人体睡眠状态下的实时心率信号处理方法和系统技术方案

本申请公开了人体睡眠状态下的实时心率信号处理方法，其包括针

【技术实现步骤摘要】
人体睡眠状态下的实时心率信号处理方法和系统


[0001]本申请涉及心率检测方法和系统，尤其是人体睡眠状态下的心率信号的处理方法和系统
。

技术介绍

[0002]人的生命有三分之一的时间是在睡眠中渡过的，睡眠质量对人的健康至关重要
。
而得益于自动化技术的普及，实验室研发了一种非介入式睡眠监测设备
。
该设备安装在智能床床架上，上置床垫，可以测量人平躺时的生理状态，如心率，呼吸，体动次数等体征参数，可以有效监测使用者的健康状态
。
该睡眠监测系统使用压电传感器，捕捉人平躺时身体产生的振动信号转化，将其转化为数字信号后传入微机系统进行处理，提取体征参数
。
[0003]而目前基于心冲击信号，或称
BCG
信号的提取心率的算法中，基本可以分为两类：
1、
基于经验模态分解，即
EMD
，或结合波形的形态学统计经验设置阈值判别，将心率信号从
BGC 信号中直接特征频率分离；
2、
基于小波分解重构的方式，剔除信号中的杂频信息，提取心率信号
。
上述两种算法仅适用较为理想的信号处理，如心电信号，即
ECG
信号
)
，但
BCG
信号采集环境复杂，心跳信息微弱且不稳定，含有多种噪声和干扰，提取到的心率难满足精确性
、
普适性的需求
。

技术实现思路

[0004]本专利技术的目的之一在于提供一种可以适用于
BCG
信号的复杂采集环境，能排除相关噪声和干扰，能监测微弱且不稳定的心跳信号的，具有普适性的心率监测方法
。
[0005]为实现上述目的，本申请的一些实施例提供了一种人体睡眠状态下的实时心率信号处理方法，其包括步骤：首先对采集的信号进行预处理排除大部分干扰和高频噪声；然后使用二阶微分器
、EMD、
哈希变换等方法进一步平滑曲线，排除干扰；最后使用自相关函数提取信号的周期，将其他信号的干扰降到了一个很低的程度，保证了心率信号特征信息的留存率
。
[0006]本申请的一些实施例提供了一种人体睡眠状态下的实时心率信号处理方法，其包括步骤：采用二阶微分器计算采集到的
ECG
信号的二阶导数，突出
R
波信号；进行经验模态分解分解，并对经验模态分解分解后的信号直接提取其中的第一固有模态函数分量
IMF1
或第二固有模态函数分量
IMF2
，转换为对应该分量的信号；再针对对应该分量的信号使用希尔伯特变换求其包络，再利用三次样条插值采样平滑其包络线，然后用平滑后的包络线的当前时间序列减去当前序列的平均值，得到优化后信号；用自相关函数提取所述优化后信号的周期性
。
[0007]本申请的另一些实施例提供了一种人体睡眠状态下的实时心率信号处理方法，其包括步骤：对采集到的
BCG
信号进行预处理以滤除信号中的包括高阻抗特性和
/
或电磁干扰和
/
或运放电路的干扰信号；采用二阶微分器计算经过预处理的信号的二阶导数，突出
J
波信号；进行经验模态分解分解，并对经验模态分解分解后的信号直接提取第一固有模态函
数分量或第二固有模态函数分量，转换为对应该分量的信号；再针对对应该分量的信号使用希尔伯特变换求其包络，再利用三次样条插值采样平滑其包络线，然后用平滑后的包络线的当前时间序列减去当前序列的平均值，得到优化后信号；用自相关函数提取所述优化后信号的周期性
。
[0008]在一些实施例中，对于
BCG
信号，根据周期性确定
J
峰的位置，并依据
J
峰特点计算每相邻的两个
J
峰之间的间隔值，取这些间隔值的平均值计算心率
。
[0009]在一些实施例中，对于
ECG
信号，根据周期性确定
R
波的
R
峰的位置，并依据
R
峰特点计算每相邻的两个
R
峰之间的间隔值，取这些间隔值的平均值计算心率
。
[0010]在一些实施例中，还包括对所述第一固有模态函数分量或第二固有模态函数分量滤除噪声
。
[0011]在一些实施例中，还包括针对
BCG
信号，为每一帧数据计算出一组所述
J
峰间隔值数据，统计此组
J
峰间隔值数据与
J
峰间隔值中值的偏差值，若偏差值高于设定的阈值的百分比，且数量达到一定的比例则认为此帧为无效帧，丢弃计算结果，输出上一有效帧计算结果
。
[0012]在一些实施例中，还包括针对
ECG
信号，包括为每一帧数据计算出一组所述
R
峰间隔值数据，统计此组
R
峰间隔值数据与
R
峰间隔值中值的偏差值，若偏差值高于设定的阈值的百分比，且数量达到一定的比例则认为此帧为无效帧，丢弃计算结果，输出上一有效帧计算结果
。
优选地，所述百分比为
10
％
。
[0013]在一些实施例中，所述预处理包括最小二阶拟合去除趋势项，和
/
或利用巴特沃斯低通滤波器进行滤波
。
[0014]在一些实施例中，对所述优化后信号做快速傅里叶变换后取极大值点对应的频率，再经功率谱转换后取极大值点对应频率得到心率值
。
[0015]在一些实施例中，还包括通过小波包分解滤除噪声
。
[0016]在一些实施例中，可替换的，包括在非扭结边界条件或固定边界条件下进行三次样条插值函数求解
。
[0017]在一些实施例中，可替换的，采用拉格朗日插值
、、
牛顿插值
、
埃尔米特插值法平滑其包络线
。
[0018]本申请的在一些实施例还提供了人体睡眠状态下的实时心率信号处理装置，其包括对采集到的
BCG
信号进行预处理以滤除信号中的包括高阻抗特性
、
电磁干扰
、
运放电路的干扰信号的程序模块；采用二阶微分器计算采集到的
BCG
信号的二阶导数，突出
J
波信号的程序模块；对经验模态分解分解后的信号直接提取第一固有模态函数分量或第二固有模态函数分量，转换为对应该分量的信号；再针对对应该分量的信号使用希尔伯特变换求其包络，再利用三次样条插值采样平滑其包络线，然后用平滑后的包络线的当前时间序列减去当前序列的平均值，得到优化后信号的程序模块；以及用自相关函数提取所述优化后信号的周期性的程序模块
。
[0019]本申请的在一些实施例还提供了人体睡眠状态下的实时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
人体睡眠状态下的实时心率信号处理方法，其特征在于：包括步骤采用二阶微分器计算采集到的
ECG
信号的二阶导数，突出
R
波信号；或者对于心率信号明显的
BCG
信号，采用二阶微分器计算采集到的
ECG
信号的二阶导数，突出
J
波信号；进行经验模态分解分解，并对经验模态分解分解后的信号直接提取其中的第一固有模态函数分量或第二固有模态函数分量，转换为对应该分量的信号；再针对对应该分量的信号使用希尔伯特变换求其包络，再利用三次样条插值采样平滑其包络线，然后用平滑后的包络线的当前时间序列减去当前序列的平均值，得到优化后信号；以及用自相关函数提取所述优化后信号的周期性
。2.
人体睡眠状态下的实时心率信号处理方法，其特征在于：包括步骤对采集到的
BCG
信号进行预处理以滤除信号中的包括高阻抗特性和
/
或电磁干扰和
/
或运放电路的干扰信号；采用二阶微分器计算经过预处理的信号的二阶导数，突出
J
波信号；进行经验模态分解分解，并对经验模态分解分解后的信号直接提取第一固有模态函数分量或第二固有模态函数分量，转换为对应该分量的信号；再针对对应该分量的信号使用希尔伯特变换求其包络，再利用三次样条插值采样平滑其包络线，然后用平滑后的包络线的当前时间序列减去当前序列的平均值，得到优化后信号；用自相关函数提取所述优化后信号的周期性
。3.
根据权利要求1或2所述的人体睡眠状态下的实时心率信号处理方法，其特征在于：对于
BCG
信号，根据周期性确定
J
峰的位置，并依据
J
峰特点计算每相邻的两个
J
峰之间的间隔值，取这些间隔值的平均值计算心率；或者对于
ECG
信号，根据周期性确定
R
波的
R
峰的位置，并依据
R
峰特点计算每相邻的两个
R
峰之间的间隔值，取这些间隔值的平均值计算心率
。4.
根据权利要求1所述的人体睡眠状态下的实时心率信号处理方法，其特征在于：利用
ECG
信号
R
波加速度相对呼吸信号较大的特征，采用二阶微分器计算信号的二阶导数，突出
R
波信号的特征；其中二阶微分器函数如下：公式1中
h
表示信号的采样时间间隔，
f
(i)
表示采样时间序列的值，
f
″0指离散时间采样信号的二阶导数；或者利用
BCG
信号
J
波加速度相对呼吸信号较大的特征，采用二阶微分器计算信号的二阶导数，突出
J
波信号的特征；其中二阶微分器函数如下：公式1中
h
表示信号的采样时间间隔，
f
(i)
表示采样时间序列的值，
f
″0指离散时间采样信号的二阶导数
。5.
根据权利要求1或2所述的人体睡眠状态下的实时心率信号处理方法，其特征在于：对所述第一固有模态函数分量或第二固有模态函数分量滤除噪声
。6.
根据权利要求1或2所述的人体睡眠状态下的实时心率信号处理方法，其特征在于：
用希尔伯特变换求一次包络，再三次样条插值求二次包络，信号将清晰；其中使用希尔伯特变换公式如下：公式
(2)
中，
Δ
t
为采样周期；希尔伯特变换算法输出包络信号如公式
(3)
所示：公式
(3)
中
f
i
为处理后信号，
y
i
为实离散信号，为希尔伯特变换
。7.
根据权利要求6所述的人体睡眠状态下的实时心率信号处理方法，其特征在于：其中，三次样条插值函数为：
g
i
(x)
＝
A
i
+B
i
(x
‑
x
i
)+C
i
(x
‑
x
i
)2+D
i
(x
‑
x
i
)3ꢀꢀꢀꢀ
公式
(4)
公式
(4)
内
A
i

【专利技术属性】
技术研发人员：单华锋，曹伟，王桂锋，谭震宇，徐淼华，陈慧，杨刘震，
申请(专利权)人：麒盛科技股份有限公司，
类型：发明
国别省市：