CN113288101B - 基于谱相减和频域eemd-cca的运动状态下icg信号的处理方法 - Google Patents

基于谱相减和频域eemd-cca的运动状态下icg信号的处理方法 Download PDF

Info

Publication number
CN113288101B
CN113288101B CN202110395923.1A CN202110395923A CN113288101B CN 113288101 B CN113288101 B CN 113288101B CN 202110395923 A CN202110395923 A CN 202110395923A CN 113288101 B CN113288101 B CN 113288101B
Authority
CN
China
Prior art keywords
icg
signal
signals
imf
ecg
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
CN202110395923.1A
Other languages
English (en)
Other versions
CN113288101A (zh
Inventor
解尧
杨东
解启莲
余洪龙
宋泽阳
徐小菊
王平
陈宏凯
殷安云
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.)
Anhui Tongling Bionic Technology Co Ltd
Original Assignee
Anhui Tongling Bionic Technology Co Ltd
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 Anhui Tongling Bionic Technology Co Ltd filed Critical Anhui Tongling Bionic Technology Co Ltd
Priority to CN202110395923.1A priority Critical patent/CN113288101B/zh
Publication of CN113288101A publication Critical patent/CN113288101A/zh
Application granted granted Critical
Publication of CN113288101B publication Critical patent/CN113288101B/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
    • A61B5/02—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
    • A61B5/026—Measuring blood flow
    • 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
    • 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)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Hematology (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明属于生物医学工程技术领域，特别涉及一种基于谱相减和频域EEMD‑CCA的运动状态下ICG信号的处理方法，包括：(1)信号预处理；(2)谱相减；(3)集合经验模态分解；(4)频域CCA分析；(5)重构ICG信号；本发明考虑了生理信号和运动信号之间，以及ICG和ECG之间的相关性，基于两步谱去噪方法，着重去除运动状态下的ICG伪影；由于生理信号和运动信号的频谱上存在重叠，使用谱相减方法从生理信号的频谱上移除运动谱，抑制了运动信号引起的伪像；使用EEMD将单通道信号分解为多维信号，再将多维信号做傅里叶变换，取其幅值部分作为CCA的输入，通过CCA分析将具有低相关系数的组件设置为零并重建ICG信号，从而间接地移除全局伪像并获得清洁的ICG信号。

Description

基于谱相减和频域EEMD-CCA的运动状态下ICG信号的处理 方法
技术领域
本发明属于生物医学工程技术领域，特别涉及一种基于谱相减和频域EEMD-CCA的运动状态下ICG信号的处理方法。
背景技术
人体的血液动力学数据可反映心脏泵血、器官与组织的氧代谢、外周循环阻力等方面指标，为临床心血管病患者的诊断与治疗提供直观的参数依据，其临床价值与意义日益显著。心排量(Cardiac Output，CO)是血液动力学中的重要参数，它表示一分钟时间里单侧心室泵出的血量，通过测量心排量可以了解心脏的泵血功能和血液灌注情况，计算出相关的血液动力学指标，是反映人体心功能的重要参数。心排量的监测已有上百年的历史，操作方面逐步从有创走向微创、无创，测量时间上由非连续短时间向连续长时间发展。
心阻抗图(Impedance Cardiogram，ICG)又称心阻抗血流图，是一种无创、实时连续的心输出量测量方法。20世纪60年代美国太空总署开始使用该技术，90年代末有了较大突破，1996年FDA开始批准胸阻抗心排量产品进入市场，目前ICG产品已在临床广泛应用。经临床验证，与“金标准”热稀释法相关性为0.87～0.91。ICG法的基本原理是基于生物体变化时引起电阻抗的变化。胸腔组织是导电体，在其两端安放电极，经过电极联线向胸部输入高频低幅恒量电流，由于心脏收缩与舒张周期性活动，引起胸腔血液流动发生周期性变化，造成胸腔电阻呈周期性改变，用多导生物记录仪描记出来，就是心阻抗图或称阻抗血流图(△Z)。血液是良好的导电体，心脏收缩时，血液射入主动脉内，使主动脉腔扩张，截面积增大，血容量增大，故电阻减小；反之，心脏舒张时，血液回到心脏，主动脉腔回缩，截面积减小，血液容积减小，使电阻升高。从上述可以看出，心阻抗的大小与主动脉腔容积的大小成反比。
对ICG信号的形态、幅值、波形宽度等特征进行分析，计算相关的血流动力学参数如心搏量、心排量、射血分数等，可预测或判断心脏的功能性变化，而计算此类参数的前提是对左心室射血时间的准确获取，标准的ICG信号和心电信号(electrocardiogram，ECG)的特征对应关系如图2所示，z(t)为原始心阻抗信号，ICG为z(t)的微分，其中ICG信号中，A点对应于心室收缩的起点，B点为主动脉瓣开放的点，即心室射血起点，X点是主动脉瓣关闭的点，即心室射血终点，左心室射血时间即为B点到X点的时间间隔，O点为二尖瓣打开点。而ECG信号中，QRS波反映心脏受到电刺激后，心室去极化的过程，而T波反映心室复极化的过程，ECG信号的Q点到ICG信号的B点的时间为心脏的射血前期，ECG信号的Q波起点到ICG信号的峰点C的时间为左室功能指数。
众所周知，运动的意义不仅在于防治疾病，同时在对人心功能评价中也有其重要的意义，然而，ICG法易受呼吸，尤其是运动干扰的影响，导致其波形特征点较难定位，继而严重影响相关心脏血流动力学参数的准确性及可靠性，这极大限制了其临床应用，目前主要是静态下心排量测量。
目前从ICG信号中去除伪影方面有几种信号处理方法。带通滤波是一种基本方法，它可以去除高频和低频伪像噪声，带通滤波的效果有限，因为它不能解决频域重叠问题。自适应滤波是一种常用方法，可以自动更新其滤波器权值，以适应输入噪声水平。但因此需要额外的参考信号，而这个参考信号常常很难选择。小波变换呈现出一种“本地”傅里叶变换，但难以选择最佳母小波。集成平均方法降低了阻抗信号中单节拍波动的影响，可以消除情绪紧张或轻微摇动的伪影，由于不使用运动信号，因此在运动幅度较大时效果较差。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于谱相减和频域EEMD-CCA的运动状态下ICG信号的处理方法。
为了实现上述目的，本发明采用以下技术方案予以实现：
一种基于谱相减和频域EEMD-CCA的运动状态下ICG信号的处理方法，其特征在于，所述的方法包括：
(1)信号预处理
实时读取待监测对象的ECG、ICG以及x、y、z三个方向的加速度信号，将各路信号做带通滤波；
合并加速度信号为运动信号，通过傅里叶变换将三个方向加速度信号由时域变换到频域，记录其幅值部分为AX，AY和AZ，合并运动信号为AM，每个频点取x,y,z三个方向最小的作为运动信号；
AM(k)＝Min(AX(k),AY(k),AZ(k)) (1)
(2)谱相减
通过表示ICG和ECG信号的归一化频谱作为Y(k)和作为A(k)的运动信号归一化频谱，广义的直接谱减法算法执行以下操作：
Figure BDA0003018567950000041
其中X(k)是谱相减后ICG或ECG的频谱，k是频谱索引，fhr是心率及其倍频对用的频谱索引；
(3)集合经验模态分解
通过EEMD对ICG及ECG信号本征模态分解，分别得到两个IMF数据集，选择主频在0.7-6Hz的IMF，如果每个信号中的所选IMF的数量小于5，则使用离主频在0.7-6Hz最近的IMF补充到5；
(4)频域CCA分析
在所选的ICG和ECG的IMF上执行FFT，并将其幅度部件记录为IMF1,ICG(k)，...，IMFN,ICG(k)和IMF1,ECG(k)，...，IMFN,ECG(k)；
假设X(k)＝[IMF1,ICG(k)，...，IMFN,ICG(k)]T，Y(k)＝[IMF1,ECG(k)，...，IMFN,ECG(k)]T；
假设u＝w1 T*X(k)and v＝w2 T*Y(k)，n是选择IMF的数量，k是每个IMF的数据长度。u和v是典型变量，其中w1和w2分别是权重向量；
CCA的目标函数定义如下：
Figure BDA0003018567950000051
r是相关性系数矩阵，由于ICG和ECG都是反映心脏周期性的舒张与收缩，他们具有很强的相关性，因此具有低相关系数的成分被认为是运动伪迹，并且在重建ICG信号之前将它们设置为零；
u(:,i)＝0,i＞1&r(i)＜0.9；
(5)重构ICG信号
基于公式(4)通过逆CCA变换后的信号转换回频域IMF，同时基于公式(5)通过傅里叶逆变换将频域IMF变换回时域，利用公式(6)，合并IMF，同时由于在EEMD分解中可能会产生一些0.7-6Hz范围以外的信号成分，因此再将合并的IMF带通滤波，得到最终的ICG信号；
X＝A-1U (4)
Figure BDA0003018567950000052
Figure BDA0003018567950000053
在进一步的技术方案中，步骤(1)中，心电信号的频带为0.7-25Hz，心阻抗信号及三个方向加速度信号的频带为0.7-5Hz。
与现有技术相比，本发明具有以下技术效果：
本发明提供的运动状态下ICG信号的处理方法，充分的考虑了生理信号(ICG/ECG)和运动信号之间的相关性，以及ICG和ECG之间的相关性，基于本发明提供的两步谱去噪方法，着重去除运动状态下的ICG伪影；由于生理信号(ICG/ECG)和运动信号的频谱上存在重叠，使用谱相减方法来从生理信号的频谱上移除运动谱，有效的抑制了运动信号引起的伪像；ECG和ICG是多模态血流动力学参数，它们在时域上具有很大的差异，然而由于两者都与心脏同步，它们在频域中具有很强的相关性。频域典型相关分析(CCA)是一种用于提取频域中的两个数据集之间相关组件的典型方法，并且仅在足够数量的通道时才有效，由于ECG和ICG是单通道信号，因此在应用频域CCA之前，本发明使用EEMD将单通道信号分解为多维信号。最后，将具有低相关系数的组件设置为零并重建ICG信号，从而间接地移除全局伪像并获得清洁的ICG信号。
本发明的其他特征和优点将在随后的具体实施方式中予以详细说明。
附图说明
图1示出为根据本发明具体实施方式提供的一种基于谱相减和频域EEMD-CCA的运动状态下ICG信号的处理方法的流程图；
图2示出为标准的ICG信号和心电信号的特征对应关系示意图；
图3(a)-(d)为基于本发明提供的方法对ICG信号处理的效果示意图；
图4示出为仅有谱相减步骤处理的ICG信号示意图；
图5示出为谱相减和EEMD-CCA处理的ICG信号示意图；
图6示出为仅有EEMD-CCA处理的ICG信号示意图；
图7示出为谱相减和EEMD-CCA处理的ICG信号示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体附图，进一步阐明本发明。
结合图1所示，本发明提供了一种基于谱相减和频域EEMD-CCA的运动状态下ICG信号的处理方法，所述的方法包括：
(1)信号预处理
实时读取待监测对象的ECG、ICG以及x、y、z三个方向的加速度信号，将各路信号做带通滤波；心电信号的频带为0.7-25Hz，心阻抗信号及三个方向加速度信号的频带为0.7-5Hz。具体的，待监测对象的ECG、ICG以及x、y、z三个方向的加速度信号可通过本领域技术人员所熟知的设备进行监测获得；
合并加速度信号为运动信号，通过傅里叶变换将三个方向加速度信号由时域变换到频域，记录其幅值部分为AX，AY和AZ，合并运动信号为AM，每个频点取x,y,z三个方向最小的作为运动信号；
AM(k)＝Min(AX(k),AY(k),AZ(k)) (1)
(2)谱相减
谱相减法是用于从生理信号谱中去除运动谱的技术，从而减少生理信号的运动伪像，本发明通过表示ICG和ECG信号的归一化频谱作为Y(k)和作为A(k)的运动信号归一化频谱，广义的直接谱减法算法执行以下操作：
Figure BDA0003018567950000081
其中X(k)是谱相减后ICG或ECG的频谱，k是频谱索引，fhr是心率及其倍频对用的频谱索引；为避免基本光谱减法中的负峰值产生，当运动频谱分量高于ICG或ECG频谱时将参数设置为零。运动伪影频谱峰值常是接近真实心率及其倍数，如上述公式所示，当频谱索引k与心率及其倍频对用的频谱索引重合，则保持原有的频谱。
(3)集合经验模态分解
集合经验模态分解(EEMD)是针对经验模态分解(EMD)方法的不足，提出的一种噪声辅助数据分析方法，EEMD分解的原理是当附加的白噪声均匀分布在整个时频空间时，该时频空间就由滤波器组分割成的不同尺度成分组成；
本发明通过EEMD对ICG及ECG信号本征模态分解，分别得到两个IMF数据集，选择主频在0.7-6Hz的IMF，如果每个信号中的所选IMF的数量小于5，则使用离主频在0.7-6Hz最近的IMF补充到5；
(4)频域CCA分析
频域CCA是一种用于提取频域中的两个数据集之间相关组件的典型方法，本发明中，在所选的ICG和ECG的IMF上执行FFT，并将其幅度部件记录为IMF1,ICG(k)，...，IMFN,ICG(k)和IMF1,ECG(k)，...，IMFN,ECG(k)；
假设X(k)＝[IMF1,ICG(k)，...，IMFN,ICG(k)]T，Y(k)＝[IMF1,ECG(k)，...，IMFN,ECG(k)]T；
假设u＝w1 T*X(k)and v＝w2 T*Y(k)，n是选择IMF的数量，k是每个IMF的数据长度。u和v是典型变量，其中w1和w2分别是权重向量；
CCA的目标函数定义如下：
Figure BDA0003018567950000091
r是相关性系数矩阵，由于ICG和ECG都是反映心脏周期性的舒张与收缩，他们具有很强的相关性，因此具有低相关系数的成分被认为是运动伪迹，并且在重建ICG信号之前将它们设置为零；
u(:,i)＝0,i＞1&r(i)＜0.9；
(5)重构ICG信号
基于公式(4)通过逆CCA变换后的信号转换回频域IMF，同时基于公式(5)通过傅里叶逆变换将频域IMF变换回时域，利用公式(6)，合并IMF，同时由于在EEMD分解中可能会产生一些0.7-6Hz范围以外的信号成分，因此再将合并的IMF带通滤波，得到最终的ICG信号；
X＝A-1U (4)
Figure BDA0003018567950000092
Figure BDA0003018567950000093
ICG信号质量的评价：
ICG的信号质量影响特征点识别的准确性，进而影响生理参数测量的准确性。由于缺乏直接参数来评估ICG的信号质量，因而本申请的发明人使用从ICG信号测得的生理参数的合理性和一致性来间接评估ICG信号质量。B点与X点之间的时间间隔为LVET，ECG点Q与ICG点B之间的时间间隔为PEP，C点的幅度为dz/dtmax，ECG相邻的两个R波之间的时间间隔RRinterval。
如表一所示，Cybulski等人认为当满足以下条件时，ICG节拍被确定为有效节拍：LVET在160-380ms的范围内，PEP在50-160ms的范围内，RR间隔在此范围内330-2000ms时，dz/dtmax在0.4-3.0Ω/s的范围内。
同时Sheikh et al定义了“节拍贡献因数(BCF)”参数，以评估ICG信号质量以进行进一步分析。BCF计算为有效节拍数与节拍总数之比。
表一：
Figure BDA0003018567950000101
通过本发明提供的方法在静止不动和骑行期间对30名受试者进行了评估。实验结果表明，去除运动伪影后，ICG信号的拍子贡献因数(BCF)从原来的80.1％增加到了97.4％。
结合图3示出为基于本发明提供的方法对ICG信号处理的效果示意图；
另外，本申请的发明人也做了消融性试验，证明谱相减和频域EEMD-CCA都是必要的过程。具体的，如图4示出为仅有谱相减步骤处理的ICG信号示意图；图5示出为谱相减和EEMD-CCA处理的ICG信号示意图；
图6示出为仅有EEMD-CCA处理的ICG信号示意图；图7示出为谱相减和EEMD-CCA处理的ICG信号示意图。
以上显示和描述了本发明的基本原理、主要特征和本发明的特点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。

Claims (2)

1.一种基于谱相减和频域EEMD-CCA的运动状态下ICG信号的处理方法，其特征在于，所述的方法包括：
(1)信号预处理
实时读取待监测对象的ECG、ICG以及x、y、z三个方向的加速度信号，将各路信号做带通滤波；
合并加速度信号为运动信号，通过傅里叶变换将三个方向加速度信号由时域变换到频域，记录其幅值部分为AX，AY和AZ，合并运动信号为AM，每个频点取x,y,z三个方向最小的作为运动信号；
AM(k)＝Min(AX(k),AY(k),AZ(k)) (1)
(2)谱相减
通过表示ICG和ECG信号的归一化频谱作为Y(k)和作为A(k)的运动信号归一化频谱，广义的直接谱减法算法执行以下操作：
Figure FDA0004161546060000011
其中X(k)是谱相减后ICG或ECG的频谱，k是频谱索引，fhr是心率及其倍频对用的频谱索引；
(3)集合经验模态分解
通过EEMD对ICG及ECG信号本征模态分解，分别得到两个IMF数据集，选择主频在0.7-6Hz的IMF，如果每个信号中的所选IMF的数量小于5，则使用离主频在0.7-6Hz最近的IMF补充到5；
(4)频域CCA分析
在所选的ICG和ECG的IMF上执行FFT，并将其幅度部件记录为IMF1,ICG(k)，...，IMFN,ICG(k)和IMF1,ECG(k)，...，IMFN,ECG(k)；
假设X(k)＝[IMF1,ICG(k)，...，IMFN,ICG(k)]T，Y(k)＝[IMF1,ECG(k)，...，IMFN,ECG(k)]T；
假设u＝w1 T*X(k)and v＝w2 T*Y(k)，n是选择IMF的数量，k是每个IMF的数据长度；u和v是典型变量，其中w1和w2分别是权重向量；
CCA的目标函数定义如下：
Figure FDA0004161546060000021
r是相关性系数矩阵，由于ICG和ECG都是反映心脏周期性的舒张与收缩，他们具有很强的相关性，因此具有低相关系数的成分被认为是运动伪迹，并且在重建ICG信号之前将它们设置为零；
u(:,i)＝0,i＞1&r(i)＜0.9；
(5)重构ICG信号
基于公式(4)通过逆CCA变换后的信号转换回频域IMF，同时基于公式(5)通过傅里叶逆变换将频域IMF变换回时域，利用公式(6)，合并IMF，同时由于在EEMD分解中可能会产生一些0.7-6Hz范围以外的信号成分，因此再将合并的IMF带通滤波，得到最终的ICG信号；
X＝A-1 u (4)
Figure FDA0004161546060000022
Figure FDA0004161546060000023
2.根据权利要求1所述的方法，其特征在于，步骤(1)中，心电信号的频带为0.7-25Hz，心阻抗信号及三个方向加速度信号的频带为0.7-5Hz。
CN202110395923.1A 2021-04-13 2021-04-13 基于谱相减和频域eemd-cca的运动状态下icg信号的处理方法 Active CN113288101B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110395923.1A CN113288101B (zh) 2021-04-13 2021-04-13 基于谱相减和频域eemd-cca的运动状态下icg信号的处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110395923.1A CN113288101B (zh) 2021-04-13 2021-04-13 基于谱相减和频域eemd-cca的运动状态下icg信号的处理方法

Publications (2)

Publication Number Publication Date
CN113288101A CN113288101A (zh) 2021-08-24
CN113288101B true CN113288101B (zh) 2023-05-26

Family

ID=77319651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110395923.1A Active CN113288101B (zh) 2021-04-13 2021-04-13 基于谱相减和频域eemd-cca的运动状态下icg信号的处理方法

Country Status (1)

Country Link
CN (1) CN113288101B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118121176B (zh) * 2024-05-08 2024-07-02 知心健(南京)科技有限公司 一种用于无创心排监测的数据分析方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108937878A (zh) * 2018-06-06 2018-12-07 北京邮电大学 一种脉搏波信号运动噪声消除的方法
CN110309817A (zh) * 2019-07-19 2019-10-08 北京理工大学 一种参数自适应优化vmd的脉搏波运动伪影去除方法
CN111643052A (zh) * 2019-04-03 2020-09-11 上海铼锶信息技术有限公司 一种减少脉搏波信号中运动伪影的方法及系统
CN112200069A (zh) * 2020-09-30 2021-01-08 山东大学 时频域谱减法和经验模态分解联合的隧道滤波方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7020507B2 (en) * 2002-01-31 2006-03-28 Dolphin Medical, Inc. Separating motion from cardiac signals using second order derivative of the photo-plethysmogram and fast fourier transforms
US10278647B2 (en) * 2015-06-09 2019-05-07 University Of Connecticut Method and apparatus for removing motion artifacts from biomedical signals

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108937878A (zh) * 2018-06-06 2018-12-07 北京邮电大学 一种脉搏波信号运动噪声消除的方法
CN111643052A (zh) * 2019-04-03 2020-09-11 上海铼锶信息技术有限公司 一种减少脉搏波信号中运动伪影的方法及系统
CN110309817A (zh) * 2019-07-19 2019-10-08 北京理工大学 一种参数自适应优化vmd的脉搏波运动伪影去除方法
CN112200069A (zh) * 2020-09-30 2021-01-08 山东大学 时频域谱减法和经验模态分解联合的隧道滤波方法及系统

Also Published As

Publication number Publication date
CN113288101A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
US9451886B2 (en) Probabilistic parameter estimation using fused data apparatus and method of use thereof
US9649036B2 (en) Biomedical parameter probabilistic estimation method and apparatus
US10699206B2 (en) Iterative probabilistic parameter estimation apparatus and method of use therefor
Sahoo et al. Wavelet based pulse rate and Blood pressure estimation system from ECG and PPG signals
US20120071767A1 (en) Pulmonary artery pressure estimator
US20120022336A1 (en) Iterative probabilistic parameter estimation apparatus and method of use therefor
US20140275886A1 (en) Sensor fusion and probabilistic parameter estimation method and apparatus
US10460843B2 (en) Probabilistic parameter estimation using fused data apparatus and method of use thereof
Pinheiro et al. Empirical mode decomposition and principal component analysis implementation in processing non-invasive cardiovascular signals
US20080262367A1 (en) General diagnostic and real-time applications of discrete hermite functions to digital data
US11363994B2 (en) Cardiovascular state determination apparatus and method of use thereof
Mousavi et al. Cuff-Less blood pressure estimation using only the ecg signal in frequency domain
Lin et al. Energy-efficient blood pressure monitoring based on single-site photoplethysmogram on wearable devices
Singla et al. Cuff-less blood pressure measurement using supplementary ECG and PPG features extracted through wavelet transformation
CN113288101B (zh) 基于谱相减和频域eemd-cca的运动状态下icg信号的处理方法
Huang et al. Camera wavelength selection for multi-wavelength pulse transit time based blood pressure monitoring
Ab Hamid et al. Methods of extracting feature from photoplethysmogram waveform for non-invasive diagnostic applications
Stepanov et al. Beat-to-beat cardiovascular hemodynamic parameters based on wavelet spectrogram of impedance data
Ghosh et al. Introduction of boosting algorithms in continuous non-invasive cuff-less blood pressure estimation using pulse arrival time
CN113288103B (zh) 一种无创心排量监测系统与方法
Hegde et al. A review on ECG signal processing and HRV analysis
CN111000544A (zh) 基于ppg波形的混合式连续血压测量模型构建方法及系统
Galli et al. Robust ECG Denoising for eHealth applications
Mann et al. Exploring the impact of sensor location on seismocardiography-derived cardiac time intervals
Manimegalai et al. Wavelet Based Cardiovascular Parameters Estimation System from ECG and PPG Signals

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