CN116172551B - 一种无创生理参数传感器的传感信号分析方法 - Google Patents
一种无创生理参数传感器的传感信号分析方法 Download PDFInfo
- Publication number
- CN116172551B CN116172551B CN202310458821.9A CN202310458821A CN116172551B CN 116172551 B CN116172551 B CN 116172551B CN 202310458821 A CN202310458821 A CN 202310458821A CN 116172551 B CN116172551 B CN 116172551B
- Authority
- CN
- China
- Prior art keywords
- sensing
- sensing unit
- signals
- blood vessel
- distance
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- 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
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Optics & Photonics (AREA)
- Emergency Medicine (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Cardiology (AREA)
- Power Engineering (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种无创生理参数传感器的传感信号分析方法,是通过阵列传感单元中的一个传感单元进行定位,具体是:步骤1:设定阵列传感单元的信号激励源的频率范围;步骤2:激励信号依次分别接通多个传感单元,并采集多个经过其底部对应的人体部位后的多个传感信号;步骤3:采用深度成对特征对比交互算法对多个传感信号进行分析,在多个传感单元中,选择出一个与血管位置最为对齐的传感单元,采用对齐的传感信号。本发明的有益效果是:解决了无创生理参数传感中,由于血管不可见,传感信号很难对准血管的问题,从而提高了传感精度。
Description
技术领域
本发明涉及医学传感器技术领域,特别是一种无创生理参数传感器的传感信号分析方法。
背景技术
无创检测技术是近几年发展的检测技术,可避免采血,即不需要创口,通过包括光、声、电、射频和磁等传感手段,获取传感参数,传感参数包括但不限于血糖,血脂,血常规等多种血液参数等血生化指标。所有的传感信号与传感对象血管对齐后,获取数据的精度的效果是最好的。
每个人的不同部位的人体组织(皮肤、脂肪、肌肉等)的结构、厚度、形状等参数存在一定的差异,且人体的血管在不同部位的分布存在很大的差异。此外,由于人体的运动性以及佩戴的松紧程度,可穿戴设备的佩戴位置会发生轻微的位移,由于血管不可见或者位移等,会导致对齐困难,传感器无法对齐血管,限制了获取人体生理参数的准确度,获取的数据精度下降。
发明内容
针对目前无创监测的难点,本发明提出了一种无创生理参数传感器的检测定位方法,自动定位血管位置和深度,并选择合适的传感器及其传感信号。
一种无创生理参数传感器的传感信号分析方法,配置具有多个传感单元的阵列传感单元,需选择其中一个与血管对齐的传感单元进行定位,具体实现过程如下:
步骤1:设定阵列传感器的信号激励源的频率范围;
步骤2:激励信号依次分别接通多个传感单元,并分别采集多个经过其底部对应的人体部位后的多个传感信号;
步骤3:采用深度成对特征对比交互算法对多个传感信号进行分析,在多个传感单元中,选择出一个与血管位置最为对齐的传感单元,采用该传感单元的传感信号。
进一步的,执行所述步骤2后,需要通过引导滤波算法对传感信号滤波,包括如下步骤:
首先,利用各向异性高斯滤波器的方向选择性实现对传感信号的噪声的精细识别;
其次,利用滤波器的狭长空域结构实现局部窗口内传感信息融合;
再次,引入邻域方差以实现对局部线性变换参数的优化,在保证传感信号的细节特征不丢失的前提下实现信号的滤波处理。
进一步的,所述步骤3中,与血管位置最为对齐的传感单元标记为Aeff,所对应的传感信号被标记为Seff,计算传感单元Aeff的传感信号Seff在不同频率下的信号分布情况,根据相邻频率之间的传感信号的差异,计算血管与传感单元Aeff的距离。
进一步的,血管与传感单元Aeff的距离,计算过程如下:
Seff中相邻频率之间的S参数的差值定义为数据对象,通过熵权距离对Seff中每个数据对象进行密度估计;
根据密度分别计算每个数据对象的相对距离;
最后通过计算相对熵权密度离群因子,对其进行降序排列,取前m个离群点作为输出,根据所获取的m个离群点数据,采用线性拟合回归分析方法,推算出该部位的每种人体组织的厚度以及血管与传感单元Aeff的距离。
还包括选择合适的频率并激活第二传感器用于血糖监测,包括如下步骤:
首先,根据血管定位模块所获取的血管与传感单元Aeff的距离以及射频传感路径上人体组织的厚度,计算人体组织的等效电学距离;
其次,根据等效电学距离选择传感单元及频率。
本发明的有益效果是:解决了无创生理参数传感中,由于血管不可见,传感信号很难对准血管的问题,从而提高了传感精度。
附图说明
图1是本发明实施例的血管定位方法流程图。
图2是本发明实施例的传感信号分析方法的流程图。
图3是本发明实施例的阵列传感单元结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
本发明提出的可穿戴设备是可佩戴在用户的手臂、手腕或腹部等部位。可穿戴设备包括若干个传感单元,传感单元用于寻找合适的静脉和血管。
可用于获取人体组织的响应特征,传感参数包括但不限于血糖,血脂,血常规、多种血液参数生化指标。所有的传感信号与传感对象血管对齐后,获取的数据最精确。
如图1所示,一种无创生理参数传感器的传感信号分析方法,配置阵列传感单元,通过一个传感单元进行定位,具体实现过程如下:
S1:设定阵列传感单元的信号激励源的频率范围;
S2:激励信号依次分别接通多个传感单元,并采集多个经过其底部对应的人体部位后的多个传感信号;
S3:采用深度成对特征对比交互算法对多个传感信号进行分析,在多个传感单元中,选择出一个与血管位置最为对齐的传感单元,采用该传感单元的传感信号。
本发明实施例以无创血糖测量为例,通过下面的实施例进行说明。
如图3所示,是本发明中其中的一种阵列传感器的结构示意图,其由N个传感单元(N≥2)组成,每个传感单元由第一传感器和第二传感器组成。
其中第一传感器的主要功能是在整个工作波段(如1MHz至10GHz)内,所产生的射频信号的效率不小于90%,信号的增益不小于10dBi,该传感器将用于分析血管的分布、位置和深度。
第二传感器的主要功能是在某个频率下(如5GHz)产生高聚焦的能量,即电场能量主要集中于传感器的螺旋谐振环处,该传感器将用于获取血管。
血管定位,其主要功能是自动定位无创血糖监测装置周围的血管分布、位置和深度。
在本发明实施例中,阵列传感器包括排列的多个射频传感器、光学传感器、生物电传感器和超声波传感器中的一种,通过传感器获取传感参数,所述传感参数包括血液参数、生化指标参数。
实施例以血糖监测为例进行说明。
本发明实施例中提出了基于射频的血管自动定位方法,其主要通过每个传感单元中的第一传感器进行定位,具体实现过程如下:
步骤S1中:设定第一传感器的信号激励源的频率范围;
在发明实施例中,将激励源的频率范围设置为1MHz至10GHz,且间隔1MHz产出所需的激励信号。上述的设置仅用于解释说明本专利的实施过程,具体的频率范围和频率间隔可根据实际情况进行设置。
S2:激励信号通过射频开关,依次分别接通传感器A1,A2,A3,....,An,并分别采集传感器A1,A2,A3,....,An经过其底部对应的人体部位后的传感信号,传感信号分别表示为SA1,SA2,SA3,...,SAn。
S3:采用基于自适应的引导滤波算法对传感信号SA1,SA2,SA3,...,SAn进行滤波处理。
其中的滤波处理包括如下步骤:
首先,利用各向异性高斯滤波器的方向选择性实现对传感信号的噪声的精细识别;
其次,利用滤波器的狭长空域结构实现局部窗口内传感信息融合;再次,引入邻域方差以实现对局部线性变换参数的优化,在保证传感信号的细节特征不丢失的前提下实现信号的滤波处理。
如图2所示,本发明的实施例还包括传感信号分析的方法,包括:
S4:采用深度成对特征对比交互算法对传感信号SA1,SA2,SA3,...,SAn进行分析,在N个传感单元中,选择出一个与血管位置最为对齐的传感单元用于血糖监测。深度成对特征对比交互算法模拟人类深度对比交互的过程,实现自动分析无创血糖监测装置的传感单元是否对齐血管位置。
该算法由全局信息向量学习、门向量学习、深度成对特征交互三个部分组成。其中全局信息向量学习融合了不同传感信号的成对特征的所有信息,门向量学习对比了在同一频率下的成对特征的共同、差异特征,深度成对特征交互利用门向量所学习的对比信息自适应交互正负对深度特征。
因此,通过上述的对比与分析,选择出一个与血管位置最为对齐的传感单元,该传感单元标记为Aeff,所对应的传感信号被标记为Seff。
S5:计算传感单元Aeff的传感信号Seff在不同频率下的信号分布情况,根据相邻频率之间的传感信号的差异,计算血管与传感单元Aeff的距离。
在本发明实施例中,采用基于熵权距离的方法取代传统算法中的欧氏距离,提高离群属性在计算距离中的权重。
具体来说,Seff中相邻频率之间的S参数的差值定义为数据对象,通过熵权距离对Seff中每个数据对象进行密度估计,然后根据密度分别计算每个数据对象的相对距离,最后通过计算相对熵权密度离群因子,对其进行降序排列,取前m(m的大小由血糖监测部位的人体组织的种类确定,如果该血糖监测部位只包含皮肤、脂肪两种组织,则m=2;如果血糖监测部位包含皮肤、脂肪、肌肉三种组织,则m=3,依此类推)个离群点作为输出,m≥1。根据所获取的m个离群点数据,采用线性拟合回归分析方法,推算出该部位的每种人体组织(皮肤、脂肪、肌肉等)的厚度以及血管与传感单元Aeff的距离。
该模块的主要功能是选择合适的频率并激活第二传感器用于获取人体组织的响应特征。以下以血糖监测为例进行说明。
首先,根据血管定位模块所获取的血管与传感单元Aeff的距离以及射频传感路径上人体组织(皮肤、脂肪、肌肉等)的厚度,计算人体组织的等效电学距离;
其次,根据人体组织的等效电学距离选择合适的频率。
在本发明的实施例中,等效电学距离具体计算方法如下:
步骤1:假设皮肤厚度为m,脂肪厚度为n,肌肉厚度为h,三种人体组织的电学距离为y,则
其中εskin,εfat,εmuscle分别为皮肤、脂肪、肌肉在血管定位模块中步骤5所确定的频率下的相对介电常数,σskin,σfat,σmuscle分别为皮肤、脂肪、肌肉的电导率。上述的表达式中,y包含实部R和虚部C,因此,其等效电学距离可表示如下:
其中δ为人体组织等效电学距离,σ为人体组织等效电导率,且 μ为人体组织等效电导率,由于人体为非磁性物质,其值大小可设置为1。
根据所获取的特定频率f下的S参数的幅值与相位值,计算出血糖的浓度BG,其计算方法如下:
BG=α·ω1·Amp+β·ω2·Pha
其中Amp为S参数的幅值,Pha为S参数的相位值,ω1和ω2分别为将S参数的幅值、相位值转为血糖值的转换因子,其大小可通过粒子群算法、遗传算法等进行优化。α和β分别为S参数的幅值、相位值在血糖监测中的权重因子,根据不同的用户,可设置不同的权重因子。
将上述计算出的血糖结果,发送到医疗健康终端显示,或者是手机等智能设备显示。当无创血糖监测装置判断用户为低血糖或者高血糖时,则每5分钟向用户发送一次高/低血糖示警音,直至高/低血糖血糖解除或者用户已获知该警示。
本发明的效果是:针对不同年龄层、不同肤色的用户,穿戴在手臂、手腕或腹部等部位,其血管分布、位置和深度是不一样的,或者是在运动中还是传感器位移,针对这些情况,通过本发明的方法,即可自动选择合适的传感器,不需要像现有技术一样频繁调整传感器的位置,尝试获取最合适的位置,以获取更准确的人体组织的响应特征,随意佩戴即可获取精度高的数据。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (3)
1.一种无创生理参数传感器的传感信号分析方法,其特征在于,配置具有多个传感单元的阵列传感单元,需选择其中一个与血管对齐的传感单元进行定位,具体实现过程如下:
步骤1:设定阵列传感单元的信号激励源的频率范围;
步骤2:激励信号依次分别接通多个传感单元,并采集多个经过其底部对应的人体部位后的多个传感信号;
步骤3:采用深度成对特征对比交互算法对多个传感信号进行分析,在多个传感单元中,选择出一个与血管位置最为对齐的传感单元,采用该传感单元的传感信号;
步骤4:将与血管位置最为对齐的传感单元标记为Aeff,所对应的传感信号被标记为Seff,计算传感单元Aeff的传感信号Seff在不同频率下的信号分布情况,根据相邻频率之间的传感信号的差异,计算血管与传感单元Aeff的距离;
其中,计算血管与传感单元Aeff的距离,包括:传感信号Seff中相邻频率之间的S参数的差值定义为数据对象,通过熵权距离对传感信号Seff中每个数据对象进行密度估计;
根据密度分别计算每个数据对象的相对距离,通过计算相对熵权密度离群因子,对其进行降序排列,取前m个离群点作为输出,m值根据监测部位的人体组织的种类确定,根据所获取的m个离群点数据,采用线性拟合回归分析方法,推算出监测部位的每种人体组织的厚度以及血管与传感单元Aeff的距离;
步骤5:根据血管定位模块所获取的血管与传感单元Aeff的距离以及传感路径上人体组织的厚度,计算人体组织的等效电学距离,根据等效电学距离选择传感单元及频率,用于记录人体组织的响应特征。
2.根据权利要求1所述的传感信号分析方法,其特征在于,执行所述步骤2后,需要通过引导滤波算法对传感信号滤波,包括如下步骤:
利用各向异性高斯滤波器的方向选择性实现对传感信号的噪声的精细识别;
利用滤波器的狭长空域结构实现局部窗口内传感信息融合;
引入邻域方差以实现对局部线性变换参数的优化,在保证传感信号的细节特征不丢失的前提下实现信号的滤波处理。
3.根据权利要求1所述的传感信号分析方法,其特征在于,所述阵列传感单元包括排列的多个射频传感器、光学传感器、生物电传感器和超声波传感器中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310458821.9A CN116172551B (zh) | 2023-04-26 | 2023-04-26 | 一种无创生理参数传感器的传感信号分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310458821.9A CN116172551B (zh) | 2023-04-26 | 2023-04-26 | 一种无创生理参数传感器的传感信号分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116172551A CN116172551A (zh) | 2023-05-30 |
CN116172551B true CN116172551B (zh) | 2023-09-01 |
Family
ID=86438739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310458821.9A Active CN116172551B (zh) | 2023-04-26 | 2023-04-26 | 一种无创生理参数传感器的传感信号分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116172551B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200722055A (en) * | 2005-06-13 | 2007-06-16 | Spentech Inc | Medical doppler ultrasound system for locating and tracking blood flow |
KR20210146795A (ko) * | 2020-05-27 | 2021-12-06 | 울산과학기술원 | 얼라인먼트 키로 동작하는 임플란트 센서, 임플란트 센서를 포함하는 임플란트 디바이스 및 임플란트 디바이스를 포함하는 생체 정보 측정 시스템 |
CN113825446A (zh) * | 2019-05-24 | 2021-12-21 | 蔚山科学技术院 | 血糖测定装置及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2578853B (en) * | 2017-07-07 | 2022-01-26 | Texas A & M Univ Sys | System and method for cuff-less blood pressure monitoring |
-
2023
- 2023-04-26 CN CN202310458821.9A patent/CN116172551B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200722055A (en) * | 2005-06-13 | 2007-06-16 | Spentech Inc | Medical doppler ultrasound system for locating and tracking blood flow |
CN113825446A (zh) * | 2019-05-24 | 2021-12-21 | 蔚山科学技术院 | 血糖测定装置及方法 |
KR20210146795A (ko) * | 2020-05-27 | 2021-12-06 | 울산과학기술원 | 얼라인먼트 키로 동작하는 임플란트 센서, 임플란트 센서를 포함하는 임플란트 디바이스 및 임플란트 디바이스를 포함하는 생체 정보 측정 시스템 |
Non-Patent Citations (1)
Title |
---|
赵建勋等.射频电路基础.西安电子科技大学出版社,2019,第4.6节第125-127页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116172551A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11883142B2 (en) | System and method for cardiovascular health monitoring | |
Liu et al. | TagSheet: Sleeping posture recognition with an unobtrusive passive tag matrix | |
CN113261925A (zh) | 一种基于毫米波雷达的人体感知方法及系统 | |
Yamamoto et al. | ECG signal reconstruction via Doppler sensor by hybrid deep learning model with CNN and LSTM | |
CN109620262A (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
US11622696B2 (en) | Method for improving heart rate estimates by combining multiple measurement modalities | |
WO2018032599A1 (zh) | 一种穿戴式智能设备身份认证方法及装置 | |
CN110520935A (zh) | 从无线电信号学习睡眠阶段 | |
Fioranelli et al. | Contactless radar sensing for health monitoring | |
Tsai et al. | High accuracy respiration and heart rate detection based on artificial neural network regression | |
CN115736888A (zh) | 基于fmcw雷达的呼吸信号提取方法 | |
CN116369886A (zh) | 基于毫米波雷达的房颤检测装置、设备及存储介质 | |
Brophy et al. | A machine vision approach to human activity recognition using photoplethysmograph sensor data | |
Oguntala et al. | Design framework for unobtrusive patient location recognition using passive RFID and particle filtering | |
CN116172551B (zh) | 一种无创生理参数传感器的传感信号分析方法 | |
Matsunaga et al. | Non-contact instantaneous heart rate monitoring using microwave Doppler sensor and time-frequency domain analysis | |
CN113708784A (zh) | 一种远距离非接触式的呼吸率估计方法、系统和存储介质 | |
Karilainen et al. | Mobile patient monitoring based on impedance-loaded SAW-sensors | |
Uysal et al. | Contactless respiration rate estimation using MUSIC algorithm | |
Hou et al. | Respiration signal extraction from pulse wave collected by PVDF sensor | |
Liu et al. | Intelligent Wearable Wrist Pulse Detection System Based on Piezoelectric Sensor Array | |
Zhang et al. | Radar-Beat: Contactless beat-by-beat heart rate monitoring for life scenes | |
Rong et al. | Non-contact cardiac parameters estimation using radar acoustics for healthcare iot | |
Fang et al. | Exploration on the negative effects of sensor shifts in photoplethysmography-based gesture recognition and a solution based on transfer learning | |
Zhang et al. | Human Activity Recognition Based on On-Body Antennas and Semi-Supervised Learning |
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 |