信号处理
文章平均质量分 69
老衲要学习
无言不雠,无德不报
展开
-
从PPG预测BP,离了大谱
一、背景相关从脉搏波获取血压目前是一个重要的研究方向,为众多从事机器学习和深度学习算法的童鞋们提供了很好的研究对象。但是这个研究对象又不那么好研究,一方面是因为脉搏波的复杂性,一方面是因为数据库的不适用性(适合亚洲人的数据库我还没找到)。数据库一般包含以下几个数据:PPG、ABP、ECG的至少两个,我们要做的就是从PPG和ECG信号的组合中获取ABP信号,一般对于非持续精确测量而言,获取到SBP、DBP和MBP就可以了。波形数据源地址https://archive.ics.uci.edu/ml/data原创 2022-02-23 18:04:13 · 3371 阅读 · 5 评论 -
Remote PPG—— Pos Wang皮肤反射模型
一、肤色正交平面的来源由于2SR的主要特点是考虑色调变化(即忽略强度),因此它在(12)中的对应是首先消除1方向上的亮度变化。因此,我们将Cn(T)投影到正交于1的平面上,表示为:S(t)=Pp∗Cn(t)=Pp∗N∗I0∗(us∗s(t)+up∗p(t))S(t) = P_p*C_n(t)=P_p*N*I_0*(u_s*s(t)+u_p*p(t))S(t)=Pp∗Cn(t)=Pp∗N∗I0∗(us∗s(t)+up∗p(t))Pp∗1=(0,0).TP_p*1=(0, 0).TPp∗1=原创 2022-01-02 13:35:54 · 1319 阅读 · 0 评论 -
Remote PPG 皮肤反射模型
一、 绪论引言远程光体积描记术(RPPG)通过使用多波长RGB相机检测脉冲引起的人体皮肤表面细微的颜色变化,从而实现对人体心脏活动的非接触式监测。近年来,已经提出了几种从视频中提取脉搏信号的核心rPPG方法。其中以De Haan团队做出的成果最为显著,他们团队提出或运用的方法包括:1)盲源分离(BSS)(例如,基于主成分分析(PCA)的[2]和基于独立成分分析(ICA)的),它使用不同的标准将时间RGB轨迹分离成不相关或独立的信号源以恢复脉冲;2)Chrom,它通过假设标准化的肤色来线性地组合色度信原创 2021-12-24 17:10:41 · 3390 阅读 · 1 评论 -
怎么从图片中提取线 python
import numpy as npimport matplotlib.pyplot as pltimport cv2import pylab as mpl # import matplotlib as mplfrom scipy.signal import savgol_filterfrom signal_process.basic_signal_pro import normalize_funa = cv2.imread(r'.jpg')a_red = a[:, :, 2]def原创 2021-12-23 15:14:48 · 4496 阅读 · 4 评论 -
python 无迹卡尔曼(filterpy.kalman.UnscentedKalmanFilter)调参
python 无迹卡尔曼(filterpy.kalman)调参1. filter.kalman.MerweScaledSigmaPoints,Van der Merwe式sigma点选择,UT变换最好用的sigma点选择算法input:n :状态维度alpha :均值附近sigma点的分布,通常选0.1~1之间。调节中心点与周围点的权重。beta :由先验知识,高斯分布选2。kappa :k = 3-noutput:Wm :sigma点均值的权重Wc :sigma点协方差的权重可以看到,原创 2021-05-20 09:35:42 · 4219 阅读 · 1 评论 -
小波怎么选?——看图选
小波分析有两种类型:连续小波和多分辨率小波。哪种小波分析最适合您的工作取决于您想对数据做什么。本主题主要关注一维数据,但是您可以将相同的原则应用于二维数据。1. 时频分析:如果你的目标是执行一个详细的时频分析,选择连续小波变换(CWT)。在实现方面,CWT比离散小波变换(DWT)更精细地离散尺度。有关更多信息,请参阅连续和离散小波变换。1.1 瞬时频率对于瞬时频率增长较快的信号,连续小波变换优于短时傅里叶变换(STFT)。在下图中,双曲调频的瞬时频率在谱图和cwt衍生的尺度图中被绘制为虚线。1.翻译 2021-06-28 21:38:32 · 7171 阅读 · 1 评论 -
自适应滤波器(LMS)基本知识
一、基本原理实验中测得一个观测信号u(t),得到一个再由这个信号的基本特征(如频谱分析中带通滤波或者小波变换)重建出一个期望信号d(t)。由u(t)与d(t)之间进行一系列运算之后得到输出的滤波后信号y(t)。基本步骤如下:初始化:给定初始权重系数w(0),迭代步长μ\muμ计算输出:$y(t) = w(t)⊺u(t)w(t) ^ \intercal u(t)w(t)⊺u(t)误差计算:e(t)=d(t)−y(t)e(t)=d(t)-y(t)e(t)=d(t)−y(t)权重更新:w(t+1)=原创 2021-09-20 19:06:04 · 2225 阅读 · 0 评论 -
奇异谱分析(SSA)与傅里叶幅频分析(FFT)的一个实验
一、原始信号的FFT分析模仿一个脉搏波(PPG)信号的波形from signal_process.singular_spectrum_analysis import SSAimport matplotlib.pyplot as pltimport numpy as np# 模拟一个信号并画出图def plot_freq_pulse(length, freq1, freq2, freq3, freq4): x = np.linspace(0, 15, length) # 采样频率fre原创 2021-09-09 22:29:52 · 1571 阅读 · 0 评论