CN117752315A - 一种光电容积脉搏波数据心律不齐检测方法及装置 - Google Patents
一种光电容积脉搏波数据心律不齐检测方法及装置 Download PDFInfo
- Publication number
- CN117752315A CN117752315A CN202410197403.3A CN202410197403A CN117752315A CN 117752315 A CN117752315 A CN 117752315A CN 202410197403 A CN202410197403 A CN 202410197403A CN 117752315 A CN117752315 A CN 117752315A
- Authority
- CN
- China
- Prior art keywords
- data
- pulse wave
- wave data
- arrhythmia
- scale
- 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
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 32
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013519 translation Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000013186 photoplethysmography Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 206010003658 Atrial Fibrillation Diseases 0.000 claims description 8
- 230000008602 contraction Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000031700 light absorption Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 210000001367 artery Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010003130 Arrhythmia supraventricular Diseases 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 210000002837 heart atrium Anatomy 0.000 description 2
- 210000001013 sinoatrial node Anatomy 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010001497 Agitation Diseases 0.000 description 1
- 206010010071 Coma Diseases 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 208000008454 Hyperhidrosis Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000037315 hyperhidrosis Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种光电容积脉搏波数据心律不齐检测方法及装置，检测方法包括以下步骤：采集光电容积脉搏波数据，获得原始脉搏波数据；对原始脉搏波数据进行预处理，得到预处理后的脉搏波数据；对预处理后的脉搏波数据进行峰值检测并计算心率；对预处理后的脉搏波数据进行连续小波变换，获得连续小波变换系数，一对确定且有效的尺度变量和平移量对应指定位置的小波变换二维数据；对小波变换二维数据进行取绝对值操作，生成包含信号在指定时间和频率上的局部信息的图像；构建包含心律不齐分类状态的数据集；搭建卷积神经网络模型，进行模型训练；进行心律不齐的分类检测结果。本发明利用卷积网络模型对图像信息的敏感性，提升检测分类的准确率。
Description
技术领域
本发明属于医学及信号检测，图像分类与分析技术领域，具体涉及一种基于光电容积脉搏波数据与人工智能技术的心律不齐检测方法。
背景技术
心脏的周期性跳动包含很多具有医疗价值的人体信息，如健康状态、生活方式、情绪状态、心脏类疾病的早期发病情况等。当心脏处于非健康状态时，心律不齐常见的症状有心悸、心跳缓慢等，严重时会出现头晕、胸闷、胸痛、气急、多汗、颜面苍白、四肢发冷、抽搐、昏迷等症状。
可以针对心律不齐中的房颤，早搏，逸博三种心律不齐状态进行检测和早期预警。首先，房颤是心房呈现无序激动和无效收缩的房性节律，房律紊乱在老年人中十分常见。其次，早搏是心房呈现过早搏动（premature beat）也称作期前收缩、期外收缩的现象。最后，逸博是指当窦房结兴奋性降低或停搏时，隐性起搏点的舒张期除极有机会达到阈电位，从而发生激动，带动整个心脏，称为逸搏。
光体积变化描记图法(Photoplethysmography，简称PPG)是一种无创检测方法，其借助光电手段，可以在活体组织中检测血液容积的变化情况，当一定波长的光束照射到指端皮肤表面，每次心跳时，血管的收缩和扩张都会影响光的透射(例如在透射PPG中，通过指尖的光线) 或是光的反射(例如在反射PPG中，来自手腕表面附近的光线)。当光线透过皮肤组织然后再反射到光敏传感器时，光照会有一定的衰减。像肌肉、骨骼、静脉和其他连接组织对光的吸收是基本不变的(前提是测量部位没有大幅度的运动)，但是动脉会不同，由于动脉里有血液的脉动，那么对光的吸收自然也会有所变化。当把光转换成电信号时，正是由于动脉对光的吸收有变化而其他组织对光的吸收基本不变，得到的信号就可以分为直流DC信号和交流AC信号。提取其中的AC信号，就能反应出血液流动的特点。进而可以对其进行处理，使其呈现具有心律不齐参考意义的特征。
发明内容
本发明的目的是提出一种基于卷积神经网络模型的光电容积脉搏波数据心律不齐检测方法。为了实现上述目的，本发明采用的技术方案如下：
一种光电容积脉搏波数据心律不齐检测方法，包括以下步骤：
步骤1:采集光电容积脉搏波（PPG）数据，获得原始脉搏波数据；
步骤2:对原始脉搏波数据进行预处理，得到预处理后的脉搏波数据；
步骤3:对预处理后的脉搏波数据进行峰值检测，得到峰值位置序列P，并计算心率；
步骤4:使用Morlet小波的小波函数作为基础函数，对预处理后的脉搏波数据进行连续小波变换，获得连续小波变换系数，一对确定且有效的尺度变量和平移量对应指定位置的小波变换二维数据；
步骤5：对小波变换二维数据进行取绝对值操作，生成包含信号在指定时间和频率上的局部信息的图像；
步骤6：对由步骤5得到图像进行图像数据处理，根据图像高度，将包含有效信息的图像部分进行裁剪；
步骤7：构建包含心律不齐分类状态的数据集；
步骤8：搭建卷积神经网络模型，进行模型训练，保存模型训练过程中的最优参数；
步骤9：利用训练好的卷积神经网络模型，进行心律不齐的分类检测结果。
进一步的，步骤2的方法为：使用带通滤波器对原始脉搏波数据进行预处理，以去除不需要的频率成分；保留频率范围在5Hz到8Hz之间的信号，并且抑制其他频率的噪声，得到预处理后的脉搏波数据。
进一步的，按照下式对预处理后的脉搏波数据F(t)进行标准化处理，得到F_ tackle(t)的公式为：
式中，mean(F)表示使用全部脉搏波数据求取平均值，std(F)表示使用全部脉搏波数据求取标准差，F_tackle(t)表示经过标准化后的脉搏波数据。
进一步的，所述的带通滤波器为三阶的巴特沃斯滤波器。
进一步的，步骤3的方法为：
对预处理后的脉搏波数据进行标准化处理，得到F_tackle(t)；
对经过标准化后的脉搏波数据F_tackle（t），生成一系列不同的尺度，对于每个尺度s，生成一个关于尺度s的滑动窗口内数据的标准差序列Fs{fs（j），j=1,2，……N}，fs（j）表示以尺度s在经过标准化后的脉搏波数据F_tackle（t）上进行滑动窗口操作后得到的子序列的标准差，滑动窗口的大小与尺度s相同，其中j表示Fs的索引，对于每个尺度s的标准差序列Fs，计算相邻数据点的差值，得到差分序列Ds{ds（j），j=1,2，……N}，对差分序列Ds进行峰值检测，对于每个尺度s，得到一个峰值位置序列Ps，包含了所有检测到的峰值位置；将所有尺度的峰值位置序列Ps合并，得到峰值位置序列P{p（i），i=1,2，……，M}，p（i）记录每一个峰值所对应的时间点，M为峰值个数；
计算心率。
进一步的，对步骤4中，连续小波变换方法为：
式中，变量a为尺度，控制小波函数的伸缩，变量b为平移量，控制小波函数的平移。尺度a对应于频率，尺度a越小，频率越大，平移量b对应于时间。一对确定且有效的a，b对应指定位置的小波变换二维数据G(a,b)。
进一步的，心率heartRate(i)计算公式如下：
p_temp(i)=p（i） - p（i-1），p_temp（i）表示相邻两个峰值点之间的采样点个数，采样点的时间间隔为T = 1/fq，单位为秒。
进一步的，步骤7中，心律不齐的分类包括健康，早搏，逸博，房颤四种状态。
进一步的，步骤8中，搭建至少三种卷积神经网络模型，对于一个待检测的原始脉搏波数据，经过步骤1至5的处理后得到图像，传入步骤8训练好的卷积神经网络模型，获得分类检测结果，选择出现次数最多的结果作为最终结果，如果出现三个模型检测结果没有重合，在已出现的三个结果中进行随机挑选，并将其作为最终的检测结果。
本发明同时提供一种光电容积脉搏波数据心律不齐检测装置，所述装置包括数据采集模块，处理器和存储器，数据采集模块用于采集光电容积脉搏波数据；所述存储器中存储有程序指令和光电容积脉搏波数据，所述处理器调用存储器中存储的程序、光电容积脉搏波数据以及指令以使装置执行上述的方法。
与现有技术相比，本发明的有益效果：
本发明基于深度学习卷积神经网络模型的心律不齐检测方法，通过进行信号采集，信号数据处理，小波变换将一维脉搏波数据转为二维图像数据，通过对生成的图像进行图像检测与分类，完成了对房颤，早搏，逸博三类心律不齐的分类，有效利用了卷积网络模型对图像信息的敏感性，提升检测分类的准确率。
附图说明
图1为本发明的算法流程图；
图2为图像数据的两个裁剪示例图，每个示例的左图为原图，右图为裁剪图。
具体实施方式
下面结合附图和实施例对本发明的基于深度学习卷积神经网络模型的心律不齐检测方法加以说明。
本发明的基于卷积神经网络模型的光电容积脉搏波数据心律不齐检测方法，主要包括光电容积脉搏波（PPG）数据的采集，数据处理，模型搭建，模型训练，类别预测等。
通过光电容积脉搏波（PPG）数据采集模块采集原始脉搏波数据，将采集的数据进行数据处理工作，其主要包括对原始数据进行预处理，小波变换，图像转换，裁剪图像，分层打乱等操作，然后进行模型搭建，使用采集到的数据进行模型训练，使用训练中的最优参数进行未知样本的预测工作。该方法包含以下步骤：
1）使用光电容积脉搏波（PPG）数据采集模块进行数据采集工作，数据采集模块收到采集指令后，进行采样点的传输工作，持续时间为30秒。将采集到的数据按一定格式进行命名后进行保存，作为原始脉搏波数据X(t)，其中，t表示时间点，一个时间点对应一个原始脉搏波数据X(t)。
2）对光电容积脉搏波（PPG）数据进行信号进行预处理。将使用带通滤波器对原始脉搏波数据X(t)进行预处理，以去除不需要的频率成分。首先,需要指定原始脉搏波数据X (t)的采样频率为100Hz，记为fq。采样频率的设置将在后续的滤波器设计中起到重要的作用。接下来，使用三阶的巴特沃斯滤波器进行滤波处理，实现对指定频率范围内的信号进行增益或衰减。保留频率范围在5Hz到8Hz之间的信号，并且抑制其他频率的噪声，得到预处理后的脉搏波数据F(t)。
对预处理后的脉搏波数据F(t)进行峰值检测，首先计算每个数据点之间的差异，以确定数据的趋势是上升还是下降。然后，根据这些差异值进行峰值检测，如果差异值大于预设的阈值（threshold），则判定为存在峰值，并将各峰值点记录下来。具体如下：
首先对预处理后的脉搏波数据F(t)进行标准化处理：
其中，mean(F)表示使用全部脉搏波数据求取平均值，std(F)表示使用全部脉搏波数据求取标准差，F_tackle(t)表示经过标准化后的脉搏波数据，该处理操作使得脉搏波数据的均值为0，标准差为1。
然后，对经过标准化后的脉搏波数据F_tackle（t），生成一系列不同的尺度，尺度是指用来描述信号或函数在时间-频率域中的窗口大小或频率范围的参数。在小波变换中，尺度与频率有关。较小的尺度对应着较高的频率，而较大的尺度对应着较低的频率。通过改变尺度参数，可以在不同频率范围内分析信号的特征。较小的尺度可以用来检测信号中的高频细节，而较大的尺度可以用来检测信号中的低频趋势，通过在不同尺度上进行小波变换，可以获取信号在不同频率范围内的频谱信息，从而实现多尺度的频域分析，在这里，设尺度s的取值范围是1到N，其中N是脉搏波数据的总长度。对于每个尺度s，生成一个新的序列Fs{fs（j），j=1,2，……N}，fs（j）表示以尺度s在经过标准化后的脉搏波数据F_tackle（t）上进行滑动窗口操作后得到的子序列的标准差，滑动窗口的大小与尺度相同，为s，在每个位置上计算滑动窗口内数据的标准差，得到关于尺度s的滑动窗口内数据的标准差序列Fs，其中j表示Fs的索引，j与s相对应。对于每个尺度s的Fs，计算相邻数据点的差值，得到差分序列Ds{ds（j），j=1,2，……N}。即ds（j）＝fs（j）—fs（j—1）。对差分序列Ds进行峰值检测，并使用以下规则：
如果ds（j）和ds（j-1）异号，并且 ｜ds（j）｜＞threshold，那么ds（j）所对应的位置是一个峰值位置。对于每个尺度s，得到一个峰值位置序列Ps，其中包含了所有检测到的峰值位置。将所有尺度的峰值位置序列Ps合并，得到最终的峰值位置序列P{p（i），i=1, 2，……，M}，p（i）记录每一个峰值所对应的时间点，M为峰值个数。P即为峰值对应时间点序列。则有心率heartRate(i)计算如下：
p_temp(i)=p（i） - p（i-1），p_temp（i）表示相邻两个峰值点之间的采样点个数，采样点的时间间隔为T = 1/fq，单位为秒。
3）对步骤2）中预处理后的脉搏波数据F(t)进行连续小波变换。本实施例使用Morlet小波的小波函数作为基础函数，将信号与不同尺度和平移的小波函数进行卷积运算，通过对信号在不同尺度和平移下的卷积结果进行积分，得到连续小波变换系数：
其中，变量a为尺度，控制小波函数的伸缩，变量b为平移量，控制小波函数的平移。尺度a对应于频率，尺度a越小，频率越大，平移量b对应于时间。一对确定且有效的a，b将会对应指定位置的小波变换二维数据G(a,b)。
4）对小波变换后得到的二维数据进行取绝对值操作，如公式（4）所示，进行图像生成工作，生成的图像可以提供信号在任意时间和任意频率上的局部信息。
其中，一对确定且有效的a，b对应指定位置的小波变换数据的绝对值G_abs(a,b)。
5）对由步骤4）得到图像数据进行裁剪等图像数据处理。结合图2为例，通过对数据集进行观察和比较，发现在数据集中，每个数据图像上面的四分之一部分，像素值基本一样，故根据图像高度，将包含更多有效信息的图像部分进行裁剪，参数为0.75，即保持图像的宽度不变，高度裁剪下半部分作为新数据。
6）将经过步骤5）处理后的图像数据进行随机分层打乱，不重合的分为训练集和测试集两部分。训练集和测试集的比例分别为0.8和0.2。在训练集和测试集中分别存放健康，早搏，逸博，房颤的数据集。
7）进行模型训练。共搭建了三个深度学习中的卷积神经网络模型，分别是AlexNet，GoogleNet，ResNet模型，导入（6）中准备好的数据集，进行模型训练工作，选择多个参数进行多次训练寻找最优解，保存模型训练中的最优参数。
8）获得检测结果（检测结果为四分类结果，包括健康，早搏，逸博，房颤四种结果）。选择一个待检测的PPG原始数据，将数据按照（1）至（5）进行处理后得到的图像传入网络模型中，使用（7）中训练保存的最优参数，分别传入上述的三个深度学习模型中，经过卷积网络的层层运算，每个模型将会得到一个分类的结果，0表示健康，1表示早搏，2表示逸博，3表示房颤。对三个模型检测的结果进行分析，选择出现次数最多的结果作为最终结果，如果出现三个模型检测结果没有重合的情况时，在已出现的三个结果中进行随机挑选，并将其作为最终的检测结果。将最终检测结果与（2）中计算得到的heartRate进行输出。
本发明同时提供一种光电容积脉搏波数据心律不齐检测装置，其特征在于，所述装置包括数据采集模块，处理器和存储器，数据采集模块用于采集光电容积脉搏波数据；所述存储器中存储有程序指令和光电容积脉搏波数据，所述处理器调用存储器中存储的程序以及指令以使装置执行所述的方法步骤。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种光电容积脉搏波数据心律不齐检测方法，包括以下步骤：
步骤1:采集光电容积脉搏波数据，获得原始脉搏波数据；
步骤2:对原始脉搏波数据进行预处理，得到预处理后的脉搏波数据；
步骤3:对预处理后的脉搏波数据进行峰值检测，得到峰值位置序列，并计算心率；
步骤4:使用Morlet小波的小波函数作为基础函数，对预处理后的脉搏波数据进行连续小波变换，获得连续小波变换系数，一对确定且有效的尺度变量和平移量对应指定位置的小波变换二维数据；
步骤5：对小波变换二维数据进行取绝对值操作，生成包含信号在指定时间和频率上的局部信息的图像；
步骤6：对由步骤5得到图像进行图像数据处理，根据图像高度，将包含有效信息的图像部分进行裁剪；
步骤7：构建包含心律不齐各个分类状态的数据集；
步骤8：搭建卷积神经网络模型，进行模型训练，保存模型训练过程中的最优参数；
步骤9：利用训练好的卷积神经网络模型，进行心律不齐的分类检测结果。
2.根据权利要求1所述的光电容积脉搏波数据心律不齐检测方法，其特征在于，步骤2的方法为：使用带通滤波器对原始 PPG 信号进行预处理，以去除不需要的频率成分；保留频率范围在5Hz到8Hz之间的信号，并且抑制其他频率的噪声，得到预处理后的脉搏波数据F (t)。
3.根据权利要求2所述的光电容积脉搏波数据心律不齐检测方法，其特征在于，所述的带通滤波器为三阶的巴特沃斯滤波器。
4.根据权利要求1所述的光电容积脉搏波数据心律不齐检测方法，其特征在于，步骤3的方法为：
对预处理后的脉搏波数据F(t)进行标准化处理，得到F_tackle(t)；
对经过标准化后的脉搏波数据F_tackle（t），生成一系列不同的尺度，对于每个尺度s，生成一个关于尺度s的滑动窗口内数据的标准差序列Fs{fs（j），j=1,2，……N}，fs（j）表示以尺度s在经过标准化后的脉搏波数据F_tackle（t）上进行滑动窗口操作后得到的子序列的标准差，滑动窗口的大小与尺度s相同，其中j表示Fs的索引，对于每个尺度s的标准差序列Fs，计算相邻数据点的差值，得到差分序列Ds{ds（j），j=1,2，……N}，对差分序列Ds进行峰值检测，对于每个尺度s，得到一个峰值位置序列Ps，包含了所有检测到的峰值位置；将所有尺度的峰值位置序列Ps合并，得到峰值位置序列P{p（i），i=1,2，……，M}，p（i）记录每一个峰值所对应的时间点，M为峰值个数；
计算心率。
5.根据权利要求4所述的光电容积脉搏波数据心律不齐检测方法，其特征在于，按照下式对预处理后的脉搏波数据F(t)进行标准化处理，得到F_tackle(t)的公式为：
式中， mean(F)表示使用全部脉搏波数据求取平均值，std(F)表示使用全部脉搏波数据求取标准差，F_tackle(t)表示经过标准化后的脉搏波数据。
6.根据权利要求4所述的光电容积脉搏波数据心律不齐检测方法，其特征在于，心率heartRate(i)计算公式如下：
p_temp(i) = p（i） - p（i-1），p_temp（i）表示相邻两个峰值点之间的采样点个数，采样点的时间间隔为T = 1/fq，单位为秒。
7.根据权利要求1所述的光电容积脉搏波数据心律不齐检测方法，其特征在于，对步骤4中，连续小波变换公式为：
式中，变量a为尺度，控制小波函数的伸缩，变量b为平移量，控制小波函数的平移；尺度a对应于频率，尺度a越小，频率越大，平移量b对应于时间；一对确定且有效的a，b对应指定位置的小波变换二维数据G(a,b)。
8.根据权利要求1所述的光电容积脉搏波数据心律不齐检测方法，其特征在于，步骤7中，心律不齐的分类包括健康，早搏，逸博，房颤四种状态。
9.根据权利要求1所述的光电容积脉搏波数据心律不齐检测方法，其特征在于，步骤8中，搭建至少三种卷积神经网络模型，对于一个待检测的原始脉搏波数据，经过步骤1至5的处理后得到图像，传入步骤8训练好的各个卷积神经网络模型，获得各自的分类检测结果，选择出现次数最多的结果作为最终分类检测结果。
10.一种光电容积脉搏波数据心律不齐检测装置，其特征在于，所述装置包括数据采集模块，处理器和存储器，数据采集模块用于采集光电容积脉搏波数据；所述存储器中存储有程序指令和光电容积脉搏波数据，所述处理器调用存储器中存储的程序、光电容积脉搏波数据以及指令以使装置执行权利要求1-9中的任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410197403.3A CN117752315A (zh) | 2024-02-22 | 2024-02-22 | 一种光电容积脉搏波数据心律不齐检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410197403.3A CN117752315A (zh) | 2024-02-22 | 2024-02-22 | 一种光电容积脉搏波数据心律不齐检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117752315A true CN117752315A (zh) | 2024-03-26 |
Family
ID=90318697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410197403.3A Pending CN117752315A (zh) | 2024-02-22 | 2024-02-22 | 一种光电容积脉搏波数据心律不齐检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117752315A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120310100A1 (en) * | 2011-05-31 | 2012-12-06 | Nellcor Puritan Bennett Ireland | Systems And Methods For Detecting And Monitoring Arrhythmias Using the PPG |
| CN106491117A (zh) * | 2016-12-06 | 2017-03-15 | 上海斐讯数据通信技术有限公司 | 一种基于ppg心率测量技术的信号处理方法及装置 |
| US20210015442A1 (en) * | 2019-07-19 | 2021-01-21 | Anna Barnacka | System and Method for Heart Rhythm Detection and Reporting |
| CN112656392A (zh) * | 2020-12-21 | 2021-04-16 | 卡哈科技(深圳)有限公司 | 一种低功耗ppg心率计算方法及电子设备 |
| CN113554621A (zh) * | 2021-07-23 | 2021-10-26 | 江苏科技大学 | 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 |
-
2024
- 2024-02-22 CN CN202410197403.3A patent/CN117752315A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120310100A1 (en) * | 2011-05-31 | 2012-12-06 | Nellcor Puritan Bennett Ireland | Systems And Methods For Detecting And Monitoring Arrhythmias Using the PPG |
| CN106491117A (zh) * | 2016-12-06 | 2017-03-15 | 上海斐讯数据通信技术有限公司 | 一种基于ppg心率测量技术的信号处理方法及装置 |
| US20210015442A1 (en) * | 2019-07-19 | 2021-01-21 | Anna Barnacka | System and Method for Heart Rhythm Detection and Reporting |
| CN112656392A (zh) * | 2020-12-21 | 2021-04-16 | 卡哈科技(深圳)有限公司 | 一种低功耗ppg心率计算方法及电子设备 |
| CN113554621A (zh) * | 2021-07-23 | 2021-10-26 | 江苏科技大学 | 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 隋锦驰: "人体多生理参数整合分析与辅助诊断技术研究", 《中国优秀硕士论文全文数据库（基础科学辑）》, 15 January 2024 (2024-01-15), pages 3 - 5 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2303110B1 (en) | Concatenated scalograms | |
| US9060722B2 (en) | Apparatus for processing physiological sensor data using a physiological model and method of operation therefor | |
| AU2009265270B2 (en) | Signal processing mirroring technique | |
| Sahoo et al. | Wavelet based pulse rate and Blood pressure estimation system from ECG and PPG signals | |
| WO2010124034A2 (en) | Processing physiological sensor data using a physiological model combined with a probabilistic processor | |
| CN114305364B (zh) | 基于毫米波雷达的血压检测方法、系统及设备 | |
| CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
| CN112603332A (zh) | 一种基于脑电信号特征分析的情感认知方法 | |
| Hussein et al. | Performance evaluation of time-frequency distributions for ECG signal analysis | |
| Faezipour et al. | Wavelet-based denoising and beat detection of ECG signal | |
| Rojano et al. | Singular value decomposition of the time-frequency distribution of PPG signals for motion artifact reduction | |
| CN117017297A (zh) | 驾驶员疲劳的预测和识别模型建立方法及其应用 | |
| Murthy et al. | ECG signal denoising and ischemic event feature extraction using Daubechies wavelets | |
| CN117752315A (zh) | 一种光电容积脉搏波数据心律不齐检测方法及装置 | |
| CN112826459B (zh) | 一种基于卷积自编码器的脉搏波波形重建的方法及系统 | |
| Bhoi et al. | Pre-processing of ppg signal with performance based methods | |
| Polat | The comprehensive analysis of the determination of wavelet function-level pair for the decomposition and reconstruction of artificial S1 heart signals by using multi-resolution analysis | |
| Soe et al. | ECG Signal Classification using Discrete Wavelet Transform and Pan Tompkins Algorithm | |
| Wang et al. | Photoplethysmography-based heart action monitoring using a growing multilayer network | |
| Sanamdikar et al. | Using the GAN method, analysis several characteristics of the ECG signal in order to detect cardiac arrhythmia | |
| Ferroukhi et al. | Robust and reliable PPG and ECG integrated biosensor | |
| Mohanty et al. | R-peak detection using efficient technique for tachycardia detection | |
| CN117958777A (zh) | 非侵入式血压检测系统、方法、电子设备和存储介质 | |
| Fedotov | Analysis of pulse wave amplitude measurement errors | |
| Imtiaz et al. | Design and Implementation of a Real-Time Automated ECG Diagnosis (AED) System |
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 |