CN114795168A - 生命体征参数心率计算方法及*** - Google Patents
生命体征参数心率计算方法及*** Download PDFInfo
- Publication number
- CN114795168A CN114795168A CN202210720787.3A CN202210720787A CN114795168A CN 114795168 A CN114795168 A CN 114795168A CN 202210720787 A CN202210720787 A CN 202210720787A CN 114795168 A CN114795168 A CN 114795168A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- interval
- data
- peak point
- points
- 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
Images
Classifications
-
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供一种生命体征参数心率计算方法及***,涉及生命体征信号处理技术领域,该方法包括:步骤S1:采集数据,并对数据进行滤波分析处理;步骤S2:将滤波后的数据进行时域的峰点查找,得到时域峰点间隔;步骤S3:对时域峰点间隔进行直方图统计,得到时域心率值;步骤S4:对滤波后的数据进行傅里叶变换,得到频谱数据;步骤S5:将频谱数据进行峰点查找,得到频域峰点间隔;步骤S6:对频域峰点间隔进行统计,得到频域理论心率值;步骤S7:将时域心率值和频域理论心率值对比,确定实际心率值。本发明能够提高生命体征数据测量准确率。
Description
技术领域
本发明涉及生命体征信号处理技术领域,具体地,涉及一种生命体征参数心率计算方法及***。
背景技术
心冲击图(Ballistocardiography,BCG)技术,可以非侵入式地测量人体由于心脏每次搏动所喷射的血液对于人体运动的作用,获得相应的BCG波形信号。BCG信号采集技术可以非侵入式地测量人体由于心跳和呼吸引起的身体细微振动信号,因此能够非接触式的对患者进行呼吸率、心率监测。
现在大多数的对于体征信号以及BCG信号心率的计算都停留在单独的时域计算方法或者频域计算方法上,但是时域处理的数据内容较多,而频域处理受采集时间和采样点的约束始种无法快速计算结果。
现有技术中,公开号为CN108056769B的发明专利,公开了一种生命体征信号分析处理方法、装置和生命体征监测设备,包括:获取由传感器采集的原始信号;基于原始信号生成生命体征时域信号;基于生命体征时域信号计算得到第一生命体征参数;将预设时长的生命体征时域信号进行时频变换得到生命体征频域信号,并基于生命体征频域信号计算得到第二生命体征参数;基于第一生命体征参数和第二生命体征参数,计算得到最终生命体征参数,所述最终生命体征参数包括最终心率和/或最终呼吸率。该发明讲述了使用频率倍频直接计算出频域心率值的方法,即便增加了信号质量作为准确率判断的一部分,但是频谱的分辨率较低依然会导致频域结果会存在较大的误差。
发明内容
针对现有技术中的缺陷,本发明提供一种生命体征参数心率计算方法及***。
根据本发明提供的一种生命体征参数心率计算方法及***,所述方案如下:
第一方面,提供了一种生命体征参数心率计算方法,所述方法包括:
步骤S1:采集数据,并对数据进行滤波分析处理;
步骤S2:将滤波后的数据进行时域的峰点查找,得到时域峰点间隔;
步骤S3:对时域峰点间隔进行直方图统计,得到时域心率值;
步骤S4:对滤波后的数据进行傅里叶变换,得到频谱数据;
步骤S5:将频谱数据进行峰点查找,得到频域峰点间隔;
步骤S6:对频域峰点间隔进行统计,得到频域理论心率值;
步骤S7:将时域心率值和频域理论心率值对比,确定实际心率值。
优选地,所述步骤S1包括:
步骤S1.1:将采集的数据进行有效性判断,去除异常点得到有效数据;
步骤S1.2:对有效数据进行高通滤波,滤除掉均匀分布在信号区间内的高频信号,得到预处理信号;
步骤S1.3:将预处理实例数据进行滤波处理,将信号中无用的信号提取出来后,将原始数据减去无用信号得到新的数据。
优选地,所述步骤S2包括:
步骤S2.1:对新的数据按照设定的尺度进行峰点查找,找到特征点数据;
步骤S2.2:幅度和时间都满足要求的称为有效点,联系每个峰点周围的点的幅值进行对比,将不满足要求的无效点剔除;将数据全部进行二次过滤后,得到新的处理数据;
步骤S2.3:对二次峰点过滤后的点进行差值计算,将后一个峰点对应的坐标索引减去前一个峰点的坐标索引即为时域峰点间隔值。
优选地,所述步骤S3包括:
步骤S3.1:对时域峰点间隔值进行直方图统计;
步骤S3.2:得到时域的间隔统计峰点,计算出时域中的心率值。
优选地,所述步骤S5包括:
步骤S5.1:对频谱数据按照一定的尺度进行峰点查找;
步骤S5.2:遍历完频谱每个频点后计算频谱峰点后一个与前一个峰点之间的间隔,通过峰点的间隔值的情况,不同心率下的频谱特征峰点的分布,心率越低频谱峰点的间隔就越小,而心率越高,频谱峰点之间的间隔就越大;
间隔和对应心率的关系通过公式:
心率=(频谱间隔*(采样率/傅里叶点数)*60次/分)。
优选地,所述步骤S6包括:
步骤S6.1:对间隔值进行统计,当间隔值满足出现次数最多,或多个间隔值较为接近的条件,则将该间隔值作为频谱中获得的理论心率间隔;
步骤S6.2:将理论心率间隔按照频谱峰点间隔对应理论心率表进行对照,找到对应的理论心率值。
第二方面,提供了一种生命体征参数心率计算***,所述***包括:
模块M1:采集数据,并对数据进行滤波分析处理;
模块M2:将滤波后的数据进行时域的峰点查找,得到时域峰点间隔;
模块M3:对时域峰点间隔进行直方图统计,得到时域心率值;
模块M4:对滤波后的数据进行傅里叶变换,得到频谱数据;
模块M5:将频谱数据进行峰点查找,得到频域峰点间隔;
模块M6:对频域峰点间隔进行统计,得到频域理论心率值;
模块M7:将时域心率值和频域理论心率值对比,确定实际心率值。
优选地,所述模块M1包括:
模块M1.1:将采集的数据进行有效性判断,去除异常点得到有效数据;
模块M1.2:对有效数据进行高通滤波,滤除掉均匀分布在信号区间内的高频信号,得到预处理信号;
模块M1.3:将预处理实例数据进行滤波处理,将信号中无用的信号提取出来后,将原始数据减去无用信号得到新的数据。
优选地,所述模块M2包括:
模块M2.1:对新的数据按照设定的尺度进行峰点查找,找到特征点数据;
模块M2.2:幅度和时间都满足要求的称为有效点,联系每个峰点周围的点的幅值进行对比,将不满足要求的无效点剔除;将数据全部进行二次过滤后,得到新的处理数据;
模块M2.3:对二次峰点过滤后的点进行差值计算,将后一个峰点对应的坐标索引减去前一个峰点的坐标索引即为时域峰点间隔值;
所述模块M3包括:
模块M3.1:对时域峰点间隔值进行直方图统计;
模块M3.2:得到时域的间隔统计峰点,计算出时域中的心率值。
优选地,所述模块M5包括:
模块M5.1:对频谱数据按照一定的尺度进行峰点查找;
模块M5.2:遍历完频谱每个频点后计算频谱峰点后一个与前一个峰点之间的间隔,通过峰点的间隔值的情况,不同心率下的频谱特征峰点的分布,心率越低频谱峰点的间隔就越小,而心率越高,频谱峰点之间的间隔就越大;
间隔和对应心率的关系通过公式:
心率=(频谱间隔*(采样率/傅里叶点数)*60次/分);
所述模块M6包括:
模块M6.1:对间隔值进行统计,当间隔值满足出现次数最多,或多个间隔值较为接近的条件,则将该间隔值作为频谱中获得的理论心率间隔;
模块M6.2:将理论心率间隔按照频谱峰点间隔对应理论心率表进行对照,找到对应的理论心率值。
与现有技术相比,本发明具有如下的有益效果:
1、通过对时域/频域峰点间隔进行统计,更加直观的观察到每组心跳数据的分布特性,使用测量范围内的统计,只进行了一维数组的遍历,降低了程序复杂度,提高了控制器的执行速度;
2、做傅里叶变化时,将时域数据翻转合并,在不增加采样时间的基础上,增加频谱的分辨率,提高频域算法的准确度;
3、利用频谱图中峰点间隔的规律:心率越大间隔越大,心率越小间隔越小,通过倍数频率的特性,提高了傅里叶变换的实用性;
4、将时域的计算结果,与频域的计算结果进行比对,时频交互,从而提高了最后计算结果的准确度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明流程示意图;
图2为预处理实例数据图;
图3为无用数据与原始数据的对比图;
图4为新的数据;
图5为峰点查找图;
图6为无效点剔除示意图;
图7为新的处理数据;
图8为间隔值图;
图9为常规情况下峰点图;
图10为有出现两个或更多的数量一样的点情况下的峰点图;
图11为频谱栅栏效应;
图12为按照100Hz采集的数据;
图13为对应的傅里叶变换结果;
图14为翻转扩充的过程;
图15为翻转扩充后的傅里叶变换结果;
图16为40心率的频点间隔;
图17为67心率的频点间隔;
图18为93心率的频点间隔;
图19为120心率的频点间隔。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种生命体征参数心率计算方法,参照图1所示,该方法具体包括:
步骤S1:采集数据,并对数据进行滤波分析处理。
该步骤S1具体包括:
步骤S1.1:将采集的数据进行有效性判断,去除异常点得到有效数据,在这个过程中,将传感器输入的原始数据,进行一个个的比对,对小于预设值或者大于预设值的元素,进行平滑过滤,按照5个数值为一个组,使用平均值进行填充,此操作本质为对传感器输入参数的检查;如果有大量的数值操作,在硬件上会对传感器重新进行配置。
步骤S1.2:对有效数据进行高通滤波,滤除掉一些均匀分布在信号区间内的高频信号,得到预处理信号。
步骤S1.3:参照图2所示,将预处理实例数据进行一些滤波处理,可以是小波处理、IIR滤波等,将信号中无用的信号(低频或高频)提取出来后,将原始数据减去无用信号得到新的数据。其中,图3是提取的无用数据与原始数据的对比;图4是新的数据。
步骤S2:将滤波后的数据进行时域的峰点查找,得到时域峰点间隔。
该步骤S2具体包括:
步骤S2.1:参照图5所示,把新的数据按照设定的尺度进行峰点查找,找到特征点数据;其中由于BCG信号的特殊性,在步骤S1.3得到新数据的时候,除了去找保留波形上半部分的峰点,也可以找到下半部分的峰点,通过两组峰点,可以得到更多特征点数据。
步骤S2.2:幅度和时间都满足要求的称为有效点,由于按照一定的尺度搜索峰点会将一些时间尺度满足,但是幅度不满足的点也会识别到,但这些点只能称为无效点,在后续峰点与峰点间隔的计算中会干扰正确的间隔;因此需要联系每个峰点周围的点的幅值进行对比,将不满足要求的无效点剔除;例如图6所示,点2的幅度不满足点1幅度的70%,且两点之间时间间隔较小,所以点2定然是无效点,可以进行剔除;根据该类规律将数据全部进行二次过滤后,会得到图7所示的新的处理数据。
步骤S2.3:对二次峰点过滤后的点进行差值计算,将后一个峰点对应的坐标索引减去前一个峰点的坐标索引即为时域峰点间隔值,参照图8所示。上下两部分需要分别计算后放入一个数组,无先后顺序之分。
步骤S3:对时域峰点间隔进行直方图统计,得到时域心率值。
该步骤S3包括:
步骤S3.1:对时域峰点间隔值组进行直方图统计;例如将间隔值与实际心率所求范围(30~200次/分,在100Hz采样率下对应的时域间隔范围2000~30个),2000~30遍历对比,符合条件的按照当前比对间隔索引在数组下,累计个数;由于在一些情况下峰点不会像图9那样明显,而是像图10那样,会有出现两个或更多的数量一样的点,且间隔较远,这样的话就会导致间隔统计的峰点查找出现困难,最后的心率值偏差较大;为了解决这个问题,将每个点左右两个点取求和后的平均值。
步骤S3.2:得到时域的间隔统计峰点,就能够直接计算出时域中的心率值。例如100Hz采样率下,间隔统计峰点的坐标索引为115,如果索引是从30开始,那么时域的心率值就为60/((115-30)*0.01s)=70次/分;通过上述的步骤可以得到时域的心率值。
步骤S4:对滤波后的数据进行傅里叶变换,得到频谱数据。
步骤S4包括如下步骤:
步骤S4.1:将步骤S1.2中经过高通滤波的预处理数据进行傅里叶变换;对于已知的原始信号的采样频率Fs,采样的点数N,那么离散傅里叶变换可以分析到的频率为Fs/N(即频率的分辨率),在一些情况下使用1024Hz的采样频率进行采样,采样点数为1024的话,频率的分辨率就为1Hz;这样的话由于频谱栅栏效应图11的原因,会导致1Hz与2Hz之间的点无法表示,如图11中的虚线就是在频谱的2和3之间的频点;将频率分辨率变得更小的方法只有减小采样率或者是增大采样点数。
由于人体心率范围较低在0.5Hz~3.3Hz内,所以采样率不用设置过高,但是需要能够满足奈奎斯特采样定理;而增加采样点数意味着采样时间需要增加,在生命体征监测床垫的使用场合需要一定的响应时间,且增加采样点数会加重计算元件的计算负担,因此无法过度的提高采集时间,通常32位的计算设备在处理4096点的离散傅里叶变换FFT的时候,计算速度就会明显降低;因此如果单独的使用FFT来计算心率结果而不结合时域的结果对比的话,会存在较大的误差;而且在一些情况下,频谱中倍数频率不是很明显的情况下,就无法通过倍数频率点之间的间隔来确定心率所处的范围区间,这样的话FFT就更加无法得到准确的结果。
这里提供一种方法对原始数据进行翻转扩充,在保证计算能力的基础上可以强化频谱内特征点的幅度,将原本就凸出的频率峰点更加凸显出来,同时通过扩充数据采集点,在不增加采样时间的基础上,将频谱分辨率提高了一倍;图12是按照100Hz采集的数据,图13是对应的傅里叶变换结果;图14是翻转扩充的过程;图15是翻转扩充后的傅里叶变换结果;对比图13频谱分辨率是0.97,图15频谱分辨率是为0.49,精度提高了一倍。
步骤S5:将频谱数据进行峰点查找,得到频域峰点间隔。
该步骤S5包括:步骤S5.1:对扩展后的FFT频谱按照一定的尺度进行峰点查找。
步骤S5.2:遍历完频谱每个频点后计算频谱峰点后一个与前一个峰点之间的间隔,通过峰点的间隔值的情况,不同心率下的频谱特征峰点的分布,心率越低频谱峰点的间隔就越小,而心率越高,频谱峰点之间的间隔就越大;
间隔和对应心率的关系通过公式:
心率=(频谱间隔*(采样率/傅里叶点数)*60次/分)。
其原因是因为,高频次的心率对应的基频更高,所以傅里叶下的倍数频率在频谱中表述的点之间的距离会更大;例如30次/分(0.5Hz频点)的两倍频为(1Hz),而60次/分(1Hz频点)的两倍频为(2Hz),如此0.5~1Hz的间隔永远比1Hz~2Hz的间隔要小得多(在同一傅里叶变换频谱分辨率下);如40心率的频点间隔(图16)、67心率的频点间隔(图17)、93心率的频点间隔(图18)、120心率的频点间隔(图19)不同心率下的频谱间隔。
步骤S6:对频域峰点间隔进行统计,得到频域理论心率值。
该步骤S6包括:步骤S6.1:将间隔值进行统计,找到出现次数最多,或者是多个间隔值较为接近(可以是平均值也可以是取的众数),将该间隔值作为频谱中获得的理论心率间隔。
步骤S6.2:将理论心率间隔按照频谱峰点间隔对应理论心率表(100Hz下2048采样点)表1进行对照,找到对应的理论心率值;将该值作为频域的理论心率值与时域做对比。
表1理论心率表
步骤S7:将时域心率值和频域理论心率值对比,确定实际心率值。具体按照流程图1执行,如果时域与频域值误差较小,则说明时域的心率值是实际心率值。
本发明实施例提供了一种生命体征参数心率计算方法及***,将时域的快速统计算法得到的结果,再与频域的倍数频率点算法进行巩固比较,从而提高生命体征数据测量准确率。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种生命体征参数心率计算方法,其特征在于,包括:
步骤S1:采集数据,并对数据进行滤波分析处理;
步骤S2:将滤波后的数据进行时域的峰点查找,得到时域峰点间隔;
步骤S3:对时域峰点间隔进行直方图统计,得到时域心率值;
步骤S4:对滤波后的数据进行傅里叶变换,得到频谱数据;
步骤S5:将频谱数据进行峰点查找,得到频域峰点间隔;
步骤S6:对频域峰点间隔进行统计,得到频域理论心率值;
步骤S7:将时域心率值和频域理论心率值对比,确定实际心率值。
2.根据权利要求1所述的生命体征参数心率计算方法,其特征在于,所述步骤S1包括:
步骤S1.1:将采集的数据进行有效性判断,去除异常点得到有效数据;
步骤S1.2:对有效数据进行高通滤波,滤除掉均匀分布在信号区间内的高频信号,得到预处理信号;
步骤S1.3:将预处理实例数据进行滤波处理,将信号中无用的信号提取出来后,将原始数据减去无用信号得到新的数据。
3.根据权利要求2所述的生命体征参数心率计算方法,其特征在于,所述步骤S2包括:
步骤S2.1:对新的数据按照设定的尺度进行峰点查找,找到特征点数据;
步骤S2.2:幅度和时间都满足要求的称为有效点,联系每个峰点周围的点的幅值进行对比,将不满足要求的无效点剔除;将数据全部进行二次过滤后,得到新的处理数据;
步骤S2.3:对二次峰点过滤后的点进行差值计算,将后一个峰点对应的坐标索引减去前一个峰点的坐标索引即为时域峰点间隔值。
4.根据权利要求3所述的生命体征参数心率计算方法,其特征在于,所述步骤S3包括:
步骤S3.1:对时域峰点间隔值进行直方图统计;
步骤S3.2:得到时域的间隔统计峰点,计算出时域中的心率值。
5.根据权利要求1所述的生命体征参数心率计算方法,其特征在于,所述步骤S5包括:
步骤S5.1:对频谱数据按照一定的尺度进行峰点查找;
步骤S5.2:遍历完频谱每个频点后计算频谱峰点后一个与前一个峰点之间的间隔,通过峰点的间隔值的情况,不同心率下的频谱特征峰点的分布,心率越低频谱峰点的间隔就越小,而心率越高,频谱峰点之间的间隔就越大;
间隔和对应心率的关系通过公式:
心率=(频谱间隔*(采样率/傅里叶点数)*60次/分)。
6.根据权利要求5所述的生命体征参数心率计算方法,其特征在于,所述步骤S6包括:
步骤S6.1:对间隔值进行统计,当间隔值满足出现次数最多,或多个间隔值较为接近的条件,则将该间隔值作为频谱中获得的理论心率间隔;
步骤S6.2:将理论心率间隔按照频谱峰点间隔对应理论心率表进行对照,找到对应的理论心率值。
7.一种生命体征参数心率计算***,其特征在于,包括:
模块M1:采集数据,并对数据进行滤波分析处理;
模块M2:将滤波后的数据进行时域的峰点查找,得到时域峰点间隔;
模块M3:对时域峰点间隔进行直方图统计,得到时域心率值;
模块M4:对滤波后的数据进行傅里叶变换,得到频谱数据;
模块M5:将频谱数据进行峰点查找,得到频域峰点间隔;
模块M6:对频域峰点间隔进行统计,得到频域理论心率值;
模块M7:将时域心率值和频域理论心率值对比,确定实际心率值。
8.根据权利要求7所述的生命体征参数心率计算***,其特征在于,所述模块M1包括:
模块M1.1:将采集的数据进行有效性判断,去除异常点得到有效数据;
模块M1.2:对有效数据进行高通滤波,滤除掉均匀分布在信号区间内的高频信号,得到预处理信号;
模块M1.3:将预处理实例数据进行滤波处理,将信号中无用的信号提取出来后,将原始数据减去无用信号得到新的数据。
9.根据权利要求8所述的生命体征参数心率计算***,其特征在于,所述模块M2包括:
模块M2.1:对新的数据按照设定的尺度进行峰点查找,找到特征点数据;
模块M2.2:幅度和时间都满足要求的称为有效点,联系每个峰点周围的点的幅值进行对比,将不满足要求的无效点剔除;将数据全部进行二次过滤后,得到新的处理数据;
模块M2.3:对二次峰点过滤后的点进行差值计算,将后一个峰点对应的坐标索引减去前一个峰点的坐标索引即为时域峰点间隔值;
所述模块M3包括:
模块M3.1:对时域峰点间隔值进行直方图统计;
模块M3.2:得到时域的间隔统计峰点,计算出时域中的心率值。
10.根据权利要求7所述的生命体征参数心率计算***,其特征在于,所述模块M5包括:
模块M5.1:对频谱数据按照一定的尺度进行峰点查找;
模块M5.2:遍历完频谱每个频点后计算频谱峰点后一个与前一个峰点之间的间隔,通过峰点的间隔值的情况,不同心率下的频谱特征峰点的分布,心率越低频谱峰点的间隔就越小,而心率越高,频谱峰点之间的间隔就越大;
间隔和对应心率的关系通过公式:
心率=(频谱间隔*(采样率/傅里叶点数)*60次/分);
所述模块M6包括:
模块M6.1:对间隔值进行统计,当间隔值满足出现次数最多,或多个间隔值较为接近的条件,则将该间隔值作为频谱中获得的理论心率间隔;
模块M6.2:将理论心率间隔按照频谱峰点间隔对应理论心率表进行对照,找到对应的理论心率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210720787.3A CN114795168B (zh) | 2022-06-24 | 2022-06-24 | 生命体征参数心率计算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210720787.3A CN114795168B (zh) | 2022-06-24 | 2022-06-24 | 生命体征参数心率计算方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114795168A true CN114795168A (zh) | 2022-07-29 |
CN114795168B CN114795168B (zh) | 2022-09-30 |
Family
ID=82522016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210720787.3A Active CN114795168B (zh) | 2022-06-24 | 2022-06-24 | 生命体征参数心率计算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114795168B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010155072A (ja) * | 2008-12-01 | 2010-07-15 | Fujitsu Ltd | 覚醒度判定装置および覚醒度判定方法 |
CN102955889A (zh) * | 2011-08-29 | 2013-03-06 | 中国科学院力学研究所 | 一种用于提取时域特征点的脉搏波重构方法 |
WO2016056479A1 (ja) * | 2014-10-07 | 2016-04-14 | 株式会社村田製作所 | 脈拍数計測装置 |
US20160317052A1 (en) * | 2015-04-28 | 2016-11-03 | Weltrend Semiconductor, Inc. | Method for detecting a heart rate |
US20160367158A1 (en) * | 2015-06-16 | 2016-12-22 | Qualcomm Incorporated | Robust heart rate estimation |
CN106994010A (zh) * | 2016-01-26 | 2017-08-01 | 深圳市新元素健康管理有限公司 | 一种基于ppg信号的心率检测方法及*** |
CN108056769A (zh) * | 2017-11-14 | 2018-05-22 | 深圳市大耳马科技有限公司 | 一种生命体征信号分析处理方法、装置和生命体征监测设备 |
CN109699171A (zh) * | 2017-08-22 | 2019-04-30 | 深圳市汇顶科技股份有限公司 | 心率检测方法及装置、电子终端 |
CN113854990A (zh) * | 2021-10-27 | 2021-12-31 | 青岛海信日立空调***有限公司 | 一种心跳检测方法及装置 |
WO2022091195A1 (ja) * | 2020-10-27 | 2022-05-05 | 日本電信電話株式会社 | Rri計測装置、rri計測方法およびrri計測プログラム |
-
2022
- 2022-06-24 CN CN202210720787.3A patent/CN114795168B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010155072A (ja) * | 2008-12-01 | 2010-07-15 | Fujitsu Ltd | 覚醒度判定装置および覚醒度判定方法 |
CN102955889A (zh) * | 2011-08-29 | 2013-03-06 | 中国科学院力学研究所 | 一种用于提取时域特征点的脉搏波重构方法 |
WO2016056479A1 (ja) * | 2014-10-07 | 2016-04-14 | 株式会社村田製作所 | 脈拍数計測装置 |
US20160317052A1 (en) * | 2015-04-28 | 2016-11-03 | Weltrend Semiconductor, Inc. | Method for detecting a heart rate |
US20160367158A1 (en) * | 2015-06-16 | 2016-12-22 | Qualcomm Incorporated | Robust heart rate estimation |
CN106994010A (zh) * | 2016-01-26 | 2017-08-01 | 深圳市新元素健康管理有限公司 | 一种基于ppg信号的心率检测方法及*** |
CN109699171A (zh) * | 2017-08-22 | 2019-04-30 | 深圳市汇顶科技股份有限公司 | 心率检测方法及装置、电子终端 |
CN108056769A (zh) * | 2017-11-14 | 2018-05-22 | 深圳市大耳马科技有限公司 | 一种生命体征信号分析处理方法、装置和生命体征监测设备 |
WO2022091195A1 (ja) * | 2020-10-27 | 2022-05-05 | 日本電信電話株式会社 | Rri計測装置、rri計測方法およびrri計測プログラム |
CN113854990A (zh) * | 2021-10-27 | 2021-12-31 | 青岛海信日立空调***有限公司 | 一种心跳检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
HYUNWOO LEE ET AL.: "Vision-Based Measurement of Heart Rate from Ballistocardiographic Head Movements Using Unsupervised Clustering", 《SENSORS (BASEL)》 * |
牟睿等: "现实场景中非接触式心率检测方法研究", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114795168B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bahoura et al. | DSP implementation of wavelet transform for real time ECG wave forms detection and heart rate analysis | |
Tseng et al. | Evaluation of parametric methods in EEG signal analysis | |
Mirzaei et al. | EEG analysis based on wavelet-spectral entropy for epileptic seizures detection | |
MXPA05000564A (es) | Metodos para alertar consistentemente de manera anticipada, de eventos criticos, a traves de canales multiples de datos. | |
WO2008037260A2 (en) | Methods for a movement and vibration analyzer (mva) | |
CN108937916A (zh) | 一种心电信号检测方法、装置及存储介质 | |
Sabor et al. | Detection of the interictal epileptic discharges based on wavelet bispectrum interaction and recurrent neural network | |
CN108523873A (zh) | 基于分数阶傅里叶变换和信息熵的心电信号特征提取方法 | |
Vuksanovic et al. | ECG based system for arrhythmia detection and patient identification | |
Elbuni et al. | ECG parameter extraction algorithm using (DWTAE) algorithm | |
CN114795168B (zh) | 生命体征参数心率计算方法及*** | |
CN117848488A (zh) | 一种设备振动数据在线处理方法 | |
CN114027804A (zh) | 一种脉象诊断的方法、装置及可读存储介质 | |
CN114366060A (zh) | 一种基于心率变异性的健康预警方法、装置及电子设备 | |
CN111803054B (zh) | 一种实时评估室颤信号质量和除颤成功率的方法与仪器 | |
AU2021102053A4 (en) | Processing and identification method for spike-and-slow-wave complex in electroencephalogram (eeg) | |
Murthy et al. | Design and implementation of hybrid techniques and DA-based reconfigurable FIR filter design for noise removal in EEG signals on FPGA | |
CN113180697A (zh) | 一种脑电波分析方法及终端 | |
Georgieva-Tsaneva | A novel photoplethysmographic noise removal method via wavelet transform to effective preprocessing | |
Meddah et al. | New system cardiac arrhythmia detection on FPGA | |
TWI660579B (zh) | 降低電力線干擾頻率之方法與系統 | |
Feng et al. | The auto-detection and diagnose of the mobile electrocardiogram | |
Yu et al. | Epileptic seizure detection based on local mean decomposition and dictionary pair learning | |
CN112270314B (zh) | 棘波识别方法、装置、电子设备及计算机可读存储介质 | |
Salatian et al. | Towards an icu clinical decision support system using data wavelets |
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 |