CN118078270A - 基于ecg、ppg信号的心电运动监测系统及运动状态评估方法 - Google Patents
基于ecg、ppg信号的心电运动监测系统及运动状态评估方法 Download PDFInfo
- Publication number
- CN118078270A CN118078270A CN202410501366.0A CN202410501366A CN118078270A CN 118078270 A CN118078270 A CN 118078270A CN 202410501366 A CN202410501366 A CN 202410501366A CN 118078270 A CN118078270 A CN 118078270A
- Authority
- CN
- China
- Prior art keywords
- signal
- slope
- heart rate
- physiological
- qrs complex
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 77
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000011156 evaluation Methods 0.000 title claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 76
- 238000000718 qrs complex Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 230000010354 integration Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 6
- 230000000630 rising effect Effects 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 230000035790 physiological processes and functions Effects 0.000 claims description 4
- 230000004962 physiological condition Effects 0.000 abstract description 6
- 238000013186 photoplethysmography Methods 0.000 description 83
- 238000004422 calculation algorithm Methods 0.000 description 18
- 229910052751 metal Inorganic materials 0.000 description 14
- 239000002184 metal Substances 0.000 description 14
- 238000012549 training Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012806 monitoring device Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000033764 rhythmic process Effects 0.000 description 5
- 210000000707 wrist Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 229910021607 Silver chloride Inorganic materials 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000037147 athletic performance Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- HKZLPVFGJNLROG-UHFFFAOYSA-M silver monochloride Chemical compound [Cl-].[Ag+] HKZLPVFGJNLROG-UHFFFAOYSA-M 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及可穿戴设备领域,为基于ECG信号和PPG信号的心电运动监测系统及运动状态评估方法,其系统包括生理信号采集监测模块、信号处理模块、特征提取模块;信号处理模块对生理信号采集监测模块采集的ECG信号和PPG信号进行预处理;特征提取模块提取生理特征;所述预处理包括:截取固定长度的心电信号片段、去基线漂移处理、滤波处理;对滤波处理后的心电信号进行单一波形处理;进行滑动窗积分处理,以获得R波的峰值点;单一波形处理包括对心电信号中QRS复合波进行扩大斜率宽度、遍历计算斜率差的处理,以增强心电信号QRS复合波中R波相对于其它波形成分的幅度,抑制非R波的波形成分。本发明可动态监测运动过程中的生理状况,提高监测精度。
Description
技术领域
本发明涉及可穿戴设备领域,具体为一种基于ECG信号和PPG信号的心电运动监测系统及运动状态评估方法。
背景技术
随着生活水平的提高和生活习惯的改变,人们对于健康体质的追求越来越高,越来越多人投入到业余跑步的运动当中。移动医疗技术也随之兴起,柔性穿戴式生理信号监测设备作为移动医疗技术重要的信息资源接入终端之一正逐渐成为研究热点,市面上关于运动穿戴式装备的研发不断涌现。而心率、心电信息是反映人体微循环系统机能的重要生理参数,因而监测人体的心率、心电具有重要的意义,在运动穿戴式设备中心率、心电检测模块占据着十分重要的一部分。对于一般的跑步者,在运动训练中检测心率心电,可以动态分析其跑步时的运动状态与运动强度,调整训练计划以及对马拉松等长跑运动进行科学配速等。
传统的运动穿戴式设备中,已有一些诸如智能手表、心率带等设备用于运动者在运动过程中测量心率、心电等生物信号,并通过无线方式传输数据,在手表或手机等智能终端上查看心率等信息。但这些设备也有如下的局限与不足之处:
(1)缺乏舒适性:心率带、心电衣之类的心电测量设备,一般都需要佩戴较大面积的用于辅助固定的胸带或衣物等,且需紧固在身体上,给进行跑步等运动的运动者一种紧勒的感觉,有较强的束缚感,还可能会影响运动成绩,不太方便在运动时佩戴。
(2)缺乏同步测量和可运动性:现有如智能手表设备可用PPG测量心率信号,也可用手捏着手表电极端测量ECG心电信号,测量方式较为复杂,且测量环境要求较高,一般要求被测对象处于静止状态,缺乏在运动过程中简单便捷地同步测量PPG和ECG信号,无法提供同步的PPG和ECG信号以供后续分析。
(3)缺乏方便性和便携性:现有设备一般局限于其特定的测量方式与测量位置,比如需固定在手腕位置、需用手捏着手表电极端测量ECG心电信号、在胸前需用导联线测量ECG心电信号,提供的测量ECG信号和PPG的位置有限,测量方式不方便。而且现有测量设备体积较大,缺乏便携性,且影响佩戴者的佩戴体验。
(4)缺乏生理数据分析智能化:现有设备或只能测量PPG或ECG数据,或在测量数据后只进行简单心电信号处理,给出单一化心率等指标,缺乏多个生理数据的智能化分析,也无法自定义个性化的生理分析,没有对运动者的运动状态做进一步研究,以帮助运动者或教练员更有针对性地、更科学地指导运动训练。
发明内容
为了解决现有技术所存在的问题,本发明提供一种基于ECG、PPG信号的心电运动监测系统,通过柔性可穿戴设备采集运动者在运动过程中的生理信号,动态监测并分析在运动过程中的生理状况,提高了生理信号监测的精度,获得更精准的心率数据。
另一方面,本发明还提供一种基于ECG、PPG信号的运动状态评估方法,基于心电运动监测系统的监测数据,对运动者的运动状态进行分析与评估,为运动者调整运动节奏与训练计划提供科学、有效的数据支撑。
在本发明实施例中,一种基于ECG信号和PPG信号的心电运动监测系统,包括相连接的生理信号采集监测模块、数据记录与云计算平台,其中数据记录与云计算平台包括依次连接的信号处理模块、特征提取模块;
生理信号采集监测模块采集的生理信号包括心电ECG信号和光电容积脉搏波PPG信号;信号处理模块对ECG信号和PPG信号进行预处理;特征提取模块提取ECG信号和PPG信号的生理特征;
信号处理模块对ECG信号的预处理包括:截取固定长度的心电信号片段;对截取后的心电信号片段进行去基线漂移处理、滤波处理;对滤波处理后的心电信号进行单一波形处理,以突出表示心电信号中的R波;进行滑动窗积分处理,根据时间窗长对心电信号进行分割,计算出时间窗内心电信号的最大值点,以获得R波的峰值点,提高心电信号波形的绝对振幅,平滑心电信号的波形;
所述单一波形处理,包括对心电信号中QRS复合波进行扩大斜率宽度、遍历计算斜率差的处理,以增强心电信号QRS复合波中R波相对于其它波形成分的幅度,抑制非R波的波形成分。
优选地,所述对心电信号中QRS复合波进行扩大斜率宽度、遍历计算斜率差的处理,包括:
在采用双斜率法计算心电信号斜率最值之前,将QRS复合波信号从峰值到基线的斜率宽度扩大为a至b的区间,a为双斜率法计算时的斜率宽度取值上限,b为双斜率法计算时的斜率宽度取值下限;
通过双斜率法计算出QRS复合波信号上升沿和下降沿的斜率最值;
遍历计算QRS复合波信号上升沿和下降沿的斜率之差,得到用于衡量当前心电信号的QRS复合波陡度的变量。
优选地,所述滑动窗积分处理时,采用的时间窗长为经验窗长,通过argmax()函数计算出时间窗的最大值的索引,根据索引获取对应的时间点和赋值,索引所在点为R波的峰值点。
优选地,信号处理模块还对预处理后的ECG信号和PPG信号计算脉搏波传导时间,包括:将预处理后的ECG信号和PPG信号进行时间同步对齐;将时间同步对齐后的ECG信号和PPG信号进行分段切分、归一化处理;对分段切分与归一化后的ECG信号,根据所获得的R波峰值点,得到每个心跳周期中的R波峰值;对数据分段与归一化后的PPG信号,求取其一阶导数,并在一阶导数信号中定位上升沿斜率最大点,该最大点对应于PPG信号波形中的脉搏波峰值;根据平均R波峰值时间点、平均脉搏波峰值时间点,计算脉搏波传导时间。
在本发明实施例中,一种基于ECG信号和PPG信号的运动状态评估方法,基于本发明实施例中的心电运动监测系统来实现,特征提取模块提取的生理特征包括心率区间、心率变异性的总体标准差HRV_SDNN;
所述运动状态评估方法,根据心率区间、心率变异性的总体标准差HRV_SDNN,判断运动者的运动状态,向生理信号采集监测模块输出生理状态与运动指导反馈信息;运动状态包括良好、正常、欠佳、存在异常。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明使用柔性可穿戴的部署在胸贴上的ECG信号监测设备和部署在手腕部的PPG信号监测设备,在佩戴者运动过程中动态同步采集其心电图(ElectroCardioGram,ECG)信号和光电容积脉搏波(PhotoPlethysmoGraphy, PPG)信号;ECG信号监测设备采用胸贴的形式置于人体胸前单导联位置,只需贴上即可监测,即贴即用,具有使用简单、轻便、舒适、无束缚压力的优点;且监测位置靠近人体心脏,心电信号受外界干扰少,信号测量更准确,能够获得更多细节的ECG信号信息。
(2)监测设备所采集到的生理信号数据通过数据记录与云计算平台实时保存到数据库,以便分析回顾;对生理信号数据实时采集监测、精确分析和可视化展示,适用于不同的运动场景,具有高度的灵活性和可扩展性。
(3)信号处理模块对ECG信号和PPG信号进行处理,使用改进的信号处理算法,有效降噪,优化信号质量;并通过双斜率处理计算ECG心电信号,处理后的R波峰值更加突出与明显,能够更精准获取R波峰值的位置,生成精确的R波定位数据,以获得更精确的心率数据。
(4)在信号处理模块处理的基础之上,特征提取模块提取ECG信号和PPG信号中有用的特征信息,主要包括R波峰值(简称R峰)、瞬时心率、平均心率、心率区间、心率变异性的总体标准差HRV_SDNN等生理特征,为后续运动状态的评估提供有效的特征指标。
(5)运动指导模块基于准确的基础心电数据与分类标准判断佩戴者的运动状态,让运动者在运动过程中动态获知自己的运动状态,能够更好地调整运动节奏与训练计划,为运动者提供了一种轻便、舒适、使用简单的生理监测与运动指导的健康管理工具。
附图说明
图1为本发明实施例中的整体系统框图;
图2为本发明实施例中监测过程的数据流示意图;
图3A为本发明实施例中的一种心电图(ECG)监测及记录设备的正面结构俯视图;
图3B为图3A中设备的背面结构俯视图;
图3C为图3A中设备的结构侧视图;
图4为本发明实施例中心电(ECG)监测及记录设备佩戴于人体上的位置示意图;
图5为本发明实施例中心电(ECG)信号处理算法流程图;
图6为本发明实施例所采集的切分成5秒的ECG信号片段图;
图7为本发明实施例中所处理的典型心电信号图;
图8为本发明实施例中进行单一波形处理后的ECG信号片段图;
图9为本发明实施例中进行滑动窗口积分处理后的ECG信号片段图;
图10为本发明实施例中光电容积脉搏波(PPG)信号处理算法流程图;
图11为本发明实施例所采集的切分成5秒的PPG信号片段图;
图12为本发明实施例对图10中的信号处理后的PPG信号片段图;
图13为本发明实施例中特征提取算法流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
本实施例提供的是基于ECG信号和PPG信号的心电运动监测系统,使用柔性可穿戴设备同步采集佩戴者(即运动者)在运动过程中的ECG信号和PPG信号等多生理信号,对其进行信号处理与特征提取,动态监测并分析运动者在运动过程中的生理状况和运动状态,提高了心电ECG信号的测量精度、测量舒适性与测量便携性,并可实时智能指导运动者的运动训练。
如图1、图2所示,本实施例的心电运动监测系统,包括相连接的生理信号采集监测模块、数据记录与云计算平台,其中数据记录与云计算平台包括依次连接的信号处理模块、特征提取模块、运动指导模块,以及分别与信号处理模块、特征提取模块、运动指导模块连接的数据库;运动指导模块与生理信号采集监测模块连接,并向其输出生理状态与运动指导反馈信息。
生理信号采集监测模块为柔性可穿戴设备,包括部署在胸贴上的ECG信号监测设备,即柔性可穿戴胸前心电图(ECG)监测及记录设备,简称“心电贴”;以及部署在手腕部的PPG信号监测设备,即柔性可穿戴腕部光电容积脉搏波(PPG)监测及记录设备,简称“心率环”。在佩戴者运动过程中,生理信号采集监测模块可简单、轻便、舒适、无束缚压力地动态同步采集其生理信号,主要包括心电图(ECG)信号和光电容积脉搏波(PPG)信号。
生理信号采集监测模块将所采集的生理信号传输到数据记录与云计算平台,从而实时保存到云端数据库,以便对生理特征和运动状态进行分析与回顾。信号处理模块对ECG信号和PPG信号进行信号处理,特征提取模块提取ECG信号和PPG信号中有用的特征信息,运动指导模块根据生理特征与运动状态分类标准判断佩戴者的运动状态,让佩戴者在运动过程中动态获知自己的运动状态,更好地调整运动节奏与训练计划。
具体来说,本实施例的柔性可穿戴胸前心电图(ECG)监测及记录设备,即心电贴用于动态监测及记录胸前单导联ECG信号,如图3A-图3C所示,包括:一柔性亲肤胸贴外壳,设于所述外壳内的一柔性电路板301、一对金属心电按扣303、电池309。柔性电路板上设有一微控制器处理单元304、一电源管理单元305、一无线通信单元306、一ECG信号监测单元307。在柔性电路板301的背面预留出金属心电按扣303的安装位置,金属心电按扣与柔性电路板电气连接,柔性电路板通过金属心电按扣连接位于设备之外的金属心电电极片308。优选地,金属心电按扣303可使用铜材质,金属心电电极片308可使用氯化银材质。
本实施例中,柔性电路板使用多层电路板结构,整体形状呈狭长的矩形,顶层电路布置微控制器处理单元、电源管理单元、无线通信单元,底层电路布置ECG信号监测单元及金属心电按扣,内层电路可铺铜为数字电源、数字地311或模拟地312,使用多层电路板以减少数字信号与模拟信号的干扰;其中,数字地与无线通信单元连接,模拟地与ECG信号监测单元连接。进一步地,一对金属心电按扣关于电路板中心对称布局,ECG信号监测单元放置在电路板中心位置,与金属心电按扣通过PCB导线313等长度连接。进一步地,微控制器处理单元、无线通信单元的数字地311与ECG信号监测单元的模拟地312在电源管理单元中使用阻值为RD的电阻单点连接,实施例中优选地RD为10欧姆。本实施例使用的PCB Layout(印刷电路板布局布线)方式实现了数字信号与模拟信号的隔离,减少了对所采集的心电微小信号的干扰,使ECG数据更加精确且具有更多心电图细节特征。
进一步地,微控制器处理单元,可使用带Wi-Fi、低功耗蓝牙(Bluetooth LowEnerge, BLE)功能的微控制器,且微控制器内部集成有高精度ADC、实时时钟RTC、非易失性存储器等。电源管理单元,可使用DC-DC或LDO降压电路实现电源稳压,并使用充电芯片为锂电池充电。无线通信单元,可使用小型贴片陶瓷天线,以实现Wi-Fi、低功耗蓝牙等无线通信方式。ECG信号监测单元,可使用集成化心电图(ECG)的生物传感器等模拟前端(AnalogFront End, AFE),实现高精度、低功耗采集ECG信号。
进一步地,所述柔性电路板上的各电子元件使用小封装、高度集成化的贴片元件与芯片,最大限度地减小电子元件所占用的空间体积,使得整体实施例备体积小型、重量轻便;此外,设备外壳使用纤薄、轻量化的亲肤材料,提高佩戴者的佩戴体验感受。
进一步地,所述柔性可穿戴胸前心电图(ECG)监测及记录设备可使用金属心电电极片连接设备上的金属心电按扣进行佩戴,金属心电电极片上有导电胶,佩戴时可将金属心电电极片贴在胸前单导联位置,可即贴即用。本实施例中,如图4所示,提供2个优选测量位置401和402。需说明的是,ECG监测及记录设备在身体上的位置并不受附图所描绘的限制。
本实施例中柔性可穿戴腕部光电容积脉搏波(PPG)监测及记录设备,即心率环用于动态监测及记录PPG信号,包括:一柔性电路基板、一柔性亲肤手环外壳、一柔性环带。柔性电路基板上设有一微控制器处理单元、一电源管理单元、一无线通信单元、一PPG信号监测单元、一体温监测单元。
进一步地,区别于现有技术中的ECG或PPG设备只能采集单一类型信号,本实施例通过生理信号采集监测模块,可以动态监测佩戴者在运动过程中不同位置的ECG信号以及PPG信号,提供运动时同步的ECG信号与PPG信号的生理数据。也就是说,在本实施例中生理信号采集监测模块的心电贴与心率环,均可各自持续地动态监测ECG信号与PPG信号,并通过无线通信单元实时发送ECG信号与PPG信号至数据记录与云计算平台,实现信号的云端存储与处理。心电贴与心率环在监测数据前会同步网络时间,并更新至本地微控制器的实时时钟RTC中,为之后监测的数据提供毫秒级的时间标签,以实现通过不同的、独立的设备可以同步监测不同的生理数据,获得同一时间的ECG信号与PPG信号。
数据记录与云计算平台,用于接收生理信号采集监测模块传输过来的ECG信号、PPG信号等数据,并将其记录、保存在云端数据库中,为后续的信号处理模块、特征提取模块以及运动状态模块提供云计算平台。参考图2,数据记录与云计算的数据处理过程,具体包括如下步骤:
(1)数据传输:运动者佩戴好心电图(ECG)监测及记录设备、光电容积脉搏波(PPG)监测及记录设备,两个设备同步动态监测运动者的ECG信号和PPG信号,通过Wi-Fi等无线通信协议实时传输至数据记录与云计算平台。
(2)数据预处理和存储:数据记录与云计算平台接收到ECG信号与PPG信号后,先对数据进行时间校准、对齐以及检验等预处理,再保存至数据库。
(3)云计算:ECG信号与PPG信号将以流式传输(即以切片时间T为标准划分成多个数据包,且多个数据包逐一传输)的形式进入信号处理模块、特征提取模块以及运动指导模块,对ECG信号、PPG信号进行处理与分析,得到佩戴者实时的生理状况与运动状态的信息。
(4)可视化展示:数据记录与云计算平台将佩戴者的生理状况与运动状态实时记录至数据库中,同时通过API接口,将数据传输至前端数据可视化小程序,并将数据转换为直观形象的图表,提供友好的界面,让佩戴者能够直观、实时地查看此次运动的生理状况、运动状态、变化趋势与运动指导等信息,更好地调整运动节奏与训练计划。
根据本发明的一种具体实施方式,还提供了多用户使用场景,用于同时监测多个不同佩戴者的生理信号。在多用户的使用场景当中,本实施例提供了一种方法以确保数据快速准确地传输。本实施例采用设备的唯一设备号与用户id进行匹配的方法,在数据上传到云端的过程中,由数据记录与云计算平台的后端进行校验并分配,以确保数据在传输过程中的正确流向,实现同时监测多个佩戴者的运动,并可在可视化终端把信息显示给佩戴者或教练员。
在本实施例中,信号处理模块用于处理由柔性可穿戴心电监测设备采集到的心电图(ECG)信号,以及用于处理由柔性可穿戴心电监测设备采集到的光电容积脉搏波(PPG)信号。
作为优选,与传统的Pan-Tompkins算法相比,本实施例信号处理模块在预处理心电信号时,采用了一种改进型的滑动窗积分算法。该算法能够更加准确地识别和定位R波,即使在噪声干扰或信号变异的情况下,也能保持对R波识别和定位的高度准确性,这一技术优势显著提高了心电信号分析的可靠性和效率。为了进一步优化心电信号识别、定位的质量和准确性,本实施例对心电信号的预处理,执行以下关键步骤,如图5所示:
(1)截取固定长度的心电信号片段,以便于标准化处理和分析。
从柔性可穿戴心电监测设备接收到的连续ECG信号中,如图6所示,自动滑动地截取固定时间长度T的信号片段,优选地T为5秒,同时舍弃采集信号的前400*0.8个采样点和后400*0.8个采样点,避免信号的起始和结束阶段带来的不稳定的边缘效应。
(2)对截取后的心电信号片段进行去基线漂移处理,消除低频噪声和干扰,确保信号稳定性。
识别截取后的每个心电信号片段的包络,再将原信号和包络作相减处理,得到抵消任何低频的基线漂移的心电信号,从而优化R波的监测及定位。
(3)对基线漂移处理后的心电信号,应用数字滤波技术,剔除高频噪声和工频干扰,保留心电信号的关键特征。
优选地,应用butterworth带通滤波器,设置通带为10-30Hz,以覆盖QRS波所在的主要频段,从而去除ECG信号中的噪声并保留有用的心电信号。
(4)对滤波处理后的心电信号进行单一波形处理,以突出表示心电信号中的R波。
在本实施例中,单一波形处理具体包括对心电信号中QRS复合波进行扩大斜率宽度、遍历计算斜率差的处理,以增强心电信号QRS复合波中R波相对于其它波形成分的幅度,从而实现R波的突出表示;同时抑制非R波的波形成分,减少信号复杂性,简化波形模式,确保所有波形模式的一致性,为R波定位提供清晰的信号背景。
基于本实施例的主要应用场景为运动情形,其中心电图(ECG)信号可能遭受基线漂移和运动伪影的干扰,从而对QRS复合波的检测造成显著影响。传统基于导数的QRS检测算法受基线噪声的影响较大,基于噪声的导数也可能很高,因而在存在基线变化的情况下,其性能可能会大幅下降。此外,由于运动引起的噪声具有高频特性,其导数可能会在某些情况下达到较高的水平,从而进一步降低了算法的检测准确性;由于ECG信号中的QRS波群宽度相对固定,如图7 所示,QRS复合波宽度为0.06-0.1s,同时,QRS复合波群中有两个斜率较大的斜坡QR、RS,针对此特点,优选地采用扩大斜率宽度、遍历计算斜率差的技术实现本步骤的单一波形处理,以突出表示心电信号中的R波,从而方便后续对R波的提取。
具体地,如图7,以QRS复合波的上升沿为例,时间间隔t以QRS复合波的起点start为起点,以R波的最大正向振幅点所在时间点定义为终点;同样的,在QRS复合波的下降沿中,时间间隔t以R波的最大正向振幅点所在时间点为起点,以QRS复合波的终点stop为终点。为了保证分析的一致性,本实施例设定QRS复合波的上升沿和下降沿的时间间隔t相等。
QRS复合波群的一侧从峰值到基线的时间间隔宽度通常在0.03-0.05s之间,而在运动情形下,为了使算法对非静止状态下的检测敏感,同时留有足够的容错空间来捕捉因身体运动、电极移位或设备震动导致的波形展宽,本步骤在采用双斜率法计算心电信号斜率最值之前,将QRS复合波信号从峰值到基线的斜率宽度扩大为a至b的区间,其中a的取值小于0.03,优选为0.015,b的取值大于0.05,优选为0.06,则优选后的时间间隔t为0.015-0.06s;然后利用QRS复合波信号两侧较陡(即上升沿和下降沿均陡峭)的性质,通过双斜率法计算出QRS复合波信号两侧的斜率最值,即最大斜率及最小斜率;最后遍历计算QRS复合波信号上升沿和下降沿的斜率之差,得到用于衡量当前心电信号的QRS复合波陡度的变量。
其中,QRS复合波信号两侧的斜率最值的计算公式分别如下:
;
;
;
;
其中,在遍历心电信号片段序列的过程中,对于任意给定样本点,i为样本点左右范围的变量索引,nb是心电信号中位于第b个位置的样本,nb-i指的是距离当前分析的样本点左侧第i个单位的样本点,nb+i指的是距离当前分析的样本点右侧第i个单位的样本点;为QRS波左侧(即上升沿)的最大斜率,/>为QRS波左侧的最小斜率,/>为QRS波右侧(即下降沿)的最大斜率,/>为QRS波右侧的最小斜率;式中a为双斜率法计算时的斜率宽度取值上限,b为双斜率法计算时的斜率宽度取值下限,本实施例中优选a为0.015s,b为0.060s。
在本实施例中,斜率之差的遍历计算采用交叉运算,具体为用QRS复合波信号一侧(上升沿或下降沿)的最大斜率减去另一侧(下降沿或上升沿)的最小斜率,得到两个斜率差;取这两个斜率差之间较大的值作为衡量QRS复合波陡度的变量Grad,具体计算过程如下:
S1=-/>;
S2=-/>;
Grad=max(S1,S2);
在单一波形处理后,所获得的用于衡量QRS复合波陡度的变量Grad,将使心电信号只保留了R波的模式,过滤掉非R波的波形成分,从而确保了所有波形模式的一致性,可更好地识别和保留R波。QRS复合波的尖峰在经过上述单一波形处理后会产生较大的响应,如图8所示,确保所有波形模式的一致性,为R波检测创造理想的信号条件。
为了使波形更加平滑,本步骤在单一波形处理后,可以再通过数字滤波,获得更加平滑的心电信号R波。
(5)进行滑动窗积分处理,根据时间窗长对心电信号进行分割,计算出时间窗内心电信号的最大值点,以获得R波的峰值点;同时,提高心电信号波形的绝对振幅,平滑心电信号的波形。
本实施例采用的时间窗长为经验窗长,长度设置为N=t×f,f为采样频率,优选地设置f为400hz,优选地运动情况下t定义为0.8s;然后通过argmax()函数计算出时间窗的最大值的索引,接着根据索引获取对应的时间点和赋值,并打印,该索引所在点为R波的峰值点。此外,经滑动窗积分处理后,波形的绝对振幅增大,波形进一步平滑,从而便于R波的检测。
如图9所示,滑动窗积分处理后的ECG信号,有效地改善了因单一波形处理、数字滤波后导致的幅值减小问题,使得信号波形幅值进一步增大。(6)剔除滑动窗积分处理后的ECG信号中的异常值,然后将其传输给运动指导模块,为后续的运动分析和指导提供准确的心电数据支持。
为了进一步优化PPG信号的质量和准确性,本实施例信号处理模块在预处理PPG信号时,执行以下关键步骤,如图10所示:
(1)截取固定长度的脉搏信号片段,并进行低通滤波处理。
从柔性可穿戴光电容积脉搏波监测设备接收到的连续PPG信号中,如图11所示,自动滑动地截取固定时间长度T的信号片段,优选地T为5秒。接着,对PPG信号使用butterworth低通滤波器去除高频分量,优选地,滤波器阶数设为8,低通频率设为0.1hz。
(2)对低通滤波后的脉搏信号片段进行去除基线漂移处理。
由于柔性可穿戴监测设备采集到的PPG信号可能存在基线的非线性趋势,相比于传统的使用Defend函数及小波滤波的方式进行去线性趋势的操作,传统小波计算量较大,不利于实时处理及本系统的体现;本实施例优选地采用中值滤波方式,通过对脉搏信号进行局部区域的排序,选择中间值作为输出,用非线性的方式有效地去除脉搏信号中的异常值和噪声。
优选地,在本实施例中,先使用中值滤波器拟合出原始PPG信号的基线,然后将原始PPG信号与基线相减,得到消除基线漂移后的PPG信号。
(3)信号平滑处理:通过Savitzky-Golay滤波器实现脉搏信号曲线的平滑处理,对一定长度窗口内的数据点进行k阶多项式拟合,从而得到拟合后的结果,在剔除异常数据的同时可以确保信号的形状、宽度不变。平滑处理后的PPG信号,如图12所示。
进一步地,信号处理模块对上述预处理后的ECG信号和PPG信号,还进一步计算脉搏波传导时间(Pulse Transit Time, PTT),具体包括如下步骤:
(1)时间同步对齐:将预处理后的ECG信号和PPG信号进行时间同步对齐,优选地取5s的信号片段,确保后续分析的准确性。
(2)数据分段与归一化:将时间同步对齐后的ECG信号和PPG信号进行分段切分,切分后的单个切片区间的数据段信号代表一分钟的心脏活动;对每个数据段信号进行归一化处理,消除不同量级和尺度带来的影响。
(3)特征点检测:对分段切分与归一化后的ECG信号,根据滑动窗积分处理所获得的R波峰值点,得到每个心跳周期中的R波峰值;对数据分段与归一化后的PPG信号,求取其一阶导数,并在一阶导数信号中定位上升沿斜率最大点,该最大点对应于PPG信号波形中的脉搏波峰值。
(4)特征点筛选与平均值的计算:对检测到的ECG信号的R波峰值,进行R波峰值的排序并剔除异常值;具体地,移除R波峰值的最大值和最小值,对剩余的R波峰值时间点计算算术平均值,作为平均R波峰值时间点,记为t_ECG。
类似地,对于PPG信号,经过求导和特征点定位后,采用与ECG信号相同的处理方法,计算得到平均脉搏波峰值时间点,记为t_PPG。即,对检测到的PPG信号的脉搏波峰值,进行脉搏波峰值的排序并剔除异常值,具体来说,移除脉搏波峰值的最大值和最小值,对剩余的脉搏波峰值计算算术平均值,作为平均脉搏波峰值时间点。
(5)计算脉搏波传导时间:根据平均R波峰值时间点t_ECG、平均脉搏波峰值时间点t_PPG,计算脉搏波传导时间(PTT),其计算公式如下:
PTT=t_PPG-t_ECG。
特征提取模块用于从经过信号处理模块处理后的心电信号(本实施例也称为基础心电信)、脉搏波信号中提取生理特征。本实施例中,提取的生理特征包括:R波峰值(简称R峰)、瞬时心率、平均心率、心率区间、心率变异性的总体标准差HRV_SDNN。如图13所示,对单个切片区间的数据段的特征提取的具体过程包括如下:
(1)计算瞬时心率与平均心率:本实施例从获得的R波峰值信息上计算相邻两个R波峰值的时间作为RR间期,计算瞬时心率的公式为:
Heart_rate_current=60/T_near;
其中,Heart_rate_current为切片区间时段的第一个RR间期结束时刻的瞬时心率,T_near为最近一个完整的RR间期时间长度;计算平均心率的公式为:
Heart_rate_average=60/T_avg;
其中,Heart_rate_average为切片区间时段的第一个RR间期结束时刻的平均心率,T_avg代表该切片区间内全部RR间期的时间长度平均值。
(2)计算心率区间。
心率区间的计算有两种算法,算法一为最大心率算法;算法二为储备心率算法。两种算法均使用到最大心率算法,本实施例使用最大心率=220-年龄的公式来估算最大心率。
i)最大心率算法计算心率区间:0区间为最大心率的0%到50%,1区间为最大心率的50%到60%,2区间为最大心率的60%到70%,3区间为最大心率的70%到80%,4区间为最大心率的80%到90%,5区间为最大心率的90%到100%。
ii)储备心率算法计算心率区间:0区间为最大心率的0%到59%,1区间为最大心率的59%到74%,2区间为最大心率的74%到84%,3区间为最大心率的84%到88%,4区间为最大心率的88%到95%,5区间为最大心率的95%到100%。
(3)计算心率变异性的总体标准差HRV_SDNN。
本实施例对切片区间内所有正常的RR间期求标准差,作为心率变异性的总体标准差HRV_SDNN,其计算公式如下:
;
其中Tn代表该切片区间内第n个RR间期的时间长度,T_avg代表该切片区间内全部RR间期的时间长度平均值。
进一步地,由于在运动过程中,剧烈的跑动或跳动可能会使监测设备采集到的ECG信号失真,或影响监测设备和人体的物理连接使得采集到的ECG信号不准确,本实施例的特征提取模块还可对瞬时心率进行矫正。当ECG信号质量较差或存在一定误差时,使用由PPG信号计算得到的PPG瞬时心率作为指标,矫正由ECG信号计算得到的ECG瞬时心率。其判断逻辑为:计算t+1秒ECG瞬时心率与t秒实际瞬时心率的差值V1,以及t+1秒PPG瞬时心率与t秒实际瞬时心率的差值V2;如果差值V2的绝对值小于差值V1的绝对值,则t+1秒的实际瞬时心率使用PPG瞬时心率取代原ECG瞬时心率,否则仍使用原ECG瞬时心率。
运动指导模块,根据特征提取模块提取到的生理特征,如心率区间、心率变异性的总体标准差HRV_SDNN,判断运动者的运动状态。本实施例中,所述运动状态可根据生理特征建立四分类模型,可分为良好、正常、欠佳、存在异常四个运动状态。具体判断逻辑如下:
(1)运动状态良好:定义为身体运动状态良好,预计运动者能够获得好于平时训练情况的运动表现。
运动状态良好的判断标准按照是否满足以下条件的先后顺序进行:(i)若心率变异性的总体标准差HRV_SDNN与平均HRV_SDNN基线的误差在D1内,优选地D1为15%,则满足条件一;(ii)若储备心率区间小于等于1,则满足条件二;(iii)若最大心率区间小于等于2,则满足条件三。应当指出,上述判断标准应同时满足条件一、条件二、条件三。
平均HRV_SDNN基线为过去24h的总体标准差HRV_SDNN的均值。在本实施例中,取最低连续30min的平均值,最高24h的平均值,如果过去24h内无连续的30min数据,则提示需要长时间佩戴,至少30min。
(2)运动状态正常:定义为身体运动状态正常,预计运动者能够获得与平时训练情况较为相近的运动表现。
运动状态正常的判断标准按照是否满足以下条件的先后顺序进行:(i)若心率变异性的总体标准差HRV_SDNN与平均HRV_SDNN基线的误差在D1~D2之间,优选地D2为40%,则满足条件四;(ii)若储备心率区间小于等于3,则满足条件五;(iii)若最大心率区间小于等于4,则满足条件六。应当指出,上述判断标准应同时满足条件四、条件五、条件六。
(3)运动状态欠佳:定义为身体运动状态欠佳,不推荐运动者继续保持目前的运动状态,建议进行休息与恢复。
运动状态欠佳的判断标准按照是否满足以下条件的先后顺序进行:(i)若心率变异性的总体标准差HRV_SDNN与平均HRV_SDNN基线的误差在D2~D3之间,优选地D3为80%,则满足条件七;(ii)若储备心率区间小于等于4,则满足条件八;(iii)若最大心率区间小于等于5,则满足条件九。应当指出,上述判断标准应至少满足条件七、条件八、条件九中的至少一个条件。
(4)存在异常:定义为身体运动状态异常,建议检查设备佩戴情况与工作状况是否正常;若设备工作正常,请根据实际情况对身体进行检查。当上述判断标准均不满足时,即判断为运动状态存在异常。
需要特别注意的是,运动指导模块对运动状态的评估与判断,仅包括佩戴者正常活动、休息、一般训练等情形,不包括极端情况、不合理的运动或训练强度的情形。
根据本发明的一种具体实施方式,还为运动者提供一种配合基于ECG信号和PPG信号的心电运动监测系统的运动流程,其步骤如下:
(1)运动前:运动者佩戴心电图(ECG)监测及记录设备、光电容积脉搏波(PPG)监测及记录设备,同时通过登录小程序绑定设备id;在运动者点击开始运动的按钮后,系统开始记录;
(2)运动时:心电图(ECG)监测及记录设备和光电容积脉搏波(PPG)监测及记录设备同步动态监测运动者的ECG信号和PPG信号,并将信号实时传输到数据记录与云计算平台中,存储至数据库并进行信号处理与分析;同时运动者可以通过心率环的屏幕或小程序的界面查看当前的生理信号与运动状态,更好地、直观地调整运动节奏与运动强度;同时教练员也可以通过小程序的界面查看运动者当前的生理信号与运动状态,做出更科学的训练指导与训练计划;
(3)运动后:运动者点击运动结束的按钮后,系统停止记录;运动者可查看完整运动的报告,包括按时间顺序的整次运动的心率变化、ECG和PPG信号波形、运动状态、运动指导等生理信息与运动信息,为运动者提供了一种更便捷、更舒适、更科学、更精确的运动健康管理解决方案。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于ECG信号和PPG信号的心电运动监测系统,其特征在于,包括相连接的生理信号采集监测模块、数据记录与云计算平台,其中数据记录与云计算平台包括依次连接的信号处理模块、特征提取模块;
生理信号采集监测模块采集的生理信号包括心电ECG信号和光电容积脉搏波PPG信号;信号处理模块对ECG信号和PPG信号进行预处理;特征提取模块提取ECG信号和PPG信号的生理特征;
信号处理模块对ECG信号的预处理包括:截取固定长度的心电信号片段;对截取后的心电信号片段进行去基线漂移处理、滤波处理;对滤波处理后的心电信号进行单一波形处理,以突出表示心电信号中的R波;进行滑动窗积分处理,根据时间窗长对心电信号进行分割,计算出时间窗内心电信号的最大值点,以获得R波的峰值点,提高心电信号波形的绝对振幅,平滑心电信号的波形;
所述单一波形处理,包括对心电信号中QRS复合波进行扩大斜率宽度、遍历计算斜率差的处理,以增强心电信号QRS复合波中R波相对于其它波形成分的幅度,抑制非R波的波形成分。
2.根据权利要求1所述的心电运动监测系统,其特征在于,所述对心电信号中QRS复合波进行扩大斜率宽度、遍历计算斜率差的处理,包括:
在采用双斜率法计算心电信号斜率最值之前,将QRS复合波信号从峰值到基线的斜率宽度扩大为a至b的区间,a为双斜率法计算时的斜率宽度取值上限,b为双斜率法计算时的斜率宽度取值下限;
通过双斜率法计算出QRS复合波信号上升沿和下降沿的斜率最值;
遍历计算QRS复合波信号上升沿和下降沿的斜率之差,得到用于衡量当前心电信号的QRS复合波陡度的变量。
3.根据权利要求2所述的心电运动监测系统,其特征在于,QRS复合波信号上升沿和下降沿的斜率最值的计算公式为:
;
;
;
;
其中,在遍历心电信号片段序列的过程中,对于任意给定样本点,i为样本点左右范围的变量索引,nb是心电信号中位于第b个位置的样本,nb-i是距离当前分析的样本点左侧第i个单位的样本点,nb+i是距离当前分析的样本点右侧第i个单位的样本点;为QRS复合波上升沿的最大斜率,/>为QRS复合波上升沿的最小斜率,/>为QRS复合波下降沿的最大斜率,/>为QRS复合波下降沿的最小斜率。
4.根据权利要求3所述的心电运动监测系统,其特征在于,斜率之差的遍历计算采用交叉运算,用QRS复合波信号上升沿或下降沿的最大斜率减去QRS复合波信号下降沿或上升沿的最小斜率,得到两个斜率差;取该两个斜率差之间较大的值作为衡量QRS复合波陡度的变量Grad:
S1=-/>;
S2=-/>;
Grad=max(S1,S2)。
5.根据权利要求2所述的心电运动监测系统,其特征在于,a的取值小于0.03,b的取值大于0.05。
6.根据权利要求1所述的心电运动监测系统,其特征在于,所述滑动窗积分处理时,采用的时间窗长为经验窗长,通过argmax()函数计算出时间窗的最大值的索引,根据索引获取对应的时间点和赋值,索引所在点为R波的峰值点。
7.根据权利要求1所述的心电运动监测系统,其特征在于,信号处理模块还对预处理后的ECG信号和PPG信号计算脉搏波传导时间,包括:将预处理后的ECG信号和PPG信号进行时间同步对齐;将时间同步对齐后的ECG信号和PPG信号进行分段切分、归一化处理;对分段切分与归一化后的ECG信号,根据所获得的R波峰值点,得到每个心跳周期中的R波峰值;对数据分段与归一化后的PPG信号,求取其一阶导数,并在一阶导数信号中定位上升沿斜率最大点,该最大点对应于PPG信号波形中的脉搏波峰值;根据平均R波峰值时间点、平均脉搏波峰值时间点,计算脉搏波传导时间。
8.根据权利要求7所述的心电运动监测系统,其特征在于,特征提取模块提取的生理特征包括:R波峰值、瞬时心率、平均心率、心率区间、心率变异性的总体标准差HRV_SDNN;其中,单个切片区间的数据段的特征提取过程包括:
从获得的R波峰值信息上计算相邻两个R波峰值的时间作为RR间期,根据RR间期计算瞬时心率与平均心率;
计算心率区间;
对切片区间内所有正常的RR间期求标准差,作为心率变异性的总体标准差HRV_SDNN,其计算公式如下:
;
其中Tn代表该切片区间内第n个RR间期的时间长度,T_avg代表该切片区间内全部RR间期的时间长度平均值。
9.根据权利要求1-8中任一项所述的心电运动监测系统,其特征在于,所述数据记录与云计算平台还包括分别与特征提取模块、生理信号采集监测模块连接的运动指导模块;
运动指导模块根据特征提取模块提取到的生理特征判断运动者的运动状态,向生理信号采集监测模块输出生理状态与运动指导反馈信息。
10.一种基于ECG信号和PPG信号的运动状态评估方法,基于权利要求1-8中任一项所述的心电运动监测系统;其特征在于,特征提取模块提取的生理特征包括心率区间、心率变异性的总体标准差HRV_SDNN;
所述运动状态评估方法,根据心率区间、心率变异性的总体标准差HRV_SDNN,判断运动者的运动状态,向生理信号采集监测模块输出生理状态与运动指导反馈信息;运动状态包括良好、正常、欠佳、存在异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410501366.0A CN118078270A (zh) | 2024-04-25 | 2024-04-25 | 基于ecg、ppg信号的心电运动监测系统及运动状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410501366.0A CN118078270A (zh) | 2024-04-25 | 2024-04-25 | 基于ecg、ppg信号的心电运动监测系统及运动状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118078270A true CN118078270A (zh) | 2024-05-28 |
Family
ID=91155616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410501366.0A Pending CN118078270A (zh) | 2024-04-25 | 2024-04-25 | 基于ecg、ppg信号的心电运动监测系统及运动状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118078270A (zh) |
-
2024
- 2024-04-25 CN CN202410501366.0A patent/CN118078270A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109157202B (zh) | 一种基于多生理信号深度融合的心血管疾病预警系统 | |
CN109620262B (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
Ertin et al. | AutoSense: unobtrusively wearable sensor suite for inferring the onset, causality, and consequences of stress in the field | |
US20210244282A1 (en) | Systems, devices and methods for physiological monitoring of patients | |
KR101084554B1 (ko) | 심장 관련 파라미터를 측정하기 위한 방법 및 장치 | |
JP6386327B2 (ja) | 心肺パラメータモニタ用装置および心肺パラメータモニタ用システム | |
CN106580301A (zh) | 一种生理参数的监测方法、装置和手持设备 | |
CN109009028B (zh) | 一种反映人体疲劳程度的穿戴式设备 | |
US20160007864A1 (en) | System and method for lactic threshold and entrainment detection | |
US11337615B2 (en) | Smart wristband for multiparameter physiological monitoring | |
CN110236508A (zh) | 一种无创血压连续监测方法 | |
US20190298172A1 (en) | Wearable Biosensor Ring | |
JP7277970B2 (ja) | ウエアラブルデバイスを利用する心電図測定方法及びシステム | |
US20230414149A1 (en) | Method and System for Measuring and Displaying Biosignal Data to a Wearer of a Wearable Article | |
CN115299899A (zh) | 基于多传感器的活动识别与逐搏血压监测分析预警系统 | |
GB2600126A (en) | Improvements in or relating to wearable sensor apparatus | |
CN118078270A (zh) | 基于ecg、ppg信号的心电运动监测系统及运动状态评估方法 | |
CN106994000A (zh) | 分布式心血管活动监测系统 | |
CN114903445A (zh) | 一种心脑血管疾病智能监测预警系统 | |
CN206228328U (zh) | 分布式心血管活动监测系统 | |
CN213525108U (zh) | 一种可穿戴设备 | |
EP3801225B1 (en) | Bioimpedance measurement configuration | |
CN112932788A (zh) | 可穿戴设备 | |
Mao et al. | Motion Artifact Reduction In Photoplethysmography For Reliable Signal Selection | |
CN215017293U (zh) | 基于FreeRTOS操作系统的非接触式健康检测装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |