一种呼吸率提取方法及装置制造方法及图纸

本发明专利技术公开了一种呼吸率提取方法，所述方法包括：获取原始心电信号，并对所述原始心电信号进行工频陷波后得到待处理心电信号；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；其中，通过主成分分析法对采集的多导联心电信号的每个导联的RR间期和R峰幅值构成的输入样本空间进行处理获得主成分得分矩阵，并根据所述主成分得分矩阵和目标呼吸信号进行训练获得所述神经网络模型。本发明专利技术还公开了一种呼吸率提取装置，能够快速有效地从心电信号中提取呼吸信号，从而计算得到准确稳定的呼吸率。

【技术实现步骤摘要】

本专利技术涉及呼吸检测领域，尤其涉及一种呼吸率提取方法及装置。
技术介绍
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。人工神经网络(ArtificalNeuralNetwork,ANN)是由大量简单的处理单元(神经元)相互连接而构成的网络系统，是一个高度复杂的非线性动力学系统。人工神经网络具有自学习、自适应及鲁棒性强的特点，近年来在信号检测研究中得到广泛地关注。利用神经网络模型进行信号检测和提取前先需根据输入样本及目标样本进行训练。对于心电信号，可将多导联心电信号作为输入样本，但是标准的多导联心电信号为12导联，在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，因此输入样本的维度较大且含有线性相关的输入项，导致神经网络模型的训练效率和训练效果不佳，进而影响信号提取的准确度及检测的呼吸率的精确度。
技术实现思路
针对上述问题，本专利技术的目的在于提供一种呼吸率提取方法及装置，可提高神经网络的训练效率及训练效果，从而提高信号提取的速度和准确度，以保证计算得到的呼吸率具有较高的精确度。本专利技术提供了一种呼吸率提取方法，包括：获取原始心电信号，并对所述原始心电信号进行工频陷波后得到待处理心电信号；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；其中，通过主成分分析法对采集的多导联心电信号的每个导联的RR间期和R峰幅值构成的输入样本空间进行处理获得主成分得分矩阵，并根据所述主成分得分矩阵和目标呼吸信号进行训练获得所述神经网络模型。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2p，p为多导联心电信号的导联数；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降维处理，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神经网络训练，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降维处理，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2p个，且所述的2p个特征根按照大小排序；获取所述的2p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2p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，还包括：通过构建好的自回归模型对所述待处理心电信号进行提取，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，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。本专利技术还提供一种呼吸率提取装置，包括:工频陷波单元，用于获取原始心电信号，并对所述原始心电信号进行工频陷波后得到待处理心电信号；神经网络提取单元，用于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；其中，通过主成分分析法对采集的多导联心电信号的每个导联的RR间期和R峰幅值构成的输入样本空间进行处理获得主成分得分矩阵，并根据所述主成分得分矩阵和目标呼吸信号进行训练获得所述神经网络模型。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2p，p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降维处理，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本文档来自技高网...

【技术保护点】
一种呼吸率提取方法，其特征在于，包括：获取原始心电信号，并对所述原始心电信号进行工频陷波后得到待处理心电信号；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；其中，通过主成分分析法对采集的多导联心电信号的每个导联的RR间期和R峰幅值构成的输入样本空间进行处理获得主成分得分矩阵，并根据所述主成分得分矩阵和目标呼吸信号进行训练获得所述神经网络模型。

【技术特征摘要】
1.一种呼吸率提取方法，其特征在于，包括：获取原始心电信号，并对所述原始心电信号进行工频陷波后得到待处理心电信号；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；其中，通过主成分分析法对采集的多导联心电信号的每个导联的RR间期和R峰幅值构成的输入样本空间进行处理获得主成分得分矩阵，并根据所述主成分得分矩阵和目标呼吸信号进行训练获得所述神经网络模型。2.根据权利要求1所述的呼吸率提取方法，其特征在于，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。3.根据权利要求2所述的呼吸率提取方法，其特征在于，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。4.根据权利要求1至3任意一项所述的呼吸率提取方法，其特征在于，还包括：通过构建好的自回归模型对所述待处理心电信号进行提取，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。5.根据权利要求4所述的呼吸率提取方法，其特征在于，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。6.一种呼吸率提取装置，...

【专利技术属性】
技术研发人员：胡静，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东;44