CN113520380A - 基于ecg和ppg信号的无创血糖估计方法 - Google Patents
基于ecg和ppg信号的无创血糖估计方法 Download PDFInfo
- Publication number
- CN113520380A CN113520380A CN202110659994.8A CN202110659994A CN113520380A CN 113520380 A CN113520380 A CN 113520380A CN 202110659994 A CN202110659994 A CN 202110659994A CN 113520380 A CN113520380 A CN 113520380A
- Authority
- CN
- China
- Prior art keywords
- signal
- ecg
- signals
- filtering
- follows
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000008280 blood Substances 0.000 title claims abstract description 46
- 210000004369 blood Anatomy 0.000 title claims abstract description 46
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims description 30
- 239000008103 glucose Substances 0.000 title claims description 30
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 230000001360 synchronised effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 30
- 238000005070 sampling Methods 0.000 claims description 23
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 8
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 241000282414 Homo sapiens Species 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 239000000306 component Substances 0.000 description 8
- 206010012601 diabetes mellitus Diseases 0.000 description 8
- 230000007717 exclusion Effects 0.000 description 6
- 201000009104 prediabetes syndrome Diseases 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 238000013519 translation Methods 0.000 description 5
- 208000002705 Glucose Intolerance Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001771 impaired effect Effects 0.000 description 4
- 238000010241 blood sampling Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 206010018429 Glucose tolerance impaired Diseases 0.000 description 2
- 208000001280 Prediabetic State Diseases 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 208000037157 Azotemia Diseases 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 206010048038 Wound infection Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012503 blood component Substances 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 208000009852 uremia Diseases 0.000 description 1
- 210000002700 urine Anatomy 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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/725—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
-
- 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
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及血糖检测的技术领域,特别是涉及基于ECG和PPG信号的无创血糖估计方法,使用了较为新颖且在血糖检测领域极具潜力的无创血糖检测技术,避免患者需要频繁购买检测设备,以及有创检测所带来的痛苦和风险,在计算速度和准确率上能够得到一定的提升;包括以下步骤:S1、使用生物传感器MAX86150评估套件同步采集所需的ECG和PPG信号,具体方式为:以400Hz的采集频率共采集60s的ECG和PPG信号;S2、对上述两种信号中的噪声进行滤除,然后从两种信号中提取出所需的特征,最后再通过机器学习技术预计血糖值。
Description
技术领域
本发明涉及血糖检测的技术领域,特别是涉及基于ECG和PPG信号的无创血糖估计方法。
背景技术
糖尿病表现为为血液和尿液中葡萄糖含量超出正常水平。长期血糖异常会引起一系列并发症,如尿毒症、心脑血管病、失明等,所以必须及时治疗,否则将会对患者的生命安全造成威胁。根据第9版全球糖尿病地图,人类的糖耐量受损(IGT)正逐渐年轻化,这意味着糖尿病发病人群正呈现年轻化趋势。糖耐量受损(IGT)是糖调节受损(IGR)的一种,而糖调节受损被称为糖尿病前期,这是因为糖调节受损指血糖超标但是未被确诊糖尿病,所以糖调节受损患者未来有很大的可能会进一步发展成糖尿病患者。
糖尿病已经成为威胁人类正常生活的一大紧急情况之一,其患病人数之多、发病率上升之快、经济消耗之大,值得引起全球的关注,需要各个国家团结一心、共同应对,早预防、早诊断、早治疗,避免患病人数向着不可控的方向发展。
现在国际上卫生机构使用的血糖检测方法一般有两种,第一种是采集静脉血液,然后使用生化分析仪分析血液成分来测得血糖浓度,但是这种测量方法只能在医院中使用,并且需要专业的医护人员来操作,测量难度大、获取检测结果时间长,不易普及使用。第二种检测方式是使用指尖采血来获取血糖值,也需要专业设备,但是使用简单,随时随地可以操作,且3~5秒即可获得结果。该方法患者通常一天内需要进行3~5次采血检测,检测一般在餐前餐后以及运动前后进行,但是由于每次采血都需要使用细微针头扎破手指以获取血液,所以容易对患者造成心理压力以及容易引起伤口感染,使患者产生厌恶感,且由于检测使用的酒精棉片、针头、检测试纸都是一次性的,所以长期检测成本较高。
发明内容
为解决上述技术问题,本发明提供基于ECG和PPG信号的无创血糖估计方法,使用了较为新颖且在血糖检测领域极具潜力的无创血糖检测技术,避免患者需要频繁购买检测设备,以及有创检测所带来的痛苦和风险,在计算速度和准确率上能够得到一定的提升。
本发明的基于ECG和PPG信号的无创血糖估计方法,
包括以下步骤:
S1、使用生物传感器MAX86150评估套件同步采集所需的ECG和PPG信号,具体方式为:以400Hz的采集频率共采集60s的ECG和PPG信号;
S2、对上述两种信号中的噪声进行滤除,然后从两种信号中提取出所需的特征,最后再通过机器学习技术预计血糖值。
本发明的基于ECG和PPG信号的无创血糖估计方法,所述步骤S2具体方案如下:
S201、使用中值滤波法来滤除信号中的高频噪声;
S202、使用小波变换法滤除信号中的基线漂移噪声;
S203、在对信号进行处理步骤S201以及S202后,进行信号特征提取;
S204、信号特征提取后,得到人体的身高体重年龄、检测时室温以及检测时间共同作为机器学习特征,然后使用LightGBM完成对血糖的检测。
本发明的基于ECG和PPG信号的无创血糖估计方法,所述步骤S203中信号提取过程中,将信号分为24个帧Sframe(τ,n),τ代表每个帧内的数据编号,n代表帧的编号,每个帧持续时长为5s,帧长度Lframe为2000,帧之间的数据重叠率为50%;
提取的信号特征为:
(a)、PWTT特征,提取方式为:通过ECG和PPG信号中特征点的识别来计算PWTT特征,ECG信号的R波峰值点与PPG信号的上升支上升点之间的时间差就是PWTT;
(b)、Kaiser-Teager特征,提取方式为:
假设有一个离散信号x(n),其Kaiser-Teager能量算子的计算公式为:
KTE(x(n))=x2(n)-x(n+1)×x(n-1);
其中,n、n+1和n-1分别代表某个采样点以及其前后采样点;
假设原始信号为Xn=Acos(w0(n)+θ),则有:
Xn+1=Acos(ω0(n+1)+θ)
Xn-1=Acos(ω0(n-1)+θ)
根据三角函数公式,化简可得:
KTE(x(n))=A2sin2(ω0(n))
上式的成立条件为:
fmax=fx/4
其中,fmax为信号最大频率,fx为采样频率;
当ω0足够小时,sin(ω0(n))≈ω0(n),则Kaiser-Teager能量算子的计算公式可化简为:
KTE(x(n))=A2(ω0(n))2;
Kaiser-Teager能量算子为信号幅值和角频率平方的乘积,因此可以同时反应信号瞬时的幅值特性和角频率特性;
(c)、心率特征;
(d)、光谱熵特征,提取方式:
计算光谱熵首先需得到信号的功率谱,而信号功率谱是通过对数据帧Sframe进行短时傅里叶变换得到的,公式如下:
Xn=FFT(Sframe(τ,n),LFFT);
(e)光谱能量对数特征,该特征的计算公式如下:
本发明的基于ECG和PPG信号的无创血糖估计方法,所述步骤S201的具体步骤如下:
对一维数字信号序列k(1),k(2),...,k(n)进行中值滤波,必须先确定选取中值的邻域大小,该邻域被称为滤波窗口,为方便取值,滤波窗口m通常定义为奇数;
假设某一时刻,窗口内的信号序列为k(i-v),...,k(i-1),k(i),k(i+1),...,k(i+v),其中k(i)为滤波窗口中心,v=(m-1)/2,将这m个数进行排序后中间的值即为滤波输出,用于替换k(i);中值滤波算法的数学公式如下:
y(i)=mid{k(i-v),...,k(i),...,k(i+v)},i∈N,v=(m-1)/2
其中y(i)为序列k(i-v)到k(i+v)的中值,mid为求序列中值的函数,N为序列的长度。
本发明的基于ECG和PPG信号的无创血糖估计方法,所述步骤S202的具体步骤如下:
在小波函数中,db3小波最接近心电信号特征,因此选用db3作为ECG和PPG信号小波变换的小波基函数,并通过7层分解来分离信号中的有用分量和基线漂移分量;
进行7尺度小波分解后,分解层a7为原始信号基线漂移噪声,因此在重构过程中,只需要去掉包含基线信息的a7分量,即可去掉原始信号中的基线漂移噪声。
与现有技术相比本发明的有益效果为:
(1)本发明使用了较为新颖且在血糖检测领域极具潜力的无创血糖检测技术,避免患者需要频繁购买检测设备,以及有创检测所带来的痛苦和风险,在计算速度和准确率上能够得到一定的提升。
(2)本发明提出了使用MAX86150同步采集ECG和PPG信号,并提出了对其进行滤波的方法,能够得到干净的两种信号,便于从信号中得到有用的生理病理信息。
(3)本发明提出了一系列代表生理病理信息的特征,包括Kaiser-Teager特征、心率特征、光谱熵特征和光谱能量对数特征,还提出了额外使用身高、体重、检测时室温、检测时间等特征的特征提取方案,便于提高血糖预测的准确率。
(4)本发明提出了使用LightGBM作为血糖预测的基本机器学习方法,并得到了很好的预测效果。
附图说明
图1是本发明的流程图;
图2是生物传感器MAX86150评估套件的结构图;
图3是生物传感器MAX86150评估套件的软件界面图;
图4是同步采集时,手指放置位置图;
图5是使用生物传感器MAX86150评估套件直接采集得到的信号图;
图6是PWTT的获取方式图;
图7是中值滤波的滤波效果图;
图8是步骤S202中分解过程图;
图9是步骤S202中分解结果图;
图10是小波变换基本流程图;
图11是Mallat算法分解过程图;
图12是Mallat算法重构过程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本发明的基于ECG和PPG信号的无创血糖估计方法,包括以下步骤:
S1、如图2所示的生物传感器MAX86150评估套件的结构图,使用生物传感器MAX86150评估套件同步采集所需的ECG和PPG信号,生物传感器MAX86150评估套件型号为MAX86150EVSYS,具体方式为:以400Hz的采集频率共采集60s的ECG和PPG信号;
生物传感器MAX86150评估套件具有以下优势:为评估ECG和PPG信号提供了久经验证的平台,其软件界面如图3所示,评估套件通过蓝牙与软件进行通信,此外还可通过软件控制评估板采集前端的寄存器,利于对信号进行调整;
在进行同步采集时,手指的放置位置如图4所示,其中,两个不锈钢干电极片用于ECG信号采集,LED灯部分用于PPG信号采集,为了避免引入更多的电源噪声,使用锂电池进行供电;
使用生物传感器MAX86150评估套件采集得到的信号,如图5所示,通过对直接采集到的信号进行观察后发现,信号中存在较多的高频噪声和基线漂移噪声,必须进行滤波;
S2、对上述两种信号中的噪声进行滤除,然后从两种信号中提取出所需的特征,最后再通过机器学习技术预计血糖值。
本发明的基于ECG和PPG信号的无创血糖估计方法,所述步骤S2具体方案如下:
S201、使用中值滤波法来滤除信号中的高频噪声;
S202、使用小波变换法滤除信号中的基线漂移噪声;
S203、在对信号进行处理步骤S201以及S202后,进行信号特征提取;
S204、信号特征提取后,得到人体的身高体重年龄、检测时室温以及检测时间共同作为机器学习特征,然后使用LightGBM完成对血糖的检测;
LightGBM最主要的创新是使用了单边梯度抽样算法(Grandient-based On-SideSampling,GOSS)和互斥特征捆绑算法(Exclusive Feature Bundling,EFB);
GOSS从减少样本角度进行优化,它对样本进行了采样,但是GBDT算法中原始样本的权重值不存在,因此不能使用样本的权重值作为采样依据,所以GOSS在采样时利用了GBDT算法中每个样本都有不同的梯度值这一特点,根据样本的梯度大小进行采样;GOSS在减少数据量和保证精度上做了一种平衡,它保留所有梯度大的样本,并在梯度小的样本上进行随机采样,因此大量减少了小梯度样本;同时为了避免因采样导致样本数据分布出现变化而对结果产生影响,GOSS将采样后剩余的小梯度样本乘以常量来平衡采样影响;
EFB从减少特征角度进行优化,它通过特征捆绑来减少特征数量;由于高维特征往往是稀疏的,所以会出现大量特征互斥(一个特征值为零,一个特征值不为零)或部分互斥(部分情况下两个特征都非零,用互斥率对其程度进行衡量)的情况,对互斥特征以及互斥率较低的特征进行捆绑,不会影响模型的精度;EFB算法遍历所有数值特征,遇到可以被捆绑的特征则进行捆绑并使用特征直方图进行代替,因此特征数量大量减少,算法的时间复杂度得到了很大程度降低,大幅度提高了模型的训练速度。
本发明的基于ECG和PPG信号的无创血糖估计方法,所述步骤S203中信号提取过程中,将信号分为24个帧Sframe(τ,n),τ代表每个帧内的数据编号,n代表帧的编号,每个帧持续时长为5s,帧长度Lframe为2000,帧之间的数据重叠率为50%;
提取的信号特征为:
(a)、PWTT特征,提取方式为:如图6所示,通过ECG和PPG信号中特征点的识别来计算PWTT特征,ECG信号的R波峰值点与PPG信号的上升支上升点之间的时间差就是PWTT;
(b)、Kaiser-Teager特征,提取方式为:
假设有一个离散信号x(n),其Kaiser-Teager能量算子的计算公式为:
KTE(x(n))=x2(n)-x(n+1)×x(n-1);
其中,n、n+1和n-1分别代表某个采样点以及其前后采样点;
假设原始信号为Xn=Acos(w0(n)+θ),则有:
Xn+1=Acos(ω0(n+1)+θ)
Xn-1=Acos(ω0(n-1)+θ)
根据三角函数公式,化简可得:
KTE(x(n))=A2sin2(ω0(n))
上式的成立条件为:
fmax=fx/4
其中,fmax为信号最大频率,fx为采样频率;
当ω0足够小时,sin(ω0(n))≈ω0(n),则Kaiser-Teager能量算子的计算公式可化简为:
KTE(x(n))=A2(ω0(n))2;
Kaiser-Teager能量算子为信号幅值和角频率平方的乘积,因此可以同时反应信号瞬时的幅值特性和角频率特性;
当信号的幅值或角频率越大时,Kaiser-Teager能量算子也越大,并且Kaiser-Teager能量算子与信号的初始相位无关,在一定程度上避免了由于运动误差及信号串扰对ECG和PPG信号造成的干扰,有利于提高实验结果的准确率和稳定性;
(c)、心率特征;
心率(Heart Rate,HR)指的是每分钟人体心脏的跳动次数,每个人的年龄、身体状态不同,心率会在正常的范围内波动,但一般都在60~100次/分范围内;心率失常往往和心血管疾病有着非常密切的关联,同时研究表明,确诊糖尿病患者、未确诊糖尿病患者和糖尿病前期患者平均心率显著升高,所以心率和血糖之间存在某种联系;
(d)、光谱熵特征;
光谱熵指的是物质的熵值,它是从归一化功率谱中通过熵函数计算的标量,可以为信号提供谱线存在或倾斜的置信度指数;由于功率谱被归一化,面积为1,因此光谱熵也可以解释为概率分布,所以该特征的使用是有意义的;对于窄的谱线,光谱熵将取低值,而当光谱平坦或者具有低倾斜度时,光谱熵将取高值;因此,这个特征可以测量脉冲的阻尼、频谱形状、谐波分量和噪声的存在。
提取方式:
计算光谱熵首先需得到信号的功率谱,而信号功率谱是通过对数据帧Sframe进行短时傅里叶变换(FFT)得到的,公式如下:
Xn=FFT(Sframe(τ,n),LFFT);
(e)光谱能量对数特征,光谱能量对数特征是在帧级进行计算来估计呼吸速率的特征,尽管精度较差,但是对于低复杂度的估计有很好的效果;
该特征的计算公式如下:
本发明的基于ECG和PPG信号的无创血糖估计方法,所述步骤S201的具体步骤如下:
中值滤波:是一种非线性数字滤波技术,经常用于去除信号中的高频噪声,并且它能够较好地保留信号的边缘,避免信号的特征遭到破坏,因此在信号处理领域有着非常广泛的应用;中值滤波算法基于统计排序理论,算法实现简单,其基本原理是将信号中的某一点用其一定大小邻域内信号的中值代替,从而消除信号中的孤立噪声点,使信号更加平滑;
对一维数字信号序列k(1),k(2),...,k(n)进行中值滤波,必须先确定选取中值的邻域大小,该邻域被称为滤波窗口,为方便取值,滤波窗口m通常定义为奇数;
假设某一时刻,窗口内的信号序列为k(i-v),...,k(i-1),k(i),k(i+1),...,k(i+v),其中k(i)为滤波窗口中心,v=(m-1)/2,将这m个数进行排序后中间的值即为滤波输出,用于替换k(i);中值滤波算法的数学公式如下:
y(i)=mid{k(i-v),...,k(i),...,k(i+v)},i∈N,v=(m-1)/2
其中y(i)为序列k(i-v)到k(i+v)的中值,mid为求序列中值的函数,N为序列的长度;
中值滤波的滤波效果如图7所示。
本发明的基于ECG和PPG信号的无创血糖估计方法,所述步骤S202的具体步骤如下:
在小波函数中,db3小波最接近心电信号特征,因此选用db3作为ECG和PPG信号小波变换的小波基函数,并通过7层分解来分离信号中的有用分量和基线漂移分量,分解过程如图8所示;
进行7尺度小波分解后,分解层a7为原始信号基线漂移噪声,因此在重构过程中,只需要去掉包含基线信息的a7分量,即可去掉原始信号中的基线漂移噪声,分解结果如图9所示;
小波变换原理:
波变换就像一个“数学显微镜”,在一个多维的场中区分不同的尺度,也像一个“偏振器”,分离信号不同角度的贡献。它完美解决了傅里叶变换只能在频域分析的局限性,并且通过平移和伸缩能够从多尺度对信号进行细化分析,使信号在高频处时间细分,在低频处频率细分,从而显示信号的细节特征,因此被认为是时频分析和处理的理想工具。时至今日,小波变换已经出现在很多领域,如图像处理、医学成像与医学诊断等领域。
小波是一种特殊波形,它的长度有限并且均值为0。它有两个特殊性质,分别为快速衰减性和波动性,前者指的是小波在其时频域具有紧支集或近似紧支集,后者指的是小波具有振幅正负交替的震荡形式。
假设有一个函数ψ(t),其满足以下两个条件:
(1)函数ψ(t)平方可积,即ψ(t)∈L2(R);
则ψ(t)为一个基本小波或小波母函数,要通过基本小波得到小波基函数,只需要对ψ(t)进行平移和伸缩即可,数学表达式如下:
上式中,a被称为伸缩因子,b被称为平移因子,ψa,b(t)为参数为a和b的小波基函数。如果a,b取连续变化的值,则ψa,b(t)被称为连续小波基函数。ψa,b(t)是由同一母函数经伸缩和平移后得到的一组函数序列。
假设ψ(t)为母小波,ψa,b(t)是由ψ(t)经过平移和伸缩后的小波基函数。在L2(R)空间内任意一个函数x(t)在小波基下进行展开,称为函数x(t)的连续小波变换(CWT),变换式为:
小波变换也是一种积分变换,上式中,WTx(a,b)被称为小波变换系数,是ψ(t)的共轭运算。对信号进行时频域的分析,方法是通过调节平移及伸缩因子,得到具有不同“时间-频率”尺度的小波变换,其基本流程如图10所示;
如果在实际应用中使用连续变化的平移因子和伸缩因子,可想而知将大大增加小波变换的计算量,降低信号分析的效率。同时,连续小波变换虽然能获得更多信息,但是大部分信息都是冗余的,对需要关注的信号特征没有帮助。因此,为了解决计算量的问题,同时保留原始信号x(t)包含的信息,实际中会将伸缩因子a和平移因子b通过某种方式进行离散化,减少冗余信息,提高计算效率。
对于伸缩因子a,通常按照幂级数进行离散化,即令a为a0 0,a0 1,...,a0 j,则小波基函数ψa,b(t)离散为:
为计算方便,实际应用中通常令a0=2,b0=1,则此时ψa,b(t)为
上式中,我们称ψj,k(t)为离散小波基,则函数x(t)的离散小波变换表达式为:
此时,经过离散小波变换后并不会丢失原信号x(t)的信息,且降低了冗余,减少了运算量。
Mallat算法使得小波变换能够实现快速分解和重构,使其能够应用于更多的领域,对小波分析的推广起到了重要作用。
Mallat算法运用小波滤波器H、G和h、g对信号进行分解重构,其中H和h为低通滤波器,对应尺度函数,G和g为高通滤波器,对应小波函数。经过H和G滤波器逐层分解后可得到:
上式中,t为时间序列,f(t)为原始信号,j为分解尺度,Aj[f(t)]和Dj[f(t)]分别为在尺度j上的近似系数和细节系数。信号分层分解过程中,j层的细节系数Djf是通过j-1层的细节系数Dj-1f与G进行卷积运算并对卷积后的结果进行降采样得到的,同理j层的近似系数Ajf是通过j-1层的近似系数Aj-1f与H进行卷积运算并对所得结果进行降采样得到的。Mallat算法分解过程如图11所示。
从频域进行分析,Mallat算法的本质是通过多次使用高通滤波器和低通滤波器从而将原始信号分解成不同频率范围内的信号分量。由图11可得,在信号分解过程中,第j层上的细节系数Djf由第j-1层近似系数Aj-1f经过高通滤波器后得到,因此是Aj-1f的高半频带,第j层上的近似系数Ajf由第j-1层近似系数Aj-1f经过低通滤波器后得到,因此是Aj-1f的低半频带。原始信号分解过程中在每层都将得到小波系数,这些系数是后续信号重构的关键。重构过程可表示为如下公式:
由于分解过程中进行了隔点降采样,因此第j层细节系数Djf和近似系数Ajf与j-1层系数的长度不同,所以重构过程中需要先进行隔点插值操作,恢复系数Djf和Ajf的长度,再分别算出与g、h的卷积,最后将卷积结果相加得到第j-1层的近似系数Aj-1f,多次重复此过程即可得到原始信号。Mallat算法重构过程如图12所示。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (5)
1.基于ECG和PPG信号的无创血糖估计方法,其特征在于,包括以下步骤:
S1、使用生物传感器MAX86150评估套件同步采集所需的ECG和PPG信号,具体方式为:以400Hz的采集频率共采集60s的ECG和PPG信号;
S2、对上述两种信号中的噪声进行滤除,然后从两种信号中提取出所需的特征,最后再通过机器学习技术预计血糖值。
2.如权利要求1所述的基于ECG和PPG信号的无创血糖估计方法,其特征在于,所述步骤S2具体方案如下:
S201、使用中值滤波法来滤除信号中的高频噪声;
S202、使用小波变换法滤除信号中的基线漂移噪声;
S203、在对信号进行处理步骤S201以及S202后,进行信号特征提取;
S204、信号特征提取后,得到人体的身高体重年龄、检测时室温以及检测时间共同作为机器学习特征,然后使用LightGBM完成对血糖的检测。
3.如权利要求2所述的基于ECG和PPG信号的无创血糖估计方法,其特征在于,所述步骤S203中信号提取过程中,将信号分为24个帧Sframe(τ,n),τ代表每个帧内的数据编号,n代表帧的编号,每个帧持续时长为5s,帧长度Lframe为2000,帧之间的数据重叠率为50%;
提取的信号特征为:
(a)、PWTT特征,提取方式为:通过ECG和PPG信号中特征点的识别来计算PWTT特征,ECG信号的R波峰值点与PPG信号的上升支上升点之间的时间差就是PWTT;
(b)、Kaiser-Teager特征,提取方式为:
假设有一个离散信号x(n),其Kaiser-Teager能量算子的计算公式为:
KTE(x(n))=x2(n)-x(n+1)×x(n-1);
其中,n、n+1和n-1分别代表某个采样点以及其前后采样点;
假设原始信号为Xn=Acos(w0(n)+θ),则有:
Xn+1=Acos(ω0(n+1)+θ)
Xn-1=Acos(ω0(n-1)+θ)
根据三角函数公式,化简可得:
KTE(x(n))=A2sin2(ω0(n))
上式的成立条件为:
fmax=fx/4
其中,fmax为信号最大频率,fx为采样频率;
当ω0足够小时,sin(ω0(n))≈ω0(n),则Kaiser-Teager能量算子的计算公式可化简为:
KTE(x(n))=A2(ω0(n))2;
Kaiser-Teager能量算子为信号幅值和角频率平方的乘积,因此可以同时反应信号瞬时的幅值特性和角频率特性;
(c)、心率特征;
(d)、光谱熵特征,提取方式:
计算光谱熵首先需得到信号的功率谱,而信号功率谱是通过对数据帧Sframe进行短时傅里叶变换得到的,公式如下:
Xn=FFT(Sframe(τ,n),LFFT);
(e)光谱能量对数特征,该特征的计算公式如下:
4.如权利要求2所述的基于ECG和PPG信号的无创血糖估计方法,其特征在于,所述步骤S201的具体步骤如下:
对一维数字信号序列k(1),k(2),...,k(n)进行中值滤波,必须先确定选取中值的邻域大小,该邻域被称为滤波窗口,为方便取值,滤波窗口m通常定义为奇数;
假设某一时刻,窗口内的信号序列为k(i-v),...,k(i-1),k(i),k(i+1),...,k(i+v),其中k(i)为滤波窗口中心,v=(m-1)/2,将这m个数进行排序后中间的值即为滤波输出,用于替换k(i);中值滤波算法的数学公式如下:
y(i)=mid{k(i-v),...,k(i),...,k(i+v)},i∈N,v=(m-1)/2
其中y(i)为序列k(i-v)到k(i+v)的中值,mid为求序列中值的函数,N为序列的长度。
5.如权利要求2所述的基于ECG和PPG信号的无创血糖估计方法,其特征在于,所述步骤S202的具体步骤如下:
在小波函数中,db3小波最接近心电信号特征,因此选用db3作为ECG和PPG信号小波变换的小波基函数,并通过7层分解来分离信号中的有用分量和基线漂移分量;
进行7尺度小波分解后,分解层a7为原始信号基线漂移噪声,因此在重构过程中,只需要去掉包含基线信息的a7分量,即可去掉原始信号中的基线漂移噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659994.8A CN113520380A (zh) | 2021-06-15 | 2021-06-15 | 基于ecg和ppg信号的无创血糖估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659994.8A CN113520380A (zh) | 2021-06-15 | 2021-06-15 | 基于ecg和ppg信号的无创血糖估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113520380A true CN113520380A (zh) | 2021-10-22 |
Family
ID=78124929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110659994.8A Pending CN113520380A (zh) | 2021-06-15 | 2021-06-15 | 基于ecg和ppg信号的无创血糖估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113520380A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550940A (zh) * | 2022-04-26 | 2022-05-27 | 广东工业大学 | 基于Stacking模型融合的无创血糖估计方法、系统及存储介质 |
TWI823501B (zh) * | 2022-07-29 | 2023-11-21 | 中央研究院 | 基於光體積描記法的神經網絡之非侵入式血糖預測 |
-
2021
- 2021-06-15 CN CN202110659994.8A patent/CN113520380A/zh active Pending
Non-Patent Citations (4)
Title |
---|
"Maxim发布PPG和ECG生物传感器模块", 《测控技术》 * |
冯培华: "基于信号处理技术的无创血糖估计研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
刘宇巍: "基于PPG和ECG信号融合的无创血糖检测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
马爽等: "基于支持向量机的无创血糖光谱算法", 《计算机系统应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550940A (zh) * | 2022-04-26 | 2022-05-27 | 广东工业大学 | 基于Stacking模型融合的无创血糖估计方法、系统及存储介质 |
TWI823501B (zh) * | 2022-07-29 | 2023-11-21 | 中央研究院 | 基於光體積描記法的神經網絡之非侵入式血糖預測 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Real-time monitoring of respiration rhythm and pulse rate during sleep | |
Berwal et al. | Motion artifact removal in ambulatory ECG signal for heart rate variability analysis | |
Karlsson et al. | Time-frequency analysis of myoelectric signals during dynamic contractions: a comparative study | |
Xu et al. | Baseline wander correction in pulse waveforms using wavelet-based cascaded adaptive filter | |
CN104382571B (zh) | 一种基于桡动脉脉搏波传导时间的测量血压方法及装置 | |
Sobahi | Denoising of EMG signals based on wavelet transform | |
Raj et al. | A personalized point-of-care platform for real-time ECG monitoring | |
CN113520380A (zh) | 基于ecg和ppg信号的无创血糖估计方法 | |
CN1377485A (zh) | 处理生理信号的方法和装置 | |
Harper et al. | Time series analysis and sleep research | |
CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
Nakano et al. | Instantaneous heart rate detection using short-time autocorrelation for wearable healthcare systems | |
CN111714088B (zh) | 基于中医原理的人体特征指标检测方法和系统 | |
CN108720821A (zh) | 一种血压估计装置和血压估计系统 | |
CN112998704A (zh) | 一种可穿戴设备血氧饱和度计算方法 | |
Zanelli et al. | Transfer learning of CNN-based signal quality assessment from clinical to non-clinical PPG signals | |
Ranjan et al. | Cardiac artifact noise removal from sleep EEG signals using hybrid denoising model | |
US20150018631A1 (en) | Apparatus and Method for Measuring Physiological Signals | |
CN113729653A (zh) | 一种人体脉搏波信号采集方法 | |
Garg et al. | An effective method to identify various factors for denoising wrist pulse signal using wavelet denoising algorithm | |
Tajane et al. | Comparative analysis of mother wavelet functions with the ecg signals | |
CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
Suleman et al. | Respiratory Events Estimation From PPG Signals Using a Simple Peak Detection Algorithm | |
Fei et al. | A new type of wavelet de-noising algorithm for lung sound 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211022 |
|
RJ01 | Rejection of invention patent application after publication |