CN112971770A - 一种心冲击信号质量控制处理方法及系统 - Google Patents
一种心冲击信号质量控制处理方法及系统 Download PDFInfo
- Publication number
- CN112971770A CN112971770A CN202110185465.9A CN202110185465A CN112971770A CN 112971770 A CN112971770 A CN 112971770A CN 202110185465 A CN202110185465 A CN 202110185465A CN 112971770 A CN112971770 A CN 112971770A
- Authority
- CN
- China
- Prior art keywords
- signal
- subspace
- feature vector
- principal component
- unit
- 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- 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
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种心冲击信号质量控制处理方法及系统,该方法包括:根据预设信号单元长度,将初始心冲击信号划分为多个单元信号,并对每个单元信号进行多维特征提取,获取多维特征向量;根据训练好的主成分特征向量矩阵,对多维特征向量进行重构,得到多维特征向量的重构特征向量;根据主成分分析法和重构特征向量,获取子空间统计量;根据上控制限阈值,基于子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到初始心冲击信号的信号质量评估结果,上控制限阈值是由置信区间和样本心冲击信号数据构建得到的。本发明通过对信号质量控制的规范化处理,提高了数据的可靠性,具备较强的普适性和环境抗干扰能力。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种心冲击信号质量控制处理方法及系统。
背景技术
血液循环的心冲击(Ballistocardiogram,简称BCG)信号是由心房泵血产生与脉搏周期、心跳周期具有一致性的信号,在主动健康设备中常替代心电(ECG)信号用于检测人体的心率变化。与通过贴片电极测量心肌的肌电信号不同,BCG信号是采集人体微弱的震动信号。以微动床垫为例,压电陶瓷传感器均匀分布在床垫上,当外部力矩发生变化时,通过改变压电陶瓷内部电磁场,从而产生电压用于测量与感知动态应力。
BCG信号与ECG信号相比,虽然大大降低了测试与设备要求,无需电极与肌肤保持紧密接触,但BCG信号受到的噪声干扰远大于ECG信号。在微动床垫测试过程中,只有部分传感器与测试者紧密贴合能采集到相对稳定的数据,其余传感器中则以高频噪声或体动噪声为主。由于测试者整晚上会出现不同程度的翻动,改变睡姿从而影响传感器上的受力分布,外加不同测试者体征不同,设备之间、传感器之间参数差异等诸多因素,导致实际传感器上的信号有大量数据极不稳定。并且不同路数据,不同设备,以及不同测试人群的数据情况有较大差异,导致无法统计出普遍规律。
目前的主动健康算法,主要选取BCG各路信号中能量最大的段落进行整合,该方法虽然筛去了大部分的高频噪声信号,但体动造成运动伪影的能量要远大于正常信号,所以该算法合成的信号会引入大量低频的运用伪影,忽视了对BCG信号质量的控制。另一种常规信号质量的控制方法采用阈值统计加人工经验处理,以经典的微动敏感床垫睡眠监测系统(Micro-movement Sensitive Mattress Sleep Monitoring System,简称MSMSMS)为例,该系统的信号质量控制是基于大量数据的经验归纳,涉及较大的设备,且数据存在局限性,因而该方法不具备普适性。
因此,现在亟需一种心冲击信号质量控制处理方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题,本发明提供一种心冲击信号质量控制处理方法及系统。
本发明提供一种心冲击信号质量控制处理方法,包括:
根据预设信号单元长度,将初始心冲击信号划分为多个单元信号,并对每个单元信号进行多维特征提取,获取多维特征向量;
根据训练好的主成分特征向量矩阵,对所述多维特征向量进行重构,得到所述多维特征向量的重构特征向量;
根据主成分分析法和所述重构特征向量,获取子空间统计量;
根据上控制限阈值,基于所述子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到所述初始心冲击信号的信号质量评估结果,所述上控制限阈值是由置信区间和样本心冲击信号数据构建得到的。
根据本发明提供的一种心冲击信号质量控制处理方法,所述对每个单元信号进行多维特征提取,获取多维特征向量,包括:
对每个单元信号进行近似熵特征提取,得到近似熵特征,所述近似熵特征包括呼吸频段近似熵特征和脉搏频段近似熵特征;
对每个单元信号进行能量熵特征提取,得到能量熵占比特征,所述能量熵占比特征包括高频脉搏包络能量熵占比特征和低频呼吸能量熵占比特征;
根据所述近似熵特征和所述能量熵占比特征,获取多维特征向量。
根据本发明提供的一种心冲击信号质量控制处理方法,在所述根据训练好的主成分特征向量矩阵,对所述多维特征向量进行重构,得到所述多维特征向量的重构特征之前,所述方法还包括:
获取样本单元信号,并对样本信号进行多维特征提取,得到样本多维特征向量;
基于主成分分析法,根据所述样本多维特征向量进行训练,获取训练好的主成分特征向量矩阵。
根据本发明提供的一种心冲击信号质量控制处理方法,所述根据预设信号单元长度,将初始心冲击信号划分为多个单元信号,包括:
根据预设信号单元长度,将初始心冲击信号按照单位时间进行分帧,获取多个单元信号,其中,所述预设信号单元长度为10秒或12秒。
根据本发明提供的一种心冲击信号质量控制处理方法,所述根据主成分分析法和所述重构特征向量,获取子空间统计量,包括:
根据主成分分析法,将所述重构特征向量投影到2个子空间,得到主成分子空间和残差子空间;
根据子空间统计量公式,计算所述主成分子空间的统计量和残差子空间的统计量,得到子空间统计量。
根据本发明提供的一种心冲击信号质量控制处理方法,所述根据上控制限阈值,基于所述子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到所述初始心冲击信号的信号质量评估结果,所述上控制限阈值是由置信区间和样本心冲击信号数据构建得到的,包括:
根据上控制限阈值,对所述子空间统计量进行判断,所述上控制限阈值包括主成分子空间上控制限阈值和残差子空间上控制限阈值;
若所述主成分子空间的统计量大于所述主成分子空间上控制限阈值,则判断获知所述初始心冲击信号中对应的单元信号为异常单元信号;或者,若所述残差子空间的统计量大于所述残差子空间上控制限阈值,则判断获知所述初始心冲击信号中对应的单元信号为异常单元信号;
获取异常单元信号在所述初始心冲击信号中的异常占比,并根据所述异常占比和预设阈值,得到初始心冲击信号的信号质量评估结果。
根据本发明提供的一种心冲击信号质量控制处理方法,所述子空间统计量公式包括:
其中,Q表示残差子空间的统计量,T2表示主成分子空间的统计量,xij表示初始特征向量,表示重构的特征向量,Xei表示重构误差,表示主成分的协方差矩阵,t表示采样信号主成分的得分向量,n表示用于建模的样本数;F(k,-k)表示第一自由度为k,第二自由度为n-k的F分布;表示主成分子空间T2所在控制图中的上控制限,LQ表示残差子空间的统计量Q所在控制图中的上控制限,α表示子空间的统计量所在控制图的置信度,θ1表示损失特征值的和,θ2表示损失特征值的平方和,θ3表示损失特征的三次方和,λi表示特征值,za表示正态分布的(1-α)%的置信极限。
本发明还提供一种心冲击信号质量控制处理系统,包括:
多维特征向量获取模块,用于根据预设信号单元长度,将初始心冲击信号划分为多个单元信号,并对每个单元信号进行多维特征提取,获取多维特征向量;
特征重构模块,用于根据训练好的主成分特征向量矩阵,对所述多维特征向量进行重构,得到所述多维特征向量的重构特征向量;
子空间统计量获取模块,用于根据主成分分析法和所述重构特征向量,获取子空间统计量;
目标信号质量评估模块,用于根据上控制限阈值,基于所述子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到所述初始心冲击信号的信号质量评估结果,所述上控制限阈值是由置信区间和样本心冲击信号数据构建得到的。
本发明还提供一种电子设备,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程序时实现如上述任一种所述心冲击信号质量控制处理方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述心冲击信号质量控制处理方法的步骤。
本发明提供的心冲击信号质量控制处理方法及系统,通过将初始心冲击信号划分为单元信号,提取多维特征向量,根据训练好的主成分特征向量矩阵,获取多维特征向量的重构特征向量;根据主成分分析法和重构特征向量,得到子空间统计量,根据子空间统计量和上控制限阈值,对单元信号质量进行判断,得到所述初始心冲击信号的信号质量评估结果。通过对心冲击信号质量控制的规范化处理,提高了数据的可靠性,具备较强的普适性和环境抗干扰能力。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的心冲击信号质量控制处理方法的流程示意图;
图2为本发明提供的心冲击信号质量控制处理方法中的统计量T2控制以及上控制限的数据分析图;
图3为本发明提供的心冲击信号质量控制处理方法中的统计量Q控制以及上控制限的数据分析图;
图4为本发明提供的心冲击信号质量控制处理方法针对20分钟实际信号的信号质量评估结果;
图5为本发明提供的心冲击信号质量控制处理方法在实际应用过程的系统详细框架图;
图6为现有技术提供的按最大能量选路得到的合成信号示意图;
图7为本发明提供的心冲击信号质量控制处理方法中按最佳信号质量选路得到的合成信号;
图8为本发明提供的心冲击信号质量控制处理系统的结构示意图;
图9为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明提供的心冲击信号质量控制处理方法的流程示意图,参考图1,本发明提供了一种心冲击信号质量控制处理方法,包括:
步骤101,根据预设信号单元长度,将初始心冲击信号划分为多个单元信号,并对每个单元信号进行多维特征提取,获取多维特征向量;
步骤102,根据训练好的主成分特征向量,对所述多维特征向量进行重构,得到所述多维特征向量的重构特征向量;
步骤103,根据主成分分析法和所述重构特征向量,获取子空间统计量;
步骤104,根据上控制限阈值,基于所述子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到所述初始心冲击信号的信号质量评估结果,所述上控制限阈值是由置信区间和样本心冲击信号数据构建得到的。
在本发明中,采集到的原始混合BCG信号里面除了包含有心跳、呼吸、脉搏等有用的信号成分,同时也包含有大量的硬件噪声、信号伪差、体动和其它无用的人体信号干扰。原始混合BCG信号各个频段对应的医学意义以及小波分解对应的生理学意义如表格1所示。
表1
对于混合BCG信号中,只有固定频段信号中的呼吸信号和脉搏信号中包含有效信息,所以需要先将有效信息所处频段做大致分离。依据采集到的BCG心冲击混合信号所对应的医学中人体生理参数意义,将混合信号分解为对应于人体呼吸产生的胸腹运动和人体心搏产生的脉搏运动两个频段的信号,将有效信息所处的脉搏与呼吸频段信号从心冲击混合信号分离,获取初始心冲击频段信号。
其中,混合BCG信号的有效信息即为BCG混合信号中0.1Hz~0.4Hz呼吸频段中的呼吸波分量,以及5Hz~15Hz脉搏频段中包络中的心跳周期。
进一步地,步骤101中,为了将信号量化评估的同时,也能保障后续单元长度信号特征的可行性,需将每个单元信号按照预设的信号单元长度进行完整的划分,将初始心冲击信号划分为多个单元信号。对单元信号从周期稳定性(近似熵)、能量结构(能量熵、小波分解不同系数能量占比)两方面提取用于反映单元信号的信号质量特征,获取多维特征向量。
其中,预设信号单元长度包括10秒或12秒。
其中,近似熵(Approximate Entropy,简称ApEn)是一种用于量化时间序列波动的规律性和不可预测性的非线性动力学参数,它用一个非负数来表示一个时间序列的复杂性,反映了时间序列中新信息发生的可能性,信号周期性越好,近似熵值越小。
其中,能量熵与波分解不同系数能量占比特征能反映信号频谱结构特征。
进一步地,步骤102中,在信号质量正常的频段段落中,选取单元信号的多维特征向量,并得到原始特征矩阵,根据原始特征矩阵求解主成分特征值和贡献率(TotalVariance Explained),从而得到训练好的主成分特征向量矩阵。以训练好的主成分特征向量矩阵为模板,对多维特征向量按照训练好的矩阵的特征值大小进行组合重构,得到多维特征向量的重构特征向量。
其中,主成分表示采用主成分分析法,通过正交变换,将一组可能存在相关性的变量转换为一组线性不相关的变量。
其中,贡献率表示某一主成分对应的特征值在协方差矩阵的全部特征值之和中所占的比重,这个比值越大,说明该主成分综合原指标信息的能力越强。
进一步地,步骤103中,根据主成分分析法,建立正交坐标系,将重构特征向量投影到子空间,通过采集到的质量未知的新信号特征向量和重构特征向量的误差计算,得到子空间的统计量。
其中,主成分分析法是一种统计方法,主成分分析法的思想是将n维特征映射到k维上(k<n),这k维是全新的正交特征。这k维特征称为主成分,是重新构造出来的k维特征,而不是简单地从n维特征中去除其余n-k维特征。
进一步地,步骤104中,根据置信区间和样本心冲击信号数据,得到上控制限阈值,其中,上控制限阈值是基于需求的置信区间,假设样本心冲击信号数据在服从F分布的阈值情况时,对阈值区域估计得到的;然后对子空间统计量进行判断,如果采集到的新信号特征出现异常,则会导致子空间统计量值出现异常,超出上控制限阈值,以此来判断区分单元信号的质量标签,通过对单元信号进行信号质量的筛选,根据筛选判断的结果,得到目标心冲击信号。
本发明提供的一种心冲击信号质量控制处理方法,通过根据预设信号单元长度,将初始心冲击信号划分为多个单元信号,并对每个单元信号进行多维特征提取,获取多维特征向量;根据训练好的主成分特征向量矩阵,对多维特征向量进行重构,得到多维特征向量的重构特征向量;根据主成分分析法和重构特征向量,获取子空间统计量;根据上控制限阈值,基于子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到初始心冲击信号的信号质量评估结果,所述上控制限阈值是由置信区间和样本心冲击信号数据构建得到的。通过对心冲击信号质量控制的规范化处理,提高了数据的可靠性,具备较强的普适性和环境抗干扰能力。
在上述实施例的基础上,所述对每个单元信号进行多维特征提取,获取多维特征向量,包括:
对每个单元信号进行近似熵特征提取,得到近似熵特征,所述近似熵特征包括呼吸频段近似熵特征和脉搏频段近似熵特征;
对每个单元信号进行能量熵特征提取,得到能量熵占比特征,所述能量占比特征包括高频脉搏包络能量熵占比特征和低频呼吸能量熵占比特征;
根据所述近似熵特征和所述能量熵占比特征,获取多维特征向量。
近似熵在低维度混沌系统具有良好的表现,在实际应用中相比K-S熵,E-R熵对噪声要求较高,一旦有少量噪声熵值,就会趋于无穷,近似熵对数据长度以及噪声的容忍度高,在不同的噪声环境下近似熵也能具有明显的区分度。
具体地,由于非线性系统的相位空间维度很高,直接从时间序列时域观察不充分,多数情况将其扩展到三维或者更高维度的空间以便将时序中蕴藏的信息充分显露,构造新的嵌入维m,通常采用延迟坐标状态空间重构法(m维重构混沌动力系统)。
进一步地,设原始信号等间隔采样得到序列长度N的采样数据X={x1,x2,…xN},定义嵌入维度为m(延迟维度),重构的相空间Y={y1,y2,y3,…yN-m+1},相位空间Y的维度为m,其中yi=[xi,xi+1,…xi+m-1]。
在Y空间里计算矢量yi与Y空间里其余矢量yj之前的距离。
定义Y空间里的距离计算公式:
d[yi,yj]=max|x(i+k)-x(j+k)|k=1,2,…m-1;
其中,矢量距离由对应向量的最大元素差值决定,j的取值范围为[1,N-m+1],包括j=i。
近似熵(ApEn)的定义为关于关联维度的梯度下降速率,具体公式为:
ApEn=Φm(r)-Φm+1(r);
其中,Φm+1(r)表示为关联维m+1、相似度阈值r下重构的相空间的关系性指数。
可选地,对每个单元信号进行近似熵特征提取,近似熵特征包括呼吸频段近似熵特征和脉搏频段近似熵特征。
能量熵特征与能量占比特征能反映信号频谱结构特征,如表1所示,采集的BCG信号分布在其中2个主要的子频段,分别对应着基线信号和脉搏低频包络信号。
具体地,根据实验特征提取需求,对信号每10s做一次分帧,利用小波分解对每帧信号的能量分解。设一帧10s采样率为100Hz的心电频段信号为x(n),对该心电频段信号用db4小波函数进行9层小波包分解。根据采样定律,原始信号的频率识别最高为50hz,得到各小波系数的子频率范围,选取其中第7~9层作为呼吸能量所在层数,第3层为BCG脉搏信号主要能量所在层数。
小波重构公式为:
am-1=H*·am+G*·am;
am=G·am-1;
dm=H·am-1;
其中,am表示(重构系数)低频系数,G表示由小波基确定的低通滤波器,dm表示(高频系数)细节系数,H表示由小波基确定的高通滤波器,H*表示滤波器H的共轭矩阵,G*表示滤波器G的共轭矩阵,a0=(x1,x2,x3…xn)表示原始信号第0级,m表示当前级数。
进一步地,设定处理的单元信号长度,例如可以设定为12秒,原始采样点共计1200个,每经过一次向下的小波分解,信号输出长度、系数矩阵的长度、滤波器的长度都会减半,为了保持小波变化后输出的长度不变,所以每做一次低频系数和高频细节系数分解后都要对输出的重构系数、细节系数做2倍的上采样,同样也对G高通滤波器和H低通滤波器做上采样。通过小波分解得到小波重构系数,每一级小波基的时间尺度加倍,重构系数的频率分辨率减半,从而达到将信号时频域进行分解。
第j层的小波重构系数公式为:
第j层的小波细节系数公式为:
其中,j表示当前所处的小波层数,j≤6;dj(k)表示第j层小波重构序,aj(k)表示j层小波细节序列,表示第j-1层以db4为小波基构造的重构滤波器(低频滤波器),表示第j-1层以db4为小波基构造的细节滤波器(高频滤波器)。
计算第j层小波信号的能量熵Ej:
Ej=∑k|dj(k)|2;
每一层小波重构系数都可以继续分解,可分解为下一层的重构系数和细节系数,总能量是最后一层的重构系数和1-9层的细节系数还原,总能量表达式为:
由此,可以得到各层小波分解的能量熵占比情况:
可选地,能量熵占比特征包括高频脉搏包络能量熵占比特征和低频呼吸能量熵占比特征。
根据有效信号可能所处的9、8、7层数和第3层数,通过提取有效信号,尤其是呼吸信号占比整体的特征,来体现信号的信噪比情况。同时,计算呼吸与心跳包络之间的能量比值特征,在稳定的正常信号中,两者的能量级数趋于稳定,在混合信号中的占比也不会有巨大差距。
需要说明的是,可选取呼吸频段和脉搏频段这两个频段中有效信号信噪比的程度来判别信号质量,由于直接计算有效信号来估计信噪比难度较大,所以采用能反映信噪比程度的相关特征判别信号质量。在外界干扰较小的情况下,混合BCG信号中有效生理周期信号的功率的数量级稳定基本不变,且不同生理信号之间的能量结构相对稳定,也即是信号中各生理频段的能量占比和能量熵趋于稳定。同时,在外界干扰较小的情况下,BCG信号中的有效信号,即心率周期信号与呼吸周期信号根据人体实际情况呼吸频率在±0.1Hz范围,心跳周期在±0.2Hz范围内变化的信号。因此,在外界干扰较小的情况下,从混合BCG信号分离的呼吸信号与心跳信号的时间序列复杂性趋于固定(只在小范围内变化)周期性规律,通过近似熵反映信号的周期稳定性,且近似熵特征(ApEn)越小,信号周期性越好,受到的外界干扰越小。
进一步地,对单元信号提取近似熵特征和能量熵特征,结合了BCG混合信号的医学能量结构特性与信号周期稳定性的熵特性,获取反应单元信号质量的多维特征向量,解决了不同测试场景以及不同测试群体信号时域上的波形差异。
可选地,采用显著性分析法来检测科学实验中的实验组与对照组之间是否有差异,以及差异是否显著。为了检验提取的特征与信号质量两者之间是否存在差异性,利用SPSS软件分析提取BCG信号的多维特征与2组BCG信号质量标签之间的显著性关系,具体特征显著性关系见统计表2。
表2
对多维特征进行筛选后,特征之间的相关性矩阵见表3。
表3
随机抽取样本构成测试组1和测试组2,将提取的各维特征作为实验组,专家的质量标签作为对照组,检验各维信号特征与其专家的质量标签的显著程度。置信区间一般设为5%或者1%,通过测试组1与测试组2中提取特征显著性分析可得到呼吸数据扩展维度2下的近似熵特征、高频脉搏包络分解系数能量占比和低频呼吸分解系数能量占比。若脉搏数据扩展维度2下的近似熵特征与专家质量标签的显著性小于0.01,说明这三个特征与信号质量之间具有极强的显著性关系;若信号中异常点占比的特征与信号质量标签的显著性大于0.01小于0.05,说明该特征与信号质量之间具有显著性关系,而脉搏数据扩展维度3下的近似熵特征、低频呼吸分解系数能量占比特征与信号质量标签的显著性大于0.05,则属于无显著性关系。
利用统计产品与服务解决方案的软件(SPSS)工具,进行单元信号的信号特征与专家给出质量评价结果的显著性分析,用于判别提取的特征能否影响信号质量的判别。
在上述实施例的基础上,在所述根据训练好的主成分特征向量矩阵,对所述多维特征向量进行重构,得到所述多维特征向量的重构特征向量之前,所述方法还包括:
获取样本单元信号,并对样本信号进行多维特征提取,得到样本多维特征向量;
通过主成分分析法,对所述样本多维特征向量进行转换,获取主成分特征向量矩阵。
具体地,PCA主成分分析法的主要思想是将n维特征映射到k维上,建立k维全新的正交特征,即在原有n维特征的基础上重新构造k维特征,重新构造的k维特征也被称为主成分。通过主成分分析法,从原始的空间中依次选取一组相互正交的坐标轴,新的坐标轴的选择与数据本身是密切相关的。其中,第一个新坐标轴选择的是原始数据中方差最大的方向,第二个新坐标轴选取的是与第一个坐标轴正交的平面中使得方差最大的方向,第三个轴是与第1、2个轴正交的平面中方差最大的方向,依次类推,可以得到n个这样的坐标轴,但是后面的坐标轴所含的方差几乎为0。根据需求只保留前k个含有绝大部分方差的坐标轴。
初始提取的特征为:呼吸数据扩展维度2的近似熵特征向量o2,呼吸数据扩展维度3的近似熵特征向量o3,高低频能量比特征向量LHP,超低频能量比特征向量LP,脉搏数据扩展维度2的近似熵特征向量P2,脉搏数据扩展维度3的近似熵特征向量P3,异常点BP特征向量占比。其中,极显著特征为o2、LHP和P2,显著特征为BP,不显著特征为o3、P3和LP。为了建立一个新的多维特征用于反映原特征矩阵中有效特征向量之间的关系,只选取信号质量正常的样本下的有显著性的特征计算。
具体地,先获取采样数据,即获取信号质量正常的样本单元信号,从样本单元信号中选取其中4维具有显著性特征的特征向量,获取样本特征向量,得到特征矩阵Xp×n。其中,n为选取样本个数,p取值为4,p表示监控变量维度,所采用的样本都是信号质量正常样本,用于训练坐标基转化系数。
进一步地,计算特征矩阵Xp×n的协方差矩阵。协方差定义为两个变量的变动的同步程度,也就是度量两个变量线性相关性程度。
协方差公式表示为:
求取特征矩阵Xp×n的协方差C:
基于SVD奇异值分解,求解协方差矩阵C的特征值:
C=U∑VT;
其中,U与V均为n×n单位正交矩阵,∑为特征对角矩,特征值为∑对角线的值。
由特征值λ=(λ1,λ2…λp),求解C的特征向量矩阵公式为:
PCPT=∑;
其中,P=(t1,t2,…tp)。
特征值可以被看作成一个矩阵的代表值,特征值能够代表这个矩阵的信息。当特征值越大时,它代表的信息越多。因此,取前面若干个最大的特征值,即可基本还原出数据本身。
累计贡献率表示前k个主成分的特征值之和在全部特征值总和中所占的比重,这个比值越大,说明前k个主成分越能全面代表原始数据具有的信息。累计贡献率计算公式为:
其中,α表示累计贡献率阈值,k表示主成分的维度。
不同主成分的累计方差贡献率见表格4所示。
表4
可选地,累计贡献率阈值选取为0.90,根据累计贡献率计算公式得到k=3,将特征矩阵从4维降低为3维。
经过PCA主成分分析后,将原本p个具有信息重叠的特征向量转化为新坐标基下k个线性无关的新特征向量,并将以前不同特征不同当量转化为统一的综合评价体系。
在上述实施例的基础上,所述根据预设信号单元长度,将初始心冲击信号按照单位时间进行分帧,获取多个单元信号,其中,所述预设信号单元长度为10秒或12秒。
具体地,对信号质量的控制,即是对呼吸频段和脉搏频段生理信号的质量控制,对两个频段的信号按照单位时间长度进行分帧,每帧信号再进一步的细分,作为信号质量控制的最小单元。
可选地,选取预设信号单元长度为10秒或12秒。一方面,可以更好地将单位时间的信号进行完整的划分,此处单位时间不作具体限定,优选地,本发明按每分钟时间进行划分;另一方面,后续提取信号的特征集中在0.1Hz-0.4Hz的呼吸周期,以及频率集中在0.6Hz-2.5Hz心率周期对应的脉搏波包络信号。为了能体现至少2次呼吸完整周期,信号长度不应过短。如果信号过短,在进行小波分解以及滤波的处理时,容易发生信号的形变;而信号长度过长,则会大大增近加似熵和样本熵的计算量,同时失去量化的灵敏度。
在上述实施例的基础上,所述根据主成分分析法和所述重构特征向量,获取子空间统计量,包括:
根据主成分分析法,将所述重构特征向量投影到2个子空间,得到主成分子空间和残差子空间;
根据子空间统计量公式,计算所述主成分子空间的统计量和残差子空间的统计量,得到子空间统计量。
具体地,对于新的一组质量未知的信号的初始特征向量Xi=(xi1,xi2,…xip),获取主成分得分Ti=(ti1,ti2,…tim)。经过主成分分析后原始特征向量的成分得分系数矩阵如表5所示。
表5
Ti=XiZk;
其中,Ti为第i个测试样本样数据的得分向量。
通过信号的初始特征向量和重构特征向量,得到重构误差Xei,Xei表达式为:
进一步地,根据主成分分析法,将所述重构特征向量投影到2个子空间,得到主成分子空间和残差子空间。当信号质量正常,也即是新的主成分特征向量有效时,主成分子空间包含了过程正常运行的大部分信息,而残差子空间主要包含了过程的冗余信息、测量或环境噪声等信息。对信号的质量控制,也就是对这2个子空间中的统计量T2和Q的监控。
进一步地,根据主成分子空间统计量公式,计算主成分子空间的统计量,得到主成分子空间统计量。在信号质量正常情况下,对主成分子空间统计量求解公式为:
其中,T2表示主成分子空间的统计量,Λ表示主成分的协方差矩阵,t表示采样信号主成分的得分向量,n表示用于建模的样本数;F(k,n-k)表示第一自由度为k,第二自由度为n-k的F分布。
进一步地,根据残差子空间统计量公式,计算残差子空间的统计量,得到残差子空间统计量。定义预测误差平方和SPE(即Q统计量)公式为:
根据主成分分析法和所述重构特征,获取主成分子空间统计量和残差子空间统计量,便于实现对信号的质量控制。
在上述实施例的基础上,所述根据上控制限阈值,基于所述子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到所述初始心冲击信号的信号质量评估结果,所述上控制限阈值是由置信区间和样本心冲击信号数据构建得到的,包括:
根据上控制限阈值,对所述子空间统计量进行判断,所述子空间上控制限阈值包括主成分子空间上控制限阈值和残差子空间上控制限阈值;
若所述主成分子空间的统计量大于所述主成分子空间上控制限阈值,则判断获知所述初始心冲击信号中对应的单元信号为异常单元信号;或者,若所述残差子空间的统计量大于所述残差子空间上控制限阈值,则判断获知所述初始心冲击信号中对应的单元信号为异常单元信号;
获取异常单元信号在所述初始心冲击信号中的异常占比,并根据所述异常占比和预设阈值,得到初始心冲击信号的信号质量评估结果。
具体地,根据控制置信度得到主成分子空间上控制限阈值,然后对主成分子空间统计量进行判断。主成分子空间统计量T2的控制图的上控制限定义为:
进一步地,根据控制置信度得到残差子空间上控制限阈值,然后对残差子空间统计量进行判断。残差子空间统计量Q的控制图的上控制限定义为:
其中,LQ表示残差子空间的统计量Q所在控制图中的上控制限,α表示子空间的统计量所在控制图的置信度,θ1表示子空间统计量所在控制图的置信度,θ2表示表示损失特征值的平方和,θ3表示表示损失特征的三次方和,λi表示特征值,za表示正态分布的(1-α)%的置信极限。
图2为本发明提供的心冲击信号质量控制处理方法中的统计量T2控制以及上控制限的数据分析图。参考图2,图中实线表示的本发明实验组采用90%置信度所对应的上控制限,虚线为专家对照组采用95%置信度所对应的上控制限。若样本数据出现异常,则会导致重构特征向量与原始值较大差异,从而T2值出现异常,而超出其上控制限;即当主成分子空间的统计量大于主成分子空间上控制限阈值,判断初始心冲击信号中对应的单元信号为异常单元信号。
图3为本发明提供的心冲击信号质量控制处理方法中的统计量Q控制以及上控制限的数据分析图。参考图3,图中实线表示的本发明实验组采用90%置信度所对应的控制线,虚线为专家对照组采用95%置信度所对应的控制线。若样本数据出现异常,则会导致重构特征向量与原始值较大差异,从而误差平方和Q值出现异常,而超出其上控制限;即若残差子空间的统计量大于残差子空间上控制限阈值,则判断初始心冲击信号中对应的单元信号为异常单元信号。
进一步地,根据上述异常单元信号的判别结果,获取异常单元信号在初始心冲击信号中的异常占比,根据异常占比和预设阈值,得到初始心冲击信号的信号质量评估结果。当单位时间内异常单元数量小于等于预设阈值,则初始心冲击信号的信号质量较好;当单位时间内异常单元数量大于预设阈值,则初始心冲击信号的信号质量较差。
其中,预设阈值是根据统计专家质量标签对照组中单元信号异常的占比,得到专家对照组划分数据异常的判别阈值,例如,在对每分钟的心冲击信号进行信号质量评估时,预设阈值为2。需要说明的是,针对不同的单位时长,选取的预设阈值也会不同,本发明对此不作具体限定。
图4为本发明提供的心冲击信号质量控制处理方法针对20分钟实际信号的信号质量评估结果。参考图4,按每分钟进行一次评估,在前20分钟内,信号无明显异常波动,由此推出前20分钟的单元信号质量较好;超过20分钟的一段时间内,信号出现多次异常波动,由此判断该段时间对应的单元信号质量较差。根据单元信号的异常数据占比,对单元信号进行信号质量的筛选,得到每个单元长度信号的质量评估以及质量评估结果的分布。
在上述实施例的基础上,根据单元信号质量分布与专家数据库信号质量标签进行对比统计,当每分钟信号里有2个以上的信号单元为异常时,判断此段信号的信号质量较差。
其中,医学中对生理信号质量的评价,主要依据信号中异常数据的占比,以及信号中噪声的干扰程度对一段相对较长(1分钟到几分钟不等)的数据进行综合的判别。如果信号长度一致情况下,异常的信号单元越多,则信号质量越差。
在上述实施例的基础上,信号质量控制的运用涉及多路信号的合成与信号处理的优化两个方面。在睡眠BCG信号的监测过程中,测试者夜间的活动极大的影响了各个传感器的数据采集情况,为了实时获取有效生理参数,需要将多路传感器的数据进行合成。
图5为本发明提供的心冲击信号质量控制处理方法在实际应用过程的系统详细框架图。如图5所示,在本发明中,从原始的BCG信号中通过FRI滤波器提取呼吸频段信号和脉搏频段信号,然后从呼吸频段与脉搏频段中提取不同级数的小波分解能量占比、能量熵、近似熵、样本熵等特征代替信噪比,并用于评估信号的质量;为解决异常数据占比的定量性分析,对两个频段的信号按照单位时间长度进行分帧,将每帧信号拆分为以12秒或10秒为单元的基础信号单元,通过对单元长度信号的质量判别以及质量判别结果的分布,实现对信号中异常数据占比的分析;基于累积变量贡献率的MSPC异常识别方法,量化了信号的质量情况;基于主成分分析(PCA)的多元统计过程控制方法监测特征变量,从而达到控制信号质量的方法。
在本发明中,通过对BCG信号质量控制的规范性处理方法,一方面可以筛选出各路传感器上数据质量较好的段落,通过多路数据的合成可以得到一个段连续完整具有生理信息的数据。另一方面,信号质量控制可以定性的分析数据质量,针对不同信号质量状况针对性地设计不同的信号处理方案,从而增强算法的适应能力,优化算法的结构,同时还能防止异常数据污染正常信号部分。
图6为现有技术提供的按最大能量选路得到的合成信号示意图。对于多路数据的合成,常规方法也只是选取各路信号中能量最大的段落进行整合。如图6所示,按最大能量选路法虽然筛去了大部分的高频噪声信号,但体动造成运动伪影的能量要远大于正常信号,所以该算法合成的信号会引入大量低频的运用伪影。
图7为本发明提供的心冲击信号质量控制处理方法中按最佳信号质量选路得到的合成信号。本发明依据数据质量的情况,每隔2-5分钟进行一次换路选择,选择的依据是挑选信号质量相对最好的一路,即挑选目标心冲击信号最显著的信号对应的一路。如图7所示,采用本发明的心冲击信号质量控制处理方法,获取目标心冲击信号,根据最佳信号质量选路,大大缓解了以运动伪影为主的大幅度噪声,提高了数据的可靠性。
图8为本发明提供的心冲击信号质量控制处理系统的结构示意图,如图8所示,本发明提供了一种心冲击信号质量控制处理系统,包括多维特征向量获取模块801、特征重构模块802、子空间统计量获取模块803和目标信号质量评估模块804,其中,多维特征向量获取模块801用于根据预设信号单元长度,将初始心冲击信号划分为多个单元信号,并对每个单元信号进行多维特征提取,获取多维特征向量;特征重构模块802用于根据训练好的主成分特征向量矩阵,对所述多维特征向量进行重构,得到所述多维特征向量的重构特征向量;子空间统计量模块803用于根据主成分分析法和所述重构特征向量,获取子空间统计量;目标信号质量评估模块804用于根据上控制限阈值,基于所述子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到所述初始心冲击信号的信号质量评估结果,所述上控制限阈值是由置信区间和样本心冲击信号数据构建得到的。
本发明提供的心冲击信号质量控制处理系统,通过将初始心冲击信号划分为单元信号,提取多维特征向量,根据训练好的主成分特征向量矩阵,获取多维特征向量的重构特征向量;根据主成分分析法和重构特征,得到子空间统计量,根据子空间统计量和上控制限阈值,对单元信号质量进行判断,并根据判断结果,得到初始心冲击信号的信号质量评估结果。通过对心冲击信号质量控制的规范化处理,提高了数据的可靠性,具备较强的普适性和环境抗干扰能力。
本发明提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图9为本发明提供的电子设备的结构示意图,如图9所示,该电子设备可以包括:处理器(processor)901、通信接口(CommunicationsInterface)902、存储器(memory)903和通信总线904,其中,处理器901,通信接口902,存储器903通过通信总线904完成相互间的通信。处理器901可以调用存储器903中的逻辑指令,以执行心冲击信号质量控制处理方法,该方法包括:根据预设信号单元长度,将初始心冲击信号划分为多个单元信号,并对每个单元信号进行多维特征提取,获取多维特征向量;根据训练好的主成分特征向量矩阵,对多维特征向量进行重构,得到多维特征向量的重构特征向量;根据主成分分析法和重构特征向量,获取子空间统计量;根据上控制限阈值,基于子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到初始心冲击信号的信号质量评估结果,所述上控制限阈值是由置信区间和样本心冲击信号数据构建得到的。
此外,上述的存储器903中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的心冲击信号质量控制处理方法,该方法包括:根据预设信号单元长度,将初始心冲击信号划分为多个单元信号,并对每个单元信号进行多维特征提取,获取多维特征向量;根据训练好的主成分特征向量矩阵,对多维特征向量进行重构,得到多维特征向量的重构特征向量;根据主成分分析法和重构特征向量,获取子空间统计量;根据上控制限阈值,基于子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到初始心冲击信号的信号质量评估结果,所述上控制限阈值是由置信区间和样本心冲击信号数据构建得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的心冲击信号质量控制处理方法,该方法包括:根据预设信号单元长度,将初始心冲击信号划分为多个单元信号,并对每个单元信号进行多维特征提取,获取多维特征向量;根据训练好的主成分特征向量矩阵,对多维特征向量进行重构,得到多维特征向量的重构特征向量;根据主成分分析法和重构特征向量,获取子空间统计量;根据上控制限阈值,基于子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到初始心冲击信号的信号质量评估结果,所述上控制限阈值是由置信区间和样本心冲击信号数据构建得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种心冲击信号质量控制处理方法,其特征在于,包括:
根据预设信号单元长度,将初始心冲击信号划分为多个单元信号,并对每个单元信号进行多维特征提取,获取多维特征向量;
根据训练好的主成分特征向量矩阵,对所述多维特征向量进行重构,得到所述多维特征向量的重构特征向量;
根据主成分分析法和所述重构特征向量,获取子空间统计量;
根据上控制限阈值,基于所述子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到所述初始心冲击信号的信号质量评估结果,所述上控制限阈值是由置信区间和样本心冲击信号数据构建得到的。
2.根据权利要求1所述的心冲击信号质量控制处理方法,其特征在于,所述对每个单元信号进行多维特征提取,获取多维特征向量,包括:
对每个单元信号进行近似熵特征提取,得到近似熵特征,所述近似熵特征包括呼吸频段近似熵特征和脉搏频段近似熵特征;
对每个单元信号进行能量熵特征提取,得到能量熵占比特征,所述能量熵占比特征包括高频脉搏包络能量熵占比特征和低频呼吸能量熵占比特征;
根据所述近似熵特征和所述能量熵占比特征,获取多维特征向量。
3.根据权利要求1所述的心冲击信号质量控制处理方法,其特征在于,在所述根据训练好的主成分特征向量矩阵,对所述多维特征向量进行重构,得到所述多维特征向量的重构特征向量之前,所述方法还包括:
获取样本单元信号,并对样本信号进行多维特征提取,得到样本多维特征向量;
通过主成分分析法,对所述样本多维特征向量进行转换,获取主成分特征向量矩阵。
4.根据权利要求1所述的心冲击信号质量控制处理方法,其特征在于,所述根据预设信号单元长度,将初始心冲击信号划分为多个单元信号,包括:
根据预设信号单元长度,将初始心冲击信号按照单位时间进行分帧,获取多个单元信号,其中,所述预设信号单元长度为10秒或12秒。
5.根据权利要求1所述的心冲击信号质量控制处理方法,其特征在于,所述根据主成分分析法和所述重构特征向量,获取子空间统计量,包括:
根据主成分分析法,将所述重构特征向量投影到2个子空间,得到主成分子空间和残差子空间;
根据子空间统计量公式,计算所述主成分子空间的统计量和残差子空间的统计量,得到子空间统计量。
6.根据权利要求5所述的心冲击信号质量控制处理方法,其特征在于,所述根据上控制限阈值,基于所述子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到所述初始心冲击信号的信号质量评估结果,所述上控制限阈值是由置信区间和样本心冲击信号数据构建得到的,包括:
根据上控制限阈值,对所述子空间统计量进行判断,所述子空间上控制限阈值包括主成分子空间上控制限阈值和残差子空间上控制限阈值;
若所述主成分子空间的统计量大于所述主成分子空间上控制限阈值,则判断获知所述初始心冲击信号中对应的单元信号为异常单元信号;或者,若所述残差子空间的统计量大于所述残差子空间上控制限阈值,则判断获知所述初始心冲击信号中对应的单元信号为异常单元信号;
获取异常单元信号在所述初始心冲击信号中的异常占比,并根据所述异常占比和预设阈值,得到初始心冲击信号的信号质量评估结果。
7.根据权利要求5所述的心冲击信号质量控制处理方法,其特征在于,所述子空间统计量公式包括:
8.一种心冲击信号质量控制处理系统,其特征在于,包括:
多维特征向量获取模块,用于根据预设信号单元长度,将初始心冲击信号划分为多个单元信号,并对每个单元信号进行多维特征提取,获取多维特征向量;
特征重构模块,用于根据训练好的主成分特征向量矩阵,对所述多维特征向量进行重构,得到所述多维特征向量的重构特征向量;
子空间统计量获取模块,用于根据主成分分析法和所述重构特征向量,获取子空间统计量;
目标信号质量评估模块,用于根据上控制限阈值,基于所述子空间统计量,将对应的单元信号进行异常信号判断,并根据判断结果,得到所述初始心冲击信号的信号质量评估结果,所述上控制限阈值是由置信区间和样本心冲击信号数据构建得到的。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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如权利要求1至7任一项所述心冲击信号质量控制处理方法的步骤。
10.一种非暂态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如权利要求1至7任一项所述心冲击信号质量控制处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110185465.9A CN112971770B (zh) | 2021-02-10 | 2021-02-10 | 一种心冲击信号质量控制处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110185465.9A CN112971770B (zh) | 2021-02-10 | 2021-02-10 | 一种心冲击信号质量控制处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112971770A true CN112971770A (zh) | 2021-06-18 |
CN112971770B CN112971770B (zh) | 2022-10-18 |
Family
ID=76393953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110185465.9A Active CN112971770B (zh) | 2021-02-10 | 2021-02-10 | 一种心冲击信号质量控制处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112971770B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113509176A (zh) * | 2021-07-23 | 2021-10-19 | 深圳数联天下智能科技有限公司 | 基于多路压电传感器的睡姿识别方法、装置和设备 |
CN114041786A (zh) * | 2022-01-11 | 2022-02-15 | 华南师范大学 | 心冲击图信号的检测方法、装置以及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110251502A1 (en) * | 2008-12-12 | 2011-10-13 | Koninklijke Philips Electronics N.V. | Method and apparatus for the analysis of ballistocardiogram signals |
US20120108932A1 (en) * | 2010-10-28 | 2012-05-03 | Medtronic Minimed, Inc. | Glucose sensor signal purity analysis |
CN107272667A (zh) * | 2017-08-07 | 2017-10-20 | 华中科技大学 | 一种基于平行的偏最小二乘法的工业过程故障检测方法 |
CN108042141A (zh) * | 2017-11-17 | 2018-05-18 | 深圳和而泰智能控制股份有限公司 | 一种信号处理方法及装置 |
CN110742581A (zh) * | 2019-10-08 | 2020-02-04 | 北京邮电大学 | Bcg信号的处理方法及装置 |
CN111259330A (zh) * | 2020-01-13 | 2020-06-09 | 北京化工大学 | 一种基于振动信号的旋转机械早期预警方法 |
WO2020193325A1 (en) * | 2019-03-22 | 2020-10-01 | Abb Schweiz Ag | Apparatus for equipment monitoring |
CN112274159A (zh) * | 2020-09-29 | 2021-01-29 | 南昌大学 | 一种基于改进带通滤波器的压缩域心电信号质量评估方法 |
-
2021
- 2021-02-10 CN CN202110185465.9A patent/CN112971770B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110251502A1 (en) * | 2008-12-12 | 2011-10-13 | Koninklijke Philips Electronics N.V. | Method and apparatus for the analysis of ballistocardiogram signals |
US20120108932A1 (en) * | 2010-10-28 | 2012-05-03 | Medtronic Minimed, Inc. | Glucose sensor signal purity analysis |
CN107272667A (zh) * | 2017-08-07 | 2017-10-20 | 华中科技大学 | 一种基于平行的偏最小二乘法的工业过程故障检测方法 |
CN108042141A (zh) * | 2017-11-17 | 2018-05-18 | 深圳和而泰智能控制股份有限公司 | 一种信号处理方法及装置 |
WO2020193325A1 (en) * | 2019-03-22 | 2020-10-01 | Abb Schweiz Ag | Apparatus for equipment monitoring |
CN110742581A (zh) * | 2019-10-08 | 2020-02-04 | 北京邮电大学 | Bcg信号的处理方法及装置 |
CN111259330A (zh) * | 2020-01-13 | 2020-06-09 | 北京化工大学 | 一种基于振动信号的旋转机械早期预警方法 |
CN112274159A (zh) * | 2020-09-29 | 2021-01-29 | 南昌大学 | 一种基于改进带通滤波器的压缩域心电信号质量评估方法 |
Non-Patent Citations (1)
Title |
---|
(芬)雷高阔: "《造纸过程控制与维护管理 中文版》", 30 September 2017, 中国轻工业出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113509176A (zh) * | 2021-07-23 | 2021-10-19 | 深圳数联天下智能科技有限公司 | 基于多路压电传感器的睡姿识别方法、装置和设备 |
CN114041786A (zh) * | 2022-01-11 | 2022-02-15 | 华南师范大学 | 心冲击图信号的检测方法、装置以及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112971770B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Manikandan et al. | Wavelet-based electrocardiogram signal compression methods and their performances: A prospective review | |
US9294074B2 (en) | Physiological signal denoising | |
Labate et al. | Empirical mode decomposition vs. wavelet decomposition for the extraction of respiratory signal from single-channel ECG: A comparison | |
JP6926117B2 (ja) | ネットワーク接続を決定するための方法及びシステム | |
EP2759065B1 (en) | Physiological signal denoising | |
AU2013377909B2 (en) | Detecting fiducial points in physiological signals | |
Chawla | A comparative analysis of principal component and independent component techniques for electrocardiograms | |
CN112971770B (zh) | 一种心冲击信号质量控制处理方法及系统 | |
CN114041786B (zh) | 心冲击图信号的检测方法、装置以及设备 | |
CN111243739A (zh) | 抗干扰的生理参数遥测方法及系统 | |
KR20130092849A (ko) | 개인화된 생체 신호 패턴을 이용한 생체 신호의 동잡음 제거 방법 및 장치 | |
CN112329609A (zh) | 基于2d心拍的特征融合迁移学习心律失常分类系统 | |
Mondal et al. | A noise reduction technique based on nonlinear kernel function for heart sound analysis | |
Ijaz et al. | Anomaly detection of electromyographic signals | |
CN112806977A (zh) | 基于多尺度融合网络的生理参数测量方法 | |
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 | |
Qayyum et al. | Assessment of physiological states from contactless face video: a sparse representation approach | |
CN115281685A (zh) | 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质 | |
Lee et al. | Adaptive ecg signal compression method based on look-ahead linear approximation for ultra long-term operating of healthcare iot devices (sci) | |
CN116942172A (zh) | 一种基于编解码结构的小波双通道单导联心电去噪方法 | |
Xiao et al. | Online MECG compression based on incremental tensor decomposition for wearable devices | |
Bhavsar | Improved ECG Denoising using CEEMAN based on Complexity Measure and Nonlocal Mean Approach. | |
Wang et al. | Heart rate monitoring from wrist-type PPG based on singular spectrum analysis with motion decision | |
Lu et al. | A method combining fractal analysis and single channel ICA for vibration noise reduction | |
Senevirathna et al. | Spatio-temporal compressed sensing for real-time wireless EEG monitoring |
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 |