CN113647925A - 基于心冲击信号的心率确定方法及装置 - Google Patents

Abstract

本发明涉及一种基于心冲击信号的心率确定方法及装置，该方法包括：对采样序列中的心冲击信号进行预处理；对预处理后的心冲击信号进行极值点检测，得到多个极值点；针对所述采样序列中的每一个极值点确定对应的振幅阈值，若所述振幅阈值大于对应极值点的振幅，则确定所述对应极值点为噪声点，并所述对应极值点去掉；根据所述采样序列中去掉噪声点的各个极值点，确定心率值。本发明采用的是动态阈值算法，这种方式更能适应时刻动态变化的心冲击信号，可以提高J波波峰的检测准确率，从而提高心率计算的准确率。还有，相对于现有技术本发明涉及到的参数较少，不需要过多的参数，计算复杂度低，计算时间短、延迟短，有利于心率的实时监测。

Description

基于心冲击信号的心率确定方法及装置

技术领域

本发明涉及心率计算技术领域，尤其涉及一种基于心冲击信号的心率确定方法及装置。

背景技术

心冲击(英文为ballistocardiogram，简称BCG)信号是由心脏搏动和大动脉血液循环引起的人体对外压力的变化，可用于无接触的心脏活动检测。相对于现有的心血管检测手段，心冲击信号可以通过无干扰、非接触式的方式采集数据，在无约束的情况下从人体表面测得，其检测装置也可以设计在床或者椅子上。与其它心血管检测技术相比，BCG信号检测具有无创、无扰、无直接接触和检测方便等优势。在最近几年随着传感器和数字信号处理的发展，BCG信号逐渐受到研究人员的重视，研究表明BCG信号可以应用在心率、心率变异性以及心输出量等方面的检测，具有较高的实际价值。

正常人的BCG信号和心跳同步，且具有重复性。如图1所示，一个采样周期内的BCG信号主要包含H、I、J、K、M和N这几个特征位置，其中J波波峰的幅值最大，相邻两个采样周期内J波波峰的间隔为一个心动周期，通过心动周期可以获得实时的心率。常用的J波波峰检测方法有阈值法、伪周期法、自适应模版匹配法等，这些方法的计算时间长、时间延迟大，算法复杂度高，不利于用于BCG信号心率的实时监测。而且检测效果较差，导致心率计算不精确。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本发明提供了一种基于心冲击信号的心率确定方法及装置。

第一方面，本发明提供一种基于心冲击信号的心率确定方法，包括：

对采样序列中的心冲击信号进行预处理；

对预处理后的心冲击信号进行极值点检测，得到多个极值点；

针对所述采样序列中的每一个极值点确定对应的振幅阈值，若所述振幅阈值大于对应极值点的振幅，则确定所述对应极值点为噪声点，并所述对应极值点去掉；

根据所述采样序列中去掉噪声点的各个极值点，确定心率值。

第二方面，本发明提供一种基于心冲击信号的心率确定装置，包括：

预处理模块，用于对采样序列中的心冲击信号进行预处理；

极值点检测模块，用于对预处理后的心冲击信号进行极值点检测，得到多个极值点；

噪声点去除模块，用于针对所述采样序列中的每一个极值点确定对应的振幅阈值，若所述振幅阈值大于对应极值点的振幅，则确定所述对应极值点为噪声点，并所述对应极值点去掉；

心率计算模块，用于根据所述采样序列中去掉噪声点的各个极值点，确定心率值。

本实施例提供的基于心冲击信号的心率确定方法及装置，针对检测出的每一个极值点设置对应的振幅阈值，若极值点的振幅小于对应振幅阈值，则认为该极值点为噪声点，进而将其去掉，将剩余的极值点作为J波波峰，进而利用检测出来的J波波峰计算心率值。针对每一个极值点都会设置一个对应的振幅阈值，即本发明采用的是动态阈值算法，而不是针对所有的极值点都采用同一个振幅阈值，这种方式更能适应时刻动态变化的心冲击信号，而且如果采用统一的振幅阈值，统一的振幅阈值需要兼顾多个极值点，因此采用统一的振幅阈值有可能会出现漏掉噪声点的情况，而本发明就不存在这样的问题，因此本发明可以提高J波波峰的检测准确率，从而提高心率计算的准确率。还有，相对于现有技术本发明涉及到的参数较少，不需要过多的参数，计算复杂度低，计算时间短、延迟短，有利于心率的实时监测。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为在一个采样周期内的心冲击信号的波形示意图；

图2为本发明实施例中基于心冲击信号的心率确定方法的流程示意图；

图3为本发明实施例中一个采样序列的示意图；

图4为对图3示出的采样序列进行异常处理后得到的采样序列的示意图；

图5为对图4示出的采样序列进行滤波处理后得到的采样序列的示意图；

图6为对图5示出的采样序列进行极值点检测后得到的各个极值点在采样序列中的示意图；

图7为对图6中各个极值点对应的振幅阈值在采样序列中的示意图；

图8为去除图7中两个噪声点后得到的各个J波波峰在采样序列中的示意图；

图9为本发明实施例中基于心冲击信号的心率确定装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

第一方面，本发明提供一种基于心冲击信号的心率确定方法，如图2所示，该方法包括：

S100、对采样序列中的心冲击信号进行预处理；

可理解的是，心冲击信号是一种人体生物信号，具有频率低、强度低的特点，而且易受到呼吸、体动和外界干扰，导致直接采样得到的心冲击信号含有较多噪声，不能直接获得准确的生理特征信息，所以需要对采集到的心冲击信号进行预处理，以获得较为干净的心冲击信号。

在具体实施时，预处理可以包括去除异常点和/或滤波等。

下面通过步骤S110～S130对去除异常点的步骤进行说明：

S110、针对所述采样序列中一个采样点，获取该采样点之前最近的预设数量的采样点以及该采样点之后最近的预设数量的采样点；

其中，预设数量m可以根据需要设置，例如，预设数量m为1、2、3或其它正整数。由于在一个采样点之前取预设数量的采样点，在一个采样点之后也取预设数量的采样点，因此一共需取2m+1个采样点。

具体可以采用滑动窗口获取上述2m+1个采样点，通过滑动窗口可以获取该采样点之前最近的预设数量m的采样点、该采样点以及该采样点之后最近的预设数量m的采样点。

例如，设置滑动窗口的大小为5，则通过该滑动窗口可以获取到5个采样点，这5个采样点的信号值或者振幅为x1、x2、x3、x4、x5，第三个采样点之前最近的采样点有两个，第三个采样点之后最近的采样点也有两个，根据这五个采样点可以确定中心采样点——第三个采样点是否为异常点。

S120、根据该采样点的振幅和所述该采样点之前最近的预设数量的采样点中的任意一个采样点的振幅之间的大小关系以及该采样点的振幅和所述该采样点之后最近的预设数量的采样点中的任意一个采样点的振幅之间的大小关系，确定该采样点是否为异常点；

例如，针对上述5个采样点，若满足以下四种情况中的任何一个，就可以认为第三个采样点为异常点：

(1)|x3-x2|>thr且|x3-x4|>thr；

(2)|x3-x1|>thr且|x3-x5|>thr；

(3)|x3-x1|>thr且|x3-x4|>thr；

(4)|x3-x2|>thr且|x3-x5|>thr；

也就是说，第三个采样点的振幅与前两个采样点中任意一个采样点的振幅之间的差值的绝对值大于预设值thr，且第三个采样点的振幅与后两个采样点中任意一个采样点的振幅之间的差值的绝对值大于预设值thr，则认为第三个采样点为异常点。

如果滑动窗口的大小设置为7，则会有3*3＝9种情况，只要满足九种情况中的任意一种，就认为中心采样点——第四个采样点为异常点。

可见，S120中判断该采样点是否为异常点的具体方式可以是：若该采样点的振幅与所述该采样点之前最近的预设数量的采样点中的任意一个采样点的振幅之间的差值的绝对值大于预设值，且该采样点的振幅与所述该采样点之后最近的预设数量的采样点中的任意一个采样点的振幅之间的差值的绝对值大于预设值，则该采样点为异常点。

S130、若确定该采样点为异常值，则根据所述该采样点之前最近的预设数量的采样点的幅值和所述该采样点之后最近的预设数量的采样点的幅值对该采样点的幅值进行更新。

可理解的是，这里将异常点求掉的方式为对异常点进行振幅更新。

由于在判断是否为异常点时是根据一个采样点之前和之后的预设数量的采样点进行的，所以为了保证振幅更新后的采样点为正常点，因此可以采用之前和之后的预设数量的采样点对中心采样点的新的振幅进行确定。

在具体实施时，可以采用公式计算第j个采样点更新后的振幅，为了与后续的两个公式进行区分，可以将该公式称为第三公式，所述第三公式包括：

式中，x'_j为第j个采样点更新后的振幅,n为2m+1，m为所述预设数量，x_j-1为第j-1个采样点的振幅。

例如，针对第三个采样点，根据其之前的两个采样点和其之后的两个采样点计算第三个采样点更新后的振幅，具体公式可以为：

通过上述步骤S110～S130可以实现对异常点的处理操作，如图3所示，该图为在异常处理之前一个采样序列的示意图，在该图中可以看出，采样序列中共有1000个采样点，横轴为各个采样点在采样序列中的位置，纵轴为各个采样点的振幅或信号值。对图3示出的采样序列进行异常处理之后，得到如图4所示的采样序列。

由于采集到的心冲击信号包含呼吸、电路自身噪声、50Hz的工频干扰和高频噪声，因此为了消除心冲击信号的噪声,突出心动周期信息,还可以对心冲击信号进行滤波处理。滤波处理的过程可以包括如下步骤S140～S150：

S140、根据所述心冲击信号的频率范围，设置低通滤波器的截止频率和高通滤波器的截止频率；

在实际中通过检测发现，心冲击信号的频率在1HZ～10HZ范围内，因此可以设置高通滤波器的截止频率为1Hz，低通滤波器的截止频率为10Hz。

S150、根据所述低通滤波器的截止频率对对采样序列中的心冲击信号进行低通滤波，并根据所述高通滤波器的截止频率对对采样序列中的心冲击信号进行高通滤波。

通过低通滤波器可以去除心冲击信号中的工频干扰，同时滤除高频噪声，通过高通滤波器可以滤除心冲击信号中低频噪声。

例如，对图4所示的采样序列进行滤波处理之后，可以得到如图5所示的采样序列。

可知，经过上述预处理过程，可以得到干净的心冲击信号。

S200、对预处理后的心冲击信号进行极值点检测，得到多个极值点；

从图1中可以看出，J波波峰为一个采样周期内振幅最大的点，这里进行极值点检测的目的就是要获取采样序列中所有的J波波峰。

在具体实施时，可以采用寻峰算法对预处理后的心冲击信号进行极值点检测，得到多个极值点，检测过程采用的检测间隔为a*Fs，a大于0且小于1，Fs为所述采样序列的采样率。

其中，寻峰算法即Findpeaks算法，通过寻峰算法可以找到一个检测间隔中的峰值，可见通过寻峰算法可以查找局部峰值。

其中，检测间隔相当于一个窗口，该窗口的大小决定了在整个采样序列中寻找到的极值点的数量。

举例来说，一个采样周期为1s，在一个采样周期内共采集了200个采样点，在图3示出的采样序列中共有5个采样周期，该采样序列的采样率为200。由于每一个采样周期内都应该有一个J波，为了避免漏检，可以将a设置为小于1大于0的数值，例如设置为0.5，200*0.5＝100，也就是每100个采样点就要检测一个极值点。这样的话，在1000个采样点中就可以检测出10个极值点。在这10个极值点中有的点是J波波峰，而有的点不是J波波峰。例如，针对图5示出的采样序列，通过寻峰算法进行极值点检测可以得到如图6所示的采样序列，在该图中的一个星状点为检测出来的一个极值点，一共有11个极值点，振幅最小的两个极值点并不是J波波峰，而其余9个振幅比较大的极值点才是J波波峰。所以在极值点检测出来之后，还需要进一步筛选。

可理解的是，a值越小，检测出的极值点的数量越多，a值越大，检测出的极值点的数量越少。

S300、针对所述采样序列中的每一个极值点确定对应的振幅阈值，若所述振幅阈值大于对应极值点的振幅，则确定所述对应极值点为噪声点，并所述对应极值点去掉；

这里，针对每一个极值点都会设置一个对应的阈值，而不是针对所有的极值点都采用同一个阈值，更能适应心冲击信号的动态变化。

在具体实施时，S300中所述针对所述采样序列中的每一个极值点确定对应的振幅阈值，包括：

S310、针对所述采样序列中的第一个极值点，根据所述第一个极值点的振幅和在所述第一个极值点之前最近的一个采样周期内的振幅最大值，确定所述第一个极值点的振幅阈值；

针对第一个极值点，其振幅阈值的确定依据的是第一个极值点的振幅以及第一个极值点之前最近的一个采样周期内的振幅最大值。例如采样周期为1s，一个采样周期内的采样点为200个，第一个极值点之前最近的一个采样周期内的振幅最大值实际上是第一个极值点之前最近的200个采样点中振幅的最大值。

具体可以采用第一公式计算所述采样序列中的第一个极值点对应的振幅阈值，所述第一公式包括：

Thr(1)＝0.2*max/3+0.8*data(1)

式中，Thr(1)为所述第一个极值点的振幅阈值，max为在所述第一个极值点之前最近的一个采样周期内的振幅最大值，data(1)为所述第一个极值点的振幅。

S320、针对所述采样序列中除第一个极值点之外的其余每一个极值点，根据所述其余每一个极值点对应的振幅和上一个极值点对应的振幅阈值，确定所述其余每一个极值点对应的振幅阈值。

针对除了第一个极值点之外的所有极值点，其振幅阈值是由该极值点对应的振幅和上一个极值点对应的振幅阈值决定的，具体可以采用第二公式计算所述采样序列中第i个极值点对应的振幅阈值，所述第二公式包括

Thr(i)＝0.2*Thr(i-1)+0.8*data(i)

式中，Thr(i)为第i个极值点对应的振幅阈值，Thr(i-1)为第i-1个极值点对应的振幅阈值，data(i)为第i个极值点的振幅，i为大于1的整数。

例如，针对图6中的各个极值点所计算出的振幅阈值如图7所示，在图7中星状点为极值点，椭圆状黑点为振幅阈值。在图7中，有两个振幅阈值大于其对应的极值点的振幅，而其余的振幅阈值均小于其对应的极值点的振幅。其中，振幅小于对应的振幅阈值的两个极值点为噪声点，而非J波波峰，因此将这两个噪声点求掉，共得到9个J波波峰，如图8所示。

S400、根据所述采样序列中去掉噪声点的各个极值点，确定心率值。

在得到J波波峰之后，可以计算相邻两个J波波峰之间的时间间隔，然后进行时间间隔异常检测，例如计算各个时间间隔的方差，然后如果一个时间间隔与方差的差值过大，则说明该时间间隔是异常的，将该时间间隔去掉，只计算正常的时间间隔的平均值。最后采用正常的时间间隔的平均值计算心率值。

具体可以采用第四公式计算心率值，第四公式包括：

Hr＝60/(Fs*L)

式中，Hr为心率值，Fs为采样序列的采样率，L为正常的时间间隔的平均值。

本发明提供的基于心冲击信号的心率确定方法，针对检测出的每一个极值点设置对应的振幅阈值，若极值点的振幅小于对应振幅阈值，则认为该极值点为噪声点，进而将其去掉，将剩余的极值点作为J波波峰，进而利用检测出来的J波波峰计算心率值。针对每一个极值点都会设置一个对应的振幅阈值，即本发明采用的是动态阈值算法，而不是针对所有的极值点都采用同一个振幅阈值，这种方式更能适应时刻动态变化的心冲击信号，而且如果采用统一的振幅阈值，统一的振幅阈值需要兼顾多个极值点，因此采用统一的振幅阈值有可能会出现漏掉噪声点的情况，而本发明就不存在这样的问题，因此本发明可以提高J波波峰的检测准确率，从而提高心率计算的准确率。还有，相对于现有技术本发明涉及到的参数较少，不需要过多的参数，计算复杂度低。

进一步的，本发明采用异常处理、滤波等预处理，在高度复杂、形态多变的心冲击信号上可以获得稳定的J波波峰识别效果，即适应性强，可以在不同心冲击信号上取得较好的去噪效果，进而提高心率计算的准确率。

第二方面，本发明提供一种基于心冲击信号的心率确定装置，如图9所示，该装置包括：

预处理模块100，用于对采样序列中的心冲击信号进行预处理；

极值点检测模块200，用于对预处理后的心冲击信号进行极值点检测，得到多个极值点；

噪声点去除模块300，用于针对所述采样序列中的每一个极值点确定对应的振幅阈值，若所述振幅阈值大于对应极值点的振幅，则确定所述对应极值点为噪声点，并所述对应极值点去掉；

心率计算模块400，用于根据所述采样序列中去掉噪声点的各个极值点，确定心率值。

可理解的是，第二方面提供的心率确定装置中的有关内容的解释、举例、具体实施方式、有益效果等可以参见上述第一方面中的相应部分，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种基于心冲击信号的心率确定方法，其特征在于，包括：

对采样序列中的心冲击信号进行预处理；

对预处理后的心冲击信号进行极值点检测，得到多个极值点；

针对所述采样序列中的每一个极值点确定对应的振幅阈值，若所述振幅阈值大于对应极值点的振幅，则确定所述对应极值点为噪声点，并所述对应极值点去掉；

根据所述采样序列中去掉噪声点的各个极值点，确定心率值。

2.根据权利要求1所述的方法，其特征在于，所述针对所述采样序列中的每一个极值点确定对应的振幅阈值，包括：

针对所述采样序列中的第一个极值点，根据所述第一个极值点的振幅和在所述第一个极值点之前最近的一个采样周期内的振幅最大值，确定所述第一个极值点的振幅阈值；

针对所述采样序列中除第一个极值点之外的其余每一个极值点，根据所述其余每一个极值点对应的振幅和上一个极值点对应的振幅阈值，确定所述其余每一个极值点对应的振幅阈值。

3.根据权利要求2所述的方法，其特征在于，采用第一公式计算所述采样序列中的第一个极值点对应的振幅阈值，所述第一公式包括：

Thr(1)＝0.2*max/3+0.8*data(1)

式中，Thr(1)为所述第一个极值点的振幅阈值，max为在所述第一个极值点之前最近的一个采样周期内的振幅最大值，data(1)为所述第一个极值点的振幅；和/或

采用第二公式计算所述采样序列中第i个极值点对应的振幅阈值，所述第二公式包括

Thr(i)＝0.2*Thr(i-1)+0.8*data(i)

式中，Thr(i)为第i个极值点对应的振幅阈值，Thr(i-1)为第i-1个极值点对应的振幅阈值，data(i)为第i个极值点的振幅，i为大于1的整数。

4.根据权利要求1所述的方法，其特征在于，所述对预处理后的心冲击信号进行极值点检测，得到多个极值点，包括：

采用寻峰算法对预处理后的心冲击信号进行极值点检测，得到多个极值点，检测过程采用的检测间隔为a*Fs，a大于0且小于1，Fs为所述采样序列的采样率。

5.根据权利要求1所述的方法，其特征在于，所述对采样序列中的心冲击信号进行预处理，包括：

针对所述采样序列中一个采样点，获取该采样点之前最近的预设数量的采样点以及该采样点之后最近的预设数量的采样点；

根据该采样点的振幅和所述该采样点之前最近的预设数量的采样点中的任意一个采样点的振幅之间的大小关系以及该采样点的振幅和所述该采样点之后最近的预设数量的采样点中的任意一个采样点的振幅之间的大小关系，确定该采样点是否为异常点；

若确定该采样点为异常值，则根据所述该采样点之前最近的预设数量的采样点的幅值和所述该采样点之后最近的预设数量的采样点的幅值对该采样点的幅值进行更新。

6.根据权利要求5所述的方法，其特征在于，所述获取该采样点之前最近的预设数量的采样点以及该采样点之后最近的预设数量的采样点，包括：

采用预设的滑动窗口获取多个采样点，所述多个采样点包括该采样点之前最近的预设数量的采样点、该采样点以及该采样点之后最近的预设数量的采样点。

7.根据权利要求5所述的方法，其特征在于，所述根据该采样点的振幅和所述该采样点之前最近的预设数量的采样点中的任意一个采样点的振幅之间的大小关系以及该采样点的振幅和所述该采样点之后最近的预设数量的采样点中的任意一个采样点的振幅之间的大小关系，确定该采样点是否为异常点，包括：

若该采样点的振幅与所述该采样点之前最近的预设数量的采样点中的任意一个采样点的振幅之间的差值的绝对值大于预设值，且该采样点的振幅与所述该采样点之后最近的预设数量的采样点中的任意一个采样点的振幅之间的差值的绝对值大于预设值，则该采样点为异常点。

8.根据权利要求5所述的方法，其特征在于，所述根据所述该采样点之前最近的预设数量的采样点的幅值和所述该采样点之后最近的预设数量的采样点的幅值对该采样点的幅值进行更新，包括：

采用第三公式计算第j个采样点更新后的振幅，所述第三公式包括：

式中，x′_j为第j个采样点更新后的振幅,n为2m+1，m为所述预设数量，x_j-1为第j-1个采样点的振幅。

9.据权利要求1所述的方法，其特征在于，所述对采样序列中的心冲击信号进行预处理，包括：

根据所述心冲击信号的频率范围，设置低通滤波器的截止频率和高通滤波器的截止频率；

根据所述低通滤波器的截止频率对对采样序列中的心冲击信号进行低通滤波，并根据所述高通滤波器的截止频率对对采样序列中的心冲击信号进行高通滤波。

10.一种基于心冲击信号的心率确定装置，其特征在于，包括：

预处理模块，用于对采样序列中的心冲击信号进行预处理；

极值点检测模块，用于对预处理后的心冲击信号进行极值点检测，得到多个极值点；

噪声点去除模块，用于针对所述采样序列中的每一个极值点确定对应的振幅阈值，若所述振幅阈值大于对应极值点的振幅，则确定所述对应极值点为噪声点，并所述对应极值点去掉；

心率计算模块，用于根据所述采样序列中去掉噪声点的各个极值点，确定心率值。

Images