CN115429305A - 基于肺部起伏动作模型的肺音特征分析方法及装置 - Google Patents
基于肺部起伏动作模型的肺音特征分析方法及装置 Download PDFInfo
- Publication number
- CN115429305A CN115429305A CN202210919958.5A CN202210919958A CN115429305A CN 115429305 A CN115429305 A CN 115429305A CN 202210919958 A CN202210919958 A CN 202210919958A CN 115429305 A CN115429305 A CN 115429305A
- Authority
- CN
- China
- Prior art keywords
- lung
- fluctuation
- sound
- lung sound
- data
- 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
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
-
- 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
- A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
- A61B5/1135—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing by monitoring thoracic expansion
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Veterinary Medicine (AREA)
- Acoustics & Sound (AREA)
- Pulmonology (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于肺部起伏动作模型的肺音特征分析方法及装置,所述分析方法包括:基于运动传感器获取肺部起伏状态数据,并根据所述肺部起伏状态数据生成肺部起伏动作模型;基于声音采集传感器获取肺音初始数据,对所述肺音初始数据进行特征提取,得到初始肺音特征曲线;提取所述肺部起伏动作模型上肺音采集位置的起伏状态数据,根据所述起伏状态数据生成肺部起伏频率曲线;拟合所述肺部起伏频率曲线与所述初始肺音特征曲线,得到肺音特征频谱曲线。该分析方法通过构建肺部起伏动作模型,对采集的肺音特征曲线结合肺部起伏频率曲线拟合校正,得到肺音特征频谱曲线,从而提高肺音特征信号分析的准确性。
Description
技术领域
本发明主要涉及医疗检测技术领域,具体涉及基于肺部起伏动作模型的肺音特征分析方法及装置。
背景技术
肺音是人体重要生理信号之一,在呼吸过程中,气流经过肺部时引起肺部的振动发出的声音即为肺音,肺音可以反映人体肺部的生理性和病理性的信息,通过肺音听诊可以分析肺部的健康状态。传统的肺音听诊方法是通过听诊器进行人工听诊,听诊器捕捉的肺音频率低,需要依靠医生的经验进行肺音判断分析,肺音听诊结果准确度低。而目前的肺音采集和检测仪器能够对肺音进行数字化处理,但是由于采集肺音过程中容易受到其它信号干扰,导致肺音分析结果误差较大,分析准确性有待提高。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于肺部起伏动作模型的肺音特征分析方法及装置,通过构建肺部起伏动作模型,对采集的肺音特征曲线结合肺部起伏频率曲线拟合校正,得到肺音特征频谱曲线,从而提高肺音特征信号分析的准确性。
本发明提供了一种基于肺部起伏动作模型的肺音特征分析方法,所述分析方法包括:
基于运动传感器获取肺部起伏状态数据,并根据所述肺部起伏状态数据生成肺部起伏动作模型;
在待检测人员对应肺部位置的皮肤表面上设置若干个所述运动传感器,通过若干个所述运动传感器采集肺部起伏状态数据;
基于声音采集传感器获取肺音初始数据,对所述肺音初始数据进行特征提取,得到初始肺音特征曲线;
在待检测人员对应肺音听诊位置上设置有若干个声音采集传感器,通过若干个所述声音采集传感器采集肺音初始数据;
提取所述肺部起伏动作模型上肺音采集位置的起伏状态数据,根据所述起伏状态数据生成肺部起伏频率曲线;
拟合所述肺部起伏频率曲线与所述初始肺音特征曲线,得到肺音特征频谱曲线。
进一步的,所述运动传感器为高灵敏度的振动传感器。
进一步的,所述根据所述肺部起伏状态数据生成肺部起伏动作模型包括:
构建空间坐标系,根据若干个所述运动传感器与所述空间坐标系的坐标原点距离在生成若干个所述运动传感器在所述空间坐标系内的投影点;
基于若干个所述投影点形成所述肺部起伏动作模型。
进一步的,对所述肺音初始数据依次进行滤波、放大和降噪处理,得到初步处理数据。
进一步的,对所述初步处理数据进行特征提取,得到肺音特征信号数据。
进一步的,所述提取肺部起伏动作模型上肺音采集位置的起伏状态数据,根据所述起伏状态数据生成肺部起伏频率曲线包括:
在所述肺部起伏动作模型上标记肺音采集位置;
提取所述肺音采集位置上的肺部起伏频率数据,生成若干个起伏频率曲线;
根据对应位置上肺音初始数据的各种肺音特征信号比例拟合肺部起伏频率曲线。
进一步的,将若干个所述声音采集传感器对应在所述肺部起伏动作模型上的位置标记为肺音采集位置。
进一步的,将所述肺音初始数据进行短时傅里叶变换,分析所述肺音初始数据中各种肺音特征信号的强弱比例。
进一步的,所述肺部起伏频率曲线的拟合公式为:
其中,f(n)为肺部起伏频率曲线,N为采集位置的个数,fci为第i个采集位置上的起伏频率曲线,ki为第i个采集位置上的某个肺音特征信号的比例。
本发明还提供了一种基于肺部起伏动作模型的肺音特征分析装置,所述分析装置包括:
模型构建模块:基于运动传感器获取肺部起伏状态数据,并根据所述肺部起伏状态数据生成肺部起伏动作模型;
肺音采集模块:基于声音采集传感器获取肺音初始数据,对所述肺音初始数据进行特征提取,得到初始肺音特征曲线;
模型分析模块:提取所述肺部起伏动作模型上肺音采集位置的起伏状态数据,根据所述起伏状态数据生成肺部起伏频率曲线;
肺音频谱分析模块:拟合所述肺部起伏频率曲线与所述初始肺音特征曲线,得到肺音特征频谱曲线。
本发明提供了一种基于肺部起伏动作模型的肺音特征分析方法及装置,所述分析方法通过构建肺部起伏动作模型,实时记录呼吸过程中肺部起伏状态,根据采集的肺音初始数据进行特征分析,生成肺音特征曲线,结合各种肺音特征信号的比例,提取肺部起伏动作模型中各种肺音特征信号对应的肺部起伏频率,生成肺部起伏频率曲线,将采集的肺音特征曲线结合肺部起伏频率曲线进行拟合校正,得到肺音特征频谱曲线,从而提高肺音特征信号分析的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中基于肺部起伏动作模型的肺音特征分析方法流程示意图;
图2是本发明实施例中肺部起伏频率曲线生成方法流程图;
图3是本发明实施例中基于肺部起伏动作模型的肺音特征分析装置示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1示出了本发明实施例中基于肺部起伏动作模型的肺音特征分析方法流程示意图,所述分析方法包括:
S11:基于运动传感器获取肺部起伏状态数据,并根据所述肺部起伏状态数据生成肺部起伏动作模型。
具体的,在待检测人员的皮肤表面对应肺部的位置上设置有若干个所述运动传感器,通过所述若干个运动传感器采集肺部起伏状态数据。
进一步的,所述运动传感器可以为振动传感器,所述振动传感器可以识别待检测人员随呼吸时肺部起伏的频率状态。
具体的,建立空间坐标系,在所述空间坐标系内构建肺部起伏动作模型,设置空间坐标原点,根据若干个所述运动传感器距离所述坐标原点距离在生成若干个所述运动传感器在所述空间坐标系内的投影点,若干个所述投影点的坐标数据可以随待检测人员的呼吸时刻变动,通过若干个所述投影点生成所述肺部起伏动作模型。
进一步的,根据若干个所述运动传感器采集待检测人员的肺部起伏状态,并在所述肺部起伏动作模型上实时反映待检测人员的肺部起伏动作状态。
具体的,当所述肺部起伏动作模型整体起伏状态变化幅度变小并趋于平缓,反映了待检测人员处于呼吸平缓以及肌肉放松状态,适合进行肺音采集,在肌肉放松状态下可以减少肌电信号对肺音采集的干扰。
S12:基于声音采集传感器获取肺音初始数据,对所述肺音初始数据进行特征提取,得到初始肺音特征曲线。
具体的,根据肺音听诊位置在待检测人员身上设置有若干个声音采集传感器,通过若干个所述声音采集传感器采集待检测人员的肺音,获取肺音初始数据。
进一步的,所述肺音听诊位置的主要部位包括前胸部、侧胸部和后背,在不同的位置上采集待检测人员呼吸时肺部不同位置上的肺音情况。
进一步的,若干个所述声音采集传感器对称分布在所述肺音听诊位置的左右两侧,将左右对称位置的声音采集传感器采集的肺音数据进行对比分析,从而提高肺音数据分析的准确性。
具体的,将采集的肺音初始数据依次进行滤波、信号放大以及降噪处理得到初步处理数据,在所述初步处理数据中提取肺音特征信号数据,根据所述肺音特征信号数据整理得到初始频谱曲线。
进一步的,所述肺音初始数据包含较多的干扰信号,在肺音处理分析过程中,为了能够通过肺音准确反映待检测人员的肺部状况,需要提取所述肺音初始数据中的特征信号数据,根据所述特征信号数据进行分析。
具体的,待检测人员在呼吸过程中产生的肺音数据包含多种肺音特征数据,包括肺部气泡音、支气管呼吸音、支气管肺泡音等等,根据肺音采集位置的不同,各个肺音特征数据的比例和强弱也存在差异,因此,在进行肺音特征信号的提取时,需要对任意一个所述声音采集传感器采集的肺音初始数据进行特征提取,对每个肺音初始数据进行时域分析,提取肺音特征信号数据,所述肺音特征信号数据包括多种肺音特征信号。
具体的,提取某一肺音特征信号进行分析时,如支气管呼吸音,将若干个所述声音采集传感器采集的肺音初始数据进行特征提取,提取各个声音采集传感器采集的肺音初始数据中的支气管呼吸音频率数据,整合若干个所述声音采集传感器采集的支气管呼吸音频率数据,生成支气管呼吸音特征的初始肺音特征曲线。
S13:提取所述肺部起伏动作模型上肺音采集位置的起伏状态数据,根据所述起伏状态数据生成肺部起伏频率曲线;
具体的,图2示出了本发明实施例中肺部起伏频率曲线生成方法流程图,所述生成方法包括:
S131:在所述肺部起伏动作模型上标记肺音采集位置;
具体的,将若干个所述声音采集传感器坐标信息投影到所述肺部起伏动作模型上,根据若干个所述声音采集传感器在所述肺部起伏动作模型上标记肺音采集位置。
进一步的,若干个所述声音采集传感器与若干个运动传感器之间错位分布,任意一个所述声音采集传感器与其相邻的运动传感器之间保持设定的距离,减少所述运动传感器对所述声音采集传感器造成的噪音干扰。
S132:提取所述肺音采集位置上的肺部起伏频率数据,生成若干个起伏频率曲线。
具体的,提取相应时间段内,所述肺部起伏动作模型上标记的肺音采集位置的起伏状态数据,根据所述起伏状态数据生成肺部起伏频率曲线,所述起伏状态数据反映了在相应时间段内,待检测人员对应的肺部起伏动作状况,所述肺部起伏动作为多种肺音特征信号共同作用的结果。
S133:根据对应位置上肺音初始数据的各种肺音特征信号比例拟合肺部起伏频率曲线。
具体的,结合所述肺部起伏频率曲线的曲线拟合时,需要根据肺音特征信号数据中各种肺音特征的比例进行调整。
具体的,对所述特征信号数据进行短时傅里叶变换,即通过窗函数将特征信号数据分割为若干个子片段特征数据,对任意一个所述子片段特征数据进行傅里叶变换,转变为频率函数,从而获取该特征信号的频率变化。
进一步的,通过短时傅里叶变换将肺音特征信号数据转换为频率数据进行分析,可以获取任意一个所述声音采集传感器采集的肺音初始数据中,各种肺音特征信号的强弱比例。
具体的,所述短时傅里叶变换公式为:
tj(n)=w(n)*X((j-1)*inc);
其中,ti(n)表示第i个子片段的肺音特征信号,w(n)为窗口函数,X(n)为肺音特征信号函数,inc为帧移。
具体的,提取所述肺部起伏动作模型上若干个标记位置的起伏状态数据,根据所述起伏状态数据生成若干个起伏状态频率曲线,根据每个采集位置上对应的肺音初始数据中,各种肺音特征信号的强弱比例拟合所述若干个起伏状态频率曲线,生成肺部起伏频率曲线。
进一步的,所述拟合公式为:
其中,f(n)为肺部起伏频率曲线,N为采集位置的个数,fci为第i个采集位置上的起伏频率曲线,ki为第i个采集位置上的某个肺音特征信号的比例。
S14:将所述肺部起伏频率曲线与所述初始频谱曲线拟合校正,得到肺音特征频谱曲线。
具体的,将所述肺部起伏频率曲线与所述初始肺音特征曲线进行校正拟合,得到所述肺音特征频率曲线,依次对各种肺音特征信号进行采集分析,生成各种肺音特征信号的肺音特征频率曲线。
进一步的,医护人员可以根据各种肺音特征信号的肺音特征频率曲线分析检测人员的健康情况。
具体的,本发明实施例提供了一种基于肺部起伏动作模型的肺音特征分析方法,所述分析方法通过构建肺部起伏动作模型,实时记录呼吸过程中肺部起伏状态,根据采集的肺音初始数据进行特征分析,生成肺音特征曲线,结合各种肺音特征信号的比例,提取肺部起伏动作模型中各种肺音特征信号对应的肺部起伏频率,生成肺部起伏频率曲线,将采集的肺音特征曲线结合肺部起伏频率曲线进行拟合校正,得到肺音特征频谱曲线,从而提高肺音特征信号分析的准确性。
具体的,图3示出了本发明实施例中基于肺部起伏状态校正的肺音特征频谱分析装置示意图,所述分析装置包括:
模型构建模块10:基于运动传感器获取肺部起伏状态数据,并根据所述肺部起伏状态数据生成肺部起伏动作模型。
具体的,在待检测人员对应肺部位置的皮肤表面上设置若干个所述运动传感器,通过若干个所述运动传感器采集肺部起伏状态数据。构建空间坐标系,根据若干个所述运动传感器与所述空间坐标系的距离生成投影点,所述投影点的坐标随所述运动传感器的振动时刻变化。
进一步的,基于若干个所述投影点生成所述肺部起伏动作模型,可以实时反映待检测人员呼吸时肺部起伏动作状态。
肺音采集模块20:基于声音采集传感器获取肺音初始数据,对所述肺音初始数据进行特征提取,得到初始肺音特征曲线。
具体的,在待检测人员对应肺音听诊位置上设置有若干个声音采集传感器,通过若干个所述声音采集传感器采集肺音初始数据。将若干个所述声音采集传感器与若干个所述运动传感器错位分布,使得任意一个声音采集传感器与其相邻的运动传感器之间保持设定的距离,避免运动传感器干扰所述声音采集传感器的工作。
模型分析模块30:提取所述肺部起伏动作模型上肺音采集位置的起伏状态数据,根据所述起伏状态数据生成肺部起伏频率曲线。
具体的,标记若干个所述声音采集传感器在所述肺部起伏动作模型上的位置为肺音采集位置,由于所述肺音采集位置与所述运动传感器的投影点位置并不重合,并不能直接获得肺音采集位置上的起伏频率曲线,需要结合其附近运动传感器投影点的频率变化进行分析计算,所述分析计算公式为:
肺音频谱分析模块40:拟合所述肺部起伏频率曲线与所述初始肺音特征曲线,得到肺音特征频谱曲线。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,ReadOnly Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的基于肺部起伏动作模型的肺音特征分析方法及装置进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于肺部起伏动作模型的肺音特征分析方法,其特征在于,所述分析方法包括:
基于运动传感器获取肺部起伏状态数据,并根据所述肺部起伏状态数据生成肺部起伏动作模型;
在待检测人员对应肺部位置的皮肤表面上设置若干个所述运动传感器,通过若干个所述运动传感器采集肺部起伏状态数据;
基于声音采集传感器获取肺音初始数据,对所述肺音初始数据进行特征提取,得到初始肺音特征曲线;
在待检测人员对应肺音听诊位置上设置有若干个声音采集传感器,通过若干个所述声音采集传感器采集肺音初始数据;
提取所述肺部起伏动作模型上肺音采集位置的起伏状态数据,根据所述起伏状态数据生成肺部起伏频率曲线;
拟合所述肺部起伏频率曲线与所述初始肺音特征曲线,得到肺音特征频谱曲线。
2.如权利要求1所述的基于肺部起伏动作模型的肺音特征分析方法,其特征在于,所述运动传感器为高灵敏度的振动传感器。
3.如权利要求1所述的基于肺部起伏动作模型的肺音特征分析方法,其特征在于,所述根据所述肺部起伏状态数据生成肺部起伏动作模型包括:
构建空间坐标系,根据若干个所述运动传感器与所述空间坐标系的坐标原点距离在生成若干个所述运动传感器在所述空间坐标系内的投影点;
基于若干个所述投影点形成所述肺部起伏动作模型。
4.如权利要求1所述的基于肺部起伏动作模型的肺音特征分析方法,其特征在于,对所述肺音初始数据依次进行滤波、放大和降噪处理,得到初步处理数据。
5.如权利要求4所述的基于肺部起伏动作模型的肺音特征分析方法,其特征在于,对所述初步处理数据进行特征提取,得到肺音特征信号数据。
6.如权利要求1所述的基于肺部起伏动作模型的肺音特征分析方法,其特征在于,所述提取肺部起伏动作模型上肺音采集位置的起伏状态数据,根据所述起伏状态数据生成肺部起伏频率曲线包括:
在所述肺部起伏动作模型上标记肺音采集位置;
提取所述肺音采集位置上的肺部起伏频率数据,生成若干个起伏频率曲线;
根据对应位置上肺音初始数据的各种肺音特征信号比例拟合肺部起伏频率曲线。
7.如权利要求6所述的基于肺部起伏动作模型的肺音特征分析方法,其特征在于,将若干个所述声音采集传感器对应在所述肺部起伏动作模型上的位置标记为肺音采集位置。
8.如权利要求1所述的基于肺部起伏动作模型的肺音特征分析方法,其特征在于,将所述肺音初始数据进行短时傅里叶变换,分析所述肺音初始数据中各种肺音特征信号的强弱比例。
10.一种基于肺部起伏动作模型的肺音特征分析装置,其特征在于,所述分析装置包括:
模型构建模块:基于运动传感器获取肺部起伏状态数据,并根据所述肺部起伏状态数据生成肺部起伏动作模型;
肺音采集模块:基于声音采集传感器获取肺音初始数据,对所述肺音初始数据进行特征提取,得到初始肺音特征曲线;
模型分析模块:提取所述肺部起伏动作模型上肺音采集位置的起伏状态数据,根据所述起伏状态数据生成肺部起伏频率曲线;
肺音频谱分析模块:拟合所述肺部起伏频率曲线与所述初始肺音特征曲线,得到肺音特征频谱曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210919958.5A CN115429305A (zh) | 2022-08-01 | 2022-08-01 | 基于肺部起伏动作模型的肺音特征分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210919958.5A CN115429305A (zh) | 2022-08-01 | 2022-08-01 | 基于肺部起伏动作模型的肺音特征分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115429305A true CN115429305A (zh) | 2022-12-06 |
Family
ID=84241820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210919958.5A Pending CN115429305A (zh) | 2022-08-01 | 2022-08-01 | 基于肺部起伏动作模型的肺音特征分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115429305A (zh) |
-
2022
- 2022-08-01 CN CN202210919958.5A patent/CN115429305A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1465527B1 (en) | System for analyzing and imaging respiratory tract sounds | |
Islam et al. | Multichannel lung sound analysis for asthma detection | |
US7559903B2 (en) | Breathing sound analysis for detection of sleep apnea/popnea events | |
US20170188868A1 (en) | System and method of identification of the heart valve signals | |
Jin et al. | Adventitious sounds identification and extraction using temporal–spectral dominance-based features | |
KR101619611B1 (ko) | 마이크로폰을 이용한 호흡률 추정 장치 및 기법 | |
Lin et al. | Automatic Wheezing Detection Based on Signal Processing of Spectrogram and Back‐Propagation Neural Network | |
US9826955B2 (en) | Air conduction sensor and a system and a method for monitoring a health condition | |
Liu et al. | Tissue artifact removal from respiratory signals based on empirical mode decomposition | |
Lin et al. | Wheeze recognition based on 2D bilateral filtering of spectrogram | |
CN110970042A (zh) | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 | |
Orović et al. | Time-frequency analysis and Hermite projection method applied to swallowing accelerometry signals | |
US20200060605A1 (en) | Methods and devices using meta-features extracted from accelerometry signals for swallowing impairment detection | |
CN112363139A (zh) | 基于幅度特征的人体呼吸时长检测方法、装置和存储介质 | |
CN113974576B (zh) | 一种基于心磁图的睡眠质量监测系统及监测方法 | |
CN101668486A (zh) | 肺功能区域性评价的方法和系统 | |
Boucheham et al. | Piecewise linear correction of ECG baseline wander: a curve simplification approach | |
Bhatawadekar et al. | A study of artifacts and their removal during forced oscillation of the respiratory system | |
CN115429305A (zh) | 基于肺部起伏动作模型的肺音特征分析方法及装置 | |
Yeginer et al. | Elimination of vesicular sounds from pulmonary crackle waveforms | |
JP2009517120A (ja) | 肺の生理機能の領域評価のための方法及びシステム | |
CA2584258A1 (en) | Breathing sound analysis for estimation of airflow rate | |
Koeipensri et al. | The development of biosignal processing system (BPS-SWU V1. 0) for learning and research in biomedical engineering | |
Ciftci et al. | Respiratory airflow estimation by time varying autoregressive modeling | |
CN114027801B (zh) | 一种睡眠鼾声识别与打鼾抑制方法及系统 |
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 |