CN117951505A - 一种物联网医疗芯片的降噪方法及系统 - Google Patents
一种物联网医疗芯片的降噪方法及系统 Download PDFInfo
- Publication number
- CN117951505A CN117951505A CN202410357081.4A CN202410357081A CN117951505A CN 117951505 A CN117951505 A CN 117951505A CN 202410357081 A CN202410357081 A CN 202410357081A CN 117951505 A CN117951505 A CN 117951505A
- Authority
- CN
- China
- Prior art keywords
- frequency
- vital sign
- signal
- human body
- interval
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000009467 reduction Effects 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 129
- 238000001914 filtration Methods 0.000 claims description 109
- 230000000737 periodic effect Effects 0.000 claims description 70
- 239000003990 capacitor Substances 0.000 claims description 21
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 230000036772 blood pressure Effects 0.000 claims description 6
- 230000036760 body temperature Effects 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 230000000241 respiratory effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001121 heart beat frequency Effects 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Classifications
-
- 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
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明属于医疗芯片降噪技术领域，具体涉及一种物联网医疗芯片的降噪方法及系统。该发明，确保了从传感器捕获的模拟信号能够在数字化的环境中被系统处理和分析，有助于对不同频率范围内的信号进行精细化的处理和分析，提高了系统对信号特征的分辨率，提供了关于信号波动和周期性变化的信息，有助于了解信号的动态特征和变化趋势，允许系统根据特定的频率范围过滤掉干扰信号，确保只有相关的生命特征信号被传递到后续处理模块，有效地过滤了非特定频率范围内的信号，确保系统只处理和分析有效的生命特征信号，提高了系统的准确性和可靠性。
Description
技术领域
本发明属于医疗芯片降噪技术领域，具体涉及一种物联网医疗芯片的降噪方法及系统。
背景技术
随着社会发展和人们生活要求，对健康医疗方面提出来越来越高的要求，而信息技术的发展给医疗的智能化在线化提供了有力的技术支撑，医疗物联网作为物联网的重要分支，当设计物联网医疗芯片时，需要考虑到多种关键特征。
首先，医疗物联芯片必须具备高精度的模拟-数字转换器（ADC）和可变增益放大器（PGA），以便对微小的传感器信号进行准确采样。然而，这些敏感的传感器信号很容易受到芯片内部噪声的影响，因此需要有效的降噪方法来确保信号质量。
其次，医疗物联网芯片通常需要集成蓝牙、Wi-Fi等无线连接模块，这些模块通常包含射频（RF）模块，操作于2.4GHz、5GHz等高频段。这种高频信号的存在会产生较大的干扰，与第一点中对于传感器信号的精准采样形成矛盾。
第三，医疗物联网芯片所处理的传感器信号主要是人体生命特征信号，通常为低频信号（一般小于10Hz）。利用这种低频特性进行滤波是一种有效的降噪方法，可以帮助过滤掉高频干扰信号，保留所需的生命特征数据。
这些特点共同构成了医疗物联网芯片设计中的挑战，即需要在高频干扰和对低频生命特征信号高精度采样的需求之间取得平衡。
发明内容
本发明的目的是提供一种物联网医疗芯片的降噪方法及系统，能够在传输信号时，过滤高频及杂乱的信号，降低信号的干扰，提升信号传输的稳定性。
本发明采取的技术方案具体如下：
一种物联网医疗芯片的降噪方法，包括：
获取人体生命特征信号，其中，所述人体生命特征信号包括心跳信号、脉搏信号、呼吸信号、血压信号、体温信号和血氧饱和度信号；
获取人体生命特征信号的频段，根据获取的人体生命特征信号的频段，构建多个频率采样区间；
获取频率采样区间内人体生命特征信号周期性频率波动趋势；
获取频率采样区间内人体生命特征信号的标准滤波频率区间；
根据频率波动趋势及标准滤波频率区间过滤非标准滤波频率波动区间的频率信号。
在一种优选方案中，所述获取人体生命特征信号的频段，根据获取的人体生命特征信号的频段，构建多个频率采样区间的步骤，包括：
获取人体生命特征信号的频段；
根据获取的人体生命特征信号的频段，将人体生命特征信号按照频段划分为多个频率采样区间。
在一种优选方案中，所述获取频率采样区间内人体生命特征信号周期性频率波动趋势的步骤，包括：
获取频率采样区间；
获取频率采样区间内人体生命特征信号的采样周期；
将采样周期内的人体生命特征信号输入至频率波动趋势模型，得到周期性频率波动趋势。
在一种优选方案中，所述将采样周期的人体生命特征信号输入至频率波动趋势模型，得到周期性频率波动趋势的步骤，包括：
从频率波动趋势模型中获取频率波动趋势函数；
将当前采样周期内的人体生命特征信号输入至频率波动趋势函数中，输出值为周期性频率波动趋势值；
若周期性频率波动趋势值大于一，则表明采样周期内的周期性频率波动趋势为提升的，采样周期内的人体生命特征信号频率存在增大的趋势；
若周期性频率波动趋势值小于一，则表明采样周期内的周期性频率波动趋势为降低的，采样周期内的人体生命特征信号频率存在减小的趋势；
若周期性频率波动趋势值等于一，则表明采样周期内的周期性频率波动趋势为稳定的，采样周期内的人体生命特征信号频率变化稳定。
在一种优选方案中，所述频率波动趋势函数为：；
其中，K表示为周期性频率波动趋势值，i表示当前采样周期内的人体生命特征信号频率的编号，n表示当前采样周期内的人体生命特征信号频率的总数，f表示为当前采样周期内的人体生命特征信号的频率，X表示为当前采样周期内的人体生命特征信号频率的最大值，N表示为当前采样周期内的人体生命特征信号频率的最小值，B表示为当前采样周期内的人体生命特征信号频率的标准值。
在一种优选方案中，所述获取频率采样区间内人体生命特征信号的标准滤波频率区间的步骤，包括：
获取频率采样区间；
获取频率采样区间内人体生命特征信号的频段；
根据频率采样区间内人体生命特征信号的频段，获取标准滤波频率区间。
在一种优选方案中，所述根据频率波动趋势及标准滤波频率区间过滤非标准滤波频率波动区间的频率信号的步骤，包括：
获取频率采样区间内人体生命特征信号周期性频率波动趋势；
根据周期性频率波动趋势获取周期性频率波动趋势值；
获取标准滤波频率波动模型，并从标准滤波频率波动模型中获取标准滤波频率波动函数；
将标准滤波频率区间输入至标准滤波频率波动函数，输出值为标准滤波频率波动区间；
根据标准滤波频率波动区间，及周期性频率波动趋势值，过滤频率采样区间内非标准滤波频率波动区间的频率信号。
在一种优选方案中，所述标准滤波频率波动函数为：；
其中，F表示为标准滤波频率波动区间，K表示为周期性频率波动趋势值，A表示为标准滤波频率区间。
本发明还提供了，一种物联网医疗芯片的降噪系统，用于上述物联网医疗芯片的降噪方法，包括：
ADC模块，用于获取人体生命特征信号，其中，所述人体生命特征信号包括心跳信号、脉搏信号、呼吸信号、血压信号、体温信号和血氧饱和度信号；
采样区间模块，用于获取人体生命特征信号的频段，根据获取的人体生命特征信号的频段，构建多个频率采样区间；
信号波动模块，用于获取频率采样区间内人体生命特征信号周期性频率波动趋势；
滤波参数模块，用于获取频率采样区间内人体生命特征信号的标准滤波频率区间；
数字信号处理模块，用于根据频率波动趋势及标准滤波频率区间过滤非标准滤波频率波动区间的频率信号。
在一种优选方案中，还包括无线连接模块，用于无线传输人体生命特征信号，所述无线连接模块包括RF模块，其中，所述RF模块上设置有屏蔽单元，用于屏蔽RF模块的干扰，所述屏蔽单元包括电容C1，所述电容C1连接在RF模块的VDD端与VSS端之间；
另，所述ADC模块上设置有电容C2，所述电容C2与ADC模块的INN端连接。
本发明取得的技术效果为：
本发明，确保了从传感器捕获的模拟信号能够在数字化的环境中被系统处理和分析，有助于对不同频率范围内的信号进行精细化的处理和分析，提高了系统对信号特征的分辨率，提供了关于信号波动和周期性变化的信息，有助于了解信号的动态特征和变化趋势，允许系统根据特定的频率范围过滤掉干扰信号，确保只有相关的生命特征信号被传递到后续处理模块，有效地过滤了非特定频率范围内的信号，确保系统只处理和分析有效的生命特征信号，提高了系统的准确性和可靠性。
附图说明
图1是本发明所提供的方法流程图；
图2是本发明所提供的系统框图；
图3是本发明所提供电容C1与RF模块连接的电路示意图；
图4是本发明所提供电容C2与ADC模块连接的电路示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个较佳的实施方式中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是示例，其在此不应限制本发明保护的范围。
请参阅附图1和图2所示，提供了一种物联网医疗芯片的降噪方法，包括：
S1、获取人体生命特征信号，其中，所述人体生命特征信号包括心跳信号、脉搏信号、呼吸信号、血压信号、体温信号和血氧饱和度信号；
S2、获取人体生命特征信号的频段，根据获取的人体生命特征信号的频段，构建多个频率采样区间；
S3、获取频率采样区间内人体生命特征信号周期性频率波动趋势；
S4、获取频率采样区间内人体生命特征信号的标准滤波频率区间；
S5、根据频率波动趋势及标准滤波频率区间过滤非标准滤波频率波动区间的频率信号。
如上述步骤S1至S5中，将模拟的生命特征信号转换为数字格式，以便后续处理和分析，根据特定的生命特征信号频段，构建多个频率采样区间，使系统能够更细致地分析信号的不同频率范围，捕获和分析频率采样区间内生命特征信号的周期性频率波动趋势，可能包括检测信号的周期性变化和频率波动，根据预设的标准，选取适用于频率采样区间内的生命特征信号的标准滤波频率区间，根据之前获取的频率波动趋势和标准滤波频率区间，对信号进行进一步的处理和过滤，确保了从传感器捕获的模拟信号能够在数字化的环境中被系统处理和分析，有助于对不同频率范围内的信号进行精细化的处理和分析，提高了系统对信号特征的分辨率，提供了关于信号波动和周期性变化的信息，有助于了解信号的动态特征和变化趋势，允许系统根据特定的频率范围过滤掉干扰信号，确保只有相关的生命特征信号被传递到后续处理模块，有效地过滤了非特定频率范围内的信号，确保系统只处理和分析有效的生命特征信号，提高了系统的准确性和可靠性。
获取人体生命特征信号的频段，根据获取的人体生命特征信号的频段，构建多个频率采样区间的步骤，包括：
S201、获取人体生命特征信号的频段；
S202、根据获取的人体生命特征信号的频段，将人体生命特征信号按照频段划分为多个频率采样区间。
如上述步骤S201至S202中，采样区间模块通过预处理、信号分析或特定算法来检测信号的频段，确定信号在频谱中的频率范围，基于先前获取的频段信息，将整个频谱按照频段的划分进行分割，形成多个离散的频率采样区间，例如，假设在心电信号中，低频部分（例如0.5Hz到2Hz）对心率变化的分析非常重要，而高频部分（例如20Hz以上）则可能与肌肉运动有关，通过采样区间模块的工作，系统可以根据这些频段信息将信号分割为多个频率采样区间，比如将0.5Hz到2Hz划分为一个区间，20Hz以上划分为另一个区间，以便针对不同频段进行不同的处理和分析，这有助于提高对不同生命特征信号频率段的专业化处理能力，通过获取频段信息，能够确定人体生命特征信号所处的频率范围，有助于后续处理针对特定频段进行，分割允许系统集中对不同频段的信号进行独立或特定方式的处理，从而提高了对特定频率范围内信号的精确采样和分析能力。
获取频率采样区间内人体生命特征信号周期性频率波动趋势的步骤，包括：
S301、获取频率采样区间；
S302、获取频率采样区间内人体生命特征信号的采样周期；
S303、将采样周期内的人体生命特征信号输入至频率波动趋势模型，得到周期性频率波动趋势。
如上述步骤S301至S303中，信号波动模块选择特定的频率范围，在这个范围内对人体生命特征信号进行采样和分析，会识别人体生命特征信号的周期性，并确定其在频率采样区间内的采样周期，将采样周期内的信号数据输入到特定的频率波动模型中，例如波动分析算法，以获取信号在这个周期内的频率波动趋势，例如，在心电图信号中，模块选择了1分钟内的频率采样区间，在这个区间内，模块识别并捕获了心跳信号的周期性，确定了每个心跳的持续时间，接着，将每个心跳信号的周期性数据输入到频率波动模型中，例如对心跳频率的变化进行傅里叶变换或小波分析，从而得到了这段时间内心率的周期性频率波动趋势，这种分析有助于检测心率的变化模式，比如心率的逐渐增加或减少，以及心率的规律性变化，通过限定特定的频率范围进行采样，可以聚焦于关注的信号频率范围内进行后续的分析，确定信号的采样周期有助于了解信号变化的频率，以及后续的周期性波动分析，通过分析这个周期内信号的频率波动趋势，能够了解信号的周期性变化、频率波动模式，有助于对信号特征的深入了解。
将采样周期的人体生命特征信号输入至频率波动趋势模型，得到周期性频率波动趋势的步骤，包括：
S3031、从频率波动趋势模型中获取频率波动趋势函数；
S3032、将当前采样周期内的人体生命特征信号输入至频率波动趋势函数中，输出值为周期性频率波动趋势值；
若周期性频率波动趋势值大于一，则表明采样周期内的周期性频率波动趋势为提升的，采样周期内的人体生命特征信号频率存在增大的趋势；
若周期性频率波动趋势值小于一，则表明采样周期内的周期性频率波动趋势为降低的，采样周期内的人体生命特征信号频率存在减小的趋势；
若周期性频率波动趋势值等于一，则表明采样周期内的周期性频率波动趋势为稳定的，采样周期内的人体生命特征信号频率变化稳定。
频率波动趋势函数为：；
其中，K表示为周期性频率波动趋势值，i表示当前采样周期内的人体生命特征信号频率的编号，n表示当前采样周期内的人体生命特征信号频率的总数，f表示为当前采样周期内的人体生命特征信号的频率，X表示为当前采样周期内的人体生命特征信号频率的最大值，N表示为当前采样周期内的人体生命特征信号频率的最小值，B表示为当前采样周期内的人体生命特征信号频率的标准值。
如上述步骤S3031至S3032中，频率波动趋势模型可通过基于统计、傅里叶变换、小波分析或其他算法得出对频率波动趋势的函数描述，将当前采样周期内的信号数据作为输入，经过频率波动趋势函数处理后，得到反映周期性波动趋势的数值，通过比较得到的周期性频率波动趋势值与1的关系，对信号的频率变化趋势进行分类和判断，假设根据心率信号的频率波动趋势模型获得了一个波动函数，在某个采样周期内，将该周期内的心率信号输入到波动函数中，得到的周期性频率波动趋势值为1.2，根据设定的阈值1，这个值大于1，表示这段周期内心率信号频率存在增大的趋势，即心率信号频率在这段时间内逐渐上升，这种分析可以帮助监测心率信号频率变化趋势，有助于识别可能的异常或趋势性变化，获得函数描述能够更好地理解周期性频率波动的特征及其变化规律，能够量化地描述当前周期内信号的频率波动趋势，为后续趋势判断提供依据，通过判断周期性频率波动趋势值，可以了解当前采样周期内信号的变化趋势，是频率增大、减小还是保持稳定。
获取频率采样区间内人体生命特征信号的标准滤波频率区间的步骤，包括：
S401、获取频率采样区间；
S402、获取频率采样区间内人体生命特征信号的频段；
S403、根据频率采样区间内人体生命特征信号的频段，获取标准滤波频率区间。
如上述步骤S401至S403中，滤波参数模块首先确定处理的频率范围，即在整个频谱中选择需要分析和处理的特定区间，在频率采样区间内，模块识别并获得人体生命特征信号的频段范围，即确定信号的频率区间，基于先前获得的频段信息，选择或定义适当的标准滤波频率区间，即确定用于滤波处理的特定频率范围，通过限定频率采样区间，模块能够集中处理感兴趣的信号频率范围，有助于后续滤波参数的精确定义，了解信号的频段能够帮助确定频率范围内信号的特性和变化规律，为滤波参数的设定提供依据，通过确定标准滤波频率区间，能够针对特定的频率范围内信号进行有效的滤波处理，去除非特定的频率范围内信号频率成分。
根据频率波动趋势及标准滤波频率区间过滤非标准滤波频率波动区间的频率信号的步骤，包括：
S501、获取频率采样区间内人体生命特征信号周期性频率波动趋势；
S502、根据周期性频率波动趋势获取周期性频率波动趋势值；
S503、获取标准滤波频率波动模型，并从标准滤波频率波动模型中获取标准滤波频率波动函数；
S504、将标准滤波频率区间输入至标准滤波频率波动函数，输出值为标准滤波频率波动区间；
S505、根据标准滤波频率波动区间，及周期性频率波动趋势值，过滤频率采样区间内非标准滤波频率波动区间的频率信号。
如上述步骤S501至S505中，数字信号处理模块分析频率采样区间内信号的周期性波动趋势，可通过傅里叶变换、小波分析或其他方法识别信号在不同频率范围内的周期性波动，基于信号的周期性波动趋势，计算得出一个数值化的趋势值，用以描述信号的周期性波动情况，使用事先定义或训练的滤波模型，获取特定信号的标准滤波频率波动函数，将标准滤波频率区间的信号数据输入到标准滤波频率波动函数中，得到一个经过标准化滤波的频率波动区间，基于标准滤波波动区间的特征，对频率采样区间内不符合标准的频率波动区间进行滤除或突出处理，得到最终的频率信号，例如，对心率信号进行处理，模块首先计算周期性频率波动趋势，然后使用预先训练的标准滤波频率波动模型，应用于频率采样区间内的信号，根据模型输出的标准滤波频率波动区间特征，模块对频率采样区间内不符合标准的波动区间进行滤除或突出处理，最终得到处理后的心率信号，突出了特定的频率成分或去除了噪声干扰，了解信号的周期性波动趋势有助于后续滤波处理，能够更好地识别出需要保留或去除的特定频率成分，数值化的趋势值能够更精确地表征周期性波动，为后续滤波参数的设定提供依据，标准滤波模型提供了滤波频率的标准化参考，用于与采样区间内的信号进行对比和滤波处理，根据标准滤波函数对信号进行处理，突出或去除特定频率成分，保留或消除特定信号特征，以获得更清晰的信号，通过过滤处理，得到的信号更加干净或更具特定特征，去除了干扰的信号成分。
标准滤波频率波动函数为：；
其中，F表示为标准滤波频率波动区间，K表示为周期性频率波动趋势值，A表示为标准滤波频率区间。
上述，函数描述了周期性频率波动趋势值K和标准滤波频率区间A之间的关系，通过乘积运算确定标准滤波频率波动区间F，这个函数能够根据周期性波动趋势值和设定的标准频率区间，对信号进行标准化滤波处理，去除非特定频率成分，假设心率信号周期性波动趋势值K为1.5，标准滤波频率区间A为10Hz到30Hz，应用这个标准滤波频率波动函数，计算结果为15Hz到45Hz，则表示标准滤波频率波动区间为15Hz到45Hz，这个区间能够基于设定的周期性波动趋势值和标准频率区间对信号进行特定范围内的滤波处理，去除非特定频率成分，有助于分析特定频率范围内信号的特性。
本发明还提供了，一种物联网医疗芯片的降噪系统，用于上述物联网医疗芯片的降噪方法，包括：
ADC模块，用于获取人体生命特征信号，其中，所述人体生命特征信号包括心跳信号、脉搏信号、呼吸信号、血压信号、体温信号和血氧饱和度信号；
采样区间模块，用于获取人体生命特征信号的频段，根据获取的人体生命特征信号的频段，构建多个频率采样区间；
信号波动模块，用于获取频率采样区间内人体生命特征信号周期性频率波动趋势；
滤波参数模块，用于获取频率采样区间内人体生命特征信号的标准滤波频率区间；
数字信号处理模块，用于根据频率波动趋势及标准滤波频率区间过滤非标准滤波频率波动区间的频率信号。
上述，ADC模块负责将模拟的生命特征信号转换为数字格式，以便后续处理和分析，采样区间模块将根据特定的生命特征信号频段，构建多个频率采样区间，使系统能够更细致地分析信号的不同频率范围，信号波动模块用于捕获和分析频率采样区间内生命特征信号的周期性频率波动趋势，可能包括检测信号的周期性变化和频率波动，根据预设的标准，滤波参数模块会确定适用于频率采样区间内的生命特征信号的标准滤波频率区间，数字信号处理模块根据之前获取的频率波动趋势和标准滤波频率区间，对信号进行进一步的处理和过滤，确保了从传感器捕获的模拟信号能够在数字化的环境中被系统处理和分析，有助于对不同频率范围内的信号进行精细化的处理和分析，提高了系统对信号特征的分辨率，提供了关于信号波动和周期性变化的信息，有助于了解信号的动态特征和变化趋势，允许系统根据特定的频率范围过滤掉干扰信号，确保只有相关的生命特征信号被传递到后续处理模块，有效地过滤了非特定频率范围内的信号，确保系统只处理和分析有效的生命特征信号，提高了系统的准确性和可靠性。
还包括无线连接模块，用于无线传输人体生命特征信号，无线连接模块包括RF模块，其中，RF模块上设置有屏蔽单元，用于屏蔽RF模块的干扰，屏蔽单元包括电容C1，电容C1连接在RF模块的VDD端与VSS端之间；
另，ADC模块上设置有电容C2，电容C2与ADC模块的INN端连接。
上述，电容C1为MiM电容，使MiM电容盖在RF模块上，其中，MiM电容的两端分别与RF模块电路的VDD端和VSS端连接，通过电源和地传到ADC的，MiM电容就起到了高频滤波的作用，通过屏蔽单元，可以降低外部环境对RF模块产生的干扰，确保传输信号的清晰性和准确性，有效的屏蔽可以防止RF模块产生的干扰信号影响到其他系统或设备，保证其正常运行。
需要说明的是，在ADC模块上也盖上一个电容C2，电容C2也为一个MiM电容，此MiM电容与ADC模块电路的INN端连接，MiM电容与ADC模块INN端的连接可以帮助减少来自外部的干扰，特别是高频干扰，因为MiM电容可以在一定程度上过滤高频噪声，INN端是ADC模块中差分输入端之一，MiM电容的加入可能有助于提高输入信号的纯净度和质量，特别是对于微小信号采样的情况下，能够减少噪声对信号的影响，有助于提高ADC模块对共模干扰的抑制能力，因为它可以降低共模干扰对信号的影响。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本发明中未具体描述和解释说明的结构、装置以及操作方法，如无特别说明和限定，均按照本领域的常规手段进行实施。
Claims (10)
1.一种物联网医疗芯片的降噪方法，其特征在于，包括：
获取人体生命特征信号，其中，所述人体生命特征信号包括心跳信号、脉搏信号、呼吸信号、血压信号、体温信号和血氧饱和度信号；
获取人体生命特征信号的频段，根据获取的人体生命特征信号的频段，构建多个频率采样区间；
获取频率采样区间内人体生命特征信号周期性频率波动趋势；
获取频率采样区间内人体生命特征信号的标准滤波频率区间；
根据频率波动趋势及标准滤波频率区间过滤非标准滤波频率波动区间的频率信号。
2.根据权利要求1所述的物联网医疗芯片的降噪方法，其特征在于，所述获取人体生命特征信号的频段，根据获取的人体生命特征信号的频段，构建多个频率采样区间的步骤，包括：
获取人体生命特征信号的频段；
根据获取的人体生命特征信号的频段，将人体生命特征信号按照频段划分为多个频率采样区间。
3.根据权利要求1所述的物联网医疗芯片的降噪方法，其特征在于，所述获取频率采样区间内人体生命特征信号周期性频率波动趋势的步骤，包括：
获取频率采样区间；
获取频率采样区间内人体生命特征信号的采样周期；
将采样周期内的人体生命特征信号输入至频率波动趋势模型，得到周期性频率波动趋势。
4.根据权利要求3所述的物联网医疗芯片的降噪方法，其特征在于，所述将采样周期的人体生命特征信号输入至频率波动趋势模型，得到周期性频率波动趋势的步骤，包括：
从频率波动趋势模型中获取频率波动趋势函数；
将当前采样周期内的人体生命特征信号输入至频率波动趋势函数中，输出值为周期性频率波动趋势值；
若周期性频率波动趋势值大于一，则表明采样周期内的周期性频率波动趋势为提升的，采样周期内的人体生命特征信号频率存在增大的趋势；
若周期性频率波动趋势值小于一，则表明采样周期内的周期性频率波动趋势为降低的，采样周期内的人体生命特征信号频率存在减小的趋势；
若周期性频率波动趋势值等于一，则表明采样周期内的周期性频率波动趋势为稳定的，采样周期内的人体生命特征信号频率变化稳定。
5.根据权利要求4所述的物联网医疗芯片的降噪方法，其特征在于，所述频率波动趋势函数为：
；
其中，K表示为周期性频率波动趋势值，i表示当前采样周期内的人体生命特征信号频率的编号，n表示当前采样周期内的人体生命特征信号频率的总数，f表示为当前采样周期内的人体生命特征信号的频率，X表示为当前采样周期内的人体生命特征信号频率的最大值，N表示为当前采样周期内的人体生命特征信号频率的最小值，B表示为当前采样周期内的人体生命特征信号频率的标准值。
6.根据权利要求4所述的物联网医疗芯片的降噪方法，其特征在于，所述获取频率采样区间内人体生命特征信号的标准滤波频率区间的步骤，包括：
获取频率采样区间；
获取频率采样区间内人体生命特征信号的频段；
根据频率采样区间内人体生命特征信号的频段，获取标准滤波频率区间。
7.根据权利要求1所述的物联网医疗芯片的降噪方法，其特征在于，所述根据频率波动趋势及标准滤波频率区间过滤非标准滤波频率波动区间的频率信号的步骤，包括：
获取频率采样区间内人体生命特征信号周期性频率波动趋势；
根据周期性频率波动趋势获取周期性频率波动趋势值；
获取标准滤波频率波动模型，并从标准滤波频率波动模型中获取标准滤波频率波动函数；
将标准滤波频率区间输入至标准滤波频率波动函数，输出值为标准滤波频率波动区间；
根据标准滤波频率波动区间，及周期性频率波动趋势值，过滤频率采样区间内非标准滤波频率波动区间的频率信号。
8.根据权利要求7所述的物联网医疗芯片的降噪方法，其特征在于，所述标准滤波频率波动函数为：；
其中，F表示为标准滤波频率波动区间，K表示为周期性频率波动趋势值，A表示为标准滤波频率区间。
9.一种物联网医疗芯片的降噪系统，应用于权利要求1至8任意一项所述的物联网医疗芯片的降噪方法,其特征在于，包括：
ADC模块，用于获取人体生命特征信号，其中，所述人体生命特征信号包括心跳信号、脉搏信号、呼吸信号、血压信号、体温信号和血氧饱和度信号；
采样区间模块，用于获取人体生命特征信号的频段，根据获取的人体生命特征信号的频段，构建多个频率采样区间；
信号波动模块，用于获取频率采样区间内人体生命特征信号周期性频率波动趋势；
滤波参数模块，用于获取频率采样区间内人体生命特征信号的标准滤波频率区间；
数字信号处理模块，用于根据频率波动趋势及标准滤波频率区间过滤非标准滤波频率波动区间的频率信号。
10.根据权利要求9所述的物联网医疗芯片的降噪系统，其特征在于，还包括无线连接模块，用于无线传输人体生命特征信号，所述无线连接模块包括RF模块，其中，所述RF模块上设置有屏蔽单元，用于屏蔽RF模块的干扰，所述屏蔽单元包括电容C1，所述电容C1连接在RF模块的VDD端与VSS端之间；
另，所述ADC模块上设置有电容C2，所述电容C2与ADC模块的INN端连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410357081.4A CN117951505B (zh) | 2024-03-27 | 2024-03-27 | 一种物联网医疗芯片的降噪方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410357081.4A CN117951505B (zh) | 2024-03-27 | 2024-03-27 | 一种物联网医疗芯片的降噪方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117951505A true CN117951505A (zh) | 2024-04-30 |
| CN117951505B CN117951505B (zh) | 2024-06-04 |
Family
ID=90794814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410357081.4A Active CN117951505B (zh) | 2024-03-27 | 2024-03-27 | 一种物联网医疗芯片的降噪方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117951505B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060122525A1 (en) * | 2000-05-30 | 2006-06-08 | Vladimir Shusterman | Measurement and analysis of trends in physiological and/or health data |
| US20120157791A1 (en) * | 2010-12-16 | 2012-06-21 | General Electric Company | Adaptive time domain filtering for improved blood pressure estimation |
| CN105588717A (zh) * | 2015-12-10 | 2016-05-18 | 潍坊学院 | 一种齿轮箱故障诊断方法 |
| CN105943015A (zh) * | 2016-06-04 | 2016-09-21 | 浙江大学 | 一种主动降噪的穿戴式心率变异性监测设备 |
| KR20190044275A (ko) * | 2017-10-20 | 2019-04-30 | 이명해 | 심전도 신호에서의 노이즈 분별 필터 장치 및 필터링 방법 |
| CN110876615A (zh) * | 2016-05-04 | 2020-03-13 | 上海轶卓信息科技有限公司 | 一种实时动态心率监测装置及监测方法 |
| CN111493875A (zh) * | 2018-07-25 | 2020-08-07 | 佛山市丈量科技有限公司 | 一种生理参数传感系统及配备该传感系统的智能座椅 |
| CA3147118A1 (en) * | 2019-07-12 | 2021-01-21 | Saluda Medical Pty Ltd | Monitoring a quality of neural recordings |
| WO2021022644A1 (zh) * | 2019-08-05 | 2021-02-11 | 深圳迈睿智能科技有限公司 | 抗干扰微波探测模块及抗干扰方法 |
| CN117113004A (zh) * | 2023-08-24 | 2023-11-24 | 重庆邮电大学 | 一种低信噪比条件下线性调频信号参数估计方法 |
| CN117220644A (zh) * | 2023-09-28 | 2023-12-12 | 北京航空航天大学 | 一种基于频谱特性函数凸优化的自适应hp滤波方法 |
-
2024
- 2024-03-27 CN CN202410357081.4A patent/CN117951505B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060122525A1 (en) * | 2000-05-30 | 2006-06-08 | Vladimir Shusterman | Measurement and analysis of trends in physiological and/or health data |
| US20120157791A1 (en) * | 2010-12-16 | 2012-06-21 | General Electric Company | Adaptive time domain filtering for improved blood pressure estimation |
| CN105588717A (zh) * | 2015-12-10 | 2016-05-18 | 潍坊学院 | 一种齿轮箱故障诊断方法 |
| CN110876615A (zh) * | 2016-05-04 | 2020-03-13 | 上海轶卓信息科技有限公司 | 一种实时动态心率监测装置及监测方法 |
| CN105943015A (zh) * | 2016-06-04 | 2016-09-21 | 浙江大学 | 一种主动降噪的穿戴式心率变异性监测设备 |
| KR20190044275A (ko) * | 2017-10-20 | 2019-04-30 | 이명해 | 심전도 신호에서의 노이즈 분별 필터 장치 및 필터링 방법 |
| CN111493875A (zh) * | 2018-07-25 | 2020-08-07 | 佛山市丈量科技有限公司 | 一种生理参数传感系统及配备该传感系统的智能座椅 |
| CA3147118A1 (en) * | 2019-07-12 | 2021-01-21 | Saluda Medical Pty Ltd | Monitoring a quality of neural recordings |
| WO2021022644A1 (zh) * | 2019-08-05 | 2021-02-11 | 深圳迈睿智能科技有限公司 | 抗干扰微波探测模块及抗干扰方法 |
| CN117113004A (zh) * | 2023-08-24 | 2023-11-24 | 重庆邮电大学 | 一种低信噪比条件下线性调频信号参数估计方法 |
| CN117220644A (zh) * | 2023-09-28 | 2023-12-12 | 北京航空航天大学 | 一种基于频谱特性函数凸优化的自适应hp滤波方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117951505B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106344005B (zh) | 一种可移动心电图监测系统 | |
| AU2021203784B2 (en) | Multivariate residual-based health index for human health monitoring | |
| Rezaeezadeh et al. | Attention Deficit Hyperactivity Disorder Diagnosis using non-linear univariate and multivariate EEG measurements: a preliminary study | |
| US20200054262A1 (en) | Method for real time analyzing stress using deep neural network algorithm | |
| Kalaivani et al. | Prediction of biomedical signals using deep learning techniques | |
| Madanu et al. | Depth of anesthesia prediction via EEG signals using convolutional neural network and ensemble empirical mode decomposition | |
| Dursun et al. | A new approach to eliminating EOG artifacts from the sleep EEG signals for the automatic sleep stage classification | |
| Lee et al. | Automatic sleep staging in patients with obstructive sleep apnea using single-channel frontal EEG | |
| CN108334200B (zh) | 电子设备控制方法及相关产品 | |
| Ismail et al. | Early diagnoses of alzheimer using EEG data and deep neural networks classification | |
| Shen et al. | Bio-signal analysis system design with support vector machines based on cloud computing service architecture | |
| CN117951505B (zh) | 一种物联网医疗芯片的降噪方法及系统 | |
| CN114504330A (zh) | 一种基于便携式脑电采集头环的疲劳状态监测系统 | |
| Liu et al. | Neurophysiological assessment of image quality from EEG using persistent homology of brain network | |
| Hermawan et al. | An integrated sleep stage classification device based on electrocardiograph signal | |
| Patel et al. | Performance analysis of convolutional neural network based EEG epileptic seizure classification in presence of ocular artifacts | |
| Al-Omary et al. | Heart disease monitoring system using web and smartphone | |
| CN107280650B (zh) | 生命体特征参数获取方法及装置 | |
| McEvoy et al. | Ambulatory REACT: Real-time seizure detection with a DSP microprocessor | |
| Harpale et al. | Significance of independent component analysis (ICA) for epileptic seizure detection using EEG signals | |
| KR101661116B1 (ko) | 프로그래머블 멀티모달 생체신호 처리 모듈 및 이를 이용한 헬스케어 플랫폼 | |
| KR101270634B1 (ko) | 뇌파 분석기의 제어 방법 및 뇌파 분석 시스템 | |
| Toresano et al. | Data acquisition instrument for EEG based on embedded system | |
| Low et al. | IoT-enabled heart monitoring device with signal de-noising and segmentation using discrete wavelet transform | |
| KR102452201B1 (ko) | 자동 잡음신호 구간 검출 방법 및 장치 |
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 |