CN115040089B - 一种基于深度学习的脉搏波峰值检测与分类的方法和装置 - Google Patents
一种基于深度学习的脉搏波峰值检测与分类的方法和装置 Download PDFInfo
- Publication number
- CN115040089B CN115040089B CN202210981128.5A CN202210981128A CN115040089B CN 115040089 B CN115040089 B CN 115040089B CN 202210981128 A CN202210981128 A CN 202210981128A CN 115040089 B CN115040089 B CN 115040089B
- Authority
- CN
- China
- Prior art keywords
- peak
- signals
- pulse wave
- pulse
- classification
- 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.)
- Active
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
-
- 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
- A61B5/7225—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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Alternative & Traditional Medicine (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
本发明涉及非接触式生理信号检测领域,尤其涉及一种基于深度学习的脉搏波峰值检测与分类的方法和装置,该方法包括:步骤一,利用血氧仪采集人体指尖的脉搏波信号,采用滑动窗口的方式进行分帧处理,得到若干段短信号;步骤二,将若干段短信号按照时间顺序排列,输入到关键点检测模块中进行峰值检测和整理得到所有峰值点;步骤三,将步骤二得到的峰值点及采集得到的整段脉搏波信号输入到分类模块中,通过判断信号的强度、波动和平涩程度来对脉搏波信号进行分类,并记录。本发明能够有效应用于基于脉搏波的生物识别系统中,并提高识别的准确率。
Description
技术领域
本发明涉及非接触式生理信号检测领域,尤其涉及一种基于深度学习的脉搏波峰值检测与分类的方法和装置。
背景技术
光电容积脉搏波信号是由于血液和其他组织成分对不同频段的光吸收程度不同,且血液本身在血管中的血液容积量会随着心脏的搏动而发生变化,因此在心脏收缩和舒张的过程中,血液对光的吸收量也会随心脏收缩呈现出周期性的脉搏波动,这种波动反应在视频传感器所接受到的信号变化即为PPG信号。
PPG信号的波峰和波谷称为基准点,因为其在划分脉搏波周期,计算心率血氧中有重要作用,目前有很多方式取进行检测,但是传统的检测方法有时不能统计完全,主要是因为脉搏波的形态种类繁多且在采集过程中,噪声也会对传统的检测方法造成一定的干扰。
此外,在利用脉搏波进行个体识别的领域,由于脉搏波的形态种类较为繁多且同一个人的脉搏波信号也不尽相同;如果只使用单一模型进行分类,那么模型精度并不能满足实际用途。
发明内容
为了解决现有技术中存在的上述技术问题,本发明提出了一种基于深度学习的脉搏波峰值检测与分类的方法和装置,其具体技术方案如下:
一种基于深度学习的脉搏波峰值检测与分类的方法,包括以下步骤:
步骤一,利用血氧仪采集人体指尖的脉搏波信号,采用滑动窗口的方式进行分帧处理,得到若干段短信号;
步骤二,将若干段短信号按照时间顺序排列,输入到关键点检测模块中进行峰值检测和整理得到所有峰值点;
步骤三,将步骤二得到的峰值点及采集得到的整段脉搏波信号输入到分类模块中,通过判断信号的强度、波动和平涩程度来对脉搏波信号进行分类,并记录。
进一步的,所述步骤一具体为:首先利用血氧仪采集人体指尖的脉搏波信号,然后对采集到的脉搏波信号进行分帧操作,所述分帧操作为利用滑动窗口的方式对脉搏波信号进行截取,得到M段短信号,其中滑动窗口的尺寸和移动步长为固定值。
进一步的,所述步骤二中的关键点检测模块包含滤波模块、峰值检测模块与检测补充模块,该步骤具体包括以下子步骤:
步骤2.1,将M段短信号按时间顺序排列输入滤波模块,所述滤波模块使用巴特沃斯带通滤波器对输入的短信号进行带通滤波之后,对经过滤波后的脉搏波信号进行信号去趋势化操作;
步骤2.2,将经过步骤2.1处理后的信号送入所述峰值检测模块的检测网络,通过预训练的检测网络检测出峰值点和非峰值点,其中峰值点包括波峰、波谷、左峰值点和右峰值点;
步骤2.3,采用检测补充模块再次进行峰值点检测,具体为:以步骤2.2检测到的峰值点为中心,中心的峰值点左右各2个,一共4个相邻点与中心的峰值点进行对比,若中心的峰值点是最大或者最小的点,则认定为峰值点;否则继续向左或者向右移动,找到峰值点;
步骤2.4,重复步骤2.1至步骤2.3找到所有短信号的峰值点;
步骤2.5,按顺序对M段端信号进行峰值点整理:按照位置在窗口中间为准的原则,判断窗口中的边界点是否为峰值点,若存在位于窗口中间的位置,则是峰值点,否则为非峰值点。
进一步的,所述检测网络由基于ResNet18结构的特征提取网络、Spp网络和分类网络依次连接组成,使用交叉熵损失函数经过脉搏波信号数据集训练收敛;
所述特征提取网络用于提取脉搏波信号特征,所述Spp网络用于融合不同尺度的脉搏波信号特征,所述分类网络用于输出分类类型。
进一步的,所述步骤三中的分类模块包括:信号处理单元、手工特征提取单元、深度特征提取单元和分类单元,该步骤具体包括以下子步骤:
步骤3.1,采用信号处理单元对输入的脉搏波信号按照基准点进行分割,得到P个短信号,再将每个短信号的周期进行叠加并取平均值,得到一个平均的周期信号,则得到P个平均的周期信号;其中,所述基准点为波峰和波谷;
步骤3.2,通过手工特征提取单元对每一个平均周期信号提取直流分量特征和交流分量特征;
步骤3.3,利用深度特征提取单元提取每一个平均周期中的波峰到波谷阶段的信号的平滑度特征;
步骤3.4,分别设置每一个平均周期信号的直流分量特征的阈值、交流分量特征的阈值和平滑度特征的阈值,进行信号分类;
步骤3.5,最后分别记录每个平均周期信号的类别。
进一步的,所述每个短信号含有N个周期,每个周期的位置从上一个波谷到下一个波谷。
进一步的,所述步骤3.2中的提取直流分量特征和交流分量特征,具体为:
直流分量特征:直流分量值=(波峰+波谷)/ 2 ;
交流分量特征:交流分量幅值=波峰-波谷。
进一步的,所述步骤3.4中的信号分类的类别为6类,分别对应中医中的滑脉、涩脉、弦脉、沉脉、洪脉与浮脉。
一种基于深度学习的脉搏波峰值检测与分类的装置,包括一个或多个处理器,用于实现所述的基于深度学习的脉搏波峰值检测与分类的方法。
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现所述的基于深度学习的脉搏波峰值检测与分类的方法。
本发明的优点:
首先,本发明通过神经网络对信号的基准点进行检测,相比于传统方式,该方法更具有泛化能力且经过训练后可以在有噪声的信号中进行检测;其次,在分类模块中,按照中医对脉象分类的方式对信号进行了分类,并且将医学中用于描述不同类别脉搏波的方式进行了量化,总结归纳为一系列的特征;在分类中,为降低推理速度,将相邻周期的特征向量先融合后分类,提高了推理的速度。
附图说明
图1是本发明的一种基于深度学习的脉搏波峰值检测与分类的方法流程示意图;
图2是本发明方法的Spp网络示意图;
图3是本发明方法的关键点检测模块中检测网络示意图;
图4是本发明方法的分类模块的结构示意图;
图5是本发明实施例的一种基于深度学习的脉搏波峰值检测与分类的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白,以下结合说明书附图和实施例,对本发明作进一步详细说明。
如图1所示,一种基于深度学习的脉搏波峰值检测与分类的方法,包括以下步骤:
步骤一,利用血氧仪采集人体指尖的脉搏波信号,采用滑动窗口的方式进行分帧处理,得到若干段短信号。
具体的,首先利用血氧仪采集人体指尖的PPG脉搏波信号,采样频率为N Hz,采集时长为T s;
然后对采集到的PPG信号进行分帧操作,对时长为T s的脉搏波信号利用滑动窗口的方式进行截取,得到M段短信号,其中滑动窗口的尺寸和移动步长为固定的,分别是window_size,step_time s。
步骤二,将若干段短信号按照时间顺序排列,输入到关键点检测模块中进行峰值检测和整理得到所有峰值点,其中的关键点检测模块包含滤波模块、峰值检测模块与检测补充模块,该步骤具体包括以下子步骤:
步骤2.1,将M段短信号按时间顺序排列输入所述滤波模块,滤波模块首先使用X阶巴特沃斯带通滤波器对输入的M段短信号进行带通滤波, 这一步主要是为了消除噪声的影响,以免波形被噪声干扰,出现多个错误的极值;之后,对经过滤波后的PPG信号进行信号去趋势化操作,从而消除基线漂移的影响。
步骤2.2,按时间顺序依次将经过步骤2.1处理好的PPG信号送入峰值检测模块中的检测网络;如图3所示,所述检测网络的主干网络部分为基于ResNet18结构的特征提取网络, 之后为一个Spp网络(Spatial Pyramid Pooling,空间金字塔池化结构)和一个分类网络,如图2所示;
所述基于ResNet18结构的特征提取网络对输入的脉搏波信号进行关键点的特征提取;所述Spp网络用于融合不同尺度的特征,且该网络可以适应不用长度的输入特征,这么做的目的主要是使得本发明可以适应不同采样率下的PPG信号,避免采样率过低或者过高造成的输入不同从而导致需要重新训练神经网络;最后,通过所述分类网络输出分类类型;其中,所述分类网络的全连接层输出类别概率值;根据PPG信号的特征将其输出类型分为:峰值点和非峰值点,其中峰值点包括波峰、波谷、左峰值点和右峰值点。
在峰值检测模块的检测网络的训练中,使用交叉熵损失函数,经过多个PPG信号数据集进行训练,之后保存网络参数。
步骤2.3,采用检测补充模块再次进行峰值点检测,以检测到峰值点为中心,检测中心的峰值点左右相邻各2个,一共4个相邻点进行对比,确保该点是最大或者最小的点,则可认定其为峰值点;否则需要继续向左或者向右移动,从而精确全面的找到峰值点;
步骤2.4,重复步骤2.1至步骤2.3找到所有短信号的峰值点;
步骤2.5,按照顺序对所有短信号的峰值点进行整理,以更全面的找到所有峰值点;
具体的,由于使用了滑动窗口,滑动窗口的使用是有重叠的,有一些峰值点不可避免的成为了边界点,这将对峰值点的认定有误差,这就使得,相同位置的点在不同的短信号中有的是峰值点有的不是峰值点。为解决这个问题,在确定窗口中的处于边界状态的点是否为峰值点时,按照位置在窗口中间为准的原则,在所有窗口中进行判断,如果在窗口中间,则认为其是峰值点,否则为非峰值点;以此更全面精确的找到峰值点,即最终输出一系列基准点的位置。
步骤三,将步骤二得到的峰值点及采集得到的整段脉搏波信号输入到分类模块中,通过判断信号的强度、波动和平涩程度来完成对脉搏波信号的分类,并记录。
如图4所示,所述分类模块包括:信号处理单元、手工特征提取单元、深度特征提取单元、分类单元。
该步骤具体包括以下子步骤:
步骤3.1,采用信号处理单元对输入的脉搏波信号按照基准点(波峰和波谷)的信息来进行分割;将输入的脉搏波信号分为P个短信号,每个短信号含有N个周期,每个周期的位置从上一个波谷到下一个波谷;再将每个短信号的周期进行叠加并取平均值,得到一个平均的周期信号;则可得到P 个平均的周期信号。
步骤3.2,之后,通过手工特征提取单元对每一个平均周期信号提取直流分量特征和交流分量特征:
直流分量特征:直流分量值=(波峰+波谷)/ 2 ;
交流分量特征:交流分量幅值=波峰-波谷。
步骤3.3,利用所述深度特征提取单元提取每一个平均周期中的波峰到波谷阶段的信号的平滑度特征;所述深度特征提取单元是含有一个ResNet18结构的特征提取网络。
步骤3.4,提取平滑度特征后,分别设置对应阈值:Thres1,为信号直流分量特征的阈值,决定了信号的强度;Thres2,为交流分量特征的阈值,决定了信号的波动;Thres3,为信号的平滑度特征阈值,决定了信号的平涩程度;按照以上的方式对信号进行分类,分类的类别为6类,信号种类的划分按照中医的脉象进行,这6类分别对应中医中:滑脉、涩脉、弦脉、沉脉、洪脉与浮脉;
特别的,为区分弦脉,之前在检测网络中检测了左峰值与右峰值。
步骤3.5,最后分别记录每个平均周期信号的类别,用于之后的任务中。
如下表1所示为对比的常用的脉搏波个体识别方法,表格的第二列为直接利用脉搏波信号进行识别的准确率,表格第三列为先经过本发明进行分类,之后分别对分好类的脉搏波信号进行识别的准确率;经过对比可以看出,先分类再进行识别的准确率会高于直接识别的准确率,从而验证了本发明的有效性与实用性。
表1:
与前述基于深度学习的脉搏波峰值检测与分类的方法的实施例相对应,本发明还提供了一种基于深度学习的脉搏波峰值检测与分类的装置的实施例。
参见图5,本发明实施例提供的一种基于深度学习的脉搏波峰值检测与分类的装置,包括一个或多个处理器,用于实现上述实施例中的基于深度学习的脉搏波峰值检测与分类的方法。
本发明基于深度学习的脉搏波峰值检测与分类的装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图5所示,为本发明基于深度学习的脉搏波峰值检测与分类的装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。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发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的基于深度学习的脉搏波峰值检测与分类的方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述,仅为本发明的优选实施案例,并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明,对于熟悉本领域的人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的脉搏波峰值检测与分类的方法,其特征在于,包括以下步骤:
步骤一,利用血氧仪采集人体指尖的脉搏波信号,采用滑动窗口的方式进行分帧处理,得到若干段短信号;
所述步骤一具体为:首先利用血氧仪采集人体指尖的脉搏波信号,然后对采集到的脉搏波信号进行分帧操作,所述分帧操作为利用滑动窗口的方式对脉搏波信号进行截取,得到M段短信号,其中滑动窗口的尺寸和移动步长为固定值;
步骤二,将若干段短信号按照时间顺序排列,输入到关键点检测模块中进行峰值检测和整理得到所有峰值点;
所述步骤二中的关键点检测模块包含滤波模块、峰值检测模块与检测补充模块,该步骤具体包括以下子步骤:
步骤2.1,将M段短信号按时间顺序排列输入滤波模块,所述滤波模块使用巴特沃斯带通滤波器对输入的短信号进行带通滤波之后,对经过滤波后的脉搏波信号进行信号去趋势化操作;
步骤2.2,将经过步骤2.1处理后的信号送入所述峰值检测模块的检测网络,通过预训练的检测网络检测出峰值点和非峰值点,其中峰值点包括波峰、波谷、左峰值点和右峰值点;
步骤2.3,采用检测补充模块再次进行峰值点检测,具体为:以步骤2.2检测到的峰值点为中心,中心的峰值点左右各2个,一共4个相邻点与中心的峰值点进行对比,若中心的峰值点是最大或者最小的点,则认定为峰值点;否则继续向左或者向右移动,找到峰值点;
步骤2.4,重复步骤2.1至步骤2.3找到所有短信号的峰值点;
步骤2.5,按顺序对M段端信号进行峰值点整理:按照位置在窗口中间为准的原则,判断窗口中的边界点是否为峰值点,若存在位于窗口中间的位置,则是峰值点,否则为非峰值点;
步骤三,将步骤二得到的峰值点及采集得到的整段脉搏波信号输入到分类模块中,通过判断信号的强度、波动和平涩程度来对脉搏波信号进行分类,并记录;
所述步骤三中的分类模块包括:信号处理单元、手工特征提取单元、深度特征提取单元和分类单元,该步骤具体包括以下子步骤:
步骤3.1,采用信号处理单元对输入的脉搏波信号按照基准点进行分割,将输入的脉搏波信号分为P个短信号,每个短信号含有N个周期,每个周期的位置从上一个波谷到下一个波谷;再将每个短信号的周期信号进行叠加并取平均值,得到一个平均的周期信号;则可得到P 个平均的周期信号;其中,所述基准点为波峰和波谷;
步骤3.2,通过手工特征提取单元对每一个平均周期信号提取直流分量特征和交流分量特征;
步骤3.3,利用深度特征提取单元提取每一个平均周期中的波峰到波谷阶段的信号的平滑度特征;
步骤3.4,分别设置每一个平均周期信号的直流分量特征的阈值、交流分量特征的阈值和平滑度特征的阈值,进行信号分类,分类的类别为6类,分别对应中医中的滑脉、涩脉、弦脉、沉脉、洪脉与浮脉;
步骤3.5,最后分别记录每个平均周期信号的类别。
2.如权利要求1所述的一种基于深度学习的脉搏波峰值检测与分类的方法,其特征在于,所述检测网络由基于ResNet18结构的特征提取网络、Spp网络和分类网络依次连接组成,使用交叉熵损失函数经过脉搏波信号数据集训练收敛;
所述特征提取网络用于提取脉搏波信号特征,所述Spp网络用于融合不同尺度的脉搏波信号特征,所述分类网络用于输出分类类型。
3.如权利要求1所述的一种基于深度学习的脉搏波峰值检测与分类的方法,其特征在于,所述步骤3.2中的提取直流分量特征和交流分量特征,具体为:
直流分量特征:直流分量值=(波峰值+波谷值)/ 2 ;
交流分量特征:交流分量幅值=波峰值-波谷值。
4.一种基于深度学习的脉搏波峰值检测与分类的装置,其特征在于,包括一个或多个处理器,用于实现权利要求1-3中任一项所述的基于深度学习的脉搏波峰值检测与分类的方法。
5.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,实现权利要求1-3中任一项所述的基于深度学习的脉搏波峰值检测与分类的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210981128.5A CN115040089B (zh) | 2022-08-16 | 2022-08-16 | 一种基于深度学习的脉搏波峰值检测与分类的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210981128.5A CN115040089B (zh) | 2022-08-16 | 2022-08-16 | 一种基于深度学习的脉搏波峰值检测与分类的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115040089A CN115040089A (zh) | 2022-09-13 |
CN115040089B true CN115040089B (zh) | 2022-12-06 |
Family
ID=83168018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210981128.5A Active CN115040089B (zh) | 2022-08-16 | 2022-08-16 | 一种基于深度学习的脉搏波峰值检测与分类的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115040089B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101049247A (zh) * | 2006-04-06 | 2007-10-10 | 香港理工大学 | 中医脉象传感器、三部九候脉象检测仪及脉象检测方法 |
CN103034837A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗系统环球技术有限公司 | 特征参数与脉象要素的关联 |
CN107049269A (zh) * | 2017-03-06 | 2017-08-18 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种中医脉象信号处理分析系统 |
CN108670209A (zh) * | 2018-03-29 | 2018-10-19 | 中国科学院微电子研究所 | 一种自动识别中医脉象的方法和系统 |
WO2019161411A1 (en) * | 2018-02-17 | 2019-08-22 | Sanmina Corporation | System and method for obtaining health data using a neural network |
CN113749655A (zh) * | 2021-11-08 | 2021-12-07 | 芯原微电子(南京)有限公司 | 一种血氧饱和度检测方法、装置,电子设备及存储介质 |
CN114638272A (zh) * | 2022-05-19 | 2022-06-17 | 之江实验室 | 一种基于指尖脉搏波信号的身份识别方法和装置 |
WO2022160952A1 (zh) * | 2021-01-29 | 2022-08-04 | 清华大学深圳国际研究生院 | 脉搏数据分类模型建立装置、分类识别装置和测量系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017079828A1 (en) * | 2015-11-09 | 2017-05-18 | Magniware Ltd. | Systems and methods for acquisition and analysis of health data |
US10973422B2 (en) * | 2016-01-22 | 2021-04-13 | Fitbit, Inc. | Photoplethysmography-based pulse wave analysis using a wearable device |
CN109247923B (zh) * | 2018-11-15 | 2020-12-15 | 中国科学院自动化研究所 | 基于视频的非接触式脉搏实时估计方法及设备 |
KR102199085B1 (ko) * | 2018-12-10 | 2021-01-07 | 순천향대학교 산학협력단 | 심층 신경망을 이용한 부정맥 분류 시스템 및 방법 |
CN109846472A (zh) * | 2019-01-30 | 2019-06-07 | 郑州大学 | 基于BiLSTM-Attention深度神经网络的心搏分类方法 |
CN110598625A (zh) * | 2019-09-10 | 2019-12-20 | 北京望问信息科技有限公司 | 一种基于脉搏波非基准特征的身份识别技术 |
US11826129B2 (en) * | 2019-10-07 | 2023-11-28 | Owlet Baby Care, Inc. | Heart rate prediction from a photoplethysmogram |
EP3918980A1 (en) * | 2020-06-02 | 2021-12-08 | CSEM Centre Suisse d'Electronique et de Microtechnique SA - Recherche et Développement | Method for classifying photoplethysmography pulses and monitoring of cardiac arrhythmias |
CN114027804A (zh) * | 2021-12-03 | 2022-02-11 | 科思技术(温州)研究院 | 一种脉象诊断的方法、装置及可读存储介质 |
-
2022
- 2022-08-16 CN CN202210981128.5A patent/CN115040089B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101049247A (zh) * | 2006-04-06 | 2007-10-10 | 香港理工大学 | 中医脉象传感器、三部九候脉象检测仪及脉象检测方法 |
CN103034837A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗系统环球技术有限公司 | 特征参数与脉象要素的关联 |
CN107049269A (zh) * | 2017-03-06 | 2017-08-18 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种中医脉象信号处理分析系统 |
WO2019161411A1 (en) * | 2018-02-17 | 2019-08-22 | Sanmina Corporation | System and method for obtaining health data using a neural network |
CN108670209A (zh) * | 2018-03-29 | 2018-10-19 | 中国科学院微电子研究所 | 一种自动识别中医脉象的方法和系统 |
WO2022160952A1 (zh) * | 2021-01-29 | 2022-08-04 | 清华大学深圳国际研究生院 | 脉搏数据分类模型建立装置、分类识别装置和测量系统 |
CN113749655A (zh) * | 2021-11-08 | 2021-12-07 | 芯原微电子(南京)有限公司 | 一种血氧饱和度检测方法、装置,电子设备及存储介质 |
CN114638272A (zh) * | 2022-05-19 | 2022-06-17 | 之江实验室 | 一种基于指尖脉搏波信号的身份识别方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于多因素分析的脉搏波中医诊断方法;赵阳;《中国优秀硕士学位论文全文数据库(医药卫生科技辑)》;20180115;第E056-22页 * |
基于脉搏波的脉象识别技术的研究;王宝宝;《中国优秀硕士学位论文全文数据库(医药卫生科技辑)》;20190515;第 E056-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115040089A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hammad et al. | A novel two-dimensional ECG feature extraction and classification algorithm based on convolution neural network for human authentication | |
Zhao et al. | Trueheart: Continuous authentication on wrist-worn wearables using ppg-based biometrics | |
Zhang et al. | HeartID: A multiresolution convolutional neural network for ECG-based biometric human identification in smart health applications | |
Zhang et al. | Automated detection of myocardial infarction using a gramian angular field and principal component analysis network | |
Jyotishi et al. | An LSTM-based model for person identification using ECG signal | |
Lourenço et al. | Outlier detection in non-intrusive ECG biometric system | |
Wang et al. | Identification of the normal and abnormal heart sounds using wavelet-time entropy features based on OMS-WPD | |
CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
CN103345600A (zh) | 一种心电信号数据处理方法 | |
CN110141216B (zh) | 一种心电信号qrs特征波的识别方法、训练方法及系统 | |
Luque et al. | End-to-end photopleth YsmographY (PPG) based biometric authentication by using convolutional neural networks | |
Salas-Boni et al. | False ventricular tachycardia alarm suppression in the ICU based on the discrete wavelet transform in the ECG signal | |
Hu et al. | Wrist pulse signals analysis based on deep convolutional neural networks | |
CN114638272B (zh) | 一种基于指尖脉搏波信号的身份识别方法和装置 | |
CN115120248B (zh) | 基于直方图的自适应阈值r峰检测、心律分类方法及装置 | |
Zhao et al. | ECG identification based on matching pursuit | |
Liu et al. | Motion artifact detection in ppg signals based on gramian angular field and 2-d-cnn | |
Chen et al. | Finger ECG based two-phase authentication using 1D convolutional neural networks | |
Bahador et al. | Multimodal spatio-temporal-spectral fusion for deep learning applications in physiological time series processing: A case study in monitoring the depth of anesthesia | |
Chen et al. | Finger ECG-based authentication for healthcare data security using artificial neural network | |
Chandrashekhar et al. | Pulse ID: the case for robustness of ECG as a biometric identifier | |
CN115040089B (zh) | 一种基于深度学习的脉搏波峰值检测与分类的方法和装置 | |
GOŁGOWSKI et al. | Classical versus deep learning methods for anomaly detection in ECG using wavelet transformation | |
CN107595305A (zh) | 焦虑状态检测方法及装置 | |
EP3506314A1 (en) | Systems and methods for detecting anomaly in a cardiovascular signal using hierarchical extremas and repetitions |
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 |