CN113229799A - 一种ppg心率估计方法、系统、存储介质、设备 - Google Patents

一种ppg心率估计方法、系统、存储介质、设备 Download PDF

Info

Publication number
CN113229799A
CN113229799A CN202110697987.7A CN202110697987A CN113229799A CN 113229799 A CN113229799 A CN 113229799A CN 202110697987 A CN202110697987 A CN 202110697987A CN 113229799 A CN113229799 A CN 113229799A
Authority
CN
China
Prior art keywords
heart rate
mode
ppg
rate estimation
inherent
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.)
Pending
Application number
CN202110697987.7A
Other languages
English (en)
Inventor
杨公平
王子欣
孙启玉
张永忠
刘圆圆
刘晓芳
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.)
Shandong Fengshi Information Technology Co ltd
Shandong University
Original Assignee
Shandong Fengshi Information Technology Co ltd
Shandong 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 Shandong Fengshi Information Technology Co ltd, Shandong University filed Critical Shandong Fengshi Information Technology Co ltd
Priority to CN202110697987.7A priority Critical patent/CN113229799A/zh
Publication of CN113229799A publication Critical patent/CN113229799A/zh
Pending legal-status Critical Current

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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Landscapes

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

Abstract

本发明属于心率检测领域，提供了一种PPG心率估计方法、系统、存储介质、设备。该方法包括：采用变分模态分解，根据设置的模态数，将获取的PPG信号分解为若干个固有模态；将原始PPG信号对应的模态以及经变模态分解后的若干固有模态进行独立成分分析，获得重构后的模态；基于重构后的模态，获得估计的心率。

Description

一种PPG心率估计方法、系统、存储介质、设备
技术领域
本发明属于心率检测领域，尤其涉及一种基于光电容积脉搏波(PPG)通过变分模态分解(VMD)与独立成分分析(ICA)进行心率估计的方法、系统、存储介质、设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
心率是表示人体健康状况的重要参数，随着生活压力的增加，人们对监测心脏活动也越发重视。传统的基于心电图的心率检测对普通用户来说是十分麻烦的，因此需要开发可以通过便携电子设备进行心率估计的方法，使人们可以通过无创、舒适的方式监测心率。PPG信号属于脉搏波信号的一种，它与心率是同步的，通过分析PPG信号可以估计心率。另外PPG信号可以通过智能手环等便携设备快速、无创地获取，十分方便。
常见的PPG信号分析手段有滤波器组法、小波变换法、经验模态分解等。然而，滤波器组法虽然具有实时性，却无法处理PPG信号被运动伪影破坏的情况；小波变换的方法具有良好的抗干扰能力，但缺乏自适应性，需要手动选择参数，而这些参数都是未知的；经验模态分解是近年来提出的可以很好地处理非平稳和非线性信号，但由于PPG信号的间歇性和噪声干扰，会很容易出现模态混叠现象，使分解结果不准确。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种PPG心率估计方法、系统、存储介质、设备，可以提高心率估计的精度。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种PPG心率估计方法。
一种PPG心率估计方法，包括：
采用变分模态分解，根据设置的模态数，将获取的PPG信号分解为若干个固有模态；
将原始PPG信号对应的模态以及经变模态分解后的若干固有模态进行独立成分分析，获得重构后的模态；
基于重构后的模态，获得估计的心率。
进一步的，所述基于重构后的模态，获得估计的心率包括：
根据重构后的模态，确定与心率同步的固有模态函数；
基于固有模态函数，获取各模态对应的频谱，选取频率分量绝对值最大的模态，获得频率分量绝对值最大的模态对应的频率分量，所述频率分量即为估计的心率。
进一步的，所述基于重构后的模态，所述根据重构后的模态，确定与心率同步的固有模态函数包括：将重构后的模态通过带通滤波器，滤除干扰，确定与心率同步的固有模态函数。
进一步的，所述基于固有模态函数，获取各模态对应的频谱包括：将固有模态函数进行快速傅里叶变换，获取各模态对应的频谱。
进一步的，所述采用变分模态分解，根据设置的模态数，将获取的PPG信号分解为若干个固有模态包括：采用变分模态分解，根据设置的模态数，将获取的PPG信号分解为具有中心频率的有限带宽模态分量，同时保证各模态分量的估计带宽之和最小，获得固有模态约束；
通过拉格朗日乘子法将固有模态约束转化为固有模态非约束，迭代优化，获得若干个固有模态。
进一步的，所述迭代优化得到过程为：
初始化uk、ωk、λ，设置最大迭代次数与终止阈值；
根据
Figure BDA0003128590030000031
更新uk、ωk、λ；其中，uk为各固有模态函数，ωk为各固有模态函数的中心频率，λ为拉格朗日乘子；f为原信号；τ为噪声容忍度，本发明中设置τ为0.000001，
Figure BDA0003128590030000032
为每次迭代中的频域中的原信号和各固有模态函数。
计算
Figure BDA0003128590030000033
是否小于终止阈值或n是否小于最大迭代次数，若是则继续更新uk、ωk、λ；否则，完成迭代，输出最终的uk、ωk。其中，
Figure BDA0003128590030000034
为第n+1次和第n次迭代中所计算出的固有模态函数。
进一步的，所述独立成分分析的过程包括：
将通过变模态分解后得到的若干个固有模态统一视为一个观测矩阵X，对X的每一行进行中心化处理，即每个数减去所在模态均值；
对中心化后的矩阵X进行白化，即计算出X的协方差矩阵的特征向量P和特征值D，得到白化结果为
Figure BDA0003128590030000035
初始化W，对于W中每行的wi，通过迭代进行更新，迭代公式为：
Figure BDA0003128590030000041
其中g(x)＝tanh(x)；
对W进行去相关：
Figure BDA0003128590030000042
计算新一次的迭代结果Wnew与更新前的W的第一范数：||Wnew-W||1＝∑i＝1|wnewi-wi|；直至该值收敛，停止迭代；
最终获得的重构模态函数矩阵为W·X。
本发明的第二个方面提供一种PPG心率估计系统。
一种PPG心率估计系统，包括：
分解模块，其被配置为：采用变分模态分解，根据设置的模态数，将获取的PPG信号分解为若干个固有模态；
重构模块，其被配置为：将原始PPG信号对应的模态以及经变模态分解后的若干固有模态进行独立成分分析，获得重构后的模态；
估计模块，其被配置为：基于重构后的模态，获得估计的心率。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的PPG心率估计方法中的步骤。
本发明的第四个方面提供一种计算机设备。
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程序时实现如上述第一个方面所述的PPG心率估计方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明通过变分模态分解对PPG信号进行自适应的分解，消除了运动伪影对信号处理产生的不利影响，相较于单纯使用VMD方法，通过结合ICA避免了偶尔会出现的模态混叠现象，分解得到的结果更加直观，有效地提取出了PPG信号中所包含的心率部分的信息，提高了心率估计的精确度；所取用的PPG信号时间较短，不需要进行长时间的提取，算法不涉及复杂运算，时间复杂度小，从而保证了心率估计的高效率。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明PPG心率估计方法的流程图；
图2是本发明实施例中一段PPG信号以及进行VMD后得到的5个固有模态函数图；
图3是本发明实施例中原始PPG信号及经过ICA后得到的各模态图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种PPG心率估计方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
S101：采用变分模态分解，根据设置的模态数，将获取的PPG信号分解为若干个固有模态；
S102：将原始PPG信号对应的模态以及经变模态分解后的若干固有模态进行独立成分分析，获得重构后的模态；
S103：基于重构后的模态，获得估计的心率。
作为一种或多种实施方式，所述基于重构后的模态，所述根据重构后的模态，确定与心率同步的固有模态函数包括：将重构后的模态通过带通滤波器，滤除干扰，确定与心率同步的固有模态函数。
所述基于固有模态函数，获取各模态对应的频谱包括：将固有模态函数进行快速傅里叶变换，获取各模态对应的频谱。
本实施可以采用如下的具体步骤：
1、VMD过程
每次截取时长为10s的PPG信号，要保证将信号分解为具有中心频率的有限带宽模态分量，同时各模态的估计带宽之和要最小，则约束表达式为：
Figure BDA0003128590030000071
其中K为分解的模态数，本发明中通过实验确定K＝5；uk为各固有模态函数，f为原信号；α为每个模态的初始中心约束强度，作用是降低高斯噪声干扰，本发明中设置α为2000；
Figure BDA0003128590030000072
为狄拉克函数。
通过拉格朗日乘子法转为非约束变分问题，整理得到迭代公式为：
Figure BDA0003128590030000081
Figure BDA0003128590030000082
Figure BDA0003128590030000083
其中τ为噪声容忍度，满足信号分解的保真度，本发明中设置τ为0.000001；λ为拉格朗日乘子；
Figure BDA0003128590030000084
分别对应uk(t)、f(t)的傅里叶变换。
通过VMD迭代更新参数的过程如下：
初始化uk、ωk、λ，设置最大迭代次数与终止阈值；
根据上述迭代公式更新uk、ωk、λ；
计算
Figure BDA0003128590030000085
是否小于终止阈值或n是否小于最大迭代次数，是则返回(2)，否则完成迭代，输出最终的uk、ωk。
图2为一段PPG信号以及进行VMD后得到的5个固有模态函数。
2、ICA过程
可实现ICA的方法有很多，本发明采用效率较高的FastICA来实现各模态函数的重构。
将通过VMD后得到的各模态统一视为一个观测矩阵X。对X的每一行进行中心化处理，即每个数减去所在模态均值。
对中心化后的矩阵X进行白化，即计算出X的协方差矩阵的特征向量P和特征值D，得到白化结果为
Figure BDA0003128590030000086
初始化W，对于W中每行的wi，通过迭代进行更新，迭代公式为：
Figure BDA0003128590030000091
其中g(x)＝tanh(x)。
对W进行去相关：
Figure BDA0003128590030000092
计算新一次的迭代结果W(new)与更新前的W的第一范数：||Wnew-W||1＝∑i＝1|wnewi-wi|。直至该值收敛，停止迭代。
最终获得的重构模态函数矩阵为W·X，图3为原始PPG信号及经过ICA后得到的各模态。
3、滤波
将得到的每个固有模态函数依次通过4阶带通巴特沃斯滤波器，滤波器的截止频率为0.75-2.55Hz，一方面可消除其他频率分量对各模态的影响，另外不在截止频率内的模态会被剔除，只留下频率与标准心率相似的模态。
4、傅里叶变换
将剩下的固有模态函数进行快速傅里叶变换，得到各自对应的频谱，各频谱内只有一个明显的频率分量，比较各分量的幅值，最大值对应的频率即为该PPG信号对应个体的估计心率。下图为滤波后剩余的两个模态的频谱图，选取最大幅值对应的频率fmax*60即为最终估计的心率。
本实施例通过变分模态分解对PPG信号进行自适应的分解，消除了运动伪影对信号处理产生的不利影响，相较于单纯使用VMD方法，通过结合ICA避免了偶尔会出现的模态混叠现象，分解得到的结果更加直观，有效地提取出了PPG信号中所包含的心率部分的信息，提高了心率估计的精确度；所取用的PPG信号时间较短，不需要进行长时间的提取，算法不涉及复杂运算，时间复杂度小，从而保证了心率估计的高效率。
实施例二
本实施例提供了一种PPG心率估计系统。
一种PPG心率估计系统，包括：
分解模块，其被配置为：采用变分模态分解，根据设置的模态数，将获取的PPG信号分解为若干个固有模态；
重构模块，其被配置为：将原始PPG信号对应的模态以及经变模态分解后的若干固有模态进行独立成分分析，获得重构后的模态；
估计模块，其被配置为：基于重构后的模态，获得估计的心率。
此处需要说明的是，上述分解模块、重构模块和估计模块对应于实施例一中的步骤S101至S103，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的PPG心率估计方法中的步骤。
实施例四
本实施例提供了一种计算机设备，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程序时实现如上述实施例一所述的PPG心率估计方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种PPG心率估计方法，其特征在于，包括：
采用变分模态分解，根据设置的模态数，将获取的PPG信号分解为若干个固有模态；
将原始PPG信号对应的模态以及经变模态分解后的若干固有模态进行独立成分分析，获得重构后的模态；
基于重构后的模态，获得估计的心率。
2.根据权利要求1所述的PPG心率估计方法，其特征在于，所述基于重构后的模态，获得估计的心率包括：
根据重构后的模态，确定与心率同步的固有模态函数；
基于固有模态函数，获取各模态对应的频谱，选取频率分量绝对值最大的模态，获得频率分量绝对值最大的模态对应的频率分量，所述频率分量即为估计的心率。
3.根据权利要求2所述的PPG心率估计方法，其特征在于，所述基于重构后的模态，所述根据重构后的模态，确定与心率同步的固有模态函数包括：将重构后的模态通过带通滤波器，滤除干扰，确定与心率同步的固有模态函数。
4.根据权利要求2所述的PPG心率估计方法，其特征在于，所述基于固有模态函数，获取各模态对应的频谱包括：将固有模态函数进行快速傅里叶变换，获取各模态对应的频谱。
5.根据权利要求1所述的PPG心率估计方法，其特征在于，所述采用变分模态分解，根据设置的模态数，将获取的PPG信号分解为若干个固有模态包括：采用变分模态分解，根据设置的模态数，将获取的PPG信号分解为具有中心频率的有限带宽模态分量，同时保证各模态分量的估计带宽之和最小，获得固有模态约束；
通过拉格朗日乘子法将固有模态约束转化为固有模态非约束，迭代优化，获得若干个固有模态。
6.根据权利要求2所述的PPG心率估计方法，其特征在于，所述迭代优化得到过程为：
初始化uk、ωk、λ，设置最大迭代次数与终止阈值；
根据
Figure FDA0003128590020000021
更新uk、ωk、λ；其中，uk为各固有模态函数，ωk为各固有模态函数的中心频率，λ为拉格朗日乘子，f为原信号；τ为噪声容忍度；
计算
Figure FDA0003128590020000022
是否小于终止阈值或n是否小于最大迭代次数，若是则继续更新uk、ωk、λ；否则，完成迭代，输出最终的uk、ωk；其中，
Figure FDA0003128590020000023
为第n+1次和第n次迭代中所计算出的固有模态函数。
7.根据权利要求1所述的PPG心率估计方法，其特征在于，所述独立成分分析的过程包括：
将通过变模态分解后得到的若干个固有模态统一视为一个观测矩阵X，对X的每一行进行中心化处理，即每个数减去所在模态均值；
对中心化后的矩阵X进行白化，即计算出X的协方差矩阵的特征向量P和特征值D，得到白化结果为
Figure FDA0003128590020000024
初始化W，对于W中每行的wi，通过迭代进行更新，迭代公式为：
Figure FDA0003128590020000031
其中g(x)＝tanh(x)；
对W进行去相关：
Figure FDA0003128590020000032
计算新一次的迭代结果Wnew与更新前的W的第一范数：||Wnew-W||1＝∑i＝1|wnewi-wi|；直至该值收敛，停止迭代；
最终获得的重构模态函数矩阵为W·X。
8.一种PPG心率估计系统，其特征在于，包括：
分解模块，其被配置为：采用变分模态分解，根据设置的模态数，将获取的PPG信号分解为若干个固有模态；
重构模块，其被配置为：将原始PPG信号对应的模态以及经变模态分解后的若干固有模态进行独立成分分析，获得重构后的模态；
估计模块，其被配置为：基于重构后的模态，获得估计的心率。
9.一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，该程序被处理器执行时实现如权利要求1-7中任一项所述的PPG心率估计方法中的步骤。
10.一种计算机设备，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程序时实现如权利要求1-7中任一项所述的PPG心率估计方法中的步骤。
CN202110697987.7A 2021-06-23 2021-06-23 一种ppg心率估计方法、系统、存储介质、设备 Pending CN113229799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110697987.7A CN113229799A (zh) 2021-06-23 2021-06-23 一种ppg心率估计方法、系统、存储介质、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110697987.7A CN113229799A (zh) 2021-06-23 2021-06-23 一种ppg心率估计方法、系统、存储介质、设备

Publications (1)

Publication Number Publication Date
CN113229799A true CN113229799A (zh) 2021-08-10

Family

ID=77140611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110697987.7A Pending CN113229799A (zh) 2021-06-23 2021-06-23 一种ppg心率估计方法、系统、存储介质、设备

Country Status (1)

Country Link
CN (1) CN113229799A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114557691A (zh) * 2022-04-29 2022-05-31 广东工业大学 基于多波长的ppg信号的无创血脂检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030088164A1 (en) * 2001-11-02 2003-05-08 Nellcor Puritan Bennett Inc. Blind source separation of pulse oximetry signals
CN108444709A (zh) * 2018-04-18 2018-08-24 北京信息科技大学 VMD与FastICA相结合的滚动轴承故障诊断方法
CN111243739A (zh) * 2020-01-07 2020-06-05 四川大学 抗干扰的生理参数遥测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030088164A1 (en) * 2001-11-02 2003-05-08 Nellcor Puritan Bennett Inc. Blind source separation of pulse oximetry signals
CN108444709A (zh) * 2018-04-18 2018-08-24 北京信息科技大学 VMD与FastICA相结合的滚动轴承故障诊断方法
CN111243739A (zh) * 2020-01-07 2020-06-05 四川大学 抗干扰的生理参数遥测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴钟良: "基于变分模态分解的混合信号分离方法研究", 《中国优秀硕士学位论文全文数据库（电子期刊） 信息科技辑》 *
徐海津: "抗运动伪影下基于PPG的心率估计方法研究与应用", 《中国优秀硕士学位论文全文数据库（电子期刊） 医药卫生科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114557691A (zh) * 2022-04-29 2022-05-31 广东工业大学 基于多波长的ppg信号的无创血脂检测方法及系统
CN114557691B (zh) * 2022-04-29 2022-08-02 广东工业大学 基于多波长的ppg信号的无创血脂检测方法及系统

Similar Documents

Publication Publication Date Title
Sundararaj An efficient threshold prediction scheme for wavelet based ECG signal noise reduction using variable step size firefly algorithm
CN109948647B (zh) 一种基于深度残差网络的心电图分类方法及系统
Huang et al. Iterative weighted sparse representation for X‐ray cardiovascular angiogram image denoising over learned dictionary
CN111814656A (zh) 一种基于对抗生成网络的心电信号降噪方法
US20130261482A1 (en) Systems and methods for ecg monitoring
WO2020228420A1 (zh) 降噪自编码器的训练方法、心电信号的降噪方法及其装置
CN113229799A (zh) 一种ppg心率估计方法、系统、存储介质、设备
CN114224360B (zh) 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质
WO2022241578A1 (en) Systems and methods for neural networks and dynamic spatial filters to reweigh channels
CN116712056B (zh) 心电图数据的特征图像生成与识别方法、设备及存储介质
CN111714124A (zh) 磁共振电影成像方法、装置、成像设备及存储介质
CN107895387B (zh) Mri图像重建方法及装置
CN114418900B (zh) 一种磁共振图像降噪方法、装置、设备及存储介质
Nagar et al. Orthogonal features-based eeg signal denoising using fractionally compressed autoencoder
Ma et al. SVMD coupled with dual-threshold criteria of correlation coefficient: A self-adaptive denoising method for ship-radiated noise signal
CN115859048A (zh) 一种局放信号的噪声处理方法及装置
KR20220137856A (ko) 신호 처리 방법, 신호 필터링 장치 및 신호 처리 장치
Beevi et al. Denoising transthoracic echocardiographic images in regional wall motion abnormality using deep learning techniques
CN112002339B (zh) 语音降噪方法和装置、计算机可读的存储介质及电子装置
CN111598891B (zh) 斑块稳定性的识别方法、装置、设备及存储介质
Feng et al. Fast automated on‐chip artefact removal of EEG for seizure detection based on ICA‐R algorithm and wavelet denoising
Kizilkaya et al. Optimal signal reconstruction based on time-varying weighted empirical mode decomposition
CN111614358A (zh) 基于分通道量化的特征提取方法、系统、设备及存储介质
Cadena et al. Processing MRI brain image using OpenMP and fast filters for noise reduction
Deepak et al. Optimal Threshold Estimation using Grey Wolf Optimization for EMD-DTCWT Based ECG Denoising

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210810