CN115624333A - 一种人体电阻抗信号的采集系统及其工作方法 - Google Patents
一种人体电阻抗信号的采集系统及其工作方法 Download PDFInfo
- Publication number
- CN115624333A CN115624333A CN202211204225.XA CN202211204225A CN115624333A CN 115624333 A CN115624333 A CN 115624333A CN 202211204225 A CN202211204225 A CN 202211204225A CN 115624333 A CN115624333 A CN 115624333A
- Authority
- CN
- China
- Prior art keywords
- signal
- electrical impedance
- wavelet
- value
- impedance signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000009466 transformation Effects 0.000 claims abstract description 53
- 230000036541 health Effects 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 81
- 230000006870 function Effects 0.000 claims description 33
- 230000008030 elimination Effects 0.000 claims description 17
- 238000003379 elimination reaction Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 14
- 238000012360 testing method Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 16
- 238000013461 design Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011017 operating method Methods 0.000 description 4
- 230000014616 translation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000003371 toe Anatomy 0.000 description 1
- 238000012549 training 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/251—Means for maintaining electrode contact with the body
- A61B5/256—Wearable electrodes, e.g. having straps or bands
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7445—Display arrangements, e.g. multiple display units
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种所述人体电阻抗信号的采集系统及其工作方法,本发明能够采集人体的电阻抗信号,并在采集后,通过对其进行小波变换以及去噪处理,来去除信号中的噪声,最后,将消噪后的电阻抗信号进行时域和频域特征提取处理,即可得到能够反映人体状况的生理特征数据,从而为人体的健康监测提供辅助依据,由此,本发明能够一次性得出能够反映人体状况的特征数据,相比于传统的健康测试设备,其操作简单便捷,且数据采集效率更高;同时,本发明还可对采集得到的电阻抗信号进行噪声的去除,使得在去噪的同时,保留与原信号很高的相似性,且比原始信号具有更好的光滑性,基于此,可提高特征数据的准确性,从而为健康监测提供更为准确的辅助依据。
Description
技术领域
本发明属于信号采集与处理技术领域,具体涉及一种人体电阻抗信号的采集系统及其工作方法。
背景技术
随着医疗技术的发展,人们越来越关注自身的健康问题,各种各样的人体健康测试设备也随之普及,如血糖仪、血压计等,人们可以方便地使用这些人体健康测试设备进行人体健康测试,来得到人体健康数据,进而根据得到的人体健康数据了解自身的健康状况;但是现有的健康测试设备大多只能检测一种人体生理数据,若要采集得到能够反映人体状态的全部生理数据,则需要进行多次测量,不仅操作比较繁琐,还大大的降低了数据获取效率。
同时,人体在静止状态或活动状态,都会产生与生命状态密切相关的有规律的电现象,称为生物电信号,人体的生物电信号包括静息电位和动作电位,其本质是离子的跨膜流动,其中,人体生物电信号是考量人体生理参数的主要指标,可反映人体的身体状况,在人们生活中发挥着重要的作用;因此,提供一种人体电阻抗信号的采集系统,来获取人体的生物电信号,以解决传统健康测试设备在采集能够反应人体状态的全部生理数据时所存在的操作繁琐以及效率慢的问题,已成为目前研究的一大热点。
发明内容
本发明的目的是提供一种人体电阻抗信号的采集系统及其工作方法,用以解决现有技中的健康测试设备大多只能检测一项生理数据,在采集能够反应人体状态的全部生理数据时所存在的操作繁琐以及效率慢的问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,提供了一种人体电阻抗信号的采集系统,包括:
电阻抗信号采集设备,用于采集目标人体体表的电阻抗信号;
信号处理设备,通信连接所述电阻抗信号采集设备,用于接收所述电阻抗信号采集设备传输的电阻抗信号,并对所述电阻抗信号进行小波变换,得到小波变换信号,以及对所述小波变换信号进行消噪处理,得到去噪小波变换信号;
信号处理设备,还用于对所述去噪小波变换信号进行信号重构处理,得到消噪后的电阻抗信号,以及对所述消噪后的电阻抗信号进行时域分析处理和频域分析处理,以得到电阻抗信号的时域特征和频域特征;
信号处理设备,通信连接医疗工作设备,用于将所述时域特征和所述频域特征发送至所述医疗工作设备,以使所述医疗工作设备在接收到所述时域特征和所述频域特征后,将所述时域特征和所述频域特征进行可视化展示,以便为目标人体的健康监测提供辅助信息。
基于上述公开的内容,本发明所提供的采集系统,在采集到人体体表的电阻抗信号后,能够基于信号处理设备,对采集的电阻抗信号进行小波变换,并对小波变换得到的小波变换信号进行去噪处理,得到去噪小波变换信号,然后,再对去噪小波变换信号进行信号重构,即可得到消噪后的电阻抗信号;前述步骤利用小波变换和去噪处理,可以去除电阻抗信号中的噪声,从而得到较为理想的人体生物电信号,而经过信号重构,可将去噪小波变换信号还原为电阻抗信号,因此,经过前述步骤后,可在去除电阻抗信号中噪声的同时,保留与原信号很高的相似性,同时,还可使经过去噪的电阻抗信号相比于原始信号具有更好的光滑性,从而保证电阻抗信号采集的准确性;最后,本系统对消噪后的电阻抗信号进行时域和频域两方面的特征提取,得到电阻抗信号的时域特征和频域特征,并将前述得到特征发送至医疗工作设备进行可视化展示,从而为目标人体的健康监测提供辅助信息。
通过前述设计,本发明能够采集人体体表的电阻抗信号,并在采集后,通过对其进行小波变换以及去噪处理,来去除信号中的噪声,最后,将消噪后的电阻抗信号进行时域和频域特征提取处理,即可得到能够反映人体状况的生理特征数据,从而为人体的健康监测提供辅助依据,由此,本发明能够一次性得出能够反映人体状况的特征数据,相比于传统的健康测试设备,其操作简单便捷,且数据采集效率更高;同时,本发明还可对采集得到的电阻抗信号进行噪声的去除,使得重构得到的电阻抗信号在去噪的同时,保留与原信号很高的相似性,且比原始信号具有更好的光滑性,基于此,可进一步的提高特征数据的准确性,从而为健康监测提供更为准确的辅助依据。
第二方面,提供了一种第一方面所述的人体电阻抗信号的采集系统的工作方法,该方法应用于信号处理设备,其中,所述方法包括:
接收电阻抗信号采集设备发送的目标人体体表的电阻抗信号,并对所述电阻抗信号进行小波变换,得到小波变换信号;
对所述小波变换信号进行消噪处理,得到去噪小波变换信号,并将所述去噪小波变换信号进行信号重构处理,以得到消噪后的电阻抗信号;
对消噪后的电阻抗信号进行时域分析处理,得到消噪后的电阻抗信号的时域特征,以及对消噪后的电阻抗信号进行频域分析处理,得到消噪后的电阻抗信号的频域特征;
将所述时域特征和所述频域特征发送至医疗工作设备,以使所述医疗工作设备在接收到所述时域特征和所述频域特征后,将所述时域特征和所述频域特征进行可视化展示,以便为目标人体的健康监测提供辅助信息。
在一个可能的设计中,对所述小波变换信号进行消噪处理,得到去噪小波变换信号,包括:
基于所述电阻抗信号,得到所述电阻抗信号的噪声标准偏差;
依据所述噪声标准偏差,确定出消噪阈值;
利用所述消噪阈值,对所述小波变换信号中的各级小波系数进行系数更新,以在系数更新后,得到所述去噪小波变换信号。
在一个可能的设计中,依据噪声标准偏差,确定出消噪阈值,包括:
获取所述电阻抗信号中噪声信号的长度,并计算所述长度的自然对数,得到第一计算值;
计算消噪系数与所述第一计算值之间的乘积,并对乘积进行开平方运算,得到第二计算值;
将所述第二计算值与所述噪声标准偏差相乘,以得到所述消噪阈值。
在一个可能的设计中,利用所述消噪阈值,对所述小波变换信号中的各级小波系数进行系数更新,以在系数更新后,得到所述去噪小波变换信号,包括:
对于所述小波变换信号中的任一小波系数,若所述任一小波系数的绝对值小于所述消噪阈值,则将所述任一小波系数的值更新为0;
若所述任一小波系数大于所述消噪阈值,则计算所述任一小波系数与所述消噪阈值之间的差值,以便将所述任一小波系数的值更新为所述差值;
若所述任一小波系数小于所述消噪阈值的负数,则计算所述任一小波系数与所述消噪阈值之间的总和,以便将所述任一小波系数的值更新为所述总和。
在一个可能的设计中,将所述去噪小波变换信号进行信号重构处理,以得到消噪后的电阻抗信号,包括:
获取对所述电阻抗信号进行小波变换时所使用的小波基函数,并对所述小波基函数进行傅里叶变换,得到变换后的小波基函数;
按照如下公式(1)对所述变换后的小波基函数进行积分处理,得到处理后的小波基函数;
利用所述处理后的小波基函数,并按照如下公式(2),对所述去噪小波变换信号进行逆小波变换,以在变换后,得到消噪后的电阻抗信号;
上述式(2)中,x′(t)表示消噪后的电阻抗信号,μ表示伸缩因子,τ表示平移因子,(Tρx)(μ,τ)表示去噪小波变换信号,ρ表示小波基函数。
在一个可能的设计中,,对所述消噪后的电阻抗信号进行时域分析处理,得到消噪后的电阻抗信号的时域特征,包括:
提取所述消噪后的电阻抗信号的第一信号参数,其中,所述第一信号参数包括消噪后的电阻抗信号的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率以及最大值与最小值之间的差值;
对所述消噪后的电阻抗信号进行一阶差分处理,得到一阶差分信号,并提取所述一阶差分信号的一阶信号参数,其中,所述一阶信号参数包括所述一阶差分信号的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率以及最大值与最小值之间的差值;以及
对所述消噪后的电阻抗信号进行二阶差分处理,得到二阶差分信号,并提取所述二阶差分信号的二阶信号参数,其中,所述二阶信号参数包括所述二阶差分信号的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率以及最大值与最小值之间的差值;
利用所述第一信号参数、所述一阶信号参数以及所述二阶信号参数组成消噪后的电阻抗信号的时域特征。
在一个可能的设计中,对所述消噪后的电阻抗信号进行频域分析处理,得到消噪后的电阻抗信号的频域特征,包括:
对所述消噪后的电阻抗信号进行离散傅里叶变换,得到变换后的电阻抗信号;
提取出所述变换后的电阻抗信号的第二信号参数,以将所述第二信号参数作为所述消噪后的电阻抗信号的频域特征,其中,所述第二信号参数包括所述变换后的电阻抗信号的均值、中值、标准差、最大值、最小值以及最大值与最小值之间的差值。
第三方面,提供了一种电子设备,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第二方面或第二方面中任意一种可能设计的所述人体电阻抗信号的采集系统的工作方法。
第四方面,提供了一种存储介质,所述存储介质上存储有指令,当所述指令在计算机上运行时,执行如第二方面或第二方面中任意一种可能设计的所述人体电阻抗信号的采集系统的工作方法。
第五方面,提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第二方面或第二方面中任意一种可能设计的所述人体电阻抗信号的采集系统的工作方法。
有益效果:
(1)本发明能够采集人体体表的电阻抗信号,并在采集后,通过对其进行小波变换以及去噪处理,来去除信号中的噪声,最后,将消噪后的电阻抗信号进行时域和频域特征提取处理,即可得到能够反映人体状况的生理特征数据,从而为人体的健康监测提供辅助依据,由此,本发明能够一次性得出能够反映人体状况的特征数据,相比于传统的健康测试设备,其操作简单便捷,且数据采集效率更高;同时,本发明还可对采集得到的电阻抗信号进行噪声的去除,使得重构得到的电阻抗信号在去噪的同时,保留与原信号很高的相似性,且比原始信号具有更好的光滑性,基于此,可进一步的提高特征数据的准确性,从而为健康监测提供更为准确的辅助依据。
附图说明
图1为本发明实施例提供的人体电阻抗信号的采集系统的架构示意图;
图2为本发明实施例提供的人体电阻抗信号的采集系统的工作方法的步骤流程示意图;
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
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,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述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他的附图。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种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,单独存在B,同时存在A和B三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
实施例:
参见图1所示,本实施例所提供的人体电阻抗信号的采集系统,可以但不限于包括:电阻抗信号采集设备以及与电阻抗信号采集设备通信连接的信号处理设备,其中,电阻抗信号采集设备,用于采集目标人体体表的电阻抗信号,而信号处理设备则用于对电阻抗信号采集设备采集的电阻抗信号进行噪声的消除、信号的重构以及对重构后信号的特征提取,以便能够得到反映目标人体身体状态的生理特征数据,而后,可将提取出的生理特征数据发送至医疗工作设备,以在医疗工作设备上进行可视化展示,从而为目标人体的健康监测提供辅助信息。
在具体应用时,举例所述电阻抗信号采集设备可以但不限于采用穿戴式信号采集设备,如该穿戴式信号采集设备可以包括腕带、脚踝带以及头带,即在双手、双脚以及头部处进行电阻抗信号的采集,更进一步的,可在前述腕带、脚踝带以及头带上设置相互独立的检测电极和激励电极,从而构成一组电极对,以实现对人体不同部位处电阻抗信号的采集;在本实施例中,该采集设备还可具有相应的信号放大电路以及模数转换电路,以实现对采集的电阻抗信号的放大和模数转换;当然,前述采集设备的部件构成仅为示例,可根据实际使用而设置在人体相应的部位上,如还可在手指、脚趾以及各个穴位等部位处设置相应的电信号采集部件,因此,前述穿戴式信号采集设备的具体部件组成不限定于前述举例。
在采集得到人体体表的电阻抗信号后,电阻抗信号采集设备即可将采集的电阻抗信号传输至信号处理设备,以实现信号的处理,得到能够反映人体身体状态的生理特征数据,其中,信号处理设备对接收到的电阻抗信号进行信号处理如下所示:
信号处理设备,用于接收所述电阻抗信号采集设备传输的电阻抗信号,并对所述电阻抗信号进行小波变换,得到小波变换信号,以及对所述小波变换信号进行消噪处理,得到去噪小波变换信号;具体实施时,由于采集的电阻抗信号多混杂有随机噪声,因此,利用小波变换可实现噪声的去除,其原理是,将电阻抗信号经过小波变换后,可得到多个小波信号,而每个小波信号对应的小波系数则含有重要的信息,由此,即可基于小波变换后得到的小波系数来进行噪声的去除,从而得到较为理想的人体电阻抗信号,其中,进行小波变换以及去噪的过程在下述第二方面中进行详细阐述。
同时,由于信号处理设备是基于小波变换来去除电阻抗信号的噪声,因此,在去噪后,需要将去噪后的小波变换信号还原为电阻抗信号,以便后续对还原得到的电阻抗信号进行特征提取处理,从而得到能够反映目标人体身体状态的生理特征数据;即:信号处理设备,还用于对所述去噪小波变换信号进行信号重构处理,得到消噪后的电阻抗信号,以及对所述消噪后的电阻抗信号进行时域分析处理和频域分析处理,以得到电阻抗信号的时域特征和频域特征;在本实施例中,进行时频域特征处理的原因为:电阻抗信号实质为一种非平稳信号,因此,此种信号的关键性质则是信号的时域和频域性质,由此,本实施例所提供的系统通过在时域和频域两方面上,对其进行特征提取,可得出电阻抗信号的关键信息,而该提取出的关键信息,则是最能反映目标人体身体状态的生理特征数据;当然,信号的重构过程以及时频域特征的提取过程也在下述实施例第二方面中进行详细阐述。
最后,将该提取出的生理特征数据发送至医疗工作设备进行可视化展示,即可为对目标人体的健康监测提供辅助信息;即信号处理设备,通信连接医疗工作设备,用于将所述时域特征和所述频域特征发送至所述医疗工作设备,以使所述医疗工作设备在接收到所述时域特征和所述频域特征后,将所述时域特征和所述频域特征进行可视化展示,以便为目标人体的健康监测提供辅助信息。
另外,在本实施例中,电阻抗信号采集设备、信号处理设备以及医疗工作设备之间可采用蓝牙、无线网络(如WIFI)和/或有限网络来建立通信连接;当然,还可使用其余数据传输方式,在此不限定于前述举例;更进一步的,举例信号处理设备可以但不限于为个人电脑(personal computer,PC)、平板电脑、智能手机或个人数字助理(personal digitalassistant,PDA)等,同理,信号处理设备也可根据实际使用而具体设定,在此不限定于前述举例;另外,医疗工作设备则可以采用各种具备处理器的显示终端。
由此通过前述对人体电阻抗信号的采集系统的详细阐述,本系统可一次性得出能够反映人体状况的特征数据,相比于传统的健康测试设备,其操作简单便捷,且数据采集效率高;同时,本系统还能够利用小波变换来对采集的电阻抗信号进行去噪,由此,可提高输出数据的准确性。
在一个可能的设计中,如图2所示,本实施例第二方面提供实施例第一方面中所述的人体电阻抗信号的采集系统的工作方法,其中,举例该工作方法可以但不限于在信号处理设备侧运行,可以理解的,前述执行主体并不构成对本申请实施例的限定,相应的,本方法的运行步骤可以但不限于如下述步骤S1~S4所示。
S1.接收电阻抗信号采集设备发送的目标人体体表的电阻抗信号,并对所述电阻抗信号进行小波变换,得到小波变换信号;具体应用时,对电阻抗信号进行小波变换,需先选定一小波基函数,然后再在不同的尺度和平移量的情况下,控制小波基函数的平移,从而得到不同尺度和平移情况下的小波信号,可选的,可采用如下公式(3)得到小波变换信号:
上述式(3)中,[(Tρx)(μ,τ)]′表示小波变换信号,μ表示伸缩因子,τ表示平移因子,ρ*表示对小波基函数ρ的共轭运算,x(t)表示电阻抗信号,t表示时间。
由此,基于前述式(3),即可完成对电阻抗信号的小波变换,而后,即可基于小波变换后得到的小波变换信号中各个小波系数,来实现对小波变换信号的去噪,以及对去噪后的小波变换信号的重构,以得到经过小波分解消噪以及重构后的电阻抗信号,其中,前述去噪以及信号重构过程如下述步骤S2所示。
S2.对所述小波变换信号进行消噪处理,得到去噪小波变换信号,并将所述去噪小波变换信号进行信号重构处理,以得到消噪后的电阻抗信号;具体应用时,本实施例是根据小波变换信号中各级小波系数的大小,来实现信号的去噪,其中,去噪过程可以但不限于如下述步骤S21~S23所示。
S21.基于所述电阻抗信号,得到所述电阻抗信号的噪声标准偏差;具体应用时,可利用噪声估计算法来对电阻抗信号进行噪声估计,然后对估计得到的噪声信号,即可进行标准偏差的计算;可选的,举例噪声估计可以但不限于使用递归平均噪声估计算法或最小值追踪噪声估计算法,其中,前述噪声估计算法为噪声估计的常用方法,其原理和过程不再赘述。
在得到电阻抗信号中噪声信号的标准偏差后,即可基于前述得到的噪声标准偏差,来确定出一消噪阈值,而后,就可基于消噪阈值与各级小波系数的大小关系,来进行各级小波系数的调整,从而实现噪声信号的去除,其中,消噪阈值的确定过程如下述步骤S22所示。
S22.依据所述噪声标准偏差,确定出消噪阈值;具体实施时,举例可根据前述步骤S21中对电阻抗信号进行噪声估计得出的估计噪声的长度,来计算消噪阈值,其中,计算过程可以但不限于如步骤A-C所示,其中,步骤A为:获取所述电阻抗信号中噪声信号的长度,并计算所述长度的自然对数,得到第一计算值;步骤B为:计算消噪系数与所述第一计算值之间的乘积,并对乘积进行开平方运算,得到第二计算值;步骤C为:将所述第二计算值与所述噪声标准偏差相乘,以得到所述消噪阈值;具体应用时,可使用下述公式(4)总结前述步骤A-C,如下述所示:
上述式(4)中,R表示消噪阈值,λ噪声标准偏差,δ表示消噪系数,L表示电阻抗信号中噪声信号的长度;可选的,举例消噪系数可以但不限于为2。
基于前述公式(4)得到消噪阈值后,即可基于消噪阈值,来调整小波变换信号中各级小波系数,以便实现小波变换信号中噪声信号的去除,其中,去噪过程如下述步骤S23所示。
S23.利用所述消噪阈值,对所述小波变换信号中的各级小波系数进行系数更新,以在系数更新后,得到所述去噪小波变换信号;具体应用时,对于任一小波系数,则是基于该任一小波系数与消噪阈值之间的大小关系,来实现该任一小波系数的调整,其中,调整过程为:对于所述小波变换信号中的任一小波系数,若所述任一小波系数的绝对值小于所述消噪阈值,则将所述任一小波系数的值更新为0,其中,将任一小波系数的值更新为0,该小波系数对应的信号部分则变为0,因此,相当于将其作为噪声信号,进行了去除;同理,若所述任一小波系数大于所述消噪阈值,则计算所述任一小波系数与所述消噪阈值之间的差值,以便将所述任一小波系数的值更新为所述差值;而若所述任一小波系数小于所述消噪阈值的负数(消噪阈值为2,其负数则为-2),则计算所述任一小波系数与所述消噪阈值之间的总和,以便将所述任一小波系数的值更新为所述总和;由此,采用前述方法,即可将小波变换信号中的各个小波系数进行调整,调整完成后,则可从小波变换信号中剔除小波系数为0对应的信号,从而得到去噪小波变换信号。
在完成小波变换信号中噪声的去除后,则需要将去噪小波变换信号还原为电阻抗信号,以便进行后续的特征提取,其中,去噪小波变换信号的还原过程可以但不限于如下述步骤S24~S26所示。
S24.获取对所述电阻抗信号进行小波变换时所使用的小波基函数,并对所述小波基函数进行傅里叶变换,得到变换后的小波基函数;具体应用时,傅里叶变换为信号处理的常用方法,其过程以及不再赘述。
S25.按照如下公式(1)对所述变换后的小波基函数进行积分处理,得到处理后的小波基函数。
S26.利用所述处理后的小波基函数,并按照如下公式(2),对所述去噪小波变换信号进行逆小波变换,以在变换后,得到消噪后的电阻抗信号。
上述式(2)中,x′(t)表示消噪后的电阻抗信号,μ表示伸缩因子,τ表示平移因子,(Tρx)(μ,τ)表示去噪小波变换信号,ρ表示小波基函数。
由此通过前述公式(1)和公式(2),即可完成对去噪小波变换信号的逆小波变换(也就是信号重构),从而得到经过小波分解消噪和重构后的电阻抗信号(即消噪后的电阻抗信号),此时,重构得到的电阻抗信号相比于原始的电阻抗信号,所含有的噪声信号大幅降低,同时还保留了与原始电阻抗信号的高相似度,另外,相比于原始电阻抗信号,重构得到的电阻抗信号的光滑性也得到了大幅提高;由此,即可得到较为理想的人体体表的电阻抗信号,从而为后续特征提取提供更为精确的数据基础,以确定提取出的特征数据为最准确的人体生理特征数据,其中,重构后的电阻抗信号的特征提取过程如下述步骤S3所示。
S3.对消噪后的电阻抗信号进行时域分析处理,得到消噪后的电阻抗信号的时域特征,以及对消噪后的电阻抗信号进行频域分析处理,得到消噪后的电阻抗信号的频域特征;具体应用时,由于在前述实施例第一方面中就已阐述,电阻抗信号为非平稳信号,因此,其时域和频域信息,为信号的关键信息,因此,本实施例从时域和频域两方面来进行特征提取,则可得到最能够反应目标人体的身体状况的生理特征数据;可选的,时域特征提取处理可以但不限于如下述步骤S31~S34所述。
S31.提取所述消噪后的电阻抗信号的第一信号参数,其中,所述第一信号参数包括消噪后的电阻抗信号的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率以及最大值与最小值之间的差值;具体应用时,其中,消噪后的电阻抗信号的均值则是每个时间点对应的信号幅值的总和除以时间点总个数;中值则是按照时间顺序,将每个时间点对应的的幅值进行排序,然后按照中值计算公式来得出信号的中值;同理,最大值和最小值各个时间点对应幅值中的最大值和最小值,而最小值比率等于最小值除以时间点个数,最大值比率则等于最大值除以时间点个数。
同时,本实施例还需对消噪后的电阻抗信号分别进行一阶差分处理和二阶差分处理,得到一阶差分信号以及二阶差分信号,而后,在一阶差分信号和二阶差分信号中,提取前述相同的信号参数,由此,可提高消噪后的电阻抗信号在时域下特征提取的丰富度,其中,一阶差分和二阶差分的处理,以及各自对应信号参数提取过程如下述步骤S32和步骤S33所示。
S32.对所述消噪后的电阻抗信号进行一阶差分处理,得到一阶差分信号,并提取所述一阶差分信号的一阶信号参数,其中,所述一阶信号参数包括所述一阶差分信号的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率以及最大值与最小值之间的差值。
S33.对所述消噪后的电阻抗信号进行二阶差分处理,得到二阶差分信号,并提取所述二阶差分信号的二阶信号参数,其中,所述二阶信号参数包括所述二阶差分信号的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率以及最大值与最小值之间的差值。
在本实施例中,一阶差分信号和二阶差分信号中各个信号参数的计算原理与前述原始信号参数的计算原理相同,于此不再赘述;同时,一阶差分和二阶差分处理为信号处理的常用方法,其原理和过程不再赘述。
在得到原始信号参数、一阶差分信号的信号参数以及二阶差分信号的信号参数后,即可利用前述三组信号参数来组成消噪后的电阻抗信号的时域特征,如下述步骤S34所示。
S34.利用所述第一信号参数、所述一阶信号参数以及所述二阶信号参数组成消噪后的电阻抗信号的时域特征;具体应用时,每种信号参数分别具有8种特征数据,因此,时域特征则共计具有24个特征数据。
在得到消噪后的电阻抗信号的时域特征后,即可进行频域特征的提取,其中,提取过程可以但不限于如下述步骤S35和步骤S36所示。
S35.对所述消噪后的电阻抗信号进行离散傅里叶变换,得到变换后的电阻抗信号;具体应用时,离散傅里叶变换为信号处理的常用方法,其过程和原理不再赘述。
S36.提取出所述变换后的电阻抗信号的第二信号参数,以将所述第二信号参数作为所述消噪后的电阻抗信号的频域特征,其中,所述第二信号参数包括所述变换后的电阻抗信号的均值、中值、标准差、最大值、最小值以及最大值与最小值之间的差值;在本实施例中,经过离散傅里叶变换后的电阻抗信号包括多个离散样本,由此,前述各个均值、中值、标准差等,则是所有离散样本的均值、中值、标准差、最大值、最小值以及最大值与最小值之间的差值,当然,计算原理与前述步骤S31一致,于此不再赘述。
由此,通过前述步骤S31~S36,即可得到消噪后的电阻抗信号的时域特征和频域特征,而前述两种特征则组成了目标人体的生理特征数据;而后,将前述生理特征数据发送至医疗工作设备进行可视化显示,即可为目标人体的健康监测提供辅助依据,如下述步骤S4所示。
S4.将所述时域特征和所述频域特征发送至医疗工作设备,以使所述医疗工作设备在接收到所述时域特征和所述频域特征后,将所述时域特征和所述频域特征进行可视化展示,以便为目标人体的健康监测提供辅助信息;具体应用时,将前述时域特征和所述频域特征进行可视化显示,则可为医护人员对目标人体的健康监测提供数据依据,而医护人员则可根据前述特征数据,来进行目标人体的健康监测。
另外,在本实施例中,信号处理设备中或医疗工作设备中还可预置训练后的神经网络模型,而后,则可将前述时域特征和频域特征输入至该训练后的神经网络模型中,从而得到目标人体的健康监测结果,其中,举例健康监测结果可以但不限于包括健康、亚健康或不健康;具体的,该训练后的神经网络模型是以海量样本人体电阻抗信号的时域特征和频域特征为输入,每个样本人体的健康监测结果为输出而训练得到的。
本实施例提供的方法的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
如图3所示,本实施例第三方面提供了一种电子设备,包括:依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如实施例第二方面所述的人体电阻抗信号的采集系统的工作方法。
具体举例的,所述存储器可以但不限于包括随机存取存储器(random accessmemory,RAM)、只读存储器(Read Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First In Last Out,FILO)等等;具体地,处理器可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现,同时,处理器也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在一些实施例中,处理器可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制,例如,所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction setcomputer,RISC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units,NPU)的处理器;所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service,GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议,ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外,所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的电子设备的工作过程、工作细节和技术效果,可以参见实施例第一方面和第二方面,于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第二方面所述的人体电阻抗信号的采集系统的工作方法的指令的存储介质,即所述存储介质上存储有指令,当所述指令在计算机上运行时,执行如第二方面所述的人体电阻抗信号的采集系统的工作方法。
其中,所述存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的存储介质的工作过程、工作细节和技术效果,可以参见实施例第二方面,于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如实施例第二方面所述的人体电阻抗信号的采集系统的工作方法,其中,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种人体电阻抗信号的采集系统,其特征在于,包括:
电阻抗信号采集设备,用于采集目标人体体表的电阻抗信号;
信号处理设备,通信连接所述电阻抗信号采集设备,用于接收所述电阻抗信号采集设备传输的电阻抗信号,并对所述电阻抗信号进行小波变换,得到小波变换信号,以及对所述小波变换信号进行消噪处理,得到去噪小波变换信号;
信号处理设备,还用于对所述去噪小波变换信号进行信号重构处理,得到消噪后的电阻抗信号,以及对所述消噪后的电阻抗信号进行时域分析处理和频域分析处理,以得到电阻抗信号的时域特征和频域特征;
信号处理设备,通信连接医疗工作设备,用于将所述时域特征和所述频域特征发送至所述医疗工作设备,以使所述医疗工作设备在接收到所述时域特征和所述频域特征后,将所述时域特征和所述频域特征进行可视化展示,以便为目标人体的健康监测提供辅助信息。
2.一种权利要求1所述的人体电阻抗信号的采集系统的工作方法,其特征在于,应用于信号处理设备,其中,所述方法包括:
接收电阻抗信号采集设备发送的目标人体体表的电阻抗信号,并对所述电阻抗信号进行小波变换,得到小波变换信号;
对所述小波变换信号进行消噪处理,得到去噪小波变换信号,并将所述去噪小波变换信号进行信号重构处理,以得到消噪后的电阻抗信号;
对消噪后的电阻抗信号进行时域分析处理,得到消噪后的电阻抗信号的时域特征,以及对消噪后的电阻抗信号进行频域分析处理,得到消噪后的电阻抗信号的频域特征;
将所述时域特征和所述频域特征发送至医疗工作设备,以使所述医疗工作设备在接收到所述时域特征和所述频域特征后,将所述时域特征和所述频域特征进行可视化展示,以便为目标人体的健康监测提供辅助信息。
3.根据权利要求2所述的方法,其特征在于,对所述小波变换信号进行消噪处理,得到去噪小波变换信号,包括:
基于所述电阻抗信号,得到所述电阻抗信号的噪声标准偏差;
依据所述噪声标准偏差,确定出消噪阈值;
利用所述消噪阈值,对所述小波变换信号中的各级小波系数进行系数更新,以在系数更新后,得到所述去噪小波变换信号。
4.根据权利要求3所述的方法,其特征在于,依据噪声标准偏差,确定出消噪阈值,包括:
获取所述电阻抗信号中噪声信号的长度,并计算所述长度的自然对数,得到第一计算值;
计算消噪系数与所述第一计算值之间的乘积,并对乘积进行开平方运算,得到第二计算值;
将所述第二计算值与所述噪声标准偏差相乘,以得到所述消噪阈值。
5.根据权利要求3所述的方法,其特征在于,利用所述消噪阈值,对所述小波变换信号中的各级小波系数进行系数更新,以在系数更新后,得到所述去噪小波变换信号,包括:
对于所述小波变换信号中的任一小波系数,若所述任一小波系数的绝对值小于所述消噪阈值,则将所述任一小波系数的值更新为0;
若所述任一小波系数大于所述消噪阈值,则计算所述任一小波系数与所述消噪阈值之间的差值,以便将所述任一小波系数的值更新为所述差值;
若所述任一小波系数小于所述消噪阈值的负数,则计算所述任一小波系数与所述消噪阈值之间的总和,以便将所述任一小波系数的值更新为所述总和。
6.根据权利要求2所述的方法,其特征在于,将所述去噪小波变换信号进行信号重构处理,以得到消噪后的电阻抗信号,包括:
获取对所述电阻抗信号进行小波变换时所使用的小波基函数,并对所述小波基函数进行傅里叶变换,得到变换后的小波基函数;
按照如下公式(1)对所述变换后的小波基函数进行积分处理,得到处理后的小波基函数;
利用所述处理后的小波基函数,并按照如下公式(2),对所述去噪小波变换信号进行逆小波变换,以在变换后,得到消噪后的电阻抗信号;
上述式(2)中,x′(t)表示消噪后的电阻抗信号,μ表示伸缩因子,τ表示平移因子,(Tρx)(μ,τ)表示去噪小波变换信号,ρ表示小波基函数。
7.根据权利要求2所述的方法,其特征在于,对所述消噪后的电阻抗信号进行时域分析处理,得到消噪后的电阻抗信号的时域特征,包括:
提取所述消噪后的电阻抗信号的第一信号参数,其中,所述第一信号参数包括消噪后的电阻抗信号的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率以及最大值与最小值之间的差值;
对所述消噪后的电阻抗信号进行一阶差分处理,得到一阶差分信号,并提取所述一阶差分信号的一阶信号参数,其中,所述一阶信号参数包括所述一阶差分信号的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率以及最大值与最小值之间的差值;以及
对所述消噪后的电阻抗信号进行二阶差分处理,得到二阶差分信号,并提取所述二阶差分信号的二阶信号参数,其中,所述二阶信号参数包括所述二阶差分信号的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率以及最大值与最小值之间的差值;
利用所述第一信号参数、所述一阶信号参数以及所述二阶信号参数组成消噪后的电阻抗信号的时域特征。
8.根据权利要求2所述的方法,其特征在于,对所述消噪后的电阻抗信号进行频域分析处理,得到消噪后的电阻抗信号的频域特征,包括:
对所述消噪后的电阻抗信号进行离散傅里叶变换,得到变换后的电阻抗信号;
提取出所述变换后的电阻抗信号的第二信号参数,以将所述第二信号参数作为所述消噪后的电阻抗信号的频域特征,其中,所述第二信号参数包括所述变换后的电阻抗信号的均值、中值、标准差、最大值、最小值以及最大值与最小值之间的差值。
9.一种电子设备,其特征在于,包括:依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求2~8任意一项所述的人体电阻抗信号的采集系统的工作方法。
10.一种存储介质,其特征在于,所述存储介质上存储有指令,当所述指令在计算机上运行时,执行如权利要求2~8任意一项所述的人体电阻抗信号的采集系统的工作方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204225.XA CN115624333B (zh) | 2022-09-29 | 2022-09-29 | 一种人体电阻抗信号的采集系统及其工作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204225.XA CN115624333B (zh) | 2022-09-29 | 2022-09-29 | 一种人体电阻抗信号的采集系统及其工作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115624333A true CN115624333A (zh) | 2023-01-20 |
CN115624333B CN115624333B (zh) | 2024-03-15 |
Family
ID=84904634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211204225.XA Active CN115624333B (zh) | 2022-09-29 | 2022-09-29 | 一种人体电阻抗信号的采集系统及其工作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115624333B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070021673A1 (en) * | 2004-01-27 | 2007-01-25 | Cardiometer Ltd. | Method and system for cardiovascular system diagnosis |
CN104545912A (zh) * | 2015-01-31 | 2015-04-29 | 中山大学 | 一种心肺阻抗的测量方法及装置 |
CN108158573A (zh) * | 2017-12-26 | 2018-06-15 | 智慧康源(厦门)科技有限公司 | 基于自适应阈值小波变换的心电信号降噪方法 |
US20210000351A1 (en) * | 2017-11-24 | 2021-01-07 | Smartcardia Sa | Monitoring device for monitoring of vital signs |
CN113598728A (zh) * | 2021-08-31 | 2021-11-05 | 嘉兴温芯智能科技有限公司 | 生理信号的降噪方法、监测方法、监测装置及可穿戴设备 |
CN114886406A (zh) * | 2022-07-13 | 2022-08-12 | 慕思健康睡眠股份有限公司 | 一种健康状态监测方法、装置、隔离件和存储介质 |
-
2022
- 2022-09-29 CN CN202211204225.XA patent/CN115624333B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070021673A1 (en) * | 2004-01-27 | 2007-01-25 | Cardiometer Ltd. | Method and system for cardiovascular system diagnosis |
CN104545912A (zh) * | 2015-01-31 | 2015-04-29 | 中山大学 | 一种心肺阻抗的测量方法及装置 |
US20210000351A1 (en) * | 2017-11-24 | 2021-01-07 | Smartcardia Sa | Monitoring device for monitoring of vital signs |
CN108158573A (zh) * | 2017-12-26 | 2018-06-15 | 智慧康源(厦门)科技有限公司 | 基于自适应阈值小波变换的心电信号降噪方法 |
CN113598728A (zh) * | 2021-08-31 | 2021-11-05 | 嘉兴温芯智能科技有限公司 | 生理信号的降噪方法、监测方法、监测装置及可穿戴设备 |
CN114886406A (zh) * | 2022-07-13 | 2022-08-12 | 慕思健康睡眠股份有限公司 | 一种健康状态监测方法、装置、隔离件和存储介质 |
Non-Patent Citations (2)
Title |
---|
李章勇 等: "基于小波变换和似然无偏估计的胃阻抗信号处理研究", 医疗卫生装备, vol. 29, no. 05, pages 6 - 7 * |
李章勇;王美霞;: "基于小波变换和似然无偏估计的胃阻抗信号处理研究", 医疗卫生装备, vol. 29, no. 05, 15 May 2008 (2008-05-15), pages 6 - 7 * |
Also Published As
Publication number | Publication date |
---|---|
CN115624333B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Multiple functional ECG signal is processing for wearable applications of long-term cardiac monitoring | |
Pant et al. | Compressive sensing of electrocardiogram signals by promoting sparsity on the second-order difference and by using dictionary learning | |
CN110353649B (zh) | 一种心率检测方法 | |
CN103870694A (zh) | 一种基于修正小波阈值的经验模态分解去噪方法 | |
Cuomo et al. | A novel O (n) numerical scheme for ECG signal denoising | |
CN105147252A (zh) | 心脏疾病识别及评估方法 | |
CN112580486A (zh) | 一种基于雷达微多普勒信号分离的人体行为分类方法 | |
CN113116321A (zh) | 基于pso-grnn神经网络的无创连续血压测量系统 | |
CN111370120A (zh) | 一种基于心音信号的心脏舒张功能障碍的检测方法 | |
Elbuni et al. | ECG parameter extraction algorithm using (DWTAE) algorithm | |
US20100317934A1 (en) | Health monitoring device and human electric signal processing method | |
Ma et al. | A multichannel nonlinear adaptive noise canceller based on generalized FLANN for fetal ECG extraction | |
CN116687409B (zh) | 一种基于数字孪生和深度学习的情绪识别方法及系统 | |
Vasudeva et al. | Efficient implementation of LMS adaptive filter‐based FECG extraction on an FPGA | |
CN115624333B (zh) | 一种人体电阻抗信号的采集系统及其工作方法 | |
Bhowmick et al. | Iot assisted real time ppg monitoring system for health care application | |
Huang et al. | Sub-Nyquist sampling of ECG signals with differentiated VPW optimization model | |
CN115553784A (zh) | 基于心电、心音信号耦合分析的冠心病评估方法及系统 | |
CN115329800A (zh) | 一种基于解耦训练的卷积神经网络活动识别方法 | |
Zhong et al. | Non-invasive fetal electrocardiography denoising using deep convolutional encoder-decoder networks | |
Sheu et al. | Lightweight denoising autoencoder design for noise removal in electrocardiography | |
Holmes et al. | Efficient implementation of Stockwell Transform for real-time embedded processing of physiologic signals | |
Kapoor et al. | Genetic particle filter improved fuzzy-AEEMD for ECG signal de-noising | |
Zan et al. | Research of rectal dynamic function diagnosis based on FastICA‐STFT | |
CN113827253A (zh) | 计算设备和从脑电信号中去除噪声的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |