CN113854976A - 一种脉搏信号中带潮汐波搏动波形的自动筛选方法 - Google Patents
一种脉搏信号中带潮汐波搏动波形的自动筛选方法 Download PDFInfo
- Publication number
- CN113854976A CN113854976A CN202111251160.XA CN202111251160A CN113854976A CN 113854976 A CN113854976 A CN 113854976A CN 202111251160 A CN202111251160 A CN 202111251160A CN 113854976 A CN113854976 A CN 113854976A
- Authority
- CN
- China
- Prior art keywords
- beat
- waveform
- pulse
- waveforms
- point
- 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 28
- 238000012216 screening Methods 0.000 title claims abstract description 27
- 230000008602 contraction Effects 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 10
- 230000000541 pulsatile effect Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 239000003814 drug Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 210000000707 wrist 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
- A61B5/02—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
-
- 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
- A61B5/7235—Details of waveform analysis
-
- 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
Abstract
一种脉搏信号中带潮汐波搏动波形的自动筛选方法,其特征在于,包括如下步骤,(1)读取采集的脉搏信号,并进行预处理,去除其中的基线漂移和高频噪声,(2)对经过预处理的脉搏信号,做傅里叶变换,计算一次搏动的平均周期或者说平均长度,做一阶差分计算,计算一阶差分峰值的90%中位数,结合估计的一搏平均长度定位每次搏动的收缩波最大差分点,得到每次搏动的波形起始点,用它们将脉搏信号分割成一次次搏动的搏动波形,(3)对分割出的每一次搏动的搏动波形,检验其瞬时心率是否属于合理范围,检验其两端的幅值差值是否过大,最终确定它是否为带潮汐波的搏动波形。
Description
技术领域
本申请涉及一种脉搏信号中带潮汐波搏动波形的自动筛选方法。
背景技术
中医已经有两千余年的历史,而中医现代化受到了越来越多的重视。脉诊是中医“望闻问切”四诊中的关键组成成分之一。业界正在推出多款仿中医切脉的脉搏信号检测装置,使用基于压力、光电容积描记术、生物电阻抗、声学等多种原理的传感器从腕部拾取脉搏信号进行分析诊断。
实际中,检测脉搏信号时,由于传感器取脉位置未必精准、取脉方法未必规范、被测对象存在个体差异等原因,记录的脉搏信号信噪比不一定高,切脉系统要稳定地高鲁棒性地提取波形的形态学特征并非易事。
带潮汐波的搏动波形是脉搏信号中最典型的一类搏动波形,如果从检测的脉搏信号中挑出带潮汐波的搏动波形,用纯粹的带潮汐波的搏动波形来提取脉搏波的形态学特征,则必然提高其重复性,便于最终的人体状况的分类识别。
对采集的脉搏信号中搏动波形的筛选,可包括三个基本步骤:信号预处理、波形分割、波形筛选。第一阶段数据预处理主要包括读取原始数据、去除基线漂移和高频噪声等过程。去除基线漂移和高频噪声,可采用带通滤波、HHT变换、小波变换等。第二阶段波形分割主要通过波形特征点的检测来定位每一搏动的波形,常见的波形特征点如峰值、谷值、一阶导数最大值、二阶导数最大值等等。第三阶段波形筛选是在一定规则下剔除掉若干搏动波形,留下用于计算特征的搏动波形,可采用的方式如专家人工筛选、划定波峰和心率的合理区间、计算每个搏动波形与平均搏动波形的相关系数、以及计算每个搏动波形之间的相关系数等。
现有相关研究中,大多侧重以上第二步定位而略过第三步筛选,有的文献虽涉及第三步筛选,但并非专门针对带潮汐波搏动波形的筛选,而面向剔除包含粗大误差的搏动波形。现有文献筛选方法,也主要利用每个搏动波形之间或每个搏动波形与平均搏动波形之间的相关系数来进行,依赖于整体信号的高信噪比,依赖于较长的信号采集时间,即便如此,也未必最终筛选出的是带潮汐波的搏动波形。
发明内容
发明目的
提出一种脉搏信号中带潮汐波搏动波形的自动筛选的完整方法,能稳定地高鲁棒性地自动筛选出带潮汐波搏动的波形,显著提高各类特征值的可重复性。
技术方案
一种脉搏信号中带潮汐波搏动波形的自动筛选方法,其特征在于,包括如下步骤,(1) 读取采集的脉搏信号,并进行预处理,去除其中的基线漂移和高频噪声,(2)对经过预处理的脉搏信号,做傅里叶变换,计算一次搏动的平均周期或者说平均长度,做一阶差分计算,计算一阶差分峰值的90%中位数,结合估计的一搏平均长度定位每次搏动的收缩波最大差分点,得到每次搏动的波形起始点,用它们将脉搏信号分割成一次次搏动的搏动波形,(3)对分割出的每一次搏动的搏动波形,检验其瞬时心率是否属于合理范围,检验其两端的幅值差值是否过大,最终确定它是否为带潮汐波的搏动波形。
根据以上所述的一种脉搏信号中带潮汐波搏动波形的自动筛选方法,第(2)步对经过预处理的脉搏信号,做傅里叶变换,计算一次搏动的平均周期或者说平均长度,其特征在于,设脉搏信号为Ns为采样点数,采样率为fs,取M=2p,使得整数p满足2p≥Ns,且2p-1<Ns,对x(n)作离散傅里叶变换得到幅值谱或功率谱|X(k)|k=1,2,...,M,在频率范围(对应心率区间[30,180])内寻找最大谱峰索引kmax,即使得|X(kmax)|≥|X(k)|k=1,2,...,M,则一次搏动的平均长度以采样点数计为
根据以上所述的一种脉搏信号中带潮汐波搏动波形的自动筛选方法,第(2)步对经过预处理的脉搏信号,做一阶差分计算,计算一阶差分峰值的90%中位数,结合估计的一搏平均长度定位每次搏动的收缩波最大差分点,得到每次搏动的波形起始点,用它们将脉搏信号分割成一次次搏动的搏动波形,其特征在于,在一阶差分x′(n)上依次作2次峰值定位,第1次不加约束地找到所有峰值m(t)|t=1,2,...,T,其中,T为峰值个数(通常T>实际搏动波形个数,原因在于部分人工伪迹和较大的潮汐波最大差分点可能被错判为收缩波最大差分点),记m(t)的90%中位数为thred,第2次重新在x′(n)上,以[0.8L,1.2L]为峰值间隔阈值,以[0.8thred,1.2thred] 为峰值幅度阈值进行峰值搜索,得到的峰值点即为每次搏动的收缩波最大差分点,最后在向前0.2s的范围内于x′(n)上寻找最靠近该峰值点的零点,此点既为当前波形的起点,又为上一波形的终点,用它们将脉搏信号分割成一个个搏动波形。
根据以上所述的一种脉搏信号中带潮汐波搏动波形的自动筛选方法,第(3)步对分割出的每一次搏动的搏动波形,检验其瞬时心率是否属于合理范围,检验其两端的幅值差值是否过大,最终确定它是否为带潮汐波的搏动波形,其特征是,设一归一化到[0,1]范围的搏动波形采样率为fs,波形峰值点为p0,波形峰值为s(p0),左右端点为s(l),s(r),分别计算搏动波形的一阶差分s′(n)和二阶差分s″(n),首先判断s′(n)在(p0,N0]范围上是否存在两个以上的过零点,如果存在,则首先在(p0,p0+0.2fs]范围上寻找一阶差分s′(n)的第一个过零点c0,然后在(c0,N0-0.05fs]范围上寻找一阶差分s′(n)的第二个过零点c1,并令p1= c1;若不存在,则首先在(p0,p0+0.2fs]范围上寻找二阶差分s″(n)的最大值点p2,然后在 (p2,N0-0.05fs]范围上寻找二阶差分s″(n)的最小值点v0,并令p1=v0;则搏动波形为带潮汐波搏动波形的充要条件包括:
|s(l)-s(r)|<0.1s(p0) (2)
s(p1)<0.95s(p0) (4)
有益效果
目前,尚未见文献报道一种脉搏信号中带潮汐波搏动波形的自动筛选方法。
本申请方法在波形定位点选择上,使用了每次搏动的收缩波最大差分点,相比于常见的信号峰值和谷值,可以更有效地克服人工伪迹的干扰。并且,使用一次搏动的平均长度和信号一阶差分峰值的90%中位数作为阈值,相比于文献中先验地设定正常范围,具有更好的自适应和更高的鲁棒性。除此之外,在计算幅度阈值时,使用脉搏信号一阶差分x′(n)所有峰值的90%中位数,而非平均数或中位数,可以同时克服人工伪迹和潮汐波的影响。
本申请方法提出的使用瞬时心率以及搏动波形两端幅值的差值作为带潮汐波搏动波形筛选的标准,充分考虑了脉搏信号测量时对象处于静坐的状态,并且对于少量无法通过高通滤波滤除的基线漂移,设定合理的阈值进行排除,有效提高了搏动波形的一致性和特征计算的可重复性。本申请心率和基线偏移的筛选标准的提出,源于对脉搏信号采集过程的分析,并可作为预处理的补充。
本申请方法提出的基于搏动波形一阶差分和二阶差分进行次高峰检测的方法,一方面利用差分计算了信号细节,提高了定位的准确性,另一方面针对搏动波形中次高峰可能不明显,即在收缩波后不存在一阶差分过零点的情况,使用二阶差分的最大值和最小值点作为替代,显著提高了次高峰检测的鲁棒性。
经过数十次实验,本申请方法能100%稳定可靠快速地挑选出脉搏信号中带潮汐波搏动波形,并显著提高相关特征的可重复性。设特征其中Nf表示样本总个数,定义其可重复性指标为显然d越小,则特征的可重复性越高,d越大,则特征的可重复性越低。表1展示了使用本申请方法中带潮汐波搏动波形筛选方法对于部分特征的可重复性的提高。
表1本申请方法对部分特征可重复性的增强
d<sub>传统方法</sub> | d<sub>本申请方法</sub> | 增强量Δd | |
瞬时心率 | 0.40 | 0.12 | 0.28 |
收缩波高度 | 0.77 | 0.09 | 0.68 |
收缩时间 | 0.85 | 0.32 | 0.53 |
收缩斜率 | 0.92 | 0.38 | 0.54 |
2/3幅度处宽度 | 1.21 | 0.64 | 0.57 |
附图说明
图1是本申请脉搏信号中带潮汐波搏动波形的自动筛选方法框图。
图2是搭建的脉搏信号检测装置及软件界面示意图。
图3是实施例中经预处理前后的脉搏信号示意图。上图为滤波前的脉搏信号(origin),下图为滤波后的脉搏信号(filtered)。
图4是实施例中各类不满足筛选条件的搏动波形示意图。左上为波形两端幅值相差过大,右上为不包含次高峰,左下为瞬时心率超出正常范围,右下为次高峰幅度高于正常值。
图5是实施例中次高峰为潮汐波情况的示意图。左图为一阶差分s′(n)在(p0,N0]范围上存在两个以上过零点的情况,其中三条图线从上到下分别为信号s(n),一阶差分s′(n)和二阶差分s″(n),水平虚线为一阶差分的零值线,检测出收缩波s(p0)后,进一步通过一阶差分的过零点c0和c1定位到了降中峡(潮汐波前的凹陷)和潮汐波;右图为一阶差分s′(n)在(p0,N0]范围上不存在两个以上过零点的情况,其中降中峡和潮汐波是通过二阶差分s″(n)的局部最大值 p2和局部最小值v0定位到的。
图6,实施例中执行带潮汐波搏动波形筛选前后的脉搏信号示意图。上图为执行筛选前的脉搏信号,下图为执行筛选后的脉搏信号。
具体实施方式
实施例。搭建了仿中医脉搏信号实时检测装置系统和软件系统,如图2所示,以500Hz 的采样率对脉搏信号进行检测。本申请涉及该系统的软件部分,按前文所述,实施步骤如下:
(1)读取了一段采集的长度为30s的脉搏信号,进行预处理,去除其中的基线漂移和高频噪声,具体采用了0.8Hz-8Hz的FIR带通滤波,抽头数为1001,预处理结果如图3所示。
(2)对经过预处理的脉搏信号,做傅里叶变换,计算一次搏动的平均周期或者说平均长度,做一阶差分计算,计算一阶差分峰值的90%中位数,经计算本实验所分析信号一次搏动的平均周期长度为364个采样点,一阶差分峰值的90%中位数为5.14×10-3,据此共自动分割出34个搏动波形。
Claims (4)
1.一种脉搏信号中带潮汐波搏动波形的自动筛选方法,其特征在于,包括如下步骤,(1)读取采集的脉搏信号,并进行预处理,去除其中的基线漂移和高频噪声,(2)对经过预处理的脉搏信号,做傅里叶变换,计算一次搏动的平均周期或者说平均长度,做一阶差分计算,计算一阶差分峰值的90%中位数,结合估计的一搏平均长度定位每次搏动的收缩波最大差分点,得到每次搏动的波形起始点,用它们将脉搏信号分割成一次次搏动的搏动波形,(3)对分割出的每一次搏动的搏动波形,检验其瞬时心率是否属于合理范围,检验其两端的幅值差值是否过大,最终确定它是否为带潮汐波的搏动波形。
3.根据权利要求1所述的一种脉搏信号中带潮汐波搏动波形的自动筛选方法,第(2)步对经过预处理的脉搏信号,做一阶差分计算,计算一阶差分峰值的90%中位数,结合估计的一搏平均长度定位每次搏动的收缩波最大差分点,得到每次搏动的波形起始点,用它们将脉搏信号分割成一次次搏动的搏动波形,其特征在于,在一阶差分x′(n)上依次作2次峰值定位,第1次不加约束地找到所有峰值m(t)|t=1,2,...,T,其中,T为峰值个数(通常T>实际搏动波形个数,原因在于部分人工伪迹和较大的潮汐波最大差分点可能被错判为收缩波最大差分点),记m(t)的90%中位数为thred,第2次重新在x′(n)上,以[0.8L,1.2L]为峰值间隔阈值,以[0.8thred,1.2thred]为峰值幅度阈值进行峰值搜索,得到的峰值点即为每次搏动的收缩波最大差分点,最后在向前0.2s的范围内于x′(n)上寻找最靠近该峰值点的零点,此点既为当前波形的起点,又为上一波形的终点,用它们将脉搏信号分割成一个个搏动波形。
4.根据权利要求1所述的一种脉搏信号中带潮汐波搏动波形的自动筛选方法,第(3)步对分割出的每一次搏动的搏动波形,检验其瞬时心率是否属于合理范围,检验其两端的幅值差值是否过大,最终确定它是否为带潮汐波的搏动波形,其特征是,设一归一化到[0,1]范围的搏动波形采样率为fs,波形峰值点为p0,波形峰值为s(p0),左右端点为s(l),s(r),分别计算搏动波形的一阶差分s′(n)和二阶差分s″(n),首先判断s′(n)在(p0,N0]范围上是否存在两个以上的过零点,如果存在,则首先在(p0,p0+0.2fs]范围上寻找一阶差分s′(n)的第一个过零点c0,然后在(c0,N0-0.05fs]范围上寻找一阶差分s′(n)的第二个过零点c1,并令p1=c1;若不存在,则首先在(p0,p0+0.2fs]范围上寻找二阶差分s″(n)的最大值点p2,然后在(p2,N0-0.05fs]范围上寻找二阶差分s″(n)的最小值点v0,并令p1=v0;则搏动波形为带潮汐波搏动波形的充要条件包括:
|s(l)-s(r)|<0.1s(p0)#(2)
s(p1)<0.95s(p0)#(4) 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111251160.XA CN113854976A (zh) | 2021-10-26 | 2021-10-26 | 一种脉搏信号中带潮汐波搏动波形的自动筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111251160.XA CN113854976A (zh) | 2021-10-26 | 2021-10-26 | 一种脉搏信号中带潮汐波搏动波形的自动筛选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113854976A true CN113854976A (zh) | 2021-12-31 |
Family
ID=78998195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111251160.XA Pending CN113854976A (zh) | 2021-10-26 | 2021-10-26 | 一种脉搏信号中带潮汐波搏动波形的自动筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113854976A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5941837A (en) * | 1995-12-18 | 1999-08-24 | Seiko Epson Corporation | Health management device and exercise support device |
CN101732033A (zh) * | 2008-11-07 | 2010-06-16 | 中国科学院计算技术研究所 | 一种人体波形中的特征参数的提取方法和装置 |
CN102258364A (zh) * | 2010-05-31 | 2011-11-30 | 深圳市盛力康实业发展有限公司 | 一种脉搏波识别方法、系统及动脉功能检测仪器 |
CN105286815A (zh) * | 2015-11-02 | 2016-02-03 | 重庆大学 | 一种基于波形时域特征的脉搏波信号特征点检测方法 |
CN107432736A (zh) * | 2017-06-06 | 2017-12-05 | 新绎健康科技有限公司 | 一种识别脉搏波形信号的方法 |
CN107822608A (zh) * | 2017-10-26 | 2018-03-23 | 中国民航大学 | 基于高斯混合模型的脉搏波特征提取方法 |
CN112587104A (zh) * | 2020-12-08 | 2021-04-02 | 挚感(上海)光子科技有限公司 | 一种滤除无效脉搏波形的方法 |
CN113160921A (zh) * | 2021-05-26 | 2021-07-23 | 南京大学 | 一种基于血流动力学的数字人体心血管系统的构建方法和应用 |
-
2021
- 2021-10-26 CN CN202111251160.XA patent/CN113854976A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5941837A (en) * | 1995-12-18 | 1999-08-24 | Seiko Epson Corporation | Health management device and exercise support device |
CN101732033A (zh) * | 2008-11-07 | 2010-06-16 | 中国科学院计算技术研究所 | 一种人体波形中的特征参数的提取方法和装置 |
CN102258364A (zh) * | 2010-05-31 | 2011-11-30 | 深圳市盛力康实业发展有限公司 | 一种脉搏波识别方法、系统及动脉功能检测仪器 |
CN105286815A (zh) * | 2015-11-02 | 2016-02-03 | 重庆大学 | 一种基于波形时域特征的脉搏波信号特征点检测方法 |
CN107432736A (zh) * | 2017-06-06 | 2017-12-05 | 新绎健康科技有限公司 | 一种识别脉搏波形信号的方法 |
CN107822608A (zh) * | 2017-10-26 | 2018-03-23 | 中国民航大学 | 基于高斯混合模型的脉搏波特征提取方法 |
CN112587104A (zh) * | 2020-12-08 | 2021-04-02 | 挚感(上海)光子科技有限公司 | 一种滤除无效脉搏波形的方法 |
CN113160921A (zh) * | 2021-05-26 | 2021-07-23 | 南京大学 | 一种基于血流动力学的数字人体心血管系统的构建方法和应用 |
Non-Patent Citations (2)
Title |
---|
张爱华,王平,丑永新: "基于动态差分阈值的脉搏信号峰值检测算法", 《吉林大学学报》 * |
苏志刚,朱海玲,郝敬堂: "基于高斯混合模型的脉搏波特征提取方法", 《中国医学物理学杂志》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
US9198634B2 (en) | Medical decision support system | |
Varghees et al. | A novel heart sound activity detection framework for automated heart sound analysis | |
CN102270264B (zh) | 生理信号质量评估系统及方法 | |
CN109124610B (zh) | 一种无创血压测量的抗干扰方法和装置 | |
CN104161510A (zh) | 一种多级导联心电信号qrs波形识别方法 | |
CN111870235A (zh) | 一种基于ippg的吸毒人员筛查方法 | |
CN106889987B (zh) | 基于分段滤波处理的子宫肌电强度信息提取方法 | |
CN111317499A (zh) | 一种基于小波技术的心音信号处理方法 | |
CN112545472A (zh) | 一种ppg信号质量评估的方法、装置、设备及储存介质 | |
CN113243902B (zh) | 一种基于光电容积脉搏波的特征提取方法 | |
KR101036233B1 (ko) | 이차 미분 맥파의 특징점 분포를 이용한 특징점 검출 방법 및 장치 | |
Rooijakkers et al. | Low-complexity R-peak detection in ECG signals: A preliminary step towards ambulatory fetal monitoring | |
CN108403094A (zh) | 一种识别脉搏波波峰的方法 | |
CN113729653A (zh) | 一种人体脉搏波信号采集方法 | |
Jezewski et al. | Extraction of fetal heart-rate signal as the time event series from evenly sampled data acquired using Doppler ultrasound technique | |
CN113854976A (zh) | 一种脉搏信号中带潮汐波搏动波形的自动筛选方法 | |
CN110226925B (zh) | 一种基于脉搏波的血压检测装置 | |
Pachauri et al. | Wavelet transform based arterial blood pressure waveform delineator | |
Varghees et al. | Two-channel heart sound segmentation framework using phonocardiogram and pulsatile signals | |
Alhussainy | QRS complex detection and R–R interval computation based on discrete wavelet transform | |
Smrcka et al. | New methods for precise detection of systolic complexes in the signal acquired from quantitative seismocardiograph | |
CN111345815B (zh) | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 | |
CN109146006B (zh) | 模板库结合非线性模板匹配胎心率提取方法 | |
CN111557650A (zh) | 基于Adam的快批量梯度上升法脉搏波特征提取方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211231 |