专利名称：用于分析心冲击图信号的方法和装置的制作方法心冲击图(BCG)测量由于血液在被心脏泵取时的动力导致的人体运动。相对于心电图(ECG)，BCG具有的优势在于，能够在不必将电极粘到身体上或不必穿戴例如腰带、织物等的特殊传感器的情况下进行人体生命迹象的测量。由于这种非侵入的本质，BCG最适合用于在夜间长时间段地监视人的心脏活动。类似地，BCG系统可以被用作额外安全措施，以监视医院的普通病房中的患者而不会降低他们的睡眠质量。因为现代的BCG系统能够被完全集成到床位中并且能够通过单个开关激活，所以这样的系统所提供的额外安全性需要的来自健康护理专业人员的额外努力很小。当前，用于分析心冲击图信号以确定心率的算法使用谱方法或时域中的方法，其通过例如评估信号的自相关函数来检测某些图案的重现。在所有这些方案中，必须考虑持续几秒的信号分段，使得它们覆盖多个心跳。结果，获得在一个时间段内的平均心跳，但是没有跳到跳(beat-to-beat)信息可用。已提出了用于从心冲击图信号进行跳到跳估计的一些算法，但是这些算法要么需要大且昂贵的传感器阵列以正常工作(Kortelainen，J. Μ.和Virkkala，J.的“FFT averaging of multichannel BCG signals from bed mattress sensor to improve estimation of heart beat interval，，， Engineering in Medicine and Biology Society, 2007, EMBS 2007, 29th Annual International Conference of the IEEE, 2007年 8 月 22-26 日，第 6685-6688 页)、人类交互(J. H. Shin,B. H. Choi, Y. G. Lim、D. U. Joeng 禾口 K. S. Park 的"Automatic Ballistocardiogram (BCG) Beat Detection Using a Template Matching Approach，，， Engineering in Medicine and Biology Society, 2008， EMBS 2008， 30th Annual International Conference of the IEEE, 2008 年 8 月 21-24日)，要么使用不同的传感器形式(modality)并缺乏准确度(D. H. Phan, S. Bonnet, R. GuillemaucU Ε· Castelli> N. Y. Pham Thi "Estimation of Respiratory Waveform and Heart Rate Using an Accelerometer，，，Engineering in Medicine and Biology Society, 2008, EMBS 2008, 30th Annual International Conference of the IEEE, 2008 年 8 月 21-24 日)。这些算法是否能够进入市场或者它们是否能够解决心冲击图信号的患者内部或患者间(尤其心率不齐的那些患者)的高度变化性是值得怀疑的。心率不齐是普遍的问题，并且可能是严重健康状况的预报。根据美国心脏协会的估计，220万美国人有心室肌纤维震颤。例如，这意味着一些算法对规则跳动的心脏做出的假设对在医院的普通病房中监视的相当一部分人没有效。取决于心律不齐的严重性，试图检测BCG信号中的心跳的现有算法由于通常假设心脏相当规则地跳动因此迟早要失败。因而，需要不基于该规则性假设的处理心冲击图信号的算法，因而在严重的心率不齐的情况中也能够工作。也期望能够提供BCG信号的可靠的跳到跳分析的算法。此外，许多现有的BCG分析算法仅离线工作。因而，期望适合在线(即连续)使用并且因而适合于在医院、疗养院或家中的监视和报警任务的算法。
根据本发明的第一方面，提供了一种检测心冲击图(BCG)信号中的用户心跳的方法，该方法包括通过定位BCG信号中的用户心跳的典型特征来检测BCG信号中的心跳，所述心跳的典型特征已在训练步骤中获取。根据本发明的第二方面，提供了一种与用于测量用户的心冲击图信号的设备一起使用的装置，所述装置包括用于从所述设备接收心冲击图信号的部件；以及用于对所接收的心冲击图信号执行上述方法的处理部件。根据本发明的第三方面，提供了一种包括计算机程序代码的计算机程序产品，当在计算机或处理器上执行时，所述计算机程序代码被配置为促使所述计算机或处理器执行上述方法。现在将在下面的详细描述中参考附图仅通过示例的方式对本发明进行描述，其中图1是图示根据本发明的检测心跳的原理的流程图2是图示未经滤波的心冲击图信号的图3是图示根据本发明的训练算法的方法的流程图4是图示对心冲击图信号进行滤波以去除呼吸分量的结果的图5是图示平滑经滤波的心冲击图信号的结果的图6是依据本发明的实施例的从心冲击图信号中得到的参数的图示；图7是更详细地图示图3中的步骤107的实现的流程图8是图示心冲击图信号的高频滤波器响应包络的图9是图示使用算法来检测心冲击图信号中的心跳的方法的流程图10是图示可靠性分值三元组的图11是图示相对于使用ECG检测的心跳该算法的有效性的图； 图12是对通过该算法和通过使用ECG确定的跳到跳间隔进行比较的图； 图13是图示相对于ECG当存在心律不齐时该算法检测心跳的有效性的图；以及图14是依据本发明的实施例的装置的框图。

6句话说，该算法尝试在新记录的信号中重新发现在训练步骤中学习到的特征。下面简要地概述训练和分配步骤的操作。为了在训练时段(步骤10)期间学习心跳的典型特征，首先对用于训练的心冲击图的分段进行滤波，以去除任何呼吸分量并平滑该信号。在结果得到的信号中识别能够被用于将信号进行参数化的特定点。在每个特定点，使用接下来的η个参数来形成特征矢量。通过相似性将结果得到的特征矢量进行集群(cluster)。这里，原理是覆盖各心跳的特征矢量将足够类似以使得它们将被集群在一起，而将在不同的集群中找到其他特征矢量。与该处理并列，对原始(未经滤波的)训练分段进行滤波，以去除呼吸信号，但是这时不进行平滑。在该信号中，确定通常与每个心跳一致的高频分量。在该过程中，自动调整用于检测高频分量的滤波器的通带频率。使用各集群的特性以及所确定的高频分量一起来识别包含与心跳相关的特征矢量的集群。在分配步骤(步骤12)期间，再次对新测量或接收的信号进行如上所述的滤波、平滑和参数化。将信号的参数与在训练步骤(步骤10)中被识别为包含心跳的特征的集群进行比较。此外，在新到达的信号中检测高频分量。基于与包含心跳的集群的相似性以及高频分量的位置，进行心跳的位置的第一估计。在精化步骤中校准第一估计所给出的心跳的位置，所述精化步骤基于两个连续心跳信号之间的自相关性。现在将参考附图的图2至图10更详细地描述根据本发明的算法的操作。图2示出了 BCG信号的典型分段，所述BCG分段由自身表达为低频准正弦信号的呼吸分量加上导致尖锐突发的心跳分量组成。提出的算法的目标是识别与心跳相关的突发以及确定它们之间的脉冲到脉冲(pulse-to-pulse)(另外被已知为跳到跳)时间距离。为了该目的，如以上所总结的，该算法首先检测及学习心跳的特性特征。将理解，这些特征在个体之间发生改变，并且也强烈取决于所监视的人相对于BCG 传感器的位置。学习步骤
在图3中描绘了该算法的学习步骤(步骤10)。在步骤100中，获取包括心冲击图信号的分段的训练信号，表示为st_。训练分段必须足够长以使得其包含多个心跳，并且其必须无假象(artefact)。该分段优选在10和60秒长之间。在步骤101中，利用具有IHz截止频率的高通滤波器来从心冲击图信号中去除呼吸分量。如下面进一步描述的，在两个不同的处理路径中使用结果得到的经滤波的信号 Sfilt (在图4中描述)。在该算法的随后步骤中，对预处理的信号的每个局部极值(即最大值或最小值)进行分析。在这些步骤中，仅应考虑有意义的、被充分表达的极值，而考虑可忽略的小极值会阻碍该算法成功。为此，在该算法的第一路径中(步骤102至步骤106)首先利用具有IOHz 截止频率的低通滤波器来平滑分段(图3的流程图中的步骤102)。图5示出经平滑的信号 ss_th。可以看出，在图4中仍然可见的高频噪声以及小局部极值被去除，使得仅保留信号的基本形状。在BCG信号ss_th中，在已去除呼吸分量之后，心跳可被辨别为具有类似幅度和峰值间距离的峰值组。
在步骤103中，检测经滤波和平滑的BCG信号的特性点。在优选的实施例中，这些特性点是信号的最大值和最小值。在步骤104中，对信号ss_th中的每个所检测的局部最大值参数化。在优选的实施例中，使用下面的特征来参数化每个局部最大值k
i)最大值的幅度(amax)，
ii)局部最大值与右边的下一局部最小值之间的距离(dmax)，
iii)局部最大值右边的下一局部最小值的幅度(amin)，以及
iv)局部最大值右边的下一局部最小值与右边的下一局部最大值之间的距离(dmin)。在图6中图示了这些参数，并且它们给出了信号的形状的粗略描述。在步骤105中，整理(collated (η通常在范围n=3至10内)个连续峰值的参数， 并使用其来形成特征矢量fk。通过以下给出特征矢量fk:
f"k —I-^masj k dmax，kJ ^min, k dmin’ kJ ^max, k+1 dmax，k+lJ ^min, k+1 dmin’k+lJ …J
^max, k+n-1，^max, k+n-1，^min, k+n-1，^min, k+n-1]( 1 )
其中，k=l，2，···，K-n+1，并且K表示训练分段Steain中的峰值的数量。要整理到每个特征矢量fk中的峰值的数量η粗略对应于在BCG信号中的每个心跳期间出现的峰值的数量。 因而步骤105导致Κ-η+1个不同的特征矢量fk。本领域技术人员将理解，BCG信号ss_th的其他参数化是可能的。例如，可以通过样条(spline)来近似信号，其中样条近似的节点(knot)是局部最大值和最小值并且可能它们之间的小数目(通常仅仅一个)的其他点。可替选地，信号在其最有效傅里叶系数方面的参数化是可能的。在步骤106中，通过相似性对特征矢量fk进行集群。在此之前，在本发明的一些实施例中，由于集群方法通常在低而不是高维矢量空间中工作得最好，所以可以通过主分量分析来降低特征矢量的维度。在BCG信号ss_th中，心跳可见为峰值的重复图案。因而，描述心跳的特定特征矢量将是类似的，并且其与描述跳动之间的信号的随机波动的那些特征矢量明显不同。因而，在步骤106中，通过相似性对特征进行分组将导致仅包含与心跳相关的特征矢量的一个或多个集群。本领域技术人员将理解，例如类似于k均值集群、层次集群、自组织映射等的各种方法适合于将特征矢量fk分组到集群中。还将理解，在集群步骤中可以使用例如类似于各特征矢量之间的欧几里得距离、角度等的各种距离度量d。在本发明的优选实施例中，除了标准的集群方法外，对于每个特征矢量形成相对于某个距离度量(优选为欧几里得距离)每次包含P (其中P是在10的区域内)个后面邻居的集群是有利的。任何集群技术导致多个集群M,并且有必要识别包含描述心跳图案的特征矢量的集群(步骤107)。图7中的流程示了在步骤107中执行的步骤。在步骤1071中，对于M个集群中的每个，确定集群中心f。m (其中m指示第m个集群，并且m=l，…，Μ)。用于确定集群中心的技术对于本领域技术人员是已知的，并且在此将不进一步描述。
在步骤1072中，对于在步骤1701中识别的M个集群中心中的每个，识别集合{fk k=l，2，…，K-n+1}中最接近集群中心f。m的特征矢量fk。该特征矢量被表示为faMhm，因
为其是作为由第m个集群表示的信号部分的原型或模型的特征矢量。因而，对于表示心跳信号的集群，用于该集群的原型特征矢量f 。h或集群中心f。可以被看作参数化的心跳的模型。接下来，在步骤1073中，对训练信号ss_th搜索最对应于farchm的子分段saMhm。事实上，对于特征矢量far。ta颠倒学习过程的步骤103和104。因而，所定位的子分段Sarfim包含ss_th中其参数最接近f 。ta的那η个峰值。下面描述的步骤1074-1078指示如何从M个子分段Sarch和在步骤1072中识别的 M个集群中心中识别表示心跳信号的集群和集群中心。尽管在下面的步骤中使用f。，但是应理解可以替代地使用faMh。首先，在步骤1074中，计算每个集群中心f。m与各特征矢量fk之间的距离函数。优选地，使用与在集群步骤(步骤106)中使用的距离度量相同的距离度量。当满足下面的条件时，该距离函数d将相对于在位置ρ处的f。m具有局部最小值， 其中 P t [1,2, - ,κ-η+1]
d(fc, ^1) > d(fc, fp) < d(fc，fp+1)。应理解，f。m和与该集群相关或作为该集群的一部分的任何特征矢量之间的距离函数d将具有局部最小值。然后，在步骤1705中，确定每个子分段的Sarfim与训练信号ss_th之间的互相关性。 应理解，在子分段最类似于训练信号ss_th (即第m个集群中的特征矢量所表示的信号部分)的情况下，互相关的结果将具有最大值。考虑(在该阶段还没有从M个集群中识别出的)表示心跳的集群和集群中心，在 BCG信号ss_th中的每个心跳处，将存在距离函数中的局部最小值和互相关性中的局部最大值。因而，在步骤1076中，使用距离函数的最小值和互相关函数的最大值，为M个集群和集群中心中的每一个单独地确定心跳位置的第一估计。在下面的分配部分中给出了如何使用这两个函数来识别位置的进一步细节。除了与心跳信号相关的提供心跳位置的集群和集群中心外，其他集群也将识别 s—中具有距离函数中的局部最小值和互相关函数中的局部最大值的位置。然而，这些局部极值通常仅在BCG信号中零星地出现。因此，可以通过检查BCG信号中的两个单独的局部极值之间的时间，来识别不与心跳相关的集群(步骤1077)。如果连续的“心跳”之间的间隔大于比如3秒和/或小于0. 25 秒，则可以假定相对应的集群不与心跳相关，并且在进一步的分析中可以被忽略。尽管在上面的步骤1077中的检查对于从分析中排除许多集群是有用的，但是情况常常是多于一个的集群通过了检查。因此，需要进一步的淘汰准则。一般的观察是心跳导致BCG中的具有比较高的频率的分段。在文献(J. N. Edson, R. Dickes、G. H. Flamm禾口 M. Tobin 的“Higher Frequency Phenomena in the Normal Ballistocardiogram", Circulation Research, 1958，第 1 卷，第 405-409 页)中，这些高频分量据称与由贲门瓣的打开和闭合导致的机械力相关。由于这些分量的频率可以独立地变化并且也取决于BCG传感器的位置，所以在该方法中使用动态调整的带通滤波器来检测它们(参见图3中的步骤110)。通过利用各种带通滤波器来滤波信号分段(来自图3中的步骤101)而确定最佳的参数。构造带通滤波器的集合，使得每个单独的滤波器具有2Hz的带宽，并且整个集合以0. 1-0. 5Hz增量覆盖从4Hz至22Hz的频率范围。因而带通滤波器的集合可以包括具有截止频率=114 Hz, 6 Hz], [4.1 Hz, 6.1 Hz], [4.2 Hz, 6.2 Hz],…，[20Hz, 22Hz]} 的滤波器。对于集合中的每个滤波器，对滤波器响应求平方，并且应用具有3. 5Hz的截止频率的低通滤波器来获得滤波器响应包络(如图8中所示)。对于每个滤波器响应包络，通过以下来向包络中的每个峰值分配相关性分值
a)峰值的幅度与平均峰值幅度加上峰值幅度标准偏差之间的比，以及
b)峰的对称性。然后选择导致最高平均相关性分值的滤波器，并且在步骤110中使用其来检测经滤波的BCG信号^ilt的高频分量。在下面的分配部分中提供了相关性分值计算的更详细描述。使用最佳滤波器在步骤110中检测的高频分量现在可以帮助在步骤107中识别与心跳相关的集群。现在返回到图7，具体为步骤1078，其距离函数中的局部最小值和相关函数中的局部最大值与在步骤110中确定的高频分量的位置最一致的集群被认为与心跳最相关。此外，可以考虑距离函数的局部最小值的深度、互相关函数的局部最大值的幅度以及高频分量的最大值的幅度，以确定最好地描述心跳图案的集群。该集群在此被表示为cHB。 在该阶段的分析中剩余的所有其他集群现在被忽略。该集群的集群中心f。现在被表示为CHB。enta (图3中的步骤108)，并且识别ss_th 中的最接近匹配cHB。mto的分段。该分段被表示为^ffiarch (步骤109)。这终止该算法的学习部分。分配步骤
一旦已确定了中心Clffieentee和心跳信号的相对应原型％Ba,。h，则可以对新输入的BCG信号 (在在线的情况下)或其余的BCG信号(在离线的情况下)扫描心跳(图1中的步骤12)。下面，将描述在线情况。本领域技术人员将理解类似考虑对离线情况也如此。图9图示了在分配步骤期间使用的方法。每当从BCG传感器输入新的采样(s,eal)时，对它们进行滤波(步骤201)及平滑(步骤202)，如同图3中所示的训练算法的步骤101和102中那样。类似地，确定经滤波和平滑的信号中的特性点(即局部最大值和最小值)(步骤203，其类似于步骤103)。然后参数化在特性点处的信号并且构成特征矢量(步骤204和205)。在步骤206 (其类似于图7中的步骤1074)中，计算特征矢量与心跳集群中心 Clffirenta之间的距离并对其扫描局部最小值。类似地，确定新输入的信号(在滤波和平滑之后的)之间的互相关性及其最大值(步骤207)。进一步应用在学习算法的步骤110中确定的最佳带通滤波器，以对新的BCG信号 (Sfilt)扫描高频包络中的最大值(步骤208 )。步骤206、207和208中的分析结果可以用于识别在BCG信号^eal中的何处出现心跳。然而，应注意到，距离函数的最小值、互相关性的最大值和高频分量的最大值的位置可能出现在稍微不同的位置(时间)。另外，可能出现假性的高频分量、以及距离和互相关函数的错误局部极值。在这样的情况下，评定各准则的可靠性以找到它们之间的合理折中很重要。因而，在步骤209中，评定在步骤206、207和208中找到的最小值和最大值的可靠性。利用其相对于两个相邻最大值的高度的深度来评估距离函数的局部最小值的可靠性。为此，计算左边最大值与最小值之间的幅度差(Ii1)以及右边最大值与最小值之间的幅度差(、)。然后将具有幅度^lin的最小值的可靠性rd估计为
rd = (hx+hr) / (2 (amin+max (hr, hx)))
可以示出，通过构造对rd进行标准化(即0 SrdS 1)。向相对于其相邻峰值的高度对称并且具有幅度0的最小值分配最大分值1。类似地，可以使用rx= (hx+hr) / (amax)来评定具有幅度amax的互相关性峰值，其中h和、分别是峰值与左边和右边最小值之间的幅度差。如同对于rd那样，rx被标准化， 并且向相对于其在左边和右边最小值之上的高度对称的峰值分配最大分值。最后，使用ι·ω= (hx+hr) / (2afflax) · (amax/arrf)来评估信号的高频分量中的峰值的可靠性。在该情况下，公式的第一因子与rx的计算相同，因而量化峰值的相对对称性，而第二因子利用峰值幅度与参考幅度^rf的比来调整分值。在训练序列期间将参考幅度^rf 计算为高频峰值的平均幅度加上幅度的标准偏差。最后，必须确定如何能够有利地组合关于上面计算出的可靠性rx、rd和i~hf的信息以确定心跳实际已出现在哪个时间点(步骤210)。分别通过tx、td和thf来表示互相关性准贝U、距离准则和高频分量准则的每个通过自身来检测的心跳的时间点。在理想情况中，这三个时间将是相同的(即tx=td=thf)。然而，在真实世界的设置中，它们彼此稍微不同，因为它们试图通过关注BCG信号的不同特征来检测心跳。如果通过所有三个准则(距离、互相关性和高频分量)同时很好地检测到心跳，则时间tx、td和thf将形成明确可辨别的三元组(参见图10)。下面的过程的目的是识别这些三元组，并且通过可以用来识别各心跳的代表值来替代它们。在不丧失一般性的情况下，为了进一步描述该算法，考虑时间thf作为起始点。在该时间thf，高频准则提示心跳。在该情况中，算法检测、和、是否位于区间[thf_c，thf+c] 内，其中C是通常被设置为约0. 3秒的常数。如果、和td位于该区间内，则构造三个时间 tx、td和thf以及三个可靠性rx、rd和ι·ω的代表值Rhf (r*hf，t*hf)，其通过时间点t*hf和可靠性r*hf来定义。如下将代表时间t*hf计算为利用相对应的可靠性rx、rd和i~hf加权的时间 tx、td和thf的和
t*hf = (rxt/ (rx+rd+rhf)
代表可靠性被简单地计算为互相关性、距离和高频准则的可靠性的和，即 r*hf= (rx+rd+rhf)/NN = 3
直到现在，已假定距离和互相关准则在时间区间[thf-c，thf+c]内分别仅导致一个时间td和tx。如果在该区间中仅仅找到这些时间中的一个或一个也没找到，则该过程仍然如上所述工作，然而在上述等式中缺少的时间点的可靠性被设置为零。因此，N的值被设置为非零可靠性的数量。
类似地，距离和/或相关性准则也可能提示区间[thf_c，thf+c]内的多于一个的心跳。如果假定距离准则指示区间[thf-C，thf+c]内在时间tdl和td2的两个心跳，则通过以 thf为中心、随到thf的距离而线性或非线性减少的对称窗口函数来对相对应的可靠性rdl和 rd2进行加权。在优选实施例中，使用高斯窗口函数，其在区间[thf-c，thf+c]内的端点处减小到(几乎)零。在该算法的随后步骤中仅仅考虑具有最大加权可靠性的时间点tdl或td2， 而丢弃另一个。迄今为止，上面描述的过程是基于时间点thf作为起始点。该起始点是任意选择的，并且优选地，在实践中，分别以、和tx作为起始点来重复上述的过程。这将导致新的代表&(讨(1，ι·、)禾PRx(t*x，r*x)。在如图10中所示的明确可辨别的三元组的情况下，代表 t*d、t*x和t*hf的时间分量是相同的。对于认为已出现心跳的每个时间点t，该算法计算分值。如果在时间t没有找到代表(即没有代表具有等于t的时间分量〖、、丨 或t*hf)，则分值为零。否则，分值等于具有等于t的时间分量的那些代表的可靠性分量的和。例如，假定有三个代表Rd (t*d，r*d)、Rx (t*x，r*x)和 Rhf (t*hf，r*hf)，其中 t*d = t*x =t*hf = t，则在时间t的相对应的分值S (t)等于
S(t) = r*d+ r*x+ r*hf
如果S(t)大于预定义的阈值Sthresh，则该算法检测到在时间t的心跳。否则没有检测到心跳，并且该算法等待后面的采样(在线的情况下)。本领域技术人员将理解，在训练和/ 或分配步骤期间可以取决于q个最后检测到的心跳的可靠性值来调整阈值Sthresh。此外，在被监视的人显示出相当规则的心跳的情况下，可以使用最近确定的跳到跳间隔来预测何时最可能出现下一心跳。在这些时间点周围，降低阈值Sthresh以减少错过的跳动的数量。上面识别的点已很好地指示在BCG信号中的何处出现各心跳。然而，为了更准确地确定各跳到跳时间间隔，需要进一步的精化步骤。在该步骤中，精细调节在信号中峰值的图案首次重复其自身的时间段。具体地，设、t2,…，tN是已检测到心跳的时间点，其中N是目前发现的心跳的数量。此外，设s(tp，tp+1)表示在时间点％和1_之间记录的信的分段，其中1 ( ρ ^ N-I。为了精细调节在信号中第ρ个峰值重复其自身的时间，确定自变量tshift，
tshift = arg maxdt xcorr (s (tp, tp+1), s (tp+1 + dt, 2tp+1 - tp + dt)), dt e [-0. 15 s, 0. 15 s],
其最大化在分段s(tp，tp+1)与随后的分段s(tp+1+dt，2tp+1 - tp - 1+dt)之间的互相关性xcorr。最终可以将在第ρ个和第p+1个峰值之间的跳到跳间隔ip,p+1计算为
ip’p+i _ tp+1 _ tp + dt ο在该步骤之后，完成对心跳的检测及跳到跳间隔计算，并且该算法等待下一个样本到达。结果
图11是示出当根据本发明的算法被应用于其中心跳相当规则地出现的BCG数据的短分段时(即当不存在心率不齐时)所获得的结果的图。作为参考，绘制与BCG信号同时获取的ECG信号。通过比较两个图，可以看出该算法明确地识别BCG信号中的各心跳。此外，图12图示了对同时记录大约8分钟的BCG信号和ECG信号的分析。对于每个新的跳动，在ECG中确定到前一个跳动的时间距离。类似地，使用根据本发明的算法来基于BCG信号计算相对应的跳到跳距离。ECG和BCG分析两者的相对应的跳到跳距离被配对在一起，并且被绘制在图12中示出的散点图中。如果BCG和ECG分析两者导致相同的估计， 则图12中的图应仅包含沿着χ-y对角线(其通过虚线指示)的项。该对角线清楚地在图12 中占支配地位，并且仅仅可以发现非常少量的偏离对。在整个分段上求平均，基于ECG的峰值到峰值间隔与BCG间隔之间的绝对偏差是7ms。总共仅丢失所有峰值的0. 6%，并且检测到0. 2%的假阳性。最后，图13示出了心率不齐的心跳的ECG信号和相对应的BCG信号两者。如同规则的心跳的情况(图11)一样，根据本发明的算法检测到该分段中的所有心跳。这对于基于心脏规则跳动的假定的算法来说是不可能的。本领域技术人员将理解，现有的BCG传感器可以以不可见的方式集成到要监视的人的床位中，因此提供对心率以及呼吸速率的完全非侵入式的监视。此外，基于BCG的监视系统比已建立的重症监护病房(I⑶)监视系统便宜得多。这两个特征使得基于BCG的方案对于医院普通病房是理想的，在医院的普通病房中患者不再需要全规模ICU监视系统，但是医生仍然对他们的患者的生命机能感兴趣。特别地，在该设置中，由于心率不齐通常可能是其他严重的健康问题的指示或预示，所以对心率不齐的准确检测是重要的。基于BCG的技术也可以用在家庭中以长期监视心率和呼吸速率。该应用例如对遭受心力衰竭的患者是特别感兴趣的，因为在该情况下降低的心率变化性被看作心脏代偿失调的预示。此外，特别由于其非侵入式的本质，BCG可以用于在夜间评定睡眠质量而不打扰被监视的人。尽管已在方法和算法方面描述了本发明，但是应理解本发明可以被实现在BCG系统(即与用于测量BCG信号的装置相结合的计算机装置)中，或被实现为独立计算机系统或程序。应理解，BCG系统可以向本发明的装置提供模拟或数字形式的心冲击图信号，并且本发明的装置可以被适配为相应接收该信号。例如，BCG系统可以向该装置提供模拟形式的心冲击图信号，并且该装置可以包括抗混叠滤波器和模数转换器，用于向该装置中的适当编程的数字信号处理器提供心冲击图信号的数字表示。可替选地，BCG系统可以实现模数转换器，使得以数字形式向该装置(具体地向该装置中的数字信号处理器)提供心冲击图信号。该装置可以使用任何适当的手段(诸如通过到BCG系统的有线或无线连接)来接收心冲击图信号。在图14中示出用于实现本发明的装置的一个实施例。从BCG传感器302向装置 304提供心冲击图信号。装置304在输入端口 306接收BCG信号并使用处理器308如之前的描述所述地处理BCG信号。用于使处理器308执行该方法的指令可以被存储在存储器 310 中。因而提供了一种用于检测心冲击图信号中的单个心跳事件的改进的方法和装置。尽管在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应被认为是说明性或示范性的而不是限制性的；本发明不限于所公开的实施例。
13
本领域技术人员在实践所主张的本发明中，通过研究附图、本公开和所附的权利要求，可以理解和实现对所公开的实施例的变化。在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以完成在权利要求中记载的几个项目的功能。在相互不同的从属权利要求中记载的某些措施的名义事实并不指示这些措施的组合不能被有利地使用。权利要求中的任何参考符号不应被解释为限制范围。计算机程序可以被存储/分发在适当的介质上，诸如与其他硬件一起提供或作为其他硬件的一部分提供的光存储介质或固态介质，但是也可以以其他形式分发，诸如经由因特网或其他有线或无线电信系统。


提供了一种用于分析心冲击图信号的方法和装置。所述方法包括通过定位BCG信号中的用户心跳的典型特征来检测所述BCG信号中的心跳，所述心跳的典型特征已在训练步骤期间获取。