CN113712526A - 一种脉搏波提取方法、装置、电子设备及存储介质 - Google Patents
一种脉搏波提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113712526A CN113712526A CN202111159657.9A CN202111159657A CN113712526A CN 113712526 A CN113712526 A CN 113712526A CN 202111159657 A CN202111159657 A CN 202111159657A CN 113712526 A CN113712526 A CN 113712526A
- Authority
- CN
- China
- Prior art keywords
- signal
- peak
- feature group
- valley
- sub
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 239000008280 blood Substances 0.000 claims abstract description 12
- 210000004369 blood Anatomy 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 21
- 230000003321 amplification Effects 0.000 claims description 18
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 description 13
- 238000005286 illumination Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 210000003128 head Anatomy 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000001061 forehead Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002147 killing effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 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
- A61B5/02—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
- A61B5/7225—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Power Engineering (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请提供一种脉搏波提取方法、装置、电子设备及存储介质。该方法包括:获取目标视频;其中,所述目标视频中包含有待检测对象;对所述目标视频进行提取,获得初始血容量脉冲BVP信号;对所述初始BVP信号进行截取,获得子信号;根据自适应chirp模式分解算法将所述子信号进行分解,得到多个模态函数分量IMF;对所述多个IMF进行频域分析,获得所述待检测对象的脉搏波信号。本申请实施例中,通过自适应chirp模式分解算法对子信号进行分解,获得的IMF对噪声有足够的稳健性,能够很好地分离子信号与噪声的模态函数分量,使得脉搏波重构算法具有抗干扰能力,从而进一步提高提取脉搏波信号的准确性。
Description
技术领域
本申请涉及生物医学领域,具体而言,涉及一种脉搏波提取方法、装置、电子设备及存储介质。
背景技术
目前,脉搏波以指夹等接触的方式进行测量,需要用到专用的数据测量设备,同时接触式的测量方法存在不适用的特殊场景,例如对婴儿或者烧伤患者进行测量存在一定的难度。
在生物医学领域中,通过非接触式脉搏波测量解决接触式脉搏波计算生理参数场景应用的局限性。成像式光电容积脉搏波技术以LED光源和探测器为基础,测量经人体血管和组织反射、吸收后的衰减光,记录血管的脉动状态并测量脉搏波。
但是,因为采集环境和测量者运动状态的影响,导致测量的初始的血容量脉冲信号(Blood Volume Pulse,BVP)信号容易受到伪影干扰,使得得到的初始BVP为非平稳、非线性信号。经验模态分解(empirical mode decomposition,EMD)是一种处理非线性、非平稳信号的方法,EMD用不同特征尺度将信号逐级分解为本征模态函数(Intrinsic ModeFunction,IMF),选取部分IMF分量重构信号以达到去噪的效果,但EMD方法存在信号混叠问题。变分模态分解(Variable Mode Decomposition,VMD)算法解决了EMD引起的信号混叠问题,但VMD在处理频率重叠的多分量信号时效果不佳。
发明内容
本申请实施例的目的在于提供一种脉搏波提取方法、装置、电子设备及存储介质,用于解决现有技术中重构得到的脉搏波信号存在噪声和干扰,导致提取的脉搏波效果不佳的技术问题。
第一方面,本申请实施例提供了一种脉搏波提取方法,包括,获取目标视频;其中,所述目标视频中包含有待检测对象;对所述目标视频进行提取,获得初始血容量脉冲BVP信号;对所述初始BVP信号进行截取,获得子信号;根据自适应chirp模式分解算法将所述子信号进行分解,得到多个模态函数分量IMF;对所述多个IMF进行频域分析,获得所述待检测对象的脉搏波信号。
本申请实施例中,通过自适应chirp模式分解(adaptive chirp modaldecomposition,ACMD)对初始BVP信号进行模态分解,解决了变分模态分解算法处理频率重叠的多分量信号效果不佳的问题,提高了时域和频域分辨率,能更好地对噪声信号进行预处理,所获得的IMF对噪声有足够的稳健性,能够很好地分离信号与噪声模态函数分量,使得脉搏波重构算法具有抗干扰能力,提高提取的脉搏波信号的准确性。
可选的,在本申请实施例中,所述目标视频进行提取,获取初始血容量脉冲BVP信号,包括:
根据欧拉视频放大算法对所述目标视频进行放大处理,获得增强视频;提取所述增强视频对应的每帧图像中包含所述待检测对象的感兴趣区域;对每帧图像对应的感兴趣区域进行信号提取,获得所述初始BVP信号。
本申请实施例中,使用欧拉视频放大算法对目标视频进行放大处理,有助于抗环境光变化的干扰,同时在放大目标视频时不会放大噪声,达到更好的放大效果,对感兴趣区域的信号进行提取,可以避免运动干扰与拍摄背景的干扰。
可选的,在本申请实施例中,所述对每帧图像对应的感兴趣区域进行信号提取,获得所述初始BVP信号,包括:
计算所述每帧图像对应的感兴趣区域的绿色通道的像素平均值;将所述像素平均值进行归一化,得到原始BVP信号;对所述原始BVP信号进行时域滤波,获得所述初始BVP信号。
本申请实施例中,通过计算绿色通道的像素平均值可以将视频信号转化为时间信号,对原始BVP信号进行时域滤波,只保留[0.5,4]Hz范围的信号,从而避免后续对无关频率信号进行处理导致资源浪费。
可选的,对所述BVP信号进行截取,获得子信号,包括:
根据预设窗宽从所述初始BVP信号中截取出待确定信号;根据如下步骤判断所述待确定信号是否为所述子信号,并且在所述待确定信号不为子信号时,重新根据所述预设窗宽和预设步长从所述初始BVP信号中截取出新的待确定信号,直至获取到所述子信号为止:
提取所述待确定信号的峰值特征组、谷值特征组、峰间距特征组、谷间距特征组和峰谷差值特征组;判断所述峰值特征组、谷值特征组、峰间距特征组、谷间距特征组和峰谷差值特征组中的元素是否在各自对应的预设阈值范围内;若每个所述特征组中的元素都在对应的预设阈值范围内,则确定所述待确定信号为所述子信号;若所述特征组中包含不满足对应预设阈值的元素,则所述待确定信号不为所述子信号。
本申请实施例中,通过对子信号的峰值特征组、谷值特征组、峰间距特征组、谷间距特征组和峰谷差值特征组的元素进行异常判断,去除受运动干扰的波形段,保证用于后续脉搏波提取的初始BVP信号的有效性。
可选的,所述判断所述峰值特征组、谷值特征组、峰间距特征组、谷间距特征组和峰谷差值特征组中的元素是否在各自对应的预设阈值范围内,包括:
根据峰值特征组的元素计算峰值对应的第一阈值范围、谷值特征组的元素计算谷值对应的第二阈值范围、峰间距特征组的元素计算峰间距对应的第三阈值范围、谷间距特征组的元素计算谷间距对应的第四阈值范围和峰谷差值特征值的元素计算对应的第五阈值范围;
判断所述峰值特征组的元素是否在所述第一阈值范围内、谷值特征组的元素是否在所述第二阈值范围内、峰间距特征组的元素是否在所述第三阈值范围内、谷间距特征组的元素是否在所述第四阈值范围内、峰谷差值特征组的元素是否在所述第五阈值范围内。
本申请实施例中,通过箱型图理论来判断特征组的元素是否存在异常数据,使得特征组的元素在不满足正态分布的情况下仍能准确判断出异常波形,保障判断结果的稳健性。
可选的,所述对所述多个IMF进行频域分析,获得所述待检测对象的脉搏波信号,包括:对所述多个IMF进行频域分析,获得每个所述IMF分别对应的主频率;计算每个所述IMF和所述子信号的相关系数;确定所述主频率在预设频率范围内且相关系数最大值对应的IMF作为脉搏波信号。
本申请实施例中,对IMF分量进行频域分析,确定主频率在预设频率范围内且相关系数最大值对应的IMF作为脉搏波信号,提高了提取的脉搏波信号的准确性。
可选的,所述方法还包括:获取所述脉搏波信号的峰值个数;根据所述峰值个数确定心率值。
本申请实施例中,可以根据得到的脉搏波信号获取心率的大小,通过提高提取的脉搏波信号的准确性,使得得到的心率值等生理参数更加准确,为日常生活非接触心率估计提供一定的参考。
第二方面,本申请实施例提供一种脉搏波提取装置,包括:采集模块,用于获取目标视频;其中,所述目标视频中包含有待检测对象;获取模块,用于对所述目标视频进行提取,获得初始血容量脉冲BVP信号;截取模块,用于对所述BVP信号进行截取,获得子信号;分解模块,用于根据自适应chirp模式分解算法将所述子信号进行分解,得到多个模态函数分量IMF;频域分析模块,用于对所述多个IMF进行频域分析,获得所述待检测对象的脉搏波信号。
第三方面,本申请实施例提供一种电子设备,包括:处理器、存储器和总线,其中,所述处理器和所述存储器通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面的方法。
第四方面,本申请实施例提供一种非暂态计算机可读存储介质,包括:所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面的方法。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种脉搏波提取方法的流程示意图;
图2为本申请实施例提供的信号质量检测算法特征示意图;
图3为本申请实施例提供的一种质量检测算法的流程图;
图4为本申请实施例提供的脉搏波信号与真实信号的波形示意图;
图5为本申请实施例提供的一种脉搏波提取装置结构示意图;
图6为本申请实施例提供的电子设备实体结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
图1为本申请实施例提供的一种脉搏波提取方法的流程示意图,该方法可以应用于终端设备(也可以称为电子设备)以及服务器;其中终端设备具体可以为智能手机、平板电脑、计算机、个人数字助理(Personal Digital Assitant,PDA)等;服务器具体可以为应用服务器,也可以为Web服务器。
该方法包括:
步骤101:获取目标视频;其中,所述目标视频中包含有待检测对象。
在具体的实施过程中,上述步骤101中目标视频的获得方式包括但不限于以下几种:第一种获得方式,使用摄像机、录像机或彩色照相机等采集设备对目标对象进行拍摄,获得目标视频,然后该采集设备向终端设备发送目标视频,然后终端设备接收采集设备发送的目标视频,终端设备可以将目标视频存储至文件系统、数据库或移动存储设备中;第二种获得方式,获取预先存储的目标视频,具体例如:从文件系统中获取目标视频,或者从数据库中获取待目标视频,或者从移动存储设备中获取目标视频;第三种获得方式,使用浏览器等软件获取互联网上的目标视频,或者使用其它应用程序访问互联网获得目标视频。其中,待检测对象指人体的裸露肌肤部位。
步骤102:对所述目标视频进行提取,获得初始血容量脉冲BVP信号。
其中,初始BVP信号为初始血容量脉冲信号,在获取过程中会获得伪影信号的干扰,例如不规则的闪光、自然光或者运动伪影等的干扰,使得获得的BVP信号是非平稳、非线性信号,因此在提取BVP信号前首先对目标信号进行预处理,包括放大和去噪,预处理后再提取初始BVP信号,可以去除受运动干扰的波形段,保证用于后续脉搏波提取的初始BVP信号的有效性。
步骤103:对所述初始BVP信号进行截取,获得子信号。
其中,对初始BVP信号可以通过窗函数进行截取,通过设置窗函数的窗宽和步长获得需要宽度的信号,子信号为对初始BVP信号进行截取得到的特定宽度的信号。
步骤104:根据自适应chirp模式分解算法将所述子信号进行分解,得到多个模态函数分量IMF。
其中,自适应chirp模式分解算法是一种基于变分模态分解的非平稳信号处理方法,将子信号分解为具有一定带宽的、能量由大到小的多个模态分量,模态函数分量IMF为包含了子信号的不同时间尺度的局部特征信号,任意一点的瞬时频率都是有意义的,任何信号都是由若干本征模函数组成,任何时候,一个信号都可以包含若干个本征模函数,如果本征模函数之间相互重叠,便形成复合信号。
在本申请实施例中,自适应chirp模式分解算法将子信号按照能量大小将子信号依次分解为具有一定带宽的、能量由大到小的K个模态分量,同时使用贪婪算法对自适应chirp模式分解算法进行优化,对分解得到的模态分量建立数学模型来描述问题,把求解的问题分成若干个子问题,对每个子问题求解,得到子问题的局部最优解,把子问题的局部最优解合成为一个整的解。
其中,K的具体数值通过预设的能量阈值进行自适应获取,在分解得到的模态分量的能量低于预设的能量阈值时,就不再进行分解,此时分解得到的模态分量个数即为自适应的K个。
将子信号进行分解得到第i个IMF的过程转化为求一个最优化解的问题,其中:
上式中,α为权重系数,θi为第i个解调信号或bi(t)的相位,fi(t)为频率方程,为估计的频率方程,si(t)是分解得到的第i个模态分量,可以将si(t)看做作一个调制信号,ai(t)和bi(t)看作两个解调信号,Ai(t)为幅值。
步骤105:对所述多个IMF进行频域分析,获得所述待检测对象的脉搏波信号。
其中,对IMF进行频域分析可以间接地揭示IMF的时域性能,通过频域分析获得每个IMF的频谱图,对频谱图进行分析可以得到各个IMF分量的主频率,选择主频率在[0.5,4]Hz范围内且与步骤103中的子信号相关性最大的IMF分量作为重构BVP信号,即获得人体脉搏波信号,在实际应用中,频率范围可以根据实际需要设定,本申请实施例对此不作具体限定。
在上述实施例的基础上,所述对所述目标视频进行提取,获取初始血容量脉冲BVP信号,包括:
根据欧拉视频放大算法对所述目标视频进行放大处理,获得增强视频;
提取所述增强视频对应的每帧图像中包含所述待检测对象的感兴趣区域;
对每帧图像对应的感兴趣区域进行信号提取,获得所述初始BVP信号。
其中,欧拉视频放大(Eulerian Video Magnificatiao,EVM)算法的关键步骤包括:
将采集到的目标视频作为输入;
将目标视频进行金字塔多分辨率分解,将输入的目标视频的每一帧图像分解为高斯金字塔模式;
对每一帧图像进行时域带通滤波,得到感兴趣的若干频带;
对每个频带的信号用泰勒级数差分逼近,得到线性放大逼近的效果;
对每个频带的信号进行重构,获得色彩放大的视频,即增强视频。
EVM从全局角度分析视频内容的时空变化特性,感知图像序列的微小变化,实现对感兴趣频率段的颜色变化或者微小运动进行放大和可视化,同时减少对噪声的放大和强度剪切伪影的影响,对环境光照等变化影响有抑制作用。
在本申请实施例中,以人脸部分为例,为了避免眼睛和嘴带来的运动干扰,采用人脸检测算法和人脸特征点标注算法对增强视频的每一帧进行人脸检测和特征点标注,依据人脸特征点划分出额头部分为感兴趣区域,避免头部运动和拍摄背景的干扰,能够使得感兴趣区域根据脸部的运动情况进行调整。
在上述实施例的基础上,所述对每帧图像对应的感兴趣区域进行信号提取,获得所述初始BVP信号,包括:
计算所述每帧图像对应的感兴趣区域的绿色通道的像素平均值;
将所述像素平均值进行归一化,得到原始BVP信号;
对所述原始BVP信号进行时域滤波,获得所述初始BVP信号。
在本申请实施例中,系统根据人脸特征点划分出额头作为感兴趣区域,计算每帧图像对应的感兴趣区域的R、G、B通道的像素平均值,其中额头区域红色通道和蓝色通道的信号规律差,不易提取脉搏波的波形,绿色通道信号有一定的规律,故选择将绿色通道的像素平均值作为下一级的输入信号,并将绿色通道的像素平均值归一化到[-1,1]区间,得到原始BVP信号。
由于人体的正常脉冲频率范围为30次/分钟-120/分钟,因此将Butterworth滤波器的带通范围设置为[0.5,4]Hz,对初始BVP信号进行时域滤波,将初始BVP信号转化为[0.5,4]Hz范围,得到初始BVP信号,在实际应用中,滤波器的带通范围可以根据实际需要设定,本申请实施例对此不作具体限定。
在上述实施例的基础上,所述对所述BVP信号进行截取,获得子信号,包括:
根据预设窗宽从所述初始BVP信号中截取出待确定信号;
根据如下步骤判断所述待确定信号是否为所述子信号,并且在所述待确定信号不为子信号时,重新根据所述预设窗宽和预设步长从所述初始BVP信号中截取出新的待确定信号,直至获取到所述子信号为止:
提取所述待确定信号的峰值特征组、谷值特征组、峰间距特征组、谷间距特征组和峰谷差值特征组;
判断所述峰值特征组、谷值特征组、峰间距特征组、谷间距特征组和峰谷差值特征组中的元素是否在各自对应的预设阈值范围内;
若每个所述特征组中的元素都在对应的预设阈值范围内,则确定所述待确定信号为所述子信号;
若所述特征组中包含不满足对应预设阈值的元素,则所述待确定信号不为所述子信号。
本申请实施例中,提取待确定信号的峰值特征组、谷值特征组、峰间距特征组、谷间距特征组和峰谷差值特征组,对待确定子信号的五个特征组的元素进行异常判断。对数据的异常值进行判断时,在对数据的均值和标准进行分析的基础上,使用3α法则可以计算出数据是否包含异常值,但3α法则要求数据服从正态分布,不满足正态分布的数据并不适用3α法则。
本申请实施例中,通过箱型图理论对数据进行异常判断,箱型图是可以描述数据位置和分散情况的一种图形,对不满足正态分布的数据仍然适用,箱型图的本质是将数据划分为四个区域,分界点为上限Q4,上四分位数Q3,中位数Q2,下四分位数Q1,下限Q0五个指标组成,正常的数据分布在上限Q4与下限Q0之间,而异常的数据在上限Q4和下限Q0之外。
计算公式为:
Q3=N((n+1)×3/4-1)×0.75+N((n+1)×3/4+1)×0.25
Q1=N((n+1)/4-1)×0.25+N((n+1)/4+1)×0.75
Q4=Q3+1.5×(Q3-Q1)
Q0=Q1-1.5×(Q3-Q1)
其中,Q2为中位数,即一组数由小到大排列处于中间位置的数,若序列数为偶数个,该组的中位数为中间两个数的平均数,n为进行异常判断的特征组的数组长度。
图2为本申请实施例提供的信号质量检测算法特征示意图。一般来说,0-15秒内会有15个峰值和谷值,14个峰间距和谷间距,29个峰谷差值,图2以5个峰值和谷值,4个峰间距和谷间距,9个峰谷差值对提取的特征进行表示,其中横轴为时间0-15秒,纵轴为子信号的幅值,其中P1、P2、P3、P4、P5和P6为0-15秒时间内子信号对应的峰值,v1、v2、v3、v4、v5和v6为0-15秒时间内子信号对应的谷值,dp1、dp2、dp3、dp4和dp5为0-15秒时间内子信号对应的峰间距,dv1、dv2、dv3、dv4和dv5为0-15秒时间内子信号对应的谷间距,dpv1、dpv2、dpv3、dpv4、dpv5、dpv6、dpv7、dpv8、dpv9、dpv10和dpv11为0-15秒时间内子信号对应的峰谷差值。
下限Q0=Q1-1.5×(Q3-Q1)=11;
上限Q4=Q3+1.5×(Q3-Q1)=14.2;
将峰值特征组的元素与[11,14.2]进行判断,可得峰值特征组的元素都在阈值范围内,则可判断峰值特征组的元素不存在异常数据。
在本申请实施例中要判断所述待确定信号是否为所述子信号,并且在所述待确定信号不为子信号时,重新根据所述预设窗宽和预设步长从所述初始BVP信号中截取出新的待确定信号,直至获取到所述子信号为止。
为了减少运动伪影干扰对子信号分解的影响,在对子信号进行分解之前,使用信号质量检测(Signal Quality Assessment,QA)算法提取出质量合格的波形进行处理与分析,图3为本申请实施例提供的一种质量检测算法的流程图。
首先,对初始BVP信号进行截取,首先预设窗宽为15秒,步长为1秒,子信号的宽度阈值设为5。
步骤201:子信号获取。
预设起始索引为0,则对应的结束索引为起始索引+窗宽,根据预设的起始索引0和窗宽得出结束索引为15,判断截取的所述待确定信号的宽度大于5,则所述待确定信号为有效信号,则截取0-15s的子信号。
步骤202:对截取的待确定信号进行异常判断。
首先对待确定信号进行特征转换,提取待确定子信号的峰值特征组、谷值特征组、峰间距特征组、谷间距特征组和峰谷差值特征组,根据每个特征组的元素分别计算每个特征组对应的阈值范围,根据每个特征组对应的阈值范围判断每个特征组的元素是否在对应的阈值范围内。
若每个所述特征组中的元素都在对应的预设阈值范围内,则确定所述待确定信号为所述子信号,提取所述子信号用于重构脉搏波信号。
步骤203:若所述特征组中包含不满足对应预设阈值的元素,则所述待确定信号不为所述子信号,判断待确定信号的结束索引是否大于原信号S的长度。
若结束索引小于原信号S的长度,则调整起始索引和结束索引,起始索引为原始的起始索引+步长,对应的结束索引为起始索引+窗宽,再截取新的待确定信号,判断所述待确定信号是否包含异常值,直至提取出没有异常值的子信号。
若结束索引大于原信号S的长度,则将预设的窗宽变为原窗宽-步长,再根据所述预设窗宽重新获取对应的结束索引,判断根据当前的起始索引和结束索引获取的待确定信号的长度是否大于宽度阈值5,若待确定信号的长度大于宽度阈值5,则截取所述待确定信号进行后续的异常判断,若待确定的信号的长度小于宽度阈值5,则说明初始BVP信号中不存在不包含异常数据的子信号,则重新提取初始BVP信号,再进行质量检测。
在上述实施例的基础上,对所述多个IMF进行频域分析,获得所述待检测对象的脉搏波信号,包括:
对所述多个IMF进行频域分析,获得每个所述IMF分别对应的主频率;计算每个所述IMF和所述子信号的相关系数;确定所述主频率在预设频率范围内且相关系数最大值对应的IMF作为脉搏波信号。
每个IMF进行频域分析得到对应的频谱图,将频谱图中IMF的最大峰值时对应的频率作为各个IMF分量的主频率。同时,计算每个IMF与步骤103中获得的子信号的相关系数,选择主频率在[0.5,4]Hz范围内且与分解之前的子信号相关性最大的IMF分量作为重构BVP信号,获得人体脉搏波信号,在实际应用中,频率范围可以根据实际需要设定,本申请实施例对此不作具体限定。
在本申请实施例中,通过自适应chirp模式分解对初始BVP信号进行模态分解,解决了变分模态分解算法处理频率重叠的多分量信号效果不佳的问题,提高了时域和频域分辨率,能更好地对噪声信号进行预处理,所获得的IMF对噪声有足够的稳健性,能够很好地分离信号与噪声模态函数分量,使得脉搏波重构算法具有抗干扰能力,提高提取的脉搏波信号的准确性。
图4为本申请实施例提供的脉搏波信号与真实信号的波形示意图,其中虚线为真实信号的波形,实线为重构得到的脉搏波信号。采用峰值检测算法计算心率值,根据重构BVP信号波形图的峰值个数确定心率值,例如一个时长30秒的信号波形图具有35个峰值,则对应的心率值为70次/分钟。
在低光照、正常环境、高光照、不平衡光照和头部晃动五个受试环境下,通过经验模态分解EMD算法、变分模态分解VMD算法、自适应chirp模式分解ACMD算法、欧拉视频放大算法-经验模态分解算法(EVM_EMD)、欧拉视频放大算法-变分模态分解算法(EVM_VMD)、欧拉视频放大算法-自适应chirp模式分解算法(EVM_ACMD)和欧拉视频放大算法-质量检测算法-自适应chirp模式分解算法(EVM_QA_ACMD)分别提取对应的脉搏波信号,计算得到的每个脉搏波信号和标准信号在的皮尔逊相关系数。
表1为本申请实施例提供的重构的脉搏波信号与真实信号的皮尔逊相关系数,通过表1可得EVM_QA_ACMD获得的脉搏波信号与标准信号的相关系数在五个受试环境中均最高,在低光照环境下为0.85,在正常环境下为0.87,在高光照情况下为0.86,在不平衡光照环境下为0.84,在头部晃动条件下为0.85。
表1
通过上述数据分析可得通过欧拉视频放大算法EVM能够增强细微信号的变化,信号质量检测算法QA能有效地筛选出质量合格的波形段,ACMD算法将与心率相关的有效信号与噪声信号分离,因此EVM_QA_ACMD在一定程度上能保证估计的脉搏波信号与标准信号的一致性,进而能够保证心率值等生理参数的准确计算。
将EVM_QA_ACMD重构的BVP信号用于心率值计算,评价指标包括:平均绝对误差(MAE)、标准差(SD)、皮尔逊相关系数(Pcc)。
其中,MAE、SD和Pcc的计算公式:
其中,Ri为第i个心率估计值,Gi为第i个心率真实值,N为心率计算样本总数,COV(R,G)为心率估计值与真实值的协方差函数。
表2为本申请实施例提供的不同场景下心率估计统计指标,根据计算数据分析可得基于EVM_QA_ACMD的方法的心率估计值与真实值在低照度环境下的平均绝对误差为5.14bpm、标准差为5.64bpm、皮尔逊相关系数为0.73;在正常光照环境下的平均绝对误差为4.32bpm、标准差为4.55bpm、皮尔逊相关系数为0.94;在高照度环境下的平均绝对误差为3.65bpm、标准差为3.54、皮尔逊相关系数为0.93;在不平衡照度环境下的平均绝对误差为5.39bpm、标准差为4.96bpm、皮尔逊相关系数为0.85;在头部晃动情况下的平均绝对误差为3.75bpm、标准差为5.95bpm、皮尔逊相关系数为0.84。
表1
通过上述分析可得在五种测试环境下,包括低照度环境,高照度环境,左右脸部亮度不均匀,正常光照环境以及头部晃动,联合使用欧拉视频放大算法-质量检测算法-自适应chirp模式分解算法(EVM_QA_ACMD)所获得的脉搏波信号能够取得良好的心率估计结果,心率估计值与真实值一致性较好。
综上所述,本申请首次提出利用基于欧拉视频放大算法、信号质量检测算法、自适应chirp模式分解算法对初始BVP信号进行重构得到的脉搏波信号,用于对心率值进行非接触式测量,对比其他方法而言更加稳定,与标准信号具有更高的一致性,并且对照明伪影和运动伪影具有更好的鲁棒性,同时使用该方法估计的心率值可取得优良的效果,为日常生活非接触心率估计提供一定的参考。
图5为本申请实施例提供的一种脉搏波提取装置结构示意图,该装置可以是电子设备上的模块、程序段或代码。应理解,该装置与上述图1方法实施例对应,能够执行图1方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括:采集模块301、获取模块302、截取模块303、分解模块304、频域分析模块305,其中:
采集模块301,用于获取目标视频;其中,所述目标视频中包含有待检测对象;获取模块,用于对所述目标视频进行提取,获得初始血容量脉冲BVP信号;截取模块,用于对所述BVP信号进行截取,获得子信号;分解模块,用于根据自适应chirp模式分解算法将所述子信号进行分解,得到多个模态函数分量IMF;频域分析模块,用于对所述多个IMF进行频域分析,获得所述待检测对象的脉搏波信号。
在上述实施例的基础上,获取模块302具体用于:
根据欧拉视频放大算法对所述目标视频进行放大处理,获得增强视频;提取所述增强视频对应的每帧图像中包含所述待检测对象的感兴趣区域;对每帧图像对应的感兴趣区域进行信号提取,获得所述初始BVP信号。
在上述实施例的基础上,获取模块302具体用于:
计算所述每帧图像对应的感兴趣区域的绿色通道的像素平均值;
将所述像素平均值进行归一化,得到原始BVP信号;
对所述原始BVP信号进行时域滤波,获得所述初始BVP信号。
在上述实施例的基础上,截取模块303具体用于:
根据预设窗宽从所述初始BVP信号中截取出待确定信号;
根据如下步骤判断所述待确定信号是否为所述子信号,并且在所述待确定信号不为子信号时,重新根据所述预设窗宽和预设步长从所述初始BVP信号中截取出新的待确定信号,直至获取到所述子信号为止:
提取所述待确定信号的峰值特征组、谷值特征组、峰间距特征组、谷间距特征组和峰谷差值特征组;
判断所述峰值特征组、谷值特征组、峰间距特征组、谷间距特征组和峰谷差值特征组中的元素是否在各自对应的预设阈值范围内;
若每个所述特征组中的元素都在对应的预设阈值范围内,则确定所述待确定信号为所述子信号;
若所述特征组中包含不满足对应预设阈值的元素,则所述待确定信号不为所述子信号。
在上述实施例的基础上,截取模块303具体用于:
根据峰值特征组的元素计算峰值对应的第一阈值范围、谷值特征组的元素计算谷值对应的第二阈值范围、峰间距特征组的元素计算峰间距对应的第三阈值范围、谷间距特征组的元素计算谷间距对应的第四阈值范围和峰谷差值特征值的元素计算对应的第五阈值范围;
判断所述峰值特征组的元素是否在所述第一阈值范围内、谷值特征组的元素是否在所述第二阈值范围内、峰间距特征组的元素是否在所述第三阈值范围内、谷间距特征组的元素是否在所述第四阈值范围内、峰谷差值特征组的元素是否在所述第五阈值范围内。
在上述实施例的基础上,频域分析模块305具体用于:
对所述多个IMF进行频域分析,获得每个所述IMF分别对应的主频率;计算每个所述IMF和所述子信号的相关系数;确定所述主频率在预设频率范围内且相关系数最大值对应的IMF作为脉搏波信号。
在上述实施例的基础上,该装置还包括峰值获取模块,用于:
获取所述脉搏波信号的峰值个数;根据所述峰值个数确定心率值。
综上所述,本申请实施例中,通过EVM算法实现视频增强,有助于抗环境光变化干扰,在进行信号分解之前,使用信号质量检测算法提取出质量合格的波形进行处理与分析,为了减少运动伪影干扰对信号分解的影响,同时自适应chirp模式分解解决了VMD算法处理频率重叠的多分量信号效果不佳的问题,提高了时域和频域分辨率,能更好地对噪声信号进行预处理,所获得的IMF对噪声有足够的稳健性,能够很好地分离信号与噪声模态函数分量,使得脉搏波重构算法具有抗干扰能力,提高提取的脉搏波信号的准确性。
图6为本申请实施例提供的电子设备实体结构示意图,如图6所示,所述电子设备,包括:处理器(processor)401、存储器(memory)402和总线403;其中:
所述处理器401和存储器402通过所述总线403完成相互间的通信;
所述处理器401用于调用所述存储器402中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取目标视频;其中,所述目标视频中包含有待检测对象;对所述目标视频进行提取,获得初始BVP信号;对所述初始BVP信号进行截取,获得子信号;根据自适应chirp模式分解算法将所述子信号进行重构,得到多个模态函数分量IMF;对所述多个IMF进行频域分析,获得所述待检测对象的脉搏波信号。
处理器401可以是一种集成电路芯片,具有信号处理能力。上述处理器401可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器402可以包括但不限于随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)等。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取目标视频;其中,所述目标视频中包含有待检测对象;对所述目标视频进行提取,获得初始BVP信号;对所述初始BVP信号进行截取,获得子信号;根据自适应chirp模式分解算法将所述子信号进行重构,得到多个模态函数分量IMF;对所述多个IMF进行频域分析,获得所述待检测对象的脉搏波信号。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取目标视频;其中,所述目标视频中包含有待检测对象;对所述目标视频进行提取,获得初始BVP信号;对所述初始BVP信号进行截取,获得子信号;根据自适应chirp模式分解算法将所述子信号进行重构,得到多个模态函数分量IMF;对所述多个IMF进行频域分析,获得所述待检测对象的脉搏波信号。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种脉搏波提取方法,其特征在于,包括:
获取目标视频;其中,所述目标视频中包含有待检测对象;
对所述目标视频进行提取,获得初始血容量脉冲BVP信号;
对所述初始BVP信号进行截取,获得子信号;
根据自适应chirp模式分解算法将所述子信号进行分解,得到多个模态函数分量IMF;
对所述多个IMF进行频域分析,获得所述待检测对象的脉搏波信号。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标视频进行提取,获取初始血容量脉冲BVP信号,包括:
根据欧拉视频放大算法对所述目标视频进行放大处理,获得增强视频;
提取所述增强视频对应的每帧图像中包含所述待检测对象的感兴趣区域;
对每帧图像对应的感兴趣区域进行信号提取,获得所述初始BVP信号。
3.根据权利要求2所述的方法,其特征在于,所述对每帧图像对应的感兴趣区域进行信号提取,获得所述初始BVP信号,包括:
计算所述每帧图像对应的感兴趣区域的绿色通道的像素平均值;
将所述像素平均值进行归一化,得到原始BVP信号;
对所述原始BVP信号进行时域滤波,获得所述初始BVP信号。
4.根据权利要求1所述的方法,其特征在于,所述对所述BVP信号进行截取,获得子信号,包括:
根据预设窗宽从所述初始BVP信号中截取出待确定信号;
根据如下步骤判断所述待确定信号是否为所述子信号,并且在所述待确定信号不为子信号时,重新根据所述预设窗宽和预设步长从所述初始BVP信号中截取出新的待确定信号,直至获取到所述子信号为止:
提取所述待确定信号的峰值特征组、谷值特征组、峰间距特征组、谷间距特征组和峰谷差值特征组;
判断所述峰值特征组、谷值特征组、峰间距特征组、谷间距特征组和峰谷差值特征组中的元素是否在各自对应的预设阈值范围内;
若每个所述特征组中的元素都在对应的预设阈值范围内,则确定所述待确定信号为所述子信号;
若所述特征组中包含不满足对应预设阈值的元素,则所述待确定信号不为所述子信号。
5.根据权利要求4所述的方法,其特征在于,所述判断所述峰值特征组、谷值特征组、峰间距特征组、谷间距特征组和峰谷差值特征组中的元素是否在各自对应的预设阈值范围内,包括:
根据峰值特征组的元素计算峰值对应的第一阈值范围、谷值特征组的元素计算谷值对应的第二阈值范围、峰间距特征组的元素计算峰间距对应的第三阈值范围、谷间距特征组的元素计算谷间距对应的第四阈值范围和峰谷差值特征值的元素计算对应的第五阈值范围;
判断所述峰值特征组的元素是否在所述第一阈值范围内、谷值特征组的元素是否在所述第二阈值范围内、峰间距特征组的元素是否在所述第三阈值范围内、谷间距特征组的元素是否在所述第四阈值范围内、峰谷差值特征组的元素是否在所述第五阈值范围内。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述对所述多个IMF进行频域分析,获得所述待检测对象的脉搏波信号,包括:
对所述多个IMF进行频域分析,获得每个所述IMF分别对应的主频率;
计算每个所述IMF和所述子信号的相关系数;
确定所述主频率在预设频率范围内且相关系数最大值对应的IMF作为脉搏波信号。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取所述脉搏波信号的峰值个数;
根据所述峰值个数确定心率值。
8.一种脉搏波提取装置,其特征在于,包括:
采集模块,用于获取目标视频;其中,所述目标视频中包含有待检测对象;
获取模块,用于对所述目标视频进行提取,获得初始血容量脉冲BVP信号;
截取模块,用于对所述BVP信号进行截取,获得子信号;
分解模块,用于根据自适应chirp模式分解算法将所述子信号进行分解,得到多个模态函数分量IMF;
频域分析模块,用于对所述多个IMF进行频域分析,获得所述待检测对象的脉搏波信号。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-7任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令被计算机运行时,使所述计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159657.9A CN113712526B (zh) | 2021-09-30 | 2021-09-30 | 一种脉搏波提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159657.9A CN113712526B (zh) | 2021-09-30 | 2021-09-30 | 一种脉搏波提取方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113712526A true CN113712526A (zh) | 2021-11-30 |
CN113712526B CN113712526B (zh) | 2022-12-30 |
Family
ID=78685428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111159657.9A Active CN113712526B (zh) | 2021-09-30 | 2021-09-30 | 一种脉搏波提取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113712526B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115429246A (zh) * | 2022-09-19 | 2022-12-06 | 合肥工业大学 | 一种基于bvp信号的心率检测方法、装置、电子设备及存储介质 |
CN116327133A (zh) * | 2023-05-29 | 2023-06-27 | 智慧眼科技股份有限公司 | 一种多生理指标检测方法、装置及相关设备 |
CN116992270A (zh) * | 2023-09-26 | 2023-11-03 | 惠州市优尼可科技有限公司 | 一种基于数据处理的壁挂储能电源运行监测方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040230383A1 (en) * | 2003-05-12 | 2004-11-18 | Bechhoefer Eric Robert | Wire fault detection |
US20110245628A1 (en) * | 2010-03-31 | 2011-10-06 | Nellcor Puritan Bennett Llc | Photoplethysmograph Filtering Using Empirical Mode Decomposition |
CN102488527A (zh) * | 2004-11-16 | 2012-06-13 | 梅德拉股份有限公司 | 从成像过程确定病人生理参数的系统和方法 |
EP2592093A1 (en) * | 2007-08-21 | 2013-05-15 | Amgen, Inc | Human c-fms antigen binding proteins |
US20130182127A1 (en) * | 2012-01-13 | 2013-07-18 | Canon Kabushiki Kaisha | Imaging apparatus, lens apparatus, imaging apparatus controlling method, lens apparatus controlling method, computer program, and imaging system |
US20130272095A1 (en) * | 2010-09-29 | 2013-10-17 | Adrian S. Brown | Integrated audio-visual acoustic detection |
EP2965748A1 (en) * | 2011-04-26 | 2016-01-13 | Vectura GmbH | Administration of iloprost as aerosol bolus |
CN106073729A (zh) * | 2016-05-31 | 2016-11-09 | 中国科学院苏州生物医学工程技术研究所 | 光电容积脉搏波信号的采集方法 |
CN106236049A (zh) * | 2016-10-12 | 2016-12-21 | 南京工程学院 | 基于视频图像的血压测量方法 |
CN109589101A (zh) * | 2019-01-16 | 2019-04-09 | 四川大学 | 一种基于视频的非接触式生理参数获取方法与装置 |
CN109820499A (zh) * | 2018-12-24 | 2019-05-31 | 杨爽 | 基于视频的高抗干扰心率检测方法、电子设备及存储介质 |
CN110236508A (zh) * | 2019-06-12 | 2019-09-17 | 云南东巴文健康管理有限公司 | 一种无创血压连续监测方法 |
CN110612056A (zh) * | 2017-05-01 | 2019-12-24 | 三星电子株式会社 | 使用基于相机的感测来确定动脉位置 |
CN110742581A (zh) * | 2019-10-08 | 2020-02-04 | 北京邮电大学 | Bcg信号的处理方法及装置 |
CN111084616A (zh) * | 2019-12-17 | 2020-05-01 | 四川大学 | 一种无创颅内压监测方法及装置 |
CN111243739A (zh) * | 2020-01-07 | 2020-06-05 | 四川大学 | 抗干扰的生理参数遥测方法及系统 |
CN112890792A (zh) * | 2020-11-25 | 2021-06-04 | 合肥工业大学 | 一种基于网络摄像头的云计算心血管健康监护系统及方法 |
CN113423325A (zh) * | 2018-12-18 | 2021-09-21 | 皇家飞利浦有限公司 | 用于检测流体积聚的系统和方法 |
-
2021
- 2021-09-30 CN CN202111159657.9A patent/CN113712526B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040230383A1 (en) * | 2003-05-12 | 2004-11-18 | Bechhoefer Eric Robert | Wire fault detection |
CN102488527A (zh) * | 2004-11-16 | 2012-06-13 | 梅德拉股份有限公司 | 从成像过程确定病人生理参数的系统和方法 |
EP2592093A1 (en) * | 2007-08-21 | 2013-05-15 | Amgen, Inc | Human c-fms antigen binding proteins |
US20110245628A1 (en) * | 2010-03-31 | 2011-10-06 | Nellcor Puritan Bennett Llc | Photoplethysmograph Filtering Using Empirical Mode Decomposition |
US20130272095A1 (en) * | 2010-09-29 | 2013-10-17 | Adrian S. Brown | Integrated audio-visual acoustic detection |
EP2965748A1 (en) * | 2011-04-26 | 2016-01-13 | Vectura GmbH | Administration of iloprost as aerosol bolus |
US20130182127A1 (en) * | 2012-01-13 | 2013-07-18 | Canon Kabushiki Kaisha | Imaging apparatus, lens apparatus, imaging apparatus controlling method, lens apparatus controlling method, computer program, and imaging system |
CN106073729A (zh) * | 2016-05-31 | 2016-11-09 | 中国科学院苏州生物医学工程技术研究所 | 光电容积脉搏波信号的采集方法 |
CN106236049A (zh) * | 2016-10-12 | 2016-12-21 | 南京工程学院 | 基于视频图像的血压测量方法 |
CN110612056A (zh) * | 2017-05-01 | 2019-12-24 | 三星电子株式会社 | 使用基于相机的感测来确定动脉位置 |
CN113423325A (zh) * | 2018-12-18 | 2021-09-21 | 皇家飞利浦有限公司 | 用于检测流体积聚的系统和方法 |
CN109820499A (zh) * | 2018-12-24 | 2019-05-31 | 杨爽 | 基于视频的高抗干扰心率检测方法、电子设备及存储介质 |
CN109589101A (zh) * | 2019-01-16 | 2019-04-09 | 四川大学 | 一种基于视频的非接触式生理参数获取方法与装置 |
CN110236508A (zh) * | 2019-06-12 | 2019-09-17 | 云南东巴文健康管理有限公司 | 一种无创血压连续监测方法 |
CN110742581A (zh) * | 2019-10-08 | 2020-02-04 | 北京邮电大学 | Bcg信号的处理方法及装置 |
CN111084616A (zh) * | 2019-12-17 | 2020-05-01 | 四川大学 | 一种无创颅内压监测方法及装置 |
CN111243739A (zh) * | 2020-01-07 | 2020-06-05 | 四川大学 | 抗干扰的生理参数遥测方法及系统 |
CN112890792A (zh) * | 2020-11-25 | 2021-06-04 | 合肥工业大学 | 一种基于网络摄像头的云计算心血管健康监护系统及方法 |
Non-Patent Citations (3)
Title |
---|
WANG, WJ: "Real-time and robust heart rate measurement for multi-people in motion using IPPG", 《CONFERENCE ON APPLICATIONS OF DIGITAL IMAGE PROCESSING XLII》 * |
何璇: "基于面部视频的非接触式血流信号检测系统研究与实现", 《中国优秀硕士学位论文全文数据库》 * |
倪宗军 等: "自适应去噪的非接触式生理参数检测方法", 《计算机工程与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115429246A (zh) * | 2022-09-19 | 2022-12-06 | 合肥工业大学 | 一种基于bvp信号的心率检测方法、装置、电子设备及存储介质 |
CN116327133A (zh) * | 2023-05-29 | 2023-06-27 | 智慧眼科技股份有限公司 | 一种多生理指标检测方法、装置及相关设备 |
CN116992270A (zh) * | 2023-09-26 | 2023-11-03 | 惠州市优尼可科技有限公司 | 一种基于数据处理的壁挂储能电源运行监测方法 |
CN116992270B (zh) * | 2023-09-26 | 2024-01-09 | 惠州市优尼可科技有限公司 | 一种基于数据处理的壁挂储能电源运行监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113712526B (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113712526B (zh) | 一种脉搏波提取方法、装置、电子设备及存储介质 | |
CN113420624B (zh) | 一种非接触式疲劳检测方法及系统 | |
CN107529646B (zh) | 一种基于欧拉影像放大的无接触式心率测量方法及装置 | |
Manikandan et al. | Wavelet energy based diagnostic distortion measure for ECG | |
EP3723596A1 (en) | Method, module and system for analysis of physiological signal | |
Pittman-Polletta et al. | Detecting phase-amplitude coupling with high frequency resolution using adaptive decompositions | |
WO2015121949A1 (ja) | 信号処理装置、信号処理方法及び信号処理プログラム | |
CN111243739A (zh) | 抗干扰的生理参数遥测方法及系统 | |
CN110236573A (zh) | 心理压力状态的检测方法及相关装置 | |
CN106491117A (zh) | 一种基于ppg心率测量技术的信号处理方法及装置 | |
CN108387887A (zh) | 一种水声信号的混合降噪方法 | |
EP3692902A1 (en) | Method for assessing electrocardiogram signal quality | |
JP6393984B2 (ja) | 脈拍計測装置、脈拍計測方法及び脈拍計測プログラム | |
Krusienski et al. | BCI signal processing: feature extraction | |
CN106031631A (zh) | 一种心率检测方法、装置及系统 | |
Madanu et al. | Depth of anesthesia prediction via EEG signals using convolutional neural network and ensemble empirical mode decomposition | |
CN112378866A (zh) | 水质参数反演模型的训练方法、水质监测方法及装置 | |
CN112494001A (zh) | Ppg信号质量评估方法、装置、穿戴式设备及存储介质 | |
Xi et al. | Weighted combination and singular spectrum analysis based remote photoplethysmography pulse extraction in low-light environments | |
CN111820870A (zh) | 生物影像处理方法以及生理信息检测装置 | |
CN112826483B (zh) | 基于指尖视频的心率检测方法、系统及装置 | |
US11129539B2 (en) | Pulse measuring device and control method thereof | |
US10362969B2 (en) | Image-based detection and diagnosis of diastasis recti | |
Kong et al. | Robust imaging photoplethysmography in long-distance motion | |
CN114601437A (zh) | 一种心率检测方法和装置 |
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 |