CN112971762A - 呼吸信号质量评估方法 - Google Patents
呼吸信号质量评估方法 Download PDFInfo
- Publication number
- CN112971762A CN112971762A CN202110167675.5A CN202110167675A CN112971762A CN 112971762 A CN112971762 A CN 112971762A CN 202110167675 A CN202110167675 A CN 202110167675A CN 112971762 A CN112971762 A CN 112971762A
- Authority
- CN
- China
- Prior art keywords
- sample
- signal quality
- respiratory signal
- quarter
- respiratory
- 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
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
- A61B5/08—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
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请提出一种呼吸信号质量评估方法,其包括:对待评估的呼吸信号进行加窗拆分,得到经分割的呼吸信号;对该经分割的呼吸信号进行特征提取;将所提取的特征值输入到经训练的呼吸信号质量评估模型中,得到分类得分score;利用阈值L1、L2比较所述分类得分score,如果score>=L2,该呼吸信号判断为类别1,为信号质量好;如果L1≤score<L2,该呼吸信号判断为类别2,信号质量中等;如果score<L1,该呼吸信号判断为类别3,信号质量差。
Description
技术领域
本申请涉及生理信号质量评估,尤其涉及呼吸信号质量评估方法及其装置。
背景技术
呼吸是人体重要的生命体征之一,蕴含着丰富的生理、病理、应激和心理等多方面的信息,与人体生命健康息息相关。研究表明,心脏病、高血压、睡眠呼吸暂停综合征、慢性阻塞性肺疾病(COPD)等病症均与呼吸功能障碍有很大关系,而这些疾病的严重程度、恶化指征等均在呼吸信号上有所体现。因此,对呼吸信号进行监测在临床和家庭监护中具有重大意义,可提早发现并预防呼吸系统、心血管等部位的病变,及时了解病情及发展趋势,以便对症治疗保持身体的健康和平衡。
呼吸感应体积描记技术(Respiratory Inductive Plethysmography,RIP)是将两条弹性缚带分别缠绕在被测者的胸部和腹部,呼吸运动带动弹性缚带伸缩,线圈围绕面积发生改变,从而记录被测者胸腹运动的额方法。该方法提供了呼吸运动的无创、间接测量的方式,具有便捷、低负荷、准确性高的优势。然而,呼吸运动本身具有自主性和随意性,呼吸信号极易受到不同程度的噪声干扰,其噪声来源和表现如下:
1)基线漂移:呼吸信号的基线漂移主要是受测者运动、体位改变等引起的,表现为一个大幅度的基线改变,分析信号的时候需要先去基线;
2)高频噪声:呼吸信号中的高频噪声主要是受测者说话、胸腹呼吸带位置发生相对改变、其他震动引起,通常表现为无规律的信号波动,有时噪声很强会把原呼吸信号淹没;
3)呼吸暂停:区别于心电信号,呼吸信号受人体调控程度高,主动或被动的屏气均会造成呼吸信号的暂时丢失,这种屏气又可分为病理性的和非病理性的,病理性的通常是夜间的呼吸睡眠暂停等。
目前对呼吸信号质量的研究还比较少,划分呼吸信号质量的方法主要包括两大类:一是使用基本的形态学判断方法,抽取呼吸信号形态学特征并设定阈值;二是使用信号相似性进行信号质量评价,通常采用生成的呼吸信号模板和实际的信号进行对比,划分阈值将信号区分为质量好和质量差,该方法进一步演进发展出动态时间规整法(DynamicTime Warping,DTW),通过衡量相对距离评价两个呼吸波之间的相似程度。
但目前的这些方法均存在较大的弊端:一是目前绝大部分呼吸信号质量评估的方法依赖于经验选取的阈值,缺乏客观依据和扩展性;二是模板选取方式存疑,当一段信号高度相似但不是呼吸信号的时候,模板匹配的方法可能不具有很好的区分度;三是目前缺乏呼吸相关的数据集,呼吸信号质量评价的结果缺乏量化验证。
发明内容
鉴于上述问题,本申请旨在提出一种呼吸信号质量评估方法。
本申请的呼吸信号质量评估方法,其包括:
对待评估的呼吸信号进行加窗拆分,得到经分割的呼吸信号;
对该经分割的呼吸信号进行特征提取;
将所提取的特征值输入到经训练的呼吸信号质量评估模型中,得到分类得分score;
利用阈值L1、L2比较所述分类得分score,如果score>=L2,该呼吸信号判断为类别1,为信号质量好;如果L1≤score<L2,该呼吸信号判断为类别2,信号质量中等;如果score<L1,该呼吸信号判断为类别3,信号质量差。
优选地,所述经训练的呼吸信号质量评估模型为孤立森林模型。
优选地,所述加窗拆分为以30s的窗口长度对待评估的心电信号进行分割。
优选地,所述特征值包括:离群点个数、对样本的基线进行线性回归拟合的得分和拟合系数、低于样本中值的峰值的个数、峰值的个数、峰值的中值与样本最小值的差与样本极差的比值、峰值的四分之三位数与样本最小值的差与样本极差的比值、峰值的四分之一位数与样本最小值的差与样本极差的比值、峰峰间期的中值、峰峰间期的四分之三位数、峰峰间期的四分之一位数、样本X的三阶标准矩阵、样本X的四阶标准矩阵、样本的相邻波峰之间片段的DTW相关性的中值、样本的相邻波峰之间片段的DTW相关性的四分之三位数、样本的相邻波峰之间片段的DTW相关性的四分之一位数、样本前3s数据的四分之三位数与四分之一位数的差值与极差的比值、样本后3s数据的四分之三位数与四分之一位数的差值与极差的比值,其中样本X取自经分割的呼吸信号。
优选地,提离群点个数的提取和计算步骤如下:
①样本X的长度为N,记为u(1),u(2),...,u(N);窗宽n=3*fs;
②重构(N-2*n)维向量X(n),X(2),...,X(N-n-1),其中X(i)=[u(i-n),u(i-n+1),...,u(i+n-1)];
③对于X(i),统计满足以下条件的样本个数;
(u(j)>mean(X(i))+3*std(X(i)))|(u(j)<mean(X(i))-3*std(X(i)));
④统计样本X中所有满足③条件的采样点的个数。
优选地,样本X的三阶标准矩阵,计算方法如下:
优选地,样本X的四阶标准矩阵,计算方法如下:
优选地,样本的相邻波峰之间片段的DTW相关性的中值的计算方法如下:
①样本X的长度为N,记为u(1),u(2),...,u(N);窗宽n=3*fs;
②重构(N-2)维向量X(1),X(2),...,X(N-2),其中X(i)=[u(i),u(i+1)];
③对于0≤i≤N-2,计算相邻X之间的DTW相关性X_DTW;
④计算所有X_DTW的中值,即为样本的相邻波峰之间片段的DTW相关性的中值。
优选地,样本前3s数据的四分之三位数与四分之一位数的差值与极差的比值的计算方法如下:
h_3s=(percentile(x[0:s*fs],75)-percentile(x[0:s*fs],25))/(max(x)-min(x)),s为选取的窗长,s=3,fs为呼吸信号采样频率,fs=25Hz;其中h_3s为样本前3s数据的四分之三位数与四分之一位数的差值与极差的比值。
优选地,样本后3s数据的四分之三位数与四分之一位数的差值与极差的比值的计算方法如下:
t_3s=(percentile(x[-s*fs:],75)-percentile(x[-s*fs:],25))/(max(x)-min(x)),s为选取的窗长,s=3,fs为呼吸信号采样频率,fs=25Hz;其中t_3s表示样本后3s数据的四分之三位数与四分之一位数的差值与极差的比值。
优选地,L1=-0.002,L2=0.042。
本申请的呼吸信号质量评估装置,其包括:信号分割模块、特征提取模块、呼吸信号质量评估模块、分类判断模块;
信号分割模块用于对待评估的呼吸信号进行加窗拆分;
特征提取模块用于对该经分割的呼吸信号进行特征提取;
呼吸信号质量评估模块中包括经训练的呼吸信号质量评估模型;
分类判断模块用于判断信号类别;
待评估的呼吸信号通过信号分割模块进行加窗拆分,得到经分割的呼吸信号;特征提取模块对该经分割的呼吸信号进行特征提取,将所提取的特征值输入到呼吸信号质量评估模型中,得到分类得分score;分类判断模块利用阈值L1、L2比较所述分类得分score,如果score>=L2,该呼吸信号判断为类别1,为信号质量好;如果L1≤score<L2,该呼吸信号判断为类别2,信号质量中等;如果score<L1,该呼吸信号判断为类别3,信号质量差。
本申请的呼吸信号质量评估方法及其装置,对通过呼吸感应体积描记技术获得的呼吸信号通过加窗进行分割,然后提取特征值,并输入经过训练的模型,以无监督方式对呼吸信号质量进行三分类,包括质量好、质量中等、质量差,对长程呼吸信号能有效筛选出信号质量好的时间段,为后续研究奠定基础,模型应用潜力较大,应用场景广泛。
附图说明
图1为本申请的呼吸信号质量评估方法流程图;
图2为一个实施例中用到的呼吸信号的原始数据的示意图;
图3为图2的呼吸信号的原始数据的局部放大示意图;
图4为测试集呼吸信号质量结果示意图;
图5、6本申请的一个实例中呼吸信号质量评估结果图。
具体实施方式
下面,结合附图对本申请的种呼吸信号质量评估方法及其装置进行详细。
这里,需要说明的是,本申请的呼吸信号质量评估装置的各模块,是本申请的呼吸信号质量评估方法在计算设备(例如智能手机、平板、计算机或服务器等)上运行时所实现的对应的功能模块。
本申请的一种呼吸信号质量评估方法,通过特征提取、阈值输入对呼吸信号进行三分类的信号质量评估,包括质量好、质量中等、质量差三类,对质量差的信号进行剔除,留取质量较好的数据段进行分析。
呼吸信号质量评估方法的流程如图1所示。
1、原始数据
监测的原始呼吸信号如图2所示,局部放大图如图3所示。由图1可知,连续监测的原始呼吸信号会出现质量不好的数据段,需要对其进行识别和剔除。
2、加窗拆分
以30秒的时间窗长度对呼吸信号进行分割,判断每个时间窗内呼吸信号的信号质量。
3、特征提取
(1)离群点的个数(num_outliers)
①样本x的长度为N,记为u(1),u(2),...,u(N);窗宽n=3*fs;
②重构(N-2*n)维向量X(n),X(2),...,X(N-n-1),其中X(i)=[u(i-n),u(i-n+1),...,u(i+n-1)];
③对于X(i),统计满足以下条件的样本个数;
(u(j)>mean(X(i))+3*std(X(i)))|(u(j)<mean(X(i))-3*std(X(i)));
④对于n≤i≤N-n-1,统计所有满足③条件的样本个数。
(2)baseline_r,baseline_b:对样本的基线进行线性回归拟合的得分和拟合系数
计算步骤:
①获取样本基线:加窗(窗宽为3*fs)求均值;
②线性回归拟合基线得到得分和系数;
(3)低于样本中值的峰值的个数(p_undermedian)
计算公式:p_undermedian=len(x[peak]<median(x))。
(4)峰值的个数(p_num)
计算公式:p_num=len(peak)。
(5)峰值的中值与样本最小值的差与样本极差的比值(p_median)
p_median=(median(x[peak])-min(x))/(max(x)-min(x))。
(6)峰值的四分之三位数与样本最小值的差与样本极差的比值(p_075)
p_075=(percentile(x[peak],75)-min(x))/(max(x)-min(x))。
(7)峰值的四分之一位数与样本最小值的差与样本极差的比值(p_025)
p_025=(percentile(x[peak],25)-min(x))/(max(x)-min(x))。
(8)峰峰间期的中值(pp_median)
pp_median=median(Δpeak)。
(9)峰峰间期的四分之三位数(pp_075)
pp_075=percentile(Δpeak,75)。
(10)峰峰间期的四分之一位数(pp_025)
pp_025=percentile(Δpeak,25)
(11)样本X的三阶标准矩阵(skewness)
(12)样本X的四阶标准矩阵(kurtosis)
(13)样本的相邻波峰之间片段的DTW相关性的中值(DTW_median)
计算步骤:
①样本x的长度为N,记为u(1),u(2),...,u(N);窗宽n=3*fs;
②重构(N-2)维向量X(1),X(2),...,X(N-2),其中X(i)=[u(i),u(i+1)];
③对于0≤i≤N-2,计算相邻X之间的DTW相关性X_DTW;
④计算所有X_DTW的中值。
(14)样本的相邻波峰之间片段的DTW相关性的四分之三位数(DTW_075)
DTW_075=percentile(X_DTW,75)。
(15)样本的相邻波峰之间片段的DTW相关性的四分之一位数(DTW_025)
DTW_025=percentile(X_DTW,25)。
(16)样本前3s数据的四分之三位数与四分之一位数的差值与极差的比值(h_3s)
h_3s=(percentile(x[0:s*fs],75)-percentile(x[0:s*fs],25))/(max(x)-min(x))。
(17)样本后3s数据的四分之三位数与四分之一位数的差值与极差的比值(t_3s)
t_3s=(percentile(x[-s*fs:],75)-percentile(x[-s*fs:],25))/(max(x)-min(x))。
4、模型的训练和评估
1)训练模型
训练模型的数据主要来源于课题组先期采集的病人和健康人数据,每例数据采集时长约为24小时,具体的模型训练过程如下:
·筛选10例人工认为质量比较高的信号数据,每2分钟抽取一个30秒的窗长呼吸信号数据,组成约7000个用作训练的数据集;
·抽取窗内信号特征,组成特征矩阵;
·训练模型,模型选择孤立森林模型,参数设置:n_estimators=2000,contamination=0.05。模型返回为-1~1的评分,反映信号质量的高低。
2)分类阈值的确定
为提升模型鲁棒性和实现将评分结果映射到三分类结果上去,我们设置分类的阈值L1,L2.为确定L1,L2数值,我们构建有标签的模型测试集。测试集包含2086个30s窗长的数据,由临床和生物医学工程学专家提前对数据的信号质量进行标注,标注结果为信号质量好(Good)、质量中等(Acceptable)、质量差(Unacceptable)。同时,我们测试模型在该测试集上的表现,定量得到测试结果,测试结果以混淆矩阵进行量化。具体的操作流程如下:
·对测试集2086个30s窗长的呼吸信号进行特征提取,组成特征矩阵;
·将特征矩阵输入到训练好的模型中,得到每个窗口数据的模型信号质量评分;
·L1,L2以模型评分最低值开始,以0.001步长进行阈值划分,当score≥L2时,判为类别1,信号质量好(Good),返回1;L2≤score≤L1,判为类别2,信号质量中等(Acceptable),返回2;score<L1,信号质量差(Unacceptable),返回3。得到模型的性能结果,以模型分类的准确度(Accuracy)进行评估。
·根据最佳的分类准确度,确定L1=-0.002,L2=0.042.
将标注的2086例数据作为验证集并进行特征提取输入模型中,确定阈值L1=-0.002,L2=0.042,模型评分结果与人工标注的标签进行对比,得到混淆矩阵,如表1所示,准确率达到81.06%。呼吸信号质量结果如图4所示。
表1验证集呼吸信号质量结果
准确率:81.06%
实例
王XX,男,176cm,53岁,将对其监测的呼吸信号进行特征提取并输入模型,得到信号质量评估结果如图5、图6所示。
本申请的基于孤立森林模型(Isolation Forest)的无监督呼吸信号质量评估方法和装置,通过加窗拆分进行特征提取,然后读入模型进行评分,依据评分结果对心电信号质量进行分类。本申请中:1、建模-调参-测试过程中所有数据均来自于真实世界,保证了专利算法很好的泛化性能和实用性;2、算法基础是无监督模型孤立森林,避免了大量的数据标注工作,模型灵活易于调整;3、应用结果表明该算法能有效区分呼吸信号质量级别,测试结果良好。
除非另有定义,本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的,而非限制性的。
虽然已结合具体实施方式对本发明进行了描述,在本申请的发明主旨下,本领域的技术人员可以进行适当的替换、修改和变化,这种替换、修改和变化仍属于本申请的保护范围。
Claims (10)
1.一种呼吸信号质量评估方法,其包括:
对待评估的呼吸信号进行加窗拆分,得到经分割的呼吸信号;
对该经分割的呼吸信号进行特征提取;
将所提取的特征值输入到经训练的呼吸信号质量评估模型中,得到分类得分score;
利用阈值L1、L2比较所述分类得分score,如果score>=L2,该呼吸信号判断为类别1,为信号质量好;如果L1≤score<L2,该呼吸信号判断为类别2,信号质量中等;如果score<L1,该呼吸信号判断为类别3,信号质量差。
2.根据权利要求1所述的呼吸信号质量评估方法,其特征在于:
所述经训练的呼吸信号质量评估模型为孤立森林模型。
3.根据权利要求1所述的呼吸信号质量评估方法,其特征在于:
所述加窗拆分为以30s的窗口长度对待评估的心电信号进行分割。
4.根据权利要求1所述的呼吸信号质量评估方法,其特征在于:
所述特征值包括:离群点个数、对样本的基线进行线性回归拟合的得分和拟合系数、低于样本中值的峰值的个数、峰值的个数、峰值的中值与样本最小值的差与样本极差的比值、峰值的四分之三位数与样本最小值的差与样本极差的比值、峰值的四分之一位数与样本最小值的差与样本极差的比值、峰峰间期的中值、峰峰间期的四分之三位数、峰峰间期的四分之一位数、样本X的三阶标准矩阵、样本X的四阶标准矩阵、样本的相邻波峰之间片段的DTW相关性的中值、样本的相邻波峰之间片段的DTW相关性的四分之三位数、样本的相邻波峰之间片段的DTW相关性的四分之一位数、样本前3s数据的四分之三位数与四分之一位数的差值与极差的比值、样本后3s数据的四分之三位数与四分之一位数的差值与极差的比值,其中样本X取自经分割的呼吸信号。
5.根据权利要求4所述的呼吸信号质量评估方法,其特征在于:
提离群点个数的提取和计算步骤如下:
①样本X的长度为N,记为u(1),u(2),...,u(N);窗宽n=3*fs;
②重构(N-2*n)维向量X(n),X(2),...,X(N-n-1),其中X(i)=[u(i-n),u(i-n+1),...,u(i+n-1)];
③对于X(i),统计满足以下条件的样本个数;
(u(j)>mean(X(i))+3*std(X(i)))|(u(j)<mean(X(i))-3*std(X(i)));
④统计样本X中所有满足③条件的采样点的个数。
8.根据权利要求4所述的呼吸信号质量评估方法,其特征在于:
样本的相邻波峰之间片段的DTW相关性的中值的计算方法如下:
①样本X的长度为N,记为u(1),u(2),...,u(N);窗宽n=3*fs;
②重构(N-2)维向量X(1),X(2),...,X(N-2),其中X(i)=[u(i),u(i+1)];
③对于0≤i≤N-2,计算相邻X之间的DTW相关性X_DTW;
④计算所有X_DTW的中值,即为样本的相邻波峰之间片段的DTW相关性的中值。
9.根据权利要求4所述的呼吸信号质量评估方法,其特征在于:
样本前3s数据的四分之三位数与四分之一位数的差值与极差的比值的计算方法如下:
h_3s=(percentile(x[0:s*fs],75)-percentile(x[0:s*fs],25))/(max(x)-min(x)),s为选取的窗长,s=3,fs为呼吸信号采样频率,fs=25Hz;其中h_3s为样本前3s数据的四分之三位数与四分之一位数的差值与极差的比值。
10.根据权利要求4所述的呼吸信号质量评估方法,其特征在于:
样本后3s数据的四分之三位数与四分之一位数的差值与极差的比值的计算方法如下:
t_3s=(percentile(x[-s*fs:],75)-percentile(x[-s*fs:],25))/(max(x)-min(x)),s为选取的窗长,s=3,fs为呼吸信号采样频率,fs=25Hz;其中t_3s表示样本后3s数据的四分之三位数与四分之一位数的差值与极差的比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110167675.5A CN112971762B (zh) | 2021-02-07 | 2021-02-07 | 呼吸信号质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110167675.5A CN112971762B (zh) | 2021-02-07 | 2021-02-07 | 呼吸信号质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112971762A true CN112971762A (zh) | 2021-06-18 |
CN112971762B CN112971762B (zh) | 2023-04-18 |
Family
ID=76348797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110167675.5A Active CN112971762B (zh) | 2021-02-07 | 2021-02-07 | 呼吸信号质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112971762B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114403847A (zh) * | 2021-12-17 | 2022-04-29 | 中南民族大学 | 基于腹部和肺部数据相关性的呼吸状态检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270264A (zh) * | 2010-06-04 | 2011-12-07 | 中国科学院深圳先进技术研究院 | 生理信号质量评估系统及方法 |
WO2013036718A1 (en) * | 2011-09-08 | 2013-03-14 | Isis Innovation Ltd. | Determining acceptability of physiological signals |
CN108011782A (zh) * | 2017-12-06 | 2018-05-08 | 北京百度网讯科技有限公司 | 用于推送告警信息的方法和装置 |
CN108836314A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种基于网络和人工智能的动态心电图分析方法及系统 |
CN108877949A (zh) * | 2018-06-11 | 2018-11-23 | 吉林大学 | 基于孤立森林算法和投票机制的唐氏综合症筛查方法 |
CN110013247A (zh) * | 2019-05-24 | 2019-07-16 | 东北大学 | 一种心电图p波和t波的检测、区分与定位方法 |
US20200205687A1 (en) * | 2017-09-21 | 2020-07-02 | Koninklijke Philips N.V. | Detecting atrial fibrillation using short single-lead ecg recordings |
WO2020140678A1 (zh) * | 2019-01-04 | 2020-07-09 | 深圳壹账通智能科技有限公司 | 异常申请检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-02-07 CN CN202110167675.5A patent/CN112971762B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270264A (zh) * | 2010-06-04 | 2011-12-07 | 中国科学院深圳先进技术研究院 | 生理信号质量评估系统及方法 |
WO2013036718A1 (en) * | 2011-09-08 | 2013-03-14 | Isis Innovation Ltd. | Determining acceptability of physiological signals |
US20200205687A1 (en) * | 2017-09-21 | 2020-07-02 | Koninklijke Philips N.V. | Detecting atrial fibrillation using short single-lead ecg recordings |
CN108011782A (zh) * | 2017-12-06 | 2018-05-08 | 北京百度网讯科技有限公司 | 用于推送告警信息的方法和装置 |
CN108877949A (zh) * | 2018-06-11 | 2018-11-23 | 吉林大学 | 基于孤立森林算法和投票机制的唐氏综合症筛查方法 |
CN108836314A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种基于网络和人工智能的动态心电图分析方法及系统 |
WO2020140678A1 (zh) * | 2019-01-04 | 2020-07-09 | 深圳壹账通智能科技有限公司 | 异常申请检测方法、装置、计算机设备和存储介质 |
CN110013247A (zh) * | 2019-05-24 | 2019-07-16 | 东北大学 | 一种心电图p波和t波的检测、区分与定位方法 |
Non-Patent Citations (5)
Title |
---|
HAORAN XU ET AL: "Assessing Electrocardiogram and Respiratory Signal Quality of a Wearable Device (SensEcho): Semisupervised Machine Learning-Based Validation Study", 《JMIR MHEALTH AND UHEALTH》 * |
YATAO ZHANG ET AL: "Comparing the Performance of Random Forest, SVM and Their Variants for ECG Quality Assessment Combined with Nonlinear Features", 《JOURNAL OF MEDICAL AND BIOLOGICAL ENGINEERING》 * |
汪新坤等: "基于iForest与KDE的雷达目标最优距离门估计", 《导航定位学报》 * |
韩宁等: "穿戴式随行监护系统心电信号质量评价研究", 《生物医学工程学杂志》 * |
黄体浩等: "遗传算法优化的BP神经网络拷贝数变异检测", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114403847A (zh) * | 2021-12-17 | 2022-04-29 | 中南民族大学 | 基于腹部和肺部数据相关性的呼吸状态检测方法及系统 |
CN114403847B (zh) * | 2021-12-17 | 2022-11-11 | 中南民族大学 | 基于腹部和肺部数据相关性的呼吸状态检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112971762B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11315687B2 (en) | Method and apparatus for training and evaluating artificial neural networks used to determine lung pathology | |
Altan et al. | Deep learning with 3D-second order difference plot on respiratory sounds | |
Papadaniil et al. | Efficient heart sound segmentation and extraction using ensemble empirical mode decomposition and kurtosis features | |
Sankur et al. | Comparison of AR-based algorithms for respiratory sounds classification | |
Delgado-Trejos et al. | Digital auscultation analysis for heart murmur detection | |
US11712198B2 (en) | Estimation of sleep quality parameters from whole night audio analysis | |
US11304624B2 (en) | Method and apparatus for performing dynamic respiratory classification and analysis for detecting wheeze particles and sources | |
Jin et al. | New approaches for spectro-temporal feature extraction with applications to respiratory sound classification | |
KR20140142330A (ko) | 환자 소리들을 처리하기 위한 방법 및 장치 | |
US11529072B2 (en) | Method and apparatus for performing dynamic respiratory classification and tracking of wheeze and crackle | |
JP7197922B2 (ja) | 機械学習装置、解析装置、機械学習方法および解析方法 | |
US20200365271A1 (en) | Method for predicting sleep apnea from neural networks | |
Dokur | Respiratory sound classification by using an incremental supervised neural network | |
Bhoi et al. | Multidimensional analytical study of heart sounds: A review | |
Wu et al. | Investigating into segmentation methods for diagnosis of respiratory diseases using adventitious respiratory sounds | |
CN112971762B (zh) | 呼吸信号质量评估方法 | |
Hajipour et al. | Regularized logistic regression for obstructive sleep apnea screening during wakefulness using daytime tracheal breathing sounds and anthropometric information | |
Argha et al. | Blood pressure estimation from korotkoff sound signals using an end-to-end deep-learning-based algorithm | |
US20210090734A1 (en) | System, device and method for detection of valvular heart disorders | |
Ghaemmaghami et al. | Normal probability testing of snore signals for diagnosis of obstructive sleep apnea | |
WO2021253125A1 (en) | Systems and methods for screening obstructive sleep apnea during wakefulness using anthropometric information and tracheal breathing sounds | |
Sofwan et al. | Normal and murmur heart sound classification using linear predictive coding and k-Nearest neighbor methods | |
Hussain et al. | Deep learning based phonocardiogram signals analysis for cardiovascular abnormalities detection | |
Deng et al. | Decision tree based sleep stage estimation from nocturnal audio signals | |
Pal | A novel method for automatic separation of pulmonary crackles from normal breath sounds |
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 |