TW201838587A - 分析心衝擊信號用來計算短期心率值的方法 - Google Patents
分析心衝擊信號用來計算短期心率值的方法 Download PDFInfo
- Publication number
- TW201838587A TW201838587A TW106113926A TW106113926A TW201838587A TW 201838587 A TW201838587 A TW 201838587A TW 106113926 A TW106113926 A TW 106113926A TW 106113926 A TW106113926 A TW 106113926A TW 201838587 A TW201838587 A TW 201838587A
- Authority
- TW
- Taiwan
- Prior art keywords
- signal
- heart rate
- short
- bcg
- threshold
- Prior art date
Links
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
一種分析心衝擊信號用來計算短期心率值的方法,其包含有:預先建立BCG與ECG信號資料庫,得到短期BCG信號每博時間間隔與其閾值的類神經網路模型;將BCG信號取一階差分濾波後,再轉換為能量信號;取得能量信號中極大值;去除過大的振幅座標點,計算剩餘相鄰極大值的時間間隔,以此代入類神經網路模型得到每搏時間間隔的閾值;反復進行時間間隔閾值篩選直到所有時間間隔皆大於閾值之最小值;去除大於閾值最大值的時間間隔後計算平均心率。本發明之方法能迅速、準確且在計算量低的情形下得到短期平均心率值。
Description
本發明係與心率測量有關,特別是指一種分析心衝擊信號用來計算短期心率值的方法。
按,隨著社會的進步,預防醫學與健康管理的觀念逐漸受到重視,其中生理信號的監測已成為熱門的研究項目。非侵入性或非接觸式的監測方法可以給予受測者在量測生理信號時較佳的舒適性,適合一般民眾居家使用,因此引起眾多研究人員的關注。其中,利用心衝擊信號(Ballistocardiogram, BCG) 對於心血管功能監測的研究近年來已成為廣泛探討的研究項目。
對於心臟功能的監測最常見的方式為使用心電圖(Electrocardiogram, ECG),原理是心臟活動時電位的改變可反應在身體的表面。量測時需將電極片接觸於受測者的特定部位,通常以黏貼或其他方式固定,所以量測過程中造成受測者一定程度的不適,尤其不利於睡眠時的長期監測。反之,BCG信號的產生的原理為心臟活動與血液迴圈過程中造成的人體位移或加速度的變化,因此BCG信號為心臟活動與血液動力學的直接反應,可提供包括心率與心輸出量(cardiac output, CO)、心搏量(stroke volume, SV)等重要生理參數。由於BCG信號監測方法不需使用電極片與身體接觸,因此可在受測者無感的情形下測得心血管的活動,為一大優點。然而相較於ECG信號,BCG信號較為平緩,所以除了在分析上更困難之外,也較易於受到呼吸或身體搖動等移動雜訊干擾。基於以上原因,早期難以在實際應用上有所突破,直到近年來因為感測與信號處理技術能力的進步,BCG信號處理與應用開始吸引眾多研究者更廣泛與深入的探討。
請參閱公開第US2007149883(A1),公開日為2007年06月28日的美國專利公開了一個裝置與系統,使用兩個或以上不同位置的感測器獲得水準與垂直的信號,取其信號差, 針對不同使用者應用快速傅立葉轉換(Fast Fourier Transform, FFT)與其他方式校正濾波器與感測器靈敏度,去除環境雜訊後再加以分析可監測使用者睡眠時的心率與呼吸頻率。
請參閱公開第ES2328205(A1)、公開日為2009年11月10日的西班牙專利公開了由一般體重計上,感測受測者的重量變化得到BCG信號,分析後可得心搏間(beat-to-beat)心率與呼吸頻率,不需要其他的感測器輔助。與此專利的相關論文為Gonzalez-Landaeta等人2008年發表於Physiological Measurement期刊的 “Heart rate detection from an electronic weighing scale,”不論是專利與論文對於BCG信號的波峰偵測算法並未詳細探討。
請參閱公開第WO2010067297(A1)、公開日為2010年06月17日的世界專利公開了BCG信號的方法與設備,其中使用的方法包括對BCG信號帶通濾波取得較高頻信號組成、取信號值的平方、低通濾波、檢測波峰點等,可辨別每跳的發生,心律不整的使用者同樣適用。為求更高的正確性,可增加一步驟改進,例如在得到的波峰點後100毫秒內找出去除呼吸的BCG信號最大值,即為更準確的心跳點。然而若BCG信號較不規律或受較大的雜訊干擾時,此步驟效果有限。
請參閱公開第102469958A、公開日2012年05月23日的中國專利公開了用於分析心衝擊圖信號的方法和裝置,該專利首先分析BCG信號中的特徵向量使用集群(Cluster)的原理得到心跳的典型特徵後,由訓練得到的模型特徵向量,再對偵測到的BCG信號進行高頻分量與心跳特徵向量的檢測。此方法的優點為對於BCG信號不假設其規則性,因而在嚴重的心率不齊的情況中也可使用。
請參閱公開第104182601A、公開日為2014年12月03日的中國專利公開了一種基於心衝擊信號的心率值即時提取方法,分析方式為取得BCG信號中所有極大值點,進行幅度篩選後再對極大值點利用週期猜想法進行二維排序後,得到週期計算心率。此演算法優點主要有三項,第一為不需要分析BCG的具體波形,第二為應用二維陣列排序的運算量很小,第三點是若BCG信號不規律時,例如出現波峰點過多或無波峰點時,仍然可得到可靠的心率值。
請參閱公開第US2015338265 (A1)、公開日為2015年11月26日的美國專利公開了具有心率計算功能的體重秤,然而此專利並非只使用BCG信號即可獲得心率,而是同時量測足部的阻抗值,應用阻抗值變化的信號,由兩信號分析比較而獲得心率值。值得注意的是,此專利指出單由重量變化得到的心率值在數十人的測試下正確性只有77%,只使用阻抗值變化時正確率約90%,使用兩信號互相關(cross correlation)可得到約86%的正確率;經過選取較要信號後可得到的正確率提高至超過96%。
雖然上述各項專利均提出可行的心率計算系統或方法,但是可能使用方法只適用於無干擾的信號分析,或是不適用於短期心率值的計算,因此仍有改善空間。US2007149883 (A1)專利主要為睡眠時平躺的量測,可能不適用於其他姿勢下得到的BCG信號。ES2328205(A1)專利與相關的論文研究中測量的樣本數較少只有17人,在專利中也並未說明對多數人測量時的準確性。WO2010067297 (A1)專利的方法雖然簡單有效,但要求使用者保持靜止以免發生產生較大的雜訊,例如移動的干擾造成計算上不準確。102469958A專利通過特徵向量的識別得到心跳,雖然可提高正確性,也不易受心率不齊情況的影響,但所需計算資源相對較高,而且所提出的方法因為要先經過個人信號學習的階段,對於長期心率的監測相當有效,對於短期心率的計算較不適合。104182601A專利雖然可大幅降低計算量,但是在進行二維排序中時間之閾值(threshold)如何決定並未詳細說明,而且此專利只討論以坐姿或躺姿得到的BCG信號,並未提及是否適用於站姿得到的信號。US2015338265 (A1)專利雖然可得到相當高的準確率,但是因為必需要量測人體阻抗值,心率量測時一定要赤腳,造成量測時的不便。而且因為所用的演算法較複雜,計算成本較高,在較低階硬體設備上不容易實行。參考各式專利及論文經詳細研究後,發現時間閾值通常由經驗值決定,例如平均每搏時間間隔的固定比值。由於BCG信號各體間的差異性極大,閾值採用固定比值必然降低一部分受測者在心率計算上的正確性。
本發明之主要目的乃在於提供一種分析心衝擊信號用來計算短期心率值的方法,其係計算量低又兼具一定抗雜訊功能的BCG信號心率計算方法。
為了達成上述之目的,本發明提供之一種分析心衝擊信號用來計算短期心率值的方法,包含以下步驟: (1)建立BCG信號與同步ECG信號的資料庫; (2)建立BCG信號每搏時間間隔閾值的類神經網路模型; (3)對BCG信號進行一階差分濾波; (4)將濾波後信號轉換為能量信號; (5)對能量信號進行低通濾波; (6)取得信號的波峰點座標,並去除過大振幅座標; (7)以剩餘所有兩相鄰波峰點時間間隔為輸入,代入預先建立之類神經網路模型,得到時間間隔閾值; (8)去除小於閾值中最小值的波峰點座標; (9)反復進行以上兩步驟,直到所有兩相鄰波峰點時間間隔皆大於最小時間間隔閾值為止; (10)計算小於等於最大時間間隔閾值的平均值,依此得到心率值。
由於,本發明中,一階差分濾波為分析生理信號常用的前處理方式,不但能突顯變化大的信號,更重要的是也對於基線漂移或呼吸信號等低頻雜訊有一定的去除功效。轉換成能量信號後,比起直接使用原信號找出心跳的波峰點時間間隔,雖然未能直接偵測得每次心跳發生的確實位置,但最大的優點為可以由能量的變化更確定心跳是否發生,不但可降低原信號中心跳波峰點位置不明時的影響,也更容易由過大的能量值判斷量測時的突發震動而加以排除。
因此,本發明之方法能迅速、準確且在計算量低的情形下得到短期平均心率值,只要使用者在自然狀態下保持穩定,即使在站姿量測的情形下也能有效得到心率值。
為了詳細說明本發明之技術特點所在,茲舉以下一較佳實施例並配合第1a至第5b圖式說明如後,其中:
本發明一較佳實施例提供之一種分析心衝擊信號用來計算短期心率值的方法,其包括:預先建立BCG與ECG信號資料庫,得到短期BCG信號每博時間間隔與其閾值的類神經網路模型;將BCG信號取一階差分濾波後,再轉換為能量信號;取得能量信號中極大值;去除過大的振幅座標點,計算剩餘相鄰極大值的時間間隔,以此代入類神經網路模型得到每搏時間間隔的閾值;反復進行時間間隔閾值篩選直到所有時間間隔皆大於閾值之最小值;去除大於閾值最大值的時間間隔後計算平均心率。 該方法步驟具體包括: (1) 建立BCG信號與同步ECG信號的資料庫;首先在受測者在自然狀態下由感測器同時獲取BCG與ECG信號,兩信號示意圖參見第1a圖、第1b圖。以ECG信號中最陡之R波峰為心跳參考點,確認BCG信號中最常用的心跳點J波的位置,並排除不合理或明顯為雜訊的波峰點。 (2) 建立BCG信號每搏時間間隔閾值的類神經網路模型;將信號分成短期信號,例如10-15秒為一段,計算每搏時間間隔,最大與最小的時間間隔,即為時間間隔閾值Tmax
與Tmin
。類神經模型在此實施例中採用向前式架構與監督式學習,但不在此限。 而模型請參閱第2圖,其中轉移函數f
可取最常用的log-sigmoid函數。取信號排除雜訊後兩相鄰最大值集合中,最大的六個值[Ti
],i = 1, 2, …,6為輸入向量,Tmax
與Tmin
為目標,以倒傳遞方式更新加權值矩陣w n ij
= [wn ij
] 與偏權值b j n
,其中wn ij
為類神經網路中第n-1層第i個神經元(或輸入)到第n層中第j個神經元的加權值,b j n
為第n層第j個神經元的偏權值。 待符合給定條件後,類神經網路建立完成,見第3圖的學習方式。為求更佳的抗雜訊功能,學習過程中應適度使用含雜訊的信號片段,使類神經網路模型能在輸入過大的相鄰波峰時間間隔時仍然能得到正確的時間間隔閾值。 (3) 對BCG信號處理;將BCG信號取一階差分濾波。可依取樣頻率決定較佳差分間隔。將差分信號轉換為能量信號,在此實施例中取Teager能量。公式如下:y
(n
)=
[x
(n
-1)]2 -x
(n
)*x
(n
-2), 其中x
(n
)為BCG信號,y
(n
) 為Teager能量信號。 將能量信號進行低通濾波,例如四階Butterworth低通濾波,截止頻率1Hz。得到的信號參見第1b圖。去除極端振幅值的座標後,取此信號波峰值為可能的心跳間隔。 (4) 重複以下步驟: 由類神經網路模型計算出時間間隔閾值,若任相鄰最大值間隔值小於閾值最小值(即Tmin),則刪去此兩個極大值中之較小值座標點。計算刪除後新的相鄰極大值時間間隔。若所有相鄰極大值時間間隔皆大於時間閾值的最小值(即Tmin),則進入下一步驟。 (5) 計算心率值: 計算剩餘所有相鄰極大值時間間隔中小於等於最大時間閾值之值,若還有兩筆以上,表示得到至少兩筆可靠的每搏時間間隔,此時計算其平均每搏時間間隔,即可計算出每分鐘心率值;否則視為量測失敗無法得到心率值。 為確認本專利之演算法的可靠性,驗證方式簡述如下: 首先建立140人(男性76人,女性64人,年齡範圍20-79歲),每人5 分鐘以站姿同時測量BCG信號與ECG信號的資料庫。BCG信號的採集僅使用一般市售體重秤,不更改任何硬體設備,只適當調整採樣頻率與A/D解析度。為建立時間閾值的類神經網路模型,將信號分為10秒為一區段後,比對同步後的ECG信號以得到類神經網路模型的參數。對於此類神經網路模型使用原資料庫進行驗證,得到約96%的正確率,證實此模型對原資料庫有效。 接下來為實際測試階段,選取與建立資料庫之人員並無重複之健康受測人員共50人,其中男性22人,女性28人。測量方式為每人5次,量測時間為10秒,量測期間要求受測者以正常站姿儘量保持穩定且不得說話。測得的心率值以市售合格血氧濃度計同時測得的心率值為參考。心率值量測錯誤的定義為與參考心率值誤差超過10%, 參見US2015338265 (A1)。比較不同方法計算10秒平均心率的結果,若使用固定參數的時間閾值法,發現心率值的正確率約79%,與已知文獻記錄,包括US2015338265 (A1)的結果相當接近。若使用本專利提出的方法,可大幅提升10%以上的正確率,達到90.80%,平均誤差約4下/分鐘,而且並無任何量測失敗的記錄。第5a圖為分別使用血氧濃度計與體重秤測得心率之散佈圖,相關係數為0.86。第5b圖為兩測量值之布蘭德-奧特曼差異圖(Bland-Altman plot)。
據此,本發明之方法能迅速、準確且在計算量低的情形下得到短期平均心率值,只要使用者在自然狀態下保持穩定,即使在站姿量測的情形下也能有效得到心率值。
無
第1a圖係本發明一較佳實施例之第一導程ECG信號 圖。 第1b圖係本發明一較佳實施例之重量變化所得的BCG信號圖。 第1c圖係第1a圖中BCG信號一階差分濾波、計算Teager能量再經由低通濾波所得之信號圖。 第2圖係本發明一較佳實施例之類神經網路模型適意圖。 第3圖係本發明一較佳實施例之類神經網路模型學習流程圖。 第4圖係本發明一較佳實施例之短期心率計算流程圖。 第5a圖係本發明一較佳實施例之血氧濃度計與體重秤測的心率散布圖。 第5b圖係第5a圖中二測量值之布蘭德-奧特曼之差異圖。
Claims (5)
- 一種分析心衝擊信號用來計算短期心率值的方法,其步驟包含有: (1) 建立BCG信號與同步ECG信號的資料庫; (2) 建立BCG信號每搏時間間隔閾值的類神經網路模型; (3) 對BCG信號進行一階差分濾波; (4) 將濾波後信號轉換為能量信號; (5) 對能量信號進行低通濾波; (6) 取得信號的波峰點座標,並去除過大振幅座標; (7) 以剩餘所有兩相鄰波峰點時間間隔為輸入,代入預先建立之類神經網路模型,得到時間間隔閾值; (8) 去除小於閾值中最小值的波峰點座標; (9) 反復進行以上兩步驟,直到所有兩相鄰波峰點時間間隔皆大於最小時間間隔閾值為止; (10) 計算小於等於最大時間間隔閾值的平均值,依此得到心率值。
- 依據申請專利範圍第1項之分析心衝擊信號用來計算短期心率值的方法,其中:步驟(1)中,受測者在自然狀態下由感測器同時獲取BCG信號與ECG信號。
- 依據申請專利範圍第1項之分析心衝擊信號用來計算短期心率值的方法,其中:步驟(2)中,建立類神經網路模型,包括以下步驟: a.建立BCG信號與同步之ECG信號資料庫後,將BCG信號分割為數筆短期信號,以ECG信號為參考,將振幅過大信號視為雜訊去除後,得到每筆短期BCG信號之每搏時間間隔與其閾值; b.設定神經網路層數與神經元數目,隨機設定所有神經元之參數初始值; c.以每相鄰波峰點時間間隔為神經網路之輸入,數目大於神經網路輸入時由最大值依序取至輸入數目,不足時以平均值輸入,輸出為最大與最小之每搏間隔Tmax 與Tmin ; d.以倒傳遞學習方式修正各神經元之加權值與偏權值,得到每搏時間間隔閾值的神經網路模型。
- 依據申請專利範圍第1項之分析心衝擊信號用來計算短期心率值的方法,其中:步驟(4)中,能量信號為Teager能量信號,公式如下:y (n )= [x (n -1)]2 -x (n )*x (n -2),其中x (n )為BCG信號,y (n ) 為Teager能量信號。
- 依據申請專利範圍第1項之分析心衝擊信號用來計算短期心率值的方法,其中:步驟(5)中,低通濾波為四階Butterworth低通濾波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106113926A TWI629049B (zh) | 2017-04-26 | 2017-04-26 | A method for analyzing a heart shock signal for calculating a short-term heart rate value |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106113926A TWI629049B (zh) | 2017-04-26 | 2017-04-26 | A method for analyzing a heart shock signal for calculating a short-term heart rate value |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI629049B TWI629049B (zh) | 2018-07-11 |
TW201838587A true TW201838587A (zh) | 2018-11-01 |
Family
ID=63640560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106113926A TWI629049B (zh) | 2017-04-26 | 2017-04-26 | A method for analyzing a heart shock signal for calculating a short-term heart rate value |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI629049B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110420019A (zh) * | 2019-07-29 | 2019-11-08 | 西安电子科技大学 | 一种心冲击图信号的深度回归心率估计方法 |
CN110801212A (zh) * | 2019-07-29 | 2020-02-18 | 杭州埃因霍温科技有限公司 | 基于神经网络的bcg信号心率提取方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110881958B (zh) * | 2019-12-25 | 2022-12-06 | 福州数据技术研究院有限公司 | 一种用于中医脉诊仪的脉搏信号非生理信号去除方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006824B (zh) * | 2008-04-16 | 2015-02-04 | 皇家飞利浦电子股份有限公司 | 用于睡眠/清醒状况估计的方法和系统 |
CN105125199B (zh) * | 2015-07-29 | 2017-12-26 | 北京医康世纪科技有限公司 | 一种心率检测方法与装置 |
CN105266801B (zh) * | 2015-09-10 | 2018-02-27 | 太原理工大学 | 基于概率神经网络的j波检测及分类方法 |
-
2017
- 2017-04-26 TW TW106113926A patent/TWI629049B/zh active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110420019A (zh) * | 2019-07-29 | 2019-11-08 | 西安电子科技大学 | 一种心冲击图信号的深度回归心率估计方法 |
CN110801212A (zh) * | 2019-07-29 | 2020-02-18 | 杭州埃因霍温科技有限公司 | 基于神经网络的bcg信号心率提取方法 |
CN110420019B (zh) * | 2019-07-29 | 2021-04-20 | 西安电子科技大学 | 一种心冲击图信号的深度回归心率估计方法 |
CN110801212B (zh) * | 2019-07-29 | 2022-05-17 | 杭州荷博物联科技有限公司 | 基于神经网络的bcg信号心率提取方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI629049B (zh) | 2018-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107137071B (zh) | 一种分析心冲击信号用来计算短期心率值的方法 | |
US20240130627A1 (en) | Continuous non-invasive monitoring of a pregnant human subject | |
CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
JP7037366B2 (ja) | 関節の健康状態評価のための装着型技術 | |
Jia et al. | HB-phone: a bed-mounted geophone-based heartbeat monitoring system | |
Barralon et al. | Walk detection with a kinematic sensor: Frequency and wavelet comparison | |
WO2019096175A1 (zh) | 一种生命体征信号分析处理方法和生命体征监测设备 | |
JP6457117B2 (ja) | 妊娠中の被験者の連続非侵襲モニタリング | |
CN106066933B (zh) | 获取房颤识别人工神经网络权重值矩阵的方法 | |
Li et al. | Muscle activity onset time detection using teager-kaiser energy operator | |
Xie et al. | A personalized beat-to-beat heart rate detection system from ballistocardiogram for smart home applications | |
JP2018512243A5 (zh) | ||
Sivanantham | Measurement of heartbeat, respiration and movements detection using Smart Bed | |
TWI629049B (zh) | A method for analyzing a heart shock signal for calculating a short-term heart rate value | |
JP2022508819A (ja) | 心臓血管信号の取得、融合、およびノイズの軽減 | |
US11696715B2 (en) | Cardiovascular signal acquisition, fusion, and noise mitigation | |
CN111329462B (zh) | 一种实时无束缚心率提取方法 | |
Xie et al. | An unobtrusive system for heart rate monitoring based on ballistocardiogram using Hilbert transform and viterbi decoding | |
US20190046069A1 (en) | Cardiovascular signal acquisition, fusion, and noise mitigation | |
Mafi | Signal processing methods for heart rate detection using the seismocardiogram | |
Bobrova et al. | Mathematical methods of fetal activity signal processing | |
Chan et al. | Estimating heart rate from seismocardiogram signal using a novel deep dominant frequency regressor and domain adversarial training | |
Khambhati et al. | Extraction of a respiration rate from ECG signal using discrete wavelet transform during exercise | |
CN116269413A (zh) | 利用智能腕带运动传感器的连续心电波形重构系统及方法 | |
WO2022269936A1 (ja) | 睡眠状態推定システム |