CN113729653A - 一种人体脉搏波信号采集方法 - Google Patents

一种人体脉搏波信号采集方法 Download PDF

Info

Publication number
CN113729653A
CN113729653A CN202111026619.6A CN202111026619A CN113729653A CN 113729653 A CN113729653 A CN 113729653A CN 202111026619 A CN202111026619 A CN 202111026619A CN 113729653 A CN113729653 A CN 113729653A
Authority
CN
China
Prior art keywords
pulse wave
wavelet
human body
signal
signals
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
CN202111026619.6A
Other languages
English (en)
Inventor
周小舟
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.)
Jiangsu Aoneng Technology Co ltd
Original Assignee
Jiangsu Aoneng 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 Jiangsu Aoneng Technology Co ltd filed Critical Jiangsu Aoneng Technology Co ltd
Priority to CN202111026619.6A priority Critical patent/CN113729653A/zh
Publication of CN113729653A publication Critical patent/CN113729653A/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
    • A61B5/02—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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Pulmonology (AREA)
  • Power Engineering (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明属于脉搏波信号采集技术领域，尤其是涉及一种人体脉搏波信号采集方法，包括以下步骤：通过人体指端光电容积脉搏波的物理特性，以朗伯比尔定律为基本原理，设计硬件系统，实现对人体PPG的无创采集；对采集到的PPG信号进行滤波和放大处理，通过特征选择和提取方式识别出比较完整的脉搏波信号；将得到的脉搏波信号进行经验模态分解，选择具有适当频率的本征模函数重构出待测的呼吸波信号，并在显示屏上显示出来。本发明能够很好地去除信号中工频干扰以及基线漂移，本文提出的幅度阈值与滑动窗口相结合的脉搏波主波波峰识别方法，经过实验对比准确率大大提高。

Description

一种人体脉搏波信号采集方法
技术领域
本发明涉及脉搏波信号采集技术领域，尤其涉及一种人体脉搏波信号采集方法。
背景技术
近年来，随着医疗技术的快速发展，对医用的脉搏测量仪要求越来越高。脉搏是人体的动脉搏动，脉搏次数的大小在一定程度上反映了人体生理健康状况。人体脉率和脉搏波的测量是衡量人体是否健康和进行病理分析的重要数据，准确监控脉搏、心音、血压、心电等生理信号可以有效获得一个人心血管系统的健康状况，从而为心血管疾病预防提供依据。脉搏传感技术具有无创、便捷等诸多优势，在健康医疗领域研究最多且应用最广泛，因此，在很早之前脉搏便被纳入了临床医学检测的范围，用于人体功能检测以及疾病分析中。
目前，脉搏测量主要有压电式、压阻式、光电式等方式。其中，压电式和压阻式是通过压电片、电桥等微压力型材料将脉搏转化为信号输出出来的；光电式则通过反射或对射式的方式，将血管中的脉搏跳动过程中的变化中的透光率变化转换为信号输出出来的，脉搏波信号属于低频低幅的弱信号，釆集到的信号容易受到噪声干扰，所以对信号中噪声的去除对信号的正确分析尤为重要。
为此，我们提出一种人体脉搏波信号采集方法来解决上述问题。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种人体脉搏波信号采集方法。
为了实现上述目的，本发明采用了如下技术方案：
一种人体脉搏波信号采集方法，包括以下步骤：
S1、通过人体指端光电容积脉搏波的物理特性，以朗伯比尔定律为基本原理，设计硬件系统，实现对人体PPG的无创采集；
S2、对采集到的PPG信号进行滤波和放大处理，通过特征选择和提取方式识别出比较完整的脉搏波信号；
S3、将得到的脉搏波信号进行经验模态分解，选择具有适当频率的本征模函数重构出待测的呼吸波信号，并在显示屏上显示出来。
在上述的人体脉搏波信号采集方法中，所述步骤S1中的硬件系统包括芯片组件，所述芯片组件包括电源管理模块、数据采集模块、滤波电路模块、MCU处理模块和显示模块，所述电源管理模块用于系统的正常供电，所述数据采集模块用于采集干扰小，准确性高的PPG，所述滤波电路模块用于对信号的放大并滤除多余的噪声干扰，所述MCU处理模块用于对采集信号的处理，所述显示模块用于将MCU模块处理的结果显示出来。
在上述的人体脉搏波信号采集方法中，所述脉搏波的特征点包括主波波峰、波谷和起始点，所述步骤S2中采用幅度阈值与滑动窗口相结合的方式识别主波波峰并利用微分法提取波形的起始点。
在上述的人体脉搏波信号采集方法中，所述步骤S2过程中采用小波阈值去噪法对脉搏波进行信号预处理，所述小波阈值法的算法包括以下步骤：
(1)首先对含噪声的脉搏波信号进行离散小波变化0，得到不同频带上的小波系数Wj,k，j为小波分解尺度0；
(2)预设一个阈值λ，λ可取为
Figure BDA0003243774710000031
利用阈值函数对小波系数Wj,k进行量化处理，得到估计小波系数
Figure BDA0003243774710000032
(3)根据估计小波系数
Figure BDA0003243774710000033
作离散小波逆变换，得到重构后的脉搏波信号。
在上述的人体脉搏波信号采集方法中，所述小波阈值法的算法步骤(2)中的阈值处理函数如下：
Figure BDA0003243774710000034
其中，
Figure BDA0003243774710000035
相当于一个动态调节因子，当|Wj,k|≥λ时，
Figure BDA0003243774710000036
随着|Wj,k|不断增加，
Figure BDA0003243774710000037
逐渐减小，
Figure BDA0003243774710000038
也逐渐减小，因此可以避免绝对值较大的小波系数Wj,k与处理后的估计小波系数值
Figure BDA0003243774710000039
之间存在的偏差问题，所述阈值处理函数中的n可以调节阈值的大小，使得处理后的估计小波系数
Figure BDA00032437747100000310
更接近原始信号对应的小波系数。
在上述的人体脉搏波信号采集方法中，所述步骤S3中将采集到的PPG进行自动分解得到各个固有模态函数分量，由EMD分解远离可以得出其重构信号如下：
f(x)＝∑IMFi，其中，IMFi代表本征模态函数的分量。
在上述的人体脉搏波信号采集方法中，所述滑动窗口结合人体脉率设定宽度为0.75s，具体步骤：
A、选取滑动窗口的中心点为基准点，如果满足基准点左边幅值都小于基准点幅值，右边幅值都小于基准点幅值，则基准点对应为主波波峰；
B、若以上情况都不满足，向右滑动窗口，继续判断；
所述起始点检测是将预处理后的脉搏信号进行一阶微分，分析一阶微分信号可知，起始点对应于主波峰值点一阶微分位置前第一个过零点附近，通过在该过零点附近寻找局部最小值来精确定位起始点位置。
与现有技术相比，本一种人体脉搏波信号采集方法的优点在于：
1、本发明能够很好地去除信号中工频干扰以及基线漂移，本文提出的幅度阈值与滑动窗口相结合的脉搏波主波波峰识别方法，经过实验对比准确率大大提高。
2、利用本系统得到的呼吸信号和呼吸信号本身具有较高的相关性，证明从PPG中实时提取呼吸信号的方法是可行的，相对于现有的呼吸信号检测方法，本系统具有操作简单，实时无创，方便的特点。
附图说明
图1为本发明提出的一种人体脉搏波信号采集方法的方法步骤示意图；
图2为本发明提出的一种人体脉搏波信号采集方法的频谱对比示意图；
图3为本发明提出的一种人体脉搏波信号采集方法的滑动窗示意图。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例
参照图1-3，一种人体脉搏波信号采集方法，包括以下步骤：
S1、通过人体指端光电容积脉搏波的物理特性，以朗伯比尔定律为基本原理，设计硬件系统，实现对人体PPG的无创采集；
S2、对采集到的PPG信号进行滤波和放大处理，通过特征选择和提取方式识别出比较完整的脉搏波信号；
S3、将得到的脉搏波信号进行经验模态分解，选择具有适当频率的本征模函数重构出待测的呼吸波信号，并在显示屏上显示出来。
其中，步骤S1中的硬件系统包括芯片组件，芯片组件包括电源管理模块、数据采集模块、滤波电路模块、MCU处理模块和显示模块，电源管理模块用于系统的正常供电，数据采集模块用于采集干扰小，准确性高的PPG，滤波电路模块用于对信号的放大并滤除多余的噪声干扰，MCU处理模块用于对采集信号的处理，显示模块用于将MCU模块处理的结果显示出来。
具体的，脉搏波的特征点包括主波波峰、波谷和起始点，步骤S2中采用幅度阈值与滑动窗口相结合的方式识别主波波峰并利用微分法提取波形的起始点，步骤S2过程中采用小波阈值去噪法对脉搏波进行信号预处理，小波阈值法的算法包括以下步骤：
(1)首先对含噪声的脉搏波信号进行离散小波变化0，得到不同频带上的小波系数Wj,k，j为小波分解尺度0；
(2)预设一个阈值λ，λ可取为
Figure BDA0003243774710000061
利用阈值函数对小波系数Wj,k进行量化处理，得到估计小波系数
Figure BDA0003243774710000062
(3)根据估计小波系数
Figure BDA0003243774710000063
作离散小波逆变换，得到重构后的脉搏波信号。
更具体的，小波阈值法的算法步骤(2)中的阈值处理函数如下：
Figure BDA0003243774710000064
其中，
Figure BDA0003243774710000065
相当于一个动态调节因子，当|Wj,k|≥λ时，
Figure BDA0003243774710000066
随着|Wj,k|不断增加，
Figure BDA0003243774710000067
逐渐减小，
Figure BDA0003243774710000068
也逐渐减小，因此可以避免绝对值较大的小波系数Wj,k与处理后的估计小波系数值
Figure BDA0003243774710000069
之间存在的偏差问题，阈值处理函数中的n可以调节阈值的大小，使得处理后的估计小波系数
Figure BDA00032437747100000610
更接近原始信号对应的小波系数，
进一步的，滑动窗口结合人体脉率设定宽度为0.75s，具体步骤：
A、选取滑动窗口的中心点为基准点，如果满足基准点左边幅值都小于基准点幅值，右边幅值都小于基准点幅值，则基准点对应为主波波峰；
B、若以上情况都不满足，向右滑动窗口，继续判断；
起始点检测是将预处理后的脉搏信号进行一阶微分，分析一阶微分信号可知，起始点对应于主波峰值点一阶微分位置前第一个过零点附近，通过在该过零点附近寻找局部最小值来精确定位起始点位置，滑动窗示意图如图3所示，经过小波分解后得到各层小波系数，使用本文的阈值处理方法对小波系数进行量化处理，得到估计小波系数，进行小波重构后得到去噪后的脉搏信号，提出改进的阈值量化小波去噪,实验结果表明,该方法能够很好地去除信号中工频干扰以及基线漂移，本文提出的幅度阈值与滑动窗口相结合的脉搏波主波波峰识别方法，经过实验对比准确率大大提高。
其中，步骤S3中将采集到的PPG进行自动分解得到各个固有模态函数分量，由EMD分解远离可以得出其重构信号如下：
f(x)＝∑IMFi，其中，IMFi代表本征模态函数的分量，图2为采集到的两种呼吸信号的频谱图，将两种方法采集到的呼吸信号进行比对分析，可以看出二者具有较高的相关性，由此可知用EMD分解的方法得到的呼吸波的频率与原始信号是一致的，实验结果表明EMD分解方法在PPG中提取呼吸信号可行的。
综上，利用本系统得到的呼吸信号和呼吸信号本身具有较高的相关性，证明从PPG中实时提取呼吸信号的方法是可行的，相对于现有的呼吸信号检测方法，本系统具有操作简单，实时无创，方便的特点。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种人体脉搏波信号采集方法，其特征在于，包括以下步骤：
S1、通过人体指端光电容积脉搏波的物理特性，以朗伯比尔定律为基本原理，设计硬件系统，实现对人体PPG的无创采集；
S2、对采集到的PPG信号进行滤波和放大处理，通过特征选择和提取方式识别出比较完整的脉搏波信号；
S3、将得到的脉搏波信号进行经验模态分解，选择具有适当频率的本征模函数重构出待测的呼吸波信号，并在显示屏上显示出来。
2.根据权利要求1所述的一种人体脉搏波信号采集方法，其特征在于，所述步骤S1中的硬件系统包括芯片组件，所述芯片组件包括电源管理模块、数据采集模块、滤波电路模块、MCU处理模块和显示模块，所述电源管理模块用于系统的正常供电，所述数据采集模块用于采集干扰小，准确性高的PPG，所述滤波电路模块用于对信号的放大并滤除多余的噪声干扰，所述MCU处理模块用于对采集信号的处理，所述显示模块用于将MCU模块处理的结果显示出来。
3.根据权利要求1所述的一种人体脉搏波信号采集方法，其特征在于，所述脉搏波的特征点包括主波波峰、波谷和起始点，所述步骤S2中采用幅度阈值与滑动窗口相结合的方式识别主波波峰并利用微分法提取波形的起始点。
4.根据权利要求3所述的一种人体脉搏波信号采集方法，其特征在于，所述步骤S2过程中采用小波阈值去噪法对脉搏波进行信号预处理，所述小波阈值法的算法包括以下步骤：
(1)首先对含噪声的脉搏波信号进行离散小波变化0，得到不同频带上的小波系数Wj,k，j为小波分解尺度0；
(2)预设一个阈值λ，λ可取为
Figure FDA0003243774700000021
利用阈值函数对小波系数Wj,k进行量化处理，得到估计小波系数
Figure FDA0003243774700000022
(3)根据估计小波系数
Figure FDA0003243774700000023
作离散小波逆变换，得到重构后的脉搏波信号。
5.根据权利要求4所述的一种人体脉搏波信号采集方法，其特征在于，所述小波阈值法的算法步骤(2)中的阈值处理函数如下：
Figure FDA0003243774700000024
其中，
Figure FDA0003243774700000025
相当于一个动态调节因子，当|Wj,k|≥λ时，
Figure FDA0003243774700000026
随着|Wj,k|不断增加，
Figure FDA0003243774700000027
逐渐减小，
Figure FDA0003243774700000028
也逐渐减小，因此可以避免绝对值较大的小波系数Wj,k与处理后的估计小波系数值
Figure FDA0003243774700000029
之间存在的偏差问题，所述阈值处理函数中的n可以调节阈值的大小，使得处理后的估计小波系数
Figure FDA00032437747000000210
更接近原始信号对应的小波系数。
6.根据权利要求1所述的一种人体脉搏波信号采集方法，其特征在于，所述步骤S3中将采集到的PPG进行自动分解得到各个固有模态函数分量，由EMD分解远离可以得出其重构信号如下：
f(x)＝∑IMFi，其中，IMFi代表本征模态函数的分量。
7.根据权利要求3所述的一种人体脉搏波信号采集方法，其特征在于，所述滑动窗口结合人体脉率设定宽度为0.75s，具体步骤：
A、选取滑动窗口的中心点为基准点，如果满足基准点左边幅值都小于基准点幅值，右边幅值都小于基准点幅值，则基准点对应为主波波峰；
B、若以上情况都不满足，向右滑动窗口，继续判断；
所述起始点检测是将预处理后的脉搏信号进行一阶微分，分析一阶微分信号可知，起始点对应于主波峰值点一阶微分位置前第一个过零点附近，通过在该过零点附近寻找局部最小值来精确定位起始点位置。
CN202111026619.6A 2021-09-02 2021-09-02 一种人体脉搏波信号采集方法 Pending CN113729653A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111026619.6A CN113729653A (zh) 2021-09-02 2021-09-02 一种人体脉搏波信号采集方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111026619.6A CN113729653A (zh) 2021-09-02 2021-09-02 一种人体脉搏波信号采集方法

Publications (1)

Publication Number Publication Date
CN113729653A true CN113729653A (zh) 2021-12-03

Family

ID=78735025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111026619.6A Pending CN113729653A (zh) 2021-09-02 2021-09-02 一种人体脉搏波信号采集方法

Country Status (1)

Country Link
CN (1) CN113729653A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114587291A (zh) * 2022-03-14 2022-06-07 常熟理工学院 一种脉率变异性信号提取方法及系统
CN116070094A (zh) * 2023-03-14 2023-05-05 青岛科技大学 一种基于自适应小波阈值函数的水声信号处理方法
CN116172512A (zh) * 2023-01-13 2023-05-30 北京中科心研科技有限公司 一种呼吸信号和脉搏波信号的重构方法以及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114587291A (zh) * 2022-03-14 2022-06-07 常熟理工学院 一种脉率变异性信号提取方法及系统
CN116172512A (zh) * 2023-01-13 2023-05-30 北京中科心研科技有限公司 一种呼吸信号和脉搏波信号的重构方法以及装置
CN116172512B (zh) * 2023-01-13 2023-11-07 北京中科心研科技有限公司 一种呼吸信号和脉搏波信号的重构方法以及装置
CN116070094A (zh) * 2023-03-14 2023-05-05 青岛科技大学 一种基于自适应小波阈值函数的水声信号处理方法

Similar Documents

Publication Publication Date Title
CN113729653A (zh) 一种人体脉搏波信号采集方法
CN110338813B (zh) 一种基于频谱分析的无创血糖检测方法
CN109124610B (zh) 一种无创血压测量的抗干扰方法和装置
CN101919704B (zh) 一种心音信号定位、分段方法
CN104173043A (zh) 一种适合于移动平台的心电数据分析方法
CN112089405B (zh) 一种脉搏波特征参数测量及显示装置
CN104473660B (zh) 一种基于子带能量包络自相关特征的异常心音识别方法
CN112806977A (zh) 基于多尺度融合网络的生理参数测量方法
CN116784860B (zh) 基于形态学心拍模板聚类的心电信号特征提取系统
CA3170821A1 (en) Fusion signal processing for maternal uterine activity detection
CN109498022A (zh) 一种基于光电容积脉搏波的呼吸频率提取方法
Ranjan et al. Cardiac artifact noise removal from sleep EEG signals using hybrid denoising model
CN111783715A (zh) 基于脉搏信号特征提取的身份识别方法
CN111839488A (zh) 基于脉搏波的无创连续血压测量装置和方法
CN113243902B (zh) 一种基于光电容积脉搏波的特征提取方法
CN115089145A (zh) 基于多尺度残差网络和ppg信号的智能血压预测方法
CN110491504B (zh) 一种心音信号医学指标数据的获取方法
Moukadem et al. Localization of heart sounds based on S-transform and radial basis function neural network
CN115553784B (zh) 基于心电、心音信号耦合分析的冠心病评估方法及系统
CN114145725B (zh) 一种基于无创连续血压测量的ppg采样率估算方法
Biran et al. Automatic qrs detection and segmentation using short time fourier transform and feature fusion
JP2023035888A (ja) 無線レーダー信号に基づいて心拍データを抽出するための装置及び方法
CN112826459B (zh) 一种基于卷积自编码器的脉搏波波形重建的方法及系统
CN106377251B (zh) 基于脑电信号的睡眠状态识别模型训练方法和系统
Mangathayaru et al. Heart rate variability for predicting coronary heart disease using photoplethysmography

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication