一种基于心肺信息的生理状态监测方法和监测仪与流程

1.本发明涉及医疗器械领域，尤其是一种基于心肺信息的生理状态监测方法和监测仪。


背景技术：

2.心血管系统和呼吸系统之间存在着内在的协调机制，它们之间的相互作用叫做心肺耦合，因此也被称为心肺交互作用。相对于单一的研究心电信号或者呼吸信号来说明机体的平衡与健康状况，将心电信号与呼吸信号放在一起进行耦合研究，得到心血管循环系统和呼吸系统之间的耦合作用状态，更具有准确性和稳定性。
3.研究表明，基于体表心电信号和呼吸信号的耦合研究具有诊断的临床价值，无论是与传统的心电信号或是呼吸信号的单一分析相比较，心肺耦合研究的分析结果都具有较高的一致性，能很好地反映在不同生理状态时自主神经系统对心血管系统和呼吸系统耦合作用的影响。
4.因此，现有技术中存在如下问题：无法有效融合心肺信息，且基于常规心电信号无法发现一些隐藏的心脏疾病，导致健康状态监测不能达到良好的效果。


技术实现要素：

5.(一)解决的技术问题
6.为了解决上述技术问题，本发明提供一种基于心肺信息的生理状态监测方法和监测仪，通过结合特征融合和决策融合实现了更加精确的健康状态的监测。
7.(二)技术方案
8.为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：
9.一种基于心肺信息的生理状态监测方法，包括以下步骤：
10.s1：获取高频心电信号并进行预处理
11.采用高频心电图机采集高频心电信号，基于高频心电信号进行心肺信息融合，基于高频信号的特征信息，有助于识别隐藏心脏疾病的存在。
12.s2：获取呼吸信号并进行预处理
13.基于呼吸流量传感器对呼吸信号进行获取，由于基于呼吸流量传感器可以获取精确的呼吸信号，包括呼吸频率，呼吸流速等信息。
14.s3：提取信号特征
15.包括对信号进行归一化处理，通过三个方面提取特征，包括时域、频域和微分熵。
16.s4：对高频心电信号和呼吸信号进行信号融合
17.基于深度学习结合特征融合和决策融合两种数据融合方式，对高频心电信号和呼吸信号进行信号融合。具体为：先将高频心电信号的时域特征与频域特征进行融合，进一步与微分熵特征进行融合；其次将呼吸的时域特征与频域特征进行融合，进一步与微分熵特
征进行融合；最终将高频心电信号的融合结果与呼吸信号的融合结果进行融合，得到最终结果。
18.进一步地，步骤s1还包括：
19.针对工频干扰：
20.采用软件方法滤除50hz的工频干扰，基于二阶iir滤波器，系统函数如下：
[0021][0022]
其中，为陷波数字频率，f0为陷波频率，fs为采样频率。
[0023]
针对肌电干扰：
[0024]
本发明基于结合变分模态分解与改进的小波阈值法对肌电干扰信号进行滤除。具体为：
[0025]
(1)将高频心电信号经过变分模态分解自适应分解为k个模态分量。
[0026]
进一步地，通过分析连续变化的k值下，各模态分量中心频率的分布确定k值。
[0027]
(2)确定模态分量的性质，将其分为信号主导或噪声主导。采用模态分量与高频心电信号的相关系数作为特征量，设定阈值m区分模态分量的性质，相关系数大于阈值时，模态分量被认定为信号主导，否则为噪声主导。
[0028]
(3)对噪声主导的模态分量进行小波阈值去噪。
[0029]
(4)将信号主导的模态分量与小波阈值去噪后的模态分量重构得到去噪后的心电信号。
[0030]
改进的小波阈值去噪如下：
[0031]
基于改进的阈值函数，如下式所示：
[0032][0033]
其中，w
′
为去噪后的信号，w为原信号，t为阈值。
[0034]
进一步地，步骤s2包括：
[0035]
对呼吸流量信号进行预处理包括：
[0036]
计算潮气量方式如下：
[0037][0038]
其中，c为潮气量，n为一次吸气过程采集的数据量，xi为采集的吸气数据值。
[0039]
采用低通滤波器从流量波形中滤除呼吸流量，仅保留漏气量，进一步将呼吸流量信号减去已得到的漏气量，得到呼吸流量补偿后的结果；采用二阶有源低通滤波器去除高频噪声干扰。
[0040]
进一步地，步骤s3中特征具体包括：
[0041]
(1)时域
[0042]
时域信息包括：标准差、方差、均方根，原始信号和归一化信号的一阶微分均值和
二阶微分均值、hjorth活动性、移动性、复杂度。
[0043]
一阶微分均值计算方式如下：
[0044][0045]
二阶微分均值计算方式如下：
[0046][0047]
反应信号波动的峰度和偏度：
[0048][0049][0050]
hjorth活动性、移动性、复杂度计算方式如下：
[0051][0052][0053][0054]
其中，s为原始信号，长度为n，μs为原始信号的平均值，σs为原始信号的标准差，为原始信号的标准差，s
′
为原始信号的一阶导数。
[0055]
(2)频域
[0056]
提取频域的特征包括能量谱密度、功率谱密度、功率谱强度和差分熵。
[0057]
通过以下步骤获取频域信息：
[0058]
将n段时域信号通过fft变换为频域信号x(n)；将频域信号划分k个频段，对各个频段进行特征提取。频域特征包括如下特征：
[0059]
a.能量谱密度
[0060][0061]
其中，esd表示能量谱特征，fk表示第k个频段的下频段，f
k+1
表示第k个频段的上频段，表示下频段与采样频率的商，表示上频段与采样频率的商。
[0062]
b.功率谱密度
[0063][0064]
其中，psd表示功率谱特征，
[0065]
c.功率谱强度
[0066]
功率谱强度表示的是将频域的幅值求和，计算公式如下：
[0067]
psi＝∑|xi|
[0068]
其中，psi表示功率谱强度，
[0069]
(3)微分熵
[0070]
对于服从高斯分布的信号，微分熵的计算方式如下：
[0071][0072]
进一步地，步骤s4包括：
[0073]
基于改进的随机森林算法进行特征融合，基于d-s证据理论方法进行决策融合，最终融合基于加权算法。
[0074]
进一步地，改进的随机森林算法具体为：
[0075]
a.基于果蝇算法对随机森林算法中的决策树数量和最大深度的初始值进行寻优；具体步骤如下：
[0076]
a1:初始化果蝇位置以及其与食物之间距离：
[0077][0078]
其中，x0、y0分别为果蝇所在位置，i，j分别为随机值。
[0079]
a2：计算距离d，并计算味道浓度判定值s：
[0080][0081][0082]
a3:计算味道浓度值si:
[0083]
si＝f(s)
[0084]
其中，f函数为味道浓度函数。
[0085]
a4:求浓度极大值，获取该个体的浓度最大值和位置最优值。
[0086]
a5:更新坐标位置，并计算出新位置的浓度最大值；
[0087]
a6:比较新位置和原位置的浓度，若新位置的浓度优于原位置的浓度，则执行a5，否则执行a1-a4。
[0088]
a7.确定是否达到结束条件，若是，则获得最终结果，退出程序。
[0089]
b.基于最优初始值构建随机森林分类器进行分类，形成一级分类器；
[0090]
通过已完成初始化果蝇算法对随机森林算法中初始参数进行最优值搜寻，可以避免算法训练模型中的初始参数采用人工经验值设置导致的参数不确定性。选取随机森林算法训练模型的均方根误差作为粒子群算法的适应度函数，误差值越小，说明模型的预测能
力越准确，利用果蝇算法对适应度函数进行最小值寻优，就可以确定随机森林模型达到最优条件对应的参数。
[0091]
分别基于时域特征、频域特征以及微分熵特征形成分类，即一级分类器，分类结果为监测对象生理状态等级，分为优秀，良好，中等，差和危急。
[0092]
进一步地，决策融合包括：
[0093]
基于d-s证据理论方法进行决策融合，假设有证据推理系统ei,θ＝{θ1,θ2…
θn},其幂集合为2
θ
，θ为n个互斥系统组成的集合，对于θ的一个子集a，m()为a的基本概率，若m(a)》0，则a为焦元。
[0094]
基于d-s证据理论决策算法对多个分类器进行融合，具体步骤如下：
[0095]
a.计算证据ei与其他证据间的冲突程度k
ij
,构成冲突向量ki＝{k
i1
,k
i2
,
…kin
}，并进行标准化处理。
[0096]
b.计算标准化后的冲突向量的熵
[0097][0098]
c.计算证据ei权重系数：
[0099][0100]
d.根据权重系数分配m和冲突k，构成证据合成方式如下：
[0101]m′
(a)＝p(a)+k
′×
q(a)
[0102]
其中，q(a)为证据对a的平均支持程度，
[0103]
e.根据合成结果做出决策，得到分类结果。
[0104]
将时域和频域一级分类器的输出结果通过d-s证据理论决策算法进行融合，形成二级分类结果，将二级分类结果与微分熵的一级分类器进行通过d-s证据理论决策算法进行融合，形成三级分类结果，进一步分别将高频心电信号的三级分类结果与呼吸信号的三级分类结果采用加权方式进行融合。
[0105]
本发明还提供一种基于心肺信息的生理状态监测仪，其具体包括：
[0106]
高频心电信号获取和处理模块，其用于对高频心电信号进行采集和预处理，针对工频干扰：
[0107]
采用软件方法基于二阶iir滤波器滤除50hz的工频干扰，系统函数如下：
[0108][0109]
其中，为陷波数字频率，f0为陷波频率，fs为采样频率；
[0110]
针对肌电干扰：基于结合变分模态分解与改进的小波阈值法对肌电干扰信号进行滤除；
[0111]
呼吸信号获取和处理模块，其用于基于呼吸流量传感器对呼吸信号进行获取，对
呼吸流量信号进行预处理包括：
[0112]
采用低通滤波器从流量波形中滤除呼吸流量，仅保留漏气量，进一步将呼吸流量信号减去已得到的漏气量，得到呼吸流量补偿后的结果；采用二阶有源低通滤波器去除高频噪声干扰。
[0113]
特征提取模块，其用于提取信号特征，包括时域、频域、和微分熵。
[0114]
特征融合模块，其用于基于深度学习结合特征融合和决策融合两种数据融合方式，对高频心电信号和呼吸信号进行信号融合，具体包括：基于结合果蝇算法优化的随机森林算法进行特征融合以及基于d-s证据理论方法的决策融合。
[0115]
(三)有益效果
[0116]
本发明通过高频心电信号获取监测对象高频心电信息，对监测对象的隐藏心脏疾病进行准确获取和判断；通过结合变分模态分解与改进的小波阈值法对肌电干扰信号进行滤除，更准确还原了高频心电信号；通过结合特征融合和决策融合的信号融合算法，实现了监测状态的精确判断。
附图说明
[0117]
此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0118]
图1是根据本技术实施例的监测方法的流程图；
[0119]
图2是根据本技术实施例的信号融合算法的示意图。
具体实施方式
[0120]
下面结合附图对本公开实施例进行详细描述。
[0121]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0122]
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0123]
参见图1，基于心肺信息的生理状态监测方法包括：
[0124]
s1：获取高频心电信号并进行预处理
[0125]
常规其频响范围一般约40hz左右,精密一点的心电图机也不超过100hz,即只能描记心电的低频信号,100hz以上的高频信号却被滤去而不能反应出来,因而失去许多对心脏病有诊断价值的信息,心电高频信息是指频率大于100hz的心电成分,心电高频成分对心脏病尤其是对冠心病的诊断价值,已逐渐引起心血管临床工作者的注意,高频心电图正逐渐
成为又一无创性心脏病检查的新方法而应用于临床。
[0126]
因此，本发明采用高频心电图机采集高频心电信号，基于高频心电信号进行心肺耦合，基于高频信号的特征信息，有助于识别隐藏疾病的存在。
[0127]
对高频心电信号的预处理与低频信号的预处理区别在于，对于不能简单通过低通滤波来滤除干扰信号。
[0128]
针对工频干扰：
[0129]
采用软件方法滤除50hz的工频干扰，基于二阶iir滤波器，系统函数如下：
[0130][0131]
其中，为陷波数字频率，f0为陷波频率，fs为采样频率。
[0132]
针对肌电干扰：
[0133]
本发明基于结合变分模态分解与改进的小波阈值法对肌电干扰信号进行滤除。具体为：
[0134]
(1)将高频心电信号经过变分模态分解自适应分解为k个模态分量。
[0135]
k为分解层数，k值的选择对于分解效果有重要的意义。若k值过小，则会导致欠分解，信号不能得到有效分解，容易发生模态混叠；k值过大则会导致过分解，产生伪分量，影响对信号的准确分析和重建。因此，本发明通过分析连续变化的k值下，各模态分量中心频率的分布确定k值。
[0136]
(2)确定模态分量的性质，将其分为信号主导或噪声主导。采用模态分量与高频心电信号的相关系数作为特征量，设定阈值m区分模态分量的性质，相关系数大于阈值时，模态分量被认定为信号主导，否则为噪声主导。
[0137]
(3)对噪声主导的模态分量进行小波阈值去噪。
[0138]
(4)将信号主导的模态分量与小波阈值去噪后的模态分量重构得到去噪后的心电信号。
[0139]
改进的小波阈值去噪如下：
[0140]
本发明提供一种改进的阈值函数，如下式所示：
[0141][0142]
其中，w
′
为去噪后的信号，w为原信号，t为阈值。
[0143]
该阈值函数具有连续性，当w趋近于t时，由上式可知：
[0144]w→
t
+
时，
[0145]w→
t-时，w
′
＝0。
[0146]
因此，函数在t处连续，解决了硬阈值在t处不连续的问题。
[0147]
并且，当w
→
∞时，w
′→
1，因此，阈值函数曲线的渐近线为w
′
＝w，解决了软阈值函数恒定偏差的问题，使信号在去噪后失真更小。
[0148]
在实际去噪时，应结合去噪评估指标的结果并根据噪声干扰程度来调节参数p、q
以实现最好的去噪效果。首先调节整体参数q，q值不宜过小，否则容易出现震荡，也不宜过大，否则容易出现信号失真。q值完成后，通过调节微调参数p来对阈值函数进行微调，直到达到预期效果。
[0149]
s2：获取呼吸信号并进行预处理
[0150]
基于呼吸流量传感器对呼吸信号进行获取，由于基于呼吸流量传感器可以获取精确的呼吸信号，包括呼吸频率，呼吸流速等信息。
[0151]
对呼吸流量信号进行预处理包括：
[0152]
计算呼吸潮气量，通过检测流量数据判断目前呼吸状态为吸气还是呼气，若为吸气，则将流量数据存储到吸气存储空间，接着读取下一个数据，若仍为吸气，则将该流量数据与吸气存储空间的总流量数据相加并存入吸气存储空间，计算总的吸气量，若下一数据为呼气，则输出吸气存储空间存储的流量为潮气量，同时将存储空间数据清零等待下次的吸气过程。其计算方式如下：
[0153][0154]
其中，c为潮气量，n为一次吸气过程采集的数据量，xi为采集的吸气数据值。
[0155]
采用低通滤波器从流量波形中滤除呼吸流量，仅保留漏气量，进一步将呼吸流量信号减去已得到的漏气量，得到呼吸流量补偿后的结果；采用二阶有源低通滤波器去除高频噪声干扰。
[0156]
s3：提取信号特征
[0157]
由于各个信号的量纲不同，因此需要对信号进行归一化处理，将信号归一化为无量纲数值，降低计算的复杂性，提升计算速度。归一化计算方式如下：
[0158][0159]
其中，x
′
为归一化之后的结果，σ为标准差，μ为均值。
[0160]
通过三个方面提取特征，包括时域、频域和微分熵。
[0161]
(1)时域
[0162]
时域信息能体现信号随时间变化，本发明基于统计学的时域特征，其中包括：标准差、方差、均方根，原始信号和归一化信号的一阶微分均值和二阶微分均值、hjorth活动性、移动性、复杂度。
[0163]
一阶微分均值计算方式如下：
[0164][0165]
二阶微分均值计算方式如下：
[0166][0167]
反应信号波动的峰度和偏度：
[0168][0169][0170]
hjorth活动性、移动性、复杂度计算方式如下：
[0171][0172][0173][0174]
其中，s为原始信号，长度为n，μs为原始信号的平均值，σs为原始信号的标准差，为原始信号的标准差，s
′
为原始信号的一阶导数。
[0175]
(2)频域
[0176]
信号的时域信息比较直观，而信号的频域特征能反映信号的更大细节，因此，将时域信号转换到频域，提取频域的特征包括能量谱密度、功率谱密度、功率谱强度和差分熵。
[0177]
通过以下步骤获取频域信息：
[0178]
将n段时域信号通过fft变换为频域信号x(n)；将频域信号划分k个频段，对各个频段进行特征提取。频域特征包括如下特征：
[0179]
a.能量谱密度
[0180][0181]
其中，esd表示能量谱特征，fk表示第k个频段的下频段，f
k+1
表示第k个频段的上频段，表示下频段与采样频率的商，表示上频段与采样频率的商。
[0182]
b.功率谱密度
[0183][0184]
其中，psd表示功率谱特征，
[0185]
c.功率谱强度
[0186]
功率谱强度表示的是将频域的幅值求和，计算公式如下：
[0187]
psi＝∑|xi|
[0188]
其中，psi表示功率谱强度，
[0189]
(3)微分熵
[0190]
对于服从高斯分布的信号，微分熵的计算方式如下：
[0191][0192]
s4：对高频心电信号和呼吸信号进行信号融合
[0193]
基于深度学习结合特征融合和决策融合两种数据融合方式，对高频心电信号和呼吸信号进行信号融合，具体融合方法如图2所示：
[0194]
(1)特征融合
[0195]
对上述的时域特征、频域特征以及微分熵特征分别改进的随机森林算法进行分类，形成一级分类器。改进的随机森林算法结合果蝇算法进行优化，具体步骤如下：
[0196]
a.基于果蝇算法对随机森林算法中的决策树数量和最大深度的初始值进行寻优；具体步骤如下：
[0197]
a1:初始化果蝇位置以及其与食物之间距离：
[0198][0199]
其中，x0、y0分别为果蝇所在位置，i，j分别为随机值。
[0200]
a2：计算距离d，并计算味道浓度判定值s：
[0201][0202][0203]
a3:计算味道浓度值si:
[0204]
si＝f(s)
[0205]
其中，f函数为味道浓度函数。
[0206]
a4:求浓度极大值，获取该个体的浓度最大值和位置最优值。
[0207]
a5:更新坐标位置，并计算出新位置的浓度最大值；
[0208]
a6:比较新位置和原位置的浓度，若新位置的浓度优于原位置的浓度，则执行a5，否则执行a1-a4。
[0209]
a7.确定是否达到结束条件，若是，则获得最终结果，退出程序。
[0210]
b.基于最优初始值构建随机森林分类器进行分类，形成一级分类器；
[0211]
通过已完成初始化果蝇算法对随机森林算法中初始参数进行最优值搜寻，可以避免算法训练模型中的初始参数采用人工经验值设置导致的参数不确定性。选取随机森林算法训练模型的均方根误差作为粒子群算法的适应度函数，误差值越小，说明模型的预测能力越准确，利用果蝇算法对适应度函数进行最小值寻优，就可以确定随机森林模型达到最优条件对应的参数。
[0212]
分别基于时域特征、频域特征以及微分熵特征形成分类，分类结果为监测对象生理状态等级，分为优秀，良好，中等，差和危急。
[0213]
(2)决策融合
[0214]
d-s证据理论方法简称d-s规则，假设有证据推理系统ei,θ＝{θ1,θ2…
θn},其幂集合为2
θ
，θ为n个互斥系统组成的集合，对于θ的一个子集a，m()为a的基本概率，若m(a)》0，则a为焦元。
[0215]
基于d-s证据理论决策算法对多个分类器进行融合，具体步骤如下：
[0216]
a.计算证据ei与其他证据间的冲突程度k
ij
,构成冲突向量ki＝{k
i1
,k
i2
,
…kin
}，并进行标准化处理。
[0217]
b.计算标准化后的冲突向量的熵
[0218][0219]
c.计算证据ei权重系数：
[0220][0221]
d.根据权重系数分配m和冲突k，构成证据合成方式如下：
[0222]m′
(a)＝p(a)+k
′×
q(a)
[0223]
其中，q(a)为证据对a的平均支持程度，
[0224]
e.根据合成结果做出决策，得到分类结果。
[0225]
将时域和频域一级分类器的输出结果通过d-s证据理论决策算法进行融合，形成二级分类结果，将二级分类结果与微分熵的一级分类器进行通过d-s证据理论决策算法进行融合，形成三级分类结果，进一步分别将高频心电信号的三级分类结果与呼吸信号的三级分类结果采用加权方式进行融合。
[0226]
在本实施方式中，通过高频心电信号获取监测对象高频心电信息，对监测对象的隐藏心脏疾病进行准确获取和判断；通过结合变分模态分解与改进的小波阈值法对肌电干扰信号进行滤除，更准确还原了高频心电信号；通过结合特征融合和决策融合的信号融合算法，实现了监测状态的精确判断。
[0227]
本发明实施例还提出一种基于心肺信息的生理状态监测仪，其具体包括：
[0228]
高频心电信号获取和处理模块，其用于对高频心电信号进行采集和预处理，针对工频干扰：
[0229]
采用软件方法基于二阶iir滤波器滤除50hz的工频干扰，系统函数如下：
[0230][0231]
其中，为陷波数字频率，f0为陷波频率，fs为采样频率；
[0232]
针对肌电干扰：基于结合变分模态分解与改进的小波阈值法对肌电干扰信号进行滤除；
[0233]
呼吸信号获取和处理模块，其用于基于呼吸流量传感器对呼吸信号进行获取，对呼吸流量信号进行预处理包括：
[0234]
采用低通滤波器从流量波形中滤除呼吸流量，仅保留漏气量，进一步将呼吸流量信号减去已得到的漏气量，得到呼吸流量补偿后的结果；采用二阶有源低通滤波器去除高频噪声干扰。
[0235]
特征提取模块，其用于提取信号特征，包括时域、频域、和微分熵。
[0236]
特征融合模块，其用于基于深度学习结合特征融合和决策融合两种数据融合方式，对高频心电信号和呼吸信号进行信号融合，具体包括：基于结合果蝇算法优化的随机森林算法进行特征融合以及基于d-s证据理论方法的决策融合。
[0237]
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。