CN115005803A - 呼吸检测方法和装置 - Google Patents
呼吸检测方法和装置 Download PDFInfo
- Publication number
- CN115005803A CN115005803A CN202210429155.1A CN202210429155A CN115005803A CN 115005803 A CN115005803 A CN 115005803A CN 202210429155 A CN202210429155 A CN 202210429155A CN 115005803 A CN115005803 A CN 115005803A
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- signal
- interval
- signals
- respiratory
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- 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)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及一种呼吸检测方法和装置,所述方法包括:获取检测对象的脉搏波信号以及体动信号;对所述脉搏波信号以及所述体动信号进行加权处理,得到呼吸波信号;基于所述呼吸波信号确定检测对象的呼吸状态。通过本申请,解决了相关技术中呼吸检测的准确性不高的技术问题,降低了噪声以及信号衰减对检测结果的影响,提高了信号的质量,进而提高了呼吸检测的准确性。
Description
技术领域
本申请涉及生物信号检测领域,特别是涉及一种呼吸检测方法和装置。
背景技术
随着技术的不断发展,通过脉搏波信号、呼吸波信号、体动信号等生物信号对生物的身体状况进行监测的应用变得越来越广泛。
生物在呼吸的时候,会产生相应的体动变化,体动变化的频率与呼吸频率相关联。在相关技术中,为了对呼吸状况进行监测,一般通过体动信号对呼吸频率进行分析。但是,由于在某些场景下呼吸产生的体动非常微弱,或者由于传感器本身的检测精度不高,以及存在其他干扰等因素,导致系统无法获取准确的体动信号。并且,由于体动信号的频率较低,信道的宽带范围偏向于低频,导致体动信号在信道中衰减严重。因此,现有技术中体动信号的质量较低,进而导致呼吸检测的准确性不高。
针对相关技术中存在的呼吸检测的准确性不高的技术问题,目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种呼吸检测方法和装置,以解决相关技术中呼吸检测的准确性不高的问题。
第一个方面,在本实施例中提供了一种呼吸检测方法,包括:
获取检测对象的脉搏波信号以及体动信号;
对所述脉搏波信号以及所述体动信号进行加权处理,得到呼吸波信号;
基于所述呼吸波信号确定检测对象的呼吸状态。
在其中的一些实施例中,所述对所述脉搏波信号以及所述体动信号进行加权处理包括:
基于所述脉搏波信号峰值点的间期以及幅值,分别合成脉搏波间期信号以及脉搏波幅度信号;
对所述脉搏波间期信号、所述脉搏波幅度信号以及所述体动信号进行加权处理。
在其中的一些实施例中,所述基于所述脉搏波信号峰值点的间期合成脉搏波间期信号的方法包括:
对所述脉搏波信号进行峰值检测,得到所述脉搏波信号的峰值点;
分别计算相邻的所述脉搏波信号的峰值点之间的间期,得到间期序列;
基于所述间期序列,合成所述脉搏波间期信号。
在其中的一些实施例中,所述基于所述间期序列,合成所述脉搏波间期信号包括:
分别基于每个间期对应的两个所述脉搏波信号的峰值点,确定间期采样时间,所述间期采样时间位于两个峰值点的峰值采样时间形成的时间区间内;
基于所述间期采样时间以及对应的所述间期,合成所述脉搏波间期信号。
在其中的一些实施例中,所述基于所述脉搏波信号的幅值合成脉搏波幅度信号的方法包括:
对所述脉搏波信号进行包络处理,得到所述脉搏波信号的上包络线以及下包络线;
计算所述上包络线以及所述下包络线在所述脉搏波信号的峰值采样时间下的包络差值;
基于所述峰值采样时间以及对应的所述包络差值,合成所述脉搏波幅度信号。
在其中的一些实施例中,所述对所述脉搏波间期信号、所述脉搏波幅度信号以及所述体动信号进行加权处理之前还包括:
分别提取所述脉搏波间期信号的间期特征、所述脉搏波幅度信号的幅度特征以及所述体动信号的体动特征,并输入经训练的神经网络模型,得到对应的间期权重、幅度权重以及体动权重。
在其中的一些实施例中,所述神经网络模型的训练方法包括:
分别提取预训练脉搏波间期信号的预训练间期特征、预训练脉搏波幅度信号的预训练幅度特征以及预训练体动信号的预训练体动特征;
将所述预训练间期特征、所述预训练幅度特征以及所述预训练体动特征输入初始神经网络模型,得到对应的初始间期权重、初始幅度权重以及初始体动权重;
基于所述初始间期权重、所述初始幅度权重以及所述初始体动权重分别对所述预训练脉搏波间期信号、所述预训练脉搏波幅度信号以及所述预训练体动信号进行加权处理,得到预训练呼吸波信号;
计算所述预训练呼吸波信号与参考呼吸波信号之间的相似度,并基于所述相似度调节所述初始神经网络模型的参数。
在其中的一些实施例中,所述获取检测对象的脉搏波信号以及体动信号之前还包括:
获取检测对象的初始检测信号并进行滤波,得到所述脉搏波信号以及所述体动信号。
在其中的一些实施例中,所述呼吸状态包括呼吸频率,所述基于所述呼吸波信号确定检测对象的呼吸状态包括:
对所述呼吸波信号进行峰值检测,得到所述呼吸波信号的峰值点;
基于所述呼吸波信号相邻的峰值点的间隔,计算所述呼吸频率。
第二个方面,在本实施例中提供了一种呼吸检测装置,包括:
获取模块,用于获取检测对象的脉搏波信号以及体动信号;
处理模块,用于对所述脉搏波信号以及所述体动信号进行加权处理,得到呼吸波信号;
确定模块,基于所述呼吸波信号确定检测对象的呼吸状态。
与相关技术相比,在本实施例中提供了一种呼吸检测方法和装置,所述方法包括:获取检测对象的脉搏波信号以及体动信号;对所述脉搏波信号以及所述体动信号进行加权处理,得到呼吸波信号;基于所述呼吸波信号确定检测对象的呼吸状态。通过将脉搏波信号以及体动信号加权处理,以合成呼吸波信号并进一步确定呼吸状态,避免仅通过体动信号直接确定呼吸状态,解决了相关技术中呼吸检测的准确性不高的技术问题,降低了噪声以及信号衰减对检测结果的影响,提高了信号的质量,进而提高了呼吸检测的准确性。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本发明一实施例的呼吸检测方法的终端硬件结构框图;
图2是本发明一实施例的呼吸检测方法的流程示意图;
图3是本发明一实施例的脉搏波信号与体动信号的示意图;
图4是本发明一实施例的脉搏波信号的示意图;
图5是本发明一实施例滤波前后的脉搏波间期信号的示意图;
图6是本发明一实施例滤波前后的脉搏波幅度信号的示意图;
图7是本发明一实施例滤波前后的体动信号的示意图;
图8是本发明一实施例的呼吸波信号的示意图;
图9是本发明一实施例的神经网络模型预训练的示意图;
图10是本发明一实施例的呼吸检测方法的示意图;
图11是本发明一实施例的呼吸检测装置的结构框图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。
除另作定义外,本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制,它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体,其目的是涵盖不排他的包含;例如,包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元),而可包括未列出的步骤或模块(单元),或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接,而可以包括电气连接,无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。通常情况下,字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等,只是对相似对象进行区分,并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行,图1是本发明一实施例的呼吸检测方法的终端硬件结构框图。如图1所示,终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104,其中,处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述终端的结构造成限制。例如,终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如在本实施例中的呼吸检测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至终端。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。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(NetworkInterface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
请参阅图2,图2是本发明一实施例的呼吸检测方法的流程示意图。
在一个实施例中,呼吸检测方法包括:
S202:获取检测对象的脉搏波信号以及体动信号。
示例性地,通过传感器获取检测对象的脉搏波信号以及体动信号。其中,脉搏波信号是指心脏搏动的能量沿着动脉血管和血液向外传播形成的周期性信号;体动信号是指检测对象的胸腔、腹腔、肢体等部位发生体动时产生的信号。
具体的,上述传感器包括但不限于压电传感器、压阻传感器以及红外传感器等,传感器可以设置于枕头、床垫、座椅靠背等内部,也可以设置于与胸腔、腹腔、手腕等与身体直接接触的部位。其中,压电传感器、压阻传感器具有压电片或者电桥等压力传感材料,用于将脉搏跳动或者发生体动时产生的压力信号转换为电压、电阻等电信号;红外传感器具有红外线发射器,可利用特定波长的红外线对血管末端血液微循环产生的血液容积变化进行检测以获取脉搏信息。
S204:对脉搏波信号以及体动信号进行加权处理,得到呼吸波信号。
示例性地,获取脉搏波信号以及体动信号后,分别设置脉搏波信号的权重以及体动信号的权重,并通过上述权重对脉搏波信号以及体动信号进行加权合成,得到呼吸波信号。
具体的,分别获取脉搏波信号的信号特征以及体动信号的信号特征,并对上述特征进行加权计算,从而得到呼吸波信号的信号特征,进而合成呼吸波信号。
可以理解的,对脉搏波信号以及体动信号进行加权合成得到呼吸波信号的方式,可以提高呼吸波信号的质量。在其中一个具体实施例中,当检测对象处于慢速、轻微呼吸的状态下,脉搏随着呼吸的周期性变化比较明显,但是体动的幅度非常微弱。此时,可以增大脉搏波信号的权重,并降低体动信号的权重,以提高呼吸波信号的质量。在另一个具体实施例中,当检测对象处于自然呼吸或者快速、明显的呼吸状态下,体动的幅度较为明显,而脉搏波信号会受到较大的干扰。此时,可以增大体动信号的权重,并降低脉搏波信号的权重,以提高呼吸波信号的质量。
S206:基于呼吸波信号确定检测对象的呼吸状态。
示例性地,合成呼吸波信号后,对呼吸波信号的波形进行分析,以得到检测对象的呼吸状态。具体的,可通过呼吸波信号的周期、峰值以及变化趋势等信息确定检测对象的呼吸状态;呼吸状态包括呼吸周期、呼吸频率、呼吸幅度、呼吸变化趋势、吸气状态以及呼气状态等与呼吸关联的状态。
本实施例获取检测对象的脉搏波信号以及体动信号;对脉搏波信号以及体动信号进行加权处理,得到呼吸波信号;基于呼吸波信号确定检测对象的呼吸状态。通过将脉搏波信号以及体动信号加权处理,以合成呼吸波信号并进一步确定呼吸状态,避免仅通过体动信号直接确定呼吸状态,解决了相关技术中呼吸检测的准确性不高的技术问题,降低了噪声以及信号衰减对检测结果的影响,提高了信号的质量,进而提高了呼吸检测的准确性。
在另一个实施例中,对脉搏波信号以及体动信号进行加权处理包括:
步骤1:基于脉搏波信号峰值点的间期以及幅值,分别合成脉搏波间期信号以及脉搏波幅度信号;
步骤2:对脉搏波间期信号、脉搏波幅度信号以及体动信号进行加权处理。
请参阅图3-图8,图3是本发明一实施例的脉搏波信号与体动信号的示意图,图4是本发明一实施例的脉搏波信号的示意图,图5是本发明一实施例滤波前后的脉搏波间期信号的示意图,图6是本发明一实施例滤波前后的脉搏波幅度信号的示意图,图7是本发明一实施例滤波前后的体动信号的示意图,图8是本发明一实施例的呼吸波信号的示意图。
示例性地,获取脉搏波信号的峰值点,根据相邻的峰值点之间的时间间期的变化趋势,合成脉搏波间期信号;根据峰值点的幅值的变化趋势,合成脉搏波幅度信号。对脉搏波间期信号、脉搏波幅度信号以及体动信号进行加权,合成呼吸波信号。其中,峰值点的间期以及幅值如图3所示。
具体的,在呼吸的过程中,由于交感神经系统与副交感神经系统的作用,心跳频率会随着呼吸动作变化,上述现象被称为呼吸性窦性心律(RSA)。具体表现为:吸气过程中,心跳频率上升,心跳间期缩小;呼气过程中,心跳频率下降,心跳间期增加。其中,心跳间期在脉搏波信号中表现为峰值点之间的间期,当峰值点的间期处于下降阶段时,检测对象处于吸气阶段;当峰值点的间期出于上升阶段时,检测对象处于呼气阶段。因此,通过脉搏波间期信号的变化趋势,可以确定检测对象的呼吸状态。
具体的,在呼吸的过程中,血压会随着呼吸的动作呈现周期性变化。其中,血压在脉搏波信号中表现为峰值点的幅值,通过峰值点幅值的变化趋势,可以确定血压的变化趋势,进而确定呼吸的变化趋势。因此,通过脉搏波幅度信号的变化趋势,可以确定检测对象的呼吸状态。
具体的,在加权处理前,还可以预先对脉搏波间期信号、脉搏波幅度信号以及体动信号进行平滑滤波,以减少噪声的干扰。其中,平滑滤波的方法包括但不限于带通滤波、高斯滤波、中值滤波等。
本实施例通过脉搏波信号峰值点的间期和幅值分别合成脉搏波间期信号以及脉搏波幅度信号,通对脉搏波间期信号、脉搏波幅度信号以及体动信号进行加权,从而合成与呼吸更相关的呼吸波信号,进而提高了呼吸检测的准确性。
在另一个实施例中,基于脉搏波信号峰值点的间期合成脉搏波间期信号的方法包括:
步骤1:对脉搏波信号进行峰值检测,得到脉搏波信号的峰值点;
步骤2:分别计算相邻的脉搏波信号的峰值点之间的间期,得到间期序列;
步骤3:基于间期序列,合成脉搏波间期信号。
示例性地,对脉搏波信号进行峰值检测、校准,从而定位每一个峰值点;分别计算每两个相邻的脉搏波信号的峰值点之间的间期,并按照顺序进行排列,得到间期序列;根据该间期序列,合成脉搏波间期信号。其中,该脉搏波间期信号反映了间期随着采样时间的变化趋势。
本实施例通过脉搏波信号的相邻峰值点的间期,得到间期序列,并基于间期序列生成脉搏波间期信号,从而提高了脉搏波间期信号的质量,进而提高了呼吸状态检测的准确性。
在另一个实施例中,基于间期序列,合成脉搏波间期信号包括:
步骤1:分别基于每个间期对应的两个脉搏波信号的峰值点,确定间期采样时间,间期采样时间位于两个峰值点的峰值采样时间形成的时间区间内;
步骤2:基于间期采样时间以及对应的间期,合成脉搏波间期信号。
示例性地,确定间期序列中每个间期对应的两个相邻峰值点,基于相邻峰值点的峰值采样时间,确定间期采样时间。其中,间期采样时间位于两个峰值点的峰值采样时间形成的时间区间内。根据间期采样时间以及对应的间期,合成脉搏波间期信号。
在其中一个具体实施例中,间期采样时间位于两个相邻的峰值采样时间之间,例如间期采样时间位于峰值采样时间形成的时间区间的中点;在另一个具体实施例中,间期采样时间即为两个相邻的峰值采样时间中的其中一个。
可以理解的,由于在间期序列中,每个间期是以序列中的位置序号进行采样,为保证间期的采样频率与脉搏波信号一致,需要对间期进行插值,即将通过脉搏波信号的采样时间对间期进行插值,以使间期采样频率与脉搏波信号的采样频率一致。
本实施例通过脉搏波信号的峰值点,确定间期采样时间,并基于间期采样时间以及对应的间期合成脉搏波间期信号,从而保证脉搏波间期信号的采样频率与脉搏波信号一致,以保证在后续加权过程中脉搏波间期信号的采样频率与脉搏波幅度信号以及体动信号一致,从而优化了加权计算的过程,提高了加权计算的速度,进而提高了呼吸检测的速度。
在另一个实施例中,基于脉搏波信号的幅值合成脉搏波幅度信号的方法包括:
步骤1:对脉搏波信号进行包络处理,得到脉搏波信号的上包络线以及下包络线;
步骤2:计算上包络线以及下包络线在脉搏波信号的峰值采样时间下的包络差值;
步骤3:基于峰值采样时间以及对应的包络差值,合成脉搏波幅度信号。
示例性地,获取脉搏波信号后,对脉搏波信号进行包络处理,从而计算得到脉搏波信号的上包络线以及下包络线;获取脉搏波信号的峰值采样时间,并确定在峰值采样时间点处,上包络线与下包络线之间的包络差值,并将该包络差值作为脉搏波信号的幅值;基于峰值采样时间以及对应的包络差值,对脉搏波幅度信号进行合成。
本实施例通过包络处理计算峰值采样时间点处的包络差值,并进一步合成脉搏波幅度信号,从而提高了脉搏波幅度信号的准确性。
在另一个实施例中,对脉搏波间期信号、脉搏波幅度信号以及体动信号进行加权处理之前还包括:
分别提取脉搏波间期信号的间期特征、脉搏波幅度信号的幅度特征以及体动信号的体动特征,并输入经训练的神经网络模型,得到对应的间期权重、幅度权重以及体动权重。
示例性地,依次提取脉搏波间期信号的间期特征、脉搏波幅度信号的幅度特征以及体动信号的体动特征;将上述特征同时输入经过预训练的神经网络模型,通过神经网络模型的迭代计算,得到对应的间期权重、幅度权重以及体动权重;通过上述权重对脉搏波间期信号、脉搏波幅度信号以及体动信号进行加权合成,得到呼吸波信号。
具体的,上述信号特征用于反映对应信号的波形变化,包括但不限于信号幅值、信号频率、信号能量、信号复杂度等特征。
本实施例通过经训练的神经网络模型计算对应的间期权重、幅度权重以及体动权重,在检测过程中仅需通过神经网络模型自动进行前向传播运算,无需人工实时计算,从而提高了呼吸检测的效率。并且,通过神经网络模型计算权重的方式,相比于人工计算准确性更高,从而提高了检测结果的准确性。
在另一个实施例中,神经网络模型的训练方法包括:
步骤1:分别提取预训练脉搏波间期信号的预训练间期特征、预训练脉搏波幅度信号的预训练幅度特征以及预训练体动信号的预训练体动特征;
步骤2:将预训练间期特征、预训练幅度特征以及预训练体动特征输入初始神经网络模型,得到对应的初始间期权重、初始幅度权重以及初始体动权重;
步骤3:基于初始间期权重、初始幅度权重以及初始体动权重分别对预训练脉搏波间期信号、预训练脉搏波幅度信号以及预训练体动信号进行加权处理,得到预训练呼吸波信号;
步骤4:计算预训练呼吸波信号与参考呼吸波信号之间的相似度,并基于相似度调节初始神经网络模型的参数。
请参阅图9,图9是本发明一实施例的神经网络模型预训练的示意图。
示例性地,利用脉搏波传感器采集信号的同时,利用另一台呼吸波传感器同步采集参考呼吸波信号,其中,呼吸波传感器包括但不限于呼吸监测仪等。脉搏波传感器采集的信号经处理后,得到预训练脉搏波间期信号、预训练脉搏波幅度信号以及预训练体动信号;分别提取上述信号的信号特征,得到预训练间期特征、预训练幅度特征以及预训练体动特征并输入至初始神经网络模型,经过初始神经网络模型迭代运算,得到初始间期权重、初始幅度权重以及初始体动权重。其中,上述特征包括但不限于幅值特征、频率特征、能量特征以及复杂度特征等。
示例性地,得到上述权重后,分别对预训练脉搏波间期信号、预训练脉搏波幅度信号以及预训练体动信号加权后进行合并,得到预训练呼吸波信号。计算预训练呼吸波信号与参考呼吸波信号之间的相似度,作为初始神经网络模型参数调整的参考。通过上述反馈调节不断对神经网络进行训练,可以在不同呼吸场景下得到合适的权重,使得预训练呼吸波信号更接近于参考呼吸波信号。
具体的,通过皮尔逊相关系数来描述预训练呼吸波信号与参考呼吸波信号之间的相似度。例如,计算预训练呼吸波信号以及参考呼吸波信号在时域或者频域下的皮尔逊相关系数,作为二者之间的相似度。可以理解的,本实施例还可以通过波形特征比较等方式确定预训练呼吸波信号与参考呼吸波之间的相似度。
具体的,由于预训练呼吸波信号与参考呼吸波信号之间的相似度的上限为1,因此可将1与相似度之间的差值作为神经网络模型的损失,通过梯度下降方法进行反向迭代训练,以减小该损失。
本实施例通过对初始神经网络进行预训练,以使预训练呼吸波信号不断逼近参考呼吸波信号,即便在不同呼吸场景中参考呼吸波信号发生变化,也能得到满足各种呼吸场景的权重数据,进而在检测过程中提高了对脉搏波间期信号、脉搏波幅度信号以及体动信号进行加权合成的准确性,提高了呼吸波信号的质量,进而提高了呼吸检测的准确性。
在另一个实施例中,获取检测对象的脉搏波信号以及体动信号之前还包括:
获取检测对象的初始检测信号并进行滤波,得到脉搏波信号以及体动信号。
示例性地,通过传感器获取检测对象的初始检测信号并进行滤波处理,从而基于不同的频率范围分离出脉搏波信号以及体动信号。
具体的,对传感器采集到的初始检测信号分别进行低频滤波和高频滤波,得到脉搏波信号以及体动信号。可以理解的,由于脉搏波信号比体动信号的频率高,因此通过不同的频率范围对初始检测信号进行滤波即可得到脉搏波信号以及体动信号。例如,进行低频滤波时,设置滤波范围为0.05~0.5Hz,进行高频滤波时,设置滤波范围为0.5~5Hz。
在其中一个具体实施例中,通过带通滤波方法对初始检测信号进行两次滤波以分别得到脉搏波信号以及体动信号。其中,两次滤波的频率范围均不相同。可以理解的,上述的带通滤波方法仅仅是作为示例,本发明中还可以通过高斯滤波、小波去噪等滤波方法对初始检测信号进行滤波,只需要保证两次滤波的频率范围不同即可。-
本实施例通过对初始检测信号进行滤波,以分离出脉搏波信号以及体动信号,实现方式简单且无需单独获取脉搏波信号以及体动信号,从而提高了呼吸检测的效率。
在另一个实施例中,呼吸状态包括呼吸频率,基于呼吸波信号确定检测对象的呼吸频率包括:
步骤1:对呼吸波信号进行峰值检测,得到呼吸波信号的峰值点;
步骤2:基于呼吸波信号相邻的峰值点的间隔,计算呼吸频率。
示例性地,合成呼吸波信号后,对呼吸波进行峰值检测以定位呼吸波信号的峰值点,该峰值点的采样时间即为呼气与吸气的时间间隔点;通过相邻的呼吸波信号的峰值点的间隔,可以确定一次呼吸的周期时间,进一步可以计算得到呼吸频率。
本实施例通过峰值检测的方法确定呼吸波信号的峰值点,进而基于相邻峰值点的间隔确定呼吸频率,计算方法简单,且呼吸波信号的峰值点容易获取,从而提高了呼吸频率计算的速度。
请参阅图10,结合以上实施例,本发明还公开了一种具体的呼吸频率检测方法的示意图。
示例性地,传感器获取检测对象的初始检测信号后,对初始检测信号进行处理以分离出频率范围不同的脉搏波信号以及体动信号;对脉搏波信号进行峰值检测,得到脉搏波信号的峰值点,基于相邻峰值点之间的间期,确定间期序列,并将间期的数值插入到脉搏波信号的采样时间轴中,基于采样时间以及对应的间期合成信号并进行带通滤波,得到脉搏波间期信号;对脉搏波信号进行包络检测,得到峰值点的幅值,基于采样时间以及幅值进行信号合成以及带通滤波,得到脉搏波幅度信号;分别提取脉搏波间期信号、脉搏波幅度信号以及体动信号的信号特征,并进行加权计算,得到呼吸波信号;对呼吸波信号进行峰值检测,得到呼吸波信号的峰值点,基于相邻峰值点的间隔,确定呼吸频率。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中还提供了一种呼吸检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图11是本实施例的呼吸检测装置的结构框图,如图11所示,该装置包括:
获取模块10,用于获取检测对象的脉搏波信号以及体动信号;
处理模块20,用于对脉搏波信号以及体动信号进行加权处理,得到呼吸波信号;
处理模块20,还用于基于脉搏波信号峰值点的间期以及幅值,分别合成脉搏波间期信号以及脉搏波幅度信号;
对脉搏波间期信号、脉搏波幅度信号以及体动信号进行加权处理;
处理模块20,还用于对脉搏波信号进行峰值检测,得到脉搏波信号的峰值点;
分别计算相邻的脉搏波信号的峰值点之间的间期,得到间期序列;
基于间期序列,合成脉搏波间期信号;
处理模块20,还用于分别基于每个间期对应的两个脉搏波信号的峰值点,确定间期采样时间,间期采样时间位于两个峰值点的峰值采样时间形成的时间区间内;
基于间期采样时间以及对应的间期,合成脉搏波间期信号;
处理模块20,还用于对脉搏波信号进行包络处理,得到脉搏波信号的上包络线以及下包络线;
计算上包络线以及下包络线在脉搏波信号的峰值采样时间下的包络差值;
基于峰值采样时间以及对应的包络差值,合成脉搏波幅度信号;
确定模块30,基于呼吸波信号确定检测对象的呼吸状态;
确定模块30,还用于对呼吸波信号进行峰值检测,得到呼吸波信号的峰值点;
基于呼吸波信号相邻的峰值点的间隔,计算呼吸频率
呼吸检测装置,还包括权重获取模块;
权重获取模块,用于分别提取脉搏波间期信号的间期特征、脉搏波幅度信号的幅度特征以及体动信号的体动特征,并输入经训练的神经网络模型,得到对应的间期权重、幅度权重以及体动权重;
权重获取模块,还用于分别提取预训练脉搏波间期信号的预训练间期特征、预训练脉搏波幅度信号的预训练幅度特征以及预训练体动信号的预训练体动特征;
将预训练间期特征、预训练幅度特征以及预训练体动特征输入初始神经网络模型,得到对应的初始间期权重、初始幅度权重以及初始体动权重;
基于初始间期权重、初始幅度权重以及初始体动权重分别对预训练脉搏波间期信号、预训练脉搏波幅度信号以及预训练体动信号进行加权处理,得到预训练呼吸波信号;
计算预训练呼吸波信号与参考呼吸波信号之间的相似度,并基于相似度调节初始神经网络模型的参数;
呼吸检测装置,还包括滤波模块;
滤波模块,用于获取检测对象的初始检测信号并进行滤波,得到脉搏波信号以及体动信号。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
应该明白的是,这里描述的具体实施例只是用来解释这个应用,而不是用来对它进行限定。根据本申请提供的实施例,本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例,均属本申请保护范围。
显然,附图只是本申请的一些例子或实施例,对本领域的普通技术人员来说,也可以根据这些附图将本申请适用于其他类似情况,但无需付出创造性劳动。另外,可以理解的是,尽管在此开发过程中所做的工作可能是复杂和漫长的,但是,对于本领域的普通技术人员来说,根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段,不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例,也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是,本申请中描述的实施例在没有冲突的情况下,可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对专利保护范围的限制。应当指出的是,对于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。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种呼吸检测方法,其特征在于,包括:
获取检测对象的脉搏波信号以及体动信号;
对所述脉搏波信号以及所述体动信号进行加权处理,得到呼吸波信号;
基于所述呼吸波信号确定检测对象的呼吸状态。
2.根据权利要求1所述的呼吸检测方法,其特征在于,所述对所述脉搏波信号以及所述体动信号进行加权处理包括:
基于所述脉搏波信号峰值点的间期以及幅值,分别合成脉搏波间期信号以及脉搏波幅度信号;
对所述脉搏波间期信号、所述脉搏波幅度信号以及所述体动信号进行加权处理。
3.根据权利要求2所述的呼吸检测方法,其特征在于,所述基于所述脉搏波信号峰值点的间期合成脉搏波间期信号的方法包括:
对所述脉搏波信号进行峰值检测,得到所述脉搏波信号的峰值点;
分别计算相邻的所述脉搏波信号的峰值点之间的间期,得到间期序列;
基于所述间期序列,合成所述脉搏波间期信号。
4.根据权利要求3所述的呼吸检测方法,其特征在于,所述基于所述间期序列,合成所述脉搏波间期信号包括:
分别基于每个间期对应的两个所述脉搏波信号的峰值点,确定间期采样时间,所述间期采样时间位于两个峰值点的峰值采样时间形成的时间区间内;
基于所述间期采样时间以及对应的所述间期,合成所述脉搏波间期信号。
5.根据权利要求2所述的呼吸检测方法,其特征在于,所述基于所述脉搏波信号的幅值合成脉搏波幅度信号的方法包括:
对所述脉搏波信号进行包络处理,得到所述脉搏波信号的上包络线以及下包络线;
计算所述上包络线以及所述下包络线在所述脉搏波信号的峰值采样时间下的包络差值;
基于所述峰值采样时间以及对应的所述包络差值,合成所述脉搏波幅度信号。
6.根据权利要求2所述的呼吸检测方法,其特征在于,所述对所述脉搏波间期信号、所述脉搏波幅度信号以及所述体动信号进行加权处理之前还包括:
分别提取所述脉搏波间期信号的间期特征、所述脉搏波幅度信号的幅度特征以及所述体动信号的体动特征,并输入经训练的神经网络模型,得到对应的间期权重、幅度权重以及体动权重。
7.根据权利要求6所述的呼吸检测方法,其特征在于,所述神经网络模型的训练方法包括:
分别提取预训练脉搏波间期信号的预训练间期特征、预训练脉搏波幅度信号的预训练幅度特征以及预训练体动信号的预训练体动特征;
将所述预训练间期特征、所述预训练幅度特征以及所述预训练体动特征输入初始神经网络模型,得到对应的初始间期权重、初始幅度权重以及初始体动权重;
基于所述初始间期权重、所述初始幅度权重以及所述初始体动权重分别对所述预训练脉搏波间期信号、所述预训练脉搏波幅度信号以及所述预训练体动信号进行加权处理,得到预训练呼吸波信号;
计算所述预训练呼吸波信号与参考呼吸波信号之间的相似度,并基于所述相似度调节所述初始神经网络模型的参数。
8.根据权利要求1所述的呼吸检测方法,其特征在于,所述获取检测对象的脉搏波信号以及体动信号之前还包括:
获取检测对象的初始检测信号并进行滤波,得到所述脉搏波信号以及所述体动信号。
9.根据权利要求1所述的呼吸检测方法,其特征在于,所述呼吸状态包括呼吸频率,所述基于所述呼吸波信号确定检测对象的呼吸状态包括:
对所述呼吸波信号进行峰值检测,得到所述呼吸波信号的峰值点;
基于所述呼吸波信号相邻的峰值点的间隔,计算所述呼吸频率。
10.一种呼吸检测装置,其特征在于,包括:
获取模块,用于获取检测对象的脉搏波信号以及体动信号;
处理模块,用于对所述脉搏波信号以及所述体动信号进行加权处理,得到呼吸波信号;
确定模块,基于所述呼吸波信号确定检测对象的呼吸状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210429155.1A CN115005803A (zh) | 2022-04-22 | 2022-04-22 | 呼吸检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210429155.1A CN115005803A (zh) | 2022-04-22 | 2022-04-22 | 呼吸检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115005803A true CN115005803A (zh) | 2022-09-06 |
Family
ID=83066745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210429155.1A Pending CN115005803A (zh) | 2022-04-22 | 2022-04-22 | 呼吸检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115005803A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-04-22 CN CN202210429155.1A patent/CN115005803A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102429649B (zh) | 连续血压测量装置 | |
CN108478206B (zh) | 运动状态下基于脉搏波的心率监测方法 | |
CN102397064B (zh) | 连续血压测量装置 | |
CN102488503B (zh) | 连续血压测量装置 | |
EP3474749B1 (en) | Dynamic calibration of a blood pressure measurement device | |
CN101513344B (zh) | 用于改进的非创血压估计的自适应频域滤波 | |
KR101910982B1 (ko) | 개인화된 생체 신호 패턴을 이용한 생체 신호의 동잡음 제거 방법 및 장치 | |
CN102579024A (zh) | 用于改进的血压估计的自适应时域滤波 | |
EP2730216B1 (en) | Biosignal transmitter, biosignal receiver, and biosignal transmitting method | |
JP6310401B2 (ja) | 生理的リズムを表す信号を処理する方法、システム及びコンピュータプログラム | |
US10470717B2 (en) | Pulse validation | |
EP3981006A1 (en) | Multiparameteric estimation of cardiorespiratory fitness in seismocardiography | |
CN112294272A (zh) | 监护仪及其不规则脉率识别方法 | |
CN114652351A (zh) | 基于超声多普勒的连续血压测量方法、装置和电子设备 | |
CN109567780A (zh) | 逐拍心率计算方法、装置、电子设备及存储介质 | |
CN110840428B (zh) | 基于一维U-Net网络的无创血压估计方法 | |
CN112274121A (zh) | 一种基于多路脉搏波的无创动脉硬化检测方法、装置 | |
CN102197998B (zh) | 示波测量法中伪影的频谱的使用 | |
CN115005803A (zh) | 呼吸检测方法和装置 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
Martinek et al. | A comparison between novel FPGA-based pad monitoring system using ballistocardiography and the conventional systems for synchronization and gating of CMRI at 3 Tesla: A pilot study | |
US20220323023A1 (en) | Method for determining respiratory rate | |
Roy et al. | Reconstruction of corrupted and lost segments from photoplethysmographic data using recurrent neural network | |
Syah et al. | Implementation of Artificial Neural Network for Real-Time Blood Pressure Estimation using ECG Signal | |
CN107348957A (zh) | 一种心电图r波检测方法及装置、便携式智能移动终端 |
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 |