CN116172512B - 一种呼吸信号和脉搏波信号的重构方法以及装置 - Google Patents
一种呼吸信号和脉搏波信号的重构方法以及装置 Download PDFInfo
- Publication number
- CN116172512B CN116172512B CN202310066534.3A CN202310066534A CN116172512B CN 116172512 B CN116172512 B CN 116172512B CN 202310066534 A CN202310066534 A CN 202310066534A CN 116172512 B CN116172512 B CN 116172512B
- Authority
- CN
- China
- Prior art keywords
- peak
- target
- frequency
- signal
- frequency band
- 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
- 230000000241 respiratory effect Effects 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000000875 corresponding effect Effects 0.000 claims abstract description 167
- 238000001228 spectrum Methods 0.000 claims abstract description 59
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 36
- 230000003595 spectral effect Effects 0.000 claims abstract description 34
- 230000002596 correlated effect Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 15
- 238000010223 real-time analysis Methods 0.000 abstract description 9
- 230000029058 respiratory gaseous exchange Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- 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
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Cardiology (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种呼吸信号和脉搏波信号的重构方法以及装置，该方法包括：获得PPG信号的相关熵谱密度；基于相关熵谱密度，获得PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，基于边界频率，构建目标经验小波集；使用目标经验小波集对PPG信号进行信号分解，获得呼吸信号和脉搏波信号。由于该方法中在确定边界频率时，所获得的是PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，因此在后续进行信号分解时，能够自适应地分析信号并针对性地进行信号提取，所分解的各个成分具有较为明确的生理意义，并且计算量能够满足实时分析的需求，提高了呼吸信号和脉搏波信号提取过程的泛用性和准确性。
Description
技术领域
本申请涉及信号处理技术领域，具体涉及一种呼吸信号和脉搏波信号的重构方法。本申请同时涉及一种呼吸信号和脉搏波信号的重构装置、一种电子设备以及一种计算机可读取存储介质。
背景技术
从PPG信号中提取呼吸信号的方法较多，如使用带通滤波器、经验模态分解(EMD分解)、小波变换等方法。使用带通滤波器提取信号时，当真实信号频率位于预先设定的频段之外时，提取的信号和真实信号之间存在较大差异；EMD分解是一种数据驱动的自适应信号分解方法，其基于信号特征自动地将信号分解为一组有限数目的IMF分量，主要用于处理非线性和非平稳信号，但该方法存在模态混叠、信号成分生理意义不明、且计算量较大的缺陷；使用基于小波变换技术提取信号时，需考虑母小波的选择和分解层数，而实时动态地选择母小波和分解层数，会显著增加计算量，因此，相对于数据驱动的信号分解方法、基于小波变换的方法缺乏适应性，难以满足实时分析和信号提取的需求。
综上所述，目前用于提取呼吸信号和脉搏波信号的技术难以兼顾自适应性、成分生理意义明确性以及较小计算量的信号提取需求。
发明内容
本发明所要解决的技术问题在于，提供一种呼吸信号和脉搏波信号的重构方法、呼吸信号和脉搏波信号的重构装置、电子设备及计算机可读存储介质，以解决现有的提取呼吸信号和脉搏波信号的方法难以兼顾自适应性、成分生理意义明确性以及较小计算量的信号提取需求的问题。
为了解决或者一定程度上改善上述技术问题，根据本发明一方面，提供一种呼吸信号和脉搏波信号的重构方法，所述方法包括：
获得PPG信号的相关熵谱密度；
基于所述相关熵谱密度，获得所述PPG信号中的呼吸信号和脉搏波信号所对应的边界频率；
基于所述边界频率，构建目标经验小波集；
使用所述目标经验小波集对所述PPG信号进行信号分解，获得呼吸信号和脉搏波信号。
在一些实施方式中，所述基于所述相关熵谱密度，获得所述PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，包括：
从所述相关熵谱密度划分出第一目标频段和第二目标频段，所述第一目标频段表征呼吸信号的预设频率范围；所述第二目标频段表征脉搏波信号的预设频率范围；
基于所述第一目标频段，获得所述呼吸信号对应的第一边界频率和第二边界频率，基于所述第二目标频段，获得所述脉搏波信号对应的第三边界频率和第四边界频率。
在一些实施方式中，所述基于所述第一目标频段，获得所述呼吸信号对应的第一边界频率和第二边界频率，基于所述第二目标频段，获得所述脉搏波信号对应的第三边界频率和第四边界频率，包括：
获得所述相关熵谱密度中的目标波峰索引，所述目标波峰索引为符合所述呼吸信号的波形属性的波峰位置所对应的频域索引和符合所述脉搏波信号的波形属性的波峰位置所对应的频域索引；
将所述第一目标频段中的最小频率确定为所述第一边界频率；
基于所述目标波峰索引和所述第一目标频段，确定第二边界频率；
基于所述目标波峰索引和所述第二目标频段，确定第三边界频率和第四边界频率。
在一些实施方式中，所述获得所述相关熵谱密度中的目标波峰索引，包括：
提取所述相关熵谱密度包含的峰值索引，所述峰值索引为所述相关熵谱密度中的各峰值对应的频率索引；
删除所述峰值索引中的无用分量对应的无用索引，获得备选峰值索引；
基于所述备选峰值索引获得OSF序列，并基于所述OSF序列确定出目标波峰索引。
在一些实施方式中，所述基于所述备选峰值索引获得OSF序列，并基于所述OSF序列确定出目标波峰索引，包括：
基于所述备选峰值索引计算最小峰值间距，并基于所述最小峰值间距确定OSF序列的窗口大小；
延拓所述相关熵谱密度，以所述窗口大小为窗长，按照预设步长滑动窗口，获得各窗口的幅值峰值，所述各窗口的幅值峰值组成所述OSF序列；
检测所述OSF序列中各备选峰值索引对应的幅值峰值、与其左右两侧预定数量的峰值索引对应的幅值峰值是否相同；
若不同，则删除所述备选峰值索引；
若相同，则保留所述备选峰值索引，所保留的备选峰值索引组成目标波峰索引。
在一些实施方式中，所述预定数量为所述最小峰值间距所对应的索引数量。
在一些实施方式中，所述基于所述目标波峰索引和所述第一目标频段，确定第二边界频率，包括：
检测所述第一目标频段内是否对应有所述目标波峰索引；
若是，则获取所述第一目标频段内最大波峰值对应的第一目标波峰索引，并基于所述第一目标波峰索引和所述最小峰值间距，计算获得第二边界频率的索引，并对应获得所述第二边界频率；
若否，则将所述第二频段内的预设局部频段中的最大幅值所对应的频率确定为第二边界频率；
所述基于所述目标波峰索引和所述第二目标频段，确定第三边界频率和第四边界频率，包括：
检测所述第二目标频段内是否对应有所述目标波峰索引；
若否，则将所述第二目标频段内的最小频率确定为第三边界频率，将所述第二目标频段内的最大频率确定为第四边界频率；
若是，则将所述第二目标频段内最大波峰值对应的频率与所述第一目标频段内最大波峰值对应的频率之间的最小幅值对应的频率确定为第三边界频率；获取所述第二目标频段内最大波峰值对应的第二目标波峰索引，并基于所述第二目标波峰索引和所述最小峰值间距计算获得第四边界频率的索引，并对应获得所述第四边界频率。
根据本发明的另一方面，提供一种呼吸信号和脉搏波信号的重构装置，所述装置包括：
相关熵谱密度获得单元，用于获得PPG信号的相关熵谱密度；
边界频率获得单元，用于基于所述相关熵谱密度，获得所述PPG信号中的呼吸信号和脉搏波信号所对应的边界频率；
目标经验小波集构建单元，用于基于所述边界频率，构建目标经验小波集；
信号分解单元，用于使用所述目标经验小波集对所述PPG信号进行信号分解，获得呼吸信号和脉搏波信号。
根据本发明的另一方面，提供一种电子设备，包括处理器和存储器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现上述任一项实施方式所述的方法。
根据本发明的另一方面，提供一种计算机可读存储介质，其上存储有一条或多条计算机指令，其特征在于，该指令被处理器执行以实现上述任一项实施方式所述的方法。
与现有技术相比，本发明具有以下优点：
本发明提供的呼吸信号和脉搏波信号的重构方法，首先获得PPG信号的相关熵谱密度，然后基于相关熵谱密度，获得PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，基于边界频率，构建目标经验小波集，最后，使用目标经验小波集对PPG信号进行信号分解，获得呼吸信号和脉搏波信号。由于该方法中在确定边界频率时，所获得的是PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，因此在后续进行信号分解时，能够自适应地分析信号并针对性地进行信号提取，所分解的各个成分具有较为明确的生理意义，并且实现过程简单，计算量较小，能够满足实时分析的需求，提高了呼吸信号和脉搏波信号提取过程的泛用性和准确性。
附图说明
图1是本申请第一实施例提供的呼吸信号和脉搏波信号的重构方法的流程图；
图2是本申请一实施例提供的呼吸信号和脉搏波信号的重构装置的单元框图；
图3是本申请一实施例提供的电子设备的逻辑结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
从PPG信号中提取呼吸信号的方法较多，如使用带通滤波器、经验模态分解(EMD分解)、小波变换等方法。使用带通滤波器提取信号时，当真实信号频率位于预先设定的频段之外时，提取的信号和真实信号之间存在较大差异；EMD分解是一种数据驱动的自适应信号分解方法，其基于信号特征自动地将信号分解为一组有限数目的IMF分量，主要用于处理非线性和非平稳信号，但该方法存在模态混叠、信号成分生理意义不明、且计算量较大的缺陷；使用基于小波变换技术提取信号时，需考虑母小波的选择和分解层数，而实时动态地选择母小波和分解层数，会显著增加计算量，因此，相对于数据驱动的信号分解方法、基于小波变换的方法缺乏适应性，难以满足实时分析和信号提取的需求。因此，上述用于提取呼吸信号和脉搏波信号的技术难以兼顾自适应性、成分生理意义明确性以及较小计算量的信号提取需求。
针对呼吸信号和脉搏波信号重构场景，为了在提取呼吸信号和脉搏波信号的过程中能够兼顾自适应性、成分明确性以及较小计算量的信号提取需求，本申请提供了一种呼吸信号和脉搏波信号的重构方法，该呼吸信号和脉搏波信号的重构方法基于修改的经验小波变换(Empirical wavelet transform，EWT)方法实现，能够自适应地分析信号、分解的各个成分有较为明确的生理意义、且计算量能够满足实时分析的需求，提高了提取呼吸信号的泛用性和准确性，方便后续对PPG信号进行更加深入的分析。本申请还提供了与上述方法相对应的呼吸信号和脉搏波信号的重构装置、电子设备以及计算机可读存储介质。以下提供实施例对上述方法、装置、电子设备以及计算机可读存储介质进行详细说明。
本申请第一实施例提供一种呼吸信号和脉搏波信号的重构方法，该方法的应用主体可以为用于对PPG信号中的呼吸信号和脉搏波信号进行重构的计算设备应用。图1为本申请第一实施例提供的呼吸信号和脉搏波信号的重构方法的流程图，以下结合图1对本实施例提供的方法进行详细描述。以下描述所涉及的实施例是用来解释说明方法原理，不是实际使用的限定。
如图1所示，本实施例提供的呼吸信号和脉搏波信号的重构方法包括如下步骤：
S101，获得PPG信号的相关熵谱密度。
PPG信号(光电容积脉搏波)类似于ECG信号，可通过非侵入式手段获取(例如通过手指进行测量)，可反映人体丰富的微循环生理信息，具有人体独特的生理特性，难以被复制和模仿，具有较高的安全性。
本实施例中的信号重构即从原始PPG信号中提取和呼吸、脉搏波相关的成分，从而提取呼吸信号和脉搏波信号。PPG信号中包含多个成分，其中较为重要的、有生理意义的成分主要是呼吸信号和脉搏波信号，但由于PPG信号中还包含其它成分，例如工频干扰、高频噪音或是运动伪迹等，因此需将信号中的有用成分提取出来。
信号通常是波的形式表示，当波的功率频谱密度乘以适当的系数后，得到每单位频率波携带的功率，其称为信号的功率谱密度(power spectral density,PSD)，其定义了信号或者时间序列的功率如何随频率分布，是一条功率谱密度值—频率值的关系曲线，其中功率谱密度可以是位移功率谱密度、速度功率谱密度、加速度功率谱密度、力功率谱密度等形式。功率谱密度值—频率值的关系曲线下的面积为均方值，当均值为零时均方值等于方差，即响应标准偏差的平方值。
经验小波变换EWT是一种非平稳信号处理方法，其融合了EMD分解方法的自适应分解理念和小波变换理论的紧支撑框架，为信号处理提供了自适应时频分析思路，相比于EMD分解方法，EWT方法能够自适应选择频带，克服了由于信号时频尺度不连续而引发的模态混叠问题；同时，EWT方法的计算复杂度低，能够克服EMD方法中过包络和欠包络的问题。EWT方法的原理是将信号的功率谱密度划分成连续的区间，然后在每个区间上构造小波滤波器组进行滤波，最后通过信号重构得到一组调幅调频分量，该方法能够用具有紧支撑特性的小波滤波器组识别信号功率谱密度中特征信息所在的位置，自适应地提取信号的不同频率成分。
现有的基于经验小波变换(EWT)方法进行信号提取的过程中，通常使用上述功率谱密度，但由于在计算功率谱密度时直接采用信号的平方，其会放大脑电数据中受噪声影响的离群值的负面作用，使得由此求得的频域特征受到噪声的影响。为提高频域特征提取的鲁棒性，本步骤将广义互相关函数运用到功率谱密度的计算中，得到相关熵谱密度，并将其运用于后续呼吸信号和脉搏波信号的提取过程中，用于抑制噪声的负面影响，即，使用相关熵谱密度替代经验小波变换方法中的功率谱密度，以此平抑噪声，从而更加准确的估计PPG信号中的各成分。
在本实施例中，可通过如下公式计算获得PPG信号的相关熵谱密度：
式中XCSD表示相关熵谱密度，其为一个大小为n的行向量,n为PPG信号的长度，Vc是中心互相关熵，其可由如下公式(2)计算获得：
其中，是数据互相关熵的均值，将数据互相关熵减去该均值，可有效消除信号中的直流分量，式中的数据互相关熵v(m)的计算公式(3)如下所示：
K为高斯核函数(公式4)
公式(4)中的核宽度σ由如下公式(5)确定：
σ＝0.9A·n-1/5 (5)
其中，A＝min{样本标准差，(样本四分位距)/1.34}。
通过上述公式即可计算获得PPG信号的相关熵谱密度。
S102，基于相关熵谱密度，获得PPG信号中的呼吸信号和脉搏波信号所对应的边界频率。
在上述步骤获得PPG信号的相关熵谱密度之后，本步骤用于基于上述相关熵谱密度，获得PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，即，呼吸信号和脉搏波信号均对应有其各自的边界频率。
在本实施例中，上述基于相关熵谱密度，获得PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，具体可以是指：
首先，从相关熵谱密度划分出第一目标频段和第二目标频段，第一目标频段表征呼吸信号的预设频率范围，该预设频率范围基于正常呼吸状态下的呼吸频率确定，第二目标频段表征脉搏波信号的预设频率范围，该预设频率范围基于正常状态下的脉率确定；在本实施例中，由于呼吸信号的频率通常位于0.1-0.8Hz之间，脉搏波信号通常位于0.85-3Hz之间，这是由其生理特性决定的，因此，呼吸信号的预设频率范围可以为0.1Hz-0.8Hz，脉搏波信号的预设频率范围可以为0.8Hz-10Hz，例如，正常状态下呼吸频率如果低于0.1Hz，表明一分钟的呼吸次数少于6次，单次呼吸长度大于10秒，不太可能发生，因此第一目标频段的下限值选为0.1Hz较合适；再例如，人的脉率通常在60～180次/min，即1-3Hz左右，其五倍谐波大约为15Hz，考虑到传感器性能的差异，如果传感器本身的性能较差，噪音可能在10-20Hz之间较强，因此，脉搏波信号的预设频率范围的上限值选为10Hz，其效果优于15Hz，因此，0.8-10Hz为较合理的预设频率范围。
其次，基于第一目标频段，获得呼吸信号对应的第一边界频率和第二边界频率，基于第二目标频段，获得脉搏波信号对应的第三边界频率和第四边界频率。即，在上述划分出呼吸信号的预设频率范围和脉搏波信号的预设频率范围的基础上，需基于该预设频率范围进一步精确确定出呼吸信号对应的边界频率和脉搏波信号的边界频率，具体的，第一边界频率和第二边界频率之间的频率区间为呼吸信号对应的真实频率范围，第三边界频率和第四边界频率之间的频率区间为脉搏波信号对应的真实频率范围。
在本实施例中，上述基于第一目标频段，获得呼吸信号对应的第一边界频率和第二边界频率，基于第二目标频段，获得脉搏波信号对应的第三边界频率和第四边界频率，具体可以是指：获得相关熵谱密度中的目标波峰索引，该目标波峰索引为符合呼吸信号的波形属性的波峰位置所对应的频域索引和符合脉搏波信号的波形属性的波峰位置所对应的频域索引；将上述第一目标频段中的最小频率确定为第一边界频率；基于上述目标波峰索引和第一目标频段，确定第二边界频率，基于上述目标波峰索引和第二目标频段，确定第三边界频率和第四边界频率。
在本实施例中，可通过如下方式获得相关熵谱密度中的目标波峰索引：
首先，提取相关熵谱密度包含的峰值索引，该峰值索引为相关熵谱密度中的各峰值(该峰值不仅包含呼吸信号或脉搏波信号的波峰位置处的幅值，也包括各噪音波形的幅值峰值)对应的频率索引；
其次，删除峰值索引中的无用分量对应的无用索引，获得备选峰值索引，例如，删除上述峰值索引中频率小于0.05Hz或大于10Hz的频率对应的索引值；
最后，基于备选峰值索引获得OSF(顺序统计滤波器，Order statistics filter)序列，并基于OSF序列确定出目标波峰索引。具体的，可基于备选峰值索引计算最小峰值间距PL，并基于最小峰值间距确定OSF序列的窗口大小，例如，窗口大小可以为winOSF＝(2*PL)+1，然后以滑动窗口的方式计算窗口内的最大值，例如，在延拓上述相关熵谱密度后，以上述窗口大小为窗长，按照预设步长(例如，以1为预设步长)滑动窗口，获得各窗口的幅值峰值，各窗口的幅值峰值组成OSF序列；检测OSF序列中各备选峰值索引对应的幅值峰值、与其左右两侧预定数量的峰值索引对应的幅值峰值是否相同，在本实施例中，预定数量为最小峰值间距所对应的索引数量；若不同，则删除备选峰值索引；若相同，则保留备选峰值索引，所保留的备选峰值索引组成目标波峰索引。例如，备选峰值索引为5，最小峰值间距PL为2，各窗口的幅值峰值组成OSF序列为[1 1 1 2 3 2 1 1 1]，该序列中的幅值峰值“3”即为备选峰值索引对应的幅值，其左右两侧2个幅值峰值分别为[1 2]和[2 1]，其与备选峰值索引对应的幅值“3”均不相等，因此，表明该备选峰值索引“5”所对应的波形属性不符合呼吸信号或脉搏波信号的波峰位置的波形属性，因此删除该备选峰值索引“5”；再例如，备选峰值索引为[3 6 9]，PL为2，OSF序列为[2 2 2 2 2 45 5 5 5 5]，第一个备选峰值索引“3”对应的幅值为2，其左右2个数值与其相等，因此保留该备选峰值索引“3”，第二个备选峰值索引“6”对应的幅值为4，其左右2个数值与其不相等，因此删除该备选峰值索引“6”，第三个备选峰值索引“9”对应的幅值为5，其左右2个数值与其相等，因此保留该备选峰值索引“9”，最终保留的备选峰值索引[3 9]即为目标波峰索引。
在此基础上，上述基于目标波峰索引和第一目标频段，确定第二边界频率，具体可以是指：检测上述第一目标频段内是否对应有目标波峰索引，即，检测第一目标频段的频率范围内是否包含目标波峰索引对应的频率值，若是，则获取第一目标频段内最大波峰值对应的第一目标波峰索引，并基于第一目标波峰索引和最小峰值间距PL，计算获得第二边界频率的索引，并对应获得第二边界频率，例如，第一目标频段内最大波峰值对应的第一目标波峰索引标记为respInd，第二边界频率的索引为respInd+PL；若否，则将第二频段内的预设局部频段中的最大幅值所对应的频率确定为第二边界频率，例如，第一目标频段为0.1Hz-0.8Hz，则预设局部频段可以为0.2Hz-0.6Hz。
上述基于目标波峰索引和第二目标频段，确定第三边界频率和第四边界频率，具体可以是指：
检测第二目标频段内是否对应有目标波峰索引，即，检测第二目标频段的频率范围内是否包含目标波峰索引对应的频率值，若否，则将第二目标频段内的最小频率确定为第三边界频率，将第二目标频段内的最大频率确定为第四边界频率，例如，第二目标频段为0.8-10Hz，则取第三边界频率为0.8Hz，第四边界频率为10Hz；若是，则获取第二目标频段内最大波峰值对应的第二目标波峰索引，并基于第二目标波峰索引和最小峰值间距计算获得第四边界频率的索引，并对应获得第四边界频率(例如，第二目标频段内最大波峰值对应的第二目标波峰索引标记为beatInd，最小峰值间距为PL，则第四边界频率的索引为beatInd*5+PL)，并且，将第二目标频段内最大波峰值对应的频率与第一目标频段内最大波峰值对应的频率之间的最小幅值对应的频率确定为第三边界频率。
S103，基于上述边界频率，构建目标经验小波集。
在上述步骤获得PPG信号中的呼吸信号和脉搏波信号所对应的边界频率之后，本步骤用于基于上述边界频率，构建目标经验小波集，具体的，可基于上述边界频率，确定用于使构建的目标经验小波集具有紧框架结构的γ值，然后根据上述边界频率和该γ值，可计算出Meyer小波的近似系数和细节系数，从而构建由多个Meyer小波组成的目标经验小波集(wavelets filter bank，wfb)。有关该步骤的具体实现方式可参考现有的经验小波变换(Empirical wavelet transform，EWT)方法，在此不再赘述。
S104，使用目标经验小波集对PPG信号进行信号分解，获得呼吸信号和脉搏波信号。
在上述步骤基于上述边界频率构建出目标经验小波集之后，本步骤用于使用该目标经验小波集对PPG信号进行信号分解，即，将PPG信号从频域上分割出多个成分，得到分解信号MRA(multiresolution analysis，多分辨率分析)，以实现信号重构，可基于动态确定的频率边界将原始PPG信号分解为几个不同频率的分量，从而提取出呼吸信号和脉搏波信号，例如，MRA的第二层为呼吸信号，第三层为脉搏波信号。由于采用了如上述步骤S102中的边界频率计算方法，因此可使得MRA的第二层始终以动态方式在第一边界频率和第二边界频率所对应的频率范围内寻找呼吸信号，可使得MRA的第三层始终以动态方式在第三边界频率和第四边界频率所对应的频率范围内寻找脉搏波信号，实现自适应信号分析，且分解成分模态清晰，分解成分生理意义明确，实现过程简单高效，计算量较小，可避免使用EMD等衍生技术存在的计算速度慢、发生模态混叠、分解成分生理意义不明等缺陷。有关该步骤的具体实现方式可参考现有的经验小波变换(Empirical wavelet transform，EWT)方法，在此不再赘述。
本申请实施例提供的呼吸信号和脉搏波信号的重构方法，在获得PPG信号的相关熵谱密度后，基于相关熵谱密度，获得PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，然后，基于边界频率，构建目标经验小波集，最后，使用目标经验小波集对PPG信号进行信号分解，获得呼吸信号和脉搏波信号。由于该方法中在确定边界频率时，所获得的是PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，因此在后续进行信号分解时，能够自适应地分析信号并针对性地进行信号提取，所分解的各个成分具有较为明确的生理意义，并且实现过程简单高效，计算量较小，能够满足实时分析的需求，提高了呼吸信号和脉搏波信号提取过程的泛用性和准确性。
上述第一实施例提供了一种呼吸信号和脉搏波信号的重构方法，与之相对应的，本申请另一实施例还提供了一种呼吸信号和脉搏波信号的重构装置，由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可，下述对装置实施例的描述仅仅是示意性的。
请参考图2理解该实施例，图2为本实施例提供的呼吸信号和脉搏波信号的重构装置的单元框图，如图2所示，本实施例提供的装置包括：
相关熵谱密度获得单元201，用于获得PPG信号的相关熵谱密度；
边界频率获得单元202，用于基于所述相关熵谱密度，获得所述PPG信号中的呼吸信号和脉搏波信号所对应的边界频率；
目标经验小波集构建单元203，用于基于所述边界频率，构建目标经验小波集；
信号分解单元204，用于使用所述目标经验小波集对所述PPG信号进行信号分解，获得呼吸信号和脉搏波信号。
在一些实施方式中，所述基于所述相关熵谱密度，获得所述PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，包括：
从所述相关熵谱密度划分出第一目标频段和第二目标频段，所述第一目标频段表征呼吸信号的预设频率范围；所述第二目标频段表征脉搏波信号的预设频率范围；
基于所述第一目标频段，获得所述呼吸信号对应的第一边界频率和第二边界频率，基于所述第二目标频段，获得所述脉搏波信号对应的第三边界频率和第四边界频率。
在一些实施方式中，所述基于所述第一目标频段，获得所述呼吸信号对应的第一边界频率和第二边界频率，基于所述第二目标频段，获得所述脉搏波信号对应的第三边界频率和第四边界频率，包括：
获得所述相关熵谱密度中的目标波峰索引，所述目标波峰索引为符合所述呼吸信号的波形属性的波峰位置所对应的频域索引和符合所述脉搏波信号的波形属性的波峰位置所对应的频域索引；
将所述第一目标频段中的最小频率确定为所述第一边界频率；
基于所述目标波峰索引和所述第一目标频段，确定第二边界频率；
基于所述目标波峰索引和所述第二目标频段，确定第三边界频率和第四边界频率。
在一些实施方式中，所述获得所述相关熵谱密度中的目标波峰索引，包括：
提取所述相关熵谱密度包含的峰值索引，所述峰值索引为所述相关熵谱密度中的各峰值对应的频率索引；
删除所述峰值索引中的无用分量对应的无用索引，获得备选峰值索引；
基于所述备选峰值索引获得OSF序列，并基于所述OSF序列确定出目标波峰索引。
在一些实施方式中，所述基于所述备选峰值索引获得OSF序列，并基于所述OSF序列确定出目标波峰索引，包括：
基于所述备选峰值索引计算最小峰值间距，并基于所述最小峰值间距确定OSF序列的窗口大小；
延拓所述相关熵谱密度，以所述窗口大小为窗长，按照预设步长滑动窗口，获得各窗口的幅值峰值，所述各窗口的幅值峰值组成所述OSF序列；
检测所述OSF序列中各备选峰值索引对应的幅值峰值、与其左右两侧预定数量的峰值索引对应的幅值峰值是否相同；
若不同，则删除所述备选峰值索引；
若相同，则保留所述备选峰值索引，所保留的备选峰值索引组成目标波峰索引。
在一些实施方式中，所述预定数量为所述最小峰值间距所对应的索引数量。
在一些实施方式中，所述基于所述目标波峰索引和所述第一目标频段，确定第二边界频率，包括：
检测所述第一目标频段内是否对应有所述目标波峰索引；
若是，则获取所述第一目标频段内最大波峰值对应的第一目标波峰索引，并基于所述第一目标波峰索引和所述最小峰值间距，计算获得第二边界频率的索引，并对应获得所述第二边界频率；
若否，则将所述第二频段内的预设局部频段中的最大幅值所对应的频率确定为第二边界频率；
所述基于所述目标波峰索引和所述第二目标频段，确定第三边界频率和第四边界频率，包括：
检测所述第二目标频段内是否对应有所述目标波峰索引；
若否，则将所述第二目标频段内的最小频率确定为第三边界频率，将所述第二目标频段内的最大频率确定为第四边界频率；
若是，则将所述第二目标频段内最大波峰值对应的频率与所述第一目标频段内最大波峰值对应的频率之间的最小幅值对应的频率确定为第三边界频率；获取所述第二目标频段内最大波峰值对应的第二目标波峰索引，并基于所述第二目标波峰索引和所述最小峰值间距计算获得第四边界频率的索引，并对应获得所述第四边界频率。
本申请实施例提供的呼吸信号和脉搏波信号的重构装置，由于该装置在确定边界频率时，所获得的是PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，因此在后续进行信号分解时，能够自适应地分析信号并针对性地进行信号提取，所分解的各个成分具有较为明确的生理意义，并且实现过程简单高效，计算量较小，能够满足实时分析的需求，提高了呼吸信号和脉搏波信号提取过程的泛用性和准确性。
在上述的实施例中，提供了一种呼吸信号和脉搏波信号的重构方法以及一种呼吸信号和脉搏波信号的重构装置，此外，本申请另一实施例还提供一种电子设备，由于电子设备实施例基本相似于方法实施例，所以描述得比较简单，相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可，下述对电子设备实施例的描述仅仅是示意性的。该电子设备实施例如下：
请参考图3理解本实施例，图3为本实施例提供的电子设备的示意图。
如图3所示，本实施例提供的电子设备包括：处理器301和存储器302；
该存储器302用于存储数据处理的计算机指令，该计算机指令在被处理器301读取执行时，执行如下操作：
获得PPG信号的相关熵谱密度；基于所述相关熵谱密度，获得所述PPG信号中的呼吸信号和脉搏波信号所对应的边界频率；基于所述边界频率，构建目标经验小波集；使用所述目标经验小波集对所述PPG信号进行信号分解，获得呼吸信号和脉搏波信号。
在一些实施方式中，所述基于所述相关熵谱密度，获得所述PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，包括：
从所述相关熵谱密度划分出第一目标频段和第二目标频段，所述第一目标频段表征呼吸信号的预设频率范围；所述第二目标频段表征脉搏波信号的预设频率范围；
基于所述第一目标频段，获得所述呼吸信号对应的第一边界频率和第二边界频率，基于所述第二目标频段，获得所述脉搏波信号对应的第三边界频率和第四边界频率。
在一些实施方式中，所述基于所述第一目标频段，获得所述呼吸信号对应的第一边界频率和第二边界频率，基于所述第二目标频段，获得所述脉搏波信号对应的第三边界频率和第四边界频率，包括：
获得所述相关熵谱密度中的目标波峰索引，所述目标波峰索引为符合所述呼吸信号的波形属性的波峰位置所对应的频域索引和符合所述脉搏波信号的波形属性的波峰位置所对应的频域索引；
将所述第一目标频段中的最小频率确定为所述第一边界频率；
基于所述目标波峰索引和所述第一目标频段，确定第二边界频率；
基于所述目标波峰索引和所述第二目标频段，确定第三边界频率和第四边界频率。
在一些实施方式中，所述获得所述相关熵谱密度中的目标波峰索引，包括：
提取所述相关熵谱密度包含的峰值索引，所述峰值索引为所述相关熵谱密度中的各峰值对应的频率索引；
删除所述峰值索引中的无用分量对应的无用索引，获得备选峰值索引；
基于所述备选峰值索引获得OSF序列，并基于所述OSF序列确定出目标波峰索引。
在一些实施方式中，所述基于所述备选峰值索引获得OSF序列，并基于所述OSF序列确定出目标波峰索引，包括：
基于所述备选峰值索引计算最小峰值间距，并基于所述最小峰值间距确定OSF序列的窗口大小；
延拓所述相关熵谱密度，以所述窗口大小为窗长，按照预设步长滑动窗口，获得各窗口的幅值峰值，所述各窗口的幅值峰值组成所述OSF序列；
检测所述OSF序列中各备选峰值索引对应的幅值峰值、与其左右两侧预定数量的峰值索引对应的幅值峰值是否相同；
若不同，则删除所述备选峰值索引；
若相同，则保留所述备选峰值索引，所保留的备选峰值索引组成目标波峰索引。
在一些实施方式中，所述预定数量为所述最小峰值间距所对应的索引数量。
在一些实施方式中，所述基于所述目标波峰索引和所述第一目标频段，确定第二边界频率，包括：
检测所述第一目标频段内是否对应有所述目标波峰索引；
若是，则获取所述第一目标频段内最大波峰值对应的第一目标波峰索引，并基于所述第一目标波峰索引和所述最小峰值间距，计算获得第二边界频率的索引，并对应获得所述第二边界频率；
若否，则将所述第二频段内的预设局部频段中的最大幅值所对应的频率确定为第二边界频率；
所述基于所述目标波峰索引和所述第二目标频段，确定第三边界频率和第四边界频率，包括：
检测所述第二目标频段内是否对应有所述目标波峰索引；
若否，则将所述第二目标频段内的最小频率确定为第三边界频率，将所述第二目标频段内的最大频率确定为第四边界频率；
若是，则将所述第二目标频段内最大波峰值对应的频率与所述第一目标频段内最大波峰值对应的频率之间的最小幅值对应的频率确定为第三边界频率；获取所述第二目标频段内最大波峰值对应的第二目标波峰索引，并基于所述第二目标波峰索引和所述最小峰值间距计算获得第四边界频率的索引，并对应获得所述第四边界频率。
通过使用本实施例提供的电子设备，由于在确定边界频率时，所获得的是PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，因此在后续进行信号分解时，能够自适应地分析信号并针对性地进行信号提取，所分解的各个成分具有较为明确的生理意义，并且实现过程简单高效，计算量较小，能够满足实时分析的需求，提高了呼吸信号和脉搏波信号提取过程的泛用性和准确性。
在上述的实施例中，提供了一种呼吸信号和脉搏波信号的重构方法、一种呼吸信号和脉搏波信号的重构装置以及一种电子设备，此外，本申请第六实施例还提供了一种用于实现上述呼吸信号和脉搏波信号的重构方法的计算机可读存储介质。本申请提供的计算机可读存储介质实施例描述得比较简单，相关部分请参见上述方法实施例的对应说明即可，下述描述的实施例仅仅是示意性的。
本实施例提供的计算机可读存储介质上存储有计算机指令，该指令被处理器执行时实现以下步骤：
获得PPG信号的相关熵谱密度；基于所述相关熵谱密度，获得所述PPG信号中的呼吸信号和脉搏波信号所对应的边界频率；基于所述边界频率，构建目标经验小波集；使用所述目标经验小波集对所述PPG信号进行信号分解，获得呼吸信号和脉搏波信号。
在一些实施方式中，所述基于所述相关熵谱密度，获得所述PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，包括：
从所述相关熵谱密度划分出第一目标频段和第二目标频段，所述第一目标频段表征呼吸信号的预设频率范围；所述第二目标频段表征脉搏波信号的预设频率范围；
基于所述第一目标频段，获得所述呼吸信号对应的第一边界频率和第二边界频率，基于所述第二目标频段，获得所述脉搏波信号对应的第三边界频率和第四边界频率。
在一些实施方式中，所述基于所述第一目标频段，获得所述呼吸信号对应的第一边界频率和第二边界频率，基于所述第二目标频段，获得所述脉搏波信号对应的第三边界频率和第四边界频率，包括：
获得所述相关熵谱密度中的目标波峰索引，所述目标波峰索引为符合所述呼吸信号的波形属性的波峰位置所对应的频域索引和符合所述脉搏波信号的波形属性的波峰位置所对应的频域索引；
将所述第一目标频段中的最小频率确定为所述第一边界频率；
基于所述目标波峰索引和所述第一目标频段，确定第二边界频率；
基于所述目标波峰索引和所述第二目标频段，确定第三边界频率和第四边界频率。
在一些实施方式中，所述获得所述相关熵谱密度中的目标波峰索引，包括：
提取所述相关熵谱密度包含的峰值索引，所述峰值索引为所述相关熵谱密度中的各峰值对应的频率索引；
删除所述峰值索引中的无用分量对应的无用索引，获得备选峰值索引；
基于所述备选峰值索引获得OSF序列，并基于所述OSF序列确定出目标波峰索引。
在一些实施方式中，所述基于所述备选峰值索引获得OSF序列，并基于所述OSF序列确定出目标波峰索引，包括：
基于所述备选峰值索引计算最小峰值间距，并基于所述最小峰值间距确定OSF序列的窗口大小；
延拓所述相关熵谱密度，以所述窗口大小为窗长，按照预设步长滑动窗口，获得各窗口的幅值峰值，所述各窗口的幅值峰值组成所述OSF序列；
检测所述OSF序列中各备选峰值索引对应的幅值峰值、与其左右两侧预定数量的峰值索引对应的幅值峰值是否相同；
若不同，则删除所述备选峰值索引；若相同，则保留所述备选峰值索引，所保留的备选峰值索引组成目标波峰索引。
在一些实施方式中，所述预定数量为所述最小峰值间距所对应的索引数量。
在一些实施方式中，所述基于所述目标波峰索引和所述第一目标频段，确定第二边界频率，包括：
检测所述第一目标频段内是否对应有所述目标波峰索引；
若是，则获取所述第一目标频段内最大波峰值对应的第一目标波峰索引，并基于所述第一目标波峰索引和所述最小峰值间距，计算获得第二边界频率的索引，并对应获得所述第二边界频率；
若否，则将所述第二频段内的预设局部频段中的最大幅值所对应的频率确定为第二边界频率；
所述基于所述目标波峰索引和所述第二目标频段，确定第三边界频率和第四边界频率，包括：
检测所述第二目标频段内是否对应有所述目标波峰索引；
若否，则将所述第二目标频段内的最小频率确定为第三边界频率，将所述第二目标频段内的最大频率确定为第四边界频率；
若是，则将所述第二目标频段内最大波峰值对应的频率与所述第一目标频段内最大波峰值对应的频率之间的最小幅值对应的频率确定为第三边界频率；获取所述第二目标频段内最大波峰值对应的第二目标波峰索引，并基于所述第二目标波峰索引和所述最小峰值间距计算获得第四边界频率的索引，并对应获得所述第四边界频率。
通过执行本实施例提供的计算机可读存储介质上所存储的计算机指令，由于在确定边界频率时，所获得的是PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，因此在后续进行信号分解时，能够自适应地分析信号并针对性地进行信号提取，所分解的各个成分具有较为明确的生理意义，并且实现过程简单高效，计算量较小，能够满足实时分析的需求，提高了呼吸信号和脉搏波信号提取过程的泛用性和准确性。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (4)
1.一种呼吸信号和脉搏波信号的重构方法，其特征在于，所述方法包括：
获得PPG信号的相关熵谱密度；
基于所述相关熵谱密度，获得所述PPG信号中的呼吸信号和脉搏波信号所对应的边界频率；
基于所述边界频率，构建目标经验小波集；
使用所述目标经验小波集对所述PPG信号进行信号分解，获得呼吸信号和脉搏波信号；
其中，所述基于所述相关熵谱密度，获得所述PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，包括：
从所述相关熵谱密度划分出第一目标频段和第二目标频段，所述第一目标频段表征呼吸信号的预设频率范围；所述第二目标频段表征脉搏波信号的预设频率范围；
提取所述相关熵谱密度包含的峰值索引，所述峰值索引为所述相关熵谱密度中的各峰值对应的频率索引；删除所述峰值索引中的无用分量对应的无用索引，获得备选峰值索引；基于所述备选峰值索引计算最小峰值间距，并基于所述最小峰值间距确定OSF序列的窗口大小；延拓所述相关熵谱密度，以所述窗口大小为窗长，按照预设步长滑动窗口，获得各窗口的幅值峰值，所述各窗口的幅值峰值组成所述OSF序列；检测所述OSF序列中各备选峰值索引对应的幅值峰值、与其左右两侧预定数量的峰值索引对应的幅值峰值是否相同，所述预定数量为所述最小峰值间距所对应的索引数量；若不同，则删除所述备选峰值索引；若相同，则保留所述备选峰值索引，所保留的备选峰值索引组成目标波峰索引，所述目标波峰索引为符合所述呼吸信号的波形属性的波峰位置所对应的频域索引和符合所述脉搏波信号的波形属性的波峰位置所对应的频域索引；
将所述第一目标频段中的最小频率确定为第一边界频率；
检测所述第一目标频段内是否对应有所述目标波峰索引；若是，则获取所述第一目标频段内最大波峰值对应的第一目标波峰索引，并基于所述第一目标波峰索引和所述最小峰值间距，计算获得第二边界频率的索引，并对应获得所述第二边界频率；若否，则将所述第二目标频段内的预设局部频段中的最大幅值所对应的频率确定为第二边界频率；
检测所述第二目标频段内是否对应有所述目标波峰索引；若否，则将所述第二目标频段内的最小频率确定为第三边界频率，将所述第二目标频段内的最大频率确定为第四边界频率；若是，则将所述第二目标频段内最大波峰值对应的频率与所述第一目标频段内最大波峰值对应的频率之间的最小幅值对应的频率确定为第三边界频率；获取所述第二目标频段内最大波峰值对应的第二目标波峰索引，并基于所述第二目标波峰索引和所述最小峰值间距计算获得第四边界频率的索引，并对应获得所述第四边界频率。
2.一种呼吸信号和脉搏波信号的重构装置，其特征在于，所述装置包括：
相关熵谱密度获得单元，用于获得PPG信号的相关熵谱密度；
边界频率获得单元，用于基于所述相关熵谱密度，获得所述PPG信号中的呼吸信号和脉搏波信号所对应的边界频率；
目标经验小波集构建单元，用于基于所述边界频率，构建目标经验小波集；
信号分解单元，用于使用所述目标经验小波集对所述PPG信号进行信号分解，获得呼吸信号和脉搏波信号；
其中，所述基于所述相关熵谱密度，获得所述PPG信号中的呼吸信号和脉搏波信号所对应的边界频率，包括：
从所述相关熵谱密度划分出第一目标频段和第二目标频段，所述第一目标频段表征呼吸信号的预设频率范围；所述第二目标频段表征脉搏波信号的预设频率范围；
提取所述相关熵谱密度包含的峰值索引，所述峰值索引为所述相关熵谱密度中的各峰值对应的频率索引；删除所述峰值索引中的无用分量对应的无用索引，获得备选峰值索引；基于所述备选峰值索引计算最小峰值间距，并基于所述最小峰值间距确定OSF序列的窗口大小；延拓所述相关熵谱密度，以所述窗口大小为窗长，按照预设步长滑动窗口，获得各窗口的幅值峰值，所述各窗口的幅值峰值组成所述OSF序列；检测所述OSF序列中各备选峰值索引对应的幅值峰值、与其左右两侧预定数量的峰值索引对应的幅值峰值是否相同，所述预定数量为所述最小峰值间距所对应的索引数量；若不同，则删除所述备选峰值索引；若相同，则保留所述备选峰值索引，所保留的备选峰值索引组成目标波峰索引，所述目标波峰索引为符合所述呼吸信号的波形属性的波峰位置所对应的频域索引和符合所述脉搏波信号的波形属性的波峰位置所对应的频域索引；
将所述第一目标频段中的最小频率确定为第一边界频率；
检测所述第一目标频段内是否对应有所述目标波峰索引；若是，则获取所述第一目标频段内最大波峰值对应的第一目标波峰索引，并基于所述第一目标波峰索引和所述最小峰值间距，计算获得第二边界频率的索引，并对应获得所述第二边界频率；若否，则将所述第二目标频段内的预设局部频段中的最大幅值所对应的频率确定为第二边界频率；
检测所述第二目标频段内是否对应有所述目标波峰索引；若否，则将所述第二目标频段内的最小频率确定为第三边界频率，将所述第二目标频段内的最大频率确定为第四边界频率；若是，则将所述第二目标频段内最大波峰值对应的频率与所述第一目标频段内最大波峰值对应的频率之间的最小幅值对应的频率确定为第三边界频率；获取所述第二目标频段内最大波峰值对应的第二目标波峰索引，并基于所述第二目标波峰索引和所述最小峰值间距计算获得第四边界频率的索引，并对应获得所述第四边界频率。
3.一种电子设备，其特征在于，包括处理器和存储器；其中，
所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1所述的方法。
4.一种计算机可读存储介质，其上存储有一条或多条计算机指令，其特征在于，该指令被处理器执行以实现如权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310066534.3A CN116172512B (zh) | 2023-01-13 | 2023-01-13 | 一种呼吸信号和脉搏波信号的重构方法以及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310066534.3A CN116172512B (zh) | 2023-01-13 | 2023-01-13 | 一种呼吸信号和脉搏波信号的重构方法以及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116172512A CN116172512A (zh) | 2023-05-30 |
| CN116172512B true CN116172512B (zh) | 2023-11-07 |
Family
ID=86450100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310066534.3A Active CN116172512B (zh) | 2023-01-13 | 2023-01-13 | 一种呼吸信号和脉搏波信号的重构方法以及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116172512B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5917919A (en) * | 1995-12-04 | 1999-06-29 | Rosenthal; Felix | Method and apparatus for multi-channel active control of noise or vibration or of multi-channel separation of a signal from a noisy environment |
| CN109475311A (zh) * | 2016-05-10 | 2019-03-15 | 牛津大学创新有限公司 | 确定受试者周期性生理过程频率的方法以及确定受试者周期性生理过程频率的装置和系统 |
| CN113729653A (zh) * | 2021-09-02 | 2021-12-03 | 江苏傲能科技有限公司 | 一种人体脉搏波信号采集方法 |
| CN114144781A (zh) * | 2019-05-17 | 2022-03-04 | Q5Id公司 | 身份验证和管理系统 |
| CN115005803A (zh) * | 2022-04-22 | 2022-09-06 | 杭州回车电子科技有限公司 | 呼吸检测方法和装置 |
| CN115054211A (zh) * | 2022-06-10 | 2022-09-16 | 电子科技大学 | 动态血压与房颤同步监测装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210169417A1 (en) * | 2016-01-06 | 2021-06-10 | David Burton | Mobile wearable monitoring systems |
| JP7362480B2 (ja) * | 2017-02-03 | 2023-10-17 | ユニバーシティ・オブ・ノートル・ダム・デュ・ラック | コヒーレント信号分散を用いた心臓および肺の監視 |
| WO2020072297A1 (en) * | 2018-10-03 | 2020-04-09 | Arizona Board Of Regents On Behalf Of Arizona State University | Direct rf signal processing for heart-rate monitoring using uwb impulse radar |
| US20220039753A1 (en) * | 2020-08-04 | 2022-02-10 | University Of Maryland, College Park | Modulation model of photoplethysmography signal for vital sign extraction |
-
2023
- 2023-01-13 CN CN202310066534.3A patent/CN116172512B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5917919A (en) * | 1995-12-04 | 1999-06-29 | Rosenthal; Felix | Method and apparatus for multi-channel active control of noise or vibration or of multi-channel separation of a signal from a noisy environment |
| CN109475311A (zh) * | 2016-05-10 | 2019-03-15 | 牛津大学创新有限公司 | 确定受试者周期性生理过程频率的方法以及确定受试者周期性生理过程频率的装置和系统 |
| CN114144781A (zh) * | 2019-05-17 | 2022-03-04 | Q5Id公司 | 身份验证和管理系统 |
| CN113729653A (zh) * | 2021-09-02 | 2021-12-03 | 江苏傲能科技有限公司 | 一种人体脉搏波信号采集方法 |
| CN115005803A (zh) * | 2022-04-22 | 2022-09-06 | 杭州回车电子科技有限公司 | 呼吸检测方法和装置 |
| CN115054211A (zh) * | 2022-06-10 | 2022-09-16 | 电子科技大学 | 动态血压与房颤同步监测装置 |
Non-Patent Citations (2)
| Title |
|---|
| Estimating Respiratory and Heart Rates from the Correntropy Spectral Density of the Photoplethysmogram;Ainara Garde et al.;《PLOS ONE》;第2-3页，图1-10 * |
| FBSE-EWT-Based Approach for the Determination of Respiratory Rate From PPG Signals;Rajat Katiyar et al.;《Sensors Letters》;摘要，第2-3页，图1-3 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116172512A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh et al. | Denoising of ECG signal by non-local estimation of approximation coefficients in DWT | |
| Muthuswamy et al. | Spectral analysis methods for neurological signals | |
| Lin et al. | Heartbeat classification using normalized RR intervals and morphological features | |
| Faust et al. | Analysis of cardiac signals using spatial filling index and time-frequency domain | |
| Singh et al. | Variational mode decomposition based ECG denoising using non-local means and wavelet domain filtering | |
| Castillo et al. | Noise suppression in ECG signals through efficient one-step wavelet processing techniques | |
| Üstündağ et al. | Denoising of weak ECG signals by using wavelet analysis and fuzzy thresholding | |
| Yao et al. | A new method based CEEMDAN for removal of baseline wander and powerline interference in ECG signals | |
| Almalchy et al. | Noise removal from ECG signal based on filtering techniques | |
| CN112998704A (zh) | 一种可穿戴设备血氧饱和度计算方法 | |
| Wang et al. | Research on denoising algorithm for ECG signals | |
| Faezipour et al. | Wavelet-based denoising and beat detection of ECG signal | |
| Li et al. | Signal denoising based on the Schrödinger operator's eigenspectrum and a curvature constraint | |
| CN116172512B (zh) | 一种呼吸信号和脉搏波信号的重构方法以及装置 | |
| Niederhauser et al. | Graphics-processor-unit-based parallelization of optimized baseline wander filtering algorithms for long-term electrocardiography | |
| Barmase et al. | Wavelet transform-based analysis of QRS complex in ECG signals | |
| CN110420022B (zh) | 一种基于双密度小波变换的p波检测方法 | |
| Papadimitriou et al. | Nonlinear analysis of the performance and reliability of wavelet singularity detection based denoising for Doppler ultrasound fetal heart rate signals | |
| Signorini et al. | Applying nonlinear noise reduction in the analysis of heart rate variability | |
| Hadji et al. | Wavelet-based performance in denoising ecg signal | |
| CN114569140A (zh) | 一种纺锤波提取方法、系统、计算机设备、存储介质及程序产品 | |
| JP2000296118A (ja) | 生体信号解析方法および装置 | |
| Aysin et al. | Orthonormal-basis partitioning and time-frequency representation of cardiac rhythm dynamics | |
| Shao et al. | A Photoplethysmograph Signal Preprocess Method Based on Wavelet Transform | |
| Georgieva-Tsaneva | A novel photoplethysmographic noise removal method via wavelet transform to effective preprocessing |
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 |