CN113243902A - 一种基于光电容积脉搏波的特征提取方法 - Google Patents
一种基于光电容积脉搏波的特征提取方法 Download PDFInfo
- Publication number
- CN113243902A CN113243902A CN202110600720.1A CN202110600720A CN113243902A CN 113243902 A CN113243902 A CN 113243902A CN 202110600720 A CN202110600720 A CN 202110600720A CN 113243902 A CN113243902 A CN 113243902A
- Authority
- CN
- China
- Prior art keywords
- window
- heart rate
- frequency
- signals
- time
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 13
- 238000013186 photoplethysmography Methods 0.000 title claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000003205 diastolic effect Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 4
- 208000001871 Tachycardia Diseases 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000006794 tachycardia Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000005281 excited state Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000010247 heart contraction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
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
- A61B5/7225—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
- 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)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及非接触式生理信号检测领域，尤其涉及一种基于光电容积脉搏波的特征提取方法，首先读取人右手指尖的脉搏波信号PPG，获取采样点，然后，设置窗口大小和窗口的移动步长，通过滑动窗口的方式，动态计算心率来提取特征，计算属于同一类的特征的多组特征的平均值，得到多种不同状态，使用多种深度学习分类模型来对不同状态下的信号特征进行分类，最后输出识别结果。本发明通过对信号进行滤波预处理来抑制噪声，其次，利用不同状态下PPG信号的差异，对每种状态均进行了分类并充分考虑信号的时域和频域上的表现，分别提取了时域和频域的特征，最终通过不同模型来对不同状态下的信号进行分类。
Description
技术领域
本发明涉及非接触式生理信号检测领域，尤其涉及一种基于光电容积脉搏波信号的特征提取方法。
背景技术
光电容积脉搏波信号是由于血液和其他组织成分对不同频段的光吸收程度不同，且血液本身在血管中的血液容积量会随着心脏的搏动而发生变化，因此在心脏收缩和舒张的过程中，血液对光的吸收量也会随心脏收缩呈现出周期性的脉搏波动，这种波动反应在视频传感器所接受到的信号变化即为PPG信号。
近年来，非接触式人体心血管系统生理参采集则得益于近年来集成电路、微电子技术、成像技术以及信号处理技术的发展也得到了技术上的创新，但是因为个体的差异较大无法对脉搏波信号进行准确的特征提取。
发明内容
为了解决现有技术中存在的上述技术问题，本发明提出了一种基于光电容积脉搏波信号的特征提取方法，其具体技术方案如下：
一种基于光电容积脉搏波信号的特征提取方法，包括以下步骤：
步骤一，读取人右手指尖的脉搏波信号PPG，获取采样点；
步骤二，设置窗口大小和窗口的移动步长，获得窗口内采样点；
步骤三，通过滑动窗口的方式，将窗口内的PPG信号输入到预处理算法和心率计算算法中，对每个窗口的PPG信号进行预处理和心率计算来提取特征；
步骤四，得到多组特征值后，计算属于同一类的特征的多组特征的平均值，最终得到四种或四种状态以下的特征值，对应4种或4种以下心率状态；
步骤五，使用4种基于ResNet18的深度学习分类模型来对所述的不同状态下的特征进行分类，最后得到不同状态下的分类结果，取分类结果的最高值为最终结果。
进一步的，所述步骤三，具体包括如下步骤：
步骤3.1，对窗口内的采样点序列进行滤波处理得到新的序列；
步骤3.2 ，对步骤3.1得到的新序列进行快速傅里叶变换得到频谱图，选取频谱图最高峰所对应的频段freq作为该阶段的心率值HR：
HR=60*freq；
步骤3.3， 得到心率值HR后，将当前窗口的信号分为4类（0 - 49bpm），（50 -79bpm），(80 - 99bpm)，(100bpm以上），以上4类对应的不同状态分别为低心率状态，平静状态，兴奋状态以及心动过速状态；
步骤3.4，对每个窗口中的采样点序列提取其时域波形特征以及频域频率特征。
进一步的，所述提取时域波形特征，具体为：对所述PPG信号进行周期计算，将PPG信号相邻的两个波峰之间的时间差T，收缩期时间ST,舒张期时间DT作为第一部分时域特征；将达到收缩期90%的时间记为ST_90，将达到舒张期90%的时间记为DT_90，将ST_90 +DT_90和 ST_90 / DT_90记为第二部分时域特征；按照上述方法依次获得80%， 70%， 30%，20%， 10%的10个时间特征，在该阶段，一共得到14组特征。
进一步的，所述提取频域频率特征，具体为：对所述PPG信号进行快速傅里叶变换，得到频谱图；对0-12 Hz的频段进行采样，采样间隔为0.5Hz, 将采样得到的频率的幅值及其相位作为第一部分特征，在该阶段，一共获得45组特征。
进一步的，所述步骤3.1中滤波器采用三阶巴特沃斯带通滤波器，滤波器带通频率设置为0.7HZ-3HZ。
本发明的优点：
和其它方法相比，本发明通过对信号进行滤波预处理来抑制噪声；其次，本发明利用人在不同状态下PPG信号的差异，对每种状态均进行了分类并充分的考虑了信号的时域和频域上的表现，分别提取了时域和频域的特征，最终通过不同模型来对不同状态下的信号进行分类。
附图说明
图1是本发明的时域特征提取波形示意图；
图2是本发明方法的整体流程示意图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图，对本发明作进一步详细说明。
一种基于光电容积脉搏波信号的特征提取方法，
包括以下步骤：
步骤一，利用血氧仪读取人右手指尖的脉搏波信号PPG，共计15000个采样点，采用周期60s,采样率为250Hz；
步骤二，设置窗口大小window_size为1000个采样点大小，窗口的移动步长window_step为500个采样点；
步骤三，通过滑动窗口的方式，将窗口内的PPG信号输入到预处理算法和心率计算算法中，对每个窗口的PPG信号进行预处理和心率计算来提取特征，具体步骤如下：
步骤3.1，对窗口内的采样点序列进行滤波处理得到新的序列，其中滤波器采用三阶巴特沃斯带通滤波器，滤波器带通频率设置为0.7HZ-3HZ；
步骤3.2 ，对步骤3.1得到的新序列进行快速傅里叶变换得到频谱图，选取频谱图最高峰所对应的频段freq作为该阶段的心率值HR：
HR=60*freq；
步骤3.3， 得到心率值HR后，将当前窗口的信号分为4类（0 - 49bpm），（50 -79bpm），(80 - 99bpm)，(100bpm以上），以上4类对应的不同状态分别为低心率状态，平静状态，兴奋状态以及心动过速状态；
步骤3.4，对每个窗口中的采样点序列提取其时域波形特征以及频域频率特征，具体的提取方式如下：
时域波形特征：如图1所示，对所述PPG信号进行周期计算，将PPG信号相邻的两个波峰之间的时间差T，收缩期时间ST,舒张期时间DT作为第一部分时域特征；将达到收缩期90%的时间记为ST_90，将达到舒张期90%的时间记为DT_90，将ST_90 + DT_90和 ST_90 /DT_90记为第二部分时域特征；按照上述方法依次获得80%， 70%， 30%， 20%， 10%的10个时间特征，在该阶段，一共得到14组特征；
频域频率特征：对上述PPG信号进行快速傅里叶变换，得到频谱图；对0-12 Hz的频段进行采样，采样间隔为0.5Hz, 将采样得到的频率的幅值及其相位作为第一部分特征，在该阶段，一共获得45组特征；
步骤四，得到多组特征值后，计算属于同一类的特征的多组特征的平均值，最终得到四种或四种状态以下的特征值，对应4种或4种以下心率状态；
步骤五，如图2所示，使用4种基于ResNet18的深度学习分类模型来对不同状态下的特征进行分类，其中，模型的输入为步骤三提取到的59组特征，分类模型最后会得到不同状态下的分类结果，取分类结果的最高值为最终结果。
本发明的优势在于，和其它方法相比，本发明通过对信号进行滤波预处理来抑制噪声。其次，本发明利用人在不同状态下PPG信号的差异，对每种状态均进行了分类并充分的考虑了信号的时域和频域上的表现，分别提取了时域和频域的特征，最终通过不同模型来对不同状态下的信号进行分类。本发明的分类结果可以用于PPG生物识别领域准确对个体进行识别。如下表所示，本发明提取的特征在生物识别中的应用与现有生物识别方法的性能比较：
| 方法 | 准确率 |
| Fuzzy Logic | 82.3% |
| KNN | 74.0% |
| 本发明的方法 | 96.7% |
本发明提起特征识别准确率要远远高于Fuzzy Logic和KNN方法。
以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于光电容积脉搏波信号的特征提取方法，其特征在于，包括以下步骤：
步骤一，读取人右手指尖的脉搏波信号PPG，获取采样点；
步骤二，设置窗口大小和窗口的移动步长，获得窗口内采样点；
步骤三，通过滑动窗口的方式，将窗口内的PPG信号输入到预处理算法和心率计算算法中，对每个窗口的PPG信号进行预处理和心率计算来提取特征；
步骤四，得到多组特征值后，计算属于同一类的特征的多组特征的平均值，最终得到四种或四种状态以下的特征值，对应4种或4种以下心率状态；
步骤五，使用4种基于ResNet18的深度学习分类模型来对所述的心率状态下的特征进行分类，最后得到不同状态下的分类结果，取分类结果的最高值为最终结果。
2.如权利要求1所述的一种基于光电容积脉搏波信号的特征提取方法，其特征在于，所述步骤三，具体包括如下步骤：
步骤3.1，对窗口内的采样点序列进行滤波处理得到新的序列；
步骤3.2 ，对步骤3.1得到的新序列进行快速傅里叶变换得到频谱图，选取频谱图最高峰所对应的频段freq作为该阶段的心率值HR：
HR=60*freq；
步骤3.3， 得到心率值HR后，将当前窗口的信号分为4类0 - 49bpm，50 - 79bpm，80 -99bpm，100bpm以上，以上4类对应的不同状态分别为低心率状态，平静状态，兴奋状态以及心动过速状态；
步骤3.4，对每个窗口中的采样点序列提取时域波形特征以及提取频域频率特征。
3.如权利要求2所述的一种基于光电容积脉搏波信号的特征提取方法，其特征在于，所述提取时域波形特征，具体为：对所述PPG信号进行周期计算，将PPG信号相邻的两个波峰之间的时间差T，收缩期时间ST,舒张期时间DT作为第一部分时域特征；将达到收缩期90%的时间记为ST_90，将达到舒张期90%的时间记为DT_90，将ST_90 + DT_90和 ST_90 / DT_90记为第二部分时域特征；按照上述方法依次获得80%， 70%， 30%， 20%， 10%的10个时间特征，在该阶段，一共得到14组特征。
4.如权利要求2所述的一种基于光电容积脉搏波信号的特征提取方法，其特征在于，所述提取频域频率特征，具体为：对所述PPG信号进行快速傅里叶变换，得到频谱图；对0-12Hz的频段进行采样，采样间隔为0.5Hz, 将采样得到的频率的幅值及其相位作为第一部分特征，在该阶段，一共获得45组特征。
5.如权利要求2所述的一种基于光电容积脉搏波信号的特征提取方法，其特征在于，所述步骤3.1中滤波器采用三阶巴特沃斯带通滤波器，滤波器带通频率设置为0.7HZ-3HZ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110600720.1A CN113243902B (zh) | 2021-05-31 | 2021-05-31 | 一种基于光电容积脉搏波的特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110600720.1A CN113243902B (zh) | 2021-05-31 | 2021-05-31 | 一种基于光电容积脉搏波的特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113243902A true CN113243902A (zh) | 2021-08-13 |
| CN113243902B CN113243902B (zh) | 2021-12-07 |
Family
ID=77185452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110600720.1A Active CN113243902B (zh) | 2021-05-31 | 2021-05-31 | 一种基于光电容积脉搏波的特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113243902B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098691A (zh) * | 2022-01-26 | 2022-03-01 | 之江实验室 | 基于混合高斯模型的脉搏波身份认证方法、装置和介质 |
| CN116035548A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市九天睿芯科技有限公司 | 心律状态检测方法、装置、智能穿戴设备及存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140257122A1 (en) * | 2013-03-08 | 2014-09-11 | Singapore Health Services Pte Ltd | System and method of determining a risk score for triage |
| CN104771178A (zh) * | 2015-04-13 | 2015-07-15 | 深圳市飞马与星月科技研究有限公司 | 身份识别的方法及装置 |
| CN105877723A (zh) * | 2016-06-22 | 2016-08-24 | 中国科学院苏州生物医学工程技术研究所 | 无创连续血压测量装置 |
| CN108056770A (zh) * | 2018-02-02 | 2018-05-22 | 合肥芯福传感器技术有限公司 | 一种基于人工智能的心率检测方法 |
| CN108323201A (zh) * | 2016-11-16 | 2018-07-24 | 华为技术有限公司 | 一种身份认证的方法及装置 |
| CN108451513A (zh) * | 2017-02-22 | 2018-08-28 | 清华大学深圳研究生院 | 一种贴片式生理多参数监测设备 |
| CN108925144A (zh) * | 2016-06-30 | 2018-11-30 | 华为技术有限公司 | 一种身份认证方法及通信终端 |
| CN109833035A (zh) * | 2017-11-28 | 2019-06-04 | 深圳市岩尚科技有限公司 | 脉搏波血压测量装置的分类预测数据处理方法 |
| CN111783715A (zh) * | 2020-07-10 | 2020-10-16 | 安徽建筑大学 | 基于脉搏信号特征提取的身份识别方法 |
| CN111870235A (zh) * | 2020-08-04 | 2020-11-03 | 杭州艺兴科技有限公司 | 一种基于ippg的吸毒人员筛查方法 |
| CN112057066A (zh) * | 2020-09-03 | 2020-12-11 | 青岛歌尔智能传感器有限公司 | 心率的检测方法、可穿戴设备及计算机存储介质 |
| CN112426160A (zh) * | 2020-11-30 | 2021-03-02 | 贵州省人民医院 | 一种心电信号类型识别方法及装置 |
| CN112568886A (zh) * | 2020-11-03 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 心律的检测方法、电子设备以及计算机可读存储介质 |
| CN112842288A (zh) * | 2021-01-29 | 2021-05-28 | 清华大学深圳国际研究生院 | 脉搏数据分类模型建立装置、分类识别装置和测量系统 |
-
2021
- 2021-05-31 CN CN202110600720.1A patent/CN113243902B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140257122A1 (en) * | 2013-03-08 | 2014-09-11 | Singapore Health Services Pte Ltd | System and method of determining a risk score for triage |
| CN104771178A (zh) * | 2015-04-13 | 2015-07-15 | 深圳市飞马与星月科技研究有限公司 | 身份识别的方法及装置 |
| CN105877723A (zh) * | 2016-06-22 | 2016-08-24 | 中国科学院苏州生物医学工程技术研究所 | 无创连续血压测量装置 |
| CN108925144A (zh) * | 2016-06-30 | 2018-11-30 | 华为技术有限公司 | 一种身份认证方法及通信终端 |
| CN108323201A (zh) * | 2016-11-16 | 2018-07-24 | 华为技术有限公司 | 一种身份认证的方法及装置 |
| CN108451513A (zh) * | 2017-02-22 | 2018-08-28 | 清华大学深圳研究生院 | 一种贴片式生理多参数监测设备 |
| CN109833035A (zh) * | 2017-11-28 | 2019-06-04 | 深圳市岩尚科技有限公司 | 脉搏波血压测量装置的分类预测数据处理方法 |
| CN108056770A (zh) * | 2018-02-02 | 2018-05-22 | 合肥芯福传感器技术有限公司 | 一种基于人工智能的心率检测方法 |
| CN111783715A (zh) * | 2020-07-10 | 2020-10-16 | 安徽建筑大学 | 基于脉搏信号特征提取的身份识别方法 |
| CN111870235A (zh) * | 2020-08-04 | 2020-11-03 | 杭州艺兴科技有限公司 | 一种基于ippg的吸毒人员筛查方法 |
| CN112057066A (zh) * | 2020-09-03 | 2020-12-11 | 青岛歌尔智能传感器有限公司 | 心率的检测方法、可穿戴设备及计算机存储介质 |
| CN112568886A (zh) * | 2020-11-03 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 心律的检测方法、电子设备以及计算机可读存储介质 |
| CN112426160A (zh) * | 2020-11-30 | 2021-03-02 | 贵州省人民医院 | 一种心电信号类型识别方法及装置 |
| CN112842288A (zh) * | 2021-01-29 | 2021-05-28 | 清华大学深圳国际研究生院 | 脉搏数据分类模型建立装置、分类识别装置和测量系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098691A (zh) * | 2022-01-26 | 2022-03-01 | 之江实验室 | 基于混合高斯模型的脉搏波身份认证方法、装置和介质 |
| CN116035548A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市九天睿芯科技有限公司 | 心律状态检测方法、装置、智能穿戴设备及存储介质 |
| CN116035548B (zh) * | 2023-03-31 | 2023-06-09 | 深圳市九天睿芯科技有限公司 | 心律状态检测方法、装置、智能穿戴设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113243902B (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Papadaniil et al. | Efficient heart sound segmentation and extraction using ensemble empirical mode decomposition and kurtosis features | |
| CN106473750B (zh) | 基于光电容积脉搏波最佳周期波形的身份识别方法 | |
| CN109124610B (zh) | 一种无创血压测量的抗干扰方法和装置 | |
| CN113243902B (zh) | 一种基于光电容积脉搏波的特征提取方法 | |
| CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
| Banerjee et al. | PhotoECG: Photoplethysmographyto estimate ECG parameters | |
| CN110598625A (zh) | 一种基于脉搏波非基准特征的身份识别技术 | |
| CN101919704B (zh) | 一种心音信号定位、分段方法 | |
| CN111528821A (zh) | 一种脉搏波中重搏波特征点识别方法 | |
| CN113598737A (zh) | 一种基于特征融合的血压预测方法 | |
| CN111839488A (zh) | 基于脉搏波的无创连续血压测量装置和方法 | |
| Kumar et al. | STSR: spectro-temporal super-resolution analysis of a reference signal less photoplethysmogram for heart rate estimation during physical activity | |
| Bandyopadhyay et al. | An unsupervised learning for robust cardiac feature derivation from PPG signals | |
| CN110840428A (zh) | 基于一维U-Net网络的无创血压估计方法 | |
| CN108814642B (zh) | 一种电子听诊器的心音定位及心率计算方法 | |
| CN113729653A (zh) | 一种人体脉搏波信号采集方法 | |
| CN114027804A (zh) | 一种脉象诊断的方法、装置及可读存储介质 | |
| CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
| Yen et al. | Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN. | |
| Pan et al. | Improved blood pressure estimation using photoplethysmography based on ensemble method | |
| CN113069091A (zh) | 一种ppg信号的脉象分类装置及方法 | |
| CN111528900A (zh) | 基于巴特沃斯滤波器与香农熵法的心音分段方法和装置 | |
| CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
| Wang et al. | Feature extraction of radial arterial pulse | |
| Biran et al. | Automatic qrs detection and segmentation using short time fourier transform and feature fusion |
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 |