基于U-net++的心冲击图信号自动标注及心拍估计方法研究

心冲击图信号(BCG)是通过压力传感器获取由心脏搏动引起的人体重力变化信号,适用于长时间的心功能实时监测。心跳检测是BCG信号分析研究的重要组成部分。本研究设计并验证了利用同步ECG信号自动标注及心拍检测的原理,提出一种基于一维U-net++模型从BCG信号自动估计心拍位置的方法。该方法利用一维U-net++网络中卷积块稠密的跳跃连接,有效提取并结合BCG信号中的高阶和低阶信息进行心拍预测。实验采用公共数据集的20名被试同步采集的BCG和ECG数据,建立了从BCG信号到心跳位置序列的端到端网络。模型的正确率和精确率分别达到99.97%和99.34%。实验结果表明,该方法可有效从BCG信号中提取心拍位置,完成准确的心跳节律估计。

坐立两便式心冲击信号检测系统设计与实现

设计并实现了一种坐立两便式心冲击(BCG)信号检测系统.该系统采用高精度A/D转换芯片TM7708、程控比例放大和数字滤波技术实现了BCG信号检测.采用小波分析技术对信号进行消噪处理,以提取特征波形,并通过VB软件编程实现心率自动检测.采集30例心冲击信号,与同步采集的单通道心电信号进行对比.结果表明,两种信号的节律一致,心率检测准确率达98.2%,验证了系统的正确性.该系统便携式的设计方便受试者随时对心脏机械活动进行监测,也为后续心脏和呼吸信号提取和分析提供了可靠依据.

非接触检测的心冲击信号与心电信号相关性的研究

建立了非接触检测的心冲击信号与心电图机检测的心电信号的同步监测系统,并且分别在时域及频域上对同步采集到的心电信号以及心冲击信号进行了相关性对比分析。结果表明心冲击信号的时域周期性明显,同步测得的2种信号节律保持一致,频域特征点对应准确。验证了非接触检测的心冲击信号的临床应用价值,从而为后续的信号分析及临床应用提供了可靠性依据。

基于CNN的心冲击信号阵发性房颤自动检测方法

阵发性房颤具有发作突然且时间短的特点,而目前其临床诊断方法——心电信号,不适于日常监护,因此,提出一种基于心冲击信号(ballistocardiogram,BCG)的非接触式房颤自动检测方法.研究不同输入数据长度与不同网络深度的匹配关系,获取应用一维卷积神经网络(convolutional neural network,CNN)检测阵发性房颤的最优组合.通过2 000组数据的测试,所提模型的最佳性能为:测试准确性94.8%、敏感性97.2%、特异性92.7%,为基于BCG信号的心律失常检测与远程日常家庭监护提供了可能性.

基于心冲击信号的呼吸率检测方法研究

根据呼吸对心冲击信号的调制作用,提出一种基于坐姿心冲击信号的呼吸率实时检测方法。通过分析不同呼吸状态下心冲击信号的时域振幅及频域成分的变化,确定了呼吸对心冲击成分的调制作用,并采用改进的J波检测算法定位实测信号中的W形组合波,对J波和K波进行重新采样,最终使用平滑滤波器恢复呼吸波形,并计算出呼吸率。为了验证算法的可行性和准确性,应用小波分析方法进行定性对比实验,并同步采集鼻热敏呼吸信号进行定量统计。实验结果表明,所提方法可以从心冲击信号中较为准确的检测出呼吸率,为多生理参数的无感觉同步监测做了有益的尝试。

基于CEEMDAN-PE的心冲击信号降噪方法研究

心冲击信号(BCG)是反应心脏力学特征的生理信号,能实现无电极束缚条件下的连续采集测量,然而BCG信号微弱且极易受到干扰,测量时经常会淹没在噪声中。为了有效识别BCG信号,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)联合排列熵(PE)的BCG降噪方法。首先,将采集到的BCG信号通过CEEMDAN分解得到一系列按频率由高到低的固有模态函数(IMF)。其次,通过PE计算各个IMF分量的值并确定有效信号的阈值范围,从而滤除信号中的高频噪声和基线漂移。最后实验结果显示,降噪后信号的幅频特性得到明显改善且信噪比较传统方法有明显提高,证明了本文降噪方法效果显著,能够有效还原BCG信号特征。

基于心冲击信号的心率异常自动检测方法

心冲击信号是一种非直接接触式的记录心肌收缩引起身体相应周期性震动的描记方法,其规律与心率相关.基于此原理,设计并实现了一套坐姿心冲击信号采集系统,同步采集一路单通道心电信号作为基准.针对心冲击信号微弱且易受干扰的特点,应用Duffing混沌振子提取含噪信号的周期性特征,并根据该特征提出了自动检测心率异常的简易相态分类方法.实验结果表明,即使预处理滤波后的心冲击信号中仍含有噪声,也可以通过该方法自动检测出心率异常的受试者.

基于相空间重构的心冲击信号房颤检测方法

针对房颤事件中的节律异常特性,提出应用相空间重构算法提取心冲击(ballistocardiogram,BCG)信号的二维节律特征,并对重构过程中的最优嵌入维数和时间延迟参数进行了讨论.首先,将心脏搏动视为非线性动力学系统,应用相空间重构理论将一维时间序列映射到高维相空间中,从而获取BCG信号中表征房颤过程节律异常的相空间轨迹特征.其次,探讨了重构过程中适于房颤诊断的最优嵌入维数和时间延迟参数,并结合卷积神经网络实现了对房颤的智能诊断.最终,通过对59名受试者提取到的2000组BCG数据进行十折交叉验证,所提方法的分类准确率达到91.00%,与基于经典时频特征的机器学习方法相比较,有较为明显的提高,从而验证了所提方法的优越性.

基于变分模态分解的心冲击信号分析与提取实验设计

心冲击(BCG)信号是无损监督心脏健康状态的重要依据,为了获得准确的心脏搏动特征需要从采集到的生理信号分离出心冲击信号和呼吸信号。本文设计了一个基于压电薄膜的床垫式BCG信号采集与分析系统,提出基于变分模态分解(VMD)的呼吸信号与心冲击信号分离方法。该方法根据BCG信号的统计特征设置VMD分解算法参数,使之适用于低信噪比BCG信号特征,从而实现呼吸信号的分离和心冲击信号的提取。该实验为“随机信号处理”课程实验项目,采用MATLAB工具实现BCG信号的分析与提取,既可促进学生对随机信号处理理论的掌握,也有助于提高他们解决实际随机信号处理中复杂工程问题的能力。

心冲击图信号采集与处理系统的设计与实现

心冲击图(ballistocardiogram,BCG)信号是一种记录心脏活动引起的身体震动的方法,是心脏监测的方法之一。我们设计并实现了基于CPLD(complex programmable logic device,CPLD)的心冲击图信号采集与处理系统,将四个电阻应变式称重传感器固定在椅子下方,对BCG信号进行采集,并采用利于硬件实现的提升小波变换方法对采集到的BCG信号进行去噪处理,最后使用示波器实时显示处理结果,为BCG信号应用于日常生活中的心脏监护奠定了基础。

基于变分模态分解的心冲击信号和呼吸信号分离

为了在睡眠时以非侵入方式监测心冲击信号(BCG)和呼吸信号,使用电阻式薄膜压力传感器嵌入床垫中,将变分模态分解(VMD)算法引入到二维生理信号提取过程.信号经床垫中的柔性压力传感器,通过硬件低通滤波、数字去趋势(DFA)后,利用VMD算法分解出生理信号中心冲击信号与呼吸信号的潜在分量,通过自适应选取有效分量重构BCG信号与呼吸信号.基于Hilbert变换,对比VMD、经验模态分解(EMD)、互补集合经验模态分解(CEEMD)分量的瞬时频率.VMD在0~3.0 Hz内的混叠情况相对于EMD与CEEMD得到改善.采用BlandAltman法,对标准结果和实验重构结果进行一致性评价.结果表明,利用VMD法所得BCG与呼吸信号分别有93.75%和92.5%的点在95%一致性标准界限内,有较高的一致性.

心冲击图信号的采集和特征分析及其应用

目的:探讨心冲击图(BCG)信号和心电图(ECG)信号的内在联系,从而提升BCG信号在临床中的应用价值。方法:同时采集BCG信号和ECG信号,利用小波预处理及自适应模板匹配提取BCG信号的J波,获取BCG信号的心动周期间隔,并与同时段ECG信号的心动周期间隔对比。采用一维卷积神经网络建立BCG信号到ECG信号的重构映射,获取原始ECG信号的形态。结果:同时采集得到的BCG和ECG信号的心动周期间隔相关度为98.16%,形态相关度为95.44%。可由BCG信号得到原始ECG信号的RR间期、QRS波段宽度、ST波段宽度等特征。结论:在BCG信号中可以找出有效ECG信号特征,并以此改善BCG信号的临床意义。

基于EMD-ICA的心冲击信号降噪研究

心冲击信号(BCG)是反映心脏机械运动的生理信号,能实现无电极束缚条件下的连续采集测量。但BCG信号微弱,易受干扰,测量时经常会淹没在噪声中。为了消除噪声,有效识别BCG信号特征,提出一种基于经验模态分解(EMD)联合独立分量分析的BCG信号降噪方法。首先,将含噪BCG信号进行EMD分解,获得一系列按频率从高到低的固有模态分量(IMF),采用模态相关准则进行信号层与噪声层的判定;其次,将分界之上的IMF分量构建虚拟噪声通道,基于ICA算法对原始BCG信号进行盲源分离,从而得到降噪后的BCG信号。采集10名健康受试者的BCG信号进行降噪处理。量化评价结果表明,与小波方法和EMD方法相比,降噪后信噪比均显著提高(小波方法11.01±1.58,EMD方法5.19±1.29,所提出方法14.87±3.04,P<0.05),能量百分比也均显著提高(小波方法88.81%±2.81%,EMD方法96.15%±2.96%,所提出方法96.64%±2.92%,P<0.05),从而证明所提出方法降噪效果明显,能够有效还原BCG信号特征。

基于心冲击信号的睡姿识别

研究证明,睡眠质量与睡姿有着密切关系,不良的睡姿甚至会加剧多种疾病的潜在风险。为了更精准地进行睡眠健康监控,提出了一种基于心冲击(BCG)信号的睡姿模式识别算法,使用非接触、无干扰的压电薄膜传感器采集BCG信号,在腰腹部采集仰卧、俯卧、左侧卧和右侧卧4种睡姿信号,经小波变换降噪等预处理后提取基于J波的特征值,设计并比较基于神经网络和KNN的睡姿识别分类器。实验结果表明,神经网络睡眠识别算法的平均正确识别率为93%,KNN算法为84%,因此基于BCG信号的神经网络睡姿识别算法可以广泛用于睡眠监测应用。

基于聚偏氟乙烯传感器的心冲击信号影响因素分析

心冲击图(Ballistocardiography,BCG)记录了人体心脏做机械运动时对外界的作用力信号,不仅能反应心脏节律,还能作为评估心脏血流动力学参数变化的有效依据。但BCG信号的采集过程中影响因素较多,这些严重地影响着信号形态特征,进而导致对其进行血流动力学分析得不准确。因此,该文采用聚偏氟乙烯压电薄膜传感器,设计并实现了能够有效抑制外界干扰、具有高信噪比的BCG信号采集系统。基于该系统研究了传感器位置、床垫硬度、躺卧姿势对采集系统稳定性的影响,并分析了在呼吸暂停情况下采集系统的检测性能。结果表明,在卧姿采集BCG信号时,应选择硬质床垫(如木板床),并将传感器摆在心脏正下方的位置,使受试者保持平躺姿势。满足上述条件时,所采集的BCG信号波形最佳,H、J、K波波形明显,且具有较强的节律性,有利于提高后续血流动力学分析的精度。

基于心冲击信号的血压监测技术研究进展

血压是人体重要的生理参数之一,对个体的健康状态临床评估和疾病风险管控具有重要意义。目前基于心冲击图(ballistocardiogram,BCG)的血压监测技术,能够在极低负荷的状态下实现分布式测量,并快速反映血压相关信息,克服了传统侵入式方法和非侵入式方法的使用负荷高、操作不便等问题,在临床应用、居家监测和主动健康方面具有广阔发展前景,成为了血压动态监测领域的热点之一。本文围绕基于BCG血压监测技术的原理、研究进展、前景展开综述。

基于心冲击信号的自动睡眠分期算法研究进展

睡眠分期是指对睡眠阶段进行分类,其是睡眠研究与睡眠相关疾病诊断的主要手段之一,具有重要的临床研究与应用价值。近年来,基于心冲击信号的自动睡眠分期算法受到研究人员的重点关注。在介绍睡眠分期和心冲击信号基本知识的基础上,详细介绍了近年来基于心冲击信号的自动睡眠分期算法,并分析该领域研究进展与未来发展趋势。

基于MATLAB的时频域信号处理及在心冲击信号提取中的应用

本文主要在国内外驾驶疲劳监测预警方法的基础上,系统分析无约束式的心冲击信号在疲劳监测中的可行性。设计并进行驾驶疲劳试验,对驾驶员的心电信号以及心冲击信号进行采集,将心冲击信号在时域内进行滤波去噪,再经过FFT将时域信号转变为频域信号,然后在心电信号范围内进行频域滤波,得到频谱,最后进行IFFT变换,在周期性上与心电信号进行对比,证明心冲击信号中蕴含心电信号的结论。为疲劳驾驶监测预警提供一种新的思路,以减少因疲劳驾驶导致的交通事故。

基于复杂特征的心动周期检测算法

为了解决传统算法应用于心冲击信号(Ballistocardiogram,BCG)心动周期检测时容易受到干扰导致准确率不高的问题,提出了一种基于复杂特征检测BCG心动周期的算法。该算法通过同步采集的心电图信号(Electrocardiogram,ECG)将BCG信号划分为若干子序列,提取每段子序列信号的Shapelet,利用Shapelet变换将BCG子序列与其Shapelet映射到同一空间中,将Shapelet与BCG子序列的距离作为特征。同时,提取BCG子序列的小波变换特征,将两种特征融合后,使用人工神经网络(ANN)进行心动周期的检测,并且与传统分类器进行比较。实验结果表明,提出的算法在心动周期检测方面准确率提升了2.69百分点,证明了该算法在实际检测中的可行性。

心冲击信号研究进展及其在医学中的应用

心冲击图(Ballistocardiogram,BCG)技术具备无创、非接触式和可长期连续监测等优点。本文在简单介绍BCG技术的基础之上,对BCG信号检测方式及其在生命体征检测、心血管功能参数监测和睡眠结构分析等医学中的应用研究进展做一综述,并对BCG技术难点和存在的问题进行分析和讨论,以期为后续BCG技术相关探索、研究和应用提供一定的思路或指导。