步骤2-1、对步骤1中得到的雷达回波信号x(t)进行带通滤波，引入三个带通滤波器h1(n)、h2(n)和h3(n)，其中h1(n)的频率范围是0.025～0.12Hz，该频率范围包括常见的肠动与胃动频段；h2(n)的频率范围是0.2～0.4Hz，该频率范围为基本呼吸频段；h3(n)的频率范围是1～1.33Hz，该频率范围为基本心跳频段。
步骤2-2、将经由带通滤波器h1(n)、h2(n)和h3(n)滤除后的信号相加得到预处理后信号f(t)。
步骤3、对步骤2中获得的预处理信号f(t)采用EWT即经验小波变换进行处理，分离出肠动信号f1(t)、胃动信号f2(t)、呼吸信号f3(t)及心跳信号f4(t)。具体如下：
步骤3-1、对步骤2中得到的预处理后信号f(t)进行快速傅里叶变换得到预处理信号频谱
Figure GDA0004083808570000051
步骤3-2、对预处理信号频谱
Figure GDA0004083808570000052
进行频谱检测，检测频谱中的局部极大值以降序的方式进行排序并归一化得到极大值序列，极大值序列的个数为M＝15，极大值序列为
Figure GDA0004083808570000053
步骤3-3、在极大值序列
Figure GDA0004083808570000054
中，设置阈值MM+α(M1-MM),其中常数α与相对振幅比有关，选定常数
Figure GDA0004083808570000055
其中Ah为肠动信号的一般幅度，A为呼吸信号的一般幅度，保留极大值序列中大于阈值的数，此时得到极大值序列的个数MN＝8(即频谱中幅值最大的MN个)。由于肠动信号频率、胃动信号频率十分接近(肠动频率为0.12Hz，胃动频率为0.05Hz)，因此将肠动和胃动信号完整分离的模式数至少为D＝4。由此将呼吸、心跳、肠动、胃动信号分离的选定模式数N＝MN+D；
步骤3-4、确定模式数N之后，对预处理信号频谱
Figure GDA0004083808570000061
进行频谱检测，遵照香农定理将频谱范围限定在0,π，将频谱划分为N个相邻区域，产生N+1个分界线ωn，n表示第n个，0≤n≤N，在每条分界线周围定义一个过渡区间Tn，宽度为2τn；
步骤3-5、确定分割区间∧n＝[ωn-1,ωn]，添加小波窗口系数
Figure GDA0004083808570000062
Figure GDA0004083808570000063
得到小波经验尺度函数
Figure GDA0004083808570000064
Figure GDA0004083808570000065
经验小波
Figure GDA0004083808570000066
Figure GDA0004083808570000067
步骤3-6、计算细节系数
Figure GDA0004083808570000068
式中F-1表示傅里叶逆变换；
步骤3-7、计算逼近系数
Figure GDA0004083808570000069
式中F-1表示傅里叶逆变换；
步骤3-8、将步骤2中得到的预处理信号f(t)通过经验小波变换分解为N个固有模态分量，由预处理后信号f(t)分解的各个频率尺度的模态函数表示为
Figure GDA00040838085700000610
Figure GDA00040838085700000611
步骤3-9、对通过经验小波变换算法得到的N个模态时域函数按能量大小进行降序排列，选取能量最大的前四个模态，即为呼吸信号、心跳信号与胃动信号、肠动信号。
本发明首先通过生命体征监测雷达获得雷达回波信号，图2是由采集数据得到的雷达回波信号图；接着对采集到的雷达回波信号进行带通滤波得到未经EWT处理的复杂信号如图3所示；为准确分离与恢复不同频段的信号，引入EWT算法进行处理。对图3所示的信号利用EWT算法进行分解处理得到经EWT算法处理后的各模态时域波形图即图4，其中图(a)为模态1-6的时域波形图，图(b)为模态7-12的时域波形图，对分解后的模态按照能量大小进行降序排列，选取能量最大的前四个模态的时域波形图即图5，其中图(a)为呼吸信号波形图，图(b)为心跳信号波形图，图(c)为肠动信号波形图，图(d)为胃动信号波形图。
综上所述，本发明先采取传统方法获取原始雷达回波信号，然后利用经验小波变换算法分离肠动信号、胃动信号、呼吸信号以及心跳信号，算法有效可靠、分离效果优异。

Claims (6)

1.一种基于EWT的肠动信号分离方法，其特征在于，步骤如下：
步骤1、获取雷达回波信号x(t)；
步骤2、对步骤1获取的雷达回波信号x(t)进行预处理，获取人体生命体征信号，之后滤除干扰，得到预处理后信号f(t)，所述获取的人体生命体征信号包括心跳信号、呼吸信号、胃动力信号和肠动力信号；
步骤3、对步骤2中的预处理后信号f(t)采用EWT即经验小波变换进行处理，分离出人体的各生命体征信号，包括肠动信号f1(t)、胃动信号f2(t)、呼吸信号f3(t)及心跳信号f4(t)；具体如下：
步骤3-1、对预处理后信号f(t)进行快速傅里叶变换得到预处理信号频谱
Figure FDA0004083808560000011
ω为频率；
步骤3-2、对预处理信号频谱
Figure FDA0004083808560000012
进行频谱检测，检测频谱中的局部极大值以降序的方式进行排序并归一化得到极大值序列，极大值序列为
Figure FDA0004083808560000013
步骤3-3、在极大值序列
Figure FDA0004083808560000014
中，设置阈值Mmin+α(Mmax-Mmin),其中Mmin为极大值序列中的最小值，Mmax为极大值序列中的最大值，α为常数，保留极大值序列中大于阈值的数，此时得到极大值序列的个数MN个，将呼吸、心跳、肠动、胃动信号分离的选定模式数N＝MN+D，D≥4；α＝0.15，MN＝8；
步骤3-4、确定模式数N之后，对预处理信号频谱
Figure FDA0004083808560000015
进行频谱检测，遵照香农定理将频谱范围限定在[0,π]，将频谱划分为N个相邻区域，产生N+1个分界线ωn，n表示第n个，0≤n≤N，在每条分界线周围定义一个过渡区间Tn，宽度为2τn；
步骤3-5、确定分割区间∧n＝[ωn-1,ωn]，添加小波窗口系数
Figure FDA0004083808560000016
Figure FDA0004083808560000017
得到小波经验尺度函数
Figure FDA0004083808560000018
Figure FDA0004083808560000019
经验小波
Figure FDA00040838085600000110
Figure FDA00040838085600000111
步骤3-6、确定细节系数
Figure FDA0004083808560000021
式中F-1表示傅里叶逆变换；
步骤3-7、确定逼近系数
Figure FDA0004083808560000022
式中F-1表示傅里叶逆变换；
步骤3-8、将步骤2中得到的预处理后信号f(t)通过经验小波变换分解为N个固有模态分量，由预处理后信号f(t)分解的各个频率尺度的模态函数表示为
Figure FDA0004083808560000023
Figure FDA0004083808560000024
步骤3-9、对通过经验小波变换算法得到的N个模态时域函数按能量大小进行降序排列，选取能量最大的前四个模态，即为呼吸信号、心跳信号与胃动信号、肠动信号。
2.根据权利要求1所述的基于EWT的肠动信号分离方法，其特征在于，步骤1获取雷达回波信号具体为：
被测目标平躺于床上，将生命体征监测雷达架设于人体腹部上方，采集到雷达回波信号x(t)。
3.根据权利要求1所述的基于EWT的肠动信号分离方法，其特征在于，步骤2中对获得的雷达回波信号x(t)进行预处理，具体如下：
步骤2-1、对步骤1中得到的雷达回波信号x(t)进行带通滤波，引入三个带通滤波器h1(n)、h2(n)和h3(n)，其中h1(n)的频率范围是0.025～0.12Hz；h2(n)的频率范围是0.2～0.4Hz；h3(n)的频率范围是1～1.33Hz；
步骤2-2、将经由带通滤波器h1(n)、h2(n)和h3(n)滤除后的信号相加得到预处理后信号f(t)。
4.一种基于EWT的肠动信号分离系统，其特征在于，包括：
生命体征监测雷达，用于对人体生命体征信号进行检测；
预处理模块，用于对获取的雷达回波信号进行预处理，所述获取的人体生命体征信号包括心跳信号、呼吸信号、胃动力信号和肠动力信号；
分离模块，用于对预处理后信号进行分离，得到人体的各生命体征信号，包括肠动信号、胃动信号、呼吸信号及心跳信号；具体步骤为：
步骤3-1、对预处理后信号f(t)进行快速傅里叶变换得到预处理信号频谱
Figure FDA0004083808560000025
步骤3-2、对预处理信号频谱
Figure FDA0004083808560000026
进行频谱检测，检测频谱中的局部极大值以降序的方式进行排序并归一化得到极大值序列，极大值序列为
Figure FDA0004083808560000031
步骤3-3、在极大值序列
Figure FDA0004083808560000032
中，设置阈值Mmin+α(Mmax-Mmin),其中Mmin为极大值序列中的最小值，Mmax为极大值序列中的最大值，α为常数，保留极大值序列中大于阈值的数，此时得到极大值序列的个数MN个，将呼吸、心跳、肠动、胃动信号分离的选定模式数N＝MN+D，D≥4；α＝0.15，MN＝8；
步骤3-4、确定模式数N之后，对预处理信号频谱
Figure FDA0004083808560000033
进行频谱检测，遵照香农定理将频谱范围限定在[0,π]，将频谱划分为N个相邻区域，产生N+1个分界线ωn，n表示第n个，0≤n≤N，在每条分界线周围定义一个过渡区间Tn，宽度为2τn；
步骤3-5、确定分割区间∧n＝[ωn-1,ωn]，添加小波窗口系数
Figure FDA0004083808560000034
Figure FDA0004083808560000035
得到小波经验尺度函数
Figure FDA0004083808560000036
Figure FDA0004083808560000037
经验小波
Figure FDA0004083808560000038
Figure FDA0004083808560000039
步骤3-6、确定细节系数
Figure FDA00040838085600000310
式中F-1表示傅里叶逆变换；
步骤3-7、确定逼近系数
Figure FDA00040838085600000311
式中F-1表示傅里叶逆变换；
步骤3-8、将步骤2中得到的预处理后信号f(t)通过经验小波变换分解为N个固有模态分量，由预处理后信号f(t)分解的各个频率尺度的模态函数表示为
Figure FDA00040838085600000312
Figure FDA00040838085600000313
步骤3-9、对通过经验小波变换算法得到的N个模态时域函数按能量大小进行降序排列，选取能量最大的前四个模态，即为呼吸信号、心跳信号与胃动信号、肠动信号。
5.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
CN201911234589.0A 2019-12-05 2019-12-05 基于ewt的肠动信号分离方法 Active CN112914502B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911234589.0A CN112914502B (zh) 2019-12-05 2019-12-05 基于ewt的肠动信号分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911234589.0A CN112914502B (zh) 2019-12-05 2019-12-05 基于ewt的肠动信号分离方法

Publications (2)

Publication Number Publication Date
CN112914502A CN112914502A (zh) 2021-06-08
CN112914502B true CN112914502B (zh) 2023-04-28

Family

ID=76162333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911234589.0A Active CN112914502B (zh) 2019-12-05 2019-12-05 基于ewt的肠动信号分离方法

Country Status (1)

Country Link
CN (1) CN112914502B (zh)

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201225914A (en) * 2010-12-23 2012-07-01 Ind Tech Res Inst Intestinal peristalsis detecting device and system and method thereof
CN102920475A (zh) * 2012-10-31 2013-02-13 中国人民解放军总医院 一种胃肠音监测系统
CN105078505B (zh) * 2014-04-24 2018-01-23 重庆融海超声医学工程研究中心有限公司 生理信号处理方法及处理装置
CN104305987B (zh) * 2014-10-23 2017-01-25 广东省中医院 一种动物胃肠运动信号的处理系统及方法
CN104644142B (zh) * 2015-02-05 2017-07-21 南京理工大学 一种非接触式生命体征监护的信号处理算法
US10512414B2 (en) * 2015-08-29 2019-12-24 G-Tech Medical, Inc. Apparatus and method for detecting gastrointestinal motor activity during post-operative recovery
CN106568607A (zh) * 2016-11-04 2017-04-19 东南大学 一种基于经验小波变换碰摩声发射故障诊断方法
CN107832709A (zh) * 2017-11-10 2018-03-23 辽宁师范大学 基于经验小波变换进行特征提取的脑电情感识别方法
US20190167226A1 (en) * 2017-12-04 2019-06-06 International Business Machines Corporation Infant gastrointestinal monitor
US11864907B2 (en) * 2018-01-16 2024-01-09 Boston Scientific Scimed, Inc. Devices, systems, and methods for monitoring gastrointestinal motility
CN110367986A (zh) * 2019-06-25 2019-10-25 南京理工大学 基于ewt的呼吸信号近似熵特征提取方法

Also Published As

Publication number Publication date
CN112914502A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN110840402B (zh) 一种基于机器学习的房颤信号识别方法及系统
Liang et al. Application of the empirical mode decomposition to the analysis of esophageal manometric data in gastroesophageal reflux disease
US7809433B2 (en) Method and system for limiting interference in electroencephalographic signals
Puthankattil et al. Classification of EEG signals in normal and depression conditions by ANN using RWE and signal entropy
Assaleh et al. A novel technique for the extraction of fetal ECG using polynomial networks
US9168018B2 (en) System and method for classifying a heart sound
He et al. Recognition of ECG patterns using artificial neural network
Sasikala et al. Extraction of P wave and T wave in Electrocardiogram using Wavelet Transform
CN107693004A (zh) 基于hilbert变换的胎儿心电提取与胎儿心率识别方法
CN103750835A (zh) 一种心电信号特征检测算法
Chen et al. Identification of Velcro rales based on Hilbert–Huang transform
CN110974196A (zh) 一种运动状态下非接触式的呼吸和心率检测方法
Chen et al. Non-invasive diagnosis methods of coronary disease based on wavelet denoising and sound analyzing
Elbuni et al. ECG parameter extraction algorithm using (DWTAE) algorithm
Liu et al. A novel P-QRS-T wave localization method in ECG signals based on hybrid neural networks
CN112914502B (zh) 基于ewt的肠动信号分离方法
CN106691437B (zh) 一种基于母体心电信号的胎儿心率提取方法
Nitzken et al. Local wavelet-based filtering of electromyographic signals to eliminate the electrocardiographic-induced artifacts in patients with spinal cord injury
CN112914545A (zh) 非接触式肠道疾病诊断设备
Amri et al. Toward early abnormalities detection on digestive system: Multi-features electrogastrogram (EGG) signal classification based on machine learning
Golpaygani et al. Detection and identification of S1 and S2 heart sounds using wavelet decomposition method
Chen et al. A fast ECG diagnosis using frequency-based compressive neural network
CN112914546A (zh) 非接触式肠动信号特征提取方法及系统
Ishikawa et al. Noise reduction by perfect-translation-invariant complex discrete wavelet transforms for fetal electrocardiography and magnetocardiography
Rizzi et al. Lightweight Signal Analysis for R-Peak Detection.

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