CN113662524B - 一种ppg信号运动伪影的去除方法 - Google Patents
一种ppg信号运动伪影的去除方法 Download PDFInfo
- Publication number
- CN113662524B CN113662524B CN202110973019.4A CN202110973019A CN113662524B CN 113662524 B CN113662524 B CN 113662524B CN 202110973019 A CN202110973019 A CN 202110973019A CN 113662524 B CN113662524 B CN 113662524B
- Authority
- CN
- China
- Prior art keywords
- ppg signal
- generator
- signal
- loss
- discriminator
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 23
- 230000001133 acceleration Effects 0.000 claims abstract description 15
- 230000008447 perception Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 8
- 239000000523 sample Substances 0.000 claims description 5
- 230000008485 antagonism Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 239000013074 reference sample Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000012880 independent component analysis Methods 0.000 description 4
- 238000010989 Bland-Altman Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- A61B5/02405—Determining heart rate variability
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Cardiology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种PPG信号运动伪影的去除方法包括：将含噪PPG信号和运动方向加速度信号输入对抗生成网络的生成器；所述生成器将输入信号处理后生成去噪后的PPG信号；将含噪PPG信号作为条件，结合参考PPG信号和去噪后的PPG信号分别输入生成对抗网络的判别器进行真假判别；根据判别器判别的结果调整生成器，直到判别器和生成器达到收敛；最后输出去噪后的PPG信号；该方法减少人工特征工程的复杂度，同时充分利用生成对抗网络强大的信号重建能力，获取可靠的波形信息，并进一步计算相关的生理参数，考虑到PPG信号的拟周期结构性特征，引入频域损失和感知损失函数，从信号层面和特征层面同时进行目标匹配，从而进一步提高去噪后PPG信号的质量。
Description
技术领域
本发明涉及心率测量领域，特别涉及一种运动伪影的去除方法。
背景技术
现有的PPG信号去噪技术大多都是时频域信号分解技术，其对运动伪影的去除效果通常不佳。且现有方法的主要目的是获取心率值，无法获得类似心率变异性(Heart RateVariability，HRV)等更多的生理特征。例如小波变换(Wavelet Transform，WT)、独立成分分析(Independent Component Analysis，ICA)以及自适应滤波器(Adaptive Filter)等方法。
小波变换是将信号与小波函数卷积的一种变换。与传统频域分析方法傅立叶变换的区别主要在于基函数的不同，小波基函数可以描述信号时域和频域的局部特性。但选取与脉搏波相近的小波函数去除运动伪影时，结果显示只对含噪PPG信号中的高频噪声去除效果较好，对运动伪影的其他成分去噪效果不佳。
独立成分分析是指在不需要观测信号和噪声信号准确模型的情况下，假设两者是独立的，得出源信号的最佳估计。但PPG信号和运动伪影间的关系非常复杂，难以用独立与否或是否成线性相关来定义，导致心率估计不准确。
自适应滤波器最大的特点是能够随着滤波结果的改变自适应地优化滤波器的参数，使滤波后的信号最接近期望信号。这种方法比较依赖参考信号，如果参考信号设计不合理就会使得去噪效果不佳。
发明内容
为了解决上述问题，本发明提供一种可减少人工特征工程的复杂度，提升信号去噪重建质量的PPG信号运动伪影的去除方法。
为了实现上述目的，本发明提供的技术方案是：一种PPG信号运动伪影的去除方法，包括：
将含噪PPG信号和至少两个运动方向加速度信号输入条件生成对抗网络的生成器；
所述生成器将输入信号处理后生成去噪后的PPG信号；
将测量含噪PPG信号作为条件，结合参考PPG信号和去噪后的PPG信号分别输入生成对抗网络的判别器进行真假判别；
根据判别器判别的结果调整生成器，迭代优化生成器和判别器的损失函数，直到判别器和生成器达到收敛；
利用训练获得的生成器对含噪PPG信号进行处理，最后输出去噪后的PPG信号。
作为优选的一种技术方案，所述条件生成对抗网络包括生成器G和判别器D；其中所述生成器G和判别器D均由一维卷积神经网络构成；所述生成器G用于输入含噪PPG信号和加速度信号，输出去噪后的PPG连续波形信号；所述判别器D用于分别输入生成器去噪后的PPG信号以及干净的参考PPG信号，并以含噪PPG信号作为条件信息，判断当前样本是来自于参考样本或生成样本；所述生成器G和判别器D进行对抗式训练，且判别器D引导生成器G生成干净的PPG连续波形信号。
作为优选的一种技术方案，进一步的，所述生成器G的损失函数：
L(G)＝LA+βLt+αLf+γLr+LT (1)
其中表示对抗损失，y表示加速度信号，z表示含噪PPG信号；Lt＝L1(G(y，z)，x)表示基于L1范数的时域波形损失，x表示参考PPG信号；Lf＝L1(f(G(y，z))，f(x))表示基于L1范数的波形频谱损失，f(*)表示傅里叶变换；Lr＝1-r(x，G(y，z))表示皮尔逊相关系数损失，r(x，G(y，z))表示皮尔逊相关系数；Lr为生成器的感知对抗损失；α和β分别为波形频谱以及波形时域损失的权重，y为皮尔逊相关系数损失的权重。
作为优选的一种技术方案，进一步的，所述判别器D的损失函数为：
其中第一项损失表示判别参考信号为真，第二项表示判别生成信号为假，第三项Lp为判别器相应的感知损失，x表示参考PPG信号，y表示加速度信号，z表示含噪PPG信号。
作为优选的一种技术方案，进一步的，所述生成器G的感知对抗损失为：
其中dj(*)表示判别器的第个隐藏层，G(y，z)为去噪后的PPG信号，x为参考PPG信号；λj为隐藏层损失/>的权重，F表示选择的用于定义感知损失的生成器网络隐藏层的个数，λj和F为超参数。
作为优选的一种技术方案，进一步的，所述判别器D相应的感知损失为：
其中λj为隐藏层损失权重，F表示选择的用于定义感知损失的生成器网络隐藏层的个数，[*]+＝max(0，*)；m为设定的正边界。
本发明相对于现有技术的有益效果是：本发明提供的去除方法通将含噪PPG信号和加速度信号作为输入，将含噪PPG信号作为条件，结合真实PPG信号和去噪后的PPG信号分别输入生成对抗网络的判别器进行真假判别；减少人工特征工程的复杂度，同时充分利用生成对抗网络强大的信号重建能力，获取可靠的波形信息，并进一步计算相关的生理参数，考虑到PPG信号的拟周期结构性特征，引入频域损失和感知损失函数，从信号层面和特征层面同时进行目标匹配，从而进一步提高生成的PPG信号的质量。
附图说明
图1是本发明一实施例提供的一种运动伪影的去除方法的流程图；
图2是本发明一实施例提供的条件生成对抗网络的整体框架图；
图3是本发明一实施例提供的生成器网络结构图；
图4是本发明一实施例提供的判别器网络结构图；
图5是本发明一实施例提供的各序列详细运动指示图；
图6是本发明一实施例提供的滤波后的数据bpm分布图；
图7是本发明一实施例提供的条件生成对抗网络重建PPG信号波形的效果图；
图8是本发明一实施例提供的含噪PPG信号HR估计值与参考值的Bland-Altman图；
图9是本发明一实施例提供的去噪后的PPG信号HR估计值与参考值的Bland-Altman图。
具体实施方式
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，所描述的实施例仅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。
参照图1，本实施例提供一种运动伪影的去除方法，包括以下步骤：
S10：将含噪PPG信号和X、Y运动方向加速度信号输入条件生成对抗网络的生成器；
具体的，为在网络中增加X、Y方向加速度信号作为运动参考信号，我们采用了增设通道的方式，将含噪PPG信号，X、Y方向加速度信号利用三个通道输入网络，如图2所示。
在本实施例中，共有48位成人受试者参与实验，他们的年龄从18岁到65岁不等，其中男性20位，女性28位，包括不同种族。
在受试者的两只手上戴上特制的手套，并在食指上固定PPG检测器袖带。左手的中指固定有经过认证的医疗级脉搏血氧仪，以供参考。在整个实验过程中，要求受试者的左手保持静止，右手则遵循PC软件的指示进行操作，包括连续运动和休息。
对于受试者1-10，每个人进行了10组实验。对于受试者11-48，每个人进行了一组实验。每组实验都包含10个序列。对于第1序列到第5序列，采用弯曲食指的运动方式，而对于第6到第10序列，则采用水平手指轴向移动的运动方式。受试者按照指示以大、小，振幅，高、低频率进行运动，但不给出确切的幅度和频率。我们需要考虑不同的噪声强度，因此振幅和频率变化被包含在内。各序列的详细指示如图5所示。
我们用使用一个10秒的滑动窗口，以0.5秒的滑动间隔对数据进行切片，较小的滑动间隔可增加训练样本的数量。所有数据都以30Hz的采样率进行降采样。
S20：所述生成器将输入信号处理后生成去噪后的PPG信号；
本方法利用了均方误差(Mean Square Error，MSE)作为判别器的损失函数，同时，为了缓解原始生成对抗网络(Generative Adversarial Networks，GAN)的梯度消失问题以保障生成的PPG信号波形的质量，我们在生成器的损失函数中增加了频域损失函数和感知损失函数。
S30：将测量含噪PPG信号作为条件，结合参考PPG信号和去噪后的PPG信号分别输入生成对抗网络的判别器进行真假判别；
在生成器和判别器的迭代训练中，生成器希望判别器无法识别其生成的分布，而判别器希望自己可以高效判别出数据的真假类别。
我们采用最小二乘GAN(Least Squares GAN，LSGAN)的损失函数，缓解原始GAN梯度消失问题。除此之外，本发明充分考虑PPG信号的特点，从时域波形差异最小化和波形频谱差异最小化两方面入手，改进生成器的损失函数，从而使得生成的波形质量更好。如图3所示，具体可以在LSGAN的生成对抗损失基础上，增加时域波形差异的L1范数和波形频谱差异的L1范数，共同构成生成器G的损失函数：
L(G)＝LA+βLt+αL f+γL r+LT (1)
其中表示对抗损失，y表示加速度信号，z表示含噪PPG信号；Lt＝L1(G(y，z)，x)表示基于L1范数的时域波形损失，x表示参考PPG信号；Lf＝L1(f(G(y，z))，f(x))表示基于L1范数的波形频谱损失，f(*)表示傅里叶变换；Lr＝1-r(x，G(y，z))表示皮尔逊相关系数损失，r(x，G(y，z))表示皮尔逊相关系数；LT为生成器的感知对抗损失；α和β分别为波形频谱以及波形时域损失的权重，γ为皮尔逊相关系数损失的权重。
如图4所示，相应的判别器D的损失函数为：
其中第一项损失表示判别参考信号为真，第二项表示判别生成信号为假，第三项Lp为判别器相应的感知损失，x表示参考PPG信号，y表示加速度信号，z表示含噪PPG信号。
在损失函数设计时，考虑到从生成干净PPG信号和参考PPG信号的不同特征层次进行匹配，进一步设计感知对抗损失，利用判别器的隐层来约束输出PPG波形与参考PPG波形在不同特征维度上的一致性，从而进一步保障去噪后生成连续PPG波形的质量。
具体的，生成器G的感知对抗损失为
其中dj(*)表示判别器的第个隐藏层，G(y，z)为去噪后的PPG信号，x为参考PPG信号；λj为隐藏层损失/>的权重，F表示选择的用于定义感知损失的生成器网络隐藏层的个数，λj和F为超参数。
相应的，判别器D相应的感知损失为：
其中λj为隐藏层损失权重，F表示选择的用于定义感知损失的生成器网络隐藏层的个数，[*]+＝max(0，*)；m为设定的正边界。
由于设定了一个正边界m，它使得判别器在训练过程中不要过大地增加判别器的真假区分能力。
S40：根据判别器判别的结果调整生成器，迭代优化生成器和判别器的损失函数，直到判别器和生成器达到收敛；
将生成器的感知对抗损失(3)加入G的损失函数(1)中，确保生成器生成的连续PPG波形与目标PPG信号能够在判别器D的隐藏层特征度量下更趋向于一致；将损失(4)加入D的损失函数(2)中，使得D尽可能区分二者，使两者的感知距离更大。正是在这样的对抗训练中，使得条件生成对抗网络(Conditional Generative Adversarial Networks，cGAN)生成的波形在信号层面和不同层次的特征层面均能很好地匹配，从而保障能获得纯净的PPG连续波形。
S50：利用训练获得的生成器对含噪PPG信号进行处理，最后输出去噪后的PPG信号。
为了证明该去除方法的有益效果，在本实施例中，选取皮尔逊相关系数(PearsonCorrelation Coefficient，PCC)、平均绝对误差(Mean Absolute Error，MAE)、平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)和Bland-Altman图来评估由模型生成的PPG信号的质量。
皮尔逊相关系数：也称作皮尔逊积矩相关系数，用于度量两个变量之间的线性相关性，其值介于-1与1之间，为1时两者呈线性相关，为0时两者相互独立，为负数时两者呈负相关。其计算公式如下
其中，Cov(HRest·HRref)表示估计心率与参考心率之间的协方差，σ表示标准差。
平均绝对误差：表示所有估计值与参考值之间偏差绝对值的平均值。取偏差的绝对值进行运算，不会出现正负偏差相互抵消的情况，相较于平均误差更能反应实际误差。其计算公式如下
平均绝对百分比误差：表示所有估计值与参考值之间偏差绝对值占参考心率值百分比的平均值。取百分比进行计算，消除了单个样本间的个性化差异。其计算公式如下
其中，N是心率序列的长度，HRest(i)是i时刻通过网络估计的心率，HRref(i)是i时刻的参考心率。
Bland-Altman图：将一致性界限的定量分析与散点图分布的定性描述相结合，对估计值与参考值之间的一致性进行较为准确的评价，其横轴为相同坐标估计值与参考值的均值，纵轴为两者之间的差值。设μ为两组数据之差的平均值，σ为其标准差，取置信区间为[μ-1.96σ，μ+1.96σ]。
网络的输入是红外通道PPG信号、X方向加速度计和Y方向陀螺仪数据(采样率均为100Sample/s)，后两个信号作为噪声相关参考。选择X和Y轴作为特定轴是因为它们是与项目定义的运动模式相关性最强的轴。
为显示所提条件生成对抗网络的去噪效果，表1汇总了去噪前后的PPG信号各项指标对比。
由表中各项数据可知，经由所提的cGAN去噪后，估计值相比原始含噪信号各项指标都有明显的改善，去噪效果显著。具体的，皮尔逊相关系数提高了39.7％，平均绝对误差降低了75.0％，平均绝对百分比误差降低了74.7％。
将含噪PPG信号，X、Y方向加速度信号利用三个通道输入模型，得到的重建后的PPG信号波形如图7所示。由图可知，条件生成对抗网络使重建的波形在具有明显周期性的同时，恢复了一些重要细节，使波形更具临床参考价值。
表1.性能评价
为了进一步评价所提cGAN的去噪效果，图6展示了去噪后PPG数据的与参考PPG信号的bpm。图8和图9分别去噪前和去噪后心率值与参考心率值的Bland-Altman。由图可知，原始含噪PPG信号估计的心率与参考心率值之间表现出较低的一致性，而经cGAN处理后的估计值与参考值的一致性较高。
以上参照附图描述了根据本发明的实施例的用于实现去除PPG信号运动伪影的示例性流程图。应指出的是，以上描述中包括的大量细节仅是对本发明的示例性说明，而不是对本发明的限制。在本发明的其他实施例中，该方法可具有更多、更少或不同的步骤，且各步骤之间的顺序、包含、功能等关系可以与所描述和图示的不同。
Claims (1)
1.一种PPG信号运动伪影的去除方法，其特征在于，包括：
将含噪PPG信号和X、Y运动方向加速度信号输入条件生成对抗网络的生成器；
所述生成器将输入信号处理后生成去噪后的PPG信号；
将参考PPG信号、去噪后PPG信号与含噪PPG信号分别组合，并分别输入条件生成对抗网络的判别器进行真假判别；
根据判别器判别的结果调整生成器，迭代优化生成器和判别器的损失函数，直到判别器和生成器达到收敛；
利用训练的生成器对含噪PPG信号进行处理，最后输出去噪后的PPG信号；所述条件生成对抗网络包括生成器G和判别器D；其中所述生成器G和判别器D均由一维卷积神经网络构成；所述生成器G用于输入含噪PPG信号和加速度信号，输出去噪后的PPG连续波形信号；所述判别器D用于分别输入生成器去噪后的PPG信号以及干净的参考PPG信号，并以含噪PPG信号作为条件信息，判断当前样本是来自于参考样本或生成样本；所述生成器G和判别器D进行对抗式训练，且判别器D引导生成器G生成干净的PPG连续波形信号；
所述生成器G的损失函数：
L(G)＝LA+βLt+αLf+γLr+LT (1)
其中表示对抗损失，y表示加速度信号，z表示含噪PPG信号；Lt＝L1(G(y,z),x)表示基于L1范数的时域波形损失，x表示参考PPG信号；Lf＝L1(f(G(y,z)),f(x))表示基于L1范数的波形频谱损失，f(*)表示傅里叶变换；Lr＝1-r(x,G(y,z))表示皮尔逊相关系数损失，r(x,G(y,z))表示皮尔逊相关系数；LT为生成器的感知对抗损失；α和β分别为波形频谱以及波形时域损失的权重，γ为皮尔逊相关系数损失的权重；
所述判别器D的损失函数为：
其中第一项损失表示判别参考信号为真，第二项表示判别生成信号为假，第三项Lp为判别器相应的感知损失；
所述生成器G的感知对抗损失为
其中dj(*)表示判别器D的第j个隐藏层，G(y,z)为去噪后的PPG信号；λj为隐藏层损失/>的权重，F表示选择的用于定义感知损失的生成器网络隐藏层的个数，λj和F为超参数；
所述判别器D相应的感知损失为：
其中，[*]+＝max(0,*)；m为设定的正边界。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110973019.4A CN113662524B (zh) | 2021-08-23 | 2021-08-23 | 一种ppg信号运动伪影的去除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110973019.4A CN113662524B (zh) | 2021-08-23 | 2021-08-23 | 一种ppg信号运动伪影的去除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113662524A CN113662524A (zh) | 2021-11-19 |
| CN113662524B true CN113662524B (zh) | 2024-04-30 |
Family
ID=78545405
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110973019.4A Active CN113662524B (zh) | 2021-08-23 | 2021-08-23 | 一种ppg信号运动伪影的去除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113662524B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106691425A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种运动手环的腕部心率监测方法 |
| WO2019041202A1 (en) * | 2017-08-30 | 2019-03-07 | Vita-Course Technologies Co., Ltd. | SYSTEM AND METHOD FOR USER IDENTIFICATION |
| KR20200084443A (ko) * | 2018-12-26 | 2020-07-13 | 충남대학교산학협력단 | 음성 변조 시스템 및 방법 |
| CN112001122A (zh) * | 2020-08-26 | 2020-11-27 | 合肥工业大学 | 基于端到端生成对抗网络的非接触式生理信号测量方法 |
| CN112370036A (zh) * | 2020-10-20 | 2021-02-19 | 复旦大学 | 基于级联型rls自适应滤波的ppg心率提取装置和方法 |
| CN112489154A (zh) * | 2020-12-07 | 2021-03-12 | 重庆邮电大学 | 基于局部优化生成对抗网络的mri运动伪影校正方法 |
-
2021
- 2021-08-23 CN CN202110973019.4A patent/CN113662524B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106691425A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种运动手环的腕部心率监测方法 |
| WO2019041202A1 (en) * | 2017-08-30 | 2019-03-07 | Vita-Course Technologies Co., Ltd. | SYSTEM AND METHOD FOR USER IDENTIFICATION |
| KR20200084443A (ko) * | 2018-12-26 | 2020-07-13 | 충남대학교산학협력단 | 음성 변조 시스템 및 방법 |
| CN112001122A (zh) * | 2020-08-26 | 2020-11-27 | 合肥工业大学 | 基于端到端生成对抗网络的非接触式生理信号测量方法 |
| CN112370036A (zh) * | 2020-10-20 | 2021-02-19 | 复旦大学 | 基于级联型rls自适应滤波的ppg心率提取装置和方法 |
| CN112489154A (zh) * | 2020-12-07 | 2021-03-12 | 重庆邮电大学 | 基于局部优化生成对抗网络的mri运动伪影校正方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Complementary Photoplethysmogram Synthesis From Electrocardiogram Using Generative Adversarial Network";Heean Shin;《IEEE Access》;20210531;全文 * |
| 侯啟伟."基于PPG 信号的运动伪影去除算法研究进展".《软件导刊》.2020,第19卷(第4期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113662524A (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Recent advancements in empirical wavelet transform and its applications | |
| El-Dahshan | Genetic algorithm and wavelet hybrid scheme for ECG signal denoising | |
| CN110840445B (zh) | 一种动态心电信号的自动降噪方法 | |
| Koçer | Classification of EMG signals using neuro-fuzzy system and diagnosis of neuromuscular diseases | |
| CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
| CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
| CN109875543B (zh) | 用于可穿戴心率监测设备的多种健身运动状态下的心率估计方法及装置 | |
| CN110309817A (zh) | 一种参数自适应优化vmd的脉搏波运动伪影去除方法 | |
| CN108288058B (zh) | 一种改进的小波阈值膝关节摆动信号去噪算法 | |
| CN109589114A (zh) | 基于ceemd和区间阈值的肌电消噪方法 | |
| Zhang et al. | ECG signals denoising method based on improved wavelet threshold algorithm | |
| CN110151175A (zh) | 基于ceemd与改进小波阈值的表面肌电信号消噪方法 | |
| CN114533086A (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
| CN109864713A (zh) | 基于多通道并行滤波和谱峰加权选择算法的心率监测方法 | |
| Al-Assaf | Surface myoelectric signal analysis: dynamic approaches for change detection and classification | |
| Wang et al. | Wavelet transform based ECG denoising using adaptive thresholding | |
| Torres et al. | Heal-T: an efficient PPG-based heart-rate and IBI estimation method during physical exercise | |
| CN110141211A (zh) | 一种基于经验模态分解的稳态视觉诱发电位的分类方法 | |
| Phinyomark et al. | Applications of variance fractal dimension: A survey | |
| CN113662524B (zh) | 一种ppg信号运动伪影的去除方法 | |
| Elgharabawy et al. | Decoding of finger movement using kinematic model classification and regression model switching | |
| Zhang et al. | Application of translation wavelet transform with new threshold function in pulse wave signal denoising | |
| CN113616194B (zh) | 一种监测手部震颤频率和强度的装置及方法 | |
| CN113925495A (zh) | 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 | |
| Xin et al. | A vital sign signal noise suppression method for wearable piezoelectric devices |
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 |