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方案

本发明专利技术提出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及方法，采用改进频率小波切片变换（MFSWT）生成信号的时频能量谱，利用归一化能量统计生成能量特征，通过分类器进行动静脉瘘异常震颤信号分类。具有精确的信号成份时频定位、独立重构、自适应、易用以及好的可理解性等优点，能够通过信号处理从震颤信号中获取有效信息。从震颤信号中获取有效信息。从震颤信号中获取有效信息。

【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)
[0006]傅里叶变换只反映出信号在频域的特性，无法在时域内对信号进行分析。短时傅里叶变换其实质是加窗的傅里叶变换,将时域和频域相联系。在信号做傅里叶变换之前乘一个时间有限的窗函数，并假定非平稳信号在分析窗的短时间隔内是平稳的，通过窗函数在时间轴上的移动，对信号进行逐段分析得到信号的一组局部“频谱”。要得到最优的局部化性能，时频分析中窗函数的宽度应根据信号特点进行调整，即正弦类信号用大窗宽，脉冲型信号用小窗宽。优点是其基本算法即是傅里叶变换，易于解释其物理意义。
[0007]2.维格纳分布(WVD)
[0008]维格纳分布是一种时频变换的技术，定义为对信号的瞬时相关函数做快速傅里叶变换，它是一种重要的双线性时频分布，尤其是对单一成分有良好的分辨率，具有分辨率高、能量集中和满足时频边缘特性等优良特性，有好的数学运算性质，可用于分析随机程序。在计算中不加窗操作，避免了时域分辨率和频域分辨率之间的相互牵制。
[0009]3.连续小波变换(CWT)
[0010]与短时傅里叶变换相比，小波变换有着窗口自适应的特点，即高频信号分辨率高，低频信号频率分辨率高。在时间域上，可以通过小波在时间上的移动，逐一比较不同位置的窗口信号，得到小波系数，小波系数越大，则证明小波与该段信号的拟合程度越好。计算中
用小波函数与该窗口信号的卷积，作为该窗口下的小波系数。窗口的长度和小波的长度是相同的。在频率域上，通过拉伸或压缩小波的长度，来改变小波的长短和频率，实现不同频率下的小波系数。相应的，窗口长度也会随着小波长度变化。由于高频处小波被压缩，时间窗变窄，使得时间分辨率更高。
[0011]4.频率切片小波变换(FSWT)
[0012]频率切片小波变换可以被看成是一种频率域上的短时傅里叶变换，是一种很好的可解释性方法，它本质上是STFT在频域的扩展，具有以下优点：
[0013](1)变换的时频窗口就是观测时频窗中心；
[0014](2)频率分辨率可控；
[0015](3)可自由设计频率切片函数；
[0016](4)在一定条件下，信号重构与频率切片函数相互独立。
[0017]频率切片小波变换用于瞬态振动响应分析和阻尼模态识别，提高了模式识别的精度。
[0018]在上述时频分析方法中，短时傅立叶变换的窗宽是固定的，不能进行自适应调整；维格纳分布的时频分布是双线性的，对于多分量信号而言，存在严重的交叉项干扰；连续小波变换有窗口自适应的特点，但是高频信号频率分辨率差，低频信号时间分辨率差。
[0019]对于频率切片小波变换算法，虽然从频域产生的时频谱图是一种很好的方法，但是由于频率小波切片变换算法中使用的频率切片函数与频率呈非线性倒数关系，频率切片函数频率窗口在低频区域变化剧烈，该方法用于低频体征信号表示时效果不理想。此外，信号成份时频定位精度主要受变换尺度参数影响，而该参数在实际使用中确定困难。频率小波切片变换用于体征信号时频分析时需要适当的改进。

技术实现思路

[0020]针对现有技术存在的缺陷和不足，本专利技术提出了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及方法。采用改进频率小波切片变换(MFSWT)生成信号的时频能量谱，利用归一化能量统计生成能量特征，通过分类器进行动静脉瘘异常震颤信号分类。具有精确的信号成份时频定位、独立重构、自适应、易用以及好的可理解性等优点，能够通过信号处理从震颤信号中获取有效信息。
[0021]方案包括：(1)对采集的动静脉瘘震颤信号按脉搏节律进行分割，如不存在震颤或者周期搏动时候提示异常并要求检查信号；(2)选取N个心动周期对应的震颤波，如统一选取6个心动周期长度的震颤波进行分割；(3)采用改进频率小波切片变换(MFSWT)生成信号的时频能量谱；(4)在时频能量谱上进行网格划分，并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；(5)最后，将生成的特征向量输入通过统计机器学习方法构建并训练的分类器，如支持向量机分类器，贝叶斯分类器等，给出动静脉瘘震颤信号类型预测。基于统计机器学习方法构建分类模型，如采用贝叶斯分类器等，具有良好的解释性，结合实例分析表明提出的方法能够实现震颤信号的有效识别。方案中采用的改进频率小波切片变换(MFSWT)具有信号时频成分定位准确、信号自适应、具有良好可解释性等特点，在定量分析和预测动静脉瘘异常等应用中具有较好的潜力。
[0022]本专利技术克服了现有时频分析方法在生理信号处理和客观分析中的不足，采用的改
进频率切片小波变换遵循从频率域生成信号时频谱的原则，同时采用有界信号自适应频率切片函数。由于其遵循了频率域变换原则，有高时频分辨率和准确的兴趣区域信号频率成份定位等优点。同时，采用信号自适应的频率切片函数解决了其他方法中参数设置困难，低频信号表示不理想的问题，可以很好地在时频域表示信号。
[0023]其具体采用以下技术方案：
[0024]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：
[0025]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；一般可以通过电容式或加速度式传感器进行采集；
[0026]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；
[0027]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M本文档来自技高网...

【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：