一种呼吸率提取方法及装置与流程

文档序号:11115555
一种呼吸率提取方法及装置与制造工艺

本发明涉及呼吸检测领域,尤其涉及一种呼吸率提取方法及装置。



背景技术:

呼吸是人体重要的生理过程,对人体呼吸的监护检测也是现代医学监护技术的一个重要组成部分。患者不论是呼吸系统本身的病变或是其他重要脏器的病变发展到一定程度都会影响呼吸中枢。多脏器系统功能衰竭往往累及呼吸功能的衰竭,呼吸功能的衰竭又导致其他脏器功能的衰竭,互为因果。

现有技术对呼吸运动主要使用下列方法检测:阻抗容积法:用高频恒流源测量胸部阻抗的变化来提取呼吸信息;传感器法:使用温度、压力、湿度和气流传感器作为鼻孔传感器;电容法:当呼吸时导致电容值产生相应的变化;呼吸音法:通过拾取呼吸音识别呼吸;超声法:利用超声波产生多谱勒现象,检测出呼吸频率。使用这些方法不但需要增加信号采集部件,而且受到运动和环境的影晌,不适合用于日常监护。

大量临床资料显示,呼吸运动会引起心电图的变化。通过心电图,我们可以观察到在呼吸周期内由胸部运动和心脏位置变化所引起的心电波形峰峰值的改变。这是由于呼吸周期内,描述心脏电波主要传播方向的心脏电轴旋转造成QRS波群形态发生了变化。QRS波是指正常心电图中幅度最大的波群,反映心室除极的全过程。正常心室除极始于室间隔中部,自左向右方向除极,故QRS波群先呈现一个小向下的q波。正常胸导联QRS波群形态较恒定。从心电信号中提取呼吸信号(ECG-DerivedRespiration,EDR)是一种呼吸信号检测技术,这种技术不需要专用传感器和硬件模块检测呼吸信号,只需要用心电监护仪获取心电信号,避免了上述两种检测方法对人体的束缚,使动态呼吸检测成为可能。

但现有从心电信号中提取呼吸信号的技术,在计算时主要采用波形法,该方法通过一段时间内波形的平均值(即基线值),来判定当前呼吸波处于上升或下降趋势,用极值的方法求得波形的波峰、波谷。根据一定的阈值条件来判定有效的波峰或波谷,再根据有效波峰或波谷的周期计算波形周期,从而得到呼吸率。这种算法虽然具有比较直观、运算量小的优点,但在实际过程中获取的呼吸波形或多或少会受到心电活动的影响,当波形出现基线漂移时,计算的基线值无法很快更新,会导致波形漏检致使呼吸率值偏低,其结果会有较大偏差。



技术实现要素:

针对上述问题,本发明的目的在于提供一种呼吸率提取方法及装置,实现准确可靠的呼吸率的测量,并可减轻由于外界或环境的干扰而引起的测量波动或误差。

本发明提供了一种呼吸率提取方法,包括:

通过预先训练好的关于呼吸信号的神经网络模型对接收到的心电信号进行提取,得到第一呼吸信号,并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率;

通过构建好的关于呼吸信号的自回归模型对所述心电信号进行提取,得到第二呼吸信号,并根据所述第二呼吸信号计算得到当前时刻的第二呼吸率;

基于信号质量指数,对所述第一呼吸信号和所述第二呼吸信号进行分析,得到与所述第一呼吸信号对应的第一权重因子和与所述第二呼吸信号对应的第二权重因子;

根据所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子,计算得到当前时刻的呼吸率。

优选地,在所述通过预先训练好的神经网络模型对所述待处理心电信号进行提取,得到第一呼吸信号,并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率之前,还包括:

接收多导联心电信号,分别计算每个导联心电信号的RR间期和R峰幅值,得到输入样本空间,其中,所述输入样本空间的维度为p,p/2为多导联心电信号的导联数目;

基于主成本分析法对根据所述输入样本空间形成的协方差矩阵进行处理,得到主成分得分矩阵;

以所述主成分得分矩阵和通过阻抗法同步采集得到的目标呼吸信号为训练样本对进行训练,获得神经网络模型。

优选地,所述基于主成本分析法对根据所述输入样本空间形成的协方差矩阵进行处理,得到主成分得分矩阵,具体包括:

对所述输入样本空间进行数据标准化处理;

根据数据标准化处理后的所述输入样本空间得到协方差矩阵;

计算所述协方差矩阵的特征根和与每个特征根对应的特征向量;其中,所述特征根的数量为p个,且所述的p个特征根按照大小排序;

获取所述的p个特征根中,贡献率之和大于预定阈值的前m个特征根;其中,每个特征根的贡献率等于所述特征根的值除以全部的p个特征根的值之和;

根据与所述的前m个特征根对应的特征向量及所述输入样本空间,得到主成分得分矩阵。

优选地,所述自回归模型为经过滑动平均法优化后的自回归模型。

优选地,所述根据所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子,计算得到当前时刻的呼吸率具体为:

当判断所述第一权重因子大于预设的基准值且所述第二权重因子小于所述基准值时,将所述第一呼吸率设置为当前时刻的呼吸率;

当判断所述第一权重因子小于预设的基准值且所述第二权重因子大于所述基准值时,将所述第二呼吸率设置为当前时刻的呼吸率;

当判断所述第一权重因子计所述第二权重因子均大于预设的基准值时,根据所述第一权重因子及所述第二权重因子对所述第一呼吸率和第二呼吸率进行加权求和,计算得到当前时刻的呼吸率。

本发明还提供了一种呼吸率提取装置,包括:

神经网络提取单元,用于通过预先训练好的关于呼吸信号的神经网络模型对接收到的心电信号进行提取,得到第一呼吸信号,并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率;

自回归提取单元,用于通过构建好的关于呼吸信号的自回归模型对所述心电信号进行提取,得到第二呼吸信号,并根据所述第二呼吸信号计算得到当前时刻的第二呼吸率;

信号质量分析单元,用于基于信号质量指数,对所述第一呼吸信号和所述第二呼吸信号进行分析,得到与所述第一呼吸信号对应的第一权重因子和与所述第二呼吸信号对应的第二权重因子;

呼吸率计算单元,用于根据所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子,计算得到当前时刻的呼吸率。

优选地,还包括:

输入样本空间获取单元,用于接收多导联心电信号,分别计算每个导联心电信号的RR间期和R峰幅值,得到输入样本空间,其中,所述输入样本空间的维度为p,p/2为多导联心电信号的导联数;

主成分分析单元,用于基于主成本分析法对根据所述输入样本空间形成的协方差矩阵进行处理,得到主成分得分矩阵;

神经网络训练单元,用于以所述主成分得分矩阵和通过阻抗法同步采集得到的目标呼吸信号为训练样本对进行神经网络训练,获得神经网络模型。

优选地,所述主成分分析单元具体包括:

标准化处理模块,用于对所述输入样本空间数据标准化处理;

协方差矩阵计算模块,用于根据数据标准化处理后的所述输入样本空间得到协方差矩阵;

特征计算模块,用于计算所述协方差矩阵的特征根和与每个特征根对应的特征向量;其中,所述特征根的数量为p个,且所述的p个特征根按照大小排序;

筛选模块,用于获取所述的p个特征根中,贡献率之和大于预定阈值的前m个特征根;其中,每个特征根的贡献率等于所述特征根的值除以全部的p个特征根的值之和;

得分矩阵获取模块,用于根据与所述的前m个特征根对应的特征向量及所述输入样本空间,得到主成分得分矩阵。

优选地,所述自回归模型为经过滑动平均法优化后的自回归模型。

优选地,所述呼吸率计算单元具体包括:

第一判断模块,用于当判断所述第一权重因子大于预设的基准值且所述第二权重因子小于所述基准值时,将所述第一呼吸率设置为当前时刻的呼吸率;

第二判断模块,用于当判断所述第一权重因子小于预设的基准值且所述第二权重因子大于所述基准值时,将所述第二呼吸率设置为当前时刻的呼吸率;

第三判断模块,用于当判断所述第一权重因子计所述第二权重因子均大于预设的基准值时,根据所述第一权重因子及所述第二权重因子对所述第一呼吸率和第二呼吸率进行加权求和,计算得到当前时刻的呼吸率。

本发明提供的呼吸率提取方法及装置,通过利用神经网络模型与自回归时间序列技术相结合的方式处理心电信号得到第一呼吸率及第二呼吸率,并根据与所述第一呼吸率对应的第一权重因子和与所述第二呼吸率对应的第二权重因子得到当前时刻的呼吸率,相比于现有由单一技术从心电信号得到呼吸信号的方案,计算结果更准确可靠,并可减轻由于外界或环境的干扰而引起的测量波动或误差,从而能够得到更为准确稳定的测量结果。

附图说明

图1是本发明实施例提供的一种呼吸率提取方法的流程图;

图2是本发明实施例提供的原始心电信号的波形图;

图3是本发明实施例提供的工频陷波后的待处理心电信号的波形图;

图4是本发明实施例提供的通过神经网络模型提取得到的第一呼吸信号的波形图;

图5是本发明实施例提供的通过自回归模型提取得到的第二呼吸信号的波形图。

图6是本发明实施例提供的呼吸率提取装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

本发明提供了一种呼吸率提取方法,用于从心电信号中提取出呼吸信息,由于呼吸作用引起的心电图中的基线漂移,把呼吸信息看作是心电信号的低频成分,通过去除呼吸频率以外的信号,从而得到所需提取的呼吸信息。

参见图1,为本发明实施例提供的一种呼吸率提取方法,包括如下步骤:

S1:通过预先训练好的关于呼吸信号的神经网络模型对接收到的心电信号进行提取,得到第一呼吸信号,并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率。

需要说明的是,如图2所示由于原始的心电信号往往包含大量的工频干扰,需要进行50Hz工频陷波,以滤除工频干扰,参见图3,为根据本发明实施例的工频陷波后的心电信号的波形图。

在本发明实施例中,在利用神经网络模型对所述待处理心电信号进行提取时,需先通过训练得到可以用于提取呼吸信号的神经网络模型。

具体地,在本发明实施例中,可通过如下方法来进行神经网络模型的计算:

S01,接收多导联心电信号,分别计算每个导联心电信号的RR间期和R峰幅值,得到输入样本空间,其中,所述输入样本空间的维度为p,p/2为多导联心电信号的导联数。

在本发明实施例中,输入样本空间X=[x1,x2,...,xn]表示m*n维向量,其中x1表示长度为m的列向量,通过计算1导联的RR间期,得到x1,计算1导联的R峰幅值,得到x2,计算2导联的RR间期,得到x3;计算2导联的R峰幅值,得到x4;...以此类推得到。

S02,基于主成本分析法对根据所述输入样本空间形成的协方差矩阵进行处理,得到主成分得分矩阵。

在本发明实施例中,考虑到标准多导联心电信号为12导联,分别计算每个导联的RR间期和R峰幅值后,需要输入到神经网络的特征值达到24个,且各导联之间互相关联,导致输入样本的维度较大且含有线性相关的输入项,不利于计算分析,为此需要利用主成分分析法对其进行降维。

具体地,步骤S12可包括:

S021,对所述输入样本空间进行数据标准化处理。

具体地,

其中:

其中,Xi'j是标准化后的新数据;Mj、Sj分别表示原始数据某一列的算术平均值和标准(偏)差。

S022,根据数据标准化处理后的所述输入样本空间得到协方差矩阵。

其中,协方差矩阵D=XTX,即:

其中:

S023,计算所述协方差矩阵的特征根和与每个特征根对应的特征向量;其中,所述特征根的数量为p个,且所述的p个特征根按照大小排序。

其中,DP=Pλ (6)

当只考虑第j个特征值时,有DPj=Pjλj,即求解|D-λjI|=0。依次解出各个λ,并使其按大小顺序排列,即λ1≥λ2≥…,≥λp≥0;然后可求出各特征值对应的特征向量P,进而特征方程求解完成。

S024,获取所述的p个特征根中,贡献率之和大于预定阈值的前m个特征根;其中,每个特征根的贡献率等于所述特征根的值除以全部的p个特征根的值之和。

首先,计算单个主成分的贡献率并进行累计,根据累计贡献率确定主成分的个数m,从而确定所需要选取的主成分。贡献率的计算公式如公式(7)所述。累计贡献率即前m个贡献率的累积和,如公式(8)所示。所述阈值Dmax一般取在85%~95%之间。根据上一步骤中的特征根排序可知,λ1≥λ2≥…,≥λp≥0,从前往后(也是从大到小)依次对特征根进行累加,当累计贡献率大于Dmax时,停止计算,此时累计计算的特征根λ的数目为m,则只需要选取前m个主成分即可。

S025,根据与所述的前m个特征根对应的特征向量及所述输入样本空间,得到主成分得分矩阵。

其中,所述主成分得分矩阵

需要说明的是,在本发明实施例中,还可计算主成分的载荷,其中,所述主成分载荷主要反映主成分得分与原变量xj的关联程度,计算公式为:得到各主成分的载荷以后,就可以知道选取的每一个主成分分别对应的原始特征,如有需要,可以根据原始特征的量纲转换回去。

S13,以所述主成分得分矩阵和通过阻抗法同步采集得到的目标呼吸信号为训练样本对进行神经网络训练,获得神经网络模型。

在本发明实施例中,在得到主成分得分矩阵T和通过阻抗法同步采集得到的目标呼吸信号Y,就可以进行神经网络的训练,具体地:

神经网络模型由输入层(特征)、隐层、输出层组成。其中,每层都对应一个相应的函数。在训练时,将所述主成分特征矩阵T输入到输入层,将通过阻抗法同步采集得到的目标呼吸信号输入到输出层(如输出层采用softmax函数),即可用得到隐含层的参数(如sigmod函数的参数)。其中,神经网络模型的参数,包括权重,偏置等。

在本发明实施例中,神经网络模型的隐层可为1个(可取其他值,当前情况下,1个已能够满足要求),隐层节点数为K个,学习速率为μ,通常将学习速率选在0.02~0.2之间。为了获得最佳的网络训练效果,可采用试凑法确定网络学习速率。

在本发明实施例中,神经网络的学习算法可选取Levenberg-Marquart算法,也可采用其他学习算法,本发明不做具体限定。

在本发明实施例中,在获得训练好的神经网络模型后,只需将所述待处理心电信号作为输入输入到所述神经网络模型的输入层,即可以在输出层得到从所述心电信号中提取得到如图4所示的第一呼吸信号,此后,即可根据所述第一呼吸信号计算得到第一呼吸率。

具体地,可通过求极值法在所述第一呼吸信号的波形图中寻找第一呼吸信号的波峰(或者波谷),参见图4中的点标记;

通过提取最近生成的两个波峰之间的时间间隔,以得到当前时刻的周期T。

对所述周期进行采样率换算即可得到当前时刻的第一呼吸率R1。

例如,R1=60/T1。

S2:通过构建好的关于呼吸信号的自回归模型对所述心电信号进行提取,得到第二呼吸信号,并根据所述第二呼吸信号计算得到当前时刻的第二呼吸率。

在本发明实施例中,利用所述自回归模型对所述待处理心电信号进行提取时,需先构建自回归模型,其构建过程如下:

对于自回归模型AR(p),可表示为:

φ(B)yt=at (10)

其中,B为延迟算子,Byt=yt-1;p为模型的阶数,表示自回归项数,yt为时间序列的当前值;at为随机干扰。满足平稳性条件。在AR模型中,当前时刻的观测yt由过去p个历史时刻的观测值和一个当前时刻的随机干扰来表示。

在本发明实施例中,为了降噪,尤其是白噪声,还可利用滑动平均法来优化自回归模型,假设滑动平均法的阶数为q,则θ(B)=1-θ1-...-θqBq,滑动平均模型MA(q)如公式11所示,当前时刻的观测yt由过去q个历史时刻的观测值和一个当前时刻的随机干扰来表示,yt为时间序列的当前值;at为随机干扰。利用该模型对自回归模型进行优化,则可得到自回归-滑动平均模型ARMA(p,q),其中,p、q为模型阶数(p为自回归项数,q为滑动平均项数),如公式12所示。

yt=θ(B)·at (11)

φ(B)yt=θ(B)·at (12)

在本发明实施例中,在获得所述自回归-滑动平均模型后,即可进行呼吸信号的提取。具体地,自回归-滑动平均模型是一种盲源分离的信号提取方法。首先,通过估计模型中的加权参数,计算ECG混合信号(及所述待处理心电信号,其中包括了呼吸信号)的ARMA(p,q)模型的系数矩阵,作为呼吸信号的特征;其次,结合估计得到的呼吸信号的特征,采用自相关分离算法,对所述待处理心电信号进行抽取,达到纯净ECG信号和呼吸信号分离的目的提取得到呼吸信号。

参见图5,为根据本发明实施的自回归模型提取得到的第二呼吸信号的波形图。

在本发明实施例中,在获得所述第二呼吸信号后,即可计算第二呼吸率R2,具体为:

通过求极值法在所述第二呼吸信号的波形图中寻找第二呼吸信号的波峰(或者波谷),参见图5中的点标记;

通过提取最近生成的两个波峰之间的时间间隔,以得到周期T2。

根据采样率换算即可得到实时的第二呼吸率R2。

S3:基于信号质量指数,对所述第一呼吸信号和所述第二呼吸信号进行分析,得到与所述第一呼吸信号对应的第一权重因子和与所述第二呼吸信号对应的第二权重因子。具体为:

对所述第一呼吸信号和所述第二呼吸信号进行功率谱分析(或峰值谱分析),分析所述第一呼吸信号和所述第二呼吸信号的谱分布,得到与所述第一呼吸信号对应的第一权重因子和与所述第二呼吸信号对应的第二权重因子。

S4:根据所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子,计算得到当前时刻的呼吸率。

在一个优选实施例中,可通过对所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子进行加权平均来得到当前时刻的呼吸率,即:

R=μ1*R1+μ2*R2 (13)

需要说明的是,在进行加权平均之前,需先对μ1和μ2进行归一化处理,具体地,假设μ1+μ2=a,则需要分别对μ1和μ2乘以归一化系数1/a进行归一化,保证归一化后的μ1+μ2=1。

在另一个实施例中,计算得到当前时刻的呼吸率具体包括:

当判断所述第一权重因子大于预设的基准值且所述第二权重因子小于所述基准值时,将所述第一呼吸率设置为当前时刻的呼吸率。

当所述第二权重因子小于所述基准值时,可以认为第二呼吸信号的信号质量较差,此时,直接将所述第一呼吸率R1设置为当前时刻的呼吸率R。

当判断所述第一权重因子小于预设的基准值且所述第二权重因子大于所述基准值时,将所述第二呼吸率设置为当前时刻的呼吸率。

当所述第一权重因子小于所述基准值时,可以认为第一呼吸信号的信号质量较差,此时,直接将所述第一呼吸率R1设置为当前时刻的呼吸率R。

当判断所述第一权重因子计所述第二权重因子均大于预设的基准值时,根据所述第一权重因子及所述第二权重因子对所述第一呼吸率和第二呼吸率进行加权求和,计算得到当前时刻的呼吸率。

即:R=μ1*R1+μ2*R2。

如果权重因子较小,则说明对应的呼吸信号质量较差,则直接去掉与质量较差呼吸信号对应的呼吸率,保证计算结果的准确和稳定。

本发明实施例中,通过神经网络模型与自回归时间序列技术相结合的方式处理心电信号得到第一呼吸率及第二呼吸率,并根据与所述第一呼吸率对应的第一权重因子和与所述第二呼吸率对应的第二权重因子得到当前时刻的呼吸率,计算结果更准确可靠,并可减轻由于外界或环境的干扰而引起的测量波动或误差,从而能够得到更为准确稳定的测量结果。

参阅图6,本发明实施例还提供一种呼吸率提取装置100,包括:

神经网络提取单元10,用于通过预先训练好的关于呼吸信号的神经网络模型对接收到的心电信号进行提取,得到第一呼吸信号,并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率。

自回归提取单元20,用于通过构建好的关于呼吸信号的自回归模型对所述心电信号进行提取,得到第二呼吸信号,并根据所述第二呼吸信号计算得到当前时刻的第二呼吸率。

信号质量分析单元30,用于基于信号质量指数,对所述第一呼吸信号和所述第二呼吸信号进行分析,得到与所述第一呼吸信号对应的第一权重因子和与所述第二呼吸信号对应的第二权重因子。

呼吸率计算单元40,用于根据所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子,计算得到当前时刻的呼吸率。

本发明实施例中,通过利用神经网络模型与自回归时间序列技术相结合的方式处理心电信号得到第一呼吸率及第二呼吸率,并根据与所述第一呼吸率对应的第一权重因子和与所述第二呼吸率对应的第二权重因子得到当前时刻的呼吸率,计算结果更准确可靠,并可减轻由于外界或环境的干扰而引起的测量波动或误差,从而能够得到更为准确稳定的测量结果。

优选地,所述呼吸率提取装置100还包括:

输入样本空间获取单元50,用于接收多导联心电信号,分别计算每个导联心电信号的RR间期和R峰幅值,得到输入样本空间,其中,所述输入样本空间的维度为p,p/2为多导联心电信号的导联数;

主成分分析单元60,用于基于主成本分析法对根据所述输入样本空间形成的协方差矩阵进行处理,得到主成分得分矩阵;

神经网络训练单元70,用于以所述主成分得分矩阵和通过阻抗法同步采集得到的目标呼吸信号为训练样本对进行神经网络训练,获得神经网络模型。

优选地,所述主成分分析单元60具体包括:

标准化处理模块61,用于对所述输入样本空间数据标准化处理;

协方差矩阵计算模块62,用于根据数据标准化处理后的所述输入样本空间得到协方差矩阵;

特征计算模块63,用于计算所述协方差矩阵的特征根和与每个特征根对应的特征向量;其中,所述特征根的数量为p个,且所述的p个特征根按照大小排序;

筛选模块64,用于获取所述的p个特征根中,贡献率之和大于预定阈值的前m个特征根;其中,每个特征根的贡献率等于所述特征根的值除以全部的p个特征根的值之和;

得分矩阵获取模块65,用于根据与所述的前m个特征根对应的特征向量及所述输入样本空间,得到主成分得分矩阵。

优选地,所述自回归模型为经过滑动平均法优化后的自回归模型。

优选地,所述呼吸率计算单元40具体包括:

第一判断模块41,用于当判断所述第一权重因子大于预设的基准值且所述第二权重因子小于所述基准值时,将所述第一呼吸率设置为当前时刻的呼吸率;

第二判断模块42,用于当判断所述第一权重因子小于预设的基准值且所述第二权重因子大于所述基准值时,将所述第二呼吸率设置为当前时刻的呼吸率;

第三判断模块43,用于当判断所述第一权重因子计所述第二权重因子均大于预设的基准值时,根据所述第一权重因子及所述第二权重因子对所述第一呼吸率和第二呼吸率进行加权求和,计算得到当前时刻的呼吸率。

以上所揭露的仅为本发明两种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1