CN117481631A - 呼吸率计算方法、装置、设备及介质 - Google Patents
呼吸率计算方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117481631A CN117481631A CN202210868988.8A CN202210868988A CN117481631A CN 117481631 A CN117481631 A CN 117481631A CN 202210868988 A CN202210868988 A CN 202210868988A CN 117481631 A CN117481631 A CN 117481631A
- Authority
- CN
- China
- Prior art keywords
- pulse
- result
- respiration rate
- respiration
- pulse wave
- 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
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000003909 pattern recognition Methods 0.000 claims abstract description 48
- 230000036387 respiratory rate Effects 0.000 claims abstract description 37
- 238000013441 quality evaluation Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000000241 respiratory effect Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 45
- 230000008859 change Effects 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001629 suppression Effects 0.000 claims description 9
- 230000004807 localization Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000005070 sampling Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009531 respiratory rate measurement Methods 0.000 description 1
- 230000003068 static 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
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请涉及人工智能技术领域,提供一种呼吸率计算方法、装置、设备及介质,方法包括:获取脉搏波信号;对脉搏波信号进行预处理,得到预处理后的脉搏波信号;将预处理后的脉搏波信号输入深度神经网络,由所述深度神经网络提取特征,并基于特征进行脉搏定位、心率预测以及呼吸模式识别,得到脉搏概率图、心率预测结果以及呼吸模式识别结果;根据所述脉搏概率图得到脉搏定位结果;根据所述脉搏定位结果以及所述心率预测结果评估所述预处理后的脉搏波信号的质量,得到质量评估结果;若所述质量评估结果符合设定的要求,则基于所述脉搏定位结果,采用所述呼吸模式识别结果对应的呼吸率计算方法计算呼吸率。本发明实施例提高了呼吸率测量的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种呼吸率计算方法、装置、设备及介质。
背景技术
在住院病人查房时,病人的体征指标测量是一项重要工作,体征指标包括脉率(心率)、血压、血氧饱和度和呼吸率等。在这些体征指标中,脉率、血压和血氧饱和度都能通过设备进行自动化测量。但是由于测量呼吸率的设备通常是呼吸带、口鼻气流或者二氧化碳传感器,在查房时佩戴不便,或者需要额外的耗材,只能通过观察一定时间内的胸部起伏的方式进行测量并手动输入系统。其缺点是效率较低,且当衣服较厚时容易出错。
相关文献指出,呼吸会对心电信号(Electrocardiography,ECG)和脉搏波信号(Plethysmography,PPG)造成心跳和脉搏的基线漂移(baselinewandering,BW)、幅值改变(amplitudemodulation,AM)和频率改变(frequencymodulation,FM),如图1所示。因此可以从心电信号或脉搏信号提取出呼吸成分,最后计算呼吸率。
现有方法多采用手工特征配合机器学习识别的方法得到呼吸率。由于手工特征是手动设计特征,非常考验开发者的知识水平和观察能力,一旦特征设计不佳,则会严重影响性能。此外,在选择呼吸模式时,由于手工特征表达能力有限,因此,难以选择出最佳的模式,造成呼吸率测量不准确。此外,发明人还发现,现有技术缺少对脉搏波信号质量的评估,而脉搏波信号质量对脉搏定位精度具有很大影响,脉搏定位精度对呼吸率计算具有很大的影响,因此,采用现有方法测量得到的呼吸率准确性不高。
发明内容
针对上述技术问题,本申请的目的在于提供一种呼吸率计算方法、装置、设备存储介质,旨在提高呼吸率测量的准确性。
为了解决上述技术问题,第一方面,本申请实施例提供一种呼吸率计算方法,包括:
获取脉搏波信号;
对所述脉搏波信号进行预处理,得到预处理后的脉搏波信号;
将所述预处理后的脉搏波信号输入深度神经网络,由所述深度神经网络提取特征,并基于所述特征进行脉搏定位、心率预测以及呼吸模式识别,得到脉搏概率图、心率预测结果以及呼吸模式识别结果;其中,所述呼吸模式识别结果为基于基线漂移的呼吸模式、基于幅值改变的呼吸模式和基于频率改变的呼吸模式中的任意一种;其中,所述脉搏概率图表示各个位置属于脉搏的概率;
根据所述脉搏概率图得到脉搏定位结果;
根据所述脉搏定位结果以及所述心率预测结果评估所述预处理后的脉搏波信号的质量,得到质量评估结果;
若所述质量评估结果符合设定的要求,则基于所述脉搏定位结果,采用所述呼吸模式识别结果对应的呼吸率计算方法计算呼吸率。
进一步的,所述根据所述脉搏概率图得到脉搏定位结果,包括:
根据所述脉搏概率图,利用非极大值抑制的方法检测出各脉搏的位置,得到脉搏定位结果。
进一步的,所述根据所述脉搏概率图,利用非极大值抑制的方法检测出各脉搏的位置,得到脉搏定位结果,包括:
将所述脉搏概率图中概率值大于预设的第一阈值的局部极大值点作为候选点,得到候选点集合;
按照概率值,将所述候选点集合中的候选点从大到小进行排序,生成候选列表;
将所述候选列表中概率值最大的候选点作为脉搏,并将其从所述候选列表中删除;
删除所述候选列表中距离当前脉搏小于设定时间距离的其余候选点;其中,所述当前脉搏为所述概率值最大的候选点;
返回将所述候选列表中概率值最大的候选点作为脉搏,并将其从所述候选列表中删除的步骤,直至清空所述候选列表。
进一步的,所述根据脉搏定位结果以及所述心率预测结果评估所述预处理后的脉搏波信号的质量,得到质量评估结果,包括:
根据所述脉搏定位结果计算相邻脉搏间距的最大值、最小值以及脉率;
若所述脉率与所述心率预测结果的差大于设定的第二阈值,或所述相邻脉搏间距的最大值与最小值之差大于设定的第三阈值,则判定所述预处理后的脉搏波信号质量符合设定的要求,否则,判定所述脉搏波信号质量不符合设定要求。
进一步的,所述基于基线漂移的呼吸模式对应的呼吸率计算方法为:
根据所述预处理后的脉搏波信号和检测出的各脉搏的位置,建立表示各脉搏高度的向量;
对所述表示各脉搏高度的向量进行插值,得到第一向量;
对所述第一向量进行傅里叶变换,将呼吸率的频率范围内幅值最大的成分作为呼吸的频率。
进一步的,所述基于幅值改变的呼吸模式对应的呼吸率计算方法为:
对于检测出的各个脉搏,计算当前分析的脉搏与前后脉搏之间的局部极小值点的位置,作为当前分析脉搏的起点和终点;其中,若当前分析的脉搏为第一个脉搏,则将信号的起点与当前分析的脉搏前m秒的较大值作为当前脉搏起点;若当前分析的脉搏为最后一个脉搏,则将信号的终点与当前分析的脉搏后m秒的较小值者作为当前分析脉搏的终点;其中,m为正数;
将各脉搏起点和终点之间的最大值作为各个脉搏的幅值,建立表示各脉搏幅值的向量;
对所述表示各脉搏幅值的向量进行插值,得到第二向量;
对所述第二向量进行傅里叶变换,将呼吸率的频率范围内幅值最大的成分作为呼吸的频率。
进一步的,所述基于频率改变的呼吸模式对应的呼吸率计算方法为:
根据检测出的各脉搏的位置,计算脉搏之间的距离差,得到表示脉搏之间距离差的向量;
对所述表示脉搏之间距离差的向量进行插值,得到第三向量;
对所述第三向量进行傅里叶变换,将呼吸率的频率范围内幅值最大的成分作为呼吸的频率。
进一步的,所述深度神经网络用于执行脉搏定位任务、心率预测任务以及呼吸模式识别任务;
对于脉搏定位任务,训练所述深度神经网络采用的损失函数为基于二类别交叉熵的损失函数,其中,标注脉搏位置前后n秒内范围的标签值设为1,其余标签范围的值设为0;n为正数;
对心率预测任务,训练所述深度神经网络采用的损失函数为基于均方误差的损失函数;
对于呼吸模式识别任务,训练所述深度神经网络采用的损失函数为基于交叉熵的损失函数。
进一步的,所述的呼吸率计算方法,还包括:
采用心电信号替换所述脉搏波信号
第二方面,本发明实施例提供一种呼吸率计算装置,包括:
获取模块,用于获取脉搏波信号;
预处理模块,用于对所述脉搏波信号进行预处理,得到预处理后的脉搏波信号;
输入模块,用于将所述预处理后的脉搏波信号输入深度神经网络,由所述深度神经网络提取特征,并基于所述特征进行脉搏定位、心率预测以及呼吸模式识别,得到脉搏概率图、心率预测结果以及呼吸模式识别结果;其中,所述呼吸模式识别结果为基于基线漂移的呼吸模式、基于幅值改变的呼吸模式和基于频率改变的呼吸模式中的任意一种;其中,所述脉搏概率图表示各个位置属于脉搏的概率;
脉搏定位结果确定模块,用于根据所述脉搏概率图得到脉搏定位结果;
质量评估模块,用于根据所述脉搏定位结果以及所述心率预测结果评估所述预处理后的脉搏波信号的质量,得到质量评估结果;
计算模块,用于若所述质量评估结果符合设定的要求,则基于所述脉搏定位结果,采用所述呼吸模式识别结果对应的呼吸率计算方法计算呼吸率。
进一步的,所述的呼吸率计算装置,还包括:替换模块,用于采用心电信号替换所述脉搏波信号。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请实施例提供的一种呼吸率计算方法包括:获取脉搏波信号;对所述脉搏波信号进行预处理,得到预处理后的脉搏波信号;将所述预处理后的脉搏波信号输入深度神经网络,由所述深度神经网络提取特征,并基于所述特征进行脉搏定位、心率预测以及呼吸模式识别,得到脉搏概率图、心率预测结果以及呼吸模式识别结果;其中,所述呼吸模式识别结果为基于基线漂移的呼吸模式、基于幅值改变的呼吸模式和基于频率改变的呼吸模式中的任意一种;其中,所述脉搏概率图表示各个位置属于脉搏的概率;根据所述脉搏概率图得到脉搏定位结果;根据所述脉搏定位结果以及所述心率预测结果评估所述预处理后的脉搏波信号的质量,得到质量评估结果;若所述质量评估结果符合设定的要求,则基于所述脉搏定位结果,采用所述呼吸模式识别结果对应的呼吸率计算方法计算呼吸率。由于深度神经网络的特点是端到端的训练,无需人工参与,因此,本发明实施避免了人为因素导致选择得到的呼吸模式不佳的问题,从而有效提高了呼吸模式选择的准确率,进而提高了呼吸率计算的准确性。此外,本发明实施例利用脉搏波的时域信息来预测心率和定位脉搏,并通过不同任务输出的脉率之间的误差判断信号质量是否符合设定要求,并在符合设定要求时,才利用脉搏定位结果计算呼吸率,如此,避免了计算出不准确的呼吸率,从而提升了呼吸率计算的准确性。最后,由于心率和呼吸率会影响脉搏波的波形,根据多任务神经网络的原理,两个任务具有相关性时,会起防止网络过拟合的效果,从而提升了呼吸率计算的准确性。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施方式,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他的附图。
图1是呼吸对心电信号和脉搏波信号(Plethysmography,PPG)造成心跳和脉搏的基线漂移、幅值改变和频率改变的示意图;
图2是本申请实施例提供的呼吸率计算方法的流程示意图;
图3是本申请实施例提供的呼吸率计算方法的流程示意简图;
图4是本申请实施例提供的原始脉搏信号的示意见图;
图5是本申请实施例提供的预处理后的脉搏信号示意图;
图6是本申请实施例提供的神经网络的结构示意图;
图7是本申请实施例提供的标注了脉搏位置以及检测出的脉搏位置的预处理后的脉搏波示意图;
图8是本申请实施例提供的脉搏概率示意图;
图9是本申请实施例提供的根据脉搏概率图,利用非极大值抑制的方法检测出各脉搏的位置,得到脉搏定位结果的流程示意图;
图10是本申请实施例提供的根据脉搏定位结果以及心率预测结果评估预处理后的脉搏波信号的质量,得到质量评估结果的流程示意图;
图11是本申请实施例提供的基于基线漂移的呼吸模式对应的呼吸率计算方法流程示意图;
图12是本申请实施例提供的基于幅值改变的呼吸模式对应的呼吸率计算方法流程示意图;
图13是本申请实施例提供的基于频率改变的呼吸模式对应的呼吸率计算方法流程示意图;
图14是本申请实施例提供的搜索排序装置的结构示意图;
图15是本申请实施例提供的计算机设备的结构示意框图。
具体实施方式
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,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一:
请参阅图2、图3,本申请实施例提供的一种呼吸率计算方法,包括步骤S1-S5:
S1、获取脉搏波信号;
S2、对所述脉搏波信号进行预处理,得到预处理后的脉搏波信号;
S3、将所述预处理后的脉搏波信号输入深度神经网络,由所述深度神经网络提取特征,并基于所述特征进行脉搏定位、心率预测以及呼吸模式识别,得到脉搏概率图、心率预测结果以及呼吸模式识别结果;其中,所述呼吸模式识别结果为基于基线漂移的呼吸模式、基于幅值改变的呼吸模式和基于频率改变的呼吸模式中的任意一种;其中,所述脉搏概率图表示各个位置属于脉搏的概率;
S4、根据所述脉搏概率图得到脉搏定位结果;
S5、根据所述脉搏定位结果以及所述心率预测结果评估所述预处理后的脉搏波信号的质量,得到质量评估结果;
S6、若所述质量评估结果符合设定的要求,则基于所述脉搏定位结果,采用所述呼吸模式识别结果对应的呼吸率计算方法计算呼吸率。
对于步骤S1,所述脉搏波信号通过光电传感器采集得到。
对于步骤S2,所述对所述脉搏波信号进行预处理,得到预处理后的脉搏波信号,包括:对所述脉搏波进行重采样以及带通滤波处理,得到预处理后的信号。具体地,设获取到的脉搏波信号长度为16秒,首先将所述脉搏波信号重采样至125Hz,然后将重采样后的信号输入频率范围为0.05Hz至5Hz的带通滤波器进行滤波,原始脉搏波信号(获取到的脉搏波信号)如图4所示,预处理后的脉搏波信号如图5所示。需要说明的是,由于不同传感器采集的信号可能会具有不同的采样率,为保证算法输入数据的一致性,因此,需要将获取到脉搏波信号重采样至设定的频率,即125Hz。此外,通过带通滤波器,可以滤除信号中的噪声。
对于步骤S3,所述心率预测结果即为心率,所述呼吸模式识别结果即为呼吸模式(也可理解为呼吸模态)。所述深度神经网络的结构如图6所示。对于深度神经网络模型,卷积核的长度均为9个采样点。为了保持卷积层的输入数据和输出数据的长度保持不变,卷积核的填充尺寸为4个采样点,步长为1个采样点。在特征提取部分,经过上采样和下采样之后,输出数据的长度分别是输入数据的2倍和1/2。归一化层采用instance norm方法,激活层采用relu函数。
在本发明实施例中,为使深度神经网络能够执行呼吸模式识别任务,训练时,可以输入待训练的脉搏波信号和对应的呼吸率,让网络自行学习如何建模。应当理解的时,本发明实施例是多任务神经网络,与单一任务的神经网络相比,多任务神经网络的不同点在于需要考虑不同任务之间的相关性,如果任务是相关的,则能提升性能,反之则不行。在本发明实施例中,由于心率和呼吸率会影响脉搏波的波形,根据多任务神经网络的原理,两个任务具有相关性时,会起到防止网络过拟合的效果,能提升性能,
对于步骤S4,由于呼吸率的测量是根据脉搏的基线、幅值和频率进行计算的,因此,脉搏的定位是呼吸率计算的关键问题。一旦出现较多的误检或者漏检的脉搏,将对呼吸率的测量精度造成严重的影响。此外,由于预处理后的脉搏波信号质量会影响脉搏定位结果,脉搏定位结果影响呼吸率计算结果,因此,为准确测量出呼吸率,需要对信号质量进行评估,并采用满足质量要求的信号对应的脉搏定位结果计算呼吸率。应当理解的是,当信号受噪声影响导致信号质量较差(信号信噪比较低)时,模型直接预测的心率与根据检测出的脉搏位置得到的脉率之间的误差较大,因此,此时脉搏定位结果不适合测量呼吸率。当信号质量较好(信噪比较高)时,模型直接预测的脉率与根据检测出的脉搏位置得到的脉率之间的误差较小,因此,此时脉搏定位结果适合测量呼吸率。
需要说明的是,传统方法多采用利用频域或者时频域的信息来测量脉率,而本发明实施例通过利用脉搏波的时域信息(本方案利用脉搏波的波形信息进行分析,没有将信号转变到频域,因此是利用了脉搏波的时域信息)来预测脉率和定位脉搏,因此,本发明方案与传统方案不同。
对于步骤S5,由于不同呼吸模式对应不同的呼吸率计算方法,但是不同呼吸率计算方法均是利用脉搏定位结果计算的,因此,在判定预处理后的脉搏波信号的质量符合设定的要求后,需要采用呼吸模式识别结果对应的呼吸率计算方法,根据脉搏定位结果计算呼吸率。
由于深度神经网络的特点是端到端的训练,无需人工参与,因此,本发明实施避免了人为因素导致选择得到的呼吸模式不佳的问题,从而有效提高了呼吸模式选择的准确率,进而提高了呼吸率计算的准确性。此外,本发明实施例利用脉搏波的时域信息来预测心率和定位脉搏,并通过不同任务输出的脉率之间的误差判断信号质量是否符合设定要求,并在符合设定要求时,才利用脉搏定位结果计算呼吸率,如此,避免了计算出不准确的呼吸率,从而提升了呼吸率计算的准确性。最后,由于心率和呼吸率会影响脉搏波的波形,根据多任务神经网络的原理,两个任务具有相关性时,会起防止网络过拟合的效果,从而提升了呼吸率计算的准确性。
在一个实施例中,所述根据所述脉搏概率图得到脉搏定位结果,包括:
根据所述脉搏概率图,利用非极大值抑制的方法检测出各脉搏的位置,得到脉搏定位结果。
在本发明实施例中,图7是预处理后的信号,图8是脉搏概率图,深度神经网络在脉搏位置(圆圈)附近产生较大的概率,在其他位置产生了较小的概率。在生成脉搏概率图后,再利用基于非极大值抑制的方法检测出各个脉搏的位置(十字)。需要说明的是,非极大值抑制方法(Non-maximumsuppression,NMS)可以保证每个目标只检测一次。
请参阅图9,在一个实施例中,所述根据所述脉搏概率图,利用非极大值抑制的方法检测出各脉搏的位置,得到脉搏定位结果,包括:
S21、将所述脉搏概率图中概率值大于预设的第一阈值的局部极大值点作为候选点,得到候选点集合;
S22、按照概率值,将所述候选点集合中的候选点从大到小进行排序,生成候选列表;
S23、将所述候选列表中概率值最大的候选点作为脉搏,并将其从所述候选列表中删除;
S24、删除所述候选列表中距离当前脉搏小于设定时间距离的其余候选点;其中,所述当前脉搏为所述概率值最大的候选点;
S25、返回将所述候选列表中概率值最大的候选点作为脉搏,并将其从所述候选列表中删除的步骤,直至清空所述候选列表。
在本发明实施例中,通过步骤S21-S25检测出各个脉搏的位置。通过步骤S23可以保证避免出现多次检测出同一个脉搏的情况。所述第一阈值为0.5,所述设定时间距离为0.25秒,即最大心率为240bpm。由于列表中距离当前脉搏小于0.25秒(即最大心率为240bpm)的其余候选点是不正常的点,不正常的点出现的原因主要是噪声,产生了与脉搏波信号类似的信号,因此,需要将不正常的点删除。
请参阅图10,在一个实施例中,所述根据脉搏定位结果以及所述心率预测结果评估所述预处理后的脉搏波信号的质量,得到质量评估结果,包括:
S31、根据所述脉搏定位结果计算相邻脉搏间距的最大值、最小值以及脉率;
S32、若所述脉率与所述心率预测结果的差大于设定的第二阈值,或所述相邻脉搏间距的最大值与最小值之差大于设定的第三阈值,则判定所述预处理后的脉搏波信号质量符合设定的要求,否则,判定所述脉搏波信号质量不符合设定要求。
在本发明实施例中,所述第二阈值为10bpm(bpm,每分钟节拍数),所述第三阈值为0.5s(s,秒)。所述第二阈值,所述第三阈值均为经验值。
本发明实施例利用脉搏波的时域信息来预测心率和定位脉搏,并通过不同任务输出的脉率之间的误差判断信号质量是否符合设定要求,并在符合设定要求时,才利用脉搏定位结果计算呼吸率,如此,避免了计算出不准确的呼吸率,从而提升了呼吸率计算的准确性。
请参阅图11,在一个实施例中,所述基于基线漂移的呼吸模式对应的呼吸率计算方法为:
S41、根据所述预处理后的脉搏波信号和检测出的各脉搏的位置,建立表示各脉搏高度的向量;
S42、对所述表示各脉搏高度的向量进行插值,得到第一向量;
S43、对所述第一向量进行傅里叶变换,将呼吸率的频率范围内幅值最大的成分作为呼吸的频率。
在本发明实施例中,设预处理后的脉搏波信号为si,检出的脉搏位置为pj,j=1,...,n,呼吸率的范围为4bpm至65bpm(即频率范围为0.067Hz至1.08Hz),则基于基线漂移(BW)呼吸模式对应的呼吸率的计算方法为:
根据脉搏波信号si和检出的脉搏位置pj,建立表示各脉搏高度的向量h,其采样率为1Hz。再对向量h进行插值,得到采样率为4Hz的h'。最后对h'进行傅里叶变换,将呼吸率的频率范围内幅值最大的成分作为呼吸的频率。
请参阅图12,在一个实施例中,所述基于幅值改变的呼吸模式对应的呼吸率计算方法为:
S51、对于检测出的各个脉搏,计算当前分析的脉搏与前后脉搏之间的局部极小值点的位置,作为当前分析脉搏的起点和终点;其中,若当前分析的脉搏为第一个脉搏,则将信号的起点与当前分析的脉搏前m秒的较大值作为当前脉搏起点;若当前分析的脉搏为最后一个脉搏,则将信号的终点与当前分析的脉搏后m秒的较小值者作为当前分析脉搏的终点;其中,m为正数;
S52、将各脉搏起点和终点之间的最大值作为各个脉搏的幅值,建立表示各脉搏幅值的向量;
S53、对所述表示各脉搏幅值的向量进行插值,得到第二向量;
S54、对所述第二向量进行傅里叶变换,将呼吸率的频率范围内幅值最大的成分作为呼吸的频率。
在本发明实施例中,设预处理后的脉搏波信号为si,检出的脉搏位置为pj,j=1,...,n,呼吸率的范围为4bpm至65bpm(即频率范围为0.067Hz至1.08Hz),则基于幅值改变(AM)呼吸模式对应的呼吸率计算方法为:
对于各个脉搏,首先求出当前脉搏(对检出的脉搏依次进行分析,当前脉搏指的是当前进行被分析的脉搏)与前后脉搏之间的局部极小值点的位置,作为当前脉搏的起点和终点。若当前脉搏为第一个脉搏,则信号的起点与脉搏前0.2秒的较大值作为脉搏起点;若当前脉搏为最后一个脉搏,则信号的终点与脉搏后0.2秒的较小值作为脉搏的终点。然后将各脉搏起点和终点之间的最大值作为各脉搏的幅值,建立表示各脉搏幅值的向量ai,i=1...n,其采样率为1Hz。再对向量a进行插值,得到采样率为4Hz的向量a’,最后对a’进行傅里叶变换,将呼吸率的频率范围内幅值最大的成分作为呼吸的频率。
请参阅图13,在一个实施例中,所述基于频率改变的呼吸模式对应的呼吸率计算方法为:
S61、根据检测出的各脉搏的位置,计算脉搏之间的距离差,得到表示脉搏之间距离差的向量;
S62、对所述表示脉搏之间距离差的向量进行插值,得到第三向量;
S63、对所述第三向量进行傅里叶变换,将呼吸率的频率范围内幅值最大的成分作为呼吸的频率。
在本发明实施例中,设预处理后的脉搏波信号为si,检出的脉搏位置为pj,j=1,...,n,呼吸率的范围为4bpm至65bpm(即频率范围为0.067Hz至1.08Hz),则基于频率改变(FM)呼吸模式对应的呼吸率计算方法为:
根据检出的脉搏位置,首先计算脉搏之间的距离差,得到向量vi=pi+1-pi,其采样率为1Hz。然后对向量v进行插值,得到采样率为4Hz的向量v’。最后对v’进行傅里叶变换,将呼吸率的频率范围内幅值最大的成分作为呼吸的频率。
在一个实施例中,所述深度神经网络用于执行脉搏定位任务、心率预测任务以及呼吸模式识别任务;
对于脉搏定位任务,训练所述深度神经网络采用的损失函数为基于二类别交叉熵的损失函数,其中,标注脉搏位置前后n秒内范围的标签值设为1,其余标签范围的值设为0;n为正数;
对心率预测任务,训练所述深度神经网络采用的损失函数为基于均方误差的损失函数;
对于呼吸模式识别任务,训练所述深度神经网络采用的损失函数为基于交叉熵的损失函数。
在本发明实施例中,对于脉搏定位任务,通过采用基于二类别交叉熵的损失函数训练所述深度神经网络,对心率预测任务,通过基于均方误差的损失函数训练所述深度神经网络,对于呼吸模式识别任务训练所述深度神经网络能够获得准确的预测结果。
在一个实施例中,所述的呼吸率计算方法,还包括:
采用心电信号替换所述脉搏波信号。
在本发明实施例中,需要说明的是,上述计算呼吸率方法可适用于基于心电信号的呼吸率测量,采用心电信号替换所述脉搏波信号后,将预处理步骤中的带通滤波器频率范围改为0.05Hz至30Hz。
实施例二:
基于与上述呼吸率计算方法相同的申请构思,本申请实施例还提供一种搜索排序装置,如图14所示,包括:
获取模块1,用于获取脉搏波信号;
预处理模块2,用于对所述脉搏波信号进行预处理,得到预处理后的脉搏波信号;
输入模块3,用于将所述预处理后的脉搏波信号输入深度神经网络,由所述深度神经网络提取特征,并基于所述特征进行脉搏定位、心率预测以及呼吸模式识别,得到脉搏概率图、心率预测结果以及呼吸模式识别结果;其中,所述呼吸模式识别结果为基于基线漂移的呼吸模式、基于幅值改变的呼吸模式和基于频率改变的呼吸模式中的任意一种;其中,所述脉搏概率图表示各个位置属于脉搏的概率;
脉搏定位结果确定模块4,用于根据所述脉搏概率图得到脉搏定位结果;
质量评估模块5,用于根据所述脉搏定位结果以及所述心率预测结果评估所述预处理后的脉搏波信号的质量,得到质量评估结果;
计算模块6,用于若所述质量评估结果符合设定的要求,则基于所述脉搏定位结果,采用所述呼吸模式识别结果对应的呼吸率计算方法计算呼吸率。
在一个实施例中,所述的呼吸率计算装置,还包括:替换模块,用于采用心电信号替换所述脉搏波信号。
实施例三:
参照图15,本申请实施例还提供一种计算机设备,该计算机设备可以是服务器,其内部机构可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存适用于一种呼吸率计算方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种呼吸率计算方法,包括:获取脉搏波信号;对所述脉搏波信号进行预处理,得到预处理后的脉搏波信号;将所述预处理后的脉搏波信号输入深度神经网络,由所述深度神经网络提取特征,并基于所述特征进行脉搏定位、心率预测以及呼吸模式识别,得到脉搏概率图、心率预测结果以及呼吸模式识别结果;其中,所述呼吸模式识别结果为基于基线漂移的呼吸模式、基于幅值改变的呼吸模式和基于频率改变的呼吸模式中的任意一种;其中,所述脉搏概率图表示各个位置属于脉搏的概率;根据所述脉搏概率图得到脉搏定位结果;根据所述脉搏定位结果以及所述心率预测结果评估所述预处理后的脉搏波信号的质量,得到质量评估结果;若所述质量评估结果符合设定的要求,则基于所述脉搏定位结果,采用所述呼吸模式识别结果对应的呼吸率计算方法计算呼吸率。
由于深度神经网络的特点是端到端的训练,无需人工参与,因此,本发明实施避免了人为因素导致选择得到的呼吸模式不佳的问题,从而有效提高了呼吸模式选择的准确率,进而提高了呼吸率计算的准确性。此外,本发明实施例利用脉搏波的时域信息来预测心率和定位脉搏,并通过不同任务输出的脉率之间的误差判断信号质量是否符合设定要求,并在符合设定要求时,才利用脉搏定位结果计算呼吸率,如此,避免了计算出不准确的呼吸率,从而提升了呼吸率计算的准确性。最后,由于心率和呼吸率会影响脉搏波的波形,根据多任务神经网络的原理,两个任务具有相关性时,会起防止网络过拟合的效果,从而提升了呼吸率计算的准确性。
实施例四:
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种呼吸率计算方法,包括步骤:获取脉搏波信号;对所述脉搏波信号进行预处理,得到预处理后的脉搏波信号;将所述预处理后的脉搏波信号输入深度神经网络,由所述深度神经网络提取特征,并基于所述特征进行脉搏定位、心率预测以及呼吸模式识别,得到脉搏概率图、心率预测结果以及呼吸模式识别结果;其中,所述呼吸模式识别结果为基于基线漂移的呼吸模式、基于幅值改变的呼吸模式和基于频率改变的呼吸模式中的任意一种;其中,所述脉搏概率图表示各个位置属于脉搏的概率;根据所述脉搏概率图得到脉搏定位结果;根据所述脉搏定位结果以及所述心率预测结果评估所述预处理后的脉搏波信号的质量,得到质量评估结果;若所述质量评估结果符合设定的要求,则基于所述脉搏定位结果,采用所述呼吸模式识别结果对应的呼吸率计算方法计算呼吸率。
上述执行的适用于一种呼吸率计算方法,由于深度神经网络的特点是端到端的训练,无需人工参与,因此,本发明实施避免了人为因素导致选择得到的呼吸模式不佳的问题,从而有效提高了呼吸模式选择的准确率,进而提高了呼吸率计算的准确性。此外,本发明实施例利用脉搏波的时域信息来预测心率和定位脉搏,并通过不同任务输出的脉率之间的误差判断信号质量是否符合设定要求,并在符合设定要求时,才利用脉搏定位结果计算呼吸率,如此,避免了计算出不准确的呼吸率,从而提升了呼吸率计算的准确性。最后,由于心率和呼吸率会影响脉搏波的波形,根据多任务神经网络的原理,两个任务具有相关性时,会起防止网络过拟合的效果,从而提升了呼吸率计算的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (13)
1.一种呼吸率计算方法,其特征在于,包括:
获取脉搏波信号;
对所述脉搏波信号进行预处理,得到预处理后的脉搏波信号;
将所述预处理后的脉搏波信号输入深度神经网络,由所述深度神经网络提取特征,并基于所述特征进行脉搏定位、心率预测以及呼吸模式识别,得到脉搏概率图、心率预测结果以及呼吸模式识别结果;其中,所述呼吸模式识别结果为基于基线漂移的呼吸模式、基于幅值改变的呼吸模式和基于频率改变的呼吸模式中的任意一种;其中,所述脉搏概率图表示各个位置属于脉搏的概率;
根据所述脉搏概率图得到脉搏定位结果;
根据所述脉搏定位结果以及所述心率预测结果评估所述预处理后的脉搏波信号的质量,得到质量评估结果;
若所述质量评估结果符合设定的要求,则基于所述脉搏定位结果,采用所述呼吸模式识别结果对应的呼吸率计算方法计算呼吸率。
2.根据权利要求1所述的呼吸率计算方法,其特征在于,所述根据所述脉搏概率图得到脉搏定位结果,包括:
根据所述脉搏概率图,利用非极大值抑制的方法检测出各脉搏的位置,得到脉搏定位结果。
3.根据权利要求2所述的呼吸率计算方法,其特征在于,所述根据所述脉搏概率图,利用非极大值抑制的方法检测出各脉搏的位置,得到脉搏定位结果,包括:
将所述脉搏概率图中概率值大于预设的第一阈值的局部极大值点作为候选点,得到候选点集合;
按照概率值,将所述候选点集合中的候选点从大到小进行排序,生成候选列表;
将所述候选列表中概率值最大的候选点作为脉搏,并将其从所述候选列表中删除;
删除所述候选列表中距离当前脉搏小于设定时间距离的其余候选点;其中,所述当前脉搏为所述概率值最大的候选点;
返回将所述候选列表中概率值最大的候选点作为脉搏,并将其从所述候选列表中删除的步骤,直至清空所述候选列表。
4.根据权利要求1所述的呼吸率计算方法,其特征在于,所述根据脉搏定位结果以及所述心率预测结果评估所述预处理后的脉搏波信号的质量,得到质量评估结果,包括:
根据所述脉搏定位结果计算相邻脉搏间距的最大值、最小值以及脉率;
若所述脉率与所述心率预测结果的差大于设定的第二阈值,或所述相邻脉搏间距的最大值与最小值之差大于设定的第三阈值,则判定所述预处理后的脉搏波信号质量符合设定的要求,否则,判定所述脉搏波信号质量不符合设定要求。
5.根据权利要求3所述的呼吸率计算方法,其特征在于,所述基于基线漂移的呼吸模式对应的呼吸率计算方法为:
根据所述预处理后的脉搏波信号和检测出的各脉搏的位置,建立表示各脉搏高度的向量;
对所述表示各脉搏高度的向量进行插值,得到第一向量;
对所述第一向量进行傅里叶变换,将呼吸率的频率范围内幅值最大的成分作为呼吸的频率。
6.根据权利要求3所述的呼吸率计算方法,其特征在于,所述基于幅值改变的呼吸模式对应的呼吸率计算方法为:
对于检测出的各个脉搏,计算当前分析的脉搏与前后脉搏之间的局部极小值点的位置,作为当前分析脉搏的起点和终点;其中,若当前分析的脉搏为第一个脉搏,则将信号的起点与当前分析的脉搏前m秒的较大值作为当前脉搏起点;若当前分析的脉搏为最后一个脉搏,则将信号的终点与当前分析的脉搏后m秒的较小值者作为当前分析脉搏的终点;其中,m为正数;
将各脉搏起点和终点之间的最大值作为各个脉搏的幅值,建立表示各脉搏幅值的向量;
对所述表示各脉搏幅值的向量进行插值,得到第二向量;
对所述第二向量进行傅里叶变换,将呼吸率的频率范围内幅值最大的成分作为呼吸的频率。
7.根据权利要求3所述的呼吸率计算方法,其特征在于,所述基于频率改变的呼吸模式对应的呼吸率计算方法为:
根据检测出的各脉搏的位置,计算脉搏之间的距离差,得到表示脉搏之间距离差的向量;
对所述表示脉搏之间距离差的向量进行插值,得到第三向量;
对所述第三向量进行傅里叶变换,将呼吸率的频率范围内幅值最大的成分作为呼吸的频率。
8.根据权利要求1所述的呼吸率计算方法,其特征在于,所述深度神经网络用于执行脉搏定位任务、心率预测任务以及呼吸模式识别任务;
对于脉搏定位任务,训练所述深度神经网络采用的损失函数为基于二类别交叉熵的损失函数,其中,标注脉搏位置前后n秒内范围的标签值设为1,其余标签范围的值设为0;n为正数;
对心率预测任务,训练所述深度神经网络采用的损失函数为基于均方误差的损失函数;
对于呼吸模式识别任务,训练所述深度神经网络采用的损失函数为基于交叉熵的损失函数。
9.根据权利要求1-8任一项所述的呼吸率计算方法,其特征在于,还包括:
采用心电信号替换所述脉搏波信号。
10.一种呼吸率计算装置,其特征在于,包括:
获取模块,用于获取脉搏波信号;
预处理模块,用于对所述脉搏波信号进行预处理,得到预处理后的脉搏波信号;
输入模块,用于将所述预处理后的脉搏波信号输入深度神经网络,由所述深度神经网络提取特征,并基于所述特征进行脉搏定位、心率预测以及呼吸模式识别,得到脉搏概率图、心率预测结果以及呼吸模式识别结果;其中,所述呼吸模式识别结果为基于基线漂移的呼吸模式、基于幅值改变的呼吸模式和基于频率改变的呼吸模式中的任意一种;其中,所述脉搏概率图表示各个位置属于脉搏的概率;
脉搏定位结果确定模块,用于根据所述脉搏概率图得到脉搏定位结果;
质量评估模块,用于根据所述脉搏定位结果以及所述心率预测结果评估所述预处理后的脉搏波信号的质量,得到质量评估结果;
计算模块,用于若所述质量评估结果符合设定的要求,则基于所述脉搏定位结果,采用所述呼吸模式识别结果对应的呼吸率计算方法计算呼吸率。
11.根据权利要求10所述的呼吸率计算装置,其特征在于,还包括:替换模块,用于采用心电信号替换所述脉搏波信号。
12.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述方法的步骤。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210868988.8A CN117481631A (zh) | 2022-07-21 | 2022-07-21 | 呼吸率计算方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210868988.8A CN117481631A (zh) | 2022-07-21 | 2022-07-21 | 呼吸率计算方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117481631A true CN117481631A (zh) | 2024-02-02 |
Family
ID=89669521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210868988.8A Pending CN117481631A (zh) | 2022-07-21 | 2022-07-21 | 呼吸率计算方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117481631A (zh) |
-
2022
- 2022-07-21 CN CN202210868988.8A patent/CN117481631A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100954817B1 (ko) | 맥파신호분석을 이용한 혈관건강 및 스트레스 검사시스템 및 방법 | |
RU2691928C2 (ru) | Устройство и способ определения информации об основных физиологических показателях субъекта | |
CN107015182B (zh) | 确定描述检查区中的运动的运动信息的方法和磁共振装置 | |
KR101910982B1 (ko) | 개인화된 생체 신호 패턴을 이용한 생체 신호의 동잡음 제거 방법 및 장치 | |
US20200121207A1 (en) | Method of processing a signal representing a physiological rhythm | |
CN108652640B (zh) | 一种基于心电信号的无创血糖检测方法及系统 | |
US20120184862A1 (en) | System and method for patient monitoring | |
CN108903929B (zh) | 心率检测修正的方法、装置、存储介质和系统 | |
TWI583355B (zh) | Heart rate detection method and heart rate detection device | |
KR20150113700A (ko) | 진단 시스템 및 방법 | |
EP2250964A1 (en) | Motion analysis device, program and method thereof and motion analysis system | |
US20160354024A1 (en) | Method for detecting deception and predicting interviewer accuracy in investigative interviewing using interviewer, interviewee and dyadic physiological and behavioral measurements | |
CN108697352B (zh) | 生理信息测量方法及生理信息监测装置、设备 | |
CN108992053A (zh) | 一种实时的无束缚检测心率和心跳间隔的方法 | |
JP6404784B2 (ja) | 心拍検出方法および心拍検出装置 | |
CN110840401A (zh) | 一种心率值测定方法、装置、设备及可读存储介质 | |
CN110881972A (zh) | St检测方法、装置、计算机设备及存储介质 | |
Roy et al. | BePCon: a photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning | |
KR101744691B1 (ko) | 심탄도 신호를 이용한 심박 검출 방법 및 그 장치 | |
CN101897578A (zh) | 一种动脉压信号逐拍分割方法 | |
CN111685760B (zh) | 一种基于雷达测量的人体呼吸频率计算方法 | |
US20190298190A1 (en) | Pulse detection, measurement and analysis based health management system, method and apparatus | |
CN117481631A (zh) | 呼吸率计算方法、装置、设备及介质 | |
JP2015229030A (ja) | 心拍状態解析装置 | |
Shcherbakova et al. | Determination of characteristic points of electrocardiograms using multi-start optimization with a wavelet transform |
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 |