CN117271977A - 一种hrv数据预处理方法、装置及电子设备 - Google Patents
一种hrv数据预处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117271977A CN117271977A CN202311265053.1A CN202311265053A CN117271977A CN 117271977 A CN117271977 A CN 117271977A CN 202311265053 A CN202311265053 A CN 202311265053A CN 117271977 A CN117271977 A CN 117271977A
- Authority
- CN
- China
- Prior art keywords
- data
- hrv
- target
- hrv data
- point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000007781 pre-processing Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 238000010586 diagram Methods 0.000 claims description 20
- 230000000747 cardiac effect Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 230000007423 decrease Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000001734 parasympathetic effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000002889 sympathetic effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002336 repolarization Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000007211 cardiovascular event Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000001615 p wave Methods 0.000 description 1
- 210000005037 parasympathetic nerve Anatomy 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- A61B5/02—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
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Discrete Mathematics (AREA)
- Physiology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种HRV数据预处理方法、装置及电子设备,该方法包括:获取滑动窗口对应的HRV数据;确定HRV数据对应的多个目标峰值的方差,将方差符合预设方差范围的HRV数据作为第一目标HRV数据;基于多个目标峰值,确定第一目标HRV数据的RR间期序列,判断RR间期序列的每个RR间期是否符合预设心跳时间间隔范围,确定第二目标HRV数据;提取第二目标HRV数据的时域特征、频域特征和非线性特征。通过两次异常数据的过滤,得到了准确度高且符合人体心跳特性的第二目标HRV数据,以提取精准的HRV特征。
Description
技术领域
本申请涉及机器学习技术领域,尤其是涉及一种HRV数据预处理方法、装置及电子设备。
背景技术
生物信号分类是生物医学应用中一种重要的诊断工具,可以帮助医学专家自动对监测到的生物信号样本进行分类,得到分类后的正常生物信号和异常生物信号。大多数生物信号在本质上是随机的和非平稳的,这意味着它们的值是具有时间依赖性的,它们的统计数据在不同的时间点上发生变化。
HRV(Heart rate variability,心率变异性)是一类重要的生物信号数据,HRV是指心率节奏快慢随时间所发生的变化。经临床实践证明,HRV可作为心源性猝死危险性的一个独立预测指标,在评价心血管疾病的预后和预测急性心血管事件方面具有重要的意义。一般的,对于采集到的大量生理原始数据进行预处理后可以提取HRV特征值,基于提取到特征值进行机器学习,可以训练得到认知负荷等模型,可以用于预测疲劳、疾病等状态。
但是现有的HRV信号数据来源为心电图数据或者是心电监护仪设备,由于采集设备精准度不够或者被采集人员的情绪动作短时间内变化较大等问题,采集到的HRV信号数据中存在一些异常数据,现有技术采用得到的原始HRV数据直接进行特征提取,导致提取得到的HRV数据特征中存在异常数据或干扰数据,影响临床中根据HRV数据特征对疾病进行预测的精准度。
发明内容
为了解决现有技术得到的HRV特征数据准确度不高的问题,本申请提供一种HRV数据预处理方法、装置及电子设备。
第一方面,本申请提供了一种HRV数据预处理方法,采用如下技术方案:
一种HRV数据预处理方法,包括:
获取滑动窗口对应的HRV数据;
基于HRV数据,确定所述HRV数据对应的多个目标峰值,计算所述多个目标峰值的方差,将所述方差符合预设方差范围的HRV数据作为第一目标HRV数据;
基于第一目标HRV数据的所述多个目标峰值,确定所述第一目标HRV数据的RR间期序列,判断所述RR间期序列的每个RR间期是否符合预设心跳时间间隔范围,将第一目标HRV数据中各个RR间期均符合所述预设心跳时间间隔范围的HRV数据作为第二目标HRV数据;提取所述第二目标HRV数据的时域特征、频域特征和非线性特征。
通过采用上述技术方案,获取滑动窗口对应的HRV数据;确定HRV数据对应的多个目标峰值,并计算多个目标峰值的方差,再基于HRV数据对应的方差对HRV数据进行筛选,能够排除方差较大,即波动程度大的可能是异常的HRV数据,从而得到准确度高且较为平稳的符合预设方差范围的第一目标HRV数据;再基于第一目标HRV数据的多个目标峰值,确定第一目标HRV数据的RR间期序列,RR间期序列中的RR间期表示两个相邻峰值之间的时间差,表示人体两次心跳之间的时间间隔,基于预设心跳时间间隔范围能够排除异常心跳对应的第一目标HRV数据,得到正常的数据即第二目标HRV数据,对每个第二目标HRV数据进行特征提取;通过方差以及预设心跳时间间隔范围,进行两次异常数据的过滤,得到了准确度高且符合人体心跳特性的第二目标HRV数据,基于第二目标HRV数据进行特征提取,能够得到精准的HRV特征。
本申请在一较佳示例中可以进一步配置为:所述基于HRV数据,确定所述HRV数据对应的多个目标峰值,包括:
基于最短心动间隔点数确定所述HRV数据中的多个初始峰值,其中,所述最短心动间隔点数为HRV数据中一次心跳所包含的数据点个数;
确定所述HRV数据的第一上包络线和第一下包络线;
基于百分比阈值、所述第一上包络线和所述第一下包络线,确定所述HRV数据的电压阈值;从所述多个初始峰值中选择超过所述电压阈值的峰值,得到所述子HRV数据的多个目标峰值。
通过采用上述技术方案,峰值表示一次心跳的最大电压幅值,正常的HRV数据对应的峰值处于一个设定的范围,基于最短心动间隔点数确定HRV数据中的多个初始峰值,且,基于百分比阈值以及HRV数据的第一上包络线和第一下包络线,计算HRV数据的电压阈值,电压阈值表示符合人体特性的最小峰值,通过电压阈值能够从多个初始峰值中筛选符合人体特性的峰值作为目标峰值,以使得到目标峰值更加准确。
本申请在一较佳示例中可以进一步配置为:所述获取滑动窗口对应的HRV数据,包括:
获取滑动窗口对应的第一初始HRV数据,确定所述第一初始HRV数据的第二上包络线和第二下包络线;
确定所述第二上包络线和所述第二下包络线之间的最大幅值差值;
基于所述第一初始HRV数据中每个数据点对应的第二上包络线数值、第二下包络线数值以及所述最大幅值差值,确定所述第一初始HRV数据中每个数据点的幅值调整比例;
基于数据点对应的幅值调整比例对所述第一初始HRV数据中每个数据点进行幅值调整,得到HRV数据。
通过采用上述技术方案,获取滑动窗口对应的第一初始HRV数据,确定第一初始HRV数据的第二上包络线和第二下包络线,以及第二上包络线和第二下包络线的最大幅值差值,基于第一初始HRV数据中每个数据点对应的第二上包络线数值、第二下包络线数值以及最大幅值差值确定初始总HRV数据中每个数据点的幅值调整比例,进而基于幅值调整比例调整每个数据点,使得调整后的第一初始HRV数据的幅值仍在原始的第二上下包络线内,幅值过高的数据幅值变小,幅值过低的数据幅值变大,最终将第一初始HRV数据中各个数据点的幅值调整在一个合理的幅值区间,得到平滑且有效的HRV数据。
本申请在一较佳示例中可以进一步配置为:所述基于数据点对应的幅值调整比例对所述第一初始HRV数据中每个数据点进行幅值调整,得到HRV数据,包括:
基于数据点对应的幅值调整比例对第一初始HRV数据中每个数据点进行幅值调整,得到幅值调整后的第一HRV数据;
对幅值调整后的第一HRV数据进行异常检测,确定异常点;
基于所述异常点之前或之后的多个数据点对应的均值或中值,对所述异常点的值进行校正,得到所述HRV数据。
通过采用上述技术方案,对幅值调整后的第一HRV数据进行异常检测,确定异常点,基于异常点的周围数据的均值或中值,对异常点的值进行校正,能够使异常点的异常值回到正常值,保证了HRV数据的准确度和平滑度。
本申请在一较佳示例中可以进一步配置为:所述对幅值调整后的第一HRV数据进行异常检测,确定异常点,包括:
确定幅值调整后的第一HRV数据中目标数据点与前一数据点的第一差值,以及目标数据点与后一数据点的第二差值,其中,所述目标数据点为所述第一子HRV数据中的任一数据;计算所述第一差值和所述目标数据点的第一比值,以及所述第二差值和所述目标数据点的第二比值;
当所述目标数据点的第一比值和所述第二比值均大于预设比值阈值时,判定所述目标数据点为异常点。
通过采用上述技术方案,确定幅值调整后的第一HRV数据中目标数据点的第一比值和第二比值,若目标数据点的第一比值、第二比值均超过预设比值阈值,表示目标数据点相较于周围数据点产生了数值突变,确定目标数据点为异常点,通过目标数据点相较于周围数据点的变化情况能够精准确定异常点。
本申请在一较佳示例中可以进一步配置为:所述对幅值调整后的第一HRV数据进行异常检测,确定异常点,包括:
确定幅值调整后的第一HRV数据的中值,基于所述中值确定所述幅值调整后的第一HRV数据中的目标数据点的中值偏差;
当所述目标数据点的中值偏差大于预设偏差阈值时,判定所述目标数据点为异常点。
通过采用上述技术方案,确定幅值调整后的第一HRV数据的中值,基于中值确定幅值调整后的第一HRV数据中的目标数据点的中值偏差,若目标数据点的中值偏差大于预设偏差阈值,表示目标数据点偏移第一HRV数据的中值的程度超出正常范围,将目标数据点判定为异常点,能够准确筛选出偏移数据中值过大的异常点。
本申请在一较佳示例中可以进一步配置为:所述获取滑动窗口对应的第一初始HRV数据,包括:
获取滑动窗口对应的第二初始HRV数据;
对所述第二初始HRV数据对应的时域信号进行快速傅里叶变换,得到所述第二初始HRV数据对应的频域信号;
基于预设频域区间判断所述第二初始HRV数据对应的频域信号是否为有效频域信号;
若有效,对有效频域信号进行分段滤波,将分段滤波后的有效频域信号整合并进行快速傅里叶反变换,得到滤波后的第一初始HRV数据。
通过采用上述技术方案,时域信号转换为频域信号后,通过预设频域区间判断有效频域信号,能够排除频率异常的数据,得到有效数据,再结合分段滤波操作对有效数据进行去噪,能够准确去除噪声干扰,提高第一初始HRV数据的精准度。
本申请在一较佳示例中可以进一步配置为:提取所述第二目标HRV数据的非线性特征,包括:
基于所述第二目标HRV数据绘制庞德加来散点图和差值散点图;
确定所述庞德加来散点图的椭圆长轴标准差和椭圆短轴标准差;
确定所述差值散点图中第一象限和第三象限中点的个数;
其中,所述非线性特征包括:椭圆长轴标准差、椭圆短轴标准差、第一象限中点的个数以及第三象限中点的个数。
通过采用上述技术方案,基于第二目标HRV数据绘制庞德加来散点图和差值散点图,从庞德加来散点图中得到的椭圆长轴标准差和椭圆短轴标准差能够反映人体的副交感神经活性,从差值散点图中得到的第一象限中点的个数以及第三象限中点的个数能够反映两个连续的心动间隔变化,指示心率和交感神经活性,基于这些非线性指标能够对人体的生理状态进行评估。
第二方面,本申请提供一种HRV数据预处理装置,采用如下的技术方案:
一种HRV数据预处理装置,包括:
获取模块,用于获取滑动窗口对应的HRV数据;
第一处理模块,用于基于HRV数据,确定所述HRV数据对应的多个目标峰值,计算所述多个目标峰值的方差,将所述方差符合预设方差范围的HRV数据作为第一目标HRV数据;第二处理模块,用于基于第一目标HRV数据的所述多个目标峰值,确定所述第一目标HRV数据的RR间期序列,判断所述RR间期序列的每个RR间期是否符合预设心跳时间间隔范围,将第一目标HRV数据中各个RR间期均符合所述预设心跳时间间隔范围的HRV数据作为第二目标HRV数据;
提取模块,用于提取所述第二目标HRV数据的时域特征、频域特征和非线性特征。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于:执行如第一方面任一项所述的HRV数据预处理方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令所述计算机执行如第一方面任一项所述的HRV数据预处理方法。
综上所述,本申请包括以下有益技术效果:
本申请通过获取滑动窗口对应的HRV数据;确定HRV数据对应的多个目标峰值,并计算多个目标峰值的方差,再基于HRV数据对应的方差对HRV数据进行筛选,能够排除方差较大,即波动程度大的可能是异常的HRV数据,从而得到准确度高且较为平稳的符合预设方差范围的第一目标HRV数据;再基于第一目标HRV数据的多个目标峰值,确定第一目标HRV数据的RR间期序列,RR间期序列中的RR间期表示两个相邻峰值之间的时间差,表示人体两次心跳之间的时间间隔,基于预设心跳时间间隔范围能够排除异常心跳对应的第一目标HRV数据,得到正常的数据即第二目标HRV数据,对每个第二目标HRV数据进行特征提取;通过方差以及预设心跳时间间隔范围,进行两次异常数据的过滤,得到了准确度高且符合人体心跳特性的第二目标HRV数据,基于第二目标HRV数据进行特征提取,能够得到精准的HRV特征。
附图说明
图1是本申请实施例提供的一种HRV数据预处理方法的流程示意图;
图2是本申请实施例提供的部分时域信号波形;
图3是本申请实施例提供的第一上包络线和第一下包络线的示意图;
图4是本申请实施例提供的目标峰值示意图;
图5是本申请实施例提供的幅值调整前的波形示意图;
图6是本申请实施例提供的幅值调整后的波形示意图;
图7是本申请实施例提供的幅值调整前后的波形对比图;
图8是本申请实施例提供的功率谱波形示意图;
图9是本申请实施例提供的庞德加来散点图;
图10是本申请实施例提供的一种HRV数据预处理装置的结构示意图;
图11是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下结合附图1-11对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
为了便于理解,下面对本方案涉及到的名词进行解释:
RR间期:定义为连续两个峰值之间的时间差,也可被称为NN间期或者IBI(Inter-Beat Interval,心跳间隔)间期,通常以ms为单位,是计算HRV指标的重要数据。
心率:表示正常人在安静状态下每分钟心跳的次数。
ECG:指心电图,可以利用心电图机从人体体表记录心脏每一心动周期所产生的电活动变化。
PPG:指光电容积图,是利用光电传感器,检测经过人体血液和组织吸收后的反射光强度的不同,描记出血管容积在心动周期内的变化。
HRV数据可以为正常人体心电信号ECG或脉搏信号PPG中提取的搏动间隔的时间序列,HRV数据的信号波形为时域信号,表示人体心跳产生的电压随时间的变化情况,其中,时域信号波形的横坐标表示时间,纵坐标表示电压。
本申请实施例提供一种HRV数据预处理方法,如图1所示,在本申请实施例中提供的方法可以由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制。
本申请实施例提供的HRV数据预处理方法主要解决实时预测过程中针对生理原始信号进行特征提取的准确性,由于采集设备的精准度不够或者佩戴可能出现偏差等问题,导致采集到的HRV数据中存在异常数据,本申请实施例对HRV数据进行预处理,剔除其中的异常数据,提高了HRV数据的精准度,以便提取更精准的数据特征,该方法包括:
S101、获取滑动窗口对应的HRV数据。
在本申请实施例中,获取实时HRV数据,并根据滑动窗口分割实时HRV数据,得到滑动窗口对应的HRV数据。
具体的,滑动窗口滑动特定时长,便从实时获取的HRV数据中分割出滑动窗口时长的数据,当获取实时HRV数据的时长大于滑动窗口时长时,可以通过滑动窗口对实时HRV数据进行分割。假设滑动窗口时长设置为15s,滑动窗口的滑动特定时长为1s,获取实时HRV数据的时长超过15s时,滑动窗口可以对实时HRV数据进行一次分割,获得滑动窗口对应的0-15s的HRV数据,当实时HRV数据的时长超过滑动窗口时长和滑动特定时长的和,即16s时,通过滑动窗口对实时HRV数据进行第二次分割,获得滑动窗口对应的1-16s的HRV数据。以此类推,滑动窗口每滑动一次,可以获得15s的HRV数据,最终得到多个HRV数据。
其中,对于滑动特定时长以及滑动窗口时长,本申请实施例不进行限定,用户可以根据实际需求设置。
滑动窗口按照滑动特定时长将实时HRV数据分割,得到滑动窗口对应的HRV数据。通过滑动窗口分割数据可以保留时间序列中的顺序关系,以将长序列分割成多个较短的窗口数据即HRV数据,相邻的HRV数据存在数据冗余,即使后续数据处理过程中去除部分窗口数据也能保证整体数据的相对完整性,通过窗口数据可以捕捉到更细小的变化和波动,进而,根据细小变化和波动中的异常情况进行数据去除,使得最终保留的数据更加精准。
S102、基于HRV数据,确定HRV数据对应的多个目标峰值,计算多个目标峰值的方差,将方差符合预设方差范围的HRV数据作为第一目标HRV数据。
在本申请实施例中,假设某一滑动窗口对应的目标峰值为n个,分别为:R1、R2……Rn。计算n个目标峰值的均值avg,其表达式为:
计算n个目标峰值的方差s2,其表达式为:
其中,n表示目标峰值的个数,Ri表示n个目标峰值中的第i个目标峰值,avg表示n个目标峰值的均值。
判断方差是否符合预设方差范围,若方差不符合预设方差范围,表示可能由于人体佩戴的采集设备网络延迟或故佩戴的采集设备受到晃动,导致子HRV数据对应的目标峰值产生了较大的波动,为了整体数据的准确性,将HRV数据剔除不用,仅保留方差符合预设方差范围的HRV数据作为第一目标HRV数据。其中,预设方差范围表示目标峰值的波动程度,可以根据实际需求设置为0-1。
S103、基于第一目标HRV数据的多个目标峰值,确定第一目标HRV数据的RR间期序列,判断RR间期序列的每个RR间期是否符合预设心跳时间间隔范围,将第一目标HRV数据中各个RR间期均符合预设心跳时间间隔范围的HRV数据作为第二目标HRV数据。
在本申请实施例中,对于第一目标HRV数据,获取多个目标峰值各自对应的时刻,计算第一目标HRV数据中相邻两个目标峰值的时间差,得到第一目标HRV数据对应的RR间期序列,假设第一目标HRV数据的目标峰值数量为n+1,目标峰值对应的横坐标时间分别为R1、R2……Rn+1,通过计算每两个相邻目标峰值的时间差值得到的RR间期的数量为n,对应的RR间期序列可以表示为[RR1、RR2……RRn],其中,RRn=Rn+1-Rn。
图2示出了第一目标HRV数据对应的部分时域信号波形,横坐标表示时间,纵坐标表示时间对应的电压幅值;峰值表示一次心跳产生的最大电压,图2中示出了3个目标峰值,对应的横坐标分别为R1、R2、R3,R1和R2之间的时间差为R2-R1,R1和R2形成的RR间期为RR1,同理,R2和R3形成的RR间期:RR2=R3-R2。图2中QST波群表示心室除极;P波表示心房的激动;T波表示心室复极化;QT间期表示心室除极到完全复极的时间;ST段表示心室除极完成,复极尚未开始的一段时间。
预设心跳时间间隔范围表示正常情况下的RR间期的最大值,可以根据被测人员的年龄确定。若第一目标HRV数据对应的RR间期序列中存在不符合预设心跳时间间隔的RR间期,表示第一目标HRV数据中产生了异常数据,将异常数据对应的第一目标HRV数据剔除,保留每个RR间期均符合预设心跳时间间隔范围的第一目标HRV数据作为第二目标HRV数据。
S104、提取第二目标HRV数据的时域特征、频域特征和非线性特征。
可见,在本申请实施例中,通过获取滑动窗口对应的HRV数据;确定HRV数据对应的多个目标峰值,并计算多个目标峰值的方差,再基于HRV数据对应的方差对HRV数据进行筛选,能够排除方差较大,即波动程度大的可能是异常的HRV数据,从而得到准确度高且较为平稳的符合预设方差范围的第一目标HRV数据;再基于第一目标HRV数据的多个目标峰值,确定第一目标HRV数据的RR间期序列,RR间期序列中的RR间期表示两个相邻峰值之间的时间差,表示人体两次心跳之间的时间间隔,基于预设心跳时间间隔范围能够排除异常心跳对应的第一目标HRV数据,得到正常的数据即第二目标HRV数据,对每个第二目标HRV数据进行特征提取;通过方差以及预设心跳时间间隔范围,进行两次异常数据的过滤,得到了准确度高且符合人体心跳特性的第二目标HRV数据,基于第二目标HRV数据进行特征提取,能够得到精准的HRV特征。
本申请实施例的一种可能的实现方式,基于HRV数据,确定HRV数据对应的多个目标峰值,包括:
基于最短心动间隔点数确定HRV数据中的多个初始峰值,其中,最短心动间隔点数为HRV数据中一次心跳所包含的数据点个数;
确定HRV数据的第一上包络线和第一下包络线;
基于百分比阈值、第一上包络线和第一下包络线,确定HRV数据的电压阈值;
从多个初始峰值中选择超过电压阈值的峰值,得到子HRV数据的多个目标峰值。
在本实施例中,最短心动间隔点数表示心跳一次至少对应的数据点的数量,其可通过表达式计算得到,该表达式为:
其中,winSize为最短心动间隔点数,maxRatePerMin1表示最大心率,即正常人在安静状态下每分钟心跳的最大次数,可以根据人体特性设置为120;freq为采集原始HRV数据时设置的采样率,表示每秒钟采集多少个数据点;60表示1min为60s,用于单位转换。
在本申请实施例中,确定HRV数据中的所有极大值点和极小值点;将HRV时域信号波形(即HRV数据)按照最短心动间隔点数分段,得到多个数据段,每个数据段中包含的数据点个数为最短心动间隔点数;对于每个数据段,若数据段中不包含极大值,则不选取初始峰值,若数据段中包含一个极大值,则将该极大值作为初始峰值,若数据段中包含两个及两个以上极大值,在两个及两个以上极大值中选择幅值最大的一个作为初始峰值,从而得到HRV数据对应的多个初始峰值。
通过电压阈值对初始峰值进行筛选,得到符合人体特性的目标峰值。具体的,如图3所示,将所有的极大值点通过平滑曲线连接,构成HRV数据的第一上包络线,对于相邻两个极大值点之间,选择最小的极小值点作为波谷,将所有的波谷通过平滑曲线连接,构成HRV数据的第一下包络线。
确定HRV数据中每个数据点对应的第一上包络线和第一下包络线的幅值差值,差值的表达式为:
maxThresholdi=upperEnvelopei-underEnvelopei
其中,maxThresholdi表示HRV数据中第i个数据点对应的第一上包络线和第一下包络线的差值,upperEnvelopei表示HRV数据中第i个数据点对应的第一上包络线的幅值,underEnvelopei表示HRV数据中第i个数据点对应的第一下包络线的幅值。
确定第一上包络线和第一下包络线之前幅值差值的最大值maxThreshold1。
计算电压阈值,也叫做百分比线值,表示正常人体采集到的HRV数据中峰值的最小值,百分比线值Y的表达式为:
Y=maxThreshold1×thersholdPercent+underEnvelope
其中,thersholdPercent为预设百分比阈值,可根据历史HRV数据设置,如设置为70%;maxThreshold1为第一上包络线和第一下包络线之前幅值差值的最大值;underEnvelope为maxThreshold1对应的第一下包络线的幅值。
如图4所示,曲线为子HRV数据的时域信号波形,直线为百分比线,其对应的幅值为电压阈值,其中,超过电压阈值的初始峰值被判定为目标峰值。
可见,在本申请实施例中,峰值表示一次心跳的最大电压幅值,正常的HRV数据对应的峰值处于一个设定的范围,基于最短心动间隔点数确定HRV数据中的多个初始峰值,且,基于百分比阈值以及HRV数据的第一上包络线和第一下包络线,计算HRV数据的电压阈值,电压阈值表示符合人体特性的最小峰值,通过电压阈值能够从多个初始峰值中筛选符合人体特性的峰值作为目标峰值,以使得到目标峰值更加准确。
进一步的,为了提高HRV数据的精准度,计算多个目标峰值的方差包括:计算相邻两个目标峰值之间的时间差,作为RR间期;判断RR间期是否在预设时间间隔范围内,若存在任一RR间期不在心跳时间间隔范围内,则确定该HRV数据为异常数据;若所有RR间期在心跳时间间隔范围内,则计算多个目标峰值的方差,将方差符合预设方差范围的HRV数据作为第一目标数据。其中,心跳时间间隔范围从正常人体采集到的子HRV数据对应的RR间期符合的心跳时间间隔,可以设置为0-3s。
本申请实施例的一种可能的实现方式,获取滑动窗口对应的HRV数据,包括:
获取滑动窗口对应的第一初始HRV数据,确定第一初始HRV数据的第二上包络线和第二下包络线;
确定第二上包络线和第二下包络线之间的最大幅值差值;
基于第一初始HRV数据中每个数据点对应的第二上包络线数值、第二下包络线数值以及最大幅值差值,确定第一初始HRV数据中每个数据点的幅值调整比例;
基于数据点对应的幅值调整比例对第一初始HRV数据中每个数据点进行幅值调整,得到HRV数据。
具体的,确定第一初始HRV数据的第二上包络线和第二下包络线,包络线的生成过程可参考上述生成第一上包络线和第一下包络线的过程。
当前数据点的幅值调整比例ratio的表达式为:
其中,h1为当前数据点对应的第二上包络线处的幅值,h2为当前数据点对应的第二下包络线处的幅值,maxThreshold2为第二上包络线和第二下包络线的幅值差值的最大值。
当前数据点调整后的幅值结果h3的表达式为:
其中,h为当前数据点调整前的幅值,h2为当前数据点对应的第二下包络线处的幅值,ratio为当前数据点的幅值调整比例。
设备采集到的原始HRV数据的幅值为电压,可以将原始HRV数据的幅值从电压转换为百分数,便于对HRV数据进行处理和分析,具体的,将所有HRV数据点的电压幅值与设定值的比值作为更新后的数据点的幅值,得到的以百分数表示幅值的第一初始HRV数据,其中,设定值是根据实际需求设置的,以通过设定值将原始的电压幅值调整在合适的百分数范围内。
图5为第一初始HRV数据进行幅值调整前的波形图,波形的横轴表示时间,纵轴用百分数表示幅值;图6为进行幅值调整后的HRV数据的波形图;图7为幅值调整前后的波形对比图,可以看出,幅值调整后的波形处于一个更小的幅值范围内,调整后的波形更加和缓。
可见,在本申请实施例中,获取滑动窗口对应的第一初始HRV数据,确定第一初始HRV数据的第二上包络线和第二下包络线,以及第二上包络线和第二下包络线的最大幅值差值,基于第一初始HRV数据中每个数据点对应的第二上包络线数值、第二下包络线数值以及最大幅值差值确定初始总HRV数据中每个数据点的幅值调整比例,进而基于幅值调整比例调整每个数据点,使得调整后的第一初始HRV数据的幅值仍在原始的第二上下包络线内,幅值过高的数据幅值变小,幅值过低的数据幅值变大,最终将第一初始HRV数据中各个数据点的幅值调整在一个合理的幅值区间,得到平滑且有效的HRV数据。
本申请实施例的一种可能的实现方式,基于数据点对应的幅值调整比例对第一初始HRV数据中每个数据点进行幅值调整,得到HRV数据,包括:
基于数据点对应的幅值调整比例对第一初始HRV数据中每个数据点进行幅值调整,得到幅值调整后的第一HRV数据;
对幅值调整后的第一HRV数据进行异常检测,确定异常点;
基于异常点之前或之后的多个数据点对应的均值或中值,对异常点的值进行校正,得到HRV数据。
第一初始HRV数据总体是非平滑的,可以通过对异常数据检测和校正来提高数据的精准度。对于检测得到的异常点,本实施例提供了两种校正方法,分别为均值校正法和中值校正法。
具体的,针对每个异常点,取异常点之前或之后多个数据点对应的均值或者中值,作为异常点的替换值。其中,多个数据点可以为异常点之前或之后特定数量的数据点,或者,多个数据点为异常点之前或之后特定时长对应的数据点,其中,特定数量和特定时长是根据实际需求设置的,可选的,特定数量设置为75,特定时长设置为2.5s。
可见,在本申请实施例中,对幅值调整后的第一HRV数据进行异常检测,确定异常点,基于异常点的周围数据的均值或中值,对异常点的值进行校正,能够使异常点的异常值回到正常值,保证了HRV数据的准确度和平滑度。
本申请实施例的一种可能的实现方式,对幅值调整后的第一HRV数据进行异常检测,确定异常点,包括:
确定幅值调整后的第一HRV数据中目标数据点与前一数据点的第一差值,以及目标数据点与后一数据点的第二差值,其中,目标数据点为第一子HRV数据中的任一数据;
计算第一差值和目标数据点的第一比值,以及第二差值和目标数据点的第二比值;
当目标数据点的第一比值和第二比值均大于预设比值阈值时,判定目标数据点为异常点。
在本申请实施例中,百分比检测,用于检测相较于相邻数据点产生了幅值突变的异常点。预设比值阈值表示目标数据点相较于前一数据点或后一数据点,目标数据点幅值的变化程度,可以根据实际需求设置为20%。
具体的,假设目标数据点的幅值为B,目标数据点前一数据点的幅值为A,目标数据点后一数据点的幅值为C,目标数据点与前一数据点的差值为第一差值B-A,目标数据点与后一数据点的差值为第二差值B-C。第一差值B-A和目标数据点的比值的绝对值,即第一比值|(B-A)/B×100%|,第二差值B-C和目标数据点的比值的绝对值,即第二比值|(B-C)/B×100%|,若目标数据点的第一比值和第二比值均大于预设比值阈值,将目标数据点判定为异常点。
可见,在本申请实施例中,确定幅值调整后的第一HRV数据中目标数据点的第一比值和第二比值,若目标数据点的第一比值、第二比值均超过预设比值阈值,表示目标数据点相较于周围数据点产生了数值突变,确定目标数据点为异常点,通过目标数据点相较于周围数据点的变化情况能够精准确定异常点。
本申请实施例的一种可能的实现方式,对幅值调整后的第一HRV数据进行异常检测,确定异常点,包括:
确定幅值调整后的第一HRV数据的中值,基于中值确定幅值调整后的第一HRV数据中的目标数据点的中值偏差;
当目标数据点的中值偏差大于预设偏差阈值时,判定目标数据点为异常点。
在本申请实施例中,确定幅值调整后的第一HRV数据的中值median;计算每一数据点与中值的差值的绝对值,生成一个差值集合;确定差值集合的中值medianDiff。
计算目标数据点的中值偏差f,其表达式为:
其中,k为根据经验设置的系数,k的值为1.483。
若目标数据点的中值偏差大于预设偏差阈值,将目标数据点判定为异常点。其中,预设阈值表示目标数据点偏移数据中值的最大程度,可以根据实际经验设置为4。
可见,在本申请实施例中,确定幅值调整后的第一HRV数据的中值,基于中值确定幅值调整后的第一HRV数据中的目标数据点的中值偏差,若目标数据点的中值偏差大于预设偏差阈值,表示目标数据点偏移第一HRV数据的中值的程度超出正常范围,将目标数据点判定为异常点,能够准确筛选出偏移数据中值过大的异常点。
本申请实施例的一种可能的实现方式,获取滑动窗口对应的第一初始HRV数据,包括:
获取滑动窗口对应的第二初始HRV数据;
对第二初始HRV数据对应的时域信号进行快速傅里叶变换,得到第二初始HRV数据对应的频域信号;
基于预设频域区间判断第二初始HRV数据对应的频域信号是否为有效频域信号;
若有效,对有效频域信号进行分段滤波,将分段滤波后的有效频域信号整合并进行快速傅里叶反变换,得到滤波后的第一初始HRV数据。
滤波的主要原理是分段将时域信号转成频域信号滤波之后再转换回时域信号,对获取的滑动窗口对应的第二初始HRV数据进行快速傅里叶变换,得到频域信号。
HRV数据的频域信号主要集中在预设频域区间内,计算预设频域区间内信号能量与频域总能量的比值,若该比值大于预设比值阈值,表明频域信号对应的HRV数据为有效数据,选取有效的HRV数据进行滤波,以得到精准的第一初始HRV数据。其中,PPG信号的预设频域区间可选取0.5-4Hz;ECG信号的预设频域区间可选取0.25-45Hz,预设比值阈值可以根据实际经验设置为90%。
对有效的频域信号进行分段滤波,分段滤波的优点是没有相位偏差,但是数据不能太长,实时滤波中的窗口长度也不能太长,因此本申请实施例中选择4096长度的窗口作为滤波窗口,表示每个滤波窗口表示一段HRV数据,其中包含4096个数据点。
进一步的,窗口滤波可以采用高通滤波。高通滤波设定为高频信号能正常通过,而低于设定频率临界值的低频信号被阻隔或减弱,能够解决数据跳刺,且能去除环境中的工频干扰。数据跳刺指由于数据源的质量问题、采样偏差、设备故障或其他外部因素造成,导致数据中出现的随机且短暂的尖峰、抖动或异常值。由于存在其他设备干扰,或是采集设备为耳夹传感器时容易受到晃动,可能会产生工频干扰信号,工频干扰信号一般为50Hz或60Hz,主要表现为信号测量时可能会出现的正弦波或其他信号与正弦波的叠加。
可见,在本申请实施例中,时域信号转换为频域信号后,通过预设频域区间判断有效频域信号,能够排除频率异常的数据,得到有效数据,再结合分段滤波操作对有效数据进行去噪,能够准确去除噪声干扰,提高第一初始HRV数据的精准度。
本申请实施例的一种可能的实现方式,在对第二初始HRV数据进行滤波之前,对滑动窗口对应的第二初始HRV数据进行小波分解,通过小波分解产生的小波系数含有HRV数据的重要信息,经小波分解后的有效数据对应的小波系数较大,噪声对应的小波系数较小,且噪声的小波系数小于有效信号的小波系数,通过选取一个合适的预设阈值进行筛选,大于阈值的小波系数被认为是有效信号,小于阈值的小波系数被认为是噪声,基于预设阈值对小波系数进行调整,对各层的调整后的小波系数进行小波重构,得到小波去噪后的第二初始HRV数据;
其中,小波分解的层数是根据实际需求设置的,可以设置为五层;预设阈值是根据历史数据中的噪声大小设置的,可以设置为30db。
进一步的,基于预设阈值对小波系数进行调整,可以将小于预设阈值的小波系数置零处理,不小于预设阈值的小波系数不处理,或是用小波系数与预设阈值的差值,代替不小于预设阈值的小波系数。
本申请实施例的一种可能的实现方式,将第一目标HRV数据中各个RR间期均符合预设心跳时间间隔范围的子HRV数据作为第二目标HRV数据之前,方法还包括:
确定HRV数据对应的人员年龄;
基于HRV数据对应的人员年龄以及预设正常心跳清单,确定人员年龄对应的预设心跳时间间隔范围;
其中,正常心跳清单表示不同年龄段与正常心跳范围的对应关系。
实际情况中,不同年龄段的人群的心率不同,对应的RR间期也不同,因此可以结合人员年龄确定正常的RR间期范围。
具体的,不同年龄段对应的正常心率可以参考预设正常心跳清单:新生儿(出生至4周):100-205;婴儿(4周至1岁):100–180;幼儿(1至3岁):98-140;学前班(3至5岁):80-120;学龄期(5至12岁):75-118;青少年(13至18岁):60-100;成年人(18岁以上):60-100;成年运动员:40-60。
根据HRV数据对应的人员年龄和预设正常心跳清单确定预设心跳时间间隔范围,RR间期=60000/心率,其中,60000表示1min=60000ms。
判断RR间期序列的每个RR间期是否符合预设心跳时间间隔范围,若第一目标HRV数据中存在不符合预设心跳时间间隔范围的RR间期,则将第一目标HRV数据剔除不用,将第一目标HRV数据中各个RR间期均符合预设心跳时间间隔范围的HRV数据作为第二目标HRV数据。
针对提取第二目标HRV数据的特征,本申请实施例进行进一步阐述。
在一种可实现的方式中,将第二目标HRV数据看作时间的函数,通过分析得到第二目标HRV数据的时域特征,时域特征可以包括:MeanRR(ms)、MeanHR(bpm)、SDNN(ms)、SDANN(ms)、RMSSD(ms)、SDSD(ms)、pNN50(%)和pNN20(%)。
第二目标HRV数据的时域特征,包括:
MeanRR:表示N个RR间期的均值,单位为ms,其表达式为:
MeanHR表示平均心率值,其表达式为:
其中,60000表示1min=60s=60000ms,MeanRR表示N个RR间期的均值。
SDNN:表示N个RR间期的标准差,能够反映心率的缓慢变化,是评价交感神经功能的敏感指标,其表达式为:
其中,RRi表示第i个RR间期;MeanRR表示N个RR间期的均值。
SDANN:表示预设时间内RR间期均值的标准差,假设预设时间内有M个滑动窗口,M个滑动窗口对应M个RR间期均值,分别为:MeanRR1、MeanRR2……MeanRRM,SDANN的表达式为:
其中,MeanRRz表示M个RR间期均值的均值,其表达式为:
RMSSD:表示连续相邻RR间期的均方根,其表达式为:
其中,RRi表示第i个RR间期,RRi-1表示第i-1个RR间期。
SDSD:表示相邻RR间期之差的标准差,其表达式为:
/>
其中,RRi表示第i个RR间期,RRi-1表示第i-1个RR间期,N为RR间期的个数,MeanRR表示N个RR间期的均值。
pNN50:表示相邻RR间期之差大于50ms的RR间期个数占RR间期总数的百分比,假设RR间期的个数为N,计算每个RR间期与前一个RR间期的差值的绝对值,得到N-1个差值的绝对值,其中a个差值的绝对值大于50ms,则NN50的值为a,pNN50的表达式为:
pNN20:表示相邻RR间期之差大于20ms的RR间期个数占RR间期总数的百分比,假设RR间期的个数为N,计算每个RR间期与前一个RR间期的差值的绝对值,得到N-1个差值的绝对值,其中b个差值的绝对值大于20ms,则NN20的值为b,pNN20的表达式为:
在一种可实现的方式中,提取第二目标HRV数据的频域特征,包括:利用快速傅里叶变换将第二目标HRV数据的时域信号转换为频域信号,进而对频域信号进行特征提取,得到的频域特征可以包括:频段,包括超极低频、极低频、低频、高频,以及各频段对应的频率范围;Total Power(ms2),表示超极低频,极低频,低频,高频在内的功率的总和;Power(ms2),表示频段的功率频段的功率占总功率的百分比;Power Percent(%),表示PowerNormalized,表示低频和高频功率分别占低频和高频功率总合的百分比;Peak(Hz),表示在不同频段中功率最大值对应的频率;LF/HF,表示低频段和高频段功率的比值。
具体的,第二目标HRV数据的频域特征,包括:
将第二目标HRV数据对应的频域信号从频域谱转换为功率谱,得到的功率谱波形如图8所示,图8中信号划分为4个频段,分别为:超极低频ULF,其频率范围为0-0.0033Hz;极低频VLF,其频率范围为0.0033-0.04Hz;低频LF,其范频率围为0.04-0.15Hz;高频HF,其频率范围为0.15-0.4Hz。
频段的功率Power可以用频段时间轴与波形形成的图形的面积来表示,从而得到4个频段对应的功率,分别为:超极低频功率PULF、极低频功率PVLF、低频功率PLF、高频功率PHF。
Total Power:表示超极低频功率PULF、极低频功率PVLF、低频功率PLF、高频功率PHF的总和,其表达式为:
Total Power=PULF+PVLF+PLF+PHF
Power Percent:表示频段的功率占总功率的百分比,以超极低频ULF为例,其功率占总功率的百分比表达式为:
其中,Total Power为超极低频功率PULF、极低频功率PVLF、低频功率PLF、高频功率PHF的总和。
Power Normalized:表示低频和高频功率分别占低频和高频功率总和的百分比,以低频LF为例,其功率占低频和高频功率总和的百分比表达式为:
其中,PLF表示低频功率,PHF表示高频功率。
Peak:表示不同频段中功率最大值对应的频率,基于功率谱可以确定不同频段中功率最大值对应的频率。
LF/HF:表示低频段和高频段功率的比值,即PLF/PHF。
本申请实施例的一种可能的实现方式,提取第二目标HRV数据的非线性特征,包括:
基于第二目标HRV数据绘制庞德加来散点图和差值散点图;
确定庞德加来散点图的椭圆长轴标准差和椭圆短轴标准差;
确定差值散点图中第一象限和第三象限中点的个数;
其中,非线性特征包括:椭圆长轴标准差、椭圆短轴标准差、第一象限中点的个数以及第三象限中点的个数。
Poincare:庞德加来散点图,利用RR间期变化绘制的图像,每一个RR间期都会受到前一个RR间期的影响,如图9所示,庞德加来散点图的横坐标为IBI间期(RR间期),纵坐标为下一个IBI间期(RR间期),庞德加来散点图揭示了时间序列中连续值之间的相关性,包含了HRV的线性和非线性的变化趋势,给出了心脏波动的直观显示,能揭示非线性过程和非周期性运动。
从庞德加来散点图中提取的非线性指标包括:椭圆长轴标准差SD1、椭圆短轴标准差SD2,其中:
SD1,代表短期变异性,一般反映副交感神经活性,当SD1减少时,副交感神经活性降低,交感神经活性增强,SD1的表达式为:
其中,SDSD表示时域特征中相邻RR间期之差的标准差。
SD2,代表长期变异性,与交感神经活性关联程度比与副交感神经活性更强,当SD2减少时,交感神经活性增加,SD2的表达式为:
其中,表示时域特征中N个RR间期的标准差,SDSD表示时域特征中相邻RR间期之差的标准差。
Scatter:差值散点图,又叫二阶差分图,用以评估交感神经和副交感神经的平衡性以及频谱分析估计,优势是利用稳定的关联的RR间期序列。差值散点图以连续三个RR间期做差值得到一个坐标点做点图,差值散点图的x轴表示当前心脏节拍的持续时间RRi与上一个心脏节拍RRi-1的持续时间的差,第i个点在x轴上的坐标为:
xi=RRi-RRi-1
差值散点图的y轴表示当前心脏节拍RRi的持续时间与下一个心脏节拍的持续时间RRi+1的差,第i个点在y轴上的坐标为:
yi=RRi-RRi+1
差值散点图表示时间序列中连续的速率值之间的相关性,从差值散点图提取的非线性指标为:第一象限中点的个数A++、第三象限中点的个数B--,横纵坐标单位为ms。
A++,第一象限点表示两个连续的心动间隔增加,心率减小,代表副交感神经活性。
B--,第三象限点表示两个连续的心动间隔减小,心率增加,代表交感神经活性。
对于通过HRV数据处理后提取到的时域特征、频域特征以及非线性特征,可以将这些特征用于机器学习训练,以通过训练好的模型对人体生理状态进行预测,提高了预测的精准度。
上述实施例从方法流程的角度介绍一种HRV数据预处理方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种HRV数据预处理装置,具体详见下述实施例。
本申请实施例提供一种HRV数据预处理装置,如图10所示,该装置可以包括:
获取模块1001,用于获取滑动窗口对应的HRV数据;
第一处理模块1002,用于基于HRV数据,确定HRV数据对应的多个目标峰值,计算多个目标峰值的方差,将方差符合预设方差范围的HRV数据作为第一目标HRV数据;
第二处理模块1003,用于基于第一目标HRV数据的多个目标峰值,确定第一目标HRV数据的RR间期序列,判断RR间期序列的每个RR间期是否符合预设心跳时间间隔范围,将第一目标HRV数据中各个RR间期均符合预设心跳时间间隔范围的HRV数据作为第二目标HRV数据;
提取模块1004,用于提取第二目标HRV数据的时域特征、频域特征和非线性特征。
本申请在一较佳示例中可以进一步配置为:第一处理模块1002在执行基于HRV数据,确定HRV数据对应的多个目标峰值时,具体用于:
基于最短心动间隔点数确定HRV数据中的多个初始峰值,其中,最短心动间隔点数为HRV数据中一次心跳所包含的数据点个数;
确定HRV数据的第一上包络线和第一下包络线;
基于百分比阈值、第一上包络线和第一下包络线,确定HRV数据的电压阈值;
从多个初始峰值中选择超过电压阈值的峰值,得到子HRV数据的多个目标峰值。
本申请在一较佳示例中可以进一步配置为:获取模块1001在执行获取滑动窗口对应的HRV数据时,具体用于:
获取滑动窗口对应的第一初始HRV数据,确定第一初始HRV数据的第二上包络线和第二下包络线;
确定第二上包络线和第二下包络线之间的最大幅值差值;
基于第一初始HRV数据中每个数据点对应的第二上包络线数值、第二下包络线数值以及最大幅值差值,确定第一初始HRV数据中每个数据点的幅值调整比例;
基于数据点对应的幅值调整比例对第一初始HRV数据中每个数据点进行幅值调整,得到HRV数据。
本申请在一较佳示例中可以进一步配置为:获取模块1001在执行基于数据点对应的幅值调整比例对第一初始HRV数据中每个数据点进行幅值调整,得到HRV数据时,具体用于:
基于数据点对应的幅值调整比例对第一初始HRV数据中每个数据点进行幅值调整,得到幅值调整后的第一HRV数据;
对幅值调整后的第一HRV数据进行异常检测,确定异常点;
基于异常点之前或之后的多个数据点对应的均值或中值,对异常点的值进行校正,得到HRV数据。
本申请在一较佳示例中可以进一步配置为:获取模块1001在执行对幅值调整后的第一HRV数据进行异常检测,确定异常点时,具体用于:
确定幅值调整后的第一HRV数据中目标数据点与前一数据点的第一差值,以及目标数据点与后一数据点的第二差值,其中,目标数据点为第一子HRV数据中的任一数据;
计算第一差值和目标数据点的第一比值,以及第二差值和目标数据点的第二比值;
当目标数据点的第一比值和第二比值均大于预设比值阈值时,判定目标数据点为异常点。
本申请在一较佳示例中可以进一步配置为:获取模块1001在执行对幅值调整后的第一HRV数据进行异常检测,确定异常点时,具体用于:
确定幅值调整后的第一HRV数据的中值,基于中值确定幅值调整后的第一HRV数据中的目标数据点的中值偏差;
当目标数据点的中值偏差大于预设偏差阈值时,判定目标数据点为异常点。
本申请在一较佳示例中可以进一步配置为:获取模块1001在执行获取滑动窗口对应的第一初始HRV数据时,具体用于:
获取滑动窗口对应的第二初始HRV数据;
对第二初始HRV数据对应的时域信号进行快速傅里叶变换,得到第二初始HRV数据对应的频域信号;
基于预设频域区间判断第二初始HRV数据对应的频域信号是否为有效频域信号;
若有效,对有效频域信号进行分段滤波,将分段滤波后的有效频域信号整合并进行快速傅里叶反变换,得到滤波后的第一初始HRV数据。
本申请在一较佳示例中可以进一步配置为:提取模块1004在执行提取第二目标HRV数据的非线性特征时,具体用于:
基于第二目标HRV数据绘制庞德加来散点图和差值散点图;
确定庞德加来散点图的椭圆长轴标准差和椭圆短轴标准差;
确定差值散点图中第一象限和第三象限中点的个数;
其中,非线性特征包括:椭圆长轴标准差、椭圆短轴标准差、第一象限中点的个数以及第三象限中点的个数。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的一种HRV数据预处理装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例中提供了一种电子设备,如图11所示,图11所示的电子设备1100包括:处理器1101和存储器1103。其中,处理器1101和存储器1103相连,如通过总线1102相连。可选地,电子设备1100还可以包括收发器1104。需要说明的是,实际应用中收发器1104不限于一个,该电子设备1100的结构并不构成对本申请实施例的限定。
处理器1101可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器1101也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线1102可包括一通路,在上述组件之间传送信息。总线1102可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线1102可以分为地址总线、数据总线、控制总线等。为便于表示,图11中仅用一条粗线表示,但并不表示仅有一根总线或一型的总线。
存储器1103可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器1103用于存储执行本申请方案的应用程序代码,并由处理器1101来控制执行。处理器1101用于执行存储器1103中存储的应用程序代码,以实现前述用于HRV数据预处理方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图11示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种HRV数据预处理方法,其特征在于,包括:
获取滑动窗口对应的HRV数据;
基于HRV数据,确定所述HRV数据对应的多个目标峰值,计算所述多个目标峰值的方差,将所述方差符合预设方差范围的HRV数据作为第一目标HRV数据;
基于第一目标HRV数据的所述多个目标峰值,确定所述第一目标HRV数据的RR间期序列,判断所述RR间期序列的每个RR间期是否符合预设心跳时间间隔范围,将第一目标HRV数据中各个RR间期均符合所述预设心跳时间间隔范围的HRV数据作为第二目标HRV数据;
提取所述第二目标HRV数据的时域特征、频域特征和非线性特征。
2.根据权利要求1所述的方法,其特征在于,所述基于HRV数据,确定所述HRV数据对应的多个目标峰值,包括:
基于最短心动间隔点数确定所述HRV数据中的多个初始峰值,其中,所述最短心动间隔点数为HRV数据中一次心跳所包含的数据点个数;
确定所述HRV数据的第一上包络线和第一下包络线;
基于百分比阈值、所述第一上包络线和所述第一下包络线,确定所述HRV数据的电压阈值;
从所述多个初始峰值中选择超过所述电压阈值的峰值,得到所述子HRV数据的多个目标峰值。
3.根据权利要求1所述的方法,其特征在于,所述获取滑动窗口对应的HRV数据,包括:
获取滑动窗口对应的第一初始HRV数据,确定所述第一初始HRV数据的第二上包络线和第二下包络线;
确定所述第二上包络线和所述第二下包络线之间的最大幅值差值;
基于所述第一初始HRV数据中每个数据点对应的第二上包络线数值、第二下包络线数值以及所述最大幅值差值,确定所述第一初始HRV数据中每个数据点的幅值调整比例;
基于数据点对应的幅值调整比例对所述第一初始HRV数据中每个数据点进行幅值调整,得到HRV数据。
4.根据权利要求3所述的方法,其特征在于,所述基于数据点对应的幅值调整比例对所述第一初始HRV数据中每个数据点进行幅值调整,得到HRV数据,包括:
基于数据点对应的幅值调整比例对第一初始HRV数据中每个数据点进行幅值调整,得到幅值调整后的第一HRV数据;
对幅值调整后的第一HRV数据进行异常检测,确定异常点;
基于所述异常点之前或之后的多个数据点对应的均值或中值,对所述异常点的值进行校正,得到所述HRV数据。
5.根据权利要求4所述的方法,其特征在于,所述对幅值调整后的第一HRV数据进行异常检测,确定异常点,包括:
确定幅值调整后的第一HRV数据中目标数据点与前一数据点的第一差值,以及目标数据点与后一数据点的第二差值,其中,所述目标数据点为所述第一子HRV数据中的任一数据;
计算所述第一差值和所述目标数据点的第一比值,以及所述第二差值和所述目标数据点的第二比值;
当所述目标数据点的第一比值和所述第二比值均大于预设比值阈值时,判定所述目标数据点为异常点。
6.根据权利要求4所述的方法,其特征在于,所述对幅值调整后的第一HRV数据进行异常检测,确定异常点,包括:
确定幅值调整后的第一HRV数据的中值,基于所述中值确定所述幅值调整后的第一HRV数据中的目标数据点的中值偏差;
当所述目标数据点的中值偏差大于预设偏差阈值时,判定所述目标数据点为异常点。
7.根据权利要求3所述的方法,其特征在于,所述获取滑动窗口对应的第一初始HRV数据,包括:
获取滑动窗口对应的第二初始HRV数据;
对所述第二初始HRV数据对应的时域信号进行快速傅里叶变换,得到所述第二初始HRV数据对应的频域信号;
基于预设频域区间判断所述第二初始HRV数据对应的频域信号是否为有效频域信号;
若有效,对有效频域信号进行分段滤波,将分段滤波后的有效频域信号整合并进行快速傅里叶反变换,得到滤波后的第一初始HRV数据。
8.根据权利要求1至7任意一项所述的方法,其特征在于,提取所述第二目标HRV数据的非线性特征,包括:
基于所述第二目标HRV数据绘制庞德加来散点图和差值散点图;
确定所述庞德加来散点图的椭圆长轴标准差和椭圆短轴标准差;
确定所述差值散点图中第一象限和第三象限中点的个数;
其中,所述非线性特征包括:椭圆长轴标准差、椭圆短轴标准差、第一象限中点的个数以及第三象限中点的个数。
9.一种HRV数据预处理装置,其特征在于,包括:
获取模块,用于获取滑动窗口对应的HRV数据;
第一处理模块,用于基于HRV数据,确定所述HRV数据对应的多个目标峰值,计算所述多个目标峰值的方差,将所述方差符合预设方差范围的HRV数据作为第一目标HRV数据;
第二处理模块,用于基于第一目标HRV数据的所述多个目标峰值,确定所述第一目标HRV数据的RR间期序列,判断所述RR间期序列的每个RR间期是否符合预设心跳时间间隔范围,将第一目标HRV数据中各个RR间期均符合所述预设心跳时间间隔范围的HRV数据作为第二目标HRV数据;
提取模块,用于提取所述第二目标HRV数据的时域特征、频域特征和非线性特征。
10.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~8任一项所述的一种HRV数据预处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311265053.1A CN117271977A (zh) | 2023-09-27 | 2023-09-27 | 一种hrv数据预处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311265053.1A CN117271977A (zh) | 2023-09-27 | 2023-09-27 | 一种hrv数据预处理方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117271977A true CN117271977A (zh) | 2023-12-22 |
Family
ID=89217419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311265053.1A Pending CN117271977A (zh) | 2023-09-27 | 2023-09-27 | 一种hrv数据预处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117271977A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103815896A (zh) * | 2014-01-22 | 2014-05-28 | 东软熙康健康科技有限公司 | 一种精神疲劳监测方法、装置、系统及移动处理终端 |
CN106859625A (zh) * | 2017-02-13 | 2017-06-20 | 北京心量科技有限公司 | 一种hrv测量方法以及装置 |
CN107569226A (zh) * | 2017-09-27 | 2018-01-12 | 广州中科新知科技有限公司 | 基于压电传感获取hrv的方法及应用 |
CN108937916A (zh) * | 2018-08-03 | 2018-12-07 | 西南大学 | 一种心电信号检测方法、装置及存储介质 |
CN108968946A (zh) * | 2018-06-20 | 2018-12-11 | 广州中科新知科技有限公司 | 一种基于hrv分析的女性内分泌管理系统 |
CN109953752A (zh) * | 2019-03-05 | 2019-07-02 | 上海朗朗信息科技有限公司 | 心律失常情况下hrv分析方法、装置、设备和存储介质 |
CN110141205A (zh) * | 2019-05-27 | 2019-08-20 | 深圳市是源医学科技有限公司 | 基于hrv技术的抗压数据、疲劳数据的测试方法和装置 |
CN111407262A (zh) * | 2019-04-26 | 2020-07-14 | 北京海思瑞格科技有限公司 | 基于blstm的睡眠分期方法以及基于blstm进行睡眠分期的装置 |
CN114947791A (zh) * | 2022-04-14 | 2022-08-30 | 深圳市奋达智能技术有限公司 | 基于可穿戴设备的心理压力计算方法及系统 |
CN115067910A (zh) * | 2022-07-21 | 2022-09-20 | 广东电网有限责任公司 | 一种心率变异性压力检测方法、装置、存储介质以及系统 |
CN115120248A (zh) * | 2022-09-02 | 2022-09-30 | 之江实验室 | 基于直方图的自适应阈值r峰检测、心律分类方法及装置 |
CN115192040A (zh) * | 2022-07-18 | 2022-10-18 | 天津大学 | 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置 |
CN116602642A (zh) * | 2023-07-19 | 2023-08-18 | 深圳市爱保护科技有限公司 | 心率监测方法、装置、设备 |
-
2023
- 2023-09-27 CN CN202311265053.1A patent/CN117271977A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103815896A (zh) * | 2014-01-22 | 2014-05-28 | 东软熙康健康科技有限公司 | 一种精神疲劳监测方法、装置、系统及移动处理终端 |
CN106859625A (zh) * | 2017-02-13 | 2017-06-20 | 北京心量科技有限公司 | 一种hrv测量方法以及装置 |
CN107569226A (zh) * | 2017-09-27 | 2018-01-12 | 广州中科新知科技有限公司 | 基于压电传感获取hrv的方法及应用 |
CN108968946A (zh) * | 2018-06-20 | 2018-12-11 | 广州中科新知科技有限公司 | 一种基于hrv分析的女性内分泌管理系统 |
CN108937916A (zh) * | 2018-08-03 | 2018-12-07 | 西南大学 | 一种心电信号检测方法、装置及存储介质 |
CN109953752A (zh) * | 2019-03-05 | 2019-07-02 | 上海朗朗信息科技有限公司 | 心律失常情况下hrv分析方法、装置、设备和存储介质 |
CN111407262A (zh) * | 2019-04-26 | 2020-07-14 | 北京海思瑞格科技有限公司 | 基于blstm的睡眠分期方法以及基于blstm进行睡眠分期的装置 |
CN110141205A (zh) * | 2019-05-27 | 2019-08-20 | 深圳市是源医学科技有限公司 | 基于hrv技术的抗压数据、疲劳数据的测试方法和装置 |
CN114947791A (zh) * | 2022-04-14 | 2022-08-30 | 深圳市奋达智能技术有限公司 | 基于可穿戴设备的心理压力计算方法及系统 |
CN115192040A (zh) * | 2022-07-18 | 2022-10-18 | 天津大学 | 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置 |
CN115067910A (zh) * | 2022-07-21 | 2022-09-20 | 广东电网有限责任公司 | 一种心率变异性压力检测方法、装置、存储介质以及系统 |
CN115120248A (zh) * | 2022-09-02 | 2022-09-30 | 之江实验室 | 基于直方图的自适应阈值r峰检测、心律分类方法及装置 |
CN116602642A (zh) * | 2023-07-19 | 2023-08-18 | 深圳市爱保护科技有限公司 | 心率监测方法、装置、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Acharya et al. | Study of heart rate variability signals at sitting and lying postures | |
Chong et al. | Photoplethysmograph signal reconstruction based on a novel hybrid motion artifact detection–reduction approach. Part I: Motion and noise artifact detection | |
US11311201B2 (en) | Feature selection for cardiac arrhythmia classification and screening | |
US11234658B2 (en) | Photoplethysmogram data analysis and presentation | |
Bansal et al. | A review of measurement and analysis of heart rate variability | |
KR20210018202A (ko) | 광혈류측정 데이터 분석 및 프리젠테이션 | |
Hossain et al. | A robust ECG denoising technique using variable frequency complex demodulation | |
Antink et al. | Reducing false alarms in the ICU by quantifying self-similarity of multimodal biosignals | |
KR101366101B1 (ko) | 개인별 ecg 신호의 정상 신호 분류 시스템 및 방법 | |
Costin et al. | Atrial fibrillation onset prediction using variability of ECG signals | |
CN114742114B (zh) | 高频qrs波形曲线分析方法、装置、计算机设备与存储介质 | |
CN114732419B (zh) | 运动心电数据分析方法、装置、计算机设备与存储介质 | |
US20200107786A1 (en) | Method for assessing electrocardiogram signal quality | |
Chen et al. | A novel method based on Adaptive Periodic Segment Matrix and Singular Value Decomposition for removing EMG artifact in ECG signal | |
CN106539580B (zh) | 一种自主神经系统动态变化的连续监测方法 | |
Rankawat et al. | Robust heart rate estimation from multimodal physiological signals using beat signal quality index based majority voting fusion method | |
CN114732418A (zh) | 高频qrs波形曲线分析方法、装置、计算机设备与存储介质 | |
Dora et al. | Efficient detection and correction of variable strength ECG artifact from single channel EEG | |
Choi et al. | Attention-lrcn: long-term recurrent convolutional network for stress detection from photoplethysmography | |
Bolea et al. | On the Standardization of Approximate Entropy: Multidimensional Approximate Entropy Index Evaluated on Short‐Term HRV Time Series | |
Zhang et al. | An improved real-time R-wave detection efficient algorithm in exercise ECG signal analysis | |
CN117271977A (zh) | 一种hrv数据预处理方法、装置及电子设备 | |
Jokić et al. | An efficient ECG modeling for heartbeat classification | |
Timothy et al. | Data preparation step for automated diagnosis based on HRV analysis and machine learning | |
Jokić et al. | An efficient approach for heartbeat classification |
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 |