一种呼吸率计算方法及装置制造方法及图纸

一种呼吸率计算方法及装置，该方法包括：获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号；通过所述训练用参数信号调整自适应滤波器，以调整后的所述自适应滤波器对所述测试用参数信号进行处理得到第一呼吸信号，并根据所述第一呼吸信号计算第一呼吸率；通过所述训练用参数信号构建神经网络训练模型，通过所述神经网络训练模型从所述测试用参数信号中获取第二呼吸信号，并根据所述第二呼吸信号计算第二呼吸率；通过加权计算所述第一呼吸率和所述第二呼吸率得到最终的呼吸率。本发明专利技术通过自适应滤波器和神经网络从心电信号中提取呼吸信号，获得准确的呼吸率，适合用于日常监护。

【技术实现步骤摘要】

本专利技术涉及心电信号处理领域，特别是涉及一种呼吸率计算方法及装置。
技术介绍
目前用于计算呼吸率的方法主要有：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。从心电信号中提取呼吸信号(ECG－DerivedRespiration,EDR)的方法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。然而现有技术中，从心电信号提取呼吸信号的技术并不成熟，仍存在一些问题。例如通过心电信号提取呼吸信号的过程中由于心电、呼吸信号的非线性、随机性和非平稳等特性，造成呼吸信号的丢失和交叉干扰的问题，使计算得到的呼吸率不准确，而且系统的鲁棒性差。
技术实现思路
鉴于上述状况，有必要针对现有技术中呼吸率计算不准确的问题，提供一种基于心电信号计算呼吸率的方法及装置。本专利技术提供了一种呼吸率计算方法，包括：获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号；通过所述训练用参数信号调整自适应滤波器，以调整后的所述自适应滤波器对所述测试用参数信号进行处理得到第一呼吸信号，并根据所述第一呼吸信号计算第一呼吸率；通过所述训练用参数信号构建神经网络训练模型，通过所述神经网络训练模型从所述测试用参数信号中获取第二呼吸信号，并根据所述第二呼吸信号计算第二呼吸率；通过加权计算所述第一呼吸率和所述第二呼吸率得到最终的呼吸率。上述方法，其中，所述通过所述训练用参数信号调整自适应滤波器的步骤包括：通过自适应滤波器对所述训练用参数信号进行处理得到预估的呼吸信号；计算所述预估的呼吸信号与阻抗法获得的呼吸信号的差值，并调整所述自适应滤波器的参数，使所述差值在预设的范围内。上述方法，其中，所述自适应滤波器对所述参数信号进行处理的步骤包括：根据预设的模糊规则对所述参数信号进行模糊推理，得到所述模糊规则的第一后件；通过正交基函数对所述参数信号进行函数扩展，得到所述模糊规则的第二后件；根据所述第一后件和第二后件，确定所述自适应滤波器的输出信号。上述方法，其中，所述根据预设的模糊规则对所述参数信号进行模糊推理，得到所述模糊规则的第一后件的步骤包括：计算所述参数信号在自适应滤波器的每个神经元节点的模糊子集的隶属度；根据所述隶属度计算每条模糊规则的激励强度；对所述激励强度进行归一化处理，得到所述模糊规则的第一后件。上述方法，其中，所述隶属度的计算公式为：其中，上述公式中，表示输入信号向量在第j个神经元节点的隶属度，l＝1,2,…,r表示输入信号变量的个数，j＝1,2…,n表示隶属度函数的个数，μlj(xl)表示第l个参考输入信号变量xl在第j个神经元节点的隶属度函数，clj表示第l个参考输入信号在第j个神经元节点的隶属度函数的中心，表示第j个神经元节点的隶属度函数的宽度。上述方法，其中，所述激励强度的计算公式为：其中，为第j条模糊规则的激励强度，clj表示第l个输入信号在第j个神经元节点的隶属度函数的中心，表示第j个神经元节点的隶属度函数的宽度。上述方法，其中，所述第一后件的计算公式为：其中，为第j条模糊规则的激励强度，为第j条模糊规则的第一后件，n为模糊规则的数量。上述方法，其中，所述正交基函数为：所述第二后件的计算公式为：其中，Chm(xl)为输出向量中第l个元素的第m个切比雪夫正交多项式，T为转置操作，M为所述正交基函数的个数，wj为第j条模糊规则的第二后件，α1j,α2j,...,αMj为第j条模糊规则的后件参数集，M为所述正交基函数的个数。上述方法，其中，所述根据所述第一后件和第二后件，确定所述自适应滤波器输出的信号的步骤包括：根据如下公式确定所述自适应滤波器输出的信号：y为所述自适应滤波器输出的信号，Oj为第j条模糊规则的第一后件，wj为第j条模糊规则的第二后件。上述方法，其中，所述通过所述训练用参数信号构建神经网络训练模型的步骤之前还包括，将所述参数信号进行降维，得到主成分心电信号；所述通过所述训练用参数信号构建神经网络训练模型的步骤包括，以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为所述神经网络的训练目标，构建神经网络训练模型；所述通过所述神经网络训练模型从所述测试用参数信号中获取第二呼吸信号的步骤包括，将所述测试用参数信号对应的主成分心电信号输入到所述神经网络训练模型中，获取最终的呼吸信号。上述方法，其中，所述将所述参数信号进行降维的步骤包括：将所述参数信号进行显著性检验得到显著性特征信号；通过主成分分析对所述显著性特征信号进行降维，得到主成分心电信号。上述方法，其中，所述将所述参数信号进行显著性检验得到显著性特征信号的步骤包括：将所述参数信号进行标准化处理，得到标准心电信号；将所述标准心电信号进行方差分析和F检验，得到显著性特征信号。上述方法，其中，所述神经网络采用动态BP算法，所述动态BP算法通过动量因子进行权值调整，权值调整的计算公式为：w(k+1)＝w(k)+Δw(k+1)其中，α表示网络的学习率，η表示动量因子，表示第k次反向传递的误差偏微分，w(k)表示第k次反向传递的阈值或权值，E(k)表示第k次反向传递的误差总和。上述方法，其中，所述神经网络通过试凑法确定隐层节点数的个数，所述试凑法包括步骤：先将隐节点数目设置在1+i/2附近，逐渐增加隐节点数至2*i+1，形成误差性能曲线；通过分析误差性能曲线来确定隐节点的数量，其中i是输入层节点数目。上述方法，其中，所述获取心电信号并进行预处理，从所述心电信号中提取参数信号的步骤包括：获取心电信号并进行工频滤波，得到滤波信号；通过阈值法提取所述滤波信号中的RR间期序列信号和RW幅值序列信号。上述方法，其中，所述通过加权计算所述第一呼吸率和所述第二呼吸率得到最终的呼吸率的步骤包括：分别计算所述第一呼吸信号和第二呼吸信号的权重因子μ1和μ2，计算公式为：μ1＝(P1,1-P2,1)/P1,1μ2＝(P1,2-P2,2)/P1,2根据所述权重因子μ1和μ2及所述第一呼吸率和第二呼吸率计算最终的呼吸率，计算公式为R＝μ1*R1+μ2*R2，其中，P1,1为第一呼吸信号的功率谱分布，P1,2为第二呼吸信号的功率谱分布，P2,1为第一呼吸信号的干扰的功率普分布，P2,2为第二呼吸信号的干扰的功率普分布，R1为第一呼吸呼吸率，R2为第二呼吸率。本专利技术还提供了一种呼吸率计算装置，包括：心电信号处理模块，获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号；第一呼吸率计算装置，用本文档来自技高网...

【技术保护点】
一种呼吸率计算方法，其特征在于，包括：获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号；通过所述训练用参数信号调整自适应滤波器，以调整后的所述自适应滤波器对所述测试用参数信号进行处理得到第一呼吸信号，并根据所述第一呼吸信号计算第一呼吸率；通过所述训练用参数信号构建神经网络训练模型，通过所述神经网络训练模型从所述测试用参数信号中获取第二呼吸信号，并根据所述第二呼吸信号计算第二呼吸率；通过加权计算所述第一呼吸率和所述第二呼吸率得到最终的呼吸率。

【技术特征摘要】
1.一种呼吸率计算方法，其特征在于，包括：获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号；通过所述训练用参数信号调整自适应滤波器，以调整后的所述自适应滤波器对所述测试用参数信号进行处理得到第一呼吸信号，并根据所述第一呼吸信号计算第一呼吸率；通过所述训练用参数信号构建神经网络训练模型，通过所述神经网络训练模型从所述测试用参数信号中获取第二呼吸信号，并根据所述第二呼吸信号计算第二呼吸率；通过加权计算所述第一呼吸率和所述第二呼吸率得到最终的呼吸率。2.如权利要求1所述的方法，其特征在于，所述通过所述训练用参数信号调整自适应滤波器的步骤包括：通过自适应滤波器对所述训练用参数信号进行处理得到预估的呼吸信号；计算所述预估的呼吸信号与阻抗法获得的呼吸信号的差值，并调整所述自适应滤波器的参数，使所述差值在预设的范围内。3.如权利要求2所述的方法，其特征在于，所述自适应滤波器对所述参数信号进行处理的步骤包括：根据预设的模糊规则对所述参数信号进行模糊推理，得到所述模糊规则的第一后件；通过正交基函数对所述参数信号进行函数扩展，得到所述模糊规则的第二后件；根据所述第一后件和第二后件，确定所述自适应滤波器的输出信号。4.如权利要求3所述的方法，其特征在于，所述根据预设的模糊规则对所述参数信号进行模糊推理，得到所述模糊规则的第一后件的步骤包括：计算所述参数信号在自适应滤波器的每个神经元节点的模糊子集的隶属度；根据所述隶属度计算每条模糊规则的激励强度；对所述激励强度进行归一化处理，得到所述模糊规则的第一后件。5.如权利要求4所述的方法，其特征在于，所述隶属度的计算公式为：Oj(1)=μj(x)]]>其中，上述公式中，表示输入信号向量在第j个神经元节点的隶属度，l＝1,2,…,r表示输入信号变量的个数，j＝1,2…,n表示隶属度函数的个数，μlj(xl)表示第l个参考输入信号变量xl在第j个神经元节点的隶属度函数，clj表示第l个参考输入信号在第j个神经元节点的隶属度函数的中心，表示第j个神经元节点的隶属度函数的宽度。6.如权利要求4所述的方法，其特征在于，所述激励强度的计算公式为：Oj(2)=exp[-Σl=1r(xl-clj)2σj2]=exp[-||(xl-clj)||2σj2]]]>其中，为第j条模糊规则的激励强度，clj表示第l个输入信号在第j个神经元节点的隶属度函数的中心，表示第j个神经元节点的隶属度函数的宽度。7.如权利要求4所述的方法，其特征在于，所述第一后件的计算公式为：Oj(3)=Oj(2)Σj=1nOj(2)]]>其中，为第j条模糊规则的激励强度，为第j条模糊规则的第一后件，n为模糊规则的数量。8.如权利要求3所述的方法，其特征在于，所述正交基函数为：T=T1T2...TMT=1Ch1(x1)Ch2(x1)...Ch1(xr)Ch2(xr)...]]>所述第二后件的计算公式为：wj=α1jT1+α2jT2+...+αMjTM=Σi=1MαijTi]]>其中，Chm(xl)为输出向量中第l个元素的第m个切比雪夫正交多项式，T为转置操作，M为所述正交基函数的个数，wj为第j条模糊规则的第二后件，α1j,α2j,...,αMj为第j条模糊规则的后件参数集，M为所述正交基函数的个数。9.如权利要求3所述的方法，其特征在于，所述根据所述第一后件和第二后件，确定所述自适应滤波器输出的信号的步骤包括：根据如下公式确定所述自适应滤波器输出的信号：y为所述自适应滤波器输出的信号，Oj为第j条模糊规则的第一后件，wj为第j条模糊规则的第二后件。10.如权利要求1所述的方法，其特征在于，所述通过所述训练用参数信号构建神经网络训练模型的步骤之前还包括，将所述参数信号进行降维，得到主成分心电信号；所述通过所述训练用参数信号构建神经网络训练模型的步骤包括，以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗...

【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