CN115886744A - 一种运动脉搏波去噪方法及装置 - Google Patents

一种运动脉搏波去噪方法及装置 Download PDF

Info

Publication number
CN115886744A
CN115886744A CN202211398274.1A CN202211398274A CN115886744A CN 115886744 A CN115886744 A CN 115886744A CN 202211398274 A CN202211398274 A CN 202211398274A CN 115886744 A CN115886744 A CN 115886744A
Authority
CN
China
Prior art keywords
correlation coefficient
axis
sensor
axis accelerometer
factor
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
Application number
CN202211398274.1A
Other languages
English (en)
Inventor
俞晓峰
张通
张海威
杨小牛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huangpu Institute of Materials
Original Assignee
Huangpu Institute of Materials
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huangpu Institute of Materials filed Critical Huangpu Institute of Materials
Priority to CN202211398274.1A priority Critical patent/CN115886744A/zh
Publication of CN115886744A publication Critical patent/CN115886744A/zh
Priority to PCT/CN2023/105832 priority patent/WO2024098819A1/zh
Pending legal-status Critical Current

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
    • 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
    • A61B5/02—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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明设计一种运动脉搏波去噪方法及装置，包括以下步骤：获取当前采集的传感器信号、N轴加速度计信号，并分别计算所述传感器信号与各轴加速度计信号之间的相关系数为第一相关系数；其中，N为正整数；根据各相关系数和各步长因子的曲线拟合的关系式，获得最优步长因子为第一最优步长因子；根据所述第一最优步长因子和预设自适应滤波算法，对所述传感器信号进行滤波处理，获得去噪后的脉搏波信号。本发明能够通过曲线拟合得到的关系式，准确描述相关系数和步长因子之间的关系，在不同的运动场景中，都能够通过关系式准确找到最优步长因子，从而提高去噪的精度。

Description

一种运动脉搏波去噪方法及装置
技术领域
本发明涉及数字信号处理技术领域，尤其涉及一种运动脉搏波去噪方法及装置。
背景技术
自适应滤波是进行脉搏波去噪获取心率时常用的滤波方法，包含一个参数可调数字滤波器(Adaptive filter)、自适应滤波算法(Adaptive Algorithm)，输入信号通过参数可调数字滤波器产生输出信号，将期望信号与进行比较，得到误差信号，为了使误差信号尽可能小，需要经过若干次循环调整滤波过程。采用不同的自适应滤波算法对滤波结果会产生差异，常见的自适应滤波算法包括：最小均方滤波算法(Least Mean Square,LMS)、递推最小二乘法滤波算法(Recursive Least Square,RLS)、归一化最小均方自适应滤波算法(Normalized Least Mean Square,NLMS)，常用的LMS算法迭代过程包括：
计算由输入信号通过参数可调数字滤波器产生的输出信号，y(n)＝wT(n)x(n)；
计算误差信号,e(n)＝d(n)-y(n)；
更新下一时刻的自适应线性组合器的权矢量，w(n+1)＝w(n)+2μe(n)x(n)；
其中，x(n)是输入信号，d(n)和y(n)分别是期望信号和输出信号，e(n)是误差信号，w(n)和w(n+1)分别是本时刻和下一时刻的自适应线性组合器的权矢量，μ是步长因子，LMS算法的收敛条件是获得均方误差最小(即期望信号和滤波器的输出信号的误差无限缩小)。
初始收敛速度、时变系统跟踪能力及稳态失调是衡量自适应滤波算法优劣的三个最重要的技术指标。由于信号输入端不可避免地存在干扰噪声，自适应滤波算法将产生参数失调噪声，干扰噪声越大，则引起的失调噪声就越大。减小步长因子可减小自适应滤波算法的参数失调噪声，提高算法的收敛精度。然而，步长因子的减小将降低算法的收敛速度和跟踪速度。因此，固定步长因子的自适应滤波算法在收敛速度、时变系统跟踪速度与收敛精度方面对算法调整步长因子的要求是相互矛盾的。
因此，可通过设置合适的步长因子来提高滤波器的稳定性。现有技术通常会采用固定步长的值进行自适应滤波去除运动伪迹，然而，在运动测试的场景中，不同运动状态下(行走，跑步，球类等)以及不同运动强度下获得的传感器信号中所包含的脉搏波信号成分和运动噪声成分比例有所差异，因此，采用自适应滤波时，所选的步长因子也需要根据实际情况调节。现有专利CN108652609A(一种心率获取方法、系统及可穿戴式设备)，建立了各运动信号的量级、运动状态与步长因子的量级之间的关系，给定了包括：跑步、骑行、行走状态下步长因子取值区间。
但是，现有技术所考虑的运动状态有限，不能自适应不同的运动场景；每更换一次运动场景或者运动强度，都需手动设置步长因子的取值；并且，所设置的步长因子的范围较大，在实际中无法给出准确的参考；此外，由不同类型的加速度计芯片在相同环境下获得的信号强度也可能带来步长因子的数值差异。
发明内容
本发明实施例的提供了一种运动脉搏波去噪方法及装置，采用建立最优步长因子的关系式对步长因子进行预处理，能够自适应不同的运动场景，实时对步长因子进行调整。
第一方面，本发明实施例提供了一种运动脉搏波去噪方法，所述方法包括：
获取当前采集的传感器信号、N轴加速度计信号，并分别计算所述传感器信号与各轴加速度计信号之间的相关系数为第一相关系数；其中，N为正整数；
根据各相关系数和各步长因子的曲线拟合的关系式，获得最优步长因子为第一最优步长因子；
根据所述第一最优步长因子和预设自适应滤波算法，对所述传感器信号进行滤波处理，获得去噪后的脉搏波信号。
本发明通过拟合最优步长因子的关系式，对步长因子进行预处理，可对实时获得的传感器信号和N轴加速度计信号计算相关系数，根据拟合好的关系式，可得到对应运动场景下的更加精准最优步长因子，而无需手动修改步长因子，能够使滤波后的频谱数据更加准确和可靠，从而提高获取运动心率值的准确度和可信度。
进一步，所述根据各相关系数和步长因子的拟合曲线，获得最优步长因子为第一最优步长因子，包括：
采集M组不同运动场景下的传感器信号和N轴加速度计信号；其中，M为正整数；
计算每组传感器信号和N轴加速度计信号的相关系数为第二相关系数；
根据所述预设自适应滤波算法，分别调节M组的步长因子，选取滤波后波形振幅最高、周期最明显的步长因子为当前运动场景下的第二最优步长因子，得到对应M组步长因子；
对M组第二相关系数和所述第二最优步长因子进行曲线拟合，得到关系式；
根据所述第一相关系数和所述关系式，获得第一最优步长因子。
本发明通过计算不同场景下的传感器信号和N轴加速度计信号的相关系数，来描述传感器信号中运动强度及脉搏波/运动伪迹的占比，通过加速度计的信号来反映运动伪迹的信息，相关系数越大，则表明运动强度越大，传感器信号中的运动干扰越大，则需要更大的步长因子来进行去噪，能够更加简单方便的反映出步长因子的取值，通过曲线拟合得到关系式，准确描述相关系数和步长因子之间的关系，在不同的相关系数下，即在不同的运动场景中，都能够通过关系式准确找到最优步长因子，从而提高去噪的精度。
进一步，所述计算每组传感器信号和N轴加速度计信号的相关系数为第二相关系数，包括：
提取相同时间段、相同长度的传感器信号的数据和N轴加速度计数据，分别计算传感器信号的数据与N轴加速度计的每一轴数据的相关系数，得到N组相关系数为所述第二相关系数。
优选地，所述关系式具体为：
Figure BDA0003934606710000041
或者
Figure BDA0003934606710000042
其中，
Figure BDA0003934606710000043
是当前运动场景下的相关系数，μ*是当前运动场景下的最优步长因子，abs(·)和exp(·)分别为取绝对值和取自然常数e为底的指数函数操作。
优选地，所述相关关系的具体计算公式为皮尔森相关系数计算公式：
Figure BDA0003934606710000044
其中，pwi和acci(j)分别是传感器的第i条信号数据和N轴加速度计的第j轴上的第i条信号数据，1≤j≤N；
Figure BDA0003934606710000045
和
Figure BDA0003934606710000046
分别是传感器的信号数据的均值和N轴加速度计的第j轴上的信号数据的均值；L是提取传感器信号数据和N轴加速度计信号数据的长度；a(j)是传感器信号和N轴加速度计的第j轴上的信号数据的相关系数；或者，
使用斯皮尔曼相关公式计算：
Figure BDA0003934606710000047
其中，
Figure BDA0003934606710000048
为传感器的第i条信号数据和N轴传感器的第j(1≤j≤N)轴上的第i条信号数据的等级差。
本发明通过皮尔森相关系数计算方法或者斯皮尔曼相关系数计算方法来计算，并用相关系数的平均值的绝对值来反映传感器信号和加速度计信号的相关性强弱，相关系数的平均值的绝对值越大，则相关性越强，能够更加准确的描述传感器信号和加速度计信号的相关关系，得到可信的相关系数，能够对不同运动场景下的曲线拟合更具科学性和可靠性，从而提高自适应滤波的去噪能力。
第二方面，本发明实施例提供了一种运动脉搏波去噪装置，所述装置包括：
第一相关系数计算模块，用于获取当前采集的传感器信号、N轴加速度计信号，并分别计算所述传感器信号与各轴加速度计信号之间的相关系数为第一相关系数；其中，N为正整数；
第一最优步长因子计算模块，用于根据各相关系数和各步长因子的曲线拟合的关系式，获得最优步长因子为第一最优步长因子；
脉搏波信号去噪模块，用于根据所述第一最优步长因子和预设自适应滤波算法，对所述传感器信号进行滤波处理，获得去噪后的脉搏波信号。
进一步，所述第一最优步长因子计算模块具体为：
采集M组不同运动场景下的传感器信号和N轴加速度计信号；其中，M为正整数；
计算每组传感器信号和N轴加速度计信号的相关系数为第二相关系数；
根据所述预设自适应滤波算法，分别调节M组的步长因子，选取滤波后波形振幅最高、周期最明显的步长因子为当前运动场景下的第二最优步长因子，得到对应M组步长因子；
对M组第二相关系数和所述第二最优步长因子进行曲线拟合，得到关系式；
根据所述第一相关系数和所述关系式，获得第一最优步长因子。
进一步，所述计算每组传感器信号和N轴加速度计信号的相关系数为第二相关系数，包括：
提取相同时间段、相同长度的传感器信号的数据和N轴加速度计数据，分别计算传感器信号的数据与N轴加速度计的每一轴数据的相关系数，得到N组相关系数为所述第二相关系数。
优选地，所述关系式具体为：
Figure BDA0003934606710000051
或者
Figure BDA0003934606710000052
其中，
Figure BDA0003934606710000053
是当前运动场景下的相关系数，μ*是当前运动场景下的最优步长因子，abs(·)和exp(·)分别为取绝对值和取自然常数e为底的指数函数操作。
优选地，所述相关系数的具体计算公式为皮尔森相关系数计算公式：
Figure BDA0003934606710000054
其中，pwi和acci()分别是传感器的第i条信号数据和N轴加速度计的第j轴上的第i条信号数据，1≤j≤N；
Figure BDA0003934606710000061
和
Figure BDA0003934606710000062
分别是传感器的信号数据的均值和N轴加速度计的第j轴上的信号数据的均值；L是提取传感器信号数据和N轴加速度计信号数据的长度；a(j)是传感器信号和N轴加速度计的第j轴上的信号数据的相关系数；或者，
使用斯皮尔曼相关公式计算：
Figure BDA0003934606710000063
其中，
Figure BDA0003934606710000064
为传感器的第i条信号数据和N轴加速度计的第j轴上的第i条信号数据的等级差。
本发明通过第一相关系数计算模块、第一最优步长因子计算模块和脉搏波信号去噪模块，计算当前运动场景下的相关系数获得最优步长因子，进而根据预设的自适应滤波算法对传感器信号进行去噪，得到噪声影响更小的脉搏波信号，无需根据不同的运动场景进行手动修改步长因子，通过拟合好的曲线得到相关系数与步长因子的关系式，能够获得更加精确的步长因子，能够适应不同的运动种类、运动强度，从而能够提高自适应滤波算法去噪的能力。
附图说明
图1是本发明实施例提供的一种运动脉搏波去噪方法的流程示意图；
图2是本发明实施例提供的一种运动脉搏波去噪方法的曲线拟合的流程示意图；
图3是本发明实施例提供的一种运动脉搏波去噪方法的曲线拟合的示意图；
图4是本发明实施例提供的一种运动脉搏波去噪方法的流程示意图；
图5是本发明实施例提供的一种运动脉搏波去噪前及去噪后的对比示意图；
图6是本发明实施例提供的一种运动脉搏波去噪后不同运动场景下的心率值示意图；
图7是本发明实施例提供的一种运动脉搏波去噪装置的结构示意图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明实施例提供的一种运动脉搏波去噪方法，包括步骤S101～S103，具体为：
步骤S101、获取当前采集的传感器信号、N轴加速度计信号，并分别计算所述传感器信号与各轴加速度计信号之间的相关系数为第一相关系数；其中，N为正整数。
在一个可选的实施方式中，获取到当前采集的传感器信号、N轴加速度计信号后，计算的所述第一相关系数可以为所述传感器信号与各轴加速度计信号之间的相关系数的均值，也可以为各轴加速度计信号的均值与所述传感器信号的相关系数，在此不做限定；此外，所述N轴加速度计不限于3轴加速度计、6轴加速度计。
步骤S102、根据各相关系数和各步长因子的曲线拟合的关系式，获得最优步长因子为第一最优步长因子。
具体地参见图2，是本发明实施例提供的一种运动脉搏波去噪方法的曲线拟合的流程示意图，包括步骤S21～步骤S24，具体如下：
步骤S21、采集M组不同运动场景下的传感器信号和N轴加速度计信号；其中，M为正整数。
步骤S22、计算每组传感器信号和N轴加速度计信号的相关系数为第二相关系数。
具体为，提取相同时间段、相同长度的传感器信号的数据和N轴加速度计数据，分别计算传感器信号的数据与N轴加速度计的每一轴数据的相关系数，得到N组相关系数为所述第二相关系数。
值得说明的是，计算的每组第二相关系数可以为所述传感器信号与各轴加速度计信号之间的相关系数的均值，也可以为各轴加速度计信号的均值与所述传感器信号的相关系数，在此不做限定。
步骤S23、根据所述预设自适应滤波算法，分别调节M组的步长因子，选取滤波后波形振幅最高、周期最明显的步长因子为当前运动场景下的第二最优步长因子，得到对应M组步长因子。
其中，所述预设自适应滤波算法可以为LMS算法、RLS算法或者NLMS算法，在此不做限定，作为示例，选取LMS算法为预设自适应滤波算法。分别调节在M组相关系数下LMS算法的步长因子，对步长因子进行若干次调试，选择滤波后波形振幅最高、周期最明显的步长因子为当前运动场景下的最优步长因子。
值得说明的是，由于相关系数能够反映运动强度及脉搏波/运动伪迹在采集的信号数据中的占比，而加速度计的信号数据反映了运动伪迹的信息，传感器的信号数据是运动伪迹和脉搏波信号的叠加，相关系数越大，表明当前运动强度越大，传感器的信号数据中的运动干扰越大，在自适应滤波器中需要设置更大的步长因子进行去噪；反之，相关系数较小，则传感器的信号数据中的运动干扰越小运动强度较低，采用小的步长因子可以获得更准确的脉搏波信号。
步骤S24、对M组第二相关系数和所述第二最优步长因子进行曲线拟合，得到关系式。
其中，根据各相关系数和各步长因子的拟合曲线得到的关系式、所述第一相关系数，获得第一最优步长因子。
优选地，根据拟合的曲线，所述关系式为：
Figure BDA0003934606710000081
或者通过线性拟合：
Figure BDA0003934606710000082
其中，
Figure BDA0003934606710000083
是当前运动场景下的相关系数，μ*是当前运动场景下的最优步长因子，abs(·)和exp(·)分别为取绝对值和取自然常数e为底的指数函数操作。参见图3，是本发明实施例提供的一种运动脉搏波去噪方法的曲线拟合的示意图。
优选地，所述相关系数的具体计算公式为皮尔森相关系数计算公式：
Figure BDA0003934606710000091
其中，pwi和acci()分别是传感器的第i条信号数据和N轴加速度计的第j轴上的第i条信号数据，1≤j≤N；
Figure BDA0003934606710000092
和
Figure BDA0003934606710000093
分别是传感器的信号数据的均值和N轴加速度计的第j轴上的信号数据的均值；L是提取传感器信号数据和N轴加速度计信号数据的长度；a(j)是传感器信号和N轴加速度计的第j轴上的信号数据的相关系数；或者，
使用斯皮尔曼相关公式计算：
Figure BDA0003934606710000094
其中，
Figure BDA0003934606710000095
为传感器的第i条信号数据和N轴加速度计的第j轴上的第i条信号数据的等级差。
值得说明的是，除了使用上述皮尔森(Pearson)相关系数和斯皮尔曼(Spearman)相关系数公式进行计算以外，还可以采用肯德尔(Kendall)相关系数进行计算。其中，若相关系数大于0，则表明传感器信号和加速度计信号的相关性为正相关，若相关系数小于0，则表明传感器信号和加速度计信号的相关性为负相关，弱相关系数为1或者为-1，则表明传感器信号和加速度计信号可以由直线方程进行描述。
步骤S103、根据所述第一最优步长因子和预设自适应滤波算法，对所述传感器信号进行滤波处理，获得去噪后的脉搏波信号。
值得说明的是，将滤波后的脉搏波信号数据转化成频谱，提取频率峰最高的位置作为运动心率频率，即可获得运动心率值。
本发明通过计算不同场景下的传感器信号和N轴加速度计信号的相关系数，来描述传感器信号中运动强度及脉搏波/运动伪迹的占比，相关系数越大，则表明运动强度越大，传感器信号中的运动干扰越大，则需要更大的步长因子来进行去噪，能够更加简单方便的反映出步长因子的取值，通过曲线拟合得到关系式，准确描述相关系数和步长因子之间的关系，在不同的相关系数下，即在不同的运动种类、运动强度中，都能够通过预先拟合好的关系式准确找到最优步长因子，从而提高去噪的精度。
本发明还提供了操作过程完整的实施例，参见图4，是本发明实施例提供的一种运动脉搏波去噪方法的流程示意图，包括步骤S301～S306，具体为：
步骤S301、获取当前采集的传感器信号为自适应滤波器的输入信号，将输入信号传输给自适应滤波，示例性的，选择LMS算法作为预设的自适应滤波器，进入步骤S302。
步骤S302、自适应滤波将输入信号进行处理，并得到输出信号，输出信号可以表示为：
y(n)＝wT(n)x(n)，
其中，w(n)是本时刻的自适应线性组合器的权矢量，x(n)为输入信号，y(n)为输出信号，进入步骤S303。
步骤S303、获取期望信号，进入步骤S304。
步骤S304、将获得的期望信号和计算得到的输出信号做差，得到误差信号，计算如下：
e(n)＝d(n)-y(n)，
其中，e(n)为误差信号，d(n)为期望信号，进入步骤S305。
步骤S305、根据曲线拟合好的关系式、得到的当前运动场景下的最优步长因子，更新下一时刻的自适应线性组合器的权矢量，计算如下：
w(n+1)＝w(n)+2μ*e(n)x(n)，
其中，w(n+1)是下一时刻的自适应线性组合器的权矢量，μ*是当前运动场景下的最优步长因子。
再进入步骤S302，重复步骤S302～S305，减小均方误差，最后进入步骤S306。
步骤S306、输出去噪后的脉搏波信号。
本发明通过采用LMS算法作为自适应滤波器，根据曲线拟合好的关系式、得到的当前运动场景下的最优步长因子，能够对下一时刻的自适应线性组合器的权矢量进行更新，当达到收敛条件时的去噪的脉搏波信号的数据更加精准，从而提高获得的心率值的准确度和可信度。
示例性地，参见图5，是本发明实施例提供的一种运动脉搏波去噪前及去噪后的对比示意图。采集不同运动强度下头部/腕部/脚踝等部位的原始脉搏波形以及三轴加速度计信号，再从采集到的数据中筛选若干组的不同的运动心率的传感器数据，选取的心率值包括：80bpm，95bpm，120bpm，140bpm，165bpm，数据采集的人群为20～30岁的男性，每组采样时间为40秒，所述传感器和所述加速度计的采样频率皆为50Hz。图5a为原始传感器的信号数据，图5b为经过最佳步长因子的自适应滤波去噪后的脉搏波信号数据。
本发明还提供不同运动种类、在不同运动强度下的去噪后的心率值示意图，参见图6，图6是本发明实施例提供的一种运动脉搏波去噪后不同运动场景下的心率值示意图，图6a、图6b和图6c分别为跑步、骑行和篮球运动时的心率值，通过检测头部和胸部的心率，通过最佳步长因子的自适应滤波去噪后的心率值，可以自适应不同的运动种类及运动强度，无需每次手动更改步长因子。
参见图7，是本发明实施例提供的一种运动脉搏波去噪装置的结构示意图，包括第一相关系数计算模块201、第一最优步长因子计算模块202和脉搏波信号去噪模块203。
其中，第一相关系数计算模块201，用于获取当前采集的传感器信号、N轴加速度计信号，并分别计算所述传感器信号与各轴加速度计信号之间的相关系数为第一相关系数；其中，N为正整数。
第一最优步长因子计算模块202，用于根据各相关系数和各步长因子的曲线拟合的关系式，获得最优步长因子为第一最优步长因子。
具体地，采集M组不同运动场景下的传感器信号和N轴加速度计信号；其中，M为正整数。
计算每组传感器信号和N轴加速度计信号的相关系数为第二相关系数；
根据所述预设自适应滤波算法，分别调节M组的步长因子，选取滤波后波形振幅最高、周期最明显的步长因子为当前运动场景下的第二最优步长因子，得到对应M组步长因子。
具体地，提取相同时间段、相同长度的传感器信号的数据和N轴加速度计数据，分别计算传感器信号的数据与N轴加速度计的每一轴数据的相关系数，得到N组相关系数为所述第二相关系数。
对M组第二相关系数和所述第二最优步长因子进行曲线拟合，得到关系式。
根据所述第一相关系数和所述关系式，获得第一最优步长因子。
脉搏波信号去噪模块203，用于根据所述第一最优步长因子和预设自适应滤波算法，对所述传感器信号进行滤波处理，获得去噪后的脉搏波信号。
优选地，所述关系式具体为：
Figure BDA0003934606710000121
或者
Figure BDA0003934606710000122
其中，
Figure BDA0003934606710000123
是当前运动场景下的相关系数，μ*是当前运动场景下的最优步长因子，abs(·)和exp(·)分别为取绝对值和取自然常数e为底的指数函数操作。
优选地，所述相关关系的具体计算公式为皮尔森相关系数计算公式：
Figure BDA0003934606710000124
其中，pwi和acci(j)分别是传感器的第i条信号数据和N轴加速度计的第j轴上的第i条信号数据，1≤j≤N；
Figure BDA0003934606710000125
和
Figure BDA0003934606710000126
分别是传感器的信号数据的均值和N轴加速度计的第j轴上的信号数据的均值；L是提取传感器信号数据和N轴加速度计信号数据的长度；a(j)是传感器信号和N轴加速度计的第j轴上的信号数据的相关系数；或者，
使用斯皮尔曼相关公式计算：
Figure BDA0003934606710000127
其中，
Figure BDA0003934606710000128
为传感器的第i条信号数据和N轴传感器的第j(1≤j≤N)轴上的第i条信号数据的等级差。
本发明通过采用LMS算法作为自适应滤波器，通过第一最优步长因子计算模块202对各相关系数和各相关因子的曲线拟合得到的关系式，能够求得对当前运动场景下的最优相关因子，能够使自适应滤波器的去噪能力更强，从而获得更加精准的脉搏波信号数据。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘，U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种运动脉搏波去噪方法，其特征在于，所述方法包括：
获取当前采集的传感器信号、N轴加速度计信号，并分别计算所述传感器信号与各轴加速度计信号之间的相关系数为第一相关系数；其中，N为正整数；
根据各相关系数和各步长因子的曲线拟合的关系式，获得最优步长因子为第一最优步长因子；
根据所述第一最优步长因子和预设自适应滤波算法，对所述传感器信号进行滤波处理，获得去噪后的脉搏波信号。
2.如权利要求1所述的运动脉搏波去噪方法，其特征在于，所述根据各相关系数和步长因子的拟合曲线，获得最优步长因子为第一最优步长因子，包括：
采集M组不同运动场景下的传感器信号和N轴加速度计信号；其中，M为正整数；
计算每组传感器信号和N轴加速度计信号的相关系数为第二相关系数；
根据所述预设自适应滤波算法，分别调节M组的步长因子，选取滤波后波形振幅最高、周期最明显的步长因子为当前运动场景下的第二最优步长因子，得到对应M组步长因子；
对M组第二相关系数和所述第二最优步长因子进行曲线拟合，得到关系式；
根据所述第一相关系数和所述关系式，获得第一最优步长因子。
3.如权利要求2所述的运动脉搏波去噪方法，其特征在于，所述计算每组传感器信号和N轴加速度计信号的相关系数为第二相关系数，包括：
提取相同时间段、相同长度的传感器信号的数据和N轴加速度计数据，分别计算传感器信号的数据与N轴加速度计的每一轴数据的相关系数，得到N组相关系数为所述第二相关系数。
4.如权利要求1-2任一所述的运动脉搏波去噪方法，其特征在于，所述关系式具体为：
Figure FDA0003934606700000021
或者
Figure FDA0003934606700000022
其中，
Figure FDA0003934606700000023
是当前运动场景下的相关系数，μ*是当前运动场景下的最优步长因子，abs(·)和exp(·)分别为取绝对值和取自然常数e为底的指数函数操作。
5.如权利要求1-4任一所述的运动脉搏波去噪方法，其特征在于，所述相关系数的具体计算公式为皮尔森相关系数计算公式：
Figure FDA0003934606700000024
其中，pwi和acci(j)分别是传感器的第i条信号数据和N轴加速度计的第j轴上的第i条信号数据，1≤j≤N；
Figure FDA0003934606700000025
和
Figure FDA0003934606700000026
分别是传感器的信号数据的均值和N轴加速度计的第j轴上的信号数据的均值；L是提取传感器信号数据和N轴加速度计信号数据的长度；a(j)是传感器信号和N轴加速度计的第j轴上的信号数据的相关系数；或者，
使用斯皮尔曼相关公式计算：
Figure FDA0003934606700000027
其中，
Figure FDA0003934606700000028
为传感器的第i条信号数据和N轴加速度计的第j轴上的第i条信号数据的等级差。
6.一种运动脉搏波去噪装置，其特征在于，包括：
第一相关系数计算模块，用于获取当前采集的传感器信号、N轴加速度计信号，并分别计算所述传感器信号与各轴加速度计信号之间的相关系数为第一相关系数；其中，N为正整数；
第一最优步长因子计算模块，用于根据各相关系数和各步长因子的曲线拟合的关系式，获得最优步长因子为第一最优步长因子；
脉搏波信号去噪模块，用于根据所述第一最优步长因子和预设自适应滤波算法，对所述传感器信号进行滤波处理，获得去噪后的脉搏波信号。
7.如权利要求6所述的运动脉搏波去噪装置，其特征在于，所述第一最优步长因子计算模块具体为：
采集M组不同运动场景下的传感器信号和N轴加速度计信号；其中，M为正整数；
计算每组传感器信号和N轴加速度计信号的相关系数为第二相关系数；
根据所述预设自适应滤波算法，分别调节M组的步长因子，选取滤波后波形振幅最高、周期最明显的步长因子为当前运动场景下的第二最优步长因子，得到对应M组步长因子；
对M组第二相关系数和所述第二最优步长因子进行曲线拟合，得到关系式；
根据所述第一相关系数和所述关系式，获得第一最优步长因子。
8.如权利要求7所述的运动脉搏波去噪装置，其特征在于，所述计算每组传感器信号和N轴加速度计信号的相关系数为第二相关系数，包括：
提取相同时间段、相同长度的传感器信号的数据和N轴加速度计数据，分别计算传感器信号的数据与N轴加速度计的每一轴数据的相关系数，得到N组相关系数为所述第二相关系数。
9.如权利要求6-8任一所述的运动脉搏波去噪装置，其特征在于，所述关系式具体为：
Figure FDA0003934606700000031
或者
Figure FDA0003934606700000032
其中，
Figure FDA0003934606700000033
是当前运动场景下的相关系数，μ*是当前运动场景下的最优步长因子，abs(·)和exp(·)分别为取绝对值和取自然常数e为底的指数函数操作。
10.如权利要求6-8任一所述的运动脉搏波去噪装置，其特征在于，所述相关系数的具体计算公式为皮尔森相关系数计算公式：
Figure FDA0003934606700000041
其中，pwi和scci(j)分别是传感器的第i条信号数据和N轴加速度计的第j轴上的第i条信号数据，1≤j≤N；
Figure FDA0003934606700000042
和
Figure FDA0003934606700000043
分别是传感器的信号数据的均值和N轴加速度计的第j轴上的信号数据的均值；L是提取传感器信号数据和N轴加速度计信号数据的长度；a(j)是传感器信号和N轴加速度计的第j轴上的信号数据的相关系数；或者，
使用斯皮尔曼相关公式计算：
Figure FDA0003934606700000044
其中，
Figure FDA0003934606700000045
为传感器的第i条信号数据和N轴加速度计的第j轴上的第i条信号数据的等级差。
CN202211398274.1A 2022-11-09 2022-11-09 一种运动脉搏波去噪方法及装置 Pending CN115886744A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211398274.1A CN115886744A (zh) 2022-11-09 2022-11-09 一种运动脉搏波去噪方法及装置
PCT/CN2023/105832 WO2024098819A1 (zh) 2022-11-09 2023-07-05 一种运动脉搏波去噪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211398274.1A CN115886744A (zh) 2022-11-09 2022-11-09 一种运动脉搏波去噪方法及装置

Publications (1)

Publication Number Publication Date
CN115886744A true CN115886744A (zh) 2023-04-04

Family

ID=86487163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211398274.1A Pending CN115886744A (zh) 2022-11-09 2022-11-09 一种运动脉搏波去噪方法及装置

Country Status (2)

Country Link
CN (1) CN115886744A (zh)
WO (1) WO2024098819A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118141354A (zh) * 2024-05-10 2024-06-07 深圳市爱都科技有限公司 自适应日常多场景的心率监测值估计优化方法和穿戴设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016221092A (ja) * 2015-06-02 2016-12-28 ソニー株式会社 ノイズ低減処理回路および方法、ならびに、生体情報処理装置および方法
US20170164847A1 (en) * 2015-12-15 2017-06-15 Texas Instruments Incorporated Reducing Motion Induced Artifacts in Photoplethysmography (PPG) Signals
JP6933220B2 (ja) * 2016-09-26 2021-09-08 ソニーグループ株式会社 生体情報処理装置、生体情報処理方法及び情報処理装置
CN108652609B (zh) * 2018-05-17 2020-10-02 歌尔科技有限公司 一种心率获取方法、系统及可穿戴式设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118141354A (zh) * 2024-05-10 2024-06-07 深圳市爱都科技有限公司 自适应日常多场景的心率监测值估计优化方法和穿戴设备
CN118141354B (zh) * 2024-05-10 2024-07-02 深圳市爱都科技有限公司 自适应日常多场景的心率监测值估计优化方法和穿戴设备

Also Published As

Publication number Publication date
WO2024098819A1 (zh) 2024-05-16

Similar Documents

Publication Publication Date Title
CN107845389B (zh) 一种基于多分辨率听觉倒谱系数和深度卷积神经网络的语音增强方法
Xue et al. Neural-network-based adaptive matched filtering for QRS detection
US6408269B1 (en) Frame-based subband Kalman filtering method and apparatus for speech enhancement
US7574008B2 (en) Method and apparatus for multi-sensory speech enhancement
US20190059822A1 (en) Heart rate detection method and apparatus, and electronic terminal thereof
JP4630727B2 (ja) 調波ノイズの減法キャンセル方法
CN109767783A (zh) 语音增强方法、装置、设备及存储介质
CN108735229B (zh) 基于信噪比加权的幅度与相位联合补偿抗噪语音增强方法
CN109864713B (zh) 基于多通道并行滤波和谱峰加权选择算法的心率监测方法
EP1607938A1 (en) Gain-constrained noise suppression
CN108899052B (zh) 一种基于多带谱减法的帕金森语音增强方法
CN114469124B (zh) 一种运动过程中异常心电信号的识别方法
WO2024098819A1 (zh) 一种运动脉搏波去噪方法及装置
CN114970646B (zh) 一种人工源电磁伪随机信号去趋势和噪声识别方法
CN117454085A (zh) 一种车辆在线监控方法及系统
CN115223583A (zh) 一种语音增强方法、装置、设备及介质
CN108652609B (zh) 一种心率获取方法、系统及可穿戴式设备
CN114403897A (zh) 一种基于脑电信号的人体疲劳检测方法及系统
SE513892C2 (sv) Spektral effekttäthetsestimering av talsignal Metod och anordning med LPC-analys
Verma et al. Adaptive filtering using PSO, MPSO and ABC algorithms for ECG signal
CN104810023B (zh) 一种用于语音信号增强的谱减法
AU2021104217A4 (en) A system and method for optimum wavelet basis function selection for ecg arrhythmia denoising using artificial intelligence
Altay et al. Cascade Notch Filter with a Unity Feedback and Improved Transient Response
CN118658498B (zh) 基于深度学习的语音情感识别模型的训练方法及系统
CN118376996B (zh) 雷达信号去噪方法、装置、设备、存储介质和程序产品

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