CN116548928B - 一种基于互联网的护理服务系统 - Google Patents
一种基于互联网的护理服务系统 Download PDFInfo
- Publication number
- CN116548928B CN116548928B CN202310840257.7A CN202310840257A CN116548928B CN 116548928 B CN116548928 B CN 116548928B CN 202310840257 A CN202310840257 A CN 202310840257A CN 116548928 B CN116548928 B CN 116548928B
- Authority
- CN
- China
- Prior art keywords
- signal
- characteristic
- component
- amplitude
- signals
- 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
- 230000000474 nursing effect Effects 0.000 title abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims abstract description 3
- 230000000737 periodic effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000027691 Conduct disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 208000028659 discharge Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012216 screening 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
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
Abstract
本发明涉及电数字数据处理技术领域,具体涉及一种基于互联网的护理服务系统。该系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:获取原始体征信号,对原始体征信号分解获得分量信号;根据分量信号之间的差异和高频部分的幅值确定第一目标分量信号;基于第一目标分量信号下方各分量信号对应的各信号段中极值点的幅值的差异,确定特征截止分量信号;基于特征截止分量信号获得去除基线漂移后的信号;根据特征截止分量信号及其上方的各分量信号对应的各信号段的幅值差异,得到噪声功率谱,进而获得滤波后的信号;基于滤波后的信号生成护理方案。本发明在对体征信号进行滤波时能够最大程度保留细节信息。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种基于互联网的护理服务系统。
背景技术
互联网的护理服务主要是指医疗机构利用在本机构注册的护士,依托互联网等信息技术,以“线上申请、线下服务”的模式为主,为出院患者或罹患疾病且行动不便的特殊人群提供的护理服务。护理人员的分配和工作更有效率,将有效满足民众健康方面的需求,尤其是在应对老龄化方面发挥重要作用。
护理中心根据患者实际情况生成个性化护理方案,包括各种护理项目,然后根据护士专业领域、水平等进行分配调度,患者需要向护理中心提供相应的体征监测数据,以便生成对应护理方案,而患者所采用的健康监测设备质量参差不齐,也缺少高性能的预处理功能,另外传输过程也会存在一定的信息损失,导致发送给护理中心的体征监测数据失真问题较严重,这对后续的护理方案以及人员调度存在较大的影响。因此预处理系统在平滑噪声的同时,需要尽可能保留信号细节,当发生信息丢失时,才能根据信号细节修复受损信号。
发明内容
为了解决现有方法在对采集到的体征监测数据进行预处理时存在的部分数据严重失真的问题,本发明的目的在于提供一种基于互联网的护理服务系统,所采用的技术方案具体如下:
本发明提供了一种基于互联网的护理服务系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:
获取待分析对象的原始体征信号,对所述原始体征信号进行EMD分解获得各分量信号;
获取所述原始体征信号的高频部分;根据分量信号之间的差异情况以及所述高频部分的幅值分布,确定第一目标分量信号;根据第一目标分量信号及其上方的所有分量信号的幅值分布,对各分量信号进行划分获得各分量信号对应的信号段;
基于第一目标分量信号下方的各分量信号对应的各信号段中极值点对应的幅值之间的差异,确定特征截止分量信号;基于所述特征截止分量信号对原始体征信号去除基线漂移获得去除基线漂移后的信号;根据所述特征截止分量信号及其上方的各分量信号对应的各信号段的幅值差异,得到维纳滤波的噪声功率谱;
基于所述维纳滤波的噪声功率谱对所述去除基线漂移后的信号进行滤波,获得滤波后的信号;基于所述滤波后的信号对待分析对象生成护理方案。
优选的,所述根据第一目标分量信号及其上方的所有分量信号的幅值分布,对各分量信号进行划分获得各分量信号对应的信号段,包括:
将第一目标分量信号及其上方的所有分量信号记为第一特征信号;
对于任一第一特征信号,利用预设长度的滑窗从左到右依次对该第一特征信号进行遍历,计算滑窗每次滑动对应的信号的幅值总和,对所有的所述幅值总和进行曲线拟合获得对应的曲线,将所述曲线上的极大值点对应的信号段记为该第一特征信号对应的参考信号段;按照预设顺序依次对该第一特征信号对应的各参考信号段进行标号,获得每个参考信号段的序号;
对于任一序号:将该序号的所有参考信号段的中心点的横坐标的均值记为目标值;将横坐标为所述目标值的点作为分割点;
基于所有的所述分割点分别对各分量信号进行划分,获得各分量信号对应的信号段。
优选的,所述基于第一目标分量信号下方的各分量信号对应的各信号段中极值点对应的幅值之间的差异,确定特征截止分量信号,包括:
将第一目标分量信号下方的分量信号记为待分析信号;根据各待分析信号中极值点对应的幅值之间的差异,计算各待分析信号的周期性差异;
对待分析信号的周期性差异生成累加曲线,将所述累加曲线最大拐点处的前一个待分析分量信号确定为特征截止分量信号。
优选的,采用如下公式计算各待分析信号的周期性差异:
其中,Z为任一待分析信号的周期性差异,W为该待分析信号对应的信号段的数量,K为该待分析信号中极值点最少的信号段中极值点数量,为第w个信号段内第k个极值点的幅值,/>为所有的信号段中第k个极值点的平均幅值。
优选的,所述根据所述特征截止分量信号及其上方的各分量信号对应的各信号段的幅值差异,得到维纳滤波的噪声功率谱,包括:
将所述特征截止分量信号及其上方的所有分量信号记为第二特征信号;
对于第i个第二特征信号:将第i个第二特征信号对应的各信号段的左右端点的幅值的差异记为第i个第二特征信号对应的各信号段的第一差异;将第i个第二特征信号的最大幅值和最小幅值的差异记为第二差异;将所述第一差异与所述第二差异的比值记为第i个第二特征信号对应的各信号段的第一占比;计算第i个第二特征信号对应的各信号段内所有幅值的标准差;根据所述第一占比、所述标准差、所述第i个第二特征信号对应的各信号段的幅值,得到第i个第二特征信号的噪声强度;
计算所有第二特征信号的噪声强度的和值,将所述和值的倒数确定为维纳滤波的噪声功率谱。
优选的,采用如下公式计算第i个第二特征信号的噪声强度:
其中,为第i个第二特征信号的噪声程度,V为第i个第二特征信号对应的信号段的数量,/>为第i个第二特征信号对应的第v个信号段中幅值的数量,/>为第i个第二特征信号对应的第v个信号段的右端点的幅值,/>为第i个第二特征信号对应的第v个信号段的左端点的幅值,/>为第i个第二特征信号的最大幅值,/>为第i个第二特征信号的最小幅值,/>为第i个第二特征信号对应的第v个信号段内的第p个幅值,/>为第i个第二特征信号对应的第v个信号段内所有幅值的均值,/>为第i个第二特征信号对应的第v个信号段内所有幅值的标准差,λ为预设调整参数。
优选的,所述根据分量信号之间的差异情况以及所述高频部分的幅值分布,确定第一目标分量信号,包括:
计算高频部分的幅值的均方差;
按照分量信号从上到下的顺序,依次累加分量信号的幅值的均方差获得累加值,将所述累加值与所述高频部分的幅值的均方差之间的差异取最小值时参与累加值计算的最后一个分量信号,确定为第一目标分量信号。
优选的,所述获取所述原始体征信号的高频部分,包括:
采用傅里叶变换将所述原始体征信号转化为频域信号;
采用最大类间方差法确定所述频域信号的频率阈值,基于所述频率阈值分割所述体征信号的高频部分。
优选的,所述基于所述特征截止分量信号对原始体征信号去除基线漂移获得去除基线漂移后的信号,包括:
对特征截止分量信号下方的所有分量信号进行叠加重构,得到基线偏移部分的趋势线,将原始体征信号减去趋势线获得去除基线漂移后的信号。
本发明至少具有如下有益效果:
本发明考虑到待分析对象在向护理中心提供体征监测数据时,交互双方的信息交流受到设备质量、传输方式的限制,导致护理中心接收到的体征信号与待分析对象实际的体征信号存在一定的差异,进而影响护理方案的制订,本发明首先对采集到的原始体征信号进行EMD分解获得多个分量信号,然后对分量信号进行分析,筛选出特征截止分量信号,基于特征截止分量信号消除原始体征信号的基线漂移,并根据特征截止分量信号及其上方的各分量信号对应的各信号段的幅值差异,得到了维纳滤波的噪声功率谱,维纳滤波的噪声功率谱既包含不同分量中不同功率的复杂噪声,又对特征突出部分的噪声功率进行抑制,维纳滤波的噪声功率谱可以在去噪时最大程度保留基线特征的细节信息,大幅提高待分析对象体征信号的保真率,进而使得制订的个性化护理方案更科学、更合理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例所提供的一种基于互联网的护理服务系统所执行的方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于互联网的护理服务系统进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于互联网的护理服务系统的具体方案。
一种基于互联网的护理服务系统实施例:
本实施例所针对的具体情景为:待分析对象所采用的体征监测设备质量参差不齐,也缺少高性能的预处理功能,另外所采集到的数据在传输过程也会存在一定的信息损失,发送给护理中心的健康数据失真问题较严重,这对后续的护理方案以及人员调度存在较大的影响。因此预处理系统在平滑噪声的同时,需要尽可能保留信号细节,当发生信息丢失时,才能根据信号细节修复受损信号。本实施例将首先利用EMD分解对采集到的体征信号进行分解获得多个分量信号,基于分量信号之间的差异情况,筛选特征截止基线,进而消除基线漂移,然后根据特征截止基线变化对其上方的分量信号的噪声程度进行分析,得到维纳滤波的噪声功率谱,既包含不同分量中不同功率的复杂噪声,又对特征突出部分的噪声功率进行抑制,本实施例获取的维纳滤波的噪声功率谱可以在去噪时最大程度保留基线特征的细节信息,因此本实施例基于维纳滤波的噪声功率谱对去除基线漂移后的信号进行滤波处理,基于滤波后的信号对待分析对象生成护理方案,大幅提高健康监测信号的保真率,以及个性化护理方案的科学性、合理性。
本实施例提出了一种基于互联网的护理服务系统,该系统以实现如图1所示的步骤,具体步骤如下:
步骤S1,获取待分析对象的原始体征信号,对所述原始体征信号进行EMD分解获得各分量信号。
本实施例首先采集待分析对象的体征信号,将此时采集到的信号记为原始体征信号;体征信号可以为心电、血压、呼吸等具有一定周期性的信号。考虑到原始体征信号中既存在高频噪声,又存在低频基线漂移,简单的预处理系统不能有效处理噪声问题。维纳滤波对于信号细节的保留效果较好,其原理是一种基于最小均方误差准则的信号处理算法,提升其去噪精度核心在于噪声功率谱的确定,现有利用拉格朗日乘子、信噪比倒数、经验值等获取噪声功率谱的估计方法,这些方法分别存在计算方法复杂、缺少标准信号计算信噪比、准确率较低等问题。本实施例提出一种维纳滤波的噪声功率谱的估计方法,能够稳定去除信号噪声,保留信号细节信息。
维纳滤波的噪声功率谱本质上只描述高频噪声,因此基线漂移部分的低频噪声并不能与高频噪声一并去除,甚至还会影响噪声功率谱的估计精度。本实施例首先利用EMD分解方法对待分析对象的原始体征信号进行分解获得多个分量信号,EMD分解为信号处理领域的公知技术,此处不再过多赘述。
至此,获得了待分析对象的原始体征信号,以及原始体征信号对应的多个分量信号。
步骤S2,获取所述原始体征信号的高频部分;根据分量信号之间的差异情况以及所述高频部分的幅值分布,确定第一目标分量信号;根据第一目标分量信号及其上方的所有分量信号的幅值分布,对各分量信号进行划分获得各分量信号对应的信号段。
大多数人的体征信号均具有周期性,而该周期性仅截止于包含信号特征的分量信号中,再向下分解的分量信号均为比信号特征基线更低频的分量,这部分信号为不应存在的基线部分。高频噪声集中在较靠前的分量信号中,因此这部分信号的周期性计算误差较大,而且特征截止基线不会在较靠前的分量信号中。本实施例首先采用傅里叶变换将待分析对象的原始体征信号转化为频域信号;然后采用最大类间方差法确定所述频域信号的频率阈值,基于所述频率阈值分割出高频部分,分割出的高频部分主要为噪声信号。本实施例计算高频部分的幅值的均方差,后续将结合高频部分的幅值的均方差以及分量信号之间的差异情况,获得信号的周期,并基于周期将每个分量信号划分为多个信号段。
按照从上到下的顺序,将EMD分解获得的所有分量信号中最上面的分量信号作为第1个分量信号,依次类推,将EMD分解获得的所有分量信号中最下面的分量信号作为最后1个分量信号,也即按照从上到下的顺序对EMD分解获得的所有分量信号进行了标号。按照EMD分解获得的分量信号从上至下的顺序,依次累加均方差量,当均方差最逼近高频部分的幅值的均方差时累加截止,也即累加值与所述高频部分的幅值的均方差之间的差异取最小值时,将此时参与计算的最后一个分量信号作为第一目标分量信号,从第1个分量信号至第一目标分量信号为止,该部分分量信号近似于噪声部分。第一目标分量信号的获取函数具体为:
其中,为第一目标分量信号的获取函数;/>为高频部分的幅值的均方差;/>为第n个分量信号的幅值的均方差;/>为参与均方差累加计算的分量信号的数量,也即第一目标分量信号在所有分量信号中的次序;min( )为取最小值函数;| |为取绝对值符号。
为从第1个分量信号开始累加分量信号获得的均方差的累加值,当累加值与差异最小时,即/>取得最小值,将此时参与均方差累加计算的最后一个分量信号作为第一目标分量信号。
至此,采用上述方法,从所有分量信号中筛选出了第一目标分量信号,从第1个分量信号至第一目标分量信号之间的所有分量信号并非全为实际噪声,因为噪声分布具有较大随机性,且EMD分解过程存在一定误差,因此本实施例仅作为获取特征截止分量信号过程中噪声信号的粗筛选。
将第一目标分量信号及其上方的所有分量信号记为第一特征信号,也即将第1个分量信号至第一目标分量信号之间的每个分量信号均作为了第一特征信号,获得了多个第一特征信号。对于任一第一特征信号,利用预设长度的滑窗,从左到右依次对该第一特征信号进行遍历,滑窗每次滑动均对应一段信号,分别计算滑窗每次滑动对应的信号的幅值总和,其幅值总和代表的是该位置处的信息量,也即滑窗每滑动一次对应一个幅值总和,对所有的幅值总和进行曲线拟合获得对应的曲线,获取所述曲线上的极大值点,将所述曲线上的极大值点对应的信号段记为该第一特征信号对应的参考信号段,也即获得了该第一特征信号对应的多个参考信号段,按照预设顺序依次对该第一特征信号对应的多个参考信号段进行标号,获得每个参考信号段的序号;本实施例中的预设顺序为从左到右的顺序;需要说明的是,对该第一特征信号对应的多个参考信号段进行标号时,参考信号段的序号从1开始依次递增。采用上述方法,能够获得每个第一特征信号对应的多个参考信号段,并获得了所有参考信号段的序号。需要说明的是,在对每个第一特征信号对应的多个参考信号段进行标号时,序号均从1开始,也即每个第一特征信号均有一个序号为1的参考信号段,每个第一特征信号均有一个序号为2的参考信号段,依次类推。对于任一序号:将该序号的所有参考信号段的中心点的横坐标的均值记为目标值;将横坐标为所述目标值的点作为分割点。本实施例中的预设长度为21,也即滑窗的长度为21,在具体应用中,实施者可根据具体情况进行设置。
采用上述方法,每个序号均能获取一个对应的分割点,基于所有的分割点分别对每个分量信号进行划分,获得每个分量信号对应的多个信号段。
步骤S3,基于第一目标分量信号下方的各分量信号对应的各信号段中极值点对应的幅值之间的差异,确定特征截止分量信号;基于所述特征截止分量信号对原始体征信号去除基线漂移获得去除基线漂移后的信号;根据所述特征截止分量信号及其上方的各分量信号对应的各信号段的幅值差异,得到维纳滤波的噪声功率谱。
在对每个分量信号进行划分之后,本实施例将对第一目标分量信号下方的各分量信号进行分析,从第一目标分量信号下方的所有分量信号中筛选出特征截止分量信号,将特征截止分量信号的幅值构成的曲线作为特征截止基线,基于特征截止曲线对原始体征信号消除基线偏移。
将第一目标分量信号下方的分量信号记为待分析信号,分别获取每个待分析信号的极值点,极值点可以视为信号的特征点,因此本实施例将基于每个待分析信号对应的各信号段中极值点的幅值之间的差异,确定每个待分析信号的周期性差异,基于所有待分析信号的周期性差异确定特征截止分量信号。对于任一待分析信号,其对应的周期性差异的具体计算公式为:
其中,Z为该待分析信号的周期性差异,W为该待分析信号对应的信号段的数量,K为该待分析信号中极值点最少的信号段中极值点数量,为第w个信号段内第k个极值点的幅值,/>为所有的信号段中第k个极值点的平均幅值。
表征第w个信号段内第k个极值点的幅值与所有的信号段中第k个极值点的平均幅值之间的差异,/>表征该差异与所有的信号段中第k个极值点的平均幅值之间的比值;/>反映该待分析信号中所有信号段之间的周期性差异,该周期性差异越大,则该待分析信号呈现的周期性越弱。
采用上述方法,获得每个待分析信号的周期性差异。第一目标分量信号下方的分量信号理论上仍存在特征,直至特征截止分量信号处,因此对待分析信号的周期性差异生成累加曲线,获取累加曲线上最大拐点处的前一个待分析分量信号,将累加曲线上最大拐点处的前一个待分析分量信号确定为特征截止分量信号。采用上述方法,本实施例确定了特征截止分量信号,体征信号的周期性在特征截止分量信号处已经全部分解完成,EMD分解获得的分量信号中特征截止分量信号下方的分量信号为导致基线漂移的趋势线。本实施例将特征截止分量信号上的所有幅值构成的曲线作为特征截止基线,对特征截止分量信号下方的所有分量信号进行叠加重构,得到基线偏移部分的趋势线,将原始体征信号减去趋势线,获得去除基线漂移后的信号,也即对原始体征信号去除了基线偏移。
消除基线漂移后,体征信号基线可以看作水平线,特征截止基线就是原始信号最准确的趋势线。以特征截止基线作为唯一参照,即当信号出现非噪声异常时,其有效信息必然会出现在特征截止基线之上,因此在计算信号的噪声干扰程度时,需要避开非噪声异常信息,再进行评估,否则可能会导致这部分非噪声异常信息被当作噪声剔除。因此本实施例将对特征截止分量信号及其上方的每个分量信号中的噪声干扰程度进行评估。
具体的,将特征截止分量信号及其上方的所有分量信号记为第二特征信号。
对于第i个第二特征信号:将第i个第二特征信号对应的各信号段的左右端点的幅值的差异记为第i个第二特征信号对应的各信号段的第一差异;将第i个第二特征信号的最大幅值和最小幅值的差异记为第二差异;将所述第一差异与所述第二差异的比值记为第i个第二特征信号对应的各信号段的第一占比;计算第i个第二特征信号对应的各信号段内所有幅值的标准差;根据所述第一占比、所述标准差、所述第i个第二特征信号对应的各信号段的幅值,得到第i个第二特征信号的噪声强度。计算所有第二特征信号的噪声强度的和值,将所述和值的倒数确定为维纳滤波的噪声功率谱。
第i个第二特征信号的噪声程度以及维纳滤波的噪声功率谱的具体计算公式分别为:
其中,为第i个第二特征信号的噪声程度,V为第i个第二特征信号对应的信号段的数量,/>为第i个第二特征信号对应的第v个信号段中幅值的数量,/>为第i个第二特征信号对应的第v个信号段的右端点的幅值,/>为第i个第二特征信号对应的第v个信号段的左端点的幅值,/>为第i个第二特征信号的最大幅值,/>为第i个第二特征信号的最小幅值,/>为第i个第二特征信号对应的第v个信号段内的第p个幅值,/>为第i个第二特征信号对应的第v个信号段内所有幅值的均值,/>为第i个第二特征信号对应的第v个信号段内所有幅值的标准差,λ为预设调整参数,I为第二特征信号的数量,γ为维纳滤波的噪声功率谱。
表示第i个第二特征信号对应的第v个信号段的第一差异,反映第i个第二特征信号上第v个信号段的右侧端点幅值与左侧端点幅值之间的差异,即该信号段的变化落差,/>表示第二差异,反映第i个第二特征信号上幅值的最大落差;/>表示第i个第二特征信号对应的第v个信号段的第一占比;当基线突出时,噪声的分布强度相对较弱,因此/>的值相对较小,其作为计算第i个第二特征信号中噪声含量的其中一部分卷积权重。/>表征第i个第二特征信号对应的第v个信号段内所有幅值的标准差,以其与预设调整参数之和的倒数作为i个第二特征信号中噪声含量的另外一部分卷积权重。本实施例中噪声程度的计算公式中引入预设调整参数是为了防止分母为0,本实施例中预设调整参数的值为1,在具体应用中,实施者可根据具体情况进行设置。/>和/>都能够反映基线特征越突出,噪声程度相对较弱的特点,/>的原型为/>,的主要作用是对/>进行消项,/>能够反映第v个信号段内的第p个幅值与第v个信号段内所有幅值的均值之间的差异,当特征截止基线越突出时,/>会呈指数倍减小。噪声与基线为叠加关系,具有一方强则另一方弱的相对关系,在估测噪声强度时,需要剔除基线特征的干扰,因此指数关系用来调控噪声和基线的叠加关系最为合适。是从第i个第二特征信号对应的不同信号段上所得的动态调节系数,/>用于表征第p个幅值位置对应的实际噪声程度,/>与/>相乘再求均值,获得第i个第二特征信号的噪声程度,即根据第i个第二特征信号的变化情况矫正噪声程度的卷积过程。
表示特征截止基线及其上方所有分量信号的噪声程度累加,也即综合噪声强度,本实施例将综合噪声强度的倒数作为维纳滤波的噪声功率谱,综合噪声强度越大,则维纳滤波的噪声功率谱越小;综合噪声强度越小,则维纳滤波的噪声功率谱越大。
采用上述方法,获得了维纳滤波的噪声功率谱。
步骤S4,基于所述维纳滤波的噪声功率谱对所述去除基线漂移后的信号进行滤波,获得滤波后的信号;基于所述滤波后的信号对待分析对象生成护理方案。
本实施例已经获得了维纳滤波的噪声功率谱,接下来将基于维纳滤波的噪声功率谱对去除基线漂移后的信号进行维纳滤波,获得滤波后的信号。
具体的,将噪声功率谱代入维纳滤波中对去除基线漂移后的信号进行去噪,由于体征信号消除了基线漂移问题,特征截止基线作为新的基线,根据其基线变化对每个分量信号的噪声程度进行卷积,然后进行累加得到维纳滤波的噪声功率谱,既包含不同功率的噪声,又对特征突出部分的噪声功率进行抑制,该噪声功率谱的去噪强度可以在去噪时最大程度保留基线特征的细节信息,本实施例最终得到滤波后的信号。维纳滤波为现有技术,此处不再过多赘述。
护理中心可以对滤波后的信号进行分析,针对待分析对象生成更准确的护理方案,且不受采集设备以及传输方式的限制。
本实施例考虑到待分析对象在向护理中心提供体征监测数据时,交互双方的信息交流受到设备质量、传输方式的限制,导致护理中心接收到的体征信号与待分析对象实际的体征信号存在一定的差异,进而影响护理方案的制订,本实施例首先对采集到的原始体征信号进行EMD分解获得多个分量信号,然后对分量信号进行分析,筛选出特征截止分量信号,基于特征截止分量信号消除原始体征信号的基线漂移,并根据特征截止分量信号及其上方的各分量信号对应的各信号段的幅值差异,得到了维纳滤波的噪声功率谱,维纳滤波的噪声功率谱既包含不同分量中不同功率的复杂噪声,又对特征突出部分的噪声功率进行抑制,维纳滤波的噪声功率谱可以在去噪时最大程度保留基线特征的细节信息,大幅提高待分析对象体征信号的保真率,进而使得制订的个性化护理方案更科学、更合理。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (4)
1.一种基于互联网的护理服务系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:
获取待分析对象的原始体征信号,对所述原始体征信号进行EMD分解获得各分量信号;
获取所述原始体征信号的高频部分;根据分量信号之间的差异情况以及所述高频部分的幅值分布,确定第一目标分量信号;根据第一目标分量信号及其上方的所有分量信号的幅值分布,对各分量信号进行划分获得各分量信号对应的信号段;
基于第一目标分量信号下方的各分量信号对应的各信号段中极值点对应的幅值之间的差异,确定特征截止分量信号;基于所述特征截止分量信号对原始体征信号去除基线漂移获得去除基线漂移后的信号;根据所述特征截止分量信号及其上方的各分量信号对应的各信号段的幅值差异,得到维纳滤波的噪声功率谱;
基于所述维纳滤波的噪声功率谱对所述去除基线漂移后的信号进行滤波,获得滤波后的信号;基于所述滤波后的信号对待分析对象生成护理方案;
所述根据第一目标分量信号及其上方的所有分量信号的幅值分布,对各分量信号进行划分获得各分量信号对应的信号段,包括:
将第一目标分量信号及其上方的所有分量信号记为第一特征信号;
对于任一第一特征信号,利用预设长度的滑窗从左到右依次对该第一特征信号进行遍历,计算滑窗每次滑动对应的信号的幅值总和,对所有的所述幅值总和进行曲线拟合获得对应的曲线,将所述曲线上的极大值点对应的信号段记为该第一特征信号对应的参考信号段;按照预设顺序依次对该第一特征信号对应的各参考信号段进行标号,获得每个参考信号段的序号;
对于任一序号:将该序号的所有参考信号段的中心点的横坐标的均值记为目标值;将横坐标为所述目标值的点作为分割点;
基于所有的所述分割点分别对各分量信号进行划分,获得各分量信号对应的信号段;
所述基于第一目标分量信号下方的各分量信号对应的各信号段中极值点对应的幅值之间的差异,确定特征截止分量信号,包括:
将第一目标分量信号下方的分量信号记为待分析信号;根据各待分析信号中极值点对应的幅值之间的差异,计算各待分析信号的周期性差异;
对待分析信号的周期性差异生成累加曲线,将所述累加曲线最大拐点处的前一个待分析分量信号确定为特征截止分量信号;
采用如下公式计算各待分析信号的周期性差异:
其中,Z为任一待分析信号的周期性差异,W为该待分析信号对应的信号段的数量,K为该待分析信号中极值点最少的信号段中极值点数量,为第w个信号段内第k个极值点的幅值,/>为所有的信号段中第k个极值点的平均幅值;
所述根据所述特征截止分量信号及其上方的各分量信号对应的各信号段的幅值差异,得到维纳滤波的噪声功率谱,包括:
将所述特征截止分量信号及其上方的所有分量信号记为第二特征信号;
对于第i个第二特征信号:将第i个第二特征信号对应的各信号段的左右端点的幅值的差异记为第i个第二特征信号对应的各信号段的第一差异;将第i个第二特征信号的最大幅值和最小幅值的差异记为第二差异;将所述第一差异与所述第二差异的比值记为第i个第二特征信号对应的各信号段的第一占比;计算第i个第二特征信号对应的各信号段内所有幅值的标准差;根据所述第一占比、所述标准差、所述第i个第二特征信号对应的各信号段的幅值,得到第i个第二特征信号的噪声强度;
计算所有第二特征信号的噪声强度的和值,将所述和值的倒数确定为维纳滤波的噪声功率谱;
采用如下公式计算第i个第二特征信号的噪声强度:
其中,为第i个第二特征信号的噪声程度,V为第i个第二特征信号对应的信号段的数量,/>为第i个第二特征信号对应的第v个信号段中幅值的数量,/>为第i个第二特征信号对应的第v个信号段的右端点的幅值,/>为第i个第二特征信号对应的第v个信号段的左端点的幅值,/>为第i个第二特征信号的最大幅值,/>为第i个第二特征信号的最小幅值,为第i个第二特征信号对应的第v个信号段内的第p个幅值,/>为第i个第二特征信号对应的第v个信号段内所有幅值的均值,/>为第i个第二特征信号对应的第v个信号段内所有幅值的标准差,λ为预设调整参数。
2.根据权利要求1所述的一种基于互联网的护理服务系统,其特征在于,所述根据分量信号之间的差异情况以及所述高频部分的幅值分布,确定第一目标分量信号,包括:
计算高频部分的幅值的均方差;
按照分量信号从上到下的顺序,依次累加分量信号的幅值的均方差获得累加值,将所述累加值与所述高频部分的幅值的均方差之间的差异取最小值时参与累加值计算的最后一个分量信号,确定为第一目标分量信号。
3.根据权利要求1所述的一种基于互联网的护理服务系统,其特征在于,所述获取所述原始体征信号的高频部分,包括:
采用傅里叶变换将所述原始体征信号转化为频域信号;
采用最大类间方差法确定所述频域信号的频率阈值,基于所述频率阈值分割所述体征信号的高频部分。
4.根据权利要求1所述的一种基于互联网的护理服务系统,其特征在于,所述基于所述特征截止分量信号对原始体征信号去除基线漂移获得去除基线漂移后的信号,包括:
对特征截止分量信号下方的所有分量信号进行叠加重构,得到基线偏移部分的趋势线,将原始体征信号减去趋势线获得去除基线漂移后的信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310840257.7A CN116548928B (zh) | 2023-07-11 | 2023-07-11 | 一种基于互联网的护理服务系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310840257.7A CN116548928B (zh) | 2023-07-11 | 2023-07-11 | 一种基于互联网的护理服务系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116548928A CN116548928A (zh) | 2023-08-08 |
CN116548928B true CN116548928B (zh) | 2023-09-08 |
Family
ID=87495138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310840257.7A Active CN116548928B (zh) | 2023-07-11 | 2023-07-11 | 一种基于互联网的护理服务系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116548928B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235652B (zh) * | 2023-11-14 | 2024-02-09 | 山东鑫大地控股集团有限公司 | 一种基于大数据的钢丝加工环境监管方法及系统 |
Citations (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0418036A2 (en) * | 1989-09-11 | 1991-03-20 | Bose Corporation | Audible noise reducing |
US5107340A (en) * | 1988-03-30 | 1992-04-21 | Kabushiki Kaisha Toshiba | Digital video signal noise-reduction apparatus with high pass and low pass filter |
CN103200139A (zh) * | 2013-04-11 | 2013-07-10 | 西安电子科技大学 | 一种ofdm信号带宽盲估计方法 |
WO2015107268A1 (en) * | 2014-01-16 | 2015-07-23 | Aboa Legis Oy | Method and device for the detection of respiratory rate |
US9392952B1 (en) * | 2015-03-10 | 2016-07-19 | Nuvo Group Ltd. | Systems, apparatus and methods for sensing fetal activity |
CN106333679A (zh) * | 2016-09-21 | 2017-01-18 | 广州视源电子科技股份有限公司 | 睡眠状态分析中的脑电信号预处理方法和系统 |
KR101714927B1 (ko) * | 2015-12-22 | 2017-03-09 | 울산대학교 산학협력단 | 다중 신호 수신을 이용한 동잡음 판단 및 제거 방법 |
CN107184187A (zh) * | 2017-07-03 | 2017-09-22 | 重庆大学 | 基于DTCWT‑Spline的脉搏波信号去噪处理方法 |
CN108181486A (zh) * | 2018-01-25 | 2018-06-19 | 中国科学院电子学研究所 | 加速度信号的处理方法及装置 |
CN108523877A (zh) * | 2018-03-23 | 2018-09-14 | 南京中医药大学 | 一种心电信号质量辨识方法及其心电分析方法 |
CN108564046A (zh) * | 2018-04-19 | 2018-09-21 | 南京大学 | 基于改进eemd的钢结构动态应变信号处理方法 |
CN110051325A (zh) * | 2019-03-29 | 2019-07-26 | 重庆邮电大学 | 基于小波变换及改进eemd的心电信号综合滤波方法 |
CN110327036A (zh) * | 2019-07-24 | 2019-10-15 | 东南大学 | 从穿戴式心电中提取呼吸信号和呼吸频率的方法 |
CN110464337A (zh) * | 2019-09-06 | 2019-11-19 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心率变异性信号分析方法 |
CN110558959A (zh) * | 2019-09-06 | 2019-12-13 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的冥想训练的hrv信号分析方法 |
CN110558973A (zh) * | 2019-09-06 | 2019-12-13 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号量化分析方法 |
CN111493821A (zh) * | 2020-03-16 | 2020-08-07 | 浙江好络维医疗技术有限公司 | 一种基于modwt及中值滤波的ppg信号实时去噪方法 |
CN111643068A (zh) * | 2020-05-07 | 2020-09-11 | 长沙理工大学 | 基于emd及其能量的心电信号去噪算法、设备和存储介质 |
CN112379336A (zh) * | 2020-11-06 | 2021-02-19 | 西安乾景防务技术有限公司 | 雷达信号检测方法、装置、设备和存储介质 |
KR20210045703A (ko) * | 2019-10-17 | 2021-04-27 | 광운대학교 산학협력단 | 뇌전도의 다변량 다중스케일 퍼지 엔트로피 분석에 기반한 감정 인식 방법 |
CN112890834A (zh) * | 2021-03-01 | 2021-06-04 | 福州大学 | 面向注意力识别的基于机器学习的眼电信号分类器 |
CN112906457A (zh) * | 2021-01-06 | 2021-06-04 | 南昌大学 | 一种基于手机加速度传感器的行走步态信号预处理方法 |
CN113288158A (zh) * | 2021-05-27 | 2021-08-24 | 河北省科学院应用数学研究所 | 基线漂移和高频噪声的去除方法、装置和设备 |
CN113344475A (zh) * | 2021-08-05 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 基于序列模态分解的变压器套管缺陷识别方法及系统 |
CN113616213A (zh) * | 2021-07-29 | 2021-11-09 | 山东大学 | 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质 |
CN113658154A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种基于频域周期性纹理去除的图像检测方法及装置 |
CN113988140A (zh) * | 2021-11-17 | 2022-01-28 | 广东省科学院智能制造研究所 | 信号时域特征分析方法、装置、电子设备及存储介质 |
CN114040705A (zh) * | 2019-07-30 | 2022-02-11 | 深圳迈瑞生物医疗电子股份有限公司 | 规则性评价信息的分析方法、监护设备及监护系统 |
CN114089384A (zh) * | 2021-11-01 | 2022-02-25 | 中国科学院国家授时中心 | 一种卫星导航信号合成功率谱偏差计算方法 |
CN114781430A (zh) * | 2022-03-18 | 2022-07-22 | 国网上海市电力公司 | 一种局部放电信号去噪方法 |
CN115281641A (zh) * | 2021-04-16 | 2022-11-04 | 深圳绿米联创科技有限公司 | 心率提取方法及装置、电子设备、压电式传感器及介质 |
CN115363570A (zh) * | 2022-09-05 | 2022-11-22 | 深圳市迈迪加科技发展有限公司 | 基于心冲击信号检测传感器上是否有人的方法 |
CN115840120A (zh) * | 2023-02-24 | 2023-03-24 | 山东科华电力技术有限公司 | 一种高压电缆局放异常监测及预警方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004034231A2 (en) * | 2002-10-11 | 2004-04-22 | Flint Hills Scientific, L.L.C. | Intrinsic timescale decomposition, filtering, and automated analysis of signals of arbitrary origin or timescale |
US6893403B2 (en) * | 2003-02-25 | 2005-05-17 | Ge Medical Systems Information Technologies, Inc. | Oscillometric determination of blood pressure |
US7343198B2 (en) * | 2004-08-23 | 2008-03-11 | The University Of Texas At Arlington | System, software, and method for detection of sleep-disordered breathing using an electrocardiogram |
AU2006276732B2 (en) * | 2005-07-28 | 2011-04-28 | Exxonmobil Upstream Research Company | Method for wavelet denoising of controlled source electromagnetic survey data |
US8818496B2 (en) * | 2005-10-14 | 2014-08-26 | Medicalgorithmics Ltd. | Systems for safe and remote outpatient ECG monitoring |
JP4876574B2 (ja) * | 2005-12-26 | 2012-02-15 | ソニー株式会社 | 信号符号化装置及び方法、信号復号装置及び方法、並びにプログラム及び記録媒体 |
US8433398B2 (en) * | 2011-03-10 | 2013-04-30 | Siemens Medical Solutions Usa, Inc. | Signal analysis system for heart condition determination |
US9597022B2 (en) * | 2011-09-09 | 2017-03-21 | Nellcor Puritan Bennett Ireland | Venous oxygen saturation systems and methods |
US9186109B2 (en) * | 2012-09-11 | 2015-11-17 | Covidien Lp | Methods and systems for qualifying physiological values based on metrics |
US9241093B2 (en) * | 2013-03-22 | 2016-01-19 | Marvell World Trade Ltd. | Guided filter-based detail enhancement |
US10456115B2 (en) * | 2013-04-22 | 2019-10-29 | Samsung Electronics Co., Ltd. | Ultrasound system and clutter filtering method thereof |
JP6213568B2 (ja) * | 2013-09-26 | 2017-10-18 | 株式会社村田製作所 | 生体情報計測装置 |
US9918666B2 (en) * | 2014-01-13 | 2018-03-20 | The Board Of Regents, The University Of Texas System | Systems and methods for physiological signal enhancement and biometric extraction using non-invasive optical sensors |
WO2015121949A1 (ja) * | 2014-02-13 | 2015-08-20 | 富士通株式会社 | 信号処理装置、信号処理方法及び信号処理プログラム |
US10602944B2 (en) * | 2014-05-08 | 2020-03-31 | Drägerwerk AG & Co. KGaA | Detecting artifacts in a signal |
CN108701219B (zh) * | 2017-03-14 | 2021-05-04 | 华为技术有限公司 | 波形信号处理的方法及装置 |
US11504030B2 (en) * | 2017-06-28 | 2022-11-22 | Orpyx Medical Technologies Inc. | Method and system for heterogeneous event detection |
EP3675718B1 (en) * | 2017-08-31 | 2023-12-13 | The Regents of the University of California | Multisensor cardiac stroke volume monitoring system and analytics |
-
2023
- 2023-07-11 CN CN202310840257.7A patent/CN116548928B/zh active Active
Patent Citations (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5107340A (en) * | 1988-03-30 | 1992-04-21 | Kabushiki Kaisha Toshiba | Digital video signal noise-reduction apparatus with high pass and low pass filter |
EP0418036A2 (en) * | 1989-09-11 | 1991-03-20 | Bose Corporation | Audible noise reducing |
CN103200139A (zh) * | 2013-04-11 | 2013-07-10 | 西安电子科技大学 | 一种ofdm信号带宽盲估计方法 |
WO2015107268A1 (en) * | 2014-01-16 | 2015-07-23 | Aboa Legis Oy | Method and device for the detection of respiratory rate |
US9392952B1 (en) * | 2015-03-10 | 2016-07-19 | Nuvo Group Ltd. | Systems, apparatus and methods for sensing fetal activity |
KR101714927B1 (ko) * | 2015-12-22 | 2017-03-09 | 울산대학교 산학협력단 | 다중 신호 수신을 이용한 동잡음 판단 및 제거 방법 |
CN106333679A (zh) * | 2016-09-21 | 2017-01-18 | 广州视源电子科技股份有限公司 | 睡眠状态分析中的脑电信号预处理方法和系统 |
CN107184187A (zh) * | 2017-07-03 | 2017-09-22 | 重庆大学 | 基于DTCWT‑Spline的脉搏波信号去噪处理方法 |
CN108181486A (zh) * | 2018-01-25 | 2018-06-19 | 中国科学院电子学研究所 | 加速度信号的处理方法及装置 |
CN108523877A (zh) * | 2018-03-23 | 2018-09-14 | 南京中医药大学 | 一种心电信号质量辨识方法及其心电分析方法 |
CN108564046A (zh) * | 2018-04-19 | 2018-09-21 | 南京大学 | 基于改进eemd的钢结构动态应变信号处理方法 |
CN110051325A (zh) * | 2019-03-29 | 2019-07-26 | 重庆邮电大学 | 基于小波变换及改进eemd的心电信号综合滤波方法 |
CN110327036A (zh) * | 2019-07-24 | 2019-10-15 | 东南大学 | 从穿戴式心电中提取呼吸信号和呼吸频率的方法 |
CN114040705A (zh) * | 2019-07-30 | 2022-02-11 | 深圳迈瑞生物医疗电子股份有限公司 | 规则性评价信息的分析方法、监护设备及监护系统 |
CN110464337A (zh) * | 2019-09-06 | 2019-11-19 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心率变异性信号分析方法 |
CN110558959A (zh) * | 2019-09-06 | 2019-12-13 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的冥想训练的hrv信号分析方法 |
CN110558973A (zh) * | 2019-09-06 | 2019-12-13 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号量化分析方法 |
KR20210045703A (ko) * | 2019-10-17 | 2021-04-27 | 광운대학교 산학협력단 | 뇌전도의 다변량 다중스케일 퍼지 엔트로피 분석에 기반한 감정 인식 방법 |
CN111493821A (zh) * | 2020-03-16 | 2020-08-07 | 浙江好络维医疗技术有限公司 | 一种基于modwt及中值滤波的ppg信号实时去噪方法 |
CN111643068A (zh) * | 2020-05-07 | 2020-09-11 | 长沙理工大学 | 基于emd及其能量的心电信号去噪算法、设备和存储介质 |
CN112379336A (zh) * | 2020-11-06 | 2021-02-19 | 西安乾景防务技术有限公司 | 雷达信号检测方法、装置、设备和存储介质 |
CN112906457A (zh) * | 2021-01-06 | 2021-06-04 | 南昌大学 | 一种基于手机加速度传感器的行走步态信号预处理方法 |
CN112890834A (zh) * | 2021-03-01 | 2021-06-04 | 福州大学 | 面向注意力识别的基于机器学习的眼电信号分类器 |
CN115281641A (zh) * | 2021-04-16 | 2022-11-04 | 深圳绿米联创科技有限公司 | 心率提取方法及装置、电子设备、压电式传感器及介质 |
CN113288158A (zh) * | 2021-05-27 | 2021-08-24 | 河北省科学院应用数学研究所 | 基线漂移和高频噪声的去除方法、装置和设备 |
CN113616213A (zh) * | 2021-07-29 | 2021-11-09 | 山东大学 | 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质 |
CN113344475A (zh) * | 2021-08-05 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 基于序列模态分解的变压器套管缺陷识别方法及系统 |
CN113658154A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种基于频域周期性纹理去除的图像检测方法及装置 |
CN114089384A (zh) * | 2021-11-01 | 2022-02-25 | 中国科学院国家授时中心 | 一种卫星导航信号合成功率谱偏差计算方法 |
CN113988140A (zh) * | 2021-11-17 | 2022-01-28 | 广东省科学院智能制造研究所 | 信号时域特征分析方法、装置、电子设备及存储介质 |
CN114781430A (zh) * | 2022-03-18 | 2022-07-22 | 国网上海市电力公司 | 一种局部放电信号去噪方法 |
CN115363570A (zh) * | 2022-09-05 | 2022-11-22 | 深圳市迈迪加科技发展有限公司 | 基于心冲击信号检测传感器上是否有人的方法 |
CN115840120A (zh) * | 2023-02-24 | 2023-03-24 | 山东科华电力技术有限公司 | 一种高压电缆局放异常监测及预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116548928A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Smital et al. | Adaptive wavelet wiener filtering of ECG signals | |
Chen et al. | A real-time QRS detection method based on moving-averaging incorporating with wavelet denoising | |
Chang et al. | Gaussian noise filtering from ECG by Wiener filter and ensemble empirical mode decomposition | |
Alfaouri et al. | ECG signal denoising by wavelet transform thresholding | |
Georgieva-Tsaneva et al. | Denoising of electrocardiogram data with methods of wavelet transform | |
CN116548928B (zh) | 一种基于互联网的护理服务系统 | |
Han et al. | Electrocardiogram signal denoising based on a new improved wavelet thresholding | |
Sharma et al. | Respiratory rate extraction from single-lead ECG using homomorphic filtering | |
Jang et al. | A robust method for pulse peak determination in a digital volume pulse waveform with a wandering baseline | |
Panigrahy et al. | Extended Kalman smoother with differential evolution technique for denoising of ECG signal | |
Xin et al. | ECG baseline wander correction based on mean-median filter and empirical mode decomposition | |
Dora et al. | Robust ECG artifact removal from EEG using continuous wavelet transformation and linear regression | |
Wang et al. | Wavelet transform based ECG denoising using adaptive thresholding | |
Seljuq et al. | Selection of an optimal mother wavelet basis function for ECG signal denoising | |
Rakshit et al. | An improved EMD based ECG denoising method using adaptive switching mean filter | |
El Bouny et al. | ECG signal denoising based on ensemble emd thresholding and higher order statistics | |
Lu et al. | Model-based ECG denoising using empirical mode decomposition | |
Mourad | ECG denoising based on successive local filtering | |
Sumathi et al. | Comparative study of QRS complex detection in ECG based on discrete wavelet transform | |
Tulyakova et al. | Real-time filtering adaptive algorithms for non-stationary noise in electrocardiograms | |
Majeed et al. | Motion artifact removal of photoplethysmogram (PPG) signal | |
Heydari et al. | Adaptive wavelet technique for EEG de-noising | |
Wang et al. | Shape-preserving preprocessing for human pulse signals based on adaptive parameter determination | |
Gupta et al. | Exploiting tunable Q-factor wavelet transform domain sparsity to denoise wrist PPG signals | |
Rahul et al. | Baseline correction of ECG using regression estimation method |
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 |