【技术实现步骤摘要】
结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法
[0001]本专利技术涉及人体信号处理、机器学习
,尤其涉及一种基于结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法。
技术介绍
[0002]震颤:震颤为触诊时指尖感到的一种细微震动感,比如脉搏引起的震颤;或动静脉瘘引起的浅表震颤等。震颤的发生是血液流经狭窄的口径或向异常的方向流动时,形成漩涡造成血管壁震动传至皮肤表面所致。
[0003]患者进行动静脉造瘘术后,会形成一个动静脉内瘘。动静脉内瘘形成后,压力较高的动脉血快速经过压力较低侧的静脉会形成湍流而产生震颤和杂音。手术成功的标志是术后静脉侧能触及震颤,听到血管杂音。震颤信号包含有丰富的病理信息,但是它的传导过程是由瘘部血管壁产生,经皮肤组织传送至皮表,因此震颤信号是一种微弱的生理信号,属于低频信号。目前临床过程中,医生通过触摸患者,感受浅表血管震颤进行疾病判断,然而一般情况下只能主观感受到其震颤,而无法定量的解释震颤中包含的病生理信号。
[0004]生理信号与正常或病理状态下的生理现象密切相关,这些时间序列信号具有时变、低频、准周期、非平稳、动态、弱和易受噪声干扰的特性。在通过机器进行信号处理分析的领域,傅立叶变换对于研究稳态的信号是一项非常有用的工具,然而对于生理信号,傅立叶变换并无法有效地完全分析其特性。对于一个非稳态的信号完全分析需要测量出时间以及频率上的表现。现有非平稳时变信号常用的时频分析方法包括了:
[0005]1.短时傅立叶变换(STFT)
[ ...
【技术保护点】
【技术特征摘要】
1.一种结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统,其特征在于,包括:动静脉瘘震颤信号采集模块,用于采集一段动静脉瘘震颤信号;动静脉瘘震颤信号分割模块,用于对所述动静脉瘘震颤信号按脉搏节律进行分割;时频能量谱生成模块,用于对分割后的信号时间做归一化处理,采用改进频率小波切片变换MFSWT生成信号的时频能量谱;能量占比计算模块,用于在所述时频能量谱上进行网格划分,计算每个网络单元格内局部归一化能量占比,并生成对应的能量占比特征向量;以及,分类模型,以所述能量占比特征向量为数据集,采用分类器进行训练构建获得,用于对输入的能量占比特征向量进行分类。2.根据权利要求1所述的结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统,其特征在于:在所述动静脉瘘震颤信号分割模块中,选取N个心动周期长度对应的震颤波进行分割。3.根据权利要求1所述的结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统,其特征在于:所述动静脉瘘震颤信号分割模块首先使用震颤信号周期识别算法将采集到的动静脉瘘震颤信号以N个心动周期为单位进行分割,接着手工修正识别结果,判断自动分割选取的起始点和结束点是否可接受,不可接受就进行手工修正,保存修正后的信号;所述震颤信号周期识别算法具体如下:(1)截取一段动静脉瘘震颤信号数据进行FFT分析,确定信号基频f1和搜索长度L1=1.2*f1F
s
,L2=0.5*f1F
s
,其中,F
s
是采样频率;(2)取前3f1F
s
一维最小值搜索得到起始点B0;(3)从起始点B0点开始在搜索长度L2范围内搜索最大值为峰值点C0;(4)从C0+B0C0开始在搜索长度L1范围内搜索最小值为峰值点B1;(5)重复(3)、(4)完成整个搜索,去除最后一个周期;(6)从峰值点C0点开始进行前向搜索,去除第一个周期;(7)修正识别结果,计算B1C0间斜率,并通过标准差和协方差评估,对大于斜率阀值的端点坐标进行修订,并用修改后的坐标取代初始确定的坐标。4.根据权利要求1所述的结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统,其特征在于:在所述能量占比计算模块中,在时频域谱上定义时域分割线T
i
和频域分割线F
j
,记录所有分割线的个数,将频域分割线和时域分割线组成的特征提取网格划分出的小块作为能量块E
ij
;根据震颤信号计算信号各能量块所占百分比,通过下式计算得到:其中,E
ij
代表能量块的能量,通过MFSWT功率谱计算得到,i代表能量块在时域分割的位置,T
i
对应时间维度第i格的位置,j代表能量块在频域分割的位置,F
j
对应频率维度第j格的位置。
5.根据权利要求1所述的结合统计学习和时频分析的动静脉瘘异常震颤信号...
【专利技术属性】
技术研发人员:罗堪,赖智晨,李建兴,马莹,陈炜,张仲鑫,蔡聪,
申请(专利权)人:福建工程学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。