一种基于人工网络的心肺耦合关系分析方法及监测系统技术方案

技术编号:35830456 阅读:25 留言:0更新日期:2022-12-03 13:59
本发明专利技术公开了一种基于人工网络的心肺耦合关系分析方法及监测系统,该方法包括:获取高频心电信号、呼吸信号;对获取的信号进行预处理,基于蜂群算法改进盲源分离算法实现对肌电干扰的去除;采用的改进的二阶有源低通滤波器对呼吸信号进行预处理;对信号进行特征提取以及耦合时段的选择,基于高频心电信号出现高频特征波形的波段进行心肺耦合,建立心肺耦合关系,并基于神经网络通过特征信息进行健康状态分析监测。本发明专利技术还提供了一种基于人工网络的心肺耦合关系分析监测系统。本发明专利技术实现了由高频心电信号确定心肺耦合信息,判断心肺耦合情况与隐藏心脏疾病之间的联系,具有较强的针对性,提高监测目的性。提高监测目的性。提高监测目的性。

【技术实现步骤摘要】
一种基于人工网络的心肺耦合关系分析方法及监测系统


[0001]本专利技术涉及医疗器械领域,尤其是一种基于人工网络的心肺耦合关系分析方法及监测系统。

技术介绍

[0002]呼吸对心血管系统的影响机制涉及到中枢神经系统,压力感受器反射及血流动力学变化和胸腔机械特性等因素。由于心肺耦合通路的复杂性,其作用机制目前认为大致存在以上所述中枢性、化学性和机械性三个方面。其中基于外周机制的心肺交互作用模型综合了以上通路,解释了呼吸运动通过引起回心血量的变化来调节血压,而压感反射影响心血管中枢的交感和副交感神经紧张性,进而反馈到心率、心输出量和外周循环阻力形成回路。
[0003]目前心肺耦合分析多是针对实验获得的呼吸、心率、血压等生理参数,使用频谱分析、系统辨识、参数模型以及非线性动力学理论等方法分析获得的心血管参数中所蕴涵的生理机制,以及他们之间的相互作用的相关程度;也有对心肺交互作用的心血管系统建模选取必率和收缩压信号中与呼吸相关的高频功率为指标,仿真了压力感受器和心肺感受器反馈调节能力的变化及其对心率变异性的影响。
[0004]现有技术中进行心肺耦合大多采用常规低频心电信号,无法精确反应隐性心脏疾病的心肺耦合信息,从而无法准确判断监测对象健康信息,并且,现有技术中通过是通过心肺耦合实现睡眠监测,而没有通过心肺耦合信息实现健康状态的监测。

技术实现思路

[0005](一)解决的技术问题
[0006]为了解决上述技术问题,本专利技术提供一种基于人工网络的心肺耦合关系分析方法及监测系统。该方法通过选取高频心电信号在某些特定隐性心脏疾病才会形成的高频特征波形段进行心肺耦合,实现了对患心脏疾病的患者的心肺耦合监测,以实现对其身体健康状态的监测。
[0007](二)技术方案
[0008]为了解决上述存在的技术问题,实现专利技术目的,本专利技术是通过以下技术方案实现的:
[0009]一种基于人工网络的心肺耦合关系分析方法,包括以下步骤,
[0010]S1:获取高频心电信号、呼吸信号,具体包括:采用高频心电图机采集高频心电信号
[0011]S2:信号预处理
[0012]对获取的高频心电信号和呼吸信号进行预处理,去除干扰噪声的影响,有助于提高后续的心肺耦合效果。
[0013]S3:对信号进行特征提取以及耦合时段选取;包括:分别对高频心电信号和呼吸信
号进行时域特征,频域特征和非线性特征的特征提取。根据得到的特征选择耦合时段,通过识别高频心电信号中的高频特征波形,选取在高频特征波存在的时段进行心肺耦合时段。
[0014]S4:建立心肺耦合关系,得到耦合结果,具体包括:
[0015]对呼吸信号序列进行三次样条插值,调整采样频率,保证两个序列长度与原始心电信号序列长度一致;计算耦合值;提取心肺耦合强度频谱特征。
[0016]S5:根据耦合特征和信号各自特征采用人工神经网络进行分析,获得健康状态分析结果。基于针对心脏疾病造成的高频心电信号异常的时段进行心肺耦合计算,通过心肺耦合强度判断该监测对象的健康状态。设定健康状态按照疾病造成的后果的严重等级分为良好、一般、差、危急四种状态。人工神经网络分析过程包括神经网络的建立,训练和采用训练好的神经网络进行健康状态分析。
[0017]进一步地,步骤S2还包括:
[0018](1)为了去除基线漂移现象,采用0.5HZ的高通滤波器。
[0019](2)针对工频干扰,采用梳状滤波器去除50Hz的工频干扰,梳状滤波器的传输函数的表达形式为:
[0020][0021]其中,b=(1+ρ)/2,N为梳状滤波器的阶数,f
s
为采样频率,f
c
为滤波频率,f
c
=50Hz,ρ为系数。
[0022](3)针对肌电干扰
[0023]采用基于蜂群算法改进盲源分离算法实现对肌电干扰的去除,具体为:首先对信号进行中心化和白化,基于蜂群算法的最优解计算得到分离矩阵并输出分离信号,其中,蜂群算法的目标函数表示为:
[0024][0025]当K(y
i
)≥0,信号y
i
满足超高斯分布的条件;当K(y
i
)<0,信号y
i
满足亚高斯分布的条件,E(x)表示x的均值。
[0026]对于呼吸信号,采用的改进的二阶有源低通滤波器,传递函数为:
[0027][0028]进一步地,步骤S3还包括:
[0029]其中,时域特征包括原始信号的均值、一次差分的均值、二次差分的均值、标准差、峭度、偏度;频域特征包括功率谱密度;非线性特征包括频域熵。
[0030]根据得到的特征选择耦合时段,通过识别高频心电信号中的高频特征波形,选取在高频特征波存在的时段,具体为识别并标记高频特征波形所在位置,获取存在高频特征波形的QRS波段,作为进行心肺耦合的波段。
[0031]进一步地,识别高频特征波形的方法包括:
[0032](1)获取当前QRS波的位置和幅值信息,将波形进行微分运算得到微分波形。
[0033](2)根据微分运算的结果确定原波形的波峰和波谷位置,以及QRS波对应的位置。
[0034](3)搜索是否有满足微分值两次过零点,微分值差值大于阈值。微分值过零点之间相距时间在一阈值范围内条件的波形,若有,则进行标记,若无,则转入步骤(4)。
[0035](4)若无满足步骤(3)中条件的波形,则进一步对Q

R段和R

S段求一阶微分和二阶微分,判断是否存在一阶微分不过零仅二阶微分过零或者一、二阶微分连续两点为零的波形,若有,则进行标记,若无,则判定QRS波上无高频特征波形。
[0036]获取存在高频特征波形的心电信号片段,用于后续进行心肺耦合。
[0037]进一步地,步骤S4还包括:
[0038](1)设定一定时长的窗,对每个样本窗根据步骤S3中确定的耦合时段进行分割操作,分割出需要进行耦合的部分,设耦合部分心电信号序列和呼吸信号序列分别为x(t)、y(t)。
[0039](2)分别计算两个信号的互相关函数和自相关函数,具体如下:
[0040]两个信号的互相关函数计算方法如下:
[0041][0042]两个信号的自相关函数计算方法分别如下:
[0043][0044][0045]其中,R
xy
为两个信号的互相关函数,R
xx
为高频心电信号的自相关函数,R
yy
为呼吸信号的自相关函数。
[0046](3)根据互相关函数和自相关函数计算互功率谱和自功率谱,具体如下:
[0047]通过互相关函数计算两个信号的互功率谱,即对互相关函数进行傅里叶变换,如下所示:
[0048][0049]通过自相关函数计算两个信号的互功率谱,即对自相关函数进行傅里叶变换,如下所示:
本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于人工网络的心肺耦合关系分析方法,其特征在于,包括以下步骤:S1:获取高频心电信号、呼吸信号,具体包括:采用高频心电图机采集高频心电信号;S2:信号预处理,包括对获取的高频心电信号和呼吸信号进行预处理,去除干扰噪声的影响,有助于提高后续的心肺耦合效果;S3:对信号进行特征提取以及耦合时段选取;包括:分别对高频心电信号和呼吸信号进行时域特征,频域特征和非线性特征的特征提取;根据得到的特征选择耦合时段,通过识别高频心电信号中的高频特征波形,选取在高频特征波存在的时段进行心肺耦合时段;S4:建立心肺耦合关系,得到耦合结果,具体包括:对呼吸信号序列进行三次样条插值,调整采样频率,保证两个序列长度与原始心电信号序列长度一致;计算耦合值;提取心肺耦合强度频谱特征;S5:根据耦合特征和信号各自特征采用人工神经网络进行分析,获得健康状态分析结果;具体为:基于针对心脏疾病造成的高频心电信号异常的时段进行心肺耦合计算,通过心肺耦合强度判断该监测对象的健康状态;设定健康状态按照疾病造成的后果的严重等级分为良好、一般、差、危急四种状态;人工神经网络分析过程包括神经网络的建立,训练和采用训练好的神经网络进行健康状态分析。2.根据权利要求1所述的基于智能算法的心电信号处理方法,其特征在于,所述步骤S3还包括:时域特征包括原始信号的均值、一次差分的均值、二次差分的均值、标准差、峭度、偏度;频域特征包括功率谱密度;非线性特征包括频域熵。3.根据权利要求1所述的基于智能算法的心电信号处理方法,其特征在于,所述步骤S3还包括:根据得到的特征选择耦合时段,通过识别高频心电信号中的高频特征波形,选取在高频特征波存在的时段,具体为识别并标记高频特征波形所在位置,获取存在高频特征波形的QRS波段,作为进行心肺耦合的波段。4.根据权利要求3所述的基于智能算法的心电信号处理方法,其特征在于,所述识别高频特征波形的方法包括:(1)获取当前QRS波的位置和幅值信息,将波形进行微分运算得到微分波形;(2)根据微分运算的结果确定原波形的波峰和波谷位置,以及QRS波对应的位置;(3)搜索是否有满足微分值两次过零点,微分值差值大于阈值;微分值过零点之间相距时间在一阈值范围内条件的波形,若有,则进行标记,若无,则转入步骤(4);(4)若无满足步骤(3)中条件的波形,则进一步对Q

R段和R

S段求一阶微分和二阶微分,判断是否存在一阶微分不过零仅二阶微分过零或者一、二阶微分连续两点为零的波形,若有,则进行标记,若无,则判定QRS波上无高频特征波形;获取存在高频特征波形的心电信号片段,用于后续进行心肺耦合。5.根据权利要求1所述的基于智能算法的心电信号处理方法,其特征在于,所述步骤S4还包括:设定一定时长的窗,对每个样本窗根据步骤S3中确定的耦合时段进行分割操作,分割出需要进行耦合的部分。6.根据权利要求5所述的基于智能算法的心电信号处理方法,其特征在于,所述步骤S4还包括:分别计算两个信号的互相关函数和自相关函数,具体如下:
两个信号的互相关函数计算方法如下:两个信号的自相关函数计算方法分别如下:两个信号的自相关函数计算方法分别如下:其中,R
xy
为两个信号的互相关函数,R
xx
为高频心电信号的自相关函数,R
yy
为呼吸信号的自相关函数;(3)根据互相关函数和自相关函数计算互功率谱和自功率谱,具体如下:通过互相关函数计算两个信号的互功率谱,即对互相关函数进行傅里叶变换,如下所示:通过自相关函数计算两个信号的互功率谱,即对自相关函数进行傅里叶变换,如下所示:示:其中,S
xy
为两个信号的互功率谱,S
xx
为高频心电信号的自功率谱,S
yy
为呼吸信号的自功率谱;(4)计算两个信号的相干性系数(5)计算耦合强度根据互功率谱和相干性系数计算高频心电信号和呼吸信号的耦合强度,具体如下:C(w)为两个信号的耦合强度。7.根据权利要求1所述的基于智能算法的心电信号处理方法,其特征在于,取心肺耦合强度频谱特征包括:a.频率小于0.4HZ的总耦合强度b.频率小于0.04HZ的耦合强度c.频率在0.04

0.15HZ的低频耦合强度d.频率在0.15

0.4HZ的高频耦合强度
e.频率在0.04

0.15HZ的低频耦合强度占总耦合强度的比值f.频率在0.15

0.4HZ的高频耦合强...

【专利技术属性】
技术研发人员:陈贤祥宋元林杜春玲刘哲
申请(专利权)人:湖南万脉医疗科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1