CN113520368A - 一种咳嗽监测的方法、系统和存储设备 - Google Patents

一种咳嗽监测的方法、系统和存储设备 Download PDF

Info

Publication number
CN113520368A
CN113520368A CN202110783528.0A CN202110783528A CN113520368A CN 113520368 A CN113520368 A CN 113520368A CN 202110783528 A CN202110783528 A CN 202110783528A CN 113520368 A CN113520368 A CN 113520368A
Authority
CN
China
Prior art keywords
cough
reflected light
intensity data
peak
frequency noise
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
CN202110783528.0A
Other languages
English (en)
Inventor
谢招楷
李�昊
田有隆
陈献宇
徐术欢
余永先
陈骏
孔令豪
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.)
Fuzhou Institute Of Data Technology Co ltd
Original Assignee
Fuzhou Institute Of Data 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 Fuzhou Institute Of Data Technology Co ltd filed Critical Fuzhou Institute Of Data Technology Co ltd
Priority to CN202110783528.0A priority Critical patent/CN113520368A/zh
Publication of CN113520368A publication Critical patent/CN113520368A/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
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0823—Detecting or evaluating cough events
    • 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
    • A61B5/7239—Details of waveform analysis using differentiation including higher order derivatives
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pulmonology (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及数据处理技术领域，特别涉及一种咳嗽监测的方法和存储设备。所述一种咳嗽监测的方法，包括步骤：采集人体反射光信号强度数据；对反射光信号强度数据执行第一预设处理操作去掉低频噪声；对反射光信号强度数据执行第二预设处理操作去掉高频噪声；对去掉低频噪声和高频噪声后的反射光信号强度数据执行第三预设处理操作得波峰波谷点；对波峰波谷点进行分析得辅助判断咳嗽的数据。以上方法中是对设置于目标对象身体上的柔性传感器采集所述人体反射光信号强度数据来分析进而辅助判断咳嗽，因并不是采集声音，如此便避免了环境干扰噪声的影响，也无需额外配备视频装置进行辅助判断，大大节约成本。

Description

一种咳嗽监测的方法、系统和存储设备
技术领域
本发明涉及数据处理技术领域，特别涉及一种咳嗽监测的方法、系统和存储设备。
背景技术
呼吸频率或者呼吸幅度的异常、咳嗽等症状能够一定程度的反映出人体的心肺功能状态，是一些人体呼吸道疾病的早期征兆。对于健康人而言，咳嗽状况的监测可以有效的发现并预防呼吸道、肺部的变化。对于呼吸道病人而言，咳嗽情况可以反映病人当前的身体病变或者恢复情况。但是咳嗽情况一般通过患者自己或者家属在陪护过程中的记忆和口述，咳嗽时间、咳嗽次数、咳嗽严重程度等无法准确记录和量化，精确的咳嗽状况数据能为医生提供更加可靠的诊断依据。如要通过人工跟踪记录，耗时耗力，记录指标(如咳嗽严重程度等)也不全面。
目前，咳嗽检测多通过声音采集设备收集声纹信息，通过算法等技术手段提取音频信号的相关特征，经识别后判定咳嗽状态。但是声音信号容易受到环境干扰，此方法容易将环境噪音(如物体碰撞音等)误识别为咳嗽。为避免这种干扰，常用其他判别手段作为辅助，如使用摄像头检测人员是否有咳嗽动作，或者多采集终端，利用到达时间差判定声音来源方向，从而过滤声音干扰来源。
以上技术存在以下缺点：
缺点1：
通过声纹信息检测咳嗽，容易受到环境噪声干扰，造成咳嗽误判。
缺点2：
通过视频信息辅助检测，增加了判定的复杂度，同时也极大的提升了设备成本。另外视频检测时，对于人员较为密集的场所，由于人体遮挡或者拍摄角度的原因，有时也无法起到辅助判定的作用。
缺点3：
视频辅助判定系统对网络带宽有一定要求。同时，复杂的图像处算法，也需要较高处理器能力，成本较高。
发明内容
为此，需要提供一种咳嗽监测的方法，用以解决现有通过声音采集监测咳嗽受环境噪声影响大，误判率高，或增加视频辅助判断，导致成本高的技术问题。具体技术方案如下：
一种咳嗽监测的方法，包括步骤：
采集人体反射光信号强度数据；
对所述反射光信号强度数据执行第一预设处理操作去掉低频噪声；
对所述反射光信号强度数据执行第二预设处理操作去掉高频噪声；
对去掉低频噪声和高频噪声后的反射光信号强度数据执行第三预设处理操作得波峰波谷点；
对所述波峰波谷点进行分析得辅助判断咳嗽的数据。
进一步的，所述“采集人体反射光信号强度数据”，具体还包括步骤：
通过设置于目标对象胸腔上的柔性传感器采集所述人体反射光信号强度数据，或通过设置于目标对象腹部上的柔性传感器采集所述人体反射光信号强度数据。
进一步的，所述“对所述反射光信号强度数据执行第一预设处理操作去掉低频噪声”，具体还包括步骤：
通过傅里叶变换去掉所述反射光信号强度数据的低频噪声，所述傅里叶变换中用于过滤低频噪声的过滤阈值需低于呼吸频率。
进一步的，所述“对所述反射光信号强度数据执行第二预设处理操作去掉高频噪声”，具体还包括步骤：
通过三阶滤波器对所述反射光信号强度数据的信号曲线进行平滑处理。
进一步的，所述“对去掉低频噪声和高频噪声后的反射光信号强度数据执行第三预设处理操作得波峰波谷点”，具体还包括步骤：
通过二阶差分识别算法对去掉低频噪声和高频噪声后的反射光信号强度数据处理得波峰波谷点；
所述“通过二阶差分识别算法对去掉低频噪声和高频噪声后的反射光信号强度数据处理得波峰波谷点”，具体还包括步骤：
步骤S1：对信号数据v＝[v1，v2，…，vn]，计算V的一阶差分向量Diffv(i)＝vi+1-vi，q其中，i＝1，2，3，...，N-1；
步骤S2：对差分向量进行取符号函数运算，Trend＝sign(Diffv)，即遍历Diffv，若Diffv(i)大于0，则取1；如果小于0，则取-1，否则值为0；
Figure BDA0003158173650000031
步骤S3：从尾部遍历Trend向量，进行如下操作：
如果Trend(i)＝0且Trend(i+1)≥0，则Trend(i)＝1；
如果if Trend(i)＝0且Trend(i+1)＜0，则Trend(i)＝-1；
步骤S4：对Trend向量进行一阶差分运算，如同步骤2，得到R＝diff(Trend)；
步骤S5：遍历得到的差分向量R，如果R(i)＝-2，则i+1为投影向量V的一个峰值位，对应的峰值为V(i+1)；如果R(i)＝2，则i+1为投影向量V的一个波谷位，对应的波谷为V(i+1)。
进一步的，所述“对所述波峰波谷点进行分析得辅助判断咳嗽的数据”，具体还包括步骤：
记录相邻波峰波谷的幅值差值列表A，及相邻波峰波谷的时间差列表T；
通过预设算法将波峰波谷点分为两类：平稳呼吸的峰值点和异常呼吸点。
进一步的，还包括步骤：对于判定为咳嗽行为的信号数据集合，计算发生时间前后的量化指标；
所述量化指标包括以下中的一种或多种：信号来源唯一标识符ID、单次咳嗽起振峰、下落峰时间、单次咳嗽峰值大小、单次咳嗽持续时间、连续咳嗽总时长、连续咳嗽峰值平均幅度差、连续咳嗽峰次数。
进一步的，还包括步骤：
保存所述辅助判断咳嗽的数据至对应终端；
响应所述辅助判断咳嗽的数据请求查看指令，判断所述请求查看指令权限是否通过，若通过，则返回所述辅助判断咳嗽的数据。
进一步的，所述柔性传感器包括：柔性体和红外传感器；
当人体呼吸时，所述红外传感器的发射端与柔性体间的距离发生变化，进而所述红外传感器的接收端采集到的反射光信号强度也发生变化。
为解决上述技术问题，还提供了一种咳嗽监测的系统，具体技术方案如下：
一种咳嗽监测的系统，包括：柔性传感器和服务器；
所述柔性传感器通信连接所述服务器；
所述柔性传感器用于采集人体反射光信号强度数据，并发送所述人体反射光信号强度数据至所述服务器；
所述服务器用于执行上述提及的一种咳嗽检测的方法的任意步骤。。
为解决上述技术问题，还提供了一种存储设备，具体技术方案如下：
一种存储设备，其中存储有指令集，所述指令集用于执行：上述提及的一种咳嗽检测的方法的任意步骤。
本发明的有益效果是：一种咳嗽监测的方法，包括步骤：采集人体反射光信号强度数据；对所述反射光信号强度数据执行第一预设处理操作去掉低频噪声；对所述反射光信号强度数据执行第二预设处理操作去掉高频噪声；对去掉低频噪声和高频噪声后的反射光信号强度数据执行第三预设处理操作得波峰波谷点；对所述波峰波谷点进行分析得辅助判断咳嗽的数据。以上方法中是对设置于目标对象身体上的柔性传感器采集所述人体反射光信号强度数据来分析进而辅助判断咳嗽，因并不是采集声音，如此便避免了环境干扰噪声的影响，也无需额外配备视频装置进行辅助判断，大大节约成本。
进一步的，使用傅里叶变换过滤低频噪声，但是对高频噪声，不采用频谱过滤的方式，而是采用三阶Savitzky-Golay进行平滑，降低咳嗽的漏识别率。通过设置咳嗽的持续时间阈值，过滤了其他生理活动(如打呵欠)的干扰，降低了咳嗽的误识别率。
附图说明
图1为具体实施方式所述一种咳嗽监测的方法的流程图一；
图2为具体实施方式所述一种咳嗽监测的方法的流程图二；
图3为具体实施方式所述柔性传感器示意图；
图4为具体实施方式所述原始数据波形示意图；
图5为具体实施方式所述平滑处理后的信号波形示意图；
图6为具体实施方式所述一种咳嗽监测的系统的模块示意图；
图7为具体实施方式所述存储设备的模块示意图。
附图标记说明：
600、一种咳嗽监测的系统；
601、柔性传感器；
602、服务器；
700、存储设备。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
请参阅图1至图6，在本实施方式中，一种咳嗽监测的方法的具体实施方式如下：
步骤S101：采集人体反射光信号强度数据。在本实施方式中，通过设置于目标对象胸腔上的柔性传感器采集所述人体反射光信号强度数据，或通过设置于目标对象腹部上的柔性传感器采集所述人体反射光信号强度数据。所述柔性传感器包括：柔性体和红外传感器。其结构如图3所示，工作原理如下：内置的红外传感器发射端的发射光到达柔性体内壁，经由反射后到达红外传感器接收端。当人体呼吸时，腹部和胸部会相应的进行扩张和收缩，挤压柔性体，使发射端和柔性体之间的距离发生改变，红外传感器接收端采集到的反射光强度也随之发生变化。通过数据传输模块将获取到的人体反射光信号强度数据发送至对应的服务器，可以实时发送，亦可以设定每隔一段时间发送，如每隔5mins发送一次。以下实施方式以所述柔性传感器设置于腹部进行说明，但需要说明的是，所述柔性传感器可以设置于人体任意部位，只要能达到可以获取到可量化咳嗽与非咳嗽两种情况的指标即可，如设置在胸腔部等。
接收到所述人体反射光信号强度数据后，执行步骤S102：对所述反射光信号强度数据执行第一预设处理操作去掉低频噪声。原始数据由于传感器精度和环境干扰，佩戴是否紧密贴合以及人体抖动等原因，并不是平滑的曲线，而是有许多的毛刺。并且由于人体运动和佩戴位置的原因，柔性体和人体的距离会有变化，造成整体信号强度的上升或者下降。为准确抽取呼吸和咳嗽的特征，需要过滤这些干扰信息。典型原始信号如图4。
故所述“对所述反射光信号强度数据执行第一预设处理操作去掉低频噪声”，具体还包括步骤：通过傅里叶变换去掉所述反射光信号强度数据的低频噪声，所述傅里叶变换中用于过滤低频噪声的过滤阈值需低于呼吸频率。具体可如下：对于柔性体和人体腹部距离变化造成的整体信号强度的偏移，由于人体运动相对于呼吸信号是低频运动，所以本实施方式中第一预设处理操作为通过傅里叶变换去除其中的低频信号。需要注意的是，为防止过滤掉需要的呼吸频率信号，过滤阈值需要低于呼吸频率。正常成人呼吸频率为每分钟12～20次，即0.2Hz～0.3Hz。实际阈值的选择需要根据硬件和环境进行微调。本实施方式中选取典型阈值fl为0.1Hz。将原始信号进行傅里叶频域变换后，截去低于fl的频率，然后反变换得到整体信号强度漂移状况优化后的数据S1。
使用傅里叶变换过滤低频噪声，但是对高频噪声，不采用频谱过滤的方式，而是采用三阶Savitzky-Golay进行平滑，降低咳嗽的漏识别率。通过设置咳嗽的持续时间阈值，过滤了其他生理活动(如打呵欠)的干扰，降低了咳嗽的误识别率。
步骤S103：对所述反射光信号强度数据执行第二预设处理操作去掉高频噪声。具体还包括步骤：通过三阶滤波器对所述反射光信号强度数据的信号曲线进行平滑处理。具体可如下：
针对原始数据中的毛刺，由于咳嗽的开始和结束时间比较短，通常在0.5S内完成。如果采用频谱过滤高频噪声信号，容易将咳嗽信号特征也清除，造成咳嗽的漏判。本实施方式采用Savitzky-Golay三阶滤波器对信号曲线进行平滑处理。
Figure BDA0003158173650000071
它使用最小二乘法将数据的一个小窗口回归到多项式上，然后使用多项式来估计窗口中心的点。其中hi是平滑系数，尽可能减小平滑对有用信息的影响。所以采用基于最小二乘原理，多项式拟台
Figure BDA0003158173650000072
Savitzky-Golay算法可以在同一段曲线上的任意位置，任意选取不同的窗宽，满足不同平滑滤波的需要；尤其是处理时序数据时，对于不同阶段的序列处理优势明显；处理非周期和非线性来源的噪音样本效果也很好。本实施方式中采集设备的频率为250Hz，因此平滑窗口宽度设成100个点。得到的平滑后的曲线如图5所示。
步骤S104：对去掉低频噪声和高频噪声后的反射光信号强度数据执行第三预设处理操作得波峰波谷点。人体咳嗽时，由于人体胸腹腔的运动，与平时平稳呼吸的信号相比，幅度或者呼吸频率均不一样。对此，首先需要的是对信号进行波峰波谷点的特征检测。具体实施方式如下：
通过二阶差分识别算法对去掉低频噪声和高频噪声后的反射光信号强度数据处理得波峰波谷点；
所述“通过二阶差分识别算法对去掉低频噪声和高频噪声后的反射光信号强度数据处理得波峰波谷点”，具体还包括步骤：
步骤S1：对信号数据v＝[v1，v2，…，vn]，计算V的一阶差分向量Diffv(i)＝Vi+1-vi，其中，i＝1，2，3，...，N-1；
步骤S2：对差分向量进行取符号函数运算，Trend＝sign(Diffv)，即遍历Diffv，若Diffv(i)大于0，则取1；如果小于0，则取-1，否则值为0；
Figure BDA0003158173650000081
步骤S3：从尾部遍历Trend向量，进行如下操作：
如果Trend(i)＝0且Trend(i+1)≥0，则Trend(i)＝1；
如果if Trend(i)＝0且Trend(i+1)＜0，则Trend(i)＝-1；
步骤S4：对Trend向量进行一阶差分运算，如同步骤2，得到R＝diff(Trend)；
步骤S5：遍历得到的差分向量R，如果R(i)＝-2，则i+1为投影向量V的一个峰值位，对应的峰值为V(i+1)；如果R(i)＝2，则i+1为投影向量V的一个波谷位，对应的波谷为V(i+1)。
步骤S105：对所述波峰波谷点进行分析得辅助判断咳嗽的数据。具体还包括步骤：记录相邻波峰波谷的幅值差值列表A，及相邻波峰波谷的时间差列表T；通过预设算法将波峰波谷点分为两类：平稳呼吸的峰值点和异常呼吸点。具体可如下：
对于幅值差值列表A，由于咳嗽时，人体胸腹腔急速呼气，与平时平稳的呼吸信号的幅值相比，会有很大的变化。典型的幅值变化约为3-5倍，具体倍数与硬件设计以及传感器型号等相关，需要经过实验验证判别。通过KNN邻近算法，很容易将波峰波谷点分成两类：平稳呼吸的峰值点和有明显增幅的异常呼吸点。记录明显增幅的点为集合Au。
在集合Au中，查看对应波峰波谷的时间差Tu。人体的其他生理反应，也会引起呼吸幅度的明显变化，典型如打呵欠，大声喊叫等。但是与咳嗽相比，咳嗽起振峰、下落峰时间差较大。如不排除这类活动的影响，会造成较多的咳嗽误判。本实施方式中，将时间差大于1s的波动数据，均不判定为咳嗽。记判定为咳嗽行为的信号数据集合为Sc。
对于判定为咳嗽行为的信号数据集合Sc，计算发生时间前后的量化指标；
所述量化指标包括以下中的一种或多种：
信号来源唯一标识符ID、
单次咳嗽起振峰ts、下落峰时间te，即一次咳嗽信号段中信号起始点到峰值时间和峰值时间到信号结束的阈值、
单次咳嗽峰值大小asm，即一次咳嗽信号段中声音信号振幅到达最大振幅的阈值、
单次咳嗽持续时间Ti，即一次咳嗽信号段中信号起始点到结束时的阈值、
连续咳嗽总时长Tt，即一次连续咳嗽第一次咳嗽时间开始到最后一次咳嗽结束、
连续咳嗽峰值平均幅度差Aavg，即一次连续咳嗽中峰值之间的差的平均值、
连续咳嗽峰次数Cc，即连续咳嗽中出现峰值的次数。
进一步的，还包括步骤：保存所述辅助判断咳嗽的数据至对应终端；响应所述辅助判断咳嗽的数据请求查看指令，判断所述请求查看指令权限是否通过，若通过，则返回所述辅助判断咳嗽的数据。具体可如下：
服务器通过上述算法分析各采集终端上传的信号数据后，保存至数据库中备用。医生或者病人可以通过APP或者网页与数据库通信，获得该病人的咳嗽情况，包括咳嗽发生时间，某次咳嗽是否严重，咳嗽是否密集连续发生等。通过观察多日的数据统计，也可了解病人咳嗽情况是否好转或者恶化，为进一步的诊疗提供参考。整体流程图可参阅图2。
一种咳嗽监测的方法，包括步骤：通过设置于目标对象身体上的柔性传感器采集人体反射光信号强度数据；对所述反射光信号强度数据执行第一预设处理操作去掉低频噪声；对所述反射光信号强度数据执行第二预设处理操作去掉高频噪声；对去掉低频噪声和高频噪声后的反射光信号强度数据执行第三预设处理操作得波峰波谷点；对所述波峰波谷点进行分析得辅助判断咳嗽的数据。以上方法中是对设置于目标对象身体上的柔性传感器采集所述人体反射光信号强度数据来分析进而辅助判断咳嗽，因并不是采集声音，如此便避免了环境干扰噪声的影响，也无需额外配备视频装置进行辅助判断，大大节约成本。
请参阅图6，在本实施方式中，一种咳嗽监测的系统600的具体实施方式如下：
一种咳嗽监测的系统600，包括：柔性传感器601和服务器602；
所述柔性传感器601通信连接所述服务器602；
所述柔性传感器601用于采集人体反射光信号强度数据，并发送所述人体反射光信号强度数据至所述服务器602；
所述服务器602用于执行上述提及的一种咳嗽检测的方法的任意步骤。
其中，所述柔性传感器601包括：柔性体和红外传感器；
当人体呼吸时，所述红外传感器的发射端与柔性体间的距离发生变化，进而所述红外传感器的接收端采集到的反射光信号强度也发生变化。
上述系统是通过设置于目标对象身体上的柔性传感器601采集人体反射光信号强度数据，并对设置于目标对象身体上的柔性传感器601采集所述人体反射光信号强度数据来分析进而辅助判断咳嗽，因并不是采集声音，如此便避免了环境干扰噪声的影响，也无需额外配备视频装置进行辅助判断，大大节约成本。
请参阅图7，在本实施方式中，一种存储设备700的具体实施方式如下：
一种存储设备700，其中存储有指令集，所述指令集用于执行：上述提及的一种咳嗽检测的方法的任意步骤。
需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。

Claims (10)

1.一种咳嗽监测的方法，其特征在于，包括步骤：
采集人体反射光信号强度数据；
对所述反射光信号强度数据执行第一预设处理操作去掉低频噪声；
对所述反射光信号强度数据执行第二预设处理操作去掉高频噪声；
对去掉低频噪声和高频噪声后的反射光信号强度数据执行第三预设处理操作得波峰波谷点；
对所述波峰波谷点进行分析得辅助判断咳嗽的数据。
2.根据权利要求1所述的一种咳嗽监测的方法，其特征在于，所述“采集人体反射光信号强度数据”，具体还包括步骤：
通过设置于目标对象胸腔上的柔性传感器采集所述人体反射光信号强度数据，或通过设置于目标对象腹部上的柔性传感器采集所述人体反射光信号强度数据。
3.根据权利要求1所述的一种咳嗽监测的方法，其特征在于，所述“对所述反射光信号强度数据执行第一预设处理操作去掉低频噪声”，具体还包括步骤：
通过傅里叶变换去掉所述反射光信号强度数据的低频噪声，所述傅里叶变换中用于过滤低频噪声的过滤阈值需低于呼吸频率。
4.根据权利要求1所述的一种咳嗽监测的方法，其特征在于，所述“对所述反射光信号强度数据执行第二预设处理操作去掉高频噪声”，具体还包括步骤：
通过三阶滤波器对所述反射光信号强度数据的信号曲线进行平滑处理。
5.根据权利要求1所述的一种咳嗽监测的方法，其特征在于，所述“对去掉低频噪声和高频噪声后的反射光信号强度数据执行第三预设处理操作得波峰波谷点”，具体还包括步骤：
通过二阶差分识别算法对去掉低频噪声和高频噪声后的反射光信号强度数据处理得波峰波谷点；
所述“通过二阶差分识别算法对去掉低频噪声和高频噪声后的反射光信号强度数据处理得波峰波谷点”，具体还包括步骤：
步骤S1：对信号数据V＝[v1，v2，…，vn]，计算V的一阶差分向量Diffv(i)＝Vi+1-Vi，q其中，i＝1，2，3，...，N-1；
步骤S2：对差分向量进行取符号函数运算，Trend＝sign(Diffv)，即遍历Diffv，若Diffv(i)大于0，则取1；如果小于0，则取-1，否则值为0；
Figure FDA0003158173640000021
步骤S3：从尾部遍历Trend向量,进行如下操作：
如果Trend(i)＝0且Trend(i+1)≥0，则Trend(i)＝1；
如果if Trend(i)＝0且Trend(i+1)<0，则Trend(i)＝-1；
步骤S4：对Trend向量进行一阶差分运算，如同步骤2，得到R＝diff(Trend)；
步骤S5：遍历得到的差分向量R，如果R(i)＝-2，则i+1为投影向量V的一个峰值位，对应的峰值为V(i+1)；如果R(i)＝2，则i+1为投影向量V的一个波谷位，对应的波谷为V(i+1)。
6.根据权利要求1所述的一种咳嗽监测的方法，其特征在于，所述“对所述波峰波谷点进行分析得辅助判断咳嗽的数据”，具体还包括步骤：
记录相邻波峰波谷的幅值差值列表A，及相邻波峰波谷的时间差列表T；
通过预设算法将波峰波谷点分为两类：平稳呼吸的峰值点和异常呼吸点；
对于判定为咳嗽行为的信号数据集合，计算发生时间前后的量化指标；
所述量化指标包括以下中的一种或多种：信号来源唯一标识符ID、单次咳嗽起振峰、下落峰时间、单次咳嗽峰值大小、单次咳嗽持续时间、连续咳嗽总时长、连续咳嗽峰值平均幅度差、连续咳嗽峰次数。
7.根据权利要求1至6任一所述的一种咳嗽监测的方法，其特征在于，还包括步骤：
保存所述辅助判断咳嗽的数据至对应终端；
响应所述辅助判断咳嗽的数据请求查看指令，判断所述请求查看指令权限是否通过，若通过，则返回所述辅助判断咳嗽的数据。
8.根据权利要求1至7任一所述的一种咳嗽监测的方法，其特征在于，所述柔性传感器包括：柔性体和红外传感器；
当人体呼吸时，所述红外传感器的发射端与柔性体间的距离发生变化，进而所述红外传感器的接收端采集到的反射光信号强度也发生变化。
9.一种咳嗽监测的系统，其特征在于，包括：柔性传感器和服务器；
所述柔性传感器通信连接所述服务器；
所述柔性传感器用于采集人体反射光信号强度数据，并发送所述人体反射光信号强度数据至所述服务器；
所述服务器用于执行权利要求1至7任一所述的一种咳嗽检测的方法。
10.一种存储设备，其中存储有指令集，其特征在于，所述指令集用于执行：权利要求1至7任一所述的一种咳嗽检测的方法。
CN202110783528.0A 2021-07-12 2021-07-12 一种咳嗽监测的方法、系统和存储设备 Pending CN113520368A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110783528.0A CN113520368A (zh) 2021-07-12 2021-07-12 一种咳嗽监测的方法、系统和存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110783528.0A CN113520368A (zh) 2021-07-12 2021-07-12 一种咳嗽监测的方法、系统和存储设备

Publications (1)

Publication Number Publication Date
CN113520368A true CN113520368A (zh) 2021-10-22

Family

ID=78098499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110783528.0A Pending CN113520368A (zh) 2021-07-12 2021-07-12 一种咳嗽监测的方法、系统和存储设备

Country Status (1)

Country Link
CN (1) CN113520368A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115913392A (zh) * 2022-10-31 2023-04-04 中国矿业大学 一种基于超声波信号的潜在尘肺病预警方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07376A (ja) * 1993-06-15 1995-01-06 Chiesuto M I Kk 咳記録装置
CN101732050A (zh) * 2009-12-04 2010-06-16 西安交通大学 一种基于光电容积波的呼吸率监测方法
CN106659427A (zh) * 2014-06-26 2017-05-10 皇家飞利浦有限公司 肺部状况的无创监测
CN109381203A (zh) * 2017-08-07 2019-02-26 辽宁开普医疗系统有限公司 一种新生儿dr呼吸同步曝光控制处理方法及其装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07376A (ja) * 1993-06-15 1995-01-06 Chiesuto M I Kk 咳記録装置
CN101732050A (zh) * 2009-12-04 2010-06-16 西安交通大学 一种基于光电容积波的呼吸率监测方法
CN106659427A (zh) * 2014-06-26 2017-05-10 皇家飞利浦有限公司 肺部状况的无创监测
CN109381203A (zh) * 2017-08-07 2019-02-26 辽宁开普医疗系统有限公司 一种新生儿dr呼吸同步曝光控制处理方法及其装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宋知用: "MATLAB数字信号处理85个实用案例精讲 入门到进阶", 北京航空航天大学出版社, pages: 278 - 283 *
彭嘉鹏 等: "基于加速度传感器的呼吸信号检测系统设计", 航空航天医学杂志, pages 1297 - 1299 *
胡红波 等: "一种PET/CT呼吸门控系统的设计", 论著, pages 29 - 31 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115913392A (zh) * 2022-10-31 2023-04-04 中国矿业大学 一种基于超声波信号的潜在尘肺病预警方法

Similar Documents

Publication Publication Date Title
EP2945537B1 (en) Detection of sleep apnea using respiratory signals
CN108388912B (zh) 基于多传感器特征优化算法的睡眠分期方法
US9357953B2 (en) System and method for diagnosing sleep apnea
EP2677927B1 (en) Respiration monitoring method and system
US20230043406A1 (en) Noninvasive method and system for sleep apnea detection
US9198634B2 (en) Medical decision support system
WO2006054306A2 (en) Sleep staging based on cardio-respiratory signals
US20040133115A1 (en) Method and apparatus for identifying heart rate feature events
CN111919242B (zh) 用于处理多个信号的系统和方法
CN110693488A (zh) 心电信号处理系统、方法、电子设备及可读存储介质
WO2021123271A1 (en) Device and process for ecg measurements
CN113520368A (zh) 一种咳嗽监测的方法、系统和存储设备
CN110522443B (zh) 基于心电信号的房室传导阻滞检测方法、装置和电子设备
CN111839494A (zh) 一种心率监测方法及系统
KR101029386B1 (ko) 실시간 심전도 모니터링 시스템을 위한 큐알에스 검출 방법
CN113273992B (zh) 信号处理方法及装置
CN113509169A (zh) 一种基于多参数非接触睡眠呼吸暂停检测系统及方法
Yang et al. Adaptive change point detection for respiratory variables
CN113749620B (zh) 一种睡眠呼吸暂停检测方法、系统、设备及存储介质
Aoude et al. Power-based segmentation of respiratory signals using forward-backward bank filtering
US20230263423A1 (en) Processing recordings of a subject&#39;s breathing
CN116473524A (zh) 一种基于光感传感器检测血管硬化参数的方法及系统
CN118102973A (zh) 用于分析生理信号的系统和方法
CN116019422A (zh) 一种阻塞性呼吸暂停识别方法及相关设备

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