CN114159050A - 一种呼吸率监测方法、装置、设备及介质 - Google Patents
一种呼吸率监测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114159050A CN114159050A CN202111341933.3A CN202111341933A CN114159050A CN 114159050 A CN114159050 A CN 114159050A CN 202111341933 A CN202111341933 A CN 202111341933A CN 114159050 A CN114159050 A CN 114159050A
- Authority
- CN
- China
- Prior art keywords
- maximum
- filtering
- wave
- preset
- trough
- 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
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 137
- 238000005070 sampling Methods 0.000 claims abstract description 135
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012806 monitoring device Methods 0.000 claims abstract description 16
- 210000001112 cardioblast Anatomy 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000000747 cardiac effect Effects 0.000 claims abstract description 11
- 230000035939 shock Effects 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 48
- 230000036387 respiratory rate Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 18
- 230000000241 respiratory effect Effects 0.000 description 9
- SYHGEUNFJIGTRX-UHFFFAOYSA-N methylenedioxypyrovalerone Chemical compound C=1C=C2OCOC2=CC=1C(=O)C(CCC)N1CCCC1 SYHGEUNFJIGTRX-UHFFFAOYSA-N 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 208000003417 Central Sleep Apnea Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010007559 Cardiac failure congestive Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000028208 end stage renal disease Diseases 0.000 description 1
- 201000000523 end stage renal failure Diseases 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000023516 stroke disease Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请实施例涉及智能家居领域,公开了一种呼吸率监测方法、装置、设备及介质。其中,所述方法:获取预设采样频率的心冲击采样信号;将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到在预设时长下的信号能量最大的滤波数据;获取所述信号能量最大的滤波数据的波峰和波谷;根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率。本申请使用动态的带通滤波器,从BCG中实时提取呼吸信号,有效提高呼吸率计算的准确度。
Description
技术领域
本申请实施例涉及智能家居领域,尤其涉及一种呼吸率监测方法、装置、设备及介质。
背景技术
心冲击信号(Ballistocardiogram,BCG),可以通过非接触式压电传感器进行便携式测量,无需佩戴繁琐的电极。BCG是由压电传感器所采集到的由于心脏搏动对接触面产生的瞬间冲击力,它包含了丰富的睡眠相关的生理信息,如呼吸、心率等。中枢性睡眠呼吸暂停(central sleep apnea,CSA)是由于控制呼吸的大脑中枢障碍,无胸腹呼吸运动,通常由心脏病、充血性心力衰竭、中风或晚期肾病引起,多发于中老年人。因此基于BCG的中枢性睡眠呼吸暂停疾病的监测是非常有必要的,这就需要从BCG中提取并实时计算出呼吸率。
本申请发明人在实现本申请实施例的过程中,发现:一般情况下,从BCG中计算呼吸率可使用频域分析法和时域分析法。一方面,对于一些可穿戴单片机等在内存或运算速率上可能无法满足频域分析法的需求。另一方面,时域分析法通常使用一种固定的带通滤波器(如0.1-0.63Hz)从BCG中提取呼吸信号,而该带通滤波器在低呼吸(呼吸率为6-10BPM)的情况下,BCG中的呼吸信号成分比较弱,再加上心率信号成分的影响,可能会提取不到清晰的呼吸波形,从而导致呼吸率计算的准确度不高的问题。
发明内容
本申请实施例的目的是提供一种呼吸率监测方法、装置、设备及介质,使用动态的带通滤波器,从BCG中实时提取呼吸信号,有效提高呼吸率计算的准确度。
为解决上述技术问题,本申请实施例采用以下技术方案:
第一方面,本申请实施例中提供给了一种呼吸率监测方法,包括:
获取预设采样频率的心冲击采样信号;
将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到在预设时长下的信号能量最大的滤波数据;
获取所述信号能量最大的滤波数据的波峰和波谷;
根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率。
在一些实施例中,所述将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到在预设时长下的信号能量最大的滤波数据,包括:
将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到所述预设时长下,各个所述带通滤波器输出的滤波数据;
比较若干个所述滤波数据之间的信号能量大小,得到信号能量最大的滤波数据。
所述将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到所述预设时长下,各个所述带通滤波器输出的滤波数据,包括:
将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,且计算每个带通滤波器的当前滤波时长;
判断每个所述当前滤波时长是否等于所述预设时长;
若所述当前滤波时长等于所述预设时长,则获取各个所述带通滤波器在所述预设时长下输出的滤波数据。
在一些实施例中,所述获取所述信号能量最大的滤波数据的波峰,包括:
在所述信号能量最大的滤波数据中筛选出极大值点;
根据所述极大值点,计算极大值分割阈值;
判断是否存在不大于所述极大值分割阈值的极大值点;
如果存在不大于所述极大值分割阈值的极大值点,则剔除不大于所述极大值分割阈值的极大值点,其中,所述极大值点为波峰。
在一些实施例中,在所述剔除不大于所述极大值分割阈值的极大值点之后,所述方法还包括:
判断相邻两个极大值点之间的距离是否不大于第一预设间隔;
若是,则剔除不大于所述第一预设间隔的相邻两个极大值点中的一个极大值点。
在一些实施例中,所述获取所述信号能量最大的滤波数据的波谷,包括:
在所述信号能量最大的滤波数据中筛选出极小值点;
根据所述极小值点,计算极小值分割阈值;
判断是否存在不小于所述极小值分割阈值的极小值点;
如果存在不小于所述极小值分割阈值的极小值点,则剔除不小于所述极小值分割阈值的极小值点,其中,所述极小值点为波谷。
在一些实施例中,在所述剔除不小于所述极小值分割阈值的极小值点之后,所述方法还包括:
判断相邻两个极小值点之间的距离是否不大于第二预设间隔;
若是,则剔除不大于所述第二预设间隔的相邻两个极小值点中的一个极小值点。
在一些实施例中,所述根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率,包括:
判断与所述波峰相邻的点是否为波谷,和/或与所述波谷相邻的点是否为波峰;
若是,则计算相邻两个波峰之间的距离为波峰间距,计算若干个波峰间距的平均值,且计算相邻两个波谷之间的距离为波谷间距,计算若干个波谷间距的平均值;
根据若干个波峰间距的平均值,及若干个波谷间距的平均值、所述预设采样频率,计算呼吸率。
在一些实施例中,在判断与所述波峰相邻的点是否为波谷,和/或与所述波谷相邻的点是否为波峰之后,所述方法还包括:
如果与第一波峰相邻的点分别为第二波峰和第一波谷,则剔除所述第一波峰;
和/或
如果与第二波谷相邻的点分别为第三波谷和第三波峰,则剔除所述第二波谷。
第二方面,本申请实施例还提供一种呼吸率监测装置,所述装置包括:
采样信号获取模块,用于获取预设采样频率的心冲击采样信号;
滤波数据获取模块,用于将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到在预设时长下的信号能量最大的滤波数据;
波峰波谷获取模块,用于获取所述信号能量最大的滤波数据的波峰和波谷;
计算模块,用于根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率。
第三方面,本申请还提供一种呼吸率监测设备,所述呼吸率监测设备包括:
至少一个处理器,以及
存储器,所述存储器与所述处理器通信连接,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如第一方面所述的方法。
第四方面,本申请还提供一种非易失性计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,当所述计算机可执行指令被呼吸率监测设备执行时,使所述呼吸率监测设备执行如第一方面任一项所述的方法。
本申请实施例的有益效果:区别于现有技术的情况,本申请实施例提供的呼吸率监测方法、装置、设备及介质,获取预设采样频率的心冲击采样信号,然后,将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到在预设时长下的信号能量最大的滤波数据,从而可以得到低呼吸情况下的滤波数据,获取所述信号能量最大的滤波数据的波峰和波谷;根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率。从而有效提高低呼吸情况的呼吸率的准确计算。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本申请呼吸率监测方法的一个实施例的流程示意图;
图2是本申请呼吸率监测方法的一个实施例的心冲击采样信号的波形图;
图3是本申请呼吸率监测方法的一个实施例的低通滤波及降采样后的呼吸信号波形图;
图4是本申请呼吸率监测方法的一个实施例的心冲击采样信号输入0.1Hz-0.23Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)后进行滤波处理得到的波形图;
图5是本申请呼吸率监测方法的一个实施例的心冲击采样信号输入0.2Hz-0.33Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)后进行滤波处理得到的波形图;
图6是本申请呼吸率监测方法的一个实施例的心冲击采样信号输入0.3Hz-0.43Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)后进行滤波处理得到的波形图;
图7是本申请呼吸率监测方法的一个实施例的心冲击采样信号输入0.4Hz-0.53Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)后进行滤波处理得到的波形图;
图8是本申请呼吸率监测方法的一个实施例的心冲击采样信号输入0.5Hz-0.63Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)后进行滤波处理得到的波形图;
图9是本申请呼吸率监测装置的一个实施例的结构示意图;
图10是本申请呼吸率监测装置的又一个实施例的结构示意图;
图11是本申请呼吸率监测设备的一个实施例中控制器的硬件结构示意图。
具体实施方式
下面结合具体实施例对本申请进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本申请,但不以任何形式限制本申请。应当指出的是,对本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进。这些都属于本申请的保护范围。
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,如果不冲突,本申请实施例中的各个特征可以相互结合,均在本申请的保护范围之内。另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。此外,本文所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定,仅是对功能和作用基本相同的相同项或相似项进行区分。
除非另有定义,本说明书所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本说明书中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是用于限制本申请。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
此外,下面所描述的本申请各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本申请实施例提供的呼吸率监测方法和装置可以应用于呼吸率监测设备,可以理解的是,呼吸率监测设备包括控制器、压电传感器、低通滤波器及若干个带通滤波器。控制器分别与压电传感器、低通滤波器及若干个带通滤波器电连接,所述控制器作为主控中心。压电传感器用于采集用户心脏搏动对压电传感器接触面产生的瞬间冲击力,得到BCG。控制器获取预设采样频率的心冲击采样信号,再将心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,所述带通滤波器用于对心冲击采样信号进行滤波处理,得到各个滤波数据,控制器根据各个滤波数据,得到在预设时长下的信号能量最大的滤波数据,且控制器获取信号能量最大的滤波数据的波峰和波谷,且根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率。
呼吸率监测设备,可以是智能家居床垫,智能家居床垫使用非接触式的心率测量方式,采集到人体在床垫上的心冲击信号(BCG)。
请参见图1,为应用于本申请的呼吸率监测方法的实施例的流程示意图,所述方法可以由呼吸率监测设备中的控制器11执行,该方法包括步骤S101-步骤S104。
S101:获取预设采样频率的心冲击采样信号。
用户携带呼吸率监测设备后,压电传感器可以实时采集用户心脏搏动对压电传感器接触面产生的瞬间冲击力,从而得到实时的BCG。压电传感器可以将BCG传输给其他装置进行处理,其他装置将处理后的BCG传输给控制器,使得控制器获取到预设采样频率的心冲击采样信号。控制器可以设置从压电传感器或其他装置获取到的信号的采样频率,例如,控制器可以将从压电传感器获取的BCG的采样频率设置为120Hz。如图2所示,图2为获取到的心冲击信号的波形图,且该心冲击信号为用户的呼吸率在6BPM-8BPM的情况下获取到的。
在其中一些实施方式中,为了对心冲击采样信号进行去噪,以及节省呼吸率监测设备的内存和运算时间,获取预设采样频率的心冲击采样信号,具体包括:
以第一频率对心冲击信号进行采样处理,得到第一采样信号;
将第一采样信号输入低通滤波器进行滤波处理,得到第一滤波信号;
以第二频率对第一滤波信号进行采样处理,得到心冲击采样信号,以第二频率作为预设采样频率,其中,第一频率大于第二频率。
首先,控制器以第一频率对心冲击信号进行采样处理,得到第一采样信号,例如,第一频率可以为120Hz,即,以120Hz的采样频率对心冲击信号进行采样处理,得到第一采样信号,再将第一采样信号输入低通滤波器进行滤波处理,得到第一滤波信号,该低通滤波器的截止频率可以是1Hz,且该低通滤波器可以为4阶巴特沃斯的低通滤波器,通过对第一采样信号进行滤波处理,能够对心冲击信号进行有效去噪。
然后,以第二频率对第一滤波信号进行采样处理,得到心冲击采样信号,以第二频率作为预设采样频率,其中,第一频率大于第二频率。第二频率可以是10Hz,即,用10Hz的采样频率对第一滤波信号再次进行采样,得到心冲击采样信号。如图3所示,在对图2的心冲击信号进行低通滤波及降采样处理后,得到如图3所示的低通滤波及降采样处理后的心冲击采样信号。
S102:将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到在预设时长下的信号能量最大的滤波数据。
在对心冲击信号进行低通滤波及降采样处理后,将低通滤波及降采样处理后,得到的心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理。
具体地,若干个不同频率范围的带通滤波器可以包括0.1Hz-0.23Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)、0.2Hz-0.33Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)、0.3Hz-0.43Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)、0.4Hz-0.53Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)以及0.5Hz-0.63Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)这5个带通滤波器。
在其中一些实施例中,将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到在预设时长下的信号能量最大的滤波数据,包括:
将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到所述预设时长下,各个所述带通滤波器输出的滤波数据;
比较若干个所述滤波数据之间的信号能量大小,得到信号能量最大的滤波数据。
具体地,将低通滤波及降采样处理后,得到的心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,即将低通滤波及降采样处理后得到的心冲击采样信号分别输入0.1Hz-0.23Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)、0.2Hz-0.33Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)、0.3Hz-0.43Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)、0.4Hz-0.53Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)以及0.5Hz-0.63Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)这5个带通滤波器中分别进行滤波处理,得到所述预设时长下,各个所述带通滤波器输出的滤波数据,如图4所示,图4为心冲击采样信号分别输入0.1Hz-0.23Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)后进行滤波处理得到的波形图;如图5所示,图5为输入0.2Hz-0.33Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)后进行滤波处理得到的波形图;如图6所示,图6为输入0.3Hz-0.43Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)后进行滤波处理得到的波形图;如图7所示,图7为输入0.4Hz-0.53Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)后进行滤波处理得到的波形图;如图8所示,图8为输入0.5Hz-0.63Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)后进行滤波处理得到的波形图。
在其中一些实施例中,所述将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到所述预设时长下,各个所述带通滤波器输出的滤波数据,包括:
将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,且计算每个带通滤波器的当前滤波时长;
判断每个所述当前滤波时长是否等于所述预设时长;
若所述当前滤波时长等于所述预设时长,则获取各个所述带通滤波器在所述预设时长下输出的滤波数据。
具体地,控制器在五个带通滤波器分别滤波处理时,计算每个带通滤波器的当前滤波时长,判断每个所述当前滤波时长是否等于所述预设时长,预设时长可以为20-30秒,以30秒为例,当当前滤波时长达到30秒的时候,得到带通滤波器在预设时长下滤波数据的波形图。
当然,当当前滤波时长没有达到预设时长,则继续等待直到预设时长的第30秒的滤波数据输入。
因此,控制器在得到五个带通滤波器分别滤波处理后的滤波数据的波形图后,计算各个波形图滤波数据对应的信号能量,具体为:对波形图中的滤波数据的各点幅值做平方,然后将平方后的各点幅值求和,再将平方且求和后的各点幅值进行累积,得到波形图中的滤波数据对应的信号能量,分别记为ENERGY1,ENERGY2,ENERGY3,ENERGY4,ENERGY5。可以理解的是,信号能量的计算在本领域中属于现有技术,在此不做细致描述。
为了提取到清晰的呼吸波形,需要找到呼吸强度最大的滤波数据,即需要找到信号能量最大的滤波数据。因此,在得到各个波形图对应的滤波数据后,比较若干个所述滤波数据之间的信号能量大小,得到信号能量最大的滤波数据。
具体地,比较各个波形图对应的滤波数据之间的信号能量大小,即比较ENERGY1,ENERGY2,ENERGY3,ENERGY4,ENERGY5的大小,在ENERGY1,ENERGY2,ENERGY3,ENERGY4,ENERGY5中确定信号能量最大的滤波数据。经计算后,图4的0.1Hz-0.23Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)滤波处理后的滤波数据的能量ENERGY1比另外的四个信号能量(ENERGY2,ENERGY3,ENERGY4,ENERGY5)大,因此,确定0.1Hz-0.23Hz的巴特沃斯带通滤波器(采样率10Hz、4阶)滤波处理后的信号能量ENERGY1最大。
S103:获取所述信号能量最大的滤波数据的波峰和波谷。
在确定信号能量最大为ENERGY1后,获得ENERGY1对应的滤波数据,首先,可以对滤波数据进行平滑处理,可以采用滑动平均滤波处理的方式,比如,达到预设时长为30秒的滤波数据中,在matlab中,窗口长度确定后,在matlab窗口中滤波,比如,窗口长度为6-10的长度,以窗口长度8为例,在平滑处理前,输入的滤波数据为512个点,输入matlab窗口滤波后,输出的滤波数据的点为512-8=504个点,然后,在平滑波形后的滤波数据中确定波峰和波谷。
在其中一些实施例中,获取所述信号能量最大的滤波数据的波峰,可以包括:
在所述信号能量最大的滤波数据中筛选出极大值点;
根据所述极大值点,计算极大值分割阈值;
判断是否存在不大于所述极大值分割阈值的极大值点;
如果存在不大于所述极大值分割阈值的极大值点,则剔除不大于所述极大值分割阈值的极大值点,其中,所述极大值点为波峰。
具体地,极大值点为波峰,在所述信号能量最大的滤波数据中筛选出所有的极大值点,即在对与ENERGY1对应的滤波数据平滑波形后,筛选出所有的极大值点(波峰),极大值点包括极大值点的幅值和极大值点的位置,因此,在得到极大值点时,还可以分别得到极大值点的幅值和位置,可以将极大值点的幅值和极大值点的位置分别记为极大值幅值集合[y1,y2,y3……yn]和极大值位置集合[p1,p2,p3……pn]。
然后,由于极大值幅值集合中通常会存在一些极有可能不是呼吸信号的峰值的伪极大值点,这些点需要去掉。因此,为了筛选出极大值幅值集合中的伪极大值点,需要设置一个极大值分割阈值,可以根据所述极大值幅值集合,计算极大值分割阈值,具体为计算极大值幅值集合中所有的极大值点的幅值的均值M,则极大值分割阈值为0.5*M。
判断所述极大值幅值集合[y1,y2,y3……yn]中各个极大值点是否存在不大于所述极大值分割阈值0.5*M的极大值点;如果存在不大于极大值分割阈值0.5*M的极大值点,则说明该极大值点比较小,极有可能不是呼吸信号的峰值,因此,将不大于极大值分割阈值0.5*M的极大值点剔除掉,从而剔除掉可能不是呼吸信号的伪极大值点,对应地,在剔除掉伪极大值点幅值后,伪极大值点的位置也会剔除掉,因此,在极大值幅值集合中,只保留每个极大值点的幅值均大于极大值分割阈值0.5*M的极大值点。
对应地,如果极大值幅值集合[y1,y2,y3……yn]中不存在不大于极大值分割阈值0.5*M的极大值点的幅值,那么说明该极大值幅值集合[y1,y2,y3……yn]中不存在伪极大值点,不需要剔除伪极大值点。
在剔除不大于所述极大值分割阈值的极大值点之后,还可能存在一些间隔不正常的点,比如与呼吸率的时间间隔不对应的点,因此,所述方法还包括:
判断相邻两个极大值点之间的距离是否不大于第一预设间隔;
若是,则剔除不大于所述第一预设间隔的相邻两个极大值点中的一个极大值点。
具体地,判断相邻两个极大值点之间的距离是否不大于第一预设间隔,第一预设间隔可以是15,人的呼吸范围通常为6bpm-40bpm,为一分钟呼吸6次-40次,因此,最大呼吸率40bpm的时间间隔对应为60*sampling_rate/R=60*10/40=15,为15个采样点,其中,sampling_rate为采样率,为降采样到10Hz的频率,因此sampling_rate=10,R为呼吸次数,取一分钟的最大呼吸次数,因此,第一预设间隔可以15。若相邻两个极大值点之间的距离不大于第一预设间隔15,则说明该极大值点为不正常的点,剔除不大于所述第一预设间隔15的相邻两个极大值点中的一个极大值点,得到波峰位置集合[p1,p2,p3……pn]。
对应地,如果极大值位置集合中相邻两个极大值点之间的距离大于第一预设间隔15,则确定极大值位置集合中所有的极大值位置均为波峰,从而得到波峰位置集合[p1,p2,p3……pn]。
在筛选波峰的时候,也可以同时筛选波谷,在其中一些实施例中,获取所述信号能量最大的滤波数据的波谷,包括:
在所述信号能量最大的滤波数据中筛选出极小值点;
根据所述极小值点,计算极小值分割阈值;
判断是否存在不小于所述极小值分割阈值的极小值点;
如果存在不小于所述极小值分割阈值的极小值点,则剔除不小于所述极小值分割阈值的极小值点,其中,所述极小值点为波谷。
具体地,与筛选波峰类似,首先,在信号能量最大的滤波数据中筛选出所有的极小值点,极小值点同样包括幅值和位置,可以将极小值点的幅值和极小值点的位置分别记为极小值幅值集合[w1,w2,w3……wn]和极小值位置集合[j1,j2,j3……jn]。
然后,同样是由于极小值幅值集合中通常会存在一些极有可能不是呼吸信号的峰谷的伪极小值点,这些点需要去掉。因此,为了筛选出极小值幅值集合中的伪极小值点,需要设置一个极小值分割阈值,可以根据所述极小值幅值集合,计算极小值分割阈值,具体为计算极小值幅值集合中所有的极小值点的幅值均值Z,极小值分割阈值为0.5*Z。
判断所述极小值幅值集合[w1,w2,w3……wn]中是否存在不小于所述极小值分割阈值0.5*Z的极小值点;如果所述极小值幅值集合中存在不小于所述极小值分割阈值0.5*Z的极小值点,则说明该极小值点比较大,可能不是呼吸信号的波谷值,因此,剔除不小于所述极小值分割阈值0.5*Z的极小值点,从而剔除掉可能不是呼吸信号的伪极小值点。
对应地,如果极小值幅值集合[y1,y2,y3……yn]中不存在不小于极小值分割阈值0.5*Z的极小值点,那么说明该极小值幅值集合[y1,y2,y3……yn]中不存在伪极小值点,不需要剔除伪极小值点。
对应地,在剔除不小于极小值分割阈值0.5*Z的极小值点后,还可能存在一些间隔不正常的点,比如与呼吸率的时间间隔不对应的点,因此,所述方法还包括:
判断相邻两个极小值点之间的距离是否不大于第二预设间隔;
若是,则剔除不大于所述第二预设间隔的相邻两个极小值点中的一个极小值点。
判断所述极小值位置集合中是否相邻两个极小值点之间的距离是否不大于第二预设间隔,同理,第二预设间隔可以等于第一预设间隔,为15,若相邻两个极小值点之间的距离不大于第二预设间隔15,则剔除不大于所述第二预设间隔15的相邻两个极小值点中的一个极小值点。如果相邻两个极小值点之间的距离大于第二预设间隔,则确定极小值位置集合中所有的极小值位置均为波谷,且得到波谷位置集合[j1,j2,j3……jn]。
通过上述波峰和波谷的定位方式,有效去除伪极大值点和伪极小值点,从而能够精准定位信号能量最大的滤波数据的波峰和波谷,得到波峰位置集合[p1,p2,p3……pn]和波谷位置集合[j1,j2,j3……jn]。
S104:根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率。
在其中一些实施例中,根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率,可以包括:
判断与所述波峰相邻的点是否为波谷,和/或与所述波谷相邻的点是否为波峰;
若是,则计算相邻两个波峰之间的距离为波峰间距,计算若干个波峰间距的平均值,且计算相邻两个波谷之间的距离为波谷间距,计算若干个波谷间距的平均值;
根据若干个波峰间距的平均值,及若干个波谷间距的平均值、所述预设采样频率,计算呼吸率。
具体地,在得到波峰位置集合[p1,p2,p3……pn]和波谷位置集合[j1,j2,j3……jn]后,根据得到波峰位置集合[p1,p2,p3……pn]和波谷位置集合[j1,j2,j3……jn],判断相邻的波峰波谷是否交替出现,即判断与所述波峰相邻的点是否为波谷,和/或与所述波谷相邻的点是否为波峰,比如在滤波数据中的点的排列为:波峰-波峰-波谷,或者是波谷-波谷-波峰,则说明波峰波谷不是交替出现;如果与波峰相邻的点为波谷,与波谷相邻的点为波峰,则说明相邻的波峰波谷为交替出现,如果相邻的波峰波谷交替出现,则计算相邻两个波峰之间的距离为波峰间距,计算若干个波峰间距的平均值R1,且计算相邻两个波谷之间的距离为波谷间距,计算若干个波谷间距的平均值R2。
根据若干个波峰间距的平均值R1,及若干个波谷间距的平均值R2,计算均值R=(R1+R2)/2、再根据均值R、所述预设采样频率(10Hz)sampling_rate,计算呼吸率=60*sampling_rate/R,从而得到呼吸率。
可以理解的是,如果与波峰相邻的点为波峰,和/或与波谷相邻的点为波谷,则说明相邻的波峰波谷没有交替出现,存在异常点,则需要剔除异常点,具体为:如果与第一波峰相邻的点分别为第二波峰和第一波谷,则剔除所述第一波峰;和/或如果与第二波谷相邻的点分别为第三波谷和第三波峰,则剔除所述第二波谷。比如,存在连续的ABC三个点,其中,B为第一波峰,A为第二波峰,C为第一波谷,则剔除点B,即剔除距离波谷C较近的波峰;又比如,存在连续的DEF三个点,其中E为第二波谷,D为第三波谷,F为第三波峰,则剔除点E,同样剔除距离波峰F较近的波谷;又比如,同时存在上述的ABC三个点及上述的DEF三个点,则同时剔除点B和点E,从而使得波峰波谷交替出现。
本申请的实施例,获取预设采样频率的心冲击采样信号,然后,将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到在预设时长下的信号能量最大的滤波数据,从而可以得到低呼吸情况下的滤波数据,获取所述信号能量最大的滤波数据的波峰和波谷,有助于提取到清晰的呼吸波形;在得到清晰的呼吸波形后,根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率。从而有效提高低呼吸情况的呼吸率的准确计算。
本申请实施例还提供了一种呼吸率监测装置,请参阅图9,其示出了本申请实施例提供的一种呼吸率监测装置的结构,该呼吸率监测装置900包括:
采样信号获取模块901,用于获取预设采样频率的心冲击采样信号;
滤波数据获取模块902,用于将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到在预设时长下的信号能量最大的滤波数据;
波峰波谷获取模块903,用于获取所述信号能量最大的滤波数据的波峰和波谷;
计算模块904,用于根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率。
本申请的实施例,获取预设采样频率的心冲击采样信号,然后,将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到在预设时长下的信号能量最大的滤波数据,从而可以得到低呼吸情况下的滤波数据,获取所述信号能量最大的滤波数据的波峰和波谷,有助于提取到清晰的呼吸波形;在得到清晰的呼吸波形后,根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率。从而有效提高低呼吸情况的呼吸率的准确计算。
在一些实施例中,滤波数据获取模块902还用于:
将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到所述预设时长下,各个所述带通滤波器输出的滤波数据;
比较若干个所述滤波数据之间的信号能量大小,得到信号能量最大的滤波数据。
在一些实施例中,滤波数据获取模块902还用于:
将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,且计算每个带通滤波器的当前滤波时长;
判断每个所述当前滤波时长是否等于所述预设时长;
若所述当前滤波时长等于所述预设时长,则获取各个所述带通滤波器在所述预设时长下输出的滤波数据。
在一些实施例中,如图10所示,波峰波谷获取模块903包括波峰获取子模块9031,用于:
在所述信号能量最大的滤波数据中筛选出极大值点;
根据所述极大值点,计算极大值分割阈值;
判断是否存在不大于所述极大值分割阈值的极大值点;
如果存在不大于所述极大值分割阈值的极大值点,则剔除不大于所述极大值分割阈值的极大值点,其中,所述极大值点为波峰。
在一些实施例中,波峰获取子模块9031,还用于:
判断相邻两个极大值点之间的距离是否不大于第一预设间隔;
若是,则剔除不大于所述第一预设间隔的相邻两个极大值点中的一个极大值点。
在一些实施例中,波峰波谷获取模块903包括波谷获取子模块9032,用于:
在所述信号能量最大的滤波数据中筛选出极小值点;
根据所述极小值点,计算极小值分割阈值;
判断是否存在不小于所述极小值分割阈值的极小值点;
如果存在不小于所述极小值分割阈值的极小值点,则剔除不小于所述极小值分割阈值的极小值点,其中,所述极小值点为波谷。
在一些实施例中,波谷获取子模块9032,还用于:
判断相邻两个极小值点之间的距离是否不大于第二预设间隔;
若是,则剔除不大于所述第二预设间隔的相邻两个极小值点中的一个极小值点。
在一些实施例中,计算模块904,还用于:
判断与所述波峰相邻的点是否为波谷,和/或与所述波谷相邻的点是否为波峰;
若是,则计算相邻两个波峰之间的距离为波峰间距,计算若干个波峰间距的平均值,且计算相邻两个波谷之间的距离为波谷间距,计算若干个波谷间距的平均值;
根据若干个波峰间距的平均值,及若干个波谷间距的平均值、所述预设采样频率,计算呼吸率。
在一些实施例中,计算模块904,还用于:
如果与第一波峰相邻的点分别为第二波峰和第一波谷,则剔除所述第一波峰;
和/或
如果与第二波谷相邻的点分别为第三波谷和第三波峰,则剔除所述第二波谷。
在一些实施例中,该呼吸率监测装置900还包括采样信号获取模块901,用于:
以第一频率对心冲击信号进行采样处理,得到第一采样信号;
将第一采样信号输入低通滤波器进行滤波处理,得到第一滤波信号;
以第二频率对第一滤波信号进行采样处理,得到心冲击采样信号,以第二频率作为预设采样频率,其中,第一频率大于第二频率。
需要说明的是,上述装置可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在装置实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
图11为呼吸率监测设备的一个实施例中控制器的硬件结构示意图,如图11所示,控制器11包括:
一个或多个处理器111、存储器112。图11中以一个处理器111、一个存储器112为例。
处理器111、存储器112可以通过总线或者其他方式连接,图11中以通过总线连接为例。
存储器112作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的呼吸率监测方法对应的程序指令/模块(例如,附图9所示的采样信号获取模块901、滤波数据获取模块902、波峰波谷获取模块903、计算模块904)。处理器111通过运行存储在存储器112中的非易失性软件程序、指令以及模块,从而执行控制器的各种功能应用以及数据处理,即实现上述方法实施例的呼吸率监测方法。
存储器112可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据人员进出检测装置的使用所创建的数据等。此外,存储器112可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器112可选包括相对于处理器111远程设置的存储器,这些远程存储器可以通过网络连接至呼吸率监测设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器112中,当被所述一个或者多个处理器111执行时,执行上述任意方法实施例中的呼吸率监测方法,例如,执行以上描述的图1中的方法步骤S101至步骤S104;实现图9中的模块901-904的功能。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本申请实施例提供了一种非易失性计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如图11中的一个处理器111,可使得上述一个或多个处理器可执行上述任意方法实施例中的呼吸率监测方法,例如,执行以上描述的图1中的方法步骤S101至步骤S104;实现图9中的模块901-904的功能。
以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。
通过以上的实施例的描述,本领域普通技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种呼吸率监测方法,其特征在于,所述方法包括:
获取预设采样频率的心冲击采样信号;
将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到在预设时长下的信号能量最大的滤波数据;
获取所述信号能量最大的滤波数据的波峰和波谷;
根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率。
2.根据权利要求1所述的方法,其特征在于,所述将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到在预设时长下的信号能量最大的滤波数据,包括:
将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到所述预设时长下,各个所述带通滤波器输出的滤波数据;
比较若干个所述滤波数据之间的信号能量大小,得到信号能量最大的滤波数据。
3.根据权利要求2所述的方法,其特征在于,所述将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到所述预设时长下,各个所述带通滤波器输出的滤波数据,包括:
将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,且计算每个带通滤波器的当前滤波时长;
判断每个所述当前滤波时长是否等于所述预设时长;
若所述当前滤波时长等于所述预设时长,则获取各个所述带通滤波器在所述预设时长下输出的滤波数据。
4.根据权利要求1所述的方法,其特征在于,所述获取所述信号能量最大的滤波数据的波峰,包括:
在所述信号能量最大的滤波数据中筛选出极大值点;
根据所述极大值点,计算极大值分割阈值;
判断是否存在不大于所述极大值分割阈值的极大值点;
如果存在不大于所述极大值分割阈值的极大值点,则剔除不大于所述极大值分割阈值的极大值点,其中,所述极大值点为波峰。
5.根据权利要求4所述的方法,其特征在于,在所述剔除不大于所述极大值分割阈值的极大值点之后,所述方法还包括:
判断相邻两个极大值点之间的距离是否不大于第一预设间隔;
若是,则剔除不大于所述第一预设间隔的相邻两个极大值点中的一个极大值点。
6.根据权利要求1所述的方法,其特征在于,所述获取所述信号能量最大的滤波数据的波谷,包括:
在所述信号能量最大的滤波数据中筛选出极小值点;
根据所述极小值点,计算极小值分割阈值;
判断是否存在不小于所述极小值分割阈值的极小值点;
如果存在不小于所述极小值分割阈值的极小值点,则剔除不小于所述极小值分割阈值的极小值点,其中,所述极小值点为波谷。
7.根据权利要求6所述的方法,其特征在于,在所述剔除不小于所述极小值分割阈值的极小值点之后,所述方法还包括:
判断相邻两个极小值点之间的距离是否不大于第二预设间隔;
若是,则剔除不大于所述第二预设间隔的相邻两个极小值点中的一个极小值点。
8.根据权利要求1所述的方法,其特征在于,所述根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率,包括:
判断与所述波峰相邻的点是否为波谷,和/或与所述波谷相邻的点是否为波峰;
若是,则计算相邻两个波峰之间的距离为波峰间距,计算若干个波峰间距的平均值,且计算相邻两个波谷之间的距离为波谷间距,计算若干个波谷间距的平均值;
根据若干个波峰间距的平均值,及若干个波谷间距的平均值、所述预设采样频率,计算呼吸率。
9.根据权利要求8所述的方法,其特征在于,在判断与所述波峰相邻的点是否为波谷,和/或与所述波谷相邻的点是否为波峰之后,所述方法还包括:
如果与第一波峰相邻的点分别为第二波峰和第一波谷,则剔除所述第一波峰;
和/或
如果与第二波谷相邻的点分别为第三波谷和第三波峰,则剔除所述第二波谷。
10.一种呼吸率监测装置,其特征在于,所述装置包括:
采样信号获取模块,用于获取预设采样频率的心冲击采样信号;
滤波数据获取模块,用于将所述心冲击采样信号输入若干个不同频率范围的带通滤波器中分别进行滤波处理,得到在预设时长下的信号能量最大的滤波数据;
波峰波谷获取模块,用于获取所述信号能量最大的滤波数据的波峰和波谷;
计算模块,用于根据所述波峰与波峰之间的距离、波谷与波谷之间的距离以及所述预设采样频率,计算呼吸率。
11.一种呼吸率监测设备,其特征在于,所述呼吸率监测设备包括:
至少一个处理器,以及
存储器,所述存储器与所述处理器通信连接,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9任一项所述的方法。
12.一种非易失性计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,当所述计算机可执行指令被呼吸率监测设备执行时,使所述呼吸率监测设备执行如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111341933.3A CN114159050B (zh) | 2021-11-12 | 2021-11-12 | 一种呼吸率监测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111341933.3A CN114159050B (zh) | 2021-11-12 | 2021-11-12 | 一种呼吸率监测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114159050A true CN114159050A (zh) | 2022-03-11 |
CN114159050B CN114159050B (zh) | 2024-06-21 |
Family
ID=80479236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111341933.3A Active CN114159050B (zh) | 2021-11-12 | 2021-11-12 | 一种呼吸率监测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114159050B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116019423A (zh) * | 2022-12-30 | 2023-04-28 | 广州昂宝电子有限公司 | 睡眠监测方法和系统 |
CN116098631A (zh) * | 2023-02-27 | 2023-05-12 | 上海宏桐实业有限公司 | 一种腔内电信号的处理方法、系统、终端及存储介质 |
CN117235455A (zh) * | 2023-11-10 | 2023-12-15 | 苏州萨沙迈半导体有限公司 | 展频信号的处理方法、装置、电子设备和介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110184297A1 (en) * | 2010-01-26 | 2011-07-28 | Stmicroelectronics S.R.L. | Method and device for estimating morphological features of heart beats |
US20110275910A1 (en) * | 2009-01-14 | 2011-11-10 | Widemed Ltd. | Method and system for detecting a respiratory signal |
JP2014028111A (ja) * | 2011-10-31 | 2014-02-13 | Jvc Kenwood Corp | 呼吸音分析装置、断続性ラ音検出装置、連続性ラ音検出装置、呼吸音分析方法、断続性ラ音検出方法、連続性ラ音検出方法および呼吸音分析プログラム |
US20160143543A1 (en) * | 2014-11-21 | 2016-05-26 | Siemens Medical Solutions Usa, Inc. | Patient Signal Filtering |
KR20170064017A (ko) * | 2015-11-30 | 2017-06-09 | 조선대학교산학협력단 | 심전도 정점 주기를 이용한 개인 식별 장치 및 그 방법 |
US20170290548A1 (en) * | 2016-04-11 | 2017-10-12 | Hill-Rom Services, Inc. | Capacitive sensor for respiratory monitoring |
US20190282125A1 (en) * | 2018-03-15 | 2019-09-19 | Nonin Medical, Inc. | Respiration from a photoplethysmogram (ppg) using fixed and adaptive filtering |
CN110269600A (zh) * | 2019-08-06 | 2019-09-24 | 合肥工业大学 | 基于多元经验模态分解与联合盲源分离的非接触式视频心率检测方法 |
CN110367986A (zh) * | 2019-06-25 | 2019-10-25 | 南京理工大学 | 基于ewt的呼吸信号近似熵特征提取方法 |
CN111568399A (zh) * | 2020-05-15 | 2020-08-25 | 中国人民解放军陆军军医大学 | 一种基于雷达的呼吸和心跳信号检测方法及系统 |
CN111860179A (zh) * | 2020-06-23 | 2020-10-30 | 浙江清华长三角研究院 | 一种基于非接触式传感器的自适应滤波方法 |
CN111938584A (zh) * | 2020-07-21 | 2020-11-17 | 深圳数联天下智能科技有限公司 | 一种睡眠监测方法与设备 |
CN112244835A (zh) * | 2020-09-16 | 2021-01-22 | 深圳数联天下智能科技有限公司 | 信号处理方法及相关装置 |
US20210235996A1 (en) * | 2020-01-30 | 2021-08-05 | Samsung Electronics Co., Ltd. | Signal processing apparatus, and apparatus and method for estimating bio-information |
WO2021167961A1 (en) * | 2020-02-20 | 2021-08-26 | The Regents Of The University Of California | Textile-based sensor device and system for managing cardiopulmonary activity |
-
2021
- 2021-11-12 CN CN202111341933.3A patent/CN114159050B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110275910A1 (en) * | 2009-01-14 | 2011-11-10 | Widemed Ltd. | Method and system for detecting a respiratory signal |
US20110184297A1 (en) * | 2010-01-26 | 2011-07-28 | Stmicroelectronics S.R.L. | Method and device for estimating morphological features of heart beats |
JP2014028111A (ja) * | 2011-10-31 | 2014-02-13 | Jvc Kenwood Corp | 呼吸音分析装置、断続性ラ音検出装置、連続性ラ音検出装置、呼吸音分析方法、断続性ラ音検出方法、連続性ラ音検出方法および呼吸音分析プログラム |
US20160143543A1 (en) * | 2014-11-21 | 2016-05-26 | Siemens Medical Solutions Usa, Inc. | Patient Signal Filtering |
KR20170064017A (ko) * | 2015-11-30 | 2017-06-09 | 조선대학교산학협력단 | 심전도 정점 주기를 이용한 개인 식별 장치 및 그 방법 |
US20170290548A1 (en) * | 2016-04-11 | 2017-10-12 | Hill-Rom Services, Inc. | Capacitive sensor for respiratory monitoring |
US20190282125A1 (en) * | 2018-03-15 | 2019-09-19 | Nonin Medical, Inc. | Respiration from a photoplethysmogram (ppg) using fixed and adaptive filtering |
CN110367986A (zh) * | 2019-06-25 | 2019-10-25 | 南京理工大学 | 基于ewt的呼吸信号近似熵特征提取方法 |
CN110269600A (zh) * | 2019-08-06 | 2019-09-24 | 合肥工业大学 | 基于多元经验模态分解与联合盲源分离的非接触式视频心率检测方法 |
US20210235996A1 (en) * | 2020-01-30 | 2021-08-05 | Samsung Electronics Co., Ltd. | Signal processing apparatus, and apparatus and method for estimating bio-information |
WO2021167961A1 (en) * | 2020-02-20 | 2021-08-26 | The Regents Of The University Of California | Textile-based sensor device and system for managing cardiopulmonary activity |
CN111568399A (zh) * | 2020-05-15 | 2020-08-25 | 中国人民解放军陆军军医大学 | 一种基于雷达的呼吸和心跳信号检测方法及系统 |
CN111860179A (zh) * | 2020-06-23 | 2020-10-30 | 浙江清华长三角研究院 | 一种基于非接触式传感器的自适应滤波方法 |
CN111938584A (zh) * | 2020-07-21 | 2020-11-17 | 深圳数联天下智能科技有限公司 | 一种睡眠监测方法与设备 |
CN112244835A (zh) * | 2020-09-16 | 2021-01-22 | 深圳数联天下智能科技有限公司 | 信号处理方法及相关装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116019423A (zh) * | 2022-12-30 | 2023-04-28 | 广州昂宝电子有限公司 | 睡眠监测方法和系统 |
CN116098631A (zh) * | 2023-02-27 | 2023-05-12 | 上海宏桐实业有限公司 | 一种腔内电信号的处理方法、系统、终端及存储介质 |
CN116098631B (zh) * | 2023-02-27 | 2023-08-15 | 上海宏桐实业有限公司 | 一种腔内电信号的处理方法、系统、终端及存储介质 |
CN117235455A (zh) * | 2023-11-10 | 2023-12-15 | 苏州萨沙迈半导体有限公司 | 展频信号的处理方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114159050B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114159050A (zh) | 一种呼吸率监测方法、装置、设备及介质 | |
US11321561B2 (en) | Electrocardiogram waveform signal processing method and apparatus | |
CN101449973B (zh) | 用于心电干扰信号识别的判断指标的生成方法及装置 | |
Zhang et al. | VLSI friendly ECG QRS complex detector for body sensor networks | |
CN108056769A (zh) | 一种生命体征信号分析处理方法、装置和生命体征监测设备 | |
CN105943013B (zh) | 心率检测方法及装置、智能可穿戴设备 | |
CN109480783B (zh) | 一种呼吸暂停检测方法、装置及计算设备 | |
CN107041743A (zh) | 一种心电信号实时r波检测方法 | |
Ramakrishnan et al. | Threshold-independent QRS detection using the dynamic plosion index | |
JP2008520384A (ja) | 限られたプロセッサ資源で呼吸数を実時間判定するための方法及びシステム | |
CN110916636A (zh) | 一种基于动态二阶差分阈值的bcg信号心率计算方法及系统 | |
US11337638B2 (en) | ECG signal processing method and apparatus | |
CN102626307A (zh) | 动态脉搏信号实时检测系统及检测方法 | |
CN107469326A (zh) | 一种用于可穿戴设备的游泳监测方法与装置及可穿戴设备 | |
CN112869733B (zh) | 一种心冲击图实时心搏间期测算方法 | |
CN107997754A (zh) | 一种智能床垫系统及人体生理特征数据提取方法 | |
CN114027813A (zh) | 一种心率提取方法、装置、设备及介质 | |
CN113647925A (zh) | 基于心冲击信号的心率确定方法及装置 | |
CN106236041B (zh) | 一种实时且准确的测量心率及呼吸率的算法及系统 | |
CN114287919A (zh) | 基于心冲击信号的j波定位方法、装置、设备及介质 | |
Lin et al. | A characteristic filtering method for pulse wave signal quality assessment | |
CN106419884A (zh) | 一种基于小波分析的心率计算方法与系统 | |
Hussein et al. | Detection of electrocardiogram QRS complex based on modified adaptive threshold | |
CN116369888A (zh) | 一种非接触式心率变异性数据获取方法和装置 | |
Bayasi et al. | A 65-nm low power ECG feature extraction system |
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 |